JPH0594198A - 音声認識方法及び装置 - Google Patents
音声認識方法及び装置Info
- Publication number
- JPH0594198A JPH0594198A JP25362291A JP25362291A JPH0594198A JP H0594198 A JPH0594198 A JP H0594198A JP 25362291 A JP25362291 A JP 25362291A JP 25362291 A JP25362291 A JP 25362291A JP H0594198 A JPH0594198 A JP H0594198A
- Authority
- JP
- Japan
- Prior art keywords
- voice
- state
- speech recognition
- distance measure
- normal distribution
- 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】 （修正有）
【目的】音声信号の定常部と過渡部での認識率を共に向
上させる。 【構成】音声信号より分析パラメータを抽出する時Ｓ１
に静的特徴パラメータと動的特徴パラメータを共に求
め、ＤＰマッチング時Ｓ４にそれぞれの出力確率をもと
にパターンマッチングを行なう。
上させる。 【構成】音声信号より分析パラメータを抽出する時Ｓ１
に静的特徴パラメータと動的特徴パラメータを共に求
め、ＤＰマッチング時Ｓ４にそれぞれの出力確率をもと
にパターンマッチングを行なう。
Description
【０００１】
【産業上の利用分野】本発明は音声を分析することによ
って得られるパラメータから、音韻、音節、単語などを
認識する音声認識方法及び装置に関するものである。
って得られるパラメータから、音韻、音節、単語などを
認識する音声認識方法及び装置に関するものである。
【０００２】
【従来の技術】従来、音声を認識する方法としては、Ｈ
ＭＭ法など、音声を統計的手法により認識する手段が多
く使われている。これらの手法の一つとして、統計的距
離尺度を用いるＤＰマッチングによる認識手法であるス
トキャスティックＤＰ法がある。このストキャスティッ
クＤＰ法とは、中川、「ストキャスティックＤＰ法およ
び統計的手法による不特定話者の英語子音の認識」、電
子通信学会論文誌（Ｄ）、Ｊ７０−Ｄ、１，ｐ．ｐ．１
５５−１６３（昭６２−０１）に詳しいが、距離尺度と
して確率の尺度に対応するもの、パスコストのかわりに
遷移確率を用いたものである。
ＭＭ法など、音声を統計的手法により認識する手段が多
く使われている。これらの手法の一つとして、統計的距
離尺度を用いるＤＰマッチングによる認識手法であるス
トキャスティックＤＰ法がある。このストキャスティッ
クＤＰ法とは、中川、「ストキャスティックＤＰ法およ
び統計的手法による不特定話者の英語子音の認識」、電
子通信学会論文誌（Ｄ）、Ｊ７０−Ｄ、１，ｐ．ｐ．１
５５−１６３（昭６２−０１）に詳しいが、距離尺度と
して確率の尺度に対応するもの、パスコストのかわりに
遷移確率を用いたものである。
【０００３】
【発明が解決しようとする課題】しかしながら、上記従
来の方法では、１音韻カテゴリーに対して１共分散行列
を用いているため、過渡的な特徴を持つ音韻は特徴が表
現しきれないという欠点があった。
来の方法では、１音韻カテゴリーに対して１共分散行列
を用いているため、過渡的な特徴を持つ音韻は特徴が表
現しきれないという欠点があった。
【０００４】さらに、音声パラメータとして音声スペク
トルの絶対的な位置を表わすベクトル量である静的特徴
を用いているため、やはり過渡的な特徴を持つ音韻が認
識しにくいという欠点があった。
トルの絶対的な位置を表わすベクトル量である静的特徴
を用いているため、やはり過渡的な特徴を持つ音韻が認
識しにくいという欠点があった。
【０００５】またこの手法は基本的にＤＰマッチング法
を用いているため、標準パターンを基本軸とする非対称
型のＤＰパスを使用することにより、スポッティングア
ルゴリズムへの変更が可能である。この手法については
中川、「確率モデルによる音声認識」、電子情報通信学
会編、ｐｐ．８７−８９（昭６３−７）に詳しい。しか
しながら、出力確率の計算回数が一定でないため、標準
パタンの長さが異なる場合は短いパタンに認識されやす
いという欠点があった。
を用いているため、標準パターンを基本軸とする非対称
型のＤＰパスを使用することにより、スポッティングア
ルゴリズムへの変更が可能である。この手法については
中川、「確率モデルによる音声認識」、電子情報通信学
会編、ｐｐ．８７−８９（昭６３−７）に詳しい。しか
しながら、出力確率の計算回数が一定でないため、標準
パタンの長さが異なる場合は短いパタンに認識されやす
いという欠点があった。
【０００６】
【課題を解決するための手段】上記課題を解決するため
に、本発明はスペクトルの距離尺度として、正規分布の
仮定に基づく統計的距離尺度を用い、状態遷移確率を用
いる動的計画法による音声認識装置であって、正規分布
の分散を表わす共分散行列を、各状態ごと別個に求める
ことを特徴とする音声認識装置を提供する。
に、本発明はスペクトルの距離尺度として、正規分布の
仮定に基づく統計的距離尺度を用い、状態遷移確率を用
いる動的計画法による音声認識装置であって、正規分布
の分散を表わす共分散行列を、各状態ごと別個に求める
ことを特徴とする音声認識装置を提供する。
【０００７】上記課題を解決するために、本発明は前記
音声認識装置は、入力音声を分析してパラメーターを得
る分析手段を有し、前記分析は静的特徴と動的特徴を併
用するものとすることを特徴とする請求項１に記載の音
声認識装置。
音声認識装置は、入力音声を分析してパラメーターを得
る分析手段を有し、前記分析は静的特徴と動的特徴を併
用するものとすることを特徴とする請求項１に記載の音
声認識装置。
【０００８】上記課題を解決するために、本発明は、ス
ペクトルの距離尺度として、正規分布の仮定に基づく統
計的距離尺度を用い、状態遷移確率を用いる動的計画法
による音声認識方法及び装置であって、正規分布の分散
を表わす共分散行列を、各状態ごと別個に求めることを
特徴とする音声認識方法及び装置。
ペクトルの距離尺度として、正規分布の仮定に基づく統
計的距離尺度を用い、状態遷移確率を用いる動的計画法
による音声認識方法及び装置であって、正規分布の分散
を表わす共分散行列を、各状態ごと別個に求めることを
特徴とする音声認識方法及び装置。
【０００９】上記課題を解決するために、本発明は、前
記音声の認識は、入力音声を分析して得るパラメータを
用い、前記分析により静的特徴と動的特徴を導出し、認
識の際に併用するものとする。
記音声の認識は、入力音声を分析して得るパラメータを
用い、前記分析により静的特徴と動的特徴を導出し、認
識の際に併用するものとする。
【００１０】上記課題を解決するために、本発明は、前
記動的計画法の積分軸を標準パタン側におき、状態数で
正規化する。
記動的計画法の積分軸を標準パタン側におき、状態数で
正規化する。
【００１１】
【実施例】以下、本発明の好適な実施例を、図面を用い
て詳細に説明する。
て詳細に説明する。
【００１２】図１は、本実施例の音声認識装置の構成を
示すブロック図である。図中、１は音声情報を入力する
為のマイク、２はマイク１から入力された音声情報をア
ナログ／デジタル変換（Ａ／Ｄ変換）するＡ／Ｄ変換
器、３はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎ
ｇ Ｕｎｉｔ）であり、これら各部の制御を司る。４は
リード・オンリー・メモリ（ＲＯＭ）であり、音声の各
標準パタンの平均値および共分散を格納し、また、後述
するフローチャートに示すような処理のプログラムを格
納する。５はランダム・アクセス・メモリ（ＲＡＭ）で
あり、ワークスペース用のメモリとして用いる。６はシ
ステムバスであり、上記各部はこのシステムバスによっ
て接続される。
示すブロック図である。図中、１は音声情報を入力する
為のマイク、２はマイク１から入力された音声情報をア
ナログ／デジタル変換（Ａ／Ｄ変換）するＡ／Ｄ変換
器、３はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎ
ｇ Ｕｎｉｔ）であり、これら各部の制御を司る。４は
リード・オンリー・メモリ（ＲＯＭ）であり、音声の各
標準パタンの平均値および共分散を格納し、また、後述
するフローチャートに示すような処理のプログラムを格
納する。５はランダム・アクセス・メモリ（ＲＡＭ）で
あり、ワークスペース用のメモリとして用いる。６はシ
ステムバスであり、上記各部はこのシステムバスによっ
て接続される。
【００１３】ここで、ＲＯＭ４に格納する標準パタンの
平均値の求め方について説明する。
平均値の求め方について説明する。
【００１４】標準パタンの学習法としては、まずＬＰＣ
ケプストラムなどの音声パラメータを用いて、標準パタ
ンと入力パラメータ系列とのＤＰマッチングをとる。こ
こで標準パタンの初期値としては、統計すべきクラスに
属する任意の音声パラメータ系列をえらぶ。ＤＰマッチ
ングによってアライメントがとれれば、標準パタンの各
フレームを状態とみたて、各状態ごとそれに対応する入
力パラメータの和及び、自乗和を計算する。入力パラメ
ータの和から、各状態ごとの平均値を計算する。平均値
は１入力ごとに毎回更新する。またすべてのデータが入
力された時点で、自乗和を用いて共分散行列を計算す
る。またアライメントをとったところで、各状態ごとの
ＤＰパスが選ばれた回数をカウントしておき、すべての
データが入力された時点で、状態遷移確率を求める。
ケプストラムなどの音声パラメータを用いて、標準パタ
ンと入力パラメータ系列とのＤＰマッチングをとる。こ
こで標準パタンの初期値としては、統計すべきクラスに
属する任意の音声パラメータ系列をえらぶ。ＤＰマッチ
ングによってアライメントがとれれば、標準パタンの各
フレームを状態とみたて、各状態ごとそれに対応する入
力パラメータの和及び、自乗和を計算する。入力パラメ
ータの和から、各状態ごとの平均値を計算する。平均値
は１入力ごとに毎回更新する。またすべてのデータが入
力された時点で、自乗和を用いて共分散行列を計算す
る。またアライメントをとったところで、各状態ごとの
ＤＰパスが選ばれた回数をカウントしておき、すべての
データが入力された時点で、状態遷移確率を求める。
【００１５】入力パラメータ系列と各状態とのアライメ
ントはＤＰマッチングによってとられるため、１つの入
力データがあると必ず各状態とも１回は計算をおこなう
ことになる。このため共分散行列の計算に次数の２乗程
度のデータが必要とするなら、例えばパラメータ次数が
１２次とすると、１４４データがあれば１状態ごとの共
分散行列が設計可能となる。
ントはＤＰマッチングによってとられるため、１つの入
力データがあると必ず各状態とも１回は計算をおこなう
ことになる。このため共分散行列の計算に次数の２乗程
度のデータが必要とするなら、例えばパラメータ次数が
１２次とすると、１４４データがあれば１状態ごとの共
分散行列が設計可能となる。
【００１６】このように求められた標準パタンの各状態
ごとの平均値と状態遷移確率はＲＯＭ４に格納される。
ごとの平均値と状態遷移確率はＲＯＭ４に格納される。
【００１７】次にこの標準パタンデータを用いて音声の
認識を行う処理について図２のフローチャートを用いて
説明する。尚、この図２のフローチャートの処理は、マ
イク１から入力された音声情報をＡ／Ｄ変換器２によっ
てデジタル信号に変換された後の処理である。
認識を行う処理について図２のフローチャートを用いて
説明する。尚、この図２のフローチャートの処理は、マ
イク１から入力された音声情報をＡ／Ｄ変換器２によっ
てデジタル信号に変換された後の処理である。
【００１８】音声信号は、音声スペクトルの絶対的な位
置を表わすベクトル量である静的な特徴パラメータ（例
えばＬＰＣケプストラム）と、音声スペクトルの時間的
な動きを表わすベクトル量である動的な特徴パラメータ
（例えばデルタケプストラム）とに変換する（Ｓ−
１）。
置を表わすベクトル量である静的な特徴パラメータ（例
えばＬＰＣケプストラム）と、音声スペクトルの時間的
な動きを表わすベクトル量である動的な特徴パラメータ
（例えばデルタケプストラム）とに変換する（Ｓ−
１）。
【００１９】Ｓ２で式（１−１）〜式（１−３）を用い
てＤＰマッチングの初期値を与える。
てＤＰマッチングの初期値を与える。
【００２０】 Ｑ（−１，ｊ）＝Ｑ（０，ｊ）＝−∞ 式（１−１） Ｑ（ｉ，１）＝ｌｏｇＰ（ａi｜１） 式（１−２） Ｑ（ｉ，０）＝０ 式（１−３） （ただし、ａiはベクトルを表すものとする。）Ｓ３で
すべてのクラス（単語、音韻など）のＤＰの計算が終了
したか否かの判断を行う。
すべてのクラス（単語、音韻など）のＤＰの計算が終了
したか否かの判断を行う。
【００２１】Ｓ３において、終了していないと判断され
る場合は、Ｓ４に進み、式（２−１）〜式（２−３）の
漸加式を用いてＤＰの計算を行う。求めるＤＰの値（Ｄ
Ｐの累積距離）Ｑ（ｉ，ｊ）は、式（２−１）〜式（２
−３）の最大値とする。
る場合は、Ｓ４に進み、式（２−１）〜式（２−３）の
漸加式を用いてＤＰの計算を行う。求めるＤＰの値（Ｄ
Ｐの累積距離）Ｑ（ｉ，ｊ）は、式（２−１）〜式（２
−３）の最大値とする。
【００２２】 Ｑ（ｉ−２，ｊ−１）＋０．５ｌｏｇＰ（ａi-1｜ｊ）＋０．５ｌｏｇＰ （ａi｜ｊ）＋ｌｏｇＰ1（ｊ） 式（２−１） Ｑ（ｉ−１，ｊ−１）＋ｌｏｇＰ（ａi｜ｊ）＋ｌｏｇＰ2（ｊ） 式（ ２−２） Ｑ（ｉ−１，ｊ−２）＋ｌｏｇＰ（ａi｜ｊ−１）＋ｌｏｇＰ（ａi｜ｊ） ＋ｌｏｇＰ3（ｊ） 式（２−３） 但しＰi（ｊ）は状態ｊへの遷移確率。
【００２３】なお、式（２−１）〜式（２−３）におい
て用いられている出力確率を表わすＰ（ａi｜ｊ）は、
以下の式（３）のように表せる。
て用いられている出力確率を表わすＰ（ａi｜ｊ）は、
以下の式（３）のように表せる。
【００２４】 Ｐ（ａi｜ｊ）＝λＰCEP（ａi｜ｊ）＋（１−λ）ＰDCEP（ａi｜ｊ） （０≦λ≦１） ・・・式（３） 但し、ＰCEP（ａi｜ｊ）は静的特徴パラメータによる出
力確率であり、ＰDCEP（ａi｜ｊ）は動的特徴パラメー
タによる出力確率である。
力確率であり、ＰDCEP（ａi｜ｊ）は動的特徴パラメー
タによる出力確率である。
【００２５】つまり、式（２−１）〜式（２−３）にお
いてＰ（ａi｜ｊ）を用いる為、この式を基にして求め
るパラメータは静的特徴と動的特徴を併用することがで
きる。
いてＰ（ａi｜ｊ）を用いる為、この式を基にして求め
るパラメータは静的特徴と動的特徴を併用することがで
きる。
【００２６】なお、式（３）においてＰCEP（ａi｜ｊ）
及びＰDCEP（ａi｜ｊ）として用いられる出力確率は以
下の式（４）によって表される。
及びＰDCEP（ａi｜ｊ）として用いられる出力確率は以
下の式（４）によって表される。
【００２７】 （２π）-d/2｜Σｊ｜-1/2・ｅｘｐ｛−（ａi−μj）tΣj -1（ａi−μj） ｝・・・式（４） ただし、ｄはパラメータの次元数、μjは状態ｊでの平
均値ベクトル、Σjは状態ｊでの共分散行列、ａiはベク
トルを表す。
均値ベクトル、Σjは状態ｊでの共分散行列、ａiはベク
トルを表す。
【００２８】Ｓ３においてすべてのクラスのＤＰの計算
が終了すると判断されるまで以上のような計算を繰り返
し、Ｓ３ですべてのクラスのＤＰの計算が終了したと判
断されたらＳ４に進む。
が終了すると判断されるまで以上のような計算を繰り返
し、Ｓ３ですべてのクラスのＤＰの計算が終了したと判
断されたらＳ４に進む。
【００２９】Ｓ４では状態数の正規化する為にＱ（ｉ，
Ｊ）／Ｊ（Ｊはモデルの状態数）を標準パタンごとに計
算し、最大を与える標準パタンが属するクラスを時刻ｉ
における認識クラス（音韻、単語など）とする。（Ｊは
モデルの状態数である） 尚、以上の式（１）〜式（４）はＣＰＵ３により演算が
行われる。また、各標準パタンの平均値及び共分散はＲ
ＯＭ４に格納される。
Ｊ）／Ｊ（Ｊはモデルの状態数）を標準パタンごとに計
算し、最大を与える標準パタンが属するクラスを時刻ｉ
における認識クラス（音韻、単語など）とする。（Ｊは
モデルの状態数である） 尚、以上の式（１）〜式（４）はＣＰＵ３により演算が
行われる。また、各標準パタンの平均値及び共分散はＲ
ＯＭ４に格納される。
【００３０】
【発明の効果】以上説明したように共分散を各状態ごと
に持ち、さらに静的特徴をあらわすパラメータと動的特
徴をあらわすパラメータを併用することにより、破裂
音、鼻音などの過渡的な特徴を持つ音韻の認識の精度が
向上する。また状態数で正規化することにより、スポッ
ティングした場合の性能が向上する。
に持ち、さらに静的特徴をあらわすパラメータと動的特
徴をあらわすパラメータを併用することにより、破裂
音、鼻音などの過渡的な特徴を持つ音韻の認識の精度が
向上する。また状態数で正規化することにより、スポッ
ティングした場合の性能が向上する。
【図１】本発明の実施例の処理を示すフローチャート
【図２】本発明の音声認識装置の構成を示すブロック図
１ マイク ２ Ａ／Ｄ変換器 ３ ＣＰＵ ４ ＲＯＭ ５ ＲＡＭ ６ システムバス
Claims (6)
- 【請求項１】 スペクトルの距離尺度として、正規分布
の仮定に基づく統計的距離尺度を用い、状態遷移確率を
用いる動的計画法による音声認識装置であって、 正規分布の分散を表わす共分散行列を、各状態ごと別個
に求めることを特徴とする音声認識装置。 - 【請求項２】 前記音声認識装置は、入力音声を分析し
てパラメーターを得る分析手段を有し、 前記分析により静的特徴と動的特徴を導出し、認識の際
に併用することを特徴とする請求項１に記載の音声認識
装置。 - 【請求項３】 前記動的計画法の積分軸を標準パタン側
におき、状態数で正規化することを特徴とする請求項１
に記載の音声認識装置。 - 【請求項４】 スペクトルの距離尺度として、正規分布
の仮定に基づく統計的距離尺度を用い、状態遷移確率を
用いる動的計画法による音声認識方法であって、 正規分布の分散を表わす共分散行列を、各状態ごと別個
に求めることを特徴とする音声認識方法。 - 【請求項５】 前記音声の認識は、入力音声を分析して
得るパラメータを用い、 前記分析により静的特徴と動的特徴を導出し、認識の際
に併用することを特徴とする請求項４に記載の音声認識
方法。 - 【請求項６】 前記動的計画法の積分軸を標準パタン側
におき、状態数で正規化することを特徴とする請求項４
に記載の音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP25362291A JPH0594198A (ja) | 1991-10-01 | 1991-10-01 | 音声認識方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP25362291A JPH0594198A (ja) | 1991-10-01 | 1991-10-01 | 音声認識方法及び装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0594198A true JPH0594198A (ja) | 1993-04-16 |
Family
ID=17253918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP25362291A Pending JPH0594198A (ja) | 1991-10-01 | 1991-10-01 | 音声認識方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0594198A (ja) |
-
1991
- 1991-10-01 JP JP25362291A patent/JPH0594198A/ja active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH02195400A (ja) | 音声認識装置 | |
| EP1355295A2 (en) | Speech recognition apparatus, speech recognition method, and computer-readable recording medium in which speech recognition program is recorded | |
| JP2003308091A (ja) | 音声認識装置、音声認識方法および音声認識プログラム | |
| JPH0713594A (ja) | 音声合成において音声の質を評価するための方法 | |
| JPH07104952B2 (ja) | パターンマッチング装置 | |
| JP2003044078A (ja) | 発声速度正規化分析を用いた音声認識装置 | |
| US20030220792A1 (en) | Speech recognition apparatus, speech recognition method, and computer-readable recording medium in which speech recognition program is recorded | |
| US6430532B2 (en) | Determining an adequate representative sound using two quality criteria, from sound models chosen from a structure including a set of sound models | |
| Beulen et al. | Experiments with linear feature extraction in speech recognition. | |
| US5751898A (en) | Speech recognition method and apparatus for use therein | |
| JP3403838B2 (ja) | 句境界確率計算装置および句境界確率利用連続音声認識装置 | |
| JP4353202B2 (ja) | 韻律識別装置及び方法、並びに音声認識装置及び方法 | |
| JP2004117662A (ja) | 音声合成システム | |
| JP2980382B2 (ja) | 話者適応音声認識方法および装置 | |
| JP2923243B2 (ja) | 音声認識のための単語モデル生成装置及び音声認識装置 | |
| Thorpe | Improving speech classification accuracy: A support vector machine approach | |
| JPH08314490A (ja) | ワードスポッティング型音声認識方法と装置 | |
| JP3289670B2 (ja) | 音声認識方法および音声認識装置 | |
| JP2003271185A (ja) | 音声認識用情報作成装置及びその方法と、音声認識装置及びその方法と、音声認識用情報作成プログラム及びそのプログラムを記録した記録媒体と、音声認識プログラム及びそのプログラムを記録した記録媒体 | |
| JP2003345384A (ja) | 音声認識装置、音声認識方法および音声認識プログラム | |
| JP2943473B2 (ja) | 音声認識方法 | |
| JP3254933B2 (ja) | 音声認識方法 | |
| JP2862306B2 (ja) | 音声認識装置 | |
| JPH0619497A (ja) | 音声認識方法 | |
| JPH05197397A (ja) | 音声認識方法及びその装置 |