統計的機械学習問題としての音声研究

摘要

本稿では，統計的機械学習の問題として音声研究を振り返り，特に音声認識と音声合成における共通点や相違点，今後の研究の方向性について述べる．近年，音声認識と音声合成はどちらも統計的な手法が主流となり，多くの共通した技術が使われる一方で，それぞれの技術が深化するにつれて，その違いも明確になってきた．その違いは，認識と合成の本質的な違いによるものであり，音声認識は識別モデル，音声合成は生成モデルとして研究が進められている．これを踏まえ，本稿では今後の方向性の一つとして，音声認識や音声合成を巨大な一つの統計モデルとして取り扱う統合モデルの枠組みについて述べる．現時点では識別モデルに基づく音声認識において，音声の階層構造を考慮しつつ統合的に扱う枠組みは未だ明確ではないが，システマティックにモデル構造を構築する際の生成モデルの有効性について考察する．