JP2000099087A - 言語音声モデルを適応させる方法及び音声認識システム - Google Patents
言語音声モデルを適応させる方法及び音声認識システムInfo
- Publication number
- JP2000099087A JP2000099087A JP11259223A JP25922399A JP2000099087A JP 2000099087 A JP2000099087 A JP 2000099087A JP 11259223 A JP11259223 A JP 11259223A JP 25922399 A JP25922399 A JP 25922399A JP 2000099087 A JP2000099087 A JP 2000099087A
- Authority
- JP
- Japan
- Prior art keywords
- speech
- recognition result
- list
- result candidates
- recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 9
- 230000006978 adaptation Effects 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 abstract description 16
- 230000004044 response Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/065—Adaptation
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
- Telephonic Communication Services (AREA)
Abstract
(57)【要約】
【課題】 本発明は言語音声モデルのオンライン適応を
改善することを目的とする。 【解決手段】 本発明は、自動音声認識システムにおい
て該システムの動作中に得られる音声認識の結果を使用
し、認識されるべき音声発話についてＮ＞１のＮ−ｂｅ
ｓｔ認識結果候補のリストを評価ことによって言語音声
モデルを適応させる方法に関する。かかる言語音声モデ
ルのオンライン適応の改善のため、適応させる際に上記
リストの複数の認識結果候補が組み合わされる。
改善することを目的とする。 【解決手段】 本発明は、自動音声認識システムにおい
て該システムの動作中に得られる音声認識の結果を使用
し、認識されるべき音声発話についてＮ＞１のＮ−ｂｅ
ｓｔ認識結果候補のリストを評価ことによって言語音声
モデルを適応させる方法に関する。かかる言語音声モデ
ルのオンライン適応の改善のため、適応させる際に上記
リストの複数の認識結果候補が組み合わされる。
Description
【０００１】
【発明の属する技術分野】本発明は、自動音声認識シス
テムにおいて上記システムの動作中に得られる音声認識
の結果を使用し、認識されるべき音声発話についてＮ＞
１のＮ−ｂｅｓｔ認識結果候補のリストを評価すること
によって言語音声モデルを適応させる方法に関する。
テムにおいて上記システムの動作中に得られる音声認識
の結果を使用し、認識されるべき音声発話についてＮ＞
１のＮ−ｂｅｓｔ認識結果候補のリストを評価すること
によって言語音声モデルを適応させる方法に関する。
【０００２】
【従来の技術】音声モデルの対応するオンライン適応
は、特に自動音声認識を使用する対話システムにおいて
要求されている。かかる対話システムは例えば、音声制
御されたデータバンク照会の可能性を与える。例として
は、列車時刻表情報システム、電話情報システム、空港
情報システム、及び銀行顧客用情報システム等がある。
は、特に自動音声認識を使用する対話システムにおいて
要求されている。かかる対話システムは例えば、音声制
御されたデータバンク照会の可能性を与える。例として
は、列車時刻表情報システム、電話情報システム、空港
情報システム、及び銀行顧客用情報システム等がある。
【０００３】音声認識は、確率的モデルによって行われ
る。ＨＭＭモデル（隠れマルコフモデル）に基づく音響
モデル、並びに、意味論的及び統語法的な性質の音声要
素の発生の確率値を表わす言語音声モデルの両方が使用
される。特に対話システムでは、システムが稼働される
前に音声認識に使用される言語音声モデルを学習するた
めに使用可能な学習材料が充分にないという問題がしば
しば生ずる。このため、動作中に獲得された音声認識結
果が使用される言語音声モデルの更なる改善のため、又
は適用の当該の分野への適応のために使用されうる対話
システムにおけるオンライン適応を提供することが望ま
しい。実際に与えられる音声発話に関する確実な情報よ
りもむしろ、見出された音声認識結果のみが音声認識器
に対して使用可能であるため、かかる適応は監視なしで
あるよう設計されている。
る。ＨＭＭモデル（隠れマルコフモデル）に基づく音響
モデル、並びに、意味論的及び統語法的な性質の音声要
素の発生の確率値を表わす言語音声モデルの両方が使用
される。特に対話システムでは、システムが稼働される
前に音声認識に使用される言語音声モデルを学習するた
めに使用可能な学習材料が充分にないという問題がしば
しば生ずる。このため、動作中に獲得された音声認識結
果が使用される言語音声モデルの更なる改善のため、又
は適用の当該の分野への適応のために使用されうる対話
システムにおけるオンライン適応を提供することが望ま
しい。実際に与えられる音声発話に関する確実な情報よ
りもむしろ、見出された音声認識結果のみが音声認識器
に対して使用可能であるため、かかる適応は監視なしで
あるよう設計されている。
【０００４】１９９７年ICASSP第１０２３乃至１０２６
頁のS.Homma 外による"Improved Estimation of Superv
ision in Unsupervised Speaker Adaptation" より、言
語音声モデルの監視なしオンライン適応の場合に、オン
ライン適応のためだけにのみ、音声発話のために定義さ
れたＮ−ｂｅｓｔ認識結果候補のリストから最善の認識
結果候補、即ち最大の確率を有する候補を、この確率と
次善認識結果候補の確率との差が所与の所定の閾値を超
過した場合に使用することが知られている。
頁のS.Homma 外による"Improved Estimation of Superv
ision in Unsupervised Speaker Adaptation" より、言
語音声モデルの監視なしオンライン適応の場合に、オン
ライン適応のためだけにのみ、音声発話のために定義さ
れたＮ−ｂｅｓｔ認識結果候補のリストから最善の認識
結果候補、即ち最大の確率を有する候補を、この確率と
次善認識結果候補の確率との差が所与の所定の閾値を超
過した場合に使用することが知られている。
【０００５】
【発明が解決しようとする課題】本発明は言語音声モデ
ルのオンライン適応を改善することを目的とする。
ルのオンライン適応を改善することを目的とする。
【０００６】
【課題を解決するための手段】この目的は、適応させる
際に上記リストの複数の認識結果候補が組み合わされる
ことを含むことによって達成される。これは、Ｎ−ｂｅ
ｓｔ認識結果候補のリストの最善の認識結果候補として
評価された要素が実際に与えられる音声発話に対応しな
い場合についての補償が行われるという利点を有する。
これはリストの少なくとも他の認識結果候補によって規
則正しく表わされる。本発明によってリストの複数の認
識結果候補を組み合わせることにより、かかる場合に誤
りを減少する補償が達成され、これは最終的には言語音
声モデリングに関して改善されたオンライン適応を与え
る。
際に上記リストの複数の認識結果候補が組み合わされる
ことを含むことによって達成される。これは、Ｎ−ｂｅ
ｓｔ認識結果候補のリストの最善の認識結果候補として
評価された要素が実際に与えられる音声発話に対応しな
い場合についての補償が行われるという利点を有する。
これはリストの少なくとも他の認識結果候補によって規
則正しく表わされる。本発明によってリストの複数の認
識結果候補を組み合わせることにより、かかる場合に誤
りを減少する補償が達成され、これは最終的には言語音
声モデリングに関して改善されたオンライン適応を与え
る。
【０００７】特に１つの音声発話へ組み合わされる単一
音声要素のシーケンスを認識するとき、本発明は、実際
の音声発話の単一音声要素が最善の認識候補の中に表わ
されないかもしれないが、Ｎ−ｂｅｓｔ認識結果候補の
リストの少なくとも１つの他のリスト要素の中にあると
いう大きな可能性があるという利点を有する。オンライ
ン適応では、認識結果候補のかかる部分は無視されるわ
けではなく、所与の重みと共に考慮される。更に、Ｎ−
ｂｅｓｔ認識結果候補のリストの最善の認識結果候補の
中に音声要素が表わされ、これらの音声要素が実際の音
声発話の一部でない場合、かかる音声要素が他のリスト
要素の中に表わされていない可能性が高い。ここでもま
た、更なるリスト要素が考慮されるという事実は、最善
のリスト要素のみが考慮される場合に生ずる誤りに対す
る補償を与える。
音声要素のシーケンスを認識するとき、本発明は、実際
の音声発話の単一音声要素が最善の認識候補の中に表わ
されないかもしれないが、Ｎ−ｂｅｓｔ認識結果候補の
リストの少なくとも１つの他のリスト要素の中にあると
いう大きな可能性があるという利点を有する。オンライ
ン適応では、認識結果候補のかかる部分は無視されるわ
けではなく、所与の重みと共に考慮される。更に、Ｎ−
ｂｅｓｔ認識結果候補のリストの最善の認識結果候補の
中に音声要素が表わされ、これらの音声要素が実際の音
声発話の一部でない場合、かかる音声要素が他のリスト
要素の中に表わされていない可能性が高い。ここでもま
た、更なるリスト要素が考慮されるという事実は、最善
のリスト要素のみが考慮される場合に生ずる誤りに対す
る補償を与える。
【０００８】本発明の概念は、上記リストの複数の認識
結果候補を組み合わせるとき、これらの候補に割り当て
られた確率値は所与の数値によって重み付けされ、適応
させる際に使用される認識結果候補のための適応重み
は、この認識結果候補に割り当てられる重み付けされた
確率値が上記リストの他の認識結果候補に割り当てられ
た重み付けされた確率値の合計に関連するよう形成され
ること形成されることによって実現される。容易に実現
されえ、満足のいく適応結果をもたらすこの実施は、ω
i をＮ−ｂｅｓｔ認識結果候補のリストのｉ番目の要素
に関する適応重みとし、ｌi をＮ−ｂｅｓｔ認識結果候
補のリストのｉ番目の要素の確率値とすると、適応重み
が、以下の式、
結果候補を組み合わせるとき、これらの候補に割り当て
られた確率値は所与の数値によって重み付けされ、適応
させる際に使用される認識結果候補のための適応重み
は、この認識結果候補に割り当てられる重み付けされた
確率値が上記リストの他の認識結果候補に割り当てられ
た重み付けされた確率値の合計に関連するよう形成され
ること形成されることによって実現される。容易に実現
されえ、満足のいく適応結果をもたらすこの実施は、ω
i をＮ−ｂｅｓｔ認識結果候補のリストのｉ番目の要素
に関する適応重みとし、ｌi をＮ−ｂｅｓｔ認識結果候
補のリストのｉ番目の要素の確率値とすると、適応重み
が、以下の式、
【０００９】
【数２】
【００１０】によって定義されることによってより具体
的なものとされる。重みλは夫々の場合に発見的に決定
されうる。確率値ｌi が対数形式で存在するとき、この
式は重みλを用いた対合がこの重みによる乗算に変化す
るという利点を有する。本発明は音声認識のために使用
される言語音声モデルが上述のいずれかの方法によって
適応される音声認識システムに関する。
的なものとされる。重みλは夫々の場合に発見的に決定
されうる。確率値ｌi が対数形式で存在するとき、この
式は重みλを用いた対合がこの重みによる乗算に変化す
るという利点を有する。本発明は音声認識のために使用
される言語音声モデルが上述のいずれかの方法によって
適応される音声認識システムに関する。
【００１１】
【発明の実施の形態】本発明の上述及び他の面は、以下
説明される実施例を参照することによって明らかとなろ
う。図１に示される音声認識システム１は、音声認識シ
ステム１のモジュールを結合し、入力（参照番号３）に
おける音声信号を表わす特徴ベクトルを受信する機能ブ
ロック２を有する。これらの音声信号は、電気形式で存
在する音声信号を標本化及び量子化し、続いてそれらを
連続する部分的に重なり合うフレームへ分割し、これら
のフレームに対してケプストラム分析が行われ最終的に
は機能ブロック２へ印加される特徴ベクトルの成分を生
成する。
説明される実施例を参照することによって明らかとなろ
う。図１に示される音声認識システム１は、音声認識シ
ステム１のモジュールを結合し、入力（参照番号３）に
おける音声信号を表わす特徴ベクトルを受信する機能ブ
ロック２を有する。これらの音声信号は、電気形式で存
在する音声信号を標本化及び量子化し、続いてそれらを
連続する部分的に重なり合うフレームへ分割し、これら
のフレームに対してケプストラム分析が行われ最終的に
は機能ブロック２へ印加される特徴ベクトルの成分を生
成する。
【００１２】機能ブロック２は、既知のベイズ規則によ
る確率最大化を表わし、出力（参照番号４）において最
大の確率値が決定されるＮ＞１のＮ−ｂｅｓｔ認識結果
候補を供給する。機能ブロック２による動作は、概して
音声認識システム１を動作する前に学習された確率的音
声モデルを含む。一方では音響モデル（機能ブロック
５）があり、他方ではまた言語音声モデル（機能ブロッ
ク６）がある。いわゆるＨＭＭモデルは、音響モデリン
グのために使用される。言語音声モデリングでは、発生
確率値は、音声語彙の単一の要素又は要素の組合せに対
して割り当てられる。
る確率最大化を表わし、出力（参照番号４）において最
大の確率値が決定されるＮ＞１のＮ−ｂｅｓｔ認識結果
候補を供給する。機能ブロック２による動作は、概して
音声認識システム１を動作する前に学習された確率的音
声モデルを含む。一方では音響モデル（機能ブロック
５）があり、他方ではまた言語音声モデル（機能ブロッ
ク６）がある。いわゆるＨＭＭモデルは、音響モデリン
グのために使用される。言語音声モデリングでは、発生
確率値は、音声語彙の単一の要素又は要素の組合せに対
して割り当てられる。
【００１３】機能ブロック７では、その出力８において
認識結果が発生され、この結果は最も高い確率が割り当
てられたＮ−ｂｅｓｔ認識結果候補のリストの要素に対
応する。出力４に現れるＮ−ｂｅｓｔ認識結果候補の当
該のリストもまた言語音声モデル６のオンライン適応の
ために使用される。このため、以下の式、
認識結果が発生され、この結果は最も高い確率が割り当
てられたＮ−ｂｅｓｔ認識結果候補のリストの要素に対
応する。出力４に現れるＮ−ｂｅｓｔ認識結果候補の当
該のリストもまた言語音声モデル６のオンライン適応の
ために使用される。このため、以下の式、
【００１４】
【数３】
【００１５】によって定義される適応重みωi が決定さ
れ（機能ブロック９）、式中、ωi はＮ−ｂｅｓｔ認識
結果候補のリストのｉ番目の要素に関する適応重みであ
り、ｌ i はＮ−ｂｅｓｔ認識結果候補のリストのｉ番目
の要素の確率値である。重みλは、各適用のために再び
決定されるべき発見的に決定される数値である。言語音
声モデル（機能ブロック６）の発生の確率値が計算され
るべき関連する発生の頻度は、このように決定された適
応重みωi によって増加され、それにより発生確率値は
対応する所与の数値によって重み付けされる。
れ（機能ブロック９）、式中、ωi はＮ−ｂｅｓｔ認識
結果候補のリストのｉ番目の要素に関する適応重みであ
り、ｌ i はＮ−ｂｅｓｔ認識結果候補のリストのｉ番目
の要素の確率値である。重みλは、各適用のために再び
決定されるべき発見的に決定される数値である。言語音
声モデル（機能ブロック６）の発生の確率値が計算され
るべき関連する発生の頻度は、このように決定された適
応重みωi によって増加され、それにより発生確率値は
対応する所与の数値によって重み付けされる。
【００１６】図２は、例えば列車時刻表情報システム、
電話情報システム、空港情報システム、及び銀行顧客用
情報システム等に使用されうる本発明による対話システ
ム２０を示す図である。評価されるべき音声発話（参照
番号２２）はユーザインタフェース２１を通じてシステ
ムに供給される。システム２０から受信された音声発話
への応答として、対話制御ユニット２３によって発生さ
れた出力２３における音声信号は、音声入力に対する応
答としてユーザへユーザインタフェース２１を通じて供
給されうる。
電話情報システム、空港情報システム、及び銀行顧客用
情報システム等に使用されうる本発明による対話システ
ム２０を示す図である。評価されるべき音声発話（参照
番号２２）はユーザインタフェース２１を通じてシステ
ムに供給される。システム２０から受信された音声発話
への応答として、対話制御ユニット２３によって発生さ
れた出力２３における音声信号は、音声入力に対する応
答としてユーザへユーザインタフェース２１を通じて供
給されうる。
【００１７】ユーザインタフェース２１は、電気形式で
存在する音声信号を、音響モデル２５及び言語モデル２
６が統合されている音声認識モジュール２４へ供給す
る。音響モデル２５の動作に関して、図１の説明を参照
のこと。図１とは対照的に、音声認識モジュール２４は
Ｎ−ｂｅｓｔ認識結果候補のリストを供給しないが、各
時点に対応するノードを有すると共に音声発話の単一の
単語に対応するエッジを有する単語グラフ（ｗｏｒｄ
ｇｒａｐｈ）を供給する。当該の単語に対する発生確率
値は、別個のエッジに割り当てられる。
存在する音声信号を、音響モデル２５及び言語モデル２
６が統合されている音声認識モジュール２４へ供給す
る。音響モデル２５の動作に関して、図１の説明を参照
のこと。図１とは対照的に、音声認識モジュール２４は
Ｎ−ｂｅｓｔ認識結果候補のリストを供給しないが、各
時点に対応するノードを有すると共に音声発話の単一の
単語に対応するエッジを有する単語グラフ（ｗｏｒｄ
ｇｒａｐｈ）を供給する。当該の単語に対する発生確率
値は、別個のエッジに割り当てられる。
【００１８】機能ブロック２６によって表わされる言語
音声モデルは、機能ブロック２４によって供給される各
単語グラフに集中するために使用され、即ち音響モデル
２５に基づいて発生される単語グラフを使用した場合と
比較して、機能ブロック２４によって供給される単語グ
ラフは、言語モデル２６によって関連する発生確率値に
基づいて小さな確率のみを有する認識結果として考慮さ
れうる認識候補を含まない。単語グラフの例は図３に示
されている。この単語グラフは８つのノードを有する。
別個のエッジに割り当てられた確率値は、当該の発生確
率の負の自然対数として与えられる。
音声モデルは、機能ブロック２４によって供給される各
単語グラフに集中するために使用され、即ち音響モデル
２５に基づいて発生される単語グラフを使用した場合と
比較して、機能ブロック２４によって供給される単語グ
ラフは、言語モデル２６によって関連する発生確率値に
基づいて小さな確率のみを有する認識結果として考慮さ
れうる認識候補を含まない。単語グラフの例は図３に示
されている。この単語グラフは８つのノードを有する。
別個のエッジに割り当てられた確率値は、当該の発生確
率の負の自然対数として与えられる。
【００１９】音声認識モジュール２４によって発生され
た単語グラフは、音声理解モジュール２８によってそれ
らの知覚的な内容について分析される。ここでもまた、
参照番号２７が付される言語音声モジュールが使用され
る。このモデルは、この場合、文法音声モデリング、フ
ィラー単語音声モデリング、及び概念音声モデリングを
含む。フィラーは、単語グラフの概念の中に含まれない
部分をモデリングするために使用される。概念とは、音
声発話の部分の知覚的なカテゴリを意味すると理解され
る。それらの具象内容はいわゆる属性である。音声理解
モジュール２８の構造又は機能ブロック２７による言語
音声モデリングに関する更なる情報は、１９９５年のPh
ilips J.R の第３９９乃至４１８頁のHarald Aust 外に
よる論文「A Spoken Language Inquiry System for Aut
omatic Train Timetable Information」に記載されてい
る。
た単語グラフは、音声理解モジュール２８によってそれ
らの知覚的な内容について分析される。ここでもまた、
参照番号２７が付される言語音声モジュールが使用され
る。このモデルは、この場合、文法音声モデリング、フ
ィラー単語音声モデリング、及び概念音声モデリングを
含む。フィラーは、単語グラフの概念の中に含まれない
部分をモデリングするために使用される。概念とは、音
声発話の部分の知覚的なカテゴリを意味すると理解され
る。それらの具象内容はいわゆる属性である。音声理解
モジュール２８の構造又は機能ブロック２７による言語
音声モデリングに関する更なる情報は、１９９５年のPh
ilips J.R の第３９９乃至４１８頁のHarald Aust 外に
よる論文「A Spoken Language Inquiry System for Aut
omatic Train Timetable Information」に記載されてい
る。
【００２０】機能ブロック２６及び２７によって表わさ
れる言語音声モデルは、図１に説明される構成では、オ
ンライン適応を受ける言語音声要素の発生の確率を含
む。ここでまた、上述の式による適応重みωi はＮ−ｂ
ｅｓｔ認識結果候補のリストから決定される。Ｎ−ｂｅ
ｓｔ認識結果候補のリストは対話システム２０の中の音
声理解モジュール２８によって供給される。適応重みω
i によって言語音声モデル２６及び２７によって組み合
わされる発生確率値の適応は、上述のようにして行われ
る。
れる言語音声モデルは、図１に説明される構成では、オ
ンライン適応を受ける言語音声要素の発生の確率を含
む。ここでまた、上述の式による適応重みωi はＮ−ｂ
ｅｓｔ認識結果候補のリストから決定される。Ｎ−ｂｅ
ｓｔ認識結果候補のリストは対話システム２０の中の音
声理解モジュール２８によって供給される。適応重みω
i によって言語音声モデル２６及び２７によって組み合
わされる発生確率値の適応は、上述のようにして行われ
る。
【００２１】対話システム２０の動作中、音声理解モジ
ュール２８は対話制御ユニットへ最善の認識結果候補を
供給し、すると対話制御ユニットはユーザインタフェー
ス２１を通じてユーザへ音声出力を与え、この音声出力
は当該の使用に依存してかかる認識結果への反応として
与えられる。
ュール２８は対話制御ユニットへ最善の認識結果候補を
供給し、すると対話制御ユニットはユーザインタフェー
ス２１を通じてユーザへ音声出力を与え、この音声出力
は当該の使用に依存してかかる認識結果への反応として
与えられる。
【図１】本発明による音声認識システムの基本構造を示
す図である。
す図である。
【図２】本発明による自動音声認識を用いた対話システ
ムを示す図である。
ムを示す図である。
【図３】単語グラフの例を示す図である。
１ 音声認識システム ２ 機能ブロック ３ 入力 ４ 出力 ５ 音響モデル ６ 言語音声モデル ７ 機能ブロック ８ 出力 ９ 適応重み決定ブロック ２０ 対話システム ２１ ユーザインタフェース ２２ 音声発話 ２３ 出力 ２４ 音声認識モジュール ２５ 音響モデル ２６ 言語モデル ２７ 言語モデル ２８ 音声理解モジュール
───────────────────────────────────────────────────── フロントページの続き (71)出願人 590000248 Ｇｒｏｅｎｅｗｏｕｄｓｅｗｅｇ １, 5621 ＢＡ Ｅｉｎｄｈｏｖｅｎ， Ｔｈ ｅ Ｎｅｔｈｅｒｌａｎｄｓ (72)発明者 アンドレーアス ケルナー ドイツ連邦共和国，52066 アーヘン，ハ オプトシュトラーセ 61
Claims (4)
- 【請求項１】 自動音声認識システムにおいて該システ
ムの動作中に得られる音声認識の結果を使用し、認識さ
れるべき音声発話についてＮ＞１のＮ−ｂｅｓｔ認識結
果候補のリストを評価することによって言語音声モデル
を適応させる方法であって、 適応させる際に上記リストの複数の認識結果候補が組み
合わされることを含むことを特徴とする方法。 - 【請求項２】 上記リストの複数の認識結果候補を組み
合わせるとき、これらの候補に割り当てられた確率値は
所与の数値によって重み付けされ、 適応させる際に使用される認識結果候補のための適応重
みは、この認識結果候補に割り当てられる重み付けされ
た確率値が上記リストの他の認識結果候補に割り当てら
れた重み付けされた確率値の合計に関連するよう形成さ
れることを特徴とする、請求項１記載の方法。 - 【請求項３】 ωi をＮ−ｂｅｓｔ認識結果候補のリス
トのｉ番目の要素に関する適応重みとし、 ｌi をＮ−ｂｅｓｔ認識結果候補のリストのｉ番目の要
素の確率値とすると、適応重みは、以下の式、 【数１】 によって定義されることを特徴とする、請求項２記載の
方法。 - 【請求項４】 音声認識のために使用される言語音声モ
デルが請求項１乃至３のうちいずれか１項記載の方法に
よって適応される、音声認識システム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19842151:6 | 1998-09-15 | ||
| DE19842151A DE19842151A1 (de) | 1998-09-15 | 1998-09-15 | Verfahren zur Adaption von linguistischen Sprachmodellen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000099087A true JP2000099087A (ja) | 2000-04-07 |
Family
ID=7880993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11259223A Pending JP2000099087A (ja) | 1998-09-15 | 1999-09-13 | 言語音声モデルを適応させる方法及び音声認識システム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US6499011B1 (ja) |
| EP (1) | EP0987682B1 (ja) |
| JP (1) | JP2000099087A (ja) |
| DE (2) | DE19842151A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002032213A (ja) * | 2000-05-26 | 2002-01-31 | Internatl Business Mach Corp <Ibm> | ボイス・メール・メッセージを転記する方法およびシステム |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7050977B1 (en) | 1999-11-12 | 2006-05-23 | Phoenix Solutions, Inc. | Speech-enabled server for internet website and method |
| US9076448B2 (en) | 1999-11-12 | 2015-07-07 | Nuance Communications, Inc. | Distributed real time speech recognition system |
| US7725307B2 (en) | 1999-11-12 | 2010-05-25 | Phoenix Solutions, Inc. | Query engine for processing voice based queries including semantic decoding |
| US7392185B2 (en) | 1999-11-12 | 2008-06-24 | Phoenix Solutions, Inc. | Speech based learning/training system using semantic decoding |
| EP1199704A3 (de) * | 2000-10-17 | 2003-10-15 | Philips Intellectual Property & Standards GmbH | Auswahl der alternativen Wortfolgen für diskriminative Anpassung |
| DE60029456T2 (de) * | 2000-12-11 | 2007-07-12 | Sony Deutschland Gmbh | Verfahren zur Online-Anpassung von Aussprachewörterbüchern |
| DE10100725C1 (de) * | 2001-01-10 | 2002-01-24 | Philips Corp Intellectual Pty | Automatisches Dialogsystem mit Datenbanksprachmodell |
| US7899671B2 (en) * | 2004-02-05 | 2011-03-01 | Avaya, Inc. | Recognition results postprocessor for use in voice recognition systems |
| US8412521B2 (en) | 2004-08-20 | 2013-04-02 | Multimodal Technologies, Llc | Discriminative training of document transcription system |
| US8335688B2 (en) | 2004-08-20 | 2012-12-18 | Multimodal Technologies, Llc | Document transcription system training |
| DE102004048348B4 (de) * | 2004-10-01 | 2006-07-13 | Daimlerchrysler Ag | Verfahren zur Adaption und/oder Erzeugung statistischer Sprachmodelle |
| US9224391B2 (en) * | 2005-02-17 | 2015-12-29 | Nuance Communications, Inc. | Method and system for automatically providing linguistic formulations that are outside a recognition domain of an automatic speech recognition system |
| US8131548B2 (en) * | 2006-03-06 | 2012-03-06 | Nuance Communications, Inc. | Dynamically adjusting speech grammar weights based on usage |
| US7716049B2 (en) * | 2006-06-30 | 2010-05-11 | Nokia Corporation | Method, apparatus and computer program product for providing adaptive language model scaling |
| US10366686B2 (en) * | 2017-09-26 | 2019-07-30 | GM Global Technology Operations LLC | Text-to-speech pre-processing |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04291399A (ja) * | 1991-03-20 | 1992-10-15 | Nippon Telegr & Teleph Corp <Ntt> | 音声認識方法 |
| JPH07152394A (ja) * | 1993-07-22 | 1995-06-16 | At & T Corp | 結合されたストリングモデルの最小誤認率訓練 |
| JPH1097273A (ja) * | 1996-08-02 | 1998-04-14 | Nippon Telegr & Teleph Corp <Ntt> | 音声モデルの話者適応化方法及びその方法を用いた音声認識方法及びその方法を記録した記録媒体 |
| JPH10198395A (ja) * | 1997-01-10 | 1998-07-31 | Atr Onsei Honyaku Tsushin Kenkyusho:Kk | 統計的言語モデル生成装置及び音声認識装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3819178A1 (de) * | 1987-06-04 | 1988-12-22 | Ricoh Kk | Spracherkennungsverfahren und -einrichtung |
| US5241619A (en) * | 1991-06-25 | 1993-08-31 | Bolt Beranek And Newman Inc. | Word dependent N-best search method |
| US5915236A (en) * | 1992-11-13 | 1999-06-22 | Dragon Systems, Inc. | Word recognition system which alters code executed as a function of available computational resources |
| DE4240978A1 (de) * | 1992-12-05 | 1994-06-09 | Telefonbau & Normalzeit Gmbh | Verfahren zur Verbesserung der Erkennungsqualität bei sprecherabhängiger Spracherkennung, insbesondere Sprecherverifikation |
| US5787230A (en) * | 1994-12-09 | 1998-07-28 | Lee; Lin-Shan | System and method of intelligent Mandarin speech input for Chinese computers |
| US5677990A (en) * | 1995-05-05 | 1997-10-14 | Panasonic Technologies, Inc. | System and method using N-best strategy for real time recognition of continuously spelled names |
| US5712957A (en) * | 1995-09-08 | 1998-01-27 | Carnegie Mellon University | Locating and correcting erroneously recognized portions of utterances by rescoring based on two n-best lists |
| US5737489A (en) * | 1995-09-15 | 1998-04-07 | Lucent Technologies Inc. | Discriminative utterance verification for connected digits recognition |
| US5835890A (en) * | 1996-08-02 | 1998-11-10 | Nippon Telegraph And Telephone Corporation | Method for speaker adaptation of speech models recognition scheme using the method and recording medium having the speech recognition method recorded thereon |
| US6076057A (en) * | 1997-05-21 | 2000-06-13 | At&T Corp | Unsupervised HMM adaptation based on speech-silence discrimination |
| ITTO980383A1 (it) * | 1998-05-07 | 1999-11-07 | Cselt Centro Studi Lab Telecom | Procedimento e dispositivo di riconoscimento vocale con doppio passo di riconoscimento neurale e markoviano. |
-
1998
- 1998-09-15 DE DE19842151A patent/DE19842151A1/de not_active Withdrawn
-
1999
- 1999-09-08 EP EP99202896A patent/EP0987682B1/de not_active Expired - Lifetime
- 1999-09-08 DE DE59913508T patent/DE59913508D1/de not_active Expired - Lifetime
- 1999-09-13 US US09/395,014 patent/US6499011B1/en not_active Expired - Lifetime
- 1999-09-13 JP JP11259223A patent/JP2000099087A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04291399A (ja) * | 1991-03-20 | 1992-10-15 | Nippon Telegr & Teleph Corp <Ntt> | 音声認識方法 |
| JPH07152394A (ja) * | 1993-07-22 | 1995-06-16 | At & T Corp | 結合されたストリングモデルの最小誤認率訓練 |
| JPH1097273A (ja) * | 1996-08-02 | 1998-04-14 | Nippon Telegr & Teleph Corp <Ntt> | 音声モデルの話者適応化方法及びその方法を用いた音声認識方法及びその方法を記録した記録媒体 |
| JPH10198395A (ja) * | 1997-01-10 | 1998-07-31 | Atr Onsei Honyaku Tsushin Kenkyusho:Kk | 統計的言語モデル生成装置及び音声認識装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002032213A (ja) * | 2000-05-26 | 2002-01-31 | Internatl Business Mach Corp <Ibm> | ボイス・メール・メッセージを転記する方法およびシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| US6499011B1 (en) | 2002-12-24 |
| EP0987682B1 (de) | 2006-06-07 |
| EP0987682A2 (de) | 2000-03-22 |
| EP0987682A3 (de) | 2004-01-02 |
| DE19842151A1 (de) | 2000-03-23 |
| DE59913508D1 (de) | 2006-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4301102B2 (ja) | 音声処理装置および音声処理方法、プログラム、並びに記録媒体 | |
| US8280733B2 (en) | Automatic speech recognition learning using categorization and selective incorporation of user-initiated corrections | |
| US6125345A (en) | Method and apparatus for discriminative utterance verification using multiple confidence measures | |
| JP3672595B2 (ja) | 結合されたストリングモデルの最小誤認率訓練 | |
| JP4709663B2 (ja) | ユーザ適応型の音声認識方法及び音声認識装置 | |
| EP1269464B1 (en) | Discriminative training of hidden markov models for continuous speech recognition | |
| JP2000122691A (ja) | 綴り字読み式音声発話の自動認識方法 | |
| JP2000099087A (ja) | 言語音声モデルを適応させる方法及び音声認識システム | |
| KR101014086B1 (ko) | 음성 처리 장치 및 방법, 및 기록 매체 | |
| Huang et al. | From Sphinx-II to Whisper—making speech recognition usable | |
| Rose | Word spotting from continuous speech utterances | |
| EP1213706B1 (en) | Method for online adaptation of pronunciation dictionaries | |
| JP2000172294A (ja) | 音声認識方法、その装置及びプログラム記録媒体 | |
| JPH09179581A (ja) | 音声認識システム | |
| JPH1185186A (ja) | 不特定話者音響モデル生成装置及び音声認識装置 | |
| JP2871420B2 (ja) | 音声対話システム | |
| JPH08110792A (ja) | 話者適応化装置及び音声認識装置 | |
| JPH0981182A (ja) | 隠れマルコフモデルの学習装置及び音声認識装置 | |
| JPH0822296A (ja) | パターン認識方法 | |
| Hüning et al. | Speech Recognition Methods and their Potential for Dialogue Systems in Mobile Environments | |
| JP3285047B2 (ja) | 不特定話者用音声認識装置 | |
| JP2875179B2 (ja) | 話者適応化装置及び音声認識装置 | |
| JP3589508B2 (ja) | 話者適応音声認識方法および話者適応音声認識装置 | |
| JPH10149190A (ja) | 音声認識方法及び音声認識装置 | |
| JP2002082688A (ja) | 話者適応化装置、話者適応化方法、話者適応化プログラムを記録したコンピュータ読取可能な記録媒体、音声認識装置、音声認識方法および音声認識プログラムを記録したコンピュータ読取可能な記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060912 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100112 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100409 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20100414 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100708 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20110201 |