単語音声認識

単語音声認識には、HTK[1]を利用した。音素モデルは、ATRのC set 女 性話者32名, 1600 文から不特定話者モデルを作り、次に話者ごとに100単語の 連結学習をしてHMMのモデルを作成した。分析パラメータの条件を表 1に示す。

表 1: 音素モデルの学習条件

音響モデル	4状態3ループ混合分布型HMM
混合数	10 混合 full covariance
音響パラメータ	log power + 12次 FFT melcep +
	$\Delta$ log power + 12次 $\Delta$ FFT melcep
フレーム長	5ms
フレーム窓長	25ms
sampling 周波数	16KHz