JP2015526766A - 自動音声認識システムにおける選択的にバイアスをかけられた線形判別分析の方法及びシステム - Google Patents
自動音声認識システムにおける選択的にバイアスをかけられた線形判別分析の方法及びシステム Download PDFInfo
- Publication number
- JP2015526766A JP2015526766A JP2015528672A JP2015528672A JP2015526766A JP 2015526766 A JP2015526766 A JP 2015526766A JP 2015528672 A JP2015528672 A JP 2015528672A JP 2015528672 A JP2015528672 A JP 2015528672A JP 2015526766 A JP2015526766 A JP 2015526766A
- Authority
- JP
- Japan
- Prior art keywords
- scatterplot
- matrix
- training data
- class
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims 2
- 238000013507 mapping Methods 0.000 claims 2
- 241000269627 Amphiuma means Species 0.000 claims 1
- 230000001419 dependent effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
- Telephonic Communication Services (AREA)
- Character Discrimination (AREA)
Abstract
Description
スーパーベクトルyk(t)は、強制アラインメントにより、結合状態「k」に属する。全体にわたって、訓練データ全体においてクラス「k」に属するNk個のフレームがある。
式中、「T」は訓練データセット全体にあるフレームの総数である。制御は動作215に引き継がれて、プロセス200は継続する。
式中、(μk−μ)tは、列ベクトル(μk−μ)の転置行列である。
式中、(y(t)−μ)tは、ベクトル(y(t)−μ)の転置行列であり、Tは訓練データセット内のフレームの総数を表し、μはグローバル平均ベクトルを表す。
行列Sw及びSbの同時の対角化が実施され得る。 一実施形態において、最初に行列Swの主成分分析(PCA)が実施され得る。SwのPCA変換行列は、以下をもたらす「A」によって表され得る。
の「d」個の最も大きい固有値に対応する、PCA行列「V」内の「d」個の固有ベクトルが選択される。d×nのサイズに切り詰められた行列は、Vtrunによって示され得る。
一実施形態において、この行列のサイズはd×nである。制御は動作225に引き継がれて、プロセス200は継続する。
式中、z(t)は次元(d×1)の新たな識別的特徴ベクトルである。制御はステップ235に引き継がれて、プロセス200は継続する。
Claims (32)
- 最尤基準を使用して音響モデルを訓練するための方法であって、
a.音声訓練データの強制アラインメントを実施するステップと、
b.前記訓練データを処理して推定散布図行列を得るステップであって、前記散布図行列が平均ベクトルを推定し得るクラス間散布図行列及びクラス内散布図行列のうちの1つ又は複数を含み得る、ステップと、
c.前記クラス間散布図行列及び前記クラス内散布図行列にバイアスをかけるステップと、
d.前記クラス間散布図行列及び前記クラス内散布図行列を対角化して、変換散布図行列を生成するための固有ベクトルを推定するステップと、
e.前記推定されたベクトルを使用して新たな識別的特徴を得るステップであって、前記ベクトルは新たな空間における最も大きい判別に対応する、ステップと、
f.前記新たな識別的特徴に基づいて新たな音響モデルを訓練するステップと、
g.前記音響モデルを保存するステップと、
を含むことを特徴とする方法。 - ステップ(a)は、隠れマルコフモデル−ガウス混合モデルによる、前記音声訓練データ全体に対する現在の最大尤度音響モデルを使用するステップをさらに含む、請求項1に記載の方法。
- 前記データは、複数の音素及びトライフォンから構成され得、
a.トライフォンの隠れマルコフモデル状態が結合状態にマッピングされ得、
b.各特徴フレームが結合状態クラスラベルを有し得、
c.前記結合状態は、特有のクラスの間で音響特徴空間における判別が、選択的にバイアスをかけられた線形判別分析を通じて増大される、特有のクラスを有し得る、請求項2に記載の方法。 - ステップ(b)は、
a.訓練されたモデルを使用して前記訓練データに対して結合トライフォン認識を実施するステップと、
b.前記訓練データの転写を使用して各トライフォン結合状態の認識誤り率を記録するステップと、
c.トライフォンに対応する音響のセグメントを、39次元メル周波数ケプストラム係数特徴ベクトル並びに一次導関数及び二次導関数によって表すステップと、
d.訓練データを結合トライフォン状態の内部にマッピングするステップと、
e.前記メル周波数ケプストラム係数特徴を用いてスーパーベクトルを形成するステップと、
f.結合状態ラベルを前記訓練データ内の各フレームに割り当てるために強制ビタビアラインメントを実施するステップと、
g.前記クラス間散布図行列及びクラス内散布図行列のうちの少なくとも1つを推定するステップと、
をさらに含む、請求項1に記載の方法。 - 前記ステップ(b)の誤り率は、i・(1,2,...,K)であることを含み、前記フレームの部分は、前記強制アラインメントによりクラスラベル「k」を有するが、認識器によって誤認された前記フレームの部分である、請求項4に記載の方法。
- ステップ(g)は、
a.各結合状態クラスにわたって平均することによって前記訓練データの前記結合状態ラベルを使用して前記スーパーベクトルの平均を推定するステップと、
b.グローバル平均ベクトルを推定するステップと、
をさらに含む、請求項4に記載の方法。 - ステップ(c)は音響モデルにより結合状態クラスの誤り率に基づいて実施される、請求項1に記載の方法。
- ステップ(d)は、
a.線形変換を実施するステップと、
b.対角化を実施するステップと、
c.PCAを実施するステップと、
d.新たな行列を保存するステップと、
をさらに含む、請求項1に記載の方法。 - ステップ(f)は、
a.変換行列を通じて得られた新たな特徴を用いてパラメータを推定するステップと、
b.訓練を実施するために新たな特徴を有する最大尤度式を使用するステップと、
をさらに含む、請求項1に記載の方法。 - ステップ(b)における前記訓練は、隠れマルコフモデル−ガウス混合モデルを使用して実施される、請求項14に記載の方法。
- 音響モデルを訓練するための方法であって、
a.音声訓練データの強制アラインメントを実施するステップと、
b.前記訓練データに対して認識を実施して、各結合状態トライフォンの誤り率を推定するステップと、
c.前記訓練データを処理して、平均ベクトルを推定し得る1つ又は複数の推定散布図行列を得るステップと、
d.前記1つ又は複数の推定散布図行列にバイアスをかけるステップと、
e.1つ又は複数の散布図行列に対して対角化を実施して、1つ又は複数の変換散布図行列を生成するためのベクトルを推定するステップと、
f.前記変換された1つ又は複数の推定散布図行列をベクトルの線形変換として使用して新たな識別的特徴を得るステップと、
g.新たな音響モデルを訓練するステップと、
h.前記音響モデルを保存するステップと、
を含む、方法。 - ステップ(a)は、隠れマルコフモデル−ガウス混合モデルによる、前記訓練データ全体に対する現在の最大尤度音響モデルを使用するステップをさらに含む、請求項16に記載の方法。
- 前記音声訓練データは、複数の音素及びトライフォンから構成され得、
a.トライフォンの隠れマルコフモデル状態が結合状態にマッピングされ得、
b.各特徴フレームが結合状態クラスラベルを有し得、
c.前記結合状態は、特有のクラスの間で音響特徴空間における判別が、選択的にバイアスをかけられた線形判別分析を通じて増大される、特有のクラスを有し得る、請求項17に記載の方法。 - ステップ(b)は、
a.訓練されたモデルを使用して前記訓練データに対して結合トライフォン認識を実施するステップと、
b.前記訓練データの転写を使用して各トライフォン結合状態の認識誤り率を記録するステップと、
c.トライフォンに対応する音響のセグメントを、39次元メル周波数ケプストラム係数特徴ベクトル並びに一次導関数及び二次導関数によって表すステップと、
d.訓練データセットを結合トライフォン状態の内部にマッピングするステップと、
e.前記メル周波数ケプストラム係数特徴を用いてスーパーベクトルを形成するステップと、
f.結合状態ラベルを前記訓練データセット内の各フレームに割り当てるために強制ビタビアラインメントを実施するステップと、
g.前記1つ又は複数の散布図行列を推定するステップと、
をさらに含む、請求項16に記載の方法。 - ステップ(b)の前記誤り率は、i・(1,2,...,K)として定義される、請求項19に記載の方法。
- ステップ(g)は、
a.各結合状態クラスにわたって平均することによって前記訓練データの前記結合状態ラベルを使用して前記スーパーベクトルの平均を推定するステップと、
b.グローバル平均ベクトルを推定するステップと、
をさらに含む、請求項19に記載の方法。 - ステップ(c)は音響モデルにより結合状態クラスの誤り率に基づいて実施される、請求項16に記載の方法。
- 前記1つ又は複数の推定散布図行列は、2つの散布図行列を含み、一方はクラス間散布図行列であり、他方はクラス内散布図行列である、請求項16に記載の方法。
- ステップ(d)は、
a.線形変換を実施するステップと、
b.対角化を実施するステップであって、前記対角化は前記線形変換と同時に行われる、ステップと、
c.PCAを実施するステップと、
d.新たな行列を保存するステップと、
をさらに含む、請求項16に記載の方法。 - ステップ(f)は、
a.前記1つ又は複数の変換行列を通じて得られた新たな特徴を用いてパラメータを推定するステップと、
b.訓練を実施するために新たな特徴を有する最大尤度式を使用するステップと、
をさらに含む、請求項16に記載の方法。 - ステップ(b)における前記訓練は、隠れマルコフモデル−ガウス混合モデルを使用して実施される、請求項30に記載の方法。
- 音響モデルを訓練するためのシステムであって、
a.音声訓練データの強制アラインメントを実施するための手段と、
b.前記訓練データを処理して推定散布図行列を得るための手段であって、前記散布図行列は、平均ベクトルを推定し得るクラス間散布図行列及びクラス内散布図行列のうちの1つ又は複数を含み得る、処理して得るための手段と、
c.前記クラス間散布図行列及び前記クラス内散布図行列にバイアスをかけるための手段と、
d.前記クラス間散布図行列及び前記クラス内散布図行列を対角化して、変換散布図行列を生成するための固有ベクトルを推定するための手段と、
e.前記変換散布図行列をスーパーベクトルの線形変換として使用して新たな識別的特徴を得るための手段と、
f.新たな音響モデルを訓練するための手段と、
g.前記音響モデルを保存するための手段と、
を備えることを特徴とするシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261692934P | 2012-08-24 | 2012-08-24 | |
US61/692,934 | 2012-08-24 | ||
PCT/US2013/056313 WO2014031918A2 (en) | 2012-08-24 | 2013-08-23 | Method and system for selectively biased linear discriminant analysis in automatic speech recognition systems |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015526766A true JP2015526766A (ja) | 2015-09-10 |
JP6110945B2 JP6110945B2 (ja) | 2017-04-05 |
Family
ID=50148791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015528672A Active JP6110945B2 (ja) | 2012-08-24 | 2013-08-23 | 自動音声認識システムにおける選択的にバイアスをかけられた線形判別分析の方法及びシステム |
Country Status (10)
Country | Link |
---|---|
US (1) | US9679556B2 (ja) |
EP (1) | EP2888669B1 (ja) |
JP (1) | JP6110945B2 (ja) |
AU (1) | AU2013305615B2 (ja) |
BR (1) | BR112015003833B1 (ja) |
CA (1) | CA2882569C (ja) |
CL (1) | CL2015000445A1 (ja) |
NZ (2) | NZ705075A (ja) |
WO (1) | WO2014031918A2 (ja) |
ZA (1) | ZA201501228B (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792907B2 (en) | 2015-11-24 | 2017-10-17 | Intel IP Corporation | Low resource key phrase detection for wake on voice |
US9972313B2 (en) * | 2016-03-01 | 2018-05-15 | Intel Corporation | Intermediate scoring and rejection loopback for improved key phrase detection |
US10043521B2 (en) | 2016-07-01 | 2018-08-07 | Intel IP Corporation | User defined key phrase detection by user dependent sequence modeling |
US10447315B2 (en) * | 2016-08-15 | 2019-10-15 | Seagate Technologies Llc | Channel error rate optimization using Markov codes |
WO2018081970A1 (en) * | 2016-11-03 | 2018-05-11 | Bayerische Motoren Werke Aktiengesellschaft | System and method for text-to-speech performance evaluation |
US10083689B2 (en) * | 2016-12-23 | 2018-09-25 | Intel Corporation | Linear scoring for low power wake on voice |
US10446136B2 (en) * | 2017-05-11 | 2019-10-15 | Ants Technology (Hk) Limited | Accent invariant speech recognition |
CN107680582B (zh) * | 2017-07-28 | 2021-03-26 | 平安科技(深圳)有限公司 | 声学模型训练方法、语音识别方法、装置、设备及介质 |
US10714122B2 (en) | 2018-06-06 | 2020-07-14 | Intel Corporation | Speech classification of audio for wake on voice |
US10650807B2 (en) | 2018-09-18 | 2020-05-12 | Intel Corporation | Method and system of neural network keyphrase detection |
US11127394B2 (en) | 2019-03-29 | 2021-09-21 | Intel Corporation | Method and system of high accuracy keyphrase detection for low resource devices |
CN111798868B (zh) * | 2020-09-07 | 2020-12-08 | 北京世纪好未来教育科技有限公司 | 语音强制对齐模型评价方法、装置、电子设备及存储介质 |
US11626112B1 (en) | 2021-02-05 | 2023-04-11 | Wells Fargo Bank, N.A. | Bias detection in speech recognition models |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005257917A (ja) * | 2004-03-10 | 2005-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 音声解釈方法、音声解釈装置、音声解釈プログラム |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5572624A (en) * | 1994-01-24 | 1996-11-05 | Kurzweil Applied Intelligence, Inc. | Speech recognition system accommodating different sources |
US6807537B1 (en) * | 1997-12-04 | 2004-10-19 | Microsoft Corporation | Mixtures of Bayesian networks |
US6343267B1 (en) * | 1998-04-30 | 2002-01-29 | Matsushita Electric Industrial Co., Ltd. | Dimensionality reduction for speaker normalization and speaker and environment adaptation using eigenvoice techniques |
US6904405B2 (en) * | 1999-07-17 | 2005-06-07 | Edwin A. Suominen | Message recognition using shared language model |
US6609093B1 (en) | 2000-06-01 | 2003-08-19 | International Business Machines Corporation | Methods and apparatus for performing heteroscedastic discriminant analysis in pattern recognition systems |
US6754628B1 (en) * | 2000-06-13 | 2004-06-22 | International Business Machines Corporation | Speaker recognition using cohort-specific feature transforms |
US6567771B2 (en) * | 2000-08-29 | 2003-05-20 | International Business Machines Corporation | Weighted pair-wise scatter to improve linear discriminant analysis |
TW473704B (en) * | 2000-08-30 | 2002-01-21 | Ind Tech Res Inst | Adaptive voice recognition method with noise compensation |
JP2002132287A (ja) * | 2000-10-20 | 2002-05-09 | Canon Inc | 音声収録方法および音声収録装置および記憶媒体 |
US6964023B2 (en) * | 2001-02-05 | 2005-11-08 | International Business Machines Corporation | System and method for multi-modal focus detection, referential ambiguity resolution and mood classification using multi-modal input |
US7668718B2 (en) | 2001-07-17 | 2010-02-23 | Custom Speech Usa, Inc. | Synchronized pattern recognition source data processed by manual or automatic means for creation of shared speaker-dependent speech user profile |
US6996527B2 (en) * | 2001-07-26 | 2006-02-07 | Matsushita Electric Industrial Co., Ltd. | Linear discriminant based sound class similarities with unit value normalization |
US20060136178A1 (en) * | 2004-12-21 | 2006-06-22 | Young Joon Kim | Linear discriminant analysis apparatus and method for noisy environments |
US8386254B2 (en) * | 2007-05-04 | 2013-02-26 | Nuance Communications, Inc. | Multi-class constrained maximum likelihood linear regression |
US20090030676A1 (en) * | 2007-07-26 | 2009-01-29 | Creative Technology Ltd | Method of deriving a compressed acoustic model for speech recognition |
EP2161718B1 (en) | 2008-09-03 | 2011-08-31 | Harman Becker Automotive Systems GmbH | Speech recognition |
CN101393740B (zh) * | 2008-10-31 | 2011-01-19 | 清华大学 | 一种计算机多方言背景的汉语普通话语音识别的建模方法 |
-
2013
- 2013-08-23 NZ NZ705075A patent/NZ705075A/en unknown
- 2013-08-23 WO PCT/US2013/056313 patent/WO2014031918A2/en active Application Filing
- 2013-08-23 AU AU2013305615A patent/AU2013305615B2/en active Active
- 2013-08-23 BR BR112015003833-6A patent/BR112015003833B1/pt active IP Right Grant
- 2013-08-23 NZ NZ730641A patent/NZ730641A/en unknown
- 2013-08-23 JP JP2015528672A patent/JP6110945B2/ja active Active
- 2013-08-23 US US13/974,123 patent/US9679556B2/en active Active
- 2013-08-23 CA CA2882569A patent/CA2882569C/en active Active
- 2013-08-23 EP EP13830518.0A patent/EP2888669B1/en active Active
-
2015
- 2015-02-23 ZA ZA2015/01228A patent/ZA201501228B/en unknown
- 2015-02-24 CL CL2015000445A patent/CL2015000445A1/es unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005257917A (ja) * | 2004-03-10 | 2005-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 音声解釈方法、音声解釈装置、音声解釈プログラム |
Also Published As
Publication number | Publication date |
---|---|
NZ730641A (en) | 2018-08-31 |
ZA201501228B (en) | 2021-08-25 |
WO2014031918A2 (en) | 2014-02-27 |
CA2882569A1 (en) | 2014-02-27 |
CA2882569C (en) | 2021-11-23 |
BR112015003833B1 (pt) | 2021-11-03 |
NZ705075A (en) | 2017-11-24 |
BR112015003833A2 (pt) | 2019-11-19 |
US20140058731A1 (en) | 2014-02-27 |
EP2888669B1 (en) | 2021-03-31 |
US9679556B2 (en) | 2017-06-13 |
AU2013305615A1 (en) | 2015-03-05 |
WO2014031918A3 (en) | 2014-05-01 |
JP6110945B2 (ja) | 2017-04-05 |
AU2013305615B2 (en) | 2018-07-05 |
EP2888669A2 (en) | 2015-07-01 |
EP2888669A4 (en) | 2016-03-30 |
CL2015000445A1 (es) | 2015-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6110945B2 (ja) | 自動音声認識システムにおける選択的にバイアスをかけられた線形判別分析の方法及びシステム | |
US9812122B2 (en) | Speech recognition model construction method, speech recognition method, computer system, speech recognition apparatus, program, and recording medium | |
US10157610B2 (en) | Method and system for acoustic data selection for training the parameters of an acoustic model | |
Stolcke et al. | Speaker recognition with session variability normalization based on MLLR adaptation transforms | |
US20140025379A1 (en) | Method and System for Real-Time Keyword Spotting for Speech Analytics | |
WO2001022400A1 (en) | Iterative speech recognition from multiple feature vectors | |
Song et al. | Deep bottleneck network based i-vector representation for language identification. | |
AU2018271242A1 (en) | Method and system for real-time keyword spotting for speech analytics | |
Williams | Knowing what you don't know: roles for confidence measures in automatic speech recognition | |
He et al. | Minimum classification error linear regression for acoustic model adaptation of continuous density HMMs | |
JP2938866B1 (ja) | 統計的言語モデル生成装置及び音声認識装置 | |
Kaewtip et al. | A Hierarchical Classification Framework for Phonemes and Broad Phonetic Groups (BPGs): a Discriminative Template-Based Approach | |
Geetha et al. | Monosyllable isolated word recognition for Tamil language using continuous density hidden Markov model | |
Lachhab | Improved feature vectors using N-to-1 Gaussian MFCC transformation for automatic speech recognition system | |
JP3105708B2 (ja) | 音声認識装置 | |
Sun et al. | On the effectiveness of statistical modeling based template matching approach for continuous speech recognition | |
Cernak et al. | Diagnostics of speech recognition: on evaluating feature set performance | |
Gibson et al. | Confidence-informed unsupervised minimum Bayes risk acoustic model adaptation | |
Vihola | Dissimilarity measures for hidden Markov models and their application in multilingual speech recognition | |
Stolcke | Effective Acoustic Modeling for Rate-of-Speech Variation in Large Vocabulary Conversational Speech Recognition | |
Bocchieri et al. | Rejection using rank statistics based on HMM state shortlists | |
Aradilla et al. | Posterior Features Applied to Speech Recognition Tasks with Limited Training Data | |
Herbig et al. | Joint speaker identification and speech recognition for speech controlled applications in an automotive environment | |
Mandel | Lecture 9: Speech Recognition | |
Ellis et al. | Lecture 9: Speech Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150527 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160923 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170310 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6110945 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |