JPS6073696A - 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。

（従来例の構成とその問題点） 第１図は第１の従来例の方法を説明するための図で、そ
の方法を実施する装置の機能ブロック図として示すもの
である。図において、１はパラメータ抽出部、２は確率
密度計算部、３は音素認識部、４は単語認識部、５は音
素標準バタン部、６ハ単語辞書部、７はコンフユージヨ
ンマトリクス部である。音素標準バタン部５には、各音
素の各種パラメータにおける分布を、各音素毎の平均値
、及び各種パラメータ間の共分散行列の形で表わした標
準音素バタンか記憶されており、この標準音素バタンは
予め予備実験等により作成しておくものである。単語辞
書部６には、認識すべき全単語を音素で表記した単語辞
書が記憶されており、その単語辞書は、例えば単語「サ
ノポロ」、「アサヒカワ」は５ＡＱＰＯＲＯ，ＡＳＡＨ
ＩＫＡＷＡ等と表記サレテいるものである。コンフユー
ジョンマ）　ＩＪクス部７には、□辞書の表記に用いら
れる各種音素が実際の音素認識で何と認識されるかの確
率、例えば、ＡがＡと認識される確率は８５％、Ａが０
と認識される確率は７係・・・・・・・・・等の値を示
すコンフユージヨンマトリクスが記憶されておシ、この
コンフユージヨンマトリクスは予め予備実験等により作
成されるものである。

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１は入力音声を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。次
に確率密度計算部２はフレーム毎に、得られたパラメー
タと音素標準バタンを照合し、そのパラメータの値が各
音素から生成される確率密度を算出する。そして、音素
認識部３において、前記算出された確率密度が最大とな
る音素に音素認識され、フレーム毎の音素認識結果と音
素セグメンテーション（入力音声を各音素毎の区間に区
切ること）の結果を組み合わせ、認識音素系列が作成さ
れる。単語認識部４では認識音素系列と単語辞書部６内
の各辞書項目との類似度をコンフユージヨンマトリクス
を用いて計算し、最大類似度となる単語（辞書項目）を
認識単語としていた。なお、確率密度計算部２における
計算は以下の０式による。１つの１フレームにおけるｎ
個のパラメータをベクトルＣで表わす。また、ある音素
Ｘのそれらパラメータにおける平均値をμＸ１共分散行
列をΣＸと表わすと、音素Ｘに対するベクトルｑの確率
密度φＸ（Ｃ）は ・・・・・・・・・■ で表わされる。但し分布形はガウス分布を仮定している
。

しかしながら、上記従来例においては、音素認識を行な
った段階で確率密度の値、すなわち音素認識の確からし
さの情報が失なわれ、その情報が単語認識に反映されな
い（具体的には類似度計算の精度が低い）という欠点が
あった。

次に第２の従来例を第２図とともに述べる。第２図にお
いて、音素標準バタン部１４は、各音素の各種パラメー
タにおける平均値を表わし予め予備実験等により作成さ
れた音素標準パタンを記憶している。パラメータ抽出部
１１及び単語辞書部１５は第１図に示す第１の従来例の
ものと同様である。第２の従来例の動作について説明す
る。先ず第１の従来例と同様にパラメータ抽出部１１で
入力音声のパラメータ時系列を得る。そして距離計算部
１２においてフレーム毎に標準バタントノ間の距離を計
算する。あるフレームにおけるＮ個のパラメータをＣ１
，Ｃ２，・・・・・・・・・ＣＮとし、ある音素Ｘのそ
れらパラメータにおける平均値をμＸｌｌμＸ２゜・・
・・・・・・・μＸＮとすると、そのフレームと音素Ｘ
の標準バタンとの距離ｄｘ（Ｃ１，Ｃ２，・・・・・・
・・・ＣＮ）はで計算される。次に単語認識部１３にお
いて各辞書項目毎に類似度をめるのであるが、この類似
度計算時に、その辞書項目を構成する辞書音素系列に従
って音素のセグメンテーションを行ない、下記０式に従
い、この音素と、その音素に対応してセグメンテーショ
ンされた区間との尤度ｌを計算する。類似度は辞書項目
における各音素の尤度の平均としてめられる。

一５＝ 音素をＸとし、この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、レーム番号をＮｓ、Ｎ８と
し、第ｎフレームにおける各パラメータの値をＣｎ１ｌ
Ｃｎ２１・・・・・・ｃｎＮとして、尤度ｌは下式によ
り計算される。

ここで、距離の割り算における分母のサメンションの１
の範囲は音素Ｘが何であるかにより異なり、例えばＸが
音素Ａ（ア）の時はｉの範囲は５母音Ａ、Ｊ　Ｉ、Ｏ，
Ｕとしている。以上にょシ得られる類似度を各辞書項目
毎にめ、認識単語とするというものであった。この第２
の従来例において、音素標準パダンはパラメータの平均
値のみを持つために、パラメータの値のバラツキの度合
いは０式による距離計算には反映されず、従って類似度
は精度の低いものとなる欠点があった。

（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、類似
度計算の精度を向上させ、それにより単６一 語認識率を向上させることを目的とする。

（発明の構成） 本発明は、上記目的を達成するために、入力音声から得
られたパラメータ時系列を音素標準バタン及び単語辞書
と照合し、各辞書項目毎に音素のセグメンテーションを
行ない各音素がそのパラメータの値を示す確率密度を算
出し、それを直接、類似度計算に用いることにより、類
似度計算の精度を向上させる効果を持つものである。

（実施例の説明） 以下に本発明の一実施例について、第３図とともに説明
する。第３図において、２１はパラメータ抽出部、２２
は確率密度計算部、２３は音素毎のセグメンテーション
、尤度計算及び類似度計算を実行する単語認識部、２４
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（μｘ）、及び各種パラメータ間の共分散行列（
ΣＸ）の形で表わした音素標準バタンを記憶する音素標
準バタン部、２５は認識すべき全単語を音素で表記した
単語辞書が記憶されている単語辞書部でちる。パラメー
タ抽出部２１、音素標準バタン部２４及び単語辞書部２
５はそれぞれ第１図の対応する部分と同じものである。

本実施例の動作について説明する。先ずパラメータ抽出
部２１において、入力音声からフレーム毎のパラメータ
を得、さらに確率密度計算部２２でそのパラメータの値
が各音素標準バタンがら得られる確率密度を計算する。

ここ迄は、前記第１の従来例と同様である。次に、単語
認識部２３で各辞書項目毎に類似度をめるのであるが、
この類似度計算時に、その辞書項目を構成する辞書音素
系列に従って音素のセグメンテーションを行ない、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ｌ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番号をＮ、、Ｎ８と
し、第ｎフレームにおける各パラメータの値をＧｎとす
ると確率密度φは０式の定義によって、尤度ｌを下式で
定義される。

ここで、確率密度の割シ算における分母のサメンション
の１の範囲は、音素Ｘが何であるかにより異り、例えば
Ｘが音素Ａ（ア）の時は、ｉの範囲は５母音、Ａ、Ｅ、
Ｉ、Ｏ，Ｕとしでいる。以上により得られる類似度を各
辞書項目毎にめ、類似度が最大となる辞書項目をもって
、認識単語とする。

本実施例においては、辞書項目毎に音素のセグメンテー
ションを行々い、すなわち第１の従来例と異なり音素の
付加や脱落の存在しない正確なセグメンテーションを行
なった上で、各音素毎にその音楽と対応する音声区間と
の間で０式に示す尤度計算を行なうことにより、その音
声区間が、その音素から発声されたものである確率密度
、すなわち確からしさを、直接類似度に反映させること
ができ、高い精度で類似度が得られるという利点がある
。

（発明の効果） ９一 本発明は上記のような構成であシ、以下に示す効果が得
られるものである。入力音声を各辞書項目の辞書音素系
列に従ってセグメンテーションし、辞書の各音素とそれ
に対応してセグメンテーションされた音声の区間との尤
度を確率密度を直接用いて計算し、この尤度の平均値と
して類似度を定義することにより精度の高い類似度の値
を得ることができる。

【図面の簡単な説明】

第１図及び第２図は従来の単語音声認識方法を説明する
だめの機能ブロック図、第３図は、本発明による単語音
声認識方法の一実施例を説明するだめの機能ブロック図
である。 ２１・・・・・・・・・パラメータ抽出部、２２・・・
・・明確重密度計算部、２３・・・・叩・単語認識部、
２４・・・・・・・・・音素標準バタン部、２５・・・
・・・・・・単語辞書部。 特許出願人　電子計算機基本技術研究組合１０− 第１図 第２図 第３図 」トＪい一ト一　人力＋ｐ バラメーダ）狛仁印 バクメークＪｌｔ素万“、　２４ ２２　ｆ＊磨７．７・

Claims (1)

【特許請求の範囲】
1. 認識すべき単語を音素で表記した単語辞書と、各音素の
   音響パラメータの分布形で表わされた各音素の標準バタ
   ンを用いて、入力音声の単語認識を行なう単語音声認識
   方法において、入力音声を単語辞書の各辞書項目と照合
   し、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、その音素の標準パ
   タンを用いてその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計算し、この確率
   密度の値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。