日本語話し言葉音声認識のための音節に基づく高精度な音響モデルの検討

摘要

日本語話し言葉音声認識のための音節に基づく音響モデリング手法について検討している．従来，「モーう」単位に基づくサブワード音響モデルが検討され，読み上げ音声認識においてその効果が確認されている．それに対し本章陀では，「音節」と「モーう」をその定義から明確に区別し，話し言葉音声認識において，「音節」が「モーラ」より音響モデルの単位として適していることを示す．具体的には，話し言葉音声特有の現象で，頻繁に発生する「長母音化」に注目し，これを明確に考慮した音節モデル，並びにその高精度なモデリング手法を提案する．学会講演音声を対象とした認識実験の結果，提案モデルによって従来のtriphoneモデル，モーラモデルを上回る認識性能を得ることができた．