JPH0416899A - 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】 技嵐分国 本発明は、音声認識装置、より詳細には、音声によって
自動ダイヤルできるような音声認識装置付電話に関する
ものである。

従米投扮 音声認識は実用化の時代に入り、音声認識付の電話が考
えられている（以降音声認識電話と称する）。

第５図は、従来の音声認識電話の一例を説明するための
図で、図中、１１は送話器、１２は受話器、１３．１４
は切換えスイッチ、１５は通話回路、１６はフックスイ
ッチ、１７は切り換えスイッチ、１８は局線、１９は特
徴量抽出部、２１は切り換えスイッチ、２２はパターン
照合部、２３は標準パターン記憶部、２４は音声出力部
、２５は番号記憶部、２６は発信回路、２７は制御部、
２８は操作部で、まず、切り換えスイッチ１３゜１４．
１７．２１を登録側（図示位置）に倒し、頻繁にかける
相手の名前を発声して音声登録を行なう。続いて発声し
た相手の電話番号を入力し、先の音声と対応づけて番号
記憶部２５に記憶しておく。発声された音声は特微量抽
出部１９により特徴量に変換されて、ＪＲ準パターンと
して標準パターン記憶部２３に格納される。必要な相手
の数だけこれを繰返して登録した後、切り換えスイッチ
をバタン照合側に倒しておく（点線位置）。実際の使用
に当って、電話のハンドセットの送話器１１に向って掛
けたい相手の名前を発声すると、登録時と同様の特徴量
に変換されて、パターン照合部２２へ送られる。ここで
は、あらかじめ５１Ｂされている各ＪＲ準パターンと照
合されて、それぞれとの類似性が求められる。この結果
、最大の類似性を得た標準パターンに対応づいている電
話番号を選びだして１発信回路２６から局Ｍ１８へ送り
だす。このような音声認識電話は相手先の電話番号を覚
えている必要がなく、しかも、その番号を調入る事なく
、電話口に向って名前を発声するだけで希望の相手へ電
話をかける事ができるという便利さがある。このような
電話の、最大の問題点は音声認識で誤認識が起こること
、誤認識した時にどう対応するか、の２点である。本発
明は、前者に関するものである。

一般の音声認識装置では、例えば「東京」と「工業」の
ような発声の類似した言葉が混乱しやすく、誤認識しや
すいが、これらは違う言葉によって置き換え、代用でき
ることが多く、それなりの対処法がある。それに対し、
音声認識電話では登録する相手の名前に「＊＊さん」と
か［零本君Ｊとか敬称をつけやすいため、本来似ていな
い単語が似てしまったりすることがある。しかも、敬称
の言換えは困難な事からも、音声認識上混乱しやすい。

特に「Ｏ子さん」のような名前の登録では、「花子さん
（ハナコサン）」の例で考えて分るように、全体が５音
節でできている中の、６０％に相当する「コサン」の３
音節が「由美子さん」「丁子さん」など広く女性名とし
て使われている。

このため、残りの４０％が異なる単語であっても、６０
％の影響を受けて誤認識する事が多い。

一方、本発明で示すような入力音声の一部を取除いて認
識する方法としては、特開昭５９−１７０８９８号公報
、特開昭６３−１２７２９４号公報などですでに考えら
れている。

前者はあらかじめＯ〜９の数字と百、千などの位を発声
した標準パターンを登録しでおいて、いくつかの連続し
た数字が発声された時、これを各標準パターンに分解し
て認識していくものである。

手順は、入力された長い音声の冒頭または、末尾の部分
と各標準パターンとの類似度を求め、最大類似の単語を
求める。次に、入力音声がら認識した部分を取除き、残
りに対してもこれを繰返す。

この時、認識結果に従って残りの音声パターンの照合範
囲を限定する訳である。例えば「ピャク」と言う音声が
認識された時はその前の音は「６（ロッ）」或いは「８
（ハラ）」に限定して認識する。これを入力音声パター
ンが終了するまで繰返すものである。この方法は認識さ
れた結果を用いて次に認識する対象を限定するものであ
って、本発明の目的には合致しない。

後者は、発声直前の口唇を開く時に発する短いノイズを
取って認識したり、音声末尾の弱い破裂子音の検出ミス
を防ぐ目的のもので、これらの音は無音部を伴って現れ
る事に着目している。その方法は、無音部を持つ短い音
声パターンがパターンの冒頭または末尾に付いている時
、これを取除いてパターンマツチングするというもので
ある。

しかし、この方法では、無音を含む短いパターンがどう
いう音で構成されているかを調べていないので１本発明
中で対処しようとする問題には利用できない。

□ｌ−−」η 本発明は、上述のごとき実情に鑑みてなされたもので、
簡単な方法で音声認電話での認識精度を向上させること
を目的としてなされたものである。

隻−一部 本発明は、上記目的を達成するために、（１）音声を収
集する音声収集手段と、収集された音声を特徴量に変換
する特徴量変換手段と、変換された特徴量を用いて音声
を認識処理する照合手段とを備え、入力された未知の音
声に対して所定の部分を除去したあと特徴量変換手段へ
印加して認識結果を得ること、或いは（２）音声を収集
する音声収集手段と、収集された音声を特ｔｉ量に変換
する特徴量変換手段と、変換された特徴量を用いて音声
を認識処理する照合手段とを備え、人力された未知の音
声に対して所定の部分を除去したあと照合して認識結果
を得ること、或いは（３）音声を収集する音声収集手段
と、収集された音声を特徴量に変換する特徴量変換手段
と、変換された特徴量を用いて音声を認識処理する照合
手段とを備え、照合手段部において所定の部分を類似度
または距離計算の対称から除外することを特徴としたも
のであり、更には、（４）上記（１）、（２）。

（３）の音声認識装置が電話と接合されており、かけよ
うとする相手の名前を認識して相手先の電話番号と変換
するようにしたものであること、（５）上記（１）、（
２）、（３）の音声認識装置において、除去する部分を
ｒさん」、「君」等の人名の敬称としたこと、（６）上
記（１）。

（２）、（３）の音声認識装置において、除去する部分
を「子」、「江」なとの女性の名前の語尾に多く現れる
音としたこと、（７）上；’ＴＥ！（１）＋（２）’、
（３）の音声認識装置において、除去する部分を「課長
」、「社長」など役職名としたこと、（８）上記（１）
、（２）、（３）の音声認識装置において、除去する部
分をｒ〜をたのむ」、「〜にかけろ」などの動作を命令
する言葉と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。

本発明は［＊＊さん」「＊＊君」などを認識に反映しな
いように考えられており、音声を収集する部分と、これ
を特徴量に変換する部分と、変換された特徴量を用いて
入力された音声を認識処理する照合部分とを備え、入力
された未知の音声に対して所定の部分を除去したあと、
特徴変換部へ印加して認識結果を得るようにしている。

特に、上記音声認識装置において、除去する部分をｒさ
ん」、「君」等の人名の敬称、または「子」、「江」な
どの女性の名前の語尾に多く現れる音としたものである
。

第１図は、本発明の一実施例を説明するためのフローチ
ャートで、最初、このフローチャートに従って説明する
。音声を収菜する部分としてマイクロフォンを、特徴量
としてパワースペクルを使う事とする。音声認識部は特
に限定するものではないがここではパターンマツチング
を利用する方法で説明する。パターンマツチングの方法
は動的計画法を用いるものが有名ではあるが、それに限
らない事は言までもない。このような音声認識法に関し
てはたとえば、新美著「音声認識」　（井守出版）や古
井著「デジタル音声処理」　（東海大学出版）などに詳
しく出ているので、ここでの説明は省略する。

第１図のフローチャートレこ示すごとく、音声が入力さ
れた後、音声区検出部で音声区間が検出される。次に、
検出された音声区間の末尾付近にｒさん」　「君」・・
・の波形があるかどうかを調べ、あれば音声区間があた
かもその波形の直前で終了したかの様にイａ号操作をし
た」二で特徴変換のルートへ入れる。あらかじめ登録さ
れている標準パターンの方でも、このような敬称が除去
されているならば、人名だけで照合ができるため、認識
精度が向上する。

第２図は、第１図に示したフローチャートに従って構成
したブロック図で、図中、１はマイク、２はマイクアン
プ、３は音声区間検出部、４は零交差数検出部、５ａ、
５ｂはメモリー、６は比較部、７は音声区間短縮部、８
はフィルタバンク、９は照合部、１０は標準パターン部
で、まず、音声の登録を行なう訳であるが、説明の都合
で後述することとし、あらかじめ、利用する音声が標準
パターンの形で登録されているものとして説明を進める
。マイクから入力された信号から音声区間を検出し、区
間の末尾ｒさん」がついているかどうかを調べるが、こ
れは、例えば５〜６　ｋ　ｌ−Ｉ　Ｚの波形があり、８
００〜１３００　Ｈｚの定常的な波形が続いた後、２０
０〜３００　Ｈｚの短い波形で音声区間が終っているか
どうか判断できる。この時、音声区間の末尾を示す信号
を５〜６　ｋ　Ｈｚの波形の前までずらしてから特徴量
に変換する部分に印加せしめる。この結果、照合部では
音声が短くなったのと同様の扱いがなされ、ｒさん」の
部分がパターンマツチングからはずされる。ｒくん」の
場合、音声区間の末尾近くに無音部があり、４００　）
（ｚあたりの定常的な信号の後、「さん」と同様に２０
０〜３００Ｈｚの短い波形で音声区間が終る。この周波
数は正確に知る必要はなく、例えば１０ｍ５間の零交差
数で調べれば良い。零交差数の時間変化をメモリー５８
に記憶して置き。

音声区間検出部で終端を見つけたら、終端から始端に向
けて、先の周波数が逆の順調で並んでいるかどうかを調
べる。調べるべき波形はメモリー５ｂの中に記憶してお
く。比較部において特定の波形が見つけられた時には音
声区間検出部の終端信号を移動させる事は先に述べた通
りである。この波形信号をフィルタバングへ印加して、
周波数分析してあらかじめ登録されている標準パターン
と照合、認識結果を得る。

次に音声の登録であるが、認識と同様の方法で、入力さ
れた波形のｒさんＪ　ｒ君」・・・を取除いて特徴量に
変換し、登録すれば良い。特に、特定の波形としてあら
かじめｒさん」　「君」・・・などを発声して分析した
結果を記憶しておくと、より正確に除去する事ができる
。もし、音声登録時に発声した音声を波形圧縮しておい
て、認識結果の確認用に使うならば、確認用の音声から
は敬称を除去しない方が望ましい。或いは、最初から登
録時には敬称を略して発声しても良い。

以上は特徴分析する前に特定の波形を除去するやり方を
述べたが、同様の効果を得る為に、音声を収集する部分
と、これを特徴量に変換する部分と、変換された特徴量
を用いて入力された音声を認識処理する照合部分とを備
え、入力された未知の音声に対して所定の部分を除去し
たあと照合して認識結果を得るようにすることもできる
。

第３図は、その場合の一実施例を示すフローチャートで
あるが、第１図に示した実施例と異なる点は特定の音声
が付いているかどうかを判断してから周波数分析するか
、周波数分析してから特定の？：ｙ、　；！７をみつけ
るかであるので、その詳細な説明は略する。

第４図は、第３　Ｍに示したフローチャー１・に従って
構成したブロック図で、以上、このブロックで説明する
。まず、スイッチＳ、を登録側に倒し、スイッチＳ２を
特定ｔｐ語側に倒す。この状態でｒさんＪ　Ｆ君」・・
・などを発声して＋ｒ：！　酸パターンＩとしてｆｆｔ
Ｔｈしておく。次にスイッチＳ２を通１：１′単８Ｉｉ
にきりかえて相手先名を登録するが、登録音声に一度照
合部へ入れ、先にイｆ、録した標準パターン］の単語と
照合して敬称が付いているかどうか、付いていればその
部分を省略して標準パターン２へ格納しておく。認識時
にはスイッチＳ１を認識側に倒し、マイクから人名を入
力する。登録と同様、音声の区間を検出して、特徴変換
してから照合部にて、ます、標準パターン１を使って末
尾の敬称を調へ、それを取除いてから標準パターン２に
よって音声を認識する。

次に、音声を収集する部分と、これを特ｔｙｉ量に変換
する部分と、変換された特ｙＩｉ量を用いて入力された
音声を認識処理する照合部分とを備え、照合部において
所定の部分を類似度、または距離計算の対称から除外す
るようにして実現する方法を説明するが、これは第４図
とブロックで構成され、標準パターン１を登録するまで
は同じ手順で行なう。スイッチＳ２を通常単語登録側に
倒して１人名を登録する時、入力された音声中の末尾で
標ぺｆ！パターン１と一致する部分をみつけ、その部分
のスタート位置にマークを付けておく。認識時には照合
に際してパターン同士を対応づけて類似度ａＩ算をする
時に、パターンの始端からマークまで１こ範囲を限定す
る。こうすることでパターンから敬称を切取って登録し
たのと同等の効果が得られる上、登録した後からも必要
に応じてマークを移動する事もできる。

以上に「君」　ｒさん」などの敬称を例にぶ；明したが
、本発明はこれに限定するものではなく１人名、とくに
女性の名前の最後に付くｒ子」などを対象にしてもよい
ことはいうまでもない。同様に「社長Ｊ、ｒ部長」など
の役職でも効果が期待できる。また、音声認識電話に命
令することで優越感を得ることもでき１例えば［＊＊を
呼べｊとか「ＯＯをたのむ」と言う使い方をしても面白
い。

このときは最後の命令形であろ「を呼へ」　「をたのむ
」に対してここに述べたような除去を行なっても良い。

隻−一來 以上の説明から明らかなように、本発明によると、認識
対象パターンからｒさん」、「君」・・などの共通の音
を取除いた上で照合する事ができ、その結果、認識時の
類似音による混乱が少なくなり、認識精度を向上するこ
とができる。

【図面の簡単な説明】

第１図は１本発明の詳細な説明するためのフローチャー
ト、第２図は、第１図に示した方法を実呪する為のブロ
ック図、第３図は、本発明の他の実施例を説明するため
のフローチャート、第４図は、第３図に示した方法を実
呪する為のブロック図、第５図は、従来の音声認識電話
の一例を説明するための図である。 １・・・マイク、２・・・マイクアンプ、３・・・音声
区間検出部、４・・・零交差数検出部、５ａ、５ｂ・・
・メモリー、６・・・比較部、７・・・音声区間短縮部
、８・・・フィルタバンク、９・・・照合部、１０・・
・標準パターン部。 特許出願人　　株式会社　リ　コ　− 第１図 第３図

Claims (1)

1. 【特許請求の範囲】 １、音声を収集する音声収集手段と、収集された音声を
   特徴量に変換する特徴量変換手段と、変換された特徴量
   を用いて音声を認識処理する照合手段とを備え、入力さ
   れた未知の音声に対して所定の部分を除去したあと特徴
   量変換手段へ印加して認識結果を得ることを特徴とする
   音声認識装置。 ２、音声を収集する音声収集手段と、収集された音声を
   特徴量に変換する特徴量変換手段と、変換された特徴量
   を用いて音声を認識処理する照合手段とを備え、入力さ
   れた未知の音声に対して所定の部分を除去したあと照合
   して認識結果を得ることを特徴とする音声認識装置。 ３、音声を収集する音声収集手段と、収集された音声を
   特徴量に変換する特徴量変換手段と、変換された特徴量
   を用いて音声を認識処理する照合手段とを備え、照合手
   段部において所定の部分を類似度または距離計算の対称
   から除外することを特徴とする音声認識装置。