JP3446666B2 - 音声認識用音響モデルの話者適応装置及び方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識用音響モ
デルを用いた話者適応装置に関し、特に適応発声に応じ
た話者クラスタリングデータを用いた話者適応装置及び
方法に関する。

【０００２】

【従来の技術】話者クラスタリングを用いた話者適応手
法、音声認識における音響モデルを特定の話者に適応さ
せる手法として、例えば「電子情報通信学会論文誌 Vo
l．J78-D-II No.1の第１頁〜第９頁、１９９５年」に掲
載された「木構造話者クラスタリングを用いた話者適
応」と題する論文が参照される。

【０００３】この種の話者クラスタリングは、上記論文
にも記載されているように、あらかじめ多数の話者につ
いて各話者の発声で作成された特定話者用標準パターン
を作成し、標準パターン間の距離を定義した上、K-mean
s法など公知のクラスタリング手法を用いて、話者単位
のクラスタリングを行なっている。

【０００４】また話者クラスタリングを用いた話者適応
は、クラスタ毎に属するすべての話者発声を用いて学習
された標準パターンを、適応話者発声を用いて尤度など
で選択し、これを適応後の標準パターンとしている。

【０００５】

【発明が解決しようとする課題】しかしながら、上記し
た従来の手法は下記記載の問題点を有している。

【０００６】話者のすべての発声（音素）を一まとめに
して分類している、ということである。

【０００７】これに対し、ある話者Ａと話者Ｂは音素１
の発声に対しては似ているが、音素２の発声に関しては
話者Ａは話者Ｂとは似ていず、別の話者Ｃと似ている、
という場合もあり得る。

【０００８】このように、音素毎に話者クラスタリング
の最適なクラスタ分けが異なる可能性がある。このた
め、クラスタリング結果は、おおざっぱになり、良い話
者適応ができない可能性がある。

【０００９】したがって本発明は、上記問題点に鑑みて
なされたものであって、その目的は、音素のできるだけ
細かいグループ毎に話者クラスタリングを行ない、適切
な話者クラスタを作成し選択することで、より緻密な話
者適応を可能とする装置及び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】前記目的を達成する本発
明の新話者の音声（「適応話者発声」という）を用いて
話者用の標準パターンを自動作成する話者適応化装置に
おいて、適応話者の適応発声データを音素のグループに
分ける音素グルーピング手段と、各音素グループ毎に、
複数の標準パターンを記憶する記憶手段と、前記音素グ
ループに対応する適応話者発声との類似性から標準パタ
ーンを選択する選択手段と、を備える。

【００１１】また、本発明は、適応話者の適応発声デー
タを音素のグループに分ける音素グルーピング手段と、
各音素グループ毎に、複数の学習発声情報を記憶する記
憶手段と、前記音素グループに対応する適応話者発声と
の類似性から学習発声情報を選択する選択手段と、を備
える。

【００１２】本発明においては、音素グループ毎の複数
の標準パターンまたは学習発声情報を、話者クラスタリ
ングによって作成する。

【００１３】また、本発明において、前記音素グルーピ
ング手段が、音素のグループ分けにおいて、音素の階層
的分類木を用いる。あるいは、前記音素グルーピング手
段が、音素のグループ分けにおいて、各音素グループに
おける適応話者の発声量に応じて音素分類木上で適切な
階層のグループ分けを選ぶ。

【００１４】

【発明の実施の形態】本発明の実施の形態について説明
する。本発明は、話者の発声を一まとめにして話者クラ
スタリングするのでなく、音素のグループ毎に、話者ク
ラスタリングを行ない、音素の適切な話者クラスタを作
成して選択することで、より緻密な話者適応を行なうよ
うにしたものである。本発明の話者適応装置は、その好
ましい実施の形態において、音素のグループ分けを適応
発声データに応じて細かく行なう音素グルーピング手段
（図１の２１）と、各音素グループに対して個別にクラ
スタリング、選択を行う話者クラスタリング手段（図１
の２２）と、クラスタ選択手段（図１の２３）とを備
え、音素別の話者クラスタ選択による話者適応を実現し
ている。

【００１５】本発明の話者適応装置は、すべての音素の
グループ分けに対して、予め話者クラスタリングを行っ
て記憶装置の記憶しておくようにしてもよい。

【００１６】本発明は、その好ましい実施の形態におい
て、ＨＭＭ（Hidden Markov Model：隠れマルコフモ
デル）を適応する対象の適応話者の発声データを記憶す
る適応話者発声データ記憶部と、音素の分類情報が予め
記憶されている音素分類木記憶部と、複数話者の発声が
予め記憶されている学習話者発声データ記憶部と、適応
する元のＨＭＭが記憶されている適応ＨＭＭ記憶部と、
適応話者発声データを前記適応話者発声データ記憶部よ
り読み出し、発声数の少ない音素について、類似してい
る音素を、前記音素分類木記憶部の分類に基づきグルー
プ化し、複数の音素グループを出力する音素グルーピン
グ手段（２１）と、前記音素グルーピング手段から出力
された複数の音素グループのそれぞれについて、学習話
者発声データを前記学習話者発声データ記憶部より読み
出して、話者単位で、クラスタリングを行ない、クラス
タ化された学習話者発声データを、音素グループ毎に出
力する話者クラスタリング手段（２２）と、音素グルー
プ毎に、その音素グループに対応する適応話者発声デー
タを、前記適応話者発声データ記憶部より読み出して、
入力された学習話者発声データのクラスタのそれぞれと
比較し、最も適当なクラスタを出力するクラスタ選択手
段（２３）と、音素グループ毎の学習話者発声データク
ラスタを用いて、適応元のＨＭＭを、前記適応ＨＭＭ記
憶部より読み出し、適応を行ないＨＭＭを出力するＨＭ
Ｍ適応手段（２４）と、を備える。これらの各手段２１
〜２４は、データ処理装置で実行されるプログラムによ
りその処理が実現される。この場合、該プログラムを記
録した記録媒体もしくは通信媒体から該プログラムを読
み出し、データ処理装置で実行することで本発明を実施
することができる。

【００１７】また本発明は、その好ましい実施の形態に
おいて、ＨＭＭ（Hidden MarkovModel：隠れマルコフ
モデル）を適応する対象の適応話者の発声データを記憶
する適応話者発声データ記憶部と、音素の分類情報及
び、話者クラスタリング情報を記憶する音素分類木及び
クラスタ情報記憶部と、複数話者の発声が予め記憶され
ている学習話者発声データ記憶部と、適応する元のＨＭ
Ｍが記憶されている適応ＨＭＭ記憶部と、入力された適
応話者発声データを前記適応話者発声データ記憶部より
得て、発声数の少ない音素について似ている音素を前記
音素分類木及びクラスタ情報記憶部の分類に基づきグル
ープ化し、複数の音素グループと同時に、前記音素分類
木及びクラスタ情報記憶部から得たそれに対する話者ク
ラスタリング情報を出力する音素グルーピング選択手段
（２１Ａ）と、受け取った音素グループ及び話者クラス
タリング情報毎に、前記音素グループに対応する適応話
者発声データを前記適応話者発声データ記憶部より読み
出し、話者クラスタリング情報に対して必要に応じて学
習話者発声データを前記学習話者発声データ記憶部から
読み出し、クラスタごとにＨＭＭを構成し、もっとも適
当なクラスタの情報を出力するクラスタ選択手段（２
３）と、入力の音素グループ毎学習話者発声データクラ
スタの情報から、必要に応じて学習データを前記学習話
者発声データ記憶部から読み出し、適応元のＨＭＭを前
記適応ＨＭＭ記憶部より読み出し、適応を行ないその結
果のＨＭＭを出力するＨＭＭ適応手段（２４）と、を備
える。これらの各手段２１Ａ、２３、２４は、データ処
理装置で実行されるプログラムによりその処理が実現さ
れる。この場合、該プログラムを記録した記録媒体もし
くは通信媒体から該プログラムを読み出し、データ処理
装置で実行することで本発明を実施することができる。

【００１８】また本発明の方法は、以下のステップより
なる。

【００１９】ステップ１：適応話者発声データを、ＨＭ
Ｍ（Hidden Markov Model：隠れマルコフモデル）を
適応する対象の適応話者の発声データを記憶する適応話
者発声データ記憶部より読み出し、発声数の少ない音素
について、類似している音素を、音素の分類情報が予め
記憶されている音素分類木記憶部の分類に基づきグルー
プ化し、複数の音素グループを出力する。

【００２０】ステップ２：前記ステップ１で出力された
複数の音素グループのそれぞれについて、学習話者発声
データを、複数話者の発声が予め記憶されている学習話
者発声データ記憶部より読み出して、話者単位で、クラ
スタリングを行ない、クラスタ化された学習話者発声デ
ータを、音素グループ毎に出力する。

【００２１】ステップ３:音素グループ毎に、その音素
グループに対応する適応話者発声データを、前記適応話
者発声データ記憶部より読み出して、入力された学習話
者発声データのクラスタのそれぞれと比較し、最も適当
なクラスタを出力する。

【００２２】ステップ４：音素グループ毎の学習話者発
声データクラスタを用いて、適応元のＨＭＭを、適応す
る元のＨＭＭが記憶されている適応ＨＭＭ記憶部より読
み出し、適応を行ないＨＭＭを出力する。

【００２３】また本発明の方法は、以下のステップより
なる。

【００２４】ステップ１：入力された適応話者発声デー
タを、ＨＭＭ（Hidden Markov Model：隠れマルコフ
モデル）を適応する対象の適応話者の発声データを記憶
する適応話者発声データ記憶部より得て、発声数の少な
い音素について似ている音素を、音素の分類情報及び、
話者クラスタリング情報を記憶する音素分類木及びクラ
スタ情報記憶部の分類に基づきグループ化し、複数の音
素グループと同時に、前記音素分類木及びクラスタ情報
記憶部から得たそれに対する話者クラスタリング情報を
出力する。

【００２５】ステップ２：ステップ１から受け取った音
素グループ及び話者クラスタリング情報毎に、前記音素
グループに対応する適応話者発声データを、複数話者の
発声が予め記憶されている適応話者発声データ記憶部よ
り読み出し、話者クラスタリング情報に対して必要に応
じて学習話者発声データを前記学習話者発声データ記憶
部から読み出し、クラスタごとにＨＭＭを構成し、もっ
とも適当なクラスタの情報を出力する。

【００２６】ステップ３：ステップ２で出力された音素
グループ毎の学習話者発声データクラスタの情報から、
必要に応じて学習データを前記学習話者発声データ記憶
部から読み出し、適応元のＨＭＭを、適応する元のＨＭ
Ｍが記憶されている適応ＨＭＭ記憶部より読み出し、適
応を行ないその結果のＨＭＭを出力する。

【００２７】

【実施例】次に、本発明の実施例について図面を参照し
て詳細に説明する。図１は、本発明の第１の実施例の構
成を示す図である。図１を参照すると、本発明の第１の
実施例は、発声データ、標準パターンＨＭＭ（隠れマル
コフモデル）などを保存する記憶装置１と、データ処理
装置２とを備えて構成されている。

【００２８】記憶装置１は、適応話者発声データ記憶部
１１と、音素分類木記憶部１２と、学習話者発声データ
記憶部１３と、適応ＨＭＭ記憶部１４とを含む。

【００２９】データ処理装置２は、音素グルーピング手
段２１と、話者クラスタリング手段２２と、クラスタ選
択手段２３と、ＨＭＭ適応手段２４とを含む。

【００３０】不図示の音声入力手段から入力されディジ
タル信号に変換された、ＨＭＭを適応する対象の適応話
者の発声データを、適応話者発声データ記憶部１１に記
憶される。

【００３１】音素分類木記憶部１２には全音素の分類情
報が予め記憶されている。

【００３２】学習話者発声データ記憶部１３には、多数
の話者の発声が予め記憶されている。適応ＨＭＭ記憶部
１４には、適応する元のＨＭＭが記憶される。

【００３３】音素グルーピング手段２１は、適応話者発
声データを適応話者発声データ記憶部１１より読み出
し、発声数の少ない音素について、類似している音素
を、音素分類木記憶部１２の分類に基づきグループ化
し、複数の音素グループを出力する。

【００３４】話者クラスタリング手段２２は、音素グル
ーピング手段２１から出力された複数の音素グループの
それぞれについて、学習話者発声データを学習話者発声
データ記憶部１２より読み出して、話者単位で、クラス
タリングを行ない、クラスタ化された学習話者発声デー
タを、音素グループ毎に出力する。

【００３５】クラスタ選択手段２３は、音素グループ毎
に、その音素グループに対応する適応話者発声データ
を、適応話者発声データ記憶部１１より読み出して、入
力された学習話者発声データのクラスタのそれぞれと比
較し、最も適当なクラスタを出力する。

【００３６】ＨＭＭ適応手段２４は、音素グループ毎の
学習話者発声データクラスタを用いて、適応元のＨＭＭ
を、適応ＨＭＭ記憶部１３より読み出し、適応を行な
い、その結果のＨＭＭを出力する。

【００３７】次に、図１を参照して、本実施例の全体の
動作について詳細に説明する。

【００３８】音素グルーピング手段２１で音素グループ
を作るに際して、音素分類木記憶部１２に記憶された音
素分類木を用いる。図３に、音素分類木の具体的な一例
を示す。図３を参照すると、ルートに全音素があり、そ
の子ノードに子音、母音があり、子音は、その子ノード
として有声音、無声音を持ち、母音は「Ａ」、「Ｉ」、
「Ｕ」、「Ｅ」、「Ｏ」をリーフとして持つ。以下、音
素グルーピング手段２１の動作を説明する。

【００３９】まず、音素分類木の最上階層のノードに音
素を分類し、それらのノード全てについて下記のステッ
プ（ａ）以下の探索を開始する。図３に示す例では、最
上階層のノードは一つであるため、そこに全音素が分類
され、最初に唯一の探索ノードとして探索が開始され
る。

【００４０】ステップａ：各ノードにおいて、 ステップｂ：子ノードがない場合、そのノードを分類結
果の一つとし、そのノードの探索を終了する。

【００４１】ステップｃ：子ノードがある場合、そのノ
ードの子ノードそれぞれについて各音素分類に含まれる
全音素の適応話者発声を適応話者発声データ記憶部１１
から探し、発声数が十分あるかどうかを調べてゆく。

【００４２】ここで、「十分ある」とは、個数あるいは
個数とその記述長の線形和が、予め定められた閾値以上
であることをいう。

【００４３】その後、 ステップｄ：一つの子ノードでも発声数が十分量ない場
合、その子ノードの親ノードを分類結果の一つとし、そ
のノードの探索を終了する。

【００４４】ステップｅ：すべての子ノードで発声数が
十分量ある場合、その各子ノードについて、ステップａ
以降の探索を再帰的に行なう。

【００４５】ステップｆ：すべてのノードでの探索が終
われば、出力を行ない動作を終了する。

【００４６】以上の処理により、音素グルーピング手段
２１は、各音素分類結果に対する適応話者発声が少なく
なりすぎない程度に細かく音素をグループ分けできる。

【００４７】話者クラスタリング手段２２は、ノード集
合の個々に対し、そのノードに分類されている音素に対
応する学習話者発声データを学習話者発声データ記憶部
１３よりすべて読み出し、それらの音素のＨＭＭを作成
し、話者クラスタリングを行い、その結果、音素グルー
プ毎にクラスタに別れた学習話者発話データを出力す
る。

【００４８】クラスタ選択手段２３は、音素グループ毎
に、クラスタ分けされた学習データについてＨＭＭを作
成し、適応発声に対する尤度のもっとも大きいものを選
択し、その学習発声データを出力する。結果、すべての
音素に対し学習データが揃う。

【００４９】ＨＭＭ適応手段２４は、入力の学習発声を
用いて、適応ＨＭＭ記憶部１４のＨＭＭを話者適応ある
いは特定話者学習し、話者適応後のＨＭＭを出力する。

【００５０】なお、適応ＨＭＭ記憶部１４を用いずに、
入力の学習発声のみを用いてＨＭＭを作成する場合して
もよい。

【００５１】次に本発明の第２の実施例について説明す
る。図２は、本発明の第２の実施例の構成を示す図であ
る。図２を参照すると、本発明の第２の実施例は、前記
第１の実施例と同様、発声データ、ＨＭＭなどを保存す
る記憶装置１とデータ処理装置２を備えて構成されてお
り、記憶装置１は、適応話者発声データ記憶部１１と、
音素分類木及対応する話者クラスタ情報記憶部１５と、
学習話者発声データ記憶部１３と、適応ＨＭＭ記憶部１
４とを含む。

【００５２】データ処理装置２は、音素グルーピング手
段２１と、クラスタ選択手段２２と、ＨＭＭ適応手段２
３とを含む。

【００５３】前記第１の実施例と相違している点は、音
素分類木及び対応する話者クラスタ情報記憶部１５であ
る。これは、全音素の分類情報の他に、分類それぞれに
対して予め前記第１の実施例と同様な話者クラスタリン
グを行なっておき、その結果の情報を付加した木が記録
されている。

【００５４】ここで、話者クラスタリング結果の情報と
は、学習話者発声データをクラスタに分割できる情報を
さす。この場合、学習話者発声データ記憶部１３に、同
データを記憶させ、必要に応じて各部で読み込むものと
する。

【００５５】また、話者クラスタリング結果の情報を、
分割された学習発声とすると、学習話者発声データ記憶
部１３は必要ない。

【００５６】図４は、この例を示す図であり、話者クラ
スタリング結果の情報を、クラスタに分割された学習発
声によって作成されたＨＭＭとした場合の構成を示して
いる。図４を参照すると、音素分類木と、各音素分類に
ついて、話者クラスタリング結果の情報をもとにクラス
タに分割された学習発声によって作成されたＨＭＭを記
憶する記憶部１６を備えている。図４に示す実施例にお
いても、学習話者発声データが、それによって作成され
たＨＭＭを指すものとすれば、以下の説明がそのまま当
てはまる。

【００５７】適応話者発声データ記憶部１１は、ＨＭＭ
を適応する対象の話者の発声データを記憶している。適
応ＨＭＭ記憶部１４は適応する元のＨＭＭが記憶されて
いる。

【００５８】データ処理装置２における処理の流れを説
明する。

【００５９】まず音素グルーピング手段２１は、入力さ
れた適応話者発声データを適応話者発声データ記憶部１
１より得て、発声数の少ない音素について似ている音素
を記憶部１２の分類に基づきグループ化し、複数の音素
グループと同時に、音素分類及びクラスタ情報記憶部１
２から得たそれに対する話者クラスタリング情報を出力
する。この時、必要に応じて学習話者発声データ記憶部
１３よりデータを受け取る。音素のグループ決定法は、
前記第１の実施例と同様である。

【００６０】クラスタ選択手段２２は、受け取った音素
グループ及び話者クラスタリング情報毎に、その音素グ
ループに対応する適応話者発声データを適応話者発声デ
ータ記憶部１１より読み出し、話者クラスタリング情報
に対して必要に応じて学習話者発声データを学習話者発
声データ記憶部１３から読み出し、クラスタごとにＨＭ
Ｍを構成し、前者を後者のそれぞれと比較し、もっとも
適当なクラスタの情報を出力する。

【００６１】クラスタと適応話者発声の比較、選択法
は、前記第１の実施例と同様である。

【００６２】ＨＭＭ適応手段２３は、入力の音素グルー
プ毎学習話者発声データクラスタの情報から、必要に応
じて学習データを学習話者発声データ記憶部１３から読
み出し、適応元のＨＭＭを適応ＨＭＭ記憶部１４より読
み出し、適応を行ないその結果のＨＭＭを出力する。前
記第１の実施例と同様に、適応ＨＭＭ記憶部１４を用い
ず読み込んだ学習話者発声データだけでＨＭＭを作成す
ることもできる。図４は、この場合の構成を示す。

【００６３】なお、本発明の第２の実施例では、あらか
じめ話者クラスタリングを行っておくので、話者適応を
何度も行う場合、速度面向上が得られる。

【００６４】

【発明の効果】以上説明したように、本発明によれば下
記記載の効果を奏する。

【００６５】本発明の第１の効果は、適応話者の発声に
応じて細かい音素グループ別に話者クラスタリングを行
ない、クラスタを選択することで、その結果適応話者に
より近い学習話者発声データを緻密に集めることができ
る、ということである。

【００６６】本発明の第２の効果は、より性能のよい話
者適応を行うことができる、ということである。

【図面の簡単な説明】

【図１】本発明の第１の実施例の構成を示す示すブロッ
ク図である。

【図２】本発明の第２の実施例の構成を示す示すブロッ
ク図である。

【図３】本発明の第１の実施例を説明するための図であ
り、音素分類木の一例を示す図である。

【図４】本発明の第３の実施例の構成を示す示すブロッ
ク図である。

【符号の説明】

１ 記憶装置 ２ データ処理装置 １１ 適応話者発声データ記憶部 １２ 音素分類木記憶部 １３ 学習話者発声データ記憶部 １４ 適応ＨＭＭ記憶部 １５ 音素分類木及びクラスタ情報記憶部 １６ 音素分類木及びクラスタ・ＨＭＭ情報記憶部 ２１ 音素グルーピング手段 ２２ 話者クラスタリング手段 ２３ クラスタ選択手段 ２４ ＨＭＭ適応手段

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭63−309998（ＪＰ，Ａ) 特開 昭57−161899（ＪＰ，Ａ) 鈴木基之、阿部俊朗、森大毅、牧野正 三、阿曽弘具，音素ごとの木構造話者ク ラスタリングによる話者適応，電子情報 通信学会論文誌，日本，電子情報通信学 会，1999年 ６月25日，Ｊ82−Ｄ−Ｉ Ｉ、第６号，981−989 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 15/10 G10L 15/06

Claims (11)

(57)【特許請求の範囲】
1. 【請求項１】新話者の音声（「適応話者発声」という）
   を用いて話者用の標準パターンを自動作成する話者適応
   化装置において、 適応話者の適応発声データを音素のグループに分ける手
   段であって、発声数の少ない音素について類似している
   音素をまとめてグループ化し、音素グループを出力する
   音素グルーピング手段と、 各音素グループ毎に複数の標準パターンを記憶する記憶
   手段と、 前記音素グループに対応する適応話者発声との類似性か
   ら標準パターンを選択する選択手段と、 を備えたことを特徴とする話者適応装置。
2. 【請求項２】新話者の音声（以下「適応話者発声」）を
   用いてその話者用の標準パターンを自動作成する話者適
   応化装置において、 適応話者の適応発声データを音素のグループに分ける手
   段であって、発声数の少ない音素について類似している
   音素をまとめてグループ化し、音素グループを出力する
   音素グルーピング手段と、 各音素グループ毎に複数の学習発声情報を記憶する記憶
   手段と、 前記音素グループに対応する適応話者発声との類似性か
   ら学習発声情報を選択する選択手段と、 を備えたことを特徴とする話者適応装置。
3. 【請求項３】請求項１又は２に記載の話者適応装置にお
   いて、音素グループ毎の複数の標準パターンまたは学習
   発声情報を、話者クラスタリングによって作成する手段
   を備えたことを特徴とする話者適応装置。
4. 【請求項４】前記音素グルーピング手段が、音素のグル
   ープ分けにおいて、音素の階層的分類木を用いる、こと
   を特徴とする請求項１乃至３のいずれか一に記載の話者
   適応装置。
5. 【請求項５】前記音素グルーピング手段が、音素のグル
   ープ分けにおいて、各音素グループにおける適応話者の
   発声量に応じて音素分類木上で適切な階層のグループ分
   けを選ぶ、ことを特徴とする請求項１乃至３のいずれか
   一に記載の話者適応装置。
6. 【請求項６】音声入力手段から入力されディジタル信号
   に変換されＨＭＭ（Hidden MarkovModel：隠れマルコ
   フモデル）を適応する対象の適応話者の発声データを記
   憶する適応話者発声データ記憶部と、 音素の分類情報が予め記憶されている音素分類木記憶部
   と、 複数話者の発声が予め記憶されている学習話者発声デー
   タ記憶部と、 適応する元のＨＭＭが記憶されている適応ＨＭＭ記憶部
   と、 適応話者発声データを前記適応話者発声データ記憶部よ
   り読み出し、発声数の少ない音素について、類似してい
   る音素を、前記音素分類木記憶部の分類に基づきグルー
   プ化し、複数の音素グループを出力する音素グルーピン
   グ手段と、 前記音素グルーピング手段から出力された複数の音素グ
   ループのそれぞれについて、学習話者発声データを前記
   学習話者発声データ記憶部より読み出して、話者単位
   で、クラスタリングを行ない、クラスタ化された学習話
   者発声データを、音素グループ毎に出力する話者クラス
   タリング手段と、 音素グループ毎に、該音素グループに対応する適応話者
   発声データを、前記適応話者発声データ記憶部より読み
   出して、前記話者クラスタリング手段から出力された学
   習話者発声データのクラスタのそれぞれと比較し、最適
   なクラスタを出力するクラスタ選択手段と、 音素グループ毎の学習話者発声データクラスタを用い
   て、適応元のＨＭＭを、前記適応ＨＭＭ記憶部より読み
   出し、適応を行ないＨＭＭを出力するＨＭＭ適応手段
   と、 を備えたことを特徴とする話者適応装置。
7. 【請求項７】音声入力手段から入力されディジタル信号
   に変換されＨＭＭ（Hidden MarkovModel：隠れマルコ
   フモデル）を適応する対象の適応話者の発声データを記
   憶する適応話者発声データ記憶部と、 音素の分類情報、及び、話者クラスタリング情報を記憶
   する音素分類木及びクラスタ情報記憶部と、 複数話者の発声が予め記憶されている学習話者発声デー
   タ記憶部と、 適応する元のＨＭＭが記憶されている適応ＨＭＭ記憶部
   と、 入力された適応話者発声データを前記適応話者発声デー
   タ記憶部より得て、発声数の少ない音素について類似し
   ている音素を前記音素分類木及びクラスタ情報記憶部の
   分類に基づきグループ化し、複数の音素グループと同時
   に、前記音素分類木及びクラスタ情報記憶部から得た前
   記音素グループに対する話者クラスタリング情報を出力
   する音素グルーピング選択手段と、 前記音素グルーピング選択手段から出力された音素グル
   ープ及び話者クラスタリング情報毎に、前記音素グルー
   プに対応する適応話者発声データを前記適応話者発声デ
   ータ記憶部より読み出し、前記話者クラスタリング情報
   に対して必要に応じて学習話者発声データを前記学習話
   者発声データ記憶部から読み出し、クラスタごとにＨＭ
   Ｍを構成し、最適なクラスタの情報を出力するクラスタ
   選択手段と、 前記クラスタ選択手段から出力された音素グループ毎の
   学習話者発声データクラスタの情報から、必要に応じて
   学習データを前記学習話者発声データ記憶部から読み出
   し、適応元のＨＭＭを前記適応ＨＭＭ記憶部より読み出
   し、適応を行なってＨＭＭを出力するＨＭＭ適応手段
   と、 を備えたことを特徴とする話者適応装置。
8. 【請求項８】（ａ）適応話者発声データを、ＨＭＭ（Hi
   dden Markov Model：隠れマルコフモデル）を適応す
   る対象の適応話者の発声データを記憶する適応話者発声
   データ記憶部より読み出し、発声数の少ない音素につい
   て、類似している音素を、音素の分類情報が予め記憶さ
   れている音素分類木記憶部の分類に基づきグループ化
   し、複数の音素グループを出力するステップと、 （ｂ）前記ステップ（ａ）で出力された複数の音素グル
   ープのそれぞれについて、学習話者発声データを、複数
   話者の発声が予め記憶されている学習話者発声データ記
   憶部より読み出して、話者単位で、クラスタリングを行
   ない、クラスタ化された学習話者発声データを、音素グ
   ループ毎に出力するステップと、 （ｃ）音素グループ毎に、該音素グループに対応する適
   応話者発声データを、前記適応話者発声データ記憶部よ
   り読み出して、入力された学習話者発声データのクラス
   タのそれぞれと比較し、最適なクラスタを出力するステ
   ップと、 （ｄ）音素グループ毎の学習話者発声データクラスタを
   用いて、適応元のＨＭＭを、適応する元のＨＭＭが記憶
   されている適応ＨＭＭ記憶部より読み出し、適応を行な
   いＨＭＭを出力するステップと、 を含むことを特徴とする話者適応方法。
9. 【請求項９】（ａ）入力された適応話者発声データを、
   ＨＭＭ（Hidden Markov Model：隠れマルコフモデ
   ル）を適応する対象の適応話者の発声データを記憶する
   適応話者発声データ記憶部より得て、発声数の少ない音
   素について似ている音素を、音素の分類情報、及び話者
   クラスタリング情報を記憶する音素分類木及びクラスタ
   情報記憶部の分類に基づきグループ化し、複数の音素グ
   ループと同時に、前記音素分類木及びクラスタ情報記憶
   部から得た音声グループに対する話者クラスタリング情
   報を出力するステップと、 （ｂ）ステップ（ａ）で出力された音素グループ及び話
   者クラスタリング情報毎に、前記音素グループに対応す
   る適応話者発声データを、複数話者の発声が予め記憶さ
   れている適応話者発声データ記憶部より読み出し、話者
   クラスタリング情報に対して必要に応じて学習話者発声
   データを前記学習話者発声データ記憶部から読み出し、
   クラスタごとにＨＭＭを構成し、最適なクラスタの情報
   を出力するステップと、 （ｃ）入力の音素グループ毎の学習話者発声データクラ
   スタの情報から、必要に応じて学習データを前記学習話
   者発声データ記憶部から読み出し、適応元のＨＭＭを、
   適応する元のＨＭＭが記憶されている適応ＨＭＭ記憶部
   より読み出し、適応を行ないその結果のＨＭＭを出力す
   るステップと、 を含むことを特徴とする話者適応方法。
10. 【請求項１０】音声入力手段から入力されディジタル信
    号に変換されＨＭＭ（Hidden MarkovModel：隠れマル
    コフモデル）を適応する対象の適応話者の発声データを
    記憶する適応話者発声データ記憶部と、 音素の分類情報が予め記憶されている音素分類木記憶部
    と、 複数話者の発声が予め記憶されている学習話者発声デー
    タ記憶部と、 適応する元のＨＭＭが記憶されている適応ＨＭＭ記憶部
    と、 データ処理装置と、を備えた話者適応装置において、 （ａ）適応話者発声データを前記適応話者発声データ記
    憶部より読み出し、発声数の少ない音素について、類似
    している音素を、前記音素分類木記憶部の分類に基づき
    グループ化し、複数の音素グループを出力する音素グル
    ーピング処理と、 （ｂ）前記音素グルーピング処理から出力された複数の
    音素グループのそれぞれについて、学習話者発声データ
    を前記学習話者発声データ記憶部より読み出して、話者
    単位で、クラスタリングを行ない、クラスタ化された学
    習話者発声データを、音素グループ毎に出力する話者ク
    ラスタリング処理と、 （ｃ）音素グループ毎に、その音素グループに対応する
    適応話者発声データを、前記適応話者発声データ記憶部
    より読み出して、入力された学習話者発声データのクラ
    スタのそれぞれと比較し、最も適当なクラスタを出力す
    るクラスタ選択処理と、 （ｄ）音素グループ毎の学習話者発声データクラスタを
    用いて、適応元のＨＭＭを、前記適応ＨＭＭ記憶部より
    読み出し、適応を行ないＨＭＭを出力するＨＭＭ適応処
    理と、 の前記（ａ）乃至（ｄ）の処理を前記データ処理装置で
    実行させるためのプログラムを記録した記録媒体。
11. 【請求項１１】音声入力手段から入力されディジタル信
    号に変換されＨＭＭ（Hidden MarkovModel：隠れマル
    コフモデル）を適応する対象の適応話者の発声データを
    記憶する適応話者発声データ記憶部と、 音素の分類情報、及び、話者クラスタリング情報を記憶
    する音素分類木及びクラスタ情報記憶部と、 複数話者の発声が予め記憶されている学習話者発声デー
    タ記憶部と、 適応する元のＨＭＭが記憶されている適応ＨＭＭ記憶部
    と、 データ処理装置とを備えた話者適応装置において、 （ａ）入力された適応話者発声データを前記適応話者発
    声データ記憶部より得て、発声数の少ない音素について
    似ている音素を前記音素分類木及びクラスタ情報記憶部
    の分類に基づきグループ化し、複数の音素グループと同
    時に、前記音素分類木及びクラスタ情報記憶部から得た
    それに対する話者クラスタリング情報を出力する音素グ
    ルーピング選択処理と、 （ｂ）前記音素グルーピング選択処理より受け取った音
    素グループ及び話者クラスタリング情報毎に、前記音素
    グループに対応する適応話者発声データを前記適応話者
    発声データ記憶部より読み出し、話者クラスタリング情
    報に対して必要に応じて学習話者発声データを前記学習
    話者発声データ記憶部から読み出し、クラスタごとにＨ
    ＭＭを構成し、もっとも適当なクラスタの情報を出力す
    るクラスタ選択処理と、 （ｃ）前記クラスタ選択処理で出力された音素グループ
    毎学習話者発声データクラスタの情報から、必要に応じ
    て学習データを前記学習話者発声データ記憶部から読み
    出し、適応元のＨＭＭを前記適応ＨＭＭ記憶部より読み
    出し、適応を行ないその結果のＨＭＭを出力するＨＭＭ
    適応処理と、 の前記（ａ）乃至（ｃ）の処理を前記データ処理装置で
    実行させるためのプログラムを記録した記録媒体。