JPS58129497A - 単語音声認識方法 - Google Patents
単語音声認識方法Info
- Publication number
- JPS58129497A JPS58129497A JP57010873A JP1087382A JPS58129497A JP S58129497 A JPS58129497 A JP S58129497A JP 57010873 A JP57010873 A JP 57010873A JP 1087382 A JP1087382 A JP 1087382A JP S58129497 A JPS58129497 A JP S58129497A
- Authority
- JP
- Japan
- Prior art keywords
- phoneme
- word
- phoneme sequence
- dictionary
- recognized
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
とするところは、認識音素系列と辞書音素系列の尤度（
ユウド）計算に必要な、実用上十分な精度を有する音素
のコンフユージヨンマトリクス（以下、Ｃ．Ｍ と略
称する）を作成して使用するもので、そのＣ．Ｍ を
短時間に作成し得る点にある。
ユウド）計算に必要な、実用上十分な精度を有する音素
のコンフユージヨンマトリクス（以下、Ｃ．Ｍ と略
称する）を作成して使用するもので、そのＣ．Ｍ を
短時間に作成し得る点にある。
１ず、単語の音声認識方法について第１図とともに説明
する。入力音声を分析し、特徴を抽出した後、音素認識
を行なう。音素認識とは、入力音声を母音、子音等の音
素毎に区切った土で、音素の種類を識別することであり
、その結果の認識音素系列は、表現法にもよるが、一例
としてローマ字表記のようになる。例えば、「オーサカ
」が正しく音素認識されればｒｏＯｓＡＫＡＪとなる。
する。入力音声を分析し、特徴を抽出した後、音素認識
を行なう。音素認識とは、入力音声を母音、子音等の音
素毎に区切った土で、音素の種類を識別することであり
、その結果の認識音素系列は、表現法にもよるが、一例
としてローマ字表記のようになる。例えば、「オーサカ
」が正しく音素認識されればｒｏＯｓＡＫＡＪとなる。
次に、認識音素系列と単語辞書の照合を行なう。
単語辞書は、認識の対象となる全ての語を含み、各単語
は、下表に示したように音素系列の形で入っでいる。入
力音声の認識音素系列と、単語辞書中の各単語の音素系
列との尤度を次々に計算し、最大尤度を与える辞書中の
単語をもって認識単語とする。
は、下表に示したように音素系列の形で入っでいる。入
力音声の認識音素系列と、単語辞書中の各単語の音素系
列との尤度を次々に計算し、最大尤度を与える辞書中の
単語をもって認識単語とする。
以上のプロセスにより、単語音声認識がなされるが、次
に、認識音素系列と辞書音素系列の尤度の計算法を述べ
る。いま辞書音素系列をＤ（Ｄｌ。
に、認識音素系列と辞書音素系列の尤度の計算法を述べ
る。いま辞書音素系列をＤ（Ｄｌ。
Ｄ！−Ｄｌ）、認識音素系列をＷ （ＷＩ、 Ｗ２ ＝
・ｗＪ）とする。ＤＩ ＋ Ｄ２ ｒ・・・、Ｗ、 、
Ｗ、 、・・・は各音素であシ、１、ＪはＤおよびＷの
音素数である。このとき尤度は、成るＷ（、りる入力音
声の認識音素系列）に対し、それが成るＤ（ある一つの
辞書項目の音素系列）である事後確率Ｐ（ＤｌＷ）とし
て与えられる。
・ｗＪ）とする。ＤＩ ＋ Ｄ２ ｒ・・・、Ｗ、 、
Ｗ、 、・・・は各音素であシ、１、ＪはＤおよびＷの
音素数である。このとき尤度は、成るＷ（、りる入力音
声の認識音素系列）に対し、それが成るＤ（ある一つの
辞書項目の音素系列）である事後確率Ｐ（ＤｌＷ）とし
て与えられる。
そして、全ての辞書項目に対して計算し、Ｐ（ＤｌＷ）
が最大となるＤをもって単語認識確度とするものである
。ところで、Ｐ（ＤｌＷ）の値は、Ｉ＝Ｊのときには、 Ｐ（ＤｌＷ）−に、ＩＬ、Ｐ（Ｄ１／ｗ１）萌・・（１
）で計算される。つまり、音素系列間の尤度は、それぞ
れの音素系列を構成する各音素間の尤度の積で表わされ
る。また、一般には■笑Ｊであるが、この場合はり、の
脱落確率、ｗｌの付加確率を考えることによシ、同様に
Ｐ（ＤｌＷ）を求めることができる。
が最大となるＤをもって単語認識確度とするものである
。ところで、Ｐ（ＤｌＷ）の値は、Ｉ＝Ｊのときには、 Ｐ（ＤｌＷ）−に、ＩＬ、Ｐ（Ｄ１／ｗ１）萌・・（１
）で計算される。つまり、音素系列間の尤度は、それぞ
れの音素系列を構成する各音素間の尤度の積で表わされ
る。また、一般には■笑Ｊであるが、この場合はり、の
脱落確率、ｗｌの付加確率を考えることによシ、同様に
Ｐ（ＤｌＷ）を求めることができる。
さて、（１）式におけるｐ（ｎ！／Ｗｉ、）の値である
が、これを与えるのがＣＭである。つまり、Ｃ，Ｍは辞
書中のある音素が、何という音素に認識されるがという
確率を、各音素の全ての組合わせについて求め、検索し
ゃすいテーブルとして表わしたものであり、その−例を
第３図に示す。即ち、第３図において、辞書中の音素Ａ
が、Ｅ、ｌ！：認識される確率は１％、ＥとＡの中間音
として認識される確率Ｖｉ２％、正しくＡと認識される
確率は８７％、Ａの存在そのものが認識されずに脱落し
てしまう確率が１チとなっている。
が、これを与えるのがＣＭである。つまり、Ｃ，Ｍは辞
書中のある音素が、何という音素に認識されるがという
確率を、各音素の全ての組合わせについて求め、検索し
ゃすいテーブルとして表わしたものであり、その−例を
第３図に示す。即ち、第３図において、辞書中の音素Ａ
が、Ｅ、ｌ！：認識される確率は１％、ＥとＡの中間音
として認識される確率Ｖｉ２％、正しくＡと認識される
確率は８７％、Ａの存在そのものが認識されずに脱落し
てしまう確率が１チとなっている。
ところで、このよう々Ｃ，Ｍ の作成法であるが、従
来は全て手作業で作られていた。即ち、各単語毎に辞書
音素系列と認識音素系列とを見比べて、勘により双方の
各音素の対応関係を求め、辞書のどの種類の音素が何の
種類の音素として認識されたか、あるいは脱落したか、
あるいは辞書にない音素が付加したかを調べ、各々の場
合の頻度を累計して求めていた。この方法は、人間の勘
にたよる部分があるので厳密とはいえないが、熟練者の
場合、誤り率は数チ以下であって、品質上それ程問題は
彦い。しかしながら、重大な欠点は、その作業は音声を
熟知した者でなければできないこと、およびその作業量
の大きさである。つまシ、１語処理するのに３分程度か
かるので、５０００語では２５０時間もかかることにな
る。そのため従来は、音素認識方法の小変更を行なった
場合や、認識の条件が標準とは異なる場合も、その変化
に応じた最適Ｃ，Ｍ−を作ることは、容易でないため行
なわれなかった。
来は全て手作業で作られていた。即ち、各単語毎に辞書
音素系列と認識音素系列とを見比べて、勘により双方の
各音素の対応関係を求め、辞書のどの種類の音素が何の
種類の音素として認識されたか、あるいは脱落したか、
あるいは辞書にない音素が付加したかを調べ、各々の場
合の頻度を累計して求めていた。この方法は、人間の勘
にたよる部分があるので厳密とはいえないが、熟練者の
場合、誤り率は数チ以下であって、品質上それ程問題は
彦い。しかしながら、重大な欠点は、その作業は音声を
熟知した者でなければできないこと、およびその作業量
の大きさである。つまシ、１語処理するのに３分程度か
かるので、５０００語では２５０時間もかかることにな
る。そのため従来は、音素認識方法の小変更を行なった
場合や、認識の条件が標準とは異なる場合も、その変化
に応じた最適Ｃ，Ｍ−を作ることは、容易でないため行
なわれなかった。
本発明は、上記従来技術の欠点を改善したもので、実用
１１分な精度を有する新Ｃ，Ｍ を短時間で作成し、
との（、Ｍ を使用して単語認識確度を高めるように
した単語音声認識方法を提供するものである。以下、図
面によシ実施例を詳細に説明する。
１１分な精度を有する新Ｃ，Ｍ を短時間で作成し、
との（、Ｍ を使用して単語認識確度を高めるように
した単語音声認識方法を提供するものである。以下、図
面によシ実施例を詳細に説明する。
第４図は、本発明の一実施例における新ＣＭ作成フロー
を示したもので、まず、入力音声を音素認識した後、認
識音素系列と辞書音素系列の尤度計算を行ない、かつ最
大尤度を与える２音素系列の最適マツチング経路を記録
する。この場合、入力音声がどの単語を発声したもので
あるかはわかっているので、その単語の辞書音素系列と
のみ尤度計算を行なえばよい。ところで尤度計算を行な
うに当たり、（１）式のＰ （Ｄｉ、／Ｗｉ ）が必要
である。
を示したもので、まず、入力音声を音素認識した後、認
識音素系列と辞書音素系列の尤度計算を行ない、かつ最
大尤度を与える２音素系列の最適マツチング経路を記録
する。この場合、入力音声がどの単語を発声したもので
あるかはわかっているので、その単語の辞書音素系列と
のみ尤度計算を行なえばよい。ところで尤度計算を行な
うに当たり、（１）式のＰ （Ｄｉ、／Ｗｉ ）が必要
である。
これは′ＣＭ そのものであって、つまり本発明による
Ｃ、Ｍ、作成には種になるＣ 、Ｍ、を必要とする本実
施例の場合、種のＣ，Ｍ は１前に手作業で作成した
Ｃ Ｍ を使用した。次に、を度計算結果を検定する。
Ｃ、Ｍ、作成には種になるＣ 、Ｍ、を必要とする本実
施例の場合、種のＣ，Ｍ は１前に手作業で作成した
Ｃ Ｍ を使用した。次に、を度計算結果を検定する。
即ち、尤度が予め定められたスレッシュホールドより小
さい場合には 入力音声が不良、あるいは異常であるも
のとみなし、データを棄却する。尤度がスレッシュホー
ル１より大きい場合には、前ステップで求められ六ノ
よマツチング経路に基づき、辞書の各音素が（ｊ］
二ｌｌｉ識されたか、あるいは脱落したか、あるいｔ７
．とこに音素が付加したかを記録し、これを積算す２７
９以上のプロセスを全ての入力音声データにつｌ／）’
Ｃ繰り返し、積算された音素認識結果より音素認識確率
を計算して新しいＣＭ、を作成する。でき上がったＣＭ
は、見掛は土は従来のＣ，Ｍ と同形であシ、第３図
の如きものである。
さい場合には 入力音声が不良、あるいは異常であるも
のとみなし、データを棄却する。尤度がスレッシュホー
ル１より大きい場合には、前ステップで求められ六ノ
よマツチング経路に基づき、辞書の各音素が（ｊ］
二ｌｌｉ識されたか、あるいは脱落したか、あるいｔ７
．とこに音素が付加したかを記録し、これを積算す２７
９以上のプロセスを全ての入力音声データにつｌ／）’
Ｃ繰り返し、積算された音素認識結果より音素認識確率
を計算して新しいＣＭ、を作成する。でき上がったＣＭ
は、見掛は土は従来のＣ，Ｍ と同形であシ、第３図
の如きものである。
本実施例における認識音素系列と辞書音素系列の最適マ
ツチング経路を見出す方法を、例を用いて説明する。第
２図は、「ウペ」という単語のマ、チングの様子を示し
たものであるが、辞書音素系列はＵＢＥであり、両端の
÷は語境界を示す。
ツチング経路を見出す方法を、例を用いて説明する。第
２図は、「ウペ」という単語のマ、チングの様子を示し
たものであるが、辞書音素系列はＵＢＥであり、両端の
÷は語境界を示す。
このとき、この単語の音素認識結果はＮＵＰＡであり、
両端の＋は語境界を示す。折線りはｔＪＢＥとＮＵＰＡ
の最適マツチング経路であるが、この経路の求め方を述
べる。始点からＤＰ（ダイナミックゾログラミング）を
用いて各音素のす・ｊ応点毎に、次々に尤度の途中経過
を計算する。このとき、始点から辞書音素系列中の音素
Ｄｉ（ｌ−１，２，・・・、■）と認識音素系列中の音
素Ｗ、（ｊ＝１．２．・・・、Ｊ）が対応するｉ−ｊ点
のＤＰ計算における尤度の途中経過値（以下、Ｐｉ、と
する）が確定する度に、そのＰｉｊを与えるｉ−ｊ点に
至る経路の直前の点を記録する。第２図の例でいえば、
例えばｉ＝２゜ｊ＝３（Ｂ−Ｐ点）における尤度途中値
Ｐ２３が確定したならば、その値Ｐ２３が得られた経路
の直前の点は当然確定している。つまシこの場合は、ｉ
＝１ 、ｊ＝２の点が直前の点であることがわかるから
、経路を記録するためのマ） ＩＪクスを用意しておき
、そのマトリクスのｉ＝２．ｊ＝３の部分に、その点に
至る直前の点はｉ−１，ｊ−２であると記録する。この
操作を後の語境界まで続ければ、音素系列どうしの尤度
計算終了後、終点から逆向きに最適マツチング経路をた
どることができる。最適マツチング経路が求まれば、そ
の経路子で、各音素毎の認識の様子を調べてカウントす
るのであるが、第２図の例の場合は、語頭のＵの直前に
Ｎが付加され、ＵがＵ、ＢがＰ、ＥがＡと認識されたも
の各１個ということになる。
両端の＋は語境界を示す。折線りはｔＪＢＥとＮＵＰＡ
の最適マツチング経路であるが、この経路の求め方を述
べる。始点からＤＰ（ダイナミックゾログラミング）を
用いて各音素のす・ｊ応点毎に、次々に尤度の途中経過
を計算する。このとき、始点から辞書音素系列中の音素
Ｄｉ（ｌ−１，２，・・・、■）と認識音素系列中の音
素Ｗ、（ｊ＝１．２．・・・、Ｊ）が対応するｉ−ｊ点
のＤＰ計算における尤度の途中経過値（以下、Ｐｉ、と
する）が確定する度に、そのＰｉｊを与えるｉ−ｊ点に
至る経路の直前の点を記録する。第２図の例でいえば、
例えばｉ＝２゜ｊ＝３（Ｂ−Ｐ点）における尤度途中値
Ｐ２３が確定したならば、その値Ｐ２３が得られた経路
の直前の点は当然確定している。つまシこの場合は、ｉ
＝１ 、ｊ＝２の点が直前の点であることがわかるから
、経路を記録するためのマ） ＩＪクスを用意しておき
、そのマトリクスのｉ＝２．ｊ＝３の部分に、その点に
至る直前の点はｉ−１，ｊ−２であると記録する。この
操作を後の語境界まで続ければ、音素系列どうしの尤度
計算終了後、終点から逆向きに最適マツチング経路をた
どることができる。最適マツチング経路が求まれば、そ
の経路子で、各音素毎の認識の様子を調べてカウントす
るのであるが、第２図の例の場合は、語頭のＵの直前に
Ｎが付加され、ＵがＵ、ＢがＰ、ＥがＡと認識されたも
の各１個ということになる。
以上、本発明の方法によれば、５０００語程度０認識音
素系列データより、３０分程度（音素認識に要する時間
を除く）の短時間で新Ｃ，Ｍ、を作成することができ、
従来に比べて大幅な時間短縮が可能になる。そして、こ
のＣ，Ｍ、は、特定の偏りを持った単語群や話者を対象
とする場合、その対象に対して最適なパターンを具備す
るものであるから、標準的Ｃ，Ｍ を使用する従来方
法に比較して、極めて確度の高い単語音声認識を行なう
ことができる利点を有するものであ・る。
素系列データより、３０分程度（音素認識に要する時間
を除く）の短時間で新Ｃ，Ｍ、を作成することができ、
従来に比べて大幅な時間短縮が可能になる。そして、こ
のＣ，Ｍ、は、特定の偏りを持った単語群や話者を対象
とする場合、その対象に対して最適なパターンを具備す
るものであるから、標準的Ｃ，Ｍ を使用する従来方
法に比較して、極めて確度の高い単語音声認識を行なう
ことができる利点を有するものであ・る。
第１図は、単語音声認識アルゴリズムの概略図、第２図
は、辞書音素系列と認識音素系列の最適マツチング経路
図、第３図は、Ｃ，Ｍ の−例を示す図、第４図は、
本発明の一実施例におけるＣＭ、作成アルゴリズムの概
略図である。 第１図 第２図 ＄ＵＢＥａ ４１１４１４未 第３図
は、辞書音素系列と認識音素系列の最適マツチング経路
図、第３図は、Ｃ，Ｍ の−例を示す図、第４図は、
本発明の一実施例におけるＣＭ、作成アルゴリズムの概
略図である。 第１図 第２図 ＄ＵＢＥａ ４１１４１４未 第３図
Claims (2)
- （１） 予め正解のわかっている単語音声データの音
素認識結果である認識音素系列と、該認識音素系列に対
応する単語辞書中の単語の辞書音素系列とを、予め作成
しておいた種となるコンフユージョンマ） ＩＪクスを
用いて照合し、前記認識音素系列と辞書音素系列の尤度
が最大となるような音素系列の最適マツチング経路を見
出して各音素毎の識別頻度を求め、それを累計して新コ
ンフユーノヨン７トリクスを作成し、この新コンフユー
ジヨンマトリクスを使用して音声認識方法なうことを特
徴とする単語音声認識方法。 - （２）前記新コンフユージヨンマトリクスの作成におい
て、前記認識音素系列と辞書音素系列の尤度計算結果が
予め定められたスレッシ−ホールド値より小さい場合は
、入力音声の不良とみなし、そのデータをコンフユージ
ヨンマトリクスの作成に利用せずに棄却することを特徴
とする特許請求の範囲第（１）項記載の単語音声認識方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57010873A JPS58129497A (ja) | 1982-01-28 | 1982-01-28 | 単語音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57010873A JPS58129497A (ja) | 1982-01-28 | 1982-01-28 | 単語音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS58129497A true JPS58129497A (ja) | 1983-08-02 |
| JPS6310438B2 JPS6310438B2 (ja) | 1988-03-07 |
Family
ID=11762448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP57010873A Granted JPS58129497A (ja) | 1982-01-28 | 1982-01-28 | 単語音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS58129497A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6146995A (ja) * | 1984-08-11 | 1986-03-07 | 富士通株式会社 | 音声認識システム |
| JPS61147299A (ja) * | 1984-12-20 | 1986-07-04 | 松下電器産業株式会社 | 音声認識装置 |
-
1982
- 1982-01-28 JP JP57010873A patent/JPS58129497A/ja active Granted
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6146995A (ja) * | 1984-08-11 | 1986-03-07 | 富士通株式会社 | 音声認識システム |
| JPS61147299A (ja) * | 1984-12-20 | 1986-07-04 | 松下電器産業株式会社 | 音声認識装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6310438B2 (ja) | 1988-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE3876379T2 (de) | Automatische bestimmung von kennzeichen und markov-wortmodellen in einem spracherkennungssystem. | |
| US4819271A (en) | Constructing Markov model word baseforms from multiple utterances by concatenating model sequences for word segments | |
| US7756710B2 (en) | Method and apparatus for error correction in speech recognition applications | |
| US5072452A (en) | Automatic determination of labels and Markov word models in a speech recognition system | |
| EP0241768B1 (en) | Synthesizing word baseforms used in speech recognition | |
| JP2002533789A (ja) | 自動音声認識システムにおけるｎベストリストに用いる知識ベース戦略 | |
| EP0573553A1 (en) | Method for recognizing speech using linguistically-motivated hidden markov models | |
| JPH0372989B2 (ja) | ||
| JPS62231995A (ja) | 音声認識方法 | |
| EP0535929A2 (en) | Speech recognition system | |
| TWI241555B (en) | Device and method for recognizing consecutive speech, and program recording medium | |
| JPS58129497A (ja) | 単語音声認識方法 | |
| US20050049873A1 (en) | Dynamic ranges for viterbi calculations | |
| Rosenberg et al. | Recognition of spoken spelled names for directory assistance using speaker-independent templates | |
| EP0202534B1 (en) | Continuous word recognition system | |
| JP3353334B2 (ja) | 音声認識装置 | |
| JPS6147999A (ja) | 音声認識装置 | |
| JP3818154B2 (ja) | 音声認識方法 | |
| Seman et al. | Hybrid methods of Brandt’s generalised likelihood ratio and short-term energy for Malay word speech segmentation | |
| JPS615300A (ja) | 学習機能付音声入力装置 | |
| JPS60149096A (ja) | 単語音声認識方法 | |
| JPH06348291A (ja) | 単語音声認識方法 | |
| Cremelie et al. | A single pass heuristic search for segmental speech recognizers | |
| JPS6155680B2 (ja) | ||
| JPS636599A (ja) | 単語予備選択方式 |