JPH0431118B2 - - Google Patents
Info
- Publication number
- JPH0431118B2 JPH0431118B2 JP59058172A JP5817284A JPH0431118B2 JP H0431118 B2 JPH0431118 B2 JP H0431118B2 JP 59058172 A JP59058172 A JP 59058172A JP 5817284 A JP5817284 A JP 5817284A JP H0431118 B2 JPH0431118 B2 JP H0431118B2
- Authority
- JP
- Japan
- Prior art keywords
- phoneme
- dictionary
- likelihood
- word
- phonemes
- 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.)
- Expired
Links
- 238000000034 method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Description
（産業上の利用分野）
本発明は、入力音声と、音素表記された単語辞
書を照合して単語を認識する音声認識方法に関す
るものである。 （従来例の構成とその問題点） 第１図は従来の音声認識方法の一例及び本発明
の音声認識方法の実施例等を実行するための装置
の機能ブロツク図である。従来例を第１図ととも
に説明する。第１図において、１は入力音声から
パラメータの時系列を作成するパラメータ抽出
部、２は音素毎のセグメンテーシヨン、尤度計算
および類似度計算等を行なう単語認識部、３は認
識すべき全単語を音素単位の記号列で表記した単
語辞書が記憶されている単語辞書部である。その
単語辞書は、例えば単語「サツポロ」、「トーキヨ
ー」、「トヨナカ」、「ヤマカタ」はそれぞれ
「SAQPORO」、「TOOKJOO」、
「TOJONAKA」、「JAMAGATA」等と表記さ
れている。 次に上記従来例の動作について説明する。先ず
入力音声をパラメータ抽出部１で10msのフレー
ム毎に分析し、パラメータを抽出して、パラメー
タ時系列を作成する。パラメータ時系列は、以後
の処理で通共的に用いるパラメータを予め計算し
ておくものである。次に単語認識部２において単
語辞書部３を照合して各辞書項目毎に類似度を求
めるのであるが、この類似度計時時に、その辞書
項目を構成する辞書音素系列に従つて音素のセグ
メンテーシヨンを行ない、そのセグメンテーシヨ
ンされた音声区間がその音素を発声したものであ
る確からしさを表わす尺度である尤度を計算し、
その辞書項目における各音素の尤度の平均値とし
て類似度を求め、類似度が最大となる辞書項目を
もつて認識単語とする。本従来例において、辞書
音素系列におけるｉ番目の音素の尤度liは次式で
計算される。 li＝li0−lip1 …… ここでli0は、セグメンテーシヨンされた区間中
の各フレームにおけるパラメータが、予め用意さ
れたその音素の標準パタンにどれだけ合致するか
を表わす尺度として5000点満点で計算される。ま
たlip1は、セグメンテーシヨンされた区間の時間
長が、予め定められたスレツシヨルド以下の時は
lip1＝０、スレツシヨルドを越えた場合合には１
から5000間の値となり尤度に対する減点となる。 しかしながら上記従来例においては、下記のよ
うな欠点があつた。この例を第２図とともに説明
する。第２図は入力音声がTOJONAKA（トヨナ
カ）である時、時刻を右向きにとつて、辞書項目
TOJONAKAとTAMAGATAとにおけるセグメ
ンテーシヨン結果の対応関係を示す図である。こ
の例において、辞書項目TOJONAKAの場合の
セグメンテーシヨン、尤度計算は正常になされ
た。一方、JAMAGATAの場合のセグメンテー
シヨンは、TOJ−−Ｊ、Ａ−AGAと、２ケ所誤
つた対応を含んでいたが、尤度計算においては、
入力のTOJの部分をＪと見なしてもパラメータ
上むじゆんなく、またＧとセグメンテーシヨンさ
れた区間はＡからＫへ移行する音声の不安定な部
分であるため小さなパワデイツプが存在するため
にＧとセグメンテーシヨンされたのであるが、し
かもパラメータがＧの標準パタンと良く合致し、
またlip1の減点も無かつたため高い尤度が得られ
てしまい、類似度も大となつた。このため、本例
に示す入力音声はJAMAGATAであると誤認識
されていた。本例に示す辞書項目JAMAGAHA
におけるセグメンテーシヨンにおいて、Ｇとセグ
メンテーシヨンされた区間は２フレーム、次のＡ
とセグメンテーシヨンされた区間は１フレームの
みであつた。ある音素をセグメンテーシヨンした
時、その区間の時間長が１、２フレームと短いも
のは、発声において、その音素の性質が弱く、そ
の音素と隣の音素との間の移行部分が隣の音素の
区間にセグメンテーシヨンされた場合が多く、従
つて、短い時間長のセグメンテーシヨンが連続す
ることは少い。よつて、本従来例においては、第
２図に示すJAMAGATAの例のように、２音素
GAで３フレームという実際にはあり得ないセグ
メンテーシヨンを行ないながら、類似度は大とな
つて、単語を誤認識するという欠点があつた。ま
た上記とは反対の理由で、非常に長い時間のセグ
メンテーシヨンが連続することも少いが、そのよ
うな場合に対しても、本従来例では類似度が大と
なることがあるという欠点があつた。 （発明の目的） 本発明は上記従来例の欠点を除去するものであ
り、上記のようにあり得ない、あるいはまれなセ
グメンテーシヨンが生じた時、尤度に減点を加
え、それにより単語認識率を向上させることを目
的とする。 （発明の構成） 本発明は、入力音声を単語辞書の各辞書項目と
照合し、各辞書項目を構成する辞書音素系列に従
い各音素毎に入力音声をセグメンテーシヨンし、
そのセグメンテーシヨンされた音声区間が、その
音素を発声したものである確からしさを示す尺度
である尤度を求め、この尤度の値を用いて各辞書
項目と入力音声の類似度を求めて入力単語を認識
するにあたり、前記目的を達成するために、音素
の尤度計算において、その音素に対応してセグメ
ンテーシヨンされた区間の時間長に、その音素の
１つ、又はそれ以上前の音素の時間長を加えて得
られた２音素又はそれ以上の音素の時間長に対
し、長過ぎ又は短過ぎのスレツシヨルドを設け、
スレツシヨルドの範囲外の場合には尤度を減点す
ることにより、セグメンテーシヨンの確からしさ
を類似度に反映させ、高い単語認識率を得る効果
を得るものである。 （実施例の説明） 以下に本発明の一実施例について、図面ととも
に説明する。本実施例の方法を実施するための基
本構成は、前記従来例と同様に、第１図により示
される。第１図において、単語辞書は前記従来例
と同様である。 本実施例の動作について説明する。先ずパラメ
ータ抽出部１において、入力音声を10msのフレ
ーム毎に分析し、パラメータを抽出してパラメー
タ時系列を作成する。ここ迄は前記従来例と同様
である。次にこれを単語辞書部３の単語辞書と照
合し、各辞書項目毎に、単語認識部２においてそ
の辞書項目を構成する辞書音素系列に従つて音素
のセグメンテーシヨンを行ない、そのセグメンテ
ーシヨンされた音声区間がその音素を発声したも
のである確からしさを表わす尺度である尤度を計
算する。ここで本実施例において、辞書音素系列
におけるｉ番目の音素の尤度liは次式で計算され
る。 li＝li0−lip1−lip2 …… ここで、li0，lip1は前記従来例の式における
ものと同様である。lip2は、このｉ番目の音素に
対しセグメンテーシヨンされた区間の時間長τiと
（ｉ−１）番目の音素の時間長τi-1の和が、予め
定められたスレツシヨルドの範囲内の場合には
lip2＝０、範尉外の場合には１〜5000の間の値と
なり、尤度に対する減点となる。例えば（ｊ−
１）番目の音素がＧ、ｉ番目の音素がＡの場合、
スレツシヨルドとlip2の関係を第１表に示す。第
１表において、スレツシヨルドは長過ぎ、短過ぎ
とも２段階とし、lip2も夫々に応じ、値を変えて
いる。
書を照合して単語を認識する音声認識方法に関す
るものである。 （従来例の構成とその問題点） 第１図は従来の音声認識方法の一例及び本発明
の音声認識方法の実施例等を実行するための装置
の機能ブロツク図である。従来例を第１図ととも
に説明する。第１図において、１は入力音声から
パラメータの時系列を作成するパラメータ抽出
部、２は音素毎のセグメンテーシヨン、尤度計算
および類似度計算等を行なう単語認識部、３は認
識すべき全単語を音素単位の記号列で表記した単
語辞書が記憶されている単語辞書部である。その
単語辞書は、例えば単語「サツポロ」、「トーキヨ
ー」、「トヨナカ」、「ヤマカタ」はそれぞれ
「SAQPORO」、「TOOKJOO」、
「TOJONAKA」、「JAMAGATA」等と表記さ
れている。 次に上記従来例の動作について説明する。先ず
入力音声をパラメータ抽出部１で10msのフレー
ム毎に分析し、パラメータを抽出して、パラメー
タ時系列を作成する。パラメータ時系列は、以後
の処理で通共的に用いるパラメータを予め計算し
ておくものである。次に単語認識部２において単
語辞書部３を照合して各辞書項目毎に類似度を求
めるのであるが、この類似度計時時に、その辞書
項目を構成する辞書音素系列に従つて音素のセグ
メンテーシヨンを行ない、そのセグメンテーシヨ
ンされた音声区間がその音素を発声したものであ
る確からしさを表わす尺度である尤度を計算し、
その辞書項目における各音素の尤度の平均値とし
て類似度を求め、類似度が最大となる辞書項目を
もつて認識単語とする。本従来例において、辞書
音素系列におけるｉ番目の音素の尤度liは次式で
計算される。 li＝li0−lip1 …… ここでli0は、セグメンテーシヨンされた区間中
の各フレームにおけるパラメータが、予め用意さ
れたその音素の標準パタンにどれだけ合致するか
を表わす尺度として5000点満点で計算される。ま
たlip1は、セグメンテーシヨンされた区間の時間
長が、予め定められたスレツシヨルド以下の時は
lip1＝０、スレツシヨルドを越えた場合合には１
から5000間の値となり尤度に対する減点となる。 しかしながら上記従来例においては、下記のよ
うな欠点があつた。この例を第２図とともに説明
する。第２図は入力音声がTOJONAKA（トヨナ
カ）である時、時刻を右向きにとつて、辞書項目
TOJONAKAとTAMAGATAとにおけるセグメ
ンテーシヨン結果の対応関係を示す図である。こ
の例において、辞書項目TOJONAKAの場合の
セグメンテーシヨン、尤度計算は正常になされ
た。一方、JAMAGATAの場合のセグメンテー
シヨンは、TOJ−−Ｊ、Ａ−AGAと、２ケ所誤
つた対応を含んでいたが、尤度計算においては、
入力のTOJの部分をＪと見なしてもパラメータ
上むじゆんなく、またＧとセグメンテーシヨンさ
れた区間はＡからＫへ移行する音声の不安定な部
分であるため小さなパワデイツプが存在するため
にＧとセグメンテーシヨンされたのであるが、し
かもパラメータがＧの標準パタンと良く合致し、
またlip1の減点も無かつたため高い尤度が得られ
てしまい、類似度も大となつた。このため、本例
に示す入力音声はJAMAGATAであると誤認識
されていた。本例に示す辞書項目JAMAGAHA
におけるセグメンテーシヨンにおいて、Ｇとセグ
メンテーシヨンされた区間は２フレーム、次のＡ
とセグメンテーシヨンされた区間は１フレームの
みであつた。ある音素をセグメンテーシヨンした
時、その区間の時間長が１、２フレームと短いも
のは、発声において、その音素の性質が弱く、そ
の音素と隣の音素との間の移行部分が隣の音素の
区間にセグメンテーシヨンされた場合が多く、従
つて、短い時間長のセグメンテーシヨンが連続す
ることは少い。よつて、本従来例においては、第
２図に示すJAMAGATAの例のように、２音素
GAで３フレームという実際にはあり得ないセグ
メンテーシヨンを行ないながら、類似度は大とな
つて、単語を誤認識するという欠点があつた。ま
た上記とは反対の理由で、非常に長い時間のセグ
メンテーシヨンが連続することも少いが、そのよ
うな場合に対しても、本従来例では類似度が大と
なることがあるという欠点があつた。 （発明の目的） 本発明は上記従来例の欠点を除去するものであ
り、上記のようにあり得ない、あるいはまれなセ
グメンテーシヨンが生じた時、尤度に減点を加
え、それにより単語認識率を向上させることを目
的とする。 （発明の構成） 本発明は、入力音声を単語辞書の各辞書項目と
照合し、各辞書項目を構成する辞書音素系列に従
い各音素毎に入力音声をセグメンテーシヨンし、
そのセグメンテーシヨンされた音声区間が、その
音素を発声したものである確からしさを示す尺度
である尤度を求め、この尤度の値を用いて各辞書
項目と入力音声の類似度を求めて入力単語を認識
するにあたり、前記目的を達成するために、音素
の尤度計算において、その音素に対応してセグメ
ンテーシヨンされた区間の時間長に、その音素の
１つ、又はそれ以上前の音素の時間長を加えて得
られた２音素又はそれ以上の音素の時間長に対
し、長過ぎ又は短過ぎのスレツシヨルドを設け、
スレツシヨルドの範囲外の場合には尤度を減点す
ることにより、セグメンテーシヨンの確からしさ
を類似度に反映させ、高い単語認識率を得る効果
を得るものである。 （実施例の説明） 以下に本発明の一実施例について、図面ととも
に説明する。本実施例の方法を実施するための基
本構成は、前記従来例と同様に、第１図により示
される。第１図において、単語辞書は前記従来例
と同様である。 本実施例の動作について説明する。先ずパラメ
ータ抽出部１において、入力音声を10msのフレ
ーム毎に分析し、パラメータを抽出してパラメー
タ時系列を作成する。ここ迄は前記従来例と同様
である。次にこれを単語辞書部３の単語辞書と照
合し、各辞書項目毎に、単語認識部２においてそ
の辞書項目を構成する辞書音素系列に従つて音素
のセグメンテーシヨンを行ない、そのセグメンテ
ーシヨンされた音声区間がその音素を発声したも
のである確からしさを表わす尺度である尤度を計
算する。ここで本実施例において、辞書音素系列
におけるｉ番目の音素の尤度liは次式で計算され
る。 li＝li0−lip1−lip2 …… ここで、li0，lip1は前記従来例の式における
ものと同様である。lip2は、このｉ番目の音素に
対しセグメンテーシヨンされた区間の時間長τiと
（ｉ−１）番目の音素の時間長τi-1の和が、予め
定められたスレツシヨルドの範囲内の場合には
lip2＝０、範尉外の場合には１〜5000の間の値と
なり、尤度に対する減点となる。例えば（ｊ−
１）番目の音素がＧ、ｉ番目の音素がＡの場合、
スレツシヨルドとlip2の関係を第１表に示す。第
１表において、スレツシヨルドは長過ぎ、短過ぎ
とも２段階とし、lip2も夫々に応じ、値を変えて
いる。
【表】
即わち、実際にはありえないような（τi＋τi-1）
に対しては、尤度を大きく感じて、そのようなセ
グメンテーシヨンにより大きな類似度が得られな
いようにしている。このようにして尤度計算を行
なつた後、類似度を求めることは従来と同様であ
る。 本実施例における効果を例とともに述べる。第
２図に示す。前記従来例と同様な入力において、
辞書項目がTOJONAKAの場合、セグメンテー
シヨン及び尤度計算は、前記従来例と同様、正常
になされた。またTOJONAKAの全ての音素に
対しlip2＝０であつた。辞書項目がJAMAGATA
の場合、語頭からＧ（ｉ＝５）迄のセグメンテー
シヨン、尤度計算、及び次のＡ（ｉ＝６）のセグ
メンテーシヨンは従来と同様になされたが、前記
の通りτ5＝２フレーム、τ6＝１フレームであるの
で表１に示すようにl6p2＝4000となり、このＡの
尤度は従来より4000点低いものとなつた。その結
果JAMAGATAの類似度も小さなものとなり、
入力は正しくTOJONAKAと認識された。この
ように本実施例においては、明らかに正しくな
い、あるいはまれにしか存在しないようなセグメ
ンテーシヨンがなされた時、その音素の尤度に減
点を加えて類似度を減少させ、そのようなセグメ
ンテーシヨンがなされた辞書項目を認識単語とす
る可能性を小さくし、単語の誤認識を減少させる
ことができる利点がある。 なお本実施例では、１単語のみを発声した入力
単語の例を示したが連続単語、文章中の単語にお
いても全く同様の効果がある。 （発明の効果） 本発明は上記のような構成であり、以下に示す
効果が得られるものである。 音素の尤度計算時に、その音素に対応してセグ
メンテーシヨンされた区間の時間長に、その音素
の１つ、又はそれ以上前の音素の時間長を加えて
得られた２音素、又はそれ以上の音素の時間長に
対し、長過ぎ、又は短過ぎのスレツシヨルドを設
け、そのスレツシヨルドの範囲外となつた時には
尤度の値を感じ、そのような実際にはありえな
い、あるいはまれなセグメンテーシヨンにより大
きな類似度が得られないように単語の誤認識を減
少させ、単語認識率を向上させることができる。
に対しては、尤度を大きく感じて、そのようなセ
グメンテーシヨンにより大きな類似度が得られな
いようにしている。このようにして尤度計算を行
なつた後、類似度を求めることは従来と同様であ
る。 本実施例における効果を例とともに述べる。第
２図に示す。前記従来例と同様な入力において、
辞書項目がTOJONAKAの場合、セグメンテー
シヨン及び尤度計算は、前記従来例と同様、正常
になされた。またTOJONAKAの全ての音素に
対しlip2＝０であつた。辞書項目がJAMAGATA
の場合、語頭からＧ（ｉ＝５）迄のセグメンテー
シヨン、尤度計算、及び次のＡ（ｉ＝６）のセグ
メンテーシヨンは従来と同様になされたが、前記
の通りτ5＝２フレーム、τ6＝１フレームであるの
で表１に示すようにl6p2＝4000となり、このＡの
尤度は従来より4000点低いものとなつた。その結
果JAMAGATAの類似度も小さなものとなり、
入力は正しくTOJONAKAと認識された。この
ように本実施例においては、明らかに正しくな
い、あるいはまれにしか存在しないようなセグメ
ンテーシヨンがなされた時、その音素の尤度に減
点を加えて類似度を減少させ、そのようなセグメ
ンテーシヨンがなされた辞書項目を認識単語とす
る可能性を小さくし、単語の誤認識を減少させる
ことができる利点がある。 なお本実施例では、１単語のみを発声した入力
単語の例を示したが連続単語、文章中の単語にお
いても全く同様の効果がある。 （発明の効果） 本発明は上記のような構成であり、以下に示す
効果が得られるものである。 音素の尤度計算時に、その音素に対応してセグ
メンテーシヨンされた区間の時間長に、その音素
の１つ、又はそれ以上前の音素の時間長を加えて
得られた２音素、又はそれ以上の音素の時間長に
対し、長過ぎ、又は短過ぎのスレツシヨルドを設
け、そのスレツシヨルドの範囲外となつた時には
尤度の値を感じ、そのような実際にはありえな
い、あるいはまれなセグメンテーシヨンにより大
きな類似度が得られないように単語の誤認識を減
少させ、単語認識率を向上させることができる。
第１図は従来例、及び本発明の実施例における
音声認識方法を実施するための装置の基本的構成
を示す図。第２図は従来例、及び本発明の実施例
におけるセグメンテーシヨンを示す図である。 １……パラメータ抽出部、２……単語認識部、
３……単語辞書部。
音声認識方法を実施するための装置の基本的構成
を示す図。第２図は従来例、及び本発明の実施例
におけるセグメンテーシヨンを示す図である。 １……パラメータ抽出部、２……単語認識部、
３……単語辞書部。
Claims (1)
- １ 入力音声を、認識すべき単語を音素で表記し
た単語辞書の各辞書項目と照合し、各辞書項目を
構成する辞書音素系列に従い、各一音素毎に入力
音声をセグメンテーシヨンし、そのセグメンテー
シヨンされた音声の区間がその音素を発声したも
のである確からしさを示す尺度である尤度を計算
し、この尤度の値を用いて各辞書項目と入力音声
の類似度を求めて入力単語を認識するにあたり、
音素の尤度計算時に、その音素の区間の時間長
に、その音素の１つ又はそれ以上前の音素の時間
長を加えて得られた２音素又はそれ以上の音素の
時間長に対し、長過ぎ又は短過ぎのスレツシヨル
ドを設け、そのスレツシヨルドの範囲を越えた場
合には前記音素の尤度を減ずることを特徴とする
音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59058172A JPS60202493A (ja) | 1984-03-28 | 1984-03-28 | 音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59058172A JPS60202493A (ja) | 1984-03-28 | 1984-03-28 | 音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS60202493A JPS60202493A (ja) | 1985-10-12 |
| JPH0431118B2 true JPH0431118B2 (ja) | 1992-05-25 |
Family
ID=13076576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP59058172A Granted JPS60202493A (ja) | 1984-03-28 | 1984-03-28 | 音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS60202493A (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS617894A (ja) * | 1984-06-22 | 1986-01-14 | 松下通信工業株式会社 | 音声認識方法 |
-
1984
- 1984-03-28 JP JP59058172A patent/JPS60202493A/ja active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPS60202493A (ja) | 1985-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3069531B2 (ja) | 音声認識方法 | |
| JPH0431118B2 (ja) | ||
| JPH067357B2 (ja) | 音声認識装置 | |
| JPH0431117B2 (ja) | ||
| JP3291073B2 (ja) | 音声認識方式 | |
| JPH0458636B2 (ja) | ||
| JPS6147999A (ja) | 音声認識装置 | |
| JP3007357B2 (ja) | 音声認識装置の辞書更新方式 | |
| JPH0469959B2 (ja) | ||
| JPS63161499A (ja) | 音声認識装置 | |
| JPH0431116B2 (ja) | ||
| JPS60147795A (ja) | 音声認識方法 | |
| JPS62255999A (ja) | 単語音声認識装置 | |
| JPS60149099A (ja) | 音声認識方法 | |
| JPS607492A (ja) | 単音節音声認識方式 | |
| JPS58159598A (ja) | 単音節音声認識方式 | |
| JPH045397B2 (ja) | ||
| JPH0431114B2 (ja) | ||
| JPH045391B2 (ja) | ||
| JPS60182499A (ja) | 音声認識装置 | |
| JPH045400B2 (ja) | ||
| JPH0155477B2 (ja) | ||
| JPS60147798A (ja) | 音声認識方法 | |
| JPH0336439B2 (ja) | ||
| JPH045392B2 (ja) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EXPY | Cancellation because of completion of term |