JP3285145B2 - 録音音声データベース検証方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は各種音声応答装置
などに用いられる、録音した音声データとその音声デー
タの発話内容を意味するデータ（以下ラベルと記す）と
からなるファイルで構成される録音音声データベースに
おける、ラベルとその録音音声データとの一致／不一致
を検証する方法に関する。

【０００２】

【従来の技術】図３を参照して従来の方法を説明する。
収録部１において、発話になれた人（ナレータ）がスタ
ジオで、データベースとして録音しようとする、単語な
どを次々と、発声し、例えば“とうきょう おおさか
なごや しんじゅく”と発声し、その音声波形データを
例えば磁気テープに録音する。

【０００３】次に音声切出部２では先に録音した磁気テ
ープを、１つの音声データ、この例では１地名音声ごと
に切り出し、ファイルを作る。図示例ではファイル名Ａ
は音声波形データ“とうきょう”、ファイル名Ｂは音声
データ“おおさか”である。以下同様に次々と音声デー
タを切り出してファイルを作る。次にラベル付与部３に
おいて、各ファイル中の音声データはディジタル化され
た波形データであるため、通常はその音声データの発話
内容を意味するデータをラベルとして各ファイルに付与
する。図示例ではファイル名Ａにはラベルとして「とう
きょう」が付けられ、ファイル名Ｂはラベル「おおさ
か」が付けられる。このようにファイル名Ａはラベル
「とうきょう」とその音声波形データとで構成されるよ
うに、各ファイルはラベルと音声波形データとで構成さ
れる。

【０００４】このようにして録音音声データベースが構
成されるが、それが正しく構成されたかを確かめるた
め、従来においては、図３中の検聴部４において、各フ
ァイルごとに、例えばファイル名Ａはそのラベルが「と
うきょう」であり、かつその音声波形データを再生し
て、再生音が“とうきょう”であるかを検聴する。もし
ラベルと音声データの再生音声とが一致していなかった
場合は、そのファイルを、ナレータにより再度録音して
作りなおしていた。

【０００５】

【発明が解決しようとする課題】大規模な録音音声デー
タベースを作成する場合、従来においては、図３中の検
聴部４で人間が多数のファイルを１つづつ検聴するた
め、長時間を要し、しかも誤りを見過してまう可能性が
あった。そのラベルと音声波形データとが異なった誤っ
たファイルが作成されてしまう可能性があった。この誤
りをなくすためには、人間による検聴を繰り返す必要が
あった。

【０００６】

【課題を解決するための手段】この発明によれば、人間
による検聴にかえ、音声認識装置を用い、各ファイルに
ついて、その音声波形データに対応し音声認識を行い、
その音声認識結果と、そのラベルとが一致するか比較
し、一致しない場合は、そのファイル名を出力する。不
一致ファイル名についてのみ、音声データを音声再生し
て、検聴する。

【０００７】

【発明の実施の形態】以下、この発明の実施例を図面を
参照して説明する。いま図に示すように録音音声データ
ベース１１にはファイル名Ａにはラベル「とうきょう」
１２ａその音声（波形）データ１３ａで構成され、ファ
イル名Ｂはラベル「おおさか」１２ｂと音声データ１３
ｂとで構成され、ファイルＣはラベル「なごや」１２ｃ
と音声データ１３ｃとで構成されている。各ファイルに
は構成要素として含まれていないが、図中には、各ファ
イル名Ａ、Ｂ、Ｃ…内に、その音声データ１３ａ、１３
ｂ、１３ｃ…の実際の発話内容が（とうきょう）１４
ａ、（おおさか）１４ｂ、（おおさか）１４ｃ、（しん
じゅく）１４ｄ…とそれぞれ示されている。

【０００８】この発明による録音音声データベース検証
装置２１で各ファイルの検証を行う。つまりこの検証装
置２１内の単語音声認識装置２２に各ファイルの音声デ
ータが取込まれて音声認識される。この例ではファイル
名Ａ、Ｂ、Ｃ…の各音声データ１３ａ、１３ｂ、１３ｃ
…はそれぞれ音声認識結果としてこの例では「とうきょ
う」１５ａ、「なごや」１５ｂ、「おおさか」１５ｃ…
が得られた。

【０００９】これら認識結果１５ａ、１５ｂ、１５ｃ、
…と対応するラベル１２ａ、１２ｂ、１２ｃ、…とそれ
ぞれ比較部２３で比較する。この例ではファイル名Ｂに
ついてはラベル１２ｂが「おおさか」であるが認識結果
１５ｂは「なごや」であって、不一致となり、またファ
イルＣについてもラベル１２ｃの「なごや」と認識結果
１５ｃの「おおさか」とが不一致であることが検出さ
れ、これら不一致のファイルの各ＢとＣが出力される。

【００１０】これら不一致ファイル名ＢとＣについての
み、音声データ１３ｂ、１３ｃをそれぞれ音声再生し
て、人間が検聴し、この結果、音声データ１３ｂの再生
音は“おおさか”１６ｂとなり、音声データ１３ｃの再
生音は“おおさか”１６ｃとなり、これらとラベル１２
ｂ、１２ｃとそれぞれ比較し、ファイルＣが誤ったもの
であることが判明し、ファイルＣについて再録音つまり
ファイルＣの作りなおしをする。

【００１１】以上の説明から理解されるようにこの発明
による検証装置は図２Ａに示すようにアクセス部２５よ
り録音音声データベース１１の各ファイル名を順次アク
セスして、そのラベル１２と音声データ１３を読み出
し、この読み出されたファイルのラベル１２と音声デー
タ１３は分離部２６で分離され、前者はレジスタ２７に
一時格納され、後者は音声認識装置２２に入力される。
その音声認識装置２２の認識結果と、レジスタ２７内の
ラベル１２とが比較部２２で比較され、不一致の場合
は、そのファイル名がアクセス部２５から出力部２８を
通じて出力され、つまり、例えば刷字出力され、あるい
は、メモリなどに出力され、後で、これを読み出すこと
ができるようにされる。

【００１２】つまり、この検証装置の処理手順は図２Ｂ
に示すように、データベース１１に対し、１つのファイ
ルをアクセスし（Ｓ１）、その読出されたファイルの音
声データ１３を音声認識装置で音声認識し（Ｓ２）、そ
の音声認識結果と、対応ラベル１２とを比較し（Ｓ
３）、不一致の場合はそのファイル名を出力し（Ｓ
４）、その後、次のファイルを読出すべく、ステップＳ
１に戻り、ラベルとの比較結果が一致すれば直ちに次の
ファイルを読出すべくステップＳ１に戻る。このように
してすべてのファイルを読み出し、検証することが実行
される。

【００１３】次に実験結果を述べる。電話番号案内に用
いる住所、姓名、企業、合計６０万件のデータベースを
人手で１度検聴した後、この発明の検証装置を用いて検
証した。単語音声認識は“ＨＴＫ：Ｈｉｄｄｅｎ Ｍａ
ｒｋｏｖ Ｍｏｄｅｌ Ｔｏａｌｋｉｔ Ｖｌ．５”の
手法によった。音素モデルは、ＡＴＲのＣｓｅｔ女性話
者３２名、１６０の文から不特定話者モデルを作り、次
に話者ごとに１００単語の連結学習をしてＨＭＭ（隠れ
マルコフモデル）を作成した。この分析パラメータの条
件としては、音響モデルが４状態３ループ混合分布型Ｈ
ＭＭ、混合数が１０混合フルカバリアンス、音響パラメ
ータが、ｌｏｇパワーとして次ＦＦＴｍｅｌｃｅｐとΔ
ｌｏｇパワーとして次ΔＦＦＴｍｅｌｃｅｐ、フレーム
長が５ｍｓ、フレーム窓長が２５ｍｓ、サンプリング周
波数が１６ｋＨｚである。住所、姓名、企業での平均約
５．３％が単語認識結果とラベルとが一致しなかった。
これら一致しなかったファイルを人手によって再検聴し
たところ、誤りは平均０．０５％に過ぎなかった。つま
り、この発明による検証方法の有効性が高いことが理解
される。

【００１４】

【発明の効果】以上述べたように、従来においては総て
のファイルを検聴する必要があったが、この発明によれ
ば、音声認識による認識結果とラベルとが不一致のファ
イルについてのみ検聴を行えばよく、検聴ファイル数を
著しく削減でき、人間の負荷を大きく軽くすることがで
きる。

【図面の簡単な説明】

【図１】この発明の方法を具体例を上げて説明するため
の図。

【図２】Ａはこの発明の装置の実施例の機能的構成を示
すブロック図、Ｂはこの発明の方法の実施例の処理手順
を示す流れ図である。

【図３】従来の方法を具体例を上げて説明するための
図。

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭63−54856（ＪＰ，Ａ) 特開 昭59−128598（ＪＰ，Ａ)

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】大規模な自然音声データと、その音声デー
   タの発話内容を意味するデータ(以下ラベルと記す)とか
   らなるファイルで構成される録音音声データベースの検
   証方法において、 前記音声データと前記ラベルとの一致／不一致の検証を
   音声認識手段を用いて行い、 前記検証処理の結果、不一致となった前記ファイル名を
   出力し、 前記不一致ファイル名についてのみ、音声データを音声
   再生して、検聴することを特徴とする録音音声データベ
   ース検証方法。