JP6827910B2 - 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム - Google Patents
音響モデル学習装置、音声認識装置、それらの方法、及びプログラム Download PDFInfo
- Publication number
- JP6827910B2 JP6827910B2 JP2017224949A JP2017224949A JP6827910B2 JP 6827910 B2 JP6827910 B2 JP 6827910B2 JP 2017224949 A JP2017224949 A JP 2017224949A JP 2017224949 A JP2017224949 A JP 2017224949A JP 6827910 B2 JP6827910 B2 JP 6827910B2
- Authority
- JP
- Japan
- Prior art keywords
- feature amount
- acoustic
- probability distribution
- output probability
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Description
本実施形態のポイントは以下の通りである。
図4は第一実施形態に係る音響モデル学習装置の音響モデル学習時の機能ブロック図を、図5は音響モデル学習時の処理フローを示す。
(モデル学習時)
まず、特徴量識別モデル学習時の処理内容を説明する。
入力:特徴量識別学習用音響特徴量と特徴量識別学習用音響特徴量に対応する正しいタスクを示す正解ユニット番号とのペアを含む特徴量識別用学習データ
処理:特徴量識別部301の機能ブロック図を図6に、特徴量識別モデル学習時の処理フローの例を図7に示す。
次にタスクを識別時(音響モデル学習時、音声認識時)の処理内容を説明する。
入力:音響モデル学習用音響特徴量(タスクは未知)
出力:音響モデル学習用音響特徴量(ただし、識別結果k以下の中間特徴量抽出部にのみ出力)
処理:特徴量識別部301は、学習した特徴量識別モデルに基づき、音響モデル学習用音響特徴量のタスクを識別し(S301)、識別結果k以下の中間特徴量抽出部302(1),…,302(k)に音響モデル学習用音響特徴量を出力する。
入力:音響モデル学習用音響特徴量、中間特徴量抽出部302(1)〜302(n−1)で抽出された中間特徴量
出力:中間特徴量
処理:中間特徴量抽出部302(n)は、入力された特徴量(音響モデル学習用音響特徴量、中間特徴量抽出部302(1)〜302(n−1)で抽出された中間特徴量)から、新たな中間特徴量を抽出する。中間特徴量は、出力確率分布計算部303(n)において正解ユニットを識別しやすくするための特徴量である。この中間特徴量抽出部302(n)は複数の層のニューラルネットワークの入力層と中間層を含み、層の数だけ特徴量を抽出する計算を行う。以下で詳細を説明する。
入力:中間特徴量抽出部302(1)〜302(n)で抽出された中間特徴量
出力:出力確率分布
処理:出力確率分布計算部303(n)は、中間特徴量抽出部302で抽出した中間特徴量を現在のモデルに入力して出力層の各ユニットjの出力確率pjを(例えば、ソフトマックス関数により)計算し、出力確率pjを並べた出力確率分布を得る。出力確率分布計算部303(n)は、ニューラルネットワークの出力層を含む。
入力:n番目の出力確率分布、正解ユニット番号
出力:n番目のニューラルネットワークのパラメタ
処理:モデル更新部304は、n番目の出力確率分布と、音響モデル学習用音響特徴量に対応する正しい認識結果を示す正解ユニット番号とを用いて、音響モデル学習用音響特徴量の正解ユニット番号に対応する出力確率が大きくなるようにn番目のニューラルネットワークのパラメタを更新し(S304)、出力する。
以上の構成により、新たなタスクの音声を追加学習する際に新たなタスクの音声のみで学習可能なため、従来技術1よりも効率よく学習が可能となる。また、特徴量がどのタスクであるかを推定するフレームワークを用いることで入力音声のタスクの種類が未知でも認識可能な実利用を考慮した音響モデルを構築することが可能となる。
中間特徴量抽出部302(n)において、入力層302(n)−inでは、必ずしも、n>1における新しいタスクにおいて過去のタスクj(j=1,2,…,n-1)に対応する列の出力層の1つ前の層の全出力値yF (1:n-1)を新たなタスクの音響モデル学習用音響特徴量y0 (n)と結合したものを用いなくともよい。過去のタスクj(j=1,2,…,n-1)に対応する列の入力層、または、出力層の1つ前の層(最終層)以外の中間層の何れかの全出力値yf' (1:n-1)(ただし、f'は0,1,…,F-1の何れか)を新たなタスクの音響モデル学習用音響特徴量y0 (n)と結合したものを用いて中間特徴量y0 (n)を求めてもよい。言い換えると、中間特徴量抽出部302(n)において、必ずしも中間層の最終層の出力を次のタスク(その中間層に対応するタスクよりも新しいタスク)の入力層の入力としなくともよい。入力層、または、最終層以外の中間層の何れかの出力を次のタスクの入力層の入力としてもよい。ただし、より出力に近い層の出力を次のタスクの入力層の入力とし計算したほうが、最終的に学習された音響モデルの認識精度は高くなる場合が多い。
本実施形態では、第一実施形態で学習した音響モデルを用いた音声認識装置について説明する。
入力:音声認識対象の音響特徴量
出力:音声認識対象の音響特徴量(ただし、識別結果k以下の中間特徴量抽出部にのみ出力)
処理:特徴量識別部401は、学習した特徴量識別モデルに基づき、音声認識対象の音響特徴量のタスクを識別し(S401)、識別結果k以下の中間特徴量抽出部402(1),…,402(k)に音響モデル学習用音響特徴量を出力する。例えば、第一実施形態の特徴量識別部301において、音響モデル学習用音響特徴量を音声認識対象の音響特徴量に代えて処理を行う。
入力:音声認識対象の音響特徴量、中間特徴量抽出部402(1)〜402(n−1)で抽出された中間特徴量
出力:中間特徴量
処理:中間特徴量抽出部402(n)は、入力された特徴量(音声認識対象の音響特徴量、中間特徴量抽出部402(1)〜402(n−1)で抽出された中間特徴量)から、中間特徴量を抽出する(S402)。具体的な処理内容は、入力として、音響モデル学習用音声特徴量に代えて音声認識対象の音響特徴量を用いる点を除き、中間特徴量抽出部302(n)と同様である。
入力:中間特徴量抽出部402(1)〜402(n)で抽出された中間特徴量
出力:音声認識用シンボル
処理:出力確率分布計算部403(n)は、中間特徴量抽出部402(1)〜402(n)で抽出された中間特徴量を現在のモデルに入力して出力層の各ユニットjの出力確率pjを(例えばソフトマックス関数により)計算し(S403)、出力確率pjを並べた出力確率分布を得る。出力確率分布計算部403(n)は、ニューラルネットワークの出力層を含む。具体的な処理内容は、出力確率分布計算部303(n)と同様である。
本発明は上記の実施形態及び変形例に限定されるものではない。例えば、上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。
また、上記の実施形態及び変形例で説明した各装置における各種の処理機能をコンピュータによって実現してもよい。その場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記各装置における各種の処理機能がコンピュータ上で実現される。
Claims (8)
- Nを対象とするタスクの総数とし、n=1,2,…,Nとし、特徴量識別学習用音響特徴量と前記特徴量識別学習用音響特徴量に対応する正しいタスクを示す正解ユニット番号とを含む特徴量識別用学習データを用いて学習した特徴量識別モデルに基づき、音響モデル学習用音響特徴量のタスクを識別する特徴量識別部と、
N個のタスクにそれぞれ対応し、前記音響モデル学習用音響特徴量を入力とし、中間特徴量を抽出するニューラルネットワークの入力層と中間層とを含むN個の中間特徴量抽出部と、
N個のタスクにそれぞれ対応し、前記ニューラルネットワークの出力層を含み、前記中間特徴量からタスク毎の出力確率分布を得るN個の出力確率分布計算部とを含み、
kを1以上N以下の整数の何れかとし、前記特徴量識別部の識別結果であるタスクkに対応する1番目からk番目までの中間特徴量抽出部において、前記音響モデル学習用音響特徴量から中間特徴量を抽出し、k番目の出力確率分布計算部において、k個の中間特徴量から出力確率分布を得、
k番目の出力確率分布と、前記音響モデル学習用音響特徴量に対応する正しい認識結果を示す正解ユニット番号とを用いて、前記音響モデル学習用音響特徴量の正解ユニット番号に対応する出力確率が大きくなるようにk番目の前記ニューラルネットワークのパラメタを更新するモデル更新部を含む、
音響モデル学習装置。 - 請求項1の音響モデル学習装置であって、
前記k番目の中間特徴量抽出部は、1番目からk-1番目までの中間特徴量抽出部において用いるニューラルネットワークの入力層と中間層との何れかの出力値である中間特徴量を用いて、k番目の中間特徴量抽出部において用いるニューラルネットワークの入力層の出力値である中間特徴量を抽出する、
音響モデル学習装置。 - 請求項1または請求項2の音響モデル学習装置で学習された音響モデルを用いた音声認識装置であって、
前記特徴量識別モデルに基づき、音声認識対象の音響特徴量のタスクを識別する音声認識用特徴量識別部と、
N個のタスクにそれぞれ対応し、前記音声認識対象の音響特徴量を入力とし、中間特徴量を抽出する学習済みのニューラルネットワークの入力層と中間層とを含むN個の音声認識用中間特徴量抽出部と、
N個のタスクにそれぞれ対応し、前記学習済みのニューラルネットワークの出力層を含み、前記音声認識対象の音響特徴量から抽出される中間特徴量からタスク毎の出力確率分布を得るN個の音声認識用出力確率分布計算部とを含み、
kを1以上N以下の整数の何れかとし、識別結果であるタスクkに対応する1番目からk番目までの音声認識用中間特徴量抽出部において、音声認識対象の音響特徴量から中間特徴量を抽出し、
k番目の音声認識用出力確率分布計算部において、k個の中間特徴量から出力確率分布を得、出力確率分布の中で最も大きい出力確率に対応する音声認識用シンボルを認識結果とする、
音声認識装置。 - 音響モデル学習装置が実行する音響モデル学習方法であって、
Nを対象とするタスクの総数とし、n=1,2,…,Nとし、特徴量識別学習用音響特徴量と前記特徴量識別学習用音響特徴量に対応する正しいタスクを示す正解ユニット番号とを含む特徴量識別用学習データを用いて学習した特徴量識別モデルに基づき、音響モデル学習用音響特徴量のタスクを識別する特徴量識別ステップと、
N個のタスクにそれぞれ対応し、前記音響モデル学習用音響特徴量を入力とし、中間特徴量を抽出するニューラルネットワークの入力層と中間層とを含むN個の中間特徴量抽出ステップと、
N個のタスクにそれぞれ対応し、前記ニューラルネットワークの出力層を含み、前記中間特徴量からタスク毎の出力確率分布を得るN個の出力確率分布計算ステップとを含み、
kを1以上N以下の整数の何れかとし、前記特徴量識別ステップの識別結果であるタスクkに対応する1番目からk番目までの中間特徴量抽出ステップにおいて、前記音響モデル学習用音響特徴量から中間特徴量を抽出し、k番目の出力確率分布計算ステップにおいて、k個の中間特徴量から出力確率分布を得、
k番目の出力確率分布と、前記音響モデル学習用音響特徴量に対応する正しい認識結果を示す正解ユニット番号とを用いて、前記音響モデル学習用音響特徴量の正解ユニット番号に対応する出力確率が大きくなるようにk番目の前記ニューラルネットワークのパラメタを更新するモデル更新ステップを含む、
音響モデル学習方法。 - 請求項4の音響モデル学習方法であって、
前記k番目の中間特徴量抽出ステップは、1番目からk-1番目までの中間特徴量抽出ステップにおいて用いるニューラルネットワークの入力層と中間層との何れかの出力値である中間特徴量を用いて、k番目の中間特徴量抽出ステップにおいて用いるニューラルネットワークの入力層の出力値である中間特徴量を抽出する、
音響モデル学習方法。 - 請求項4または請求項5の音響モデル学習方法で学習された音響モデルを用いた音声認識方法であって、
前記特徴量識別モデルに基づき、音声認識対象の音響特徴量のタスクを識別する音声認識用特徴量識別ステップと、
N個のタスクにそれぞれ対応し、前記音声認識対象の音響特徴量を入力とし、中間特徴量を抽出する学習済みのニューラルネットワークの入力層と中間層とを含むN個の音声認識用中間特徴量抽出ステップと、
N個のタスクにそれぞれ対応し、前記学習済みのニューラルネットワークの出力層を含み、前記音声認識対象の音響特徴量から抽出される中間特徴量からタスク毎の出力確率分布を得るN個の音声認識用出力確率分布計算ステップとを含み、
kを1以上N以下の整数の何れかとし、識別結果であるタスクkに対応する1番目からk番目までの音声認識用中間特徴量抽出ステップにおいて、音声認識対象の音響特徴量から中間特徴量を抽出し、
k番目の音声認識用出力確率分布計算ステップにおいて、k個の中間特徴量から出力確率分布を得、出力確率分布の中で最も大きい出力確率に対応する音声認識用シンボルを認識結果とする、
音声認識方法。 - 請求項1もしくは請求項2の音響モデル学習装置としてコンピュータを機能させるためのプログラム。
- 請求項3の音声認識装置としてコンピュータを機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017224949A JP6827910B2 (ja) | 2017-11-22 | 2017-11-22 | 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017224949A JP6827910B2 (ja) | 2017-11-22 | 2017-11-22 | 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019095599A JP2019095599A (ja) | 2019-06-20 |
JP6827910B2 true JP6827910B2 (ja) | 2021-02-10 |
Family
ID=66971538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017224949A Active JP6827910B2 (ja) | 2017-11-22 | 2017-11-22 | 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6827910B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7250643B2 (ja) * | 2019-08-13 | 2023-04-03 | 株式会社日立製作所 | 計算機システム及びモデル学習方法 |
KR102093368B1 (ko) * | 2020-01-16 | 2020-05-13 | 한림국제대학원대학교 산학협력단 | 한국어에 특화된 최적증폭을 위한 보청기 시스템의 제어 방법, 장치 및 프로그램 |
US20230050795A1 (en) * | 2020-01-16 | 2023-02-16 | Nippon Telegraph And Telephone Corporation | Speech recognition apparatus, method and program |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006106300A (ja) * | 2004-10-05 | 2006-04-20 | Mitsubishi Electric Corp | 音声認識装置及びそのプログラム |
US9202464B1 (en) * | 2012-10-18 | 2015-12-01 | Google Inc. | Curriculum learning for speech recognition |
JP5982297B2 (ja) * | 2013-02-18 | 2016-08-31 | 日本電信電話株式会社 | 音声認識装置、音響モデル学習装置、その方法及びプログラム |
-
2017
- 2017-11-22 JP JP2017224949A patent/JP6827910B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019095599A (ja) | 2019-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6928371B2 (ja) | 分類器、分類器の学習方法、分類器における分類方法 | |
JPWO2018051841A1 (ja) | モデル学習装置、その方法、及びプログラム | |
JP6235938B2 (ja) | 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム | |
JP6827911B2 (ja) | 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム | |
JP6831343B2 (ja) | 学習装置、学習方法及び学習プログラム | |
JP6827910B2 (ja) | 音響モデル学習装置、音声認識装置、それらの方法、及びプログラム | |
JP6615736B2 (ja) | 音声言語識別装置、その方法、及びプログラム | |
US10950225B2 (en) | Acoustic model learning apparatus, method of the same and program | |
JP7070653B2 (ja) | 学習装置、音声認識順位推定装置、それらの方法、およびプログラム | |
CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 | |
CN110275928B (zh) | 迭代式实体关系抽取方法 | |
US11182665B2 (en) | Recurrent neural network processing pooling operation | |
JP7031741B2 (ja) | モデル学習装置、方法及びプログラム | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN114781611A (zh) | 自然语言处理方法、语言模型训练方法及其相关设备 | |
JP7085158B2 (ja) | ニューラルネットワーク学習装置、ニューラルネットワーク学習方法、プログラム | |
JP7095747B2 (ja) | 音響モデル学習装置、モデル学習装置、それらの方法、およびプログラム | |
CN112733724B (zh) | 基于判别样本元挖掘器的亲属关系验证方法和装置 | |
JP6244297B2 (ja) | 音響スコア算出装置、その方法及びプログラム | |
WO2019194128A1 (ja) | モデル学習装置、モデル学習方法、プログラム | |
US11176502B2 (en) | Analytical model training method for customer experience estimation | |
JP6158105B2 (ja) | 言語モデル作成装置、音声認識装置、その方法及びプログラム | |
JP6059598B2 (ja) | 情報抽出方法、情報抽出装置及び情報抽出プログラム | |
JP6633556B2 (ja) | 音響モデル学習装置、音声認識装置、音響モデル学習方法、音声認識方法、およびプログラム | |
JP6728083B2 (ja) | 中間特徴量計算装置、音響モデル学習装置、音声認識装置、中間特徴量計算方法、音響モデル学習方法、音声認識方法、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191219 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200911 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201006 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201113 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210119 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210120 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6827910 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |