JPS592040B2 - 音声認織装置 - Google Patents

Description

【発明の詳細な説明】 本発明は、音声認識装置、特に単語音声を音韻や音節等
の単位にセグメント化した後ＤＰマッチングにより各セ
グメントの認識をおこなつて、もとの単語を認識する改
良された音声認識装置に関するものである。

単語音声を認識する一般的な手法として従来から次の２
つがある。

即ち、（ａ）認識の単位として単語を用いる方法。

この方法では標準パターンとして単語そのものを記憶し
ておき、入力パターンと標準パターンとのマツチングに
より認識をおこなう。（ｂ）認識の単位として音韻や音
節など音声を構成している基本的な単位（以下音声単位
と呼ぶ）を用いる方法。

この方法では入力音声を音声単位にセグメント化した後
、各セグメントを認識してもとの単語の認識をおこなう
。またこの方法では音声単位の標準パターン辞書の他に
単語辞書が必要である。上記方法（ａ）は認識対象の語
蘭の数だけ標準パターンが必要であるが、方法（ｂ）で
は音声単位の数だけ標準パターンを用意しておけば、単
語辞書の内容を変更するだけですべての語蘭が認識でき
る。

したがつて認識対象の語粟の変更が多い場合や語蘭数が
多い場合には方決ｂ）が有利である。本発明は上記方法
山）にもとずいた音声認識装置に関するものである。方
法（ｂ）において、音声単位としては、調音結合の影響
を受けにくい安定なものをとつた方がセグメントの認識
がおこないやすいため、音韻を音声単位にとるよりも、
より長い単位を音声単位にとつた方が有利である。

このような方法で単語認識をおこなう手法としては、母
音一子音一母音よりなるＶＣＶ音節を音声単位に用いる
方法が「中津好田ゞＶＣＶ音節を単位とした単語音声の
認識２通信学会パターン認識と学習研究会資料ＰＲＬ７
３６３（１９７３−０９）」において提案されている。
該方法では、セグメント化された各ＶＣＶ音節を認識す
るには時系列パターンとして記憶してあるＶＣＶ音節標
準パターンと入力パターンとを、動的計画法を用いた非
線形マツチング（以下ＤＰマツチングと呼ぶ）を用いて
おこなつている。これは第１図に示すように、標準パタ
ーンと入力パターンとの始点、終点を一致させ、かつ非
線形な伸縮をゆるしてマツチングをおこなうものであり
、音声パターンの時間軸方向の非線形な伸縮を補正し正
しいマツチングがおこなえる利点がある。上記マツチン
グ法は音声認識のための有効な手法の１つである。しか
しながら音声パターンにおいては、母音定常部の伸縮は
大きいが、子音部の伸縮はさほど大きくないという性質
があり、上記従来のマツチング法では、このような変形
を補正するには不十分であるという欠点があつた。たと
えば、音節の標準パターンは通常単独に発声された音節
から作成されるためかなり長い母音定常部を含んでいる
。これに対し、連続音声中の音節は母音定常部をほとん
ど含んでいないことが多い。このように、性質の異なる
夫々のパターンについて端点を一致させたＤＰマツチン
グで対応づける従来の方法ではセグメントの認識に誤り
が生じやすく、したがつて単語の十分正確な認識が困難
であるという欠点があつた。本発明はこれらの欠点を除
去するため、セグメントの認識方法に改良を加え、入力
パターンを標準パターンに対応づける際、端点を必ずし
も一致させず、第２図に示すように入力パターンを標準
パターンの一部に対応づけるＤＰマツチング法を用いる
ことにより、高い認識率の得られる単語認識装置を得る
ことを目的としたものである。

以下図面について詳細に説明する。第３図は本発明の実
施例を示す。

なお、以下の説明においては、入力音声の特徴パラメー
タとしては［板倉、斉藤０統計的手法による音声スペク
トル密度とホルマント周波数の推定７電子通信学会誌（
Ａ）５３−Ａ、１、Ｐ３５（昭４５−０１）」において
提案された最尤スペクトル分析法に基づいて、音声波形
の自己相関係数を抽出する。また標準パターンは、最尤
スペクトルパラメータの形で登録されているものとする
。更に入力と標準パターンとの類似度の尺度としては同
じく上記文献で定義された、自己相関係数と最尤スペク
トルパラメータの積和の対数に負符号をつけた値として
表現される尤度を用いる。また音声単位としては母音一
子音一母音よりなるＶＣＶ音節をとるものとする。第３
図において１は特徴抽出部で、最尤スペクトル分析をお
こない入力音声の特徴抽出をおこなう。２はセグメント
化部であり入力音声をＶＣＶ音節単位にセグメント化す
る。

ここで用いるセグメント化の方法はすでに発表されてい
るものを用いればよく、例えばＶＣＶ音節単位にセグメ
ント化する手法としては「中津、好田ゞ連続音声のセグ
メント化と音韻系列への変換２音響学会音声研究会資料
Ｓ７４−２４（ １９７４−１２）」で提案されている
ものを用いればよい。したがつてここでは詳細は省略す
る。３は制御部であり種種の制御信号を適当な時間に出
すことにより装置の動作を制御する。

ａは認識対象の単語を示す信）．号（又はその単語）で
あり、番号づけされた認識対象の単語を順次指示する。
ｂは信号ａで示された単語のセグメントの番号を示す信
号である。単語ａがｂ（ａ）個のセグメントよりなつて
いるとすると、制御信号（ａ，ｂ）はの順で制御部から
送り出される。

入力音声を認識するには、まずリセツト信号ｒｌ を後
述の単語尤度加算レジスタＴ１に送つた後、信号ａ，ｂ
を後述の単語辞書記憶部５ロ、および後述の読出回路４
２に送る。次に尤度計算開始信号ｓを後述の尤度計算制
御部６０に送り終了信号ｅを受けると信号ａをセグメン
ト尤度最大値選択回路７０に送る。次に別のａ，ｂの組
を単語辞書記憶部５０、および読出回路４２に送る。以
下同じ動作をくりかえし、すべてのａ，ｂの組を送り終
ると終了信号ｚを最大値選択回路８に送る。以上の動作
で１語の認識が終了する。以下各部の動作をくわしく述
ベる。破線でかこまれたブロツク４は入カパターンのバ
ツフアである。入カパターン相関係数バツフア４０には
入力音声が相関係数の時系列＾だし ／ｐｉ＝（ρｏｉ
．／ｐｌ ｉ、・・・・・・・・・／ｐｐｉ ）、ｐ
ｏｌ＝１の形でたくわえられる。

また４１はセグメント化部で抽出されたセグメント境界
のデ一タがたくわえられるレジスタである。４２は読出
回路であり、制御部３からセグメントの番号を示す信号
ｂが送られると、セグメント境界のデ一夕を参照し、該
当するセグメントの相関係数の時系列を出力する。

またバツフア・レジスタ４０の内容をすべて読出した時
点で読出し終了信号ｆを制御部３へ送る。破線５で示さ
れるブロツクは単語辞書およびＶＣＶ音節標準パターン
の記憶部である。

５０は単語辞書記憶部で認識対象の単語がＶＣＶ音節の
系列として記憶されて〜冫る。

例えば／ ａｓａｈｉ ／（朝日）という単語は／ ａ
ｓａ ／、／ ａｈｉ ／という２つのＶＣＶ音節の系
列から構成されているといラ清報が記憶されている。単
語辞書記憶部では制御部から送られる信号ａ，ｂにより
該当するＶＣＶ音節を後述のｖＣＶ音節標準パターン記
憶部５１へ指示する。５１はＶＣＶ音節標準パターン記
憶部であり、認識対象の単語にあらわれるすべてのＶＣ
Ｖ音節の標準パターンが最尤スペクトルパラメ一タの時
系列として記憶されている。

単語辞書記憶部からＶＣＶ音節が指示されると該当する
標準パターンの時系列を出力する。破線６でかこまれた
ブロツク６はセグメント尤度計算部であり、入力音声の
セグメントパターンとＶＣｖ音節標準パターンとの尤度
を計算する。

６０は尤度計算制御部であつて制御部３から計算開始信
号ｓを受け取ると各部へ制御信号を送つて尤度計算の制
御をおこない終ると制御部へ終了信号ｅを送る。

６１は入力のＶＣＶ音節のバツフアであり、読出回路４
２から送られてきた相関係数の時系列をたくわえる。

６２はＶＣＶ音節標準パターンのバツフアであり記憶部
５１から送られてきたｖＣｖ音節標準パターンがたくわ
えられている。

いまバツフア６１にたくわえられた入力の時系列がたク
し ／ｐｉ＝（／ｐｏｉ，．ｐｌｉ）・・・・・・・・
・、／ｐ ｐｉ）、／ｐｏｌ＝１ であり、６２にたく
わえられた標準パターンの時系列がただしＡｊ＝（Ａｏ
ｊ， Ａｌｊ、゜゜゜゜゜゜゜゜゜、Ａｐｊ）であると
する。

６３は尤度計算回路であり、匍［部６０から送られる制
御回路ｉ，ｊにより、入力の″ｉと標準パターンのＡｊ
の尤度※の（１，．ｊ）についてそれぞれ別々のレジス
タにたくわえ、また出力よることができる。

該レジスタ６４はまず制御部６０からのりセツト信号Ｒ
２により内部状態がりセツトされた後、計算回路６３か
ら送られてくる。＊ これは第４図に示す如く、ｌ（１
．ｊ）によつて作られる尤度マトリクス上で第１列から
第ｎ列へ至る尤度和最大のパスを見つけることに相当す
る（この点については第５図を参照して後述する）。

従来この種の方法な（支）式の条件の代りにが用いられ
た。これは第１図に示したように、入力パターンと標準
パターンとを端点を一致させて対応づけることを意味す
る。これに対し本発明の装置においては第２図に示した
様に入力パターンを標準パターンの一部に対応づけるこ
とになるため、ＶＣＶ音節標準パターンが母音定常部を
含んでいるのに対し一方入力パターンが母音定常部を含
んでいない場合でも正しい対応づけがされることになる
。（７）式は次のように漸化式表現を行うことが可能で
ある。

，Ｙ 従つて動的計画演算回路６５は、制御信号１、ｊ
に従つて尤度加算レジスタ６４のレジスタ中から（１−
１、ｊ）、（１−１、ｊ−１）、（１−１、ｊ−２）の
値を読み出し、その最大値をレジスタ（１．ｊ）に加え
る演算をは、入力パターンの時系列がＰ１、Ｐ２、Ｐ３
、／Ｐ４で与えられ、ある１つの標準パターンの時系列
がＡ１、Ａ２Ｃ・・・・・・・・Ａ７で与えられている
ものとして、第５図Ａないし第５図Ｇを参照して説明さ
れる。

上記第（５）式にしたがつた尤度１（１．ｊ）が４Ｘ７
個分計算される。

次いで第１列から第３列に至るパスの尤度和即ち、第５
図Ａ図示の如き２７通りのパスにしたがつて夫々の尤度
和、第５図Ｂ図示の如き２６通りのパスにしたがつた夫
々の尤度和、・・・・・・・・・、第５図Ｇ図示の如き
１通りのパスにしたがつた尤度和を求めて、尤度和が最
大となるパス、例えば第５図Ｂ図示太線の如きパスを見
つける。このようにして１つの標準パターンについて尤
度和が最大となるパスが見つけられるか、この尤度和は
同様に各標準パターンについて見出した尤度和最大のパ
スについての尤度和と比較されてゆく。

破線でかこまれたプロツク７は単語尤度計算部である。
７０はセグメント尤度最大値選択回路であり、制御部３
から信号ａを受け取るとＧ３）式を計算し、結果を後述
の単語尤度加算レジスタ７１の対応するレジスタへ加算
する。

７１は単語尤度加算レジスタであり認識対象の単語の数
だけレジスタを持つ。

そして認識処理の開始時点で制御部３から送られるりセ
ツト信号ｒ１によりりセツトされた後セグメントに尤度
最大値選択回路７０から送られてくる値が上記単語尤度
加算レジスタ７１に加算される。すなわち該レジスタ７
１の各レジスタの値はセグメントごとの尤度の和として
定義された、入力音声と認識対象の各単語との尤度であ
る。入力音声と辞書中の単語ａとの尤度を計算する際、
両者のセグメント数が一致しない場合には入力音声は単
語ａではありえない。したがつて制御部３は単語ａの最
後のセグメントを指示する信号（Ａ．ｂ（ａ））を送り
出した時点で読出し終『信号ｆが送られてくることをチ
エツクしている。それ以外の場合、すなわち信号（Ａ．
ｂ（ａ））を送り出しても信号ｆを受け取らなＸ．娼合
、および信号（Ａ．．ｂ）（ただしｂ＜ｂ（ａ））を送
り出した場合に信号ｆを受け取つた場合には、りセツト
信号Ｒｌｌを送つてレジスタ７１の単語ａに対応するレ
ジスタをクリアする。入力音声と単語辞書中のすべての
単語との尤度が計算され、結果がレジスタ７１にたくわ
えられると制御部３から信号Ｚが送られ、これに応じて
最大値選択回路８が単語尤度加算レジスタ７１のレジス
タの最大値を求め、単語名および最大尤度を認識結果と
して出力する。

以上説明したように本発明は、単語音声を音声単位にセ
グメント化し、各セグメントの認識をおこなつてもとの
単語を認識する音声認識装置において、入力音声中から
抽出されたセグメントと標準パターンのマツチングをお
こなう際、端点を固定せずにＤＰマツチングをおこなう
ことによりセグメントの認識を高い精度でおこない、ひ
いては高い単語認識率を得ることができる利点がある。

なお上記実施例においては音声の特徴パラメータとして
自己相関係数を用いたが、これを他のパラメータにおき
かえても、類似度として別の尺度を採用すれば、本装置
が部分的な変更を施すことにより使用可能であることは
明らかである。また上上実施例において音声単位として
ＶＣ音節を例にとつて説明したが、その他母音一子音よ
りなるＶＣ音節、子音一母音よりなるＣＶ音節等を単位
にとつてもよいことは明らかであり、これらも本発明の
範囲に含まれるものである。

【図面の簡単な説明】

第１図は従来のＤＰマツチングにおける入力パターンと
標準パターンの対応づけの様子を示す説明図、第２図は
本発明において入力パターンと標準パターンの対応づけ
の様子を示す説明図、第３図は本発明の一実施例の構成
を示すプロツク図、第４図は入力パターンと標準パター
ンとのＤＰマツチングをおこなう様子を示す説明図、第
５図ＡないしＧは尤度和最大のパスを見出すためのパス
を説明する説明図を示す。 図中１は特徴抽出部、２はセグメント化部、３は制御部
、４は入カパターンバツフア、４０は入力パターン相関
係数バツフア、４１はセグメント境界レジスタ、４２は
ＶＣＶ音節読出回路、５は辞書記憶部、５０は単語辞書
記憶部、５１はＶＣＶ音節標準パターン記憶部、６はセ
グメント尤度計算部、６０は尤度計算制御部、６１は入
力ＶＣＶ音節バツフア、６２はＶＣ音節標準パタ△ンバ
ツフア、６３は尤度計算回路、６４は尤度加算レジスタ
、６５は動的計画演算回路、ｒは単語尤度計算部、７０
はセグメント尤度最大値選択回路、７１は単語尤度加算
レジスタ、８は最大値選択回路を表わす。

Claims (1)

1. 【特許請求の範囲】 １ 入力音声の特徴パラメータおよびセグメント境界の
   値をたくわえる入力パターンバッファと、認識対象をセ
   グメントの記号列として記憶している単語辞書記憶部お
   よびすべてのセグメントの時系列パターンを記憶してい
   る標準パターン記憶部からなる辞書記憶部と入力音声の
   セグメントと標準パターンのセグメントとのマッチング
   の際に両者の端点を必ずしも一致させずかつ非線形伸縮
   をゆるしてマッチングすることにより上記パターン間の
   類似度を求める機能を有するセグメント類似度計算部と
   、入力音声の各セグメント候補単語の対応する各セグメ
   ントとの類似度の総和を入力音声と候補単語との間の類
   似度として記憶する単語類似度計算部とをそなえ、上記
   類似度の最大値を与える候補単語を認識結果として出力
   することを特徴とする音声認識装置。 ２ 上記セグメント類似度計算部は、入力音声パターン
   の時系列のｎ個のエレメントと標準パターンの時系列の
   ｍ個のエレメントとについて夫々エレメント類似度ｌ（
   ｉ、ｊ）（ｉ＝１、２、・・・・ｎ；ｊ＝１、２、・・
   ・・・・・・・ ｍ）を求める計算回路と、エレメント
   類似度ｌ（１、１）から始まるｎ個のエレメント類似度
   の和、エレメント類似度ｌ（１、２）から始まるｎ個の
   エレメント類似度の和、・・・・・・・・・を求める処
   理回路部とを有することを特徴とする特許請求の範囲第
   １項記載の音声認識装置。 ３ 上記エレメント類似度和を求めるに当つてＶ（１、
   ｊ）＝ｌ（１、ｊ）（ｊ＝１、２、・・・・・ｍ）Ｖ（
   ｉ、ｊ）＝１（ｉ、ｊ）＋ｍａｘ｛Ｖ（ｉ−１）、Ｖ（
   ｉ−１、ｊ−１）、Ｖ（ｉ−１、ｊ−２）｝で定義され
   るＶ（ｉ、ｊ）を求め、エレメント類似度和を得るよう
   にしたことを特徴とする特許請求の範囲第２項記載の音
   声認識装置。