JPH0157370B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は単音節入力音声認識装置を用いた音声
入力タイプライタに関するものである。

音声認識装置は種々提案されているが、音声を
認識する場合その対象により単語認識と単音節認
識に区別される。このうち単音節認識は音声タイ
プライタへの応用を考えた場合、対象が単音節で
あることにより原理的には無限の言語を認識でき
ることになる。

単音節認識装置については、日本音響学会音声
研究会資料の資料番号S77−46（1977年12月号）
「単音節音声タイプライタ（北大応用電気研究
所）」に示されており、概略第１図に示すように
なる。第１図において、１はマイクロフオン、２
はプリアンプ、３は16チヤネルのバンドパスフイ
ルタ（以下16CH BPFと記す）、４は16チヤネル
のアナログ・デイジタルコンバータ（以下16CH
Ａ／Ｄコンバータと記す）、５は入力値を対数変
換するリード・オンリ・メモリ（以下対数変換
ROMと記す）、６はピツチ抽出器、７はカウン
タタイマ、８はマイクロプロセツサ（以下マイク
ロCPUという）、９はバスライン（以下BUS
LINEという）、１０はリード・オンリ・メモリ
（以下ROMと記す）、１１はランダムアクセスメ
モリ（以下RAMと記す）、１２はフロツプデイ
スドライブ装置（以下FDDと記す）、１３はキヤ
ラクタデイスプレイ装置（以下CRTと記す）、１
４はキーボード装置（以下KBと記す）、１５は
ハードウエア演算器である。

前記構成の音声タイプライタは以下のように動
作する。まずマイクロフオン１より入力された音
声は６デシベル／オクターブで減衰しているた
め、プリアンプ２において６デシベル／オクター
ブの率で高域を強調し、このパワースペクトルを
平坦なものにする。その出力を16CH BPF3へ入
力し、200〜4400Hzの周波数を16チヤネルに分割
し、各CH毎にその出力をＡ／Ｄコンバータ４へ
入力する。Ａ／Ｄコンバータ４にて12bitのデイ
ジタル量に変換した後対数変換ROM５へ入力
し、８ビツトの対数に変換する。これは人の聴覚
特性が対数的であるためそれを近似するためと、
更には、パワースペクトルの正規化を行なうとき
加減算だけで演算ができるという利点をも考えた
上の処理である。Ａ／Ｄコンバータ４の出力をマ
イクロCPU８のBUS LINE９を通じてマイクロ
CPU８へ引き込む。前記マイクロCPU８には制
御用のROM１０、データエリア用のRAM１１、
登録音声等のデータを格納するFDD１２、音声
認識結果を出力表示するCRT１３、マイクロ
CPU８に対し手動で入力を行なうためのKB１４
が接続され小型の電子計算機システムが構成され
ている。

又、16CH BPF３の出力をピツチ抽出器６へ
入力しピツチ周期毎に16CHA／Ｄコンバータを
トリガすべく構成する。ピツチ抽出器６に関する
一手法は、例えば特開昭54−162405「ピツチ周波
数抽出装置」に提案されているが、この様な方法
によりピツチ周波数が抽出されるものと考えてよ
い。ピツチ周波数は母音又は有音子音の場合存在
するが、無声子音の場合、音源は雑音でありピツ
チ周波数が存在しない。これら無声子音をサンプ
リングするためにカウンタタイマ７により一定周
期例えば1KHzの周波数で1msec毎にパルスを発
生し、16CH Ａ／Ｄコンバータ４へ入力する。
前記16CH Ａ／Ｄコンバータ４は、母音又は有
声子音の場合はピツチ周期毎に、無声子音の場合
は一定周期毎にに16CH BPF３の出力をサンプ
リングし、アナログ―デイジタル変換することに
より入力音声波形のパワースペクトルの包絡特性
を得ることができる。

以上の様にして得られたデイジタル化された入
力音声波形はパワースペクトルの正規化を施した
後登録音声波形の夫々のデータとの間で２乗距離
を計算する。この２乗距離の計算は数千回を必要
とし、マイクロCPU８で演算していたのでは実
時間処理ができないためハードウエア演算器１５
によりハードウエア的に演算を実施している。入
力音声波形と登録音声波形の間で２乗距離を計算
し、２乗距離の最低の値を示した単音節が入力音
声であると認識するものである。

前記認識単音節が、順次出力され、単語又は文
節としてまとまつたところで単語辞書、文法辞書
を参照して漢字かなまじり文に変換される。この
かな漢字の変換には「情報処理学会誌VOL 15No.
１（1974年１月）P.2〜P.9漢字かな混り文変換シ
ステム（松下地）」に示されているような公知の
手法を用いればよい。従つて音声認識部は単音節
認識であり入力時は１音節毎に区切つて入力する
こととなる。即ち「暖かい」という言葉を入力し
ようとする場合は１音節づつ順に「ア」「タ」
「タ」「カ」「イ」と発音して音声認識部に入力し
なければならない。

一方、日本語単音節は濁音、半濁音、拗音まで
合せて101音節からなる。これらの構成は母音ａ，
ｉ，ｕ，ｅ，ｏ（５ケ）、撥音Ｎ（１ケ）、子音＋母
音の形式のもの62ケ、拗音33ケよりなる。最も数
の多い子音＋母音の形式のものについてみると、
音声波形から得られる情報量は非常に少ないとい
える。ここで人が音声を聞く時について述べれ
ば、人が他の人の話をきく時、先ず話題が何に関
してであるかにより、どの様な内容について他の
人が話をするかを予測しながら聞いているため発
言内容が理解できるものであるといえる。卑近な
例として、オフイスで電話をとつた時のことを述
べると、自席の電話をとつたとき、交換手が早口
に「〇〇社の△△さんから××さんに電話です。」
といつた場合、殆んどの場合「〇〇社」「△△さ
ん」「××さん」の内容が理解できる。これは
「〇〇社の△△さん」からは時々電話があり、又
「××さん」は自分又は自席のまわりにいる人の
名前であるため、交換手の早口の内容が理解でき
るものである。しかしながら「〇〇社の△△さ
ん」が過去に取引のない相手で、しかも「△△さ
ん」が珍名、奇名の類の場合は先ず理解できない
ものである。更に自席の電話でなく、他部門の電
話をとつた場合「××さん」さえよく分らないこ
とがある。

以上述べた様に人は音声を聞くというより意識
下の情報とマツチングをとりながら認識し理解し
ているといえる。いいかえれば、音声入力の理解
の単音節の個々のものを理解し、それらを組み立
てている訳ではない。因に人に対して単音節の認
識実験をやつた処、ガ行、ダ行、バ行相互間やパ
行、カ行、タ行相互間又、マ行、ナ行相互間等の
聞き間違いが多く人を100％の認識率を有する単
音節認識部として用いることはできない。

この様に人が聞いてもよく理解できない単音節
を機械に100％認識させることは不可能に近く、
認識率95％が限度であるという重大な、しかも本
質的な欠点があつた。又入力音声を発するのは人
であるため発声音、即ち話者の健康状態、感情状
態により音声の状態が変ることとなる。従来の音
声認識装置では登録音声波形と入力音声波形間の
誤差を算出し、ある閾値以外のものはリジエクト
し話者より再入力する方法や、例えば前記誤差が
閾値以下であつたとしても最も誤差の小さいもの
を認識結果とする等の方法がとられていたが、い
づれも音声認識部の認識率だけに依存するという
欠点があつた。

本発明の目的は単音節入力音声タイプライタに
おける前記欠点を除去するため、入力音声が人が
聞いた場合認識しうる単語や構文であることに着
目し、認識結果が単語や構文としてあり得ないも
のであつた場合それを認識結果とせず一部の単音
節を音声認識部より出力された第２候補の単音節
と入れかえることにより人が認識しうる単語や構
文とすることを特徴とする実効音声認識率を上げ
ることを目的としたものであり以下詳細に説明す
る。

第２図は本発明の実施例を示むブロツク図であ
つて、１６は１個の入力音節に対して２個の認識
音節とそれぞれの確度とを出力する音声認識部、
１７は認識結果を格納する認識結果レジスタ、１
８は単語構文理解処理部、１９は単語・文法辞
書、２０は出力装置、２１は再試行処理部であ
る。

次にその動作を説明する。

まず、マイクロフオン１から文節単位で単音節
ごとに区切つて音声認識部１６に入力する。例え
ば、「暖かい春が来た」という内容を入力する時
はまず第１文節である「暖かい」を「ア」「タ」
「タ」「カ」「イ」と単音節毎に区切つて入力する。
音声認識部１６は第３図に示すように、まず母音
認識を行ない例えばア行であることを判別する
と、次に第４図に示す音節および確度レジスタ２
２の音節レジスタ２２ａにア行の全ての文字を格
納し、第５図に示す登録パターンメモリ２３の
1000番地から12FF番地までに格納された「ア」
の登録パターン（16チヤネルのデジタルコード）
２３ａを比較レジスタ２３ｂへ転送し、さらに確
度格納アドレスレジスタ２３ｃに確度を格納する
先頭アドレスであるF002番地をセツトする。次
に比較レジスタ２３ｂの内容と入力音声レジスタ
２３ｄの内容とを比較し、２乗距離すなわち入力
音声波形の登録音声波形に対する誤差を誤差０の
ときを確度１００として演算し、この確度を音節
および確度レジスタ２２の確度レジスタ２２ｂの
先頭を格納する。同様にして登録パターン２３の
チエツク時点の先頭レジスタを格納するサーチア
ドレスレジスタ２３ｅのサーチアドレスを1000番
地ずつ増加して比較レジスタ２３ｂへ順に「カ」
以下の登録パターンを転送し、それぞれを入力音
声レジスタ２３ｄの内容と比較し、確度格納アド
レスレジスタ２３ｃの内容を“10”ずつ増加して
比較結果である確度レジスタ２２ｂへ順次格納す
る。このようにしてア行の全ての確度を確度レジ
スタ２２ｂに格納した後第１順位および第２順位
の確度をサーチし、それぞれの音節と確度を認識
結果レジスタ１７へ出力する。これらの処理の流
れを第３図に示す。この認識結果レジスタ１７は
第７図に示すように第１順位の音節と確度を第１
候補レジスタ１７ａに格納し、第２順位の音節と
確度を第２候補レジスタ１７ｂに格納する。なお
No.は入力順序を示す番号である。

第７図の例では「暖い」を入力するために
「ア」「タ」「タ」「カ」「イ」と単音節に区切つて
入力し、音声認識部１６が第１候補として認識し
た結果が「アタタカイ」であつたことを示す。そ
れぞれ認識確度は第７図に示す様に入力順に９
５，８５，８１，８６，９６である。第２候補は
入力順に認識音節と確度を示すと第７図に示す様
にサー５５，パー７０、ター７５、ター７３、キ
ー６０である。なお第６入力以降は入力されなか
つたことを示すマーク（＊）が格納される。単語
構文理解処理部１８は認識結果レジスタ１７に格
納された単音節群を単語・文法辞書１９の内の単
語辞書を用いて最長一致法により一つの単語とし
て有効はどうかを調べる。即ち第１候補レジスタ
１７ａの認識音節「アタタカイ」を第９図に示す
検定レジスタ１８ａに転送し、この「アタタカ
イ」という単語が単語辞書にあるかどうかの検定
を行ない、ない場合「イ」を削除した「アタカ
カ」で検定を行なう。このようにして順次「アタ
カ」「アタ」「ア」で検定を行なう。「ア」は「合
う」「会う」「明く」「明ける」「当てる」「浴びる」
「在る」「有る」等の動詞の語幹であるがいづれも
「ア」の次の「タカカ」が活用形の語尾に一致し
ない。この様にしていづれもが単語辞書の見出し
にない場合は次に先頭の音節「ア」が接頭語かど
うかを調べる、本例の場合「ア」は接頭語ではな
いので接頭語処理は行なわわれないが「ア」の部
分に接頭語、例えば「オ」等があつた場合は、こ
の接頭語を取り去つた残りの４音節で最長一致法
により一つの単語として有効かどうかの検定を行
なう。本例の場合「アタタカイ」という音節列に
は単語として識別できるものがなかつたこととな
る。

従来の方式ではそのままひらがな又はカタカナ
で表示装置に表示し、話者の判断を迎ぐこととな
つたが、本発明による方法では、単語又は構文と
して人が認識しうる単音節列が入力されたことに
着目して処理する。その処理方法の一例を以下に
第６図を用いて詳細に説明する。即ち、単語構文
理解処理部１８が検定した結果単語として識別で
きなかつたときは、再試行処理部２１に再試行信
号を送り、再試行処理を開始する。再試行処理部
２１は再試行信号を受けると、第８図に示す再試
行カウンタ２１ｂを調べ、計数値が“０”のとき
はこの計数値を“１”増加させた後第１候補レジ
スタ１７ａから最低確度を抽出し、入力順序を示
す番号（本例では“３”）を入替番号レジスタ２
１ｃへセツトする。また前記再試行カウンタ２１
ｂの計数値が“１”のときはこの計数値“１”増
加させた後第１候補レジスタ１７ａの認識音節を
検定レジスタ１８ａにロードしなおした後第２候
補レジスタ１７ｂから最高確度を抽出し、入力順
序を示す番号を入替番号レジスタ２１ｃへセツト
する。さらに前記再試行カウンタ２１ｂの計数値
が“２”のときは再試行カウンタ２１ｂを“０”
にリセツトした後、単語構文理解処理部１８へエ
ラー信号を送る。本例の場合１回目の再試行であ
り、再試行カウンタ２１ｂの計数値は“０”であ
るので入替番号レジスタ２１ｃに“３”がセツト
される。次に再試行処理部２１は入替番号レジス
タ２１ｃの内容“３”に基いて第２候補レジスタ
１７ｂの第３番目の内容「タ」を読出し、検定レ
ジスタ１８ａの第３番目に前記「タ」を格納した
後、単語構文理解処理部１８へ検定信号を送る。
単語構文理解処理部１８は前述のようにして再び
検定を行なうが、このとき検定レジスタ１８ａの
内容は「アタタカイ」となつているので、前記単
語文法辞書１９内の単語辞書中に「暖かい」とい
う見出しで出て居り、形容詞終止形であることが
分る。したがつて前記単語文法辞書１９から
「暖」の漢字コードと「か」「い」のかなコードが
出力され、出力装置２０において印字または表示
される。

また本例と異なり第１回目の再試行により識別
できなかつたときは再び第１候補レジスタ１７ａ
の認識音節を検定レジスタ１８ａに転送し、第２
候補レジスタ１７ｂの最高確度の認識音節を検定
レジスタ１８ａの該当音節と入れ替えて再検定す
るが、これでも認識できなかつた場合、第１候補
レジスタ１７ａの認識音節をカナコードで出力装
置２０へ送り、話者の判断に任せる。なお、単語
辞書中に「暖か」という見出しの形容動詞しかな
い場合でも、最長一致法による２度目の検定に於
いて特定され結果として「暖か」という形容動詞
に接尾語「い」が付属したものであることが判明
するため、見出し語数として膨大な数をもつ必要
はなく、この点は単語・文法辞書１９の整備と単
語構文理解処理部１８のアルゴリズムの問題に帰
着し、本発明を妨げるものでないことを付記す
る。単語構文理解処理部１８は「暖かい」という
形容詞であつたことを記憶して「暖」という漢字
コードと「か」というかなコード「い」というか
なコードを前記の順で出力装置２０へ出力すると
「暖かい」と出力される。出力装置２０は音声認
識部１６に含まれるCRT１３を用いてもよいし、
又別のプリンタ等を用いてもよい。単語構文理解
処理部１８は単語・文法辞書１９を用いて詳しく
説明した単語に関してだけでなく、文法的な観点
より構文等に関しても検定を行なうものである。
ここで「暖かい」という形容詞であつたことを記
憶するのは、次の入力文節の単語構文理解処理の
参考データとするためであり、意味処理まで行な
えば、次の言葉として、どのような文節が入力さ
れるかの推定まで行なえることとなる。

以上説明したように前記実施例では単音節入力
列が単語又は文節単位で入力されるものとして、
更に人が聞いた場合理解しうる単語や構文である
ことに着目し、音声認識部１６より第１候補音
節、第２候補音節とそれぞれの認識確度情報を出
力し単語構文理解処理部１８により検定し人が聞
いた場合理解しうる単語や文節として出力するこ
とにより音声認識部１６の認識率のみに依存する
ことなく音声タイプライタという装置としての実
効的な認識率を向上させることが可能になるとい
う大きな利点がある。

前記実施例では第１図にて説明したように簡単
な方式で音声認識部１６を構成しているが本発明
は前記第１図の構成の音声認識方式に限定される
ものでなく、いかなる音声認識方式をとつた場合
でも音声タイプライタとして全体的な実効認識率
の向上に寄与するものであることはいう迄もな
い。

また、前記実施例では簡単のため音声認識部１
６より認識結果レジスタ１７を通じて単語構文理
解処理部１８へ出力する単音節列を単語又は文節
単位ということで説明したが単語構文理解処理部
１８の機能の中に文節への分解機能をも保有する
様に構成すれば単音節列は単語や文節に限定する
ことなく、文章全体を入力することができるもの
であり、更に単語構文理解処理部１８に意味理解
機能を付加することにより実効認識率を増々向上
させることができる。

さらに、前記実施例では第１候補の単音節列が
単語又は文節として識別できなかつた場合第１候
補群中の認識確度が最低のものを排除してその単
音節の第２候補といれかえた後再検定し、再び認
識できなかつた場合第２候補単音節列の中で最も
確度の高い単音節を第１候補単音節列の該当音節
と入れかえて再検定したが、いずれか一方の再検
定により識別できなかつたときには第１候補単音
節列をそのまま出力して話者の判断に任せるよう
にしてもよい。

また、人が単語や文節として理解し得ない様な
入力、例えば暗号文の如きものを入力する場合、
選択スイツチを設け単語構文理解処理部１８によ
る検定機能を使わずに出力装置２０に出力する
か、又は一歩進めてその暗号文の文法、法則等に
適合した単語構文理解処理部１８、単語・文法辞
書１９を準備し、その適法性を検定する等の応用
も考えられる。

以上詳細に説明した様に、本発明によれば日本
語の特徴を巧みにそろえて単語構文理解処理を施
すことにより、音声入力の誤認識という重大な欠
点をとり去り理想的な音声タイプライタを提供す
ることができる。又、本発明は音声タイプライタ
にとどまらず音声入力ワードプセツサ等を始めと
する音声入力日本語処理技術にとつて重大な変革
をもたらす発明であるといえる。

【図面の簡単な説明】

第１図は従来の単音節タイプライタの音声認識
部の構成図、第２図は本発明の実施例を示すブロ
ツク図、第３図は音声認識部の動作を説明するた
めの図、第４図および第５図は音声認識部の
RAMの内容を示す図、第６図は再試行処理部の
動作を説明するための図、第７図は認識結果レジ
スタの内容を示す図、第８図は再試行処理部の要
素を示す図、第９図は検定レジスタを示す図であ
る。 １……マイクロフオン、２……プリアンプ、３
……16CHBPF、４……16CHA／Ｄコンバータ、
５……対数変換ROM、６……ピツチ抽出器、７
……カウンタタイマ、８……マイクロCPU、９
……BUS LINE、１０……ROM、１１……
RAM、１２……FDD、１３……CRT、１４…
…KB、１５……ハードウエア演算器、１６……
音声認識部、１７……認識結果レジスタ、１７ａ
……第１候補レジスタ、１７ｂ……第２候補レジ
スタ、１８……単語構文理解処理部、１８ａ……
検定レジスタ、１９……単語・文法辞書、２０…
…出力装置、２１……再試行処理部、２２……音
節および確度レジスタ、２２ａ……音節レジス
タ、２２ｂ……確度レジスタ、２３……登録パタ
ーンメモリ、２３ａ……登録パターン、２３ｂ…
…比較レジスタ、２３ｃ……確度格納レジスタ、
２３ｄ……入力音声レジスタ。

Claims (1)

1. 【特許請求の範囲】 １ 音声を入力して処理し、所定様式の情報にし
   て出力する音声入力タイプライタにおいて、 １個の入力音節に対して少なくとも２個の認識
   音節とそれぞれの確度とを出力する音声認識部
   と、前記認識音節と確度とを確度の差異により複
   数の音節群に区分し格納する認識結果レジスタ
   と、単語および文法を格納している単語・文法辞
   書部と、前記認識結果レジスタから音節群を取り
   出し、単語・文法辞書部に格納された単語および
   文法を参照して正誤を検定する単語・構文理解処
   理部と、この単語・構文理解処理部が誤と検定し
   たとき検定中の音節群の一部を前記認識結果レジ
   スタに格納された他の音節群の一部と入れ替えて
   再検定を行なわせる再試行処理部と、前記単語・
   構文理解処理部の出力を印字または表示する出力
   装置とからなる単音節音声入力タイプライタ。