JPH04305698A - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JPH04305698A JPH04305698A JP3071186A JP7118691A JPH04305698A JP H04305698 A JPH04305698 A JP H04305698A JP 3071186 A JP3071186 A JP 3071186A JP 7118691 A JP7118691 A JP 7118691A JP H04305698 A JPH04305698 A JP H04305698A
- Authority
- JP
- Japan
- Prior art keywords
- similarity
- frame
- voice
- word
- speech
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】本発明は、人間の発声した音声を
自動認識する装置に関する。
自動認識する装置に関する。
【０００２】
【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徴がある。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、フレーム毎に音素の類似度を求めた後、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。
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徴がある。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、フレーム毎に音素の類似度を求めた後、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。
【０００３】図４はこのような従来の音声認識装置の構
成を示している。図４において、１は音声分析部であり
、入力音声信号を分析し、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出力
する。入力音声信号はまた、音声区間検出部２にも入力
され、この部分で音声区間が検出される。３はフレーム
類似度算出部であり、前段の音声分析部１で得られた特
徴パラメータ時系列と、音素標準パターン４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、音
声区間検出部２で検出された音声区間について出力する
。５は区間類似度算出部であり、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。６は単語類似度算出部で
あり、単語辞書７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、上記算出された区間類
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
。８は単語決定部であり、単語類似度算出部６で算出さ
れた単語の中で最大の単語類似度値を与える単語を認識
結果として出力する。
成を示している。図４において、１は音声分析部であり
、入力音声信号を分析し、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出力
する。入力音声信号はまた、音声区間検出部２にも入力
され、この部分で音声区間が検出される。３はフレーム
類似度算出部であり、前段の音声分析部１で得られた特
徴パラメータ時系列と、音素標準パターン４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、音
声区間検出部２で検出された音声区間について出力する
。５は区間類似度算出部であり、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。６は単語類似度算出部で
あり、単語辞書７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、上記算出された区間類
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
。８は単語決定部であり、単語類似度算出部６で算出さ
れた単語の中で最大の単語類似度値を与える単語を認識
結果として出力する。
【０００４】このように、従来の音声認識装置でも、音
素等の認識の基本単位に基づいてフレーム類似度を求め
、これらを統合することにより、人間の音声を自動認識
することができる。
素等の認識の基本単位に基づいてフレーム類似度を求め
、これらを統合することにより、人間の音声を自動認識
することができる。
【０００５】
【発明が解決しようとする課題】しかしながら、従来の
音声認識装置は、正しい音声区間が検出されることを前
提とした方法であり、正確な音声区間の検出は、音声信
号のＳ／Ｎの低下に伴って難しくなるため、音声に雑音
が混入した場合にシステムの認識性能が著しく低下する
という問題があった。
音声認識装置は、正しい音声区間が検出されることを前
提とした方法であり、正確な音声区間の検出は、音声信
号のＳ／Ｎの低下に伴って難しくなるため、音声に雑音
が混入した場合にシステムの認識性能が著しく低下する
という問題があった。
【０００６】本発明は、このような従来の問題を解決す
るものであり、Ｓ／Ｎの低下があっても高い認識性能を
得ることのできる音声認識装置を提供することを目的と
する。
るものであり、Ｓ／Ｎの低下があっても高い認識性能を
得ることのできる音声認識装置を提供することを目的と
する。
【０００７】
【課題を解決するための手段】本発明は、上記目的を達
成するために、入力音声区間の前後に無音区間を設け、
この無音区間を含めた音声区間について音素等の標準パ
ターンをもとにフレーム類似度を求めるとともに、辞書
に格納されている単語の発音に関する記述の前後に無音
の状態を表わす記号を付加して単語類似度を求めるよう
にしたものである。
成するために、入力音声区間の前後に無音区間を設け、
この無音区間を含めた音声区間について音素等の標準パ
ターンをもとにフレーム類似度を求めるとともに、辞書
に格納されている単語の発音に関する記述の前後に無音
の状態を表わす記号を付加して単語類似度を求めるよう
にしたものである。
【０００８】
【作用】本発明は、上記構成により、入力音声の音声区
間については音素等の標準パターンとマッチング演算を
行ない、音声区間の前後の無音区間については無音標準
パターンとマッチング演算を行なって、音声を含む十分
に長い区間に対して類似度計算を行なうことにより、正
確な音声区間検出を行なわなくても高い音声認識性能を
得ることができる。
間については音素等の標準パターンとマッチング演算を
行ない、音声区間の前後の無音区間については無音標準
パターンとマッチング演算を行なって、音声を含む十分
に長い区間に対して類似度計算を行なうことにより、正
確な音声区間検出を行なわなくても高い音声認識性能を
得ることができる。
【０００９】
【実施例】以下、本発明の実施例について図面を参照し
て説明する。図１は本発明の第１の実施例における音声
認識装置の構成を示したものである。図１において、１
１は音声分析部であり、入力音声信号を分析し、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
あるフレーム毎に出力する。１２は音声区間検出部であ
り、入力した音声信号の区間を検出し、この音声区間の
前後に無音区間を付加して音声認識区間とする。１３は
フレーム類似度算出部であり、前段の音声分析部１１で
得られた特徴パラメータの時系列と、無音付き音素標準
パターン１４に格納されている無音標準パターンおよび
音素毎に用意された音素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。音素標準パターンとのフレーム類似度は、例えば図
２に示すように、横軸にフレーム番号、縦軸に音素カテ
ゴリを取り、各フレーム番号における音素の類似度を算
出したものである。１５は区間類似度算出部であり、入
力音声信号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累積し
た値を区間長で正規化した値である。１６は無音記号付
単語辞書であり、認識したい語彙に関する音素表記内容
が格納されており、各音素表記の前後には無音状態を表
わす無音記号Ｑが付加されている。例えば、単語の音素
表記を／ａｓａｈｉ／とすると、無音記号付き単語辞書
１６における音素表記列は／ＱａｓａｈｉＱ／となる。 １７は単語類似度算出部であり、無音記号付き単語辞書
１６で得られた前後に無音記号Ｑが付加された単語の音
素表記の並びに従って、区間類似度算出部１５で算出さ
れた区間類似度を最適に足し合わせることにより、単語
前後の無音区間を含む区間についての類似度を求め、こ
の値を単語類似度として得る。
て説明する。図１は本発明の第１の実施例における音声
認識装置の構成を示したものである。図１において、１
１は音声分析部であり、入力音声信号を分析し、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
あるフレーム毎に出力する。１２は音声区間検出部であ
り、入力した音声信号の区間を検出し、この音声区間の
前後に無音区間を付加して音声認識区間とする。１３は
フレーム類似度算出部であり、前段の音声分析部１１で
得られた特徴パラメータの時系列と、無音付き音素標準
パターン１４に格納されている無音標準パターンおよび
音素毎に用意された音素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。音素標準パターンとのフレーム類似度は、例えば図
２に示すように、横軸にフレーム番号、縦軸に音素カテ
ゴリを取り、各フレーム番号における音素の類似度を算
出したものである。１５は区間類似度算出部であり、入
力音声信号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累積し
た値を区間長で正規化した値である。１６は無音記号付
単語辞書であり、認識したい語彙に関する音素表記内容
が格納されており、各音素表記の前後には無音状態を表
わす無音記号Ｑが付加されている。例えば、単語の音素
表記を／ａｓａｈｉ／とすると、無音記号付き単語辞書
１６における音素表記列は／ＱａｓａｈｉＱ／となる。 １７は単語類似度算出部であり、無音記号付き単語辞書
１６で得られた前後に無音記号Ｑが付加された単語の音
素表記の並びに従って、区間類似度算出部１５で算出さ
れた区間類似度を最適に足し合わせることにより、単語
前後の無音区間を含む区間についての類似度を求め、こ
の値を単語類似度として得る。
【００１０】ここで、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。単語辞書側の音素の並
びをｐ（１）ｐ（２）ｐ（３）・・・ｐ（Ｎ）であると
する。ｐ（１）とｐ（Ｎ）は無音を表わす記号／Ｑ／で
ある。単語中のｉ番目の音素ｐ（ｉ）の継続時間の下限
値を１ｍｉｎ（ｉ）、上限値を１ｍａｘ（ｉ）とする。 音素ｐ（ｉ）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）、フレーム番号ｊにおける
累積類似度をＳＣＯＲＥ（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
類似度をＳＩＭ（ｐ，ｊ，Ｌ）とする。またＳＣＯＲＥ
（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ｌｅｎ（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Ｓ
Ｅ（ｉ）：ｐ（ｉ）の始端範囲の最後尾フレーム番号Ｅ
Ｓ（ｉ）：ｐ（ｉ）の終端範囲の先頭フレーム番号ＥＥ
（ｉ）：ｐ（ｉ）の終端範囲の最後尾フレーム番号
算出する方法について説明する。単語辞書側の音素の並
びをｐ（１）ｐ（２）ｐ（３）・・・ｐ（Ｎ）であると
する。ｐ（１）とｐ（Ｎ）は無音を表わす記号／Ｑ／で
ある。単語中のｉ番目の音素ｐ（ｉ）の継続時間の下限
値を１ｍｉｎ（ｉ）、上限値を１ｍａｘ（ｉ）とする。 音素ｐ（ｉ）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）、フレーム番号ｊにおける
累積類似度をＳＣＯＲＥ（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
類似度をＳＩＭ（ｐ，ｊ，Ｌ）とする。またＳＣＯＲＥ
（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ｌｅｎ（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Ｓ
Ｅ（ｉ）：ｐ（ｉ）の始端範囲の最後尾フレーム番号Ｅ
Ｓ（ｉ）：ｐ（ｉ）の終端範囲の先頭フレーム番号ＥＥ
（ｉ）：ｐ（ｉ）の終端範囲の最後尾フレーム番号
【０
０１１】以下、単語類似度算出の手順を示す。 手順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
ＳＥ（１） ←単語の始端の存在範囲の最後尾フレー
ム番号 ＳＣＯＲＥ（０，・）＝０ ｌｅｎ （０，・）＝０ 手順２：ｉ＝１からｉ＝Ｎまで手順３、手順４を実行す
る。 手順３：音素終端範囲の決定 ＥＳ（ｉ）←ＳＳ（ｉ）＋１ｍｉｎ（ｉ）ＥＥ（ｉ）←
ＳＥ（ｉ）＋１ｍａｘ（ｉ）手順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（数１）で示す漸化式を実行する。
０１１】以下、単語類似度算出の手順を示す。 手順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
ＳＥ（１） ←単語の始端の存在範囲の最後尾フレー
ム番号 ＳＣＯＲＥ（０，・）＝０ ｌｅｎ （０，・）＝０ 手順２：ｉ＝１からｉ＝Ｎまで手順３、手順４を実行す
る。 手順３：音素終端範囲の決定 ＥＳ（ｉ）←ＳＳ（ｉ）＋１ｍｉｎ（ｉ）ＥＥ（ｉ）←
ＳＥ（ｉ）＋１ｍａｘ（ｉ）手順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（数１）で示す漸化式を実行する。
【００１２】
【数１】
手順５：単語類似度の決定
以下の（数２）で得られる値Ｒを単語類似度とする。
【００１３】
【数２】
手順６：終了
【００１４】以上述べた手順に従って単語類似度Ｒを無
音記号付き単語辞書１６に格納されている全ての単語に
ついて求める。最後に、単語決定部１８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。
音記号付き単語辞書１６に格納されている全ての単語に
ついて求める。最後に、単語決定部１８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。
【００１５】図２は本発明の第２の実施例における音声
認識装置の構成を示している。上記第１の実施例と異な
るのは、単語辞書１６ａには従来と同様に、認識したい
語彙に関する音素表記例が格納されているだけであり、
各音素表記列の前後に、無音記号付加部１６ｂにより無
音記号Ｑを付加し、これらについて単語類似度算出部１
７で類似度の計算するようにしたものである。したがっ
て、他の構成は第１の実施例と同じなので、同様な効果
を得ることができる。
認識装置の構成を示している。上記第１の実施例と異な
るのは、単語辞書１６ａには従来と同様に、認識したい
語彙に関する音素表記例が格納されているだけであり、
各音素表記列の前後に、無音記号付加部１６ｂにより無
音記号Ｑを付加し、これらについて単語類似度算出部１
７で類似度の計算するようにしたものである。したがっ
て、他の構成は第１の実施例と同じなので、同様な効果
を得ることができる。
【００１６】以上、認識の基本単位が音素の場合につい
て二つの実施例を挙げて説明したが、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
ちろん適用しうるものである。
て二つの実施例を挙げて説明したが、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
ちろん適用しうるものである。
【００１７】
【発明の効果】以上のように、本発明によれば、辞書側
単語の音素記号列の前後に無音の状態を表わす記号を付
け加えて得られる新たな記号列を作成し、この記号列に
従って入力のフレーム類似度を最適に累積して音声の認
識を行なうので、音声を含む区間については確実に単語
類似度の計算を行なうことができ、精密な音声区間の検
出を行なわなくても、雑音混入に起因する音声区間検出
の誤りを回避することができ、認識性能の向上をはかる
ことができる。
単語の音素記号列の前後に無音の状態を表わす記号を付
け加えて得られる新たな記号列を作成し、この記号列に
従って入力のフレーム類似度を最適に累積して音声の認
識を行なうので、音声を含む区間については確実に単語
類似度の計算を行なうことができ、精密な音声区間の検
出を行なわなくても、雑音混入に起因する音声区間検出
の誤りを回避することができ、認識性能の向上をはかる
ことができる。
【図１】本発明による音声認識装置の第１の実施例を示
す概略ブロック図
す概略ブロック図
【図２】同実施例におけるフレーム類似度を例示した図
【図３】本発明による音声認識装置の第２の実施例を示
す概略ブロック図
す概略ブロック図
【図４】従来の音声認識装置の一例を示す概略ブロック
図
図
１１ 音声分析部
１２ 音声区間検出部
１３ フレーム類似度算出部
１４ 無音付き音素標準パターン
１５ 区間類似度算出部
１６ 無音記号付き単語辞書
１６ａ 単語辞書
１６ｂ 無音記号付加部
１７ 単語類似度算出部
１８ 単語決定部
Claims (2)
- 【請求項１】 入力音声を分析の単位であるフレーム
毎に分析して特徴パラメータを抽出する音声分析手段と
、音声認識の基本単位および無音の特徴を表わす標準パ
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、上記音声認識の基
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
関する情報の前後に無音の状態を表わす記号を付加した
表記列を格納する単語辞書とを備え、上記単語辞書に格
納された単語の表記列に従って音声確認の基本単位毎の
フレーム類似度を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。 - 【請求項２】 入力音声を分析の単位であるフレーム
毎に分析して特徴パラメータを抽出する音声分析手段と
、音声認識の基本単位および無音の特徴を表わす標準パ
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、上記音声認識の基
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、上記単語辞書に格納
されている単語の発音に関する情報の前後に無音の状態
を表わす記号を付加する機能を持つ無音記号付加手段と
を備え、上記無音記号付加手段によって無音記号を付加
された単語の表記列に従って音声認識の基本単位毎のフ
レーム類似度を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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3071186A JPH04305698A (ja) | 1991-04-03 | 1991-04-03 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3071186A JPH04305698A (ja) | 1991-04-03 | 1991-04-03 | 音声認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04305698A true JPH04305698A (ja) | 1992-10-28 |
Family
ID=13453376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3071186A Pending JPH04305698A (ja) | 1991-04-03 | 1991-04-03 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04305698A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH082015A (ja) * | 1994-06-27 | 1996-01-09 | Nec Corp | プリンタ装置 |
-
1991
- 1991-04-03 JP JP3071186A patent/JPH04305698A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH082015A (ja) * | 1994-06-27 | 1996-01-09 | Nec Corp | プリンタ装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1301922B1 (en) | System and method for voice recognition with a plurality of voice recognition engines | |
| JPS62231997A (ja) | 音声認識システム及びその方法 | |
| JP2004504641A (ja) | 話者独立音声認識システムのための音声テンプレートを構成するための方法及び装置 | |
| KR20160122542A (ko) | 발음 유사도 측정 방법 및 장치 | |
| JPH04362699A (ja) | 音声認識方法及び装置 | |
| US8942977B2 (en) | System and method for speech recognition using pitch-synchronous spectral parameters | |
| CN106023986A (zh) | 一种基于声效模式检测的语音识别方法 | |
| CN108573713A (zh) | 语音识别装置、语音识别方法以及存储介质 | |
| JP3876703B2 (ja) | 音声認識のための話者学習装置及び方法 | |
| KR20040061070A (ko) | 음성인식시스템에서의 음성인식장치 및 그 방법 | |
| JPH04305698A (ja) | 音声認識装置 | |
| JPS60129796A (ja) | 音声入力装置 | |
| JPH06202689A (ja) | 音声認識方法および装置 | |
| Cook | Word verification in a speech understanding system | |
| JPH08314490A (ja) | ワードスポッティング型音声認識方法と装置 | |
| JPS63217399A (ja) | 音声区間検出装置 | |
| JPH0640274B2 (ja) | 音声認識装置 | |
| JPH0713587A (ja) | 隠れマルコフモデル連結学習方法 | |
| JPH0289098A (ja) | 音節パターン切り出し装置 | |
| JPH0816186A (ja) | 音声認識装置 | |
| JP2002287781A (ja) | 音声認識装置 | |
| JPH04204899A (ja) | 音声認識装置 | |
| JP2003131693A (ja) | 音声認識装置及び音声認識方法 | |
| JPH02205898A (ja) | 音声認識装置 | |
| JPH0784593A (ja) | 音素ラベリング装置 |