JPH02181798A - 適応型音声認識用学習方式 - 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】 （産業上の利用分野） 本発明は、音声を認識する音声認識装置において、異な
る話者や異なる発声雑音環境における発声に適応できる
適応型音声認識装置の学習に関する。

（従来の技術） 従来、人力された音声をあらかじめ保持されている標準
パタンを用いて認識を行う方法があった。（共立出版株
式会社［音声認識］（文献１）ｐ、１０１−１１３参照
）この方法では、標準パタン作成に用いた話者以外の話
者の音声を認識すると、話者による音声パタンの違いに
より十分な認識率が得られない。また、話者が同じでも
周囲雑音などの発声環境が標準パタン作成時と大きく異
なると認識率の低下が起こる。

通常、特定の話者の音声を認識する場合、認識対象語を
すべて発声し登録することが必要である。しかし、語食
が多い場合には多くの労力を必要とするという欠点があ
った。これ対し、小量の音声により標準パタンを特定話
者に適応化する法が提案されている。例として、ＩＥＥ
Ｅ　ＩＣＡＳＳＰ−８６，４９，５ｐ、２６４３“５ｐ
ｅａｋｅｒ　Ａｄａｐｔａｔｉｏｎ　ｔｈｒｏｕｇｈ　
ＶｅｃｔｏｒＱｕａｎｔｉｚａｔｉｏｎ”　（文献２）
にはベクトル量子化による話者適応化法が述べられてい
る。また、この方法におけるベクトル量子化による量子
化誤差の影響による性能の低下を改善するものとして、
特願昭６３−１２２５５９号には、ニューラルネットワ
ークによる話者適応化法が述べられている。これらの方
法では、話者１と話者２が同一単語（文節や文でもよい
）を発声したパタンを、ＤＰマツチングにより最適に時
間的に対応つけた上で、対応する特徴ベクトルの対のセ
ットから、適応化即ち変換器を求めている。

（発明が解決しようとする問題点） 上記の方法では異なった話者の音声パタンをそのままマ
ツチングしているが、ＤＰマツチングによる時間軸対応
つけは必ずしも正確ではない。例えば、話者１のある要
素は話者２では別の音素に類似しているなどが起こると
、正しくない対応付けが起こる可能性がある。このよう
な誤りは、適応化の性能を低下させ、認識性能を低下さ
せる原因となる。本発明は、このような話者の違いによ
る時間軸対応っけの誤りを取り除き高精度の話者適応や
発声雑音環境適応を実現することを目的としている。

（問題を解決するための手段） 本発明による適応型音声認識用学習方式は、環境１と環
境２の同一発声パタンから学習される環境適応化用のニ
ューラルネットにより、環境１の標準パタンを環境２用
に変換したパタンを用いて認識を行う方式において、環
境ｌの学習パタンをニューラルネットにより変換したパ
タンＡと環境２の学習パタンＢとの最適時間軸対応つけ
により得られるパタン間ご誤差パタンを用いてニューラ
ルネットの荷重係数を修正する過程の反復によりニュー
ラルネットを学習する手段を有することを特徴とする。

（作用） 話者適応化を例として、本発明の詳細な説明する。゛′
発声内容の同じ２つの話者１のパタンＡ、話者２のパタ
ンＢがあり、パタンＡからパタンＢへの変換を行うニュ
ーラルネットを学習するものとする。

パタンＡ、Ｂをベクトルの時系列 Ａ　＝（ａ（ｉ）、ｉ＝１．Ｉ） Ｂ＝（ｂθ）ｊ＝１．Ｊ） であられし、学習の反復ステップをｋであられす。

ニューラルネットはパタンＡのベクトルとパタンＢのベ
クトル間の変換を実現するものであり、人力、出力とも
にベクトルである。パタンＡの各時刻のベクトルをステ
ップにのニューラルネットにより変換してパタンＢ＊ｋ
を得る。

Ｂ”ｋ＝（ｂ”ｋ（ｉ）、ｉ＝１．・・・、Ｉ）大カパ
タンの変換パタンＢ＊にと教師パタンＢとの間でＤＰマ
ツチングを行う。ＤＰマツチングでは、次の最小化問題
を解く。なお、ＤＰマツチングの詳細は、文献１に述べ
られている。

Ｄｋ＝　　ｍｉｎ　　（ΣＩｌ　ｂ（ｊ）−いｋ（ｉ）
　１１２）ｊ（ｉ）　ｉ　＝１．１ このとき、最適なｊ（ｉ）も求めておく。パタンＢ＊に
の時間軸に整合されたパタンＢをＢｋとする。

Ｂｋ＝（ｂｋ（ｉ）、ｉ＝１．・・・、Ｉ）パタンＢ＊
にとのＢｋとの間の誤差ベクトルの時系列パタンをｄｋ
、誤差関数をＤｋとする。

ｄｋ＝（ｂｋ（ｉ）　−ｂ”ｋ（ｉ）、ｉ＝１．・・・
、Ｉ）Ｄｋ＝ΣＩＩ　ａｋｌｌ　２ 誤差ベクトル時系列パタンｄｋを用いてパックプロパゲ
ーション学習を行い、ニューラルネットの荷重を修正す
る。パックプロパゲーション学習の詳細は、電子情報通
信学会［確率モデルによる音声Ｊ　、ｐ、１６４−１６
７に述べられている。

１個の誤差ベクトルを用いた修正を行うことになるが、
修正の方法として、単純に１個の誤差ベクトルに対して
求められた荷重修正量による修正を繰り返す方法、ある
いは、文献２に述べられているような、１個の誤差ベク
トルについて荷重修正量を求めたのちこれらを平均して
荷重を修正する方法を用いる。このようにしてステップ
に＋１のニューラルネットが求められる。パックプロパ
ゲーション学習の収束性から、教師パタンＢｋに固定し
た条件では一ステップに＋１のニューラルネットの誤差
関数は、ステップにのニューラルネットの誤差関数より
小さい。

すなわち、 が成り立つ。一方、ＤＰマツチングは、すべての可能な
時間軸対応っけの中で誤差関数の最小となる対応っけを
実行するから、ステップに＋１でのＤＰマツチングの結
果得られる誤差関数Ｄｋ＋１について Ｄｋ　＋　１　”ΣＩｆ　ｂｋ＋ｘ（ｉ）−ｂ＊に＋１
（ｉ）　Ｉｆ　２≦ΣＩＩ　ｂｋ（ｉ）−ｂ％＋ｘ（ｉ
）　Ｉｆ　２が成り立つ。（１）、（２）式より Ｄｋ＋１≦Ｄｋ が成立つので、上記の反復処理は収束し、上記の反復処
理によりニューラルネットの学習を行うことができる。

学習におけるニューラルネットの荷重係数の初期値とし
て、ランダムな値を与えることも可能であるが、特願昭
６３−１２２５５９号に述べられている方法によりパタ
ンＡ、Ｂを直接ＤＰマツチングにより時間軸対応つけし
た結果から、ニューラルネットの学習を行い、得られた
結果を、初期値とすることもできる。

パタンＡ、Ｂとしては、単語、文、あるいは複数の単語
セット、文セットなど発声内容が同じ任意のものを用い
ることができる。

また、パタンＡ、Ｂとして、環境雑音の異なる同一話者
の発声パタンを用いることにより、発声環境雑音の適応
を行うこともできる。

（実施例） 第１図は、本発明による実施例を示す図である。

図において、記憶部１，２はそれぞれパタンＡ、Ｂを保
持し、学習制御部３は、学習ステップを表す制御信号ｋ
を発生する。まず、記憶部１に保持されたパタンＡはニ
ューラルネット部４に人力され、パタンｆ３．％に変換
される。ついで記憶部２に保持されたパタンＢと、前記
パタンＢ＊ｋがＤＰマツチング部５へ人力される。ＤＰ
マツチング部５は、入力された２つのパタンＢ、Ｂ”ｋ
の間でＤＰマツチングを実行し、パタンＢをパタンＢ＊
ｋに整合されたパタンＢｋを出力する。誤差パタン算出
部６は、ＤＰマツチング部５がら出力されたパタンＢｋ
と、ニューラルネット部４から出力されたパタンＢ＊に
との間の誤差パタンｄｋを算出する。誤差パタンｄｋは
、ニューラルネット修正部７へ送られるとともに、誤差
関数算出部８へ送られる。ニューラルネット修正部７は
、パックプロパゲーション学習により、ニューラルネッ
ト部４の内容（荷重係数）を修正する。学習制御部３は
、誤差関数算出部８により算出された誤差関数Ｄｋがあ
る程度以下になるか、ステップｋがあらかじめ定められ
た値以上になるまで、以上の一連の動作を反復する制御
を行う。

（発明の効果） 本発明によれば、新しい話者や発声雑音環境に効果的に
適応できるニューラルネットを学習することができ、高
性能や適応型音声認識装置を実現できる。

【図面の簡単な説明】

第１図は、本発明による実施例を示す図であり、図にお
いて、１，２はパタン記憶部、３は学習制御部、４はニ
ューラルネット部、５はＤＰマツチング部、６は誤差パ
タン算出部、７はニューラルネット修正部、８は誤差関
数算出部である。

Claims (1)

【特許請求の範囲】
1. 環境１と環境２の同一発声パタンから学習される環境適
   応化用のニューラルネットにより、環境１の標準パタン
   を環境２用に変換したパタンを用いて認識を行う音声認
   識用学習方式において、環境１の学習パタンをニューラ
   ルネットにより変換したパタンＡと環境２の学習パタン
   Ｂとの最適時間軸対応つけにより得られるパタン間の誤
   差パタンを用いてニューラルネットの荷重係数を修正す
   る過程の反復によりニューラルネットを学習することを
   特徴とする適応型音声認識用学習方式。