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 タが必要とされる．音声データ中のサブワードの境界を人手でラベル付けするこ とはできるが，人手で行う方法では得られるデータの量はとても限られている． このため学習において連結学習という方法が用いられる．連結学習ではラベル付 けされていない大規模なデータベースを扱うことができる．しかし，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

本研究は，話者適応の学習に連結学習を用いる．