深層学習を用いた音声認識において、CTC（Connectionist Temporal Classification）が用いられる主な理由として、最も適切なものはどれか。
- 1音声波形を短時間フーリエ変換し、人間の聴覚特性に合わせたメル尺度の特徴量に変換するため。
- 2ある話者の音声を、発話内容を保ったまま別の話者の声質に変換するため。
- 3複数の音源が混ざった音声から、目的とする話者の音声だけを分離するため。
- 4入力音声のフレーム数と出力する文字列の長さが異なり、各フレームと文字の対応関係が与えられていなくても学習できるようにするため。
正解と解説を見る
正解：4
CTCは「空白（ブランク）」という特別なラベルを導入し、入力フレームと出力ラベルの対応として考えられるすべての並べ方の確率を足し合わせて損失を計算します。そのため、フレームごとの正解ラベル（アラインメント）がなくても、音声と文字列の組だけでモデルを学習できます。選択肢1はメルスペクトログラムやMFCCなどの特徴量抽出、選択肢2は声質変換、選択肢3は音源分離の説明で、いずれもCTCの役割ではありません。CTCは「入力と出力の長さが異なり、対応関係も分からない系列どうしを学習するための損失関数」と押さえておきましょう。
根拠：Graves et al.（2006）Connectionist Temporal Classification