JPH0527794A - 音声認識方式 - Google Patents
音声認識方式Info
- Publication number
- JPH0527794A JPH0527794A JP20363891A JP20363891A JPH0527794A JP H0527794 A JPH0527794 A JP H0527794A JP 20363891 A JP20363891 A JP 20363891A JP 20363891 A JP20363891 A JP 20363891A JP H0527794 A JPH0527794 A JP H0527794A
- Authority
- JP
- Japan
- Prior art keywords
- recognition
- speech
- voice
- model
- word
- 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.)
- Withdrawn
Links
Abstract
(57)【要約】
【目的】 音声認識において、認識候補の単語、文等の
標準パターンを、少数の基本認識単位の組合わせにより
表現する場合に、標準パターンの妥当性を低下させず
に、処理時間及び記憶領域を削減することを目的とす
る。 【構成】 単語よりも小さな音声認識単位の連結によ
り、単語、文等の標準パターンを作成し、確率モデルで
表現されたこれらの標準パターンのうち入力音声を最も
高い確率で出力するモデルに対する単語／文を認識結果
とし、音声認識単位を音声事象とすると共に、標準パタ
ーンを音声事象のネットワークで表現する。
標準パターンを、少数の基本認識単位の組合わせにより
表現する場合に、標準パターンの妥当性を低下させず
に、処理時間及び記憶領域を削減することを目的とす
る。 【構成】 単語よりも小さな音声認識単位の連結によ
り、単語、文等の標準パターンを作成し、確率モデルで
表現されたこれらの標準パターンのうち入力音声を最も
高い確率で出力するモデルに対する単語／文を認識結果
とし、音声認識単位を音声事象とすると共に、標準パタ
ーンを音声事象のネットワークで表現する。
Description
【０００１】
【産業上の利用分野】本発明は、単語、文等の発声を認
識する音声認識方式に関する。
識する音声認識方式に関する。
【０００２】
【従来の技術】近年、多数の語彙を対象とする音声認識
の手法として、３個程度の状態からなるマルコフモデル
により、音素の標準モデルを作成する方式が主に用いら
れている。前述の単語認識方式は、音素標準パターンの
マルコフモデルを連結して得られる単語標準パターンの
マルコフモデルにより、入力された音声信号を出力する
確率を計算し、最も高い確率を与えるマルコフモデルに
対応する単語を認識結果として出力する方式である。即
ち、i 番目の単語に対応するマルコフモデルWiが、入力
音声信号S = {y1,y2,...,yT}を出力する確率P(S|Wi) を
単語毎に計算することが、従来の認識装置の基本的機能
である。この場合の各標準モデルの確率計算は、音素モ
デルを構成するマルコフモデルの状態数に依存する。
の手法として、３個程度の状態からなるマルコフモデル
により、音素の標準モデルを作成する方式が主に用いら
れている。前述の単語認識方式は、音素標準パターンの
マルコフモデルを連結して得られる単語標準パターンの
マルコフモデルにより、入力された音声信号を出力する
確率を計算し、最も高い確率を与えるマルコフモデルに
対応する単語を認識結果として出力する方式である。即
ち、i 番目の単語に対応するマルコフモデルWiが、入力
音声信号S = {y1,y2,...,yT}を出力する確率P(S|Wi) を
単語毎に計算することが、従来の認識装置の基本的機能
である。この場合の各標準モデルの確率計算は、音素モ
デルを構成するマルコフモデルの状態数に依存する。
【０００３】
【発明が解決しようとする課題】しかし、音素は音響的
な単位でなく、また、その物理的な性質が発声された文
脈に依存して大きく変化するため、例え同じ音素であっ
ても文脈毎の標準パターンを作成することが従来技術と
して知られている（例えば「音素環境クラスタリングの
原理とアルゴリズム」嵯峨山茂樹、電子通信学会音声研
究会資料SP87-86）。
な単位でなく、また、その物理的な性質が発声された文
脈に依存して大きく変化するため、例え同じ音素であっ
ても文脈毎の標準パターンを作成することが従来技術と
して知られている（例えば「音素環境クラスタリングの
原理とアルゴリズム」嵯峨山茂樹、電子通信学会音声研
究会資料SP87-86）。
【０００４】このため、音素標準パターンの数が増える
ことにより、標準パターンを格納するための多くの記憶
領域が必要となり、従来技術での認識精度向上に大きな
問題点であった。更に言及すると、これまでの認識方法
では、各音素のマルコフモデルを３個程度以上のマルコ
フ状態により構成している。認識装置に必要な処理量、
メモリ量は、認識単語辞書を構成するマルコフモデルの
状態数に依存するため、認識性能を低下させることなく
状態数を削減することが困難であることは、処理の高速
化にとって大きな問題であった。
ことにより、標準パターンを格納するための多くの記憶
領域が必要となり、従来技術での認識精度向上に大きな
問題点であった。更に言及すると、これまでの認識方法
では、各音素のマルコフモデルを３個程度以上のマルコ
フ状態により構成している。認識装置に必要な処理量、
メモリ量は、認識単語辞書を構成するマルコフモデルの
状態数に依存するため、認識性能を低下させることなく
状態数を削減することが困難であることは、処理の高速
化にとって大きな問題であった。
【０００５】本発明は、前記欠点を克服するためのもの
で、音声認識において、認識候補の単語、文章等の確率
モデルを、少数の基本認識単位の確率モデルの組み合わ
せにより表現する場合に、基本認識単位として音声事象
｛下記、（音素、音声事象）参照｝を用いることで、認
識性能を低下させることなく、処理時間、記憶領域共に
削減することを目的としている。
で、音声認識において、認識候補の単語、文章等の確率
モデルを、少数の基本認識単位の確率モデルの組み合わ
せにより表現する場合に、基本認識単位として音声事象
｛下記、（音素、音声事象）参照｝を用いることで、認
識性能を低下させることなく、処理時間、記憶領域共に
削減することを目的としている。
【０００６】
【問題を解決するための手段】音声事象は音響的に安定
した性質を持つため、単一状態のマルコフモデルで標準
パターンを表現できるとともに、いくつかの音声事象
が、音素の種類にかからわず共通に用いることができ
る、すなわち、異なる音素に含まれる調音的に類似した
部分を、単一の音声事象に共通化することができるた
め、音声事象を認識単位として用いることで、従来例に
おける状態数の増加の問題が解決される。
した性質を持つため、単一状態のマルコフモデルで標準
パターンを表現できるとともに、いくつかの音声事象
が、音素の種類にかからわず共通に用いることができ
る、すなわち、異なる音素に含まれる調音的に類似した
部分を、単一の音声事象に共通化することができるた
め、音声事象を認識単位として用いることで、従来例に
おける状態数の増加の問題が解決される。
【０００７】認識対象語彙の標準モデルの作成は、音声
表記と音声事象との間に、予め定められた書き換え規則
を適用し、音声事象のネットワークを生成することで行
なう。書き換え規則には、母音の無声化、長音化など
の、音素を単位とした発声の変動のみならず、有声破裂
音における破裂区間の脱落、撥音とそれに後続する有声
破裂音の閉鎖区間の融合、といった音素自体の音響的な
特徴の変動をも記述することができる。このように標準
パターンをネットワーク化することにより、文脈に依存
した音素の音響的特徴の変動に対応することで、従来例
における標準モデルの増加の問題が解決される。
表記と音声事象との間に、予め定められた書き換え規則
を適用し、音声事象のネットワークを生成することで行
なう。書き換え規則には、母音の無声化、長音化など
の、音素を単位とした発声の変動のみならず、有声破裂
音における破裂区間の脱落、撥音とそれに後続する有声
破裂音の閉鎖区間の融合、といった音素自体の音響的な
特徴の変動をも記述することができる。このように標準
パターンをネットワーク化することにより、文脈に依存
した音素の音響的特徴の変動に対応することで、従来例
における標準モデルの増加の問題が解決される。
【０００８】
【音素、音声事象】音素は、言語学の立場から音声の最
小単位として定義された単位であるが、音響的にはさら
にいくつかの音声事象の組み合わせで構成されている。
図３においては、音素／ｂ／のスペクトログラムを用い
て、音素と音声事象との関係を示している。同図におい
て、横軸は時間、縦軸は周波数に対応しており、濃淡に
より各時間における音声のスペクトルパターンを表現し
ている。同図の音素/ ｂ/ の区間は、スペクトル構造の
異なる３つの区間により構成されている。最初の区間
（音声事象１）は、prevoicingと呼ばれ有声破裂音/b,
d,g/ に共通して現われる区間である。第２の区間（音
声事象２）はburst と呼ばれ、/ ｂ/ の発音に伴い予め
閉じていた唇を、瞬間的に開く時に生じる音である。第
３の区間（音声事象３）は、release と呼ばれ、唇の開
放に伴い呼気が放出される際に生じる音である。このよ
うに、音素は一般に複数の音響的な状態（音声事象）か
ら構成されている。
小単位として定義された単位であるが、音響的にはさら
にいくつかの音声事象の組み合わせで構成されている。
図３においては、音素／ｂ／のスペクトログラムを用い
て、音素と音声事象との関係を示している。同図におい
て、横軸は時間、縦軸は周波数に対応しており、濃淡に
より各時間における音声のスペクトルパターンを表現し
ている。同図の音素/ ｂ/ の区間は、スペクトル構造の
異なる３つの区間により構成されている。最初の区間
（音声事象１）は、prevoicingと呼ばれ有声破裂音/b,
d,g/ に共通して現われる区間である。第２の区間（音
声事象２）はburst と呼ばれ、/ ｂ/ の発音に伴い予め
閉じていた唇を、瞬間的に開く時に生じる音である。第
３の区間（音声事象３）は、release と呼ばれ、唇の開
放に伴い呼気が放出される際に生じる音である。このよ
うに、音素は一般に複数の音響的な状態（音声事象）か
ら構成されている。
【０００９】
【実施例】本発明の実施例を図１に示す。以下実施例に
そって本発明について説明する。本実施例は音声事象標
準パターンの作成、音声事象標準パターンの連結による
単語標準モデルの生成および、従来技術である入力音声
に対する候補単語モデル毎の確率計算及び比較より構成
される。
そって本発明について説明する。本実施例は音声事象標
準パターンの作成、音声事象標準パターンの連結による
単語標準モデルの生成および、従来技術である入力音声
に対する候補単語モデル毎の確率計算及び比較より構成
される。
【００１０】先ず、音声事象の標準モデルの作成につい
て説明する。学習用音声データの入力端子１より入力さ
れたデータは、特徴ベクトルの量子化処理部２におい
て、予め定めた時間長のフレームに分割され、線形予測
分析（ＬＰＣ分析）の結果求めたＬＰＣケプストラム係
数、とその回帰係数とがフレーム毎に求められ、予め定
めた複数個の特徴ベクトルからなる符号帳を用いてベク
トル量子化される。この処理は既存技術である。
て説明する。学習用音声データの入力端子１より入力さ
れたデータは、特徴ベクトルの量子化処理部２におい
て、予め定めた時間長のフレームに分割され、線形予測
分析（ＬＰＣ分析）の結果求めたＬＰＣケプストラム係
数、とその回帰係数とがフレーム毎に求められ、予め定
めた複数個の特徴ベクトルからなる符号帳を用いてベク
トル量子化される。この処理は既存技術である。
【００１１】音声事象区間への分割処理部３では、量子
化されたベクトル列がprevoicing等の予め定めた種類の
音声事象区間に分割される。音声事象標準パターン作成
処理部４では、音声事象区間内に含まれる特徴ベクトル
の出現頻度を求め、和が１となるように頻度を正規化
し、これを当該音声事象に対応するマルコフモデルの状
態の出力確率とする。さらに、音声事象の平均フレーム
長に基づき、状態間の遷移確率を設定する。得られた音
声事象の標準パターンは、音声事象標準モデル格納部５
に格納される。
化されたベクトル列がprevoicing等の予め定めた種類の
音声事象区間に分割される。音声事象標準パターン作成
処理部４では、音声事象区間内に含まれる特徴ベクトル
の出現頻度を求め、和が１となるように頻度を正規化
し、これを当該音声事象に対応するマルコフモデルの状
態の出力確率とする。さらに、音声事象の平均フレーム
長に基づき、状態間の遷移確率を設定する。得られた音
声事象の標準パターンは、音声事象標準モデル格納部５
に格納される。
【００１２】単語標準モデルの作成については、単語標
準モデルの作成処理部６では、既存技術を用いて予め求
めている音声表記（例えば「番号」の場合「baNgou」の
様に記述されている単語辞書）を記録した単語辞書部７
と、予め求められている書き換え規則（例えば、音素/
ｂ/ は、音声事象prevoicing と burst の連鎖で構成
される」「音素/ ｂ,d,g/ のprevoicing は、音素/Ｎ/
に後続する時にスキップされる場合がある」など。）
が記録された書き換え規則部８を用いて、音声事象のネ
ットワークに対応する単語のマルコフモデルすなわち、
単語標準モデルを作成する。得られた単語標準モデル
は、単語標準モデル格納部９に格納される。なお、上述
の例「baNgou」に書き換え規則を適用した結果例は、図
２のような単語標準モデル出力を生む。
準モデルの作成処理部６では、既存技術を用いて予め求
めている音声表記（例えば「番号」の場合「baNgou」の
様に記述されている単語辞書）を記録した単語辞書部７
と、予め求められている書き換え規則（例えば、音素/
ｂ/ は、音声事象prevoicing と burst の連鎖で構成
される」「音素/ ｂ,d,g/ のprevoicing は、音素/Ｎ/
に後続する時にスキップされる場合がある」など。）
が記録された書き換え規則部８を用いて、音声事象のネ
ットワークに対応する単語のマルコフモデルすなわち、
単語標準モデルを作成する。得られた単語標準モデル
は、単語標準モデル格納部９に格納される。なお、上述
の例「baNgou」に書き換え規則を適用した結果例は、図
２のような単語標準モデル出力を生む。
【００１３】次に、音声認識方法について説明する。認
識対象音声は音声データの入力端子１より入力され、学
習用音声データと同様に特徴ベクトルの量子化処理部２
でベクトル量子化された後、確率計算処理部１０に送ら
れる。確率計算処理部では数１式に従い、
識対象音声は音声データの入力端子１より入力され、学
習用音声データと同様に特徴ベクトルの量子化処理部２
でベクトル量子化された後、確率計算処理部１０に送ら
れる。確率計算処理部では数１式に従い、
【数１】
Ｆ： 単語標準マルコフモデル中の最終状態の集合
Ｔ： 入力音声のフレーム長
【数２】
Ｉ： 単語標準マルコフモデル中の初期状態の集合
Ｎw ： 単語標準マルコフモデルに含まれる状態数
ａji： マルコフモデルの状態ｊから状態ｉへの遷移確
率 ｂji（ｋ）： 状態ｊから状態ｉに遷移する時に、量子
化コードｋを出力する確率 αit： 時刻ｔにおいて、状態ｉに存在する確率 αio： 入力が加えられる前の時点で状態ｉに存在して
いる確率 単語標準モデル格納部９に格納されている標準単語モデ
ルから、与えられた音声区間が出力される確率値を計算
し、最も高い確率を与える標準モデルに対応した認識結
果（例えば、単語）を、認識結果出力端子１１に出力す
る。この確率値の計算及び最も確率値が高いものを認識
結果とする処理は、既存の技術（例えば大河内正明：hi
dden Markov model に基づいた音声認識 音響学会誌４
２号１２pp936-941 ）である。
率 ｂji（ｋ）： 状態ｊから状態ｉに遷移する時に、量子
化コードｋを出力する確率 αit： 時刻ｔにおいて、状態ｉに存在する確率 αio： 入力が加えられる前の時点で状態ｉに存在して
いる確率 単語標準モデル格納部９に格納されている標準単語モデ
ルから、与えられた音声区間が出力される確率値を計算
し、最も高い確率を与える標準モデルに対応した認識結
果（例えば、単語）を、認識結果出力端子１１に出力す
る。この確率値の計算及び最も確率値が高いものを認識
結果とする処理は、既存の技術（例えば大河内正明：hi
dden Markov model に基づいた音声認識 音響学会誌４
２号１２pp936-941 ）である。
【００１４】なお、本実施例では、標準モデル作成機能
と音声認識機能を一つの装置として説明したが、それを
機能分離することで、音声認識機能を受け持つ装置を軽
量化できる。
と音声認識機能を一つの装置として説明したが、それを
機能分離することで、音声認識機能を受け持つ装置を軽
量化できる。
【００１５】
【発明の効果】本発明により、約３００単語の標準パタ
ーンであるマルコフモデルを作成するために必要な状態
数が、従来の３状態のマルコフモデルで表現された音素
モデルを使う場合に比べ、約２／３に削減できた。さら
に数１式において、入力音声１フレーム毎に予め全マル
コフ状態の出力確率を求めておく方式を用いた場合、３
状態のマルコフモデルで表現した音素モデルを用いる場
合に比べ計算量が１／３に削減された。 また認識率に
ついても、３状態のマルコフモデルで表現された単語モ
デルを用いた場合、６４％であった認識率が、音声事象
のネットワーク表現に基づく単語モデルを用いた場合７
２％に改善され、本発明の有効性が検証できた。
ーンであるマルコフモデルを作成するために必要な状態
数が、従来の３状態のマルコフモデルで表現された音素
モデルを使う場合に比べ、約２／３に削減できた。さら
に数１式において、入力音声１フレーム毎に予め全マル
コフ状態の出力確率を求めておく方式を用いた場合、３
状態のマルコフモデルで表現した音素モデルを用いる場
合に比べ計算量が１／３に削減された。 また認識率に
ついても、３状態のマルコフモデルで表現された単語モ
デルを用いた場合、６４％であった認識率が、音声事象
のネットワーク表現に基づく単語モデルを用いた場合７
２％に改善され、本発明の有効性が検証できた。
【図１】本発明を適用した装置ブロック図である。
【図２】本発明の音声表記の書き換え規則を説明する例
図である。
図である。
【図３】音素が複数の音声事象から構成される例を示し
た図である。
た図である。
１ 音声データの入力端子
２ 特徴ベクトル量子化処理部
３ 音声事象区間への分割処理部
４ 音声事象標準モデル作成処理
５ 音声事象標準モデル格納部
６ 単語標準モデル作成処理部
７ 単語辞書
８ 書き換え規則
９ 単語標準モデル格納部
１０ 確率計算処理部
１１ 認識結果出力端子
Claims (2)
- 【請求項１】 認識候補として与えられた複数の音声表
記である認識語彙を、音声事象のネットワークの形であ
る単語辞書に書き換えて、それぞれの候補毎に入力され
た音声特徴の時間系列を出力する確率を計算し、最も高
い確率を与える音声表記を認識結果とする音声認識方式
において、 音声事象ごとに音声特徴の標準パターンの確率モデルを
作成し、該確率モデルにより音声認識を行なうことを特
徴とする音声認識方式。 - 【請求項２】 異なる音素に含まれる調音的に類似した
部分を、単一の音声事象に共通化することで、単語辞書
に必要な記憶容量と、確率計算に必要な計算量を削減す
ることを特徴とする、請求項１記載の音声認識方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20363891A JPH0527794A (ja) | 1991-07-19 | 1991-07-19 | 音声認識方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20363891A JPH0527794A (ja) | 1991-07-19 | 1991-07-19 | 音声認識方式 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0527794A true JPH0527794A (ja) | 1993-02-05 |
Family
ID=16477367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP20363891A Withdrawn JPH0527794A (ja) | 1991-07-19 | 1991-07-19 | 音声認識方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0527794A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010082390A (ko) * | 2001-04-12 | 2001-08-30 | 전화성 | 음성인식 속도향상을 위한 에이치엠엠모델의 대분류기법과이상적인 후보검출 |
-
1991
- 1991-07-19 JP JP20363891A patent/JPH0527794A/ja not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010082390A (ko) * | 2001-04-12 | 2001-08-30 | 전화성 | 음성인식 속도향상을 위한 에이치엠엠모델의 대분류기법과이상적인 후보검출 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9812122B2 (en) | Speech recognition model construction method, speech recognition method, computer system, speech recognition apparatus, program, and recording medium | |
| JP5327054B2 (ja) | 発音変動規則抽出装置、発音変動規則抽出方法、および発音変動規則抽出用プログラム | |
| US5333275A (en) | System and method for time aligning speech | |
| US6317712B1 (en) | Method of phonetic modeling using acoustic decision tree | |
| Loizou et al. | High-performance alphabet recognition | |
| US6006186A (en) | Method and apparatus for a parameter sharing speech recognition system | |
| US7181391B1 (en) | Method, apparatus, and system for bottom-up tone integration to Chinese continuous speech recognition system | |
| 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 | |
| JPH073640B2 (ja) | 音声パタンテンプレ−トを発生する装置及び方法 | |
| JP2002304190A (ja) | 発音変化形生成方法及び音声認識方法 | |
| US20020087317A1 (en) | Computer-implemented dynamic pronunciation method and system | |
| Bhatt et al. | Syllable based Hindi speech recognition | |
| Boite et al. | A new approach towards keyword spotting. | |
| Shahnawazuddin et al. | Studying the role of pitch-adaptive spectral estimation and speaking-rate normalization in automatic speech recognition | |
| JP3535292B2 (ja) | 音声認識システム | |
| US5764851A (en) | Fast speech recognition method for mandarin words | |
| Win et al. | Myanmar text-to-speech system based on tacotron-2 | |
| JP4283133B2 (ja) | 音声認識装置 | |
| JP5300000B2 (ja) | 調音特徴抽出装置、調音特徴抽出方法、及び調音特徴抽出プログラム | |
| JP6995967B2 (ja) | 生成装置、認識システム、および、有限状態トランスデューサの生成方法 | |
| Ferreiros et al. | Improving continuous speech recognition in Spanish by phone-class semicontinuous HMMs with pausing and multiple pronunciations | |
| JPH0527794A (ja) | 音声認識方式 | |
| JP3532248B2 (ja) | 学習音声パタンモデル使用音声認識装置 | |
| Salvi | Developing acoustic models for automatic speech recognition | |
| KR19980078532A (ko) | 시간축 상호관계를 이용한 음석인식 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19981008 |