JPS6069697A - 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】 産業上の利用分野 本発明は不特定話者を対象とした音声認識装置に関する
。

バ景技術とその問題点 音声認識においては、特定話者に対するＩｉ語認識によ
るものがずでに実用化されている。これは認識対象とす
る全゛Ｃの単語について特定話者にこれらを発音させ、
バンドパスフィルタバンク等によりその音響パラメータ
を検出して記憶（登録）し°ζおく。そして特定話者が
発声したときその音響パラメータを検出し、登録された
各単語の音響パラメータと比較し、これらが一致したと
きその単語であるとの認識を行う。

このような装置において、話者の発声の時間軸が登録時
と異なっている場合には、一定時間（５〜２０ｍ５ｅｃ
）毎に抽出される音響パラメータの時系列を伸縮して時
間軸を整合させる。これによって発声速度の変動に対処
させるようにしζいる。

ところがこの装置の場合、認識対象とする全ての単語に
ついてそのｌｉ詔の全体の音響パラメータをあらかじめ
登録格納しておかなければならず、膨大な記憶容量と演
算を必要とする。このため認識語い数に限界があった。

これに対して音韻（日本語でいえばローマ文表記したと
きのＡ、Ｉ、Ｕ、Ｅ、Ｏ，’に、Ｓ、Ｔ等）あるいは音
節（ＫＡ、　Ｋｌ、　Ｋｌｌ等）単位での認識を行うこ
とが提案されている。しかしこの場合に、母音等の準定
常部を有する音韻の認識は容易であっても、破裂音（Ｋ
、Ｔ、Ｐ等）のように音韻的特徴が非常に短いものを音
響パラメータのみで一つの音韻に特定することは極めて
困難である。

さらに不特定話者を認１対象とした場合には、音響パラ
メータに個人差による大きな分散があり、上述のように
時間軸の整合だけでは認識を行うことができない。そこ
で例えば一つの単語について複数の音響パラメータを登
録して近似の音響パラメータを認識する方法や、単語全
体を固定次元のパラメータに変換し、識別函数によって
判別する方法が提案されζいるが、いずれも膨大な記憶
容９を必要としたり、演Ｗ量が多く、認識語い数が極め
て少くなってしまう。

ところで音韻の発声現象を観察すると、母音や摩擦音（
Ｓ、Ｈ等）等の音韻は長く伸して発声することができる
。例えば“はい”という発声を考えた場合に、この音韻
Ｃよ第１図Ａに示すように、１無音−Ｈ−Ａ−１−・無
音」に変化する。これに対して同じ“はい”の発声を第
１図Ｂのように行うこともできる。ここでＨ，Ａ、Ｉの
準定常部の長さは発声ごとに変化し、これによって時間
軸の変動を生じる。ところがこの場合に、各音韻間の過
渡部＜　ｇ＋＋線で示す）は比較的時間軸の変動が少い
ことが判明した。

そこで本願発明者は先にこの点に着目し゛ζ以−トのよ
うな装置を提案した。

第２図において、マイクロフォン（１）に供給された音
声信号がマイクアンプ（２）、５．５ｋｌｌｚ１２２’
Ｆのローパスフィルタ（３）を通じてＡＤ変換回路（４
）に供給される。またクロック発生器（５）からの１２
．５ｋｔｌｚ（８０μｓｅｃ間隔）のサンプリングクロ
ックがＡＤ変換回路（４）に供給され、このタイミング
で音声信号がそれぞれ所定ビット数（＝１ワード）のデ
ジタル信号に変換される。

このデジタル信号が、周波数分析用のバンドパスフィル
タ（６１）、（６２）・・・　（６３０）に供給され、
人間の聴覚特性に合せた周波数メルスケールに応じて例
えば３０の帯域に分割される。この分割された各帯域の
信号がエンファシス回路（７１）、（７２）・・・　（
７３０）に供給され、人間の聴覚特性に合せた面域増強
が行われる。このイ、１号が絶対値回路（８Ｉ）、（８
２）・・・（８３ｎ）に供給されて一極性とされ、平均
値回路（９１）、（９２）・・・　（９ｓｏ）に（」（
給されて信号の包絡線が取り出される。

こよによって例えば５．１２ｍ５ｅｃ間の２５６ワード
のデジタル信号が、音響的特徴を保存したまま３０ワー
ドに圧縮される。

この信号が対数回路（１０１）、（１０２）　・・・（
＋０３０）に（ｊ（給され、各信号の対数値に変換され
る。これによって−上述のエンファシス回路（７１）、
（７２）・・・　（７３ｏ）でのｖｔｈ付は等による冗
長度が排除される。ここで、例えばＴの時間長に含まれ
るｎ４個のサンプリングデータによっ°ζ表される波形
函数を Ｕｎ　ｆ　Ｔ（ｔ）　’　・−＋１１ としたとき、これを周波数分析して、対数を取った対数
パワースペクトル １ｏｇｌ　Ｏｎ　ｆ　Ｔ＜＋＞　ｌ　８　ｏ　３　（２
１をスペクトルパラメータＸ巾（ｉ＝ｏ、１・・・２９
）と称する。

ごのスペクトルパラメータＸ　（＋）が１ｉｌｌｔ　ｌ
）ｋ的フーリエ変換（Ｔ）　Ｆ　Ｔ）　ｌｒ＋ｌｌ／Ｒ
（１１）に供給される。ごごでこのＤＦＴＨ路（１１）
におい°（、例えば分割された帯域の数をＭとすると、
このＭ次元スペクトルパラメータＸ＋ｉ＋　（ｉ　−０
，１・＝　Ｍ−１）を２Ｍ−１点の実数対称パラメータ
とみなして２Ｍ−２点のＤ　Ｆ　Ｔを行う。従って ｍ＝０．１．＝　２Ｍ−３ となる。さらにこのＤ　Ｆ　Ｔを行う函数は偶函数とみ
なされるため ト」 となり、これらより となる。このＤＦＴによりスペクトルの包絡特性を表現
１−る音＠’パラメータが抽出される。

このようにしてＤＦＴされたスペクトラムパラメータＸ
（１）について、Ｏ〜Ｐ−１（例えばＰ＝８）次までの
Ｐ次元の値を取り出し、これをローカルパラメータＬ−
（Ｐ）　（ｐ−０＋１・・・Ｐ−１）とするととなり、
ここでスペクトルパラメータが対称であることを名慮し
て ｘ＋＋）’　ｘ　（２Ｍ−ｉ−２） とおくと、ローカルパラメータＬ　（Ｐ）は但し、ｐ＝
０．１・・・　Ｐ−１ えば８）ワードに圧縮される。

この１′：１−カルパラメータＬ　（Ｐ）がメモリ装置
（１２）に供給される。このメモリ装置（１２）は１行
Ｐワードの記憶部が例えば１６行マトリクス状に配され
たもので、ローカルパラメータＬ　（Ｐ）が各次元ごと
に順次記憶されると共に、上述のクロック発生器（５）
からの５．１２ｍ５ｅｃ間隔のフレームクロックが（１
給されて、各行のパラメータが舶自炊方向ヘシフトされ
る。これによってメモリ装ｗ（１４）には５、１２ｍ　
ｓｅｃ間隔のＰ次元のローカルパラメータＬ　（Ｐ）が
１６フレーム（８１，９２ｍ５ｅｃ　）分記憶され、フ
レームクロックごとに順次新しいパラメータに更新され
る。

さらに音声過渡点検出回路（２０）が以）のように構成
される。すなわち平均値回路（９１）〜（９３０）から
のそれぞれの帯域の信号の量に応じた信号Ｖ（ｎ＋（ｎ
＝Ｑ、ｌ・・・２９）がバイアス伺き対数回路（２１ｚ
）、（２１２）　・・・（２１３０）に供給されて ｖ　七ｍ−ｌｏｇ（Ｖ＋ｎ＋　一番−３）　・−−＋７
１が形成される。また信号Ｖ　（ｎ）が累算平均回路（
２２）に供給されて ０ が形成され、この信号Ｖａが対数回路（２１Ｘ）に供給
されて ｖ’ａ−ｌｏｇ　（ｖａ＋Ｂ）　・・・（８）が形成さ
れる。そし”ζごれらの信号が演算回路（２３）に４１
（給されて Ｖ（ｎ）−ｖａ−ｖ（ｎ）°°°（９）が形成される。

ごごで上述のような信号Ｖ　（ｎ）を用いることにより
、この信号は音韻から音韻への変化に対して斉次（ｎ　
−”　（１，ｉ・・・２９）の変化が同程度となり、音
韻の種類による変化甲のばらつきを回避できる。また対
数をとり演算を行って正規化パラメータＶ　ｆｎ）を形
成したことにより、人力音声のレベルの変化によるパラ
メータＶ　（ｎ）の変動が排除される。さらにバイアス
１３を加算して演算を行ったことにより、仮りにＢ−＋
■とするとパラメータＶ　（ｎ）＝　Ｏとなることから
明らかなように、人力音声の微少成分（ノイズ等）に対
する感度を一トげろことができる。

このパラメータＶ　（１１１がメモリ装置（２４）に供
給されて鵠→−１（例えば９）フレーム分が記憶される
。この記憶された信号が演Ｗ回路（２５）に（１（給さ
れて 但し　ＧＰＩ−（１；　ｗ　＋　ｔ≦■≦ｗ　＋　ｔ　
ｌが形成され、この信号とパラメータＶ　（ＩＩ＋が演
算回路（２６）に供給されて ・・・　（１１） が形成される。このＴ（が過渡点検出パラメータであっ
て、このＴｔがピーク’１１１別回路（２７）に供給さ
れて、入力音声信号の音韻の過渡点が検出される。

ここでパラメータＴｊが、フレームｔを挾んで＋ｉｉｔ
後ｗ　−）　ｌ／−ムー４゛っで定義されζいるので、
不要な凹凸や多極を１１ニジるおそれがない。なお第３
し１は例えば゛ゼロ゛という発声を、サンプリング周波
数１２．５ｋｌｌｚ　、１２ヒツトデジタルデータとし
、フレーム周期−５，１２ｍ　ｓｅｃ　、帯域数Ｎ−３
０、バイアスＢ＝０、検出フレーム数２ｗ＋　１−９で
上述の検出を行った場合をポしている。図中Ａは音声波
形、１３は音ｆｉｌｌ、Ｃは検出信月であって、「無音
−Ｚ」ＩＺ−Ｆ、ｊ　ｌ　Ｆ、−ＲＪ　Ｉ　Ｒ−Ｏｊ　
ｌ’Ｏ−無音」の各過渡部で１ｊｊ−）Ｙなビークを発
／−１する。ここで無音部にノイスによる多少の凹凸が
形成されるがこれはバイアスＢを大きくすることにより
破線図示のよ・うに略（）になる。

この過渡点検出信号ｉ”　（ｔ＋がメモリ装置（１２）
にイ」（給され、この検出信号のタイミングに相当する
「Ｊ−カルパラメータ１．、　（Ｐ）が８番目の行にシ
フトされた時点でメモリ装置（１２）の読み出しが行わ
れる。ごごＣメモリ装置（１２）の読み出しは、各次元
Ｐごとに１６フレ一ム分の信号が横方向に読み出される
。そして読め出された信号がＤＦＴ回路（１３）に供給
される。

この回路０３）において＋ｊ４Ｓと同様にＤ　Ｆ　Ｔが
行われ、音響パラメータの時系列変化の包絡へ・着１１
が抽出される。このＤＦＴされた信υの内から０〜Ｑ−
１（例えばＱ−３）次までのＱ次ノしの値を取り出す。

ごのｌ）　Ｆ　Ｔを各次元■）ご、とに行い、全体でＰ
ＸＱ（−２４）ワードの過渡点パラメータに＋ｐ、ｑ＋
）　（ｐ−０，１・・・Ｐ−１）　（ｑ　＝０．ｌ・・
・Ｑ−１）が形成される。ここで、Ｋ　（ｏ、　ｏ＋は
音声波形のパワーを表現しているので、パワー１１−現
化のためｐ−Ｏのときにｑ＝１−Ｑとしてもよい。

ずなわぢ第４図において、Ａのような入力１１声信号（
ＨＡＩ）に対してＢのよ・）な過渡点が検出されζいる
場合に、この信号の全体のパワースペクトルはＣのよう
になっている。そして例えば１−Ｈ−ＡＪの過渡点のバ
ワースベクＩ−ルが１〕のようであったとすると、この
信月−がコーンファシスされてＥのようになり、メルス
ケールでＩＩＥ　ｔｉ？ｉされてＦのようになる。この
信号がＤＦＴされてＧのようになり、Ｈのように前後の
１６フレ一ム分がマトリックスされ、この信号力＜ｌｌ
口次時間軸も方向にＤＦＴされて過渡点パラメータＫ　
（Ｐ、　９）が形成される。

この過渡点パラメータＫ　（ｐ、　ｑ）がマハラノビス
距離算出回ＩＭ（Ｍ）に供給されると共に、メモリ装置
（１５）からのクラスタ糸数が回路（１４）に供給され
て各クラスタ系数とのマハラノビス距離が算出される。

ここでクラスタ糸数は複数の話者の発音から上述吉同様
に過渡点パラメータを抽出し、これを音韻の内容に応じ
゛（分類し統計解析して得られたものである。

そしてこの算出されたマハラノビス距離が判定量１１　
（１６）　に供給され、検出された過渡点が何の音韻か
ら何の音ｆｆＪ１への過渡点であるかが判定され、出力
端子（１７）に取り出される。

すなわち例えば“はい”いいえ″０（ゼロ）へ・“９　
（キュウ）′の１２ｍ語について、あらかじめ多数（白
人以−１−）の話者の音声を前述の装置に供給し、過渡
点を検出し過渡点パラメータを抽出する。この過渡点パ
ラメータを例えば第５図にボずようなテーブルに分１０
し、この公知（クラスタ）ごとに統計解析する。図中＊
ば無音を丞す。

これらの過渡点パラメータについて、任意のサンプルヲ
Ｒ昌’＋　（ｒ　”’　１＋　２・・・２４）　（ａは
クラスタ指標で例えばａ−１は＊−Ｈ，ａ　＝−２はｌ
−１−Ａに対応する。ｎは話者番号）として、共分散マ
トリクス Ｅはアンサンプル平均 を計数し、この逆マトリクス Ｂ同一（Ａ沈）“ｔ、Ｓ　・・・　（１３）をめる。

ここで任意の過渡点パラメータＫｒとクラスタａとの距
離が、マハラノビス距離 ９ （Ｋｒ　−Ｒｑゝ）　・・・（１４） でめられる。

従ってメモリ装置（１５）に上述のＢ　ｐｄ及びＲ％ｉ
ｌｌをめ′（記＋ＱＩ、（おくごとにより、マハラノビ
ス距離算出回１／ｇ（１４）にて入力音声の過渡点パラ
メータとのマハラノヒス距離が算出される。

これによって回路（１４）　’から人力音声の過渡点ご
とに各クラスタとの最少距離と過渡点の順位が取り出さ
れる。これらが判定回路（１６）に供給され、入力音声
が無音になった時点におい”Ｃ認識判定を行う。例えば
各単語ごとに、各過渡点パラメータとクラスタとの最少
距離の］Ｉ／方根の平均値による単語距離をめる。なお
過渡点の一部脱落を考慮して各１Ｊｌ　ｊ＊は脱落を想
定した複数のタイプについて単語距離をめる。ただし過
渡点の順位関係がテーブルと異なっているものはリジェ
クトする。そしてこの単語距離が最少になる単語を認識
′１１１定する。

このようにして音声認識が行われるわけであるが、この
装置によれば音声の過渡点の音韻の変化を検出し′Ｃい
るので、時間軸の変動がなく、不特定話者についても良
好な認識を行うことができる。

また過渡点において上述のようなパラメータの抽出を行
ったごとにより、一つの過渡！ｊλを例えば２４次元で
認識することができ、認識を極めて容易かつ１ト確に行
うことができる。

なお上述の装置において１２０名の話者にて学習を行い
、この１２０名以外の話者にて十述の１２単語について
実験を行−２た結果、９８．２％の平均認識率が得られ
た。

さらに十述の例で“はい”のｌ’　Ｈ→Ａ」と“８（ハ
チ）”のＪ’　Ｈ−Ａ　、１は同じクラスタに分類１′
１Ｊ能である。従って認識すべき耳ｄ角の音韻数をαと
してα０２個のクラスタをあらかじめ計算し゛ζクラス
タ係数をメモリ装置１ｆｆｉ（１５）に記憶させて才昌
１ば、種々の単語の認識に適用でき、多くの語いの認識
を容易に行うことができる。

ところがこの装置において、エンファシス回路（７１）
〜（７３ｏ）はそれぞれ所定の定数を乗算するものであ
って、乗算器が必要とされる。この場合にデジタルの乗
算器は構成が複雑であり、このような乗算器を各帯域ご
とに設けることは回路構成上好ましくない。またコンピ
ュータを用いてソフトウェアで処理“」−る場合にも多
くの複雑な演算が必要となり、問題ｅあった。

またｌ−述の装置において、入力音声信号に含まれるノ
イズ成分がパラメータの精度を劣化させ、これによゲＣ
、＋Ｅ、　６７ｆな認識が行えない場合が多くある。そ
の場合に、例えば入力端にてノイズ量を評価してノイズ
の除去を行うと、周波数帯域にかかわらず一率に除去が
行われることになり、ノイズの周波数特Ｐ］゛によ−、
では一部の帯域で必要以上に信号成分が除去されてしま
うおそれがあった。

発明のｔ−＝ｔ　ｒｌ’＝１ 本発明はこのような点にかんがみ、簡単な構成で良好な
音声認識が行えるようにするものである。

発明の概！粉 本発明は、人力音声信号を周波数分析して上記人力音声
信号の特徴を抽出するようにした音声認識装置′におい
て、上記人力音声信号の無音部を検出し、−上記、周波
数分析後の各：ｉＩＶ域の信号にて上記無音部の信号レ
ベルを測定し、この信号レベルをその帯域の信号から減
算してノイズを除去するようにしたことを特徴とする音
声認識装置“ごあって、これによれば簡単な構成で良好
な音ＦＴ認＆籠を行うことができる。

実施例 第６図において、バンドパスフィルタ（６１）〜（６３
０）の前段にエンファシス回路（７）力（６＞　ｃｔら
れる。そしてこのコーンファシス回１／３　＋７１に４
′−；　（１）’て、例えば低域側の１〜１６番の帯域
では信号力＜無？ｉｌｉ　−１ｌＥでバンドパスフィル
タ（６１）〜（６１１；）＆こイｊ（給され、高域側の
１１〜３０番の帯域では信号“差ろ３−１ｒｉ＋１１８
（３］）を通じてバンドパスフィルタ（６１Ｔ）〜（６
３０）に供給される。

このエンファシス回路（７）におむ１て、’ｆ＝４　分
ｌ＋ｉ　ｔＭ（３１）の特性は ｙ（ｎ）−ｘ（ｍ　ｘ（ｎ−１）−′（１５）で現わさ
れ、この式をＺ変換すると Ｙ（ｎ＋＝　（Ｉ　Ｚ−１）Ｘ＋ｎ＋　・・・（１６）
となる。さらにこの回路の伝達関数Ｈ＜ｚ）番まｌ　Ｈ
（Ｚ）　１２＝　ｌ　Ｈ（Ｚ）　・Ｈ（Ｚ−”）　ｌ＝
＋２−２ＣＯ３ωＴ１　・・　（１７）となり、第７図
にンバずように低域側で小、西域側で犬となる特性とな
っζいる。そしてこの伝達関数が１となるのは、角周波
数ωがπ／２となる点ごある。一方十述のメルスケール
で３０の帯域に分；’ｉ’ｌ　した場合に、角周波数の
がπ／２の点は、１６番と１７番の帯域の間になゲごい
る。そこで上述のように１〜１６番の帯域で無補正、１
７〜３０番の帯域で差分とするごとにより、第８図に示
すように人間の聴覚特性に合せた面域増強を行うことが
できる。

またそれぞれの帯域の平均値回路（９１）”・（り３０
）からの信号がノイズ除去回路（３２ｚ）〜（３２ａｏ
　）に供給される。一方ＡＤ変換回路（４）からの信号
が無音状態の検出回路（３３）に供給され、この検出信
号が除去回路（３２１）〜（３２ｓｏ　）にイハ給され
る。そし°（除去回路（３２ｓ　）〜（３２ｓｏ　）に
て、無音状態での信号（ノイズ）が測定され、この平均
値（またはビークイ＾あるいはこれらを演算して得た値
）をスレショルドレベルＮとしテ、入力（ｙｔ　Ｗ　ｘ
かこのレベルＮより小のとき０、大のとき（ｘ−Ｎ）の
信号が出力される。この信号が対数回路（１０１）〜（
１０３０）に供給される。

すなわちノイズ除去回路（３２１）　”・（３２３０）
において、−の帯域の除去回路に第９図Ａにボずような
信号が供給されている場合に、検出回路（３３）にて無
音部が検出され、この部分のイイ号の例えば平均値から
なるスレショルドレベルＮによって第９図Ｂに示すよう
な信号が出力される。そしてこの場合にノイズレベルが
各帯域ごとに測定されており、ノイズの周波数特性に応
じたノイズ除去が行われる。

他は第２図と同様に構成される。

こうしてこの装置において音声認識が行われるわけであ
るが、この装置によれば乗算器を用いずに簡単な差分回
路のみで人間の聴覚特性に合せた良好なエンファシスを
行うことができる。またソフトウェアで処理する場合に
も演算量を少くすることができる。

さらにノイズの周波数特性に応じたノイズ除去を行うこ
とができ、パラメータの精度が極めて向上する。

発明の効果 本発明によれば、簡単な構成で良好な音声認識が行える
ようになった。

【図面の簡単な説明】

第１図は音声の説明のための図、第２図〜第５図は従来
の装置の説明のための図、第６図は本発明の一例の系統
図、第７図〜第９図はその説明のための図である。 （１）はマイクロフォン、（３）はローパスフィルタ、
（４）はＡＤ変換回路、（５）はクロック発生器、（６
）はバンドパスフィルタ、（７）はエンファシス回路、
（８）は絶対値回路、（９）は平均値回路、（Ｉｍは対
数回路、（１１）　、（１３）は離散的フーリエ変換回
路、（１２）。 （１５）はメモリ装置、（１４）はマハラノビス距離算
出回路、（１６）は判定回路、（１７）は出刃端子、（
２０）は過渡点検出回路、（３１）は差分回路、（３２
）はノイズ除去回路、（３３）は無音部検出回路である
。 第５図 ｒ続ネ市、’ｉＥ　Ｍす： 昭和５８年１０月２７０ 昭４１１５８年特許願第１７８６９１号２、発明の名称
　、′４戸１認識装置 ３、捕＋ｌ−を４゛る者 ’＋３（１との関係　特許用１頭人 件　所　東京部品用区北品用６丁目７番３５号名４Ｅ＋
・（２１８）ソニー株式会社 代表取締役　人　負　典　ｔ、１Ｆ ４、代理人 ６、補１１−によりＪ１ｑ加才る発明の数８、補１１−
の内容 ＋１．１　明細書中、第５頁５〜７行１−こよによって
・・・圧縮される。」とあるを削除する。 イ２）　同、第８頁５行１’１６行」とあるを１−８３
行」と訂正する。 （３）同、同頁８行ｌ−５，１２ｍ　ｓｅｃ間隔のフレ
ームクロック」とあるを［０，９６ｍ　ｓｅｃ間隔のク
ロック］と訂正する。 （７Ｉ）　同、同頁１１行ｆ’　５．１２ｍ　ｓｅｃ　
Ｊとあるを［０，９６ｒｎｓｅｃＪと訂正する。 （５）同、同頁１２〜１３行「１６フレーム・・・フレ
ームクロック」とあるを「８３ポインＩ−（７８，７８
ｍ５ｅｃ　）分記憶され、クロック」と訂正する。 （６）同、第１０頁５行及び最下行にそれぞれ１−フレ
ーム」とあるをＦポイント」と訂ｉＥする。 （７）同、第１１頁４〜５行１−フレーム周期」とある
を１−ポイント間隔」と訂正する。 （８）同、同頁１９行及び第１２頁２０行にそれぞれ［
−１６フレーム」とあるをｒＢ３ポイント」と訂正する
。 （９）回向中、第８図を別紙の通り訂正する。 以　−ヒ

Claims (1)

【特許請求の範囲】
1. 人力音声信号を同波数分析して上記入力音声信号の特徴
   を抽出するようにした音声認識装置において、−ト記人
   力音声信号の無音部を検出し、上記周波数分析後の各帯
   域の信号にて上記無音部の信号レベルを測定し、この信
   号レベルをその帯域の信号から減算してノイズを除去す
   るようにしたことを特徴とする音声認識装置。