ディクテーションシステムに代表されるように、人が機械に ”聞かせてあげる”ように発声した音声の認識はかなりの精度で出来るようにな った。最近では大量の音声データやコーパスからの学習によるモデルの高精度化 により、2万語彙の音声認識においても実時間で約90%の認識精度が得られるよう になっている。 一方、人間同士が普段話しているような話し言葉音声に対しては 認識精度が30%〜60%というのが現状である。
本論文では話し言葉特有の言語現象のうち、フィラー（間投詞）と ポーズの出現に注目し、フィラーやポーズの出現を考慮した言語モデルの作成 による話し言葉音声認識率の向上手法を提案する。 本手法を用いて作成した言語モデルを使用して認識実験を行い、本手法の有効性 を確認した。