音声認識の構成

一般に人が発声した音声をコンピュータなどで認識する課程は，図 13のように通 信理論の問題として，確率モデルを用いて定式化でき る．話者が文を考える課程が文発声部で，これを通信理論の情報源に対応させる． 音声認識システムを音響処理部と言語復号部に別ける．話者による発声部と音響 処理部を合わせて，一つの音響チャンネルとしてモデル化し，これを歪み(雑音) のある通信路に対応させる．音声認識システムの主な部分である言語復号部を復 号部に対応させる．話者はまず，情報源に対応する文$\omega$ を頭の中で組み立 て，それに基づいて，その話者の発話習慣に従って音声波形$s$ を生成する．$s$ には通常，話者の個人差，負荷雑音，伝送歪みなどが重畳している．音響処理部 音声波形データの分析・変換を行って，例えば短時間スペクトルなどの時系列デ ータ(ベクトル系列)$y$ を出力する．言語復号部は$y$ から送信文の推定値として $\hat{\omega}$ を出力する． $\hat{\omega}$ は，事後確率 $P(\omega\vert y)$ が最大 になるように推定する． $P(\omega\vert y)$ を直接求めるのは，通常困難であるので， べイズ則によって，次式を満たすように推定する．

$$P(\hat{\omega}\vert y)=\max_\omega \frac{p(y\vert\omega)P(\omega)}{P(y)}$$ (26)

ここで，$P(y)$ は$\omega$ に無関係であるので無視できる．尤度 $P(y\vert\omega)$ は音響モデルによって得られ，文$\omega$ が発生される事前確率P($\omega$ )は言 語モデルによって得られる．したがって音声認識では，音響モデルと言語モデル をいかに作り， $P(y\vert\omega)$ と$P(\omega)$ を計算するがが重要となる．

図 13: 音声認識課程の確率モデル