JPS63169699A - 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】 （発明の属する技術分野） 本発明は音声認識装置に関するものである。

（従来の技術） 機械への命令の入力手段として音声認識装置を使用する
場合、音声認識装置が認識結果として出力した認識候補
の確からしさに応じて後の処理、例えば認識候補の正誤
の確認を取るか、あるいは確認を省略するなどの決定が
できることが重要である。

従来の音声認識手段は、一般に認識用の標準的な特徴バ
タンとのマツチング距離の小さい２．３個の認識候補の
コードとマツチング距離を出力するが、その距離は認識
候補が正解である確からしさに対応していないため、こ
のマツチング距離をもとに機械の取るべき処理を決定す
ることが難しかった。

認識候補の確からしさを出力する従来の音声認識装置は
、今迄の認識時データ（認識候補のコードとこの候補の
マツチング距離など）と正誤確認データ（認識候補が正
解であったか不正解であったかを示すデータ）から、マ
ツチング距離がある値以下の時に認識候補の不正解率が
予め決めて置いた値以下となる様なマツチング距離の最
大値Ｄ１と、マツチング距離がある値以上の時に認識候
補の正解率が予め決めて置いた値以下となる様なマツチ
ング距離の最小値Ｄ２を求め、新たな認識候補のマツチ
ング距離が、Ｄ１以下なら正解、Ｄ２以上なら不正解、
それ以外は正解か不正解は不明と判定する。但し、認識
候補が正解であった時のマツチング距離の平均値が、認
識候補が不正解であった時のマツチング距離の平均値よ
り大きい場合は、新たな認識候補のマツチング距離に関
わらず正解か不正解か不明と判定していた。

しかしこの方法では、上記のマツチング距離の最大値Ｄ
１と最小値Ｄ２を、あるマツチング距離以下、以上、で
の認識候補の正解率から求めているので、認識候補が正
解であった時のデータの数と、不正解であった時のデー
タ数の大きさの比（即ち候補の正解率）のＤｌとＤｌの
決定に与える影響は大きい。

比が大きくなるにつけ、正解の確からしさ、あるいは不
正解の確からしさ、の判定の精度が低くなるためである
（数の少ない方のデータの特徴が無視されてしまうため
）。

（発明の目的） 本発明の目的は、従来の音声認識装置の上記の欠点を解
決する機能を持った音声認識装置を提供することにある
。

（発明の構成） （発明の特徴と従来技術との差異） 上記目的を達成するために、 （ａ）　　音声認識手段が出力した認識候補が正解か不
正解かを確認する正誤確認手段。

（ｂ）　　認識候補が正誤確認手段により正解と確認さ
れたならば、その認識候補が以前の認識において正解と
確認された時の、一つもしくは複数の認識用パラメータ
の履歴データに、今回の認識時の諸パラメータを加えた
ものの平均と標準偏差を求め、認識候補が正誤確認手段
により不正解と確認されたならば、その認識候補が以前
の認識において不正解と確認された時の、前記と同じ認
識用パラメータの履歴データに、今回の認識時の前記諸
パラメータを加えたものの平均と標準偏差を求め、記憶
する正誤判定用データ作成手段、（ｃ）　　正誤判定用
データ作成手段に記録されている各認識用パラメータに
対する平均と標準偏差から、新たに音声認識手段が出力
した認識候補を正解とみなす各認識用パラメータの値の
、上限値と下限値、及び前記認識候補を不正解とみなす
。

各認識用パラメータの値の上限値と下限値、正解か不正
解か不明とみなす各認識パラメータの値の上限値と下限
値を求め、記憶する正誤判定用データ記憶手段、 （ｄ）　　新たに音声認識手段が出力した認識候補に対
する各認識用パラメータの値のそれぞれが、正誤判定用
データ記憶部に記憶されている各認識用パラメータに対
する上限値と下限値により、上限値以下で下限値以上の
値の範囲として決まる認識候補を正解と判定する範囲、
不正解と判定する範囲、正解か不正解か不明と判定する
範囲のいずれに含まれるかの組合せにより、その認識候
補の正誤を判定する正誤判定手段、を付加した。

認識候補が正解、不正解であった時のマツチング距離な
どの正誤判定用パラメータの平均と標準偏差を使って、
新たな認識候補の確からしさを求めてその正誤を判定す
るので、従来の技術で述べた従来の音声認識装置の欠点
は解消される。

（実施例） 認識候補の正誤の判定に使用する認識用パラメータは、
認識候補に対するマツチング距離、認識候補の音声区間
の時間長、ピークパワー、及び平均パワーとする。

なお、本実施例では、認識時のマツチング距離が最も小
さい認識候補に関するデータを、認識候補の正誤の判定
に使用する例を示す。

図は１本発明の一実施例の構成を示す図である。

１は、入力音声を認識し認識結果として高位の認識候補
、認識候補の入力との距離、認識処理の対象となった入
力音声の区間の長さとピークパワー、平均パワーを出力
する音声認識部である。

認識時のマツチング距離の最も小さい認識候補を第一認
識候補と呼ぶ。

２は、第一認識候補Ｗが正解であった場合、不正解であ
った場合それぞれの認識候補Ｗのマツチング距離と、そ
の認識候補の音声区間の長さ、ピークパワー、及び平均
パワーの履歴データを、後述する方法で処理し、マツチ
ング距離、長さ、ピークパワー、平均パワーそれぞれに
対して、前記認識候補を正解、不正解、正解が不正解が
不明と判定する値の範囲の決定に使用する量を求め記憶
する。正誤判定用データ作成部である。

３は、認識候補を正解と判定する値の範囲と認識候補を
不正解と推定する値の範囲を、マツチング距離、長さ、
ピークパワー、平均パワーそれぞれに対して決定し記憶
する、正誤判定用データ記憶部である。

（実施例の詳細な説明） 正誤判定用データ作成部２と正誤判定用データ記憶部３
は、正誤確認部５から出力された第−認識候補の正誤の
確認情報と認識時のマツチング距離とその認識候補に対
応する入力音声の区間の長さ、ピークパワー、及び平均
パワーのデータを以下に示す方法で処理する。

前記正誤判定用データ作成部２は、 認識候補を正解と判定するデータ区間（ｓｅｃｔｉｏｎ
ｌ）、不正解と推定するデータ区間（ｓｅｃｔｉｏｎ３
）、正解か不正解か不明と推定する区間（ｓａｃｔｉｏ
ｎ２）を、マツチング距離、長さ、ピークパワー、及び
平均パワーの各データ毎に決定し、記憶する。

いま、マツチング距離、長さ、ピークパワー。

及び平均パワーを区別することなく、各データの取り得
る最大値を記号ｍａｘで、最小値を記号ｗｉｎで表し、
ｗｉｎ以上＋ｎａｘ以下の値の区間を（ｗｉｎ、ｗａｘ
）表す。記録されているデータ値は総てこの区間内に含
まれることになる。

各区間の初期値は、例えば５ｅｃｔｉｏｎｌが（ｍｉｎ
、ｍ１ｎ）で、５ｅｃｔｊ、ｏｎ２が（Ｉｌｉｎ、ｗａ
ｘ）で５ｅｃｔｉｏｎ３が（ｗａｘ、ｗａｘ）といった
ものが考えられる。

以下の処理は、音声認識部１で出力された第一認識候補
の正誤が正誤確認部５で確かに確認された時にのみ行わ
れる。正誤不明の時は何もしない。

また、以下の■以降の処理は、高々予め決められた数の
最近のデータに対して行う。よって、正誤判定用データ
作成部２は最近の前記データを記憶しておく必要がある
。

正誤判定用データ作成部２の動き（■から■）と正誤判
定用データ記憶部３の動き（■から■）を以下に示す。

■　履歴データの総数が予め決められた数に満たない場
合は、各区間を初期値の通りとして終り、満ちている場
合は以下の■から■を行う。

■　第一認識候補Ｗが正解であった時の履歴データの平
均ｎ＋１と分散ｖｌ、 第一認識候補Ｗが不正解であった時の履歴データの平均
ｍ２と分散ｖ２を求める。

■　次、に、５ｌ＝１＋３＊ｖ１．５２＝ａ＋１−３申
ｖｌ、ｆｌ＝ｍ２＋３申ｖ２、ｆ２＝ｍ２−３傘ｖ２と
する。

但し、ｍｌ−３＊ｖｌが負値のときはｓ２をＯに、ｍ２
−トｖ２が負値のときはｆ２をＯにする。

なお、ここでは平均値に分散を３倍したものを足した、
あるいは引いた値を使用したが、一般的には、 平均値上（ｎＸ分散） の形で与える。今回はｎを３とした。適当な値は３以下
である。

■　データの取り得る値の区間を、以下の様に分ける。

８２以上３１以下の区間を記号（ｓｌ、ｓ２）表し、ｆ
２以以下１以下の区間を記号（ｆｌ、ｆ２）で表す。

区間（ｆｌ、ｆ２）と交わらない区間（ｓｌ、ｓ２）の
区間を５ｅｃｔｉｏｎｌ、区間（ｓｌ、ｓ２）と区間（
ｆｌ、ｆ２）の重なる区間を５ｅｃｔｉｏｎ２．区間（
ｓｌ、ｓ２）と交わらない区間（ｆｌ。

ｆ２）の区間を５ｅｃｔｉｏｎ３とする。

区間（ｓｌ、ｓ２）にも区間（ｆｌ、ｆ２）にも含まれ
ない区間は、次の様に５ｅｃｔｉｏｎｌ、　５ｅｃｔｉ
ｏｎ２．５ｅｃｔｉｏｎ３に含める。

・（ｍｌ＜＋ｗ２の時） Ｓ２より値が小さく区間（ｓｌ、ｓ２）にも区間（ｆｌ
、ｆ２）にも含まれない区間は５ｅｃｔｉｏｎｌに、ｆ
ｌより値が大きく区間（ｓｌ、ｓ２）にも区間（ｆｌ、
ｆ２）にも含まれない区間は５ｅｃｔｉｏｎ３に、残り
の区間は５ｅｃｔｉｏｎ２に含める。

・（ｎ＋１）ｍ２．＋ｍｌ＝ｍ２の時）全区間を５ｅｃ
ｔｉｏｎ２とする。

・ｍｌ：１１２のときはすべて５ｅｃｔｉｏｎ２に含め
る。

■但し、正解であった時のデータ、不正解であった時の
データのいずれか一方のデータがない場合は、有るデー
タのみで上記の■から■の処理を行う。両方のデータが
ない場合は、全区間を５ｅｃｔｉｏｎ２とする。

ここで、認識候補Ｗが正解と確認された時は、認識候補
が正解Ｗであった時の過去の履歴データに今回のデータ
を加えた時の平均と分散を求め、認識候補Ｗが不正解で
あった時の履歴データの平均と分散は前のデータを使う
、逆も同じである。

４は、音声認識部１から出力された第一認識候補Ｗを認
識したときのマツチング距離ｄ、その認識候補Ｗに対応
する入力音声の区間の長さｌ、ピークパワーｐ、平均パ
ワーｍと、前記認識候補のコードに応じて正誤判定用デ
ータ記憶部３から読み込む次の■から■の情報から、第
一認識候補の正誤を以下に示す方法で判定し、判定結果
を出力する正誤判定部である。

■第一候補を正解と判定する距離の区間５ｅｃｔｉｏｎ
ｌ−ｄ。

第一候補を正解か不正解か不明と判定する距離の区間５
ａｃｔｉｏｎ２−ｄ。

第一候補を不正解と判定する距離の区間５ｅｃｔｉｏｎ
３−ｄ　。

■第一候補を正解と判定するピークパワーの区間５ｅｃ
ｔｉｏｎｌ−ｐ。

第一候補を正解か不正解か不明と判定するピークパワー
の区間５ｅｃｔｉｏｎ２−ｐ。

第一候補を不正解と判定するピークパワーの区間５ｅｃ
ｔｉｏｎ３−ｐ。

■第一候補を正解と判定する平均パワーの区間ｓｅｃｔ
ｉｏｎｌ−ｍ。

第一候補を正解か不正解か不明と判定する平均パワーの
区間ｓｅｃｔｉｏｎ２−ｍ、第一候補を不正解と判定す
る平均パワーの区間５ｅｃｔｉｏｎ３−＋＋＋。

■第一候補を正解と判定する音声長の区間５ａｃｉｔｏ
ｎｌ−１、 第一候補を正解か不正解か不明と判定する音声長の区間
５ｅｃｔｉｏｎ２−１、 第一候補を不正解と判定する音声長の区間５ｅｃｔｉｏ
ｎ３−１ 音声認識部１から出力された認識の第一候補に関するデ
ータｄ　、Ｐ　ｔ　ｍ　ｅ　ｌと、上記区間から、以下
のように認識候補の正誤を判定する。

（判定法） （１）　　データｄが５ｅｃｔｉｏｎ３に含まれ、デー
タｐ。

ｍ、ｌのいずれか一つでも５ｅｃｔｉｏｎ３に含まれて
いるものがある場合は、第一候補は正解と判定し、第二
候補以下の正誤は不明と判定する。

（２）　　データｄが５ｅｃｔｉｏｎｌに含まれ、デー
タｐ。

ｍ、１のいずれも５ｅｃｔｉｏｎ３に含まれない場合は
、第一候補は正解は判定し、第二候補以下は不正解と判
定する。

（３）上記以外は正解か不正解か不明とする。

正誤確認部５は、音声認識部１から出力された認識結果
を上位装置に出力し、その認識結果に対する確認結果を
上位装置から貰って、それを正誤判定用データ作成部２
に出力する。

上位装置との通信は例えばＲ３２３２Ｃインタフエース
で行う。

上位装置に出力する結果は通常２位の認識候補までであ
る。

上位装置の認識候補の正誤の認識の仕方としては、利用
者に音声、ディスプレイ表示などで正誤を尋ね、それに
対して利用者から音声、押しボタン、ダイヤル入力など
で確認を貰う方法がある。

上位装置からの認識候補の正誤の確認情報が入力される
のを待つ時間には制限が設けられ、制限時間内に入力さ
れなかった場合は確認できなかった旨を正誤判定用デー
タ作成部２に知らせる。

この構成の効果としては、話者の特徴、認識対象の特徴
などを前記認識候補の正誤の判定に反映させることがで
きる点である。

（発明の効果） 機械への処理実効台の入力手段として、当該音声認識装
置を使用した場合、その音声認識装置は認識結果として
認識候補のみでなくその認識候補の正誤も出力するので
、前記音声認識装置の上位装置は、常に認識候補の正誤
に関する確認を利用者に尋ねる必要はなくなり、利用者
の操作時間が短縮される可能性が高くなる。

【図面の簡単な説明】

図は本発明の一実施例の構成を示す図である。 １　・・・音声認識部、 ２・・・正誤判定用データ作成部、 ３・・・正誤判定用データ記憶部、 ４・・・正誤判定部、 ５　・・・正誤確認部。

Claims (1)

1. 【特許請求の範囲】 入力音声から認識用パラメータを算出してその入力音声
   を認識し、結果として認識候補のコードとマッチング距
   離を出力する音声認識装置において、 音声認識手段が出力した認識候補が正解か不正解かを確
   認する正誤確認手段と、 認識候補が正誤確認手段により正解と確認されたならば
   、その認識候補が以前の認識において正解と確認された
   時の一つもしくは複数の認識用パラメータの履歴データ
   に、今回の認識時の諸パラメータを加えたものの平均と
   標準偏差を求め、認識候補が正誤確認手段により不正解
   と確認されたならば、その認識候補が以前の認識におい
   て不正解と確認された時の、前記と同じ認識用パラメー
   タの履歴データに今回の認識時の前記諸パラメータを加
   えたものの平均と標準偏差を求め、記憶する正誤判定用
   データ作成手段と、 正誤判定用データ作成手段に記録されている各認識用パ
   ラメータに対する平均と標準偏差から、新たに音声認識
   手段が出力した認識候補を正解とみなす各認識用パラメ
   ータの値の上限値と下限値、及び、その認識候補を不正
   解とみなす各認識用パラメータの値の上限値と下限値、
   正解か不正解か不明とみなす各認識用パラメータの値の
   上限値と下限値を求め、記憶する正誤判定用データ記憶
   手段と、 新たに音声認識手段が出力した認識候補に対する各認識
   用パラメータの値のそれぞれが、正誤判定用データ記憶
   部に記録されている各認識用パラメータに対する上限値
   と下限値により、上限値以下で下限値以上の値の範囲と
   して決まる認識候補を、正解と判定する範囲、不正解と
   判定する範囲、正解か不正解か不明と判定する範囲のい
   ずれに含まれるかの組合せにより、その認識候補の正誤
   を判定する正誤判定手段と、 の４つの手段から構成されることを特徴とする音声認識
   装置。