| 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 | 2024-03-01 09:30 多言語SSLモデルに基づく音声認識のノンパラレルコーパスのみを用いたドメイン適応 ○木内貴浩（豊橋技科大）・小川厚徳（NTT）・若林佑幸（豊橋技科大）・太田健吾（阿南高専）・北岡教英（豊橋技科大）  EA2023-100 SIP2023-147 SP2023-82 |
|
| 抄録 | （和） | 音声認識(automatic speech recognition: ASR)は様々なサービスや事業で活用されており，それらの各ド メインの音声の認識精度は，そのドメインにおける音声データ量に依存することが知られている.一般的には，目標 ドメインの大量の音声データとその書き起こしテキストデータで ASR モデルを学習することが望ましいが，音声とそ の書き起こしテキストのペアデータを構築するのは非常に高コストである.そこで我々は，音声のみ，もしくはテキ ストのみであれば比較的低コストで収集可能であることに着目する.この条件のもと，本研究では自己教師あり学習 (self-supervised learning: SSL) モデルを基にした音声のみを用いたドメイン適応と，言語モデル統合によるテキストの みを用いたドメイン適応の2つのアプローチによって音声認識モデルを目標ドメインへ適応することを実現する．実験の結果，英語音声で事前学習された SSL モデルを用いた場合，9.2 pts の CER の低下が見られ，多言語音声で事前学習された SSL モデルを用いた場合，5.3 pts の CER の低下が見られ，精度が向上した. |
| （英） | Automatic speech recognition (ASR) models are used in various services and businesses, and each domain’s recognition accuracy depends on the amount of speech data in that domain. Generally, it is desirable to train an ASR model with a large amount of target-domain speech data and its transcribed text data. However, it is high cost to construct these data. Therefore, we focus on collecting only speech or text data with low cost. Under these conditions, we use two approaches: domain adaptation using only speech data based on a self-supervised learning (SSL) model and domain adaptation using only text data based on language model fusion. In the experiment, the CER improved by 9.2 pts when using the SSL model pre-trained on English speech and by 5.3 pts when using the SSL model pre-trained on multilingual speech. | |
| キーワード | （和） | XLS-R / ドメイン適応 / End-to-end 音声認識 / Encoder-Decoder モデル / / / / |
| （英） | XLS-R / Domain adaptation / End-to-end speech recognition / Encoder-Decoder model / / / / | |
| 文献情報 | 信学技報, vol. 123, no. 403, SP2023-82, pp. 232-237, 2024年2月. | |
| 資料番号 | SP2023-82 | |
| 発行日 | 2024-02-22 (EA, SIP, 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 | EA2023-100 SIP2023-147 SP2023-82 |
|
| 研究会情報 | |
| 研究会 | SIP SP EA IPSJ-SLP |
| 開催期間 | 2024-02-29 - 2024-03-01 |
| 開催地（和） | 沖縄産業支援センター |
| 開催地（英） | |
| テーマ（和） | 音声，応用／電気音響, 信号処理，一般 |
| 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 | 2024-02-SIP-SP-EA-SLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 多言語SSLモデルに基づく音声認識のノンパラレルコーパスのみを用いたドメイン適応 |
| サブタイトル（和） | |
| タイトル（英） | Domain adaptation of speech recognition model based on multilingual SSL model with only nonparallel corpus. |
| サブタイトル（英） | |
| キーワード(1)（和/英） | XLS-R / XLS-R |
| 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） | 小川 厚徳 / Atsunori Ogawa / オガワ アツノリ |
| 第2著者 所属（和/英） | 日本電信電話 (略称： NTT) Nippon Telegraph and Telephone Public Corporation (略称： NTT) |
| 第3著者 氏名（和/英/ヨミ） | 若林 佑幸 / Yukoh Wakabayashi / ワカバヤシ ユウコウ |
| 第3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4著者 氏名（和/英/ヨミ） | 太田 健吾 / Kengo Ohta / オオタ ケンゴ |
| 第4著者 所属（和/英） | 阿南工業高等専門学校 (略称： 阿南高専) National Institute of Technology, Anan College (略称： NITA) |
| 第5著者 氏名（和/英/ヨミ） | 北岡 教英 / Norihide Kitaoka / キタオカ ノリヒデ |
| 第5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 | 2024-03-01 09:30:00 |
| 発表時間 | 60分 |
| 申込先研究会 | SP |
| 資料番号 | EA2023-100, SIP2023-147, SP2023-82 |
| 巻番号（vol） | vol.123 |
| 号番号（no） | no.401(EA), no.402(SIP), no.403(SP) |
| ページ範囲 | pp.232-237 |
| ページ数 | 6 |
| 発行日 | 2024-02-22 (EA, SIP, SP) |
[研究会発表申込システムのトップページに戻る]