JPH07104782A - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JPH07104782A JPH07104782A JP5247836A JP24783693A JPH07104782A JP H07104782 A JPH07104782 A JP H07104782A JP 5247836 A JP5247836 A JP 5247836A JP 24783693 A JP24783693 A JP 24783693A JP H07104782 A JPH07104782 A JP H07104782A
- Authority
- JP
- Japan
- Prior art keywords
- word
- voice
- voice recognition
- language model
- redundant
- 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】 入力された発声音声にポーズや冗長語があっ
た場合であっても、従来例に比較して高い文認識率を得
ることができる音声認識装置を提供する。 【構成】 所定の統計的言語モデルを参照して入力され
た文字列からなる発声音声文を、音声認識すべき単語の
確率値をその単語の前に接続される１個又は複数個の単
語に基づいて計算することによって音声認識する音声認
識装置において、上記発声音声文内のポーズ又は冗長語
に接続される単語の言語モデルの確率値を１又は１に近
い値である所定値とする一方、ポーズ又は冗長語を介し
てポーズ及び冗長語以外の単語に接続されるとき上記ポ
ーズ又は冗長語をスキップして単語の言語モデルの確率
値を計算して音声認識処理を実行する。
た場合であっても、従来例に比較して高い文認識率を得
ることができる音声認識装置を提供する。 【構成】 所定の統計的言語モデルを参照して入力され
た文字列からなる発声音声文を、音声認識すべき単語の
確率値をその単語の前に接続される１個又は複数個の単
語に基づいて計算することによって音声認識する音声認
識装置において、上記発声音声文内のポーズ又は冗長語
に接続される単語の言語モデルの確率値を１又は１に近
い値である所定値とする一方、ポーズ又は冗長語を介し
てポーズ及び冗長語以外の単語に接続されるとき上記ポ
ーズ又は冗長語をスキップして単語の言語モデルの確率
値を計算して音声認識処理を実行する。
Description
【０００１】
【産業上の利用分野】本発明は、発声音声におけるポー
ズ及び冗長語について処理を行う音声認識装置に関す
る。
ズ及び冗長語について処理を行う音声認識装置に関す
る。
【０００２】
【従来の技術】近年、連続音声認識の研究が盛んに行わ
れ、いくつかの研究機関で文音声認識システムが構築さ
れている。これらのシステムの多くは丁寧に発声された
音声を入力対象にしている。しかしながら、人間同士の
コミュニケーションでは、「あのー」、「えーと」など
に代表される冗長語や、一時的に発声音声が無い状態
（以下、ポーズという。）である言い淀みや言い誤り及
び言い直しなどが頻繁に出現する。
れ、いくつかの研究機関で文音声認識システムが構築さ
れている。これらのシステムの多くは丁寧に発声された
音声を入力対象にしている。しかしながら、人間同士の
コミュニケーションでは、「あのー」、「えーと」など
に代表される冗長語や、一時的に発声音声が無い状態
（以下、ポーズという。）である言い淀みや言い誤り及
び言い直しなどが頻繁に出現する。
【０００３】
【発明が解決しようとする課題】一方、連続音声認識に
利用できるアルゴリズムの１つにＯｎｅ ｐａｓｓ Ｄ
Ｐ（Ｖｉｔｅｒｂｉ ｓｅａｒｃｈ）アルゴリズムがあ
る。このアルゴリズムを用いた音声認識装置において
は、入力された発声音声にポーズや冗長語があった場
合、文認識率が低下するという問題点があった。
利用できるアルゴリズムの１つにＯｎｅ ｐａｓｓ Ｄ
Ｐ（Ｖｉｔｅｒｂｉ ｓｅａｒｃｈ）アルゴリズムがあ
る。このアルゴリズムを用いた音声認識装置において
は、入力された発声音声にポーズや冗長語があった場
合、文認識率が低下するという問題点があった。
【０００４】本発明の目的は以上の問題点を解決し、入
力された発声音声にポーズや冗長語があった場合であっ
ても、従来例に比較して高い文認識率を得ることができ
る音声認識装置を提供することにある。
力された発声音声にポーズや冗長語があった場合であっ
ても、従来例に比較して高い文認識率を得ることができ
る音声認識装置を提供することにある。
【０００５】
【課題を解決するための手段】本発明に係る請求項１記
載の音声認識装置は、所定の統計的言語モデルを参照し
て入力された文字列からなる発声音声文を、音声認識す
べき単語の確率値をその単語の前に接続される１個又は
複数個の単語に基づいて計算することによって音声認識
する音声認識装置において、上記発声音声文内のポーズ
又は冗長語に接続される単語の言語モデルの確率値を１
又は１に近い値である所定値とする一方、ポーズ又は冗
長語を介してポーズ及び冗長語以外の単語に接続される
とき上記ポーズ又は冗長語をスキップして単語の言語モ
デルの確率値を計算して音声認識処理を実行する音声認
識手段を備えたことを特徴とする。
載の音声認識装置は、所定の統計的言語モデルを参照し
て入力された文字列からなる発声音声文を、音声認識す
べき単語の確率値をその単語の前に接続される１個又は
複数個の単語に基づいて計算することによって音声認識
する音声認識装置において、上記発声音声文内のポーズ
又は冗長語に接続される単語の言語モデルの確率値を１
又は１に近い値である所定値とする一方、ポーズ又は冗
長語を介してポーズ及び冗長語以外の単語に接続される
とき上記ポーズ又は冗長語をスキップして単語の言語モ
デルの確率値を計算して音声認識処理を実行する音声認
識手段を備えたことを特徴とする。
【０００６】また、請求項２記載の音声認識装置は、所
定の統計的言語モデルを参照して入力された文字列から
なる発声音声文を、音声認識すべき単語の確率値をその
単語の前に接続される１個又は複数個の単語に基づいて
計算することによって音声認識する音声認識装置におい
て、上記発声音声文内のポーズに接続される単語の言語
モデルの確率値を１又は１に近い値である所定値とする
一方、ポーズを介してポーズ以外の単語に接続されると
き上記ポーズをスキップして単語の言語モデルの確率値
を計算して音声認識処理を実行する音声認識手段を備え
たことを特徴とする。
定の統計的言語モデルを参照して入力された文字列から
なる発声音声文を、音声認識すべき単語の確率値をその
単語の前に接続される１個又は複数個の単語に基づいて
計算することによって音声認識する音声認識装置におい
て、上記発声音声文内のポーズに接続される単語の言語
モデルの確率値を１又は１に近い値である所定値とする
一方、ポーズを介してポーズ以外の単語に接続されると
き上記ポーズをスキップして単語の言語モデルの確率値
を計算して音声認識処理を実行する音声認識手段を備え
たことを特徴とする。
【０００７】さらに、請求項３記載の音声認識装置は、
所定の統計的言語モデルを参照して入力された文字列か
らなる発声音声文を、音声認識すべき単語の確率値をそ
の単語の前に接続される１個又は複数個の単語に基づい
て計算することによって音声認識する音声認識装置にお
いて、上記発声音声文内の冗長語に接続される単語の言
語モデルの確率値を１又は１に近い値である所定値とす
る一方、冗長語を介して冗長語以外の単語に接続される
とき上記冗長語をスキップして単語の言語モデルの確率
値を計算して音声認識処理を実行する音声認識手段を備
えたことを特徴とする。
所定の統計的言語モデルを参照して入力された文字列か
らなる発声音声文を、音声認識すべき単語の確率値をそ
の単語の前に接続される１個又は複数個の単語に基づい
て計算することによって音声認識する音声認識装置にお
いて、上記発声音声文内の冗長語に接続される単語の言
語モデルの確率値を１又は１に近い値である所定値とす
る一方、冗長語を介して冗長語以外の単語に接続される
とき上記冗長語をスキップして単語の言語モデルの確率
値を計算して音声認識処理を実行する音声認識手段を備
えたことを特徴とする。
【０００８】また、請求項４記載の音声認識装置は、請
求項１、２又は３記載の音声認識装置において、上記所
定値は、０．８以上１．０以下であることを特徴とす
る。さらに、請求項５記載の音声認識装置は、請求項
１、２、３又は４記載の音声認識装置において、上記統
計的言語モデルは、単語のｔｒｉｇｒａｍであることを
特徴とする。
求項１、２又は３記載の音声認識装置において、上記所
定値は、０．８以上１．０以下であることを特徴とす
る。さらに、請求項５記載の音声認識装置は、請求項
１、２、３又は４記載の音声認識装置において、上記統
計的言語モデルは、単語のｔｒｉｇｒａｍであることを
特徴とする。
【０００９】
【作用】請求項１記載の音声認識装置においては、上記
音声認識手段は、上記発声音声文内のポーズ又は冗長語
に接続される単語の言語モデルの確率値を１又は１に近
い値である所定値とする一方、ポーズ又は冗長語を介し
てポーズ及び冗長語以外の単語に接続されるとき上記ポ
ーズ又は冗長語をスキップして単語の言語モデルの確率
値を計算して音声認識処理を実行する。
音声認識手段は、上記発声音声文内のポーズ又は冗長語
に接続される単語の言語モデルの確率値を１又は１に近
い値である所定値とする一方、ポーズ又は冗長語を介し
てポーズ及び冗長語以外の単語に接続されるとき上記ポ
ーズ又は冗長語をスキップして単語の言語モデルの確率
値を計算して音声認識処理を実行する。
【００１０】また、請求項２記載の音声認識装置におい
ては、上記音声認識手段は、上記発声音声文内のポーズ
に接続される単語の言語モデルの確率値を１又は１に近
い値である所定値とする一方、ポーズを介してポーズ以
外の単語に接続されるとき上記ポーズをスキップして単
語の言語モデルの確率値を計算して音声認識処理を実行
する。
ては、上記音声認識手段は、上記発声音声文内のポーズ
に接続される単語の言語モデルの確率値を１又は１に近
い値である所定値とする一方、ポーズを介してポーズ以
外の単語に接続されるとき上記ポーズをスキップして単
語の言語モデルの確率値を計算して音声認識処理を実行
する。
【００１１】さらに、請求項３記載の音声認識装置にお
いては、上記音声認識手段は、上記発声音声文内の冗長
語に接続される単語の言語モデルの確率値を１又は１に
近い値である所定値とする一方、冗長語を介して冗長語
以外の単語に接続されるとき上記冗長語をスキップして
単語の言語モデルの確率値を計算して音声認識処理を実
行する。
いては、上記音声認識手段は、上記発声音声文内の冗長
語に接続される単語の言語モデルの確率値を１又は１に
近い値である所定値とする一方、冗長語を介して冗長語
以外の単語に接続されるとき上記冗長語をスキップして
単語の言語モデルの確率値を計算して音声認識処理を実
行する。
【００１２】
【実施例】以下、図面を参照して本発明に係る実施例の
音声認識装置について説明する。図１の本実施例の音声
認識装置において、音素照合部４は、入力される発声音
声に関するデータに基づいて、隠れマルコフモデル（以
下、ＨＭＭという。）メモリ５内の音響モデルであるＨ
ＭＭを参照して冗長語やポーズを認識した後、Ｏｎｅ
ｐａｓｓ ＤＰアルゴリズムを用いたＯｎｅ ｐａｓｓ
ＤＰ音声認識部（以下、音声認識部という。）６は、
統計的言語モデルメモリ７内の統計的言語モデル（単語
のｔｒｉｇｒａｍ）を参照して音声認識を実行するとき
に、冗長語又はポーズをスキップすることにより、冗長
語及び／又はポーズを含んだ音声を認識することを特徴
とする。
音声認識装置について説明する。図１の本実施例の音声
認識装置において、音素照合部４は、入力される発声音
声に関するデータに基づいて、隠れマルコフモデル（以
下、ＨＭＭという。）メモリ５内の音響モデルであるＨ
ＭＭを参照して冗長語やポーズを認識した後、Ｏｎｅ
ｐａｓｓ ＤＰアルゴリズムを用いたＯｎｅ ｐａｓｓ
ＤＰ音声認識部（以下、音声認識部という。）６は、
統計的言語モデルメモリ７内の統計的言語モデル（単語
のｔｒｉｇｒａｍ）を参照して音声認識を実行するとき
に、冗長語又はポーズをスキップすることにより、冗長
語及び／又はポーズを含んだ音声を認識することを特徴
とする。
【００１３】まず、文音声認識アルゴリズムの改良につ
いて述べる。上記のＯｎｅ ｐａｓｓ ＤＰアルゴリズ
ムの経路計算において、最尤の単語列を得るために２つ
の方法がある。 （１）トレースバック：各時刻・各状態において、最大
累積尤度を計算したときに、選択した経路を記憶してお
く。そして尤度計算の終了後、上記記憶された経路に沿
ってトレースバックを行なうことによって音声認識処理
を実行する（以下、第１の経路計算方法という。；例え
ば、Kai-Fu Lee,“Large-Vocabulary Speaker Independ
ent Continuous Speech Recognition:The SPHINX Syste
m",15213 CMU-CS-88-148,１９８８年４月１８日参
照。）。 （２）最大累積尤度と同時に計算する：各時刻、各状態
において、最大累積尤度を計算したときに、同時に、選
択した経路を次の状態に渡すことによって音声認識処理
を実行する（以下、第２の経路計算方法という。；例え
ば、村上仁一，“単語のｔｒｉｇｒａｍを用いた連続音
声認識の１アルゴリズム”，音響学会講演論文集，ｐ
ｐ．１８５−１８６，２−Ｑ−７，１９９２年１０月参
照。）。
いて述べる。上記のＯｎｅ ｐａｓｓ ＤＰアルゴリズ
ムの経路計算において、最尤の単語列を得るために２つ
の方法がある。 （１）トレースバック：各時刻・各状態において、最大
累積尤度を計算したときに、選択した経路を記憶してお
く。そして尤度計算の終了後、上記記憶された経路に沿
ってトレースバックを行なうことによって音声認識処理
を実行する（以下、第１の経路計算方法という。；例え
ば、Kai-Fu Lee,“Large-Vocabulary Speaker Independ
ent Continuous Speech Recognition:The SPHINX Syste
m",15213 CMU-CS-88-148,１９８８年４月１８日参
照。）。 （２）最大累積尤度と同時に計算する：各時刻、各状態
において、最大累積尤度を計算したときに、同時に、選
択した経路を次の状態に渡すことによって音声認識処理
を実行する（以下、第２の経路計算方法という。；例え
ば、村上仁一，“単語のｔｒｉｇｒａｍを用いた連続音
声認識の１アルゴリズム”，音響学会講演論文集，ｐ
ｐ．１８５−１８６，２−Ｑ−７，１９９２年１０月参
照。）。
【００１４】上記第１の経路計算方法は、計算量が少な
くて済むため従来からしばしば利用されている。一方、
上記第２の経路計算方法は、第１の経路計算方法と比較
すると計算量が増加するが、各時刻・各状態においてト
レースバックをしなくても経路を知ることが可能である
ため、言語モデルにおけるｌｅｆｔ−ｒｉｇｈｔ型のＬ
Ｒパーザと組み合わせることが容易であり、また、多く
の場合、第１の経路計算方法と比較して少量のメモリで
すむので、本実施例の音声認識部６は後者の第２の経路
計算方法を採用する。
くて済むため従来からしばしば利用されている。一方、
上記第２の経路計算方法は、第１の経路計算方法と比較
すると計算量が増加するが、各時刻・各状態においてト
レースバックをしなくても経路を知ることが可能である
ため、言語モデルにおけるｌｅｆｔ−ｒｉｇｈｔ型のＬ
Ｒパーザと組み合わせることが容易であり、また、多く
の場合、第１の経路計算方法と比較して少量のメモリで
すむので、本実施例の音声認識部６は後者の第２の経路
計算方法を採用する。
【００１５】以下、本実施例の音声認識方法を用いる音
声認識装置を示す図１を参照して、本実施例の統計的言
語モデルを用いた音声認識装置の構成及び動作について
説明する。
声認識装置を示す図１を参照して、本実施例の統計的言
語モデルを用いた音声認識装置の構成及び動作について
説明する。
【００１６】図１において、話者の発声音声はマイクロ
ホン１に入力されて音声信号に変換された後、特徴抽出
部２に入力される。特徴抽出部２は、入力された音声信
号をＡ／Ｄ変換した後、例えばＬＰＣ分析を実行し、対
数パワー、１６次ケプストラム係数、Δ対数パワー及び
１６次Δケプストラム係数を含む３４次元の特徴パラメ
ータを抽出する。抽出された特徴パラメータの時系列は
バッファメモリ３を介して音素照合部４に入力される。
音素照合部４に接続される隠れマルコフモデル（以下、
ＨＭＭという。）メモリ５内のＨＭＭは、複数の状態
と、各状態間の遷移を示す弧から構成され、各弧には状
態間の遷移確率と入力コードに対する出力確率を有して
いる。音素照合部４は、入力されたデータに基づいて音
素照合処理を実行して音素データを、音声認識部６に出
力する。
ホン１に入力されて音声信号に変換された後、特徴抽出
部２に入力される。特徴抽出部２は、入力された音声信
号をＡ／Ｄ変換した後、例えばＬＰＣ分析を実行し、対
数パワー、１６次ケプストラム係数、Δ対数パワー及び
１６次Δケプストラム係数を含む３４次元の特徴パラメ
ータを抽出する。抽出された特徴パラメータの時系列は
バッファメモリ３を介して音素照合部４に入力される。
音素照合部４に接続される隠れマルコフモデル（以下、
ＨＭＭという。）メモリ５内のＨＭＭは、複数の状態
と、各状態間の遷移を示す弧から構成され、各弧には状
態間の遷移確率と入力コードに対する出力確率を有して
いる。音素照合部４は、入力されたデータに基づいて音
素照合処理を実行して音素データを、音声認識部６に出
力する。
【００１７】単語のｔｒｉｇｒａｍを含む所定の統計的
言語モデルを予め記憶する統計的言語モデルメモリ７は
音声認識部６に接続される。音声認識部６は、統計的言
語モデルメモリ７内の統計的言語モデルを参照して、所
定のＯｎｅ ｐａｓｓ ＤＰアルゴリズムを用いて、入
力された音素データについて左から右方向に、後戻りな
しに処理してより高い生起確率の単語を音声認識結果デ
ータと決定することにより音声認識の処理を実行して、
決定された音声認識結果データ（文字列データ）を出力
する。
言語モデルを予め記憶する統計的言語モデルメモリ７は
音声認識部６に接続される。音声認識部６は、統計的言
語モデルメモリ７内の統計的言語モデルを参照して、所
定のＯｎｅ ｐａｓｓ ＤＰアルゴリズムを用いて、入
力された音素データについて左から右方向に、後戻りな
しに処理してより高い生起確率の単語を音声認識結果デ
ータと決定することにより音声認識の処理を実行して、
決定された音声認識結果データ（文字列データ）を出力
する。
【００１８】次いで、音声認識部６におけるポーズの処
理について説明する。ポーズは文節間において出現する
ことが多いが、音声のあらゆる場所に出現する可能性が
ある。しかしながら、従来の言語モデルでは、これに追
随できないため、ポーズの区間で誤認識が起きやすい。
そこで、単語のｔｒｉｇｒａｍなる統計的言語モデル
と、Ｏｎｅ ｐａｓｓ ＤＰアルゴリズムを用いて、全
ての単語と単語の境界にポーズが入力されても文認識が
可能な音声認識方法を発明した。本発明に係る実施例に
おいては、まずポーズを１単語と考えて、ポーズに接続
される単語のｔｒｉｇｒａｍの値は１．０にする。そし
てポーズ以外の単語に接続されるときポーズをスキップ
して単語のｔｒｉｇｒａｍを計算する。例えば「東京都
港区 新橋／ｐａｕｓｅ（ポーズ）／１丁目」という
文字列なる文が入力されたとき、その確率を、Ｐ（新橋
│東京都 港区）×１．０×Ｐ（１丁目│港区 新橋）
と計算する。ここで、Ｐ（Ａ｜Ｂ）は、単語Ｂの後に単
語Ａが来る確率であり、以下、同様である。このように
すると、近似解ではあるが、ポーズを除いて単語ｔｒｉ
ｇｒａｍを用いたときの最尤の解が得られる。
理について説明する。ポーズは文節間において出現する
ことが多いが、音声のあらゆる場所に出現する可能性が
ある。しかしながら、従来の言語モデルでは、これに追
随できないため、ポーズの区間で誤認識が起きやすい。
そこで、単語のｔｒｉｇｒａｍなる統計的言語モデル
と、Ｏｎｅ ｐａｓｓ ＤＰアルゴリズムを用いて、全
ての単語と単語の境界にポーズが入力されても文認識が
可能な音声認識方法を発明した。本発明に係る実施例に
おいては、まずポーズを１単語と考えて、ポーズに接続
される単語のｔｒｉｇｒａｍの値は１．０にする。そし
てポーズ以外の単語に接続されるときポーズをスキップ
して単語のｔｒｉｇｒａｍを計算する。例えば「東京都
港区 新橋／ｐａｕｓｅ（ポーズ）／１丁目」という
文字列なる文が入力されたとき、その確率を、Ｐ（新橋
│東京都 港区）×１．０×Ｐ（１丁目│港区 新橋）
と計算する。ここで、Ｐ（Ａ｜Ｂ）は、単語Ｂの後に単
語Ａが来る確率であり、以下、同様である。このように
すると、近似解ではあるが、ポーズを除いて単語ｔｒｉ
ｇｒａｍを用いたときの最尤の解が得られる。
【００１９】以上の実施例において、ポーズに接続され
る単語のｔｒｉｇｒａｍの値を１．０としているが、本
発明はこれに限らず、ポーズに接続される単語のｔｒｉ
ｇｒａｍの値を好ましくは０．８以上１．０以下の範囲
のある値に設定する。
る単語のｔｒｉｇｒａｍの値を１．０としているが、本
発明はこれに限らず、ポーズに接続される単語のｔｒｉ
ｇｒａｍの値を好ましくは０．８以上１．０以下の範囲
のある値に設定する。
【００２０】図２は、図１の音声認識装置において実行
されるポーズのｔｒｉｇｒａｍ計算処理を示すフローチ
ャートである。なお、冗長語についても図２のフローと
同様に処理される。当該計算処理は、単語列ｗ3，ｗ2，
ｗ1，ｗ0が入力されたときに単語ｗ0のｔｒｉｇｒａｍ
を計算する方法であって、図２に示すように、まず、ス
テップＳ１において単語ｗ0がポーズであるか否かが判
断され、ステップＳ２において、タンゴｗ1がポーズで
あるか否かが判断される。ステップＳ１においてＹＥＳ
であれば、ステップＳ３において単語ｗ0のｔｒｉｇｒ
ａｍの値ＴＲを１．０に設定した後、ステップＳ６に進
む。ステップＳ１においてＮＯの場合は、ステップＳ２
に進み、ステップＳ２においてＹＥＳであれば、ステッ
プＳ４において確率値Ｐ（ｗ0｜ｗ3，ｗ2）を単語ｗ0の
ｔｒｉｇｒａｍの値ＴＲとして設定した後、ステップＳ
６に進む。一方、ステップＳ２においてＮＯであれば、
ステップＳ５において確率値Ｐ（ｗ0｜ｗ2，ｗ1）を単
語ｗ0のｔｒｉｇｒａｍの値ＴＲとして設定した後、ス
テップＳ６に進む。ステップＳ６においては、設定され
た単語ｗ０のｔｒｉｇｒａｍの値ＴＲを計算値として出
力して当該計算処理を終了する。
されるポーズのｔｒｉｇｒａｍ計算処理を示すフローチ
ャートである。なお、冗長語についても図２のフローと
同様に処理される。当該計算処理は、単語列ｗ3，ｗ2，
ｗ1，ｗ0が入力されたときに単語ｗ0のｔｒｉｇｒａｍ
を計算する方法であって、図２に示すように、まず、ス
テップＳ１において単語ｗ0がポーズであるか否かが判
断され、ステップＳ２において、タンゴｗ1がポーズで
あるか否かが判断される。ステップＳ１においてＹＥＳ
であれば、ステップＳ３において単語ｗ0のｔｒｉｇｒ
ａｍの値ＴＲを１．０に設定した後、ステップＳ６に進
む。ステップＳ１においてＮＯの場合は、ステップＳ２
に進み、ステップＳ２においてＹＥＳであれば、ステッ
プＳ４において確率値Ｐ（ｗ0｜ｗ3，ｗ2）を単語ｗ0の
ｔｒｉｇｒａｍの値ＴＲとして設定した後、ステップＳ
６に進む。一方、ステップＳ２においてＮＯであれば、
ステップＳ５において確率値Ｐ（ｗ0｜ｗ2，ｗ1）を単
語ｗ0のｔｒｉｇｒａｍの値ＴＲとして設定した後、ス
テップＳ６に進む。ステップＳ６においては、設定され
た単語ｗ０のｔｒｉｇｒａｍの値ＴＲを計算値として出
力して当該計算処理を終了する。
【００２１】さらに、音声認識部６における冗長語の処
理について説明する。自由発話では「あのー」、「えー
と」などの冗長語が多く出現する。本発明者が、詳細後
述するテストデータから収集した自由発話における出現
回数が２以上の冗長語を表１乃至表３に示す。
理について説明する。自由発話では「あのー」、「えー
と」などの冗長語が多く出現する。本発明者が、詳細後
述するテストデータから収集した自由発話における出現
回数が２以上の冗長語を表１乃至表３に示す。
【００２２】
【表１】 ──────────────── 冗長語 出現回数 ──────────────── 「あ」 ６０４ 「あー」 ２６８ 「あーっと」 ２ 「あーん」 ５ 「ああ」 ７ 「あっ」 １５１ 「あの」 １８０９ 「あのー」 ２０２５ 「あのう」 ７７ 「あのうー」 ３ 「い」 ２６ 「いー」 ５８ 「いやー」 ２ 「う」 ２３ 「うー」 ７１ 「うーん」 ２６ 「うーんと」 ２ 「うん」 ７ 「え」 １０４０ 「えー」 ３１０５ 「えーっと」 ２５６ 「えーっとー」 ２ ────────────────
【００２３】
【表２】 ──────────────── 冗長語 出現回数 ──────────────── 「えーっとですね」 ８ 「えーと」 ４６６ 「えーとー」 ４ 「えーとですね」 ３ 「えーまあ」 ３ 「えーん」 ２ 「ええ」 １３ 「えっ」 ２２ 「えっーと」 ４ 「えっと」 ６２ 「えっとー」 １１ 「えと」 ４７ 「えとー」 １３ 「お」 ５９ 「おー」 １９６ 「おっ」 ２ 「こう」 ９ 「この」 ９ 「このー」 ４ 「じゃ」 ４ 「す」 ８ 「すー」 ２ ────────────────
【００２４】
【表３】 ──────────────── 冗長語 出現回数 ──────────────── 「すっ」 ２ 「そ」 ２ 「その」 １１５ 「そのー」 ４８ 「ちょっと」 ８ 「つ」 ２ 「で」 ６１ 「でー」 １３ 「と」 ７７ 「とー」 １１ 「は」 ４ 「はあー」 ２ 「ふーん」 ２ 「ま」 ２６３ 「まー」 ８ 「まぁ」 １８６ 「まあ」 １７６ 「まっ」 ５ 「も」 ２ 「ん」 ２７ 「んー」 １９ 「んと」 ２ ────────────────
【００２５】この冗長語は文の全ての場所に出現する可
能性があるという点でポーズと似た性質がある。従っ
て、冗長語の処理にはポーズの処理と同様な手法が使用
できる。すなわち、音響モデルでは冗長語を認識しなが
ら、言語モデルでは冗長語をスキップする。例えば「東
京都 港区 新橋 えーと １丁目」という文字列なる
文が入力されたとき、その確率値を、Ｐ（新橋│ 東京
都 港区）×１．０×Ｐ（１丁目│港区 新橋）と計算
する。従って、冗長語の処理においても、図２に示した
フローチャートにおける「ポーズ」を「冗長語」と置き
換えて同様に処理することができる。
能性があるという点でポーズと似た性質がある。従っ
て、冗長語の処理にはポーズの処理と同様な手法が使用
できる。すなわち、音響モデルでは冗長語を認識しなが
ら、言語モデルでは冗長語をスキップする。例えば「東
京都 港区 新橋 えーと １丁目」という文字列なる
文が入力されたとき、その確率値を、Ｐ（新橋│ 東京
都 港区）×１．０×Ｐ（１丁目│港区 新橋）と計算
する。従って、冗長語の処理においても、図２に示した
フローチャートにおける「ポーズ」を「冗長語」と置き
換えて同様に処理することができる。
【００２６】以上の実施例において、冗長語に接続され
る単語のｔｒｉｇｒａｍの値を１．０としているが、本
発明はこれに限らず、冗長語に接続される単語のｔｒｉ
ｇｒａｍの値を好ましくは０．８以上１．０以下の範囲
のある値に設定する。
る単語のｔｒｉｇｒａｍの値を１．０としているが、本
発明はこれに限らず、冗長語に接続される単語のｔｒｉ
ｇｒａｍの値を好ましくは０．８以上１．０以下の範囲
のある値に設定する。
【００２７】本発明者は、以上説明した本実施例の音声
認識装置を用いて文認識率による評価を行うためにシミ
ュレーションを行った。言語情報には、単語のｂｉｇｒ
ａｍ又はｔｒｉｇｒａｍを用いて特定話者及び不特定話
者の音声認識シミュレーションを行った。テストデータ
はナレータが発声した国際会議の問い合わせの文（いわ
ゆる、モデル会話。）を使用した。なお、テストデータ
の先頭及び末尾には約２０ミリ秒のポーズがある。ま
た、ｔｒｉｇｒａｍの連鎖確率値は、本出願人の対話デ
ータベースの中から国際会議の予約に関するデータであ
る約１２，０００文章（約１７０，０００単語）に、テ
ストデータのテキストを加えて計算した。
認識装置を用いて文認識率による評価を行うためにシミ
ュレーションを行った。言語情報には、単語のｂｉｇｒ
ａｍ又はｔｒｉｇｒａｍを用いて特定話者及び不特定話
者の音声認識シミュレーションを行った。テストデータ
はナレータが発声した国際会議の問い合わせの文（いわ
ゆる、モデル会話。）を使用した。なお、テストデータ
の先頭及び末尾には約２０ミリ秒のポーズがある。ま
た、ｔｒｉｇｒａｍの連鎖確率値は、本出願人の対話デ
ータベースの中から国際会議の予約に関するデータであ
る約１２，０００文章（約１７０，０００単語）に、テ
ストデータのテキストを加えて計算した。
【００２８】上述のポーズの処理を行わないシミュレー
ションにおいては、ｔｒｉｇｒａｍの場合、特定話者で
は７８．６％の文認識率が得られる一方、不特定話者で
は５９．５％の文認識率が得られた。これに対して、図
２に示したポーズの処理を実行した文認識率のシミュレ
ーションにおいては、特定話者認識において８６．３％
のより高い文認識率が得られ、音声認識性能が向上し
た。一方、不特定話者認識においては６０．３％の文認
識率が得られ、音声認識性能の向上は顕著ではないが、
若干向上した。
ションにおいては、ｔｒｉｇｒａｍの場合、特定話者で
は７８．６％の文認識率が得られる一方、不特定話者で
は５９．５％の文認識率が得られた。これに対して、図
２に示したポーズの処理を実行した文認識率のシミュレ
ーションにおいては、特定話者認識において８６．３％
のより高い文認識率が得られ、音声認識性能が向上し
た。一方、不特定話者認識においては６０．３％の文認
識率が得られ、音声認識性能の向上は顕著ではないが、
若干向上した。
【００２９】さらに、自由発話の文認識シミュレーショ
ンについて述べる。ここでは、特に、冗長語の処理の有
効性を自由発話の音声で調べる。自由発話の定義は人に
よって異なるが、本実施例を用いたシミュレーションで
は以下に示すような方法で収録した音声データを使用す
る。 （１）朗読音声データ：テキストを読みあげた音声デー
タであって、冗長語や、言い淀み、言い直しは無い。 （２）疑似自由発話データ：冗長語をつけてテキストを
読み上げた音声データである。冗長語を除いて、上記
（１）朗読発声データと発話内容は同一であって、言い
淀み、言い直しは無い。 （３）自由発話データ：話者はテキストを覚えて、その
意図を理解し、自由に発話した音声データである。発話
内容は上記（１）朗読発声データと異なる。ここで、言
い淀み、言い直しは無い。
ンについて述べる。ここでは、特に、冗長語の処理の有
効性を自由発話の音声で調べる。自由発話の定義は人に
よって異なるが、本実施例を用いたシミュレーションで
は以下に示すような方法で収録した音声データを使用す
る。 （１）朗読音声データ：テキストを読みあげた音声デー
タであって、冗長語や、言い淀み、言い直しは無い。 （２）疑似自由発話データ：冗長語をつけてテキストを
読み上げた音声データである。冗長語を除いて、上記
（１）朗読発声データと発話内容は同一であって、言い
淀み、言い直しは無い。 （３）自由発話データ：話者はテキストを覚えて、その
意図を理解し、自由に発話した音声データである。発話
内容は上記（１）朗読発声データと異なる。ここで、言
い淀み、言い直しは無い。
【００３０】話者は、ナレータではなく、一般の人であ
る。冗長語として、「あのー」「えーと」「まあ」など
の１０９種類を定義する。音声認識シミュレーション
は、不特定話者認識の単語のｔｒｉｇｒａｍの場合のみ
行った。また、上述のポーズの処理も行った。このシミ
ュレーション結果を表４に示す。表４から明らかなよう
に、冗長語を付けた疑似自由発話の音声では、６４．４
％述べる認識率が得られる一方、自由発話音声では３
４．４％の認識率が得られた。
る。冗長語として、「あのー」「えーと」「まあ」など
の１０９種類を定義する。音声認識シミュレーション
は、不特定話者認識の単語のｔｒｉｇｒａｍの場合のみ
行った。また、上述のポーズの処理も行った。このシミ
ュレーション結果を表４に示す。表４から明らかなよう
に、冗長語を付けた疑似自由発話の音声では、６４．４
％述べる認識率が得られる一方、自由発話音声では３
４．４％の認識率が得られた。
【００３１】
【表４】 自由発話の文認識シミュレーション結果−−−文認識率（％） ────────────────────────────── 発話様式 ＋ポーズ処理 ＋ポーズ処理＋冗長語処理 ────────────────────────────── 朗読発声 ８２．６％ ７４．８％ 疑似自由発話 ２６．７％ ６４．４％ 自由発話 １４．１％ ３４．４％ ──────────────────────────────
【００３２】従って、上述の冗長語の処理は、疑似自由
発話でも自由発話でも、ポーズの処理のみの方法より有
効であること、並びに、朗読発声の文認識においても従
来の方法と比較して認識率があまり低下しないこと（８
２．６％→７４．８％）を考慮すると、自由発話の認識
において有効であることがわかる。
発話でも自由発話でも、ポーズの処理のみの方法より有
効であること、並びに、朗読発声の文認識においても従
来の方法と比較して認識率があまり低下しないこと（８
２．６％→７４．８％）を考慮すると、自由発話の認識
において有効であることがわかる。
【００３３】以上の実施例において、音声認識部６にお
ける冗長語の処理及びポーズの処理について説明してい
るが、音声認識部６は、冗長語の処理とポーズの処理と
のうち少なくとも一方を含むように構成してもよい。
ける冗長語の処理及びポーズの処理について説明してい
るが、音声認識部６は、冗長語の処理とポーズの処理と
のうち少なくとも一方を含むように構成してもよい。
【００３４】
【発明の効果】以上詳述したように本発明によれば、所
定の統計的言語モデルを参照して入力された文字列から
なる発声音声文を、音声認識すべき単語の確率値をその
単語の前に接続される１個又は複数個の単語に基づいて
計算することによって音声認識する音声認識装置におい
て、上記発声音声文内のポーズ又は冗長語に接続される
単語の言語モデルの確率値を１又は１に近い値である所
定値とする一方、ポーズ又は冗長語を介してポーズ及び
冗長語以外の単語に接続されるとき上記ポーズ又は冗長
語をスキップして単語の言語モデルの確率値を計算して
音声認識処理を実行するように構成したので、ポーズ又
は冗長語を考慮して音声認識することができ、これによ
って、認識率が大幅に向上し、音声認識性能を向上させ
ることができる。
定の統計的言語モデルを参照して入力された文字列から
なる発声音声文を、音声認識すべき単語の確率値をその
単語の前に接続される１個又は複数個の単語に基づいて
計算することによって音声認識する音声認識装置におい
て、上記発声音声文内のポーズ又は冗長語に接続される
単語の言語モデルの確率値を１又は１に近い値である所
定値とする一方、ポーズ又は冗長語を介してポーズ及び
冗長語以外の単語に接続されるとき上記ポーズ又は冗長
語をスキップして単語の言語モデルの確率値を計算して
音声認識処理を実行するように構成したので、ポーズ又
は冗長語を考慮して音声認識することができ、これによ
って、認識率が大幅に向上し、音声認識性能を向上させ
ることができる。
【図１】 本発明に係る一実施例である音声認識装置の
ブロック図である。
ブロック図である。
【図２】 図１の音声認識装置において実行されるポー
ズのｔｒｉｇｒａｍ計算処理を示すフローチャートであ
る。
ズのｔｒｉｇｒａｍ計算処理を示すフローチャートであ
る。
１…マイクロホン、 ２…特徴抽出部、 ３…バッファメモリ、 ４…音素照合部、 ５…Ｏｎｅ ｐａｓｓ ＤＰ音声認識部、 ６…隠れマルコフモデル（ＨＭＭ）メモリ、 ７…統計的言語モデルメモリ。
Claims (5)
- 【請求項１】 所定の統計的言語モデルを参照して入力
された文字列からなる発声音声文を、音声認識すべき単
語の確率値をその単語の前に接続される１個又は複数個
の単語に基づいて計算することによって音声認識する音
声認識装置において、 上記発声音声文内のポーズ又は冗長語に接続される単語
の言語モデルの確率値を１又は１に近い値である所定値
とする一方、ポーズ又は冗長語を介してポーズ及び冗長
語以外の単語に接続されるとき上記ポーズ又は冗長語を
スキップして単語の言語モデルの確率値を計算して音声
認識処理を実行する音声認識手段を備えたことを特徴と
する音声認識装置。 - 【請求項２】 所定の統計的言語モデルを参照して入力
された文字列からなる発声音声文を、音声認識すべき単
語の確率値をその単語の前に接続される１個又は複数個
の単語に基づいて計算することによって音声認識する音
声認識装置において、 上記発声音声文内のポーズに接続される単語の言語モデ
ルの確率値を１又は１に近い値である所定値とする一
方、ポーズを介してポーズ以外の単語に接続されるとき
上記ポーズをスキップして単語の言語モデルの確率値を
計算して音声認識処理を実行する音声認識手段を備えた
ことを特徴とする音声認識装置。 - 【請求項３】 所定の統計的言語モデルを参照して入力
された文字列からなる発声音声文を、音声認識すべき単
語の確率値をその単語の前に接続される１個又は複数個
の単語に基づいて計算することによって音声認識する音
声認識装置において、 上記発声音声文内の冗長語に接続される単語の言語モデ
ルの確率値を１又は１に近い値である所定値とする一
方、冗長語を介して冗長語以外の単語に接続されるとき
上記冗長語をスキップして単語の言語モデルの確率値を
計算して音声認識処理を実行する音声認識手段を備えた
ことを特徴とする音声認識装置。 - 【請求項４】 上記所定値は、０．８以上１．０以下で
あることを特徴とする請求項１、２又は３記載の音声認
識装置。 - 【請求項５】 上記統計的言語モデルは、単語のｔｒｉ
ｇｒａｍであることを特徴とする１、２、３又は４記載
の音声認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5247836A JPH07104782A (ja) | 1993-10-04 | 1993-10-04 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5247836A JPH07104782A (ja) | 1993-10-04 | 1993-10-04 | 音声認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07104782A true JPH07104782A (ja) | 1995-04-21 |
Family
ID=17169406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5247836A Pending JPH07104782A (ja) | 1993-10-04 | 1993-10-04 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07104782A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001209393A (ja) * | 1999-10-29 | 2001-08-03 | Canon Inc | 自然言語入力方法及び装置 |
| US6917910B2 (en) | 1999-12-27 | 2005-07-12 | International Business Machines Corporation | Method, apparatus, computer system and storage medium for speech recognition |
| CN112837689A (zh) * | 2019-11-25 | 2021-05-25 | 阿里巴巴集团控股有限公司 | 会议系统、数据通信系统及语音信息处理方法 |
| CN116013277A (zh) * | 2022-12-26 | 2023-04-25 | 科大讯飞股份有限公司 | 语音处理方法、装置、电子设备和存储介质 |
-
1993
- 1993-10-04 JP JP5247836A patent/JPH07104782A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001209393A (ja) * | 1999-10-29 | 2001-08-03 | Canon Inc | 自然言語入力方法及び装置 |
| US6975983B1 (en) * | 1999-10-29 | 2005-12-13 | Canon Kabushiki Kaisha | Natural language input method and apparatus |
| US6917910B2 (en) | 1999-12-27 | 2005-07-12 | International Business Machines Corporation | Method, apparatus, computer system and storage medium for speech recognition |
| CN112837689A (zh) * | 2019-11-25 | 2021-05-25 | 阿里巴巴集团控股有限公司 | 会议系统、数据通信系统及语音信息处理方法 |
| CN116013277A (zh) * | 2022-12-26 | 2023-04-25 | 科大讯飞股份有限公司 | 语音处理方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5333275A (en) | System and method for time aligning speech | |
| Matejka et al. | Brno university of technology system for nist 2005 language recognition evaluation | |
| KR100486733B1 (ko) | 음소 결합정보를 이용한 연속 음성인식방법 및 장치 | |
| US8666745B2 (en) | Speech recognition system with huge vocabulary | |
| Lin et al. | OOV detection by joint word/phone lattice alignment | |
| Schlüter et al. | Interdependence of language models and discriminative training | |
| Boite et al. | A new approach towards keyword spotting. | |
| JP3535292B2 (ja) | 音声認識システム | |
| Fu et al. | A survey on Chinese speech recognition | |
| JPH08123470A (ja) | 音声認識装置 | |
| JPH07104786A (ja) | 音声対話システム | |
| JPH1185184A (ja) | 音声認識装置 | |
| JP2975542B2 (ja) | 音声認識装置 | |
| Chengalvarayan | On the use of normalized LPC error towards better large vocabulary speech recognition systems | |
| JP3033322B2 (ja) | 連続音声認識方法 | |
| JP3277522B2 (ja) | 音声認識方法 | |
| JP2731133B2 (ja) | 連続音声認識装置 | |
| JP2999727B2 (ja) | 音声認識装置 | |
| JP2975540B2 (ja) | 自由発話音声認識装置 | |
| JP3291073B2 (ja) | 音声認識方式 | |
| JP2986703B2 (ja) | 音声認識装置 | |
| Peng et al. | Automatic acoustic segmentation for speech recognition on broadcast recordings | |
| JPH09212190A (ja) | 音声認識装置及び文認識装置 | |
| Aggarwal et al. | Discriminative techniques for Hindi speech recognition system | |
| Kai et al. | Comparison of continuous speech recognition systems with unknown‐word processing for speech disfluencies |