Ergodic HMM による複数話者発話の識別の実験結果

LPCケプストラムを分析窓長21.3msで計算した時の実験結果を図 4に示す。平均識別率は、実験１、２に関 しては8セットの音声資料の平均値で、実験３に関しては、 8セッ トの音声資料それぞれに対し 16回の異なる初期モデルで実験し た、合計128回の平均値である。この図において、縦軸が平均識 別率で横軸がHMMの学習回数である。□は実験１の、△は実験２ の、○は実験３の結果である。また、実線で■▲●はViterbi 復 号法による平均識別率で、破線で□△○はForward復号法による平均識 別率である。この図からわかることを以下に示す。

図 4: 学習回数と平均識別率の関係

1. Viterbi復号法とForward復号法の平均識別率を比較すると、差は 小さい。しかし、パラメータの全てを真値にした実験（実験１）では、Forward復号法では 94.0% であったのに対し、Viterbi復号法では 48.3%しか得られな かった。この原因として Viterbi復号法は誤った経路を選択した場合、最後まで経路を 間違えてしまうのに対し、 Forward復号法は間違った経路を 選択しても、その後正しい経路を選択する可能性があるためと 考えている。

2. シンボル出力確率 $\mbox{\boldmath$B$}^{(0)}$のみ真値にした実験（実験２）では平均識別率 約 75%が得られた。しかし、学習回数を繰り返すに従い、平 均識別率は低下した。また $\mbox{\boldmath$B$}^{(0)}$をランダムにした実験 （実験３）では平均識別率で 30%から35%と低い値になっ た。この値は学習回数を増加してもあまり向上しない。 この原因として、今回の実験は音素認識で使用される分析条件 で実験を行なったため、パラメータは主に音素のカテゴリを特 徴づけるパラメータになっていて、話者を特徴づけるパラメー タになっていないためと考えている。