JPS60202499A - 単語音声認識方法 - 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】 （産業上の利用分野） 本発明は、入力音声と、音素表記された単語辞書を照合
して単語を認識する単語音声認識方法に関するものであ
る。

ｒす） （従来例の構成とその問題点） 第１図は従来の単語音声認識方法の一例及び本発明の単
語音声認識方法の実施例を実行するための装置の機能ブ
ロック図である。従来例を第１図。

第２図及び第３図により説明する。第１図においてＪは
入力音声から・やラメータの時系列を作成する・母うメ
ータ抽出部、２は音素標準パタンを照合して、音素の確
率密度を算出する確率密度計算部、３は音素毎のセグメ
ンテーション、尤度計算、単語類似度計算を行う単語認
識部である。また、４は各音素毎の各種パラメータにお
ける分布を各音素毎の平均値（μｉ）、及び各種パラメ
ータ間の共分散行列（Σｉ）の形で表した音素標準・ぐ
タンを記憶する音素標準・ぐタン部、５は認識すべき全
単語を音素単位の記号列で表記した単語辞書が記憶され
ている単語辞書部である。その単語辞書は、「アサヒ」
、「チカイ」、「チタイ」等はｒＡｓＡＨＩＪ、ｒＣＩ
ＫＡＩＪ、ｒＣＩＴＡＩＪ等と表記されている。

次に、上記従来例の動作について説明する。

パラメータ抽出部において、入力音素を１０ｍ５のフレ
ーム毎に分析し、パラメータを抽出してパラメータ時系
列を作成する。確率密度計算部２において、フレーム毎
に得られたパラメータと、音素標準・ぐターンを照合し
、音素の確率密度を算出する。つぎに、単語認識部３に
おいて各辞書項目毎にその辞書項目を構成する辞書音素
系列に従って、１音素毎に音素のセグメンテーションを
行い、下記０式に従い、その音素とその音素に対応して
セグメンテーションされた区間の尤度を計算し、その辞
書項目における各音素の尤度の平均として類似度をめる
。ここでその音素をＸとし、Ｘに対応してセグメンテー
ションされた区間の始端と終端のフレーム扁をＮ８．　
Ｎ、とし、第ｎフレームにおける各パラメータの値をＣ
とすると、音素のの尤度ｔＸを■式で定義する。

φｉはある音素ｉの確率密度を表わし、■式のように定
義される。

Ｃｎ：第ｎフレームにおける５個のｉ４ラメータ（ベク
トル） μｉ＝ある音素ｉのパラメータの平均値（ベクトル）Σ
ｉ：共分散行列 ■式において、確率密度の割り算における分母のサメン
ションｉの範囲は、音素Ｘが何であるかによって異なり
、例えばＸが音素Ａ（７）の時は、ｌの範囲は５母音Ａ
、Ｅ、Ｉ、Ｏ，Ｕとしている。以上により、得られる単
語類似度ＬＭを０式に従って各辞書項目毎にめ、ＬＭが
最大となる辞書項目をもって認識単語とする。

Ｐ ＬＭ：辞書中のＭ番目の単語の類似度 ｔｋ：辞書音素系列中のに番目の音素の尤度ＮＰ：辞書
音素数 ここで、従来例では辞書音素系列中に子音Ｃ４、無声化
母音又はナマケた発声をし易い母音ｖ１無声（５） 破裂音、Ｃ２の／Ｃ４ｖＣ２／の３連続音素系列がある
場合、上記３連続音素系列／Ｃ１ｖＣ２／の各々の音素
の音素並びに対応して、子音Ｃ１，Ｃ２の確率密度及び
辞書音素系列中において、Ｃ２の次に来る母音の確率密
度を利用して、／Ｃ１ｖＣ２／の３連続音素系列をまと
めてセグメンテーションし、そのセグメンテーションさ
れた区間に対して後述する如く、無声化母音又は＋２ケ
た発声をし易い母音Ｖの尤度値は出にくいために、子音
Ｃ１及びＣ２の確率密度φ。４．φ。、から０式に従っ
て尤度ｔ。＋ＶＣ２を計算する。

Ｍ８．　Ｍ８は／Ｃ１ｖＣ２／ノ３連続音累系列をまと
めてセグメンテーションした区間の始端と終端のフレー
ム屋、残りの記号は■式に準する。

第２図は／ＣＩ　ＫＡ　Ｉ／（チカイ）と発声した場合
の各音素／ｃ／　、　／Ｉ／　、　／に／　、　／ｐｖ
／　、　／Ｉ／の確率密度の時間変化を表わしている。

第２図において、／Ｃ／の次の音素／■／は無声化して
いるため（６） ／Ｖの区間（ｂ　−ｃ　）において／Ｉ／の確率密度φ
。

はほとんどＯであり、／Ｃ／の確率密度φ。が区間（ａ
−ｃ）において優勢である。またＮの確率密度φえは（
Ｃ）から次の音素／Ａ／の始まる（ｄ）まで優勢である
。従って区間（ａ−ｄ）を／Ｃ／　、　／Ｉ／　。

ＩＫＩを１つにまとめた３連続音素系列／ＣＩ　Ｋ／の
セグメンテーション区間とし、区間（ａ　−ｄ　）に対
してφ。、φヤの値を用いて■式に従って尤度ｔＣＩＫ
をめると０式のようになる。

第３図は／ＣＩＴＡＩ／と発声した場合の各音素／Ｃ／
　、　／Ｉ／　、　／Ｔ／　、　／Ａ／　、　／Ｉ／の
時間変化を表わしている。この場合、／Ｃ／とＡ／に挾
まれた／Ｉ／は無声化しているため、第２図の場合と同
様に／■／の確率密度φ□はほとんど０であり、／Ｃ／
の確率密度φ。が区間ＣＰ３−ｇ）において優勢である
。

また／Ｖの確率密度φ７は（ｇ）から／Ｖの始まる（ｈ
）まで優勢である。従って区間（ｅ　−ｈ　）を／Ｃ／
　、　／Ｉ／　、　／Ｔ／を１つにまとめた音素系列／
ＣＩ　Ｔ／のセグメンテーション区間とし、区間（ｅ−
ｈ）に対してφ。、φ７の値を用いて■式に従って尤度
ｔＣＩＴを■式のように計算するのであるが、 ■式に従って、３連続音素系列のセグメンテーション区
間に対して尤度をめる際、第２図及び第３図を見てわか
るように、セグメンテーション区間（ａ　−ａ　）又は
（ｅ−ｈ）に対して、無声破裂子音の区間（Ｃ−ａ）又
は（ｇ−ｈ）の占める割合は小さく、また破裂直前の無
音部分（（イー口）又は（ハーニ））の各音素の確率密
度（φ　、φＫ 又はφ。、φＴ）の値は小さく波を打って不安定である
ため、実際に尤度計算に寄与する区間は、区間（ｃ−ｄ
）又は（ｇ−ｈ）よりも短くなる。

一方、セグメンテーション区間（ａ−ｄ）又は（ｅ−ｈ
）に対して、上記３連続音素系列中の第１番目の音素で
ある／Ｃ／の区間の占める割合は大きいために■式のよ
うにセグメンテーション区間（ａ　−ｄ）又は（Ｑ−ｄ
）に対して、３連続音素系列中の第１番目の子音Ｃ４の
確率密度φ。１及び無声破裂音Ｃ２の確率密度φ。２の
優勢な部分が占める割合を考慮せず尤度計算を行なうと
、入力単語／ＣＩＴＡＩ／におけるセグメンテーション
区間（ｅ−ｈ）に対して、３連続音素系列／ＣＩ　Ｔ／
を対応させた時得られる尤度ｔ。１Ｔと／ＣＩ　Ｋ／を
対応させた時得られる尤度ｔ、□との差が非常に小さく
なるため単語／ＣＩＴＡＩ／と／ＣＩＫＡＩ１０識別が
困難になシ、上記従来例においては、子音、無声化母音
又はナマケた発声をする母音及び無声破裂音の３連続音
素系列を含む単語は誤認識し易い欠点があった。

（発明の目的） 本発明は、上記従来例の欠点を除去するものであり、尤
度計算の精度を向上させ、それにより単語認識率を向上
させるととを目的とする。

（発明の構成） 本発明は、上記目的を達成するために、子音、無声化母
音又は発声のナマヶた母音、無声破裂音（９） の３連続音素系列をまとめてセグメンテーションし、尤
度計算を行なう際、そのセグメンテーションされた区間
内で、無声破裂音の破裂直前の無音部分を検出し、検出
した無音部分より前の区間に対して、上記３連続音素系
列中の第１番目の子音を対応させて、その区間と各音素
の標準バタンとの距離をめ、またその無音部分より後の
区間に対して、無声破裂音を対応させて、その区間と各
音素の標準・リンとの距離をめ上記２つの距離　。

をもとにそのセグメンテーションされた区間に対する尤
度を計算することにより、尤度計算の精度を向上させる
ものである。

以下に本発明の一実施例の構成について図面と（実施例
の説明） ともに説明する。実施例の基本構成は第１図と同様であ
る。また第１図において、音素標準バタン部４、単語辞
書部５も従来例と同様である。またノ母うメータ抽出部
１により得られる・ぐラメータ時系列も従来例と同様で
ある。

次に本発明の実施例の動作について説明する。

（１０） 先ず、・ぐラメータ抽出部１において、入力音声からフ
レーム毎の・ぐラメータを得、さらに、そのパラメータ
の値を使って確率密度計算部２において、各音素標準・
ぐタンから得られる確率密度を計算する。そして、単語
認識部３において、各辞書項目毎にその辞書項目を構成
する辞書音素系列に従って音素Ｘのセグメンテーション
を行ない、その音素Ｘとその音素Ｘに対応してセグメン
テーションされた区間の尤度ｔｘを計算する際に、子音
Ｃ４、発声のナマケた母音Ｖ及び無声破裂音Ｃ２の／Ｃ
１ｖＣ２／の並びにおいて、各音素の種類及びその音素
並びに対応して、各々の音素の確率密度の値を利用して
、上記３連続音素系列をまとめてセグメンテーションし
、そのセグメンテーションされた区間に対して尤度ｔ。

Ｉ　ＶＯ２を計算する。ここまでは前記従来例と同様で
ある。ここで尤度ｔ。Ｉ　ＶＯ２を計算する際に、その
セグメンテーションされた区間に対して無声破裂音Ｃ２
の破裂直前の無音部分を検出し、セグメンテーションさ
れた区間において、検出した無音部分より前の区間を、
第１番目の子音Ｃ１が対応する区間、無音部分よシ後ろ
の区間を、無声破裂音Ｃ２が対応する区間とし、各々の
区間に対応して゛、Ｃ１の尤度ｔｃ１及びＣ２の尤度ｌ
。２をめ０式に従いそのセグメンテーションされた区間
に対して尤度ｔＣＩＶＣ２をめる。

第３図において、／ＣＩＴ／のセグメンテーション区間
（ｅ　−ｈ　）に対して尤度ｔＣＩＴをめる際、セグメ
ンテーション区間内において、音声ノ？ワーＰがいき値
Ｔ、より低い部分を検出し、無声破裂音の破裂直前の無
音部分（ハーニ）をめる。次に第１番目の子音Ｃ１が対
応する区間を（ｅ−ハ）、無声破裂音Ｃ２が対応する区
間を（ニーｈ）とし区間（ｅ−ハ）に対応してめた尤度
ｔ。１及び区間に−ｈ）に対応してめた尤度ｔ。２をも
とに、セグメンテーション区間（ｅ−ｈ）の尤度ｔＣＩ
Ｔをめる。

上記のような尤度計算法を用いることによシ、／Ｃ／に
対応する尤度と／Ｔ／又は／に／に対する尤度の全体の
尤度に対する寄与度が対等となるから単語／ＣＩＴＡＩ
／の／ＣＩ　Ｔ／のセグメンテーション区間に対し３連
続音素／ＣＩ　Ｔ／を対応させた尤度ｔＣＩＴと、／Ｃ
Ｉ　Ｋ／を対応させた尤度ｔＣＩＫとの間の点数差は拡
がり単語／ＣＩＴＡＩ／と／ＣＩＫＡＩ／の識別が容易
に々る。

（１３） 上記実施例においては、子音、無声化母音又は発声のナ
マケた母音及び無声破裂音の３連続音素系列の尤度を精
度良くめることができる利点がある。

（発明の効果） 本発明は、上記のように子音、無声化母音又は発声のナ
マケた母音、無声破裂音の３連続音素系列をまとめてセ
グメンテーションし、そのセグメンテーションされた区
間に対して尤度をめる際、そのセグメンテーションされ
た区間内で、無声破裂音の破裂直前の無音部分を検出し
、検出した無音部分よシ前の区間に対して、上記３連続
音素系列中の第１番目の子音を対応させて、その区間と
各音素の標準バタンとの距離をめ、またその無音部分よ
り後ろの区間に対して、無声破裂音を対応させて、その
区間と各音素の標準・ぐタンとの距離の上記２つの距離
をもとに、そのセグメンテーションされた区間に対する
尤度を計算することによシ、従来法に比べ精度良く尤度
計算を行なうことができる利点を有する。

（１４）

【図面の簡単な説明】

第１図は従来及び本発明の一実施例における単語音声認
識方法を説明するための図、第２図は、／ＣＩＫＡＩ／
と発声した場合の各音素／Ｃ／　、　／Ｉ／　。 ／Ｉ＆　、　／Ａ／、　／Ｉ／の確率密度φ。、φ１．
φ１．φ。。 φ１及び音声パワーＰの時間変化を表わす図、第３図は
／ＣＩＴＡＩ／と発声した場合の各音素／Ｃ／。 ／Ｉ／　、　／Ｔ／　、　／Ａ／　、　／Ｉ／の確率密
度φ。、φ１．φ７゜φ６．φ１及び音声・ぐワーＰの
時間変化を表わす図である。 １・・・パラメータ抽出部、２・・・確率密度計算部、
３・・・単語認識部、４・・・音素標準・ぐタン部、５
・・・単語辞書部。 （１５） 第１図

Claims (2)

【特許請求の範囲】
1. （１）入力音声を単語辞書の各辞書項目と照合し１、各
   辞書項目を構成する辞書音素系列に従い各音素毎に入力
   音声をセグメンテーションし、セグメンテーションされ
   た音声の区間に対して、各音素の標準・クタンとそのセ
   グメンテーションされた音声の区間との距離を用いて各
   辞書項目と入力音声の類似度をめて単語を認識する単語
   音声認識方法において、子音、無声化母音又は発声のナ
   マケた母音及び無声破裂音の３連続音素系列については
   、上記３連続音素系列をまとめてセグメンテーションヲ
   行ない、そのセグメンテーションされた区間に対して尤
   度をめる際に、そのセグメンテーションされた区間内に
   おける無声破裂音の破裂直前の無音部分を検出し、検出
   された無音部分より前の区間に対して、上記３連続音素
   系列中の第１番（１） 目の子音を対応させて、その区間と各音素の標準・ぐタ
   ンとの距離をめ、また、その無音部分より後ろの区間に
   対して、無声破裂音を対応させて、その区間と各音素の
   標準バタンとの距離をめ、上記２つの距離を用いて、３
   連続音素系列をまとめてセグメンテーションされた区間
   に対する尤度を計算することを特徴とする単語音声認識
   方法。
2. （２）各音素の標準バタンとして、各音素の音響・やラ
   メータの分布形で表わされた標準・やタンを用い、各音
   素の標準・ぐタンとその音素に対応する音声の区間との
   距離尺度として、セグメンテーションされた音声の区間
   がその音素から生成される確率密度を用いたことを特徴
   とする特許請求の範囲第（１］項記載の単語音声認識方
   法。