状態共有型HMM

状態共有型HMMにおけるMFCCでのの単語認識精度を表24に示す. FBANKでの単語認識精度を表25に示す.

表 24: 状態共有型HMM,MFCC,diagonalの単語音声認識誤り率

	基本モデル	アクセントモデル	アクセントtriphoneモデル	triphone モデル
mau	22.98%	15.15%	7.79%	7.86%
	(602/2620)	(397/2620)	(204/2620)	(206/2620)
mmy	23.09%	17.44%	7.71%	12.71%
	(605/2620)	(457/2620)	(202/2620)	(333/2620)
mnm	22.56%	16.37%	8.13%	9.58%
	(591/2620)	(429/2620)	(213/2620)	(251/2620)
faf	21.41%	12.06%	6.60%	7.75%
	(561/2620)	(316/2620)	(173/2620)	(203/2620)
fms	27.21%	15.04%	10.80%	11.76%
	(713/2620)	(394/2620)	(283/2620)	(308/2620)
ftk	22.75%	11.26%	10.73%	11.91%
	(596/2620)	(295/2620)	(281/2620)	(312/2620)
平均	23.33%	14.55%	8.63%	10.26%
	(3668/15720)	(2288/15720)	(1356/15720)	(1613/15720)

表 25: 状態共有型HMM,FBANK,diagonalの単語音声認識誤り率

	基本モデル	アクセントモデル	アクセントtriphoneモデル	triphone モデル
mau	41.64%	12.56%	15.27%	14.05%
	(1091/2620)	(329/2620)	(400/2620)	(368/2620)
mmy	50.46%	20.46%	12.82%	13.09%
	(1322/2620)	(536/2620)	(336/2620)	(343/2620)
mnm	42.79%	16.30%	12.37%	11.72%
	(1121/2620)	(427/2620)	(324/2620)	(307/2620)
faf	34.58%	11.11%	14.01%	13.97%
	(906/2620)	(291/2620)	(367/2620)	(366/2620)
fms	46.15%	19.54%	14.39%	12.94%
	(1209/2620)	(512/2620)	(377/2620)	(339/2620)
ftk	51.22%	15.92%	18.44%	18.97%
	(1342/2620)	(417/2620)	(483/2620)	(497/2620)
平均	44.47%	15.98%	14.55%	14.12%
	(6991/15720)	(2512/15720)	(2287/15720)	(2220/15720)

実験より以下の結果を得た.

1. MFCCはFBANKより同音異義語の認識精度が高い.
2. 状態共有型HMMの認識率は半連続型HMMと比べ低い.
3. 半連続型HMMのFULLのMFCCで最も高く, 94.65%の認識精度が得られた.
4. どの条件でも, 認識精度はアクセントtriphoneモデルまたはtriphoneモ デル, アクセントモデル, 基本モデルの順で高い.