JPH0575120B2 - - Google Patents

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は、音声認識装置、音声入力装置等にお
いて用いられ、入力音声に出現している可能性の
高い単語の認識用単語辞書等から効率よく選択す
る音声認識における単語予備選択方式に関する。

（従来技術とその問題点） 音声認識装置、音声入力装置では、通常、認識
対象の語彙をあらかじめ定めておき、入力音声を
その語彙中のひとつの単語あるいは単語の並びと
みなして認識処理を行なう。認識処理とは例え
ば、入力音声と語彙中の各単語の標準パターンと
のマツチング、あるいは入力音声の音素候補系列
と語彙中の各単語の音素系列とのマツチングを行
ない、入力音声にもつとも似ている単語または単
語の並びを求めることである。通常、この認識処
理には多大の計算量が必要である。しかも現在、
認識対象の語彙の大きさはますます増加してお
り、それに従つて認識処理に必要な計算量もます
ます増加している。

そこで、音声が入力されたとき、その入力音声
に出現している可能性の高い単語のみを認識対象
の語彙から容易に予備的に選択することができる
ならば、選択された単語に対してのみ認識処理を
行なえばよく、認識処理に必要な計算量を減少さ
せることが可能となる。

通常、予備選択は入力音声中で安定に検出でき
る音素クラスによつて行なわれる。すなわち、入
力音声中にいくつかのそのような安定の音素クラ
スが検出されれば、認識対象の語彙中の単語のう
ち、少なくともそれらの検出された音素クラスを
まつたく含まない単語がその入力音声中に含まれ
ている確率は非常に小さいという原理を用いる。

安定に検出できる音素クラスとしては、５母
音、摩擦音および撥音を各クラスとしたり、ある
いは摩擦音、破裂音等の子音のおおまかな分類を
各クラスとすることなど、あるいは各音素を精度
良く検出できるならば各音素をそのまま音素クラ
スとすることなどが考えられる。

予備選択では、入力音声から得た１個以上の予
備選択のキーの少なくとも１個を含む単語が選択
結果として出力される。予備選択では、入力音声
に含まれる単語が正しく選択されている限りにお
いては、それ以外に選択される単語の数が少ない
ほど有効である。選択される単語の数を少なくす
るためには、予備選択のキーの種類を多くし、キ
ーの種類の総数に対する、入力音声から得る相異
なるキーの数の割合を小さくすればよい。このた
めに、従来から、入力音声中に検出された音素ク
ラスのｎ個の組み合わせを長さｎのキーとして予
備選択を行なつている。

一方、音声の発声時の調音変化や音素クラス検
出部の検出性能などのために、入力音声中の音素
クラスの検出時には、含まれているはずの音素ク
ラスが脱落したり、あるいは逆に本来存在しない
音素クラスが挿入されたりという検出誤りの生ず
ることがある。従つて、検出された音素クラスの
並びのなかの連続する一部の並びだけを予備選択
のキーとして用いるのでは、入力された単語が正
しく選択されない場合が生ずることになる。

以上の理由から、従来は、たとえば文献１「板
橋、横山“語中部分音素系列の指定による語彙の
減少について”昭和58年日本音響学会講演論文集
１−１−３、昭和58年10月」、あるいは文献２「特
願昭60−173422号、音声認識における単語予備選
択方式」に示されているように、入力音声中に検
出された音素クラスの並びのなかの必ずしも連続
しないｎ個の音素クラスの並びを予備選択のキー
として用い、このキーを同じ音素クラスを必ずし
も連続せずに含む単語を選択することにより、音
素クラスの検出誤りに対処して、単語の予備選択
を行なつていた。

この場合でも、ｎを大きくすると、入力音声か
ら得られる長さｎの相異なるキーの数は増加する
が、キーの種類の総数はそれ以上に増加し、従つ
て、入力音声から得たキーを含む単語の数はほと
んどの場合少なくなり、有効な予備選択が行なえ
る。

（発明が解決しようとしている問題点） しかしながら、前記の従来技術では、予備選択
のキーの長さを一定としていたことに起因する問
題点があつた。

第１の問題点は、キーの長さに比較して、入力
音声に含まれる単語の長さが十分長くないとき
に、その単語を選択するためのキーが正しく得ら
れないことがあるという点である。

例えば、キーに使用する音素クラスを、ａ，
ｉ，ｕ，ｅ，ｏの５母音と撥音Ｘの計６種類とし
た場合、入力音声「エイゴデワ」中のこれらの音
素クラス列は正しくは／eioea／であるが、この
うちのｉの検出に失敗したとすると予備選択のキ
ーは／eoea／から得ることになる。入力音声中
で最大１個の飛び越しを許して並ぶ音素クラスを
キーとし、キーの長さをｎ＝３とすると、予備選
択のキーはｅ−ｏ−ｅ，ｅ−ｏ−ａ，ｅ−ｅ−
ａ，ｏ−ｅ−ａの４個となる。このキーを用いて
予備選択を行なつても、選択されねばならない単
語「eigo」は、これらのキーのいずれもを含まな
いため、選択されない。

また、入力音声中に単語長が２音節以下の単語
が含まれている場合は、その単語中のすべての音
素クラスを正しく検出できても、その単語を選択
するための長さ３のキーを得ることはできない。

第２の問題点は、反対に、キーの長さに比較し
て長すぎる単語に対しては、その単語に含まれる
相異なるキーの数が多くなることにより、その単
語が入力音声に含まれないときにも誤つて選択さ
れてしまうことが多くなるという点である。

例えば、４音節の単語「oXsei」に含まれる上
述の長さ３のキーはｏ−Ｘ−ｅ，ｏ−Ｘ−ｉ，ｏ
−ｅ−ｉ，Ｘ−ｅ−ｉの４種類であるのに対し、
６音節の単語「moXdaiteX」ではｏ−Ｘ−ａ，
ｏ−Ｘ−ｉ，ｏ−ａ−ｉ，ｏ−ａ−ｅ，Ｘ−ａ−
ｉ，Ｘ−ａ−ｅ，Ｘ−ｉ−ｅ，Ｘ−ｉ−Ｘ，ａ−
ｉ−ｅ，ａ−ｉ−Ｘ，ａ−ｅ−Ｘ，ｉ−ｅ−Ｘの
12種類となり、６音節の単語が選択される機会は
４音節の単語の３倍になる。

（問題点を解決するための手段） 前述の問題点を解決するために本願の発明が提
供する手段は、入力音声中の必ずしも連続しない
ｎ個の音素クラスの並びを長さｎのキーとし、前
記入力音声から少なくとも１個のキーを取り出
し、これらのキーのいずれかと同じ音素クラスの
並びを必ずしも連続せずに含む単語を予備選択結
果として出力する音声認識における単語予備選択
方式であつて、前記入力音声からは複数種類の長
さのキーを取り出し、単語の選択はそれぞれの単
語の長さに応じてあらかじめ定めた長さのキーを
用いて行なうことを特徴とする。

（作用） 前述の問題点は、予備選択のキーの長さを、認
識対象の語彙中の単語の長さに関わらず一定とし
ていたことに起因する。

これに対して本発明では、認識対象の語彙中の
それぞれの単語の長さに応じて最適な長さの予備
選択のキーを用いて、予備選択を行なう。具体的
には、短い単語を調べるときには短いキーを用
い、長い単語を調べるときには長いキーを用い
る。

これによつて、短い単語に対しては、キー長も
短いために、入力音声中のある音素クラスの検出
に失敗しても、それ以外の音素クラスから予備選
択に十分な数のキーを得ることができる。単語が
短すぎてキーがまつたく得られなくなるというこ
ともない。また、長い単語に対しては、キーの長
さが長くなるために、キーの種類の総数が多くな
る。従つて、その総数に対してその単語に含まれ
るキーの数の割合は少なくなり、すなわち、その
単語は誤つて選択されてしまう機会が少なくな
る。

複数種類の長さのキーを使用するためには、入
力音声から複数種類の長さのキーを取り出す必要
があり、従来の方法よりもこのための処理量が増
加する。しかしながら、この処理は１つの入力音
声に対して１回だけでよく、その処理量は予備選
択全体の処理量に比較すれば極めて少ない。

（実施例） 以下では、図面を参照しつつ、実施例に従つて
本発明を詳細に説明する。

第１図は、本願の発明の一実施例を示すブロツ
ク図である。本実施例では、予備選択のキーに使
用する音素クラスとして、ａ，ｉ，ｕ，ｅ，ｏの
５母音および撥音Ｘの６種類を用いる。これらの
音素クラスは入力音声の中では比較的定常状態に
あり、現在の技術レベルで比較的安定に検出でき
る。キーの長さとしては、単語の音節数に応じて
例えばｎ＝１，２，３，４の４種類を用いる。

入力音声はいつたん、音声メモリ１０１に記憶
される。音素クラス検出部１０２は、音声メモリ
１０１の入力音声から、予備選択のキーの構成要
素となる音素クラスを複数個検出し、音素クラス
メモリ１０３に各音素クラスとそれらの入力音声
中での位置とを記憶する。音素クラス検出部１０
２において入力音声からこれらの音素クラスを検
出するためには、例えば、あらかじめ各音素クラ
スの１音声フレームあたりの標準パターンを用意
しておき、入力音声の各フレームとそれらの標準
パターンとの類似度を調べ、ある音素クラスの標
準パターンが数フレームにわたつて連続して高い
類似度を示す区間があれば、その音素クラスをそ
の音声区間の音素クラスとして検出する、という
方法が知られている。

例えば、「エイゴデワ」という入力音声か
ら、／eoea／の４個の音素クラスが検出され、
それぞれ入力音声中の位置情報とともに音素クラ
スメモリ１０３に記憶される。

キー検出部１０４は、音素クラスメモリ１０３
から最大１個の飛び越しを許して取り出したｎ個
の音素クラスの列を、長さｎのキーとする。第１
〜第４のキーメモリにはそれぞれ長さが１〜４の
キーを記憶する。この結果、第１のキーメモリ１
０５には、ｅ，ｏ，ａの３個の相異なる長さ１の
キーが記憶される。第２のキーメモリ１０６に
は、ｅ−ｏ，ｅ−ｅ，ｏ−ｅ，ｏ−ａ，ｅ−ａの
５個の長さ２のキーが記憶される。第３のキーメ
モリ１０７には、ｅ−ｏ−ｅ，ｅ−ｏ−ａ，ｅ−
ｅ−ａ，ｏ−ｅ−ａの４個の長さ３のキーが記憶
される。また、第４のキーメモリ１０８には、ｅ
−ｏ−ｅ−ａの１個の長さ４のキーが記憶され
る。

続いて、単語選択部１０９が、認識対象の語彙
の単語を記憶する単語辞書１１０の中のそれぞれ
の単語について予備選択を行なう。単語辞書１１
０中のそれぞれの単語には、予備選択のキーに使
用する音素クラスの単語中での並びが付与されて
いる。それぞれの単語に対して、まずキー選択部
１１１によつて予備選択に用いるキーの長さが決
定され、該当する長さのキーを記憶するキーメモ
リの内容が単語選択部に送られる。本実施例で
は、単語の音節数ｓを用いて、次式によりキー長
ｎを決定する。

ｎ＝min｛max（ｓ−１，１），４｝ 予備選択は、単語に付与されている音素クラス
の並びと、キー選択部から送られたキーのそれぞ
れとを比較することによつて行なわれる。すなわ
ち、キーメモリのいずれかのキーの音素クラスの
並びを含む単語を予備選択候補として出力する。
このとき例えば、音素クラス検出部１０２におけ
る音素クラスの検出誤りが生じても、それにより
２個以上の音素クラスが連続して脱落する確率が
非常に小さいとすると、キーの音素クラスの並び
の中に他の音素クラスが続けて１個までなら挿入
されていてもよいとする。また同じ理由から、キ
ーの音素クラスのうち始端あるいは終端の印が与
えられているものは、単語のそれぞれ始端あるい
は終端から２個目以内の音素クラスでなければな
らないとする。

例えば、単語辞書１１０の中の単語「eigo（エ
イゴ）」に対しては、音節数ｓ＝３より上式から
キー長ｎ＝２となる。そこで、長さ２のキーを記
憶している第２のキーメモリ１０６中の５個のキ
ーと、単語「eigo（エイゴ）」中の音素クラス列／
eio／とが比較される。この結果、キーの１つで
あるｅ−ｏが含まれることがわかるため、この単
語は予備選択結果の１つとして出力される。一
方、例えば同じく３音節の単語「taXgo（タン
ゴ）」は、その中の音素クラス列は／aXo／であ
るため、前記の５個の長さ２のキーのいずれも含
まれないために、選択されない。

また、例えば５音節以上の長さの単語に対して
は、上式よりキーの長さはｎ＝４となるが、前記
第４のキーメモリ１０８にはただ１個のキーしか
ない。従つて、５音節以上の長さの単語が誤つて
選択される機会はきわめて少なくなる。

以下、単語辞書１１０の他のすべての単語につ
いても同様にキーとの比較が行われ、いくつかの
単語が予備選択結果として出力される。

以上、本願の発明の実施例を示したが、予備選
択のキーに使用する音素クラスとしては、実施例
で示したものに限らず、例えば摩擦音、破裂音等
の子音のおおまかなクラスなど、安定に検出でき
るものであればよい。また、各音素を精度よく検
出できるならば、それらをそのまま音素クラスと
してもよい。

また、予備選択に使用するキーの長さは、実施
例の組み合わせに限らず、例えば１，３，５のよ
うな非連続の数の組でもよい。

また、単語の長さは、実施例のような音節数に
限らず、疑似音素の数などとしてもよい。

（発明の効果） 以上説明したように、上述の単語「eigo（エイ
ゴ）」の例のごとく、従来の方式ではうまく選択
されなかつた単語が本発明の方式では正しく選択
される。また、長い単語に対しても、それらが誤
つて選択されてしまう機会は少なくなる。

また、前述のように、キーが長くなると、キー
の種類の総数が増加し、その結果選択される単語
の数は少なくなり、予備選択はより有効になる。
本発明の方式を用いると、それぞれの単語に最適
な、より長いキーを用いることができるため、よ
り有効な予備選択ができる。

このように、本発明の方式を用いれば、より有
効な、かつ誤りの少ない、音声認識のための単語
の予備選択方式を提供することができる。

【図面の簡単な説明】

第１図は、本発明の一実施例を示すブロツク図
である。 １０１……音声メモリ、１０２……音素クラス
検出部、１０３……音素クラスメモリ、１０４…
…キー検出部、１０５〜１０８……キーメモリ、
１０９……単語選択部、１１０……単語辞書、１
１１……キー選択部。

Claims (1)

1. 【特許請求の範囲】 １ 入力音声中の必ずしも連続しないｎ個の音素
   クラスの並びを長さｎのキーとし、前記入力音声
   から少なくとも１個のキーを取り出し、これらの
   キーのいずれかと同じ音素クラスの並びを必ずし
   も連続せずに含む単語を予備選択結果として出力
   する音声認識における単語予備選択方式におい
   て、 前記入力音声からは複数種類の長さのキーを取
   り出し、単語の選択はそれぞれの単語の長さに応
   じてあらかじめ定めた長さのキーを用いて行なう
   ことを特徴とする単語予備選択方式。