音声認識のしくみ

  

Figure 1: 音声認識システムの構成

• 音声分析： ケプストラム、雑音除去や歪みの補正化

• 単語辞書： 認識対象の語彙エントリの発音（=音素表記）
  文字を認識してから単語を認識するのではなく、認識対象 の単語集合から可能な音素列を規定した上で認識する

• 音響モデル： 音素単位の特徴量パターンの統計モデル
  コンテキスト依存HMM
  合計数千〜数万の正規分布

• 言語モデル： 単語間の接続関係を規定 (文法・統計モデル)
  正しい入力を受理するだけでなく、正しくない仮説を生成しない能力
  数百万のオーダの単語trigram

• 認識エンジン(デコーダ)
  膨大なデータを用いて膨大な仮説空間を探索

``音声認識は膨大な音声パターンと言語パターンの統計データの集積''