JP3474072B2

JP3474072B2 - 音声認識装置および音声認識方法

Info

Publication number: JP3474072B2
Application number: JP03308597A
Authority: JP
Inventors: 章次栗木
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1997-01-31
Filing date: 1997-01-31
Publication date: 2003-12-08
Anticipated expiration: 2017-01-31
Also published as: JPH10222191A

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識装置およ
び音声認識方法に関する。

【０００２】

【従来の技術】従来、例えば特開昭６２−１１１２９３
号(以下、従来技術１と称す)には、認識すべき音声とそ
の前後の騒音を含む十分長い区間を入力信号区間とし、
この区間内でワードスポッティングを行ない、類似度が
最大となる認識対象を認識結果として出力することによ
り、音声区間検出を行なうことなく騒音環境下で発声し
た音声を、認識対象音声とその前後に騒音を含んだ十分
長い入力の中から切り出し、認識する技術が示されてい
る。

【０００３】従来技術１では、十分長い入力音声区間内
で認識を行なうため、騒音などにより類似度が上がる認
識対象があっても、対象音声による認識対象の類似度が
それを上回って大きくなり、入力音声区間内の最大類似
度が得られた認識対象を結果出力することで、騒音によ
る誤認識を結果出力することを避けることができる。

【０００４】図９はこの従来技術１において認識処理さ
れた認識対象ａ，ｂ，ｃの類似度の時間変化を示す図で
ある。図９の例では、非音声区間で、認識対象ｂ，ｃは
認識対象ａより大きな類似度を得ているが、音声が入る
と(音声区間では)、正解である認識対象ａの類似度が大
きくなる。これにより、認識結果としては、入力音声区
間内で最大の類似度を得た認識対象ａが出力され、非音
声区間でａよりも大きな類似度を得た認識対象ｂ，ｃは
無視される。

【０００５】このように、従来技術１によれば、認識す
べき音声とその前後の騒音を含む十分長い区間を入力信
号区間とし、この区間内でワードスポッティングを行な
い、類似度が最大となる認識対象を認識結果として出力
することにより、騒音による誤認識結果が出力されるこ
とを避けることができる。

【０００６】しかしながら、上述の従来技術１では、十
分長い入力音声区間が終了しなければ認識結果が出力さ
れないため、実際の機器に使用する場合、長い反応時間
が必要となり、認識対象音声を発声してから認識結果が
出力されるまで時間がかかり実用的ではない。

【０００７】そのため、入力音声区間の終了を待たずに
類似度の変化のピークを検出し、ピークを検出後、一定
の保留時間(図９ではｔ₁で示す)内に、他の認識対象の
類似度がピークを越えなければ、いまピークが検出され
た認識対象を結果出力することで、反応時間が短かい認
識結果の出力が可能である。但し、この場合、非音声区
間で誤認識結果が出力されるため(認識対象ｂとｃが非
音声区間で認識結果として出力されるため)、リジェク
ト閾値を定め、類似度が閾値以下の場合には、認識結果
をリジェクトすることで、誤認識結果が出力されるのを
避ける必要がある。

【０００８】しかしながら、環境が変化すると非音声区
間の誤認識となる認識対象の類似度が変化するため、１
つのリジェクト閾値で全ての環境変化に対応することは
できない。

【０００９】このような問題に対処するため、例えば特
公昭６０−６００８０号(以下、従来技術２と称す)，特
開平１−３２１４９９号(以下、従来技術３と称す)に
は、騒音下でのリジェクトを効果的に行なうためリジェ
クト処理を行なう閾値を環境により変化させる技術が示
されている。すなわち、従来技術２では、周囲騒音によ
りリジェクト閾値を変化させ、また、従来技術３では、
入力音声のＳ／Ｎにより閾値を変化させるようになって
いる。

【００１０】

【発明が解決しようとする課題】このように、従来技術
２，従来技術３では、環境の変化により、リジェクト閾
値を変化させることができるため、最適なリジェクト閾
値を設定することができる。しかしながら、従来技術２
では、雑音レベルを検出する必要があり、また、従来技
術３においても、Ｓ／Ｎを検出するためには雑音レベル
と音声レベルを検出しなければならないという問題があ
った。すなわち、雑音レベルを検出するためには、非音
声区間の検出が必要であり、非音声区間はパワー情報を
使用して検出されるが、雑音が大きくなり音声とのパワ
ー差が少なくなると非音声区間の検出ができなくなり、
雑音レベルの検出も不可能になる。このため、従来技術
２，従来技術３では、高騒音下においてはリジェクト閾
値を環境に対応して設定することができないという問題
があった。

【００１１】本発明は、環境の変化に追従させて使用勝
手の良く、正しい認識結果を得ることの可能な音声認識
を実現できて、かつ、環境の変化に対応させて短かい反
応時間で認識結果を出力することが可能な音声認識装置
および音声認識方法を提供することを目的としている。

【００１２】

【課題を解決するための手段】上記目的を達成するため
に、請求項１記載の発明は、音声入力信号から音声特徴
データを抽出する特徴抽出手段と、抽出された音声特徴
データを全ての認識対象の標準パターンと比較して類似
度を計算する類似度計算手段と、所定のリジェクト閾値
を設定するリジェクト閾値設定手段と、前記所定のリジ
ェクト閾値を越えた認識対象の類似度のピークを検出す
る類似度ピーク検出手段と、前記所定のリジェクト閾値
を越えた認識対象の類似度のピークが検出された時点か
ら所定の保留時間の間、該類似度のピークを保留するピ
ーク保留手段と、認識結果を出力する結果出力手段とを
備え、前記結果出力手段は、類似度のピークが保留され
た認識対象について、保留時間中に、この認識対象の類
似度の一定時間当たりの低下率が所定の低下率閾値より
も大きくなった場合には、保留時間中であっても、類似
度のピークが保留されている認識対象を認識結果として
出力することを特徴としている。

【００１３】また、請求項２記載の発明は、音声入力信
号から音声特徴データを抽出する特徴抽出手段と、抽出
された音声特徴データを全ての認識対象の標準パターン
と比較して類似度を計算する類似度計算手段と、所定の
リジェクト閾値を設定するリジェクト閾値設定手段と、
前記所定のリジェクト閾値を越えた認識対象の類似度の
ピーク値を検出する類似度ピーク検出手段と、前記所定
のリジェクト閾値を越えた認識対象の類似度のピークが
検出された時点から所定の保留時間の間、該類似度のピ
ークを保留するピーク保留手段と、認識結果を出力する
結果出力手段とを備え、前記結果出力手段は、類似度の
ピークが保留された認識対象について、保留時間中に、
この認識対象の類似度が前記ピークから所定の類似度差
閾値以上、低下した場合には、保留時間中であっても、
類似度のピークが保留されている認識対象を認識結果と
して出力することを特徴としている。

【００１４】また、請求項３記載の発明は、音声入力信
号から音声特徴データを抽出し、抽出した音声特徴デー
タを全ての認識対象の標準パターンと比較して類似度を
計算し、ある認識対象について、その類似度が所定のリ
ジェクト閾値を越えた場合に、その認識対象の類似度の
ピークを検出して該認識対象の類似度のピークが検出さ
れた時点から所定の保留時間の間、該類似度のピークを
保留し、類似度のピークが保留された認識対象につい
て、保留時間中に、この認識対象の類似度の一定時間当
たりの低下率が所定の低下率閾値よりも大きくなった場
合には、保留時間中であっても、類似度のピークが保留
されている認識対象を認識結果として出力する一方、類
似度のピークが保留された認識対象について、保留時間
中に、この認識対象の類似度の一定時間当たりの低下率
が所定の低下率閾値よりも大きくはならないが、保留さ
れた類似度のピークを越える類似度を与える認識対象が
前記保留時間中に無い場合には、前記保留時間の経過
後、前記ピーク保留手段に類似度のピークが保留されて
いる認識対象を認識結果として出力することを特徴とし
ている。

【００１５】また、請求項４記載の発明は、音声入力信
号から音声特徴データを抽出し、抽出した音声特徴デー
タを全ての認識対象の標準パターンと比較して類似度を
計算し、ある認識対象について、その類似度が所定のリ
ジェクト閾値を越えるときに、その認識対象の類似度の
ピークを検出して該認識対象の類似度のピークが検出さ
れた時点から所定の保留時間の間、該類似度のピークを
保留し、類似度のピークが保留された認識対象につい
て、保留時間中に、この認識対象の類似度が前記ピーク
から所定の類似度差閾値以上、低下した場合には、保留
時間中であっても、類似度のピークが保留されている認
識対象を認識結果として出力する一方、類似度のピーク
が保留された認識対象について、保留時間中に、この認
識対象の類似度が前記ピークから所定の類似度差閾値以
上は低下しないが、保留された類似度のピークを越える
類似度を与える認識対象が前記保留時間中に無い場合に
は、前記保留時間の経過後、前記ピーク保留手段に類似
度のピークが保留されている認識対象を認識結果として
出力することを特徴としている。

【００１６】

【発明の実施の形態】以下、本発明の実施形態を図面に
基づいて説明する。図１は本発明に係る音声認識装置の
構成例を示す。図１を参照すると、この音声認識装置
は、入力された音声を電気信号(アナログ音声信号)に変
換する入力部(例えばマイクロホン)１と、入力部１から
のアナログ音声信号をデジタル音声信号に変換するＡ／
Ｄ変換部２と、デジタル音声信号をフレーム毎に音声特
徴データに変換する特徴抽出部３と、全ての認識対象の
標準パターンが予め格納されている標準パターン格納部
４と、特徴抽出部３からの音声特徴データを標準パター
ン格納部４に格納されている各認識対象の標準パターン
と比較し、各認識対象との類似度を計算する類似度計算
部５と、リジェクト閾値ＴＨが設定されるリジェクト閾
値設定部６と、リジェクト閾値ＴＨを越えた認識対象の
類似度のピークを検出する類似度ピーク検出部７と、リ
ジェクト閾値ＴＨを越えた認識対象の類似度のピークが
検出された時点から所定の保留時間ｔ₂の間、該類似度
のピークを保留するピーク保留部８と、リジェクト閾値
ＴＨを越えた認識対象の類似度のピークが類似度ピーク
検出部７によって検出されて前記ピーク保留部８に保留
されたとき、保留された類似度のピークを越える類似度
を与える認識対象が保留時間ｔ₂中にない場合には、所
定の保留時間ｔ₂の経過後、前記ピーク保留部８に類似
度のピークが保留されている認識対象を認識結果として
出力する結果出力部９とを備えている。

【００１７】ここで、特徴抽出部３，標準パターン格納
部４，類似度計算部５には、一般的な音声認識技術を用
いることができる。

【００１８】すなわち、図１の音声認識装置において
も、基本的には、一般的な音声認識技術が用いられる。
例えば、音声の開始点と終了点を検出して音声区間と
し、この音声区間に対して音声パターン認識等を行な
い、最大の類似度が得られた標準パターン(認識対象で
ある)の単語番号や属性データを認識結果として出力す
る形式のものを用いることができる。

【００１９】あるいは、音声区間を必要としないワード
スポッティング法による認識のものを用いることもでき
る。例えば継続時間制御型状態遷移モデルを用いた単語
音声認識法を用いることもでき、単語音声認識法による
認識を行なえば、音声の終了付近で類似度が最大とな
り、類似度のピーク点を検出することで認識結果を出力
することができる。

【００２０】また、前記所定の保留時間ｔ₂としては、
高騒音下をも考慮して、図９に示した保留時間ｔ₁より
も長い一定の時間，例えば１秒程度の時間を用いること
ができる。

【００２１】図２は騒音が大きい環境での各認識対象
ａ，ｂ，ｃの類似度の変化を示す図である。一般に、騒
音が大きくなると音声に騒音が重畳されることにより入
力音声パターンが歪み、正解単語であっても高い類似度
のピークが得られなくなり、リジェクト閾値を下げなけ
れば正解単語の結果が出力されなくなる一方、騒音区間
での他の単語の類似度が静かな環境に比べて大きくな
り、リジェクト閾値を越えやすくなる。図２の例では、
実際、認識対象(単語)ｂ，ｃの類似度ピークＰ１，Ｐ３
がリジェクト閾値ＴＨを越えている。従って、図９に示
したような短かい保留時間ｔ₁では、認識対象ｂ，ｃが
リジェクトされずに誤認識結果として出力されることに
なる。これを避けるためには、所定の保留時間として、
図２に示すように、図９の保留時間ｔ₁よりも長い保留
時間ｔ₂を設定する必要がある。

【００２２】ところで、このように所定の保留時間とし
て、図２の例のように長い保留時間ｔ₂を用いることで
誤認識は避けられるが、その反面、反応時間が大きく必
要となり、入力音声区間の終了を待って結果出力する場
合と同様に、認識結果が出力されるまでに相当の時間を
要してしまう。すなわち、保留時間を図２のような長い
保留時間ｔ₂に固定すると、静かな環境でも反応時間が
長く、使用しにくい装置になる。

【００２３】図３は静かな環境での各認識対象ａ，ｂ，
ｃの類似度の変化を示す図であり、図３の例では、音声
が無い区間では、認識対象ａ，ｂ，ｃのいずれも低い類
似度を保っている。これは静かな環境の音声特徴抽出値
が音声が入力された音声特徴抽出値と大きく異なるため
パターン距離が大きくなり類似度が低くなることによ
る。

【００２４】図３において、認識対象ａに対応する音声
が入力されると、音声区間内で認識対象ａの類似度が高
くなり、音声区間終了付近でピークＰ２を得て、その後
小さくなる。このような静かな環境下では、認識対象
ｂ，ｃの類似度ピークＰ１，Ｐ３はリジェクト閾値ＴＨ
を越えないことから、保留時間を図２におけるような長
い保留時間ｔ₂に設定しなくても、認識対象ａだけを認
識結果として出力することができる。しかしながら、騒
音が大きくなっても誤認識結果が出力されないようにす
るためには、音声認識装置に図２に示すように長い保留
時間ｔ₂を設定しておくことが必要となり、従って、静
かな環境下での使用においては反応時間の大きな音声認
識装置になっていた。

【００２５】このような問題を回避するため、図１の音
声認識装置では、基本的には、保留時間ｔ₂として長い
保留時間を設定し、結果出力部９は、基本的には、リジ
ェクト閾値ＴＨを越えた認識対象の類似度のピークが類
似度ピーク検出部７によって検出されて前記ピーク保留
部８に保留されたとき、保留された類似度のピークを越
える類似度を与える認識対象が保留時間ｔ₂中にない場
合には、所定の保留時間ｔ₂の経過後、類似度のピーク
が保留されている認識対象を認識結果として出力するよ
うになっているが、結果出力部９は、さらに、類似度の
ピークが保留された認識対象について、保留時間ｔ₂中
に、この認識対象の類似度の一定時間Δｔ当たりの低下
率(この類似度が低下するときの一定時間Δｔ当たりの
類似度差)ΔＳを検出し、この低下率ΔＳが所定の低下
率閾値ΔＳ_THよりも大きくなった場合には、保留時間ｔ
₂中であっても、類似度のピークが保留されている認識
対象を認識結果として出力するようになっている。

【００２６】すなわち、結果出力の条件として、類似度
のピークが保留されている認識対象についての類似度が
一定時間Δｔの間に所定の低下率閾値ΔＳ_TH以上、低下
した場合は、保留時間ｔ₂内であっても、この認識対象
を認識結果として出力するという条件がさらに加わった
ものとなっている。

【００２７】ここで、一定時間Δｔは類似度の低下率Δ
Ｓを確実に検出できるに十分な時間として設定される必
要であり、例えば１００〜２００ｍｓ程度の時間に設定
される。また、低下率閾値ΔＳ_THは実験により容易に設
定することができる。

【００２８】なお、一定時間Δｔ当たりの低下率ΔＳの
検出処理は、上述のように結果出力部９内で行なうこと
もできるが、図１のように類似度差計算部１０を別途に
設け、低下率ΔＳの検出処理を結果出力部９ではなく、
例えば類似度差計算部１０で行なうこともできる。以下
では、低下率ΔＳの検出処理を類似度差計算部１０で行
なうとして説明する。

【００２９】次に、図１の音声認識装置の動作について
説明する。音声が入力部１に入力されると、音声は、入
力部１で電気信号(アナログ音声信号)に変換され、Ａ／
Ｄ変換部２でデジタル値に変換される。デジタル化され
た音声データは、特徴抽出部３でフレーム毎に音声特徴
データに変換される。ここで、音声特徴データは周波数
帯域でのパワー値を示すＴＳＰやケプストラム値などが
一般的である。

【００３０】特徴抽出部３で得られた音声特徴データ
は、類似度計算部５において、標準パターン格納部４に
予め格納されている各認識対象の標準パターンと比較さ
れ、各認識対象の類似度が計算される。各認識対象の類
似度はフレーム周期毎に更新され、時間により変化す
る。

【００３１】すなわち、各認識対象の類似度は時間的に
変化するため、一般にフレームという単位時間(数ｍｓ
〜数十ｍｓ程度に設定される)内の音声波形から特徴抽
出した音声特徴データに対して類似度を計算する。従っ
て、類似度はフレーム周期毎に更新され、また、全ての
認識対象の類似度の平均値もフレーム毎に更新される。

【００３２】音声が入力された場合や騒音の影響で、１
つでも認識対象の類似度がリジェクト閾値ＴＨを越えた
場合、類似度ピーク検出部７では、リジェクト閾値ＴＨ
を越えた認識対象の類似度のピークを検出する。類似度
ピーク検出部７によりピークが検出されると、ピーク保
留部８は、例えば、類似度ピーク検出部７で検出された
類似度のピークを所定の保留時間ｔ₂が経過するまで保
持する。

【００３３】結果出力部９は、リジェクト閾値ＴＨを越
えた類似度のピークが検出された後、基本的には、一定
の保留時間ｔ₂が経過するまでの間に、このピークを越
える類似度を与える認識対象がなければ、保留時間ｔ₂
を経過した時点で、そのピークを与えた認識対象を認識
結果として出力する。さらに、本発明では、ピークが検
出された後、一定の保留時間ｔ₂が経過するまでの間
に、類似度差計算部１０で算出された低下率ΔＳが所定
の低下率閾値ΔＳ_THよりも大きくなったときには、保留
時間ｔ₂の経過を待たずに、そのピークを与えた認識対
象を認識結果として出力する。

【００３４】換言すれば、結果出力部９は、ピークが検
出された後、一定の保留時間ｔ₂が経過するまでの間
に、類似度差計算部１０で算出された低下率ΔＳが所定
の低下率閾値ΔＳ_THよりも大きくなったときには、保留
時間ｔ₂の経過を待たずに、そのピークを与えた認識対
象を認識結果として出力する一方、一定の保留時間ｔ₂
が経過するまでの間に、類似度差計算部１０で算出され
た低下率ΔＳが所定の低下率閾値ΔＳ_THよりも大きくは
ならないが、一定の保留時間ｔ₂が経過するまでの間
に、このピークを越える類似度を与える認識対象がなけ
れば、保留時間ｔ₂を経過した時点で、そのピークを与
えた認識対象を認識結果として出力する。

【００３５】これに対し、リジェクト閾値ＴＨを越えた
類似度のピークが検出された後、一定の保留時間ｔ₂が
経過するまでの間に、低下率ΔＳが所定の閾値ΔＳ_THよ
りも大きくはならず、一定の保留時間ｔ₂が経過するま
での間に、このピークを越える類似度を与える認識対象
があれば、このピークを与えた認識対象を認識結果とし
て出力せず(結果を無効とし)、このピークを越えた認識
対象の類似度についてさらにピークが検出されたとき
に、この時点から新たに一定の保留時間ｔ₂が設定さ
れ、新たな保留動作を行なう。

【００３６】次に、具体的な動作例について説明する。
図４は静かな環境での各認識対象ａ，ｂ，ｃの類似度の
変化を示す図であり、図４の例では、認識対象ａ，ｂ，
ｃのいずれも、音声が無い区間では低い類似度を保って
いる。これは静かな環境の音声特徴抽出値が音声が入力
された音声特徴抽出値と大きく異なるため、パターン距
離が大きくなり類似度が低くなることによるものであ
る。

【００３７】しかる後、図４の例では、認識対象ａに対
応する音声が入力されることで、音声区間内において認
識対象ａの類似度が高くなり、リジェクト閾値ＴＨを越
え、音声区間終了付近でピーク値Ｐ２を得て、その後小
さくなる。

【００３８】この場合、本発明では、音声区間終了付近
でピーク値Ｐ２が得られた時点から保留時間ｔ₂が経過
するまでの間、一定時間Δｔの間に低下する類似度差
(低下率)ΔＳを検出する。図４の例では、認識対象ａの
類似度のピーク値Ｐ２が得られた時点から保留時間ｔ₂
が経過するまでの間、一定時間Δｔの間に低下する類似
度の低下率ΔＳを検出する。図４の例では、認識対象ａ
の類似度は保留時間ｔ₂が経過する前の時点Ｔ，すなわ
ち、音声区間を過ぎた時点Ｔで大きく低下し、この時点
Ｔでの一定時間Δｔ当たりの低下率ΔＳがあらかじめ決
められた低下率閾値ΔＳ_THを越え、条件(ΔＳ＞ΔＳ_TH)
が満たされる。従って、保留時間ｔ₂の経過を待つこと
なく、上記条件が満たされた時点Ｔで認識結果として認
識対象ａを出力することができる。

【００３９】このように、本発明によれば、静かな環境
下では、短かい反応時間で正しい認識結果を出力するこ
とができる。

【００４０】一方、騒音が大きくなってくると、騒音区
間(非音声区間)でも類似度が高くなる認識対象が出てく
る。また、音声区間においても、音声に騒音が付加され
ることで音声特徴抽出値が歪んでくるため、正解認識対
象の類似度のピーク値が下がる。

【００４１】図５には騒音が大きくなったときの様子が
示されている。騒音が大きくなると、騒音区間でも類似
度が高くなる認識対象がでてくる。また音声区間でも音
声に騒音が付加されることで音声特徴量が歪み、正解認
識対象の類似度のピーク値が下がる。

【００４２】図５の例では、リジェクト閾値ＴＨを越え
る類似度のピーク値として、先ず、騒音区間において、
認識対象ｂの類似度のピーク値Ｐ１が得られ、認識対象
ｂの類似度のピーク値Ｐ１が得られた時点から保留時間
ｔ₂が経過するまでの間、一定時間Δｔの間に低下する
認識対象ｂの類似度の低下率ΔＳを検出する。しかしな
がら、認識対象ｂの類似度の低下率ΔＳは小さく、低下
率閾値ΔＳ_THを越えることはないため、保留時間ｔ₂内
にこの認識対象ｂが認識結果として出力されることはな
い。また、図５の例では、認識対象ｂの類似度のピーク
値Ｐ１が検出された時点から保留時間ｔ₂内に認識対象
ａの類似度が認識対象ｂのピーク値Ｐ１を越えるため、
認識対象ｂは認識結果として出力されない。

【００４３】そして、この場合、新たに認識対象ａの類
似度のピーク値Ｐ２が得られ、このピーク値Ｐ２が得ら
れた時点から保留時間ｔ₂が経過するまでの間、一定時
間Δｔの間に低下する認識対象ａの類似度の低下率ΔＳ
を検出する。ところで、騒音が大きな環境では、類似度
のピーク値Ｐ２は小さく、また騒音区間での類似度が大
きくなることから、認識対象ａの類似度の低下率ΔＳは
低下率閾値ΔＳ_THよりも小さく、従って、保留時間ｔ₂
内にこの認識対象ａが認識結果として出力されることは
ない。しかし、認識対象ａのピーク値Ｐ２が得られた時
点から保留時間ｔ₂が経過するまでの間、この認識対象
ａのピーク値Ｐ２を越える類似度を与える認識対象はな
い。すなわち、この保留時間ｔ₂内に認識対象ｃの類似
度のピークＰ３が検出されるが、このピークＰ３は認識
対象ａのピーク値Ｐ２よりも小さいため、認識対象ｃの
ピークＰ３は無視される。従って、高騒音下では、認識
対象ａのピーク値Ｐ２が得られてから保留時間ｔ₂内に
この認識対象ａが認識結果として出力されることはない
が、ピーク値Ｐ２が得られてから保留時間ｔ₂経過後
に、この認識対象ａが認識結果として出力される。

【００４４】このように、図１の音声認識装置では、あ
る認識対象の類似度のピーク値が検出されると、このピ
ーク値が所定の保留時間ｔ₂の間、保留され、この保留
時間ｔ₂中に、このピーク値を与えた認識対象のこの保
留時間ｔ₂中に、このピーク値を与えた認識対象の類似
度の低下率ΔＳが低下率閾値ΔＳ_THを越えない場合は、
保留時間ｔ₂が経過した後、このピーク値を与えた認識
対象を認識結果として出力する一方、この保留時間ｔ₂
中に、このピーク値を与えた認識対象の類似度の低下率
ΔＳが所定の低下率閾値ΔＳ_THを越えた場合は、この時
点で、このピーク値を与えた認識対象を認識結果として
出力するようにしているので、所定の保留時間ｔ₂とし
て、高騒音下をも考慮して、例えば１秒程度の長い時間
を用いる場合にも、静かな環境では、反応時間を短くす
ることができ、正しい認識結果を迅速に出力することが
可能になる。

【００４５】なお、上述の条件は、類似度のピークが保
留された認識対象について、保留時間ｔ₂中に、この認
識対象の類似度の一定時間Δｔ当たりの低下率(この類
似度が低下するときの一定時間Δｔ当たりの類似度差)
ΔＳを検出し、この類似度差ΔＳが所定の低下率閾値Δ
Ｓ_THよりも大きくなった場合には、保留時間ｔ₂中であ
っても、類似度のピークが保留されている認識対象を認
識結果として出力するものであるが、これのかわりに、
ある認識対象について類似度のピーク値が検出された
後、この認識対象の類似度がそのピーク値から所定の類
似度差閾値Ｄ_TH以上低下した値になった場合には保留時
間ｔ₂以内でも、出力するというようにすることもでき
る。

【００４６】すなわち、図１の構成例において、結果出
力部９(さらには、類似度差検出部１０)は、保留時間ｔ
₂中にこの認識対象についての類似度のピーク値からの
類似度差Ｄを検出し、ピーク値からの類似度差Ｄが所定
の類似度差閾値Ｄ_THを越えた場合には、保留時間ｔ₂中
であっても、このピーク値を与えた認識対象を認識結果
として出力するというように構成されていても良い。

【００４７】この場合の具体的な動作例について説明す
る。図６は静かな環境での各認識対象ａ，ｂ，ｃの類似
度の変化を示す図であり、図６の例でも、図４と同様
に、認識対象ａに対応する音声が入力されることで、音
声区間内において認識対象ａの類似度が高くなり、リジ
ェクト閾値ＴＨを越え、音声区間終了付近でピーク値Ｐ
２を得て、その後小さくなる。

【００４８】この場合、図６の例では、認識対象ａのピ
ーク値Ｐ２が得られた時点から保留時間ｔ₂が経過する
までの間、ピーク値Ｐ２からの類似度差Ｄを検出する。
図６の例では、認識対象ａの類似度は保留時間ｔ₂が経
過する前の時点Ｔ'，すなわち、音声区間を過ぎた時点
Ｔ'までにピーク値Ｐ２から大きく低下し、この時点Ｔ'
でのピーク値からの類似度差Ｄがあらかじめ決められた
類似度差閾値Ｄ_THを越え、条件(Ｄ＞Ｄ_TH)が満たされ
る。従って、保留時間ｔ₂の経過を待つことなく、上記
条件が満たされた時点Ｔ'で認識結果として認識対象ａ
を出力することができる。

【００４９】このように、図６の例でも、図４の例と同
様に、静かな環境下では、短かい反応時間で正しい認識
結果を出力することができる。

【００５０】一方、図７には騒音が大きくなったときの
様子が示されている。騒音が大きくなると、騒音区間で
も類似度が高くなる認識対象がでてくる。また音声区間
でも音声に騒音が付加されることで音声特徴量が歪み、
正解認識対象の類似度のピーク値が下がる。

【００５１】この場合、図７の例では、リジェクト閾値
ＴＨを越える類似度のピーク値として、先ず、騒音区間
において、認識対象ｂの類似度のピーク値Ｐ１が得ら
れ、認識対象ｂの類似度のピーク値Ｐ１が得られた時点
から保留時間ｔ₂が経過するまでの間、ピーク値Ｐ１か
らの類似度差Ｄを検出する。しかしながら、ピーク値Ｐ
１からの類似度差Ｄは小さく、類似度差閾値Ｄ_THを越え
ることはないため、保留時間ｔ₂内にこの認識対象ｂが
認識結果として出力されることはない。また、図７の例
では、認識対象ｂの類似度のピーク値Ｐ１が検出された
時点から保留時間ｔ₂内に認識対象ａの類似度が認識対
象ｂのピーク値Ｐ１を越えるため、認識対象ｂは認識結
果として出力されない。

【００５２】そして、この場合、新たに認識対象ａの類
似度のピーク値Ｐ２が得られ、このピーク値Ｐ２が得ら
れた時点から保留時間ｔ₂が経過するまでの間、ピーク
値Ｐ２からの類似度差Ｄを検出する。ところで、騒音が
大きな環境では、類似度のピーク値Ｐ２は小さく、また
騒音区間での類似度が大きくなることから、認識対象ａ
のピーク値Ｐ２からの類似度差Ｄは類似度差閾値Ｄ_THよ
りも小さく、従って、保留時間ｔ₂内にこの認識対象ａ
が認識結果として出力されることはない。しかし、認識
対象ａのピーク値Ｐ２が得られた時点から保留時間ｔ₂
が経過するまでの間、この認識対象ａのピーク値Ｐ２を
越える類似度を与える認識対象はない。すなわち、この
保留時間ｔ₂内に認識対象ｃの類似度のピークＰ３が検
出されるが、このピークＰ３は認識対象ａのピーク値Ｐ
２よりも小さいため、認識対象ｃのピークＰ３は無視さ
れる。従って、高騒音下では、認識対象ａのピーク値Ｐ
２が得られてから保留時間ｔ₂内にこの認識対象ａが認
識結果として出力されることはないが、ピーク値Ｐ２が
得られてから保留時間ｔ₂経過後に、この認識対象ａが
認識結果として出力される。

【００５３】このように、本発明の音声認識装置におい
ては、静かな環境では反応時間が短かい結果出力が期待
でき、騒音が大きい環境では騒音による誤認識結果が出
力されない、使いやすい音声認識装置が実現できる。

【００５４】図８は図１の音声認識装置のハードウェア
構成例を示す図である。図８を参照すると、この音声認
識装置は、例えばパーソナルコンピュータ等で実現さ
れ、全体を制御するＣＰＵ２１と、ＣＰＵ２１の制御プ
ログラム等が記憶されているＲＯＭ２２と、ＣＰＵ２１
のワークエリア等として使用されるＲＡＭ２３と、音声
を入力する入力装置２４と、音声認識結果を出力する結
果出力装置(例えば、ディスプレイやプリンタなど)２６
とを有している。

【００５５】ここで、ＣＰＵ２１は、図１のＡ／Ｄ変換
部２，特徴抽出部３，類似度計算部５，類似度ピーク検
出部７，ピーク保留部８，類似度差計算部１０などの機
能を有している。

【００５６】なお、ＣＰＵ２１におけるこのようなＡ／
Ｄ変換部２，特徴抽出部３，類似度計算部５，類似度ピ
ーク検出部７，ピーク保留部８，類似度差計算部１０等
としての機能は、例えばソフトウェアパッケージ(具体
的には、ＣＤ−ＲＯＭ等の情報記録媒体)の形で提供す
ることができ、このため、図８の例では、情報記録媒体
３０がセットさせるとき、これを駆動する媒体駆動装置
３１が設けられている。

【００５７】換言すれば、本発明の音声認識装置は、汎
用の計算機システムにＣＤ−ＲＯＭ等の情報記録媒体に
記録されたプログラムを読み込ませて、この汎用計算機
システムのマイクロプロセッサに音声認識処理を実行さ
せる装置構成においても実施することが可能である。こ
の場合、本発明の音声認識処理を実行するためのプログ
ラム(すなわち、ハードウェアシステムで用いられるプ
ログラム)は、媒体に記録された状態で提供される。プ
ログラムなどが記録される情報記録媒体としては、ＣＤ
−ＲＯＭに限られるものではなく、ＲＯＭ，ＲＡＭ，フ
レキシブルディスク，メモリカード等が用いられても良
い。媒体に記録されたプログラムは、ハードウェアシス
テムに組み込まれている記憶装置、例えばハードディス
ク装置にインストールされることにより、このプログラ
ムを実行して、上述した本発明の音声認識処理機能を実
現する音声認識装置の構築に寄与する。

【００５８】また、本発明の音声認識処理機能を実現す
るためのプログラムは、媒体の形で提供されるのみなら
ず、通信によって(例えばサーバによって)提供されるも
のであっても良い。

【００５９】

【発明の効果】以上に説明したように、請求項１，請求
項３記載の発明によれば、音声入力信号から音声特徴デ
ータを抽出する特徴抽出手段と、抽出された音声特徴デ
ータを全ての認識対象の標準パターンと比較して類似度
を計算する類似度計算手段と、所定のリジェクト閾値を
設定するリジェクト閾値設定手段と、前記所定のリジェ
クト閾値を越えた認識対象の類似度のピークを検出する
類似度ピーク検出手段と、前記所定のリジェクト閾値を
越えた認識対象の類似度のピークが検出された時点から
所定の保留時間の間、該類似度のピークを保留するピー
ク保留手段と、認識結果を出力する結果出力手段とを備
え、前記結果出力手段は、類似度のピークが保留された
認識対象について、保留時間中に、この認識対象の類似
度の一定時間当たりの低下率が所定の低下率閾値よりも
大きくなった場合には、保留時間中であっても、類似度
のピークが保留されている認識対象を認識結果として出
力することを特徴としているので、環境の変化に追従さ
せて使用勝手の良く、正しい認識結果を得ることの可能
な音声認識を実現できて、かつ、環境の変化に対応させ
て短かい反応時間で認識結果を出力することが可能とな
る。

【００６０】また、請求項２，請求項４記載の発明によ
れば、音声入力信号から音声特徴データを抽出する特徴
抽出手段と、抽出された音声特徴データを全ての認識対
象の標準パターンと比較して類似度を計算する類似度計
算手段と、所定のリジェクト閾値を設定するリジェクト
閾値設定手段と、前記所定のリジェクト閾値を越えた認
識対象の類似度のピーク値を検出する類似度ピーク検出
手段と、前記所定のリジェクト閾値を越えた認識対象の
類似度のピークが検出された時点から所定の保留時間の
間、該類似度のピークを保留するピーク保留手段と、認
識結果を出力する結果出力手段とを備え、前記結果出力
手段は、類似度のピークが保留された認識対象につい
て、保留時間中に、この認識対象の類似度が前記ピーク
から所定の類似度差閾値以上、低下した場合には、保留
時間中であっても、類似度のピークが保留されている認
識対象を認識結果として出力することを特徴としている
ので、環境の変化に追従させて使用勝手の良く、正しい
認識結果を得ることの可能な音声認識を実現できて、か
つ、環境の変化に対応させて短かい反応時間で認識結果
を出力することが可能となる。

【図面の簡単な説明】

【図１】本発明に係る音声認識装置の構成例を示す図で
ある。

【図２】騒音環境での認識対象ａ，ｂ，ｃの類似度の変
化を示す図である。

【図３】静かな環境での認識対象ａ，ｂ，ｃの類似度の
変化を示す図である。

【図４】静かな環境下での認識対象ａ，ｂ，ｃの類似度
の変化に対して本発明を適用する場合を示す図である。

【図５】騒音環境下での認識対象ａ，ｂ，ｃの類似度の
変化に対して本発明を適用する場合を示す図である。

【図６】静かな環境下での認識対象ａ，ｂ，ｃの類似度
の変化に対して本発明を適用する場合を示す図である。

【図７】騒音環境下での認識対象ａ，ｂ，ｃの類似度の
変化に対して本発明を適用する場合を示す図である。

【図８】本発明の音声認識装置のハードウェア構成例を
示す図である。

【図９】従来の音声認識方式を説明するための図であ
る。

【符号の説明】

１入力部２Ａ／Ｄ変換部３特徴抽出部４標準パターン格納部５類似度計算部６リジェクト閾値設定部７類似度ピーク検出部８ピーク保留部９結果出力部１０類似度差計算部

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 15/00 - 15/28 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims

(57)【特許請求の範囲】

【請求項１】音声入力信号から音声特徴データを抽出
する特徴抽出手段と、抽出された音声特徴データを全て
の認識対象の標準パターンと比較して類似度を計算する
類似度計算手段と、所定のリジェクト閾値を設定するリ
ジェクト閾値設定手段と、前記所定のリジェクト閾値を
越えた認識対象の類似度のピークを検出する類似度ピー
ク検出手段と、前記所定のリジェクト閾値を越えた認識
対象の類似度のピークが検出された時点から所定の保留
時間の間、該類似度のピークを保留するピーク保留手段
と、認識結果を出力する結果出力手段とを備え、前記結
果出力手段は、類似度のピークが保留された認識対象に
ついて、保留時間中に、この認識対象の類似度の一定時
間当たりの低下率が所定の低下率閾値よりも大きくなっ
た場合には、保留時間中であっても、類似度のピークが
保留されている認識対象を認識結果として出力すること
を特徴とする音声認識装置。
【請求項２】音声入力信号から音声特徴データを抽出
する特徴抽出手段と、抽出された音声特徴データを全て
の認識対象の標準パターンと比較して類似度を計算する
類似度計算手段と、所定のリジェクト閾値を設定するリ
ジェクト閾値設定手段と、前記所定のリジェクト閾値を
越えた認識対象の類似度のピーク値を検出する類似度ピ
ーク検出手段と、前記所定のリジェクト閾値を越えた認
識対象の類似度のピークが検出された時点から所定の保
留時間の間、該類似度のピークを保留するピーク保留手
段と、認識結果を出力する結果出力手段とを備え、前記
結果出力手段は、類似度のピークが保留された認識対象
について、保留時間中に、この認識対象の類似度が前記
ピークから所定の類似度差閾値以上、低下した場合に
は、保留時間中であっても、類似度のピークが保留され
ている認識対象を認識結果として出力することを特徴と
する音声認識装置。
【請求項３】音声入力信号から音声特徴データを抽出
し、抽出した音声特徴データを全ての認識対象の標準パ
ターンと比較して類似度を計算し、ある認識対象につい
て、その類似度が所定のリジェクト閾値を越えた場合
に、その認識対象の類似度のピークを検出して該認識対
象の類似度のピークが検出された時点から所定の保留時
間の間、該類似度のピークを保留し、類似度のピークが
保留された認識対象について、保留時間中に、この認識
対象の類似度の一定時間当たりの低下率が所定の低下率
閾値よりも大きくなった場合には、保留時間中であって
も、類似度のピークが保留されている認識対象を認識結
果として出力する一方、類似度のピークが保留された認
識対象について、保留時間中に、この認識対象の類似度
の一定時間当たりの低下率が所定の低下率閾値よりも大
きくはならないが、保留された類似度のピークを越える
類似度を与える認識対象が前記保留時間中に無い場合に
は、前記保留時間の経過後、前記ピーク保留手段に類似
度のピークが保留されている認識対象を認識結果として
出力することを特徴とする音声認識方法。
【請求項４】音声入力信号から音声特徴データを抽出
し、抽出した音声特徴データを全ての認識対象の標準パ
ターンと比較して類似度を計算し、ある認識対象につい
て、その類似度が所定のリジェクト閾値を越えるとき
に、その認識対象の類似度のピークを検出して該認識対
象の類似度のピークが検出された時点から所定の保留時
間の間、該類似度のピークを保留し、類似度のピークが
保留された認識対象について、保留時間中に、この認識
対象の類似度が前記ピークから所定の類似度差閾値以
上、低下した場合には、保留時間中であっても、類似度
のピークが保留されている認識対象を認識結果として出
力する一方、類似度のピークが保留された認識対象につ
いて、保留時間中に、この認識対象の類似度が前記ピー
クから所定の類似度差閾値以上は低下しないが、保留さ
れた類似度のピークを越える類似度を与える認識対象が
前記保留時間中に無い場合には、前記保留時間の経過
後、前記ピーク保留手段に類似度のピークが保留されて
いる認識対象を認識結果として出力することを特徴とす
る音声認識方法。