JP2000507714A - 言語処理 - Google Patents

Abstract

(57)【要約】 言語認識で使用するための特徴を生成する方法及び装置であって、この方法の構成は、入力言語信号の所定数ｎのフレームの各々について対数フレームエネルギー値を計算し；ｎの対数フレームエネルギー値にマトリックス変換を適用して入力言語信号を表わす時間的マトリックスを形成することを含む。このマトリックス変換は離散的余弦変換である。

Description

【発明の詳細な説明】 言語処理 この発明は言語（発話）認識と、とくに言語認識で使用する特徴生成とに関す る。 自動言語認識システムは一般に特定使用のために設計されている。例えば、一 般公衆によってアクセスされることになるサービスはどんな使用者からの言語も 認識するように設計された汎用言語認識システムを要求する。自動言語認識器で ある使用者に特有のデータと関係づけられたものが使用されて、（いわゆる話者 認識という）使用者の申請した識別子を検証するかあるいは使用者を認識するか のいずれかで使用されている。 自動言語認識システムはマイクロホンから入力信号を直接又は間接に（たとえ ば、遠隔通信リンクを経由して）受領する。この入力信号は次に言語処理システ ムによって処理されて、そこでは、継続する時間区分（セグメント）もしくはフ レームに一般には分けられて、時間変動する入力信号の特性についての適切な（ スペクトルの）表現を作ることになる。スペクトル解析の共通な技術は線形予測 符号化（ＬＰＣ）とFourier変換とである。次に、スペクトル測定が一組のもし くはベクトルの特徴に変換され、この特徴が入力信号についての広い音響的性質 を記述する。もっとも共通した特徴で言語認識に使用されるものはmel-（メル） 周波数セプストラル（cepstral）係数（ＭＦＣＣｓ）である。 この特徴ベクトルは次に複数のパターンであって何らかの形で単語（複数）（ またはその一部）とか語句（フレーズ）で認識すべきものを表わすか、それらと 関係しているものと比較される。この比較の結果は認識されたと考えられている 単語／語句を示す。 言語認識でのパターン整合のやり型は一般に２つの技術のうちの１つを包含し ている。すなわち、テンプレートマッチング（型整合）が統計的モデリング（モ デル形成）である。前者の場合には、テンプレートがある単語を表わす典型的な 言語信号のスペクトル性質を表わすように形成される。各テンプレートはその言 語の経続期間にわたるスペクトルフレームを連結したものである。あるパターン に対する言語フレームの典型的なシーケンスはここで平均化プロセスによって作 り出されて、入力信号がこれらのテンプレートと比較される。よく知られかつ広 く使われている統計的方法の１つでありパターンのフレームのスペクトル性質を 特性づけるものに隠れたMarkovモデル（ＨＭＭ）手法がある。ＨＭＭ（あるいは 他の統計モデルについてもその）の根底にある仮定は言語信号がパラメトリック ・ランダム・プロセスとして特性が決まることと、推計学的プロセスのパラメー タが精巧なよく定義されたやり方で決めることができるということである。 現状のパターン整合技術、とくにＨＭＭについてよく知られている欠点は、特 徴抽出の相関を利用するための有効な方法手段が欠除していることである。左右 ＨＭＭは、言語スペクトル特性がある状態から次の状態への時間変化をモデル化 する時間構造を用意するが、各状態内部では観測ベクトルは独立していてしかも 全く同じに分布している（Independent and Identically Distributed）のであ る。ＩＩＤ仮定は継続する言語ベクトル間に相関がないことを述べている。これ は各状態内部では、言語ベクトルが同一の確率密度関数（ＰＤＦｓ）と関係して いて、それらが同じ意味と共分散（covariance）をもっていることを黙示的に意 味している。さらに、これがスペクトルの時間軌跡は各状態内部でランダムに揺 らいでいる曲線であって定常平均値をもっていることを意味している。しかし、 現実にはスペクトルの時間軌跡は１つの言語事象から次のものへと動くときには はっきりとした方向を明らかにもっている。 ＩＩＤ仮定のスペクトルベクトルによるこの食い違いはＨＭＭの性能の限界を 作るのに貢献している。言語特徴に何らかの時間情報を含めることは、言語が定 常的な独立プロセスであるとする仮定がもたらす効果を緩和し、認識プロセスを 改良するために使用できる。 特徴ベクトル内に時間情報を包含できるようにする通常の方法は特徴ベクトル にセプストラム（cepstrum）の第１次及び第２次微分を付帯させることである。 数学的にもっと絶対的な言語ダイナミックスの表現は、セプストラル・時間マト リックスであり、これは余弦変換を用いて時間情報を符号化するものであり、BP Milner and S V Vaseghi,“An analysis of cepstral-time feature matrices for noise and channel robust speech recognition”,Proc.Eurospeech,pp519- 522,1995に記述されている。 セプストラル・時間マトリックス、Ｃ_t（ｍ，ｎ）はスペクトル・時間マトリ ックスに二次元（２−Ｄ）離散的余弦変換（ＤＣＴ）を適用するか、あるいはメ ル周波数セプストラル時間係数（ＭＦＣＣ）言語ベクトルのスタッキング(stack ing)に一次元（１−Ｄ）ＤＣＴを適用するかのいずれかによって得られる。Ｍの Ｎ次元対数フィルタバンクベクトルが一緒にまとめられて（スタックされて）ス ペクトル・時間マトリックス、Ｘ_t（ｆ，ｋ）を作る。ここでｔは時間フレーム を、ｆはフィルタバンクチャンネルを、またｋはマトリックス内の時間ベクトル を示す。次にスペクトル・時間マトリックスは二次元ＤＣＴを用いてセプストラ ルマトリックスに変換される。二次元ＤＣＴは２つの一次元ＤＣＴｓに分割され るので、セプストラル・時間マトリックスの別の実現法は一次元ＤＣＴをＭの通 常のＭＦＣＣベクトルで成るマトリックスの時間軸に沿って適用することである 。 この発明の第１の特徴によると、言語認識で使用するための特徴を生成するの 方法が用意され、この方法の構成は入力言語信号の所定数ｎの各々について対数 フレームエネルギーを計算し；このｎの対数フレームエネルギー値に変換を適用 して入力言語信号を表わす時間ベクトルを形成するようにすることを含む。 言語遷移ダイナミックスは時間ベクトル内部で黙示的に(implicitly)に作られ 、微分値が付帯されているセプストラルベクトルで得られる明白な(explicit)表 現と比較される。したがって、このようなマトリックスで訓練されたモデルは、 逆変換が適用できるという利点があり、雑音に対する丈夫さを改善するために並 列モデル組合せ（ＰＭＣ）のような技術のために線形フィルタバンク領域に戻す 変換が可能となる。 この変換は離散的な余弦変換であってよい。時間マトリックスは切り詰められ ていてｎ要素よりも少ないものを含んでいるのが望ましい。このことは良い性能 を作りしかも実行する計算量を減らすということが発見された。マトリックスの 定常状態（ｍ＝０）列は省略されてよく、それによって線形たたみ込みチャンネ ルひずみによる言語信号のひずみの除去をすることになりマトリックスにチャン ネルの丈夫な特徴を与える。 この発明は言語認識の方法に係り、この発明の特徴生成方法を含んでいるもの である。 この発明の別の特徴によると、言語認識で使用するための特徴生成装置が用意 されており、その構成は： 入力言語信号の所定数ｎのフレームの各々についてのエネルギーの対数を計算 するためのプロセッサと； 入力言語を表わす時間ベクトルを形成するためにこのように計算されたｎの対 数エネルギー値に変換を適用するためのプロセッサとから成る。 この発明の特徴生成手段は言語認識装置とともに使用するのに適しており、か つまたこのような装置とともに使用するための認識データを生成するためのもの でもある。 この発明をここで例として添付の図面を参照して記述して行く。 図１は遠隔通信環境において言語認識器を採用することを模式的に示す。 図２は言語認識器を模式的に示すものである。 図３はこの発明による特徴抽出器の１実施例の部品を模式的に示す。 図４はKarhunen-Loeve変換を決めるための段階を示す。 図５は図２の言語認識器の通常の言語分類器形成部分の部品を構式的に示す。 図６は図５の分類器の動作を模式的に示す流れ図である。 図７は図２の言語認識器の通常のシーケンサの部品を模式的に示す構成図であ る。 図８は図７のシーケンサのメモリ構成部分内のフィールド内容を模式的に示す 。 図９は図７のシーケンサの動作を模式的に示す流れ図である。 図１を参照すると、言語認識を含む遠隔通信システムが一般に、マイクロホン １（典型的なものは電話ハンドセットの一部を成している）、遠隔通信網２（典 型的なものは公衆交換遠隔通信網（ＰＳＴＮ））、言語認識器３で網２から音声 信号を受領するための接続がとられているもの、及び言語認識器３に接続されて いて、そこから音声認識信号を受領するようにされた利用する装置４とを含んで いる。ここでこの音声認識信号は特定の単語又は語句の認識などを示しており、 利用する装置はそれに応答して動作をするものである。例えば、利用する装置４ は遠隔動作端末であって、銀行取引業務や情報サービスなどを実行するためのも のであってもよい。 多くの場合に、利用する装置４は使用者に向けて可聴応答を生成することにな り、網２を経由して典型的な場合として使用者のハンドセットの構成部品である ラウドスピーカ５に送る。 動作時には、使用者はマイクロホン１に向って話をし、信号がマイクロホン１ から網２内に送られて言語認識器３に向う。言語認識器は言語信号を解析して、 特定の単語又は語句を認識したとかその他を示す信号が生成されて、利用する装 置４に送られ、次にそこでは言語の認識の場合には適切な動作がとられる。 一般に、言語認識器３はマイクロホン１から網２へ向いそこを通る信号がとる 経路にるいては無知である。非常に多くの種類または品質のハンドセットのどれ が使われてもよい。同様に、網２の内部では、いろいろな伝送路のいずれかの１ つがとられてよく、無線リンクでも、アナログ及びディジタル経路等々であって よい。したがって、言語認識器３に到達する言語信号Ｙはマイクロホン１で受け た言語信号Ｓをマイクロホン１と、網２に至るリンクと、網２を通るチャンネル と、言語認識器３に至るリンクとの変換特性（これをまとめて単一の伝達特性Ｈ と表わすことにする）でたたみ込んだものに対応している。 一般に、言語認識器３は言語についてデータを取得する必要があり、この言語 に対しては言語信号が確認されることになり、このデータ取得は動作の訓練モー ドで言語認識器によって実行され、この訓練モードでは言語認識器３はマイクロ ホン１から言語信号を受けて、その単語又は語句に対する認識データを形成して いる。しかし、言語認識データを取得するための他の方法もまた可能である。 図２を参照すると、言語認識器は（ディジタル網からかあるいはアナログディ ジタル変換器から）ディジタル形式で言語を受領するための入力３１と；ディジ タルサンプルの列を連続するサンプルのフレーム列に区分するためのフレーム生 成器３２と；サンプルのフレームから対応する特徴ベクトルを生成するための特 徴抽出器３３と；特徴ベクトルの列を受領して認識結果を生成するための分類器 ３４と；どの入力信号が最高類似度をを示しているかについて所定の話声を判断 するためのシーケンサ３５と；認識信号が供給されて認識された言語話声を示す ようにする出力ポート３５とで成る。 前述したように、言語認識器は一般に訓練段階（フェーズ）の間に認識データ を得る。訓練中は、言語信号は言語認識器３に入力されて、特徴が特徴抽出器３ ３により、この発明に従って、抽出される。この特徴は後の認識のために言語認 識器３により記憶される。この特徴は例えば、以下で述べるように言語処理でよ く知られている技術である、隠れたMarkovモデル（ＨＭＭ）によってモデル化さ れたような便宣的ないずれかの形式で記憶されてよい。認識の際には、特徴抽出 器は未知の入力信号から同じような特徴を抽出して、未知信号の特徴を認識すべ き各単語／語句に対して記憶した特徴と比較する。 簡単のために、認識段階での言語認識器の動作を下記に示す。訓練段階では、 抽出された特徴は、既知技術のように適当な分類器３４を訓練するために使われ る。フレーム生成器３２ フレーム生成器３２は、例えば８，０００サンプル／秒の割合で言語サンプル を受領して、２５６の連続サンプルで成るフレームを、毎１６ｍｓで１フレーム のフレームレートで形成するようにされている。 各フレームは窓がけがされていて（すなわち、フレームの端に向けられたサン プルは所定の重み付け定数で乗算されていて）それには、例えばHamming窓が用 いられて、フレーム端（エッジ）によって生成される寄生の人工物（スプリアス ノイズ）を減らすようにしている。好ましい実施例では、フレームは（例えば５ ０％だけ）重なっていて、窓がけの効果を改善するようにしている。特徴抽出器３３ 特徴抽出器３３はフレーム生成器３２からフレームを受領して、各フレームか ら特徴もしくは特徴のベクトルを生成する。図３はこの発明による特徴抽出器の 実施例を示す。別の手段が他の特徴、たとえばＬＰＣセプストラル係数又はＭＦ ＣＣｓを生成するために用意されてもよい。 各フレームｊで到来する言語信号のものがプロセッサ３３１に入力され、そこ ではデータのフレームの平均エネルギーが計算される。言い換えれば、エネルギ ー計算器プロセッサ３３１が次式を計算する ここでχ_iはフレームｊ内のサンプルｉのエネルギー値である。 対数プロセッサ３３２は次にフレームｊについてこの平均値の対数をとる。こ の対数エネルギー値はバッファ３３３に入力され、そこにはｎフレーム、例えば ｎ＝７、に対する対数エネルギー値を記憶するのに十分な長さがある。７フレー ム分のデータが計算し終ると、スタックされたデータが変換プロセッサ３３４に 向けて出力される。 フレームエネルギーベクトル又は時間マトリックスの形成にあたっては、スタ ックされた対数エネルギー値のスペクトル・時間ベクトルで変換プロセッサ３３ ４に入力されるものが変換マトリックスにより乗算される。すなわち ＭＨ＝Ｔ ここでＭはスタックされた対数エネルギー値のベクトルであり、Ｈは変換であ って時間情報を符号化できるものであり、Ｔはフレームエネルギーベクトルであ る。 変換Ｈの列は時間情報を符号化するための基礎関数である。時間情報を符号化 するこの方法を用いると、広い範囲の変換が時間変換マトリックスＨとして使用 できる。 変換Ｈは時間情報を符号化する。すなわち変換Ｈは対数エネルギー値スタック の共分散マトリックスが対角化されるようにする。言い換えると、対数エネルギ ー値の共分散マトリックスの対角線上にない要素（すなわち、対角化させないも の）がＨ変換されて零となる。共分散マトリックスの対角線上にない要素はそれ ぞれのサンプル間の相関の程度を示している。この結果を生む最適変換はKarhun en-Loev（ＫＬ）変換であってこのことはN S Jayant and P Noll著“Digital co ding of Waveforms”、Prentice-Hall、1984という本に記述されている。 特徴ベクトルによって伝えられる時間情報を符号化するために最適のＫＬ変換 をを見付けるためには、そのベクトルの継続する相関についての統計が必要とな る。この相関情報を用いると、ＫＬ変換が計算できる。図４は言語データからＫ Ｌ変換を判断する際に含まれるプロセスを示している。 ＫＬ変換を正確に判断するためには、訓練データの全体の組が先ず対数エネル ギー値としてパラメータ化される。ベクトルχ_tで時間的に継続する対数エネル ギー値が生成される。 ｘ_t=[C_t,C_t-1,・・・・C_t+n-1] 訓練組を横断したこれらのベクトルの全体組から、共分散マトリックスΣ_xxが 計算され、Σ_xx＝Ｅ｛ｘｘ^T｝−μ_xμ_x ^Tであり、ここでμ_xは対数エネルギー値 の平均ベクトルである。 ここから分るように、これは相関マトリックスＥ｛ｘｘ^T｝と密接に関係して おり、したがって、言語の時間的ダイナミックスに関係する情報を含んでいる。 ＫＬ変換は共分散マトリックスの固有ベクトル（アイゲンベクトル）から決めら れ、例えば特異値分解（Singular value decomposition）を用いて計算できる。 ここで Ｈ^TΣ_xxＨ＝dia(λ₀λ₁,・・・,λ_M)＝Λ である。 結果として得られるマトリックスＨは共分散マトリックスの固有ベクトルから 作られている。これらはそれぞれの固有値、λ_j、の大きさに従ってランク付け されている。このマトリックスはＫＬで求めた時間変換マトリックスである。 他の多項式を用いて時間変換マトリックスを生成することができ、例えばLege ndre,Laguerreなどがそれである。ＫＬ変換は訓練データの各組に対して自分自 身の変換を計算する必要があって複雑である。代りに離散的な余弦変換（ＤＣＴ ）を使用してもよい。この場合には、変換プロセッサ３３４はｎのフレームに対 する対数エネルギー値に関してスタックされたデータのＤＣＴを計算する。 一次元ＤＣＴは次のように定義される。 ここで、ｆ（ｉ）はフレームｉに対する対数エネルギー値であり、 ｕは０ないしｎ−１の整数である。 変換プロセッサ３３４はデータのｎフレームから生成されたｎのＤＣＴ係数を 出力する。これらの係数は入力信号のエネルギーレベルに関するフレーム・エネ ルギーベクトルを形成する。 フレームエネルギーベクトルは入力信号の継続するｎフレームの各々に対して 形成され、例えばｎ＝７ではフレーム０ないし６、１ないし７、２ないし８等々 となる。このフレームエネルギーベクトルは言語の１つのフレームに対する１つ の特徴ベクトルの一部となっている。この特徴は他の特徴である例えばＭＦＣＣ ｓや微分ＭＦＣＣを拡大する（そこに付帯させる）ために使用できる。分類器３４ 図５を参照すると、分類器３４は通常の設計のものであり、この実施例では、 ＨＭＭ分類用プロセッサ３４１、とＨＭＭ状態メモリ３４２と、モードメモリ３ ４３とで成る。 状態メモリ３４２は状態フィールド３４２１，３４２２…を含み、認識される べき複数の言語部分の各々と対応している。例えば、状態フィールドは状態メモ リ３４２内に備えられていて、認識することになる単語の各フォニームと対応し ていてよい。また雑音／静寂に対する状態フィールドがあってもよい。 状態メモリ３４２内の各状態フィールドはポインタフィールド３４２１ｂ，３ ４２２ｂ，…を含み、モードメモリ３４３内のモードフィールド組３６１，３６ ２…に対するポインタアドレスを記憶している。各モードフィールド組は複数の モードフィールド３６１１，３６１２…を含み、その各々は問題となっている状 態を特徴づける特徴係数値の多次元ガウス分布を定義するデータを含んでいる。 例えば、もし各特徴内にｄの係数があるとすると（例えば第１のＭＦＣＣ係数と この発明のエネルギーマトリックスの７つの係数を言う）、各モードフィールド ３６１１，３６１２…内に記憶されているデータで各モードを特徴づけているも のは：定数Ｃ、１組のｄの特徴平均値μ_i、及び１組のｄの特徴偏差値Ｊ_iであり 、別な言葉で言えば全部で２ｄ＋１の数である。 モードフィールド３６１１，３６１２…で各モードフィールド組３６１，３６ ２…内にあるものの数Ｎ_iは変数である。モードフィールドは訓練段階で生成さ れて、特徴抽出器により求められた特徴を表わしている。 認識の際には、分類プロセッサ３４はメモリ３４２内部の各状態フィールドを 順に読取るようにされ、各々に対して、この発明の特徴抽出器３３によって出力 される現在の入力特徴係数組を用いて、入力特徴組又はベクトルが対応する状態 に対応する確率を計算する。これをするために、図６で示したように、プロセッ サ３４１は状態フィールド内のポインタを読み取り；ポイントされているモード メモリ３４３内のモードフィールド組にアクセスし；モードフィールド組内部の 各モードフィールドｊに対して、モード確率Ｐ_jを計算するようにされている。 次にプロセッサ３４１はモードの確率Ｐ_jを合算して状態確率を計算する。し たがって、分類プロセッサ３４１の出力は複数の状態確率Ｐであり、状態メモリ ３４２内の各状態に１つずつあって、入力特徴ベクトルが各状態に対応していそ うな程度を示している。 図６は分類器プロセッサ３４１の動作を単に例示したにすぎないと理解されよ う。実際には、モード確率は各々が１度計算されて、一時的に記憶されて、モー ドが対応する現象に関係した状態確率のすべての計算で使用されることとしてよ い。 分類器プロセッサ３４１は適切にプログラムされたディジタル信号処理（ＤＳ Ｐ）デバイスでよく、とくに特徴抽出器３３と同じディジタル信号処理デバイス でよい。シーケンサ３５ 図７を参照すると、シーケンサ３５は通常設計のものであり、この実施例では 、状態確率メモリ３５３と、状態シーケンスメモリ３２５と、解剖用プロセッサ ３５１と、シーケンサ出力バッファ３５４とで成り、このうち状態確率メモリ３ ５３は処理された各フレームに対して、分類器プロセッサ３４１により出力され た状態確率を記憶する。 状態シーケンサメモリ３５２は複数の状態シーケンスフィールド３５２１，３ ５２２，…を含み、その各々は、ここの例では、フォニームの糸（ストリング） で成る、認識されることになる単語又は語句のシーケンスに対応している。状態 シーケンスメモリ３５２内の各状態シーケンスは、図８に示すように、多数の状 態Ｐ₁，Ｐ₂，…Ｐ_Nと、各状態に対して２つの確率すなわち繰返し確率（Ｐ_i1） と後続状態への遷移確率（Ｐ_i2）とを含む。一連のフレームと関係した状態につ いての観測したシーケンスはそこで各状態シーケンスモデル３２５１などでの各 状態Ｐｉのいくつかの繰返しを含むことになり、例えば： 図９に示すように、シーケンス用プロセッサ３５１は、各フレーム時間で、分 類器プロセッサ３４１によって出力された状態確率と状態メモリ３５３内に前に 記憶した状態確率とを読み、かつ時の流れに従ってここまでに最もありそうな経 路またこれを状態シーケンスメモリ３５２内に記憶された状態シーケンスの各々 と比較する。 この計算はよく知られている隠れたMarkovモデル方法を採用しており、この方 法は“Hidden Markov Models for Automatic Speech Recognition:theory and a pplications”S.J.Cox,British Telecom Technology Journal,April1988，ｐ１ ０５、に記載されている。便利なことに、ＨＭＭ処理としてシーケンス用プロセ ッサ３５１で実行されるものは良く知られているＶｉｔｅｒｂｉアルゴリズムを 使用する。シーケンス用プロセッサ３５１は、例えばＩｎｔｅｌ^(TM)ｉ−４８６^(TM) マイクロプロセッサとか、Motorota^(TM)68000マイクロプロセッサであって よいし、または代ってＤＳＰデバイス（例えば前段のプロセッサのいずれかとし て採用されたのと同じもの）であってもよい。 したがって、各状態シーケンス（認識されることになる単語、語句もしくは他 の言語シーケンス）に対して、確率得点（スコア）が入力言語の各フレームでシ ーケンス用プロセッサ３５１により出力される。例えば状態シーケンスは電話デ ィレクトリ（番号帳）内の名前を含んでいてよい。話声の終りが検出されると、 最もありそうな状態シーケンスを示すラベル信号がシーケンス用プロセッサ３５ １から出力ポート３８に出力されて、対応する名前、単語又は語句が認識された ことを示す。

【手続補正書】 【提出日】１９９８年５月８日（１９９８．５．８） 【補正内容】 （１）明細書第１１頁７行に「路またこれ」とあるのを下記の通り訂正する。 記 「路を計算し、またこれ」

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，Ｌ Ｕ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ， ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＫＥ，ＬＳ，ＭＷ，Ｓ Ｄ，ＳＺ，ＵＧ)，ＵＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ， ＣＮ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，Ｇ Ｂ，ＧＥ，ＧＨ，ＨＵ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ， ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，Ｎ Ｏ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ ，ＳＩ，ＳＫ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ， ＵＳ，ＵＺ，ＶＮ，ＹＵ

Claims (1)

1. 【特許請求の範囲】 １． 言語応答装置と使用するための特徴を生成する方法であって、所定数ｎ の入力言語信号のフレームの各々の対数フレームエネルギー値を計算し、かつｎ の対数フレームエネルギー値に変換マトリックスを適用して入力言語信号を表わ す時間マトリックスを形成することで成る方法。 ２． 入力信号のｎのフレームの重なっている群を継続する特徴が表わわして いる請求項１記載の方法。 ３． 前記変換マトリックスが離散的余弦変換である請求項１又は２記載の方 法。 ４． 前記時間マトリックスが切り捨てされていてｎ要素よりも少なくなって いる請求項１ないし３のいずれか１項記載の方法。 ５． 言語認識の方法であって、その構成は： 言語を表わし、かつフレームに分割されている入力信号を受領し；所定数ｎの 入力言語信号のフレームの各々の対数フレームエネルギー値を計算することによ り特徴を生成し； ｎの対数フレームエネルギー値に変換マトリックスを適用して入力言語信号を 表わす時間マトリックスを形成し； 生成された特徴を許容された話声を表わしかつ該特徴と関係している認識デー タと比較しこの比較段階に基づいて認識もしくは他のことを示すことを含む言語 認識の方法。 ６． 前記変換プロセッサはｎの対数エネルギー値に離散的余弦変換を適用す るようにされている請求項５記載の言語認識の方法。 ７． 言語応答装置と使用するための特徴生成用装置であって、所定数ｎの入 力言語信号のフレームの各々のエネルギーの対数を計算するためのプロセッサと ；該ｎの対数エネルギー値に変換を適用して入力言語を表わす時間マトリックス を形成するための計算をするプロセッサとで成る特徴生成用装置。 ８． 変換を適用するプロセッサがｎの対数エネルギー値に離散的余弦変換を 適用するようにされている請求項７記載の特徴生成用装置。 ９． 請求項７又は８記載の特徴生成用装置を含む言語認識装置。 １０． 請求項１の方法により生成された特徴に関係する認識データを受領す るための入力を含む言語認識装置。