ポーズのスキップ（言語モデルにおける処理）

ポーズは、文節間に出現することが多いが、音声データのあらゆる場所に出現 する可能性がある[34]。そこで単語と単語の境界にポーズがあっ ても、誤認識が起き難いようにアルゴリズムを改良した。ここで使用したアル ゴリズムでは、各時刻・各状態において累積尤度が最大の単語列を知ることが できる。そこでポーズを１単語と考えて、ポーズに接続されたときの連鎖確率 値は 1.0にする。そしてポーズ以外の単語に接続されるときポーズをスキップ して trigramの連鎖確率値を計算する。例えば

「``東京都'' ``港区'' ``新橋'' $/pause/$ ``1 丁目''」

と発声されたとき、単語trigramの値を

$P$(`` 新橋''$\vert$``東京都'',``港区'') $\times 1.0\times$$P$(``1 丁目''$\vert$`` 港区'',``新橋'')

と計算する。なお、ポーズのHMMの尤度の学習には、学習データの 前後にある無音区間を利用した。

この改良したアルゴリズムを用いて認識実験を行なった。実験条件 は表4.5と同一である。この結果 を表4.8に載せる。このポーズのスキッ プにより、特定話者認識では、認識性能が向上した(66.7% $\rightarrow$ 71.6%)。また、不特定話者認識では、認識性能 が顕著に向上した(0.0% $\rightarrow$ 61.7%)。

表 4.8: 認識実験の結果（ポーズのスキップ） 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	$1$	49.4%	31.4%	71.6%	61.7%
	$\sim2$	56.3%	41.0%	77.0%	72.0%
	$\sim8$	60.2%	44.4%	79.7%	76.7%
word correct		81.3%	62.5%	89.4%	85.1%
word accuracy		66.8%	43.0%	85.0%	77.9%

text-closed; ビーム幅:4,096; $\alpha$:1