JP2002311991A

JP2002311991A - 音声認識方法

Info

Publication number: JP2002311991A
Application number: JP2001120777A
Authority: JP
Inventors: Shuichi Matsumoto; 修一松本
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2001-04-19
Filing date: 2001-04-19
Publication date: 2002-10-25
Anticipated expiration: 2021-04-19
Also published as: JP4565768B2

Abstract

(57)【要約】【課題】音声入力におけるユーザの入力ステップ数
(キー操作回数)を減小し、かつ、正しいコマンドを入力
できるようにする。【解決手段】各候補単語が音声入力された単語である
確率を算出し、確率が最大の候補単語を音声入力単語で
あると認識する音声認識方法において、(1) 前記最大確
率と設定確率を比較し、(2) 最大確率が設定確率より大
きいとき、前記認識された単語に応じたコマンドを実行
し、(3) 該コマンドの取消しが指示されなければ、前記
設定確率を減小し、(4) 該コマンドの取消しが指示され
れば、コマンドの実行を取り消すと共に前記設定確率を
増大する。

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係わ
り、特に、各候補単語が音声入力された単語である確率
を算出し、確率が最大の候補単語を音声入力単語である
と認識する音声認識方法に関する。

【０００２】

【従来の技術】カーナビゲーションシステムの入力手段
としてリモコンや音声認識装置が使われており、これら
により、ユーザーは目的地の設定、周辺施設の検索な
ど、ナビゲーション操作の大半を実現することができ
る。特に、音声入力はリモコンのように画面を見る必要
がなく、しかも、キー操作が不要であり、有効な手段で
ある。音声認識方式には、尤もらしい候補単語のうち音
声入力された単語である確率が最大となる候補単語を認
識結果とする方法(確率モデルによる音声認識方法)があ
る。しかし、音声認識率は、音声入力時における車室内
のノイズやオーディオ音の有無、話者の違い、前後に接
続する音素の違い(調和結合)などにより大きく影響を受
け、100%の認識率を達成することができず、誤認識が発
生している。

【０００３】

【発明が解決しようとする課題】従来の確率モデルによ
る音声認識方法では、ユーザーが音声入力をした際、誤
認識しても候補単語群の中でも最も確率の高い単語をカ
ーナビゲーションシステムに入力する。カーナビゲーシ
ョンシステムは、この誤った認識単語をユーザーからの
コマンドとして受け取り、該認識単語を画面表示あるい
は音声ガイドでユーザに通知するが、正誤の確認をせず
該コマンドを実行する。そのため、ナビゲーションシス
テムは誤った動作をしてしまい、一つ前の元の状態に戻
す作業や再入力する必要が頻繁に生じ、使い勝手が悪い
問題がある。一方、音声入力のたびに毎回音声ガイドに
より認識単語が正しいか否かの確認をする方法もある。
かかる方法によれば、誤ってコマンドを実行することは
ないが、ユーザーの入力ステップ数(スイッチあるいは
キー操作回数)が増えてしまい、操作性が悪い問題があ
る。以上から本発明の目的は、ユーザーの入力ステップ
数を減小でき、しかも、正しいコマンドを指示できるよ
うにすることである。

【０００４】

【課題を解決するための手段】本発明は、各候補単語が
音声入力された単語である確率を算出し、確率が最大の
候補単語を音声入力単語であると認識する音声認識方法
であり、(1) 前記最大確率と設定確率を比較し、(2) 最
大確率が設定確率より大きいとき、前記認識された単語
に応じたコマンドの実行を指示し、(3) 実行されたコマ
ンドの取消しが指示されなければ前記設定確率を減小
し、(4) 該実行されたコマンドの取消しが指示されれば
前記設定確率を増大する。更に、(5) 最大確率が設定確
率より小さいとき、認識単語を表示し、あるいは音声出
力し、(6) 認識結果の誤りが入力されれば前記設定確率
を増大し、(7) 認識結果の正しさが入力されれば認識単
語に応じたコマンドの実行を指示すると共に、前記設定
確率を減小する。以上のようにすれば、ユーザーの入力
ステップ数(キーまたはスイッチ操作回数)を減小でき、
しかも、正しいコマンドをナビゲーションシステムに指
示することができる。

【０００５】

【発明の実施の形態】（Ａ）システム構成図１は本発明の音声認識システムよりナビゲーションシ
ステムに音声でコマンドを入力する場合のシステム構成
図である。音声認識システム１０において、マイクロホ
ン１１は話者音声を検出し、音響分析部１２はマイクロ
ホンより入力された音声波形データの分析、変換を行な
って、たとえば短時間スペクトル等の時系列データ（ベ
クトル系列）を発生する。音声辞書データベース１３
は、単語ＩＤに対応させて単語文字列及び該単語のスペ
クトル時系列データ（音声パターン）を保持する。音響
モデル記憶部１４は、各候補単語が音声入力された単語
である確率を算出するための音響モデルを記憶するもの
であり、たとえばHMM(Hidden Markov Model)法に基づい
て各単語や音素を標準的な確率状態遷移機械(マルコフ
モデル)で表現する。音声認識エンジン１５は、(1) パ
ターンマッチングにより入力音声と類似する複数の候補
単語を検索すると共に、(2) 各候補単語が音声入力され
た単語である確率を算出し、最大確率の候補音声を音声
入力単語であると認識し、(3) 該認識された単語と最大
確率とを音声ガイド制御部１６に入力する。音声ガイド
制御部１６は後述する認識単語のナビゲーションシステ
ムへの出力及び設定確率αの変更制御を行なう。

【０００６】ナビゲーションシステム２０において、プ
ロセッサ（ＣＰＵ）２１は、入力機器（たとえばリモコ
ン）２２あるいは音声認識システム１０からの指示にし
たがって所定のナビゲーション制御を行ない、車輌周辺
の地図、誘導経路、交差点拡大図等を表示部２３に表示
したり、交差点までの距離や交差点での進行方向をスピ
ーカ２４より出力する。又、プロセッサ２１は音声認識
システム１０から最大確率の高い単語が入力されて該単
語に応じたコマンドを実行した場合において、戻しボタ
ンが操作された時、コマンド実行前の状態に戻すと共に
該戻しボタンが操作されたことを音声認識システム１０
に通知する。又、プロセッサ２１はナビゲーションシス
テム１０から最大確率の低い単語が入力されたとき、入
力された単語の正誤を問うために該単語の表示あるいは
音声出力を行ない、正誤入力に応じた処理を実行する。
正誤入力、戻し入力は入力機器に設けたボタンを使用し
ても良いし、表示部２３に正誤入力メニュー、戻しメニ
ューを表示し、メニュー選択することにより行なっても
よい。

【０００７】（Ｂ）確率モデルによる音声認識方法図２は確率モデルによる音声認識方法の概略説明図であ
り、一般に音声認識システムは、図２に示すように、音
響分析部１２とそれに続く音声認識エンジン１５から成
り、音声検出部（マイクロホン）１１と音響分析部１２
を一つの音響チャネルとしてモデル化している。話者は
入力すべき単語ｗから、その話者の発話習慣に従って音
声波形ｓを生成して出力し、音声検出部１１は該話者音
声を検出して音響分析部１２に入力し、音響分析部１２
は音声波形データの分析・変換を行って、たとえば短時
間スペクトルなどの時系列データ(ベクトル系列)を取得
して音声認識エンジン１５に入力する。音声認識エンジ
ン１５は入力されたスペクトル時系列データから複数の
候補単語ｙを決定し、候補単語のうち確率が最大となる
候補単語を入力単語として推定し、推定値ｗ^∧を出力す
る。ｗ^∧はベイズ則(Bayes theorem)によって、次式を
満たすように推定される。

【０００８】Ｐ(w^∧|y)=max[Ｐ(y|w)Ｐ(w)／Ｐ(y)] (1) 上式において、Ｐ(y|w)は候補単語ｙが入力単語ｗであ
る確率(条件つき確率)、Ｐ(w)は単語ｗが発声される事
前確率である。上式において、Ｐ(y)はｗに無関係であ
るので無視することができ、条件つき確率Ｐ(y|w)は音
響モデルより得られ、事前確率 P(w)は言語モデルによ
り得られる。すなわち、音声認識エンジン１５は、(1)
パターンマッチングにより入力音声と類似する複数の候
補単語ｙを検索すると共に、(2) 各候補単語ｙが入力単
語ｗである確率Ｐ(y|w)を算出し、最大確率の候補単語
ｙを入力単語であると推定して推定値ｗ^∧を出力する。

【０００９】(1)式の条件つき確率Ｐ(y|W)を求めるため
の音響モデルとして隠れマルコフモデル(Hidden Markov
Model:HMM)があり、HMM法では、各単語を標準的な確率
状態遷移機械(マルコフモデル)で表現する。音声認識に
用いられるHMMは、left-to-right型で一つの初期状態と
一つの最終状態がある構造が多く、図３は最もよく用い
られるベイキス(Bakis)モデルとよばれる型の例であ
る。図３の状態遷移のアークに付けられた数値ａ_ijは、
状態ｑ_iから状態ｑ_jへの状態遷移確率を表し、状態数を
ＳとするとＳ×Ｓの行列で表現できる。通常、音声パタ
ーンには、時間的な非可逆性の性質があるから、ｉ＞ｊ
ならａ_ij=0であり、又、状態ｑ_iから全状態ｑ_j(j=1,
2,..)に移る状態遷移確率ａ_ij(j=1,2,..)の和は1.0であ
る。ｂ_ij(k)は状態ｑ_iから状態ｑ_jへの遷移で種々のス
ペクトルパターンがそれぞれ観測(出力)される出現確率
で、｛ｂ_ij(k)｝は出現確率行列とよばれ、出現確率行
列を構成する行列要素の和は1.0となる。

【００１０】図３における数値例は、以後の説明のため
に特に簡略化したものであり、出力シンボル(音素)を
{a,b}の二つに限り、図の[ ]内にａ，ｂそれぞれの出
現確率を示している。この例では、遷移確率行列は、

【数１】となり、初期状態確率π₁=1、π_i=0 (i>1),Ｆ={ｑ₄}で
ある。ｙ=y₁,y₂,・・・,y_rを候補単語ｙの出力シンボルの
観測系列、具体的にはスペクトルの時系列パターンとす
る。このとき、各HMMモデルによって候補単語ｙが音声
入力された単語である確率Ｐ(y|M)(MはHMMによって表現
される入力単語)を求め、最大確率を与える候補単語を
選んで、これを認識結果とする。

【００１１】図３の例ついて、候補単語ｙのシンボル系
列"ａｂｂ"が出力される確率を求める。状態遷移系列は
時間を横に状態を縦に並べた図４の平面で左上隅から右
下隅に至る経路に対応し、次の7通りである。 q₁→q₁→q₂→q₄Ｐ₁=0.008640 q₁→q₁→q₃→q₄Ｐ₂=0.006912 q₁→q₂→q₂→q₄Ｐ₃=0.029400 q₁→q₂→q₃→q₄Ｐ₄=0.012600 q₁→q₂→q₄→q₄Ｐ₅=0.075600 q₁→q₃→q₃→q₄Ｐ₆=0.001728 q₁→q₃→q₄→q₄Ｐ₇=0.038880 それぞれの確率Ｐ₁〜Ｐ₇は上に示す通りとなるので、ｙ
＝“ａｂｂ”が入力単語である確率は次式Ｐ(abb|M)＝Ｐ₁+Ｐ₂+Ｐ₃+Ｐ₄+Ｐ₅+Ｐ₆+Ｐ₇=0.17376 となる。同様に、候補単語ｙ′のシンボル系列"ａａｂ"
が出力される確率を求めると図５に示すようにＰ(aab|M)＝0.11598 となる。2つの候補ｙ，ｙ′のうち、確率が大きな候補
単語ｙを入力単語であると認識する。

【００１２】（Ｃ）本発明の音声認識処理図６は本発明の音声認識処理フローであり、点線内はナ
ビゲーションシステムが実行する処理である。ユーザが
音声入力すると（ステップ１０１）、マイクロホン１１
はユーザが発した音声を検出して音響分析部１２に入力
し、音響分析部１２は入力された音声波形データの分
析、変換を行なってスペクトル時系列データ（音声パタ
ーン）を音声認識エンジン１５に入力する。音声認識エ
ンジン１５は音声辞書データベース１３を参照して入力
された音声パターンと類似する音声パターンを有する複
数の候補を検索する（ステップ１０２）。ついで、音声
認識エンジン１５は隠れマルコフモデル(HMM)１４を用
いて各候補単語が入力単語である確率を演算し、最大確
率の候補単語を入力単語であると認識し、該単語と最大
確率を音声ガイド制御部１６に入力する(ステップ１０
３）。音声ガイド制御部１６は最大確率と設定確率αの
大小を比較し（ステップ１０４）、最大確率≧αであれ
ば、認識単語をナビゲーションシステム２０に入力する
と共に該単語に応じたコマンドを実行するよう指示す
る。これによりナビゲーションシステムは入力された単
語に応じたコマンドを実行する（ステップ１０５）。

【００１３】ユーザはナビゲーションシステムが音声指
示した通りの制御を行なえば戻しボタンの操作をせず、
一方、音声指示と異なる制御を行なえば戻しボタン操作
を行なう。したがって、プロセッサ２１は、コマンド実
行後所定時間内に戻しボタン操作があるかチェックし
（ステップ１０６）、戻しボタン操作があれば、コマン
ド実行前の状態に戻すと共に（ステップ１０７）、戻し
ボタン操作があったことを音声ガイド制御部１６に通知
する。又、プロセッサ２１はステップ１０６において戻
しボタン操作がなければその旨を音声ガイド制御部１６
に通知する。音声ガイド制御部１６は戻しボタン操作が
なければ、設定確率αを所定値Δα減小し（ステップ１
０８）、次の音声入力を待つ。このように、設定確率α
を小さくすれば、ステップ１０４において最大確率が設
定確率αより大きくなるケースが多くなり、音声入力だ
けでコマンドを実行することができるようになる。一
方、音声ガイド制御部１６は戻しボタン操作があったこ
とが通知されれば、設定確率を所定値Δα増加し（ステ
ップ１０９）、次の音声入力を待つ。このようにすれ
ば、該設定確率αがステップ１０８で小さくなり過ぎて
も、適正な値になるように補正することができる。

【００１４】ステップ１０４において、最大確率が設定
確率αより小さければ、音声ガイド制御部１６は認識単
語をナビゲーションシステム２０に入力すると共に該単
語を表示あるいは音声出力するよう指示する。これによ
りナビゲーションシステムのプロセッサ２１は入力され
た単語を表示部２３に表示し、あるいは音声出力し、認
識単語の正誤入力を待つ（ステップ１１０）。正誤入力
があれば、認識単語が誤りであったのか、正しかったの
かチェックし（ステップ１１１）、認識単語の誤りが入
力されれば、プロセッサ２１は音声ガイド制御部１６に
認識単語の誤りを通知する。これにより、音声ガイド制
御部１６は設定確率αを所定値Δα増加し（ステップ１
０９）、次の音声入力を待つ。このようにすれば、設定
確率が小さすぎる傾向にある場合でも該設定確率αを増
加して適正値に補正できる。

【００１５】一方、認識単語が正しければ、プロセッサ
２１は該認識単語に応じたコマンドを実行すると共に、
音声ガイド制御部１６に認識単語が正しいことを通知す
る（ステップ１１２）。これにより、音声ガイド制御部
１６は設定確率αを所定値Δα減小し（ステップ１０
８）、次の音声入力を待つ。このようにすれば、以後ス
テップ１０４において「YES」となってステップ１０５
でコマンドを実行する機会が多くなり、音声入力だけで
コマンドを実行することができるようになる。以上で
は、音声認識結果に基づいてナビゲーションシステムを
制御する場合について説明したが、本発明の音声認識方
法は任意の装置を音声入力制御する場合に適用できる。

【００１６】

【発明の効果】以上本発明によれば、各候補単語が音声
入力された単語である確率を算出し、確率が最大の候補
単語を音声入力単語であると認識する音声認識方法にお
いて、最大確率が設定確率より大きいとき、前記認識さ
れた単語に応じたコマンドの実行を指示し、実行された
コマンドの取消しが指示されなければ前記設定確率を減
小し、該実行されたコマンドの取消しが指示されれば前
記設定確率を増大するようにしたから、ユーザーの入力
ステップ数(キーまたはスイッチ操作回数)を減小でき、
しかも、音声入力単語を正しく認識して認識単語に応じ
たコマンドを指示することができる。また、本発明によ
れば、最大確率が設定確率より小さいとき、認識単語を
表示し、あるいは音声出力し、認識結果の誤りが入力さ
れれば前記設定確率を増大し、認識結果の正しさが入力
されれば認識単語に応じたコマンドの実行を指示すると
共に、前記設定確率を減小するようにしたから、ますま
すユーザーの入力ステップ数を減小でき、しかも、音声
入力単語を正しく認識して認識単語に応じたコマンドを
指示することができる。

【図面の簡単な説明】

【図１】本発明の音声認識システムよりナビゲーション
システムに音声でコマンドを入力する場合のシステム構
成図である。

【図２】確率モデルによる音声認識方法の概略説明図で
ある。

【図３】音声認識に用いられるHMMにおけるベイキス(Ba
kis)モデルの例である。

【図４】候補単語ｙ＝“ａｂｂ”の確率算出説明図であ
る。

【図５】候補単語ｙ′＝“ａａｂ”の確率算出説明図で
ある。

【図６】本発明の音声認識処理フローである。

【符号の説明】

１０・・音声認識システム１１・・マイクロホン１２・・音響分析部１３・・音声辞書データベース１４・・音響モデル記憶部１５・・音声認識エンジン１６・・音声ガイド制御部２０・・ナビゲーションシステム２１・・プロセッサ（ＣＰＵ）

Claims

【特許請求の範囲】

【請求項１】各候補単語が音声入力された単語である
確率を算出し、確率が最大の候補単語を音声入力単語で
あると認識する音声認識方法において、前記最大確率と設定確率を比較し、最大確率が設定確率より大きいとき、前記認識された単
語に応じたコマンドの実行を指示し、実行されたコマンドの取消しが指示されなければ前記設
定確率を減小し、該実行されたコマンドの取消しが指示されれば前記設定
確率を増大する、ことを特徴とする音声認識方法。
【請求項２】最大確率が設定確率より小さいとき、認
識単語を表示し、あるいは音声出力し、認識結果の誤りが入力されれば前記設定確率を増大し、認識結果の正しさが入力されれば認識単語に応じたコマ
ンドの実行を指示すると共に、前記設定確率を減小す
る、ことを特徴とする請求項１記載の音声認識方法。