音素弁別特徴間距離に基づくキーワード検出における音節単位サブワードモデルの検討

摘要

言語モデルをサブワードモデルに置換えた汎用LVCSRエンジンを利用し，対話音声中のキーワードを高い精度で抽出する方法を研究している．これまで，汎用エンジンが持つ固有言語モデルの制約を緩めると共に，認識結果の音素列に音素弁別特徴(DPF) ベクトルに基づくキーワードスポッティングを適用する方式を提案し，道案内タスク対話音声中のキーワード検出実験から，この方式が置換·脱落·付加誤りの少ないことを報告した．本報告では，日本語の全ての音節構造を考慮したサブワードモデルを利用することにより，少ない語彙数（20k辞書の1/40）で高い精度を維持することができることを示す．これによりメモリと計算負荷を大幅に低減できる．汎用エンジンの20k辞書 (0-gram) との比較実験では，最初に (a) 汎用エンジン中の音節長の短い単語のみを辞書に登録（辞書サイズ1/2）することで同等の性能が得られることを示す．次に， (b) 辞書中の単語から短音節単位サブワードモデルを作成することを検討し，2短音節の3-gramで同程度の性能が得られることを示す．最後に， (C) 新聞記事から得られる日本語の全ての音節構造を検討し，短音節，長母音音節，撥音付き音節，促音付き音節，二重母音音節をサブワードとして採用することで，20k辞書と比較し1/40の登録項目で同等の性能が得られることを示す．