JPH0776878B2 - 音声認識方法および装置 - Google Patents
音声認識方法および装置Info
- Publication number
- JPH0776878B2 JPH0776878B2 JP3311571A JP31157191A JPH0776878B2 JP H0776878 B2 JPH0776878 B2 JP H0776878B2 JP 3311571 A JP3311571 A JP 3311571A JP 31157191 A JP31157191 A JP 31157191A JP H0776878 B2 JPH0776878 B2 JP H0776878B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- likelihood value
- minute time
- label
- speech
- 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
Links
- 238000000034 method Methods 0.000 title claims description 23
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 description 10
- 238000002372 labelling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/04—Speaking
-
- 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
- G10L15/08—Speech classification or search
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
Description
【０００１】
【産業上の利用分野】この発明は、マルコフ・モデルを
利用した音声認識装置に関し、計算量や記憶量をさほど
増やすことなく、雑音や発声のあいまいさに起因する単
語境界検出の誤りに対して頑強な音声認識を行なえるよ
うにしたものである。
利用した音声認識装置に関し、計算量や記憶量をさほど
増やすことなく、雑音や発声のあいまいさに起因する単
語境界検出の誤りに対して頑強な音声認識を行なえるよ
うにしたものである。
【０００２】
【従来の技術】マルコフ・モデルを利用した音声認識は
確率的な観点から音声の認識を行なおうとするものであ
る。例えばそのうちの１つの手法では、まず、音声の特
徴が一定周期（フレームと呼ぶ）ごとに周波数分析され
た後にベクトル量子化され、ラベル（シンボル）の系列
に変換される。このラベルごとに１つのマルコフ・モデ
ルが設定される。また、登録用音声のラベル系列（単語
ベースフォームという）に基づいて、単語ごとにこのマ
ルコフ・モデルの系列（単語マルコフ・モデル）が与え
られる。それぞれのマルコフ・モデルには複数の状態
と、これら状態間の遷移が規定され、これら遷移にはそ
の遷移の生起確率が割り当てられ、また、状態またはそ
の遷移には、その状態または遷移においてラベルを出力
する確率が割り当てられる。未知入力音声はラベル系列
に変換され、単語ベースフォームによって規定される単
語マルコフ・モデルの各々がこのラベル系列を生成する
確率を、上述の遷移生起確率及びラベル出力確率（以下
これらをパラメータと呼ぶ）に基づいて決定し、ラベル
生成確率が最大となる単語マルコフ・モデルを求める。
そしてこの結果に基づいて認識を行なう。
確率的な観点から音声の認識を行なおうとするものであ
る。例えばそのうちの１つの手法では、まず、音声の特
徴が一定周期（フレームと呼ぶ）ごとに周波数分析され
た後にベクトル量子化され、ラベル（シンボル）の系列
に変換される。このラベルごとに１つのマルコフ・モデ
ルが設定される。また、登録用音声のラベル系列（単語
ベースフォームという）に基づいて、単語ごとにこのマ
ルコフ・モデルの系列（単語マルコフ・モデル）が与え
られる。それぞれのマルコフ・モデルには複数の状態
と、これら状態間の遷移が規定され、これら遷移にはそ
の遷移の生起確率が割り当てられ、また、状態またはそ
の遷移には、その状態または遷移においてラベルを出力
する確率が割り当てられる。未知入力音声はラベル系列
に変換され、単語ベースフォームによって規定される単
語マルコフ・モデルの各々がこのラベル系列を生成する
確率を、上述の遷移生起確率及びラベル出力確率（以下
これらをパラメータと呼ぶ）に基づいて決定し、ラベル
生成確率が最大となる単語マルコフ・モデルを求める。
そしてこの結果に基づいて認識を行なう。
【０００３】このようなラベル単位のマルコフ・モデル
はフェノニック・マルコフ・モデルと呼ばれている。同
じラベル名で対応付けられたモデルは、モデルの訓練及
び認識時に共通のモデルとして扱われる。フェノニック
・マルコフ・モデルについては以下の論文に詳細が記載
されている。 （１）"Acoustic Markov Models Used in The Tangora
Speech Recognition System" (Proceedings of ICASSP'
88,1988,4月,S11-3,L.R.Bahl,P.F.Brown,P.V.de.Souza,
R.L.Mercer and M.A.Picheny)
はフェノニック・マルコフ・モデルと呼ばれている。同
じラベル名で対応付けられたモデルは、モデルの訓練及
び認識時に共通のモデルとして扱われる。フェノニック
・マルコフ・モデルについては以下の論文に詳細が記載
されている。 （１）"Acoustic Markov Models Used in The Tangora
Speech Recognition System" (Proceedings of ICASSP'
88,1988,4月,S11-3,L.R.Bahl,P.F.Brown,P.V.de.Souza,
R.L.Mercer and M.A.Picheny)
【０００４】このモデルを用いた音声認識装置では、ビ
タービ・アルゴリズムに基づく処理を入力フレーム同期
の形式で行ない、さらに、ビームサーチと呼ばれるアル
ゴリズムを併用することで、処理量を大幅に軽減するこ
とが出来る。ビームサーチについては以下の論文に詳細
が記載されている。 （２）"The HARPY Speech Recognition System" （Ph.
D. Thesis, Crnegie-Mellon Univ.1976,4月,B.Lowere)
タービ・アルゴリズムに基づく処理を入力フレーム同期
の形式で行ない、さらに、ビームサーチと呼ばれるアル
ゴリズムを併用することで、処理量を大幅に軽減するこ
とが出来る。ビームサーチについては以下の論文に詳細
が記載されている。 （２）"The HARPY Speech Recognition System" （Ph.
D. Thesis, Crnegie-Mellon Univ.1976,4月,B.Lowere)
【０００５】ところで、音声認識のためには、未知入力
音声の発声区間を検出する処理が一般に必要である。音
声区間検出と呼ばれるこの処理は、高い精度と頑強さが
要求され、その精度は認識精度に大きく影響する。特
に、上記のようなフェノニック・マルコフ・モデルを用
いた音声認識では、このモデルが時間方向の表現能力に
富む分、語頭の誤検出が直接誤認識につながる。ＤＰマ
ッチングを用いる音声認識手法では、始終端のマッチン
グ範囲を開放することによって誤検出に対処する。しか
し、終端に比べ、始端を高効率、高精度で開放するのは
容易ではなく、ＤＰマッチングでは、局所的なパス制限
の変更によって、疑似的な開放が行なわれるに過ぎな
い。フェノニック・マルコフ・モデルを用いた場合に
も、終端はＤＰマッチングと同様の処理が可能である
が、フェノニック・マルコフ・モデルでは、原理的に局
所的なモデル形状の変更は出来ないから、例えば、図１
（Ａ）で示されるような、ナル遷移と自己ループを持つ
モデルを用いて始端開放を行うことになる。しかし、こ
のモデルは自由度が高過ぎて、音声認識ではよい結果が
得られない。一方、入力フレーム長にのみ依存した形の
モデル（入力フレーム長による正規化を必要とするモデ
ル）を用いれば、フェノニック単語モデル側の開放はナ
ル遷移を用いなくても容易に行えるが、入力側を開放す
るためには依然、図１（Ｂ）のような自己ループを持つ
モデルを用いなくてはならない。この場合も、入力側の
自由度を高めた分、図１（Ｃ）のように、対称型の傾斜
制限を持つモデルと比較すると、音声区間が正しく検出
された場合の認識精度は低い。逆にベースフォーム長に
依存した形のモデル（ベースフォーム長による正規化を
必要とするモデル）でも、まったく同様のことが言え
る。このように、フェノニック・マルコフ・モデルで
は、原理的に語頭で用いたのと同じ型のモデルを、音声
全体の表現に使う必要があるため、モデルの変更による
始端開放はあまり効果的でない。
音声の発声区間を検出する処理が一般に必要である。音
声区間検出と呼ばれるこの処理は、高い精度と頑強さが
要求され、その精度は認識精度に大きく影響する。特
に、上記のようなフェノニック・マルコフ・モデルを用
いた音声認識では、このモデルが時間方向の表現能力に
富む分、語頭の誤検出が直接誤認識につながる。ＤＰマ
ッチングを用いる音声認識手法では、始終端のマッチン
グ範囲を開放することによって誤検出に対処する。しか
し、終端に比べ、始端を高効率、高精度で開放するのは
容易ではなく、ＤＰマッチングでは、局所的なパス制限
の変更によって、疑似的な開放が行なわれるに過ぎな
い。フェノニック・マルコフ・モデルを用いた場合に
も、終端はＤＰマッチングと同様の処理が可能である
が、フェノニック・マルコフ・モデルでは、原理的に局
所的なモデル形状の変更は出来ないから、例えば、図１
（Ａ）で示されるような、ナル遷移と自己ループを持つ
モデルを用いて始端開放を行うことになる。しかし、こ
のモデルは自由度が高過ぎて、音声認識ではよい結果が
得られない。一方、入力フレーム長にのみ依存した形の
モデル（入力フレーム長による正規化を必要とするモデ
ル）を用いれば、フェノニック単語モデル側の開放はナ
ル遷移を用いなくても容易に行えるが、入力側を開放す
るためには依然、図１（Ｂ）のような自己ループを持つ
モデルを用いなくてはならない。この場合も、入力側の
自由度を高めた分、図１（Ｃ）のように、対称型の傾斜
制限を持つモデルと比較すると、音声区間が正しく検出
された場合の認識精度は低い。逆にベースフォーム長に
依存した形のモデル（ベースフォーム長による正規化を
必要とするモデル）でも、まったく同様のことが言え
る。このように、フェノニック・マルコフ・モデルで
は、原理的に語頭で用いたのと同じ型のモデルを、音声
全体の表現に使う必要があるため、モデルの変更による
始端開放はあまり効果的でない。
【０００６】さらに、ビームサーチを用いると、入力フ
レームごとに尤度の低いパスは削除されていくが、境界
検出を誤ったときに、自己ループやナル遷移などの疑似
的な開放で得られるパスが、残される可能性は低い。こ
れは、フェノニック・マルコフ・モデルの訓練が全発声
にわたって共通に行われるために、ほとんどのモデル
が、対角方向のパスで高い確率を持つように訓練される
からである。
レームごとに尤度の低いパスは削除されていくが、境界
検出を誤ったときに、自己ループやナル遷移などの疑似
的な開放で得られるパスが、残される可能性は低い。こ
れは、フェノニック・マルコフ・モデルの訓練が全発声
にわたって共通に行われるために、ほとんどのモデル
が、対角方向のパスで高い確率を持つように訓練される
からである。
【０００７】これらの問題に対処する方法として、各単
語モデルの先頭に無音部を表現する共通のモデルを用意
する方法が提案されている。このような無音モデルにつ
いては、以下の論文に継続長モデルに適用した場合の記
載がある。 （３）"状態の継続長を反映したマルコフ・モデルによ
る音声認識（端点の確率的切り出しの導入）"（日本音
響学会講演論文集,3-1-10,1986,3月,西村雅史,大河内正
明） この方法は、常にある程度の無音部分を付与して切り出
す必要があるため、実時間処理には向かず、また、語頭
の雑音に対処するためには、前以てそれらの雑音によっ
て無音モデルを訓練する必要があり、精度の高い学習は
難しい。
語モデルの先頭に無音部を表現する共通のモデルを用意
する方法が提案されている。このような無音モデルにつ
いては、以下の論文に継続長モデルに適用した場合の記
載がある。 （３）"状態の継続長を反映したマルコフ・モデルによ
る音声認識（端点の確率的切り出しの導入）"（日本音
響学会講演論文集,3-1-10,1986,3月,西村雅史,大河内正
明） この方法は、常にある程度の無音部分を付与して切り出
す必要があるため、実時間処理には向かず、また、語頭
の雑音に対処するためには、前以てそれらの雑音によっ
て無音モデルを訓練する必要があり、精度の高い学習は
難しい。
【０００８】一方、近年、音声区間検出装置の改良とし
て、積極的に複数の始端点候補を検出する方法が幾つか
提案されている。例えば、以下の論文に記載がある。 （４）"単語境界仮説と複合ＬＰＣ類似尺度を用いた電
話音声認識"（電子情報通信学会論文誌D,Vol.J71-D,No.
1,pp.59-66,1988,1月,新田恒雄,上原堅助,渡辺貞一) しかし、複数の始端点が検出されると、一般的にはそれ
ぞれの音声区間に対して別個にマッチングなどの処理を
行なわなくてはならず、計算効率が大変悪かった。これ
については、ＤＰマッチングを各音声区間候補内の累積
距離に対して行なうことで、計算効率を上げることが出
来るが、この方法をフェノニック・マルコフ・モデルに
適用するには、やはり先に述べたような自己ループモデ
ルや、無音モデルを用意する必要がある。
て、積極的に複数の始端点候補を検出する方法が幾つか
提案されている。例えば、以下の論文に記載がある。 （４）"単語境界仮説と複合ＬＰＣ類似尺度を用いた電
話音声認識"（電子情報通信学会論文誌D,Vol.J71-D,No.
1,pp.59-66,1988,1月,新田恒雄,上原堅助,渡辺貞一) しかし、複数の始端点が検出されると、一般的にはそれ
ぞれの音声区間に対して別個にマッチングなどの処理を
行なわなくてはならず、計算効率が大変悪かった。これ
については、ＤＰマッチングを各音声区間候補内の累積
距離に対して行なうことで、計算効率を上げることが出
来るが、この方法をフェノニック・マルコフ・モデルに
適用するには、やはり先に述べたような自己ループモデ
ルや、無音モデルを用意する必要がある。
【０００９】
【発明が解決しようとする問題点】この発明は以上の事
情を考慮してなされたものであり、雑音や発声のあいま
いさに起因して単語境界検出位置が間違っていたり、一
意に定っていないような時でも、効率よく、精度の高い
音声認識を行えるようにすることを目的としている。
情を考慮してなされたものであり、雑音や発声のあいま
いさに起因して単語境界検出位置が間違っていたり、一
意に定っていないような時でも、効率よく、精度の高い
音声認識を行えるようにすることを目的としている。
【００１０】
【問題点を解決するための手段】この発明では以上の目
的を実現するために、始端開放範囲内の各点からマッチ
ング・パスを開始させる。入力音声（入力ラベル列）の
始端を開放する場合には始端開放範囲たとえば検出され
た始端から数フレームの各々において語彙単語とのマッ
チングを開始させる。また単語音声モデルの始端を開放
する場合にはその始端開放範囲の状態の各々において入
力ラベル列とのマッチングを開始させる。開始点が違う
と、そのままではマッチングの尤度値を同一の基準で評
価できない。そこで、開始点における所定の中間尤度値
（たとえば最大の中間尤度値）を当該パスの初期値とし
て設定し、開始点が異なるパスの尤度値を同一レベルで
評価できるようにしている。パス数の増加はビームサー
チによる見込みのないパスの枝刈りにより解消される。
またこの発明は始端候補を複数検出し、それぞれの始端
候補においてパスを開始させる際にも適用できる。この
場合２番目以降の始端候補からのマッチングに所定の中
間尤度値を利用すればよい。
的を実現するために、始端開放範囲内の各点からマッチ
ング・パスを開始させる。入力音声（入力ラベル列）の
始端を開放する場合には始端開放範囲たとえば検出され
た始端から数フレームの各々において語彙単語とのマッ
チングを開始させる。また単語音声モデルの始端を開放
する場合にはその始端開放範囲の状態の各々において入
力ラベル列とのマッチングを開始させる。開始点が違う
と、そのままではマッチングの尤度値を同一の基準で評
価できない。そこで、開始点における所定の中間尤度値
（たとえば最大の中間尤度値）を当該パスの初期値とし
て設定し、開始点が異なるパスの尤度値を同一レベルで
評価できるようにしている。パス数の増加はビームサー
チによる見込みのないパスの枝刈りにより解消される。
またこの発明は始端候補を複数検出し、それぞれの始端
候補においてパスを開始させる際にも適用できる。この
場合２番目以降の始端候補からのマッチングに所定の中
間尤度値を利用すればよい。
【００１１】具体的な例においては、入力フレーム長に
依存した形のフェノニック・マルコフ・モデル（自己ル
ープを持つ必要はない）を用い、ビタービ・アルゴリズ
ムとビームサーチに基づく認識処理を入力フレーム同期
で行う。そして、この時に副次的に求まる入力フレーム
毎の最大尤度値を、始端開放範囲内で新たなパスを与
え、単語モデルの先頭から尤度計算を再開する場合の尤
度の初期値として使う。このようにして、疑似的に入力
側の始端開放を行なう。この方法は、始端開放範囲内で
最大尤度を与えた単語モデルの一部分を、各対象語いの
単語モデルの先頭に付与したようなモデルを再構成して
評価するのに等しい。入力音声のラベル系列をＬ＝l(1)
l(2)...l(I)とし、単語wのベースフォームに基づいて構
成されるフェノニック単語モデルをＦ(w)＝f(w,1)f(w,
2)...f(w,J)とする。時刻ｉまでの入力ラベル系列 l(1)
l(2)...l(i) を評価した時にＦ(w)が、状態ｊで与える
尤度をＥ(w,i,j) とすると、時刻ｉでの最大尤度は、 で与えられる。この値はビームサーチの枝狩りにも用い
る。始端開放範囲をＴfとすると、ｉ≦Ｔfの時、全対象
語彙単語wに対して、 Ｅ(w,i,1)＝Ｅmax(i) なる尤度を初期値として持つパスを新たに付加してゆく
ことで始端を疑似的に開放する。
依存した形のフェノニック・マルコフ・モデル（自己ル
ープを持つ必要はない）を用い、ビタービ・アルゴリズ
ムとビームサーチに基づく認識処理を入力フレーム同期
で行う。そして、この時に副次的に求まる入力フレーム
毎の最大尤度値を、始端開放範囲内で新たなパスを与
え、単語モデルの先頭から尤度計算を再開する場合の尤
度の初期値として使う。このようにして、疑似的に入力
側の始端開放を行なう。この方法は、始端開放範囲内で
最大尤度を与えた単語モデルの一部分を、各対象語いの
単語モデルの先頭に付与したようなモデルを再構成して
評価するのに等しい。入力音声のラベル系列をＬ＝l(1)
l(2)...l(I)とし、単語wのベースフォームに基づいて構
成されるフェノニック単語モデルをＦ(w)＝f(w,1)f(w,
2)...f(w,J)とする。時刻ｉまでの入力ラベル系列 l(1)
l(2)...l(i) を評価した時にＦ(w)が、状態ｊで与える
尤度をＥ(w,i,j) とすると、時刻ｉでの最大尤度は、 で与えられる。この値はビームサーチの枝狩りにも用い
る。始端開放範囲をＴfとすると、ｉ≦Ｔfの時、全対象
語彙単語wに対して、 Ｅ(w,i,1)＝Ｅmax(i) なる尤度を初期値として持つパスを新たに付加してゆく
ことで始端を疑似的に開放する。
【００１２】また、音声区間検出装置から複数の始端点
が与えられる時も、同様にして開放する。
が与えられる時も、同様にして開放する。
【００１３】ベースフォーム長に依存したフェノニック
・マルコフ・モデルを用いて、フェノニック単語モデル
の始端を疑似的に開放することも同様に可能である。
・マルコフ・モデルを用いて、フェノニック単語モデル
の始端を疑似的に開放することも同様に可能である。
【００１４】
【実施例】以下、この発明をフェノニック・マルコフ・
モデルに基づく単語音声認識装置に適用した一実施例に
ついて図面を参照しながら説明しよう。図２はこの実施
例を全体として示すものであり、この図２において、入
力音声はマイクロホン１および増幅器２を介してアナロ
グ・デジタル（Ａ／Ｄ）変換器３に供給され、ここでデ
ジタル・データとされる。デジタル化された音声データ
は特徴量抽出装置４に供給される。この特徴量抽出装置
４においては、まず音声データが離散フーリエ変換され
た後、聴覚の特性を反映した１９チャンネル分の臨界帯
域フィルターの出力として、対数パワー値とともに取り
出される。この出力は約１０ミリ秒毎（この単位をフレ
ームと呼ぶ）に単語音声区間検出装置５に送られる。こ
こで単語音声区間内と判断されたフレームの特徴量のみ
が次の切り換え装置６に送られ、コードブック作成装置
７あるいはラベル付け装置８のいずれかに送られる。コ
ードブック推定時には切り換え装置６がコードブック作
成装置７側に切り替わり、特徴量抽出装置４から特徴量
が供給される。コードブック作成装置７は、クラスタリ
ングによって１２８種類のラベルからなるコードブック
９を作成する。認識を行う場合、単語ベースフォームを
登録する場合およびフェノニック・マルコフ・モデルの
パラメータを推定する場合には切り換え装置６はラベル
付け装置８に切り替わる。ラベル付け装置８はコードブ
ック９を参照してフレーム毎にラベル付けを行ってゆ
く。なお、ラベル付けは例えば図３に示すように行われ
る。図３においてＸは入力の特徴量、Ｙjは第ｊ番目の
ラベルの特徴量、Ｎはコードブックのサイズ（＝１２
８）、dist(Ｘ，Ｙj)はＸとＹjとのユークリッド距離、
ｍは各時点までの dist(Ｘ，Ｙj)の最小値である。なお
ｍは非常に大きな値Ｖに最初設定される。図から明らか
なように、入力の特徴量Ｘはラベルの特徴量の各々と順
次比較されていき、最も似ている、すなわち距離の最も
小さいものが観測されたラベル（ラベル番号）ｌとして
出力されてゆく。
モデルに基づく単語音声認識装置に適用した一実施例に
ついて図面を参照しながら説明しよう。図２はこの実施
例を全体として示すものであり、この図２において、入
力音声はマイクロホン１および増幅器２を介してアナロ
グ・デジタル（Ａ／Ｄ）変換器３に供給され、ここでデ
ジタル・データとされる。デジタル化された音声データ
は特徴量抽出装置４に供給される。この特徴量抽出装置
４においては、まず音声データが離散フーリエ変換され
た後、聴覚の特性を反映した１９チャンネル分の臨界帯
域フィルターの出力として、対数パワー値とともに取り
出される。この出力は約１０ミリ秒毎（この単位をフレ
ームと呼ぶ）に単語音声区間検出装置５に送られる。こ
こで単語音声区間内と判断されたフレームの特徴量のみ
が次の切り換え装置６に送られ、コードブック作成装置
７あるいはラベル付け装置８のいずれかに送られる。コ
ードブック推定時には切り換え装置６がコードブック作
成装置７側に切り替わり、特徴量抽出装置４から特徴量
が供給される。コードブック作成装置７は、クラスタリ
ングによって１２８種類のラベルからなるコードブック
９を作成する。認識を行う場合、単語ベースフォームを
登録する場合およびフェノニック・マルコフ・モデルの
パラメータを推定する場合には切り換え装置６はラベル
付け装置８に切り替わる。ラベル付け装置８はコードブ
ック９を参照してフレーム毎にラベル付けを行ってゆ
く。なお、ラベル付けは例えば図３に示すように行われ
る。図３においてＸは入力の特徴量、Ｙjは第ｊ番目の
ラベルの特徴量、Ｎはコードブックのサイズ（＝１２
８）、dist(Ｘ，Ｙj)はＸとＹjとのユークリッド距離、
ｍは各時点までの dist(Ｘ，Ｙj)の最小値である。なお
ｍは非常に大きな値Ｖに最初設定される。図から明らか
なように、入力の特徴量Ｘはラベルの特徴量の各々と順
次比較されていき、最も似ている、すなわち距離の最も
小さいものが観測されたラベル（ラベル番号）ｌとして
出力されてゆく。
【００１５】ラベル付け装置８から出力される単語のラ
ベル系列は切り換え装置１０を介して、単語ベースフォ
ーム登録装置１１、モデルのパラメータ推定装置１２、
認識装置１３のいずれか一つに供給される。単語ベース
フォームを登録する時には、切り換え装置１０が単語ベ
ースフォーム登録装置１１側に切り替わって、ラベル系
列が単語ベースフォーム登録装置１１に供給され、単語
ベースフォーム・テーブル１４が作成される。マルコフ
・モデルのパラメータ推定時には、切り換え装置１０が
モデルのパラメータ推定装置１２に切り替わり、モデル
のパラメータ推定装置１２がラベル系列とベースフォー
ム・テーブル１４を利用してモデルの訓練を行い、パラ
メータ・テーブル１５のパラメータ値を決定する。認識
を行う際には切り換え装置１０が認識装置１３側に切り
替わり、認識装置１３は入力ラベル系列とベースフォー
ム・テーブル１４および、パラメータ・テーブル１５に
基づいて入力音声の認識を行う。認識装置１３の動作の
詳細については、のちに図６以降の図を参照して説明す
る。
ベル系列は切り換え装置１０を介して、単語ベースフォ
ーム登録装置１１、モデルのパラメータ推定装置１２、
認識装置１３のいずれか一つに供給される。単語ベース
フォームを登録する時には、切り換え装置１０が単語ベ
ースフォーム登録装置１１側に切り替わって、ラベル系
列が単語ベースフォーム登録装置１１に供給され、単語
ベースフォーム・テーブル１４が作成される。マルコフ
・モデルのパラメータ推定時には、切り換え装置１０が
モデルのパラメータ推定装置１２に切り替わり、モデル
のパラメータ推定装置１２がラベル系列とベースフォー
ム・テーブル１４を利用してモデルの訓練を行い、パラ
メータ・テーブル１５のパラメータ値を決定する。認識
を行う際には切り換え装置１０が認識装置１３側に切り
替わり、認識装置１３は入力ラベル系列とベースフォー
ム・テーブル１４および、パラメータ・テーブル１５に
基づいて入力音声の認識を行う。認識装置１３の動作の
詳細については、のちに図６以降の図を参照して説明す
る。
【００１６】認識装置１３の出力はワークステーション
１６に供給され、たとえばその表示装置に表示される。
なお、図２においてマイクロホン１、増幅器２、Ａ／Ｄ
変換器３、及び表示装置１６を除くすべての装置は、ソ
フトウェアとしてワークステーションおよびワークステ
ーション内の音声処理カード上に実現されている。図４
はこの実施例で用いられているフェノニック・マルコフ
・モデルの構造を示している。ここでは、対称型の傾斜
制限を持つ、入力フレーム長依存型のモデルを用いる。
この図中の小さな丸は、その近傍の状態と同じラベル出
力確率を持つ仮の状態を示しており、長さ２の継続長モ
デルを構成している。このモデルをトレリス上のパスと
して表すと、モデルの右の図のようになり、対称型の傾
斜制限を持ち、かつ入力フレーム長に依存したモデルで
あることが分る。このようなモデルをラベル番号に対応
付けて、１２８個用意する。それぞれのモデルは、図５
に示されるような、１２８種類のラベルの出力確率と、
３種類の遷移の生起確率をパラメータ・テーブルとして
持つ。
１６に供給され、たとえばその表示装置に表示される。
なお、図２においてマイクロホン１、増幅器２、Ａ／Ｄ
変換器３、及び表示装置１６を除くすべての装置は、ソ
フトウェアとしてワークステーションおよびワークステ
ーション内の音声処理カード上に実現されている。図４
はこの実施例で用いられているフェノニック・マルコフ
・モデルの構造を示している。ここでは、対称型の傾斜
制限を持つ、入力フレーム長依存型のモデルを用いる。
この図中の小さな丸は、その近傍の状態と同じラベル出
力確率を持つ仮の状態を示しており、長さ２の継続長モ
デルを構成している。このモデルをトレリス上のパスと
して表すと、モデルの右の図のようになり、対称型の傾
斜制限を持ち、かつ入力フレーム長に依存したモデルで
あることが分る。このようなモデルをラベル番号に対応
付けて、１２８個用意する。それぞれのモデルは、図５
に示されるような、１２８種類のラベルの出力確率と、
３種類の遷移の生起確率をパラメータ・テーブルとして
持つ。
【００１７】認識装置１３の動作について図６、図７を
参照しながら説明する。図６は認識処理がなされる範囲
と、始端開放の処理の様子を示したものである。縦軸は
単語ベースフォームに基づいて構築されるフェノニック
単語モデルを表し、横軸は入力ラベル系列を表す。認識
の処理は入力ラベルに同期して行われる。この実施例で
は単語音声区間検出装置５から、複数の始端候補点が得
られた場合の例が示されている。入力に同期した処理の
流れを図７を用いて説明しよう。全ての対象語彙に対し
て尤度の初期値が設定されているとする（ステップ２
４）。まず、音声区間内の先頭の入力ラベルが得られる
（ステップ２６）と、このモデルの傾斜制限で許される
範囲内で、縦方向にトレリス上での尤度値がビタービ・
アルゴリズムに基づいて求められる。この操作が全対象
語彙のフェノニック単語モデルＦについて行われ、トレ
リス上の各点における尤度値Ｅが、その尤度値を与えた
単語番号とともに記録される（ステップ２７）。この操
作を入力ラベルが得られる毎（フレーム同期）に行う。
１フレーム分の処理が済む毎に、この入力フレームｉに
対応するトレリス上の縦方向の尤度値の最大値Ｅmax(i)
を求め（ステップ２８）、この最大尤度値から一定の範
囲に入る値のみを記録に残し（ステップ２９、３０、３
１）、次の入力フレームの処理に使う。つまり、この後
のフレームでは、先行フレームのトレリス上に値が残さ
れている単語及び状態の位置に対してのみ処理を続け
る。なお、トレリス上に値が残っていれば、パスが存在
すると言う。この処理はビームサーチと呼ばれている手
法である。次に、この入力フレームが、始端開放範囲内
であるか、または、複数の始端点候補の一つである場合
（ステップ３２）、図６に示されるように、フェノニッ
ク単語モデルの先頭からの処理を行う新たなパスが全対
象語彙に対して追加される（ステップ３３）。この時、
新規に追加されたパスの初期値として、先に求まってい
るこのフレームの最大尤度値Ｅmax(i)を与える（ステッ
プ３３）。
参照しながら説明する。図６は認識処理がなされる範囲
と、始端開放の処理の様子を示したものである。縦軸は
単語ベースフォームに基づいて構築されるフェノニック
単語モデルを表し、横軸は入力ラベル系列を表す。認識
の処理は入力ラベルに同期して行われる。この実施例で
は単語音声区間検出装置５から、複数の始端候補点が得
られた場合の例が示されている。入力に同期した処理の
流れを図７を用いて説明しよう。全ての対象語彙に対し
て尤度の初期値が設定されているとする（ステップ２
４）。まず、音声区間内の先頭の入力ラベルが得られる
（ステップ２６）と、このモデルの傾斜制限で許される
範囲内で、縦方向にトレリス上での尤度値がビタービ・
アルゴリズムに基づいて求められる。この操作が全対象
語彙のフェノニック単語モデルＦについて行われ、トレ
リス上の各点における尤度値Ｅが、その尤度値を与えた
単語番号とともに記録される（ステップ２７）。この操
作を入力ラベルが得られる毎（フレーム同期）に行う。
１フレーム分の処理が済む毎に、この入力フレームｉに
対応するトレリス上の縦方向の尤度値の最大値Ｅmax(i)
を求め（ステップ２８）、この最大尤度値から一定の範
囲に入る値のみを記録に残し（ステップ２９、３０、３
１）、次の入力フレームの処理に使う。つまり、この後
のフレームでは、先行フレームのトレリス上に値が残さ
れている単語及び状態の位置に対してのみ処理を続け
る。なお、トレリス上に値が残っていれば、パスが存在
すると言う。この処理はビームサーチと呼ばれている手
法である。次に、この入力フレームが、始端開放範囲内
であるか、または、複数の始端点候補の一つである場合
（ステップ３２）、図６に示されるように、フェノニッ
ク単語モデルの先頭からの処理を行う新たなパスが全対
象語彙に対して追加される（ステップ３３）。この時、
新規に追加されたパスの初期値として、先に求まってい
るこのフレームの最大尤度値Ｅmax(i)を与える（ステッ
プ３３）。
【００１８】なお、以上の実施例において、フェノニッ
ク単語モデルの開始端側に始端開放範囲を設け、その範
囲内のフェノニック・マルコフ・モデル（実質的には単
語ベースフォームのラベル）の各々からパスを開始させ
ることにより、フェノニック単語モデル側の始端開放を
容易に行える。この実施例のフェノニック単語モデルは
入力依存型であるので、単語モデルのどこからパスを開
始しても同一の基準で尤度値を評価できるから、中間尤
度値を初期値にする必要はない。
ク単語モデルの開始端側に始端開放範囲を設け、その範
囲内のフェノニック・マルコフ・モデル（実質的には単
語ベースフォームのラベル）の各々からパスを開始させ
ることにより、フェノニック単語モデル側の始端開放を
容易に行える。この実施例のフェノニック単語モデルは
入力依存型であるので、単語モデルのどこからパスを開
始しても同一の基準で尤度値を評価できるから、中間尤
度値を初期値にする必要はない。
【００１９】この発明は上述実施例に限定されるもので
はなくその趣旨を逸脱しない範囲で種々変更が可能であ
る。たとえば単語モデル長（ベースフォーム長）依存型
のマルコフ・モデルにおいて同様にして単語モデルの始
端を開放することができる。さらに単語モデルとしてフ
ェノニック単語モデル以外のマルコフ・モデル型の単語
モデルを採用してもよい。また複数の始端候補があると
きにそれぞれに始端開放範囲を設定し、それぞれについ
て始端開放を行うようにしてもよい。
はなくその趣旨を逸脱しない範囲で種々変更が可能であ
る。たとえば単語モデル長（ベースフォーム長）依存型
のマルコフ・モデルにおいて同様にして単語モデルの始
端を開放することができる。さらに単語モデルとしてフ
ェノニック単語モデル以外のマルコフ・モデル型の単語
モデルを採用してもよい。また複数の始端候補があると
きにそれぞれに始端開放範囲を設定し、それぞれについ
て始端開放を行うようにしてもよい。
【００２０】
【発明の効果】以上説明したように、この発明によれば
計算量や記憶量をさほど増やすことなく、雑音や発声の
あいまいさに起因する単語境界検出の誤りに対して頑強
な音声認識を実現できる。
計算量や記憶量をさほど増やすことなく、雑音や発声の
あいまいさに起因する単語境界検出の誤りに対して頑強
な音声認識を実現できる。
【図１】 種々のフェノニック・マルコフ・モデルの例
を示す図である。
を示す図である。
【図２】 この発明の一実施例を示すブロック図であ
る。
る。
【図３】 図２の実施例のラベル付け装置８を説明する
フローチャートである。
フローチャートである。
【図４】 図２の実施例で用いているフェノニック・マ
ルコフ・モデルを説明するための図である。
ルコフ・モデルを説明するための図である。
【図５】 図２の実施例で用いているフェノニック・マ
ルコフ・モデルを説明するための図である。
ルコフ・モデルを説明するための図である。
【図６】 図２の実施例の認識装置１３の動作を説明す
るための図である。
るための図である。
【図７】 図２の実施例の認識装置１３の動作を説明す
るフローチャートである。
るフローチャートである。
５…音声区間検出装置、８…ラベル付け装置、９…コー
ドブック、１３…認識装置、１４…単語ベースフォーム
・テーブル、１５…パラメータ・テーブル。
ドブック、１３…認識装置、１４…単語ベースフォーム
・テーブル、１５…パラメータ・テーブル。
Claims (12)
- 【請求項１】 微小な時間間隔に割り当て可能な音響タ
イプを表す一組の第１ラベルの情報と、微小な時間間隔
に割り当て可能な音響タイプを表す一組の第２ラベルに
それぞれ対応する一組のマルコフ・モデルの連鎖として
表される、語彙単語の音声モデルの情報と、上記マルコ
フ・モデルの確率値の情報とを保持し、入力音声に基づ
いて、対応する第１ラベルを上記微小な時間間隔ごとに
順次に生成し、上記微小な時間間隔に同期させて語彙単
語の音声モデルと上記第１ラベルの列とをマッチングさ
せ、上記マルコフ・モデルの確率値を累積し、上記語彙
単語が上記入力音声に対応する尤度値を得る音声認識方
法において、 上記入力音声の始端開放範囲内の上記微小な時間間隔の
各々において、当該時間間隔において生成される第１ラ
ベル以降の第１ラベルの列に語彙単語の単語モデルをマ
ッチングさせ始めるステップと、 上記始端開放範囲内の上記微小な時間間隔の各々におい
て、所定の中間尤度値を選択するステップと、 上記語彙単語の音声モデルをマッチングさせ始めるとき
に、その尤度値の初期値を、上記マッチングさせはじめ
の上記微小な時間間隔における上記所定の中間尤度値に
設定するステップと、 上記微小間隔の各々において、上記中間尤度値に基づい
て、見込みのないマッチング・パスを放棄するステップ
とを有することを特徴とする音声認識方法。 - 【請求項２】 上記始端開放範囲は入力音声の１または
複数の始端候補の検出に基づいて決定される請求項１記
載の音声認識方法。 - 【請求項３】 入力音声の始端候補が複数検出されたと
きに、最初の始端候補に基づいて上記始端開放範囲を決
定し、さらに後続の始端候補においてその時点の上記所
定の中間尤度値を初期値としてマッチングを開始させる
請求項２記載の音声認識方法。 - 【請求項４】 入力音声の始端候補が複数検出されたと
きに、上記始端候補の各々に基づいて上記始端開放範囲
を決定する請求項２記載の音声認識方法。 - 【請求項５】 上記語彙単語の音声モデルのマッチング
を、当該音声モデルの始端開放範囲内のマルコフ・モデ
ルの各々で開始させる請求項１、２、３または４記載の
音声認識方法。 - 【請求項６】 上記所定の中間尤度値を最大の尤度値と
する請求項１、２、３、４または５記載の音声認識方
法。 - 【請求項７】 微小な時間間隔に割り当て可能な音響タ
イプを表す一組のラベルの情報と、マルコフ・モデルで
表される語彙単語の音声モデルの情報と、上記マルコフ
・モデルの確率値の情報とを保持し、入力音声に基づい
て、対応する上記ラベルを上記微小な時間間隔ごとに順
次に生成し、上記微小な時間間隔に同期させて語彙単語
の音声モデルと上記第１ラベルの列とをマッチングさ
せ、上記マルコフ・モデルの確率値を累積し、上記語彙
単語が上記入力音声に対応する尤度値を得る音声認識方
法において、 上記入力音声の１または複数の始端を検出するステップ
と、 上記１の始端に該当する上記微小な時間間隔または上記
複数の始端に該当する上記微小な時間間隔の各々におい
て、当該時間間隔において生成される第１ラベル以降の
第１ラベルの列に語彙単語の単語モデルをマッチングさ
せ始めるステップと、 上記始端が複数の場合に、２番目以降の始端に該当する
上記微小な時間間隔の各々において、所定の中間尤度値
を選択するステップと、 上記２番目以降の始端に該当する上記微小な時間間隔に
おいて単語モデルをマッチングさせ始めるときに、その
尤度値の初期値を、上記マッチングさせはじめの上記微
小な時間間隔における上記所定の中間尤度値に設定する
ステップと、 上記微小間隔の各々において、上記中間尤度値に基づい
て、見込みのないマッチング・パスを放棄するステップ
とを有することを特徴とする音声認識方法。 - 【請求項８】 微小な時間間隔に割り当て可能な音響タ
イプを表す一組のラベルの情報と、マルコフ・モデルで
表される語彙単語の音声モデルの情報と、上記マルコフ
・モデルの確率値の情報とを保持し、入力音声に基づい
て、対応する上記ラベルを上記微小な時間間隔ごとに順
次に生成し、上記微小な時間間隔に同期させて語彙単語
の音声モデルと上記第１ラベルの列とをマッチングさ
せ、上記マルコフ・モデルの確率値を累積し、上記語彙
単語が上記入力音声に対応する尤度値を得る音声認識方
法において、 上記入力音声の始端開放範囲内の上記微小な時間間隔の
各々において、当該時間間隔において生成される第１ラ
ベル以降の第１ラベルの列に語彙単語の単語モデルをマ
ッチングさせ始めるステップと、 上記始端開放範囲内の上記微小な時間間隔の各々におい
て、所定の中間尤度値を選択するステップと、 上記単語モデルをマッチングさせ始めるときに、その尤
度値の初期値を、上記マッチングさせはじめの上記微小
な時間間隔における上記所定の中間尤度値に設定するス
テップと、 上記微小間隔の各々において、上記中間尤度値に基づい
て、見込みのないマッチング・パスを放棄するステップ
とを有することを特徴とする音声認識方法。 - 【請求項９】微小な時間間隔に割り当て可能な音響タイ
プを表す一組のラベルの情報と、マルコフ・モデルで表
される語彙単語の音声モデルの情報と、上記マルコフ・
モデルの確率値の情報とを保持し、入力音声に基づい
て、対応する上記ラベルを上記微小な時間間隔ごとに順
次に生成し、上記語彙単語の音声モデルの状態に同期さ
せて上記語彙単語の音声モデルと上記第１ラベルの列と
をマッチングさせ、上記マルコフ・モデルの確率値を累
積し、上記語彙単語が上記入力音声に対応する尤度値を
得る音声認識方法において、 上記音声モデルの始端開放範囲内の状態の各々におい
て、当該状態以降の、当該音声モデルの残りの部分に上
記第１ラベルの列をマッチングさせ始めるステップと、 上記始端開放範囲内の上記状態の各々において、所定の
中間尤度値を選択するステップと、 上記第１ラベルの列をマッチングさせ始めるときに、そ
の尤度値の初期値を、上記マッチングさせはじめの上記
状態における上記所定の中間尤度値に設定するステップ
と、 上記状態の各々において、上記中間尤度値に基づいて、
見込みのないマッチング・パスを放棄するステップとを
有することを特徴とする音声認識方法。 - 【請求項１０】 微小な時間間隔に割り当て可能な音響
タイプを表す一組の第１ラベルの情報と、微小な時間間
隔に割り当て可能な音響タイプを表す一組の第２ラベル
にそれぞれ対応する一組のマルコフレベルの連鎖として
表される、語彙単語の音声モデルの情報と、上記マルコ
フ・モデルの確率値の情報とを保持し、入力音声に基づ
いて、対応する第１ラベルを上記微小な時間間隔ごとに
順次に生成し、上記微小な時間間隔に同期させて語彙単
語の音声モデルと上記第１ラベルの列とをマッチングさ
せ、上記マルコフ・モデルの確率値を累積し、上記語彙
単語が上記入力音声に対応する尤度値を得る音声認識装
置において、 上記入力音声の始端開放範囲内の上記微小な時間間隔の
各々において、当該時間間隔において生成される第１ラ
ベル以降の第１ラベルの列に語彙単語の単語モデルをマ
ッチングさせ始める手段と、 上記始端開放範囲内の上記微小な時間間隔の各々におい
て、所定の中間尤度値を選択する手段と、 上記単語モデルをマッチングさせ始めるときに、その尤
度値の初期値を、上記マッチングさせはじめの上記微小
な時間間隔における上記所定の中間尤度値に設定する手
段と、 上記微小間隔の各々において、上記中間尤度値に基づい
て、見込みのないマッチング・パスを放棄する手段とを
有することを特徴とする音声認識装置。 - 【請求項１１】 微小な時間間隔に割り当て可能な音響
タイプを表す一組のラベルの情報と、マルコフ・モデル
で表される語彙単語の音声モデルの情報と、上記マルコ
フ・モデルの確率値の情報とを保持し、入力音声に基づ
いて、対応する上記ラベルを上記微小な時間間隔ごとに
順次に生成し、上記微小な時間間隔に同期させて語彙単
語の音声モデルと上記第１ラベルの列とをマッチングさ
せ、上記マルコフ・モデルの確率値を累積し、上記語彙
単語が上記入力音声に対応する尤度値を得る音声認識装
置において、 上記入力音声の始端開放範囲内の上記微小な時間間隔の
各々において、当該時間間隔において生成される第１ラ
ベル以降の第１ラベルの列に語彙単語の単語モデルをマ
ッチングさせ始める手段と、 上記始端開放範囲内の上記微小な時間間隔の各々におい
て、所定の中間尤度値を選択する手段と、 上記単語モデルをマッチングさせ始めるときに、その尤
度値の初期値を、上記マッチングさせはじめの上記微小
な時間間隔における上記所定の中間尤度値に設定する手
段と、 上記微小間隔の各々において、上記中間尤度値に基づい
て、見込みのないマッチング・パスを放棄する手段とを
有することを特徴とする音声認識装置。 - 【請求項１２】微小な時間間隔に割り当て可能な音響タ
イプを表す一組のラベルの情報と、マルコフ・モデルで
表される語彙単語の音声モデルの情報と、上記マルコフ
・モデルの確率値の情報とを保持し、入力音声に基づい
て、対応する上記ラベルを上記微小な時間間隔ごとに順
次に生成し、上記語彙単語の音声モデルの状態に同期さ
せて上記語彙単語の音声モデルと上記第１ラベルの列と
をマッチングさせ、上記マルコフ・モデルの確率値を累
積し、上記語彙単語が上記入力音声に対応する尤度値を
得る音声認識装置において、 上記音声モデルの始端開放範囲内の状態の各々におい
て、当該状態以降の、当該音声モデルの残りの部分に上
記第１ラベルの列をマッチングさせ始める手段と、 上記始端開放範囲内の上記状態の各々において、所定の
中間尤度値を選択する手段と、 上記第１ラベルの列をマッチングさせ始めるときに、そ
の尤度値の初期値を、上記マッチングさせはじめの上記
状態における上記所定の中間尤度値に設定する手段と、 上記状態の各々において、上記中間尤度値に基づいて、
見込みのないマッチング・パスを放棄する手段とを有す
ることを特徴とする音声認識装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3311571A JPH0776878B2 (ja) | 1991-10-31 | 1991-10-31 | 音声認識方法および装置 |
| EP92309912A EP0540328A3 (en) | 1991-10-31 | 1992-10-29 | Voice recognition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3311571A JPH0776878B2 (ja) | 1991-10-31 | 1991-10-31 | 音声認識方法および装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05134695A JPH05134695A (ja) | 1993-05-28 |
| JPH0776878B2 true JPH0776878B2 (ja) | 1995-08-16 |
Family
ID=18018836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3311571A Expired - Lifetime JPH0776878B2 (ja) | 1991-10-31 | 1991-10-31 | 音声認識方法および装置 |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP0540328A3 (ja) |
| JP (1) | JPH0776878B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9223066D0 (en) * | 1992-11-04 | 1992-12-16 | Secr Defence | Children's speech training aid |
| US5680511A (en) * | 1995-06-07 | 1997-10-21 | Dragon Systems, Inc. | Systems and methods for word recognition |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0296800A (ja) * | 1988-10-03 | 1990-04-09 | Nec Corp | 連続音声認識装置 |
| JPH0636156B2 (ja) * | 1989-03-13 | 1994-05-11 | 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 | 音声認識装置 |
| US4977598A (en) * | 1989-04-13 | 1990-12-11 | Texas Instruments Incorporated | Efficient pruning algorithm for hidden markov model speech recognition |
-
1991
- 1991-10-31 JP JP3311571A patent/JPH0776878B2/ja not_active Expired - Lifetime
-
1992
- 1992-10-29 EP EP92309912A patent/EP0540328A3/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05134695A (ja) | 1993-05-28 |
| EP0540328A2 (en) | 1993-05-05 |
| EP0540328A3 (en) | 1995-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3434838B2 (ja) | ワードスポッティング法 | |
| US5390278A (en) | Phoneme based speech recognition | |
| US6195634B1 (en) | Selection of decoys for non-vocabulary utterances rejection | |
| US5822729A (en) | Feature-based speech recognizer having probabilistic linguistic processor providing word matching based on the entire space of feature vectors | |
| US5677990A (en) | System and method using N-best strategy for real time recognition of continuously spelled names | |
| JP3672595B2 (ja) | 結合されたストリングモデルの最小誤認率訓練 | |
| EP2048655B1 (en) | Context sensitive multi-stage speech recognition | |
| JP2001255889A (ja) | 音声認識装置および音声認識方法、並びに記録媒体 | |
| Lin et al. | OOV detection by joint word/phone lattice alignment | |
| JP2023539948A (ja) | ロングコンテキストエンドツーエンド音声認識システム | |
| CN101447183A (zh) | 一种应用于语音识别系统的高性能置信度处理方法 | |
| JPH08227298A (ja) | クラスタ化された単語間及び／又は句間の調音結合を使用した音声認識 | |
| US9224391B2 (en) | Method and system for automatically providing linguistic formulations that are outside a recognition domain of an automatic speech recognition system | |
| JP4340685B2 (ja) | 音声認識装置及び音声認識方法 | |
| Iwano et al. | Prosodic word boundary detection using statistical modeling of moraic fundamental frequency contours and its use for continuous speech recognition | |
| US7043430B1 (en) | System and method for speech recognition using tonal modeling | |
| Huang et al. | A fast algorithm for large vocabulary keyword spotting application | |
| JPH0776878B2 (ja) | 音声認識方法および装置 | |
| JP3216565B2 (ja) | 音声モデルの話者適応化方法及びその方法を用いた音声認識方法及びその方法を記録した記録媒体 | |
| JPH06266386A (ja) | ワードスポッティング方法 | |
| Pinto et al. | Exploiting phoneme similarities in hybrid HMM-ANN keyword spotting | |
| JP6497651B2 (ja) | 音声認識装置および音声認識プログラム | |
| JP2005091504A (ja) | 音声認識装置 | |
| CN121600911B (zh) | 一种语音识别结果的动态纠错方法及系统 | |
| Gopalakrishnan et al. | Models and algorithms for continuous speech recognition: a brief tutorial |