JPS5852696A - 音声認識装置 - Google Patents

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。

Description

【発明の詳細な説明】 本発明は、人間の音声によって入力された言語データを
単音節ごとに判断して対応する文字データを得るための
音声認識装置に関する。

このような音声認識装置としては、従来からコンピュー
タ音用い、入力された音声から各音節ごとの特徴データ
を抽出し、これ全あらかじめ用意しであるそれぞれの音
節ごとの標準特徴データと比較して音声の認識を行なう
装置が主として採用されていた。

そして、このときの特徴データの抽出方式としては、例
えば以下に示すよう力種々の方式のものが使用されてい
た。

１．線形予ｄ４Ｉｊ係数又はＰ　Ａ、　ＲＣＯＲ係数方
式。

２、本文差波解析方式。

３、周波数スペクトラム方式。

４、第１７オルマント抽出方式。

５、無音期間の後に続く高周波成分による方式。

６、振幅による方式。

ところで、これらの方式を用いて音声の特徴データの抽
出を行ない、音声認識を行なってみると、各方式には音
節の種類により得手、不得手があり、単音節全構成する
音素の特徴を良く現わす方式とそうでない方式とに別れ
、音声認識結果の認識率にも音節の種類によって差があ
ることが判る。

そして、一般に、日本語を対象とした場合、音声中の音
素とその特徴データを良好に抽出する方式との対応は、
例えば第１表に示すようになっている。

従って、従来の音声認識装置においては、音節の種類に
よっては充分な認識結果が得られないという欠点があっ
た。

本発明の目的は、上記した従来技術の欠点全線き、必要
とする音節のすべてにわたって充分に高い認識結果が得
られるように１〜た音声認識装Ｗを提供するにある。

この目的を達成するため、本発明は、入力された音声の
各音節ごとに複数の異なった方式によるｔ＋Ｉ徴データ
の抽出全行ない、これによって得た複数の認識結果の総
合的な評価によυ装置全体としての認識結果を得るよう
にし、それぞれの特徴データ抽出方式ごとの得手、不得
手全相互に補い、成る方式による認識結果がその方式に
おいて得手とする音節に対するものであったときには、
その認識結果金高い信頼度のもとで評価し、反対に不得
手な音節に対するものであったときには低い信頼度のも
とて評価するようにした点全特徴とする。

以下、本発明による音声認識装置全実施例によって説明
する。

」二記したように、本発明においては、複数の異々つた
特徴データ抽出方式による音声認識全入力される音声の
単音節ごとに行なう必要があり、これを１台のプロセッ
サで行方わせようとすれば認識時間が長時間化シフ、入
力音声の実時間処理が困難になり、さらに処理動作が極
めて高速度の高価なプロセッサと入力音声會蓄えておく
ための記憶装置などが必要になるため、著しくコストア
ップ全招きやすい。

そこで、以下に示す本発明の実施例においては、それぞ
れの異なった特徴データ抽出方式による音声認識処理装
置をそれぞれ専用に設け、各方式による認識処理を並列
に実行させることにより、比較的低速のプロセッサ、例
えばマイクロプロセッサを用いても充分に頬い時間で認
識処理が行々えるようにしてコストダウンを可ｎ目に（
〜ている。また、この実施例においては、上記した複数
の音声認識処理装置によって得た複数の認識結果全総合
的に評価し、本発明による音声認識装置全体と１２での
最終的なｇ識結果を得るための処理装置にも専用のプロ
セッサが用いられており、いわゆるマルチプロセッサ構
成となっている。そして、この結果、各プロセッサに必
要なソフトウェアの単純化が可能になっている。

さて、第１図は本発明の一実施例を示すブロック図で、
■はマイクロホンと増幅器などからなる音声信号入力部
、２は線形予測係数方１式（又はＰＡＲＣＯＲ係数方式
）の認識プロセッサ、３は本文差波分析方式の認識プロ
セッサ、４は周波数スペクトラム方式の認識プロセッサ
、５は第］フオルマント抽出方式の認識プロセッサ、６
は振幅方式の認識プロセッサ、７は無音期間に続く高周
波成分方式の認識プロセッサ、８は評価プロセッサであ
る。

各方式の認識プロセッサ２〜７け音声信号入力部１から
の信号全共通に取入れ、認識結果をそれぞれ評価プ１１
セツザ８に通知する。

評価プロセッサ８は各認識プロセッサ２〜７がらの認識
結果をそれぞれ評価し、この装置全体としての認識結果
（以下、これ全最終認識結果という）を算出する。才だ
、この評価プロセッサ８は、それぞれの認識プロセッサ
２〜７の動作全制御し、さらに外部装置との情報交換も
受持っている。

従って、音声信号入力部】と各認識プロセッサ２〜７と
の間はアナログ信号回線で結ばれ、これら認識プロセッ
サ２〜７と評価プロセッサ８との間はデジタル通信回線
で結ばれている。

次に、第２図はそれぞれの認識プロセッサ２〜７の一実
施例で、１０はそれぞれの特徴データ抽出方式による特
徴抽出用ハードウェア、１１はマ用のメモリ、１３は音
声辞書メモＩＪ、１４けプログラムメモリ、１５は通信
回線、１６は内部バス（Ｂ　Ｕ　Ｓ　という）である。

ハードウェア１０はそれぞれの特徴データ抽出方式に応
じて構成され、入力されたアナログ音声。

信号をその方式にしたがって特徴抽出処理してからディ
ジタル化して出力する。

ＣＰＵＩＩＵプログラムメモリ１４に格納されている音
声認識プログラムにｌ〜たがって所定の処理を行なう。

音声辞書メモリ１３には入力される音声信号として予定
されている各音節の音声見本よυ得た各音節に対応する
特徴データ、即ち、標準データが格納されている。

通信回路１５は第１図に示した評価プロセッサ８との間
で情報交換を行なうためのハードウェアである。なお、
作業用メモリ１２、内部バス１６などは通常のマイクロ
コンピュータと同じであるから説明は省略する。

従って、この第２図に示した装置は内部バス１６で結合
されて全体で第１図に示したそれぞれの認識プロセッサ
２〜７全形成し、音声信号が入力されるとその各音節ご
とにそれぞれの方式にしたがった特徴データの抽出全行
ない、それ全辞書メモリ１３から読出した標準データと
比較して認識結果を得るようにＣＰＵＩ　１による処理
が行なわれることになる。

また、第３図は第１図における評価プロセッサ８の一実
施例で、２０は通信回線、２１はマイクロプロセッサ（
ＣＰＵ）、２２は作業用メモリ、２３は信頼度管理テー
ブル、２４はプログラムメモリ、２５は通信回線、２６
は内部バスである。

通信回線２０は第１図及び第２図に示したそれぞれの認
識プロセッサ２〜７との間での情報交換を行なうハード
ウェアであり、同じく通信回線２５け外部装置、例えば
モニタを含むプリンタ、電子植字装置などとの間での情
報交換を行なうハードウェアである。

信頼度管理テーブル２３は各認識プロセッサ２〜７の各
音節ごとの認識結果についての信頼度情報を記録してお
くメモリである。

なお、ＣＰＵ２１、作業用メモリ２２、プログラムメモ
リ２４、内部バス２６などは第２図と同じである。

従って、この第３図に示した装置は内部バス２６で結合
されて全体で第１図に示した評価プロ総合的な評価と全
行々い最終認識結果を外部装置に出力すると共に、この
最終認識結果に対する外部装置からのフィードバック情
報を受は入れ、信頼度管理テーブル２３の内容を更新す
る働き全するＯ また、以上の説明から明らかなように、第１図に示した
本発明の実施例は、全体として複数の認識プロセッサ２
〜７と評価プロセッサ８とを通信回線によって結合した
、いわゆる疎結合マルチプロセッサを形成している。

次に動作について説明する。

既に説明したように、この実施例による音声認識装置ｋ
全体の動作、及び外部装置との間の情報交換は全て評価
プロセッサ８によって行なわれる。

そして、各認識プロセッサ２〜７は評価プロセッサ８か
らの制御命令により動作し、その結果である認識結果全
評価プロセッサ８に送り出す。

このとき、評価プロセッサ８から各認識プロセッサ２〜
７のそれぞれに送られる制御命令とデータは、 １、音声辞書格納命令、及び音声辞書データ、２、音声
辞書作成（更新）命令、及び作成（更新）される音節基
、 ３、音声認識作業開始命令、 ４、音声辞書転送命令、 であり、これに対して各認識プロセッサ２〜７のそれぞ
れから評価プロセッサ８に送られる情報は、上記１〜４
に対応して １、音声辞書格納完了信号、 ２、音声辞書作成（更新）終了信号、 ３、音声認識結果、 となっている。

そこで、笠ず、装置が動作可能な状態に操作されると、
評価プロセッサ８は音声辞書格納命令とそれに続いて外
部の所定のメモリに収容しである音声辞書データを各認
識プロセッサ２〜７に送出し、各認識プロセッサ２〜７
の辞書メモリ１３に認識処理に必要な標準データ會格納
する。そして、辞書メモリ１３に対する標準データの格
納が完了すると、対応する認識プロセッサ２〜７から音
声辞書格納完了信号が評価プロセッサ８に送られる。

そこで、次に、評価プロセッサ８は各認識プロセッサ２
〜７に音声認識作業開始命令を送り、これにより各認識
プロセッサ２〜７はそれぞれの特徴データ抽出方式によ
る音声認識作業を開始し、音声が入力される七それぞれ
の方式による認識結果を得、それらを評価プロセッサ８
に転送する。

一方、オペレータが変ったりして標準データの作成（更
新）が必要になったときには、音声辞書格納命令と音声
辞書データを評価プロセッサ８から各認識プロセッサ２
〜７に送シ出す代りに、音声辞書作成（更新）命令と作
成（更新）される音節名全送り出し、一方、各認識プロ
セッサ２〜７は音声辞書格納完了信号の代りに音声辞書
作成（更新）終了信号を評価プロセッサ８に送り返す。

なお、この音声辞書作成（更新）作業については周知の
とおりに行なえばよいので、説明は省略する。

さて、こうして音声認識処理が開始すると評価プロセッ
サ８には各認識プロセッサ２〜７から６種類の認識結果
が送られてくる。このとき、各認識プロセッサ２〜７か
ら送られてくる認識結果は、日本語を対象とした場合、
その音節Ａ−Ｈの６８種類（だく音、半だ〈音を含めれ
ば１０１種類）のうちのいずれか１音節に対応するもの
となっている０ そこで、評価プロセッサ８は各認識プロセッサ２〜７の
それぞれの認識結果（音節）からその音節に対応する信
頼度ｒｋ信頼度管理テーブル２３から取シ出す。

ここで、信頼度管理テーブル２３に格納されている信頼
度をＲとすれば、 （Ｒ１ｒ　（１，１）、ｒ　（１，２）、ｒ　（１、３
）　−。

ｒ（ａ、１）） ａ−日本語の音節数（１〜６８と々る）、１−認識プロ
セッサの数（この実施例では６である）。

とな９、Ｒの要素数は（ａ　Ｘ　ｉ　）　−（６８Ｘ６
）となる。

そして、ｒ　（ｊ＋　ｋ）は第に番目の認識プロセッサ
の音節をｊとしたときの認識結果が正しいと思われる信
頼度を表わし、 ０　＜ｒ　（ｊ、　ｋ）　Ｓｌ であり、この値が１．０に近いほどその認識結果に対す
る信頼度が高い。

そこで、各認識プロセッサからの認識結果に対する信頼
度をＲｉ　とすれば、 （Ｒｉ　ｌ　ｒ、　（ａ）、ｒ２　（ａ）、ｒ３（ａ）
・・・・・・、ｒｉ（ａ））となり、ｒ４（ａ）は第１
番目の認識プロセッサによる認識結果の音節ａに対する
信頼度を表わし、信頼度Ｒ４の要素数はｉ個となり、第
１図の実施例では６個となる。

また、信頼度ｒ１の属性となる音節の種類は、全ての認
識プロセッサが同じ音節と認識した場合には、全てのａ
の値は同じであるので１種類であり、全ての異なった音
節であると認識したときには１種類になる。

次に、各認識プロセッサ単位の信頼度Ｒｉ　ｋ音節の種
類ごとの信頼度Ｓａｌに変換する。ここでＳａｌ　は、 （Ｓａ　ｅ　ｌ　Ｓａｌ　、　Ｓａ　２．５ａ３−、・
・・・・、　Ｓａｌ但し、ｌは信頼度Ｒ４中に含まれる
音節の種類である。

であり、この変化は次のようにして行なう。

５ａｌ＝［Ｒｉ＝ａ　Ｉ　５ａｌ＝Ｉ　−ｙｒ　Ｃ１−
ｒ４　（ａ）　））　］なお、πは積和を表わす。

そして、信頼度Ｒｉ　中ａという音節を認識結果に持つ
全てのｒｉ（ａ）に対して、１−π（：１　　ｒｉ（ａ
）　）全計算１〜たもの全音節ａに対する信頼度Ｓａと
する。この信頼度Ｓａは信頼度Ｒｉに含壕れる音節付し
て信頼度Ｓａｌとしである。

そこで、評価プロセッサ８はこの信頼度Ｓａｌ’に用い
、認識プロセッサ２〜７から得た認識結果の評価を行な
って最終認識結果を算出する。即ち、最も信頼度の高い
認識結果は、Ｓａｌ中で最大の信頼度５ｒ１１ａＸａ＝
１．４ＡＸ　（Ｓａｌ）”ｉｒ持つ音節ａとなるから、
認識プロセッサ８はこの信頼度ＳｍａＸａを持つ音節全
最終認識結果と１〜で出力する。

こうして、入力された音声信号の一音節に対する認識処
理を完了したら、ついで評価プロセッサ８は再び音声認
識作業開始命令を各認識プロセッサ２〜７に送り、次の
音節の音声信号に対する認識処理に入って動作を続行す
る。

次に、評価プロセッサ８は音声全入力するオペレータが
変ったシ、この音声認識装置が動作を停止させようとし
たときには、各認識プロセッサ２〜７のそれぞれの音声
辞書メモリ１３に格納されている音声辞書と、評価プロ
セッサ８の中に設けられている信頼度管理テーブル２３
に格納されている信頼度とを外部のメモリに待避させる
ように動作する。

そして、このうち音声辞書の待避は評価プロセッサ８か
ら各認識プロセッサ２〜７に音声辞書転送命令を送り、
これに応じて各認識プロセッサ２〜７はその音声辞書メ
モリ１３から音声辞書データを読出して転送することに
より行なわれる。

以上説明したように、この実施例によれば、入力音声信
号の各音節ごとの認識処理をそれぞれ異なった特徴デー
タ抽出方式による専用の認識プロセッサ２〜７で同時に
開始し、並列に行なっているから、比較的低速のＣＰＵ
で構成しても処理時間が永くなる虞れが少なく、シかも
、複数の異なった特徴データ抽出方式による認識結果を
それぞれの方式によって決腫る信頼度を加味して総合的
に評価することによシ最終認識結果を得ているから、特
徴データ抽出方式の相違による音節ごとの得手、不得手
が相互に補われ、充分に高い認識率をもった結果を容易
に得ることができる。

ところで、上記実施例においては、評価プロセッサ８の
信頼度管理テーブル２３に最初に格納すべき信頼度デー
タについては、特に説明しなかったが、これは各特徴デ
ータ抽出方式による認識装置のそれぞれの音節に対する
認識結果の過去の経験や実績に基づいて定めればよい。

しかしながら、このような音声認識装置においては、認
識結果をモニタしてオペレータが判断し、誤った結果が
得られたときには訂正しながら使用されるのが通例であ
り、このような場合には認識結果についての正誤情報を
得ることができる。

そこで、このようなときには、認識結果の正誤情報によ
り信頼度管理テーブル２３に格納すべき信頼度データ全
正誤情報に基づいて更新し、装置の使用を続行するにつ
れてさらに高い認識率が得られるようにすること′がで
き、以下、この点についての一実施例について説明する
。

まず、上記した信頼度Ｒは、原理的に次のように定義で
きる。

ｒ　（ａ、　ｉ）　−”−虹（２）−〇ｎ（ａ、ｉ）　
　　　　　　・・・・・・・・・・・・（１）ｎ　（ａ
、　ｉ）　　・・・・・・第１番認識プロセッサが入力
音声音ａと認識した 回数。

ｎｃ　（ａ、　ｉ）・・・・・・第１番認識プロセッサ
が入力音声音ａと認識し、 それが正しかった回数。

そして、信頼度Ｒの更新は次のようにして行なうように
する。

１、第１番認識プロセッサの認識結果が、外部からの正
誤情報によシ正しかったと判断されたときには（１）式
の分母と分子に共に１を加えとする。

２、同じく、正しくなかったと判断されたときには（１
）式の分母にだけ１を加え とする。

しかｌ−ながら、この更新方法では、ｎとｎｅの値を順
次そのまま保存しておかなくてはならず、しかも、これ
らｎ、ｎｃの値は装置の使用回数に伴なって際限なく大
きく々るから処理に具合が悪い。

そこで、この実施例では、現時点での信頼度Ｒだけから
更新後の信頼度Ｒ’ｔ−算出するようにした。

笠ず、現時点での信頼度Ｒが現時点よりｍ回前笠での認
識結果からの信頼度全反映り一でいると仮定すれば、 ｎ　（ａ　＋　１　）　＝ｍ ｎｃ　（ａ、　ｉ）　＝ｍＸｒ　（ａ＋　ｉ）となる。

次に、更新後の信頼度Ｒ′に更新したことにょ９（ｍ＋
１）回前になってしまう認識結果が正しい答であったか
誤りであったかを信頼度Ｒの値から以下のようにして決
定する。

まず、ｒａｎｄ　（ｘ）　ｋ　Ｏ，Ｏ〜１．０の値をと
る一様乱数とし、もしも、ｒ　（ａ、　ｉ）≧ｒａｎｄ
（ｘ）ならば更新した結果（ｍ＋１）回前になってしま
う結果を正しいものとみなし、次の式によって更新全行
なう。

ｍＸｒ　（ａ、１）−１＋β ｒ’（ａ、ｉ）−□ ここで、βは第１番認識プロセッサの今回の認識結果ａ
が正しかったとき１に、そして誤まっていたときにはＯ
になる数である。

腫だ、ｒ　（ａ、　ｉ）　＜　ｒａｎｄ　（ｘ）となっ
たときには更新した結果、（ｍ＋１）回前と寿つてしま
う認識結果は誤りであったものとみなし、 によって更新を行なうようにする。

こうして信頼度ｒ（ａ、ｉ）の更新を全ての認識プロセ
ッサ２〜６の信頼度管理テーブル２３に格納しであるデ
ータについて行なえば、信頼度Ｒの更新を容易に行かう
ことができ、上記実施例の音声認識装置における最終認
識結果の認識率をその使用回数の増加とともにさらに改
善することができるＯ 以上説明したように、本発明によれば、複数の異なった
音声特徴データ抽出方法による認識結果を総合的に評価
して最終的な認識結果を得るようにしたから、それぞれ
の抽出方式における音節ごとの得手、不得手が相互に補
われて充分に正しい認識結果が得られることになり、従
来技術の欠点を除き、入力された音声において必要とす
る音節の全てについて常に充分に高い認識率を保って動
作することの可能な音声認識装置を提供することができ
る。

【図面の簡単な説明】

第１図は本発明による音声認識装置の一実施例を示すブ
ロック図、第２図は認識プロセッサの一実施例を示すブ
ロック図、第３図は評価プロセッサの一実施例を示すブ
ロック図である。 １・・・・・・音声信号入力部、２〜７・・・・・・そ
れぞれ異なった特徴抽出方式による認識プロセッサ、８
・・・・・・評価プロセッサ。

Claims (1)

1. 【特許請求の範囲】 （］）音声信号から抽出した各音節ごとの特徴データを
   標準データと比較して音声認識を行なう方式の音声認識
   装置において、少くとも２種類の異なった特徴データ抽
   出方式によシ音声認識を行なって複数の認識結果を得る
   ようにした音声認識手段と、これら複数の認識結果全入
   力とする総合評価手段とを設け、複数の認識結果の総合
   評価による認識率の高い音声認識結果が得られるように
   構成したことを特徴とする音声認識装置。 （２、特許請求の範囲第１項において、それぞれ専用の
   音声認識プロセッサ金偏え独立して音声認識処理動作が
   可能が少くとも２系統の音声認識手段を設け、異った複
   数の特徴データ抽出方式による音声認識処理動作全単音
   節ごとに同時に開始して上記複数の認識結果を得るよう
   に構成したこと全特徴とする音声認識装置。 （３）特許請求の範囲第１項又は第２項において、上記
   複数の認識結果のそれぞれに対応し、それぞれの認識結
   果の正誤に応じて順次更新されてゆく複数の信頼度係数
   全算出する手段を設け、上記評価手段を、これら複数の
   信頼度係数のそれぞれを対応する上記複数の認識結果の
   それぞれに加味した上で総合的に評価する手段で構成し
   たことを特徴とする音声認識装置。