JPH03157697A - 単語認識システム - 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】 ［産業上の利用分野コ 本発明は、家電機器を音声操作する等に好適な単語認識
システムに関する。

［従来の技術］ 従来の単語認識システムは、特開昭６３−２２９４９６
に記載される如く、以下の手順による。

■入力音声に含まれる単語に関する特徴を抽出する。

■予め上記■と同様の方法で抽出しておいた辞書との距
離を計算する。

■上記■の計算結果より、入力音声が辞書に登録してお
いたどの単語か判定する。

■今回入力話者に認識単語を知らせる。入力話者は、単
語認識システムによる誤認識の有無をチエツクする。

■上記■のチエツクにより、誤認識が判明した場合、今
回入力話者の手入力により、今回誤認識した単語の特徴
量を新たな標準パターンとして追加登録する。

これにより、１つの登録単語について、既登録の標準パ
ターンに加え、追加登録の標準パターンが並存すること
になる。

〔発明か解決しようとする課Ｍ］ 然しながら、上記従来の単語認識システムでは、下記■
〜■の問題点がある。

■標準パターン作成時から時間が経過するにつれ、認識
率が劣化する０例えば、３ケ月経過により、認識率は１
００．０％から８５．０％に劣化する。

■実時間処理が困難である。即ち、一定以上の認識率を
確保するためには複雑な特徴量を用いる必要があるが、
複雑な特徴量を抽出するためには複雑な処理装置が必要
であり、処理時間も多大となる。

■誤認識の再発防止のため、誤認識に係る登録単語につ
いてその標準パターンを追加登録する毎に、標準パター
ンのメモリ容量が必要になる。

■上記■にて標準パターンを追加登録する結果、認識時
に距離計算するパターン数が増え、認識処理時間が増大
化する。

本発明は、経時的な認識率の劣化が極めて少なく、かつ
容易に実時間処理できる単語認識システムを得ることを
目的とする。

又、本発明は、認識不能に係る登録単語を追加学習して
認識不能の再発を防止するに際し、メモリ容量の増加と
認識処理時間の増大化を必要とすることなく・、かつ容
易に実時間処理できる単語認識システムを得ることを目
的とする。

［課題を解決するための手段］ 請求項１に記載の本発明は、ニューラルネットワークを
用いた単語認識システムであって、登録単語に対応する
出力ユニットの出力値に対し、単語認識用しきい値と追
加学習用しきい値とを設定し、上記出力値が単語認識用
しきい値より大なることを条件に、今回の入力音声単語
を登録単語と判定し、上記出力値が単語認識用しきい値
より大、かつ追加学習用しきい値より小なることを条件
に、今回の入力音声データを用いてニューラルネットワ
ークの追加学習を行なうようにしたものである。

請求項２に記載の本発明は、ニューラルネットワークを
用いた単語認識システムであフて、登録単語に対応する
出力ユニットの出力値に対し、単語認識用しきい値を設
定し、上記出力値が単語認識用しきい値より大なること
を条件に、今回の入力音声単語を登録単語と判定し、上
記出力値が単語認識用しきい値より小なることを条件に
、今回の入力音声単語を認識てきなかったことを表示し
、この表示に対して今回の話者により教示される今回の
入力単語データと今回の入力音声データとを用いてニュ
ーラルネットワークの追加学習を行なうようにしたもの
である。

請求項３に記載の本発明は、ニューラルネットワークを
用いた単語認識システムであって、登録単語に対応する
出力ユニットの出力値に対し、単語認識用しきい値と追
加学習用しきい値とを設定し、上記出力値が単語認識用
しきい値より大なることを条件に、今回の入力音声単語
を登録単語と判定し、（Ａ）上記出力値が単語認識用し
きい値より小なることを条件に、今回の入力音声単語を
認識できなかったことを表示し、この表示に対して今回
の話者により教示される今回の入力単語データと今回の
入力音声データとを用いてニューラルネットワークの追
加学習を行ない、（Ｂ）上記出力値が単語認識用しきい
値より大、かつ追加学習用しきい値より小なることを条
件に、今回の入力音声データを用いてニューラルネット
ワークの追加学習を行なうようにしたものである。

請求項４に記載の本発明は、前記ニューラルネットワー
クへの入力として、 ■音声の周波数特性の時間的変化、 ■音声の平均的な線形予測係数、 ■音声の平均的なＰＡＲＣＯＲ係数、 ■音声の平均的な周波数特性、及びピッチ周波数、 ■高域強調を施された音声波形の平均的な周波数特性、
並びに ■音声の平均的な周波数特性 のうちの１つ以上を使用するようにしたものである。

請求項５に記載の本発明は、前記ニューラルネットワー
クが階層的なニューラルネットワークであるようにした
ものである。

［作用］ 請求項１に記載の本発明によれば、下記（１）〜（５）
の作用効果がある。

（１）経時的な認識率の劣化が極めて少ない、このこと
は、後述する実験結果により確認されていることである
が、ニューラルネットワークが音声の時期差による変動
の影響を受けにくい構造をとることが可能なためと推定
される。

（２）ニューラルネットワークを構成する、登録単語に
対応する出力ユニットの出力値に対し、単語認識用しき
い値の他に、追加学習用しきい値を設けた。即ち、上記
出力値が単語認識用しきい値を超えて大なるものであり
、入力音声単語を登録単語と判定できるものであっても
、該出力値が該１ｉ３５認識用しきい値より大なる追加
学習用しきい値を超えるものでない場合には、今回の入
力音声データを用いてニューラルネットワークの追加学
習を行なう、これにより、ニューラルネットワークの認
識率が劣化する前に、常に該ニューラルネットワークを
更新し、結果として、経時的な認識率の劣化が極めて少
ない単語認識システムを構成できる。

（３）ニューラルネットワークは、原理的に、ネットワ
ーク全体の演算処理が単純且つ迅速である。

（４）ニューラルネットワークは、原理的に、それを構
成している各ユニットが独立に動作しており、並列的な
演算処理が可能である。従って、演算処理が迅速である
。

（５）上記（３）〜（４）により、単語認識システムを
複雑な処理装置によることなく容易に実時間処理できる
。

又、請求項２に記載の本発明によれば、上記（１）　　
　（３）〜（５）の作用効果に加えて、下記（６）の作
用効果がある。

（６）ニューラルネットワークにて今回の入力音声単語
が認識不能である時、入力話者の助力により今回の入力
単語データを教示されて該ニューラルネットワークの追
加学習を行ない、認識不能の再発を防止できる。この際
、追加学習は、二二一ラルネットワークの各ユニットの
変換関数及び重みを修正することによりなされるもので
あるため、メモリ容量の増加や認識処理時間の増大化を
必要とすることがない。

請求項３に記載の本発明によれば、上記（１）〜（６）
の作用効果がある。

請求項４に記載の本発明によれば、上記（１）〜（６）
の作用効果に加えて、下記（７）の作用効果がある。

（７）ニューラルネットワークへの入力として、請求項
４に記載の■〜■の各要素のうちの１つ以上を用いるか
ら、入力を得るための前処理が、従来の複雑な特徴量抽
出に対して、単純となり、この前処理に要する時間が短
くて足りる。

請求項５に記載の本発明によれば、上記（１）〜（７）
の作用効果に加えて、下記（８）の作用効果がある。

（８）階層的なニューラルネットワークにあっては、現
在、後述する如くの簡単な学習アルゴリズム（パックプ
ロパゲーション）が確立されており、高い認識率を実現
できるニューラルネットワークを容易に形成できる。

［実施例］ 第１図は本発明が適用された単語認識システムの一例を
示す模式図、第２図は音声処理部とニューラルネットワ
ークの一例を示す模式図、第３図は入力音声を示す模式
図、第４図はバンドパスフィルタの出力を示す模式図、
第５図はニューラルネットワークを示す模式図、第６図
は階層的なニューラルネットワークを示す模式図、第７
図はユニットの構造を示す模式図である。

本発明の具体的実施例の説明に先立ち、ニューラルネッ
トワークの構成、学習アルゴリズムについて説明する。

Ｕ）ニューラルネットワークは、その構造から、第５図
（Ａ）に示す階層的ネットワークと第５図（Ｂ）に示す
相互結合ネットワークの２種に大別できる０本発明は、
両ネットワークのいずれを用いて構成するものであって
も良いが、階層的ネットワークは後述する如くの簡単な
学習アルゴリズムか確立されているためより有用である
。

（２）ネットワークの構造 階層的ネットワークは、第６図に示す如く、入力層、中
間層、出力層からなる階層構造をとる。

各層は１以上のユニットから構成される。結合は、入力
層→中間層→出力層という前向きの結合たけて、各層内
での結合はない。

（３）ユニットの構造 ユニットは第７図に示す如く脳のニューロンのモデル化
であり構造は簡単である。他のユニットから入力を受け
、その総和をとり一定の規則（変換関数）で変換し、結
果を出力する。他のユニットとの結合には、それぞれ結
合の強さを表わす可変の重みを付ける。

（４）学習（パックプロパゲーション）ネットワークの
学習とは、実際の出力を目標値（望ましい出力）に近づ
けることであり、−船釣には第７図に示した各ユニット
の変換関数及び重みを変化させて学習を行なう。

又、学習のアルゴリズムとしては、例えば、Ｒｕｍｅｌ
ｈａｒｔ、　　Ｄ、Ｅ、’、ＭｃＣ１ｅｌｌａｎｄ、　
　Ｊ、Ｌ、　　ａｎｄ　　ｔｈｅＰＤＰ　　Ｒｅ５ｅａ
ｒｃｈ　　Ｇｒｏｕｐ、　　ＰＡＲＡＬＬＥＬ　　ＤＩ
ＳＴＲＩＢＵＴＥＤＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　
ＭＩＴ　Ｐｒｅｓｓ、　１９８６．に記載されているパ
ックプロパゲーションを用いることができる。

以下、本発明の具体的な実施例について説明する。

単語認識システム１０は、第１図に示す如く、音声入力
部１１、音声処理部１２、ニューラルネットワーク１３
、判定部１４、メモリ部１５、ネットワーク制御部１６
、機器制御部１７、表示制御部１８、表示部１９、教示
部２０を有して構成される。

（１）音声入力部１１に登録音声を入力する。

この時、学習単語を、「ショウメイ」、「エアコン」、
「カーテン」、「テレビ」、「ドア」の５単語とする。

又、入力単語を、「ショウメイ」、「エアコン」、「カ
ーテン」、「テレビ」、「ドア」の５単話とする。

（２）音声処理部１２て、上記（１）の入力音声に簡単
な前処理を施す。

前処理結果は、今回の単語認識のためにニューラルネッ
トワーク１３に転送されるとともに、追加学習の可能性
に備えて、メモリ部１５に転送される。

（３）ニューラルネットワーク１３は、下記■の学習動
作と下記■の評価動作を行なう。

■学習 ′Ｑ録単語に対応する出力ユニットの目標出力値を（１
）、対応しない出力ユニットの目標出力値を特徴とする 特定話者の入力音声に、音声処理部１２による前処理を
施し、この前処理結果をニューラルネットワーク１３に
入力する。そして、ニューラルネットワーク１３の出力
値（出力層を構成する各出力ユニットの出力値）が上記
目標値に近づくように、ニューラルネットワーク１３の
各ユニットの変換関数及び重みを修正する。

この学習動作を例えば１０００回くり返す。

■評価 今回話者の入力音声に前処理を施し、この前処理を施し
た音声をニューラルネットワーク１３に入力し、ニュー
ラルネットワークの出力値を得る。

そして、ニューラルネットワーク１３の各登録単語に対
応する出力ユニットの出力値（Ｘ）が判定部１４に転送
される。

（４）判定部１４は、ニューラルネットワーク１３の出
力値（Ｘ）に対し、しきい値θ１、θ２（θ１〉θ２）
を設ける。

Ｏｌは追加学習用しきい値、０２は単語認識用しきい値
である。

判定部１４は、上記しきい値を用いて、下記■〜■の判
定動作を行なう。

■［Ｘ＞θ２］ であることを条件に、判定部１４は、今回の入力音声単
語を登録単語と判定し、この登録単語判定信号を機器制
御部１７に出力する。

■［Ｘ＜０２］ であることを条件に、判定部１４は、今回の入力音声単
語を認識できなかった旨の認識不能信号を表示制御部１
８に出力する。

■上記■の登録単語判定時に限り、判定部１４は、更に
次の（ａ）　、　（ｂ）の処理を行なう。

（ａ）［Ｘ＜θ１］ であることを条件に、判定部１４は、今回の入力音声デ
ータを用いてニューラルネットワーク１３の追加学習を
行なうべく、ネットワーク制御部１６に追加学習実行信
号を出力する。

（ｂ）［Ｘ＞０１］ である時、判定部１４は何もしない。

（５）機器制御部１７は、判定部１４による上記■の判
定結果に基づく登録単語判定信号により、機器を制御す
る。

この機器は、例えば照明器具であり、上記登録単語判定
信号に基づいて点灯制御を行なう。

（６）ネットワーク制御部１６は、判定部１４による上
記■の判定結果に基づく追加学習実行信号により、ニュ
ーラルネットワーク１３の追加学習を行なうことを判断
する。この時、ネットワーク制御部１６は、メモリ部１
５より、今回の入力音声データを取出し、この入力音声
データをニューラルネットワーク１３に再入力し、この
入力に対するニューラルネットワーク１３の出力値（Ｘ
）が今回認識済の入力単語に対応する前述（３）■の登
録単語についての目標値（１）に近づくように、ニュー
ラルネットワーク１３の各ユニットの変換関数及び重み
を修正する。ネットワーク制御部１６は、この追加学習
動作を例えば１０００回くり返す。

（７）表示制御部１８は、判定部１４による上記■の判
定結果に基づく認識不能信号により、表示部１９を駆動
し、今回の入力音声単語を認識てきなかったことを表示
し、これを話者に知らしめる。

同時に、表示制御部１８は、表示部１９を駆動し、全登
録単語（前述の５単語）を順次表示する。これに対し、
今回の話者は、教示部２０を手操作して、自らが今回入
力して認識不能であった入力ｇｔ語を表示部１９の表示
単語データから特定し、この入力単語データを表示制御
部１８に送信する。

表示制御部１８は、教示部２０から送信された入力単語
データを判断し、この認識不能であった単語についての
追加学習実行信号をネットワーク制御部１６に出力する
。

（８）ネットワーク制御部１６は、表示制御部１８によ
る上記（７）の制御結果に基づく追加学習実行信号によ
り、ニューラルネットワーク１３の追加学習を行なうこ
とを判断する。この時、ネットワーク制御部１６は、今
回の話者により教示された今回の入力単語データと、メ
モリ部１５より取出した今回の入力音声データとに基づ
き、今回の人力音声データをニューラルネットワーク１
３に再入力し、この入力に対するニューラルネットワー
ク１３の出力値（Ｘ）が今回認識不能であった入力単語
に対応する前述（３）■の登録単語についての目標値（
１）に近づくように、ニューラルネットワーク１３の各
ユニットの変換関数及び重みを修正する。ネットワーク
制御部１６は、この追加学習動作を例えば１０００回く
り返す。

以下、第２図に示す如く、階層的なニューラルネットワ
ーク１３を用い、ニューラルネットワーク１３の入力と
して音声の一定時間内における平均的な周波数特性の時
間的変化を用いた場合の具体的実施例について説明する
。

尚、音声処理部１２は、第２図に示す如く、ローパスフ
ィルタ２１、バンドパスフィルタ２２、平均化回路２３
の結合にて構成される。

■入力音声の音声信号の高域成分を、ローパスフィルタ
２１にてカットする。そして、この入力音声を第３図に
示す如く、４つのブロックに時間的に等分割する。

■音声波形を、第２図に示す如く、複数（ｎ個）チャン
ネルのバンドパスフィルタ２２に通し、各ツロック即ち
各一定時間毎に第４図（Ａ）〜（Ｄ）のそれぞれに示す
如くの周波数特性を得る。

この時、バンドパスフィルタ２２の出力信号は、平均化
回路２３にて、各ブロック毎、即ち一定時間て平均化さ
れる。

以上の前処理により、「音声の一定時間内における平均
的な周波数特性の時間的変化」が得られた。

平均化回路２３の出力は、直接的にニューラルネットワ
ーク１３に転送され、或いはメモリ部１５を経由して間
接的にニューラルネットワーク１３に転送される。

■ニューラルネットワーク１３は、３層の階層的なニュ
ーラルネットワークにて構成される。入力Ｊｉ１３１は
、前処理の４ブロツク、ｎチャンネルに対応する４Ｘｎ
ユニツトにて構成される。出力層３２は、前述した登録
単語数（５単語）に対応する５ユニツトにて構成される
。

出力１３２の目標値は、登録単語「ショウメイ」に対応
する出力ユニットについては（ｌＯ，Ｏ，０，０）、「
エアコン」に対応する出力ユニットについては（０、１
、００、０）、「カーテン」に対応する出力ユニットに
ついては（０、０、１、０、０）　　　ｒテレビ」に対
応する出力ユニットについては（０，０，０，１゜０）
、「ドア」に対応する出力ユニットについては（０，０
，０，０，１）である。

実験 （１）学習時の話者である特定話者（１人）による入力
時、認識率は１００％であった。

（２）不特定話者（２０人）による入力時、前述の追加
学習なしの場合、認識率は９２．０％であった。

（３）不特定話者（２０人）による入力時、前述の追加
学習ありの場合、認識率は９９．０％であった。

次に、上記実施例の作用について説明する。

（１）経時的な認識率の劣化が極めて少ない、このこと
は、後述する実験結果により確認されていることである
が、ニューラルネットワーク１３が音声の時期差による
変動の影響を受けにくい構造をとることが可能なためと
推定される。

（２）ニューラルネットワーク１３を構成する、登録単
語に対応する出力ユニットの出力値に対し、単語認識用
しきい値の他に、追加学習用しきい値を設けた。即ち、
上記出力値が単語認識用しきい値を超えて大なるもので
あり、入力音声単語を登録単語と判定できるものてあっ
ても、該出力値が該単語認識用しきい値より大なる追加
学習用しきい値を超えるものでない場合には、今回の入
力音声データを用いてニューラルネットワーク１３の追
加学習を行なう。これにより、ニューラルネットワーク
１３の認ｗｔ率が劣化する前に、常に該ニューラルネッ
トワーク１３を更新し、結果どして、経時的な認識率の
劣化か極めて少ない単語認識システムを構成できる。

（３）ニューラルネットワーク１３は、原理的に、ネッ
トワーク全体の演算処理が単純且つ迅速である。

（４）ニューラルネットワーク１３は、原理的に、それ
を構成している各ユニットか独立に動作しており、並列
的な演算処理が可能である。従って、演算処理か迅速で
ある。

（５）上記（３）〜（４）により、単語認識システム１
０を複雑な処理装置によることなく容易に実時間処理で
きる。

（６）ニューラルネットワーク１３にて今回の入力音声
単語が認識不能である時、入力話者の助力により今回の
入力単語データを教示されて該ニューラルネットワーク
１３の追加学習を行ない、認識不能の再発を防止できる
。この際、追加学習は、ニューラルネットワーク１３の
各ユニットの変換関数及び重みを修正することによりな
されるものであるため、メモリ容量の増加や認識処理時
間の増大化を必要とすることかない。

（７）ニューラルネットワーク１３への入力として、「
音声の周波数特性の時間的変化」を用いたから、入力を
得るための前処理が従来の複雑な特徴量抽出に比して、
単純となりこの前処理に要する時間が短くて足りる。

この時、上記ニューラルネットワークへの入力として、
更に、「音声の一定時間内における平均的な周波数特性
の時間的変化」を用いたから、ニューラルネットワーク
１３における処理が単純となり、この処理に要する時間
がより短くて足りる。

（８）階層的なニューラルネットワーク１３を用いたか
ら、現在、既に確立している簡単な学習アルゴリズム（
パックプロパゲーション）を用いて、高い認識率を達成
できる。

尚、本発明の実施においては、ニューラルネットワーク
への入力として、 ■音声の周波数特性の時間的変化、 ■音声の平均的な線形予測係数、 ■音声の平均的なＰＡＲＣＯＲ係数、 ■音声の平均的な周波数特性、及びピッチ周波数、 ■高域強調を施された音声波形の平均的な周波数特性、
並びに ■音声の平均的な周波数特性 のうちの１つ以上を使用できる。

そして、上記■の要素が更に「音声の一定時間内におけ
る平均的な周波数特性の時間的変化」として用いられた
ように、上記■の要素は「音声の一定時間内における平
均的な線形予測係数の時間的変化」、上記■の要素は「
音声の一定時間内における平均的なＰＡＲＣＯＲ係数の
時間的変化」、上記■の要素は「音声の一定時間内にお
ける平均的な周波数特性、及びピッチ周波数の時間的変
化」、上記■の要素は、「高域強調を施された音声波形
の一定時間内における平均的な周波数特性の時間的変化
」として用いることができる。

尚、上記■の線形予測係数は、以下の如く定義される。

即ち、音声波形のサンプル値（χ。）の間には、−ｍに
高い近接相関があることが知られている。

そこで次のような線形予測か可能であると仮定する。

線形予測値　　χｔ＝−Σα１χｔ−１　　・・・（１
）線形予測誤差　ε（＝χ先−χ（・・・（２）ここて
、χに時刻ｔにおける音声波形のサンプル値、（αム）
（１＝１．・・・、ｐ）：　（９次の）線形予測係数 さて、本発明の実施においては、線形予測誤差ε、の２
乗平均値が最小となるように線形予測係数（ａ、）を求
める。

具体的には　（ε　）２を求め、その時間平均を（ε、
）２と表わして、θ（εｔ）”　／ａａ　（＝Ｏ，ｉ＝
］、２．・・・、ｐとおくことによって、次の式から（
ａｌ）が求められる。

ΣＱ　１ｖｌｌ−Ｊｌ　　＝　Ｌ　　ｊ＝　１　　＋　
　２　＋　　・・・、ｐ　　・・・（３）又、上記■の
ＰＡＲＣＯＲ係数は以下の如く定義される。

即ち、［ｋ、］（ｎ＝１．・・・、ｐ）を（９次の）Ｐ
ＡＲ（：ＯＲ係数（偏自己相関係数）とする時、ＰＡＲ
ＣＯＲ係数ｋ。、ｌは、線形予測による前向き残差εｔ
ｌ）ど後向き残差εＬ−＋ｎ＋１１　（ｂ’間の正規化
相関係数として、次の式によって定義される。

ε％ｆ１．ε、−（。。、、　（ｂｌ ・・・　（４） ここで、８ｔ（ｆ）＝χえ−′ｔ　αｌχｔ−１（α、
）：前向き予測係数、 ε１−（川、ｌｌ＝χ（−（川じりｊ・χｔ−Ｊ・（β
ノ）：後向き予測係数 又、上記■の音声のピッチ周波数とは、声帯波の繰り返
し周期（ピッチ周期）の逆数である。

尚、ニューラルネットワークへの入力として、個人差が
ある声帯の基本的なパラメータであるピッチ周波数を付
加したから、特に大人／小人、男性／女性間の話者の認
識率を向上することができる。

又、上記■の高域強調とは、音声波形のスペクトルの平
均的な傾きを補償して、低域にエネルギが集中すること
を防止することである。然るに、音声波形のスペクトル
の平均的な傾きは話者に共通のものであり、話者の認識
には無関係である。

ところが、このスペクトルの平均的な傾きが補償されて
いない音声波形をそのままニューラルネットワークへ入
力する場合には、ニューラルネットワークか学習する時
にスペクトルの平均的な傾きの特徴の方を抽出してしま
い、話者の認識に必要なスペクトルの山と谷を抽出する
のに時間がかかる。これに対し、ニューラルネットワー
クへの入力を高域強調する場合には、話者に共通で、認
識には無関係でありながら、学習に影響を及ぼすスペク
トルの平均的な傾きを補償できるため、学習速度が速く
なるのである。

［発明の効果］ 以上のように本発明によれば、経時的な認識率の劣化が
極めて少なく、かつ容易に実時間処理できる単語認識シ
ステムを得ることができる。

又、本発明によれば、認識不能に係る登録単語を追加学
習して認識不能の再発を防止するに際し、メモリ容量の
増加と認識処理時間の増大化を必要とすることなく、か
つ容易に実時間処理できる単語認識システムを得ること
ができる。

【図面の簡単な説明】

第１図は本発明が適用された単語認識システムの一例を
示す模式図、第２図は音声処理部とニューラルネットワ
ークの一例を示す模式図、第３図は入力音声を示す模式
図、第４図はバンドパスフィルタの出力を示す模式図、
第５図はニューラルネットワークを示す模式図、第６図
は階層的なニューラルネットワークを示す模式図、第７
図はユニットの構造を示す模式図である。 １０・・・話者認識システム、 １１・・・音声入力部、 １２・・・音声処理部、 １３・・・ニューラルネットワーク、 １４・・・判定部、 １５・・・メモリ部、 １６・・・ネットワーク制御部、 １７・・・機器制御部、 １８・・・表示制御部、 １９・・・表示部、 ２ｏ・・・教示部。

Claims (5)

【特許請求の範囲】
1. （１）ニューラルネットワークを用いた単語認識システ
   ムであって、登録単語に対応する出力ユニットの出力値
   に対し、単語認識用しきい値と追加学習用しきい値とを
   設定し、上記出力値が単語認識用しきい値より大なるこ
   とを条件に、今回の入力音声単語を登録単語と判定し、
   上記出力値が単語認識用しきい値より大、かつ追加学習
   用しきい値より小なることを条件に、今回の入力音声デ
   ータを用いてニューラルネットワークの追加学習を行な
   う単語認識システム。
2. （２）ニューラルネットワークを用いた単語認識システ
   ムであって、登録単語に対応する出力ユニットの出力値
   に対し、単語認識用しきい値を設定し、上記出力値が単
   語認識用しきい値より大なることを条件に、今回の入力
   音声単語を登録単語と判定し、上記出力値が単語認識用
   しきい値より小なることを条件に、今回の入力音声単語
   を認識できなかったことを表示し、この表示に対して今
   回の話者により教示される今回の入力単語データと今回
   の入力音声データとを用いてニューラルネットワークの
   追加学習を行なう単語認識システム。
3. （３）ニューラルネットワークを用いた単語認識システ
   ムであって、登録単語に対応する出力ユニットの出力値
   に対し、単語認識用しきい値と追加学習用しきい値とを
   設定し、上記出力値が単語認識用しきい値より大なるこ
   とを条件に、今回の入力音声単語を登録単語と判定し、
   （Ａ）上記出力値が単語認識用しきい値より小なること
   を条件に、今回の入力音声単語を認識できなかったこと
   を表示し、この表示に対して今回の話者により教示され
   る今回の入力単語データと今回の入力音声データとを用
   いてニューラルネットワークの追加学習を行ない、（Ｂ
   ）上記出力値が単語認識用しきい値より大、かつ追加学
   習用しきい値より小なることを条件に、今回の入力音声
   データを用いてニューラルネットワークの追加学習を行
   なう単語認識システム。
4. （４）前記ニューラルネットワークへの入力として、 ［１］音声の周波数特性の時間的変化、 ［２］音声の平均的な線形予測係数、 ［３］音声の平均的なＰＡＲＣＯＲ係数、 ［４］音声の平均的な周波数特性、及びピッチ周波数、 ［５］高域強調を施された音声波形の平均的な周波数特
   性、並びに ［６］音声の平均的な周波数特性 のうちの１つ以上を使用する請求項１〜３のいずれかに
   記載の単語認識システム。
5. （５）前記ニューラルネットワークが階層的なニューラ
   ルネットワークである請求項１〜４のいずれかに記載の
   単語認識システム。