JPS63136097A - 音声認識方式 - 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】 ［発明の１−１的］ （産業上の利用分野） 本発明は不特定話者が発声する音声を、特に類似した単
語音声を高精戊に認識することのでき　　□る音声認識
１１式に関する。

（従来の技術） 近時、マン・マシン・インターフェースとして重要な役
割を担う技術として、音声＋’ｈｌ！１識処理が注目さ
れている。そして特定話合を対象として音声認識処理か
ら、不特定爪音を対象とした音声認識処理へと、その認
識処理技術が１−１覚ましく発展してきている。

ところでこの種の音声：ココ識処理において、認識　１
しようとする音声情報、例えば単語の中に類似した単語
が存在すると、人力音用に対する分析結果が似ている為
、これを誤認識する例が多くある。

例えば「ギリキズ」と「スリキズ」とを誤認識しｔこり
、まｔ二ｒづ−カヤマｊと「ナガヤマｊとを認識するこ
とがある。このような類似１１１語の音ｊ：１は、ぞの
音響分析結果で示される音声スペクトル自体が類似して
おり、音白認識で用いられる。Ｉｉｙ書データに対する
類似度値が必然的に近似することに起因する。

そこで従来では専ら良く似ている１１１語については別
の１１１語に置換えてζ４声人力するようにしたり、そ
の単語を用いることを諦める等している。それにも拘ら
ず類似した単語が音声人力された場合には、その認識候
補を）（敢呈示し、オペレータにその選択を委ねるよ・
）にしている。

５゛６゛かにこのような］−夫によれば、その認識率の
向」二を図り？’−？るが、この結果として音声認識シ
ステムの使い勝手が悪くなることが否めなかった。

（発明が解決しようとする問題点） このように従来の音ｊ！′ｉ認識方式にあっては、例え
ば類似した単語間での誤認識を防いでその認識率の向」
−を図るには種々の問題があり、その改；（が強く要９
！されている。

本発明はこのようなＪｌ情を考慮してなされたもので、
その目的とするところは、類似単語の音声人力を中止し
たり、別の単語に置換して音声人力する等のように音声
認、２（システムの使い勝ｆ、を１；（牲にすることな
く、類似したｌｌｔ語間の違いを効果的に見出してその
認識率の向」二を図ることのできる。狛ＩＪ認識方式を
提供することにある。

［発明のＨ’ｉ　Ｉ戊］ （間ｐ＋６点を解決するための手段） 本発明は認識しようとする、例えばｌｌｔ語中６°Ｌで
与えられる音声情報の１次辞１１）データを格納した１
次辞書データメモリと、類似した音声悄（Ｋ（単語）の
↓１【毎にそれらの異なりを示す２次辞書データを（；
１納した２次、ζｔ、　、ＩＦデークメモリとをＣイ、
ｌＸ備し、入力音声データと１次、−？書デークとの類
似度計算結果から、その認識候補の１位および２位とし
゛Ｃ判定された音１！１情報（１１１語）が、前記２次
辞書データメモリに格納された２次辞書データの類似し
たご再精報（単語）の組に属するか否かを調べ、類似し
た音声情報の組に属する場合には、前記人力ｉ′？声デ
ータの一部と前記２次Ｘ？　ｑ’ｆデータとの類１１：
１度を改めＣ計や、し、その類似＋＋Ｘ計算結果に従っ
て前記入力高声データを認識してなることを特徴とする
ものである。

（作用） 本発明によれば、入力音声データと１次辞書データとの
類似度計算結果としＣ求められる１位および２位の認識
候補が類似した音７ｊｉ情報（ＩＦ語）の組に属する場
合、その類似した音、ｊ、ｉ情報（単語）の組に応じて
求められた２次、−７書デーク、つまり類似したｉ音声
情報（単語）間の違いを示ず２次１す７書デークと前記
入力音ｊｊｉデークとの類似度計算が＋＋１度行われる
。そしてこの２次辞＋’Ｆデータとの類似度計１９結果
に従って前記入力音声データに対する認識結果が求めら
れる。

従って入力音声データが示す（ｌｊ語が他の１４語と類
似しているような場合であってし、これを高精Ｉｚに３
；識することができる。またこのようなｆｆ１ｒｉ　ｌ
以単語間の誤認識を避けるべく、従来のようにその単、
？！ｉを他の同義の単語に置換して音声人力したり、ま
たその１１４語の使用をやめる等の煩わしさがない。

従ってｇ′声認識システムの使い勝手の良さを十分にＥ
ｌ［持することができる。

（実施例） 以下、図面を参照して本発明の一実施例につ認識処理に
１」（される１°？パ１は、例えばマイクロッ４・ン（
図示せず）を介して人力される。

しかして人力古川は前処理部１にてｆ？響性分４１７れ
、ディジクル変換されて取込まれる。音Ｊ！Ｈ区間検出
部２は、このようにして音響分＋Ｒされた人力ｊ：ｒ　
Ｊ’ｆデータの音Ｊ！１区間をその始端と終端として制
御部３の制御を受けて検出するものである。この１１°
、ｊＨ区間の始端と終端との検出結果に従って前記人力
ｉ’ｒ　ｊ”’データ中の？η声区間のデータ、つまり
息継ぎ等によって生じる１１１（音区間を除＜　、１１
１語１“ｒ声が存ｔ１：する区間のｉη声データが切出
されろ。そしてこのようにして切出された１゛？声区間
の人力Ｆｌ、、　７ｊｉデータが人力ｊη声データメモ
リ（ＲＡＭ）４に格納されて後述するｉ′丁声認識処理
に供される。

一方、１次辞書データメモリ（ＲＯＭ）５には、１認識
しようとするｉ工灼情ｆ′！が、例えば１１語を認識処
理Ｉド位とする単語情報の１次辞書データとして格納さ
れている。この１次１（？書データは、従来より種々提
唱されている音声計１識の為の一般的な、ｌｉｒ書デー
タ、例えば単語の標県パターンデータからなるものであ
る。

また２次辞書データメモリ（ＲＯＭ）Ｇは、前述した「
スリギズ」と「キリキズ」の如き類似した単語の違いを
示す情報を２次辞書データとして、その単語の組に対応
してそれぞれ記憶したものである。

この２次辞書データは、例えば前記１次辞書データの中
から、その辞、１「パターンの似ているｌ１語を抽出し
、これらのＩＩ　、ｈ−に似ている１１１語を組（セラ
！・）としてその違いを示す情報と共にそれぞれブイレ
フ！・りとしてまとめ、これを第２図（ａ）に示すよう
に前記２次舌？νＦデータメモリ６にそれぞれ登録した
ものである。

この２次辞書における各セットのディレクトりは、その
セットに含まれる単語の登録番号（カテゴリ）、そのセ
ットに含まれる単語数、そのセットに含まれるｌｌｊ語
を相ｌｊ、に識別する為の情報等からなる。

この識別情報は、例えば前述した如く検出されたｆ７声
区間のどの部分の古川パターンに着１−１すれば、それ
らの違いを識別しｉ′するかの情報からなる。

具体的には音？・区間の始端と終端との間を（・・１文
・ｌ　（Ｉｉｌの比率で分け、その＋ｊｉｉ　’１チの
音、Ｈパターンで入力音声データを認工処理すれば良い
か、或いはその後゛１＜、のき、！ｉパターンで人力１
°’Ｉ’　ｊ！：データを認識処理すれば良いかを指示
する情報からなる。

第２１’２ｊ（ｂ）はこのような情報のデータフ４−−
マツ！・の例を示すものである。ここでは８ビットのデ
ータのＭＳＢの値によって前゛１ｔを用いるか後゛１′
を用いるかの指示をり、え、残る７ビツトのデータ中の
ド位３ビットと中位：うビットにて前゛１１と後半とを
区切る位置（比率）を分数値として表現するものとなっ
ている。

従ってこの例では、分数ｌｉαが１／２で示され、ＭＳ
Ｂの値が（０）であることから、その類似１１語を識別
する為にはその音１：５区間を２等分してなる前半のざ
声パターンに；’ｊ　ＩＩすれば良いことが指示される
。

このような情報からなる２次辞書データが、類似中詰の
Ｓｌ【（セット）毎に２次辞書データメモリ６にそれぞ
れ格納されている。

しかして類似度計算部７は、先ず前記入力行声データメ
モリ４に格納された入力音声データと、上記′１次１（
゛を書データメモリ５に格納された各単語の１次辞書デ
ータとの間でそれぞれ類似度計算を実行し、その類似度
計３１１結果を１１１語カテゴリと共に前記制ρ１１部
３にＬｐえている。この類似度計算処理は、例えばｔ（
合類似度法を用いる等して行われる。

制御部３はこのようにして求められた各１１１語の１次
辞書データに対する類似度泪３１１結果（類似度値）を
相互に比較し、その類似度値に従って上記各１１語をソ
ーティング（並へ変え）している。そして基本的には最
も高い類似度値を１１．１だ１次、−゛？書データの単
語カテゴリをその認識結果として求めるものとなってい
る。しかし本装置では、類似Ｊ立結果から」−述した如
く認識結果を直接求めるに先立ち、類似度値の高い１位
と２位のｌｌ’１語を抽出している。そしてそれらの単
語が前述した２次１ζ７書データメモリ６に、同じセッ
トに含：４：れるｌｉ語として登録されているか否かを
調べている。つまり１位および２位として求められた単
語が相ｔＯに類似した単語であるか否かを調べている。

そしてその１位と２位のＩｌｊ語カテゴリが＋１１１ｒ
、に類似したものである場合には、それらのｒ）（語が
属するセットのブイレフ！・りに格納された情報を２次
辞書データメモリ　（ＲＯＭ　）　［ｉから読出し、そ
の情報に従って前記類似度計算部７による類似）文；Ｉ
’）’＞を＋１度実行させ°Ｃいる。

この２次辞書データに従う類似度計算は、人力１°ｌ、
＋　、ｊ＝データ中から、２次辞書データで（Ｉ示され
る比率の前゛１１または後゛１−のＦＳ°ｊｊｉパター
ンを前記音声区間検出部２にてそれぞれ切出し、この音
ｊ！（パターンと２次辞書データで示される該当部分の
ざ声パターンとの間で類似度計算を実行することによっ
て行われる。

このようにして２次、ζ７古データに従う類似度計算が
行われると、その類似度１：１算結果が前記制御８１Ｓ
３にりえられる。そして１．制御部では、この類似度計
ｔ９結宋に従っ゛Ｃ前記１位および２ｔｉｔ、とじて求
められた認識松浦のｌｌｊ語の内、どぢらの１１１１語
が正しいかを判定することになる。

尚、１次辞ｉ’Ｆデータとの類似実計１）によって求め
られた１位と２位の認識松浦の単語が類似ｑｔ語でない
場合には、上述した２次辞−Ｆデータに従う類似度計算
を行なうことなく、その認識結果が決定される。

第３図は以」二のようにして人力１１１語音声を認識す
る本装置の全体的な処理の流れを示す図である。

この流れ図を参照して前述した処理を更に詳しく説明す
ると、音声データが人力されると、先ずその入力音声デ
ータを前処理部１に導き（ステップａ）、この入力音声
を認識処理するに必要な特徴データをｉ−するべく該入
力音声データを音響分１１７する（ステップｂ）。

しかる後、金白区間検出部２にてこの入力音声データの
音声区間を検出し、そのＦ？声声量間人力１°？声デー
タのみを抽出する（ステップＣ）。

次にこのｉ′り声区間検出された人力ｉ′７声データと
、前記１次辞書データメモリ５に格納された各単語の１
次辞マＦデータとの間の類似度をそれぞれ計算し、その
類似度値を求める（ステップｄ）。そして制御部３にて
これらの計算された類似度値を、その値に従ってソーテ
ィングし、汀１似度値の最も高い単語（１位）と、次に
類似度値の高い１１１語（２位）とをそれぞれ求める（
ステップｅ）。

しかる後、木刀式の特徴的な処理ステップとして、先ず
」−記の々■く求められた１位の単語が２次＋Ｉｉ’ｌ
　ｉ’Ｆデータのいずれかのセラ！・、つまり類似単語
の組（セット・）に含まれているか否かを判定する（ス
テップ【）。この判定の結果、１位の単語がいずれのセ
ットにも含まれていないことが確認された場合には、こ
の１位の単語を前記入力音声データの＋認ｕｌｌｃ　結
果として出力する（ステップＩｃ　）。

一方、−１−記判定処理によって１位の単語が２次＾ン
書デークのいずれかのセット１こ含まれていることが見
出された場合には、前記２位の単語が２次辞書データの
同一のセラ！・に含まれているか否かを判定する（ステ
ップｇ）。この２つの判定処理ステップによって、１位
および２位の単語が類似した単語であるか、イｉか、つ
まり相互に類似した１１１語として組（セット）をなし
、２次＾７書デークとして登録されているか否かが判定
されることになる。この判定処理によって２位のｌｉｔ
語が１位のＩｌｔ語と組をなしていないことが＆ζ認さ
れた場合には、ｔ１°１似１１を語間のＸ；認識がない
ことが明らかとなり、前記１１）“ｌのｌｌ１語が前記
人力ｉ′丁声データの認識結果としてＩＮ力される（ス
テップ１０゜ さて、」二連した判定処理によって１位の単語と２位の
単語とが類似したｉｌｔ語であることが示されると、そ
れらの単語の組に対して定められた２次Ａ７書デークに
従って類似度計算処理が＋１ｉ度行われる。

先ず、入力音声データの？゛丁声区間が、そのセットの
２次辞書データで示される検出法に従って改めて１刀出
される（ステップ１１）。つまりそれらの１１１語間の
違いが明確に生じる音声区間の音声パターンが切出され
る。

そしてこの新たに切出された入力音声データと、２次辞
書データとの間で類似度が計算され、前述した１　（：
１．および２位の１１１語に対する類似度がそれぞれ求
められる（ステップｉ）。この類似度計３９゜は、１次
辞書データとの類似度計算とは異なる片、ｊｉ区間につ
いて行われていること、また２次＋４７４ｆデータは類
似単語間の違いが明確になるようなデータを２次辞書デ
ータとしていることから、その、類似戊計算結果は上述
した１位および２位の単語間で大幅に異なったものとな
る。

このような類似疫値をソーティング処理する（ステップ
ｊ）。そしてこのソーティングによって、１：　（ｊ／
、となった前記１位あるいは２位の１１語を前記人力ｊ
′？声データの認識結果であるとして出力する（ステッ
プ１０゜ かくしてこのようなｉ′丁産声認識装置よれば、人力ｉ
′７声データと１次辞占（通常の音声認、電用の辞書）
との類似実計３９結果からだけでは誤認識を生じどうか
った類似ｔド語を、その単語間の違いを示す２次辞書デ
ータとの類似ｒＦ計算によって容易に、しかも適確に識
別することができる。これ故、他に類似した７１１語が
存白二するようなｌｉ語メ９ノ！＋を人力した場合であ
っても、その人力１１１語ｔ′１°Ｊ！＋を高１．“１
度（こｌ’＆ｉ’を識することかできる。

ｉ：１って従来のように、同義の他の単語に置換えてｒ
９　＋’・人力する等の煩わしさがなく、Ｌｌ的とする
情報の音ｊニー人力を簡易に、効果的に行い１′、する
等の効果が奏せられる。

尚、本発明は、１−述した実施例に限定されるものでは
ない。ここではｉη声人力の’１１　（＋’／、をｌｌ
’１語とじて説明したが、文節をｒｌｔ位として名、　
ｊｊｉ人力する場合であっても同様に適用することがで
きる。また３位までの候補について２次１（？書データ
を用いた類似実計３′＞を行なうようにすることも一１
■能である。

要するに本発明はその要旨を逸脱しない範囲で杯）ｌ変
形して実施することができる。

［発明の効果］ 以１．説明したよ・）に本発明ににれば、類似した１゛
？声情報、例えば単語間の識別をＬｌｌＩ’、実化して
その認識精度の向」−を図ることができ、マン・マシン
・インターフェースに適用する等【７て実用」、多大な
る効用を奏し得る。

【図面の簡単な説明】

図は本発明方式の一実施例を示すもので、第１図は実施
例方式を適用したｌ”ｌ’　ＩＦ：　＋認識装置の１ｊ
既略（１−成用、第２図は２次辞書のデータ構造例を／
１＜ず図、第３図はとの実施例における音ｌ：・認識処
理の；ルされを示す図である。 ■・・・前処理部、２・・・Ｆ５ｊｊｉ区間険出部、３
・・・制御部、４・・・人カンη）！；デークメモリ、
　５・・・１次、（７書データメモリ、　６・・・２次
１ζ７書データメモリ、７・・・類似度計算部。

Claims (2)

【特許請求の範囲】
1. （１）入力音声を分析する前処理部と、この分析された
   入力音声データ中から音声区間を検出する音声区間検出
   部と、音声区間検出された音声データを格納する入力音
   声データメモリと、認識しようとする音声情報の１次辞
   書データを格納した１次辞書データメモリと、類似した
   音声情報の組毎にそれらの異なりを示す２次辞書データ
   を格納した２次辞書データメモリと、前記入力音声デー
   タメモリに格納された入力音声データと前記辞書データ
   との類似度を計算する類似度計算部と、この類似度計算
   結果を判定する手段とを具備し、 前記１次辞書データとの類似度計算結果から１位および
   ２位として判定された音声情報が、前記２次辞書データ
   メモリに格納された２次辞書データの類似した音声情報
   の組に属する場合、前記入力音声データメモリに格納さ
   れた入力音声データの一部と前記２次辞書データとの類
   似度を計算して前記入力音声データを認識してなること
   を特徴とする音声認識方式。
2. （２）認識しようとする音声情報は、単語を単位として
   与えられるものである特許請求の範囲第１項記載の音声
   認識方式。