JPH09507105A - 分散音声認識システム - Google Patents

Abstract

(57)【要約】 特徴抽出装置（２２）を有する音声認識システムがリモート局（４０）に設けられる。特徴抽出装置（２２）は入力音声フレームから特徴を抽出して抽出された特徴を中央処理局（４２）に供給する。中央処理局（４２）では、前記特徴がワード復号器（４８）に供給されて入力音声フレームのシンタックスが決定される。

Description

【発明の詳細な説明】 分散音声認識システム 発明の背景 １．発明の分野 本発明は音声信号処理に関する。特に、本発明は標準音声認識システムの分散 実行を実現する新規な方法及び装置に関する。 ２．関連技術の説明 音声認識は、ユーザまたはユーザ発生コマンドを認識、かつ、機械とのヒュー マンインターフェースを達成するために、シュミレートされた知性を有する機械 を提供する最も重要な技術である。また、ヒューマン音声理解に対する中心技術 である。音響音声信号からの言語メッセージを復元する技術を使用するシステム は、音声認識装置（ＶＲ）と呼ばれている。音声認識装置は、到来する生の音声 から、ＶＲに必要な一連の情報含有特徴（ベクトル）を抽出する音響プロセッサ と、入力された音声に対する一連の言語ワードなどの、意味のある所望の出力フ ォーマットを得るために、前記一連の特徴（ベクトル）を復元するワード復号器 とからなる。システムのパフォーマンスを増大させるために、システムに有効な パラメータを備えさせるトレーニングが必要である。すなわち、システムは最適 に機能するようになるまで学習する必要がある。 音響プロセッサは音声認識装置におけるフロントエンド音声解析サブシステ ムを代表する。このシステムは入力音声信号に応答して時変音声信号を特徴付け るために、最適な表現を提供する。背景雑音、チャネルひずみ、話者特性や話し 方などの無関係な情報は棄却される。効率のよい音響特徴は音声認識装置により 高い音響識別能力を与える。最も有用な特性は短時間スペクトルエンベロープで ある。短時間スペクトルエンベロープを特徴付ける２つの最もよく用いられるス ペクトル解析方法は、線形予測符号化（ＬＰＣ）モデルとフィルタバンクに基づ くスペクトル解析モデルである。しかしながら、(Rabiner，L.R.及びSchafer，R .W.著、音声信号のディジタル処理、Prentice Hall,1978)に示されるように、Ｌ ＰＣは音声軌跡(tract)スペクトルエンベロープに対するよい近似を提供するだ けでなく、すべてのディジタル実行においてフィルタバンクモデルよりも計算上 より安価である。経験によれば、ＬＰＣに基づいた音声認識装置のパフォーマン スは、フィルタバンクに基づく認識装置と同等かあるいはそれ以上である（Rabi ner,L.R.及びB.H.著、音声認識の基本、Prentice Hall,1993）。 図１に示す、ＬＰＣに基づく音響プロセッサにおいて、入力音声がマイクロホ ン（図示せず）に供給されてアナログ電気信号に変換される。この電気信号はそ の後、（図示せぬ）Ａ／Ｄ変換器によってディジタル化される。このディジタル 化された音声信号は、そのスペクトルを平らにして次の信号処理における有限プ レシジョン効果(finite precision effects)を受けないようにすべく、プレエン ファシスフィルタ２を通過される。プレエンファシスフィルタリングされた音声 は区分要素(segmentation element)４に供給されて一時的に重複、または、重複 しないブロックに区分、あるいはブロック化される。音声フレームデータは窓要 素(windowing element)６に供給されてフレーム化されたＤＣ成分が除去される とともに、フレーム境界における不連続によるブロッキング効果を低減するため に、各フレームに関してディジタル窓処理が行われる。ＬＰＣ解析において最も よく使用される窓関数はハミング窓ｗ（ｎ）であり、以下のごとく定義される。 窓処理された音声はＬＰＣ解析要素８に供給される。ＬＰＣ解析要素８では、 自己相関関数が窓処理されたサンプルに基づいて計算され、対応するＬＰＣパラ メータが自己相関関数から直接得られる。 概して、ワード復号器は音響プロセッサによって生成された音響特徴シーケン スを話者の元ワード列に変換する。これは２つの工程、すなわち、音響パターン マッチングと言語モデリングにより達成される。言語モデリングは分離されたワ ード認識への応用では用いられない。ＬＰＣ解析要素８からのＬＰＣパラメータ は音素、音節、ワードなどの可能な音響パターンを検出して分類する。候補パタ ーンが言語モデリング要素１２に供給されて、ワードのどのシーケンスが文法的 によく形成されかつ意味をもつかを決定する、シンタクス上の拘束(syntactic c onstraints)の規則をモデル化する。音響情報自身があいまいである場合は、シ ンタクス情報は貴重な指針となる。言語モデリングに基づいて、ＶＲは逐次音響 特徴マッチング結果を解釈して推定ワード列を提供する。 ワード復号器における音響パターンマッチングと言語モデリングは、話者の音 声学上の及び音響音声学上の変化を記載するために、確定または確率的な数学モ デルを必要とする。音声認識システムのパフォーマンスはこれらの２つのモデリ ングの品質に直接関連する。音響パターンマッチングのための種々のクラスのモ デルのうち、テンプレートに基づくダイナミックタイムワーピング（ＤＴＷ）と 確率的隠れマルコフモデリング（ＨＭＭ）とは最もよく用いられている２つの方 法である。しかしながら、ＤＴＷに基づく方法はＨＭＭに基づく方法の特別な場 合であるとみなすことができ、パラメータを用いた二重に確率的な(parametric doubly stochastic model)モデルである。ＨＭＭシステムは現在最も成功した青 声認識アルゴリズムである。ＨＭＭにおける一重(doubly)特性は音響のみならず 音声信号に関連した一時的変化を吸収するのにより大きな柔軟性を有している。 これは改善された認識の正確さにつながる。言語モデルにおいて、ｋグラム言語 モデルと呼ばれる確率モデルが実際的な大きな語彙の音声認識システムに適用さ れた。この確率モデルはF.Jelink著、実験的離散デクテーション認識装置、Proc .IEEE,vol.73,pp.1616-1624に詳細に述べられている。一方、小さいな語彙の場 合は、確定的文法が、航空及び予約及び情報システムへの応用において、有限状 態ネットワーク（ＦＳＮ）として確立されている(Rabiner,L.R.及びLevinson,S. Z.著、隠れマルコフモデル及びレベルビルディングに基づく話者独立、シンタク ス重視の結合ワード認識システム、IASSP,Vol.33,No.3,June 1985)。 特に認識エラーの確率を最小にするために、音声認識問題は次のように公式化 できる。音響証拠観察(acoustic evidence observation)Ｏでは、音声認識の操 作は、Ｗ^*＝ａｒｇ ｍａｘＰ（Ｗ｜Ｏ） （１） となるような最もありそうなワード列Ｗ^*を見つけることである。ここで、最大 化(maximization)による最大値はすべての可能なワード列Ｗ以上である。ベイズ の 規則によれば、上記の方程式における事後確率Ｐ（Ｗ｜Ｏ）は以下のように書き 換えられる。 ここで、Ｐ（Ｏ）は認識と無関係なので、ワード列の推定は以下の式で書ける 。 Ｗ^*＝ａｒｇ ｍａｘＰ（Ｗ）Ｐ（Ｏ｜Ｗ） （３） ここで、Ｐ（Ｗ）はワード列Ｗが発音される事前確率を表し、Ｐ（Ｏ｜Ｗ）は 、話者がワードシーケンスＷを発音したときに、音響証拠Ｏが観察される確率で ある。Ｐ（Ｏ｜Ｗ）は音響パターンマッチングによって決定され、事前確率Ｐ（ Ｗ）は使用される言語モデルによって定義される。 結合されたワード認識において、語彙が小さい（１００以下）ときは、言語に おけるリーガルセンテンスを形成するために、どのワードが他のワードに論理的 に続いているのかを厳密に把握するために確定的文法が使用される。確定的文法 は可能性のあるワードの探索空間を暗に拘束して計算を大幅に減らすために、音 響マッチングアルゴリズムに組み込むことが可能である。しかしながら、語彙の サイズが中ぐらい（１００より大、かつ、１０００より小さい）、あるいは、大 きい（１０００よりも大）場合、ワードシーケンスＷ＝（ｗ₁,ｗ₂,・・・,ｗ_n）の 確率は、確率的言語モデリングによって得られる。単純な確率理論により、事前 確率Ｐ（Ｗ）は、 のように分解できる。ここで、Ｐ（ｗ_i｜ｗ₁,ｗ₂,・・・,ｗ_i-1）は、ワードシーケ ンス（ｗ₁,ｗ₂,・・・,ｗ_i-1）が話された後でｗ_iが話されたときの確率である。ｗ_i の選択は入力ワードの全体の過去の履歴に依存する。語彙のサイズがＶのとき 、Ｐ（ｗ_i｜ｗ₁,ｗ₂,・・・,ｗ_i-1）を完全に特定するためにＶⁱ値が必要となる。 このことは、語彙のサイズが中ぐらいであっても、言語モデルをトレーニングす るため に、莫大な数のサンプルを必要とする。トレーニングが不十分なことによるＰ（ ｗ_i｜ｗ₁,ｗ₂,・・・,ｗ_i-1）の不正確な推定は元の音響マッチングの結果を低下さ せてしまう。 上記の問題に対する実際的な解決は、ｗ_iが（ｋ−１）の先行するワード、ｗ_{i -1} ,ｗ_i-2,・・・,ｗ_i-k+1のみに依存すると仮定することである。確率的言語モデル はｋ−グラム言語モデルが引き出されるＰ（ｗ_i｜ｗ₁,ｗ₂,・・・,ｗ_i-k+1）の条件 で完全に記載することができる。ｋ＞３ならば、たいていのワード列は言語内で 発生しないので、ユニグラム（ｋ＝１）、バイグラム（ｋ＝２）、トリグラム（ ｋ＝３）が、文法を統計的に考慮する最も有効な確率的言語モデルである。言語 モデリングはシンタクス(syntactic)及び意味(semantic)情報を含み認識上重要 である。しかしながら、これらの確率は音声データの大規模な集積からトレーニ ングしなければならない。ｋ−グラムがデータ内で発生しない場合など、利用可 能なトレーニングデータが比較的制限されている場合は、Ｐ（ｗ_i｜ｗ_i-2,ｗ_i-1 ）はバイグラム確率Ｐ（ｗ_i｜ｗ_i-1）から直接推定することができる。この工程 の詳細は、F,Jelink著、実験的離散ディクテーション認識装置の開発、Proc.IEE E,vol.73,pp.1616-1624,1085)に開示されている。結合されたワード認識では、 すべてのワードモデルが基本的な音声ユニットとして用いられ、連続音声認識で は、音素、音節、半音節が基本的な音声ユニットとして用いられる。ワード復号 器は適宜変更される。 従来の音声認識システムは分離能力の制限と、（電力消費、メモリの利用度な どの）応用システムの制限と、通信チャネル特性を考慮することなしに、音響プ ロセッサとワード復号器とを一体化している。このことは、これらの２つの要素 が適宜分離された分散音声認識システムを発明することにつながる。 本発明の要約 本発明においては、（ｉ）フロントエンド音響プロセッサがＬＰＣまたはフィ ルタバンクに基づいており、（ｉｉ）ワード復号器における音響パターンマッチ ングが隠れマルコフモデル（ＨＭＭ）、ダイナミックタイムワーピング（ＤＴＷ ）、 あるいはニューラルネットワーク（ＮＮ）に基づいており、（ｉｉｉ）結合ある いは、連続的ワード認識のために、言語モデルが確定的あるいは確率的文法に基 づいている改善された分散音声認識システムである。本発明は特徴抽出とワード 復号の２つの要素を適宜分離することによって、システムのパフォーマンスを改 善した点で、従来の音声認識装置とは異なっている。以下の例に示すように、セ プストラム係数などのＬＰＣに基づく特徴が通信チャネルを介して送信される場 合は、ＬＰＣとＬＳＰとの間の変換は特徴シーケンスへのノイズの影響を低減す るために使用される。 図面の簡単な説明 本発明の特徴、目的、利点は、添付の図面を参照して以下の詳細な説明によっ て明らかになる。 図１は従来の音声認識システムのブロック図であり、 図２はワイヤレス通信環境における本発明の実施形態のブロック図であり、 図３は本発明の一般的なブロック図であり、 図４は、本発明の変換要素及び逆変換要素の実施形態のブロック図であり、 図５はローカルワードプロセッサとリモートワード検出器とを具備する本発明 の望ましい実施形態のブロック図である。 望ましい実施形態の詳細な説明 標準的な音声認識装置において、認識またはトレーニング時、ほとんどの計算 上の複雑さは音声認識装置のワード復号サブシステムに集中する。分散システム アーキテクチャを備えた音声認識装置においては、ワード復号タスクを、計算上 の負荷を適宜吸収できるサブシステムに任せることが望ましい。信号処理による 量子化誤差及び／またはチャネル誘引誤差の影響を低減するために、音響プロセ ッサはできるだけ音声源の近くに設けることが望ましい。 本発明の実施形態は図２に示される。この実施形態では、実行環境は、ポータ ブルセルラ電話またはパーソナル通信装置４０と、セル基地局４２としての中央 通信センタとを具備するワイヤレス通信システムである。この実施形態では分散 されたＶＲシステムが用いられる。分散ＶＲにおいては、音響プロセッサまたは 特徴抽出要素２２がパーソナル通信装置４０に設けられるとともに、ワード復号 器４８が中央通信センタに設けられる。分散されたＶＲの代わりに、ＶＲがポー タブルセルラ電話内で単独で実行される場合は、中間サイズの語彙で、結合され たワード認識であっても、高い計算コストのために実行不可能となってしまう。 一方、ＶＲが単に基地局に設けられている場合は、音声コーデック及びチャネル 効果に関連した音声の劣化によって、正確度が大きく低下してしまう。明らかに 、提案された分散システム設計には３つの利点がある。第１は、電話４０には配 置されないワード復号ハードウエアによって、セルラ電話のコストの低減が図れ ることである。第２は、計算負荷の大きいワード復号動作をローカルで実行する ことによるポータブル電話４０の（図示せぬ）電池の消耗が少なくなることであ る。第３は、分散システムの柔軟性及び延長性に加えて、認識の正確さが改善さ れることである。 音声がマイクロホン２０に供給されて音声信号が電気信号に変換され、特徴抽 出要素２２に供給される。マイクロホン２０からの信号はアナログまたはディジ タルである。アナログの場合は、アナログからディジタルへの変換器（図示せぬ ）がマイクロホン２０と特徴抽出要素２２との間に挿入される。音声信号は特徴 抽出要素２２に供給される。特徴抽出要素２２は入力音声の言語解釈を復元する のに使用される入力音声の関連する特性を抽出する。音声を推定するのに用いら れる１つの特性は、入力音声フレームの周波数特性である。これは入力音声フレ ームの線形予測符号化パラメータとしてしばしば提供される。音声の抽出された 特徴はトランスミッタ２４に供給して抽出特徴信号を符号化、変調、増幅した後 、送受切り換え器２６を介してアンテナ２８に供給され、音声の特徴がセルラ基 地局または中央通信センタ４２に送信される。既知の種々のディジタル符号化、 変調、送信方法が用いられる。 中央通信センタ４２では、送信された特徴がアンテナ４４で受信されてレシー バ４６に供給される。レシーバ４６は受信された特徴に対して復調、復号を施し てワード復号器４８に供給する。ワード復号器４８は音声の特徴から、音声の言 語推定を決定してトランスミッタ５０にアクション信号を供給する。トランスミ ッタ５０はこのアクション信号に対して増幅、変調、符号化を施して増幅された 信号をアンテナ５２に供給する。アンテナ５２は推定されたワードまたはコマン ド信号をポータブル電話４０に送信する。トランスミッタ５０は既知のディジタ ル符号化、変調、送信テクニックを実行する。 ポータブル電話４０では、推定されたワードまたはコマンド信号はアンテナ２ ８で受信される。アンテナ２８は受信信号を送受切り換え器２６を介してレシー バ３０に供給し、レシーバ３０はこの信号を復調、復号した後、コマンド信号ま たは推定ワードを制御要素３８に供給する。受信コマンド信号または推定ワード に応答して、制御要素３８は意図する応答（例えば、電話番号をダイヤルする、 ポータブル電話の表示スクリーンに情報を提供するなど）を提供する。 図２に示す同様のシステムは、中央通信センタ４２からの情報が送信された音 声の解釈である必要はなく、中央通信センタ４２からの情報はポータブル電話に よって送信された復号メッセージに対する応答である。中央通信センタ４２に通 信ネットワークを介して結合された（図示せぬ）リモート応答システムに関する メッセージについて尋ねるときがあるが、この場合、中央通信センタ４２からポ ータブル電話４０へ送信された信号は、この実行においては応答マシンからのメ ッセージである。 特徴抽出要素２２を、中央通信センタ４２ではなくポータブル電話４０に設け る重要性は次の通りである。音響プロセッサが、分散ＶＲに対向して、中央通信 センタ４２に設けられたとき、低帯域ディジタル無線チャネルは、量子化ひずみ による特徴ベクトルの解像度を制限する（第１のサブシステムにおける）ボコー ダを必要とする。しかしながら、音響プロセッサをポータブルまたはセルラ電話 に設けることによって、すべてのチャネル帯域を特徴の送信のために使うことが できる。概して、抽出された音響特徴ベクトルは送信のために音声よりも帯域を 必要としない。認識の正確度は入力音声信号の劣化に大きく依存するので、特徴 抽出要素２２をできるだけユーザに近接させる必要があり、これによって、特徴 抽出要素２２は、送信中にさらに破壊されるボコーダによって処理された(vocod ed)電話音声の代わりにマイクロホン音声に基づいて特徴ベクトルを抽出する。 実際上は、音声認識装置は背景雑音などの周囲の条件下で動作するように設計 される。すなわち、雑音の存在下での音声認識の問題を考慮することが重要であ る。語彙（基準パターン）のトレーニングがテスト時の条件と全く（またはほぼ ）同じ環境で実行されれば、音声認識装置は雑音が多い環境においてもよいパフ ォーマンスが得られるとともに、雑音によって認識の正確度が大きく劣化するの を低減することができる。トレーニングとテスト条件との間の不整合は認識のパ フォーマンスにおける主な劣化要因の１つである。（前記したように音響特徴の 方が音声信号よりも送信時の帯域を必要としないので）、音響特徴が音声信号よ りもより大きな信頼度で通信チャネルを横断できると仮定すると、提案された分 散音声認識システムは整合された状態を提供するのにより適している。音声認識 装置がリモート状態で実行されたとき、ワイヤレス通信において発生する主にフ ェージングなどのチャネルバリエーションのために、整合状態が大きく破壊され る。大規模なトレーニング計算がローカルで吸収されるなら、ＶＲをローカルで 実行することによりこれらの影響を避けることができる。不幸なことに、多くの 応用ではこれは不可能である。明らかに、分散音声認識の構成はチャネルの複雑 さによって起こる不整合の状態を避けて、中央集権構成の欠点を補うことができ る。 図３において、ディジタル音声サンプルは特徴抽出要素５１に供給される。特 徴抽出要素５１は通信チャネル５６を介して特徴をワード推定要素６２に供給し 、ここで推定ワード列が決定される。音声信号は各音声フレームに対する特徴を 決定する音響プロセッサ５２に供給される。ワード復号器は認識とトレーニング の作業に対する入力として音響特徴シーケンスを必要とするので、これらの特徴 は通信チャネル５６を介して送信される必要がある。しかしながら、通常の音声 認識システムにおいて用いられる特徴が雑音の多いチャネルを介した送信に適し ているわけではない。例えば、変換要素２２は音声源符号化(source encoding) を行ってチャネル雑音の影響を低減する必要がある。音声認識装置で広範に用い られているＬＰＣに基づく音響特徴の１つはケプストラム係数、｛ｃ₁｝である 。これはＬＰＣ係数、｛ａ₁｝から直接次のようにして得ることができる。 ここで、Ｐは使用されるＬＰＣフィルタの次数であり、Ｑはケプストラム特徴 ベクトルのサイズである。ケプストラム特徴ベクトルは急峻に変化するので、ケ プストラム係数のフレームシーケンスを圧縮することは容易ではない。しかしな がら、ＬＰＣと、ゆるやかに変化し、デルタパルス符号変調（ＤＰＣＭ）によっ て効率的に符号化できる線スペクトルペア（ＬＳＰ）周波数との間の変換が存在 する。ケプストラム係数はＬＰＣ係数から直接引き出すことができるので、ＬＰ Ｃは変換要素５４によってＬＳＰに変換され、ここで通信チャネル５６を横断す べく符号化される。リモートワード推定要素６２では、変換された特徴が逆変換 要素６０によって逆変換されて音響特徴がワードプロセッサ６４に供給され、ワ ードプロセッサ６４はこれに応答して推定ワード列を提供する。 変換要素５４の実施形態は図４に変換サブシステム７０として示されている。 図４において、音響プロセッサ５２からのＬＰＣ係数は、ＬＰＣからＬＳＰ変換 要素７２に供給される。ＬＰＣからＬＳＰ変換要素７２において、ＬＳＰ係数は 次の通りに決定される。Ｐ次の次数のＬＰＣ係数に対して、対応するＬＳＰ周波 数が次の方程式の０とπの間に存在するＰ個の根として得られる。 Ｐ（ｗ）＝ｃｏｓ５ｗ＋ｐ₁ｃｏｓ４ｗ＋…＋ｐ₅／２ （７） Ｑ（ｗ）＝ｃｏｓ５ｗ＋ｑ₁ｃｏｓ４ｗ＋…＋ｑ₅／２ （８） ここで、ｐ₁とｑ₁は帰納的に次のように求められる。 ｐ₀＝ｑ₀＝１ （９） ｐ₁＝−ａ₁−ａ_p-1−ｐ_1-1、１≦ｉ≦Ｐ／２ （１０） ｑ₁＝−ａ₁＋ａ_p-1−ｑ_1-1、１≦ｉ≦Ｐ／２ （１１） ＬＳＰ周波数はＤＰＣＭ要素７４に供給されて通信チャネル７６を介しての送 信のために符号化される。 逆変換要素７８において、チャネルからの受信信号は、音声信号のＬＳＰ周波 数を復元すべく、逆ＤＰＣＭ要素８０とＬＰＣからＬＳＰ要素８２とを通過され る。ＬＰＣからＬＳＰ要素７２の逆プロセスは、ＬＳＰ周波数をケプストラム係 数を引き出すのに用いられるＬＰＣ係数に変換するＬＳＰからＬＰＣ要素８２に よって実行される。ＬＳＰからＬＰＣ要素８２は次のように変換を実行する。 ＬＰＣ係数はＬＰＣからケプストラム要素８４に供給され、ここで、方程式５ 及び６に応じてケプストラム係数をワード復号器６４に供給する。 ワード復号器は、通信チャネルを介して直接送信されたときに雑音の影響を受 けやすい音響特徴シーケンスのみに依存するので、音響特徴シーケンスが引き出 されて図３に示すようなサブシステム５１において送信を可能にする代替表現に 変換される。ワード復号器で使用される音響特徴シーケンスは後で逆変換によっ て得られる。すなわち、ＶＲの分散構成においては、空中（チャネル）を介して 送信された特徴シーケンスはワード復号器において実際に使用されるものとは異 なっている。変換要素７０からの出力は既知の種々のエラー保護方法によってさ らに符号化される。 本発明の改善された実施形態が図５に示されている。ワイヤレス通信への応用 においては、ユーザは、部分的に高価なチャネルアクセスのために、小数の単純 だが供給に用いられる音声コマンドに対する通信チャネルを占有しないことを望 む。これは、比較的小さい語彙サイズをもつ音声認識装置がローカルで送受話器 において実行されるとともに、大きな語葉サイズをもつ第２の音声認識システム がリモート基地局に設けられるという点を考慮すると、送受話器１００と基地局 １１０との間にワード復号機能を分散させることによって達成される。それらは 送受話器において同じ音響プロセッサを共有する。ローカルのワード復号器の語 彙テープルは最もよく用いられるワード、またはワード列を含む。一方、リモー トのワード復号器の語彙テーブルは正規のワード、またはワード列を含む。この ような構成に基づいて、図５に示すように、チャネルがビジーである平均時間を 小さくして認識の正確度を増大させることができる。 さらに、２群の音声コマンドが利用され、第１は特殊音声コマンドと呼ばれ、 ローカルＶＲによって認識できるコマンドに対応する。第２は正規の音声コマン ドと呼ばれ、ローカルＶＲによって認識されないコマンドに対応する。特殊な音 声コマンドが発音されるときはいつでも、真の音響特徴がローカルワード復号器 のために抽出され、音声認識機能は通信チャネルにアクセスすることなしにロー カルで実行される。正規の音声コマンドが発音されるとき、変換された音響特徴 ベクトルがチャネルを介して送信され、復号化が基地局においてリモートで行わ れる。 特殊な音声コマンドに対する音響特徴は変換、あるいは符号化される必要がな く、ローカルのＶＲに対する語彙サイズは小さいので、要求される計算量はリモ ートのものよりもはるかに小さい（語彙の中から正確なワード列を探索するとき の計算量は語彙のサイズに比例する）。さらに、音響特徴はチャネル内での破壊 なしにローカルＶＲに直接供給されるので、ローカルの音声認識装置はリモート ＶＲに比較して（状態数が小さい、状態出力確率などに対する混合要素の数が小 さいなど）ＨＭＭの単純化された形態によって構成される。これは制限された語 彙で送受信機（サブシステム１）でのＶＲのローカル構成を可能にし、この場合 の計算量は制限されたものとなる。分散されたＶＲ構成はワイヤレス通信システ ム以外の他の応用分野にも適用可能である。 図５において、音声信号は音響プロセッサ１０２に供給されて、音声信号から 例えばＬＰＣに基づく特徴パラメータなどの特徴が抽出される。これらの特徴は ローカルのワード復号器１０６に供給されて、入力音声信号を小さな語彙から識 別するための探索が行われる。ワード復号器１０６が入力ワード列を復号できず 、リモートのＶＲが復号すべきであるときは、特徴を送信する準備をする変換要 素１０４に信号を送る。変換された特徴は通信チャネル１０８を介してリモート のワード復号器１１０に送信される。変換された特徴は逆変換要素１１２に供給 される。この逆変換要素１１２は変換要素１０４の逆変換を実行してリモートの ワード復号器要素１１４に音響特徴を供給する。ワード復号器要素１１４はこれ に応答して推定リモートワード列を提供する。 好ましい実施形態の前記した説明は当業者が本発明を製造または使用可能なよ うに提供される。上記の実施形態に対する種々の変形が可能であり、ここに定義 された一般的原理は発明に相当する能力を用いることなしに他の実施形態に適用 可能である。すなわち、本発明は上記の実施形態に制限されることはなく、ここ に開示された原理と新規な特徴に一致する範囲で広範な権利範囲が与えられるべ きである。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ， ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＭＷ，ＳＤ，ＳＺ)，ＡＭ， ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，Ｃ Ｎ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ ，ＨＵ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＫ， ＬＲ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＮ，ＭＷ，Ｎ Ｌ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ ，ＳＩ，ＳＫ，ＴＪ，ＴＴ，ＵＡ，ＵＺ，ＶＮ

Claims (1)

1. 【特許請求の範囲】 １．音声認識システムであって、 リモート局に設けられ、音声サンプルのフレームを受信して、所定の特徴抽出 フォーマットに従って前記音声サンプルのフレームから、一対の音声特徴を抽出 して、前記一対の音声特徴を提供するための特徴抽出手段と、 中央処理局に設けられ、前記一対の音声特徴を受信して、所定の復号フォーマ ットに基づいてシンタックスを決定するワード復号器と、 を具備することを特徴とする音声認識システム。 ２．前記一対の音声特徴が線形予測符号化パラメータであることを特徴とする請 求の範囲第１項に記載の音声認識システム。 ３．前記リモート局に配置され、所定の小さい語彙の復元フォーマットに従って シンタックスを決定するためのローカルワード検出器をさらに具備することを特 徴とする請求の範囲第１項に記載の音声認識システム。