JPH05241594A - 音声認識方法 - Google Patents
音声認識方法Info
- Publication number
- JPH05241594A JPH05241594A JP4041773A JP4177392A JPH05241594A JP H05241594 A JPH05241594 A JP H05241594A JP 4041773 A JP4041773 A JP 4041773A JP 4177392 A JP4177392 A JP 4177392A JP H05241594 A JPH05241594 A JP H05241594A
- Authority
- JP
- Japan
- Prior art keywords
- hmm
- learning
- recognition
- word
- voice
- 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】
【目的】 ＨＭＭ学習過程に着目し、少ない学習データ
量で、学習及び認識音声データの違いに起因する認識率
の低下を防ぐ。 【構成】 音声統計学の知識に基づき、出現頻度の高い
トライフォンやダイフォン、それに全ての音素を含むよ
うに学習音声データを予め選択する。この選択された学
習音声データで、トライフォン、ダイフォン及び音素の
ＨＭＭを学習し（１８）、ＨＭＭ辞書を作成する（２
０）。認識の際には、ＨＭＭ辞書に含まれたモデルのみ
用い、そのモデルを連結して単語ＨＭＭを構築する（１
９），（２１）。認識する音声データに対して各単語Ｈ
ＭＭの尤度を計算し（２２）、最も大きいものを認識結
果とする。
量で、学習及び認識音声データの違いに起因する認識率
の低下を防ぐ。 【構成】 音声統計学の知識に基づき、出現頻度の高い
トライフォンやダイフォン、それに全ての音素を含むよ
うに学習音声データを予め選択する。この選択された学
習音声データで、トライフォン、ダイフォン及び音素の
ＨＭＭを学習し（１８）、ＨＭＭ辞書を作成する（２
０）。認識の際には、ＨＭＭ辞書に含まれたモデルのみ
用い、そのモデルを連結して単語ＨＭＭを構築する（１
９），（２１）。認識する音声データに対して各単語Ｈ
ＭＭの尤度を計算し（２２）、最も大きいものを認識結
果とする。
Description
【０００１】
【産業上の利用分野】本発明は、ヒドン・マルコフ・モ
デル（以下、ＨＭＭという）を用いた音声認識方法、特
にそのＨＭＭ辞書の作成方法に関するものである。
デル（以下、ＨＭＭという）を用いた音声認識方法、特
にそのＨＭＭ辞書の作成方法に関するものである。
【０００２】
【従来の技術】従来、このような分野の技術としては、
例えば次のような文献に記載されるものがあった。 文献１：ザ・ベル・システム・テクニカル・ジャーナル
（The Bell System Technical Journal)６２［４］（１
９８３−４）American Telephone and Telegraph Compa
ny，（米）、エス・イー・レビンソン（S.E.Levinso
n）、エル・アル・ラビナー（L.R.Rabiner)、及びエム
・エム・ソンディ（M.M.Sondhi）共著「An Introductio
n to the Application of the Theory of Probabilisti
c Functions of a Markov Process toAutomatic Speech
Recognition 」Ｐ．１０３５−１０７４ 文献２：中川聖一著「確率モデルによる音声認識」（昭
６３−７）電子情報通信学会、Ｐ．５５−６１ 音声認識技術として、古典的なパターン・マッチング手
法から、近年では統計的な手法に変わり、後者が主流に
なりつつある。後者の統計的な手法では、確率的な有限
状態を持つマルコフ・モデルが提案されており、通常、
ＨＭＭと呼ぶ。一般に、ＨＭＭは、複数の状態（例え
ば、音声の特徴等）と状態間の遷移からなる。さらに、
ＨＭＭは状態間の遷移を表す遷移確率と、遷移する際に
伴うラベル（音声の特徴パラメータの典型的なもので、
通常数十から数千種類がある）を出力する出力確率を有
している。このようなＨＭＭを用いた音声認識方法が前
記文献１に記載されており、その単語音声認識の例を図
２に示す。
例えば次のような文献に記載されるものがあった。 文献１：ザ・ベル・システム・テクニカル・ジャーナル
（The Bell System Technical Journal)６２［４］（１
９８３−４）American Telephone and Telegraph Compa
ny，（米）、エス・イー・レビンソン（S.E.Levinso
n）、エル・アル・ラビナー（L.R.Rabiner)、及びエム
・エム・ソンディ（M.M.Sondhi）共著「An Introductio
n to the Application of the Theory of Probabilisti
c Functions of a Markov Process toAutomatic Speech
Recognition 」Ｐ．１０３５−１０７４ 文献２：中川聖一著「確率モデルによる音声認識」（昭
６３−７）電子情報通信学会、Ｐ．５５−６１ 音声認識技術として、古典的なパターン・マッチング手
法から、近年では統計的な手法に変わり、後者が主流に
なりつつある。後者の統計的な手法では、確率的な有限
状態を持つマルコフ・モデルが提案されており、通常、
ＨＭＭと呼ぶ。一般に、ＨＭＭは、複数の状態（例え
ば、音声の特徴等）と状態間の遷移からなる。さらに、
ＨＭＭは状態間の遷移を表す遷移確率と、遷移する際に
伴うラベル（音声の特徴パラメータの典型的なもので、
通常数十から数千種類がある）を出力する出力確率を有
している。このようなＨＭＭを用いた音声認識方法が前
記文献１に記載されており、その単語音声認識の例を図
２に示す。
【０００３】図２は、音声認識方法に用いられる単語Ｈ
ＭＭの構造例を示す図である。図２のｓ1 ，ｓ2 ，
ｓ3 ，ｓ4 はＨＭＭにおける音声の特徴等の状態を表
す。ａ11，ａ12，ａ22，ａ23，ａ33，ａ34，ａ44は状態
遷移確率、ｂ1 （ｋ），ｂ2（ｋ），ｂ3 （ｋ），ｂ4
（ｋ）はラベル出力確率を表す。ＨＭＭでは、状態遷移
確率ａij（ｉ＝１，…，４、ｊ＝１，…，４）で状態遷
移が行われる際、ラベル出力確率ｂj （ｋ）でラベルを
出力する。発声された単語をＨＭＭを用いて認識するに
は、まず、各単語に対して用意された学習データを用い
て、その単語のラベル列を最も高い確率で出力するよう
にＨＭＭを学習する。次に、発声された未知単語のラベ
ル列を入力し、最も高い出力確率を与えた単語ＨＭＭを
認識結果とする。
ＭＭの構造例を示す図である。図２のｓ1 ，ｓ2 ，
ｓ3 ，ｓ4 はＨＭＭにおける音声の特徴等の状態を表
す。ａ11，ａ12，ａ22，ａ23，ａ33，ａ34，ａ44は状態
遷移確率、ｂ1 （ｋ），ｂ2（ｋ），ｂ3 （ｋ），ｂ4
（ｋ）はラベル出力確率を表す。ＨＭＭでは、状態遷移
確率ａij（ｉ＝１，…，４、ｊ＝１，…，４）で状態遷
移が行われる際、ラベル出力確率ｂj （ｋ）でラベルを
出力する。発声された単語をＨＭＭを用いて認識するに
は、まず、各単語に対して用意された学習データを用い
て、その単語のラベル列を最も高い確率で出力するよう
にＨＭＭを学習する。次に、発声された未知単語のラベ
ル列を入力し、最も高い出力確率を与えた単語ＨＭＭを
認識結果とする。
【０００４】この種の音声認識方法では、発声された単
語そのものにＨＭＭを与えて学習し、尤度（即ち、ラベ
ル列の出力確率）によって認識結果を判断するものであ
る。このような単語ＨＭＭは、優れた認識精度を保証す
るが、認識語い数が増大することによって膨大な学習デ
ータが必要となることや、学習対象語以外の音声が全く
認識できない等の欠点がある。
語そのものにＨＭＭを与えて学習し、尤度（即ち、ラベ
ル列の出力確率）によって認識結果を判断するものであ
る。このような単語ＨＭＭは、優れた認識精度を保証す
るが、認識語い数が増大することによって膨大な学習デ
ータが必要となることや、学習対象語以外の音声が全く
認識できない等の欠点がある。
【０００５】一方、音声学では通常、音素と呼ばれる声
学的要素の系列で単語を表している。従って、音素毎に
ＨＭＭを用意し、これらのＨＭＭを連結して単語ＨＭＭ
を生成し、単語認識を行う方法もある。しかし、実際に
発声された単語音声においては、各々の音素は隣同士の
音素の影響を受け、特徴パラメータ（例えば、スペクト
ル）がかなり変形してしまう。このような調音結合によ
るスペクトルの変形は、音素ＨＭＭで表現しきれないこ
とがある。そのため、このような単純に音素ＨＭＭを連
結して単語を認識する方法では、認識率の低下を免れな
い。
学的要素の系列で単語を表している。従って、音素毎に
ＨＭＭを用意し、これらのＨＭＭを連結して単語ＨＭＭ
を生成し、単語認識を行う方法もある。しかし、実際に
発声された単語音声においては、各々の音素は隣同士の
音素の影響を受け、特徴パラメータ（例えば、スペクト
ル）がかなり変形してしまう。このような調音結合によ
るスペクトルの変形は、音素ＨＭＭで表現しきれないこ
とがある。そのため、このような単純に音素ＨＭＭを連
結して単語を認識する方法では、認識率の低下を免れな
い。
【０００６】そこで、従来の他の音声認識方法では、調
音結合による影響を除去するため、より大きな単位、例
えば２音素組（これをダイフォン（ｄｉｐｈｏｎｅ）と
呼ぶ）、あるいは３音素組（これをトライフォン（ｔｒ
ｉｐｈｏｎｅ）と呼ぶ）にＨＭＭを与え、これらのモデ
ルの連結によって単語ＨＭＭを構成し、単語認識を行う
ようにしている。図３は、音素、ダイフォンまたはトラ
イフォンで単語“ｍｅｇｕｒｏ（目黒）”を分割した例
を示す図である。単語“ｍｅｇｕｒｏ（目黒）”は６つ
の音素ＨＭＭ、３つのダイフォンＨＭＭ、あるいは２つ
のトライフォンＨＭＭからなることがわかる。
音結合による影響を除去するため、より大きな単位、例
えば２音素組（これをダイフォン（ｄｉｐｈｏｎｅ）と
呼ぶ）、あるいは３音素組（これをトライフォン（ｔｒ
ｉｐｈｏｎｅ）と呼ぶ）にＨＭＭを与え、これらのモデ
ルの連結によって単語ＨＭＭを構成し、単語認識を行う
ようにしている。図３は、音素、ダイフォンまたはトラ
イフォンで単語“ｍｅｇｕｒｏ（目黒）”を分割した例
を示す図である。単語“ｍｅｇｕｒｏ（目黒）”は６つ
の音素ＨＭＭ、３つのダイフォンＨＭＭ、あるいは２つ
のトライフォンＨＭＭからなることがわかる。
【０００７】
【発明が解決しようとする課題】しかしながら、従来の
音声認識方法では、次のような問題があった。 （ａ） トライフォンモデルをベースとする単語音声認
識方法では、音素モデルをベースとする単語音声認識方
法に比べ、調音結合によるスペクトル変形に伴う認識率
の低下がある程度回避できるが、トライフォンＨＭＭを
学習するには膨大な学習データを用意しなければならな
い。その理由は、例えば日本語にはトライフォンの数が
6000種類以上あるといわれており、それら全てのトライ
フォンを含む音声資料を作成し、多数の話者によって発
声した学習音声データベースを作ることが不可能に近
い。一方、音素の数が少ないため、音素ＨＭＭが簡単に
学習できるが、前述したように調音結合の影響によって
認識精度が制限されてしまう。
音声認識方法では、次のような問題があった。 （ａ） トライフォンモデルをベースとする単語音声認
識方法では、音素モデルをベースとする単語音声認識方
法に比べ、調音結合によるスペクトル変形に伴う認識率
の低下がある程度回避できるが、トライフォンＨＭＭを
学習するには膨大な学習データを用意しなければならな
い。その理由は、例えば日本語にはトライフォンの数が
6000種類以上あるといわれており、それら全てのトライ
フォンを含む音声資料を作成し、多数の話者によって発
声した学習音声データベースを作ることが不可能に近
い。一方、音素の数が少ないため、音素ＨＭＭが簡単に
学習できるが、前述したように調音結合の影響によって
認識精度が制限されてしまう。
【０００８】（ｂ） そこで、本願出願人等は前記
（ａ）の問題を解決して学習量の削減及び認識精度の向
上を図るため、先に特願平３−３４１２３５号明細書に
おいて音声認識方法の提案を行った。この音声認識方法
では、トライフォン、ダイフォン及び音素を混在してＨ
ＭＭを学習し、これらのモデルのみ用いて音声認識を行
う。ところが、このようなトライフォン、ダイフォン及
び音素を混在してＨＭＭを学習する方法では、高認識精
度を保ちながら学習データ量を削減できるものの、学習
音声データベースにはどのようなトライフォンまたはダ
イフォンを含有するかを言及していない。そのため、学
習音声データと認識音声データの違いによって、せっか
く学習しておいたトライフォンまたはダイフォンを認識
時にほとんど使わなかったり、認識音声データによく現
れるトライフォンやダイフォンがＨＭＭ辞書になかった
りする問題が生じ、認識率低下を招くおそれがある。従
って、未だ技術的に充分満足のゆく音声認識方法を得る
ことが困難であった。本発明は、前記従来技術が持って
いた課題として、本願出願人等の先の提案における少な
い学習量の利点を維持しながら、学習及び認識音声デー
タの違いに起因する認識率の低下を防ぐ音声認識方法を
提供するものである。
（ａ）の問題を解決して学習量の削減及び認識精度の向
上を図るため、先に特願平３−３４１２３５号明細書に
おいて音声認識方法の提案を行った。この音声認識方法
では、トライフォン、ダイフォン及び音素を混在してＨ
ＭＭを学習し、これらのモデルのみ用いて音声認識を行
う。ところが、このようなトライフォン、ダイフォン及
び音素を混在してＨＭＭを学習する方法では、高認識精
度を保ちながら学習データ量を削減できるものの、学習
音声データベースにはどのようなトライフォンまたはダ
イフォンを含有するかを言及していない。そのため、学
習音声データと認識音声データの違いによって、せっか
く学習しておいたトライフォンまたはダイフォンを認識
時にほとんど使わなかったり、認識音声データによく現
れるトライフォンやダイフォンがＨＭＭ辞書になかった
りする問題が生じ、認識率低下を招くおそれがある。従
って、未だ技術的に充分満足のゆく音声認識方法を得る
ことが困難であった。本発明は、前記従来技術が持って
いた課題として、本願出願人等の先の提案における少な
い学習量の利点を維持しながら、学習及び認識音声デー
タの違いに起因する認識率の低下を防ぐ音声認識方法を
提供するものである。
【０００９】
【課題を解決するための手段】本発明は、前記課題を解
決するために、学習音声データベースに含まれたトライ
フォン、ダイフォン及び音素を計数し、これらのモデル
を混在してＨＭＭの学習を行い、ＨＭＭ辞書を作成し、
前記ＨＭＭに含まれたモデルのみ用い、そのモデルを連
結して単語ＨＭＭをそれぞれ構築し、認識する音声デー
タに対して前記各単語ＨＭＭの尤度を演算して最も大き
いものを認識結果とする音声認識方法において、前記学
習音声データを、ＨＭＭ学習過程に着目して、次のよう
に選択する。即ち、音声統計学の知識により、出現頻度
の高い順から採ったトライフォンとダイフォン及び全て
の音素を含むような学習音声データベースを選択する。
そして、選択された学習音声データでＨＭＭ辞書を作成
する。
決するために、学習音声データベースに含まれたトライ
フォン、ダイフォン及び音素を計数し、これらのモデル
を混在してＨＭＭの学習を行い、ＨＭＭ辞書を作成し、
前記ＨＭＭに含まれたモデルのみ用い、そのモデルを連
結して単語ＨＭＭをそれぞれ構築し、認識する音声デー
タに対して前記各単語ＨＭＭの尤度を演算して最も大き
いものを認識結果とする音声認識方法において、前記学
習音声データを、ＨＭＭ学習過程に着目して、次のよう
に選択する。即ち、音声統計学の知識により、出現頻度
の高い順から採ったトライフォンとダイフォン及び全て
の音素を含むような学習音声データベースを選択する。
そして、選択された学習音声データでＨＭＭ辞書を作成
する。
【００１０】
【作用】本発明によれば、以上のように音声認識方法を
構成したので、ＨＭＭを用いた音声認識を行う際に、音
声統計学の知識に基づき、出現頻度の高いトライフォン
やダイフォン、それに全ての音素を含むように学習音声
データが選定される。そして、このように選定された学
習音声データで、トライフォン、ダイフォン及び音素の
ＨＭＭを学習し、ＨＭＭ辞書が作成される。認識すると
き、ＨＭＭ辞書に含まれたモデルのみ用い、連結して単
語ＨＭＭを構築する。認識する音声データに対して、各
単語ＨＭＭの尤度を計算し、最も大きいものは認識結果
とする。
構成したので、ＨＭＭを用いた音声認識を行う際に、音
声統計学の知識に基づき、出現頻度の高いトライフォン
やダイフォン、それに全ての音素を含むように学習音声
データが選定される。そして、このように選定された学
習音声データで、トライフォン、ダイフォン及び音素の
ＨＭＭを学習し、ＨＭＭ辞書が作成される。認識すると
き、ＨＭＭ辞書に含まれたモデルのみ用い、連結して単
語ＨＭＭを構築する。認識する音声データに対して、各
単語ＨＭＭの尤度を計算し、最も大きいものは認識結果
とする。
【００１１】これにより、学習と認識音声データの違い
に起因する認識精度の低下が回避され、かつ少ない学習
量という先の提案の利点をそのまま継承しながら、効率
的な学習が行えるばかりか、認識精度の向上が図れる。
従って、前記課題を解決できるのである。
に起因する認識精度の低下が回避され、かつ少ない学習
量という先の提案の利点をそのまま継承しながら、効率
的な学習が行えるばかりか、認識精度の向上が図れる。
従って、前記課題を解決できるのである。
【００１２】
【実施例】図４は、本発明の実施例の音声認識方法に用
いられる音声認識装置の機能ブロック図である。この音
声認識装置は、例えば、集積回路等による個別回路、あ
るいはプロセッサを用いたプログラム制御等により構成
されるもので、装置全体を制御する中央制御部１を有
し、それには、アナログ音声信号をアナログ／ディジタ
ル変換（以下、Ａ／Ｄ変換という）でディジタル信号に
変換した後に音声分析の前処理等を行う音声分析部２、
及びデータを記憶する記憶部３が接続されている。さら
に、中央制御部１には、音声分析部２の出力に対してベ
クトル量子化を行うベクトル量子化部４、学習音声に含
まれたトライフォン等を計数（カウント）してテーブル
等を生成する文字情報処理演算部５、ＨＭＭの学習を行
ってトライフォン等のＨＭＭを生成し、これらのＨＭＭ
を連結して単語ＨＭＭを生成するＨＭＭ学習部６、及び
単語ＨＭＭを用いて単語認識を行うＨＭＭ認識部７が接
続されている。図１は本発明の実施例を示すもので、図
４の音声認識装置を用いた音声認識方法の処理のフロー
チャート、図５は図１中のトライフォン等のテーブルの
一例を示す図である。これらの図を参照しつつ、本実施
例の音声認識方法を説明する。図１において、アナログ
信号である音声が入力されると（ステップ１１）、図４
の音声分析部２では、入力されたアナログ音声信号をＡ
／Ｄ変換によってディジタル信号に変換し（ステップ１
２）、前処理１３を行う（ステップ１３）。ステップ１
３の前処理では、例えばＬＰＣ（Linear Predictive Co
ding，線形予測符号化）分析によるＬＰＣケプストラム
の抽出等により、音声特徴パラメータを抽出する。そし
て、ベクトル量子化部４では、抽出された音声特徴パラ
メータのベクトル量子化を行い（ステップ１４）、ステ
ップ１５で、学習処理または認識処理へと分かれてい
く。
いられる音声認識装置の機能ブロック図である。この音
声認識装置は、例えば、集積回路等による個別回路、あ
るいはプロセッサを用いたプログラム制御等により構成
されるもので、装置全体を制御する中央制御部１を有
し、それには、アナログ音声信号をアナログ／ディジタ
ル変換（以下、Ａ／Ｄ変換という）でディジタル信号に
変換した後に音声分析の前処理等を行う音声分析部２、
及びデータを記憶する記憶部３が接続されている。さら
に、中央制御部１には、音声分析部２の出力に対してベ
クトル量子化を行うベクトル量子化部４、学習音声に含
まれたトライフォン等を計数（カウント）してテーブル
等を生成する文字情報処理演算部５、ＨＭＭの学習を行
ってトライフォン等のＨＭＭを生成し、これらのＨＭＭ
を連結して単語ＨＭＭを生成するＨＭＭ学習部６、及び
単語ＨＭＭを用いて単語認識を行うＨＭＭ認識部７が接
続されている。図１は本発明の実施例を示すもので、図
４の音声認識装置を用いた音声認識方法の処理のフロー
チャート、図５は図１中のトライフォン等のテーブルの
一例を示す図である。これらの図を参照しつつ、本実施
例の音声認識方法を説明する。図１において、アナログ
信号である音声が入力されると（ステップ１１）、図４
の音声分析部２では、入力されたアナログ音声信号をＡ
／Ｄ変換によってディジタル信号に変換し（ステップ１
２）、前処理１３を行う（ステップ１３）。ステップ１
３の前処理では、例えばＬＰＣ（Linear Predictive Co
ding，線形予測符号化）分析によるＬＰＣケプストラム
の抽出等により、音声特徴パラメータを抽出する。そし
て、ベクトル量子化部４では、抽出された音声特徴パラ
メータのベクトル量子化を行い（ステップ１４）、ステ
ップ１５で、学習処理または認識処理へと分かれてい
く。
【００１３】学習経路に入ると、図４の文字情報処理演
算部５では、予め選択された学習音声に含まれる全ての
トライフォン、ダイフォン及び音素をカウントし（ステ
ップ１６）、それらのトライフォン等を順番にファイル
に書き込み、トライフォン等のテーブルを生成し（ステ
ップ１７）、図４の記憶部３に保存する。このステップ
１７のテーブルの一例が図５に示されている。図３に示
すように、図５の／ａ／、／ｂ／、／ｃ／、…は音素、
／ａａ／、／ａｂ／、／ａｃ／、…はダイフォン、／ａ
ａａ／、／ａａｂ／、／ａａｃ／、…はトライフォンで
ある。
算部５では、予め選択された学習音声に含まれる全ての
トライフォン、ダイフォン及び音素をカウントし（ステ
ップ１６）、それらのトライフォン等を順番にファイル
に書き込み、トライフォン等のテーブルを生成し（ステ
ップ１７）、図４の記憶部３に保存する。このステップ
１７のテーブルの一例が図５に示されている。図３に示
すように、図５の／ａ／、／ｂ／、／ｃ／、…は音素、
／ａａ／、／ａｂ／、／ａｃ／、…はダイフォン、／ａ
ａａ／、／ａａｂ／、／ａａｃ／、…はトライフォンで
ある。
【００１４】次に、図４のＨＭＭ学習部６は、記憶部３
に保存されたトライフォン等のテーブルを参照しなが
ら、入力音声からトライフォン等に対応する音声データ
（即ち、コードベクトルの系列）を取り込み、トライフ
ォン等のＨＭＭパラメータを推定する（ステップ１
８）。このステップ１８の推定には、例えば前記文献２
に記載されたＢａｕｍ−Ｗｅｌｃｈ（Ｂ−Ｗ）アルゴリ
ズムを用いる。
に保存されたトライフォン等のテーブルを参照しなが
ら、入力音声からトライフォン等に対応する音声データ
（即ち、コードベクトルの系列）を取り込み、トライフ
ォン等のＨＭＭパラメータを推定する（ステップ１
８）。このステップ１８の推定には、例えば前記文献２
に記載されたＢａｕｍ−Ｗｅｌｃｈ（Ｂ−Ｗ）アルゴリ
ズムを用いる。
【００１５】即ち、観測ラベル系列Ｏ＝ｏ1 ，ｏ2 ，
…，ｏT 及び状態系列Ｉ＝ｉ1 ，ｉ2，…，ｉT に対し
て、次式のように前向き変数αt （ｉ）と後向き変数β
t （ｉ）を定義する。 αt （ｉ）＝Ｐｒ（ｏ1 ，ｏ2 ，…，ｏt ，ｉt ＝ｓi ） βt （ｉ）＝Ｐｒ（ｏt+1 ，ｏt+2 ，…，ｏT ｜ｉt ＝ｓi ） そして、状態遷移確率ａijとラベル出力確率ｂj （ｋ）
を次式のように推定する。
…，ｏT 及び状態系列Ｉ＝ｉ1 ，ｉ2，…，ｉT に対し
て、次式のように前向き変数αt （ｉ）と後向き変数β
t （ｉ）を定義する。 αt （ｉ）＝Ｐｒ（ｏ1 ，ｏ2 ，…，ｏt ，ｉt ＝ｓi ） βt （ｉ）＝Ｐｒ（ｏt+1 ，ｏt+2 ，…，ｏT ｜ｉt ＝ｓi ） そして、状態遷移確率ａijとラベル出力確率ｂj （ｋ）
を次式のように推定する。
【００１６】
【数１】 ＨＭＭ学習部６では、ステップ１８でＨＭＭの推定を行
ってトライフォン等のＨＭＭ辞書を作り（ステップ２
０）、それを記憶部３に保存する。最後に、ＨＭＭ学習
部６では、単語ＨＭＭを生成するため、トライフォン等
のＨＭＭ辞書より該当するＨＭＭを取り出し、それを連
結して単語ＨＭＭを生成し（ステップ１９）、その生成
された単語ＨＭＭを単語ＨＭＭ辞書の形で記憶部３に保
存し（ステップ２１）、学習を終了させる。学習処理が
終わると、ステップ１５によって単語認識処理へ移る。
図４のＨＭＭ認識部７は、ステップ２１で生成された単
語ＨＭＭ辞書を用いて、ステップ１４でベクトル量子化
された入力音声の尤度を計算する（ステップ２２）。そ
して、得られた尤度を基にして認識結果を出力し（ステ
ップ２３）、認識処理を終了する。
ってトライフォン等のＨＭＭ辞書を作り（ステップ２
０）、それを記憶部３に保存する。最後に、ＨＭＭ学習
部６では、単語ＨＭＭを生成するため、トライフォン等
のＨＭＭ辞書より該当するＨＭＭを取り出し、それを連
結して単語ＨＭＭを生成し（ステップ１９）、その生成
された単語ＨＭＭを単語ＨＭＭ辞書の形で記憶部３に保
存し（ステップ２１）、学習を終了させる。学習処理が
終わると、ステップ１５によって単語認識処理へ移る。
図４のＨＭＭ認識部７は、ステップ２１で生成された単
語ＨＭＭ辞書を用いて、ステップ１４でベクトル量子化
された入力音声の尤度を計算する（ステップ２２）。そ
して、得られた尤度を基にして認識結果を出力し（ステ
ップ２３）、認識処理を終了する。
【００１７】以上のように、本実施例では、学習処理の
際に、予め学習音声データを選択することによって、Ｈ
ＭＭ辞書に含まれるトライフォンやダイフォンが出現頻
度の高いものであるため、認識処理を行う際、最も効率
よくトライフォンやダイフォンを利用でき、高精度の音
声認識結果を得ることができる。なお、本発明は図示の
実施例に限定されず、例えば、図１の処理内容を他の内
容に変更したり、あるいはこの音声認識方法を実施する
音声認識装置を、図４以外の構成に変更する等、種々の
変形が可能である。
際に、予め学習音声データを選択することによって、Ｈ
ＭＭ辞書に含まれるトライフォンやダイフォンが出現頻
度の高いものであるため、認識処理を行う際、最も効率
よくトライフォンやダイフォンを利用でき、高精度の音
声認識結果を得ることができる。なお、本発明は図示の
実施例に限定されず、例えば、図１の処理内容を他の内
容に変更したり、あるいはこの音声認識方法を実施する
音声認識装置を、図４以外の構成に変更する等、種々の
変形が可能である。
【００１８】
【発明の効果】以上詳細に説明したように、本発明によ
れば、トライフォン、ダイフォン及び音素を混在してＨ
ＭＭを学習することによる学習量の減少等という効果を
維持しつつ、予め学習音声データを選択することによっ
て、ＨＭＭ辞書に含まれるトライフォンやダイフォンが
出現頻度の高いものであるため、認識処理を行う際、最
も効率よくトライフォンやダイフォンを利用でき、高精
度の音声認識結果を得ることができる。従って、種々の
応用分野に適用できる。
れば、トライフォン、ダイフォン及び音素を混在してＨ
ＭＭを学習することによる学習量の減少等という効果を
維持しつつ、予め学習音声データを選択することによっ
て、ＨＭＭ辞書に含まれるトライフォンやダイフォンが
出現頻度の高いものであるため、認識処理を行う際、最
も効率よくトライフォンやダイフォンを利用でき、高精
度の音声認識結果を得ることができる。従って、種々の
応用分野に適用できる。
【図１】本発明の実施例の音声認識方法を示す処理のフ
ローチャートである。
ローチャートである。
【図２】単語ＨＭＭの構造例を示す図である。
【図３】単語“ｍｅｇｕｒｏ（目黒）”が音素、ダイフ
ォン及びトライフォンに分割された分割例を示す図であ
る。
ォン及びトライフォンに分割された分割例を示す図であ
る。
【図４】本発明の実施例の音声認識方法を実施するため
の音声認識装置の機能ブロック図である。
の音声認識装置の機能ブロック図である。
【図５】図１中のトライフォン等のテーブルの一例を示
す図である。
す図である。
１ 中央制御部 ２ 音声分析部 ３ 記憶部 ４ ベクトル量子化部 ５ 文字情報処理演算部 ６ ＨＭＭ学習部 ７ ＨＭＭ認識部 １６ トライフォン等の計数処理 １７ トライフォン等のテーブル １８ トライフォン等のＨＭＭの推定処理 １９ 単語ＨＭＭの生成処理 ２０ トライフォン等のＨＭＭ辞書 ２１ 単語ＨＭＭ辞書 ２２ ＨＭＭ尤度の計算処理
Claims (1)
- 【請求項１】 学習音声データベースに含まれたトライ
フォン、ダイフォン及び音素を計数し、これらのモデル
を混在してヒドン・マルコフ・モデルの学習を行い、ヒ
ドン・マルコフ・モデル辞書を作成し、 前記ヒドン・マルコフ・モデルに含まれたモデルのみ用
い、そのモデルを連結して単語ヒドン・マルコフ・モデ
ルをそれぞれ構築し、認識する音声データに対して前記
各単語ヒドン・マルコフ・モデルの尤度を演算して最も
大きいものを認識結果とする音声認識方法において、 前記トライフォン、ダイフォン及び音素を含む前記学習
音声データベースの選択に当たって、音声統計学の知識
により、出現頻度の高い順から採ったトライフォンとダ
イフォン及び全ての音素を含むような学習音声データベ
ースを選び、前記ヒドン・マルコフ・モデル辞書を作成
す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 |
|---|---|---|---|
| JP4041773A JPH05241594A (ja) | 1992-02-28 | 1992-02-28 | 音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4041773A JPH05241594A (ja) | 1992-02-28 | 1992-02-28 | 音声認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05241594A true JPH05241594A (ja) | 1993-09-21 |
Family
ID=12617705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4041773A Pending JPH05241594A (ja) | 1992-02-28 | 1992-02-28 | 音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05241594A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6895380B2 (en) * | 2000-03-02 | 2005-05-17 | Electro Standards Laboratories | Voice actuation with contextual learning for intelligent machine control |
-
1992
- 1992-02-28 JP JP4041773A patent/JPH05241594A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6895380B2 (en) * | 2000-03-02 | 2005-05-17 | Electro Standards Laboratories | Voice actuation with contextual learning for intelligent machine control |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5050215A (en) | Speech recognition method | |
| Makhoul et al. | State of the art in continuous speech recognition. | |
| US5268990A (en) | Method for recognizing speech using linguistically-motivated hidden Markov models | |
| US5165007A (en) | Feneme-based Markov models for words | |
| JPH0772840B2 (ja) | 音声モデルの構成方法、音声認識方法、音声認識装置及び音声モデルの訓練方法 | |
| US5806034A (en) | Speaker independent speech recognition method utilizing multiple training iterations | |
| JP2002500779A (ja) | 識別訓練されたモデルを用いる音声認識システム | |
| EP0771461A1 (en) | Method and apparatus for speech recognition using optimised partial probability mixture tying | |
| KR101014086B1 (ko) | 음성 처리 장치 및 방법, 및 기록 매체 | |
| US6148284A (en) | Method and apparatus for automatic speech recognition using Markov processes on curves | |
| Dupont et al. | Hybrid HMM/ANN systems for training independent tasks: Experiments on phonebook and related improvements | |
| US4876720A (en) | Speech recognition system | |
| US5960396A (en) | Standard pattern production system employing information criterion | |
| EP0238693B1 (en) | Speech recognition system and method using statistical models for words | |
| JP2005156593A (ja) | 音響モデル作成方法、音響モデル作成装置、音響モデル作成プログラムおよび音声認識装置 | |
| Jiang et al. | A robust compensation strategy for extraneous acoustic variations in spontaneous speech recognition | |
| JPH09160586A (ja) | ヒドン・マルコフ・モデルの学習方法 | |
| JPH05232989A (ja) | 音響モデルの話者適応化法 | |
| JP2976795B2 (ja) | 話者適応化方式 | |
| JPH05173588A (ja) | 音声認識方法 | |
| JP3144341B2 (ja) | 音声認識装置 | |
| JPH05188990A (ja) | 音声認識方法 | |
| JPH05188989A (ja) | 音声認識方法 | |
| JPH0786758B2 (ja) | 音声認識装置 | |
| JP2912513B2 (ja) | ヒドン・マルコフ・モデルの学習方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20000704 |