JP3042455B2 - 連続音声認識方式 - Google Patents
連続音声認識方式Info
- Publication number
- JP3042455B2 JP3042455B2 JP9201685A JP20168597A JP3042455B2 JP 3042455 B2 JP3042455 B2 JP 3042455B2 JP 9201685 A JP9201685 A JP 9201685A JP 20168597 A JP20168597 A JP 20168597A JP 3042455 B2 JP3042455 B2 JP 3042455B2
- Authority
- JP
- Japan
- Prior art keywords
- word
- inter
- acoustic model
- recognition
- unit
- 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.)
- Expired - Lifetime
Links
Description
【０００１】
【発明の属する技術分野】本発明は連続音声認識方式に
関し、特に、音素環境依存音響モデルを用いた大語彙連
続音声認識のサーチ方式に関するものである。
関し、特に、音素環境依存音響モデルを用いた大語彙連
続音声認識のサーチ方式に関するものである。
【０００２】
【従来の技術】従来、大語彙連続音声認識を高速に行う
方法として、まず第一ステップ（ｆｏｒｗａｒｄ ｐａ
ｓｓ）でフレーム同期のビタビビームサーチを行って各
フレームでアクティブ（ビーム内に残っている）であっ
た単語の終端の情報を保存し、つぎに第二ステップ（ｂ
ａｃｋｗａｒｄ ｐａｓｓ）で、第一ステップで保存し
た単語終端情報を利用して、入力の終端から逆向きにビ
タビビームサーチを行う方法が知られている（“Ｔｈｅ
Ｆｏｒｗａｒｄ−Ｂａｃｋｗａｒｄ Ｓｅａｒｃｈ
Ａｌｇｏｒｉｔｈｍ”，Ｐｒｏｃ．ＩＣＡＳＳＰ−９
１， ｐｐ．６９７−７００（以下、引用文献１と称
す））。第二ステップでは、各フレームにおいて単語始
端から先行する単語へ仮説を展開する際に、第一ステッ
プで終端がアクティブでなかった単語や、あるいはスコ
アの悪かった単語については探索を行わないようにする
ことにより、大幅に計算量を削減できる。
方法として、まず第一ステップ（ｆｏｒｗａｒｄ ｐａ
ｓｓ）でフレーム同期のビタビビームサーチを行って各
フレームでアクティブ（ビーム内に残っている）であっ
た単語の終端の情報を保存し、つぎに第二ステップ（ｂ
ａｃｋｗａｒｄ ｐａｓｓ）で、第一ステップで保存し
た単語終端情報を利用して、入力の終端から逆向きにビ
タビビームサーチを行う方法が知られている（“Ｔｈｅ
Ｆｏｒｗａｒｄ−Ｂａｃｋｗａｒｄ Ｓｅａｒｃｈ
Ａｌｇｏｒｉｔｈｍ”，Ｐｒｏｃ．ＩＣＡＳＳＰ−９
１， ｐｐ．６９７−７００（以下、引用文献１と称
す））。第二ステップでは、各フレームにおいて単語始
端から先行する単語へ仮説を展開する際に、第一ステッ
プで終端がアクティブでなかった単語や、あるいはスコ
アの悪かった単語については探索を行わないようにする
ことにより、大幅に計算量を削減できる。
【０００３】一般に、第一ステップでは単語ごとに仮説
を保持するなど精度の粗い探索を行い、第二ステップで
は、たとえばＮ−ｂｅｓｔ（上位Ｎ候補）を求めるため
に連続する２単語の組ごとに仮説を保持するなど、第一
ステップより精度の細かい探索を行う。これにより、最
初から精度の細かい探索を行う場合に比べ、全体の計算
量を大幅に削減することが可能となる。
を保持するなど精度の粗い探索を行い、第二ステップで
は、たとえばＮ−ｂｅｓｔ（上位Ｎ候補）を求めるため
に連続する２単語の組ごとに仮説を保持するなど、第一
ステップより精度の細かい探索を行う。これにより、最
初から精度の細かい探索を行う場合に比べ、全体の計算
量を大幅に削減することが可能となる。
【０００４】一方、一般に音声認識において、音素等を
単位とした音響モデルを用いる場合、前後の音素環境
（コンテキスト）に依存したモデルが有効であることが
知られている。たとえば、前後一つずつの音素に依存し
た音素モデルであるトライフォンモデルは広く使われて
おり、また、前後の一方だけの音素や、前後二つ以上の
音素に依存した音素モデルを用いることもある。連続音
声認識の場合、単語内だけでなく単語境界にも音素環境
依存の音響モデルを用いる方が精度がよいことが知られ
ているが、単語の始終端に用いる音響モデルが前後に接
続する単語に依存するため、環境に依存しない音響モデ
ルを用いる場合に比べ、処理量が大幅に増えてしまう。
この状況を簡略化した例を図７を用いて説明する。
単位とした音響モデルを用いる場合、前後の音素環境
（コンテキスト）に依存したモデルが有効であることが
知られている。たとえば、前後一つずつの音素に依存し
た音素モデルであるトライフォンモデルは広く使われて
おり、また、前後の一方だけの音素や、前後二つ以上の
音素に依存した音素モデルを用いることもある。連続音
声認識の場合、単語内だけでなく単語境界にも音素環境
依存の音響モデルを用いる方が精度がよいことが知られ
ているが、単語の始終端に用いる音響モデルが前後に接
続する単語に依存するため、環境に依存しない音響モデ
ルを用いる場合に比べ、処理量が大幅に増えてしまう。
この状況を簡略化した例を図７を用いて説明する。
【０００５】図７は「ここ」「そこ」「から」「まで」
の４単語が自由な順序でつながる連続音声を認識する場
合で、音響モデルとして後続音素に依存する音素モデル
を用いる例である。たとえば、後続音素が／ｏ／である
音素／ｋ／の音響モデルを“ｋ（ｏ）”などと表してい
る。図中、黒丸は単語終端を表し、前記第一ステップ
で、各フレームごとにアクティブであったものについ
て、その情報を保存する。
の４単語が自由な順序でつながる連続音声を認識する場
合で、音響モデルとして後続音素に依存する音素モデル
を用いる例である。たとえば、後続音素が／ｏ／である
音素／ｋ／の音響モデルを“ｋ（ｏ）”などと表してい
る。図中、黒丸は単語終端を表し、前記第一ステップ
で、各フレームごとにアクティブであったものについ
て、その情報を保存する。
【０００６】各単語の終端について、後続する単語とし
て４単語の可能性があり、その最初の音素としては／ｋ
／，／ｓ／，／ｍ／の３通りの可能性があるので、各単
語の終端に用いる音響モデルはそれぞれに応じて音素環
境依存モデルを用意する必要がある。したがって、全体
として照合すべき音響モデルの数は２４となる。大語彙
の場合は、単語終端における後続音素の種類数が多くな
るため、単語境界での音響モデル数の増大はさらに大き
く、処理量が大幅に増大する。実際にはビームサーチを
行っているため、常にすべてのモデルと照合するわけで
はないが、全体の探索空間が広くなるため精度を確保す
るためにはビーム幅を大きくとらなければならず、結果
的に処理量が増大することになる。
て４単語の可能性があり、その最初の音素としては／ｋ
／，／ｓ／，／ｍ／の３通りの可能性があるので、各単
語の終端に用いる音響モデルはそれぞれに応じて音素環
境依存モデルを用意する必要がある。したがって、全体
として照合すべき音響モデルの数は２４となる。大語彙
の場合は、単語終端における後続音素の種類数が多くな
るため、単語境界での音響モデル数の増大はさらに大き
く、処理量が大幅に増大する。実際にはビームサーチを
行っているため、常にすべてのモデルと照合するわけで
はないが、全体の探索空間が広くなるため精度を確保す
るためにはビーム幅を大きくとらなければならず、結果
的に処理量が増大することになる。
【０００７】この問題に対し、単語内には音素環境依存
の音響モデルを用い、単語境界では環境に依存しない音
響モデルを使用する連続音声認識方式が、特開平５−２
２４６９２に開示されている。これにより、単語間での
処理量の増大を抑えることができる。これを前述の４単
語の例に適用すると、図８のようになる。ここで、たと
えば、“ｏ（＊）”は後続音素によらない／ｏ／の音響
モデルを表す。全体として照合すべき音響モデルの数は
１６に削減される。大語彙の場合は、さらに削減効果は
大きい。
の音響モデルを用い、単語境界では環境に依存しない音
響モデルを使用する連続音声認識方式が、特開平５−２
２４６９２に開示されている。これにより、単語間での
処理量の増大を抑えることができる。これを前述の４単
語の例に適用すると、図８のようになる。ここで、たと
えば、“ｏ（＊）”は後続音素によらない／ｏ／の音響
モデルを表す。全体として照合すべき音響モデルの数は
１６に削減される。大語彙の場合は、さらに削減効果は
大きい。
【０００８】
【発明が解決しようとする課題】上述した従来の連続音
声認識方式は、精度を向上させるために音素環境依存モ
デルを使用すると、単語境界での処理量が増大するとい
う問題点がある。これに対し、単語内には音素環境依存
の音響モデルを用い、単語境界では環境に依存しない音
響モデルを使用すると、単語境界での処理量の増大を抑
えることができるが、一方で単語境界に用いる音響モデ
ルの精度が低いために、とくに大語彙の連続音声認識で
は性能の低下を生じるおそれがある。
声認識方式は、精度を向上させるために音素環境依存モ
デルを使用すると、単語境界での処理量が増大するとい
う問題点がある。これに対し、単語内には音素環境依存
の音響モデルを用い、単語境界では環境に依存しない音
響モデルを使用すると、単語境界での処理量の増大を抑
えることができるが、一方で単語境界に用いる音響モデ
ルの精度が低いために、とくに大語彙の連続音声認識で
は性能の低下を生じるおそれがある。
【０００９】本発明の目的は、単語境界にも音素環境依
存の音響モデルを用いて精度を確保しつつ、大語彙の場
合でも単語境界での処理量の増大を抑えることのできる
連続音声認識方法を提供することにある。
存の音響モデルを用いて精度を確保しつつ、大語彙の場
合でも単語境界での処理量の増大を抑えることのできる
連続音声認識方法を提供することにある。
【００１０】
【課題を解決するための手段】本第１の発明の連続音声
認識方式は、音素環境依存音響モデルを用いる連続音声
認識方式において、認識対象語彙中の各単語について前
後の単語に依存せずに決まる音響モデル系列を認識単語
として記述した認識単語辞書と、単語境界において前後
の単語に依存して用いられる音響モデル系列を単語間単
語として記述した単語間単語辞書と、入力音声を分析し
て特徴パラメータの時系列を得る分析部と、前記特徴パ
ラメータの時系列を前記認識単語および前記単語間単語
と照合して該特徴パラメータの時系列の各時刻にて単語
の終端に到達した仮説のスコアと対応する単語を単語終
端情報として出力する第１の照合部と、前記単語終端情
報を参照して再度前記特徴パラメータの時系列を前記認
識単語および前記単語間単語と照合し照合スコアに基づ
いて単語列の候補をシステムで定められた形態で出力す
る第２の照合部を有することを特徴とする。
認識方式は、音素環境依存音響モデルを用いる連続音声
認識方式において、認識対象語彙中の各単語について前
後の単語に依存せずに決まる音響モデル系列を認識単語
として記述した認識単語辞書と、単語境界において前後
の単語に依存して用いられる音響モデル系列を単語間単
語として記述した単語間単語辞書と、入力音声を分析し
て特徴パラメータの時系列を得る分析部と、前記特徴パ
ラメータの時系列を前記認識単語および前記単語間単語
と照合して該特徴パラメータの時系列の各時刻にて単語
の終端に到達した仮説のスコアと対応する単語を単語終
端情報として出力する第１の照合部と、前記単語終端情
報を参照して再度前記特徴パラメータの時系列を前記認
識単語および前記単語間単語と照合し照合スコアに基づ
いて単語列の候補をシステムで定められた形態で出力す
る第２の照合部を有することを特徴とする。
【００１１】また、第２の発明は、第１の発明における
前記第１の照合部が前記各時刻において前記スコアがあ
らかじめ定めた基準を満たさない仮説については照合を
打ち切り、前記単語終端情報として各時刻において少な
くとも単語終端に到達した仮説に対応する認識単語およ
び単語間単語を出力することを特徴とする。
前記第１の照合部が前記各時刻において前記スコアがあ
らかじめ定めた基準を満たさない仮説については照合を
打ち切り、前記単語終端情報として各時刻において少な
くとも単語終端に到達した仮説に対応する認識単語およ
び単語間単語を出力することを特徴とする。
【００１２】また、第３の発明は、第１の発明および第
２の発明における前記第１の照合部で各時刻ごとに計算
される局所距離を格納する局所距離格納部を備え、前記
第２の照合部が前記特徴パラメータの時系列に換えて前
記局所距離格納部に格納された局所距離を用いて前記認
識単語および前記単語間単語と照合することを特徴とす
る。
２の発明における前記第１の照合部で各時刻ごとに計算
される局所距離を格納する局所距離格納部を備え、前記
第２の照合部が前記特徴パラメータの時系列に換えて前
記局所距離格納部に格納された局所距離を用いて前記認
識単語および前記単語間単語と照合することを特徴とす
る。
【００１３】また、第４の発明は、第１の発明における
前記第２の照合部が前記入力音声の最終時刻から逆向き
に前記特徴パラメータの時系列を前記認識単語および前
記単語間単語と照合することを特徴とする。
前記第２の照合部が前記入力音声の最終時刻から逆向き
に前記特徴パラメータの時系列を前記認識単語および前
記単語間単語と照合することを特徴とする。
【００１４】また、第５の発明は、第３の発明における
前記第２の照合部が前記入力音声の最終時刻から逆向き
に前記局所距離を用いて前記認識単語および前記単語間
単語と照合することを特徴とする。
前記第２の照合部が前記入力音声の最終時刻から逆向き
に前記局所距離を用いて前記認識単語および前記単語間
単語と照合することを特徴とする。
【００１５】
【発明の実施の形態】次に、本発明の実施の一形態につ
いて図面を参照して説明する。
いて図面を参照して説明する。
【００１６】図１は、本発明の実施の一形態を示すブロ
ック図である。
ック図である。
【００１７】図１において、入力音声は分析部１で特徴
パラメータの系列に変換され、第１照合部２に入力され
る。第１照合部２では、認識単語辞書４、単語間単語辞
書５および音素環境依存音響モデル３を参照して、引用
文献１（従来技術を参照）におけるｆｏｒｗａｒｄ ｐ
ａｓｓと同様にフレーム同期ビタビビームサーチにより
特徴パラメータ系列の照合を行う。音響モデルとしては
隠れマルコフモデル（ＨＭＭ）を用いる。
パラメータの系列に変換され、第１照合部２に入力され
る。第１照合部２では、認識単語辞書４、単語間単語辞
書５および音素環境依存音響モデル３を参照して、引用
文献１（従来技術を参照）におけるｆｏｒｗａｒｄ ｐ
ａｓｓと同様にフレーム同期ビタビビームサーチにより
特徴パラメータ系列の照合を行う。音響モデルとしては
隠れマルコフモデル（ＨＭＭ）を用いる。
【００１８】認識単語辞書４には、認識対象語彙の各単
語について、その単語を構成する音響モデル系列のうち
先行あるいは後続する単語に依存しない部分、および単
語の表記が記述されている。単語間単語辞書５には、単
語が隣接する場合に、前の単語を構成する音響モデルの
うち後の単語に依存する部分と、後の単語を構成する音
響モデルのうち前の単語に依存する部分を連結した音響
モデル系列が、前後の単語の条件とともに記述されてい
る。照合の際には、認識単語および単語間単語から図２
に示すような単語のネットワークを構成し、これをさら
にＨＭＭの状態の系列に展開する。各単語の始端から照
合を行い、各フレームごとに、認識単語および単語間単
語のうち最終状態がアクティブなものを、そのフレーム
までの累積スコアとともに単語終端情報格納部７に保存
する。また、各フレームごとのＨＭＭの各状態の出力確
率を、局所距離格納部６に保存する。
語について、その単語を構成する音響モデル系列のうち
先行あるいは後続する単語に依存しない部分、および単
語の表記が記述されている。単語間単語辞書５には、単
語が隣接する場合に、前の単語を構成する音響モデルの
うち後の単語に依存する部分と、後の単語を構成する音
響モデルのうち前の単語に依存する部分を連結した音響
モデル系列が、前後の単語の条件とともに記述されてい
る。照合の際には、認識単語および単語間単語から図２
に示すような単語のネットワークを構成し、これをさら
にＨＭＭの状態の系列に展開する。各単語の始端から照
合を行い、各フレームごとに、認識単語および単語間単
語のうち最終状態がアクティブなものを、そのフレーム
までの累積スコアとともに単語終端情報格納部７に保存
する。また、各フレームごとのＨＭＭの各状態の出力確
率を、局所距離格納部６に保存する。
【００１９】第１照合部での照合が終わると、続いて第
２照合部８で、再び認識単語辞書４と単語間単語辞書５
を参照して、引用文献１（従来技術を参照）におけるｂ
ａｃｋｗａｒｄ ｐａｓｓと同様に入力音声の終端から
逆向きにビタビビームサーチにより照合を行い、最終的
な認識結果を出力する。出力する認識結果は、最も簡単
にはスコアのもっともよい１つの単語列であるが、この
他スコアのよい上位複数の単語列としたり、単語のネッ
トワーク（単語グラフ）としたりすることが出来る。そ
の際、言語モデル格納部９に記述された単語間の接続情
報などを制約として用いる。
２照合部８で、再び認識単語辞書４と単語間単語辞書５
を参照して、引用文献１（従来技術を参照）におけるｂ
ａｃｋｗａｒｄ ｐａｓｓと同様に入力音声の終端から
逆向きにビタビビームサーチにより照合を行い、最終的
な認識結果を出力する。出力する認識結果は、最も簡単
にはスコアのもっともよい１つの単語列であるが、この
他スコアのよい上位複数の単語列としたり、単語のネッ
トワーク（単語グラフ）としたりすることが出来る。そ
の際、言語モデル格納部９に記述された単語間の接続情
報などを制約として用いる。
【００２０】言語モデルとしては、たとえば単語バイグ
ラムモデルを用いることができる。一般には第一照合部
と第二照合部で異なる音響モデルや異なる特徴パラメー
タを用いることもできるが、同じ音響モデルと特徴パラ
メータを用いる場合には、第一照合部で計算し局所距離
格納部６に保存した局所距離の値を用いることができ
る。第二照合部では、アクティブな単語（単語間単語を
含む）の始端に対して先行する単語のうち第一照合部で
終端がアクティブであった単語についてのみ仮説を展開
する。また、第一照合部で終端がアクティブであって
も、その累積スコアと、第二照合部でのその時点までの
累積スコアの値に応じて、見込みの小さい単語について
は仮説を展開しないようにすることもできる。
ラムモデルを用いることができる。一般には第一照合部
と第二照合部で異なる音響モデルや異なる特徴パラメー
タを用いることもできるが、同じ音響モデルと特徴パラ
メータを用いる場合には、第一照合部で計算し局所距離
格納部６に保存した局所距離の値を用いることができ
る。第二照合部では、アクティブな単語（単語間単語を
含む）の始端に対して先行する単語のうち第一照合部で
終端がアクティブであった単語についてのみ仮説を展開
する。また、第一照合部で終端がアクティブであって
も、その累積スコアと、第二照合部でのその時点までの
累積スコアの値に応じて、見込みの小さい単語について
は仮説を展開しないようにすることもできる。
【００２１】以下、認識単語辞書４と単語間単語辞書５
について、従来技術の説明に用いた簡略化した例に基づ
いて、図２を参照して説明する。この例では、音響モデ
ルとして後続の音素に依存する音素モデルを使用してお
り、辞書は「ここ」「そこ」「から」「まで」の４単語
からなる。たとえば、「そこ」は、／ｓ／，／ｏ／，／
ｋ／，／ｏ／の４音素からなり、前の３つの音素に対応
する音響モデルはそれぞれ“ｓ（ｏ）”，“ｏ
（ｋ）”，“ｋ（ｏ）”と決まるが、最後の／ｏ／につ
いては、後続に「から」がくる場合は“ｏ（ｋ）”、
「まで」がくる場合は“ｏ（ｍ）”となるなど、一意に
決まらない。そこで、認識単語辞書では、単語「そこ」
の音響モデル系列として“ｓ（ｏ）”，“ｏ（ｋ）”，
“ｋ（ｏ）”のみを記述し、“ｏ（ｋ）”，“ｏ
（ｍ）”などは可能なすべての種類を用意し、単語間単
語として独立に扱う。単語間単語は、複数の単語の組合
せで共有される。たとえば、“ｏ（ｋ）”，“ｏ
（ｍ）”などは、先行単語が「ここ」など最後の音素が
／ｏ／である単語に共通に用いることができる。また、
“ｏ（ｋ）”は先頭の音素が／ｋ／である単語、“ｏ
（ｍ）”は先頭の音素が／ｍ／である単語にのみ接続し
うる。図中、黒丸は単語終端を表す。
について、従来技術の説明に用いた簡略化した例に基づ
いて、図２を参照して説明する。この例では、音響モデ
ルとして後続の音素に依存する音素モデルを使用してお
り、辞書は「ここ」「そこ」「から」「まで」の４単語
からなる。たとえば、「そこ」は、／ｓ／，／ｏ／，／
ｋ／，／ｏ／の４音素からなり、前の３つの音素に対応
する音響モデルはそれぞれ“ｓ（ｏ）”，“ｏ
（ｋ）”，“ｋ（ｏ）”と決まるが、最後の／ｏ／につ
いては、後続に「から」がくる場合は“ｏ（ｋ）”、
「まで」がくる場合は“ｏ（ｍ）”となるなど、一意に
決まらない。そこで、認識単語辞書では、単語「そこ」
の音響モデル系列として“ｓ（ｏ）”，“ｏ（ｋ）”，
“ｋ（ｏ）”のみを記述し、“ｏ（ｋ）”，“ｏ
（ｍ）”などは可能なすべての種類を用意し、単語間単
語として独立に扱う。単語間単語は、複数の単語の組合
せで共有される。たとえば、“ｏ（ｋ）”，“ｏ
（ｍ）”などは、先行単語が「ここ」など最後の音素が
／ｏ／である単語に共通に用いることができる。また、
“ｏ（ｋ）”は先頭の音素が／ｋ／である単語、“ｏ
（ｍ）”は先頭の音素が／ｍ／である単語にのみ接続し
うる。図中、黒丸は単語終端を表す。
【００２２】図２の例に対応した認識単語辞書４および
単語間単語辞書５の構成例を、それぞれ図３、図４に示
す。単語辞書には、認識対象語彙中の各単語に対し、表
記、その単語を構成する音響モデル系列の情報に加え、
始端、終端のカテゴリが格納されている。単語間辞書に
は、先行単語の終端カテゴリと後続単語の始端カテゴリ
の組合せに対し、それらの単語間に用いられる音響モデ
ル系列の情報が記述されている。
単語間単語辞書５の構成例を、それぞれ図３、図４に示
す。単語辞書には、認識対象語彙中の各単語に対し、表
記、その単語を構成する音響モデル系列の情報に加え、
始端、終端のカテゴリが格納されている。単語間辞書に
は、先行単語の終端カテゴリと後続単語の始端カテゴリ
の組合せに対し、それらの単語間に用いられる音響モデ
ル系列の情報が記述されている。
【００２３】図２では全体として照合すべき音響モデル
の数は２１で、図７に示した従来例の場合の２４に比べ
削減されている。この例は ４単語からなる簡略化した
例であるため差はそれほど大きくないが、大語彙の場合
には後続音素環境の種類がふえるため、削減効果は大き
い。図８に示した従来例に比べると照合すべき音響モデ
ルの数は増えているが、単語間でも図２の例と同様に音
素環境依存音響モデルを使用しているために、精度の高
い照合が可能となっている。
の数は２１で、図７に示した従来例の場合の２４に比べ
削減されている。この例は ４単語からなる簡略化した
例であるため差はそれほど大きくないが、大語彙の場合
には後続音素環境の種類がふえるため、削減効果は大き
い。図８に示した従来例に比べると照合すべき音響モデ
ルの数は増えているが、単語間でも図２の例と同様に音
素環境依存音響モデルを使用しているために、精度の高
い照合が可能となっている。
【００２４】音素環境としては、音素そのものでなく、
いくつかの音素を一まとめにした音素クラスを用いるこ
ともできる。また、後続音素にのみ依存する音響モデル
のかわりに、前後の音素に依存する音響モデルを用いる
こともできる。その場合は、認識単語辞書には最初の音
素と最後の音素を除いた音響モデルを記述し、後続音素
に依存する単語終端の音素と先行音素に依存する単語始
端の音素に対応する音響モデルは、お互いに接続しうる
ものを組にして単語間単語辞書に記述しておけばよい。
前後の音素に依存する音響モデルを用いる場合の認識単
語辞書および単語間単語辞書の記述例を、それぞれ図
５，図６に示す。図で、たとえば“（ｓ）ｏ（ｋ）”
は、先行音素が／ｓ／で後続音素が／ｋ／である音素／
ｏ／の音響モデルを表す。
いくつかの音素を一まとめにした音素クラスを用いるこ
ともできる。また、後続音素にのみ依存する音響モデル
のかわりに、前後の音素に依存する音響モデルを用いる
こともできる。その場合は、認識単語辞書には最初の音
素と最後の音素を除いた音響モデルを記述し、後続音素
に依存する単語終端の音素と先行音素に依存する単語始
端の音素に対応する音響モデルは、お互いに接続しうる
ものを組にして単語間単語辞書に記述しておけばよい。
前後の音素に依存する音響モデルを用いる場合の認識単
語辞書および単語間単語辞書の記述例を、それぞれ図
５，図６に示す。図で、たとえば“（ｓ）ｏ（ｋ）”
は、先行音素が／ｓ／で後続音素が／ｋ／である音素／
ｏ／の音響モデルを表す。
【００２５】図２の例では、各単語の音響モデル系列を
独立に扱っているが、一般に大語彙の場合は先頭部分が
共通な単語が多く、全単語の音響モデル系列を先頭を共
通化した木構造の形で表現することも可能である。
独立に扱っているが、一般に大語彙の場合は先頭部分が
共通な単語が多く、全単語の音響モデル系列を先頭を共
通化した木構造の形で表現することも可能である。
【００２６】
【発明の効果】以上説明したように、本発明によれば大
語彙連続音声認識を、音素環境依存音響モデルを用いて
高精度に、しかも従来の音素環境依存音響モデルを用い
た場合よりも処理量を削減して行うことができる効果が
ある。
語彙連続音声認識を、音素環境依存音響モデルを用いて
高精度に、しかも従来の音素環境依存音響モデルを用い
た場合よりも処理量を削減して行うことができる効果が
ある。
【図１】本発明の実施の一形態を示すブロック図であ
る。
る。
【図２】図１の第１照合部で構成される単語のネットワ
ークの例を示す図である。
ークの例を示す図である。
【図３】本発明の実施例における、認識単語辞書の例を
示す図である。
示す図である。
【図４】本発明の実施例における、単語間単語辞書の例
を示す図である。
を示す図である。
【図５】本発明の実施例における、認識単語辞書の別の
例を示す図である。
例を示す図である。
【図６】本発明の実施例における、単語間単語辞書の別
の例を示す図である。
の例を示す図である。
【図７】従来例における、単語終端の音響モデルの扱い
示す図である。
示す図である。
【図８】従来例における、別の単語終端の音響モデルの
扱いを示す図である。
扱いを示す図である。
１ 分析部 ２ 第１照合部 ３ 音素環境依存音響モデル ４ 認識単語辞書 ５ 単語間単語辞書 ６ 局所距離格納部 ７ 単語終端情報格納部 ８ 第２照合部 ９ 言語モデル格納部
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平８−227298（ＪＰ，Ａ) 特開 平５−224692（ＪＰ，Ａ) 電子情報通信学会論文誌 Ｖｏｌ．Ｊ 71−Ｄ Ｎｏ．９，Ｓｅｐｔｅｍｂｅｒ 1988，「単語遷移ネットワークと音声 セグメントの選択的スコアリングによる 連続単語認識」，ｐ．1640−1649，（昭 和63年９月25日発行) (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 15/18 G10L 15/08 G10L 15/10 G10L 15/28 ＪＩＣＳＴファイル（ＪＯＩＳ) 特許ファイル（ＰＡＴＯＬＩＳ)
Claims (5)
- 【請求項１】 音素環境依存音響モデルを用いる連続音
声認識方式において、認識対象語彙中の各単語について
前後の単語に依存せずに決まる音響モデル系列を認識単
語として記述した認識単語辞書と、単語境界において前
後の単語に依存して用いられる音響モデル系列を単語間
単語として記述した単語間単語辞書と、入力音声を分析
して特徴パラメータの時系列を得る分析部と、前記特徴
パラメータの時系列を前記認識単語および前記単語間単
語と照合して該特徴パラメータの時系列の各時刻にて単
語の終端に到達した仮説のスコアと対応する単語を単語
終端情報として出力する第１の照合部と、前記単語終端
情報を参照して再度前記特徴パラメータの時系列を前記
認識単語および前記単語間単語と照合し照合スコアに基
づいて単語列の候補をシステムで定められた形態で出力
する第２の照合部を有することを特徴とする連続音声認
識方式。 - 【請求項２】 前記第１の照合部が前記各時刻において
前記スコアがあらかじめ定めた基準を満たさない仮説に
ついては照合を打ち切り、前記単語終端情報として各時
刻において少なくとも単語終端に到達した仮説に対応す
る認識単語および単語間単語を出力することを特徴とす
る請求項１記載の音声認識方式。 - 【請求項３】 前記第１の照合部で各時刻ごとに計算さ
れる局所距離を格納する局所距離格納部を備え、前記第
２の照合部が前記特徴パラメータの時系列に換えて前記
局所距離格納部に格納された局所距離を用いて前記認識
単語および前記単語間単語と照合することを特徴とする
請求項１及び２記載の音声認識方式。 - 【請求項４】 前記第２の照合部が前記入力音声の最終
時刻から逆向きに前記特徴パラメータの時系列を前記認
識単語および前記単語間単語と照合することを特徴とす
る請求項１記載の音声認識方式。 - 【請求項５】 前記第２の照合部が前記入力音声の最終
時刻から逆向きに前記局所距離を用いて前記認識単語お
よび前記単語間単語と照合することを特徴とする請求項
３記載の音声認識方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9201685A JP3042455B2 (ja) | 1997-07-28 | 1997-07-28 | 連続音声認識方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9201685A JP3042455B2 (ja) | 1997-07-28 | 1997-07-28 | 連続音声認識方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1145097A JPH1145097A (ja) | 1999-02-16 |
| JP3042455B2 true JP3042455B2 (ja) | 2000-05-15 |
Family
ID=16445213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9201685A Expired - Lifetime JP3042455B2 (ja) | 1997-07-28 | 1997-07-28 | 連続音声認識方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3042455B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1109152A1 (en) * | 1999-12-13 | 2001-06-20 | Sony International (Europe) GmbH | Method for speech recognition using semantic and pragmatic informations |
| JP2002215187A (ja) | 2001-01-23 | 2002-07-31 | Matsushita Electric Ind Co Ltd | 音声認識方法及びその装置 |
| JP4104313B2 (ja) | 2001-10-03 | 2008-06-18 | 株式会社デンソー | 音声認識装置、プログラム及びナビゲーションシステム |
| JP4732030B2 (ja) | 2005-06-30 | 2011-07-27 | キヤノン株式会社 | 情報処理装置およびその制御方法 |
| ATE457510T1 (de) * | 2005-12-08 | 2010-02-15 | Nuance Comm Austria Gmbh | Spracherkennungssystem mit riesigem vokabular |
-
1997
- 1997-07-28 JP JP9201685A patent/JP3042455B2/ja not_active Expired - Lifetime
Non-Patent Citations (1)
| Title |
|---|
| 電子情報通信学会論文誌 Ｖｏｌ．Ｊ７１−Ｄ Ｎｏ．９，Ｓｅｐｔｅｍｂｅｒ １９８８，「単語遷移ネットワークと音声セグメントの選択的スコアリングによる連続単語認識」，ｐ．１６４０−１６４９，（昭和６３年９月２５日発行） |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH1145097A (ja) | 1999-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4465564B2 (ja) | 音声認識装置および音声認識方法、並びに記録媒体 | |
| JP4802434B2 (ja) | 音声認識装置及び音声認識方法、並びにプログラムを記録した記録媒体 | |
| US7240002B2 (en) | Speech recognition apparatus | |
| US6961701B2 (en) | Voice recognition apparatus and method, and recording medium | |
| US6385579B1 (en) | Methods and apparatus for forming compound words for use in a continuous speech recognition system | |
| US20050149326A1 (en) | Speech recognition system and technique | |
| JP4289715B2 (ja) | 音声認識装置及び音声認識方法並びにその方法に用いられる木構造辞書の作成方法 | |
| US6980954B1 (en) | Search method based on single triphone tree for large vocabulary continuous speech recognizer | |
| Aubert | One pass cross word decoding for large vocabularies based on a lexical tree search organization | |
| JP2003208195A5 (ja) | ||
| JP3042455B2 (ja) | 連続音声認識方式 | |
| JP2002358097A (ja) | 音声認識装置 | |
| JP2003208195A (ja) | 連続音声認識装置および連続音声認識方法、連続音声認識プログラム、並びに、プログラム記録媒体 | |
| JP4600706B2 (ja) | 音声認識装置および音声認識方法、並びに記録媒体 | |
| JP3171107B2 (ja) | 音声認識装置 | |
| JP2000352993A (ja) | 音声認識システム及びヒドン・マルコフ・モデルの学習方法 | |
| JP3914709B2 (ja) | 音声認識方法およびシステム | |
| JP3494338B2 (ja) | 音声認識方法 | |
| JP2938865B1 (ja) | 音声認識装置 | |
| JP3315565B2 (ja) | 音声認識装置 | |
| JP3368989B2 (ja) | 音声認識方法 | |
| JPH1097275A (ja) | 大語彙音声認識装置 | |
| JP3550350B2 (ja) | 音声認識方法及びプログラム記録媒体 | |
| JP4600705B2 (ja) | 音声認識装置および音声認識方法、並びに記録媒体 | |
| JP2731133B2 (ja) | 連続音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20000208 |