3月17日（水）

SLP-P1.1: FINDING EMOTIONALLY INVOLVED SPEECH USING IMPLICITLY PROXIMITY-ANNOTATED LAUGHTER (CMU)
ミーティングの録音の中から笑い声を検出する。
 
SLP-P1.2: LATE FUSION OF INDIVIDUAL ENGINES FOR IMPROVED RECOGNITION OF NEGATIVE EMOTION IN SPEECH ? LEARNING VS. DEMOCRATIC VOTE (Technische Universitaet Muenchen)
Aiboと子供の対話データベースから、否定的感情音声を認識する。複数の認識システムで感情認識をして、ROVERで多数決。
 
SLP-P1.3: GLOTTAL FEATURES FOR SPEECH-BASED COGNITIVE LOAD CLASSIFICATION (University of New South Wales)
音声から心的負荷を認識する。タスクは色の付いた色彩語（緑色の“red”とか）の読み上げ。MFCCだけを使うよりも、推定された声帯音源波の特徴を加えた方が認識率が上がる。声の質(creakyかどうか)などが関連するという主張。
 
SLP-P1.4: STATISTICAL PHONE DURATION MODELING TO FILTER FOR INTACT UTTERANCES IN A COMPUTER-ASSISTED PRONUNCIATION TRAINING SYSTEM (Chinese University of Hong Kong)
Helen Mengが発表。発音トレーニングシステムで、そもそも指定された単語や文でないものを発声した場合に、評価せずに棄却するための方法。単純に認識尤度や それに基づく信頼度を使うよりも、音素継続長分布だけに基づく尤度をanti-modelで正規化したスコアの方が棄却性能が高い。
 
SLP-P1.5: TOWARD ROBUST LEARNING OF THE GAUSSIAN MIXTURE STATE EMISSION DENSITIES FOR HIDDEN MARKOV MODELS (University of Illinois at Urbana-Champaign)
GMMの学習の時に、最初から分布数を決めうちするのではなく、学習しながら少しずつ分布を増やしていく方法。分布数を決めうちしてforward-backward学習をするよりも、多くの分布を使える（と期待される）。音声の感情認識タスクで評価。
 
SLP-P1.7: PREDICTING INTERRUPTIONS IN DYADIC SPOKEN INTERACTIONS (University of Southern California)
対話において、いましゃべっている人の声と、聞いている人の顔画像の特徴から、次の発話交代の時に発話をさえぎるかどうか(interruption)を認識する。Hidden CRFを使ったときに性能が向上。
 
SLP-P1.8: CLASSIFYING LAUGHTER AND SPEECH USING AUDIO-VISUAL FEATURE PREDICTION (Imperial College London)
通 常音声と笑い声の認識。音声と顔画像の特徴の両方を使う。通常音声と笑い声について、音声特徴から顔特徴を推定する変換と、その逆の変換を学習しておく。 新たな顔画像と音声が入力されたとき、「笑い」と「通常音声」の両方について、それぞれの変換関数で変換した特徴と本物の特徴との誤差を調べ、誤差が小さ い方に認識する。何でこういう認識方法を使ったのかよくわからない。
 
SLP-P1.9: AUTOMATIC SENTENCE BOUNDARY DETECTION IN CONVERSATIONAL SPEECH: A CROSS-LINGUAL EVALUATION ON ENGLISH AND CZECH (University of West Bohemia)
文認識結果の単語列と、韻律情報を使って、文境界を推定する。英語とチェコ語について実験をしたが、チェコ語の方が難しい。
 
SLP-P1.10: EVIDENCE FOR THE STRENGTH OF THE RELATIONSHIP BETWEEN AUTOMATIC SPEECH RECOGNITION AND PHONEME ALIGNMENT PERFORMANCE (Oxford University)
HMMの音声認識性能と、それを使った強制アラインメントの精度には相関があるという話。それはそうでしょう。
 
SLP-P1.12: USING THE AMAZON MECHANICAL TURK FOR TRANSCRIPTION OF SPOKEN LANGUAGE (CMU)
Amazon の mechanical turk という仕組みを使って、多数の人に音声書き起こしを発注して、どの程度使いものになるのかを調べた。性別、母語／非母語話者、報酬額による差を調べたが、 報酬による精度の差はなかった。払う金額で精度に差があるか調べようと思うところが、何というか、さすがアメリカ人という感じ。

SLP-L1.1: POWER LAW DISCOUNTING FOR N-GRAM LANGUAGE MODELS (University of Edinburgh)
Interpolated K-N discountingの改良。Hierarchical Pitman-Yoh LM はPitman-Yoh Process を事前分布とする。性能はよいが計算量が多い。計算量を削減するために、HPYLMの簡略版であるPower Law Discounting LMを提案。 形としてはAbsolute discountingに項を1つ足したようなものになる。特別な場合としてIKNを包含。認識性能はわずかに向上。
 
SLP-L1.2: DISCRIMINATIVE TRAINING METHODS FOR LANGUAGE MODELS USING CONDITIONAL ENTROPY CRITERIA (University of Illinois at Urbana-Champaign)
言語モデルの識別学習をする。音声データがない場合は、音素の誤り傾向から単語系列を生成して、そこから識別学習をする。WFST利用。データがある場合は認識結果のn-best list から学習。
 
SLP-L1.3: CONTINUOUS SPACE LANGUAGE MODELING TECHNIQUES (IBM T. J. Watson Research Center)
LSAで単語を空間上の点に変換してモデル化する。バイグラムの（直前の単語、次の単語）の2つの関係を行列で表現し、特異値分解で次元を低減。HMM型とNN型LM。パラメータを減らす為にtied-mixtureを導入。Tied-Mixtureを使った方が高性能。

SS-L5.4: HMM-BASED APPROACH FOR AUTOMATIC CHORD DETECTION USING REFINED ACOUSTIC FEATURES (University of Tokyo)
HMMによるコード進行認識。基本的には音響学会で聞いたのと同じ話。前半は嵯峨山先生が概論について話し、後半は学生さんが各論。デモが豊富でよかった。
 
SS-L5.5: CYCLIC TEMPOGRAM - A MID-LEVEL TEMPO REPRESENTATION FOR MUSIC SIGNALS (Saarland University and MPI Informatik)
テンポに対してクロマベクトルと同じような処理をしたものを提案。相対的なテンポを表現し、少ない次元でテンポ変化を表現することができる。豊富なデモと視覚化でわかりやすかった。
 
SS-L5.6: NOTE ONSET DETECTION USING RHYTHMIC STRUCTURE (University of Vigo)
音 符の立ち上がり検出。Resonance Time-Frequency Imageから8オクターブサブバンド上でのオンセット検出を行い、統合する方法が基本。オンセットのピーク検出にはＤＰを使うが、そのときにリズム制約 をＤＰ漸化式に導入する。それまでのリズムから予測される時間間隔でのピークを検出しやすくする。

SP-L6.1: ASPECT-MODEL-BASED REFERENCE SPEAKER WEIGHTING (Tohoku University)
咸さんの発表。非常によく練習していた。MLLRとの比較についての質問があった。

 
SP-L6.2: SPEAKING RATE ADAPTATION USING CONTINUOUS FRAME RATE NORMALIZATION (IBM T. J. Watson Research Center)
話速変動に対応した適応手法。話速の推定は音素継続長による。わずかに改善。
 
SP-L6.3: A NOVEL ESTIMATION OF FEATURE-SPACE MLLR FOR FULL-COVARIANCE MODELS)\ (Saarland University)
fMLLRをまともにやると時間がかかる。Subspace MLLRは、複数のfMLLR行列の和で新しいfMLLR行列を推定する方法。この発表では、その両方について新しい推定アルゴリズムを提案すると言うことだが、詳細はよくわからなかった。

SP-L6.4: ON THE USE OF FEATURE-SPACE MLLR ADAPTATION FOR NON-NATIVE SPEECH RECOGNITION (Gwangju Institute of Science and Technology)
非母語話者の音声認識にfMLLRを使う。寝てたので詳細はよくわからず。

SP-L6.5: DISCRIMINATIVE LINEAR?TRANSFORM BASED ADAPTATION USING MINIMUM VERIFICATION ERROR (Georgia Institute of Technology)
HMMベースの照合をする場合のパラメータの線形変換。MLLRと違い、モデルと反モデルの両方を変換する必要がある。分類誤りを最小化する基準で変換行列を推定する。タスクは特定のクラスの音素検出。
 
SP-L6.6: ADAPTING NOISY SPEECH MODELS - EXTENDED UNCERTAINTY DECODING (Queen's University Belfast)
Uncertainty decodingは、fMLLRで各モデルの分散も同時に更新する方法だが、分散が広がることを前提としている。雑音適応でマルチコンディションモデルを 出発点とするときには、適応により分散が小さくなるので、その場合に使える適応手法を提案する。