JP3352144B2 - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JP3352144B2 JP3352144B2 JP11395193A JP11395193A JP3352144B2 JP 3352144 B2 JP3352144 B2 JP 3352144B2 JP 11395193 A JP11395193 A JP 11395193A JP 11395193 A JP11395193 A JP 11395193A JP 3352144 B2 JP3352144 B2 JP 3352144B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- matching
- data
- voice
- word
- 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
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は音声認識装置に関する。
【０００２】
【従来の技術】音声認識装置における音声認識処理にあ
たっては、背景雑音や不要語の付加による音声区間検出
の誤りを防ぐためにワードスポッティング法を用いる認
識処理が一般に行われている。これは、任意の入力音声
からあらかじめ定めた単語や音節等の単位を捜し出すも
ので、音声区間検出を行わず種々の部分区間を設定し各
標準パターンとの類似度を求め、すべての部分区間を通
して類似度が最大となる単語を認識結果とするものであ
る。
たっては、背景雑音や不要語の付加による音声区間検出
の誤りを防ぐためにワードスポッティング法を用いる認
識処理が一般に行われている。これは、任意の入力音声
からあらかじめ定めた単語や音節等の単位を捜し出すも
ので、音声区間検出を行わず種々の部分区間を設定し各
標準パターンとの類似度を求め、すべての部分区間を通
して類似度が最大となる単語を認識結果とするものであ
る。
【０００３】図７にそのマッチング部のブロック図を示
す。図７で、音声データはバッファ７１に格納され、マ
ッチング処理部７２で音声データのすべての部分区間を
通して全単語辞書７３との類似計算を行う。制御部７４
はマッチング処理部７２によるマッチング及び類似計算
を制御する。
す。図７で、音声データはバッファ７１に格納され、マ
ッチング処理部７２で音声データのすべての部分区間を
通して全単語辞書７３との類似計算を行う。制御部７４
はマッチング処理部７２によるマッチング及び類似計算
を制御する。
【０００４】
【発明が解決しようとする課題】しかしながら、上述の
ワードスポッティング法による認識処理は音声分析デー
タすべての部分区間を通して全単語辞書との類似計算を
行うので計算量が膨大となり、マッチング処理にかなり
の時間を要するため対象単語を増すことができないとい
う欠点がある。
ワードスポッティング法による認識処理は音声分析デー
タすべての部分区間を通して全単語辞書との類似計算を
行うので計算量が膨大となり、マッチング処理にかなり
の時間を要するため対象単語を増すことができないとい
う欠点がある。
【０００５】この点を克服するためには処理スピードを
あげるために高価な高高速のプロセッサを用いるという
解決手段も考えられるが、コストアップになり、様々な
分野に今後適用が期待される音声認識装置の普及にはそ
れが安価であることが潜在的に要請されている面からみ
て、実用性に欠けるという問題点がある。
あげるために高価な高高速のプロセッサを用いるという
解決手段も考えられるが、コストアップになり、様々な
分野に今後適用が期待される音声認識装置の普及にはそ
れが安価であることが潜在的に要請されている面からみ
て、実用性に欠けるという問題点がある。
【０００６】本発明は上記欠点及び問題点に鑑みてなさ
れたものであり、背景雑音や不要語に左右されることな
く、しかも処理時間が短く、音声認識率が高く、実用性
の高い音声認識装置を提供することを目的とする。
れたものであり、背景雑音や不要語に左右されることな
く、しかも処理時間が短く、音声認識率が高く、実用性
の高い音声認識装置を提供することを目的とする。
【０００７】
【課題を解決するための手段】上記の目的を達成するた
めに第１による音声認識装置は、入力音声を分析して音
声データを得る音声分析部と、音声データから標準音声
パターンを生成する辞書生成部と、入力した音声データ
の音声パターンと標準音声パターンとのマッチングを行
うマッチング部と、上記音声分析部、辞書生成部、及び
マッチング部を制御する制御部と、を備えた音声認識装
置であって、辞書生成部が、音声データを所定の帯域別
に分析し帯域別辞書データを作成する帯域別分析手段
と、音声データを音声データの全帯域にわたって分析し
全帯域辞書データを作成する全帯域分析手段と、を有
し、マッチング部が、音声データを記憶する記憶部と、
記憶された音声データと全帯域辞書データとのマッチン
グにより得た類似度が第１のしきい値より大きい１つ以
上の候補単語を選択する予備選択部と、候補単語と帯域
別辞書データとのワードスポッティング法によるマッチ
ング処理により候補単語の内から類似度が第２のしきい
値より大きい候補単語を認識単語として出力するマッチ
ング処理部と、を有することを特徴とする。
めに第１による音声認識装置は、入力音声を分析して音
声データを得る音声分析部と、音声データから標準音声
パターンを生成する辞書生成部と、入力した音声データ
の音声パターンと標準音声パターンとのマッチングを行
うマッチング部と、上記音声分析部、辞書生成部、及び
マッチング部を制御する制御部と、を備えた音声認識装
置であって、辞書生成部が、音声データを所定の帯域別
に分析し帯域別辞書データを作成する帯域別分析手段
と、音声データを音声データの全帯域にわたって分析し
全帯域辞書データを作成する全帯域分析手段と、を有
し、マッチング部が、音声データを記憶する記憶部と、
記憶された音声データと全帯域辞書データとのマッチン
グにより得た類似度が第１のしきい値より大きい１つ以
上の候補単語を選択する予備選択部と、候補単語と帯域
別辞書データとのワードスポッティング法によるマッチ
ング処理により候補単語の内から類似度が第２のしきい
値より大きい候補単語を認識単語として出力するマッチ
ング処理部と、を有することを特徴とする。
【０００８】第２の発明は上記第１による音声認識装置
において、候補単語の選択処理を行う予備選択部の動作
と、候補単語の内からの認識単語の抽出処理を行うマッ
チング処理部の動作とが並列的に実行されることを特徴
とする。
において、候補単語の選択処理を行う予備選択部の動作
と、候補単語の内からの認識単語の抽出処理を行うマッ
チング処理部の動作とが並列的に実行されることを特徴
とする。
【０００９】
【作用】上記構成により第１の発明による音声認識装置
は、辞書生成部が、帯域別分析手段により音声データを
所定の帯域別に分析し帯域別辞書データを作成し、全帯
域分析手段により音声データを音声データの全帯域にわ
たって分析し全帯域辞書データを作成する。そして、マ
ッチング部が、記憶部に音声データを記憶し、予備選択
部により記憶された音声データと全帯域辞書データとの
マッチングにより得た類似度が第１のしきい値より大き
い１つ以上の候補単語を選択し、マッチング処理部によ
り候補単語と帯域別辞書データとのワードスポッティン
グ法によるマッチング処理により候補単語の内から類似
度が第２のしきい値より大きい候補単語を認識単語とし
て出力する。
は、辞書生成部が、帯域別分析手段により音声データを
所定の帯域別に分析し帯域別辞書データを作成し、全帯
域分析手段により音声データを音声データの全帯域にわ
たって分析し全帯域辞書データを作成する。そして、マ
ッチング部が、記憶部に音声データを記憶し、予備選択
部により記憶された音声データと全帯域辞書データとの
マッチングにより得た類似度が第１のしきい値より大き
い１つ以上の候補単語を選択し、マッチング処理部によ
り候補単語と帯域別辞書データとのワードスポッティン
グ法によるマッチング処理により候補単語の内から類似
度が第２のしきい値より大きい候補単語を認識単語とし
て出力する。
【００１０】第２の発明は上記第１による音声認識装置
において、予備選択部による候補単語の抽出処理と、マ
ッチング処理部による候補単語の内からの認識単語の抽
出処理とが並列的に実行される。
において、予備選択部による候補単語の抽出処理と、マ
ッチング処理部による候補単語の内からの認識単語の抽
出処理とが並列的に実行される。
【００１１】
〈実施例１〉図１は本発明に基づく音声認識装置のブロ
ック図であり、音声認識装置１は分析部２、認識部３、
辞書４、及び制御部５から構成されており、認識部３は
スイッチ３１、登録動作を行う辞書生成部３２、及び認
識動作を行うマッチング部３５から構成されている。制
御部５はスイッチ３１により辞書生成部３２或いはマッ
チング部３５の選択制御を行う。入力した音声信号は分
析部２の７チャンネルの帯域フィルタで周波数分析され
た後、認識部３に入力される。ここで、帯域フィルタの
特性を、 ＣＨ１……… ２００Hz 〜 ５００Hz ＣＨ２……… ５００Hz 〜 ８７０Hz ＣＨ３……… ８７０Hz 〜 １３５０Hz ＣＨ４………１３５０Hz 〜 ２０５０Hz ＣＨ５………２０５０Hz 〜 ３２００Hz ＣＨ６………３２００Hz 〜 ５５００Hz ＣＨ７……… ２００Hz 〜 ５５００Hz とする。ＣＨ１〜６はバンドパスフィルタ群で構成さ
れ、ＣＨ７は全帯域フィルタである（いずれも図示せ
ず）。
ック図であり、音声認識装置１は分析部２、認識部３、
辞書４、及び制御部５から構成されており、認識部３は
スイッチ３１、登録動作を行う辞書生成部３２、及び認
識動作を行うマッチング部３５から構成されている。制
御部５はスイッチ３１により辞書生成部３２或いはマッ
チング部３５の選択制御を行う。入力した音声信号は分
析部２の７チャンネルの帯域フィルタで周波数分析され
た後、認識部３に入力される。ここで、帯域フィルタの
特性を、 ＣＨ１……… ２００Hz 〜 ５００Hz ＣＨ２……… ５００Hz 〜 ８７０Hz ＣＨ３……… ８７０Hz 〜 １３５０Hz ＣＨ４………１３５０Hz 〜 ２０５０Hz ＣＨ５………２０５０Hz 〜 ３２００Hz ＣＨ６………３２００Hz 〜 ５５００Hz ＣＨ７……… ２００Hz 〜 ５５００Hz とする。ＣＨ１〜６はバンドパスフィルタ群で構成さ
れ、ＣＨ７は全帯域フィルタである（いずれも図示せ
ず）。
【００１２】スイッチ３１により登録モードに設定され
るとバンドパスフィルタ群ＣＨ１〜ＣＨ６で分析された
音声データと、全帯域フィルタＣＨ７で分析された予備
選択のための音声データを用いて辞書生成部３２により
辞書データを生成する。なお、本実施例ではＣＨ１〜Ｃ
Ｈ６の辞書データは現時点で一般に用いられている方法
により作成している。
るとバンドパスフィルタ群ＣＨ１〜ＣＨ６で分析された
音声データと、全帯域フィルタＣＨ７で分析された予備
選択のための音声データを用いて辞書生成部３２により
辞書データを生成する。なお、本実施例ではＣＨ１〜Ｃ
Ｈ６の辞書データは現時点で一般に用いられている方法
により作成している。
【００１３】また、本発明の特徴である全帯域フィルタ
による辞書データは予備選択に用いるため以下の処理で
作成する。
による辞書データは予備選択に用いるため以下の処理で
作成する。
【００１４】〈予備選択用辞書データの作成〉 分析部２で全帯域フィルタ（２００Hz〜５．５ＫH
z）で周波数分析された音声データは絶対値検波した後
平滑ＬＰＦ（ローパスフィルタ）で平滑化する。その後
信号は１０ｍsecでＡ／Ｄ変換する。Ａ／Ｄ変換特性は
８bitの非線形特性であり図２に示すような特性を有す
る。 辞書生成部６は分析部２で出力されたデジタルデー
タを時間方向に等間隔に再サンプルしてＮポイントのデ
ータに削減する。これにより個人差等に起因する時間的
ずれが吸収されたものとなる。 辞書生成部６は更に上記の段階で得た再サンプル
データからカテゴリＫのＮポイントのサンプルデータａ
k（ｆ１）を以下の数式により平滑化、正規化し第１軸
Ｂk,lを計算する。
z）で周波数分析された音声データは絶対値検波した後
平滑ＬＰＦ（ローパスフィルタ）で平滑化する。その後
信号は１０ｍsecでＡ／Ｄ変換する。Ａ／Ｄ変換特性は
８bitの非線形特性であり図２に示すような特性を有す
る。 辞書生成部６は分析部２で出力されたデジタルデー
タを時間方向に等間隔に再サンプルしてＮポイントのデ
ータに削減する。これにより個人差等に起因する時間的
ずれが吸収されたものとなる。 辞書生成部６は更に上記の段階で得た再サンプル
データからカテゴリＫのＮポイントのサンプルデータａ
k（ｆ１）を以下の数式により平滑化、正規化し第１軸
Ｂk,lを計算する。
【００１５】
【数１】 ｂ k,1 （ｆ１）＝｛ａk(ｆ１)＋２・ａk(ｆ１＋１)＋ａk(ｆ１＋２)｝／４
【数２】 Ｂk,1＝ｂ k,1 (ｆ１)＝ｂk,1（ｆ１）−Σｂk,1(ｆ１）／（Ｎ−２） 但し、記号Σはｂk,1(ｆ１）／（Ｎ−２）についてのｆ
１＝１からＮ−２までの総和であることを意味する。な
お、ｆ１＝１，２，…，Ｎ−２は再サンプルフレームで
ある。
１＝１からＮ−２までの総和であることを意味する。な
お、ｆ１＝１，２，…，Ｎ−２は再サンプルフレームで
ある。
【００１６】 同様に、辞書生成部６はａk(ｆ１)を
以下の数式により微分処理して正規化し第２軸Ｂk,2を
計算する。
以下の数式により微分処理して正規化し第２軸Ｂk,2を
計算する。
【００１７】
【数３】 ｂk,2（ｆ１）＝−ａk(ｆ１)＋ａk(ｆ１＋２)
【数４】 Ｂk,2＝ｂk,2（ｆ１）＝ｂk,2（ｆ１）−Σｂk,2(ｆ１）／（Ｎ−２） 但し、記号ｂk,2(ｆ１）／（Ｎ−２）についてのｆ１＝
１からＮ−２までの総和であることを意味する。なお、
ｆ１＝１，２，…，Ｎ−２は再サンプルフレームであ
る。
１からＮ−２までの総和であることを意味する。なお、
ｆ１＝１，２，…，Ｎ−２は再サンプルフレームであ
る。
【００１８】辞書生成部３２は上述のようにして得られ
る１軸及び２軸を各単語毎に作成し、辞書データとして
辞書４に登録する。認識処理の場合にはこの辞書データ
とのマッチングを行い対象単語を絞り込む。辞書作成後
は制御部５はスイッチ３１をマッチング部３５に設定し
認識処理動作を指示する。
る１軸及び２軸を各単語毎に作成し、辞書データとして
辞書４に登録する。認識処理の場合にはこの辞書データ
とのマッチングを行い対象単語を絞り込む。辞書作成後
は制御部５はスイッチ３１をマッチング部３５に設定し
認識処理動作を指示する。
【００１９】図３はマッチング部３５の構成を示すブロ
ック図であり、図４は認識部３の音声認識動作を示すフ
ローチャート、図５は全帯域（ＣＨ７）の音声パターン
の例である。
ック図であり、図４は認識部３の音声認識動作を示すフ
ローチャート、図５は全帯域（ＣＨ７）の音声パターン
の例である。
【００２０】図３で、マッチング部３５は予備選択部３
６、記憶部に相当するバッファ３７及びマッチング処理
部３８を有している。マッチング部３５では分析部２で
周波数分析された音声データがバッファ３７に入力され
る。
６、記憶部に相当するバッファ３７及びマッチング処理
部３８を有している。マッチング部３５では分析部２で
周波数分析された音声データがバッファ３７に入力され
る。
【００２１】予備選択部３６はバッファ３７に記憶され
た音声データと予備選択のために全帯域フィルタＣＨ７
で分析された全単語の辞書データとのマッチングを行っ
て候補単語を選びその結果を制御部５に送出する。マッ
チング処理部３８は制御部５からの候補単語の結果と帯
域フィルタＣＨ１〜ＣＨ６の辞書データとのマッチング
を行う。
た音声データと予備選択のために全帯域フィルタＣＨ７
で分析された全単語の辞書データとのマッチングを行っ
て候補単語を選びその結果を制御部５に送出する。マッ
チング処理部３８は制御部５からの候補単語の結果と帯
域フィルタＣＨ１〜ＣＨ６の辞書データとのマッチング
を行う。
【００２２】〈認識部の音声認識動作〉制御部５でスイ
ッチ３１を認識モードに設定すると図４に示すフローチ
ャートに従って認識処理が開始される。認識処理では、
まず初期設定を行いcount（カウンタ）、ans，及びflog
（フラグ）を０にセットし、次にバッファ３１の更新を
行う。
ッチ３１を認識モードに設定すると図４に示すフローチ
ャートに従って認識処理が開始される。認識処理では、
まず初期設定を行いcount（カウンタ）、ans，及びflog
（フラグ）を０にセットし、次にバッファ３１の更新を
行う。
【００２３】バッファの更新とは１０ｍsec毎に記憶さ
れている最も古い音声を１組削除し新しいデータを１組
入力することである。従って、１０ｍsec経過し新しい
音声データが入力されるまで次のステップには進まな
い。
れている最も古い音声を１組削除し新しいデータを１組
入力することである。従って、１０ｍsec経過し新しい
音声データが入力されるまで次のステップには進まな
い。
【００２４】また、図４でＬ１は候補単語判定のための
しきい値、Ｌ２は認識単語判定のためのしきい値、coun
t値は認識単語判定の合否期間であり、図４（Ａ）はメ
インステップ、図４（Ｂ）は図４（Ａ）のステップ１
（処理１）のサブステップを示す。
しきい値、Ｌ２は認識単語判定のためのしきい値、coun
t値は認識単語判定の合否期間であり、図４（Ａ）はメ
インステップ、図４（Ｂ）は図４（Ａ）のステップ１
（処理１）のサブステップを示す。
【００２５】［ステップ１］ 下記ステップ１−１から
１−６の処理を行う。 （１−１） 図５の音声パターンの例（全帯域）に示す
ようにある時刻ｅ０を終端として、予め定めた単語の継
続時間長の最大値（β）、最小値（α）より単語の始端
検索区間（ｓ０〜ｓ１）を求める。
１−６の処理を行う。 （１−１） 図５の音声パターンの例（全帯域）に示す
ようにある時刻ｅ０を終端として、予め定めた単語の継
続時間長の最大値（β）、最小値（α）より単語の始端
検索区間（ｓ０〜ｓ１）を求める。
【００２６】（１−２） ｓ０からｅ０で定まる音声パ
ターンを再サンプルし全帯域フィルタＣＨ７の全単語辞
書とのマッチングを行う。類似度ｒkの計算は以下の式
により行う。
ターンを再サンプルし全帯域フィルタＣＨ７の全単語辞
書とのマッチングを行う。類似度ｒkの計算は以下の式
により行う。
【００２７】
【数５】ｒk＝Σ（Ｘ・Ｂk,1）／‖Ｘ‖2 ここで、ｒkはカテゴリｋの類似度、Ｘは入力パター
ン、Ｂk,1はカテゴリｋの第１軸の辞書である。なお、
記号Σは（Ｘ・Ｂk,1）／‖Ｘ‖2についてのｌ＝１から
２までの総和であることを意味する。
ン、Ｂk,1はカテゴリｋの第１軸の辞書である。なお、
記号Σは（Ｘ・Ｂk,1）／‖Ｘ‖2についてのｌ＝１から
２までの総和であることを意味する。
【００２８】（１−３） 各類似度ｒkがしきい値（Ｌ
１）より大きい対象単語を全て候補単語として記憶す
る。
１）より大きい対象単語を全て候補単語として記憶す
る。
【００２９】（１−４） 候補単語の上位３単語と帯域
フィルタＣＨ１〜ＣＨ６の辞書データとのマッチングを
行い候補単語の内で最大の類似度Ｒとその単語Ｋを求め
る。
フィルタＣＨ１〜ＣＨ６の辞書データとのマッチングを
行い候補単語の内で最大の類似度Ｒとその単語Ｋを求め
る。
【００３０】（１−５） 類似度が変数ans（初期値；
０）より大きければ変数ansを類似度Ｒに変数ｎをＫに
する（これにより、変数ansは最大類似度を内容とする
こととなる）。
０）より大きければ変数ansを類似度Ｒに変数ｎをＫに
する（これにより、変数ansは最大類似度を内容とする
こととなる）。
【００３１】（１−６） 始端検索区間ｓ０〜ｓ１にお
いて、ｓ０をｓ０＋１にインクリメント（Increment；
増加）し、以下同様に（１−１）〜（１−５）の動作を
ｓ０がｓ１に等しくなるまで繰り返す。
いて、ｓ０をｓ０＋１にインクリメント（Increment；
増加）し、以下同様に（１−１）〜（１−５）の動作を
ｓ０がｓ１に等しくなるまで繰り返す。
【００３２】［ステップ２］ 最大類似度ansがしきい
値（Ｌ２）より小さければバッファを更新し、ステップ
１を繰り返す。Ｌ２より大きければ以下の処理を行う。
値（Ｌ２）より小さければバッファを更新し、ステップ
１を繰り返す。Ｌ２より大きければ以下の処理を行う。
【００３３】［ステップ３］ 最大類似度ansが変数Ａ
ＮＳの内容より大きければansの内容をＡＮＳに、ｎを
Ｎに入れ、countを０にする。
ＮＳの内容より大きければansの内容をＡＮＳに、ｎを
Ｎに入れ、countを０にする。
【００３４】［ステップ４］ countをcount＋１にイン
クリメントし、countが５０になるまでバッファを更新
し上記ステップ１からステップ３の処理を繰り返す。
クリメントし、countが５０になるまでバッファを更新
し上記ステップ１からステップ３の処理を繰り返す。
【００３５】［ステップ５］ countが５０になったら
その単語Ｎを認識単語として出力する。
その単語Ｎを認識単語として出力する。
【００３６】なお、上記説明において（１−４）で単語
数を上位３単語としたが、３単語に限ることなく任意の
語数でよい。
数を上位３単語としたが、３単語に限ることなく任意の
語数でよい。
【００３７】〈従来方式との比較〉従来の認識方式と上
述の本発明の方式による認識部の音声認識動作につい
て、ある１つの始終端（ｓ０，ｅ０）に対してマッチン
グ回数を比較してみる。対象単語は２０単語とし予備選
択で３語選ばれたとすると、従来方式では、 ６（チャンネル）×Ｒ（サンプル数）×２０（単語）＝
１２０Ｒ（回） 本方式では、 １（チャンネル）×Ｒ（サンプル数）×２０（単語）＋
６（チャンネル）×Ｒ（サンプル数）×３（単語）＝３
８Ｒ（回） となり、本方式によるマッチング回数は従来方式の約１
／３となる。
述の本発明の方式による認識部の音声認識動作につい
て、ある１つの始終端（ｓ０，ｅ０）に対してマッチン
グ回数を比較してみる。対象単語は２０単語とし予備選
択で３語選ばれたとすると、従来方式では、 ６（チャンネル）×Ｒ（サンプル数）×２０（単語）＝
１２０Ｒ（回） 本方式では、 １（チャンネル）×Ｒ（サンプル数）×２０（単語）＋
６（チャンネル）×Ｒ（サンプル数）×３（単語）＝３
８Ｒ（回） となり、本方式によるマッチング回数は従来方式の約１
／３となる。
【００３８】このように予備選択によって従来よりも処
理時間が短縮できるので、安価な機器構成で実現可能と
なる。また、同じハードウエア構成であれば対象単語を
増やすことができるので利用効率が向上する。
理時間が短縮できるので、安価な機器構成で実現可能と
なる。また、同じハードウエア構成であれば対象単語を
増やすことができるので利用効率が向上する。
【００３９】〈実施例２〉装置の構成は実施例１（図１
及び図３）と同様であり、辞書の作成処理も実施例１と
同様にして作成する。以下、本実施例における認識処理
動作について説明する。
及び図３）と同様であり、辞書の作成処理も実施例１と
同様にして作成する。以下、本実施例における認識処理
動作について説明する。
【００４０】ここで、図６は認識部３の音声認識動作を
示すフローチャートであり、図６（Ａ）はメインステッ
プ、図６（Ｂ）は図６（Ａ）の予備選択処理ステップ、
図６（Ｃ），図（Ａ）のマッチング処理ステップであ
る。辞書作成後は制御部５はスイッチ３１をマッチング
部３５に設定し認識処理動作を指示する。
示すフローチャートであり、図６（Ａ）はメインステッ
プ、図６（Ｂ）は図６（Ａ）の予備選択処理ステップ、
図６（Ｃ），図（Ａ）のマッチング処理ステップであ
る。辞書作成後は制御部５はスイッチ３１をマッチング
部３５に設定し認識処理動作を指示する。
【００４１】マッチング部３５では分析部２で周波数分
析された音声データがバッファ３７に入力される。予備
選択部３６はバッファ３７に記憶された音声データと予
備選択のため全帯域フィルタＣＨ７で分析された全単語
の辞書データとのマッチングを行って候補単語を選び出
す。マッチング処理部３８は制御部５からの候補単語の
結果と帯域フィルタＣＨ１〜ＣＨ６の辞書データとのマ
ッチングを行う。
析された音声データがバッファ３７に入力される。予備
選択部３６はバッファ３７に記憶された音声データと予
備選択のため全帯域フィルタＣＨ７で分析された全単語
の辞書データとのマッチングを行って候補単語を選び出
す。マッチング処理部３８は制御部５からの候補単語の
結果と帯域フィルタＣＨ１〜ＣＨ６の辞書データとのマ
ッチングを行う。
【００４２】本実施例では図６に示すように予備選択
（図６（Ｂ））とマッチング処理（図６（Ｃ））は独立
しており、メインステップ６（Ａ）で並列に行うように
する。実施例１では候補単語のマッチング処理を行った
後にｓ０をインクリメントし再び予備選択を行っていた
が（図４のステップ１（１−６）参照）、本実施例では
マッチング処理の終了を待たずに別々に処理を行うので
処理時間を実施例１より短縮することができる。
（図６（Ｂ））とマッチング処理（図６（Ｃ））は独立
しており、メインステップ６（Ａ）で並列に行うように
する。実施例１では候補単語のマッチング処理を行った
後にｓ０をインクリメントし再び予備選択を行っていた
が（図４のステップ１（１−６）参照）、本実施例では
マッチング処理の終了を待たずに別々に処理を行うので
処理時間を実施例１より短縮することができる。
【００４３】以下、図６により認識部３の具体的音声認
識動作について説明する。なお、図６のフローチャート
で用いている変数等の記号の意味は図４と同様である。
識動作について説明する。なお、図６のフローチャート
で用いている変数等の記号の意味は図４と同様である。
【００４４】〈認識部の音声認識動作〉制御部５でスイ
ッチ３１を認識モードに設定すると図４に示すフローチ
ャートに従って認識処理が開始される。認識処理では、
まず初期設定を行いcount（カウンタ），ans，及びflog
（フラグ）を０にセットし、次にバッファ３１の更新を
行う。
ッチ３１を認識モードに設定すると図４に示すフローチ
ャートに従って認識処理が開始される。認識処理では、
まず初期設定を行いcount（カウンタ），ans，及びflog
（フラグ）を０にセットし、次にバッファ３１の更新を
行う。
【００４５】［ステップ１］ 次のステップ１−１−１
から１−１−４の予備選択処理及び１−２−１から１−
２−３のマッチング処理を行う。
から１−１−４の予備選択処理及び１−２−１から１−
２−３のマッチング処理を行う。
【００４６】〈予備選択〉 （１−１−１） 図６（Ｂ）に示すようにある時刻ｅ０
を終端として、予め定た単語の継続時間長の最大値
（β）、最小値（α）より単語の始端検索区間（ｓ０〜
ｓ１）を求める。
を終端として、予め定た単語の継続時間長の最大値
（β）、最小値（α）より単語の始端検索区間（ｓ０〜
ｓ１）を求める。
【００４７】（１−１−２） ｓ０からｅ０で定まる音
声パターンを再サンプルし全帯域フィルタＣＨ７の全単
語辞書とのマッチングを行う。類似度ｒkの計算は以下
の式により行う。
声パターンを再サンプルし全帯域フィルタＣＨ７の全単
語辞書とのマッチングを行う。類似度ｒkの計算は以下
の式により行う。
【００４８】
【数６】ｒk＝Σ（Ｘ・Ｂk,l）／‖Ｘ‖2 ここで、ｒkはカテゴリｋの類似度、Ｘは入力パター
ン、Ｂk,lはカテゴリｋの第１軸の辞書である。なお、
記号Σは（Ｘ・Ｂk,l）／‖Ｘ‖2についてのｌ＝１から
２までの総和であることを意味する。
ン、Ｂk,lはカテゴリｋの第１軸の辞書である。なお、
記号Σは（Ｘ・Ｂk,l）／‖Ｘ‖2についてのｌ＝１から
２までの総和であることを意味する。
【００４９】（１−１−３） 各類似度ｒkがしきい値
（Ｌ１）より大きい対象単語を全て候補単語として記憶
する。Ｌ１より大きい対象単語がなければ、ｓｓ０をｓ
ｓ０＋１にインクリメントする。
（Ｌ１）より大きい対象単語を全て候補単語として記憶
する。Ｌ１より大きい対象単語がなければ、ｓｓ０をｓ
ｓ０＋１にインクリメントする。
【００５０】（１−１−４） ｓ０をｓ０＋１にインク
リメントし、以下同様に上記（１−１−１）〜（１−１
−３）の動作をｓ０がｓ１に等しくなるまで繰り返す。
リメントし、以下同様に上記（１−１−１）〜（１−１
−３）の動作をｓ０がｓ１に等しくなるまで繰り返す。
【００５１】〈マッチング処理〉 （１−２−１） 記憶されているすべての候補単語ｋと
帯域フィルタＣＨ１〜ＣＨ６の辞書データとのマッチン
グを行い、候補単語の内で最大の類似度Ｒとその単語Ｋ
を求める。
帯域フィルタＣＨ１〜ＣＨ６の辞書データとのマッチン
グを行い、候補単語の内で最大の類似度Ｒとその単語Ｋ
を求める。
【００５２】（１−２−２） 類似度が変数ans（初期
値；０）より大きければ変数ansを類似度Ｒに変数ｎを
Ｋにする（これにより、変数ansは最大類似度を内容と
することとなる）。
値；０）より大きければ変数ansを類似度Ｒに変数ｎを
Ｋにする（これにより、変数ansは最大類似度を内容と
することとなる）。
【００５３】（１−２−３） ｓｓ０をｓｓ０＋１にイ
ンクリメントし、以下同様に上記（１−２−１）及び
（１−１−２）の動作をｓｓ０がｓ１に等しくなるまで
繰り返す。
ンクリメントし、以下同様に上記（１−２−１）及び
（１−１−２）の動作をｓｓ０がｓ１に等しくなるまで
繰り返す。
【００５４】［ステップ２］ 最大類似度ansがしきい
値（Ｌ２）より小さければバッファを更新し、ステップ
１の予備選択及びマッチング処理を繰り返す。Ｌ２より
大きくなれば以下の処理を行う。
値（Ｌ２）より小さければバッファを更新し、ステップ
１の予備選択及びマッチング処理を繰り返す。Ｌ２より
大きくなれば以下の処理を行う。
【００５５】［ステップ３］ 最大類似度ansが変数Ａ
ＮＳの内容より大きければansの内容をＡＮＳに、ｎを
Ｎに入れ、countを０にする。
ＮＳの内容より大きければansの内容をＡＮＳに、ｎを
Ｎに入れ、countを０にする。
【００５６】［ステップ４］ countをcount＋１にイン
クリメントし、countが５０になるまでバッファを更新
し上記ステップ１からステップ３の処理を繰り返す。
クリメントし、countが５０になるまでバッファを更新
し上記ステップ１からステップ３の処理を繰り返す。
【００５７】［ステップ５］ countが５０になったら
その単語Ｎを認識単語として出力する。
その単語Ｎを認識単語として出力する。
【００５８】実施例１と同様に予備選択によって従来よ
りも処理時間が短縮できるので、安価な機器構成で実現
可能となる。また、同じハードウエア構成であれば対象
単語を増やすことができるので利用効率が向上する。
りも処理時間が短縮できるので、安価な機器構成で実現
可能となる。また、同じハードウエア構成であれば対象
単語を増やすことができるので利用効率が向上する。
【００５９】また、予備選択とマッチング処理を並列処
理しているので、実施例１に比べ更に処理時間を短縮し
得る。また、処理時間に余裕があるので候補単語による
マッチングをきめ細かく行うことができ、認識性能を向
上させることができる。
理しているので、実施例１に比べ更に処理時間を短縮し
得る。また、処理時間に余裕があるので候補単語による
マッチングをきめ細かく行うことができ、認識性能を向
上させることができる。
【００６０】
【発明の効果】以上説明したように第１の発明によれ
ば、予備選択部で音声データと全帯域辞書データとのマ
ッチングにより候補単語を絞り込み、その後マッチング
処理部で帯域別辞書データとのマッチングを行い認識単
語を出力するよう構成されているので、音声認識時間が
従来の方式よりも大幅に短縮される。従って、対象単語
を増やすことができ、対象単語対費用効果が増大する。
また、このことから従来程度の対象単語を対象とする場
合はより安価な装置として供給可能であり、音声認識装
置の普及に寄与し得る。第２の発明によれば、更に、予
備選択とマッチング処理を平行処理するよう構成した場
合には処理速度の一層の向上と認識効率の一層の向上が
可能となる。
ば、予備選択部で音声データと全帯域辞書データとのマ
ッチングにより候補単語を絞り込み、その後マッチング
処理部で帯域別辞書データとのマッチングを行い認識単
語を出力するよう構成されているので、音声認識時間が
従来の方式よりも大幅に短縮される。従って、対象単語
を増やすことができ、対象単語対費用効果が増大する。
また、このことから従来程度の対象単語を対象とする場
合はより安価な装置として供給可能であり、音声認識装
置の普及に寄与し得る。第２の発明によれば、更に、予
備選択とマッチング処理を平行処理するよう構成した場
合には処理速度の一層の向上と認識効率の一層の向上が
可能となる。
【図１】本発明に基づく音声認識装置のブロック図であ
る。
る。
【図２】Ａ／Ｄ変換特性は８bitの非線形特性図であ
る。
る。
【図３】マッチング部の構成を示すブロック図である。
【図４】認識部の音声認識動作を示すフローチャートで
ある。
ある。
【図５】音声パターンの例（全帯域）である。
【図６】認識部の音声認識動作を示すフローチャートで
ある。
ある。
【図７】従来方式の音声認識装置のマッチング部のブロ
ック図である。
ック図である。
１ 音声認識装置 ２ 分析部 ５ 制御部 ３２ 辞書生成部 ３５ マッチング部 ３６ 予備選択部 ３７ バッファ（記憶部） ３８ マッチング処理部
フロントページの続き (56)参考文献 特開 平３−167600（ＪＰ，Ａ) 特開 昭59−124390（ＪＰ，Ａ) 特開 昭59−148098（ＪＰ，Ａ) 特開 昭61−184597（ＪＰ，Ａ) 特開 昭62−66300（ＪＰ，Ａ) 特開 平２−195398（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 15/10 G10L 15/02 G10L 15/28
Claims (2)
- 【請求項１】 入力音声を分析して音声データを得る音
声分析部と、 前記音声データから標準音声パターンを生成する辞書生
成部と、 入力した音声データの音声パターンと前記標準音声パタ
ーンとのマッチングを行うマッチング部と、 上記音声分析部、辞書生成部、及びマッチング部を制御
する制御部と、を備えた音声認識装置であって、 前記辞書生成部が、 音声データを所定の帯域別に分析し帯域別辞書データを
作成する帯域別分析手段と、 音声データを音声データの全帯域にわたって分析し全帯
域辞書データを作成する全帯域分析手段と、を有し、 前記マッチング部が、 音声データを記憶する記憶部と、 前記記憶された音声データと全帯域辞書データとのマッ
チングにより得た類似度が第１のしきい値より大きい１
つ以上の候補単語を選択する予備選択部と、 前記候補単語と前記帯域別辞書データとのワードスポッ
ティング法によるマッチング処理により前記候補単語の
内から類似度が第２のしきい値より大きい候補単語を認
識単語として出力するマッチング処理部と、を有するこ
とを特徴とする音声認識装置。 - 【請求項２】 請求項１記載の音声認識装置において、
候補単語の選択処理を行う予備選択部の動作と、候補単
語の内からの認識単語の抽出処理を行うマッチング処理
部の動作とが並列的に実行されることを特徴とする音声
認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11395193A JP3352144B2 (ja) | 1993-04-16 | 1993-04-16 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11395193A JP3352144B2 (ja) | 1993-04-16 | 1993-04-16 | 音声認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06301399A JPH06301399A (ja) | 1994-10-28 |
| JP3352144B2 true JP3352144B2 (ja) | 2002-12-03 |
Family
ID=14625301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11395193A Expired - Lifetime JP3352144B2 (ja) | 1993-04-16 | 1993-04-16 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3352144B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100395222B1 (ko) * | 1998-12-12 | 2003-10-17 | 엘지전자 주식회사 | 음성사서함서비스(브이엠에스)를 위한 음성인식시스템 |
| JP5037041B2 (ja) * | 2006-06-23 | 2012-09-26 | アルパイン株式会社 | 車載用音声認識装置及び音声コマンド登録方法 |
| JP4867622B2 (ja) | 2006-11-29 | 2012-02-01 | 日産自動車株式会社 | 音声認識装置、および音声認識方法 |
-
1993
- 1993-04-16 JP JP11395193A patent/JP3352144B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06301399A (ja) | 1994-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3114975B2 (ja) | 音素推定を用いた音声認識回路 | |
| US4811399A (en) | Apparatus and method for automatic speech recognition | |
| CN111816218A (zh) | 语音端点检测方法、装置、设备及存储介质 | |
| US7328076B2 (en) | Generalized envelope matching technique for fast time-scale modification | |
| JPS59121100A (ja) | 連続音声認識装置 | |
| JP2980026B2 (ja) | 音声認識装置 | |
| US4989249A (en) | Method of feature determination and extraction and recognition of voice and apparatus therefore | |
| JP3352144B2 (ja) | 音声認識装置 | |
| Jeyalakshmi et al. | HMM and K-NN based automatic musical instrument recognition | |
| JP3699912B2 (ja) | 音声特徴量抽出方法と装置及びプログラム | |
| JP2002062892A (ja) | 音響分類装置 | |
| JP2000099077A (ja) | 音声認識装置 | |
| JP2002244697A (ja) | 音声認証装置、音声認証方法、及びプログラム | |
| Ezers et al. | Musical Instruments Recognition App | |
| JP2001083978A (ja) | 音声認識装置 | |
| JP2002372982A (ja) | 音響信号分析方法及び装置 | |
| JP3065088B2 (ja) | 音声認識装置 | |
| JPH03223799A (ja) | 分離しているワード、特に非常に大きい語いの認識方法と装置 | |
| Susithra et al. | Simulink Implementation of MFCC for Audio Signal Processing Applications | |
| JPH04219798A (ja) | 話者適応音声認識方法および装置 | |
| JPH05134697A (ja) | 音声認識装置 | |
| JPH04204899A (ja) | 音声認識装置 | |
| CN118136019A (zh) | 音频数据的音律解析播放方法、设备及存储介质 | |
| JPH01319099A (ja) | 音声認識装置 | |
| JPH09198078A (ja) | 音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080920 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090920 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100920 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110920 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110920 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120920 Year of fee payment: 10 |