JPH02186400A - 単語音声認識方式 - 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】 日既　　　　　要〕 未知入力単語音声から特徴量を抽出してその単語音声の
認識を行う単語音声認識方式に関し、単語候補を正確に
絞り込むことができ、かつ、高速に認識を行うことの可
能な単語音声認識方式を実現することを口約とし、 入力単語音声の複数の部分の各々から特徴量を抽出する
特徴量抽出手段と、複数の各学習単語音声に対して特徴
量抽出手段で各部分別に特徴量を抽出した後、各部分別
に複数の学習単語音声のクラス分けを行うクラス分け手
段と、各クラスの代表特徴量を演算する代表特徴量演算
手段と、各クラス毎の代表特徴量及び各クラスに含まれ
る学習単語音声の種類を各部分別に辞書として記憶する
辞書記憶手段と、未知入力単語音声に対して特徴量抽出
手段で各部分別に特徴量を抽出した後、各部分別に辞書
記憶手段内の対応する各クラスの代表特徴量との類似度
を演算する類似度演算手段と、該類似度をもとに前記辞
書記憶手段に記憶されている前記各学習単語音声と前記
未知入力単語音声との類似度を演算し、類似度の高い学
習単語音声から順に順位付きの大分類単語候補として出
力する大分類認識手段と、未知入力単語音声の母音系列
を認識する母音系列認識手段と、各学習単語音声の単語
的母音系列を辞書として記憶する母音系列辞書記憶手段
と、該手段から各大分類単語候補の母音系列を抽出し、
母音系列認識手段から出力される未知入力単語音声の母
音系列と各々ＤＰマツチングを行い、マツチング度の高
い大分類単語候補から順に順位付きの細分類単語候補と
して出力する細分類認識手段とを有するように構成する
。

〔産業上の利用分野〕

本発明は、未知入力単語音声から特徴量を抽出してその
単語音声の認識を行う単語音声認識方式〔従来の技術〕 未知入力単語音声から特徴量を抽出して、その単語音声
の認識を行う場合、通常は未知入力単語音声の特ｒｌｌ
量と予め記憶させておいた学習単語音声の特１！ｌ［量
とをマツチングさせて、最もＩＪ（（１度の高い学習単
語音声を認識結果とする方式が一般的である。この場合
、１つの単語音声は、複数組の特徴量の時系列パターン
からなっているため、未知入力単語音声と学習単語音声
とのマツチングを行う場合、未知入力単語音声の特＠、
量の時系列パターンと学習単語音声の特徴量の時系列バ
クーンとをどのようにマツチングさせるかによって、様
々なマツチング方式が考えられる。

最も一般的な第１の従来例としては、未知入力単語音声
の特徴量の時系列パターンの各にと学習単語音声の特徴
量の時系列パターンの各々とを、各単語の先頭から順に
対応させて、各特徴量間の類似度（距離）を計算し、そ
れを時系列パターン全体で総和をとることにより単語間
の類似度を計算し、それを全学習単語音声について行い
、類似度の最も高い（距離の最も小さい）学習単語音声
を認識結果とする通常のパターンマツチング方式また、
第２の従来例として、未知入力単語音声の特徴量の時系
列パターンの各々と学習単語音声の特ｆ＆ｆｆｉの時系
列パターンの各々とを、時間軸方向に非線形に伸縮させ
ながら各特徴量間の距離計算を繰り返して各単語毎に累
積距離を計算し、それを全学習単語音声について行い、
累積距離の最も小さい学習単語音声を認識結果とするＤ
Ｐマツチング方式がある。

Ｃ発明が解決しようとする！ＬＰり しかし、−１１１に単語音声は、発声時間が一定でない
ため単語長も異なるのが普通であり、従って、前記第１
の従来例では、そのような単語長の違いを考慮していな
いため、高い認識率を得にくいという問題点を有してい
る。

一方、前記第２の従来例は、上記単語長の違いを考慮に
入れた方式であり、高い認識率を得ることができるが、
各単語毎に時間軸の非線形な伸縮を行う必要があるため
計算量が多く、特に、全ての学習単語音声についてこの
計算を操り返すと、全体の計算量は非常に膨大なものと
なってしまい、リアルタイム処理が困難であるという問
題点を有している。

また、上記第１及び第２の従来例とも、学習単語音声全
てとのマツチングを必要とするため、基本的に計算量が
多いという問題点を存している。

このような問題点を解決するために、未知入力単語音声
を、まず、大まかに分類して単語候補を絞り込み、その
ようにして少数に絞り込まれた単語候補について詳細な
認識を行う方式が考えられるが、この場合、単語候補を
高速かつ正確に絞り込むことの可能な認識方式は従来は
とんどなく、結局、上記のような方式による高速で認識
率の高い単語音声認識方式は、実現するのが困難である
という問題点を有している。

本発明は、単語候補を正確に絞り込むことができ、かつ
、高速に認識を行うことの可能な単語音声認識方式を実
現することを目的とする。

〔課題を解決するための手段〕

第１図は、本発明のブロック図である。

特徴量抽出手段１０１は、入力単語音声の複数の部分の
各々から特徴量を抽出する手段であり、例えば入力単語
音声の各フレーム毎にケプストラム係数等の特徴ベクト
ルを計算し、その後入力単語音声を複数の部分（部分パ
ターン）に分割し、各部分毎に上記特徴ベクトルの平均
を求めて、各部分毎の特徴量を演算する手段により実現
される。

クラス分け手段１０２は、辞書作成時に使用され、複数
の各学習単語音声１１０に対して特徴量抽出手段１０１
で各部分別に特徴量が抽出された後、各部分別に複数の
学習単語音声１ｉ００クラス分けを行う手段であり、例
えば各部分別の特徴量のクラスタリングを行う手段によ
って実現される。

代表特徴量演算手段１０３は同じく辞書作成時に使用さ
れ、上記クラス分け手段１０２によって各部分別にクラ
ス分けされた各クラス毎の代表時ｆｉＴｈ！！（標準部
分パターン）を演算する手段であり、例えば各クラスに
含まれる学習単語音声１１０の対応する部分の特徴量の
平均を計算して代表特徴■とする手段によって実現され
る。

辞書記憶手段１０４は、各クラス毎の代表特徴量及び各
クラスに含まれる学習単語音声の種類を各部分別に辞書
として記憶する手段であり、例えばＲＯＭ　（リードオ
ンリーメモリ）あるいはディスク記憶手段によって実現
される。

次に、類似度演算手段１０５は未知入力単語音声１．１
１のＰ！識時に使用され、未知入力単語音声１１１に対
して、特徴量抽出手段１０１で各部分別に特１ｒ１．ｎ
が抽出された後、各部分別に辞書記憶手段１０４内のそ
の部分に対応する各クラスの代表特ｒｔ１．量との１（
限度を演算する手段であり、例えば特徴量間のユークリ
ッド距離を演算する手段により実現される。

大分類認識手段１０６は同じく未知入力単語音声１１１
の認識時に使用され、類似度演算手段１０５で演算され
た類似度をもとに、辞書記憶手段１０４に記憶されてい
る各学習単語音声１１０と未知入力単語音声１１１との
類似度を演算し、類似度の高い学習単語音声から順に順
位付きの大分類認識手段１１２として出力する手段であ
る。同手段は、例えばある学習単語音声１１０につき、
各部分別にその学習単語音声１１０が含まれるクラスを
辞書記憶手段１０４を参照して求め、そのクラスについ
てＭｍ度演算手段１０５で演算されている類似度を参照
・抽出し、全ての部分について抽出された８ｍ度の総和
を計算してその学習単語音声１１０についての類似度と
する手段と、この処理を全ての学習単語音声１１０に繰
り返す手段と、このようにして得られる各学習単語音声
１１Ｏの類似度のうち、類似度の高い学習単語音声から
順に選択して大分類認識手段１１２として出力する手段
とによって実現される。

一方、母音系列認識手段１０７は、大分類認識手段１０
６における大分類認識処理の後の細分類認識処理時に使
用され、上記処理とは独立して、未知入力単語音声１１
１の母音系列を認識する手段であり、例えば予め記憶し
ている５母音の特徴量と未知入力単語音声１１１の各フ
レーム毎の特徴量とをマツチングさせ、各フレーム毎に
母音系列を認識・抽出する手段によって実現される。

母音系列辞書記憶手段１０８は、各学習単語音声１１０
の単語的母音系列を辞書として記憶する手段である。

細分類認識手段１０９は、前記大分類認識手段１０６に
よる大分類認識処理の後に使用され、大分類認識手段１
０６から出力される各大分類単語候補１１２の母音系列
を母音系列辞書記憶手段１０８から抽出し、母音系列認
識手段１０７から出力される未知入力単語音声１１１の
母音系列と各々ＤＰマツチングを行って、マツチング度
の高い大分類単語候補から順に順位付きの細分類単語候
補１１３として出力する手段である。

〔作　　　用〕

上記手段における作用につき以下に説明を行う。

始めに、大分類認識処理の前提となる辞書作成処理につ
いて説明を行う。

■まず、特徴量抽出手段１０１において、複数の学習単
語音声１１０を順次入力した後、各学習単語音声１１０
を同一の複数の部分に分割し、各部分別に全学習単語音
声１１０の特徴量を抽出する。

■次に、クラス分け手段１０２が上記複数の各部分を順
次決定し、その部分に対応する各学習単語音声１１０の
特徴量に基づいて複数の学習単語音声１１０のクラス分
けを実行する。

■その後、代表特徴量演算手段Ｉ０３において、上記処
理によってクラス分けされた各クラスの代表特徴量が演
算される。

■そして、各クラスの代表特徴量及び各クラスに含まれ
る学習単語音声の種類が辞書記憶手段ｌＯ４に記憶され
る。

以上の■〜■の処理は、前記複数の各部分全てについて
独立に実行される。そして、全ての処理が終了したら、
辞書作成の処理を終了する。

上記処理により、まず、学習単語音声が複数の部分に分
割され、更に、各部分毎にクラス分けされ、辞書には各
クラスの代表特徴量のみが記憶されるため、全体の記憶
容量は、全ての学習単語音声１１０の特徴量を記憶した
場合に比較して、クラス分けの分割数に応じて減少する
。なお、各クラスに含まれる学習パターンの種類を記憶
するのに必要な記憶容量は、特徴量の記憶容量に比較し
て小さいので、全体的に見ても辞書の記憶容量を減らす
ことができる。

次に、大分類認識処理について説明を行う。

■まず、特徴量抽出手段１０１において、未知入力単語
音声１１１を入力し、それを前記学習単語音声１１０と
同一の複数の部分に分割して各部分別に特１ｔｌ［ｆｆ
ｉを抽出する。

０次に、類似度演算手段１０５が上記複数の各部分を順
次決定し、その部分に対応する未知入力単語音声１１１
の特徴量と、辞書記憶手段１０４内の上記部分に対応す
る各クラスの代表特徴量との類似度が演算される。

■上記■の処理を全ての部分について繰り返す。

■その後、大分Ｒ認識手段１０６が、辞書記憶手段１０
４に記憶されているある学習単語音声１１０について、
その学習単語音声が含まれる各部分毎のクラスの類似度
からその学習単語音声の類似度を演算する。

■上記■の処理を全ての学習単語音声について繰り返す
。

［相］上記■の処理の結果、類似度の高い学習単語音声
から順に順位付けをして、大分類単語候補１１２として
出力する。

上記大分ｍｌ識処理により、未知入力単語音声１１１と
学習単語音声１１０との類似度の計算は、各部分毎に各
クラスの代表特徴量とのみ行えばよいため、全ての学習
単語音声１１０との間で類似度の計算をするのに比べ、
大幅に計算量を削減することができる。

次に、細分類認識処理について説明を行う。

■まず、上記大分類認識処理からは独立して、母音系列
認識手段１０７において未知入力単語音声１１１の母音
系列が認識される。

０次に、前記大分類認識処理により大分類認識手段１０
６から出力される大分類単語候補１１２を細分類認識手
段１０９に入力させ、各大分類単語候補１１２の母音系
列を母音系列辞書記憶手段１０８を参照して抽出する。

■抽出された母音系列のうち、各大分類単語候補１１２
に対応する母音系列と前記母音系列認識手段１０７から
出力される未知入力単語音声１工１の母音系列とでＤＰ
マツチングを行う。

■上記■の処理を、全ての大分類単語候補１１２につい
て繰り返す。

■上記■の処理の結果、マツチング度の高い学習単語音
声から順に順位付けをして、細分類単語候補１１３とし
て出力する。

上記細分類認識処理により、前記大分類認識処理でＬ２
識された大分類単語候補１１２の順位が更に絞り込まれ
、最終的に正確な順位付けがなされた細分類単語候補１
１３を得ることができる。この場合、大分類単語候補１
１２は元々１０位程度まで候補数が絞られており、また
、−単語候補あたりの母音系列の数もそれほど多くない
（数個）ため、各大分類単語候補１１２の母音系列と未
知入力単語音声１１１の母音系列とのＤＰマッヂングは
、高速に行うことが可能である。

以上に示したように、本発明では、単語候補に基づく単
語音声の認識を行う場合、まず、大分類認識処理により
おおまかな大分類単語候補１１２を得て、更に、細分類
認識処理により大分類単語候補１１２を絞り込んで細分
類単語候補１１３を得ることを特徴とする。このような
２段階の方式により、単語候補の計算を高速かつ正確に
行うことが可能となる。そして、このようにして候補数
が絞り込まれた細分類単語候補１１３に対して、再度Ｄ
Ｐマツチング等による最終的な認識を行うことにより、
始めからＤＰマツチング等を行う認識方式に比較して、
大幅に計算量が少なく、かつ、同等かそれ以上の認識率
の単語音声認識システムを実現することができる。

なお、母音系列認識手段１０７から出力される未知入力
単語音声１１１の母音系列は、複数の母音系列候補が出
力されるようにし、細分類ｖ２識手段１０９における各
大分類単語候補１１２の母音系列とのＤＰマツチングも
、上記複数の母音系列候補に対して行なうことにより、
母音系列認識手段１０７における母音認識誤りによる影
響を最小限に抑えることができる。

また、その場合に、未知入力単語音声１１１の複数の母
音系列候補に順位を付加し、ＤＰマツチングの際にその
順位に応じた重みを付加することにより、より妥当なマ
ツチングを行うことができる。

〔実　　施　　例］ 以下、本発明の実施例につき詳細に説明を行う。

（本実施例の構成） 第２図は、本発明による単語音声認識装置の実施例の全
体構成図である。

入力音声２０９は、まず、前処理部２０１に入力し、こ
こで、単語区間の切り出し、線形正規化、音声分析等の
各処理（後述する）が実行され、線形正規化された特徴
ベクトル時系列パターン２１Ｏを出力する。

この特徴ベクトル時系列パターン２１０は、部分パター
ン抽出部２０２に入力し、ここで部分パターン２１１が
得られる。

続いて、　部分パターン２１１は部分パターン間距離テ
ーブル演算部２０３に入力し、ここで標準部分パターン
辞書部２０４に予め記憶されている各標準部分パターン
との距離が演算され、部分パターン間距離テーブル２】
２が作成される。

部分パターン間距離テーブル２１２は、大分類認識部２
０５に入力し、ここで単語辞書部２０６が参照されなが
ら部分パターン間距離テーブル２１２に基づいて各単語
毎の距離が演算され、その演算結果に基づいて単語認識
が行われことにより、大分類単語候補２１３が出力され
る。

大分類単語候補２１３は、更に、細分類認識部２０７に
入力する。細分類Ｐ！織部２０７では、入力音声２０９
を再び入力して、細分Ｉ１１？２識を行う。

このきき、単語内母音系列辞書部２０８を参照しながら
細分類認識を行い、その結果、最終的な細分類単語候補
２１４が得られる。

（本実施例の動作） 上記の構成の本実施例の動作につき、以下に説明を行う
。

工夫」」旧（社）１１ まず、第２図の前処理部２０１の動作につき説明を行う
。第３図は、前処理部２０１の動作フローチャートを示
した図である。以下、これに従って説明を行う。

まず、入力した入力音声２０９は、９ｋＨｚ、６０ｄＢ
１０ｃｔのローパスフィルタ（ＬＰＦ）に通される（５
３０１）。

続いて、２４ｋＨｚ、１２ｂｉｔの符号付きでＡ／Ｄ変
換され、ディジタル音声信号に変換される（３３０２）
。

次に、この信号に対して、パワーの時間的な変化が演算
され、第４図のようにして得られたパワーパターン４０
１に対して、一定閾値４０２を設定することにより、同
図に示すような単語区間４０３が自動的に切り出される
（Ｓ３０３）。

次に、このようにして切り出された単語区間は、時間方
向に４８フレームに線形正規化される（Ｓ３０４）、こ
こで、フレームとは、次に説明する音声分析の基本的な
時間単位であり、１フレームは２１．３ｍ５ｅｃである
。

次に、各フレーム毎に音声分析を行う（Ｓ３０５−５３
０９−Ｓ３０５のループ）。

すなわち、前記のようにして線形正規化されたディジタ
ル音声信号の先頭から順に、時間長２１．３ｍ５ｅｃ　
（５１２ポイント）の　Ｈａｍａ＋ｉｎｇ　ＩＪＪｉｎ
ｄｏ−が乗算され、各フレームのディジタル音声信号が
切り出される（Ｓ３０５）。

このようにして切り出された各フレームのディジタル音
声信号に対して、５１２ポイントのＦＦＴ（高速フーリ
エ変換）分析を行い、パワースペクトルに変換する（３
３０６）。

求められた５１２ポイントパワースペクトルに対して、
メル等間隔の５０チヤネルのバンドパスフィルタ（ＢＰ
Ｆ）によって、分割及び統合を行い、周波数軸をメル尺
度に変換する（５３０７）。

そして、ケプストラム分析により、１０次までのケプス
トラム係数（ｘｉ’、ｘ２”、　　・・・。

ｘｌｏ’）を求める（３３０Ｂ）、但し、求められたケ
プストラム係数は次式のように正規化される。

Ｘ１＝Ｘ（’／　　ΣＸ＋”　　　　　　　　　・・（
１）ｊ＝１ 以上の処理を、工単語区間の４８フレーム全てについて
繰り返しく５３０９−３３０５）、これにより得られる
４８フレ一ム分の上記（１）式により正規化されたケプ
ストラム係数を、特徴ベクトルとして第２図の前処理部
２０１から出力する。

°　　パターン・　預 本実施例では、上記のようにして得られる特徴ベクトル
を用いて、単語認識を行う。ここで、後述する単語認識
を行う場合、第２図に示される標準部分パターン辞書部
２０４及び単語辞書部２０６に、各々標準部分パターン
及び単語辞書を予め登録しておく必要がある。そこでま
ず、単語認識処理の前に、標準部分パターンと単語辞書
の作成処理について説明を行う。

まず、前処理部２０１で入力音声２０９の学習パターン
を処理し、これにより得られる時間方向にｎフレーム（
前記説明ではｎ＝４８フレーム）に線形正規化された単
語音声Ｗｋの特徴ベクトルの時系列パターンを、 Ｗｋ＝　（Ｘｋ＋、Ｘｈｚ、　　・・・、　　Ｘｋ−）
　　・・・（２）ｋ＝１．２．・・・、Ｎ と表す（第４図参照）、但し、Ｎは単語の種数、Ｘｈｔ
（ｍ＝１，２．　　・・・１口）は単語Ｗｋの時間方向
Ｌフレーム目の特徴ベクトル（１〜１０次のケプストラ
ム係数からなる）である。

次に、上記（２）式の特徴ベクトルの時系列パターンは
、第２図の部分パターン抽出部２０２に入力し、ここで
第６図の斜線のように、単語音声Ｗｋの特徴ベクトル時
系列パターンにマスクψ、ｔ（ｌｉ”１〜〜Ｍ）を施し
て、部分パターンＷ（′″ｌ、を抽出する。

すなわち、 ｗ　”’ｈ＝ＸＰ−（Ｗｂ）　　　　　　　　　　　・
・・（３）なる演算を行う。上記（３）式の演算をＮ種
の単語音声Ｗ、、Ｗ２．・・・、ＷＮの各特徴ベクトル
時系列パターンに対し行って得た部分パターンの集合を
、（ｗ　”’　、　、　　ｗ　”″）２．・・・　、（
ｓ）、）　　・・（４）ｍ＝１．２．・・・１Ｍ で表す。

ここでいま、上記（４）式の部分パターンの集合のうち
、１つのマスクψ、に対応する部分パターンｗ”へに着
目して、Ｎ種の単語音声Ｗ、、Ｗ２゜・・、ＷＮをＴ個
のクラスＣ”’　ｔ　（ｍ＝１〜Ｔ）に分ける。このク
ラス分けは、最遠随性によるクラスタリングアルゴリズ
ムにより次の手順で行われる。

但し、Ｎ　＞　Ｔ、　Ｃ”’　１はマスク中、に対応す
る部分パターンの１番目のクラスを表す。

■ｃ”’ｔ　　＝　（ｗ＋＋ｍＪ　　　）　　、　　　
（ｍ＝１．２＋　　　”　　’　　ＩＮ）ｃｏｕｎｔ＝
Ｎ すなわちここでは、初期値としてＮ個のクラスに分かれ
ており、各クラスは各々１つずつの部分パターンＷ３″
）Ｉから構成される。なお、ｃｏｕｎｔはクラスの分割
数を表す変数であり、後述するようにｃｏｕｎｔ＝Ｔと
なった時点でクラスタリングを終了する。

■Ｄ（（：　＜１１２’、　、　　Ｃ（Ｉｌｌ’、　）
　＝Ｄ　　（Ｃ”’＋　　、　　Ｃ”’Ｊ　　）　　＝
ｍ　ａ　Ｘ　　（ｄ　　（Ｗ　”’ｐ、　Ｗ　”’ａ）
　　）ｗ　（−１ｐＥ　　Ｃ（ｍｌ　ｉｔ　　　　Ｗ　
Ｔｓ）、Ｅ　　Ｃ（ｌｌｌ　ｊｄ　　（ｗ　”’　ｐ＋
　Ｗ　”″）Ｑ）−Σ　（ｗ　”’　ｐｔ　−ｗ　”’
。）２む ・　・　・（５） ここで、ｗ　ｌ＋″）ｐｌ、ｗ”″）□は、各々部分パ
ターンｗ　ｆｌ＋１　ｐ、　ｗ　（ｍ）９内の時間方向
Ｌフレーム目の特徴ベクトルであり、上式により定義さ
れるｄ　（ｗ　＋＋ｗｌ、　Ｗ（ｆｆｉ）ｑ）　ハ、部
分パターンｗ　（＋″）ｐとｗ　ｉｓ″′９のユークリ
ッド距離を示す。

■Ｃ（ｍ＋’、とＣ（Ｍｌ’、を統合して１つのクラス
とする。

■ｅｏｕｎｔ＝ｅｏｕｎｔ　　−１ ■もし、ｃｏｕｎｔがＴに等しくなければ■〜■を繰り
返し、Ｔに等しければクラスタリングの処理を終了する
。

以上のクラスタリングアルゴリズムにより、１つのマス
クψ、に対応するＮ種の単語音声Ｗ、、Ｗ、。

・・・、ＷＮの各部分パターンｗ　（＋″’ｋ（ｋ・１
〜Ｎ）がＴ個のクラスＣ（ａゝ＋　（ｔ＝Ｘ〜Ｔ）にク
ラス分けされる。

次に、上記のようにして求まったマスクψ、に対応する
Ｔ個のクラスの標準部分パターンｗ　（ｔ″ｌ。

（ｍ＝１−Ｔ）を計算する。この処理は各クラスＣ（Ｉ
ｌｌｌ（ｍ＝１−Ｔ）毎に、そのクラスに含まれる部分
パターンの平均値として計算され、各クラスに含まれる
単語音声のマスクψヨに対応する部分パターンは、その
部分パターンが含まれるクラスの標準部分パターンによ
って代表される。

上記クラスタリング処理及び標準部分パターン作成処理
の様子を、マスクψ、に対する例として第７図に示す。

以上の処理を、Ｎ種の単語音声Ｗ、、Ｗ２．・・・ＷＨ
の各マスクψ１〜ψＮに対して同様に行う。

これによりＮ種の単語音声Ｗ、、Ｗ、、・・・、ＷＮは
、各マスク毎に独立してＴ個のクラスにクラス分けされ
ることがわかる。そして、これとともに計算される標準
部分パターンｗ　”＞１（ｍ＝１−Ｔ）。

（ｍ＝１−Ｍ）が、第２図の標準部分パターン辞書部２
０４に記憶される。

次に、上記クラスタリングの処理により、Ｎ種の単語音
声Ｗ、、Ｗ、、・・・、ＷＮが各マスク中１〜ψ、ごと
に、各々Ｔ個のクラスのうちどのクラスにクラス分けさ
れたかを、第２図の単語辞書部２０６に記憶する。単語
辞書の例を第８図に示す。

すなわち、Ｎ種の各単語音声Ｗｌ、Ｗ２．・・・、ＷＮ
ごとに、各マスクψ１〜ψＨにおけるクラス番号が記憶
される。この単語辞書により、各単語音声Ｗ、、Ｗ２．
・・・、ＷＮは、各マスクψ、〜ψ、ごとに含まれるク
ラスの標準部分パターンを、全マスクにわたり集合させ
たもので表現できることがわかる。

人ｍΔ１ 以上のように作成された標準部分パターン及び単語辞書
に基づき、入力音声２０９の大分離認識を行う。

まず、未知の入力単語は、前記標準部分パターン作成処
理の場合と同様にして、第２図の前処理部２０１で特徴
ベクトル時系列パターン２１０が計算された後、部分パ
ターン抽出部２０２で部分パターンに分割される（第５
図、第６図参照）。

今、未知入力単語を曾とし、Ｗと辞書単語Ｗｋとの距１
９ｔＤ　（Ｗ、　Ｗｂ）を次式で定義する。

Ｄ　（Ｖ／、　Ｗｋ）　＝ΣｄＬ′″’ｅ（ｋ＋ｌＩ）
　　　　（１１６）但し、 ｄ′″′）ｃ（ｋ＋ｍ）−ｄ　（ｗ　”’Ｃ（１１＋ｌ
Ｉｌ＋　　”　”’）　”　（７）曾１）＝ψ、（會）
　　　　　　　　　　・・・（８）ここで、ｃ　（ｋ、
ｍ）及び”　”’　ｅ　（ｋ、ｓｌは、各々マスクψ、
においで、Ｗｋが属するクラスの番号及びそのクラスを
代表する標準部分パターンである。従って、ｄ（ｍｌ。

（ｋ＋　ｍｌは、標準部分パターンＷ（’　ｃ　ｌｋ、
　ｍ）と、未知入力単語専の部分パターンｇ　（ｍｌと
の距離であるため（前記（５）式の定義による）、上記
（６）式で定義される未知入力単語Ｗと辞書単語Ｗ、と
の距離は、各マスクψ、〜ψＨにおける未知入力単語の
部分パターンと辞書単語の標準部分パターンとの距離を
、マスク全体にわたって総和をとったもので与えられる
。第９図に、未知入力単語曾と辞書単語Ｗ、との距離の
計算処理の例を示す。

本実施例における大分類認識では、上記距離計算を第２
図の全ての辞書単語Ｗ、〜ＷＮについて行うが、この場
合、各辞書単語毎にその辞書単語が属するクラスの標準
部分パターンとの距離をいちいち計算する必要はない、
なぜならば、１つのクラスには複数の辞書単語が含まれ
るからである。

従って、まず、各辞書単語との距離計算を行う前に、第
２図の部分パターン間距離テーブル演算部２０３におい
て、予め各マスクψ。（１１〜Ｍ）毎に、未知入力単語
Ｗの部分パターン、１（ｍｌと、標準部分パターン辞書
部２０４に記憶されている各クラスＣ（１ｍｌ、の標準
部分パターンｇ（′Ｉ）、との距離ｄ　＋＋″’ｈ　（
ｔ＝ｔ〜Ｔ）を求め、第１Ｏ図に示すような部分パター
ン間距離テーブル２１２として出力する。

上記処理によって得られた部分パターン間距離テーブル
２１２に基づいて、第２図の大分類認識部２０５におい
て、次のように未知入力単語曾と全ての辞書単語Ｗｌ−
Ｗ、との距離計算を行う。

すなわち、今、未知入力単語曾と特定の辞書単語Ｗｋと
の距離計算を前記（６）〜（８）式に基づいて行う場合
、各マスクψ、毎のＷｋが属するクラスの標準部分パタ
ーンｇ７　（ｍ″−（ｋｃａｌと、未知入力単語Ｗの部
分バクーン曾績）との距離ｄ　”’　ｃ　（ｋ＋　ｓｌ
は、必ず部分パターン間距離テーブル２１２に存在する
ため、距離テーブルからその値を選んで前記（６）式の
計算を行えばよい。

以上の処理を全辞書単語ｗ、−ｗｎについて行い、その
結果、単語間距離が小さい上位所定順位までの辞書単語
を、第２図の大分類単語候補２１３として出力する。

初　　　　　の　　　　　　の 以上に説明した大分ＲＬ’２＋識までの処理において、
第２図の前処理部２０１から出力される４８フレームに
線形正規化された特徴ベクトル時系列パターン２１０に
対して、マスクψ、〜ψ、の数Ｍを１２〜１６（マスク
長は４〜３フレーム）、クラス分けの数Ｔを２５程度に
し、認識を行うべき単語の種類Ｎを２１２程度にした場
合、ｌＯ位認識率（１０位までの大分類単語候補２１３
（第２図）が正しい割合）は９９．６％となり、高い大
分類認識率を得ることができる。このＰ！認識率、１０
位認識率に関する限り、前記「従来の技術」の項で示し
た第１の従来例のパターンマツチング方式又は第２の従
来例のＤＰマツチング方式とほぼ同等の認識率である。

そして、本実施例における大分類認識方式の場合、マス
ク毎にマツチングする回数は各辞書単語数Ｎではなく、
各クラス数Ｔでよいため、計算量を大幅に削減でき、第
１の従来例のパターンマツチング方式に比較してｌ／１
０程度に計算量を削減することができ、また、第２の従
来例のＤＰマツチング方式に比較して１／２００程度に
計算量を削減することができるため、１０位程度までの
大分類単語候補２１３を得るための大分類認識手法とし
ては非常に有効な手段であることがわかる。

胤分皿良識処亘 上記大分類認識処理により、１０位程度までの大分類単
語候補２１３（第２図）には、高い確率で正しい認識結
果が含まれるようにすることができる。そこで、この大
分類単語候補２１３を用いて、第２図の細分類認識部２
０７において１０位程度までの大分類単語候補２１３を
再認識し、更に上位まで絞り込むことにより、最終的に
更に高い認識率の細分類単語候補２１４を得る。以下、
細分類認識処理について説明を行う。

まず、全体的な処理動作につき、簡単に説明を行う。本
実施例による細分類Ｌ２識処理では、第２図の単語的母
音系列辞書部２０８に、前記大分類認識処理で用いたＮ
種の各辞書単語毎の単語内の母音の系列が、予め母音ラ
ベルとして登録されている。

そしてまず、入力音声２０９として入力する未知入力単
語について、適当な母音認識処理により母音認識を行い
、未知入力単語に対応する母音系列を求める。母音認識
手法としては、最も簡単なものでは、「ア、イ、つ、工
、オ」の５母音の各特徴量（前記ケプストラム係数等）
を辞書として持っておき、未知入力単語の各フレーム毎
に求めた特徴量とマツチングさせることにより、各フレ
ーム毎の母音系列を求める方式がある。その他、様々な
従来方式があるが、本実施例では、１位認識率が９２％
程度のものであれば、どのような方式を用いてもよい。

一方、第２図の大分類認識部２０５から出力される大分
類単語候補２１３の各母音系列を、単語的母音系列辞書
部２０８を参照することにより求める。

上記のようにして求めた未知入力単語の母音系列と大分
類単語候補２１３の母音系列とについて、後述するＤＰ
マツチングアルゴリズムによりＤＰマツチングを行い、
−敗しないものを大分類単語候補２１３から削除し、最
終的な紙分類単語候補２１４を出力する。

以上の処理の具体的動作につき次に説明を行う。

まず、前記したように未知入力単語に対する母音認識処
理では、切り出しミス等が発生しうるため、−Ｉｎに未
知入力単語の母音系列数と、大分類単語候補２１３の各
母音系列数は、−敗しない場合がある。そこで、本実施
例では母音の数を限定せずに、ＤＰマツチング法により
マツチングを行う、また、未知入力単語に対する母音認
識処理が誤る可能性があることを考慮し、母音認識処理
で得られる未知入力単語の母音系列の２位候補までをマ
ツチングの対象とする。以上の処理が本実施例の特徴で
ある。

具体的には、未知入力単語Ｗに対して母音認識処理によ
り認識された母音系列をνとし、＜／＝　（Ｖ＋、Ｖｚ
、−−−、ｖｔ）　　　　　　−−・（９）ｖ、＝（ｖ
、’、ｖ、’）　　　　　　　　　・・・０Ｏ）（ｖｔ
　’　、　Ｑ　ｌ”）　＝　（／ａ／、／ｉ／、／ｕ／
、／ｅ／、１０／　）ｉ＝１．２．・・・、■　　　　
　　　・・・（１１）とする。ここで、■は未知入力単
語Ｗの母音数である。また、會、は未知入力単語Ｗに対
して母音認識処理により認識された母音系列の中でｉ番
目の母音を表し、９１′と９１″は各々ｉ番目の母音の
第１候補と第２候補である。

一方、大分類単語候補２１３として得られる単語候補Ｗ
ｋ（１０位までとすればに＝１．２．・・・、１０）の
母音系列をＶ、とし、 Ｖｈ　＝　（Ｖｈ＋、　　ＶｋＺ＋　　Ｈ＋　＋、　　
ＶｈＪ）　　１″Ｑ７Ｊ（ｖｈｔ）　＝　（／ａ／、／
ｉ／、／ｕ／、／ｅ／、１０／　）ｊ・１．２．・・・
、Ｊ　　　　　　　・・・側とする。ここで、Ｊは単語
候補Ｗｋの母音数である。また、ＶｋＪは単語候補Ｗｋ
の母音系列の中でｊ番目の母音を表す。

上記未知入力単語Ｗの母音系列Ｖと単語候補Ｗｋの母音
系列Ｖ、とのマツチングは、ＤＰマツチングアルゴリズ
ムで累積路ＦｉＩＤ（１，Ｊ）を求めることにより、そ
の大小を比較判定することによりマツチングを行う。

すなわち、未知入力単語専の母音系列ｖｈ単語候補Ｗｋ
の母音系列Ｖｋの累積距離Ｄ（１，Ｊ）は、以下の漸化
式で与えられるＤＰマツチングアルゴリズムにより計算
される。

■初期値設定 Ｄ（０，０）＝Ｏ Ｄ（＋、０）＝Ｄ（ｉ、−１）　＝Ｄ（０，ｊ）＝Ｄ（
−１，ｊ）　＝（１）（ｉｎ、２．・・・、Ｉ　　　ｊ
＝１．２．　　・・・、Ｊ）■漸化式 ％式％） 今、例として、未知入力単語Ｗと単語候補Ｗｉの各母音
系列♀、■、が、 ν＝　（ｖｌ、ｖｚ、％ｒｌ）　　すなわち、ｒ＝３％
’ｌ　＝（ｖｌ　’、　？＋”）＝　Ｉ／ａ／、１０／
　）ν２　”’（ｖｚ　′、　’ｌ＞２°’）＝　（１
０／、／ａ／　）ｖｌ　＝（Ｖ３′、？３°’）＝　（
／ｌ／、／ｅ／　）Ｖｈ　＝　（ＶＨＨ５Ｖｈｚ）すな
わち、Ｊ＝２Ｖｋ１＝／ａ／ Ｖｍｚ＝／ｉ／ なる母音系列を有しているとする。この場合の９とＶｋ
の累積距離Ｄ（１，Ｊ）は、前記■から■のＤＰマンチ
ングアルゴリズムに従って計算され、そのＤＰババス第
１Ｉ図に示すようになる。この結果、累積距離Ｄ（１，
Ｊ）＝Ｏとなる。すなわち、未知入力単語Ｗの母音系列
Ｖと単語候補Ｗ、の母音系列Ｖ。

の累積距離は最小となり、結局、第２図の大分類単語候
補２１３として得られる単語候補Ｗ、は、未知入力単語
曾に対する第２図の細分子ｎ単語候補２１４として残る
ことがわかる。

！刀　　　　　の悄　　　　　の　　曇以上の細分類認
識処理により、大分類単語候補２１３の１０位認識率が
９９．６％であったのが、細分類認識候補２１４の１０
位認識率は９９．８％に向上し、同じ＜１５位認識率は
９９．８６％にまで高めることができた。また、大分類
単語候補２１３で１０位まで絞られた単語候補を、細分
８Ｂ２識候）市２１４では８位に、同じく３０位の単語
候補を１５位にまで絞り込むことができる。

この場合、大分類単語候補２１３の数は元々少ない数に
絞り込まれており、また、各単語毎の母音系列の数も少
ない（数個）ため、単語候補ｗｋと未知入力単語曾の母
音系列のＤＰマッチィングは高速に行うことができる。

生ス、ｌＬＧ〜１町 本実施例は、未知入力単語である入力音声２０９（第２
図）に対する単語候補を、細分類単語候補２１４として
求める方式について説明したものである。このようにし
て単語候補が得られた後は、細分類単語候補２１４から
更に詳細認識を行って最終的な認識結果を得ればよい、
そのための方式としては、様々な方式が考えられるため
、ここでは詳細には言及しないが、例えば細分類単語候
補２１４と入力音声２０９とについて更にＤＰマツチン
グを行うことにより、マツチング度の最も高い方式を最
終認識結果とすることが考えられる。

そして、このように大分類認識処理及び細分ｔＱ認識処
理の２段階の認識処理の後に、上記のようなりＰマツチ
ングを行ったとしても、始めから直接ＤＰマツチングを
行う場合に比較して、計算闇を大幅に減らすことができ
、かつ、認識率も同等かそれ以上にすることが可能とな
る。

の　　２の 以上の実施例での細分類認識処理においては、未知入力
単語曾の母音系列９の各母音ｖ１は、前記００式に示し
たように第２候補まで用いており、それを用いたＤＰマ
ツチングにおける距離計算は、前記０４）式に示したよ
うに第１候補及び第２候補共に同じ重みで計算している
。すなわち、前記０４）式における距離ｄｉｓ（ｉ、ｊ
）の計算において、単語候補Ｗ、の母音系列Ｖｋの母音
Ｖｋｊが、第１候補νｉ又は第２候補９１′°に等しい
場合に、距離を０としている。

これに対して、第２の実施例においては、前記０４式の
距＃ｄｉｓ（ｉ、ｊ）ノ計算時に、単語候補Ｗｋの母音
系列Ｖｋの母音ＶｋＪが、第１候補ｖ１″に等しい場合
と、第２候補９．″に等しい場合とでことなる距離を与
えるようにする。すなわち、第１候補■五′に等しい場
合は距離をＯとし、一方、第２候補ｖｉ″に等しい場合
は距離を０と１の間の値で与えるようにする。

これにより第１候補の方により大きな重み付加されるた
め、より妥当な細分類認識処理を行うことが可能となる
。

〔発明の効果〕

本発明によれば、大分類認識処理における未知入力単語
音声と学習単語音声との類似度の計算は、各部分毎に各
クラスの代表特徴量とのみ行えばよいため、全ての学習
単語音声との間で類似度の計算をするのに比べ、大幅に
計算量を削減することができる。

また、細分類認識処理により、大分子１４認識処理で認
識された大分類単語候補の順位が更に絞り込まれ、最終
的に正確な順位付けがなされた細分類単語候補を得るこ
とができる。この場合、大分類単語候補は候補数が絞ら
れており、また、−単語候補あたりの母音系列の数もそ
れほど多くないため、各大分類単語候補の母音系列と未
知入力単語音声の母音系列とのＤＰマツチングは、高速
に行うことが可能である。

特にこの場合、母音系列ａｍ手段から出力される未知入
力単語音声の母音系列は、複数の母音系列候補が出力さ
れるようにし、細分類認識手段における各大分類単語候
補の母音系列とのＤＰマツチングも、上記複数の母音系
列候補に対して行なうことにより、母音系列認識手段に
おけるは音認識誤りによる影響を最小限に抑えることが
できる。

更に、その場合に、未知入力単語音声の複数の母音系列
候補に順位を付加し、ＤＰマツチングの際にその順位に
応した重みを付加することにより、より妥当なマツチン
グを行うことができる。

以上のように、本発明では、単語候補に基づく単語音声
の認識を行う場合、まず、大分類認識処理によりおおま
かな大分類単語候補を得て、更に、細分類認識処理によ
り大分類単語候補を絞り込んで細分類単語候補を得ると
いう２段階の方式により、単語候補の計算を高速かつ正
確に行うことが可能となる。そして、このようにして候
補数が絞り込まれた細分類単語候補に対して、最終的な
認識を行うことにより、始めからＤＰマツチング等を行
う認識方式に比較して、大幅に計算量が少な（、かつ、
同等かそれ以上の認識率の単語音声認識システムを実現
することができる。

【図面の簡単な説明】

第１図は、本発明のブロック図、 第２図は、本発明の実施例の全体構成図、第３図は、前
処理部の動作フローチャートを示した図、 第４図は、単語区間の自動切り出し処理の説明図、 第５図は、単語音声の特徴ベクトルの時系列パターンを
示した図、 第６図は、部分パターンの抽出処理の説明図、第７図は
、標準部分パターン作成処理の説明図、第８図は、単語
辞書を示した図、 第９図は、未知入力単語と辞書単語の距離の計算例の説
明図、 第１０図は、部分パターン間距離テーブルの作成動作説
明図、 第１１図は、 説明図である。 １０１・・・ １０２・・・ １０３・・・ １０４・・・ １０５・・・ １０６・・・ １０７・・・ １０８・・・ １０９・・・ １１０・・・ １１１・・・ １１２・・・ １１３・・・ 母音系列間の累積距離の求め方の 特徴量抽出手段、 クラス分け手段、 代表特徴量演算手段、 辞書記憶手段、 類似度演算手段、 大分類認識手段、 母音系列認識手段、 母音系列辞書記憶手段、 細分類認識手段、 学習単語音声、 未知入力単語音声、 大分類単語候補、 細分類単語候補。

Claims (1)

1. 【特許請求の範囲】 １）入力単語音声の複数の部分の各々から特徴量を抽出
   する特徴量抽出手段（１０１）と、 複数の各学習単語音声（１１０）に対して前記特徴量抽
   出手段（１０１）で前記各部分別に特徴量を抽出した後
   、前記各部分別に前記複数の学習単語音声（１１０）の
   クラス分けを行うクラス分け手段（１０２）と、該各ク
   ラスの代表特徴量を演算する代表特徴量演算手段（１０
   ３）と、 該各クラス毎の代表特徴量及び該各クラスに含まれる前
   記学習単語音声（１１０）の種類を前記各部分別に辞書
   として記憶する辞書記憶手段（１０４）と、未知入力単
   語音声（１１１）に対して前記特徴量抽出手段（１０１
   ）で前記各部分別に特徴量を抽出した後、前記各部分別
   に前記辞書記憶手段（１０４）内の対応する前記各クラ
   スの代表特徴量との類似度を演算する類似度演算手段（
   １０５）と、 該類似度をもとに前記辞書記憶手段（１０４）に記憶さ
   れている前記各学習単語音声（１１０）と前記未知入力
   単語音声（１１１）との類似度を演算し、類似度の高い
   学習単語音声から順に順位付きの大分類単語候補（１１
   ２）として出力する大分類認識手段（１０６）と、 前記未知入力単語音声（１１１）の母音系列を認識する
   母音系列認識手段（１０７）と、 前記各学習単語音声（１１０）の単語内母音系列を辞書
   として記憶する母音系列辞書記憶手段（１０８）と、 該手段から前記各大分類単語候補（１１２）の母音系列
   を抽出し、前記母音系列認識手段（１０７）から出力さ
   れる前記未知入力単語音声（１１１）の母音系列と各々
   ＤＰマッチングを行い、マッチング度の高い大分類単語
   候補から順に順位付きの細分類単語候補（１１３）とし
   て出力する細分類認識手段（１０９）とを有することを
   特徴とする単語音声認識方式。 ２）前記母音系列認識手段（１０７）から出力される前
   記未知入力単語音声（１１１）の母音系列は、複数の母
   音系列候補が出力され、前記細分類認識手段（１０９）
   における前記各大分類単語候補（１１２）の母音系列と
   のＤＰマッチングは、該複数の母音系列候補に対して行
   われることを特徴とする請求項１記載の単語音声認識方
   式。 ３）前記母音系列認識手段（１０７）から出力される前
   記未知入力単語音声（１１１）の母音系列は、複数の母
   音系列候補が順位付きで出力され、前記細分類認識手段
   （１０９）における前記各大分類単語候補（１１２）の
   母音系列とのＤＰマッチングは、該複数の母音系列候補
   に対してその順位に応じた重みを付加されて行われるこ
   とを特徴とする請求項１記載の単語音声認識方式。