アイヌ民話アーカイブに対する音声認識

Abstract

本稿では，アイヌ民話（ウウェペケㇾ）の音声認識に関する我々の取り組みについて述べる．まず，2 つの博物館から提供されたアイヌ語アーカイブのデータを元に，沙流方言を対象としたアイヌ語音声コーパスを構築した．次に，このコーパスを用いて注意機構モデルに基づく音声認識システムを構成し，音素・音節・ワードピース・単語の 4 つの認識単位について検討した．その結果，音節単位での音声認識精度が最も高くなることがわかり，話者クローズド条件と話者オープン条件のそれぞれについて，音素認識精度で 93.7% と 86.2%，単語認識精度で 78.3% と 61.4% を実現した．音声認識精度が話者オープン条件において大幅に低下する問題に対して，CycleGAN を用いた教師なし話者適応を提案した．これは，学習データ内の話者の音声から認識対象話者の音声への写像を CycleGAN に学習させ，学習データ内の音声を全て認識対象話者風の音声に変換するものである．本手法によって最大で相対 60.6% の音素誤り率の改善を得た．さらに，日本語とアイヌ語が混合した音声における言語識別についても検討を行い，音素認識と単語認識を用いた構成で一定の識別性能を達成できることを示した．

In this article, our work on the speech recognition of Ainu folklores (Uwepeker) is described. First, we constructed an Ainu speech corpus for the Saru dialect based on the data provided by two museums that had constructed the Ainu archive. Next, we built an automatic speech recognition (ASR) system based on an attention-based encoder-decoder model, and compared four recognition units of phones, syllables, word pieces, and words. With the syllable unit, we achieved a phone recognition accuracy of 93.7% and 86.2%, and word recognition accuracy of 78.3% and 61.4% for the speaker-closed and speaker-open conditions, respectively. To address the problem of significant degradation in the speaker-open condition, an unsupervised speaker adaptation method using a CycleGAN is proposed. In this method, mapping of the speaker’s voice in the training data to the target speaker’s voice is learned by a CycleGAN, that converts all speech in the training data into the target speaker’s speech. This method reduced the phone error rate by up to 60.6%. In addition, we investigated language identification in Japanese and Ainu mixed speech and realized reasonable performance by cascading phone and word recognition modules.