文節音声認識実験

1. 実験条件

   認識実験ではduration control とN-bestのサーチ幅を変化させて 行なった。また、単語のHMMの学習のデータを増加させた場合の実 験も行なった。これらの実験の条件を表 4.1に示す。その他の実験条件は表 4.2にまとめた。なおduration controlは同一話者の単語発声の３回分のデータの平均発声時間と 分散を測定し、この値からガウス分布を計算し、duration control に使用した。（単語のマッチングが終了してからduration controlの尤度を乗じた。）

   
   

   表 4.1: 実験条件

   実験番号	duration	N-best	学習データ
   	control		の個数
   実験1	なし	2	1
   実験2	あり	2	1
   実験3	あり	8	1
   実験4	あり	2	3

   
   

2. テストデータ

   X線CT所見作成の文章は大きくわけて正常所見と異常所見に分類される。そ して異常所見は正常所見と比較すると文章が複雑なため、認識率が低くな ることが知られている[86]。そこで実験は、bigramの連鎖確率 を計算するのに使用したテキストを発声した音声データ(text-closed data)とbigramの連鎖確率を計算するのに使用しなかったテキストを発声し た音声データ（text-open data)について、各々異常所見と正常所見につい て合計４つの条件で行なった。実験は平均100文節で行なった。例文は 図3.5参照。

   
   

   表 4.2: 文節音声認識の実験条件

   使用アルゴリズム	word HMM + Viterbi search
   	+ word bigram
   	特定話者認識
   話者数	1
   発話様式	文節発声
   認識単位	word
   語彙数	約3000
   学習データ	単語発声
   言語情報	単語bigram
   音響パラメータ	log power + 16次LPCcepstrum
   	+ $\Delta$log power
   距離尺度	簡易マハラノビス
   VQコード数	256
   単語モデル	4-state 3-loop Fuzzy-VQ HMM
   フレーム窓長	18ms
   フレーム周期	9ms
   ファジネス	1.5
   近傍数	5
   サンプリング周波数	12kHz
   HMMとbigramの	32
   結合値 $\alpha$

   
   

   
   

   表 4.3: テストデータの実験