JP2015041055A

JP2015041055A - 音声認識装置、音声認識方法、およびプログラム

Info

Publication number: JP2015041055A
Application number: JP2013173272A
Authority: JP
Inventors: 健一磯; Kenichi Iso
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2013-08-23
Filing date: 2013-08-23
Publication date: 2015-03-02
Anticipated expiration: 2033-08-23
Also published as: JP5701348B2

Abstract

【課題】外部ＷＦＳＴを、少ない処理量と少ないデータ量で展開することができる音声認識装置等を提供する。
【解決手段】文脈に依存した音素記号に対応する入力を有する遷移を有するＷＦＳＴである外部ＷＦＳＴが格納される外部ＷＦＳＴ格納手段１０１と、外部ＷＦＳＴを識別する情報である特殊音素記号を有する遷移を含むＷＦＳＴである主ＷＦＳＴが格納される主ＷＦＳＴ格納手段１０２と、音声信号を受け付ける音声信号受付手段１０７と、音声信号に応じて、主ＷＦＳＴをたどりながら、特殊音素記号が識別する外部ＷＦＳＴを、遷移に対応付けられた音素記号とその遷移の先の情報とに応じて展開することによって音声認識を行う音声認識手段１０８と、音声認識の結果を出力する出力手段１０９とを具備する音声認識装置１により、デコードの際に、必要な遷移だけを作成して、特殊音素記号に対応する外部ＷＦＳＴに接続でき、処理量とデータ量を削減できる。
【選択図】図１

Description

本発明は、音声を認識する音声認識装置等に関するものである。

従来、音声信号を、ＷＦＳＴ（重み付き有限状態トランスデューサ）を用いてデコードし、音声認識の結果の文字列を取得する手法が用いられている（例えば、非特許文献１参照）。ＷＦＳＴを用いた音声認識は、１つのＷＦＳＴを用いて行われるため、新語やユーザごとの単語辞書等を追加したい場合には、その追加ごとにＷＦＳＴをすべて作り直す必要があった。また、ＷＦＳＴを作り直す処理は通常、時間のかかる処理であるため、新語等の追加ごとにＷＦＳＴを作り直すことは難しかった。そこで、ただ一つのＷＦＳＴを用いて音声認識を行うのではなく、主ＷＦＳＴと、外部ＷＦＳＴとを用いて音声認識を行う方法が用いられている（例えば、特許文献１参照）。その方法は、主ＷＦＳＴにおいて、人名に関する外部ＷＦＳＴを呼び出しながら音声認識を行う方法である。

米国特許出願公開第２００３／００９３３５号明細書

堀貴明，塚田元、「音声情報処理技術の最先端：３．重み付き有限状態トランスデューサによる音声認識」、情報処理学会誌，Ｖｏｌ．４５，Ｎｏ．１０，ｐ．１０２０−１０２６，２００４年１０月

音素の文脈依存性を考慮した音声認識では、主ＷＦＳＴから外部ＷＦＳＴにつながる部分において、主ＷＦＳＴ側の音素は、次の外部ＷＦＳＴの音素が分からず、外部ＷＦＳＴから主ＷＦＳＴにつながる部分において、外部ＷＦＳＴ側の音素は、次の主ＷＦＳＴの音素が分からないという問題がある。そのため、前述の特許文献１に記載の方法では、主ＷＦＳＴと外部ＷＦＳＴとの接合部分をあらかじめすべての起こりうる可能性について展開することが行われていた。具体的には、主ＷＦＳＴと外部ＷＦＳＴとの接合部分において、次の音素が分からないため、すべての可能な音素を仮定して事前に文脈依存音素に展開していた。そして、デコード時には、両ＷＦＳＴの文脈依存音素のすべての組み合わせについて、整合性を調べて矛盾のない組み合わせのみを接続することが行われていた。そのような場合には、主ＷＦＳＴ及び外部ＷＦＳＴのデータ量が大きくなり、またデコード時の処理も多くなるという問題があった。そのことは、遷移に対応する音素の数が多くなる場合（例えば、左右１音素ではなく、２音素、３音素を用いる場合等）や、主ＷＦＳＴ中で外部ＷＦＳＴの呼び出し箇所が多くなる場合には、特に顕著になる。

本発明は、上記問題点を解決するためになされたものであり、その目的は、外部ＷＦＳＴを、従来の方法より少ない処理量と少ないデータ量で展開することができる音声認識装置等を提供することである。

本第一の発明の音声認識装置等は、音声信号をテキスト情報に変換するために用いられるＷＦＳＴ（重みつき有限状態トランスデューサ）であり、文脈に依存した音素記号に対応する入力を有する遷移と、遷移によって接続される状態とを有するＷＦＳＴである外部ＷＦＳＴが１以上格納される外部ＷＦＳＴ格納手段と、外部ＷＦＳＴを識別する情報である特殊音素記号を有する遷移を含むＷＦＳＴである主ＷＦＳＴが格納される主ＷＦＳＴ格納手段と、発話された音声を示す音声信号を受け付ける音声信号受付手段と、音声信号に応じて、主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、特殊音素記号が識別する外部ＷＦＳＴを、特殊音素記号に対応する入力を有する遷移の遷移先に関する情報と、遷移が有する入力に対応付けられた音素記号とに応じて展開することによって音声認識を行う音声認識手段と、音声認識手段が音声認識した結果を出力する出力手段とを具備する音声認識装置である。

また、本第二の発明の音声認識装置は、第一の発明に対して、音声認識手段は、音声信号に応じて、主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、遷移に含まれる入力に対応付けられた特殊音素記号以外の音素記号を用いて、主ＷＦＳＴから特殊音素記号で識別される外部ＷＦＳＴへの遷移と、外部ＷＦＳＴから主ＷＦＳＴに含まれる特殊音素記号以後の状態への遷移とを、主ＷＦＳＴに追加することによって展開する、音声認識装置である。

また、本第三の発明の音声認識装置は、第一または第二の発明に対して、音声認識手段は、音声信号に応じて、主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、特殊音素記号に対応する入力を有する遷移の遷移先に関する情報であって、特殊音素記号が識別する外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報を一時的に蓄積する、音声認識装置である。

また、本第四の発明の音声認識装置は、第一から第二のいずれか一項の発明に対して、ユーザ固有の情報である固有情報を受け付ける固有情報受付手段と、固有情報と対応する音声信号を認識するための外部ＷＦＳＴを作成する外部ＷＦＳＴ作成手段と、外部ＷＦＳＴ作成手段が作成した外部ＷＦＳＴを、特殊音素記号に対応付けて外部ＷＦＳＴ格納手段に蓄積する外部ＷＦＳＴ蓄積手段とをさらに具備する、音声認識装置である。

また、本第五の発明の音声認識装置は、第一または第二の発明に対して、外部ＷＦＳＴを受け付ける外部ＷＦＳＴ受付手段と、外部ＷＦＳＴ受付手段が受け付けた外部ＷＦＳＴを、特殊音素記号に対応付けて外部ＷＦＳＴ格納手段に蓄積する外部ＷＦＳＴ蓄積手段とをさらに具備する、音声認識装置である。

本発明による音声認識装置等によれば、音声認識の際に、必要な遷移だけを作成して、特殊音素記号に対応する外部ＷＦＳＴに接続でき、不要な遷移をも作成する手法と比較して、処理量とデータ量を削減できる。

実施の形態１における音声認識装置の構成を示すブロック図同実施の形態における主ＷＦＳＴ格納手段に格納されている主ＷＦＳＴ、および外部ＷＦＳＴ格納手段に格納されている外部ＷＦＳＴの一例を視覚化した図同実施の形態における主ＷＦＳＴに外部ＷＦＳＴを展開したＷＦＳＴの一例を視覚化した図同実施の形態における主ＷＦＳＴに外部ＷＦＳＴを展開した場合に作成される情報の一例を示す図同実施の形態における主ＷＦＳＴに外部ＷＦＳＴを展開したＷＦＳＴの一例を視覚化した図同実施の形態における音声認識装置の動作の一例を示すフローチャート同実施の形態におけるコンピュータシステムの外観の一例を示す図同実施の形態におけるコンピュータシステムの構成の一例を示す図

以下、音声認識装置等の実施の形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。

（実施の形態１）
本実施の形態において、文脈に依存したＷＦＳＴを用いた音声認識のデコード時に、外部に格納されているＷＦＳＴを、必要な分だけ動的に展開することで音声認識を行う音声認識装置１について説明する。

図１は、本実施の形態における音声認識装置１のブロック図である。音声認識装置１は、外部ＷＦＳＴ格納手段１０１、主ＷＦＳＴ格納手段１０２、固有情報受付手段１０３、外部ＷＦＳＴ作成手段１０４、外部ＷＦＳＴ受付手段１０５、外部ＷＦＳＴ蓄積手段１０６、音声信号受付手段１０７、音声認識手段１０８、および出力手段１０９を備える。

外部ＷＦＳＴ格納手段１０１には、外部ＷＦＳＴが１以上格納される。また、主ＷＦＳＴ格納手段１０２には、主ＷＦＳＴが格納される。外部ＷＦＳＴ、および主ＷＦＳＴは、音声信号をテキスト情報に変換するために用いられるＷＦＳＴであり、遷移と状態とを有するＷＦＳＴである。ＷＦＳＴは、ＷｅｉｇｈｔｅｄＦｉｎｉｔｅＳｔａｔｅＴｒａｎｓｄｕｃｅｒの略であり、重み付き有限状態トランスデューサと訳される。以下、音声信号をテキスト情報に変換するために用いられるＷＦＳＴを音声認識ＷＦＳＴともいう。音声認識ＷＦＳＴは、外部ＷＦＳＴと主ＷＦＳＴとを示す名称である。

ＷＦＳＴとは、入力記号列に対して状態遷移を繰り返し、それに対応した出力の情報の列と重み（スコア）とを出力する有限状態オートマトンの一種である。ＷＦＳＴを用いた音声認識は、音響モデル、辞書、および言語モデル等の音声認識に必要な情報をそれぞれＷＦＳＴに変換し、それらを合成したＷＦＳＴを探索空間に見立てて、音声信号をデコードし、音声認識結果の文字列に変換する手法である。また、ＷＦＳＴを用いた音声認識は、デコードする過程で累積された重みの値が最も大きい状態遷移が示す文字列を取得する手法である。外部ＷＦＳＴは、主ＷＦＳＴを拡張するためのＷＦＳＴである。例えば、外部ＷＦＳＴは、地名や人名等の固有名詞の用語や、新しい用語、一部のコミュニティでのみ使われる用語、または個人でのみ使われる用語等を、音声認識できるようにするために用いられる。主ＷＦＳＴの拡張は、主ＷＦＳＴ内の適切な位置に外部ＷＦＳＴを展開することで行われる。なお、ＷＦＳＴをたどる音声認識の処理は、公知技術であるため、その詳細な説明を省略すことがある。

音声認識ＷＦＳＴは、音響モデル、辞書、および言語モデルに関するＷＦＳＴが合成されたＷＦＳＴであっても良く、合成されていないＷＦＳＴであっても良い。後者の場合は、音響モデル、辞書、および言語モデルに関するＷＦＳＴが合成されたＷＦＳＴと同様の音声認識ＷＦＳＴが、合成を行うことなく作成されても良い。また、音声認識ＷＦＳＴは、最適化手法である決定化、および／または、最小化を行った状態であることが好適である。また、音声認識ＷＦＳＴは、実際に最適化が行われたＷＦＳＴであっても良く、最適化が行われていなくても良い。後者の場合は、最適化が行われた状態と同様の音声認識ＷＦＳＴが、最適化を行うことなく作成されても良い。決定化は、音声認識ＷＦＳＴが非決定性ＷＦＳＴであった場合に、決定性ＷＦＳＴに変換する最適化手法である。決定性ＷＦＳＴは、１つの情報に対して、最終的な遷移先の状態が１つに定まるＷＦＳＴである。非決定性ＷＦＳＴは、１つの情報に対して、最終的な遷移先の状態が複数あるＷＦＳＴである。なお、非決定性ＷＦＳＴの場合の音声認識の結果は、累積された重みの値を用いて選択された１つの結果であっても良い。また、最小化は、ＷＦＳＴの状態の数を最小限にする最適化手法である。例えば、最小化は、入力の順番が共通する１以上の遷移の組がある場合に、その遷移の組み合わせを、共通化する最適化手法である。なお、決定化、および最小化に用いるアルゴリズムは問わない。

音声認識ＷＦＳＴに含まれる遷移とは、文脈に依存した２以上の音素記号に対応する入力を有するものである。遷移は、グラフ構造におけるリンク（エッジ）を示すものである。音素記号は、音素を示す記号であり、主にアルファベットで記述される。２以上の音素記号は、その音素記号に対応する入力を有する遷移に対応する特徴量と合致する音素と、文脈に依存したその音素の周辺の音素である。例えば、２以上の音素記号は、音素記号に対応する入力を有する遷移に対応する音声信号の特徴量と合致する音素と、その直前、および／または、直後の音素であっても良い。以下、この２以上の音素記号を文脈依存音素ともいう。音声信号の特徴量とは、一定期間ごとに分割された音声信号の、その期間における特徴量である。なお、以下、一定期間ごとに分割された各期間に対応する時間的な枠をフレームとも言う。特徴量は、例えば、三角型フィルタを用いたチャネル数２４のフィルタバンク出力を離散コサイン変換したＭＦＣＣであり、その静的パラメータ、デルタパラメータ、およびデルタデルタパラメータをそれぞれ１２次元有し、さらに正規化されたパワーとデルタパワー、およびデルタデルタパワーを有しても良い（合計３９次元）。また、特徴量は、ＭＦＣＣの１２次元、ΔＭＦＣＣの１２次元、Δ対数パワーの１次元を含む２５次元のものであっても良い。このように、種々の特徴量を用いることが可能である。特徴量の取得方法は、公知技術であるため、詳細な説明を省略する。

主ＷＦＳＴに含まれる遷移は、外部ＷＦＳＴを識別する情報である特殊音素記号を有する。特殊音素記号は、外部ＷＦＳＴを識別する情報であれば、どのような情報であっても良い。例えば、特殊音素記号は、外部ＷＦＳＴ格納手段１０１に格納されている外部ＷＦＳＴを識別するＩＤ等であっても良い。なお、特殊音素記号は、外部ＷＦＳＴ作成手段１０４が作成した外部ＷＦＳＴを識別する情報であっても良く、外部ＷＦＳＴ受付手段１０５が受け付けた外部ＷＦＳＴを識別する情報であっても良い。

音声認識ＷＦＳＴに含まれる状態は、遷移によって接続されるものである。状態は、グラフ構造におけるノードを示すものである。状態は、１以上の遷移を介して、前の状態から移行できるようなノードであっても良く、いずれの状態からも移行できないノードであっても良い。いずれの状態からも移行できないノードは、例えば、起点となるノードであり、他のノードへ移行できるノードであっても良い。また、状態は、１以上の遷移を介して、それぞれの遷移に応じた次の状態に移行できるノードであっても良く、いずれの状態へも移行できないノードであっても良い。いずれの状態へも移行できないノードは、例えば、終点となるノードであり、他のノードから移行できるノードであっても良い。

音声認識ＷＦＳＴは、結果として、ＷＦＳＴを用いた音声認識が可能であれば、どのようなデータの持ち方で実現しても良い。例えば、遷移は、その遷移の直前の状態を識別する情報を有していても良く、有していなくても良い。また、遷移は、その遷移の直後の状態を識別する情報を有していても良く、有していなくても良い。また、状態は、その状態の直前の遷移を識別する情報を有していても良く、有していなくても良い。また、状態は、その状態の直後の遷移を識別する情報を有していても良く、有していなくても良い。具体的には、音声認識ＷＦＳＴは、各状態と、その状態の直後の遷移を識別する情報とを対応付ける情報、および、各遷移と、その遷移の直後の状態とを対応付ける情報を有していても良い。また、各遷移には、文脈依存音素である入力記号と、重みとが対応付けられていても良い。なお、データは、重複して持たないことが好適である。テータの重複は、例えば、遷移が、直後の状態を識別する情報を有していて、状態が、直前の遷移を識別する情報を有している場合等である。なお、本実施の形態におけるＷＦＳＴの重み情報は、遷移が有していても良く、状態が有していても良く、遷移と状態が有していても良い。また、本実施の形態におけるＷＦＳＴの出力は、遷移が有していても良く、状態が有していても良く、遷移と状態が有していても良い。以下、遷移が出力を有しているものとして説明する。

図２は、外部ＷＦＳＴ格納手段１０１、および主ＷＦＳＴ格納手段１０２に格納される音声認識ＷＦＳＴの一例を視覚化したものを示す図である。図２のＷＦＳＴは、遷移に３つの音素記号が対応付けられているトライフォンの文脈依存ＷＦＳＴである。図２のＷＦＳＴにおいて、矢印で示されているものが遷移であり、丸印で示されているものが状態である。また、遷移に対応付けられたアルファベットが、遷移に含まれる入力に対応する音素記号である。その音素記号は、（「直前の音素記号（左音素記号）」−「中心の音素記号」＋「直後の音素記号（右音素記号）」）で示されている。なお、中心の音素記号は、１つの遷移に１つの音素記号が対応するＷＦＳＴの場合でも、その遷移に対応する音素のことである。音素記号のうち、Ｘは、特殊音素記号である。また、外部ＷＦＳＴにおけるＬとＲは、接続部分における主ＷＦＳＴの音素記号を示す音素記号である。そのＬやＲの部分には、外部ＷＦＳＴの展開時に、主ＷＦＳＴの具体的な音素が入れられることになる。また、各状態には、状態を識別するＩＤを付与している。Ｍから始まる状態のＩＤは、主ＷＦＳＴの状態である。また、Ｓから始まる状態のＩＤは外部ＷＦＳＴの状態である。文脈依存ＷＦＳＴにおける遷移は、直前の遷移の中心の音素記号以降の音素記号に依存した遷移となる。中心の音素記号以降の音素記号とは、例えばトライフォンのＷＦＳＴであれば、中心の音素記号の音素記号、および直後の音素記号である。具体的には、図２の（Ｍ１０）から（Ｍ１１）への遷移、および（Ｍ１４）への遷移は、（Ｍ１０）の直前の遷移が有する入力に対応する（ａ−ｂ＋ｃ）の（ｂ＋ｃ）に対応するように（ｂ−ｃ＋「直後の音素記号」）となる。なお、外部ＷＦＳＴの最初と最後の遷移はこの限りではない。外部ＷＦＳＴの最初と最後の遷移は、主ＷＦＳＴに展開された際に、直前の遷移の中心の音素記号以降の音素記号に依存するという条件を結果として満たせば良い。

固有情報受付手段１０３は、ユーザ固有の情報である固有情報を受け付ける。固有情報は、例えば、ユーザの端末装置に記録されている電話帳の個人名であっても良く、ユーザが打ったメールや、投稿した書き込みに含まれる一般的でない用語や言い回しであっても良く、その他のユーザ固有の情報であっても良い。なお、固有情報受付手段１０３は、固有情報を、電話帳データ等のように、端末側で使用されているデータ形式のまま受け付けても良く、端末側で使用されているデータ形式を加工したデータを受け付けても良い。データ形式を加工したデータとは、例えば、外部ＷＦＳＴに必要なデータのみ抽出したデータであっても良く、その情報に対して形態素解析等の処理を行って品詞ごとに分類したデータであっても良く、その処理を行った結果取得した特定の品詞のみのデータ等であっても良い。また、固有情報は、文字列であっても良く、文字列とその文字列の読み仮名との組であっても良く、文字列とその文字列に対応する音素記号の列との組であっても良い。また、固有情報受付手段１０３は、固有情報を用いて作成される外部ＷＦＳＴを識別するあらかじめ設定された特殊音素記号を受け付けても良く、すでに主ＷＦＳＴに含まれている特殊音素記号を受け付けても良い。固有情報受付手段１０３は、メモリーカードやＵＳＢメモリ等を介して固有情報等を受け付けても良い。また、固有情報受付手段１０３は、有線または無線の通信回線を介して固有情報等を受け付けても良い。通信回線は、例えば、インターネットやイントラネット、ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）、公衆電話回線等である。

外部ＷＦＳＴ作成手段１０４は、固有情報と対応する音声信号を認識するための外部ＷＦＳＴを作成する。外部ＷＦＳＴ作成手段１０４は、例えば、固有情報から辞書に対応したＷＦＳＴを作成しても良い。辞書に対応したＷＦＳＴは、音素の列を単語に代えるためのＷＦＳＴである。例えば、外部ＷＦＳＴ作成手段１０４は、固有情報が文字列とその文字列に対応する音素記号の列との組でない場合に、形態素解析等の処理を行って、固有情報から文字列とその文字列に対応する音素記号との組を１以上取得しても良い。そして、外部ＷＦＳＴ作成手段１０４は、取得した文字列とその文字列に対応する音素記号との組を用いて外部ＷＦＳＴを作成しても良い。なお、外部ＷＦＳＴ作成手段１０４は、固有情報を用いて作成した辞書に関するＷＦＳＴと、図示しない格納手段、または図示しない外部の格納装置に格納されている言語モデルに関するＷＦＳＴと音響モデルに関するＷＦＳＴと合成して外部ＷＦＳＴを作成しても良い。また、その合成の後に最適化を行っても良いことは言うまでもない。ＷＦＳＴの作成方法については、公知技術であるため、説明を省略する。なお、「外部ＷＦＳＴを作成する」とは、全く新しい外部ＷＦＳＴを作成することであっても良く、すでにある外部ＷＦＳＴに情報を追加することであっても良い。後者の場合には、例えば、すでに存在する人名の外部ＷＦＳＴに対して、固有情報受付手段１０３が受け付けた固有情報に対応する外部ＷＦＳＴを追加しても良い。なお、追加の後に、さらに最適化等を行っても良い。また、外部ＷＦＳＴ作成手段１０４は、受け付けられた固有情報と、あらかじめ図示しない格納手段で記憶されているデフォルトの固有情報とを用いて、外部ＷＦＳＴを作成しても良い。例えば、外部ＷＦＳＴ作成手段１０４は、受け付けられた固有情報に含まれるユーザの友人・知人等の人名と、デフォルトの固有情報である一般の人名とを用いて、人名に対応する外部ＷＦＳＴを生成しても良い。なお、外部ＷＦＳＴ作成手段１０４は、固有情報受付手段１０３が特殊音素記号を受け付けている場合は、その特殊音素記号に対応する外部ＷＦＳＴを作成しても良い。

外部ＷＦＳＴ受付手段１０５は、外部ＷＦＳＴを受け付ける。なお、外部ＷＦＳＴ受付手段１０５は、その外部ＷＦＳＴを識別する特殊音素記号をも受け付けても良い。外部ＷＦＳＴ受付手段１０５は、メモリーカードやＵＳＢメモリ等を介して外部ＷＦＳＴを受け付けても良い。また、外部ＷＦＳＴ受付手段１０５は、有線または無線の通信回線を介して外部ＷＦＳＴを受け付けても良い。通信回線は、例えば、インターネットやイントラネット、ＬＡＮ、公衆電話回線等である。外部ＷＦＳＴ受付手段１０５は、例えば、スマートフォン等の端末装置等から外部ＷＦＳＴを受け付けてもよく、または、外部ＷＦＳＴを生成するサーバ等から外部ＷＦＳＴを受け付けても良い。後者の場合には、例えば、スマートフォン等の端末装置から送信された固有情報に応じて、そのサーバ等において外部ＷＦＳＴが生成され、その生成された外部ＷＦＳＴが外部ＷＦＳＴ受付手段１０５で受け付けられても良い。

外部ＷＦＳＴ蓄積手段１０６は、外部ＷＦＳＴを特殊音素記号に対応付けて外部ＷＦＳＴ格納手段１０１に蓄積する。外部ＷＦＳＴ蓄積手段１０６が蓄積する外部ＷＦＳＴは、外部ＷＦＳＴ作成手段１０４が作成した外部ＷＦＳＴであっても良く、外部ＷＦＳＴ受付手段１０５が受け付けた外部ＷＦＳＴであっても良い。なお、外部ＷＦＳＴ蓄積手段１０６は、全く新しい外部ＷＦＳＴを蓄積しても良く、すでにある外部ＷＦＳＴに追加しても良い。また、外部ＷＦＳＴ蓄積手段１０６が蓄積した外部ＷＦＳＴと対応する特殊音素記号は、固有情報受付手段１０３が受け付けた特殊音素記号であっても良く、外部ＷＦＳＴ受付手段１０５が受け付けた特殊音素記号であっても良く、蓄積対象の外部ＷＦＳＴに応じて生成された特殊音素記号であっても良い。また、外部ＷＦＳＴ蓄積手段１０６は、外部ＷＦＳＴと共に、その外部ＷＦＳＴに対応する特殊音素記号も外部ＷＦＳＴ格納手段１０１に蓄積しても良い。

ここで、外部ＷＦＳＴ作成手段１０４が作成した外部ＷＦＳＴや、外部ＷＦＳＴ受付手段１０５が受け付けた外部ＷＦＳＴが音声認識で用いられる理由について簡単に説明する。音声認識装置１が、あるユーザの端末装置から音声信号を受け付けて音声認識を行う場合には、その音声信号に、そのユーザがよく使用する固有名詞等が多く含まれていることが想定される。したがって、外部ＷＦＳＴ作成手段１０４が作成した外部ＷＦＳＴ等を用いて音声認識を行うことによって、その音声信号の認識精度を向上させることができると考えられる。

音声信号受付手段１０７は、音声信号を受け付ける。音声信号は、発話された音声を示す信号である。音声信号受付手段１０７は、発話された音声を集音した装置から音声信号を受け付けても良く、集音した装置以外から音声信号を受け付けても良い。なお、ここでいう「音声を集音した装置」は、マイクロフォン装置であっても良く、スマートフォンやＰＤＡ等の端末装置であっても良い。集音した装置以外から音声信号を受け付ける場合は、音声信号受付手段１０７は、メモリーカードやＵＳＢメモリ等を介して音声信号を受け付けても良い。また、音声信号受付手段１０７は、有線または無線の通信回線を介して音声信号を受け付けても良い。通信回線は、例えば、インターネットやイントラネット、ＬＡＮ、公衆電話回線等である。音声は、１または２以上の単語の音声であっても良く、１または２以上の文節の音声であっても良く、１または２以上の文章の音声であっても良い。

音声認識手段１０８は、音声信号に応じて、主ＷＦＳＴの各遷移をたどりながら音声認識処理を行う。また、音声認識手段１０８は、主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、その特殊音素記号が識別する外部ＷＦＳＴを取得し、その外部ＷＦＳＴを、その特殊音素記号に対応する入力を有する遷移の遷移先に関する情報と、その遷移が有する入力に対応付けられた音素記号とに応じて展開することによって音声認識を行う。具体的には、音声認識手段１０８は、音声信号を、一定の期間ごとに分割したフレームごとに取得する。そして、音声認識手段１０８は、分割したフレームごとの特徴量を取得する。さらに、音声認識手段１０８は、その特徴量ごとに主ＷＦＳＴ上の遷移をたどる。なお、音声認識手段１０８は、遷移をたどりながら遷移が有する出力を図示しない格納手段に蓄積する。

音声認識手段１０８は、次の遷移が有する入力が特殊音素記号を含む音素記号と対応付いている入力を有する状態である場合に、その特殊音素記号に識別される外部ＷＦＳＴを、その特殊音素記号と同じ入力に対応付けられた他の音素記号を用いて展開する。その特殊音素記号と同じ入力に対応付けられた他の音素記号とは、例えば、特殊音素記号と対応する入力の音素記号が「ａ−ｂ＋Ｘ」であり、「Ｘ」が特殊音素記号である場合の、「ａ」と「ｂ」とである。音声認識手段１０８は、その他の音素記号を用いて外部ＷＦＳＴへの遷移を作成することで展開する。その際に、音声認識手段１０８は、外部ＷＦＳＴの最初の状態から出発するすべての遷移が有する入力に対応する中心の音素記号を取得する。この中心の音素記号は、具体的には、図２における「ｍ」および「ｏ」である。音声認識手段１０８は、取得したそれぞれの中心の音素記号ごとに、主ＷＦＳＴ上での遷移を作成する。例えば、音声認識手段１０８は、特殊音素記号「Ｘ」が識別する外部ＷＦＳＴの最初の遷移が「Ｌ−ｍ＋ｎ」であり、「Ｌ」が主ＷＦＳＴ上の特殊音素記号の直前の音素である場合に、「ａ」、「ｂ」、および「ｍ」を用いて「ａ−ｂ＋ｍ」と対応付けられた入力を有する遷移等を作成しても良い。この際に作成される遷移は、特殊音素記号「Ｘ」を取得した中心の音素記号に置換した音素記号列と対応する入力を有するものである。また、この際に作成される遷移は、具体的には、図３における（Ｍ１０）から（Ｔ１０）への遷移（ｂ−ｃ＋ｍ）、および（Ｍ１０）から（Ｔ２０）への遷移（ｂ−ｃ＋ｏ）である。なお、音声認識手段１０８が遷移を作成することは、作成された遷移の先の状態を識別する「展開された外部ＷＦＳＴの状態ＩＤ」、主ＷＦＳＴの遷移先の状態を識別する「主ＷＦＳＴの遷移先状態ＩＤ」、外部ＷＦＳＴ上での行き先状態を識別する「外部ＷＦＳＴの状態ＩＤ」、作成される遷移が有する入力に対応する中心の音素記号、作成される遷移が有する入力に対応する直後の音素記号、および作成される遷移に対応する主ＷＦＳＴ上での遷移が有する入力に対応する直後の音素記号である「主ＷＦＳＴ上の直後の音素記号」を有する情報である作成遷移情報を作成することであっても良い。なお、作成遷移情報は、その作成された遷移を識別する情報を含んでいても良い。また、作成遷移情報は、具体的には、図４の一行に当たる情報である。図４は、外部ＷＦＳＴを主ＷＦＳＴに展開した場合のデータの格納手法の一例である。なお、音声認識手段１０８は、遷移を作成する場合に、特殊音素記号に対応する入力を有する遷移の遷移先に関する情報であって、特殊音素記号が識別する外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報を図示しない格納手段に蓄積しても良い。外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報は、例えば、「主ＷＦＳＴの遷移先状態ＩＤ」であっても良く、「主ＷＦＳＴの遷移先状態ＩＤ」でなくても良い。外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報が「主ＷＦＳＴの遷移先状態ＩＤ」でない場合は、遷移の遷移先に関する情報は、その遷移の遷移先の状態であっても良く、その遷移の遷移先の状態から続く遷移であっても良く、その遷移の遷移先の状態から続く遷移の遷移先の状態等であっても良い。外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報が「主ＷＦＳＴの遷移先状態ＩＤ」でない場合は、外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報は、作成遷移情報に含まれていても良く、含まれていなくても良い。つまり、外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報は、外部ＷＦＳＴから主ＷＦＳＴへ戻るための遷移を作成するために用いられる情報であれば何でも良い。また、音声認識手段１０８は、遷移を作成する場合に作成遷移情報等を図示しない格納手段に蓄積しても良い。

特殊音素記号によって識別される外部ＷＦＳＴへの遷移が作成されると、音声認識手段１０８は、展開前と同様に各フレームに含まれる特徴量ごとに遷移をたどる処理を再開する。なお、図３の展開後、Ｍ１１に進んだ場合は、音声認識手段１０８は、再度特殊音素記号Ｘに対応する外部ＷＦＳＴへの遷移を作成する。また、音声認識手段１０８は、作成された遷移に進んだ場合は、その遷移の先の遷移を作成する。例えば、音声認識手段１０８は、進んだその遷移と対応する作成遷移情報を取得し、「外部ＷＦＳＴの状態ＩＤ」で識別される外部ＷＦＳＴ上の状態からつながる遷移を作成しても良い。この場合、音声認識手段１０８は、新たに作成された遷移に対応する作成遷移情報を作成しても良く、その新たに作成した作成遷移情報を図示しない格納手段に蓄積しても良い。なお、音声認識手段１０８は、進んだ遷移に対応する作成遷移情報に含まれる「外部ＷＦＳＴの状態ＩＤ」が識別する状態の種類によって処理を変更しても良い。

進んだ遷移に対応する作成遷移情報に含まれる「外部ＷＦＳＴの状態ＩＤ」が外部ＷＦＳＴの最初の状態を識別する場合は、音声認識手段１０８は、その外部ＷＦＳＴの最初の状態からの遷移を作成しても良い。例えば、音声認識手段１０８は、最初の遷移が「Ｌ−ｍ＋ｎ」であり、「Ｌ」が主ＷＦＳＴ上の特殊音素記号の直前の音素である場合に、進んだ遷移に対応する作成遷移情報の中心の音素記号をＬと置換して遷移を作成しても良い。また、作成遷移情報を作成する場合は、音声認識手段１０８は、「主ＷＦＳＴの遷移先状態ＩＤ」に、進んだ遷移に対応する作成遷移情報の「主ＷＦＳＴの遷移先状態ＩＤ」の次の状態を識別する情報を設定しても良い。また、作成遷移情報を作成する場合は、音声認識手段１０８は、主ＷＦＳＴ上の直後の音素記号に進んだ遷移に対応する作成遷移情報の「主ＷＦＳＴの遷移先状態ＩＤ」が識別する遷移からの遷移が有する入力に対応する直後の音素記号を設定しても良い。

進んだ遷移に対応する作成遷移情報に含まれる「外部ＷＦＳＴの状態ＩＤ」が外部ＷＦＳＴの最初および最後の状態以外の状態を識別する場合は、音声認識手段１０８は、進んだ遷移に対応する作成遷移情報の「外部ＷＦＳＴの状態ＩＤ」が識別する外部ＷＦＳＴの遷移からの遷移と同様の遷移を作成しても良い。なお、その遷移に主ＷＦＳＴ上の特殊音素記号の直後の音素を示す記号（例えばＲ）等が含まれている場合は、その主ＷＦＳＴ上の特殊音素記号の直後の音素を示す記号と、進んだ遷移に対応する作成遷移情報に含まれる主ＷＦＳＴ上の直後の音素記号を置換して作成しても良い。

進んだ遷移に対応する作成遷移情報に含まれる「外部ＷＦＳＴの状態ＩＤ」が外部ＷＦＳＴの最後の状態を識別する場合は、音声認識手段１０８は、「主ＷＦＳＴの遷移先状態ＩＤ」が識別する主ＷＦＳＴ上での状態からの遷移を作成しても良く、外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報を用いて主ＷＦＳＴへの遷移を作成しても良い。

また、音声認識手段１０８は、作成遷移情報、または作成遷移情報に含まれる一部の情報を図示しない一時格納手段に蓄積することで、外部ＷＦＳＴを展開しても良く、長期的な格納手段に蓄積することで、外部ＷＦＳＴを展開しても良い。また、音声認識手段１０８は、遷移を作成した場合に、遷移の先の状態がなければ、その状態も作成しても良い。つまり、音声認識手段１０８は、外部ＷＦＳＴへの遷移や外部ＷＦＳＴ内の遷移を作成する場合に、一時的に状態を作成して遷移を接続しても良く、主ＷＦＳＴに戻る場合に、主ＷＦＳＴの状態をそのまま用いて遷移を接続しても良い。また、作成遷移情報は、必ずしも作成されなくても良い。作成遷移情報が作成されない場合は、上記説明における作成遷移情報を用いて行った処理は、その処理に用いられた作成遷移情報に含まれる情報と同等の情報を用いて行っても良い。また作成遷移情報は、一部の情報を含まない情報であっても良い。以上のようにして、音声認識手段１０８は、外部ＷＦＳＴを図３のように展開しても良い。この場合の外部ＷＦＳＴは、例えば、後述する図４のようなデータ構造で展開されても良い。なお、音声認識手段１０８による外部ＷＦＳＴの展開は、１度に図２の外部ＷＦＳＴをすべて展開しても良く、音声認識の処理によるＷＦＳＴのたどり具合に応じて、逐次展開するようにしても良い。なお、音声認識手段１０８がすべて外部ＷＦＳＴをすべて展開した場合は、図５のようになる。

音声認識手段１０８は、外部ＷＦＳＴを展開する場合に、遷移に含まれる入力に対応付けられた特殊音素記号以外の音素記号を用いて、主ＷＦＳＴから特殊音素記号で識別される外部ＷＦＳＴへの遷移と、その外部ＷＦＳＴからその主ＷＦＳＴに含まれるその特殊音素記号以後の状態への遷移とを、その主ＷＦＳＴに追加することによって展開しても良い。上記方法は、一例であり、異なる方法で外部ＷＦＳＴを展開しても良い。つまり、音声認識手段１０８は、主ＷＦＳＴから、直前の遷移に含まれる入力に対応付けられた中心の音素記号以降の音素記号に依存した遷移を作成して外部ＷＦＳＴに接続し、主ＷＦＳＴから接続された外部ＷＦＳＴから、その外部ＷＦＳＴの最後の遷移に含まれる入力に対応付けられた中心の音素記号以降の音素記号に依存した遷移を作成して、主ＷＦＳＴに接続するのであれば、その方法は問わない。遷移をたどり終えると、音声認識手段１０８は、蓄積された出力が示す文字列を取得することで音声認識の結果を取得する。

なお、遷移が有する入力において、直前または直後のどちらか一方の音素記号のみしか対応付けられていない場合は、音声認識手段１０８は、その対応付けられていない音素記号に関する遷移については、外部ＷＦＳＴの展開を行わなくても良い。例えば、文脈依存がバイフォンであり、直前の音素（例えば、左側の音素）にしか依存しない場合には、外部ＷＦＳＴにおいて、図２の「Ｒ」のような未定の音素が存在しなくなるため、そのＲに関する展開を行わなくても良い。したがって、遷移が有する入力において、前方の音素（例えば、左側の音素）についてのみ文脈依存がある場合には、音声認識手段１０８は、前方の音素のみに応じて、主ＷＦＳＴから特殊音素記号で識別される外部ＷＦＳＴへの遷移を主ＷＦＳＴに追加するように展開を行っても良い。また、遷移が有する入力において、後方の音素（例えば、右側の音素）についてのみ文脈依存がある場合には、音声認識手段１０８は、後方の音素のみに応じて、外部ＷＦＳＴから主ＷＦＳＴに含まれるその特殊音素記号以後の状態への遷移を主ＷＦＳＴに追加するように展開を行っても良い。また、フレームに対応する期間の長さは問わない。また、音声認識手段１０８は、特徴量を取得する場合に、音声に関する特徴量のみを抽出するために、雑音を除外するための処理等を行っても良い。

本実施の形態では、音声認識手段１０８が、主ＷＦＳＴをたどった場合で、特殊音素記号と対応付けられた入力を有する遷移の前の状態まで移行したとき、その特殊音素記号に対応する外部ＷＦＳＴを、その特殊音素記号の直前の文脈、および、その特殊音素記号の直後の文脈に依存するようにして展開することで、必要な（整合した文脈依存音素を有する）遷移だけが作成されるようにして主ＷＦＳＴと外部ＷＦＳＴとを接続できる。この手法は、従来の手法における、不要な（音素文脈が整合しない）遷移を事前に展開しないため、処理時間が短縮され、さらにデータの使用量が削減できる。さらに、整合した文脈依存音素のみの遷移で音声認識が行われるため、デコードの際に整合性チェックが不要となる。

出力手段１０９は、音声認識手段１０８が音声認識した結果を出力する。音声認識した結果は、例えば、文字列であっても良い。例えば、出力手段１０９は、音声認識手段１０８による音声認識の過程で、図示しない格納手段に格納された、出力の列を出力しても良く、その出力の列をつなげた文字列を出力しても良い。

外部ＷＦＳＴ格納手段１０１、および主ＷＦＳＴ格納手段１０２は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。主ＷＦＳＴ格納手段１０２等に主ＷＦＳＴ等の情報が記憶される過程は問わない。例えば、記録媒体を介して主ＷＦＳＴ等の情報が主ＷＦＳＴ格納手段１０２等で記憶されるようになっても良く、通信回線等を介して送信された主ＷＦＳＴ等の情報が主ＷＦＳＴ格納手段１０２等で記憶されるようになっても良い。

外部ＷＦＳＴ作成手段１０４、外部ＷＦＳＴ蓄積手段１０６、および音声認識手段１０８は、通常、ＭＰＵやメモリ等から実現され得る。外部ＷＦＳＴ作成手段１０４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。

出力手段１０９は、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラム等への処理結果の引渡し等を行っても良い。

次に、音声認識装置１の動作について図６のフローチャートを用いて説明する。なお、本フローチャートは、音声認識の対象となる音声信号をすべて受け付けてから、その音声信号に対する音声認識を開始するものである。

（ステップＳ２０１）固有情報受付手段１０３は、固有情報を受け付けたかどうかを判断する。固有情報を受け付けた場合は、ステップＳ２０２へ進み、受け付けていない場合は、ステップＳ２０４へ進む。

（ステップＳ２０２）外部ＷＦＳＴ作成手段１０４は、ステップＳ２０１で受け付けた固有情報を用いて外部ＷＦＳＴを作成する。

（ステップＳ２０３）外部ＷＦＳＴ蓄積手段１０６は、ステップＳ２０２で作成した外部ＷＦＳＴ、またはステップＳ２０４で受け付けた外部ＷＦＳＴを、その外部ＷＦＳＴを識別する特殊音素記号と対応付けて、外部ＷＦＳＴ格納手段１０１に蓄積する。

（ステップＳ２０４）外部ＷＦＳＴ受付手段１０５は、外部ＷＦＳＴを受け付けたかどうかを判断する。外部ＷＦＳＴを受け付けた場合は、ステップＳ２０３へ進み、受け付けていない場合は、ステップＳ２０５へ進む。

（ステップＳ２０５）音声信号受付手段１０７は、音声信号を受け付けたかどうかを判断する。音声信号を受け付けた場合は、ステップＳ２０６へ進み、受け付けなかった場合は、ステップＳ２０１に戻る。

（ステップＳ２０６）音声認識手段１０８は、ステップＳ２０５で受け付けた音声信号を一定の期間ごとに分割する。

（ステップＳ２０７）音声認識手段１０８は、ステップＳ２０６で分割した期間ごとに特徴量を取得する。

（ステップＳ２０８）音声認識手段１０８は、カウンタｎに１を代入する。

（ステップＳ２０９）音声認識手段１０８は、ｎ番目の特徴量があるかどうかを判断する。ｎ番目の特徴量がある場合は、ステップＳ２１０へ進み、ｎ番目の特徴量がない場合は、ステップＳ２１６へ進む。

（ステップＳ２１０）音声認識手段１０８は、ｎ番目の特徴量に対応する遷移から、ｎ番目の特徴量に合致する遷移を選択する。なお、ここでいうｎ番目の特徴量に対応する遷移とは、音声認識ＷＦＳＴ上の現在の状態の次の遷移であり、ｎ番目の特徴量、および／または、ｎ番目以前の特徴量によってたどった遷移の履歴に合致する遷移のことを示しているものとする。

（ステップＳ２１１）音声認識手段１０８は、ステップＳ２１０で選択した遷移をたどり、次の状態へ移行する。

（ステップＳ２１２）音声認識手段１０８は、ｎ番目の特徴量に対応する遷移が有する出力を取得し、図示しない一時格納手段に蓄積する。

（ステップＳ２１３）音声認識手段１０８は、次の遷移が有する入力が特殊音素記号と対応付けられているかどうかを判断する。特殊音素記号と対応付けられている場合は、ステップＳ２１４へ進み、特殊音素記号と対応付けられていない場合は、ステップＳ２１５へ進む。

（ステップＳ２１４）音声認識手段１０８は、ステップＳ２１３で確認した特殊音素記号に識別される外部ＷＦＳＴを展開する。

（ステップＳ２１５）音声認識手段１０８は、カウンタｎを１だけインクリメントする。そして、ステップＳ２０９へ戻る。

（ステップＳ２１６）出力手段１０９は、ステップＳ２１２で蓄積された、図示しない一時格納手段に格納されている音声認識結果を出力する。そして、ステップＳ２０１に戻る。

なお、図６のフローチャートでは、音声認識のバッチ処理を行う場合について説明したが、音声認識のリアルタイム処理を行う場合にも、同様に行うことができる。また、図６のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。

以下、本実施の形態における音声認識装置１の具体的な動作について説明する。なお、本具体例では、ステップＳ２０５からステップＳ２１６までの処理について説明する。つまり、本具体例では、固有情報受付手段１０３が固有情報を受け付け、外部ＷＦＳＴ作成手段１０４が作成した外部ＷＦＳＴ、または、外部ＷＦＳＴ受付手段１０５が受け付けた外部ＷＦＳＴを外部ＷＦＳＴ蓄積手段１０６が外部ＷＦＳＴ格納手段１０１に蓄積し終えているものとする。なお、主ＷＦＳＴ格納手段１０２に格納されている主ＷＦＳＴ、および外部ＷＦＳＴ格納手段１０１に格納されている外部ＷＦＳＴは、図２に示すＷＦＳＴであるものとする。

音声認識装置１に接続されている図示しないマイクロフォンに対して、ユーザが発声を行ったものとする。マイクロフォンは、音声を信号に変換し、音声認識装置１の音声信号受付手段１０７へ渡す。音声信号受付手段１０７は、その音声信号を受け付ける（ステップＳ２０５）。音声認識手段１０８は、音声信号受付手段１０７が受け付けた音声信号をフレームに分割し（ステップＳ２０６）、フレームごとの特徴量を取得する（ステップＳ２０７）。フレームごとの特徴量を取得すると、音声認識手段１０８は、その特徴量の順に、起点の状態から主ＷＦＳＴをたどって行く。そして、特殊音素記号「Ｘ」を含む遷移の前の状態（Ｍ１０）にたどりついたものとする（ステップＳ２０９からステップＳ２１３、およびステップＳ２１５）。
その状態（Ｍ１０）から出発する遷移に特殊音素記号「Ｘ」が含まれるため、音声認識手段１０８は、その特殊音素記号「Ｘ」に対応する外部ＷＦＳＴを外部ＷＦＳＴ格納手段１０１から取得する。そして、その外部ＷＦＳＴを展開するための領域を確保する。確保される領域は、「展開された外部ＷＦＳＴの状態ＩＤ」、「主ＷＦＳＴの遷移先状態ＩＤ」、「外部ＷＦＳＴの状態ＩＤ」、「中心の音素記号」、「直後の音素記号」、および「主ＷＦＳＴ上の直後の音素記号」を格納する領域である。そして、音声認識手段１０８は、その外部ＷＦＳＴ上の起点の状態から出発する全遷移の持つ中心の音素記号「ｍ」と「ｏ」とを取得する。次に、音声認識手段１０８は、主ＷＦＳＴ上での遷移（ｂ−ｃ＋Ｘ）の直後の音素記号である特殊音素記号「Ｘ」を、取得した１個目の音素記号「ｍ」に置換した遷移（ｂ−ｃ＋ｍ）を作成する。そして、音声認識手段１０８は、外部ＷＦＳＴにおける起点の状態（Ｓ２０）に対応する状態であって、作成した遷移の行き先の状態（Ｔ１０）を作成する。音声認識手段１０８は、このようにして展開された外部ＷＦＳＴの状態ＩＤ「Ｔ１０」を、図４の１番目のレコードに蓄積する。また、主ＷＦＳＴにおける、その作成した遷移の行き先は状態（Ｍ１４）であるため、音声認識手段１０８は、主ＷＦＳＴの遷移先状態ＩＤ「Ｍ１４」を、図４の１番目のレコードに蓄積する。また、外部ＷＦＳＴにおける、その作成した遷移の行き先は状態（Ｓ２０）であるため、音声認識手段１０８は、外部ＷＦＳＴの状態ＩＤ「Ｓ２０」を、図４の１番目のレコードに蓄積する。また、その作成した遷移の中心の音素記号は「ｃ」であり、直後の音素記号は「ｍ」であるため、音声認識手段１０８は、それらの音素記号を、図４の１番目のレコードに蓄積する。また、主ＷＦＳＴにおいて、中心の音素記号「ｃ」の直後の音素記号は「Ｘ」であるため、音声認識手段１０８は、主ＷＦＳＴ上の直後の音素記号「Ｘ」を、図４の１番目のレコードに蓄積する。
その後、音声認識手段１０８は、外部ＷＦＳＴを参照して、図４の１番目のレコードでの直後の音素記号「ｍ」を中心の音素記号に有する、状態（Ｔ１０）の次の遷移（ｃ−ｍ＋ｎ）を作成する。そして、外部ＷＦＳＴにおける、その作成した遷移に対応する行き先が状態（Ｓ２１）であることから、作成した遷移の行き先の状態（Ｔ１１）を作成する。音声認識手段１０８は、このようにして展開された外部ＷＦＳＴの状態ＩＤ「Ｔ１１」を、図４の２番目のレコードに蓄積する。また、主ＷＦＳＴにおける、その作成した遷移の行き先は状態（Ｍ１３）であるため、音声認識手段１０８は、主ＷＦＳＴの遷移先状態ＩＤ「Ｍ１３」を、図４の２番目のレコードに蓄積する。また、外部ＷＦＳＴにおける、その作成した遷移の行き先は状態（Ｓ２１）であるため、音声認識手段１０８は、外部ＷＦＳＴの状態ＩＤ「Ｓ２１」を、図４の２番目のレコードに蓄積する。また、その遷移の中心の音素記号は、図４の１番目のレコードでの直後の音素記号「ｍ」であり、直後の音素記号は「ｎ」である。また、主ＷＦＳＴ上の直後の音素記号は、図４の１番目のレコードでの主ＷＦＳＴ上の直後の音素記号「Ｘ」の次の音素記号「ｇ」である。音声認識手段１０８は、上記それぞれの値を図４の１番目のレコードの場合と同様に、図４の２番目のレコードに蓄積する。なお、このように主ＷＦＳＴ上の直後の音素記号に、特殊音素記号「Ｘ」の次の音素記号「ｇ」が格納された場合は、その主ＷＦＳＴ上の直後の音素記号「ｇ」は、外部ＷＦＳＴの状態ＩＤが終端に対応する状態になる直前まで変化しない。なお、外部ＷＦＳＴの状態ＩＤが終端に対応する状態になった場合には、主ＷＦＳＴ上の直後の音素記号は、特殊音素記号「Ｘ」の次の音素記号ではなくなるため、例えば、図４の３番目のレコードで示されるように、主ＷＦＳＴ上の直後の音素記号は蓄積されなくてもよい。音声認識手段１０８は、同様の処理を繰り返し、外部ＷＦＳＴの状態ＩＤが外部ＷＦＳＴの終端になるまで状態と遷移とを作成する。音声認識手段１０８は、取得した１番目の音素記号「ｍ」に関する状態遷移の作成が終了すると、取得した２番目の音素記号「ｏ」についても同様に状態遷移を作成する（ステップＳ２１４）。その結果、図４で示されるように展開が行われる。図４において、展開された外部ＷＦＳＴの状態ＩＤが「Ｔ２０」、「Ｔ２１」、「Ｔ２２」であるレコードが、その音素記号「ｏ」に対応して蓄積されたものである。外部ＷＦＳＴの展開が終了すると、音声認識手段１０８は、引き続き展開された外部ＷＦＳＴを含む主ＷＦＳＴをたどる。音声認識手段１０８は、外部ＷＦＳＴの終端の状態ＩＤと対応する展開された状態（例えばＴ１２やＴ２２）にたどり着いた場合に、その外部ＷＦＳＴの状態ＩＤに対応する主ＷＦＳＴの遷移先状態ＩＤに移行するようにして音声認識を続ける。

音声認識手段１０８は、すべてのフレームに対応する特徴量ごとに主ＷＦＳＴをたどり終えると、たどった遷移が有する出力の情報の列である音声認識の結果を出力する（ステップＳ２１６）。

以上のように、本実施の形態による音声認識装置１によれば、音声認識手段１０８が、外部ＷＦＳＴを文脈に応じて動的に展開することで、従来の文脈に依存しない外部ＷＦＳＴの展開方法より、少ない処理、かつ少ないデータ量で音声認識ができる。また、外部ＷＦＳＴ作成手段１０４が、固有情報から外部ＷＦＳＴを作成することで、外部ＷＦＳＴを更新できる。これにより、例えば、ユーザ固有の外部ＷＦＳＴを用いた音声認識ができる。また、音声認識手段１０８が、特殊音素記号に対応する入力を含む遷移の遷移先に関する情報を一時蓄積する。これにより、例えば、外部ＷＦＳＴから主ＷＦＳＴへの接続が容易に行える。また、外部ＷＦＳＴ受付手段１０５が、外部ＷＦＳＴを受け付けることで、外部ＷＦＳＴを更新できる。

また、本実施の形態において、固有情報受付手段１０３、外部ＷＦＳＴ作成手段１０４、および外部ＷＦＳＴ蓄積手段１０６を含む場合について説明したが、音声認識装置１は、固有情報受付手段１０３、外部ＷＦＳＴ作成手段１０４、および外部ＷＦＳＴ蓄積手段１０６を含まなくても良い。音声認識装置１が固有情報受付手段１０３、外部ＷＦＳＴ作成手段１０４、および外部ＷＦＳＴ蓄積手段１０６を含まない場合は、固有情報を用いて作成された外部ＷＦＳＴを外部ＷＦＳＴ格納手段１０１に追加しない音声認識装置１であっても良い。

また、本実施の形態において、外部ＷＦＳＴ受付手段１０５、および外部ＷＦＳＴ蓄積手段１０６を含む場合について説明したが、音声認識装置１は、外部ＷＦＳＴ受付手段１０５、および外部ＷＦＳＴ蓄積手段１０６を含まなくても良い。音声認識装置１が外部ＷＦＳＴ受付手段１０５、および外部ＷＦＳＴ蓄積手段１０６を含まない場合は、外部の装置、または記録媒体等を介して受け付けた外部ＷＦＳＴを外部ＷＦＳＴ格納手段１０１に追加しない音声認識装置１であっても良い。

また、本実施の形態における音声認識装置１を実現するソフトウェアは、以下のようなプログラムであっても良い。つまり、プログラムは、音声信号をテキスト情報に変換するために用いられるＷＦＳＴ（重みつき有限状態トランスデューサ）であり、文脈に依存した２以上の音素記号に対応する入力を有する遷移と、遷移によって接続される状態とを有するＷＦＳＴである外部ＷＦＳＴが１以上格納される外部ＷＦＳＴ格納手段と、外部ＷＦＳＴを識別する情報である特殊音素記号を有する遷移を含むＷＦＳＴである主ＷＦＳＴが格納される主ＷＦＳＴ格納手段とにアクセス可能なコンピュータを、発話された音声を示す音声信号を受け付ける音声信号受付手段、音声信号に応じて、主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、特殊音素記号が識別する外部ＷＦＳＴを、特殊音素記号に対応する入力を有する遷移の遷移先に関する情報と、遷移が有する入力に対応付けられた音素記号とに応じて展開することによって音声認識を行う音声認識手段、音声認識手段が音声認識した結果を出力する出力手段として機能させるためのプログラムである。

なお、本実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されても良く、または、複数の装置によって分散処理されることによって実現されても良い。また、本実施の形態において、一の装置に存在する２以上の通信手段は、物理的に一の手段で実現されても良いことは言うまでもない。

また、本実施の形態において、各構成要素は、専用のハードウェアにより構成されても良く、または、ソフトウェアにより実現可能な構成要素については、プログラムを実行することによって実現されても良い。例えば、ハードディスクや半導体メモリ等の記録媒体に記録されたソフトウェア・プログラムをＣＰＵ等のプログラム実行手段が読み出して実行することによって、各構成要素が実現され得る。

なお、上記プログラムにおいて、上記プログラムが実現する機能には、ハードウェアでしか実現できない機能は含まれない。例えば、情報を取得する取得手段や、情報を出力する出力手段等におけるモデムやインターフェースカード等のハードウェアでしか実現できない機能は、上記プログラムが実現する機能には含まれない。

図７は、上記プログラムを実行して、上記実施の形態による本発明を実現するコンピュータの外観の一例を示す模式図である。上記実施の形態は、コンピュータハードウェアおよびその上で実行されるコンピュータプログラムによって実現され得る。

図７において、コンピュータシステム１１００は、ＣＤ−ＲＯＭドライブ１１０５、ＦＤドライブ１１０６を含むコンピュータ１１０１と、キーボード１１０２と、マウス１１０３と、モニタ１１０４とを備える。

図８は、コンピュータシステム１１００の内部構成を示す図である。図８において、コンピュータ１１０１は、ＣＤ−ＲＯＭドライブ１１０５、ＦＤドライブ１１０６に加えて、ＭＰＵ１１１１と、ブートアッププログラム等のプログラムを蓄積するためのＲＯＭ１１１２と、ＭＰＵ１１１１に接続され、アプリケーションプログラムの命令を一時的に蓄積すると共に、一時記憶空間を提供するＲＡＭ１１１３と、アプリケーションプログラム、システムプログラム、およびデータを蓄積するハードディスク１１１４と、ＭＰＵ１１１１と、ＲＯＭ１１１２等を相互に接続するバス１１１５とを備える。なお、コンピュータ１１０１は、ＬＡＮへの接続を提供する図示しないネットワークカードを含んでいても良い。

コンピュータシステム１１００に、上記実施の形態による本発明等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ１１２１、またはＦＤ１１２２に蓄積されて、ＣＤ−ＲＯＭドライブ１１０５、またはＦＤドライブ１１０６に挿入され、ハードディスク１１１４に転送されても良い。これに代えて、そのプログラムは、図示しないネットワークを介してコンピュータ１１０１に送信され、ハードディスク１１１４に蓄積されても良い。プログラムは実行の際にＲＡＭ１１１３にロードされる。なお、プログラムは、ＣＤ−ＲＯＭ１１２１やＦＤ１１２２、またはネットワークから直接、ロードされても良い。

プログラムは、コンピュータ１１０１に、上記実施の形態による本発明の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティプログラム等を必ずしも含んでいなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいても良い。コンピュータシステム１１００がどのように動作するのかについては周知であり、詳細な説明は省略する。

本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。また、本発明における各手段の「手段」は、「部」や「回路」等と読み替えても良い。

以上のように、本発明にかかる音声認識装置等は、デコードの際に、必要な遷移だけを作成して、特殊音素記号に対応する外部ＷＦＳＴに接続でき、不要な遷移をも作成する手法より、処理量とデータ量を削減できるという効果を有し、音声認識装置等として有用である。

１音声認識装置
１０１外部ＷＦＳＴ格納手段
１０２主ＷＦＳＴ格納手段
１０３固有情報受付手段
１０４外部ＷＦＳＴ作成手段
１０５外部ＷＦＳＴ受付手段
１０６外部ＷＦＳＴ蓄積手段
１０７音声信号受付手段
１０８音声認識手段
１０９出力手段

Claims

音声信号をテキスト情報に変換するために用いられるＷＦＳＴ（重みつき有限状態トランスデューサ）であり、文脈に依存した音素記号に対応する入力を有する遷移と、遷移によって接続される状態とを有するＷＦＳＴである外部ＷＦＳＴが１以上格納される外部ＷＦＳＴ格納手段と、
当該外部ＷＦＳＴを識別する情報である特殊音素記号を有する遷移を含むＷＦＳＴである主ＷＦＳＴが格納される主ＷＦＳＴ格納手段と、
発話された音声を示す音声信号を受け付ける音声信号受付手段と、
前記音声信号に応じて、前記主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、当該特殊音素記号が識別する外部ＷＦＳＴを、当該特殊音素記号に対応する入力を有する遷移の遷移先に関する情報と、当該遷移が有する入力に対応付けられた音素記号とに応じて展開することによって音声認識を行う音声認識手段と、
前記音声認識手段が音声認識した結果を出力する出力手段とを具備する音声認識装置。
前記音声認識手段は、
前記音声信号に応じて、前記主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、当該遷移に含まれる入力に対応付けられた特殊音素記号以外の音素記号を用いて、当該主ＷＦＳＴから当該特殊音素記号で識別される外部ＷＦＳＴへの遷移と、当該外部ＷＦＳＴから当該主ＷＦＳＴに含まれる当該特殊音素記号以後の状態への遷移とを、当該主ＷＦＳＴに追加することによって展開する、請求項１記載の音声認識装置。
前記音声認識手段は、
前記音声信号に応じて、前記主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、当該特殊音素記号に対応する入力を有する遷移の遷移先に関する情報であって、当該特殊音素記号が識別する外部ＷＦＳＴの終端から遷移する主ＷＦＳＴに関する情報を一時的に蓄積する、請求項１または請求項２記載の音声認識装置。
ユーザ固有の情報である固有情報を受け付ける固有情報受付手段と、
前記固有情報と対応する音声信号を認識するための外部ＷＦＳＴを作成する外部ＷＦＳＴ作成手段と、
前記外部ＷＦＳＴ作成手段が作成した外部ＷＦＳＴを、特殊音素記号に対応付けて前記外部ＷＦＳＴ格納手段に蓄積する外部ＷＦＳＴ蓄積手段とをさらに具備する、請求項１から請求項２のいずれか一項記載の音声認識装置。
外部ＷＦＳＴを受け付ける外部ＷＦＳＴ受付手段と、
前記外部ＷＦＳＴ受付手段が受け付けた外部ＷＦＳＴを、特殊音素記号に対応付けて前記外部ＷＦＳＴ格納手段に蓄積する外部ＷＦＳＴ蓄積手段とをさらに具備する、請求項１または請求項２記載の音声認識装置。
音声信号をテキスト情報に変換するために用いられるＷＦＳＴ（重みつき有限状態トランスデューサ）であり、文脈に依存した音素記号に対応する入力を有する遷移と、遷移によって接続される状態とを有するＷＦＳＴである外部ＷＦＳＴが１以上格納される外部ＷＦＳＴ格納手段と、当該外部ＷＦＳＴを識別する情報である特殊音素記号を有する遷移を含むＷＦＳＴである主ＷＦＳＴが格納される主ＷＦＳＴ格納手段と、音声信号受付手段と、音声認識手段と、出力手段とを用いて処理される音声認識方法であって、
前記音声信号受付手段が、
発話された音声を示す音声信号を受け付ける音声信号受付ステップと、
前記音声認識手段が、
前記音声信号に応じて、前記主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、当該特殊音素記号が識別する外部ＷＦＳＴを、当該特殊音素記号に対応する入力を有する遷移の遷移先に関する情報と、当該遷移が有する入力に対応付けられた音素記号とに応じて展開することによって音声認識を行う音声認識ステップと、
前記出力手段が、
前記音声認識ステップで音声認識した結果を出力する出力ステップとを具備する音声認識方法。
音声信号をテキスト情報に変換するために用いられるＷＦＳＴ（重みつき有限状態トランスデューサ）であり、文脈に依存した２以上の音素記号に対応する入力を有する遷移と、遷移によって接続される状態とを有するＷＦＳＴである外部ＷＦＳＴが１以上格納される外部ＷＦＳＴ格納手段と、当該外部ＷＦＳＴを識別する情報である特殊音素記号を有する遷移を含むＷＦＳＴである主ＷＦＳＴが格納される主ＷＦＳＴ格納手段とにアクセス可能なコンピュータを、
発話された音声を示す音声信号を受け付ける音声信号受付手段、
前記音声信号に応じて、前記主ＷＦＳＴをたどりながら行われる音声認識処理に用いられる遷移に含まれる入力に対応する音素記号が特殊音素記号である場合に、当該特殊音素記号が識別する外部ＷＦＳＴを、当該特殊音素記号に対応する入力を有する遷移の遷移先に関する情報と、当該遷移が有する入力に対応付けられた音素記号とに応じて展開することによって音声認識を行う音声認識手段、
前記音声認識手段が音声認識した結果を出力する出力手段として機能させるためのプログラム。