[論文レビュー] On model architecture for a children's speech recognition interactive dialog system

Radoslava Kraleva, Velin Kralev|arXiv (Cornell University)|May 25, 2016

Speech and dialogue systems参考文献 3被引用数 4

ひとこと要約

本論文は、対話型ダイアログシステムにおける乳児・幼児の発話認識のための特化型アーキテクチャモデルを提案し、音声・音韻モデリングおよびノイズや伝送状態の変化に対する耐性を重視している。実環境での認識精度の向上とシステムの持続可能性を高めるために、自発的発話のモデリングの改善が不可欠であると指摘している。

ABSTRACT

This report presents a general model of the architecture of information systems for the speech recognition of children. It presents a model of the speech data stream and how it works. The result of these studies and presented veins architectural model shows that research needs to be focused on acoustic-phonetic modeling in order to improve the quality of children's speech recognition and the sustainability of the systems to noise and changes in transmission environment. Another important aspect is the development of more accurate algorithms for modeling of spontaneous child speech.

研究の動機と目的

• 未熟な音韻発達および発話パターンに起因する乳児発話の認識精度が低いという課題に対処する。
• 実用応用で一般的な背景ノイズや変動する伝送状態に対して、システムの耐性を向上させる。
• 大人や読み上げ発話とは顕著に異なる自発的発話の正確なモデリングを向上させる。
• 乳児発話認識に特化したモジュラーでスケーラブルな情報システムアーキテクチャを設計する。
• 乳児発話認識システムにおける主要なアーキテクチャ的およびモデリング的優先事項を特定することで、今後の研究の基盤を確立する。

提案手法

• 生音声から認識された発話素子までを構造化する、発話データストリームの階層的モデルを提案する。
• 乳児の音韻的およびプロソディック的特徴に適合した、発話処理モジュールを統合したシステムアーキテクチャを導入する。
• 乳児固有の発話変動を捉えるために、音声・音韻モデリングをコアコンポonentとして強調する。
• 劣化した伝送状態下でも性能を維持できる、ノイズ耐性メカニズムを組み込む。
• 拡張性および新しい発話処理コンポーネントの統合を可能にするモジュラー設計を採用する。
• 実世界の会議会場（FMNS 2009）での実験的評価により、アーキテクチャフレームワークの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、乳児発話に特有の音響的および音韻的特性を効果的に処理できる発話認識システムをアーキテクチャ設計できるか？
• RQ2 乳児発話認識において、環境ノイズおよび伝送状態の変化に対する耐性を確保するために、どのようなアーキテクチャ的コンポーネントが不可欠か？
• RQ3 構造が読み上げ発話よりも乏しい自発的乳児発話を、認識システムでより正確にモデリングするにはどうすればよいか？
• RQ4 音声・音韻モデリングは、乳児発話認識のパフォーマンス向上にどのように寄与するか？
• RQ5 スケーラブルで対話的なダイアログシステムを乳児向けに開発するにあたり、どのような設計原則に従うべきか？

主な発見

• 乳児発話認識の質を向上させるために、音声・音韻モデリングが研究の主要な焦点領域であると特定された。
• 発話の変動、特にプロソディックおよび発音の違いを処理できるように、システムアーキテクチャを設計する必要がある。
• 実環境での導入において、ノイズおよび変化する伝送環境への耐性は、乳児発話認識システムの成否を左右する要因である。
• 不順応、簡略化された音韻構造、標準でない発音といった要因により、自発的乳児発話は顕著な課題を呈するため、専用のモデリングが不可欠である。
• 提案されたアーキテクチャモデルは、乳児発話処理分野における今後の技術進展を統合するための構造的フレームワークを提供する。
• FMNS 2009での実験的検証により、本アーキテクチャの実現可能性と、乳児発話認識システムへの関連性が確認された。