Sagayama & Shimodaira Lab - Speech Recognition Group

音声認識

音声認識の研究は、機械に音声言語を理解する「耳」を与えることです。すでに限定された能力ながら商品も出回り始めました。今後はOSの基本機能に組み込まれるなど、次世代のユーザインタフェースの根幹になるでしょう。しかし、まだ、人間の柔軟な言語理解力、雑音耐性、話者適応力などに迫るのは、まだ先のことです。音声認識研究で世界的によく知られた研究スタッフにより、高度な研究を行なっていきます。

[ 音声認識とは ]

下の図のように、音声分析、音響モデル、言語モデル、探索過程の４つの部分を持つ技術です。入力音声は音声分析により認識に有効な本質的な特徴が抽出されます。あらかじめ大量の学習データから各音素の特徴を隠れマルコフモデル(HMM)により表現して音響モデルとして使用します。また、語彙、文法あるいは言語統計などにより、発声内容を規定するモデルが言語モデルです。言語モデルで規定された探索空間の中で、入力音声をもっともよく説明できるような音響モデルの列を捜し出すのが、探索過程の役割です。以上の構成要素により、与えられた文法の中で、もっとも入力された音声特徴時系列に合致する音素列を選び出し、認識結果として出力し、応用システムでヒューマンインタフェースとして使われます。

				音響モデル隠れマルコフモデル(HMM)で音素をモデル化し、入力音声の部分部分がどの音素に近いか評価します。
				↓
音声入力	→	音声分析音声中から認識に有効な特徴量を取り出します。	→	探索過程入力音声にもっともよく合致する音響モデルの列を言語モデルの拘束下で捜し出します。	→	応用システム認識結果をヒューマンインタフェースとして利用します。
				↑
				言語モデル発声される内容の可能性を文法や言語統計などにより規定します。

[ 研究概要 ]

音響モデル構造の研究 [松田] ..... 現在の音声認識手法の主流は HMM(Hidden Markov Model: 隠れマルコフモデル)ですが、その構造を最適に決定する問題は、統計推定の高度な問題になります。当研究室では、いままで全くなされていなかった、特徴量ストリームが非同期であるようなより広いHMMの概念を打ち出し、その音声認識性能が高いことを実証中です。 (今年７月に発表予定)
音響モデルの適応 [六井、赤江、加藤] ..... 環境・話者・伝送路の変動に対して音響モデル(HMM)を適応させます。ベクトル場やテンソル解析を利用する新しい手法で、世界的に関心を集めているところ。最近の研究発表活動例としては、
- Robust99 (IEEE Workshop on Rubust Speech Recognition in Adverse Conditions, May 1999, Tampere, Finland) 招待講演: S. Sagayama: "Differential Approach to Acoustic Model Adaptation", 同 Scientific Committee Member, 同パネルディスカッションのパネリスト
韻律情報を用いた連続音声認識 [中井] ..... 音声の抑揚、アクセントなど、「声の高さ」(ピッチ)成分の持つ情報から文の構造を推定して、正しく音声認識・理解を行う手法です。人間は、声の高さ成分なしに音声を聴くことはまずないでしょう。その中には文の理解を助ける豊富な情報が含まれているのですが、いままでの音声認識(商品として出ているものも含め)ではこの情報を使いこなしていませんでした。当研究室では、このような情報を文の構造の理解につなげる研究を行っています。特に最近は、音声の抑揚から漸次的な音声の理解(人間は聴きながらその途中途中でどんどん理解を進める) の原理を探求しています。
音声の検出 ...... 音声信号を他の騒音や音楽と区別して検出するのは意外に難しい問題です。マルチメディア情報処理や、音声認識の前処理など、いろいろ応用があります。当研究室では、動的尺度(嵯峨山1979)を用いて言語音声が存在する区間を検出する手法を研究しています。
音声言語対話システム [川本、Oskar] ...... 人間と機械が、文字通り向かい合って対話をするシステムを目指しています。構成要素は音声認識、言語理解、動画像制御、言語生成、音声合成などですが、それらをすべて統一的に制御する「感情」のモデル化、ひいては「人格」のモデル化を含む大きな研究テーマです。このテーマについては、他大学や国立研究所や学会と連係し、協力体制(嵯峨山が主査を務める情報処理学会のワーキンググループ)を作って進めています。
音声特徴量の研究 [五十川] ..... 音声認識に用いる特徴量は、現在 cepstrum (パワースペクトルを対数変換したものの逆フーリエ変換のこと。ケプストラムと読む。) およびその変形が主流ですが、必ずしも適切な特徴量ではないと世界の研究者が感じています。しかし、その代わりになる優れた特徴量はまだ見付かっていません。当研究室では、音声スペクトルの線スペクトル対 (LSP)パラメータによる周波数表現を用いて、従来とは異なる特徴を用いた音声認識を研究しています。
その他にも、音声認識や関連の研究活動を充実させていきます。 (研究分野例：学習アルゴリズム、最適解探索手法、言語モデル、ヒューマンインタフェース方式、サイバースペース)

WWW-admin: sslab-www@jaist.ac.jp