実験結果

ここで提案したアルゴリズムはHP735、語彙数1567、ビーム幅4096において、メモリ量 15Mbyte 平均文認識時間平均1分30秒（リアルタイムの約50倍) で動作した。実験結果は文認識率と単語正解率(word correct)と単語認識精度(word accuracy)[15]で評価した。なお、単語正解率は以下の式で計算される

$\displaystyle word correct$	$\textstyle =$	$\displaystyle H / ( H + D + S ) \times 100\%$	(4.1)
$\displaystyle word accuracy$	$\textstyle =$	$\displaystyle ( H - I ) / ( H + D + S ) \times 100\%$	(4.2)

また比較のために単語のbigramを使用したときの実験も行なった。実験結果を表 4.6 に示す。実験の結果、特定話者認識において trigramを用いたとき、文認識率で66.7%、 8位までの累積認識率で 75.1%が得られた。しかし、不特定話者認識では、テストデータ全てにおいて、データの先頭のポーズ区間に１音節の単語が挿入されたため、文認識率は0.0%になった。（例えば「はい」を「と、はい」と認識。）したがって、認識精度が正解率と比較して大きく低下している (31.1% $\leftarrow$ 74.2% )。

**表 4.6:** 認識実験の結果文認識率(%)
言語model		bigram		trigram
		特定話者	不特定話者	特定話者	不特定話者
累積文認識率		42.5%	0.0%	66.7%	0.0%
	$\sim2$	47.9%	0.0%	74.2%	0.0%
	$\sim8$	51.3%	0.0%	75.1%	0.0%
word correct		80.7%	55.8%	88.8%	74.2%
word accuracy		63.0%	1.2%	81.1%	31.1%

表4.7に、特定話者で単語trigramを使用したときの誤認識の例を示す。例文においてアンダーラインは誤認識を示す。誤認識された文の中には、意味的には正しい文が多い。意味的に正しい文を正解に含めた時、 1位文理解率は約80%であった。

**表 4.7:** 実験において誤りが出力された文の例
正解文 → １位出力
京都プリンスホテルが会議場には近いのですが
→ 京都プリンスホテルが会議場には近いんですが
ホテルの手配もしていただけるのですか
→ ホテルの手配もしていただけるんですか
どのようなご用件でしょうか
→ どのような用件でしょうか
ご住所とお名前をお願いします
→ ご住所とお名前お願いします
住所は東京都港区新橋１丁目１番３号です
→ 住所は東京都になったのを送っしかし去年一番可能です
電話番号は３３１の２５２１です
→ 論文を発表３３１の２２日です

	...	正解の単語数
	...	脱落誤りした単語数
	...	置換誤りをした単語数
	...	挿入誤りをした単語数