| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2008-07-18 09:40 構造表象を用いた音声認識におけるパラメータ共有とその効果 ○松浦 良・齋藤大輔・朝川 智・峯松信明・広瀬啓吉（東大）  SP2008-52 |
|
| 抄録 | （和） | 性別、年齢、音響機器などの非言語的要因によって音声の音響特徴は不可避的に変動し、音声認識率を下げる要因となっているが、近年、これらの要因に影響されない音声の不変的・構造的表象が提案されている。これは音の絶対量ではなく相対量に基づく音声表象であり、音声ストリームをN 個の分布列へと変換した後に、NC2 個ある分布間距離、即ちエッジ長を計算する。語彙がL 語ある場合、合計L×NC2 個のエッジ長を統計的にモデル化することになる。今回の報告では、不変表象であることを考慮し、学習話者一人の場合に構造的音声認識がどのような傾向を示すのかを実験的に検討する。構造表象は発話スタイルの影響を直接的に受ける。そのため、話者間の発話スタイル差異を吸収するためにパラメータ共有を導入し、その効果について検証した。また、従来のHMM を用いた枠組みでも同様の実験を行ない、パラメータ共有の効果について比較した。両実験結果を踏まえ、音声によって伝搬される言語情報は音の実体、或は、音の差異のいずれに符号化された情報なのか、について考察する。 |
| （英） | Acoustic features in speech are affected inevitably by non-linguistic factors, which easily decrease speech recognition performance. Recently, we proposed a structural and speaker-invariant representation of speech, where speech substances are completely discarded and speech contrasts are only extracted. After converting an input speech stream into N feature distributions, every distance between any pair of the distributions is calculated. If aword has N distributions, its structure model comes to have NC2 parameters (edge length). If the vocabulary is comprised of L words, a recognition system will have L×NC2 parameters. In this report, considering that the structural representation is speaker-invariant, we test it only with a single training speaker. To improve the robustness for variability of speaking styles, parameter sharing is introduced and its effect is examined. After a similar experiment with HMMs, we discuss whether linguistic information is encoded in speech substances or speech contrasts. |
|
| キーワード | （和） | 音声の構造的・不変的表象 / 音声認識 / パラメータ共有 / クラスタリング / 音的実体と差異 / / / |
| （英） | structural representation / speech recognition / parameter sharing / clustering / substance and contrast / / / | |
| 文献情報 | 信学技報, vol. 108, no. 142, SP2008-52, pp. 55-60, 2008年7月. | |
| 資料番号 | SP2008-52 | |
| 発行日 | 2008-07-10 (SP) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | SP2008-52 |
|
| 研究会情報 | |
| 研究会 | SP |
| 開催期間 | 2008-07-17 - 2008-07-19 |
| 開催地（和） | 岩手県大 |
| 開催地（英） | Iwate Prefectural Univ. |
| テーマ（和） | 認識，理解，対話，一般 |
| テーマ（英） | Speech Recognition, Speech Understanding, Speech Dialogue, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2008-07-SP |
| 本文の言語 | 日本語 |
| タイトル（和） | 構造表象を用いた音声認識におけるパラメータ共有とその効果 |
| サブタイトル（和） | |
| タイトル（英） | Parameter sharing and its effects for structural speech recognition |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 音声の構造的・不変的表象 / structural representation |
| キーワード(2)（和/英） | 音声認識 / speech recognition |
| キーワード(3)（和/英） | パラメータ共有 / parameter sharing |
| キーワード(4)（和/英） | クラスタリング / clustering |
| キーワード(5)（和/英） | 音的実体と差異 / substance and contrast |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 松浦 良 / Ryo Matsuura / マツウラ リョウ |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) Tokyo University (略称： Tokyo Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 齋藤 大輔 / Daisuke Saito / サイトウ ダイスケ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) Tokyo University (略称： Tokyo Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 朝川 智 / Satoshi Asakawa / アサカワ サトシ |
| 第3著者 所属（和/英） | 東京大学 (略称： 東大) Tokyo University (略称： Tokyo Univ.) |
| 第4著者 氏名（和/英/ヨミ） | 峯松 信明 / Nobuaki Minematsu / ミネマツ ノブアキ |
| 第4著者 所属（和/英） | 東京大学 (略称： 東大) Tokyo University (略称： Tokyo Univ.) |
| 第5著者 氏名（和/英/ヨミ） | 広瀬 啓吉 / Keikichi Hirose / ヒロセ ケイキチ |
| 第5著者 所属（和/英） | 東京大学 (略称： 東大) Tokyo University (略称： Tokyo Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2008-07-18 09:40:00 |
| 発表時間 | 30分 |
| 申込先研究会 | SP |
| 資料番号 | SP2008-52 |
| 巻番号（vol） | vol.108 |
| 号番号（no） | no.142 |
| ページ範囲 | pp.55-60 |
| ページ数 | 6 |
| 発行日 | 2008-07-10 (SP) |
[研究会発表申込システムのトップページに戻る]