JP2692382B2

JP2692382B2 - 音声認識方法

Info

Publication number: JP2692382B2
Application number: JP2404866A
Authority: JP
Inventors: 昌克星見; 麻紀宮田; 勝行二矢田; 省二平岡
Original assignee: Panasonic Corp; Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Corp; Panasonic Holdings Corp
Priority date: 1990-12-21
Filing date: 1990-12-21
Publication date: 1997-12-17
Anticipated expiration: 2012-12-17
Also published as: JPH04220699A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、１名から数名の小数話
者が発声した認識対象音声を用いて不特定話者の音声の
認識を可能とする音声認識方法に関するものである。

【０００２】

【従来の技術】従来から、不特定話者の音声認識を行な
うための音声標準パターンの作成には、あらかじめ多く
の話者が認識対象単語を発声したデータを用い、人間が
目視などで音声区間を切出して、それらを統計的に処理
していた。不特定話者を対象とした音声認識は、たとえ
ば、”ワードスポッティング手法を用いた不特定話者・
少数語向け音声認識装置”（電子通信情報学会ＳＰ８
８ー１８）に記載された構成が知られている。

【０００３】この方法では、不特定話者用の認識対象単
語辞書を作成するために、実際に３３０名の話者が発声
した音声データを使用している。３３０名が１０数字を
発声した音声データに対して人間がスペクトル波形など
を参考にして目視で音声区間を切出して、分析時間毎に
得られる特徴パラメータ（ＬＰＣケプストラム係数）の
時系列を求め、各単語毎に決められた発声時間になるよ
うに線形に音声データの圧縮を行ない３３０名分のデー
タの絶対値によって単語の標準パターンを作成する。未
知入力音声とこのようにして作成した標準パターンとの
照合を統計的距離尺度であるマハラノビス距離を用いて
行なうことによって、不特定話者の音声認識を可能にし
ている。この方法は、統計的距離尺度を用いて標準パタ
ーンとの照合、比較を行なうことによって、不特定話者
のスペクトル変動を統計的に吸収しようという考え方に
基づいている。しかし、統計的距離尺度のための標準パ
ターン作成には、１つの認識単語に対して数百名以上の
話者が発声したデータが必要である。

【０００４】不特定話者用認識の他の既存の方法とし
て、マルチ標準パターンを用いる方法がある。この方法
は、多くのデータを分析して、それらの中から代表的な
ものを複数個選択し、複数の標準パターンと未知入力の
照合を行なうことによって不特定話者のスペクトル変動
に対処しようとするものである。しかし、この方法にお
いても、複数の標準パターンを作成するためには、数百
名のデータの収集と分析を必要とする。

【０００５】

【発明が解決しようとする課題】しかしながら、前記既
存の方法のような構成では、認識対象音声の標準パター
ン作成には、データの収集、音声区間の切出しなどの膨
大な作業量があり、そのために容易に認識対象音声を変
更できないという課題を有していた。

【０００６】本発明は上記課題を解決するもので、１名
から数名の少数話者が発声した認識対象音声を用いて不
特定話者の音声の認識を可能にする方法に関するもの
で、容易に認識対象音声を変更出来る音声認識方法の提
供を目的とするものである。

【０００７】

【課題を解決するための手段】本発明は上記目的を達成
するもので、その構成に至る本発明の考え方は次のよう
なものである。

【０００８】人の声は有声音では声帯の振動として発せ
られ、その振動音が喉頭、咽頭、舌、あご、唇など（こ
れらを調音器官と呼ぶ）で形成される声道を通る間に様
々な変調をうけて口から音声として出力される。ア、
イ、ウなどの音韻性は声道の形状として与えられる。無
声音は音源が声帯でない場合もあるが、音韻性はやはり
声道の形状で決められる。ところが、声道を形成する
喉、舌、歯、あご、唇などの形状や寸法は人ごとに微妙
に異なっているし、声帯の大きさも性別や年齢で異な
る。このために、人ごとの声の違いが生じることにな
る。つまり、人の違いによる声の差異は調音器官の違い
によるところが大きい。一方、声がア、イ、ウなど音韻
としてではなく、単語や文として発せられるとき、声道
の形が時間的に変化する。すなわち、声道の時間的変化
によって言葉が形成される。たとえば、「赤い」（ａｋ
ａｉ）と発声する場合、声道は、あごが開き舌の後方に
狭めのある／ａ／の発声から喉頭部の閉鎖と急激な開放
を伴う破裂音／ｋ／に移り、さらに再び／ａ／の形状に
戻ってから徐々に舌を唇側に移動し、口を閉じた／ｉ／
に移る。このような声道の変化パターンは発声しようと
している言葉によって決るものであり、人の違いによる
差異は少ないと考えられる。このように言葉としての音
声を静的な声道の形状とその時間的な変化に分割して考
えると、前者のみが話者によって異なり、後者は話者に
よる差は小さいと見なすことが出来る。したがって、静
的な声道の形状の違いに基づく差異を何等かの方法で正
規化できれば、不特定話者の認識が可能となる。

【０００９】ところで、声道の形状の違いは発せられた
音声信号中では周波数スペクトルの違いとして表現され
る。周波数スペクトルを話者間で正規化する最も単純な
方法は、音素や音節をなど短時間の音声標準パターンと
のマッチングを行なって、クラス分けをすることであ
る。不特定話者用として作成された汎用的な標準パター
ンを用いれば話者の違いに大きく左右されない類似度情
報を得ることが出来る。すなわち、スペクトルをパター
ンマッチングによって類似度情報に変換することは、話
者間の差異を軽減することに相当する。一方、声道の変
化パターンは話者による差異がすくないのであるから、
１名から数名の少数話者の情報を用いれば十分である。
したがって、少数話者の単語や文節などの発声を類似度
情報の時間パターンとして辞書に登録すれば、それは不
特定話者用の辞書である。

【００１０】このような考え方に基づく、上記目的を達
成するための本発明の技術的解決手段は、１名から数名
の話者が発声した認識対象音声を分析して得られる特徴
パラメータと、あらかじめ多数の話者で作成したｎ種類
の標準パターンと分析時間（１フレーム）毎にマッチン
グを行ない、得られるｎ次元の類似度ベクトルの時系列
を辞書として登録しておき、認識させたい入力音声も同
様にｎ種類の標準パターンとマッチングを行ない、得ら
れるｎ次元の類似度ベクトルの時系列を求め、前記辞書
との照合を行なうことによって不特定話者の音声認識を
行なうものである。

【００１１】

【作用】本発明は上記構成により、まず１名から数名の
少数の話者が発声した音声を分析して得られる特徴パラ
メータに対して多数の話者で作成したｎ種類の音素や音
節などの標準パターンとの類似度を単位時間毎（フレー
ム毎）に求める。この類似度は多数の話者で作成した汎
用性のある標準パターンとのマッチング結果なので、ｎ
種類の類似度値の相対関係は個人性の影響を受けにく
い。したがって、単位時間毎の類似度の相対関係をパラ
メータとして使用すれば不特定話者に対して有効であ
る。辞書として用意したｎ次元の類似度ベクトルの時系
列と、入力音声から得られる類似度ベクトルの時系列と
を照合することにより、少数の話者で作成した辞書で不
特定話者の音声を認識することができる。また、単位時
間毎の類似度として、最も信頼できるものを１つだけ用
いるのではなく、複数の候補を用いているのでより高い
認識率を得ることが出来る。なお、どのような言葉も音
素や音節の組合せで記述できるのでｎ種類の音素や音節
の標準パターンは１度作成しておけば、認識対象音声を
変更しても常に同じものが使用できる。辞書を変更して
他の音声を認識出来るようにする（すなわち認識語彙の
変更）には、少数の話者が発声するのみで良い。したが
って、簡単な手続きで不特定話者の音声認識が可能であ
り、さらに、語彙の変更などに対して柔軟性のある認識
装置の実現が可能になる。

【００１２】

【実施例】（実施例１）以下、本発明の第一の実施例に
ついて説明する。

【００１３】図１は、本実施例の構成図である。図１に
おいて、１は音響分析部、２は特徴パラメータ抽出部、
３は類似度計算部、４は標準パターン格納部、５はパラ
メータ時系列作成部、６は辞書格納部、７は認識部であ
る。

【００１４】本実施例では、１名の話者の音声を辞書に
登録する場合について最初に説明を行なう。

【００１５】図１において、入力音声が入力されると音
響分析部１で分析時間（フレームと呼ぶ、本実施例では
１フレーム＝１０ｍｓｅｃ）毎に線形予測係数（ＬＰ
Ｃ）を求める。次に、特徴パラメータ抽出部２で、ＬＰ
Ｃケプストラム係数（Ｃ０〜Ｃ８まで９個）を求める。
標準パターン格納部４には、あらかじめ多くの話者が
発声したデータから作成した２０種類の音素標準パター
ンを格納している。本実施例では、

【００１６】

【外１】

【００１７】の２０個の音素標準パターンを使用する。
音素標準パターンは各音素の特徴部（その音素の特徴を
よく表現する時間的な位置）を目視によって正確に検出
し、この特徴フレームを中心とした特徴パラメータの時
間パターンを使用して作成する。

【００１８】本実施例では、時間パターンとして、特徴
フレームの前８フレーム、後３フレーム、計１２フレー
ム分のＬＰＣケプストラム係数（Ｃ０〜Ｃ８）を１次元
にしたパラメータ系列

【００１９】

【外２】

【００２０】を使用する。（数１）に

【００２１】

【外３】

【００２２】を示す。

【００２３】

【数１】

【００２４】ここで

【００２５】

【外４】

【００２６】は特徴部の第ｋフレームにおけるｉ番目の
ＬＰＣケプストラム係数である。多くのデータに対して
パラメータ系列を抽出し、各要素の平均値ベクトル

【００２７】

【外５】

【００２８】と要素間の共分散行列

【００２９】

【外６】

【００３０】を求め標準パターンとする。平均値ベクト
ル

【００３１】

【外７】

【００３２】は（数２）のようになる。

【００３３】

【数２】

【００３４】このように本実施例で用いている音素標準
パターンは複数フレームの特徴パラメータを使用してい
る。すなわちパラメータの時間的動きを考慮して標準パ
ターンを作成しているのが特徴である。

【００３５】入力と音素pの標準パターンとの類似度計
算のためのマハラノビス距離ｄpは（数３）で表され
る。

【００３６】

【数３】

【００３７】ここで共分散行列

【００３８】

【外８】

【００３９】を各音素共通とすると（数４）のように簡
単な式に展開できる．共通化された共分散行列を

【００４０】

【外９】

【００４１】とする。

【００４２】

【数４】

【００４３】本実施例では、計算量の少ない（数４）を
用いる。

【００４４】

【外１０】

【００４５】、ｂpが音素pに対する標準パターンであり
標準パターン格納部４にあらかじめ格納されている。

【００４６】この２０種類の音素標準パターンと特徴抽
出部で得られた特徴パラメータ（ＬＰＣケプストラム係
数）と類似度計算部３でフレーム毎に類似度計算を行な
う。類似度計算部の結果から、パラメータ時系列作成部
５で類似度ベクトルの時系列を求める。類似度ベクトル
の時系列の例を図２に示す。図２は「赤い」（ａｋａ
ｉ）と発声した場合の例で、横軸が時間方向で縦軸が各
時間における類似度を示す。／ａ／の標準パターンにつ
いて説明すると、入力を１フレームずつシフトさせなが
ら標準パターンとマッチングを行ない類似度の時系列を
求める。図２の例では、40、46、68、74、60、.......10、14、
16が類似度の時系列である。この類似度を２０個の音素
標準パターン全てに対して同様に求める。類似度ベクト
ルは図２の斜線で示した部分を指す。図２で示したよう
な類似度ベクトルの時系列を認識部７に送る。

【００４７】辞書格納部６には、あらかじめ一人の話者
が発声した認識対象音声を分析し上記の２０個の標準パ
ターンとフレーム毎に類似度計算を行なった結果得られ
る類似度ベクトルの時系列（図２と同様な形式のもの）
を辞書に登録しておく。認識部７では、辞書格納部にあ
る類似度ベクトルの時系列と入力音声を分析して得られ
る類似度ベクトルの時系列パターンとをマッチングし最
もスコアの大きい辞書項目を認識結果とする。マッチン
グ方法として本実施例ではＤＰマッチングを行なう。Ｄ
Ｐマッチングを行なう漸化式の例を（数５）に示す。こ
こで、辞書の長さをＪフレーム、入力の長さをＩフレー
ム、第ｉフレームと第ｊフレームの距離関数をｌ（ｉ，
ｊ），累積類似度をｇ（ｉ，ｊ）とする。

【００４８】

【数５】

【００４９】距離関数ｌ（ｉ，ｊ）の距離尺度は、ユー
クリッド距離、重み付ユークリッド距離、相関余弦距離
などが使用できる。本実施例では、距離尺度として相関
余弦を用いた場合について説明を行なう。入力音声のｉ
フレームにおける類似度ベクトルを（数６）、辞書のｊ
フレームにおける類似度ベクトルを（数７）とすると、
相関距離を用いた場合のｌ（ｉ，ｊ）は、（数８）の様
になる。

【数６】

【数７】

【００５０】

【数８】

【００５１】発声話者が２名の場合は、２名の発声した
同一音声を、認識する場合と同様にＤＰマッチングを行
ない時間整合を行なう。時間整合について図３を用いて
説明を行なう。図３は「赤い」（ａｋａｉ）と２名の話
者が発声した例である。話者によって発声の時間長が異
なるので、ＤＰマッチング法で時間整合行なう。時間整
合することによって、同じ音素の区間（／ａ／，／ｋ
／，／ａ／，／ｉ／）が整合するようになる。この時間
的に整合したフレーム間で各類似度の平均値を求める。
この平均化した類似度ベクトルの時系列を辞書として登
録する。３名以上の場合は、同じ作業を繰返し複数話者
の平均化した類似度ベクトルの時系列を作成し辞書に登
録する。たとえば２名の話者の発声した音声で登録辞書
を作成する場合は、２名の話者の同一の認識対象音声間
でＤＰマッチングを行ない、その結果からＤＰパスを逆
トレースし時間整合を行なう。図３の斜線で示した話者
１の第ｉフレーム［類似度ベクトルを（数９）とする］
と話者２の第ｊフレーム［類似度ベクトルを（数１０）
とする］が時間的に整合する場合は、新しく（数１１）
を求めこの類似度ベクトルｆを辞書のｉフレームの類似
度ベクトルとして登録する。こうすることによって、辞
書の精度を向上させ、より高い認識率を得ることが出来
る。

【数９】

【数１０】

【数１１】

【００５２】次に、複数話者の発声した音声をマルチ標
準パターンとして辞書に登録する方法について説明を行
なう。認識対象音声を複数話者が発声した音声の類似度
パターンをそのまま辞書として複数個登録する。この場
合は、辞書項目毎に複数個登録されている標準パターン
の中のどの辞書で認識されてもその辞書項目を認識した
ものとする。

【００５３】以上のような図１の構成において、以下そ
の動作について説明する。あらかじめ多数の話者で作成
した音素標準パターンは標準パターン格納部４に格納さ
れている。認識対象音声を１名または数名の少数話者が
発声し、分析して得られた類似度ベクトルの時系列が辞
書格納部６に登録されている（図１の破線）。未知音声
を認識する場合は、入力音声を音響分析部１で分析し、
特徴パラメータ抽出部２でＬＰＣケプストラム係数を求
める。このＬＰＣケプストラム係数と標準パターンとの
マッチングを類似度計算部３でフレームごとに行ない、
パラメータ時系列作成部５で類似度ベクトルの時系列を
求める（図２の形式のもの）。この類似度ベクトルの時
系列と辞書格納部６に格納されいる認識対象音声の類似
度ベクトルの時系列とを認識部７でＤＰマッチングを行
ない最も類似度の大きい認識対象音声を認識結果とす
る。

【００５４】以上、本実施例を用いて２１２単語を発声
した２０名のデータを用いて認識実験を行なった。２０
名の中の１名が２１２単語を発声したデータを辞書とし
て登録し、他の１９名の発声した２１２単語を認識する
実験を行なった。実験の結果８８．７という認識率を得
ることが出来た。

【００５５】認識対象音声を２名が発声した音声から得
られる類似度ベクトルの時系列の平均化した時系列パタ
ーンを使用すると９３．４％という高い認識率が得られ
た。また、２名が発声した音声を平均化しないで２つと
も辞書として登録しマルチ標準パターンとする方法では
９３．２％という認識率が得られた。

【００５６】本実施例の様に入力音声を分析して得られ
る特徴パラメータをそのまま使用せずに、多数の話者の
音声データで作成した標準パターンとの類似度計算から
得られる類似度ベクトルを入力ベクトルとしＤＰ法など
で認識を行なうことによって１名または数名の少数話者
の発声した音声データを辞書として登録するだけで不特
定話者の音声を精度良く認識することが出来るようにな
る。

【００５７】（実施例２）次に、回帰係数を併用する第２の実施例について、図４
を用いて説明を行なう。図４において、８は音響分析
部、９は特徴パラメータ抽出部、１０は類似度計算部、
１１は標準パターン格納部、１２は回帰係数計算部、１
３はパラメータ時系列作成部、１４は辞書格納部、１５
は認識部である。

【００５８】本実施例においても、前記第１の実施例と
同様に類似度ベクトルの時系列を類似度計算部８で求め
る。各類似度の時系列に対して類似度の時間的変化量で
ある回帰係数（ｎ個）を回帰係数計算部９でフレーム毎
に求める。回帰係数は、フレームの前後２フレームの類
似度値（計５フレームの類似度値）の最小２乗近似直線
の傾き（類似度の時間的変化量）を使用する。図４を用
いて類似度の回帰係数について説明を行なう。たとえ
ば、音素／ａ／の標準パターンで説明すると、入力を１
フレームずつシフトさせながら／ａ／の標準パターンと
マッチングを行ない類似度の時系列を求める。このフレ
ーム毎の類似度をプロットしたのが図５である。図５に
おいて横軸がフレーム、縦軸が類似度である。第ｉフレ
ームを中心に第ｉ−２から第ｉ＋２フレームの最小二乗
直線の傾きを求め、これを第ｉフレームにおける類似度
の時間変化量（回帰係数）とする。回帰係数を求める式
を（数７）に示す。この回帰係数を１フレームごとに全
フレームに対して求める。また、他の標準パターンに対
しても同様にして回帰係数を全フレームに対して求め
る。

【００５９】

【数１２】

【００６０】このフレーム毎に求められたｎ次元の類似
度ベクトルとｎ次元の回帰係数ベクトルの両方をパラメ
ータとして認識を行なう。前記実施例では、入力音声の
ｉフレームにおける類似度ベクトルと辞書のｊフレーム
における類似度ベクトルの距離として（数２）の相関距
離を使用していた。回帰係数を併用した場合の距離関数
ｌ（ｉ，ｊ）は，（数１３）を用いる。ここで、入力音
声のｉフレームにおける回帰係数ベクトルを（数１
４）、辞書のｊフレームにおける回帰係数ベクトルを
（数１５）とする。

【００６１】

【数１３】

【数１４】

【数１５】

【００６２】ｗは類似度と回帰係数の混合比率であり、
０．４から０．６がよい。以上の相関余弦を用いて前記
従来例と同様の方法でＤＰマッチングを行ない類似度を
求め最も類似度の大きい辞書項目を認識結果とする。

【００６３】第２の実施例を用いて２１２単語を発声し
た２０名のデータを用いて認識実験を行なった。２０名
の中の１名のデータを辞書として登録し、他の１９名の
発声した２１２単語を認識する実験を行なった。類似度
ベクトルと回帰係数ベクトルを併用すると、９１．８％
の単語認識率が得られた。これは、回帰係数を併用する
前より３．１％向上した。また、２名の話者の発声した
音声を平均化したデータを辞書として登録し残り１８名
を評価すると９５．９％の認識率が得られ、回帰係数を
併用する前より２．５％向上した。

【００６４】本発明は入力音声を分析して得られる特徴
パラメータをそのまま使用せずに、いったん多数の話者
の音声データで作成した標準パターンとのマッチングに
よって、類似度と類似度の回帰係数に変換し、これらを
入力ベクトルとしＤＰ法などで認識を行なうことによっ
て、１名または数名の少数の話者の発声した音声データ
を辞書として登録するだけで不特定話者の音声を精度良
く認識することが出来るようになる。

【００６５】

【発明の効果】以上の様に本発明は、音声を分析して得
られた特徴パラメータに対してあらかじめ多くの話者で
作成したｎ種類の標準パターンとの類似度計算を行なっ
て類似度を求め、ｎ次元の類似度ベクトルまたはｎ次元
の類似度ベクトルとｎ次元回帰係数ベクトルを音声認識
のための特徴パラメータとすることによって、１名から
数名の少数の話者が発声した認識対象音声を辞書として
登録するだけで、不特定話者の音声を精度良く認識する
ことが出来る手段を提供するものである。したがって、
辞書の作成が極めて容易であり、また認識対象音声を変
更したい場合には、１人または数名の少数の話者が発声
した音声データを辞書として登録するだけで辞書が更新
できる。そして高い認識率を得ることが出来る。このよ
うに本発明は不特定話者用音声認識装置の性能向上およ
びいろいろな用途へ適用するための柔軟性の向上に対し
て極めて大きく貢献する。

【図面の簡単な説明】

【図１】本発明の第１の実施例における音声認識方法を
具現化する機能ブロック図

【図２】第１の実施例における類似度ベクトルの時系列
を説明する時系列図

【図３】第１の実施例における２名の話者の登録音声に
対する時間整合を説明する模式図

【図４】本発明の第２の実施例における音声認識方法を
具現化する機能ブロック図

【図５】第２の実施例における回帰係数を示す特性図

【符号の説明】

１音響分析部２特徴パラメータ抽出部３類似度計算部４標準パターン格納部５パラメータ時系列作成部６辞書格納部７認識部８音響分析部９特徴パラメータ抽出部１０類似度計算部１１標準パターン格納部１２回帰係数計算部１３パラメータ時系列作成部１４辞書格納部１５認識部

───────────────────────────────────────────────────── フロントページの続き (72)発明者平岡省二神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内 (56)参考文献特開平１−216397（ＪＰ，Ａ) 特開平２−248999（ＪＰ，Ａ)

Claims

(57)【特許請求の範囲】

【請求項１】１名から数名の少数の話者が発声した認
識対象音声から分析時間（フレーム）毎に得られるｍ個
の特徴パラメータからなる系列の各々について、あらか
じめ多数の話者が発声したデータからｍ個の特徴パラメ
ータを求め、そのｍ個の特徴パラメータから作成したｎ
種類の標準パターンとのマッチングを行ない、ｎ個の類
似度をフレーム毎に求め、この類似度ベクトルで作成し
た時系列パターンをあらかじめ辞書登録しておき、未知
の入力音声から分析時間毎に得られるｍ個の特徴パラメ
ータからなる系列の各々について、前記ｎ種類の標準パ
ターンとのマッチングを行ないｎ次元の類似度ベクトル
の時系列を求め、前記辞書に登録されている類似度ベク
トルの時系列と照合し、入力音声を認識することを特徴
とする音声認識方法。
【請求項２】ｎ種類の各類似度の時系列それぞれに対
して類似度の時間変化量をフレーム毎にｎ個求め、この
類似度の時間変化量のｎ次元ベクトルと類似度のｎ次元
ベクトルを併用して時系列パターンを作成することを特
徴とする請求項１記載の音声認識方法。
【請求項３】類似度の時間変化量として回帰係数を用
いることを特徴とする請求項２記載の音声認識方法。
【請求項４】同一の認識対象音声を２名以上の話者が
発声し、それぞれ分析して得られるｎ次元類似度ベクト
ルの時系列に対して、ＤＰマッチングによって話者間の
時間整合を行ない、時間的に整合したフレーム間で各類
似度の平均値を求めその平均値の時系列パターンを辞書
に登録することを特徴とする請求項１記載の音声認識方
法。
【請求項５】同一の認識対象音声を２名以上の話者が
発声し、それぞれ分析して得られるｎ次元類似度ベクト
ルとｎ次元回帰係数ベクトルの時系列に対して、ＤＰマ
ッチングによって話者間の時間整合を行ない、時間的に
整合したフレーム間で各類似度と各類似度の時間変化量
の平均値を求めその平均値の時系列パターンを辞書に登
録することを特徴とする請求項１記載の音声認識方法。
【請求項６】同一の認識対象音声を２名以上の話者が
発声し、それぞれ分析して得られるｎ次元類似度ベクト
ルの時系列を複数個求め、これらを辞書として登録し、
マルチ標準パターンとして使用することを特徴とする請
求項１記載の音声認識方法。
【請求項７】同一の認識対象音声を２名以上の話者が
発声し、それぞれ分析して得られるｎ次元類似度ベクト
ルとｎ次元の類似度の時間変化量ベクトルの時系列を複
数個求めこれらを辞書として登録し、マルチ標準パター
ンとして使用することを特徴とする請求項１記載の音声
認識方法。
【請求項８】辞書と入力音声を照合する方法としてＤ
Ｐマッチングを用いることを特徴とする請求項１記載の
音声認識方法。
【請求項９】類似度ベクトル間または類似度の時間変
化ベクトル間の距離を求める距離尺度として、ユークリ
ッド距離、重み付ユークリッド距離、相関余弦を用いる
ことを特徴とする請求項１または２記載の音声認識方
法。
【請求項１０】標準パターンとして音素、音節、半音
節、音素片等の音響学的な基本単位に基ずくカテゴリー
の標準パターンを使用することを特徴とする請求項１記
載の音声認識方法。
【請求項１１】標準パターンとのマッチングの距離尺
度として、マハラノビス距離又は各標準パターンの共分
散行列を共通化したマハラノビス距離を用いることを特
徴とする請求項１ないし１０のいずれか記載の音声認識
方法。