| 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 | 2022-12-01 15:50 大規模音声データのみ獲得できる環境下への音声認識モデルのドメイン適応 ○木内貴浩・森 大輝（豊橋技科大）・小川厚徳（NTT）・北岡教英（豊橋技科大）  NLC2022-18 SP2022-38 |
|
| 抄録 | （和） | 現在，Transformer音声認識モデルなどの高性能なモデルの登場により様々なサービスや事業で音声認識が活用されいる．しかし，高精度な音声認識モデルをスクラッチで学習するためには，大量の音声データと，その書き起こしテキストデータが必要となる．これらのデータを自前で準備することは時間的にも経済的にも難しいとされている．一方で，ターゲットドメイン内の音声データのみであれば比較的容易に準備することが可能である．そこで本研究では，大量のターゲットドメイン音声のみで事前学習されたwav2vec 2.0モデルと，大量のドメイン外コーパスで事前学習されたTransformer ASRモデルのデコーダモジュールを統合し，比較的ターゲットドメインに適応したASRモデルを作成する．本手法は、ターゲットドメインの学習データ(音声データと，その書き起こしテキストデータ)が存在しない環境下で，ターゲットドメインの音声認識モデルを作成することを目的とする． |
| （英） | Nowadays, speech recognition is used in various services and businesses thanks to the advent of high-performance models such as the Transformer speech recognition model. However, to train our high-performance speech recognition model from scratch, we need a large amount of speech data and its transcribed text data. It is both time-consuming and economically difficult for us to prepare these data on our own. On the other hand, it is relatively easy to prepare only the speech data of the target domain. Therefore, in this study, we integrate the wav2vec 2.0 model, which is pre-trained only with a large amount of target domain speech data, and the decoder module of the Transformer speech recognition model, which is pre-trained with a large amount of out-of-domain corpus, to create an speech recognition model that is comparatively applicable to the target domain. The purpose of this study is to create a speech recognition model for the target domain in an environment where the training data (speech data and its transcribed text data) of the target domain does not exist. | |
| キーワード | （和） | wav2vec 2.0 / ドメイン適応 / end-to-end音声認識 / Encoder-Decoderモデル / / / / |
| （英） | wav2vec 2.0 / domain adaptation / end-to-end speech recognition / Encoder-Decoder model / / / / | |
| 文献情報 | 信学技報, vol. 122, no. 288, SP2022-38, pp. 50-53, 2022年11月. | |
| 資料番号 | SP2022-38 | |
| 発行日 | 2022-11-22 (NLC, SP) | |
| ISSN | 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 | NLC2022-18 SP2022-38 |
|
| 研究会情報 | |
| 研究会 | NLC IPSJ-NL SP IPSJ-SLP |
| 開催期間 | 2022-11-29 - 2022-12-01 |
| 開催地（和） | 機械振興会館 |
| 開催地（英） | |
| テーマ（和） | 第24回音声言語および第9回自然言語処理シンポジウム |
| 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 | 2022-11-NLC-NL-SP-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 大規模音声データのみ獲得できる環境下への音声認識モデルのドメイン適応 |
| サブタイトル（和） | |
| タイトル（英） | ASR model adaptation to target domain with large-scale audio data without transcription |
| サブタイトル（英） | |
| キーワード(1)（和/英） | wav2vec 2.0 / wav2vec 2.0 |
| キーワード(2)（和/英） | ドメイン適応 / domain adaptation |
| キーワード(3)（和/英） | end-to-end音声認識 / end-to-end speech recognition |
| キーワード(4)（和/英） | Encoder-Decoderモデル / Encoder-Decoder model |
| キーワード(5)（和/英） | / |
| 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） | 木内 貴浩 / Takahiro Kinouchi / キノウチ タカヒロ |
| 第1著者 所属（和/英） | 豊橋技術科学大学 (略称： 豊橋技科大) Toyohashi University of Technology (略称： TUT) |
| 第2著者 氏名（和/英/ヨミ） | 森 大輝 / Daiki Mori / モリ ダイキ |
| 第2著者 所属（和/英） | 豊橋技術科学大学 (略称： 豊橋技科大) Toyohashi University of Technology (略称： TUT) |
| 第3著者 氏名（和/英/ヨミ） | 小川 厚徳 / Ogawa Atsunori / オガワ アツノリ |
| 第3著者 所属（和/英） | 日本電信電話株式会社 (略称： NTT) NIPPON TELEGRAPH AND TELEPHONE CORPORATION (略称： NTT) |
| 第4著者 氏名（和/英/ヨミ） | 北岡 教英 / Norihide Kitaoka / キタオカ ノリヒデ |
| 第4著者 所属（和/英） | 豊橋技術科学大学 (略称： 豊橋技科大) Toyohashi University of Technology (略称： TUT) |
| 講演者 | 第1著者 |
| 発表日時 | 2022-12-01 15:50:00 |
| 発表時間 | 20分 |
| 申込先研究会 | SP |
| 資料番号 | NLC2022-18, SP2022-38 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | no.287(NLC), no.288(SP) |
| ページ範囲 | pp.50-53 |
| ページ数 | 4 |
| 発行日 | 2022-11-22 (NLC, SP) |
[研究会発表申込システムのトップページに戻る]