JPH09319395A - 離散単語音声認識システムにおける音声データ学習装置 - Google Patents

Abstract

(57)【要約】 【課題】 音声入力装置の特性が異なるもので得た音声
データによっても、単語認識精度を低下させないで動作
させることができるようにした。 【解決手段】 音素認識構成部１１には第１音声入力装
置１から音声データが入力される。第２音声入力装置２
は第１音声入力装置１とは異なる特性のものである。第
２音声入力装置２から入力された音声データはデータ入
力部２１に入力された後、特徴抽出部２２に入力され
る。この特徴抽出部２２で音声データは周波数分析され
た後、自動ラベリング部２３に入力される。自動ラベリ
ング部２３では入力された音声データと、その音声デー
タと共に入力される音素構成表をもとに音声データに対
して音素ラベルを付与したデータが作成される。このデ
ータを基にして音素認識部１１ｃのニューラルネットを
学習させるための学習データ部２４を作成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、ニューラルネッ
トワークによる音素認識部とＤＴＷによる単語認識部か
らなる離散単語音声認識システムにおける音声データ学
習装置に関する。

【０００２】

【従来の技術】離散単語音声認識システムの概要を図５
に示す。図５において、１１は音素認識構成部、１２は
単語認識部であり、音素認識構成部１１は次のように構
成されている。１１ａは電話などの音声入力装置より音
声データが入力されるデータ入力部で、この入力部１１
ａに入力された音声データは特徴抽出部１１ｂに供給さ
れ、ここで音声データから有効なデータを取り出して表
１に示す条件で周波数分析される。

【０００３】

【表１】

【０００４】上記周波数分析の結果から得られるスペク
トル列は音素認識部１１ｃに入力されて「２３」の音素
に分類される。音素認識部１１ｃは図６に詳細を示すよ
うに出力を二重化したニューラルネットワークによって
構成されている。このニューラルネットワークは入力
層、隠れ層、出力層からなり、入力層に１時刻毎に５フ
レームのスペクトルが入力され、それの中央のスペクト
ルが、該当する音素がどれであるかを出力層のユニット
（出力ユニット）の値によって送出する。出力ユニット
は二重化されているため、各音素カテゴリ毎にユニット
は２個づつ対応づけられている。それに対して結果は最
大の出力値を示すものから２つのユニットを選び、それ
が対応する音素を第１位、第２位音素候補として得る。
従って、場合によっては同一音素を第１位音素候補、第
２位音素候補として出力することもあり得る。次に示す
音素列は、第１位音素候補列Ｐ₁と第２位音素候補列Ｐ₂
の例である。

【０００５】 Ｐ₁：−−ｓ−ｚｚｚｉｅｅｇｒｒｏｏａｏｏ−− Ｐ₂：ｓｓ−ｓｓｓｓｅｉｉｙｒｗｗａｏａａｐｐ なお、音素認識部１１ｃに入力される５フレームのスペ
クトルは１時刻ごとに１フレームづつずらされながら入
力されて行く。

【０００６】前記音素認識部１１ｃの出力に得られた第
１位、第２位音素候補列Ｐ₁，Ｐ₂は単語認識部１２に供
給され、この単語認識部１２において、辞書１３内の単
語テンプレートとＤＴＷ法（時間正規化法）によってマ
ッチングされ、最も類似する単語を結果として出力す
る。単語認識部１２での演算は、図７に示すようにして
行われる。すなわち、テンプレート音素列Ｐ_tのパター
ンを縦軸に、音素認識部１１ｃで得られた第１位、第２
位音素候補列Ｐ₁，Ｐ₂を横軸に並べ、各格子点におい
て、局所スコアを次に示す（１）式に従って求め、テン
プレートの音素と音素候補の第１位音素候補が等しい場
合「０」を、第２位音素候補が等しい場合「１」を、い
ずれも等しくない場合「２」をセットする。

【０００７】

【数１】

【０００８】その後、次の（２）式に示すＤＴＷスコア
計算式の制限に従ってスコアを逐次累積して行き、最終
点（図７の最右上点）での累積スコアを類似スコアとし
て得る。

【０００９】

【数２】

【００１０】その類似スコアを辞書中の全テンプレート
に対して求め、スコアが最小のものを認識結果として出
力する。なお、（１）式中でＰ_tはテンプレート音素列
を、また、（１）式、（２）式中でのd(i,j)とg(i,j)は
それぞれ格子点(i,j)での局所スコアと累積スコアを表
している。

【００１１】

【発明が解決しようとする課題】上記の従来技術におい
て、音素認識はニューラルネットからなる音素認識部に
よって実行される。そのニューラルネットからなる音素
認識部は電話などの音声入力装置から入力された音声デ
ータを学習データとして、バックプロパゲーション法に
よって学習される。しかし、その学習では、実際には各
音素データの周波数特性のみではなく、音声入力装置固
有の伝送周波数特性や付加型の雑音の周波数特性も含め
て学習する手段をとっている。このため、理想的には、
学習データを収録する時に使用した音声入力装置と同じ
特性の装置を実装システムにおいても使用することが必
要となる。しかし、実際には、実装時に小型化やシステ
ム構成の都合などの理由から特性の異なる音声入力装置
を使用しなければならない場合もあり、この結果音声デ
ータの単語認識精度が低下してしまう問題がある。

【００１２】この発明は上記の事情に鑑みてなされたも
ので、音声入力装置の特性が異なるもので得た音声デー
タによっても、単語認識精度を低下させないで動作させ
ることができるようにした離散単語音声認識システムに
おける音声データ学習装置を提供することを課題とす
る。

【００１３】

【課題を解決するための手段】この発明は、上記の課題
を達成するために、第１発明は、音声入力装置より入力
された単語音声データを周波数分析し、それを出力多重
化ニューラルネットに入力させて音素認識を行わせて、
認識音素第１位音素候補と第２位音素候補を得、その認
識された音素候補列と、認識させたい語彙の音素パター
ンを持たせた辞書中のテンプレートとの類似度を、テン
プレート中の音素と認識された音素候補列中の第１位お
よび第２位候補との類似度を局所スコアとし、その局所
スコアをＤＴＷ法によって累積することで全体の類似度
スコアを求めた後、認識させたい全ての語彙の中で、そ
の類似度スコアが最小となる単語を認識結果として出力
する音声認識システムにおいて、前記音声入力装置とは
特性が異なる音声入力装置から入力した音声データに音
素ラベルを付与した学習データを得る自動ラベリング部
を設け、この自動ラベリング部で得た学習データで前記
ニューラルネットを学習させるようにしたことを特徴と
するものである。

【００１４】第２発明は、前記自動ラベリング部は、ニ
ューラルネットによる学習型音素認識部と、ＤＴＷを基
本とした音素境界最適位置検出部と、発声された音声デ
ータがどのような音素によって構成されているかを示す
音素構成表とからなることを特徴とするものである。

【００１５】第３発明は、前記学習データは、全種類の
音素が含まれ、かつなるべく多くの音素連鎖が含まれる
ようにして、任意に設定した語彙に対しても認識率が低
下しないようにしたことを特徴とするものである。

【００１６】第４発明は、前記ニューラルネットを学習
させる際に、もとの音声入力装置から入力した音声デー
タも併せて学習を行って、任意に設定した語彙に対して
も、もとの音声入力装置からでも、もとの音声入力装置
とは特性が異なる音声入力装置からでも認識率が低下し
ないようにしたことを特徴とするものである。

【００１７】第５発明は、前記第１〜４発明中におい
て、音声入力装置とは特性が異なる音声入力装置から入
力した無音データを予め音声データによって学習されて
いる既学習ニューラルネットで学習させ、その学習デー
タを自動ラベリング部に学習させたことを特徴とする。

【００１８】第６発明は、前記第５発明において、前記
音声入力装置とは特性の異なる音声入力装置から無音デ
ータを予め音声データによって学習されている既学習ニ
ューラルネットで学習させ、その学習データを自動ラベ
リング部に入力させるとともに、前記出力多重化ニュー
ラルネットで音声認識されたデータを自動ラベリング部
に入力させて学習させるようにしたことを特徴とする。

【００１９】

【発明の実施の形態】以下この発明の実施の形態を図面
に基づいて説明するに、図５と同一部分は同一符号を付
して示す。図１はこの発明の実施の第１形態を示すシス
テム構成図で、図１において、音素認識構成部１１に
は、第１音声入力装置１から音声データが入力される。
第２音声入力装置２は、図５で示した学習データを収録
する際に使用した第１音声入力装置１とは異なる装置で
ある。第２音声入力装置２から入力された音声データは
データ入力部２１に入力された後、特徴抽出部２２に入
力される。この特徴抽出部２２で音声データは周波数分
析された後、詳細を後述する自動ラベリング部２３に入
力される。自動ラベリング部２３では入力された音声デ
ータと、その音声データと共に入力される音素構成表
（後述する）をもとに音声データに対して音素ラベルを
付与したデータが作成される。このデータを基にして音
素認識部１１ｃのニューラルネットを学習させるための
学習データ部２４を作成する。このようにして得られた
音素ラベルを付与した音声データによって追加学習を適
当な回数行うことで所望の第２音声入力装置２からの入
力に対しても良好な認識結果が得られるような音素認識
部１１ｃが実現できるようになる。上記データ入力部２
１、特徴抽出部２２、自動ラベリング部２３および学習
データ部２４で認識補助システム２５が構成される。

【００２０】次に上述した自動ラベリング部２３につい
て図２を用いて述べる。図２において、自動ラベリング
部２３とは、ニューラルネットによる学習型音素認識部
３０と、ＤＴＷを基本とした音素境界最適位置検出部３
１とを持ち、発声された音声データがどういった音素に
よって構成されているかを示す音素構成表３２と、第１
音声入力装置１から取り込んだ音声データによって学習
されたニューラルネット音素認識部１１ｃから構成され
る。

【００２１】このように構成された自動ラベリング部２
３に入力された音声データは、既に学習された音素認識
部１１ｃによる音素認識結果の中から発声データの音素
構成表に存在する音素のみを高い順位のものから選択す
る。選択されたものから音素列に変換され、それをもと
に、音素境界最適位置検出部３１によって音素境界が設
定される。その後、その音素境界によって区切られた各
音素データにより、初期状態（未学習状態）のニューラ
ルネットを数回学習させる。この学習の後、ニューラル
ネットによって得られた音素認識結果を基に再び音素境
界最適位置検出部３１により音素境界を設定する。以
下、境界位置の変動が収束するか、規定回数を終了する
かまで、初期状態のニューラルネットによる学習から音
素境界設定までを繰り返すことで最適な音素境界が得ら
れ、それを基にフレーム単位のデータに音素ラベルを付
与することができる。

【００２２】上記の追加学習の方式に対して、実現した
い音声認識システムの仕様によって以下の３通りの例が
挙げられる。なお、以下の３つの例は実現に対して、デ
ータ収録にかかる時間と必要とする記憶容量の大小関係
が、例１＜例２＜例３となるので、必要とする認識シス
テムで何が要求されるかに応じてどれかを選択するよう
にする。

【００２３】例１：認識させたい認識対象語彙が固定さ
れている場合 認識対象語彙に含まれる単語が、複数人によって発声さ
れた音声として第２音声入力装置２に入力され、この装
置２から出力される音声データをデータ入力部２１、特
徴抽出部２２を介して自動ラベリング部２３に供給す
る。自動ラベリング部２３では入力された音声データに
音素ラベルを付与してデータが作成される。この作成さ
れたデータを基に音素認識部１１ｃのニューラルネット
を学習させるための学習データ部２４を作成する。この
学習データ部２４を既に第１音声入力装置１から入力し
た音声データによって学習されている既学習ニューラル
ネットに学習させる。その際の学習の程度は、全学習デ
ータを一通りニューラルネットに学習させることを数回
繰り返す程度とする。この学習によって得られたニュー
ラルネットを音素認識部１１ｃに適用することで、第２
音声入力装置２に対しても良好に動作する音声認識シス
テムとすることができる。

【００２４】例２：認識対象語彙が任意である場合 複数人が発声した単語の音声データを第２音声入力装置
２を通して得たデータとして作成する。その際、発声す
る単語内容は全種類の音素を含み、さらに、なるべく多
くの種類の音素連鎖を含むものが望ましい。そうして得
られた音声データを基にニューラルネットを学習させる
ための学習データを作成する。この学習データを既に第
１音声入力装置１から入力した音声データによって学習
されている既学習ニューラルネットに学習させる。その
際の学習の程度は、全学習データを一通りニューラルネ
ットに学習させることを数回繰り返す程度とする。この
学習によって、第２音声入力装置２からの入力でも、任
意に設定した認識対象語彙に対して良好に動作する音声
認識システムとすることができる。

【００２５】例３：認識対象語彙が任意で、もとの音声
入力装置に対しても動作させたい場合 複数人が発声した単語の音声データを第２音声入力装置
２を通して得たデータとして作成する。その際発声する
単語内容は全種類の音素を含み、さらに、なるべく多く
の種類の音素連鎖を含むものが望ましい。そうして得ら
れた音声データと、基の音声入力装置である第１音声入
力装置１を通して得て、既に音素認識部のニューラルネ
ットの学習に使用した音声データとをもとにニューラル
ネットを学習させるための学習データを作成する。この
学習データを既に第１音声入力装置１から入力した音声
データによって学習されている既学習ニューラルネット
に学習させる。その際の学習の程度は、全学習データを
一通りニューラルネットに学習させることを数回繰り返
す程度とする。この学習によって任意に設定した認識対
象語彙に対して第１音声入力装置１、第２音声入力装置
２のどちらからの音声入力でも良好に動作する音声認識
システムとすることができる。

【００２６】次に上記例１を適用した場合の認識実験の
結果を示す。男性が１６名が１０１単語を２回づつ発声
したデータを第１音声入力装置１から取り込んで学習さ
せることで得られた音声認識システムがある。これに対
して、音素的に類似した単語などを多く含み認識させる
タスクとしては難しい単語７８語を認識対象語彙として
設定し、実験を行った（簡単なタスクの場合であると、
音声入力装置の違いによる影響が小さいため）。その結
果を表２に示す。

【００２７】

【表２】

【００２８】第１音声入力装置１から入力した場合は、
７８単語語彙に対して、男性３名が２回づつ発声した時
の単語認識率は、８７.５０％であった。これに対し
て、同じ男性３名によって、今度は第１音声入力装置１
とは異なる第２音声入力装置２から入力した場合、単語
認識率が７７.３５％にまで低下した。そこで、上記例
１に従って、７８単語を２回づつ男性３名（上記認識率
を求めた男性３名とは異なる話者）が発声した音声デー
タを、第２音声入力装置２から取り込み、自動ラベリン
グシステムによって音素ラベルを付与した後に追加学習
を行った。その結果単語認識率は８６.７５％にまで改
善することができた。

【００２９】次に、この発明の実施の第２形態を図３に
基づいて説明するに、図１、２と同一部分は同一符号を
付して示し、その詳細な説明は省略する。図３はこの発
明の実施の第２形態を示すシステム構成図で、図３にお
いて、音素認識構成部１１には、第１音声入力装置１か
ら音声データが入力される。第２音声入力装置２は、図
５で示した学習データを収録する際に使用した第１音声
入力装置１とは異なる装置である。第２音声入力装置２
から音声データが入力部２１に入力される(詳細を後述
する)と同時に、第２音声入力装置２から無音データ(人
間の発生による音声区間以外のデータ)が入力部２６に
入力された後、特徴抽出部２７に入力される。この特徴
抽出部２７で無音データは、周波数分析された後、あら
かじめ第１音声入力装置１から取り込んだ音声データに
よって学習された既学習ニューラルネット２８にて学習
させる。その際の学習の程度は、全学習データを一通り
ニューラルネット２８にて学習させることを数回繰り返
す程度とする。このように学習されたニューラルネット
２８の出力を、自動ラベリング部２３のニューラルネッ
トによる学習型音素認識部３０に入力して自動ラベリン
グを実行して、無音データに対して音素ラベルを付与し
たデータが作成される。

【００３０】第２音声入力装置２から入力された音声デ
ータは入力部２１に入力された後、特徴抽出部２２に入
力される。この特徴抽出部２２で音声データは周波数分
析された後、自動ラベリング部２３に入力され、音声デ
ータに対して音素ラベルを付与したデータが作成され
る。無音データおよび音声データに対して音素ラベルを
付与して得られたデータを基にして、音素認識部１１ｃ
のニューラルネットを学習させるための学習データ部２
４を作成する。このようにして得られた音素ラベルを付
与したデータによって、追加学習を適当な回数行うこと
で所望の第２音声入力装置２からの入力に対しても良好
な認識結果が得られような音素認識部１１ｃが実現でき
るようになる。上記入力部２１、入力部２６、特徴抽出
部２２、特徴抽出部２７、ニューラルネット２８、自動
ラベリング部２３および学習データ部２４で認識補助シ
ステム２９が構成される。音声認識構成部１１は上記第
１形態と同様に構成され、その詳細な説明は省略する。

【００３１】上記のように構成する音声認識システムの
仕様において、複数人によって発声された単語の音声デ
ータを第２音声入力装置２により入力してデータを作成
する。なお、その際に発声する単語の内容は全種類の音
素を含み、なるべく多くの種類の音素連鎖を含むものが
望ましい。その際、音声データと同時に無音データを第
２音声入力装置２により入力してデータを作成し、その
データをニューラルネット２８に学習させる。このよう
にして得られた音声データ、無音データを学習されたニ
ューラルネット２８および第１音声入力装置１により得
られた音声データをもとに、音素認識構成部１１のニュ
ーラルネットを学習させるための学習データを作成す
る。この学習データを、第１音声入力装置１により得ら
れた音声データにより学習された既学習ニューラルネッ
トに追加学習させる。その際の学習の程度は、全学習デ
ータを一通りニューラルネットに学習させることを数回
繰り返す程度とする。この学習により、第１音声入力装
置１、第２音声入力装置２のいずれの音声データに対し
ても音声認識構成部１１の音素認識部１１ｃが良好に動
作するようになり、単語認識率の向上を図ることができ
る。

【００３２】次に、上記実施の第２形態を適用した場合
の認識実験の結果を示す。男性１６名が１０１単語を２
回ずつ発声したデータを第１音声入力装置１から取り込
んで学習させることで得られた音声認識構成部がある。
これに対して、第２音声入力装置２から取り込んだ男性
３名が１０１単語を２回ずつ発声したデータを追加学習
用のデータとして、本発明の実施の第１形態方式および
第２形態方式により認識実験を行った。なお、認識実験
における対象話者を学習話者とテスト話者とに分類して
実験を行い、その結果を表３に示す。

【００３３】

【表３】

【００３４】第１音声入力装置１から入力した場合は、
１０１単語に対して、実施の第２形態方式による単語認
識率は学習話者が９８．５１％、テスト話者が９７．８
５％であった。実施の第１形態方式による単語認識率は
学習話者が９８．６８％、テスト話者が９７．５２％で
あった。一方、第２音声入力装置２から入力した場合
は、１０１単語に対して、実施の第２形態方式による単
語認識率は学習話者が９８．１８％、テスト話者が９
６．５３％であった。実施の第１形態方式による単語認
識率は学習話者が７３．４３％、テスト話者が５０．０
０％であった。以上示したように実施の第２形態方式に
よれば、第１音声入力装置１、第２音声入力装置２のい
ずれからの音声入力でも良好な音声認識を行えることが
判明した。

【００３５】次に、この発明の実施の第３形態を図４に
基づいて説明するに、図２、３と同一部分には同一符号
を付して示し、その詳細な説明は省略する。図４におい
て、図３に示す音声認識システムとほぼ同様な構成から
なる音声認識システムを示すが、第２音声入力装置から
入力した音声データ、無音データを既学習ニューラルネ
ットで学習させたデータおよび第１音声入力装置から入
力した音声データにより学習された音声認識構成部１１
の音素認識部１１ｃの音素認識出力を自動ラベリング部
２３に供給して、自動ラベリング部２３のニューラルネ
ットによる学習型音素認識部３０にて自動ラベリングを
実行し、音素認識部１１ｃを再び学習させるように構成
する。その学習の程度は、全学習データを一通り学習さ
せることを数回繰り返すものとする。この学習により、
第１音声入力装置１、第２音声入力装置２のいずれの音
声データに対しても音声認識構成部の音声認識部が良好
に動作するようになり、単語認識率の効用を図ることが
できるようになる。

【００３６】上記のように構成する音声認識システムの
仕様において、複数人によって発声された単語の音声デ
ータを第２音声入力装置２により入力してデータを作成
する。なお、その際に発声する単語の内容は、全種類の
音素を含み、なるべく多くの種類の音素連鎖を含むもの
が望ましい。このようにして得られた音声データ、無音
データおよび第１音声入力装置１により得られた音声デ
ータをもとに、音素認識構成部１１の音声認識部１１ｃ
のニューラルネットを学習させるための学習データを作
成する。この学習データを、第１音声入力装置１により
得られた音声データにより学習されている既学習ニュー
ラルネットに追加学習させる。その際の学習の程度は、
全学習データを一通りニューラルネットに学習させるこ
とを数回繰り返す程度とする。得られた音声認識構成部
１１の音声認識部１１ｃのデータを、再び認識補助シス
テム２９の自動ラベリング部２３の学習型音素認識部３
０に適用して自動ラベリングを実行し、学習型音素認識
部３０を学習させて学習データを得る。そして、その学
習データを音素認識構成部１１の音素認識部１１ｃで学
習させる。この学習の程度は、全学習データを一通り学
習させることを数回繰り返すものとする。この学習によ
り、第１音声入力装置１、第２音声入力装置２のいずれ
の音声データに対しても音声認識構成部１１の音素認識
部１１ｃが良好に動作するようになり、単語認識率の向
上を図ることができる。

【００３７】次に、上記実施の第３形態を適用した場合
の認識実験の結果を示す。男性１６名が１０１単語を２
回ずつ発声したデータを第１音声入力装置１から取り込
んで学習させることで得られた音声認識システムがあ
る。これに対して、第２音声入力装置２から取り込んだ
男性３名が１０１単語を２回ずつ発声したデータを追加
学習用のデータとして、本発明の実施の第１形態および
第３形態方式により認識実験を行った。なお、認識実験
における対象話者を学習話者とテスト話者とに分類して
実験を行い、実施の第３形態方式においては、音素認識
構成部１１の音素認識部１１ｃのデータを認識補助シス
テムの自動ラベリング部２３の音素認識部３０に２回適
用させて実験を行い、その結果を表４に示す。

【００３８】

【表４】

【００３９】第１音声入力装置１から入力した場合は、
１０１単語に対して、実施の第３形態方式による単語認
識率は学習話者が９８．３５％、テスト話者が９７．１
９％であった。実施の第１形態方式による単語認識率は
学習話者が９８．６８％、テスト話者が９７．５２％で
あった。一方、第２音声入力装置２から入力した場合
は、１０１単語に対して、実施の第３形態方式による単
語認識率は学習話者が９８．５１％、テスト話者が９
６．０４％であった。実施の第１形態方式による単語認
識率は学習話者が７３．４３％、テスト話者が５０．０
０％であった。以上示したように実施の第３形態方式に
よれば、第１音声入力装置１、第２音声入力装置２のい
ずれからの音声入力でも良好な音声認識を行えることが
判明した。

【００４０】

【発明の効果】以上述べたように、この発明によれば、
音声入力装置を変更した場合でも、単語認識精度を低下
させることがなく、良好に動作させることができる。

【図面の簡単な説明】

【図１】本発明の実施の第１形態を示すシステム構成
図。

【図２】自動ラベリング部の詳細を示す処理構成図。

【図３】本発明の実施の第２形態を示すシステム構成
図。

【図４】本発明の実施の第３形態を示すシステム構成
図。

【図５】離散単語音声認識システムの概要を示す構成
図。

【図６】音素認識部（ニューラルネットワーク）の構成
を示す説明図。

【図７】単語認識部の構成を示す説明図。

【符号の説明】

１１…音素認識構成部 １１ａ、２１、２６…データ入力部 １１ｂ、２２、２７…特徴抽出部 １１ｃ…音素認識部 １２…単語認識部 １３…辞書 ２３…自動ラベリング部 ２５、２９…認識補助システム ２４…学習データ ２８…ニューラルネット

Claims (6)

【特許請求の範囲】
1. 【請求項１】 音声入力装置より入力された単語音声デ
   ータを周波数分析し、それを出力多重化ニューラルネッ
   トに入力させて音素認識を行わせて、認識音素第１位音
   素候補と第２位音素候補を得、その認識された音素候補
   列と、認識させたい語彙の音素パターンを持たせた辞書
   中のテンプレートとの類似度を、テンプレート中の音素
   と認識された音素候補列中の第１位および第２位候補と
   の類似度を局所スコアとし、その局所スコアをＤＴＷ法
   によって累積することで全体の類似度スコアを求めた
   後、認識させたい全ての語彙の中で、その類似度スコア
   が最小となる単語を認識結果として出力する音声認識シ
   ステムにおいて、 前記音声入力装置とは特性が異なる音声入力装置から入
   力した音声データに音素ラベルを付与した学習データを
   得る自動ラベリング部を設け、この自動ラベリング部で
   得た学習データで前記ニューラルネットを学習させるよ
   うにしたことを特徴とする離散単語音声認識システムに
   おける音声データ学習装置。
2. 【請求項２】 前記自動ラベリング部は、ニューラルネ
   ットによる学習型音素認識部と、ＤＴＷを基本とした音
   素境界最適位置検出部と、発声された音声データがどの
   ような音素によって構成されているかを示す音素構成表
   とからなることを特徴とする請求項１記載の離散単語音
   声認識システムにおける音声データ学習装置。
3. 【請求項３】 前記学習データは、全種類の音素が含ま
   れ、かつなるべく多くの音素連鎖が含まれるようにし
   て、任意に設定した語彙に対しても認識率が低下しない
   ようにしたことを特徴とする請求項１記載の離散単語音
   声認識システムにおける音声データ学習装置。
4. 【請求項４】 前記ニューラルネットを学習させる際
   に、もとの音声入力装置から入力した音声データも併せ
   て学習を行って、任意に設定した語彙に対しても、もと
   の音声入力装置からでも、もとの音声入力装置とは特性
   が異なる音声入力装置からでも認識率が低下しないよう
   にしたことを特徴とする請求項１記載の離散単語音声認
   識システムにおける音声データ学習装置。
5. 【請求項５】 前記音声入力装置とは特性が異なる音声
   入力装置から入力した無音データを予め音声データによ
   って学習されている既学習ニューラルネットで学習さ
   せ、その学習データを自動ラベリング部に学習させたこ
   とを特徴とする請求項１〜４記載の離散単語音声認識シ
   ステムにおける音声データ学習装置。
6. 【請求項６】 前記音声入力装置とは特性の異なる音声
   入力装置から無音データを予め音声データによって学習
   されている既学習ニューラルネットで学習させ、その学
   習データを自動ラベリング部に入力させるとともに、前
   記出力多重化ニューラルネットで音声認識されたデータ
   を自動ラベリング部に入力させて学習させるようにした
   ことを特徴とする請求項５記載の離散単語音声認識シス
   テムにおける音声データ学習装置。