JPS63236095A - 音声認識方法 - 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〕 本発明け、音韻表記の単語辞書を利用することを特徴と
した単語音声認識装置における単語音声認識法、特に単
語を仮定した上で認識を行う、トップ・ダウン型の音声
認識方法に関するものである。

〔従来の技術〕

従来の音声認識方法を大きく分けると、以下の２種類に
なる。

（１）単語を単位とした認識方法。

（２）単語よりも小さい単位、例えば音韻を単位とした
認識方法。

第１の方式は、単語全体の特徴パラメータを標準パタン
として持ち、入力音声とのパタンマツチングをＤＰを用
いて行うことで認識し、〜数百語程度の単語認識におい
て、高い認識率を得ている。しかしこの方法では、認識
する単語全てを、発声により登録しなければならないの
で手間がかかる。単語を標準パタンとしているため、単
語辞書の容量が太き（なるなどの点で、１０００語以上
の人語量の認識には適さない。

一方第２の方式は、音韻ごとに標準パタンを持つため、
単語辞書は音韻表記で登録すればよいので登録の手間も
かからず容量も小さくて済むので、第１の方式に対し、
人語量に向いていると言える。

第２の方式は、まずセグメンテーションをして各音韻の
存在区間を定めた後に、音韻の認識を行うのが一般的で
ある。これに対し、トップダウン的な認識方法が考えら
れる。この方法では、認識する単語を仮定し、この単語
に含まれる音韻の標準パタンを用いて、入力音声の特徴
時系列とマツチングを行い、得点を計算する。さらに各
音韻の得点を基に、単語全体の得点を求めることにより
認識を行う。このように、その単語に必要な音韻の標準
パタンしか用いないため、セグメンテーションを先に行
う方法に比べて、音韻の付加・脱落が起こりに＜（、認
識の精度が上がる。

この例としてたとえば、杉山他による「音声認識システ
ムにおける１゛ｏ　ｐ　−ｄ　ｏ　ｗ　ｎ的音響処理」
（日本音響学会音声研究会資料５８２−６２）などがあ
る。

また処理量が軽減する方法としてトップ・ダウン処理に
ＤＰマツチングを応用した例として、盛合他による「音
素判別フィルタを用いた孤立発声単語の自動ラベリング
」（日本音響学会音声研究会資料５８５−５４）がある
。この盛合他による研究は、直接音声認識を扱ったもの
ではないが、この方法はこのままトップ・ダウン型の音
声認識に応用が可能である。

このＤＰマツチングを用いたトップ・ダウン音声認識に
ついて以下に説明する。この方法では類似度の計算式を
ＤＰマツチングを用いて、例えば以下の漸加式によって
求める。

ｇ　（ｉ、　Ｏ）　＝ｇ　（０，Ｄ　−−ＯＯ（ｉ≠ｏ
、ｊ≠０）　・・・・・・・・・・・・・・（４）ただ
し、 Ｉ：音韻記号列の長さ、 Ｊ：入力音声のフレーム数 Ｖ：音韻記号列（■ｌ　＋　　ｖ２　＋　”’　Ｖ　ｉ
　＋　”’　Ｖ　ｌ　）Ｘ；入力音声の特徴時系列（Ｘ
、、Ｘ２．・・・Ｘｉ、・・・ＸＪ） ｇ　（ｉ、Ｄ　：ＤＰの累積類似度、 ｓ　（ｖ、ｘ）　：　ｖとＸの類似度 Ａ　（１＋ｊ）　：　Ｘ’とＸｊの類似度、このｇ　（
ｉ、Ｄの計算を行う場合の窓制限としては、例えば ｉ／２≦ｊ≦（ｉ−１−１）／２＋Ｊ＋１・・・・・・
・・・・・・・・（５）などが用いられる。

この結果得られた類似度を基に、単語の認識を行う。

〔発明が解決しようとしている問題点〕上記窓制限は、
単に計算領域を制限して計算量を減少させるというだけ
ではなく、極端なマツチングを防ぐという意味でも効果
がある。しかしながら、孤立発声された単語の場合、各
音韻の持続時間は単語内において一定ではな（、一般に
語頭に比べ語尾の方が長いという性質を持っている。こ
の性質については、匂坂他による「規則による音声合成
のための音韻時間長制御」（電子通信学会論文誌’８４
／７　Ｖｏｌ、　Ｊ６７−Ａ　Ｎｏ、７　）に詳しい。

このため（５）式に示すような線型の窓制限では、単語
内の位置による各音韻の持続時間の変動に対処できない
場合があり、特に極端なマツチングを避けるために窓幅
を狭くした場合、入力音声に対し正確に各音韻に対応付
けられないという問題があった。

〔問題点を解決するための手段（及び作用）〕本発明は
、孤立発声単語における各音韻の時間的な存在位置を記
したテーブルを各モーラ数ごとに持ち、そのテーブルか
ら得られる値を入力単語の継続時間に合わせて伸縮する
ことにより入力単語に適応させ、さらに適応後の値と重
み関数を用いて重み付きのＤＰの窓を設定することによ
り上記目的を達成するものである。

〔作用〕

これによって、上記ＤＰ窓を利用することにより、孤立
発声単語のような、単語内で各音韻の持続時間が異なる
音声においても、その持続時間の伸縮を窓内に納めるこ
とができ、ＤＰによる類似度計算がより精密に行われる
。

〔実施例〕

第１−１図は本発明の一実施例における説明図である。

ｌは入力発声の周波数分析を行う音響分析部、２は音韻
の識別に必要な特徴を抽出するための特徴抽出部、３は
特徴抽出した結果をもとに単語辞書の候補単語を絞る予
備選択部、４は音韻記号列によって登録されている単語
辞書、５は選択された単語のモーラ数をカウントするモ
ーラ数カウント部、６は各モーラ数に対応するモーラの
開始・終了時刻を記憶したモーラの開始・終了時刻テー
ブル、７は選択されたモーラの開始・終了時刻と重み関
数と音声開始時刻Ｔｓ（ｍｓ）及び音声終了時刻Ｔｅ（
ｍｓ）から音韻推定存在区間を計算する音韻推定区間計
算部、８は重み関数を記憶している重み関数テーブル、
９は各音韻に対応する標準パタンを記憶している音韻標
準パタンテーブル、１０は入力音声から特徴抽出を行う
ことによって得られた特徴時系列と音韻標準パタンのマ
ツチングを７より得られた窓制限によるＤＰで行う単語
認識部である。第１−２図は本発明の認識方法を実行す
る為の具体的な構成ブロック図である。第１−２図にお
いて１１は、音声を入力する入力部、１２は各種データ
を記憶するディスク、１３は本装置（システム）を制御
する制御部で、第１−３図に示す様な制御プログラムを
格納したＲＯＭを含むものである。１４は第１−１図に
示した各部における各種データを記憶するＲＡＭ。

１５は出力部である。なお、第１−１図に示した各部が
、それぞれＣＰＵ、ＲＡＭ、ＲＯＭを有していてもよい
。

次に第１−３図を参照して、本発明の詳細な説明する。

上記構成において、音声は１の音響分析部で周波数分析
される（Ｓｌ）。またこのとき音声開始時刻ｔｓと音声
終了時刻ｔｅも求められる（Ｓ２）。周波数分析により
得られた音声スペクトルから２の特徴抽出部において音
韻の認識に必要な特徴が抽出される（Ｓ３）。ここで得
られた特徴時系列の大局的な特徴を用いて、３の予備選
択部で、入力音声に特徴が近いと思われる単語を４の単
語辞書から複数個選択する（Ｓ４）。４の単語辞書は音
韻記号列によって登録されているので、母音、撥音・長
母音、促音の数を数えることによって、選択された単語
のモーラ数Ｎを求めることができる。このような方法で
５のモーラ数カウント部で選択された単語のモーラ数Ｎ
を求め（Ｓ５）、このモーラ数に対応する各モーラの開
始と終了の時間的な位置を示す値を６のモーラ開始・終
了時刻テーブルから選択する（Ｓ６）。７の音韻推定区
間計算部では、６で選択された値を基に、各音韻の推定
存在区間を計算する（Ｓ７）。

この６，７の動作をさらに第２図〜第５図を用いて詳し
く説明する。

６のモーラ開始・終了時刻テーブルには、各モーラ数の
単語に対応するモーラの開始と終了時刻が記憶されてい
る。この時刻が単語のモーラ数の違いによって複数設定
されているのは、モーラ数の違いによって音韻の持続時
間の伸縮の状態が異なるためである。この複数からの選
択は、５のモーラ数カウント部のカウント結果を用いて
行う。

第２図に例として、３モ一ラ単語に対応するものについ
て示す。このグラフの横軸は時間を縦軸はモーラを表わ
す。ｔ　ｓ　（ｍ　ｉ　）　、　ｔ　ｅ　（ｍ　ｉ　）
はそれぞれ第ｉモーラの開始終了時刻を示している。７
の音韻推定区間計算部で第２図横軸の始端と終端をそれ
ぞれ音声開始時刻Ｔｓ１音声終了時刻Ｔｅとなるように
線形に伸縮することにより、入力音声に適応したｔｓ　
（ｍｉ）　／ｌｅ　（ｍｉ）の位置を定める。ｔｓ　（
ｍｉ）・ｔｅ（ｍｉ）の位置を定めた後、各モーラの区
間を音韻の単位に分割する。分割の方法は第２図の（１
）〜（３）に示した通りである。子音を含まない母音だ
けのモーラ・撥音・促音は、モータ区間をそのまま音韻
の区間とした。また撥音・拗音以外の子音を含むモーラ
は１／２に分割して、それぞれ子音区間・母音区間する
。また拗音を含むモーラはｌ／３に分割してそれぞれ子
音区間・拗音区間・母音区間とした。

このようにして定まった各音韻区間に対し、８の重み関
数テーブルに記憶された重み関数を適用し、重み付きの
ＤＰの窓とした。第３図に重み関数の例を示す。図の横
軸は時間を縦軸は重みを表わす。横軸をやはり線形に伸
縮し図に示したｔｐｓ、ｔｐｅをそれぞれ各音韻の開始
終了時刻に合わせることにより、各音韻区間に適した重
み関数に変換する。この状態を第４図に示す。

次に第１−３図の８８では、ｌＯの単語認識部で、７の
音韻区間計算部で求められた音韻推定区間を窓制限に利
用して、２で得られた入力音声の特徴時系列と９の音韻
標準パタンテーブルに登録された音韻標準パタンのうち
、予備選択の結果選択された単語に含まれるパタンを用
いてＤＰマツチングを行う。

ＤＰマツチングでは前述の重み関数に従い、得点に重み
を付けて計算を行う。各候補単語の得点を計算し、得点
の一番高かったものを認識単語とした（Ｓ９，５ＩＯ）
。

本実施例では単語の予備選択部を設けているので、マツ
チングの候補単語が絞られ人語量でも高速に認識を行う
ことができる。

更には、前述のＤＰの経路をたどり、各音韻に対する始
端と終端にその音韻の開始記号、終了記号を付けること
により音声の自動ラベリングシステムとして用いること
ができる。

〔発明の効果〕

以上説明したように本発明によれば、孤立発声単語の場
合、語頭に比べ語尾の方で音韻共が長くなるという性質
を考慮した非線形の窓制限を、ＤＰ計算時に用いている
ため、計算量の増大と極端なマツチングを避けるために
窓幅を狭（しても、ＤＰの最適経路が窓内に収まり、こ
の結果精度の良いＤＰ値が得られる。またＤＰに用いる
窓を時間軸の方向に関する重み関数によって表わすこと
により、推定された音素区間からはずれるに従って得点
が低下するので、より推定の信頼度の高い経路が選ばれ
る結果、さらに精度の良いＤＰ値が得られる。

この結果単語の認識率が向上するという効果が得られる
。

第１図は本発明の説明図、 第１−２図は本発明適用の構成ブロック図、第１−３図
は本発明の制御フローチャート、第２図は３モ一ラ単語
の場合の音韻の区分及びモーラの開始・終了時刻を示す
図、 第３図は重み関数の例を示す図、 第４図は（／　ｋ　ｙ　ａ　ｎ　ｏ　Ｎ　／　）という
単語に対するＤＰの重み付き窓の説明図。

１・・・音響分析部、２・・・特徴抽出部、３・・・予
備選択部、４・・・単語辞書、５・・・モーラ数カウン
ト部、 ６・・・モーラ開始・終了時刻テーブル、７・・・音韻
推定区間計算部、 ８・・・重み関数テーブル、 ９・・・音韻標準パタンテーブル、 １０・・・単語認識部。

記抱拳語 音声たり馳”鰻重のブＯ・・・７図 不７−Ｚ図 市り竹子７０−午ヤーヒ 下１−子画 １１Ｌ％Ｍ（ｍ５１

Claims (2)

【特許請求の範囲】
1. （１）特徴ベクトルの時系列として表現される音韻ごと
   の標準パタンと、音韻記号によって表記された単語辞書
   を持ち、特徴ベクトルの時系列として表現される音声の
   入力パタンと登録単語との類似度を計算するに当って、
   入力音声に対応した候補単語を仮定し、その単語に含ま
   れる音韻の標準パタンを用いて単語を認識すべく入力単
   語の継続長と候補単語のモーラ数から求めた発話速度か
   ら、各音韻の存在区間を推定し、窓制限の区間を決定し
   た上で、ダイナミック・プログラミング（以下ＤＰと略
   す）により類似度の計算を行う音声認識方法。
2. （２）ＤＰに用いられる窓は、時間軸の方向に関する重
   み関数によって表わされており、推定された存在区間の
   中心から時間的に離れるに従って、推定区間からの極端
   な逸脱を防ぐように、その重み係数の値を小さくするこ
   とを特徴とした特許請求の範囲第１項に記載の音声認識
   方法。