JPH01126694A - 音声認識装置における音韻記号の付加方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔概　要〕 音声認識装置において辞書単８吾の音韻ネットワークに
記述されていない異音の音韻記号を自動的に付加するた
めの音韻記号の付加方式に関し、辞書単語の音韻ネット
ワーク中に記述されていない異音の音韻記号を音声１１
２８時に音韻ネットワーク中の該当音韻位置に自動的に
付加することを目的とし、 認識された音声入力単語の音韻中にパターンマツチング
により選択された辞書単語の音韻ネットワーク中に記述
されていない音韻である異音が発生したときにその音韻
位置を検出し、この音韻位置の音素についての全ての音
韻の音韻パターンを前記辞書単語の音韻ネットワークの
当該音韻位置に順次適用してそれぞれの音韻パターン適
用時における当該辞書単語と音声入力単語との距離また
は類似度を求め、最もよく適合する音韻パターンを示す
音韻記号を当該辞書単語の音韻ネットワーク中の該当位
置に付加するように構成する。

〔産業上の利用分野〕

音声認識装置において辞書単語の音韻ネ−／　）ワーク
に記述されていない異音の音韻記号を自動的に付加する
ための音韻記号の付加方式に関する。

〔従来の技術〕

第９図は従来の離散単語認識用の音声認識装置の構成を
示す。

単語辞書記憶部１には認識対象単語を音素記号列によっ
て表現した辞書単語が格納され、また音韻ネットワーク
記憶部２には音素を単位とする音韻記号を用いて記述し
たその単語の発音形態を示す第１０図のごとき音韻ネッ
トワークが前記各辞書単語のそれぞれについて格納され
ている。さらに、音韻パターン記憶部３には、前記音韻
ネットワークを記述するために用いられた全ての音韻記
号についてその発音上の音響的特徴を示す短時間スペク
トルからなる音韻パターンが格納されている。

マイクなどを介して入力される音声入力単語は音声分析
部５において音素単位にセグメンテーションされた後、
各音素単位ごとにその音素位置の音韻の音響的特徴スペ
クトルが抽出され、この音響的特徴スペクトルを時系列
順に並べた音韻時系列パターンとしてマツチング部６に
送られる。

一方、標準パターン生成部４は、音韻ネットワーク記憶
部２から引き出した各辞書単語の音韻ネットワークの各
音韻記号位置に音韻パターン記憶部３から引き出した各
音韻記号の音韻パターンを適用してこれを時系列順に並
べることにより、辞書単語を表わす標準パターンを各単
語ごとにその音韻ネットワーク上の全てのマツチングパ
ス（経路）について次々と生成し、マツチング部６に送
る。

そして、マツチング部６において上記標準パターン生成
部４から送られてくる辞書単語のマツチングパスごとの
標準スペクトルパターンと、−音声分析部５から送られ
てきた入力音声単語の音韻時系列パターンとをパターン
マツチングすることにより、音声入力単語と各辞書単語
との間の距離または類似度を求め、このパターンマツチ
ングの結果に基づいて最良マツチング選択部７で最良の
距離または類似度を与える辞書単語を選択し、表示部８
に認識単語として表示するものである。

第１０図は上述した音韻ネットワーク記憶部２に格納さ
れる辞書単語の音韻ネットワークの具体例を示すもので
、単語「しかし」／５ｉｋａｓｉ／（／／は音素表示記
号）についての音韻ネットワークの例である。この音韻
ネットワークは、音韻ネットワーク生成部９において単
語辞書記憶部１内に格納した辞書単語の音素記号列／５
ｉｋａｓｉ／の各音素に書換規則記憶部１０に予め用意
した各音素の音声学的な音韻への書換規則を適用す、る
ことにより生成される。

すなわち、音声学で知られているように、一般にどのよ
うな言語の音素（ｐｈｏｎｅ＋＋＋ｅ）も単一の発声音
（音韻：ｐｈｏｎｅ　）のみでなく異なる発声音からな
るいくつかの異音（ａｌｌｏｐｈｏｎｅ）を持っている
。第１Ｏ図の例の場合、単語「シかし」の音素記号列／
５ｉｋａｓｉ／中の２つの子音／Ｓ／は発声上必ず口蓋
化して［Ｓｈ］　　（［］は音韻記号）になり、２つの
母音／　ｉ　／はそれぞれその前後の音素に応じて有声
母音［ｉ］または無声化母音［１］のいずれかになり、
また子音／に／と母音／ａ／は変化することなくそのま
ま［ｋ］、、［ａ］の音韻（発声音）となる。

これら各音素の音韻への音声学的な書換規則をまとめて
例示すると下記のようになる６ただし、この書換規則は
（音素→音＠／音素前分脈−音素後分脈）の形式で表記
しており、その意味するところは、文脈上で−の部分に
その音素が位置したときに当該音素は→印の右側の音韻
記号［］内に示された何れかの音韻で発声されることを
表わしている。

規則Ｉ　Ｓ→［ｓｈコ／−１ 規則２　ｌ→［ｉ、　　ｉ］／無声子音−無声子音規則
３　ｋ→［ｋコ 規則４ａ−［ａ］ そこで、この書換規則に従って前言己単語「しかし」の
音素記号列／５ｉｋａｓｉ／を音韻記号列からなる音韻
ネットワークに変換すると、音素／ｌ／の位置には有声
母音［ｉ］と無声化母音［ｉ］の２つの音韻記号が並列
に付加されて最終的には第１０図に示すような音韻ネッ
トワークとして記述され、この音韻ネットワークが音韻
ネットワーク記憶部２に記憶されるものである。なお、
第１０図中の記号＃は単語の始端と終端を示す。

〔発明が解決しようとする問題点〕

上記した従来の音韻ネットワークを用いた単語認識にお
いては、生成された音韻ネットワークそのものの良否が
単語の認識率に直接的な影響を与えるため、辞書単語を
構成する全ての音素について音声学上考えられる全ての
書換規則を予め用意しておく必要がある。

しかし、上述したように各音素は単一の音韻（発声音）
だけでなく異なる音韻からなる種々の異音を有しており
、これら全ての音韻に対して予め書換規則を用意するこ
とはほとんど不可能である。

このため、マイクなどから入力される認識対象話者の音
声単語の発声音韻中に辞書単語の音韻ネットワーク中に
は含まれていない音韻からなる異音が存在する場合には
認識不能あるいは誤認識を起こしてしまうという問題が
あった。

本発明は、辞書単語の音韻ネットワーク中に記述されて
いない異音の音韻記号を音声認識時に音韻ネットワーク
中の該当音韻位置に自動的に付加することのできる音韻
記号の付加方式を提供するものである。

〔問題点を解決するための手段〕

第１図にその原理を示すように、音声入力信号を音素単
位にセグメンテーションしてその音響的特徴スペクトル
を時系列に並べた音声入力単語の音韻時系列パターンと
、音素を単位とする音韻記号を用いて記述した辞書単語
の音韻ネットワークに各音韻記号の音韻パターンを適用
することによって得られる辞書単語の標準パターンとを
パターンマツチングすることにより音声入力単語を認識
するようにした音声認識装置において、認識された音声
入力単語の音韻中にパターンマツチングにより選択され
た辞書単語の音韻ネットワーク中に記述されていない音
韻である異音が発生したときにその音韻位置を検出し、
この音韻位置の音素についての全ての音韻の音韻パター
ンを前記辞書単語の音韻ネットワークの当該音韻位置に
順次適用してそれぞれの音韻パターン適用時における当
該辞書単語と音声入力単語との距離または類似度を求め
、最もよく適合する音韻パターンを示す音韻記号を当該
辞書単語の音韻ネットワーク中の該当位置に付加するよ
うにした。

〔作　用〕

音声分析部５で得られた音声入力単語の音韻時系列パタ
ーンと１．標準パターン生成部４から次々と生成出力さ
れる辞書単語の標準パターンとをマツチング部６で全辞
書単語について比較することにより全ての辞書単語の標
準パターンとの間の距離または類似度が求められる。

最良マツチング選択部７はこの求められた距離または類
似度中の最も小さな距離または最も大きい類似度を与え
る辞書単語をそのときの認識単語として選択し、表示部
８に表示する。

上記のようにして得られた辞書単語と音声入力単語との
距離または類似度が予め設定した閾値を超えている場合
に再学習指示が与えられると、当該選択された辞書単語
の音韻ネットワークと音声入力単語の音韻時系列パター
ンとが異音位置検出部１１に送られ、この選択された音
韻ネットワーク中の最も悪い距離または類似度を与える
音素の音韻位置が検出される。

再距離計算部１２はこの検出された音韻位置に音韻パタ
ーン記憶部３に格納されている当該音素の全ての音韻に
ついての音韻パターンを次々と入れ換えて適用し、それ
ぞれの場合の音声入力単語の当該音韻位置との間の距離
または類似度を計算する。

音韻記号付加部１３は再距離計算部１２から送られてく
る距離または類似度の中の最も小さい距離または最も大
きい類似度を与える音韻パターンの音韻記号を選択し、
その音韻記号を音韻ネットワーク記憶部２内に格納され
ている前記認識された辞書単語の音韻ネットワーク中の
当該音韻位置に並列に付加する。

このため書換規則の用意されていなかった音韻からなる
異音を含む単語が音声入力された場合、その異音を含む
単語が音声入力された時点で再学習が行われ、その異音
に対する音韻記号が当該単８吾の音韻ネットワークの該
当する音韻位置に自動的に付加されるので、次回からは
この異音を含んで発声された入力単語も正確に認識する
ことができるようになる。

〔実施例〕

第２図は本発明の１実施例を示すもので、第１図および
第９図と同一の構成要素には同一の符号を付して示しで
ある。

再学習指示部１４は、異音位置検出部１１．再距離計算
部１２．音韻記号付加部１３に音韻付加動作の開始指令
を与える回路である。この再学習指示は音声入力単語の
誤認識時に操作者がスイッチ等により手動で与えてもよ
いし、またマツチング部６で得られる距離または類似度
が設定した閾値を超えた時に自動的に与えるようにして
もよい。

以下、この第２図に基づき前記した辞書単語「しかし」
についての音韻ネットワークへの異音の音韻記号の付加
動作について具体的に説明する。

なお、音韻ネットワーク記憶部２には、音韻ネットワー
ク生成部９において単言吾辞書記憶部１内の辞書単語「
しかし」の音素記号列／５ｉｋａｓｉ／に対して書換規
則部１０内の書換規則を適用することにより生成された
、第３図（ａ）に示すような音韻ネットワークが予め格
納されているものとする。また、他の全ての辞書単語に
ついても同様にその音韻ネットワークが辛め格納されて
いるものとする。

認識対象話者がマイクに向かって単語「しかし」を音声
入力すると音声認識が開始される。

音声分析部５は、この音声入力単語「しかし」をフィル
タバンク、高速フーリエ変換などを利用して数十ミＩＪ
秒毎に短時間ス、ベクトル分析し、音素区間を単位とす
る音響的特徴スペクトルの時系列からなる音韻時系列パ
ターンに変換してマツチング部６に送る。

一方、標準パターン生成部４では各辞書単語の音韻ネッ
トワークの全てのマツチング経路についての標準パター
ンを各辞書単語ごとに次々と作成し、マツチング部６に
送る。

すなわち、例えば前記辞書単語「しかし」の場合、第３
図（ａ）に示す音韻ネットワークから４つのマツチング
経路、 ＃−５ｈ−ｉ　−に−ａ−ｓｈ−ｉ　−＃＃−Ｓ　ｈ　
−ｉ　−に−ａ−ｓ　ｈ　−ｉ　−＃＃−５ｈ−ｉ　−
に−ａ−ｓｈ−ｉ　−＃＃−５ｈ−ｉ　−に−ａ−ｓｈ
−ｉ　−＃を作成し、この４つのマツチング経路のそれ
ぞれの音韻位置に音韻パターン記憶部３に格納されてい
るそれぞれの音韻の音韻パターンを適用して時系列に並
べることにより辞書単語「しかし」について４つのマチ
ング経路に対応する４つの標準パターンを次゛々と生成
してマツチング部６に送る。

マツチング部６ではこの辞書単語「しかし」についての
４つの標準パターンと音声分析部５から与えられる音声
入力単語「しかし」の音韻時系列パターンとのパターン
マツチングを次々と実行して音声入力単語と各標準パタ
ーンとの間の距離または類似度を求める。　　− 同様に、マツチング部６は、上記のようなパターンマツ
チング動作を音韻ネットワーク記憶部２に格納されてい
る他の全ての辞書単Ｊ吾の音韻ネットワークの全てのマ
ツチング経路についても実行し、辞書単語の全てについ
てその距離または類似度を求めて最良マツチング選択部
７へ送る。

そして、最良マツチング選択部７は上記全てのパターン
マツチング結果中から最も小さな距離または最も大きな
類似度を与えるマツチング経路、例えば第３図（ｂ）に
示す＃−９ｈ　−ｉ−に−ａ−ｓｈ−ｉ−＃を選択し、
これに該当する辞書単語「しかし」をｉ！識単語として
表示部８に表示する。

上記のようにして認識された音声入力単語の距離または
類似度が予め設定した値よりも悪いために単語モデル再
学習指示部１４に再学習指示が与えられると、次のよう
にして音韻記号の付加動作が実行される。

すなわち、再学習指示部１４は再学習の処理指１ととも
に、マツチング部６を通じて単語「シかし」の音韻時系
列パターンと、選択された辞書単語「シかし」の前記マ
ツチング経路＃−５ｈ−ｉ−に−ａ−ｓ　ｈ　−ｉ　−
＃およびそのときの距離または類似度を異音位置検出部
１１．再距離計算部１２、音韻記号付加部１３に送る。

異音位置検出部１１は、第４図および第５図に示すよう
に前記マツチング経路上の各音韻の距離を各音韻区間毎
に計算し、それぞれが単語全体の距離の何％に当たるか
を計算する。次いで、その％値が前もって与えられそい
る閾値（例えば７０％）よりも大きい音韻区間とその音
韻塩、例えば第４図および第５図の場合には第２の音韻
区間とその音韻塩［ム］を異音発生位置として再距離計
算部１２に送る。

再距離計算部１２では、異音位置検出部１１から送られ
てきた異音発生位置を示す第２の音韻区間とその音韻塩
［ｉｌに基づき、当該音韻記号［１］の位置にその音韻
の元となる音素／　ｉ　／に含まれる全ての異音の音韻
［ｉ　１］、　　［ｉ　２］　、　　［ｉ３］・・−に
ついての音韻パターンを音韻パターン記憶部３から次々
に読み出して第３図（Ｃ）に示すように適用し、それぞ
れについて音声入力単語「シかし」の音韻時系列パター
ンの当該音韻位置との間の距離または類似度を再計算し
て最小の距離または最大の類似度を与える音韻を求め、
この最小の距離または最大の類似度を与える音韻、例え
ば第３図（Ｃ）中の音韻［ｉ３］を選択して音韻記号付
加部１３に送る。

音韻記号付加部１３は、この送られてきた音韻［ｉ３］
を音声入力単語「しかし」の第２音韻の異音として第３
図（ｄ）に示すように辞書単語「シかし」の音韻ネット
ワークの該当する音韻位置に並列に付加し、この第３図
（ｄ）に示す音韻ネットワークをそれまでの第３図（ａ
）に示す音韻ネットワークに代えて音韻ネットワーク記
憶部２に記憶させる。

以上述べたように、本発明によれば、書換規則には用意
していなかった音韻からなる異音を含む単語が発声され
た場合でも、その異音を含む単語が音声入力された時点
でその異音に対する音韻記号が当該単語の音韻ネットワ
ークの該当する音韻位置に自動的に付加される。したが
って、この再学習の結果次回からはこの異音を含む音声
入力単語も正確に認識することができるようになる。

なお、上記した本発明の音韻記号の付加方式を実現する
には、音韻パターン記憶部３内に各音素についての異音
（音韻）の音韻パターンについても予め格納しておく必
要があるが、この各音素の異音の音韻パターンを得るに
は、例えば以下に述べるように、認識対象話者の発声内
容の分かっている多数（１００単語程度）の学習用音声
データをクラスタ分析することによって得ることができ
る。

すなわち、第６図は各音素に含まれる全ての異音（音韻
）についての音韻パターンを得るためのクラスタ分析手
法の一例を示すもので、まず認識対象話者の発声内容の
分かっている１００語程度の学習用データを集め、この
学習用データを音素セグメンテーション部１１１におい
て不特定話者用音素パターン辞書１１２を用いて各音素
ごとにセグメンテーションする。このセグメンテーショ
ンを行うためのマツチング方式としては、例えば本出願
人が先に出願した特願昭５８−２１７１２５号（特開昭
６０−１０８８９６号）に記載の方法などを利用するこ
とができる。

上記セグメンテーションが終了した後、音素パターン抽
出部１１３は、上記のようにして求まった全音素区間中
から音素サンプリング手順表１１４に基づいて同一の音
素ごとにその音素パターンを抽出する。

クラスタリング部１１５では、各音素ごとに求まった多
数の音素パターンについて第７図のようなりラスタ分析
を行う。この第７図は母音／ｉ／についての異音を求め
るためのクラスタ分析の一例を示すもので、各音素パタ
ーンをその音響的特徴量、例えば第１ホルマント周波数
と第２ホルマント周波数によって同一の特徴からなるグ
ループごとに分け、多数のクラスタｉｌ、ｉ２．ｉ３に
分類する。

一方、音韻環境ヒストグラム作成部１１６は、第８図に
例示するように、求まった各クラスタについてそのクラ
スタ内の各メンバのその単謬中での音素環境について頻
度ヒストグラムを作成し、音韻環境と異音の対応表１１
７に基づいて最大頻度を与える音素環境に存在する異音
を抽出し、この最大頻度を与える異音をそのクラスタの
異音名として決定する。例えば、第７図のクラスタ１１
の場合には、第８図に示すように無声化環境において最
大頻度が発生しているので、この無声化環境をクラスタ
１１の異音名として決定する。

クラスタセンタラベル付は部１１８では、各クラスタｉ
ｌ、ｉ２．ｉ３．　−・−のそれぞれの中心に位置する
音韻の音韻パターンに前記音韻環境ヒストグラム作成部
１１６で得られたそれぞれの音韻名を付け、その異音の
音韻パターンとして出力する。

上記のようにして得られた音素／　ｉ　／についての異
音（音韻）を示す各クラスタｉｌ、ｉ２．ｉ３、−　・
−・は、音素／ｉ／についての音声学上知られた一般的
な発声音を示す音韻［ｉ］、［！］などとともに、第１
図あるいは第２図中の音韻パターン記憶部３に予め格納
され、上述した本発明の音韻記号の付加方式の実施に使
用される。

〔発明の効果〕

本発明によれば、音声認識時に、辞書単語の音韻ネット
ワークに含まれていない異音からなる音韻を当該音素位
置に自動的に付加して修正することができ、入力音声に
書換規則に含まれていない音声変形現象が発生しても爾
後正確に音声認識することが可能となり、この種の音声
認識装置における認識率を格段に向上し得るという格別
の効果を達成できる。

【図面の簡単な説明】

第１図は本発明の原理を示す図、 第２図は本発明の実施例を示す図、 第３図は本発明による音韻ネットワークへの音韻記号の
付加動作の説明図、 第４図はマツチングパスの１例を示す図、第５図はマツ
チングパス上における異音発生位置の検出例を示す図、 第６図はクラスタ分析の原理を示す図、第７図は母音／
ｉ／のクラスタ分析の例を示す間第８図はクラスタ１１
中の各メンバの生成環境例を示す図、 第９図は従来例を示す図、 第１０図は従来の辞書単語の音韻ネットワークの例を示
す図である。

Claims (1)

1. 【特許請求の範囲】 　音声入力信号を音素単位にセグメンテーションしてそ
   の音響的特徴スペクトルを時系列に並べた音声入力単語
   の音韻時系列パターンと、音素を単位とする音韻記号を
   用いて記述した辞書単語の音韻ネットワークに各音韻記
   号の音韻パターンを適用することによって得られる辞書
   単語の標準パターンとをパターンマッチングすることに
   より音声入力単語を認識するようにした音声認識装置に
   おいて、 認識された音声入力単語の音韻中にパターンマッチング
   により選択された辞書単語の音韻ネットワーク中に記述
   されていない音韻である異音が発生したときにその音韻
   位置を検出し、この音韻位置の音素についての全ての音
   韻の音韻パターンを前記辞書単語の音韻ネットワークの
   当該音韻位置に順次適用してそれぞれの音韻パターン適
   用時における当該辞書単語と音声入力単語との距離また
   は類似度を求め、 最もよく適合する音韻パターンを示す音韻記号を当該辞
   書単語の音韻ネットワーク中の該当位置に付加すること
   を特徴とする音声認識装置における音韻記号の付加方式
   。