JPH0250197A - 辞書パターン作成装置 - 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】 技権分互 本発明は、音声認識の辞書パターン作成装置に係るもの
である。

１１１ｊｌ生 最近、音声認識の研究が盛んであり、市場に普及しかけ
てきた。この装置には利用者があらかじめ音声を登録し
てから使う特定話者方式と、登録なしで誰の声でも認識
できる不特定話者方式がある。具体的に単語音声認識を
例にあげて説明すると、不特定話者用の単語音声認識装
置では、使用する予定の単語の音声データを多景に集め
、あらかじめ分析した結果を装置の中へ保持させておく
。

次に未知の入力がその分析結果のどれと最も類似してい
るかを調べて認識結果とするものである。

不特定話者方式の認識装置は上述のように誰の声でも認
識できるというメリットがある反面、上記の如き理由で
装置の使用者が自由に登録単語することができないとい
う欠点があった。

且−一旗 本発明は、上述のごとき実情に鑑みてなされたもので、
特に、不特定話者認識装置のための音声認識用辞書を装
置の使用者、或は、装置の販売店等で簡易な方法で作成
できるような装置を提供することを目的としてなされた
ものである。

青−一双 本発明は、上記目的を達成するために、音声パターンを
保持する部分と、音声の種類を指示する部分と、指示さ
れた音声を選出して他の媒体へ転送する部分とを有し、
前記音声の種類を指示する部分から音声パターンを保持
する部分に保持された種類の中の全体又は一部を指示し
、指示されたパターンを選出し、選出された全てのパタ
ーンの数以下のパターンを他の媒体へ転送するようにし
たこと、或いは、音声のパターンを保持する部分と、音
声の種類を指示する部分と、指示された種類の音声をと
り出して演算する部分と、演算の結果得られたパターン
を他の媒体へ転送する手段とを有しており、一つの音声
の種類について一つ以上の標準パターンとなり得るパタ
ーンを保持し、認識時の未知入力パターンと等価なパタ
ーンを各音声の種類について一つ以上保持し、該音声保
持部から指示された種類の音声を選び出し、前記人力等
価パターンとの間で認識演算を行なった上で認識の誤り
が最小或はそれに準ずる数となるような組合せの標準パ
ターンとなり得るパターンを選出し、それを他の媒体へ
転送するようにしたことを特徴としたものである。以下
、本発明の実施例に基いて説明する。

第１図は、本発明の一実施例を説明するための構成図で
、図中、１はパターン格納部、２は演算部、３はＣＲＴ
、４はキーボード、５はフロッピーディスクである。こ
の実施例においては、パターン格納部１に辞書作成用の
パターン（標準パターン）がいくつか持保されており、
ＣＲＴデイスプレー３上にその内容−覧を見ることがで
きる。

それに対し、キーボード４から必要な対象名を入力する
ことでそれらを格納部１からとり出し、他の媒体、ここ
ではフロッピーディスク５へ出力して不特定話者用の辞
書を作成するものである。フロッピーディスク５へ出力
された辞書は認識装置にロードして使用する。こうして
簡易な方法で不特定話者用の辞−Ｊｌを作成することが
できる。しかし、単語認識を考えると、使用するｍ語群
によって辞書パターンが異なる方が望ましい。例えば「
１個」　「２個」　「３個」・・・という語群の中に単
語「リコー」がある場合ｒｎ　ｉ　ｋｏＪとｒｒｉｋＯ
」が類似していることから誤りやすく、両者が区別され
るためには、／ｎ／と／ｒ／の差異を強調する必要があ
り、「国語」　「理科」　「社会」・・・の中に「リコ
ー」を入れる場合はｒｒｉｋａＪとｒ　ｒ　ｉ　ｋ　ｏ
　Ｊの区別、つまり／ａ／と／　ｏ　／を強調せねばな
らない。従って、先の単語群と後の単語群では同じ「リ
コー」でも異ったパターンを使用する方が認識率が上る
ことは明らかである。

そこで、この対策として各カテゴリー（例えば単語、以
後単語の例で説明する）ごとにタイプの異なる複数のパ
ターンを保持しておいて、必要な単語群を与え、その決
められた単語群で各１ｊＬ語の複数のパターンの中から
もっとも誤りが少なくなるような組合せをとり出して最
良の辞書とすることが望ましい。そのためには、第２図
に示す実施例のようにする。

第２図に示した実施例において、６は評価パターン格納
部、１乃至５は、第１図に示した実施例における１乃至
５と同様の作用をするもので、この実施例は、音声のパ
ターンを保持する部分と、音声の種類を指示する部分と
、指示された種類の音声をとり出して演算する部分と、
演算の結果得られたパターンを他の媒体へ転送する手段
とを有しており、一つの音声の種類について一つ以上の
標準パターンとなり得るパターンを保持し、認識時の未
知人カバターンと等価なパターンを各音声の種類につい
て一つ以上保持し、該音声保持部から指示された種類の
音声を選び出し、前記人力等価なパターンとの間で認識
演算を行なった上で認識の誤りが最小或はそれにＫＱす
る数となるような組合せの標準パターンとなり得るパタ
ーンを選出し、それを他の媒体へ転送するようにしたこ
とを特徴とするものである。而して、この第２図に示し
た実施例において、辞書作成用のパターンを格納する部
分１とそれを評価するパターンが格納される評価パター
ン格納部分６があり、その中には多くの単語のパターン
が各東語について複数個格納されている。例えば、ｆｕ
ＺＺｙ理論を用いた認識方式として発表されている方法
（情報理論とその応用シンポジウム（１９８７年１１２
月１９−２１０）ＪＣ：３−３−１を利用する場合につ
いて説明すると、上記ＪＣ３−３−１記載の方法におい
ては、まず、認識は、登録された各標準パターンと未知
の入力パターンとをパターンマツチングによって類似性
を求め、最大の類似性を示すカテゴリーへ分類する。登
録されている単語の集合を工。

１＝（ｉ□、１２．・・・ｉｎ）、その単語パターンの
集合をＸ、　Ｘ＝　（ｘ　ｉ□、　ｘ　ｉ２．−ｘ　ｉ
ｎ）とする。工は有限集合であり、Ｘは無限集合である
。

また、単語工らしさを表すメンバーシップ関数の集合を
Ｍ、　Ｍ＝　（ｍ　ｉ□、　ｍ　ｉｚｔ　−ｍ　ｉｎ）
と定義する。未知の音声のパターンｙ　（ｙ　（Ｆ−Ｘ
）が入力されたとき、各単語ｊと未知パターンとの類似
度Ｓｊｙを求め、 ｊ＝ｍａ　ｘ　（Ｓｊｙ）　　　　（１）ＪＣ工 となる単語名ｊを認識結果として出方する。装置内部に
は各単語のメンバーシップ関数が登録°されており、未
知入力に対しメンバーシップ関数から類似度を求めるも
のである。

メンバーシップ関数ｍ（ｘ）は１話者による周波数変動
と時間変動が存在するなかで、単語パターンＸらしさを
表すものでなければならない。この例では単語パターン
として単語音声を周波数分析した結果を２値化処理した
ものを使う。

第３図（ａ）に単語”　ｓ　ｔ　ａ　ｒ　ｔ　”の単語
パターンを、第３図（ｂ）に同じ単語のメンバーシップ
関数を示す。

実際のシステム中では標準パターンであるメンバーシッ
プ関数ｍｊと未知の入力パターンｙ間の類似度Ｓｊｙは と表している。但し、 である。ここで、・は通常の積で、本はｙとｍｊのαレ
ベルカットの論理積で次のような式で表されるものとす
る。

多くの場合、αはＯから３の値をとる。

辞書用パターンとしては各単語パターンが第３図のよう
に重ね合わされたものとなり、評価用パターンとしては
各エレメントが１又は０の２値データである。勿論、評
価用は２値データでなくともサンプリングしたデータそ
のものを格納しておいて次の演算時に２値化しても良い
が、あらかじめ２値化しておく方がデータ量が少なく余
分な演算をしなくても良いことになる。辞書のパターン
はｌｌｉ語ラベラベルけ、一つの単語について複数の異
るパターンを有していることが望しい。又、評価用のパ
ターンも一つの単語について複数のパターンを持ち、で
きれば、それらのパターンの長さ、ホルマント周波数の
分布が対象とする言語を話す人々の分布と近くなるよう
に複数のパターンを持つことが望ましい。これは例えば
関東地方での辞書が必要な場合を例にとって説明すると
、多くの単語を多くの人が発声した時の各単語の平均長
と人数の分布をとると第４図（ａ）のような分布になる
と考えられる。又、同様にしである母音のホルマント周
波数とその人数を軸にグラフ化すると第４図（ｂ）のよ
うになると考えられる。そこで、第２図の評価パターン
格納部６の評価用パターンは第４図（ａ）、（ｂ）と同
じ分布を持つような集合を作る。この時の一つの単語に
対する人数は特に制限しない。辞書パターン格納部２の
辞書パターンは特に決められた選択方法はなく、色々な
パターンを登録しておく方が良い。

第５図は、辞書パターン格納部２の内容の一例を示す図
で、辞書パターン格納部２はディレクトリ部Ａとパター
ン用メモリＢに分かれ、ディレクトリＡに登録されてい
る単語名と各単語のパターン数の各々が格納されている
番地等が保持されている。パターン用データメモリはデ
ィレクトリに示された値に従ってパターンデータが配置
されている。

一方、第６図は、評価用データを示し、Ｃはディレクト
リ部、Ｄは評価用データで、該評価用データも辞書用パ
ターンと同様に格納されている訳であるが、先に示した
認識方式の例では辞書の一つの要素を表わすビット数は
評価用よりも多い。

つまり評価用のパターンは２値化されているが。

辞書用は評価用と同等のパターンを多数重ね合わせて加
えて作成するためデータ量が多くなる。

次に使用例を説明する。１０数字の標準パターンを作成
する場合、まず、キーボード４から０〜９の数字を入力
する。それに従って、辞書パターン格納部１からＯのパ
ターン、１のパターン、・・・９のパターンを抽出する
。この時、各単語に対しｎ個のパターンが登録されてい
る場合、１０Ｘｎ個のパターンが演算部３のＲＡＭにロ
ードされる。

これでｎ種類の１０数字辞書が作られたことになる。次
に評価用パターン格納部６の中から評価用の０〜１のパ
ターンをとり出す。これは第４図（ａ）、（ｂ）のよう
な分布になるように各パターンｍ個のパターンがあれば
それを演算部３のＲＡＭにロードし、先にロードしたｎ
種の辞書とｍ種の評価パターンで認識演算する。この演
算のしかたは第７図に示すようなフローチャートに従う
と良い。まず、第１の辞書を使って認識を行ない、その
認識率をＲｓとする。この時の認識は評価者全員の認識
率を加えたもので良い０次に単語Ｉｊを１にセットする
。ｊは辞書の各単語のパターン数を示し、これもますは
２にセットされる。単語ｊのパターンをｉの辞書パター
ンと入れ替えて認識するが、この時は評価者全員で認識
し、全員の和を認識率Ｒｊとする。ＲｊをＲｓを比較し
、Ｒｊが大きければ単語ｊはｉのパターンと入れ替えて
新しい辞書を作る。Ｒｊ　＞　Ｒｓが成立しなければ、
パターンは入れ替えることなく、次の辞書のｊのパター
ンと入れかえてみて又認識する。こうしてｉを１〜ｎま
で、ｊを１〜ｉｌｔ語数までくり返すことによって多く
の辞書データの中から１０単語の最良の辞書パターンが
一組選び出される。このように選出された一組のパター
ン（必要に応じて一つの単語に二つ以上のパターンを持
たせても良い）がフロッピー５へ出力され、辞ａファイ
ル（フロッピー５）が完成する。このフロッピーは先に
述べたような音声認識装置のフロッピードライバーに入
れ、作成された辞書を装置側にロードすることにより１
ｏ数字の不特定話者認、７ａ装置となる。このような辞
書パターンと評価パターンの格納部には使用頻度の高い
ｍ語、例えば１０数字、スタート、ストップ、終り、は
じめ、ハイ、イイエ、・・白、黒、赤・・・、子、午、
虎、卯、・・・などを入れておいて必要な単語を選出し
て任、伍の辞書を作ることができる。

又、この方法ではメモリー内に格納されている辞書パタ
ーンについて単語の選出をするものであるが、その中に
格納されていないものが必要となった場合、メーカーに
依頼してＲＯＭの書き替えと言った面倒な方法をとらね
ばならない。そこで、これを外部記憶媒体、例えばフロ
ッピーディスク等から読み出してＲＡ　Ｍヘロードする
ようにする。

このような例を第８図に示す。

第８図に示した実施例は、第２図に示した辞書パターン
格納部１及び評価パターン格納部６の代りにフロッピー
ディスク７を設け、この中へ辞赴用と評価用のパターン
を格納しておき、それをキーボード４から指定してとり
出し、すでに述べたような演算後、フロッピー５へ出来
上った辞書を出力する。第９図は、このような手順を示
す図で、類似度を求めてパターンを選択するやり方は先
に述べたものと同じで良いが、この方法に限ることはな
い。例えば、第８図において、キーボード１１から入力
した単語の辞書パターンをフロッピーディスク７からと
り出す。この時、各単語についてｎ個のパターン全てを
とり出すとｎ組の辞書が出来ることになる。これをフロ
ッピーディスク５に出力しても良い。この時、認識装置
の方でｎ組の辞書を順に使用して使用上一番都合の良い
ものを使うようにすれば良い。第８図に示すような装置
の場合、フロッピーディスク７をとり換えることによっ
て無限の単語に対応することが出来る。

この方式は、不特定話者用の辞書作成を目的としている
ものではあるが、不特定話者装置が特定話者装置として
利用できれば利用者が任意のａ声の登録が出来て便利で
ある。そこで利用者の音声を不特定話者用の辞書の中に
加えるようにしたのが第１０図及び第１１図に示したも
のである。認識方式としては先に述へた２値のＴＳＰを
用いる方式を示しているが、これに限るものではない。

まず、利用者が必要な単語を必要な回数だけマイク８に
向って発声する。各々の音声はマイクアンプ９で増幅さ
れた後、フィルタバンク１０，２値化部１１を通して２
値化されて演算部２にて重ね合わされて標準パターンが
作成される。これを辞書パターン格納部１２へ他のパタ
ーンと併せて格納する。こうすることによって不特定話
者用だけでなく特定話者用の辞書パターンが作成できる
ため１通常の不特定話者用の音声認識装置を特定話者用
の認識装置として利用することができるようになり、不
特定話者方式よりも高い正答率で任意の単語の登録がで
きるようになる。

なお１以上の説明においては、あらかじめ辞書パターン
の形になったものをメモリーに格納しているが、必ずし
もこの必要はなく、データを演算部に入れて統計的な処
理を施しても良い。

また、このような装置を個人用に持たず、業務用として
配し、使用者が自分でフロッピー等の記録媒体を決めら
れた位置に挿入し、指定のキーボードから単語を入力し
、金銭を投入して自分のフロッピーに必・要な辞書パタ
ーンを転送するいわゆる自動販売機の形にすることも考
えられる。

処−一果 以上の説明から明らかなように、発明によると、不特定
話者用の高い認識率の辞書が簡易に入手できる。

【図面の簡単な説明】

第１図及び第２図は、それぞれ本発明の詳細な説明する
ための構成図、第３図は、メンバーシップ関数の構成例
を示す図、第４図は、各単語の平均長と人数の分布を示
す図、第５図は、ＪＲ準パターンの登録例を示す図、第
６図は、評価用パターンの登録例を示す図、第７図は、
認識演算のフローチャートを示す図、第８図は、本発明
の他の実施例を説明するための図、第９図は、第８図に
示した実施例の動作手順を示す図、第１０図及び第１１
図は、不特定話者用の認識方式の例を示す図である。 １・・・パターン格納部、２・・・演算部、３・・・Ｃ
ＲＴ、４・・・キーボード、５・・・フロッピーディス
ク、６・・・評価パターン格納部、７・・・フロッピー
ディスク。 ８・・・マイク、９・・・マイクアンプ、１０・・・フ
ィルタバンク、１１・・・２値化部、１２・・・辞書パ
ターン格納部。 第 図 第 図 第 図 簗 図 第 図 第 図 第 図 第 図

Claims (1)

1. 【特許請求の範囲】 １、音声パターンを保持する部分と、音声の種類を指示
   する部分と、指示された音声を選出して他の媒体へ転送
   する部分とを有し、前記音声の種類を指示する部分から
   音声パターンを保持する部分に保持された種類の中の全
   体又は一部を指示し、指示されたパターンを選出し、選
   出された全てのパターンの数以下のパターンを他の媒体
   へ転送するようにしたことを特徴とする辞書パターン作
   成装置。 ２、音声のパターンを保持する部分と、音声の種類を指
   示する部分と、指示された種類の音声をとり出して演算
   する部分と、演算の結果得られたパターンを他の媒体へ
   転送する手段とを有しており、一つの音声の種類につい
   て一つ以上の標準パターンとなり得るパターンを保持し
   、認識時の未知入力パターンと等価なパターンを各音声
   の種類について一つ以上保持し、該音声保持部から指示
   された種類の音声を選び出し、前記入力等価パターンと
   の間で認識演算を行なった上で認識の誤りが最小或はそ
   れに準ずる数となるような組合せの標準パターンとなり
   得るパターンを選出し、それを他の媒体へ転送するよう
   にしたことを特徴とする辞書パターン作成装置。