JP2001154687A

JP2001154687A - スペル形式における音声認識方法及び装置

Info

Publication number: JP2001154687A
Application number: JP2000280777A
Authority: JP
Inventors: Starr Volker; シュタールフォルカー; Alexander Fischer; フィッシャーアレクサンダー
Original assignee: Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 1999-09-17
Filing date: 2000-09-14
Publication date: 2001-06-08
Also published as: EP1085499A3; US7006971B1; DE50013901D1; EP1085499A2; EP1085499B1; DE19944608A1

Abstract

(57)【要約】（修正有）【課題】本発明はまず単語全体を制御信号として入力
し、この単語の少なくとも一部分をスペル形式で入力
し、文字音声認識装置の認識結果を単語音声認識装置に
おいて利用する方法を提供する。【解決手段】本発明は、ＨＭＭ（ＨｉｄｄｅｎＭａｒ
ｋｏｖＭｏｄｅｌｓ）に基づいて、対応する文字列を
文字音声認識部によって推定する第１の工程と、前記文
字音声認識部の統計文字列モデル及び統計モデルを利用
して、第１の工程において生成された推定結果を後処理
する第２の工程とを含み、該後処理にはダイナミックプ
ログラミング方法が使用される、スペル形式での音声認
識方法を提供する。該ダイナミックプログラミングの基
礎であり、蓄積された確率値に割り当てられるノード点
を有するグリッド構造を木構造に変換し、最適パスを検
出するためにＡ^＊アルゴリズムを使用する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識方法に関
し、特に、ＨＭＭ（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄ
ｅｌｓ）に基づいて、対応する文字列を文字音声認識部
によって推定する第１の工程と、前記文字音声認識部の
統計文字列モデル及び統計モデルを利用して、第１の工
程において生成された推定結果を後処理する第２の工程
とを含み、該後処理にはダイナミックプログラミング方
法が使用される、スペル形式での音声認識方法に関す
る。

【０００２】

【従来の技術】音声認識方法は、音声入力による電話接
続の自動セットアップを開示している米国特許第５，７
９９，０６５号などにより、公知である。この開示され
た方法では、要求があると、発呼者は、所望の利用者の
名前をスペル形式で連続的に音声入力する。この入力
は、ｎ−ｇｒａｍ文字文法処理を行うＨＭＭ（Ｈｉｄｄ
ｅｎＭａｒｋｏｖＭｏｄｅｌｓ）を利用する音声認
識部において更なる処理を施される。その結果、Ｎ個の
最適単語候補が決定され、その最適単語候補は、名称辞
書と比較するダイナミックプログラミング法（ＤＰ法）
にしたがって、さらに処理される。ＤＰ法によって得ら
れるＮ個の最適単語候補は、ダイナミック文法として利
用され、これは、別の音声認識部によってさらに利用さ
れる。この音声認識部は、ＤＰ法によって供給された単
語候補から、入力された名前に対応する一つの単語候補
を、認識結果として選択する。

【０００３】

【発明が解決しようとする課題】カーナビゲーションシ
ステムにおいても、音声入力を利用する方法が公知であ
る。この場合は、行き先として地名が入力される。しか
し、自然に発音された単語に基づく単語音声認識のみに
頼るシステムでは、誤認率も高いのが現状であり、音声
認識の確実性を向上することが望まれる。したがって、
自然に発音された単語による単語音声認識のみではな
く、スペルを音声入力して認識させる文字音声認識も用
いるのが好ましい。

【０００４】

【課題を解決するための手段】以上の点に鑑み、本発明
は、文字音声認識を行いながら、システム制御のための
音声信号を用いる効率の高い音声認識方法を提供するこ
とを目的とする。

【０００５】上記の目的は、ダイナミックプログラミン
グの基礎であり、蓄積された確率値に割り当てられるノ
ード点を有するグリッド構造を木構造に変換し、最適パ
ス（路）を検出するためにＡ^＊アルゴリズムを使用する
ことによって達成される。

【０００６】本発明の一実施例によると、Ｎ＞１とした
時、音声入力について、Ｎ個の最適候補に対応する部分
最適パスが決定される。その結果、以降の処理において
も認識候補が参照でき、最適パスの検出の際にエラーが
発生しても、部分最適認識結果を利用すれば、続く工程
で容易に補正可能である。

【０００７】計算時間の更なる短縮も、最適パスの検出
において、探索の最初の時点で他のパスと比較して低い
確率を有するパスは、処理対象から外すことによって実
現できる。

【０００８】さらに、前記第１の工程は第１のＩＣによ
って実行され、前記第２の工程は第２のＩＣによって実
行される。ここで、第１のＩＣは、音声認識処理専用に
プログラミングされたデジタル信号プロセッサであるこ
とが好ましい。第２のＩＣは、他のシステム機能を実行
するためにも利用されるコントローラモジュールである
ことが好ましい。

【０００９】本発明はまた、音声信号によるシステム制
御方法を提供しする。この方法は、制御信号として機能
する単語全体が入力し、この単語の少なくとも一部分を
スペルで入力し、入力された前記単語を認識するため
に、単語音声認識装置を用い、前記スペルの部分を認識
するために、上述の文字音声認識装置を用い、前記単語
音声認識装置に割り当てられた語彙は、前記文字音声認
識装置の認識結果によって限定されることを特徴とす
る。

【００１０】このような方法によると、自動車内のよう
な雑音レベルの高い環境においても、ユーザの不明瞭な
発声にも対応でき、信頼性の高い音声制御が実現でき
る。

【００１１】本発明はさらに、上述のいずれかの方法を
実施するための構成部品を備える音声認識制御装置、特
に、自動車用ナビゲーションシステムを提供する。

【００１２】

【発明の実施の形態】本発明の好ましい形態の一つは、
音声制御機能を備えた自動車用ナビゲーションシステム
である。自動車用音声認識は、認識されるべき語彙が多
岐にわたり（例えば、数万という数の地名など）、車内
での音響環境も雑音が多く好適とは言えないため、困難
である。更に、ナビゲーションシステムにおいて使用可
能なハードウェアは、音声認識の複雑な処理工程を考慮
すると、非常に限られた処理能力と比較的小さい主メモ
リしか備えていない。本発明は、自動車用のナビゲーシ
ョンシステムに限らず、すべての音声認識制御装置及び
その周辺環境に適用可能である。

【００１３】ここで扱うナビゲーションシステムにおい
て、ユーザは、音声認識モードでの音声入力を要求され
る。例えば、町の名前全部を発音し、更にその言葉の少
なくとも一部分のスペルを（連続的に）音声入力する。
最初の２処理段階では、所定の語彙に基づいた単語音声
認識と文字音声認識とが行われる。文字音声認識では、
入力される単語ひとつの文字数を事前に決定していな
い。入力される文字についての音声認識の結果、所定の
語彙中の単語が、単語音声認識の結果候補として限定さ
れる。この限定された単語に基づいて、更なる処理段階
で再び入力される単語についての単語音声認識が実行さ
れる。

【００１４】以下に、上記文字音声認識について更に説
明する。この音声認識動作では常に誤認率が高く、特に
車内など雑音の多い環境下ではこの傾向は顕著である。
文字音声認識装置が音声探索を行う際に語彙を考慮する
ことにより誤認率を改善する方法は、既存の音声認識IC
では、大量の語彙から発生する大量のデータを保存する
だけの十分なメモリがないという問題がある。このた
め、本ナビゲーションシステムにおいては、文字音声認
識を２つの独立した動作段階を通じて実行する。第１の
処理段階では、入力される文字を、語彙を考慮すること
なく既存の音声認識装置によって認識する。この処理段
階は、専用に設計およびプログラミングされた音声認識
ICによって実行される。第２の処理段階では後処理が行
われる。この後処理は、他のシステム機能（例えば、専
用ナビゲーション機能）を変換するために利用される、
充分な記憶スペースにアクセスできるコントローラによ
って行われる。

【００１５】後処理では、多数の文字列候補に関する追
加情報が利用できる。より詳細には、確実な文字列、つ
まり語彙のうち少なくとも一の単語がそれによって始ま
る文字列のリスト、及びそのような文字列に関する統計
情報、つまり、確率情報（例えば、３番目の文字がCな
ら他の２つの文字はAとなる確率など）が本実施例では
利用できる。誤認率を低下させる更なる統計情報として
は、２つの文字を取り違える確率（例えば、NとMは互い
に類似しているため取り違える確率が高い）や、文字の
誤った挿入や欠落に関する確率などがある。

【００１６】上記の後処理の問題から、以下のようにま
とめることができる。・文字音声認識の統計モデル（すなわち、誤認確
率）。・発音された文字列の統計モデル。・認識された文字列。

【００１７】ここで、探索対象は、発音された文字列で
ある確率が最も高い文字列である。

【００１８】以下において、記号

【００１９】

【外１】は文字列を表す。

【００２０】長さｎ（文字群ｓ_ｉ）を有する発音された
文字列

【００２１】

【外２】（及び音声認識装置への入力）と、長さｍ（文字群
ｒ_ｉ）を有する認識された文字列

【００２２】

【外３】は、以下のように表される。

【００２３】

【数１】式中、

【００２４】

【外４】及び

【００２５】

【外５】である。

【００２６】本明細書中、普通の文字との区別をするた
めに文字列を示す記号はアンダーラインで示す。個々の
長さｎ及びｍは、使用される音声認識装置が、認識結果
に誤って文字を追加したりあるいは誤って文字を省略し
たりしても、そうした誤りを検出できるよう設定され
る。

【００２７】ここで、文字列

【００２８】

【外６】に対して、確率

【００２９】

【数２】が最大となる文字列

【００３０】

【外７】を探索する。

【００３１】

【外８】の確率最大値は独立なので、式

【００３２】

【数３】を最大にする文字列

【００３３】

【外９】が探索される。確率項

【００３４】

【外１０】は、音声認識装置の特性（発音された文字列

【００３５】

【外１１】に対する認識された文字列

【００３６】

【外１２】の確率）を示す。一方、項

【００３７】

【外１３】は、発音された文字列

【００３８】

【外１４】の発生確率（全ての文字組合せの確率が一様ではないと
いう事実を考慮した上での音声モデルに対応）を示す。

【００３９】式

【００４０】

【外１５】の最大値の計算において、効率的なアルゴリズムが得ら
れる。そのために、２つの確率関数

【００４１】

【外１６】及び

【００４２】

【外１７】に関する簡単な仮定をたてることにより音声認識装置及
び発生された文字列のための好適な統計モデルを得る。
以下、

【００４３】

【外１８】に対する統計モデルを

【００４４】

【外１９】で表し、

【００４５】

【外２０】に対する統計モデルを

【００４６】

【外２１】で表す。

【００４７】発音された文字列の統計モデル（所定の語
彙より構成）として、以下の式が成立する。

【００４８】

【数４】この式は、ｉ個の発音された文字列において、次の発音
された文字としてｓ_ｉ＋ _１を有する確率を示している。
発声が文字群ｓ_１、．．．、ｓ_ｉの後に終了する確率
は、次の式によって求められる。

【００４９】

【数５】式中、＄は文字列の終わりを示す。このような確率は、
与えられた語彙及びその語彙中の単語の事前確率から容
易に推定することができる。従って、発音された文字列

【００５０】

【外２２】の確率は以下の式によって求められる。

【００５１】

【数６】式中、記号＃は文字列の最初を示す。更に、限定された
語彙Ｖは、

【００５２】

【数７】で表すことができる。文字列

【００５３】

【外２３】が語彙Ｖの一要素である場合、

【００５４】

【外２４】のいずれの接頭部（すなわち、それによって文字列

【００５５】

【外２５】が始まる一またはそれ以上の文字列）もまた語彙Ｖの一
要素である。その結果、ユーザは任意の長い単語の最初
の文字部分のスペルを発音するのみでよく、単語全体の
スペルを発音する必要はない。Ｐ_ｓを適切に選択するこ
とにより、スペル入力モードにおいて入力する際、ユー
ザが何個の文字を発音するかについての確率に関して、
事前確率が使用できる。

【００５６】語彙Ｖの多様な確率Ｐ_ｓは、簡潔な木構造
によって表すことができる。この木の一方の枝は、一個
の文字とその確率値に割り当てられる。発声された各文
字列は、ひとつのノード（節）に対応し、その一方で、
文字列の確率は木の根から各ノードへと延びる枝に割り
当てられた確率の積から得られる。

【００５７】このような木構造の一例を図１に示す。簡
潔な方法で語彙を形成するために、Ａ、Ｂ、Ｃ、Ｄ、Ｅ
を文字候補と仮定し、それらを対応する発生確率と共に
木の一方の枝に割り当てる。従って、文字列ＡＢ、Ａ
Ｃ、ＤＥについては、これら文字列の個々の文字に割り
当てられた確率の積として、確率値Ｐ_Ｓ（ＡＢ）＝０．
１８、Ｐ_Ｓ（ＡＣ）＝０．０６、Ｐ_Ｓ（ＤＥ）＝０．５
６がある。Ｐ_Ｓ（＄）＝０．２．とする完全なパスが完
結する前に文字列の終わり＄に達する確率を使用する条
件のもと、確率値Ｐ_Ｓ（Ａ）＝０．０６及びＰ_Ｓ（Ｄ）
＝０．１４は、Ｐ _Ｓ（＄）の乗算から、文字Ａ及びＤま
たは木の対応する側に割り当てられた確率によって得ら
れる。確率値Ｐ_Ｓの合計は１となる。

【００５８】文字音声認識装置用の（あるいは、文字音
声認識装置の誤認に対する）簡潔な統計モデルを得るた
めに、発音された文字間には相互関係は無く、認識され
た文字と発音された文字の間の相互関係のみ考慮するも
のとする。文字音声認識装置の統計モデルは、文字ｒが
認識され、文字ｓが発生される確率（

【００５９】

【外２６】とする）を提供する。更に、このモデルにおいて、対応
する発音された文字ｓがなく文字ｒが挿入される確率、
及び文字を削除してしまう確率（発音された文字ｓに対
して認識される文字ｒが存在しない）も使用される。こ
れらの場合を記述するために、発音されていない文字及
び認識されない文字を示す仮想文字

【００６０】

【外２７】を使用する。したがって、この文字音声認識装置の統計
モデルは以下のようになる。

【００６１】

【数８】これらの組合せ確率は、マトリクス（「混同マトリク
ス」）の要素として考えられる。このマトリクスにおい
て、文字ｒとｓは、個々の列と段とを示している。この
保存された状態のマトリクスと所定の要因から、認識さ
れた文字列

【００６２】

【外２８】及び発音された文字列

【００６３】

【外２９】についての確率

【００６４】

【外３０】が計算される。これについては以下に更に詳細に説明す
る。

【００６５】文字列

【００６６】

【外３１】及び

【００６７】

【外３２】の割り当ての際に生じる可能性のある遅れを表すため
に、２次元グリッドを使用する。この２次元グリッド
は、ｍ＋１個の点を縦方向に有し、ｎ＋１個の点を横方
向に有し、それぞれｒ_ｉ及びｓ_ｉとして表される。０番
目の列及び０番目の段は参照しない。所定の文字列

【００６８】

【外３３】を所定の文字列

【００６９】

【外３４】に割り当てる際に生じる遅れは、このようなグリッドを
通る路に対応し、この路は以下に示す座標対の列πを通
る。

【００７０】

【数９】式中、

【００７１】

【数１０】 σ座標及びρ座標がどちらもすでに増分されている一対
のセグメント

【００７２】

【外３５】は、文字ｓ_σｉが発音されて、文字ｒ_ρｉが認識された
ことを示している。しかし、この路セグメントにおいて
σ座標が一定である場合、文字ｒ_ρｉが実際に認識され
たにもかかわらず、文字が発音されず、文字音声認識装
置による文字の誤った挿入が行われたことになる。ρ座
標が一定の場合は、文字ｓ_σｉが発音されたにもかかわ
らず、文字音声認識装置が対応する文字を認識しなかっ
たことになる（削除エラー）。

【００７３】図２は、路が引き込まれたグリッド構造の
一部の例を示す。３つの文字ｓ_１、ｓ_２、ｓ_３は発音さ
れ、２つの文字ｒ_１、ｒ_２は認識された。文字ｒ_１は文
字ｓ _１として認識され、文字ｓ_２は認識されず（つま
り、削除された）、文字ｓ_３は文字ｒ_２として最後に認
識された。

【００７４】通常、発音された文字列

【００７５】

【外３６】と、認識された文字列

【００７６】

【外３７】と、グリッド路πとの確率Ｐ_Ｒは、以下の式にしたがっ
て表される。

【００７７】

【数１１】実際に文字が認識されたが対応する文字が発音されなか
った場合の３番目の列においては、確実性確率（上２
列）の代わりに複合確率を用いてＰ_Ｒを求めた。

【００７８】以上から、文字音声認識の根本的な問題点
は、発音された文字列

【００７９】

【外３８】が、認識された文字列

【００８０】

【外３９】についての関数

【００８１】

【外４０】が最大となるように決定されることにあると言える。こ
こでは、以下のような関係が成り立つ。

【００８２】

【数１２】発音された各文字についての候補として個々の文字を発
行するのみでなく、確率値で重み付けされたＮ個（Ｎ＞
１）の最適文字候補のリストも発行する文字音声認識装
置を使用する時、文字音声認識の改良点が現れる。この
結果の情報は、上記の実施例のと全く同じように処理し
てもよく（つまり、マトリクスとグリッド構造に基づい
て処理）、その結果、誤認率が改善される。

【００８３】以下に、

【００８４】

【外４１】を最大化する前述の問題点を解決する後処理について説
明する。

【００８５】以降、

【００８６】

【外４２】は、所定のアルファベットを示し、

【００８７】

【外４３】は、限定された語彙を表す。ここで、

【００８８】

【外４４】は、文字鎖の量を示す。したがって、発音された文字列

【００８９】

【外４５】の場合、文字列

【００９０】

【外４６】の各接頭部が語彙Ｖの一要素となる。Ｐ_Ｒ、Ｐ_Ｓ、

【００９１】

【外４７】は、前述のとおりに定義される。更に、

【００９２】

【外４８】は、任意の認識された文字の固定した列である。

【００９３】最大確率を有する文字列

【００９４】

【外４９】を決定する（直接）確率は、すべての

【００９５】

【外５０】についてのすべての値

【００９６】

【外５１】を計算することによって求められる。ここで、探索され
る文字列

【００９７】

【外５２】は、

【００９８】

【外５３】が最大となる列である。

【００９９】

【外５４】を評価するには、ダイナミックプログラミング法（ＤＰ
アルゴリズム）を少し変形したものが利用される。

【０１００】ダイナミックプログラミング法が実施され
る場合、（ｎ＋１）×（ｍ＋１）個の点を含むグリッド
が使用される。ここで、本実施例では、ｎは発音された
文字の数を示し、ｍは認識された文字の数を示す。グリ
ッドの列は、発音された文字及び認識された文字の段に
よって特徴づけられる。図２のグリッドに既に示すよう
に、グリッドの最初の列と最初の段は特徴づけられな
い。座標対（ｉ、ｊ）（ｉ＝０、．．．、ｎ、及び、ｊ
＝０、．．．、ｍ）によって特徴づけられる各グリッド
点には、確率ｐ_ｉｊが割り当てられている。この確率ｐ
_ｉｊは、文字列ｓ _１乃至ｓ_ｉが発音された文字列（特
に、入力された単語の接頭部、つまり、それによって単
語が始まる少なくとも一個の文字からなる文字列）であ
り、文字列ｒ _１乃至ｒ_ｉが認識された文字列である可能
性を示す。ＤＰアルゴリズムは、段毎に確率ｐ_ｉｊを計
算する方法である。この方法によると、各列の０番目の
段は、ａ１として初期設定される。段のｉ＋１番目は、
ｉ（ｉ＝０、．．．、ｎ−１）番目の段から、以下の式
に従って決定される。

【０１０１】

【数１３】及び

【０１０２】

【数１４】上記の式中、ｊは０、．．．、ｍ＋１である。

【０１０３】上記の式（積及び合計を得る）と比較する
場合、

【０１０４】

【外５５】についての探索される関数

【０１０５】

【外５６】は、以下の式によって表される。

【０１０６】

【数１５】２つの文字列

【０１０７】

【外５７】及び

【０１０８】

【外５８】が、長さｎの同じ文字列

【０１０９】

【外５９】で始まる場合、ＤＰアルゴリズムの基本として使用され
るグリッドの最初のｎ個の段は同一である。余分な計算
を避けるために、以下のような変形例を提案する。ＤＰ
グリッド（ＤＰアルゴリズムの基本として使用されるグ
リッド）の段をノードとして定義する。その結果、パス
はそれぞれひとつのＤＰグリッドに対応し、同一の初期
セグメントを有するパスは、同一の初期文字列を持つ文
字列

【０１１０】

【外６０】及び

【０１１１】

【外６１】（同一の接頭部を持つ異なる単語）についての２つのＤ
Ｐグリッドに対応する。図３は、この方法を明確にし、
図１に示す例に対応する木構造を示す。図示の例では、
２つの文字が認識され、各ノードに３つのＤＰグリッド
ノード（ひとつのグリッド段に対応）が割り当てられて
いる。

【０１１２】以下に、いわゆるＡ^＊アルゴリズムを利用
する場合でも、関数

【０１１３】

【外６２】の最大値を得る際に、このような木構造のすべてのノー
ドを評定する必要はないことを説明する。

【０１１４】ノードは、これ以降、ｔ^（１）、
ｔ^（２）、．．．、と示す。ノードｔ^（ｋ）に割り当て
られたグリッド段のｊ番目の入力はｔ_ｊ ^（ｋ）となる。
更に、以下の式が成り立つ。

【０１１５】

【数１６】ここで、文字列

【０１１６】

【外６３】は、ノードｔ^（ｋ）への路に位置する文字列である。こ
うして、最大確率を有する発音された文字列を検知する
問題は、値ｔ_＄ ^（ｋ）が最大となるようなノードｔ
^（ｋ）を探索するという変形された形で解決される。

【０１１７】ノードｔ^（ｋ）が評定された後、上限値

【０１１８】

【外６４】が以下のように推定される。

【０１１９】

【数１７】２つのノードｔ^（ｋ）及びｔ^（ｋ’）が評定された後、
以下の条件

【０１２０】

【数１８】が満たされている場合、ノードｔ^（ｋ）の後続のノード
はすべて最適ノードではあり得ないことがわかる。この
ような後続のノードの評価は、不必要であり、実行され
ない。

【０１２１】上限値

【０１２２】

【外６５】を計算するために、いわゆるＡ^＊アルゴリズムが使用さ
れる。

【０１２３】ここにおいて必須の公知のＡ^＊アルゴリズ
ム（例えば、E.G. Schukat-Talamazzini著、「Automati
sche Spracherkennung」、Vieweg-Verlag、１９９５年
刊、第8.2,1章）の反復工程は、以下の通りである。（１）初期化処理。

【０１２４】木の根ノードの評価。（２）反復処理。

【０１２５】Ｅは既に評価されたノードの組である。

【０１２６】ここで、以下の２式が成り立つ。

【０１２７】

【数１９】

【０１２８】

【数２０】（３）終了基準が満たされているか否かを判定。

【０１２９】条件

【０１３０】

【外６６】の場合、アルゴリズムを終了（以後の反復処理は不必
要）。

【０１３１】最適ノードは、値ｔ＄が最大となるノード

【０１３２】

【外６７】である。（４）木の拡張。

【０１３３】これまでに拡張されていないノードを選択
し、拡張する。つまり、すべての子ノードを評価するこ
とになる。その結果、アルゴリズムは工程（２）へと続
く。

【０１３４】工程（４）において、基本的にはノード

【０１３５】

【外６８】の選択は自由である。しかし、アルゴリズムの最大効率
を保証するため、最適ノードへの路の部分であることの
確率が最大である点においてノードを選択することが望
まれる。したがって、値

【０１３６】

【外６９】が最大となるようなノード

【０１３７】

【外７０】が選択される。つまり、最も確率の高い、既に評価済み
のグリッド点を有するノード

【０１３８】

【外７１】が選択される。

【０１３９】次に、値

【０１４０】

【外７２】をどのようにして決定するかについて更に説明する。基
本的には、この値を求めることの可能な方法は多数あ
る。計算コストを低く抑え、余分な反復工程は避けるこ
とのできるようにする値

【０１４１】

【外７３】の有益な決定方法を、以下のように提案する。

【０１４２】まず

【０１４３】

【数２１】及び

【０１４４】

【数２２】とする。ここで、

【０１４５】

【外７４】である。求める値

【０１４６】

【外７５】は以下のようになる。

【０１４７】

【数２３】値

【０１４８】

【外７６】のこの式の計算は、積ｃ_ｍ、ｃ_ｍｃ_ｍ−１、．．．、が
事前に計算でき、最小インデックス

【０１４９】

【外７７】はＡ^＊アルゴリズムの工程（４）において決定されるた
め、計算コストが低く抑えられる。

【０１５０】上記の工程（３）における条件が１回目で
は満たされず、更なるアルゴリズムループが通過され、
さらに部分最適パスが決定され、Ａ^＊アルゴリズムが続
行される場合、更なる変形例が展開できる。この場合、
発音された文字列の単一候補の代わりに、通過されたＮ
−１個の更なるループにしたがって、Ｎ個の最適候補の
リストが発行される。つまり、このような候補によれ
ば、発音された文字列は最も高い確率で再生される。

【０１５１】上記のアルゴリズムは、最適ノードの検出
を保証し、したがって入力文字列

【０１５２】

【外７８】の最適推定も保証する。しかし、このアルゴリズムは計
算強度が高く、多くの記憶スペースを必要とする。以下
に、計算時間を短縮し、記憶スペースを縮小する方法に
ついて説明する。上述のように変形されたＡ^＊アルゴリ
ズムにおいては、オープンノードのみが保存、つまり、
既に評価されたが拡張はされていないノードのみが保存
される。ノードは、拡張の後、メモリから削除される。
オープンノードの最大保存可能数は、事前に設定されて
いる。オープンノードの数がこの所定最大数より大きい
場合、これらオープンノードのうち、どれが次の計算処
理において破棄可能であるかを決定する（いわゆる間引
き処理）。ここで、Ａ^＊アルゴリズムが誤った結果を出
すといけないので、これらのノードは最適パスに位置し
てはならない。したがって、ここでの問題は、最適パス
の部分ではない確率が最も高いノードを検出しなければ
ならない点にある。この問題を解決するため、簡潔な発
見的形式を使用する。木の根に最も近接するオープンノ
ードは、ここでは考慮から外すのが好ましい。これは、
最初から既に確率の小さい探索路を、これ以上使用でき
ない路とすることが好ましいことを意味する。

【０１５３】上述の間引き処理は、オープンノードは共
通ヒープに保存されず、ひとつのヒープは各路に割り当
てられ、オープンノードはそれぞれに割り当てられたヒ
ープに保存されるため、効率良く実施することが可能で
ある。本例では、オープンノードの数が許容数を超えて
いる場合、最短のパスの対応ヒープが削除される。この
処理に必要な時間は、実施的に一定である。

【０１５４】図４は、入力されたスペル発音

【０１５５】

【外７９】を認識する音声認識システム１のブロック図である。こ
のシステムは、本発明による文字音声認識の既述の実施
例にしたがって動作する。図中、ブロック２は、音声認
識部を示す。この音声認識部２は、ＨＭＭ（Ｈｉｄｄｅ
ｎＭａｒｋｏｖＭｏｄｅｌｓ）として知られる音声モ
デルに基づいて、認識結果（文字列）

【０１５６】

【外８０】を生成する。しかし、異なる文字組合せの可能性確率を
示す文字文法は、音声認識部２では利用されない。認識
結果

【０１５７】

【外８１】は、後処理部３に供給される。この後処理部３は、ブロ
ック４で示す文字列

【０１５８】

【外８２】の統計モデル及びブロック５で示す統計モデル

【０１５９】

【外８３】に基づいて、上述の音声認識装置（ブロック６）の各関
数

【０１６０】

【外８４】を最大化し、その結果から出力する認識結果Ｒ_Ｓを得
る。認識結果Ｒ_Ｓは、発音された文字列

【０１６１】

【外８５】の推定か、あるいは、正しい推定である確率が最も高い
文字列

【０１６２】

【外８６】のＮの最適候補のリストである。

【０１６３】図５のブロック図は、自動車用のナビゲー
ションシステムに好適な音声制御機能を備えるシステム
を示す。このシステムは、図４に示す文字音声認識装置
１と、入力された単語ｗを認識する単語音声認識装置７
とを含む。しかし、本発明を適用する際、スペル音声を
認識するための機能部を備えた音声制御システムは、ど
れでも使用可能である。文字音声認識装置１によって生
成された認識結果Ｒ_Ｓは、単語音声認識装置７の語彙を
限定するために使用される。つまり、さらに労力を要す
る単語音声認識へと導く単語音声認識結果Ｒ_Ｗの候補と
なりうる単語に限定する。認識結果Ｒ_Ｓとしての初期文
字列またはＮ個の最適初期文字列について、単語音声認
識装置７の語彙は、これらの初期文字列を有する単語に
限定される。単語音声認識結果Ｒ_Ｗは、システム制御に
利用され、制御されたシステムの機能部はブロック８に
おいて合体される。ナビゲーションシステムにおいて
は、認識結果は地名などを表し、そこに行く道順が決定
される。

【０１６４】音声認識部２と後処理部３は、異なるハー
ドウェア部品によって変形される。より詳細には、音声
認識部２は、音声認識動作に対応したデジタル信号プロ
セッサによって、後処理部３は、ブロック８において合
体された他のシステム機能を実行するために使用される
コントローラによって変形される。これは、入力された
スペル音声を認識する際にナビゲーション工程において
供給されるシステム源を共同で使用できるため、信号プ
ロセッサの計算処理許容量及び記憶容量が小さい点で有
益である。

【０１６５】

【発明の効果】本発明によると、自動車内のような雑音
レベルの高い環境においても、ユーザの不明瞭な発声に
も対応でき、誤認率が低く、信頼性の高い音声制御が実
現できる。

【図面の簡単な説明】

【図１】図１は、文字列の統計モデルの説明における木
構造を示す。

【図２】図２は、グリッド路の一例を示す。

【図３】図３は、ノードがＤＰグリッドの段と対応して
いる木構造を示す。

【図４】図４は、スペル音声認識システムの構造を示す
ブロック図である。

【図５】図５は、単語及びスペル音声入力による音声制
御機能を備えたシステムの構造を示すブロック図であ
る。

【符号の説明】

１音声認識システム２音声認識部３後処理部４文字列５統計モデル６最大関数

フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩテーマコート゛(参考）Ｇ１０Ｌ 15/00 Ｇ１０Ｌ 3/00 ５５１Ｑ 15/28 ５６１Ｊ 15/08 ５７１Ｑ 15/24 ５７１Ａ (71)出願人 590000248 Ｇｒｏｅｎｅｗｏｕｄｓｅｗｅｇ１, 5621 ＢＡＥｉｎｄｈｏｖｅｎ，ＴｈｅＮｅｔｈｅｒｌａｎｄｓ (72)発明者アレクサンダーフィッシャードイツ連邦共和国，52070 アーヘン，ゼルザーヴェーク５

Claims

【特許請求の範囲】

【請求項１】スペル形式で音声を認識する方法におい
て、ＨＭＭ（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌｓ）
に基づいて、対応する文字列を文字音声認識部によって
推定する第１の工程と、前記文字音声認識部の統計文字列モデル及び統計モデル
を利用して、第１の工程において生成された推定結果を
後処理する第２の工程とを含み、該後処理にはダイナミックプログラミング方法が使用さ
れ、該ダイナミックプログラミングの基礎であり、蓄積され
た確率値に割り当てられるノード点を有するグリッド構
造を木構造に変換し、最適パス（路）を検出するためにＡ^＊アルゴリズムを使
用することを特徴とする方法。
【請求項２】Ｎ＞１とした時、音声入力について、Ｎ
個の最適候補に対応する部分最適パスが決定されること
を特徴とする請求項１記載の方法。
【請求項３】最適パスの検出において、探索の最初の
時点で他のパスと比較して低い確率を有するパスは、処
理対象から外すことが好ましいことを特徴とする請求項
１または２記載の方法。
【請求項４】前記第１の工程は第１のＩＣによって実
行され、前記第２の工程は第２のＩＣによって実行され
ることを特徴とする請求項１乃至３のいずれかに記載の
方法。
【請求項５】音声信号によるシステム制御の方法にお
いて、制御信号として機能する単語全体が入力し、この単語の
少なくとも一部分をスペルで入力し、入力された前記単語を認識するために、単語音声認識装
置を用い、前記スペルの部分を認識するために、請求項
１乃至４のいずれかに記載の文字音声認識装置を用い、前記単語音声認識装置に割り当てられた語彙は、前記文
字音声認識装置の認識結果によって限定されることを特
徴とする方法。
【請求項６】音声認識制御装置、特に、自動車用ナビ
ゲーションシステムにおいて、請求項１乃至５のいずれ
かに記載の方法を実施するための構成部品を備えること
を特徴とする音声認識制御装置。