JP4445371B2 - 認識語彙の登録装置と音声認識装置および方法 - Google Patents

Description

本発明は、ＰＤＡ（Personal Digital Assistance：携帯情報端末）や携帯電話などの携帯端末において、不特定の使用者の単語認識における音声認識辞書の登録装置、それを使用した音声認識装置および方法に関する。

不特定の使用者（話者対応）の単語認識においては、認識させたい語彙を音声認識辞書に登録する。一般的に、その登録方法は、平仮名、或いはローマ字表記で行う。登録の方法によっては、語彙の認識率に大きな影響を与える。このため、音声認識辞書の登録は、音声認識の知識のある技術者が行うことで、語彙の認識率の向上を図っている。

一例として、“英語”という語彙を認識させたい場合、音声認識辞書には、「えいご」と登録するが、これだけでは認識率は高くならない。不特定の人間が発話する場合、その発話した語彙には、個人差があり、「英語」と発話しても、実際は「えいご」や「ええご」、「えーご」となっていることがある。このため、前記技術者は、音声認識辞書に、「えいご」、「ええご」、「えーご」などを登録し、認識率の向上を図っている。

しかし、この登録作業は、前記技術者でも手作業で実施している。認識語彙が多くなることにより、この登録工数がかなりの量となる。このため、音声認識辞書の登録には様々な方法が考えられている。

例えば、〔特許文献１〕では、語彙（単語）に対して複数の読み方に展開することにより、登録作業を実施していない読み方も登録できることが示されている。

公開特許公報「特開２０００−４７６８４」

しかし、〔特許文献１〕で示されている方法では、考えられる全てのパターンを登録すると、実際に不必要な読み方も登録される恐れがある。また、登録パターンが増えることで、認識の応答が遅くなることも考えられ、音声認識辞書の容量も大きくなることもある。これは、ＰＤＡや携帯電話などの携帯端末の限られた資源（例えば性能，記憶媒体の容量）においては、適用が不可能な場合が発生する。

本発明は、上記の問題を解決するため、認識させたい語彙の登録において、派生した読み方を少なくすることができ、前記携帯端末などでも、十分に認識精度を向上させることのできる装置および方法を提供することを目的とする。

本発明の特徴とするところは、使用者が認識させたい語彙を入力して、その語彙の第一音と付加的に第二音とを抽出し、予め登録しておいた（前記技術者が決定した）変換表をもとに、認識させる語彙の第一音、或いは付加的に第二音を変換して、その語彙の派生語彙を求め、入力した認識させたい語彙とその語彙の派生語彙を音声認識辞書に登録するものである。第一音を重視するのは、人間の発話において、入力される語彙の第一音が一番不安定の傾向があると考えるためである。

本発明は、認識語彙を入力する認識語彙入力手段と、入力された認識語彙を記憶する認識語彙記憶手段と、記憶された認識語彙と該認識語彙の派生語彙とを一群として登録する認識辞書登録手段と、を備えた認識語彙の登録装置において、
認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合に第一音を段音に従って、母音のいずれかの音に変換した第１の派生音となし、かつ第一音の削除を行った第２の派生音となす第１の変換パターン、および第一音が清音，濁音および半濁音のいずれかである場合に第一音を拗音に変換した第３の派生音となす第２の変換パターンを記憶する認識語彙派生パターン記憶手段を有し、
前記認識辞書登録手段は、前記認識語彙記憶手段に記憶された認識語彙を取り込み、該認識語彙について前記認識語彙派生パターン記憶手段にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成する認識語彙の登録装置を提供する。

本発明は、予め登録された（前記技術者が決定した）変換表をもとに、認識させる語彙の第一音、或いは付加的に第二音を変換して、その派生語彙を求め、入力した認識させたい語彙とその語彙の派生語彙を音声認識辞書に登録することで、派生語彙の音声認識辞書登録を少ないものに留めており、前記携帯端末など資源に制限のある機器でも、認識精度を向上させた音声認識辞書を適用できる。また、音声認識の知識のない使用者でも認識率の高い音声認識辞書の構築が可能となる。

本発明の実施例は、認識語彙を入力する認識語彙入力手段と、入力された認識語彙を記憶する認識語彙記憶手段と、記憶された認識語彙と該認識語彙の派生語彙とを一群として登録する認識辞書登録手段と、音声入力部から入力された音声を解析し、前記認識辞書登録手段で登録された語彙に該当するかを判断する発生音解析手段と、該発生音解析手段で解析した結果を言語音声化処理を行って認識結果出力部に出力する言語音声化処理手段とを備えた音声認識装置および音声認識方法において、
認識語彙パターン記憶手段に認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合に第一音を段音に従って、母音のいずれかの音に変換した第１の派生音となし、かつ第一音の削除を行った第２の派生音となす第１の変換パターン、および第一音が清音，濁音および半濁音のいずれかである場合に第一音を拗音に変換した第３の派生音となす第２の変換パターンを記憶させ、
前記認識辞書登録手段によって、前記認識語彙記憶手段に記憶された認識語彙を取り込み、該認識語彙について前記認識語彙派生パターン記憶手段にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成し、
前記発生音解析手段によって解析した音声を前記認識辞登録手段に登録された語彙に該当するかを判断し、前記言語音声処理手段によって、言語音声化処理を行って前記認識結果出力部に一群の派生語彙生成の基礎となった前記認識語彙を音声信号として出力する音声認識装置および方法を構成する。

前記認識語彙派生パターン記憶手段は、清音についての清音である拗音を、そして濁音もしくは半濁音である場合には濁音もしくは半濁音の拗音に変換する第２の変換パターンを記憶しており、前記認識辞書登録手段は、第一音が清音か濁音もしくは半濁音であるかを判別し、音声である場合には清音の、そして濁音もしくは半濁音である場合には濁音もしくは半濁音の拗音に変換して派生語彙を生成する。

前記認識語彙派生パターン記憶手段は、第二音が長音である場合に第二音について母音の長音化もしくは第一音の延長化を行う第３の変換パターンを記憶しており、前記認識辞書登録手段は、前記認識語彙から第一音と第二音とを合わせて取り出し、第二音が長音である場合に第二音について取り入れた第３の変換パターンに従って当該認識語彙について派生語彙を生成する。

本発明の一実施例について、図１を用いて説明する。

図１において、音声認識装置１は、ＰＤＡや携帯電話などの携帯端末を始めとする小型コンピュータ機器で構成される。

音声認識装置１は、内部に認識語彙の登録装置１０を備える。この認識語彙の登録装置１０は、認識語彙に入力する認識語彙入力部（手段）１１と、入力された認識語彙を記憶する認識語彙記憶部（手段）１２と、記憶された認識語彙と認識語彙の派生語彙とを一群として登録する認識辞書登録部（手段）１４と、認識語彙派生パターン記憶部（手段）１３を備える。

そして、音声認識装置１は、上述の登録装置１０に接続された認識辞書登録部１４に登録された一群の派生語彙を一つの音声として認識し、登録する音声認識辞書部（手段）１５と、音声入力部（マイク）２から入力された音声を解析する発生音解析部（手段）１８と、この発生音解析部１８で解析した音声を音声認識語彙辞書部１４に登録された語彙に該当するかを判断して言語音声化処理を行って認識結果表示部１６に画面として出力し、認識結果出力部（スピーカー）３に音声として出力する言語音声化処理部（手段）１７とを備える。

音声認識装置１を構成する認識語彙入力部１１には、音声認識を行いたい語彙（単語）とその読み方（平仮名）を対で入力することができる入力画面が適用される。この入力は、前記携帯端末の文字入力キー或いは文字入力ボタンを使用する。一度に複数の語彙とその読み方を入力することを可能としている。

認識語彙入力部１１で入力された認識語彙とその読み方は、認識語彙記憶部１２に一時的に格納される。

認識語彙派生パターン記憶部１３には、認識語彙の読み方の第一音および第二音を変換する変換表が格納されている。この変換表は、音声認識の知識のある技術者により、コンピュータで作成され、通信やメモリーカード等の媒体により入力される。

認識辞書登録部１４は、認識語彙一次記憶部１２に格納されている読み方と認識語彙派生パターン記憶部１３に格納されている変換表を基に、認識語彙の派生パターンを作成し、音声認識辞書部１５をメンテナンスする。

これにより、マイク等の音声入力部２から音声が入力され、発生音解析部１８で音声認識辞書部１５を基に入力音声を判定し、認識結果を言語音声化処理部１７で音声化し、スピーカー等の認識結果出力部３から音声で出力する。更に、その認識結果を認識結果表示部１６で表示することを行う。

図１では、音声入力部２，認識結果出力部３および認識結果表示部１６を音声認識装置１の枠外に表示しているが枠内に入れて音声認識装置１の一部としてもよい。

図２は、本発明の実施例で扱う文字の分類表（一覧表）を示している。文字は、“清音”，“濁音”，“半濁音”，“拗音”に分けられている。

図２には、各段、すなわちあ段，い段，う段，え段およびお段を縦方向に取り、各行、すなわちあ行−わ行を横方向に、そして清音，濁音および半濁音を横方向に取った分類表が示されている。あ行は母音を示し、他行は子音を示す。

この分類の各段（あ段−お段）に対応して２つの拗音を示す分類が表示されている。

図３，図５は、認識語彙パターン記憶部３に格納する変換表を示している。

図３は、変換表Ａを示し、認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合の派生語彙に変換するための変換パターンＡを示し、Case１およびCase２に従って、２つの変換（置換）文字に変換されることを示す。また、その中でも第一音が清音である場合には、第一音は更に変換パターンＢ〜Ｈに従って変換されることを示す。変換方法の特徴については表示された変換パターンＢ〜Ｈを参照して欲しい。

図４は、変換表Ｂを示し、認識語彙の第一音が濁音或いは半濁音である場合の派生語彙に変換するための変換パターンＩ〜Ｈを示す。変換方法の特徴については表示された変換パターンＩ〜Ｈを参照して欲しい。

図５は、変換表Ｃを示し、第二音が長音である場合に第二音について母音の長音化もしくは第一音の延長化（ー）を行う変換パターンＮを示す。

ここで長音とは、母音を長く引き伸ばした音であり、日本語では二拍分の長さに相当し、「おかあさん」の「かあ」、「コーヒー」の「コー」、「ヒー」などが該当する。

図３から図５において、認識語彙派生パターン記憶部１３は、認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合に第一音を段音に従って、母音のいずれかの音に変換した第１の派生音となし、かつ第一音の削除を行った第２の派生音となす第１の変換パターン、および第一音が清音，濁音および半濁音のいずれかである場合に第一音を拗音に変換した第３の派生音となす第２の変換パターンを記憶する。

認識辞書登録部１４は、認識語彙記憶部１３に記憶された認識語彙を取り込み、該認識語彙について前記認識語彙派生パターン記憶部１３にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成することを行う。

また、認識語彙派生パターン記憶部１３は、清音についての清音である拗音を、そして濁音もしくは半濁音である場合には濁音もしくは半濁音の拗音に変換する第２の変換パターンを記憶している。認識辞書登録部１４は、第一音が清音か濁音もしくは半濁音であるかを判別し、音声である場合には清音の、そして濁音もしくは半濁音である場合には濁音もしくは半濁音の拗音に変換して派生語彙を生成することを行う。

また、認識語彙派生パターン記憶部１３は、第二音が長音である場合に第二音について母音の長音化もしくは第一音の延長化を行う第３の変換パターンを記憶している。認識辞書登録部１４は、前記認識語彙から第一音と第二音とを合わせて取り出し、第二音が長音である場合に第二音について取り入れた第３の変換パターンに従って当該認識語彙について派生語彙を生成することを行う。

認識辞書登録部１４によって、認識語彙記憶部１３に記憶された認識語彙を取り込み、該認識語彙について認識語彙派生パターン記憶部１３にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成し、言語音声処理部１７によって、発生音解析部１８で解析した音声を音声認識辞書部１５に登録された語彙に該当するかを判断し、言語音声化処理を行って認識結果出力部３に一群の派生語彙生成の基礎となった認識語彙を音声信号として出力することを行う。認識語彙は、認識結果表示部１６に画面表示される。入力語彙の第一音が“清音”，“濁音”，“半濁音”，“拗音”である場合、変換表Ａを適用し、第一音が、あ段（例えば、“か”，“た”、など）の場合、入力語彙の第一音を“あ”に変換した派生語彙と、第一音を削除する派生語彙の２種類を作り出す。例えば、入力語彙が「作業開始（さぎょうかいし）」だとする。この場合、第一音は“さ”で、あ段の文字であるから、派生語彙は、“あぎょうかいし”と“ぎょうかいし”の２種類が作成される。また、“さ”は、清音の変換パターンＣに当てはまるため、“しゃぎょうかいし”という派生語彙も作成される。なお、第一音と第二音を合せ、それが長音である場合には、変換パターンＮを使用して派生語彙を作り出す。

図６および図７は、認識辞書登録部１４の登録動作を示している。ステップ６１において、認識語彙記憶部１２から認識語彙とその読み方を取り出す。ステップ６２は、認識語彙記憶部が空になった場合、判定が“Ｙｅｓ”となり処理が終了する終了判定処理である。ステップ６３において、ステップ６１で取り出した認識語彙、或いはその読みが既に音声認識辞書部１５に登録されているかを判定する。既に登録されている場合は、“Ｙｅｓ”の判定となり、ステップ６１に戻る。未登録である場合、“Ｎｏ”の判定となり、ステップ６４に進む。

ステップ６４は、図７に詳細を示しているので、図７を用いて説明する。ステップ７１において、一次格納テーブルクリア後に認識語彙の読み方を一次格納テーブルに格納する。次に、ステップ７２において、認識語彙の読み方の第一音を抽出する。そして、その第一音を図３に示している変換パターンＡで第一音を母音に置換えるCase１と第一音を削除するCase２の２種類の派生語彙を作り出し、一次格納テーブルに格納する。但し、第二音が、“促音（っ）”或いは“ー”であった場合は、第一音を削除するCase２の操作は実施しない。次にステップ７４で第一音の種別判定を行う。第一音が“清音”である場合、ステップ７５へ、“濁音”，“半濁音”である場合、ステップ７６へ進む。

第一音が“清音”である場合、ステップ７５では、その第一音を変換パターンＢ〜Ｈの該当する変換パターンで派生語彙を作り出し、一次格納テーブルに格納する。第一音が“濁音”，“半濁音”である場合、ステップ７６では、その第一音を変換パターンＩ〜Ｍの該当する変換パターンで派生語彙を作り出し、一次格納テーブルに格納する。

ステップ７７で第二音を取り出し、第一音と第二音を合せて、組合せ、第二音が“長音”かどうかステップ７８で判定する。長音でない場合は、なにもしない。長音である場合には、ステップ７９において、第一音と第二音を変換パターンＮで派生語彙を作り出し、一次格納テーブルに格納する。

図６のステップ６５に戻り、ステップ６５では、ステップ６４で一次格納テーブルに格納された語彙を一語取り出す。ステップ６６では、一次格納テーブルの格納された語彙が空になった場合、判定が“Ｙｅｓ”となりステップ６１へ戻る。ステップ６７において、認識語彙の読み方が既に音声認識辞書部１５に登録されている場合、判定が“Ｙｅｓ”となり、ステップ６９へ進む。未登録である場合には、判定が“Ｎｏ”となり、ステップ６８へ進む。ステップ６９において、既に音声認識辞書部１５に登録されている読みを削除し、認識語彙の読み方の登録は実施しない。ステップ６８では、認識語彙の読み方を音声認識辞書１５に登録を実施する。その後、ステップ６５に戻る。

このようにして作成された音声認識辞書部１５の一例を図８に示す。

携帯端末などの小型コンピュータ機器に組込んで動作する例で説明をしたが、パーソナルコンピュータや大型のコンピュータ機器にも適用可能である。

本発明の一実施例を示す構成図である。 本発明で適用する文字の分類表である。 本発明で適用する文字の変換表例である。 本発明の実施例で適用する文字の変換表例を示す図である。 本発明の実施例で適用する文字の変換表例を示す図である。 本発明の動作を説明するためのフローチャートである。 本発明の動作を説明するためのフローチャートである。 本発明で作成された音声認識辞書９の例を示す図である。

符号の説明

１…音声認識装置、２…音声入力部（マイク）、３…認識結果出力部（スピーカー）、１０…認識語彙の登録装置、１１…認識語彙入力部、１２…認識語彙記憶部、１３…認識語彙派生パターン記憶部、１４…認識辞書登録部、１５…音声認識辞書部、１６…認識結果表示部、１７…言語音声化処理部、１８…発生音解析部。

Claims (6)

1. 認識語彙を入力する認識語彙入力手段と、入力された認識語彙を記憶する認識語彙記憶手段と、記憶された認識語彙と該認識語彙の派生語彙とを一群として登録する認識辞書登録手段と、を備えた認識語彙の登録装置において、
   認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合に第一音を段音に従って、母音のいずれかの音に変換した第１の派生音となし、かつ第一音の削除を行った第２の派生音となす第１の変換パターン、および第一音が清音，濁音および半濁音のいずれかである場合に第一音を拗音に変換した第３の派生音となす第２の変換パターンを記憶する認識語彙派生パターン記憶手段を有し、
   前記認識辞書登録手段は、前記認識語彙記憶手段に記憶された認識語彙を取り込み、該認識語彙について前記認識語彙派生パターン記憶手段にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成することを特徴とする認識語彙の登録装置。
2. 請求項１において、前記認識語彙派生パターン記憶手段は、清音についての清音である拗音を、そして濁音もしくは半濁音である場合には濁音もしくは半濁音の拗音に変換する第２の変換パターンを記憶しており、前記認識辞書登録手段は、第一音が清音か濁音もしくは半濁音であるかを判別し、清音である場合には清音の、そして濁音もしくは半濁音である場合には濁音もしくは半濁音の拗音に変換して派生語彙を生成することを特徴とする認識語彙の登録装置。
3. 請求項１または２において、前記認識語彙派生パターン記憶手段は、第二音が長音である場合に第二音について母音の長音化もしくは第一音の延長化を行う第３の変換パターンを記憶しており、前記認識辞書登録手段は、前記認識語彙から第一音と第二音とを合わせて取り出し、第二音が長音である場合に第二音について取り入れた第３の変換パターンに従って当該認識語彙について派生語彙を生成することを特徴とする認識語彙の登録装置。
4. 認識語彙を入力する認識語彙入力手段と、入力された認識語彙を記憶する認識語彙記憶手段と、記憶された認識語彙と該認識語彙の派生語彙とを一群として登録する認識辞書登録手段と、音声入力部から入力された音声を解析し、前記認識辞書登録手段で登録された語彙に該当するかを判断する発生音解析手段と、該発生音解析手段で解析した結果を言語音声化処理を行って認識結果出力部に出力する言語音声化処理手段とを備えた音声認識装置において、
   認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合に第一音を段音に従って、母音のいずれかの音に変換した第１の派生音となし、かつ第一音の削除を行った第２の派生音となす第１の変換パターン、および第一音が清音，濁音および半濁音のいずれかである場合に第一音を拗音に変換した第３の派生音となす第２の変換パターンを記憶する認識語彙派生パターン記憶手段を有し、
   前記認識辞書登録手段は、前記認識語彙記憶手段に記憶された認識語彙を取り込み、該認識語彙について前記認識語彙派生パターン記憶手段にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成することを特徴とする音声認識装置。
5. 認識語彙を入力する認識語彙入力手段と、入力された認識語彙を記憶する認識語彙記憶手段と、記憶された認識語彙と該認識語彙の派生語彙とを一群として登録する認識辞書登録手段と、音声入力部から入力された音声を解析し、前記認識辞書登録手段で登録された語彙に該当するかを判断する発生音解析手段と、該発生音解析手段で解析した結果を言語音声化処理を行って認識結果出力部に出力する言語音声化処理手段とを備えた音声認識装置による音声認識方法において、
   認識語彙パターン記憶手段に認識語彙の第一音が清音，濁音，半濁音および拗音のいずれかである場合に第一音を段音に従って、母音のいずれかの音に変換した第１の派生音となし、かつ第一音の削除を行った第２の派生音となす第１の変換パターン、および第一音が清音，濁音および半濁音のいずれかである場合に第一音を拗音に変換した第３の派生音となす第２の変換パターンを記憶させ、
   前記認識辞書登録手段は、前記認識語彙記憶手段に記憶された認識語彙を取り込み、該認識語彙について前記認識語彙派生パターン記憶手段にアクセスして、取り入れた第１の変換パターンおよび第２の変換パターンに従って当該認識語彙について一群の派生語彙を生成し、
   前記言語音声処理手段によって、前記発生音解析手段で解析した音声を前記音声認識辞書手段に登録された音声に該当するかを判断し、言語音声化処理を行って前記認識結果出力部に一群の派生語彙生成の基礎となった前記認識語彙を音声信号として出力することを特徴とする音声認識方法。
6. 請求項５において、前記認識語彙は、認識結果表示部に画面表示されることを特徴とする音声認識方法。
   

Images