| 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 | 2010-01-22 14:50 マルチモーダル音声区間検出を用いたマルチモーダル音声認識の検討 ○田村哲嗣・石川雅人・羽柴隆志・竹内伸一・速水 悟（岐阜大）  CQ2009-105 PRMU2009-204 SP2009-145 MVE2009-127 |
|
| 抄録 | （和） | 音声と口唇動画像を用いるマルチモーダル音声認識は，雑音下で頑健に音声認識できる手法のひとつとして注目されている．他方，雑音下音声認識においては，音声区間の同定を行う音声区間検出（Voice Activity Detection，VAD）が有効である．我々はこれまでに，音響雑音の影響を受けない画像情報を併用したマルチモーダルVAD を提案している．本研究では，マルチモーダルVAD とマルチモーダル音声認識を組み合わせた音声認識手法を提案する．マルチモーダルVAD では，音声と非音声の識別に隠れマルコフモデル（Hidden Markov Model）を用いるモデルベース法と閾値を用いる非モデルベース法を，また音声情報と画像情報の統合方法として初期統合および結果統合を比較検討した．音響雑音を加えた音声・画像データを用いて音声認識実験を行ったところ，非モデルベース初期統合法がもっとも高い性能を示し，従来の音声認識手法よりも性能が改善した． |
| （英） | Audio-Visual Automatic Speech Recognition (AVASR) has been developed to enhance the robustness in noisy environments, using visual information in addition to acoustic features. Similarly, Audio-Visual Voice Activity Detection (AVVAD) has been investigated and used to increase the precision of VAD, since detecting presence of speech in noisy audio signals contributes ASR performance. In this paper, we propose a novel speech recognition method combining AVASR and AVVAD: combinations of model-based and model-free, and feature-fusion-based or decision-fusion-based methods. To evaluate the proposed schemes, recognition experiments were conducted using noisy audio-visual data. Then it is found that the proposed method using the model-free feature-fusion AVVAD method outperforms not only audio-only ASR but also conventional AVASR. | |
| キーワード | （和） | マルチモーダル / 音声認識 / 音声区間検出 / 初期統合 / 結果統合 / / / |
| （英） | multimodal / speech recognition / voice activity detection / feature fusion / decision fusion / / / | |
| 文献情報 | 信学技報, vol. 109, no. 375, SP2009-145, pp. 345-350, 2010年1月. | |
| 資料番号 | SP2009-145 | |
| 発行日 | 2010-01-14 (CQ, PRMU, SP, MVE) | |
| 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 | CQ2009-105 PRMU2009-204 SP2009-145 MVE2009-127 |
|
| 研究会情報 | |
| 研究会 | PRMU SP MVE CQ |
| 開催期間 | 2010-01-21 - 2010-01-22 |
| 開催地（和） | 京大 |
| 開催地（英） | Kyoto Univ. |
| テーマ（和） | クロスモーダル |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | SP |
| 会議コード | 2010-01-PRMU-SP-MVE-CQ |
| 本文の言語 | 日本語 |
| タイトル（和） | マルチモーダル音声区間検出を用いたマルチモーダル音声認識の検討 |
| サブタイトル（和） | |
| タイトル（英） | Multimodal speech recognition using multimodal voice activity detection |
| サブタイトル（英） | |
| キーワード(1)（和/英） | マルチモーダル / multimodal |
| キーワード(2)（和/英） | 音声認識 / speech recognition |
| キーワード(3)（和/英） | 音声区間検出 / voice activity detection |
| キーワード(4)（和/英） | 初期統合 / feature fusion |
| キーワード(5)（和/英） | 結果統合 / decision fusion |
| 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） | 田村 哲嗣 / Satoshi Tamura / タムラ サトシ |
| 第1著者 所属（和/英） | 岐阜大学 (略称： 岐阜大) Gifu University (略称： Gifu Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 石川 雅人 / Masato Ishikawa / イシカワ マサト |
| 第2著者 所属（和/英） | 岐阜大学 (略称： 岐阜大) Gifu University (略称： Gifu Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 羽柴 隆志 / Takashi Hashiba / ハシバ タカシ |
| 第3著者 所属（和/英） | 岐阜大学 (略称： 岐阜大) Gifu University (略称： Gifu Univ.) |
| 第4著者 氏名（和/英/ヨミ） | 竹内 伸一 / Shin'ichi Takeuchi / タケウチ シンイチ |
| 第4著者 所属（和/英） | 岐阜大学 (略称： 岐阜大) Gifu University (略称： Gifu Univ.) |
| 第5著者 氏名（和/英/ヨミ） | 速水 悟 / Satoru Hayamizu / ハヤミズ サトル |
| 第5著者 所属（和/英） | 岐阜大学 (略称： 岐阜大) Gifu University (略称： Gifu Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2010-01-22 14:50:00 |
| 発表時間 | 30分 |
| 申込先研究会 | SP |
| 資料番号 | CQ2009-105, PRMU2009-204, SP2009-145, MVE2009-127 |
| 巻番号（vol） | vol.109 |
| 号番号（no） | no.373(CQ), no.374(PRMU), no.375(SP), no.376(MVE) |
| ページ範囲 | pp.345-350 |
| ページ数 | 6 |
| 発行日 | 2010-01-14 (CQ, PRMU, SP, MVE) |
[研究会発表申込システムのトップページに戻る]