JPS6232799B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は音声認識装置の改良に関し、特に入力
速度の向上に寄与するものである。

音声認識装置は人間から機械へのデータあるい
は制御指令の入力手段として有効である。近年で
は自動仕分け装置制御指令入力手段として利用さ
れるようになつている。「中田和男編、昭和53年
９月コロナ社発行による“パタン認識とその応
用”なる文献の第153ページから第156ページ」に
は、この他にも広範囲の応用分野が存在すること
が記されている。

音声認識装置には大別して離散入力型と連続入
力型とが存在する。前者では入力される単語間に
休止区間（無音区間）を入れる事が必要とされ
る。この休止区間によつて単語の始端と終端を決
定して単語区間を検出し、認識処理が行なわれ
る。しかるに数字“６”（roku）のような音声で
はｋの直前に休止区間が発生する。このように語
中に発生する休止区間長は時として200ｍｓ以上
に達する事がある。このため語間の休止区間には
約300ｍｓ以上の長さが必要とされる。したがつ
て従来の離散入力型の音声認識装置では単語間に
300ｍｓ以上の休止区間を置きながら単語を入力
する必要があつて、入力速度は低かつた。

一方、連続入力型の音声認識装置は単語間に休
止区間を入れなくても認識動作を実行でき、高い
入力速度が得られる。特願昭50−29891号明細書
には連続単語認識装置の構成が示されており、そ
の原理は日本電気製のDP−100音声入力装置に実
用化されている。しかしこのような連続単語認識
法では、単語間境界が不明であるため、音声中の
各時点を単語境界と仮定して比較計算を多数回繰
り返す必要があり、所要演算量が膨大になつて装
置が大型高価格になるという欠点があつた。

本発明は、完全に連続した単語列を認識するも
のではないが、単語間に極めて短かくても休止区
間が存在しさえすれば語中の休止区間に影響され
る事なく正しい認識を行なう離散入力型の装置を
実現するものである。

すなわち、本発明の目的は従来離散入力型より
は極めて高速で、連続入力型に比較すると大幅に
小型安価なる音声認識装置を実現提供する事にあ
る。

本発明による高速音声認識装置は入力音声波形
を分析しベクトル系列として表現される入力パタ
ンに変換するための分析部と、標準パタンを記憶
するための標準パタンメモリーと、入力音声の振
幅を検定して入力パタン内に休止点を決定するた
めの手段と、休止点と別の休止点との間の区間と
して定義される部分パタンと前記標準パタンとの
距離を算出するためのパタンマツチング部と、各
標準パタンに対して算出される距離を比較してそ
の最小値たる部分距離とその最小値を与える単語
名たる部分判定を算出するための最小値検出部
と、前記入力パタン内の各休止点によつて区分さ
れ重複せずかつ入力パタン全体を覆う部分パタン
群を各部分パタンに対応する前記部分距離の総和
が最小となるように定めるための手段と、これに
よつて定まる各部分パタンに対応する前記部分判
定を認識結果として定め出力するための判定部と
より構成される。

かくの如き構成によると部分距離や部分判定の
算出は休止点だけを対象として行なえばよいの
で、すべての時点を対称としていた前記特願昭50
−29891号の構成に非して格段に少量の計算量で
音声認識が可能になる。一方、本装置を使用する
場合には各単語間に休止区間を置いて発声する必
要があるが、この休止区間は単語内の休止区間に
比して同程度以下に短かくても良いので、十分長
い休止区間を置く必要のあつた在来の離散入力型
の音声認識装置に比して高速な速度が実現でき
る。

本発明による音声認識装置の認識対象語は特に
限定されるものではないが、以下では一列として
数字０〜９を認識対象とする。一般に数字をｎで
示す。

ｎ＝０、１、２、…、９ (1) 各数字ｎには標準パタン Ｂⁿ＝〓_１ ⁿ、〓_２ ⁿ、…、〓_j ⁿ、…、〓ⁿ _Jｎ (2) が用意されている。いま入力パタン（未知）を Ａ＝〓_１、〓_２、…、〓_i、…、〓_I (3) と示す。ここに(2)、(3)におけるベクトル〓_j ⁿ、〓_i
等はそれぞれ時刻ｊ，ｉにおける音声の特徴を示
すベクトルである。

入力パタンＡには複数個（特殊な場合には１
個）の数字音声が含まれている。数字と数字の間
には第１ａ図に示すように必らず休止区間が含ま
れているものとする。数字“１”、“６”、“８”等
の場合には語中の休止区間も存在する。しかし当
然の事ながら各休止区間の語間の休止区間である
か、語中の休止区間であるかは不明である。

休止区間は存在するか否かという情報以外には
特に有益な情報は無いのでその長さを１に圧縮し
てさしつかえない。すなわち第１図ｂに示される
ように圧縮するものとする。入力パタンＡはこの
ように圧縮されているものとする。休止区間に対
応してはベクトル〓_iとして０ベクトルが存在す
るものとする。すなわち、休止区間では 〓_i＝（０、０、…、０） (4) となつている。なお、このように０ベクトルを含
む入力パタンとの比較が精度良く実行されるよう
に、各標準パタンの最後のベクトル〓ⁿ _Jｎも０ベ
クトルとなつているものとする。

〓ⁿ _Jｎ＝（０、０、…、０） (5) 以上述べた入力パタンと標準パタンとの間で実
行される認識動作の原理を以下に説明する。第１
ｂ図のように０ベクトルが挿入された点を休止点
と呼ぶ。最初の、すなわち単語列の先頭を０とし
以後順に番号づけを行なつて ｋ＝０、１、２、…、Ｌ (6) なる数字を各休止区間に対応させる。これらの休
止区間の中の何個から単語境界であり、他は単な
る語中の休止区間である。しかし未知の入力パタ
ンＡが与えられた段階ではこれらの区別は知られ
ていない。今、第ｋ休止点の時刻ｉが ｉ＝ｐ(k) (7) で与えられるとする。入力パタンＡに部分パタン Ａ（ｘ、ｙ）＝〓_l+1、〓_l+2、…、〓_n (8) を定義する。ここに ｌ＝ｐ（ｘ）、ｍ＝ｐ（ｙ） (9) すなわち第ｘ休止点の直後から始まり、第ｙ休止
点に至るまで（第ｙ休止点の０ベクトルを含む）
のベクトル系列を部分パタンＡ（ｘ、ｙ）として
定義する。この部分パタンは内部に休止点を含ん
でいてもよい。すなわち、部分パタンの終端ｙは
始端ｘの直後の休止区間である必要は無い。一般
には ｘ＜ｙ (10) いま、この部分区間Ａ（ｘ、ｙ）が真の単語であ
ると仮定とすると、この部分は公知のパタンマツ
チング法によつて認識できる。すなわち、今、ベ
クトル〓_iと〓_jとの間の距離をｄ（ｉ、ｊ）で示
す時、上記部分パタンと前記の音声パタンＢ（一
般性を持ちたせるために添字ｎを省略）との間の
距離を次のように定義する。

これは、例えば特願昭54−66589号明細書にお
ける(4)式の距離の定義と同義である。関数ｊ(i)は
単調増加関数であつて ｊ（ｌ＋１）＝１、ｊ（ｍ）＝ｊ (12) なる境界条件を満足する。上記明細書あるいは特
願昭50−132003号明細書の主旨によると、(11)式の
最小化問題は次のようなダイナミツクプログラミ
ング法（DP）によつて計算される。

初期条件 ｇ（ｍ、ｊ）＝ｄ（ｍ、ｊ） （13） 漸化式 距離 Ｄ（Ａ（ｘ、ｙ）、Ｂ）＝ｇ（ｌ＋１、１）
（15） 以上の距離の定義及び計算法は例えば新美康永
著（昭和54年10月10日共立出版株式会社刊）「音
声認識」第108頁に記載された如くDP−マツチン
グ法として広く知られているものである。

標準パタンとしてＢⁿを代入れて上記の手続き
を実行して得られる距離Ｄ（Ａ（ｘ、ｙ）、Ｂⁿ）
をＤ（ｘ、ｙ、ｎ）と略記する事にする。この距
離が数字単語ｎ＝０、１、…、９の全部に対して
求まると、その最小値を求める事によつてこの部
分パタンＡ（ｘ、ｙ）を認識する事ができる。そ
の結果を 部分判定 部分距離 とする。ここにargminなる記号は〔 〕内の値
の最小を与えるパラメタｎを選択する事を意味す
る。

以上の部分判定Ｎ＾（ｘ、ｙ）と部分距離Ｄ＾
（ｘ、ｙ）をすべての休止点対（ｘ、ｙ）に対し
て求めることにする。以上を第１段処理と呼ぶ。

次に入力パタンＡの全体について上記分部距離
Ｄ＾（ｘ、ｙ）の総和を計算し、それが最少となる
ような部分パタン列を求める。ただし、この部分
パタン列は第２図に示すように相互に重複せず、
かつ入力パタンＡ全体を覆うものであるとする。
この要求は連続発声された単語列中には単語間で
重なり合う部分が無く、かついずれの単語にも属
さない様な余部な部分が無いという意味である。
また、この部分パタン列の中の各部分パタンの間
の境界は前記の休止点のいずれかに一致する必要
がある。以上の事を数式的に表わすと次のように
なる。

すなわち、単語数Ｍと単語境界ｘ（０）、ｘ
(1)、…、ｘ(k)、…、ｘ（Ｍ）とを最適選択する事
によつてこれら単語境界に対応する部分距離の総
和を最小とするのである。

（16）式の最小化問題を計算し、最適なパラメ
ータＫ＝Ｍとｘ(k)＝ｘ＾(k)、ｋ＝０、１、２、…、
Ｍ＾（ただしｘ（０）は単語列全体の始点であるの
でｘ（０）＝０、ｘ（Ｍ）は単語列全体の終点で
あるのでｘ（Ｍ）＝Ｉであることは自明）を求め
ると、前記の部分判定Ｎ＾（ｘ、ｙ）を参照するこ
とによつて ｎ＾(k)＝Ｎ＾（ｘ＾（ｋ−１）、ｘ＾(k)）、 ｋ＝１、２、…、Ｍ＾ （17） と認識結果が確定する。

（16）式の最小化問題の計算は、例えば前記特
願昭50−132003号明細書の（24）式に示される如
きダイナミツクプログラミング法によつても可能
であるが、本願の場合には休止点に限定して単語
境界を決定すれば良いので問題の規模が小さく、
いわゆる総当り法によつても可能である。すなわ
ち第２図の場合において、単語列全体としての始
端と終端を除外して５個の休止点があるから、こ
れらの各々が単語境界である場合とそうでない場
合の総べての組み合せについて部分距離の群の総
和を計算し最小値を求めることによつて実行され
る。この場合の組み合せの総数は2⁵（休止点か否
か、すなわち１か０かという独立事象が５個あ
る）すなわち32通りであるにすぎない。休止点が
10個ある場合でも1024通りであるにすぎず、１回
の総和計算に100μｓ必要であるとしても、全体
では102.4ｍｓ以内で終了する事になる。

これら（16）式の最小化を第２段処理と呼ぶ。
また（17）式の計算を判定処理と呼ぶ。

第３図は以上の原理に基づいて動作する高速音
声認識装置の一構成例を示すブロツク図である。
信号線ISを通して入力される音声信号は例えば
「昭和54年９月にオーム社より刊行されたエレク
トロニクス誌の929ページの第２図」に示される
如き周波数分析手段２０によつて周波数分析、時
間多重化、標本化、デイジタル化され、(3)式の如
きベクトルの時系例として入力パタンバツフア４
０に送られる。他方レベル検出器３０では入力音
声信号の振幅レベルが測定され、レベル信号Ｌと
して音声検出器５０に送られる。音声検出器５０
では、入力されるレベル信号Ｌに基づいて第４図
に示す如き信号q₁，q₂，bg，enを発生する。す
なわち音声の始端（単語列全体としての始端）で
は始端検出パルスbgか、音声の終端（単語列全
体としての終端）では終端検出パルスenが、そ
れぞれ発生される。また休止区間の始点では休止
区間検出パルスq₁が、また休止区間中では休止区
間継続信号q₂が発生される。

制御部１０に内蔵されるフレームカウンタの出
力m₁と、休止点カウンタの出力k₁とは前記の始
端検出パルスbgが発生された時点でそれぞれm₁
＝１、k₁＝１とセツトされる。また休止点テーブ
ルの内容はすべて−１にリセツトされた後第０番
地に０が記入される。以後周波数分析部２０から
入力パタンのベクトル〓_n（時刻ｉ＝ｍ）が１個
送られるたびに、フレームカウンタ信号は１ずつ
増加される。このフレームカウンタ信号によつて
番地指定され、休止点テーブルの第m₁番地には
休止点カウンタ信号k₁が記入される上記のベクト
ル〓_iは第ｍ番目のベクトル〓_nとして入力パタン
バツフア４０に書き込まれる。休止区間の最初に
休止区間検出パルスq₁が発生されると、休止点テ
ーブルの第m₁番地に１が記入され、入力パタン
バツフアにはベクトル〓_nとして、(4)式の如き０
ベクトルが書き込まれる。また休止点カウンタ信
号k₁は１だけ増加される。その後、休止区間継続
信号q₂が発生されている間はフレームカウンタ信
号ｍの増加は抑止される。かくの如き制御によつ
て、第１ａ図のように休止区間を伴なう音声が入
力されても、第１ｂ図のように休止区間を圧縮し
た形式の入力パタンが得られることになる。

フレームカウンタ信号m₁＝ｍで休止点カウン
タ信号k₁＝ｙのとき休止区間が始まつたとする。
休止区間検出信号q₁がパタンマツチング部７０に
送られると前記の第１段処理が開始される。この
ため、前記制御部よりの単語指定信号n₁が第５図
のタイムチヤートの如く０、１、２、…、９と変
化され、これによつて標準パタンメモリー１３０
内の標準パタンＢⁿが順次指定される。いま、一
般的に単語指定信号がn₁＝ｎである場合のパタン
マツチング部７０の動作を説明する。一般的にn₁
＝ｎであるサイクル（13）、（14）式の計算が行な
われる。特に（14）式の計算は、前記特願昭50−
132003号に記しされた如く ｊ＋ｍ−Ｊⁿ−γ≠≦ｉ≦ｊ＋ｍ−Ｊⁿ＋γ
（18） なる整合窓内で行なわれ、この結果漸化式値ｇ
（ｉ、１）は １＋ｍ−Ｊⁿ−γ≦ｉ≦１＋ｍ−Ｊⁿ＋γ（19） の範囲で求まる。したがつて距離Ｄ（ｘ、ｙ、
ｎ）は ｍ−Ｊⁿ−γ≦ｌ≦ｍ−Ｊⁿ＋γ すなわち Ｐ（ｘ）−Ｊⁿ−γ≦Ｐ（ｙ）≦Ｐ（ｘ）−Ｊⁿ＋γ
（20） の条件を満足する休止点ｘを始端とする部分パタ
ンに対して算出される。（20）の条件を満足する
ｘが複数個存在する時はこれらのｘを始点とする
部分パタンＡ（ｘ、ｙ）のそれぞれに対して距離
Ｄ（ｘ、ｙ、ｎ）が算出される。かくの如きパタ
ンマツチング部７０は前記特願昭50−132003号明
細書においても参照されている特願昭50−29891
号明細書の第６図と同様な構成によつて実現でき
る。

かくして計算された距離Ｄ（ｘ、ｙ、ｎ）は信
号線D₁を経由して最小値検出部８０に送られ
る。本題では休止点のみが単語境界たりうるとし
ていることが特徴である。このためアドレス信号
m₂＝ｉによつて休止点テーブル６０に（19）式
の範囲内で番地指定がなされ、ｉ番地の内容ｃ(i)
が信号線ｃを経由して読み出される。ｃ(i)が−１
のきには該等する漸化式値ｇ（ｉ、１）は出力さ
れない。ｃ(i)が非負の数ｘである時はこのｘは休
止点番号であるので漸化式値ｇ（ｉ、１）が距離
Ｄ（ｘ、ｙ、ｎ）として出力される。またこの休
止点番号ｃ(i)は信号線k₂経由して部分距離メモリ
ー９０と、部分判定メモリー１００とに送られ
る。以上の動作は単語指定信号ｎが０から９まで
変化する間繰り返される。

最小値検出部８０では、前記パタンマツチング
部７０より信号線D₁を経由して出力される距離
Ｄ（ｘ、ｙ、ｎ）を大小比較する。その結果とし
て同一の休止点対（ｘ、ｙ）に対しては単語ｎに
関して距離Ｄ（ｘ、ｙ、ｎ）の最小値を算出し
（17）式の部分距離Ｄ＾（ｘ、ｙ）とし、またその
最小値を与える単語を（16）式の部分判定Ｎ＾
（ｘ、ｙ）とする。これらはそれぞれ信号Ｄ＾とＮ＾
を経由してそれぞれ部分距離メモリー９０と部分
判定メモリー１００とに記入される。この場合の
番地指定は前記制御部１０からの休止点カウント
信号k₁によつて与えられる休止点番号ｘと前記パ
タンマツチング部７０から信号線k₂を通して与え
られる休止点番号ｙとによつてなされる。この動
作に関与する最小値検出部７０、部分判定メモリ
ー１００、部分距離テーブル９０との全体として
の構成は一例として特願昭51−18346号明細書の
第２図に示された第１比較回路１６、部分判定結
果テーブル１８、部分類似度テーブル１７の構成
接続と同様であつても良い。

以上の手続きは入力パタンのベクトル〓_nが入
力されかつ休止区間が発見されるたび（すなわ
ち、休止区間検出パルスq₁が発生されるたび）に
繰り返される。最後に終端検出パルスenが発生
された時点の休止点カウント信号k₁が（Ｋ＋２）
となつているとする。この時、最後の休止点の番
号（すなわち単語列としての終端）は（Ｋ＋１）
となている。したがつて、 ０≦ｘ＜ｙ≦Ｋ＋１ （21） なる範囲内の休止点ｘとｙの組み合せに対して部
分判定Ｎ＾（ｘ、ｙ）と部分距離Ｄ＾（ｘ、ｙ）とが
前記の部分判定メモリー１００と部分距離メモリ
ー９０とに記載されている。

前記の終端検出パルスｅ_oが第２段処理部１１
０に与えられると、（16）式の計算が始められ
る。この第２段処理部は周知のマイクロプロセツ
サで構成されており、次のような動作を行なう。
（16）式の計算を総当り法で行なうために、Ｋ個
の休止点（単語列全体としての始端と終端を除
く）の各々が真の単語境界である場合とそうでな
い場合の総ての組合せを調べる必要がある。この
ため、第６図のような考え方で休止点（ｘ、ｙ）
の組み合せを発生する。すなわちＫビツトのカウ
ンタ１１０１を仮定し、このカウンタを初期値１
として以後１ずつ加算する。そのＫビツトの出力
γによつてアドレステーブル１１０２をマスクし
てγ＝１のビツトが入力しているアドレスのみを
出力する。アドレステーブルには０から（Ｋ＋
１）までの整数が記録されており、アドレス０と
アドレス（Ｋ＋１）とは常時出力されている。こ
れは単語列の始点と終点とが休止区間として扱わ
れている事実に対応する。これらのアドレス群は
スキヤナーによつて対として走査され、低位アド
レスをｘ＝ｘ（ｋ−１）、高位アドレスをｙ＝ｘ
(k)とするアドレス対k₃＝（ｘ、ｙ）として部分距
離メモリー９０に送られる。これによつて部分距
離Ｄ＾（ｘ（ｋ−１）、ｘ(k)）が信号線Ｄ＾_１を通し
て読み出される。このような番地指定と読み出し
を続けながら第６図のスキヤンを行ないつつ、部
分距離の総和を計算する。次にはカウンタ１１０
１の内容を１だけ増加して上記と同様な手続きを
行なつて総和を計算する。かくしてカウンタ１１
０１の内容が総て１になるまで繰返し総和を計算
する。この総和群の計算に並行してそれらの最小
値を求める。この最小値が得られた時のアドレス
群（第６図のアドレステーブルでγ＝１が指定さ
れているアドレス）が下位アドレスからｘ＾(k)、ｋ
＝０、１、２、…、Ｍ＾（ただし、Ｍ＾はγ＝１とな
るアドレスの総数）となる。かくして、（16）式
の最小化が完了した。すなわち第２段処理が終了
した。

（16）式の最適パラメータ（単語境界に対応す
る休止点番号）ｎ＾（ｘ）が求まつた後の判定処理
は判定部１２０により（17）式を実行することに
よつて実行される。すなわちｘ＾＝ｘ＾（ｋ−１）、
ｙ＝ｘ＾(k)の対よりなるアドレス信号k₄を部分判定
メモリー１００に送つてＮ（ｘ＾、ｙ＾）を信号N₁
として読み出すという手続きをｋ＝１、２、…、
Ｍ＾と繰り返すことによつて実行される。これらの
判定結果ｎ＾(k)は信号線ｎ＾を経由して外部へ出力さ
れる。この判定処理は簡単であるので判定部１２
０は前記の第２段処理部１１０と同一共通のマイ
クロプロセツサであつて良い。

以上本発明の構成を実施例に基づいて説明した
がこれらの記載は本発明の範囲を限定するもので
はない。特に第２段処理部の構成及び動作は特願
昭50−29891号、特願昭50−132003号、特願昭50
−132004号、特願昭51−18346号明細書に記載さ
れているが如き構成と動作によつても良い。ま
た、本願ではベクトル間の距離を類似性の尺度と
したが特願昭50−132003号明細書の場合のよう
に、ベクトル間の内積を用いてもよい。この場合
には本願における最小値検出の操作はすべて最大
値検出操作におきかえられる必要がある。

【図面の簡単な説明】

第１ａ図、第１ｂ図、第２図は本発明の動作原
理を説明するための図、第３図は本発明の一実施
例を示すブロツク図、第４図、第５図はタイムチ
ヤート、第６図は第３図ブロツク図の一部構成を
説明するためのブロツク図である。 図において、１０は制御部、２０は分析部、３
０はレベル検出器、４０は入力パタンバツフア、
５０は音声検出器、６０は休止点テーブル、７０
はパタンマツチング部、８０は最小値検出部、９
０は部分距離メモリー、１００は部分判定メモリ
ー、１１０は第２段処理部、１２０は判定部、１
３０は標準パタンメモリー、１１０１はカウン
タ、１１０２はアドレステーブルをそれぞれ示
す。

Claims (1)

【特許請求の範囲】
1. １ 入力音声波形を分析しベクトル系列として表
   現される入力パタンに変換するための分析部と、
   標準パタンを記憶するための標準パタンメモリー
   と、入力音声の振幅を検定して前記入力パタン内
   に休止点を決定するための手段と、各休止点と別
   の休止点との間の区間として定義される部分パタ
   ンと前記標準パタンとの距離を算出するためのパ
   タンマツチング部と、各標準パタンに対して算出
   される距離を比較してその最小値である部分距離
   とその最小値を与える単語名たる部分判定を算出
   するための最小値検出部と、前記入力パタン内の
   各休止点によつて区分され重複せずかつ入力パタ
   ン全体を覆う部分パタン群を各部分パタンに対応
   する前記部分距離の総和が最小となるように定め
   る手段と、これによつて定まる各部分パタンに対
   応する前記部分判定を認識結果として定め出力す
   るための判定部とより構成されることを特徴とす
   る高速音声認識装置。