音声変換に基づく拡張とハイブリッドCNN-LSTMモデルによる限られたデータセットでの話者非依存キーワード認識の改善

キーワード認識は音声認識の基礎であり、その応用はキーワードスポッティング、ロボット工学、スマートホーム監視において急速に増加しています。これらの高度な応用のために、キーワード認識の精度を向上させることが重要です。本論文では、限られたトレーニングデータセットを増加させるために音声変換（VC）に基づく拡張を提案し、堅牢な話者非依存の孤立キーワード認識のための畳み込みニューラルネットワーク（CNN）と長短期記憶（LSTM）モデルの融合を行いました。話者非依存の音声認識のために十分な量の音声データを収集・準備することは面倒で大変な作業です。これを克服するために、補助分類器条件付き変分オートエンコーダ（ACVAE）法を使用して元の音声から新しい生声を生成しました。本研究での音声変換の主な目的は、ソースおよびターゲットの話者の発音に一致しない、多様で人間に似た数多くのキーワードの声を取得することです。並列VCを使用して言語内容を正確に維持しました。提案した音声変換拡張技術の性能を、堅牢な深層ニューラルネットワークアルゴリズムを用いて検証しました。他のデータ拡張および正則化技術を使用して生成された音声を除いた元のトレーニングデータがベースラインとして考慮されました。結果は、音声変換拡張をベースライン拡張技術に組み込み、CNN-LSTMモデルを適用することで孤立キーワード認識の精度が向上したことを示しました。