JP3886024B2 - 音声認識装置及びそれを用いた情報処理装置 - Google Patents
音声認識装置及びそれを用いた情報処理装置 Download PDFInfo
- Publication number
- JP3886024B2 JP3886024B2 JP31791997A JP31791997A JP3886024B2 JP 3886024 B2 JP3886024 B2 JP 3886024B2 JP 31791997 A JP31791997 A JP 31791997A JP 31791997 A JP31791997 A JP 31791997A JP 3886024 B2 JP3886024 B2 JP 3886024B2
- Authority
- JP
- Japan
- Prior art keywords
- recognition
- voice
- data
- unit
- 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
- 230000010365 information processing Effects 0.000 title claims description 26
- 238000011867 re-evaluation Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 description 56
- 238000000034 method Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 25
- 238000001228 spectrum Methods 0.000 description 18
- 230000007704 transition Effects 0.000 description 17
- 238000013500 data storage Methods 0.000 description 13
- 238000007405 data analysis Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000037433 frameshift Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、音声認識装置及びそれを用いた情報処理装置に関する。
【０００２】
【従来の技術】
音声認識とは、音声波に含まれる情報の中で最も基本的な意味内容に関する情報を、電子計算機、電子回路などによって自動的に抽出し、決定する意味内容に関する認識や、音声波に含まれる個人性情報を抽出する話者認識をいう。
【０００３】
音声を自動的に認識する装置については古くから研究が行われているが、最近では、音声によって機械と対話するための音声入力装置が実現され、今後の進歩が期待されている。
【０００４】
従来の音声認識装置の構成を図２２に示す。同図に示された従来の音声認識装置は、音声入力部２２０１、音声区間データ作成部２２０２、音声区間データ処理部２２０３、音声認識辞書格納部２２０４を備えている。
【０００５】
音声入力部２２０１としては、マイクロホン等の入力装置が用いられる。
音声区間データ作成部２２０２は、音声入力部２２０１から入力された音声データから音声区間の検出を行い音声区間データを作成する。音声区間の検出の詳細については後述する。
【０００６】
音声区間データ処理部２２０３は、音声区間データ作成部２２０２によって作成された音声区間データを分析し、その意味内容を認識する。従来の意味内容の認識方法については、「ディジタル音声処理」（古井 貞煕 著、東海大学出版会）に詳しく記載されているが、一般には、音声認識用の辞書として、音声認識辞書格納部２２０４に音素辞書と単語辞書とを備える。音声認識においては、入力音声と標準パターンの短時間スペクトル同士の距離又は類似度を認識の判断の基礎として音声素片を認識し、認識された音声素片列を単語辞書とマッチングすることによりその意味内容を認識する。
【０００７】
【発明が解決しようとする課題】
しかしながら、上記従来の音声認識装置においては、音声データの誤認識を修正することが容易でないという問題点を有していた。
【０００８】
即ち、人間が行う現実の音声認識では、最初は正確に認識できなかった音声データを、その後の会話内容等によって逐次修正して理解し、それに伴い行動を修正するといったこともあるが、上記従来の音声認識装置では、一度誤って認識された音声の意味内容を容易に修正することができない。従って、例えば、音声によってコマンドを入力するような装置において、音声データの誤認識によって誤ったコマンドが入力されてしまった場合等にその動作を修正することは難しく、音声認識の適用範囲を狭くする原因となっていた。
【０００９】
本発明は上記の問題点に鑑み、より広い範囲に適用することが可能な音声認識装置及びそれを用いた情報処理装置を提供することを目的とする。
【００１０】
【課題を解決するための手段】
前記目的を達成するため、本発明の音声認識装置は、音声データを記憶する記憶手段と、音声認識の結果を利用する上位システムからの要求を受けて、前記記憶手段に記憶されている音声データを再評価する再評価手段とを備えることを特徴とする。
【００１１】
ここで、前記音声認識装置は、音声データから音声区間データを切り出す音声区間データ作成手段を備え、前記記憶手段は、前記音声区間データ作成手段により作成された音声区間データを記憶することができる。
【００１２】
また、前記記憶手段は、前記音声区間データ作成手段により作成された音声区間データを複数セット記憶する複数のデータスロットを備えることが好ましい。複数のデータスロットに音声データを格納しておくと、前記再評価手段による再評価の処理効率を向上させることができるからである。
【００１３】
さらに、前記音声認識装置は、前記音声区間データ作成手段を複数有し、前記記憶手段は、それぞれの音声区間データ作成手段ごとに、音声区間データを複数セット記憶するデータスロットを備えることもできる。そのような構成としておくと、音声を入力する例えばマイクロホンが複数存在する場合でも、それぞれのマイクロホンから入力される音声データについて、それぞれ再評価を行うことが可能となる。
【００１４】
また、前記音声認識装置はさらに、前記記憶手段に記憶されている音声データから、音声パワーを算出するパワー算出手段を備え、前記再評価手段は、前記パワー算出手段により算出された音声パワーが所定の範囲外である場合に、当該音声データを再評価しないようにすることが好ましい。正常な音声認識ができないような音声データを、再評価の対象から除外することにより、音声認識の認識率をより向上させることが可能となるからである。
【００１５】
また、前記音声認識装置はさらに、前記音声データから話者の性別を判定する性別認識手段と、前記性別認識手段による判定結果に基づき、音素認識に用いる辞書を切り替える音素認識辞書切替手段とを備えることが好ましい。性別により音素認識辞書を切り替えることにより、さらに認識率を向上させることができるからである。
【００１６】
また、前記音声認識装置はさらに、前記音声データから話者の性別を判定する性別認識手段と、前記性別認識手段による判定結果に基づき、単語認識に用いる辞書を切り替える単語認識辞書切替手段とを備えることが好ましい。性別により通常用いる単語が異なることから、性別によって単語認識辞書を切り替えることにより、さらに認識率を向上させることができるからである。
【００１７】
もちろん、前記性別認識手段による判定結果に基づき、音素認識に用いる辞書を切り替える音素認識辞書切替手段と、単語認識に用いる辞書を切り替える単語認識辞書切替手段との双方を備えることも可能である。
【００１８】
また、前記音声認識装置はさらに、前記音声データから話者を判定する話者認識手段を備えることもできる。
また、本発明の情報処理装置は、入力を受け付ける入力受付手段を備える情報処理装置であって、前記入力受付手段として請求項１から９のいずれかに記載の音声認識装置を用いる。音声によりコマンドの入力を行うことが可能な情報処理装置において、本発明の音声認識装置を用いると、音声データの再評価を行うことにより、音声データの誤認識を逐次修正しながら動作させることが可能となり、無駄な処理を軽減することが可能となる。
【００１９】
また、前記音素認識辞書切替手段を有する音声認識装置を用いる情報処理装置においては、前記音素認識辞書切替手段により、音素認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データの再評価を要求するようにすることが好ましい。音素認識辞書が切り替えられることにより、一般的に認識率は向上するが、その切替の機会に過去の音声データを再評価することにより、音声データの誤認識が見つかることもあるからである。
【００２０】
また、前記単語認識辞書切替手段を有する音声認識装置を用いる情報処理装置において、前記単語認識辞書切替手段により、単語認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データの再評価を要求するようにすることも好ましい。
【００２１】
さらに、前記音素認識辞書切替手段と、前記単語認識辞書切替手段との双方を有する音声認識装置を用いる情報処理装置では、前記音素認識辞書切替手段により音素認識辞書が切り替えられた際、又は前記単語認識辞書切替手段により単語認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データの再評価を要求するようにすることも好ましい。
【００２２】
また、本発明の記憶媒体は、音声データから、音声区間データを切り出す切り出しステップと、前記切り出しステップにおいて切り出された音声区間データを、複数のデータスロットに順次格納する格納ステップと、音声認識の結果を利用する上位システムから、前記音声区間データの再評価の要求を受け付ける要求受付ステップと、前記要求に従って、音声区間データの再評価を行う再評価ステップとを実行するプログラムを記憶したコンピュータで読み取り可能な記憶媒体である。
【００２３】
【発明の実施の形態】
以下、本発明の実施の形態について、図面を参照しながら説明する。
図１は、本発明の一実施の形態に係る音声認識装置の構成を示す機能ブロック図である。
【００２４】
同図に示されるように、本実施の形態の音声認識装置は、音声入力部１０１、波形データ作成部１０２、波形データ記憶部１０３、音声認識部１０４、音素認識辞書格納部１０５、単語認識辞書格納部１０６、話者認識辞書格納部１０７を備えており、本発明の音声認識装置による音声認識の結果を利用する上位システム１０８が、音声認識部１０４から音声認識の結果を受け取る構成となっている。
【００２５】
音声入力部１０１としては、マイクロホン等、音声入力が可能な入力装置を用いることができる。
波形データ作成部１０２は、音声入力部１０１から入力された音声データについて音声区間の切り出しを行い、波形データを作成する。
【００２６】
尚、本実施の形態では、波形データ記憶部１０３の記憶領域１０３２に、波形データの形式で格納することとしているため、音声区間の切り出しのみを行うが、記憶領域１０３２へのデータの格納方式によっては、音声区間の切り出しの後、格納方式に対応する形式に変換する処理を行うようにしてもよい。その場合は、本実施の形態では後述の波形データ分析部１０４１が行う処理の一部を波形データ作成部１０２が行うこともある。
【００２７】
図２は、本実施の形態の波形データ作成部１０２の詳細な構成を示す機能ブロック図である。
同図に示されるように、波形データ作成部１０２は、音声データ入力部２０１、波形データリングバッファ２０２、フィルタ処理部２０３、パワー計算部２０４、ノイズレベル学習部２０５、単語区間検出部２０６、区間検出閾値テーブル格納部２０７を備える。
【００２８】
音声データ入力部２０１は、音声入力部１０１より入力された音声データについて、所定の間隔でサンプリングを行い、その結果を波形データリングバッファ２０２に順次格納する。図３は、波形データリングバッファ２０２の構成の一例を示す図である。同図に示されるように、本実施の形態では、全長５１２ワード（１ワード＝４バイト）分のバッファを確保し、サンプリングされたデータを順次格納する。本実施の形態では、２５６ポイント（窓幅）のデータが取り込まれた時点で１フレーム分の処理を行う。同図に示されるフレームシフト（１８０ポイント）とは、窓幅２５６ポイントのうち、フレームシフト１８０ポイントを除いた部分は、次のフレームの窓幅に含まれることを意味しており、一部を重複させることにより、単語が途中で区切れるのを防止している。なお、フレームシフトは必ずしも１８０ポイントでなくてもよい。
【００２９】
フィルタ処理部２０３は、波形データリングバッファ２０２に格納された波形データに対して１５０ＨｚのＨＰＦ（ハイパスフィルタ）で高域強調を行う。ＨＰＦとしては、４次のＩＩＲチェビシェルフィルタを用いる。図４に、本実施の形態のＨＰＦの特性を示す。また、高域強調は、ｚ変換である１−ｚ-1の一次差分を用いる。
【００３０】
パワー計算部２０４は、音声パワー（POW）の計算を行う。音声パワーの計算は窓波形に対する相対的な値として以下の数１に従って計算する。ここでいう窓波形は矩形窓である。
【００３１】
【数１】
【００３２】
以下、上記数１に示される音声パワーの計算について、より詳細に説明する。まず、ｉ番目の窓の波形{Ｓｉ}に対するログパワーlogpow(s)は、下記の数２で表される。
【００３３】
【数２】
【００３４】
従って、上記音声パワー(POW)は、下記の数３に従って算出することができる。
【００３５】
【数３】
【００３６】
上記数３において、ｙは窓処理後の波形を表し、ｈは窓自体の波形を表す。ここで、窓自体の波形のログパワーlogpow(h)は、一定であるので、予め計算しておくことができる。一方、上記の窓処理後のログパワー1000＊log10(Σｙｉ2)については、下記の数４に従って計算することができる。ｉは窓のｉ番目のポイントであり、ここでは１〜２５６である。
【００３７】
【数４】
【００３８】
上記数４における301＊n及び301＊log2(c)については、n及びcの値ごとに予め計算し、テーブルに格納しておくことが可能である。なお、本実施の形態では、cは小数点以下５ビットの精度としている。
【００３９】
ノイズレベル学習部２０４は、環境雑音の変動に対処するため一定間隔ごとにノイズレベル（以下、「ｎｓｌ」と表記する場合もある。）の学習を行う。ここで、ノイズレベルとは、無音区間のパワーのことをいう。ノイズレベル学習部２０４は、一定期間でもっとも出現頻度の高いパワー値をその期間のノイズレベルとする。学習の際には、学習対象の１００フレームのうちパワーの小さい下位８割のデータからのみノイズレベルを学習する。これは無音区間のみのデータをより正確に学習するためである。また、学習されたノイズレベルが一定値より小さい場合には、予め定めた最小値を学習値とする。尚、ここで学習されたノイズレベルは、後述の区間検出で用いる閾値（ｔｈ１からｔｈ４）の決定に用いられる。当該閾値は、区間検出閾値テーブル格納部２０７に格納される。
【００４０】
単語区間検出部２０５は、音声パワーが予め定めた閾値を超えた部分を音声区間として検出する。その際に区間検出をより正確に行うため、各入力フレームごとに前回の状態を参照し、これに応じて４種の閾値と音声パワーとの比較を行う。以下、単語区間検出の方法について詳細に説明する。
【００４１】
図５は、単語区間検出の一例を示す図である。
同図に示されるｔｈ１からｔｈ４までの４つの閾値と音声パワーとの比較を行うことにより、音声区間の検出を行う。ここで、閾値ｔｈ１からｔｈ４は、前述の如くノイズレベル（ｎｓｌ）から算出される値を用いる。本実施の形態では、ｔｈ１＝ｎｓｌ＋２００、ｔｈ２＝ｎｓｌ＋６００、ｔｈ３＝ｎｓｌ＋５００、ｔｈ４＝ｎｓｌ＋６００としている。
【００４２】
以下、図６に示す単語区間検出の状態遷移図も参照しながら、図５に示されるＡからＨまでの各フレームについて、その内容を説明する。
フレームＡにおいては、音声パワーが閾値ｔｈ１を上回ることにより状態１への遷移が発生している。これは、単語区間の語頭候補が検出されたことを意味するものと考える。しかし、図５の例では、音声パワーが閾値ｔｈ２を上回ることなく、フレームＢにおいて、再び閾値ｔｈ１より下に落ちてしまっているので、状態１であった区間が単語区間と判定されることなく、再び状態０に戻っている。
【００４３】
これは、図６に示されるように、状態０において、音声パワーが閾値ｔｈ１を上回った場合には状態１に遷移すること、及び、状態１において、音声パワーが閾値ｔｈ１以下になった場合、又は状態１である時間の長さ（ｗｄ）が単語最長値ｗｄｍａｘを上回った場合には、単語を区切るために、状態０に戻ることが規定されているからである。ここで、単語最大長ｗｄｍａｘとは、一つの単語が発音されるであろう最大の時間の長さとして、規定しておく値をいう。単語最長値ｗｄｍａｘは予め設定しておく。尚、本実施の形態では、ｗｄｍａｘは１４０フレーム分の時間（＝約２１００ｍｓ）としている。
【００４４】
尚、図６に示されるように、状態０において音声パワーが閾値ｔｈ１以下であった場合には、そのまま状態０で継続する。
図５に戻って、フレームＣにおいて、再度、音声パワーが閾値ｔｈ１を上回ったことが検出され、状態１に遷移する。図６に示されるように状態１では、音声パワーが閾値ｔｈ１を上回り、閾値ｔｈ２以下であった場合には、状態１でありつづけるが、音声パワーが閾値ｔｈ２を上回った場合には、状態２へと遷移する。
【００４５】
さらに、図５の例では、フレームＤにおいて音声パワーが閾値ｔｈ２を上回っているため、状態２に遷移している。状態２とは、音声区間と認識された状態である。
【００４６】
状態２では、音声パワーが閾値ｔｈ３以上である場合には、状態２でありつづけるが、音声パワーが閾値ｔｈ３を下回った場合には状態３へと遷移する。また、状態２での時間の長さ（ｗｄ）が、前述の単語最長値ｗｄｍａｘを上回った場合には、状態０へと遷移する。
【００４７】
図５の例では、フレームＥにおいて音声パワーが閾値ｔｈ３を下回ったため、状態３へと遷移している。状態３とは、単語の終了が検出されたかもしれないという状態を表す。もっとも、図６に示されるように、状態３において音声パワーが再度閾値ｔｈ４を上回った場合には、それまでに、後述の条件により状態０へと遷移していなければ、単語の終了が検出されたわけではないものと判定し、再び状態２へと遷移する。
【００４８】
状態３から状態０へと遷移するのは、音声パワーが閾値ｔｈ３を下回ることによって状態２から状態３へと遷移した状態であって、音声パワーが閾値ｔｈ１を下回った無音期間の長さ（ｓｌ）が無音最長値（ｓｌｍａｘ）を上回った場合、状態２での時間の長さ（ｗｄ）が単語最短値（ｗｄｍｉｎ）を下回っていた場合、及び状態２での時間の長さ（ｗｄ）が単語最長値（ｗｄｍａｘ）を上回った場合である。
【００４９】
無音最長値ｓｌｍａｘ及び単語最短値ｗｄｍｉｎについても、予め設定しておく必要がある。無音最長値ｓｌｍａｘの意味については、後述する。単語最短値ｗｄｍｉｎとは、一つの単語が発音されるであろう最小の時間の長さとして、規定しておく時間をいう。即ち、状態２での時間の長さ（ｗｄ）が、単語最短値（ｗｄｍｉｎ）を下回っていた場合には、状態２の部分は音声区間とは見なされない。なお、本実施の形態では単語最短値（ｗｄｍｉｎ）としては、１８フレーム分の時間（＝約２７０ｍｓ）が、また、無音最長値（ｓｌｍａｘ）としては、２０フレーム分の時間（＝約３００ｍｓ）が規定されている。状態０へと遷移するまでに音声パワーが閾値ｔｈ４以下である場合には、前述の三つのいずれかの条件を満足させない限りは、状態３でありつづける。
【００５０】
図５の例では、状態３から状態０に遷移するまでに、再度フレームＦにおいて音声パワーが閾値ｔｈ２を上回っているため、状態３における無音状態が単語中の無音部であると判定し、再度状態２へと遷移している。ここで、単語中の無音部とは、例えば「北海道」の如き促音を含む単語において発生する、単語の中にもかかわらず音声が途切れる部分をいう。上述の如く、無音最長値（ｓｌｍａｘ）として、２０フレーム分の時間が規定されているのは、それだけの時間が経過する前に再び音声パワーが上昇した場合には、単語中の無音部であると判定することを意味する。
【００５１】
図５の例では、フレームＧにおいて、再度音声パワーが閾値ｔｈ３を下回ることにより、状態３へと遷移しており、その後、状態３での長さが無音最長値（ｓｌｍａｘ）を上回ったことにより、フレームＨにおいて状態０へと遷移している。
【００５２】
本実施の形態の音声認識装置は、最終的にフレームＣからフレームＧまでの間を単語区間と判定し、単語区間の切り出しを行う。
以上に詳細に説明したように、波形データ作成部１０２において切り出された波形データは、波形データ記憶部１０３に格納される。
【００５３】
波形データ記憶部１０３は、波形データ書き込み部１０３１、記憶領域１０３２、波形データ読み出し部１０３３から構成される。
波形データ書き込み部１０３１は、波形データ作成部１０２で切り出された波形データを記憶領域１０３２に書き込むインターフェース部分である。また、波形データ読み出し部１０３３は、記憶領域１０３２から波形データを読み出し、音声認識部１０４に送るインターフェース部分である。
【００５４】
図７は、本実施の形態における記憶領域１０３２の構成の一例を示す図である。同図に示されるように、本実施の形態では、切り出された波形データを格納する領域として１０個のデータスロットを備えている。また、一個のデータスロットの大きさは６４キロバイトとしている。これは、一単語最大２秒間と仮定し、１０単語分の情報を保持するとした場合の例であるが、領域の大きさは特に限定されない。また、データスロットの形式で格納した方が処理効率は良くなるが、データスロット以外の形式でも実施することは可能である。なお、本実施の形態では、１０番目のデータスロットにデータを格納した後は、再度、１番目のデータスロットに戻って、循環してデータを格納する。
【００５５】
音声認識部１０４は、波形データ記憶部１０３から読み出した波形データを分析し、意味内容の認識、話者認識等を行う。認識結果は、上位システム１０８により利用される。
【００５６】
ここで、本実施の形態の音声認識装置の音声認識部１０４は、音声入力部１０１から入力された最新の音声データを逐次分析して、認識結果を上位システム１０８に送る他、上位システム１０８の指示に従って、波形データ記憶部１０３に格納されている過去の音声データの再評価を行う。
【００５７】
図１に示したように、本実施の形態の音声認識部１０４は、波形データ分析部１０４１、話者認識部１０４２、性別認識部１０４３、内容認識部１０４４、パワー認識部１０４５、音素認識辞書切替部１０４６、単語認識辞書切替部１０４７を備えている。
【００５８】
波形データ分析部１０４１は、波形データ読み出し部１０３３を介して波形データ記憶部１０３から読み出した波形データを分析し、各々の認識部に送る。
図８は、本実施の形態の波形データ分析部１０４１の詳細な構成を示す機能ブロック図である。同図に示されるように、波形データ分析部１０４１は、窓処理部８０１、ＦＦＴ部８０２、ノイズパターン学習部８０３、サブトラクション部８０４、メルスペクトル計算部８０５、メルスペクトル格納部８０６、音素認識部８０７を備えている。
【００５９】
波形データ読み出し部１０３３を介して読み出された波形データは、まず、窓処理部８０１へと送られる。
窓処理部８０１は、読み出された波形データに窓波形を乗じる。ここでの窓関数（ｈｉ）としては、下記の数５に示すハミング窓を用いる。なお、同式において使用されている０．５６及び０．４４の数値は、窓の形状によって異なる。
【００６０】
【数５】
【００６１】
窓処理後の波形データは、ＦＦＴ部８０２がＦＦＴ処理を行う際に利便であるように内部ＲＡＭ等の記憶手段に格納する。
ＦＦＴ部８０２は、ＦＦＴ（高速フーリエ変換）処理を行う。
【００６２】
ＦＦＴ処理の方法については、公知の方法（例えば、「ディジタル信号処理」（岩田 彰 著、コロナ社）に開示されている方法）が利用できるので、ここでの詳細な説明は省略する。ＦＦＴ処理の結果として得られたリニアスペクトルパワー（以下、「linear-spc-pow」と表す場合もある。）が、その後の計算に用いられる。
【００６３】
ノイズパターン学習部８０３は、無音区間のスペクトルパターンを一定期間ごとに学習する。本実施の形態では、当該一定期間を１０フレーム分の時間（＝約１５０ｍｓ）に設定している。
【００６４】
サブトラクション部８０４は、環境雑音に対処するため、直前のノイズパターンを以下の数６に示すようにＦＦＴの分析結果から減ずる。
【００６５】
【数６】
【００６６】
ここで、上記数６におけるｘは、リニアスペクトルパワーの最小値としたい正の数字又はゼロであり、固定ではない。
最終的に求めるスペクトルは、以下の数７に示されるようなログパワーである。結果は、後の処理のためにＲＡＭに格納しておく。
【００６７】
【数７】
【００６８】
メルスペクトル計算部８０５は、ＦＦＴ部８０２で求められたスペクトルパワーを、メル尺度で１６チャンネルに分割する。分割は、図９に示すテーブルに従って行う。
【００６９】
さらに、各チャンネルについて、下記の数８に従って、チャンネルパワーの累積値であるmel-spcjを計算する。
【００７０】
【数８】
【００７１】
ここで、s(j)（ｊ＝１〜１６）は、各チャンネルの最低周波数ポイント番号、e(j)は、各チャンネルの最高周波数ポイント番号、n(j)は、各チャンネルの周波数ポイント数である。なお、上記のe(j)及びn(j)は、テーブルとして保持しておく。次に正規化のため、１６チャンネルの平均スペクトルとの差を求める。この処理は、下記の数９及び数１０に従って行う。
【００７２】
【数９】
【００７３】
【数１０】
【００７４】
最終的な分析結果であるメルスペクトル（mel-spcj）は、メルスペクトル格納部８０６に格納される。メルスペクトル格納部８０６に格納されたメルスペクトルが、音素認識部８０７における音素認識の結果、音声データの集合として認識される。
【００７５】
音素認識部８０７は、メルスペクトル格納部８０６に格納されたメルスペクトルに所定の処理を行い、音素認識辞書格納部１０５に格納された音素認識辞書の内容とマッチングすることにより、いかなる音素であるかを認識する。ここでの音素認識とは、例えば、発声された音声が、「あ」であるか、「い」であるか、「う」であるか等を認識する処理である。かかる処理の結果、最終的に切り出された波形データが音声の集合、即ち単語として認識される。音素認識処理の詳細については、既に公知の技術となっているので（例えば、電子情報通信学会論文誌Ｄ−II,Vol.J77−Ｄ−II,No.3,pp.475-482に開示されている。）、ここでの詳細な説明は省略する。
【００７６】
以上に詳細に説明した波形データ分析部１０４１の処理によって得られたメルスペクトル及び音素認識の結果を用いて、各種の音声認識処理が行われる。以下、各認識部の処理内容について説明する。
【００７７】
話者認識部１０４２は、話者認識を行う。ここで、話者認識とは、その音声が誰の発話であるかを認識する処理である。話者認識における比較処理に用いる辞書情報は、話者認識辞書格納部１０７に格納される。
【００７８】
しかし、話者認識の方法等については、既に文献等に記載されている（例えば、"A ROBUST, SEGMENTAL METHOD FOR TEXT INDEPENDENT SPEAKER IDENTIFICATION" by Herbert Gish, Michael Schmidt, and Angela Mielke (Proc. ICASSP 94, April 1994, Adelaide, South Australia, pp.145-148)、"IDENTIFICATION OF SPEAKERS ENGAGED IN DIALOG" by George Yu, and Herbert Gish (Proc. ICASSP 93, April 1993, Minneapolis, Vol II, pp.383-386)、"Robust Discrimination in Automatic Speaker Identification" by Herbert Gish (Proc. ICASSP 90, April 1990, Albuquerque, pp.289-292)等に開示されている。）方法が利用できるので、ここでの詳細な説明は省略する。
【００７９】
性別認識部１０４３は、話者の性別の認識を行う。性別の認識は、一般的に知られているピッチの判定による、男性と、女性又は子供との識別によって行う。尚、本実施の形態では、性別により単語辞書を切り替えるため、性別認識の結果は、単語認識辞書切替部１０４７へと送られる。
【００８０】
内容認識部１０４４は、会話内容の認識を行う。即ち、音素認識の結果、単語として認識された音声データが、意味をなす単語であるか否かを、単語認識辞書を参照して認識する。より具体的には、音素認識の結果として得られた、連続した音声データを、単語認識辞書に登録されている単語とマッチングすることにより、単語認識辞書から、意味のある単語としてもっとも適切なものを選択する処理を行う。単語認識の方法についても前述の資料（電子情報通信学会論文誌Ｄ−II,Vol.J77−Ｄ−II,No.3,pp.475-482）に開示されている方法が利用できるので、ここでの詳細な説明は省略する。
【００８１】
パワー認識部１０４５は、音声認識に不適切な音声パワーを有する波形データを識別し、そのような不適切な波形データを認識に用いないように波形データ分析部１０４１に指示する。音声パワーの算出方法については、既に詳細に説明したので、ここでの詳細な説明は省略する。尚、ここでいう音声認識に不適切な音声パワーを有する波形データとは、例えば、音声パワーが大きすぎるものや、小さすぎるものである。
【００８２】
音素認識辞書切替部１０４６は、音素認識辞書の切り替えを行う。本実施の形態では、図示はされていないが、性別認識部１０４３による性別の判定に基づいて音素認識辞書を切り替えるようにしている。
【００８３】
単語認識辞書切替部１０４７は、単語認識辞書の切り替えを行う。前述の如く、本実施の形態の音声認識装置は、性別認識部１０４３による性別の判定に基づいて、単語認識辞書を切り替えるようにしているため、単語認識辞書切替部１０４７が、性別認識部１０４３の判定結果に基づいて単語認識辞書を切り替える。
【００８４】
ここで、単語認識とは、前述の音素認識の結果、単語として認識された音声データが、意味をなす単語であるか否かを認識することをいう。具体的には、音素認識の結果として得られた、連続した音声を、単語認識辞書に登録されている単語とマッチングすることにより、意味のある単語としてもっとも適切なものを選択する。性別によって、音素認識辞書及び単語認識辞書を切り替えるのは、性別により、通常用いられる単語等が異なることから、例えば、男性用の辞書と、女性又は子供用の辞書とを切り替えることで認識率の向上を図ったものである。
【００８５】
音素認識辞書格納部１０５、単語認識辞書格納部１０６、話者認識辞書格納部１０７には、それぞれ、前述の辞書が格納される。
本実施の形態の音声認識装置は、前述の如く、上位システム１０８からの再評価の指示に従って、波形データ記憶部１０３に記憶されている過去の波形データについて再評価を行う機能を有する。以下、上位システム１０８からの指示に従って波形データの再評価を行う際の音声認識部１０４の処理内容について説明する。
【００８６】
図１０は、波形データの再評価を行う際の音声認識部１０４の処理内容を示すフローチャートである。
同図に示されるように、音声認識部１０４は、まず初期化処理を行う（Ｓ１００１）。初期化処理とは、具体的には、メモリ領域のクリア処理等をいう。
【００８７】
尚、本実施の形態の音声認識装置は、例えば上位システムからの動作終了通知を受けたか否かを判定しており（Ｓ１００２）、終了通知を受けた場合（Ｓ１００２：Ｙｅｓ）には、終了処理を行って（Ｓ１００３）、動作を終了する。
【００８８】
終了通知を受けていない場合は（Ｓ１００２：Ｎｏ）、上位システム１０８からの再評価要求があったか否かを判定し（Ｓ１００４）、再評価の要求があった場合（Ｓ１００４：Ｙｅｓ）には、まず、再評価すべきデータ数の確定処理を行う（Ｓ１００５）。
【００８９】
図１１は、再評価データ数確定処理の詳細な処理内容を示すフローチャートである。同図に示されるように、再評価データ数確定処理では、まず、再評価要求データ数と再評価可能データ数とを比較する（Ｓ１１０１）。ここで、再評価要求データ数とは、例えば上位システム１０８から再評価を要求されたデータ数をいい、上位システム１０８の利用目的等によって異なった値となる。一方、再評価可能データ数とは、本発明に係る音声認識装置において再評価が可能な波形データ数をいい、波形データ記憶部１０３の記憶領域１０３２の容量によって異なった値となる。
【００９０】
再評価要求データ数が、再評価可能データ数を超えている場合（Ｓ１１０１：Ｎｏ）には、再評価すべきデータ数は、再評価可能データ数となる（Ｓ１１０２）。一方、再評価要求データ数が、再評価可能データ数以下である場合（Ｓ１１０１：Ｙｅｓ）には、再評価を要求されたデータの数だけ再評価することが可能であるので、再評価要求データ数が、再評価すべきデータ数となる（Ｓ１１０３）。
【００９１】
再評価すべきデータ数が確定すると、図１０のフローチャートに戻って、音声認識部１０４は、有効音声データの確定処理を行う（Ｓ１００６）。有効音声データの確定処理とは、前述の如く、音声パワーが異常であるため、音声認識に用いない方が良いと思われる波形データを処理対象から除去する処理である。
【００９２】
図１２は、有効音声データ確定処理の詳細な処理内容を示すフローチャートである。音声認識部１０４は、再評価すべきデータ数として確定した分だけ波形データ記憶部１０３から波形データを取り出して再評価を行うが、まず、取り出された分の波形データのうち、未処理のデータがなくなるまで、パワー認識部１０４５において、波形データの音声パワー時系列を算出する（Ｓ１２０１：Ｙｅｓ、Ｓ１２０２）。音声パワーの時系列の算出方法は、既に詳細に説明したので、ここでの詳細な説明は省略する。
【００９３】
全ての波形データについて音声パワー時系列を算出すると（Ｓ１２０１：Ｎｏ）、平均音声パワーが異常な波形データを処理対象のデータから排除する（Ｓ１２０３）。
【００９４】
以下、平均音声パワーが異常な波形データを排除する方法について具体的に説明する。本実施の形態では、平均音声パワーが異常な音声データか否かを以下の条件で判定する。即ち、１）記憶領域１０３２のデータスロットに格納されている各々のデータの平均パワーについて、平均音声パワーが、格納されている全てのデータの平均パワーから一定値を減じた値を上回っていること、具体的には、下記の数１１の条件を満たすこと、
【００９５】
【数１１】
【００９６】
及び、２）波形が飽和していないこと、即ち、波形データの振幅が一定の範囲内におさまっていること、を満たす場合に有効データと判定する。条件１）は、音声パワーが小さすぎないこと、条件２）は、音声パワーが大きすぎないことを判定するものである。
【００９７】
図１３及び図１４は、音声再評価の際の平均音声パワーの判定の具体例について説明するための図である。なお、本実施の形態では、上記条件１）における一定値は２０００と規定されているものとする。
【００９８】
図１３に示されるように、記憶領域１０３２のデータスロットに波形データ１と波形データ２とが格納されているとする。それぞれの波形データについて音声パワーを検出した結果、波形データ１の平均パワーが−３０００、波形データ２の平均パワーが−６０００であったとすると、全ての波形データの平均パワーは−４５００となる。ここで、波形データ１と波形データ２はともに条件１）を満たしているため、それぞれ有効な音声データと判定されることとなる。
【００９９】
一方、図１４に示す如く、記憶領域１０３２のデータスロットに波形データ１、波形データ２及び波形データ３が格納されているとする。それぞれの波形データについて音声パワーを検出した結果、波形データ１の平均パワーが−３０００、波形データ２の平均パワーが−６０００、波形データ３の平均パワーが−３０００であったとすると、全ての波形データの平均パワーは−４０００となる。ここで、波形データ１、波形データ２及び波形データ３の全てが飽和していないものとしても、波形データ２は、条件１）を満たさないこととなるため、無効な音声データと判定されることとなる。
【０１００】
以上のような処理により、記憶領域１０３２に記憶されている波形データのうち、どの波形データを再評価するかが確定するので、音声認識部１０４は、実際に再評価されるべき波形データに関する情報、例えば、何秒前のデータが再評価されるか等の情報を上位システム１０８に通知する（Ｓ１２０４）。通知された情報を如何に利用するかは、上位システム１０８の利用目的等によって異なる。
【０１０１】
有効音声データ確定処理により、再評価すべき波形データが確定すると、図１０のフローチャートに戻って、音声認識部１０４は、発話内容の再評価を行う。図１５は、発話内容再評価処理の詳細な処理内容を示すフローチャートである。同図に示されるように、発話内容再評価処理においては、音声認識部１０４は、処理すべき波形データとして確定した波形データ全てについて処理が終了するまで、発話内容を評価し（Ｓ１５０２）、結果を上位システム１０８に通知する（Ｓ１５０３）。
【０１０２】
次に、以上のように構成された本発明の音声認識装置の一適用例としての情報処理装置について説明する。本適用例は、音声によりコマンドを入力して表示画面上のアイコンを移動させることが可能な情報処理装置に、本発明の音声認識装置を適用したものである。以下、かかる情報処理装置の動作について説明し、本発明の効果をより具体的に説明する。
【０１０３】
図１６は、本発明の音声認識装置を適用した情報処理装置の表示画面の一例を示す図である。この情報処理装置では、音声により、例えば「Ａに行け」、「Ｂに行け」又は「Ｃに行け」等の命令を入力することにより、画面上のアイコンＯがそれぞれ図中に示されたＡ、Ｂ又はＣの位置に移動するものとする。
【０１０４】
ここで、例えば、発声内容が、「Ｂに行け」、「それから」、「Ａに行け」であったにもかかわらず、最初の音声認識の結果が「Ｂに行け」、「Ｃに行け」、「Ａに行け」であった場合について説明する。図１７は、この際の処理の順序を示した図である。同図において、「処理Ａ」とは、アイコンＯをＡに位置に移動させる処理をいい、「処理Ｂ」とは、アイコンＯをＢに位置に移動させる処理をいう。また、「処理Ｃ」とは、アイコンＯをＣに位置に移動させる処理である。同図に示されるように、発声内容が認識された後に、それぞれの処理が開始されるとすると、画面上のアイコンＯは、図１８に示されるように、まずＢの位置に移動し、その後、Ｃの位置に移動した後、Ａの位置に移動することになる。
【０１０５】
しかしながら、本発明の音声認識装置を適用した場合は、音声データの再評価が可能である。即ち、男女共通の辞書を用いていて、「それから」という音声データが、「Ｃに行け」と認識された時点で、性別認識部１０４３により性別の判定が行われ、話者が女性であることが認識されたとすると、女性及び子供用の辞書に切り替えられる。
【０１０６】
本適用例において音声認識装置を利用する上位システム１０８は、性別が判定されたことによる音素認識辞書及び単語認識辞書の切り替えが行われたことを受けて、音声データの再評価の指示を行う。
【０１０７】
図１９は、その際の処理の様子を示す図である。上位システム１０８からの再評価の指示を受けて、音声データの再評価が行われた結果、「Ｃに行け」と認識されていた音声データが、実は「それから」という音声であったということが判明する。その結果、既に処理Ｃが開始し、アイコンがＢの位置からＣの位置に向かって移動を開始していたとすると、処理Ｃは中止され、「Ａに行け」との発声が認識された時点から、Ａの位置に向かって移動が開始されることとなる。この場合の動作は、図２０に示すようになる。
【０１０８】
以上に説明したように、本発明の音声認識装置を適用すると、上位システム１０８における誤認識による無駄な処理を少なくすることが可能となる。尚、本実施の形態では、情報処理装置の例として、画面上のアイコンを移動させる場合について説明したが、他のもっと複雑な処理に適用することも、もちろん容易に行える。例えば、情報検索のキーワードを音声にて入力するような装置に適用した場合には、誤認識に基づく検索処理を削減することが可能となり、本発明の効果も、より大きなものとなる。
【０１０９】
また、本実施の形態では、音声入力部１０１が一つの場合について説明したが、例えば音声入力部１０１としてのマイクロホンを複数備え、それぞれから入力された音声データについて音声認識を行うことも可能である。そのような場合には、記憶領域１０３２を、それぞれの音声入力部１０１に対応させて分割し、波形データを記憶するようにすればよい。そのような構成にすると、例えば、複数の話者による発声の認識も容易にできるようになる。
【０１１０】
また、本発明に係る音声認識装置のように、音声認識の結果に基づいて、過去の音声データを理解しなおすというのは、ある意味で、現実の人間が音声を認識する際に無意識に行っているものということができる。従って、本発明の音声認識装置は、例えば、仮想的な生物の挙動をコンピュータに実行させるような場合に適用することも可能である。
【０１１１】
なお、本発明である音声認識装置を実現するプログラムを記憶した記憶媒体は、図２１の記憶媒体の例で示すように、ＣＤ−ＲＯＭやフロッピーディスク等の可搬型記憶媒体だけでなく、回線先の他の記憶装置や、コンピュータのハードディスクやＲＡＭ等の記憶媒体のいずれでもよく、プログラム実行時には、プログラムはローディングされ、主メモリ上で実行される。
【０１１２】
【発明の効果】
以上に説明したように、本発明に係る音声認識装置及びそれを用いた情報処理装置によれば、音声データを記憶する記憶手段に記憶された音声データを、上位システムからの指示を受けて再評価することにより、一度、誤認識された音声データについて、正しい認識に修正することが可能となるので、音声データの誤認識に基づく必要でない処理を削減することが可能になるという効果を奏する。
【図面の簡単な説明】
【図１】 本発明の一実施の形態に係る音声認識装置の構成を示す機能ブロック図である。
【図２】 本実施の形態の音声認識装置の波形データ作成部の詳細な構成を示す機能ブロック図である。
【図３】 本実施の形態の波形データリングバッファの構成を示す図である。
【図４】 本実施の形態のフィルタ処理部に用いられるフィルタの特性を示す図である。
【図５】 本実施の形態における音声区間の切り出しの一例について説明するための図である。
【図６】 本実施の形態において音声区間の切り出しを行う際の状態遷移を示す図である。
【図７】 本実施の形態の波形データ記憶部の記憶領域の構成の一例を示す図である。
【図８】 本実施の形態の音声認識装置の波形データ分析部の詳細な構成を示す機能ブロック図である。
【図９】 ＦＦＴ部で求められたスペクトルパワーを、メル尺度で１６チャンネルに分割する際に用いるテーブルの一例を示す図である。
【図１０】 本実施の形態の音声認識装置において、音声データの再評価を行う際の音声認識部の処理内容を示すフローチャートである。
【図１１】 本実施の形態の再評価データ数確定処理の詳細な処理内容を示すフローチャートである。
【図１２】 本実施の形態の有効音声データ確定処理の詳細な処理内容を示すフローチャートである。
【図１３】 音声再評価の際の平均音声パワーの判定の具体例について説明するための図である。
【図１４】 音声再評価の際の平均音声パワーの判定の具体例について説明するための図である。
【図１５】 本実施の形態の発話内容再評価処理の詳細な処理内容を示すフローチャートである。
【図１６】 本発明の音声認識装置の一適用例としての情報処理装置の動作について説明するための図である。
【図１７】 本発明の音声認識装置の一適用例としての情報処理装置における音声認識について説明するための図である。
【図１８】 本発明の音声認識装置の一適用例としての情報処理装置の動作について説明するための図である。
【図１９】 本発明の音声認識装置の一適用例としての情報処理装置における音声認識について説明するための図である。
【図２０】 本発明の音声認識装置の一適用例としての情報処理装置の動作について説明するための図である。
【図２１】 記憶媒体の例を示す図である。
【図２２】 従来の音声認識装置の構成の一例を示す図である。
【符号の説明】
１０１ 音声入力部
１０２ 波形データ作成部
１０３ 波形データ記憶部
１０３１ 波形データ書き込み部
１０３２ 記憶領域
１０３３ 波形データ読み出し部
１０４ 音声認識部
１０４１ 波形データ分析部
１０４２ 話者認識部
１０４３ 性別認識部
１０４４ 内容認識部
１０４５ パワー認識部
１０４６ 音素認識辞書切替部
１０４７ 単語認識辞書切替部
１０５ 音素認識辞書格納部
１０６ 単語認識辞書格納部
１０７ 話者認識辞書格納部
１０８ 上位システム
２０１ 音声データ入力部
２０２ 波形データリングバッファ
２０３ フィルタ処理部
２０４ パワー計算部
２０５ ノイズレベル学習部
２０６ 単語区間検出部
２０７ 区間検出閾値テーブル格納部
８０１ 窓処理部
８０２ ＦＦＴ部
８０３ ノイズパターン学習部
８０４ サブトラクション部
８０５ メルスペクトル計算部
８０６ メルスペクトル格納部
８０７ 音素認識部
９１ 回線先の記憶装置
９２ ＣＤ−ＲＯＭやフロッピーディスク等の可搬型記憶媒体
９２−１ ＣＤ−ＲＯＭ
９２−２ フロッピーディスク
９３ コンピュータ
９４ コンピュータ上のＲＡＭ／ハードディスク等の記憶媒体
【発明の属する技術分野】
本発明は、音声認識装置及びそれを用いた情報処理装置に関する。
【０００２】
【従来の技術】
音声認識とは、音声波に含まれる情報の中で最も基本的な意味内容に関する情報を、電子計算機、電子回路などによって自動的に抽出し、決定する意味内容に関する認識や、音声波に含まれる個人性情報を抽出する話者認識をいう。
【０００３】
音声を自動的に認識する装置については古くから研究が行われているが、最近では、音声によって機械と対話するための音声入力装置が実現され、今後の進歩が期待されている。
【０００４】
従来の音声認識装置の構成を図２２に示す。同図に示された従来の音声認識装置は、音声入力部２２０１、音声区間データ作成部２２０２、音声区間データ処理部２２０３、音声認識辞書格納部２２０４を備えている。
【０００５】
音声入力部２２０１としては、マイクロホン等の入力装置が用いられる。
音声区間データ作成部２２０２は、音声入力部２２０１から入力された音声データから音声区間の検出を行い音声区間データを作成する。音声区間の検出の詳細については後述する。
【０００６】
音声区間データ処理部２２０３は、音声区間データ作成部２２０２によって作成された音声区間データを分析し、その意味内容を認識する。従来の意味内容の認識方法については、「ディジタル音声処理」（古井 貞煕 著、東海大学出版会）に詳しく記載されているが、一般には、音声認識用の辞書として、音声認識辞書格納部２２０４に音素辞書と単語辞書とを備える。音声認識においては、入力音声と標準パターンの短時間スペクトル同士の距離又は類似度を認識の判断の基礎として音声素片を認識し、認識された音声素片列を単語辞書とマッチングすることによりその意味内容を認識する。
【０００７】
【発明が解決しようとする課題】
しかしながら、上記従来の音声認識装置においては、音声データの誤認識を修正することが容易でないという問題点を有していた。
【０００８】
即ち、人間が行う現実の音声認識では、最初は正確に認識できなかった音声データを、その後の会話内容等によって逐次修正して理解し、それに伴い行動を修正するといったこともあるが、上記従来の音声認識装置では、一度誤って認識された音声の意味内容を容易に修正することができない。従って、例えば、音声によってコマンドを入力するような装置において、音声データの誤認識によって誤ったコマンドが入力されてしまった場合等にその動作を修正することは難しく、音声認識の適用範囲を狭くする原因となっていた。
【０００９】
本発明は上記の問題点に鑑み、より広い範囲に適用することが可能な音声認識装置及びそれを用いた情報処理装置を提供することを目的とする。
【００１０】
【課題を解決するための手段】
前記目的を達成するため、本発明の音声認識装置は、音声データを記憶する記憶手段と、音声認識の結果を利用する上位システムからの要求を受けて、前記記憶手段に記憶されている音声データを再評価する再評価手段とを備えることを特徴とする。
【００１１】
ここで、前記音声認識装置は、音声データから音声区間データを切り出す音声区間データ作成手段を備え、前記記憶手段は、前記音声区間データ作成手段により作成された音声区間データを記憶することができる。
【００１２】
また、前記記憶手段は、前記音声区間データ作成手段により作成された音声区間データを複数セット記憶する複数のデータスロットを備えることが好ましい。複数のデータスロットに音声データを格納しておくと、前記再評価手段による再評価の処理効率を向上させることができるからである。
【００１３】
さらに、前記音声認識装置は、前記音声区間データ作成手段を複数有し、前記記憶手段は、それぞれの音声区間データ作成手段ごとに、音声区間データを複数セット記憶するデータスロットを備えることもできる。そのような構成としておくと、音声を入力する例えばマイクロホンが複数存在する場合でも、それぞれのマイクロホンから入力される音声データについて、それぞれ再評価を行うことが可能となる。
【００１４】
また、前記音声認識装置はさらに、前記記憶手段に記憶されている音声データから、音声パワーを算出するパワー算出手段を備え、前記再評価手段は、前記パワー算出手段により算出された音声パワーが所定の範囲外である場合に、当該音声データを再評価しないようにすることが好ましい。正常な音声認識ができないような音声データを、再評価の対象から除外することにより、音声認識の認識率をより向上させることが可能となるからである。
【００１５】
また、前記音声認識装置はさらに、前記音声データから話者の性別を判定する性別認識手段と、前記性別認識手段による判定結果に基づき、音素認識に用いる辞書を切り替える音素認識辞書切替手段とを備えることが好ましい。性別により音素認識辞書を切り替えることにより、さらに認識率を向上させることができるからである。
【００１６】
また、前記音声認識装置はさらに、前記音声データから話者の性別を判定する性別認識手段と、前記性別認識手段による判定結果に基づき、単語認識に用いる辞書を切り替える単語認識辞書切替手段とを備えることが好ましい。性別により通常用いる単語が異なることから、性別によって単語認識辞書を切り替えることにより、さらに認識率を向上させることができるからである。
【００１７】
もちろん、前記性別認識手段による判定結果に基づき、音素認識に用いる辞書を切り替える音素認識辞書切替手段と、単語認識に用いる辞書を切り替える単語認識辞書切替手段との双方を備えることも可能である。
【００１８】
また、前記音声認識装置はさらに、前記音声データから話者を判定する話者認識手段を備えることもできる。
また、本発明の情報処理装置は、入力を受け付ける入力受付手段を備える情報処理装置であって、前記入力受付手段として請求項１から９のいずれかに記載の音声認識装置を用いる。音声によりコマンドの入力を行うことが可能な情報処理装置において、本発明の音声認識装置を用いると、音声データの再評価を行うことにより、音声データの誤認識を逐次修正しながら動作させることが可能となり、無駄な処理を軽減することが可能となる。
【００１９】
また、前記音素認識辞書切替手段を有する音声認識装置を用いる情報処理装置においては、前記音素認識辞書切替手段により、音素認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データの再評価を要求するようにすることが好ましい。音素認識辞書が切り替えられることにより、一般的に認識率は向上するが、その切替の機会に過去の音声データを再評価することにより、音声データの誤認識が見つかることもあるからである。
【００２０】
また、前記単語認識辞書切替手段を有する音声認識装置を用いる情報処理装置において、前記単語認識辞書切替手段により、単語認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データの再評価を要求するようにすることも好ましい。
【００２１】
さらに、前記音素認識辞書切替手段と、前記単語認識辞書切替手段との双方を有する音声認識装置を用いる情報処理装置では、前記音素認識辞書切替手段により音素認識辞書が切り替えられた際、又は前記単語認識辞書切替手段により単語認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データの再評価を要求するようにすることも好ましい。
【００２２】
また、本発明の記憶媒体は、音声データから、音声区間データを切り出す切り出しステップと、前記切り出しステップにおいて切り出された音声区間データを、複数のデータスロットに順次格納する格納ステップと、音声認識の結果を利用する上位システムから、前記音声区間データの再評価の要求を受け付ける要求受付ステップと、前記要求に従って、音声区間データの再評価を行う再評価ステップとを実行するプログラムを記憶したコンピュータで読み取り可能な記憶媒体である。
【００２３】
【発明の実施の形態】
以下、本発明の実施の形態について、図面を参照しながら説明する。
図１は、本発明の一実施の形態に係る音声認識装置の構成を示す機能ブロック図である。
【００２４】
同図に示されるように、本実施の形態の音声認識装置は、音声入力部１０１、波形データ作成部１０２、波形データ記憶部１０３、音声認識部１０４、音素認識辞書格納部１０５、単語認識辞書格納部１０６、話者認識辞書格納部１０７を備えており、本発明の音声認識装置による音声認識の結果を利用する上位システム１０８が、音声認識部１０４から音声認識の結果を受け取る構成となっている。
【００２５】
音声入力部１０１としては、マイクロホン等、音声入力が可能な入力装置を用いることができる。
波形データ作成部１０２は、音声入力部１０１から入力された音声データについて音声区間の切り出しを行い、波形データを作成する。
【００２６】
尚、本実施の形態では、波形データ記憶部１０３の記憶領域１０３２に、波形データの形式で格納することとしているため、音声区間の切り出しのみを行うが、記憶領域１０３２へのデータの格納方式によっては、音声区間の切り出しの後、格納方式に対応する形式に変換する処理を行うようにしてもよい。その場合は、本実施の形態では後述の波形データ分析部１０４１が行う処理の一部を波形データ作成部１０２が行うこともある。
【００２７】
図２は、本実施の形態の波形データ作成部１０２の詳細な構成を示す機能ブロック図である。
同図に示されるように、波形データ作成部１０２は、音声データ入力部２０１、波形データリングバッファ２０２、フィルタ処理部２０３、パワー計算部２０４、ノイズレベル学習部２０５、単語区間検出部２０６、区間検出閾値テーブル格納部２０７を備える。
【００２８】
音声データ入力部２０１は、音声入力部１０１より入力された音声データについて、所定の間隔でサンプリングを行い、その結果を波形データリングバッファ２０２に順次格納する。図３は、波形データリングバッファ２０２の構成の一例を示す図である。同図に示されるように、本実施の形態では、全長５１２ワード（１ワード＝４バイト）分のバッファを確保し、サンプリングされたデータを順次格納する。本実施の形態では、２５６ポイント（窓幅）のデータが取り込まれた時点で１フレーム分の処理を行う。同図に示されるフレームシフト（１８０ポイント）とは、窓幅２５６ポイントのうち、フレームシフト１８０ポイントを除いた部分は、次のフレームの窓幅に含まれることを意味しており、一部を重複させることにより、単語が途中で区切れるのを防止している。なお、フレームシフトは必ずしも１８０ポイントでなくてもよい。
【００２９】
フィルタ処理部２０３は、波形データリングバッファ２０２に格納された波形データに対して１５０ＨｚのＨＰＦ（ハイパスフィルタ）で高域強調を行う。ＨＰＦとしては、４次のＩＩＲチェビシェルフィルタを用いる。図４に、本実施の形態のＨＰＦの特性を示す。また、高域強調は、ｚ変換である１−ｚ-1の一次差分を用いる。
【００３０】
パワー計算部２０４は、音声パワー（POW）の計算を行う。音声パワーの計算は窓波形に対する相対的な値として以下の数１に従って計算する。ここでいう窓波形は矩形窓である。
【００３１】
【数１】
以下、上記数１に示される音声パワーの計算について、より詳細に説明する。まず、ｉ番目の窓の波形{Ｓｉ}に対するログパワーlogpow(s)は、下記の数２で表される。
【００３３】
【数２】
従って、上記音声パワー(POW)は、下記の数３に従って算出することができる。
【００３５】
【数３】
上記数３において、ｙは窓処理後の波形を表し、ｈは窓自体の波形を表す。ここで、窓自体の波形のログパワーlogpow(h)は、一定であるので、予め計算しておくことができる。一方、上記の窓処理後のログパワー1000＊log10(Σｙｉ2)については、下記の数４に従って計算することができる。ｉは窓のｉ番目のポイントであり、ここでは１〜２５６である。
【００３７】
【数４】
上記数４における301＊n及び301＊log2(c)については、n及びcの値ごとに予め計算し、テーブルに格納しておくことが可能である。なお、本実施の形態では、cは小数点以下５ビットの精度としている。
【００３９】
ノイズレベル学習部２０４は、環境雑音の変動に対処するため一定間隔ごとにノイズレベル（以下、「ｎｓｌ」と表記する場合もある。）の学習を行う。ここで、ノイズレベルとは、無音区間のパワーのことをいう。ノイズレベル学習部２０４は、一定期間でもっとも出現頻度の高いパワー値をその期間のノイズレベルとする。学習の際には、学習対象の１００フレームのうちパワーの小さい下位８割のデータからのみノイズレベルを学習する。これは無音区間のみのデータをより正確に学習するためである。また、学習されたノイズレベルが一定値より小さい場合には、予め定めた最小値を学習値とする。尚、ここで学習されたノイズレベルは、後述の区間検出で用いる閾値（ｔｈ１からｔｈ４）の決定に用いられる。当該閾値は、区間検出閾値テーブル格納部２０７に格納される。
【００４０】
単語区間検出部２０５は、音声パワーが予め定めた閾値を超えた部分を音声区間として検出する。その際に区間検出をより正確に行うため、各入力フレームごとに前回の状態を参照し、これに応じて４種の閾値と音声パワーとの比較を行う。以下、単語区間検出の方法について詳細に説明する。
【００４１】
図５は、単語区間検出の一例を示す図である。
同図に示されるｔｈ１からｔｈ４までの４つの閾値と音声パワーとの比較を行うことにより、音声区間の検出を行う。ここで、閾値ｔｈ１からｔｈ４は、前述の如くノイズレベル（ｎｓｌ）から算出される値を用いる。本実施の形態では、ｔｈ１＝ｎｓｌ＋２００、ｔｈ２＝ｎｓｌ＋６００、ｔｈ３＝ｎｓｌ＋５００、ｔｈ４＝ｎｓｌ＋６００としている。
【００４２】
以下、図６に示す単語区間検出の状態遷移図も参照しながら、図５に示されるＡからＨまでの各フレームについて、その内容を説明する。
フレームＡにおいては、音声パワーが閾値ｔｈ１を上回ることにより状態１への遷移が発生している。これは、単語区間の語頭候補が検出されたことを意味するものと考える。しかし、図５の例では、音声パワーが閾値ｔｈ２を上回ることなく、フレームＢにおいて、再び閾値ｔｈ１より下に落ちてしまっているので、状態１であった区間が単語区間と判定されることなく、再び状態０に戻っている。
【００４３】
これは、図６に示されるように、状態０において、音声パワーが閾値ｔｈ１を上回った場合には状態１に遷移すること、及び、状態１において、音声パワーが閾値ｔｈ１以下になった場合、又は状態１である時間の長さ（ｗｄ）が単語最長値ｗｄｍａｘを上回った場合には、単語を区切るために、状態０に戻ることが規定されているからである。ここで、単語最大長ｗｄｍａｘとは、一つの単語が発音されるであろう最大の時間の長さとして、規定しておく値をいう。単語最長値ｗｄｍａｘは予め設定しておく。尚、本実施の形態では、ｗｄｍａｘは１４０フレーム分の時間（＝約２１００ｍｓ）としている。
【００４４】
尚、図６に示されるように、状態０において音声パワーが閾値ｔｈ１以下であった場合には、そのまま状態０で継続する。
図５に戻って、フレームＣにおいて、再度、音声パワーが閾値ｔｈ１を上回ったことが検出され、状態１に遷移する。図６に示されるように状態１では、音声パワーが閾値ｔｈ１を上回り、閾値ｔｈ２以下であった場合には、状態１でありつづけるが、音声パワーが閾値ｔｈ２を上回った場合には、状態２へと遷移する。
【００４５】
さらに、図５の例では、フレームＤにおいて音声パワーが閾値ｔｈ２を上回っているため、状態２に遷移している。状態２とは、音声区間と認識された状態である。
【００４６】
状態２では、音声パワーが閾値ｔｈ３以上である場合には、状態２でありつづけるが、音声パワーが閾値ｔｈ３を下回った場合には状態３へと遷移する。また、状態２での時間の長さ（ｗｄ）が、前述の単語最長値ｗｄｍａｘを上回った場合には、状態０へと遷移する。
【００４７】
図５の例では、フレームＥにおいて音声パワーが閾値ｔｈ３を下回ったため、状態３へと遷移している。状態３とは、単語の終了が検出されたかもしれないという状態を表す。もっとも、図６に示されるように、状態３において音声パワーが再度閾値ｔｈ４を上回った場合には、それまでに、後述の条件により状態０へと遷移していなければ、単語の終了が検出されたわけではないものと判定し、再び状態２へと遷移する。
【００４８】
状態３から状態０へと遷移するのは、音声パワーが閾値ｔｈ３を下回ることによって状態２から状態３へと遷移した状態であって、音声パワーが閾値ｔｈ１を下回った無音期間の長さ（ｓｌ）が無音最長値（ｓｌｍａｘ）を上回った場合、状態２での時間の長さ（ｗｄ）が単語最短値（ｗｄｍｉｎ）を下回っていた場合、及び状態２での時間の長さ（ｗｄ）が単語最長値（ｗｄｍａｘ）を上回った場合である。
【００４９】
無音最長値ｓｌｍａｘ及び単語最短値ｗｄｍｉｎについても、予め設定しておく必要がある。無音最長値ｓｌｍａｘの意味については、後述する。単語最短値ｗｄｍｉｎとは、一つの単語が発音されるであろう最小の時間の長さとして、規定しておく時間をいう。即ち、状態２での時間の長さ（ｗｄ）が、単語最短値（ｗｄｍｉｎ）を下回っていた場合には、状態２の部分は音声区間とは見なされない。なお、本実施の形態では単語最短値（ｗｄｍｉｎ）としては、１８フレーム分の時間（＝約２７０ｍｓ）が、また、無音最長値（ｓｌｍａｘ）としては、２０フレーム分の時間（＝約３００ｍｓ）が規定されている。状態０へと遷移するまでに音声パワーが閾値ｔｈ４以下である場合には、前述の三つのいずれかの条件を満足させない限りは、状態３でありつづける。
【００５０】
図５の例では、状態３から状態０に遷移するまでに、再度フレームＦにおいて音声パワーが閾値ｔｈ２を上回っているため、状態３における無音状態が単語中の無音部であると判定し、再度状態２へと遷移している。ここで、単語中の無音部とは、例えば「北海道」の如き促音を含む単語において発生する、単語の中にもかかわらず音声が途切れる部分をいう。上述の如く、無音最長値（ｓｌｍａｘ）として、２０フレーム分の時間が規定されているのは、それだけの時間が経過する前に再び音声パワーが上昇した場合には、単語中の無音部であると判定することを意味する。
【００５１】
図５の例では、フレームＧにおいて、再度音声パワーが閾値ｔｈ３を下回ることにより、状態３へと遷移しており、その後、状態３での長さが無音最長値（ｓｌｍａｘ）を上回ったことにより、フレームＨにおいて状態０へと遷移している。
【００５２】
本実施の形態の音声認識装置は、最終的にフレームＣからフレームＧまでの間を単語区間と判定し、単語区間の切り出しを行う。
以上に詳細に説明したように、波形データ作成部１０２において切り出された波形データは、波形データ記憶部１０３に格納される。
【００５３】
波形データ記憶部１０３は、波形データ書き込み部１０３１、記憶領域１０３２、波形データ読み出し部１０３３から構成される。
波形データ書き込み部１０３１は、波形データ作成部１０２で切り出された波形データを記憶領域１０３２に書き込むインターフェース部分である。また、波形データ読み出し部１０３３は、記憶領域１０３２から波形データを読み出し、音声認識部１０４に送るインターフェース部分である。
【００５４】
図７は、本実施の形態における記憶領域１０３２の構成の一例を示す図である。同図に示されるように、本実施の形態では、切り出された波形データを格納する領域として１０個のデータスロットを備えている。また、一個のデータスロットの大きさは６４キロバイトとしている。これは、一単語最大２秒間と仮定し、１０単語分の情報を保持するとした場合の例であるが、領域の大きさは特に限定されない。また、データスロットの形式で格納した方が処理効率は良くなるが、データスロット以外の形式でも実施することは可能である。なお、本実施の形態では、１０番目のデータスロットにデータを格納した後は、再度、１番目のデータスロットに戻って、循環してデータを格納する。
【００５５】
音声認識部１０４は、波形データ記憶部１０３から読み出した波形データを分析し、意味内容の認識、話者認識等を行う。認識結果は、上位システム１０８により利用される。
【００５６】
ここで、本実施の形態の音声認識装置の音声認識部１０４は、音声入力部１０１から入力された最新の音声データを逐次分析して、認識結果を上位システム１０８に送る他、上位システム１０８の指示に従って、波形データ記憶部１０３に格納されている過去の音声データの再評価を行う。
【００５７】
図１に示したように、本実施の形態の音声認識部１０４は、波形データ分析部１０４１、話者認識部１０４２、性別認識部１０４３、内容認識部１０４４、パワー認識部１０４５、音素認識辞書切替部１０４６、単語認識辞書切替部１０４７を備えている。
【００５８】
波形データ分析部１０４１は、波形データ読み出し部１０３３を介して波形データ記憶部１０３から読み出した波形データを分析し、各々の認識部に送る。
図８は、本実施の形態の波形データ分析部１０４１の詳細な構成を示す機能ブロック図である。同図に示されるように、波形データ分析部１０４１は、窓処理部８０１、ＦＦＴ部８０２、ノイズパターン学習部８０３、サブトラクション部８０４、メルスペクトル計算部８０５、メルスペクトル格納部８０６、音素認識部８０７を備えている。
【００５９】
波形データ読み出し部１０３３を介して読み出された波形データは、まず、窓処理部８０１へと送られる。
窓処理部８０１は、読み出された波形データに窓波形を乗じる。ここでの窓関数（ｈｉ）としては、下記の数５に示すハミング窓を用いる。なお、同式において使用されている０．５６及び０．４４の数値は、窓の形状によって異なる。
【００６０】
【数５】
窓処理後の波形データは、ＦＦＴ部８０２がＦＦＴ処理を行う際に利便であるように内部ＲＡＭ等の記憶手段に格納する。
ＦＦＴ部８０２は、ＦＦＴ（高速フーリエ変換）処理を行う。
【００６２】
ＦＦＴ処理の方法については、公知の方法（例えば、「ディジタル信号処理」（岩田 彰 著、コロナ社）に開示されている方法）が利用できるので、ここでの詳細な説明は省略する。ＦＦＴ処理の結果として得られたリニアスペクトルパワー（以下、「linear-spc-pow」と表す場合もある。）が、その後の計算に用いられる。
【００６３】
ノイズパターン学習部８０３は、無音区間のスペクトルパターンを一定期間ごとに学習する。本実施の形態では、当該一定期間を１０フレーム分の時間（＝約１５０ｍｓ）に設定している。
【００６４】
サブトラクション部８０４は、環境雑音に対処するため、直前のノイズパターンを以下の数６に示すようにＦＦＴの分析結果から減ずる。
【００６５】
【数６】
ここで、上記数６におけるｘは、リニアスペクトルパワーの最小値としたい正の数字又はゼロであり、固定ではない。
最終的に求めるスペクトルは、以下の数７に示されるようなログパワーである。結果は、後の処理のためにＲＡＭに格納しておく。
【００６７】
【数７】
メルスペクトル計算部８０５は、ＦＦＴ部８０２で求められたスペクトルパワーを、メル尺度で１６チャンネルに分割する。分割は、図９に示すテーブルに従って行う。
【００６９】
さらに、各チャンネルについて、下記の数８に従って、チャンネルパワーの累積値であるmel-spcjを計算する。
【００７０】
【数８】
ここで、s(j)（ｊ＝１〜１６）は、各チャンネルの最低周波数ポイント番号、e(j)は、各チャンネルの最高周波数ポイント番号、n(j)は、各チャンネルの周波数ポイント数である。なお、上記のe(j)及びn(j)は、テーブルとして保持しておく。次に正規化のため、１６チャンネルの平均スペクトルとの差を求める。この処理は、下記の数９及び数１０に従って行う。
【００７２】
【数９】
【数１０】
最終的な分析結果であるメルスペクトル（mel-spcj）は、メルスペクトル格納部８０６に格納される。メルスペクトル格納部８０６に格納されたメルスペクトルが、音素認識部８０７における音素認識の結果、音声データの集合として認識される。
【００７５】
音素認識部８０７は、メルスペクトル格納部８０６に格納されたメルスペクトルに所定の処理を行い、音素認識辞書格納部１０５に格納された音素認識辞書の内容とマッチングすることにより、いかなる音素であるかを認識する。ここでの音素認識とは、例えば、発声された音声が、「あ」であるか、「い」であるか、「う」であるか等を認識する処理である。かかる処理の結果、最終的に切り出された波形データが音声の集合、即ち単語として認識される。音素認識処理の詳細については、既に公知の技術となっているので（例えば、電子情報通信学会論文誌Ｄ−II,Vol.J77−Ｄ−II,No.3,pp.475-482に開示されている。）、ここでの詳細な説明は省略する。
【００７６】
以上に詳細に説明した波形データ分析部１０４１の処理によって得られたメルスペクトル及び音素認識の結果を用いて、各種の音声認識処理が行われる。以下、各認識部の処理内容について説明する。
【００７７】
話者認識部１０４２は、話者認識を行う。ここで、話者認識とは、その音声が誰の発話であるかを認識する処理である。話者認識における比較処理に用いる辞書情報は、話者認識辞書格納部１０７に格納される。
【００７８】
しかし、話者認識の方法等については、既に文献等に記載されている（例えば、"A ROBUST, SEGMENTAL METHOD FOR TEXT INDEPENDENT SPEAKER IDENTIFICATION" by Herbert Gish, Michael Schmidt, and Angela Mielke (Proc. ICASSP 94, April 1994, Adelaide, South Australia, pp.145-148)、"IDENTIFICATION OF SPEAKERS ENGAGED IN DIALOG" by George Yu, and Herbert Gish (Proc. ICASSP 93, April 1993, Minneapolis, Vol II, pp.383-386)、"Robust Discrimination in Automatic Speaker Identification" by Herbert Gish (Proc. ICASSP 90, April 1990, Albuquerque, pp.289-292)等に開示されている。）方法が利用できるので、ここでの詳細な説明は省略する。
【００７９】
性別認識部１０４３は、話者の性別の認識を行う。性別の認識は、一般的に知られているピッチの判定による、男性と、女性又は子供との識別によって行う。尚、本実施の形態では、性別により単語辞書を切り替えるため、性別認識の結果は、単語認識辞書切替部１０４７へと送られる。
【００８０】
内容認識部１０４４は、会話内容の認識を行う。即ち、音素認識の結果、単語として認識された音声データが、意味をなす単語であるか否かを、単語認識辞書を参照して認識する。より具体的には、音素認識の結果として得られた、連続した音声データを、単語認識辞書に登録されている単語とマッチングすることにより、単語認識辞書から、意味のある単語としてもっとも適切なものを選択する処理を行う。単語認識の方法についても前述の資料（電子情報通信学会論文誌Ｄ−II,Vol.J77−Ｄ−II,No.3,pp.475-482）に開示されている方法が利用できるので、ここでの詳細な説明は省略する。
【００８１】
パワー認識部１０４５は、音声認識に不適切な音声パワーを有する波形データを識別し、そのような不適切な波形データを認識に用いないように波形データ分析部１０４１に指示する。音声パワーの算出方法については、既に詳細に説明したので、ここでの詳細な説明は省略する。尚、ここでいう音声認識に不適切な音声パワーを有する波形データとは、例えば、音声パワーが大きすぎるものや、小さすぎるものである。
【００８２】
音素認識辞書切替部１０４６は、音素認識辞書の切り替えを行う。本実施の形態では、図示はされていないが、性別認識部１０４３による性別の判定に基づいて音素認識辞書を切り替えるようにしている。
【００８３】
単語認識辞書切替部１０４７は、単語認識辞書の切り替えを行う。前述の如く、本実施の形態の音声認識装置は、性別認識部１０４３による性別の判定に基づいて、単語認識辞書を切り替えるようにしているため、単語認識辞書切替部１０４７が、性別認識部１０４３の判定結果に基づいて単語認識辞書を切り替える。
【００８４】
ここで、単語認識とは、前述の音素認識の結果、単語として認識された音声データが、意味をなす単語であるか否かを認識することをいう。具体的には、音素認識の結果として得られた、連続した音声を、単語認識辞書に登録されている単語とマッチングすることにより、意味のある単語としてもっとも適切なものを選択する。性別によって、音素認識辞書及び単語認識辞書を切り替えるのは、性別により、通常用いられる単語等が異なることから、例えば、男性用の辞書と、女性又は子供用の辞書とを切り替えることで認識率の向上を図ったものである。
【００８５】
音素認識辞書格納部１０５、単語認識辞書格納部１０６、話者認識辞書格納部１０７には、それぞれ、前述の辞書が格納される。
本実施の形態の音声認識装置は、前述の如く、上位システム１０８からの再評価の指示に従って、波形データ記憶部１０３に記憶されている過去の波形データについて再評価を行う機能を有する。以下、上位システム１０８からの指示に従って波形データの再評価を行う際の音声認識部１０４の処理内容について説明する。
【００８６】
図１０は、波形データの再評価を行う際の音声認識部１０４の処理内容を示すフローチャートである。
同図に示されるように、音声認識部１０４は、まず初期化処理を行う（Ｓ１００１）。初期化処理とは、具体的には、メモリ領域のクリア処理等をいう。
【００８７】
尚、本実施の形態の音声認識装置は、例えば上位システムからの動作終了通知を受けたか否かを判定しており（Ｓ１００２）、終了通知を受けた場合（Ｓ１００２：Ｙｅｓ）には、終了処理を行って（Ｓ１００３）、動作を終了する。
【００８８】
終了通知を受けていない場合は（Ｓ１００２：Ｎｏ）、上位システム１０８からの再評価要求があったか否かを判定し（Ｓ１００４）、再評価の要求があった場合（Ｓ１００４：Ｙｅｓ）には、まず、再評価すべきデータ数の確定処理を行う（Ｓ１００５）。
【００８９】
図１１は、再評価データ数確定処理の詳細な処理内容を示すフローチャートである。同図に示されるように、再評価データ数確定処理では、まず、再評価要求データ数と再評価可能データ数とを比較する（Ｓ１１０１）。ここで、再評価要求データ数とは、例えば上位システム１０８から再評価を要求されたデータ数をいい、上位システム１０８の利用目的等によって異なった値となる。一方、再評価可能データ数とは、本発明に係る音声認識装置において再評価が可能な波形データ数をいい、波形データ記憶部１０３の記憶領域１０３２の容量によって異なった値となる。
【００９０】
再評価要求データ数が、再評価可能データ数を超えている場合（Ｓ１１０１：Ｎｏ）には、再評価すべきデータ数は、再評価可能データ数となる（Ｓ１１０２）。一方、再評価要求データ数が、再評価可能データ数以下である場合（Ｓ１１０１：Ｙｅｓ）には、再評価を要求されたデータの数だけ再評価することが可能であるので、再評価要求データ数が、再評価すべきデータ数となる（Ｓ１１０３）。
【００９１】
再評価すべきデータ数が確定すると、図１０のフローチャートに戻って、音声認識部１０４は、有効音声データの確定処理を行う（Ｓ１００６）。有効音声データの確定処理とは、前述の如く、音声パワーが異常であるため、音声認識に用いない方が良いと思われる波形データを処理対象から除去する処理である。
【００９２】
図１２は、有効音声データ確定処理の詳細な処理内容を示すフローチャートである。音声認識部１０４は、再評価すべきデータ数として確定した分だけ波形データ記憶部１０３から波形データを取り出して再評価を行うが、まず、取り出された分の波形データのうち、未処理のデータがなくなるまで、パワー認識部１０４５において、波形データの音声パワー時系列を算出する（Ｓ１２０１：Ｙｅｓ、Ｓ１２０２）。音声パワーの時系列の算出方法は、既に詳細に説明したので、ここでの詳細な説明は省略する。
【００９３】
全ての波形データについて音声パワー時系列を算出すると（Ｓ１２０１：Ｎｏ）、平均音声パワーが異常な波形データを処理対象のデータから排除する（Ｓ１２０３）。
【００９４】
以下、平均音声パワーが異常な波形データを排除する方法について具体的に説明する。本実施の形態では、平均音声パワーが異常な音声データか否かを以下の条件で判定する。即ち、１）記憶領域１０３２のデータスロットに格納されている各々のデータの平均パワーについて、平均音声パワーが、格納されている全てのデータの平均パワーから一定値を減じた値を上回っていること、具体的には、下記の数１１の条件を満たすこと、
【００９５】
【数１１】
及び、２）波形が飽和していないこと、即ち、波形データの振幅が一定の範囲内におさまっていること、を満たす場合に有効データと判定する。条件１）は、音声パワーが小さすぎないこと、条件２）は、音声パワーが大きすぎないことを判定するものである。
【００９７】
図１３及び図１４は、音声再評価の際の平均音声パワーの判定の具体例について説明するための図である。なお、本実施の形態では、上記条件１）における一定値は２０００と規定されているものとする。
【００９８】
図１３に示されるように、記憶領域１０３２のデータスロットに波形データ１と波形データ２とが格納されているとする。それぞれの波形データについて音声パワーを検出した結果、波形データ１の平均パワーが−３０００、波形データ２の平均パワーが−６０００であったとすると、全ての波形データの平均パワーは−４５００となる。ここで、波形データ１と波形データ２はともに条件１）を満たしているため、それぞれ有効な音声データと判定されることとなる。
【００９９】
一方、図１４に示す如く、記憶領域１０３２のデータスロットに波形データ１、波形データ２及び波形データ３が格納されているとする。それぞれの波形データについて音声パワーを検出した結果、波形データ１の平均パワーが−３０００、波形データ２の平均パワーが−６０００、波形データ３の平均パワーが−３０００であったとすると、全ての波形データの平均パワーは−４０００となる。ここで、波形データ１、波形データ２及び波形データ３の全てが飽和していないものとしても、波形データ２は、条件１）を満たさないこととなるため、無効な音声データと判定されることとなる。
【０１００】
以上のような処理により、記憶領域１０３２に記憶されている波形データのうち、どの波形データを再評価するかが確定するので、音声認識部１０４は、実際に再評価されるべき波形データに関する情報、例えば、何秒前のデータが再評価されるか等の情報を上位システム１０８に通知する（Ｓ１２０４）。通知された情報を如何に利用するかは、上位システム１０８の利用目的等によって異なる。
【０１０１】
有効音声データ確定処理により、再評価すべき波形データが確定すると、図１０のフローチャートに戻って、音声認識部１０４は、発話内容の再評価を行う。図１５は、発話内容再評価処理の詳細な処理内容を示すフローチャートである。同図に示されるように、発話内容再評価処理においては、音声認識部１０４は、処理すべき波形データとして確定した波形データ全てについて処理が終了するまで、発話内容を評価し（Ｓ１５０２）、結果を上位システム１０８に通知する（Ｓ１５０３）。
【０１０２】
次に、以上のように構成された本発明の音声認識装置の一適用例としての情報処理装置について説明する。本適用例は、音声によりコマンドを入力して表示画面上のアイコンを移動させることが可能な情報処理装置に、本発明の音声認識装置を適用したものである。以下、かかる情報処理装置の動作について説明し、本発明の効果をより具体的に説明する。
【０１０３】
図１６は、本発明の音声認識装置を適用した情報処理装置の表示画面の一例を示す図である。この情報処理装置では、音声により、例えば「Ａに行け」、「Ｂに行け」又は「Ｃに行け」等の命令を入力することにより、画面上のアイコンＯがそれぞれ図中に示されたＡ、Ｂ又はＣの位置に移動するものとする。
【０１０４】
ここで、例えば、発声内容が、「Ｂに行け」、「それから」、「Ａに行け」であったにもかかわらず、最初の音声認識の結果が「Ｂに行け」、「Ｃに行け」、「Ａに行け」であった場合について説明する。図１７は、この際の処理の順序を示した図である。同図において、「処理Ａ」とは、アイコンＯをＡに位置に移動させる処理をいい、「処理Ｂ」とは、アイコンＯをＢに位置に移動させる処理をいう。また、「処理Ｃ」とは、アイコンＯをＣに位置に移動させる処理である。同図に示されるように、発声内容が認識された後に、それぞれの処理が開始されるとすると、画面上のアイコンＯは、図１８に示されるように、まずＢの位置に移動し、その後、Ｃの位置に移動した後、Ａの位置に移動することになる。
【０１０５】
しかしながら、本発明の音声認識装置を適用した場合は、音声データの再評価が可能である。即ち、男女共通の辞書を用いていて、「それから」という音声データが、「Ｃに行け」と認識された時点で、性別認識部１０４３により性別の判定が行われ、話者が女性であることが認識されたとすると、女性及び子供用の辞書に切り替えられる。
【０１０６】
本適用例において音声認識装置を利用する上位システム１０８は、性別が判定されたことによる音素認識辞書及び単語認識辞書の切り替えが行われたことを受けて、音声データの再評価の指示を行う。
【０１０７】
図１９は、その際の処理の様子を示す図である。上位システム１０８からの再評価の指示を受けて、音声データの再評価が行われた結果、「Ｃに行け」と認識されていた音声データが、実は「それから」という音声であったということが判明する。その結果、既に処理Ｃが開始し、アイコンがＢの位置からＣの位置に向かって移動を開始していたとすると、処理Ｃは中止され、「Ａに行け」との発声が認識された時点から、Ａの位置に向かって移動が開始されることとなる。この場合の動作は、図２０に示すようになる。
【０１０８】
以上に説明したように、本発明の音声認識装置を適用すると、上位システム１０８における誤認識による無駄な処理を少なくすることが可能となる。尚、本実施の形態では、情報処理装置の例として、画面上のアイコンを移動させる場合について説明したが、他のもっと複雑な処理に適用することも、もちろん容易に行える。例えば、情報検索のキーワードを音声にて入力するような装置に適用した場合には、誤認識に基づく検索処理を削減することが可能となり、本発明の効果も、より大きなものとなる。
【０１０９】
また、本実施の形態では、音声入力部１０１が一つの場合について説明したが、例えば音声入力部１０１としてのマイクロホンを複数備え、それぞれから入力された音声データについて音声認識を行うことも可能である。そのような場合には、記憶領域１０３２を、それぞれの音声入力部１０１に対応させて分割し、波形データを記憶するようにすればよい。そのような構成にすると、例えば、複数の話者による発声の認識も容易にできるようになる。
【０１１０】
また、本発明に係る音声認識装置のように、音声認識の結果に基づいて、過去の音声データを理解しなおすというのは、ある意味で、現実の人間が音声を認識する際に無意識に行っているものということができる。従って、本発明の音声認識装置は、例えば、仮想的な生物の挙動をコンピュータに実行させるような場合に適用することも可能である。
【０１１１】
なお、本発明である音声認識装置を実現するプログラムを記憶した記憶媒体は、図２１の記憶媒体の例で示すように、ＣＤ−ＲＯＭやフロッピーディスク等の可搬型記憶媒体だけでなく、回線先の他の記憶装置や、コンピュータのハードディスクやＲＡＭ等の記憶媒体のいずれでもよく、プログラム実行時には、プログラムはローディングされ、主メモリ上で実行される。
【０１１２】
【発明の効果】
以上に説明したように、本発明に係る音声認識装置及びそれを用いた情報処理装置によれば、音声データを記憶する記憶手段に記憶された音声データを、上位システムからの指示を受けて再評価することにより、一度、誤認識された音声データについて、正しい認識に修正することが可能となるので、音声データの誤認識に基づく必要でない処理を削減することが可能になるという効果を奏する。
【図面の簡単な説明】
【図１】 本発明の一実施の形態に係る音声認識装置の構成を示す機能ブロック図である。
【図２】 本実施の形態の音声認識装置の波形データ作成部の詳細な構成を示す機能ブロック図である。
【図３】 本実施の形態の波形データリングバッファの構成を示す図である。
【図４】 本実施の形態のフィルタ処理部に用いられるフィルタの特性を示す図である。
【図５】 本実施の形態における音声区間の切り出しの一例について説明するための図である。
【図６】 本実施の形態において音声区間の切り出しを行う際の状態遷移を示す図である。
【図７】 本実施の形態の波形データ記憶部の記憶領域の構成の一例を示す図である。
【図８】 本実施の形態の音声認識装置の波形データ分析部の詳細な構成を示す機能ブロック図である。
【図９】 ＦＦＴ部で求められたスペクトルパワーを、メル尺度で１６チャンネルに分割する際に用いるテーブルの一例を示す図である。
【図１０】 本実施の形態の音声認識装置において、音声データの再評価を行う際の音声認識部の処理内容を示すフローチャートである。
【図１１】 本実施の形態の再評価データ数確定処理の詳細な処理内容を示すフローチャートである。
【図１２】 本実施の形態の有効音声データ確定処理の詳細な処理内容を示すフローチャートである。
【図１３】 音声再評価の際の平均音声パワーの判定の具体例について説明するための図である。
【図１４】 音声再評価の際の平均音声パワーの判定の具体例について説明するための図である。
【図１５】 本実施の形態の発話内容再評価処理の詳細な処理内容を示すフローチャートである。
【図１６】 本発明の音声認識装置の一適用例としての情報処理装置の動作について説明するための図である。
【図１７】 本発明の音声認識装置の一適用例としての情報処理装置における音声認識について説明するための図である。
【図１８】 本発明の音声認識装置の一適用例としての情報処理装置の動作について説明するための図である。
【図１９】 本発明の音声認識装置の一適用例としての情報処理装置における音声認識について説明するための図である。
【図２０】 本発明の音声認識装置の一適用例としての情報処理装置の動作について説明するための図である。
【図２１】 記憶媒体の例を示す図である。
【図２２】 従来の音声認識装置の構成の一例を示す図である。
【符号の説明】
１０１ 音声入力部
１０２ 波形データ作成部
１０３ 波形データ記憶部
１０３１ 波形データ書き込み部
１０３２ 記憶領域
１０３３ 波形データ読み出し部
１０４ 音声認識部
１０４１ 波形データ分析部
１０４２ 話者認識部
１０４３ 性別認識部
１０４４ 内容認識部
１０４５ パワー認識部
１０４６ 音素認識辞書切替部
１０４７ 単語認識辞書切替部
１０５ 音素認識辞書格納部
１０６ 単語認識辞書格納部
１０７ 話者認識辞書格納部
１０８ 上位システム
２０１ 音声データ入力部
２０２ 波形データリングバッファ
２０３ フィルタ処理部
２０４ パワー計算部
２０５ ノイズレベル学習部
２０６ 単語区間検出部
２０７ 区間検出閾値テーブル格納部
８０１ 窓処理部
８０２ ＦＦＴ部
８０３ ノイズパターン学習部
８０４ サブトラクション部
８０５ メルスペクトル計算部
８０６ メルスペクトル格納部
８０７ 音素認識部
９１ 回線先の記憶装置
９２ ＣＤ−ＲＯＭやフロッピーディスク等の可搬型記憶媒体
９２−１ ＣＤ−ＲＯＭ
９２−２ フロッピーディスク
９３ コンピュータ
９４ コンピュータ上のＲＡＭ／ハードディスク等の記憶媒体
Claims (12)
- 音声を入力して音声データにする音声入力部と、
前記音声データを記憶する記憶手段と、
辞書を用いて音声認識を行い、認識結果を上位システムへ通知する音声認識部とを備えた音声認識装置であって、
前記音声認識部は、
前記音声データに基づいて性別を認識する性別認識部と、
前記性別認識部が認識した性別に応じて、音声認識に用いる辞書を切り換え、辞書を切り換えた場合は、辞書の切り換えの通知を前記上位システムへ通知する認識辞書切替部とを備えると共に、
前記認識辞書切替部からの通知に基づく前記上位システムからの再評価要求および再評価要求データ数を受けて、前記認識辞書切替部によって切り換えられた後の辞書を用いて、前記記憶手段に記憶されている音声データについて再評価すべき音声データ数を確定して再度音声認識を行い、再認識結果を上位システムへ通知することを特徴とする音声認識装置。 - 前記音声認識装置は、音声データから音声区間データを切り出す音声区間データ作成手段を備え、前記記憶手段は、前記音声区間データ作成手段により作成された音声区間データを記憶する請求項１に記載の音声認識装置。
- 前記記憶手段は、前記音声区間データ作成手段により作成された音声区間データを複数セット記憶する複数のデータスロットを備える請求項２に記載の音声認識装置。
- 前記音声認識装置は、前記音声区間データ作成手段を複数有し、前記記憶手段は、それぞれの音声区間データ作成手段ごとに、音声区間データを複数セット記憶するデータスロットを備える請求項３に記載の音声認識装置。
- 前記音声認識装置はさらに、前記記憶手段に記憶されている音声データから、音声パワーを算出するパワー算出手段を備え、前記音声認識部は、前記パワー算出手段により算出された音声パワーが所定の範囲外である場合に、当該音声データについて再度の音声認識は行わない請求項３又は４に記載の音声認識装置。
- 前記認識辞書切替部によって切り換えられる辞書が、音素認識に用いる音素認識辞書である、請求項１から５のいずれかに記載の音声認識装置。
- 前記認識辞書切替部によって切り換えられる辞書が、単語認識に用いる単語認識辞書である、請求項１から６のいずれかに記載の音声認識装置。
- 前記音声認識装置はさらに、前記音声データから話者を判定する話者認識手段を備える請求項１から７のいずれかに記載の音声認識装置。
- 入力を受け付ける入力受付手段を備える情報処理装置であって、前記入力受付手段として請求項１から８のいずれかに記載の音声認識装置を用いる情報処理装置。
- 請求項６に記載の音声認識装置の上位システムとしての情報処理装置であって、前記認識辞書切替部により、音素認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データについて再度音声認識を行うことを前記音声認識装置に要求する情報処理装置。
- 請求項７に記載の音声認識装置の上位システムとしての情報処理装置であって、前記認識辞書切替部により、単語認識辞書が切り替えられた際に、前記記憶手段に記憶されている音声データについて再度音声認識を行うことを前記音声認識装置に要求する情報処理装置。
- 音声を入力して音声データにするステップと、
前記音声データを記憶手段へ記憶するステップと、
辞書を用いて音声認識を行い、認識結果を上位システムへ通知する音声認識ステップとをコンピュータに実行させるプログラムを記憶したコンピュータで読み取り可能な記憶媒体であって、
前記プログラムは、
前記音声データに基づいて性別を認識する性別認識ステップと、
前記性別認識ステップで認識された性別に応じて、音声認識に用いる辞書を切り換え、辞書を切り換えた場合は、辞書の切り換えの通知を前記上位システムへ通知する認識辞書切替ステップと、
前記認識辞書切替ステップによる通知に基づく前記上位システムからの再評価要求および再評価要求データ数を受けて、前記認識辞書切替ステップによって切り換えられた後の辞書を用いて、前記記憶手段に記憶されている音声データについて再評価すべき音声データ数を確定して再度音声認識を行い、再認識結果を上位システムへ通知するステップとを、前記コンピュータにさらに実行させることを特徴とする、コンピュータで読み取り可能な記憶媒体。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP31791997A JP3886024B2 (ja) | 1997-11-19 | 1997-11-19 | 音声認識装置及びそれを用いた情報処理装置 |
| US09/046,568 US6122615A (en) | 1997-11-19 | 1998-03-24 | Speech recognizer using speaker categorization for automatic reevaluation of previously-recognized speech data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP31791997A JP3886024B2 (ja) | 1997-11-19 | 1997-11-19 | 音声認識装置及びそれを用いた情報処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11153999A JPH11153999A (ja) | 1999-06-08 |
| JP3886024B2 true JP3886024B2 (ja) | 2007-02-28 |
Family
ID=18093517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP31791997A Expired - Fee Related JP3886024B2 (ja) | 1997-11-19 | 1997-11-19 | 音声認識装置及びそれを用いた情報処理装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US6122615A (ja) |
| JP (1) | JP3886024B2 (ja) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6665644B1 (en) * | 1999-08-10 | 2003-12-16 | International Business Machines Corporation | Conversational data mining |
| CH695402A5 (de) * | 2000-04-14 | 2006-04-28 | Creaholic Sa | Verfahren zur Bestimmung eines charakteristischen Datensatzes für ein Tonsignal. |
| JP4917729B2 (ja) * | 2000-06-29 | 2012-04-18 | ニュアンス コミュニケーションズ オーストリア ゲーエムベーハー | 以後のオフライン音声認識のための音声情報を記録する記録装置 |
| US6915246B2 (en) * | 2001-12-17 | 2005-07-05 | International Business Machines Corporation | Employing speech recognition and capturing customer speech to improve customer service |
| US7058565B2 (en) * | 2001-12-17 | 2006-06-06 | International Business Machines Corporation | Employing speech recognition and key words to improve customer service |
| USH2187H1 (en) * | 2002-06-28 | 2007-04-03 | Unisys Corporation | System and method for gender identification in a speech application environment |
| AU2003274592A1 (en) * | 2002-11-28 | 2004-06-18 | Koninklijke Philips Electronics N.V. | Method to assign word class information |
| US7340398B2 (en) * | 2003-08-21 | 2008-03-04 | Hewlett-Packard Development Company, L.P. | Selective sampling for sound signal classification |
| WO2005062295A1 (ja) * | 2003-12-05 | 2005-07-07 | Kabushikikaisha Kenwood | 機器制御装置、音声認識装置、エージェント装置及び機器制御方法 |
| US7873149B2 (en) * | 2004-06-01 | 2011-01-18 | Verizon Business Global Llc | Systems and methods for gathering information |
| US8392193B2 (en) * | 2004-06-01 | 2013-03-05 | Verizon Business Global Llc | Systems and methods for performing speech recognition using constraint based processing |
| JP5017678B2 (ja) * | 2005-08-31 | 2012-09-05 | 鵬 陳山 | 信号検査方法および信号検査モジュール |
| EP1933303B1 (en) * | 2006-12-14 | 2008-08-06 | Harman/Becker Automotive Systems GmbH | Speech dialog control based on signal pre-processing |
| JP4812029B2 (ja) * | 2007-03-16 | 2011-11-09 | 富士通株式会社 | 音声認識システム、および、音声認識プログラム |
| GB2451907B (en) * | 2007-08-17 | 2010-11-03 | Fluency Voice Technology Ltd | Device for modifying and improving the behaviour of speech recognition systems |
| JP5024154B2 (ja) * | 2008-03-27 | 2012-09-12 | 富士通株式会社 | 関連付け装置、関連付け方法及びコンピュータプログラム |
| KR101625668B1 (ko) * | 2009-04-20 | 2016-05-30 | 삼성전자 주식회사 | 전자기기 및 전자기기의 음성인식방법 |
| US8983640B2 (en) * | 2009-06-26 | 2015-03-17 | Intel Corporation | Controlling audio players using environmental audio analysis |
| JP5331901B2 (ja) * | 2009-12-21 | 2013-10-30 | 富士通株式会社 | 音声制御装置 |
| CN102831890A (zh) * | 2011-06-15 | 2012-12-19 | 镇江佳得信息技术有限公司 | 一种对文本无关的声纹进行识别的方法 |
| JP5731998B2 (ja) * | 2012-03-21 | 2015-06-10 | 株式会社東芝 | 対話支援装置、対話支援方法および対話支援プログラム |
| PL3065131T3 (pl) * | 2015-03-06 | 2021-01-25 | Zetes Industries S.A. | Sposób i układ przetwarzania końcowego rezultatu rozpoznawania mowy |
| US10706873B2 (en) * | 2015-09-18 | 2020-07-07 | Sri International | Real-time speaker state analytics platform |
| DE102017219596A1 (de) * | 2016-12-22 | 2018-06-28 | Volkswagen Aktiengesellschaft | Sprachausgabestimme eines Sprachbediensystems |
| US10467339B1 (en) * | 2018-06-28 | 2019-11-05 | Sap Se | Using machine learning and natural language processing to replace gender biased words within free-form text |
| JP7458371B2 (ja) * | 2019-03-18 | 2024-03-29 | 富士通株式会社 | 話者識別プログラム、話者識別方法、および話者識別装置 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS57104193A (en) * | 1980-12-19 | 1982-06-29 | Matsushita Electric Ind Co Ltd | Voice recognizer |
| JPS6148897A (ja) * | 1984-08-16 | 1986-03-10 | 松下電器産業株式会社 | 音声認識装置 |
| JPS60129795A (ja) * | 1983-12-16 | 1985-07-11 | 沖電気工業株式会社 | 音声認識方式 |
| JPS6127600A (ja) * | 1984-07-17 | 1986-02-07 | 日本電気株式会社 | 音声識別回路 |
| JPH06102894A (ja) * | 1992-09-22 | 1994-04-15 | Toshiba Corp | 音声認識装置 |
| JP3397372B2 (ja) * | 1993-06-16 | 2003-04-14 | キヤノン株式会社 | 音声認識方法及び装置 |
| US5640490A (en) * | 1994-11-14 | 1997-06-17 | Fonix Corporation | User independent, real-time speech recognition system and method |
| US5864810A (en) * | 1995-01-20 | 1999-01-26 | Sri International | Method and apparatus for speech recognition adapted to an individual speaker |
| JP3594356B2 (ja) * | 1995-04-10 | 2004-11-24 | 富士通テン株式会社 | 音声処理装置 |
| JP3284832B2 (ja) * | 1995-06-22 | 2002-05-20 | セイコーエプソン株式会社 | 音声認識対話処理方法および音声認識対話装置 |
| JP3254977B2 (ja) * | 1995-08-31 | 2002-02-12 | 松下電器産業株式会社 | 音声認識方法及び音声認識装置 |
| US5855000A (en) * | 1995-09-08 | 1998-12-29 | Carnegie Mellon University | Method and apparatus for correcting and repairing machine-transcribed input using independent or cross-modal secondary input |
| US5712957A (en) * | 1995-09-08 | 1998-01-27 | Carnegie Mellon University | Locating and correcting erroneously recognized portions of utterances by rescoring based on two n-best lists |
| US5960447A (en) * | 1995-11-13 | 1999-09-28 | Holt; Douglas | Word tagging and editing system for speech recognition |
| US5787394A (en) * | 1995-12-13 | 1998-07-28 | International Business Machines Corporation | State-dependent speaker clustering for speaker adaptation |
| US5895447A (en) * | 1996-02-02 | 1999-04-20 | International Business Machines Corporation | Speech recognition using thresholded speaker class model selection or model adaptation |
| GB2303955B (en) * | 1996-09-24 | 1997-05-14 | Allvoice Computing Plc | Data processing method and apparatus |
| US5857099A (en) * | 1996-09-27 | 1999-01-05 | Allvoice Computing Plc | Speech-to-text dictation system with audio message capability |
-
1997
- 1997-11-19 JP JP31791997A patent/JP3886024B2/ja not_active Expired - Fee Related
-
1998
- 1998-03-24 US US09/046,568 patent/US6122615A/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| US6122615A (en) | 2000-09-19 |
| JPH11153999A (ja) | 1999-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3886024B2 (ja) | 音声認識装置及びそれを用いた情報処理装置 | |
| US10699699B2 (en) | Constructing speech decoding network for numeric speech recognition | |
| KR101056511B1 (ko) | 실시간 호출명령어 인식을 이용한 잡음환경에서의음성구간검출과 연속음성인식 시스템 | |
| JP4568371B2 (ja) | 少なくとも２つのイベント・クラス間を区別するためのコンピュータ化された方法及びコンピュータ・プログラム | |
| US9070367B1 (en) | Local speech recognition of frequent utterances | |
| JP6131537B2 (ja) | 音声認識システム、音声認識プログラム、記録媒体及び音声認識方法 | |
| JP4911034B2 (ja) | 音声判別システム、音声判別方法及び音声判別用プログラム | |
| JP4322785B2 (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 | |
| JP6284462B2 (ja) | 音声認識方法、及び音声認識装置 | |
| US9595261B2 (en) | Pattern recognition device, pattern recognition method, and computer program product | |
| CN112102850A (zh) | 情绪识别的处理方法、装置、介质及电子设备 | |
| WO2010128560A1 (ja) | 音声認識装置、音声認識方法、及び音声認識プログラム | |
| US9542939B1 (en) | Duration ratio modeling for improved speech recognition | |
| US20030220792A1 (en) | Speech recognition apparatus, speech recognition method, and computer-readable recording medium in which speech recognition program is recorded | |
| JP5183120B2 (ja) | 平方根ディスカウンティングを使用した統計的言語による音声認識 | |
| KR101122590B1 (ko) | 음성 데이터 분할에 의한 음성 인식 장치 및 방법 | |
| CN109065026B (zh) | 一种录音控制方法及装置 | |
| JP2016177045A (ja) | 音声認識装置および音声認識プログラム | |
| JP4666129B2 (ja) | 発声速度正規化分析を用いた音声認識装置 | |
| JP7511374B2 (ja) | 発話区間検知装置、音声認識装置、発話区間検知システム、発話区間検知方法及び発話区間検知プログラム | |
| Sharma et al. | A Natural Human-Machine Interaction via an Efficient Speech Recognition System | |
| JP3493849B2 (ja) | 音声認識装置 | |
| JP7159655B2 (ja) | 感情推定システムおよびプログラム | |
| CN117223052A (zh) | 基于神经网络的关键词检出方法 | |
| JP3615088B2 (ja) | 音声認識方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050628 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050705 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050905 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20060629 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060828 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20060914 |
|
| 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: 20061116 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20061117 |
|
| 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: 20091201 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101201 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111201 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111201 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121201 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121201 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131201 Year of fee payment: 7 |
|
| LAPS | Cancellation because of no payment of annual fees |