JP4354072B2

JP4354072B2 - 音声認識システムおよび方法

Info

Publication number: JP4354072B2
Application number: JP2000045353A
Authority: JP
Inventors: デイビット・エリック・シェバリエ; ヘンリー・エル・ケイゼッキ
Original assignee: Motorola Inc
Current assignee: Motorola Solutions Inc
Priority date: 1999-02-23
Filing date: 2000-02-23
Publication date: 2009-10-28
Anticipated expiration: 2020-02-23
Also published as: KR20000071367A; BR0001268A; BRPI0001268B1; JP2000242294A; MXPA00001875A; BRPI0001268B8; CN1264892A; GB0003269D0; US6275800B1; KR100321565B1; CN1171201C; DE10006930B4; GB2347252A; DE10006930A1; GB2347252B

Description

【０００１】
【産業上の利用分野】
本発明は、音声認識(voice recognition)に関する。
【０００２】
【従来の技術】
話者依存型の音声認識システムは、特徴抽出アルゴリズム(feature extraction algorithm)を利用して、入力音声のフレームに対して信号処理を実行し、各フレームを表す特徴ベクトル(feature vectors)を出力する。この処理は、フレーム・レートにて行われる。フレーム・レートは、一般に１０〜３０ｍｓの間であり、ここでは２０ｍｓの期間として例示する。非常に多くの異なる特徴は、音声認識システムにて用いられることが知られている。
【０００３】
概して、トレーニング・アルゴリズム(training algorithm)は、単語(word)または語句(phrase)の一つまたはそれ以上の発声(utterance)の標本化音声から抽出された特徴を利用して、この単語または語句のモデルのためのパラメータを生成する。このモデルは、モデル格納メモリに格納される。これらのモデルは、後で音声認識中に利用される。認識システムは、未知の発声の特徴を格納済みモデル・パラメータと比較して、最良一致(best match)を判定する。そして、最良一致モデルは、認識システムから結果として出力される。
【０００４】
この処理のために隠れマルコフ・モデル（ＨＭＭ：Hidden Markov Model)方式の認識システムを利用することが知られている。ＨＭＭ認識システムは、発声のフレームをＨＭＭの状態に割り当てる。最大の確率、すなわちスコアを生成するフレーム対状態の割り当ては、最良一致として選択される。
【０００５】
多くの音声認識システムは、有効な発声と無効な発声とを区別しない。むしろ、これらのシステムは、格納済みモデルのうち最も近い一致であるモデルを選択する。あるシステムは、無効な発声を検出・阻止しようとするアウト・オブ・ボキャブラリ阻止アルゴリズム(Out-of-Vocabulary rejection algorithm)を利用する。これは、ボキャブラリのダイナミックなサイズおよび未知の構成のため、小さなボキャブラリの話者依存型音声認識システムでは困難な問題である。これらのアルゴリズムは雑音の多い条件下では劣化し、そのため雑音の多い条件下における誤阻止の数が増加する。
【０００６】
実際には、アウト・オブ・ボキャブラリ阻止アルゴリズムは、無効な発声の適切な阻止によって測られる性能と、有効な発声の誤阻止とのバランスをとらなければならない。誤阻止レートは、利用者満足度の点で重要な役割を果たすことがあるが、これは、正しくない一致などの頻繁な誤阻止により不満が生じるためである。従って、アウト・オブ・ボキャブラリ阻止は、認識に対するユーザの期待を満たすバランスである。
【０００７】
【発明が解決しようとする課題】
そのため、雑音レベルに基づいて阻止閾値を算出することが知られている。例えば、第１音声フレームの検出前に、雑音レベルを測定することが知られている。閾値は、この測定から算出される。単語基準パターンと入力音声パターンとの間の差が阻止閾値よりも大きい場合、入力は阻止される。従って、このようなシステムは、任意の雑音入力レベルに依存する。このような測定は、有意義な阻止判定を行うのには信頼できない。
【０００８】
従って、音声認識システムにおいて発声を阻止するための基盤を提供する改善された方法が必要とされる。
【０００９】
【実施例】
本発明は、トレーニングおよび認識中に背景雑音レベル(background noise level)に依存する、可変阻止厳密度(variable rejection strictness)を有する。トレーニング中に、トレーニング発声から雑音特徴(noise features)が生成される。インクリメンタル雑音基準平均(incremental noise reference mean)は、この雑音特徴から更新される。統計はメモリに格納され、この統計は認識システムによって利用可能になる。雑音統計は、ハンドフリー・モードにおけるトレーニング中には更新されないが、これは背景雑音のレベルが高くなるためである。雑音統計がない場合、認識アルゴリズムはディフォルトで最小厳密度になる。
【００１０】
認識中では、入力雑音エネルギ特徴(input noise energy feature)は、基準雑音統計と比較され、雑音比(noise ratio)が算出される。そして、アウト・オブ・ボキャブラリ阻止アルゴリズムの厳密度は、この雑音比に基づいて選択される。本発明は、雑音が存在する場合に、有効発声の誤った阻止を防ぐのを助ける。
【００１１】
厳密度パラメータは、２レベル整合アルゴリズム(two level alignment algorithm)認識検索における単語エントランス・ペナルティ(word entrance penalty)である。最良経路の信頼度測定(confidence measurement)は、音声タグ・モデル(voice tag model)と並行して、ゼロ平均１状態ガーベッジ・モデル(zero mean one state garbage model)として実施される。
【００１２】
本発明が有利に採用される装置１００を図１に開示する。装置１００は、ここでは図示のために携帯無線電話として説明されるが、コンピュータ，パーソナル・デジタル・アシスタントまたは音声認識を有利に採用できる任意の他の装置や、特に、メモリ効率的な音声認識システムを活用できる装置でもよい。図示の無線電話は、アンテナ１０６に結合された送信機１０２および受信機１０４を含む。送信機１０２および受信機１０４は、呼処理機能を実行する呼処理装置(call processor)１０８に結合される。呼処理装置１０８は、デジタル信号プロセッサ（ＤＳＰ），マイクロプロセッサ，マイクロコントローラ，プログラマブル論理ユニット，上記の２つまたはそれ以上の組み合わせ、もしくは任意の他の適切なデジタル回路を利用して構築できる。
【００１３】
呼処理装置１０８は、メモリ１１０に結合される。メモリ１１０は、ＲＡＭ、ＥＥＰＲＯＭ(electronically erasable programmable read only memory)，ＲＯＭ，フラッシュＲＯＭなど、もしくはこれらの種類のメモリの２つまたはそれ以上の組み合わせを含む。メモリ１１０は、音声認識動作を含め、呼処理装置１０８の動作をサポートし、また状態遷移経路メモリ(state transition path memory)をサポートするために電子的に変更可能なメモリを含んでいなければならない。装置動作プログラムを格納するために、ＲＯＭを設けることができる。
【００１４】
音声回路１１２は、マイクロフォン１１４から呼処理装置１０８にデジタル化信号を与える。音声回路１１２は、呼処理装置１０８からのデジタル信号に応答してスピーカ１１６を駆動する。
【００１５】
呼処理装置１０８は、ディスプレイ・プロセッサ１２０に結合される。ディスプレイ・プロセッサは、装置１００のために追加のプロセッサ・サポートが望ましい場合にあってもよい。特に、ディスプレイ・プロセッサ１２０は、ディスプレイ制御信号をディスプレイ１２６に与え、キー１２４から入力を受ける。ディスプレイ・プロセッサ１２０は、マイクロプロセッサ，マイクロコントローラ，デジタル信号プロセッサ，プログラマブル論理ユニット，それらの組み合わせなどを利用して構築できる。メモリ１２２は、ディスプレイ・プロセッサ内のデジタル論理をサポートするためにディスプレイ・プロセッサに結合される。メモリ１２２は、ＲＡＭ，ＥＥＰＲＯＭ，ＲＯＭ、フラッシュＲＯＭなど、もしくはこれらの種類のメモリの２つまたはそれ以上の組み合わせを利用して構築できる。
【００１６】
図２を参照して、マイクロフォン１１４が受けた音声信号は、音声回路１１２のアナログ・デジタル・コンバータ２０２においてデジタル信号に変換される。当業者であれば、音声回路１１２は、濾波などの更なる信号処理を行うことが理解されるが、これらの処理は簡略にするために説明しない。呼処理装置１０８は、マイクロフォン１１４によって出力されたアナログ信号の処理されたデジタル信号表現に対して特徴抽出(feature extraction)２０４を実行し、ユーザ発声を表す特徴ベクトル(feature vectors)のセットを生成する。特徴ベクトルは、各短時間解析ウィンドウ(short time analysis window)について生成される。短時間解析ウィンドウとはフレームのことであり、このフレームは、本明細書に示す例では２０ｍｓである。従って、１フレーム毎に１つの特徴ベクトルがある。プロセッサ１０８は、音声認識２０６またはトレーニング２０７のためにこれらの特徴を利用する。
【００１７】
トレーニング時に、発声の特徴ベクトルは、ＨＭＭ形式のテンプレート(templates)を生成するために用いられ、これらのテンプレートはメモリ２０８に格納される。音声認識時に、入力発声を表す特徴ベクトルは、メモリ２０８に格納されたボキャブラリ単語のテンプレートと比較され、ユーザが何を言ったのかを判定する。本システムは、最良一致を出力しても，最良一致のセットを出力しても，あるいは、任意であるが、一致を出力しなくてもよい。メモリ２０８は、好ましくは、メモリ１１０（図１）の不揮発性メモリ部分であり、例えばＥＥＰＲＯＭまたはフラッシュＲＯＭでもよい。本明細書で用いられる「単語(words)」は、"John Doe"などの２つ以上の単語でもよく、あるいは"call"などのひとつの単語でもよい。
【００１８】
一般に、特徴抽出部(feature extractor)２０４は、入力音声のフレームに対して信号処理を実行し、フレーム・レートにて各フレームを表す特徴ベクトルを出力する。フレーム・レートは一般に１０〜３０ｍｓの間であるが、例えば、２０ｍｓの期間でもよい。トレーニング部(trainer)２０７は、単語または語句の一つまたはそれ以上の発声の標本化音声から抽出された特徴を利用して、この単語または語句のモデルのためのパラメータを生成する。次に、このモデルは、モデル格納不揮発性メモリ２０８に格納される。モデル・サイズは、特徴ベクトル長に直接依存し、そのため長い特徴ベクトルはそれだけ大きなメモリを必要とする。
【００１９】
次に、メモリ２０８に格納されたモデルは、認識２０６中に利用される。認識システムは、未知の発声の特徴と格納済みのモデル・パラメータとを比較して、最良一致を判定する。そして、最良一致モデルは認識システムから結果として出力される。
【００２０】
図３を参照して、音声認識を表す文法ネットワーク(grammar network)を示す。ノードＮ₁およびＮ₂は、弧(arc)Ａ₁〜Ａ_Nとガーベッジ・モデル(garbage model)の弧Ａ_GMとによって表されるＨＭＭモデルによって接続される。弧Ａ₁〜Ａ_Nは、音声認識システムにおいてトレーニングされ、かつメモリ２０８に格納された個別のＨＭＭモデルすべてを表す。ガーベッジ・モデル弧は、１状態ガーベッジ・モデル基準を表す。
【００２１】
ノードＮ₁は、１状態雑音モデルＡ₁ ^Noiseを含む。同様に、ノードＮ₂は、１状態雑音モデルＡ₂ ^Noiseを含む。認識システムは、認識アルゴリズムを利用して、弧Ａ₁〜Ａ_NおよびＡ_GMのうちの一つを最良一致として選択し、あるいは一致なしを識別する（すなわち、音声が検出されない場合）。Ａ_GMが最良弧である場合、入力は無効として阻止される。
【００２２】
ここで、図４を参照して、トレーニング・プロセスについて説明する。最初に、ステップ４０２に示すように、メイン・トレーニング２０７が実行され、メモリ２０８に格納すべき各発声、すなわち状態モデル(state model)Ａ₁〜Ａ_Nを導出する。ＨＭＭモデルを生成するために、多数の異なる方法が知られている。図４の図では、各弧は、状態スキップのない、左から右へのＨＭＭモデルであり、自己ループ(self loop)と単一ステップ遷移(single steps transitions)のみが許される。このようなモデルの導関数(derivative)についての簡単な説明を以下で行う。当業者であれば、弧は他の既知のモデルでもよく、他の既知の方法によってもよいことが理解されよう。
【００２３】
最初に、特徴抽出部２０４において、特徴が抽出される。特徴抽出部は、発声の各フレームについてケプストラム係数(cepstral coefficient)およびデルタ・ケプストラム係数(delta cepstral coefficient)を生成する。当業者であれば、ケプストラム特徴を算出し、その導関数を推定する多くの方法があり、これらの係数を導出するための任意の適切な手法を利用できることが理解されよう。フレームＦ₁〜Ｆ_N（図５）は、ウィンドウ中に生成され、各フレームは特徴からなる。フレームの一部は雑音を表し、この雑音から雑音エネルギ特徴が特徴抽出部によって生成される。残りのフレームは、音声信号の部分を表す。
【００２４】
図４に戻って、ステップ６０４において、トレーニング２０７中に、プロセッサ１０８は、ステップ６０４に示すように、各弧モデルについて雑音特徴を算出する。雑音測定は、捕捉ウィンドウ(capture window)の開始および終了時に生成される特徴ベクトルから行われる。特に、発声の開始期間および終了期間中に測定される特徴ベクトルの平均値を利用するのが望ましい。例えば、捕捉ウィンドウの最初の１６０ｍｓ、すなわちＳａｖｇｅ、および最後の１６０ｍｓ、すなわちＥａｖｇｅを利用できる。雑音特徴ベクトルが格納される開始期間および終了期間を含む捕捉ウィンドウを図５に示す。捕捉ウィンドウは、単語の最大期間を表す、例えば、２秒の長さでもよい。この捕捉ウィンドウは、入力発声の予定長さおよびこの実装のメモリ制限に応じて、固定長でも可変長でもよい。
【００２５】
プロセッサ１０８は、ステップ４０４において雑音特徴を導出すると、ステップ４０４において装置がハンドフリー・モードであるかどうか判定する。装置は、キーパッド・メニューを介してユーザによって起動されるハンドフリー・モードに装置があることを示す状態フラグを含んでもよく、あるいは装置１００がハンドフリー・キットに接続されるときに、スイッチを起動するメカニカル・コネクタを含んでもよい。
【００２６】
装置がハンドフリー・モードではない場合、プロセッサは、ステップ４１０に示すように、トレーニング中に（トレーニングは、各発声について独立して行われる）、ＳａｖｇｅおよびＥａｖｇｅのうちの最小値（すなわち、ｍｉｎ（Ｓａｖｇ，Ｅａｖｇ））である雑音特徴Ｘｎｚを算出する。入力音声の各フレームについて、エネルギ値はそのサンプルから算出できる。ＳａｖｇｅおよびＥａｖｇｅは、指示されたフレームからのエネルギ値の平均値である。この最小値は、移動雑音平均(running noise mean)を更新するために、各トレーニング発声毎に用いられる。この雑音平均は、次式を用いて反復的に更新される。
【００２７】
【数１】
Ｘｒｅｆ（ｋ）＝（（ｋ−２）＊Ｘｒｅｆ（ｋ−２）＋（Ｘｎｚ１＋Ｘｎｚ２））／ｋ
ここで、Ｘｒｅｆ（ｋ）はｋ番目の雑音特徴の基準値であり、Ｘｎｚ１は１番目のトレーニング発声のＳａｖｇｅおよびＥａｖｇｅの最小値から得た雑音特徴を表し、Ｘｎｚ２は２番目のトレーニング発声のＳａｖｇｅおよびＥａｖｇｅの最小値からの雑音特徴である。
【００２８】
更新された雑音平均および雑音平均更新のために用いられるトレーニング発声の数は、ステップ４１２に示すようにメモリ１１０に記録される。
【００２９】
ステップ４０６において、装置がステップ４０８に示すようにハンドフリー・モードであると判定された場合、ハンドフリー・フラグＨＦがステップ４０８に示すように設定される。フラグＨＦは、トレーニングがハンドフリー・モードである場合に、設定され、雑音モデルを更新せずに、ハンドフリー単語モデルの存在を示す。
【００３０】
トレーニング環境は比較的静かであることが想定される。これは、信号品質検査によって強制でき、この検査では、すべてのトレーニング発声が少なくとも１８ｄＢの信号対雑音比を有する必要がある。また、ユーザがＳａｖｇｅおよびＥａｖｇｅ測定時間中に喋らないことを保証するように検査を採用できる。
【００３１】
プロセッサ１０８による認識２０６の一般的な動作について、図６を参照して説明する。最初に、ステップ６０２に示すように、テスト発声について雑音特徴が算出され、このテスト発声は、システムが識別しようとする入力発声である。認識モードでは、発声ウィンドウの同じ最初の１６０ｍｓのＳａｖｇｅおよび最後の１６０ｍｓのＥａｖｇｅから、背景雑音測定が行われる。認識中の雑音測定はＸｒｅｃｏｇであり、ＳａｖｇｅおよびＥａｖｇｅの平均値に等しい。この値は、トレーニング・モード時に算出された基準雑音値と比較される。比較は、トレーニング背景雑音推定値に対する認識背景雑音推定値の比率を求めるために用いられる。当業者であれば、これらの値の他の相対的な比較も利用できることが理解されよう。
【００３２】
次に、プロセッサ１０８は、ステップ６０６において単語ペナルティ(word penalty)を算出する。この比率は、単語エントランス・ペナルティを算出するために用いられる。単語エントランス・ペナルティは、アウト・オブ・ボキャブラリ阻止の厳密度を制御する。一般に、高い雑音環境は、それだけ低い厳密度値を有する。単語エントランス・ペナルティは、ルックアップ・テーブルを利用して算出され、雑音インデクス比がメモリ・テーブルのアドレスであり、ペナルティが出力である。図８に示すような有利な１０個のペナルティ分布を利用でき、ここでは認識モードにおけるかなり雑音の多い環境（比率６〜９）は、トレーニング・モード雑音基準に近い認識モードを表す比率（比率０〜４）よりも、実質的に小さいペナルティを有する。例えば、次のように曲線を導出できる。
【００３３】
【数２】
ｘ＝Ｘｒｆ（ｋ）／Ｘｒｅｃｏｇ
ｆ（ｘ）＝１／（１＋２^1.5(x-5)）
範囲外インデクス比(out of range index ratios)は、ディフォルトで最小単語エントランス・ペナルティになり、これはゼロである。適用される実際のペナルティは、例えば、−２２０＊ｆ（ｘ）であるが、実際のスカラーは、組み合わされるスコアに対して望ましい比率を有するペナルティとなる任意の値でもよい。非線形的な関係を利用することは、雑音状態が良好なときに大きなペナルティを与え、また雑音状態が悪いときに小さなペナルティを与えることにより、ボキャブラリおよびアウト・オブ・ボキャブラリ認識における著しい改善を提供する。当業者であれば、単語エントランス・ペナルティの計算は、ルックアップ・テーブルを利用せずに、直接行うことができることが理解されよう。
【００３４】
認識は、ステップ６０８に示すように、メイン検索(main search)および並列ガーベッジ・モデル(parallel garbage model)に続く。認識システムの目標は、図３におけるノードＮ₁からＮ₂までの最も可能性の高い経路を見つけることである。ノードＮ₁およびＮ₂は、任意でガーベッジ・モデルＡ_GMを含む、Ｎ単語ボキャブラリのＨＭＭを表す経路Ａ₁〜Ａ_Nによって結合される。さらに、Ａ₁ ^NoiseおよびＡ₂ ^Noiseは雑音モデルを表し、ノードＮ₁およびノードＮ₂に関連する。ガーベッジ・モデルは、入力発声における非ボキャブラリ音声または単語を捕捉しようとする。これは、アウト・オブ・ボキャブラリ阻止アルゴリズムによってのみ用いられる１状態ゼロ値モデル(one state zero-valued model)である。雑音モデルよりも良好に雑音をモデリングすることを防ぐために、雑音として分類されたフレームのガーベッジ・モデル確率スコアに対して、ペナルティが適用される。
【００３５】
図３に示すような文法ネットワークの検索は、ビタビ・アルゴリズム(Viterbi algorithm)などの２レベル整合アルゴリズムによって行われる。この検索の最低レベルは、入力発声のフレームと、与えられた弧の状態との間の最良の整合および経路スコアを求める。発声のフレームを個別モデルの状態に適用するために用いられる手法の例は、本出願と同じ日付でJeffrey Arthur Meunierらの名義で出願された、同時係属出願である整理番号ＣＳ１０１０３号（日本出願番号２０００−３６１０５） "METHOD OF TRACKBACK MATRIX STORAGE IN SPEECH RECOGNITION SYSTEM"、および本出願と同じ日付でDaniel Poppertの名義で出願された、同時係属出願である整理番号ＣＳ１０１０４号（米国出願番号０９／２５６０３１） "METHOD OF SELECTIVELY ASSIGNING A PENALTY TO A PROBABILITY ASSOCIATED WITH A VOICE RECOGNITION SYSTEM"において開示されており、これらの開示は本明細書に参考として含まれる。低レベル整合アルゴリズムは、与えられたＨＭＭ弧を介して入力発声の最良経路のスコアを生成する。
【００３６】
フレームｍにおける弧Ａ_Nの状態ｉの累積確率(cumulative probability)である累積確率ｃ_I ^N（ｍ）を介して、各弧のスコア、すなわちＨＭＭが追跡されるところの低レベル整合アルゴリズムの他に、ノードＮ₁およびノードＮ₂は、自己の累積確率も追跡しなければならない。ノード累積確率Ｃ_J（ｍ）は、フレームｍにおけるノードＮ_Jの累積確率である。この確率は、ノードに対する最高のスコアを保持するという点で、各ＨＭＭの累積確率と同じように算出される。累積確率は、次のようにして算出できる。
【００３７】
【数３】
Ｃ_J（ｍ＋１）＝Ｍａｘ_n｛Ｃ^N _In（ｍ）＋Ｐｏ_In（ｄ_In）｝
ここで、Ａｊはノードｊで終端する弧｛Ａ₁，Ａ₂，．．．，Ａ_N｝のセットであり、Ｉｎは弧ｎにおける状態の数であり、ｄ_Inは弧ｎの最後の状態の期間であり、Ｐｏ₁（ｄ_In）は弧ｎの最後の状態の状態外遷移ペナルティ(out of state transition penalty)である。累積確率は、状態外確率Ｐｏ_In（ｄ_In）を有する最後の状態の累積確率Ｃ_In ^N（ｍ）の和のノードＮｊで終端するすべての弧における最大値である。
【００３８】
ノードについて累積確率を追跡する際に、各弧の初期状態について累積確率ｃ₁ ^N（ｍ）の計算は、ノードＮｊから初期状態への遷移を許すように修正しなければならない。ノードＮｊから弧Ａｎの初期状態への遷移に対して割り当てられる、単語エントランス・ペナルティと呼ばれるワンタイム遷移ペナルティがある。これは、雑音モデルにも、ガーベッジ・モデルにも適用されず、そのためイネーブルされると、アウト・オブ・ボキャブラリ阻止に対する厳密度制御として機能する。累積確率は次式のようにみなすことができる。
【００３９】
【数４】
Ｃ_I ^N（ｍ＋１）＝ｏ_I ^N（ｆ_M）＋ｍａｘ（Ｃ_J（ｍ）＋Ｗ（ｎ），Ｃ₁ ^N（ｍ）＋Ｐｓ₁（ｄ₁））
ただし、Ｗ（ｎ）＝｛ｇ（ｘ），ifn｛Ａ₁，Ａ₂，Ａ₃｝の場合
｛０，ifn｛Ａ₁，Ａ₂，Ａ_GM｝の場合
ここで、Ｗ（ｎ）は単語エントリ・ペナルティであり、Ａ_GMはガーベッジ弧であり、Ａ₁ ^Noiseはノード１の雑音弧であり、ｏ_I ^N（ｆ_M）は弧ｎの状態ｉにおける特徴ベクトルｆｍの観測ベクトル(observation vector)であり、Ｐｓ₁（ｄ₁）は弧ｎの状態１の同一状態遷移ペナルティである。この式は、同一状態遷移または開始ノードからの遷移のいずれかのうち最大を保持し、観測ベクトルに追加する。認識プロセスの最後に保持される情報は、ノードＮ₂に移動するために通った弧である。これは、累積確率Ｃ_I ^N（ｍ）およびＣ_J ^N（ｍ）とともに、伝播経路情報によって行われる。
【００４０】
有効な発声について、整合アルゴリズムを介した単語モデルの最良経路は、単語エントランス・ペナルティよりも大きな値の分だけ、ガーベッジ・モデルよりも良好なスコアを生成しなければならず、さもなけばら有効な発声は誤って阻止される。無効な発声について、ガーベッジ・モデルは、発声が正しく阻止されるように、適切な単語モデルのそれぞれを介した経路よりも大きくなければならない。
【００４１】
認識アルゴリズムは、例えば２秒相当のデータでもよい、収集された特徴ベクトルのウィンドウ全体を利用する。さらに、認識アルゴリズムは、図３のＡ₁ ^NoiseおよびＡ₂ ^Noiseにおいて用いられる１状態雑音モデルを更新するため、各フレームについて音声／雑音分類ビット(speech/noise classification bit)を利用する。
【００４２】
認識モードでは、プロセッサ１０８は、ステップ７０２に示すように、雑音更新フラグを１に設定し、フレーム・カウントを０に設定することによって認識を初期化する。ステップ７０４において、フレーム・カウントはインクリメントされる。次に、プロセッサは、ステップ７０６において雑音フラグが設定されているかどうか判定する。設定されていない場合、プロセッサは判定７１６に進む。フラグが設定されている場合、プロセッサ１０８は、ステップ７０８において雑音モデルがイネーブルのままでよいかどうか判定する。イネーブルのままでよくない場合、ステップ７１４において雑音更新フラグは０に設定される。所定の数の更新が行われた後、雑音モデリングはオフされる。
【００４３】
雑音モデリングをさらに実行する場合、プロセッサは、ステップ７１０において雑音モデルを更新すべきかどうか判定する。プロセッサがフレームの雑音モデルを更新する場合、このモデルはステップ７１２において更新される。雑音モデルＡ₁ ^NoiseおよびＡ₂ ^Noiseは、特徴抽出アルゴリズムによって送入される音声／雑音分類ビットを利用して、システムによってダイナミックに算出される。現フレームの雑音モデルを更新するかどうかの判定の詳細は、特徴抽出アルゴリズムによって実施される音声分類を調べることによって行われる。発声について所定の数の連続した音声フレームを調べたら、それ以上更新は行われない。例えば、この制限は３フレームでもよい。雑音モデルは、特定のフレームの音声対雑音分類が雑音フレームであることを示す場合に、この特定のフレームについてのみ更新される。
【００４４】
次に、プロセッサは、ステップ７１６においてフレーム・カウントがフレームの閾値数よりも小さいかどうか判定する。所定の数のフレームが処理されるまで、確率推定は開始されない。これは、雑音モデルに基づく確率が計算される前に、雑音モデルを若干正確にすることを可能にする。閾値数のフレームが受信されなければ、プロセッサはステップ７０４に戻り、ここでフレーム・カウントは１だけインクリメントされる。
【００４５】
フレーム・カウントが閾値を超える場合、プロセッサ１０８は、ステップ７１８においてこのフレームのノードおよび弧の累積確率を算出する。ステップ７２０において、確率スコアは正規化される。正規化(normalization)は、最大の累積確率をすべての他の累積確率から引くことによって得られる。また、累積正規化率(cumulative normalization factor)は、非正規化スコアを認識プロセスの最後で戻すことができるように追跡される。
【００４６】
次に、プロセッサは、ステップ７２２において最後のフレームを処理したかどうかを判定する。処理していない場合、プロセッサはステップ７０４に戻って、フレーム・カウントをインクリメントする。処理した場合には、ステップ７２４に示すように、認識結果は正規化スコアとともに出力される。
【００４７】
雑音モデルは、１状態モデルである。この状態のベクトル平均は、μ₁ ^Noise（ｍ）であり、これはダイナミックに算出され、かつ次のようにフレームｍ＋１において新たな特徴ベクトルｆ_M+1で更新されるので、ｍの関数である。
【００４８】
【数５】
μ₁ ^Noise（ｍ）＝（（Ｍ_Noise（ｍ）＊μ₁）＋ｆ_M+1）／（Ｍ_Noise（ｍ）＋１）
ここで、Ｍ_Noise（ｍ）は、μ₁ ^Noise（ｍ）の計算で用いられた雑音フレームの数であり、これは雑音更新においてすべてのフレームが利用されるわけではないので、ｍの値とは異なることがある。さらに、この更新式は、雑音モデルのケプストラム要素についてのみ用いられる。デルタ・ケプストラムおよびデルタ・エネルギ要素は、０に固定される。
【００４９】
以上、トレーニングおよび認識時の背景雑音レベルに応じて、可変的な阻止厳密度を与える改善されたシステムについて開示した。このシステムは、無効な発声を格納済み音声モデルと関連付けることを防ぐのを助け、有効な発声の正確な検出を改善するのを助ける。
【００５０】
本発明について上記の説明および図面で図説してきたが、この説明は一例に過ぎず、発明の真の精神および範囲から逸脱せずに、多くの変更および修正が当業者によって可能なことが理解される。本発明はセルラ無線電話などの携帯ワイヤレス装置において特に利用されるが、本発明は、ページャ，電子手帳，コンピュータおよび電話機器など、音声認識を採用する任意の装置にも適用できる。本発明は、特許請求の範囲によってのみ制限されるものとする。
【図面の簡単な説明】
【図１】ワイヤレス通信装置を示す、ブロック図形式の回路図である。
【図２】図１による装置における音声認識システムを示す、ブロック図形式の回路図である。
【図３】２つのノードを有する文法ネットワークの図である。
【図４】トレーニングを示すフローチャートである。
【図５】ウィンドウと、それに対応するフレームを示す。
【図６】認識を示す高度なフレーチャートである。
【図７】認識中のトレーニングを示すフローチャートである。
【図８】ペナルティ関数を示す。
【符号の説明】
１００装置
１０２送信機
１０４受信機
１０６アンテナ
１０８呼処理装置
１１０メモリ
１１２音声回路
１１４マイクロフォン
１１６スピーカ
１２０ディスプレイ・プロセッサ
１２２メモリ
１２４キー
１２６ディスプレイ
２０２アナログ・デジタル・コンバータ
２０４特徴抽出部
２０６音声認識
２０７トレーニング部
２０８メモリ

Claims

音声認識システムを動作する方法であって：
トレーニング中に測定される少なくとも一つの背景雑音レベルと、認識動作モード中に行われる入力発声の際に行われる雑音信号測定との関数として、可変阻止厳密度(variable rejection strictness)を生成する段階；および
前記可変阻止厳密度の関数として、単語エントランス・ペナルティを導出する段階；
によって構成されることを特徴とする方法。
可変阻止厳密度を生成する前記段階は、モデルのトレーニング発声の少なくとも一部において雑音を測定する段階を含むことを特徴とする請求項１記載の方法。
トレーニング発声から雑音特徴を選択的に更新する段階をさらに含んで構成されることを特徴とする請求項１記載の方法。
雑音統計が認識アルゴリズムで利用できるように、モデルとともにトレーニング中に雑音統計を格納する段階をさらに含んで構成されることを特徴とする請求項１記載の方法。
ハンドフリー・モードでトレーニングする場合には、雑音統計は更新されないことを特徴とする請求項３記載の方法。
信号対雑音比を生成する段階をさらに含んで構成され、前記信号対雑音比が所定のレベルよりも低い場合には、トレーニングは禁止されることを特徴とする請求項３記載の方法。
認識中に、発声について雑音統計がない場合、認識アルゴリズムは、整合アルゴリズムを前記発声に適用する際に、ディフォルトで最小厳密度条件になることを特徴とする請求項１記載の方法。
認識中に、入力雑音エネルギ特徴が基準雑音統計と比較され、雑音比が算出されることを特徴とする請求項１記載の方法。
アウト・オブ・ボキャブラリ阻止アルゴリズムの厳密度は、前記雑音比に基づいて選択されることを特徴とする請求項８記載の方法。
最良経路の信頼度測定は、音声タグ・モデル(voice tag model)と並行して、ゼロ平均１状態ガーベッジ・モデル(zero mean one state garbage model)を利用して実施されることを特徴とする請求項１記載の方法。