感情音声データベースJTESを用いた感情音声認識におけるモデル適応の性能向上の検討

摘要

近年，感情音声コーパスとしてJTES（Japanese Twitter-based Emotional Speech）が構築された．Twitterの呟きをベースとしており，感情ラベルの付与，音韻·韻律のバランスが取れた文選択などの特徴がある．我々はこれまで，日本語話し言葉コーパス（CSJ）を用いて学習したDNN-HMMによる音響モデルを初期モデルとして，JTESを用い話者や感情へ適応した音響モデルを用いて認識実験を行なってきた．CSJで学習しCSJのテストセットを認識した場合の単語誤り率は15.12%と比較的良好な認識結果が得られていた．一方CSJによる初期モデルを適応した後のJTESによる評価を見ると話者適応では27.86%と十分な結果が得られていない．本稿では，適応法と言語モデルに関して検討し，更なる性能向上を試みた．適応法としては，DNNのエポック数の決定にearly stoppingの利用を検討した．また，言語モデルにおいては未知語の影響を調査し，未知語を追加した言語モデルを検討した．以上により話者適応でベースラインが27.86%に対し，23.05%，コーパス適応のベースラインが32.37%に対し，26.91%と大幅な性能向上が得られた．