JP3291073B2 - Voice recognition method - Google Patents
Voice recognition methodInfo
- Publication number
- JP3291073B2 JP3291073B2 JP15757393A JP15757393A JP3291073B2 JP 3291073 B2 JP3291073 B2 JP 3291073B2 JP 15757393 A JP15757393 A JP 15757393A JP 15757393 A JP15757393 A JP 15757393A JP 3291073 B2 JP3291073 B2 JP 3291073B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- value
- standard pattern
- feature vector
- input
- 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 - Fee Related
Links
Description
【0001】[0001]
【産業上の利用分野】本発明は、発声された音声を認識
するための音声認識方式に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a speech recognition system for recognizing uttered speech.
【0002】[0002]
【従来の技術】発声された音声の音声区間全体を隙間な
く(1字1句)認識するのではなく、音声をワードスポ
ッティングによって認識する方法は不用語の付加やポー
ズなどの問題を避けることができ、音声対話システムや
音声理解システムに向いていることが知られている。2. Description of the Related Art A method of recognizing a speech by word spotting, instead of recognizing the entire speech section of a uttered speech without a gap (one character and one phrase), avoids problems such as addition of non-words and pause. It is known that it is suitable for a speech dialogue system and a speech understanding system.
【0003】又、離散発声された単語音声を認識する場
合でも、パワーなどの情報によって音声区間を切り出し
てから認識するのではなく、無音部も含んだパターンか
らスポッティングの手法を用いて認識するほうが受音の
際の騒音や舌打ち音などの影響を受けずにすむという利
点がある。Also, when recognizing a discretely uttered word voice, it is better to use a spotting technique from a pattern including a silent part instead of recognizing the voice section after extracting a voice section based on information such as power. There is an advantage that it is not affected by noise or tongue sound at the time of sound reception.
【0004】[0004]
【発明が解決しようとする課題】しかしながら、スポッ
ティングには部分マッチングという問題がある。例え
ば、認識対象となる言葉に「新横浜」と「横浜」という
言葉が含まれていた場合、話者が「新横浜」と発声した
とき、この音声中には「横浜」とれているために、「横
浜」も「新横浜」も高いスコア(小さな距離)で認識さ
れてしまい、この言葉のうちのどちらであるか識別でき
ないという問題点があった。この部分マッチングは数字
を認識する際には、特に大きな問題となる。例えば、
「31」という言葉には、「30」、「3」、「1
0」、「11」、「1」という部分マッチングされる言
葉が存在する。However, spotting has a problem of partial matching. For example, if the words to be recognized include the words "Shin-Yokohama" and "Yokohama", and when the speaker utters "Shin-Yokohama", "Yokohama" is included in the voice, Both "Yokohama" and "Shin-Yokohama" were recognized with a high score (small distance), and there was a problem that it was not possible to identify which of these words. This partial matching is particularly problematic when recognizing numbers. For example,
The words "31" include "30", "3", "1"
There are partially matched words such as "0", "11", and "1".
【0005】但し、この部分マッチングには非対称性が
ある。つまり、長い言葉(上記例では「新横浜」)を短
い言葉(「横浜」)に誤認識することはあるが、その逆
はあまり多くない。例えば、特開平4−230797号
における方法ではこの非対称性を利用している。つま
り、入力「新横浜」に対しては「横浜」の類似度は高い
が、入力「横浜」に対して「新横浜」の類似度は高くな
いという類似度表を予め統計的に作成しておき、最初に
通常の照合を行い、次にここで得た全単語への類似度と
上記の類似度表との比較を行って、最も類似傾向が似て
いる(距離の小さい)単語を認識結果とするものであ
る。However, this partial matching has asymmetry. That is, a long word (“Shin-Yokohama” in the above example) may be erroneously recognized as a short word (“Yokohama”), but the converse is not so many. For example, the method in Japanese Patent Application Laid-Open No. 4-230797 utilizes this asymmetry. In other words, a similarity table is created in advance that the similarity of “Yokohama” is high for the input “Shin-Yokohama”, but is not high for the input “Yokohama”. First, a normal collation is performed, and then, the similarity to all the words obtained here is compared with the similarity table described above, and a word having a similar similarity (smallest distance) is regarded as a recognition result. Is what you do.
【0006】しかし、従来技術では認識対象となる全単
語同士の類似表を予め作成しておく必要があることか
ら、認識対象語彙が固定しているアプリケーションにの
み有効である。例えば、特定話者方式の認識装置のよう
に認識対象の言葉を自由に変更できる認識装置では部分
マッチングの問題を解決できないという欠点があった。
又、照合を2段階に行っているために処理が複雑である
という欠点があった。However, in the prior art, since it is necessary to prepare a similarity table of all words to be recognized in advance, it is effective only for an application in which the vocabulary to be recognized is fixed. For example, there is a drawback that the problem of partial matching cannot be solved with a recognition device that can freely change words to be recognized like a recognition device of a specific speaker system.
Further, there is a disadvantage that the processing is complicated because the collation is performed in two stages.
【0007】本発明は、1段階の照合のみでしかも認識
対象語彙を変更しても部分マッチングの問題をも回避で
きる照合方法を提供することを目的とする。SUMMARY OF THE INVENTION It is an object of the present invention to provide a matching method which can avoid the problem of partial matching even if the vocabulary to be recognized is changed only by one-stage matching.
【0008】[0008]
【課題を解決するための手段】かかる課題を解決するた
めの本発明の技術的解決手段は、入力された音声を特徴
ベクトルの時系列である入力パターンに変換し、予め与
えられた第1の値から入力パターンの特徴ベクトルと標
準パターンの特徴ベクトルとの距離を引いたものを類似
度と定め、標準パターンの特徴ベクトルの系列に対して
類似度を累積したものを入力音声との類似度とみなし、
入力音声を認識するようにしている。ここで、予め与え
る第1の値としては、標準パターンの特徴ベクトルごと
に定めるか、又は、標準パターンの特徴ベクトルを予め
複数のクラスタに分割し、そのクラスタごとに定めるよ
うにする。更に、音声内容が既知である入力パターンに
対して照合を行った後、照合経路に基づいて入力パター
ンの特徴ベクトルと標準パターンの特徴ベクトルとの対
応付けを行い、この対応付けられた2つの特徴ベクトル
の距離が予め定められた第2の値より大きい場合に、標
準パターンごとに予め定められた第1の値を大きくする
か、又は、標準パターンの属するクラスタごとに予め定
められた第1の値を大きくするように定める。A technical solution according to the present invention for solving the above problem is to convert an input voice into an input pattern which is a time series of a feature vector, and to provide a first predetermined pattern. The value obtained by subtracting the distance between the feature vector of the input pattern and the feature vector of the standard pattern from the value is defined as similarity, and the sum of the similarity for the series of feature vectors of the standard pattern is calculated as the similarity with the input voice. Deemed,
Recognize input voice. Here, the first value given in advance is determined for each feature vector of the standard pattern, or the feature vector of the standard pattern is divided into a plurality of clusters in advance and determined for each cluster. Further, after matching is performed on an input pattern whose voice content is known, the feature vector of the input pattern and the feature vector of the standard pattern are associated based on the matching path, and the two associated features are compared. When the distance of the vector is larger than the second predetermined value, the first predetermined value is increased for each standard pattern, or the first predetermined value is set for each cluster to which the standard pattern belongs. It is decided to increase the value.
【0009】[0009]
【作用】本発明によれば、先ず、類似度を予め与えられ
た第1の値から入力パターンの特徴ベクトルと標準パタ
ーンの特徴ベクトルとの距離を引いたものと定義してお
く。ここで、予め与える第1の値としては、標準パター
ンの特徴ベクトルごとに定めるか、又は、標準パターン
の特徴ベクトルを予め複数のクラスタに分割し、そのク
ラスタごとに定めるようにする。その上で、入力された
音声を特徴ベクトルの時系列である入力パターンに変換
し、標準パターンの特徴ベクトルの系列に対して類似度
を累積したものを入力音声との類似度と見なして、入力
音声を認識することにより、1段階だけの照合で部分マ
ッチングの問題を回避し、正しく言葉を認識できるよう
になる。又、予め認識対象となる語彙の情報を必要とし
ないために、例えば特定話者方式の音声認識装置のよう
に語彙の変更を行う認識装置であっても動作することが
できる。更に、音声内容が既知である入力パターンに対
して照合を行った後、照合経路に基づいて入力パターン
の特徴ベクトルと標準パターンの特徴ベクトルとの対応
付けを行い、この対応付けられた2つの特徴ベクトルの
距離が予め定められた第2の値より大きい場合に、標準
パターンごとに予め定められた第1の値を大きくする、
又は、標準パターンの属するクラスタごとに予め定めら
れた第1の値を大きくするように定めて、照合経路に基
づいて対応付けられた入力パターンの特徴ベクトルと標
準パターンの特徴ベクトルの類似度が小さい値を取らな
いように制御することによって、標準パターンがスポッ
ティングされないという可能性を低く押さえることによ
って、正しい音声認識が可能になる。According to the present invention, first, the similarity is defined as a value obtained by subtracting the distance between the feature vector of the input pattern and the feature vector of the standard pattern from the first value given in advance. Here, the first value given in advance is determined for each feature vector of the standard pattern, or the feature vector of the standard pattern is divided into a plurality of clusters in advance and determined for each cluster. Then, the input speech is converted into an input pattern that is a time series of feature vectors, and the sum of similarities to the sequence of feature vectors of the standard pattern is regarded as similarity to the input speech, and By recognizing the voice, the problem of partial matching can be avoided by one-stage matching, and words can be correctly recognized. Further, since the information of the vocabulary to be recognized is not required in advance, even a recognition device that changes the vocabulary, such as a specific speaker type speech recognition device, can operate. Further, after matching is performed on an input pattern whose voice content is known, the feature vector of the input pattern and the feature vector of the standard pattern are associated based on the matching path, and the two associated features are compared. When the distance of the vector is larger than the second predetermined value, the first value predetermined for each standard pattern is increased.
Alternatively, the first value predetermined for each cluster to which the standard pattern belongs is set to be large, and the similarity between the feature vector of the input pattern and the feature vector of the standard pattern associated based on the matching path is small. By controlling so as not to take a value, correct speech recognition becomes possible by minimizing the possibility that the standard pattern is not spotted.
【0010】[0010]
【実施例】以下、本発明の一実施例を図面に基づいて説
明する。図1は本発明にかかる音声認識装置の概略ブロ
ック図である。図1を参照すると、この音声認識装置
は、音声を入力するマイクロフォンや受話器などの音声
入力部1と、入力された音声信号を特徴ベクトルの時系
列の入力パターンへ変換する特徴抽出部2と、音声の標
準パターンを格納する標準パターン格納部6と、抽出結
果の入力パターンと標準パターンとを照合する照合部3
と、照合対象となった入力パターンと標準パターンとの
類似度を計算する類似度計算部4と、入力パターンと標
準パターンとの類似度の大きい対応位置を探索する照合
経路探索部5とを有している。An embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a schematic block diagram of a speech recognition device according to the present invention. Referring to FIG. 1, the voice recognition device includes a voice input unit 1 such as a microphone or a receiver for inputting voice, a feature extraction unit 2 for converting an input voice signal into a time-series input pattern of a feature vector, A standard pattern storage unit 6 for storing a standard pattern of voice, and a collating unit 3 for collating the input pattern of the extraction result with the standard pattern
And a similarity calculating unit 4 for calculating the similarity between the input pattern and the standard pattern to be compared, and a matching path searching unit 5 for searching for a corresponding position having a large similarity between the input pattern and the standard pattern. are doing.
【0011】特徴抽出部2は、音声認識に有用な様々な
パラメータが公表されているうち、例えばLPCメルケ
プストラム等のような特徴量を用いて入力パターンを抽
出する。以下、入力パターンXをX=x1x2・・・xI
のように表すことにする。(ここで、Iは入力パターン
の総フレーム数である。)The feature extraction unit 2 extracts an input pattern using feature quantities such as LPC mel-cepstrum, among various parameters useful for speech recognition. Hereinafter, the input pattern X is represented by X = x 1 x 2 ... X I
Will be represented as follows. (Here, I is the total number of frames of the input pattern.)
【0012】照合部3は、特徴抽出部2で抽出された入
力パターンの特徴ベクトルと標準パターン格納部6の標
準パターンの特徴ベクトルとの照合を行う。ここでKと
いう言葉の標準パターンYがY=y1y2・・・yJのよ
うなベクトル列で表現されているとする。(ここで、J
は標準パターンの総フレーム数である。) このとき入力パターンの第i番目のフレームの特徴ベク
トルxi と、標準パターンYの第j番目のフレームの特
徴ベクトルyj との距離をd(xi ,yj )のように記
述することにする。距離の定義としては、市街地距離、
ユークリッド距離、マハラノビス距離等様々な方法が知
られており、いずれを用いてもよい。The collating unit 3 compares the feature vector of the input pattern extracted by the feature extracting unit 2 with the feature vector of the standard pattern in the standard pattern storage unit 6. Here the standard pattern Y of the word K is represented by a vector column such as Y = y 1 y 2 ··· y J. (Where J
Is the total number of frames of the standard pattern. At this time, the distance between the feature vector x i of the i-th frame of the input pattern and the feature vector y j of the j-th frame of the standard pattern Y is described as d (x i , y j ). To The definition of distance is city distance,
Various methods such as the Euclidean distance and the Mahalanobis distance are known, and any of them may be used.
【0013】類似度計算部4は、入力パターンの第i番
目のフレームの特徴ベクトルxiと、標準パターンYの
第j番目のフレームの特徴ベクトルyj との類似度を次
のように定義する。[0013] similarity calculator 4 defines a feature vector x i of the i-th frame of the input pattern, the similarity between the feature vector y j of the j-th frame of reference pattern Y as follows .
【0014】[0014]
【数1】 (Equation 1)
【0015】上記のように求められた類似度をもとにし
て、入力パターンX中から標準パターンYをスポッティ
ングする方法を次に述べるが、この方法には様々な方法
が知られており、これに限ったものではない。A method of spotting the standard pattern Y from the input pattern X based on the similarity obtained as described above will be described below. Various methods are known as this method. It is not limited to.
【0016】照合経路探索部5は、次のような手順で探
索する。先ず、入力フレームがiの時点で標準パターン
の第j番目の特徴ベクトルまで照合を終えたときの累積
スコアを格納する配列D(i,j)とこの照合経路の開
始時点を格納する配列B(i,j)を用意する。初期時
点においては、次のように配列D(i,j)および配列
B(i,j)を決定する。The collation path search section 5 searches in the following procedure. First, an array D (i, j) for storing the accumulated score when the matching is completed up to the j-th feature vector of the standard pattern at the time of the input frame i, and an array B (for storing the start time of this matching path) i, j) are prepared. At the initial time, the array D (i, j) and the array B (i, j) are determined as follows.
【0017】[0017]
【数2】 (Equation 2)
【0018】ここで、式(2)において、大きい値が
(a)の場合は、 B(i,1)=B(i−1,1) とし、大きい値が(b)の場合には、 B(i,1)=i とそれぞれ設定する。中間時点においては、次のように
配列D(i,j)および配列B(i,j)を決定する。Here, in equation (2), when the large value is (a), B (i, 1) = B (i-1,1), and when the large value is (b), B (i, 1) = i are set respectively. At the intermediate point, the arrays D (i, j) and B (i, j) are determined as follows.
【0019】[0019]
【数3】 (Equation 3)
【0020】ここで、式(3)において、大きい値が
(c)の場合は、 B(i,j) = B(i−1,j) とし、大きい値が(d)の場合には、 B(i,j) = B(i−1,j−1)Here, in equation (3), when the large value is (c), B (i, j) = B (i-1, j), and when the large value is (d), B (i, j) = B (i-1, j-1)
【0021】として計算すると、D(i,J)が言葉K
に対するスコアであり、Kは入力音声区間のB(i,
J)フレームからiフレームまでに存在したという認識
結果を得る。尚、この認識結果にはiの自由度がある
が、認識結果を1つに絞る際には、D(i,J)を最も
大きくするiを選択すればよい。D (i, J) is the word K
, And K is B (i,
J) A recognition result that the frame exists from the frame to the i-th frame is obtained. Although the recognition result has i degrees of freedom, when the number of recognition results is reduced to one, it is sufficient to select i that maximizes D (i, J).
【0022】次に、Sの値の設定方法について述べる。 (1)Sの値をすべての標準パターンで共通に定める場
合 Sの設定方法としては、予備的な実験を行い、発声内容
と同じ内容の標準パターンに対する max D(i,J) の値が
正になるように設定し、発声内容と異なる内容の標準パ
ターンに対する max D(i,J) の値が負になるように設定
すればよい。Next, a method of setting the value of S will be described. (1) When the value of S is determined in common for all the standard patterns As a setting method of S, a preliminary experiment is performed, and the value of max D (i, J) for the standard pattern having the same content as the utterance content is positive. And the value of max D (i, J) for a standard pattern having a content different from the utterance content may be set to be negative.
【0023】(2)Sの値を標準パターンの特徴ベクト
ル毎に定める場合 この設定方法としては、ある標準パターンのある特徴ベ
クトルym に対するSの値をSm と記述することにする
と、Sm はym を作成した学習用のデータとym の距離
の平均d_avem に正の定数d0 を加算して設定すれ
ばよい。ここでd0 を決定する一例としては、Nを標準
パタ−ンの特徴ベクトルの個数として、式(4)を使っ
て実験的に決めることができる。(2) When the value of S is determined for each feature vector of the standard pattern As a setting method, if the value of S for a certain feature vector y m of a certain standard pattern is described as S m , then S m it may be set by adding a positive constant d 0 on the average D_ave m distance data and y m for learning that created the y m. Here, as an example of determining d 0 , N can be experimentally determined using equation (4), where N is the number of feature vectors of the standard pattern.
【0024】[0024]
【数4】 (Equation 4)
【0025】又、学習用の大部分(例えば95%)がベ
クトルym に対する類似度が正になるようにSm の値を
定めてもよい。[0025] Also, most of the learning (e.g. 95%) may be set to the value of S m as the degree of similarity is positive for the vector y m.
【0026】(3)標準パターンの特徴ベクトルが予め
複数のクラスタに分割されており、このクラスタ毎にS
の値を定める場合 クラスタ分割方法は、音素毎に分割したり、あるいは音
素のグループ(母音、無声摩擦音、鼻音、破裂音など)
に分割すればよい。ここで、あるクラスタMに対するS
の値をSM と記述すると、クラスタMに属する要素mに
対して、ym を作成した学習用のデータとym の距離の
平均値d_avem を求め、これを平均したものに正の
定数d0 (この値を決定するには上記と同様な方法が考
えられる。)を加算して設定すればよい。又、クラスタ
Mに属する特徴ベクトルym に対する学習データの大部
分(例えば95%)がym との類似度が正の値をとるよ
うにSM の値を設定してもよい。(3) The feature vector of the standard pattern is divided into a plurality of clusters in advance.
When the value of is determined The cluster division method is to divide for each phoneme or a group of phonemes (vowel, unvoiced fricative, nasal, plosive, etc.)
What is necessary is just to divide into. Here, S for a certain cluster M
When the values described as S M, with respect to elements belonging m to the cluster M, the average value D_ave m of the distance data and y m for learning that created the y m, a positive constant that this averaged d 0 (the same method as described above may be used to determine this value) may be added and set. Further, the value of S M may be set so that most (eg, 95%) of the learning data for the feature vector y m belonging to the cluster M has a positive similarity to y m .
【0027】更に、発声内容が既知である入力パターン
に対して、同じ内容の標準パターンのベクトル列との照
合を行った後、バックトラックを行う。ここでこの照合
経路に基づいて入力パターンの特徴ベクトルxiと標準
パターンの特徴ベクトルymとが対応ついたとする。こ
こで、この対応付いた2つのベクトルの類似度r(x
i,ym)の値が予め設定されている閾値THより小さ
い場合には、S m =S m +α(TH−r(xi,y m ))
によってymに対するSの値を大きく設定する。同様に
して、標準パターンの特徴ベクトルをクラスタに分割し
たときには、入力パターンy m の属するクラスタをMと
した場合、S M =S M +α(TH−r(xi,y m ))に
よってSの値を大きく設定する。 Further, the input pattern whose utterance content is known is compared with a vector sequence of a standard pattern having the same content, and then backtracking is performed. Here is the feature vector y m of the feature vector xi and the standard pattern of the input pattern and with corresponding on the basis of the collation path. Here, the similarity r (x
i, if smaller than the threshold TH value of y m) is set in advance, S m = S m + α (TH-r (xi, y m))
Sets the value of S for y m large. Likewise
And divide the feature vector of the standard pattern into clusters
The cluster to which the input pattern y m belongs is M
If you, S M = S M + α (TH-r (xi, y m)) to
Therefore, the value of S is set large.
【0028】ここで、学習係数αは、例えば0.1程度
に設定する。又、THを決定する一例としては、Nを標
準パタ−ンの特徴ベクトルの個数として、式(5)を使
って実験的に決めることができる。このとき、THを小
さめに決定すると 正しい発声に対しても、”認識結果なし”のエラ−が増
えるが、誤認識は減る。 又、THを大きめに決定すると ”認識結果なし”のエラ−は減るが、誤認識は増える。 このような性質を認識した上で、音声認識装置が使われ
る応用例によって適宜決定する必要がある。Here, the learning coefficient α is set to, for example, about 0.1. As an example of determining TH, N can be experimentally determined using equation (5), where N is the number of feature vectors of the standard pattern. At this time, if TH is determined to be small, the error of "no recognition result" increases for a correct utterance, but erroneous recognition decreases. If TH is determined to be larger, the error of "no recognition result" is reduced, but the number of erroneous recognition is increased. After recognizing such a property, it is necessary to appropriately determine it according to an application example in which the speech recognition device is used.
【0029】[0029]
【数5】 (Equation 5)
【0030】図2は、入力された音声が「新横浜」であ
った場合の部分パターンマッチングの類似度を表した例
である。図2(a)は、入力音声を表す図である。図2
(b)は、入力音声と標準パターン「新横浜」との距離
を表す図である。図2(c)は、入力音声と標準パター
ン「横浜」との距離を表す図である。この図からもわか
るように、図2のAの部分である「新」の部分に対する
類似度が正の値であるから、その分だけ「新横浜」の標
準パターンに対する照合スコアの方が大きくなるために
「新横浜」の方が正しく認識される。FIG. 2 is an example showing the similarity of the partial pattern matching when the input voice is "Shin-Yokohama". FIG. 2A is a diagram illustrating an input voice. FIG.
(B) is a diagram showing the distance between the input voice and the standard pattern “Shin-Yokohama”. FIG. 2C is a diagram illustrating a distance between the input voice and the standard pattern “Yokohama”. As can be seen from this figure, since the similarity to the “new” part, which is the part A in FIG. 2, is a positive value, the matching score for the standard pattern “shin-yokohama” is larger by that amount. "Shin-Yokohama" is correctly recognized.
【0031】図3は、入力された音声が「横浜」であっ
た場合の部分パターンマッチングの類似度を表した例で
ある。図2(a)は、入力音声を表す図である。図2
(b)は、入力音声と標準パターン「新横浜」との距離
を表す図である。図2(c)は、入力音声と標準パター
ン「横浜」との距離を表す図である。この例からわかる
ように、「新横浜」の標準パターンに対する照合では標
準パターンの「新」の部分が、非音声区間あるいは
「新」ではない別の言葉と照合されているため、この部
分の類似度が負の値(図3のBの部分)となるので、
「新横浜」の標準パターンに対する照合スコアが小さく
なるために「横浜」の方がやはり正しく認識される。FIG. 3 is an example showing the similarity of the partial pattern matching when the input voice is "Yokohama". FIG. 2A is a diagram illustrating an input voice. FIG.
(B) is a diagram showing the distance between the input voice and the standard pattern “Shin-Yokohama”. FIG. 2C is a diagram illustrating a distance between the input voice and the standard pattern “Yokohama”. As can be seen from this example, since the “new” part of the standard pattern is compared with the non-speech section or another word that is not “new” in the comparison with the standard pattern of “Shin Yokohama”, the similarity of this part is Becomes a negative value (part B in FIG. 3),
Since the matching score for the standard pattern of “Shin-Yokohama” is small, “Yokohama” is still correctly recognized.
【0032】[0032]
【発明の効果】上述のように本発明によれば、1段階だ
けの照合で部分マッチングの問題を回避し、正しく言葉
を認識できるようになった。又、予め認識対象となる語
彙の情報を必要としないために、例えば特定話者方式の
音声認識装置のように語彙の変更を行う認識装置であっ
ても動作することができる。又、請求項5および請求項
6に対する効果としては、従来技術では、照合経路に基
づいて対応付けられた入力パターンの特徴ベクトルと標
準パターンの特徴ベクトルの類似度が小さい値(例えば
負の数)をとると、この標準パターンがスポッティング
されない可能性が高くなるが、本発明では、このような
状態の場合に類似度を大きくするようにSの値を大きく
設定し直すことで正しい音声認識が可能になる。As described above, according to the present invention, the problem of partial matching can be avoided by only one-stage matching, and words can be correctly recognized. Further, since the information of the vocabulary to be recognized is not required in advance, even a recognition device that changes the vocabulary, such as a specific speaker type speech recognition device, can operate. According to the related art, the similarity between the feature vector of the input pattern and the feature vector of the standard pattern, which are associated based on the matching path, is a small value (eg, a negative number). , There is a high possibility that this standard pattern will not be spotted, but in the present invention, correct speech recognition can be performed by resetting the value of S so as to increase the similarity in such a state. become.
【図1】本発明による音声認識装置の概略ブロック図で
ある。FIG. 1 is a schematic block diagram of a speech recognition device according to the present invention.
【図2】本発明を適用した一実施例である。FIG. 2 is an embodiment to which the present invention is applied.
【図3】本発明を適用した他の実施例である。FIG. 3 is another embodiment to which the present invention is applied.
1…音声入力部、2…特徴抽出部、3…照合部、4…類
似度計算部、5…照合経路探索部、6…標準パターン格
納部。DESCRIPTION OF SYMBOLS 1 ... Voice input part, 2 ... Feature extraction part, 3 ... Matching part, 4 ... Similarity calculation part, 5 ... Matching path search part, 6 ... Standard pattern storage part.
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7,DB名) G10L 15/10 ──────────────────────────────────────────────────続 き Continued on the front page (58) Field surveyed (Int.Cl. 7 , DB name) G10L 15/10
Claims (6)
力部より入力された音声を特徴ベクトルの時系列である
入力パターンに変換する特徴部抽出部と、該特徴部抽出
部から取り出された入力パターンの特徴ベクトルと標準
パターンの特徴ベクトルとの距離を計算する照合部を有
し、予め与えられた第1の値と該照合部で計算された距
離との差を入力パターンと標準パターンとの類似度と
し、認識対象となる言葉に対する標準パターンの特徴ベ
クトルの系列に対して前記類似度を計算して累積したも
のを前記認識対象の言葉の類似度とすることを特徴とす
る音声認識方式。1. A speech input unit for inputting speech, a feature extraction unit for converting speech input from the speech input unit into an input pattern which is a time series of feature vectors, and a feature extracted from the feature extraction unit. A matching unit that calculates the distance between the feature vector of the input pattern and the feature vector of the standard pattern, and calculates the difference between the first value given in advance and the distance calculated by the matching unit. Speech recognition, wherein the similarity calculated and accumulated for a series of feature vectors of a standard pattern for a word to be recognized is accumulated and used as the similarity of the word to be recognized. method.
標準パターンの特徴ベクトルで共通の値とすることを特
徴とする請求項1記載の音声認識方式。2. The speech recognition method according to claim 1, wherein the first value given in advance is a value common to feature vectors of all standard patterns.
ーンの特徴ベクトルごとに定めることを特徴とする請求
項1記載の音声認識方式。3. The speech recognition method according to claim 1, wherein the first value given in advance is determined for each feature vector of a standard pattern.
のクラスタに分割し、前記予め与えられた第1の値を該
クラスタごとに定めるようにしたことを特徴とする請求
項1記載の音声認識方式。4. The speech recognition method according to claim 1, wherein the feature vector of the standard pattern is divided into a plurality of clusters in advance, and the predetermined first value is determined for each cluster. .
して照合を行った後、照合経路に基づいて入力パターン
の特徴ベクトルと標準パターンの特徴ベクトルとの対応
付けを行い、該対応付けられた2つの特徴ベクトルの距
離が予め定められた第2の値より大きい場合に、該標準
パターンの特徴ベクトルごとに予め定められた第1の値
を大きくすることを特徴とする請求項3記載の音声認識
方式。5. After performing matching on an input pattern whose voice content is known, a feature vector of the input pattern is associated with a feature vector of a standard pattern based on a matching path. 4. The voice according to claim 3, wherein when the distance between the two feature vectors is larger than a predetermined second value, the predetermined first value is increased for each of the feature vectors of the standard pattern. Recognition method.
して照合を行った後、照合経路に基づいて入力パターン
の特徴ベクトルと標準パターンの特徴ベクトルの対応付
けを行い、該対応付けられた2つの特徴ベクトルの距離
が予め定められた第2の値より大きい場合に、該標準パ
ターンの属するクラスタごとに予め定められた第1の値
を大きくすることを特徴とする請求項4記載の音声認識
方式。6. After matching is performed on an input pattern whose utterance content is known, the feature vector of the input pattern and the feature vector of the standard pattern are associated based on the matching path. 5. The speech recognition according to claim 4, wherein when the distance between the two feature vectors is larger than a second predetermined value, the first predetermined value is increased for each cluster to which the standard pattern belongs. method.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15757393A JP3291073B2 (en) | 1993-06-28 | 1993-06-28 | Voice recognition method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15757393A JP3291073B2 (en) | 1993-06-28 | 1993-06-28 | Voice recognition method |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0713590A JPH0713590A (en) | 1995-01-17 |
JP3291073B2 true JP3291073B2 (en) | 2002-06-10 |
Family
ID=15652648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP15757393A Expired - Fee Related JP3291073B2 (en) | 1993-06-28 | 1993-06-28 | Voice recognition method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3291073B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757807A (en) * | 1994-09-27 | 1998-05-26 | Nec Corporation | Method of and apparatus for extracting or inserting a signal in a time division multiplex communication system |
-
1993
- 1993-06-28 JP JP15757393A patent/JP3291073B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH0713590A (en) | 1995-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6912499B1 (en) | Method and apparatus for training a multilingual speech model set | |
US5842163A (en) | Method and apparatus for computing likelihood and hypothesizing keyword appearance in speech | |
JP4301102B2 (en) | Audio processing apparatus, audio processing method, program, and recording medium | |
EP2048655B1 (en) | Context sensitive multi-stage speech recognition | |
JP5240457B2 (en) | Extended recognition dictionary learning device and speech recognition system | |
Vanhoucke | Confidence scoring and rejection using multi-pass speech recognition. | |
JP4340685B2 (en) | Speech recognition apparatus and speech recognition method | |
US6502072B2 (en) | Two-tier noise rejection in speech recognition | |
Rahim et al. | Discriminative utterance verification using minimum string verification error (MSVE) training | |
Boite et al. | A new approach towards keyword spotting. | |
JP3444108B2 (en) | Voice recognition device | |
Rahim et al. | String-based minimum verification error (SB-MVE) training for speech recognition | |
Hwang et al. | Building a highly accurate Mandarin speech recognizer | |
Cai et al. | Deep speaker embeddings with convolutional neural network on supervector for text-independent speaker recognition | |
Rohlicek | Word spotting | |
JP3291073B2 (en) | Voice recognition method | |
Sirigos et al. | A hybrid syllable recognition system based on vowel spotting | |
Jiang et al. | A data selection strategy for utterance verification in continuous speech recognition. | |
JP2938865B1 (en) | Voice recognition device | |
Tang | Large vocabulary continuous speech recognition using linguistic features and constraints | |
Anguita et al. | Word confusability prediction in automatic speech recognition. | |
JP3289670B2 (en) | Voice recognition method and voice recognition device | |
Gong et al. | Phoneme-based continuous speech recognition without pre-segmentation. | |
JP3277522B2 (en) | Voice recognition method | |
Herbig et al. | Adaptive systems for unsupervised speaker tracking and speech recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090322 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100322 Year of fee payment: 8 |
|
LAPS | Cancellation because of no payment of annual fees |