JP2000089784A - 音声認識システム - Google Patents

Abstract

(57)【要約】 【課題】ユーザー情報を自動的に選択することのできる
音声認識システムを提供する。 【解決手段】音声を入力した使用者を識別する使用者識
別手段と音声認識処理に使用するユーザーＩＤを格納す
る手段とを備え可搬型記録媒体７に音声データと共に該
ユーザーＩＤを記録する音声記録再生装置２６と、該記
録媒体７に記録された音声データに基づいて音声認識処
理を行う音声認識装置であるコンピュータ２０と、で構
成され、音声記録再生装置２６で記録した音声データを
コンピュータ２０で音声認識処理する際、上記格納手段
に格納されているユーザＩＤのうち使用者識別手段で識
別された使用者にかかるユーザＩＤに基づいて音声認識
処理を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、記録媒体に記録さ
れた音声データに基づき音声認識を行う音声認識システ
ムに関する。

【０００２】

【従来の技術】音声ワードプロセッサ、あるいは、口述
することにより音声データを入力すると、該音声データ
に基づいて自動的に文章を作成し、それを画面などに表
示するディクテーションシステムの実現は、従来からの
音声認識システム開発における一つの目標であり、現
在、活発に研究や開発が進められている。こうした近年
の音声認識技術の進歩に伴って、パーソナルコンピュー
タにマイクロフォンを接続し、このマイクロフォンを用
いて入力した音声を、該パーソナルコンピュータ上で文
書化して画面に表示させる装置が開発されていて、一般
に市販されている。

【０００３】一方、従来より、文書を作成するにあた
り、作成したい文書の内容を一旦テープレコーダ等の録
音装置に口述録音して、後で秘書やタイピスト等がその
口述内容を再生しながら、タイプライタやワードプロセ
ッサ等の文書作成装置により文書化する、といった形態
をとることが、テープレコーダ等の録音装置の有効な利
用形態の１つとして一般化している。このような録音装
置を用いて口述する利用形態においては、以前から録音
内容を自動的に文書に変換する技術の実現が強く望まれ
ている。

【０００４】また、近年のコンピュータ技術やディジタ
ル信号処理技術等の発展により、録音内容をディジタル
データ化して、フラッシュメモリ等の書き込みや消去が
可能な記録媒体に記録する、いわゆるディジタルレコー
ダが開発されるようになり、さらに、そのディジタル化
された録音内容をパーソナルコンピュータに転送して、
該コンピュータにおいて録音内容を再生することが可能
となっている。

【０００５】本出願人は、このようなディジタルレコー
ダから転送された録音データを、パーソナルコンピュー
タ上において簡単な操作で扱うことを可能とする音声デ
ータの処理制御装置を開発しており、特願平９−１４９
７２８号において提案している。

【０００６】さらに本出願人は、ディジタル記録された
音声データを、上記音声データの処理制御装置から音声
認識装置に渡して音声認識させ、文書として画面に表示
させるディクテーションシステムを開発しており、特願
平９−１４９７２９号において提案している。このよう
なディクテーションシステムによれば、コンピュータの
前に座って直接音声入力をする必要がなく、一旦ディジ
タルレコーダに録音して、後でコンピュータにその録音
データを転送して文書を作成することができる。

【０００７】また、上記音声認識装置には不特定話者モ
デルが採用されている。不特定話者モデルは使用者を特
定した特定話者モデルと比べて、事前に使用者が発声を
登録する必要がないという利点がある。しかし、一般に
不特定話者モデルは特定話者モデルに比べて認識性能が
劣り、さらに発音が通常の発音と大きく異なる人や雑音
下での認識では認識率の低下が著しい。

【０００８】そこで上記音声認識装置はユーザーにトレ
ーニングを行わせたり、誤認識した単語を修正させるこ
とで新たな音響モデル持つユーザー情報を登録してい
る。該ユーザー情報は音響モデルだけでなく、言語モデ
ル処理時に尤度を補正する単語の修正情報やトレーニン
グ情報等が含まれる。該ユーザー情報はユーザー、ある
いは環境毎に複数登録でき、ユーザーは複数のユーザー
情報から所望のユーザー情報を使用することにより安定
した認識率を得ることができる。

【０００９】

【発明が解決しようとする課題】しかしながら、上記音
声認識装置をユーザーが利用しようとした場合、人や環
境に応じた複数のユーザー情報の中から所望のユーザー
情報を手動で選択しなければならず手間がかかる上、選
択するのを不意に忘れて、他のユーザーのユーザー情報
を使用してしまうために、認識性能が劣化してしまうと
いう虞がある。

【００１０】本発明はかかる問題点に鑑みてなされたも
のであり、ユーザー情報を自動的に選択することのでき
る音声認識システムを提供する。

【００１１】

【課題を解決するための手段】上記の目的を達成するた
めに本発明の第１の音声認識システムは、音声を入力可
能な音声入力手段と、上記音声入力手段で入力した音声
を所定の音声データに変換する音声データ処理手段と、
音声を入力した使用者を識別する使用者識別手段と、音
声認識処理に使用する上記使用者の固有情報を格納する
手段と、上記音声データを音声認識処理する際、上記格
納手段に格納されている情報のうち上記使用者識別手段
で識別された使用者の固有情報に基づいて音声認識処理
を行う音声認識処理手段と、を具備する。

【００１２】上記の目的を達成するために本発明の第２
の音声認識システムは、上記第１の音声認識システムに
おいて、上記使用者識別手段は、使用者の固有情報であ
るユーザーＩＤをもとに使用者を識別することを特徴と
する。

【００１３】上記の目的を達成するために本発明の第３
の音声認識システムは、上記第１の音声認識システムに
おいて、上記音声認識処理手段は、上記使用者識別手段
で識別された使用者の固有情報が上記格納手段に格納さ
れていない場合には、所定の使用者情報に基づいて音声
認識を行うことを特徴とする。

【００１４】

【発明の実施の形態】以下、図面を参照して本発明の一
実施の形態である音声認識システムについて説明する。

【００１５】図１は、本発明の一実施形態である音声認
識システムの概略構成を示した図である。図に示すよう
に、この音声認識システムは、可搬型記録媒体７に音声
データと共に使用者の固有データであるユーザーＩＤを
記録する音声記録再生装置２６と、該記録媒体７に記録
された音声データに基づいて音声認識処理を行う音声認
識装置であるコンピュータ２０と、で構成される。

【００１６】ここで、上記音声記録再生装置２６につい
て図１とともに図２乃至図５を参照して説明する。図２
は、本発明の一実施形態である音声認識システムの一構
成要素となる音声記録再生装置の構成を示したブロック
図である。

【００１７】図２に示すようにこの音声記録再生装置
は、音声入力手段であるマイクロフォン１は増幅器（Ａ
ＭＰ）２、ローパスフィルタ（ＬＰＦ）３、Ａ／Ｄコン
バータ４を介してデジタル信号処理部（ＤＳＰ）５に接
続されている。また、スピーカー１３は増幅器（ＡＭ
Ｐ）１２とローパスフィルタ（ＬＰＦ）１１とＤ／Ａコ
ンバータ１０を介してデジタル信号処理部５に接続され
ている。なお、上記Ａ／Ｄコンバータ４、デジタル信号
処理部５は、入力したアナログ音声信号を所定のデジタ
ル音声データに変換処理する音声データ処理手段を構成
する。

【００１８】また、上記デジタル信号処理部５は制御手
段としてのシステム制御部６（ＣＰＵ）に接続されてい
る。さらに、システム制御部６には記録媒体７として着
脱式のメモリ、表示器８としてのＬＣＤが接続されてい
る。なお、一般に記録媒体７は、例えばフラッシュメモ
リや光磁気ディスク、磁気ディスク等が用いられるが、
本実施形態ではこのうちフラッシュメモリを用いるもの
とする。

【００１９】さらに、システム制御部６には操作入力部
９として録音釦ＲＥＣ、再生釦ＰＬＡＹ、停止釦ＳＴＯ
Ｐ、早送り釦ＦＦ、早戻し釦ＲＥＷ、メニュー釦ＭＥＮ
Ｕ等が接続されている。

【００２０】システム制御部６は、デジタル信号処理部
５と記録媒体７の他、当該音声記録再生装置の各部の動
作を制御すると共に、操作入力部９における複数の操作
釦の操作に応じて、所定のユーザーＩＤの読み出し、書
き込みの制御、すなわちユーザーＩＤ識別手段としての
役目も果たす。

【００２１】さらに、システム制御部６は、その内部に
ユーザーＩＤ等を記録する内部メモリを備えている。

【００２２】また、記録媒体７は、システム制御部６の
制御下にデジタル信号処理部５で符号化処理された音声
データを記録すると共に、該音声データが記録される同
一ファイルに同音声データに対応するユーザーＩＤを記
録する。

【００２３】一方、操作入力部９における各釦は、ユー
ザーＩＤ入力手段としての役目を果たす。

【００２４】次に、このような構成をなす音声記録再生
装置における音声記録動作について説明する。

【００２５】本実施形態における音声記録再生装置は、
記録媒体７に音声データを記録する際、該音声データに
対応するユーザーＩＤ、すなわち使用者に固有のＩＤ情
報を該音声データと同一ファイルに記録する。そして、
当該音声記録再生装置の使用者は音声データと共に記録
されるユーザーＩＤを任意に登録することができる。以
下このユーザーＩＤ登録の設定動作を図３に示すフロー
チャートを参照して説明する。

【００２６】システム制御部６はまず、使用者がＭＥＮ
Ｕ釦を所定時間Ｔ秒、例えば３秒押え続けたか否かを判
定する（ステップＳ１）。ここで、使用者により該ＭＥ
ＮＵ釦が所定時間Ｔ秒押されたら、システム制御部６
は、使用者はユーザーＩＤの設定の意志があると見なし
て表示器８にＩＤ設定画面を表示する（ステップＳ
２）。これにより、ユーザーＩＤ設定可能状態となる。

【００２７】次に、使用者が操作入力部９における所定
の操作釦を押圧操作することで、例えば４桁の所定のＩ
Ｄコードを入力すると（ステップＳ３）、システム制御
部６がこれを認識する。なお、本実施形態においてＩＤ
コードは所定のアラビア数字、ローマ字等の英数字の組
み合わせで構成されるものとする。そしてこれら４桁の
英数字は所定の釦、たとえば、ＲＥＷ釦、ＦＦ釦で選択
され、ＰＬＡＹ釦で決定されるものとする。また、この
設定に用いられる釦はこれに限らず、他の釦でも良いこ
とは言うまでもない。

【００２８】上記操作によってユーザーＩＤが入力され
ると、システム制御部６はその内部メモリに該ユーザー
ＩＤを記録し、これによりユーザーＩＤが登録される
（ステップＳ４）。

【００２９】一方、上記ユーザーＩＤの設定が所定時間
内に行われないときは（ステップＳ５）、ユーザーＩＤ
は未設定となる。また、ユーザーＩＤは音声を録音した
後、後から登録、変更することも可能となっている。詳
しくは後述する。

【００３０】次に当該音声記録再生装置に音声データを
記録する録音処理について説明する。システム制御部６
が録音釦ＲＥＣが押されたことを検出すると、マイクロ
フォン１から入力された音声信号はＡＭＰ２によって増
幅される。このＡＭＰ２の出力はローパスフィルタ３で
エリアシングノイズの発生を防止するために不要な周波
数帯域がカットされる。次いでＡ／Ｄコンバータ４にお
いてアナログ信号である音声信号がデジタル信号に変換
された後、デジタル信号処理部５（ＤＳＰ）に入力され
る。

【００３１】デジタル信号処理部５はデジタル信号に変
換された音声データを一定のフォーマットのデータに圧
縮変換（符号化）を行い、符号化された音声データは図
示しないバッファを介してシステム制御部６へ送られ
る。さらにシステム制御部６は入力された音声データを
記録媒体７へ出力する。

【００３２】ここで、記録媒体７に音声データおよびユ
ーザーＩＤを記録する動作を図４のフローチャートを参
照して説明する。システム制御部６はまず、録音モード
か否かを判定する（ステップＳ１１）。ここで録音中で
あれば、次にその録音、すなわち１つのファイルが終了
したかを判定する（ステップＳ１２）。ここで録音（フ
ァイル）が終了したら、次にシステム制御部６はユーザ
ーＩＤが該システム制御部６の内部メモリに登録されて
いるかを判定する（ステップＳ１３）。ここでユーザー
ＩＤが登録されていれば、このユーザーＩＤを記録媒体
７のファイルヘッダーに記録する（ステップＳ１４、ス
テップＳ１５）。これにより、記録媒体７にはファイル
毎にユーザーＩＤが付与されることとなる。

【００３３】一方、システム制御部６の内部メモリにユ
ーザーＩＤが登録されていなければ、システム制御回路
６はデフォルトのユーザーＩＤ（００００）を上記同様
に記録媒体７のファイルヘッダーの所定アドレスに記録
する（ステップＳ１６、ステップＳ１５）。

【００３４】記録媒体７に記録される際にファイル毎の
ファイルヘッダーは図５に示すようにユーザーＩＤの
他、例えばファイルナンバー、録音開始時間、録音終了
時間、録音日時等の情報が所定のアドレスに書き込まれ
るようになっている。

【００３５】次に音声を収録してファイルを作成した
後、すなわち音声データおよびユーザーＩＤが記録媒体
７に記録された後にユーザーＩＤを登録、変更する場合
について説明する。

【００３６】まず、停止時に所定の操作、本実施形態の
場合ＦＦ釦、ＲＥＷ釦によりユーザーＩＤを変更したい
ファイルナンバーを表示器８に表示させる。次に上述し
たようにＭＥＮＵ釦を所定時間押し、ユーザーＩＤ登
録、変更可能状態とする。このときシステム制御部６は
記録媒体７に記録されている音声データのヘッダー部分
を検索し、選択したファイルのヘッダーのユーザーＩＤ
を検出し、表示器８に表示する。

【００３７】次に上記同様の操作によりユーザーＩＤを
登録、または変更を行い、決定するとシステム制御部６
はファイルヘッダーに記録されているユーザーＩＤを書
き換える。以上の操作でユーザーＩＤの登録、変更がな
される。

【００３８】次に、本発明の実施形態である音声認識シ
ステムにおける音声認識装置について説明する。

【００３９】図６は、本発明の一実施形態である音声認
識システムの一構成要素となる音声認識装置の構成を示
したブロック図である。

【００４０】図６に示すように、本実施形態においては
音声認識装置としてコンピュータ２０を採用している。
該コンピュータ２０の内部は音声認識処理の他、音声入
力処理、表示処理、操作制御等を行う音声認識部の構成
要素であるＣＰＵ２１と、音声入力手段である入力装置
２２、記録媒体２３、表示装置としてのディスプレイ２
４、キーボード、マウス等の操作部２５で構成される。

【００４１】記録媒体２３には音声認識部の構成要素と
なる音声認識処理を行う音声認識プログラム、使用者情
報（ユーザー情報）としてのユーザー情報ファイル等が
記録されており、ＣＰＵ２１により制御される。ユーザ
ー情報には音響モデル、単語の修正情報、トレーニング
情報等が含まれる。

【００４２】入力装置２２は上記音声記録再生装置によ
り音声データと共にユーザーＩＤ等が記録された記録媒
体７を装着することが可能となっており、装着した際に
は、音声認識処理プログラムによりＣＰＵ２１の制御で
読み書き可能になっている。

【００４３】上記ユーザー情報ファイルにはそれぞれユ
ーザーＩＤが設定されている。該ユーザーＩＤは上記音
声記録再生装置で記録したユーザーＩＤと同じ形のもの
であり、所定のアラビア数字、ローマ字等の英数字の組
み合わせで構成されている。音声認識処理時にはこのユ
ーザーＩＤにより音響モデルを選択するようになってい
る。

【００４４】次に上記音声認識装置における音声認識処
理動作について図７のフローチャートを参照して説明す
る。

【００４５】使用者は上述した音声データと共にユーザ
ーＩＤ等が記録された記録媒体７を上記音声記録再生装
置から取り出して入力装置２２に装着する。次に、ＣＰ
Ｕ２１が音声認識処理プログラムを所定の操作により起
動する。図８は本実施形態で用いる音声認識処理用プロ
グラムを起動させた際の一表示例であり、上記記録媒体
２３に記録された圧縮された音声ファイルの一覧表示で
ある。

【００４６】次に使用者は、マウスやキーボード等によ
る操作部２５を操作して音声認識処理を実行するファイ
ルを選択し（ステップＳ３１）、音声認識処理の実行を
指示する。例えばキーボードの場合カーソルキーで選択
し、実行キーで実行する。なお、この操作はこれに限ら
ず他のキーでも良い。

【００４７】音声認識実行の命令をＣＰＵ２１が認識す
ると、ＣＰＵ２１は使用者によって音声認識処理実行を
指定されたファイルを記録媒体７から検索し、該ファイ
ルのヘッダーを検索する（ステップＳ３２）。ヘッダー
には上述したようにユーザーＩＤのほかインデックス情
報として録音日時、録音開始時間、録音終了時間等の情
報が記録されている（図５参照）。

【００４８】次にＣＰＵ２１はユーザーＩＤの記録され
たアドレスからユーザーＩＤを検出する（ステップＳ３
３）。検出したユーザーＩＤが音声記録再生装置でユー
ザーが指定しなかった際に記録されるデフォルトのユー
ザーＩＤ（００００）であれば（ステップＳ３４）、音
声認識処理に使用するユーザー情報ファイルは所定のユ
ーザー情報ファイルを設定する（ステップＳ３５）。本
実施形態では該ユーザー情報ファイルにデフォルトとし
て不特定話者モデルの音響モデルをもつユーザー情報フ
ァイルが使用される。

【００４９】上記ステップＳ３３において検出されたユ
ーザーＩＤがデフォルト（００００）でない場合は（ス
テップＳ３４）、登録されているユーザー情報ファイル
を調べ、ファイルヘッダーのユーザーＩＤと同一のもの
が登録されているかを調ぺ（ステップＳ３８）、登録さ
れていれば音声ファイルのユーザーＩＤに対応したユー
ザー情報ファイルが使用される（ステップＳ３５）。一
方、登録されてなければデフォルトの不特定話者音響モ
デルを持つユーザー情報ファイルを使用する（ステップ
Ｓ３９）。

【００５０】次にＣＰＵ２１はユーザー情報ファイルが
選択されたことを確認すると、上記音声記録再生装置で
圧縮記録された該ファイルの音声データを音声圧縮ファ
イルより読み込む。この圧縮された音声データは音声認
識処理プログラムによって音声記録再生装置で記録した
ときと同じ圧縮アルゴリズムを逆に用いてＰＣＭデータ
に伸長処理を行う。すなわち、この処理は音声記録再生
装置の再生処理と同じ処理を音声認識処理プログラムに
より制御されるコンピュータで行うこととなる。

【００５１】次に音声認識装置では上記処理で伸長され
たＰＣＭデータが記録媒体２３に入力される。記録媒体
２３では音声認識処理プログラムによりＣＰＵ２１が音
声認識処理を行う（ステップＳ３６）。

【００５２】ここで、ＣＰＵ２１の音声認識処理操作を
図９のブロック図を参照して説明する。

【００５３】音声認識処理プログラムによりＣＰＵ２１
は入力された音声データ（ＰＣＭデータ）を分析し、例
えば線形予測係数やケプストラム係数、所定の周波数帯
域毎のパワー、ゼロクロス数などの音声特徴量を抽出
し、音声認識に適したデータに変換する。次に登録され
ているユーザー情報ファイルのなかでユーザーＩＤ判定
処理により選択されたユーザー情報ファイルにふくまれ
る音響モデルの音声特徴量とのマッチングを行い尤度づ
けを行う。次に言語モデル処理により単語の順序列によ
る確立を考慮して総合的な確立の高い順にランク付けを
する。ランク付けされた単語のリストをユーザー情報フ
ァイルに含まれる修正情報により補正しもっとも確立の
高いものを認識結果として出力する。決定された単語は
表示装置IVの所定の位置に表示される。

【００５４】このように、上記実施形態の音声認識シス
テムによれば、ユーザーや環境によるユーザー情報を間
違えて選択することなく、音声データを音声認識するこ
とができる。

【００５５】また、場所等を制約されず、また音声認識
装置への入力時における操作が発声者以外の者でも可能
である。

【００５６】さらに、ユーザーＩＤが設定されていない
ときにも、所定のユーザー情報により音声認識を行うこ
とのできる。

【００５７】

【発明の効果】以上説明したように請求項１に記載した
発明によれば、使用者や環境によるユーザー情報を間違
えて選択することなく、音声データを音声認識すること
ができる音声認識システムを提供できる。

【００５８】また請求項２に記載した発明によれば、場
所等を制約されず、また音声認識装置への入力時におけ
る操作が発声者以外の者でも可能である音声認識システ
ムを提供できる。

【００５９】さらに請求項３に記載した発明によれば、
ユーザーＩＤが設定されていない場合にも、所定のユー
ザー情報により音声認識を行うことのできる音声認識シ
ステムを提供できる。

【図面の簡単な説明】

【図１】本発明の一実施形態である音声認識システムの
概略構成を示した図である。

【図２】本発明の一実施形態である音声認識システムの
一構成要素となる音声記録再生装置の構成を示したブロ
ック図である。

【図３】上記実施形態の音声認識システムにおけるユー
ザーＩＤ登録の設定動作を示したフローチャートであ
る。

【図４】上記実施形態の音声認識システムにおいて、可
搬型記録媒体に音声データおよびユーザーＩＤを記録す
る動作を示したフローチャートである。

【図５】上記実施形態の音声認識システムにおいて、可
搬型記録媒体に記録されるファイル毎のファイルヘッダ
ー構成を示した図である。

【図６】上記実施形態の音声認識システムの一構成要素
となる音声認識装置の構成を示したブロック図である。

【図７】上記実施形態の音声認識システムにおける音声
認識装置の音声認識処理動作を示したフローチャートで
ある。

【図８】上記実施形態の音声認識システムで用いる音声
認識処理用プログラムを起動させた際の一表示例であ
り、音声認識装置における記録媒体に記録された圧縮さ
れた音声ファイルの一覧表示を示した図である。

【図９】上記実施形態の音声認識システムの音声認識装
置におけるＣＰＵの音声認識処理操作を説明する図であ
る。

【符号の説明】

１…マイクロフォン ４…Ａ／Ｄコンバータ ５…デジタル信号処理部 ６…システム制御部 ７…可搬型記録媒体 ８…表示器 ９…操作入力部 １３…スピーカ ２０…コンピュータ（音声認識装置） ２１…ＣＰＵ ２２…入力装置 ２３…記録媒体 ２４…表示装置 ２５…操作部 ２６…音声記録再生装置

Claims (3)

【特許請求の範囲】
1. 【請求項１】 音声を入力可能な音声入力手段と、 上記音声入力手段で入力した音声を所定の音声データに
   変換する音声データ処理手段と、 音声を入力した使用者を識別する使用者識別手段と、 音声認識処理に使用する上記使用者の固有情報を格納す
   る手段と、 上記音声データを音声認識処理する際、上記格納手段に
   格納されている情報のうち上記使用者識別手段で識別さ
   れた使用者の固有情報に基づいて音声認識処理を行う音
   声認識処理手段と、 を具備したことを特徴とする音声認識システム。
2. 【請求項２】 上記使用者識別手段は、使用者の固有情
   報であるユーザーＩＤをもとに使用者を識別することを
   特徴とする請求項１に記載の音声認識システム。
3. 【請求項３】 上記音声認識処理手段は、上記使用者識
   別手段で識別された使用者の固有情報が上記格納手段に
   格納されていない場合には、所定の使用者情報に基づい
   て音声認識を行うことを特徴とする請求項１に記載の音
   声認識システム。