要約
本稿では、接続主義的時系列分類（CTC）に着想を得た特殊な状態トポロジーを採用した、条件付き確率場（CRF）に基づく単段階（SS）音響モデルを提案する。これを短縮してCTC-CRFと呼ぶ。CTC-CRFは概念的に単純であり、下位のニューラルネットワークから生成された特徴量の上に、特別な状態トポロジーを持つCRF層を構築することで実現される。SS-LF-MMI（ラティスフリー最大相互情報量）と同様に、CTC-CRFはGMM-HMMの事前学習や木構造の構築を必要とせず、スクラッチからの学習（フラットスタート）が可能である。WSJ、Switchboard、Librispeechの各データセットにおいて評価実験を実施した。直接比較の結果、単純な双方向LSTMを用いたCTC-CRFモデルは、単音素（mono-phones）および単文字（mono-chars）の両設定において、すべてのベンチマークデータセットで強力なSS-LF-MMIを一貫して上回った。さらに、CTC-CRFはSS-LF-MMIに見られる一部の任意的な操作（ad-hoc operation）を回避できる点でも利点がある。