JP2009204732A - 音声認識装置、音声認識辞書作成方法およびプログラム - Google Patents

Abstract

【課題】未登録語の読みを高い精度で推定して音声認識辞書に登録する。
【解決手段】未登録語抽出部１０５は、入力された文書から音声認識辞書１０３に存在しない未登録語を抽出する。読み確率記憶部１０７は、読みと表記及びその読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルとを記憶する。読み推定部１０６は、上記読み確率記憶部１０７に記憶された第１のテーブル及び第２のテーブルを用いて未登録語抽出部１０５で抽出された未登録語の表記に対応する条件付確率が最大となる読み候補を生成し、読み候補と未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む文書数を求め、この文書数に基づいて読み候補から未登録語の読みを選択する。
【選択図】 図１

Description

本発明は、ユーザが発話した音声を入力として音声認識を行う音声認識装置において、音声認識辞書に登録されていない未登録語に対して読みを推定する装置、方法およびプログラムに関する。

近年、音声認識を用いたヒューマンインタフェースの実用化が徐々に進んでいる。例えば、あらかじめ設定されている特定のコマンドをユーザが音声入力すると、システムが音声認識を行い、認識結果に対応する操作を実行するような音声操作によるカーナビゲーションシステムが実現され、販売されている。また、ユーザが任意の文章を発声し、これをシステムが分析して、自動的に文字列に変換することにより、音声入力による文章作成を可能とする音声入力ソフトウェアも実現され、販売されている。さらに、ロボットにおけるユーザとのインタラクションを音声入力によって可能するための研究開発も盛んに行われており、ロボットに対する動作指示やロボットを介しての様々な情報へのアクセスを音声によって行うことが試みられている。

音声認識の一般的な処理では、まず初めに、ユーザから発声された音声信号をマイクロフォンによって電気信号に置き換えることによりシステムに取り込んだ後、この電気信号を、Ａ／Ｄ（アナログデジタル）変換装置を用いて、音声信号の波形振幅の時系列情報を表現するデジタルデータに変換する。そして、このデジタルデータに対して、ＦＦＴ（高速フーリエ変換）分析などを適用することにより、音声を構成する各音素の周波数の特徴量（音素ごとにピークとなる周波数帯域が異なるため、音素を判別するための特徴量として用いることができる）を時系列（本発明では、特徴量時系列データと呼ぶ）として抽出する。続いて、認識処理では、あらかじめ保持している各音素の特徴データの標準パターンを格納した辞書（本発明では、音素辞書と呼ぶ）や、各単語を構成する音素記号列と単語見出しとの対応情報を格納した辞書（本発明では、単語辞書と呼ぶ）を用いて、文字列に変換する。

代表的な音声認識手法であるＨＭＭ（隠れマルコフモデル）方式では、単語辞書に格納されるデータは、音素間の遷移関係をネットワーク（本発明では、単語ネットワークと呼ぶ）で表現し、ネットワーク中のノード（音素に対応）間のリンクには確率値が付与される。入力された音声の特徴量時系列データと音素辞書に格納された標準パターンと照合することにより、各音素との類似度を求め、この類似度に基づき、単語辞書に格納されている単語ネットワークを用いて、入力音声と最も類似度の高い単語候補を求める方式である（例えば、非特許文献１を参照。）。

しかしながら、単語辞書に登録されていなければ、音声認識結果として出力できない。つまり未登録語については音声認識できないということになる。特に人名や商品名など日々新しく発生する可能性の高い語は、未登録語となる可能性が高かった。例えば、テレビ番組の録画や再生を行うビデオ録画装置において、音声認識機能を実現することを考えると、歌手名やグループ名や俳優名は未登録語となる場合が多く、この未登録語の問題に対応することが必要であった。

そこで、未登録語に対処するため、特許文献１では、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）に公開されている文書を自動巡回ソフトウェアによって収集し、収集した文書から音声認識の単語辞書に登録されていない未登録語を抽出し、単語辞書に登録する方法が開示されている。音声認識の単語辞書に登録するためには、その語の読みも同時に登録する必要がある。しかし、特許文献１では、各漢字に対応付けられた読みの組合せによって読みを生成するため、可能な読みが多数生成される可能性や誤った読みを生成する可能性があった。

近年、ＷＷＷへの情報を書き込むユーザが増大しており、多くの人が歌手や俳優、スポーツ選手に対するコメントや情報を書き込むようになってきている。Ｗｅｂに登録されている情報は、Ｗｅｂ検索エンジンを用いてキーワード検索を行うことができる。そこで、本発明は、このＷＷＷの情報を有効に利用することにより、音声認識辞書における未登録語に関しての読みの推定を行うものである。
鹿野清宏他，音声認識システム，オーム社，ｐｐ．１７−５１，２００１ 特開２００２−１４６９３公報

上述したように、音声認識辞書を用いてユーザの発話する音声を認識する装置では、音声認識結果は事前にシステムに登録された語彙の組合せによって表現される。このため、音声認識辞書に登録されていない未登録語をユーザが発話したとしても、その語に似た発音の語が辞書に登録されている場合、誤ってそれら登録語のいずれかに誤認識してしまい、正しい認識結果が得られないといった問題があった。このような未登録語に対処するためには、その未登録となっている語の表記と読みとを音声認識システムの辞書に登録する必要がある。しかし、新規語彙は日々新しく発生しており、これら新規語彙を音声認識辞書に登録することはコスト増となり、対応に困難を伴っていた。

また、上記特許文献１では、自動巡回ソフトによってＷＷＷで公開されているホームページから未登録語を抽出するとともに、その読みを推定し、音声認識辞書に登録する方法が開示されているが、この読み推定の方法では、可能な読みが多数生成される可能性や誤った読みを生成する可能性があった。

本発明は、上記事情に鑑みてなされたものであり、その目的とするところは、未登録語の読みを高い精度で推定して音声認識辞書に登録することができる音声認識装置、音声認識辞書作成方法およびプログラムを提供するものである。

上記目的を達成するためにこの発明に係る音声認識装置は、登録語の表記とその読みとが対応付けられた音声認識辞書を用いてユーザの発話する音声を認識する装置であって、第１の文書を入力する文書入力部と、前記第１の文書から前記音声認識辞書に存在しない未登録語を抽出する抽出部と、読みと表記及び前記読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルを記憶する記憶部と、前記第１のテーブル及び第２のテーブルを用いて前記未登録語の表記に対応する条件付確率が最大となる読み候補を生成する生成部と、前記読み候補と前記未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む第２の文書の数を求める検索部と、前記第２の文書の数に基づいて前記読み候補から前記未登録語の読みを選択する選択部と、前記未登録語と選択された読みとを対応付けて前記音声認識辞書に登録する登録部とを具備することを特徴とする。

また、この発明に係る音声認識辞書作成方法は、登録語の表記とその読みとが対応付けられた音声認識辞書を用いてユーザの発話する音声を認識する装置に用いられ、第１の文書を入力するステップと、前記第１の文書から未登録語を抽出するステップと、読みと表記及び前記読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルを記憶するステップと、前記第１のテーブル及び第２のテーブルを用いて前記未登録語の表記に対応する条件付確率が最大となる読み候補を生成するステップと、前記読み候補と前記未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む第２の文書の数を求めるステップと、前記第２の文書の数に基づいて前記読み候補から前記未登録語の読みを選択するステップと、前記未登録語と選択された読みとを対応付けて前記音声認識辞書に登録するステップと
を具備することを特徴とする。

また、この発明に係る音声認識辞書作成プログラムは、登録語の表記とその読みとが対応付けられた音声認識辞書を用いてユーザの発話する音声を認識する装置を制御するプログラムであって、コンピュータに、第１の文書を入力する処理と、前記第１の文書から未登録語を抽出する処理と、読みと表記及び前記読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルを記憶する処理と、前記第１のテーブル及び第２のテーブルを用いて前記未登録語の表記に対応する条件付確率が最大となる読み候補を生成する処理と、前記読み候補と前記未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む第２の文書の数を求める処理と、前記第２の文書の数に基づいて前記読み候補から前記未登録語の読みを選択する処理と、前記未登録語と選択された読みとを対応付けて前記音声認識辞書に登録する処理とを実行させることを特徴とする。

したがってこの発明によれば、未登録語の読みを高い精度で推定して音声認識辞書に登録することができる音声認識装置、音声認識辞書作成方法およびプログラムを提供することができる。

以下、図面を参照しながら本発明の実施の形態を詳細に説明する。
図１は、本発明の一実施形態に係る音声認識装置の構成を示す機能ブロック図である。この音声認識装置は、音声入力部１０１、音声認識部１０２、音声認識辞書１０３、文書入力部１０４、未登録語抽出部１０５、読み推定部１０６、読み確率記憶部１０７、および制御部１０８を備える。

なお、この音声認識装置は、例えば、ＣＰＵ（Central Processing Unit）、メモリ、ディスク装置を備えるコンピュータで実現できる。制御部１０８はマイクロプロセッサ等のＣＰＵで構成され、各要素モジュールの処理制御を行う。音声認識部１０２、文書入力部１０４、未登録語抽出部１０５、読み推定部１０６、はメモリ上で実行される制御プログラムにより実現する。音声認識辞書１０３および読み確率記憶部１０７は、ＲＡＭやハードディスク等に記憶されるデータとして構成される。

音声入力部１０１は、ユーザが発話する音声を取り込む機能を有し、ユーザが発話する音声をデジタル形式での音声信号に変換するための、マイクロフォンやアナログデジタル信号変換器などで実現される。

音声認識辞書１０３は、音声認識のために登録語の表記とその読みとが対応付けられて格納される。

音声認識部１０２は、音声入力部１０１から得られる音声信号を入力として、音声認識処理を行い、音声認識辞書１０３に登録されている語のいずれかを認識結果として出力する。音声認識処理については、すでに多くの研究開発事例、実現事例が存在しており、それら既存の技術を用いることができる。

文書入力部１０４は、未登録語の抽出のために用いられる文書の入力を受け付ける。この文書として、例えば、Ｗｅｂページを用いる場合には、文書入力部１０４は、通信ネットワークＮＷを介して接続される外部の複数のＷｅｂサーバ１０９へのアクセスを可能にするネットワークインタフェースにより構成される。文書入力部１０４は、制御部１０８の制御の下で、各Ｗｅｂサーバ１０９において格納されているＷｅｂページをｈｔｔｐ（Ｈｙｐｅｒ Ｔｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）等によって読み込む処理を行う。Ｗｅｂページを読み込むには、ｈｔｔｐコマンド中のＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｃｅ Ｌｏｃａｔｏｒｓ）にＷｅｂサーバの名前やＷｅｂページの名前等を表現し、それによって特定されるＷｅｂサーバが指定されたＷｅｂページを返すものである。一方、インターネット上で公開されているＧｏｏｇｌｅ（登録商標）などの検索サービスを利用する場合についても、ｈｔｔｐコマンド中のＵＲＬを拡張定義したＵＲＩ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｉｄｅｎｔｉｆｉｅｒｓ）に検索条件を埋め込み、検索サービスを提供しているＷｅｂサーバは検索結果をＷｅｂページとして返すように指示するものである。このように、Ｗｅｂ検索サービスの利用は、通常のＷｅｂサーバに格納されているＷｅｂページへのアクセス方法と同様の方法で行うことができるようになっている。

未登録語抽出部１０５は、文書入力部１０４によって獲得された文書から音声認識辞書１０３に存在しない未登録語の抽出を行う。この処理の詳細は後述する。

読み確率記憶部１０７は、読みと表記及びその読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルとを記憶する。第１のテーブルおよび第２のテーブルの詳細は後述する。

読み推定部１０６は、図２に示すように読み候補生成部１０６１、文書検索部１６０２、読み選択部１６０３、及び新規登録部１６０４を有する。読み候補生成部１６０１では上記読み確率記憶部１０７に記憶された第１のテーブル１７０１及び第２のテーブル１７０２を用いて未登録語抽出部１０５で抽出された未登録語の表記に対応する条件付確率が最大となる読み候補を生成する。文書検索部１６０２は、読み候補と未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む文書数を求める。本実施形態では、図２に示すように、例えば通信ネットワークＮＷ上のＷｅｂサーバ１０９等にアクセスし、通信ネットワーク上の文書群に対して文書検索を行うものとする。読み選択部１６０３は、検索された文書数に基づいて読み候補から未登録語の読みを選択する。新規登録部１６０４は、読み選択部１６０３で選択された未登録語の読みを音声認識辞書１０３に登録する。これら各部の処理の詳細は後述する。

次に、このように構成された音声認識装置の動作について詳細に説明する。

（未登録語抽出処理）
図３は、未登録語抽出部１０５の処理の手順とその内容を示すフローチャートである。音声認識機能を利用する応用システムによって、この未登録語抽出部１０５で処理すべき文書は変わってくる。例えば、放送番組を録画し再生するビデオ録画機器や放送番組を受信表示するテレビ受像機において、放送番組の検索などを指示するために音声認識機能を利用する場合、番組名や番組への出演者（歌手や俳優等）が音声認識すべき語となる。これらの語が用いられる文書としては、例えばＥＰＧ（Ｅｌｅｃｔｒｏｎｉｃ Ｐｒｏｇｒａｍ Ｇｕｉｄｅ）が考えられる。未登録語抽出部１０５では、あらかじめ定められたＷｅｂサーバに格納されているＥＰＧを読み込み、音声認識辞書１０３に未登録となっている語を抽出する。また、特定の企業サイトのＷｅｂページをナビゲートするために音声認識機能を利用する場合は、未登録語抽出部１０５では、該当する企業サイトのＷｅｂページを処理対象として、未登録語の抽出を行うようにする。

図３において、未登録語抽出部１０５は、はじめに書式解析を行い、地の文を取り出す（ステップＳ３ａ）。Ｗｅｂページは、例えばＨＴＭＬ（Ｈｙｐｅｒ Ｔｅｘｔ Ｍａｒｋ−ｕｐ Ｌａｎｇｕａｇｅ）で記述されており、文書構造を表現するためのタグが含まれているので、これらタグを削除し、地の文を取り出す処理を行う。

次に、未登録語抽出部１０５は、形態素解析を行う（ステップＳ３ｂ）。形態素解析は、ステップ２０１の書式解析で取り出された地の文を、語単位に分割し、各語の品詞の判定結果を出力するものである。

最後に、未登録語抽出部１０５は、形態素解析によって得られる各語について、音声認識辞書１０３に登録されているか否かを判定し、登録されていない場合に、未登録語として抽出する（ステップＳ３ｃ）。

（読み推定処理）
図４は、読み推定部１０６の処理の手順とその内容を示すフローチャートである。図４において、読み推定部１０６の読み候補生成部１６０１は、読み確率記憶部１０７に記憶される第１のテーブル１７０１および第２のテーブル１７０２を用いて、未登録語に対応する読み候補の生成を行う（ステップＳ４ａ）。これは、次のようなモデルに基づくものである。つまり、ある原表記Ｈが与えられた時に読みＹとなる条件付確率をＰ（Ｙ｜Ｈ）とすると、この条件付確率Ｐ（Ｙ｜Ｈ）が最大となるような読みＹを求める探索問題として定式化する（式（１））。式１はベイズの定理によって、式２に変形することが可能である。原表記Ｈは与えられるものであるので、式（２）のＰ（Ｈ｜Ｙ）・Ｐ（Ｙ）／Ｐ（Ｈ）を最大とするＹを求める処理において、Ｐ（Ｈ）は定数であり考慮する必要がないので、式（３）のように変形することができる。

式（３）におけるＰ（Ｈ｜Ｙ）やＰ（Ｙ）はそのままでは計算することができないので、近似が必要となる。そこで、式（４）に示すように、細かい単位に分解する。

式（４）は、各確率値の積となっているが、これを処理の都合上、和にするため、対数をとることにより、式５のように表現することができる。

式（５）において、前半の確率を特に「読みから表記への条件付確率」、後半の確率を「読みの出現確率」と呼ぶことにする。これらの「読みから表記への条件付確率」と「読みの出現確率」は、原表記と読みとの事例が多数存在すれば、その事例におけるそれぞれの値を算出することができる。図５に、読みと表記及びその読みから表記への条件付確率を対応付けた第１のテーブル１７０１の構成の一例を示す。また図６に、読みとその出現確率とを対応付けた第２のテーブル１７０２の一例を示す。読みの出現確率は、例えば、Ｎ-ｇｒａｍモデル（ある文字列の中で、Ｎ個の文字列または単語の組み合わせが、どの程度出現するか）を用いて求めることができる。図６は、３ｇｒａｍでテキスト分析を行った場合の読みの出現確率（ｎ_ｇｒａｍ_ｓｃｏｒｅ）を示したものである。

読み候補生成部１６０１は、第１のテーブル１７０１および第２のテーブル１７０２を用いて式（５）を満足する（未登録語の表記に対応する条件付確率が最大となる）読み候補を生成する。すなわち、読み候補生成部１６０１は、未登録語の表記を部分文字列に分解し、上記第１のテーブル１７０１から読み出した各部分文字列に対応する読みから表記への条件付確率と、上記第２のテーブル１７０２から読み出した各部分文字列に対応する出現確率とを用いて、想定される読み候補それぞれに対応するスコアを求める。式（５）を求める効率的なアルゴリズムとしては、例えばビタビアルゴリズムが知られており、これを利用することができる。

ここで、ビタビアルゴリズムについて説明する。図７に「Ｇｏｓｐｅｌｌｅｒｓ」という語を未登録語とした場合に、ビタビアルゴリズムにおいて仮想的に生成されるラティス構造を示す。ノードと各ノード間を結ぶリンクからなる構造であり、ノード０から右に向って各リンクをたどって行きノードＮ（ここではＮ＝１０）に到達すれば、「Ｇｏｓｐｅｌｌｅｒｓ」という文字列を合成することができる。リンクには英語表記とカナ表記が対で記述されているが、原表記「Ｇｏｓｐｅｌｌｅｒｓ」の部分文字列と、その部分文字列に対応するカナ読み表記である。なお、このデータ構造は仮想的に生成されるのであって、スコアが最大のパスを求めるためには、事前に構築しておく必要はないが、説明を簡単にするために用いる。

図８は、図７における各リンクに対応する読みから表記への条件付確率の値を示している。これらの読みから表記への条件付確率の値は、読み確率記憶部１０７の第１のテーブル１７０１から得ることができる。

ビタビアルゴリズムでは、次の処理を行う。ただし、α（ｊ，ｉ）は、ノードｊにおけるリンクｉに対する中間スコア、Ｂ（ｊ，ｉ）は最良のパスをたどるためのポインタとする。

ステップ１（初期化）：
開始ノードのノード０におけるスコアα（０，ｉ）に０を代入する。

ステップ２（初期遷移）：ｉ＝１，・・・，Ｍ
開始ノードのノード０からノード１へ遷移しているリンクについて、読み確率記憶部１０７の第１のテーブル１７０１に格納している対応する読みから表記への条件付確率α_０ｉを取り出しα（１，ｉ）に代入する。ノード１に左から入るリンクの元ノードはノード０であるので、Ｂ（１，ｉ）には０を代入する。

図８の場合：ノード０からノード１に出ているリンクは「ｇ／グ」が付されているリンクだけであるので、Ｍ_０は１であり、「ｇ／グ」の読みから表記への条件付確率は−０．０９８である。例えば、第２のテーブル１７０２より「ＳＳグ」の読みの出現確率（ｎ_ｇｒａｍ_ｓｃｏｒｅ）が−４．６５９とすると（「ＳＳグ」は語頭が「グ」であることを意味する）、α（１，１）＝−０．０９８−４．６５９＝−４．７５７ならびにＢ（１，１）＝０がそれぞれ設定されることになる。

ステップ３（漸化式計算）：ｎ＝２，・・・，Ｎ
下記の式（９）および式（１０）の計算を繰り返し行い、最終ノードのノードＮまで到達したらステップ４へ進む。なお、α（ｎ−１，ｍ）はノードｎ−１におけるスコア、リンクｎ_ｇｒａｍ_ｓｃｏｒｅ（ｙ（ｉ，ｎ−１，ｍ））はノードｎ−１からリンクｉへの遷移によって得られる読みの出現確率によるスコアである。

図７の場合、例えば、ノード２では、ノード１を経由する「ｇ／グ」のスコアは−４．７５７、「ｏ／ア」「ｏ／ウ」「ｏ／オ」の読みから表記への条件付確率はそれぞれ−６．２８１、−５．０９４、−０．０２７、ノード０から直接リンクがはられる「ｇｏ／ガ」「ｇｏ／ガッ」「ｇｏ／ゴ」「ｇｏ／ゴウ」の読みから表記への条件付確率はそれぞれ−０．０１３、−２．９４４、−３．４７３、−２．０３１である。いま、「Ｓグア」「Ｓグウ」「Ｓグオ」「ＳＳガ」「Ｓガッ」「ＳＳゴ」「Ｓゴウ」の読みの出現確率によるスコアをそれぞれ−４．４７８、−１０．０００、−１０．０００、−５．９３６、−４．１００、−５．２１７、−４．０４８とすると、下記が得られる。これは、ノード２においてリンクのうち４番目のリンク（ｇｏ／ガ）を経由したノード０からのパスが最大のスコアを持つことを意味している。

この計算をノードを右に順次進めて繰り返し計算していくことになる。

ステップ４：
Ｂ（Ｎ，ＭＮ）のリンクを逆にたどり、最大のスコアのパスを得る。

例えば、図４には例として、未登録語の原表記として「Ｇｏｓｐｅｌｌｅｒｓ」が与えられた場合に、「ガスペラーズ」「ガスプレルス」「ガスペラース」が上位の読み候補としてスコア順に出力されることを示している。

文書検索部１６０２は、原表記と読み候補を検索キーワードとしてＷｅｂ検索エンジンを起動し、通信ネットワークＮＷ上のＷｅｂサーバ１０９にアクセスして検索文書数を得る（ステップＳ４ｂ）。具体的には、例として「Ｇｏｓｐｅｌｌｅｒｓ」を処理した場合、「Ｇｏｓｐｅｌｌｅｒｓ＋ガスペラーズ」、「Ｇｏｓｐｅｌｌｅｒｓ＋ガスプレルス」、「Ｇｏｓｐｅｌｌｅｒｓ＋ガスペラース」というキーワードでの検索（「＋」はアンド検索を意味している）を実施することで、それぞれについて、検索文書数が得られる。これは、歌手やグループ、スポーツ選手、俳優などの名前が、Ｗｅｂページで記述される場合、原表記と読み（カタカナあるいはひらがな）とを対にして表記することがあるため、原表記と読みとをアンド検索することにより、その対応付けの適否を検証することができる。

次に、読み選択部１６０３は、上記ステップＳ４ｂで得られた検索文書数を用いて、上記ステップＳ４ａで生成された読み候補から未登録語に対応する読みを選択する（ステップＳ４ｃ）。なお、単純に、上記得られた検索文書数の最も大きい読み候補を未登録語の読みとして選択することもできるが、ここでは、読みの推定精度を向上させるために、以下のような手順で行う。

ステップＳ４ｃにおいて、読み選択部１６０３は、ステップＳ４ａで得られた各読み候補のスコアと、ステップＳ４ｂで得られた検索文書数とに基づいて読みを選択する。選択の基準としては、読み候補のスコア、原表記と読み候補とのアンド検索によって得られる文書数を用いて、次のような式を定義する。

なお、αは０以上１以下の定数であり、あらかじめ定めておく。

上記式（１３）の導出は以下のように行われる。原表記Ｈが与えられた時に読みＹが得られる条件付確率を、Ｗｅｂ検索において原表記Ｈが与えられた時の読みＹの条件付確率Ｐ_ｗｅｂ（Ｙ｜Ｈ）と、確率モデルにおける条件付確率Ｐ_ＳＬＭ（Ｙ｜Ｈ）との加重平均で定義することにすると、式（１４）のようになる。

ベイズの定理により変形する。読みＨのＷｅｂ上での頻度をＦ_ｗｅｂ（Ｙ，Ｋ）、原表記ＨのＷｅｂ上での頻度をＦ_ｗｅｂ（Ｋ）として、式（１５）のように変形できる。

さらに、式（１５）は、式（１６）のように変形することができる。

式（１６）の前半部分は式（１３）と同じであり、後半部分は原表記Ｈに対して定数となる。

したがって、式（１３）を原表記Ｈに対する読みＹのスコアとして構わない。Ｓ_ｗｅｂの算出にあたって、対数値の引数（Ｆ_ｗｅｂ（Ｙ，Ｈ））が０とならないように補正し、式（１３）を導出している。

例えば、式（１３）の定数αの値を０．５とした場合について、「Ｇｏｓｐｅｌｌｅｒｓ」を例に、各読み候補の評価値を計算した場合を図９に示す。図９（ａ）は、読み確率記憶部１０７をもとに得られた読み候補であり、「ガスペラーズ」、「ガスプレルス」、「ガスペラース」の順でスコアが大きい。図９（ｂ）は、現表記と各読み候補とを検索キーワードとして文書検索を行った場合の検索結果を示す。検索キーワードを「Ｇｏｓｐｅｌｌｅｒｓ＋ガスペラーズ」、「Ｇｏｓｐｅｌｌｅｒｓ＋ガスペラース」、「Ｇｏｓｐｅｌｌｅｒｓ＋ガスプレルス」とした場合に得られた検索文書数を表したものである。さらに、図９（ｃ）は、式（１３）に基づいて算出された評価値の例を示す。読み候補として「ガスペラーズ」、「ガスペラース」、「ガスプレルス」の順で評価値が大きい。この結果、読み選択部１６０３は、評価値の最も大きい「ガスペラーズ」を未登録語「Ｇｏｓｐｅｌｌｅｒｓ」の読みとして選択する。

新規登録部１６０４は、このようにして読み選択部１６０３で選択された読みを原表記とともに音声認識辞書１０３に登録する（ステップＳ４ｄ）。

以上述べたように上記実施形態では、未登録語抽出部１０５は、入力された文書から音声認識辞書１０３に存在しない未登録語を抽出する。読み確率記憶部１０７は、読みと表記及びその読みから表記への条件付確率を対応付けた第１のテーブル１７０１と、読みとその出現確率とを対応付けた第２のテーブル１７０２とを記憶する。読み推定部１０６の読み候補生成部１６０１は、上記読み確率記憶部１０７に記憶された第１のテーブル１７０１及び第２のテーブル１７０２を用いて未登録語抽出部１０５で抽出された未登録語の表記に対応する条件付確率が最大となる読み候補を生成する。文書検索部１６０２は、読み候補と未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む文書数を求める。この文書数等を用いて読み選択部１６０３は読み候補から未登録語の読みを選択する。

したがって上記実施形態によれば、文書から未登録語を抽出して、その読みを高い精度で推定して音声認識辞書に登録することが可能となる。これにより、人名や商品名など日々新しい語が発生しても、それら新規語彙に自動的に対応可能な音声認識装置を実現することができる。

なお、この発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。

以上のように、本発明にかかる自然言語を処理する装置、方法およびプログラムは、統計的言語モデルに基づいて読み候補を生成し、原表記と読み候補とのアンド検索を文書検索によって検証することによって対応付けの妥当性を検証することにより、適切な読みを推定することができ、音声認識辞書の未登録語の解消に効果を発揮する。

本発明に係る音声認識装置の一実施形態を示す機能ブロック図。 読み推定部の内部構成を示すブロック図。 未登録語抽出部の処理の手順とその内容を示すフローチャート。 読み推定部の処理の手順とその内容を示すフローチャート。 第１のテーブルに格納される読みから表記への条件付確率の一例を示す図。 第２のテーブルに格納される読みの出現確率の一例を示す図。 ビタビアルゴリズムで仮想的に生成されるラティス構造の一例を示す図。 図７における各リンクに対する読みから表記への条件付確率値を示す図。 読み推定部における中間データならびに処理結果の一例を示す図。

符号の説明

１０１・・・音声入力部
１０２・・・音声認識部
１０３・・・音声認識辞書
１０４・・・文書入力部
１０５・・・未登録語抽出部
１０６・・・読み推定部
１０７・・・読み確率記憶部
１０８・・・制御部
１０９・・・Ｗｅｂサーバ
ＮＷ・・・通信ネットワーク
１６０１・・・読み候補生成部
１６０２・・・文書検索部
１６０３・・・読み選択部
１６０４・・・新規登録部
１７０１・・・第１のテーブル
１７０２・・・第２のテーブル

Claims (6)

1. 登録語の表記とその読みとが対応付けられた音声認識辞書を用いてユーザの発話する音声を認識する装置であって、
   第１の文書を入力する文書入力部と、
   前記第１の文書から前記音声認識辞書に存在しない未登録語を抽出する抽出部と、
   読みと表記及び前記読みから表記への条件付確率を対応付けた第１のテーブルと、前記読みとその出現確率とを対応付けた第２のテーブルを記憶する記憶部と、
   前記第１のテーブル及び第２のテーブルを用いて前記未登録語の表記に対応する読みの条件付確率が最大となる読み候補を生成する生成部と、
   前記読み候補と前記未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む第２の文書の数を求める検索部と、
   前記第２の文書の数に基づいて前記読み候補から前記未登録語の読みを選択する選択部と、
   前記未登録語と選択された読みとを対応付けて前記音声認識辞書に登録する登録部と
   を具備することを特徴とする音声認識装置。
2. 前記生成部は、前記未登録語の表記を部分文字列に分解し、前記第１のテーブルから読み出した各部分文字列に対応する読みから表記への条件付確率と、前記第２のテーブルから読み出した各部分文字列に対応する出現確率とを用いて、前記読み候補に対応するスコアを求めることを特徴とする請求項１記載の音声認識装置。
3. 前記選択部は、前記スコアと前記第２の文書の数とを用いて前記読み候補から前記未登録語の読みを選択することをさらに特徴とする請求項２記載の音声認識装置。
4. 前記検索部は、通信ネットワーク上の文書群に対して前記文書検索を行うことを特徴とする請求項１記載の音声認識装置。
5. 登録語の表記とその読みとが対応付けられた音声認識辞書を用いてユーザの発話する音声を認識する装置に用いられ、
   第１の文書を入力するステップと、
   前記第１の文書から未登録語を抽出するステップと、
   読みと表記及び前記読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルを記憶するステップと、
   前記第１のテーブル及び第２のテーブルを用いて前記未登録語の表記に対応する条件付確率が最大となる読み候補を生成するステップと、
   前記読み候補と前記未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む第２の文書の数を求めるステップと、
   前記第２の文書の数に基づいて前記読み候補から前記未登録語の読みを選択するステップと、
   前記未登録語と選択された読みとを対応付けて前記音声認識辞書に登録するステップと
   を具備することを特徴とする音声認識辞書作成方法。
6. 登録語の表記とその読みとが対応付けられた音声認識辞書を用いてユーザの発話する音声を認識する装置を制御するプログラムであって、
   コンピュータに、
   第１の文書を入力する処理と、
   前記第１の文書から未登録語を抽出する処理と、
   読みと表記及び前記読みから表記への条件付確率を対応付けた第１のテーブルと、読みとその出現確率とを対応付けた第２のテーブルを記憶する処理と、
   前記第１のテーブル及び第２のテーブルを用いて前記未登録語の表記に対応する条件付確率が最大となる読み候補を生成する処理と、
   前記読み候補と前記未登録語の表記とのペアを検索キーワードとして文書検索を行い、該キーワードを含む第２の文書の数を求める処理と、
   前記第２の文書の数に基づいて前記読み候補から前記未登録語の読みを選択する処理と、
   前記未登録語と選択された読みとを対応付けて前記音声認識辞書に登録する処理と
   を実行させることを特徴とする音声認識辞書作成プログラム。

Images