JPH03223799A - 分離しているワード、特に非常に大きい語いの認識方法と装置 - 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】 〔産業上の利用分野〕 本発明は、話者により話された分離しているワード、詳
しくは、ワードの数が１０４個以上の非常に大きい語い
を認識するための方法と装置に関するものである。

本発明は、詳しくは、特定話者として英語用語で定義さ
れたタイプの方法と装置に関する。これらの装置におい
ては、認識は、未知のワード入力を、同し話者により事
前に話されたワードから導出されたデータと比較するこ
とに基づいている。

〔従来技術と本発明が解決しようとする課題］限定され
た語いの認識用のこの種の装置では、話者は、語いのな
かのワードをすべて、事前に発音させられる。各ワード
は微細に抽出され、次に、関しフレームに関して、例え
ば、エネルギーとそのスペクトル組成を示す所定の特性
パラメータの値が記憶される。次に、未知のワードは、
未知のワードの個々のサンプルすなわちフレームに関す
るパラメータと、語い内のすべてのワードのサンプルす
なわちフレームのパラメータの対応する値を連続的に比
較することによって、認識される。

この方法は、真人な記憶資源と、非常に長い処理時間及
び装置を習熟訓練するために長時間を要するので、非常
に大きい語いに簡便に適用することは出来ない。

従って、本発明の目的は、分離しているワード認識の一
層便利な方法、すなわち、より少数の記憶装置と、より
短時間の処理と計算を利用することのみ必要とし、非常
に大きい語いでも有利に使用することが出来る方法及び
装置を提供することにある。

〔課題を解決するための手段〕

本発明により、本目的は、次の予備段階より成る認識法
により達成される。

（１）語い内の各ワードに関して、ワードの音素に対応
して、所定の音声アルファヘッドの一連の音声記号によ
り構成された少なくとも１つの相当する音声モデルを決
定し、記憶する。

（２）　　話者により話され、事前に定められかつ限定
さた基本音素あるいは“原型”の各組に関して、その音
声のエネルギーとスペクトルを示す所定の特性パラメー
タにより設定された関連値を決定し、記憶する。

次に、認識が行われるその都度、本方法は次の段階より
構成されている。

（１）話者により話された各分離しているワード（以下
分離ワードという）に相当する電気的信号を発生する。

（２）電気的信号を抽出し、各サンプルに関し、特性パ
ラメータによって設定された値を決定する。

（３）関し特性パラメータにより設定された値を、基本
音素あるいは“原型”°が事前に記憶された値と比較す
る。

（４）　　この比較に基づいて、話者の分離ワードに含
まれている音素の近似した表示（所定の基準により最適
化された）より成る音声記号のシーケンスあるいは“ス
トリング”　（Ｓｔｒｉｎｇ）を決定する。

（５）　　この音声ストリングを語いのすべての音声“
モデル″と比較し、動的プログラミング・アルゴリズム
により、特性がその°“ストリングの特性と最もよく一
致する少数のモデル（”候補モデル）を選択する。

次に、未知のワードにより近い、さらに少数の候補モデ
ルは、候補モデルの特性と未知ワードに関する音声パラ
メータとの新しい比較に基づいた一層正確な音声分析を
行うことにより、選択される。

都合のよいことに、−層詳細な特性によれば、゛候補′
”モデルの選択に使用された動的プログラミング・アル
ゴリズムは、“ストリングと各“モデル”の音声記号へ
通用された時に、記号の２つのシーケンスの間の最良の
整合を決定するために利用されたアルゴリズムである（
ダイナミンク・ワーピング（Ｄｙｎａｍｉｃ　Ｗａｒｐ
ｉｎｇ）　）。

未知ワードに相当する音声記号の゛ストリングは、この
動的プログラミング・アルゴリズムにより、事前に決定
されて記憶された語い内のすべてのワードの記号表示で
ある。

ここで留意されるべきことは、各ワードの発音が、語い
全体の記号表示すなわち“モデル”の記憶には許容可能
な数の記憶装置だけが必要とされるように、少数の音声
記号によって十分に記述されることである。さらに、未
知のストリングと記憶されているモデルとの体系的比較
は、短時間内でも行われ、さらにいくつかの手段により
、話者のワードまたは、それらの間の無音声期間の間隔
あるいはこれら両方の平均持続時間と比較出来る程度の
時間内で行うことが出来る。

また、本発明は、特性が特許請求の範囲に明記されてい
る分離ワードを認識だめの対応装置にも関するものであ
る。

本発明のそのほかの特性と利点は、付属図面を参照して
、非限定実施例により示され、以降の詳細な説明から一
層明確になる。

〔実施例〕

本発明の音声認識法が行われるときには、そのたびに、
本方法は、第１図の流れ回内のブロックＡ−Ｆにより図
で示されたある一連の段階より成っている。方法は、さ
らに、第１図内のブロックａ　−ｆによって示された数
組の情報とデータ（つまり、認識ベース）の予備的入手
を行う。これらのデータすなわち認識ベースは、以下に
一層明白に記述されるように、本方法で使用されている
。

本方法は、マイクロホンによって、話者により話された
ワードを表わす電気的信号の入手を、最初に行う（ブロ
ックＡ）。この段階で、入手された電気的信号は、増幅
され、フィルタを通り、抽出されて、デジタルの形に変
換され、記憶される。

次の段階（ブロックＢ）では、事前に入手されたデジタ
ル信号は、適切に処理される。すなわち、未知のワード
に関する信号の各サンプルすなわちフレームについて、
エネルギーとスペクトル組成を示す所定の特性パラメー
タによって設定された値は、決定され、記憶される。こ
れは、線形予測分析ＬＰＧとスペクトル分析などの現在
一般に行われている手法を使用して、行われる。

未知のワードのフレームは、未知のワードの個々のサン
プルつまりフレームの特性パラメータの値を、話者によ
り話された、基本音素すなわち原型の所定の限定された
組の値（事前に記憶、ブロックａ）と比較することによ
り、認識されて、ラベルを表示される。

次の段階（ブロックＣ）では、未知ワードの個々のフレ
ームは、所定の規則と言語の音韻特性（ブロックｂ）に
もとづいて分析され、未知ワードに含まれた音素の近（
以的表示を構成する音声記号のシーケンスすなわち“″
ストリング°が形成される。この音声記号は、所定の音
声アルファベット、例えば、国際音声協会のアルファベ
ットと一致する。

このように形成されたストリングの図的表示は、例えば
、ＣＲＴスクリーン上に現される（ブロックＣ１）。

次の段階（ブロックＤ）では、以降において事前選択段
階と呼ばれているが、音声ストリングが、語い（ブロッ
クｄ）内のすべてのワードの音素表示と比較される。こ
の音素表示は、事前に、決定されて記憶される。すなわ
ち、語い内の各ワードに関して、ワードの音素に相当す
る音声記号のシーケンスにより構成された少なくとも１
つの対応する゛′音声モデル゛′が記憶されている。ワ
ードの音声モデルに相当する音声記号は、文書化された
ワード表から規則によって決定されるか、あるいは、例
えば、市販の印刷された辞書などの現存の出典から導き
出される。

さらに以降に説明するように、特性が未知のストリング
の特性と最も良く一致する音声モデルの選択には、未知
ストリングと各モデルとの間の差に関して、反復・動的
プログラミング・アルゴリズムを繰り返し使用して、測
定値、あるいは英語の用語で゛°スコア”（ＳＣＯＲＥ
）と呼ばれている得点の計算が必要である。殊に、この
差、測定値または得点が、例えば、Ｈ，５ａｋｏｅ及び
Ｓ、Ｃｈｉｂａ著の論文、゛話者のワード認識のため動
的プログラミングの最適化（Ｄｙｎａ＠ｉｃ　ｐｒｏｇ
ｒａ＠＋ｍｉｎｇ　ｏｐｔｉｍｉｚａｔｉｏｎｆｏｒ　
５ｐｏｋｅｎ　ｗａｒｄ　ｒｅｉｏｇｎｉｔｉｏｎ）’
　、ＩＥＥ　トランザクション、音響学、言語信号処理
、Ｖｏｌ、ＡＳＳＰ　　２６．４３〜４９頁、１９７８
年２月号、及び米国特許第４，３８４．２７３号に記載
のものと同様なプログラミング・アルゴリズムにより計
算される。

上述の事前選択段階によって、少数の゛候補゛モデルが
抽出される。すなわち、例えば、語い（ブロックｄ）が
６０，０００〜１００，０００ワードより成っているな
らば、上記の方法によって、１０〜１００程度の数の候
補モデルに達することは可能である。

次に、゛候補”モデルは、−層正確なもう１つの音声分
析（ブロックＥ）にかけられる。この段階では、各候補
について、語い内の音素ストリングと音声信号のパラメ
ータ記述との最良の整合が探索される。このために、目
的機能が定義される。

すなわち、多数観察にもとづく確率得点である。

ワードのある部分に関連した各音素に関して、対応する
スペクトル原型のスペーシング（Ｓｐａｃｉｎｇ）と、
そのエネルギー曲線の持続時間と特性とが測定される。

各測定値は、複数の話者を表わす音声データベースに関
して事前に決定されたヒストグラムと比較される。この
種類の情報により、“°原型パ定義段階（ブロックａ）
において、すなわち、装置の習熟訓練の期間に、入手し
なければならないデータ量は、都合よく減少する。

ブロックＥに相当する正確な音声分析によって、“候補
”モデルの数が、さらに抜本的に減少する。

この数は、例えば、１〜５の範囲へ減少する。次に、特
性が、未知ストリングの特性に最も良く一致する最終候
補は、例えばマルコビアノ（Ｍａｒｋｏｖｉ−ａｎｏ）
タイプのように、言語の確率的モデル（ブロックｆ）に
もとづいた文脈言語分析（既知の方法）により決定され
る（ブロックＦ）。例えば、このモデルは、調査中の言
語の文法的分類による位置特性と、ほかの文法規則と、
ワードが文脈に発生する頻度とにもとづいている。

第１図を参照して上述した方法を実行するために開発さ
れた装置は、第２図を参照して、説明する０本実施例は
、ＭＳ−００５パーソナルコンピユータの使用を基本に
している。

本装置は、基本的に、ホストコンピュータとして働くパ
ーソナルコンピュータ１により成り、第２図に示された
２〜４の一組の専用ボードを備えている。

例えば、ホストコンピュータは、オリベラティＭ２８０
またはＭ２Ｂ５である。ボード２〜４は、ソフトウェア
・モジュールが上述の方法の段階を実施するために割り
当てられたハードウェア・モジュールを表す。

Claims (1)

1. 【特許請求の範囲】 １、語い内の各ワードに関して、ワードの音素に対応し
   て、予め規定された音声のアルファベットの一連の音声
   記号により構成された少なくとも１つの相当する“音声
   モデル”を決定して記憶し、話者により話され、事前に
   定められかつ限定された基本音素あるいは原型の各組に
   関して、その音素のエネルギーとスペクトル組成を示す
   所定の特性パラメータにより設定された関連値を決定し
   て記憶する予備段階とを含み、さらに、 話者により話された各分離しているワードに相当する電
   気的信号を発生し、 前記電気的信号を抽出して各サンプルに関し特性パラメ
   ータにより設定された値を決定し、各サンプルの特性パ
   ラメータに対応する値を基本音素あるいは原型が事前に
   記憶された値と比較し、 前記比較にもとづいて、話された分離しているワードに
   含まれている音素の近似した表示（所定の基準により最
   適化された）より成る音声記号のシーケンスあるいは“
   ストリング”を決定し、前記音声ストリングを前記語い
   のすべての音声モデルと比較し、動的プログラミング・
   アルゴリズムによる前記ストリングの特性と最もよく対
   応する特性を有する少数のモデル（“候補”モデル）を
   選択する段階を認識が行われる際にそのたびに行われる
   段階とを備える話者により話される分離しているワード
   、詳しくは非常に大きい話いを認識するための方法。 ２、測定値あるいは得点が、 １つの音声記号をほかの音声記号との代替または混合の
   確率にして、予め規定されたデータベースのワードに関
   し各音声記号がほかの各音声記号と混同される統計的頻
   度の調査にもとづいて事前に決定された確立と、 各音声記号の省略または取消しの確率にして、各音声記
   号の省略または損失が予め規定されたデータベースのワ
   ードに関して発生する統計的頻度の調査にもとづいて事
   前に決定される確率と、音声記号が未知のストリングに
   擬似的に付加される確率にして、各音声記号の偶発的付
   加が予め規定されたデータベースに関して発生する統計
   的頻度の調査にもとづいて事前に決定される確率との所
   定の関数により計算される請求項１記載の方法。 ３、音声ストリングへの記号の擬似的付加の確率が、前
   記記号に関する代替または混同の確率と等しく設定され
   ている請求項２に記載の方法。 ４、語い内の各ワードの音声モデルが、ワードの文書化
   表示にもとづいて定義された規則により決定される請求
   項１〜３のうちいずれか一項に記載の方法。 ５、構成されたストリングの図的表示が生成されかつ表
   示される請求項１〜４のうちいずれか一項に記載の方法
   。 ６、より少数のモデルが、未知のワードを表す電気的信
   号の特性に関して、候補モデルの正確な音声分析にもと
   づき、候補モデルから選択される請求項１〜５のうちい
   ずれか一項に記載の方法。 ７、ワードの音素に対応して、予め規定された音声アル
   ファベットの一連の音声記号により構成された少なくと
   も１つの対応する音声モデルを表すデータを、語い内の
   各ワードに関して、記憶する第１記憶手段（１４）と、 事前に話者により話された基本音素あるいは原型の前以
   って定められかつ限定された各組の所定のパラメータ特
   性により設定された値を表すデータを記憶する第２記憶
   手段（３）と、 話者により話された分離しているワードに対応する電気
   的音響信号を発生する発生器手段（５）と、音響信号を
   抽出するための抽出手段（２）にして、音響信号の各サ
   ンプルに関して特性パラメータにより設定される値を決
   定するための信号処理手段（２）と、 各サンプルの特性パラメータの対応する値を基本音素あ
   るいは原型に関する事前に記憶された値と比較し、かつ
   これらの比較にもとづいて、話された分離しているワー
   ドに含まれた音素の近似した表示を構成している一連の
   あるいは“ストリング”の音声記号の組成を決定する第
   １処理・比較手段（３）と、 音声ストリングを語いのすべての音声モデルと比較し、
   かつ動的プログラミング・アルゴリズムにより、特性が
   前記ストリングの特性と最もよく対応する少数の音声モ
   デルを選択する第２処理・比較手段（４）とを備える話
   者により話された分離しているワード、詳しくは非常に
   大きい話いを認識するための装置。 ８、前記第２処理・比較手段（４）は、ストリングとモ
   デルの組合せの記号（ｓｉ、ｍｉ）の対応する所定の組
   に関する点数あるいは得点を計算する２つのグループの
   処理装置（Ｅ；０）を有する請求項７記載の装置。 ９、１つのグループの各処理装置がほかのグループの各
   処理装置（０；Ｅ）と同じ構造を有する請求項８に記載
   の装置。 １０、グループの各処理装置は、ほかのグループの２つ
   の隣接した処理装置に接続したデジタル処理・計算ユニ
   ット（Ｕ）を有し、該処理・計算ユニット（Ｕ）は、処
   理段階の結果を次の処理段階まで保持する各記憶ユニッ
   トを備えている請求項９に記載の装置。 １１、各処理装置は、 ２つの入力データ（Ｐ１、Ｐ３）のうち小さい法を決定
   して出力する第１比較手段（２９、３１）と、該第１比
   較手段（２９、３０）により出力されたデータへデータ
   を加算する第１加算器（３３）と、ほかの入力データ（
   Ｐ２）へデータを加算する第２加算器（３５）と、 第１と第２の加算器（３３、３５）により出力されたデ
   ータのうち小さい方を決定して出力する第２比較手段（
   ３０、３２）と、 該第２比較手段（３０、３２）の出力側に接続されたメ
   モリ・レジスタ（Ｒ）とを有する請求項１０に記載の装
   置。 １２、第１と第２の比較手段（２９、３１；３０、３２
   ）がそれぞれデジタル・コンパレータ（２９、３０）と
   マルチプレクサー（３１、３２）とを有する請求項１１
   に記載の装置。 １３、少なくとも１つの専用回路ボード（２〜４）を備
   えたパーソナルコンピュータ（１）を使用して構成され
   た請求項７から１２のうちのいずれか一項に記載の装置
   。 １４、構成されたストリングまたは選択されたモデルあ
   るいはこれら両方に関する図的表示をユーザーへ提供す
   るための表示手段（６）を有する請求項７〜１３のうち
   いずれか一項に記載の装置。