DNNによる音素誤りパターン学習に基づく音声中の検索語検出

摘要

本稿では，Deep Neural Network（DNN）を使用して，複数の音声認識システムから得られた音素系列から正解音素を推定し，この結果を音声中の検索語検出（STD）に適用する方法を提案する．音素推定（認識）は，音声の音響特徴量を入力として隠れマルコフモデル（HMM）の音素に対応する各状態の出力確率をDNNを用いて推定する方法が一般的であるが，本手法では，DNNに複数の音声認識システムの出力パターンを学習させることで，正しい音素を予測する．従来のガウス混合分布に基づくHMMを音響モデルとして用いた音声認識システムから最新のDNN-HMMに基づいた音声認識システムの出力結果に対して提案手法を適用できることから，音声認識性能を更に改善することが可能である．提案手法をSTDタスクに適用した．実験の結果，我々が提案している条件付き確率場（CRF）の性能を大きく改善することができた．