JP2006235298A - 音声認識ネットワーク生成方法、音声認識装置及びそのプログラム - Google Patents

Abstract

【課題】 背景騒音や話者による違いを吸収しうる音声認識ネットワークを用いて音声認識を行う。
【解決手段】 認識対象となる語彙に含まれる音素間の接続関係を表現する第１の認識ネットワークを取得する認識ネットワーク取得ステップと、
前記第１の認識ネットワークが表現する語彙に含まれる音素であって背景騒音の重畳によって変形を受ける音素、の前後の接続関係を変更して第２の認識ネットワークを生成する認識ネットワーク生成ステップと、を有する。
【選択図】 図４

Description

この発明は、音声認識装置及びそのプログラムに係るものであり、騒音の影響度合いに対応して高精度な音声認識を行う技術に関する。

一般に音声認識は、入力音声から音声特徴量の時系列を抽出し、認識対象語彙の音素系列を表現する音声認識ネットワークと音声特徴量の時系列とを照合することによって、候補語を算出することによって行われる。

しかし現実の使用環境では、話者が正しい単語表記通りにはっきり発声をするとは限らないため、正しい表記の音素系列から生成した認識ネットワークを用いると音声認識の精度が劣化する場合がある。また、背景騒音が重畳する場合には、パワーの小さい音素が騒音に埋もれるため、正しい単語表記の音素系列から生成した認識ネットワークを用いると音声認識の精度が劣化する場合がある。このような場合には、正しい音素系列とは異なる音素系列を表現する認識ネットワークと照合させる方法が採用される。

このような課題を解決する技術として、言語的な発音系列と実際に発生される音響的な発音系列のミスマッチを緩和する方法が知られている（例えば、非特許文献１）。

また、周囲の騒音レベルの影響を考慮して、発話音声特徴量と標準パターンとの照合時に類似度を補正する方法も知られている（例えば、特許文献１）。

特開２００３−３０８０９１「音声認識装置、音声認識方法および音声認識プログラム」公報 第１６頁−第１７頁 「音素タイプライタ出力結果を用いた発音ネットワークの構築」日本音響学会 平成８年度秋季研究発表会 講演論文集pp.73-74

背景騒音の種類や話者によって、背景騒音が入力音声に与える影響の度合いは異なる。このような場合、一律に音響的な発音系列のミスマッチを緩和したり、類似度を補正する程度では背景雑音の影響を十分に吸収することができず、その結果として認識性能が低下する、という問題があった。

このような問題を解決するため、この発明に係る音声認識ネットワーク生成方法では、
認識対象語彙を構成する音素間の接続関係を表現する第１の音声認識ネットワークを取得する認識ネットワーク取得ステップと、
前記接続関係を変更することによって第２の音声認識ネットワークを生成する認識ネットワーク生成ステップと、
を有する音声認識ネットワーク生成方法であって、
前記認識ネットワーク生成ステップで、所定の背景雑音を重畳させた入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列とを順次照合すると照合が失敗する音素を迂回するように前記接続関係を変更することとした。

ここで音声認識ネットワークとは、認識対象語彙を構成する音素列を先頭から順次辿ることを目的として相互の音素間の接続関係を表現した情報（データ）であって、電子計算機等の情報処理機器による処理の用に供する情報の一種である。よって、音声認識ネットワークは、一般的なデータやファイルとして情報処理機器から読み取り可能な記憶媒体や記憶装置によって電子的に記憶される性質を有しており、情報処理機器によって複製されたり、インターネットなどの通信回線を通じて他の情報処理機器に転送されることもある。

また音声認識ネットワークにおいて、音素間の接続関係を表現するためには、認識対象語彙を構成する音素の順序（出現順位）を何らかの方法で特定できれば十分である。したがってそのためには、各音素に対応する情報をリスト構造のように表現しておき、リストの各ノードに次のノードが記憶されている場所の番地を明示的に保持させる方法だけでなく、例えば、各音素に対応する情報だけを１次元の配列として保持しておき（次の音素に対応する情報の格納位置は保持しない）、配列の要素順位（配列のインデックス）から各音素の出現順位を特定するなど、情報列を格納する公知の各種データ構造を用いることができる。

また、この発明に係る音声認識装置は、
認識対象となる語彙に含まれる音素間の接続関係を表現する音声認識ネットワークを辿って前記認識対象を構成する音素列を取得し、取得した音素列と入力音声から得た音響特徴量列とを照合して照合結果を出力する音声認識装置において、
前記入力音声に重畳する背景雑音のレベルを数値化する背景雑音数値化手段と、
所定の背景雑音を重畳させた入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列とを順次照合すると照合が失敗する音素を迂回するように前記接続関係を変更して生成され、さらに前記所定の背景雑音を数値化してインデックスとして付与された音声認識ネットワークを複数記憶する音声認識ネットワーク記憶手段と、
前記背景雑音数値化手段によって数値化された背景雑音のレベルと前記音声認識ネットワークに付与されたインデックスとに基づいて前記音声認識ネットワークを選択する音声認識ネットワーク選択手段と、
前記音声認識ネットワーク選択手段により選択された音声認識ネットワークを辿って音素列を取得し、この音素列と前記音響特徴量列とを照合する照合手段と、
を備えた。

ここで、音声認識ネットワークに付与されたインデックス（索引）とは、各音声認識ネットワークを一意に識別する情報であり、ここでは音声認識ネットワークを生成する際に想定した背景雑音を何らかの方法で数値化したものがインデックスとして使用される。ただし数値化したものとはいえ、数値に限定されるものではなく、情報処理機器によって比較、演算、記憶することが可能な情報であれば十分であって、その表現形式を問うものではない。したがって明示的に表現された情報の他、例えば音声認識ネットワークを記憶する番地を用いて音声認識ネットワークを特定するようにしてもよく、そのような場合には、音声認識ネットワークを記憶する番地がインデックスに該当することとなる。

この発明に係る音声認識ネットワーク生成方法によれば、背景雑音や話者による影響を十分に吸収して適切に音素の系列を表現する認識ネットワークを生成することができるので、この認識ネットワークを用いることでさまざまな背景雑音や話者に適応可能で精度の高い音声認識処理を実現することができる。

また、この発明に係る音声認識装置によれば、複数の使用環境や話者を想定してそれぞれ最適な認識ネットワークを準備しておき、使用時に環境や話者に対して適応的に認識ネットワークを選択することとしたので、使用環境及び使用話者に適した音素系列と入力音声とを照合することが可能となり、結果として音声認識精度を向上させることができる。

以下、この発明の実施の形態を図を用いて説明する。
実施の形態１．
図１は、この発明の実施の形態１による音声認識装置の構成を示すブロック図である。図において、マイクロホン１は音声を収集して音声電気信号（以下、音声信号という）に変換するマイクロホンである。音声認識装置２は、オーディオ端子やマイクロホン接続端子である入力端３を介してマイクロホン１が収集した音声を照合して、認識結果４を出力する装置であって、ＳＮ比算出部１００、音響分析部１０１、標準認識ネットワーク記憶部１０２、変形認識ネットワーク記憶部１０３、認識ネットワーク選択部１０４、照合部１０５を備えている。

ＳＮ比算出部１００は、背景雑音数値化手段の一例であって、入力端３から入力された音声信号２１のパワーと背景騒音とのパワー比２４を算出する部位である。

音響分析部１０１は、入力端３から入力された音声信号２１を音響分析して音声特徴量２３を算出する部位である。

標準認識ネットワーク記憶部１０２は、標準的な音声認識ネットワークを記憶する記憶素子又は回路、記憶媒体などから構成される。以下の説明においては、標準的な音声認識ネットワークのことを標準認識ネットワークと呼ぶ。標準認識ネットワークは、例えば認識対象語彙の正しい表記の音素系列から生成される。

図２は標準認識ネットワークの構成例で、ここでは「北海道」「青森県」「秋田県」という語句の音声を認識するための音声認識ネットワークを示している。ここでは、円で囲んだ節の一つ一つが１つの音素を表現している。なお、この音声認識ネットワークでは前環境依存の音素体系を採用したものであり、図において、節４１のｈ−０は先行する音素がｈであるｏの音素を表している。また、節４２のＬＱは、単語の先頭の無音を表しており、節４３のＱＬは、単語の最後の無音を表している。

変形認識ネットワーク記憶部１０３は、標準認識ネットワークとは別の音声認識ネットワークを記憶する記憶素子又は回路、記憶媒体などから構成される。変形認識ネットワーク記憶部１０３が記憶している音声認識ネットワークは、騒音環境下における音声認識精度を向上するために改良を施した認識ネットワークである。このような音声認識ネットワークのことを、以下の説明では便宜的に変形認識ネットワークと呼ぶこととする。

一般に、音声のパワーは音素毎に異なっている。図３は、音素の種類と話者毎に正規化した音素毎の平均パワーμ_Mと標準偏差σ_Mとの関係をグラフとして表した図である。この図が示すように、音素によってそのパワーに大きな差があるために、騒音環境下においては、パワーが小さい音素が騒音に埋もれてしまい、音響的な特徴が失われる。そのため標準パターンと入力音声とを照合する際に、パワーの小さい音素において標準パターンと入力音声との距離値が大きくなり、認識誤りの原因となる。

そこで、このような音響的なミスマッチを低減するために、標準認識ネットワークを用いると距離値が大きくなってしまう音素に対する距離値の演算を回避するパスを追加することで、変形認識ネットワークを生成する。さらに音声パワーの相対的な大きさを表す音声のＳＮ比を、生成した変形認識ネットワークのインデックスとして付与しておき、照合時に使用環境における入力音声のＳＮ比から、適切な音声認識ネットワークを選択できるようにすることで、音声認識の精度が向上する。

以下に、変形認識ネットワーク記憶部１０３によって記憶される変形認識ネットワークの生成方法について、具体的に説明する。まず、複数話者が音素Ｍを発話して得た入力音声を正規化し、正規化した複数話者による音素Ｍの入力音声のパワーの平均をμ_Mとして求める。さらに各音素についてのμ_Mの平均値をＰ_aveを求める。そして、想定されるＳＮ比Ｒ'に対する変形認識ネットワークを、以下の式（１）を満たす音素Ｍを迂回（スキップ）するパスを標準認識ネットワークに追加することで生成する。

図４は、図２に示した標準認識ネットワークから、上述のような手順によって生成された変形認識ネットワークの一例である。図２の標準認識ネットワークでは、語句「北海道」の節「ＬＱ−ｈ」及び節「ｏ−ＱＬ」の音素が式（１）を満たすので、スキップするパスが追加されている。

また、式（１）を満たす音素に対して並列にノイズモデルを経由するようなパスを標準認識ネットワークに追加する方法によっても、変形認識ネットワークを生成することができる。ノイズモデルの挿入部分は認識ネットワーク中の音素系列の先頭、末尾または途中において該当音素が使用環境下の騒音に埋もれる可能性があることを示している。

図５は、図２の標準認識ネットワークにこのような変形を加えて生成した変形認識ネットワークを表す図である。図では、標準認識ネットワークの語句「北海道」の節、「ＬＱ−ｈ」及び節「ｏ−ＱＬ」の音素が式（１）を満たすものとして、並列にノイズモデルが追加されている。

この他、音素をスキップするパスの追加と並列にノイズモデルを経由するパスの追加は排他的なものではなく、両者を組み合わせた変形認識ネットワークを生成するようにしてもよい。

また、標準認識ネットワークは、認識対象語彙の正しい表記の音素系列で構成されることに限定されるわけではなく、変形認識ネットワークを生成する上で元となる音声認識ネットワークであればよい。すなわちある音声認識ネットワーク（これを第１の音声認識ネットワークとする）を所定の背景雑音を重畳させた入力音声の照合を行うために、音素間の接続関係を改良して生成した音声認識ネットワーク（これを第２の音声認識ネットワークとする）がある場合、標準認識ネットワークは第１の音声認識ネットワークに該当し、また変形認識ネットワークは第２の音声認識ネットワークに該当する。

このようにして、変形認識ネットワークを標準認識ネットワークから生成し、生成した変形認識ネットワークに想定ＳＮ比Ｒ'をインデックス（索引）として付与して変形認識ネットワーク記憶部１０３に記憶させる。

なお、標準認識ネットワーク記憶部１０２及び変形認識ネットワーク記憶部１０３はそれぞれ音声認識ネットワークを記憶する音声認識ネットワーク記憶手段の一例をなすものである。

引き続き、この発明の実施の形態１による音声認識装置を説明する。認識ネットワーク選択部１０４は、認識ネットワーク選択手段の一例であって、ＳＮ比算出部１００が算出したＳＮ比に対応する認識ネットワークを、標準ネットワーク記憶部１０２及び変形認識ネットワーク記憶部１０３から選択して、標準認識ネットワーク記憶部１０２に記憶される音素データ２５と変形認識ネットワーク記憶部１０３に記憶される音素データ２６の何れかを音素データ２７として出力する部位である。

照合部１０５は、照合手段の一例であり、認識ネットワーク選択部１０４が選択した認識ネットワークから得た音素データ２７と、音響分析部１０１が出力した音響特徴量２３との照合を行い、最も距離値の小さい認識対象語彙を認識結果４として出力する部位である。

なおここでは、音声認識装置２の構成要素のうち、ＳＮ比算出部１００、音響分析部１０１、認識ネットワーク選択部１０４、照合部１０５はそれぞれ専用の回路により構成するものとして説明する。しかしながらこの発明の特徴はこれらの回路によってなされる情報処理の方法にある。また、当業者であればこれらの説明から他の回路構成、例えば汎用的なＣＰＵなどで構成した制御回路とコンピュータプログラムとの組み合わせにより実現することは極めて容易であって、周知・慣用技術の転用の範囲に過ぎない。

次に、音声認識装置２の動作について、図を参照しながら説明する。図６は、この発明の実施の形態１による音声認識装置の処理のフローチャートである。まずマイクロホン１から音声信号が入力されると（ステップＳ１０１）、ＳＮ比算出部１００は、音声のＳＮ比Ｒを算出する（ステップＳ１０２）。そのためにＳＮ比算出部１０１は、マイクロホン１からアナログ信号である入力音声信号を所定の周期毎にサンプリングしてディジタルデータに変換する。そしてディジタル化された音声信号データから、式（２）を用いて入力音声のＳＮ比Ｒを算出するのである。

ここで、Ｓ_nはｎサンプリング周期目（ｎは自然数）にサンプリングされたサンプルデータの値、Ｓ_pは入力音声区間の先頭のサンプル番号、L_spは音声区間に含まれるサンプルデータの数、L_nsは音声区間前後の無音区間のサンプル数であって、入力音声の信号とL_sp、L_nsとの関係は、例えば図７に示される。

なお、式（２）によるＳＮ比Ｒの算出は入力音声区間全体のパワーを用いるため、ＳＮ比Ｒの算出は音声入力完了まで待たなければならないため、リアルタイム性が要求される音声認識装置の場合は都合が悪い。このような場合には、現時点よりも前の発話において、式（２）の分子部分の平均をＳ'として記憶しておき、式（３）によりＳＮ比Ｒを算出するようにしてもよい。こうすることで、図７に示したＳＰの時点でＳＮ比Ｒを算出できるようになり、リアルタイム性を損なうことがないという利点が得られる。

次に認識ネットワーク選択部１０４は、ＳＮ比算出部１００が算出したＳＮ比Ｒが閾値ＴＨ１よりも大きいかどうかを判定する（ステップＳ１０３）。その結果、ＳＮ比Ｒが閾値ＴＨ１よりも大きい場合はステップＳ１０４に進む（ステップＳ１０３：Ｙｅｓ）。ＳＮ比Ｒが閾値ＴＨ１以下である場合（ステップＳ１０３：Ｎｏ）については後述する。

認識ネットワーク選択部１０４は、使用環境のＳＮＲが十分高いため、認識ネットワークの変形の必要がないと判断し、標準認識ネットワークから標準認識ネットワークを選択する（ステップＳ１０４）。

一方、ステップＳ１０３においてＮｏの判定がなされた場合には、使用環境のＳＮ比Ｒが低いため認識ネットワークの変形が必要であると判断し、ＳＮ比算出部１００が算出したＳＮ比Ｒの値に最も近い想定ＳＮ比に対応する変形認識ネットワークを変形認識ネットワーク記憶部１０４から選択する（ステップＳ１０５）。

図８は、変形認識ネットワーク記憶部１０３の記憶内容を表すテーブルの一例である。この例では想定ＳＮ比を０〜３０ｄＢの値としており、３ｄＢ刻みで合計１１種類の変形認識ネットワークを用意することとしている。この例では、ＳＮ比が３０より大きい場合の変形認識ネットワークが用意されていないため、ステップＳ１０３におけるＴＨ１の値は３０となる。この場合、ＳＮ比Ｒの値が５ｄＢであるとすると、最も想定ＳＮ比の近い３番の変形認識ネットワークを選択する。

なお、演算量やメモリリソースに余裕がある場合は、この例よりも細かく想定ＳＮ比を刻んで各想定ＳＮ比に対応する変形認識ネットワークを準備しておき、それらの中から想定ＳＮ比が最も近い変形認識ネットワークを選択するようにしてもよい。

一方、音響分析部１０１は、ＳＮ比算出部１００の処理と並行して、マイクロホン１から入力された音声の音響分析処理を行う（ステップＳ１０６）。具体的には、音響分析処理として、音響分析部１０１は、アナログ信号である入力音声をディジタルデータに変換し、一定時間毎に音声特徴量ベクトルα_tを算出する。

ここで用いる音声特徴量の例としては、ＬＰＣケプストラム（Linear Predictive Coding Cepstrum）などがある。また音声特徴量ベクトルが算出される一定時間のことをフレームと呼び、音声特徴量ベクトルα_tのｔは入力音声の先頭から経過したフレーム数を表す自然数である。

なお、ディジタルデータへの変換処理はＳＮ比算出部１０１でも行われるので、両者を共通化するような構成を採用してもよい。また、図６のフローチャートにおいて、ステップＳ１０６はステップＳ１０３〜ステップＳ１０５の後に実行されるように記載しているが、両者の間には何ら依存関係のない独立した処理であるから、この順序を入れ替えても構わないし、並列に実行してもよい。

続いて、照合部１０５は、ステップＳ１０４あるいはステップＳ１０５で選択された認識ネットワークに含まれる音素系列と音響分析部１０１が出力した音声特徴量ベクトルα_tとの照合処理を行う（ステップＳ１０７）。ここでは、音声特徴量の時系列に対し、認識ネットワークに含まれる音素系列の中で最も距離値が小さくなる音素系列に対応する候補を認識結果とする。例えばＤＰ（Dynamic Programming）マッチングによるパターンマッチングを行い、距離値が最小のものを認識結果４とする。また、ＤＰの代わりにＨＭＭ（Hidden Markov Model）を用いても構わない。

以下、照合部１０５で継続時間制御型ＨＭＭを用いた場合の照合処理の詳細について説明する。図９は、入力音声に対する継続時間制御型ＨＭＭを用いた照合処理の説明図である。横軸は時間を表し、縦軸は認識対象語彙の音素系列に対応する各状態を示している。ここでは、認識処理は各認識語彙に状態−時刻の２次元平面上で、音声入力の最終時刻Ｔにおける最終状態Ｓでの累積距離値Ｄ（Ｔ，Ｓ）が最も小さくなるパスを算出するように行われる。図９に示すように初期状態（１，１）から最終状態（Ｔ，Ｓ）に至るパスは図の点線や実線のように無数があるが、この無数のパスの中で最も距離値が小さくなるパスを求めるのである。

累積距離値の計算は逐次的に行われる。ここで、Ｄ（ｔ，ｓ）を時刻ｔ、状態ｓでの累積距離値、ｄｉｓ（ｔ，ｓ）を時刻ｔにおける音声特徴量ベクトルα_tと状態ｓに対応する音響モデル（音響特徴量の統計量）との音響距離値、ｄｕｒ（ｔ，ｓ）を状態ｓにおける継続時間ペナルティ、と定義する。

まず、図２に示す標準認識ネットワークのように、状態間にスキップするパスやノイズモデルの挿入がない場合のＤ（ｔ，ｓ）の算出方法について説明する。図２に示した標準認識ネットワークから、節ＬＱ、節ＬＱ−ｈ、節ｈ−ｏの音素の接続関係を抜き出すと、図１０のようになる。図１０において、状態Ｓ１はＬＱの音素に対応する状態、状態Ｓ２はＬＱ−ｈの音素に対応する状態、状態Ｓ３はｈ−ｏの音素に対応する状態である。

この場合、状態Ｓ３での累積距離値Ｄ（ｔ，Ｓ３）は、状態Ｓ３での自己遷移（パス１）と前の状態Ｓ２からのヌル遷移（出力確率を伴わない遷移：パス２）の２つのパスを考慮して、式（４）から算出される。なお、変形認識ネットワークの場合でも、状態間にスキップするパスやノイズモデルの挿入が無い部分においては式（４）からＤ（ｔ，ｓ）を算出する。

次に、図４に示す変形認識ネットワークのように、状態間にスキップするパスが存在する場合のＤ（ｔ，ｓ）の算出方法について説明する。図４に示す変形認識認識ネットワークのから、ＬＱ、ＬＱ−ｈ、ｈ−ｏの音素の接続関係を抜き出すと図１１のようになる。

図１１において、状態Ｓ１はＬＱの音素に対応する状態、状態Ｓ２はＬＱ−ｈの音素に対応する状態、状態Ｓ３はｈ−ｏの音素に対応する状態である。この場合、状態Ｓ３での累積距離値Ｄ（ｔ，Ｓ３）は、状態Ｓ３での自己遷移（パス１）、前の状態Ｓ２からのヌル遷移（パス２）、２つ前の状態Ｓ１からのヌル遷移（パス３）の合計３つのパスを考慮して、式（５）から算出される。

最後に、図５に示す変形認識ネットワークのようにノイズモデルが挿入されている場合のＤ（ｔ，ｓ）の算出方法について説明する。図５に示す変形認識ネットワークのから、ＬＱ、ＬＱ−ｈ、ｈ−ｏの音素の接続関係を抜き出すと図１２のようになる。図１２において、状態Ｓ１はＬＱの音素に対応する状態、状態Ｓ２はＬＱ−ｈの音素に対応する状態、状態Ｓ３はｈ−ｏの音素に対応する状態、状態S4は挿入されたノイズモデルに対応する状態である。

この場合、状態Ｓ３での累積距離値Ｄ（ｔ，Ｓ３）は、状態Ｓ３での自己遷移（パス１）、前の状態Ｓ２からのヌル遷移（パス２）、ノイズモデルＳ４からのヌル遷移（パス３）の合計３つのパスを考慮して、式（６）から算出される。式（６）においては、状態Ｓ２がノイズに埋もれた状態を状態Ｓ４と考え、式（７）からｄｕｒ（ｔ，Ｓ４）を算出してもよいし、状態Ｓ４独自に継続時間長ペナルティｄｕｒ（ｔ，Ｓ４）を用意してもよい。

こうして、選択した認識ネットワークの形状に応じて、各認識対象語彙に対する累積距離値の計算が行われた結果、最終的な累積距離値が小さい認識語彙を認識結果４として出力し（ステップＳ１０８）、入力音声に対する認識処理が終了する。

以上から明らかなように、この発明の実施の形態１の音声認識装置によれば、音声認識ネットワークを騒音に埋もれ易い音素に対する音響的ミスマッチを回避するように改良しておき、さらに改良した複数の音声認識ネットワークの中から使用環境のＳＮ比に応じて適応的に音声認識ネットワークを選択することとしたので、背景騒音の大きさが頻繁に変化するような環境における音声認識の精度が向上する。

またこれによって、例えば自動車の車内のように車の速度によって騒音の大きさが絶えず変化する環境下でも安定した音声認識処理を行うことができる。

実施の形態２．
実施の形態１の音声認識装置は入力音声のＳＮ比に応じた変形認識ネットワークを予め用意し、使用環境においてＳＮ比が近い変形認識ネットワークを選択しているが、同じＳＮ比であっても騒音の種類によって各音素が受ける影響の大きさは異なる場合がある。

例えば、自動車走行騒音は低域にパワーが集中しているため、ＳＮ比が低くなっても高域にパワーが集中している音素に対する影響は小さい。逆に低域にパワーが集中している音素はＳＮ比がある程度高い場合でも受ける影響が大きくなる。

このような現象を図を用いて具体的に説明する。図１４は、音素「s」、自動車走行騒音、そしてホワイトノイズそれぞれの平均スペクトルを順に示した図である。このように、音素「s」のスペクトルは３５００Ｈｚ付近にパワーが集中しているのに対し、自動車走行騒音は５００Ｈｚ以下にパワーが集中している。一方、ホワイトノイズは全帯域に均一にパワーが分散している。このことから、音素「ｓ」を含む入力音声に同じ比率で騒音を重畳することを想定すると、重畳した騒音が自動車走行騒音である場合には音素「s」のパワーが強い帯域に殆ど影響を与えない一方、重畳した騒音がホワイトノイズの場合には音素「s」のパワーが強い帯域に大きな影響を与えるため、結果として音素が変形されたようになることが判る。

この発明の実施の形態２の音声認識装置は、背景騒音が入力音声のスペクトルに与える影響を考慮して高精度な音声認識を実現することを目的とするものである。すなわち、背景騒音スペクトルに応じた変形認識ネットワークを予め用意し、使用環境下の背景騒音スペクトルが最も近い騒音スペクトルに対応する変形認識ネットワークを選択することで、使用環境に適した音素系列と入力音声とを照合する。

図１３は、この発明の実施の形態２による音声認識装置の構成を示すブロック図である。図において、図１と比して新規な要素は騒音スペクトル算出部２００を設けた点にある。

騒音スペクトル算出部２００は、背景雑音数値化手段の別の例であって、音声信号２１から背景騒音スペクトル２８を算出する部位である。またこれに伴い、認識ネットワーク選択部１０４は背景雑音のレベルを数値化した値として背景騒音スペクトル２８を用い、この背景騒音スペクトル２８に基づいて標準認識ネットワークと変形認識ネットワークから照合処理に用いる認識ネットワークを選択するようになっている。

さらに、この発明の実施の形態２の変形認識ネットワーク記憶部１０３は、想定される背景騒音スペクトルの種類に対応した変形認識ネットワークを記憶するように構成されている。図１５は実施の形態２における変形認識ネットワーク記憶部１０３の記憶内容を表すテーブルの一例である。

この例では想定される背景騒音に応じた変形認識ネットワークが全部でＮ種類記憶されている。また、Ｓ₀は騒音がない場合の索引スペクトルであって、この索引スペクトルに対応する認識ネットワークは標準認識ネットワークとなる。したがってＳ₀に対応する認識ネットワークを変形認識ネットワーク記憶部１０３に記憶しておく必要はない。

以下に、これらの背景騒音スペクトルの種類に対応した変形認識ネットワークの生成方法について具体的に説明する。なお以下の説明において、使用帯域をＱ（Ｑは自然数）個の帯域に分割するものとし、分割したＱ個の帯域のうちｑ（ｑはＱ以下の自然数）番目の帯域の最小周波数をｆ_sq、最大周波数をｆ_eqと表す。

まず、想定される背景騒音Ｎの帯域ｆ_sq〜ｆ_eq(Ｈｚ)における平均パワーＰ_N（ｆ_sq，ｆ_eq)と各音素Ｍの帯域ｆ_sq〜ｆ_eq(Ｈｚ)におけるパワーの平均値μ_M（ｆ_sq，ｆ_eq)とを算出する。μ_M（ｆ_sq，ｆ_eq)は実施の形態１で説明したμ_Mをｆ_sq〜ｆ_eq(Ｈｚ)で帯域制限して算出した値に相当する。

次に、想定される背景騒音Ｎに対する変形認識ネットワークを、式（８）を満たす音素Ｍをスキップするパスを標準認識ネットワークに追加することで生成する。式（８）においてＲ_THは閾値であり、式（８）は各音素で最もパワーの持つ帯域のＳＮ比がＲ_THより小さいかどうかを判定している。

なお、実施の形態１と同様に式（８）を満たす音素に対して並列に、ノイズモデルを経由するパスを追加することで、変形認識ネットワークを生成するようにしてもよい。

このようにして、想定される背景騒音毎に変形認識ネットワークを生成しておき、生成した変形認識ネットワークに背景騒音のスペクトルをインデックス（索引）として付与して変形認識ネットワーク記憶部１０３に記憶させる。

次に、音声認識装置２の動作について、図を参照しながら説明する。図１６はこの発明の実施の形態２の音声認識装置２による処理のフローチャートである。実施の形態１の音声認識装置と同一の処理については図６のフローチャートと同一の符号を付して説明を省略する。

図において、騒音スペクトル算出部２００は、ステップＳ１０１において入力された音声信号において、音声区間直前の騒音区間に対して高速フーリエ変換を行い、背景騒音のスペクトルＳ_inを算出する（ステップＳ２０１）。

認識ネットワーク選択部１０４は騒音スペクトルＳ_inと変形認識ネットワーク記憶部が記憶している変形認識ネットワークの索引スペクトルＳ_nとの距離値Ｄ_nを算出する（ステップＳ２０２）。距離値Ｄ_nは式（９）に従って算出される。ここで、Ｋはスペクトルの次元数であり、騒音スペクトル算出部２００で高速フーリエ変換を実行した際のポイント数の１／２と一致する。また、Ｓ_in(ｋ)は騒音スペクトルＳ_inのｋ次元目の値、Ｓ_n(ｋ)は騒音スペクトルＳ_nのｋ次元目の値、ｗ(ｋ)はｋ次元目に対する重み係数である。ｗ(ｋ)を調整することで、使用帯域の中で重視する周波数を制御することができる。

次にステップＳ２０３において、ｎ＝０〜Ｎの中でＤ_nが最小となるｎの値ｎ_selを式（１０）から算出する。

ここでｎ_selの値が０である場合（ステップＳ２０３：ＹＥＳ）、ステップＳ１０４に進み、実施の形態１と同様に標準認識ネットワーク記憶部１０２から標準認識ネットワークを選択する。またｎ_selの値が０でない場合は、ステップＳ２０４に進む（ステップＳ２０３：Ｎｏ）。

変形認識ネットワーク記憶部１０３から変形認識ネットワークｎ_selを選択する（ステップＳ２０４）。なお、演算量やメモリリソースに余裕がある場合は、選択する変形認識ネットワークをＤ_nの値が小さいものから複数選択しても良い。

照合部１０５以降の動作は実施の形態１と同一であるので説明を省略する。

なお、図１６のフローチャートにおいて、ステップＳ１０６はステップＳ２０１〜ステップＳ２０４及びステップＳ１０４の後に実行されるように記載しているが、両者の間には何ら依存関係のない独立した処理であるから、この順序を入れ替えても構わないし、並列に実行してもよい。

このように構成することで、使用環境の騒音に最も類似した騒音スペクトルに対して、影響を受け易い音素の音響的ミスマッチを回避する目的のために生成された変形認識ネットワークを選択することとしたので、背景騒音の種類が頻繁に変化するような環境における音声認識の精度が向上する。

これによって、例えば自動車の車内においてエアコンやオーディオのＯＮ・ＯＦＦによって騒音の種類が全く別な種類に変わるような環境下でも安定した音声認識処理を行うことができるのである。

実施の形態３．
この他、話者によっても騒音の影響度合いが異なる場合が考えられる。そこでこの発明の実施の形態３では、使用話者の声の差異を考慮した構成例について示す。

例えば、明瞭に発話する話者Ａと不明瞭に発話する話者Ｂがいる場合、話者Ａは語頭の音素であってもパワーが強く騒音の影響を受け難く、話者Ｂは語頭の音素のパワーが弱く騒音の影響を受け易い。つまり、同じ使用環境であっても使用話者によって音素の騒音への埋もれ易さに差異があるため、結果として話者によっては音素が変形されたようになる。したがってすべての話者に対して同一の変形認識ネットワークを用いるという構成では、満足な認識性能が得られない。

そこで。実施の形態３の音声認識装置では、想定される話者クラスタに応じた変形認識ネットワークを予め用意し、使用話者に最も近い話者クラスタに対応する変形認識ネットワークを選択することで、使用話者に適した音素系列と入力音声とを照合する。

図１７は、この発明の実施の形態３による音声認識装置の構成を示すブロック図である。図において、図１あるいは図１３と比して新規な要素は、話者パラメータ算出部３００を設けた点にある。

話者パラメータ算出部３００は、入力音素変形度分析手段の別の例であって、音響分析部１０１が算出した音響特徴量２３を元に使用話者の特徴を表す話者パラメータ２９を算出する部位である。

音響分析部１０１、標準認識ネットワーク記憶部１０２、変形認識ネットワーク記憶部１０３、認識ネットワーク選択部１０４、照合部１０５は実施の形態１及び実施の形態２と同じ構成要素であるため、以下、実施の形態１及び実施の形態２と異なる動作のみを説明する。

さらに、この発明の実施の形態３の変形認識ネットワーク記憶部１０３は、想定される話者クラスタ毎に変形認識ネットワークを記憶する。そこで次に、このような変形認識ネットワークの生成方法について具体的に述べる。

図１８は、複数話者による「北海道小樽市入船」という発声のスペクトログラムを、タイムスケールを合わせて示したものである。図１８から分かるように、話者によって音素のパワーや継続時間が大きく異なっている。実施の形態３では話者による音素のパワーや継続時間を考慮した上で以下の手順で変形認識ネットワークを生成する。

まず、多数の話者の発声を含む学習用の音声データに対し、話者Ｓ及び音素Ｍ毎にセグメンテーションを行い、話者Ｓ、音素Ｍの平均音響特徴量ベクトルβ_S,M、平均パワーμ_S,M、平均継続時間長ｌ_S,Mを算出する。

次に話者Ｓの音素Ｍの特徴を現すベクトルＶ_S,Mを式（１１）に基づいて算出する。式（１１）において、β_S,M(ｋ)は音響特徴量ベクトルβ_S,Mのｋ次元目の要素、Ｋは音響特徴量ベクトルβ_S,Mの次元数、ｗ_dim(ｋ)はＶ_S,Mのｋ次元目の要素に対する重み係数である。よってＶ_S,MはＫ＋２次元のベクトルとなる。

次に話者Ｓの特徴を現す話者パラメータＶ_Sを式（１２）に基づいて算出する。式（１２）において、Ｍ_maxは音素の種類の数、ｗ_phn(ｍ)はｍ番目の音素に対する重み係数である。よってＶ_Sは合計（Ｋ＋２）×Ｍ_max次元のベクトルとなる。

以上のように全ての話者に対しＶ_Sを算出した後、Ｖ_Sに対するクラスタリングを行いＣ個の話者クラスタに分割する。クラスタリングを行う上でのベクトル間距離としてはの例としてはユークリッド距離が好適であり、またクラスタリング手法の例としてはＬＢＧアルゴリズムが好適である。ここで、Ｖ_Sが話者クラスタｃ１にクラスタリングされる、とは、話者Ｓが話者クラスタｃ１に属することを意味している。

ところで、ＫまたはＭ_maxの値が大きい場合は、ベクトルＶ_Sの次元は大きくなるため、演算時間が膨大となったり、クラスタリングの精度が劣化する（同じ特徴を持った話者が同一クラスタ内に含まれない）、等の問題が生じる。そこでこのような問題に対応するために、以下のように次元を圧縮する方法を説明する。

まず、Ｖ_S,MのＫ＋２次元のベクトルに対して、統計的手法として知られる主成分分析を行い、式（１０）において圧縮された次元に対するｗ_dim(ｋ)の値を０にする。

次に学習データの中で出現頻度の低い音素ｍに対して、式（１２）においてｗ_phn(ｍ)の値を０にする。

このようにして演算する次元を選択することで、演算時間の削減及び、クラスタリングの精度の改善を行うことができる。

また、必ずしも音響特徴量ベクトル、平均パワー、平均継続時間長の全てをパラメータとしてクラスタリングを行う必要はなく、式（１０）において使用しないパラメータに対するｗ_dim(ｋ)の値を０にすることで、クラスタリングに使用するパラメータを自由に選択できることは言うまでもない。

上記のようにクラスタリングされた話者クラスタｃ毎に、音素Ｍに対する平均音響特徴量ベクトルβ_c,M、平均パワーμ_c,M、平均継続時間長ｌ_c,Mを算出する。ここで話者クラスタｃに対する変形認識ネットワークを、式（１３）を満たす音素Ｍをスキップするパスを標準認識ネットワークに追加することで生成する。なおＬ_THは閾値である。

また話者クラスタｃに対する変形認識ネットワークを、式（１４）を満たす音素Ｍをスキップするパスを標準認識ネットワークに追加することで生成するようにしてもよい。ここでＰ_THは閾値である。

また、実施の形態１及び実施の形態２と同様に、式（１４）を満たす音素に対して並列にノイズモデルを経由するパスを追加することで、変形認識ネットワークを生成するようにしてもよい。

このようにして話者クラスタ毎に生成された変形認識ネットワークを、同一話者クラスタ内のＶ_Sの平均ベクトルを索引ベクトルとして、変形認識ネットワーク記憶部１０３に記憶させる。

次に、音声認識装置２の動作について、図を参照しながら説明する。図１９はこの発明の実施の形態３の音声認識装置２による音声認識装置２の処理のフローチャートである。なお、実施の形態１及び実施の形態２の音声認識装置と同一の処理については図６及び図１６と同一の符号を付して説明を省略する。図において、話者パラメータ算出部３００は、入力音声の音声特徴量ベクトルに対して音素タイプライタによるセグメンテーション処理を行う（ステップＳ３０１）。この処理は具体的には図１８のスペクトログラムの下に記述された音素記号が示すように、音声の短い区間毎に音素を割り当てる処理である。

話者パラメータ算出部３００は、次に、上記セグメンテーション結果から使用話者ＳＰの特徴を表す話者パラメータ２９としてベクトルＶ_SPを算出する（ステップＳ３０２）。そのために、話者パラメータ算出部３００は、使用話者ＳＰの音素Ｍの平均音響特徴量ベクトルβ_SP,M、平均パワーμ_SP,M、平均継続時間長ｌ_SP,Mを算出する。ここで、式（１０）及び式（１１）においてＳをＳＰと置き換えた上で、β_SP,M、μ_SP,M、ｌ_SP,Mを代入することで、使用話者ＳＰの特徴を表す話者ベクトルＶ_SPを算出する。ここで入力音声のセグメンテーション結果中に出現しない音素ｍに対しては式（１１）においてｗ_phn(m)の値を０にしておく。

認識ネットワーク選択部１０４は話者パラメータ２９（ベクトルＶ_SP）と変形認識ネットワーク記憶部が記憶している変形認識ネットワークの索引ベクトルＶ_nとの距離値Ｅ_nを算出する（ステップＳ３０３）。図２０は実施の形態３における変形認識ネットワーク記憶部１０３の記憶内容を表すテーブルの一例である。この例では想定される話者クラスタに応じた変形認識ネットワークが全部でＮ種類記憶されている。また、Ｖ₀は認識ネットワークの変形が必要ない話者クラスタ０に対する索引ベクトルであり、対応する標準認識ネットワークは変形認識ネットワーク記憶部１０３に記憶しておく必要はない。

実施の形態３では式（１５）に従いＥ_nを算出する。式（１５）においてＪは話者パラメータの次元数であり、前述したように（Ｋ＋２）×Ｍ_Maxの値に一致する。Ｖ_sp(ｊ)は使用話者の話者パラメータＶ_spのｊ次元目の値、Ｖ_n(ｊ)は索引ベクトルＶ_nのｋ次元目の値また、Φ()はＶ_SP算出時と同様に入力音声のセグメンテーション結果中に出現しない音素ｍに対するｗ_phn(ｍ)の値を０にする処理を表す符号である。また、話者パラメータのクラスタリング手順の際に述べたように、式（１１）において使用しないパラメータに対するｗ_dim(ｋ)の値を０にすることで、距離値Ｅ_nの算出に使用するパラメータを自由に選択できることは言うまでもない。

次にｎ＝０〜Ｎの中でＥ_nが最小となるｎの値ｎ_selを式（１６）から算出する。

ここでｎ_selの値が０である場合（ステップＳ３０４：ＹＥＳ）、ステップＳ１０４に進み、実施の形態１及び実施の形態２と同様に標準認識ネットワーク記憶部から標準認識ネットワークを選択する。ｎ_selの値が０でない場合ステップＳ３０５に進む（ステップＳ３０４：Ｎｏ）。

変形認識ネットワーク記憶部１０３から変形認識ネットワークｎ_selを選択する（ステップＳ３０５）。なお、演算量やメモリリソースに余裕がある場合は、選択する変形認識ネットワークをＥ_nの値が小さいものから複数選択しても良い。

照合部１０５以降の動作は実施の形態１及び実施の形態２と同一であるので説明を省略する。

このように構成することで、使用話者に最も類似した話者クラスタに対して、影響を受け易い音素の音響的ミスマッチを回避する目的のために生成された変形認識ネットワークを選択することとしたので、使用話者が頻繁に変化するような環境における音声認識の精度が向上する。

これによって、使用話者が不特定多数である使用様態、例えばキオスク端末や駅の券売機のような応用下においても安定した音声認識処理を行うことができる。

この発明は、特定の用途に限定されるものではないが、例えばカーナビゲーションシステムや携帯電話、情報端末に搭載する音声認識インターフェースを実現する上で特に有用である。

この発明の実施の形態１の音声認識装置の構成を示すブロック図である。 この発明の実施の形態１の標準認識ネットワークの説明図である。 音素の種類と話者毎に正規化した音素毎の平均パワーと標準偏差との関係をグラフとして表した図である。 この発明の実施の形態１の変形認識ネットワークの説明図である。 この発明の実施の形態１の変形認識ネットワークの別の説明図である。 この発明の実施の形態１の音声認識装置の処理のフローチャートである。 この発明の実施の形態１の音声波形を示す図である。 この発明の実施の形態１の変形認識ネットワークの記憶テーブルの構成を示す図である。 この発明の実施の形態１の継続時間制御型ＨＭＭを用いた照合処理の説明図である。 この発明の実施の形態１の累積距離値の計算方法の説明図である。 この発明の実施の形態１の累積距離値の計算方法の別の説明図である。 この発明の実施の形態１の累積距離値の計算方法の別の説明図である。 この発明の実施の形態２の音声認識装置の構成を示すブロック図である。 各種の平均スペクトルの様子を示した図である。 この発明の実施の形態２の変形認識ネットワークの記憶テーブルの構成を示す図である。 この発明の実施の形態２の音声認識装置の処理のフローチャートである。 この発明の実施の形態３の音声認識装置の構成を示すブロック図である。 複数の話者によるスペクトログラムの様子を示した図である。 この発明の実施の形態３の音声認識装置の処理のフローチャートである。 この発明の実施の形態３の変形認識ネットワークの記憶テーブルの構成を示す図である。

符号の説明

１００ ＳＮ比算出部、
１０１ 音響分析部、
１０２ 標準認識ネットワーク記憶部、
１０３ 変形認識ネットワーク記憶部、
１０４ 認識ネットワーク選択部、
１０５ 照合部、
２００ 騒音スペクトル算出部、
３００ 話者パラメータ算出部。

Claims (17)

1. 認識対象語彙を構成する音素間の接続関係を表現する第１の音声認識ネットワークを取得する認識ネットワーク取得ステップと、
   前記接続関係を変更することによって第２の音声認識ネットワークを生成する認識ネットワーク生成ステップと、
   を有する音声認識ネットワーク生成方法であって、
   前記認識ネットワーク生成ステップで、所定の背景雑音を重畳させた入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列とを順次照合すると照合が失敗する音素を迂回するように前記接続関係を変更すること、
   を特徴とする音声認識ネットワーク生成方法。
2. 認識ネットワーク生成ステップで、所定の背景雑音を重畳させた入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列とを順次照合すると照合が失敗する音素を迂回するように前記接続関係を変更するとともに、前記背景雑音のレベルを数値化して変更後の前記接続関係にインデックスとして付与することで第２の音声認識ネットワークを生成することを特徴とする請求項１に記載の音声認識ネットワーク生成方法。
3. 認識ネットワーク生成ステップで、所定の背景雑音を重畳させた入力音声を所定のＳＮ比の入力音声としたことを特徴とする請求項１に記載の音声認識ネットワーク生成方法。
4. 認識ネットワーク生成ステップで、所定のＳＮ比となる背景雑音を重畳させた入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列とを順次照合すると照合が失敗する音素を迂回するように前記接続関係を変更するとともに、前記ＳＮ比を変更後の前記接続関係にインデックスとして付与することで第２の音声認識ネットワークを生成することを特徴とする請求項１に記載の音声認識ネットワーク生成方法。
5. 認識ネットワーク生成ステップで、入力音声のＳＮ比と第１の音声認識ネットワークによって表現される接続関係を辿って得られる音素の音声パワーとに基づいて、入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列との照合が失敗するかどうかを決定し、照合が失敗すると決定した音素を迂回するように前記接続関係を変更すること、を特徴とする請求項３に記載の音声認識ネットワーク生成方法。
6. 認識ネットワーク生成ステップで、入力音声中の区間であって、第１の音声認識ネットワークによって表現される接続関係を辿って得られる音素に対応した区間の所定の帯域における音声パワー成分と、前記所定の帯域における前記入力音声のＳＮ比とに基づいて、入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列との照合が失敗するかどうかを決定することを特徴とする請求項５に記載の音声認識ネットワーク生成方法。
7. 認識ネットワーク生成ステップで、入力音声中の区間であって第１の音声認識ネットワークによって表現される接続関係を辿って得られる音素に対応した区間、の所定の帯域における音声パワー成分と、前記所定の帯域における前記入力音声のＳＮ比とに基づいて、入力音声に含まれる前記認識対象語彙の音響特徴量列と前記接続関係を辿って得られる音素列との照合が失敗するかどうかを決定し、照合が失敗すると決定した音素を迂回するように前記接続関係を変更するとともに、前記区間の所定の帯域の音声パワー成分を変更後の前記接続関係にインデックスとして付与することで第２の音声認識ネットワークを生成することを特徴とする請求項１に記載の音声認識ネットワーク生成方法。
8. 認識対象語彙を構成する音素を含む学習用音声を取得する学習用音声取得ステップと、
   前記対象語彙を構成する音素に対応する区間を前記学習用音声から切り出して、切り出した区間の音響分析を行う音響分析ステップと、をさらに有し、
   認識ネットワーク生成ステップで、前記音響分析ステップで行った音響分析の結果に基づいて、入力音声に含まれる前記認識対象語彙の音響特徴量列と第１の音声認識ネットワークによって表現される接続関係を辿って得られる音素列との照合が失敗するかどうかを決定し、照合が失敗すると決定した音素を迂回するように前記接続関係を変更すること、を特徴とする請求項１に記載の音声認識ネットワーク生成方法。
9. 学習用音声取得ステップで取得した学習用音声の話者パラメータを算出する話者パラメータ算出ステップ、をさらに有し、
   認識ネットワーク生成ステップで、前記音響分析ステップで行った音響分析の結果に基づいて、入力音声に含まれる前記認識対象語彙の音響特徴量列と第１の音声認識ネットワークによって表現される接続関係を辿って得られる音素列との照合が失敗するかどうかを決定し、照合が失敗すると決定した音素を迂回するように前記接続関係を変更するとともに、
   前記話者パラメータを変更後の前記接続関係にインデックスとして付与することで第２の音声認識ネットワークを生成することを特徴とする請求項８に記載の音声認識ネットワーク生成方法。
10. 認識対象となる語彙に含まれる音素間の接続関係を表現する音声認識ネットワークを辿って前記認識対象を構成する音素列を取得し、取得した音素列と入力音声から得た音響特徴量列とを照合して照合結果を出力する音声認識装置において、
    前記入力音声に重畳する背景雑音のレベルを数値化する背景雑音数値化手段と、
    請求項２に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶する音声認識ネットワーク記憶手段と、
    前記背景雑音数値化手段によって数値化された背景雑音のレベルと前記音声認識ネットワークに付与されたインデックスとに基づいて前記音声認識ネットワークを選択する音声認識ネットワーク選択手段と、
    前記音声認識ネットワーク選択手段により選択された音声認識ネットワークを辿って音素列を取得し、この音素列と前記音響特徴量列とを照合する照合手段と、
    を備えたことを特徴とする音声認識装置。
11. 背景雑音数値化手段は、入力音声のＳＮ比を算出し、
    音声認識ネットワーク記憶手段は、請求項４に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶し、
    音声認識ネットワーク選択手段は、前記背景雑音数値化手段によって算出された入力音声のＳＮ比と前記音声認識ネットワークに付与されたインデックスとに基づいて前記音声認識ネットワークを選択する、
    ことを特徴とする請求項１０に記載の音声認識装置。
12. 背景雑音数値化手段は、入力音声の騒音区間から背景騒音のスペクトルを算出し、
    音声認識ネットワーク記憶手段は、請求項７に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶し、
    音声認識ネットワーク選択手段は、前記背景雑音数値化手段によって算出された背景騒音のスペクトルと前記音声認識ネットワークに付与されたインデックスとに基づいて前記音声認識ネットワークを選択する、
    ことを特徴とする請求項１０に記載の音声認識装置。
13. 認識対象となる語彙に含まれる音素間の接続関係を表現する音声認識ネットワークを辿って前記認識対象を構成する音素列を取得し、取得した音素列と入力音声から得た音響特徴量列とを照合して照合結果を出力する音声認識装置において、
    前記入力音声から話者パラメータを算出する話者パラメータ算出手段と、
    請求項１０に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶する音声認識ネットワーク記憶手段と、
    前記話者パラメータと前記音声認識ネットワークに付与されたインデックスとに基づいて前記音声認識ネットワークを選択する音声認識ネットワーク選択手段と、
    前記音声認識ネットワーク選択手段により選択された音声認識ネットワークを辿って音素列を取得し、この音素列と前記音響特徴量列とを照合する照合手段と、
    を備えたことを特徴とする音声認識装置。
14. 認識対象となる語彙に含まれる音素間の接続関係を表現する音声認識ネットワークを辿って前記認識対象を構成する音素列を取得し、取得した音素列と入力音声から得た音響特徴量列とを照合して照合結果を出力する処理を逐次コンピュータに実行させる音声認識プログラムにおいて、
    前記入力音声に重畳する背景雑音のレベルを数値化する背景雑音数値化手順と、
    請求項２に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶する音声認識ネットワーク記憶手段から音声認識ネットワークに付与されたインデックスを取得して、このインデックスと前記背景雑音数値化手順にて数値化された背景雑音のレベルとに基づいて前記音声認識ネットワークを選択する音声認識ネットワーク選択手順と、
    前記音声認識ネットワーク選択手段により選択された音声認識ネットワークを辿って音素列を取得し、この音素列と前記音響特徴量列とを照合する照合手順と、
    を有することを特徴とする音声認識プログラム。
15. 背景雑音数値化手順で、入力音声のＳＮ比を算出し、
    音声認識ネットワーク選択手順で、請求項４に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶する音声認識ネットワーク記憶手段から音声認識ネットワークに付与されたインデックスを取得して、このインデックスと前記背景雑音数値化手順にて算出された入力音声のＳＮ比とに基づいて前記音声認識ネットワークを選択する、
    ことを特徴とする請求項１４に記載の音声認識プログラム。
16. 背景雑音数値化手順で、入力音声の騒音区間から背景騒音のスペクトルを算出し、
    音声認識ネットワーク選択手順で、請求項７に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶する音声認識ネットワーク記憶手段から音声認識ネットワークに付与されたインデックスを取得して、このインデックスと前記背景雑音数値化手順にて算出された背景騒音のスペクトルとに基づいて前記音声認識ネットワークを選択する、
    ことを特徴とする請求項１４に記載の音声認識プログラム。
17. 認識対象となる語彙に含まれる音素間の接続関係を表現する音声認識ネットワークを辿って前記認識対象を構成する音素列を取得し、取得した音素列と入力音声から得た音響特徴量列とを照合して照合結果を出力する処理を逐次コンピュータに実行させる音声認識プログラムにおいて、
    前記入力音声から話者パラメータを算出する話者パラメータ算出手順と、
    請求項１０に記載の音声認識ネットワーク生成方法を用いて生成された複数の音声認識ネットワークを記憶する音声認識ネットワーク記憶手段から音声認識ネットワークに付与されたインデックスを取得して、このインデックスと前記話者パラメータ算出手順にて算出された話者パラメータとに基づいて前記音声認識ネットワークを選択する音声認識ネットワーク選択手順と、
    前記音声認識ネットワーク選択手段により選択された音声認識ネットワークを辿って音素列を取得し、この音素列と前記音響特徴量列とを照合する照合手段と、
    を備えたことを特徴とする音声認識プログラム。

Images