JPS62119594A - 単語音声認識装置 - 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】 ３、梵鳴り詳細を謁ひ月 〔発明の概要〕 種々の入力端末装置のうち音声をそのまま入力するいわ
ゆる音声入力装置を実現するための技術が音声認識技術
である。認識装置を実現するにあたって音節や単語等の
単位で区切って発声した音声を認識する場合には比較的
容易に実現でき、特に特定話者の単語認識装置は種々の
分野で実用化されている。この種の単語音声認識装置に
おいて、辞書に登録しである単語の標準パターンと入力
音声の特徴パターンを照合する場合に同一発声者の同一
単語であっても音素によっては音響的特徴が時間的に変
化するために一般に継続時間長の伸縮を補正してマツチ
ングを取るようにしている。

さらに、前記標準パターンは特定な発声者に対して発声
者毎に平均化、交換あるいは追加等の処＝２− 理を行いながら学習して作成される。

従来、この種の単語音声認識装置は、学習時に、誤った
発音や、ノイズが入力された場合、すでに作成してあっ
た辞書パターンを破壊してしまうことがあった。

本発明は、予め各単語に対し音声を入力し登録パターン
を作成し、該登録パターンと未知入力単語音声から作成
した入カバターンとを照合する単語音声認識装置に於い
て、登録パターンの学習機能を備え、かつ使用者の指示
により、登録パターンを一人力前の状態に戻すこととが
できることを特徴とする単語音声認識装置を堤イバする
。

〔産業上の利用分野〕

本発明は音声入力装置を実現するための基本となる音声
認識装置に係り、特に音節や単語等の単位で区切って発
声した音声を１１′Ｌ語ごとに認識していく特定話者を
対象とする単語音声認識装置の構成に関し、さらに登録
パターンの学習機能を備え、かつ使用者の指示により、
登録パターンを一人力前の状態に戻すことができること
を特徴とする単語音声認識装置の構成に関する。

〔従　来　技　術〕

集積化技術の進歩に伴い、マンマシンインターフェース
として利用する種々の入力端末装置のうち音声をそのま
ま入力する音声入力装置が実用化されてきた。音声入力
装置を用いれば情報とするべき入力データの入力速度を
早くでき、入力装置の操作に熟練していない人でも音声
で入力データを入力できるという特徴がある。この音声
入力装置を実現するだめの基本となるのが、音声認識技
術である。音声認識技術において人間が自然に発生した
文音声は音響的特性がアクセントや抑揚などによって複
雑に変形するので、認識するのが非常に難しく、従って
音節や単語などの単位で文音声を区切って発声させ、個
々の音節や単語を認識していく、いわゆる離散型単語認
識装置がまず実用化されている。そして語党数は通常、
数百語基下であるが、認識する語堂数がこのように少な
くても工場の製品検査等には有効に利用できる。このよ
うな離散単語認識装置においては＋Ｂ藺りσに区切りを
検出して順番に＋Ｂ　Ｒｎを認識していく。そして、単
語認識装置におい°Ｃ１特定の人の音声を分析して得ら
れる標準パターンを用いるとその発声者の音声入力に対
しては高い認識率が得られる。

そこで、標準パターンを構成する場合には特定の発声者
に対して発声者毎に作り変える学習機能を用いて認識す
るようにした特定話者用音声認識装置があり、この装置
では全単關の学習を数回行うことにより９９％以上の認
識率を得ることができる。

前記標準パターンと装置に人力している人力音声の特徴
パターンを比較照合するマツチング部が認識装置内に必
ず存在する。ここで、入力音声パターンは入力された源
音声を一定なフレーム周期毎に特徴を抽出してできる時
系列である。一方、標準パターンは単語辞書として辞書
部に格納されているもので予め前記学習によって同様に
源音声から一定フレーム周期毎に特徴を抽出したものの
時系列である。入力音声を入力して単語辞書の各パター
ンと比較照合することにより現入力音声は特定な単語で
あると決定することになる。

従来のこの種の単語認識装置は、学習時に、誤った発生
や、ノイズが入力された場合、すでに作成してあった辞
書パターン（各単語毎の登録パターンの集合）を破壊し
てしまうことがあった。そのような場合、登録パターン
を全て消したり、または、学習が行われた単語の登録パ
ターン全てを消して、最初から登録をやり直していた。

そのため、学習時間がかかり、標準パターンを辞書に登
録するまでの時間が大きくなるという欠点を有していた
。

〔発明が解決しようとする問題点〕

本発明は上記従来の認識装置の欠点を除去し、辞書パタ
ーンを複数個の入力前の状態に戻せるようにし、連続し
て、ノイズが複数個入力されたような場合でも、そのノ
イズに対して影響のない標準パターンを辞書に登録でき
る単語音声認識装置を提供する。

６一 〔問題点を解決するだめの手段〕 上記目的は、本発明によれば、音声信号を入力した後音
声の特徴を抽出しかつ区間検出を実行する音響分析部と
、予め前記音響分析部を介して分析された単語標準パタ
ーンを学習する学習処理部と、前記学習処理部で学習し
てできる単語標準パターンを格納する辞書部と、前記音
響分析部を介して出力される前記音声信月の特徴パター
ンと前記辞書部の単語標準パターンとを照合する照合部
と、前記音響分析部の出力を前記辞書部、前記学習処理
部または前記照合部に転送することを選択的に行う選択
手段と、前記学習処理部に接続され使用者の指示により
、前記辞書部への登録パターンを過去の入力の状態に戻
すことを可能にする復元手段と、前記音響分析部、辞書
部、学習処理部、照合部、前記選択手段および前記復元
手段を計算処理部を介して制御する制御手段とを有する
ことを特徴とする単語音声認識装置を堤供することによ
り達成される。

〔作　　　用〕

音声入力時に例えば平均化したパターンを辞書に登録す
ると同時に元の登録パターンをワーク領域に転送し、辞
書の復元要求のあったときに、前記ワーク領域の元の登
録パターンを辞書部に転送している。

〔実　　施　　例〕

次に本発明を図面を参照して説明する。

第１図は本発明の音声認識装置である。この装置におい
て、まず入力された音声人力１を音響的に分析し、音声
入力中に含まれる単語の言語的特徴が抽出される。そし
て予め特定話者に関して音声に含まれる単語の言語的特
徴に関する標準パターンを学習処理部９に伴って学習し
ながら辞書部７に記憶しておき、現在入力された音声入
力の特徴パターンが前記標準パターンと比較されその類
似性に基づいて認識判定が実行される。

マイクより入力される音声人力１は前処理部２に入力さ
れると高域部分が強調される。あるいは以後の処理がデ
ィジタル処理されるものである場合には前処理部２にお
いてアナログ音声入力はディジタル信号にＡ／Ｄ変換器
を介して変換される。

高域強調された音声人力１はパラメータ計算部３におい
て音響的に分析され特に音声の周波数スペクトル包絡が
計算される。周波数スペクトル包絡特性は第２図に示す
ような帯域フィルタ群と各帯域フィルタに接続される整
流平滑回路を用いて分析される。すなわち帯域フィルタ
群ＢＰＦは音声周波数帯域を１２個程度の小帯域に分割
する。１２個の帯域フィルタの各出力を整流し、かつ平
滑することによって各帯域成分における信号のパワーの
量が直流電圧値として出力されることになる。ｎ個の帯
域フィルタの整流出力はｎ次元ベクトルＡ　＋　、　Ａ
　ｚ　　・・Ａ、ｌとなりこれによって音声の周波数ス
ペクトル包絡の特徴を表すことになる。パラメータ計算
部３の出力は区間検出部４に入力され、そこで各単語の
開始と終わりがパワーの闇値を用いて検出される。即ち
入力される音声入力のパワーを計算し、計算されたパワ
ーが闇値を越えれば単語の始まりであり、その闇値を上
から下に下がればその単語の終点とする。このようにし
て、単語毎に順々に認識処理を実施することができるこ
とになる。区間検出部４の出力は切換部６に入力され、
パラメータ計算部３及び区間検出部４によって求められ
た各単語の特徴パターン、すなわち特にスペクトル包絡
に関する特徴パターンは辞書部７、照合部８に選択的に
転送される。辞書部７に格納するべき標準パターンは特
定話者に関する言語的内容が既知の単語、或いは音素に
ついて予め前記前処理部２、パラメーター計算部３及び
区間検出部４を介して音響分析し、得られたパターンで
ある。単語標準パターンは認識単語のそれぞれについて
全４１続時間にわたって分析してできる特徴パラメータ
ーの時系列で表されている。例えば、単語Ａの継続時間
長をＴＡとすればＴＡ内において単語Ａの標準パターン
は帯域フィルタ出力を時間標本化して時系列データとし
て記録されるのが普通である。すなわち第３図に示すよ
うに、継続時間長、すなわちフレームを横軸にとり、縦
軸に各帯域フィルタのチャネル数に対応してできる行列
の各要素はパラメーター計算部の出力、すなわち各チャ
ネルのスペクトル包絡値である。その行列を複数の単語
数分だ＆Ｊ用意して辞書を構成している。

このように構成された標準パターンと、現時点でマイク
より入力される音声人力１の特徴パターンとの頻憤性を
ＤＰ照合部８によって照合する。

辞書部７に格納された標準パターンと前処理部２、パラ
メーター計算部３、区間検出部４を介して入力されてい
る音声人力１の特徴パターンとの類似性を比較する場合
に入力される音声の音素によってはその音響的特徴が時
間的に変化するものがある。しかも同じ話者の同じ単語
であっても、単語の時間的な継続時間には伸縮があるの
でこの継続時間長の伸縮を補正して標準パターンと音声
入力の特徴パターンがもっとも近い状態において比較す
る必要がある。これが継続時間長の補正であり、時間軸
の正規化である。この時間軸の正規化に対して標準パタ
ーンと音声入力の特徴パターンとの比較照合方法がいろ
いろと異なってくる。

今、認識しようとする音声入力を辞書部７に記憶されて
いる標準パターンの分析に用いたのと同じ帯域フィルタ
ＢＰＦを用いてパラメーター計算部３及び区間検出部４
で分析し、その出力を時間標本化して得られるパターン
をＸ　””　Ｘ　Ｉ　＋　　Ｘ　２　＋　　・・・・Ｘ
、とする。すなわち入カバターンＸはｍ個の時系列パタ
ーンより構成されているものとする。一方標準パターン
に対しても同仲で、標準パターンＹをｙ＋＋　　ｙｚ　
　・・・ｙ７という時系列パターンから構成されている
ものとする。なお、各時系列パターンは第３図に示す行
列の列に対応するものであるから帯域フィルタの各出力
を要素として持つベクトルで表現されているものである
。

今、入カバターンＸと標準パターンＹとをマツチングさ
せる場合に入カバターンＸの長さはｍに対して標準パタ
ーンＹの長さがｎであるから、各時系列パターンを１対
１に対応させて比較することができない。一般に同一話
者が発生した音声であっても時間軸上の伸縮があるため
に時間軸の正規化を行って比較する必要がある。しかも
この時間軸上の伸縮は一般的には非線形な伸縮であり、
非線形の伸縮に合わせて行う非線形マツチング方式を採
用するか、強制的に一定の伸縮率で時間軸上の対応をと
ってしまう線形マツチングがある。

単語或いはそれを構成している音素に更に分割して行う
このような単語音声認識装置において、特定の人の音声
を分析して得られる標準パターンを用いるとその発声者
の音声に対しては高い認識率が得られる。そこで標準パ
ターンを構成する場合には特定の発声者に対して発声者
毎に作り変える学習機能を用いて認識するようにしてい
る。このような特定話者用音声認識装置は、全単語の学
習を数回行うごとにより９！）％以−にの認識率を得る
ことができる。しかしこのような学習機能を持った認識
装置において問題となるのは学習時に誤った発音やノイ
ズが人力されることがあることである。このような場合
、作成してあった辞書パターンを破壊し不しまうことが
あったが、本発明は辞書パターンを複数個の入力前の状
態にもどせるようにしてそのノイズに対して影響のない
標準パターンを辞書に登録できる単語音声認識装置を提
供するものである。そのために本発明は音声入力時に例
えば、平均化したパターンを辞書部７に登録すると同時
に元の登録パターンを辞書復元用パターンワーク領域１
１に転送し、辞書の復元要求が復元要求キー１２から与
えられた時に前記ワーク領域の元の登録パターンを辞書
部７に転送するようにしているものである。従って、本
発明では、辞書部７は学習処理部９と接続され、前記学
習処理部９は学習時に音声入力を切換部６を介して入力
し、学習した結果を辞書部７に標準パターンとして転送
するようにしている。さらに学習処理部９は辞書復元用
パターンワーク領域１１に接続され、辞書復元要求がキ
ー１２から与えられた時に前記ワーク領域の元の登録パ
ターンを辞書部７に転送するようにしている。学習処理
部９の処理として登録パターンの平均化、交換、或いは
追加があるが、従来の認識装置では追加されたパターン
を削除して辞書を復元することは可能であったが、パタ
ーンの平均化、交換が行われた場合には、辞書を簡単に
復元する手段がなかった。ところが、本発明では辞書復
元要求パターンワーク領域１１を有効に利用して辞書パ
ターンを複数個の人力前の状態に戻せるようにしている
ので、連続してノイズが複数個入力されたような場合で
も過去の状態に戻って、再度平均化、成いは交換等の処
理を実行することが出来、登録に要する時間を短縮する
ことが出来る。

辞書復元用パターンワーク領域１１を利用して辞書パタ
ーンを復元する方法を第４図（ａｌ、ｆｂ）を用いて説
明する。辞書部７へ標準パターンを登録する場合に、現
在人力している音声入力は前処理部２、パラメータ計算
部３、及び区間検出部４を介して入カバターン１′とし
て切換部６を介して学習処理部９に与えられる。この人
カバターン１′は現時点まで登録された辞書部７の同じ
単語に対する登録パターンに対して例えば平均化処理が
実行されるものとする。入カバターン１′を登録パター
ンと平均化して出来る新しいパターンは■に示すように
対応する領域に登録することになる。

平均化の処理ではなく、交換の場合には人カバターン１
′はそのまま対応する領域に登録される。

入カバターン１′が学習部９に入力し辞書部７の対応す
る同種のパターンと平均化してできる平均化したパター
ンを登録する場合に、本発明では平均化する前の辞書部
７にあった元の登録パターンは■に従って辞書復元用パ
ターンヮーク領域１１に転送し、退避される。すなわち
入カバターン１′が平均化、或いは交換の処理に従って
辞書部７の対応する領域に登録される場合には更新され
る前の同じ領域にあった元の登録パターンはワーク領域
１１に必ず転送され、退避されるようにしている。この
ように、音声入力時には辞書作成用の入カバターン１′
は辞書部７に平均化したパターン、或いは交換用のパタ
ーンとして１度登録されるが、その音声入力時、即ち、
学習時において、誤った発音やノイズが入力された場合
、平均化したパターン、或いは交換用の入カバターンは
雑音を含んだパターンとなり、これが辞書部７に登録さ
れることになる。そこで本発明はこのような時、すなわ
ち誤った発音や周囲のノイズが入力された場合には、使
用者が復元要求キー１２を押すことによって辞書の復元
要求を実行する。辞書の復元要求があった場合には、第
４図（ｂｌに示すように、雑音の含んだ入カバターン１
′を含んだ辞書部７の領域におけるその更新された登録
パターンは消去され、雑音のあった入カバターンを入力
する以前の元の登録パターンがワーク領域１１からその
領域に転送されるようにしている。すなわち登録パター
ンを１人力前の状態にもどすようにしている。

さらに辞書パターンを複数個の人力前の状態にもどせる
ようにワーク領域１１を大容量化しておけば連続してノ
イズが複数個入力された場合でも、過去の辞書パターン
の状態に戻すことができる。

そして再度平均化、或いは交換等の学習を行うことによ
って最適な登録パターンを形成することが可能となる。

以上説明した本発明の学習処理の流れを第５図（ａｌ、
（ｂｌのフローチャー１・に従って更に詳細に説明する
。第５図（ａｌ、ｆｂ）の学習処理のフローは単語の番
号がＮ１からＮ２まで連続して学習する場合の図である
。

動作が開始すると先ず単語Ｎ１に対して以下の動作を行
う。辞書復元要求があるかないかのチェックを行い、も
しなければまず、単語の始まりの検出を行うためにサン
プリングし、パワーが予め　　′決められた設定値ＰＴ
Ｈよりも大きいかどうかを判定する。ＰＴＨよりも小さ
ければ単語の始まりは検出されないので、元に戻る。も
しＰＴＨよりも大きければ単語の始まりが検出されたこ
とになり、再度辞書復元要求があったかどうかの検出を
行う。辞書復元要求がなければ今度は単語の終わりを検
出するためにサンプリングし、パワーがＰＴＨよりも小
さいかどうかの判定を行う。小さくなければ単語の終わ
りは検出されていないので、帰還路βに沿ってもどる。

辞書復元要求がない状態でＮ１目の単語の始まりと終わ
りが検出されると、単語番号ｉ、すなわち今の場合、Ｎ
１のパターンが辞書にあるかどうかのチェックを行う。

もし単語番号ｉのパターンが辞書になければ入力された
入カバターンは辞書に登録、即ち追加する必要があり、
追加処理に入る。そしてルートＤに従って次の単語すな
わちｉを１だけインクリメントし、次の単語に対してフ
ローの最初にもどって同様な処理を行う。単語番号ｌの
パターンが辞書にすでにある場合にはパターン間の距離
の計算を実行する。パターン間の距離の計算は単語番号
ｉの辞書パターンと入カバターンの距離を測定すること
になり、単語番号ｉの辞書パターンが複数ある場合は距
離の最小値を求める。距離が予め定められた設定値Ｄ　
Ｔ　Ｈよりも小さい場合には、入カバターンと辞書パタ
ーンとは同種のものであることが検出されるので入カバ
ターンをその同種の辞書パターンと例えば平均化する必
要がある。従って、平均化処理に入るが本発明でル１１
この平均化処理を行う前に予め辞書にあった前記辞書パ
ターン、すなわち平均化される方のパターンをワーク領
域１１に保存する。この退避後ｉｐ語番号ｉの辞書パタ
ーンと入カバターンとは平均化の処理が実行される。そ
して次の単語に対して学習を続けるためにｉをｉ＋１と
し、ｉが終わりの単語Ｎ２を越えていなければルートＣ
に従って元に戻る。単語番号ｉが最後の単語の番号Ｎ２
を越えていれば処理するべき単語はすべて終わったこと
になりフローの終わりとなる。尚、単語番号ｉのパター
ンが辞書にあってパターン間の距離の計算を行った時に
その距離がすべての辞書パターンに対して予め定められ
た設定値ＤＴＨよりも小さくならない場合にはルートγ
に従って入力されたパターンは辞書に新たに追加される
パターンであるので、まず辞書に空きがあるかのチェッ
クを行う。もしあれば追加処理に入り、次の単語の処理
に入る。辞書に空きがない場合には、辞書部７のいづれ
かのパターンと交換する交換処理を実行することになる
が、この場合においても、本発明は交換される元のパタ
ーンをワーク領域１１に退避し実際の交換処理を行って
から次の単語の処理に入る。

以上説明したところまでが、辞書復元要求がなかった場
合の処理である。ところが、音声入力時、即ち、学習し
ている最中に使用者が誤った発音をしてしまったり、ま
わりからノイズが入力されてしまったために、使用者自
身が入力の再実行を行いたい場合があり、このときには
、辞書復元要求を実行する。辞書復元要求はキー１２か
ら与える。

学習処理のフローにおいては、ポスト計算機５に辞書復
元要求信号１２による要求が通知されているかどうかの
チェックは単語の区間検出時に行われている。すなねち
、第５図のフローチャートに示すように、単語の始まり
、ずなわちパワーがＰＴＨよりも越えているかのどうか
のチェックを行う処理の最初の部分で辞書復元要求のチ
ェックを行っている。さらに単語の終わりの検出、すな
わちパワーがＰＴＨよりも小さくなったかどうかのチェ
ックを行う処理の最初の部分でも辞書復元要求信号が来
ているかどうかのチェックが行われている。辞書復元要
求があった場合にはルートδに従って、直前入力単語の
処理内容が交換であったか、あるいは、平均化であった
か、追加であったかの判定を行う。もし、直前入力単語
の処理内−２１＝ 容が平均化処理であったならば、辞書復元用パターンワ
ーク領域１１に格納されてあった平均化された元の登録
パターンを辞書部の対応する元の領域に戻す。直前入力
単語の処理内容が交換であった場合には、交換された元
のパターンを元の辞書部の領域にもどす。追加の処理で
あった場合には単に辞書部のその領域の追加パターンを
削除すればよいことになる。このようにして元の登録パ
ターンをワーク領域１１から対応する辞書部の領域に戻
すことによってノイズの入力に対して影響なく過去の状
態に戻すことができ、ルー）Ａに従って同じ入カバター
ンに対してスタート状態に戻り、ノイズのない状態で再
度同様なことを繰り返すことができる。

以上説明したように本発明によれば辞書パターンを１人
力、或いは更に過去の前に戻して再度入力でき、過去に
学習してあった正確な辞書パターンを破壊することなく
、学習の更新を行うことができる。

〔発明の効果〕

本発明はこのように音声入力時に、入カバターンと登録
パターンとの学習処理を実行すると同時に元の登録パタ
ーンを１ノークフアイルに退避し、辞書の復元要求があ
った場合に、前記ワーク領域に元のパターンを辞書部に
転送することにより、辞書パターンを過去の状態に戻す
ことができる。

そして、この辞書の復元化により学習時に誤った発音や
、ノイズが入力された場合でもすでに作成した辞書パタ
ーンを破壊することなく登録パターンを更新していくこ
とができる。すなわち、本発明は、学習時に誤った発音
やノイズが入力された場合にもその単語の登録を最初か
らやりなおす必要がなく、学習に要する時間を短縮でき
るという効果がある。

【図面の簡単な説明】

第１図は本発明の単語音声認識装置の構成図、第２図は
本発明の単語音声認識装置のパラメータ計算部の構成図
、 第３図は本発明の単語音声認識装置の辞書部に格納され
る標準パターン、 第４図（ａ）、　（ｂ）は本発明の単語音声認識装置の
ワーク領域の動作原理を説明する図、 第５図（ａｌ、　（ｂｌは本発明の単語音声認識装置の
動作を説明するフローチャートである。 ｌ・・・音声入力部、 ２・・・前処理部、 ３・・・パラメータ計算部、 ４・・・区間検出部、 ５・・・ホスト計算機、 ６・・・切替部、 ７・・・辞書部、 ８・・・照合部、 ９・・・学習処理部、 １０・・・制御部、 １１・・・辞書復元用パターンワーク領域、１２・・・
復元要求キー。 第２図 フレーム 静　　杏 （１士６弓；！呵７ε）く＝丹ンｚ＋＞■　７Ｇの、冶
５金和＼°７−ン乞ワーク涜喚セらり（（＋ム基しイ永
む。 著六込」騎（１均イζ） 第４図 ？ 第３図 ■　ワーＴぢｉ八−凡の麿（幸バ７−ンΣ古虐各（が輸
ａ漫♀）心を光ギ収のｈ７Ｃ＾会 第４図 （ｂ） （Ｇ）

Claims (1)

1. 【特許請求の範囲】 音声信号を入力した後音声の特徴を抽出しかつ区間検出
   を実行する音響分析部と、 予め前記音響分析部を介して分析された単語標準パター
   ンを学習する学習処理部と、 前記学習処理部で学習してできる単語標準パターンを格
   納する辞書部と、 前記音響分析部を介して出力される前記音声信号の特徴
   パターンと前記辞書部の単語標準パターンとを照合する
   照合部と、 前記音響分析部の出力を前記辞書部、前記学習処理部ま
   たは前記照合部に転送することを選択的に行う選択手段
   と、 前記学習処理部に接続され使用者の指示により、前記辞
   書部への登録パターンを過去の入力の状態に戻すことを
   可能にする復元手段と、 前記音響分析部、辞書部、学習処理部、照合部、前記選
   択手段および前記復元手段を計算処理部を介して制御す
   る制御手段とを有することを特徴とする単語音声認識装
   置。