9月25日(木)

Automatic Speech Recognition: Features I

• Hilbert Envelope Based Spectro-Temporal Features for Phoneme Recognition inTelephone Speech (IDIAP Research Institute)
  ヒルベルト変換による帯域包絡を特徴量とした電話音声の音素認識．FDLP (Frequency-Domain Linear Prediction)という手法を使う．
• Phoneme Recognition Based on Hybrid Neural Networks with Inhibition/Enhancement of Distinctive Phonetic Feature (DPF) Trajectories (豊橋技科大)
  新田先生のところの研究．NNでフレームごとに音素のdistinctive featureを抽出した後，正規直交化してHMMで認識．
• A Neural Network Based Nonlinear Feature Transformation for Speech Recognition (Binghamton University)
  音素を識別するNNの出力を特徴量としてHMMで認識．この手の枠組みはずっと昔からあるが，どうなんだろう．
• Speech Recognition Performance of CJLC: Corpus of Japanese Lecture Contents (豊橋技科大)
  中川先生のところ．講義音声認識の評価．

Automatic Speech Recognition: Language Models II

• Evaluating Spoken Language Model Based on Filler Prediction Model in Speech Recognition (豊橋技科大)
  中川先生のところのフィラー予測モデル．
• Transcription-Less Call Routing Using Unsupervised Language Model Adaptation (Nuance Communications)
  Call routingの教師なしタスク適応．学習用音声を2つに分け，それぞれの自動書きおこしから言語モデルを2つ作る．それぞれの言語モデルを使ってもう片 方の学習用音声を認識し，その認識結果から最終的な結果を得る．言語モデルと学習データでクロスバリデーションみたいなことをするところが面白いが，何の ためにそうするのか良く理解できなかった．単に学習データ全体で書きおこしを作って適応するより数％は良いそうだ．
• Large Margin Multinomial Mixture Model for Text Categorization (York University)
  ドキュメント分類．Multinominal Mixture Modelを識別学習．MMMの識別学習が(適当な近似を入れることで)線形計画法に帰着するというところがミソのようだ．
• Language Modeling for Speech Recognition of Spoken Cantonese (Chinese University of Hong Kong)
  広東語の言語モデル．北京語の言語モデルからルールベース自動変換で広東語を生成し，そこから学習．大阪弁フィルタみたいなものか．
• Discriminative Rescoring Based on Minimization of Word Errors for Transcribing Broadcast News (NHK)
  NHKの放送ニュース認識．識別学習．
• Search and Classification Based Language Model Adaptation (IBM China)
  学習コーパス全体から学習したN-gram，話題ごと(129種)のN-gram，およびWebから集めたデータによるN-gramを混ぜて使う．
• Thai Named-Entity Recognition Using Class-Based Language Modeling on Multiple-Sized Subword Units (NECTEC)
  タイ語の単語認識で，モデルベースで名前を認識する．音節クラスとサブワードを併用．
• Combining Statistical and Syntactical Systems for Spoken Language Understanding with Graphical Models (Technische Universität München)
  Graphical Modelにより，N-gramとルールを組み合わせる．タスクはATIS．Graphical Model Toolkitを利用．ほのかに改善．
• Bag-of-Word Normalized N-Gram Models (IBM)
  LSAとかPLSAのようにbag-of-wordなモデルとn-gramの組み合わせ法．文を構成する単語の全ての順列に対するn-gram確率の総和 が，bag-of-wordによる文生成確率に一致するように正規化する．計算量的に明らかに不利なので，どうやって計算量を低減するかが問題． unigram rescaling と比べてどうなの，と聞いてみたが，比較実験はしていないようだった．
  
• A Study of Unsupervised Clustering Techniques for Language Modeling (University of Washington)
  文書クラスタリング手法の比較．いくつかのアルゴリズムを試しているが，どれを使ってもあまり結果は変わらない．認識誤りの多くが機能語で，機能語に対し ては文書クラスタが無意味だからだということだ．
  
• Automatic Estimation of Language Model Parameters for Unseen Words Using Morpho-Syntactic Contextual Information (Universidade de Aveiro)
  ポルトガル語の認識．未知語を品詞，変化形，性別などで細かく分類．
• Modeling the Effects on Time-into-Utterance on Word Probabilities (University of Texas at El Paso)
  発話と発話の「間」によって言語の出現確率を変える．無音区間の長さと次の単語の確率に関連はあるようだが，改善はわずか．
• Inductive and Example-Based Learning for Text Classification (Microsoft)
  テキスト分類．Vector space modelを使って識別モデルを作り，その結果を最大エントロピーによる識別器につっこんで最終結果を出す．音響モデルにおけるNN+HMMと似たような ココロか．
• Comparing Word, Character, and Phoneme n-Grams for Subjective Utterance Recognition (University of Edinburgh)
  話者のSubjectivity(主観的な意見表明の発話)の認識．この手の発話の認識に，文字n-gramとか音素n-gramのように明らかに浅い特 徴を使うのが流行っているらしい．ここではそれらと単語n-gramの比較をしていて，同程度の認識性能だとのこと．
• IRSTLM: An Open Source Toolkit for Handling Large Scale Language Models (FBK-irst)
  新しい言語モデルのツールキット．昨日オーラルで聞いたものと同じ．大規模なモデルが学習できるのが特徴．

Speech Resources and Technology Evaluation

• A Rank-Predicted Pseudo-Greedy Approach to Efficient Text Selection from Large-Scale Corpus for Maximum Coverage of Target Units (Microsoft Asia)
  大規模なテキストコーパスから，音素バランス文を選ぶアルゴリズム．信学会の英文誌に載った論文と同じ話のような気がする．
  

Special Session: Prosody of Spontaneous Speech II

• Analysis and Perception of Speech Under Physical Task Stress (University of Texas at Dallas)
  運動しながら発声した声の分析．ピッチやパワーはそれほど変化がないが，無声化する音が多い．
• Paralinguistic Effects on Turn-Taking Behavior in Expressive Conversation (宇都宮大)
  森先生の発表．発話の「間」と感情の関係について．

Automatic Speech Recognition: Search Methods

• Phonetic Query Expansion for Spoken Document Retrieval (IBM Haifa Research Lab)
  音声検索におけるPhonetic Query Expansion．音声文書を音素認識しておいて，クエリが来たらそれを音素表記し，音素誤りを考慮して音素表記を拡大，文書の音素表記内を検索する．

Language Information Retrieval Systems

• Addressing the Out-of-Vocabulary Problem for Large-Scale Chinese Spoken Term Detection (精華大+Microsoft Asia)
  テキストによる入力クエリがOOVだったとき，その音素表現を音声ドキュメントの音素ラティスとマッチング+リスコア．
• Reducing the Effect of OOV Query Words by Using Morph-Based Spoken Document Retrieval (Helsinki Institute of Technology)
  フィンランド語の検索．OOVを減らすため，サブワードを単位に認識・検索．Confusion Networkを使う．Vector Space Modelによる検索．単語単位より良い．
• Spoken Document Retrieval by Translating Recognition Candidates into Correct Transcriptions (豊橋技科大)
  秋葉先生の発表．書き起こしと認識結果から単語の対応確率を求め，それを元にVector Space Modelを作る．
• Open-Vocabulary Spoken-Document Retrieval Based on Query Expansion Using Related Web Documents (NEC)
  入力クエリが含まれた文書をダウンロードし，その文書と音声書き起こしの類似度を使って検索する．うちでやろうとしている方法と非常に良く似ている(全く 同じではないが)．
• Discriminative Graph Training for Ultra-Fast Low-Footprint Speech Indexing (IBM)
  WFSTの遷移確率を識別学習．
• Topic Segmentation and Indexation in a Media Watch System (INESC-ID/IST)
  ポルトガル語ニュースの分割とインデクシング．
  
• Vocabulary Independent Discriminative Term Frequency Estimation (University of Maryland)
  音声中(音素ラティス中)の単語の出現頻度の推定．Vector Space Model の要素として使う．
  ラティス中のパスの確率→n-gram(+平滑化)→generalized additive model．
• Spoken Keyword Spotting via Multi-Lattice Alignment (University of Washington)
  音声で音声を検索．両方ともラティス表現．