JP3430265B2 - 日本語音声認識方法 - Google Patents
日本語音声認識方法Info
- Publication number
- JP3430265B2 JP3430265B2 JP26516592A JP26516592A JP3430265B2 JP 3430265 B2 JP3430265 B2 JP 3430265B2 JP 26516592 A JP26516592 A JP 26516592A JP 26516592 A JP26516592 A JP 26516592A JP 3430265 B2 JP3430265 B2 JP 3430265B2
- Authority
- JP
- Japan
- Prior art keywords
- language model
- likelihood
- recognition
- statistical language
- character
- 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
Landscapes
- Character Discrimination (AREA)
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、日本語音声認識方法に
係り、特に入力音声を特徴パラメータの時系列とし、日
本語テキストデータベースより作成された生起順序に関
する統計的言語モデルを用いて入力音声の特徴パラメー
タについて複数の音声認識候補を選出し、これら各音声
認識候補について、隠れマルコフモデルの標準パターン
と入力音声の特徴パラメータとをそれぞれ照合して、生
起の尤度と類似の尤度との総合尤度の高い候補を認識結
果とする日本語音声認識方法に関する。 【０００２】 【従来の技術】従来、統計的言語モデルを用いて自然言
語解析性能や音声認識性能を向上させる試みが行われて
きた。例えば、日本語音声認識に関する統計的言語モデ
ル（例えば、Bahl, L.他、 A Statistical Approach to
Continuous Speech Recognition“IEEE”Trans. On PA
MI(1983)) 及び日本語統計モデル( 例えば、山田他「か
な漢字の文字連鎖情報を利用した統計的言語モデル」電
子情報通信学会技術報告SP91-26(1991)) 等がある。 【０００３】従来の隠れマルコフモデル及び統計的言語
モデルを用いた音声認識方法として、学習用テキストデ
ータベースより、音素の生起順序に関する統計的言語モ
デルと隠れマルコフモデルの音素標準パターンを予め作
成しておき、入力音声に対し、統計的言語モデルを用い
て、既に認識した直前の複数の音素から、次に生起する
確率の高い複数の音素候補を選出し、これら選出した音
素候補のそれぞれについてその音素標準パターンと入力
音声とを照合して、生起尤度と標準パターンとの類似度
の総合的尤度の最も高い音素を認識結果として出力する
ことが提案されている。 【０００４】 【発明が解決しようとする課題】しかしながら、従来の
隠れマルコフモデル及び統計的言語モデルを用いた音声
認識方法では、任意の音声を認識しようとする場合に
は、認識探索範囲が膨大であり、多くの処理時間が必要
となる問題がある。 【０００５】本発明は、上記の点に鑑みなされたもの
で、任意の音声の認識を効率よく高速化することができ
る日本語音声認識方法を提供することを目的とする。 【０００６】 【課題を解決するための手段】図１は本発明の原理を説
明するための図を示す。 【０００７】本発明は、入力音声の時系列の特徴パラメ
ータに変換し、入力音声の時系列の特徴パラメータにつ
いて、複数の音声認識候補を選出し、これら各音声認識
候補について、隠れマルコフモデルの標準パターンと特
徴パラメータとをそれぞれ照合した類似の尤度と、学習
テキストデータベース２０より作成された生起順序に関
する統計的言語モデルを用いて求めた生起の尤度との総
合尤度の高い候補を認識結果とする日本語音声認識方法
において、統計的言語モデルとして、学習テキストデー
タベース２０から仮名及び漢字の生起順序に関する統計
的言語モデル２１を作成し（ステップ１００）、学習テ
キストデータベース２０と統計的言語モデル２１を用い
て、学習テキストデータベース２０とは別の新規のテキ
ストデータを自動的に作成し（ステップ１０１）、新規
のテキストデータと学習テキストデータベース２０よ
り、入力音声の認識探索範囲を設定し（ステップ１０
２）、入力音声の認識候補文字列が認識探索範囲に含ま
れている場合に、統計的言語モデル２１から求められる
文字の出現順序に関する生起尤度と、文字の音素列の標
準パターンとの類似性を示す尤度との和を総合尤度とし
て求め、総合尤度から認識結果文字を出力する。 【０００８】 【作用】本発明は、学習用の日本語テキストデータベー
スから得られた統計的言語モデルと学習用の日本語テキ
ストデータベースより生成された新規テキストにより入
力された音声の認識探索範囲を制約する。これにより、
全入力音声の特徴パラメータを認識する必要がないた
め、認識処理の高速化が図れる。 【０００９】 【実施例】図２は本発明の一実施例のブロック図を示
す。 【００１０】本発明の方法は以下に示すシステム構成に
より実施する。本発明は、入力端子１、特徴抽出部２、
認識部３、標準パターンメモリ４、学習用テキストデー
タベース５、統計的言語モデル６、新規に作成したテキ
ストデータ７、認識探索範囲設定部８、文字テーブル
９、文字音素交換規則１０、認識結果出力部１１により
構成される。 【００１１】入力端子１は、入力音声を入力する。特徴
抽出部２は、入力音声信号をディジタル信号に変換し、
ＬＰＣケプストラム分析し、１フレーム毎に特徴パラメ
ータに変換する。認識部３は入力音声の特徴パラメータ
の類似度を求める。標準パターンメモリ４は、音素標準
パターンが記憶されているメモリであり、学習用テキス
トデータベース５より特徴パラメータと同一の形式で、
隠れマルコフモデルの音素標準パターンが生成され、記
憶されている。統計的言語モデルメモリ６は、文字の生
起順序に関する統計的言語モデルが生成され、記憶され
る。新規テキストデータ７は、学習用テキストデータベ
ース５と統計的言語モデル６により新規に作成される。
認識探索範囲設定部８は学習用テキストデータベース５
と新規テキストデータ７より認識探索範囲を設定し、そ
の認識探索範囲は、例えば、文字の２つ組、あるいは３
つ組みで設定される。文字テーブル９は複数の文字候補
に対応する標準パターンを標準パターンメモリ４から読
み出すための認識対象となる仮名及び漢字の文字候補が
登録されている。文字音素変換規則１０は、文字テーブ
ル９を用いて選出した文字候補を文字音素列に変換する
ための規則である。 【００１２】図３は本発明の一実施例の動作を説明する
ためのフローチャートを示す。 【００１３】ステップ１：予め、学習用テキストデータ
ベース５より、特徴抽出部２が変換した特徴パラメータ
と同一の形式で隠れマルコフモデルの音素標準パターン
を生成し、標準パターンメモリ４に記憶しておく。 【００１４】ステップ２：学習用テキストデータベース
５より文字の生起順序に関する統計的言語モデル６を生
成し、メモリに記憶しておく。 【００１５】ステップ３：学習用テキストデータベース
５とその統計的言語モデル６より新規テキストデータ７
を作成する。学習用テキストデータベース５と新規テキ
ストデータ７より認識探索範囲設定部８は、入力音声の
認識探索範囲を設定する。認識探索範囲は、例えば、文
字の２つ組、或いは３つ組である。 【００１６】ここまでのステップは予め処理されている
ものとして、以下の各ステップを説明する。 【００１７】ステップ４：入力端子１より音声を入力す
る。 【００１８】ステップ５：入力端子１より入力された音
声は、特徴抽出部２において、ディジタル信号に変換さ
れ、さらにＬＰＣケプストラム分析された後、１フレー
ム（１時点、例えば１０ミリ秒）毎に時系列に特徴パラ
メータに変換される。この特徴パラメータは例えばＬＰ
Ｃケプストラム係数がある。 【００１９】ステップ６：認識部３は、入力音声（特徴
パラメータ）の文字候補が認識探索範囲設定部８で設定
された認識探索範囲に含まれているか判断し、認識探索
範囲外であれば、ステップ４に移行する。 【００２０】ステップ７：入力音声の文字候補で文字テ
ーブル９を参照し、登録されている文字候補に対応する
入力音声の文字候補でない場合にはステップ４に移行す
る。 【００２１】ステップ８：認識部３は、入力音声の文字
候補が文字テーブルに対応する文字候補である場合は、
その文字候補を文字音素変換規則１０により音素のパタ
ーンに変換する。 【００２２】ステップ９：ステップ８で変換されたパタ
ーンを用いて標準パターンメモリ４から類似するパター
ンを読み出す。 【００２３】ステップ１０：認識部３は、標準パターン
メモリ４とパターン（入力音声の特徴パラメータ）の類
似度（尤度）を求める。 【００２４】ステップ１１：認識部３は、上記の文字候
補の生起尤度を統計的言語モデル６より求める。 【００２５】ステップ１２：認識部３は、認識文字を得
る。 【００２６】ステップ１３：認識部３は、入力音声より
選出された仮名・漢字候補の音素列と標準パターンメモ
リ４内の標準パターンとの照合を行い、その類似性によ
る総合尤度より認識結果文字を得る処理（ステップ４〜
ステップ１２）を入力音声の音声区間が終わるまで繰り
返す。 【００２７】ステップ１４：認識部３は、最後にそれま
でに得られた認識結果文字列を認識結果出力部１１に送
り、その順に仮名・漢字系列として出力する。 【００２８】即ち、入力音声のｉ番目の文字を認識する
には、認識部３は、統計的言語モデル６から文字（仮名
・漢字）の出現順序に関するトライグラムを用いて（ｉ
−２）番目と（ｉ−１）番目との各文字の認識結果に基
づいて、（ｉ−２）番目、（ｉ−１）番目、ｉ番目の文
字系列が認識探索範囲に存在すれば、ｉ番目に出現する
文字の類似度を求め、その文字の音素列の標準パターン
との類似性を示す尤度との和を総合尤度とする。 【００２９】次に、新規テキストデータ７の作成方法を
説明する。 【００３０】図４は、本発明の一実施例の学習テキスト
を説明するための図である。 【００３１】新規テキストの作成方法は、まず、予めＭ
個の文節からなる学習テキストを与える。いま、ｍ番目
の文節がＮ個の文字より構成されており、ｎ番目とｎ＋
１番目の文字の境界がその文節を分割する尤度を γ（ｎ，ｍ）＝α（ｎ，ｍ）＋β（ｎ＋１，ｍ） と定義する。上記のαは語頭から分割点ｄまでの尤度で
あり、βは語尾から分割点ｄまでの尤度である。ここで
は、文字トライグラムを用いて、 【数１】 ここで、ｗi はｉ番目の文字、トライグラム確率Ｐ（ｗ
i ｜ｗi-1 ，ｗi-2 ）はｗi-1 ，ｗi-2 の後に文字ｗi
が出現する条件付確率であり、学習テキストより求めた
ものである（但し、ｉ＜１あるいはｉ＞Ｎにおける文字
ｗi は文の始終端を示す）。即ち、αは順方向の平均対
数確率で、βは逆向きの確率である。つまり、文節の分
割点として尤度が高い程、文節を分割する尤度γの値は
大きい。 【００３２】この分割点ｄのすべての集合をＶとする
と、生成アルゴリズムは以下のようになる。 【００３３】図５は本発明の一実施例の新規にテキスト
を生成するアルゴリズムを示すフローチャートである。
また、図６は本発明の一実施例の新規テキストの作成の
例を示す。 【００３４】ステップ１００：分割点ｄのすべての集合
Ｖにおいて、文節を分割する尤度γ（ｎ，ｍ）を最大と
する（ｎmax ，ｍmax ）を求める。図６（ａ）のテキス
トの例においては、最大値をｎmax ＝５，ｍmax ＝１と
する。 【００３５】ステップ１０１：閾値をγthとすると、ス
テップ１００の尤度γ（ｎ，ｍ）が閾値γthより低けれ
ば処理を終了する。 【００３６】ステップ１０２：ｍmax 番目の文節から文
頭からの文字系列と同じ文字系列（１からｎmax まで）
を持つ文節を選択する。 【００３７】ステップ１０３：尤度γ（ｎ，ｍ）が閾値
γthより低ければ、ステップ１０５に移行し、高ければ
ステップ１０４に移行する。 【００３８】ステップ１０４：ステップ１０３におい
て、尤度γ（ｎ，ｍ）が閾値γthより高ければ、ｍmax
番目の文節の文頭からの文字列ｗ1 ，…，…，ｗｎmax
と同じ系列を持つすべての文節でγ（ｎmax ，ｍ）が閾
値以上の文節の語尾ｗｎmax+1……ｗN (m) をテーブル
Ｂに登録する。図６（ｂ）においては「に」がテーブル
Ｂに登録される。 【００３９】ステップ１０５：選択すべき文節がすべて
終了した場合にはステップ１０６に移行し、まだ、文節
が残っている場合にはステップ１０２に移行する。 【００４０】ステップ１０６：ｍmax 番目の文節の文末
から文字系列と同じ文字系列を持つ文節を選択する。 【００４１】ステップ１０７：文節末が文字列ｗn
max+1 ……ｗN max と同じ系列を持つ文節で、γ（ｎ
max ，ｍ）が閾値以下である場合には、ステップ１０９
に移行する。 【００４２】ステップ１０８：文節末が文字列ｗn
max+1 ……ｗn max と同じ系列を持つ文節の頭部を（１
から）テーブルＡに登録する。図６（ｂ）において、
「内閣総理大臣」がテーブルＡに登録される。 【００４３】ステップ１０９：選択すべき文節が全て終
了していない場合にはステップ１０６に戻る。 【００４４】ステップ１１０：選択すべき文節が全て終
了した場合には、テーブルＡとテーブルＢの全組み合わ
せによる新規テキストを生成する。即ち、テーブルＡの
要素と、テーブルＢの要素の全ての組み合わせで得られ
る文節が新規に生成されることになる。図６（ｃ）にお
いて、「内閣総理大臣に」が生成される。 【００４５】ステップ１１１：分割点ｄの全ての集合Ｖ
について、Ｖ＝Ｖ−｛ｎmax,ｍmax｝とし、さらに、テ
ーブルＡとテーブルＢをクリアしてステップ１００に戻
る。 【００４６】なお、本発明は上記の実施例に限定される
ことなく、例えば、学習テキストは文節単位だけでな
く、文章であってもよい。 【００４７】統計的言語モデルもトライグラムに限ら
ず、バイグラムの統計量でもよい。 【００４８】さらに、探索範囲の設定は、文字の２つ
組、４つ組であってもよい。 【００４９】 【発明の効果】上述のように本発明によれば、学習用テ
キストデータとそれに基づいて作成した新規テキストを
用いて認識探索範囲を設定するので、認識処理を高速に
行うことができる。また、学習用テキストデータのみで
探索範囲を設定するよりも効率よく設定することが予期
される。 【００５０】日本語の文節テキストを用いて上記の本発
明の方法を適用した場合について評価した。ここでは分
割点を文字境界としている。まず、学習テキスト５００
０、１００００、１５０００文節を用いてテキストを作
成した。評価用１２０００文節における文字の２つ組、
３つ組に対する学習テキストより得られる２つ組、３つ
組のカバー率を調べた。この結果、学習テキストのみで
はカバーできなかった部分の１／３を新規にカバーで
き、新規テキストを用いることが有効であることが示さ
れた。 【００５１】次に、音声認識実験で本発明の方法を適用
した場合について評価した。学習テキストは１５０００
文節であり、これにより新規テキストを作成し、探索範
囲は文字の３つ組を用いて設定した。特定話者の２２２
文節を認識した結果、探索範囲の設定を行わない場合
は、文節認識性能は７５．５％であった。一方、本発明
の方法により探索範囲を設定すると、認識性能は７８．
７％に向上し、処理速度は三倍に向上した。
係り、特に入力音声を特徴パラメータの時系列とし、日
本語テキストデータベースより作成された生起順序に関
する統計的言語モデルを用いて入力音声の特徴パラメー
タについて複数の音声認識候補を選出し、これら各音声
認識候補について、隠れマルコフモデルの標準パターン
と入力音声の特徴パラメータとをそれぞれ照合して、生
起の尤度と類似の尤度との総合尤度の高い候補を認識結
果とする日本語音声認識方法に関する。 【０００２】 【従来の技術】従来、統計的言語モデルを用いて自然言
語解析性能や音声認識性能を向上させる試みが行われて
きた。例えば、日本語音声認識に関する統計的言語モデ
ル（例えば、Bahl, L.他、 A Statistical Approach to
Continuous Speech Recognition“IEEE”Trans. On PA
MI(1983)) 及び日本語統計モデル( 例えば、山田他「か
な漢字の文字連鎖情報を利用した統計的言語モデル」電
子情報通信学会技術報告SP91-26(1991)) 等がある。 【０００３】従来の隠れマルコフモデル及び統計的言語
モデルを用いた音声認識方法として、学習用テキストデ
ータベースより、音素の生起順序に関する統計的言語モ
デルと隠れマルコフモデルの音素標準パターンを予め作
成しておき、入力音声に対し、統計的言語モデルを用い
て、既に認識した直前の複数の音素から、次に生起する
確率の高い複数の音素候補を選出し、これら選出した音
素候補のそれぞれについてその音素標準パターンと入力
音声とを照合して、生起尤度と標準パターンとの類似度
の総合的尤度の最も高い音素を認識結果として出力する
ことが提案されている。 【０００４】 【発明が解決しようとする課題】しかしながら、従来の
隠れマルコフモデル及び統計的言語モデルを用いた音声
認識方法では、任意の音声を認識しようとする場合に
は、認識探索範囲が膨大であり、多くの処理時間が必要
となる問題がある。 【０００５】本発明は、上記の点に鑑みなされたもの
で、任意の音声の認識を効率よく高速化することができ
る日本語音声認識方法を提供することを目的とする。 【０００６】 【課題を解決するための手段】図１は本発明の原理を説
明するための図を示す。 【０００７】本発明は、入力音声の時系列の特徴パラメ
ータに変換し、入力音声の時系列の特徴パラメータにつ
いて、複数の音声認識候補を選出し、これら各音声認識
候補について、隠れマルコフモデルの標準パターンと特
徴パラメータとをそれぞれ照合した類似の尤度と、学習
テキストデータベース２０より作成された生起順序に関
する統計的言語モデルを用いて求めた生起の尤度との総
合尤度の高い候補を認識結果とする日本語音声認識方法
において、統計的言語モデルとして、学習テキストデー
タベース２０から仮名及び漢字の生起順序に関する統計
的言語モデル２１を作成し（ステップ１００）、学習テ
キストデータベース２０と統計的言語モデル２１を用い
て、学習テキストデータベース２０とは別の新規のテキ
ストデータを自動的に作成し（ステップ１０１）、新規
のテキストデータと学習テキストデータベース２０よ
り、入力音声の認識探索範囲を設定し（ステップ１０
２）、入力音声の認識候補文字列が認識探索範囲に含ま
れている場合に、統計的言語モデル２１から求められる
文字の出現順序に関する生起尤度と、文字の音素列の標
準パターンとの類似性を示す尤度との和を総合尤度とし
て求め、総合尤度から認識結果文字を出力する。 【０００８】 【作用】本発明は、学習用の日本語テキストデータベー
スから得られた統計的言語モデルと学習用の日本語テキ
ストデータベースより生成された新規テキストにより入
力された音声の認識探索範囲を制約する。これにより、
全入力音声の特徴パラメータを認識する必要がないた
め、認識処理の高速化が図れる。 【０００９】 【実施例】図２は本発明の一実施例のブロック図を示
す。 【００１０】本発明の方法は以下に示すシステム構成に
より実施する。本発明は、入力端子１、特徴抽出部２、
認識部３、標準パターンメモリ４、学習用テキストデー
タベース５、統計的言語モデル６、新規に作成したテキ
ストデータ７、認識探索範囲設定部８、文字テーブル
９、文字音素交換規則１０、認識結果出力部１１により
構成される。 【００１１】入力端子１は、入力音声を入力する。特徴
抽出部２は、入力音声信号をディジタル信号に変換し、
ＬＰＣケプストラム分析し、１フレーム毎に特徴パラメ
ータに変換する。認識部３は入力音声の特徴パラメータ
の類似度を求める。標準パターンメモリ４は、音素標準
パターンが記憶されているメモリであり、学習用テキス
トデータベース５より特徴パラメータと同一の形式で、
隠れマルコフモデルの音素標準パターンが生成され、記
憶されている。統計的言語モデルメモリ６は、文字の生
起順序に関する統計的言語モデルが生成され、記憶され
る。新規テキストデータ７は、学習用テキストデータベ
ース５と統計的言語モデル６により新規に作成される。
認識探索範囲設定部８は学習用テキストデータベース５
と新規テキストデータ７より認識探索範囲を設定し、そ
の認識探索範囲は、例えば、文字の２つ組、あるいは３
つ組みで設定される。文字テーブル９は複数の文字候補
に対応する標準パターンを標準パターンメモリ４から読
み出すための認識対象となる仮名及び漢字の文字候補が
登録されている。文字音素変換規則１０は、文字テーブ
ル９を用いて選出した文字候補を文字音素列に変換する
ための規則である。 【００１２】図３は本発明の一実施例の動作を説明する
ためのフローチャートを示す。 【００１３】ステップ１：予め、学習用テキストデータ
ベース５より、特徴抽出部２が変換した特徴パラメータ
と同一の形式で隠れマルコフモデルの音素標準パターン
を生成し、標準パターンメモリ４に記憶しておく。 【００１４】ステップ２：学習用テキストデータベース
５より文字の生起順序に関する統計的言語モデル６を生
成し、メモリに記憶しておく。 【００１５】ステップ３：学習用テキストデータベース
５とその統計的言語モデル６より新規テキストデータ７
を作成する。学習用テキストデータベース５と新規テキ
ストデータ７より認識探索範囲設定部８は、入力音声の
認識探索範囲を設定する。認識探索範囲は、例えば、文
字の２つ組、或いは３つ組である。 【００１６】ここまでのステップは予め処理されている
ものとして、以下の各ステップを説明する。 【００１７】ステップ４：入力端子１より音声を入力す
る。 【００１８】ステップ５：入力端子１より入力された音
声は、特徴抽出部２において、ディジタル信号に変換さ
れ、さらにＬＰＣケプストラム分析された後、１フレー
ム（１時点、例えば１０ミリ秒）毎に時系列に特徴パラ
メータに変換される。この特徴パラメータは例えばＬＰ
Ｃケプストラム係数がある。 【００１９】ステップ６：認識部３は、入力音声（特徴
パラメータ）の文字候補が認識探索範囲設定部８で設定
された認識探索範囲に含まれているか判断し、認識探索
範囲外であれば、ステップ４に移行する。 【００２０】ステップ７：入力音声の文字候補で文字テ
ーブル９を参照し、登録されている文字候補に対応する
入力音声の文字候補でない場合にはステップ４に移行す
る。 【００２１】ステップ８：認識部３は、入力音声の文字
候補が文字テーブルに対応する文字候補である場合は、
その文字候補を文字音素変換規則１０により音素のパタ
ーンに変換する。 【００２２】ステップ９：ステップ８で変換されたパタ
ーンを用いて標準パターンメモリ４から類似するパター
ンを読み出す。 【００２３】ステップ１０：認識部３は、標準パターン
メモリ４とパターン（入力音声の特徴パラメータ）の類
似度（尤度）を求める。 【００２４】ステップ１１：認識部３は、上記の文字候
補の生起尤度を統計的言語モデル６より求める。 【００２５】ステップ１２：認識部３は、認識文字を得
る。 【００２６】ステップ１３：認識部３は、入力音声より
選出された仮名・漢字候補の音素列と標準パターンメモ
リ４内の標準パターンとの照合を行い、その類似性によ
る総合尤度より認識結果文字を得る処理（ステップ４〜
ステップ１２）を入力音声の音声区間が終わるまで繰り
返す。 【００２７】ステップ１４：認識部３は、最後にそれま
でに得られた認識結果文字列を認識結果出力部１１に送
り、その順に仮名・漢字系列として出力する。 【００２８】即ち、入力音声のｉ番目の文字を認識する
には、認識部３は、統計的言語モデル６から文字（仮名
・漢字）の出現順序に関するトライグラムを用いて（ｉ
−２）番目と（ｉ−１）番目との各文字の認識結果に基
づいて、（ｉ−２）番目、（ｉ−１）番目、ｉ番目の文
字系列が認識探索範囲に存在すれば、ｉ番目に出現する
文字の類似度を求め、その文字の音素列の標準パターン
との類似性を示す尤度との和を総合尤度とする。 【００２９】次に、新規テキストデータ７の作成方法を
説明する。 【００３０】図４は、本発明の一実施例の学習テキスト
を説明するための図である。 【００３１】新規テキストの作成方法は、まず、予めＭ
個の文節からなる学習テキストを与える。いま、ｍ番目
の文節がＮ個の文字より構成されており、ｎ番目とｎ＋
１番目の文字の境界がその文節を分割する尤度を γ（ｎ，ｍ）＝α（ｎ，ｍ）＋β（ｎ＋１，ｍ） と定義する。上記のαは語頭から分割点ｄまでの尤度で
あり、βは語尾から分割点ｄまでの尤度である。ここで
は、文字トライグラムを用いて、 【数１】 ここで、ｗi はｉ番目の文字、トライグラム確率Ｐ（ｗ
i ｜ｗi-1 ，ｗi-2 ）はｗi-1 ，ｗi-2 の後に文字ｗi
が出現する条件付確率であり、学習テキストより求めた
ものである（但し、ｉ＜１あるいはｉ＞Ｎにおける文字
ｗi は文の始終端を示す）。即ち、αは順方向の平均対
数確率で、βは逆向きの確率である。つまり、文節の分
割点として尤度が高い程、文節を分割する尤度γの値は
大きい。 【００３２】この分割点ｄのすべての集合をＶとする
と、生成アルゴリズムは以下のようになる。 【００３３】図５は本発明の一実施例の新規にテキスト
を生成するアルゴリズムを示すフローチャートである。
また、図６は本発明の一実施例の新規テキストの作成の
例を示す。 【００３４】ステップ１００：分割点ｄのすべての集合
Ｖにおいて、文節を分割する尤度γ（ｎ，ｍ）を最大と
する（ｎmax ，ｍmax ）を求める。図６（ａ）のテキス
トの例においては、最大値をｎmax ＝５，ｍmax ＝１と
する。 【００３５】ステップ１０１：閾値をγthとすると、ス
テップ１００の尤度γ（ｎ，ｍ）が閾値γthより低けれ
ば処理を終了する。 【００３６】ステップ１０２：ｍmax 番目の文節から文
頭からの文字系列と同じ文字系列（１からｎmax まで）
を持つ文節を選択する。 【００３７】ステップ１０３：尤度γ（ｎ，ｍ）が閾値
γthより低ければ、ステップ１０５に移行し、高ければ
ステップ１０４に移行する。 【００３８】ステップ１０４：ステップ１０３におい
て、尤度γ（ｎ，ｍ）が閾値γthより高ければ、ｍmax
番目の文節の文頭からの文字列ｗ1 ，…，…，ｗｎmax
と同じ系列を持つすべての文節でγ（ｎmax ，ｍ）が閾
値以上の文節の語尾ｗｎmax+1……ｗN (m) をテーブル
Ｂに登録する。図６（ｂ）においては「に」がテーブル
Ｂに登録される。 【００３９】ステップ１０５：選択すべき文節がすべて
終了した場合にはステップ１０６に移行し、まだ、文節
が残っている場合にはステップ１０２に移行する。 【００４０】ステップ１０６：ｍmax 番目の文節の文末
から文字系列と同じ文字系列を持つ文節を選択する。 【００４１】ステップ１０７：文節末が文字列ｗn
max+1 ……ｗN max と同じ系列を持つ文節で、γ（ｎ
max ，ｍ）が閾値以下である場合には、ステップ１０９
に移行する。 【００４２】ステップ１０８：文節末が文字列ｗn
max+1 ……ｗn max と同じ系列を持つ文節の頭部を（１
から）テーブルＡに登録する。図６（ｂ）において、
「内閣総理大臣」がテーブルＡに登録される。 【００４３】ステップ１０９：選択すべき文節が全て終
了していない場合にはステップ１０６に戻る。 【００４４】ステップ１１０：選択すべき文節が全て終
了した場合には、テーブルＡとテーブルＢの全組み合わ
せによる新規テキストを生成する。即ち、テーブルＡの
要素と、テーブルＢの要素の全ての組み合わせで得られ
る文節が新規に生成されることになる。図６（ｃ）にお
いて、「内閣総理大臣に」が生成される。 【００４５】ステップ１１１：分割点ｄの全ての集合Ｖ
について、Ｖ＝Ｖ−｛ｎmax,ｍmax｝とし、さらに、テ
ーブルＡとテーブルＢをクリアしてステップ１００に戻
る。 【００４６】なお、本発明は上記の実施例に限定される
ことなく、例えば、学習テキストは文節単位だけでな
く、文章であってもよい。 【００４７】統計的言語モデルもトライグラムに限ら
ず、バイグラムの統計量でもよい。 【００４８】さらに、探索範囲の設定は、文字の２つ
組、４つ組であってもよい。 【００４９】 【発明の効果】上述のように本発明によれば、学習用テ
キストデータとそれに基づいて作成した新規テキストを
用いて認識探索範囲を設定するので、認識処理を高速に
行うことができる。また、学習用テキストデータのみで
探索範囲を設定するよりも効率よく設定することが予期
される。 【００５０】日本語の文節テキストを用いて上記の本発
明の方法を適用した場合について評価した。ここでは分
割点を文字境界としている。まず、学習テキスト５００
０、１００００、１５０００文節を用いてテキストを作
成した。評価用１２０００文節における文字の２つ組、
３つ組に対する学習テキストより得られる２つ組、３つ
組のカバー率を調べた。この結果、学習テキストのみで
はカバーできなかった部分の１／３を新規にカバーで
き、新規テキストを用いることが有効であることが示さ
れた。 【００５１】次に、音声認識実験で本発明の方法を適用
した場合について評価した。学習テキストは１５０００
文節であり、これにより新規テキストを作成し、探索範
囲は文字の３つ組を用いて設定した。特定話者の２２２
文節を認識した結果、探索範囲の設定を行わない場合
は、文節認識性能は７５．５％であった。一方、本発明
の方法により探索範囲を設定すると、認識性能は７８．
７％に向上し、処理速度は三倍に向上した。
【図面の簡単な説明】
【図１】本発明の原理を説明するための図である。
【図２】本発明の一実施例のブロック図である。
【図３】本発明の一実施例の動作を説明するためのフロ
ーチャートである。 【図４】本発明の一実施例の学習テシウトを説明するた
めの図である。 【図５】本発明の一実施例の新規にテキストを生成する
アルゴリズムを示すフローチャートである。 【図６】本発明の一実施例の新規テキストの作成の例を
示す図である。 【符号の説明】 １ 入力端子 ２ 特徴抽出部 ３ 認識部 ４ 標準パターンメモリ ５ 学習用テキストデータベース ６ 統計的言語モデル ７ 新規テキストデータ ８ 認識探索範囲設定部 ９ 文字テーブル １０ 文字音素変換規則 ２０ 日本語テキストデータベース ２１ 統計的言語モデル ２２ 新規テキストデータベース
ーチャートである。 【図４】本発明の一実施例の学習テシウトを説明するた
めの図である。 【図５】本発明の一実施例の新規にテキストを生成する
アルゴリズムを示すフローチャートである。 【図６】本発明の一実施例の新規テキストの作成の例を
示す図である。 【符号の説明】 １ 入力端子 ２ 特徴抽出部 ３ 認識部 ４ 標準パターンメモリ ５ 学習用テキストデータベース ６ 統計的言語モデル ７ 新規テキストデータ ８ 認識探索範囲設定部 ９ 文字テーブル １０ 文字音素変換規則 ２０ 日本語テキストデータベース ２１ 統計的言語モデル ２２ 新規テキストデータベース
フロントページの続き
(56)参考文献 特開 平６−118984（ＪＰ，Ａ)
山田智一，松永昭一，鹿野清宏，か
な・漢字連鎖統計モデルを用いた日本語
Ｄｉｃｔａｔｉｏｎシステム，電子情報
通信学会技術研究報告［音声］，日本,
1992年６月30日，ＳＰ92−32，ｐ．63−
68
松永昭一，山田智一，鹿野清宏，学習
用テキストからの認識探索空間の自動作
成，日本音響学会平成４年度秋季研究発
表会講演論文集，日本，1992年10月５
日，２−１−15，ｐ．107−108
(58)調査した分野(Int.Cl.7，ＤＢ名)
G10L 15/06
G10L 15/14
G10L 15/18
G06K 9/72
ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (1)
- (57)【特許請求の範囲】 【請求項１】 入力音声を時系列の特徴パラメータに変
換し、該入力音声の時系列の特徴パラメータについて、
複数の音声認識候補を選出し、これら各音声認識候補に
ついて、隠れマルコフモデルの標準パターンと該特徴パ
ラメータとをそれぞれ照合した類似の尤度と、学習テキ
ストデータベースより作成された生起順序に関する統計
的言語モデルを用いて求めた生起の尤度との総合尤度の
高い候補を認識結果とする日本語音声認識方法におい
て、 前記統計的言語モデルとして、前記学習テキストデータ
ベースから仮名及び漢字の生起順序に関する統計的言語
モデルを作成し、 前記学習テキストデータベースと前記統計的言語モデル
を用いて、該学習テキストデータベースとは別の新規の
テキストデータを自動的に作成し、 前記新規のテキストデータと前記学習テキストデータベ
ースより、前記入力音声の認識探索範囲を設定し、 入力音声の認識候補文字列が前記認識探索範囲に含まれ
ている場合に、前記統計的言語モデルから求められる文
字の出現順序に関する生起尤度と、該文字の音素列の標
準パターンとの類似性を示す尤度との和を総合尤度とし
て求め、 前記総合尤度から認識結果文字を出力することを特徴と
する日本語音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26516592A JP3430265B2 (ja) | 1992-10-02 | 1992-10-02 | 日本語音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP26516592A JP3430265B2 (ja) | 1992-10-02 | 1992-10-02 | 日本語音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06118985A JPH06118985A (ja) | 1994-04-28 |
| JP3430265B2 true JP3430265B2 (ja) | 2003-07-28 |
Family
ID=17413511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP26516592A Expired - Fee Related JP3430265B2 (ja) | 1992-10-02 | 1992-10-02 | 日本語音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3430265B2 (ja) |
-
1992
- 1992-10-02 JP JP26516592A patent/JP3430265B2/ja not_active Expired - Fee Related
Non-Patent Citations (2)
| Title |
|---|
| 山田智一，松永昭一，鹿野清宏，かな・漢字連鎖統計モデルを用いた日本語Ｄｉｃｔａｔｉｏｎシステム，電子情報通信学会技術研究報告［音声］，日本，１９９２年６月３０日，ＳＰ９２−３２，ｐ．６３−６８ |
| 松永昭一，山田智一，鹿野清宏，学習用テキストからの認識探索空間の自動作成，日本音響学会平成４年度秋季研究発表会講演論文集，日本，１９９２年１０月５日，２−１−１５，ｐ．１０７−１０８ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06118985A (ja) | 1994-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108305634B (zh) | 解码方法、解码器及存储介质 | |
| CN109410914B (zh) | 一种赣方言语音和方言点识别方法 | |
| US6754626B2 (en) | Creating a hierarchical tree of language models for a dialog system based on prompt and dialog context | |
| US5949961A (en) | Word syllabification in speech synthesis system | |
| US6910012B2 (en) | Method and system for speech recognition using phonetically similar word alternatives | |
| US7421387B2 (en) | Dynamic N-best algorithm to reduce recognition errors | |
| JP3299408B2 (ja) | 動的特徴を使用した音声認識方法及び装置 | |
| EP3489951B1 (en) | Voice dialogue apparatus, voice dialogue method, and program | |
| US5764851A (en) | Fast speech recognition method for mandarin words | |
| KR100573870B1 (ko) | 대화체 연속음성인식을 위한 의사형태소 기반다중발음사전 구축 방법 및 그 시스템과 이를 이용한대화체 음성인식 방법 | |
| JP3444108B2 (ja) | 音声認識装置 | |
| JP3364631B2 (ja) | 統計的言語モデル生成装置及び音声認識装置 | |
| JP2886121B2 (ja) | 統計的言語モデル生成装置及び音声認識装置 | |
| JP2938865B1 (ja) | 音声認識装置 | |
| JP3430265B2 (ja) | 日本語音声認識方法 | |
| JP2002082690A (ja) | 言語モデル生成方法、音声認識方法及びそのプログラム記録媒体 | |
| JP3240691B2 (ja) | 音声認識方法 | |
| JP3009709B2 (ja) | 日本語音声認識方法 | |
| JP2968792B1 (ja) | 統計的言語モデル生成装置及び音声認識装置 | |
| JPH0612091A (ja) | 日本語音声認識方法 | |
| JP2001188556A (ja) | 音声認識方法及び装置 | |
| JPH04291399A (ja) | 音声認識方法 | |
| JP3001334B2 (ja) | 認識用言語処理装置 | |
| JP3818154B2 (ja) | 音声認識方法 | |
| JPH06118984A (ja) | 日本語テキスト自動拡張方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |