NAM サンプルのモノフォンモデル EM 学習

ケンブリッジのHMMツール集であるHTK[64]と，IPAの日本語ディクテ ーション基本ソフトウェア（Japanese Dictation Tool Kit：以下JDTK）[19]

を用いてこれを行った．

学習サンプル文は，特定男性一名のNAM発話にて，図2.2のNAMマイ クロフォンを図2.5 の最適位置（左側）に接着し，室内静環境でNAM発声 にて読み上げた．

読み上げに用いた文章は，ATR音素バランス文（A〜Jの503文＋Z22文 の計 525 文）を４回と，JNAS（日本音響学会新聞記事読み上げ音声コーパ ス）の毎日新聞記事1255文を2回である．

マ イ ク ア ン プ は 増 幅 率 （ 電 圧 利 得 ）26dB の も の を 用 い ， 計 算 機 は linux+ALSA ドライバの環境で，サンプリング周波数は16kHz，16bitにて 合計4560個のNAM発話による文章読み上げサンプルを収録した．

特徴パラメータ抽出は，通常音声と同様の条件で，MFCC（12次元）＋Δ MFCC＋ΔLogPow(計 25 次元)にて，Hcopy[64]により音響分析した．音素 ラベルは時間情報なしのものを用い，HERest[64]にてJDTKのCD-ROM付 属の通常音声のmonophone男性不特定話者モデル（状態数5，混合数16） を初期モデルとして20回EM学習を行った．

認識エンジンはJulius3.4[27]を用い，音響モデルを変更する以外の条件は 通常音声の一般的な認識と同じとし，システムの設定などもデフォルトのま まとし，特にパラメータを変更しなかった．言語モデルとしては，JDTKの CD-ROM付属の20K辞書を使用した．

認識率の評価は，JDTK の CD-ROM 付属の正解文ファイル seikai.ref に 記述された毎日新聞記事 24 文を，様々な雑音環境で NAM 発声により読み 上げ，これを同じ NAMマイクロフォンにて収録した．この CD-ROM 付属 のmkhyp.pl，align.pl，score.plの3つのPerlスクリプトを用いて認識率を 集計した．結果が表2.1である．

表2.1  NAMの大語彙連続認識実験（モノフォンEM学習）

なおテストセット24文章の収録環境の内訳は以下の通り．

A：鉄筋のマンション内の静音環境．

B：ステレオ音響のクラシック音楽を通常楽しむ音量でかけた同室内．

C：NHKのテレビニュースを聞き取るために十分な音量でかけた同室内．

D：診療所の外来で，職務上の音声や人の行き交う音，待合室の静かな会話 は聞こえる．仕事中のオフィス内にほぼ相当すると思われる．

まず静音環境では，特定話者モデルながら，monophone モデルにもかか わらず，単語認識精度が90％を超えた。また日常室内で経験するBGMやテ レビの音声などにも頑健であり，B〜D に見られるように日常生活空間内や 通常のオフィス環境程度の雑音ならば，ほぼそれに劣らず90％前後の認識精 度を示した．ただし今回の聴診器型NAMマイクロフォンでは，側背部の防 音が完全でないのと，コンデンサマイクロフォンの入力ゲインを上げている ため，採取した雑音環境サンプルに若干の外部雑音が混入しており，これが B〜D の認識率をやや低下させたと思われる．その他に人間の体自体を伝達 する外部雑音もある．

  図2.9にAの静音環境でのNAMサンプル数と学習回数による認識精度の 上昇をグラフ化したものを掲示する．EM 学習は 10〜15 回程度で飽和する ことがわかる．またモノフォンモデルでは混合数において16から32に増加 させても認識率に大きな差異は見られなかった．

図2.9  EM学習のサンプル数と学習回数による認識精度の上昇