CMU スフィンクス

ポケットスフィンクス
安定版リリース	5-prealpha / 2015年8月5日; 9年前
書かれた	Ｃ
オペレーティング·システム	クロスプラットフォーム
タイプ	画像ライブラリ
ライセンス	BSDスタイル
Webサイト	github.io/wiki/ より

スフィンクス4
安定版リリース	5-prealpha / 2015年8月3日; 9年前
書かれた	ジャワ
オペレーティング·システム	クロスプラットフォーム
タイプ	画像ライブラリ
ライセンス	BSDスタイル
Webサイト	github.io/wiki/ より

CMU Sphinx は、略して Sphinx とも呼ばれ、カーネギーメロン大学で開発された音声認識システムのグループを表す一般的な用語です。これには、一連の音声認識装置 (Sphinx 2 - 4) と音響モデルトレーナー (SphinxTrain) が含まれます。

2000 年、カーネギーメロン大学の Sphinx グループは、Sphinx 2 とその後の Sphinx 3 (2001 年) を含むいくつかの音声認識コンポーネントをオープンソース化することを約束しました。音声デコーダーには、音響モデルとサンプルアプリケーションが付属しています。利用可能なリソースには、音響モデルのトレーニング、言語モデルのコンパイル、パブリックドメインの発音辞書cmudict用のソフトウェアも含まれています。

Sphinx には、以下に説明する多数のソフトウェアシステムが含まれています。

スフィンクス

Sphinxは、隠れマルコフ音響モデル（ HMM）とnグラム統計言語モデルを利用した連続音声、話者非依存の認識システムです。これはKai-Fu Leeによって開発されました。Sphinxは、当時（1986年）は可能性が議論されていた連続音声、話者非依存の大語彙認識の実現可能性を特徴としていました。^[2]

Sphinx は歴史的な興味のみの対象であり、パフォーマンスの面では後続のバージョンに取って代わられました。

スフィンクス2

高速パフォーマンス指向の認識装置。もともとはカーネギーメロン大学のXuedong Huangによって開発され、2000 年に LinuxWorld でKevin LenzoによってSourceForgeでBSDスタイルのライセンスでオープンソースとしてリリースされました。Sphinx 2 は、音声言語アプリケーションに適したリアルタイム認識に重点を置いています。そのため、エンドポイント、部分仮説生成、動的言語モデル切り替えなどの機能が組み込まれています。これは、対話システムや言語学習システムで使用されています。Asterisk などのコンピューターベースの PBX システムでも使用できます。Sphinx 2 コードは、いくつかの商用製品にも組み込まれています。現在はアクティブな開発は行われていません (定期的なメンテナンスを除く)。現在のリアルタイムデコーダーの開発は、Pocket Sphinx プロジェクトで行われています。^[3]

スフィンクス3

Sphinx 2 では、音響モデリングに半連続表現が使用されていました(つまり、すべてのモデルにガウス分布の 1 セットが使用され、個々のモデルはこれらのガウス分布の重みベクトルとして表現されます)。Sphinx 3 では、一般的な連続HMM 表現が採用され、主に高精度の非リアルタイム認識に使用されています。最近の開発 (アルゴリズムとハードウェア) により、Sphinx 3 は「ほぼ」リアルタイムになりましたが、重要なインタラクティブアプリケーションにはまだ適していません。Sphinx 3 は現在も積極的に開発されており、SphinxTrain と連携して、認識精度を向上させる LDA/MLLT、MLLR、VTLN などの最新のモデリング手法へのアクセスを提供します (これらの手法の説明については、音声認識に関する記事を参照してください)。

スフィンクス4

Sphinx 4 は、音声認識の研究のためのより柔軟なフレームワークを提供することを目的とした Sphinx エンジンの完全な書き直しであり、完全に Java プログラミング言語で記述されています。Sun Microsystems はSphinx 4 の開発をサポートし、プロジェクトにソフトウェアエンジニアリングの専門知識を提供しました。参加者には、MERL、MIT、CMUの個人が含まれていました。(現在サポートされている言語は、C、C++、C#、Python、Ruby、Java、JavaScript です。)

現在の開発目標は次のとおりです。

新しい（音響モデル）トレーナーの開発
話者適応の実装（例：MLLR）
構成管理の改善
グラフィカルシステム設計のためのグラフベースのUIの作成

ポケットスフィンクス

組み込みシステム (例: ARMプロセッサベース) で使用できる Sphinx のバージョン。PocketSphinx は現在開発中であり、固定小数点演算やGMM計算用の効率的なアルゴリズムなどの機能が組み込まれています。

参照

参考文献

^ http://www.speech.cs.cmu.edu/sphinx
^ Lee, K.-F.; Hon, H.-W.; Reddy, R. (1990 年 1 月)。「SPHINX 音声認識システムの概要」IEEE Transactions on Acoustics, Speech, and Signal Processing 38 ( 1): 35–45. doi :10.1109/29.45616。
^ Huang, Xuedong; Alleva, Fileno; Hwang, Mei-Yuh; Rosenfeld, Ronald (1993). 「SPHINX-II 音声認識システムの概要」。人間言語技術に関するワークショップ議事録 - HLT '93。米国ニュージャージー州モリスタウン: 計算言語学協会: 81。doi : 10.3115 /1075671.1075690。

外部リンク

Sphinx開発者がVoskを推奨
CMU スフィンクスのホームページ
GitHub上のSphinxのリポジトリは、コードの決定的なソースと見なされるべきである
SourceForgeは古いリリースとファイルをホストしています
NeXT on Campus 1990年秋 (この文書はgzipで圧縮されたPostScript形式です。) カーネギーメロン大学 - 音声認識と文書管理におけるブレークスルー、12-13ページ

[1] ttp://www.speech.cs.cmu.edu/sphinx

[2] Lee, K.-F.; Hon, H.-W.; Reddy, R. (1990 年 1 月)。「SPHINX 音声認識システムの概要」IEEE Transactions on Acoustics, Speech, and Signal Processing 38 ( 1): 35–45. doi :10.1109/29.45616。

[3] Huang, Xuedong; Alleva, Fileno; Hwang, Mei-Yuh; Rosenfeld, Ronald (1993). 「SPHINX-II 音声認識システムの概要」。人間言語技術に関するワークショップ議事録 - HLT '93。米国ニュージャージー州モリスタウン: 計算言語学協会: 81。doi : 10.3115 /1075671.1075690。