JP2002268671A - 音声認識方法及び装置及び記憶媒体 - Google Patents

Abstract

(57)【要約】 【課題】音声認識対象となる語彙数を効果的に減少さ
せ、確実性の高い音声認識を実現する。 【解決手段】ステップＳ２０１〜Ｓ２０３により、入力
された音声信号から音声特徴量を抽出し、音声特徴量に
基づいて入力された音声信号を複数の部分音声信号に分
割する。ステップＳ２０７では、ステップＳ２０３で得
られた部分音声信号毎に音声認識を行なうが、この音声
認識において、部分音声信号毎に用いる対象語彙、すな
わち認識辞書を変更する（ステップＳ２１３）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識方法及び
その装置、及び、その音声認識方法を実施するプログラ
ムと、該プログラムを記憶した、コンピュータにより読
み取り可能な記憶媒体に関するものである。

【０００２】

【従来の技術】近年、音声信号を文、単語、音素などの
文字系列に変換する音声認識装置が開発されている。

【０００３】また、インターネットや電子メールの普及
に伴い、雑誌、電車の中吊り広告、食品の包装など様々
な場面で企業や個人のホームページのＵＲＬやメールア
ドレスが記載されていることが多い。そして、これらの
アドレスへコンピュータ等を用いてアクセスする場合に
は、その記載されたＵＲＬ或いはメールアドレスの文字
列を人が読み取り、これをキーボードを用いてタイピン
グするのが一般的である。

【０００４】

【発明が解決しようとする課題】しかしながら、例え
ば、携帯電話、ＰＤＡ、ノートブックコンピュータなど
の携帯端末を持って電車に乗っている際に、中吊り広告
に書かれているＵＲＬに対応するページをブラウジング
しようとすると、ＵＲＬの文字を１文字ずつ入力するこ
とはユーザに対して負担が大きい。特に携帯電話からの
キー入力は、キー数の制限等から非常に操作が煩わし
い。

【０００５】このような課題に対処するために、上述の
ような音声認識を利用し、音声によってＵＲＬやメール
アドレスを入力できるようにすることが挙げられる。し
かしながら、世の中に存在するＵＲＬやメールアドレス
の全てを音声認識の対象とする場合、語彙数が膨大にな
るため、実用に耐え得る音声認識性能を得ることは困難
である。

【０００６】本発明は上記の課題に鑑みてなされたもの
であり、音声認識対象となる語彙数を効果的に減少させ
て確実性の高い音声認識を実現することを目的とする。

【０００７】

【課題を解決するための手段】上記目的を達成するため
に本発明の音声認識方法は以下のような工程を備える。
即ち、入力された音声信号を複数の部分音声信号に分割
する分割手段と、前記分割手段によって得られた部分音
声信号毎に音声認識を行なう認識手段と、前記認識手段
における部分音声信号毎の音声認識において、認識に用
いる対象語彙を変更する変更手段とを備える。

【０００８】また、上記目的を達成するために本発明の
音声認識装置は以下のような構成を備える。即ち、入力
された音声信号を複数の部分音声信号に分割する分割工
程と、前記分割工程によって得られた部分音声信号毎に
音声認識を行なう認識工程と、前記認識工程における部
分音声信号毎の音声認識において、認識に用いる対象語
彙を変更する変更工程とを備える。

【０００９】

【発明の実施の形態】以下、添付図面を参照して本発明
の好適な実施の形態を詳細に説明する。

【００１０】＜第１実施形態＞ ［音声認識装置の概要］図１は、第１実施形態１に係る
音声認識装置の構成を示すブロック図である。図１にお
いて、１０１はＣＰＵで、ＲＯＭ１０２に記憶された制
御プログラム或いは外部記憶装置１０４からＲＡＭ１０
３にロードされた制御プログラムに従って、本実施形態
の音声認識装置における各種制御を行う。ＲＯＭ１０２
は各種パラメータやＣＰＵ１０１が実行する制御プログ
ラムなどを格納している。ＲＡＭ１０３は、ＣＰＵ１０
１による各種制御の実行時に作業領域を提供するととも
に、ＣＰＵ１０１により実行される制御プログラムを記
憶する。

【００１１】１０４は外部記憶装置であり、ハードディ
スク、フロッピー（登録商標）ディスク、ＣＤ−ＲＯ
Ｍ、ＤＶＤ−ＲＯＭ、メモリカード等のいずれか一つ或
いは複数で構成される。例えば、外部記憶装置１０４と
してハードディスクを用いた場合には、ＣＤ−ＲＯＭや
フロッピーディスク等からインストールされた各種プロ
グラムが記憶されることになる。

【００１２】１０５は利用者の音声を取得するためのマ
イクロフォンなどの音響入力装置である。１０６はキー
ボード、マウス、ペン、スイッチ、タッチパネルなどの
補助入力装置であり、音声認識結果の正誤判断、音声入
力時の単語区切り時点の設定、音声認識結果の修正、複
数候補の音声認識結果の選択などを行う。１０７は液晶
やＣＲＴ等の表示部で、ＣＰＵ１０１の制御により音声
認識結果、ＵＲＬに対応するページ等の各種データの表
示を行う。１０８はスピーカ等の補助出力装置であり、
音声認識結果の確認等ディスプレイ以外の出力形態によ
ってシステムからの応答を行う。１０９は上記各部を接
続するバスである。

【００１３】図２は、本実施形態による音声認識処理の
動作概要を説明する流れ図である。本実施形態の音声認
識処理においては、まず、発声された音声信号をその特
徴量に基づいて部分音声に分割する。そして、部分音声
毎に順次認識処理を実行していき、部分音声の認識結果
に応じて次の部分音声の認識に用いる音声認識辞書を変
更していく。なお、以下に示す各機能は、ＣＰＵ１０１
がＲＯＭ１０２或いはＲＡＭ１０３に格納された制御プ
ログラムを実行することにより実現される。

【００１４】まず、ステップＳ２０１において音声入力
を行なう。ここでは、マイクロフォンなどの音響入力装
置１０５から利用者の音声の取りこみを行う。次にステ
ップＳ２０２において、ステップS201で入力された音声
入力について音声特徴量の抽出を行なう。この処理は、
入力音声の部分音声への分割や、部分音声の認識を行う
際に必要となる特徴量を抽出するものであり、例えば、
パワー、零交差回数、ケプストラム等の音声の特徴量を
上記入力音声から計算する。

【００１５】ステップＳ２０３では、音声特徴量抽出部
２０２によって抽出された音声特徴量を用いて、発声さ
れた音声（入力音声）をＮ個の部分音声S(1), S(2),
... ,S(N)に分割する。このステップＳ２０３における
部分音声分割処理の手順については後述する。ここで
は、Ｎ個の部分音声に分割されたものとして以下の説明
を行なう。

【００１６】ステップＳ２０４では、初期音声認識辞書
を設定する。ここでは、Ｎ個の部分音声のうちの、時系
列的に最後の最後の部分音声S(N)を認識するのに用いる
音声認識辞書を認識辞書セット２０９から選択し、後述
の部分音声認識処理（ステップＳ２０７）で用いる音声
認識辞書２０８に設定する。なお、本実施形態では、こ
の最終の部分音声に対応する認識辞書は予め決められて
いるとする。

【００１７】ステップＳ２０５では、カウンタｉを部分
音声の分割数Ｎに設定（ｉ＝Ｎ）する。ステップＳ２０
６では、カウンタｉが１以上であるか否かを判断する。
ここで、ｉが１以上であれば、ステップＳ２０７に進
み、ｉ番目の部分音声S(i)に対する音声特徴量を入力と
して、音声認識辞書２０８および音響モデル２１０を用
いた音声認識を行う。最初の処理では、ｉ＝Ｎとなって
おり、部分音声S(N)の音声認識が行われることになり、
このとき音声認識辞書２０８はステップＳ２０４で初期
設定されたものである。

【００１８】次に、ステップＳ２１１では、ステップＳ
２０７の部分音声認識処理から出力される部分音声S(i)
に対する音声認識結果の確定を行う。続く、ステップＳ
２１２では、カウンタｉから１を減じる。そしてステッ
プＳ２１３において、音声認識辞書の再設定を行なう。
この音声認識辞書再設定処理では、ステップＳ２１１に
おける認識結果確定処理において確定された音声認識結
果に基づいて、次の部分音声S(i)を認識する際に用いる
音声認識辞書を認識辞書セット２０９から選択し、音声
認識辞書２０８に設定する。そして、処理をステップＳ
２０６に戻し、上記処理を繰り返す。

【００１９】一方、ステップＳ２０６においてi≧１で
ないと判定された場合はステップＳ２１４へ進む。この
場合、全ての部分音声について認識処理を終えているこ
とになるので、S(1), S(2), ..., S(N)の順に部分音声
の認識結果を出力する。

【００２０】［部分音声への分割処理（１）］図３は、
www.tokkyo.co.jp（ダブリューダブリューダブリュー＿
トッキョ＿シーオー＿ジェーピー）という音声を４つの
部分音声、S(1)（ダブリューダブリュー）、S(2)（トッ
キョ）、S(3)（シーオー）、S(4)（ジェーピー）に分割
した様子を示す概念図である。入力音声から、S(1)、 S
(2)、 S(3)、 S(4)の部分音声区間を決定するいくつか
の方法を次に説明する。

【００２１】図４は、入力音声を一定数（ｎ＝Ｎ）の部
分音声に分割するための簡単なアルゴリズムのフローチ
ャートである。このアルゴリズムは、音声波形のパワー
を音声特徴量として利用し、所定のパワーの閾値Ｐを連
続して超えた時間長が所定の継続時間長Ｄを超えた区間
を部分音声と判定する。

【００２２】ステップＳ３０１において、時刻に関する
カウンタｔ、継続時間長に関するカウンタｄ、検出部分
音声数に関するカウンタｎをそれぞれ０に設定する。次
にステップＳ３０２において、時刻ｔにおける音声波形
のパワーＰ(t)が所定のパワーの閾値Ｐより大きいか否
かを判定する。大きい場合は音声区間であると判定し、
ステップＳ３０３でカウンタｄに１を加え、更にステッ
プＳ３０４でカウンタｔに１を加えてステップ３０２に
戻る。

【００２３】一方、ステップＳ３０２でＰ(t)が閾値Ｐ
以下の場合は、非音声区間であると判定し、ステップＳ
３０５へ進む。ステップＳ３０５では、ｄが所定の継続
時間長Ｄより大きいか否かを判定する。ここでｄがＤ以
下の場合は部分音声の終了点ではないとし、ステップＳ
３０４へ進み、カウンタｔに１を加えてステップＳ３０
２に戻る。一方、ステップＳ３０５においてｄがＤより
大きい場合は、当該位置が部分音声の終了点であると判
定し、ステップＳ３０６に進む。ステップＳ３０６では
カウンタｎに１を加えるとともに、カウンタｄを０に設
定する。次に、ステップＳ３０７において、ｎが所定の
部分音声数Ｎと等しければ処理を終了し、等しくない場
合はステップＳ３０４へ進む。なお、図４のステップＳ
３０２でＰ(t)が閾値Ｐより大きいと判定される継続時
間長が所定の制限時間以上となる、すなわち入力信号レ
ベルが大きすぎる場合、もしくは、閾値Ｐ以下と判定さ
れた継続時間長が所定の制限時間以上となる、すなわち
入力信号レベルが小さすぎる場合は、タイムアウトとし
て図４の処理を終了するという処理を含めてもよい。ま
た、これら２種類の制限時間の設定値は異なっていても
よいものとする。

【００２４】［部分音声への分割処理（２）］図５は、
入力音声を所定の数（Ｎ１≦ｎ≦Ｎ２）の部分音声に分
割するためのアルゴリズムによるフローチャートであ
る。このアルゴリズムは、図４のアルゴリズムと基本的
には同じであるが、分割数が一意に決まっていないた
め、分割数がＮ１以上かつ非音声区間の継続時間が一定
長Ｋ以上となった場合に分割処理を終了する処理が含ま
れている。

【００２５】ステップＳ４０１において、時刻に関する
カウンタｔ、継続時間長に関するカウンタｄ、検出部分
音声数に関するカウンタｎ、分割処理終了のための継続
時間長に関するカウンタｋをそれぞれ０に設定する。次
にステップＳ４０２において、時刻ｔにおける音声波形
のパワーＰ(t)が所定のパワーの閾値Ｐより大きいか否
かを判定する。大きい場合は音声区間であると判定し、
ステップＳ４０３でカウンタｄに１を加え、カウンタｋ
を０に設定する。そしてステップＳ４０４でカウンタｔ
に１を加え、ステップＳ４０２に戻る。

【００２６】一方、ステップＳ４０２でＰ(t)がＰ以下
と判定された場合は、非音声区間であると判定し、ステ
ップＳ４０５に進む。ステップＳ４０５では、カウンタ
ｄが所定の継続時間長Ｄより大きいか否かを判定する。
カウンタｄがＤより大きい場合は、部分音声の終了点で
あると判定し、ステップＳ４０６において部分音声区間
を数えるカウンタｎに１を加え、ｄを０に設定する。次
に、ステップＳ４０７において、ｎが所定の最大部分音
声数Ｎ２と等しければ処理を終了する。ｎがＮ２と等し
くない場合はステップＳ４０４へ進み、カウンタｔに１
を加え、ステップＳ４０２に戻る。

【００２７】ステップＳ４０５においてｄがＤ以下の場
合は部分音声の終了点ではないと判定しステップＳ４０
８に進む。ステップＳ４０８では、カウンタｋに１を加
える。次に、ステップＳ４０９に進み、ｋが分割処理終
了のための所定の継続時間長Ｋより大きく、かつｎが最
小部分音声数Ｎ１以上であれば処理を終了する。この条
件を満たさない場合は、分割処理は終了していないと判
定し、ステップＳ４０４へ進む。なお、ｎが最小部分音
声数Ｎ１より小さくても、図５のステップＳ４０２でＰ
(t)が閾値Ｐより大きいと判定される継続時間長が所定
の制限時間以上となる、すなわち入力信号レベルが大き
すぎる場合、もしくは、閾値Ｐ以下と判定された継続時
間長が所定の制限時間以上となる、すなわち入力信号レ
ベルが小さすぎる場合は、タイムアウトとして図５の処
理を終了するという処理を含めてもよい。また、これら
２種類の制限時間の設定値は異なっていてもよいものと
する。

【００２８】以上の様な手順により、入力音声をＮ個
の、またはＮ２〜Ｎ１個の部分音声に分割することがで
きる。

【００２９】［音声認識辞書の再設定について］次に、
ステップＳ２１３における音声認識辞書の再設定につい
て詳しく説明する。

【００３０】図６は、インターネットのＵＲＬを音声認
識する際に用いる音声認識辞書セットの一例を示す図で
ある。４つの列の項目は、それぞれ、単語ＩＤ６０１、
表記６０２、発音６０３、次の部分音声の認識に用いる
辞書ＩＤ６０４を表す。例として、www.tokkyo.co.jp
（ダブリューダブリューダブリュー トッキョ シーオ
ー ジェーピー）という音声を４つの部分音声S(1)（ダ
ブリューダブリュー）、S(2)（トッキョ）、S(3)（シー
オー）、S(4)（ジェーピー）に分割された場合の、ステ
ップＳ２１３における辞書の設定の流れを説明する。

【００３１】まず、図２のステップＳ２０４における、
初期音声認識辞書の設定では、図６の音声認識辞書１を
用いるように設定される。ここで、部分音声S(4)の認識
結果が単語ＩＤ“000001”の“jp”であるとステップＳ
２１１において確定されたとする。この場合、ステップ
Ｓ２１３において、この確定された単語の４列目、すな
わち辞書ＩＤ６０４を参照すると、“２”が設定されて
いるので、次の部分音声の認識に用いる辞書が音声認識
辞書２であることが分かる。そこで、ステップＳ２１３
では、辞書セット２０９から音声認識辞書２を選び、音
声認識辞書２０８に設定する。

【００３２】こうして、次の部分音声S(3)の認識は音声
認識辞書２を用いて行われることになる。そしてその認
識結果が単語ＩＤ“000001”の“co”であると確定され
た場合、上記と同様に、この単語の辞書ＩＤを参照して
次の部分音声S(2)を処理するための辞書を選ぶ。ここで
は、辞書ＩＤ“３”が登録されており、部分音声S(2)を
認識する際に用いる辞書は音声認識辞書３であることが
分かる。

【００３３】以下、同様の手順を繰り返すことによっ
て、S(4)、 S(3)、 S(2)、 S(1)の順に認識辞書を認識
結果に応じて変更しながら、音声認識を実行する。４列
目に辞書ＩＤがない認識辞書（図６では音声認識辞書１
０００、１００１）はこれ以降単語がつながらない、す
なわち、先頭の部分音声であることを示す。

【００３４】以上のようにして、語彙数が制限された適
切な辞書を切換えて用いるので、音声認識の信頼性が向
上する。すなわち、複数の部分音声信号の認識に用いる
対象語彙が階層構造を有している場合に、上位階層の対
象語彙を含む部分音声信号から順に、これに対応する認
識辞書を用いて音声認識を行なうので、対象語彙を効果
的に絞り込むとともに、適切な認識辞書を用いて音声認
識を行なえる。特に、上記実施形態が認識対象とするＵ
ＲＬ（後述のメールアドレスも同様）においては、複数
の部分音声信号について、時系列的に後ろから順に音声
認識を行なうことにより、上位階層の対象語彙を含む部
分音声信号から順に処理を行なえることになる。

【００３５】なお、上記実施形態において、音声認識辞
書は、アプリケーションサービスプロバイダなどのサー
ビス提供者、利用者などによって用意される。また、単
語に対する読みは、人手もしくは、テキスト音声規則合
成などで用いられる読み付け処理などを用いて自動で付
与することができる。また、単語に対する読みは、例え
ば、wwwの場合、ダブリューダブリューダブリューとダ
ブリュースリーなど複数を与えてもよい。

【００３６】［メールアドレスの音声認識について］上
記実施形態ではインターネットのＵＲＬを音声認識の対
象としていたが、認識辞書を変更することによって、同
様の手順で電子メールのアドレスを音声認識により入力
することが可能となる。図７は、入力音声（ヤマダバツ
バツ トッキョ シーオー ジェーピー）を部分音声に
分割した結果を示す概念図である。部分音声への分割
は、上記実施形態と同じアルゴリズムを用いることによ
り実現できる。

【００３７】図８は、電子メールアドレス用の音声認識
辞書セットの一例を示す図である。ここで、音声認識辞
書１０００はtokkyo.co.jpというドメインに属している
アカウント名のリストであり、音声認識辞書１００１is
yo.co.jpというドメインに属しているアカウント名のリ
ストである。この結果、ドメインを規定しない場合の認
識対象アカウント名は莫大な数になるのに対して、本実
施形態を用いることにより、認識対象アカウント名を大
きく減らせるため、高い認識性能を得ることが可能とな
る。

【００３８】［マニュアル操作信号を用いた部分音声分
割処理の例］上記実施形態では、入力音声の特徴量のう
ちのパワーを用いて部分音声区間の検出を行なった。し
かしながら、部分音声への分割は、このような特徴量を
利用したものに限られない。更に、以下に説明するよう
に、音声入力時における操作入力によって明示的に分割
位置を指示するようにししてもよい。

【００３９】図９は、発声された音声信号を利用者によ
るボタン押下情報を用いて部分音声に分割し、音声認識
を行なう処理の動作概要を説明する流れ図である。基本
的な流れは図２と同様である。すなわち、ステップＳ６
０１〜Ｓ６０７、Ｓ６１１〜Ｓ６１４、６０８〜６１０
はそれぞれ図２のステップＳ２０１〜Ｓ２０７、Ｓ２１
１〜Ｓ２１４及び２０８〜２１０に対応する。但し、図
９では、ステップＳ６０３における部分音声への分割処
理において、ボタン押下検出部６１５で検出されたボタ
ン押下タイミングが用いられる。

【００４０】図１０はボタン押下情報を用いて音声信号
を分割する処理の概念を示す図である。図１０におい
て、上段は利用者が発声した入力音声信号、下段は利用
者によって押下されたボタン押下のタイミングを示す。
ここで、ボタン押下は、発声と同時に行ってもよいし、
一旦音声を入力した後、スピーカーなどの補助出力装置
１０８から入力音声を確認しながらボタンを押下しても
よい。このように、ボタン押下検出部６１５により、利
用者が部分音声の区切りとしてボタンを押下したタイミ
ングを検出し、このタイミング情報をもとに、音声入力
部６０１で取りこまれる入力音声を部分音声に分割す
る。なお、このとき、ボタン押下の時間間隔が所定時間
以上ある場合に、当該ボタン押下を部分音声の区切りと
するような条件を加えてもよい。

【００４１】なお、図９を参照して説明した上記実施形
態では、ボタン押下のイベント情報を用いて入力音声を
部分音声に分割しているが、イベント情報としては、ボ
タン以外に、キーボード、マウス、ペンなどの手段を用
いてもよいことは明らかである。

【００４２】［音声認識を利用した部分音声分割処理の
例］入力音声の部分音声への分割に関して、上記実施形
態では部分音声への分割処理として、図４または図５の
アルゴリズムに示されるように、波形のパワーを音声特
徴量として用いて分割を行う方法（ステップＳ２０
３）、マニュアル操作による分割位置の指示による方法
（ステップＳ６０３）説明したが、更に、音声認識手法
に基づいて分割することも可能である。以下、音声認識
を利用した入力音声の部分音声への分割について説明す
る。

【００４３】図１１は、音声認識手法を用いて入力音声
を部分音声に分割する処理を説明する図である。音声特
徴量としては、例えば、ＬＰＣケプストラム、デルタＬ
ＰＣケプストラム、パワー、デルタパワーを用いる。こ
の音声特徴量の時系列の入力に対して、音声認識部５０
０では、部分音声検出用認識辞書５０１と音響モデル５
０２を用いて認識を行う。この際に、認識結果と共に、
認識辞書に記述されている単語もしくは音素もしくは音
素を構成する状態系列の時間情報を保持する。次に、部
分音声区間算出部５０３において、音声認識部５００で
保持された時間情報を参照することによって、入力音声
を部分音声に分割する。

【００４４】図１２は、音声認識手法を用いて入力音声
を部分音声に分割する際に用いる部分音声検出用認識辞
書５０１のデータ例を示す図である。３つの列の項目
は、それぞれ、単語列ＩＤ１２０１、表記１２０２、発
音状態系列１２０３を表す。例えば、ＵＲＬ４１はwww.
tokkyo.co.jpのように４つの単語（ｗ１〜ｗ４）からＵ
ＲＬが構成され、かつドット（．）の部分をｔ１（例え
ば「ドット」）と発音される発声を認識するための単語
列のエントリである。ＵＲＬ４２は、ＵＲＬ４１と同様
に４つの単語からＵＲＬが構成されるが、ドット（．）
の部分はｔ２（例えば「テン」）と発音される発声を認
識するための単語列のエントリである。また、ＵＲＬ３
１は、www.xxxx.comのように３つの単語からＵＲＬが構
成され、かつドット（．）の部分をｔ１（例えば「ドッ
ト」）と発音される発声を認識するための単語列のエン
トリである。ここで、ｗ１、ｗ２、ｗ３…は、wwwやtok
kyoといった単語ではなく、可能性のある単語を全て受
け付けるガーベッジモデルなどの音響モデルに対応させ
た表記である。また、ｗ１、ｗ２、ｗ３…は別々の音響
モデルでもよいし、同一のモデルでもよい。

【００４５】図１３は、図１２に示した単語列ＩＤに対
する発音状態系列を１単語１状態の隠れマルコフモデル
として表現したモデル連鎖の例を示す。ここで、ｓとｅ
は開始ノード、終了ノードを表す。なお、音声認識を行
う場合、これらの状態系列の先頭と終了部分に無音モデ
ルを挿入する。

【００４６】図１４は、図１２、図１３に示した音声認
識方法を用いて、音声認識部５００によって入力音声を
認識した場合に得られる状態系列の時間情報を表す図で
ある。３つの列の項目は、それぞれ、開始フレーム（時
間）、終了フレーム（時間）、図１３に示される発音状
態名を表す。部分音声区間算出部５０３では、この結果
を利用して、入力音声を部分音声に分割する。

【００４７】図１５は、図１４の認識結果を用いた場合
の、入力音声（ダブリューダブリューダブリュートッキ
ョシーオージェーピー）を部分音声に分割した結果を示
す概念図である。入力音声信号の第１フレームから第４
フレームが無音の区間（ｓｉｌ）である。状態ｗ１とし
て検出された第５から第１９フレームは図１５のS(1)の
区間を決定している。このように、部分音声区間算出部
５０３では、音声認識部５００の認識結果（図１４）を
用いて入力音声を部分音声へ分割し、得られた部分音声
を用いてステップＳ２０４（Ｓ６０４）以降の音声認識
処理を行なう。

【００４８】図１６は、音声認識手法を用いて入力音声
を部分音声に分割する際に用いる区切り用単語（ｔ１）
を複数状態の隠れマルコフモデルで表現したモデル連鎖
の例を表す。この例の中段では、ｔ１の部分をd-o-Q-t-
o（ドット）という音素モデルの連鎖で表現している。
また、下段は、更に１つの音素を複数（３状態）のモデ
ル連鎖で表現した例である。

【００４９】図１７は、音声認識手法を用いて入力音声
を部分音声に分割する際に用いる区切り用単語（ｔ１）
の開始及び最終状態に、状態スキップ付きの無音モデル
（sil）を挿入した場合のモデル連鎖の例である。この
ような構造とすることで、ｗ１とｔ１、ｔ１とｗ２など
の間にポーズ（無音）を挿入しても、しなくても認識す
ることが可能となる。

【００５０】以上説明した本実施形態によれば、世の中
に存在するＵＲＬやメールアドレスを音声で精度良く入
力することが可能になる。

【００５１】［他の実施形態］図６、図８で示した音声
認識辞書は尤度や確率付きにしてもよい。この際、尤度
は、ヒット数、利用者のプリファレンス、ＧＰＳなどか
ら得られる利用者の位置情報等に基づいて与える。この
場合、単語iに対する入力音声の音響尤度Ｌa(i)と、尤
度付きの音声認識辞書から得られる単語iの言語尤度Ｌw
(i)の和、La(i)+Lw(i)の値が最も大きいものを認識結果
とする。ここで、言語尤度Lw(i)に対して、任意の値の
重みkを乗じたLa(i)+k・Lw(i)の値を用いてもよいとす
る。このように、言語知識や事前知識を利用することに
よって、より高精度に音声認識を行うことが可能とな
る。

【００５２】また、図２、図９で示した実施形態では、
音声認識辞書再設定部で、１つ前の認識結果に基づいて
次回の音声認識辞書を決定していたが、過去の複数単語
の認識結果に基づいて次回の音声認識辞書を決定するよ
うにしてもよい。この場合、複数単語に接続可能な語彙
を認識対象とする音声認識辞書が必要となる。１つ前の
認識結果に基づいて次回の音声認識辞書を決定する場
合、例えば、"ac"という単語の前には世界の大学名が接
続可能となるが、２つ前の認識結果が"ac.jp"である場
合、日本の大学名のみを認識対象語彙とすればよいこと
から、音声認識性能を向上させることが可能となる。

【００５３】また、図２、図９に示した実施形態におい
て、音声認識辞書に含まれる単語制約の元に音声認識を
行っていたが、音素や音節の音声認識を行い、認識結果
とマッチする単語を音声認識辞書の中から選択するとい
う方法で認識を行ってもよい。例えば、"トッキョ"とい
う発声を音節認識した結果、"トッキュ"という結果が得
られたとする。この場合、音声認識辞書に含まれる単語
に対してカタカナ表記でＤＰマッチングを取ることによ
って、"トッキョ"が最も近いと判定された場合、"tokky
o"を正しく入力することが可能となる。単語制約の元で
の音声認識を行う場合と比べて、音素や音節認識は、認
識単語数が多い場合に、ＣＰＵ負荷やメモリを節約でき
るとう効果がある。

【００５４】更に、上記実施形態では、ＵＲＬやメール
アドレス中の“tokkyo”を“トッキョ”とう読みで登録
しているが、アルファベットの綴り“ティーオーケーケ
ーワイオー”といった形態で登録しておいてもよい。

【００５５】また、本発明の目的は、前述した実施形態
の機能を実現するソフトウェアのプログラムコードを記
録した記憶媒体を、システムあるいは装置に供給し、そ
のシステムあるいは装置のコンピュータ(またはCPUやMP
U)が記憶媒体に格納されたプログラムコードを読出し実
行することによっても達成される。この場合、記憶媒体
から読出されたプログラムコード自体が前述した実施形
態の機能を実現することになり、そのプログラムコード
を記憶した記憶媒体は本発明を構成することになる。こ
のようなプログラムコードを供給するための記憶媒体と
しては、例えば、フロッピディスク、ハードディスク、
光ディスク、光磁気ディスク、CD-ROM、CD-R、 DVD、
磁気テープ、不揮発性のメモリカード、 ROMなどを用い
ることができる。

【００５６】また、コンピュータが読出したプログラム
コードを実行することにより、前述した実施形態の機能
が実現されるだけでなく、そのプログラムコードの指示
に基づき、コンピュータ上で稼働しているOS(オペレー
ティングシステム)などが実際の処理の一部または全部
を行い、その処理によって前述した実施形態の機能が実
現される場合も含まれる。

【００５７】さらに、記憶媒体から読出されたプログラ
ムコードが、コンピュータに挿入された機能拡張ボード
やコンピュータに接続された機能拡張ユニットに備わる
メモリに書込まれた後、そのプログラムコードの指示に
基づき、その機能拡張ボードや機能拡張ユニットに備わ
るCPUなどが実際の処理の一部または全部を行い、その
処理によって前述した実施形態の機能が実現される場合
も含まれる。

【００５８】

【発明の効果】以上説明したように、本発明によれば、
音声認識対象となる語彙数を効果的に減少させることが
でき、確実性の高い音声認識を実現することができる。

【図面の簡単な説明】

【図１】実施形態に係る音声認識装置のハードウェア構
成を示したブロック図である。

【図２】実施形態に係る音声認識装置が実装されている
システム、サービスもしくは製品において、入力手段と
して音声のみを用いた場合の音声認識処理の概要を説明
する流れ図である。

【図３】入力音声（ＵＲＬ）を部分音声に分割した結果
を示す概念図である。

【図４】入力音声を一定数（ｎ＝Ｎ）の部分音声に分割
するアルゴリズムの一例を示すフローチャートである。

【図５】入力音声を所定範囲数（Ｎ１＜＝ｎ＜＝Ｎ２）
の部分音声に分割するアルゴリズムの一例を示すフロー
チャートである。

【図６】インターネットのＵＲＬを音声認識する際に用
いる音声認識辞書の一例を示す図である。

【図７】入力音声（メールアドレス）を部分音声に分割
した結果を示す概念図である。

【図８】電子メールアドレスを音声認識する際に用いる
音声認識辞書の一例を示す図である。

【図９】実施形態に係る音声認識装置が実装されている
システム、サービスもしくは製品において、入力手段と
して音声とボタンを併用した場合の音声認識処理の概要
を説明する流れ図である。

【図１０】音声とボタンを併用して入力音声を部分音声
に分割した結果を示す概念図である。

【図１１】音声認識手法を用いて入力音声を部分音声に
分割する概略構成を示したブロック図である。

【図１２】音声認識手法を用いて入力音声を部分音声に
分割する際に用いる部分音声検出用認識辞書の一例を示
す図である。

【図１３】音声認識手法を用いて入力音声を部分音声に
分割する際に用いる１単語を１状態の隠れマルコフモデ
ルで表現したモデル連鎖の例を示す図である。

【図１４】音声認識手法を用いて入力音声を部分音声に
分割した結果の一例を示す図である。

【図１５】図１４の認識結果を用いて入力音声を部分音
声に分割した結果を示す概念図である。

【図１６】音声認識手法を用いて入力音声を部分音声に
分割する際に用いる区切り用単語（ｔ１）を複数状態の
隠れマルコフモデルで表現したモデル連鎖の例を示す図
である。

【図１７】音声認識手法を用いて入力音声を部分音声に
分割する際に用いる区切り用単語(t1)の開始及び最終状
態に、状態スキップ付きの無音モデル(sil)を挿入した
場合のモデル連鎖の例を示す図である。

───────────────────────────────────────────────────── 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 ５７１Ｇ 15/28 15/24

Claims (22)

【特許請求の範囲】
1. 【請求項１】 入力された音声信号を複数の部分音声信
   号に分割する分割手段と、 前記分割手段によって得られた部分音声信号毎に音声認
   識を行なう認識手段と、 前記認識手段における部分音声信号毎の音声認識におい
   て、認識に用いる対象語彙を変更する変更手段とを備え
   ることを特徴とする音声認識装置。
2. 【請求項２】 前記複数の部分音声信号の認識に用いる
   対象語彙は階層構造を有し、 前記認識手段は、上位階層の対象語彙が用いられる部分
   音声信号から順に音声認識を行なうことを特徴とする請
   求項１に記載の音声認識装置。
3. 【請求項３】 前記認識手段は、前記複数の部分音声信
   号について、時系列的に後ろから順に音声認識を行なう
   ことを特徴とする請求項１に記載の音声認識装置。
4. 【請求項４】 入力された音声信号から特徴量を抽出す
   る抽出手段を更に備え、 前記分割手段は、前記抽出手段で抽出された特徴量に基
   づいて前記音声信号を部分音声信号へ分割することを特
   徴とする請求項１に記載の音声認識装置。
5. 【請求項５】 前記分割手段は、前記音声信号のパワー
   レベルが所定期間にわたって所定値を越える部分を抽出
   することにより音声信号を分割することを特徴とする請
   求項４に記載の音声認識装置。
6. 【請求項６】 前記分割手段は、音声入力時における所
   定の操作信号の入力タイミングに基づいて前記音声信号
   を分割することを特徴とする請求項１に記載の音声認識
   装置。
7. 【請求項７】 前記分割手段は、前記抽出手段で抽出さ
   れた特徴量に基づいて音声認識処理を実行し、認識され
   た各単語の発声時間長に基づいて該音声信号を分割する
   ことを特徴とする請求項４に記載の音声認識装置。
8. 【請求項８】 前記分割手段の音声認識処理において、
   単語の区切りを表す単語の開始及び終了に状態スキップ
   付きの無音モデルが挿入されることを特徴とする請求項
   ７に記載の音声認識装置。
9. 【請求項９】 前記変更手段は、部分音声信号毎に前記
   認識手段が用いる認識辞書を変更することを特徴とする
   請求項１に記載の音声認識装置。
10. 【請求項１０】 前記認識辞書は、各認識パターン毎に
    次に使用すべき認識辞書を指定する指定情報を含み、 前記変更手段は、前記認識手段によって認識された認識
    パターンに対応する前記指定情報に従って次の部分音声
    の認識に用いる認識辞書を決定することを特徴とする請
    求項９に記載の音声認識装置。
11. 【請求項１１】 入力された音声信号を複数の部分音声
    信号に分割する分割工程と、 前記分割工程によって得られた部分音声信号毎に音声認
    識を行なう認識工程と、 前記認識工程における部分音声信号毎の音声認識におい
    て、認識に用いる対象語彙を変更する変更工程とを備え
    ることを特徴とする音声認識方法。
12. 【請求項１２】 前記複数の部分音声信号の認識に用い
    る対象語彙は階層構造を有し、 前記認識工程は、上位階層の対象語彙が用いられる部分
    音声信号から順に音声認識を行なうことを特徴とする請
    求項１１に記載の音声認識方法。
13. 【請求項１３】 前記認識工程は、前記複数の部分音声
    信号について、時系列的に後ろから順に音声認識を行な
    うことを特徴とする請求項１１に記載の音声認識方法。
14. 【請求項１４】 入力された音声信号から特徴量を抽出
    する抽出工程を更に備え、 前記分割工程は、前記抽出工程で抽出された特徴量に基
    づいて前記音声信号を部分音声信号へ分割することを特
    徴とする請求項１１に記載の音声認識方法。
15. 【請求項１５】 前記分割工程は、前記音声信号のパワ
    ーレベルが所定期間にわたって所定値を越える部分を抽
    出することにより音声信号を分割することを特徴とする
    請求項１４に記載の音声認識方法。
16. 【請求項１６】 前記分割工程は、音声入力時における
    所定の操作信号の入力タイミングに基づいて前記音声信
    号を分割することを特徴とする請求項１１に記載の音声
    認識方法。
17. 【請求項１７】 前記分割工程は、前記抽出工程で抽出
    された特徴量に基づいて音声認識処理を実行し、認識さ
    れた各単語の発声時間長に基づいて該音声信号を分割す
    ることを特徴とする請求項１４に記載の音声認識方法。
18. 【請求項１８】 前記分割工程の音声認識処理におい
    て、単語の区切りを表す単語の開始及び終了に状態スキ
    ップ付きの無音モデルが挿入されることを特徴とする請
    求項１７に記載の音声認識方法。
19. 【請求項１９】 前記変更工程は、部分音声信号毎に前
    記認識工程が用いる認識辞書を変更することを特徴とす
    る請求項１１に記載の音声認識方法。
20. 【請求項２０】 前記認識辞書は、各認識パターン毎に
    次に使用すべき認識辞書を指定する指定情報を含み、 前記変更工程は、前記認識工程によって認識された認識
    パターンに対応する前記指定情報に従って次の部分音声
    の認識に用いる認識辞書を決定することを特徴とする請
    求項１９に記載の音声認識方法。
21. 【請求項２１】 請求項１１乃至２０のいずれかに記載
    の音声認識方法をコンピュータによって実現するための
    プログラム。
22. 【請求項２２】 請求項１１乃至２０のいずれかに記載
    の音声認識方法をコンピュータによって実現するための
    プログラムを格納する記憶媒体。