時間反転音声を用いた音声認識のためのデータ拡張特徴量系列における反転

摘要

音声認識システムにおいて，学習データの音響的な網羅性を可能な限り担保し，過学習を防ぐ事を目的としたアプローチの一つにdata augmentation（データ拡張）がある．これは，与えられたオリジナルの学習データに対して何かしらの変動を加え，新しい学習データとして生成することで，より一層の汎化性能を獲得しようとするアプローチである．本稿では，このデータ拡張の音響的変動として，錯聴を用いることを考える．音声に関係のある錯聴はこれまで種々提案されてきているが，その中でも特に時間反転音声（Locally Time-reversed Speech）を検討した．我々はこれまで音声波形上での時間反転処理を検討してきたが，本稿では更にその発展として，特徴量系列において反転させるアプローチを提案する．音声波形に対する反転とは異なり，特徴量系列において反転させることで新たな追加データ生成が不要となり，学習時にオンラインでのデータ拡張が可能となる．CSJコーパスにおいて，本データ拡張を適用したモデルの評価実験の結果，ベースラインに対し認識率が改善（8.4%の相対改善率）し本アプローチの有効性を確認した．