JPH0430598B2 - - Google Patents

Description

【発明の詳細な説明】 〔発明の技術分野〕 本発明は、音声認識システムにおける話者適応
のために、入力話者ごとに最適の音声辞書を作成
する音声認識装置に関する。

〔技術の背景〕

一般に、音声認識システムでは、たとえば数百
語以上の多数の単語の認識を、何らの事前学習も
なしで行なうことは、現状ではなお認識率の点で
問題がある。他方、多数の単語を全て事前に発声
して登録する方式は、認識精度の点ですぐれてい
るが、話者の負担が大きくなりすぎ、実用的では
ない。したがつて、事前発声データはなるべく少
量にして話者に適した辞書を作成する手法が必要
である。

その１つの手法として、予め用意した複数の辞
書、たとえば他の複数の話者が発声した音声にも
とづいてそれぞれ作成した辞書から話者に最適な
辞書を１つだけ選択する方式が考えられるが、話
者に適した辞書の存在を保証するためには、かな
り多数の辞書を用意しなければならないという問
題がある。

〔発明の目的および構成〕 本発明の目的は、音声認識システムを話者ごと
に最適化して認識精度を高める話者適応方式にお
いて、事前学習に対する話者の負担を少なくして
かつ最適の音声辞書を容易に構成することができ
る手段を提供することにある。

一般に、与えられた複数の音声辞書のうち、入
力話者に最適な辞書を唯１個選択して用いたとし
ても、もとの音声辞書の数が少なければ、入力話
者によつてはあまり適した辞書が存在せず、した
がつて高認識率が得られない場合がある。このよ
うな場合、複数の辞書の情報を用いることによ
り、そのいずれの辞書を単独で使用した場合より
も認識率を高くすることが可能である。

本発明は、この点に着目してなされたものであ
り、少ない数のサンプル音声データを辞書として
用いた認識結果により主の音声辞書の選択を行な
い、比較的類似度の高い音声辞書を複数個に絞つ
て使用し、あるいはさらにそれから新たな辞書を
作成することにより上記目的を達成している。

本発明の構成は、それにより (1) 異なる話者により作成された複数の音声辞書
と、該複数の音声辞書のそれぞれごとに作成さ
れた同じカテゴリ群からなるサンプル音声デー
タ群と、該サンプル音声データ群のそれぞれを
辞書として認識対象の入力話者の音声データを
認識し認識率を計算する手段と、高い認識率を
示した上位複数のサンプル音声データ群に対応
する複数の音声辞書のみを選択する手段とをそ
なえ、該選択された複数の音声辞書を上記入力
話者に対する音声辞書として使用することを特
徴とする。

(2) 異なる話者により作成された複数の音声辞書
と、該複数の音声辞書のそれぞれごとに作成さ
れた同じカテゴリ群からなるサンプル音声デー
タ群と、該サンプル音声データ群のそれぞれを
辞書として認識対象の入力話者の音声データを
認識し認識率を計算する手段と、高い認識率を
示した上位複数のサンプル音声データ群に対応
する複数の音声辞書のみを選択する手段と、該
選択された複数の音声辞書を平均化して新しい
音声辞書を作成する手段とをそなえ、該複数の
選択された音声辞書を平均化して作成された音
声辞書を、上記入力話者に対する音声辞書とし
て使用することを特徴とするものである。

〔発明の実施例〕

以下に、本発明の詳細を実施例にしたがつて説
明する。

一般には、他人の辞書を用いた場合は自身の辞
書を用いた場合に比べて認識率がかなり下がる
が、学習により改善を図ることができる。

他人の辞書の一部を自身の辞書と置き換えて新
しい辞書とした場合、使用している特徴量に個人
差を表わす情報が多く含まれていれば、認識率
は、その置換量に応じて、例えば第１図の実線の
グラフ１のような変化を示す。

すなわち、他人の辞書のうち少量を自身の辞書
と置き換えた場合には、認識率がかえつて低下す
る傾向を示す。この現象は、特徴量に個人情報が
多く含まれている場合には、他人の発声した同一
の単語より、自身の発声した別の単語の方が類似
性が高くなることにより起こるものである。この
場合、 辞書の中で自身のデータと他人のデータとは
あらかじめ区別できるので、自身のデータに対
して非類似性に関する閾値を設定し、認識時点
でこの閾値を超える自身の辞書データを採用し
ないことにより、第１図の破線のグラフ２のよ
うに、大体置換量に比例した認識率の増加をみ
ることができる。

また、予め多数の話者の辞書（多数語彙と少
数語彙すなわちサンプル語彙の２組：少数語彙
は多数語彙の一部としてもよい）を用意してお
き、利用者は、上記サンプル語彙を発声して、
その語彙の範囲内で認識を行なう。その結果、
認識率が最も高かつたサンプル語彙の話者によ
る多数語彙の辞書を使用することにすれば、単
に１人の辞書を用意して全ての利用者がその辞
書を使用する場合にくらべて、平均認識率を高
くすることができる。

で認識率の最も高い辞書を１つ使用するか
わりに、認識率の高い辞書を複数個使用する方
法をとる。

複数辞書の使用法としては、従来、マルチテ
ンプレート方式、平均パタン方式がよく用いら
れている。

マルチテンプレート方式は、複数の辞書を単
に平面的に配列し、ひとまとめにして１つの辞
書とするものである。１つのカテゴリに複数
（話者の人数）のデータが存在することになり、
認識時点では、それら全てのデータの中から最
もよく似たデータを探す処理が行なわれる。

次に平均パタン方式は、同一のカテゴリ内の
複数のデータにおいて、対応する特徴ごとに特
徴値を平均し、新しい１つのデータとするもの
である。音声の場合には、時間長の変動がある
為、一般には時間方向での対応付けを行なつた
後、平均する。

本実施例では、時間方向は単語長を16等分す
るという形で時間長の正規化を行なつているの
で、平均操作は簡単に行なうことができる。

第２図は、マルチテンプレート方式と平均パ
タン方式の効果を比較したものである。

第２図は、40人のテスト対象話者のそれぞれ
について40個の辞書（語数200語）から類似度
の高い上位１，３，５，10個の辞書を選択した
場合を横軸にとり、縦軸には話者40人の平均認
識率を示したものである。グラフ３がマルチテ
ンプレートの場合、グラフ４が平均パタン辞書
の場合を示す。図から明らかなように、平均パ
タン方式がマルチテンプレート方式よりも優れ
ていることがわかる。これは、平均パタン方式
の場合、個々の辞書に含まれる個人情報部分
が、平均化により希釈され、その反対に有効な
特徴情報部分は強調されることによるものであ
る。他方、マルチテンプレート方式の場合に
は、このような効果を生じさせることができな
い。

第３図は、平均パタン方式の効果をさらに明
確にするための典型例のデータを示す。図は、
100個の辞書（200語）から類似度の上位20個の
辞書を選択したものを類似度順に横軸に配列
し、これに対して５人の入力話者Ａ，Ｂ，Ｃ，
Ｄ，Ｅの認識率を縦軸にとつたものである。各
入力話者について、下方向に伸びる実線グラフ
が、上位20個の辞書のそれぞれを単一辞書とし
て扱つたときの認識率を表わし、また上方向に
伸びる点線グラフが上位３個、５個、10個の辞
書を平均したときの認識率を表わす。

事前発声なしで認識を行なう為には、不特定
話者用辞書を用意する必要がある。特定の１人
の辞書を不特定話者用辞書として用いることは
前述したように高い認識率を得ることができな
い。

ここでは与えられた複数の辞書を平均して不
特定話者用とする場合を考える。

あらかじめ20人分の辞書（1000語彙）が登録
されているものとする。

また、上記とは別の入力話者20人について、
1000語彙を対象に次の５種類の辞書で認識を行
なつた場合の認識率データを第４図に示す。

用意されている20個の辞書を平均した不特定
話者用辞書 50語のサンプル辞書で認識を行ない、認識率
の高い10個のサンプル辞書に対応する主の辞書
（1000語彙）を平均した平均辞書 100語のサンプル辞書で認識を行ない、認識
率の高い10個のサンプル辞書に対応する主の辞
書（1000語彙）を平均した平均辞書 200語のサンプル辞書で認識を行ない、認識
率の高い10個のサンプル辞書に対応する主の辞
書（1000語彙）を平均した平均辞書 入力話者自身の発声で登録された1000語彙の
個人辞書 なお第４図のグラフは、入力話者20人分の平均
認識率を表わしている。

，，のように少数語彙のサンプル辞書で
学習し、複数の主辞書の選択を行なつてそれから
平均辞書を作成する方法により、およびを結
ぶ破線５が示す事前発声語数に比例して向上する
個人辞書の認識率をさらに上回るところの、特性
６で示す効果を上げることができる。

第５図は上述した関係を総括したグラフであ
る。

次に、本発明による音声認識システムの１実施
例の構成を、上述したにもとづく音声辞書構成
方式の場合を例にして説明する。

第６図はその構成図であり、７は入力部、８は
認識部、９はサンプル辞書群フアイル、１０は認
識結果保持部、１１は選択部、１２は主辞書群フ
アイル、１３は平均辞書作成部、１４は平均辞書
格納部、１５はモード切替スイツチ、１６は出力
部を表わす。

本実施例システムは、辞書構成モードと、認識
処理モードとの２つのモードで動作する。

まず、モード切替スイツチ１５をサンプル辞書
群フアイル９側に設定し、辞書構成モードにす
る。ここで利用者は、学習用の少数の単語（100
語）を発声する。この学習用発声にもとづく音声
データは、入力部７から入力され、認識部８で認
識される。このとき使用される辞書は、サンプル
辞書群フアイル９中のものである。

サンプル辞書群フアイル９には、複数（20人）
の話者によつて発声されたサンプル辞書（20個）
があり、かつ全てのサンプル辞書は同一のカテゴ
リ群（100語彙）からなり、このカテゴリ群には
上記学習用の少数単語が全て含まれている。この
カテゴリ群は、後述する主辞書群フアイル１２と
同一あるいはその一部であつてもよいし、無関係
であつてもよい。

認識結果保持部１０は、上記サンプル辞書群フ
アイル９中の各サンプル辞書ごとに認識結果を保
持する。

選択部１１は、サンプル辞書群フアイル９中の
サンプル辞書のうち、認識率が高かつたサンプル
辞書を選択する。

主辞書群フアイル１２には、サンプル辞書群フ
アイル９のサンプル辞書データを発声した複数の
話者による認識対象単語群（1000語彙）を発声登
録した辞書が格納されている。

平均辞書作成部１３は、選択部１１で選択され
た複数のサンプル辞書と同一の発声者による主辞
書を主辞書群フアイル１２からとり出し、それら
の辞書を平均した１つの辞書を作成する。作成さ
れた平均辞書は、平均辞書格納部１４に格納され
る。

ここでモード切替スイツチ１５を、平均辞書格
納部１４側に設定変更し、認識処理モードにす
る。利用時点では、入力部７から入力された音声
が、認識部８において、平均辞書格納部１４に格
納されている辞書を用いて認識され、その結果が
出力部１６から出力される。

なお、平均パタン方式の代りにマルチテンプレ
ート方式をとる場合には、主辞書群から選択した
複数の辞書をそのまま認識処理用辞書とすればよ
い。

〔発明の効果〕

以上述べたように、本発明によればあらかじめ
用意された複数の辞書から、話者に応じてそれら
のいづれよりも認識率の高い辞書を作成すること
ができるので、対象語彙を全て発声することな
く、迅速かつ容易に高精度の辞書を作成すること
ができる。

【図面の簡単な説明】

第１図は他人の辞書に対する学習効果の説明
図、第２図はマルチテンプレート辞書と平均パタ
ン辞書についての選択辞書数の効果の説明図、第
３図は選択対象辞書の類似度順位の効果の説明
図、第４図は不特定話者用辞書についての学習効
果の説明図、第５図は第１図から第４図までを総
括した説明図、第６図は本発明の１実施例システ
ムの構成図である。 図中、７は入力部、８は認識部、９はサンプル
辞書群フアイル、１０は認識結果保持部、１１は
選択部、１２は主辞書群フアイル、１３は平均辞
書作成部、１４は平均辞書格納部、１５はモード
切替スイツチ、１６は出力部を表わす。

Claims (1)

1. 【特許請求の範囲】 １ 異なる話者により作成された複数の音声辞書
   と、該複数の音声辞書のそれぞれごとに作成され
   た同じカテゴリ群からなるサンプル音声データ群
   と、該サンプル音声データ群のそれぞれを辞書と
   して認識対象の入力話者の音声データを認識し認
   識率を計算する手段と、高い認識率を示した上位
   複数のサンプル音声データ群に対応する複数の音
   声辞書のみを選択する手段とをそなえ、該選択さ
   れた複数の音声辞書を上記入力話者に対する音声
   辞書として使用することを特徴とする音声認識装
   置。 ２ 異なる話者により作成された複数の音声辞書
   と、該複数の音声辞書のそれぞれごとに作成され
   た同じカテゴリ群からなるサンプル音声データ群
   と、該サンプル音声データ群のそれぞれを辞書と
   して認識対象の入力話者の音声データを認識し認
   識率を計算する手段と、高い認識率を示した上位
   複数のサンプル音声データ群に対応する複数の音
   声辞書のみを選択する手段と、該選択された複数
   の音声辞書を平均化して新しい音声辞書を作成す
   る手段とをそなえ、該複数の選択された音声辞書
   を平均化して作成された音声辞書を、上記入力話
   者に対する音声辞書として使用することを特徴と
   する音声認識装置。