JPS6383799A - 連続音声認識方式 - 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】 ［発明の目的コ （産業上の利用分野） 本発明は連続発声された音声を高精度に認識することの
できる連続音／″！ｉ認識方式に関する。

（従来の技術） 近時、音声の認識処理に対するＩＩＪ）究が種々進めら
れており、離散的に発声された単語音声の認識処理のみ
ならず連続発声された音声の認識処理が種々試みられて
いる。

第６図は従来より提唱されている連続音声の認識処理の
一般的な処理手続きを示す図である。この図に示される
ように、入力音声は先ず音響分析部ｌにてＢＰＦ　（バ
ンド・バス・フィルタ）分析、或いはＬＰＧ　（線形予
測）分析されてその特徴パラメータが求められた後、音
韻認識部２に与えられて音韻辞書３に予め登録された各
音韻の標準パターンと照合される。この音韻照合によっ
て複数の候補からなる音韻系列が求められ、その類似度
と共に単語照合部４に与えられる。

単語照合部４てはこの音韻系列から（１１語を識別処理
するが、同時に単語列検証部５と協働して知識源６に格
納された構文や意味的情報、一般常識等を利用してその
検索単語を絞ったり、或いは識別処理して求められた単
語列が妥当か否かの検証を行なうものとなっている。

ここで上記単語認識は、単語辞書７に標準形として書か
れている単語候補を検索し、音韻変換部８にてその単語
の音韻列を求める。そして変形処理部９にて台形規則１
０を参照して上記単語の音韻列を変形処理する。この音
韻列の変形処理は、例えば調音結合による単語内、また
は単語境界に対する変形を与える処理等からなる。

前記１１ｉ語照合部４ではこのようにして求められる各
単語の音韻列と、前記音韻認識部２にて求められる入力
音声の音韻列とをマツチング処理し、その処理結果を示
すスコアを前記単語列検証部５に送るものとなっている
。

ところがこのような処理手続きで示される連続音声の認
識法にあっては、次のような２つの大きな問題がある。

その１つは認識セグメントの単位の選択と、調音結合・
単語照合の問題である。また他の１つは、その演算処理
時間の問題である。

即ち、上述した第６図に示す認識処理では音韻を認識セ
グメントとして行なっている。しかし認識セグメントと
しては、従来より音韻レベルの細かいものから、音節レ
ベルのものまで種々提唱されている。しかして一般に音
韻をセグメント単位とすると、音声の調音結合に対処し
易い反面、上述したようにその単語照合方式や単語辞書
の構成が複雑化することが否めない。一方、音節をセグ
メント単位とすると、標章形で書かれた単語辞書をその
まま利用することができ、単語照合の簡易化を図り得る
反面、調音結合に対する対応が甚だ困難となる等の問題
がある。

またその演算処理時間に関しては、連続音声認識では認
識セグメント毎に時間軸に沿って連続的にマツチング処
理を行なう必要かあり、その演算処理回数が膨大となる
ことが否めない。この為、従来では専ら、例えば特徴パ
ラメータの数を減らしたり、或いは人力音声に対する分
析の間隔（フレーム周期）を長くする等してその処理性
能を犠牲にし、これによって連続人力音声に対する実時
間処理を行なっているのが実情である。

（発明が解決しようとする問題点） このように従来の連続音声認識技術にあっては、 ■　実時間処理を行なう為に特徴パラメータの数を少な
くする等しているので、高精度にその認識セグメントを
抽出することができない、■　単語照合方式およびｔド
語辞書の複雑化を招来することなしに調音結合の問題を
解消することが甚だ困難である、 等の共に相反する問題を有している。

本発明はこのような事情を考慮してなされたもので、そ
の目的とするところは、上述した不具合を招くことなく
連続発声された音声を簡易に、し′かも高精度に認識す
ることのできる連続音声認識方式を提供することにある
。

［発明の構成コ （問題点を解決するための手段） 第１図は本発明の概要を示す図で、基本的には音声学的
に意味のあるセグメント（ＰｈｏｎｅｔｉｃＳｅｇｍｅ
ｎｔ　；　Ｐ　Ｓ　）を認識処理単位とし、このｐｓ単
位の認識辞書との間で時間軸方向に連続的にマツチング
処理し、このマツチング処理の結果求められたＰＳ系列
とその類似度（距離値）を求める。

そして上記類似度（距離値）を正規化し、その正規化尺
度値を単語照合部に送る。

単語照合部ではこれを単語遷移ネットワークを通して単
語同定を行い、該遷移ネットワークを通過した単語とそ
のスコアを求めて単語列を評価し、最適（Ｆ語列を選択
する。そしてその単語列が妥当であるか否かの検証を行
なって連続音声を認識するようにしたものである。

この処理概念を更に詳しく説明すると、先ず音響分析部
１１にて入力音声を、例えばＬＰＧ分析（ＢＰＦ分析で
も良い）する。この分析された特徴パラメータを連続マ
ツチング処理部１２に与え、ＰＳ辞？ＦＩ３に登録され
ている所定のＰ　Ｓ　１１１位の認識辞書と時間軸方向
に連続的にマツチング処理する。尚、上記認識辞書は、
各ＰＳ毎に複数の標準パターンから作成された識別用辞
書からなる。

このマツチング処理部１２で求められたＰＳ系列とその
類似度（距離値）を類似度（距離値）正規化部１４に与
え、正規化テーブル１５を参照して前記ＰＳ系列の各Ｐ
Ｓ単位の類似度（距離値）をそれぞれ正規化する。この
正規化は、正規化テーブル１５から前記各ＰＳ毎に正規
化の為の定数を求め、この定数に従って前記各ＰＳ単位
の類似度（距離値）を正規化してその正規化尺度値を求
めることによって行われる。この正規化処理結果に従っ
て−に２位の第０位までのＰＳｒｎ位とその正規化尺度
値をそれぞれ選択抽出し、これを単語照合部１６に送る
。

単語照合部Ｉ６では！′１１語ネットワークバッファ１
７に単語遷移ネットワークの形で蓄えられている各単語
候補毎に前記ＰＳ系列を遷移ネットワークに通し、その
遷移ネットワークを通過した単語とそのスコア、および
その遷移ネットワークににおける終端ノード情報を求め
て単語列検証部１８に送る。

この単語列検証部１８にて上記単語列とそのスコアから
最適単語列が選択される。

このようにして求められた最適単語列が妥当であるか否
かの検証を、知識処理部１９にて構文・意味・一般常識
を参照し、文節単位、或いは文単位で実行して前記人力
音声に対する認識結果を求める。

ここで４−記単語列検証部１８では、その処理の途中に
おいて単語列が時々刻々求められる都度、そのｉｌ１語
列と終端ノード情報とを前記知識処理部１９に与える。

そして知識処理部１９ではその都度、求められた単語列
に接続可能な単語を検索する。この検索処理は、単語列
に接続可能な単語を構文・意味・一般常識等の知識源を
適用して絞り、その接続可能な単語の情報とその前の単
語の終端ノード情報とをネットワークコンパイラ２０に
送ることによって果たされる。

このネットワークコンパイラ２０は上記候補単語を受け
、ＰＳ単位とその継続時間を要素とする遷移ネットワー
クを生成するものである。尚、生成した遷移ネットワー
クの始端が複数存在する場合には、前の単語の終端ノー
ド情報を参照してその始端を特定する。このようにして
生成された遷移ネットワークが前記１ド語ネットワーク
バッファ１７に転送されて前述したｌド語照合処理に供
される。

（作用） 本発明では、ｌｌｊ語辞書を通常の読みに従った形で学
備しておき、必要に応じてこれを認識セフセメントで表
現される単語ネットワーク（遷移ネットワーク）に変換
するので、上記単語辞書を簡単に追加・作成することが
できる。

またその認識セグメントを音声学的に意味のあるセグメ
ント（Ｐ　Ｓ）を用いて定義しているので、例えば従来
のように音韻を認識セグメントとする場合のような不具
合を招来することがない。ちなみに音韻を認識セグメン
トとした場合には、そのネットワークへの変換の為の規
則が複雑になりすぎ、その実現が困難となる。また変換
規則を単純化した場合には、新しい単語の追加時にその
変換規則を適用できなくなることが多くあり、規則その
ものを新たに作成する必要が生じる等の不具合がある。

ここで本発明で用いられるＰＳとしては、例えば次のよ
うなものからなる。

（１）持続性セグメント　、　（１−１）母音定常部（
１−２）摩擦子音部 （２）子音セグメント　　；母音への渡り（過渡部）を
含む部分［半音節］ （３）　　音節境界セグメント、　（３−１）母音境界
（３−２）母音・子音境界 （３−３）母音・無音境界 （４）　　その他のセグメント；無声化母音等このうち
（１）　（２）　（４）にっていは音節を認識セグメン
トとする場合にも採用されることが多い。しかし本発明
に係るＰＳの長所は、上記（１）　（２）　（４）に示
されるセグメントに加えて上記（３）の音節境界セグメ
ントを採用したことにある。

ここで（３）の音節境界セグメントについて更に詳しく
説明する。

（３−１＞母音境界： 通常は異なる母音Ｖ　　、Ｖ２の境界に生じる母音Ｖ　
から母音ｖ２への過渡的な部分をセグメントとして扱う
。また、例えば１秒間に１０音節近い速度の速い発声時
に出現する二連母音（撥音「ん」も母音として扱う）Ｖ
　　、Ｖ　　、Ｖ　　の速い過渡部の、上記母音■２を
中心とする前後の過渡部分もこの認識セグメントに加え
る。

（３−２）　（３−３）母音・子音または無音境界；母
音から子音に至る区間を「母音から母音・子音境界まで
」を認識セグメントとする。そして子音については、あ
くまで子音（＋母音への過渡部分）としてセグメント化
する。これにより、従来のＶＣｖまたはＶＣを単位とし
た場合に比較して安定な認識セグメントを構成する。ま
たこのセグメント単位は比較的少ない数（ＶＣＶ単位の
半分以下）で、しかも時間的にも短い範囲を扱うので連
続マツチングの際の演算量の点でも宵利となる。

ここで従来のセグメント単位について考察してみると、
連続音声に対して認識セグメントを時間軸に沿って連続
的にマツチングしていくと、子音部や母音部については
比較的良く、その本来のセグメントに対応したラベル（
認識セグメントの名称）が得られる。しかし母音と子音
との境界や母音と無音との境界では特別なラベルを準備
していない為にランダムなラベル系列が出現する。

通常、このような場合には入力ラベル系列と標準ラベル
系列との間でＤＰ（動的２１画法）に基くマツチングを
行い、ランダムなラベルが出現する区間を迂回している
。しかしこの手法は便宜的な解決法であり、実際上、Ｄ
Ｐのパス（迂回路）には制限を加える為、この区間を確
実に吸収することが困難である場合が多い。

一方、従来より認識セグメントとしてＶＣｖを用いるこ
とが行われている。この手法は子音を母音で挟むことに
よってその子音部を安定に認識しようとするものである
。このＶＣｖを採用することによって、対応するラベル
も比較的安定して得られることが期待される。

しかしＶＣＶ単位の数が９００にも及ぶ為、実用性の点
て問題が残されている。しかもこの単位は時間的に長い
範囲を対象とするので、連続マツチングを行なう際の演
算量が増大すると云う不具合を持っている。

更にはＶ　ＣＶ　Ｌｌｔ位では母音Ｖから子音Ｃ１およ
び子音Ｃから母音■への２つの区間変動要因を同時に抱
える為、認識セグメントとして見るときパターンの変動
が大きい。換言すれば、パターン変動を吸収する為には
、より多くの音声データを必要とすることを意味する。

ところで欧米における音声認識ではＣＶおよびＶＣをセ
グメント単位とすることか多く行われている。これは欧
米の言語にあっては子音で終わる形態が少ないことによ
るもめで、ＣＶ或いはＶＣとｖ、Ｃとを−まとめにする
ことでその子音を安定に認識しようとするものである。

この内、上記ＣＶについては比較的安定な単位と考えら
れるが、ＶＣは必ずしも安定に発声される訳ではない。

この点、本発明では上述したようにＰＳをセグメント単
位として定めているので、その認識セグメントを非常に
安定なものとすることができる。

ちなみに本発明では、欧米形の言語音声に対しては、無
声音についてはその子音区間のみを、また有声音に対し
ては「先行母音と子音の境界から子音まで」をＰＳ単位
とすれば良い。

さて上述したＰＳを認識セグメントする場合、セグメン
トの特徴パラメータの次元数と時間幅（フレーム数）が
問題となる。即ち、母音定常部等についてはその特徴パ
ラメータの次元数を多く必要とするが、そのフレーム数
は少なくて良い。

また破裂子音等については特徴パラメータの次元数もそ
のフレーム数も成る程度必要である。更に摩擦子音等に
あっては特徴パラメ、−夕の次元数は少なくて良いが、
多くのフレーム数を必要とする。

そこで例えば上記特徴パラメータの次元数、およびその
フレーム数をそれぞれの最大値に設定して連続音声を認
識しようとすると、連続マツチングの際の演算量が非常
に膨大化する。しかもフレーム数を最大値に設定してし
まうことで、本来の短い時間の現象が捕え難くなると云
う不具合が生じる。

そこで本発明では、各認識セグメントＰＳの特徴パラメ
ータとフレーム数を、例えばそのフレーム周期を８　ｍ
５ｅｃとしたとき （特徴パラメータ、フレーム数）； （ｔｏ、４）　　（１４，６）　　（１２，８）　　（
１０，１０）　　（８，１２）の組合せの中から選択す
るようにしている。この結果、母音では特徴パラメータ
の次元数を（ＩＢ）と大きく取り、また摩擦子音につい
てはフレーム数を（１２）と多く取るようにしている。

またこのようにすることでＰＳ全体の次元数を６４〜■
ＯＯと、上述したように特徴パラメータの次元数、およ
びそのフレーム数をそれぞれの最大値に設定する場合の
ほぼ半分に押えている。この結果、連続マツチング時の
演算量を実用的な範囲に納めるものとなっている。

さてこのようにその溝数（特徴パラメータ、フレーム数
）の異なる認識セグメントを採用した場合、連続マツチ
ングの結果として得られる各ＰＳの類似度（距離値）を
相互に比較することができないと云う問題が生じる。そ
こで本発明では、その類似度Ｓ、（時刻ｊにおける類似
度）を正規化し、この正規化尺度を用いて単語照合する
ようにしている。

この類似度Ｓ、の正規化は次のようにして行われる。

入力されたＰＳの名かに１で示されるとき、Ｋ　、の類
似度の確率をＰｒ（Ｓｊ　’　Ｋｉ　）とする。

また全ての類似度の出現確率をＰｒ（Ｓ、）　、Ｋ。

Ｊ　　　　　　　　　ｌ が生起する確率をＰｒ（Ｋ、）とすると、成る類似度Ｓ
、が与えられたとき、それが前記に、に属すＪ　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　ｌる確率Ｐｒ（Ｋ、ｌＳ、）は ｌ　　　　　　　Ｊ となる。ここで上記Ｐｒ（Ｋ、）は前記各ＰＳがそれぞ
れ独立であると考えるならば定数としておくことが可能
である。また上記Ｐｒ（Ｓ、）は前記各ＰＳに依存する
ことはない。

従って上記Ｐ　ｒ（Ｓ　、ｌ　Ｋ　ｌ）を予め各ＰＳに
ついて求めておけば、上記確率Ｐ　ｒ　（Ｋ　１１　Ｓ
　Ｊ　）を比較的簡単に計算することができる。即ち、
多量の音声サンプルから上記　Ｐｒ（Ｓｊ）。

Ｐ　ｒ（Ｓ　、ｌ　Ｋ１）をそれぞれ計算しておけば、
その類似度Ｓ、を上述した式を用いて正規化することか
ＩＩＪ能となる。

しかしこの式で示される演算を実際に実行することは繁
雑である。そこで、例えば次のような近似を用いる。

第２図（ａ）は２種類のＰＳ、−）まりに１゜Ｋ２につ
いてその類似度の確率Ｐ　ｒ（Ｓ　ｊｌ　Ｋ　１）　。

Ｐ　ｒ（Ｓ　、ｌ　ｋ　２　）を全ての類似度の出現確
率をＰｒ（Ｓ、）と対比して示している。また第２図（
ｂ）は上記２種類のに、に２について求められた確率Ｐ
ｒ（Ｋ　　Ｉ　Ｓ、）、Ｐｒ（Ｋ２　ｌ　Ｓｊ）を示Ｊ している。そこでこれをモデル化して次のべき乗の式で
近似し、第２図（ｃ）に示すようにする。

二の式は、両辺の対数を求め、 ５Ｓ ＡＢ　　　ｍａｘｌ＝１．ＡＢ　　　ｍａｘ２＝１であ
ることを考慮すると、 Ｋ　　；　ｆｏｇＰ　　−ｆｏｇＡ、＋Ｓｊ、ｉｌ’ｏ
ｇＢ。

１■ −１−（Ｓ、−Ｓ　　　）ノｏｇ　Ｂ　ｔＪ　　　ｍａ
ｗ　Ｉ Ｋ　　；、ｆ’ｏｇＰ　　−ノ０ｇＡ２＋ＳｊｌＯｇＢ
２−１−　（Ｓ　、Ｓ　　　）　ｉｏｇ　Ｂ　２ＪＩＩ
ｌａｘ２ と表現することができる。この式を用いることにより、
例えば前記各ＰＳ毎に（ｌｏｇＢ　　、Ｓ　　　、）ｌ
　　　　　　ａｌａｘ＋ を求めておき、これをテーブル化しておくことによって
、容易に正規化した新しい尺度、ｆ？ｏｇ　Ｐ　ｔを計
算することが可能なことがわかる。

次に本発明における単語照合につき説明する。

単語照合は、例えば上位の第０位までのＰＳ系列を求め
、これを単語の遷移ネットワークに通して該ネットワー
クを通過したものを正解候補（認識候補）とすることに
より行われる。このとき、遷移の途中で主要なＰＳに対
するＺ　ｏｇ　Ｐ　１の値を累積し、単語としてのスコ
アを計算する。

尚、主要なＰＳとは前述した母音定常部や子音セグメン
ト等であり、母音と子音との境界や母音と無音との境界
セグメントについては原則として上記単語スコアの計算
には用いない。

しかして？ｉ語ススコア計算は次のようにして行われる
。

Ｐｒ　　（Ｗ　　ＩＫ　　、　　Ｋ　　、　−−−−−
−）一ノｏｇＰ　　＋ノｏ　ｇ　Ｐ　２　＋・・・・・
・・・・即ち、単語ネットワーク中の主要なＰＳがＫｌ
。

Ｋ　、・・・・・・であり、入力ＰＳ系列の上記主要な
ＰＳに対応する正規化尺度の値が　、ｆ？　ｏｇ　Ｐ　
ｔ　。

ノｏｇＰ　　、・・・・・・であるならば、上記人力Ｐ
Ｓ系列が上記単語Ｗ、である尤度（非尤度）を上式で定
義する。これにより単語としてのスコアを簡単に計算す
ることが可能となる。この場合にはその値が小さい程、
単語ＷＩ！である可能性が高いことになる。

単語列の評価はこのスコアを累積して比較して行なう。

このとき、そのｒｎ語列が妥当であるか否かを知識源１
９の構文・意味・一般常識を参照して検証する。　　。

以上のようにして連続発声された入力音声を認識処理す
ることによって、その入力音声を高精度に認識すること
が可能となる。

（実施例） 次に本発明の具体的な実施例につき、第３図に示す四則
演算式を音声入力することを目的とした装置を例に説明
する。

人力音声はＡ／Ｄ変換器２１にて、例えばサンプリング
周波数１２ＫＨｚ、　１２ｂｉｔで一子化された後、パ
ワー計算部２２に人力されてその音声パワーが計算され
、またＬＰＧ分析部２２に人力されてＬＰＧ分析される
。このＬＰＧ分析は、例えば窓長ｌＧｍ５ｅｃ。

フレーム周期８ｍ５ｅｃで１６次のＬＰＧメルケプスト
ラムを分析パラメータとして行われる。

連続マツチング部２４てのＰＳによる連続マツチング処
理は、次式に示す腹合ＬＰＧメルケプストラム類似尺度
を用いて行われる。

それぞれ２８名に、の固ａ値とその固有ベクトルである
。また（　・　）は内積を示し、１１　］１はノルムを
示している。

ここで、四則演算式を音声入力する為のＰＳとしては、
次の７９種が僧備される。

■持続性セグメント；　ＡＡＩＡ、ＡＡ２Ａ、Ｉｌｌ’
Ａ、１Ｉ２ＡＬＩＵＬＡ、ＵＵ２Ａ、ＥＥＩＡ ００１Ａ、００２Ａ、ＮＮＩＡ、ＮＮ２Ａ、５ＳＩＣ但
し、２８名の最初の３文字はＰＳカテゴリの種類を示す
。具体的にはＡＡＩは母音「ア」の定常部分であり、Ａ
Ａ２は文末等に現われる弱い発音の「ア」である。その
他の母音についても同様であるが、「工」についてはＩ
ＥＥ２Δは現われない。ＳＳＩは摩擦音である。

また最後の文字入、Ｃ（後述するように、この他にもＢ
、Ｄ、Ｅがある。）はパターンの前述した（パラメータ
次元数、フレーム数）を示し、次のように定められる。

Ａ−（１６，４）　Ｂ−（１４，６）　Ｃ−（１２，８
）　Ｄ−（１０，１（１）　Ｅ−＜８．１２）■子音セ
グメント　；　Ｑｌｌ、Ｃ，ＫＡＬＢ、ＫＵＩＢ、ＫＥ
ＩＢ、５ＡｔＥＳＵＩＥ、ＴＡＩＢ、ＣＩＬＤ、ＮＡＩ
Ｂ、ＮＡ２ＢＮ１１１３．Ｎ！２１３，１ｌＡ１ｃ、ｌ
ｌＡ２Ｂ、ＩＩＩＩＣＱＹＩＥ、ＲＵ２Ｂ、ＲＯＩＢ、
ＲＯ２Ｂ、ＷＡＩＤＧＯＩＤ、ＧＯ２Ｂ、ＺＥＩＥ、Ｚ
Ｅ２Ｄ、ＫＹＩＥ尚、Ｑｌｌは無音から始まる語頭の母
音（Ｑは無音）を示し、ＮＡＩ、ＮＡ２はそれぞれ語頭
の子音および語中の子音であることを示している。

■境界セグメント　；　（母音と半母音との境界）ＡＩ
ＩＣ，ＡＮＩＡ、ＡＷＡＤ、　１ＡＩＢ、１ＷＡＤＵ１
１Ｃ，ＵＷＡＤ、０ＩＩＣ，０ＮＩＡ、０ＷＡＤＮＮＩ
Ａ、ＮＷＡＤ、ＹＵＩＥ、ＹＯＩＥ、ＵＹＯＣＯＹＯＤ
、ＡＮＩＤ、０ＮＩＤ ここでＡ１１は母音「アーイ」の境界セグメント、ＯＮ
＋は高速で発声した、例えば　「４１　（ヨンイチ）」
の途中に現われる母音「オーンーイ」の境界セグメント
を示している。

；　（母音と子音との境界） ＡＮ２Ａ、ＡＩＩＩＡ、ＡＧＩＡ、ＡＲＩＡ、　ＩＨＩ
ＡＩＸＩＡ、　ＩＲＩＡ、ＵＮ２Ａ、ｔｌＧＩＡ、υＩ
？ＩＡＬ１１！１Ａ、ＥＲＩＡ、０ＨＩＡ、０ＸＩＡ、
Ｏ１？ＩＡここに示すＡＮ２は母音「ア」から母音「ア
」と子音／ｎ／の境界までを示すセグメントであり、Ｉ
ＸＩはＸとして／ｎ／、／Ｇ／を含むものである。

；　（母音と無音との境界） ＡＱＩＡ、ＩＱＩＡ、ＵＱＩＡ、０ＱＩＡ、ＮＱＩ八■
へのセグメント　；　ＣＱＩＣ，ＫＳＩＣ，ＥＲＯ［３
，ＩＱＡＢＣＱＩＣはｒｌ、８」等の無声化部であり、
ＫＳＩＣは「６３（ロクサン）」の無声化十摩擦部を示
している。またＥＲＯＢは高速発声時の「０（ゼロ）」
に生じる調音結合部、ＩＱＡＢは無音（Ｑ）を挟んで調
音結合を生じたセグメントを示している。

このような７９種のセグメントの情報が直交化辞書とし
てＰＳ複合辞書部２５に格納されている。

（時刻Ｊにおける２８名に１に対する類似度）は、類似
度正規化部２６にて前述した構成の正規化テーブル２７
を参照して正規化尺度に変換される。そして、例えば上
位の第５位までが正規化尺度での値と共に単語照合部２
８に送られる。

第４図は単語照合部２８に送られるＰＳ系列の出力例と
その声紋、および音声パワーの例を示すもので、数字ｒ
４８２０Ｊを発声人力したときの一部を示している。

尚、前述した例では、ＰＳ毎にそれぞれ別の正規化処理
を行なったが、（、＆ｏｇＢ、Ｓ）のＩ　　　ｍａｘ　
Ｉ ＰＳによる差が少ない場合には、単一の変換テーブルを
用いてその正規化処理を簡単化するようにしても良い。

また無音・バズ・無声抽出部２９は、前記音声パワーと
ＬＰＧ分析結果とに従って、そのフレーム区間が無音（
Ｑ）であるか、バズ（Ｂ；声帯台のみ）であるか、或い
は無声（Ｆ）であるかを検出しており、その検出結果を
示すラベルを前記単語照合部２８に送っている。

次にこのようなＰＳ系列に対する単語照合処理について
説明する。

ネットワークコンパイラ３０は、知識処理部３１から送
られる候補単語（この四則演算の例では、最初は数字の
み）を受け、これをＰＳ系列に変換した後、種々の規則
を適用して遷移ネットワークを構成する。第５図はこの
様子を示すものである。

第５図（ａ）は「８（ハチ）」の遷移ネットワークの標
僧形である。ネットワークコンパイラ３゜は与えられた
単語を、先ずＰＳ表現に置換えてこのような遷移ネット
ワークの標帛形を生成する。

その後、次のようにして単語境界の変形処理を順に進め
る。

先ず、始端に対する処理が次のように進められる。先ず
「語中での変形」を規則の中から探す。

ここでその規則に「“ＩＩＡ”が語中で有声音“ｌｌＡ
２”に置換可能」なことが書かれていると、第５図（ｂ
）に示すように新しいパスを付加える。そしてこのパス
に関して、状態（始端ノード）Ｓｏ２に、その前に有声
音が近接することを示す情報＃を付加する。

その後、同様にして「語中での変形」や「例外」の規則
を探す。二の例では、その規則から「“１１″が脱落す
る可能性がある」ことが見出されることから、第５図（
ｂ）に示すように状態Ｓ２に新たなバスが付加される。

そしてこのバスに関し、状態Ｓｏ３に、その前に無声化
が近接することを示す情報Ｖを付加する。

このような処理を施して前記標弗形の遷移ネットワーク
の始端側を変形処理する。

次にその終端側について同様に変形処理を進める。この
例では「接続規則」を探すことによって、「有声音（＃
）との接続の際に、“ＩＱ＋”が“ＩＸＩ、ｌＩ？ｌ、
ＩＨＩ”に置換する可能性がある」ことが見出される。

この結果、第５図（ｃ）に示すように状９　Ｓ３に対し
て新たなバスを生成する。そしてそのバスの終端Ｈに対
してその条件を示す情報＃を付加する。また同様に「母
音「イ」が後続する場合、“＋＋２“　（Ｉｌｌを含ん
でも良い）がＴ、フレーム以上続く可能性かあ、る」こ
とが見出される。この規則に従って状態Ｓ５から新たな
バスを生成する。そしてそのバスの終端Ｈに対してその
条件を示す情報Ｉを付加する。

一方、「無声化規則」を参照することによって「無由子
音（Ｆ）が後続する場合、憫い無灼化（母音が完全に欠
落すること）が生じる可能性がある」ことが見出される
。従ってこの規則に従って第５図（ｃ）に示すように状
態Ｓ４から新たなバスを作成し、その終端Ｈにその条件
を示す情報Ｆを付加する。

更にはｒ摩擦音Ｓが後続する場合には、無音（Ｑ）がＴ
、フレーム以−１−続く可能性がある」と云う規則に従
い、状態Ｓ３から新たなバスを作成し、その終端にその
条件を示す情報Ｓを付加する。

また例外規則から、「高速発声において“引゛が無声化
（弱い無声化）した場合、“ＩＩ″が脱落して“ＩＡＩ
”に置換される」ことが示されることから、同様にして
状態Ｓ５からバスを作成し、その終端に情報Ａを付加す
る。

このようにして前記遷移ネットワークの終端に対して変
形処理を施し、単語境界の変形を考慮した遷移ネットワ
ークを生成する。そしてこの遷移ネットワークを単語遷
移ネットワークバッファ３２に転送して格納し、前記単
語照合部２８による単語照合に供する。

しかして単語照合部２８では、単語遷移ネットワークバ
ッファ３２に格納された各単語の遷移ネットワークと、
前述した如く与えられる入力ＰＳ系列とを順に照合処理
する。

第４図に示す例では、第５位までのＰＳ系列とそのラベ
ルＱ、Ｂ、Ｆとを人力し、ｒＯ，１，〜９」までの数字
単語、および「たす、ひく、かける、わる、わ」なる四
則演算を示すｌｌｊ語の各遷移ネットワークとのマツチ
ング処理を行なう。そしてこの場合には、ｒ４，８．２
・・・・・・」なる単語列しか」二記遷移ネットワーク
の終端に達するものがないことが求められる。

尚、遷移ネットワークの各状態は、例えば３フレームま
でスキップ（ドント・ケア）できるものとして構成され
る。しかしそれでもＰＳの人力がない場合には、ネット
ワーク不通過と看做すことになる。

このようにして単語遷移ネットワークを通過した１１１
語については、前述した単語スコアとその終端ノードに
付された情報が求められ、単語列評価部３３に送られる
。そして単語列評価部３３において、得られた単語列と
その累積スコアとから最適単語列の選択処理が行われる
。

しかして知識処理部３１では、上記最適単語列とその終
端ノード情報を受け、例えば「わ（＝）」が文末でない
ところにあったり、「たす（＋）。

ひ＜（−）、かける（×）、わる（÷）」が文末にある
場合等、その単語列が構文的に不適切であるとしてこれ
を排除する。

またこの際、次に接続ロエ能な単語の候補（例えば四則
演算記号を示す単語の次には数字のみが接続可能）を終
端ノード情報として付し、これを前記ネットワークコン
パイラ３０に与える。ネットワークコンパイラ３０では
、このようにして終端ノード情報が付された１１１語候
補が与えられた場合、それによって生成される単語遷移
ネットワークの始端部に制限を加えて、つまりその始端
部の生成条件に拘束を加えて遷移ネットワークを生成す
ることになる。

具体的には第５図（ｂ）において前の単語が有声音（＃
）で終わっている場合には、その始端の状態をＳｏ２に
限定してその遷移ネットワークを構成する。

以上のようにして各単語の遷移ネットワークを構成しな
がら、人力ＰＳ系列が該遷移ネットワークを通過するか
否かを判定しながらそのｔｌｔ語照合処理が行われ、そ
の認識結果が求められる。

尚、本発明は一ヒ述した実施例に限定されるものではな
く、その要旨を逸脱しない範囲で種々変形して実施可能
なことは勿論のことである。

［発明の効果］ 以上説明したように本発明によれば、音声学的に意味の
ある単位（Ｐ　Ｓ）を認識セグメントとし、単語遷移ネ
ットワークを用いて認識処理を実行するので、連続音声
中に生じる母音・子音の変形に効果的に対処して連続発
声された音声を高精度に認識することができる。しかも
標章形で記述した単語辞書から比較的容品に遷移ネット
ワークを生成し得るので、その認識処理を簡易に、しか
も効果的に進めることができ、演算処理が膨大化するこ
ともない等の実用」−多大なる効果が奏せられる。

【図面の簡単な説明】

第１図は本発明の一実施例方式の概念を示す図、第２図
は類似度の正規化の過程を示す図、第３図は実施例方式
を適用して構成される連続音声認識装置の概略構成図、
第４図はＰＳ系列の一例を示す図、第５図は遷移ネット
ワーク生成の手順を示す図、第６図は従来の一般的な連
続音声認識処理の手順を示す図である。 １１・・・音響分析部、１２・・・ＰＳ連続マツチング
部、１３・・・ＰＳ辞書、１４・・・類似度正規化処理
部、１５・・・類似度正規化テーブル、１Ｇ・・・単語
照合部、１７・・・単語ネットワークバッファ、１８・
・・単語列検証部、１９・・・知識処理部、２０・・・
ネットワークコンパイラ。 出願人代理人　弁理士　鈴江武彦 均イ５ゾ浸 づ１ｐイ以浸 ルイ１．Ａ　　　゛・０ 第２図 （ａ） 第５図

Claims (4)

【特許請求の範囲】
1. （１）音声信号を入力して音響分析する手段と、この音
   響分析によって求められた特徴パラメータと予め定めら
   れた所定の音声学的セグメント単位の音声辞書との間で
   連続的にマッチング処理する手段と、このマッチング処
   理で求められた上記所定の音声学的セグメント単位毎の
   類似度を正規化定数テーブルを参照して正規化して正規
   化尺度値に変換する手段と、上記マッチング処理によっ
   て求められる上位の第ｎ位までの音声学的セグメント単
   位候補とその正規化尺度値とをそれぞれ抽出する手段と
   、これらの音声学的セグメント単位候補とその正規化尺
   度値とを単語毎に作成された遷移ネットワークを通して
   マッチング処理して単語照合する手段と、この単語照合
   結果に基いて最適単語候補列を求める手段と、構文・意
   味的情報を参照して上記最適単語候補列から単語候補列
   を選択し、その単語候補列に接続可能な単語候補を求め
   る知識処理手段と、この単語候補から逐次遷移ネットワ
   ークを生成する手段と、この生成された遷移ネットワー
   クを前記単語照合手段に与える手段とを具備したことを
   特徴とする連続音声認識方式。
2. （２）正規化テーブルは、各音声学的セグメント単位毎
   に準備されるものである特許請求の範囲第１項記載の連
   続音声認識方式。
3. （３）遷移ネットワークを用いた単語照合処理は、該遷
   移ネットワーク中の主な音響学的セグメント単位に対応
   する正規化尺度値を抽出し、その正規化尺度値を累積し
   て単語毎のスコアを計算して行われるものである特許請
   求の範囲第１項記載の連続音声認識方式。
4. （４）遷移ネットワークの生成は、各単語の遷移ネット
   ワークに終端情報を付し、この終端情報によって次に接
   続可能な単語の始端部を拘束して行われるものである特
   許請求の範囲第１項記載の連続音声認識方式。