JP3535688B2 - Voice recognition method - Google Patents
Voice recognition methodInfo
- Publication number
- JP3535688B2 JP3535688B2 JP06023897A JP6023897A JP3535688B2 JP 3535688 B2 JP3535688 B2 JP 3535688B2 JP 06023897 A JP06023897 A JP 06023897A JP 6023897 A JP6023897 A JP 6023897A JP 3535688 B2 JP3535688 B2 JP 3535688B2
- Authority
- JP
- Japan
- Prior art keywords
- phoneme
- node
- grammar
- information
- word dictionary
- 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
【発明の詳細な説明】
【０００１】
【発明の属する技術分野】この発明は，単語辞書と文法
とを用い，音声を自動認識する音声認識方法に関する。
【０００２】
【従来の技術】従来までの音声認識方法を，図６〜図９
を参照して説明する。図６は従来方法を説明するための
ブロック図である。
【０００３】音響分析部６０を介して入力された音声
は，パラメータに変換される。音声認識部６１では，学
習などによって得られた音素モデル６４を用い，文法６
２と単語辞書６３から参照モデルを作成し，入力音声と
のマッチングが図られる。この途中結果は単語履歴保存
部６５に保存される。文候補作成部６６では，この単語
履歴を参照して，尤度の高い文候補を複数出力する。
【０００４】ここで，文法６２は，通常図７（Ａ）に示
すようなネットワーク文法で書かれており，ここでは，
「姓」，「姓」＋「助詞」＋…，「姓」＋「名」，
「姓」＋「名」＋「助詞」＋…，「会社名」＋「助詞」
＋…などが文法上正しいことが示されている。図７
（Ａ）のネットワークにおいて，数字はノード番号を表
している。黒丸のノードは終端のノードである。
【０００５】ノードのデータ構造は，図７（Ｂ）に示す
ようになっており，ノード情報７１としてアークへのポ
インタ情報を持つ。アークのデータ構造は，図７（Ｃ）
に示すようになっており，アーク情報７２は，文法要素
と，次のアークへのポインタと，前のノードの番号と，
次のノードの番号からなる。
【０００６】例えば，図７（Ａ）に示す１番目のノード
１の構造は，図７（Ｄ）に示すように，ノード情報７１
に続いて，第１のアーク情報７２−１，それからポイン
トされる第２のアーク情報７２−２，それからポイント
される第３のアーク情報７２−３となっている。
【０００７】一方，単語辞書６３は，図８に示すように
木構造で書かれている。この例は「姓」の単語辞書の例
であり，姓の音素列として，ｏ，ｏｋａ，ｏｋｉ，ｎ
ａ，ｎａｋａ，ｎａｋｉ，ｍｉａ，ｍｉｉが存在するこ
とが示されている。
【０００８】音声認識部６１では，この２つの構造から
音素モデル６４をつなぎ合わせて参照モデルを作りだ
し，入力音声とのマッチングを各時刻で行っていく。こ
の過程で，文法のネットワークが次に変わるときに，マ
ッチング結果を単語履歴保存部６５に保存していく。単
語履歴保存部６５では，図９（Ａ）のような単語履歴の
表に，図９（Ｂ）のようなリストを挿入したものを記憶
する。すなわち，単語履歴の表に記述する情報は，その
時刻までの尤度と，認識結果の単語と，この単語の前の
文法ノードの番号と，前の文法ノードの時刻である。こ
のとき，ある時刻のある文法ノードに到達する仮説は複
数あるので，尤度順に仮説の履歴を保存していく。
【０００９】音声認識部６１でこの単語履歴の表を作成
した後，文候補作成部６６で，この表を音声の最終の時
刻からつなぎ合わせて，全ての可能な候補を作成し，尤
度の高い順に並べることで上位数個の文候補を作成して
いく。
【００１０】
【発明が解決しようとする課題】従来方法では，単語辞
書６３は，図８のように品詞毎に木構造の形式で作成し
ていた。このため，図８のように末端に行くに従って探
索すべき単語のノード数が大きくなり，探索は効率的で
はなかった。また，この単語辞書６３を格納するメモリ
も非常に大きなものが必要であった。
【００１１】本発明は，音声認識に用いる単語辞書への
格納情報を共通の接尾辞について併合し，従来の探索区
間を大幅に削減して認識時間を削減するとともに，単語
辞書に必要なメモリの削減を可能にすることを目的とす
る。
【００１２】
【課題を解決するための手段】本発明は，単語辞書を木
構造ではなく，ネットワーク構造で記述し，音声認識部
では，単語履歴情報の代わりに音素履歴情報（音素グラ
フ）を保存して，文候補作成部では，この音素履歴情報
（音素グラフ）から時間を逆向きにたどることにより，
上位の文候補を複数個作成する。詳しくは，本発明は，
音素ノードをアークで結ぶネットワーク構造のデータ構
造で，認識対象となる単語を記憶する単語辞書と，文法
ノードをアークで結ぶネットワーク構造のデータ構造
で，文法を記憶する文法情報の記憶手段とを持ち，前記
単語辞書と前記文法情報の記憶手段とを用いて入力音声
を認識する音声認識方法であって，前記文法情報の記憶
手段と前記単語辞書から前記ネットワーク構造のデータ
をたどることにより，入力音声の音素とマッチングする
音素系列の履歴情報として，各入力音声の音素の時刻ま
での尤度と，認識結果の音素と，この単語の前の音素ノ
ードの番号と，現在の文法ノードの番号と，一つ前の文
法ノードの番号と，一つ前のノードの時刻とを保存する
ステップと，保存した前記音素系列の履歴情報を参照
し，入力音声の最終時刻から開始時刻に向かって音素一
つ一つをつなぎ合わせて可能な認識候補を作成し，認識
候補を尤度の高い順に並べることにより複数の候補を認
識結果として出力するステップとを有することを特徴と
する。
【００１３】本発明によれば，単語辞書をネットワーク
構造で記述することで，探索すべきノードの数を大幅に
削減することができる。
【００１４】
【発明の実施の形態】以下，本発明の実施の形態につい
て図面を参照して説明する。図１は，本発明の概要説明
図である。
【００１５】音響分析部１０を介して入力された音声
は，パラメータに変換され，音声認識部１１では，学習
などによって得られた音素モデル１４を用い，文法１２
と単語辞書１３から参照モデルを作成し，入力音声との
マッチングが図られる。
【００１６】このときの文法１２のデータ構造は，従来
技術として説明した図７と全く同じである。単語辞書１
３は，本発明では図１（Ｂ）のように，ネットワーク文
法で記述される。各ノードに付されている数字はノード
番号を表している。黒丸のノードは終端のノードであ
る。
【００１７】図２は，本発明における単語辞書のデータ
構造の例を示している。図２（Ａ）のネットワークは，
従来技術として説明した図８の姓の単語辞書と同様な情
報を表すものである。単語辞書１３におけるノードのデ
ータ構造は，図２（Ｂ）に示すようになっており，ノー
ド情報２１は，アークへのポインタと音素履歴表の番号
からなる。アークのデータ構造は，図２（Ｃ）に示すよ
うになっており，アーク情報２２は，音素と，次のアー
クへのポインタと，前のノードの番号と，次のノードの
番号からなる。
【００１８】例えば，図２（Ａ）に示す１番目のノード
１の構造は，図２（Ｄ）に示すようになっている。ま
ず，ノード情報２１として，第１のアーク情報２２−１
へのポインタと，音素履歴表の番号１が設定されてい
る。第１のアーク情報２２−１は，音素“ｏ”，第２の
アーク情報２２−２へのポインタ，前のノードの番号
１，次のノードの番号４からなる。第２のアーク情報２
２−２は，音素“ｎ”，第３のアーク情報２２−３への
ポインタ，前のノードの番号１，次のノードの番号２か
らなる。第３のアーク情報２２−３は，音素“ｍ”，次
のアークがないことを示す情報“ＮＵＬＬ”，前のノー
ドの番号１，次のノードの番号３からなる。
【００１９】認識の途中結果は，音素から音素へマッチ
ング処理が移るときに，音素履歴保存部１５に保存され
る。音素履歴保存部１５では，図３（Ａ）のような音素
履歴の表（テーブル）に，図３（Ｂ）のようなリストを
挿入したものを記憶する。すなわち，音素履歴の表に記
述する情報は，その時刻までの尤度３１と，認識結果の
音素３２と，この単語の前の音素ノードの番号３３と，
現在の文法ノードの番号３４と，一つ前の文法ノードの
番号３５と，一つ前のノードの時刻３６である。一つ前
の文法ノードの番号３５は，文法ノードを遷移するとき
に記入される。このとき，ある時刻のある音素ノードに
到達する仮説は複数あるので，図３（Ｂ）に示すリスト
を使って，尤度順に仮説の履歴を保存していく。
【００２０】図４は，音素履歴の表の作成例を示す。例
えば，図２（Ａ）に示すような単語辞書において，第１
候補の音素列がｏ→ｋ→ｉであったとする。第４（Ａ）
のように，時刻３における音素ノードの番号４の欄か
ら，図４（Ｂ）のリストがポイントされる。このリスト
では，時刻３までの尤度３１として値“１００”が設定
され，認識結果の音素３２として“ｏ”が設定され，前
の音素ノードの番号３３として“１”が設定され，現在
の文法ノードの番号３４として“１”が設定され，，一
つ前の文法ノードの番号３５として“０”が設定され，
一つ前のノードの時刻３６として“０”が設定されてい
る。
【００２１】また，２番目のリストとして，時刻６にお
ける音素ノードの番号５の欄から，図４（Ｃ）のリスト
がポイントされる。このリストでは，時刻６までの尤度
３１として値“２００”が設定され，認識結果の音素３
２として“ｋ”が設定され，前の音素ノードの番号３３
として“４”が設定され，現在の文法ノードの番号３４
として“１”が設定され，，一つ前の文法ノードの番号
３５として“０”が設定され，一つ前のノードの時刻３
６として“３”が設定されている。
【００２２】また，３番目のリストとして，時刻９にお
ける音素ノードの番号６の欄から，図４（Ｄ）のリスト
がポイントされる。設定内容の詳細については，図４
（Ｃ）の場合などと同様である。
【００２３】音声認識部１１でこの音素履歴の表を作成
した後，文候補作成部１６で，この音声履歴の表を参照
し，音声の最終の時刻から音素一つ一つをつなぎ合わせ
て，全ての可能な候補を作成し，尤度の高い順に並べる
ことで上位数個の文候補を作成していく。
【００２４】図５は，音声認識部における尤度を計算す
るためのＨＭＭの説明図である。音声認識部１１におけ
る尤度の計算には，ＨＭＭ（Hidden Markov Model)など
が用いられる。ここでは，ＨＭＭを用いた場合の尤度計
算について説明する。ＨＭＭでは，通常，音素ごとに図
５（Ａ）に示すような構造のモデルが作られている。Ｈ
ＭＭは，状態とアークで構成されている。各状態は，音
素内部の細かな事象を表す。例えば“ｔ”という発声で
あれば，発声前の口を閉じた状態，“ｔ”の破裂部分の
発声の状態，後の母音への渡りの状態などの事象を表し
ている。
【００２５】各状態には，状態を遷移するための遷移確
率（ａij）と，入力音声がその事象に近いかどうかを計
算するための関数（ｂij（ｘ））が保存されている。パ
ターンのマッチングは，図５（Ｂ）のように，入力音声
と音素ＨＭＭの状態間の経路の尤度が最大となる経路を
見つけることで実現される。ここで用いている尤度と
は，この経路の値を指している。
【００２６】これ以外の尤度計算法，例えばニューラル
ネット，ＤＰマッチングなどでも同様の計算が実現でき
る。音声認識部１１における前向きの探索アルゴリズム
と，文候補作成部１６における後向きの探索アルゴリズ
ムの例を，以下に説明する。
【００２７】〔前向きの探索アルゴリズム〕
（１）まず，初期化を行う。一つの候補を文法ネットワ
ークの最初のノードに設定する。
（２）各文法のノードに対して，以下の(2.1), (2.2)の
処理を行う。
【００２８】(2.1) 文法ノード上のすべての候補に対し
て，単語辞書内のネットワークの最初に候補を渡す。
(2.2) もし，複数の候補が同じ辞書ネットワークの最初
に到達した場合には，音素履歴の表に記入し，最大の尤
度のものだけ残す。
（３）すべての辞書ネットワークの内部に対して，以下
の(3.1), (3.2)の処理を行う。
【００２９】(3.1) すべての辞書ネットワークのノード
上の候補に対して，以下の(3.1.1), (3.1.2)の処理を行
う。
(3.1.1) 時刻を一つ進めてマッチングを行い，候補の尤
度を計算する。
【００３０】(3.1.2) もし，候補の尤度が十分に高くな
い場合には，枝刈りを行う。
(3.2) すべての辞書ネットワークのノード上の候補に対
して，以下の(3.2.1), (3.2.2)の処理を行う。
【００３１】(3.2.1) ネットワークの次のノードに候補
を送る。もし，複数の候補が同じノードにたどりついた
場合には，尤度が最大の候補のみ残して，音素履歴の表
に記入する。
【００３２】(3.2.2) もし，ノードが終端ノードであれ
ば，この候補を文法ネットワークへ送り出す。以上の動
作を時刻が入力パターンの長さになるまで繰り返す。
【００３３】〔後向きの探索アルゴリズム〕文法の終端
ノードから，音素履歴の表を時間の逆向きにたどること
で，上位から複数個の候補を作成する。戻るのに必要な
情報はすべて音素履歴の表の中に記入してある。
【００３４】この方法を用いて電話番号案内システムを
作成して評価を行った結果，従来のシステムではメモリ
が不足し実行できないものが，本手法を用いることによ
って，５位までの候補に対して９７％の認識率を達成す
ることができた。
【００３５】
【発明の効果】以上説明したように，本発明によれば，
単語辞書をネットワーク構造にすることによって従来の
探索区間を大幅に削減し，必要なメモリの削減を行うこ
とができる。Description: BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a speech recognition method for automatically recognizing speech using a word dictionary and grammar. 2. Description of the Related Art Conventional speech recognition methods are shown in FIGS.
This will be described with reference to FIG. FIG. 6 is a block diagram for explaining a conventional method. [0003] The voice input through the acoustic analysis unit 60 is converted into parameters. The speech recognition unit 61 uses the phoneme model 64 obtained by learning or the like to
2 and a word dictionary 63, a reference model is created, and matching with the input speech is achieved. This intermediate result is stored in the word history storage unit 65. The sentence candidate creating unit 66 outputs a plurality of sentence candidates with high likelihood by referring to the word history. Here, the grammar 62 is usually written in a network grammar as shown in FIG. 7 (A).
"Last name", "Last name" + "Particle" + ..., "Last name" + "First name",
"Last name" + "First name" + "Particle" + ..., "Company name" + "Particle"
+ ... etc. are shown to be grammatically correct. FIG.
In the network of (A), numbers represent node numbers. The black circle node is the terminal node. [0005] The data structure of a node is as shown in FIG. 7 (B), and has pointer information to an arc as node information 71. The data structure of the arc is shown in Fig. 7 (C).
The arc information 72 includes a grammar element, a pointer to the next arc, the number of the previous node,
It consists of the number of the next node. For example, as shown in FIG. 7D, the structure of the first node 1 shown in FIG.
Next, there are first arc information 72-1, second arc information 72-2 pointed from it, and third arc information 72-3 pointed from it. On the other hand, the word dictionary 63 is written in a tree structure as shown in FIG. This example is an example of a word dictionary of "last name", and o, oka, oki, n
It is shown that a, Naka, Naka, Mia, and Mii exist. The speech recognition section 61 creates a reference model by connecting the phoneme models 64 from these two structures, and performs matching with the input speech at each time. In this process, when the grammar network changes next, the matching result is stored in the word history storage unit 65. The word history storage unit 65 stores a table in which a list as shown in FIG. 9B is inserted in a word history table as shown in FIG. 9A. That is, the information described in the word history table is the likelihood up to that time, the word of the recognition result, the number of the grammar node before this word, and the time of the previous grammar node. At this time, since there are a plurality of hypotheses reaching a certain grammar node at a certain time, the history of the hypotheses is stored in order of likelihood. After the speech recognition unit 61 creates this word history table, the sentence candidate creation unit 66 connects the tables from the last time of the speech to create all possible candidates, and calculates the likelihood. By arranging them in descending order, several top sentence candidates are created. [0010] In the conventional method, the word dictionary 63 is created in the form of a tree structure for each part of speech as shown in FIG. Therefore, as shown in FIG. 8, the number of nodes of the word to be searched increases toward the end, and the search is not efficient. Also, a very large memory was required to store the word dictionary 63. According to the present invention, information stored in a word dictionary used for speech recognition is merged with respect to a common suffix, so that the conventional search section is greatly reduced to reduce the recognition time and the memory required for the word dictionary. The purpose is to enable reduction. According to the present invention, a word dictionary is described not in a tree structure but in a network structure, and a speech recognition unit stores phoneme history information (phoneme graph) instead of word history information. Then, the sentence candidate creation unit traces the time in the reverse direction from the phoneme history information (phoneme graph),
Create multiple top sentence candidates. Specifically, the present invention
Data structure of network structure connecting phoneme nodes with arcs
And a grammar that stores words to be recognized.
Data structure of network structure connecting nodes with arcs
Having grammar information storage means for storing grammar,
Input speech using a word dictionary and a storage unit for the grammatical information
A speech recognition method for recognizing grammar information, comprising:
Means and data of the network structure from the word dictionary
To match the phoneme of the input speech
The phoneme sequence history information includes the time of the phoneme of each input voice.
, The phoneme of the recognition result, and the phoneme
Number, the current grammar node number, and the previous sentence
Saves the number of the modulo node and the time of the previous node
Refer to step and saved history information of the phoneme sequence
Then, the phoneme from the last time to the start time of the input voice
Create possible recognition candidates by connecting each one, and recognize
Multiple candidates are recognized by arranging candidates in descending order of likelihood.
And outputting the result as a recognition result.
I do. According to the present invention, the number of nodes to be searched can be significantly reduced by describing the word dictionary in a network structure. Embodiments of the present invention will be described below with reference to the drawings. FIG. 1 is a schematic explanatory diagram of the present invention. The speech input through the acoustic analysis unit 10 is converted into parameters, and the speech recognition unit 11 uses a phoneme model 14 obtained by learning or the like to generate a grammar 12
Then, a reference model is created from the word dictionary 13 and matching with the input speech is achieved. The data structure of the grammar 12 at this time is exactly the same as that of FIG. Word dictionary 1
3 is described by a network grammar in the present invention as shown in FIG. The number assigned to each node indicates a node number. The black circle node is the terminal node. FIG. 2 shows an example of the data structure of the word dictionary according to the present invention. The network in FIG.
This represents the same information as the surname word dictionary of FIG. 8 described as the related art. The data structure of the nodes in the word dictionary 13 is as shown in FIG. 2B, and the node information 21 includes a pointer to an arc and the number of a phoneme history table. The data structure of the arc is as shown in FIG. 2C, and the arc information 22 includes a phoneme, a pointer to the next arc, the number of the previous node, and the number of the next node. For example, the structure of the first node 1 shown in FIG. 2A is as shown in FIG. First, as node information 21, first arc information 22-1
And a phoneme history table number 1 are set. The first arc information 22-1 includes a phoneme "o", a pointer to the second arc information 22-2, the number of the previous node, and the number 4 of the next node. Second arc information 2
2-2 comprises a phoneme "n", a pointer to the third arc information 22-3, the number of the previous node, and the number 2 of the next node. The third arc information 22-3 includes a phoneme "m", information "NULL" indicating that there is no next arc, the number of the previous node, and the number 3 of the next node. The intermediate result of the recognition is stored in the phoneme history storage unit 15 when the matching process shifts from phoneme to phoneme. The phoneme history storage unit 15 stores a table in which a list as shown in FIG. 3B is inserted into a phoneme history table as shown in FIG. That is, the information described in the phoneme history table includes the likelihood 31 up to that time, the phoneme 32 of the recognition result, the number 33 of the phoneme node before this word,
The number 34 of the current grammar node, the number 35 of the previous grammar node, and the time 36 of the previous node. The number 35 of the previous grammar node is entered when transiting the grammar node. At this time, since there are a plurality of hypotheses reaching a certain phoneme node at a certain time, the history of the hypotheses is stored in the order of likelihood using the list shown in FIG. FIG. 4 shows an example of creating a phoneme history table. For example, in a word dictionary as shown in FIG.
It is assumed that the candidate phoneme sequence is o → k → i. 4th (A)
4B, the list of FIG. 4B is pointed from the column of the phoneme node number 4 at time 3. In this list, a value “100” is set as the likelihood 31 until time 3, “o” is set as the phoneme 32 of the recognition result, “1” is set as the number 33 of the previous phoneme node, and the current “1” is set as the number 34 of the grammar node, and “0” is set as the number 35 of the immediately preceding grammar node.
“0” is set as the time 36 of the immediately preceding node. As the second list, the list shown in FIG. 4C is pointed out from the column of the phoneme node number 5 at time 6. In this list, the value “200” is set as the likelihood 31 until time 6, and the phoneme 3 of the recognition result is set.
“K” is set as 2 and the previous phoneme node number 33
Is set to “4”, and the current grammar node number 34
Is set, “0” is set as the number 35 of the immediately preceding grammar node, and the time 3 of the immediately preceding node is set.
“3” is set as 6. As the third list, the list of FIG. 4D is pointed from the column of the phoneme node number 6 at the time 9. See Figure 4 for details of the settings.
This is the same as (C). After the phoneme history table is created by the speech recognition unit 11, the sentence candidate creation unit 16 refers to the speech history table and connects the phonemes one by one from the last time of the speech. All possible candidates are created and arranged in descending order of likelihood to create several top sentence candidates. FIG. 5 is an explanatory diagram of an HMM for calculating the likelihood in the speech recognition unit. HMM (Hidden Markov Model) or the like is used for the calculation of the likelihood in the speech recognition unit 11. Here, the likelihood calculation when the HMM is used will be described. In the HMM, a model having a structure as shown in FIG. 5A is usually created for each phoneme. H
MM is composed of states and arcs. Each state represents a detailed event inside the phoneme. For example, if the utterance is “t”, it indicates events such as a state in which the mouth before the utterance is closed, a state in which the rupture portion of the “t” is uttered, and a state in which the vowel crosses over. Each state stores a transition probability (a ij ) for transitioning between states and a function (b ij (x)) for calculating whether or not the input voice is close to the event. The pattern matching is realized by finding a path that maximizes the likelihood of the path between the input speech and the state of the phoneme HMM as shown in FIG. The likelihood used here indicates the value of this route. Similar calculations can be realized by other likelihood calculation methods such as a neural network and DP matching. An example of the forward search algorithm in the speech recognition unit 11 and the backward search algorithm in the sentence candidate creation unit 16 will be described below. [Forward search algorithm] (1) First, initialization is performed. One candidate is set as the first node of the grammar network. (2) The following processes (2.1) and (2.2) are performed for each grammar node. (2.1) For all candidates on the grammar node, pass the candidate to the beginning of the network in the word dictionary. (2.2) If multiple candidates arrive at the beginning of the same dictionary network, enter them in the phoneme history table and leave only those with the highest likelihood. (3) The following processes (3.1) and (3.2) are performed inside all dictionary networks. (3.1) The following processes (3.1.1) and (3.1.2) are performed on all the candidates on the nodes of the dictionary network. (3.1.1) Match by advancing the time by one, and calculate the likelihood of the candidate. (3.1.2) If the likelihood of the candidate is not sufficiently high, pruning is performed. (3.2) The following processes (3.2.1) and (3.2.2) are performed on the candidates on all dictionary network nodes. (3.2.1) Send the candidate to the next node in the network. If a plurality of candidates reach the same node, only the candidate with the highest likelihood is left and entered in the phoneme history table. (3.2.2) If the node is a terminal node, send this candidate to the grammar network. The above operation is repeated until the time reaches the length of the input pattern. [Backward Search Algorithm] From the terminal node of the grammar, a plurality of candidates are created from the top by tracing the phoneme history table in the reverse direction of time. All the information needed to return is entered in the phoneme history table. As a result of preparing and evaluating a telephone number guidance system using this method, the conventional system has a shortage of memory and cannot be executed. A recognition rate of 97% could be achieved. As described above, according to the present invention,
By making the word dictionary a network structure, the conventional search section can be greatly reduced, and the required memory can be reduced.
【図面の簡単な説明】
【図１】本発明の概要説明図である。
【図２】本発明における単語辞書のデータ構造の例を示
す図である。
【図３】音素履歴の表の構成例を示す図である。
【図４】音素履歴の表の作成例を示す図である。
【図５】音声認識部における尤度を計算するためのＨＭ
Ｍの説明図である。
【図６】従来方法の説明図である。
【図７】文法の例を示す図である。
【図８】従来の姓の単語辞書の例を示す図である。
【図９】従来の単語履歴の表の構成例を示す図である。
【符号の説明】
１０ 音響分析部
１１ 音声認識部
１２ 文法
１３ 単語辞書
１４ 音素モデル
１５ 音素履歴保存部
１６ 文候補作成部BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a schematic explanatory diagram of the present invention. FIG. 2 is a diagram illustrating an example of a data structure of a word dictionary according to the present invention. FIG. 3 is a diagram showing a configuration example of a phoneme history table. FIG. 4 is a diagram showing an example of creating a phoneme history table. FIG. 5 is an HM for calculating likelihood in a speech recognition unit.
It is explanatory drawing of M. FIG. 6 is an explanatory diagram of a conventional method. FIG. 7 is a diagram illustrating an example of a grammar. FIG. 8 is a diagram showing an example of a conventional surname word dictionary. FIG. 9 is a diagram showing a configuration example of a conventional word history table. [Description of Signs] 10 acoustic analysis unit 11 speech recognition unit 12 grammar 13 word dictionary 14 phoneme model 15 phoneme history storage unit 16 sentence candidate creation unit
フロントページの続き (56)参考文献 特開 平８−123471（ＪＰ，Ａ) 特開 平８−115099（ＪＰ，Ａ) 青江， 森本， 長谷，トライ構造に おける共通接尾辞の圧縮アルゴリズム, 電子情報通信学会論文誌 Ｄ−ＩＩ，日 本，1992年 ４月25日，Ｖｏｌ．Ｊ75− Ｄ−ＩＩ， Ｎｏ．４，Ｐａｇｅｓ 770−779 野田， 松永， 嵯峨山，単語グラフ を用いた大語彙連続音声認識における近 似演算手法の検討，電子情報通信学会技 術研究報告［音声］，日本，1997年 １ 月17日，Ｖｏｌ．96， Ｎｏ．449， ＳＰ96−102，Ｐａｇｅｓ 53−58 花沢， 南， 古井，連続音声認識の ためのネットワーク構造を用いた効率的 探索方法，日本音響学会平成９年度春季 研究発表会講演論文集 −Ｉ−，日本, 1997年 ３月17日，２−６−４，Ｐａｇ ｅｓ 51−52 (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 15/00 - 15/28 ＪＩＣＳＴファイル（ＪＯＩＳ)Continuation of the front page (56) References JP-A-8-123471 (JP, A) JP-A-8-115099 (JP, A) Aoe, Morimoto, Hase, Compression algorithm of common suffix in trie structure, electronic information Transactions of the Communication Society D-II, Japan, April 25, 1992, Vol. J75-D-II, No. 4, Pages 770-779 Noda, Matsunaga, Sagayama, A Study on Similarity Calculation Method for Large Vocabulary Continuous Speech Recognition Using Word Graph, IEICE Technical Report [Speech], Japan, January 17, 1997 Date, Vol. 96, no. 449, SP96-102, Pages 53-58 Hanazawa, Minami, Furui, Efficient Search Method Using Network Structure for Continuous Speech Recognition, Proceedings of the Acoustical Society of Japan, Spring Meeting 1997-I-, Japan , March 17, 1997, 2-6-4, Pages 51-52 (58) Fields investigated (Int. Cl. 7 , DB name) G10L 15/00-15/28 JICST file (JOIS)
Claims (1)
構造のデータ構造で，認識対象となる単語を記憶する単
語辞書と，文法ノードをアークで結ぶネットワーク構造
のデータ構造で，文法を記憶する文法情報の記憶手段と
を持ち，前記単語辞書と前記文法情報の記憶手段とを用
いて入力音声を認識する音声認識方法であって，前記文法情報の記憶手段と前記単語辞書から前記ネット
ワーク構造のデータをたどることにより，入力音声の音
素とマッチングする音素系列の履歴情報として，各入力
音声の音素の時刻までの尤度と，認識結果の音素と，こ
の単語の前の音素ノードの番号と，現在の文法ノードの
番号と，一つ前の文法ノードの番号と，一つ前のノード
の時刻とを保存するステップと， 保存した前記音素系列の履歴情報を参照し，入力音声の
最終時刻から開始時刻に向かって音素一つ一つをつなぎ
合わせて可能な認識候補を作成し，認識候補を尤度の高
い順に並べることにより複数の候補を認識結果として出
力するステップとを有する ことを特徴とする音声認識方
法。(57) [Claims] [Claim 1] A network connecting phoneme nodes with arcs
A word dictionary that stores words to be recognized in a structured data structure, and a network structure that connects grammar nodes with arcs
Having a grammar information storage means for storing a grammar, and using the word dictionary and the grammar information storage means.
A speech recognition method of recognizing an input voice you are, the net from the word dictionary storage means of the grammar information
By following the work structure data, the sound of the input
As the history information of the phoneme sequence that matches the element,
The likelihood of the phoneme of the speech up to the time, the phoneme of the recognition result,
The number of the phoneme node before the word of
Number, previous grammar node number, and previous node
And referring to the stored history information of the phoneme sequence,
Connect each phoneme from the last time to the start time
In addition, possible recognition candidates are created, and the recognition candidates are identified with high likelihood.
Multiple candidates as recognition results.
Speech recognition method characterized by a step of force.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06023897A JP3535688B2 (en) | 1997-03-14 | 1997-03-14 | Voice recognition method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06023897A JP3535688B2 (en) | 1997-03-14 | 1997-03-14 | Voice recognition method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH10254481A JPH10254481A (en) | 1998-09-25 |
| JP3535688B2 true JP3535688B2 (en) | 2004-06-07 |
Family
ID=13136407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP06023897A Expired - Fee Related JP3535688B2 (en) | 1997-03-14 | 1997-03-14 | Voice recognition method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3535688B2 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002108389A (en) * | 2000-09-29 | 2002-04-10 | Matsushita Electric Ind Co Ltd | Method and device for retrieving and extracting individual's name by speech, and on-vehicle navigation device |
| JP4104313B2 (en) | 2001-10-03 | 2008-06-18 | 株式会社デンソー | Voice recognition device, program, and navigation system |
| CN105161095B (en) * | 2015-07-29 | 2017-03-22 | 百度在线网络技术（北京）有限公司 | Method and device for picture composition of speech recognition syntax tree |
-
1997
- 1997-03-14 JP JP06023897A patent/JP3535688B2/en not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| 花沢， 南， 古井，連続音声認識のためのネットワーク構造を用いた効率的探索方法，日本音響学会平成９年度春季研究発表会講演論文集 −Ｉ−，日本，１９９７年 ３月１７日，２−６−４，Ｐａｇｅｓ ５１−５２ |
| 野田， 松永， 嵯峨山，単語グラフを用いた大語彙連続音声認識における近似演算手法の検討，電子情報通信学会技術研究報告［音声］，日本，１９９７年 １月１７日，Ｖｏｌ．９６， Ｎｏ．４４９， ＳＰ９６−１０２，Ｐａｇｅｓ ５３−５８ |
| 青江， 森本， 長谷，トライ構造における共通接尾辞の圧縮アルゴリズム，電子情報通信学会論文誌 Ｄ−ＩＩ，日本，１９９２年 ４月２５日，Ｖｏｌ．Ｊ７５−Ｄ−ＩＩ， Ｎｏ．４，Ｐａｇｅｓ ７７０−７７９ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH10254481A (en) | 1998-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5241619A (en) | Word dependent N-best search method | |
| US5805772A (en) | Systems, methods and articles of manufacture for performing high resolution N-best string hypothesization | |
| JP2000075895A (en) | N best retrieval method for continuous speech recognition | |
| US11450320B2 (en) | Dialogue system, dialogue processing method and electronic apparatus | |
| US5819221A (en) | Speech recognition using clustered between word and/or phrase coarticulation | |
| Boite et al. | A new approach towards keyword spotting. | |
| US20070038451A1 (en) | Voice recognition for large dynamic vocabularies | |
| JP3535688B2 (en) | Voice recognition method | |
| Ney et al. | Dynamic programming search strategies: From digit strings to large vocabulary word graphs | |
| JP4595415B2 (en) | Voice search system, method and program | |
| Seide et al. | Towards an automated directory information system. | |
| JP2871420B2 (en) | Spoken dialogue system | |
| JP2871557B2 (en) | Voice recognition device | |
| Chen et al. | Large vocabulary word recognition based on tree-trellis search | |
| JP3265864B2 (en) | Voice recognition device | |
| Hanazawa et al. | An efficient search method for large-vocabulary continuous-speech recognition | |
| JP3914709B2 (en) | Speech recognition method and system | |
| JP2905674B2 (en) | Unspecified speaker continuous speech recognition method | |
| JP3042455B2 (en) | Continuous speech recognition method | |
| JP3873418B2 (en) | Voice spotting device | |
| JP3532248B2 (en) | Speech recognition device using learning speech pattern model | |
| Kao et al. | A low cost dynamic vocabulary speech recognizer on a GPP-DSP system | |
| JP3315565B2 (en) | Voice recognition device | |
| JPH1097275A (en) | Large-vocabulary speech recognition system | |
| JP3503862B2 (en) | Speech recognition method and recording medium storing speech recognition program |
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: 20040309 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040312 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
| 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: 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 |