重回帰HMMに基づくスタイル推定を用いた音声認識における音響モデル学習法

摘要

We propose a technique for emotional speech recognition based on multiple-regression HMM (MRHMM). To achieve emotional speech recognition for an arbitrary speaker with a small amount of training data, we incorpo rate a speaker and style adaptation technique into speaker-dependent MRHMM-based emotional speech recognition. In the proposed technique, we first adapt the speaker-independent model to target speaker's respective styles with a small amount of speech data. Then, using obtained speaker- and style-adapted HMMs and low-dimensional style control vector for each training style, the regression matrices of MRHMM are estimated based on least square method and maximum likelihood estimation. We assess the performance of the proposed technique on the recogni tion of acted emotional speech uttered by both professional narrators and non-professional speakers and show the effectiveness of the technique.%本論文では，重回帰HMMに基づくスタイル推定を用いた音声認識手法において，この手法を容易に任意の話者へ適用することを目的に，重回帰HMMの学習に話者非依存モデルとモデル適応手法を導入する手法を提案する．提案法では，まず話者非依存モデルに目標話者の各スタイルの少量の適応データを用いて，話者性とスタイルの同時適応を行い，重回帰HMMの学習に用いる目標話者のスタイル適応HMMを作成する．得られたスタイル適応HMMのモデルパラメータと発話様式・感情表現（スタイル）の表出度合を表すスタイルベクトルから，最小二乗法により重回帰HMMの回帰行列を求め，最尤推定により補正を行う．プロのナレータと一般の発話者が発話した模擬感情音声に対して音素認識実験を行い，その結果から捷案法の性能評価を行う．また，提案法ではスタイル推定の結果から，認識結果だけでなく入力音声のスタイルも得られることを示す．