Toward Optimal Unsupervised Phoneme Segmentation -A Theoretical and Experimental Investigation

あらまし 音素セグメンテーションは,音声認識や音声合成における基本的な問題である。しかしながら,言語情報 や音響モデルに関する知識を全く用いない教師なし音素セグメンテーションは,非常に難解な問題として挙げられる。 その本質的問題は「どうのように最適な分割を定義する か」である。本論文では,最適な分割を確率的な枠組みで定 式化する。統計分析と情報理論を用いて、最適化対象として三つの目標関数を提案する:Mean Square Error (MSE), Log Determinant (LD) and Rate Distortion (RD)。特に RD関数は、情報レート歪み理論に基づいて定義されてお り、人間の言語知覚メカニズムと関連性を見いだすことができる。さらに,RD関数を用いて,最適な分割が直交変換 に対して不変性をもつことを証明した。また,提案された目的関数を最適化するため、時間制約付きの agglomerative clustering アルゴリズムを使用した。そこでは、積分関数を使用することによって効率的なアルゴリズムの実装手法を 提案した。 本実験では,TIMITデータベースを用いて,提案した目標関数の評価実験を行なった。 Rate Distortion が最良の音素検出性能を示し (recall rate 79.1% in 20ms tolerance windows),それは近年発表された教師なしセグメ ンテーション手法 [1], [4], [5]と比較して,より良い結果を示している。 キーワード 教師なし音素的セグメンテーション, 最適化、レート歪み