黒岩 眞吾

本稿では，2001年10月に音声言語情報処理研究会内に設立した雑音下音声認識の評価に関するワーキンググループの活動状況の報告を行う．このワーキンググループでは，雑音下音声認識に於ける評価法，共通のコーパスの策定に加えて，欧州で進められているETSI AURORA雑音下音声認識アルゴリズム開発プロジェクトに合わせたアルゴリズム開発を目指している．This paper reports current status of the SLP working group establised in October 2001 on the noisy speech recognition. The working group aims to develop standards, common corpus, and noisy speech recognition system in conjunction with Europian ETSI AURORA evaluation projects.

携帯電話の発展にともない急激に携帯端末によるワイアレスモバイル環境の普及が進んでいる。一般に携帯端末は非常に小型であるため、携帯端末に付属する入力デバイスによる操作は困難である。この問題を解決する一方法として、音声による携帯端末操作が考えられる。しかし、携帯端末内のメモリやCPUなどのハードウェアは、中・大語彙の音声認識処理の全てを行うまでには至っていない。そこで、音響分析、特徴パラメータの圧縮を携帯端末内で行いサーバに伝送し、サーバで特徴パラメータの復元、音声認識を行う分散音声認識 (DSR: Distributed SpeechRecognition)が提案された。分散音声認識では、携帯端末とサーバ間で伝送するデータ形式等を共通化する必要があり、現在、欧州電気通信標準化機構 (ETSI: the European Telecommunications StandardsInstitute)において、標準化が進められている。本稿では、ETSI標準分散音声認識フロントエンドを用い日本語連続音声認識実験を行った結果を報告する。同フロントエンドは、特徴パラメータの圧縮にベクトル量子化を用いるため、入力系の周波数特性の差異はベクトル量子化歪みを増加させ、認識精度を低下させる原因となる可能性が高い。そこで、本稿では、入力系の周波数特性の差異によるベクトル量子化歪みを減少させる手法を提案する。音声認識実験結果より、提案手法は周波数特性の差異による認識精度の劣化を低減することが可能であった。This paper reports an evaluation of European Telecommunications Standards Institute (ETSI) standard Distributed Speech Recognition (DSR) front-end through continuous word recognition on a Japanese speech corpus and proposes a method, the Bias Removal Method (BRM), that reduces the distortion between feature vector and VQ codebook. Experimental results show that using non-quantized features in acoustic model training procedure can improve the recognition performance of DSR fornt-end features and that the proposed method can improve recognition performances of DSR front-end feature.

ベクトル空間モデル(VSM)は情報検索における代表的な検索モデルである．同モデルでは文書が単語の出現頻度に基づくベクトルで表現されるため，そのベクトル空間は一般にスパースかつ高次元となりメモリや検索時間の増大を招くとともに，文書中に含まれる無意味な単語がノイズ的な影響を及ぼし検索精度を低下させるという問題を生じる．これに対し特異値分解(SVD)を用い次元数を削減した空間で類似度を計算する潜在的意味インデキシング(Latent Semantic Indexing; LSI)が提案され，その効果が報告されている．本稿ではSVDに比べより少ない演算量で近似的に主成分分析を行うことが可能なSimple Principal Component Analysis(SPCA)を次元削減に適用する．MEDLINEコレクションを用いた検索実験を行った結果，SVDと同等以上の検索性能をSPCAにより達成した．The Vector Space Model (VSM) is a popular information retrieval model, which represents a document collection by a term-by-document matrix. Since term-by-document matrices are usually high-dimensional and sparse, they are susceptible to noise and are also difficult to capture the underlying semantic structure. Additionally, computing resources necessary for the storage and processing of such data is enormous. Dimensionality reduction is a way to overcome these problems. Principal Component Analysis (PCA) and Singular Value Decomposition (SVD) are popular techniques for dimensionality reduction based on matrix decomposition. However, such methods consume a large amount of computation resources. In the work described here, we use Simple Principal Component Analysis (SPCA), which is a data-oriented fast method, for dimensionality reduction of the vector space model. Experiments based on the MEDLINE collection showed that SPCA achieved significant improvement compared to the conventional vector space model.

ベクトル空間モデル(VSM)は情報検索における代表的な検索モデルである.同モデルでは文書が単語の出現頻度に基づくベクトルで表現されるため, そのベクトル空間は一般にスパースかつ高次元となりメモリや検索時間の増大を招くとともに, 文書中に含まれる無意味な単語がノイズ的な影響を及ぼし検索精度を低下させるという問題を生じる.これに対し特異値分解(SVD)を用い次元数を削減した空間で類似度を計算する潜在的意味インデキシング(Latent Semantic Indexing; LSI)が提案され, その効果が報告されている.本稿ではSVDに比べより少ない演算量で近似的に主成分分析を行うことが可能なSimple Principal Component Analysis(SPCA)を次元削減に適用する.MEDLINEコレクションを用いた検索実験を行った結果, SVDと同等以上の検索性能をSPCAにより達成した.

本論文では, 国際電話サービスの一つであるホームカントリーダイレクトに入呼する海外からのいたずら電話を音声認識により自動的に排除するシステムについて論ずる.ホームカントリーダイレクトは海外旅行者らが母国の国際局オペレータに直接アクセスし国際電話サービスを母国語のみで利用できるサービス形態である.同サービスではオペレータを呼び出すための料金を必要としないため, 現地の子供らによるいたずら電話が問題となっていた.そこで, 利用者に特定の単語を発声するように日本語のアナウンスで指示し, その単語が正しく復唱されれば正当な利用者と判断し, さもなければいたずらと判断する「いたずら電話自動排除システム」を開発した.同システムを商用サービスに適用したところ, 94.7%のいたずら電話を排除することができた.このとき正当な利用者を誤排除したのは0.8%である.誤排除された正当な利用者も, 何度か電話を掛け直すことで最終的には正しい単語を復唱して接続に至っていることを確認している.同システムは1996年3月よりKDD国際電話センターで運用されており1日約10, 000呼のいたずら電話を排除している.

Tree-basedクラスタリングは, 音素コンテクストを分割条件としてコンテクスト依存モデルの集合に対してクラスタリングを行い, HMM状態の共有化を図る有効な手法である.従来の報告では, 計算量の増大を抑えるために対象が単一分布HMMに限られていた.しかし, 単一分布HMMでは音響的特徴を表現するのに不十分であるため, 必ずしも適切なトポロジー(HMM状態の共有関係)が得られていないと考えられる.また所望の混合数の状態共有モデルを獲得するためには, tree-basedクラスタリングの後, 混合数を倍増する操作と連結学習を繰り返す必要があり, 学習に長時間を要するという問題点があった.そこで本論文では, 単一分布HMMを対象としたtree-basedクラスタリングアルゴリズムを混合分布HMMを対象にクラスタリングが行えるように拡張する手法を提案する.本手法により単一分布HMMを扱う従来手法に比べて学習時間が1/3程度に短縮され, 音節タイプライタによる認識実験及び連続単語認識実験において認識率が1〜2ポイント改善された.

話者照合を行う場合, 本人か否かを判断するためのしきい値を事前に設定する必要があるが, 話者により照合時のゆう度にばらつきが生じるため, 最適なしきい値を事前設定するのは困難であった.このゆう度がばらつく原因として, 話者モデルを学習する際に話者に適応する度合(話者適応度)が各話者により異なることが一因と考えられる.そこで隠れマルコフモデル(Hidden Markov Model;HMM)による話者照合において, 話者モデルを不特定話者モデルからの適応学習する際に, 適応によって得られるゆう度の増分を話者適応度として用い, しきい値を話者適応度の関数として表すことで話者ごとに事前にしきい値を設定する方法を提案する.評価実験の結果, この話者適応度としきい値の関係が学習データ数によらずに安定していることを確認した.更に提案手法により照合誤り率を30%削減することができた.

話者クラスタリングは音響的に近い話者集合を作成する方法であり, 話者集合毎に音響モデルを学習することで特定の話者集合にチューニングされたモデルが得られる.従来の報告では少ない話者数(数十名から数百名)の音声を学習データとして用いているが, 多数話者の音声を学習データに用いれば, 1話者クラスタあたりのデータ量が増加しモデルパラメータの推定精度が向上すること, 任意の話者に近い話者集合の音響モデルを認識に利用できることにより認識性能の改善が期待できる.本稿では, 1, 000名規模の電話音声データベースを用いで話者クラスタリングを行い, 学習データの話者数の増加に伴い認識率が上昇することを確認した.また, 話者集合の作成が理想的に行われた場合の認識率を求めることを目的として, 従来の尤度に基づく方法に替えて, 認識対象の話者に対して高い認識率を与える話者のデータからモデルを学習したところ, 不特定話者モデルと特定話者モデルの性能差の約60%を改善可能であることがわかった.