Adaptation of Noisy Speech Acoustic Models Considering Variations in Training Noise Signals

잡음음성인식을 위한 여러 가지 기법들 중 HMM(Hidden Markov Model) 모델적응은 다른 방식에 비해서 음성인식기의 성능을 상당히 향상 시키는 것으로 알려져 있다. 또한 깨끗한 음성으로 훈련된 HMM을 베이스라인 인식기로 사용하는 대신 잡음음성으로 미리 훈련된 잡음음성 HMM을 사용하는 경우, 그 효과가 더욱 더 큰 것으로 알려져 있다. 잡음음성 HMM 모델적응을 위한 기존의 연구에서는 인식잡음음성에 대한 확률모델을 유도하는 과정에서 훈련시 사용된 잡음신호를 랜덤변수가 아닌 단순한 파라미터로 취급하는 약점이 있었다. 본 연구에서는 이러한 문제를 해결하기 위하여 훈련잡음신호의 변이를 고려하였으며, 평균벡터와 공분산 행렬을 미리 추정하고 이를 인식잡음음성에 대한 확률모델 계산시에 활용하였다. 잡음음성 HMM의 훈련을 위해서 MTR(Multi-condition TRaining) 방식을 사용하였고 음향모델의 복잡도에 따른 성능 변화를 관찰하기 위하여 HMM의 구조를 2가지로 나누어서 성능 실험을 실시하였다. Aurora 2 음성데이터베이스를 이용한 잡음음성인식 실험결과, 훈련잡음신호의 변이를 고려한 제안된 방식은 MTR 훈련된 잡음음성 HMM에 특징보상과 모델적응을 한 기존의 방식에 비해서 우수한 성능을 보임을 알 수 있었다.