実験条件

単語音声認識を行うツールとして、HTK[3]を使用する。 単語音声認識は表に示される実験条件のもとで行う。

表: 実験条件

標本周波数	16kHz	学習DB	2620単語
分析窓	Hamming窓	音素数	約15500
分析窓長	20ms	母音数	約8000
フレーム周期	5ms
特徴ベクトル	16次MFCC+
	16次$\Delta$MFCC+	評価DB	2620単語
	対数パワー+	音素数	約15500
	$\Delta$対数パワー(計34次)	母音数	約8000
音響モデル	３ループ４状態
	半連続分布型
混合分布数	256

実験には、ATRの単語発話データベースAsetの20話者を使用する。 このデータベースAsetには、 話者ごとに1モーラから7モーラまでの単語 5240単語の音声波形データが含まれている。 また、この音声波形データには、人手によって付与された 音素境界位置情報を付与してある。 実験には、 このデータベースを奇数番と偶数番に分け、奇数を学習データ、偶 数を評価データとして使用する。

音素HMMの混合ガウス分布には、Diagonal-covariance(以下、Diagonal) とFull-covariance(以下、Full)の2種類を使用 し実験を行う。 Diagonalにおいては、20話者に対し単語音声認識を行い、 Fullにおいては、mauとmmyの2話者に対し単語音声認識を行 い、モーラ情報の有効性を調査する。