DNNの出力確率から構築したサブワード間及び状態間音響距離によるSTDの精度向上

摘要

近年，音声データや動画データから特定のシーンを検索するために，音声中の検索語検出（STD：Spoken-Term Detection）の研究が盛んに行われている．STDでは高速化のため，検索対象の音声ドキュメントを予めサブワード認識しておき，システムに検索語が与えられると，検索語のサブワード系列と音声ドキュメントのサブワード系列を照合し，検索結果を出力する．照合の際のサブワード間の距離には，edit distanceやサブワード間音響距離などが使用される．本稿では，検索精度の向上を目的として，HMMを構成する各状態において，DNNより出力される確率分布を用いてサブワード聞及び状態間の音響距離を定義する方式を提案する．これまで我々が用いてきたサブワードHMMの統計量に基づくサブワード間音響距離と提案方式による新たな音響距離との比較実験を，NTCIR-9，10で用いられた4つのテストセットを用いて行づた．GMM-HMMによる音声ドキュメントのサブワード認識結果を用いた場合，提案方式により，サブワード間照合で平均＋1.27pt，状態間照合で平均＋0.24pt，DNN-HMM による音声ドキュメントのサブワード認識結果を用いた場合，サブワード間照合で平均＋4.01pt，状態間照合で平均＋2.84pt検索精度が向上し，提案方式の有効性を検証できた．