問題 No.785
音声認識において、発話された音声データの時間的な長さ（フレーム数）と、対応するテキストの文字数は一般に一致せず、またどの音声区間がどの文字に対応するのか（アライメント）の正解ラベルを与えることは極めて困難である。この課題を解決するため、文字の間に空白（ブランク）のトークンを導入し、すべての可能なアライメントの確率を足し合わせることで、明示的な位置合わせのラベルなしでニューラルネットワークをエンドツーエンドで訓練可能にする損失関数・アルゴリズムはどれか。
【正解の解説】
CTC
音声と文字の対応位置が分からなくても、空白を挟むことで自動的に最適解を見つけて学習できる手法です。音声認識の標準的な技術です。
スポンサーリンク
【その他の選択肢の解説】
BLEU
機械翻訳の精度を評価するための指標です。予測値と正解との一致度を計算するものであり、学習手法ではありません。
MFCC
音声から特徴を取り出すための信号処理技術です。音声認識の入口で使われますが、アライメントの課題を直接解くものではありません。
隠れマルコフモデル
確率モデルに基づいた古典的な音声認識手法です。現在ではニューラルネットワークによる手法に置き換わっています。