JPH0772839B2 - 自動音声認識用に音類似に基づく文脈依存カテゴリへ音素の発音をグループ化する方法と装置 - Google Patents

自動音声認識用に音類似に基づく文脈依存カテゴリへ音素の発音をグループ化する方法と装置

Info

Publication number
JPH0772839B2
JPH0772839B2 JP2413217A JP41321790A JPH0772839B2 JP H0772839 B2 JPH0772839 B2 JP H0772839B2 JP 2413217 A JP2413217 A JP 2413217A JP 41321790 A JP41321790 A JP 41321790A JP H0772839 B2 JPH0772839 B2 JP H0772839B2
Authority
JP
Japan
Prior art keywords
context
bar
value
subset
feature
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.)
Expired - Lifetime
Application number
JP2413217A
Other languages
English (en)
Other versions
JPH04122996A (ja
Inventor
アール． バール ラリト
ブイ． デ スーザ ピーター
エス． ゴパラクリシュナン ポナニ
ナハムー デヴィッド
エイ． ピチェニー マイケル
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of JPH04122996A publication Critical patent/JPH04122996A/ja
Publication of JPH0772839B2 publication Critical patent/JPH0772839B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、自動的なパターン認識
に使用されるために、観測された事象のグループを類似
のカテゴリーへ自動的にグループ化し、かつ、観測され
た事象を異なる文脈と相関させることに関する。より詳
細には、本発明は、ある音声単位の発音（例えば、ある
音素の発音）を類似の音を有するカテゴリー（即ち、類
似の音響特徴を有するカテゴリー）へ自動的にグループ
化し、かつ、発音のグループを自動的な音声認識に使用
するために、異なる文脈と相関させることに関する。
【０００２】
【従来の技術】連続の音声では、調音結合(co-articula
tion)効果が存在することは公知である。調音結合と
は、二つ以上の音声単位（例えば、二単語又は二音素）
でその単語間又は音素間に休止がほとんど又は全くない
時の発音のことである。その調音結合効果は、音声単位
の発音において音声単位が調音結合される他の音声単位
に左右されて変動することである。一セットの調音結合
規則を手動的に列挙する従来の試みは、多くの間違いを
犯しがちであった。自動的な音声認識において、一以上
の音声単位の知られていないシーケンスの発音の音響特
徴は、音声単位の仮説シーケンスの仮説モデル数に「適
合」する。一連の音声単位は、例えば、一以上の単語列
でありうる。連続する音声単位の仮説モデルは、単語の
モデルを順次連結することにより構成される。
【０００３】語彙中の各単語にただ一個のモデルのみを
供給することで自動的な音声認識の処理を単純化する一
方で、認識精度は、単語の各代替発音に各単語の異なる
モデルを供給することにより改善されうる。
【０００４】調音結合規則を生成すると共に、これらの
規則に従い単語又は音素モデルを生成する自動的方法
は、１９８９年３月１４日に出願され、本出願の譲受者
に譲渡された、米国特許出願番号第３２３、４７９号に
記載されている。この方法では、異なる文脈にある音素
の複数の発音が、処理され、各発音用に以下の（ｉ），
（ｉｉ）を提供する。（ｉ）発音された音素の音響機構
を表現するラベルの記号列。（ｉｉ）発音された音素の
文脈の表現（即ち、発音された音素の先と後の文脈音素
の表現）。発音された音素用のラベル記号列は、音響上
類似のカテゴリへクラスタ化されるので、その音素の各
発音は、クラスタ数と文脈に対応付けされる。
【０００５】複数の発音からは、多数の候補文脈が、認
識される。各候補文脈とその補数には、各クラスタの条
件付き確率が推定される。その条件付き確率からは、条
件付きエントロピーが、各候補文脈とその補数用に計算
される。その条件付きエントロピーは、発音された音素
の文脈からクラスタ数について得られた平均の情報を表
現する。最適エントロピーに対応付けられた候補文脈と
その補数は、複数の発音の最良分割の根拠として選択さ
れる。この分割からなる発音の各セットは、上記起草の
方法でさらに分割されるか、音素の文脈依存モデル形式
の基礎として使用されるかのどちらかである。
【０００６】調音結合規則を列挙する公知の方法は、各
音素に多数の異なる文脈依存モデルを生成する。この調
音結合規則に従うこれら文脈依存モデルの使用は、各音
素用の単一モデルの使用に比べて、認識精度を高める。
しかしながら、公知の方法で使用されたクラスタ化ステ
ップは、長時間の計算時間を必要とする。更に、クラス
タ数におけるエントロピー計算（分割基準）を基礎とす
ることにより、異なる二つのクラスタがどのような状態
にあるかについての情報は失われる。二以上の非常に異
なるクラスタは、分割の全エントロピーが減少される限
り、分割の単一サブセットへ組み合わされる。
【０００７】
【発明が解決しようとする課題】本発明の目的は、観測
された事象の多くの時間を要して予めクラスタ化するこ
となく観測された事象を類似のカテゴリへ自動的にグル
ープ化し、かつ、観測された事象のグループを異なる文
脈と相関させることである。
【０００８】本発明のもう一つの目的は、より正確なグ
ループを出来るかぎり得られるように観測された事象を
類似のカテゴリへ自動的にグループ化し、かつ、そのグ
ループを異なる文脈と相関させる方法を提供することで
ある。
【０００９】
【課題を解決するための手段】本発明に従い、観測され
た事象を類似のカテゴリへ自動的にグループ化し、か
つ、観測された事象のグループを異なる文脈と相関させ
る方法は、異なる文脈における同一の情報を表現する複
数の観測された事象Ｕp のトレーニングセットＵを提供
することにより開始する。各観測された事象は、ある値
を有する少なくとも一つの記号特徴と、ある値を有する
少なくとも一つの文脈特徴を有する。
【００１０】次に、各事象の記号特徴の値は測定され、
また、各事象の文脈特徴の値は測定される。
【００１１】観測された事象のセットＵからは、第一組
のサブセットＵ（Ｃ1 ）とＵ（Ｃ1 ）バーが選択され
る。サブセットＵ（Ｃ1 ）は、あるセットＣ1 中で値を
有する文脈特徴を有する。サブセットＵ（Ｃ1 ）バー
は、あるセットＣ1 バー中で値を有する文脈特徴を有す
る。セットＣ1 とＣ1 バーは、文脈特徴値の補数のセッ
トである。
【００１２】観測された事象のセットＵの第二組のサブ
セットＵ（Ｃ2 ）とＵ（Ｃ2 ）バーもまた選択される。
サブセットＵ（Ｃ2 ）は、あるセットＣ2 中で値を有す
る文脈特徴を有する。サブセットＵ（Ｃ2 ）バーは、あ
るセットＣ2 バー中で値を有する文脈特徴を有する。セ
ットＣ2 とＣ2 バーは、文脈特徴値の補数のセットであ
る。セットＣ2 はセットＣ1 と異なり、また、サブセッ
トＵ（Ｃ2 ）はサブセットＵ（Ｃ1 ）及びＵ（Ｃ1 ）バ
ーと異なる。
【００１３】各組のセットＵ（Ｃn ）とＵ（Ｃn ）バー
には、但し、ｎは少なくとも１か２であり、サブセット
Ｕ（Ｃn ）中で観測された事象の記号特徴の値の類似Ａ
〔Ｕ（Ｃn ）〕が計算され、また、サブセットＵ（Ｃ
n ）バー中で観測された事象の記号特徴の値の類似Ａ
〔Ｕ（Ｃn ）〕バーが計算される。組み合わされた類
似、Ａ〔Ｕ（Ｃn ）〕とＡ〔Ｕ（Ｃn ）〕バーは、セッ
トＣn とＣn バー中の文脈特徴値が観測された事象の記
号特徴の値の変動をいかによく説明するかを推定する
「適合度」である。
【００１４】次に、最良の「適合度」を有する二セット
Ｕopt ＝Ｕ（Ｃn ）とＵopt バー＝Ｕ（Ｃn ）バーに対
応付けられた文脈特徴値のセットＣopt ＝Ｃn とＣopt
バー＝Ｃn バーは識別される。その後、観測された事象
は、セットＣopt 中で文脈特徴値を有する事象の第一セ
ットＵopt とセットＣopt バー中で文脈特徴値を有する
観測された事象の第二セットＵopt バー中へグループ化
される。
【００１５】本発明の態様において、記号特徴は、少な
くとも第一と第二の独立構成要素を有する。各構成要素
はある一つの値を有する。
【００１６】本発明に従って、セットＵ中の各事象は、
ある音素の発音でありうる。セットＵ中の事象Ｕp の全
ては、この実例では、ある単一音素を表現している。音
素の各発音の文脈特徴は、音素の発音の先及び／又は後
の一以上の文脈発音を有する。
【００１７】好ましくは、本発明に従って、複数の異な
る組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バーは選択さ
れ、また、「適合度」は各組のサブセットについて計算
される。
【００１８】音素の各発音の記号特徴は、音素の各発音
の音響特徴を少なくとも一つ有する。この場合、記号特
徴の値は、音響特徴値を表現する少なくとも二つの音響
特徴ベクトル信号を生産するよう少なくとも二つの連続
時間間隔のそれぞれの間に発音の音響特徴の値を測定す
ることにより計測される。各音響特徴ベクトル信号の音
響特徴値は、複数の原型ベクトル信号の各々のパラメタ
値に比較され、各音響特徴ベクトル信号に最良に一致さ
れる対応付けられた原型ベクトル信号を決定する。音響
特徴ベクトル信号と対応付けられた原型ベクトル信号を
表現するラベル信号は、音素の発音の記号特徴の構成要
素の値のコード化表現で出力される。
【００１９】あるサブセット事象中の事象の記号特徴の
値の類似は、各ラベル識別子とサブセット中の音素の各
発音にラベル識別子を表現するラベル信号の数を数え、
その計数を表現するラベル識別子度数信号を生産するこ
とにより計算されうる。その後、各ラベル識別子のため
に、ラベル信号計数の平均は、サブセットの全発音につ
いて計算され、平均計数信号を生産する。ラベル信号計
数の確率分布は、各ラベル識別子別に推定される。この
確率分布は、ラベル信号計数の平均と等しい期待値を有
する。
【００２０】各ラベル識別子とサブセット中の音素の各
発音には、ラベル識別子を表現するラベル信号の計数を
観測する確率が、ラベル信号計数の確率分布から推定さ
れる。その計数の確率は、全ラベル識別子とサブセット
中の全発音について掛け合わされて記号特徴の値の類似
を推定する類似信号を生産する。
【００２１】ラベル信号計数の確率分布は、例えば、ポ
アソン確率分布であってもよい。
【００２２】好ましくは、セットＵopt 中の全発音の音
響特徴値は、音素のある発音がセットＣopt 中で文脈特
徴値を有する場合、音素のあるモデルを生産するよう統
計的に組み合わされる。同様に、セットＵopt バー中の
全発音の音響特徴は、音素のある発音がセットＣopt バ
ー中で文脈特徴値を有する場合、音素のあるモデルを生
産するよう統計的に組み合わされる。
【００２３】本発明に従って、観測された事象を類似の
カテゴリへ自動的にグループ化し、かつ、観測された事
象のグループを異なる文脈と相関させる装置は、各事象
の記号特徴の値を測定する記号プロセッサ、と各事象の
文脈特徴の値を測定する文脈プロセッサを有する。選択
プロセッサは、異なる文脈特徴値を有する少なくとも二
組のサブセットを選択する。類似プロセッサは、各組の
サブセットのために記号類似と「適合度」を計算する。
最適化プロセッサは、最良の「適合度」を有するその組
のサブセットと対応付けられた文脈特徴値を識別し、ま
た、グループプロセッサは、これら最適サブセットに従
って観測された事象をグループ化する。
【００２４】本発明は、また、自動音声認識のための方
法と装置を含んでいる。この方法では、ある発音の少な
くとも一つの音響特徴が、音響特徴値を表現する音響特
徴ベクトル信号を生産するために測定される。この発音
は、一以上の音声単位の知られていないシーケンスを表
現する。
【００２５】一以上の音声単位の仮設シーケンスの仮説
モテルが、選択される。音声単位の仮説シーケンスは、
音声単位の仮説シーケンス中で文脈特徴を有する候補音
声単位を有する。その文脈特徴はある値を有する。その
仮説モデルは、候補音声単位の文脈特徴の値が文脈特徴
値のセットＣopt 中にあるならば、候補音声単位の第一
候補モデルを有する。仮説モデルは、候補音声単位の文
脈特徴の値が文脈特徴値のセットＣopt バー中にあるな
らば、第一候補モデルとは異なる第二候補モデルを有す
る。
【００２６】この仮説モデルからは、音声単位の仮説シ
ーケンスの発音が音声単位の知られていないシーケンス
の発音の音響特徴値に等しいある音響特徴値となる確率
は、推定される。
【００２７】自動音声認識のための方法と装置において
は、文脈特徴値のセットＣopt とＣopt バーは、本発明
に従って観測された事象を類似のカテゴリへ自動的にグ
ループ化し、かつ、観測された事象のグループを異なる
文脈と相関させることにより決定される。
【００２８】本発明に従う自動音声認識装置は、音声の
少なくとも一つの音響特徴の値を測定する音響プロセッ
サを有する。仮説プロセッサは、候補音声単位の文脈特
徴値がセットＣopt もしくはＣopt バー中にあるかどう
かを基にして音声単位の仮説シーケンスの少なくとも二
つの代替仮説モデルのうち一方を選択する。詳細一致プ
ロセッサは、被選択仮説モデルから、音声単位の仮説シ
ーケンスの発音が音声単位の知られていないシーケンス
の発音の音響特徴値に等しいある音響特徴値となる確率
を推定する。文脈特徴値のセットＣopt とＣopt バー
は、本発明に従って発音を類似のカテゴリへ自動的にグ
ループ化し、かつ、発音のグループを異なる文脈と相関
させるようトレーニングプロセッサによって判断され
る。
【００２９】
【実施例】
図１は、本発明に従って観測された事象を類似のカテゴ
リへ自動的にグループ化し、かつ、観測された事象のグ
ループを異なる文脈と相関させる方法のフローチャート
である。この方法は、同じ情報を異なる文脈で表現する
複数の観測された事象Ｕp のトレーニングセットＵを供
給することから開始する。それぞれの観測された事象
は、ある値を有する少なくとも一つの記号特徴とある値
を有する少なくとも一つの文脈特徴を有する。
【００３０】例えば、各事象は、ある音素の発音であり
うる。セットＵの中の事象Ｕp の全ては、ある単一の音
素を表現する。
【００３１】表１は、ある音素の発音の一セットの仮説
例を記載する。このセット中の事象は、語“ｔｏｗｅ
ｌ”，“ａｘｅｌ”，“ｂｅｇ”，“ｐｏｗｅｒ”，
“ｎｅｃｋ”，“ｐｕｍｍｅｌ”，“ｗｅｔ”，“ｏｆ
ｔｅｎ”，“ｗｏｎｄｅｒ”，“ｓｔｅｐ”，“ｇｅ
ｔ”，及び“ｔｈｕｎｄｅｒ”中の軟音の“ｅ”音素の
発音である。
【００３２】
【表１】
【００３３】その代わりに、事象は、例えば、文字又は
数字等の単一キャラクタの書込み又は印字の複数の存在
でありうる。他の種の観測された事象もまた本発明を使
用することによりグループ化され、かつ、文脈上関連付
けられうる。
【００３４】次に、各事象の記号特徴値が測定される。
事象がある音素の発音である場合に、記号特徴は、例え
ば、音素の各発音の少なくとも一つの音響特徴となりう
る。
【００３５】表１の仮説実例に示す通り、記号特徴は、
一連の時間間隔それぞれの間で音素の発音の音響特徴を
表現する音響ラベルの記号列である。この実例が“１”
又は“２”の値を有するたった二つの音響ラベルを示す
が、実際には、各音素の音響特徴は、例えば、２００ラ
ベルのセットからラベル付けされる。
【００３６】好ましくは、各事象の記号特徴は、少なく
とも第一と第二の独立構成要素を有する。各構成要素は
ある値を有する。
【００３７】表１の仮説実例では、音響ラベル記号列
は、各発音された音素の記号特徴である。記号列中の各
音響ラベルは、記号特徴のある独立構成要素である。従
って、この実例では、その記号特徴は、３から７の独立
構成要素を有する。
【００３８】本発明に従って、各事象の文脈特徴の値も
また測定される。事象がある音素の発音である場合に、
文脈特徴は、例えば、音素の発音の先又は後の一以上の
発音を有する。
【００３９】表１に示す通り、文脈特徴は、例えば、軟
音の“ｅ”のすぐ後の発音された音素でありうる。
【００４０】実際には、しかしながら、その文脈は、事
象により表現された音素のすぐ先の５音素とすぐ後の５
音素によって規定される。
【００４１】５４音素のあるセットは、例えば、英語の
の音声単位を規定するのに使用される。
【００４２】観測された事象のセットＵからは、一組の
サブセットＵ（Ｃ1 ）とＵ（Ｃ1 ）バーが選択される。
サブセットＵ（Ｃ1 ）は、セットＣ1 中で値を有する文
脈特徴を有する。サブセットＵ（Ｃ1 ）バーは、セット
Ｃ1 バー中で値を有する文脈特徴を有する。セットＣ1
とＣ1 バーは、文脈特徴値の補数セットである。
【００４３】一組のサブセットＵ（Ｃ2 ）とＵ（Ｃ2 ）
バーもまた選択される。サブセットＵ（Ｃ2 ）は、セッ
トＣ2 中で値を有する文脈特徴を有し、また、サブセッ
トＵ（Ｃ2 ）バーは、セットＣ2 バー中で値を有する文
脈特徴を有する。セットＣ2 とＣ2 バーは、文脈特徴値
の補数セットである。セットＣ2 は、セットＣ1 とは異
なる。サブセットＵ（Ｃ2 ）は、サブセットＵ（Ｃ1 ）
とサブセットＵ（Ｃ1 ）バーとは異なる。
【００４４】主体音素が異なる文脈の数Ｎc においてト
レーニングセットＵ中で観測される場合、異なる文脈の
セットＣn とＣn バーの組数は、次式〔１〕によって与
えられる。
【００４５】
【数１】
【００４６】再び仮説の及び単純化された実例、表１を
参照して、文脈特徴値は、“Ｌ”，“Ｇ”，“Ｒ”，
“ＣＫ”，“Ｔ”，“Ｎ”，及び“Ｐ”である。従っ
て、異なる文脈特徴値のＮc の数は、７である。その結
果、異なる文脈特徴値の６３組のセットＣn とＣn バ
ー、及び文脈によって分類された事象の６３組のセット
Ｕ（Ｃn ）とＵ（Ｃn ）バーがある。
【００４７】表２は、表１の１２のトレーニング発音と
は異なる文脈の全６３セットＣn とＣn バーを記載す
る。この実例では、セットＣ1 ＝｛Ｌ，Ｒ｝とセットＣ
1 バー＝｛Ｇ，ＣＫ，Ｔ，Ｎ，Ｐ｝である。従って、観
測された事象のサブセットＵ（Ｃ1 ）は、語｛ｔｏｗｅ
ｌ，ａｘｅｌ，ｐｏｗｅｒ，ｐｕｍｍｅｌ，ｗｏｎｄｅ
ｒ，ｔｈｕｎｄｅｒ｝のセット中で軟音の“ｅ”音素を
発音を含む。サブセットＵ（Ｃ1 ）バーは、語｛ｂｅ
ｇ，ｎｅｃｋ，ｗｅｔ，ｏｆｔｅｎ，ｓｔｅｐ，ｇｅ
ｔ｝の中で軟音の“ｅ”の発音を含む。
【００４８】
【表２】
【００４９】また、この実例では、文脈特徴値セットＣ
2 ＝｛Ｌ，Ｇ，Ｔ｝，及び文脈特徴値セットＣ2 バー＝
｛Ｒ，ＣＫ，Ｎ，Ｐ｝である。従って、サブセットＵ
（Ｃ2 ）は、語｛ｔｏｗｅｌ，ａｘｅｌ，ｂｅｇ，ｐｕ
ｍｍｅｌ，ｗｅｔ，ｇｅｔ｝の中で軟音の“ｅ”音素の
発音を含み、また、サブセットＵ（Ｃ2 ）バーは、語
｛ｐｏｗｅｒ，ｎｅｃｋ，ｏｆｔｅｎ，ｗｏｎｄｅｒ，
ｓｔｅｐ，ｔｈｕｎｄｅｒ｝の中で軟音の“ｅ”音素の
発音を含む。
【００５０】少なくとも二組の観測された事象のサブセ
ットが選択された後に、各組のサブセットのために、サ
ブセットＵ（Ｃn ）中の観測され事象の記号特徴の値の
類似Ａ〔Ｕ（Ｃn ）〕は計算され、また、サブセットＵ
（Ｃn ）バー中の観測された事象の記号特徴の値の類似
Ａ〔Ｕ（Ｃn ）〕バーは計算される。Ａ〔Ｕ（Ｃn ）〕
とＡ〔Ｕ（Ｃn ）〕バーの組み合わせは、いかによくセ
ットＣn とＣn バー中の文脈特徴値が観測された事象の
記号特徴の値の変動を説明するかを推定する「適合度」
である。
【００５１】各組のサブセットのために「適合度」を計
算した後、最良の「適合度」を有する二セットＵopt ＝
Ｕ（Ｃn ）とＵopt バー＝Ｕ（Ｃn ）バーと対応付けら
れた文脈特徴値のセットＣopt ＝Ｃn とＣopt バー＝Ｃ
n バーは識別される。
【００５２】この実例では、表２に示されたセットＣn
とＣn バー中の値を有する文脈特徴を有する全６３組の
サブセットＵ（Ｃn ）とＵ（Ｃn ）バーは選択されてい
る。類似と「適合度」は、これらセットの全てのために
計算され、また、最良の「適合度」は識別されている。
しかしながら、実際には、余りに多くの組のサブセット
があるので、全組のサブセットのために類似と「適合
度」を計算することはできない。この場合、最も有望な
組のサブセットのみが、選ばれたある基準に従って、手
動的又は自動的に選択される。
【００５３】図２は、音素の発音の記号特徴（音響特
徴）の値を測定するステップのフローチャートである。
まず、発音の少なくとも一つの音響特徴の値は、少なく
とも二つの連続する時間間隔のそれぞれの間で測定さ
れ、音響特徴値を表現する少なくとも二つの音響特徴ベ
クトル信号を生成する。実際には、各音響特徴は、選択
されたある周波数帯内における発音の測定されたエネル
ギーレベルである。
【００５４】複数の原型ベクトル信号は記憶される。実
際には、少なくとも一つのパラメタ値と固有のラベル識
別子を各々有する、２００までの異なる原型ベクトル信
号がありうる。
【００５５】各音響特徴ベクトル信号の音響特徴値は、
原型ベクトル信号のパラメタ値と比較され、各音響特徴
ベクトル信号に最良に一致される対応付けられた原型ベ
クトル信号を判断する。音響特徴ベクトル信号と対応付
けされた原型ベクトル信号のラベル識別子を表現するラ
ベル信号の記号列は、音素の発音の記号（音響）特徴の
値のコード化表現として出力される。その記号列中の各
ラベル信号は、記号特徴の独立構成要素である。
【００５６】図３は、あるサブセットの事象中の事象の
記号特徴の値の類似の計算の実例のフローチャートであ
る。まず、各ラベル識別子とサブセット中の音素の各発
音のために、ラベル識別子を表現するラベル信号の数
は、数えられ、その計数を表現するラベル識別子周波数
信号を生成する。
【００５７】表３−６は、発音のトレーニングセット中
の各発音のためにラベル１計数とラベル２計数を示す。
例えば、語“ｔｏｗｅｌ”中の軟音の“ｅ”音素に対応
する音響ラベル記号列は、（１、２、１、１、２、１）
である。従って、ラベル１計数（ｆ1 ）は４であり、ま
た、ラベル２計数（ｆ2 ）は２である。
【００５８】
【表３】
【００５９】
【表４】
【００６０】
【表５】
【００６１】
【表６】
【００６２】各ラベル識別子のために、ラベル信号計数
の平均は、平均計数信号を生産するようサブセット中の
全発音用に計算される。表３−６に示す通り、サブセッ
トＵ（Ｃ1 ）用の平均ラベル１計数（μ1 ）は４．３３
であり、また、サブセットＵ（Ｃ1 ）用の平均ラベル２
計数（μ2 ）は１．８３である。その他の平均ラベル計
数は表４−６に示されている。
【００６３】各ラベル識別子のために、ラベル信号計数
の確率分布は、推定される。この確率分布は、ラベル信
号計数の平均に等しい期待値を有する。好ましくは、確
率分布はポアソン確率分布である。他に代わる確率分布
の、多項確率分布等もまた使用されうる。
【００６４】各ラベル識別子とサブセット中の音素の各
発音のために、ラベル識別子を表現するラベル信号の計
数を観測する確率は、ラベル信号計数の確率分布から推
定される。
【００６５】最後に、全ラベル識別子とサブセット中の
全発音のために、計数の確率は、記号特徴の値の類似を
推定する類似信号を生成するよう掛け算される。
【００６６】表３−６に示された類似計算は、ポアソン
確率分布に基づいている。ラベル記号列がμi の期待値
を有するポアソン源によって生成されると仮定すれば、
ついであるラベルｉのために計数ｆi を得る確率は、次
式によって与えられる。
【００６７】
【数２】
【００６８】両辺の対数（底２）を取れば、次式を得
る。
【００６９】
【数３】 Ｐ(ｆi，μi) ＝ｌｏｇ Ｐｒｏｂ(ｆi)＝ｆi ｌｏｇμi −μi −ｌｏ
ｇ(ｆi!)
【００７０】計数の確率の積の対数が計数の確率の対数
の和に等しいので、あるサブセット中の発音された音素
の音響特徴値の類似は、次式によって与えられる。
【００７１】
【数４】
【００７２】ここで、Ｆは異なるラベルの数である（こ
の実例ではＦ＝２）。この確率の対数Ｐ（ｆi 、μi ）
は、それぞれ表３−６の各サブセットＵ（Ｃ1 ）、Ｕ
（Ｃ1 ）バー、Ｕ（Ｃ2 ）、及びＵ（Ｃ2 ）バーのため
に計算され、かつ、合計される。
【００７３】各組のサブセットの「適合度」は、類似Ａ
〔Ｕ（Ｃn ）〕と類似Ａ〔Ｕ（Ｃn ）〕バーを組み合わ
せることにより得られる。この実例では、類似が対数と
して計算されるので、類似は加法によって組み合わされ
る。その「適合度」はＡ〔Ｕ（Ｃn ）〕＋Ａ〔Ｕ（Ｃ
n ）〕バーである。その代わりに、確率の対数の代わり
に、類似が確率として計算されたならば、類似は、乗法
によって組み合わされる。その「適合度」は、その時Ａ
〔Ｕ（Ｃn ）〕×Ａ〔Ｕ（Ｃn ）〕バーである。
【００７４】サブセットＵ（Ｃ1 ）とＵ（Ｃ1 ）バーが
サブセットＵ（Ｃ2 ）とＵ（Ｃ2 ）バーより良い（この
場合、高いが好ましい）組合せ類似を有するので、文脈
特徴値のセットＣ1 とＣ1 バーは、観測された事象をグ
ループ化する基礎として選択される。
【００７５】好ましくは、事象を類似のカテゴリへグル
ープ化し、かつ、そのグループを異なる文脈と相関させ
る方法は、大きな類似と大きな文脈相感を有する事象の
小さなグループを得るよう観測された事象Ｕopt とＵ
opt バーの出力グループを各々結果とするために繰り返
される。その処理は、重要な改良が得られないまでは、
各出力グループで繰り返される。例えば、「適合度」の
増加が被選択しきい値以下に落ちるまで、その処理は、
各出力グループで繰り返される。
【００７６】ある音素の音響的に類似の文脈関連発音の
各終点サブセット（即ち、もう分割されない各サブセッ
ト）のために、サブセット中の全発音の音響特徴値は、
音素のある発音が対応付けられた文脈特徴値を有する場
合、音素のモデルを生産するよう統計的に組み合わされ
る。ある音素モデルを生産するよう音響特徴値を統計的
に組み合わせる処理は、例えば、（音響、音声、及び信
号処理の１９８８年ＩＥＥＥ国際会議の会議録、１９８
８年４９７−５００頁の）エル・アール・バール他によ
る表題“タンゴラ音声認識システム（Ｔａｎｇｏｒａ
Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｔｉｏｎ Ｓｙｓｔｅ
ｍ）に使用された音響マルコフモデル（Ａｃｏｕｓｔｉ
ｃ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ）”を記載される。
【００７７】図４は、本発明に従って観測された事象を
類似のカテゴリへ自動的にグループ化し、かつ、観測さ
れた事象のグループを異なる文脈と相関させる装置のブ
ロック線図である。その装置は、各事象の記号特徴の値
を測定する記号プロセッサ、と各事象の文脈特徴の値を
測定する文脈プロセッサを含む。選択プロセッサは、数
組のサブセットＵ（Ｃ1 ）、Ｕ（Ｃ1 ）バー、Ｕ（Ｃ
2 ）、及びＵ（Ｃ2 ）バーを選択する。類似プロセッサ
は、各サブセット中の観測された事象の記号特徴の値の
類似を計算し、かつ、各組のサブセットのために「適合
度」を計算する。
【００７８】最適化プロセッサは、最良の「適合度」を
有する事象サブセットと対応付けられた文脈特徴値サブ
セットを識別する。グループ化プロセッサは、これら文
脈特徴値に従って観測された事象をグループ化する。
【００７９】図５は、各事象が、例えば、ある音素の発
音である記号プロセッサと文脈プロセッサを示すブロッ
ク線図である。
【００８０】ブロック１０内に記憶されたトレーニング
書体は、ディスプレイ１２上に表示される。トレーニン
グ書体は、ディスプレイ１２から読み込まれ、かつ、マ
イクロフォン１４中へ発声される。マイクロフォン１４
の出力は、ブロック１６内でサンプリングされ、かつ、
ディジタル化される。サンプリングされ、かつ、ディジ
タル化された信号は、特徴抽出装置１８に入り、この特
徴抽出装置１８は、音響特徴値を表現する一連の音響特
徴ベクトル信号を生産するよう各一連の時間間隔の間で
各多数の異なる周波数帯内の信号のエネルギーを測定す
る。
【００８１】ラベラ２０は、各音響特徴ベクトル信号の
音響特徴値を原型記憶装置２２内の原型ベクトル信号の
パラメタ値と比較し、各音響特徴ベクトル信号に最良に
一致される対応付けられた原型ベクトル信号を決定す
る。ラベラ２０は、音素の発音の記号特徴の値のコード
化表現として音響特徴ベクトル信号と対応付けられた原
型ベクトル信号のラベル識別子を表現するラベル信号の
記号列を出力する。記号列中の各ラベル信号は、記号特
徴の独立構成要素である。
【００８２】ビタビ（Ｖｉｔｅｒｂｉ）位置合せプロセ
ッサ２４は、トレーニング書体１０に対応するモデルラ
イブラリ２６から音素モデルの記号列を検索する。プロ
セッサ２４は、ついでラベラ２０からのラベル出力の記
号列に対してモデルの記号列を整列させる。結果とし
て、各音素モデルは、発音された音素に対応するラベル
の部分列に対して整列する。整列の結果は、事象のタブ
レット２８内に記憶される。
【００８３】トレーニング書体１０、そして音素モデル
のライブラリ２６からは、文脈プロセッサ３０は、トレ
ーニング書体中で各音素の文脈を決定する。その文脈も
またタブレット２８内に記憶される。
【００８４】図６は、本発明に従う自動音声認識装置の
ブロック線図である。音響プロセッサ３２は、音響特徴
値を表現する音響特徴ベクトル信号を生産するようある
発音の少なくとも一つの音響特徴の値を測定する。その
発音は、一つ以上の音声単位の知られていないシーケン
スを表現する。
【００８５】かかる装置は、発音を生産した音声単位の
知られていないシーケンスの識別に関し仮設を生成する
仮説プロセッサ３４をさらに含む。
【００８６】例えば、まず、仮説プロセッサ３４は、語
と音素のモデルのライブラリ３６から高速音響一致プロ
セッサ４０へあらゆる語を提案する。高速音響一致プロ
セッサ４０は、各語モデルのために、語の発音が音声単
位の知られていないシーケンスの発音の少なくとも一部
の特徴値に等しい音響特徴値を有する確率を推定する。
【００８７】仮説プロセッサ３４は、ついで言語モデル
プロセッサ３８の候補として被選択しきい値を越える高
速音響一致確率を有する全語を選択する。
【００８８】言語モデルプロセッサ３８は、ついで残る
語の各々について、その語が言語モデル４２、と先と後
の語の仮説に基づく音声単位の知られていないシーケン
ス中にある確率を推定する。被選択しきい値以下の確率
を有する仮説は、拒否される。
【００８９】被選択しきい値を越える組合せ高速音響一
致プロセッサ点と言語モデルプロセッサ点を有する仮説
は、ついで詳細音響一致プロセッサ４４へ提出される。
【００９０】詳細一致プロセッサ４４のために、仮説プ
ロセッサ３４は、一以上の音声単位の仮説シーケンスの
仮説モデルを選択する。音声単位のシーケンスは、語の
シーケンスでありうる。音声単位の仮説シーケンスは、
候補音素等の候補音声単位を有する。候補音声単位は、
音声単位の仮説シーケンスの中である文脈を有する。そ
の文脈は、例えば、仮説の中で先と後の音素を有する。
【００９１】仮説モデルは、候補音声単位の文脈特徴の
値が文脈特徴値のセットＣopt 中にあるならば、候補音
声単位の第一候補モデルを有する。仮説モデルは、候補
音声単位の文脈特徴の値が文脈特徴値のセットＣopt バ
ー中にあるならば、候補音声単位の第一候補モデルとは
異なる第二候補モデルを有する。
【００９２】表１−６の仮説実例に戻れば、Ｃopt ＝
｛Ｌ，Ｒ｝とＣopt バー＝｛Ｇ，ＣＫ，Ｔ，Ｎ，Ｐ｝が
わかる。従って、仮説の音素文脈が“Ｌ”又は“Ｒ”な
らば、仮説プロセッサ３４は、語“ｔｏｗｅｌ”，“ａ
ｘｅｌ”，“ｐｏｗｅｒ”，“ｐｕｍｍｅｌ”，“ｗｏ
ｎｄｅｒ”，及び“ｔｈｕｎｄｅｒ”の発音から生成さ
れた軟音の“ｅ”の候補モデルを選択する。その代わり
に、音素文脈が“Ｇ”，“ＣＫ”，“Ｔ”，“Ｎ”，又
は“Ｐ”であれば、ついで語“ｂｅｇ”，“ｎｅｃ
ｋ”，“ｗｅｔ”，“ｏｆｔｅｎ”，“ｓｔｅｐ”，及
び“ｇｅｔ”の発音から生成された軟音の“ｅ”の文脈
依存モデルは、ライブラリ３６から選択される。
【００９３】最後に、仮説プロセッサ３４によって選択
されたモデルは、被選択モデルから、音声単位の仮説シ
ーケンスの発音が音声単位に知られていないシーケンス
の発音の音響特徴値と等しい音響特徴値を有する確率を
推定する詳細音響一致プロセッサ４４へ提出される。
【００９４】上記記載の通り、観測された事象を類似の
カテゴリへ自動的にグループ化し、かつ、観測された事
象のグループを異なる文脈と相関させる本発明に従う方
法は、観測された事象の記号特徴の値のより大きな類似
によって文脈依存グループを抽出するために各出力セッ
トＵopt とＵopt バーにおいて実行されうる。記号特徴
値がビタビ位置合せによって選択された音響ラベル記号
列である場合、いくつかの音響ラベル記号列が誤って配
列され、ラベル記号列のいくつかが正しくなくなる可能
性がある。
【００９５】間違ったラベル記号列を取り除くために、
低い数のラベル記号列（例えば、５未満のラベル記号
列）を含むどんな終点出力セットＵopt 又はＵopt バー
も最も含んでいそうな間違ったデータとして見捨てられ
る。
【００９６】文脈特徴値のセットと対応付けられた音響
ラベル記号列のお互いの末端出力セットのためには、各
音響ラベル記号列が次の方法で試験される。
【００９７】音響ラベル記号列のセットＳ中のラベル記
号列ｓのために、その記号列中のラベルｉの出現の数
は、ｓi によって示される。記号列ｓは、Ｓから取り除
かれ、また、ポアソンモデルは、Ｓ中の記号列の残りに
適合される。このポアソンモデルのパラメータμi 、ｉ
＝１，．．．，Ｆ，は次式によって与えられる。
【００９８】
【数５】
【００９９】ここで、ＮはＳ中の記号列の数である。記
号列ｓを与えられたこのポアソンモデルに観測する確率
は、次式である。
【０１００】
【数６】
【０１０１】この確率が被選択しきい値以下であるなら
ば、記号列ｓは見捨てられる。
【０１０２】Ｓ中の全記号列の処理を繰り返した後に、
文脈依存モデルは、Ｓ中に残存する記号列から構成され
る。
【０１０３】
【発明の効果】本発明に従う方法と装置は、多くの時間
を要するクラスタ化ステップを必要とせずに、観測され
た事象を類似のカテゴリへ自動的にグループ化し、か
つ、観測された事象のグループを異なる文脈と相関させ
るので、効果的である。特に、本発明に従う方法と装置
は、観測された事象が少なくとも第一と第二の独立構成
要素によって記号特徴を有する場合、クラスタ化ステッ
プを避ける点で効果的である。更に、「適合度」が類似
測定に基づくので、より正確なグループ化を得ることが
できる。
【０１０４】本明細書及び要約書において
【外１】 はＵ（Ｃ1 ）バーと表現し、
【外２】 はＣ1 バーと表現し、
【外３】 はＵ（Ｃ2 ）バーと表現し、
【外４】 はＣ2 バーと表現し、
【外５】 はＵ（Ｃn ）バーと表現し、
【外６】 はＡ〔Ｕ（Ｃn ）〕バーと表現し、
【外７】 はＣn バーと表現し、
【外８】 はＣopt バーと表現し、
【外９】 はＵopt バーと表現する。
【図面の簡単な説明】
【図１】本発明に従って観測された事象を類似のカテゴ
リへ自動的にグループ化し、かつ、観測された事象のグ
ループを異なる文脈と相関させる方法のフローチャート
である。
【図２】音素（観測された事象）の発音の音響特徴値
（記号特徴値）を測定する方法の実例のフローチャート
である。
【図３】発音のサブセットのために音響（記号）類似を
計算する方法の実例のフローチャートである。
【図４】観測された事象を類似のカテゴリへ自動的にグ
ループ化し、かつ、観測された事象のグループを異なる
文脈と相関させる本発明に従う装置のブロック線図であ
る。
【図５】図４の記号プロセッサと文脈プロセッサの構成
のブロック線図である。
【図６】本発明に従う自動音声認識装置のブロック線図
である。
【符号の説明】
１０ トレーニング書体 １２ ディスプレイ １４ マイクロフォン １６ サンプラとディジタイザ １８ 特徴抽出装置 ２０ ラベラ ２２ 原型記憶装置 ２４ ビタビ位置合せプロセッサ ２６ 先行音素モデルのライブラリ ２８ 事象音素の単音ラベル文脈のタブレット ３０ 文脈プロセッサ ３２ 音響プロセッサ ３４ 仮説プロセッサ ３６ 語と音素のモデルのライブラリ ３８ 言語モデルプロセッサ ４０ 高速音響一致プロセッサ ４２ 言語モデル ４４ 詳細音響一致プロセッサ
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ピーター ブイ． デ スーザ アメリカ合衆国10598、ニューヨーク州ヨ ークタウンハイツ、ホワイト ヒル ロー ド 1301 (72)発明者 ポナニ エス． ゴパラクリシュナン アメリカ合衆国10520、ニューヨーク州ク ロトン−オン−ハドソン、セニック ドラ イブ 25ジェイ (72)発明者 デヴィッド ナハムー アメリカ合衆国10605、ニューヨーク州ホ ワイト プレインズ、エルムウッド ロー ド 12 (72)発明者 マイケル エイ． ピチェニー アメリカ合衆国10606、ニューヨーク州ホ ワイト プレインズ、ラルフ アベニュー 118 (56)参考文献 特開 昭63−192098（ＪＰ，Ａ)

Claims (15)

    【特許請求の範囲】
  1. 【請求項１】観測された事象を類似のカテゴリへ自動的
    にグループ化し、かつ、観測された事象のグループを異
    なる文脈と相関させ、自動音声認識用に音素を発音を音
    類似に基づく文脈依存カテゴリへグループ化する方法で
    あって、 異なる文脈において同一の情報を表現し、その各々があ
    る値を有する少なくとも一つの記号特徴とある値を有す
    る少なくとも一つの文脈特徴とを有する、複数の観測さ
    れた事象Ｕp のトレーニングセットＵを供給するステッ
    プ； 各事象の記号特徴の値を測定するステップ； 各事象の文脈特徴の値を測定するステップ； セットＣ1 とセットＣ1 バーとが文脈特徴値の補数セッ
    トであるところの、観測された事象Ｕp のトレーニング
    セットＵの一組のサブセットであって、セットＣ1 中で
    値を有する文脈特徴を有するサブセットＵ（Ｃ1 ）とセ
    ットＣ1 バー中で値を有する文脈特徴を有するサブセッ
    トＵ（Ｃ1 ）バーとを選択するステップ； セットＣ2 とセットＣ2 バーとは文脈特徴値の補数セッ
    トであり、セットＣ2 はセットＣ1 と異なり、サブセッ
    トＵ（Ｃ2 ）はサブセットＵ（Ｃ1 ）と異なり、かつ、
    サブセットＵ（2 ）はサブセットＵ（Ｃ1 ）バーと異な
    るところの、観測された事象Ｕp のトレーニングセット
    Ｕの一組のサブセットであって、セットＣ2 中で値を有
    する文脈特徴を有するサブセットＵ（Ｃ2 ）とセットＣ
    2 バー中で値を有する文脈特徴とを有するＵ（Ｃ2 ）バ
    ーとを選択するステップ； 各々の組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バー（こ
    こで、ｎは少なくとも１又は２）とについて、類似Ａ
    〔Ｕ（Ｃn ）〕と類似Ａ〔Ｕ（Ｃn ）〕バーの組合せが
    セットＣn とＣn バー中の文脈特徴値が観測された事象
    の記号特徴の値の変動をいかによく説明するかを推定す
    る「適合度」であるところの、サブセットＵ（Ｃn ）中
    の観測された事象の記号特徴の値の類似Ａ〔Ｕ（Ｃ
    n ）〕を計算するとともに、サブセットＵ（Ｃn ）バー
    中の観測された事象の記号特徴の値の類似Ａ〔Ｕ（Ｃ
    n ）〕バーを計算するステップ； 各々の組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バーとの
    うちの最良の「適合度」を有する２セットであるＵopt
    ＝Ｕ（Ｃn ）とＵopt バー＝Ｕ（Ｃn ）バーとに対応付
    けられた、文脈特徴値のセットＣopt ＝Ｃn とセットＣ
    opt バー＝Ｃn バーとを識別するステップ；及び 観測された事象を、セットＣopt 中で文脈特徴値を有す
    る観測された事象の第一の出力セットＵopt と、セット
    Ｃopt バー中で文脈特徴値を有する観測された事象の第
    二の出力セットＵopt バーとへグループ化するステッ
    プ； を有する自動音声認識用に音類似に基づく文脈依存カテ
    ゴリへ音素を発音をグループ化する方法。
  2. 【請求項２】記号特徴はある値を各々有する少なくとも
    第一と第二の独立構成要素を有すること を特徴とする請求項１記載の自動音声認識用に音類似に
    基づく文脈依存カテゴリへ音素の発音をグループ化する
    方法。
  3. 【請求項３】セットＵ中の各事象は音素の発音であるこ
    とと、 セットＵ中の事象Ｕp の全ては単一音素を表わすこと
    と、 音素の各発音の文脈特徴は音素の発音の先又は後の一以
    上の文脈発音を有することと、 を特徴とする請求項２記載の自動音声認識用に音類似に
    基づく文脈依存カテゴリへ音素の発生をグループ化する
    方法。
  4. 【請求項４】サブセットを選択する上記ステップが、各
    サブセットＵ（Ｃn ）はセットＣn 中で値を有する文脈
    特徴を有し、各サブセットＵ（Ｃn ）バーはセットＣn
    バー中で値を有する文脈特徴を有し、かつ、セットＣn
    とＣn バーは文脈特徴値の補数セットであるところの、
    観測された事象のセットＵの複数の異なるＮ（Ｎは２以
    上の値を有する整数）組のサブセットＵ（Ｃn ）とサブ
    セットＵ（Ｃn ）バー（ｎは１からＮまでの整数値）と
    を選択するステップを有すること、 を特徴とする請求項３記載の自動音声認識用に音類似に
    基づく文脈依存カデコリへ音素の発音をグループ化する
    方法。
  5. 【請求項５】音素の各発音の記号特徴は音素の各発音の
    少なくと門一つの音響特徴を有することと、 音素の発音の記号特徴の値を測定するステップは、 少なくとも二つの連続する時間間隔の各々の間に発音の
    音響特徴を値を測定して音響特徴値を表わす少なくとも
    二つの音響特徴ベクトル信号を発生するステップ； 各々が少なくとも一つのパラメタ値と固有のラベル識別
    子とを有する原型ベクトル信号を複数記憶するステッ
    プ； 各音響特徴ベクトル信号の音響特徴値と原型ベクトル信
    号のパラメタ値とを比較して各音響特徴ベクトル信号に
    最良に一致される対応付けられた原型ベクトル信号を決
    定するステップ；及び 音素の発音の記号特徴の第一と第二の独立構成要素の値
    のコード化表現として音響特徴ベクトル信号と対応付け
    られた原型ベクトル信号のラベル識別子を表わす少なく
    とも二つのラベル信号を出力するステップ； を有すること、 を特徴とする請求項４記載の自動音声認識用に音類似に
    基づく文脈依存カテゴリへ音素の発音をグループ化する
    方法。
  6. 【請求項６】事象のサブセット中の事象の記号特徴の値
    の類似を計算するステップは、 各ラベル識別子とサブセット中の音素の各発音とについ
    て、ラベル識別子を表わすラベル信号の数を計数し、計
    数を表わすラベル識別子周波数信号を発生するステッ
    プ； 各ラベル識別子について、サブセット中の全発音用にラ
    ベル信号計数の平均を計算し、平均計数信号を発生する
    ステップ； 各ラベル識別子について、ラベル信号計数の確率分布で
    あって、ラベル信号計数の平均に等しい期待値を有する
    確率分布を確定するステップ； 各ラベル識別子とサブセット中の音素の各発音とについ
    て、ラベル信号計数の確率分布からラベル識別子を表わ
    すラベル信号の計数を観測する確率を推定するステッ
    プ；及び 全ラベル識別子とサブセット中の全発音について、計数
    の確率を掛けて、記号特徴の値の類似を推定する類似信
    号を発生するステップ； を有することを特徴とる請求項５記載の自動音声認識用
    に音類似に基づく文脈依存カテゴリへ音素の発音をグル
    ープ化する方法。
  7. 【請求項７】確率分布はポアソン確率分布であること、 を特徴とする請求項６記載の自動音声認識用に音類似に
    基づく文脈依存カテゴリへ音素の発音をグループ化する
    方法。
  8. 【請求項８】音素の発音がセットＣopt 中で文脈特徴値
    を有する場合、セットＵopt 中の全発音の音響特徴値を
    統計的に組合せ、音素のモデルに生産するステップ；及
    び 音素の発音がセットＣopt バー中で文脈特徴値を有する
    場合、セットＵopt バー中の全発音の音響特徴値を統計
    的に組合せ、音素のモデルを生産するステップ； をさらに有する請求項７記載の自動音声認識用に音類似
    に基づく文脈依存カテゴリへ音素の発音をグループ化す
    る方法。
  9. 【請求項９】異なる文脈において同一の情報を表現する
    複数の観測された事象Ｕp のトレーニングセットＵ中に
    含まれ、ある値を有する少なくとも一つの記号特徴とあ
    る値を有する少なくとも一つの文脈特徴とを有する観測
    された事象を類似のカテゴリへ自動的にグループ化し、
    かつ、観測された事象のグループを異なる文脈と相関さ
    せる、自動音声認識用に音類似に基づく文脈依存カテゴ
    リへ音素の発音グループ化する装置であって、 各事象の記号特徴を値を測定する、記号プロセッサ； 各事象の文脈特徴の値を測定する、文脈プロセッサ； 選択プロセッサであって、 この選択プロセッサは、セットＣ1 とＣ1 バーとが文脈
    特徴値の補数セットであるところの、観測された事象Ｕ
    p のトレーニングセットＵの一組のサブセットであっ
    て、セットＣ1 中で値を有する文脈特徴を有するサブセ
    ットＵ（Ｃ1 ）とセットＣ1 バー中で値を有する文脈特
    徴を有するサブセットＵ（Ｃ1 ）バーとを選択し、 更に、この選択プロセッサは、セットＣ2 とＣ2 バーが
    文脈特徴値の補数セットであり、セットＣ2 がセットＣ
    1 と異なり、サブセットＵ（Ｃ2 ）がサブセットＵ（Ｃ
    1 ）と異なり、かつ、サブセットＵ（Ｃ2 ）がサブセッ
    トＵ（Ｃ1 ）バーと異なるところの、観測された事象Ｕ
    p のトレーニングセットＵの一組のサブセットであっ
    て、セットＣ2 中で値を有する文脈特徴を有するサブセ
    ットＵ（Ｃ2 ）とセットＣ2 バー中で値を有する文脈特
    徴を有するサブセットＵ（Ｃ2 ）バートとを選択する、
    選択プロセッサ； 各々の組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バー（ｎ
    は少なくとも１又は２）とについて、類似Ａ〔Ｕ（Ｃ
    n ）〕とＡ〔Ｕ（Ｃn ）〕バーとの組合せはセットＣn
    とＣn バー中の文脈特徴値が観測された事象の記号特徴
    の値の変動をいかによく説明するかを推定する「適合
    度」であるところの、サブセットＵ（Ｃn ）中の観測さ
    れた事象の記号特徴の値の類似Ａ〔Ｕ（Ｃn ）〕を計算
    するとともに、サブセットＵ（Ｃn ）バー中の観測され
    た事象の記号特徴の値を類似Ａ〔Ｕ（Ｃn ）〕バーを計
    算する、類似プロセッサ； 各々の組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バーとの
    うちの最適の「適合度」を有する２セットであるＵopt
    ＝Ｕ（Ｃn ）とＵopt バー＝Ｕ（Ｃn ）バーとに対応付
    けられた、文脈特徴値のセットＣopt ＝Ｃn とセットＣ
    opt バー＝Ｃn バーとを識別する、最適化プロセッサ；
    及び 観測された事象を、セットＣopt 中で文脈特徴値を有す
    る観測された事象の第一の出力セットＵopt と、セット
    Ｃopt バー中で文脈特徴値を有する観測された事象の第
    二の出力セットＵopt バー中とへグループ化する、グル
    ープ化プロセッサ； を有する自動音声認識用に音類似に基づく文脈依存カテ
    ゴリへ音素の発音をグループ化する装置。
  10. 【請求項１０】記号特徴はある値を各々有する少なくと
    も第一と第二の独立構成要素を有すること を特徴とする請求項９記載の自動音声認識用に音類似に
    基づく文脈依存カテゴリへ音素の発音をグループ化する
    装置。
  11. 【請求項１１】セットＵ中の各事象は音素の発音である
    ことと、 セットＵ中の事象Ｕp の全ては単一音素を表わすこと
    と、 音素の各発音の文脈特徴は音素の発音の先又は後の一以
    上の文脈発音を有することと、 を特徴とする請求項１０記載の自動音声認識用に音類似
    に基づく文脈依存カテゴリへ音素を発音をグループ化す
    る装置。
  12. 【請求項１２】選択プロセッサが、各サブセットＵ（Ｃ
    n ）はセットＣn 中で値を有する文脈特徴を有し、各サ
    ブセットＵ（Ｃn ）バーはセットＣn バー中で値を有す
    る文脈特徴を有し、かつ、セットＣn とＣn バーとは文
    脈特徴値の補数セットであるところの、観測された事象
    のセットＵの複数の異なるＮ（Ｎは２以上の値を有する
    整数）組のサブセットＵ（Ｃn ）とサブセットＵ（Ｃ
    n ）バー（ｎは１からＮまでの整数値）とを選択するこ
    と、 を特徴とする請求項１１記載の自動音声認識用に音類似
    に基づき文脈依存カテゴリへ音素を発音をグループ化す
    る装置。
  13. 【請求項１３】音素の各発音の記号特徴は音素の各発音
    の少なくとも一つの音響特徴を有することと、 記号プロセッサは、 少なくとも二つの連続する時間間隔の各々の間に発音の
    音響特徴の値を測定して音響特徴値を表わす少なくとも
    二つの音響特徴ベクトル信号を発生する、音響特徴抽出
    装置； 各々が少なくとも一つのパラメタ値と固有のラベル識別
    子を有する原型ベクトル信号を複数記憶する、原型記憶
    装置；及び 各音響特徴ベクトル信号の音響特徴値と原型ベクトル信
    号のパラメタ値とを比較し、各音響特徴ベクトル信号に
    最良に一致される対応付けられた原型ベクトル信号を決
    定し、かつ、音素の発音の記号特徴の第一と第二の独立
    構成要素の値のコード化表現として音響特徴ベクトル信
    号と対応付けられた原型ベクトル信号のラベル識別子を
    表わす少なくとも二つのラベル信号を出力する、ラベ
    ラ； を有することを特徴とする請求項１２記載の自動音声認
    識用に音類似に基づく文脈依存カテゴリへ音素の発音を
    グループ化する装置。
  14. 【請求項１４】自動音声認識方法であって、 一以上の音声単位の知られていないシーケンスを表わす
    発音の少なくとも一つの音響特徴の値を測定して音響特
    徴値を表わす音響特徴ベクトル信号を発生するステッ
    プ； 候補音声単位を有し、この候補音声単位は音声単位の仮
    説シーケンスにおける文脈特徴を有し、この文脈特徴は
    ある値を有し、候補音声単位の文脈特徴の値が文脈特徴
    値のセットＣopt 中にあるならば、仮説モデルは候補音
    声単位の第一候補モデルを有し、候補音声単位の文脈特
    徴の値が文脈特徴値のセットＣopt バー中にあるなら
    ば、仮説モデルは第一候補モデルとは異なる候補音声単
    位の第二候補モデルを有し、かつ、セットＣopt とＣ
    opt バーとは補数セットであるところの、一以上の音声
    単位の仮説シーケンスの仮説モデルを選択するステッ
    プ；及び 仮説モデルから、音声単位の仮説シーケンスの発音が音
    声単位の知られていないシーケンスの発音の音響特徴値
    と等しい音響特徴値を有する確率を推定するステップ； を有し、 文脈特徴値のセットＣopt とＣopt バーとが、以下のス
    テップである、 各発音がある値を有する少なくとも一つの音響特徴とあ
    る値を有する少なくとも一つの文脈特徴とを有する、異
    なる文脈を有する候補音声単位を表わす複数の発音Ｕp
    のトレーニングセットＵを供給するステップ； 各トレーニング発音の音響特徴の値を測定するステッ
    プ； 各トレーニング発音の文脈特徴の値を測定するステッ
    プ； セットＣ1 とＣ1 バーが文脈特徴値の補数セットである
    ところの、発音Ｕp のトレーニングセットＵの一組のサ
    ブセットであって、セットＣ1 中で値を有する文脈特徴
    を有するサブセットＵ（Ｃ1 ）とセットＣ1 バー中で値
    を有する文脈特徴を有するＵ（Ｃ1 ）バーとを選択する
    ステップ； セットＣ2 とＣ2 バーは文脈特徴値の補数セットであ
    り、セットＣ2 はセットＣ1 と異なり、サブセットＵ
    （Ｃ2 ）はサブセットＵ（Ｃ1 ）と異なり、かつ、サブ
    セットＵ（Ｃ2 ）はサブセットＵ（Ｃ1 ）バーと異なる
    ところの、発音Ｕp のトレーニングセットＵの一組のサ
    ブセットであって、セットＣ2 中で値を有する文脈特徴
    を有するサブセットＵ（Ｃ2 ）とセットＣ2 バー中で値
    を有する文脈特徴を有しりサブセットＵ（Ｃ2 ）バーと
    を選択するステップ； 各々の組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バー（ｎ
    は少なくとも１又は２）とについて、類似Ａ〔Ｕ（Ｃ
    n ）〕と類似Ａ〔Ｕ（Ｃn ）〕バーとの組合せは、セッ
    トＣn とＣn バー中の文脈特徴値が発音の音響特徴の値
    の変動をいかによく説明するかを推定する「適合度」で
    あるところの、サブセットＵ（Ｃn ）中の発音の音響特
    徴の値の類似Ｕ〔（Ｃn ）〕を計算するとともに、サブ
    セットＵ（Ｃn ）バー中の発音の音響特徴の値の類似Ａ
    〔Ｕ（Ｃn ）〕バーを計算するステップ；及び 各々の組のサブセットＵ（Ｃn ）とＵ（Ｃn ）バーとの
    うちの最良の「適合度」を有する２セットＵopt ＝Ｕ
    （Ｃn ）とＵopt バー＝Ｕ（Ｃn ）バーとに対応付けら
    れた、文脈特徴値のセットＣopt ＝Ｃn とＣopt バー＝
    Ｃn バーとを識別するステップ； によって決定される自動音声認識方法。
  15. 【請求項１５】一以上の音声単位の知られていないシー
    ケンスを表わす発音の少なくとも一つの音響特徴の値を
    測定して音響特徴値を表現する音響特徴ベクトル信号を
    発生する、音響プロセッサ； 候補音声単位を有し、候補音声単位は音声単位の仮説シ
    ーケンスにおいてある値を有する文脈特徴を有し、候補
    音声単位の文脈特徴の値が文脈特徴値のセットＣopt 中
    にあるならば、仮説モデルは候補音声単位の第一候補モ
    デルを有し、候補音声単位の文脈特徴の値が文脈特徴値
    のセットＣopt バー中にあるならば、仮説モデルは第一
    候補モデルとは異なる候補音声単位の第二候補モデル、
    かつ、セットＣopt とＣopt バーとは補数セットであ
    る、一以上の音声単位の仮説シーケンスの仮説モデルを
    選択する、仮説プロセッサ；及び 仮説モデルから、音声単位の仮説シーケンスの発音が発
    音単位の知られていないシーケンスの発音の音響特徴値
    と等しい音響特徴値を有する確率を推定する、詳細一致
    プロセッサ； を有する自動音声認識における自動音声認識用に音類似
    に基づく文脈依存カテゴリへ音素の発音をグループ化す
    る装置であって、 文脈特徴値のセットＣopt とＣopt バーが発音を類似の
    カテゴリへ自動的にグループ化し、かつ、発音のグルー
    プを異なる文脈と相関させるトレーニングプロセッサに
    よって決定され、前記発音は異なる文脈において候補音
    声単位を表現する複数の発音Ｕp のトレーニングセット
    Ｕ中に含まれ、各発音はある値を有する少なくとも一つ
    の音響特徴とある値を有する少なくとも一つの文脈特徴
    とを有し、前記トレーニングプロセッサは以下の構成を
    有する： 各トレーニング発音の音響特徴の値を測定する、音響プ
    ロセッサ； 各トレーニング発音の文脈特徴の値を測定する、文脈プ
    ロセッサ； 選択プロセッサであって、 この選択プロセッサは、セットＣ1 とＣ1 バーは文脈特
    徴値の補数セットであるところの、トレーニング発音の
    セットＵの一組のサブセットであって、セットＣ1 中で
    値を有する文脈特徴を有するサブセットＵ（Ｃ1 ）とセ
    ットＣ1 バー中で値を有する文脈特徴を有するサブセッ
    トＵ（Ｃ1 ）バーとを選択し、 更に、選択プロセッサは、セットＣ2 とＣ2 バーは文脈
    特徴値の補数セットであり、セットＣ2 はセットＣ1 と
    異なり、サブセットＵ（Ｃ2 ）はサブセットＵ（Ｃ1 ）
    と異なり、かつ、サブセットＵ（Ｃ2 ）はサブセットＵ
    （Ｃ1 ）バーと異なるところの、トレーニング発音のセ
    ットＵの一組のセットＣ2 中で値を有する文脈特徴を有
    するサブセットＵ（Ｃ2 ）とセットＣ2 バー中で値を有
    する文脈特徴を有するサブセットＵ（Ｃ2 ）バーとを選
    択し； 各組のセットＵ（Ｃn ）とＵ（Ｃn ）バー（ｎは少なく
    とも１又は２）について、類似Ａ〔Ｕ（Ｃn ）〕と類似
    Ａ〔Ｕ（Ｃn ）〕バーとの組合せはセットＣn とＣn バ
    ー中の文脈特徴値が発音の音響特徴の値を変動をいかに
    よく説明するかを推定する「適合度」であるところの、
    サブセットＵ（Ｃn ）中の発音の音響特徴の値の類似Ａ
    〔Ｕ（Ｃn ）〕を計算するとともに、サブセットＵ（Ｃ
    n ）バー中の発音の音響特徴の値の類似Ａ〔Ｕ（Ｃ
    n ）〕バーを計算する、類似プロセッサ；及び 各組のセットＵ（Ｃn ）とＵ（Ｃn ）バーとのうちの最
    良の「適合度」を有する２セットＵopt ＝Ｕ（Ｃn ）と
    Ｕopt バー＝Ｕ（Ｃn ）バーとに対応付けられた、文脈
    特徴値のセットＣopt ＝Ｃn とＣopt バー＝Ｃn バーと
    を識別する、最適化プロセッサ。
JP2413217A 1990-01-23 1990-12-21 自動音声認識用に音類似に基づく文脈依存カテゴリへ音素の発音をグループ化する方法と装置 Expired - Lifetime JPH0772839B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US468546 1990-01-23
US46854690 1990-01-23

Publications (2)

Publication Number Publication Date
JPH04122996A JPH04122996A (ja) 1992-04-23
JPH0772839B2 true JPH0772839B2 (ja) 1995-08-02

Family

ID=23860239

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2413217A Expired - Lifetime JPH0772839B2 (ja) 1990-01-23 1990-12-21 自動音声認識用に音類似に基づく文脈依存カテゴリへ音素の発音をグループ化する方法と装置

Country Status (3)

Country Link
US (1) US5195167A (ja)
EP (1) EP0438662A2 (ja)
JP (1) JPH0772839B2 (ja)

Families Citing this family (146)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2056110C (en) * 1991-03-27 1997-02-04 Arnold I. Klayman Public address intelligibility system
US5390278A (en) * 1991-10-08 1995-02-14 Bell Canada Phoneme based speech recognition
US5233681A (en) * 1992-04-24 1993-08-03 International Business Machines Corporation Context-dependent speech recognizer using estimated next word context
EP0602296A1 (en) * 1992-12-17 1994-06-22 International Business Machines Corporation Adaptive method for generating field dependant models for intelligent systems
CA2115210C (en) * 1993-04-21 1997-09-23 Joseph C. Andreshak Interactive computer system recognizing spoken commands
US5465317A (en) * 1993-05-18 1995-11-07 International Business Machines Corporation Speech recognition system with improved rejection of words and sounds not in the system vocabulary
US5515475A (en) * 1993-06-24 1996-05-07 Northern Telecom Limited Speech recognition method using a two-pass search
US5623578A (en) * 1993-10-28 1997-04-22 Lucent Technologies Inc. Speech recognition system allows new vocabulary words to be added without requiring spoken samples of the words
US5680510A (en) * 1995-01-26 1997-10-21 Apple Computer, Inc. System and method for generating and using context dependent sub-syllable models to recognize a tonal language
US5822728A (en) * 1995-09-08 1998-10-13 Matsushita Electric Industrial Co., Ltd. Multistage word recognizer based on reliably detected phoneme similarity regions
US5684925A (en) * 1995-09-08 1997-11-04 Matsushita Electric Industrial Co., Ltd. Speech representation by feature-based word prototypes comprising phoneme targets having reliable high similarity
US5825977A (en) * 1995-09-08 1998-10-20 Morin; Philippe R. Word hypothesizer based on reliably detected phoneme similarity regions
US5970239A (en) * 1997-08-11 1999-10-19 International Business Machines Corporation Apparatus and method for performing model estimation utilizing a discriminant measure
US6253178B1 (en) 1997-09-22 2001-06-26 Nortel Networks Limited Search and rescoring method for a speech recognition system
EP0979497A1 (en) * 1997-10-08 2000-02-16 Koninklijke Philips Electronics N.V. Vocabulary and/or language model training
JP4267101B2 (ja) * 1997-11-17 2009-05-27 インターナショナル・ビジネス・マシーンズ・コーポレーション 音声識別装置、発音矯正装置およびこれらの方法
US6208964B1 (en) 1998-08-31 2001-03-27 Nortel Networks Limited Method and apparatus for providing unsupervised adaptation of transcriptions
US6993480B1 (en) 1998-11-03 2006-01-31 Srs Labs, Inc. Voice intelligibility enhancement system
US7356462B2 (en) 2001-07-26 2008-04-08 At&T Corp. Automatic clustering of tokens from a corpus for grammar acquisition
US6912499B1 (en) 1999-08-31 2005-06-28 Nortel Networks Limited Method and apparatus for training a multilingual speech model set
US7275029B1 (en) * 1999-11-05 2007-09-25 Microsoft Corporation System and method for joint optimization of language model performance and size
US8645137B2 (en) 2000-03-16 2014-02-04 Apple Inc. Fast, language-independent method for user authentication by voice
US6513022B1 (en) 2000-04-07 2003-01-28 The United States Of America As Represented By The Secretary Of The Air Force Dynamic programming network
DE10034235C1 (de) * 2000-07-14 2001-08-09 Siemens Ag Verfahren zur Spracherkennung und Spracherkenner
US20030033138A1 (en) * 2001-07-26 2003-02-13 Srinivas Bangalore Method for partitioning a data set into frequency vectors for clustering
EP1473708B1 (en) * 2003-04-29 2007-10-17 Sony Deutschland GmbH Method for recognizing speech
US7412377B2 (en) 2003-12-19 2008-08-12 International Business Machines Corporation Voice model for speech processing based on ordered average ranks of spectral features
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8176016B1 (en) * 2006-11-17 2012-05-08 At&T Intellectual Property Ii, L.P. Method and apparatus for rapid identification of column heterogeneity
US8050434B1 (en) 2006-12-21 2011-11-01 Srs Labs, Inc. Multi-channel audio enhancement system
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
KR100911429B1 (ko) * 2007-08-22 2009-08-11 한국전자통신연구원 환경 이동을 위한 잡음 적응형 음향 모델 생성 방법 및 장치
KR100925479B1 (ko) * 2007-09-19 2009-11-06 한국전자통신연구원 음성 인식 방법 및 장치
KR100930714B1 (ko) * 2007-12-14 2009-12-09 한국전자통신연구원 음성인식 장치 및 방법
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
US10496753B2 (en) 2010-01-18 2019-12-03 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US9959870B2 (en) 2008-12-11 2018-05-01 Apple Inc. Speech recognition involving a mobile device
US9858925B2 (en) 2009-06-05 2018-01-02 Apple Inc. Using context information to facilitate processing of commands in a virtual assistant
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US10255566B2 (en) 2011-06-03 2019-04-09 Apple Inc. Generating and processing task items that represent tasks to perform
US9431006B2 (en) 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US10679605B2 (en) 2010-01-18 2020-06-09 Apple Inc. Hands-free list-reading by intelligent automated assistant
US10705794B2 (en) 2010-01-18 2020-07-07 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US10553209B2 (en) 2010-01-18 2020-02-04 Apple Inc. Systems and methods for hands-free notification summaries
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
US8645136B2 (en) * 2010-07-20 2014-02-04 Intellisist, Inc. System and method for efficiently reducing transcription error using hybrid voice transcription
US10762293B2 (en) 2010-12-22 2020-09-01 Apple Inc. Using parts-of-speech tagging and named entity recognition for spelling correction
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
US8994660B2 (en) 2011-08-29 2015-03-31 Apple Inc. Text correction processing
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US9483461B2 (en) 2012-03-06 2016-11-01 Apple Inc. Handling speech synthesis of content for multiple languages
US9280610B2 (en) 2012-05-14 2016-03-08 Apple Inc. Crowd sourcing information to fulfill user requests
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
US9495129B2 (en) 2012-06-29 2016-11-15 Apple Inc. Device, method, and user interface for voice-activated navigation and browsing of a document
US9576574B2 (en) 2012-09-10 2017-02-21 Apple Inc. Context-sensitive handling of interruptions by intelligent digital assistant
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
US9396723B2 (en) * 2013-02-01 2016-07-19 Tencent Technology (Shenzhen) Company Limited Method and device for acoustic language model training
DE112014000709B4 (de) 2013-02-07 2021-12-30 Apple Inc. Verfahren und vorrichtung zum betrieb eines sprachtriggers für einen digitalen assistenten
US9368114B2 (en) 2013-03-14 2016-06-14 Apple Inc. Context-sensitive handling of interruptions
WO2014144949A2 (en) 2013-03-15 2014-09-18 Apple Inc. Training an at least partial voice command system
WO2014144579A1 (en) 2013-03-15 2014-09-18 Apple Inc. System and method for updating an adaptive speech recognition model
US9582608B2 (en) 2013-06-07 2017-02-28 Apple Inc. Unified ranking with entropy-weighted information for phrase-based semantic auto-completion
WO2014197334A2 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for user-specified pronunciation of words for speech synthesis and recognition
WO2014197336A1 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for detecting errors in interactions with a voice-based digital assistant
WO2014197335A1 (en) 2013-06-08 2014-12-11 Apple Inc. Interpreting and acting upon commands that involve sharing information with remote devices
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
KR101959188B1 (ko) 2013-06-09 2019-07-02 애플 인크. 디지털 어시스턴트의 둘 이상의 인스턴스들에 걸친 대화 지속성을 가능하게 하기 위한 디바이스, 방법 및 그래픽 사용자 인터페이스
KR101809808B1 (ko) 2013-06-13 2017-12-15 애플 인크. 음성 명령에 의해 개시되는 긴급 전화를 걸기 위한 시스템 및 방법
KR101749009B1 (ko) 2013-08-06 2017-06-19 애플 인크. 원격 디바이스로부터의 활동에 기초한 스마트 응답의 자동 활성화
US9589564B2 (en) 2014-02-05 2017-03-07 Google Inc. Multiple speech locale-specific hotword classifiers for selection of a speech locale
US9620105B2 (en) 2014-05-15 2017-04-11 Apple Inc. Analyzing audio input for efficient speech and music recognition
US10592095B2 (en) 2014-05-23 2020-03-17 Apple Inc. Instantaneous speaking of content on touch devices
US9502031B2 (en) 2014-05-27 2016-11-22 Apple Inc. Method for supporting dynamic grammars in WFST-based ASR
US9785630B2 (en) 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
US10078631B2 (en) 2014-05-30 2018-09-18 Apple Inc. Entropy-guided text prediction using combined word and character n-gram language models
US10289433B2 (en) 2014-05-30 2019-05-14 Apple Inc. Domain specific language for encoding assistant dialog
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
US9734193B2 (en) 2014-05-30 2017-08-15 Apple Inc. Determining domain salience ranking from ambiguous words in natural speech
WO2015184186A1 (en) 2014-05-30 2015-12-03 Apple Inc. Multi-command single utterance input method
US9842101B2 (en) 2014-05-30 2017-12-12 Apple Inc. Predictive conversion of language input
US9760559B2 (en) 2014-05-30 2017-09-12 Apple Inc. Predictive text input
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US10659851B2 (en) 2014-06-30 2020-05-19 Apple Inc. Real-time digital assistant knowledge updates
US10446141B2 (en) 2014-08-28 2019-10-15 Apple Inc. Automatic speech recognition based on user feedback
US9953646B2 (en) 2014-09-02 2018-04-24 Belleau Technologies Method and system for dynamic speech recognition and tracking of prewritten script
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10789041B2 (en) 2014-09-12 2020-09-29 Apple Inc. Dynamic thresholds for always listening speech trigger
US9606986B2 (en) 2014-09-29 2017-03-28 Apple Inc. Integrated word N-gram and class M-gram language models
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US9646609B2 (en) 2014-09-30 2017-05-09 Apple Inc. Caching apparatus for serving phonetic pronunciations
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US9886432B2 (en) 2014-09-30 2018-02-06 Apple Inc. Parsimonious handling of word inflection via categorical stem + suffix N-gram language models
US10552013B2 (en) 2014-12-02 2020-02-04 Apple Inc. Data detection
US9711141B2 (en) 2014-12-09 2017-07-18 Apple Inc. Disambiguating heteronyms in speech synthesis
US9865280B2 (en) 2015-03-06 2018-01-09 Apple Inc. Structured dictation using intelligent automated assistants
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US9899019B2 (en) 2015-03-18 2018-02-20 Apple Inc. Systems and methods for structured stem and suffix language models
US9842105B2 (en) 2015-04-16 2017-12-12 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US10127220B2 (en) 2015-06-04 2018-11-13 Apple Inc. Language identification from short strings
US10101822B2 (en) 2015-06-05 2018-10-16 Apple Inc. Language input correction
US10255907B2 (en) 2015-06-07 2019-04-09 Apple Inc. Automatic accent detection using acoustic models
US10186254B2 (en) 2015-06-07 2019-01-22 Apple Inc. Context-based endpoint detection
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US9697820B2 (en) 2015-09-24 2017-07-04 Apple Inc. Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179588B1 (en) 2016-06-09 2019-02-22 Apple Inc. INTELLIGENT AUTOMATED ASSISTANT IN A HOME ENVIRONMENT
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
USD1087188S1 (en) 2022-10-19 2025-08-05 Milwaukee Electric Tool Corporation Pipe threading die
US12586577B2 (en) * 2023-09-05 2026-03-24 Zoom Communications, Inc. Automatic speech recognition using multiple language models
US12609110B2 (en) 2024-02-14 2026-04-21 Gong.Io Ltd. Techniques for utterance grouping and for improved training of machine learning models using grouped utterance data

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4661915A (en) * 1981-08-03 1987-04-28 Texas Instruments Incorporated Allophone vocoder
JPS58145998A (ja) * 1982-02-25 1983-08-31 ソニー株式会社 音声過渡点検出方法
JPS59192A (ja) * 1982-06-25 1984-01-05 株式会社東芝 個人照合装置
US4799261A (en) * 1983-11-03 1989-01-17 Texas Instruments Incorporated Low data rate speech encoding employing syllable duration patterns
FR2554623B1 (fr) * 1983-11-08 1986-08-14 Texas Instruments France Procede d'analyse de la parole independant du locuteur
US4759068A (en) * 1985-05-29 1988-07-19 International Business Machines Corporation Constructing Markov models of words from multiple utterances
US4833712A (en) * 1985-05-29 1989-05-23 International Business Machines Corporation Automatic generation of simple Markov model stunted baseforms for words in a vocabulary
US4829572A (en) * 1987-11-05 1989-05-09 Andrew Ho Chung Speech recognition system

Also Published As

Publication number Publication date
EP0438662A2 (en) 1991-07-31
JPH04122996A (ja) 1992-04-23
US5195167A (en) 1993-03-16
EP0438662A3 (ja) 1994-01-26

Similar Documents

Publication Publication Date Title
JPH0772839B2 (ja) 自動音声認識用に音類似に基づく文脈依存カテゴリへ音素の発音をグループ化する方法と装置
EP0321410B1 (en) Method and apparatus for constructing markov model word baseforms
EP0387602B1 (en) Method and apparatus for the automatic determination of phonological rules as for a continuous speech recognition system
JPH0581918B2 (ja)
EP0191354B1 (en) Speech recognition method
US5072452A (en) Automatic determination of labels and Markov word models in a speech recognition system
EP0715298B1 (en) Reduction of search space in speech recognition using phone boundaries and phone ranking
EP0533491B1 (en) Wordspotting using two hidden Markov models (HMM)
US5502791A (en) Speech recognition by concatenating fenonic allophone hidden Markov models in parallel among subwords
JP2597791B2 (ja) 音声認識装置及び方法
JP4141495B2 (ja) 最適化された部分的確率混合共通化を用いる音声認識のための方法および装置
EP0570660B1 (en) Speech recognition system for natural language translation
CN117043857A (zh) 用于英语发音评估的方法、设备和计算机程序产品
JPS62231995A (ja) 音声認識方法
JP2020505650A (ja) 音声認識システム及び音声認識の方法
EP0573553A4 (en) METHOD OF RECOGNIZING SPEECH USING HIDDEN LANGUAGE VIEWED MARKOV MODELS.
JPH06175696A (ja) 音声コード化装置及びその方法並びに音声認識装置及びその方法
WO2001022400A1 (en) Iterative speech recognition from multiple feature vectors
JP3299408B2 (ja) 動的特徴を使用した音声認識方法及び装置
CN108074562A (zh) 语音识别装置、语音识别方法以及存储介质
JP2662112B2 (ja) 発声された単語のモデル化方法および装置
US5764851A (en) Fast speech recognition method for mandarin words
JP3105708B2 (ja) 音声認識装置
JPH04291399A (ja) 音声認識方法
Gopalakrishnan et al. Models and algorithms for continuous speech recognition: a brief tutorial