JPH0876788A - 音声認識における混同しやすい語の検出方法 - Google Patents
音声認識における混同しやすい語の検出方法Info
- Publication number
- JPH0876788A JPH0876788A JP7219365A JP21936595A JPH0876788A JP H0876788 A JPH0876788 A JP H0876788A JP 7219365 A JP7219365 A JP 7219365A JP 21936595 A JP21936595 A JP 21936595A JP H0876788 A JPH0876788 A JP H0876788A
- Authority
- JP
- Japan
- Prior art keywords
- word
- phonemes
- words
- vocabulary word
- training
- 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.)
- Withdrawn
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
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
- G10L15/187—Phonemic context, e.g. pronunciation rules, phonotactical constraints or phoneme n-grams
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)
Abstract
(57)【要約】
【目的】 本発明は、音声認識システムに関し、特に音
声認識システムで使用される混同しやすいワードの検出
に関する。 【構成】 音声認識システムは、前の音響的なものとは
独立であるデータで訓練されてもよい。この訓練の方法
は、従来の訓練方法より早くコスト的に有効である。シ
ステムを訓練する際に、語彙ワードがシステムに入力さ
れた後、その語彙ワードを表す音素の第一の組が決定さ
れる。次に、音素の第一の組は、第二の語彙ワードを表
す音素の第二の組と比較される。第一の語彙ワードと第
二の語彙ワードとは異なる。比較により混同指数が生成
される。第二のワードに対する混同指数は、第二のワー
ドが、他の語彙ワード、例えば既にシステムにある第一
のワードとして誤られる優度の測定値である。このプロ
セスは、各新しく望ましい語彙ワードに対して繰り返さ
れる。
声認識システムで使用される混同しやすいワードの検出
に関する。 【構成】 音声認識システムは、前の音響的なものとは
独立であるデータで訓練されてもよい。この訓練の方法
は、従来の訓練方法より早くコスト的に有効である。シ
ステムを訓練する際に、語彙ワードがシステムに入力さ
れた後、その語彙ワードを表す音素の第一の組が決定さ
れる。次に、音素の第一の組は、第二の語彙ワードを表
す音素の第二の組と比較される。第一の語彙ワードと第
二の語彙ワードとは異なる。比較により混同指数が生成
される。第二のワードに対する混同指数は、第二のワー
ドが、他の語彙ワード、例えば既にシステムにある第一
のワードとして誤られる優度の測定値である。このプロ
セスは、各新しく望ましい語彙ワードに対して繰り返さ
れる。
Description
【０００１】
【発明の属する技術分野】本発明は、音声認識システム
に関し、特に、音声認識システムで使用される混同しや
すいワードを検出することに関する。
に関し、特に、音声認識システムで使用される混同しや
すいワードを検出することに関する。
【０００２】
【従来の技術】音声認識システムは、人の音声に応答し
てその音声内のワードを識別する。ある場合には、その
ワードは人により話されたワードだけである。他の例で
は、ワードはある人からの音声のストリームに含まれて
いてもよい。後者の音声認識装置は、連続的であるとし
て一般にいわれる。
てその音声内のワードを識別する。ある場合には、その
ワードは人により話されたワードだけである。他の例で
は、ワードはある人からの音声のストリームに含まれて
いてもよい。後者の音声認識装置は、連続的であるとし
て一般にいわれる。
【０００３】音声認識装置は、サービスを制御するため
に使用される。こうして、ワードが一旦識別されると、
音声認識システムは、そのワードに基づいてある機能を
達成する。例えば、特定の電話コールに対して、コール
した人は”コレクト””クレジットカード”、テレフォ
ンカード”あるいは”人から人へ”という言葉を話すよ
うに促される。コール者の応答に基づいて、音声認識シ
ステムは適切な接続を始め、適当な者に費用を課す。
に使用される。こうして、ワードが一旦識別されると、
音声認識システムは、そのワードに基づいてある機能を
達成する。例えば、特定の電話コールに対して、コール
した人は”コレクト””クレジットカード”、テレフォ
ンカード”あるいは”人から人へ”という言葉を話すよ
うに促される。コール者の応答に基づいて、音声認識シ
ステムは適切な接続を始め、適当な者に費用を課す。
【０００４】音声認識システムの問題は、音響的に似た
あるいは混同しやすい語彙間の相違を識別する能力であ
る。こうして、語彙を識別するために、音声認識システ
ムは他のワードから候補ワードを区別するよう先ず訓練
されなければならない。
あるいは混同しやすい語彙間の相違を識別する能力であ
る。こうして、語彙を識別するために、音声認識システ
ムは他のワードから候補ワードを区別するよう先ず訓練
されなければならない。
【０００５】音声認識システムを訓練する基地の方法
は、システムへ話をすることと音声に基づいて比較する
ことを含んでいる。L.R.バール等による”コンストラク
ティング・グループス・オブ・アコースティック・コン
フューザブル・ワーズ（音響的に混同しやすいワードの
グループを構成する）”（IEEE international confere
nce On Acoustics, Speech, and Signal Processing (I
CASSP) april 1990 pages 85-88)を参照。例えば、多く
の人々がそのシステムにワード１を話す。システムは、
話された入力（ワード１）を表す第一のモデルを展開す
る。次に多くの人々がシステムにワード２を話す。ワー
ド２が第一のモデルと混同しやすくなければ、ワード２
を表す第二のモデルが展開される。次に、多くの人々が
システムにワード３を話す。ワード３は、第一のモデル
あるいは第二のモデルと混同しやすい者でなければ、ワ
ード３を表す第三のモデルが展開される。このプロセス
は、全てのワードがモデル化されるまで続く。
は、システムへ話をすることと音声に基づいて比較する
ことを含んでいる。L.R.バール等による”コンストラク
ティング・グループス・オブ・アコースティック・コン
フューザブル・ワーズ（音響的に混同しやすいワードの
グループを構成する）”（IEEE international confere
nce On Acoustics, Speech, and Signal Processing (I
CASSP) april 1990 pages 85-88)を参照。例えば、多く
の人々がそのシステムにワード１を話す。システムは、
話された入力（ワード１）を表す第一のモデルを展開す
る。次に多くの人々がシステムにワード２を話す。ワー
ド２が第一のモデルと混同しやすくなければ、ワード２
を表す第二のモデルが展開される。次に、多くの人々が
システムにワード３を話す。ワード３は、第一のモデル
あるいは第二のモデルと混同しやすい者でなければ、ワ
ード３を表す第三のモデルが展開される。このプロセス
は、全てのワードがモデル化されるまで続く。
【０００６】既知の方法は多くの欠点を有する。例え
ば、システムを訓練するために必要な多くの話者を集め
ることと関連して多くの費用がかかる。また、多数の話
者でシステムを訓練すると、時間が非常にかかる。シス
テムを訓練することと関連するコストと時間を最小にす
る方法が検討された。しかしながら、これがなされたと
き、結果としての訓練されたシステムは、唯一の方言を
考慮できるように話者依存であり、及び／あるいは他の
話者依存特性を持つ。訓練が容易でコスト的に有効な音
声認識しすが望まれている。
ば、システムを訓練するために必要な多くの話者を集め
ることと関連して多くの費用がかかる。また、多数の話
者でシステムを訓練すると、時間が非常にかかる。シス
テムを訓練することと関連するコストと時間を最小にす
る方法が検討された。しかしながら、これがなされたと
き、結果としての訓練されたシステムは、唯一の方言を
考慮できるように話者依存であり、及び／あるいは他の
話者依存特性を持つ。訓練が容易でコスト的に有効な音
声認識しすが望まれている。
【０００７】
【発明の概要】我々は、訓練が容易で越すと的に有効な
音声認識システムを発明した。この出願で使用されるよ
うに、”訓練”は、語彙ワードに対するモデルを創造す
ることを具備する。ある環境では、訓練はまた、ある語
彙ワードの選択を含んでいる。音声認識システムは、前
の音響的なものとは独立であるデータ（例えば、語彙ワ
ード）で訓練されてもよい。システムを訓練する際に、
語彙ワードがシステムに入力された後、その語彙ワード
を表す音素の第一の組が決定される。次に、第一の組
は、第二の語彙ワードを表す音素の第二の組と比較され
る。第一の語彙ワードと第二の語彙ワードとは異なる。
比較は混同指数を生成する。第二のワードに対する混同
指数は、第二のワードが、他の語彙ワード、例えば既に
システムにある第一のワードとして誤られる優度の測定
値である。
音声認識システムを発明した。この出願で使用されるよ
うに、”訓練”は、語彙ワードに対するモデルを創造す
ることを具備する。ある環境では、訓練はまた、ある語
彙ワードの選択を含んでいる。音声認識システムは、前
の音響的なものとは独立であるデータ（例えば、語彙ワ
ード）で訓練されてもよい。システムを訓練する際に、
語彙ワードがシステムに入力された後、その語彙ワード
を表す音素の第一の組が決定される。次に、第一の組
は、第二の語彙ワードを表す音素の第二の組と比較され
る。第一の語彙ワードと第二の語彙ワードとは異なる。
比較は混同指数を生成する。第二のワードに対する混同
指数は、第二のワードが、他の語彙ワード、例えば既に
システムにある第一のワードとして誤られる優度の測定
値である。
【０００８】本発明は、語彙ワードの組には混同しやす
いワードはほとんど無いので、正確さを高めた音声認識
システムを容易に訓練することができるようにするとい
う長所がある。
いワードはほとんど無いので、正確さを高めた音声認識
システムを容易に訓練することができるようにするとい
う長所がある。
【０００９】本発明は、従来の方法よりコスト的により
有効であるように混同しやすいワードをチェックしなが
ら音声認識システムを容易に訓練することができるよう
にするという長所がある。
有効であるように混同しやすいワードをチェックしなが
ら音声認識システムを容易に訓練することができるよう
にするという長所がある。
【００１０】更に、本発明は、従来の方法より高速に混
同しやすいワードをチェックしながら音声新式システム
を容易に訓練することができるようにするという長所が
ある。
同しやすいワードをチェックしながら音声新式システム
を容易に訓練することができるようにするという長所が
ある。
【００１１】
【発明の実施の形態】説明を明確にするため、本発明の
実施例は個別の機能ブロックからなるものとして示され
る。これらのブロックが表す機能は、それに限定されな
いが、ソフトウェアを実行することができるハードウェ
アを含む共有型のあるいは専用型のハードウェアをしよ
うして提供される。例えば、図４のブロック４０６と４
０８の機能は、単一の共有プロセッサにより提供されて
もよい。用語”プロセッサ”はソフトウェアを実行する
ことができるハードウェア専用に用いるものと解釈して
はならない。
実施例は個別の機能ブロックからなるものとして示され
る。これらのブロックが表す機能は、それに限定されな
いが、ソフトウェアを実行することができるハードウェ
アを含む共有型のあるいは専用型のハードウェアをしよ
うして提供される。例えば、図４のブロック４０６と４
０８の機能は、単一の共有プロセッサにより提供されて
もよい。用語”プロセッサ”はソフトウェアを実行する
ことができるハードウェア専用に用いるものと解釈して
はならない。
【００１２】実施例は、ＡＴ＆ＴＤＳＰ１６あるいはＤ
ＳＰ３２Ｃのようなデジタル信号プロセッサ（ＤＳ
Ｐ）、以下に説明する動作を実行するソフトウェアを格
納するためのリードオンリーメモリ（ＲＯＭ）、及びＤ
ＳＰ結果を格納するためのランダムアクセスメモリ（Ｒ
ＡＭ）を具備している。汎用のＤＳＰ回路と組み合わせ
てのカスタムＶＬＳＩ回路と同様に、超大規模集積（Ｖ
ＬＳＩ）ハードウェアが提供されてもよい。
ＳＰ３２Ｃのようなデジタル信号プロセッサ（ＤＳ
Ｐ）、以下に説明する動作を実行するソフトウェアを格
納するためのリードオンリーメモリ（ＲＯＭ）、及びＤ
ＳＰ結果を格納するためのランダムアクセスメモリ（Ｒ
ＡＭ）を具備している。汎用のＤＳＰ回路と組み合わせ
てのカスタムＶＬＳＩ回路と同様に、超大規模集積（Ｖ
ＬＳＩ）ハードウェアが提供されてもよい。
【００１３】本発明を説明する前に、音声認識システム
を訓練する２つの既知の方法を簡単に説明する。
を訓練する２つの既知の方法を簡単に説明する。
【００１４】図１を参照して、機能ブロック１００で
は、ワードはテキストの型式で入力される。テキストワ
ードに基づいて、システムは、機能ブロック１０２でワ
ード音響モデルを発生する。次に、システムは、機能ブ
ロック１０２で発生されたワードモデルを格納する。こ
れは、機能ブロック１０４に示される。ワードが入力さ
れ、そのモデルが格納された後、システムは、機能ブロ
ック１０６に示されるように、他のワードが入力される
かどうかをユーザーあるいは訓練者に尋ねる。答えが”
Ｙｅｓ”ならば、プロセスが繰り返される。答えが”Ｎ
ｏ”ならば、訓練は完了する。図１に似たシステムは、
ボッチエリに付与された”音響音声認識装置”という名
称の米国特許番号５、３２９、６０８に開示されてい
る。この特許は、本発明の譲受人に譲渡され、その全体
に述べられているまま、引用によりここに本願に組み込
まれる。
は、ワードはテキストの型式で入力される。テキストワ
ードに基づいて、システムは、機能ブロック１０２でワ
ード音響モデルを発生する。次に、システムは、機能ブ
ロック１０２で発生されたワードモデルを格納する。こ
れは、機能ブロック１０４に示される。ワードが入力さ
れ、そのモデルが格納された後、システムは、機能ブロ
ック１０６に示されるように、他のワードが入力される
かどうかをユーザーあるいは訓練者に尋ねる。答えが”
Ｙｅｓ”ならば、プロセスが繰り返される。答えが”Ｎ
ｏ”ならば、訓練は完了する。図１に似たシステムは、
ボッチエリに付与された”音響音声認識装置”という名
称の米国特許番号５、３２９、６０８に開示されてい
る。この特許は、本発明の譲受人に譲渡され、その全体
に述べられているまま、引用によりここに本願に組み込
まれる。
【００１５】図２を参照して、機能ブロック２００で
は、ワードＷ１は音響的にシステムに入力される。しか
しながら、典型的には、システムは、ワードに対するモ
デルをまだ発生しない。これは、音響的に入力されるワ
ードの作業可能なモデルをシステムが発生することがで
きるためには、システムが同じワードＷ１を約１００個
入力する必要があるためである。加えて、システムは、
ワードの多数のサンプルを以前に格納されたモデルと比
較する。機能ブロック２０２を介して、システムは、Ｗ
１の十分なサンプルが音響的に入力されたかどうかを判
定する。十分なサンプルが音響的に入力されていなけれ
ば、システムは、Ｗ１の付加的なサンプルのために訓練
者に注意する。しかしながら、十分なサンプルが音響的
に入力されていれば、システムは、機能ブロック２０６
を介して、Ｗ１はいずれかの現在格納されているモデル
と混乱するほど似ているかどうかを判定する。Ｗ１のサ
ンプルを全ての格納されているモデルと比較することに
よりこれは行われる。Ｗ１が格納されているモデルのあ
るものと混乱するほど似ていれば、システムは、Ｗ１の
相当語である別のＷ１を選ぶよう訓練者に注意する。別
のＷ１は、前のＷ１を置換して訓練プロセスは継続す
る。この注意は、機能ブロック２０８を介して達成され
る。しかしながら、Ｗ１はいずれかの現在格納されてい
るモデルと混乱するほど似ていなければ、Ｗ１のサンプ
ルを表すモデルすなわちＭ１が生成され、機能ブロック
２１０を介して他のモデルと共に格納される。次に、機
能ブロック２１２は、入力すべき他のワードが存在する
かどうかを判定する。入力すべき他のワードがあれば、
インクリメントされた”ｉ”の値（例えば、ｉ＝ｉ＋
１）とシステムは、機能ブロック２１４を介して、次の
ワードの入力のために訓練者に注意する。入力すべきワ
ードが他になければ、システムは、機能ブロック２１６
を介して訓練を終了する。このプロセスは、全てのワー
ドがモデル化されるまで続く。
は、ワードＷ１は音響的にシステムに入力される。しか
しながら、典型的には、システムは、ワードに対するモ
デルをまだ発生しない。これは、音響的に入力されるワ
ードの作業可能なモデルをシステムが発生することがで
きるためには、システムが同じワードＷ１を約１００個
入力する必要があるためである。加えて、システムは、
ワードの多数のサンプルを以前に格納されたモデルと比
較する。機能ブロック２０２を介して、システムは、Ｗ
１の十分なサンプルが音響的に入力されたかどうかを判
定する。十分なサンプルが音響的に入力されていなけれ
ば、システムは、Ｗ１の付加的なサンプルのために訓練
者に注意する。しかしながら、十分なサンプルが音響的
に入力されていれば、システムは、機能ブロック２０６
を介して、Ｗ１はいずれかの現在格納されているモデル
と混乱するほど似ているかどうかを判定する。Ｗ１のサ
ンプルを全ての格納されているモデルと比較することに
よりこれは行われる。Ｗ１が格納されているモデルのあ
るものと混乱するほど似ていれば、システムは、Ｗ１の
相当語である別のＷ１を選ぶよう訓練者に注意する。別
のＷ１は、前のＷ１を置換して訓練プロセスは継続す
る。この注意は、機能ブロック２０８を介して達成され
る。しかしながら、Ｗ１はいずれかの現在格納されてい
るモデルと混乱するほど似ていなければ、Ｗ１のサンプ
ルを表すモデルすなわちＭ１が生成され、機能ブロック
２１０を介して他のモデルと共に格納される。次に、機
能ブロック２１２は、入力すべき他のワードが存在する
かどうかを判定する。入力すべき他のワードがあれば、
インクリメントされた”ｉ”の値（例えば、ｉ＝ｉ＋
１）とシステムは、機能ブロック２１４を介して、次の
ワードの入力のために訓練者に注意する。入力すべきワ
ードが他になければ、システムは、機能ブロック２１６
を介して訓練を終了する。このプロセスは、全てのワー
ドがモデル化されるまで続く。
【００１６】既知のシステムの動作を説明したが、本発
明を音声認識システムの訓練を参照して説明する。最後
に、訓練されたシステムの使用を説明する。
明を音声認識システムの訓練を参照して説明する。最後
に、訓練されたシステムの使用を説明する。
【００１７】図３を参照して、本発明による音声認識シ
ステムを訓練する方法を表すフローチャートを示してい
る。先ず、最初のワード（すなわち最初のボキャブラリ
ーワード）Ｗ１が、機能ブロック３０２を介して以前の
音響的イベントから独立なようにして音声認識ユニット
訓練システムに入力される。換言すれば、ワードは、
（例えば、音声記録装置から話されたか、テキスト−音
声システムを介して発生されたかどうか）音響的表現を
含まないように入力されてもよい。ワードは、キーボー
ドから入力され、あるいはテキストファイルから読まれ
ることが望ましい。前に述べた米国特許番号５、３２
９、６０８は、ワードがテキスト型式で入力されるシス
テムを説明している。
ステムを訓練する方法を表すフローチャートを示してい
る。先ず、最初のワード（すなわち最初のボキャブラリ
ーワード）Ｗ１が、機能ブロック３０２を介して以前の
音響的イベントから独立なようにして音声認識ユニット
訓練システムに入力される。換言すれば、ワードは、
（例えば、音声記録装置から話されたか、テキスト−音
声システムを介して発生されたかどうか）音響的表現を
含まないように入力されてもよい。ワードは、キーボー
ドから入力され、あるいはテキストファイルから読まれ
ることが望ましい。前に述べた米国特許番号５、３２
９、６０８は、ワードがテキスト型式で入力されるシス
テムを説明している。
【００１８】図３を再び参照して、次に機能ブロック３
０４は、Ｗ１音素的転写Ｔ１を発生する。例えば、”エ
イト（８）”は２つの音素からなり、すなわち、”エイ
（ａｙ）”と”ト（ｔ）”とからなる。音素的転写
は、”ａｙ”と”ｔ”である。換言すれば、音素的転写
は、単純には２つの音素の連結である。音素的転写を発
生することは、当業者にはよく知られた多数の別々の方
法で達成されてもよい。そのような方法の１つが、コー
カー等による”ディクショナリー・インテンシブ・レタ
ー−トウ−サウンド・プログラム”（J.Acoust.Soc.Am.
Vol. 78, Suppl. 1,S7,1985）に述べられている。これ
は、より詳細に、コーカー等による”モフォロジー・ア
ンド・リミング：ツー・パワフル・アルタネイティブ・
レター−トウ−サウンド・ルール”（Proc. ESCA Works
hop on Speech Synthesis, Autran, France, Septembe
r, 1990）に述べられている。
０４は、Ｗ１音素的転写Ｔ１を発生する。例えば、”エ
イト（８）”は２つの音素からなり、すなわち、”エイ
（ａｙ）”と”ト（ｔ）”とからなる。音素的転写
は、”ａｙ”と”ｔ”である。換言すれば、音素的転写
は、単純には２つの音素の連結である。音素的転写を発
生することは、当業者にはよく知られた多数の別々の方
法で達成されてもよい。そのような方法の１つが、コー
カー等による”ディクショナリー・インテンシブ・レタ
ー−トウ−サウンド・プログラム”（J.Acoust.Soc.Am.
Vol. 78, Suppl. 1,S7,1985）に述べられている。これ
は、より詳細に、コーカー等による”モフォロジー・ア
ンド・リミング：ツー・パワフル・アルタネイティブ・
レター−トウ−サウンド・ルール”（Proc. ESCA Works
hop on Speech Synthesis, Autran, France, Septembe
r, 1990）に述べられている。
【００１９】図３を再び参照して、機能ブロック３０６
は、Ｔ１を音素的転写のライブラリーに格納されている
他のワードの音素的転写と比較する。しかしながら、Ｗ
１は最初に入力されたワードなので、混乱するほど似て
いるかどうか知るためにＴ１を比較すべき他のワードの
音素的転写は存在しない。こうして、次に、機能ブロッ
ク３０８が音素的転写のライブルラリーにＴ１を格納す
る。
は、Ｔ１を音素的転写のライブラリーに格納されている
他のワードの音素的転写と比較する。しかしながら、Ｗ
１は最初に入力されたワードなので、混乱するほど似て
いるかどうか知るためにＴ１を比較すべき他のワードの
音素的転写は存在しない。こうして、次に、機能ブロッ
ク３０８が音素的転写のライブルラリーにＴ１を格納す
る。
【００２０】図３を参照して、２番目のワードＷ２が機
能ブロック３０２を介して入力される。次に、機能ブロ
ック３０４は、Ｗ２の音素的転写Ｔ２を発生する。次に
機能ブロック３０６は、他のワードの音素的転写と混乱
するほど似ているかどうかを知るために音素的転写のラ
イブラリー内に格納された他のワード（例えばＴ1 ）の
音素的転写とＴ2 を比較する。Ｔ2 がＴ1 と混乱するほ
ど似ているかどうかをチェックするために、以下の式が
使用される。
能ブロック３０２を介して入力される。次に、機能ブロ
ック３０４は、Ｗ２の音素的転写Ｔ２を発生する。次に
機能ブロック３０６は、他のワードの音素的転写と混乱
するほど似ているかどうかを知るために音素的転写のラ
イブラリー内に格納された他のワード（例えばＴ1 ）の
音素的転写とＴ2 を比較する。Ｔ2 がＴ1 と混乱するほ
ど似ているかどうかをチェックするために、以下の式が
使用される。
【数１】
【００２１】ここで、ρ1、2 はＷ１とＷ２の間の混乱の
確率を近似するバッタシャリャ（Bhattacharyya） であ
り、Ｐ（Ｔ｜Ｔ1 ）は、Ｔ1 の音響的発声に与えられた
音素的転写Ｔを認識する確率であり、Ｐ（Ｔ｜Ｔ2 ）
は、ワード２の音響的発声に与えられた音素的転写Ｔを
認識する確率である。当業者には知られているように、
一般的な音素の混同Ｐ（Ｔ｜Ｔi ）は、サブワード単位
の認識装置で容易に予めテーブル化されている。ワーデ
ンブルグ、Ｔ．、ドゥプリーツ、Ｊ．Ａ．、及びコエツ
ァによる”オードマチック・レコグニッション・オブ・
ストップ・コンソナント・ウジング・ヒドン・マルコフ
・モデル”（Proceedings of ICASSP '92, page585-588
(1982))を参照。
確率を近似するバッタシャリャ（Bhattacharyya） であ
り、Ｐ（Ｔ｜Ｔ1 ）は、Ｔ1 の音響的発声に与えられた
音素的転写Ｔを認識する確率であり、Ｐ（Ｔ｜Ｔ2 ）
は、ワード２の音響的発声に与えられた音素的転写Ｔを
認識する確率である。当業者には知られているように、
一般的な音素の混同Ｐ（Ｔ｜Ｔi ）は、サブワード単位
の認識装置で容易に予めテーブル化されている。ワーデ
ンブルグ、Ｔ．、ドゥプリーツ、Ｊ．Ａ．、及びコエツ
ァによる”オードマチック・レコグニッション・オブ・
ストップ・コンソナント・ウジング・ヒドン・マルコフ
・モデル”（Proceedings of ICASSP '92, page585-588
(1982))を参照。
【００２２】その式が混乱しそうなワードを識別するの
にどのように動作するかの例は、以下に示され、それで
は、Ｗ１は”エイト（eight ：８）”であり、Ｗ２は”
ゥエイト(wait:待つ）である。この場合、Ｔ１は”ａ
ｙ””ｔ”であり、”ｗ””ａｙ””ｔ”はＴ２であ
る。上記パラグラフ中での式の適用は、”ｅｉｇｈｔ”
と”ｗａｉｔ”の間の混乱の確率は、２２％であるとの
結論になる。以下の表１に現れる数は、説明の単純化と
明確化のためいくつかの非０エントリーを持っている。 表 １ Ｔ Ｐ（Ｔ｜Ｔ1） Ｐ（Ｔ｜Ｔ2） 積 "ay" 0.0 0.0 0.0 "b" 0.0 0.0 0.0 ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ "i""t" 0.5 0.0 0.0 "ay""t" 0.5 0.1 0.05 "w""ay""t" 0.0 0.9 0.0 合計 0.05
にどのように動作するかの例は、以下に示され、それで
は、Ｗ１は”エイト（eight ：８）”であり、Ｗ２は”
ゥエイト(wait:待つ）である。この場合、Ｔ１は”ａ
ｙ””ｔ”であり、”ｗ””ａｙ””ｔ”はＴ２であ
る。上記パラグラフ中での式の適用は、”ｅｉｇｈｔ”
と”ｗａｉｔ”の間の混乱の確率は、２２％であるとの
結論になる。以下の表１に現れる数は、説明の単純化と
明確化のためいくつかの非０エントリーを持っている。 表 １ Ｔ Ｐ（Ｔ｜Ｔ1） Ｐ（Ｔ｜Ｔ2） 積 "ay" 0.0 0.0 0.0 "b" 0.0 0.0 0.0 ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ "i""t" 0.5 0.0 0.0 "ay""t" 0.5 0.1 0.05 "w""ay""t" 0.0 0.9 0.0 合計 0.05
【００２３】この例では、非０の値（すなわち、０．０
５）を持つのは、Ｐ（Ｔ｜Ｔ1 ）とＰ（Ｔ｜Ｔ2 ）の唯
一の積である。この積の平方根は、０．２２に等しい。
こうして、非０積の平方根を加算すると、０．２２を得
る。これは、例えば、この仮説では、”ｗａｉｔ”が”
ｅｉｇｈｔ”と混同される２２％の可能性があるという
ことを意味している。この例は、ワード”ｅｉｇｈｔ”
は２つの認識装置の転写すなわち、”ｉ””ｔ”と”ａ
ｙ””ｔ”と関連するだけであり、各関連性は時間の５
０％で生じると仮定されていることに注意すべきであ
る。また、この例は、ワード”ｗａｉｔ”は２つの認識
装置の転写、すなわち時間の９０％で”ｗ””ａｙ””
ｔ”と時間の１０％で”ａｔ””ｔ”と関連づけられる
だけであると仮定していることに注意すべきである。
５）を持つのは、Ｐ（Ｔ｜Ｔ1 ）とＰ（Ｔ｜Ｔ2 ）の唯
一の積である。この積の平方根は、０．２２に等しい。
こうして、非０積の平方根を加算すると、０．２２を得
る。これは、例えば、この仮説では、”ｗａｉｔ”が”
ｅｉｇｈｔ”と混同される２２％の可能性があるという
ことを意味している。この例は、ワード”ｅｉｇｈｔ”
は２つの認識装置の転写すなわち、”ｉ””ｔ”と”ａ
ｙ””ｔ”と関連するだけであり、各関連性は時間の５
０％で生じると仮定されていることに注意すべきであ
る。また、この例は、ワード”ｗａｉｔ”は２つの認識
装置の転写、すなわち時間の９０％で”ｗ””ａｙ””
ｔ”と時間の１０％で”ａｔ””ｔ”と関連づけられる
だけであると仮定していることに注意すべきである。
【００２４】再び図３を参照して、より一般的には、Ｎ
番目の音素的転写ＴＮは、格納されている他の全ての音
素的転写、すなわちＴ1 からＴN-1 までと及び合計され
た値と比較される。これは、以下の式を実行してなされ
てもよい。
番目の音素的転写ＴＮは、格納されている他の全ての音
素的転写、すなわちＴ1 からＴN-1 までと及び合計され
た値と比較される。これは、以下の式を実行してなされ
てもよい。
【数２】 混同度を評価する一般的な場合を説明したので、その方
法の残りを説明する。
法の残りを説明する。
【００２５】図３を参照して、ρN があるしきい値より
上だとすると、ρN は、他の格納されている音素的転写
と”混同”され、機能ブロック３１０を介して、システ
ムはＷＮのシノニムをシステムの訓練者に尋ねる。これ
は、訓練者に他のワードを入力する（例えば、タイプし
て）よう頼むことによりなされてもよいし、あるいは訓
練者が選んでもよいシノニムのリストをユーザーに提供
してもよい。しかしながら、ρN が他の格納されている
音素的転写と混同可能ではなさそうであれば、ＷＮの転
写、すなわちＴＮは訓練中のワード候補との将来の比較
のために他の転写と共に格納される。実際、機能ブロッ
ク３１２により判定される他の候補ワードがあれば、Ｎ
の値はインクリメントされ（すなわち、Ｎ＝Ｎ＋１）、
その処理が繰り返される。他の場合には、訓練はその時
間の経過後完了する。
上だとすると、ρN は、他の格納されている音素的転写
と”混同”され、機能ブロック３１０を介して、システ
ムはＷＮのシノニムをシステムの訓練者に尋ねる。これ
は、訓練者に他のワードを入力する（例えば、タイプし
て）よう頼むことによりなされてもよいし、あるいは訓
練者が選んでもよいシノニムのリストをユーザーに提供
してもよい。しかしながら、ρN が他の格納されている
音素的転写と混同可能ではなさそうであれば、ＷＮの転
写、すなわちＴＮは訓練中のワード候補との将来の比較
のために他の転写と共に格納される。実際、機能ブロッ
ク３１２により判定される他の候補ワードがあれば、Ｎ
の値はインクリメントされ（すなわち、Ｎ＝Ｎ＋１）、
その処理が繰り返される。他の場合には、訓練はその時
間の経過後完了する。
【００２６】図４を参照して、図３を参照して説明した
方法に従って訓練したシステムを説明した。システム４
００は、受信ユニット４０２、格納ユニット４０４、処
理ユニット４０６、利用装置４０８からなり、それら全
て相互に接続されている。受信ユニット４０２はマイク
ロフォンであってもよい。格納ユニット４０４は、その
システムが認識に当たって興味のあるワードの音素的転
写を格納するのに十分な大きさを持つ格納装置（例え
ば、ディスク、あるいはその一部等）であってもよい。
処理ユニット４０６は、典型的にはデジタル信号プロセ
ッサであり、受信された処理されるべきオーディオ信号
を格納された音素的転写と比較することができるある種
のプロセッサベースのユニットであってもよい。音声認
識のためにオーディオ信号を処理し、処理される信号を
格納された音素的転写と比較する方法は当業者にはよく
知られている。利用装置４０８は、その入力として処理
ユニット４０６の出力を取る。タスク手段は、その入力
に基づいて、あるタスクをローカルに実行し、ユーザー
／話者に他の入力をするように促し。及び／あるいは音
声認識ユニットと関連する当業者によく知られた種々の
他のタスクを実行する。他の型式の受信ユニット４０
２、格納ユニット４０４、処理ユニット４０６、お帯タ
スク手段４０８が当業者にはよく知られている。
方法に従って訓練したシステムを説明した。システム４
００は、受信ユニット４０２、格納ユニット４０４、処
理ユニット４０６、利用装置４０８からなり、それら全
て相互に接続されている。受信ユニット４０２はマイク
ロフォンであってもよい。格納ユニット４０４は、その
システムが認識に当たって興味のあるワードの音素的転
写を格納するのに十分な大きさを持つ格納装置（例え
ば、ディスク、あるいはその一部等）であってもよい。
処理ユニット４０６は、典型的にはデジタル信号プロセ
ッサであり、受信された処理されるべきオーディオ信号
を格納された音素的転写と比較することができるある種
のプロセッサベースのユニットであってもよい。音声認
識のためにオーディオ信号を処理し、処理される信号を
格納された音素的転写と比較する方法は当業者にはよく
知られている。利用装置４０８は、その入力として処理
ユニット４０６の出力を取る。タスク手段は、その入力
に基づいて、あるタスクをローカルに実行し、ユーザー
／話者に他の入力をするように促し。及び／あるいは音
声認識ユニットと関連する当業者によく知られた種々の
他のタスクを実行する。他の型式の受信ユニット４０
２、格納ユニット４０４、処理ユニット４０６、お帯タ
スク手段４０８が当業者にはよく知られている。
【００２７】本発明は、音声認識システムとその訓練に
関して説明されたが、当業者は上記説明が図示の目的の
ためであることを理解しよう。上記説明の種々の変形が
当業者には明らかであろう。例えば、表１の”積”カラ
ムは、非０エントリー（すなわち、”和”が非０エント
リーの値に等しい）を持つだけだとしても、しきい値が
比較されるべき和に寄与する１以上の非０エントリーが
合ってもよい。また、しきい値を”和”と比較する必要
はない。代わりに、”積”カラムの個々の非０エントリ
が比較されるしきい値を持つことができるであろう。こ
の場合、特定の非０エントリーがあるしきい値以上であ
れば、訓練社は他のワードを入力するよう促される。更
に、より一般的なシャーノフ（Chernoff）係数のような
使用可能なバッタシャリャ（Bhattacharyya ）係数以外
の近似がある。当業者は、あるアプリケーションでは互
いに混同しそうな２つのワードの使用を要求し、システ
ムが両方のワードを使用することを許す”オーバーライ
ド”の提供が既知の方法により容易に実現されるという
ことを理解できよう。オーバーライドの提供が使用され
ると、システムは、よい結果を提供するために、弁別の
訓練の長所を取る。本発明の種々の変形が存在するとい
う事実により、当業者は、特許請求の範囲の記載に基づ
いて本発明が定義されるということを理解すべきであ
る。
関して説明されたが、当業者は上記説明が図示の目的の
ためであることを理解しよう。上記説明の種々の変形が
当業者には明らかであろう。例えば、表１の”積”カラ
ムは、非０エントリー（すなわち、”和”が非０エント
リーの値に等しい）を持つだけだとしても、しきい値が
比較されるべき和に寄与する１以上の非０エントリーが
合ってもよい。また、しきい値を”和”と比較する必要
はない。代わりに、”積”カラムの個々の非０エントリ
が比較されるしきい値を持つことができるであろう。こ
の場合、特定の非０エントリーがあるしきい値以上であ
れば、訓練社は他のワードを入力するよう促される。更
に、より一般的なシャーノフ（Chernoff）係数のような
使用可能なバッタシャリャ（Bhattacharyya ）係数以外
の近似がある。当業者は、あるアプリケーションでは互
いに混同しそうな２つのワードの使用を要求し、システ
ムが両方のワードを使用することを許す”オーバーライ
ド”の提供が既知の方法により容易に実現されるという
ことを理解できよう。オーバーライドの提供が使用され
ると、システムは、よい結果を提供するために、弁別の
訓練の長所を取る。本発明の種々の変形が存在するとい
う事実により、当業者は、特許請求の範囲の記載に基づ
いて本発明が定義されるということを理解すべきであ
る。
【図１】音声認識システムを訓練するための最初の既知
の方法を表すフローチャートである。
の方法を表すフローチャートである。
【図２】音声認識システムを訓練するための二番目の既
知の方法を表すフローチャートである。
知の方法を表すフローチャートである。
【図３】本発明により達成される音声認識システムを訓
練する方法を表すフローチャートである。
練する方法を表すフローチャートである。
【図４】本発明により訓練されたシステムを示す図であ
る。
る。
４０２ 受信ユニット ４０４ 格納ユニット ４０６ 処理ユニット ４０８ 利用装置
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ディヴィッド ビジョーン ロエ アメリカ合衆国 07922 ニュージャーシ ィ，バークレイ ハイツ，オーヴァールッ ク ドライヴ ８
Claims (7)
- 【請求項１】 音声認識ユニット訓練システムに前の音
響的なものと独立な形で第一の語彙ワードを入力するこ
とと、 前記第一の語彙ワードを表す第一の組の音素を決定する
ことと、及び前記第一の組の音素を、第一の語彙ワード
とは異なる第二の語彙ワードを表す第二の組の音素と比
較して混同指数を決定することとを具備する方法。 - 【請求項２】 前記第一の組の音素は、音素的転写の第
一の組からなり、第二の組の音素は音素的転写の第二の
組からなる請求項１記載の方法。 - 【請求項３】 前記前の音響的なものと独立な形で第一
の語彙ワードを入力するステップは、第一の語彙ワード
をタイプして入力することである請求項２記載の方法。 - 【請求項４】 前記前の音響的なものと独立な形で第一
の語彙ワードを入力するステップは、テキストファイル
から第一の語彙ワードを読み込むことである請求項２記
載の方法。 - 【請求項５】 前記混同指数としきい値の間の関係を決
定することと、 前記関係が特定の方法により特徴づけられるならば、前
記第一の組の音素を格納することと、 他の語彙ワードが入力される必要があるかどうかを判定
することとを更に具備する請求項１記載の方法。 - 【請求項６】 音声入力内の語彙ワードに基づいてタス
クを行う方法であって、 音声入力を受信することと、 前記音声入力を処理して処理された音声入力を発生する
ことと、 前記処理された音声入力を前の音響的なものとは独立な
音素の組と比較して前記語彙ワードを識別することと、
及び前記語彙ワードに基づいてタスクを達成することと
を具備する方法。 - 【請求項７】 音声認識システムを訓練する方法であっ
て、 第一の組の１以上の文字を表す信号を受信することと、 前記第一の組の音響表現に前記第一の組を変換すること
と、 前記第一の組の前記音響表現を、前記第一の組の文字と
は異なる第二の組の１以上の文字のものの第二の音響表
現と比較して、混同指数を決定することとを具備する方
法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/297283 | 1994-08-29 | ||
| US08/297,283 US5737723A (en) | 1994-08-29 | 1994-08-29 | Confusable word detection in speech recognition |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0876788A true JPH0876788A (ja) | 1996-03-22 |
Family
ID=23145645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7219365A Withdrawn JPH0876788A (ja) | 1994-08-29 | 1995-08-29 | 音声認識における混同しやすい語の検出方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US5737723A (ja) |
| EP (1) | EP0700031A1 (ja) |
| JP (1) | JPH0876788A (ja) |
Families Citing this family (60)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6064959A (en) * | 1997-03-28 | 2000-05-16 | Dragon Systems, Inc. | Error correction in speech recognition |
| US6018568A (en) * | 1996-09-25 | 2000-01-25 | At&T Corp. | Voice dialing system |
| FR2769118B1 (fr) * | 1997-09-29 | 1999-12-03 | Matra Communication | Procede de reconnaissance de parole |
| US6182039B1 (en) * | 1998-03-24 | 2001-01-30 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus using probabilistic language model based on confusable sets for speech recognition |
| US6263309B1 (en) | 1998-04-30 | 2001-07-17 | Matsushita Electric Industrial Co., Ltd. | Maximum likelihood method for finding an adapted speaker model in eigenvoice space |
| US6343267B1 (en) | 1998-04-30 | 2002-01-29 | Matsushita Electric Industrial Co., Ltd. | Dimensionality reduction for speaker normalization and speaker and environment adaptation using eigenvoice techniques |
| US6684185B1 (en) * | 1998-09-04 | 2004-01-27 | Matsushita Electric Industrial Co., Ltd. | Small footprint language and vocabulary independent word recognizer using registration by word spelling |
| US7266498B1 (en) * | 1998-12-18 | 2007-09-04 | Intel Corporation | Method and apparatus for reducing conflicts between speech-enabled applications sharing speech menu |
| DE69939151D1 (de) * | 1999-01-20 | 2008-09-04 | Sony Deutschland Gmbh | Sprecheradaption für verwechselbare Wörter |
| AU777693B2 (en) | 1999-03-05 | 2004-10-28 | Canon Kabushiki Kaisha | Database annotation and retrieval |
| US6584439B1 (en) | 1999-05-21 | 2003-06-24 | Winbond Electronics Corporation | Method and apparatus for controlling voice controlled devices |
| US7283964B1 (en) | 1999-05-21 | 2007-10-16 | Winbond Electronics Corporation | Method and apparatus for voice controlled devices with improved phrase storage, use, conversion, transfer, and recognition |
| CA2376277C (en) | 1999-06-11 | 2011-03-15 | Telstra New Wave Pty Ltd | A method of developing an interactive system |
| US7310600B1 (en) | 1999-10-28 | 2007-12-18 | Canon Kabushiki Kaisha | Language recognition using a similarity measure |
| EP1228452B1 (en) * | 1999-10-28 | 2007-09-19 | Canon Kabushiki Kaisha | Pattern matching method and apparatus |
| US6882970B1 (en) | 1999-10-28 | 2005-04-19 | Canon Kabushiki Kaisha | Language recognition using sequence frequency |
| US6526379B1 (en) | 1999-11-29 | 2003-02-25 | Matsushita Electric Industrial Co., Ltd. | Discriminative clustering methods for automatic speech recognition |
| US6571208B1 (en) | 1999-11-29 | 2003-05-27 | Matsushita Electric Industrial Co., Ltd. | Context-dependent acoustic models for medium and large vocabulary speech recognition with eigenvoice training |
| GB0011798D0 (en) * | 2000-05-16 | 2000-07-05 | Canon Kk | Database annotation and retrieval |
| GB0015233D0 (en) | 2000-06-21 | 2000-08-16 | Canon Kk | Indexing method and apparatus |
| US7328211B2 (en) * | 2000-09-21 | 2008-02-05 | Jpmorgan Chase Bank, N.A. | System and methods for improved linguistic pattern matching |
| GB0023930D0 (en) | 2000-09-29 | 2000-11-15 | Canon Kk | Database annotation and retrieval |
| US7529666B1 (en) * | 2000-10-30 | 2009-05-05 | International Business Machines Corporation | Minimum bayes error feature selection in speech recognition |
| GB0027178D0 (en) | 2000-11-07 | 2000-12-27 | Canon Kk | Speech processing system |
| GB0028277D0 (en) * | 2000-11-20 | 2001-01-03 | Canon Kk | Speech processing system |
| US6754625B2 (en) * | 2000-12-26 | 2004-06-22 | International Business Machines Corporation | Augmentation of alternate word lists by acoustic confusability criterion |
| US7013276B2 (en) * | 2001-10-05 | 2006-03-14 | Comverse, Inc. | Method of assessing degree of acoustic confusability, and system therefor |
| GB2385698B (en) * | 2002-02-26 | 2005-06-15 | Canon Kk | Speech processing apparatus and method |
| DE10220520A1 (de) * | 2002-05-08 | 2003-11-20 | Sap Ag | Verfahren zur Erkennung von Sprachinformation |
| EP1361740A1 (de) * | 2002-05-08 | 2003-11-12 | Sap Ag | Verfahren und System zur Verarbeitung von Sprachinformationen eines Dialogs |
| DE10220521B4 (de) * | 2002-05-08 | 2005-11-24 | Sap Ag | Verfahren und System zur Verarbeitung von Sprachdaten und Klassifizierung von Gesprächen |
| DE10220522B4 (de) * | 2002-05-08 | 2005-11-17 | Sap Ag | Verfahren und System zur Verarbeitung von Sprachdaten mittels Spracherkennung und Frequenzanalyse |
| DE10220524B4 (de) * | 2002-05-08 | 2006-08-10 | Sap Ag | Verfahren und System zur Verarbeitung von Sprachdaten und zur Erkennung einer Sprache |
| EP1363271A1 (de) * | 2002-05-08 | 2003-11-19 | Sap Ag | Verfahren und System zur Verarbeitung und Speicherung von Sprachinformationen eines Dialogs |
| AU2002950336A0 (en) * | 2002-07-24 | 2002-09-12 | Telstra New Wave Pty Ltd | System and process for developing a voice application |
| AU2002951244A0 (en) * | 2002-09-06 | 2002-09-19 | Telstra New Wave Pty Ltd | A development system for a dialog system |
| US8959019B2 (en) | 2002-10-31 | 2015-02-17 | Promptu Systems Corporation | Efficient empirical determination, computation, and use of acoustic confusability measures |
| AU2004211007B2 (en) * | 2003-02-11 | 2010-08-19 | Telstra Corporation Limited | System for predicting speech recognition accuracy and development for a dialog system |
| AU2003900584A0 (en) * | 2003-02-11 | 2003-02-27 | Telstra New Wave Pty Ltd | System for predicting speech recognition accuracy and development for a dialog system |
| US7117153B2 (en) * | 2003-02-13 | 2006-10-03 | Microsoft Corporation | Method and apparatus for predicting word error rates from text |
| DE10308611A1 (de) * | 2003-02-27 | 2004-09-16 | Siemens Ag | Ermittlung der Verwechslungsgefahr von Vokabulareinträgen bei der phonembasierten Spracherkennung |
| AU2003902020A0 (en) * | 2003-04-29 | 2003-05-15 | Telstra New Wave Pty Ltd | A process for grammatical inference |
| US7580837B2 (en) | 2004-08-12 | 2009-08-25 | At&T Intellectual Property I, L.P. | System and method for targeted tuning module of a speech recognition system |
| US20060064177A1 (en) * | 2004-09-17 | 2006-03-23 | Nokia Corporation | System and method for measuring confusion among words in an adaptive speech recognition system |
| US7831549B2 (en) * | 2004-09-17 | 2010-11-09 | Nokia Corporation | Optimization of text-based training set selection for language processing modules |
| US7310602B2 (en) * | 2004-09-27 | 2007-12-18 | Kabushiki Kaisha Equos Research | Navigation apparatus |
| US7647294B2 (en) * | 2004-10-27 | 2010-01-12 | Fairbanks Jr William E | Indexing and querying engines and methods of indexing and querying |
| US7242751B2 (en) | 2004-12-06 | 2007-07-10 | Sbc Knowledge Ventures, L.P. | System and method for speech recognition-enabled automatic call routing |
| US7509259B2 (en) * | 2004-12-21 | 2009-03-24 | Motorola, Inc. | Method of refining statistical pattern recognition models and statistical pattern recognizers |
| US7751551B2 (en) | 2005-01-10 | 2010-07-06 | At&T Intellectual Property I, L.P. | System and method for speech-enabled call routing |
| US7983914B2 (en) * | 2005-08-10 | 2011-07-19 | Nuance Communications, Inc. | Method and system for improved speech recognition by degrading utterance pronunciations |
| US7844456B2 (en) * | 2007-03-09 | 2010-11-30 | Microsoft Corporation | Grammar confusability metric for speech recognition |
| US7925505B2 (en) * | 2007-04-10 | 2011-04-12 | Microsoft Corporation | Adaptation of language models and context free grammar in speech recognition |
| WO2009008055A1 (ja) * | 2007-07-09 | 2009-01-15 | Fujitsu Limited | 音声認識装置、音声認識方法、および、音声認識プログラム |
| US9118669B2 (en) | 2010-09-30 | 2015-08-25 | Alcatel Lucent | Method and apparatus for voice signature authentication |
| JP2016024212A (ja) * | 2014-07-16 | 2016-02-08 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
| US11232786B2 (en) * | 2019-11-27 | 2022-01-25 | Disney Enterprises, Inc. | System and method to improve performance of a speech recognition system by measuring amount of confusion between words |
| CN111477216B (zh) * | 2020-04-09 | 2024-02-23 | 南京硅基智能科技有限公司 | 一种用于对话机器人的音意理解模型的训练方法及系统 |
| CN115206299B (zh) * | 2022-09-15 | 2022-11-11 | 成都启英泰伦科技有限公司 | 一种基于命令词语音识别的易混淆词防误识别方法 |
| CN116246612B (zh) * | 2022-12-30 | 2025-05-23 | 思必驰科技股份有限公司 | 语音识别方法、设备及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4718094A (en) * | 1984-11-19 | 1988-01-05 | International Business Machines Corp. | Speech recognition system |
| CA1311059C (en) * | 1986-03-25 | 1992-12-01 | Bruce Allen Dautrich | Speaker-trained speech recognizer having the capability of detecting confusingly similar vocabulary words |
| JPH01102599A (ja) * | 1987-10-12 | 1989-04-20 | Internatl Business Mach Corp <Ibm> | 音声認識方法 |
| EP0385124B1 (en) * | 1989-03-02 | 1995-11-08 | International Business Machines Corporation | An optimized speech recognition method |
| CA2088080C (en) * | 1992-04-02 | 1997-10-07 | Enrico Luigi Bocchieri | Automatic speech recognizer |
| US5452397A (en) * | 1992-12-11 | 1995-09-19 | Texas Instruments Incorporated | Method and system for preventing entry of confusingly similar phases in a voice recognition system vocabulary list |
| CA2126380C (en) * | 1993-07-22 | 1998-07-07 | Wu Chou | Minimum error rate training of combined string models |
-
1994
- 1994-08-29 US US08/297,283 patent/US5737723A/en not_active Expired - Lifetime
-
1995
- 1995-08-15 EP EP95305689A patent/EP0700031A1/en not_active Withdrawn
- 1995-08-29 JP JP7219365A patent/JPH0876788A/ja not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| US5737723A (en) | 1998-04-07 |
| EP0700031A1 (en) | 1996-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0876788A (ja) | 音声認識における混同しやすい語の検出方法 | |
| JP4351385B2 (ja) | 連続および分離音声を認識するための音声認識システム | |
| US7280968B2 (en) | Synthetically generated speech responses including prosodic characteristics of speech inputs | |
| US5995928A (en) | Method and apparatus for continuous spelling speech recognition with early identification | |
| US6269335B1 (en) | Apparatus and methods for identifying homophones among words in a speech recognition system | |
| CA2202656C (en) | Speech recognition | |
| US5679001A (en) | Children's speech training aid | |
| JPH0772840B2 (ja) | 音声モデルの構成方法、音声認識方法、音声認識装置及び音声モデルの訓練方法 | |
| JP2002304190A (ja) | 発音変化形生成方法及び音声認識方法 | |
| JPH09500223A (ja) | 多言語音声認識システム | |
| JPH073640B2 (ja) | 音声パタンテンプレ−トを発生する装置及び方法 | |
| JP2015014665A (ja) | 音声認識装置及び方法、並びに、半導体集積回路装置 | |
| Dumitru et al. | A comparative study of feature extraction methods applied to continuous speech recognition in romanian language | |
| US20040006469A1 (en) | Apparatus and method for updating lexicon | |
| KR100848148B1 (ko) | 음절 단위의 음성 인식 장치, 음절 단위의 음성 인식을이용한 문자 입력 장치, 그 방법 및 기록 매체 | |
| JP7192882B2 (ja) | 発話リズム変換装置、モデル学習装置、それらの方法、およびプログラム | |
| Digalakis et al. | Large vocabulary continuous speech recognition in greek: corpus and an automatic dictation system. | |
| JPH05100693A (ja) | 音声認識用コンピユータ・システム | |
| Jackson | Automatic speech recognition: Human computer interface for kinyarwanda language | |
| JP2001255887A (ja) | 音声認識装置、音声認識方法及び音声認識方法を記録した媒体 | |
| JP2980382B2 (ja) | 話者適応音声認識方法および装置 | |
| JP4236502B2 (ja) | 音声認識装置 | |
| JP3285047B2 (ja) | 不特定話者用音声認識装置 | |
| Kaur et al. | Speech based retrieval system for Punjabi language | |
| JP3110025B2 (ja) | 発声変形検出装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20021105 |