音声認識のための複数の認識器を利用した能動学習

摘要

We propose an active learning method with multiple recognizers for large vocabulary continuous speech recognition. In this approach, the recognition results obtained from recognizers are used for selecting utterances. Here, a progressive search method is used for aligning sentences, and voting entropy is used as a measure for selecting utterances. Our method was evaluated by using 190-hour speech data in the Corpus of Spontaneous Japanese. It proved to be significantly better than random selection. It only required 60 h of data to achieve a word accuracy of 74%, while standard training (i.e., random selection) required 97 h of data. The recognition accuracy of our proposed method was also better than that of the conventional uncertainty sampling method using word posterior probabilities as the confidence measures for selecting sentences.%大語彙連続苦声認識器の学習データに対する書き起こしコスト削減のための複数の認識器を利用した能動学習手法を提案する.この手法では複数の認識器から得られた複数の異なる認識結果文を用いて発話の選択を行う.認識結果文をアラインメン卜するためのプログレッシブ法とVoting Entropyを発話選択に用いている.提案手法を日本語話し言葉コーパスの190時間の音声データを使い評価し，能動学習を行わないランダムな発話選択より顕著に良い結果を得た.74％の単語正解精度を得るために必要な書き起こし付きデータ量はランダム選択では97時間，単語事後確率を用いた従来手法では72時間であるが，提案手法では60時間で済むという結果になった.