連結学習

音声認識においては，通常，音響モデルとして音素のようなサブワードを単位とす るモデルが用いられる． サブワードモデルを学習するためには，大量の音声データを用いる必要があるが， その音声データに，逐一，人手によるラベル付けを行うことは非常に困難である．そこでラ ベル付けされていない音声データベースを用いて学習を行う方法が連結学習であ る．ただし，各音声データの発話のシンボルが記述されたテキストが必要とされる．

まず，各サブワードモデルを音声データの発話のシンボルが記述されたテキスト を基に連結する． このとき，前のモデルの最終状態が次のモデルの初期状態になる． 次に,Baum-Welchアルゴリズムによって，音声データから連結されたモデルのパラ メータの推定を行う．

連結学習では，初期モデルが重要であり，通常は,ラベル付けされた音声データを用いて初期モデルを作成する． 連結学習の例を図 4 に示す．音声データの音素表記``pau a i pau''を元にして各音素HMMを連結し， 連結したHMMのパラメータを音声データから推定する．

図 4: 連結学習の例