JPH1097277A - 音声認識方法及び装置並びに記憶媒体 - Google Patents
音声認識方法及び装置並びに記憶媒体Info
- Publication number
- JPH1097277A JPH1097277A JP24997396A JP24997396A JPH1097277A JP H1097277 A JPH1097277 A JP H1097277A JP 24997396 A JP24997396 A JP 24997396A JP 24997396 A JP24997396 A JP 24997396A JP H1097277 A JPH1097277 A JP H1097277A
- Authority
- JP
- Japan
- Prior art keywords
- model
- speech
- speaker
- recognition
- input
- 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- Withdrawn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
Abstract
(57)【要約】
【課題】 入力話者の少数の音声データにより高認識率
の話者適応を可能とすること。 【解決手段】 入力話者の発声した音声から音素ＨＭＭ
（２０３）を求め、この音素ＨＭＭと不特定話者の音素
ＨＭＭ（２０４）及び不特定話者の音素環境依存型ＨＭ
Ｍ（２０５）とから話者適応を実行（２０６）し、これ
により作成された認識用モデル（１０４）によりその話
者用の音声認識を行う。
の話者適応を可能とすること。 【解決手段】 入力話者の発声した音声から音素ＨＭＭ
（２０３）を求め、この音素ＨＭＭと不特定話者の音素
ＨＭＭ（２０４）及び不特定話者の音素環境依存型ＨＭ
Ｍ（２０５）とから話者適応を実行（２０６）し、これ
により作成された認識用モデル（１０４）によりその話
者用の音声認識を行う。
Description
【０００１】
【発明の属する技術分野】本発明は、音声認識方法及び
装置並びに記憶媒体に関するものであり、特にモデルを
利用して音声認識を行う音声認識方法及び装置並びに記
憶媒体に関するものである。
装置並びに記憶媒体に関するものであり、特にモデルを
利用して音声認識を行う音声認識方法及び装置並びに記
憶媒体に関するものである。
【０００２】
【従来の技術】従来の音声認識技術において、話者適応
の認識用のモデルを不特定話者モデルより作成する方法
は様々提案されている。しかしながら、その提案されて
いる方法は、もともとの性能が高い音素環境依存型モデ
ルを少数の音声データで学習するものは、あまりない。
それら提案されている中でＨＭＭの基底分布を階層構造
にすることにより適応音声データの量に合わせて話者適
応する方法は提案されているが、音素環境の階層構造を
用いて話者適応する方法はない。また、多くの話者適応
では、入力話者の音声データの状態ごとの平均値を用い
て話者適応を行なっているが、入力話者モデルを一旦作
成した後にその平均値のみならず分散を用いる方法はま
だ提案されていない。
の認識用のモデルを不特定話者モデルより作成する方法
は様々提案されている。しかしながら、その提案されて
いる方法は、もともとの性能が高い音素環境依存型モデ
ルを少数の音声データで学習するものは、あまりない。
それら提案されている中でＨＭＭの基底分布を階層構造
にすることにより適応音声データの量に合わせて話者適
応する方法は提案されているが、音素環境の階層構造を
用いて話者適応する方法はない。また、多くの話者適応
では、入力話者の音声データの状態ごとの平均値を用い
て話者適応を行なっているが、入力話者モデルを一旦作
成した後にその平均値のみならず分散を用いる方法はま
だ提案されていない。
【０００３】
【発明が解決しようとする課題】音声認識のモデル作成
において、ＨＭＭを音素環境方向に詳細化することによ
り高い認識性能が得られることが一般に知られている。
また、入力話者の少数音声データを用いて話者適応を行
なうことによりその話者については高い認識性能が得ら
れることも一般に知られている。そこで、少量の音声デ
ータを用いて音素環境依存型モデルを話者適応したい要
望がある。しかし、ここで問題となるのは、一般に音素
環境依存型モデルはモデル数が多く少数の音声データで
話者適応を行なうのは困難であるということである。本
発明は、少数の音声データで話者適応を行なおうとする
ものである。
において、ＨＭＭを音素環境方向に詳細化することによ
り高い認識性能が得られることが一般に知られている。
また、入力話者の少数音声データを用いて話者適応を行
なうことによりその話者については高い認識性能が得ら
れることも一般に知られている。そこで、少量の音声デ
ータを用いて音素環境依存型モデルを話者適応したい要
望がある。しかし、ここで問題となるのは、一般に音素
環境依存型モデルはモデル数が多く少数の音声データで
話者適応を行なうのは困難であるということである。本
発明は、少数の音声データで話者適応を行なおうとする
ものである。
【０００４】
【課題を解決するための手段】上記従来の課題を解決す
るために、本発明は、入力音声のモデルを求め、前記求
めた入力音声のモデルと音韻性階層構造をもつ不特定話
者モデルを用いて認識用モデルを作成し、認識対象の音
声を入力し、前記作成した認識用モデルを用いて前記入
力した認識対象の音声を認識する音声認識方法及び装置
並びに記憶媒体を提供する。
るために、本発明は、入力音声のモデルを求め、前記求
めた入力音声のモデルと音韻性階層構造をもつ不特定話
者モデルを用いて認識用モデルを作成し、認識対象の音
声を入力し、前記作成した認識用モデルを用いて前記入
力した認識対象の音声を認識する音声認識方法及び装置
並びに記憶媒体を提供する。
【０００５】上記従来の課題を解決するために、本発明
は好ましくは、入力音声の音響を分析し、前記分析結果
と認識用モデルの出力確率を求め、予め定められた言語
的制約による判断と、前記求めた出力確率を用いて言語
探索を行い、前記言語探索の結果を前記入力音声の認識
結果として出力する。
は好ましくは、入力音声の音響を分析し、前記分析結果
と認識用モデルの出力確率を求め、予め定められた言語
的制約による判断と、前記求めた出力確率を用いて言語
探索を行い、前記言語探索の結果を前記入力音声の認識
結果として出力する。
【０００６】上記従来の課題を解決するために、本発明
は好ましくは、前記モデルは、ＨＨＭとする。
は好ましくは、前記モデルは、ＨＨＭとする。
【０００７】上記従来の課題を解決するために、本発明
は好ましくは、前記求める入力音声のモデルは音素ＨＨ
Ｍとし、かつ前記音韻性階層構造をもつ不特定話者モデ
ルは不特定話者の音素ＨＭＭ不特定話者の音素環境依存
型ＨＭＭを用いる。
は好ましくは、前記求める入力音声のモデルは音素ＨＨ
Ｍとし、かつ前記音韻性階層構造をもつ不特定話者モデ
ルは不特定話者の音素ＨＭＭ不特定話者の音素環境依存
型ＨＭＭを用いる。
【０００８】上記従来の課題を解決するために、本発明
は好ましくは、前記作成する認識用モデルは、音素環境
依存型のＨＭＭとする。
は好ましくは、前記作成する認識用モデルは、音素環境
依存型のＨＭＭとする。
【０００９】上記従来の課題を解決するために、本発明
は好ましくは、前記求める入力音声モデルの音素ＨＭＭ
及び前記音韻性階層構造の不特定話者モデルの音素ＨＭ
Ｍを各状態１分布の音素ＨＭＭとし、かつ不特定話者の
音素環境依存型ＨＭＭには各状態多数分布のＨＭＭを用
いる。
は好ましくは、前記求める入力音声モデルの音素ＨＭＭ
及び前記音韻性階層構造の不特定話者モデルの音素ＨＭ
Ｍを各状態１分布の音素ＨＭＭとし、かつ不特定話者の
音素環境依存型ＨＭＭには各状態多数分布のＨＭＭを用
いる。
【００１０】上記従来の課題を解決するために、本発明
は好ましくは、前記入力音声は、前記音韻性階層構造を
もつ不特定話者のモデルを学習した音声と同じ内容の音
声とする。
は好ましくは、前記入力音声は、前記音韻性階層構造を
もつ不特定話者のモデルを学習した音声と同じ内容の音
声とする。
【００１１】上記従来の課題を解決するために、本発明
は好ましくは、前記認識用モデルの作成は、各モデルの
分布の音声空間上の位置関係を用いて行う。
は好ましくは、前記認識用モデルの作成は、各モデルの
分布の音声空間上の位置関係を用いて行う。
【００１２】上記従来の課題を解決するために、本発明
は好ましくは、前記認識用モデルの作成は、各モデルの
分布の平均値及び分散を用いて行う。
は好ましくは、前記認識用モデルの作成は、各モデルの
分布の平均値及び分散を用いて行う。
【００１３】上記従来の課題を解決するために、本発明
は好ましくは、前記認識用モデルは、不特定話者の音素
環境依存型モデルに話者性に対する適応度を補間したモ
デルとする。
は好ましくは、前記認識用モデルは、不特定話者の音素
環境依存型モデルに話者性に対する適応度を補間したモ
デルとする。
【００１４】上記従来の課題を解決するために、本発明
は好ましくは、前記入力音声は、マイクロフォンにより
行ったものとする。
は好ましくは、前記入力音声は、マイクロフォンにより
行ったものとする。
【００１５】上記従来の課題を解決するために、本発明
は好ましくは、前記認識結果を表示装置上に表示する。
は好ましくは、前記認識結果を表示装置上に表示する。
【００１６】上記従来の課題を解決するために、本発明
は好ましくは、前記音韻性階層構造は、多階層とする。
は好ましくは、前記音韻性階層構造は、多階層とする。
【００１７】
【発明の実施の形態】図１は本発明の実施の形態の機能
構成図を示す。
構成図を示す。
【００１８】１０１はマイクやＡ／Ｄを含む音声入力部
であり、これより入力話者の音声を入力する。１０２は
音声パラメータを求める音響分析部であり、１０３は出
力確率計算を行なう出力確率計算部であり、１０４は話
者適応後の音声認識用モデル（ＨＭＭ）であり、１０５
は言語探索を行なう言語探索部である。
であり、これより入力話者の音声を入力する。１０２は
音声パラメータを求める音響分析部であり、１０３は出
力確率計算を行なう出力確率計算部であり、１０４は話
者適応後の音声認識用モデル（ＨＭＭ）であり、１０５
は言語探索を行なう言語探索部である。
【００１９】１０６は言語処理に用いる文法・辞書であ
り、１０７は結果を出力する表示部であり、２０１は入
力話者の音素ＨＭＭを学習する入力話者音素ＨＭＭ学習
部であり、２０２は話者適応用のリストであり、２０３
は入力話者の音素ＨＭＭ格納部であり、２０４は不特定
話者音素ＨＭＭ格納部であり、２０５は不特定話者音素
環境依存型ＨＭＭの格納部であり、２０６は話者適応の
実行部である。
り、１０７は結果を出力する表示部であり、２０１は入
力話者の音素ＨＭＭを学習する入力話者音素ＨＭＭ学習
部であり、２０２は話者適応用のリストであり、２０３
は入力話者の音素ＨＭＭ格納部であり、２０４は不特定
話者音素ＨＭＭ格納部であり、２０５は不特定話者音素
環境依存型ＨＭＭの格納部であり、２０６は話者適応の
実行部である。
【００２０】図１は本発明の実施の形態における音声認
識装置の機能構成図を示したものであるが、図１４はこ
の音声認識装置のハード構成を示し、図１の各構成は、
実際にはこの図１４に示す各構成により実現される。
識装置の機能構成図を示したものであるが、図１４はこ
の音声認識装置のハード構成を示し、図１の各構成は、
実際にはこの図１４に示す各構成により実現される。
【００２１】即ち、音声入力装置１０１は音声入力部１
４６により実現される。音響分析部１０２、出力確率計
算部１０３、言語探索部１０５、入力話者音素ＨＭＭ学
習部２０１、話者適応部２０６は各々ＲＯＭ１４１或い
はＲＡＭ１４２に格納された制御プログラムに従ったＣ
ＰＵ１４３の制御のもと実行される。
４６により実現される。音響分析部１０２、出力確率計
算部１０３、言語探索部１０５、入力話者音素ＨＭＭ学
習部２０１、話者適応部２０６は各々ＲＯＭ１４１或い
はＲＡＭ１４２に格納された制御プログラムに従ったＣ
ＰＵ１４３の制御のもと実行される。
【００２２】音声認識用モデル（ＨＭＭ）１０４、文法
辞書１０６、話者適応用のリスト２０２はＲＯＭ１４１
或いはＲＡＭ１４２に格納され、また、入力話者の音素
ＨＭＭ格納部２０３、不特定話者音素ＨＭＭ格納部２０
４、不特定話者音素環境依存型ＨＭＭ格納部２０５はＲ
ＡＭ１４２内に確保される。尚、ＲＡＭ１４２に格納さ
れる制御プログラム及び各種ＨＭＭや辞書、リスト、処
理中に必要とするパラメータ等は、インタフェース（Ｉ
／Ｆ）１４５を介してＣＤ−ＲＯＭ１４４或いは公衆回
線（図示せず）を介して他の端末からインストールされ
たものでも良い。
辞書１０６、話者適応用のリスト２０２はＲＯＭ１４１
或いはＲＡＭ１４２に格納され、また、入力話者の音素
ＨＭＭ格納部２０３、不特定話者音素ＨＭＭ格納部２０
４、不特定話者音素環境依存型ＨＭＭ格納部２０５はＲ
ＡＭ１４２内に確保される。尚、ＲＡＭ１４２に格納さ
れる制御プログラム及び各種ＨＭＭや辞書、リスト、処
理中に必要とするパラメータ等は、インタフェース（Ｉ
／Ｆ）１４５を介してＣＤ−ＲＯＭ１４４或いは公衆回
線（図示せず）を介して他の端末からインストールされ
たものでも良い。
【００２３】表示部１０７はＣＲＴや液晶表示器等の表
示器１４７により実現され、また更に各種指示はキーボ
ードやマウス、タブレット等の入力手段１４８により実
現される。
示器１４７により実現され、また更に各種指示はキーボ
ードやマウス、タブレット等の入力手段１４８により実
現される。
【００２４】音声認識装置は、上記の要素により構成さ
れ図２に示す流れに従って動作する。まず、音声認識時
は、２０１で囲まれた部分で処理が進む。入力話者によ
り発生された音声を入力し、３０１（１０１に対応）の
音声入力部で切り出された音声は、３０２（１０２に対
応）の音響分析部にてフレーム毎に音声パラメータに分
析され、３０３（１０３に対応）の出力確率計算部にお
いて、３０４（１０４に対応）の話者適応後のＨＭＭを
用いて出力確率の計算を行なう。つづいて３０５（１０
５に対応）の言語探索部では、３０４（１０４に対応）
の話者適応後ＨＭＭと３０６（１０６に対応）の認識用
の文法・辞書を用いて言語探索を行ない認識結果である
候補単語とその尤度を求める。この結果を３０７（１０
７に対応）に認識結果として出力する。この出力された
認識結果は、表示部１０７により表示される。一方、話
者適応は２０２で囲まれた部分の処理が進む。適応する
話者により発生された３００の入力音声と４０４（２０
４に対応）の不特定話者の音素ＨＭＭおよび４０２（２
０２に対応）の話者適応用リストの３種のデータを用い
て４０３（２０３に対応）の入力話者の音素ＨＭＭを作
成する。さらに、４０３（２０３に対応）の入力話者の
音素ＨＭＭと４０４（２０４に対応）の不特定話者の音
素ＨＭＭおよび４０５（２０５に対応）の不特定話者の
音素環境依存型ＨＭＭを用いて、４９６（２０６に対
応）の話者適応部において話者適応を行なう。このとき
の４０４（２０４に対応）の不特定話者の音素ＨＭＭと
４０５（２０５に対応）の不特定話者の音素環境依存型
ＨＭＭは、音韻性において階層構造を形成している。こ
の話者適応の結果、３０４（１０４に対応）の話者適応
した音素環境依存型ＨＭＭを得る。
れ図２に示す流れに従って動作する。まず、音声認識時
は、２０１で囲まれた部分で処理が進む。入力話者によ
り発生された音声を入力し、３０１（１０１に対応）の
音声入力部で切り出された音声は、３０２（１０２に対
応）の音響分析部にてフレーム毎に音声パラメータに分
析され、３０３（１０３に対応）の出力確率計算部にお
いて、３０４（１０４に対応）の話者適応後のＨＭＭを
用いて出力確率の計算を行なう。つづいて３０５（１０
５に対応）の言語探索部では、３０４（１０４に対応）
の話者適応後ＨＭＭと３０６（１０６に対応）の認識用
の文法・辞書を用いて言語探索を行ない認識結果である
候補単語とその尤度を求める。この結果を３０７（１０
７に対応）に認識結果として出力する。この出力された
認識結果は、表示部１０７により表示される。一方、話
者適応は２０２で囲まれた部分の処理が進む。適応する
話者により発生された３００の入力音声と４０４（２０
４に対応）の不特定話者の音素ＨＭＭおよび４０２（２
０２に対応）の話者適応用リストの３種のデータを用い
て４０３（２０３に対応）の入力話者の音素ＨＭＭを作
成する。さらに、４０３（２０３に対応）の入力話者の
音素ＨＭＭと４０４（２０４に対応）の不特定話者の音
素ＨＭＭおよび４０５（２０５に対応）の不特定話者の
音素環境依存型ＨＭＭを用いて、４９６（２０６に対
応）の話者適応部において話者適応を行なう。このとき
の４０４（２０４に対応）の不特定話者の音素ＨＭＭと
４０５（２０５に対応）の不特定話者の音素環境依存型
ＨＭＭは、音韻性において階層構造を形成している。こ
の話者適応の結果、３０４（１０４に対応）の話者適応
した音素環境依存型ＨＭＭを得る。
【００２５】以下、４０６において行なう話者適応法の
詳細を記す。
詳細を記す。
【００２６】〔話者適応法〕これから提案する各種話者
適応法は、音素環境の階層構造（図３を参照）として、
不特定話者の音素ＨＭＭと不特定話者の音素環境依存型
ＨＭＭを用い、話者適応用に特定話者・音素ＨＭＭを用
いる。音素ＨＭＭは少数発声より学習できる１分布のＨ
ＭＭを不特定話者／特定話者のいづれにも用いる。対応
関係をとる各ＨＭＭの分布Ｍ（図１０に示す表１参照）
は、同じ音素クラスＰに属し、対応した状態Ｉに属す。
その分布Ｍの平均をμ、分散をσ2とする。特定話者・
音素ＨＭＭにはｓを、不特定話者・音素ＨＭＭにはａ、
不特定話者・音素環境依存型ＨＭＭにはｍを添字として
与える。話者適応後の音素環境依存型ＨＭＭには
（μ）′，（σ）′または（μ）″，（σ）″で表す。
また、不特定話者・音素環境依存型ＨＭＭの分布を１分
布に合成した分布には添字ｃを与える。分布の合成は次
の（１）式で行なう。ωは重み係数を示す。
適応法は、音素環境の階層構造（図３を参照）として、
不特定話者の音素ＨＭＭと不特定話者の音素環境依存型
ＨＭＭを用い、話者適応用に特定話者・音素ＨＭＭを用
いる。音素ＨＭＭは少数発声より学習できる１分布のＨ
ＭＭを不特定話者／特定話者のいづれにも用いる。対応
関係をとる各ＨＭＭの分布Ｍ（図１０に示す表１参照）
は、同じ音素クラスＰに属し、対応した状態Ｉに属す。
その分布Ｍの平均をμ、分散をσ2とする。特定話者・
音素ＨＭＭにはｓを、不特定話者・音素ＨＭＭにはａ、
不特定話者・音素環境依存型ＨＭＭにはｍを添字として
与える。話者適応後の音素環境依存型ＨＭＭには
（μ）′，（σ）′または（μ）″，（σ）″で表す。
また、不特定話者・音素環境依存型ＨＭＭの分布を１分
布に合成した分布には添字ｃを与える。分布の合成は次
の（１）式で行なう。ωは重み係数を示す。
【００２７】
【外１】
【００２８】上記情報を基に話者適応を行なうアルゴリ
ズムをいくつか示す（図１１に示す表２参照）。
ズムをいくつか示す（図１１に示す表２参照）。
【００２９】適応法Ｉ：μa，σaに対するμsの相対位
置と、μm，σmに対する（μm）′の相対位置の関係よ
り（μm）′を求める。音素ＨＭＭの各状態で区分化し
た個人差ベクトル写像法に想到する（図４参照）。
置と、μm，σmに対する（μm）′の相対位置の関係よ
り（μm）′を求める。音素ＨＭＭの各状態で区分化し
た個人差ベクトル写像法に想到する（図４参照）。
【００３０】適応法ＩＩ−ａ：μa，σaに対するμmの
相対位置と、μs，σsに対する（μm）′の相対位置の
関係より（μm）′を求める（図５参照）。
相対位置と、μs，σsに対する（μm）′の相対位置の
関係より（μm）′を求める（図５参照）。
【００３１】適応法ＩＩ−ｂ：μa，σaに対するμcの
相対位置と、μs，σsに対する（μc）′の相対位置の
関係およびμcとμmの関係より（μm）′を求める（図
６参照）。
相対位置と、μs，σsに対する（μc）′の相対位置の
関係およびμcとμmの関係より（μm）′を求める（図
６参照）。
【００３２】適応法ＩＩＩ−ａ：μa，σaに対するμc
の相対位置と、μc，σcに対する（μc）′の相対位置
の関係およびμcとμmの関係より（μm）′を求める
（図７参照）。
の相対位置と、μc，σcに対する（μc）′の相対位置
の関係およびμcとμmの関係より（μm）′を求める
（図７参照）。
【００３３】適応法ＩＩＩ−ｂ：μa，σaに対するμs
の相対位置と、μc，σcに対する（μc）′の相対位置
の関係およびμcとμmさらにσaとσsの関係より
（μm）′を求める（図８参照）。
の相対位置と、μc，σcに対する（μc）′の相対位置
の関係およびμcとμmさらにσaとσsの関係より
（μm）′を求める（図８参照）。
【００３４】分散（（σm）′）2も平均（μm）′と同
様に各ＨＭＭの関係より話者適応が可能と考えられる
が、本稿では（σm）′＝σmとし、分散の話者適応は行
なっていない。また、話者性に対する適応度α（０．０
＜α＜１．０）を導入し、話者適応後のＨＭＭは、（μ
m）″＝（μm）′＋（１−α）μmで作成する。
様に各ＨＭＭの関係より話者適応が可能と考えられる
が、本稿では（σm）′＝σmとし、分散の話者適応は行
なっていない。また、話者性に対する適応度α（０．０
＜α＜１．０）を導入し、話者適応後のＨＭＭは、（μ
m）″＝（μm）′＋（１−α）μmで作成する。
【００３５】〔認識実験と結果〕２５単語より作成した
特定話者／不特定話者の音素ＨＭＭおよび不特定話者の
右音素環境依存型ＨＭＭを用いて話者適応・右音素環境
依存型ＨＭＭを作成し、５２０単語の音声認識実験（２
０名）を行なった。事件条件を表４（図１３に示す）に
示す。話者の適応度α（０．０＜α＜１．０）は、０．
１刻みにした。
特定話者／不特定話者の音素ＨＭＭおよび不特定話者の
右音素環境依存型ＨＭＭを用いて話者適応・右音素環境
依存型ＨＭＭを作成し、５２０単語の音声認識実験（２
０名）を行なった。事件条件を表４（図１３に示す）に
示す。話者の適応度α（０．０＜α＜１．０）は、０．
１刻みにした。
【００３６】図９に、各話者適応法による第１位の文認
識率の結果を示す。また、各手法ごとの最高性能の話者
適合度αにおける平均認識率、向上率、話者毎の最大向
上率（最良）、話者毎の最大悪化率（最悪）、また、悪
化話者数（悪化）および認識率不変の話者数（不変）を
図１２の表３に示す。今回の実験結果では、適応法ＩＩ
−ａ，ｂが最も良い性能を示した。適応前９５．６％が
適応後９７．０％に向上し、適応法ＩＩ−ａのときの最
大改良話者は＋９．７％の向上を示し、悪化話者は２
名、それぞれ−１．９％と−１．０％の悪化であった。
識率の結果を示す。また、各手法ごとの最高性能の話者
適合度αにおける平均認識率、向上率、話者毎の最大向
上率（最良）、話者毎の最大悪化率（最悪）、また、悪
化話者数（悪化）および認識率不変の話者数（不変）を
図１２の表３に示す。今回の実験結果では、適応法ＩＩ
−ａ，ｂが最も良い性能を示した。適応前９５．６％が
適応後９７．０％に向上し、適応法ＩＩ−ａのときの最
大改良話者は＋９．７％の向上を示し、悪化話者は２
名、それぞれ−１．９％と−１．０％の悪化であった。
【００３７】少数の既知発声で作成した特定話者ＨＭＭ
と不特定話者ＨＭＭおよび事前に学習した不特定話者の
音素環境依存型ＨＭＭの関係により音素環境依存型ＨＭ
Ｍを話者に適応する方法を提案した。２５単語より得た
話者情報を基に話者適応を行ない、５２０単語の認識実
験（２０名）を行なった結果、適応前９５．６％が適応
後９７．０％に向上し、提案方法の有効性を示した。
と不特定話者ＨＭＭおよび事前に学習した不特定話者の
音素環境依存型ＨＭＭの関係により音素環境依存型ＨＭ
Ｍを話者に適応する方法を提案した。２５単語より得た
話者情報を基に話者適応を行ない、５２０単語の認識実
験（２０名）を行なった結果、適応前９５．６％が適応
後９７．０％に向上し、提案方法の有効性を示した。
【００３８】先の説明では、音韻性の階層構造は２段で
説明したが多階層であっても同様の処理が可能である。
説明したが多階層であっても同様の処理が可能である。
【００３９】先の説明では、音韻性の階層構造に音素Ｈ
ＭＭと音素環境依存型ＨＭＭを用いた例について説明し
たが、同一音素環境モデル（例えば音素ＨＭＭ同士）で
も、少数（ひとつの場合も含め）分布ＨＭＭと多数分布
のＨＭＭであっても一切問題はない。
ＭＭと音素環境依存型ＨＭＭを用いた例について説明し
たが、同一音素環境モデル（例えば音素ＨＭＭ同士）で
も、少数（ひとつの場合も含め）分布ＨＭＭと多数分布
のＨＭＭであっても一切問題はない。
【００４０】先の説明では、音素環境依存型モデルとし
て右環境依存型モデルを用いた例について説明したが左
右両音素環境などのモデルでも一切問題はない。
て右環境依存型モデルを用いた例について説明したが左
右両音素環境などのモデルでも一切問題はない。
【００４１】先の説明では、入力話者と不特定話者の音
素ＨＭＭを同一内容で作成した例について説明したが、
異なる内容であっても実現可能である。
素ＨＭＭを同一内容で作成した例について説明したが、
異なる内容であっても実現可能である。
【００４２】先の説明では、話者適応の平均値の更新の
式を各手法を独立に用いた例について説明したが、併用
しても構わない。例えば、適応法ＩＩ−ａと適応法ＩＩ
Ｉ−ａとの中点で更新するなどの方法を採用しても良
い。
式を各手法を独立に用いた例について説明したが、併用
しても構わない。例えば、適応法ＩＩ−ａと適応法ＩＩ
Ｉ−ａとの中点で更新するなどの方法を採用しても良
い。
【００４３】先の説明では、分散の適応は行なわない例
で説明したが、平均値を更新する時と同様の考え方にし
たがって、分散の更新を行なっても問題はない。
で説明したが、平均値を更新する時と同様の考え方にし
たがって、分散の更新を行なっても問題はない。
【００４４】先の説明では、各次元の分散は独立に扱っ
た例について説明したが、適応用の音声データが少ない
時には、各次元の分散の平均値を変わりに用いて話者適
応を行なっても構わない。
た例について説明したが、適応用の音声データが少ない
時には、各次元の分散の平均値を変わりに用いて話者適
応を行なっても構わない。
【００４５】
【発明の効果】本発明の話者適応法を用いることによ
り、少数の音声データで音素環境依存型ＨＭＭの話者適
応を行なうことが可能となり、高認識率の音声認識を実
現する。
り、少数の音声データで音素環境依存型ＨＭＭの話者適
応を行なうことが可能となり、高認識率の音声認識を実
現する。
【図１】本発明による実施の形態の機能構成図
【図２】本発明による実施の形態の処理の流れ図
【図３】本発明の不特定話者の音韻階層構造の図
【図４】本発明の話者適応法Ｉの図
【図５】本発明の話者適応法ＩＩ−ａの図
【図６】本発明の話者適応法ＩＩ−ｂの図
【図７】本発明の話者適応法ＩＩＩ−ａの図
【図８】本発明の話者適応法ＩＩＩ−ｂの図
【図９】本発明の音声認識の実験結果の図
【図１０】各ＨＭＭの平均と分散（表１）を示す図
【図１１】話者適応法（表２）を示す図
【図１２】改善結果（表３）を示す図
【図１３】実験条件（表４）を示す図
【図１４】音声認識装置のハード構成図
Claims (15)
- 【請求項１】 入力音声のモデルを求め、前記求めた入
力音声のモデルと音韻性階層構造をもつ不特定話者モデ
ルを用いて認識用モデルを作成し、認識対象の音声を入
力し、前記作成した認識用モデルを用いて前記入力した
認識対象の音声を認識することを特徴とする音声認識方
法。 - 【請求項２】 入力音声の音響を分析し、前記分析結果
と認識用モデルの出力確率を求め、予め定められた言語
的制約による判断と、前記求めた出力確率を用いて言語
探索を行い、前記言語探索の結果を前記入力音声の認識
結果として出力することを特徴とする請求項１に記載の
音声認識方法。 - 【請求項３】 前記モデルは、ＨＭＭとすることを特徴
とする請求項１に記載の音声認識方法。 - 【請求項４】 前記求める入力音声のモデルは音素ＨＭ
Ｍとし、かつ前記音韻性階層構造をもつ不特定話者モデ
ルは不特定話者の音素ＨＭＭ不特定話者の音素環境依存
型ＨＭＭを用いることを特徴とする請求項１に記載の音
声認識方法。 - 【請求項５】 前記作成する認識用モデルは、音素環境
依存型のＨＭＭとすることを特徴とする請求項１に記載
の音声認識方法。 - 【請求項６】 前記求める入力音声モデルの音素ＨＭＭ
及び前記音韻性階層構造の不特定話者モデルの音素ＨＭ
Ｍを各状態１分布の音素ＨＭＭとし、かつ不特定話者の
音素環境依存型ＨＭＭには各状態多数分布のＨＭＭを用
いることを特徴とする請求項４に記載の音声認識方法。 - 【請求項７】 前記入力音声は、前記音韻性階層構造を
もつ不特定話者のモデルを学習した音声と同じ内容の音
声とすることを特徴とする請求項１に記載の音声認識方
法。 - 【請求項８】 前記認識用モデルの作成は、各モデルの
分布の音声空間上の位置関係を用いて行うことを特徴と
する請求項１に記載の音声認識方法。 - 【請求項９】 前記認識用モデルの作成は、各モデルの
分布の平均値及び分散を用いて行うことを特徴とする請
求項１に記載の音声認識方法。 - 【請求項１０】 前記認識用モデルは、不特定話者の音
素環境依存型モデルに話者性に対する適応度を補間した
モデルとすることを特徴とする請求項４に記載の音声認
識方法。 - 【請求項１１】 前記入力音声は、マイクロフォンによ
り行ったものとすることを特徴とする請求項１に記載の
音声認識方法。 - 【請求項１２】 前記認識結果を表示装置上に表示する
ことを特徴とする請求項２に記載の音声認識方法。 - 【請求項１３】 前記音韻性階層構造は、多階層とする
ことを特徴とする請求項１に記載の音声認識方法。 - 【請求項１４】 入力音声のモデルを求める入力音声導
出手段と、前記求めた入力音声のモデルと音韻性階層構
造をもつ不特定話者モデルを用いて認識用モデルを作成
する認識用モデル作成手段と、認識対象の音声を入力す
る音声入力手段と、前記作成した認識用モデルを用いて
前記入力した認識対象の音声を認識する認識手段とを有
することを特徴とする音声認識装置。 - 【請求項１５】 入力音声のモデルを求め、前記求めた
入力音声のモデルと音韻性階層構造をもつ不特定話者モ
デルを用いて認識用モデルを作成し、認識対象の音声を
入力し、前記作成した認識用モデルを用いて前記入力し
た認識対象の音声を認識するプログラムを記憶したこと
を特徴とする記憶媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24997396A JPH1097277A (ja) | 1996-09-20 | 1996-09-20 | 音声認識方法及び装置並びに記憶媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP24997396A JPH1097277A (ja) | 1996-09-20 | 1996-09-20 | 音声認識方法及び装置並びに記憶媒体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1097277A true JPH1097277A (ja) | 1998-04-14 |
Family
ID=17200950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP24997396A Withdrawn JPH1097277A (ja) | 1996-09-20 | 1996-09-20 | 音声認識方法及び装置並びに記憶媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1097277A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100331689B1 (ko) * | 2000-06-24 | 2002-04-09 | 송문섭 | 음성인식 시스템의 화자적응 훈련방법 |
| CN109300345A (zh) * | 2018-11-20 | 2019-02-01 | 深圳市神经科学研究院 | 一种快速命名训练方法和装置 |
-
1996
- 1996-09-20 JP JP24997396A patent/JPH1097277A/ja not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100331689B1 (ko) * | 2000-06-24 | 2002-04-09 | 송문섭 | 음성인식 시스템의 화자적응 훈련방법 |
| CN109300345A (zh) * | 2018-11-20 | 2019-02-01 | 深圳市神经科学研究院 | 一种快速命名训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8280733B2 (en) | Automatic speech recognition learning using categorization and selective incorporation of user-initiated corrections | |
| JP3933750B2 (ja) | 連続密度ヒドンマルコフモデルを用いた音声認識方法及び装置 | |
| US8731928B2 (en) | Speaker adaptation of vocabulary for speech recognition | |
| EP0831461B1 (en) | Scheme for model adaptation in pattern recognition based on taylor expansion | |
| EP4481741A2 (en) | Instantaneous learning in text-to-speech during dialog | |
| KR20230056741A (ko) | 목소리 변환 및 스피치 인식 모델을 사용한 합성 데이터 증강 | |
| CN101266792B (zh) | 语音识别系统和语音识别方法 | |
| JPH0636156B2 (ja) | 音声認識装置 | |
| JP2003022087A (ja) | 音声認識方法 | |
| JP2004109464A (ja) | 音声認識装置及び音声認識方法 | |
| JP2007500367A (ja) | 音声認識方法およびコミュニケーション機器 | |
| WO2001052237A1 (fr) | Appareil, methode et support d'apprentissage de langues etrangeres | |
| KR100826875B1 (ko) | 온라인 방식에 의한 화자 인식 방법 및 이를 위한 장치 | |
| JP2002062891A (ja) | 音素割当て方法 | |
| JP2000099087A (ja) | 言語音声モデルを適応させる方法及び音声認識システム | |
| US20040006469A1 (en) | Apparatus and method for updating lexicon | |
| JP2015041081A (ja) | 定量的ｆ０パターン生成装置及び方法、ｆ０パターン生成のためのモデル学習装置、並びにコンピュータプログラム | |
| KR20060066483A (ko) | 음성 인식을 위한 특징 벡터 추출 방법 | |
| JP2898568B2 (ja) | 声質変換音声合成装置 | |
| EP1418570B1 (en) | Cross-lingual speech recognition method | |
| JP4962962B2 (ja) | 音声認識装置、自動翻訳装置、音声認識方法、プログラム、及びデータ構造 | |
| KR100404852B1 (ko) | 언어모델적응기능을가진음성인식장치및그제어방법 | |
| KR100474253B1 (ko) | 단어의 첫 자음 발성을 이용한 음성인식 방법 및 이를 저장한 기록 매체 | |
| JPH11327593A (ja) | 音声認識システム | |
| JP2001109491A (ja) | 連続音声認識装置および方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20031202 |