深層ニューラルネットワークを用いた低資源音声認識のための弾性的スペクトル歪み

隠れマルコフモデルに基づく音響モデル（DNN-HMM）が最近提案され、高い認識精度を達成しました。本論文では、DNN-HMMが限られた訓練サンプル数でも十分な堅牢性を獲得できるように、訓練サンプルを人工的に増強するための弾性的スペクトル歪み手法を調査しました。声道長歪み、スピーチレート歪み、周波数軸ランダム歪みの3つの歪み手法を調査し、日本語の講義録音でこれらの手法を評価しました。10時間の訓練サンプルのみを用いた大語彙連続音声認識タスクでは、弾性的スペクトル歪み手法で訓練されたDNN-HMMが通常のDNN-HMMと比較して10.1%の相対的単語誤り率の削減を達成しました。