[論文レビュー] Speech Recognition by Machine, A Review

M. A. Anusuya, S. K. Katti|arXiv (Cornell University)|Jan 13, 2010

Speech Recognition and Synthesis参考文献 72被引用数 207

ひとこと要約

このレビュー論文は、過去60年間にわたり自動音声認識（ASR）研究の包括的な年表的概要を提供し、音声分類、特徴抽出、分類手法における主な進展を分析している。発話者や環境のばらつきといった持続的な課題を特定し、主な手法的アプローチを評価することで、基礎的進歩と未解決の研究課題に焦点を当てたASRシステムの進化と現在の状態についての技術的視点を提示している。

ABSTRACT

This paper presents a brief survey on Automatic Speech Recognition and discusses the major themes and advances made in the past 60 years of research, so as to provide a technological perspective and an appreciation of the fundamental progress that has been accomplished in this important area of speech communication. After years of research and development the accuracy of automatic speech recognition remains one of the important research challenges (e.g., variations of the context, speakers, and environment).The design of Speech Recognition system requires careful attentions to the following issues: Definition of various types of speech classes, speech representation, feature extraction techniques, speech classifiers, database and performance evaluation. The problems that are existing in ASR and the various techniques to solve these problems constructed by various research workers have been presented in a chronological order. Hence authors hope that this work shall be a contribution in the area of speech recognition. The objective of this review paper is to summarize and compare some of the well known methods used in various stages of speech recognition system and identify research topic and applications which are at the forefront of this exciting and challenging field.

研究の動機と目的

• 過去60年間にわたり自動音声認識（ASR）システムの進化について、歴史的かつ技術的視点を提供すること。
• 発話者ばらつき、環境ノイズ、文脈的ばらつきを含むASRの核心的な課題を特定し、分析すること。
• 音声表現、特徴抽出、分類の各段階における主な手法的アプローチを調査・比較すること。
• 2009年現在、ASR開発の最前線に位置する主な研究トレンドと応用を強調すること。
• よく知られた手法を要約し、分野における未解決の研究問題を特定することで、研究者にとっての基盤的参考文献を提供すること。

提案手法

• 本論文は、2009年現在の最先端技術までに至るまでのASR手法の発展を追跡する年表的レビュー手法を採用している。
• 時間領域およびスペクトル表現を含む音声表現手法、例えば線形予測符号化（LPC）やメル周波数ケプストラル係数（MFCCs）を検討している。
• 分類に適したコン act な表現に変換するための特徴抽出技術を評価している。
• 隠れマルコフモデル（HMMs）、ガウス混合モデル（GMMs）、および初期のニューラルネットワークベースのアプローチを含むさまざまな音声分類器を分析している。
• システム性能のベンチマークに役立てるため、音声データベースと標準化された評価プロトコルの役割について論じている。
• 複数の研究貢献からの知見を統合し、技術的進歩と応用文脈に応じて研究結果を整理している。

実験結果

リサーチクエスチョン

• RQ1 過去60年間にわたり自動音声認識分野で達成された主な技術的飛躍と手法的転換とは何か？
• RQ2 さまざまな条件下で認識精度を向上させるために、音声表現および特徴抽出技術はどのように進化したか？
• RQ3 発話者や環境のばらつきに関して、ASRで持続的に残る課題は何か？
• RQ4 ASR開発の異なる段階で支配的だった分類モデルは何か。それぞれの強みと限界は何か？
• RQ5 2009年現在、分野で最先端と見なされた研究分野と応用分野は何か？

主な発見

• 本論文は、2000年代初頭において、隠れマルコフモデル（HMMs）とガウス混合モデル（GMMs）がASRの主な統計的フレームワークであり、大多数のシステムの基盤をなしていたと特定している。
• ノイズに強く、人間の聴覚に相応しい音声情報の特徴を的確に捉えることから、メル周波数ケプストラル係数（MFCCs）のような特徴抽出技術が標準化された。
• 顕著な進展にもかかわらず、発話者や環境のばらつきは、システムの精度と一般化性能に影響を与える持続的な課題のままであった。
• 本レビューは、大規模で標準化された音声データベースと性能評価指標の重要性が高まっていることを強調している。これらは再現可能な研究とシステム比較を可能にする要因となっている。
• 著者らは、基礎的進歩は著しく進展したものの、多様な条件下で高い精度を達成することが依然として主要な未解決課題であると結論づけている。
• 本論文は、高度なモデリング技術と改善されたデータリソースの統合が、今後のASR分野の進展の中心的役割を果たすと位置づけている。