JP2006163440A - 音声認識方法及び音声認識装置及びその記憶媒体 - Google Patents

Abstract

【課題】少数のデータでも十分な適応を行う話者適応法を簡便な処理で実現する音声認識方法を提供すること。
【解決手段】本発明の音声認識方法は、入力音声より特徴パラメータ系列を抽出する過程Ｓ１２と、適応を行うときには第１の音響モデルのパラメータを読込む過程Ｓ１４と、第１の学習パラメータセットを作成する過程Ｓ１５と、第２の学習パラメータセットを作成する過程Ｓ１６と、第１の学習パラメータセットおよび第２の学習パラメータセットから適応パラメータを算出する過程Ｓ１７と、適応パラメータを用い第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する過程Ｓ１８と、認識を行うときには第１の音響モデルまたは第２の音響モデルのいずれかを選択する過程Ｓ１１０と、選択された音響モデルを用いて特徴パラメータの系列と照合する過程Ｓ１１１とを有することとした。
【選択図】図１

Description

本発明は、誰の声でも認識できる不特定話者音声認識技術に関し、特に認識率が低い話者に対する認識率をその話者の音声を用いて認識率を高めるように適応化する話者適応化機能を有する音声認識方法及び音声認識装置及びその記憶媒体に関する。

従来、音声認識における話者適応法の技術として例えば、下記の特許文献１に記載されたものが知られている。

図９は、従来技術の話者適応法の処理フロー図を示す。

図９に示すように、従来技術による話者適応法は、第１の公知技術であるＭＬＬＲ法（例えば、非特許文献１を参照）および第２公知技術であるＭＡＰ推定法（例えば、非特許文献２を参照）とを組合わせたものである。この組合せにより、上記第１の公知技術であるＭＬＬＲ法では学習データが少数の場合に十分な適応が行われない問題の解決を図っている。
特許第３０３５２３９号公報 「C.L.Leggetter et al., "Maximum Likelihood Linear Regression for Speaker Adaptation of Continuous Density Hidden Markov Models",Computer Speech and Language,Vol.9,pp.171-185,1995年」 「C.H.Lee et al., "A Study on Speaker Adaptation of the Parameters of Continuous Density Hidden Markov Models",IEEE Transactions on Signal Processing,Vol.39,No.4,pp.806-814,1991年」

しかしながら、従来技術の話者適応法では、ＭＬＬＲ法とＭＡＰ推定法という２つの学習アルゴリズムを使用することになるので、処理が極めて複雑であるという問題があった。

本発明は、このような従来の問題を解決するためになされたもので、少数のデータでも十分な適応を行う話者適応法を簡便な処理で実現する音声認識方法及び音声認識装置及びその記憶媒体を提供するものである。

また、本発明の音声認識装置は、入力した音声を分析して特徴パラメータ系列を抽出する特徴パラメータ抽出手段と、適応前の不特定話者用としてあらかじめ作成してある第１の音響モデルのパラメータを記憶する第１の記憶手段と、第１の音響モデルのパラメータより第１の学習パラメータセットを作成する第１の学習パラメータセット作成手段と、特徴パラメータ系列および第１の音響モデルのパラメータ系列より第２の学習パラメータセットを作成する第２の学習パラメータセット作成手段と、第１の学習パラメータセットおよび第２のパラメータセットを併合する併合手段と、併合手段により得られた第３の学習パラメータセットから重回帰分析法により適応パラメータを算出する適応パラメータ作成手段と、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する音響モデルパラメータ変換手段と、第２の音響モデルのパラメータを記憶する第２の記憶手段とを備えたことを特徴とする。

この構成により、入力された特徴量ベクトルの系列とモデルのパラメータ系列との間の時間軸上での対応付けがなされた学習パラメータセットが得られ、精度の良い適応パラメータの推定ができる。

また、本発明の音声認識装置は、音響モデルが連続分布ＨＭＭまたは連続ＨＭＭを近似したＨＭＭでモデル化される音響モデルであり、音響モデルのパラメータが音響モデルにおける平均ベクトルであり、学習パラメータセットの個々の要素がベクトルの対の形で構成され、特徴パラメータ系列と音響モデルのパラメータ系列との間でViterbi法またはDP法またはBaum-Welch法による時間軸の整合方法を用いてベクトル対の確定をしながら学習パラメータセットを作成することとした。

この構成により、学習話者数が少ない場合でも、安定した話者適応機能を有する音声認識装置を提供することができる。

また、本発明の音声認識装置において、第１の学習パラメータセット作成手段は、第１の音響モデルのパラメータより第１の学習パラメータセットを学習の初回発声時に限り作成し、さらに、併合手段は、学習の初回発声時に限り第１の学習パラメータセットおよび第２のパラメータセットを併合することを特徴とする。

この構成により、入力された特徴量ベクトルの系列とモデルのパラメータ系列との間の時間軸上での対応付けがなされた学習パラメータセットが得られ、精度の良い適応パラメータの推定ができる。

また、本発明の音声認識装置は、認識に際して第１の音響モデルまたは第２の音響モデルのどちらを用いて認識するかを判定する手段をさらに備えた構成とした。

この構成により、学習サンプルが少なすぎる場合には不特定話者の音響モデルを用いた自動的に行われ性能が安定した音声認識装置を提供することができる。

また、本発明の音声認識装置は、認識に際しては第１の音響モデルに対する照合結果および第２の音響モデルに対する照合結果を得る照合手段さらにを備えた構成とした。

この構成により、適応パラメータの推定を、最尤を規準に実施することができ、精度の良い適応パラメータの推定ができる。

本発明の他の局面に係る音声認識方法は、入力した音声を分析して特徴パラメータ系列を抽出する過程と、適応前の不特定話者用としてあらかじめ作成してある第１の音響モデルのパラメータを読込む過程と、第１の音響モデルのパラメータより第１の学習パラメータセットを作成する過程と、特徴パラメータ系列および第１の音響モデルのパラメータ系列より第２の学習パラメータセットを作成する過程と、第１の学習パラメータセットおよび第２のパラメータセットを併合する過程と、併合する過程により得られた第３の学習パラメータセットから重回帰分析法により適応パラメータを算出する過程と、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する過程と、第２の音響モデルのパラメータを記憶する過程とを備えたことを特徴とする。

本発明のさらに他の局面に係る音声認識記憶媒体は、入力した音声を分析して特徴パラメータ系列を抽出する過程と、適応前の不特定話者用としてあらかじめ作成してある第１の音響モデルのパラメータを読込む過程と、第１の音響モデルのパラメータより第１の学習パラメータセットを作成する過程と、特徴パラメータ系列および第１の音響モデルのパラメータ系列より第２の学習パラメータセットを作成する過程と、第１の学習パラメータセットおよび第２のパラメータセットを併合する過程と、併合する過程により得られた第３の学習パラメータセットから重回帰分析法により適応パラメータを算出する過程と、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する過程と、第２の音響モデルのパラメータを記憶する過程とを備えた音声認識方法のプログラムを記憶し、プログラムをコンピュータより読み取り可能とすることを特徴とする。

以上のように本発明は、不特定話者の音響モデルから作成される第１の学習パラメータセットと入力信号の特徴パラメータと不特定話者の音響モデルから作成される第２の学習パラメータセットを併合して得られる第３の学習パラメータセットを用いて適応パラメータを求めることにより、少数の学習データでも安定した話者適応を簡便な処理で実現する音声認識方法を提供することができる。

以下、本発明の実施の形態について、図面を用いて説明する。

図１は、本発明の第１の実施形態の音声認識方法のフローチャートを示す。

図１において、Ｓ１１は音声を入力する過程であり、Ｓ１２は入力した音声を分析して特徴パラメータ系列を抽出する過程である。Ｓ１３において適応モードか認識モードの選択をする。Ｓ１４はあらかじめ作成してある不特定話者用の音響モデルである第１の音響モデルのパラメータを読込む過程、Ｓ１５は第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して第１の学習パラメータセットを作成する過程であり、Ｓ１６は特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して第２の学習パラメータセットを作成する過程であり、Ｓ１７は第１の学習パラメータセットおよび第２のパラメータセットから適応パラメータを算出する過程であり、Ｓ１８は適応パラメータを用いた重回帰モデル（後述）に基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルを作成する過程であり、Ｓ１９は第２の音響モデルのパラメータを記憶する過程である。Ｓ１４からＳ１９までの過程を経て作成される第２の音響モデルを適応後のパラメータとして得ることにより適応処理を行う。

認識時には、第１の音響モデルまたは第２の音響モデルのいずれかを選択する過程Ｓ１１０と、選択された音響モデルを用いて特徴パラメータの系列と照合を行う過程Ｓ１１１と、照合結果から認識結果を決定する過程Ｓ１１２と、認識結果を出力する過程Ｓ１１３の過程を経て音声認識を行う。

適応時に第１の学習パラメータセットと第２のパラメータの学習パラメータセットを併合したパラメータセットを用いて適応パラメータを最尤推定により求める。パラメータの併合により、不特定話者の音響モデルのパラメータが事前に学習サンプルに含まれているため、学習話者が少ない場合でも精度の良い適応パラメータを安定して求めることができる。

図２は、本発明の第２の実施形態の音声認識装置の構成図を示す。

図２において、入力した音声を音響分析部２１にて分析して、特徴パラメータ抽出部２２において特徴パラメータ系列を抽出する。切り替えスイッチ２３により「適応モード」または「認識モード」の切り替えを行う。まず「適応モード」の場合について説明する。第１の記憶装置２４には適応前の不特定話者用音響モデルとしてあらかじめ作成してある第１の音響モデルのパラメータを格納している。第１の記憶装置２４から読み出した第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して、第１の学習パラメータセット作成部２５により第１の学習パラメータセットを作成する。特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して、第２の学習パラメータセット作成部２６により第２の学習パラメータセットを作成する。第１の学習パラメータセットおよび第２のパラメータセットを学習パラメータセット併合部２７で併合する。学習パラメータセット併合部２７により得られた第３の学習用パラメータセットから重回帰分析法により適応パラメータ作成部２８により適応パラメータを算出し第２の記憶装置２９に格納する。音響モデル変換部２１０では、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成し第３の記憶装置２１１に格納する。

次に、「認識モード」の場合における構成及び動作について説明する。特徴パラメータ抽出部２２で抽出した特徴パラメータは、照合部２１２にて制御部２１４および音響モデル選択部２１５により選択される音響モデルとの照合スコアが求められ結果判定部２１７により最終結果が得られる。

学習パラメータセット併合部２７を設け学習パラメータセットの中に不特定話者用の音響モデルを含ませておくことにより、学習データが少ない場合でも、精度の良い適応パラメータを安定して得ることができる。

図３は、本発明の第３の実施形態の音声認識方法のフローチャートを示す。

第１の実施形態では学習音声の提示を何発声分か行った後で認識をすることを想定しているが、この実施形態においては、逐次学習が可能な構成を示している。

図３において、Ｓ３１は音声を入力する過程であり、Ｓ３２は入力した音声を分析して特徴パラメータ系列を抽出する過程である。Ｓ３３において適応モードか認識モードの選択をする。Ｓ３４はあらかじめ作成してある不特定話者用の音響モデルである第１の音響モデルのパラメータを読込む過程、分岐Ｓ３５にて学習の初回であるかどうかを調べ、初回の場合のみ第１の学習パラメータセット作成過程Ｓ３６にて第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して第１の学習パラメータセットを作成する。Ｓ３７は特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して第２の学習パラメータセットを作成する過程であり、Ｓ３８は逐次学習のために必要な中間パラメータを作成する過程である。Ｓ３９は第１の学習パラメータセットおよび第２のパラメータセットから適応パラメータを算出する過程である、Ｓ３１０は適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルを作成する過程であり、Ｓ３１１は第２の音響モデルを記憶する過程である。Ｓ３４からＳ３１１までの過程を経て作成される第２音響モデルを適応後のパラメータとして得ることにより逐次型適応における１発声当たりの適応処理を行う。

認識時には、第１の音響モデルまたは第２の音響モデルのいずれかを選択する過程Ｓ３１２と、選択された音響モデルを用いて特徴パラメータの系列と照合を行う過程Ｓ３１３と照合結果から認識結果を決定する過程Ｓ３１４と、認識結果を出力する過程Ｓ３１５過程を経て音声認識を行う。

前記説明の通り、第３の実施形態の方法により第１の学習パラメータセットの作成を適応の初回発声時にのみ行うとともに、逐次型の適応に必要な中間パラメータを発声毎に保存しておくことにより、適応パラメータの更新を発声毎に行うことが可能となり、逐次型の学習を実現することができる。

図４は、本発明の第４実施形態の音声認識装置の構成図を示す。

この実施形態では逐次型の適応が可能な音声認識装置の構成例を示している。

図４において、入力した音声を音響分析部４１にて分析して、特徴パラメータ抽出部４２において特徴パラメータ系列を抽出する。切り替えスイッチ４３により「適応モード」または「認識モード」の切り替えを行う。

まず「適応モード」の場合について説明する。第１の記憶装置４４には適応前の不特定話者用音響モデルとしてあらかじめ作成してある第１の音響モデルのパラメータを格納している。第１の記憶装置４４から読み出した第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して、第１の学習パラメータセット作成部４５により第１の学習パラメータセットを作成する。この操作は仮想スイッチ４３、４８１により、学習の初回発声時にのみ行う。特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して、第２の学習パラメータセット作成部４６により第２の学習パラメータセットを作成する。学習パラメータセット併合部４７では学習の初回発声時にのみ第１及び第２の学習パラメータセットの併合を行う。

学習パラメータセット併合部４７または第２の学習パラメータセット作成部４６で得られた第２の学習用パラメータセットから重回帰分析法により適応パラメータ作成部４８により適応パラメータを算出し第２の記憶装置４９に格納する。音響モデル変換部４１０では、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成し第３の記憶装置４１１に格納する。

次に、「認識モード」の場合の構成及び動作について説明する。特徴パラメータ抽出部４２で抽出された特徴パラメータは、照合部４１２にて制御部４１４および音響モデル選択部４１５により選択される音響モデルとの照合スコアが求められ結果判定部４１７により最終結果が得られる。

学習パラメータセット併合部４７を設け学習パラメータセットの中に不特定話者用の音響モデルを含ませておくことにより、学習データが少ない場合でも、精度の良い適応パラメータを安定に得ることができることに加え、学習の初回発声時のみ第１の学習パラメータセットを第２の学習パラメータセットに加え、初回以外の発声時には適応パラメータの更新を発声毎に行うことにより、逐次型の適応を実現することが可能になる。

図５は、本発明の第５の実施形態の音声認識方法のフローチャートを示す。

この実施形態では第３の実施形態の構成で可能となった逐次学習に加えて音響モデルの選択的な制御機能を認識処理に新たに付加することにより、極端に学習サンプルが少ない場合における認識性能の安定化を図る方法の例を示している。

図５において、Ｓ５１は音声を入力する過程であり、Ｓ５２は入力した音声を分析して特徴パラメータ系列を抽出する過程である。Ｓ５３において適応モードか認識モードの選択をする。Ｓ５４はあらかじめ作成してある不特定話者用の音響モデルである第１の音響モデルのパラメータを読込む過程、分岐Ｓ５５にて学習の初回であるかどうかを調べ、初回の場合のみ第１の学習パラメータセット作成過程Ｓ５６にて第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して第１の学習パラメータセットを作成する。Ｓ５７は特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して第２の学習パラメータセットを作成する過程であり、Ｓ５８は逐次学習のために必要な中間パラメータを作成する過程である。Ｓ５９は第１の学習パラメータセットおよび第２のパラメータセットから適応パラメータを算出する過程である、Ｓ５１０は適応パラメータを用いた重回帰モデル（後述）に基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルを作成する過程であり、Ｓ５１１は第２の音響モデルを記憶する過程である。Ｓ５４からＳ５１１までの過程を経て作成される第２音響モデルを適応後のパラメータとして得ることにより逐次型適応における１発声当たりの適応処理を行う。

認識時には、第１の音響モデルまたは第２の音響モデルのいずれを選択するかを判定する過程Ｓ５１２と、選択を制御する過程Ｓ５１３とにより、選択された音響モデルを用いて特徴パラメータの系列と照合を行う過程Ｓ５１４と、照合結果から認識結果を決定する過程Ｓ５１５と、認識結果を出力する過程Ｓ５１６の過程を経て認識処理を行う。

前記説明の通り、第５の実施形態の方法により第１の学習パラメータセットの作成を適応の初回発声時にのみ行うとともに、逐次型の適応に必要な中間パラメータを発声毎に保存しておくことにより、適応パラメータの更新を発声毎に行うことが可能となり、逐次型の学習を実現することができる。

上述の実施形態では音響モデルの選択的な制御機能Ｓ５１２および選択制御Ｓ５１３を認識処理に新たに付加することにより、極端に学習サンプルが少ない場合における認識性能の安定化を図ることが可能になる。

図６は、本発明の第６の実施形態の音声認識装置の構成図を示す。

この実施形態では逐次型の適応が可能な音声認識装置であって、学習サンプルが極端に少ない場合における認識性能の安定化を図ることを目的に構成した例を示している。

図６において、入力した音声を音響分析部６１にて分析して、特徴パラメータ抽出部６２において特徴パラメータ系列を抽出する。切り替えスイッチ６３により「適応モード」または「認識モード」の切り替えを行う。まず「適応モード」の場合について説明する。第１の記憶装置６４には適応前の不特定話者用音響モデルとしてあらかじめ作成してある第１の音響モデルのパラメータを格納している。第１の記憶装置６４から読み出した第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して、第１の学習パラメータセット作成部６５により第１の学習パラメータセットを作成する。この操作は仮想スイッチ６３、６８１により、学習の初回発声時にのみ行う。特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して、第２の学習パラメータセット作成部６６により第２の学習パラメータセットを作成する。学習パラメータセット併合部６７では学習の初回発声時にのみ第１及び第２の学習パラメータセットの併合を行う。

学習パラメータセット併合部６７または第２の学習パラメータセット作成部６６で得られた学習用パラメータセットから重回帰分析法により適応パラメータ作成部６８により適応パラメータを算出し第２の記憶装置６９に格納する。音響モデル変換部６１１では、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成し第３の記憶装置６１２に格納する。

次に、「認識モード」の場合について説明する。特徴パラメータ抽出部６２で抽出された特徴パラメータは、照合部６１２にて、制御部６１４および判定部６１５および音響モデル選択部６１６により選択される音響モデルとの照合スコアが求められ結果判定部６１７により最終結果が得られる。

この実施形態では、第４の実施形態の構成で可能となった逐次学習に加えて音響モデルの選択的な制御機能を制御部６１４および結果判定部６１５で実現し、認識処理に新たに付加することにより、極端に学習サンプルが少ない場合における認識性能の安定化を図ることが可能となる。

図７は、本発明の第７の実施形態の音声認識方法のフローチャートを示す。

この実施形態では第３の実施形態の構成で可能となった逐次学習に加えて例えば逐次学習の途中で話者が変わった場合でも極端な認識性能の低下を防ぐ構成を実現している。

図７において、Ｓ７１は音声を入力する過程であり、Ｓ７２は入力した音声を分析して特徴パラメータ系列を抽出する過程である。Ｓ７３において適応モードか認識モードの選択をする。Ｓ７４はあらかじめ作成してある不特定話者用の音響モデルである第１の音響モデルのパラメータを読込む過程、分岐Ｓ７５にて学習の初回であるかどうかを調べ初回の場合のみ第１の学習パラメータセット作成過程Ｓ７６にて第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して第１の学習パラメータセットを作成する。Ｓ７７は特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して第２の学習パラメータセットを作成する過程であり、Ｓ７８は逐次学習のために必要な中間パラメータを作成する過程である。Ｓ７９は第１の学習パラメータセットおよび第２のパラメータセットから適応パラメータを算出する過程である、Ｓ７１０は適応パラメータを用いた重回帰モデル（後述）に基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルを作成する過程であり、Ｓ７１１は第２の音響モデルを記憶する過程である。Ｓ７４からＳ７１１までの過程を経て作成される第２音響モデルを適応後のパラメータとして得ることにより逐次型適応における１発声当たりの適応処理を行う。

認識時には、特徴パラメータ系列と第１の音響モデルとの照合をＳ７１２にて行い、第２の音響モデルとの照合をＳ７１３にて行い、Ｓ７１４にて２種類の音響モデルに対する照合結果から最もスコアの高い結果を最終結果とする決定を行った後Ｓ７１５にて認識結果を出力する。

上述の実施形態ではＳ７１２およびＳ７１３とで常に適応前の音響モデルと適応後の音響モデルの照合を行うことにより話者が変わった場合でも極端な認識率の低下を招くことを回避できる。

図８は、本発明の第８の実施形態の音声認識装置の構成図を示す。

この実施形態では逐次型の適応が可能な音声認識装置であって、学習サンプルが極端に少ない場合における認識性能の安定化を図ることを目的に構成した例を示している。

図８において、入力した音声を音響分析部８１にて分析して、特徴パラメータ抽出部８２において特徴パラメータ系列を抽出する。切り替えスイッチ８３により「適応モード」または「認識モード」の切り替えを行う。まず「適応モード」の場合について説明する。第１の記憶装置８４には適応前の不特定話者用音響モデルとしてあらかじめ作成してある第１の音響モデルのパラメータを格納している。第１の記憶装置８４から読み出した第１の音響モデルのパラメータの全てあるいは一部分のパラメータを抽出して、第１の学習パラメータセット作成部８５により第１の学習パラメータセットを作成する。この操作は仮想スイッチ８３、８８１により、学習の初回発声時にのみ行う。特徴パラメータ系列および第１の音響モデルのパラメータ系列の全てあるいは一部分のパラメータを抽出して、第２の学習パラメータセット作成部８６により第２の学習パラメータセットを作成する。学習パラメータセット併合部８７では学習の初回発声時にのみ第１及び第２の学習パラメータセットの併合を行う。

学習パラメータセット併合部８７または第２の学習パラメータセット作成部８６で得られた学習用パラメータセットから重回帰分析法により適応パラメータ作成部８８により適応パラメータを算出し第２の記憶装置８９に格納する。音響モデル変換部８１０では、適応パラメータを用いた重回帰モデルに基づく所定の写像関数により第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成し第３の記憶装置８１１に格納する。

次に、「認識モード」の場合について説明する。特徴パラメータ抽出部８２で抽出した特徴パラメータは、照合部８１２にて第１の音響モデルおよび第２の音響モデルとの照合スコアが求められ、結果判定部８１７により最終結果が得られる。

この実施形態では、第４の実施形態の構成で可能となった逐次学習に加えて、常に第１の音響モデルと第２の音響モデルとの両方の音響モデルとの照合を行うことにより、認識装置を使用中に話者が変わった場合でも極端な認識率の低下を防止することが可能となる。

また、本発明の第９の実施形態である記録媒体は、第１の実施形態による方法をコンピュータに実行させるためのプログラムを記憶し、コンピュータで読み取り可能としたものである。

また、本発明の第１０の実施形態である記録媒体は、第３の実施形態による方法をコンピュータに実行させるためのプログラムを記憶し、コンピュータで読み取り可能としたものである。

また、本発明の第１１の実施形態である記録媒体は、第５の実施形態による方法をコンピュータに実行させるためのプログラムを記憶し、コンピュータで読み取り可能としたものである。

さらに、本発明の第１２の実施形態である記録媒体は、第７の実施形態による方法をコンピュータに実行させるためのプログラムを記憶し、コンピュータで読み取り可能としたものである。

本発明の第１の実施形態の音声認識方法のフローチャートを示す図 本発明の第２の実施形態の音声認識装置の構成図 本発明の第３の実施形態の音声認識方法のフローチャートを示す図 本発明の第４の実施形態の声認識装置の構成図 本発明の第５の実施形態の音声認識方法のフローチャートを示す図 本発明の第６の実施形態の音声認識装置の構成図 本発明の第７の実施形態の音声認識方法のフローチャートを示す図 本発明の第８の実施形態の音声認識装置の構成図 従来技術の話者適応法の処理フロー図

符号の説明

Ｓ１１ 音声入力過程
Ｓ１２ 特徴パラメータ抽出過程
Ｓ１３ モード選択過程
Ｓ１４ 第１の音響モデルのパラメータ読込過程
Ｓ１５ 第１の学習パラメータセット作成過程
Ｓ１６ 第２の学習パラメータセット作成過程
Ｓ１７ 適応パラメータ算出過程
Ｓ１８ 第２の音響モデルのパラメータ作成過程
Ｓ１９ 第２の音響モデルのパラメータ記憶過程
Ｓ１１０ 音響モデル選択過程
Ｓ１１１ 照合過程
Ｓ１１２ 認識結果決定過程
Ｓ１１３ 認識結果出力過程
２１ 音響分析部
２２ 特徴パラメータ抽出部
２３ 切り替えスイッチ
２４ 第１の記憶装置
２５ 第１の学習パラメータセット作成部
２６ 第２の学習パラメータセット作成部
２７ 学習パラメータセット併合部
２８ 適応パラメータ作成部
２９ 第２の記憶装置
２１０ 音響モデル変換部
２１１ 第３の記憶装置
２１２ 照合部
２１４ 制御部
２１５ 音響モデル選択部
２１７ 結果判定部

Claims (7)

1. 入力した音声を分析して特徴パラメータ系列を抽出する特徴パラメータ抽出手段と、適応前の不特定話者用としてあらかじめ作成してある第１の音響モデルのパラメータを記憶する第１の記憶手段と、前記第１の音響モデルのパラメータより第１の学習パラメータセットを作成する第１の学習パラメータセット作成手段と、前記特徴パラメータ系列および前記第１の音響モデルのパラメータ系列より第２の学習パラメータセットを作成する第２の学習パラメータセット作成手段と、前記第１の学習パラメータセットおよび第２のパラメータセットを併合する併合手段と、前記併合手段により得られた第３の学習パラメータセットから重回帰分析法により適応パラメータを算出する適応パラメータ作成手段と、前記適応パラメータを用いた重回帰モデルに基づく所定の写像関数により前記第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する音響モデルパラメータ変換手段と、前記第２の音響モデルのパラメータを記憶する第２の記憶手段とを備えたことを特徴とする音声認識装置。
2. 前記音響モデルが連続分布ＨＭＭまたは連続ＨＭＭを近似したＨＭＭでモデル化される音響モデルであり、前記音響モデルのパラメータが前記音響モデルにおける平均ベクトルであり、前記学習パラメータセットの個々の要素がベクトルの対の形で構成され、前記特徴パラメータ系列と前記音響モデルのパラメータ系列との間でViterbi法またはDP法またはBaum-Welch法による時間軸の整合方法を用いて前記ベクトル対の確定をしながら学習パラメータセットを作成することを特徴とする請求項１に記載の音声認識装置。
3. 前記第１の学習パラメータセット作成手段は、前記第１の音響モデルのパラメータより第１の学習パラメータセットを学習の初回発声時に限り作成し、さらに、前記併合手段は、学習の初回発声時に限り前記第１の学習パラメータセットおよび第２のパラメータセットを併合することを特徴とする請求項１に記載の音声認識装置。
4. 認識に際して前記第１の音響モデルまたは第２の音響モデルのどちらを用いて認識するかを判定する判定手段をさらに備えたことを特徴とする、請求項３に記載の音声認識装置。
5. 認識に際しては前記第１の音響モデルに対する照合結果および第２の音響モデルに対する照合結果を得る照合手段をさらに備えたことを特徴とする、請求項３に記載の音声認識装置。
6. 入力した音声を分析して特徴パラメータ系列を抽出する過程と、適応前の不特定話者用としてあらかじめ作成してある第１の音響モデルのパラメータを読込む過程と、前記第１の音響モデルのパラメータより第１の学習パラメータセットを作成する過程と、前記特徴パラメータ系列および前記第１の音響モデルのパラメータ系列より第２の学習パラメータセットを作成する過程と、前記第１の学習パラメータセットおよび第２のパラメータセットを併合する過程と、前記併合する過程により得られた第３の学習パラメータセットから重回帰分析法により適応パラメータを算出する過程と、前記適応パラメータを用いた重回帰モデルに基づく所定の写像関数により前記第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する過程と、前記第２の音響モデルのパラメータを記憶する過程とを備えたことを特徴とする音声認識方法。
7. 入力した音声を分析して特徴パラメータ系列を抽出する過程と、適応前の不特定話者用としてあらかじめ作成してある第１の音響モデルのパラメータを読込む過程と、前記第１の音響モデルのパラメータより第１の学習パラメータセットを作成する過程と、前記特徴パラメータ系列および前記第１の音響モデルのパラメータ系列より第２の学習パラメータセットを作成する過程と、前記第１の学習パラメータセットおよび第２のパラメータセットを併合する過程と、前記併合する過程により得られた第３の学習パラメータセットから重回帰分析法により適応パラメータを算出する過程と、前記適応パラメータを用いた重回帰モデルに基づく所定の写像関数により前記第１の音響モデルのパラメータから第２の音響モデルのパラメータを作成する過程と、前記第２の音響モデルのパラメータを記憶する過程とを備えた音声認識方法のプログラムを記憶し、前記プログラムをコンピュータより読み取り可能とすることを特徴とする音声認識記憶媒体。

Images