距離マトリクス画像を用いた発話速度のゆらぎの研究

抄録

人間の発話は話者一人一人で違っており、その違いとして声の大きさや高さ、発話速度による対応関係の不一致がある。声の大きさや高さは、極端なものでない限り誤認識につながることは少ない。しかし、発話速度による対応関係の不一致は、音響モデルの認識率が直接的な音声認識の認識率になるワードスポッテイングにおいて、認識率を下げる要因になっている。本研究ではワードスポッティングでよく用いられるDPマッチングを使用し、話者の発話速度によるゆらぎの大きさを実験により定量的に分析した。なお、都道府県名を認識単語として発話し、距離マトリクス画像の直線から対応するフレームがどれだけ離れているかを分析する。