Souta Hamaguchi, Takatoshi Jitsuhiro, Shigeki Matsuda, Yasunaga Nimi, Satoru Nakamura
Speech Recognition Using Context-Dependent
Utterance Noise Models
Abstract:人が発声するときには，息継ぎやリップノイズなどの雑音が実際には生じる．音声認識
では，周囲雑音だけでなく，こういった雑音において誤認識を起こす可能性が高い．これ
らの雑音をここでは「発話ノイズ」と呼ぶ．一般には，"filler model"と呼ばれるような比
較的簡単なモデル化で済まされる事が多い．そこで，本研究では，視察ラベルを用い，発話ノ
イズの種類別に環境依存型音響モデルを作成する．さらに，音素モデル自体も発話ノイズ
環境依存型に作成しなおしながら，精度向上を図るため，一連の音響モデル作成手順
(Viterbiアライメント作成，MDL-SSS法による自動状態数決定も含んだHMM状態共有
構造作成，混合分布化，HMMパラメータ推定）を繰返し行う．ATR擬似旅行会話データ
ベース(TRA)を用いた評価実験により，音素モデルのみに比べ，約1%の単語錦精度の向上
が得られた．