JP4167014B2 - ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム - Google Patents
ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム Download PDFInfo
- Publication number
- JP4167014B2 JP4167014B2 JP2002194236A JP2002194236A JP4167014B2 JP 4167014 B2 JP4167014 B2 JP 4167014B2 JP 2002194236 A JP2002194236 A JP 2002194236A JP 2002194236 A JP2002194236 A JP 2002194236A JP 4167014 B2 JP4167014 B2 JP 4167014B2
- Authority
- JP
- Japan
- Prior art keywords
- word
- keyword
- cumulative
- unnecessary
- model
- 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
Images
Description
【０００１】
【発明の属する技術分野】
本発明は、ワードスポッティング音声認識装置及びワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラムの技術分野に係り、特に、少ない状態数を持つキーワードモデルの音声認識に好適な、累積類似度をワード長で正規化処理を行った正規化累積類似度を用いたワードスポッティング音声認識装置及びワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラムの技術分野に属する。
【０００２】
【従来の技術】
フィラーモデルのようにどの発話に対しても常に極めて小さい距離を出力するモデルを使ってビタビ法による音声認識を行う場合、キーワードの状態数が少ないほど入力された発話の特徴パラメータとキーワードの特徴パラメータとの累積距離は小さくなり、正解キーワードを抽出することが困難となる傾向がある。これを解決するために、結果がワード長に依存しないように、累積距離をワード長で正規化した正規化累積距離を認識結果を判定するためのスコアとして利用する音声認識の手法が知られている。例えば、特開平６−１６７９９４号公報の段落番号［００９９］では、音声区間に対応する正規化フレーム数を用いて最終確率（累積類似度のひとつ）を正規化する手法が開示されている。
【０００３】
実際には、音声の認識率を向上させるために、キーワードデータベースと不要語データベースの２種類のデータベースを用意し、キーワードの前後にワイルドカードモデルを接続したキーワードモデルと、不要語モデルとを生成し、キーワードモデルを含むルートからビタビ法によって求められるキーワード累積距離と、不要語モデルを含むルートからビタビ法によって求められる不要語累積距離をそれぞれ算出し、キーワード累積距離から不要語累積距離を差し引き、これをワード長で正規化することで正規化累積距離を出力し、結果を音声認識に利用する。
【０００４】
ここで、ビタビ法によって累積類似度のひとつである累積距離を計算する方法を説明する。
【０００５】
図１０は、キーワードとその前後にワイルドカードモデルを接続したキーワードモデルλの構成を示す概念図である。
【０００６】
図１１は、図１０に示すキーワードモデルλがシンボル系列｛ａ，ｂ，ａ｝を出力する累積距離Ｄ（ｔ，ｍ）を、ビタビ法によって計算する場合に描かれるトレリスを示している。
【０００７】
矢印は状態の遷移を示している。音声認識に一般的によく用いられるキーワードモデルλは、図１０に示すように、現在の状態と同じ状態に遷移するか、或いは、現在の状態の次の状態に遷移するか、の２通りしか状態遷移をしないので、図１１に示す矢印は、同じ状態への遷移を示す水平方向の矢印と、次の状態への遷移を示す斜め上方向の矢印のみとなっている。図１１のトレリスにおいて、縦方向はモデルの状態の並びになっており、横方向はフレーム（時間）の進行を表している。
【０００８】
このようなトレリスに従って、図１０のキーワードモデルλがシンボル系列｛ａ，ｂ，ａ｝を出力する場合の累積距離Ｄ（ｔ，ｍ）が計算される例を説明する。
【０００９】
なお、シンボルａはワイルドカードを指し、シンボルｂはキーワードモデルを指す。図１１のトレリス図において、シンボルａは最上段と最下段のテーブルが表す不要語の状態を表し、シンボルｂは不要語の状態を表す２つの段に挟まれた３つの段が表すキーワードそのものの状態を表す。図１２にシンボル系列とキーワードモデルとの対応関係を示す。
【００１０】
初期状態において、各時刻（各フレーム番号）の各状態における状態距離が計算され、状態距離テーブルＰ（ｔ，ｍ）に格納されている。ここで、状態距離は、入力された発話から所定のフレーム毎に時系列に抽出した特徴パラメータ（周波数帯毎のエネルギなどをベクトル量子化したもの）とキーワードデータベースに記憶されているキーワードの特徴パラメータとから算出される距離（例えば、ユークリッド距離）が一般的に用いられる。
【００１１】
使用するモデルは初期状態が状態ｉS(INITIAL)となるモデルとするから、時刻ｔ＝１において、初期状態は状態ｉS(INITIAL)となる。よって、状態ｉS(INITIAL)としての状態Ｓ1の状態距離Ｐ（１，１）はＰ（１，１）＝０である。他の状態Ｓ2，Ｓ3，Ｓ4，Ｓ5の状態距離Ｐ（１，２），Ｐ（１，３），Ｐ（１，４），Ｐ（１，５）はいずれも理論上は∞（無限大）とすることが好ましいが、数値計算では無限大を扱うことができないので、実際の計算で得られる距離値よりも充分に大きい値Ｒｆｍを代入して計算する。従って、状態Ｓ1の累積距離Ｄ（１，１）＝０が書き込まれ、他の状態Ｓ2，Ｓ3，Ｓ4，Ｓ5の累積距離Ｄ（１，２），Ｄ（１，３），Ｄ（１，４），Ｄ（１，５）には、充分に大きい値Ｒｆｍが書き込まれる。
【００１２】
時間が進行して時刻ｔ＝２における状態Ｓ1の累積距離Ｄ（２，１）は、時刻ｔ＝１における状態Ｓ1の累積距離Ｄ（１，１）と時刻ｔ＝２における状態Ｓ1の状態距離Ｐ（２，１）、遷移適合度ｂ（Ｓ1，Ｓ1）の和であるから、Ｄ（２，１）＝Ｄ（１，１）＋Ｐ（２，１）＋ｂ（Ｓ1，Ｓ1）となり、時刻ｔ＝２における状態Ｓ1の累積距離Ｄ（２，１）には、Ｄ（２，１）＝Ｄ（１，１）＋Ｐ（２，１）＋ｂ（Ｓ1，Ｓ1）が書き込まれる。
【００１３】
ここで、遷移適合度ｂ（ｕ，ｖ）とは、状態ｕから状態ｖへの遷移がどの程度起こり得るかを示す指標をいい、音響モデルを学習する際に状態ｕと状態ｖとの接続頻度の関係から得られる値である。
【００１４】
また、時刻ｔ＝２における状態Ｓ2の累積距離Ｄ（２，２）は、ビタビ法においては、時刻ｔ＝１における状態Ｓ1の累積距離Ｄ（１，１）と時刻ｔ＝２における状態Ｓ2の状態距離Ｐ（２，２）、遷移適合度ｂ（Ｓ1，Ｓ2）の和：Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）と、時刻ｔ＝１における状態Ｓ2の累積距離Ｄ（１，２）と時刻ｔ＝２における状態Ｓ2の状態距離Ｐ（２，２）、遷移適合度ｂ（Ｓ2，Ｓ2）の和：Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）とのいずれか小さいほうの値である。従って、時刻ｔ＝２における状態Ｓ2の累積距離Ｄ（２，２）には、Ｄ（２，２）＝Ｍｉｎ｛Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2），Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）｝が書き込まれる。
【００１５】
このとき、状態遷移の有無を示す状態遷移情報テーブルＩ（２，２）には状態遷移情報が書き込まれる。即ち、例えば、Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）≧Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）のときはＤ（２，２）＝Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）であり現在の状態Ｄ（１，２）のままであるから、状態遷移情報Ｉ（２，２）には状態遷移がなかったことを示す記号又は数値、例えばＡｕｔｏが格納される。逆に、Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）＜Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）のときは、Ｄ（２，２）＝Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）であり直前の状態Ｄ（１，１）から遷移したのであるから、状態遷移情報Ｉ（２，２）には状態遷移があったことを示す記号又は数値、例えばＮｅｘｔが格納される。
【００１６】
実際には、上述の通り、Ｄ（１，２）には充分に大きい値Ｒｆｍが代入されているので、Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）＜Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）であり、状態遷移情報Ｉ（２，２）にはＤ（２，２）が直前の状態Ｄ（１，１）から遷移したことを示す記号Ｎｅｘｔが格納される。
【００１７】
更に、時刻ｔ＝２における状態Ｓ3の累積距離Ｄ（２，３）は、ビタビ法においては、時刻ｔ＝１における状態Ｓ2の累積距離Ｄ（１，２）と時刻ｔ＝２における状態Ｓ3の状態距離Ｐ（２，３）、遷移適合度ｂ（Ｓ2，Ｓ3）の和：Ｄ（１，２）＋Ｐ（２，３）＋ｂ（Ｓ2，Ｓ3）と、時刻ｔ＝１における状態Ｓ3の累積距離Ｄ（１，３）と時刻ｔ＝２における状態Ｓ3の状態距離Ｐ（２，３）、遷移適合度ｂ（Ｓ3，Ｓ3）の和：Ｄ（１，３）＋Ｐ（２，３）＋ｂ（Ｓ3，Ｓ3）とのいずれか小さいほうの値である。従って、時刻ｔ＝２における状態Ｓ3の累積距離Ｄ（２，３）には、Ｄ（２，３）＝Ｍｉｎ｛Ｄ（１，２）＋Ｐ（２，３）＋ｂ（Ｓ2，Ｓ3），Ｄ（１，３）＋Ｐ（２，３）＋ｂ（Ｓ3，Ｓ3）｝が書き込まれ、状態遷移情報Ｉ（２，３）には状態遷移に応じてＡｕｔｏ又はＮｅｘｔのいずれかが書き込まれる。
【００１８】
同じく、時刻ｔ＝２における状態Ｓ4の累積距離Ｄ（２，４）にはＤ（１，３）＋Ｐ（２，４）＋ｂ（Ｓ3，Ｓ4）と、Ｄ（１，４）＋Ｐ（２，４）＋ｂ（Ｓ4，Ｓ4）とのいずれか小さいほうの値が書き込まれ、状態遷移情報Ｉ（２，４）には状態遷移に応じてＡｕｔｏ又はＮｅｘｔのいずれかが書き込まれる。
【００１９】
更にまた、時刻ｔ＝２における状態Ｓ5の累積距離Ｄ（２，５）にはＤ（１，４）＋Ｐ（２，５）＋ｂ（Ｓ4，Ｓ5）と、Ｄ（１，５）＋Ｐ（２，５）＋ｂ（Ｓ5，Ｓ5）とのいずれか小さいほうの値が書き込まれ、状態遷移情報Ｉ（２，５）には状態遷移に応じてＡｕｔｏ又はＮｅｘｔのいずれかが書き込まれる。
【００２０】
次に、さらに状態が遷移して時刻ｔ＝３における状態Ｓ1〜状態Ｓ5の累積距離Ｄ（３，１）〜Ｄ（３，５）が同様に計算され、同時に状態遷移情報Ｉ（３，１）〜Ｉ（３，５）が確定し格納される。
【００２１】
上記した累積距離Ｄ及び状態遷移情報Ｉの計算が時刻ｔ＝４〜１２にわたって状態Ｓ1〜状態Ｓ5について同様になされ、図１１中の最右端の各状態Ｓ1〜Ｓ5の累積距離Ｄ（１２，ｍ）（ｍ＝１〜５）に書き込まれる。
【００２２】
トレリスにおいて、モデルがシンボル系列を出力する場合の累積距離は、最終フレームの最終状態を示す最も右上の累積距離になるので、図１１のトレリスにおいては、キーワードモデルλがシンボル系列｛ａ，ｂ，ａ｝を出力する累積距離はＤ（１２，５）になる。
【００２３】
また、シンボル系列λに関するビタビ処理を行う過程で、状態遷移情報Ｉを記録しており、そのシンボル系列λに関するビタビ処理が終了していれば、この記録された状態遷移情報Ｉから通過パスを得ることが可能となる。ここで最終フレームの最終状態にあたるところを起点とし、状態遷移情報Ｉを用いて軌跡を辿るとシンボル系列λにおける遷移過程を表す状態系列（最適パス）を得ることができる。
【００２４】
一方、正規化処理に使用されるワード長は、上記先行技術文献にも開示されているように、従来は、音声区間に対応するキーワード区間であった。
【００２５】
以上の処理が、キーワードデータベースに記録されているすべてのシンボル系列（例えば｛ａ，ｂ，ｂ｝）に対して行われ、そのうちの正規化累積距離が最も小さいシンボル系列が認識結果とされる。
【００２６】
【発明が解決しようとする課題】
しかしながら、累積距離をワード長で正規化した正規化累積距離をキーワードそのものの類似度として利用するワードスポッティング音声認識方法において、発話に含まれないキーワードにマッチング処理を行った場合、ビタビ法を用いて得られた最適パスは入力された発話に正しくマッチしていない。具体的にはキーワードモデルのある１つの状態に長く停留することによって現実的に考えられる現分析キーワードに対するワード長よりも長いものとして見なされた場合、音声区間に対応する正規化フレーム数をワード長として累積距離の正規化処理を行うと、出力されたキーワードのワード長が長いほどキーワードの正規化累積距離が小さくなる。この結果、正しいキーワードの正規化累積距離よりも小さい、発話に含まれないキーワードが結果として出力されることがある。特に、発話に含まれるキーワードモデルの状態数よりも少ない状態で構成されるキーワードモデルでマッチング処理を行った場合、キーワードそのものを表すある１つの状態に長い時間停留するという現象が多発する。この結果、同じ状態に長く停留した分、発話に含まれないキーワードに関する推定ワード長は、現実的に考えられるワード長よりも長く計算され、その判断に基いてキーワード区間に対応する正規化フレーム数が出力される。即ち、状態遷移を正しく検出できずワード長が非現実に長く推定される結果、正規化累積距離が小さくなり、この発話に含まれないキーワードが認識結果として出力されてしまうという問題点があった。
【００２７】
正規化累積距離を使った音声認識で誤った認識結果が出力され得るという現象の原因が、状態遷移が現実的でないほど継続していてもこれに対策しないで処理をしてきた点にあることに気づいて本発明はなされたものである。本発明の課題は、非現実的に長いパスが最適パスとして選択されたキーワードが認識結果として誤って出力されることのないワードスポッティング音声認識装置及びワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラムを提供することにある。
【００２８】
【課題を解決するための手段】
以下、本発明について説明する。なお、本発明の理解を容易にするために添付図面の参照符号を括弧書きにて付記するが、それにより本発明が図示の形態に限定されるものではない。
【００２９】
かかる課題を解決するために、請求項１に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等の特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等のキーワードモデル生成手段（７）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算する、ＣＰＵ等のキーワード類似度計算手段（１０，２０）と、状態遷移情報を出力しつつキーワード累積類似度を計算する、ＣＰＵ等のキーワード累積類似度計算手段（１２，２２）と、前記発話のワード長を計算する、ＣＰＵ等のワード長計算手段（１４，２４）と、前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める、ＣＰＵ等の累積類似度正規化手段（１５，２５）とを、有し、前記ワード長計算手段（１４，２４）は、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００３０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルを生成し、キーワード累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００３１】
かかる課題を解決するために、請求項２に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等の特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等のキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する、ＣＰＵ等の不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算する、ＣＰＵ等のキーワード類似度計算手段（１０，２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する、ＣＰＵ等の不要語類似度計算手段（１１，２１）と、状態遷移情報を出力しつつキーワード累積類似度を計算する、ＣＰＵ等のキーワード累積類似度計算手段（１２，２２）と、前記不要語モデルの不要語累積類似度を計算する、ＣＰＵ等の不要語累積類似度計算手段（１３，２３）と、前記発話のワード長を計算する、ＣＰＵ等のワード長計算手段（１４，２４）と、前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める、ＣＰＵ等の累積類似度正規化手段（１５，２５）とを、有し、前記ワード長計算手段（１４，２４）は、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００３２】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積類似度、不要語累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００３３】
かかる課題を解決するために、請求項３に記載の発明に係るワードスポッティング音声認識装置は、請求項１又は請求項２に記載のワードスポッティング音声認識装置において、特徴パラメータ生成手段（４）は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成することを特徴とする。
【００３４】
これにより、入力された発話から生成される特徴パラメータは音声区間から切り出されフレームに分割されて管理されることが可能となる。
【００３５】
かかる課題を解決するために、請求項４に記載の発明に係るワードスポッティング音声認識装置は、請求項２に記載のワードスポッティング音声認識装置において、累積類似度正規化手段（１５，２５）は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行うことを特徴とする。
【００３６】
これにより、キーワード累積類似度と不要語累積類似度の差をワード長で除することにより累積類似度の正規化処理を行うことが可能となる。
【００３７】
かかる課題を解決するために、請求項５に記載の発明に係るワードスポッティング音声認識装置は、請求項２又は請求項４に記載のワードスポッティング音声認識装置において、キーワード累積類似度計算手段（１２，２２）及び不要語累積類似度計算手段（１３，２３）は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算することを特徴とする。
【００３８】
これにより、キーワード累積類似度及び不要語累積類似度の計算がビタビ法を用いて行われる。
【００３９】
かかる課題を解決するために、請求項６に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等キーワードモデル生成手段（７）と、音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する、ＣＰＵ等不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算する、ＣＰＵ等キーワード距離計算手段（１０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する、ＣＰＵ等不要語距離計算手段（１１）と、状態遷移情報を出力しつつキーワード累積距離を計算する、ＣＰＵ等キーワード累積距離計算手段（１２）と、前記不要語モデルの不要語累積距離を計算する、ＣＰＵ等不要語累積距離計算手段（１３）と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ＣＰＵ等ワード長計算手段（１４）と、前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める、ＣＰＵ等累積距離正規化手段（１５）とを、有することを特徴とする。
【００４０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積距離、不要語累積距離を計算し、ワード長計算手段が出力するワード長を用いて累積距離の正規化処理を行うことが可能となる。
【００４１】
かかる課題を解決するために、請求項７に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等の特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等のキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する、ＣＰＵ等の不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算する、ＣＰＵ等のキーワード尤度計算手段（２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する、ＣＰＵ等の不要語尤度計算手段（２１）と、状態遷移情報を出力しつつキーワード累積尤度を計算する、ＣＰＵ等のキーワード累積尤度計算手段（２２）と、前記不要語モデルの不要語累積尤度を計算する、ＣＰＵ等の不要語累積尤度計算手段（２３）と、前記状態遷移情報の入力に応じてワード長の加算を行う、ＣＰＵ等のワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ＣＰＵ等のワード長計算手段（２４）と、前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める、ＣＰＵ等の累積尤度正規化手段（２５）とを、有することを特徴とする。
【００４２】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積尤度、不要語累積尤度を計算し、ワード長計算手段が出力するワード長を用いて累積尤度の正規化処理を行うことが可能となる。
【００４３】
かかる課題を解決するために、請求項８に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算工程と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算工程と、前記発話のワード長を計算するワード長計算工程と、前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化工程とを、し、前記ワード長計算工程においては、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００４４】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルを生成し、キーワード累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００４５】
かかる課題を解決するために、請求項９に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算工程と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算工程と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算工程と、前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算工程と、前記発話のワード長を計算するワード長計算工程と、前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化工程とを、有し、前記ワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００４６】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積類似度、不要語累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００４７】
かかる課題を解決するために、請求項１０に記載の発明に係るワードスポッティング音声認識方法は、請求項８又は請求項９に記載のワードスポッティング音声認識方法において、特徴パラメータ生成工程は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成することを特徴とする。
【００４８】
これにより、入力された発話から生成される特徴パラメータは音声区間から切り出されフレームに分割されて管理されることが可能となる。
【００４９】
かかる課題を解決するために、請求項１１に記載の発明に係るワードスポッティング音声認識方法は、請求項９に記載のワードスポッティング音声認識方法において、累積類似度正規化工程は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行うことを特徴とする。
【００５０】
これにより、キーワード累積類似度と不要語累積類似度の差をワード長で除することにより累積類似度の正規化処理を行うことが可能となる。
【００５１】
かかる課題を解決するために、請求項１２に記載の発明に係るワードスポッティング音声認識方法は、請求項９又は請求項１１に記載のワードスポッティング音声認識方法において、キーワード累積類似度計算工程及び不要語累積類似度計算工程は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算することを特徴とする。
【００５２】
これにより、キーワード累積類似度及び不要語累積類似度の計算がビタビ法を用いて行われる。
【００５３】
かかる課題を解決するために、請求項１３に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算工程と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算工程と、状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算工程と、前記不要語モデルの不要語累積距離を計算する不要語累積距離計算工程と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算工程と、前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化工程とを、有することを特徴とする。
【００５４】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積距離、不要語累積距離を計算し、ワード長計算手段が出力するワード長を用いて累積距離の正規化処理を行うことが可能となる。
【００５５】
かかる課題を解決するために、請求項１４に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算工程と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算工程と、状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算工程と、前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算工程と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算工程と、前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化工程とを、有することを特徴とする。
【００５６】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積尤度、不要語累積尤度を計算し、ワード長計算手段が出力するワード長を用いて累積尤度の正規化処理を行うことが可能となる。
【００５７】
かかる課題を解決するために、請求項１５に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段（１０，２０）と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段（１２，２２）と、前記発話のワード長を計算するワード長計算手段（１４，２４）と、前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段（１５，２５）として、機能させ、前記ワード長計算手段（１４，２４）としての前記コンピュータを、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整するように機能させることを特徴とする。
【００５８】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルを生成し、キーワード累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００５９】
かかる課題を解決するために、請求項１６に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段（１０，２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算手段（１１，２１）と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段（１２，２２）と、前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算手段（１３，２３）と、前記発話のワード長を計算するワード長計算手段（１４，２４）と、前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段（１５，２５）として、機能させ、前記ワード長計算手段（１４，２４）としての前記コンピュータを、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整するように機能させることを特徴とする。
【００６０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積類似度、不要語累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００６１】
かかる課題を解決するために、請求項１７に記載の発明に係るワードスポッティング音声認識用プログラムは、請求項１５又は請求項１６に記載のワードスポッティング音声認識用プログラムにおいて、特徴パラメータ生成手段（４）は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成することを特徴とする。
【００６２】
これにより、入力された発話から生成される特徴パラメータは音声区間から切り出されフレームに分割されて管理されることが可能となる。
【００６３】
かかる課題を解決するために、請求項１８に記載の発明に係るワードスポッティング音声認識用プログラムは、請求項１６に記載のワードスポッティング音声認識用プログラムにおいて、累積類似度正規化手段（１５，２５）は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行うことを特徴とする。
【００６４】
これにより、キーワード累積類似度と不要語累積類似度の差をワード長で除することにより累積類似度の正規化処理を行うことが可能となる。
【００６５】
かかる課題を解決するために、請求項１９に記載の発明に係るワードスポッティング音声認識用プログラムは、請求項１６又は請求項１８に記載のワードスポッティング音声認識用プログラムにおいて、キーワード累積類似度計算手段（１２，２２）及び不要語累積類似度計算手段（１３，２３）は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算することを特徴とする。
【００６６】
これにより、キーワード累積類似度及び不要語累積類似度の計算がビタビ法を用いて行われる。
【００６７】
かかる課題を解決するために、請求項２０に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算手段（１０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算手段（１１）と、状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算手段（１２）と、前記不要語モデルの不要語累積距離を計算する不要語累積距離計算手段（１３）と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算手段（１４）と、前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化手段（１５）として、機能させることを特徴とする。
【００６８】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積距離、不要語累積距離を計算し、ワード長計算手段が出力するワード長を用いて累積距離の正規化処理を行うことが可能となる。
【００６９】
かかる課題を解決するために、請求項２１に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算手段（２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算手段（２１）と、状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算手段（２２）と、前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算手段（２３）と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算手段（２４）と、前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化手段（２５）として、機能させることを特徴とする。
【００７０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積尤度、不要語累積尤度を計算し、ワード長計算手段が出力するワード長を用いて累積尤度の正規化処理を行うことが可能となる。
【００７１】
【発明の実施の形態】
（第１の実施の形態）
以下、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態について図面を用いて説明する。
【００７２】
図１は、本発明にかかるワードスポッティング音声認識装置の一実施例の構成概要を示すブロック図である。
【００７３】
この実施例では、類似度が距離として表現される場合を説明する。図１に示すように、本発明にかかるワードスポッティング音声認識装置は、マイク１、ＬＰＦ（Ｌｏｗ Ｐａｓｓ Ｆｉｌｔｅｒ）２、Ａ／Ｄ変換器３、特徴パラメータ生成手段としての特徴パラメータ生成部４、音響モデルデータベースとしての音響モデル記憶部５、キーワードデータベースとしてのキーワード記憶部６、キーワードモデル生成手段としてのキーワードモデル生成部７、不要語データベースとしての不要語記憶部８、不要語モデル生成手段としての不要語モデル生成部９、キーワード類似度計算手段、キーワード距離計算手段としてのキーワード距離計算部１０、不要語類似度計算手段、不要語距離計算手段としての不要語距離計算部１１、キーワード累積類似度計算手段、キーワード累積距離計算手段としてのキーワードビタビ計算部１２、不要語累積類似度計算手段、不要語累積距離計算手段としての不要語ビタビ計算部１３、ワード長計算手段としてのワード長計算部１４、累積類似度正規化手段、累積距離正規化手段としての累積距離正規化部１５、認識キーワード判定部１６、を含んで構成される。
【００７４】
入力された音声信号がマイク１で電気信号に変換され出力されると、ＬＰＦ２で電気信号としての音声信号のうち高周波数成分が除去され出力される。
【００７５】
出力されたアナログ信号である音声信号はＡ／Ｄ変換器３で所定のサンプリングレートでディジタル信号に変換して出力される。
【００７６】
特徴パラメータ生成部４は例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）で構成され、出力されたディジタル信号としての音声信号から音声区間を切り出し、切り出した音声区間を更にフレームに分割し、分割したフレームから入力音声の特徴パラメータを抽出し生成する。特徴パラメータは、例えば、線形予測係数やＬＰＣケプストラム、周波数帯毎のエネルギなどをベクトル量子化したものが一般的に使用される。
【００７７】
音響モデル記憶部５は例えばＨＤ（Ｈａｒｄ Ｄｉｓｋ）で構成され、音素又は音節であるサブワードの単位で音響モデルを記憶しており、読みデータが入力されると対応する音響モデルから特徴パラメータを生成し出力する。また、音響モデル記憶部５は遷移適合度も記憶している。
【００７８】
キーワード記憶部６は例えばＨＤで構成され、キーワードを読みデータの形式で記憶する。
【００７９】
キーワードモデル生成部７は例えばＣＰＵで構成され、キーワード記憶部６から出力されたキーワードを抽出する。抽出したキーワードの前後にワイルドカードモデルを接続してキーワードモデルを生成する。そして、キーワードモデルの読みデータに対応する音響モデルを音響モデル記憶部５から取り出し、キーワードモデルの特徴パラメータを生成する。
【００８０】
不要語記憶部８は例えばＨＤで構成され、不要語を読みデータの形式で記憶する。
【００８１】
不要語モデル生成部９は例えばＣＰＵで構成され、不要語記憶部８から出力された不要語を抽出し、その抽出した不要語から不要語モデルを生成する。そして、不要語モデルに対応する音響モデルを音響モデル記憶部５から取り出し、不要語モデルの特徴パラメータを生成する。
【００８２】
キーワード距離計算部１０は例えばＣＰＵで構成され、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの距離を計算し、出力する。
【００８３】
不要語距離計算部１１は例えばＣＰＵで構成され、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの距離を計算し、出力する。
【００８４】
キーワードビタビ計算部１２は例えばＣＰＵで構成され、状態遷移の有無を示す状態遷移情報を出力しつつキーワード累積距離を計算する。
【００８５】
不要語ビタビ計算部１３は例えばＣＰＵで構成され、不要語モデルの不要語累積距離を計算する。
【００８６】
ワード長計算部１４は例えばＣＰＵで構成され、キーワードビタビ計算部１２が出力する状態遷移情報を用いてワード長の計算を行い出力する。
【００８７】
累積距離正規化部１５は例えばＣＰＵで構成され、ワード長計算部１４から出力されるワード長を用いて、キーワード累積距離と不要語累積距離から正規化累積距離を計算し出力する。
【００８８】
認識キーワード判定部１６は例えばＣＰＵで構成され、累積距離正規化部１５から出力される正規化累積距離を用いて認識キーワードの判定を行う。
【００８９】
以上の構成を有するワードスポッティング音声認識装置の動作概要を図２を用いて以下に説明する。
【００９０】
図２は上記ワードスポッティング音声認識装置の動作概要を示すフローチャートである。
【００９１】
まず、ビタビ法を行うための初期設定工程（ＳＴＥＰ１）が行われる。
【００９２】
マイク１から入力された音声信号は、ＬＰＦ２及びＡ／Ｄ変換器３を介して、特徴パラメータ生成部４に入力され、音声信号から音声区間を切り出し、切り出した音声区間をフレーム単位で分割しフレームにする。そして、分割したフレームから入力音声の特徴パラメータを生成し出力する。
【００９３】
以上のような、初期設定工程（ＳＴＥＰ１）が終了すると、次に、キーワードモデル及び不要語モデル生成工程（ＳＴＥＰ２）が行われる。
【００９４】
キーワード記憶部６及び不要語記憶部８からキーワード及び不要語を抽出し、キーワードの方には前後にワイルドカードモデルを接続してキーワードモデル及び不要語モデルを生成する。このとき、キーワードモデル及び不要語モデルに接続するワイルドカードモデルは同一のものとしている。そして、キーワードモデル及び不要語モデルの読みデータに対応する音響モデルと遷移適合度とを音響モデル記憶部５から取り出し、キーワードモデル及び不要語モデルの特徴パラメータを生成する。
【００９５】
以上のような、キーワードモデル及び不要語モデル生成工程（ＳＴＥＰ２）が終了すると、次に、キーワード距離計算工程（ＳＴＥＰ３）及び不要語距離計算工程（ＳＴＥＰ６）が行われる。まず、キーワード距離計算工程（ＳＴＥＰ３）及びそれに続く工程（ＳＴＥＰ４、ＳＴＥＰ５）を説明する。
【００９６】
キーワード距離計算部１０において、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの距離を計算し、出力する。
【００９７】
具体的には、ＳＴＥＰ１において生成された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとをフレーム毎に比較し類似度である距離を算出し、結果を各時刻におけるその状態の状態距離Ｐとして状態距離テーブルＰ（ｔ，ｍ）に出力する。
【００９８】
以上のような、キーワード距離計算工程（ＳＴＥＰ３）が終了すると、次に、キーワードビタビ計算工程（ＳＴＥＰ４）が行われる。
【００９９】
キーワードビタビ計算部１２において、キーワード距離計算工程（ＳＴＥＰ３）において出力された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの状態距離Ｐを基にして、ビタビ法によってキーワード累積距離を計算する。このとき、フレーム遷移に併せて状態遷移の有無を示す状態遷移情報Ｉ（ｔ，ｍ）をキーワードビタビ計算部１２はワード長計算部１４に出力する。
【０１００】
以上のような、キーワードビタビ計算工程（ＳＴＥＰ４）と並行して、ワード長計算工程（ＳＴＥＰ５）が行われる。
【０１０１】
キーワードビタビ計算部１２から出力される状態遷移情報Ｉ（ｔ，ｍ）を用いて、ワード長計算部１４は、ワード長の計算を行い累積距離正規化部１５へ出力する。
【０１０２】
具体的には、ＳＴＥＰ４において出力される状態遷移情報Ｉ（ｔ，ｍ）から自己遷移が続くか否かを観察する。状態遷移情報の出力はフレーム遷移があったことであるから、状態遷移情報の出力にあわせてワード長の加算を行うが、連続して自身へ状態遷移をした回数（自己遷移回数）が予め設定した回数（自己遷移回数閾値）よりも大きくなった場合には、次の状態に移るまでフレーム遷移をしてもワード長加算を行わないことで、自己遷移が非現実的に続く場合のワード長加算を禁止する。
【０１０３】
言葉によって適切な自己遷移回数閾値が変化することが実験によって判っており、サンプリング周期その他によって変動する数値である。この適切な自己遷移回数閾値は、自然な話し方がキャンセルされないように設定される。
【０１０４】
以上で、ワード長計算工程（ＳＴＥＰ５）が終了する。
【０１０５】
次に、ＳＴＥＰ３〜ＳＴＥＰ５と平行して処理が進行する、不要語距離計算工程（ＳＴＥＰ６）及びそれに続く不要語ビタビ計算工程（ＳＴＥＰ７）を説明する。
【０１０６】
不要語距離計算部１１において、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの距離を計算し、出力する。不要語モデルと特徴パラメータとの距離の算出は、ＳＴＥＰ３において説明したキーワードモデルと特徴パラメータとの距離の算出と同様の方法による。
【０１０７】
以上のような、不要語距離計算工程（ＳＴＥＰ６）が終了すると、次に、不要語ビタビ計算工程（ＳＴＥＰ７）が行われる。
【０１０８】
不要語ビタビ計算部１３において、不要語距離計算工程（ＳＴＥＰ６）において出力された入力音声の特徴パラメータと不要語モデルの特徴パラメータとの距離を基にして、ビタビ法によって不要語累積距離を計算する。
【０１０９】
以上で、不要語ビタビ計算工程（ＳＴＥＰ７）が終了する。
【０１１０】
次に、ワード長正規化工程（ＳＴＥＰ８）を説明する。
【０１１１】
ワード長計算工程（ＳＴＥＰ５）と不要語ビタビ計算工程（ＳＴＥＰ７）の両方が終了すると、ワード長正規化工程（ＳＴＥＰ８）へと移行する。
【０１１２】
ＳＴＥＰ５とＳＴＥＰ７が終了し、キーワード累積距離と不要語累積距離が累積距離正規化部１５に入力されると、ワード長計算部１４から出力されるワード長を用いて、累積距離正規化部１５は、キーワード累積距離から不要語累積距離を差し引き、これをワード長で正規化して正規化累積距離を算出する。
【０１１３】
以上のような、ワード長正規化工程（ＳＴＥＰ８）が終了すると、出力された正規化累積距離を用いて、続く音声認識工程（ＳＴＥＰ９）において、音声認識が行われる。
【０１１４】
ここで、上記第１の実施の形態にかかるワード長制御を含むワード長計算部１４のワード長計算工程（ＳＴＥＰ５）の詳細フローチャートを図３に示す。なお、入力されるデータは遷移情報１、自己遷移カウンタＲ、ワード長カウンタＬ、分析フレーム番号ｎ、分析状態番号ｍである。
【０１１５】
ＳＴＥＰ２１では、分析フレーム番号ｎ、分析状態番号ｍにおける遷移情報Ｉ（ｎ，ｍ）が直前状態からの遷移であるかどうかを判定する。判定結果が真の場合（直前状態からの遷移である場合）はＳＴＥＰ２２に移行し、判定結果が偽の場合（自己遷移である場合）はＳＴＥＰ２３に移行する。
【０１１６】
ＳＴＥＰ２２では、判定結果が真の場合（直前状態からの遷移である場合）であるから、現分析状態から自己遷移のカウントが始まるため、自己遷移カウンタＲ（ｎ，ｍ）に０を代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ−１）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。
【０１１７】
ＳＴＥＰ２３では、判定結果が偽の場合（自己遷移である場合）であるから、直前フレーム番号からの自己遷移のカウントが継続するため、遷移元の自己遷移カウンタＲ（ｎ−１，ｍ）に１を加算し、分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）に代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。ＳＴＥＰ２４に移行する。
【０１１８】
ＳＴＥＰ２４では、現在分析している分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）が予め設定された閾値Ｔｈｒｅｓｈ以上となっているかどうかを判定する。判定結果が真の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ以上となった場合）は、ワード長カウンタＬ（ｎ，ｍ）への加算処理は行われない。判定結果が偽の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ未満となった場合）は、ＳＴＥＰ２５に処理を移す。
【０１１９】
ＳＴＥＰ２５は、分析状態ｍがキーワードを表しているかどうかを判定する。ＳＴＥＰ２５における判定結果が真の場合は、ＳＴＥＰ２６にて、現在分析している分析フレーム番号ｎ、分析状態番号ｍのＬ（ｎ，ｍ）に１を加算する。判定結果が偽の場合（ｍが不要語の状態を表している場合）は、ワード長Ｌ（ｎ，ｍ）に対する加算処理は行われない。
【０１２０】
以上のＳＴＥＰ２１〜２６によって求められたワード長、自己遷移カウンタをフレーム番号ｎかつ状態番号ｍ毎に格納し、最終フレームＮかつ最終状態Ｍにおけるワード長を、ワード長正規化処理へ出力する。
【０１２１】
この実施の形態では以下の効果を有する。
● ＳＴＥＰ２においてキーワードモデル及び不要語モデルに接続したワイルドカードモデルは同一のものであるから、ＳＴＥＰ８においてキーワード累積距離から不要語累積距離を差し引くことで、発話区間の初めと終わりに含まれる傾向にある不要語を排除して、キーワード自体の累積距離を抽出することができる。
● 発話に含まれない状態数の少ないキーワードモデルに発話パラメータをマッチングさせたときの最適パスが非現実的に長くなることによって、正解キーワードの正規化累積距離よりも誤りキーワードの正規化累積距離が小さくなるという現象を回避することができる。
● このワード長制御処理は、処理量がごくわずかであるため、ナビ等リソースが限られた音声認識装置にも容易に組み込みが可能である。
【０１２２】
（第２の実施の形態）
次に、本発明にかかるワードスポッティング音声認識装置の第２の実施の形態を図４を参照しつつ説明する。
【０１２３】
図４は上記ワードスポッティング音声認識装置の第２の実施の形態にかかる動作概要を示すフローチャートである。上記第１の実施の形態と同一部分は詳しい説明を省略する。
【０１２４】
上記第１の実施の形態では、ＳＴＥＰ５において、ワード長計算部１４は状態遷移情報Ｉ（ｔ，ｍ）を観察し、自己遷移回数が自己遷移回数閾値を越えた場合にはワード長加算を行わないが、第２の実施の形態では、ＳＴＥＰ５を行わず、ＳＴＥＰ４とＳＴＥＰ７が終了した段階でワード長の計算（ＳＴＥＰ１０）を行う。
【０１２５】
即ち、第２の実施の形態では、ＳＴＥＰ４とＳＴＥＰ７が終了した段階でワード長計算工程（ＳＴＥＰ１０）へ移行し、ＳＴＥＰ４にて記録されている状態遷移情報Ｉの中で自己遷移回数が自己遷移回数閾値を超えた回数を得る。そして、音声区間と判断された区間のフレーム数から上記自己遷移回数閾値を超えた回数を減じてワード長を算出する。
【０１２６】
ワード長計算工程（ＳＴＥＰ１０）が終了すると、ワード長正規化工程（ＳＴＥＰ１１）へと移行する。
【０１２７】
ワード長計算部１４から出力されるワード長を用いて、累積距離正規化部１５は、キーワード累積距離から不要語累積距離を差し引き、これをワード長で正規化して正規化累積距離を算出する。
【０１２８】
以上のような、ワード長正規化工程（ＳＴＥＰ１１）が終了すると、出力された正規化累積距離を用いて、続く音声認識工程（ＳＴＥＰ９）において、音声認識が行われる。
【０１２９】
ここで、上記第２の実施の形態にかかるワード長制御を含むワード長計算部１４のワード長計算工程（ＳＴＥＰ１０）の詳細フローチャートを図５に示す。
【０１３０】
まず、ワード長制御を行うための初期設定工程（ＳＴＥＰ３１）が行われる。具体的には、ワード長カウンタＷｏｒｄＬｅｎ、自己遷移カウンタＡＬｅｎ、過剰ワード長カウンタＯｖｅｒｐａｔｈは０に、分析フレーム番号ｎ、分析状態番号ｍはそれぞれの最大値にあたる切り出しフレーム長Ｎ、キーワードモデルの状態数Ｍに設定する。
【０１３１】
以上のような初期設定工程（ＳＴＥＰ３１）が終了すると、次に、ＳＴＥＰ３２〜４０に示されるようなバックトレースを使用したワード長計算に入る。
【０１３２】
まず、現在分析している状態がキーワードの状態を表しているかどうかを判定する（ＳＴＥＰ３２）。分析状態がキーワードの状態を表しているならば、ワード長カウンタＷｏｒｄＬｅｎを１だけ加算する（ＳＴＥＰ３３）。分析状態が不要語の状態である場合は、ＷｏｒｄＬｅｎの加算は行われない。
【０１３３】
次に分析フレーム番号ｎ、分析状態番号ｍにおける遷移情報Ｉ（ｎ，ｍ）が直前遷移のものか、自己遷移のものであるかを判別する（ＳＴＥＰ３４）。遷移情報Ｉ（ｎ，ｍ）が直前遷移を表している場合は（ＹＥＳ）、分析状態ｍを１だけ減じ、自己遷移カウンタＡＬｅｎを０に初期化する（ＳＴＥＰ３５）。
【０１３４】
遷移情報Ｉ（ｎ，ｍ）が自己遷移を表している場合は（ＮＯ）、自己遷移カウンタＡＬｅｎに１だけ加算し（ＳＴＥＰ３６）、自己遷移カウンタが予め設定した閾値Ｔｈｒｅｓｈ以上になっているかどうかを判別する（ＳＴＥＰ３７）。自己遷移カウンタが予め設定した閾値Ｔｈｒｅｓｈ以上になっている場合には、過剰ワード長カウンタＯｖｅｒｐａｔｈを１だけ加算する（ＳＴＥＰ３８）。自己遷移カウンタが予め設定した閾値Ｔｈｒｅｓｈ未満の場合はＯｖｅｒｐａｔｈへの加算は行われない。
【０１３５】
以上のように遷移情報に合わせた処理（ＳＴＥＰ３４〜ＳＴＥＰ３８）を行った後、分析フレーム番号ｎを１だけ減ずる（ＳＴＥＰ３９）。
【０１３６】
この後、分析フレーム番号が先頭フレームまで達したかどうかを判定し（ＳＴＥＰ４０）、分析フレームが先頭まで達した場合はワード長カウンタＷｏｒｄＬｅｎから過剰ワード長カウンタＯｖｅｒｐａｔｈを減じ（ＳＴＥＰ４１）、それをワード長計算の結果として出力する。
【０１３７】
まだ分析状態が先頭まで達していない場合は、その分析フレームが先頭に達するまで、以上示した同様の処理の流れＳＴＥＰ３２〜４０を繰り返す。
【０１３８】
この実施の形態では以下の効果を有する。
● バックトレースのために記録されている状態遷移情報Ｉを活用するので、ワード長算出の負担が軽減される。
【０１３９】
なお、第２の実施の形態は、上記に限定されるものではなく、例えば以下のように変形してもよい。
○ バックトレースのために記録されている状態遷移情報Ｉを活用して自己遷移回数が自己遷移回数閾値を超えた回数を得ているが、この方式に替えて、自己遷移回数が自己遷移回数閾値を超えた回数を別途記憶するようにしてもよい。この場合、何らかの理由で状態遷移情報Ｉを書き換える必要があるとき、自己遷移回数が自己遷移回数閾値を超えた回数を状態遷移情報Ｉとは別に求めていると、プログラムの融通性が確保される。
【０１４０】
（第３の実施の形態）
次に、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態を図面を用いて説明する。
【０１４１】
図６は、本発明にかかるワードスポッティング音声認識装置の一実施例の構成概要を示すブロック図である。上記第１の実施の形態と同一部分は同一符号を付して詳しい説明を省略する。
【０１４２】
上記第１の実施の形態では類似度が距離として表現される場合を説明したが、第３の実施の形態では、類似度を尤度（確率）としている点が第１の実施の形態と異なっており、その他の構成は上記第１の実施の形態と同じである。
【０１４３】
図６に示すように、本発明にかかるワードスポッティング音声認識装置は、キーワード類似度計算手段、キーワード尤度計算手段としてのキーワード尤度計算部２０、不要語類似度計算手段、不要語尤度計算手段としての不要語尤度計算部２１、キーワード累積類似度計算手段、キーワード累積尤度計算手段としてのキーワードビタビ計算部２２、不要語累積類似度計算手段、不要語累積尤度計算手段としての不要語ビタビ計算部２３、ワード長計算手段としてのワード長計算部２４、累積類似度正規化手段、累積尤度正規化手段としての累積尤度正規化部２５、を含んで構成される。
【０１４４】
キーワード尤度計算部２０は例えばＣＰＵで構成され、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの尤度を計算し、出力する。
【０１４５】
不要語尤度計算部２１は例えばＣＰＵで構成され、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの尤度を計算し、出力する。
【０１４６】
キーワードビタビ計算部２２は例えばＣＰＵで構成され、状態遷移の有無を示す状態遷移情報を出力しつつキーワード累積尤度を計算する。
【０１４７】
不要語ビタビ計算部２３は例えばＣＰＵで構成され、不要語モデルの不要語累積尤度を計算する。
【０１４８】
ワード長計算部２４は例えばＣＰＵで構成され、キーワードビタビ計算部２２が出力する状態遷移情報を用いてワード長の計算を行い出力する。
【０１４９】
累積尤度正規化部２５は例えばＣＰＵで構成され、ワード長計算部２４から出力されるワード長を用いて、キーワード累積尤度と不要語累積尤度から正規化累積尤度を計算し出力する。
【０１５０】
以上の構成を有するワードスポッティング音声認識装置の動作概要を図７を用いて以下に説明する。
【０１５１】
図７は上記ワードスポッティング音声認識装置の第３の実施の形態にかかる動作概要を示すフローチャートである。上記第１の実施の形態と同一部分は同一符号を付して詳しい説明を省略する。
【０１５２】
第１の実施の形態の場合と同じように、キーワードモデル及び不要語モデル生成工程（ＳＴＥＰ２）が終了すると、次に、キーワード尤度計算工程（ＳＴＥＰ１２）及び不要語尤度計算工程（ＳＴＥＰ１５）が行われる。まず、キーワード尤度計算工程（ＳＴＥＰ１２）及びそれに続く工程（ＳＴＥＰ１３、ＳＴＥＰ１４）を説明する。
【０１５３】
キーワード尤度計算部２０において、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの尤度を計算し、出力する。
【０１５４】
具体的には、ＳＴＥＰ１において生成された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとをフレーム毎に比較し尤度を算出し、結果を各時刻におけるその状態の状態尤度として状態尤度テーブルに出力する。
【０１５５】
以上のような、キーワード尤度計算工程（ＳＴＥＰ１２）が終了すると、次に、キーワードビタビ計算工程（ＳＴＥＰ１３）が行われる。
【０１５６】
キーワードビタビ計算部２２において、キーワード尤度計算工程（ＳＴＥＰ１２）において出力された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの状態尤度を基にして、ビタビ法によってキーワード累積尤度を計算する。第３の実施の形態では、類似度を尤度として表現しているので、尤度が大きいほど類似度が高くなり、その結果、ビタビ法において状態ｉに遷移する２本の矢印のうち累積尤度の値の大きいほうが選択される。フレーム遷移に併せて状態遷移の有無を示す状態遷移情報をキーワードビタビ計算部２２はワード長計算部２４に出力する。
【０１５７】
以上のような、キーワードビタビ計算工程（ＳＴＥＰ１３）と並行して、ワード長計算工程（ＳＴＥＰ１４）が行われる。
【０１５８】
キーワードビタビ計算部２２から出力される状態遷移情報を用いて、ワード長計算部２４は、ワード長の計算を行い累積尤度正規化部２５へ出力する。
【０１５９】
具体的には、ＳＴＥＰ１３において出力される状態遷移情報から自己遷移が続くか否かを観察する。状態遷移情報の出力はフレーム遷移があったことであるから、状態遷移情報の出力に合わせてワード長の加算を行うが、自己遷移回数が自己遷移回数閾値よりも大きくなった場合には、次の状態に移るまで状態遷移情報の出力にあわせてワード長の加算を行う他に自己遷移回数閾値を超えた回数に応じた所定値をワード長に加算する。
【０１６０】
ここで、所定の値は、累積尤度をワード長で正規化するときに、自己遷移の状態が非現実的に続く影響を排除できるだけの大きさの値であり、学習によって定める。
【０１６１】
以上のような、ワード長計算工程（ＳＴＥＰ１４）が終了する。
【０１６２】
次に、ＳＴＥＰ１２〜ＳＴＥＰ１４と平行して処理が進行する、不要語尤度計算工程（ＳＴＥＰ１５）及びそれに続く不要語ビタビ計算工程（ＳＴＥＰ１６）を説明する。
【０１６３】
不要語尤度計算部２１において、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの尤度を計算し、出力する。
【０１６４】
以上のような、不要語尤度計算工程（ＳＴＥＰ１５）が終了すると、次に、不要語ビタビ計算工程（ＳＴＥＰ１６）が行われる。
【０１６５】
不要語ビタビ計算部２３において、不要語尤度計算工程（ＳＴＥＰ１５）において出力された入力音声の特徴パラメータと不要語モデルの特徴パラメータとの尤度を基にして、ビタビ法によって不要語累積尤度を計算する。類似度を尤度として表現しているので、尤度が大きいほど類似度が高くなり、その結果、ビタビ法において状態ｉに遷移する２本の矢印のうち累積尤度の値の大きいほうが選択される。
【０１６６】
以上で、不要語ビタビ計算工程（ＳＴＥＰ１６）が終了する。
【０１６７】
次に、ワード長正規化工程（ＳＴＥＰ１７）を説明する。
【０１６８】
ワード長計算工程（ＳＴＥＰ１４）と不要語ビタビ計算工程（ＳＴＥＰ１６）の両方が終了すると、ワード長正規化工程（ＳＴＥＰ１７）へと移行する。
【０１６９】
ＳＴＥＰ１４とＳＴＥＰ１６が終了し、キーワード累積尤度と不要語累積尤度が累積尤度正規化部２５に入力されると、ワード長計算部２４から出力されるワード長を用いて、累積尤度正規化部２５は、キーワード累積尤度から不要語累積尤度を差し引き、これをワード長で正規化して正規化累積尤度を算出する。
【０１７０】
以上のような、ワード長正規化工程（ＳＴＥＰ１７）が終了すると、出力された正規化累積尤度を用いて、続く音声認識工程（ＳＴＥＰ９）において、音声認識が行われる。
【０１７１】
ここで、上記第３の実施の形態にかかるワード長制御を含むワード長計算部１４のワード長計算工程（ＳＴＥＰ１４）の詳細フローチャートを図８に示す。なお、入力されるデータは遷移情報１、自己遷移カウンタＲ、ワード長カウンタＬ、分析フレーム番号ｎ、分析状態番号ｍである。
【０１７２】
ＳＴＥＰ５１では、分析フレーム番号ｎ、分析状態番号ｍにおける遷移情報Ｉ（ｎ，ｍ）が直前状態からの遷移であるかどうかを判定する。判定結果が真の場合（直前状態からの遷移である場合）はＳＴＥＰ５２に移行し、判定結果が偽の場合（自己遷移である場合）はＳＴＥＰ５３に移行する。
【０１７３】
ＳＴＥＰ５２では、判定結果が真の場合（直前状態からの遷移である場合）であるから、現分析状態から自己遷移のカウントが始まるため、自己遷移カウンタＲ（ｎ，ｍ）に０を代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ−１）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。
【０１７４】
ＳＴＥＰ５３では、判定結果が偽の場合（自己遷移である場合）であるから、直前フレーム番号からの自己遷移のカウントが継続するため、遷移元の自己遷移カウンタＲ（ｎ−１，ｍ）に１を加算し、分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）に代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。ＳＴＥＰ５４に移行する。
【０１７５】
ＳＴＥＰ５４では、現在分析している分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）が予め設定された閾値Ｔｈｒｅｓｈ以上となっているかどうかを判定する。判定結果が真の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ以上となった場合）は、ワード長カウンタＬ（ｎ，ｍ）に予め設定しておいた１を超える定数ｃｋを加算する（ＳＴＥＰ５７）。判定結果が偽の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ未満となった場合）は、ＳＴＥＰ５５に処理を移す。
【０１７６】
ＳＴＥＰ５５は、分析状態ｍがキーワードを表しているかどうかを判定する。ＳＴＥＰ５５における判定結果が真の場合は、ＳＴＥＰ５６にて、現在分析している分析フレーム番号ｎ、分析状態番号ｍのＬ（ｎ，ｍ）に１を加算する。判定結果が偽の場合（ｍが不要語の状態を表している場合）は、ワード長Ｌ（ｎ，ｍ）に予め設定しておいた１を超える定数ｃｋを加算する（ＳＴＥＰ５７）。
【０１７７】
以上のＳＴＥＰ５１〜５７によって求められたワード長、自己遷移カウンタをフレーム番号ｎかつ状態番号ｍ毎に格納し、最終フレームＮかつ最終状態Ｍにおけるワード長を、ワード長正規化処理へ出力する。
【０１７８】
なお、第３の実施の形態は、上記に限定されるものではなく、例えば以下のように変形してもよい。
○ 類似度を対数尤度としても良い。尤度を対数に換算するとき、累積尤度の計算を加減算で行うことができるので、計算処理を高速化できる。
○ 第２の実施の形態にあるように、ワード長計算手段は、自己遷移回数が自己遷移回数閾値を超えた回数を記憶しておき、分割したフレームの数から自己遷移回数閾値を超えた回数だけ所定値をワード長に加算してもよい。また、状態遷移情報を活用して自己遷移回数が自己遷移回数閾値を超えた回数を求めてもよい。ビタビ法の実行過程におけるワード長加算の計算負担が軽減される。
【０１７９】
（第４の実施の形態）
次に本発明にかかるワードスポッティング音声認識装置の第４の形態を図９を参照しつつ説明する。
【０１８０】
図９は上記ワードスポッティング音声認識装置の第４の実施の形態にかかる動作概要を示すフローチャートである。上記第１の実施の形態では、ビタビ処理とワード長計算とが終了した後に、ビタビ処理の最終的な出力結果とワード長計算部の最終的な出力結果を用いてワード長正規化が行われる。これに対して、第４の実施の形態は、ビタビ処理の状態遷移選択過程において、その時点での累積距離をその時点でのワード長で正規化し、この正規化された出力結果を用いて状態遷移選択を行う点で相違する。
【０１８１】
まず、ワード長制御を行うための初期設定工程（ＳＴＥＰ６１）が行われる。具体的には、ワード長テーブルＬと自己遷移カウンタのテーブルＲを０に初期化し、分析フレーム番号ｎと分析状態番号ｍを１に設定する。
【０１８２】
次にワード長計算を含めたビタビ処理の詳細処理に入る。分析フレーム数ｎが切り出し音声のフレーム数Ｎを超えたかどうかを判定する（ＳＴＥＰ６２）。分析フレームが終端まで進んでいない場合は、終端のビタビ処理が終了するまでＳＴＥＰ６３〜７２で示されるワード長計算を含んだビタビ処理が行われる。終端までビタビ処理が終了した場合は、ＳＴＥＰ７５で示される処理を行う。
【０１８３】
ＳＴＥＰ６３は、ＳＴＥＰ６２と同様にして、分析状態カウンタｍがキーワードモデルの最終状態まで到達したかどうかを判定する箇所である。分析状態が最終状態の箇所まで終了した場合は、フレームカウンタｎに１を加算し、状態カウンタｍを１に初期化した（ＳＴＥＰ７４）後にＳＴＥＰ６２へ戻る。分析状態が最終状態の箇所まで終了していない場合は、ＳＴＥＰ６４〜７２に示されるワード長計算を含む各状態に対するビタビ処理を行う。
【０１８４】
ＳＴＥＰ６４は、ビタビ処理の分析状態における累積距離の比較を行うための情報を生成する箇所である。Ｄａは分析フレームの直前かつ分析状態にあたる正規化累積距離を表し、Ｄｂは分析フレームの直前かつ分析状態の直前にあたる状態の正規化累積距離で表す。Ｄａ、Ｄｂは、分析フレームの直前かつ分析状態にあたる不要語累積距離Ｕ（ｎ−１）、およびワード長Ｌ（ｎ−１，ｍ）、Ｌ（ｎ−１，ｍ−１）を用いて計算される。具体的には、Ｄａは遷移元の累積距離であるＤ（ｎ−１，ｍ）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引き、遷移元のワード長にあたるＬ（ｎ−１，ｍ）を除した値が格納される。Ｌ（ｎ−１，ｍ）＝０の場合、Ｄａには遷移元の累積距離であるＤ（ｎ−１，ｍ）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引いた値が代入される。Ｄｂも同様に、遷移元の累積距離であるＤ（ｎ−１，ｍ−１）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引き、遷移元のワード長にあたるＬ（ｎ−１，ｍ−１）を除したものが格納される。Ｌ（ｎ−１，ｍ−１）＝０の場合、Ｄｂには遷移元の累積距離であるＤ（ｎ−１，ｍ−１）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引いた値が代入される。
【０１８５】
ＳＴＥＰ６５は、ＳＴＥＰ６４によって得られたＤａ、Ｄｂの２値がＤａ≦Ｄｂに関して真であるかどうかを判定する箇所である。
【０１８６】
このＳＴＥＰ６５による判定結果が真の場合は、ＳＴＥＰ６６にて現分析フレームの直前かつ現分析状態そのものにあたる累積距離Ｄ（ｎ−１，ｍ）に現分析フレームかつ現分析状態にあたる距離値Ｐ（ｎ，ｍ）を加算して、これを現分析フレームかつ現分析状態の累積距離Ｄ（ｎ，ｍ）に代入する。また、自己遷移を表すため、自己遷移カウンタＲ（ｎ，ｍ）にはＲ（ｎ，ｍ−１）に１を加算したものを代入する。さらに、Ｄａ≦Ｄｂが真であるので、フレーム番号ｎ、状態番号ｍの遷移元がフレーム番号ｎ−１、状態ｍであることを表すため、ワード長変数であるＬｅｎｇｔｈにＬ（ｎ−１，ｍ）を代入する。
【０１８７】
ＳＴＥＰ６７において、自己遷移カウンタＲ（ｎ，ｍ）が予め設定した閾値Ｔｈｒｅｓｈ以下であるかどうかを判定する。このＳＴＥＰ６７の判定結果が真ならば、現分析状態ｍがキーワード区間であるかどうかを判定する（ＳＴＥＰ６９）。この判定結果が真の場合は、ワード長変数Ｌｅｎｇｔｈに１だけ加算を行う。ＳＴＥＰ６７における判定結果が偽の場合、もしくはＳＴＥＰ６９の判定結果が偽の場合はＳＴＥＰ７０で表されるＬｅｎｇｔｈの加算を行わず、ＳＴＥＰ７１の処理へ直行する。
【０１８８】
ＳＴＥＰ６５の判定結果が偽の場合はＳＴＥＰ６８において累積距離Ｄ（ｎ，ｍ）の計算、自己遷移カウンタＲ（ｎ，ｍ）の初期化、ワード長変数Ｌｅｎｇｔｈの計算をそれぞれ行う。ここで、ＳＴＥＰ６５の判定結果が偽の場合は、フレーム番号ｎ、状態番号ｍの遷移元がフレーム番号ｎ−１、状態ｍ−１であることを表す。つまり、遷移が直前状態からの遷移を表す。このことから、フレーム番号ｎ、状態番号ｍの累積距離Ｄ（ｎ，ｍ）は遷移元の累積距離Ｄ（ｎ−１，ｍ−１）に現分析状態にあたる距離値Ｐ（ｎ，ｍ）を加算したものが格納される。また、直前状態からの遷移であることから、自己遷移カウンタＲ（ｎ，ｍ）は０に初期化され、Ｌｅｎｇｔｈも遷移元のワード長にあたるＬ（ｎ−１，ｍ−１）が格納される。この後は、前述のＳＴＥＰ６７の判定結果が真の場合における処理と同様にＳＴＥＰ６９、ＳＴＥＰ７０が行われる。
【０１８９】
ＳＴＥＰ７１は、一時格納されていたＬｅｎｇｔｈをワード長カウンタＬ（ｎ，ｍ）に格納する箇所である。このＳＴＥＰ７１が行われた後、ＳＴＥＰ７２の状態カウンタｍを１だけ加算する処理を行う。
【０１９０】
このＳＴＥＰ７２の状態カウンタの加算が行われた後、ＳＴＥＰ６３の最終状態判定を行う処理へ戻る。
【０１９１】
これらＳＴＥＰ６２〜７４の処理が最終フレームまで終了したら、ＳＴＥＰ７５にて最終フレームかつ最終状態にあたる累積距離Ｄ（Ｎ，Ｍ）をワード長Ｌ（Ｎ，Ｍ）、不要語累積距離Ｕ（Ｎ）を用いて正規化処理を行い正規化累積距離Ｄ’（Ｎ，Ｍ）を得る。具体的には、ＳＴＥＰ７４に入る累積距離Ｄ（Ｎ，Ｍ）から不要語累積距離Ｕ（Ｎ）を差し引き、この差し引いた値をワード長Ｌ（Ｎ，Ｍ）で除算したものをＤ’（Ｎ，Ｍ）とする。このＤ’（Ｎ，Ｍ）を計算結果として出力する。
【０１９２】
本実施の形態の場合、ビタビ処理における各状態において、ワード長を反映させた累積距離を用いることが可能となるため、認識性能のさらなる向上が見込める。
【０１９３】
なお、上記に記載した第１から第４の実施の形態の他に、例えば以下のように変形してもよい。
○ 上記実施の形態ではマッチング処理の方法としてビタビ法を用いた場合を説明したが、これに限らず、ＤＰマッチングなどの手法を用いても良い。即ち、キーワードモデルと各フレームの特徴パラメータにおけるマッチング処理さえ適用されていれば、ビタビ法に限定されることなく、本発明を適用することは可能である。
○ 上記実施の形態では、ワード長正規化とワード長計算および不要語距離を別のブロックでそれぞれ計算を行っているが、これら３つの処理をフレーム単位で同期させることによって、ビタビ処理の各状態において累積距離を比較する箇所で正規化された累積距離を利用する手段も考えられる。この場合、ビタビ処理の遷移情報を正規化された累積距離を基に生成されるため、認識性能のさらなる向上が見込める。
○ 上記実施の形態では類似度がユークリッド距離として表現される場合を説明したが、これに限らず、マハラノビス距離やハミング距離を用いても良い。即ち、類似度の相違を数値の大きさの相違で表現できれば、ユークリッド距離に限定されることなく、本発明を適用することは可能である。
○ 上記第１の実施の形態では、キーワードモデルの累積距離の計算を行うキーワードモデル生成部７、キーワード距離計算部１０、キーワードビタビ計算部１２と、不要語モデルの計算を行う不要語モデル生成部９、不要語距離計算部１１、不要語ビタビ計算部１３とを別個独立した構成としている。上記第３の実施の形態では、キーワードモデルの累積尤度の計算を行うキーワードモデル生成部７、キーワード尤度計算部２０、キーワードビタビ計算部２２と、不要語モデルの計算を行う不要語モデル生成部９、不要語尤度計算部２１、不要語ビタビ計算部２３とを別個独立した構成としている。しかし、内部で行う処理はワード長計算を除いて同じであるので、同一の計算手段で時間分割をして実行する構成とすることもできる。この場合、音声認識装置の構成部品が少なくなるので、装置の製造原価を低くすることが可能になる。
【０１９４】
前記各実施の形態から把握できる請求項記載以外の技術思想（発明）について、以下にその効果とともに記載する。
■ 請求項２〜７、請求項９〜１４、１６〜２１のいずれかに記載の発明において、キーワード累積類似度及び不要語累積類似度を計算する計算手段は、ＤＰマッチングを用いたマッチング処理を行うようにしてもよい。即ち、音声認識に用いられるモデルが、キーワードの状態と不要語の状態とに区分けがされていれば、本発明を適用することは可能である。
■ 請求項６、１３、２０のいずれかに記載の発明において、ビタビ法による計算過程においては、ワード長計算手段は、自己遷移回数が自己遷移回数閾値を超えた回数を記憶しておき、累積距離をワード長で正規化する前に、分割したフレームの数から自己遷移回数閾値を超えた回数を減じてワード長を得るようにしてもよい。この場合、ビタビ法の実行過程におけるワード長加算の計算負担が軽減される。
■ 請求項７、１４、２１のいずれかに記載の発明において、ビタビ法による計算過程においては、ワード長計算手段は、自己遷移回数が自己遷移回数閾値を超えた回数を記憶しておき、累積尤度をワード長で正規化する前に、分割したフレームの数から自己遷移回数閾値を超えた回数に応じた所定値を加算するようにしてもよい。この場合、ビタビ法の実行過程におけるワード長加算の計算負担が軽減される。
【０１９５】
【発明の効果】
本発明に係るワードスポッティング音声認識装置によれば、ビタビ法によって求められた最適パスの中に、１つの状態に長く停留する部分が存在しても、自己遷移回数閾値以上ワード長としてカウントしないため、ワード長の正規化をすることで、誤ったキーワードが出力されるという現象を回避することができる。
【図面の簡単な説明】
【図１】図１は、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態の構成概要を示すブロック図である。
【図２】図２は、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態の動作概要を示すフローチャートである。
【図３】図３は、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態におけるワード長計算工程（ＳＴＥＰ５）の詳細フローチャートである。
【図４】図４は、本発明にかかるワードスポッティング音声認識装置の第２の実施の形態にかかる動作概要を示すフローチャートである。
【図５】図５は、本発明にかかるワードスポッティング音声認識装置の第２の実施の形態にかかるワード長計算工程（ＳＴＥＰ１０）の詳細フローチャートである。
【図６】図６は、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態の構成概要を示すブロック図である。
【図７】図７は、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態にかかる動作概要を示すフローチャートである。
【図８】図８は、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態にかかるワード長計算工程（ＳＴＥＰ１４）の詳細フローチャートである。
【図９】図９は、本発明にかかるワードスポッティング音声認識装置の第４の実施の形態にかかる動作概要を示すフローチャートである。
【図１０】図１０は、キーワードとその前後にワイルドカードモデルを接続したキーワードモデルλの構成図である。
【図１１】図１１は、累積距離をビタビ法によって計算する場合のトレリスである。
【図１２】図１２は、シンボル系列とキーワードモデルとの対応関係を示す図である。
【符号の説明】
１：マイク
２：ＬＰＦ（Ｌｏｗ Ｐａｓｓ Ｆｉｌｔｅｒ）
３：Ａ／Ｄ変換器
４：特徴パラメータ生成部
５：音響モデル記憶部
６：キーワード記憶部
７：キーワードモデル生成部
８：不要語記憶部
９：不要語モデル生成部
１０：キーワード距離計算部
１１：不要語距離計算部
１２：キーワードビタビ計算部
１３：不要語ビタビ計算部
１４：ワード長計算部
１５：累積距離正規化部
１６：認識キーワード判定部
２０：キーワード尤度計算部
２１：不要語尤度計算部
２２：キーワードビタビ計算部
２３：不要語ビタビ計算部
２４：ワード長計算部
２５：累積尤度正規化部
【発明の属する技術分野】
本発明は、ワードスポッティング音声認識装置及びワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラムの技術分野に係り、特に、少ない状態数を持つキーワードモデルの音声認識に好適な、累積類似度をワード長で正規化処理を行った正規化累積類似度を用いたワードスポッティング音声認識装置及びワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラムの技術分野に属する。
【０００２】
【従来の技術】
フィラーモデルのようにどの発話に対しても常に極めて小さい距離を出力するモデルを使ってビタビ法による音声認識を行う場合、キーワードの状態数が少ないほど入力された発話の特徴パラメータとキーワードの特徴パラメータとの累積距離は小さくなり、正解キーワードを抽出することが困難となる傾向がある。これを解決するために、結果がワード長に依存しないように、累積距離をワード長で正規化した正規化累積距離を認識結果を判定するためのスコアとして利用する音声認識の手法が知られている。例えば、特開平６−１６７９９４号公報の段落番号［００９９］では、音声区間に対応する正規化フレーム数を用いて最終確率（累積類似度のひとつ）を正規化する手法が開示されている。
【０００３】
実際には、音声の認識率を向上させるために、キーワードデータベースと不要語データベースの２種類のデータベースを用意し、キーワードの前後にワイルドカードモデルを接続したキーワードモデルと、不要語モデルとを生成し、キーワードモデルを含むルートからビタビ法によって求められるキーワード累積距離と、不要語モデルを含むルートからビタビ法によって求められる不要語累積距離をそれぞれ算出し、キーワード累積距離から不要語累積距離を差し引き、これをワード長で正規化することで正規化累積距離を出力し、結果を音声認識に利用する。
【０００４】
ここで、ビタビ法によって累積類似度のひとつである累積距離を計算する方法を説明する。
【０００５】
図１０は、キーワードとその前後にワイルドカードモデルを接続したキーワードモデルλの構成を示す概念図である。
【０００６】
図１１は、図１０に示すキーワードモデルλがシンボル系列｛ａ，ｂ，ａ｝を出力する累積距離Ｄ（ｔ，ｍ）を、ビタビ法によって計算する場合に描かれるトレリスを示している。
【０００７】
矢印は状態の遷移を示している。音声認識に一般的によく用いられるキーワードモデルλは、図１０に示すように、現在の状態と同じ状態に遷移するか、或いは、現在の状態の次の状態に遷移するか、の２通りしか状態遷移をしないので、図１１に示す矢印は、同じ状態への遷移を示す水平方向の矢印と、次の状態への遷移を示す斜め上方向の矢印のみとなっている。図１１のトレリスにおいて、縦方向はモデルの状態の並びになっており、横方向はフレーム（時間）の進行を表している。
【０００８】
このようなトレリスに従って、図１０のキーワードモデルλがシンボル系列｛ａ，ｂ，ａ｝を出力する場合の累積距離Ｄ（ｔ，ｍ）が計算される例を説明する。
【０００９】
なお、シンボルａはワイルドカードを指し、シンボルｂはキーワードモデルを指す。図１１のトレリス図において、シンボルａは最上段と最下段のテーブルが表す不要語の状態を表し、シンボルｂは不要語の状態を表す２つの段に挟まれた３つの段が表すキーワードそのものの状態を表す。図１２にシンボル系列とキーワードモデルとの対応関係を示す。
【００１０】
初期状態において、各時刻（各フレーム番号）の各状態における状態距離が計算され、状態距離テーブルＰ（ｔ，ｍ）に格納されている。ここで、状態距離は、入力された発話から所定のフレーム毎に時系列に抽出した特徴パラメータ（周波数帯毎のエネルギなどをベクトル量子化したもの）とキーワードデータベースに記憶されているキーワードの特徴パラメータとから算出される距離（例えば、ユークリッド距離）が一般的に用いられる。
【００１１】
使用するモデルは初期状態が状態ｉS(INITIAL)となるモデルとするから、時刻ｔ＝１において、初期状態は状態ｉS(INITIAL)となる。よって、状態ｉS(INITIAL)としての状態Ｓ1の状態距離Ｐ（１，１）はＰ（１，１）＝０である。他の状態Ｓ2，Ｓ3，Ｓ4，Ｓ5の状態距離Ｐ（１，２），Ｐ（１，３），Ｐ（１，４），Ｐ（１，５）はいずれも理論上は∞（無限大）とすることが好ましいが、数値計算では無限大を扱うことができないので、実際の計算で得られる距離値よりも充分に大きい値Ｒｆｍを代入して計算する。従って、状態Ｓ1の累積距離Ｄ（１，１）＝０が書き込まれ、他の状態Ｓ2，Ｓ3，Ｓ4，Ｓ5の累積距離Ｄ（１，２），Ｄ（１，３），Ｄ（１，４），Ｄ（１，５）には、充分に大きい値Ｒｆｍが書き込まれる。
【００１２】
時間が進行して時刻ｔ＝２における状態Ｓ1の累積距離Ｄ（２，１）は、時刻ｔ＝１における状態Ｓ1の累積距離Ｄ（１，１）と時刻ｔ＝２における状態Ｓ1の状態距離Ｐ（２，１）、遷移適合度ｂ（Ｓ1，Ｓ1）の和であるから、Ｄ（２，１）＝Ｄ（１，１）＋Ｐ（２，１）＋ｂ（Ｓ1，Ｓ1）となり、時刻ｔ＝２における状態Ｓ1の累積距離Ｄ（２，１）には、Ｄ（２，１）＝Ｄ（１，１）＋Ｐ（２，１）＋ｂ（Ｓ1，Ｓ1）が書き込まれる。
【００１３】
ここで、遷移適合度ｂ（ｕ，ｖ）とは、状態ｕから状態ｖへの遷移がどの程度起こり得るかを示す指標をいい、音響モデルを学習する際に状態ｕと状態ｖとの接続頻度の関係から得られる値である。
【００１４】
また、時刻ｔ＝２における状態Ｓ2の累積距離Ｄ（２，２）は、ビタビ法においては、時刻ｔ＝１における状態Ｓ1の累積距離Ｄ（１，１）と時刻ｔ＝２における状態Ｓ2の状態距離Ｐ（２，２）、遷移適合度ｂ（Ｓ1，Ｓ2）の和：Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）と、時刻ｔ＝１における状態Ｓ2の累積距離Ｄ（１，２）と時刻ｔ＝２における状態Ｓ2の状態距離Ｐ（２，２）、遷移適合度ｂ（Ｓ2，Ｓ2）の和：Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）とのいずれか小さいほうの値である。従って、時刻ｔ＝２における状態Ｓ2の累積距離Ｄ（２，２）には、Ｄ（２，２）＝Ｍｉｎ｛Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2），Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）｝が書き込まれる。
【００１５】
このとき、状態遷移の有無を示す状態遷移情報テーブルＩ（２，２）には状態遷移情報が書き込まれる。即ち、例えば、Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）≧Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）のときはＤ（２，２）＝Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）であり現在の状態Ｄ（１，２）のままであるから、状態遷移情報Ｉ（２，２）には状態遷移がなかったことを示す記号又は数値、例えばＡｕｔｏが格納される。逆に、Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）＜Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）のときは、Ｄ（２，２）＝Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）であり直前の状態Ｄ（１，１）から遷移したのであるから、状態遷移情報Ｉ（２，２）には状態遷移があったことを示す記号又は数値、例えばＮｅｘｔが格納される。
【００１６】
実際には、上述の通り、Ｄ（１，２）には充分に大きい値Ｒｆｍが代入されているので、Ｄ（１，１）＋Ｐ（２，２）＋ｂ（Ｓ1，Ｓ2）＜Ｄ（１，２）＋Ｐ（２，２）＋ｂ（Ｓ2，Ｓ2）であり、状態遷移情報Ｉ（２，２）にはＤ（２，２）が直前の状態Ｄ（１，１）から遷移したことを示す記号Ｎｅｘｔが格納される。
【００１７】
更に、時刻ｔ＝２における状態Ｓ3の累積距離Ｄ（２，３）は、ビタビ法においては、時刻ｔ＝１における状態Ｓ2の累積距離Ｄ（１，２）と時刻ｔ＝２における状態Ｓ3の状態距離Ｐ（２，３）、遷移適合度ｂ（Ｓ2，Ｓ3）の和：Ｄ（１，２）＋Ｐ（２，３）＋ｂ（Ｓ2，Ｓ3）と、時刻ｔ＝１における状態Ｓ3の累積距離Ｄ（１，３）と時刻ｔ＝２における状態Ｓ3の状態距離Ｐ（２，３）、遷移適合度ｂ（Ｓ3，Ｓ3）の和：Ｄ（１，３）＋Ｐ（２，３）＋ｂ（Ｓ3，Ｓ3）とのいずれか小さいほうの値である。従って、時刻ｔ＝２における状態Ｓ3の累積距離Ｄ（２，３）には、Ｄ（２，３）＝Ｍｉｎ｛Ｄ（１，２）＋Ｐ（２，３）＋ｂ（Ｓ2，Ｓ3），Ｄ（１，３）＋Ｐ（２，３）＋ｂ（Ｓ3，Ｓ3）｝が書き込まれ、状態遷移情報Ｉ（２，３）には状態遷移に応じてＡｕｔｏ又はＮｅｘｔのいずれかが書き込まれる。
【００１８】
同じく、時刻ｔ＝２における状態Ｓ4の累積距離Ｄ（２，４）にはＤ（１，３）＋Ｐ（２，４）＋ｂ（Ｓ3，Ｓ4）と、Ｄ（１，４）＋Ｐ（２，４）＋ｂ（Ｓ4，Ｓ4）とのいずれか小さいほうの値が書き込まれ、状態遷移情報Ｉ（２，４）には状態遷移に応じてＡｕｔｏ又はＮｅｘｔのいずれかが書き込まれる。
【００１９】
更にまた、時刻ｔ＝２における状態Ｓ5の累積距離Ｄ（２，５）にはＤ（１，４）＋Ｐ（２，５）＋ｂ（Ｓ4，Ｓ5）と、Ｄ（１，５）＋Ｐ（２，５）＋ｂ（Ｓ5，Ｓ5）とのいずれか小さいほうの値が書き込まれ、状態遷移情報Ｉ（２，５）には状態遷移に応じてＡｕｔｏ又はＮｅｘｔのいずれかが書き込まれる。
【００２０】
次に、さらに状態が遷移して時刻ｔ＝３における状態Ｓ1〜状態Ｓ5の累積距離Ｄ（３，１）〜Ｄ（３，５）が同様に計算され、同時に状態遷移情報Ｉ（３，１）〜Ｉ（３，５）が確定し格納される。
【００２１】
上記した累積距離Ｄ及び状態遷移情報Ｉの計算が時刻ｔ＝４〜１２にわたって状態Ｓ1〜状態Ｓ5について同様になされ、図１１中の最右端の各状態Ｓ1〜Ｓ5の累積距離Ｄ（１２，ｍ）（ｍ＝１〜５）に書き込まれる。
【００２２】
トレリスにおいて、モデルがシンボル系列を出力する場合の累積距離は、最終フレームの最終状態を示す最も右上の累積距離になるので、図１１のトレリスにおいては、キーワードモデルλがシンボル系列｛ａ，ｂ，ａ｝を出力する累積距離はＤ（１２，５）になる。
【００２３】
また、シンボル系列λに関するビタビ処理を行う過程で、状態遷移情報Ｉを記録しており、そのシンボル系列λに関するビタビ処理が終了していれば、この記録された状態遷移情報Ｉから通過パスを得ることが可能となる。ここで最終フレームの最終状態にあたるところを起点とし、状態遷移情報Ｉを用いて軌跡を辿るとシンボル系列λにおける遷移過程を表す状態系列（最適パス）を得ることができる。
【００２４】
一方、正規化処理に使用されるワード長は、上記先行技術文献にも開示されているように、従来は、音声区間に対応するキーワード区間であった。
【００２５】
以上の処理が、キーワードデータベースに記録されているすべてのシンボル系列（例えば｛ａ，ｂ，ｂ｝）に対して行われ、そのうちの正規化累積距離が最も小さいシンボル系列が認識結果とされる。
【００２６】
【発明が解決しようとする課題】
しかしながら、累積距離をワード長で正規化した正規化累積距離をキーワードそのものの類似度として利用するワードスポッティング音声認識方法において、発話に含まれないキーワードにマッチング処理を行った場合、ビタビ法を用いて得られた最適パスは入力された発話に正しくマッチしていない。具体的にはキーワードモデルのある１つの状態に長く停留することによって現実的に考えられる現分析キーワードに対するワード長よりも長いものとして見なされた場合、音声区間に対応する正規化フレーム数をワード長として累積距離の正規化処理を行うと、出力されたキーワードのワード長が長いほどキーワードの正規化累積距離が小さくなる。この結果、正しいキーワードの正規化累積距離よりも小さい、発話に含まれないキーワードが結果として出力されることがある。特に、発話に含まれるキーワードモデルの状態数よりも少ない状態で構成されるキーワードモデルでマッチング処理を行った場合、キーワードそのものを表すある１つの状態に長い時間停留するという現象が多発する。この結果、同じ状態に長く停留した分、発話に含まれないキーワードに関する推定ワード長は、現実的に考えられるワード長よりも長く計算され、その判断に基いてキーワード区間に対応する正規化フレーム数が出力される。即ち、状態遷移を正しく検出できずワード長が非現実に長く推定される結果、正規化累積距離が小さくなり、この発話に含まれないキーワードが認識結果として出力されてしまうという問題点があった。
【００２７】
正規化累積距離を使った音声認識で誤った認識結果が出力され得るという現象の原因が、状態遷移が現実的でないほど継続していてもこれに対策しないで処理をしてきた点にあることに気づいて本発明はなされたものである。本発明の課題は、非現実的に長いパスが最適パスとして選択されたキーワードが認識結果として誤って出力されることのないワードスポッティング音声認識装置及びワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラムを提供することにある。
【００２８】
【課題を解決するための手段】
以下、本発明について説明する。なお、本発明の理解を容易にするために添付図面の参照符号を括弧書きにて付記するが、それにより本発明が図示の形態に限定されるものではない。
【００２９】
かかる課題を解決するために、請求項１に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等の特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等のキーワードモデル生成手段（７）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算する、ＣＰＵ等のキーワード類似度計算手段（１０，２０）と、状態遷移情報を出力しつつキーワード累積類似度を計算する、ＣＰＵ等のキーワード累積類似度計算手段（１２，２２）と、前記発話のワード長を計算する、ＣＰＵ等のワード長計算手段（１４，２４）と、前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める、ＣＰＵ等の累積類似度正規化手段（１５，２５）とを、有し、前記ワード長計算手段（１４，２４）は、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００３０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルを生成し、キーワード累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００３１】
かかる課題を解決するために、請求項２に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等の特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等のキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する、ＣＰＵ等の不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算する、ＣＰＵ等のキーワード類似度計算手段（１０，２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する、ＣＰＵ等の不要語類似度計算手段（１１，２１）と、状態遷移情報を出力しつつキーワード累積類似度を計算する、ＣＰＵ等のキーワード累積類似度計算手段（１２，２２）と、前記不要語モデルの不要語累積類似度を計算する、ＣＰＵ等の不要語累積類似度計算手段（１３，２３）と、前記発話のワード長を計算する、ＣＰＵ等のワード長計算手段（１４，２４）と、前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める、ＣＰＵ等の累積類似度正規化手段（１５，２５）とを、有し、前記ワード長計算手段（１４，２４）は、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００３２】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積類似度、不要語累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００３３】
かかる課題を解決するために、請求項３に記載の発明に係るワードスポッティング音声認識装置は、請求項１又は請求項２に記載のワードスポッティング音声認識装置において、特徴パラメータ生成手段（４）は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成することを特徴とする。
【００３４】
これにより、入力された発話から生成される特徴パラメータは音声区間から切り出されフレームに分割されて管理されることが可能となる。
【００３５】
かかる課題を解決するために、請求項４に記載の発明に係るワードスポッティング音声認識装置は、請求項２に記載のワードスポッティング音声認識装置において、累積類似度正規化手段（１５，２５）は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行うことを特徴とする。
【００３６】
これにより、キーワード累積類似度と不要語累積類似度の差をワード長で除することにより累積類似度の正規化処理を行うことが可能となる。
【００３７】
かかる課題を解決するために、請求項５に記載の発明に係るワードスポッティング音声認識装置は、請求項２又は請求項４に記載のワードスポッティング音声認識装置において、キーワード累積類似度計算手段（１２，２２）及び不要語累積類似度計算手段（１３，２３）は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算することを特徴とする。
【００３８】
これにより、キーワード累積類似度及び不要語累積類似度の計算がビタビ法を用いて行われる。
【００３９】
かかる課題を解決するために、請求項６に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等キーワードモデル生成手段（７）と、音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する、ＣＰＵ等不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算する、ＣＰＵ等キーワード距離計算手段（１０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する、ＣＰＵ等不要語距離計算手段（１１）と、状態遷移情報を出力しつつキーワード累積距離を計算する、ＣＰＵ等キーワード累積距離計算手段（１２）と、前記不要語モデルの不要語累積距離を計算する、ＣＰＵ等不要語累積距離計算手段（１３）と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ＣＰＵ等ワード長計算手段（１４）と、前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める、ＣＰＵ等累積距離正規化手段（１５）とを、有することを特徴とする。
【００４０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積距離、不要語累積距離を計算し、ワード長計算手段が出力するワード長を用いて累積距離の正規化処理を行うことが可能となる。
【００４１】
かかる課題を解決するために、請求項７に記載の発明に係るワードスポッティング音声認識装置は、入力された発話から発話の特徴パラメータを生成する、ＣＰＵ等の特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している、ＨＤ等の音響モデルデータベース（５）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成する、ＣＰＵ等のキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する、ＣＰＵ等の不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算する、ＣＰＵ等のキーワード尤度計算手段（２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する、ＣＰＵ等の不要語尤度計算手段（２１）と、状態遷移情報を出力しつつキーワード累積尤度を計算する、ＣＰＵ等のキーワード累積尤度計算手段（２２）と、前記不要語モデルの不要語累積尤度を計算する、ＣＰＵ等の不要語累積尤度計算手段（２３）と、前記状態遷移情報の入力に応じてワード長の加算を行う、ＣＰＵ等のワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ＣＰＵ等のワード長計算手段（２４）と、前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める、ＣＰＵ等の累積尤度正規化手段（２５）とを、有することを特徴とする。
【００４２】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積尤度、不要語累積尤度を計算し、ワード長計算手段が出力するワード長を用いて累積尤度の正規化処理を行うことが可能となる。
【００４３】
かかる課題を解決するために、請求項８に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算工程と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算工程と、前記発話のワード長を計算するワード長計算工程と、前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化工程とを、し、前記ワード長計算工程においては、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００４４】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルを生成し、キーワード累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００４５】
かかる課題を解決するために、請求項９に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算工程と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算工程と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算工程と、前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算工程と、前記発話のワード長を計算するワード長計算工程と、前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化工程とを、有し、前記ワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とする。
【００４６】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積類似度、不要語累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００４７】
かかる課題を解決するために、請求項１０に記載の発明に係るワードスポッティング音声認識方法は、請求項８又は請求項９に記載のワードスポッティング音声認識方法において、特徴パラメータ生成工程は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成することを特徴とする。
【００４８】
これにより、入力された発話から生成される特徴パラメータは音声区間から切り出されフレームに分割されて管理されることが可能となる。
【００４９】
かかる課題を解決するために、請求項１１に記載の発明に係るワードスポッティング音声認識方法は、請求項９に記載のワードスポッティング音声認識方法において、累積類似度正規化工程は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行うことを特徴とする。
【００５０】
これにより、キーワード累積類似度と不要語累積類似度の差をワード長で除することにより累積類似度の正規化処理を行うことが可能となる。
【００５１】
かかる課題を解決するために、請求項１２に記載の発明に係るワードスポッティング音声認識方法は、請求項９又は請求項１１に記載のワードスポッティング音声認識方法において、キーワード累積類似度計算工程及び不要語累積類似度計算工程は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算することを特徴とする。
【００５２】
これにより、キーワード累積類似度及び不要語累積類似度の計算がビタビ法を用いて行われる。
【００５３】
かかる課題を解決するために、請求項１３に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算工程と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算工程と、状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算工程と、前記不要語モデルの不要語累積距離を計算する不要語累積距離計算工程と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算工程と、前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化工程とを、有することを特徴とする。
【００５４】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積距離、不要語累積距離を計算し、ワード長計算手段が出力するワード長を用いて累積距離の正規化処理を行うことが可能となる。
【００５５】
かかる課題を解決するために、請求項１４に記載の発明に係るワードスポッティング音声認識方法は、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算工程と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算工程と、状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算工程と、前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算工程と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算工程と、前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化工程とを、有することを特徴とする。
【００５６】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積尤度、不要語累積尤度を計算し、ワード長計算手段が出力するワード長を用いて累積尤度の正規化処理を行うことが可能となる。
【００５７】
かかる課題を解決するために、請求項１５に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段（１０，２０）と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段（１２，２２）と、前記発話のワード長を計算するワード長計算手段（１４，２４）と、前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段（１５，２５）として、機能させ、前記ワード長計算手段（１４，２４）としての前記コンピュータを、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整するように機能させることを特徴とする。
【００５８】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルを生成し、キーワード累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００５９】
かかる課題を解決するために、請求項１６に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段（１０，２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算手段（１１，２１）と、状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段（１２，２２）と、前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算手段（１３，２３）と、前記発話のワード長を計算するワード長計算手段（１４，２４）と、前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段（１５，２５）として、機能させ、前記ワード長計算手段（１４，２４）としての前記コンピュータを、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整するように機能させることを特徴とする。
【００６０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積類似度、不要語累積類似度を計算し、ワード長計算手段が出力するワード長を用いて累積類似度の正規化処理を行うことが可能となる。
【００６１】
かかる課題を解決するために、請求項１７に記載の発明に係るワードスポッティング音声認識用プログラムは、請求項１５又は請求項１６に記載のワードスポッティング音声認識用プログラムにおいて、特徴パラメータ生成手段（４）は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成することを特徴とする。
【００６２】
これにより、入力された発話から生成される特徴パラメータは音声区間から切り出されフレームに分割されて管理されることが可能となる。
【００６３】
かかる課題を解決するために、請求項１８に記載の発明に係るワードスポッティング音声認識用プログラムは、請求項１６に記載のワードスポッティング音声認識用プログラムにおいて、累積類似度正規化手段（１５，２５）は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行うことを特徴とする。
【００６４】
これにより、キーワード累積類似度と不要語累積類似度の差をワード長で除することにより累積類似度の正規化処理を行うことが可能となる。
【００６５】
かかる課題を解決するために、請求項１９に記載の発明に係るワードスポッティング音声認識用プログラムは、請求項１６又は請求項１８に記載のワードスポッティング音声認識用プログラムにおいて、キーワード累積類似度計算手段（１２，２２）及び不要語累積類似度計算手段（１３，２３）は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算することを特徴とする。
【００６６】
これにより、キーワード累積類似度及び不要語累積類似度の計算がビタビ法を用いて行われる。
【００６７】
かかる課題を解決するために、請求項２０に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算手段（１０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算手段（１１）と、状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算手段（１２）と、前記不要語モデルの不要語累積距離を計算する不要語累積距離計算手段（１３）と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算手段（１４）と、前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化手段（１５）として、機能させることを特徴とする。
【００６８】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積距離、不要語累積距離を計算し、ワード長計算手段が出力するワード長を用いて累積距離の正規化処理を行うことが可能となる。
【００６９】
かかる課題を解決するために、請求項２１に記載の発明に係るワードスポッティング音声認識用プログラムは、ワードスポッティング音声認識装置に含まれるコンピュータを、入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段（４）と、音響モデルデータベース（５）が出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段（７）と、音響モデルデータベース（５）が出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段（９）と、前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算手段（２０）と、前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算手段（２１）と、状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算手段（２２）と、前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算手段（２３）と、前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算手段（２４）と、前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化手段（２５）として、機能させることを特徴とする。
【００７０】
これにより、入力された発話から特徴パラメータを生成し、キーワードモデルと不要語モデルを生成し、キーワード累積尤度、不要語累積尤度を計算し、ワード長計算手段が出力するワード長を用いて累積尤度の正規化処理を行うことが可能となる。
【００７１】
【発明の実施の形態】
（第１の実施の形態）
以下、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態について図面を用いて説明する。
【００７２】
図１は、本発明にかかるワードスポッティング音声認識装置の一実施例の構成概要を示すブロック図である。
【００７３】
この実施例では、類似度が距離として表現される場合を説明する。図１に示すように、本発明にかかるワードスポッティング音声認識装置は、マイク１、ＬＰＦ（Ｌｏｗ Ｐａｓｓ Ｆｉｌｔｅｒ）２、Ａ／Ｄ変換器３、特徴パラメータ生成手段としての特徴パラメータ生成部４、音響モデルデータベースとしての音響モデル記憶部５、キーワードデータベースとしてのキーワード記憶部６、キーワードモデル生成手段としてのキーワードモデル生成部７、不要語データベースとしての不要語記憶部８、不要語モデル生成手段としての不要語モデル生成部９、キーワード類似度計算手段、キーワード距離計算手段としてのキーワード距離計算部１０、不要語類似度計算手段、不要語距離計算手段としての不要語距離計算部１１、キーワード累積類似度計算手段、キーワード累積距離計算手段としてのキーワードビタビ計算部１２、不要語累積類似度計算手段、不要語累積距離計算手段としての不要語ビタビ計算部１３、ワード長計算手段としてのワード長計算部１４、累積類似度正規化手段、累積距離正規化手段としての累積距離正規化部１５、認識キーワード判定部１６、を含んで構成される。
【００７４】
入力された音声信号がマイク１で電気信号に変換され出力されると、ＬＰＦ２で電気信号としての音声信号のうち高周波数成分が除去され出力される。
【００７５】
出力されたアナログ信号である音声信号はＡ／Ｄ変換器３で所定のサンプリングレートでディジタル信号に変換して出力される。
【００７６】
特徴パラメータ生成部４は例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）で構成され、出力されたディジタル信号としての音声信号から音声区間を切り出し、切り出した音声区間を更にフレームに分割し、分割したフレームから入力音声の特徴パラメータを抽出し生成する。特徴パラメータは、例えば、線形予測係数やＬＰＣケプストラム、周波数帯毎のエネルギなどをベクトル量子化したものが一般的に使用される。
【００７７】
音響モデル記憶部５は例えばＨＤ（Ｈａｒｄ Ｄｉｓｋ）で構成され、音素又は音節であるサブワードの単位で音響モデルを記憶しており、読みデータが入力されると対応する音響モデルから特徴パラメータを生成し出力する。また、音響モデル記憶部５は遷移適合度も記憶している。
【００７８】
キーワード記憶部６は例えばＨＤで構成され、キーワードを読みデータの形式で記憶する。
【００７９】
キーワードモデル生成部７は例えばＣＰＵで構成され、キーワード記憶部６から出力されたキーワードを抽出する。抽出したキーワードの前後にワイルドカードモデルを接続してキーワードモデルを生成する。そして、キーワードモデルの読みデータに対応する音響モデルを音響モデル記憶部５から取り出し、キーワードモデルの特徴パラメータを生成する。
【００８０】
不要語記憶部８は例えばＨＤで構成され、不要語を読みデータの形式で記憶する。
【００８１】
不要語モデル生成部９は例えばＣＰＵで構成され、不要語記憶部８から出力された不要語を抽出し、その抽出した不要語から不要語モデルを生成する。そして、不要語モデルに対応する音響モデルを音響モデル記憶部５から取り出し、不要語モデルの特徴パラメータを生成する。
【００８２】
キーワード距離計算部１０は例えばＣＰＵで構成され、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの距離を計算し、出力する。
【００８３】
不要語距離計算部１１は例えばＣＰＵで構成され、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの距離を計算し、出力する。
【００８４】
キーワードビタビ計算部１２は例えばＣＰＵで構成され、状態遷移の有無を示す状態遷移情報を出力しつつキーワード累積距離を計算する。
【００８５】
不要語ビタビ計算部１３は例えばＣＰＵで構成され、不要語モデルの不要語累積距離を計算する。
【００８６】
ワード長計算部１４は例えばＣＰＵで構成され、キーワードビタビ計算部１２が出力する状態遷移情報を用いてワード長の計算を行い出力する。
【００８７】
累積距離正規化部１５は例えばＣＰＵで構成され、ワード長計算部１４から出力されるワード長を用いて、キーワード累積距離と不要語累積距離から正規化累積距離を計算し出力する。
【００８８】
認識キーワード判定部１６は例えばＣＰＵで構成され、累積距離正規化部１５から出力される正規化累積距離を用いて認識キーワードの判定を行う。
【００８９】
以上の構成を有するワードスポッティング音声認識装置の動作概要を図２を用いて以下に説明する。
【００９０】
図２は上記ワードスポッティング音声認識装置の動作概要を示すフローチャートである。
【００９１】
まず、ビタビ法を行うための初期設定工程（ＳＴＥＰ１）が行われる。
【００９２】
マイク１から入力された音声信号は、ＬＰＦ２及びＡ／Ｄ変換器３を介して、特徴パラメータ生成部４に入力され、音声信号から音声区間を切り出し、切り出した音声区間をフレーム単位で分割しフレームにする。そして、分割したフレームから入力音声の特徴パラメータを生成し出力する。
【００９３】
以上のような、初期設定工程（ＳＴＥＰ１）が終了すると、次に、キーワードモデル及び不要語モデル生成工程（ＳＴＥＰ２）が行われる。
【００９４】
キーワード記憶部６及び不要語記憶部８からキーワード及び不要語を抽出し、キーワードの方には前後にワイルドカードモデルを接続してキーワードモデル及び不要語モデルを生成する。このとき、キーワードモデル及び不要語モデルに接続するワイルドカードモデルは同一のものとしている。そして、キーワードモデル及び不要語モデルの読みデータに対応する音響モデルと遷移適合度とを音響モデル記憶部５から取り出し、キーワードモデル及び不要語モデルの特徴パラメータを生成する。
【００９５】
以上のような、キーワードモデル及び不要語モデル生成工程（ＳＴＥＰ２）が終了すると、次に、キーワード距離計算工程（ＳＴＥＰ３）及び不要語距離計算工程（ＳＴＥＰ６）が行われる。まず、キーワード距離計算工程（ＳＴＥＰ３）及びそれに続く工程（ＳＴＥＰ４、ＳＴＥＰ５）を説明する。
【００９６】
キーワード距離計算部１０において、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの距離を計算し、出力する。
【００９７】
具体的には、ＳＴＥＰ１において生成された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとをフレーム毎に比較し類似度である距離を算出し、結果を各時刻におけるその状態の状態距離Ｐとして状態距離テーブルＰ（ｔ，ｍ）に出力する。
【００９８】
以上のような、キーワード距離計算工程（ＳＴＥＰ３）が終了すると、次に、キーワードビタビ計算工程（ＳＴＥＰ４）が行われる。
【００９９】
キーワードビタビ計算部１２において、キーワード距離計算工程（ＳＴＥＰ３）において出力された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの状態距離Ｐを基にして、ビタビ法によってキーワード累積距離を計算する。このとき、フレーム遷移に併せて状態遷移の有無を示す状態遷移情報Ｉ（ｔ，ｍ）をキーワードビタビ計算部１２はワード長計算部１４に出力する。
【０１００】
以上のような、キーワードビタビ計算工程（ＳＴＥＰ４）と並行して、ワード長計算工程（ＳＴＥＰ５）が行われる。
【０１０１】
キーワードビタビ計算部１２から出力される状態遷移情報Ｉ（ｔ，ｍ）を用いて、ワード長計算部１４は、ワード長の計算を行い累積距離正規化部１５へ出力する。
【０１０２】
具体的には、ＳＴＥＰ４において出力される状態遷移情報Ｉ（ｔ，ｍ）から自己遷移が続くか否かを観察する。状態遷移情報の出力はフレーム遷移があったことであるから、状態遷移情報の出力にあわせてワード長の加算を行うが、連続して自身へ状態遷移をした回数（自己遷移回数）が予め設定した回数（自己遷移回数閾値）よりも大きくなった場合には、次の状態に移るまでフレーム遷移をしてもワード長加算を行わないことで、自己遷移が非現実的に続く場合のワード長加算を禁止する。
【０１０３】
言葉によって適切な自己遷移回数閾値が変化することが実験によって判っており、サンプリング周期その他によって変動する数値である。この適切な自己遷移回数閾値は、自然な話し方がキャンセルされないように設定される。
【０１０４】
以上で、ワード長計算工程（ＳＴＥＰ５）が終了する。
【０１０５】
次に、ＳＴＥＰ３〜ＳＴＥＰ５と平行して処理が進行する、不要語距離計算工程（ＳＴＥＰ６）及びそれに続く不要語ビタビ計算工程（ＳＴＥＰ７）を説明する。
【０１０６】
不要語距離計算部１１において、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの距離を計算し、出力する。不要語モデルと特徴パラメータとの距離の算出は、ＳＴＥＰ３において説明したキーワードモデルと特徴パラメータとの距離の算出と同様の方法による。
【０１０７】
以上のような、不要語距離計算工程（ＳＴＥＰ６）が終了すると、次に、不要語ビタビ計算工程（ＳＴＥＰ７）が行われる。
【０１０８】
不要語ビタビ計算部１３において、不要語距離計算工程（ＳＴＥＰ６）において出力された入力音声の特徴パラメータと不要語モデルの特徴パラメータとの距離を基にして、ビタビ法によって不要語累積距離を計算する。
【０１０９】
以上で、不要語ビタビ計算工程（ＳＴＥＰ７）が終了する。
【０１１０】
次に、ワード長正規化工程（ＳＴＥＰ８）を説明する。
【０１１１】
ワード長計算工程（ＳＴＥＰ５）と不要語ビタビ計算工程（ＳＴＥＰ７）の両方が終了すると、ワード長正規化工程（ＳＴＥＰ８）へと移行する。
【０１１２】
ＳＴＥＰ５とＳＴＥＰ７が終了し、キーワード累積距離と不要語累積距離が累積距離正規化部１５に入力されると、ワード長計算部１４から出力されるワード長を用いて、累積距離正規化部１５は、キーワード累積距離から不要語累積距離を差し引き、これをワード長で正規化して正規化累積距離を算出する。
【０１１３】
以上のような、ワード長正規化工程（ＳＴＥＰ８）が終了すると、出力された正規化累積距離を用いて、続く音声認識工程（ＳＴＥＰ９）において、音声認識が行われる。
【０１１４】
ここで、上記第１の実施の形態にかかるワード長制御を含むワード長計算部１４のワード長計算工程（ＳＴＥＰ５）の詳細フローチャートを図３に示す。なお、入力されるデータは遷移情報１、自己遷移カウンタＲ、ワード長カウンタＬ、分析フレーム番号ｎ、分析状態番号ｍである。
【０１１５】
ＳＴＥＰ２１では、分析フレーム番号ｎ、分析状態番号ｍにおける遷移情報Ｉ（ｎ，ｍ）が直前状態からの遷移であるかどうかを判定する。判定結果が真の場合（直前状態からの遷移である場合）はＳＴＥＰ２２に移行し、判定結果が偽の場合（自己遷移である場合）はＳＴＥＰ２３に移行する。
【０１１６】
ＳＴＥＰ２２では、判定結果が真の場合（直前状態からの遷移である場合）であるから、現分析状態から自己遷移のカウントが始まるため、自己遷移カウンタＲ（ｎ，ｍ）に０を代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ−１）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。
【０１１７】
ＳＴＥＰ２３では、判定結果が偽の場合（自己遷移である場合）であるから、直前フレーム番号からの自己遷移のカウントが継続するため、遷移元の自己遷移カウンタＲ（ｎ−１，ｍ）に１を加算し、分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）に代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。ＳＴＥＰ２４に移行する。
【０１１８】
ＳＴＥＰ２４では、現在分析している分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）が予め設定された閾値Ｔｈｒｅｓｈ以上となっているかどうかを判定する。判定結果が真の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ以上となった場合）は、ワード長カウンタＬ（ｎ，ｍ）への加算処理は行われない。判定結果が偽の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ未満となった場合）は、ＳＴＥＰ２５に処理を移す。
【０１１９】
ＳＴＥＰ２５は、分析状態ｍがキーワードを表しているかどうかを判定する。ＳＴＥＰ２５における判定結果が真の場合は、ＳＴＥＰ２６にて、現在分析している分析フレーム番号ｎ、分析状態番号ｍのＬ（ｎ，ｍ）に１を加算する。判定結果が偽の場合（ｍが不要語の状態を表している場合）は、ワード長Ｌ（ｎ，ｍ）に対する加算処理は行われない。
【０１２０】
以上のＳＴＥＰ２１〜２６によって求められたワード長、自己遷移カウンタをフレーム番号ｎかつ状態番号ｍ毎に格納し、最終フレームＮかつ最終状態Ｍにおけるワード長を、ワード長正規化処理へ出力する。
【０１２１】
この実施の形態では以下の効果を有する。
● ＳＴＥＰ２においてキーワードモデル及び不要語モデルに接続したワイルドカードモデルは同一のものであるから、ＳＴＥＰ８においてキーワード累積距離から不要語累積距離を差し引くことで、発話区間の初めと終わりに含まれる傾向にある不要語を排除して、キーワード自体の累積距離を抽出することができる。
● 発話に含まれない状態数の少ないキーワードモデルに発話パラメータをマッチングさせたときの最適パスが非現実的に長くなることによって、正解キーワードの正規化累積距離よりも誤りキーワードの正規化累積距離が小さくなるという現象を回避することができる。
● このワード長制御処理は、処理量がごくわずかであるため、ナビ等リソースが限られた音声認識装置にも容易に組み込みが可能である。
【０１２２】
（第２の実施の形態）
次に、本発明にかかるワードスポッティング音声認識装置の第２の実施の形態を図４を参照しつつ説明する。
【０１２３】
図４は上記ワードスポッティング音声認識装置の第２の実施の形態にかかる動作概要を示すフローチャートである。上記第１の実施の形態と同一部分は詳しい説明を省略する。
【０１２４】
上記第１の実施の形態では、ＳＴＥＰ５において、ワード長計算部１４は状態遷移情報Ｉ（ｔ，ｍ）を観察し、自己遷移回数が自己遷移回数閾値を越えた場合にはワード長加算を行わないが、第２の実施の形態では、ＳＴＥＰ５を行わず、ＳＴＥＰ４とＳＴＥＰ７が終了した段階でワード長の計算（ＳＴＥＰ１０）を行う。
【０１２５】
即ち、第２の実施の形態では、ＳＴＥＰ４とＳＴＥＰ７が終了した段階でワード長計算工程（ＳＴＥＰ１０）へ移行し、ＳＴＥＰ４にて記録されている状態遷移情報Ｉの中で自己遷移回数が自己遷移回数閾値を超えた回数を得る。そして、音声区間と判断された区間のフレーム数から上記自己遷移回数閾値を超えた回数を減じてワード長を算出する。
【０１２６】
ワード長計算工程（ＳＴＥＰ１０）が終了すると、ワード長正規化工程（ＳＴＥＰ１１）へと移行する。
【０１２７】
ワード長計算部１４から出力されるワード長を用いて、累積距離正規化部１５は、キーワード累積距離から不要語累積距離を差し引き、これをワード長で正規化して正規化累積距離を算出する。
【０１２８】
以上のような、ワード長正規化工程（ＳＴＥＰ１１）が終了すると、出力された正規化累積距離を用いて、続く音声認識工程（ＳＴＥＰ９）において、音声認識が行われる。
【０１２９】
ここで、上記第２の実施の形態にかかるワード長制御を含むワード長計算部１４のワード長計算工程（ＳＴＥＰ１０）の詳細フローチャートを図５に示す。
【０１３０】
まず、ワード長制御を行うための初期設定工程（ＳＴＥＰ３１）が行われる。具体的には、ワード長カウンタＷｏｒｄＬｅｎ、自己遷移カウンタＡＬｅｎ、過剰ワード長カウンタＯｖｅｒｐａｔｈは０に、分析フレーム番号ｎ、分析状態番号ｍはそれぞれの最大値にあたる切り出しフレーム長Ｎ、キーワードモデルの状態数Ｍに設定する。
【０１３１】
以上のような初期設定工程（ＳＴＥＰ３１）が終了すると、次に、ＳＴＥＰ３２〜４０に示されるようなバックトレースを使用したワード長計算に入る。
【０１３２】
まず、現在分析している状態がキーワードの状態を表しているかどうかを判定する（ＳＴＥＰ３２）。分析状態がキーワードの状態を表しているならば、ワード長カウンタＷｏｒｄＬｅｎを１だけ加算する（ＳＴＥＰ３３）。分析状態が不要語の状態である場合は、ＷｏｒｄＬｅｎの加算は行われない。
【０１３３】
次に分析フレーム番号ｎ、分析状態番号ｍにおける遷移情報Ｉ（ｎ，ｍ）が直前遷移のものか、自己遷移のものであるかを判別する（ＳＴＥＰ３４）。遷移情報Ｉ（ｎ，ｍ）が直前遷移を表している場合は（ＹＥＳ）、分析状態ｍを１だけ減じ、自己遷移カウンタＡＬｅｎを０に初期化する（ＳＴＥＰ３５）。
【０１３４】
遷移情報Ｉ（ｎ，ｍ）が自己遷移を表している場合は（ＮＯ）、自己遷移カウンタＡＬｅｎに１だけ加算し（ＳＴＥＰ３６）、自己遷移カウンタが予め設定した閾値Ｔｈｒｅｓｈ以上になっているかどうかを判別する（ＳＴＥＰ３７）。自己遷移カウンタが予め設定した閾値Ｔｈｒｅｓｈ以上になっている場合には、過剰ワード長カウンタＯｖｅｒｐａｔｈを１だけ加算する（ＳＴＥＰ３８）。自己遷移カウンタが予め設定した閾値Ｔｈｒｅｓｈ未満の場合はＯｖｅｒｐａｔｈへの加算は行われない。
【０１３５】
以上のように遷移情報に合わせた処理（ＳＴＥＰ３４〜ＳＴＥＰ３８）を行った後、分析フレーム番号ｎを１だけ減ずる（ＳＴＥＰ３９）。
【０１３６】
この後、分析フレーム番号が先頭フレームまで達したかどうかを判定し（ＳＴＥＰ４０）、分析フレームが先頭まで達した場合はワード長カウンタＷｏｒｄＬｅｎから過剰ワード長カウンタＯｖｅｒｐａｔｈを減じ（ＳＴＥＰ４１）、それをワード長計算の結果として出力する。
【０１３７】
まだ分析状態が先頭まで達していない場合は、その分析フレームが先頭に達するまで、以上示した同様の処理の流れＳＴＥＰ３２〜４０を繰り返す。
【０１３８】
この実施の形態では以下の効果を有する。
● バックトレースのために記録されている状態遷移情報Ｉを活用するので、ワード長算出の負担が軽減される。
【０１３９】
なお、第２の実施の形態は、上記に限定されるものではなく、例えば以下のように変形してもよい。
○ バックトレースのために記録されている状態遷移情報Ｉを活用して自己遷移回数が自己遷移回数閾値を超えた回数を得ているが、この方式に替えて、自己遷移回数が自己遷移回数閾値を超えた回数を別途記憶するようにしてもよい。この場合、何らかの理由で状態遷移情報Ｉを書き換える必要があるとき、自己遷移回数が自己遷移回数閾値を超えた回数を状態遷移情報Ｉとは別に求めていると、プログラムの融通性が確保される。
【０１４０】
（第３の実施の形態）
次に、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態を図面を用いて説明する。
【０１４１】
図６は、本発明にかかるワードスポッティング音声認識装置の一実施例の構成概要を示すブロック図である。上記第１の実施の形態と同一部分は同一符号を付して詳しい説明を省略する。
【０１４２】
上記第１の実施の形態では類似度が距離として表現される場合を説明したが、第３の実施の形態では、類似度を尤度（確率）としている点が第１の実施の形態と異なっており、その他の構成は上記第１の実施の形態と同じである。
【０１４３】
図６に示すように、本発明にかかるワードスポッティング音声認識装置は、キーワード類似度計算手段、キーワード尤度計算手段としてのキーワード尤度計算部２０、不要語類似度計算手段、不要語尤度計算手段としての不要語尤度計算部２１、キーワード累積類似度計算手段、キーワード累積尤度計算手段としてのキーワードビタビ計算部２２、不要語累積類似度計算手段、不要語累積尤度計算手段としての不要語ビタビ計算部２３、ワード長計算手段としてのワード長計算部２４、累積類似度正規化手段、累積尤度正規化手段としての累積尤度正規化部２５、を含んで構成される。
【０１４４】
キーワード尤度計算部２０は例えばＣＰＵで構成され、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの尤度を計算し、出力する。
【０１４５】
不要語尤度計算部２１は例えばＣＰＵで構成され、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの尤度を計算し、出力する。
【０１４６】
キーワードビタビ計算部２２は例えばＣＰＵで構成され、状態遷移の有無を示す状態遷移情報を出力しつつキーワード累積尤度を計算する。
【０１４７】
不要語ビタビ計算部２３は例えばＣＰＵで構成され、不要語モデルの不要語累積尤度を計算する。
【０１４８】
ワード長計算部２４は例えばＣＰＵで構成され、キーワードビタビ計算部２２が出力する状態遷移情報を用いてワード長の計算を行い出力する。
【０１４９】
累積尤度正規化部２５は例えばＣＰＵで構成され、ワード長計算部２４から出力されるワード長を用いて、キーワード累積尤度と不要語累積尤度から正規化累積尤度を計算し出力する。
【０１５０】
以上の構成を有するワードスポッティング音声認識装置の動作概要を図７を用いて以下に説明する。
【０１５１】
図７は上記ワードスポッティング音声認識装置の第３の実施の形態にかかる動作概要を示すフローチャートである。上記第１の実施の形態と同一部分は同一符号を付して詳しい説明を省略する。
【０１５２】
第１の実施の形態の場合と同じように、キーワードモデル及び不要語モデル生成工程（ＳＴＥＰ２）が終了すると、次に、キーワード尤度計算工程（ＳＴＥＰ１２）及び不要語尤度計算工程（ＳＴＥＰ１５）が行われる。まず、キーワード尤度計算工程（ＳＴＥＰ１２）及びそれに続く工程（ＳＴＥＰ１３、ＳＴＥＰ１４）を説明する。
【０１５３】
キーワード尤度計算部２０において、入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの尤度を計算し、出力する。
【０１５４】
具体的には、ＳＴＥＰ１において生成された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとをフレーム毎に比較し尤度を算出し、結果を各時刻におけるその状態の状態尤度として状態尤度テーブルに出力する。
【０１５５】
以上のような、キーワード尤度計算工程（ＳＴＥＰ１２）が終了すると、次に、キーワードビタビ計算工程（ＳＴＥＰ１３）が行われる。
【０１５６】
キーワードビタビ計算部２２において、キーワード尤度計算工程（ＳＴＥＰ１２）において出力された入力音声の特徴パラメータとキーワードモデルの特徴パラメータとの状態尤度を基にして、ビタビ法によってキーワード累積尤度を計算する。第３の実施の形態では、類似度を尤度として表現しているので、尤度が大きいほど類似度が高くなり、その結果、ビタビ法において状態ｉに遷移する２本の矢印のうち累積尤度の値の大きいほうが選択される。フレーム遷移に併せて状態遷移の有無を示す状態遷移情報をキーワードビタビ計算部２２はワード長計算部２４に出力する。
【０１５７】
以上のような、キーワードビタビ計算工程（ＳＴＥＰ１３）と並行して、ワード長計算工程（ＳＴＥＰ１４）が行われる。
【０１５８】
キーワードビタビ計算部２２から出力される状態遷移情報を用いて、ワード長計算部２４は、ワード長の計算を行い累積尤度正規化部２５へ出力する。
【０１５９】
具体的には、ＳＴＥＰ１３において出力される状態遷移情報から自己遷移が続くか否かを観察する。状態遷移情報の出力はフレーム遷移があったことであるから、状態遷移情報の出力に合わせてワード長の加算を行うが、自己遷移回数が自己遷移回数閾値よりも大きくなった場合には、次の状態に移るまで状態遷移情報の出力にあわせてワード長の加算を行う他に自己遷移回数閾値を超えた回数に応じた所定値をワード長に加算する。
【０１６０】
ここで、所定の値は、累積尤度をワード長で正規化するときに、自己遷移の状態が非現実的に続く影響を排除できるだけの大きさの値であり、学習によって定める。
【０１６１】
以上のような、ワード長計算工程（ＳＴＥＰ１４）が終了する。
【０１６２】
次に、ＳＴＥＰ１２〜ＳＴＥＰ１４と平行して処理が進行する、不要語尤度計算工程（ＳＴＥＰ１５）及びそれに続く不要語ビタビ計算工程（ＳＴＥＰ１６）を説明する。
【０１６３】
不要語尤度計算部２１において、入力音声の特徴パラメータと不要語モデルの特徴パラメータとの尤度を計算し、出力する。
【０１６４】
以上のような、不要語尤度計算工程（ＳＴＥＰ１５）が終了すると、次に、不要語ビタビ計算工程（ＳＴＥＰ１６）が行われる。
【０１６５】
不要語ビタビ計算部２３において、不要語尤度計算工程（ＳＴＥＰ１５）において出力された入力音声の特徴パラメータと不要語モデルの特徴パラメータとの尤度を基にして、ビタビ法によって不要語累積尤度を計算する。類似度を尤度として表現しているので、尤度が大きいほど類似度が高くなり、その結果、ビタビ法において状態ｉに遷移する２本の矢印のうち累積尤度の値の大きいほうが選択される。
【０１６６】
以上で、不要語ビタビ計算工程（ＳＴＥＰ１６）が終了する。
【０１６７】
次に、ワード長正規化工程（ＳＴＥＰ１７）を説明する。
【０１６８】
ワード長計算工程（ＳＴＥＰ１４）と不要語ビタビ計算工程（ＳＴＥＰ１６）の両方が終了すると、ワード長正規化工程（ＳＴＥＰ１７）へと移行する。
【０１６９】
ＳＴＥＰ１４とＳＴＥＰ１６が終了し、キーワード累積尤度と不要語累積尤度が累積尤度正規化部２５に入力されると、ワード長計算部２４から出力されるワード長を用いて、累積尤度正規化部２５は、キーワード累積尤度から不要語累積尤度を差し引き、これをワード長で正規化して正規化累積尤度を算出する。
【０１７０】
以上のような、ワード長正規化工程（ＳＴＥＰ１７）が終了すると、出力された正規化累積尤度を用いて、続く音声認識工程（ＳＴＥＰ９）において、音声認識が行われる。
【０１７１】
ここで、上記第３の実施の形態にかかるワード長制御を含むワード長計算部１４のワード長計算工程（ＳＴＥＰ１４）の詳細フローチャートを図８に示す。なお、入力されるデータは遷移情報１、自己遷移カウンタＲ、ワード長カウンタＬ、分析フレーム番号ｎ、分析状態番号ｍである。
【０１７２】
ＳＴＥＰ５１では、分析フレーム番号ｎ、分析状態番号ｍにおける遷移情報Ｉ（ｎ，ｍ）が直前状態からの遷移であるかどうかを判定する。判定結果が真の場合（直前状態からの遷移である場合）はＳＴＥＰ５２に移行し、判定結果が偽の場合（自己遷移である場合）はＳＴＥＰ５３に移行する。
【０１７３】
ＳＴＥＰ５２では、判定結果が真の場合（直前状態からの遷移である場合）であるから、現分析状態から自己遷移のカウントが始まるため、自己遷移カウンタＲ（ｎ，ｍ）に０を代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ−１）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。
【０１７４】
ＳＴＥＰ５３では、判定結果が偽の場合（自己遷移である場合）であるから、直前フレーム番号からの自己遷移のカウントが継続するため、遷移元の自己遷移カウンタＲ（ｎ−１，ｍ）に１を加算し、分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）に代入する。同時に、遷移元のワード長Ｌ（ｎ−１，ｍ）を現在分析している分析フレーム番号ｎ、分析状態番号ｍのワード長Ｌ（ｎ，ｍ）に格納する。ＳＴＥＰ５４に移行する。
【０１７５】
ＳＴＥＰ５４では、現在分析している分析フレーム番号ｎ、分析状態番号ｍの自己遷移カウンタＲ（ｎ，ｍ）が予め設定された閾値Ｔｈｒｅｓｈ以上となっているかどうかを判定する。判定結果が真の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ以上となった場合）は、ワード長カウンタＬ（ｎ，ｍ）に予め設定しておいた１を超える定数ｃｋを加算する（ＳＴＥＰ５７）。判定結果が偽の場合（自己遷移カウンタＲ（ｎ，ｍ）がＴｈｒｅｓｈ未満となった場合）は、ＳＴＥＰ５５に処理を移す。
【０１７６】
ＳＴＥＰ５５は、分析状態ｍがキーワードを表しているかどうかを判定する。ＳＴＥＰ５５における判定結果が真の場合は、ＳＴＥＰ５６にて、現在分析している分析フレーム番号ｎ、分析状態番号ｍのＬ（ｎ，ｍ）に１を加算する。判定結果が偽の場合（ｍが不要語の状態を表している場合）は、ワード長Ｌ（ｎ，ｍ）に予め設定しておいた１を超える定数ｃｋを加算する（ＳＴＥＰ５７）。
【０１７７】
以上のＳＴＥＰ５１〜５７によって求められたワード長、自己遷移カウンタをフレーム番号ｎかつ状態番号ｍ毎に格納し、最終フレームＮかつ最終状態Ｍにおけるワード長を、ワード長正規化処理へ出力する。
【０１７８】
なお、第３の実施の形態は、上記に限定されるものではなく、例えば以下のように変形してもよい。
○ 類似度を対数尤度としても良い。尤度を対数に換算するとき、累積尤度の計算を加減算で行うことができるので、計算処理を高速化できる。
○ 第２の実施の形態にあるように、ワード長計算手段は、自己遷移回数が自己遷移回数閾値を超えた回数を記憶しておき、分割したフレームの数から自己遷移回数閾値を超えた回数だけ所定値をワード長に加算してもよい。また、状態遷移情報を活用して自己遷移回数が自己遷移回数閾値を超えた回数を求めてもよい。ビタビ法の実行過程におけるワード長加算の計算負担が軽減される。
【０１７９】
（第４の実施の形態）
次に本発明にかかるワードスポッティング音声認識装置の第４の形態を図９を参照しつつ説明する。
【０１８０】
図９は上記ワードスポッティング音声認識装置の第４の実施の形態にかかる動作概要を示すフローチャートである。上記第１の実施の形態では、ビタビ処理とワード長計算とが終了した後に、ビタビ処理の最終的な出力結果とワード長計算部の最終的な出力結果を用いてワード長正規化が行われる。これに対して、第４の実施の形態は、ビタビ処理の状態遷移選択過程において、その時点での累積距離をその時点でのワード長で正規化し、この正規化された出力結果を用いて状態遷移選択を行う点で相違する。
【０１８１】
まず、ワード長制御を行うための初期設定工程（ＳＴＥＰ６１）が行われる。具体的には、ワード長テーブルＬと自己遷移カウンタのテーブルＲを０に初期化し、分析フレーム番号ｎと分析状態番号ｍを１に設定する。
【０１８２】
次にワード長計算を含めたビタビ処理の詳細処理に入る。分析フレーム数ｎが切り出し音声のフレーム数Ｎを超えたかどうかを判定する（ＳＴＥＰ６２）。分析フレームが終端まで進んでいない場合は、終端のビタビ処理が終了するまでＳＴＥＰ６３〜７２で示されるワード長計算を含んだビタビ処理が行われる。終端までビタビ処理が終了した場合は、ＳＴＥＰ７５で示される処理を行う。
【０１８３】
ＳＴＥＰ６３は、ＳＴＥＰ６２と同様にして、分析状態カウンタｍがキーワードモデルの最終状態まで到達したかどうかを判定する箇所である。分析状態が最終状態の箇所まで終了した場合は、フレームカウンタｎに１を加算し、状態カウンタｍを１に初期化した（ＳＴＥＰ７４）後にＳＴＥＰ６２へ戻る。分析状態が最終状態の箇所まで終了していない場合は、ＳＴＥＰ６４〜７２に示されるワード長計算を含む各状態に対するビタビ処理を行う。
【０１８４】
ＳＴＥＰ６４は、ビタビ処理の分析状態における累積距離の比較を行うための情報を生成する箇所である。Ｄａは分析フレームの直前かつ分析状態にあたる正規化累積距離を表し、Ｄｂは分析フレームの直前かつ分析状態の直前にあたる状態の正規化累積距離で表す。Ｄａ、Ｄｂは、分析フレームの直前かつ分析状態にあたる不要語累積距離Ｕ（ｎ−１）、およびワード長Ｌ（ｎ−１，ｍ）、Ｌ（ｎ−１，ｍ−１）を用いて計算される。具体的には、Ｄａは遷移元の累積距離であるＤ（ｎ−１，ｍ）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引き、遷移元のワード長にあたるＬ（ｎ−１，ｍ）を除した値が格納される。Ｌ（ｎ−１，ｍ）＝０の場合、Ｄａには遷移元の累積距離であるＤ（ｎ−１，ｍ）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引いた値が代入される。Ｄｂも同様に、遷移元の累積距離であるＤ（ｎ−１，ｍ−１）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引き、遷移元のワード長にあたるＬ（ｎ−１，ｍ−１）を除したものが格納される。Ｌ（ｎ−１，ｍ−１）＝０の場合、Ｄｂには遷移元の累積距離であるＤ（ｎ−１，ｍ−１）から直前フレームの不要語累積距離Ｕ（ｎ−１）を差し引いた値が代入される。
【０１８５】
ＳＴＥＰ６５は、ＳＴＥＰ６４によって得られたＤａ、Ｄｂの２値がＤａ≦Ｄｂに関して真であるかどうかを判定する箇所である。
【０１８６】
このＳＴＥＰ６５による判定結果が真の場合は、ＳＴＥＰ６６にて現分析フレームの直前かつ現分析状態そのものにあたる累積距離Ｄ（ｎ−１，ｍ）に現分析フレームかつ現分析状態にあたる距離値Ｐ（ｎ，ｍ）を加算して、これを現分析フレームかつ現分析状態の累積距離Ｄ（ｎ，ｍ）に代入する。また、自己遷移を表すため、自己遷移カウンタＲ（ｎ，ｍ）にはＲ（ｎ，ｍ−１）に１を加算したものを代入する。さらに、Ｄａ≦Ｄｂが真であるので、フレーム番号ｎ、状態番号ｍの遷移元がフレーム番号ｎ−１、状態ｍであることを表すため、ワード長変数であるＬｅｎｇｔｈにＬ（ｎ−１，ｍ）を代入する。
【０１８７】
ＳＴＥＰ６７において、自己遷移カウンタＲ（ｎ，ｍ）が予め設定した閾値Ｔｈｒｅｓｈ以下であるかどうかを判定する。このＳＴＥＰ６７の判定結果が真ならば、現分析状態ｍがキーワード区間であるかどうかを判定する（ＳＴＥＰ６９）。この判定結果が真の場合は、ワード長変数Ｌｅｎｇｔｈに１だけ加算を行う。ＳＴＥＰ６７における判定結果が偽の場合、もしくはＳＴＥＰ６９の判定結果が偽の場合はＳＴＥＰ７０で表されるＬｅｎｇｔｈの加算を行わず、ＳＴＥＰ７１の処理へ直行する。
【０１８８】
ＳＴＥＰ６５の判定結果が偽の場合はＳＴＥＰ６８において累積距離Ｄ（ｎ，ｍ）の計算、自己遷移カウンタＲ（ｎ，ｍ）の初期化、ワード長変数Ｌｅｎｇｔｈの計算をそれぞれ行う。ここで、ＳＴＥＰ６５の判定結果が偽の場合は、フレーム番号ｎ、状態番号ｍの遷移元がフレーム番号ｎ−１、状態ｍ−１であることを表す。つまり、遷移が直前状態からの遷移を表す。このことから、フレーム番号ｎ、状態番号ｍの累積距離Ｄ（ｎ，ｍ）は遷移元の累積距離Ｄ（ｎ−１，ｍ−１）に現分析状態にあたる距離値Ｐ（ｎ，ｍ）を加算したものが格納される。また、直前状態からの遷移であることから、自己遷移カウンタＲ（ｎ，ｍ）は０に初期化され、Ｌｅｎｇｔｈも遷移元のワード長にあたるＬ（ｎ−１，ｍ−１）が格納される。この後は、前述のＳＴＥＰ６７の判定結果が真の場合における処理と同様にＳＴＥＰ６９、ＳＴＥＰ７０が行われる。
【０１８９】
ＳＴＥＰ７１は、一時格納されていたＬｅｎｇｔｈをワード長カウンタＬ（ｎ，ｍ）に格納する箇所である。このＳＴＥＰ７１が行われた後、ＳＴＥＰ７２の状態カウンタｍを１だけ加算する処理を行う。
【０１９０】
このＳＴＥＰ７２の状態カウンタの加算が行われた後、ＳＴＥＰ６３の最終状態判定を行う処理へ戻る。
【０１９１】
これらＳＴＥＰ６２〜７４の処理が最終フレームまで終了したら、ＳＴＥＰ７５にて最終フレームかつ最終状態にあたる累積距離Ｄ（Ｎ，Ｍ）をワード長Ｌ（Ｎ，Ｍ）、不要語累積距離Ｕ（Ｎ）を用いて正規化処理を行い正規化累積距離Ｄ’（Ｎ，Ｍ）を得る。具体的には、ＳＴＥＰ７４に入る累積距離Ｄ（Ｎ，Ｍ）から不要語累積距離Ｕ（Ｎ）を差し引き、この差し引いた値をワード長Ｌ（Ｎ，Ｍ）で除算したものをＤ’（Ｎ，Ｍ）とする。このＤ’（Ｎ，Ｍ）を計算結果として出力する。
【０１９２】
本実施の形態の場合、ビタビ処理における各状態において、ワード長を反映させた累積距離を用いることが可能となるため、認識性能のさらなる向上が見込める。
【０１９３】
なお、上記に記載した第１から第４の実施の形態の他に、例えば以下のように変形してもよい。
○ 上記実施の形態ではマッチング処理の方法としてビタビ法を用いた場合を説明したが、これに限らず、ＤＰマッチングなどの手法を用いても良い。即ち、キーワードモデルと各フレームの特徴パラメータにおけるマッチング処理さえ適用されていれば、ビタビ法に限定されることなく、本発明を適用することは可能である。
○ 上記実施の形態では、ワード長正規化とワード長計算および不要語距離を別のブロックでそれぞれ計算を行っているが、これら３つの処理をフレーム単位で同期させることによって、ビタビ処理の各状態において累積距離を比較する箇所で正規化された累積距離を利用する手段も考えられる。この場合、ビタビ処理の遷移情報を正規化された累積距離を基に生成されるため、認識性能のさらなる向上が見込める。
○ 上記実施の形態では類似度がユークリッド距離として表現される場合を説明したが、これに限らず、マハラノビス距離やハミング距離を用いても良い。即ち、類似度の相違を数値の大きさの相違で表現できれば、ユークリッド距離に限定されることなく、本発明を適用することは可能である。
○ 上記第１の実施の形態では、キーワードモデルの累積距離の計算を行うキーワードモデル生成部７、キーワード距離計算部１０、キーワードビタビ計算部１２と、不要語モデルの計算を行う不要語モデル生成部９、不要語距離計算部１１、不要語ビタビ計算部１３とを別個独立した構成としている。上記第３の実施の形態では、キーワードモデルの累積尤度の計算を行うキーワードモデル生成部７、キーワード尤度計算部２０、キーワードビタビ計算部２２と、不要語モデルの計算を行う不要語モデル生成部９、不要語尤度計算部２１、不要語ビタビ計算部２３とを別個独立した構成としている。しかし、内部で行う処理はワード長計算を除いて同じであるので、同一の計算手段で時間分割をして実行する構成とすることもできる。この場合、音声認識装置の構成部品が少なくなるので、装置の製造原価を低くすることが可能になる。
【０１９４】
前記各実施の形態から把握できる請求項記載以外の技術思想（発明）について、以下にその効果とともに記載する。
■ 請求項２〜７、請求項９〜１４、１６〜２１のいずれかに記載の発明において、キーワード累積類似度及び不要語累積類似度を計算する計算手段は、ＤＰマッチングを用いたマッチング処理を行うようにしてもよい。即ち、音声認識に用いられるモデルが、キーワードの状態と不要語の状態とに区分けがされていれば、本発明を適用することは可能である。
■ 請求項６、１３、２０のいずれかに記載の発明において、ビタビ法による計算過程においては、ワード長計算手段は、自己遷移回数が自己遷移回数閾値を超えた回数を記憶しておき、累積距離をワード長で正規化する前に、分割したフレームの数から自己遷移回数閾値を超えた回数を減じてワード長を得るようにしてもよい。この場合、ビタビ法の実行過程におけるワード長加算の計算負担が軽減される。
■ 請求項７、１４、２１のいずれかに記載の発明において、ビタビ法による計算過程においては、ワード長計算手段は、自己遷移回数が自己遷移回数閾値を超えた回数を記憶しておき、累積尤度をワード長で正規化する前に、分割したフレームの数から自己遷移回数閾値を超えた回数に応じた所定値を加算するようにしてもよい。この場合、ビタビ法の実行過程におけるワード長加算の計算負担が軽減される。
【０１９５】
【発明の効果】
本発明に係るワードスポッティング音声認識装置によれば、ビタビ法によって求められた最適パスの中に、１つの状態に長く停留する部分が存在しても、自己遷移回数閾値以上ワード長としてカウントしないため、ワード長の正規化をすることで、誤ったキーワードが出力されるという現象を回避することができる。
【図面の簡単な説明】
【図１】図１は、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態の構成概要を示すブロック図である。
【図２】図２は、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態の動作概要を示すフローチャートである。
【図３】図３は、本発明にかかるワードスポッティング音声認識装置の第１の実施の形態におけるワード長計算工程（ＳＴＥＰ５）の詳細フローチャートである。
【図４】図４は、本発明にかかるワードスポッティング音声認識装置の第２の実施の形態にかかる動作概要を示すフローチャートである。
【図５】図５は、本発明にかかるワードスポッティング音声認識装置の第２の実施の形態にかかるワード長計算工程（ＳＴＥＰ１０）の詳細フローチャートである。
【図６】図６は、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態の構成概要を示すブロック図である。
【図７】図７は、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態にかかる動作概要を示すフローチャートである。
【図８】図８は、本発明にかかるワードスポッティング音声認識装置の第３の実施の形態にかかるワード長計算工程（ＳＴＥＰ１４）の詳細フローチャートである。
【図９】図９は、本発明にかかるワードスポッティング音声認識装置の第４の実施の形態にかかる動作概要を示すフローチャートである。
【図１０】図１０は、キーワードとその前後にワイルドカードモデルを接続したキーワードモデルλの構成図である。
【図１１】図１１は、累積距離をビタビ法によって計算する場合のトレリスである。
【図１２】図１２は、シンボル系列とキーワードモデルとの対応関係を示す図である。
【符号の説明】
１：マイク
２：ＬＰＦ（Ｌｏｗ Ｐａｓｓ Ｆｉｌｔｅｒ）
３：Ａ／Ｄ変換器
４：特徴パラメータ生成部
５：音響モデル記憶部
６：キーワード記憶部
７：キーワードモデル生成部
８：不要語記憶部
９：不要語モデル生成部
１０：キーワード距離計算部
１１：不要語距離計算部
１２：キーワードビタビ計算部
１３：不要語ビタビ計算部
１４：ワード長計算部
１５：累積距離正規化部
１６：認識キーワード判定部
２０：キーワード尤度計算部
２１：不要語尤度計算部
２２：キーワードビタビ計算部
２３：不要語ビタビ計算部
２４：ワード長計算部
２５：累積尤度正規化部
Claims (21)
- 累積類似度の正規化処理を行うワードスポッティング音声認識装置において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースと、
音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段と、
状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段と、
前記発話のワード長を計算するワード長計算手段と、
前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段とを、
有し、
前記ワード長計算手段は、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とするワードスポッティング音声認識装置。 - 累積類似度の正規化処理を行うワードスポッティング音声認識装置において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースと、
音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算手段と、
状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段と、
前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算手段と、
前記発話のワード長を計算するワード長計算手段と、
前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段とを、
有し、
前記ワード長計算手段は、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とするワードスポッティング音声認識装置。 - 請求項１又は請求項２に記載のワードスポッティング音声認識装置において、
特徴パラメータ生成手段は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成する
ことを特徴とするワードスポッティング音声認識装置。 - 請求項２に記載のワードスポッティング音声認識装置において、
累積類似度正規化手段は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行う
ことを特徴とするワードスポッティング音声認識装置。 - 請求項２又は請求項４に記載のワードスポッティング音声認識装置において、
キーワード累積類似度計算手段及び不要語累積類似度計算手段は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算する
ことを特徴とするワードスポッティング音声認識装置。 - 累積距離の正規化処理を行うワードスポッティング音声認識装置において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースと、
音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算手段と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算手段と、
状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算手段と、
前記不要語モデルの不要語累積距離を計算する不要語累積距離計算手段と、
前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算手段と、
前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化手段とを、
有することを特徴とするワードスポッティング音声認識装置。 - 累積尤度の正規化処理を行うワードスポッティング音声認識装置において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースと、
音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算手段と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算手段と、
状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算手段と、
前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算手段と、
前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算手段と、
前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化手段とを、
有することを特徴とするワードスポッティング音声認識装置。 - 累積類似度の正規化処理を行うワードスポッティング音声認識方法において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算工程と、
状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算工程と、
前記発話のワード長を計算するワード長計算工程と、
前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化工程とを、
有し、
前記ワード長計算工程においては、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とするワードスポッティング音声認識方法。 - 累積類似度の正規化処理を行うワードスポッティング音声認識方法において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算工程と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算工程と、
状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算工程と、
前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算工程と、
前記発話のワード長を計算するワード長計算工程と、
前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化工程とを、
有し、
前記ワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整することを特徴とするワードスポッティング音声認識方法。 - 請求項８又は請求項９に記載のワードスポッティング音声認識方法において、
特徴パラメータ生成工程は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成する
ことを特徴とするワードスポッティング音声認識方法。 - 請求項９に記載のワードスポッティング音声認識方法において、
累積類似度正規化工程は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行う
ことを特徴とするワードスポッティング音声認識方法。 - 請求項９又は請求項１１に記載のワードスポッティング音声認識方法において、
キーワード累積類似度計算工程及び不要語累積類似度計算工程は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算する
ことを特徴とするワードスポッティング音声認識方法。 - 累積距離の正規化処理を行うワードスポッティング音声認識方法において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算工程と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算工程と、
状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算工程と、
前記不要語モデルの不要語累積距離を計算する不要語累積距離計算工程と、
前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算工程と、
前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化工程とを、
有することを特徴とするワードスポッティング音声認識方法。 - 累積尤度の正規化処理を行うワードスポッティング音声認識方法において、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成工程と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成工程と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成工程と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算工程と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算工程と、
状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算工程と、
前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算工程と、
前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算工程において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算工程と、
前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化工程とを、
有することを特徴とするワードスポッティング音声認識方法。 - 累積類似度の正規化処理を行うワードスポッティング音声認識装置に含まれるコンピュータを、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段と、
状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段と、
前記発話のワード長を計算するワード長計算手段と、
前記キーワード累積類似度を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段として、
機能させ、
前記ワード長計算手段としての前記コンピュータを、連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整するように機能させることを特徴とするワードスポッティング音声認識用プログラム。 - 累積類似度の正規化処理を行うワードスポッティング音声認識装置に含まれるコンピュータを、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音声の特徴パラメータをサブワード単位で記憶している音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの類似度を計算するキーワード類似度計算手段と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの類似度を計算する不要語類似度計算手段と、
状態遷移情報を出力しつつキーワード累積類似度を計算するキーワード累積類似度計算手段と、
前記不要語モデルの不要語累積類似度を計算する不要語累積類似度計算手段と、
前記発話のワード長を計算するワード長計算手段と、
前記キーワード累積類似度と前記不要語累積類似度との差を前記ワード長で正規化し、正規化キーワード累積類似度を求める累積類似度正規化手段として、
機能させ、
前記ワード長計算手段としての前記コンピュータを、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定された値を超える場合には、調整を行わなかった前記キーワード長で前記正規化した場合よりも前記正規化キーワード累積類似度が低くなるように、当該値を超えて自身へ状態遷移をした回数に相当する分前記キーワード長を調整するように機能させることを特徴とするワードスポッティング音声認識用プログラム。 - 請求項１５又は請求項１６に記載のワードスポッティング音声認識用プログラムにおいて、
特徴パラメータ生成手段は、入力された発話から音声区間を切り出しフレームに分割し特徴パラメータを生成する
ことを特徴とするワードスポッティング音声認識用プログラム。 - 請求項１６に記載のワードスポッティング音声認識用プログラムにおいて、
累積類似度正規化手段は、前記キーワード累積類似度と前記不要語累積類似度の差を前記ワード長で除することにより累積類似度の正規化処理を行う
ことを特徴とするワードスポッティング音声認識用プログラム。 - 請求項１６又は請求項１８に記載のワードスポッティング音声認識用プログラムにおいて、
キーワード累積類似度計算手段及び不要語累積類似度計算手段は、ビタビ法を用いて、キーワード累積類似度及び不要語累積類似度を計算する
ことを特徴とするワードスポッティング音声認識用プログラム。 - 累積距離の正規化処理を行うワードスポッティング音声認識装置に含まれるコンピュータを、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの距離を計算するキーワード距離計算手段と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの距離を計算する不要語距離計算手段と、
状態遷移情報を出力しつつキーワード累積距離を計算するキーワード累積距離計算手段と、
前記不要語モデルの不要語累積距離を計算する不要語累積距離計算手段と、
前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長の加算を行わない、ワード長計算手段と、
前記キーワード累積距離と前記不要語累積距離との差を前記ワード長で正規化し、正規化キーワード累積距離を求める累積距離正規化手段として、
機能させることを特徴とするワードスポッティング音声認識用プログラム。 - 累積尤度の正規化処理を行うワードスポッティング音声認識装置に含まれるコンピュータを、
入力された発話から発話の特徴パラメータを生成する特徴パラメータ生成手段と、
音響モデルデータベースが出力する特徴パラメータから、予め設定されたキーワードの前後に不要語が接続されている語の音声的特徴を示すキーワードモデルを生成するキーワードモデル生成手段と、
音響モデルデータベースが出力する特徴パラメータから、前記不要語の音声的特徴を示す不要語モデルを生成する不要語モデル生成手段と、
前記発話の特徴パラメータと前記キーワードモデルの特徴パラメータとの尤度を計算するキーワード尤度計算手段と、
前記発話の特徴パラメータと前記不要語モデルの特徴パラメータとの尤度を計算する不要語尤度計算手段と、
状態遷移情報を出力しつつキーワード累積尤度を計算するキーワード累積尤度計算手段と、
前記不要語モデルの不要語累積尤度を計算する不要語累積尤度計算手段と、
前記状態遷移情報の入力に応じてワード長の加算を行うワード長計算手段において、前 記キーワードモデルにおいて連続して自身へ状態遷移をした回数が予め設定した値を超える場合には次の状態に移るまでワード長に１を超える所定値の加算を行う、ワード長計算手段と、
前記キーワード累積尤度と前記不要語累積尤度との差を前記ワード長で正規化し、正規化キーワード累積尤度を求める累積尤度正規化手段として、
機能させることを特徴とするワードスポッティング音声認識用プログラム。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002194236A JP4167014B2 (ja) | 2002-07-03 | 2002-07-03 | ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム |
| US10/461,511 US20040006470A1 (en) | 2002-07-03 | 2003-06-16 | Word-spotting apparatus, word-spotting method, and word-spotting program |
| EP03253913A EP1378885A3 (en) | 2002-07-03 | 2003-06-20 | Word-spotting apparatus, word-spotting method, and word-spotting program |
| CNA031453031A CN1471078A (zh) | 2002-07-03 | 2003-07-03 | 字识别设备、字识别方法和字识别程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002194236A JP4167014B2 (ja) | 2002-07-03 | 2002-07-03 | ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004037798A JP2004037798A (ja) | 2004-02-05 |
| JP4167014B2 true JP4167014B2 (ja) | 2008-10-15 |
Family
ID=31702977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002194236A Expired - Fee Related JP4167014B2 (ja) | 2002-07-03 | 2002-07-03 | ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4167014B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101154379B (zh) | 2006-09-27 | 2011-11-23 | 夏普株式会社 | 定位语音中的关键词的方法和设备以及语音识别系统 |
-
2002
- 2002-07-03 JP JP2002194236A patent/JP4167014B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2004037798A (ja) | 2004-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8019602B2 (en) | Automatic speech recognition learning using user corrections | |
| US20030200086A1 (en) | Speech recognition apparatus, speech recognition method, and computer-readable recording medium in which speech recognition program is recorded | |
| US20040006470A1 (en) | Word-spotting apparatus, word-spotting method, and word-spotting program | |
| US20140114663A1 (en) | Guided speaker adaptive speech synthesis system and method and computer program product | |
| WO2011070972A1 (ja) | 音声認識システム、音声認識方法および音声認識プログラム | |
| JP2005043666A (ja) | 音声認識装置 | |
| JPS62231997A (ja) | 音声認識システム及びその方法 | |
| EP1355295A2 (en) | Speech recognition apparatus, speech recognition method, and computer-readable recording medium in which speech recognition program is recorded | |
| JP6578049B2 (ja) | 学習データ生成装置及びそのプログラム | |
| JPH07334184A (ja) | 音響カテゴリ平均値計算装置及び適応化装置 | |
| Shaneh et al. | Voice command recognition system based on MFCC and VQ algorithms | |
| EP1376537A2 (en) | Apparatus, method, and computer-readable recording medium for recognition of keywords from spontaneous speech | |
| CN112489692B (zh) | 语音端点检测方法和装置 | |
| JP4225128B2 (ja) | 規則音声合成装置及び規則音声合成方法 | |
| JP6027754B2 (ja) | 適応化装置、音声認識装置、およびそのプログラム | |
| JP4847581B2 (ja) | 話者認識装置、音響モデル更新方法及び音響モデル更新処理プログラム | |
| JP4167014B2 (ja) | ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム | |
| JP5326546B2 (ja) | 音声合成辞書構築装置、音声合成辞書構築方法、及び、プログラム | |
| JP4213416B2 (ja) | ワードスポッティング音声認識装置、ワードスポッティング音声認識方法、ワードスポッティング音声認識用プログラム | |
| US20100305948A1 (en) | Phoneme Model for Speech Recognition | |
| JP5914119B2 (ja) | 音響モデル性能評価装置とその方法とプログラム | |
| JP4239479B2 (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 | |
| JP2001312293A (ja) | 音声認識方法およびその装置、並びにコンピュータ読み取り可能な記憶媒体 | |
| 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 | |
| JP3912089B2 (ja) | 音声認識方法および音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050623 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080311 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080507 |
|
| 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: 20080729 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080731 |
|
| 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: 20110808 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110808 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120808 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130808 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |