JPH0212199A - 音声認識装置 - 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】 〔産業上の利用分野〕 本発明はマルチテンプレート方式による音声認識装置に
関する。

〔従来の技術〕

不特定話者用または多数話者用の音声認識装置は、マル
チテンプレート方式を用いるものが多い。

従来マルチテンプレート方式は、カテゴリ毎に予め用意
された複数のテンプレートのすべてのテンプレートと人
力音声データとをマツチングすることにより音声認識を
行っていた。

〔発明が解決しようとする課題〕

従来のマルチテンプレート方式は、すべてのテンプレー
トと入力音声データとをマツチングして音声認識を行う
ものであったため、音声認識性能が予め用意するテンプ
レートの質と数によって左右される。

テンプレートの数については、ハードウェアのマツチン
グ演算能力と記憶容量によって決定される。従来のマル
チテンプレート方式は、たとえ記憶容量に制限がないと
しても、全カテゴリにおける全テンプレートの総数は、
マツチング演算能力によって一義的に決定されてしまう
という問題がある。すなわち、カテゴリＣ，（ｉ＝１〜
ＮＵＮはカテゴリ数）におけるテンプレートの数■、。

（ｉ＝１〜Ｎ二Ｎはカテゴリ数）は、１テンプレート当
りの平均演算量を約Ｐおよびマツチング処理に可能な全
演算量をＱとすると、 の条件を満足するように決定されるからである。

また、認識時の認識対象カテゴリが常に全カテゴリＣ６
（ｉ＝ｌ〜Ｎ）とは限らない。従って、例えば認識対象
カテゴリがＣ＝　　（ｉ＝１〜Ｍ：Ｍ＜Ｎ）の場合には
、マツチング処理における演算量は、 の演算量の分が無駄に余ってしまう。このように従来の
マルチテンプレート方式では、ハードウェアの演算能力
を十分に活用していなかったという問題もあった。

本発明の目的は、上記問題点を解決し、ハードウェアの
演算能力を十分活用し、かつ音声認識率の向上を図った
音声認識装置を提供することにある。

〔課題を解決するための手段〕

本発明の音声認識装置は、 直列に設けられた分析部、マツチング部、識別部と、こ
れらを制御すると共にマスクパターンを出力する制御部
と、各カテゴリのテンプレートを記憶した標準パターン
部と、前記制御部から入力したマスクパターンに基づい
てテンプレートを前記標準パターン部から選択し前記マ
ツチング部に出力するテンプレート選択部とを備え、前
記分析部は、入力音声を分析しその特徴ベクトルを入力
パターンとして前記マツチング部に出力するものであり
、 前記マスクパターンは、前記入力音声に対応したカテゴ
リのみを認識対象とするものであり、前記テンプレート
選択部は、前記認識対象とされたカテゴリに対応するテ
ンプレートの総数であってかつハードウェアがマツチン
グ可能な最大テンプレート数と略等しい数のテンプレー
トを選択するものであり、 前記マツチング部は、前記テンプレート選択部から入力
したテンプレートと前記分析部から入力した入力パター
ンとの距離をマツチングスコアとして前記識別部へ出力
するものであり、前記識別部は、前記マツチング部から
入力したマツチングスコアに基づき認識結果をコードと
して出力するものであることを特徴とする。

〔実施例〕

次に、本発明の実施例について図面を参照して説明する
。

第１図は本発明の一実施例に係る音声認識装置のブロッ
ク図である。

音声認識装置は、音声入力部１と出力部２との間に直列
に設けられた分析部３．マツチング部４゜識別部５と、
業務アプリケーション部６の命令によりこれら分析部３
．マツチング部４．識別部５を制御する制御部７と、テ
ンプレートを記憶した標準パターン部８と、この標準パ
ターン部８と前記制御部７から各々テンプレート、マス
クパターンを入力しテンプレートをマツチング部４に出
力するテンプレート選択部９とを備えている。

分析部３は、音声入力部ｌからディジタル信号化されて
入力された入力音声ＳＨ（ｉは時刻）の特徴ベクトルを
各フレーム毎に計算し、この特徴ベクトルを利用して音
声検出を行うところである。

また分析部３は、入力音声Ｓ！の始端から終端について
前記の計算を行い、その特徴ベクトルを人カバターンＰ
、としてマツチング部４に出力する機能を有する。

マツチング部４は、分析部３からの入力パターンＰＮと
テンプレート選択部９から入力した標準パターンたるテ
ンプレートとの距離を計算し、マツチングスコアとして
識別部５へ出力するところである。

識別部５は、マツチング部４から入力したマツチングス
コアからＫＮＮ法等によって認識した結果をコードとし
て出力部２に出力するところである。

制御部７は、業務アプリケーション部６の命令によって
入力音声Ｓ、・に対応したマスクパターンＭ、をテンプ
レート選択部９に出力するところである。マスクパター
ンＭ＋（ｉ＝１〜Ｎ、ただしＮ＝カテゴリ数）は、０ま
たは１の値で、１の場合にはそのカテゴリＣ５は認識対
象であり、０の場合はそのカテゴリＣｉは認識対象でな
いことを示す。また制御部７は、分析部２．マツチング
部４、識別部５の起動、停止等の制御をも行う。

標準パターン部８には、各カテゴリＣ工毎に複数のテン
プレートｎｉｊ　（ｊ＝１．２．　　・・・＋　　ｎ）
が記憶されている。各カテゴリＣ１に対応する複数ノテ
ンプＬ、”−トＩＴ、Ｊ（ｒｌ、、、　　ｒｌ、、　　
・・・、　　ＩＩ、１１）には優先順位がつけられ、そ
の順に並べられている。この優先順位は、実験により決
定される。具体的には、各カテゴリＣ，の入力音声Ｓ１
の入力パターンと最も距離の近いテンプレートにポイン
トを与えることとし、この認識実験を数多く行った後に
、獲得ポイントの多いテンプレートを順に並べることに
よりなされる。

テンプレート選択部９は、制御部７から入力されたマス
クパターンＭ、に基づいて入力音声Ｓ。

の入力パターンＰ、とマツチングさせるテンブレー）ｒ
ｌ、の数Ｌｉを計算し、ＬＡ個のテンプレート■１、を
標準パターン部８から選択してマツチング部４に出力す
るところである。テンプレート数Ｌ１の計算は、 Σ　（し、’ＸＭ、）Ｘα≦Ｑ　　　　・・・■Ｌ、＝
Ｌ五’ＸＭ、Ｘα　　　　　　　　　　・　・　・■で
なされる。

ただし、Ｎは標準パターン部８内のカテゴリＣ８の数、
Ｑはハードウェアがマツチング可能なテンプレート数の
最大値、Ｌｉ′はこの条件下でマスクパターンＭ４’が
すべて１の値をもつ場合の各カテゴリＣ１に対して予め
決定されたテンプレートｎ目の数、αは整数である。

次に、本実施例の音声認識作用について説明する。

ここでは、説明を簡単にするため、第２図に示す、標準
パターン部８内のカテゴリＣ工の数ＮをｌＯ、ハードウ
ェアのマツチング可能なテンプレート数の最大値Ｑを５
０、各カテゴリＣ１に対するテンプレート数り五′を、
Ｌ　＋　　＝　Ｌ　ｚ　’　＝　５　、　　Ｌ　：１＝
Ｌ、ａ　　＝Ｌｓ’　＝６．Ｌｈ’　＝Ｌ？’　＝５．
Ｌｍ＝Ｌ＊’　＝Ｌ＋ｏ’　＝４として決めておくもの
とする。また、カテゴリＣ３〜Ｃ１１ｌは、例えば「イ
チ」。

「ニー」、「サン」、「シー」、「ゴー」、「ロク」、
「ナナ」、「ハチ」、「キュー」、「ゼロ」の単語を示
すものとする。

業務アプリケーション部６の登録番号発声命令等により
、話者が例えば「イチ、ニー、サン、ハチ」と発声した
とする。この入力音声Ｓ、は、音声入力部１を介して分
析部３に入力し、分析部３によって音声検出された後特
徴ベクトルの入力パターンＰ１としてマツチング部４に
出力される。

一方、業務アプリケーション部６は、話者の登録番号に
対応したマスクパターンＭ、をテンプレート選択部９に
入力するように制御部７に命令を出す。この場合のマス
クパターンＭ、は、登録番号１２３８に対応するもので
あるから、第３図に示すようなマスクパターンである。

テンプレート選択部９では、入力されたマスクパターン
Ｍ、に基づいて標準パターン部８から選択するテンプレ
ート数り、を前記■式と０式とを用いて計算する。

すなわち、■式より を解いてα＝２が求められ、これを０式に代入すること
により、各カテゴリＣ８のテンプレート数Ｌ１が求めら
れる。例えばＣ１に対するテンプレート数Ｌ１は、Ｌ、
＝Ｌ、’　ｘＭｔｘα＝１０である。

テンプレート選択部９は、このようにして第３図に示す
ような各カテゴリＣ１に対応したテンプレート数Ｌ１を
選択した後、これらをマツチング部４に出力する。

マツチング部４は、入力したテンプレートｎ　ｉ　ｊと
分析部３からの入力パターンｐｉ　との距離を計算し、
マツチングスコアとして識別部５へ出力する。識別部５
はマツチングスコアから認識した結果をコードとして出
力部２に出力する。

以上のように本実施例は、必要なカテゴリＣ１（上記例
ではＣＩｎ　Ｃｚ、　Ｃ３，Ｃｓ　）のテンプレート数
り、を前記Ｑの範囲で最大限選択するため、従来よりも
１つのカテゴリＣｉに対するテンプレート数り、を多く
選択することができ、この結果、音声認識率が向上する
。

なお、本実施例の分析部３は、音声の始端から終端まで
の特徴ベクトルを入力パターンとしているが、これに限
る趣旨ではなく、入力音声データＳ、の特徴ベクトルか
らベクトル量子化されたコードを入力パターンとし、ま
たは音素単位に識別されたコードを入力パターンとして
もよいことは明らかである。

〔発明の効果〕

以上説明したように本発明の音声認識装置は、入力音声
に対応したカテゴリのみを認識対象とするマスクパター
ンをテンプレート選択部に入力する制御部と、このマス
クパターンに基づき認識対象とされたカテゴリに対応す
るテンプレートの総数であってかつハードウェアがマツ
チング可能な最大テンプレート数と略等しい数のテンプ
レートを選択するテンプレート選択部とを備えているた
め、常に最大限の数のテンプレートを標準パターンとし
て利用できる効果がある。特に認識対象の力１テゴリ数
が少ないマスクパターンの場合には、従来の装置に比べ
著しく認識率が高くなるという効果がある。

【図面の簡単な説明】

第１図は本発明の一実施例に係る音声認識装置のブロッ
ク図、 第２図は第１図の音声認識装置において全カテゴリを認
識対象とした場合の予め決定されたテンプレートとその
数の説明図、 第３図は第１図の音声認識装置においであるマスクパタ
ーンが与えられた場合の選択されたテンプレートとその
数の説明図である。 １・・・・・音声入力部 ２・・・・・出力部 ３・・・・・分析部 ４・・・・・マツチング部 ５・・・・・識別部 ６・・・・・業務アプリケーション部 ７・・・・・制御部 ８・・・・・標準パターン部 ９・・・・・テンプレート選択部 范１図 代理人　弁理士　　岩　佐　　義　幸

Claims (1)

【特許請求の範囲】
1. （１）直列に設けられた分析部、マッチング部、識別部
   と、これらを制御すると共にマスクパターンを出力する
   制御部と、各カテゴリのテンプレートを記憶した標準パ
   ターン部と、前記制御部から入力したマスクパターンに
   基づいてテンプレートを前記標準パターン部から選択し
   前記マッチング部に出力するテンプレート選択部とを備
   え、前記分析部は、入力音声を分析しその特徴ベクトル
   を入力パターンとして前記マッチング部に出力するもの
   であり、 前記マスクパターンは、前記入力音声に対応したカテゴ
   リのみを認識対象とするものであり、前記テンプレート
   選択部は、前記認識対象とされたカテゴリに対応するテ
   ンプレートの総数であってかつハードウェアがマッチン
   グ可能な最大テンプレート数と略等しい数のテンプレー
   トを選択するものであり、 前記マッチング部は、前記テンプレート選択部から入力
   したテンプレートと前記分析部から入力した入力パター
   ンとの距離をマッチングスコアとして前記識別部へ出力
   するものであり、 前記識別部は、前記マッチング部から入力したマッチン
   グスコアに基づき認識結果をコードとして出力するもの
   であることを特徴とする音声認識装置。