JPH04204899A - 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】 産業上の利用分野 本発明は、人間の発声した音声を自動認識する音声認識
装置に関するものである。

従来の技術 従来、人間の発声した音声を認識する装置を実現する方
法として、音素や音節を認識の基本単位とする方法があ
る。この方法は音声の登録が不要なため、単語辞書の変
更が容易であるという特長がある。以下、従来技術とし
て、音素を認識の基本単位とする方法のうちから、フレ
ーム毎に音素の類似度を求めた後に、それらを統合して
最終的な認識結果を得る方法について説明する。

第２図は、従来の音声認識システムの構成を示したもの
である。

第２図において、入力音声は音声分析手段１１に入力さ
れる。この部分、即ち音声分析手段１１は入力音声を分
析し、音声の特徴を表す特徴パラメータの時系列を分析
の基本単位であるフレーム毎にフレーム類似度算出手段
１２に出力する。フレーム類似度算出手段１２は、前段
の音声分析手段１１で得られた上記特徴パラメータ時系
列と、音素標準パターン１３に格納されている音素毎に
用意された標準パターンとの間の類似度を計算すること
によって得られるフレーム類似度を区間類似度算出手段
１４に出力する。

次段の区間類似度算出手段１４では、入力音声中の部分
区間についての音素の類似度である「区間類似度」なる
量をすべての音素について計算する。

区間類似度は、フレーム類似度を部分区間についてフレ
ーム類似度を累積した値を区間長で正規化した値である
。単語類似度算出手段１５では、単語辞書１６を参照す
ることによって得られる各単語に関する音素の並びに従
って、上記区間類似度を最適に足し合わせることにより
単語類似度を得る。

次に区間類似度を用いて単語類似度を算出する方法につ
いて説明する。

単語辞書側の単語の音素の並びをｐ（１）Ｉ）（２）ｌ
）（３）・・・・・・ｐ　（Ｎ）であるとする。単語中
のｉ番目の音素ｐ（ｉ）の継続時間の下限値をｌ　ｍｉ
ｎ　（ｉ　）、上限値を１　ｍａｘ（＋　）とする。音
素Ｐ（１）の第ｊフレームにおけるフレーム類似度をＲ
（ｌ、ｊ）、音素ｐ（１）のフレーム番号ｊにおける累
積類似度を５ＣＯＲＥ　（ｉ、ｊ）とする。また最終フ
レーム番号Ｊ長さＬの部分区間における音素ｐの区間累
似度をＳＩＭ（ｐ、ｊ、Ｌ）とする。また５ＣＯＲＥ　
（ｉ、ｊ）を得た時の入力音声の始端からＪに至るまで
の長さ（フレーム数）を１ｅｎ（ｉ、ｊ）とする。更に
下記のとおり記号の定義をする。

ＳＳ　（ｉ）：ｐ　（ｉ）の始端範囲の先頭フレーム番
号 ＳＥ　（ｉ）：　ｐ（ｉ）の始端範囲の最後尾フレーム
番号 ＥＳ　（ｉ）：ｐ　（ｉ）の終端範囲の先頭フレ−ム番
号 ＥＥ　（ｉ）：　ｐ　（ｉ）の終端範囲の最後尾フレー
ム番号 単語類似度算出の手順を以下に示す。

（１）初期化 ＳＳ　（１）←単語の始端の存在範囲の先頭フレーム番
号 Ｅ　（１）←単語の始端の存在範囲の最後尾フレーム番
号 ５ＣＯＲＥ　（０，・）−〇 ｌｅｎ　（０、・）＝０ （２）ｉ＝１からｉ−Ｎまで（３）および（４）を実行
する。

（３）音素終端範囲の決定 ＥＳ　（ｊ）　←ＳＳ　（ｊ）　＋１ｍ１ｎ（ｉ）ＥＥ
　（ｉ）　←ＳＥ　（ｉ）＋１ｍａｘ（１）（４）音素
終端範囲における累積類似度の計算ｊ＝ＥＳ　（ｉ）か
らＥＥ（ｉ）まで以下の漸化式を実行する。

５ＣＯＲＥ　（ｉ、ｊ）　− ＭＡＸ［＋αｘＳＩＭ（ｐ　（ｉ）、ｊ、Ｌ）１　ｍｉ
ｎ　（ｉ　）≦Ｌ≦ｌ　ｍａｘ　（ｉ　）　　　　　　
　　　　＼但し、α、β、γは時間正規化のだめの重み
係数。

α＝Ｌ β＝１ｅｎ（ｉ−１，ｊ　−Ｌ） γ＝α＋β （５）単語類似度の決定 次式で得られる値Ｒを単語類似度とする。

Ｒ＝ＭＡＸ　Ｉ　５ＣＯＲＥ　（Ｎ、ｊ）１」Ｃ単語終
端の 存在領域 （６）終了 以上述べた手順に従って単語類似度Ｒを単語辞書に格納
されている全ての単語について求める。

最後に、第２図中の単語決定手段１７により最大の単語
類似度値を与える単語を認識結果として得る。

発明が解決しようとする課題 以上のように、従来の音声認識方法では、フレーム毎の
音素類似度の累積値に基づき単語類似度の算出を行って
いた。ところがこの方法、即ち、積してこれを当該区間
の音素の類似度とする方法は以下に述べる理由で問題が
あった。

実際の音素の存在区間についての音素の類似度は、フレ
ーム毎の音素類似度を上記存在区間について単に累積し
た値に一致するとは限らない。即ち、フレーム類似度を
算出するために設けられている音素の標準パターンは、
音素の特徴が顕著になるフレーム（エポックフレームと
記す）の近傍を含む区間における時間軸方向に幅もった
区間にわたる特徴パラメータの時系列を音声データから
切り出すことにより作成するのが一般的である。

この方法で作成した時間幅をもつ標準パターンを１フレ
ームずつずらしながらフレーム毎に音素類似度を求めた
場合、当該音素のエポックフレームにおけるフレーム類
似度は明らかに意味を持つが、音素境界等のフレームに
おけるフレーム類似度値は必ずしも意味を持った値であ
るという保証は無い。

ところが従来方法では、エポックフレームにおけるフレ
ーム類似度もエポックフレーム以外におけるフレーム類
似度も同等に取扱って区間類似度を求めていたため、区
間類似度の品質の点で問題がありこれが認識率低下の一
因となっていた。

本発明は上記課題に鑑み、質の良い区間類似度を得て単
語認識系を実現することにより認識率の向上を図ること
を目的とする。

課題を解決するための手段 この目的を達成するために、本発明は、入力音声を分析
の単位であるフレーム毎に分析し、特徴パラメータを得
る音声分析手段と、認識の基本単位の特徴を表す標準パ
ターンを格納する標準パターン格納手段と、特徴パラメ
ータと標準パターンとの間の類似度をフレーム毎に算出
するフレーム類似度算出手段と、認識の基本単位を表現
する記号によって記述された単語の発音に関する情報を
格納する単語辞書と、時間方向の重み付け関数を格納ま
たは発生する重み付け関数格納手段と、フレーム類似度
算出手段が算出したフレーム類似度に対して重み付け関
数を用し・て重み付け演算を行う重み付け演算手段とを
具備し、重み付け演算によって得られた認識の基本単位
毎のフレーム類似度を単語辞書内の表記に従って累積す
ることにより単語類似度を算出する。

作用 本発明は、上記構成により、フレーム類似度に時間方向
の重み付け演算を施した後に、この値を累積することで
区間類似度を求めることにより、従来方法に比べて質の
良い区間類似度を得ることができ、この区間類似度を用
いて単語認識系を実現することにより認識率の向上を図
ることができる。

実施例 以下、本発明の一実施例について図面を参照しながら説
明する。第１図は本発明の一実施例における音声認識装
置のブロック結線図である。

第１図において、入力音声は音声分析手段１に入力され
る。この部分、即ち音声分析手段１は、入力音声を分析
し、音声の特徴を表す特徴パラメータの時系列を分析の
基本単位であるフレーム毎にフレーム類似度算出手段２
に出力する。

フレーム類似度算出手段２は前段の音声分析手段１で得
られた上記特徴パラメータ時系列と、音素標準パターン
３に格納されている音素毎に用意された標準パターンと
の間の類似度を計算することによって得られるフレーム
類似度を出力する。

なお、音素標準パターン３は、音素や音節等の認識の基
本単位の特徴を表す標準パターンを格納する。

重み付け演算手段４では重み付け関数格納手段５に格納
されている重み付け関数を参照することにより、前段で
得られたフレーム類似度に重み付け演算を行い「重み付
けフレーム類似度」を得る。

重み付け演算は、入力音声区間の部分区間を設定して行
う。従って重み付け関数は、部分区間の長さ毎に用意さ
れ、部分区間の中心及びその近傍におけるフレーム類似
度の寄与の度合いを犬かく、部分区間の両端及びその近
傍におけるフレーム類似度の寄与の度合いを小さくなる
ようにとる。

次段の区間類似度算出手段６では入力音声中の部分区間
についての音素の類似度である［区間類低度」なる量を
すべての音素について計算する。

区間類似度は、上記「重み付きフレーム類似度」を部分
区間について累積した値を区間長で正規化した値である
。

単語類似度算出手段７では、単語辞書８を参照すること
によって得られる各単語に関する音素の並びに従って上
記区間類似度を最適に足し合わせることにより単語類似
度を得る。

次に区間類似度を用いて単語類似度を算出する方法につ
いて説明する。単語辞書８側の単語の音素の並びをｐ　
（ｉ）　ｐ　（２）　ｐ　（３）・・・・・・ｐ（Ｎ）
であるとする。単語中の１番目の音素ｐ（１）の継続時
間の下限値を１　ｍｉｎ　（ｉ）　、上限値をｌ　ｍａ
ｘ（１）とする。音素Ｐ（１）の第ｊフレームにおける
フレーム類似度をＲ（ｉ、ｊ）、音素ｐ（ｉ）のフレー
ム番号ｊにおける累積類似度を５ＣＯＲＥ（ｉ、ｊ）と
する。また最終フレーム番号Ｊ、長さしの部分区間にお
ける音素ｐの区間類似度をＳＩＭ（ｐ、ｊ、Ｌ）とする
。また５ＣＯＲＥ（ｉ。

」）を得た時の入力音声の始端からｊに至るまでの長さ
（フレーム数）をＩｅｎ（ｉ、ｊ）とする。更に下記の
とおり記号の定義をする。

ＳＳ　（ｉ）：Ｉ）（ｉ）の始端範囲の先頭フレーム番
号 ５Ｅ（ｉ）：ｐ（１）の始端範囲の最後尾フレーム番号 ＥＳ　（ｉ）：ｐ　（ｉ）の終端範囲の先頭フレーム番
号 ＥＥ　（ｉ）：ｐ（ｊ）の終端範囲の最後尾フレーム 番号単語類似度検出の手順を以下に示す。

（１）初期化 ＳＳ　（１）←単語の始端の存在範囲の先頭フレーム番
号 Ｅ　（１）←単語の始端の存在範囲の最後尾フレーム番
号 ５ＣＯＲＥ　（０，・）＝Ｏ １ｅｎ　（０＋　　・）＝０ （２）ｉ＝１からｉ＝Ｎまで（３）および（４〉を実行
する。

（３）音素終端範囲の決定 ＥＳ　（ｉ）　←ＳＳ　（ｉ）＋１ｍ１ｎ（ｉ）ＥＥ　
（ｉ）　←ＳＥ　（ｉ）＋１ｍａｘ（１）（４）音素終
端範囲における累積類似度の計算ｊ＝ＥＳ　（ｉ）から
ＥＥ（１）まで以下の漸化式を実行する。

５ＣＯＲＥ　（ｉ、ｊ）　− ＭＡＸ口（αＸＳＩＭ　（ｐ（ｉ）、ｊ、Ｌ）ｌ　ｍｉ
ｎ　（ｉ　）≦Ｌ≦１　ｍａｘ　（ｉ　）＋βｘｓｃＯ
ＲＥ　（ｉ−１，ｊ−Ｌ）ｌ／γ〕但し、α、β、γは
時間正規化のための重み係数。

α＝Ｌ β＝ｌｅｎ（ｉ−１，ｊ　−Ｌ） γ＝α＋β （５）単語類似度の決定 次式で得られる値Ｒを単語類似度とする。

Ｒ＝ＭＡＸＩＳＣＯＲＥ　（Ｎ、ｊ）１ｊＣ単語終端の 存在領域 （６）終了 以上述べた手順に従って単語類似度Ｒを単語辞書に格納
されている全ての単語について求める。

最後に、第１図中の単語決定手段９により最大の単語類
似度値を与える単語を認識結果として得る。

以上、実施例では認識の基本単位が音素の場合について
の具体例で説明したが、例えば音節等の音素以外の認識
の基本単位の場合についても本発明はもちろん適用でき
る。

発明の効果 以上のように本発明によれば、フレーム類似度に時間方
向の重み付け演算を施した後に区間類似度を求めること
により、意味のあるフレームにおけるフレーム類似度の
値が強調されるため、質の良い区間類似度を得ることが
でき、この区間類似度を用いて単語認識系を実現するこ
とにより認識率の向上を図ることができる。

【図面の簡単な説明】

第１図は本発明の一実施例における音声認識装置のブロ
ック結線図、第２図は従来の音声認識装置のブロック結
線図である。 】・・・音声分析手段、２・・・フレーム類似度算出手
段、３・・・音素標準パターン、４・・・重み付け演算
手段、５・・・重み付け関数格納手段、６・・・区間類
似度算出手段、７・・・単語類似度算出手段、８・・・
単語辞書、９・・単語決定手段。

Claims (1)

1. 【特許請求の範囲】 　入力音声を分析の単位であるフレーム毎に分析し、特
   徴パラメータを得る音声分析手段と、認識の基本単位の
   特徴を表す標準パターンを格納する標準パターン格納手
   段と、 上記特徴パラメータと上記標準パターンとの間の類似度
   をフレーム毎に算出するフレーム類似度算出手段と、 上記認識の基本単位を表現する記号によって記述された
   単語の発音に関する情報を格納する単語辞書と、 時間方向の重み付け関数を格納または発生する重み付け
   関数格納手段と、 上記フレーム類似度算出手段が算出したフレーム類似度
   に対して上記重み付け関数を用いて重み付け演算を行う
   重み付け演算手段とを具備し、上記重み付け演算によっ
   て得られた上記認識の基本単位毎のフレーム類似度を上
   記単語辞書内の表記に従って累積することにより単語類
   似度を算出することを特徴とする音声認識装置。