【書籍：音声言語処理と自然言語処理】二章 音声言語処理のモデル①

概要

• "音声の音響分析技術" - 音声とは
• "音声の認識技術" - speech2text
• "音声の合成技術" - text2speech

ポイント

4月8日

• (p16)音声生成は3段階のプロセス（発声、調音、口から放射）からなる。
  • 発声：元となる音源を生成する。母音なら声帯の振動が音源に、子音の場合はそれに加え声道の狭めによる乱流や、閉鎖した声道を開放させて得られる突発的な音などが（場合によっては組み合わさり）音源になる。
    ※母音ア〜オの音源は一緒らしい
  • 調音：音源に対し様々な言語的特徴を付与する。主に声道
• (p17)音声の心理学的特性4つ
  • 高さ（ピッチ）：周波数に対応　/　強さ（デシベル）：波形振幅に対応　/　長さ　/　音色
• (p19)「2つの音が同じ高さ、強さ、長さをもつにも関わらずその2音を区別できる場合、それは音色が異なっている。」
  • 同じ高さ強さ長さで「あー」「いー」と声を出した時、この2つの違いは音色なんだ
• (p22)基準母音：国際基準の母音
  • 母音は国によって違う。そこでIPAは世界中のあらゆる子音を発音できる18種類の母音、基準母音を定義した。

4月9日

※書き方を変えました

2.2 音声認識

音響的難しさと2つの音響モデル

• 「文字"あ"に変換されるべき発声が無限に存在する」
  • 発声スタイル・話者の性別や年齢や体格・雑音やマイクといった環境 … これらの違いによる音響的変動が原因
• 不特定話者音響モデル : 大量の話者によって発声された音声コーパスが必要
• 特定話者音響モデル 　: 不特定話者音響モデルを構成し、特定の話者による少数サンプルからパラメータチューニング

言語的難しさ

1. 未知語の対処
2. 話し言葉特有の問題（ill-formedness : 前記事参照）

音声認識問題の定式化

• 音声認識は、発話系列Oが与えられた時に、単語系列Wが意図されたとする確率P(W|O)を最大化するWを求める問題である。
• つまり、W' = argmax P(W|O)
• ここで、事後確率P(W|O)やP(O|W)は音響モデル、事前確率P(W)は言語モデルと呼ばれる。言語モデルは実際の発話行為とは独立に、各言語表現がどのくらいの確率で生成されるのかを表す。
• 音声認識とは、音響モデルと言語モデルの積を最大化するWを探索する問題である。
  • P(W|O)をベイズ定理で変形するとP(O|W)とP(W)の積が現れる！

音響モデル

隠れマルコフモデルとか。次回