ログインしてさらにmixiを楽しもう

コメントを投稿して情報交換!
更新通知を受け取って、最新情報をゲット!

音声入力を始めよう!コミュの音声認識って

  • mixiチェック
  • このエントリーをはてなブックマークに追加
こんにちは。
仕事で音声認識関係をやったことがあるので、皆様のトピックを興味深く読ませてもらいました。自分も評価目的でドラゴンのやつやビアボイスを使ったことがあります。

キーボードの代わりと考えると急に敷居が高くなりますよね。新しい入力装置というとらえかたのほうが使いやすいような気がします。

つたない知識ですが、ほかのトピを読んでいて出ていた疑問について勝手にコメントしちゃいます。

「文頭の”き”が無視される」
よくあることです。これは実は音声認識の問題よりも音声の区間の検出の問題です。「ふ」とか「き」のような音は始まりのパワーが弱いので音声の区間にそこが含めてもらえないことがあります。なので「ふ」なら「う」に、「き」なら「い」に間違えたりします。

「むりやり正しい日本語に直そうとしている」
これは認識ソフトがもっている言語の知識の偏りです。
音声認識は意外と難しい技術で音だけでは全然認識率が低いんです。そこでドラゴンスピーチやViaVoiceなどのソフトは単語の並びを確率としてもっています。たとえば、「私」「の」次にくる単語が「名前」の確率は0.002、「犬」がくる確率は「0.0001」って具合に。でこの確率を何から持ってくるかっていうと、大量の文章からもってきます。このときに学習させる文章が決め手になります。ドラゴン社はレントゲン技師向けなどの専用ソフトも作ってるんですが、それなんかは性能高いはずです。決められた文章の範囲が狭いので。
あと、多分、自分の文章を学習させる機能がついていると思います。それを使うとある程度ましになるのではないかと思います。

「入力される単位が違う」
そうなんです。よく「あ」「い」などの一つの音の並びを認識して仮名漢字変換すると誤解されることが多いのですが、音声認識の場合長い音(1文)全外に一番当てはまる単語列を音の知識と言語の知識の両面から探索して最終的な答えを決めます。ですから、逆に短すぎる音声だと手がかりが少なくて認識率が落ちます。たとえば「わ」「た」「し」と1音ずつ認識させると全然認識しません。

「エンロールメントについて」
現状の音声認識技術だとこれが一番効果があります。実はこれ、喋る人の声だけではなくて喋っている部屋の反響、周囲のノイズ、マイクの特性などすべてをまとめて学習します。もしサウンドボードにノイズがあればそれも。だから環境が変わったらどんどんやることを進めます。さらに、人の声は時間とともに変化します。1日のうちでも変化しますが、数ヶ月すると結構変化します。ですから、時々エンロールをするだけでも効果があります。
あ、部屋の反響や周囲のノイズやマイクの特性には影響を受けにくくする技術は当然最近のソフトに入っています。また、説話マイクを使うことでもその効果は高まります。

「喋る速度」
音声認識は話す速度で極端に認識率が落ちることがあります。ドラゴン社やIBMの技術しだいですが、早口はやはりつらいはずです。どうしても早口で喋りたい人はエンロールメントが効果あるはずです。でも、人間は早口で喋ると通常発音している音がとばされたりするので、認識装置がもっている発音辞書の範囲を超えると認識がどうしても出来ません、その点で性能に限界があるはずです。

はやく2001年宇宙の旅みたいな世界を実現したいですよね。

コメント(0)

mixiユーザー
ログインしてコメントしよう!

音声入力を始めよう! 更新情報

音声入力を始めよう!のメンバーはこんなコミュニティにも参加しています

星印の数は、共通して参加しているメンバーが多いほど増えます。

人気コミュニティランキング