JPS6157996A

JPS6157996A - 音声認識方式

Info

Publication number: JPS6157996A
Application number: JP59181293A
Authority: JP
Inventors: 耕市山口
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1984-08-28
Filing date: 1984-08-28
Publication date: 1986-03-25
Also published as: JPH0556514B2

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】く技術分野〉本発明は、不特定話者を対象とする場合に特に有効な音
声認識方式に関するものである。

〈従来技術〉音声認識技術は　近来めざましく発展しておシ、各分野
で実用化されるに至っている。なかでも、特定話者音声
認識装置は、一般消費者の手の届く価格で、高い性能を
もつものが登場している。しかし、認識技術は、未だ完
全と言えるレテルまでには到達していなく、あいまいな
発声が入力された場合には、棄却されずに誤認識になる
ことが多く、また発声者が不必要な発声と行ったり、外
部雑音が混入した場合なども、誤まった認識結果が出力
されていた。

これの対策として、例えば、４゛、シ開昭５８−７６８
９２号公報及び特開昭５８−７６８９３号公報において
、パタンマツチングの際に、通常の標準パタン（これを
認識標準パタンと呼ぶ）とは別に、その発声に類似して
はいるが、異なった発声によって得られる標準パタン（
これを抑制標準パタンと呼ぶ）を用意し、すべてのカテ
ゴリーについてその２つの標準パタンとの距離を求め、
それらの最小値を与えるのが認識標準パタンのときのみ
認識結果を出力する方式が堤案されている。効果とでして、１つの認識標準パタンに対し、ｎ個の抑制標準パ
タンを設けた場合、不特定な特性ｔもつ外部雑音の混入
に対して、誤認識のｎ／（ｎ＋１）を却下できるとして
いる。

し−Ｉ！為シ、この方式の効果は、抑制標準パタンの発
声に大きく依存し、かつ、公報では認識標準パタンと類
似しているというだけで、その選定基ｆ８４は明確には
されていない。また、この装置は、特定話者を対象とし
た登録方式に限定されている。

誤認識を削減する他の方法として、リンエクト処理があ
る。すなわち、あらかじめ基準となるリジェクト閾値を
定めておき、入力語と標準パタンとの距離がこのリジェ
クト閾値よシ大きい場゛合は、認識結果を無効にして再
度の音声入力を要求するようにしたものである。しかし
、このリジェクト手法の効果は、リジェクト閾値（＝θ
とおく）の設定に大きく影響される。つまシ、不要な入
力、認識対象外の語やあいまいな発声に対する誤認識と
完全に却下できるように、θを低く設定すると、正しい
発声までも却下されてしまうという現象が多発する。こ
れを避けるためにθを高く設定すると、逆に、外来雑音
等に対するリジェクト機能が低下する。

不特定話者を対象とする場合、話者による変動が非常に
大きいため、実用的な正入力の受は入れ率を得るために
は、誤認職分多少犠牲にしても、θを大きくとらなけれ
ばならない。つまシ、従来技術の問題点は、高い認識率
を得るために、その代償として雑音、不要な発声やあい
まいな発声に対する棄却能力に欠けていたことにある。

この問題点は、認識語常数の少ない不特定話者音声認識
において顕著となる。

〈発明の目的〉本発明は、上述したような点に鑑みてなされ、音声認識
方式のうち、特に不特定話者を対象とする場合に有効で
あり、その対象記動以外の入力語に対する棄却能力や誤
認識率の低減を目的とするものである。

〈実施例〉本発明による不特定話者音声認識方式の特徴は、通常の
標７１ムパタン（Ｒとおく）の他に、これと特徴空間に
おいである程度離れた′ところに位置し、そのカテゴリ
ーを無効にする作用をもつ反標ｉ％パタン（１つのＲＫ
ｒ個存在する。このときＡ１；ｉ’＝１．２．・・・、
ｒとおく）とを備え、発声Ｘが入力されたとき、Ｒとの
距ｔｌｌｄ（’ｘ、Ｒ）がそのＲに対するすべてのＡｉ
との距＃ｄ　（ｘ、　Ａｉ　）（１＝１１２１　・・・
、ｒ）よりも小さいならば認識結果を出力し、あるＡｉ
に対しｄ（ｘ、Ａｉ’）＜ｄ（ｘ、Ｒ）ならばそのカテ
ゴリーを無効にする。

一般に認識語危がｎ個あυ、標準パタンをそれぞれＲ’
、Ｒ２・・・、ぼ−とおき、各Ｒ’（ｉ＝１・２・・・
・＋’ｎ’）に対する反標準パタンをＡ１．（ｉ＝１．
２゜・・・、ｎ、ｊ＝１，２．・・・＋　　ｒ、）とす
る。ただし、標準パタンとしてマルチテンプレートヲ採
用する場合も、各テンプレート毎に反標準パタンか複数
個存在することとなり、判定アルゴリズムはシングルテ
ンプレートの場合と同じである。

ｎ＋　　ｊ−＝＝１，２＋　”・＊　　ｒｉ）との距離
−ｄ　（ｘ　、　Ｒ’　）。

とする。次に、このΩのうちで入力語Ｘとの距離の最小
値を求め、その値があらかじめ設定されたりジェクト閾
値θよりも小さかったならば、その最小値を与えるカテ
ゴリーを認識結果として出力し、そうでない場合はりジ
ェクトを表示する。つまシ、ｄ（ｘ　、　Ｒ）＝ｍｊｎ
（ｄ（ｘ、　Ｒ）　）　＜θな！らば１番目のカテゴリーを出力する。

ここで重要な点は、Ａｊは前述の公報記載の、ようなＲ
１に類似している発声とは限らない、また、登録方式と
は違い、Ａ；はそのカテゴリーのデーりを分析すること
により、自動的に作成できることにある。すなわち、公
報記載の場合、話者自身が、抑制標準パタンとしてどん
な発声を入力するかを決めなければならず、少ない登録
で必らずし１　　　　　　も最良の効果は期待できなか
ったが、不特定話者を対象として語誼を固定する場合、
収集したデーｉ　　。

りを分析し、少ない数で最適なＡｊ（Ｊ＝１．２．・・
・。

ｒｉ）を設定することができる。

そこで、Ａ’の作成法を説明する。尚、ここでは、Ｒ１
がセグメンテーションにより音韻等のラベルの系列とし
て表わされている場合を扱う。前車のため、カテゴリー
をｉに固定し、標準パタンＲに対するｒ個の反標準パタ
ンＡｊ　　（ｊ＝１．　２゜・・・、ｒ）とおき、Ｒが
ｍ個のラベルの系列（ｅｌ）ｉ＝１．・・・９ｍとして
次のように表現されていたとする。

Ｒ＝１１．４２−１ｍ　　（６ｉｅＬ；ｉ＝１．２゜・
・・＋　ｍ　）ここで、現在使っているラベルの集合（要素をに個とす
る）［６ｉｌ　ｉ＝１．２．・・・、ｋ）をＬとおキ、
現カテゴリーＲのデータＸの集合をＸとする。

与えられたｒに対し最適なＡｊ（ｊ＝１．２．・・。

ｒ）の求め方は、以下の４つの段階から成る。

第１に、初期状態としての１Ａｊｌは、Ｒの各ラベ／Ｌ
／Ｅｉ（ｉ−１，２，・・・９ｍ）をＬの要素と入れ変
えてできるすべての組み合わせからなる集合である。た
だし、その組み合わせの中でＲと同一のものは除く。つ
まり、Ｌの要素かに、Ｒのラベル数がｍ個のとき、［Ａ
ｊｌは、最初の段階でｋ”−１種類存在することになる
。この数はｋやｍが大きいとき膨大な計算量となるので
、ラベルのうち話者及び発声による変動の大きい有声音
を表わすラベルのみを他の有声音ラベルで置き換え、残
シの無声音や摩擦音を代表するラベルはそのままにする
と、かなり計算量は削減できる。Ａｊの形式は次のよう
に書ける。

Ａｊ”４ｊｘ　１１！ｊ２・−６ｊｍ　　　（Ｊ？ｊｉ
ｌ：Ｌ；ｉ＝１゜２、・・・＋　ｍ　）第２に、上で生成されたすべてのＡｊ（ｊ＝１゜２、・
・・、ｋｍ−１）のうちで、ＸＫ属するすべてのＸに対
しｄ（ｘ、Ｒ）＜ｄ（ｘ、Ａｊ　）を満たすものを求め
、そのＡ１の集合をＬとおく。

第３に、πから直接、与えられた最適なｒ個を求めても
よいが、πの要素が多過ぎて、最適化の計算量が膨大に
なる場合や、Ｒに近すぎてつま９Ｒとの距離が小さすぎ
て、またその逆に、Ｒとσ！ｌｌｊれすぎているため、
反標準パタンとして不適当と考えられるものを除外する
ため、適当なε、δを選び、πに属するすべてのＡｊの
うち、ｔ＜ｄｃＡｊ、Ｒ）（δを満たすπの部分集合を
Ωとおく。

最後に、Ωの部分集合で与えられたｒ個からなる（Ａｊ
）の最適解を求める。ここで、Ωの要素数をｐ。個とす
ると、試される部分集合（Ｆとおく）の数はｐＣｒであ
シ、そのすべての組み合わせのなかから１次の条件を満
たすｒを選出する。すなわち、すべ・てのｒ（６Ω）内
で、おのおののＡ１１間の距離の最小値を最大にするＦ
を選ぶ。書き換尺ると、ｍａｘ（ｍｉｎ（ｄＬＡｉ、Ａｊ））　）を与えるＦｒ
６Ω’Ａｉ、Ａｊ　ｅ　ｒこの条件は、ｒ内の各Ａｊが特徴量の空間のなかででき
る限り離れたところに存在させることによって、カテゴ
ＩＪ　−Ｒ以外の様々な発声や雑音を最大限、却下しよ
うとするものである。

以上述べた４段階からなるＦ作成法は、これに以外にも
考えられる。いずれにしても、ある標準パターンに対す
る反標準パタン群の作成において、その標準パタンと同
じカテゴリーに属する入力パターンについて、各反標準
パタンとの相近度よりもその標準パタンとの相違度の方
が小さく、かつ、特徴パラメータの空間のなかでは、反
標準パタン群がその標準パタンを中・口に据え、取り囲
むべく位置させるように反標準パターン群を作成するこ
とが肝心である。

第１図は、特徴空間に標準パタン１０（Ｒ）と３個の反
標準パタン１１．１２．１３（Ａ１．Ａ２゜Ａ３）が位
置している様子を２次元空間で示した概念図である。２
１，２２．２３の点線はそれぞれ次の条件をみたすＸの
集合、２１は（ｘ　Ｉ　ｄ（ｘ。

Ａ＋）＝ｄ（ｘ、　Ｒ）　ｌ、２２は（ｘｌ　ｄ（ｘ　
、　Ａ２）＝ｄ（ｘ　、　Ｒ月、２３は（ｘｌ　　ｄ（
ｘ　、Ａ：ｌ　）＝　ｄ（ｘ、Ｒ））である。また、３
０はカテゴリーＲのサンプルの分布の存在範囲、４０は
与えられたりジヱクト閾値θに対し次のｘ　（ｘｌｄ（
ｘ、Ｒ）＝θ）の集合である。

この図からりジエクト閾値だけでは４０の内部領域に存
在するすべてのサンプルを認識結果Ｒとして出力してし
まう可能性があったのが、反標準パタンＡＩｌ　Ａ２．
　Ａ３　　を設定することによって、その領域中のサン
プルから２１．２２．２３の外し側にあるものは無効にできることかへかる。

第２図に本発明による音声認識装置の構成例を示ス。図
において、マイクロホン１から入力された音声信号は音
響分析部２によって分析処理され、単位時間（フレーム
）毎に特徴ベクトルの時系列として表わされる。この音
響分析部２はたとえば多チャンネルのバンドパスフィル
りによる周波数分析や線形予測分析が考えられる。次に
、このベクトル時系列はパタン父換部３に入り、セグメ
ンテーション等の手法によシ、音韻もしくは、それに相
当するラベルとして表現され、マツチング部４に送られ
る。尚、ここで、ラベルを付加する際には、音韻等の標
準パタン５を参照する。マツチング部４では標準パタン
群６　（Ｒ’ｌ　＋＝１．２゜−、ｎｌと反標準パタン
群７　［Ａｉｌ　ｉ＝１．２゜・・・＋　　ｎ＋　　ｊ
＝１，２＋・・・＋　　ｒｌ　）とを参照し、先に述べ
た判定基準で認識結果またはりジェクト情報を表示装置
８等に出力する。認識結果とは、たとえばｉ　（ｉ＝１
．２＋・・・、ｎ）以外の番号や、リジェクト用のラン
プの点燈である。

〈発明の効果〉以上のように本発明は、比１咬用の反標準パタンをその
カテゴリーのデータを分析することにょシ１５目の的に
作成するものであり、少ない故で最適な反標準パタン会
設定でき、特に不特定話者と対象とする場合に有効であ
り、対象語麓以外の入方語に対する棄却能力？高め誤認
識率を低減できる。

【図面の簡単な説明】

第１図は本発明一実施例における標準パタンと反標準パ
タンの位置関係を２次元空間で示す概念図、第２図は音
声認識装置としての１ｊ′４成例を示すブロック図であ
る。１０・・・標準パタン（Ｒ）、　　１１・１２・１３・
・反標準パタン（Ａ１．　Ａ２．　Ａｌｌ　）、　　２
１−　［ｘｌｄ（ｘ　。Ａ＋）＝ｄ（ｘ、Ｒ））をみたすＸの集合、　２２−（
ｘｌｄ（ｘ、Ａ２）＝ｄ（ｘ、Ｒ））をみたすＸの集合
、　２３＝ｉｘｌｄ（ｘ、Ａ３）＝ｄ（ｘ、Ｒ）Ｊをみ
たすＸの集合、−４０・・・リジェクト閾値θに対して
（ｘｌｄ（ｘ、Ｒ）＝θ）をみたすＸの集合。

Claims

【特許請求の範囲】１、所定の発声から特徴を抽出し、音声パタンに変換し
た結果を標準パタンとして保持し、入力された音声パタ
ンと各標準パタンとの間でマッチングを行い、両パタン
間の相違度を算出し、そのうち最小の相違度を与える標
準パタンが属するカテゴリーを認識判定の第１候補とす
る音声認識装置において、おのおの標準パタンに対して
該カテゴリーのデータを分析することにより作成された
いくつかの比較用パタン（以下これを反標準パタンと呼
ぶ）を格納し、マッチングの時には入力音声パタンと各
カテゴリー内の標準パタン毎、及び、そのパタンに対応
する反標準パタン群毎との間の相違度を算出し、各反標
準パタンとの相違度の最小値が標準パタンとの相違度よ
りも小さい場合には、その標準パタンに関しては無効扱
いにし、標準パタンとの相違度の方が小さいときのみ認
識判定の候補とすることを特徴とする音声認識方式。２、標準パタンを音韻等のラベル系列として表わし標準
パタンの各ラベルをラベル集合の要素と入れ換えて反標
準パタンを作成することを特徴とする特許請求の範囲第
１項記載の音声認識方式。３、反標準パタンを、対応する標準パタンのラベル系列
のうち、無音や摩擦性の音を代表している部分はそのま
ま保留するが、その他の有声音部分のラベルはそのラベ
ル以外の有声音ラベルに変更して作成することを特徴と
する特許請求の範囲第２項記載の音声認識方式。