JP3534665B2 - 音声認識装置、音声認識方法および音声認識プログラムを記録した媒体 - Google Patents
音声認識装置、音声認識方法および音声認識プログラムを記録した媒体Info
- Publication number
- JP3534665B2 JP3534665B2 JP30818099A JP30818099A JP3534665B2 JP 3534665 B2 JP3534665 B2 JP 3534665B2 JP 30818099 A JP30818099 A JP 30818099A JP 30818099 A JP30818099 A JP 30818099A JP 3534665 B2 JP3534665 B2 JP 3534665B2
- Authority
- JP
- Japan
- Prior art keywords
- likelihood
- distribution
- dictionary
- approximate
- calculating
- 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】
【発明の属する技術分野】本発明は、音声認識技術に関
し、特に、隠れマルコフモデル（以下、ＨＭＭ（Hidden
Markov Model）と呼ぶ）を用いた音声認識装置、音
声認識方法および音声認識プログラムを記録した媒体に
関する。
し、特に、隠れマルコフモデル（以下、ＨＭＭ（Hidden
Markov Model）と呼ぶ）を用いた音声認識装置、音
声認識方法および音声認識プログラムを記録した媒体に
関する。
【０００２】
【従来の技術】近年、パーソナルコンピュータやワード
プロセッサ等の情報処理装置において、音声によって文
章の入力等を可能とするために音声認識装置の開発が盛
んに行われている。音声認識の中でも、話者の個人差等
に起因するスペクトルそのものの変動に対しても高い認
識精度が得られるＨＭＭを用いた音声認識が特に盛んに
研究・開発されている。
プロセッサ等の情報処理装置において、音声によって文
章の入力等を可能とするために音声認識装置の開発が盛
んに行われている。音声認識の中でも、話者の個人差等
に起因するスペクトルそのものの変動に対しても高い認
識精度が得られるＨＭＭを用いた音声認識が特に盛んに
研究・開発されている。
【０００３】ＨＭＭを用いた音声認識においては、大量
の音声データから得られる音声の統計的特徴をモデル化
したものが使用される。このＨＭＭを用いた音声認識に
ついては、中川聖一著“確率モデルによる音声認識”等
に詳細に説明されているので、これらの参考書を参照さ
れたい。
の音声データから得られる音声の統計的特徴をモデル化
したものが使用される。このＨＭＭを用いた音声認識に
ついては、中川聖一著“確率モデルによる音声認識”等
に詳細に説明されているので、これらの参考書を参照さ
れたい。
【０００４】
【発明が解決しようとする課題】ＨＭＭを用いた音声認
識装置の開発において、多くは大語彙、不特定話者およ
び連続音声の認識を目指しており、ソフトウェア処理の
みによって実時間処理が可能な音声認識装置を構築する
ためには、音声認識処理の高速化が必要である。
識装置の開発において、多くは大語彙、不特定話者およ
び連続音声の認識を目指しており、ソフトウェア処理の
みによって実時間処理が可能な音声認識装置を構築する
ためには、音声認識処理の高速化が必要である。
【０００５】連続分布ＨＭＭを用いた音声認識装置にお
いて、ＨＭＭの出力確率の計算は、言語空間探索と同様
に多くの計算量を要する処理である。このＨＭＭの出力
確率の計算は、総分布数（＝（ＨＭＭの数）×（ＨＭＭ
の状態数）×（状態内混合分布数））に比例する。一般
に、連続分布ＨＭＭを用いた音声認識においては、学習
データが十分であれば、分布数が多いほど認識率が高く
なるが計算量が多くなる。逆に、分布数が少ないほど認
識率が低くなるが計算量は少なくなる。したがって、認
識率を低下させずに、実際に計算する総分布数を削減し
て計算量を少なくする手法が重要となる。
いて、ＨＭＭの出力確率の計算は、言語空間探索と同様
に多くの計算量を要する処理である。このＨＭＭの出力
確率の計算は、総分布数（＝（ＨＭＭの数）×（ＨＭＭ
の状態数）×（状態内混合分布数））に比例する。一般
に、連続分布ＨＭＭを用いた音声認識においては、学習
データが十分であれば、分布数が多いほど認識率が高く
なるが計算量が多くなる。逆に、分布数が少ないほど認
識率が低くなるが計算量は少なくなる。したがって、認
識率を低下させずに、実際に計算する総分布数を削減し
て計算量を少なくする手法が重要となる。
【０００６】本発明の第１の目的は、尤度計算の計算量
を削減して、処理速度を向上させることが可能な音声認
識装置、音声認識方法および音声認識プログラムを記録
した媒体を提供することである。
を削減して、処理速度を向上させることが可能な音声認
識装置、音声認識方法および音声認識プログラムを記録
した媒体を提供することである。
【０００７】第２の目的は、認識性能が高い音声認識装
置、音声認識方法および音声認識プログラムを記録した
媒体を提供することである。
置、音声認識方法および音声認識プログラムを記録した
媒体を提供することである。
【０００８】
【課題を解決するための手段】本発明のある局面に従え
ば、音声認識装置は、部分空間毎に作成された予備選択
辞書と、入力ベクトルと予備選択辞書に格納された内容
とに基づいてＨＭＭの状態を構成する各分布の近似尤度
を計算し、近似尤度を用いて選択された分布について入
力ベクトルとの尤度を計算するための尤度計算手段と、
尤度計算手段によって計算された尤度に基づいて音声の
認識を行う認識手段とを含む。
ば、音声認識装置は、部分空間毎に作成された予備選択
辞書と、入力ベクトルと予備選択辞書に格納された内容
とに基づいてＨＭＭの状態を構成する各分布の近似尤度
を計算し、近似尤度を用いて選択された分布について入
力ベクトルとの尤度を計算するための尤度計算手段と、
尤度計算手段によって計算された尤度に基づいて音声の
認識を行う認識手段とを含む。
【０００９】尤度計算手段は、近似尤度を用いて選択さ
れた分布についてのみ入力ベクトルとの尤度を計算する
ので、尤度計算の計算量を削減することができ、音声認
識の処理速度を向上させることが可能となる。
れた分布についてのみ入力ベクトルとの尤度を計算する
ので、尤度計算の計算量を削減することができ、音声認
識の処理速度を向上させることが可能となる。
【００１０】本発明の別の局面に従えば、予備選択辞書
は特徴空間毎に作成される。予備選択辞書は特徴空間毎
に作成されるので、より詳細な近似尤度を計算すること
ができ、認識性能が高い音声認識装置を提供することが
可能となる。
は特徴空間毎に作成される。予備選択辞書は特徴空間毎
に作成されるので、より詳細な近似尤度を計算すること
ができ、認識性能が高い音声認識装置を提供することが
可能となる。
【００１１】本発明のさらに別の局面に従えば、予備選
択辞書は、部分空間毎に作成されたクラスタ代表分布を
正規分布で表現し、平均値および分散が格納される。
択辞書は、部分空間毎に作成されたクラスタ代表分布を
正規分布で表現し、平均値および分散が格納される。
【００１２】予備選択辞書は、部分空間毎に作成された
クラスタ代表分布が正規分布で表現されているので、近
似尤度の計算が容易となり、さらに処理速度の向上を図
ることが可能となる。
クラスタ代表分布が正規分布で表現されているので、近
似尤度の計算が容易となり、さらに処理速度の向上を図
ることが可能となる。
【００１３】本発明のさらに別の局面に従えば、予備選
択辞書は、部分空間毎に作成された多層の辞書を含む。
択辞書は、部分空間毎に作成された多層の辞書を含む。
【００１４】たとえば、予備選択辞書は、第１層の辞書
と第２層の辞書とを含み、第１層の辞書を用いて近似尤
度を計算した後、第２層の辞書を用いてさらに詳細に近
似尤度を計算することによって、近似尤度の計算量を削
減することが可能となる。
と第２層の辞書とを含み、第１層の辞書を用いて近似尤
度を計算した後、第２層の辞書を用いてさらに詳細に近
似尤度を計算することによって、近似尤度の計算量を削
減することが可能となる。
【００１５】本発明のさらに別の局面に従えば、尤度計
算手段は、音声データを学習して得られた各分布の出力
確率分布が格納される詳細辞書と、入力ベクトルと予備
選択辞書に格納された内容とに基づいてＨＭＭを構成す
る各分布の近似尤度を計算するための近似尤度計算手段
と、近似尤度計算手段によって計算された近似尤度に基
づいて、詳細尤度を計算する分布を選択するための分布
選択手段と、分布選択手段によって選択された分布の詳
細尤度を詳細辞書を用いて計算するための詳細尤度計算
手段とを含む。
算手段は、音声データを学習して得られた各分布の出力
確率分布が格納される詳細辞書と、入力ベクトルと予備
選択辞書に格納された内容とに基づいてＨＭＭを構成す
る各分布の近似尤度を計算するための近似尤度計算手段
と、近似尤度計算手段によって計算された近似尤度に基
づいて、詳細尤度を計算する分布を選択するための分布
選択手段と、分布選択手段によって選択された分布の詳
細尤度を詳細辞書を用いて計算するための詳細尤度計算
手段とを含む。
【００１６】詳細尤度計算手段は、分布選択手段によっ
て選択された分布の詳細尤度を詳細辞書を用いて計算す
るので、詳細尤度を計算する分布数を削減することがで
き、音声認識の処理速度を向上させることが可能とな
る。
て選択された分布の詳細尤度を詳細辞書を用いて計算す
るので、詳細尤度を計算する分布数を削減することがで
き、音声認識の処理速度を向上させることが可能とな
る。
【００１７】本発明のさらに別の局面に従えば、予備選
択辞書は、詳細辞書に格納される各分布が特徴空間毎に
分類されて作成される。
択辞書は、詳細辞書に格納される各分布が特徴空間毎に
分類されて作成される。
【００１８】予備選択辞書は、詳細辞書に格納される各
分布が特徴空間毎に分類されて作成されるので、詳細な
近似尤度を計算することができ、認識性能が高い音声認
識装置を提供することが可能となる。
分布が特徴空間毎に分類されて作成されるので、詳細な
近似尤度を計算することができ、認識性能が高い音声認
識装置を提供することが可能となる。
【００１９】本発明のさらに別の局面に従えば、予備選
択辞書は、詳細辞書に格納される各分布が部分空間毎に
分類された後に、音声データがどのクラスタに属するか
を分類し、各クラスタに属する音声データの特徴パラメ
ータの値から計算して作成される。
択辞書は、詳細辞書に格納される各分布が部分空間毎に
分類された後に、音声データがどのクラスタに属するか
を分類し、各クラスタに属する音声データの特徴パラメ
ータの値から計算して作成される。
【００２０】予備選択辞書は、詳細辞書に格納される各
分布が部分空間毎に分類された後に、音声データがどの
クラスタに属するかを分類し、各クラスタに属する音声
データの特徴パラメータの値から計算して作成されるの
で、各分布の分類がさらに正確に行なわれるようにな
り、認識性能の高い音声認識装置を提供することが可能
となる。
分布が部分空間毎に分類された後に、音声データがどの
クラスタに属するかを分類し、各クラスタに属する音声
データの特徴パラメータの値から計算して作成されるの
で、各分布の分類がさらに正確に行なわれるようにな
り、認識性能の高い音声認識装置を提供することが可能
となる。
【００２１】本発明のさらに別の局面に従えば、分布選
択手段は、近似尤度計算手段によって計算された近似尤
度の中から尤度の大きい近似尤度を有する分布を選択す
る。
択手段は、近似尤度計算手段によって計算された近似尤
度の中から尤度の大きい近似尤度を有する分布を選択す
る。
【００２２】分布選択手段は、近似尤度計算手段によっ
て計算された近似尤度の中から尤度の大きい近似尤度を
有する分布を選択するので、詳細尤度の計算が必要な分
布を正確に選択することが可能となる。
て計算された近似尤度の中から尤度の大きい近似尤度を
有する分布を選択するので、詳細尤度の計算が必要な分
布を正確に選択することが可能となる。
【００２３】本発明のさらに別の局面に従えば、分布選
択手段は、部分空間の最大尤度と閾値とから基準尤度を
算出し、基準尤度より近似尤度が大きい分布を選択す
る。
択手段は、部分空間の最大尤度と閾値とから基準尤度を
算出し、基準尤度より近似尤度が大きい分布を選択す
る。
【００２４】分布選択手段は、部分空間の最大尤度と閾
値とから基準尤度を算出し、基準尤度より近似尤度が大
きい分布を選択するので、詳細尤度の計算が必要な分布
を正確に選択することが可能となる。
値とから基準尤度を算出し、基準尤度より近似尤度が大
きい分布を選択するので、詳細尤度の計算が必要な分布
を正確に選択することが可能となる。
【００２５】本発明のさらに別の局面に従えば、音声認
識方法は、入力ベクトルと部分空間毎に作成された予備
選択辞書の内容とに基づいてＨＭＭを構成する各分布の
近似尤度を計算するステップと、近似尤度を用いて選択
された分布について入力ベクトルとの尤度を計算するス
テップと、計算された尤度に基づいて音声の認識を行う
ステップとを含む。
識方法は、入力ベクトルと部分空間毎に作成された予備
選択辞書の内容とに基づいてＨＭＭを構成する各分布の
近似尤度を計算するステップと、近似尤度を用いて選択
された分布について入力ベクトルとの尤度を計算するス
テップと、計算された尤度に基づいて音声の認識を行う
ステップとを含む。
【００２６】近似尤度を用いて選択された分布について
のみ入力ベクトルとの尤度を計算するので、尤度計算の
計算量を削減することができ、音声認識の処理速度を向
上させることが可能となる。
のみ入力ベクトルとの尤度を計算するので、尤度計算の
計算量を削減することができ、音声認識の処理速度を向
上させることが可能となる。
【００２７】本発明のさらに別の局面に従えば、コンピ
ュータ読取可能な媒体に記録された音声認識プログラム
は、入力ベクトルと部分空間毎に作成された予備選択辞
書の内容とに基づいてＨＭＭを構成する各分布の近似尤
度を計算するステップと、近似尤度を用いて選択された
分布について入力ベクトルとの尤度を計算するステップ
と、計算された尤度に基づいて音声の認識を行うステッ
プとを含む。
ュータ読取可能な媒体に記録された音声認識プログラム
は、入力ベクトルと部分空間毎に作成された予備選択辞
書の内容とに基づいてＨＭＭを構成する各分布の近似尤
度を計算するステップと、近似尤度を用いて選択された
分布について入力ベクトルとの尤度を計算するステップ
と、計算された尤度に基づいて音声の認識を行うステッ
プとを含む。
【００２８】近似尤度を用いて選択された分布について
のみ入力ベクトルとの尤度を計算するので、尤度計算の
計算量を削減することができ、音声認識の処理速度を向
上させることが可能となる。
のみ入力ベクトルとの尤度を計算するので、尤度計算の
計算量を削減することができ、音声認識の処理速度を向
上させることが可能となる。
【００２９】
【発明の実施の形態】図１は、本発明の実施の形態にお
ける音声認識装置の機能構成を示すブロック図である。
この音声認識装置は、マイクによって集音されたアナロ
グの音声信号をディジタル信号に変換し、音声認識の対
象となる音声区間を切り出して出力する音声入力部１
と、音声入力部１から出力されたディジタルの音声信号
を分析し、音響パラメータ（入力ベクトル）を抽出して
出力する音響分析部２と、音響分析部２から出力された
音響パラメータに基づいてＨＭＭの状態を構成する各分
布の尤度を計算する尤度計算部３と、尤度計算部３によ
る尤度計算の際に使用されるＨＭＭを格納するＨＭＭ格
納部４と、単語辞書６と、尤度計算部３によって計算さ
れた尤度に基づいて単語辞書６を探索して認識結果を出
力する辞書探索部５と、辞書探索部５から出力された認
識結果を表示する表示部７とを含む。
ける音声認識装置の機能構成を示すブロック図である。
この音声認識装置は、マイクによって集音されたアナロ
グの音声信号をディジタル信号に変換し、音声認識の対
象となる音声区間を切り出して出力する音声入力部１
と、音声入力部１から出力されたディジタルの音声信号
を分析し、音響パラメータ（入力ベクトル）を抽出して
出力する音響分析部２と、音響分析部２から出力された
音響パラメータに基づいてＨＭＭの状態を構成する各分
布の尤度を計算する尤度計算部３と、尤度計算部３によ
る尤度計算の際に使用されるＨＭＭを格納するＨＭＭ格
納部４と、単語辞書６と、尤度計算部３によって計算さ
れた尤度に基づいて単語辞書６を探索して認識結果を出
力する辞書探索部５と、辞書探索部５から出力された認
識結果を表示する表示部７とを含む。
【００３０】入力部１は、ユーザによって音声が入力さ
れるマイク１ａと、マイク１ａを介して入力された音声
信号をアナログ信号からディジタル信号に変換するＡ／
Ｄ（Analog/Digital）コンバータ1bとを含む。
れるマイク１ａと、マイク１ａを介して入力された音声
信号をアナログ信号からディジタル信号に変換するＡ／
Ｄ（Analog/Digital）コンバータ1bとを含む。
【００３１】ＨＭＭ格納部４は、大量の音声データから
学習したＨＭＭの状態を構成する各分布を格納する詳細
辞書部４ｂと、詳細辞書４ｂに格納される音声データの
各分布を特徴空間毎にクラスタリングして作成したクラ
スタ代表分布を格納する予備選択辞書４ａとを含む。Ｈ
ＭＭの学習は、Baum-Welchアルゴリズムによって行われ
る。なお、この予備選択辞書４ａおよび詳細辞書４ｂの
詳細については後述する。
学習したＨＭＭの状態を構成する各分布を格納する詳細
辞書部４ｂと、詳細辞書４ｂに格納される音声データの
各分布を特徴空間毎にクラスタリングして作成したクラ
スタ代表分布を格納する予備選択辞書４ａとを含む。Ｈ
ＭＭの学習は、Baum-Welchアルゴリズムによって行われ
る。なお、この予備選択辞書４ａおよび詳細辞書４ｂの
詳細については後述する。
【００３２】尤度計算部３は、音響分析部２によって抽
出された音響パラメータおよび予備選択辞書４ａに格納
されるクラスタ代表分布とを比較して尤度を計算し、各
分布毎のインデックス情報を用いて各分布の近似尤度を
計算する近似尤度計算部３ａと、近似尤度計算部３ａに
よって計算された近似尤度の上位から所定数の分布、ま
たは予め定められた基準尤度より大きい近似尤度の分布
を選択する分布選択部３ｂと、分布選択部３ｂによって
選択された分布について詳細辞書４ｂを用いて尤度を再
計算する詳細尤度計算部３ｃとを含む。
出された音響パラメータおよび予備選択辞書４ａに格納
されるクラスタ代表分布とを比較して尤度を計算し、各
分布毎のインデックス情報を用いて各分布の近似尤度を
計算する近似尤度計算部３ａと、近似尤度計算部３ａに
よって計算された近似尤度の上位から所定数の分布、ま
たは予め定められた基準尤度より大きい近似尤度の分布
を選択する分布選択部３ｂと、分布選択部３ｂによって
選択された分布について詳細辞書４ｂを用いて尤度を再
計算する詳細尤度計算部３ｃとを含む。
【００３３】辞書探索部５は、尤度計算部３によって計
算された各分布の尤度および単語辞書６に登録された単
語に対してビタビアルゴリズムを用いてスコアを算出
し、この算出されたスコアが最大となる単語を認識結果
として出力する。
算された各分布の尤度および単語辞書６に登録された単
語に対してビタビアルゴリズムを用いてスコアを算出
し、この算出されたスコアが最大となる単語を認識結果
として出力する。
【００３４】なお、以上の説明においては、音声特徴ベ
クトル系列をＨＭＭで表現した場合についてのものであ
ったが、ＨＭＭの代わりに、フレームベクトルの時系列
で表現した標準パターンを用いても良い。この標準パタ
ーンを用いて認識を行う場合には、音響パラメータとＨ
ＭＭの状態を構成する各分布とを比較して尤度を計算す
る尤度計算部３に代えて、音響パラメータと標準パター
ンのフレームベクトルとの距離を計算して評価する構成
を採用すれば良い。また、辞書探索部５は、標準パター
ンのフレームベクトルの距離および単語辞書６に登録さ
れた単語に対してＤＰ（Dynamic Programming）マッチ
ングを用いてスコアを算出し、この算出されたスコアが
最小となる単語を認識結果として出力する構成を採用す
れば良い。
クトル系列をＨＭＭで表現した場合についてのものであ
ったが、ＨＭＭの代わりに、フレームベクトルの時系列
で表現した標準パターンを用いても良い。この標準パタ
ーンを用いて認識を行う場合には、音響パラメータとＨ
ＭＭの状態を構成する各分布とを比較して尤度を計算す
る尤度計算部３に代えて、音響パラメータと標準パター
ンのフレームベクトルとの距離を計算して評価する構成
を採用すれば良い。また、辞書探索部５は、標準パター
ンのフレームベクトルの距離および単語辞書６に登録さ
れた単語に対してＤＰ（Dynamic Programming）マッチ
ングを用いてスコアを算出し、この算出されたスコアが
最小となる単語を認識結果として出力する構成を採用す
れば良い。
【００３５】図２は、本実施の形態における音声認識装
置の処理手順を説明するためのフローチャートである。
まず、ユーザがマイク１ａを介して音声を入力すると、
このアナログの音声信号がＡ／Ｄコンバータ１ｂによっ
てディジタル信号に変換される（Ｓ１１）。音響分析部
２は、線形予測分析等を用いて音声信号の特徴である音
響パラメータ（入力ベクトル）を抽出する（Ｓ１２）。
なお、本実施の形態においては、この音響パラメータと
して、ＬＰＣ（Linear Predictive Coding）ケプスト
ラム１次〜１６次、ＬＰＣΔケプストラム１次〜１６
次、パワーおよびΔパワーの４種類の特徴を用いるもの
とする。
置の処理手順を説明するためのフローチャートである。
まず、ユーザがマイク１ａを介して音声を入力すると、
このアナログの音声信号がＡ／Ｄコンバータ１ｂによっ
てディジタル信号に変換される（Ｓ１１）。音響分析部
２は、線形予測分析等を用いて音声信号の特徴である音
響パラメータ（入力ベクトル）を抽出する（Ｓ１２）。
なお、本実施の形態においては、この音響パラメータと
して、ＬＰＣ（Linear Predictive Coding）ケプスト
ラム１次〜１６次、ＬＰＣΔケプストラム１次〜１６
次、パワーおよびΔパワーの４種類の特徴を用いるもの
とする。
【００３６】次に、近似尤度計算部３ａは、音響分析部
２によって抽出された音響パラメータと各特徴毎に作成
された予備選択辞書４ａとを比較し、部分空間別尤度テ
ーブルを作成する。そして、インデックステーブル内の
分布番号と各特徴毎のクラスタへのインデックス情報を
用いて部分空間別尤度テーブルを参照し、各分布の近似
尤度を計算する（Ｓ１３）。
２によって抽出された音響パラメータと各特徴毎に作成
された予備選択辞書４ａとを比較し、部分空間別尤度テ
ーブルを作成する。そして、インデックステーブル内の
分布番号と各特徴毎のクラスタへのインデックス情報を
用いて部分空間別尤度テーブルを参照し、各分布の近似
尤度を計算する（Ｓ１３）。
【００３７】ここで、予備選択辞書４ａ、インデックス
テーブルおよび部分空間別尤度テーブルの作成方法につ
いて説明する。
テーブルおよび部分空間別尤度テーブルの作成方法につ
いて説明する。
【００３８】図３は予備選択辞書４ａの内容の一例を示
す図であり、図４はインデックステーブルおよび部分空
間別尤度テーブルの一例を示す図である。また、図５は
予備選択辞書４ａの作成方法を説明するためのフローチ
ャートである。まず、詳細辞書４ｂに格納されたＨＭＭ
の状態を構成する各分布が、部分空間毎にＭ個のクラス
タに分類される（Ｓ２１）。分布の各特徴をＭ個のクラ
スタに分類する方法として、たとえば、Ｋ−ｍｅａｎｓ
法を使うことができる。
す図であり、図４はインデックステーブルおよび部分空
間別尤度テーブルの一例を示す図である。また、図５は
予備選択辞書４ａの作成方法を説明するためのフローチ
ャートである。まず、詳細辞書４ｂに格納されたＨＭＭ
の状態を構成する各分布が、部分空間毎にＭ個のクラス
タに分類される（Ｓ２１）。分布の各特徴をＭ個のクラ
スタに分類する方法として、たとえば、Ｋ−ｍｅａｎｓ
法を使うことができる。
【００３９】次に、このクラスタリングの結果から、各
分布とクラスタとの関係を表すインデックステーブルが
作成される（Ｓ２２）。このインデックステーブルは、
各分布の各特徴がいずれのクラスタ（１〜Ｍ）に分類さ
れているかを示している。たとえば、図４において分布
番号“１”の分布のパワーがクラスタ番号“２”のクラ
スタに分類され、ＬＰＣケプストラムがクラスタ番号
“１”のクラスタに分類され、Δパワーがクラスタ番号
“１”のクラスタに分類され、ＬＰＣΔケプストラムが
クラスタ番号“２”のクラスタに分類されていることを
示している。
分布とクラスタとの関係を表すインデックステーブルが
作成される（Ｓ２２）。このインデックステーブルは、
各分布の各特徴がいずれのクラスタ（１〜Ｍ）に分類さ
れているかを示している。たとえば、図４において分布
番号“１”の分布のパワーがクラスタ番号“２”のクラ
スタに分類され、ＬＰＣケプストラムがクラスタ番号
“１”のクラスタに分類され、Δパワーがクラスタ番号
“１”のクラスタに分類され、ＬＰＣΔケプストラムが
クラスタ番号“２”のクラスタに分類されていることを
示している。
【００４０】次に、大量の音声データ（詳細辞書４ｂを
生成する際に使用された音声データ）と詳細辞書４ｂ内
の各分布とを比較し、音声データがどのクラスタに属す
るかを再度分類する（Ｓ２３）。すなわち、音声データ
を詳細辞書４ｂの内容を用いて認識を行いマッチング経
路をとることにより、入力ベクトルに対して最も尤度の
高い分布を求め、インデックステーブルを参照して各特
徴がどのクラスタに属するかを分類する。
生成する際に使用された音声データ）と詳細辞書４ｂ内
の各分布とを比較し、音声データがどのクラスタに属す
るかを再度分類する（Ｓ２３）。すなわち、音声データ
を詳細辞書４ｂの内容を用いて認識を行いマッチング経
路をとることにより、入力ベクトルに対して最も尤度の
高い分布を求め、インデックステーブルを参照して各特
徴がどのクラスタに属するかを分類する。
【００４１】そして、各クラスタに属している音声デー
タの音響パラメータの値から平均値および分散を計算し
てクラスタ代表分布を作成する（Ｓ２４）。図３に示す
予備選択辞書は、この作成された各クラスタ代表分布が
特徴毎に格納されているところを示している。また、予
備選択辞書４ａを簡易に作成するために、ステップＳ２
１において作成されたクラスタリングの結果から平均値
と分散とを計算してクラスタ代表分布としても良い。
タの音響パラメータの値から平均値および分散を計算し
てクラスタ代表分布を作成する（Ｓ２４）。図３に示す
予備選択辞書は、この作成された各クラスタ代表分布が
特徴毎に格納されているところを示している。また、予
備選択辞書４ａを簡易に作成するために、ステップＳ２
１において作成されたクラスタリングの結果から平均値
と分散とを計算してクラスタ代表分布としても良い。
【００４２】なお、図３には部分空間別の予備選択辞書
が１層だけ作成される場合を示しているが、図６に示す
ような多層構造にしても良い。この場合、たとえば図４
に示す予備選択辞書４ａを第２層と考え、部分空間毎に
第２層のＭ２個のクラスタ代表分布をクラスタリングし
てＭ１個のクラスタ代表分布が作成され、第１層と第２
層との対応がインデックステーブルに格納される。予備
選択辞書をこのような構成にすることにより、認識対象
の音響パラメータに基づいて第１層の各クラスタ代表分
布との尤度を計算して尤度が高いクラスタを選択し、こ
のクラスタが指し示す第２層の各クラスタ代表分布との
尤度を再計算するとともに、選択されなかったクラスタ
が指し示す第２層のクラスタについては第１層のクラス
タ代表分布の尤度を近似尤度として使用することによ
り、尤度計算の計算量を削減することができる。
が１層だけ作成される場合を示しているが、図６に示す
ような多層構造にしても良い。この場合、たとえば図４
に示す予備選択辞書４ａを第２層と考え、部分空間毎に
第２層のＭ２個のクラスタ代表分布をクラスタリングし
てＭ１個のクラスタ代表分布が作成され、第１層と第２
層との対応がインデックステーブルに格納される。予備
選択辞書をこのような構成にすることにより、認識対象
の音響パラメータに基づいて第１層の各クラスタ代表分
布との尤度を計算して尤度が高いクラスタを選択し、こ
のクラスタが指し示す第２層の各クラスタ代表分布との
尤度を再計算するとともに、選択されなかったクラスタ
が指し示す第２層のクラスタについては第１層のクラス
タ代表分布の尤度を近似尤度として使用することによ
り、尤度計算の計算量を削減することができる。
【００４３】次に、図４に示す部分空間別尤度テーブル
の算出および詳細尤度を算出する必要がある分布の抽出
について、図７（ａ）および図７（ｂ）を参照しながら
説明する。図７（ａ）に示すように、まず、近似尤度計
算部３ａは、部分空間毎に認識対象の音響パラメータと
予備選択辞書４ａに格納されるクラスタ代表の分布とを
比較して尤度を計算し、図４に示すように部分空間別尤
度テーブルを作成する（Ｓ３１）。
の算出および詳細尤度を算出する必要がある分布の抽出
について、図７（ａ）および図７（ｂ）を参照しながら
説明する。図７（ａ）に示すように、まず、近似尤度計
算部３ａは、部分空間毎に認識対象の音響パラメータと
予備選択辞書４ａに格納されるクラスタ代表の分布とを
比較して尤度を計算し、図４に示すように部分空間別尤
度テーブルを作成する（Ｓ３１）。
【００４４】次に、近似尤度計算部３ａは、インデック
ステーブルの分布番号順にインデックスを参照して部分
空間別尤度テーブル内の各特徴の尤度を抽出し、それら
を加算することによって近似尤度を算出する（Ｓ３
２）。図４に示すように、部分空間別尤度テーブルの内
容は対数によって表されているので、加算のみによって
近似尤度を算出することができる。
ステーブルの分布番号順にインデックスを参照して部分
空間別尤度テーブル内の各特徴の尤度を抽出し、それら
を加算することによって近似尤度を算出する（Ｓ３
２）。図４に示すように、部分空間別尤度テーブルの内
容は対数によって表されているので、加算のみによって
近似尤度を算出することができる。
【００４５】次に、分布選択部３ｂは、近似尤度算出部
３ａによって算出された各分布の近似尤度をソーティン
グし、近似尤度の大きい上位Ｔ個の分布を抽出する（Ｓ
３３）。そして、詳細尤度計算部３ｃは、分布選択部３
ｂによって抽出された上位Ｔ個の分布に対応する出力確
率分布を詳細辞書４ｂから抽出し、認識対象の音響パラ
メータと上位Ｔ個の分布に対応する出力確率分布とを比
較して詳細尤度を計算する（Ｓ３４）。
３ａによって算出された各分布の近似尤度をソーティン
グし、近似尤度の大きい上位Ｔ個の分布を抽出する（Ｓ
３３）。そして、詳細尤度計算部３ｃは、分布選択部３
ｂによって抽出された上位Ｔ個の分布に対応する出力確
率分布を詳細辞書４ｂから抽出し、認識対象の音響パラ
メータと上位Ｔ個の分布に対応する出力確率分布とを比
較して詳細尤度を計算する（Ｓ３４）。
【００４６】また、別の方法として図７（ｂ）に示すよ
うに、まず、近似尤度計算部３ａは、部分空間毎に認識
対象の音響パラメータと予備選択辞書４ａに格納される
クラスタ代表の分布とを比較して尤度を計算し、図４に
示すように部分空間別尤度テーブルを作成する（Ｓ４
１）。
うに、まず、近似尤度計算部３ａは、部分空間毎に認識
対象の音響パラメータと予備選択辞書４ａに格納される
クラスタ代表の分布とを比較して尤度を計算し、図４に
示すように部分空間別尤度テーブルを作成する（Ｓ４
１）。
【００４７】次に、近似尤度計算部３ａは、インデック
ステーブルの分布番号順にインデックスを参照して部分
空間別尤度テーブル内の各特徴の尤度を抽出し、それら
を加算することによって近似尤度を算出する（Ｓ４
２）。
ステーブルの分布番号順にインデックスを参照して部分
空間別尤度テーブル内の各特徴の尤度を抽出し、それら
を加算することによって近似尤度を算出する（Ｓ４
２）。
【００４８】次に、分布選択部３ｂは、各部分空間の最
大尤度を算出し、この各部分空間の最大尤度と予め定め
られた閾値とから基準尤度（基準尤度＜最大尤度）を算
出する。そして、分布選択部３ｂは、基準尤度よりも近
似尤度が大きい分布を選択する（Ｓ４３）。そして、詳
細尤度計算部３ｃは、分布選択部３ｂによって選択され
た分布に対応する出力確率分布を詳細辞書４ｂから抽出
し、認識対象の音響パラメータと抽出された分布に対応
する出力確率分布とを比較して詳細尤度を計算する（Ｓ
４４）。
大尤度を算出し、この各部分空間の最大尤度と予め定め
られた閾値とから基準尤度（基準尤度＜最大尤度）を算
出する。そして、分布選択部３ｂは、基準尤度よりも近
似尤度が大きい分布を選択する（Ｓ４３）。そして、詳
細尤度計算部３ｃは、分布選択部３ｂによって選択され
た分布に対応する出力確率分布を詳細辞書４ｂから抽出
し、認識対象の音響パラメータと抽出された分布に対応
する出力確率分布とを比較して詳細尤度を計算する（Ｓ
４４）。
【００４９】再び、図２に示すフローチャートの説明に
戻る。上述したように、予備選択辞書４ａおよび詳細辞
書４ｂを参照しながら分布の選択を行い（Ｓ１４）、選
択された分布の詳細尤度を算出する（Ｓ１５）。
戻る。上述したように、予備選択辞書４ａおよび詳細辞
書４ｂを参照しながら分布の選択を行い（Ｓ１４）、選
択された分布の詳細尤度を算出する（Ｓ１５）。
【００５０】次に、辞書探索部５は、ステップＳ１５に
おいて算出された各分布の尤度と、単語辞書６に登録さ
れた単語毎のモデルとに対してビタビアルゴリズムを用
いてスコアを算出し（Ｓ１６）、スコアが最大となる単
語を認識結果として表示部７に表示する（Ｓ１７）。
おいて算出された各分布の尤度と、単語辞書６に登録さ
れた単語毎のモデルとに対してビタビアルゴリズムを用
いてスコアを算出し（Ｓ１６）、スコアが最大となる単
語を認識結果として表示部７に表示する（Ｓ１７）。
【００５１】たとえば、分布数Ｎを１５００、各部分空
間のクラスタ数Ｍを５０、詳細尤度を算出する分布数Ｔ
を１００とすると、５０（クラスタ数Ｍ）＋１００（分
布Ｔ）＝１５０の分布についての尤度計算と、各分布の
近似尤度の計算と、上位１００個の分布の選択とが必要
になる。この中で、各分布の近似尤度の計算と、上位１
００個の分布の選択とに要する時間は、尤度計算と比較
して短いものである。したがって、従来のＨＭＭを用い
た音声認識においては分布数Ｎ＝１５００に対応する尤
度計算が必要であるのに対し、本実施の形態における音
声認識装置においては１５０の分布についての尤度計算
が必要であり、従来と比べて約１／１０の計算量で尤度
計算が行えることになる。
間のクラスタ数Ｍを５０、詳細尤度を算出する分布数Ｔ
を１００とすると、５０（クラスタ数Ｍ）＋１００（分
布Ｔ）＝１５０の分布についての尤度計算と、各分布の
近似尤度の計算と、上位１００個の分布の選択とが必要
になる。この中で、各分布の近似尤度の計算と、上位１
００個の分布の選択とに要する時間は、尤度計算と比較
して短いものである。したがって、従来のＨＭＭを用い
た音声認識においては分布数Ｎ＝１５００に対応する尤
度計算が必要であるのに対し、本実施の形態における音
声認識装置においては１５０の分布についての尤度計算
が必要であり、従来と比べて約１／１０の計算量で尤度
計算が行えることになる。
【００５２】また、全特徴空間でクラスタリングして作
成した予備選択辞書を用いて尤度計算を行う場合、その
尤度計算に要する計算量は本実施の形態における予備選
択辞書を用いた場合の計算量と同じである。しかし、全
特徴空間でクラスタリングして作成した予備選択辞書を
用いた場合にはＭ通りの近似尤度しか表現できないのに
対し、本実施の形態の予備選択辞書においては、各特徴
空間毎にクラスタリングされるので、Ｍ×Ｍ×Ｍ×Ｍ通
りの近似尤度を表現できる。したがって、より詳細な近
似尤度を算出することができ、音声の認識性能が高くな
る。
成した予備選択辞書を用いて尤度計算を行う場合、その
尤度計算に要する計算量は本実施の形態における予備選
択辞書を用いた場合の計算量と同じである。しかし、全
特徴空間でクラスタリングして作成した予備選択辞書を
用いた場合にはＭ通りの近似尤度しか表現できないのに
対し、本実施の形態の予備選択辞書においては、各特徴
空間毎にクラスタリングされるので、Ｍ×Ｍ×Ｍ×Ｍ通
りの近似尤度を表現できる。したがって、より詳細な近
似尤度を算出することができ、音声の認識性能が高くな
る。
【００５３】なお、本実施の形態における音声認識装置
においては、特徴空間としてパワー、Δパワー、ＬＰＣ
ケプストラムおよびＬＰＣΔケプストラムの４つが用い
られたが、他の特徴空間が用いられても良い。また、各
特徴空間において、各部分空間のクラスタ数を同一とし
て説明したが、特徴空間毎に異なる部分空間のクラスタ
数を設定しても良い。
においては、特徴空間としてパワー、Δパワー、ＬＰＣ
ケプストラムおよびＬＰＣΔケプストラムの４つが用い
られたが、他の特徴空間が用いられても良い。また、各
特徴空間において、各部分空間のクラスタ数を同一とし
て説明したが、特徴空間毎に異なる部分空間のクラスタ
数を設定しても良い。
【００５４】図８は、本発明の音声認識装置の外観例を
示す図である。この音声認識装置は、音声入力部１、コ
ンピュータ本体１１、グラフィックディスプレイ装置１
２、磁気テープ１４が装着される磁気テープ装置１３、
キーボード１５、マウス１６、ＣＤ−ＲＯＭ（Compact
Disc-Read Only Memory）１８が装着されるＣＤ−Ｒ
ＯＭ装置１７および通信モデム１９を含む。音声認識プ
ログラムは、磁気テープ１４またはＣＤ―ＲＯＭ１８等
の記録媒体によって供給される。音声認識プログラムは
コンピュータ本体１１によって実行され、操作者はグラ
フィックディスプレイ装置１２を見ながらキーボード１
５またはマウス１６を操作することによって音声認識の
指示等を行う。また、音声認識プログラムは他のコンピ
ュータより通信回線を経由し、通信モデム１９を介して
コンピュータ本体１１に供給されてもよい。
示す図である。この音声認識装置は、音声入力部１、コ
ンピュータ本体１１、グラフィックディスプレイ装置１
２、磁気テープ１４が装着される磁気テープ装置１３、
キーボード１５、マウス１６、ＣＤ−ＲＯＭ（Compact
Disc-Read Only Memory）１８が装着されるＣＤ−Ｒ
ＯＭ装置１７および通信モデム１９を含む。音声認識プ
ログラムは、磁気テープ１４またはＣＤ―ＲＯＭ１８等
の記録媒体によって供給される。音声認識プログラムは
コンピュータ本体１１によって実行され、操作者はグラ
フィックディスプレイ装置１２を見ながらキーボード１
５またはマウス１６を操作することによって音声認識の
指示等を行う。また、音声認識プログラムは他のコンピ
ュータより通信回線を経由し、通信モデム１９を介して
コンピュータ本体１１に供給されてもよい。
【００５５】図９は、本発明の音声認識装置の構成例を
示すブロック図である。図８に示すコンピュータ本体１
１は、ＣＰＵ（Central Processing Unit）２０、Ｒ
ＯＭ（Read Only Memory)２１、ＲＡＭ（Random Acc
ess Memory）２２およびハードディスク２３を含む。
ＣＰＵ２０は、グラフィックディスプレイ装置１２、磁
気テープ装置１３、キーボード１５、マウス１６、ＣＤ
−ＲＯＭ装置１７、通信モデム１９、ＲＯＭ２１、ＲＡ
Ｍ２２またはハードディスク２３との間でデータを入出
力しながら処理を行う。磁気テープ１４またはＣＤ−Ｒ
ＯＭ１８に記録された音声認識プログラムは、ＣＰＵ２
０により磁気テープ装置１３またはＣＤ−ＲＯＭ装置１
７を介して一旦ハードディスク２３に格納される。ＣＰ
Ｕ２０は、ハードディスク２３から適宜音声認識プログ
ラムをＲＡＭ２２にロードして実行することによって音
声認識を行う。
示すブロック図である。図８に示すコンピュータ本体１
１は、ＣＰＵ（Central Processing Unit）２０、Ｒ
ＯＭ（Read Only Memory)２１、ＲＡＭ（Random Acc
ess Memory）２２およびハードディスク２３を含む。
ＣＰＵ２０は、グラフィックディスプレイ装置１２、磁
気テープ装置１３、キーボード１５、マウス１６、ＣＤ
−ＲＯＭ装置１７、通信モデム１９、ＲＯＭ２１、ＲＡ
Ｍ２２またはハードディスク２３との間でデータを入出
力しながら処理を行う。磁気テープ１４またはＣＤ−Ｒ
ＯＭ１８に記録された音声認識プログラムは、ＣＰＵ２
０により磁気テープ装置１３またはＣＤ−ＲＯＭ装置１
７を介して一旦ハードディスク２３に格納される。ＣＰ
Ｕ２０は、ハードディスク２３から適宜音声認識プログ
ラムをＲＡＭ２２にロードして実行することによって音
声認識を行う。
【００５６】以上説明したように、本実施の形態におけ
る音声認識装置によれば、部分空間毎に作成された予備
選択辞書４ａを用いて各分布の近似的な尤度を算出し、
出力確率を厳密に計算する必要がある分布を抽出し、抽
出された分布のみ出力確率を計算するようにしたので、
認識に要する時間を短縮することが可能となった。ま
た、各特徴空間毎にクラスタリングして予備選択辞書４
ａを作成するようにしたので、近似尤度計算部３ａは詳
細な近似尤度を算出することができ、認識性能を高くす
ることが可能となった。
る音声認識装置によれば、部分空間毎に作成された予備
選択辞書４ａを用いて各分布の近似的な尤度を算出し、
出力確率を厳密に計算する必要がある分布を抽出し、抽
出された分布のみ出力確率を計算するようにしたので、
認識に要する時間を短縮することが可能となった。ま
た、各特徴空間毎にクラスタリングして予備選択辞書４
ａを作成するようにしたので、近似尤度計算部３ａは詳
細な近似尤度を算出することができ、認識性能を高くす
ることが可能となった。
【００５７】今回開示された実施の形態は、すべての点
で例示であって制限的なものではないと考えられるべき
である。本発明の範囲は上記した説明ではなくて特許請
求の範囲によって示され、特許請求の範囲と均等の意味
および範囲内でのすべての変更が含まれることが意図さ
れる。
で例示であって制限的なものではないと考えられるべき
である。本発明の範囲は上記した説明ではなくて特許請
求の範囲によって示され、特許請求の範囲と均等の意味
および範囲内でのすべての変更が含まれることが意図さ
れる。
【図１】 本発明の実施の形態における音声認識装置の
機能構成の概略を説明するための図である。
機能構成の概略を説明するための図である。
【図２】 本発明の実施の形態における音声認識装置の
処理手順を説明するためのフローチャートである。
処理手順を説明するためのフローチャートである。
【図３】 予備選択辞書４ａの一例を示す図である。
【図４】 インデックステーブルおよび部分空間別尤度
テーブルの一例を示す図である。
テーブルの一例を示す図である。
【図５】 部分空間毎の予備選択辞書４ａおよびインデ
ックステーブルの作成を説明するためのフローチャート
である。
ックステーブルの作成を説明するためのフローチャート
である。
【図６】 予備選択辞書４ａを多層構造にした場合を示
す図である。
す図である。
【図７】 部分空間別尤度テーブルの作成および詳細尤
度の計算を説明するためのフローチャートである。
度の計算を説明するためのフローチャートである。
【図８】 本発明の実施の形態における音声認識装置の
外観例を示す図である。
外観例を示す図である。
【図９】 本発明の実施の形態における音声認識装置の
概略構成を示す図である。
概略構成を示す図である。
１ 音声入力部、１ａ マイク、１ｂ Ａ／Ｄコンバー
タ、２ 音響分析部、３ 尤度計算部、３ａ 近似尤度
計算部、３ｂ 分布選択部、３ｃ 詳細尤度計算部、４
ＨＭＭ格納部、４ａ 予備選択辞書、４ｂ 詳細辞
書、５ 辞書探索部、６ 単語辞書、７ 表示部、１１
コンピュータ本体、１２ グラフィックディスプレイ
装置、１３ 磁気テープ装置、１４ 磁気テープ、１５
キーボード、１６ マウス、１７ ＣＤ−ＲＯＭ装
置、１８ ＣＤ−ＲＯＭ、１９ 通信モデム、２０ Ｃ
ＰＵ、２１ ＲＯＭ、２２ ＲＡＭ、２３ ハードディ
スク。
タ、２ 音響分析部、３ 尤度計算部、３ａ 近似尤度
計算部、３ｂ 分布選択部、３ｃ 詳細尤度計算部、４
ＨＭＭ格納部、４ａ 予備選択辞書、４ｂ 詳細辞
書、５ 辞書探索部、６ 単語辞書、７ 表示部、１１
コンピュータ本体、１２ グラフィックディスプレイ
装置、１３ 磁気テープ装置、１４ 磁気テープ、１５
キーボード、１６ マウス、１７ ＣＤ−ＲＯＭ装
置、１８ ＣＤ−ＲＯＭ、１９ 通信モデム、２０ Ｃ
ＰＵ、２１ ＲＯＭ、２２ ＲＡＭ、２３ ハードディ
スク。
フロントページの続き
(56)参考文献 渡辺， 篠田， 高木， 山田， 服
部， 礒，木構造確率分布を用いた音声
認識，日本音響学会平成５年度秋季研究
発表会講演論文集，日本，1993年10月
５日，１−８−７，Ｐａｇｅｓ 13−14
Ｅｎｒｉｃｏ Ｂｏｃｃｈｉｅｒｉ,
Ｖｅｃｔｏｒ ｑｕａｎｔｉｚａｔｉｏ
ｎ ｆｏｒ ｔｈｅ ｅｆｆｉｃｉｅｎ
ｔ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ｃ
ｏｎｔｉｎｕｏｕｓ ｄｅｎｓｉｔｙ
ｌｉｋｅｌｉｈｏｏｄｓ，Ｐｒｏｃｅｅ
ｄｉｎｇｓ ｏｆ ｔｈｅ 1993 ＩＥ
ＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃ
ｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓ
ｔｉｃｓ， Ｓｐｅｅｃｈ， ａｎｄ
Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ,
米国，1993年 ４月27日，Ｖｏｌｕｍｅ
２，Ｐａｇｅｓ 692−695
小森， 山田， 山本， 大洞，少数
分布ＨＭＭによる出力確率確定に基づい
た効率的な混合連続分布ＨＭＭ音声認
識，電子情報通信学会技術研究報告［音
声］，日本，1994年10月13日，ＳＰ94−
52，Ｐａｇｅｓ 31−38
山口 外８名，コンパクトな単語音声
認識，テキスト音声合成，シャープ技
報，日本，2000年 ８月10日，第77号,
Ｐａｇｅｓ 26−32
(58)調査した分野(Int.Cl.7，ＤＢ名)
G10L 15/00 - 15/28
ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (11)
- 【請求項１】 部分空間毎に作成された予備選択辞書
と、 入力ベクトルと前記予備選択辞書に格納された内容とに
基づいてＨＭＭの状態を構成する各分布の近似尤度を計
算し、前記近似尤度を用いて選択された分布について前
記入力ベクトルとの尤度を計算するための尤度計算手段
と、 前記尤度計算手段によって計算された尤度に基づいて音
声の認識を行う認識手段とを含む音声認識装置。 - 【請求項２】 前記予備選択辞書は、特徴空間毎に作成
される、請求項１記載の音声認識装置。 - 【請求項３】 前記予備選択辞書は、部分空間毎に作成
されたクラスタ代表分布を正規分布で表現し、平均値お
よび分散が格納される、請求項１または２記載の音声認
識装置。 - 【請求項４】 前記予備選択辞書は、部分空間毎に作成
された多層の辞書を含む、請求項１〜３のいずれかに記
載の音声認識装置。 - 【請求項５】 前記尤度計算手段は、音声データを学習
して得られた各分布の出力確率分布が格納される詳細辞
書と、 前記入力ベクトルと前記予備選択辞書に格納された内容
とに基づいてＨＭＭの状態を構成する各分布の近似尤度
を計算するための近似尤度計算手段と、 前記近似尤度計算手段によって計算された近似尤度に基
づいて、詳細尤度を計算する分布を選択するための分布
選択手段と、 前記分布選択手段によって選択された分布の詳細尤度を
前記詳細辞書を用いて計算するための詳細尤度計算手段
とを含む、請求項１〜４のいずれかに記載の音声認識装
置。 - 【請求項６】 前記予備選択辞書は、前記詳細辞書に格
納される各分布が特徴空間毎に分類されて作成される、
請求項５記載の音声認識装置。 - 【請求項７】 前記予備選択辞書は、前記詳細辞書に格
納される各分布が部分空間毎に分類された後、前記音声
データがどのクラスタに属するかを分類し、各クラスタ
に属する音声データの特徴パラメータの値から計算して
作成される、請求項５または６記載の音声認識装置。 - 【請求項８】 前記分布選択手段は、前記近似尤度計算
手段によって計算された近似尤度の中から尤度の大きい
近似尤度を有する分布を選択する、請求項５〜７のいず
れかに記載の音声認識装置。 - 【請求項９】 前記分布選択手段は、前記部分空間の最
大尤度と閾値とから基準尤度を算出し、該基準尤度より
近似尤度が大きい分布を選択する、請求項５〜７のいず
れかに記載の音声認識装置。 - 【請求項１０】 入力ベクトルと部分空間毎に作成され
た予備選択辞書の内容とに基づいてＨＭＭの状態を構成
する各分布の近似尤度を計算するステップと、 前記近似尤度を用いて選択された分布について前記入力
ベクトルとの尤度を計算するステップと、 前記計算された尤度に基づいて音声の認識を行うステッ
プとを含む音声認識方法。 - 【請求項１１】 入力ベクトルと部分空間毎に作成され
た予備選択辞書の内容とに基づいてＨＭＭの状態を構成
する各分布の近似尤度を計算するステップと、 前記近似尤度を用いて選択された分布について前記入力
ベクトルとの尤度を計算するステップと、 前記計算された尤度に基づいて音声の認識を行うステッ
プとを含む音声認識プログラムを記録したコンピュータ
で読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP30818099A JP3534665B2 (ja) | 1999-10-29 | 1999-10-29 | 音声認識装置、音声認識方法および音声認識プログラムを記録した媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP30818099A JP3534665B2 (ja) | 1999-10-29 | 1999-10-29 | 音声認識装置、音声認識方法および音声認識プログラムを記録した媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001125593A JP2001125593A (ja) | 2001-05-11 |
| JP3534665B2 true JP3534665B2 (ja) | 2004-06-07 |
Family
ID=17977883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP30818099A Expired - Fee Related JP3534665B2 (ja) | 1999-10-29 | 1999-10-29 | 音声認識装置、音声認識方法および音声認識プログラムを記録した媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3534665B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4678464B2 (ja) * | 2001-06-22 | 2011-04-27 | ソニー株式会社 | 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体 |
| WO2016181474A1 (ja) | 2015-05-11 | 2016-11-17 | 株式会社東芝 | パターン認識装置、パターン認識方法およびプログラム |
-
1999
- 1999-10-29 JP JP30818099A patent/JP3534665B2/ja not_active Expired - Fee Related
Non-Patent Citations (4)
| Title |
|---|
| Ｅｎｒｉｃｏ Ｂｏｃｃｈｉｅｒｉ，Ｖｅｃｔｏｒ ｑｕａｎｔｉｚａｔｉｏｎ ｆｏｒ ｔｈｅ ｅｆｆｉｃｉｅｎｔ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ｃｏｎｔｉｎｕｏｕｓ ｄｅｎｓｉｔｙ ｌｉｋｅｌｉｈｏｏｄｓ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９９３ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ， Ｓｐｅｅｃｈ， ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，米国，１９９３年 ４月２７日，Ｖｏｌｕｍｅ ２，Ｐａｇｅｓ ６９２−６９５ |
| 小森， 山田， 山本， 大洞，少数分布ＨＭＭによる出力確率確定に基づいた効率的な混合連続分布ＨＭＭ音声認識，電子情報通信学会技術研究報告［音声］，日本，１９９４年１０月１３日，ＳＰ９４−５２，Ｐａｇｅｓ ３１−３８ |
| 山口 外８名，コンパクトな単語音声認識，テキスト音声合成，シャープ技報，日本，２０００年 ８月１０日，第７７号，Ｐａｇｅｓ ２６−３２ |
| 渡辺， 篠田， 高木， 山田， 服部， 礒，木構造確率分布を用いた音声認識，日本音響学会平成５年度秋季研究発表会講演論文集，日本，１９９３年１０月 ５日，１−８−７，Ｐａｇｅｓ １３−１４ |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2001125593A (ja) | 2001-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1112669C (zh) | 采用连续密度隐藏式马尔克夫模型的语音识别方法和系统 | |
| US8019602B2 (en) | Automatic speech recognition learning using user corrections | |
| US5956679A (en) | Speech processing apparatus and method using a noise-adaptive PMC model | |
| EP1515305B1 (en) | Noise adaption for speech recognition | |
| KR100612840B1 (ko) | 모델 변이 기반의 화자 클러스터링 방법, 화자 적응 방법및 이들을 이용한 음성 인식 장치 | |
| EP2192575B1 (en) | Speech recognition based on a multilingual acoustic model | |
| WO2002101719A1 (en) | Voice recognition apparatus and voice recognition method | |
| JPH0934486A (ja) | 音声認識方法、情報形成方法、音声認識装置および記録媒体 | |
| JPH1097276A (ja) | 音声認識方法及び装置並びに記憶媒体 | |
| Itoh et al. | N-best entropy based data selection for acoustic modeling | |
| US8595010B2 (en) | Program for creating hidden Markov model, information storage medium, system for creating hidden Markov model, speech recognition system, and method of speech recognition | |
| JP4769098B2 (ja) | 音声認識信頼度推定装置、その方法、およびプログラム | |
| US7574359B2 (en) | Speaker selection training via a-posteriori Gaussian mixture model analysis, transformation, and combination of hidden Markov models | |
| JP4829871B2 (ja) | 学習データ選択装置、学習データ選択方法、プログラムおよび記録媒体、音響モデル作成装置、音響モデル作成方法、プログラムおよび記録媒体 | |
| JP5689782B2 (ja) | 目標話者学習方法、その装置及びプログラム | |
| JP3534665B2 (ja) | 音声認識装置、音声認識方法および音声認識プログラムを記録した媒体 | |
| JP3176210B2 (ja) | 音声認識方法及び音声認識装置 | |
| En-Naimani et al. | Hybrid system of optimal self organizing maps and hidden Markov model for Arabic digits recognition | |
| Tsai et al. | Automatic speaker clustering using a voice characteristic reference space and maximum purity estimation | |
| JP2852210B2 (ja) | 不特定話者モデル作成装置及び音声認識装置 | |
| JP2001255887A (ja) | 音声認識装置、音声認識方法及び音声認識方法を記録した媒体 | |
| EP1369847B1 (en) | Speech recognition method and system | |
| JP3505364B2 (ja) | 音声データベースにおける音素片情報最適化方法、及び音素片情報最適化装置 | |
| Kritopoulou et al. | Optimizing human computer interaction for byzantine music learning: Comparing HMMs with RDFs | |
| Gubka et al. | Universal approach for sequential audio pattern search |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040302 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040309 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080319 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090319 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100319 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |