[論文レビュー] Arabic Speech Recognition System using CMU-Sphinx4

Hassan Satori, Mostafa Harti+1 more|ArXiv.org|Apr 17, 2007

Speech Recognition and Synthesis参考文献 13被引用数 4

ひとこと要約

本論文は、CMU Sphinx-4を基盤として、アラビア語処理に適合させる離散的HMMベースのアーキテクチャを採用したアラビア語音声認識システムを提示する。著者は、アラビア語の音素および語彙的構造をサポートするために、音響モデルおよび言語資源を変更し、言語固有のチューニングを通じて認識精度を向上させた機能的なASRパイプラインを実現した。

ABSTRACT

In this paper we present the creation of an Arabic version of Automated Speech Recognition System (ASR). This system is based on the open source Sphinx-4, from the Carnegie Mellon University. Which is a speech recognition system based on discrete hidden Markov models (HMMs). We investigate the changes that must be made to the model to adapt Arabic voice recognition. Keywords: Speech recognition, Acoustic model, Arabic language, HMMs, CMUSphinx-4, Artificial intelligence.

研究の動機と目的

• オープンソースツールを用いて機能的なアラビア語自動音声認識（ASR）システムを開発すること。
• 英語用に設計されたCMU Sphinx-4を、アラビア語の音声的および語彙的複雑性に対応できるように適応させること。
• アラビア語音声認識に必要な音響モデリングおよび言語モデリングの変更を調査すること。
• アラビア語音声データ上で適応されたシステムの性能を評価すること。
• オープンソースのSphinx-4エコシステム内でのアラビア語固有のASRフレームワークを貢献すること。

提案手法

• アラビア語処理に適合させるために、CMU Sphinx-4のHMMベース音声認識エンジンを適応させること。
• アラビア語音声学に特化した音素ユニットを用いて、アラビア語音響モデルを作成すること。
• アラビア語文法および語形に適合した言語モデルを設計・実装すること。
• 強制アラインメントおよび特徴抽出技術を用いて、アラビア語音声データ上でモデルを学習させること。
• 音声認識に特化した言語リソース（音声トランスクリプションおよび語彙辞書など）を統合すること。
• テストセットにおける単語誤り率（WER）を含む標準的なASR指標を用いてシステムを評価すること。

実験結果

リサーチクエスチョン

• RQ1 アラビア語音声認識に適合させるために、CMU Sphinx-4に必要な変更は何か？
• RQ2 HMMベース音響モデルは、アラビア語の音声的変異をどれほど適切に捉えられるか？
• RQ3 言語モデルのチューニングが、アラビア語認識精度にどの程度効果をもたらすか？
• RQ4 アラビア語の豊富な語彙的構造および音声的構造は、ASRにおいてどのような課題を引き起こすか？
• RQ5 Sphinx-4のようなオープンソースASRフレームワークは、低リソース言語としてのアラビア語処理に効果的にカスタマイズ可能か？

主な発見

• 本システムは、コアエンジンとしてCMU Sphinx-4を用いて、アラビア語ASRパイプラインを正常に実装した。
• 音響モデルおよび言語モデルをアラビア語にチューニングしたことで、認識精度が顕著に向上した。
• 音声学的および語彙的構造を反映させるために、音素ユニットおよび語彙辞書エントリの広範な修正が必要であった。
• 当時、標準化されたアラビア語音声コーパスが存在しなかったにもかかわらず、本システムはアラビア語ASRの実現可能性を示した。
• 本研究の結果は、アラビア語のような低リソース言語のASRシステム開発に、オープンソースフレームワーク（例：Sphinx-4）が有効である可能性を裏付けた。
• 本研究は、今後のオープンソースツールを用いたアラビア語ASR開発の基盤となるフレームワークを提供した。