JPH0569440B2 - - Google Patents

Description

【発明の詳細な説明】 〔概要〕 未知入力単語音声から特徴量を抽出してその単
語音声の認識を行う単語音声認識方式に関し、 単語候補を正確に絞り込むことができ、かつ、
高速に認識を行うことの可能な単語音声認識方式
を実現することを目的とし、 入力単語音声の複数の部分の各々から特徴量を
抽出する特徴量抽出手段と、複数の各学習単語音
声に対して特徴量抽出手段で各部分別に特徴量を
抽出した後、各部分別に複数の学習単語音声のク
ラス分けを行うクラス分け手段と、各クラスの代
表特徴量を演算する代表特徴量演算手段と、各ク
ラス毎の代表特徴量及び各クラスに含まれる学習
単語音声の種類を各部分別に辞書として記憶する
辞書記憶手段と、未知入力単語音声に対して特徴
量抽出手段で各部分別に特徴量を抽出した後、各
部分別に辞書記憶手段内の対応する各クラスの代
表特徴量との類似度を演算する類似度演算手段
と、該類似度をもとに前記辞書記憶手段に記憶さ
れている前記各学習単語音声と前記未知入力単語
音声との類似度を演算し、類似度の高い学習単語
音声から順に順位付きの大分類単語候補として出
力する大分類認識手段と、未知入力単語音声の母
音系列を認識する母音系列認識手段と、各学習単
語音声の単語内母音系列を辞書として記憶する母
音系列辞書記憶手段と、該手段から各大分類単語
候補の母音系列を抽出し、母音系列認識手段から
出力される未知入力単語音声の母音系列と各々
DPマツチングを行い、マツチング度の高い大分
類単語候補から順に順位付きの細分類単語候補と
して出力する細分類認識手段とを有するように構
成する。

〔産業上の利用分野〕

本発明は、未知入力単語音声から特徴量を抽出
してその単語音声の認識を行う単語音声認識方式
に関する。

〔従来の技術〕

未知入力単語音声から特徴量を抽出して、その
単語音声の認識を行う場合、通常は未知入力単語
音声の特徴量と予め記憶させておいた学習単語音
声の特徴量とをマツチングさせて、最も類似度の
高い学習単語音声を認識結果とする方式が一般的
である。この場合、１つの単語音声は、複数組の
特徴量の時系列パターンからなつているため、未
知入力単語音声と学習単語音声とのマツチングを
行う場合、未知入力単語音声の特徴量の時系列パ
ターンと学習単語音声の特徴量の時系列パターン
とをどのようにマツチングさせるかによつて、
様々なマツチング方式が考えられる。

最も一般的な第１の従来例としては、未知入力
単語音声の特徴量の時系列パターンの各々と学習
単語音声の特徴量の時系列パターンの各々とを、
各単語の先頭から順に対応させて、各特徴量間の
類似度（距離）を計算し、それを時系列パターン
全体で総和をとることにより単語間の類似度を計
算し、それを全学習単語音声について行い、類似
度の最も高い（距離の最も小さい）学習単語音声
を認識結果とする通常のパターンマツチング方式
がある。

また、第２の従来例として、未知入力単語音声
の特徴量の時系列パターンの各々と学習単語音声
の特徴量の時系列パターンの各々とを、時間軸方
向に非線形に伸縮させながら各特徴量間の距離計
算を繰り返して各単語毎に累積距離を計算し、そ
れを全学習単語音声について行い、累積距離の最
も小さい学習単語音声を認識結果とするDPマツ
チング方式がある。

〔発明が解決しようとする課題〕

しかし、一般に単語音声は、発声時間が一定で
ないため単語長も異なるのが普通であり、従つ
て、前記第１の従来例では、そのような単語長の
違いを考慮していないため、高い認識率を得にく
いという問題点を有している。

一方、前記第２の従来例は、上記単語長の違い
を考慮に入れた方式であり、高い認識率を得るこ
とができるが、各単語毎に時間軸の非線形な伸縮
を行う必要があるため計算量が多く、特に、全て
の学習単語音声についてこの計算を繰り返すと、
全体の計算量は非常に膨大なものとなつてしま
い、リアルタイム処理が困難であるという問題点
を有している。

また、上記第１及び第２の従来例とも、学習単
語音声全てとのマツチングを必要とするため、基
本的に計算量が多いという問題点を有している。

このような問題点を解決するために、未知入力
単語音声を、まず、大まかに分類して単語候補を
絞り込み、そのようにして少数に絞り込まれた単
語候補について詳細な認識を行う方式が考えられ
るが、この場合、単語候補を高速かつ正確に絞り
込むことの可能な認識方式は従来ほとんどなく、
結局、上記のような方式による高速で認識率の高
い単語音声認識方式は、実現するのが困難である
という問題点を有している。

本発明は、単語候補を正確に絞り込むことがで
き、かつ、高速に認識を行うことの可能な単語音
声認識方式を実現することを目的とする。

〔課題を解決するための手段〕

第１図は、本発明のブロツク図である。

特徴量抽出手段１０１は、入力単語音声の複数
の部分の各々から特徴量を抽出する手段であり、
例えば入力単語音声の各フレーム毎にケプストラ
ム係数等の特徴ベクトルを計算し、その後入力単
語音声を複数の部分（部分パターン）に分割し、
各部分毎に上記特徴ベクトルの平均を求めて、各
部分毎の特徴量を演算する手段により実現され
る。

クラス分け手段１０２は、辞書作成時に使用さ
れ、複数の各学習単語音声１１０に対して特徴量
抽出手段１０１で各部分別に特徴量が抽出された
後、各部分別に複数の学習単語音声１１０のクラ
ス分けを行う手段であり、例えば各部分別の特徴
量のクラスタリングを行う手段によつて実現され
る。

代表特徴量演算手段１０３は同じく辞書作成時
に使用され、上記クラス分け手段１０２によつて
各部分別にクラス分けされた各クラス毎の代表特
徴量（標準部分パターン）を演算する手段であ
り、例えば各クラスに含まれる学習単語音声１１
０の対応する部分の特徴量の平均を計算して代表
特徴量とする手段によつて実現される。

辞書記憶手段１０４は、各クラス毎の代表特徴
量及び各クラスに含まれる学習単語音声の種類を
各部分別に辞書として記憶する手段であり、例え
ばROM（リードオンリーメモリ）あるいはデイ
スク記憶手段によつて実現される。

次に、類似度演算手段１０５は未知入力単語音
声１１１の認識時に使用され、未知入力単語音声
１１１に対して、特徴量抽出手段１０１で各部分
別に特徴量が抽出された後、各部分別に辞書記憶
手段１０４内のその部分に対応する各クラスの代
表特徴量との類似度を演算する手段であり、例え
ば特徴量間のユークリツド距離を演算する手段に
より実現される。

大分類認識手段１０６は同じく未知入力単語音
声１１１の認識時に使用され、類似度演算手段１
０５で演算された類似度をもとに、辞書記憶手段
１０４に記憶されている各学習単語音声１１０と
未知入力単語音声１１１との類似度を演算し、類
似度の高い学習単語音声から順に順位付きの大分
類認識手段１１２として出力する手段である。同
手段は、例えばある学習単語音声１１０につき、
各部分別にその学習単語音声１１０が含まれるク
ラスを辞書記憶手段１０４を参照して求め、その
クラスについて類似度演算手段１０５で演算され
ている類似度を参照・抽出し、全ての部分につい
て抽出された類似度の総和を計算してその学習単
語音声１１０についての類似度とする手段と、こ
の処理を全ての学習単語音声１１０に繰り返す手
段と、このようにして得られる各学習単語音声１
１０の類似度のうち、類似度の高い学習単語音声
から順に選択して大分類認識手段１１２として出
力する手段とによつて実現される。

一方、母音系列認識手段１０７は、大分類認識
手段１０６における大分類認識処理の後の細分類
認識処理時に使用され、上記処理とは独立して、
未知入力単語音声１１１の母音系列を認識する手
段であり、例えば予め記憶している５母音の特徴
量と未知入力単語音声１１１の各フレーム毎の特
徴量とをマツチングさせ、各フレーム毎に母音系
列を認識・抽出する手段によつて実現される。

母音系列辞書記憶手段１０８は、各学習単語音
声１１０の単語内母音系列を辞書として記憶する
手段である。

細分類認識手段１０９は、前記大分類認識手段
１０６による大分類認識処理の後に使用され、大
分類認識手段１０６から出力される各大分類単語
候補１１２の母音系列を母音系列辞書記憶手段１
０８から抽出し、母音系列認識手段１０７から出
力される未知入力単語音声１１１の母音系列と
各々DPマツチングを行つて、マツチング度の高
い大分類単語候補から順に順位付きの細分類単語
候補１１３として出力する手段である。

〔作用〕

上記手段における作用につき以下に説明を行
う。

始めに、大分類認識処理の前提となる辞書作成
処理について説明を行う。

まず、特徴量抽出手段１０１において、複数
の学習単語音声１１０を順次入力した後、各学
習単語音声１１０を同一の複数の部分に分割
し、各部分別に全学習単語音声１１０の特徴量
を抽出する。

次に、クラス分け手段１０２が上記複数の各
部分を順次決定し、その部分に対応する各学習
単語音声１１０の特徴量に基づいて複数の学習
単語音声１１０のクラス分けを実行する。

その後、代表特徴量演算手段１０３におい
て、上記処理によつてクラス分けされた各クラ
スの代表特徴量が演算される。

そして、各クラスの代表特徴量及び各クラス
に含まれる学習単語音声の種類が辞書記憶手段
１０４に記憶される。

以上の〜の処理は、前記複数の各部分全て
について独立に実行される。そして、全ての処理
が終了したら、辞書作成の処理を終了する。

上記処理により、まず、学習単語音声が複数の
部分に分割され、更に、各部分毎にクラス分けさ
れ、辞書には各クラスの代表特徴量のみが記憶さ
れるため、全体の記憶容量は、全ての学習単語音
声１１０の特徴量を記憶した場合に比較して、ク
ラス分けの分割数に応じて減少する。なお、各ク
ラスに含まれる学習パターンの種類を記憶するの
に必要な記憶容量は、特徴量の記憶容量に比較し
て小さいので、全体的に見ても辞書の記憶容量を
減らすことができる。

次に、大分類認識処理について説明を行う。

まず、特徴量抽出手段１０１において、未知
入力単語音声１１１を入力し、それを前記学習
単語音声１１０と同一の複数の部分に分割して
各部分別に特徴量を抽出する。

次に、類似度演算手段１０５が上記複数の各
部分を順次決定し、その部分に対応する未知入
力単語音声１１１の特徴量と、辞書記憶手段１
０４内の上記部分に対応する各クラスの代表特
徴量との類似度が演算される。

上記の処理を全ての部分について繰り返
す。

その後、大分類認識手段１０６が、辞書記憶
手段１０４に記憶されているある学習単語音声
１１０について、その学習単語音声が含まれる
各部分毎のクラスの類似度からその学習単語音
声の類似度を演算する。

上記の処理を全ての学習単語音声について
繰り返す。

上記の処理の結果、類似度の高い学習単語
音声から順に順位付けをして、大分類単語候補
１１２として出力する。

上記大分類認識処理により、未知入力単語音声
１１１と学習単語音声１１０との類似度の計算
は、各部分毎に各クラスの代表特徴量とのみ行え
ばよいため、全ての学習単語音声１１０との間で
類似度の計算をするのに比べ、大幅に計算量を削
減することができる。

次に、細分類認識処理について説明を行う。

まず、上記大分類認識処理からは独立して、
母音系列認識手段１０７において未知入力単語
音声１１１の母音系列が認識される。

次に、前記大分類認識処理により大分類認識
手段１０６から出力される大分類単語候補１１
２を細分類認識手段１０９に入力させ、各大分
類単語候補１１２の母音系列を母音系列辞書記
憶手段１０８を参照して抽出する。

抽出された母音系列のうち、各大分類単語候
補１１２に対応する母音系列と前記母音系列認
識手段１０７から出力される未知入力単語音声
１１１の母音系列とでDPマツチングを行う。

上記の処理を、全ての大分類単語候補１１
２について繰り返す。

上記のの処理の結果、マツチング度の高い
学習単語音声から順に順位付けをして、細分類
単語候補１１３として出力する。

上記細分類認識処理により、前記大分類認識処
理で認識された大分類単語候補１１２の順位が更
に絞り込まれ、最終的に正確な順位付けがなされ
た細分類単語候補１１３を得ることができる。こ
の場合、大分類単語候補１１２に元々10位程度ま
で候補数が絞られており、また、一単語候補あた
りの母音系列の数もそれほど多くない（数個）た
め、各大分類単語候補１１２の母音系列と未知入
力単語音声１１１の母音系列とのDPマツチング
は、高速に行うことが可能である。

以上に示したように、本発明では、単語候補に
基づく単語音声の認識を行う場合、まず、大分類
認識処理によりおおまかな大分類単語候補１１２
を得て、更に、細分類認識処理により大分類単語
候補１１２を絞り込んで細分類単語候補１１３を
得ることを特徴とする。このような２段階の方式
により、単語候補の計算を高速かつ正確に行うこ
とが可能となる。そして、このようにして候補数
が絞り込まれた細分類単語候補１１３に対して、
再度DPマツチング等による最終的な認識を行う
ことにより、始めからDPマツチング等を行う認
識方式に比較して、大幅に計算量が少なく、か
つ、同等かそれ以上の認識率の単語音声認識シス
テムを実現することができる。

なお、母音系列認識手段１０７から出力される
未知入力単語音声１１１の母音系列は、複数の母
音系列候補が出力されるようにし、細分類認識手
段１０９における各大分類単語候補１１２の母音
系列とのDPマツチングも、上記複数の母音系列
候補に対して行なうことにより、母音系列認識手
段１０７における母音認識誤りによる影響を最小
限に抑えることができる。

また、その場合に、未知入力単語音声１１１の
複数の母音系列候補に順位を付加し、DPマツチ
ングの際にその順位に応じた重みを付加すること
により、より妥当なマツチングを行うことができ
る。

〔実施例〕

以下、本発明の実施例につき詳細に説明を行
う。

｛本実施例の構成｝ 第２図は、本発明による単語音声認識装置の実
施例の全体構成図である。

入力音声２０９は、まず、前処理部２０１に入
力し、ここで、単語区間の切り出し、線形正規
化、音声分析等の各処理（後述する）が実行さ
れ、線形正規化された特徴ベクトル時系列パター
ン２１０を出力する。

この特徴ベクトル時系列パターン２１０は、部
分パターン抽出部２０２に入力し、ここで部分パ
ターン２１１が得られる。

続いて、部分パターン２１１は部分パターン間
距離テーブル演算部２０３に入力し、ここで標準
部分パターン辞書部２０４に予め記憶されている
各標準部分パターンとの距離が演算され、部分パ
ターン間距離テーブル２１２が作成される。

部分パターン間距離テーブル２１２は、大分類
認識部２０５に入力し、ここで単語辞書部２０６
が参照されながら部分パターン間距離テーブル２
１２に基づいて各単語毎の距離が演算され、その
演算結果に基づいて単語認識が行われことによ
り、大分類単語候補２１３が出力される。

大分類単語候補２１３は、更に、細分類認識部
２０７に入力する。細分類認識部２０７では、入
力音声２０９を再び入力して、細分類認識を行
う。このとき、単語内母音系列辞書部２０８を参
照しながら細分類認識を行い、その結果、最終的
な細分類単語候補２１４が得られる。

｛本実施例の動作｝ 上記の構成の本実施例の動作につき、以下に説
明を行う。

前処理部の動作 まず、第２図の前処理部２０１の動作につき説
明を行う。第３図は、前処理部２０１の動作フロ
ーチヤートを示した図である。以下、これに従つ
て説明を行う。

まず、入力した入力音声２０９は、9kHz，
60dB／octのローパスフイルタ（LPF）に通され
る（S301）。

続いて、24kHz，12bitの符号付きでＡ／Ｄ変換
され、デイジタル音声信号に変換される
（S302）。

次に、この信号に対して、パワーの時間的な変
化が演算され、第４図のようにして得られたパワ
ーパターン４０１に対して、一定閾値４０２を設
定することにより、同図に示すような単語区間４
０３が自動的に切り出される（S303）。

次に、このようにして切り出された単語区間
は、時間方向に48フレームに線形正規化される
（S304）。ここで、フレームとは、次に説明する
音声分析の基本的な時間単位であり、１フレーム
は21.3msecである。

次に、各フレーム毎に音声分析を行う（S305
→S309→S305のループ）。

すなわち、前記のようにして線形正規化された
デイジタル音声信号の先頭から順に、時間長
21.3msec（512ポイント）のHamming Window
が乗算され、各フレームのデイジタル音声信号が
切り出される（S305）。

このようにして切り出された各フレームのデイ
ジタル音声信号に対して、512ポイントのFFT
（高速フーリエ変換）分析を行い、パワースペク
トルに変換する（S306）。

求められた512ポイントパワースペクトルに対
して、メル等間隔の50チヤネルのバンドパスフイ
ルタ（BPF）によつて、分割及び統合を行い、
周波数軸をメル尺度に変換する（S307）。

そして、ケプストラム分析により、10次までの
ケプストラム係数（x1′，x2′，…，x10′）を求め
る（S308）。但し、求められたケプストラム係数
は次式のように正規化される。

x_i＝x_i′／₁₀ 〓xiⁱ⁼¹ ′² …(1) 以上の処理を、１単語区間の48フレーム全てに
ついて繰り返し（S309→S305）、これにより得ら
れる48フレーム分の上記(1)式により正規化された
ケプストラム係数を、特徴ベクトルとして第２図
の前処理部２０１から出力する。

標準部分パターン・単語辞書作成処理 本実施例では、上記のようにして得られる特徴
ベクトルを用いて、単語認識を行う。ここで、後
述する単語認識を行う場合、第２図に示される標
準部分パターン辞書部２０４及び単語辞書部２０
６に、各々標準部分パターン及び単語辞書を予め
登録しておく必要がある。そこでまず、単語認識
処理の前に、標準部分パターンと単語辞書の作成
処理について説明を行う。

まず、前処理部２０１で入力音声２０９の学習
パターンを処理し、これにより得られる時間方向
にｎフレーム（前記説明ではｎ＝48フレーム）に
線形正規化された単語音声W_kの特徴ベクトルの
時系列パターンを、 W_k＝（X_k1，X_k2，…，X_ko） …(2) ｋ＝１，２，…，Ｎ と表す（第４図参照）。但し、Ｎは単語の種数、
X_kt（ｔ＝１，２，…，ｎ）は単語W_kの時間方向
ｔフレーム目の特徴ベクトル（１〜10次のケプス
トラム係数からなる）である。

次に、上記(2)式の特徴ベクトルの時系列パター
ンは、第２図の部分パターン抽出部２０２に入力
し、ここで第６図の斜線のように、単語音声W_k
の特徴ベクトル時系列パターンにマスクΨ_n（ｍ＝
１〜Ｍ）を施して、部分パターンw^(m) _kを抽出す
る。すなわち、 w^(m) _k＝Ψ_n（W_k） …(3) なる演算を行う。上記(3)式の演算をＮ種の単語音
声W₁，W₂，…，W_Nの各特徴ベクトル時系列パ
ターンに対し行つて得た部分パターンの集合を、 ｛w^(m) ₁，w^(m) ₂，…，w^(m) _N｝ …(4) ｍ＝１，２，…，Ｍ で表す。

ここでいま、上記(4)式の部分パターンの集合の
うち、１つのマスクΨ_nに対応する部分パターン
w^(m) _kに着目して、Ｎ種の単語音声W₁，W₂，…，
W_NをＴ個のクラスC^(m) _i（ｉ＝１〜Ｔ）に分ける。
このクラス分けは、最遠隣法によるクラスタリン
グアルゴリズムにより次の手順で行われる。但
し、Ｎ＞Ｔ，C^(m) _iはマスクΨ_nに対応する部分パ
ターンのｉ番目のクラスを表す。

C^(m) _i＝｛w^(m) _i｝，（ｉ＝１，２，…，Ｎ） count＝Ｎ すなわちここでは、初期値としてＮ個のクラ
スに分かれており、各クラスは各々１ つずつ
の部分パターンw^(m) _iから構成される。なお、
countはクラスの分割数を表す変数であり、後
述するようにcount＝Ｔとなつた時点でクラス
タリングを終了する。

Ｄ（C^(m)′_i，C^(m)′_j）＝^min _i,j｛Ｄ（C^(m) _i，C^(m
) _j）｝ を満たすC^(m)′_i，C^(m)′_jを見いだす。但し、 Ｄ（C^(m) _i，C^(m) _j）＝ max｛ｄ（w^(m) _p，w^(m) _q）｝ w^(m) _p∈C^(m) _i，w^(m) _q∈C^(m) _j ｄ（w^(m) _p，w^(m) _q）＝ 〓ｔ（w^(m) _pt−w^(m) _qt）² …(5) ここで、w^(m) _pt，w^(m) _qtは、各々部分パターン
w^(m) _p，w^(m) _q内の時間方向ｔフレーム目の特徴ベ
クトルであり、上式により定義されるｄ（w^(m) _p，
w^(m) _q）は、部分パターンw^(m) _pとw^(m) _qのユークリ
ツド距離を示す。

C^(m)′_iとC^(m)′_jを統合して１つのクラスとす
る。

count＝count−１ もし、countがＴに等しくなければ〜を
繰り返し、Ｔに等しければクラスタリングの処
理を終了する。

以上のクラスタリングアルゴリズムにより、１
つのマスクΨ_nに対応するＮ種の単語音声W₁，
W₂，…，W_Nの各部分パターンw^(m) _k（ｋ＝１〜
Ｎ）がＴ個のクラスC^(m) _i（ｉ＝１〜Ｔ）にクラス
分けされる。

次に、上記のようにして求まつたマスクΨ_nに
対応するＴ個のクラスの標準部分パターン^(m) _i
（ｉ＝１〜Ｔ）を計算する。この処理は各クラス
C^(m) _i（ｉ＝１〜Ｔ）毎に、そのクラスに含まれる
部分パターンの平均値として計算され、各クラス
に含まれる単語音声のマスクΨ_nに対応する部分
パターンは、その部分パターンが含まれるクラス
の標準部分パターンによつて代表される。

上記クラスタリング処理及び標準部分パターン
作成処理の様子を、マスクΨ₁に対する例として
第７図に示す。

以上の処理を、Ｎ種の単語音声W₁，W₂，…，
W_Nの各マスクΨ₁〜Ψ_Mに対して同様に行う。こ
れによりＮ種の単語音声W₁，W₂，…，W_Nは、
各マスク毎に独立してＴ個のクラスにクラス分け
されることがわかる。そして、これとともに計算
される標準部分パターン^(m) _i（ｉ＝１〜Ｔ），
（ｍ＝１〜Ｍ）が、第２図の標準部分パターン辞
書部２０４に記憶される。

次に、上記クラスタリングの処理により、Ｎ種
の単語音声W₁，W₂，…，W_Nが各マスクΨ₁〜Ψ_M
ごとに、各々Ｔ個のクラスのうちどのクラスにク
ラス分けされたかを、第２図の単語辞書部２０６
に記憶する。単語辞書の例を第８図に示す。すな
わち、Ｎ種の各単語音声W₁，W₂，…，W_Nごと
に、各マスクΨ₁〜Ψ_Mにおけるクラス番号が記憶
される。この単語辞書により、各単語音声W₁，
W₂，…，W_Nは、各マスクΨ₁〜Ψ_Mごとに含まれ
るクラスの標準部分パターンを、全マスクにわた
り集合させたもので表現できることがわかる。

大分類認識処理 以上のように作成された標準部分パターン及び
単語辞書に基づき、入力音声２０９の大分類認識
を行う。

まず、未知の入力単語は、前記標準部分パター
ン作成処理の場合と同様にして、第２図の前処理
部２０１で特徴ベクトル時系列パターン２１０が
計算された後、部分パターン抽出部２０２で部分
パターンに分割される（第５図、第６図参照）。
今、未知入力単語をW^とし、W^と辞書単語W_kと
の距離Ｄ（W^，W_k）を次式で定義する。

Ｄ（W^，W_k）＝〓ｍd^(m) _c(k,n) …(6) 但し、 d^(m) _c(k,n)＝ｄ（^(m) _c(k,n)，w^^(m)） …(7) W^^(m)＝Ψ_n（W^） …(8) ここで、ｃ（ｋ，ｍ）及び^(m) _c(k,n)は、各々マ
スクΨ_nにおいて、W_kが属するクラスの番号及び
そのクラスを代表する標準部分パターンである。
従つて、d^(m) _c(k,n)は、標準部分パターン^(m) _c(k,n)
と、未知入力単語W^の部分パターンw^^(m)との距離
であるため（前記(5)式の定義による）、上記(6)式
で定義される未知入力単語W^と辞書単語W_kとの
距離は、各マスクΨ₁〜Ψ_Mにおける未知入力単語
の部分パターンと辞書単語の標準部分パターンと
の距離を、マスク全体にわたつて総和をとつたも
ので与えられる。第９図に、未知入力単語W^と辞
書単語W₁との距離の計算処理の例を示す。

本実施例における大分類認識では、上記距離計
算を第２図の全ての辞書単語W₁〜W_Nについて行
うが、この場合、各辞書単語毎にその辞書単語が
属するクラスの標準部分パターンとの距離をいち
いち計算する必要はない。なぜならば、１つのク
ラスには複数の辞書単語が含まれるからである。
従つて、まず、各辞書単語との距離計算を行う前
に、第２図の部分パターン間距離テーブル演算部
２０３において、予め各マスクΨ_n（ｍ＝１〜Ｍ）
毎に、未知入力単語W^の部分パターンw^^(m)と、標
準部分パターン辞書部２０４に記憶されている各
クラスC^(m) _iの標準部分パターン^(m) _iとの距離d^(m) _i
（ｉ＝１〜Ｔ）を求め、第１０図に示すような部
分パターン間距離テーブル２１２として出力す
る。

上記処理によつて得られた部分パターン間距離
テーブル２１２に基づいて、第２図の大分類認識
部２０５において、次のように未知入力単語W^と
全ての辞書単語W₁〜W_Nとの距離計算を行う。

すなわち、今、未知入力単語W^と特定の辞書単
語W_kとの距離計算を前記(6)〜(8)式に基づいて行
う場合、各マスクΨ_n毎のW_kが属するクラスの標
準部分パターン^(m) _c(k,n)と、未知入力単語W^の部
分パターンw^^(m)との距離d^(m) _c(k,n)は、必ず部分パ
ターン間距離テーブル２１２に存在するため、距
離テーブルからその値を選んで前記(6)式の計算を
行えばよい。

以上の処理を全辞書単語W₁〜W_Nについて行
い、その結果、単語間距離が小さい上位所定順位
までの辞書単語を、第２図の大分類単語候補２１
３として出力する。

大分類認識処理の認識性能の検討 以上に説明した大分類認識までの処理におい
て、第２図の前処理部２０１から出力される48フ
レームに線形正規化された特徴ベクトル時系列パ
ターン２１０に対して、マスクΨ₁〜Ψ_Mの数Ｍを
12〜16（マスク長は４〜３フレーム）、クラス分け
の数Ｔを25程度にし、認識を行うべき単語の種類
Ｎを212程度にした場合、10位認識率（10位まで
の大分類単語候補２１３（第２図）が正しい割
合）は99.6％となり、高い大分類認識率を得るこ
とができる。この認識率は、10位認識率に関する
限り、前記「従来の技術」の項で示した第１の従
来例のパターンマツチング方式又は第２の従来例
のDPマツチング方式とほぼ同等の認識率である。

そして、本実施例における大分類認識方式の場
合、マスク毎にマツチングする回数は各辞書単語
数Ｎではなく、各クラス数Ｔでよいため、計算量
を大幅に削減でき、第１の従来例のパターンマツ
チング方式に比較して1/10程度に計算量を削減す
ることができ、また、第２の従来例のDPマツチ
ング方式に比較して1/200程度に計算量を削減す
ることができるため、10位程度までの大分類単語
候補２１３を得るための大分類認識手法としては
非常に有効な手段であることがわかる。

細分類認識処理 上記大分類認識処理により、10位程度までの大
分類単語候補２１３（第２図）には、高い確率で
正しい認識結果が含まれるようにすることができ
る。そこで、この大分類単語候補２１３を用い
て、第２図の細分類認識部２０７において10位程
度までの大分類単語候補２１３を再認識し、更に
上位まで絞り込むことにより、最終的に更に高い
認識率の細分類単語候補２１４を得る。以下、細
分類認識処理について説明を行う。

まず、全体的な処理動作につき、簡単な説明を
行う。本実施例による細分類認識処理では、第２
図の単語内母音系列辞書部２０８に、前記大分類
認識処理で用いたＮ種の各辞書単語毎の単語内の
母音の系列が、予め母音ラベルとして登録されて
いる。

そしてまず、入力音声２０９として入力する未
知入力単語について、適当な母音認識処理により
母音認識を行い、未知入力単語に対応する母音系
列を求める。母音認識手法としては、最も簡単な
ものでは、「ア、イ、ウ、エ、オ」の５母音の各
特徴量（前記ケプストラム係数等）を辞書として
持つておき、未知入力単語の各フレーム毎に求め
た特徴量とマツチングさせることにより、各フレ
ーム毎の母音系列を求める方式がある。その他、
様々な従来方式があるが、本実施例では、１位認
識率が92％程度のものであれば、どのような方式
を用いてもよい。

一方、第２図の大分類認識部２０５から出力さ
れる大分類単語候補２１３の各母音系列を、単語
内母音系列辞書部２０８を参照することにより求
める。

上記のようにして求めた未知入力単語の母音系
列と大分類単語候補２１３の母音系列とについ
て、後述するDPマツチングアルゴリズムにより
DPマツチングを行い、一致しなものを大分類単
語候補２１３から削除し、最終的な細分類単語候
補２１４を出力する。

以上の処理の具体的動作につき次に説明を行
う。

まず、前記したように未知入力単語に対する母
音認識処理では、切り出しミス等が発生しうるた
め、一般に未知入力単語の母音系列数と、大分類
単語候補２１３の各母音系列数は、一致しない場
合がある。そこで、本実施例では母音の数を限定
せずに、DPマツチング法によりマツチングを行
う。また、未知入力単語に対する母音認識処理が
誤る可能性があることを考慮し、母音認識処理で
得られる未知入力単語の母音系列の２位候補まで
をマツチングの対象とする。以上の処理が本実施
例の特徴である。

具体的には、未知入力単語W^に対して母音認識
処理により認識された母音系列を〓＾とし、 〓＾＝（〓＾₁，〓＾₂，…，〓＾_I） …(9) 〓＾_i＝（v^_i′，v^_i″ …(10) ｛v^_i′，v^_i″｝ ＝｛／ａ／，／ｉ／，／ｕ／，／ｅ／，／
ｏ／｝ ｉ＝１，２，…，Ｉ …(11) とする。ここで、Ｉは未知入力単語W^の母音数で
ある。また、v^_iは未知入力単語W^に対して母音認
識処理により認識された母音系列の中でｉ番目の
母音を表し、v^_i′とv^_i″は各々ｉ番目の母音の第１
候補と第２候補である。

一方、大分類単語候補２１３として得られる単
語候補W_k（10位までとすればｋ＝１，２，…，
10）の母音系列をV_kとし、 〓_k＝（v_k1，v_k2，…，v_kJ） …(12) ｛v_kj｝＝｛／ａ／，／ｉ／，／ｕ／，／
ｅ／，／ｏ／｝ ｊ＝１，２，…，Ｊ …(13) とする。ここで、Ｊは単語候補W_kの母音数であ
る。また、v_kjは単語候補W_kの母音系列の中でｊ
番目の母音を表す。

上記未知入力単語W^の母音系列〓＾と単語候補
W_kの母音系列V_kとのマツチングは、DPマツチ
ングアルゴリズムで累積距離Ｄ（Ｉ，Ｊ）を求め
ることにより、その大小を比較判定することによ
りマツチングを行う。

すなわち、未知入力単語W^の母音系列〓＾と単
語候補W_kの母音系列〓_kの累積距離Ｄ（Ｉ，Ｊ）
は、以下の漸化式で与えられるDPマツチングア
ルゴリズムにより計算される。

初期値設定 Ｄ（０，０）＝０ Ｄ（ｉ，０）＝Ｄ（ｉ，−１）＝Ｄ（０，ｊ）＝Ｄ（
−
１，ｊ）＝∞ （ｉ＝１，２，…，Ｉ ｊ＝１，２，…，
Ｊ） 漸化式 Ｄ（ｉ，ｊ）＝min（d1，d2，d3）／（Ｉ＋Ｊ） d1＝Ｄ（ｉ，ｊ−１）＋dis（ｉ，ｊ） d2＝Ｄ（ｉ−１，ｊ−１）＋２・dis（ｉ，ｊ） d3＝Ｄ（ｉ−１，ｊ）＋dis（ｉ，ｊ） dis（ｉ，ｊ）＝０；if（v_kj＝v^_i′ or v_kj＝v^_i″） １；otherwise …(14) （ｉ＝１，２，…，Ｉ ｊ＝１，２，…，
Ｊ） 正規化 Ｄ（Ｉ，Ｊ）＝Ｄ（Ｉ，Ｊ）／（Ｉ＋Ｊ） 今、例として、未知入力単語W^と単語候補W_k
の各母音系列〓＾，〓_kが、 〓＾＝（〓＾₁，〓＾₂，〓＾₃）すなわち、Ｉ＝
３ 〓＾₁＝（v^₁′，v^₁″）＝｛／ａ／，／ｏ／｝ 〓＾₂＝（v^₂′，v^₂″）＝｛／ｏ／，／ａ／｝ 〓＾₃＝（v^₃′，v^₃″）＝｛／ｉ／，／ｅ／｝ 〓_k＝（v_k1，v_k2）すなわち、Ｊ＝２ v_k1＝／ａ／ v_k2＝／ｉ／ なる母音系列を有しているとする。この場合の〓
＾と〓_kの累積距離Ｄ（Ｉ，Ｊ）は、前記から
のDPマツチングアルゴリズムに従つて計算され、
そのDPパスは第１１図に示すようになる。この
結果、累積距離Ｄ（Ｉ，Ｊ）＝０となる。すなわ
ち、未知入力単語W^の母音系列〓＾と単語候補
W_kの母音系列V_kの累積距離は最小となり、結
局、第２図の大分類単語候補２１３として得られ
る単語候補W_kは、未知入力単語W^に対する第２
図の細分類単語候補２１４として残ることがわか
る。

細分類認識処理の認識性能の検討 以上の細分類認識処理により、大分類単語候補
２１３の10位認識率が99.6％であつたのが、細分
類認識候補２１４の10位認識率は99.8％に向上
し、同じく15位認識率は99.86％にまで高めるこ
とができた。また、大分類単語候補２１３で10位
まで絞られた単語候補を、細分類認識候補２１４
では８位に、同じく30位の単語候補を15位にまで
絞り込むことができる。

この場合に、大分類単語候補２１３の数は元々
少ない数に絞り込まれており、また、各単語毎の
母音系列の数も少ない（数個）ため、単語候補
W_kと未知入力単語W^の母音系列のDPマツチング
は高速に行うことができる。

本実施例の適用 本実施例は、未知入力単語である入力音声２０
９（第２図）に対する単語候補を、細分類単語候
補２１４として求める方式について説明したもの
である。このようにして単語候補が得られた後
は、細分類単語候補２１４から更に詳細認識を行
つて最終的な認識結果を得ればよい。そのための
方式としては、様々な方式が考えられるため、こ
こでは詳細には言及しないが、例えば細分類単語
候補２１４と入力音声２０９とについて更にDP
マツチングを行うことにより、マツチング度の最
も高い方式を最終認識結果とすることが考えられ
る。

そして、このように大分類認識処理及び細分類
認識処理の２段階の認識処理の後に、上記のよう
なDPマツチングを行つたとしても、始めから直
接DPマツチングを行う場合に比較して、計算量
を大幅に減らすことができ、かつ、認識率も同等
かそれ以上にすることが可能となる。

細分類認識処理の第２の実施例 以上の実施例での細分類認識処理においては、
未知入力単語W^の母音系列〓＾の各母音〓＾_iは、
前記(10)式に示したように第２候補まで用いてお
り、それを用いたDPマツチングにおける距離計
算は、前記(14)式に示したように第１候補及び第
２候補共に同じ重みで計算している。すなわち、
前記(14)式における距離dis（ｉ，ｊ）の計算にお
いて、単語候補W_kの母音系列〓_kの母音v_kjが第１
候補v^_i′又は第２候補v^_i″に等しい場合に、距離を
０としている。

これに対して、第２の実施例においては、前記
（１４）式の距離dis（ｉ，ｊ）の計算時に、単語候補
W_kの母音系列〓_kの母音v_kjが、第１候補〓＾_i′に
等しい場合と、第２候補v^_i″に等しい場合とでこ
となる距離を与えるようにする。すなわち、第１
候補v^_i′に等しい場合は距離を０とし、一方、第
２候補v^_i″に等しい場合は距離を０と１の間の値
で与えるようにする。

これにより第１候補の方により大きな重み付加
されるため、より妥当な細分類認識処理を行うこ
とが可能となる。

〔発明の効果〕

本発明によれば、大分類認識処理における未知
入力単語音声と学習単語音声との類似度の計算
は、各部分毎に各クラスの代表特徴量とのみ行え
ばよいため、全ての学習単語音声との間で類似度
の計算をするのに比べ、大幅に計算量を削減する
ことができる。

また、細分類認識処理により、大分類認識処理
で認識された大分類単語候補の順位が更に絞り込
まれ、最終的に正確な順位付けがなされた細分類
単語候補を得ることができる。この場合、大分類
単語候補は候補数が絞られており、また、一単語
候補あたりの母音系列の数もそれほど多くないた
め、各大分類単語候補の母音系列と未知入力単語
音声の母音系列とのDPマツチングは、高速に行
うことが可能である。

特にこの場合、母音系列認識手段から出力され
る未知入力単語音声の母音系列は、複数の母音系
列候補が出力されるようにし、細分類認識手段に
おける各大分類単語候補の母音系列とのDPマツ
チングも、上記複数の母音系列候補に対して行な
うことにより、母音系列認識手段における母音認
識誤りによる影響を最小限に抑えることができ
る。

更に、その場合に、未知入力単語音声の複数の
母音系列候補に順位を付加し、DPマツチングの
際にその順位に応じた重みを付加することによ
り、より妥当なマツチングを行うことができる。

以上のように、本発明では、単語候補に基づく
単語音声の認識を行う場合、まず、大分類認識処
理によりおおまかな大分類単語候補を得て、更
に、細分類認識処理により大分類単語候補を絞り
込んで細分類単語候補を得るという２段階の方式
により、単語候補の計算を高速かつ正確に行うこ
とが可能となる。そして、このようにして候補数
が絞り込まれた細分類単語候補に対して、最終的
な認識を行うことにより、始めからDPマツチン
グ等を行う認識方式に比較して、大幅に計算量が
少なく、かつ、同等かそれ以上の認識率の単語音
声認識システムを実現することができる。

【図面の簡単な説明】

第１図は、本発明のブロツク図、第２図は、本
発明の実施例の全体構成図、第３図は、前処理部
の動作フローチヤートを示した図、第４図は、単
語区間の自動切り出し処理の説明図、第５図は、
単語音声の特徴ベクトルの時系列パターンを示し
た図、第６図は、部分パターンの抽出処理の説明
図、第７図は、標準部分パターン作成処理の説明
図、第８図は、単語辞書を示した図、第９図は、
未知入力単語と辞書単語の距離の計算例の説明
図、第１０図は、部分パターン間距離テーブルの
作成動作説明図、第１１図は、母音系列間の累積
距離の求め方の説明図である。 １０１……特徴量抽出手段、１０２……クラス
分け手段、１０３……代表特徴量演算手段、１０
４……辞書記憶手段、１０５……類似度演算手
段、１０６……大分類認識手段、１０７……母音
系列認識手段、１０８……母音系列辞書記憶手
段、１０９……細分類認識手段、１１０……学習
単語音声、１１１……未知入力単語音声、１１２
……大分類単語候補、１１３……細分類単語候
補。

Claims (1)

1. 【特許請求の範囲】 １ 入力単語音声の複数の部分の各々から特徴量
   を抽出する特徴量抽出手段１０１と、 複数の各学習単語音声１１０に対して前記特徴
   量抽出手段１０１で前記各部分別に特徴量を抽出
   した後、前記各部分別に前記複数の学習単語音声
   １１０のクラス分けを行うクラス分け手段１０２
   と、 該各クラスの代表特徴量を演算する代表特徴量
   演算手段１０３と、 該各クラス毎の代表特徴量及び該各クラスに含
   まれる前記学習単語音声１１０の種類を前記各部
   分別に辞書として記憶する辞書記憶手段１０４
   と、 未知入力単語音声１１１に対して前記特徴量抽
   出手段１０１で前記各部分別に特徴量を抽出した
   後、前記各部分別に前記辞書記憶手段１０４内の
   対応する前記各クラスの代表特徴量との類似度を
   演算する類似度演算手段１０５と、 該類似度をもとに前記辞書記憶手段１０４に記
   憶されている前記各学習単語音声１１０と前記未
   知入力単語音声１１１との類似度を演算し、類似
   度の高い学習単語音声から順に順位付きの大分類
   単語候補１１２として出力する大分類認識手段１
   ０６と、 前記未知入力単語音声１１１の母音系列を認識
   する母音系列認識手段１０７と、 前記各学習単語音声１１０の単語内母音系列を
   辞書として記憶する母音系列辞書記憶手段１０８
   と、 該手段から前記各大分類単語候補１１２の母音
   系列を抽出し、前記母音系列認識手段１０７から
   出力される前記未知入力単語音声１１１の母音系
   列と各々DPマツチングを行い、マツチング度の
   高い大分類単語候補から順に順位付きの細分類単
   語候補１１３として出力する細分類認識手段１０
   ９とを有することを特徴とする単語音声認識方
   式。 ２ 前記母音系列認識手段１０７から出力される
   前記未知入力単語音声１１１の母音系列は、複数
   の母音系列候補が出力され、前記細分類認識手段
   １０９における前記各大分類単語候補１１２の母
   音系列とのDPマツチングは、該複数の母音系列
   候補に対して行われることを特徴とする請求項１
   記載の単語音声認識方式。 ３ 前記母音系列認識手段１０７から出力される
   前記未知入力単語音声１１１の母音系列は、複数
   の母音系列候補が順位付きで出力され、前記細分
   類認識手段１０９における前記各大分類単語候補
   １１２の母音系列とのDPマツチングは、該複数
   の母音系列候補に対してその順位に応じた重みを
   付加されて行われることを特徴とする請求項１記
   載の単語音声認識方式。