For the practical speech recognition system, the ability to reject the out-of-vocabulary(OOV) is required. This paper describes a rejection methods in hidden Markov model(HMM) based speech recognition system. Rejection is performed based on criterion called confidence measure. Subword normalized confidence measure is proposed and compared with other confidence measures. Using this confidence measure discriminative training methods such as minimum classification error (MCE) training, minimum verification error(MVE) training are used to enhance the performance of rejection capability compared to maximum likelihood(ML) training method. Finally, using speaker adaptation technique we improved the rejection capability.
Experiments were conducted with 445 phoneme balanced isolated words spoken by 40 persons. 30 persons are used for training and 10 persons are used for test. 10% of 445 words are used for OOV. The results show that proposed confidence measure improves rejection capability and has no need of extra modeling of OOV. Discriminative training and speaker adaptation technique also improve rejection capability over ML trained system.
실용적인 음성인식 시스템을 위해서는 오입력 거절 기능이 필요하다. 이 논문은 HMM 음성인식 시스템에서의 오입력 거절 기법에 대해 다루었다. 오입력 거절은 신뢰도라는 일정한 기준에 따라 실행된다. 서브워드 규준화를 이용한 신뢰도가 제안되었으며 다른 신뢰도와 비교하였다. 이 신뢰도를 이용하여 최소 분류 에러 학습이나 최소 검증 에러와 같은 분별학습 방법을 이용하여 ML 학습 방법에 비해 성능을 높였다. 실험은 40 명이 발음한 음소적으로 균형을 이룬 445 단어를 이용하였다. 이중 30 명은 학습에 사용되었고 10명은 테스트에 사용되었다. 445단어중 10%는 오입력 실험에 사용되었다. 결과를 보면 제안된 신뢰도는 오입력 거절 성능을 높였고 별도로 오입력을 모델링할 필요가 없다. 분별학습이나 화자 적응 방법을 이용하여 ML 방법으로 학습된 시스템에 비해 오입력 거절 성능을 높였다.
