JPH02298996A - 単語音声認識装置 - 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】 ［発明の目的］ （産業上の利用分野） 本発明は入力音声単語を効率良く、しかも高精度に認識
することのできる単語音声認識装置に関する。

（従来の技術） 音声認識の技術は、優れたマンマシン・インターフェー
スを実現する上での重要な役割を担っている。この音声
認識において、その認識精度を高める上での重要な前処
理として音声区間検出があり、従来より種々研究・開発
されている。

この音声区間検出は、従来一般的には入力単語音声のパ
ワ一時系列を求め、その音声パワーＰが所定の閾値Ｔｌ
より大きくなった時点を入力音声単語の始端Ｓとして検
出し、またこの音声始端検出後に上記音声パワーＰが所
定の閾値Ｔ２より小さくなった時点をその入力音声単語
の終端Ｅとして検出することにより行われる。

ところがこのような音声区間検出では、その音声区間が
一意に決定されるので、例えば実際の音声区間の前後に
息洩れや舌打ちノイズ等が存在すると、これをも音声区
間の一部として検出してしまうと云う不具合がある。ま
た逆に音節の先頭や最終音節が無声化し易い単語音声の
場合には、その無声化音節部分のパワーＰが極端に小さ
くなるので、この部分が検出音節区間から脱落し易いと
云う欠点がある。

このような音声区間の検出誤りは、その音声認識におい
て致命的な誤認識や認識リジェクトの原因となる。特に
装置利用者が発声した単語音声の特徴パターンを標準パ
ターンとして登録しておき、音声認識時に入力された単
語音声の特徴パターンと先に登録されている標準パター
ンとの類似度を求めてその認識結果を得る特定話者単語
音声認識装置にあっては、標準パターン作成時に音声区
間検出誤りが生じると、登録しようとしている単語の音
声区間とは違う音声区間の特徴パターンを標準パターン
として登録してしまうことになる。このようにして誤っ
た標準パターンを登録してしまうと、仮に音声認識時に
正しく音声区間が検出されたとしても、誤った認識結果
を出力してしまう原因となる。

このような標準パターン作成時での音声区間検出誤りが
原因となる誤認識を少なくする技術として、標準パター
ン作成時に認識対象単語を複数回発声入力し、それらの
発声時間がほぼ等しいときにのみ標準パターンを作成し
て登録し、発声時間にばらつきがある場合には再発声を
要求する手法がある。しかし複数回の発声の全てに同じ
ようなノイズの付加や音声区間の脱落が生じると、上述
した発声区間の比較だけでは音声区間の検出誤りを防ぐ
ことができないと云う問題がある。

またノイズの付加や音声区間の脱落を少なくする手法と
して、入力単語音声に対して複数の始端候補（Ｓ　１．
Ｓ　２．〜ＳＭ）と終端候補（Ｅ　１．Ｅ　２．〜ＥＮ
）とをそれぞれ求め、これらの候補に対して所定の規則
に従って確率（ｆ　ｓｌ、　　ｆ　ｓ２．〜ｆ　ｓＭ）
　。

（ｆ　ｅｌ、　　ｆ　ｅ２．〜ｆ　ｅＮ）をそれぞれ与
える。そして上記始端候補（Ｓｌ、Ｓ２．〜Ｓ４）と終
端候補（Ｅｌ、Ｅ２．〜ＥＮ）の組み合わせとして求め
られる複数の音声区間候補［ＳＩｌ、Ｅｎ］　　（但し
、　ｍ＝１゜２＋〜Ｍ、ｎ−１＋２．〜Ｎ　）について
の尤度ＬｌｎをＬｍｎ　　　＝　　　　ｆｓｍ　　　Ｘ
　　　　ｆｅｎとして計算し、尤度り麿ｎの高い上位の
波数の音声区間候補についての標準パターンとのマツチ
ングをとることで、入力単語音声に対する認識結果を求
める手法が単語境界仮説法として提唱されている。

しかしこのような手法を採用しても、標準パターンとし
て求めた単語音声の音声区間自体が誤って検出されてい
ると、結局、入力単語音声を正しく認識することができ
ないと云う問題があった。

（発明が解決しようとする課題） このように従来にあっては、標準パターンの作成時に、
その音声区間の検出誤りを防いで信頼性が高く、高精度
な標準パターンをどのようにして得るかと云う点で幾つ
かの問題が残されている。

本発明はこのような事情を考慮してなされたもので、そ
の目的とするところは、標準パターン作成時における音
声区間の検出誤りを効果的に防いでその標準パターンを
求め、音声区間検出誤りが生じ易い入力音声単語につい
ても確実に、信頼性良く認識することのできる単語音声
認識装置を提供することにある。

［発明の構成］ （課題を解決するための手段） 本発明は、入力単語音声を音響分析してその特徴パラメ
ータを求め、この音響分析された特徴パラメータから単
語境界仮説生成部にて求められる上記入力単語音声の音
声区間候補毎に前記特徴パラメータを正規化して前記入
力音声の特徴パタ−ンを生成し、この特徴パターンと標
準パターン作成部で作成された認識対象単語音声の標準
パターンと類似度を計算して前記入力単語音声に対する
単語音声認識装置を求める単語音声認識装置に係り、 前記標準パターン作成部では、認識対象単語について複
数回に亘って発声入力される単語音声についてそれぞれ
求められる複数の特徴パターンの間で相互にその尤度を
計算し、その尤度が最も高い特徴パターンの組み合わせ
が、前記複数回の発声における特徴パターン間で一致し
たとき、その特徴パターンを当該認識対象単語音声の標
準パターンとして求めるようにしたことを特徴とするも
のである。

（作　用） このような機能を備えた本発明によれば、単語境界仮説
生成部で求められる複数の音声区間候補の中から正しい
音声区□間を決定するに際し、同一単語について複数回
発声された各入力音声についてそれぞれ求められる複数
の特徴パターン間で相互にその尤度を計算し、尤度が最
も高い特徴パターンが上記複数の回の発声の特徴パター
ン間で一致した時にのみ、それらの音声区間候補を正し
い音声区間であると決定するので、その音声区間を高い
精度で信頼性良く決定することができる。

この結果、信頼性の高い標準パターンを得、その認識性
能を向上させることが可能となる。

（実施例） 以下、図面を参照して本発明に係る単語音声認識装置の
一実施“例について説明する。

第１図は実施例装置の要部概略構成図であり、ｌは入力
音声を音響分析してその特徴パラメータを求める音響分
析部である。この音響分析部１は音声区間検出に用いる
為の特徴量としてその音声パワ一時系列を求めると共に
、認識辞書との照合に用いる為の特徴量として、例えば
周波数分析したバンドパスフィルタ群出力を求める。

単語境界仮説生成部２は上記音響分析部ｌで求められた
入力音声の特徴パラメータに対して種々の音声区間検出
パラメータを適応的に設定して複数の音声区間候補を設
定する。具体的には、単語境界仮説生成部２は入力単語
音声に対して複数の始端候補（Ｓ　ｌ、Ｓ　２．〜ＳＭ
）と複数の終端候補（Ｅｌ、Ｅ２．〜ＥＮ）とをそれぞ
れ求め、これらの各候補に対して所定の規則に従って確
率（ｆ　ｓｌ。

ｆｓ２．〜ｆｓＭ）　、　　（ｆｅｌ、　　ｆｅ２．〜
ｆｅＮ）をそれぞれ与える。

そして上記始端候補（Ｓ　１．ｓ　２．〜．ＳＭ）と終
端候補（Ｅ　ｌ、Ｅ　２．〜ＥＮ）の組み合わせとして
求められる複数の音声区間候補［Ｓｍ、Ｅｎｌ（但し。

ｓ−１，２，〜Ｍ、ｎ−１，２，〜Ｎ　）についての尤
度ＬＩＤをＬｍｎ　　−ｆｓｍ　　Ｘ　　ｆｅｎ として計算し、これらの音声区間候補［Ｓｓ、Ｅｎｌに
ついての尤度Ｌｍｎをその値の高いものから順に、上位
の複数の音声区間候補を検出する。

しかしてリサンプル部３は上述した如く求められる複数
の音声区間候補［Ｓｍ、’Ｅｎｌについて、前記音響分
析部ｌにて周波数分析して求められたバンドパスフィル
タ群出力からなる特徴パラメータをリサンプルし、各音
声区間候補における入力単語音声の正規化された特徴パ
ターンをそれぞれ求める。尚、尤度の高い音声区間候補
が１つしか求められない場合には、その音声区間候補に
ついてのみリサンプル処理が行われ、１つの特徴パター
ンだけが求められる。

類似度計算部４はこのようにして求められる入力単語音
声についての特徴パターンと、標準パターン辞書５に登
録されている認識対象単語についての後述する標準パタ
ーンとの間での類似度をそれぞれ計算する。認識結果出
力部６は、類似度計算部４にて求められる入力単語音声
の特徴パターンと認識対象単語についての標準パターン
との類似度を相互に比較し、高い類似度結果を得た所定
数の認識対象単語のカテゴリ名とその類似度値をそれぞ
れ求める。そしてこれらの上位１ｆｉ個のカテゴリ名を
前記入力単語音声に対する認識候補として出力したり、
或いはその類似度値が再上位の認識対象単語のカテゴリ
名を前記入力単語音声に対する認識結果として出力する
。

ところで標準パターン辞書５に登録される認謙対象単語
についての標準パターンは、いま１つ設けられた類似度
演算部７と標準パターン作成部８とにより生成される。

類似度演算部７は、標準パターン作成時にカテゴリ名の
既知なる認識対象単語音声を複数回に亘って発声入力し
たとき、前述したリサンプル部３にてそれぞれ求められ
る複数の特徴パターンを用いて、複数の発声入力単語音
声間での類似度を計算する。この類似度計算は、従来よ
り種々提唱されている部分空間法やＤＰマツチング法等
の手法を用いて行われる。

しかして類似度演算部７は、その類似度が最大となる特
徴パターンの組み合わせが上記複数の発声入力単語音声
間で一致したときにその特徴ノくターンを抽出して標準
パターン作成部８に与える。

尚、上記類似度が最大となる特徴パターンの組み合わせ
が上記複数の発声入力単語音声間で一致しない場合には
、当該単語音声の再発声入力が促される。

標準パターン作成部８はこのようにして求められる入力
単語音声の特徴パターンをその認識対象単語についての
標準パターンとし、そのカテゴリ名を付して前記標準パ
ターン辞書５に登録する。

この標準パターンの作成について更に詳しく説明すると
、標準パターン作成時にはカテゴリ名の既知なる単語音
声を複数回に亘って発声入力する。

そしてこれらの入力単語音声について前述した音響分析
部ｌにて音響分析してその特徴パラメータを求め、前記
単語境界仮説生成部２にて確からしい音声区間候補をそ
れぞれ求める。そしてこれらの各音声区間候補について
前記リサンプル部３にてその特徴パターンをそれぞれ求
める。

具体的には第２図に示すように、１回目の発声時にその
音声区間候補Ｌｌｌ、Ｌ１２を求め、これらの音声区間
候補Ｌ　１１．　　Ｌ　１２での特徴パターンｐＨ。

ＰＩ３をそれぞれ求める。同様にして２回目の発声時に
はその音声区間候補Ｌ　２１．　　Ｌ　２２についてそ
の特徴パターンＰ　２１．　　Ｐ　２２をそれぞれ求め
、更に３回目の発声時にもその音声区間候補Ｌ　３１．
　　Ｌ　３２についてその特徴パターンＰ　３１．　　
Ｐ　３２をそれぞれ求める。

尚、ここでは各入力単語音声について２つの音声区間候
補を求め、それらの特徴パターンを求めているが、３個
以上の音声区間候補についての特徴パターンをそれぞれ
求める場合もある。また３回の発声で十分なる結果が得
られない場合には、４回以上の発声が促される場合も勿
論ある。

類似度演算部７はこのようにして求められる各発声入力
音声の複数の特徴パターン間で、相互にその類似度（尤
度）を計算し、その類似度が最大となる特徴パターンの
組み合わせが上記複数の発声入力単語音声間で一致する
か否かを調べる。例えば上述した１回目と２回目の発声
入力音声間で、それらの特徴パターン間での類似度Ｑを
次のようにそれぞれ計算する。

Ｑｌｌ−［ｐＨ−Ｐ２１］　、　Ｑ１２縛［ｐＨΦＰ２
２］Ｑ１３−［ＰＩ３・Ｐ２１］　、　Ｑ１４−　［Ｐ
１２φＰ２２］そしてこれらの類似度の中で最大値をと
る特徴パターンの組み合わせを求める。

しかる後、次に１回目と３回目の発声入力音声間で、そ
れらの特徴パターン間での類似度ＱをＱ２１−　［ｐＨ
・Ｐ３１］　、　Ｑ２２−　［ｐＨ−Ｐ３２］Ｑ２３−
［ＰＩ３・Ｐ３１］　、　Ｑ２４−　［ＰＩ３・Ｐ３２
］としてそれぞれ計算し、これらの類似度の中で最大値
をとる特徴パターンの組み合わせを求める。

同様にして２回目と３回目の発声入力音声間で、それら
の特徴パターン間での類似度ＱをＱ３１−　［Ｐ２１−
　Ｐ３１］　、　Ｑ３２−　ＩＰ２１−　Ｐ３２］Ｑ３
３−［Ｐ２２・Ｐ３１］　、　Ｑ３４−　［Ｐ２２・Ｐ
３２］としてそれぞれ計算し、これらの類似度の中で最
大値をとる特徴パターンの組み合わせを求める。

このような処理を経て、各特徴パターン間での類似度が
最大値をとる特徴パターン組み合わせが、複数の発声入
力音声間で一致したとき、これらの各発声入力音声につ
いての該当する特徴パターンをそれぞれ抽出する。

例えば１回目と２回目の発声入力音声間での類似度の中
でＱｌｌ−［ｐＨ−Ｐ２１］が最大となり、１回目と３
回目の発声入力音声間での類似度の中でＱ２２−　［Ｐ
ｌｌ−Ｐ３２］最大となったとき、これらの最大類似度
を得た特徴パターンの組み合わせが１回目の発声の特徴
パターンｐＨと一致していることが求められる。更に２
回目と３回目の発声入力音声間での類似度の中でＱ３２
−　［Ｐ２１−　Ｐ３２］が最大となったことが検出さ
れたとき、それらの特徴パターンの組み合わせが前述し
た各発声入力音声の特徴パターンＰ　２１．　　Ｐ　３
２と一致していることが求められる。

これらの最大類似度を特徴パターンの組み合わせが、各
発声での特徴パターンとの間で矛盾がないことが確認さ
れたとき、つまりここではその組み合わせ［ｐＨ−Ｐ２
１］　　［Ｐｌｌ・Ｐ　３２］　　［Ｐ　２１・Ｐ３２
］がそれぞれの発声での特徴パターンＰ　１１゜Ｐ２１
．　　Ｐ３１と一致することから、これらを正しく検出
された音声区間での特徴パターンであるとして判定する
。

このような判定結果が得られたとき、これらの特徴パタ
ーンｐＨ，Ｐ２１．　　Ｐ３１をそれぞれ抽出して標準
パターン作成部８に与える。標準パターン作成部８では
、これらの特徴パターンＰ　１１．　　Ｐ　２１゜Ｐ３
１を平均化する等して、その認識対象単語についての標
準パターンを作成し、これを前記標準パターン辞書５に
登録する。

尚、１回目の発声と２回目の発声とにおいて［ＰＩ３・
Ｐ　２１］なる特徴パターンの組み合わせの類似度Ｑ１
３が最大値をとり、１回目の発声と３回目の発声とにお
いて［Ｐｌｌ−Ｐ３２］なる特徴パターンの組み合わせ
の類似度Ｑ２２が最大値をとるような場合、これらの最
大値をとる特徴パターンの組み合わせと、１回目の発声
での特徴パターンとが一致しないことから（Ｐ　１１と
ＰＩ３として異なった特徴パターンが求められる）、標
準パターンを作成するための特徴パターンとしては不適
切であると判定され、単語音声の再発声入力が促される
。

また１回目と２回目の各発声について、例えばＱｌｌ−
［ｐＨ−Ｐ２１］が最大となり、１回目と３回目の発声
についてＱ２２−［ｐＨ・Ｐ３２］最大となって、これ
らの最大類似度を得た特徴パターンの組み合わせが、１
回目の発声の特徴パターンＰｉｔと一致していることが
求められたとしても、２回目と３回目の発声について、
例えばＱ３２−［Ｐ２２・Ｐ３２］が最大となるような
場合、２回目の発声の特徴パターンＰ２１とＰ２２との
不一致により矛盾が生じることから、この場合にも単語
音声の再発声入力が促される。

このようにして本装置では、複数回（３回以上）の同一
カテゴリの発声入力単語音声についてそれぞれ求められ
る特徴パターン間での類似度（尤度）を求め、最大値を
とる特徴パターンの組み合わせが各発声での特徴パター
ンとの間で矛盾がないとき、これを正しく音声区間検出
された特徴パターンとして抽出している。そしてこれら
の正しく音声区間検出されたときの特徴パターンに基づ
いてその標準パターンを作成し、標準パターン辞書５に
登録して単語音声の認識処理に供するものとなっている
。

従って本装置によれば、標準パターン自体をその音声区
間が正しく検出されているときの特徴パターンとするこ
とができるので、その認識辞書性能を十分高いものとす
ることができる。この結果、その認識性能を十分に高く
することができる。

また上述したように入力音声の音声区間を、特徴パター
ン間での類似度から特徴パターンの組み合わせとして評
籠し、正しい音声区間での特徴パターンだけを抽出して
標準パターンを作成するので、その処理手続きが非常に
簡単であり、処理効率が高い。そして少ない発声回数で
効果的にその標準パターンを作成していくことができる
等の効果が奏せられる。

尚、本発明は上述した実施例に限定されるものではない
。例えば４回以上の発声入力音声についての特徴パター
ン間で類似度（尤度）を計算して音声区間の正しい特徴
パターンを抽出するようにしても良い。また特徴パター
ン間で類似度（尤度）が所定の閾値に達しない場合には
、その組み合わせに矛盾がない場合であっても再発声入
力を促して標準パターンの作成を行うようにしても良い
。

この様にすれば、標準パターン作成の信頼性を高め、よ
り性能の高い標準パターン（認識辞書）を構築していく
ことが可能となる。その他、本発明はその要旨を逸脱し
ない範囲で種々変形して実施することができる。

［発明の効果］ 以上説明したように本発明によれば、ノイズの付加や音
声区間の脱落の影響を排除して入力音声の音声区間を正
しく検出し、その特徴パターンを抽出するので、信頼性
の高い音声区間候補の特徴パターンだけを用いて効率的
に高性能な標準パターンを作成することができ、その認
識性能の向上を効果的に図ることができる等の実用上多
大なる効果が奏せられる。

【図面の簡単な説明】

第１図は本発明の一実施例に係る単語音声認識装置の概
略構成図、第２図は実施例装置における標準パターン作
成時での複数回の入力音声に対する音声区間候補とその
特徴パターンについて模式％式％ ３・・・リサンプル部、４・・・類似度計算部（特徴パ
ターンと標準パターンとの類似度計算）、５・・・標準
パターン辞書、６・・・認識結果出力部、７・・・類似
度計算部（特徴パターン間での尤度計算処理）、８・・
・標準パターン作成部。

Claims (1)

1. 【特許請求の範囲】 入力単語音声を音響分析してその特徴パラメータを求め
   る音響分析部と、この音響分析された特徴パラメータか
   ら上記入力単語音声の音声区間候補を求める単語境界仮
   説生成部と、この単語境界仮説生成部にて求められる音
   声区間毎に前記特徴パラメータを正規化して前記入力音
   声の特徴パターンを生成するリサンプル部と、認識対象
   単語の入力音声の特徴パターンから当該認識対象単語の
   標準パターンを作成する標準パターン作成部と、この標
   準パターン作成部で作成された認識対象単語音声の標準
   パターンと前記リサンプル部で求められる入力単語音声
   の特徴パターンとの類似度を計算する類似度演算部と、
   この類似度演算結果に従って前記入力単語音声に対する
   単語音声認識結果を求める認識結果出力部とを具備し、 前記標準パターン作成部は、認識対象単語について複数
   回に亘って発声入力される単語音声についてそれぞれ求
   められる複数の特徴パターンの間で相互にその尤度を計
   算する手段と、その尤度が最も高い特徴パターンの組み
   合わせが、前記複数回の発声における特徴パターン間で
   一致したとき、その特徴パターンを当該認識対象単語音
   声の標準パターンとして求める手段とからなることを特
   徴とする単語音声認識装置。