音節単位DNN-HMMによる音声認識の検討

摘要

近年，音声認識にディープニューラルネットワークを用いることで，従来手法であるGMM-HMM と比較し精度が向上するという結果が多数報告されている．本研究では，3つの年齢層（成人·子供·老人）と性別（男性·女性）に依存した計6クラスの学習データベースを使用し，それぞれ音節単位DNN－HMM を学習した．その結果，従来手法であるGMM-HMMと比較して4クラスで精度の向上が見られた．そして6つのクラスを1つのネットワークで学習することにより，5クラスで精度の向上が見られた．また，直前の音素を考慮した左コンテキスト依存の音節単位DNN-HMMについても検討した．左コンテキスト依存の音節単位DNN-HMMは学習すべきパラメータ数が多いため，学習には多くの時間が必要となる．そこで，状態を「結び」にして学習する方法と学習を高速化するためにRectified Linear Unitを導入した結果も報告する．