JP2002229589A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 話題が発話中に変わっても認識性能を劣化さ
せない音声認識装置を提供する。 【解決手段】 ユーザの発話した音声を音声データの形
で取得する音声入力手段１０１、音声データを所定時刻
毎に音響分析して音響特徴ベクトルを出力する音響分析
手段１０２、音響モデル記憶手段１０３、音響特徴ベク
トルと音響モデルとから音節認識処理を行い最適な認識
音節列を出力する音節認識手段１０４、認識音節列の中
で話題が変わる話題遷移候補点を設定する話題遷移候補
点設定手段１０５、設定された話題遷移候補点で分割し
た各音節区間に適応する言語モデルを設定する言語モデ
ル設定手段１０６、複数の言語モデル記憶手段１０９、
複数の言語モデルのうち、各音節区間でそれぞれ設定さ
れた言語モデルを用いて最適な単語列を探索し認識単語
列を求めて出力する単語列探索手段１０７を備える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、音声認識に用い
る言語モデルを発話中に切り替えて用いるようにした音
声認識装置に関するものである。

【０００２】

【従来の技術】図７は、特開平２０００−２００８６号
公報に開示された音声認識装置を示す構成図である。図
７において、５は操作制御部、３１はマイク、３２は入
力信号処理部、３３は認識処理部、３４は辞書管理部、
３５は認識制御部であり、これらにより音声認識装置３
０を構成している。

【０００３】次に動作を説明する。認識処理部３３は、
入力信号処理部３２から入力された音声データを、設定
された辞書データ中に存在する比較対象パターン候補と
比較して一致度の高い上位比較対象パターンを認識制御
部３５へ出力する。入力音声中の単語系列の認識は、入
力信号処理部３２から入力された音声データを順次音響
分析して音響的特徴量（例えばケプストラム）を抽出
し、この音響分析によって得られた音響的特徴量時系列
データを得、そして、たとえば周知のＤＰ（dynamic pr
ogram）マッチング法（非線形伸縮パターンマッチング
法）によって、その時系列データをいくつかの区間に分
け、各区間が辞書データとして格納されたどの単語に対
応しているかを求める。

【０００４】そして、認識制御部３５は、その認識結果
を操作制御部５へ出力すると共に、操作制御部５からは
状態を取得する。この状態とは、音声認識装置３０と連
動しているシステム（図示していない）が現時点でどの
ような設定状態にあるのかなどを取得する。そして、そ
の取得した状態に基づいて辞書管理部３４に対して辞書
指定を行う。

【０００５】辞書管理部３４は、記憶している辞書デー
タを認識処理部３３に設定する。認識処理部３３は、こ
の設定された辞書データに基づいて認識処理を行うので
あるが、辞書管理部３４は、記憶している辞書データを
常に同じ状態で認識処理部３３に設定するとは限らず、
認識制御部３５から辞書指定があると、その指定に基づ
いて編集した辞書データを認識処理部３３に設定する。

【０００６】例えば、カーナビにおける音声認識システ
ムについて考える。音声認識システムと連動しているシ
ステムのディスプレイ（図示していない）に「レストラ
ン」のリスト表示がされている状態にて音声認識機能が
起動した場合には、ユーザの操作に応じてこのレストラ
ンリストを表示していることは明らかで、この状態にお
いて、ユーザが「地図向きの変更」や「地図尺度の変
更」といった地図操作に関する要求を行うことは考えら
れない。また、他のリスト、例えば「温泉リスト」や
「ゴルフ場リスト」が表示されている場合に要求される
温泉やゴルフ場に関するデータなどについても、この状
態（「レストラン」のリスト表示がされている状態）で
要求されることは考えられない。

【０００７】そこで、ディスプレイにレストランリスト
が表示されている状態でユーザが要求するのは、レスト
ランの店名そのものの指定か、あるいはレストランとい
うジャンルをさらに詳細に区別するジャンル指定のいず
れかであると想定でき、絞り込むことができる。そこ
で、認識制御部３５は、操作制御部５からレストランリ
ストが表示されているという状態を取得し、辞書管理部
３４に対して、「レストランに関する辞書」という指定
を行う。

【０００８】このように、ユーザの操作に基づいて状態
が変更されていくに従い、その変更された状態において
必要な認識語彙のみを含む選択辞書が随時設定されてい
く。つまり、その時点でのシステムの状態から必要と思
われる認識語彙はそのまま残って有効とされ、それ以外
の認識語彙が辞書データとして無効となるので、誤認識
を極力防止できながら本来認識すべき語彙についての音
声認識は適切に実現することができる。

【０００９】

【発明が解決しようとする課題】このように、分野もし
くは話題を限定することによって認識性能を向上させる
ことは知られているが、以上のような従来例において
は、辞書管理部３４が予期する必要分のみの辞書を抽出
するので、１発話中に話題や該当分野が途中で変わって
しまい、その分野が辞書に設定されていない場合、認識
性能が劣化したり、認識が不能になる。

【００１０】この発明は上述した点に鑑みてなされたも
ので、話題が発話中に変わっても認識性能を劣化させな
い音声認識装置を提供しようとするものである。

【００１１】

【課題を解決するための手段】この発明に係る音声認識
装置は、ユーザの発話した音声を音声データの形で取得
する音声入力手段と、上記音声入力手段からの音声デー
タを所定時刻毎に音響分析して音響特徴ベクトルを出力
する音響分析手段と、音響モデルを記憶する音響モデル
記憶手段と、上記音響分析手段からの音響特徴ベクトル
と上記音響モデル記憶手段に記憶されている音響モデル
とから音節認識処理を行い最適な認識音節列を出力する
音節認識手段と、上記音節認識手段から出力される認識
音節列の中で話題が変わる話題遷移候補点を設定する話
題遷移候補点設定手段と、上記話題遷移候補点設定手段
により設定された話題遷移候補点で分割したそれぞれの
音節区間に適応する言語モデルを設定する言語モデル設
定手段と、話題を限定した言語モデルを記憶する複数の
言語モデル記憶手段と、上記複数の言語モデル記憶手段
に記憶された言語モデルのうち、上記言語モデル設定手
段により各音節区間でそれぞれ設定された言語モデルを
用いて最適な単語列を探索し、各音節区間で探索した単
語列より認識単語列を求めて認識結果として出力する単
語列探索手段とを備えたものである。

【００１２】また、条件付き確率を表す各音節区間の混
合行列を差分モデルとして記憶する差分モデル記憶手段
をさらに備え、上記単語列探索手段は、言語モデルに基
づく言語尤度に上記条件付き確率を乗算した確率が最大
になる単語列を探索することを特徴とするものである。

【００１３】また、言語モデルに対応するコーパスを記
憶する複数のコーパス記憶手段と、上記複数のコーパス
記憶手段に記憶されたコーパスのうち、各言語モデルに
対応したコーパスから言語モデルを特徴づける固有の値
を計算する計算手段とをさらに備え、上記単語列探索手
段は、言語モデルを用いて最適な単語列を探索する際
に、上記計算手段により計算された固有の値の関係を認
識仮説の尤度に乗算または加算した確率が最大となる単
語列を各音節区間毎に求めることを特徴とするものであ
る。

【００１４】さらに、上記計算手段は、固有の値とし
て、各言語モデルに対応したコーパスにおける平均トラ
イグラム確率を計算する平均トライグラム計算手段であ
ることを特徴とするものである。

【００１５】

【発明の実施の形態】実施の形態１．図１は、この発明
の実施の形態１に係る音声認識装置の構成図である。図
１において、１０１はユーザの発話した音声から音声デ
ータを取得する音声入力手段、１０２は入力した音声を
分析して音響特徴ベクトルを出力する音響分析手段、１
０３は音響モデルを記憶する音響モデル記憶手段、１０
４は音節認識手段、１０５は話題遷移候補点設定手段、
１０６は言語モデル設定手段、１０７は単語列探索手
段、１０８は差分モデル記憶手段、１０９−１〜１０９
−ｎは言語モデル記憶手段である。

【００１６】ここで、理解を容易にするために、まず、
最初に言語モデルが１つしか存在せず、話題遷移候補点
設定手段１０５と言語モデル設定手段１０６が存在しな
い従来の動作を文献１（Y. abe, H. Itsui, Y. Maruta,
K. Nakajima, “A Two-Stage Speech Recognition Met
hod with An Error Correction Model “ In Proc. Eur
ospeech'99， pp.443-446（1999））に基づいて説明す
る。

【００１７】図２は、話題遷移候補点設定手段１０５と
言語モデル設定手段１０６が存在しない従来の動作を説
明するフローチャートである。まず、音声入力手段１０
１は、ユーザの発話した音声を音声データの形で取得す
る（Ｓ０００１）。次に、音響分析手段１０２は、音声
データを所定時刻毎に音響分析して音響特徴ベクトルを
出力する（Ｓ０００２）。音節認識手段１０４は、音響
特徴ベクトルと音響モデル記憶手段１０３に記憶されて
いる音響モデルとから音節認識処理を行い、最適な認識
音節列Ｘⁱ＝｛ｘ₁，ｘ₂，．．．，ｘ_i｝を出力する（Ｓ
０００３）。

【００１８】ここで、ｘ_kは音節認識手段１０４が出力
する最小単位であり、通常は、“ａ”（あ）、“ｋａ”
（か）などの音節である。音節認識手段１０４が認識音
節列を出力する手続きについては、たとえば文献２（中
川聖一著「確率モデルによる音声認識」電子情報通信学
会，１９８８年）の２０ページから２６ページに開示さ
れているOne Pass DPアルゴリズムによって実現するこ
とが可能である。

【００１９】次に、単語列探索手段１０７は、式（１）
の確率Ｐ０を最大にするような単語列Ｗ^k＝｛ｗ₁，
ｗ₂，．．．，ｗ_k｝を最良優先探索アルゴリズムを用い
て探索する（Ｓ０００４）。

【００２０】 Ｐ０＝Ｐ（Ｘⁱ｜Ｙ^m）Ｐ（Ｗ^k） （１）

【００２１】ここで、Ｙ^m＝｛ｙ₁，ｙ₂，．．．，ｙ_m｝
は単語列Ｗ^kを音節表記した場合の音節表記列であり、
例えば、Ｗ^k＝｛今日，は、晴れ、です｝という単語列
であれば、Ｙ^m＝｛ｋｊｏ，ｏ，ｗａ，ｈａ，ｒｅ，ｄ
ｅ，ｓｕ｝となる。この場合、ｗ₁＝“今日”，ｗ₂＝
“は”，ｗ₃＝“晴れ”，ｗ₄＝“です”，ｋ＝4，ｙ₁＝
“ｋｊｏ”，ｙ₂＝“ｏ”，ｙ₃＝“ｗａ”，ｙ₄＝“ｈ
ａ”，ｙ₅＝“ｒｅ”，ｙ ₆＝“ｄｅ”，ｙ₇＝“ｓ
ｕ”，ｍ＝７である。単語の音節表記が確定していれ
ば、Ｗ^kが定まると、Ｙ^mは一意に決定する。

【００２２】式（１）において、Ｐ（Ｘⁱ｜Ｙ^m）は以下
のような意味をもっている。入力発声が「今日は晴れで
す」であっても、一般的には音節認識結果には誤りを含
み得るので、音声認識手段１０４が出力する音節列Ｘⁱ
は、たとえばＸⁱ＝｛ｔｏ，ｏ，ｗａ，ａ，ｒｅ，ｄ
ｅ，ｅ，ｓｕ｝「とうはあれでえす」となる。単語列仮
説がＷ^k＝｛“今日”，“は”，“晴れ”，“です”｝
であったとき、Ｐ（Ｘⁱ｜Ｙ ^m）は“ｋｊｏ，ｏ，ｏ，ｗ
ａ，ｈａ，ｒｅ，ｄｅ，ｓｕ”という音節列が“ｔｏ，
ｏ，ｗａ，ａ，ｒｅ，ｄｅ，ｅ，ｓｕ”という認識音節
列であるという条件付き確率を表わす。

【００２３】このような条件付き確率は、混同行列（co
nfusion matrix）と考えることができ、具体的には文献
１の式（６）で示されるように前もって学習データから
学習することによって値を計算しておくことができ、差
分モデル記憶手段１０５はこの混合行列を差分モデルと
して記憶する。

【００２４】一方、Ｐ（Ｗ^k）は言語モデルに基づく言
語尤度と呼ばれ、単語列Ｗ^k＝｛ｗ₁，ｗ₂，．．．，
ｗ_k｝が出現する言語的な確率を表わす。言語モデル
は、一般には単語の連鎖に対する制約を記述したもので
ある。従来、言語モデルとしてはＮグラムモデルと呼ば
れる、単語Ｎ個の連鎖の出現する確率を記述するモデル
が一般に用いられてきている。Ｎとして大きな値をとる
と、組み合わせの数が膨大となるので、通常、Ｎとして
は２，３などの値が用いられる。Ｎ＝２の場合をバイグ
ラム、Ｎ＝３の場合はトライグラムと呼ばれる。

【００２５】ここでは、トライグラムを例にとって説明
する。直前の出現単語列がｗ₁，ｗ₂だったとき、次の単
語がｗ₃である条件付確率Ｐ（ｗ₃｜ｗ_1,ｗ₂）をトライ
グラムの条件付確率と呼ぶ。この条件付確率をすべての
出現可能な単語列（ｗ₁，ｗ₂，ｗ₃）について保持した
もの（または計算可能にしたもの）がトライグラム言語
モデルである。この条件付確率は、通常、ある大きなデ
ータベースにおいて、実際に起きる事象をカウントする
ことによって得られる。

【００２６】言語モデル用のデータベースはコーパスと
呼ばれる。しばしば新聞などがその用途に用いられ、近
年は数百万文から構成される大規模コーパスがしばしば
利用されている。例えばトライグラムの場合、条件付確
率Ｐ（ｗ₃｜ｗ₁，ｗ₂）は、もっとも単純には単語列
（ｗ₁，ｗ₂，ｗ₃）がコーパス内に出現するカウント数
Ｎ（ｗ₁，ｗ₂，ｗ₃）を単語列（ｗ₁，ｗ₂）がコーパス
内に出現するカウント数Ｎ（ｗ₁，ｗ₂）で割ることによ
り得られる。

【００２７】すなわち、 Ｐ（ｗ₃｜ｗ₁，ｗ₂）＝Ｎ（ｗ₁，ｗ₂，ｗ₃）／Ｎ（ｗ₁，ｗ₂） （２） である。これを用いると、言語尤度Ｐ（Ｗ^k）は、 Ｐ（Ｗ^k） ＝Ｐ（ｗ₁，ｗ₂，．．．，ｗ_k） ＝Ｐ（ｗ₁｜＄，＄）Ｐ（ｗ₂｜＄，ｗ₁）Ｐ（ｗ₃｜ｗ₁，ｗ₂） ．．．Ｐ（ｗ_k｜ｗ_k-2，ｗ_k-1）Ｐ（＄｜ｗ_k-1，ｗ_k）Ｐ（＄｜ｗ_k，＄） （３） と表わすことができる。ここにおいて、＄は文頭または
文末を表現する記号である。

【００２８】最良優先探索アルゴリズムは、具体的には
文献３（「１段目の最適解と正解の差分傾向を考慮した
２段階探索法」、日本音響学会平成１０年秋季研究発表
会講演論文集Ｉ、pp.147-148）の２．２節に開示されて
いる。

【００２９】以上のようにして、各認識仮説Ｗ^kに対し
て式（１）の確率Ｐ０を計算し、最大の値を与えるよう
なＷ^kを求め、認識結果出力手段（図示していない）は
最終的な認識結果としてＷ^kを出力する（Ｓ０００
５）。

【００３０】次に、図３に示すフローチャートを用い
て、本実施の形態１に係る動作を説明する。音節認識手
段１０４が音節列Ｘⁱ＝｛ｘ₁，ｘ₂，．．．，ｘ_i｝を出
力するまでのステップ（Ｓ０００１）〜（Ｓ０００３）
は上述した説明と同様であるので省略する。次に、話題
遷移候補点設定手段１０５は、音節列の中で話題が変わ
る話題遷移候補点を仮に１組設定する（Ｓ１００１）。
たとえば、１つの発声内に許される話題数を３とする
と、話題遷移候補点は２つであり、Ｎ音節の場合には話
題遷移点の組み合わせは最大_N-1Ｃ₂で与えられるが、こ
のうちの１組を設定する。

【００３１】ここでは、音節ｘ_pとｘ_qを話題遷移候補点
として、音節列を話題遷移候補点で分割したそれぞれの
音節列をＸⁱ＝｛ｘ₁，ｘ₂，．．．，ｘ_i｝＝
｛ｘ₁，．．．，ｘ_p-1，ｘ_p，．．．，ｘ_q-1，
ｘ_q，．．．，ｘ_i｝＝｛Ｘⁱ¹，Ｘⁱ²，Ｘⁱ³｝と表現する
（図４（ａ）、（ｂ）参照）。

【００３２】次に、言語モデル設定手段１０６は、話題
遷移候補点で分割したそれぞれの音節区間に適応する言
語モデルを１組設定する（Ｓ１００２）。たとえば、ｘ
₁〜ｘ_p-1の音節区間に言語モデルＡ，ｘ_p〜ｘ_q-1の音節
区間に言語モデルＢ，ｘ_q〜ｘ_iの音節区間に言語モデル
Ｃを適応させるように設定する（図４（ｃ）参照）。し
たがって、言語モデルがＮ個ある場合には、言語モデル
の設定の仕方は話題遷移候補点が２つの場合Ｎ³通りあ
ることになるが、そのうちの１組を設定する。

【００３３】次に、単語列探索手段１０７は、各音節区
間で、それぞれ設定された言語モデルを用いて、最適な
単語列を求める（Ｓ１００３）。たとえば、図４に示す
ように、３つの区間に分割した場合、まず、音節ｘ₁〜
ｘ_p-1に対して、言語モデルＡについて単語列候補Ｗ^k1
＝｛ｗ^A ₁，ｗ^A ₂，．．．，ｗ^A _k1｝を仮定し、Ｐ（Ｘⁱ¹
｜Ｙ^m1）Ｐ（Ｗ^k1）を最大にするような単語列候補Ｗ^k1
を前述した手続きと同様な手続きで求める。同様に、音
節ｘ_p〜ｘ_q-1に対して、言語モデルＢについてＰ（Ｘⁱ²
｜Ｙ^m2）Ｐ（Ｗ^k2）を最大にするような単語列候補Ｗ^k2
＝｛ｗ^B ₁，ｗ^B ₂，．．．，ｗ^B _k2｝を求め、さらに、音
節ｘ_q〜ｘ_iに対して、言語モデルＣについてＰ（Ｘⁱ³｜
Ｙ^m3）Ｐ（Ｗ^k3）を最大にするような単語列候補Ｗ^k3＝
｛ｗ^C ₁，ｗ ^C ₂，．．．，ｗ^C _k2｝を求める。ここで、ｗ^A
などは単語ｗが言語モデルＡのものであると明示的に表
現している記号である。

【００３４】次に、単語列探索手段１０７は、それぞれ
の区間内で求めた単語列より、単語列Ｗ＝｛Ｗ^k1，
Ｗ^k2，Ｗ^k3，．．．｝を作成し、Ｐ０＝Ｐ（Ｘⁱ¹｜
Ｙ^m1）Ｐ（Ｗ ^k1）Ｐ（Ｘⁱ²｜Ｙ^m2）Ｐ（Ｗ^k2）Ｐ（Ｘⁱ³
｜Ｙ^m3）Ｐ（Ｗ^k3）．．．を求める（Ｓ１００４）。

【００３５】以上の処理を話題遷移候補点が定まってい
る下ですべての話題の組み合わせについて行い（Ｓ１０
０５，Ｓ１００６）、さらに、話題遷移候補点設定手段
１０５は、すべての話題遷移候補点の組み合わせについ
て行う（Ｓ１００７，Ｓ１００８）。最終的な認識結果
は、すべての組み合わせの中でＰ０を最大にするＷを与
える（Ｓ１００９）。

【００３６】以上のような処理により、１つの発声内で
話題が遷移して、最適な言語モデルの変更が必要な場合
でも高い認識性能をもつ音声認識装置を提供することが
できる。

【００３７】また、本実施の形態１では、文献１による
認識処理をもとに説明したが、その他の認識方式、例え
ばViterbiによる認識方式でも同様な処理が可能である
ことは言うまでもない。さらに、本実施の形態１では、
音節認識結果に対して話題遷移候補点を設定したが、音
声波形レベルにおいても話題遷移候補点を設けることも
可能である。この場合、予め定めた基本パターン（たと
えば、一定時間以上の無音区間など）と類似している音
声波形部分を話題遷移候補点と定めたり、発話から所定
時間経過した音声波形部分を話題遷移点と定めたりすれ
ばよい。また、音響特徴ベクトルのレベルにおいても同
様に話題遷移候補点を設けることも可能である。

【００３８】実施の形態２．次に、この発明の実施の形
態２について説明する。本実施の形態２は、１発話内
で、たとえば住所のみを扱う話題と新聞の内容の話題な
ど、言語モデル同士の複雑さが大きく異なる場合に有効
である。

【００３９】図５は、本実施の形態２に係る音声認識装
置を示す構成図である。図５において、図１に示す実施
の形態１と同一部分は同一符号を付してその説明は省略
する。新たな符号として、１１０は各言語モデルに対応
したコーパスから言語モデルを特徴づける固有の値とし
て平均トライグラム確率を計算する平均トライグラム確
率計算手段、１１１−１〜１１１−ｎは言語モデル記憶
手段１０９−１〜１０９−ｎにそれぞれ対応したコーパ
ス記憶手段である。また、図６は、本実施の形態２の動
作を示すフローチャートである。

【００４０】以下、図５と図６を用いて動作を説明す
る。まず、始めに、平均トライグラム確率計算手段１１
０は、各言語モデルに対応したコーパスから、固有の値
としての平均トライグラム確率を計算する（Ｓ２００
０）。すなわち、ある言語モデルＡ（これを１０９−Ａ
とする）に対応するコーパス記憶手段１１１−Ａについ
て、 Ｒ（Ａ）＝ΣＰ（ｗ^A _i+2｜ｗ^A _i，ｗ^A _i+1）／Ｎ₀ （４） を計算する。なお、Σはコーパスに存在するすべての単
語の３連鎖についてとり、Ｐ（ｗ^A _i+2｜ｗ^A _i，ｗ^A _i+1）
は対応する言語モデルの確率値、具体的には前述した式
（２）を用いる。また、Ｎ₀はコーパス記憶手段１１１
−Ａ内に存在する単語の３連鎖の総数（延べ数）であ
る。

【００４１】ここで、Ｒ（Ａ）の意味について説明す
る。言語モデル同士の複雑さが大きく違う場合には、単
語連鎖確率Ｐ（ｗ_i+2｜ｗ_i，ｗ_i+1）の確率はそれぞれ
の言語モデルによって大きく異なるため、その差を補正
する必要がある。すなわち、一般に、語彙が大きい場合
や，言い回しが多様な場合には、ｗ_iとｗ_i+1の次に来る
可能性がある単語種類は大きくなるため、Ｐ（ｗ_i+2｜
ｗ_i，ｗ_i+1）は小さくなり、語彙が小さいまたは言い回
しが固定の場合には、ｗ_iとｗ_i+1の次にくる単語種類は
限定されているため、Ｐ（ｗ_i+2｜ｗ_i，ｗ_i+1）は大き
くなる。

【００４２】たとえば、ｗ_i，ｗ_i+1の次に来る可能性の
ある単語ｗ_i+2が１０種類あり、それらが等しい確率で
あれば、Ｐ（ｗ_i+2｜ｗ_i，ｗ_i+1）＝０．１であるが、
ｗ_i，ｗ_i+1の次に来る可能性のある単語ｗ_i+2が１００
０種類あり、それらが等しい確率であればＰ（ｗ_i+2｜
ｗ_i，ｗ_i+1）＝０．００１となる。したがって、異なっ
た言語モデルを利用した仮説同士の言語尤度を比較する
場合、常に語彙が小さいまたは言い回しが固定的な言語
モデルを用いた方の言語尤度が大きくなるため、直接比
較が困難である。

【００４３】そこで、この偏りを解消するために、各言
語モデルの差を補正することが必要である。言語モデル
ＡとＢについて計算したＲ（Ａ）とＲ（Ｂ）は、大量の
データについて単語３連鎖の条件付き確率を計算する
と、言語モデルＡと言語モデルＢとでは平均的にＲ
（Ａ）とＲ（Ｂ）だけ異なっているということを意味し
ている。したがって、これを補正のための情報として用
いることができる。

【００４４】具体的には、言語モデルＢでの条件付き確
率Ｐ_B（ｗ^B _i+2｜ｗ^B _i，ｗ^B _i+1）にＲ（Ａ）／Ｒ（Ｂ）
をかけたＰ_B（ｗ^B _i+2｜ｗ^B _i，ｗ^B _i+1）Ｒ（Ａ）／Ｒ
（Ｂ）を計算する。この値が言語モデルＡでのＰ_A（ｗ^A
_i+2｜ｗ^A _i，ｗ^A _i+1）と比較しうる条件付確率になる。
この補正は、単語３連鎖の条件付き確率を計算するたび
に必要である。

【００４５】次の処理（Ｓ０００１）〜（Ｓ１００２）
までは実施の形態１と同様であるので説明を省略する。

【００４６】次に、単語列探索手段１０７は、各音節区
間内で設定された言語モデルを用い、最良優先探索アル
ゴリズムを用いて、以下のＰ１（ｎ）を最大とする第ｎ
音節区間内の単語列をそれぞれのｎについて求める（Ｓ
２００３）。

【００４７】 Ｐ１（ｎ） ＝Ｐ（Ｘⁱⁿ｜Ｙ^mn）Ｐ（Ｗ^kn）（Ｒ（１）／Ｒ（Ｌ_n））^kn （５） ここで、Ｌ_nは第ｎ音節区間内に設定される言語モデル
である。また、（Ｒ（１）／Ｒ（Ｌ_n））^knは（Ｒ
（１）／Ｒ（Ｌ_n））のｋｎ乗であり、言語モデルを特
徴づける固有の値の関係を示している。ｋｎは仮説単語
列Ｗ^knの単語数である。このようにすることで、全ての
仮説は言語モデル１と比較可能になる。

【００４８】次に、単語列探索手段１０７は、それぞれ
の区間内で求めた音節列候補より、単語列Ｗ＝｛Ｗ^k1，
Ｗ^k2，Ｗ^k3，．．．｝を作成し、 Ｐ１＝Ｐ１（１）×Ｐ（２）×Ｐ（３）．．． （６） を求める（Ｓ２００４）。

【００４９】以降の処理（Ｓ１００５）〜（Ｓ１００
８）は実施の形態１と同様であるので説明を省略する。
最終的な認識結果は、すべての組み合わせの中でＰ１を
最大にするＷ＝｛Ｗ^k1，Ｗ^k2，．．．｝を、最終的な認
識結果として与える（Ｓ２００９）。

【００５０】以上のような処理により、言語モデルが大
きく異なっている場合でも、相互に比較できるように補
正を加えたので、認識の性能がより向上する効果を奏す
る。

【００５１】また、本実施の形態では言語モデルを特徴
づけるＲ（Ａ）を確率Ｐ（Ｘⁱⁿ｜Ｙ ^mn）Ｐ（Ｗ^kn）に対
し乗算または除算したが、認識に対数尤度を用いる場合
には、加算または減算になる。

【００５２】以上述べた実施の形態１〜実施の形態２に
ついて、各手段はハードウエア・ソフトウエアのいずれ
でも構成できることはいうまでもない。また、ソフトウ
エアによって構成する場合には、そのソフトウエアプロ
グラムを記録した記録媒体が必要となる。

【００５３】

【発明の効果】以上のように、この発明によれば、話題
を限定した言語モデルを複数持ち、認識に用いる言語モ
デルを発話の途中で切り替えるようにしたので、話題が
発話中に変わっても認識性能を劣化させない音声認識装
置を提供することができる。

【００５４】また、条件付き確率を表す各音節区間の混
合行列を差分モデルとして記憶する差分モデル記憶手段
を備え、単語列探索手段により、言語モデルに基づく言
語尤度に上記条件付き確率を乗算した確率が最大になる
単語列を探索するようにしたので、言語モデルを用いて
最適な単語列を探索することができる。

【００５５】また、言語モデルに対応するコーパスを記
憶する複数のコーパス記憶手段と、上記複数のコーパス
記憶手段に記憶されたコーパスのうち、各言語モデルに
対応したコーパスから言語モデルを特徴づける固有の値
を計算する計算手段とを備え、単語列探索手段により、
言語モデルを用いて最適な単語列を探索する際に、上記
計算手段により計算された固有の値の関係を認識仮説の
尤度に乗算または加算した確率が最大となる単語列を各
音節区間毎に求めるようにしたので、言語モデルが大き
く異なっていても相互に比較するように補正を加えて認
識の性能を向上させることができる。

【００５６】さらに、上記計算手段は、固有の値とし
て、各言語モデルに対応したコーパスにおける平均トラ
イグラム確率を計算する平均トライグラム計算手段を用
いるようにしたので、各言語モデルに対応したコーパス
における固有の値として単語連鎖確率の平均値を求める
ことができる。

【図面の簡単な説明】

【図１】 この発明の実施の形態１に係る音声認識装置
を示す構成図である。

【図２】 図１において話題遷移候補点設定手段１０５
と言語モデル設定手段１０６が存在しない従来の動作を
説明するフローチャートである。

【図３】 この発明の実施の形態１に係る処理を説明す
るフローチャートである。

【図４】 図１の話題遷移候補点設定手段１０５と言語
モデル設定手段１０６における設定処理の説明図であ
る。

【図５】 この発明の実施の形態２に係る音声認識装置
を示す構成図である。

【図６】 この発明の実施の形態２に係る処理を説明す
るフローチャートである。

【図７】 従来の音声認識装置を示す構成図である。

【符号の説明】

１０１ 音声入力手段、１０２ 音響分析手段、１０３
音響モデル記憶手段、１０４ 音節認識手段、１０５
話題遷移候補点設定手段、１０６ 言語モデル設定手
段、１０７ 単語列探索手段、１０８ 差分モデル記憶
手段、１０９−１〜１０９−ｎ 言語モデル記憶手段、
１１０ 平均トライグラム確率計算手段、１１１−１〜
１１１−ｎ コーパス記憶手段。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 伍井 啓恭 東京都千代田区丸の内二丁目２番３号 三 菱電機株式会社内 Ｆターム(参考） 5D015 AA01 AA05 BB02 HH03 HH07 KK02 LL10

Claims (4)

【特許請求の範囲】
1. 【請求項１】 ユーザの発話した音声を音声データの形
   で取得する音声入力手段と、 上記音声入力手段からの音声データを所定時刻毎に音響
   分析して音響特徴ベクトルを出力する音響分析手段と、 音響モデルを記憶する音響モデル記憶手段と、 上記音響分析手段からの音響特徴ベクトルと上記音響モ
   デル記憶手段に記憶されている音響モデルとから音節認
   識処理を行い最適な認識音節列を出力する音節認識手段
   と、 上記音節認識手段から出力される認識音節列の中で話題
   が変わる話題遷移候補点を設定する話題遷移候補点設定
   手段と、 上記話題遷移候補点設定手段により設定された話題遷移
   候補点で分割したそれぞれの音節区間に適応する言語モ
   デルを設定する言語モデル設定手段と、 話題を限定した言語モデルを記憶する複数の言語モデル
   記憶手段と、 上記複数の言語モデル記憶手段に記憶された言語モデル
   のうち、上記言語モデル設定手段により各音節区間でそ
   れぞれ設定された言語モデルを用いて最適な単語列を探
   索し、各音節区間で探索した単語列より認識単語列を求
   めて認識結果として出力する単語列探索手段とを備えた
   音声認識装置。
2. 【請求項２】 請求項１に記載の音声認識装置におい
   て、 条件付き確率を表す各音節区間の混合行列を差分モデル
   として記憶する差分モデル記憶手段をさらに備え、 上記単語列探索手段は、言語モデルに基づく言語尤度に
   上記条件付き確率を乗算した確率が最大になる単語列を
   探索することを特徴とする音声認識装置。
3. 【請求項３】 請求項１または２に記載の音声認識装置
   において、 言語モデルに対応するコーパスを記憶する複数のコーパ
   ス記憶手段と、 上記複数のコーパス記憶手段に記憶されたコーパスのう
   ち、各言語モデルに対応したコーパスから言語モデルを
   特徴づける固有の値を計算する計算手段とをさらに備
   え、 上記単語列探索手段は、言語モデルを用いて最適な単語
   列を探索する際に、上記計算手段により計算された固有
   の値の関係を認識仮説の尤度に乗算または加算した確率
   が最大となる単語列を各音節区間毎に求めることを特徴
   とする音声認識装置。
4. 【請求項４】 請求項３に記載の音声認識装置におい
   て、 上記計算手段は、固有の値として、各言語モデルに対応
   したコーパスにおける平均トライグラム確率を計算する
   平均トライグラム計算手段であることを特徴とする音声
   認識装置。