Continuous speech recognition with adaptabilty to the speaking rate of an input speech

连续语音识别，可适应输入语音的语速

• 批准号: 07458064
• 负责人: MAKINO Shozo
• 金额: $ 4.1万
• 依托单位: Tohoku University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 1995
• 资助国家: 日本
• 起止时间: 1995 至 1997
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-07458064/
• 关键词: continuous speech recognition; phoneme recognition; speaking rate; speakaer adaptation; 発声速度; 持続時間; 予備認識

This tesearch developed a spoken word recognition system which used phoneme duration information estimated from the speaking rate of an input speech. In this research, the speaking rate is assumed to be reflected to the average vowel length. The acoustic processor transforms the input speech into a similarity matrix using the modified LVQ2. The average vowel length is computed from the preliminary recognition result. The duration of each phoneme in each word template is estimated from the average length of vowels in the input speech. By taking into account the estimated phoneme duration, the spoken word recognition experiments were carried out using the DTW.The word recognition score was 97.3% for the 212 word vocabulary uttered by 5 male speakers (test set). The phoneme duration information is collected from the 212 word vocabulary uttered by another 5 male and 10 female speakers (training set). The hybrid combination of the prceiding phoneme dependent estimation and the follwoing phoneme dependent estimation gave the best performance.The above-mentioned method was extended to phoneme recognition. The phoneme accuracy increased from 71.8% to 86.3% for phonemes in the 212 word vocabulary uttered by 5 male speakers (test set).

该研究开发了一种口语单词识别系统，该系统使用根据输入语音的语速估计的音素持续时间信息。在这项研究中，假设语速反映了平均元音长度。声学处理器使用修改后的 LVQ2 将输入语音转换为相似度矩阵。平均元音长度是根据初步识别结果计算的。每个单词模板中每个音素的持续时间是根据输入语音中元音的平均长度估计的。考虑到估计的音素持续时间，使用DTW进行口语单词识别实验。对于5名男性说话者（测试集）说出的212个单词词汇，单词识别得分为97.3%。音素持续时间信息是从另外 5 名男性和 10 名女性说话者（训练集）说出的 212 个单词词汇中收集的。前面的音素相关估计和后面的音素相关估计的混合组合给出了最好的性能。将上述方法扩展到音素识别。 5 位男性说话者（测试集）说出的 212 个单词词汇中，音素准确度从 71.8% 提高到 86.3%。

项目成果

沖本,牧野: "可変長パターンと識別学習を用いた音素認識" 信学技報. Vol. 96 No. 93. 7-14 (1996)

Okimoto, Makino：“使用可变长度模式和判别性学习的音素识别”，IEICE 技术报告，第 96 卷，第 93 期。7-14 (1996)。

原田, 鈴木, 牧野: "離散型HMnetによる新聞記事からの文節モデルの獲得" 電子情報通信学会技術報告. SP97・24. 45-50 (1997)

Harada、Suzuki、Makino：“使用离散 HMnet 从报纸文章中获取短语模型”SP97·24 (1997)。

S.MAKIKO, M.SUZUKI, A.HARADA: "Automatic Acquistion of Language Model using HMnet" Proc.Int.Conf Speech Processing'97. I. 47-54 (1997)

S.MAKIKO、M.SUZUKI、A.HARADA：“使用 HMnet 自动获取语言模型”Proc.Int.Conf 语音处理97。

大坂,牧野: "発声速度に基づく音素持続時間予測を用いた音素認識" 信学技報. Vol. 96 No. 93. 1-6 (1996)

Osaka, Makino：“基于语速的音素持续时间预测的音素识别”IEICE 技术报告，第 96 卷第 93. 1-6 (1996)。

M.SUZUKI,S.MAKINO,A.ITO,H.ASO,H.SHIMODAIRA: "A New HMnet Construction Algorithm Requiring No Contextual Factors" IEICE Trans.on Information and Systems. E78-D,6. 662-668 (1995)

M.SUZUKI、S.MAKINO、A.ITO、H.ASO、H.SHIMODAIRA：“一种不需要上下文因素的新 HMnet 构建算法”IEICE Trans.on 信息和系统。