JPH0155476B2 - - Google Patents
Info
- Publication number
- JPH0155476B2 JPH0155476B2 JP58180769A JP18076983A JPH0155476B2 JP H0155476 B2 JPH0155476 B2 JP H0155476B2 JP 58180769 A JP58180769 A JP 58180769A JP 18076983 A JP18076983 A JP 18076983A JP H0155476 B2 JPH0155476 B2 JP H0155476B2
- Authority
- JP
- Japan
- Prior art keywords
- phoneme
- word
- dictionary
- speech
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired
Links
Description
【発明の詳細な説明】
（産業上の利用分野）
本発明は、入力音声と、音声表記された単語辞
書を照合して単語を認識する単語音声認識方法に
関するものである。
書を照合して単語を認識する単語音声認識方法に
関するものである。
（従来例の構成とその問題点）
第１図は第１の従来例の方法を説明するための
図で、その方法を実施する装置の機能ブロツク図
として示すものである。図において、１はパラメ
ータ抽出部、２は確率密度計算部、３は音素認識
部、４は単語認識部、５は音素標準パタン部、６
は単語辞書部、７はコンフユージヨンマトリクス
部である。音素標準パタン部５には、各音素の各
種パラメータにおける分布を、各音素毎の平均
値、及び各種パラメータ間の共分散行列の形で表
わした標準音素パタンが記憶されており、この標
準音素パタンは予め予備実験等により作成してお
くものである。単語辞書部６には、認識すべき全
単語を音素で表記した単語辞書が記憶されてお
り、その単語辞書は、例えば単語「サツポロ」、
「アサヒカワ」はSAQPORO，ASAHIKAWA等
と表記されているものである。コンフユージヨン
マトリクス部７には、辞書の表記に用いられる各
種音素が実際の音素認識で何と認識されるかの確
率、例えば、ＡがＡと認識される確率は85％、Ａ
がＯと認識される確率は７％……等の値を示すコ
ンフユージヨンマトリクスが記憶されており、こ
のコンフユージヨンマトリクスは予め予備実験等
により作成されるものである。
図で、その方法を実施する装置の機能ブロツク図
として示すものである。図において、１はパラメ
ータ抽出部、２は確率密度計算部、３は音素認識
部、４は単語認識部、５は音素標準パタン部、６
は単語辞書部、７はコンフユージヨンマトリクス
部である。音素標準パタン部５には、各音素の各
種パラメータにおける分布を、各音素毎の平均
値、及び各種パラメータ間の共分散行列の形で表
わした標準音素パタンが記憶されており、この標
準音素パタンは予め予備実験等により作成してお
くものである。単語辞書部６には、認識すべき全
単語を音素で表記した単語辞書が記憶されてお
り、その単語辞書は、例えば単語「サツポロ」、
「アサヒカワ」はSAQPORO，ASAHIKAWA等
と表記されているものである。コンフユージヨン
マトリクス部７には、辞書の表記に用いられる各
種音素が実際の音素認識で何と認識されるかの確
率、例えば、ＡがＡと認識される確率は85％、Ａ
がＯと認識される確率は７％……等の値を示すコ
ンフユージヨンマトリクスが記憶されており、こ
のコンフユージヨンマトリクスは予め予備実験等
により作成されるものである。
次に上記従来例の動作について説明する。パラ
メータ抽出部１は入力音声を10mSのフレーム毎
に分析し、パラメータを抽出して、パラメータ時
系列を作成する。次に確率密合計算部２はフレー
ム毎に、得られたパラメータと音素標準パタンを
照合し、そのパラメータの値が各音素から生成さ
れる確率密度を算出する。そして、音素認識部３
において、前記算出された確率密度が最大となる
音素に音声認識され、フレーム毎の音素認識結果
と音素セグメンテーシヨン（入力音声を各音素毎
の区間に区切ること）の結果を組み合わせ、認識
音素系列が作成される。単語認識部４では認識音
素系列と単語辞書部６内の各辞書項目との類似度
をコンフユージヨンマトリクスを用いて計算し、
最大類似度となる単語（辞書項目）を認識単語と
していた。なお、確率密度計算部２における計算
は以下の式による。１つの１フレームにおける
ｎ個のパラメータをベクトル〓で表わす。また、
ある音素Ｘのそれらパラメータにおける平均値を
μX、共分散行列をΣXと表わすと、音素Ｘに対す
るベクトル〓の確率密度φX（〓）は で表わされる。但し分布形はガウス分布を仮定し
ている。
メータ抽出部１は入力音声を10mSのフレーム毎
に分析し、パラメータを抽出して、パラメータ時
系列を作成する。次に確率密合計算部２はフレー
ム毎に、得られたパラメータと音素標準パタンを
照合し、そのパラメータの値が各音素から生成さ
れる確率密度を算出する。そして、音素認識部３
において、前記算出された確率密度が最大となる
音素に音声認識され、フレーム毎の音素認識結果
と音素セグメンテーシヨン（入力音声を各音素毎
の区間に区切ること）の結果を組み合わせ、認識
音素系列が作成される。単語認識部４では認識音
素系列と単語辞書部６内の各辞書項目との類似度
をコンフユージヨンマトリクスを用いて計算し、
最大類似度となる単語（辞書項目）を認識単語と
していた。なお、確率密度計算部２における計算
は以下の式による。１つの１フレームにおける
ｎ個のパラメータをベクトル〓で表わす。また、
ある音素Ｘのそれらパラメータにおける平均値を
μX、共分散行列をΣXと表わすと、音素Ｘに対す
るベクトル〓の確率密度φX（〓）は で表わされる。但し分布形はガウス分布を仮定し
ている。
しかしながら、上記従来例においては、音素認
識を行なつた段階で確率密度の値、すなわち音素
認識の確からしさの情報が失なわれ、その情報が
単語認識に反映されない（具体的には類似度計算
の精度が低い）という欠点があつた。
識を行なつた段階で確率密度の値、すなわち音素
認識の確からしさの情報が失なわれ、その情報が
単語認識に反映されない（具体的には類似度計算
の精度が低い）という欠点があつた。
次に第２の従来例を第２図とともに述べる。第
２図において、音素標準パタン部１４は、各音素
の各種パラメータにおける平均値を表わし予め予
備実験等により作成された音素標準パタンを記憶
している。パラメータ抽出部１１及び単語辞書部
１５は第１図に示す第１の従来例のものと同様で
ある。第２の従来例の動作について説明する。先
ず第１の従来例と同様にパラメータ抽出部１１で
入力音声のパラメータ時系列を得る。そして距離
計算部１２においてフレーム毎に標準パタンとの
間の距離を計算する。あるフレームにおけるＮ個
のパラメータをC1，C2，……CNとし、ある音素
Ｘのそれらパラメータにおけ平均値をμX1，μX2，
……μXNとすると、そのフレームと音素Ｘの標準
パタンとの距離dX（C1，C2，……CN）は で計算される。次に単語認識部１３において各辞
書項目毎に類似度を求めるのであるが、この類似
計算時に、その辞書項目を構成する辞書音素系列
に従つて音素のセグメンテーシヨンを行ない、下
記式に従い、この音素と、その音素に対応して
セグメンテーシヨンされた区間との尤度ｌを計算
する。類似度は辞書項目における各音素の尤度の
平均として求められる。
２図において、音素標準パタン部１４は、各音素
の各種パラメータにおける平均値を表わし予め予
備実験等により作成された音素標準パタンを記憶
している。パラメータ抽出部１１及び単語辞書部
１５は第１図に示す第１の従来例のものと同様で
ある。第２の従来例の動作について説明する。先
ず第１の従来例と同様にパラメータ抽出部１１で
入力音声のパラメータ時系列を得る。そして距離
計算部１２においてフレーム毎に標準パタンとの
間の距離を計算する。あるフレームにおけるＮ個
のパラメータをC1，C2，……CNとし、ある音素
Ｘのそれらパラメータにおけ平均値をμX1，μX2，
……μXNとすると、そのフレームと音素Ｘの標準
パタンとの距離dX（C1，C2，……CN）は で計算される。次に単語認識部１３において各辞
書項目毎に類似度を求めるのであるが、この類似
計算時に、その辞書項目を構成する辞書音素系列
に従つて音素のセグメンテーシヨンを行ない、下
記式に従い、この音素と、その音素に対応して
セグメンテーシヨンされた区間との尤度ｌを計算
する。類似度は辞書項目における各音素の尤度の
平均として求められる。
音素をＸとし、このＸに対応してセグメンテー
シヨンされた区間の始端と終端のフレーム番号を
Ns，Neとし、第ｎフレームにおける各パラメー
タの値をCo1，Co2，……CoNとして、尤度ｌは下
式にり計算される。
シヨンされた区間の始端と終端のフレーム番号を
Ns，Neとし、第ｎフレームにおける各パラメー
タの値をCo1，Co2，……CoNとして、尤度ｌは下
式にり計算される。
ここで、距離の割り算における分母のサメンシ
ヨンのｉの範囲は音素Ｘが何であるかにより異な
り、例えばＸが音素Ａ（ア）の時はｉの範囲は５
母音Ａ，Ｅ，Ｉ，Ｏ・Ｕとしている。以上により
得られる類似度を各辞書項目毎に求め、認識単語
とするというものであつた。この第２の従来例に
おいて、音素標準パタンはパラメータの平均値の
みを持つために、パラメータの値のバラツキの度
合いは式による距離計算には反映されず、従つ
て類似度は精度の低いものとなる欠点があつた。
ヨンのｉの範囲は音素Ｘが何であるかにより異な
り、例えばＸが音素Ａ（ア）の時はｉの範囲は５
母音Ａ，Ｅ，Ｉ，Ｏ・Ｕとしている。以上により
得られる類似度を各辞書項目毎に求め、認識単語
とするというものであつた。この第２の従来例に
おいて、音素標準パタンはパラメータの平均値の
みを持つために、パラメータの値のバラツキの度
合いは式による距離計算には反映されず、従つ
て類似度は精度の低いものとなる欠点があつた。
（発明の目的）
本発明は上記従来例の欠点を除去するものであ
り、類似度計算の精度を向上させ、それにより単
語認識率を向上させることを目的とする。
り、類似度計算の精度を向上させ、それにより単
語認識率を向上させることを目的とする。
（発明の構成）
本発明は、上記目的を達成するために、入力音
声から得られたパラメータ時系列を音素標準パタ
ン及び単語辞書と照合し、各辞書項目毎に音素の
セグメンテーシヨンを行ない各音素がそのパラメ
ータの値を示す確率密度を算出し、それを直接、
類似度計算に用いることにより、類似度計算の精
度を向上させる効果を持つものである。
声から得られたパラメータ時系列を音素標準パタ
ン及び単語辞書と照合し、各辞書項目毎に音素の
セグメンテーシヨンを行ない各音素がそのパラメ
ータの値を示す確率密度を算出し、それを直接、
類似度計算に用いることにより、類似度計算の精
度を向上させる効果を持つものである。
（実施例の説明）
以下に本発明の一実施例について、第３図とと
もに説明する。第３図において、２１はパラメー
タ抽出部、２２は確率密度計算部、２３は音素毎
のセグメンテーシヨン、尤度計算及び類似度計算
を実行する単語認識部、２４は各音素毎の各種パ
ラメータにおける分布を各音素毎の平均値（μX）、
及び各種パラメータ間の共分散行列（ΣX）の形
で表わした音素標準パタンを記憶する音素標準パ
タン部、２５は認識すべき全単語を音素で表記し
た単語辞書が記憶されている単語辞書部である。
パラメータ抽出部２１、音素標準パタン部２４及
び単語辞書部２５はそれぞれ第１図の対応する部
分と同じものである。
もに説明する。第３図において、２１はパラメー
タ抽出部、２２は確率密度計算部、２３は音素毎
のセグメンテーシヨン、尤度計算及び類似度計算
を実行する単語認識部、２４は各音素毎の各種パ
ラメータにおける分布を各音素毎の平均値（μX）、
及び各種パラメータ間の共分散行列（ΣX）の形
で表わした音素標準パタンを記憶する音素標準パ
タン部、２５は認識すべき全単語を音素で表記し
た単語辞書が記憶されている単語辞書部である。
パラメータ抽出部２１、音素標準パタン部２４及
び単語辞書部２５はそれぞれ第１図の対応する部
分と同じものである。
本実施例の動作について説明する。先ずパラメ
ータ抽出部２１において、入力音声からフレーム
毎のパラメータを得、さらに確率率密度計算部２
２でそのパラメータの値が各音素標準パタンから
得られる確率密度を計算する。ここ迄は、前記第
１の従来例と同様である。次に、単語認識部２３
で各辞書項目毎に類似度を求めるのであるが、こ
の類似度計算時に、その辞書項目を構成する辞書
音素系列に従つて音素のセグメンテーシヨンを行
ない、下記式に従い、その音素と、その音素に
対応してセグメンテーシヨンされた区間の尤度ｌ
を計算し、その辞書項目における各音素の尤度の
平均として類似度を求める。ここでその音素をＸ
とし、Ｘに対応してセグメンテーシヨンされた区
間の始端と終端のフレーム番号をNs，Neとし、
第ｎフレームにおける各パラメータの値を〓oと
すると確率密度φは式の定義によつて、尤度ｌ
を下式で定義される。
ータ抽出部２１において、入力音声からフレーム
毎のパラメータを得、さらに確率率密度計算部２
２でそのパラメータの値が各音素標準パタンから
得られる確率密度を計算する。ここ迄は、前記第
１の従来例と同様である。次に、単語認識部２３
で各辞書項目毎に類似度を求めるのであるが、こ
の類似度計算時に、その辞書項目を構成する辞書
音素系列に従つて音素のセグメンテーシヨンを行
ない、下記式に従い、その音素と、その音素に
対応してセグメンテーシヨンされた区間の尤度ｌ
を計算し、その辞書項目における各音素の尤度の
平均として類似度を求める。ここでその音素をＸ
とし、Ｘに対応してセグメンテーシヨンされた区
間の始端と終端のフレーム番号をNs，Neとし、
第ｎフレームにおける各パラメータの値を〓oと
すると確率密度φは式の定義によつて、尤度ｌ
を下式で定義される。
ここで、確率密度の割り算における分母のサメ
ンシヨンのｉの範囲は、音素Ｘが何であるかによ
り異り、例えばＸが音素Ａ（ア）の時は、ｉの範
囲は５母音、Ａ，Ｅ，Ｉ，，Ｕとしている。以
上により得られる類似度を各辞書項目毎に求め、
類似度が最大となる辞書項目をもつて、認識単語
とする。
ンシヨンのｉの範囲は、音素Ｘが何であるかによ
り異り、例えばＸが音素Ａ（ア）の時は、ｉの範
囲は５母音、Ａ，Ｅ，Ｉ，，Ｕとしている。以
上により得られる類似度を各辞書項目毎に求め、
類似度が最大となる辞書項目をもつて、認識単語
とする。
本実施例においては、辞書項目毎に音素のセグ
メンテーシヨンを行ない、すなわち第１の従来例
と異なり音素の付加や脱落の存在しない正確なセ
グメンテーシヨンを行なつた上で、各音素毎にそ
の音楽と対応する音声区間との間で式に示す尤
度計算を行なうことにより、その音声区間が、そ
の音素から発声されたものである確率密度、すな
わち確からしさを、直接類似度に反映させること
ができ、高い精度で類似度が得られるという利点
がある。
メンテーシヨンを行ない、すなわち第１の従来例
と異なり音素の付加や脱落の存在しない正確なセ
グメンテーシヨンを行なつた上で、各音素毎にそ
の音楽と対応する音声区間との間で式に示す尤
度計算を行なうことにより、その音声区間が、そ
の音素から発声されたものである確率密度、すな
わち確からしさを、直接類似度に反映させること
ができ、高い精度で類似度が得られるという利点
がある。
（発明の効果）
本発明は上記のような構成であり、以下に示す
効果が得られるものである。入力音声を各辞書項
目の辞書音素系列に従つてセグメンテーシヨン
し、辞書の各音素とそれに対応してセグメンテー
シヨンされた音声の区間との尤度を確率密度を直
接用いて計算し、この尤度の平均値として類似度
を定義することにより精度の高い類似度の値を得
ることができる。
効果が得られるものである。入力音声を各辞書項
目の辞書音素系列に従つてセグメンテーシヨン
し、辞書の各音素とそれに対応してセグメンテー
シヨンされた音声の区間との尤度を確率密度を直
接用いて計算し、この尤度の平均値として類似度
を定義することにより精度の高い類似度の値を得
ることができる。
第１図及び第２図は従来の単語音声認識方法を
説明するための機能ブロツク図、第３図は、本発
明による単語音声認識方法の一実施例を説明する
ための機能ブロツク図である。 ２１……パラメータ抽出部、２２……確率密度
計算部、２３……単語認識部、２４……音素標準
パタン部、２５……単語辞書部。
説明するための機能ブロツク図、第３図は、本発
明による単語音声認識方法の一実施例を説明する
ための機能ブロツク図である。 ２１……パラメータ抽出部、２２……確率密度
計算部、２３……単語認識部、２４……音素標準
パタン部、２５……単語辞書部。
Claims (1)
- １ 認識すべき単語を音素で表記した単語辞書
と、各音素の音響パラメータの分布形で表わされ
た各音素の標準パタンを用いて、入力音声の単語
認識を行なう単語音声認識方法において、入力音
声を単語辞書の各辞書項目と照合し、各辞書項目
を構成する辞書音素系列に従い各音素毎に入力音
声をセグメンテーシヨンし、その音素の標準パタ
ンを用いてそのセグメンテーシヨンされた音声の
区間がその音素から生成される確率密度を計算
し、この確率密度の値を用いて各辞書項目と入力
音声の類似度を求めて単語を認識する単語音声認
識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP58180769A JPS6073696A (ja) | 1983-09-30 | 1983-09-30 | 単語音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP58180769A JPS6073696A (ja) | 1983-09-30 | 1983-09-30 | 単語音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6073696A JPS6073696A (ja) | 1985-04-25 |
| JPH0155476B2 true JPH0155476B2 (ja) | 1989-11-24 |
Family
ID=16088998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP58180769A Granted JPS6073696A (ja) | 1983-09-30 | 1983-09-30 | 単語音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS6073696A (ja) |
-
1983
- 1983-09-30 JP JP58180769A patent/JPS6073696A/ja active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6073696A (ja) | 1985-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3114468B2 (ja) | 音声認識方法 | |
| JP2815579B2 (ja) | 音声認識における単語候補削減装置 | |
| JPH02195400A (ja) | 音声認識装置 | |
| JPS6336676B2 (ja) | ||
| JP3444108B2 (ja) | 音声認識装置 | |
| JPH07219579A (ja) | 音声認識装置 | |
| JP2001312293A (ja) | 音声認識方法およびその装置、並びにコンピュータ読み取り可能な記憶媒体 | |
| JPH0155476B2 (ja) | ||
| JP2853418B2 (ja) | 音声認識方法 | |
| JP2003271185A (ja) | 音声認識用情報作成装置及びその方法と、音声認識装置及びその方法と、音声認識用情報作成プログラム及びそのプログラムを記録した記録媒体と、音声認識プログラム及びそのプログラムを記録した記録媒体 | |
| JP3291073B2 (ja) | 音声認識方式 | |
| JP2001005483A (ja) | 単語音声認識方法及び単語音声認識装置 | |
| JPH07113838B2 (ja) | 音声認識方法 | |
| JP3277522B2 (ja) | 音声認識方法 | |
| JP3254933B2 (ja) | 音声認識方法 | |
| JPH0431116B2 (ja) | ||
| JPH04291399A (ja) | 音声認識方法 | |
| JPH0412480B2 (ja) | ||
| JPS60182499A (ja) | 音声認識装置 | |
| Niimi et al. | Synthesis of Speaker-Adaptive Word Templates by | |
| JPS60149097A (ja) | 音声認識方法 | |
| JPH045393B2 (ja) | ||
| JPH045391B2 (ja) | ||
| JPH0412479B2 (ja) | ||
| JPS6335996B2 (ja) |