Loading article…
音響モデルは、自動音声認識で、音声信号と音声を構成する音素またはその他の言語単位との関係を表すために使用されます。このモデルは、一連の音声録音とそれに対応するトランスクリプトから学習されます。音声録音とそれらのテキスト トランスクリプトを取得し、ソフトウェアを使用して各単語を構成する音の統計的表現を作成することで作成されます。
背景
最新の音声認識システムでは、音声の統計的特性を表すために音響モデルと言語モデルの両方が使用されています。音響モデルは、音声信号と言語の音声単位の関係をモデル化します。言語モデルは、言語の単語シーケンスをモデル化します。これらの 2 つのモデルを組み合わせることで、特定の音声セグメントに対応する上位の単語シーケンスが取得されます。
最新の音声認識システムのほとんどは、フレームと呼ばれる小さなチャンク単位で音声を処理します。フレームの長さは、フレームあたり約 10 ミリ秒です。各フレームからの生の音声信号は、メル周波数ケプストラムを適用することで変換できます。この変換の係数は、一般にメル周波数ケプストラム係数 (MFCC) と呼ばれ、他の機能とともに音響モデルへの入力として使用されます。
最近、畳み込みニューラルネットワークの使用により、音響モデリングに大きな改善がもたらされました。[1]
音声特性
オーディオは、さまざまなサンプリング レート(つまり、1 秒あたりのサンプル数。最も一般的なのは 8、16、32、44.1、48、96 kHz) と、さまざまなサンプルあたりのビット数 (最も一般的なのは 8 ビット、16 ビット、24 ビット、または 32 ビット) でエンコードできます。音声認識エンジンは、使用する音響モデルが、認識対象の音声と同じサンプリング レート/サンプルあたりのビット数で録音された音声オーディオでトレーニングされている場合に、最も効果的に機能します。
電話ベースの音声認識
電話ベースの音声認識の制限要因は、音声を送信できる帯域幅です。たとえば、標準的な固定電話の帯域幅は、8 kHz のサンプリング レートと 8 ビット/サンプル (8000 サンプル/秒 * 8 ビット/サンプル = 64000 ビット/秒) で 64 kbit/秒しかありません。したがって、電話ベースの音声認識では、音響モデルを 8 kHz/8 ビットの音声オーディオ ファイルでトレーニングする必要があります。
Voice over IPの場合、コーデックによって音声伝送のサンプリング レート/サンプルあたりのビット数が決まります。音声伝送のサンプリング レート/サンプルあたりのビット数が高いコーデック (音質が向上します) では、そのサンプリング レート/サンプルあたりのビット数に一致するオーディオ データでトレーニングされた音響モデルが必要になります。
デスクトップベースの音声認識
標準的なデスクトップ PC での音声認識の場合、制限要因はサウンド カードです。今日のほとんどのサウンド カードは、16 kHz ～ 48 kHz のサンプリング レートでオーディオを録音し、サンプルあたり 8 ～ 16 ビットのビット レートで録音し、最大 96 kHz で再生できます。
一般的に、音声認識エンジンは、より高いサンプリング レート/サンプルあたりのビット数で記録された音声オーディオ データでトレーニングされた音響モデルを使用すると、より効果的に機能します。ただし、サンプリング レート/サンプルあたりのビット数が高すぎるオーディオを使用すると、認識エンジンの速度が低下する可能性があります。妥協が必要です。したがって、デスクトップ音声認識の場合、現在の標準は、16 kHz/16 ビット/サンプルのサンプリング レートで記録された音声オーディオ データでトレーニングされた音響モデルです。
参考文献
- ^ T. Sainath他「LVCSR 向け畳み込みニューラルネットワーク」、ICASSP、2013 年。