JP2007248847A - 音声認識装置 - Google Patents

Abstract

【解決課題】認識処理時間を短縮することができるようにする。
【解決手段】音声が入力されると、音節認識手法などを用いて入力音声の先頭から３音節分の音節区間を切り出し、切り出された音節区間を音声認識し（１０２）、参照用インデックスを参照して、音声認識された３音節分の音節列に対応する辞書識別情報を取得し、音声認識処理で用いる小語彙単語辞書データベースとして、辞書識別情報が示す小語彙単語辞書データベースを選択する（１０４）。そして、選択された小語彙単語辞書データベースを読み込み、作業用メモリに格納させ（１０６）、作業用メモリに格納された小語彙単語辞書データベースに格納された全ての語彙単語を逐次探索し、入力された音声が示す単語を音声認識する（１０８）。
【選択図】図４

Description

本発明は、音声認識装置に係り、特に、単語辞書を用いて音声が示す単語を認識する音声認識装置に関する。

従来より、大語彙単語の認識を行う音声認識装置が知られている（例えば、特許文献１）。この音声認識装置では、一文字キーを入力して認識させたい単語の音節を入力し、その音節を用いて大語彙単語辞書部から単語を逐次絞り込んで選択を行っていく。そして、絞り込みの途中、一度に認識可能な認識語彙数に達したか否かを外部に表示し、単語が十分に絞り込まれたら、ユーザは認識させたい目的の言葉を発声し、単語認識で認識され結果が出力される。
特開平９−６８９９８号公報

上記従来の技術では、大語彙単語辞書の単語を逐次探索しているため、膨大な認識処理時間がかかってしまう、という問題がある。

本発明は、上記の問題点を解決するためになされたもので、認識処理時間を短縮することができる音声認識装置を提供することを目的とする。

上記の目的を達成するために第１の発明に係る音声認識装置は、各々先頭から所定数の音節が共通する複数の単語を格納すると共に、各々の共通する音節が異なる複数の単語辞書が登録された辞書登録手段と、前記複数の単語辞書の共通する音節を示す共通音節情報を記憶した共通音節記憶手段と、認識対象の音声を入力する入力手段と、前記入力手段によって入力された音声の先頭から所定数の音節の音声を認識する音節音声認識手段と、前記共通音節記憶手段に記憶された前記共通音節情報に基づいて、前記音節音声認識手段によって認識された音声に対応する単語辞書を、前記辞書登録手段に登録された前記複数の単語辞書から選択する選択手段と、前記選択手段によって選択された単語辞書を用いて、入力された音声全体を認識する音声認識手段とを含んで構成されている。

第１の発明に係る音声認識装置によれば、各々先頭から所定数の音節が共通する複数の単語を格納すると共に、各々の共通する音節が異なる複数の単語辞書が辞書登録手段に登録され、また、複数の単語辞書の共通する音節を示す共通音節情報が共通音節記憶手段に記憶されている。

そして、入力手段によって認証対象の音声が入力され、音節音声認識手段によって、入力された音声の先頭から所定数の音節の音声を認識する。そして、選択手段によって、共通音節記憶手段に記憶された共通音節情報に基づいて、音節音声認識手段によって認識された音声に対応する単語辞書を、辞書登録手段に登録された複数の単語辞書から選択する。

そして、音声認識手段によって、選択手段によって選択された単語辞書を用いて、入力された音声全体を認識する。

従って、単語辞書に格納される複数の単語を、共通する先頭から所定数の音節によって、複数の単語辞書に分けて格納し、入力音声の先頭から所定数の音節の音声を認識して、用いる単語辞書を選択し、入力された音声全体の音声認識を行うことにより、入力音声を認識する際に、全ての単語辞書に格納された全ての単語を逐次探索する必要がないため、認識処理時間を短縮することができる。

また、第２の発明に係る音声認識装置は、各々先頭から所定数の音節の母音が共通する複数の単語を格納すると共に、各々の共通する音節の母音が異なる複数の単語辞書が登録された辞書登録手段と、前記複数の単語辞書の共通する音節の母音を示す共通音節母音情報を記憶した共通音節母音記憶手段と、認識対象の音声を入力する入力手段と、前記入力手段によって入力された音声の先頭から所定数の音節の母音を認識する音節母音認識手段と、前記共通音節記憶手段に記憶された前記共通音節情報に基づいて、前記音節母音認識手段によって認識された音声の母音に対応する単語辞書を、前記辞書登録手段に登録された前記複数の単語辞書から選択する選択手段と、前記選択手段によって選択された単語辞書を用いて、入力された音声全体を認識する音声認識手段とを含んで構成されている。

第２の発明に係る音声認識装置によれば、各々先頭から所定数の音節の母音が共通する複数の単語を格納すると共に、各々の共通する音節の母音が異なる複数の単語辞書が辞書登録手段に登録され、また、複数の単語辞書の共通する音節の母音を示す共通音節母音情報が共通音節母音記憶手段に記憶されている。

そして、入力手段によって認証対象の音声が入力され、音節母音認識手段によって、入力された音声の先頭から所定数の音節の母音を認識する。そして、選択手段によって、共通音節母音記憶手段に記憶された共通音節母音情報に基づいて、音節母音認識手段によって認識された音声の母音に対応する単語辞書を、辞書登録手段に登録された複数の単語辞書から選択する。

そして、音声認識手段によって、選択手段によって選択された単語辞書を用いて、入力された音声全体を認識する。

従って、単語辞書に格納される複数の単語を、共通する先頭から所定数の音節の母音によって、複数の単語辞書に分けて格納し、入力音声の先頭から所定数の音節の母音を認識して、用いる単語辞書を選択し、入力された音声全体の音声認識を行うことにより、入力音声を認識する際に、全ての単語辞書に格納された全ての単語を逐次探索する必要がないため、認識処理時間を短縮することができる。

以上説明したように、本発明の音声認識装置によれば、単語辞書に格納される複数の単語を、共通する先頭から所定数の音節によって、複数の単語辞書に分けて格納し、入力音声の先頭から所定数の音節の音声又は母音を認識して、用いる単語辞書を選択し、音声認識を行うことにより、入力音声を認識する際に、全ての単語辞書に格納された全ての単語を逐次探索する必要がないため、認識処理時間を短縮することができる、という効果が得られる。

以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、超大語彙辞書に格納された語彙単語によって音声認識を行う音声認識装置に本発明を適用した場合について説明する。

図１に示すように、第１の実施の形態に係る音声認識装置１０は、数百万件規模の語彙単語が格納されている辞書登録手段としての記憶装置１２と、後述する参照用インデックスが記憶された参照用インデックスデータベース１４と、記憶装置１２及び参照用インデックスデータベース１４に接続され、かつ単語認識処理プログラムを記憶したコンピュータ１６とを備えている。また、コンピュータ１６は、各種処理を実行する際に各種データを一時的に格納するための作業用メモリ２０を備えている。

記憶装置１２は、例えば、ＨＤＤによって構成され、記憶装置１２には、数千件規模の語彙単語が格納されている複数の小語彙単語辞書データベース１８からなる辞書セットが記憶されており、複数の小語彙単語辞書データベース１８には合計数百万件の語彙単語が格納されている。小語彙単語辞書データベース１８は、図２に示すように、数百万件規模の語彙単語が格納された超大語彙単語辞書データベース３０を分割して生成されている。

ここで、小語彙単語辞書データベース１８を生成するための辞書分割装置３２について説明する。図２に示すように、辞書分割装置３２は、超大語彙単語辞書データベース３０、記憶装置１２、及び参照用インデックスデータベース１４に接続され、かつ辞書分割処理プログラムを記憶したコンピュータ３４を備えている。

辞書分割処理プログラムは、超大語彙単語辞書データベース３０に格納されている複数の語彙単語を数千件の語彙単語に分割して、複数の小語彙単語辞書データベース１８の各々に格納し、辞書セットを生成するためのプログラムである。ここで、超大語彙単語辞書データベース３０に格納されている複数の語彙単語を分割する際には、超大語彙単語辞書データベース３０に格納されている複数の語彙単語を、先頭のＮ音節（本実施形態では３音節）が共通するもの同士で集めて、クラスタリングすることにより分割するようになっている。

また、辞書分割処理プログラムは、語彙単語を分割した際の共通する先頭３音節分の音節列と、先頭３音節が共通する複数の語彙単語が格納された小語彙単語辞書データベース１８を示す辞書識別情報とが対応して記録された共通音節情報としての参照用インデックスを生成して、参照用インデックスデータベース１４に記憶させる参照用インデックス生成モジュール、及び複数の小語彙単語辞書データベース１８からなる辞書セットを生成して、記憶装置１２に記憶させる辞書セットモジュールを含んで構成されている。

辞書セットの複数の小語彙単語辞書データベース１８には、図３に示すように、語彙単語が分割して格納され、例えば、語彙単語「ながやけんせつ」と「なごやかはいつ」とは、先頭３音節が異なるため、異なる少語彙単語辞書データベース１８に格納され、語彙単語「やまだけんせつ」、「やまだばんきん」、及び「やまだい」は、先頭３音節が共通するため、同じ小語彙単語辞書データベース１８に格納されている。また、このとき、参照用インデックスデータベース１４に格納されている参照用インデックスでは、先頭３音節「ながや」、「なごや」、及び「やまだ」の各々に対応して、各先頭３音節が共通する語彙単語が格納された小語彙単語辞書データベース１８を示す辞書識別情報が記録されている。

また、図１に示すように、音声認識装置１０のコンピュータ１６における単語認識処理プログラムは、後述する単語認識処理ルーチンを実行するためのプログラムであり、入力された音声の先頭３音節を音声認識して、対応する小語彙単語辞書データベース１８を選択すると共に、作業用メモリ２０に格納する辞書選択モジュールと、作業用メモリ２０に格納された小語彙単語辞書データベース１８を用いて、入力された音声が示す単語を音声認識する単語認識モジュールとを含んで構成されている。

次に、第１の実施の形態の作用について説明する。

まず、辞書分割装置３２における超大語彙単語辞書データベース３０から複数の小語彙単語辞書データベース１８に分割する処理について説明する。

コンピュータ３４において、辞書分割処理プログラムを実行し、辞書セット生成モジュールを用いて、超大語彙単語辞書データベース３０から語彙単語を読み込み、先頭３音節が共通しているもの同士を組にして、共通の先頭３音節毎に小語彙単語辞書データベース１８を生成する。また、参照用インデックス生成モジュールを用いて、上記の共通する先頭３音節分の音節列の各々と、各先頭３音節が共通する複数の語彙単語が格納された小語彙単語辞書データベース１８を示す辞書識別情報とを対応させて記録した参照用インデックスを生成して、参照用インデックスデータベース１４に記憶させる。

以上のように処理が実行されることにより、例えば、辞書識別情報が「３」である小語彙単語辞書データベース１８には、先頭３音節が「やまだ」で始まる単語が格納されており、参照用インデックスには、辞書識別情報「３」と共通する先頭３音節分の音節列「やまだ」とが対応して記録されている。

次に、上記のコンピュータ１６で実行される入力された音声が示す単語を音声認識するための単語認識処理ルーチンについて図４を用いて説明する。

まず、ステップ１００において、音声が入力されたか否かを判定し、音声が入力されると、入力された音声の波形から音声区間を切り出し、ステップ１００からステップ１０２へ進み、切り出された音声区間から、音節認識手法などを用いて入力音声の先頭から３音節分の音節区間を切り出し、切り出された音節区間を音声認識する。

そして、ステップ１０４において、参照用インデックスデータベース１４から参照用インデックスを読みこみ、参照用インデックスを参照して、ステップ１０２で音声認識された３音節分の音節列に対応する辞書識別情報を取得し、音声認識処理で用いる小語彙単語辞書データベース１８として、辞書識別情報が示す小語彙単語辞書データベース１８を選択する。

次のステップ１０６では、選択された小語彙単語辞書データベース１８を読み込み、作業用メモリ２０に格納させ、ステップ１０８において、作業用メモリ２０に格納された小語彙単語辞書データベース１８に格納された全ての語彙単語を逐次探索し、入力された音声が示す単語を音声認識する。

そして、ステップ１１０において、ステップ１０８での認識結果をコンピュータ１６のディスプレイ（図示省略）などに出力して、単語認識処理ルーチンを終了する。

以上のように、単語認識処理ルーチンが実行されると、例えば、入力された音声が「やまだばんきん」である場合に、先頭３音節「やまだ」が共通する語彙単語が格納されている小語彙単語辞書データベース１８が作業用メモリ２０に格納されて、音声認識が行われ、音声認識結果として、「やまだばんきん」が出力される。

また、上記のように音声認識処理を行う場合に、比較的安定して得られる先頭３音節分の音節列の音声認識結果を用いて、小語彙単語辞書データベース１８の選択を行っているが、音声認識の結果が誤っていた場合には、ユーザに対して、先頭３音節以上を半連続的にはっきり発声するように情報提示し、先頭３音節以上をはっきり発声させることにより、音声認識の精度を向上させることができる。例えば、入力音声が「やまだばんきん」であった場合には、「や、ま、だ、ばんきん」のように発声してもらう。

以上説明したように、第１の実施の形態に係る音声認識装置によれば、超大語彙単語辞書に格納されていた数百万件規模の語彙単語を、先頭から所定数の音節が共通するものによって、複数の小語彙単語辞書データベースに分けて格納し、入力音声の先頭から所定数の音節の音声を認識して、用いる小語彙単語辞書データベースを選択し、音声認識を行うことにより、入力音声を認識する際に、全ての小語彙単語辞書データベースに格納された全ての語彙単語を逐次探索する必要がなく、逐次探索する語彙単語数を減少させることができるため、認識処理時間を短縮することができる。

また、超大語彙単語辞書データベースに格納されている語彙単語を逐次探索する場合には、超大語彙単語辞書データベースを作業用メモリに格納する必要があり、作業用メモリの記憶容量を大きくする必要があるが、入力音声の先頭の所定数の音節の音声認識結果により選択された小語彙単語辞書データベースだけを作業用メモリに格納すれば音声認識処理を行うことができるため、作業用メモリにおいて必要とされる記憶容量を削減することができる。

また、上記の特許文献１に記載された技術では、表示を見ながら一文字ずつ音声発声するため、例えば、「や、ま、だ」と発声すべきところを、表示を見ながら考えて発声するため「や、（えー）、ま、（あ）、だ、・・・」（括弧内は不要語）と発声してしまうことが多い、という問題があり、また、ボタンを押している間だけ認識する手段でこの問題を解決することが可能であるが、利便性が悪くなってしまう。しかし、本実施の形態では、「やまだばんきん」又は「や、ま、だ、ばんきん」のように、ユーザが連続的もしくは半連続的に一単語を一息で発声することができるため、不要語が入りづらく、精度よく音声認識を実現することができ、かつ、利便性を向上させることができる。

なお、上記の実施の形態では、一つの単語を発声して、音声を入力する場合を例に説明したが、複数の単語からなる単語列を発声して、単語列を示す音声を入力するようにしてもよい。この場合には、入力された音声の波形から単語毎の音声区間を切り出し、単語列を構成する複数の単語の音声区間の各々について、上記の単語認識処理ルーチンを実行して、音声認識処理を行えばよい。

次に、第２の実施の形態について説明する。なお、第１の実施の形態と同様の構成になっているため、第２の実施の形態に係る音声認識装置及び辞書分割装置の構成について、同一符号を付して説明を省略する。

第２の実施の形態では、先頭の所定数の音節の母音が共通するもの同士を組にして、小語彙単語辞書データベースを作成して、超大語彙単語辞書データベースに格納されている複数の単語を、複数の小語彙単語辞書データベースに分割して格納している点が第１の実施の形態と異なっている。

第２の実施の形態に係る辞書分割装置３２では、超大語彙単語辞書データベース３０に格納されている複数の語彙単語を、先頭３音節の母音が共通するもの同士を組にして、クラスタリングすることにより分割し、各組に分割された複数の語彙単語を格納した複数の小語彙単語辞書データベース１８からなる辞書セットを生成して、記憶装置１２に記憶させるようになっている。

そして、複数の語彙単語を分割した際の各組で共通する先頭３音節の母音の各々と、各先頭３音節の母音が共通する複数の語彙単語が格納された小語彙単語辞書データベース１８を示す辞書識別情報とが対応して記録された共通音節母音情報としての参照用インデックスを生成して、参照用インデックスデータベース１４に記憶させるようになっている。

辞書セットの小語彙単語辞書データベース１８には、図５に示すように、複数の語彙単語が分割して格納され、例えば、語彙単語「ながやけんせつ」、「やまだけんせつ」、「やまだばんきん」、及び「やまだい」は、辞書識別情報「３」の小語彙単語辞書データベース１８に格納され、「なごやかはいつ」は、辞書識別情報「２」の少語彙単語辞書データベース１８に格納されている。また、このとき、参照用インデックスデータベース１４に格納されている参照用インデックスでは、先頭３音節の母音「あおあ」及び「あああ」の各々に対応して、これらの先頭３音節の母音の各々が共通する語彙単語が格納された小語彙単語辞書データベース１８を示す辞書識別情報（「あおあ」に対しては「２」、「あああ」に対しては「３」）が記録されている。

次に、第２の実施の形態の単語認識処理ルーチンについて説明する。

コンピュータ１６において、音声が入力されると、入力された音声から、音節認識手法などを用いて入力音声の先頭から３音節分の音節区間を切り出し、切り出された音節区間の母音を認識する。そして、参照用インデックスを参照して、認識された３音節分の母音に対応する辞書識別情報を取得し、音声認識処理で用いる小語彙単語辞書データベース１８を選択する。

また、選択された小語彙単語辞書データベース１８を読み込み、作業用メモリ２０に格納させ、作業用メモリ２０に格納された小語彙単語辞書データベース１８に格納された全ての単語を逐次探索し、入力された音声が示す単語を音声認識し、認識結果をコンピュータ１６のディスプレイ（図示省略）などに出力する。

以上のように、単語認識処理ルーチンが実行されると、例えば、入力された音声が「やまだばんきん」である場合に、先頭３音節の母音「あああ」が共通している複数の語彙単語が格納されている小語彙単語辞書データベース１８が作業用メモリ２０に格納されて、格納された小語彙単語辞書データベース１８を用いて音声認識が行われ、音声認識結果として、「やまだばんきん」が出力される。

以上説明したように、第２の実施の形態に係る音声認識装置によれば、超大語彙単語辞書データベースに格納されていた数百万件規模の語彙単語を、先頭から所定数の音節の母音が共通するものによって、複数の小語彙単語辞書データベースに分けて格納し、入力音声の先頭から所定数の音節の母音の認識結果に基づいて、用いる小語彙単語辞書データベースを選択して、音声認識を行うことにより、入力音声を認識する際に、全ての小語彙単語辞書データベースに格納された全ての語彙単語を逐次探索する必要がないため、認識処理時間を短縮することができる。

本発明の第１の実施の形態に係る音声認識装置を示すブロック図である。 本発明の第１の実施の形態に係る辞書分割装置を示すブロック図である。 本発明の第１の実施の形態の小語彙単語辞書データベース及び参照用インデックスの例を示すイメージ図である。 本発明の第１の実施の形態の単語認識処理ルーチンの内容を示す流れ図である。 本発明の第２の実施の形態の小語彙単語辞書データベース及び参照用インデックスの例を示すイメージ図である。

符号の説明

１０ 音声認識装置
１２ 記憶装置
１４ 参照用インデックスデータベース
１６、３４ コンピュータ
１８ 小語彙単語辞書データベース
２０ 作業用メモリ
３０ 超大語彙単語辞書データベース
３２ 辞書分割装置

Claims (2)

1. 各々先頭から所定数の音節が共通する複数の単語を格納すると共に、各々の共通する音節が異なる複数の単語辞書が登録された辞書登録手段と、
   前記複数の単語辞書の共通する音節を示す共通音節情報を記憶した共通音節記憶手段と、
   認識対象の音声を入力する入力手段と、
   前記入力手段によって入力された音声の先頭から所定数の音節の音声を認識する音節音声認識手段と、
   前記共通音節記憶手段に記憶された前記共通音節情報に基づいて、前記音節音声認識手段によって認識された音声に対応する単語辞書を、前記辞書登録手段に登録された前記複数の単語辞書から選択する選択手段と、
   前記選択手段によって選択された単語辞書を用いて、入力された音声全体を認識する音声認識手段と、
   を含む音声認識装置。
2. 各々先頭から所定数の音節の母音が共通する複数の単語を格納すると共に、各々の共通する音節の母音が異なる複数の単語辞書が登録された辞書登録手段と、
   前記複数の単語辞書の共通する音節の母音を示す共通音節母音情報を記憶した共通音節母音記憶手段と、
   認識対象の音声を入力する入力手段と、
   前記入力手段によって入力された音声の先頭から所定数の音節の母音を認識する音節母音認識手段と、
   前記共通音節記憶手段に記憶された前記共通音節情報に基づいて、前記音節母音認識手段によって認識された音声の母音に対応する単語辞書を、前記辞書登録手段に登録された前記複数の単語辞書から選択する選択手段と、
   前記選択手段によって選択された単語辞書を用いて、入力された音声全体を認識する音声認識手段と、
   を含む音声認識装置。

Images