基本周波数情報を用いたダイナミックベイジアンネットワークによる音声認識

摘要

本稿では，ダイナミックベイジアンネットワーク(DBN)を用いて，基本周波数情報をHMMに組み込んだモデルを提案する．提案モデルでは，基本周波数の値を量子化し，離散変数としてモデルに組み込む．また，基本周波数を表す変数が音素の種類のみに依存する場合と，音素の種類と1つ前のフレームの自身の値に依存する場合を考える．提案手法の有効性を確認するため，日本語話し言葉コーパス(CSJ)による連続音素認識を行った．モデルの学習と認識にはGMTKを用いた．また，男女別のモデルを用いた場合と，性別非依存のモデルを用いた場合とで実験を行った．実験の結果，混合数1のベースラインモデルに比べて，男女別のモデルでは男性で最大2.7％，女性で3.9％音素正解精度が改善した．また，性別非依存のモデルでは最大3.5％音素正解精度が改善した．また，基本周波数の量子化数が2の場合に，より少ない混合分布数で，ベースラインよりも高い音素正解精度を示すことを確認した．その場合に，基本周波数のフレーム間の依存が重要であることを確認した．