JPH0372991B2 - - Google Patents

Description

【発明の詳細な説明】

以下の順序で本発明を説明する。 Ａ産業上の利用分野 Ｂ開示の概要 Ｃ従来の技術 Ｄ発明が解決しようとする問題点 Ｅ問題点を解決するための手段 Ｆ実施例 F1音声入力信号のラベル化 F2フイーニーム単位のワード・モデルの生成 F3モデル生成および認識手順の概要 F4ラベル語彙生成および音声のラベル・ストリ
ングへの変換 F5ラベル・ストリングを使用するワード・モデ
ルの生成 F6認識プロセス F7ラベル・アルフアベツトの変化 F8表 Ｇ発明の効果 Ａ産業上の利用分野 本発明は音声認識、詳細には所定の語彙中のワ
ードについて統計的なマルコフ・モデルを用いて
音声認識する音声認識システムに係る。 Ｂ開示の概要 音声認識システムで、ラベルに基づくマルコ
フ・モデルによりワードをモデル化する装置を開
示する。モデル化は、語彙中のワードに対応す
る第１音声入力を音響プロセツサに送り、音響プ
ロセツサは、発声されたワードの各々を標準ラベ
ルの列に変換して、標準ラベルの各々を、時間間
隔に割当て可能な音響タイプに対応させること；
各々の標準ラベルを、複数の状態と、ある状態
からある状態への少なくとも１つの遷移と、ある
遷移で少なくとも１つの設定可能な出力確率とを
有する確率モデルとして表わすこと；選択され
た音響入力を音響プロセツサに送り、音響プロセ
ツサは、選択された音響入力を、それぞれが時間
間隔に割当てられた音響タイプに対応する個人化
ラベルに変換すること；各々の出力確率を、所
与のモデルにより示された標準ラベルの確率とし
て設定し、所与のモデルにおける所与の遷移で特
定の個人化ラベルを生成することを含む。本発明
は、音声認識システムで簡単かつ自動的にワード
のモデルを生成する問題を扱う。 Ｃ従来の技術 最近の音声認識システムにおいては、ワードの
音響モデル化に関し一般に利用される２つの手法
がある。１つの手法はワード・テンプレートを使
用するもので、ワードを認識するためのマツチン
グ・プロセスは動的計画法（DP）の手順に基づ
く。この手順の例は、音響、音声および信号処理
に関するIEEE会報ASSP第23巻（1975年）67〜
72頁記載のエフ・イタクラの論文“最小予測誤差
原理を応用した音声認識”（F.Itakura、
“
MinimumPredictionResidualPrincipleAppliedt
ｏＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎ”、IEEE
TransactionsonAcoustics、Speech、
andSignalProcessing、Vol.ASSP−23、1975、
pp67−72）および米国特許第4181821号に示され
ている。 もう１つの手法は、確率的なトレーニングおよ
び復号のアルゴリズムに適した音素単位のマルコ
フ・モデルを用いる。この手法および関連手順の
説明は、IEEE会報第64巻（1976年）532〜556頁
記載のエフ・ジエリネクの論文“統計的方法によ
る連続音声認識”（F.Jelinek、“Continuous
Speech Recognitionby Statistical Methods”
Proceedingsofthe IEEE、Vol.64、1976、
pp.532−556）に記載されている。 これらのモデルの下記の３つの点は特に重要で
ある。 (a) ワードの個別性：ワード・テンプレートは、
ワードの実際のサンプルから構築されるので、
より良好に認識することができる。音標に基づ
いたモデルは人工の音声を表わす基本形式から
導かれるので、理想的に作られたワードを表わ
し、実際には生起しないことがある。 (b) トレーニング可能性：マルコフ・モデルは、
例えば、（前述のジエリネクの論文に記載され
た）フオワード・バツクワード・アルゴリズム
によりトレーニングすることができるから、テ
ンプレートよりもすぐれている。ワード・テン
プレートは、（前述のイタクラの論文に記載さ
れた）イタクラ距離、スペクトル距離等のよう
な、トレーニングされない距離尺度を用いる。
１つの例外は、IBM研究報告RC5971、1976年
４月号に記載されたアール・バキスの論文“セ
ンチ秒音響状態による連続音声認識”（R.
Bakis、“Continuous Speech Recognition
Via Centisecond Acoustic States”IBM
Research Report RC5971、 April1976）で
用いた、ワード・テンプレートのトレーニング
を可能にする方法である。 (c) 計算速度：音響プロセツサから個別に出力さ
れたアルフアベツトを用いるマルコフ・モデル
は、（前記イタクラが用いた）動的計画法によ
るマツチングまたは（前記バキスが用いた）連
続パラメータのワード・テンプレートよりもか
なり計算速度が速い。 Ｄ発明が解決しようとする問題点 本発明の目的は、ワード・テンプレートのよう
にワードの個別性を有し、しかも個別のアルフア
ベツトのマルコフ・モデルで使用可能なトレーニ
ング可能性を生じる音響モデル化の方法を提供す
ることである。 更に本発明の目的は、単純でしかも認識プロセ
スで高速動作をする音声認識の音響ワード・モデ
ルを提供することである。 Ｅ問題点を解決するための手段 本発明により、ワード・モデルを生成する場
合、最初に、ワードを表わす音響信号を、個別の
アルフアベツトから標準ラベルのストリングに変
換する。ラベルの各々は、それぞれのワードの時
間間隔を表わす。次いで、標準ラベルの各々は確
率的な（例えばマルコフ）モデルに置き換えら
れ、複数の連続モデル（標準ラベルごとに１モデ
ル）から成る基本形式のモデルを形成する。この
際確率はいまだ入力されていない。次いで、この
ような基本形式モデルを、モデルに適用する統計
値すなわち確率を生成する発声サンプルによりト
レーニングする。その後、そのモデルを実際の音
声認識に使用する。 この方法の利点は、生成されたワード・モデル
が音素単位のモデルよりもずつと詳細で、しかも
トレーニング可能であり；パラメータ数は、語彙
の大きさではなく、標準ラベルのアルフアベツト
（種類）の数に左右され；これらのラベル単位の
モデルによる統計的なマツチングは、計算上、ワ
ード・テンプレートによるDPマツチングよりも
ずつと速いことである。 これらの利点は、前述のバスキの論文に示され
た手法に関しては著しいものがある。バキスの論
文では、ワードは状態の連続と定義され、各々の
状態は異なつていると見なされる。それゆえ、各
ワードが典型的に60の状態に広がり、語彙が5000
ワードであつた場合、バキスによる手法は、
300000の異なつた状態と見なされることになる。
本発明により、各々の状態は200のオーダのラベ
ルの１つに対応して識別される。本発明は、ワー
ドを構成する200ラベルを、300000の状態として
ではなく単に（ラベルを表わす）番号の列として
記憶することができる記憶装置しか必要としな
い。更に、本発明のラベル単位のモデルによる手
法では、トレーニング・データは少なくて済む。
バキスの論文の手法では、各々の話者はトレーニ
ングのためワードごとに発声しなければならない
が、本発明の場合は、200の標準ラベルのモデル
に関連した値を設定するのに十分なワードを発声
するだけでよい。また、バキスの論文に示された
手法は、例えば“boy”と“boys”のような２つ
のワードを無関係に扱うが、本発明では、“boy”
の標準的なラベルに関するトレーニングは、
“boys”にも適用する。 Ｆ実施例 F1音声入力信号のラベル化 このシステムにおける音声認識およびモデル生
成の前処理は、音声入力信号を符号に変換して表
示することである。これは例えば、1981年の
ICASSP会報1153〜1155頁の、エイ・ナダス他の
論文“ブートストラツプ化またはクラスタ化から
得られた自動的に選択された音響原型による連続
音声認識”（A.Nadasetal、“Continuous Speech
Recognitionwith Automatically Selected
Acoustic Prototype Obtainedby Either
Bootstrappingor Clustering、”Proceedings
ICASSP1981、pp.1153−1155）に記載された手
順により行なわれる。この変換手順の場合、音響
入力信号の一定長の1/100秒のオーダの間隔がス
ペクトル分析され、その結果生じた情報は、“ラ
ベル”すなわちフイーニーム（feneme、フロン
トエンドから得られる微小音素をこのように呼ぶ
こととする。基本的にはどこのプロセスで得られ
るにしろ、微小な音響タイプを表わすものはこの
中に入る）からなる有限集合（アルフアベツト）
の中から選んだラベルを、間隔の各々に割り当て
る。ラベルの各々は音響タイプ、より具体的には
特有の10ミリ秒音声間隔のスペクトルパターンを
表わす。特有のスペクトル・パターンの初期選
択、すなわちラベル集合の生成も前述のナダス他
の論文に記載されている。 本発明においては、種々のラベル集合がある。
第一に、標準ラベルからなる有限アルフアベツト
（ラベル列）がある。標準ラベルは、最初の話者
が通常の音響プロセツサに向つて発声すると生成
される（音響プロセツサは通常の方法を用いてク
ラスタ化およびラベル化を実行する）。標準ラベ
ルは最初の話者の音声に対応する。最初の話者
が、設定された標準ラベルを有する語彙の各ワー
ドを発声すると、音響プロセツサは各ワードを
（第２表および第２図に例示したように）標準ラ
ベルの列に変換する。ワードごとの標準ラベルの
列は記憶装置に書込まれる。第二に、個人化され
たラベル集合がある。これらの個人化ラベルは、
標準ラベルおよびその列が設定された後、次の話
者（最初の話者が再び、または別の話者）が音声
入力を音響プロセツサに供給することにより生成
される。 標準ラベル集合およびそれぞれの個人化ラベル
集合のアルフアベツトの各々は、200（この数は異
なつてもよい）のラベルを含むことが望ましい。
標準ラベルと個人化ラベルは、各標準ラベルに関
連した確率モデルにより相互に関係づけられる。
特に、各標準ラベルは、 (a) ある状態からある状態に広がる複数の状態お
よび遷移、 (b)モデルにおける各々の遷移の確率、および (c) 複数のラベル出力確率（所与の遷移における
各出力確率は、次の整形中の話者からの音響入
力に基づいた所与の遷移における特定の個人化
ラベルを作成する標準ラベルのモデルの確率に
対応する） を有するモデルにより表わす。 遷移確率およびラベル出力確率は、トレーニン
グ中の話者が既知の発声をするトレーニング期間
中に設定される。マルコフ・モデルをトレーニン
グする手法は既知であるが、下記に簡単に説明す
る。 このラベル化手法の重要な特徴は、音響信号に
基づいて自動的に実行でき、従つて音声上の解釈
を必要としないことである。 ラベル化手法の詳細については、後に第５図お
よび第６図に関連して説明する。 F2フイーニーム単位のワード・モデルの生成 本発明は、簡単かつ自動的で、音素単位のモデ
ルを使用するものよりも正確に表現されるワー
ド・モデルを生成する新規の方法を示す。あるワ
ード・モデルを生成する場合、そのワードを最初
に１回発声し、音響プロセツサにより標準ラベル
のストリングを得る（原理については第２図、サ
ンプルについては第２表参照）。次に、標準ラベ
ルの各々は、最初および最後の状態ならびに状態
間に起こりうる或る遷移を表わすマルコフ・モデ
ル（第３図）に置き換えられる。これらのラベル
のマルコフ・モデルを連結した結果が完全なワー
ド・モデルである。 そして、このモデルは、文献、例えば前述のジ
エリネクの論文から知られている他のマルコフ・
モデルの音声認識の場合にトレーニングし使用す
ることができる。各標準ラベルの統計的なモデル
は、そのラベルから形成したワード・モデルとし
て記憶装置に（第３表の形式で）記憶することが
望ましい。 第３表において、標準ラベルのモデルM1〜
MNの各々は、３つの遷移を生じることがあり、
各々の遷移はそれに関連した遷移確率を有する。
更に、モデルM1〜MNの各々は各遷移に200の出
力確率（個人化ラベルごとに１つの確率）を有す
る。出力確率の各々は、モデルM1に対応する標
準ラベルが特定の遷移でそれぞれの個人化ラベル
を生成する確率を表わす。遷移確率および出力確
率は話者により異なることがあるのでトレーニン
グ期間中に設定する。必要なら、遷移確率と出力
確率を組合せ、それぞれが所定の出力を生成して
所定の遷移を行なう確率を示す合成確率を形成す
ることができる。 与えられたワードについて、最初の話者が発声
すると、ラベルの順序、従つてそれに対応するモ
デルの順序が決まる。最初の話者は語彙のすべて
のワードを発声して、ワードごとに標準ラベル
（およびモデル）のそれぞれの順序を設定する。
その後、トレーニング中に、次の話者は既知の音
響入力（語彙にあるワードが望ましい）を発声す
る。これらの既知の音響入力の発声から、ある特
定の話者の遷移確率および出力確率を決定して記
憶し、モデルをトレーニングする。ちなみに、次
の話者は200のモデルの確率を設定するのに必要
な音響入力数を発声するだけでよい。すなわち、
次の話者は語彙にあるすべてのワードを発声しな
くてもよいが、その代り、200のモデルをトレー
ニングするのに必要な音響入力数だけは発声しな
ければならない。 ラベル単位のモデルの使用は、語彙にワードを
追加するうえで更に重要である。語彙にワードを
加えるのに必要なのは、（新しいワードの発声の
ように）ラベルの列を決めることだけである。
（特定の話者の確率を含む）ラベル単位のモデル
は既に記憶装置に書込まれているので、新しいワ
ードに必要なデータはラベルの順序だけである。 このモデルの利点は、極めて簡単で容易に生成
できることである。次に、本発明の良好な実施例
の詳細について説明する。 本発明の良好な実施例では１つの音響プロセツ
サを用いるように示しているが、処理プログラム
は、例えば、最初に標準ラベルのアルフアベツト
を決める第１のプロセツサ；最初に１回発声した
ワードごとの標準ラベルの列を生成する第２のプ
ロセツサ；個人化ラベルのアルフアベツトを選択
する第３のプロセツサ；トレーニング入力すなわ
ちワードを個人化ラベルのストリングに変換する
第４のプロセツサを含む複数のプロセツサにわた
つて分配することもできる。 F3 モデル生成および認識手順の概要 第１図は本発明によるモデル生成および実際の
認識を行う音声認識システムの概要を示す。 入力された音声は、音響プロセツサ１で、予め
生成しておいて標準的なラベル・アルフアベツト
２を用いてラベル・ストリングに変換し、初期ス
テツプ３で、各ワードの最初の１回の発声により
生じた標準ラベルのストリング、ならびに前に作
成した基本フイーニーム・マルコフ・モデル４を
用いて、ワードごとにマルコフ・モデルを生成す
る。ラベル単位のマルコフ・モデルは中間的に記
憶される（フイーニーム単位のワード・モデル
５）。その後、トレーニング・ステツプ６で、次
の話者によるいくつかのワードの発声をラベル単
位のモデルとマツチング、モデルごとの遷移およ
び個人化ラベル出力の確率値に関する統計値を生
成する。実際の認識動作では、認識すべき発声か
ら生じる個人化ラベルのストリングを、統計的な
ワードのラベル単位のモデルとマツチングさせ、
個人化ラベルのストリングを生成する最高の確率
を生じるワードまたは複数ワードの識別子を出力
に供給する。 第１図で、記号は１回発声（生成）するラベ
ル・ストリングを示し、記号は認識すべきいく
つかの発声をトレーニングするラベル・ストリン
グを示し、記号は実際に認識すべき発声のラベ
ル・ストリングを示す。 F4 ラベル語彙生成および音声のラベル・スト
リングへの変換 ラベルのアルフアベツトを生成し、音声を実際
にラベル・ストリングに変換する手順について、
第５図および第６図に関連して説明する（この手
順の説明は、例えば前述のナダス他の論文にも記
載されている）。 一般に音声の音響タイプ（詳細にはスペクト
ル・パラメータ）の原型ベクトルを表わす標準ラ
ベルを生成する場合、話者は音声サンプルを得る
ため約５分間しやべる（第５図のブロツク１１）。
音響プロセツサ（その詳細は第６図に関連して説
明する）では、それぞれが10ミリ秒の30000ベク
トルの音声パラメータが得られる（ブロツク１
２）。次いで、これらのベクトルを分析すなわち
ベクトル量子化動作で処理して、それぞれがほぼ
同じベクトルを含む200のクラスタに分類する
（ブロツク１３）。このような手順は既に、研究論
文、例えば、IEEEのASSP雑誌、1940年４月号
の４〜29頁のアーム・エム・グレイの論文“ベク
トル量子化”（R.M.Gray、“Vector
Quantization”、IEEE ASSP Magazine、April
1984、pp.4−29）に開示されている。 クラスタの各々について、１つの原型ベクトル
を選択し、その結果生じた200の原型ベクトルを、
後の参照のために記憶する（ブロツク１４）。こ
のようなベクトルの各々は１つの音響要素すなわ
ちラベルを表わす。代表的なラベル・アルフアベ
ツトを第１表に示す。 第６図は、音声を音響的に処理して発声のラベ
ル・ストリングを得る手順のブロツク図である。
マイクロホン２１からの音声はＡ／Ｄコンバータ
２２によりデイジタル表示に変換される。ブロツ
ク２３で、20ミリ秒のウインドウをデイジタル表
示から取出し、ウインドウは（いくらかオーバラ
ツプさせて）10ミリ秒ごとに取込む。ウインドウ
の各々について、高速フーリエ変換（FFT）で
スペクトル分析を行ない、各々の10ミリ秒の音声
を表わすベクトルを得る（第６図のブロツク２
４）。これらのベクトルのパラメータは、複数の
スペクトル・バンドのエネルギ値である。このよ
うに得られた現在のベクトルの各々は、ブロツク
２５で、前述の前処理で生成された原型ベクトル
のセツト（ブロツク１４）と比較する。ブロツク
２５で、現在のベクトルに最も近い原型ベクトル
を決定し、ブロツク２６で、この原型のラベルす
なわち識別子を出力する。このように、10ミリ秒
ごとに１つのラベルが出力に現われ、音声信号
は、コード化形式、すなわち200のフイーニー
ム・ラベルのコード化アルフアベツトで使用でき
る。ちなみに、本発明は周期的な間隔で生成され
たラベルに限定しなくてもよく、前記説明は、各
ラベルのそれぞれの時間間隔に対応させているだ
けである。 F5 ラベル・ストリングを使用するワード・モ
デルの生成 ワード・モデルを生成する場合、語彙中に必要
とされるワードの各々は、いつたん発声してか
ら、前述のように標準ラベルのストリングに変換
する。１つのワードの標準ラベルのラベル・スト
リングの図形表示は、第２図に示すように、その
ワードを発声したとき音響プロセツサの出力に現
われたy¹，y²，……y^mの列から成る。このストリ
ングをそれぞれのワードの標準ラベルの基本形式
とみなす。 ワードの基本モデルを、そのワードの発音の変
化を考慮に入れて生成するには、基本形式のスト
リングのフイーニームyiの各々を、そのフイーニ
ームの基本マルコフ・モデルＭ（yi）と取替える。 基本マルコフ・モデルは第３図に示すように極
めて簡単な形式にすることができる。その構成
は、初期状態Si、最終状態Sf、遷移T1および
T2、ならびにナル遷移T0から成る。遷移T1は状
態をSiからSfに導き、１つの個人化ラベルの出力
を表わす。遷移T2は初期状態Siを離れて初期状
態Siに戻り、１つの個人化された出力を表わす。
遷移T0は状態をSiからSfに導くが、個人化ラベ
ルの出力は割当てられない。この基本モデルで
は、 (a) 遷移T1を１回だけ行なうことにより、個人
化ラベルが１つ出現し、 (b) 遷移T2を数回行なうことにより、個人化ラ
ベルがいくつか出現し、 (c) ナル遷移T0を行なうことにより、脱落個人
化ラベルが出現する。 第３図に示す同じ基本モデルを、200の異なつ
た標準ラベルのすべてについて選択することがで
きる。もちろん、より複雑な基本モデルを使用し
たり、異なつたモデルをそれぞれの標準ラベルに
割当てたりすることもできるが、本実施例では、
第３図のモデルをすべての標準ラベルに使用す
る。 第４図は、第２図に示すラベル単位の基本形式
のワード全体の完全な基本形式のマルコフ・モデ
ルを示す。その構成は、ワードの全標準ラベルの
基本モデルＭ（yi）の簡単な連結から成り、基本
モデルの各々の最終状態を、次の基本モデルの初
期状態に結合する。従つて、ｍ標準ラベルのスト
リングを生じたワードの完全な基本形式のマルコ
フ・モデルはｍ個の基本マルコフ・モデルを含
む。代表的な標準ラベル数（従つて、ワード・モ
デル当りの状態数）は約30〜80である。４ワード
のラベルを第２表に示す。例えば、ワード
“thanks”はラベルPX5で始まり、ラベルPX2で
終了する。 ワードの基本形式のマルコフ・モデルを生成す
ることは、それぞれのワードの異なつた状態およ
び遷移ならびにそれらの相互関係を定めることを
意味する。音声認識に役立てるためには、ワード
の基本形式のモデルは、それを数回の発声により
整形する、すなわちモデルにおける遷移ごとに統
計値を蓄積して統計的モデルを作らなければなら
ない。 同じ基本モデルがいくつかの異なつたワードで
現われるので、モデルをトレーニングするため各
ワードを数回発声する必要はない。 このようなトレーニングはいわゆる“フオワー
ド・バツクワード・アルゴリズム”（研究論文、
例えば前述のジエリネクの論文に記載されてい
る）により行なうことができる。 トレーニングの結果、モデル内の各遷移に確率
値が割当てられる。例えば、１つの特定の状態の
場合、T1が0.5、T2が0.4、T0が0.1の確率値にな
ることがある。更に、非ナル遷移T1およびT2の
各々について、それぞれの遷移が生じたとき、
200の個人化ラベルごとにその出現確率がいくら
であるかを示す確率のリストが与えられる。ワー
ドの統計的モデル全体は第３表に示すようなリス
トすなわち表の形式をとる。各々の基本モデルま
たは標準ラベルは表の１つの欄に示され、各々の
遷移は、個々の個人化ラベルの確率の要素（更に
それぞれの遷移をとる全体的な確率）を有する行
すなわちベクトルに対応する。 すべてのワードのモデルを実際に記憶する場
合、ワードごとに、ワードを構成する基本マルコ
フ・モデルの識別子を成分とする１つのベクトル
を記憶し、アルフアベツトの200の標準ラベルご
とに記憶されている確率値を、１つの統計的マル
コフ・モデルに包含すれば十分である。従つて、
第３表に示す統計的なワード・モデルは、実際に
はそのように記憶する必要はなく、分散形式で記
憶して、必要に応じてデータを組合せることがで
きる。 F6 認識プロセス 実際に音声認識を行う際には、最初の項で説明
したように、発声を個人化ラベルのストリングに
変換する。次いで、これらの個人化ラベルのスト
リングはワード・モデルの各々と突合わせ、その
モデルが表わすワードの発声により個人化ラベル
のストリングが生じた確率を得る。特に、マツチ
ングはそれぞれのワードのマツチ・スコアに基づ
いて実行する。各々のマツチ・スコアは前述のジ
エリネクの論文で説明した“フオワード確率”を
表わす。ラベル単位のモデルを用いる認識プロセ
スは、音素単位のモデルを用いる既知のプロセス
に類似している。最高の確率を有するワードまた
は複数のワードが出力として選択される。 F7 ラベル・アルフアベツトの変化 最初のワード・モデル生成に用いる標準ラベ
ル・アルフアベツトとトレーニングおよび認識に
用いる個人化ラベルの集合とは、一般的ではある
が、すべてが同一ではないことがある。けれど
も、認識中に生成されたラベルに関連した確率値
は、トレーニング中に生成された個人化ラベルと
いくらか異なることがあつても、実際の認識結果
は大体正しい。これはマルコフ・モデルの適応性
により可能である。 しかしながら、それぞれのトレーニングおよび
認識アルフアベツトの変化が過度に大きい場合、
精度に影響することもある。また、最初の話者と
非常に異なる音声の次の話者がモデルをトレーニ
ングするのに用いる確率は、精度に限界を生じる
ことがある。 F8 表 第１表は代表的なラベル・アルフアベツトを示
す。 表中、２文字は要素の音を大まかに表わす。 ２桁の数字は母音に関連し、第１の数字は音の
アクセント、第２の数字は最新の識別番号を表わ
す。 １桁の数字は子音に関連し、最新の識別番号を
表わす。 第２表は４ワードのラベル・ストリングのサン
プルを示す。 第３表はワードの統計的マルコフ・モデル（フ
エネメ単位のモデル）を示す。

【表】

【表】

【表】

【表】

【表】 ・ ・ ・
・ ・ ・
MN SN TN1 0.6 ・ ・ ・

TN2 0.3 ・ ・ ・

TN0 0.1 − − −

Ｇ 発明の効果 本発明により、 (a) ラベル単位のマルコフ・モデルはずつと詳細
なレベルでワードを表わすから音素単位のモデ
ルよりもすぐれ、 (b) DPマツチングを用いるワード・テンプレー
トと異なり、ラベル単位のワード・モデルはフ
オワード・バツクワード・アルゴリズムを用い
てトレーニングすることができ、 (c) パラメータ数は語彙の大きさではなくフイー
ニーム・アルフアベツトの大きさにより決まる
ので、必要な記憶容量は語彙の大きさの増加に
較べてゆつくりと増加し、 (d) ラベル単位のモデルを用いる認識手順は計算
上、DPマツチングおよび連続パラメータのワ
ード・テンプレートの使用よりもずつと速く、 (e) ワードのモデル化を自動的に行なうことがで
きる。

【図面の簡単な説明】

第１図は本発明によるモデル生成および認識手
順のブロツク図、第２図は音響プロセツサから得
たワードのラベル・ストリングを表わす図、第３
図は１ラベルの基本マルコフ・モデルを示す図、
第４図は第２図に示したストリングの標準ラベル
の各々を基本マルコフ・モデルと取替えることに
より生成したワードの基本形式を示す図、第５図
は標準ラベル・アルフアベツトの初期生成のプロ
セスを示すブロツク図、第６図は発声したワード
の個人化ラベル・ストリングを引出す音響プロセ
ツサの動作を表わすブロツク図である。 １……音響プロセツサ、２……ラベル・アルフ
アベツト、３……初期ステツプ、４……フイーニ
ーム・マルコフ・モデル、５……ワード・モデ
ル、６……トレーニング・ステツプ、７……統計
的マルコフ・モデル、８……認識プロセス、１２
……音響プロセツサ。

Claims (1)

1. 【特許請求の範囲】 １つぎの構成要素(a)、(b)および(c)を有することを
   特徴とする音声認識装置。 (a) それぞれが微小な時間間隔に割当て可能な音
   響タイプを表す一組の認識用ラベルから、未知
   音声入力に応じて対応する上記認識用ラベルの
   列を生成する手段。 (b) それぞれが微小な時間間隔に割当て可能な音
   響タイプを表す一組の標準ラベルのそれぞれに
   対応する一組のマルコフ・モデルから複数個の
   マルコフ・モデルを選んで形成されたマルコ
   フ・モデル列をワード・モデルとしてストアす
   る手段。 これらワード・モデルは、ワード語彙の中の
   各々のワードの音声に応じて、対応する上記標準
   ラベルを取り出して上記ワードごとに生成された
   上記標準ラベルの列を形成し、上記列中の標準ラ
   ベルにそれぞれ対応するマルコフ・モデルを連結
   して、規定される。 上記標準ラベルにそれぞれ対応するマルコフ・
   モデルは上記ワード語彙中のいずれのワードにつ
   いても共通のものとし、 (i)複数の状態と、 (ii) ある状態からある状態に移行する少なくと
   も１つの遷移と、 (iii) 少なくとも１つの遷移で、上記一組の認識
   用ラベルの各々が上記ラベル生成手段から生
   成される確率とで規定される。 (c) 上記未知音声入力に応じて生成されたラベル
   の列が上記ワード語彙中の各々のワードで生成
   される確率を上記記憶手段のワード・モデルを
   参照して生成する手段。 ２上記一組の標準ラベルの音響タイプが上記一組
   の認識用ラベルの音響タイプと異なる特許請求の
   範囲第１項記載の音声認識装置。