JP2000206985A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】高い認識率での音声認識処理を容易に実現する
音声認識装置を提供する。 【解決手段】音声入力端子７に入力された音声が何れの
チャンネルに係る音声であるかを第２ＣＰＵ２で検出
し、該検出されたチャンネルに対応する音響モデルを記
憶装置３に設定された所定の音響モデルより抽出し、こ
れに基づいて第１ＣＰＵ１で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、音声認識装置、詳
しくは、複数の音声を識別する音声認識装置に関する。

【０００２】

【従来の技術】従来、音声等の音源をデジタル信号に変
換して記録する、いわゆるデジタル音声録音装置が提案
されており、また、近年、このようなデジタル音声録音
装置で録音した音声データをパーソナルコンピューター
等で取り込み、音声認識ソフトウェアを用いて音声認識
を行う音声認識システムも知られるところにある。

【０００３】またこのような音声認識の方式としては、
音声認識を行う対象により、特定話者音声認識と不特定
話者音声認識とが知られている。そして、特定話者音声
認識では、認識対象となる話者自身の音声を音響モデル
の学習に用いるため正確なモデルを作成でき、音響的特
徴量の異なる多人数の音声を学習に用いる不特定話者モ
デルに比べて高い認識性能が期待できる。

【０００４】一方、近年、このような特定話者の音響モ
デルを複数登録し、認識対象に応じて手動で選択して音
声認識を行う音声認識装置（第１の例）が提案されてい
る。この音声認識装置によれば、複数の話者音響モデル
を登録して、必要に応じて切り替えることができ、不特
定話者の音響モデルをもつ音声認識装置に比べて高い認
識率を得ることができる。

【０００５】さらに、特開平７−２６１７８５号公報に
は、不特定話者モデルを用いて入力された文字列からな
る発声音声文を認識し、その結果と発声音声文によって
登録されている複数の話者の音響モデルから最適な音響
モデルを選択することが可能な音声認識装置（第２の
例）が開示されている。

【０００６】

【発明が解決しようとする課題】しかしながら、上述の
第１の例に係る音声認識装置では手動で話者モデルを選
択しなければならず、この選択操作に手間がかかるとい
う問題点があった。

【０００７】また、上記特開平０７−２６１７８５号公
報に開示されたような音声認識装置（第２の例）では、
自動的に最適な音響モデルを設定するのに、少なくとも
一度は音声認識処理を行う必要があり、処理量が増加し
てしまうと共に時間がかかってしまうという問題点があ
った。

【０００８】本発明はかかる問題点に鑑みてなされたも
のであり、高い認識率での音声認識処理を容易に実現す
る音声認識装置を提供することを目的とする。

【０００９】

【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の音声認識装置は、複数の話者に対応
する音響モデルを記憶可能とする記憶手段と、上記記憶
手段からチャンネル毎に所定の音響モデルを設定する音
響モデル設定手段と、複数のチャンネルの音声が入力可
能な音声入力手段と、上記音声入力手段に入力された音
声が、該音声入力手段における複数のチャンネルのうち
の何れのチャンネルから入力された音声であるかを検出
するチャンネル検出手段と、上記チャンネル検出手段に
よって検出されたチャンネルから入力された音声を、該
検出されたチャンネルに対応する、上記音響モデル設定
手段で設定された所定の音響モデル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。

【００１０】上記の目的を達成するために本発明の第２
の音声認識装置は、上記第１の音声認識装置において、
上記音声入力手段は、該音声入力手段におけるチャンネ
ル数に対応するチャンネル数の音声記録が可能な記録媒
体に記録された音声を入力するものであることを特徴と
する。

【００１１】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態を説明する。

【００１２】図１は、本発明の一実施形態である音声認
識装置の構成を示したブロック図である。

【００１３】本第１の実施形態では、音声認識装置とし
てパーソナルコンピュータ等のコンピュータ１０を採用
する。このコンピュータ１０は音声入力手段として２チ
ャンネルのステレオ音声が入力可能な音声入力端子７を
備えており、オーディオ用接続コード等を介して外部の
音声出力機器と接続されるようになっている。なお、本
実施形態においては、２チャンネルの入力端子としたが
これに限らず、入力チャンネル数は必要に応じてそれ以
上の複数であってもよい。

【００１４】図１に示すように、本第１の実施形態の音
声認識装置（コンピュータ１０）は、２チャンネルの音
声入力端子７と、各々の音声入力端子からの音声信号を
第２ＣＰＵ２の制御下にＡ／Ｄ変換するＡ／Ｄコンバー
タ４と、このＡ／Ｄコンバータ４のＡ／Ｄ変換処理を制
御すると共に音声入力端子７における音声入力チャンネ
ルを検出する第２ＣＰＵ２と、音響モデル設定手段、音
声認識処理手段の構成要素である第１ＣＰＵ１と、該第
１ＣＰＵ１により認識した結果を表示可能な表示装置５
と、当該音声認識装置における必要な操作を行う操作部
６と、種々の音声認識情報を有する記憶装置３と、第１
ＣＰＵ１の制御下に入力された音声に係るデータを記録
するメモリ８と、で構成される。

【００１５】上述の如く、第１ＣＰＵ１は、上記記憶装
置３からチャンネル毎に所定の音響モデルを設定する音
響モデル設定手段、音声を入力するチャンネルに対応し
た音響モデルに基づいての音声認識処理手段の役目を果
たし、第２ＣＰＵ２は、音声を入力した際、音声入力端
子７の何れのチャンネルから入力された音声であるかを
検出するチャンネル検出手段、上記音響モデル設定手段
の役目を果たす。

【００１６】上記記憶装置３には当該音声認識装置の音
声認識処理を行う音声認識プログラム３ｂと、音声認識
処理の際に使用される音響モデル、言語モデル、辞書等
の音声認識に必要な音声認識情報３ａが記録されてい
る。なお、上記音響モデルは数多くのユーザーに対応し
た複数が登録されており、新たに登録することも可能で
ある。

【００１７】また、当該音声認識装置は上記音声認識処
理プログラム３ｂに基づいて第１ＣＰＵ１で音声認識処
理を行う。

【００１８】ところで、本実施形態の音声認識装置に係
る音声の取得形態としては種々想定できるが、以下、図
２を参照して一例を簡単に説明する。

【００１９】図２は、本実施形態の音声認識装置に係る
音声の取得形態の一例を示した説明図である。

【００２０】本実施形態の音声認識装置に入力する音声
としては、例えば、２チャンネルの記録トラックを有す
る磁気記録テープ等の記録媒体１０３に記録された音声
が挙げられる。そして、この記録媒体１０３を再生する
テープレコーダ１０２の出力端子と音声認識装置（コン
ピュータ１０）の音声入力端子７とを所定の接続コード
１０４で接続し、テープレコーダ１０２を稼働させるこ
とで、記録媒体１０３に記録された２チャンネルの音声
が当該音声認識装置に入力されることになる。

【００２１】なお、本実施形態においては、記録媒体と
してアナログ録音に供する磁気記録テープを、また、コ
ンピュータ１０における音声入力手段としてオーディオ
用の音声入力端子を採用するが、音声の入力手段や記録
媒体の種類によって様々な形態が考えられる。

【００２２】記録媒体１０３の形態には、本実施形態の
如きアナログ方式の録音に供する磁気記録テープをはじ
め、デジタル方式の記録に供する磁気記録テープ、磁気
ディスク、フラッシュメモリ等様々なものが考えられ
る。

【００２３】また、記録媒体１０３として音声をデジタ
ルデータとして記録可能なフラッシュメモリを用い、そ
の記録手段としてデジタルレコーダ等を採用した場合、
コンピュータ１０の音声入力手段として該フラッシュメ
モリを装着かつ読み書き可能なリーダーライターを用い
ることもできる。

【００２４】また、音声入力手段に関しては、本実施形
態と同じ磁気記録テープを用いて、音声認識装置の音声
入力手段にテープの装着装置を設け、音声信号を読み取
れるようにしても良く、上述の他にも様々な形態が採用
可能である。

【００２５】いま、記録媒体１０３に図３に示すような
２チャンネルのインタビュー音声が記録されているもの
とする。そして、この記録媒体１０３を再生するテープ
レコーダ１０２の出力端子とコンピュータ１０の音声入
力端子７とを接続コード１０４で接続し、テープレコー
ダ１０２を稼働させるとインタビュー音声がコンピュー
タ１０に入力される。

【００２６】図３に示すように、インタビューにおいて
は、通常、インタビューをする側とインタビューを受け
る側と、即ち聞き手（インタビュアー）と話し手（イン
タビュイー）の音声は交互に発せられるため、図３に示
すように、２チャンネル、例えばＬチャンネルとＲチャ
ンネルとに交互に音声が録音される。

【００２７】図３のようにチャンネル毎に聞き手と話し
手の音声を独立して録音する例としては、例えばＬチャ
ンネルとＲチャンネル用にマイクを２つ用意する。Ｌチ
ャンネル用マイクを聞き手、Ｒチャンネル用マイクを話
し手が使用することで、別々のチャンネルに２つの音声
が記録され、Ｌチャンネルには聞き手の音声が、Ｒチャ
ンネルには話し手の音声が別々にかつ、交互に記録され
ることとなる。このような記録を行える録音手法は他に
も考えられる。例えば、スイッチで録音チャンネルを切
り替えられるようなテープレコーダー等で記録しても良
い。

【００２８】また、本実施形態では上述したように音声
認識装置の音声入力手段を２チャンネルとしたため、２
チャンネル用の記録媒体を例に挙げたが、これに限ら
ず、例えば５人程度の会議等の音声をそれぞれ５チャン
ネル分記録できる記録媒体に記録し、５チャンネルの音
声入力可能な音声入力手段を備えた音声認識装置にも、
本発明を適用することができる。

【００２９】さらに、音声認識装置に入力される音声は
記録媒体に記録されたものに限らない。例えば当該音声
認識装置に複数のマイクを接続し、複数の人間が一人一
人順番に発言するような場面、例えば記者会見等に使用
する等の形態も考えられる。

【００３０】次に、上述の如く接続された音声認識装置
を用いたインタビュー音声の音声認識処理動作について
簡単に説明する。

【００３１】まず、音声認識装置であるコンピュータ１
０の電源を入れ、音声認識処理を可能な状態にする。こ
のとき、本実施形態の音声認識装置では、Ｌチャンネル
の音響モデルとしてインタビューをした聞き手の音響モ
デル、Ｒチャンネルの音響モデルとしてインタビューを
受けた話し手の音響モデルが設定されているものとす
る。この様々なユーザーに対応した音響モデルは上述し
たように複数登録されており、操作部６であるキーボー
ドによって選択することが可能となっていて、入力する
音声により様々な設定が可能である。

【００３２】次に音声認識処理が可能な状態になると、
テープレコーダ１０２の再生釦によりテープを再生さ
せ、音声信号をコンピュータ１０に入力する。再生操作
により音声信号はテープレコーダ１０２の出力端子から
接続コード１０４を介して音声入力端子７に入力され
る。

【００３３】入力された音声信号はＡ／Ｄコンバータ４
に入力され、第２ＣＰＵ２の制御下にデジタル信号に変
換される。このとき、第１ＣＰＵ１が音声認識プログラ
ム３ｂにより第２ＣＰＵ２に所定のサンプリング周波
数、例えば２２．０５ｋＨｚでデジタル信号に変換する
よう命令する。第２ＣＰＵ２は第１ＣＰＵ１の指示を受
けてＡ／Ｄコンバータ４を２２．０５ｋＨｚのサンプリ
ング周波数でデジタル信号に変換するように制御し、入
力された音声信号は２２．０５ｋＨｚのＰＣＭデータに
変換される。

【００３４】デジタルデータに変換された音声データは
第２ＣＰＵ２に入力され、次に音響モデル設定処理が行
われる。

【００３５】ここで、音響モデル設定処理について、図
４に示すフローチャートを参照して説明する。

【００３６】Ａ／Ｄコンバータ４でデジタルデータに変
換された２チャンネルの音声データが第２ＣＰＵ２に入
力されると（ステップＳ１）、第２ＣＰＵ２は、音声入
力端子７に入力した音声信号がＬチャンネル、Ｒチャン
ネルのどちらであるかを検出する音声検出処理を行う
（ステップＳ２）。即ち、所定レベル以上の音声信号が
入力された（検出された）方のチャンネルを音声信号が
入力されたチャンネルであると判定する。

【００３７】このステップＳ２の検出処理において、Ｌ
チャンネルから音声信号が入力されたと判定すると（ス
テップＳ３）、第２ＣＰＵ２はＬチャンネル用の音響モ
デルを音声認識処理に使用するように第１ＣＰＵ１に信
号を送信する（ステップＳ４）。一方、Ｒチャンネルか
ら音声信号が入力されたと判定すると、Ｒチャンネル用
の音響モデルを音声認識処理に使用するよう第１ＣＰＵ
１に信号を送信する（ステップＳ５）。

【００３８】第２ＣＰＵ２からの信号を受けて第１ＣＰ
Ｕ１は、音声が検出されたチャンネルに対応する音響モ
デルを音声認識処理に使用するために設定する（ステッ
プＳ６）。以上の処理により、入力された音声に対応し
た音響モデルが設定される。

【００３９】次に、第２ＣＰＵ２で音響モデル設定処理
が行われた際に、音声信号が検出され、音声が入力され
たチャンネルと判定されたチャンネルの音声データのみ
が第１ＣＰＵ１を介して、メモリ８に入力される。例え
ば、上記音響モデル設定処理において、Ｌチャンネルが
音声入力チャンネルと判定されたときには、Ｌチャンネ
ル用音響モデルが第１ＣＰＵ１により設定され、Ｌチャ
ンネルの音声データのみが第１ＣＰＵ１を介してメモリ
８に入力される。入力された音声データは音声認識プロ
グラム３ｂによって第１ＣＰＵ１が音声認識処理を行
う。

【００４０】ここで、第１ＣＰＵ１による音声認識に係
る一連の処理を、図５に示す機能ブロック図を参照して
説明する。

【００４１】音声データが入力されると（ブロック１
１）、最初に音声分析を行い（ブロック１２）、入力さ
れた音声の中から音声認識に必要なケプストラムやピッ
チ等の音声特徴量を抽出する。次に上記音響モデル設定
処理において設定された音響モデル（ブロック１５）の
パターンとのパターンマッチングを行い、発生確率を計
算し尤度付けを行う（ブロック１３）。

【００４２】すなわち、上記記憶装置３の音声認識情報
３ａ（図１参照）として記憶されている各ユーザ毎に登
録されている音響モデル（ブロック１９）より上述した
処理に基づいてＬ、Ｒ何れのチャンネルに対応する音響
モデル（ブロック１７，１８）であるかを抽出し、音声
認識処理に供する音響モデルとする。

【００４３】次に、言語モデル１６（記憶装置３内の音
声認識情報３ａとして記憶される）により単語の並び順
による発声確率を計算した尤度と上記パターンマッチン
グによる尤度と総合して尤も発声確率の高い単語の候補
を音声認識結果とする（ブロック１３）。該音声認識結
果は第１ＣＰＵ１に制御されてテキストデータにしてデ
ィスプレイ（表示装置５）に表示される（ブロック１
４）。

【００４４】以上説明したように本実施形態の音声認識
装置によれば、入力音声に対応して容易に音響モデルを
切り換えることを可能としたので、音声認識率を飛躍的
に向上させることができる。

【００４５】また、録音等、記録された音声に対しても
上述の如き音声認識処理を行うことが可能である。

【００４６】さらに、音声をチャンネル毎に区分し、話
者の音響モデルをチャンネル毎に設定可能としたので、
特定のチャンネルから入力された音声に対して適当な音
響モデルを自動的に設定することができる。これによ
り、入力される音声に対してその都度音響モデルを変更
するという手間を省くことができ、高認識率での音声認
識処理を簡単に行うことができる。

【００４７】

【発明の効果】以上説明したように本発明によれば、高
い認識率での音声認識処理を容易に実現する音声認識装
置を提供できる。

【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装置の構成
を示したブロック図である。

【図２】上記実施形態の音声認識装置に係る音声の取得
形態の一例を示した説明図である。

【図３】上記実施形態の音声認識装置に使用する音声の
一例を示した説明図である。

【図４】上記実施形態の音声認識装置における音響モデ
ル設定処理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装置における第１ＣＰ
Ｕによる音声認識に係る一連の処理動作を示した機能ブ
ロック図である。

【符号の説明】

１…第１ＣＰＵ ２…第２ＣＰＵ ３…記憶装置 ３ａ…音声認識情報 ３ｂ…音声認識処理プログラム ４…Ａ／Ｄコンバータ ５…表示装置 ６…操作部 ７…音声入力端子 ８…メモリ １０…コンピュータ

Claims (2)

【特許請求の範囲】
1. 【請求項１】 複数の話者に対応する音響モデルを記憶
   可能とする記憶手段と、 上記記憶手段からチャンネル毎に所定の音響モデルを設
   定する音響モデル設定手段と、 複数のチャンネルの音声が入力可能な音声入力手段と、 上記音声入力手段に入力された音声が、該音声入力手段
   における複数のチャンネルのうち何れのチャンネルから
   入力された音声であるかを検出するチャンネル検出手段
   と、 上記チャンネル検出手段によって検出されたチャンネル
   から入力された音声を、該検出されたチャンネルに対応
   する、上記音響モデル設定手段で設定された所定の音響
   モデル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装置。
2. 【請求項２】 上記音声入力手段は、該音声入力手段に
   おけるチャンネル数に対応するチャンネル数の音声記録
   が可能な記録媒体に記録された音声を入力するものであ
   ることを特徴とする請求項１に記載の音声認識装置。