JP2901850B2 - 統計的言語モデルを用いた音声認識方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、統計的言語モデルを用
いた音声認識方法に関する。

【０００２】

【従来の技術及び発明が解決しようとする課題】従来か
ら、音声認識のための統計的言語情報として、単語間の
連接関係を利用することが研究されており、単語のｂｉ
ｇｒａｍ、ｔｒｉｇｒａｍなどの連鎖統計モデルを用い
て音声認識することが有効であることが知られている。

【０００３】例えば、単語のＮ−ｇｒａｍ（Ｎは自然数
である。）を用いた音声認識方法（以下、第１の従来例
という。）が、「中川聖一著，“確率モデルによる音声
認識”の“第５章確率的文音声認識アルゴリズム”，電
子情報通信学会，ｐｐ．１０９−１２１，１９８８年７
月１日」において開示されており、この第１の従来例で
は、最大Ｎ＝３までの音声認識方法について説明されて
いる。この単語Ｎ−ｇｒａｍモデルは統計的言語モデル
の代表的なものであり、構文規則によるものに比べ、モ
デルの構築、利用が容易であるという利点を有してい
る。しかしながら、Ｎの値は実用上３程度（ｔｒｉｇｒ
ａｍ）であり、単語間の局所的な制約を捕らえることは
できるが、より大局的な単語間の構文的、意味的関係を
制約として表現することはできない。ここで、Ｎを大き
くすると推定すべきパラメータ数が多くなり、テキスト
データベースからパラメータを推定する際に推定精度が
悪くなり、また音声認識時の計算量及びメモリ量も増大
し、装置規模が大型になるという問題点があった。

【０００４】また、上記第１の従来例の文献には、単語
のｔｒｉｇｒａｍモデルの拡張として、英語の場合にお
いて直前の２つの句の自立語まで考慮するモデルも述べ
られている（同文献ｐｐ．１１９−１２０参照。）が、
当該モデルを日本語の場合に適用した場合に常に自立語
だけ考慮するのでは、構文的な関係は十分には捕らえら
れないという問題点があった。

【０００５】さらに、日本語の文章における大局的な制
約を表現するために、自立語のＮ−ｇｒａｍと付属語の
Ｎ−ｇｒａｍとを用いて音声認識する方法（以下、第２
の従来例という。）が、「磯谷亮輔ほか，“自立語と付
属語の連鎖統計モデルを用いた音声認識のための候補選
択”，電子情報通信学会技術報告，ＳＰ９３−３３，ｐ
ｐ．７３−７８，１９９３年６月」に開示されている。
この第２の従来例においては、あらかじめ文節境界が既
知であることを前提にして、当該既知の文節境界におい
て付属語−自立語連鎖の局所的制約を併用することによ
り、従来の文節間文法を用いた方法に比較して音声認識
率を向上させることを認識実験によって確認している。
しかしながら、文節境界を予め調べる必要があるため
に、例えば、入力される音声スペクトルに関するベクト
ルのフレームに同期して処理するリアルタイム処理用ア
ルゴリズムである公知のＯｎｅ Ｐａｓｓ ＤＰ（Dyna
micProgramming）アルゴリズム（Ｏｎｅ−ｓｔａｇｅ
ＤＰアルゴリズムともいう；例えば、第１の従来例の文
献のｐｐ．２０−２６参照。）などに適用することは難
しい。

【０００６】本発明の第１の目的は以上の問題点を解決
し、局所的な関係のみならず大局的な関係を十分に捕ら
えて音声認識することができ、しかも文節境界が未知で
あっても音声認識することができる音声認識方法を提供
することにある。また、本発明の第２の目的は、さら
に、音声認識時のパラメータ数を大幅に減少させて、音
声認識装置の記憶容量を大幅に削減することができる音
声認識方法を提供することにある。

【０００７】

【課題を解決するための手段】本発明に係る請求項１記
載の統計的言語モデルを用いた音声認識方法は、入力さ
れる発声音声を音声信号に変換して出力するマイクロホ
ンと、上記マイクロホンから出力される音声信号から所
定の特徴パラメータを抽出して出力する特徴抽出手段
と、上記特徴抽出手段から出力される特徴パラメータに
基づいて、所定の統計的言語モデルを参照して、上記発
声音声に含まれる単語列を音声認識する音声認識手段と
を備えた音声認識装置を用いて音声認識するための音声
認識方法において、上記発声音声に含まれる単語列
ｗ₁，ｗ₂，...，ｗ_i-1を自立語と付属語とに分類し、ｉ
が２以上の自然数であるときの単語列ｗ₁，ｗ₂，...，
ｗ_i-1が順次発声された後に単語ｗ_iが発声される確率Ｐ
（ｗ_i｜ｗ₁，ｗ₂，...，ｗ_i-1）が、上記単語ｗ_iと、そ
の直前の少なくとも１個の単語と、上記単語列ｗ₁，
ｗ₂，...，ｗ_i-1内の最後の少なくとも１個の自立語と
最後の少なくとも１個の付属語とによって決定される統
計的言語モデルを参照して、入力された単語列を音声認
識することを特徴とする。

【０００８】また、請求項２記載の統計的言語モデルを
用いた音声認識方法は、請求項１記載の統計的言語モデ
ルを用いた音声認識方法において、単語ｄ_jは上記単語
ｗ_iと同一の単語であって、単語ｄ_j-1は上記単語ｗ_iと
同一の自立語又は付属語に属する１つの前の単語である
場合であって、上記単語ｗ_iとその１つ前の単語ｗ_i-1と
の一方が自立語に属する単語であって、他方が付属語に
属する単語であるとき、上記確率Ｐ（ｗ_i｜ｗ₁，
ｗ₂，...，ｗ_i-1）を次の数１で近似する一方、

【数３】 Ｐ(ｗ_i|ｗ₁，ｗ₂，...，ｗ_i-1)≒Ｐ(ｗ_i|ｗ_i-1)・Ｐ(ｄ_j|ｄ_j-1)／Ｐ(ｄ_j) 上記単語ｗ_iとその１つ前の単語ｗ_i-1とがいずれも自立
語に属する単語であるか、又はいずれも付属語に属する
単語であるとき、上記確率Ｐ（ｗ_i|ｗ₁，ｗ₂，...，ｗ
_i-1）を次の数２で近似する

【数４】 Ｐ(ｗ_i|ｗ₁，ｗ₂，...，ｗ_i-1)≒Ｐ(ｗ_i|ｗ_i-1) ことを特徴とする。

【０００９】

【００１０】

【００１１】

【実施例】以下、図面を参照して本発明に係る実施例の
統計的言語モデルを用いた音声認識方法について説明す
る。本実施例の統計的言語モデルを用いた音声認識方法
は、単語のｂｉｇｒａｍによる局所的な単語連鎖統計
と、付属語のｂｉｇｒａｍ及び自立語のｂｉｇｒａｍに
よる大局的な単語連鎖統計を統一的に扱う言語モデルを
参照して音声認識することを特徴とし、局所的関係と大
局的関係の独立性を仮定することにより、パラメータ数
を大幅に削減することができることを以下に示す。

【００１２】まず、付属語のＮ−ｇｒａｍと、自立語の
Ｎ−ｇｒａｍとについて述べる。日本語では、たとえば
「〜から」の後には「〜まで」が比較的多く現れると
か、「〜が〜が」のような連鎖はあまり現れない、とい
った性質が見られる。これは、一種の大局的な構文制約
を表しているとみなせる。そこで、本実施例において
は、助詞などの付属語のみに注目してその連鎖を統計的
にモデル化する。同様に、文中の自立語のみに注目した
場合の連鎖統計も考えることができる。この場合、たと
えば「会議」で始まる文節のあとには「送る」という動
詞より「参加する」「発表する」といった語の方が多く
表れ、逆に「用紙」のあとには「送る」の方が多く表れ
るというような語と語の間の意味的な関係を統計的に表
現することができる。

【００１３】次いで、単語のＮ−ｇｒａｍとの併用につ
いて説明する。一般に用いられているｂｉｇｒａｍ、ｔ
ｒｉｇｒａｍなどの単語Ｎ−ｇｒａｍモデルは、慣用句
や、文節内の付属語の連鎖、あるいは名詞と助詞、助詞
と動詞の組み合わせなど、局所的な単語連鎖の制約を表
現することができる。この局所的な制約に、付属語Ｎ−
ｇｒａｍ、自立語Ｎ−ｇｒａｍによる大局的な制約を組
み合わせる。簡単のため、局所的制約、大局的制約と
も、１つ前の単語だけを考慮した統計的言語モデルを考
えることにする。

【００１４】音声認識装置に入力された文Ｓが、順次入
力される複数の単語にてなる単語列ｗ₁，ｗ₂，...，ｗ_n
からなるとする。ここで、部分単語列ｗ₁，ｗ₂，...，
ｗ_i（自然数ｉ≧１。）を部分単語列ｗ₁ ⁱと表すと、上
記文Ｓの生起確率Ｐ（Ｓ）は、次の数５と数６で表され
る。

【００１５】

【数５】Ｐ（Ｓ）＝Ｐ（ｗ₁，ｗ₂，...，ｗ_n）

【数６】

【００１６】上記数６における確率Ｐ(ｗ_i｜ｗ₁ ^i-1)
は、単語列ｗ₁ ^i-1が発声された後に単語ｗ_iが発声され
る確率であり、以下、同様に、確率Ｐ（Ａ｜Ｂ）は単語
又は単語列Ｂが発声された後に単語Ａが発声される確率
を意味する。また、上記数６における「Π」はｉ＝１か
らｎまでの確率Ｐ（ｗ_i｜ｗ₁ ^i-1）の積を意味する。

【００１７】一般に、生起確率Ｐ（ｗ_i｜ｗ₁ ^i-1）の値
をあらゆる部分単語列について個別に求めるのは不可能
なので、例えば単語のｂｉｇｒａｍモデルでは、次の数
７のように近似する。

【数７】Ｐ（ｗ_i｜ｗ₁ ^i-1）≒Ｐ（ｗ_i｜ｗ_i-1）

【００１８】さらに、大局的制約を考慮するため、部分
単語列ｗ₁ ^i-1内の最後の自立語ｃ_j-1と、最後の付属語
ｐ_k-1とを用いて、上記数７を次の数８のように拡張す
る。ここで、自然数ｊ≧２であり、自然数ｋ≧２であ
る。

【数８】 Ｐ（ｗ_i｜ｗ₁ ^i-1）≒Ｐ（ｗ_i｜ｗ_i-1，ｃ_j-1，ｐ_k-1） 上記数８の右辺の確率Ｐ（ｗ_i｜ｗ_i-1，ｃ_j-1，ｐ_k-1）
は、単語ｗ_i-1と、自立語ｃ_j-1と、付属語ｐ_k-1とが発
声された後に、単語ｗ_iが発声される生起確率であり、
以下、同様に示す。

【００１９】また、上記入力された単語列のすべての単
語を、自立語と付属語のいずれかに分類するとすれば、
単語ｗ_i-1は自立語ｃ_j-1か付属語ｐ_k-1のいずれかと同
じなので、次の数９を得る。

【数９】Ｐ（ｗ_i｜ｗ_i-1，ｃ_j-1，ｐ_k-1） ＝Ｐ（ｗ_i｜ｗ_i-1，ｐ_k-1），ｗ_i-1が自立語のとき ＝Ｐ（ｗ_i｜ｗ_i-1，ｃ_j-1），ｗ_i-1が付属語のとき

【００２０】上記数９に基づく言語モデルは、単語のＮ
−ｇｒａｍと同様に、マルコフモデルの１種であって、
Ｏｎｅ Ｐａｓｓ ＤＰアルゴリズムなどによる認識処
理に容易に組み込むことができる。以下、上記数９によ
る統計的言語モデルを「併用モデルＩ」と呼ぶ。

【００２１】次いで、音声認識処理におけるパラメータ
数の削減のため、以下の２つの条件のもとで近似を行な
う。 （１）単語ｗ_iと単語ｗ_i-1の間の相互情報量は、単語ｗ
_i-1が自立語のときは付属語ｐ_k-1に依存せず、単語ｗ
_i-1が付属語のときは自立語ｃ_j-1に依存しない。 （２）隣接しない自立語と付属語の出現確率は独立であ
る。 これらの仮定により、上記数９はさらに次の数１０のよ
うに書き換えられる。

【００２２】

【数１０】Ｐ（ｗ_i｜ｗ_i-1，ｃ_j-1，ｐ_k-1） ≒Ｐ_L（ｗ_i｜ｗ_i-1）・Ｐ_G（ｐ_k｜ｐ_k-1）／Ｐ
_G（ｐ_k），ｗ_i-1が自立語でありかつｗ_iが付属語（＝ｐ
_k）のとき ≒Ｐ_L（ｗ_i｜ｗ_i-1）・Ｐ_G（ｃ_j｜ｃ_j-1）／Ｐ
_G（ｃ_j），ｗ_i-1が付属語でありかつｗ_iが自立語（＝ｃ
_j）のとき ≒Ｐ_L（ｗ_i｜ｗ_i-1），それ以外のとき

【００２３】ここで、Ｐ_Lは局所的な単語連鎖の確率を
表し、Ｐ_Gは付属語又は自立語の連鎖の確率を表す。以
下、上記数１０を用いた統計的言語モデルを「併用モデ
ルII」と呼ぶ。ここで、上記数１０は、単語列の生起確
率が局所的ｂｉｇｒａｍと大局的ｂｉｇｒａｍの確率の
積で近似できることを示している。パラメータの推定
は、局所的ｂｉｇｒａｍと大局的ｂｉｇｒａｍのそれぞ
れについて行なえばよいことになり、推定すべきパラメ
ータ数は大幅に削減される。従って、総語彙数Ｎ_allの
うち、自立語の数をＮ_cとし付属語の数をＮ_Pとする（こ
こで、Ｎ_all＝Ｎ_c＋Ｎ_Pである。）と、各モデルのパラ
メータ数は表１のようになる。

【００２４】

【表１】 各モデルのパラメータ数の比較 ──────────────────────────── モデル パラメータ数 ──────────────────────────── 単語bigram Ｎ² _all 単語trigram Ｎ³ _all 併用モデルＩ ２Ｎ_cＮ_pＮ_all 併用モデルＩＩ Ｎ² _all＋Ｎ² _c＋Ｎ² _p ────────────────────────────

【００２５】以下、本実施例の音声認識方法を用いる音
声認識装置を示す図１を参照して、本実施例の統計的言
語モデルを用いた音声認識装置の構成及び動作について
説明する。

【００２６】図１において、話者の発声音声はマイクロ
ホン１に入力されて音声信号に変換された後、特徴抽出
部２に入力される。特徴抽出部２は、入力された音声信
号をＡ／Ｄ変換した後、例えばＬＰＣ分析を実行し、対
数パワー、１６次ケプストラム係数、Δ対数パワー及び
１６次Δケプストラム係数を含む３４次元の特徴パラメ
ータを抽出する。抽出された特徴パラメータの時系列は
Ｏｎｅ ｐａｓｓＤＰ音声認識部（以下、音声認識部と
いう。）３に入力される。音声認識部３に接続される隠
れマルコフモデルメモリ１１内の隠れマルコフモデル
（以下、ＨＭＭという。）は、複数の状態と、各状態間
の遷移を示す弧から構成され、各弧には状態間の遷移確
率と入力コードに対する出力確率を有している。

【００２７】上述した「併用モデルＩ」又は「併用モデ
ルII」である統計的言語モデルのデータを予め格納する
統計的言語モデルメモリ１２は音声認識部３に接続され
る。音声認識部３は、メモリ１１内のＨＭＭと統計的言
語モデルメモリ１２内の統計的言語モデルを参照して、
入力された特徴パラメータデータについて左から右方向
に、後戻りなしに処理してより高い生起確率の単語列を
音声認識結果データと決定することにより音声認識の処
理を実行して、決定された音声認識結果データ（単語列
データ）を出力する。

【００２８】本発明者は、以上説明した本実施例の音声
認識装置を用いてパープレキシティによる評価を行うた
めにシミュレーションを行った。当該シミュレーション
においては、言語モデル学習用テキストデータとして、
本出願人の国際会議に関する対話のテキストデータベー
スを用いた。「えーと」などの語や言い淀みなどの不要
語はあらかじめ除いた。当該テキストデータベースの総
文数は約９，５００であり、総単語数は約１１５，００
０である。助詞、助動詞、及び補助動詞を、付属語とし
て扱い、それ以外を自立語として扱った。ここで、語彙
数は自立語４７４９語であり、付属語３３８語であっ
て、合計５０８７語である。単語連鎖の出現確率の計算
では、文頭及び文末も仮想的な単語として扱った。ま
た、評価用のテキストとしては、学習に用いたのとは別
の国際会議申し込みに関する会話２６２文（総単語数１
８２４）を用いた。

【００２９】まず、上記学習用テキストデータを用い
て、単語のｂｉｇｒａｍ、単語のｔｒｉｇｒａｍ、上記
併用モデルＩ、上記併用モデルIIの４つのモデルについ
て、言語モデルのパラメータを推定した。そして、推定
精度向上のために、それぞれ削減補間法によりスムージ
ングを行なった。たとえば単語のｂｉｇｒａｍの場合
は、単語のｕｎｉｇｒａｍ及び単語のｚｅｒｏｇｒａｍ
の確率値を用いて補間した。そして、上記４つのモデル
について、表１により計算したパラメータ数の比（単語
のｂｉｇｒａｍを１とする）及び評価用データに対する
パープレキシティの値を求めた。その結果を表２に示
す。

【００３０】

【表２】 各モデルのパラメータ数比とパープレキシティ ──────────────────────────── モデル パラメータ数比 パープレキシティ ──────────────────────────── 単語bigram １．０ ５２．１ 単語trigram ５．１×１０³ ４７．６ 併用モデルＩ ６．３×１０² ４８．３ 併用モデルII １．９ ４９．３ ────────────────────────────

【００３１】上記併用モデルIIについては、近似のため
次の数１１は必ずしも成立しない。

【００３２】

【数１１】 ここで、上記数１１における「Σ」は、単語ｗ_iに関す
る確率Ｐ（ｗ_i｜ｗ_i-1，ｃ_j-1，ｐ_k-1）の和である。

【００３３】従って、上記併用モデルIIについては、上
記数１０をそのまま用いると正しいパープレキシティが
得られないので、上記数１０で求まる値を次の数１２で
表される値で正規化して計算した。

【００３４】

【数１２】

【００３５】上記の結果から明らかなように、上記併用
モデルＩでは、単語のｔｒｉｇｒａｍより１桁少ないパ
ラメータ数でほぼ同等のパープレキシティが得られた。
また、上記併用モデルＩＩでは、パープレキシティを大
きく劣化させることなくパラメータ数がさらに大幅に削
減されて単語のｂｉｇｒａｍの２倍程度に抑えられてお
り、効率的なモデル化が行なわれていることがわかる。
また、音声認識率の性能向上のためには、併用モデルで
局所的制約又は大局的制約に単語のｔｒｉｇｒａｍを用
いるよう拡張することも可能である。

【００３６】以上説明したように、従来の単語ｂｉｇｒ
ａｍによる局所的な単語連鎖の制約と、自立語あるいは
付属語のみに注目した大局的な単語連鎖の制約を併用す
る統計的言語モデルを用いる音声認識方法を発明した。
さらに、局所的制約と大局的制約の独立性を仮定するこ
とによりパラメータ数の増加を抑えられることを示し
た。さらに、局所的制約及び大局的制約にそれぞれ単語
のｂｉｇｒａｍを用いた併用モデルを、単語のｔｒｉｇ
ｒａｍと比較した結果、パープレキシティを大きく劣化
させることなくパラメータ数が大幅に削減され、効率的
にモデル化できることを確認した。

【００３７】従って、本発明に係る本実施例の効果を要
約すると、以下の通りである。 （１）局所的な制約だけでなく、大局的な構文的、意味
的制約も効率的に表現でき、音声認識率を向上させるこ
とができる。 （２）あらかじめ文節の境界がわからなくてもよく、上
記統計的言語モデルはマルコフモデルであるので、Ｏｎ
ｅ Ｐａｓｓ ＤＰアルゴリズムなどに容易に組み込む
ことができる。 （３）上述の近似を行うことにより、推定すべきパラメ
ータ数が大幅に削減でき、パラメータ推定の信頼性が向
上し、音声認識時のメモリ量を大幅に削減することがで
きる。

【００３８】以上の実施例においては、単語のカテゴリ
は自立語と付属語であるが、本発明はこれに限らず、助
詞と、それ以外の品詞とに区別したカテゴリを用いても
よい。

【００３９】以上の「併用モデルＩ」と「併用モデルI
I」を用いた実施例においては、単語列ｗ₁，ｗ₂，...，
ｗ_i-1が順次発声された後に単語ｗ_iが発声される確率Ｐ
（ｗ_i｜ｗ₁，ｗ₂，...，ｗ_i-1）が、上記単語ｗ_iとその
直前の単語ｗ_i-1と、上記単語列ｗ₁，ｗ₂，...，ｗ_i-1
内の単語のカテゴリ毎の直前の単語とによって決定され
る統計的言語モデルを参照して、入力された単語列を音
声認識しているが、本発明はこれに限らず、上記確率Ｐ
（ｗ_i｜ｗ₁，ｗ₂，...，ｗ_i-1）が、上記単語ｗ_iとその
直前の予め決められた自然数（Ｎ−１）個の単語と、上
記単語列ｗ₁，ｗ₂，...，ｗ_i-1内の単語のカテゴリ毎の
直前の予め決められた自然数（Ｍ−１）個ずつの単語と
によって決定される統計的言語モデルを参照して、入力
された単語列を音声認識するように構成してもよい。こ
こで、Ｍ及びＮはそれぞれ、２以上の自然数である。そ
して、上記実施例において示すように、好ましくは、Ｎ
＝Ｍ＝２である。

【００４０】

【発明の効果】以上詳述したように本発明によれば、入
力される発声音声を音声信号に変換して出力するマイク
ロホンと、上記マイクロホンから出力される音声信号か
ら所定の特徴パラメータを抽出して出力する特徴抽出手
段と、上記特徴抽出手段から出力される特徴パラメータ
に基づいて、所定の統計的言語モデルを参照して、上記
発声音声に含まれる単語列を音声認識する音声認識手段
とを備えた音声認識装置を用いて音声認識するための音
声認識方法において、上記発声音声に含まれる単語列ｗ
₁，ｗ₂，...，ｗ_i-1を自立語と付属語とに分類し、ｉが
２以上の自然数であるときの単語列ｗ₁，ｗ₂，...，ｗ
_i-1が順次発声された後に単語ｗ_iが発声される確率Ｐ
（ｗ_i｜ｗ₁，ｗ₂，...，ｗ_i-1）が、上記単語ｗ_iと、そ
の直前の少なくとも１個の単語と、上記単語列ｗ₁，
ｗ₂，...，ｗ_i-1内の最後の少なくとも１個の自立語と
最後の少なくとも１個の付属語とによって決定される統
計的言語モデルを参照して、入力された単語列を音声認
識する。従って、本発明は、以下の特有の効果を有す
る。（１）局所的な制約だけでなく、大局的な構文的、
意味的制約も効率的に表現でき、音声認識率を向上させ
ることができる。（２）あらかじめ文節の境界がわから
なくてもよく、上記統計的言語モデルはマルコフモデル
であるので、Ｏｎｅ Ｐａｓｓ ＤＰアルゴリズムなど
に容易に組み込むことができる。

【００４１】さらに、上記単語ｗ_iとその１つ前の単語
ｗ_i-1との一方が自立語に属する単語であって、他方が
付属語に属する単語であるとき、上記確率Ｐ（ｗ_i｜
ｗ₁，ｗ₂，...，ｗ_i-1）を上記数３で近似する一方、上
記単語ｗ_iとその１つ前の単語ｗ_i-1とがいずれも自立語
に属する単語であるか、又はいずれも付属語に属する単
語であるとき、上記確率Ｐ（ｗ_i|ｗ₁，ｗ₂，...，
ｗ_i-1）を上記数４で近似することにより、推定すべき
パラメータ数が大幅に削減でき、パラメータ推定の信頼
性が向上し、音声認識時のメモリ量を大幅に削減するこ
とができるという利点がある。

【図面の簡単な説明】

【図１】 本発明に係る一実施例である統計的言語モデ
ルを用いた音声認識装置のブロック図である。

【符号の説明】

１…マイクロホン、 ２…特徴抽出部、 ３…Ｏｎｅ ｐａｓｓ ＤＰ音声認識部、 １１…隠れマルコフモデル（ＨＭＭ）メモリ、 １２…統計的言語モデルメモリ。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 嵯峨山 茂樹 東京都保谷市中町５丁目５番10号 (56)参考文献 特開 平５−165490（ＪＰ，Ａ) 特開 平５−314319（ＪＰ，Ａ) 磯谷ら、”自立語と付属語の連鎖統計 モデルを用いた音声認識のための候補選 択”、電子情報通信学会技術研究報告Ｓ Ｐ93−33，ｐｐ73−78 中川、”確率モデルによる音声認識" 第５章”確率的文音声認識アルゴリズ ム”、電子情報通信学会、昭和63年７月 １日発行 山田ら、”文字・品詞の連鎖確率を用 いた統計的言語モデル”、電子情報通信 学会技術報告ＳＰ92−119，ｐｐ31−36 (58)調査した分野(Int.Cl.⁶，ＤＢ名) G10L 3/0 - 9/18 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】 入力される発声音声を音声信号に変換し
   て出力するマイクロホンと、 上記マイクロホンから出力される音声信号から所定の特
   徴パラメータを抽出して出力する特徴抽出手段と、 上記特徴抽出手段から出力される特徴パラメータに基づ
   いて、所定の統計的言語モデルを参照して、上記発声音
   声に含まれる単語列を音声認識する音声認識手段とを備
   えた音声認識装置を用いて音声認識するための音声認識
   方法において、上記発声音声に含まれる単語列ｗ₁，
   ｗ₂，...，ｗ_i-1を自立語と付属語とに分類し、 ｉが２以上の自然数であるときの単語列ｗ₁，
   ｗ₂，...，ｗ_i-1が順次発声された後に単語ｗ_iが発声さ
   れる確率Ｐ（ｗ_i｜ｗ₁，ｗ₂，...，ｗ_i-1）が、上記単
   語ｗ_iと、その直前の少なくとも１個の単語と、上記単
   語列ｗ₁，ｗ₂，...，ｗ_i-1内の最後の少なくとも１個の
   自立語と最後の少なくとも１個の付属語とによって決定
   される統計的言語モデルを参照して、入力された単語列
   を音声認識することを特徴とする統計的言語モデルを用
   いた音声認識方法。
2. 【請求項２】 単語ｄ_jは上記単語ｗ_iと同一の単語であ
   って、単語ｄ_j-1は上記単語ｗ_iと同一の自立語又は付属
   語に属する１つの前の単語である場合であって、 上記単語ｗ_iとその１つ前の単語ｗ_i-1との一方が自立語
   に属する単語であって、他方が付属語に属する単語であ
   るとき、上記確率Ｐ（ｗ_i｜ｗ₁，ｗ₂，...，ｗ_i-1）を
   次の数１で近似する一方、 【数１】 Ｐ(ｗ_i|ｗ₁，ｗ₂，...，ｗ_i-1)≒Ｐ(ｗ_i|ｗ_i-1)・Ｐ(ｄ_j|ｄ_j-1)／Ｐ(ｄ_j) 上記単語ｗ_iとその１つ前の単語ｗ_i-1とがいずれも自立
   語に属する単語であるか、又はいずれも付属語に属する
   単語であるとき、上記確率Ｐ（ｗ_i|ｗ₁，ｗ₂，...，ｗ
   _i-1）を次の数２で近似する 【数２】 Ｐ(ｗ_i|ｗ₁，ｗ₂，...，ｗ_i-1)≒Ｐ(ｗ_i|ｗ_i-1) ことを特徴とする請求項１記載の統計的言語モデルを用
   いた音声認識方法。