JPS62209497A - 連続音声認識装置 - 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、連続音声認識装置における認識＃を度の向上
技術に関する。

（従来の技術） 音声認識は、計算機にデータやコマンドを入力する手段
として有効であり、従来から多くの認識装置が発売され
ている。それらの中でも、連続発声された単語を認識す
ることのできる連続音声認識は離散音声認識に比べて、
利用者の負担が少なく、かつ、高速に入力することがで
きるという利点がある。認識装置の多くは、パターンマ
ツチング法による認識方式を採用している。パターンマ
ツチング法は、認識対象となる単語のｔｌＡ準的な音声
パターンを１個または複数個用意しておき、未知の発声
、すなわち、入力パターンとそれら標準パターンとの比
較によって、最も類似した標準パターンのカテゴリに属
する単語名を認識結果とするものである。その時、パタ
ーンどうしを比較し蘭似度の尺度（以下、距離という）
を求める方法としては、従来から動的計画法を用いた非
線形なマツチング法が使用されている（特公昭５６−２
８２７８号公報）。

以下、この方法の原理を簡単に説明する。音声パターン
は、一般に特徴ベクトルの時系列で表現され、 Ａ”ａｌ　ｔ　　ａｌ　ｖ　　ａ３　ｔ　””＊　　ａ
ｌ　、　　…ａＩここで ａｌ　”　（ａｌｉｙ　ａｌｉｔ　””ｔ　ａＬｌ）は
、音声の時刻１における特徴を示すベクトルであり、例
えばＬチャンネルの周波数分析により得られるものを使
用できる。このパターンと、以下の Ｂ”’ｂｌ＃　　Ｊ＊　　ｂ３ν””ｔ　ｌ）ｊ、　ｂ
Ｊとを比較する場合を考える。パターンＡの時間軸を１
、パターンＢの時間軸をｊとすると、両パターンの時間
正規化は、ｉをｊに写像する歪関数ｊ＝、１（ｔ） を求める事と等しい。すなわち、写像を受けたＡとＢと
のパターン間距離が最小になる歪関数を求める事が、両
パターンの最適な時間正規化マツチングを行なう事であ
る。その時の距１ｉ１１１Ｄは、次のように定義できる
。

よ り（Ａ、　Ｂ　）＝ｍｉｎ　（Σｄ（１，ｊ）］ｊ町（
ｉ）ｉ＝１ ａ（ｔｅｊ）は、ペクトｌ’ｉ　ａｌ　、　　ｂＪ間の
距離テアリ、以下の漸化式によって距離Ｄ（Ａ、Ｂ）を
得ることができる。

ここで、この漸化式は、マツチングの柔軟性を与えるも
のと解釈することができる。すなわち、この漸化式の場
合、第２図に示すように、標準パターンに対して、入力
パターンは％から２倍の伸縮を許すものである。

この方法を用いた連続音声の認識は、以下のように考え
ることができる。まず、認識語索をあらかじめ発声し、
そのパターンを標準パターンＥｌｓｅＢ１．・・・、Ｂ
Ｎとし、入力された音声パターンを入力パターンＡとし
て保持する。次に％Ｂｔ−ｋｌｔａ並べて作ったに桁の
標準パターン列 ｎ（１）　　　　ｎ（２）　　　　ｎ（３）　　　　　
　　　ｎ（ｋ）Ｂ　　■Ｂ　　　＜＋）　Ｂ　　　Ｃｆ
）　・・・（９Ｂを作りＡとの；ＩＡ似度を求める。類
似度が最も大きくなる単鎖列（ｎ　（ＩＬ　ｎ（”）、
〜Ｈｎ　（ｋ））が求める結果である。このような連続
音声認識のためのアルゴリズムとしては、特開昭５８−
９８７９６号および日本音響学会研究会資料８８１−６
５に詳しく記述されており、それらを用いることができ
る。

（発明が解決しようとする問題点） 以上説明したような従来の連続音声認識装置では、標準
パターンとして、利用者または、それ以外の話者によっ
て発声された離散単語の音声情報をそのまま保持したパ
ターンを用いていた。すなわち、発声長分の特徴をその
まま保持していた。

一般に、連続単語で発声されると、−単語当たりの平均
発声長は短くなることが知られているが、実際にはどの
単語も同一の割合で短くなるのではなく、離散発声で発
声長が長いものほど短くなる割合が大きい。また、発声
速度が早まる程、−単語当たりの平均時間長は一定にな
ってゆくという傾向がある。すなわち、連続発声では、
前後の単語の影響を受けるために、各単語の時間長の均
一化が起こる。この現象は、数字などの単語の結合が意
味を持たない場合％に見られ、人間はこのような時に、
発声を楽にするために、一定の間隔のリズムで発声する
ようになるためと考えられる。

従って、従来方式のように、発声長の情報をそのまま標
準パターンとして用いて連続単語認識を行なうと、長い
標準パターンは常に圧縮されてマツチングされることに
なる。これでは、伸縮可能な範囲の一部しか利用されて
いないことになる。

第３図は、そのマツチングの例を示したものである。連
続発声＠３８１’と、標準パターンの＠３１゜ｆｉ８＃
、＠ｌ＃の連結パターンとのマツチングの様子を示した
ものである。順化式には、前述のものを用いている。図
中の斜線部分に示すようにミ”８″、”１″は、離散発
声では、時間長が長いために前述の漸化式によって許さ
れる伸縮の範囲は、′ａ３”の場合と比べて小さくなっ
てしまう。

そのため、順化式における（３）式がＳ緊に匣われるこ
とになり、（１）式はほとんど使われていない。このよ
うに、従来方式では、マツチングの柔軟性が十分に生か
されず、認識の精度が低下してしまう場合があった。ま
た、離散単鎖の発声長と連続単語中での発声長の差が大
きい場合には、マツチング時に許される伸縮の範囲を超
える場合も生じ、そのような場合には、正しいマツチン
グが行なわれず、認シェラ−が多発してしまう。

この問題に対して、離散発声と連続発声における発声長
に差がある場合に、伸縮の大きい部分に対しては、マツ
チングの柔軟性を増して順化式計算を行なうという方式
が特願昭５９−２４５３２８に提案されている。この方
式は、第４図（ａ）〜（Ｃ）　に示すような、伸縮の度
合いの異なる複数間の順化式計算によって、マツチング
の柔軟性を変化させるものである。図に示すように、マ
ツチングの柔軟性を増すと、漸化式の計ｇｔはそれに比
例して増加してしまう。すなわち、この方式では、認識
時の計算量、メモリ量が大幅に増えるという欠点があっ
た。

本発明の目的は、上記のような欠点を除去し、認識語集
の全ての単語に対し、無理な時間軸対応付けをすること
なく、性能の良い連続音声認識装置を提供することにあ
る。

（問題点を解決するための手段） 本発明による連続音声認識装置は、欠の各部からなる。

すなわち、入力音声の特徴ベクトルの時系列を入力パタ
ーンとして保持する入力パターン格納部、Ｗ１１練用音
声の特徴ベクトルの時系列を訓練パターンとして保持す
る−１１練パターン格納部、前記訓練パターン格納部に
格納されている訓練パターンに対し、時間軸の圧縮伸張
処理を行なう均一化処理部、前記均一化処理部にて得ら
れたパターン−を４準パターンとして格納する標準パタ
ーン格納部、前記入力パターン格納部より読み出された
入力パターンと、前記標準パターン格納部より読み出さ
れたｔａ準パターンより認識処理を行なう認識処理部の
各部である。

（作用） 本発明は、標準パターンに対して、あらかじめ時間長の
伸縮を行なうことにより、各単語に対するマツチングの
自由度を増し、時間長正規化の精度を向上させるという
ものである。これは、本発明における均一化処理部を設
けることによって実現できる。すなわち、均一化処理部
では、発声された離散訓練パターンに対し、それらが連
続して発声された場合での時間長となるように時間長の
伸縮処理を行なう。それらを標準パターンとし、パター
ンマツチングによる認識を行なうことにより、精度の高
い認識が実現できる。

（実施例） 以下に、本発明の実施レリについて図面を参照しながら
詳細に説明する。第１図は本発明の連続音声認識装置の
一実施例を示すブロック図である。

ここでは、“ｚｅｒｏ″〜”ｋｙｕ”　までの数字が連
続発声されたものを認識する場合について説明する。

−１１練パターン格納部１には、あらかじめ利用者、ま
たは、それ以外の話者によって発声された数字音声の特
徴パターンが格納されている。ここで、各ｉ、ｌ１１練
パターンを以下のように表わすことにする。

Ｅｆｌ”ｂｌ　ｙ　ｂｔ　ｖ　ｂＢ　ｔ・・・ｔ　ｂ、
ｉ、、−・・、ｂＪｎただしｎ＝　ｉｔ　　２ｒ　・”
＊　　Ｎ　ｂｔは、各−１１練パターンの時刻ｔにおけ
る特徴パラメータであり、Ｊｎは、−１１練パターンＢ
ｎの時間長である。訓練パターン格納部に格納されてい
るパターンは、発声された時間長のまま保持されたもの
であり％　＠ｎｉ　’ｔ＠ｇｏ　＃　などは比較的時間
長ｊは小さく、”　１ｃｈｉ　−、−ｒｏｋｕ　’　、
　−ｈａｃｈｉ”などの時間長は長い。

欠に、均一化処理部２では、訓練パターン格納部ｌより
訓練パターンを読み込み、時間長が均一化されるように
パターンの伸ｉ陥処理を行なう。この均一化処理は、例
えば、以下のように行なわれる。

初めに、連続発声における一単語の平均時間長を以下の
式で求める。

ｙは１離散発声長に対する連続発声長の伸縮割合を示す
係数であり、ここでは、例えば０．８とする。

矢に、１１１＃！パターンの各単語を、求められた時間
長Ｊになるように、伸縮処理を行なう。すなわち、標準
パターンＣｎ　＝Ｃ１ｔ　　Ｃ１ｔ・・・ｔ　Ｃ１ｔ　
”’ｔ　ＣＪＸの時刻１における特徴ペク）　／Ｌ／　
Ｃｔ、は、次式により求めることができる。

Ｃ１＝ｂｒ＊　　ｒ＝（ｔＸＪｎ／、ｙｘ＋　１　）た
だし、〔２〕は２を超えない最大整数値である。

以上の述べた伸縮処理により得られたパターンＣｎｎ＝
１＊　　２ｗ　＝・ｅ　　Ｎ　　ｔ’ｆＡ準パターンと
して、標準パターン格納部３に格納する。

認識時には、入力された入力パターンが、入力パターン
格納部４に格納される。続いて、認識処理部５において
、入力パターン格納部４０入力パターンと、標準パター
ン格納部３の標準パターンとを読み込み、パターンマツ
チング法による認識処理を行ない、結果を求める。認識
処理部５における処理としては、前記特公昭５８−９８
７９６に記述されているものを用いることができる。

以上、本発明による連続音声認識装置の動作を説明した
が、伸縮処理としては、上記の処理に限らず、以下に示
すものも用いることができる。

ｅｔ、’＝（ｔ−α）×ｂｒ＋α喝＋１ｒ　＝Ｃｔ　Ｘ
Ｊｎ／ＪＸ　） α＝ｉｘＪｎ／ＪＸ−ｒ また、上記の線形な伸縮だけでなく、動的計画法や′）
＞（１１ベクトルの変化分に基づいて非線形な伸縮を行
なうこともできる。さらに、実施例では、単語単位の標
準パターンを用い、標準パターン長は、各カテゴリ共通
に、ＴＸとしたが、標準パターンとしては、音素単位、
音節単位、ＶＣＶ単位、半単語単位などのパターンを用
いることもでき、標準パターン長は、各カテゴリ別に求
めても良い。

（発明の効果） 以上述べた本発明の連続音声認識装置では、−１１練パ
ターンが離散発声であっても、連続発声における時間長
を持つ標準パターンが用意されている。

そのため、従来のように、連続発声パターンと、ａ準パ
ターンとの時間長の差は大ぎくならず、大きな時間長差
によって正しいマツチングができずエラーになる、とい
う欠点を解決し、全ての標準パターンに対し無理のない
マツチングが可能になる。これにより、より正確な類似
度を求めることができ、認識の精度は向上する。また、
従来は、マツチングの許容範囲を広げるためには、順化
式により対応するしかなく、その場合、計算量、メモリ
量ともに大幅に増えるのが欠点であったが、本発明によ
れば、計ｎ量、メモリ量は、増やすことなく、マツチン
グの許容範囲を広げることができる。また、計算量、メ
モリ量の増大を防ぐために伸縮の度合いに応じて、用い
る漸化式を変化させる方式が従来提案されていたが、本
発明による方式では、用いる順化式は一種類で良い。そ
のため、認識時の処理が簡単になるため、認識回路が簡
単になるという利点が生じる。

【図面の簡単な説明】

第１図は本発明の一実施例を示すブロック図、第２図は
従来方式におけるマツチングの柔軟性の範囲を示すため
の図、５ｇ３図は従来方式におけるマツチングの様子を
示すための図、第４図（ａ）〜（Ｃ）は従来方式におけ
るマツチングの柔軟性を変化させる方法を説明するため
の図である。図において、 １・・・−１１練パタ一ン格納部、２・・・均一化処理
部、３・・・標準パターン格納部、４・・・入力パター
ン格納部、５・・・認識処理部。 ワ ｊ　　　入力／＼゛ターン　′３８１”第３図 （’＋−１．ｊ−２） 第４図（１）） 第４図（ｃ）

Claims (1)

【特許請求の範囲】
1. 入力音声の特徴ベクトルの時系列を入力パターンとして
   保持する入力パターン格納部と、訓練用音声の特徴ベク
   トルの時系列を訓練パターンとして保持する訓練パター
   ン格納部と、前記訓練パターン格納部に格納されている
   訓練パターンの時間軸の圧縮伸張処理を行なう均一化処
   理部と、前記均一化処理部にて得られたパターンを標準
   パターンとして格納する標準パターン格納部と、前記入
   力パターン格納部より読み出された入力パターンと前記
   標準パターン格納部より読み出された標準パターンより
   認識処理を行なう認識処理部とを有することを特徴とす
   る連続音声認識装置。