JPS6135497A - 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 ３ベーノ 本発明に音声の内容を自動的に認識するための音声認識
装置に関するも−のである。

従来例の構成とその問題点 従来の音声認識装置のブロック図の一例を第１図に示す
、まずあらかじめ多数話者の音声データをクラスタリン
グ手法等を用いてグループ分けし、音素あるいに音節の
単位で標準パタン群を作成し、標準パタン格納部１１に
格納しておく。ここでに説明のため標準パタン格納部１
１中の標準パタン群１に男性のみのデータで、標準パタ
ン群２げ女性のみのデータとし各群毎に６種類の標準パ
タンか用意されているとする。

さてマイク１より入力された入力音声にＡＤ変換器２に
よりＡＤ変換でれた後に一方に信号処理回路３へ送られ
、プリエンファシス、窓計算を行って線形予測分析プロ
セッサ４へ送られる。ＡＤ変換された他方の信号にセグ
メンテーション部５に送られ、ここで帯域パワー計算、
音声区間の検出、有声無声無音判定、子音のセグメンテ
ーションを行い、結果をメインメモリ７に転送する。線
形予測分析プロセッサ４で得たＬＰＧパラメータを用い
、類似度計算部６げ次の手順で類似度計算を行う。まず
標準パタン格納部１１に格納された標準パタン群１の中
の標準パタンを類似度計算部６に転送し、フレーム毎に
類似度計算を行い、メインメモリ７に転送する。同様に
して標準パタン群２についても行う。メインプロセッサ
８げメインメモリ７を参照しフレーム毎に最も類似度の
高かった標準パタンに相当する音素又に音節を認識結果
として採用し、これとセグメンテーション部５の結果を
用いて音素又は音節の系列を作成する。

そしてできた系列を単語辞書１２と照合する事によって
単語認識を行い、結果を出力部９に送る。

この従来例の欠点げ、標準パタン格納部１１に格納され
ている標準パタン群全部に対して類似度計算を常に行な
わねばならないために ■　類似度計算部６の計算量が大きなものとなり、高速
演算の要求される高価なものとなる。

■　標準パタン群を複数個用意し、全ての標準パタン群
を対象としてその中で最も類似度の５ベ−ノ 高い音素を認識に用いる方法であるために、似かよった
音素の数が多くなり互いの混同が増加することにより認
識性能を低下させる。

■　用意されたいずれの標準パタンにも該当しない音声
を持つ使用者に対して認識性能が大きく低下してしまう
。

という欠点があった。

発明の目的 本発明に前記欠点を解消し、類似度計算部の計算量を軽
減して低価格化すると共に認識性能を大幅に向上し、か
つ標準パタンからにずれた音声の性質を持つ人に対して
も使用を可能とし、不特定多数の使用者に対して高い信
頼度で使用することのできる音声認識装置を提供するこ
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もので、入力音声よりフレ
ーム周期ごとに得られたスペクトル又はそれに類似する
情報（以下スペクトル情報と記す）を算出する音響分析
部と、入力音声の音声区間の６ページ 検出と音素毎のセグメンテーションを行うセグメンテー
ション部と、多数話者からなる標準音声信号から、性質
の類似した話者ごとに分類された複数の標準パタン群を
予め格納する標準パタン格納部と、前記標準パタン格納
部の標準パタン群と前記スペクトル情報とを用いて音素
ごとの類似度を求める類似度計算部と、前記類似度計算
部とセグメンテーション部の結果から少なくとも母音部
を決定し、その中心フレームを示す位置情報を選択する
プロセッサ部と、前記プロセッサ部からの位置情報に基
づき、標準パタン格納部内の標準パタン群の選択を少な
くとも行う学習部と、前記プロセッサ部で作成された音
素又は音節系列と比較する単語辞書を格納する単語辞書
部とを具備することを特徴とする音声認識装置を提供す
るものでめる０ 実施例の説明 以下に本発明の実施例を図面を用いて説明する。

第２図に本発明の一実施例における音声認識装置のブロ
ック図を示す。

本実施例においてに、あらかじめ多数話者の音声を収集
して男性９女性、子供・・・というようにグループ分け
しておく。さらに、各グループ毎に音声の中を音素単位
に分けておく。

以下の実施例でに男性（グループ１）と女性（グループ
２）の２つのグループのみで各グループ内の音声を１２
Ｌｌ、ｌｉｌ、１ｕｌｌ　ｒｅｄ。

１０１、鼻音の６個に分けた場合を例に説明する。

まず標準パタン格納部３３に格納する内容を説明する。

まずグループ１の音声における音素ｉのＬＰＧケプスト
ラム係数の平均値を ＩＭ　１（１）＝　（Ｍ　ｉ　１（１）、　Ｍ　ｉ　２
（１）、・・・・・・、　Ｍｉｊ（１）、・・・・・・
。

Ｍｌｐ（１）） とする。（１）ニゲループ１でるることを示し、ｐに分
析次数である。又、６個の音素に共通の共分散行列を＼
−１）とし、その逆行列Ｘｗ−＋（１）　（そのｊｊ′
要素をδｊ　ｊ’とする）を求めて、このｓｗ−１（１
）と平均値ＩＭｉ（１）を標準パタン格納部３３に標準
パータン群１として格納する。同様にグループ２の音声
で平均値ＩＭ　１（２）と逆行列Ｘｗ−＋（ｚ）を求め
、標準パタン群２に入れる。

σらに、グループ１について逆行列、、−＋（１）の（
Ｌｊ’）要素をδｊｊ’として、音素ｉの１次に対する
重み係数を で求める。又、音素ｉの平均距離ｄｉ（１）を、ｄｉ（
１）＝　ＩＭｉ（’）ｔＸＷ−（１）　　１Ｍ１（’）
　　　　　（２）で求める（ｔＵ転置行列を表わす。）
。

グループ２にツイテもａ　１ｉ（２）　、　６１（２）
を求め、ａ　ｉ　ｊ（”）、　ｃｌ　ｉ（’）、　ａ　
ｉ　ｊ（２）、　ｄ　１（２）をバッフ　７３６にあら
かじめ格納しておく。

本実施例でに重み係数ａｉｊ、平均距離ｄｉをバッファ
３６に格納する場合について説明するが、これらに標準
パタン格納部３３に格納しても良く、その場合にバッフ
ァ３６げ不必要となる。

またスペクトル情報としては一例としてＬＰＣケプスト
ラム係数を用いた場合について述べる。

次に本実施例の特徴部である学習部３２の第１の機能で
ある標準パタン群の自動選択について第９ベーノ ２図のブロック図及び第３図のフローチャートを用いて
説明する。

処理イに示すように任意の言葉、例えば［ハジメＪ　（
ｈａｚｉｍｅ　）　　という音声をマイク３１に入力さ
れたとする。かかる音声ｉｊ　Ａ　／　Ｄ変換器２１で
ム／Ｄ変換され（処理口）、一方に信号処理回路２２へ
、他方にセグメンテーション部２６へ送うれる。信号処
理回路２２でに処理ハに示すようにフレーム毎にプリエ
ンファシス、ハミング窓による窓計算を行った後、その
結果を線形予測分析プロセッサ２３へ送る。線形予測分
析プロセッサ２３に線形予測分析を行なって１．ＰＣケ
プストラム係数’Ｃ”　（’　１ｖ　Ｃ２，・・・・・
・、ｃｊ、・・・・・・、、Ｃｐ）を求め（処理二）、
類似度計算部２４へ送る。

一方、セグメンテーション部２６に帯域フィルタ計算を
行ない（処理ホ）、又線形予測分析プロセッサ２３で求
めたＬＰＧケプストラム係数係数用いて有声無声判定、
音声区間の検出（処理へ）、子音ｈａｚｉｍｅのｌｈｌ
、ｌｚｌ、１ｍｌのセグメンテーションおよび子音判別
（処理ト）を行ない１ｏへ一／゛ その結果をメインメモリ２７に送る（処理チ）。

また学習部３２の選択部３４にバッファ３６の中に予め
準備きれたａｉｊ（１）、　ｄｉ（１）を類似度計算部
２４に送る（処理り）。類似度計算部２４でに処理ヌに
示すように次式でグループ１の音素１に対する類似度１
１（１）を求める。

ｊ＝１ 類似度げベイズ判定やコハラノビス距離等の統計的距離
尺度に基づくもの示好適でるる。同様にグループ２につ
いても／１．（２）を求め、これらをメインメモリ２７
に転送する（処理ル）。

メインプロセッサ２８にセグメンテーション結果と、母
音・鼻音に対する類似度を参照して処理、１の如く母音
Ｏ鼻音部ｈａｚｉｍｅ　（ｒ）　ｌ　ａ　ｌ　トｌ　ｉ
　１とＴｍｌとＴｅｌ＋を決定し、決定した母音・鼻音
部の中から、最も母音又は鼻音らしい中心フレーム（中
央の位置又は類似度最大の位置）を各母音・鼻音部に対
して選び、その位置情報を学習部３２中の選択部３４に
与える。

選択部３４に中心フレームにおける類似度、、（１）の
総和Ｌ（１）を次式で求める（処理ワ）。

ｎ＝１１＝１ ここでＫげ予め用意されている音素の種類の数（この場
合１−ｊＫ＝６）、Ｊｊ中心フレームの数である０ さらに標準パタン群２の場合についても同様にＬ（２）
を求め、Ｌ（１）とＬ（２）の大きさを比較してＬ（１
）が太きければその音声に標準パタン群１に属すると決
定する（処理力）。この場合その音声がどの標準パタン
群に属するかの比較に、最大類似度になる標準パタンの
数で比較しても良い。例えば入力音声中の母音又げ鼻音
の第１番目（ｌｈａｚｉｍθの１ａ１）の中心フレーム
における類似度Ｂ　、（１）。

Ｃ２（１）、・・・・・・、ｅｋ（１）ト４．（２）、
４２（２）、・・・・・・、１−２）ヲ求め、Ｍａｘ（
（１１（１）、　ｅ、、（１い、、、、１．　、、（１
）、　１　、（２）、　１２（２）ｅ・・・・・・、（
ｌｋ”）が、７１（１）の場合、標準パタン群１に属す
ると考える。これをＮ個（ここでＨ１ｊａ＋。

１ｉ１．Ｉｎｌ、Ｉｅｌの４個）の中心フレームについ
て求め、使用者の音声は属する回数の多い標準パタン群
に最終的に属すると決定する方法である。この機能を学
習部３２に持たせることにより同様に標準パタン群の自
動選択を行なうことができる。

従って以後入力された音声については選択された標準パ
タン群１［対応する、バッファ２６内のデータのみを用
いて類似度計算をすれば良く、従来のようにバッファ２
６内の全標準パタン群に対応するデータについて類似度
計算を行なう必要がないので、計算量を大幅に減少させ
ることができるとともに、音素同士の混同をなくし認識
性能を向上させることができる。

次に本発明の第２の実施例として、前記実施例よりもさ
らに高い認識率を得たい場合、第、１の機能のみでに認
識が著しく困難なとき、たとえば標準パタンに入力者の
音声が適していないような場合にげ、第１の機能に加え
てさらに以下に述べる第２の機能を働かせる例について
述べる○すなわち本実施例は、学習部に第２の機能とし
１３ペ−） て標準パタンの自動修正機能を付加するもので、これに
、音声認識装置が使用者に対して入力内容を指示するこ
とによって必要な情報を得、その使用者の声の認識に最
も適した形の標準パタンに修正Ｃ１話者適合の能力を付
加したものである。

以下第２図と第４図を用いて説明する。音声認識装置が
使用者に対しある定められた言葉、例えば「ナニヌネノ
」（ｎａｎｉｎｕｎｅｎｏ　）と発声するように指示し
、マイク３１からその音声が入力されたとする（処理ヨ
）。その音声は第１の機能の場合と同様の手順で処理さ
れる。すなわちＡ／Ｄ変換器２１でＡ／Ｄ変換され（処
理口）、信号処理回路２２でプリエンファシス、窓計算
を行なった（処理ハ）後、線形予測分析プロセッサ２３
でＬＰＧケプストラム係数を求め（処理二）、学習部３
２の選択部３４を介してバッファ３６内に格納されたａ
ｉｊ、ｄｊ　　を類似度計算部２４へ転送しく処理り）
、類似度計算部２４で前記（３）式を用いて類似度計算
を行ない（処理ヌ）、その結果をメインメモリ２７へ転
送する（処理ル）。

１４ベーノ 一方Ａ／Ｄ変換δれた音声に、帯域フィルタ計算（処理
ホ）、有声無声判定及び音声区間検出（処理へ）、子音
セグメンテーション及び子音判別（処理ト）を経て（こ
こでｆ３　ｎａｎｉｎｕｎｅｎｏの子音１ｎＴ）メイン
メモリ２７に転送さｆ′Ｌ（処理チ）、処理オに示すよ
うに第１の機能の場合と同様の手順で母音・鼻音部の決
定を行ない、それぞれｎａｎｉｎｕｎｅｎｏの中の＋ａ
＋、＋ｉ＋、＋ｕｔ、＋６１゜ｌｏｔおよびＩｎｌの中
心部を自動検出し、その位置情報を学習部３２中の選択
部３４及び修正部３５［与える。

選択部３４でに前記（４）式を用いて標準パタン群ごと
に類似席料りを求め（処理ワ）、類似席料の大きい方の
標準パタン群にその音声が属すると判定しておく（処理
力）。

一方修正部３５に、線形予測分析プロセッサ２３から送
られた音素ｉの中心部に対応するＬＰＣケプヌトラム係
数をＣ１ｊとし、標準パタン格納部３３から、選択部３
４の第１の機能の選択結果に基づく標準パタン群の平均
値Ｍｉｊ（１）、逆行列の１５、−、−　＞ （ｊ、ｊ’）要素δｊｊ′を読み出し、使用者の声に適
合した平均値Ｍ（ゴ１）を Ｍ’１ｊ（１）＝　（ＷＭｉｊ（１）＋　Ｃｉｊ　）／
　（Ｗ＋１　）　　（５）で求める（処理夕）。ここで
ｗＨあらかじめ求めである定数である。

この平均値の求め方に以下のようにしても良い。

すなわちある音素のα次における新しい平均値Ｍαを求
めるために多重回帰分析法を利用する。

α次の特徴パラメータの推定に対し、その音素にかかわ
る全データを使用する方法である。

あらかじめ用意した多数話者の平均値Ｑα（Ｒ）、学習
データＶ（Ｒ）の間に次式の関係を仮定する。

ＱＪＲ）＝ｂシ十μＶ（Ｒ）＋Ｅｄ（１）（６）α：１
，２．・・・・・・、ｊ、・・・・・・、ｐ　　ＥαＲ
：誤差ｐ：パラメー タの次数 Ｒ＝１．２．・・・・・・、ｋ　　　　　　ｋ：用意し
た話者の人 数 汐み＝（ハ１＊　β”２＊　−−＊　βＡｊ　−−−＊
　β＝ｐ）ｂ’ａ、　　ｐ’ｔａ　の最小２乗推定値を
ｂα、βα　とすると、ある音素の平均値の推定値Ｍα
に入力でれた学習データのＬＰＧケプストラム係数Φ＝
　（Ｃ１゜Ｃ２，・・・・・・、　Ｃｊ、・・・・・・
、ｃｐ）を使用［−で次式で求めることができる。

、（Ｋ）を用いて、次式で求められる。

ここで、 Ｓαｊｊ’＝　Ｅ　　（Ｖａｊ（Ｒ）−Ｖａｊ）（Ｖａ
ｊ’（”）−Ｖａｊ’）Ｒ＝１ ただし、ｖαコ、Ｑαケソレソレｖαｊ（Ｒ）、Ｑα（
Ｒ）（Ｒ−１，２，・・・・・・、Ｋ）の平均値、Ｓα
ｊｊ’げＳαｊｊ’の逆行列の要素を表わす。

また １７　・＼−７゛ すなわち、あらかじめ多数話者のデータを用いて（８）
式でβαｊ、（１１）式でｂαを求めて修正部３５に入
れておけば新しい平均値Ｖαを（７）式で算出すること
ができる。

このようにして得られた平均値Ｍｉｊ（１）を用いて、
修正部３６において新しい重み係数、’１ｊ（１）を平
均距離ｄｉ（１）を ｄ′ｉ（１）＝ＩＭ′ｉ（１）ｔ７−１（１）ＩＭＺｌ
）（１３）で求め（処理し）、このＩＬｉｊ（１）およ
びｄ′１（１）を新しい標準パタン群としてバッファ３
６に登録する（処理ン）。従って次に入力された音声に
対してに第３図で示したフローチャートの処理イル処理
ヌに従って類似度計算を次式 で計算し、メインメモリ２７に転送され、メイン１日Ａ
−ノ プロセッサ２８でこの結果とセグメンテーション部２６
の結果を用いて音素又は音節の系列を作成し、単語辞書
メモリ２９内の単語辞書と照合して単語認識を行ない、
その結果を出力部３ｏに送る。

このように、標準パタンの内容を自動修正することによ
り、標準パタンに合わない使用者の声に対し認識性能を
向上させることができる。

以上述べた学習部３２の第１の機能および第２の機能が
働くことにより、使用者に適した標準パタン群が自動的
に選択され、かつその選択された標準パタンの内容が最
もその使用者の声の認識に適合するように自動修正され
、いかなる使用者の声に対しても安定した、高い認識率
を得ることのできる、信頼性の高い音声認識装置として
使用することができる。

前述の実施例の処理手順の全体のフローを第６図を用い
て説明する。

まず第１の実施例の場合について述べる。使用者によっ
て任意の音声が最初に入力される（判断ツ）と、音声認
識装置は音響分析を行なう（処理１９　・・　７ ネ）。次に標準パタン群の選択かいなかを判断しく判断
す）、標準パタン群選択の作業のため、セグメンテーシ
ョン、音素判別（１）を行なう（処理う）。この結果に
基づいて類似度の総和の最も大きい標準パタン群を選択
する。

次に標準パタン群の修正が必要か否かを判断しく判断つ
）、その必要がない場合に上記選択された標準パタン群
を標準パタンメモリへ転送する（処理イ）。その結果と
セグメンテーション結果を用いて音素認識を行ない（処
理））、その結果を単語辞書と照合して単語認識を行な
い（処理ヲ入認識単語を出力して（処理り）最初の入力
待ちにもどる。

次に入力された音声に対してげすでに標準ノくタン群の
選択に終了しているため、登録された標準パタン群を用
いて処理ヤで示すセグメンテーション・音素判別（２）
を行ない、処理ノ、処理オを経て認識結果が出力される
。

ここでセグメンテーションｅ音素判別の（１）と（２）
のちがいＨｌ（２）が選ばれた１組の標準パタン群での
み計算すれば良いのに対し、（１）は標準パタン格納部
に存在する全ての標準パタン群に対して計算が必要なこ
とであり、（１）の作業にかなり大きな演算量を要する
ことである。しかしく１）に使用開始直後の音声にしか
作動しないため、実用上問題にはならない。

次に第２の実施例の場合について述べる。第６図におい
て内容が指定された音声（例えば「ナニヌネノ」という
音声）が入力され（判断ツ）、第１の実施例と同様の手
順により音響分析（処理ネ）、セグメンテーション・音
素判別（１）（処理う）、標準パタンの選択（処理ム）
を行なう。次に選択された標準パタン群の内容をその音
声に適合するように修正する（処理マ）。その結果を標
準メモリへ転送しく処理イ）、第１の実施例と同様に音
素認識（処理））、単語認識（処理ヲ）を行ない、認識
結果を出力（処理り）１最初の入力待ちにもどる、 次に入力された音声に対してげすでに標準パタン群の選
択および修正が終了しているため、修正２１八−７′ 後の標準パタン群を用いてセグメンテーション・音素判
別（２）を行ない、音素認識（処理））、単語認識（処
理ヲ）して認識結果が出力される。

なお自動選択（第１の機能）と自動修正（第２の機能）
の両機能を有する場合、前実施例でに特定の音声に基づ
いて標準パタン群の自動選択、自動修正を行なう例につ
いて述べたが、始めに任意の音声に基づいて標準パタン
群の自動選択を行ない、次に特定の音声を入力して自動
修正を行なっても良いことにもちろんである。

第１の実施例の効果を確かめるため、男性グループ１０
名、女性グループ１０名の音声を用いて標準パタン群の
自動選択の評価を行なった。例えば女性ＡＫの音声がど
ちらの標準パタン群に属するかを選択する実験条件とし
て、男性グループの標準パタン群に男性１０名の音声を
用いて構成し、女性グループの標準パタン群［ＡＫを除
く他の９名の音声で構成し評価した。その結果、最初の
入力音声で女性Ｃ８を除き２０名中１９名が男性は男性
グループに、女性に女性グループに正しく判２２ヘ一） 定できることがわかった。正しく判定できなかった女性
Ｃ３ｌｄ入力音声の内容によって男性グループに入った
り女性グループに入ったりし、不安定であるが、標準パ
タン群の自動修正を行なえば安定した認識率の得られる
ことがわかった。

第２の実施例の効果を確かめるために、女性１０名を対
象にフレーム単位での音素認識率の評価を行なった。評
価に５母音および鼻音（Ｉｎｌ。

ＩｎｌとｌＮ１）を対象とし、平均認識率とバラツキを
表わす標準偏差を用いて行なった。結果を第６図に、横
軸を話者側にして示す。４１に従来の方法による、用意
された全ての標準パタン群を用いて最大類似度を得る標
準パタンに相当する音素を認識結果とすることにより求
めた認識率でるる。平均認識率に７４．６係、標準偏差
に６．０１％である。４２は第１の機能である自動選択
の効果を示すもので、女性が正しく女性グループに選択
された場合に、女性グループ専用の標準パタン群を使用
することにより従来より性能を向上できることがわかる
。平均認識率１’ｊ７９．４％、標準偏差げ５．３４チ
である。平均認識率に従来より４．８チ向上し、バラツ
キも減少する。４３げ第２の機能である自動修正の効果
を示すもので、入力音声の内容が既知の場合［（例えば
「ナニヌネノ」）、その入力音声を用いて女声グループ
専用の標準パタン群の内容を修正することによって性能
を大幅に向上できることがわかる。平均認識率ｉｊ　８
５．０係、標準偏差げ２．Ｃｚ４である。平均認識率に
従来に比し１０．４％の大幅な向上が得られる。特に従
来認識率の低かった話者ＹＩ、ＹＭ、ＫＫが改善される
ことにより、バラツキに従来の半分以下になり、話者に
依存しない安定な認識が実現できる○ 発明の効果 以上述べたように本発明に、音声認識装置に学習部を設
け、あらかじめ多数話者の音声をグループ分けしてグル
ープ毎に用意された標準パタン群を、入力音声によって
自動的に選択し、またその入力音声の内容が既知な場合
に、選択された標準パタン群を自動修正することにより
次の効果を得ることかできる。

■　使音者の声に最も適した標準パタン群が選択でき、
高い認識精度を得ることができる。

■　必要に応じて、選択された標準パタン群を使用者の
声に合うように修正することにより、不特定多数の使用
者に安定した高い認識精度を得ることができる。

■　計算骨を大幅に減らすことにより、音声認識装置の
低価格化と高速化をげかることができる。

【図面の簡単な説明】

第１図に従来の音声認識装置のブロック図、第２図に本
発明の一実施例における音声認識装置のブロック図、第
３図は本発明の一実施例における標準パタン群の自動選
択機能を説明するフローチャート、第４図に本発明の他
の実施例における標準パタン群の自動修正機能を説明す
るフローチャート、第５図に本発明の音声認識装置の認
識手順の一例を示すフローチャート、第６図に本実施例
による音素認識率を従来例と比較した図である。 ２３・・・・・・線形予測分析プロセッサ、２４・・・
・・・類２５べ一７′ 低度計算部、２６・・・・・・セグメンテーシ目ン部、
２８・・・・・・メインブロセリサ、２９・・・・・・
単語辞書メモリ、３２・・・・・・学習部、３３・・・
・・・標準パタン格納部、３４・・・・・・選択部、３
６・・・・・・修正部、３６・・・・・・′くラフ７０

Claims (3)

【特許請求の範囲】
1. （１）入力音声よりフレーム周期ごとに得られたスペク
   トル又はそれに類似する情報（以下スペクトル情報と記
   す）を算出する音響分析部と、入力音声の音声区間の検
   出と音素毎のセグメンテーションを行うセグメンテーシ
   ョン部と、多数話者からなる標準音声信号から、性質の
   類似した話者ごとに分類された複数の標準パタン群を予
   め格納する標準パタン格納部と、前記標準パタン格納部
   の標準パタン群と前記スペクトル情報とを用いて音素ご
   との類似度を求める類似度計算部と、前記類似度計算部
   とセグメンテーション部の結果から少なくとも母音部を
   決定し、その中心フレームを示す位置情報を選択するプ
   ロセッサ部と、前記プロセッサ部からの位置情報に基づ
   き、標準パタン格納部内の標準パタン群の選択を少なく
   とも行う学習部と、前記プロセッサ部で作成された音素
   又は音節系列と比較する単語辞書を格納する単語辞書部
   とを具備することを特徴とする音声認識装置。
2. （２）学習部が、プロセッサ部で得られた位置情報に基
   づき、統計的距離尺度による類似度和の最も大きい標準
   パタン群又は最大類似度になる標準パタンの数の最も多
   い標準パタン群を選択する選択部と、前記選択結果に基
   づく標準パタン群を、プロセッサ部で得られた位置情報
   に基づき修正する修正部とで構成されていることを特徴
   とする特許請求の範囲第１項記載の音声認識装置。
3. （３）標準パタン格納部が第１と第２の格納部からなり
   、第１の格納部に少なくとも共分散逆行列及び平均値が
   、第２の格納部に重み係数及び平均距離が標準パタン群
   ごとに格納されてい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。