特定話者実験の半連続型HMM

特定話者での, stream数 3, 混合分布数128 128 16, 半連続型HMMのMFCC, Diagonalにおける単語音声認識精度を表41に示す. FBANK, Diagonalにおける単語音声認識精度を表42に示す. MFCC, Full における単語音声認識精度を表43に示す. FBANK, Fullにおけ る単語音声認識精度を表44に示す. 表41, 42, 43, 43の実験結果は [12]での結果であり, 実験条件は[12]に示されている.

また, [12]の条件でstream数と混合分布数が異なる実験結果を示す. 表45, 表46, 表47は実験条件 を同一にしていない.

表 41: 特定話者における半連続型HMM,MFCC,Diagonal,stream数 3, 混合分布数128,128,16での単語誤り率

話者	基本モデル	アクセントモデル
mau	6.76%(177/2620)	3.85%(101/2620)
mmy	7.21%(189/2620)	4.58%(120/2620)
mnm	8.13%(213/2620)	4.16%(109/2620)
faf	7.33%(192/2620)	3.78%(99/2620)
fms	7.06%(185/2620)	5.23%(137/2620)
ftk	6.82%(179/2620)	4.16%(109/2620)
平均	7.22%(1135/15720)	4.29%(675/15720)

表 42: 特定話者における半連続型HMM,FBANK,Diagonal,stream数 3, 混合分布数128,128,16での単語誤り率

話者	基本モデル	アクセントモデル
mau	10.31%(270/2620)	7.02%(184/2620)
mmy	12.29%(322/2620)	7.10%(186/2620)
mnm	10.34%(271/2620)	7.33%(192/2620)
faf	8.70%(228/2620)	6.37%(167/2620)
fms	11.45%(300/2620)	8.21%(215/2620)
ftk	9.77%(256/2620)	7.18%(188/2620)
平均	10.48%(1647/15720)	7.20%(1132/15720)

表 43: 特定話者における半連続型HMM,MFCC,Full,stream数 3, 混合分布数 128,128,16での単語誤り率

話者	基本モデル	アクセントモデル
mau	4.69%(123/2620)	3.21%(84/2620)
mmy	6.18%(162/2620)	3.74%(98/2620)
mnm	5.46%(143/2620)	3.40%(89/2620)
faf	4.69%(123/2620)	3.05%(80/2620)
fms	5.50%(144/2620)	3.51%(92/2620)
ftk	4.85%(127/2620)	3.40%(89/2620)
平均	5.23%(822/15720)	3.38%(532/15720)

表 44: 特定話者における半連続型HMM,FBANK,Full,stream数 3, 混合分布数 128,128,16の単語誤り率

	基本モデル	モーラモデル	アクセントモデル
mau	5.21%(136/2611)	3.03%(79/2611)	2.94%(77/2611)
mmy	6.09%(159/2611)	3.18%(83/2611)	3.03%(79/2611)
mnm	5.48%(143/2611)	3.14%(82/2611)	3.14%(82/2611)
faf	4.79%(125/2611)	3.83%(100/2611)	3.33%(87/2611)
fms	5.52%(144/2611)	3.98%(104/2611)	3.87%(101/2611)
ftk	5.78%(151/2611)	3.68%(96/2611)	3.41%(89/2611)
平均	5.48%(858/15666)	3.47%(544/15666)	3.29%(515/15666)

表 45: 特定話者における半連続型HMM,MFCC,Diagonal,stream数1, 混合 分布数256の単語誤り率

	基本モデル	triphone	モーラ	アクセント	モーラ	アクセント
		モデル	モデル	モデル	triphoneモデル	triphoneモデル
mau	5.31%	2.48%	4.12%	4.12%	2.25%	2.29%
	(139/2620)	(65/2620)	(108/2620)	(108/2620)	(59/2620)	(60/2620)
mmy	6.22%	4.05%	4.54%	4.54%	4.08%	3.93%
	(163/2620)	(106/2620)	(119/2620)	(119/2620)	(107/2620)	(103/2620)
mnm	6.07%	2.75%	4.31%	4.23%	2.79%	2.44%
	(159/2620)	(72/2620)	(113/2620)	(111/2620)	(73/2620)	(64/2620)
faf	7.71%	4.62%	5.64%	5.03%	4.85%	4.35%
	(202/2620)	(121/2620)	(148/2620)	(132/2620)	(127/2620)	(114/2620)
fms	5.53%	2.86%	3.96%	3.92%	2.86%	3.36%
	(145/2620)	(75/2620)	(104/2620)	(103/2620)	(75/2620)	(88/2620)
ftk	6.56%	3.85%	5.15%	4.35%	4.20%	3.70%
	(172/2620)	(101/2620)	(135/2620)	(114/2620)	(110/2620)	(97/2620)
平均	6.23%	3.43%	4.62%	4.36%	3.51%	3.35%
	(980/15720)	(540/15720)	(727/15720)	(687/15720)	(551/15720)	(526/15720)

表 46: 特定話者における半連続型HMM,FBANK,Diagonal,stream数 3, 混 合分布数 256 256 32の単語誤り率

	基本モデル	モーラモデル	アクセントモデル
mau	5.21%(173/2620)	5.15%(135/2620)	5.92%(155/2620)
mmy	7.94%(208/2620)	6.20%(165/2620)	6.22%(163/2620)
mnm	8.17%(214/2620)	5.57%(146/2620)	5.80%(152/2620)
faf	6.79%(178/2620)	5.38%(141/2620)	5.15%(135/2620)
fms	7.06%(185/2620)	5.00%(131/2620)	5.61%(145/2620)
ftk	7.18%(188/2620)	5.42%(142/2620)	6.07%(159/2620)
平均	7.06%(1146/15720)	5.45%(860/15720)	5.80%(909/15720)

表 47: 特定話者における半連続型HMM,MFCC,Full,stream数 1, 混合分 布数256の単語誤り率

	基本モデル	triphoneモデル	モーラモデル	アクセントモデル
mau	3.79%	1.38%	2.75%	2.06%
	(99/2611)	(36/2611)	(72/2611)	(54/2611)
mmy	4.21%	2.95%	2.83%	2.64%
	(110/2611)	(77/2611)	(74/2611)	(69/2611)
mnm	3.68%	1.65%	2.25%	2.33%
	(96/2611)	(43/2611)	(59/2611)	(61/2611)
faf	3.18%	2.14%	2.45%	1.95%
	(83/2611)	(56/2611)	(64/2611)	(51/2611)
fms	3.87%	2.11%	2.87%	2.91%
	(101/2611)	(55/2611)	(75/2611)	(76/2611)
ftk	3.19%	1.76%	2.37%	2.83%
	(86/2611)	(46/2611)	(62/2611)	(74/2611)
平均	3.65%	1.99%	2.58%	2.45%
	(575/15720)	(313/15720)	(406/15720)	(385/15720)