JP2008129028A - 音響モデル適応化処理方法、音響モデル適応化処理装置、音響モデル適応化処理プログラム、記録媒体 - Google Patents

Abstract

【課題】高価な装置を用いることなく、かつ、短時間に音響モデルの適応化処理を実行することができる音響モデル適応化処理方法、装置を提案する。
【解決手段】学習音声データの前端及び後端に同期信号を付与した再生音声データを生成し、再生音声データを適応化対象経路を通じて収録し、収録した収録音声データから前記同期信号を使って前記学習音声データに相当する部分を切り出し、切り出した収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する。
【選択図】図１

Description

この発明は音声認識装置に用いられる音響モデルを適応化対象経路の環境に適応した音響モデルに変換する音響モデル適応化処理方法、音響モデル適応化処理装置、音響モデル適応化処理プログラム、このプログラムを記録した記録媒体に関する。

音声認識を実施する場合、或る環境で収録した音声の認識性能は、話者の口の位置およびマイクの位置が決まった場合、話者の口とマイクの間のインパルス応答（空間伝達特性）を測定し、測定したインパルス応答を畳み込んだ音声データから学習した音響モデルを構築することにより、認識性能を向上することができる。
しかし、測定したインパルス応答を畳み込んだ音声データから特定の環境に対応する音響モデルを新たに再学習する場合、膨大な計算時間とコストがかかることになる。そこで、例えば接話マイクを利用して、伝達特性の影響の少ない収録環境で収録された音声から構築した既存の音響モデルから、インパルス応答の畳み込みを反映した音響モデルを合成する手法が提案されている（特許文献１）。

この特許文献１に開示された手法は、対象の収録環境で収録した伝達特性（インパルス応答）を、基準信号に畳み込み、畳み込み後の信号から得られた特徴パラメータから、畳み込み前の元信号から得られた特徴パラメータを差し引いた差分を求め、この差分を用いて音響モデルを変換することで、収録環境での伝達特性を模擬した音響モデルを合成する手法である。
図６を用いて特許文献１で提案されている音響モデル適応化処理方法を説明する。音声認識を行う環境において、予め収録した伝達特性（インパルス応答）１１を、例えば数十秒程度の発話音声からなる畳み込み前基準信号１２に畳み込み処理部１３で畳み込み、畳み込み後基準信号１４を得る。

畳み込み前基準信号１２は特徴パラメータ分析部１５Ａで特徴パラメータに変換される。畳み込み後基準信号１４は特徴パラメータ分析部１５Ｂで特徴パラメータに変換される。
特徴パラメータ差分計算部１６では、特徴パラメータ分析部１５Ａ、１５Ｂのそれぞれで得られた特徴パラメータの差分を計算する。適応前音響モデル１７に対して、得られた特徴パラメータの差分を用いて、モデルパラメータ中の平均パラメータをシフトする処理をモデル合成部１８で行い、適応後音響モデル１９を得る。
特開２００５−３０１０９７号公報

従来の技術では伝達特性（インパルス応答）の収録が必要となる。また音響モデルの平均パラメータのみの適応であり、伝達特性の影響のみを考慮するので加法性雑音（例えば回線上で混入する雑音或いは、音声認識環境下で混入する周辺雑音）の影響まで考慮できない。
この発明の目的は伝達特性の収録が必要なく、また加法性雑音の影響を考慮して音響モデルを適応化処理することができる音響モデル適応化処理方法及びこの処理方法を用いて動作する音響モデル適応化処理装置を提案するものである。

この発明による音響モデル適応化処理方法は学習データの前端及び後端に同期信号を付加した再生音声データを生成し、再生音声データを適応化対象経路を通じて収録し、収録した収録音声データから前記同期信号を使って学習音声データに相当する部分を切り出し、切り出した収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成することを特徴とする。

この発明による音響モデル適応化処理方法は、更に学習音声データの前端及び後端に同期信号を付加した再生音声データを生成し、再生音声データを適応化対象経路を通じて収録し、収録した収録音声データの時間長を前記同期信号を使って計測し、計測した時間長と、前記学習データの時間長とから時間伸縮係数を求め、この時間伸縮係数により収録音声データの時間情報ラベルを補正し、時間補正された時間補正収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成することを特徴とする。

この発明による音響モデル適応化処理方法は、更に前記の音響モデル適応化処理方法において、適応化対象経路を伝播可能な予め定めた信号であることを特徴とする。
この発明による音響モデル適応化処理装置は学習音声データの前端及び後端に同期信号を付加する同期信号付加手段と、同期信号が付加された学習音声データを適応化対象経路を通じて再生する再生手段と、再生された同期信号付き学習音声データを収録する収録手段と、収録した同期信号付き学習音声データから、同期信号を用いて学習音声データに相当する部分を抽出する音声データ抽出手段と、音声データ抽出手段で抽出した音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する音響モデル適応部とを備えることを特徴とする。

この発明による音響モデル適応化処理装置は、更に学習音響データの前端及び後端に同期信号を付加する同期信号付加手段と、同期信号付き学習音声データを適応化対象経路を通じて再生する再生手段と、再生された前記同期信号付き学習音声データを収録する収録手段と、収録した収録音声データから、同期信号を用いて学習音声データに相当する音声データを抽出する音声データ抽出手段と、同期信号を用いて抽出した収録音声データの時間長を計測する時間長計測手段と、時間長計測手段が計測した収録音声データの時間長と学習音声データの時間長とから時間伸縮係数を算出する時間伸縮係数算出手段と、時間伸縮係数算出手段が算出した時間伸縮係数により収録音声データの時間情報ラベルを補正する時間情報ラベル補正手段と、時間補正された収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する音響モデル適応手段とを備えることを特徴とする。

この発明による音響モデル適応化処理装置は、更に前記記載の音響モデル適応化処理装置において、同期信号付加手段で付加する同期信号は適応化対象経路を伝播可能な予め定めた信号であることを特徴とする。
この発明による音響モデル適応化処理装置は、更にコンピュータが解読可能なプログラム言語によって記述され、コンピュータに前記記載の音響モデル適応化処理装置として機能させる音響モデル適応化処理プログラムであることを特徴とする。
この発明による記録媒体はコンピュータが読み取り可能な記録媒体によって構成され、この記録媒体に前記記載の音響モデル適応化処理プログラムを記録したことを特徴とする。

この発明によれば学習音声データの前端及び後端に同期信号を付加し、同期信号を付加した同期信号付学習音声データを適応化対象経路を通じて収録したから、同期信号を用いることにより収録側で収録音声データの時間長を計測することができる。この結果、再生系と収録系は独立のもので良く、再生系と収録系の時間のずれを補正することができるため、簡単かつ別途に特別な装置を必要とせずに認識対象の音声に頑健な音響モデルを生成することができる。

この発明による音響モデル適応化処理装置を実施する場合、全てをハードウェアによって構成することもできるが、簡素に実施するにはこの発明で提案する音響モデル適応化処理プログラムをコンピュータにインストールし、インストールした音響モデル適応化処理プログラムをコンピュータに備えたＣＰＵに解読させ、実行させることによりコンピュータに音響モデル適応化処理装置として機能させる実施形態が最良の実施形態である。

コンピュータにこの発明による音響モデル適応化処理装置として機能させるには、コンピュータに学習音声データの前端及び後端に同期信号を付加する同期信号付加手段と、同期信号が付加された学習音声データを適応化対象経路を通じて再生する再生手段と、再生された同期信号付き学習音声データを収録する収録手段と、収録した同期信号付き学習音声データから、同期信号を用いて学習音声データに相当する部分を抽出する音声データ抽出手段と、音声データ抽出手段で抽出した音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する音響モデル適応部とを構築し、音響モデル適応化処理装置として機能させる第１の実施形態と、

学習音響データの前端及び後端に同期信号を付加する同期信号付加手段と、同期信号付き学習音声データを適応化対象経路を通じて再生する再生手段と、再生された同期信号付き学習音声データを収録する収録手段と、収録した収録音声データから、同期信号を用いて学習音声データに相当する部分を抽出する音声データ抽出手段と、同期信号を用いて抽出した収録音声データの時間長を計測する時間長計測手段と、時間長計測手段が計測した収録音声データの時間長と学習音声データの時間長とから時間伸縮係数を算出する時間伸縮係数算出手段と、時間伸縮係数算出手段が算出した時間伸縮係数により収録音声データの時間長を学習音声データの時間長に対応させる時間情報ラベル補正手段と、時間補正された収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する音響モデル適応手段とを構築し、音響モデル適応化処理装置として機能させる第２実施形態とが考えられる。

第１の実施形態は再生及び収録音声データに時間軸方向の揺らぎが発生しない場合の実施形態であり、第２の実施形態は再生及び収録音声データに時間軸方向の揺らぎが発生する場合の実施形態である。

この実施例１は収録音声データに時間軸方向の揺らぎがない、上記第１の実施形態に相当する実施例である。図１に示す学習データ蓄積手段２１に蓄積した学習音声データＳ１は伝達特性の影響を極力排除したクリーンな環境で収録した音声データである。この発明では、この学習音声データに対して同期信号蓄積手段２０に蓄積した同期信号データの中から適当な同期信号ＶＳを選択して、同期信号付加手段２２で時間同期用の同期信号ＶＳを付与する。同期信号ＶＳとしては適応化対象経路２４Ｃを伝播可能で、予め同期信号として決定しておくことにより、音声信号と区別して検出できればどのような信号でも用いることができる。この場合検出を容易に行えるようにするためには、単一スペクトルで構成される例えば１ｋＨｚ程度の単一周波数の正弦波信号を５秒間程度挿入して構成することができる。同期信号ＶＳは図２に示すように学習音声データＳ１の前端と後端とに付与し、学習音声データＳ１の開始時刻と終了時刻とを検出するために利用する。図２Ａでは一発声毎の学習音声データＳ１の前端と後端に同期信号ＶＳを付与した場合を示すが、図２Ｂに示すように複数の学習音声データＳ１を一群とし、群の前端と後端に同期信号ＶＳを付与してもよい。この場合は、同期箇所の同定処理が少なく、計算処理を抑えることができることと、同期信号の数が減るので、収録データのサイズを小さくできる利点が得られる。

同期信号ＶＳが付与された学習音声データは再生音声データＳ２とされ、再生データ蓄積手段２３に蓄積される。再生データ蓄積手段２３に蓄積された再生音声データＳ２は必要に応じて読み出され、再生収録手段２４へ入力される。再生収録手段２４は再生手段２４Ａと収録手段２４Ｂと、適応化対象経路２４Ｃとによって構成される。
適応化対象経路２４Ｃは例えば音声認識を適用する音場空間である場合と、音声認識を適用する電話回線の場合とが考えられる。

音声認識の為の適応化対象経路２４Ｃが音声認識を適用する音場空間である場合には再生手段２４Ａはスピーカを備え、スピーカから再生音声データＳ２を音として放音する。放音された再生音声は音声認識対象となる音場空間の伝達特性を重畳し、収録手段２４Ｂに備えたマイクに収音される。収音される音声には伝搬空間に存在する例えば空調音、その他の騒音を含み、加法性雑音の影響も重畳し、収録手段２４Ｂに収録音声データＳ３として収録され、収録データ蓄積手段２５に蓄積される。蓄積された収録音声データＳ３は音声データ抽出手段２６で音声データ部分を抽出する。この音声データ部分の抽出に同期信号ＶＳを利用し、同期信号ＶＳの検出により音声データの始端と終端を検出する。収録信号中の同期信号区間の検出には、同期信号ＶＳと収録信号の相関を取り、相関の高い区間を同期信号すると良い。また、５秒間の１ｋＨｚの単一周波数の正弦波信号を同期信号に用いる場合は、音声データ抽出手段２６側で同期信号を用いなくても収録信号中の１ｋＨｚ成分のパワーレベルが閾値以上５秒程度続く区間を同期信号とすることで容易に同期信号区間の検出が可能である。

ここでは収録音声データＳ３に時間軸方向の揺らぎが無いものとしているから、収録音声の時間情報ラベルは学習音声データＳ１の時間情報ラベルと一致している。つまり、抽出した音声データの時間情報ラベルは書き替えることなく、そのまま用いることができる。
従って、この音声データ抽出手段２６で抽出した抽出データを抽出データ蓄積手段２７に蓄積すれば、この抽出データを利用して音響モデル適応手段２８で適応前音響モデル１７を適応化対象経路２４Ｃで学習した伝達特性及び加法性雑音に適応した適応化処理を実行することができ、適応後音響モデル１９を得ることができる。音響モデル適応手段２８における適応化処理の方法は従来からよく知られている処理方法で実現される。

以上は適応化対象経路２４Ｃが音声認識を適用する音場空間である場合を例示して説明したが、音声認識対象が電話回線から得られる音声である場合も考えられる。この場合には再生手段２４Ａは再生音声を電話回線に送出する。収録手段２４Ｂは電話回線を通じて音声を取り出し収録する。収録された音声データは電話回線を伝搬中に学習した電話回線の伝達特性と、更に、加法性雑音の学習データとを備え、これらを含めて適応化処理を行う。

図３には収録音声データＳ３に時間軸方向の揺らぎが発生する場合の実施例を示す。収録音声データＳ３に時間軸方向の揺らぎが発生する要因は、学習音声データＳ１の収録機器と、再生手段２４Ａ及び収録手段２４Ｂの各処理速度の差違（例えばＡＤ変換速度、ＤＡ変換速度等の差違）によって発生する。この揺らぎの発生によって、収録音声データＳ３の時間長は元の学習音声データＳ１の時間長と異なる値となる。この時間長の差により収録音声データＳ３の時間情報ラベルは元の学習音声データＳ１の時間情報ラベルと不一致となり、このままでは音響モデル適応処理を行うことができなくなる。

このため、この実施例では収録音声データＳ３の時間長を同期信号を用いて計測し、計測した収録音声データＳ３の時間長と、元の学習音声データＳ１の時間長とから時間伸縮係数を算出する。この時間伸縮係数により収録音声データＳ３の時間情報ラベルを補正し、時間情報ラベルを学習音声データＳ１のそれに合致する値に補正する。この時間情報ラベルの補正により音響モデル適応処理が可能となる。
つまり、収録手段２４Ｂで収録した収録音声データＳ３は音声データ抽出手段２６で音声部分のみを抽出する。抽出された音声データは時間長計測手段３１で時間長を計測する。元の学習音声データＳ１の音声部分の時間長がＴ１、収録音声データＳ３から計測した時間長がＴ２とした場合、時間伸縮係数算出手段３２は時間伸縮係数Ｃを例えばＣ＝Ｔ２／Ｔ１で算出する。

時間伸縮係数Ｃが算出されることにより時間情報ラベル補正手段３３は収録データ蓄積手段２５の時間情報ラベルを補正することができる。時間情報ラベル補正手段３３で行われる時間情報ラベルの補正は以下の如くして行われる。
学習音声データＳ１の時間情報ラベルが例えば
開始時刻 終了時刻 ラベル
１ ５ あいうえお
１０ ２０ かきくけこ
であった場合、
時間情報ラベル補正手段３３は収録音声データＳ３の時間情報ラベルを、
開始時刻 終了時刻 ラベル
１Ｃ ５Ｃ あいうえお
１０Ｃ ２０Ｃ かきくけこ
と変換する。

この変換により、収録データ蓄積手段２５の時間情報ラベルは元の学習データ蓄積手段２１の時間情報ラベルに修正され、音響モデル適応処理に適用することができる。
時間情報ラベルの値が補正された音声データは時間補正収録音声データＳ５として時間補正収録データ蓄積手段３４に蓄積し、必要に応じて音響モデル適応手段２８に与えられる。音響モデル適応手段２８では時間補正収録音声データＳ５を用いて適応前音響モデル１７の適応化処理が実行され、適応後音響モデル１９が得られる。

上述したように、収録音声データＳ３に時間軸方向の揺らぎが発生する場合でも、同期信号ＶＳの挿入により収録音声データＳ３の時間長Ｔ２を計測することができ、これにより収録音声データＳ３の時間長Ｔ２と、元の学習音声データＳ１の時間長Ｔ１とにより時間伸縮係数Ｃを求めることが可能となる。時間伸縮係数Ｃが求められることにより伸縮変形した収録音声データの時間情報ラベルを元の学習音声データＳ１の時間情報ラベルに等しい値に補正することができる。
従って、同期信号付加手段２２と、再生収録手段２４、音声データ抽出手段２６、時間長計測手段３１、時間伸縮係数算出手段３２、時間情報ラベル補正手段３３を設けるだけの簡素な構成で音響モデルの適応化処理を行うことができ、しかも適応化処理を学習によって実施する場合と比較して短時間に処理できる利点が得られる。

図１及び図３で説明した同期信号付加手段２２、再生手段２４Ａの一部、収録手段２４Ｂの一部、音声データ抽出手段２６、時間長計測手段３１、時間伸縮係数算出手段３２、時間情報ラベル補正手段３３、音響モデル適応手段２８はこの発明による音響モデル適応化処理プログラムをインストールしたコンピュータ内に構築される。
コンピュータによってこの発明による音響モデル適応化処理装置を構築する場合、共通のコンピュータによって再生側と収録側の双方を構成する実施形態と、２台のコンピュータによって一方で再生側を構成し、他方で収録側を構成する実施形態が考えられる。

図４に共通のコンピュータによってこの発明による音響モデル適応化処理装置１００を構成した実施例を示す。コンピュータはよく知られているように、ＣＰＵ１０１と、ＣＰＵ１０１から引き出されたバスライン１０２と、読出専用メモリ１０３と、書替可能なメモリ１０４と、入力ポート１０５と、出力ポート１０６とを備えて構成される。書替可能なメモリ１０４にはこの発明による音響モデル適応化処理プログラムが記憶され、このプログラムをＣＰＵ１０１が解読することにより、同期信号付加手段２２、再生手段２４Ａの一部を構成するＤＡ変換手段２４Ａ−１、収録手段２４Ｂの一部を構成するＡＤ変換手段２４Ｂ−１、音声データ抽出手段２６、時間長計測手段３１、時間伸縮係数算出手段３２、時間情報ラベル補正手段３３、音響モデル適応手段２８とを構築する。尚、学習データ蓄積手段２１、再生データ蓄積手段２３、収録データ蓄積手段２５、時間補正収録データ蓄積手段３４、適応前音響モデル１７、適応後音響モデル１９はデータベースの形態で例えばハードディスクのように記録手段に記録される。

ＤＡ変換手段２４Ａ−１は同期信号ＶＳが付与されている再生音声データＳ２を再生データ蓄積手段２３から読み出し、この再生音声データＳ２をＤＡ変換する。ＤＡ変換された再生音声は出力ポート１０６を通じて再生収録手段２４を構成する再生手段２４Ａ−２に入力され、スピーカＳＰから音として放音される。スピーカＳＰから放音された音声は適応化対象経路２４Ｃを通じて収録手段２４Ｂの一部を構成するマイクＭに収録される。マイクＭに収録された音声信号は入力ポート１０５を通じてコンピュータに取り込まれＡＤ変換手段２４Ｂ−１でＡＤ変換され、ＡＤ変換されたデジタル音声データは収録音声データＳ３として収録データ蓄積手段２５に蓄積される。これ以後の処理は図３の説明と同じであるから、ここではその重複説明は省略する。

図５は２台のコンピュータにより一方で音響モデル適応化処理再生装置１００Ａを構成し、他方で音響モデル適応化処理収録装置１００Ｂを構成した場合を示す。この場合の適応化対象経路２４Ｃは電話回線とした場合を示す。このため、電話回線とコンピュータとの接続はモデム１０７と１０８を介して行われる。
音響モデル適応化処理再生装置１００Ａは最小構成要素として少なくとも学習データ蓄積手段２１と、再生データ蓄積手段２３と、同期信号付加手段２２と、ＤＡ変換手段２４Ａ−１が存在すればよい。

音響モデル適応化処理収録装置１００Ｂは少なくとも収録データ蓄積手段２５と、時間補正収録データ蓄積手段３４と、適応前音響モデル１７と、適応後音響モデル１９と、ＡＤ変換手段２４Ｂ−１と、音声データ抽出手段２６と、時間長計測手段３１と、時間伸縮係数算出手段３２と、時間情報ラベル補正手段３３と、音響モデル適応手段２８とが存在すればよい。
この実施形態によれば同期信号ＶＳを付与した収録音声データＳ３を利用して収録音声の時間長を計測し、収録音声の伸縮係数を算出することができるから離れた遠隔地間でも音響モデル適応化処理を行うことができ、同期信号ＶＳを用いたことに起因する大きな作用効果を得ることができる。

この発明による音響モデル適応化処理プログラムはコンピュータが解読可能なプログラム言語によって記述され、その符号化されたデータがコンピュータが読み取り可能な磁気ディスク、ＣＤ−ＲＯＭ或いは半導体メモリ等の記録媒体に記録される。記録媒体に記録されたプログラムは、これらの記録媒体から直接、又は通信回線を通じてコンピュータにインストールされる。コンピュータにインストールされたプログラムはコンピュータに備えられたＣＰＵに解読され、プログラムを実行することにより、音響モデル適応化処理装置として機能する。

音声認識装置を利用する分野で活用される。

この発明の実施例１を説明するためのブロック図。 この発明で用いる再生音声データの一例を説明するための波形図。 この発明の実施例２を説明するためのブロック図。 この発明の実施例３を説明するためのブロック図。 この発明の実施例４を説明するためのブロック図。 従来の技術を説明するためのブロック図。

符号の説明

１７ 適応前音響モデル ３１ 時間長計測手段
１８ モデル合成部 ３２ 時間伸縮係数算出手段
１９ 適応後音響モデル ３３ 時間情報ラベル補正手段
２１ 学習データ蓄積手段 ３４ 時間補正収録データ蓄積手段 ２２ 同期信号付加手段 １００ 音響モデル適応化処理装置
２３ 再生データ蓄積手段 １００Ａ 音響モデル適応化処理再生装置 ２４ 再生収録手段 １００Ｂ 音響モデル適応化処理収録装置２４Ａ 再生手段 １０１ ＣＰＵ
２４Ｂ 収録手段 １０２ バスライン
２４Ｃ 適応化対象経路 １０３ 読出専用メモリ
２５ 収録データ蓄積手段 １０４ 書替可能なメモリ
２６ 音声データ抽出手段 １０５ 入力ポート
２７ 抽出データ蓄積手段 １０６ 出力ポート
２８ 音響モデル適応手段 １０７，１０８ モデム

Claims (8)

1. 学習音声データの前端及び後端に同期信号を付加した再生音声データを生成し、再生音声データを適応化対象経路を通じて収録し、収録した収録音声データから前記同期信号を使って前記学習音声データに相当する部分を切り出し、切り出した収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成することを特徴とする音響モデル適応化処理方法。
2. 学習音声データの前端及び後端に同期信号を付加した再生音声データを生成し、再生音声データを適応化対象経路を通じて収録し、収録した収録音声データの時間長を前記同期信号を使って計測し、計測した時間長と、前記音声学習データの時間長とから時間伸縮係数を求め、この時間伸縮係数により前記収録音声データの時間ラベルを補正し、補正された時間補正収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成することを特徴とする音響モデル適応化処理方法。
3. 請求項１又は２の何れかに記載の音響モデル適応化処理方法において、前記同期信号は前記適応化対象経路を伝播可能な予め定めた信号であることを特徴とする音響モデル適応化処理方法。
4. 学習音声データの前端及び後端に同期信号を付加する同期信号付加手段と、
   同期信号が付加された学習音声データを適応化対象経路を通じて再生する再生手段と、
   再生された前記同期信号付き学習音声データを収録する収録手段と、
   収録した前記同期信号付き学習音声データから、前記同期信号を用いて前記学習音声データに相当する部分を抽出する音声データ抽出手段と、
   音声データ抽出手段で抽出した音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する音響モデル適応部と、
   を備えることを特徴とする音響モデル適用化処理装置。
5. 学習音響データの前端及び後端に同期信号を付加する同期信号付加手段と、
   同期信号付き学習音声データを適応化対象経路を通じて再生する再生手段と、
   再生された前記同期信号付き学習音声データを収録する収録手段と、
   収録した収録音声データから、前記同期信号を用いて前記学習音声データに相当する音声データを抽出する音声データ抽出手段と、
   前記同期信号を用いて抽出した収録音声データの時間長を計測する時間長計測手段と、
   時間長計測手段が計測した収録音声データの時間長と前記学習音声データの時間長とから時間伸縮係数を算出する時間伸縮係数算出手段と、
   時間伸縮係数算出手段が算出した時間伸縮係数により前記収録音声データの時間情報ラベルを補正する時間情報ラベル補正手段と、
   時間補正された収録音声データにより適応前音響モデルを適応化処理し、適応後音響モデルを生成する音響モデル適応手段と、
   を備えることを特徴とする音響モデル適応化処理装置。
6. 請求項４又は５の何れかに記載の音響モデル適応化処理装置において、前記同期信号付加手段で付加する同期信号は前記適応化対象経路を伝播可能な予め定めた信号であることを特徴とする音響モデル適応化処理装置。
7. コンピュータが解読可能なプログラム言語によって記述され、コンピュータに請求項４乃至６の何れかに記載の音響モデル適応化処理装置として機能させる音響モデル適応化処理プログラム。
8. コンピュータが読み取り可能な記録媒体によって構成され、この記録媒体に請求項７記載の音響モデル適応化処理プログラムを記録したことを特徴とする記録媒体。

Images