JPS6052440B2

JPS6052440B2 - 音声認識装置

Info

Publication number: JPS6052440B2
Application number: JP51042463A
Authority: JP
Inventors: 和男中田; 明雄末広
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1976-04-16
Filing date: 1976-04-16
Publication date: 1985-11-19
Also published as: JPS52127007A

Description

【発明の詳細な説明】本発明は音声認識または話者認識の改良に関するもの、
とくにその過程を２段にして認識結果を確実なものにす
るものである。

計算機の利用および音声応答装置（計算機での処理結果
を音声の形で出力する装置）の発達により、電話機を端
末とする情報サービスシステムが実用化されはじめた。

その場合、次の理由によつて音声認識および話者認識が
必要とされる。１）情報の入力手段としてＰＢ（押しボ
タン）電１−−れ、Ｌ゛ｎＴ）一扛４４Ｉｋ＾妙１ψ
（日本では）まだ低く、またそれに代るキー・ボード音
響結合機も認可されていない。

そのため通常の回転ダイヤル式電話機を用いる大部分の
端末（ことーー般家庭）では音声によるしか情報の入力
手段がない。一音声認識の必要性（２）金銭の授受をと
もなつたり個人の秘密に属する情報サービス（会員制の
商品販売、勝馬投票、預金の残高照合など）においては
、端末のユーザが会員（または特定の個人）であるかど
うか、その情報を提供している人であるかどうかの確認
が必要である。一話者認識の必要性現在の音声認識の技
術レベルから判断して、実時間でほぼ確実（９９％以上
の認識率）に認識できるのは単独、特定話者の数字音１
０種類程度であり、それ以外はかなり認識率が低下する
ものと考えなければならない。また話者認識においても
登録話者の登録音声と同じ発話内容の音声については可
成り確実に識別（同定）できるが、他の条件では誤りが
増すものと考えなければならない。さらに電話回線をへ
ての音声が対象であることを考慮すると回線特性の効果
と変化によつて正しい認識はさらに困難になるものと考
えなければならない。本発明はこのような困難な状況の
もとで音声または話者を正しく認識しようとするときの
改良手段を提供するものである。

発明の内容をわかりやすくするために具体例をあげて説
明する。

具体例として銀行の預金残高照会（問合せ）を考える。

このサービスを受けようとするユーザは銀行によつて予
じめ設定されている特定の電話番号をダイヤルすること
によつてその銀行の残高照会センターに接続される。回
線の接続が達成されると、センターの計算機からの指令
により、音声応答からたとえば１あなたの通帳番号をい
つて下さいョと指示があり、ユーザーは電話機にむかつ
て自分の通帳番号（ある桁数の数字音）を話す。センタ
ーではこの音声から数字を認識して番号を決定し、セン
ターのフアイルと照合してその預金の残高を通知する。
このままのシステムでは番号さえ正しく認識されれば端
末のユーザーを確認することなく残高を報告することに
なり、番号だけがキーとなるＦｒｅｅａｃｃｅｓｓのシ
ステムとなる。個人や企業の秘密からいつて、特定の個
人（たとえばその預金の所有者または管理の責任者）以
外にはその内容を知られたくないという要求は当然あり
うるし、ユーザの希望によつてはこのような秘密保持の
機能を持たなければこのシステムは実用化されない。そ
のためには、先の数字音声そのものから話者を認識する
か、改めて個人同定用の入力たとえば氏名などを要求し
、それにもとづいて話者確認を行うことになる。このと
き、第１回目のキーである預金番号の認識結果を利用し
て第２回目の認識（話者の同定）の対象を限定し、有効
な確認を効率的に行うことができる。

このシステムで第１に問題になることは、第１回目の数
字認識がどの程度正しく行なわれるかである。

この認識に当つては話者をあらかじめ知ることはできな
いから認識の精度はおちると考えなければならない。た
しかに話者は登録話者の１人であると仮定することはで
きるから、そのすべてと照合して認識結果を出すという
ことは原理的には可能である。しかし実際は登録者の数
が多く、時間的に困難である。そこで少くとも第１回目
の認識にはかなりの誤りがありうると仮定しなければな
らない。認識の結果の確度が低いとき、これをすべてＲ
ｅｊｅｃｔとして受けつけないことにするとＲｅｊｅｃ
ｔ率が高くなりすぎて非実用的なシステムとなつてしま
う。一方誤りを含んだままそれを正解とすれは他の預金
の残高を教えてしまうことになり望ましくない。

そこで、本発明では各桁ごとに認識の確からしさ（左度
）を算出しておき、そのｋ度（確からしさ）が一定の値
（あらかじめ設定する）以上となる数字をすべて候補と
して予備登録し、そのあとでそれについて再確認の処理
を行う。いまＮ桁の番号が預金通帳番号として指定され
ており、その各桁に左度力化きい値値上となる数字の数
がＭｌ９ｍ２９゜゜９ｍｉ９値゜゜゜ｍＮ個あつたとす
れば（Ｍｊ、く１０，ｊ＝１，２，・・，Ｎ）候補数字
列の数は、Ｍ＝．〃Ｍ，となりこれは１デにくらべて十
分小さい。

１＝１再確認の手法は、（１）ｉ桁目の数字がＩである（候補数字の中の１つ
）と仮定して、その特徴を入力パタンの中にさがして再
確認をとる。

再確認できなければＩではないとする。（２）ｉ桁目
数字がＩであると仮定して、別の特徴抽出手段による特
徴で認識を行いその結果とＩを比較し、等しくなければ
Ｉてはないとする。

（３）仮想番号（Ｍ通りの中の１つ）の個人の登録数字
音フアイルからその人の登録数字音パタンをよみだして
入力と比較、照合して再確認する。などの各種の手法が
考えられる。

ただし（３）の手法をとるためには個人別の預金番号音
声の登録フアイル（音声パタン）が必要であるが、もつ
とも確実な確認の手段といえる。このような２段階の確
認ののちに番号の最終決定をおこない、ユーザーに確認
を求めるために音声応答で送出する。

ユーザーはその結果をきいて「ハイ／イイエョまたはＲ
ｙｅｓ／ＮＯｊの入力を行つて次の処理に進む。確認す
べき数字列の個数は各数字毎にＭコであるから全体とし
てＮ−Ｍコとなるが、各桁毎に順次正しい結果（もつと
も確からしい数字）１つにしぼられてくるから、全体と
してのＣｈｅｃｋ個数は、Ｍｌｍ２ｌｌｌｍＮ＋Ｍ２ｍ
３ｌ●●●●ＭＮ＋ｅ●●●●●＋●●●●◆●＋ＭＮ
＝Ｍ（１＋１／ｍ１＋１／Ｍｌｍ２＋・・・・・・＋１
／Ｍｌｎｌ２ＩＯＩＯｌｍＮ−１）く？となる。

さらに、上記（１）または｛２）の手法をまず適用して
候補個数をさらにしぼり（たとえば各桁ごとに２つ以内
）そのあとて（３｝の手法を適用することにすれば、全
パタンとしての照合回数を減少させることができる（Ｍ
そのものを小さくすることができる）。

また各桁ごとに斉度の高いものの組み合せから処理すれ
は正解に達する手続きを確率的にさらに減少させること
もできる。以上の考え方を流れ図の形で第１図に示す。

以下本発明の内容を第２図のプロツク図にもとづいて説
明する。端末ユーザー１からＵまでは電話機１１，１２
・・・１Ｕを介して情報案内センター１００と接続され
ている。

端末ユーザー１がセンターの電話番号で電話することに
よつて電話機１１は交換器２を介してセンターとの間に
回線が接続され情報の送受が可能な状態となる。回線が
接続されると、制御装置３と音声フアイル４とからなる
音声応答装置２００から１こちらは００銀行残高問い合
せセンターです。あなたの預金通帳番号をいつて下さい
ョという指令が電話機１１へ出力される。ユーザーはこ
れを聞いて預金通帳番号、たとえばＲｌ２３４５Ｊ（イ
チ・ニ一・サン●ヨン◆ゴ）を発声する。この音声はＡ
／Ｄ変換されデイジタル情報としてバツフアメモリ一５
に記憶される。この内容はまず（数字）音声認識装置６
によつて認識され、そのとき認識結果の数字列７とその
認識の確かさを示す左度系列８が出力されバツフアメモ
リ９と１０に記憶される。このとき７の出力は各桁につ
いてただ１つとは限らず左度があらかじめ設定されてい
るしきい値以上のものすべてがその左・度値とともに出
力される。この予備認識の結果は各桁毎にん度の大きい
ものから順次よみ出されてバツフア１１に順次記憶され
る。

これに対応して大略その部分に相応する入力情報がスイ
ツチ１２を介して特徴抽出装置１３に導びかれ、抽出さ
れた特徴バラメータはバッフア１４に一時記憶される、
この特徴は対応する１次認識結果の数字という仮定のも
とに確認用のＣｈｅｃｋが行なわれ、その結果がバツフ
ア１５に出力される。その結果が否定的であれば次の左
度の数字としてのＣｈｅｃｋが行なわれる。確認が０．
Ｋとなればその認識結果は１１からバツフア１６に記憶
される。全桁についてこの再確認処理がおわると数字列
として比較的少数のものに限定される。

認識候補が少ない場合には全桁について再確認処理をお
こなわなくても、少数の数字列に限定することができる
。（このとき任意の桁で十分の確度をもつて確認される
ものがなければこの段階でＲｅｊｅｃｔされ、音声応答
によつて０もう一度番号をいつて下さいョと出力する）
この少数の候捕番号列に対してその仮定番号をもつ個人
の番号音声が音声番号フアイル１７からよみ出した制御
回路１８をへてよみ出され、スイツチ１２をへて入力さ
れる現実の入力音声と比較回路１９で比較照合され、そ
の結果があらかじめ設定されている類似度以上となれば
、しきい値回路２０から正解として出力され、音声応答
の制御部３に送られる。

その結果１あなたの預金通帳番号は１２３４５ですねョ
という確認用のメツセージとして音声で端末のユーザー
に送出される。

端末ユーザーはこれをきいて正しければし〜イョと答え
、この応答が（数字）認識装置６によつて認識されて次
の処理、たとえば話者の確認へとすすむ。この説明では
仮定番号（候補番号）は全体の左度の大きいものから順
次比較照度されるとしたから、類似度がしきい値以上の
ものがあれば、そこで比較を打ち切つて正確とするとし
た。

しかし全候補について類似度を計算し、その最大値を与
えるものを正確とするような処置も可能である。なおこ
こでは数字音の認識そのもの、特徴抽出“そのもの、類
似度の計算そのものについては具体的に説明しないが、
それらはすでに公知のものが多数ありそのいずれを用い
てもよい。たとえば数字音認識のやり方としては自己相
関係数列を特徴列としてＤＰ（ダイナミツク・プロ−グ
ラミング）の手法によつて標準パタンとマツチングをと
る方法とか偏自己相関係数列を特徴列として各数字音と
しての左度マトリツクスから最大左度を与える標準パタ
ンの数字音として認識する方法などがある。

また比較のための特徴抽出法とノしては音声波形のスペ
クトル分析によるスペクトルまたはボルマンドパタンな
どが考えられる。類似度としては入力と標準との間の内
積（正規格相関係数）がとられる。以上説明したように
本発明によれば、現実の困難な状況下における音声の認
識を、一般的な条件下での標準的な処理によつて、確か
さの高いいくつかの候補にしぼり、その仮想結果によつ
て想定される特殊条件下で限定的な比較照合認識を行う
という２段階の処理を行うことによつて、認識の精度を
あげかつ全体を時間的に高速に（効果的に）実行するこ
とが可能になり、各種情報案内サービスを実用化するう
えで大きな効果があるといえる。

【図面の簡単な説明】

第１図は本発明の考え方の説明のための流れ図、第２図
は本発明の実施例のプロツク図である。

Claims

【特許請求の範囲】

１入力される複数個の音声パタンを順次標準パタンと
照合することにより所定尤度以上の認識候補を各音声パ
タン毎に選択する音声認識手段と、上記音声認識手段か
ら所定の音声パタン毎に認識候補を尤度の高い順に出力
する手段と、上記複数個の音声パタンの特徴を抽出する
特徴抽出手段と、上記音声パタンの認識候補の正否を該
音声パタンに対応する上記特徴抽出手段の出力に基づい
て確認する手段とを有し、上記所定のパタンについて上
記認識候補の限定を行うことにより上記入力される複数
個の音声パタンを認識することを特徴とする音声認識装
置。