JP2002073077A - 単一文章文法を使用して複数組のｈｍｍを復号する方法 - Google Patents
単一文章文法を使用して複数組のｈｍｍを復号する方法Info
- Publication number
- JP2002073077A JP2002073077A JP2001266505A JP2001266505A JP2002073077A JP 2002073077 A JP2002073077 A JP 2002073077A JP 2001266505 A JP2001266505 A JP 2001266505A JP 2001266505 A JP2001266505 A JP 2001266505A JP 2002073077 A JP2002073077 A JP 2002073077A
- Authority
- JP
- Japan
- Prior art keywords
- symbol
- network
- base
- hmm
- 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.)
- Abandoned
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 abstract description 9
- 230000015654 memory Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012360 testing method 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
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
(57)【要約】
【課題】 Ｍ個のサブネットワーク（文章ネットワー
ク）から１つを必要とするだけで、ネットワーク記憶装
置のメモリ所要量をＭ−１／Ｍだけ削減しかつ同じ認識
性能を有する音声認識探索方法を開示する。 【解決手段】 音声認識方法は、基本話者独立文法すな
わちネットワーク（構文）と、各シンボルの発音が一組
のＨＭＭ状態で指定される複数組の拡張ＨＭＭのネット
ワークを表す複数の仮想シンボルとを含む。認識装置
は、拡張シンボル上に定義された認識パスを構築すると
ともに、拡張シンボルのベース・シンボルを与える適切
な変換機能を介してベース・シンボルを使用してネット
ワークにアクセスし、その逆の場合も同様である。
ク）から１つを必要とするだけで、ネットワーク記憶装
置のメモリ所要量をＭ−１／Ｍだけ削減しかつ同じ認識
性能を有する音声認識探索方法を開示する。 【解決手段】 音声認識方法は、基本話者独立文法すな
わちネットワーク（構文）と、各シンボルの発音が一組
のＨＭＭ状態で指定される複数組の拡張ＨＭＭのネット
ワークを表す複数の仮想シンボルとを含む。認識装置
は、拡張シンボル上に定義された認識パスを構築すると
ともに、拡張シンボルのベース・シンボルを与える適切
な変換機能を介してベース・シンボルを使用してネット
ワークにアクセスし、その逆の場合も同様である。
Description
【０００１】
【発明の属する技術分野】本発明は、音声認識に関し、
より詳細には、音声認識探索方法に関する。
より詳細には、音声認識探索方法に関する。
【０００２】
【従来の技術】音声認識装置は、典型的には、異なる音
響環境に配置される。音響環境とは、音声が発生される
定常条件のことである。例えば、音声信号は、男性話者
および女性話者によってオフイス環境でも雑音環境でも
発生され得る。
響環境に配置される。音響環境とは、音声が発生される
定常条件のことである。例えば、音声信号は、男性話者
および女性話者によってオフイス環境でも雑音環境でも
発生され得る。
【０００３】複数環境音声認識を処理する共通の方法
は、各環境に対する一組の隠れマルコフ・モデル（ＨＭ
Ｍ）を訓練することである。例えば、男性話者用のＨＭ
Ｍの発音の一組すなわち一つのネットワーク（文法）と
女性話者用の一組のＨＭＭとがある。何故ならば、男性
話者の音声すなわちモデルは女性話者とは異なるからで
ある。認識の段階で、全環境のＨＭＭが復号されると、
最大尤度を与える環境の認識結果が最終結果であると考
えられる。そのようなプラクティスは認識性能の点で非
常に効率的である。例えば、同じ量のＨＭＭパラメータ
をもつ男性／女性別個のモデルが使用されないとする
と、単語誤り率（ＷＥＲ）は典型的には７０％増加す
る。
は、各環境に対する一組の隠れマルコフ・モデル（ＨＭ
Ｍ）を訓練することである。例えば、男性話者用のＨＭ
Ｍの発音の一組すなわち一つのネットワーク（文法）と
女性話者用の一組のＨＭＭとがある。何故ならば、男性
話者の音声すなわちモデルは女性話者とは異なるからで
ある。認識の段階で、全環境のＨＭＭが復号されると、
最大尤度を与える環境の認識結果が最終結果であると考
えられる。そのようなプラクティスは認識性能の点で非
常に効率的である。例えば、同じ量のＨＭＭパラメータ
をもつ男性／女性別個のモデルが使用されないとする
と、単語誤り率（ＷＥＲ）は典型的には７０％増加す
る。
【０００４】
【発明が解決しようとする課題】特に、所定の文章文法
については、音声認識装置は、各ＨＭＭが特定の音響環
境をモデル化するＭ組のＨＭＭを復号することが要求さ
れる。各環境と音響的整合を実行するためには、（ＨＴ
Ｋ２．０のような先行技術による認識装置を含む）認識
探索方法は、一般に、図１に示すように、Ｍ個のサブネ
ットワークをもつネットワークを必要とする。Ｍ組の文
章ネットワークを必要とすることは、認識装置をさらに
高価にするので、さらに巨額な費用を必要とする。
については、音声認識装置は、各ＨＭＭが特定の音響環
境をモデル化するＭ組のＨＭＭを復号することが要求さ
れる。各環境と音響的整合を実行するためには、（ＨＴ
Ｋ２．０のような先行技術による認識装置を含む）認識
探索方法は、一般に、図１に示すように、Ｍ個のサブネ
ットワークをもつネットワークを必要とする。Ｍ組の文
章ネットワークを必要とすることは、認識装置をさらに
高価にするので、さらに巨額な費用を必要とする。
【０００５】
【課題を解決するための手段】Ｍ個のサブネットワーク
（文章ネットワーク）の中の１つだけを必要とする新し
い音声認識探索方法が、ここで説明されるとともに、同
じ認識性能を与え、したがって、ネットワーク記憶装置
のメモリ所要量をＭ−１／Ｍだけ削減する。この音声認
識方法は、基本話者独立文法（basic speaker independ
ent grammar）すなわちネットワーク（構文）と、各シ
ンボルの発音が一組のＨＭＭ状態で指定される複数組の
拡張ＨＭＭのネットワークを表す複数の仮想シンボルと
を含む。この新しい認識装置は、拡張シンボル上に定義
された認識パスを構築するとともに、拡張シンボルのベ
ース・シンボルを与える適切な変換機能を介してベース
・シンボルを使用してネットワークにアクセスし、その
逆の場合も同様である。
（文章ネットワーク）の中の１つだけを必要とする新し
い音声認識探索方法が、ここで説明されるとともに、同
じ認識性能を与え、したがって、ネットワーク記憶装置
のメモリ所要量をＭ−１／Ｍだけ削減する。この音声認
識方法は、基本話者独立文法（basic speaker independ
ent grammar）すなわちネットワーク（構文）と、各シ
ンボルの発音が一組のＨＭＭ状態で指定される複数組の
拡張ＨＭＭのネットワークを表す複数の仮想シンボルと
を含む。この新しい認識装置は、拡張シンボル上に定義
された認識パスを構築するとともに、拡張シンボルのベ
ース・シンボルを与える適切な変換機能を介してベース
・シンボルを使用してネットワークにアクセスし、その
逆の場合も同様である。
【０００６】
【発明の実施の形態】本出願では、文章文法を説明する
ネットワークのノードを「シンボル」と呼ぶ。普通の認
識装置の場合には、Ｍ組のＨＭＭが使用されるとき、シ
ンボルはネットワークでＭ回繰り返されなければならな
い。これは図１に示されており、ここでは、３組の文章
ネットワークが描かれている。
ネットワークのノードを「シンボル」と呼ぶ。普通の認
識装置の場合には、Ｍ組のＨＭＭが使用されるとき、シ
ンボルはネットワークでＭ回繰り返されなければならな
い。これは図１に示されており、ここでは、３組の文章
ネットワークが描かれている。
【０００７】本発明によれば、ネットワークは、話者独
立であるＭ個のネットワークの併合バージョンを表すよ
うに構築される。男性および女性ケースについては、こ
れは、男性および女性ネットワークの併合バージョンで
あり、性別に無関係である。子供用のモデルが併合され
てもよい。他の環境が併合されてもよい。男性，女性お
よび子供用のＨＭＭのような特定のＨＭＭをさらに復号
し、男性，女性および子供用のＨＭＭが同じノードおよ
び遷移を持つジェネリック（話者独立）ネットワークと
これらのＨＭＭを結合する必要がある。
立であるＭ個のネットワークの併合バージョンを表すよ
うに構築される。男性および女性ケースについては、こ
れは、男性および女性ネットワークの併合バージョンで
あり、性別に無関係である。子供用のモデルが併合され
てもよい。他の環境が併合されてもよい。男性，女性お
よび子供用のＨＭＭのような特定のＨＭＭをさらに復号
し、男性，女性および子供用のＨＭＭが同じノードおよ
び遷移を持つジェネリック（話者独立）ネットワークと
これらのＨＭＭを結合する必要がある。
【０００８】Ｍ組のＨＭＭを復号する出願人の方法で
は、２つの型式のシンボルが区別される。 ・ベース・シンボル（α）：基本文法すなわちネットワ
ーク（すなわち、Ｍ組のＨＭＭを繰り返す前のネットワ
ーク）を表すシンボル。それらは、格納用の物理メモリ
空間を有する。これは、ノードおよび遷移を表すジェネ
リック（話者独立）である。 ・拡張シンボル
は、２つの型式のシンボルが区別される。 ・ベース・シンボル（α）：基本文法すなわちネットワ
ーク（すなわち、Ｍ組のＨＭＭを繰り返す前のネットワ
ーク）を表すシンボル。それらは、格納用の物理メモリ
空間を有する。これは、ノードおよび遷移を表すジェネ
リック（話者独立）である。 ・拡張シンボル
【外１】 ：Ｍ−１組の拡張ＨＭＭのネットワークを表すシンボ
ル。文法ネットワークにおけるそれらの存在は概念的な
ものである。このシンボルは、例えば、男性および女性
用の２組のＨＭＭを表してもよい。
ル。文法ネットワークにおけるそれらの存在は概念的な
ものである。このシンボルは、例えば、男性および女性
用の２組のＨＭＭを表してもよい。
【０００９】ネットワークの各ベース・シンボルに対し
て、関連したＭ−１個の対応拡張シンボルが存在する。
新しい認識装置は、拡張シンボル上に定義された認識パ
スを構築し、拡張シンボルのベース・シンボルを与える
適切な変換機能を介してベース・シンボルを使用してネ
ットワークにアクセスする。
て、関連したＭ−１個の対応拡張シンボルが存在する。
新しい認識装置は、拡張シンボル上に定義された認識パ
スを構築し、拡張シンボルのベース・シンボルを与える
適切な変換機能を介してベース・シンボルを使用してネ
ットワークにアクセスする。
【００１０】図２を参照すると、本発明の一実施例によ
るシステムが示されている。男性と女性とが組み合わさ
れたケースについては、ベース・シンボルαで表された
ジェネリック・ネットワークがメモリ２１に格納され
る。これはネットワーク構造自体を提供する。メモリ２
３には、例えば、男性用の一組のＨＭＭと女性用の一組
のＨＭＭとが格納される。一組のＨＭＭは子供用であっ
てもよい。ベース・シンボルは構文を含む。このプロセ
スは、使用されるべきＨＭＭを識別することである。あ
らゆる入力音声フレームに対して、主ループ・プログラ
ムは、認識パス構築と観察値確率更新（update-observa
tion-probability）とを実行する。主ループ・プログラ
ム（図３参照）は、パス伝搬プログラム２５と観察値確
率更新プログラム２７とを含む。
るシステムが示されている。男性と女性とが組み合わさ
れたケースについては、ベース・シンボルαで表された
ジェネリック・ネットワークがメモリ２１に格納され
る。これはネットワーク構造自体を提供する。メモリ２
３には、例えば、男性用の一組のＨＭＭと女性用の一組
のＨＭＭとが格納される。一組のＨＭＭは子供用であっ
てもよい。ベース・シンボルは構文を含む。このプロセ
スは、使用されるべきＨＭＭを識別することである。あ
らゆる入力音声フレームに対して、主ループ・プログラ
ムは、認識パス構築と観察値確率更新（update-observa
tion-probability）とを実行する。主ループ・プログラ
ム（図３参照）は、パス伝搬プログラム２５と観察値確
率更新プログラム２７とを含む。
【００１１】図３に示されている関数ＭＡＩＮ−ＬＯＯ
Ｐプログラムは、あらゆる入力音声フレームに対して認
識パス構築を実行する。
Ｐプログラムは、あらゆる入力音声フレームに対して認
識パス構築を実行する。
【００１２】
【表１】
【００１３】１つのパスはシンボル列から構成され、各
シンボルの発音は一組の隠れマルコフ・モデル状態によ
って指定される。したがって、１つのパスは、復号手順
が各シンボルに対して構築するモデル内パス（within-m
odel-path）またはモデル間パス（cross-model-path）
のいずれかである。
シンボルの発音は一組の隠れマルコフ・モデル状態によ
って指定される。したがって、１つのパスは、復号手順
が各シンボルに対して構築するモデル内パス（within-m
odel-path）またはモデル間パス（cross-model-path）
のいずれかである。
【００１４】
【表２】
【００１５】ここで、 ・
【外２】 は、フレームｔにおける拡張シンボルｓに対するパス情
報の格納を示す。 ・「get-offset」は、ＨＭＭのオフセット（Δhmm），
シンボルのオフセット（Δsym）およびベース・シンボ
ル（∀），所定の
報の格納を示す。 ・「get-offset」は、ＨＭＭのオフセット（Δhmm），
シンボルのオフセット（Δsym）およびベース・シンボ
ル（∀），所定の
【外３】 およびネットワークを与える。 ・「symbol-list」は、ネットワークのシンボルのリス
トを返す。 ・「hmm-code」は、シンボルに付随するｈｍｍのインデ
ックスを与える。 ・Score(p, i)は、シンボル記憶ｐの状態ｉでのスコア
を与える。我々はｔからｔ−１までシンボルおよびフレ
ームが何であるかを保持するとともに、単語の系列を追
跡する。ノードはモデルに基づいて構築される。
トを返す。 ・「hmm-code」は、シンボルに付随するｈｍｍのインデ
ックスを与える。 ・Score(p, i)は、シンボル記憶ｐの状態ｉでのスコア
を与える。我々はｔからｔ−１までシンボルおよびフレ
ームが何であるかを保持するとともに、単語の系列を追
跡する。ノードはモデルに基づいて構築される。
【００１６】各フレームに対する探索アルゴリズムで
は、フレーム時刻ｔに対する時間間隔１〜Ｎは、時刻ｔ
−１で後ろを振り返り、ベース・シンボルを探し出すた
めに計算する。図２を参照されたい。これから、ジェネ
リック・ネットワーク２１へのアクセスが与えられ、Ｈ
ＭＭのオフセット（ΔＨＭＭ）を得るために拡張シンボ
ル
は、フレーム時刻ｔに対する時間間隔１〜Ｎは、時刻ｔ
−１で後ろを振り返り、ベース・シンボルを探し出すた
めに計算する。図２を参照されたい。これから、ジェネ
リック・ネットワーク２１へのアクセスが与えられ、Ｈ
ＭＭのオフセット（ΔＨＭＭ）を得るために拡張シンボ
ル
【外４】 が与えられる。ΔＨＭＭが決定されると、男性ベースま
たは女性に対応するＨＭＭが提供されるように、ＨＭＭ
メモリ２３がアクセスされる。ＨＭＭが得られると、モ
デル内パスの状態の系列が決定された後に、モデル間パ
スの状態の系列が決定される。ＨＭＭ状態の系列は、Ｈ
ＭＭ内パスおよびモデル間パスにおける認識パス構築２
５で構築される。したがって、モデル内パス構築および
モデル間パス構築を復号するための２つの重要な関数が
存在する。
たは女性に対応するＨＭＭが提供されるように、ＨＭＭ
メモリ２３がアクセスされる。ＨＭＭが得られると、モ
デル内パスの状態の系列が決定された後に、モデル間パ
スの状態の系列が決定される。ＨＭＭ状態の系列は、Ｈ
ＭＭ内パスおよびモデル間パスにおける認識パス構築２
５で構築される。したがって、モデル内パス構築および
モデル間パス構築を復号するための２つの重要な関数が
存在する。
【００１７】
【表３】
【００１８】ここで、 ・∀i, jは、状態ｉから状態ｊまでの遷移確率である。
我々がＨＭＭ内パスで実行する場合、我々はｔおよびｔ
−１の記憶を実行する必要がある。最高スコアを有する
その文章は、最高の対数遷移確率（transition log pro
bability）に基づいて決定される。これは、ＨＭＭにお
けるあらゆる状態に対して（以下の式における各状態ｊ
に対して）実行される。終わりに到着すると、元に戻っ
て、認識されたシンボルの系列がどれであるかを見つけ
る。これは格納される。
我々がＨＭＭ内パスで実行する場合、我々はｔおよびｔ
−１の記憶を実行する必要がある。最高スコアを有する
その文章は、最高の対数遷移確率（transition log pro
bability）に基づいて決定される。これは、ＨＭＭにお
けるあらゆる状態に対して（以下の式における各状態ｊ
に対して）実行される。終わりに到着すると、元に戻っ
て、認識されたシンボルの系列がどれであるかを見つけ
る。これは格納される。
【００１９】
【表４】
【００２０】モデル間パスの場合、我々は、すべての可
能な次のシンボルｓを考える必要があるαの次のシンボ
ルｓを必要とする。これが真のシンボルｓ（どのシンボ
ルがどのシンボルの後に来るかを教える文法の知識）で
ある。我々はそれの初期状態すなわち第１のＨＭＭを決
定し、また、我々は、状態間に対するＨＭＭ状態の系列
を実行し、１つの状態から他の状態への遷移確率（対数
確率）を加算する。我々は状態の外側用にπシンボルを
使用する。終わりで我々が先頭に戻り単語の系列をチェ
ックできるように、我々は先頭に戻って、どれがシンボ
ルであるかということと、我々が対象とするフレームを
決定する。これを内部および相互間で実行することによ
り、我々はすべてのノードを構築してきた。
能な次のシンボルｓを考える必要があるαの次のシンボ
ルｓを必要とする。これが真のシンボルｓ（どのシンボ
ルがどのシンボルの後に来るかを教える文法の知識）で
ある。我々はそれの初期状態すなわち第１のＨＭＭを決
定し、また、我々は、状態間に対するＨＭＭ状態の系列
を実行し、１つの状態から他の状態への遷移確率（対数
確率）を加算する。我々は状態の外側用にπシンボルを
使用する。終わりで我々が先頭に戻り単語の系列をチェ
ックできるように、我々は先頭に戻って、どれがシンボ
ルであるかということと、我々が対象とするフレームを
決定する。これを内部および相互間で実行することによ
り、我々はすべてのノードを構築してきた。
【００２１】最後に、パスが文法ネットワークに従って
拡張されると、それの音響スコアが評価される。
拡張されると、それの音響スコアが評価される。
【００２２】
【表５】
【００２３】・「get-true-symbol」は、拡張シンボル
のベース・シンボルを返す。これらはすべて、モデルに
基づいている。次のステップは、音声を観察して実際の
音声との比較により確認することである。これは、観察
値確率更新プログラム２７で実行される。図２を参照さ
れたい。ＨＭＭを見つけることが必要であり、すべての
ＨＭＭ状態について、シンボルαに対してその時間での
記憶エリアに対するスコアを評価する必要がある。最高
スコアが使用される。最良スコアモデルが提供される。
のベース・シンボルを返す。これらはすべて、モデルに
基づいている。次のステップは、音声を観察して実際の
音声との比較により確認することである。これは、観察
値確率更新プログラム２７で実行される。図２を参照さ
れたい。ＨＭＭを見つけることが必要であり、すべての
ＨＭＭ状態について、シンボルαに対してその時間での
記憶エリアに対するスコアを評価する必要がある。最高
スコアが使用される。最良スコアモデルが提供される。
【００２４】結果 この新しい方法はメモリサイズを減少することに非常に
有効であった。１〜７の数字ストリング用の一般文法を
以下に表す。
有効であった。１〜７の数字ストリング用の一般文法を
以下に表す。
【００２５】
【表６】
【００２６】それは、我々がゼロ，オー若しくはイチま
たは２などを認識できることを表している。それは、文
章が２などの数字になっていることも表している。
たは２などを認識できることを表している。それは、文
章が２などの数字になっていることも表している。
【００２７】古い性別依存方法のための１〜７の数字ス
トリング用の文法は次の通りである。
トリング用の文法は次の通りである。
【００２８】
【表７】
【００２９】これは、一般的文法のサイズの２倍であ
る。
る。
【００３０】その目的は、資源要件を測定することと、
認識スコアがビット正確であることを複数の文法復号器
を用いて検証することとである。テストは、５人の男性
および５人の女性の１０個のファイルに基づいている。
認識スコアがビット正確であることを複数の文法復号器
を用いて検証することとである。テストは、５人の男性
および５人の女性の１０個のファイルに基づいている。
【００３１】上記文法については、それぞれ、文章の単
一ネットワーク文法と文章の複数（１つは男性用で他の
１つは女性用の２つの）ネットワーク文法とである。
一ネットワーク文法と文章の複数（１つは男性用で他の
１つは女性用の２つの）ネットワーク文法とである。
【００３２】計算要件 ベース・シンボルと拡張シンボルとの間の変換により、
この探索方法は、確かに、Ｍ組のネットワークが必要な
方法よりもずっと複雑である。文章ネットワークメモリ
節約のために必要な計算がどれだけ多いかを決定するた
め、（３個のファイルＩ／Ｏ関数を除く）上位２０個の
関数のＣＰＵサイクルが計数され、表１に示されてい
る。それは次のようになっていることが判る。
この探索方法は、確かに、Ｍ組のネットワークが必要な
方法よりもずっと複雑である。文章ネットワークメモリ
節約のために必要な計算がどれだけ多いかを決定するた
め、（３個のファイルＩ／Ｏ関数を除く）上位２０個の
関数のＣＰＵサイクルが計数され、表１に示されてい
る。それは次のようになっていることが判る。
【００３３】
【表８】
【００３４】たいていの関数に対する消費量は同じであ
る。４つの関数だけが若干の変化を示した。表２は、サ
イクル消費量およびメモリ使用量を要約する。１．５８
％は、“set-index”を計算することに消費され、イン
デックスを格納することによって更に減少することがで
きる。しかしながら、パーセントの増加は非常に小さい
ので、他の代替方法、例えばＣＰＵ効率的実現をこの時
点で検討する価値はないであろう。
る。４つの関数だけが若干の変化を示した。表２は、サ
イクル消費量およびメモリ使用量を要約する。１．５８
％は、“set-index”を計算することに消費され、イン
デックスを格納することによって更に減少することがで
きる。しかしながら、パーセントの増加は非常に小さい
ので、他の代替方法、例えばＣＰＵ効率的実現をこの時
点で検討する価値はないであろう。
【００３５】
【表９】
【図１】複数のＨＭＭ組を認識するために大きなネット
ワークを必要とする従来技術による認識装置を示す図で
ある。
ワークを必要とする従来技術による認識装置を示す図で
ある。
【図２】本発明の一実施例によるシステムのブロック図
である。
である。
【図３】主プログラム・ループを示す図である。
Claims (9)
- 【請求項１】 音声認識の方法であって、 一組の文章ネットワークを使用して複数のＨＭＭ組を復
号し、 該復号された複数のＨＭＭ組を使用して音声を認識す
る、 方法。 - 【請求項２】 音声認識装置であって、 一組の文章ネットワークを使用して複数のＨＭＭ組を復
号する手段と、 該復号された複数のＨＭＭ組を使用して音声を認識する
認識装置と、 を含む、音声認識装置。 - 【請求項３】 前記復号する手段が、 拡張シンボル上に定義された認識パスを構築する手段
と、 変換機能を介してベース・シンボルを使用して前記ネッ
トワークにアクセスする手段とを含む、 請求項１記載の方法。 - 【請求項４】 前記復号する手段がモデル内構築とモデ
ル間構築とを含む、請求項３記載の方法。前記復号する
手段が観察値確率更新を含む、請求項４記載の方法。 - 【請求項５】 音声認識探索方法であって、 一組の一般的文法を提供し、 ネットワーク拡張組を表すシンボルを提供し、 該シンボルによって定義される認識パスを構築し、 任意の拡張シンボルの真のシンボルを与える適切な変換
機能を介してベース・シンボルを使用して前記ネットワ
ークにアクセスする、 音声認識探索方法。 - 【請求項６】 音声認識の方法であって、 ベース・シンボルを含むジェネリック・ネットワークを
提供するステップと、 男性および女性用の一組のＨＭＭを提供するステップ
と、 ベース・シンボルに対応する仮想シンボル上に定義され
た認識パスを構築するステップと、 仮想シンボル用のベース・シンボルを与える変換機能を
介して前記ベース・シンボルを使用して前記ジェネリッ
ク・ネットワークにアクセスし、したがって、単一文章
文法を使用してかつ複数のＨＭＭ組を使用して複数のＨ
ＭＭ組を復号し入力音声を認識するステップと、 を含む、方法。 - 【請求項７】 前記構築するステップが、各フレームに
対して文法ネットワークおよび観察値確率更新に基づく
パス伝搬拡張を含む、請求項６記載の方法。 - 【請求項８】 前記パス伝搬は、 オフセットＨＭＭ，オフセットシンボルおよび所定の拡
張シンボルに対するベース・シンボルを得、 前のフレームのＨＭＭを得、 モデル内パスおよびモデル間パスの双方用の一組のＨＭ
Ｍ状態の系列を拡張し格納し、 最良遷移確率をもつパスを決定する、 請求項７記載の方法。 - 【請求項９】 前記観察値確率更新が、 拡張シンボルの前記ベース・シンボルを得、 前記仮想シンボルに関連する前記ベース・シンボルに対
する現在のフレームの音声と比較することによって前記
ベース・シンボルを状態ごとに確認する、 請求項７記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US221920 | 1988-07-20 | ||
| US22192000P | 2000-07-31 | 2000-07-31 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002073077A true JP2002073077A (ja) | 2002-03-12 |
Family
ID=22829977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001266505A Abandoned JP2002073077A (ja) | 2000-07-31 | 2001-07-31 | 単一文章文法を使用して複数組のｈｍｍを復号する方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US7269558B2 (ja) |
| EP (1) | EP1220198A1 (ja) |
| JP (1) | JP2002073077A (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7529671B2 (en) * | 2003-03-04 | 2009-05-05 | Microsoft Corporation | Block synchronous decoding |
| US8056070B2 (en) * | 2007-01-10 | 2011-11-08 | Goller Michael D | System and method for modifying and updating a speech recognition program |
| US20140365225A1 (en) * | 2013-06-05 | 2014-12-11 | DSP Group | Ultra-low-power adaptive, user independent, voice triggering schemes |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5333275A (en) * | 1992-06-23 | 1994-07-26 | Wheatley Barbara J | System and method for time aligning speech |
| US5819221A (en) * | 1994-08-31 | 1998-10-06 | Texas Instruments Incorporated | Speech recognition using clustered between word and/or phrase coarticulation |
| US5806034A (en) * | 1995-08-02 | 1998-09-08 | Itt Corporation | Speaker independent speech recognition method utilizing multiple training iterations |
| WO1998014934A1 (en) * | 1996-10-02 | 1998-04-09 | Sri International | Method and system for automatic text-independent grading of pronunciation for language instruction |
| US6076057A (en) * | 1997-05-21 | 2000-06-13 | At&T Corp | Unsupervised HMM adaptation based on speech-silence discrimination |
| US6285981B1 (en) * | 1998-06-30 | 2001-09-04 | Texas Instruments Incorporated | Speed up speech recognition search using macro evaluator |
-
2001
- 2001-07-26 US US09/915,911 patent/US7269558B2/en not_active Expired - Lifetime
- 2001-07-31 JP JP2001266505A patent/JP2002073077A/ja not_active Abandoned
- 2001-07-31 EP EP01000331A patent/EP1220198A1/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| EP1220198A1 (en) | 2002-07-03 |
| US20020042710A1 (en) | 2002-04-11 |
| US7269558B2 (en) | 2007-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7693715B2 (en) | Generating large units of graphonemes with mutual information criterion for letter to sound conversion | |
| US7299178B2 (en) | Continuous speech recognition method and system using inter-word phonetic information | |
| Sainath et al. | No need for a lexicon? evaluating the value of the pronunciation lexica in end-to-end models | |
| CN1667700B (zh) | 把字的语音或声学描述、发音添加到语音识别词典的方法 | |
| He et al. | Spoken language understanding using the hidden vector state model | |
| US9123333B2 (en) | Minimum bayesian risk methods for automatic speech recognition | |
| JP4528535B2 (ja) | テキストから単語誤り率を予測するための方法および装置 | |
| KR102375115B1 (ko) | 엔드-투-엔드 모델들에서 교차-언어 음성 인식을 위한 음소-기반 컨텍스트화 | |
| CN107705787A (zh) | 一种语音识别方法及装置 | |
| WO1992014237A1 (en) | Method for recognizing speech using linguistically-motivated hidden markov models | |
| Hain et al. | The cu-htk march 2000 hub5e transcription system | |
| US7464033B2 (en) | Decoding multiple HMM sets using a single sentence grammar | |
| EP1111587B1 (en) | Speech recognition device implementing a syntactic permutation rule | |
| JP2007033671A (ja) | 音声認識システム、音声認識方法、および音声認識プログラム | |
| TWI731921B (zh) | 語音識別方法及裝置 | |
| JP2002073077A (ja) | 単一文章文法を使用して複数組のｈｍｍを復号する方法 | |
| Eide | Automatic modeling of pronunciation variations. | |
| JP3950957B2 (ja) | 言語処理装置および方法 | |
| JP6078435B2 (ja) | 記号列変換方法、音声認識方法、それらの装置及びプログラム | |
| Vancha et al. | Word-level speech dataset creation for sourashtra and recognition system using kaldi | |
| Huang et al. | Internet-accessible speech recognition technology | |
| Seneff | The use of subword linguistic modeling for multiple tasks in speech recognition | |
| Hämäläinen et al. | Modelling pronunciation variation with single-path and multi-path syllable models: Issues to consider | |
| CN114267344A (zh) | 命令识别方法、装置、电子设备及存储介质 | |
| McGreevy | Statistical language modelling for large vocabulary speech recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080731 |
|
| A762 | Written abandonment of application |
Free format text: JAPANESE INTERMEDIATE CODE: A762 Effective date: 20090113 |