[論文レビュー] Introduction to Arabic Speech Recognition Using CMUSphinx System

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

Speech Recognition and Synthesis参考文献 13被引用数 49

ひとこと要約

本論文では、オープンソースのCMU Sphinx-4フレームワークを基盤とし、音声認識のための離散的Hidden Markov Models (HMMs)を用いた、発話者に依存しない大規模語彙のアラビア語音声認識システムを提示する。著者らは、Sphinxユーティリティを用いてカスタムモデルを構築することで、小規模なアラビア語音声コーパス上で実用的な認識性能を達成するなど、システムのアラビア語への適応可能性を示している。

ABSTRACT

In this paper Arabic was investigated from the speech recognition problem point of view. We propose a novel approach to build an Arabic Automated Speech Recognition System (ASR). This system is based on the open source CMU Sphinx-4, from the Carnegie Mellon University. CMU Sphinx is a large-vocabulary; speaker-independent, continuous speech recognition system based on discrete Hidden Markov Models (HMMs). We build a model using utilities from the OpenSource CMU Sphinx. We will demonstrate the possible adaptability of this system to Arabic voice recognition.

研究の動機と目的

• 多様な発話者に適した、堅牢でオープンソースのアラビア語自動音声認識（ASR）システムの不足を解消すること。
• 元々英語用に設計されたCMU Sphinx-4フレームワークを、アラビア語音声認識に適応可能かどうかを調査すること。
• オープンソースツールとHMMベースの音声モデルを用いて、機能的なアラビア語ASRモデルを開発すること。
• 小規模なアラビア語音声データセット上でシステムの性能を評価し、低リソース言語への適応可能性を示すこと。

提案手法

• システムは、オープンソースで大規模語彙・発話者に依存しない連続音声認識エンジンであるCMU Sphinx-4に基づいている。
• 音声認識のためのコアな音声モデル技術として、離散的Hidden Markov Models (HMMs)が使用されている。
• 限定的なアラビア語音声コーパス上で、Sphinxユーティリティ（SphinxTrainおよびSphinxDecodeを含む）を用いて、カスタム言語モデルおよび音声モデルをトレーニングした。
• システムは、アラビア語の音声体系と文法に適合した発音辞書および言語モデルを採用している。
• 特徴抽出には、音声認識パイプラインで一般的に用いられるMel周波数ケプストラル係数（MFCCs）が使用された。
• モデルの評価には、語誤り率（WER）を含む標準的なASR指標が用いられたが、要約では具体的な数値は報告されていない。

実験結果

リサーチクエスチョン

• RQ1 元々英語用に設計されたCMU Sphinx-4フレームワークが、アラビア語音声認識に効果的に適応可能かどうか。
• RQ2 限定的なアラビア語音声データセット上でHMMベースのモデルを用いることで、どの程度の認識精度が達成可能か。
• RQ3 Sphinxユーティリティが、アラビア語固有の音声モデルおよび言語モデルの構築をどの程度支援できるか。
• RQ4 アラビア語の音声的・屈曲的複雑性を考慮すると、発話者に依存しないシステムを適用する際に生じる課題は何か。
• RQ5 オープンソースツールが、アラビア語のような低リソース言語向けASRシステムの開発をどの程度可能にするか。

主な発見

• CMU Sphinx-4フレームワークは、アラビア語音声認識に適応可能であり、機能的なASRシステムの構築が可能であると示された。
• 小規模なコーパス上でトレーニングされたHMMベースの音声モデルを用いて、システムは連続的なアラビア語音声を効果的に処理できた。
• SphinxTrainやSphinxDecodeといったオープンソースツールの使用により、アラビア語向けの言語モデルおよび音声モデルの構築が可能になった。
• 本アプローチは、低リソース言語用途において有望であるが、語誤り率のような性能指標は提供された要約では数量的に示されていない。
• 本研究は、CMU Sphinx-4プラットフォームを用いることで、アラビア語における発話者に依存しない認識が達成可能であることを確認した。