JP4590692B2 - 音響モデル作成装置及びその方法 - Google Patents
音響モデル作成装置及びその方法 Download PDFInfo
- Publication number
- JP4590692B2 JP4590692B2 JP2000194196A JP2000194196A JP4590692B2 JP 4590692 B2 JP4590692 B2 JP 4590692B2 JP 2000194196 A JP2000194196 A JP 2000194196A JP 2000194196 A JP2000194196 A JP 2000194196A JP 4590692 B2 JP4590692 B2 JP 4590692B2
- Authority
- JP
- Japan
- Prior art keywords
- noise
- learning
- acoustic model
- sample
- samples
- 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
- 238000000034 method Methods 0.000 title claims description 21
- 239000000523 sample Substances 0.000 description 26
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000007417 hierarchical cluster analysis Methods 0.000 description 2
- 241000254032 Acrididae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241001573881 Corolla Species 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0631—Creating reference templates; Clustering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0638—Interactive procedures
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Stored Programmes (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、雑音環境下でも高い認識率が得られる音声認識用の音響モデル作成装置及びその方法に関する。
【０００２】
【従来の技術】
雑音環境下での音声認識において、従来、雑音を重畳させた音声を用いて音響モデルの学習を行っていた（日本音響学会講演論文集,昭和63年3月, 3-P-8「ノイズ付加データに対する音素認識システムの評価」）。
【０００３】
従来の音響モデル作成装置の構成図を図８に示し、以下に説明する。
【０００４】
図８において、２０１はメモリ、２０２はＣＰＵ、２０３キーボード／ディスプレイ、２０４はＣＰＵバス、２０５は学習用音声サンプル、２０６は学習用雑音サンプル、２０７は音響モデルである。
【０００５】
図９に示すフローチャートに従って従来の音響モデル作成装置の音響モデルの学習方法について説明する。
【０００６】
図９において、Ｓは各処理ステップを表す。まず、学習用音声サンプル２０５に学習用雑音サンプル２０６を重畳し（Ｓ８１）、一定時間長（以下フレームと呼ぶ。ここでは１フレームは１０ミリ秒とする）ごとに音響分析を行い（Ｓ８２）、音響モデルを学習する（Ｓ８３）。学習用雑音サンプル２０６は、会場雑音や車内雑音などを数十秒収録した１種類のデータである。
【０００７】
この方法では、認識時の雑音環境と同じような雑音を重畳させた音声で音響モデルの学習を行えば、比較的高い認識率が得られる。
【０００８】
【発明が解決しようとする課題】
しかしながら、一般には認識時の雑音環境は未知であり、上記の構成では、音響モデルの学習時の雑音環境と、認識時の雑音環境が異なる場合には認識率の劣化を招くという課題があった。
【０００９】
しかし、認識時に出くわし得る雑音すべてを、学習用雑音サンプルとして集めることは不可能である。そこで実際には、ある程度認識時に出くわし得る雑音を想定して、多数の雑音サンプルを集めて学習を行う方法が考えられる。しかし、集めた雑音サンプルすべてに対して音響モデルの学習を行うのは、膨大な時間がかかるため非効率的である。しかも、集めた多数の雑音サンプルの特徴が偏っていた場合、特徴の偏った雑音サンプルを用いて学習しても、未知の雑音まで広くカバーすることはできない。
【００１０】
本発明は、上記従来の課題を解決するもので、比較的少ない複数の雑音を用いて音響モデルの学習を行い、未知の雑音環境下においても高い認識性能が得られるような音響モデルを作成することを目的とする。
【００１１】
【課題を解決するための手段】
この課題を解決するために、本発明は、認識時に出くわし得る雑音を想定した多数の雑音サンプルをクラスタリングし、各クラスから１つずつ雑音サンプルを選択し学習用複数雑音サンプルとして学習音声に重畳し、音響モデルを作成する。
【００１２】
これにより、未知の雑音環境においても高い認識性能が得られる音響モデルを作成することができる。
【００１３】
【発明の実施の形態】
本願の第１の発明は、音声認識用の音響モデルを作成する装置において、多数の雑音サンプルをクラスタリングする手段と、各クラスから１つずつ雑音サンプルを選択し、学習用音声サンプルに当該選択された雑音サンプルを重畳して学習用複数雑音サンプルとする手段と、その学習用複数雑音サンプルを用いて、１つの音響モデルの学習を行う手段とを備えたものであり、多数の雑音サンプルをクラスタリングして、それぞれのクラスから１つずつ学習に用いる雑音を選択して音響モデルを学習することにより、少ない雑音サンプルで学習でき、しかも偏り無くさまざまな雑音を広くカバーすることができるため、未知雑音環境下においても高い認識性能が得られる音響モデルを作成できるという作用を有する。
【００１７】
以下、本発明の実施の形態について、図を用いて説明する。
【００１８】
（実施の形態１）
図１に、本発明の実施の形態１における音響モデル作成装置の構成図を示し、説明する。図１において、１０１はメモリ、１０２はＣＰＵ、１０３はキーボード／ディスプレイ、１０４はＣＰＵバス、１０５は学習用音声サンプル、１０６は多数雑音サンプル、１０７は学習用複数雑音サンプル、１０８は音響モデルである。
【００１９】
本実施の形態では、図１の構成のもとに、最初に図２に示したフローチャートに従って学習用複数雑音サンプルを選択し、次に図３に示したフローチャートに従って音響モデルを作成する。
【００２０】
最初に、学習用複数雑音サンプルの選択方法について説明する。
【００２１】
図２において、まずできる限り多くの多数雑音サンプル１０６を用意する。ここではＭ個の雑音サンプルがあるものとする。これらＭ個の雑音サンプルのそれぞれに対し、一定時間長（以下フレームという）ごとに音響分析し（Ｓ２１）、フレームごとにｋ次元の特徴パラメータを求める。本実施の形態では、１フレームを１０ミリ秒とし、特徴パラメータとして７次までのＬＰＣケプストラム係数（Ｃ１，Ｃ２，…，Ｃ７）を用いる。これを特徴ベクトルと呼ぶ。各雑音ごとにｋ次元特徴ベクトルの時間平均ベクトルを求める（Ｓ２２）。
【００２２】
そして、Ｍ個の時間平均特徴ベクトルをクラスタリング手法により、Ｎ個のカテゴリーに分類する（Ｓ２３）。本実施の形態では、クラスタリング手法として、階層的クラスター分析を行う。２つの雑音間の距離は、２つの時間平均特徴ベクトル間の重み付きユークリッド距離を距離尺度とする。２つの雑音間の距離としては他に、ユークリッド距離や、マハラノビスの汎距離、個体間積和、分散を考慮したバッタチャリヤ距離などを用いてもかまわない。２つのクラスター間の距離は、その２つクラスターに属する雑音間の距離の最小値とする（最近隣法）。２つのクラスター間の距離としては他に、２つクラスターに属する雑音間の距離の最大値とする最遠隣法や、２つのクラスターの重心間の距離とする方法や、２つのクラスターに属する個体間の距離の平均とする方法を用いてもかまわない。
【００２３】
これにより、Ｍ個の雑音をＮ個のクラスに分類することができる。
【００２４】
本実施の形態ではＭ＝１７とし、Ｎ＝５とする。多数雑音サンプルは図４に示した４０秒分の雑音データである。これらを階層的クラスター分析した結果得られる樹形図を図５に示す。
【００２５】
図５の樹形図では、横方向の長さが個体間あるいはクラスター間の距離をあらわしており、クラスターは樹形図を適当な長さで縦に切断したときに、そこまでで互いに接続している個体によって構成される。図５において☆印で切れば、５つのクラス（Ｎ＝５）に分類することができる。そこで、
クラス１｛川、音楽｝
クラス２｛マークＩＩ、カローラ、エスティマ、マジェスタ、ポートピア会場｝
クラス３｛データショウ会場、地下鉄｝
クラス４｛事業部、営業所、実験室、ざわめき、事務所、町工場｝
クラス５｛幼稚園、東京駅｝
と定義する。
【００２６】
そして各クラスから１つずつ任意の雑音を選択し（Ｓ２４）、Ｎ個の学習用複数雑音サンプル１０７とする（雑音１〜Ｎとする）。クラス内から１つの雑音を選択する方法としては、クラス内の重心に最も近いものを選択しても良いし、ランダムに選んでも良い。
【００２７】
ここでは、クラス１から「川」、クラス２から「マークＩＩ」、クラス３から「データショウ会場」、クラス４から「事業部」、クラス５から「幼稚園」を選択し、これら雑音を学習用複数雑音サンプル１０７とする。
【００２８】
次に、図３に基づいて音響モデルを作成する方法に付いて説明する。
【００２９】
まず、最初に学習用音声サンプル１０５に、あらかじめ学習用複数雑音サンプル１０７に登録されているN個の雑音（ｎ＝１〜Ｎ）の内１つの雑音を重畳する（Ｓ３１）。本実施の形態では学習用音声サンプルとして、音韻バランス単語セット５４３単語×８０名分を音声データとして用いた。雑音の重畳方法は以下に説明する。
【００３０】
学習用の音声をA/D変換して得られる信号をS(i)(i=1,…,I)、雑音ｎをA/D変換して得られる信号をNn(i)(i=1,…,I)とするとき、この雑音を重畳した雑音重畳音声Sn(i)(i=1,…,I)は（数１）で表される。ただし、IはA/D変換時のサンプリング周波数(Hz)にデータの秒数をかけた値である。
【００３１】
【数１】
【００３２】
次に、このようにして得られる雑音を重畳した学習用音声サンプルについて、一定時間（フレームと呼ぶ）ごとに音響分析を行う（Ｓ３２）。ここでは、LPC分析を行いフレームごとにLPCケプストラム係数とその時間回帰係数を求め、特徴パラメータとする。ここではLPCケプストラムを用いるが、FFTケプストラム、MFCC、メルLPCケプストラムなどを用いても良い。このようにして、学習用雑音重畳音声サンプルに対し特徴パラメータの時系列が得られる。
【００３３】
次に、P個の特徴パラメータからなるベクトルを特徴パラメータベクトルとして、音響モデルの学習を行う（Ｓ３３）。本実施の形態では、特徴パラメータベクトルは1フレーム分の特徴パラメータからなるとするが、複数フレーム分の特徴パラメータを並べて特徴パラメータベクトルとする方法もある。
【００３４】
学習用複数雑音サンプル１０７に登録されているN個の雑音（ｎ＝１〜Ｎ）のすべてについて学習が終了したかを判断し、終了するまでＳ３１〜Ｓ３３の処理を繰り返し、音響モデル１０８を作成する（Ｓ３４）。
【００３５】
音響モデルとしては、DPマッチング用の特徴ベクトルの時系列パターン（標準パターンと呼ぶ）や、HMMなどの確率モデルがある。本実施の形態１では、DPマッチング用の標準パターンを学習するものとする。DPマッチングは時間軸の伸縮を考慮しながら2つのパターンの類似度を計算する効率的な方法である。
【００３６】
標準パターンの単位は、一般に音素、音節、半音節、CV/VC(子音+母音、母音+子音)などが用いられる。本実施の形態では音節を標準パターンの単位として説明する。標準パターンのフレーム数は、平均音節フレーム数と同じに設定する。学習用音声サンプルを音節単位に切り出して、DPマッチングにより時間伸縮を考慮しながらフレーム整合を取り、標準パターンのどのフレームに対応するかを求める。図６はフレーム整合の様子を表した図である。ここで、特徴ベクトルが単一ガウス分布に従うと仮定し、標準パターンのそれぞれのフレームについて、対応する学習データの特徴ベクトルの平均値ベクトルおよび共分散を求める。これが標準パターンとなる。本実施の形態１では単一ガウス分布とするが混合ガウス分布としても良い。
【００３７】
以上を、N種の雑音すべてについて行う。最終的には、N種の雑音を重畳したデータにたいする平均値ベクトル及び共分散行列が求まる。
【００３８】
このようにして、多数の雑音サンプルをクラスタリングしてそれぞれのクラスから１つずつ学習に用いる雑音を選択することにより決定される複数の雑音を重畳した学習用音声サンプルを用いて音響モデルの学習を行うことにより、少ない雑音サンプルで学習でき、しかも偏り無くさまざまな雑音を広くカバーすることができるため、未知雑音環境下においても高い認識性能が得られる音響モデルを作成できる。
【００３９】
（実施の形態２）
実施の形態２は、実施の形態１で作成された音響モデルを用いて、入力された音声を認識する音声認識装置について説明する。図８に、本発明の実施の形態２における音声認識装置の動作フローチャートを示し、以下に説明する。
【００４０】
図８において、音響モデル１０８は実施の形態１で作成されたものを用いる。
【００４１】
まず最初に、未知入力音声をフレームごとに音響分析し、特徴パラメータを抽出する（S６１）。特徴パラメータは音響モデル作成時と同じものである。
【００４２】
認識対象語彙辞書１０９には、認識対象となる語彙の音節列が表記されている。この認識対象語彙辞書にしたがって、あらかじめ作成されている音節単位の音響モデル１０８を接続し、これと、上記未知入力音声の特徴パラメータ時系列とをDP照合する（S６２）。その結果、最も類似度の大きかった語彙を認識結果として出力する。
【００４３】
このようにして動作する音声認識装置では、音響モデルが、多数の雑音サンプルをクラスタリングすることにより決定される複数の雑音を重畳した学習用音声サンプルを用いて学習されているため、未知雑音環境下においても高い認識性能が得られる。
【００４４】
以下に、認識実験について説明する。
【００４５】
本発明の効果を検証するため、本実施の形態によって得られる音響モデルを用いて音声認識実験を行った。評価データは１０名分の１００地名音声データとした。評価データに、学習用に用いなかった雑音サンプルを重畳し、１００単語認識を行った。学習用複数雑音サンプルは、「川」、「マークＩＩ」、「データショウ会場」、「事業部」、「幼稚園」である。
【００４６】
評価データへ重畳する雑音サンプルは、クラス１からは「音楽」、クラス２からは「マジェスタ」、クラス３からは「地下鉄」、クラス４からは「事務所」、クラス５からは「東京駅」とした。また、まったく未知の雑音として、「道路」（道路わきで収録した騒音）、「テレビＣＭ」（テレビのコマーシャル音を収録したもの）をそれぞれ評価データに重畳して、単語認識実験を行った。
【００４７】
また、本発明の対照実験として、従来例に相当する、１種類の雑音のみ（「マークＩＩ」）で学習した音響モデルを用いた単語認識実験も同様に行った。
【００４８】
その結果を（表１）に示す。
【００４９】
【表１】
【００５０】
（表１）から、（１）において、学習時の雑音と認識時の雑音が同じクラス内（クラス２同士）の場合、高い認識性能が得られる（マジェスタ９４．８％）が、他のクラスに属する雑音環境下では認識性能が悪い。これに対し、本発明の実験（２）では、クラス２以外のすべてのクラスで（１）よりも高い認識性能を示している。さらに、未知雑音環境に対する実験では、「道路」に対しても「テレビＣＭ」に対しても、本発明の方が認識性能が高いことがわかる。
【００５１】
このことから、本発明は未知雑音に関しても高い認識性能が得られるといえる。
【００５２】
なお、本実施の形態では、クラスタリングによって選択したＮ個の学習用雑音サンプルをそれぞれ学習用音声サンプルに重畳して、音響モデルの各状態を単一ガウス分布として学習を行ったが、雑音ごとに別々にＮ個のガウス分布の混合分布としても良い。また、単一ガウス分布で表されるＮ個の音響モデルを学習して、認識時にＮ個の音響モデルと照合を行い、最も類似度の高い音響モデルに対するスコアを最終スコアとしても良い。
【００５３】
【発明の効果】
以上のように本発明は、クラスタリングにより選択した雑音を学習データに重畳することにより、比較的少ない複数の雑音で学習できるため効率的であり、しかも偏り無く、広く雑音環境をカバーできるため、未知の雑音に対しても高い認識性能が得られる音響モデルが作成できる。
【図面の簡単な説明】
【図１】本発明の実施の形態１における音響モデル作成装置の構成図
【図２】本発明の実施の形態１における学習用複数雑音サンプルの選択方法を表すフローチャート
【図３】本発明の実施の形態１における音響モデルの作成方法を表すフローチャート
【図４】多数雑音サンプルの詳細を説明する図
【図５】樹形図
【図６】フレーム整合のイメージ図
【図７】本発明の実施の形態２における音声認識方法を表すフローチャート
【図８】従来例の音響モデル作成装置の構成図
【図９】従来例の音響モデルの作成方法を表すフローチャート
【符号の説明】
１０１ メモリ
１０２ ＣＰＵ
１０３ キーボード／ディスプレイ
１０４ ＣＰＵバス
１０５ 学習用音声サンプル
１０６ 多数雑音サンプル
１０７ 学習用複数雑音サンプル
１０８ 音響モデル
１０９ 認識対象語彙辞書
【発明の属する技術分野】
本発明は、雑音環境下でも高い認識率が得られる音声認識用の音響モデル作成装置及びその方法に関する。
【０００２】
【従来の技術】
雑音環境下での音声認識において、従来、雑音を重畳させた音声を用いて音響モデルの学習を行っていた（日本音響学会講演論文集,昭和63年3月, 3-P-8「ノイズ付加データに対する音素認識システムの評価」）。
【０００３】
従来の音響モデル作成装置の構成図を図８に示し、以下に説明する。
【０００４】
図８において、２０１はメモリ、２０２はＣＰＵ、２０３キーボード／ディスプレイ、２０４はＣＰＵバス、２０５は学習用音声サンプル、２０６は学習用雑音サンプル、２０７は音響モデルである。
【０００５】
図９に示すフローチャートに従って従来の音響モデル作成装置の音響モデルの学習方法について説明する。
【０００６】
図９において、Ｓは各処理ステップを表す。まず、学習用音声サンプル２０５に学習用雑音サンプル２０６を重畳し（Ｓ８１）、一定時間長（以下フレームと呼ぶ。ここでは１フレームは１０ミリ秒とする）ごとに音響分析を行い（Ｓ８２）、音響モデルを学習する（Ｓ８３）。学習用雑音サンプル２０６は、会場雑音や車内雑音などを数十秒収録した１種類のデータである。
【０００７】
この方法では、認識時の雑音環境と同じような雑音を重畳させた音声で音響モデルの学習を行えば、比較的高い認識率が得られる。
【０００８】
【発明が解決しようとする課題】
しかしながら、一般には認識時の雑音環境は未知であり、上記の構成では、音響モデルの学習時の雑音環境と、認識時の雑音環境が異なる場合には認識率の劣化を招くという課題があった。
【０００９】
しかし、認識時に出くわし得る雑音すべてを、学習用雑音サンプルとして集めることは不可能である。そこで実際には、ある程度認識時に出くわし得る雑音を想定して、多数の雑音サンプルを集めて学習を行う方法が考えられる。しかし、集めた雑音サンプルすべてに対して音響モデルの学習を行うのは、膨大な時間がかかるため非効率的である。しかも、集めた多数の雑音サンプルの特徴が偏っていた場合、特徴の偏った雑音サンプルを用いて学習しても、未知の雑音まで広くカバーすることはできない。
【００１０】
本発明は、上記従来の課題を解決するもので、比較的少ない複数の雑音を用いて音響モデルの学習を行い、未知の雑音環境下においても高い認識性能が得られるような音響モデルを作成することを目的とする。
【００１１】
【課題を解決するための手段】
この課題を解決するために、本発明は、認識時に出くわし得る雑音を想定した多数の雑音サンプルをクラスタリングし、各クラスから１つずつ雑音サンプルを選択し学習用複数雑音サンプルとして学習音声に重畳し、音響モデルを作成する。
【００１２】
これにより、未知の雑音環境においても高い認識性能が得られる音響モデルを作成することができる。
【００１３】
【発明の実施の形態】
本願の第１の発明は、音声認識用の音響モデルを作成する装置において、多数の雑音サンプルをクラスタリングする手段と、各クラスから１つずつ雑音サンプルを選択し、学習用音声サンプルに当該選択された雑音サンプルを重畳して学習用複数雑音サンプルとする手段と、その学習用複数雑音サンプルを用いて、１つの音響モデルの学習を行う手段とを備えたものであり、多数の雑音サンプルをクラスタリングして、それぞれのクラスから１つずつ学習に用いる雑音を選択して音響モデルを学習することにより、少ない雑音サンプルで学習でき、しかも偏り無くさまざまな雑音を広くカバーすることができるため、未知雑音環境下においても高い認識性能が得られる音響モデルを作成できるという作用を有する。
【００１７】
以下、本発明の実施の形態について、図を用いて説明する。
【００１８】
（実施の形態１）
図１に、本発明の実施の形態１における音響モデル作成装置の構成図を示し、説明する。図１において、１０１はメモリ、１０２はＣＰＵ、１０３はキーボード／ディスプレイ、１０４はＣＰＵバス、１０５は学習用音声サンプル、１０６は多数雑音サンプル、１０７は学習用複数雑音サンプル、１０８は音響モデルである。
【００１９】
本実施の形態では、図１の構成のもとに、最初に図２に示したフローチャートに従って学習用複数雑音サンプルを選択し、次に図３に示したフローチャートに従って音響モデルを作成する。
【００２０】
最初に、学習用複数雑音サンプルの選択方法について説明する。
【００２１】
図２において、まずできる限り多くの多数雑音サンプル１０６を用意する。ここではＭ個の雑音サンプルがあるものとする。これらＭ個の雑音サンプルのそれぞれに対し、一定時間長（以下フレームという）ごとに音響分析し（Ｓ２１）、フレームごとにｋ次元の特徴パラメータを求める。本実施の形態では、１フレームを１０ミリ秒とし、特徴パラメータとして７次までのＬＰＣケプストラム係数（Ｃ１，Ｃ２，…，Ｃ７）を用いる。これを特徴ベクトルと呼ぶ。各雑音ごとにｋ次元特徴ベクトルの時間平均ベクトルを求める（Ｓ２２）。
【００２２】
そして、Ｍ個の時間平均特徴ベクトルをクラスタリング手法により、Ｎ個のカテゴリーに分類する（Ｓ２３）。本実施の形態では、クラスタリング手法として、階層的クラスター分析を行う。２つの雑音間の距離は、２つの時間平均特徴ベクトル間の重み付きユークリッド距離を距離尺度とする。２つの雑音間の距離としては他に、ユークリッド距離や、マハラノビスの汎距離、個体間積和、分散を考慮したバッタチャリヤ距離などを用いてもかまわない。２つのクラスター間の距離は、その２つクラスターに属する雑音間の距離の最小値とする（最近隣法）。２つのクラスター間の距離としては他に、２つクラスターに属する雑音間の距離の最大値とする最遠隣法や、２つのクラスターの重心間の距離とする方法や、２つのクラスターに属する個体間の距離の平均とする方法を用いてもかまわない。
【００２３】
これにより、Ｍ個の雑音をＮ個のクラスに分類することができる。
【００２４】
本実施の形態ではＭ＝１７とし、Ｎ＝５とする。多数雑音サンプルは図４に示した４０秒分の雑音データである。これらを階層的クラスター分析した結果得られる樹形図を図５に示す。
【００２５】
図５の樹形図では、横方向の長さが個体間あるいはクラスター間の距離をあらわしており、クラスターは樹形図を適当な長さで縦に切断したときに、そこまでで互いに接続している個体によって構成される。図５において☆印で切れば、５つのクラス（Ｎ＝５）に分類することができる。そこで、
クラス１｛川、音楽｝
クラス２｛マークＩＩ、カローラ、エスティマ、マジェスタ、ポートピア会場｝
クラス３｛データショウ会場、地下鉄｝
クラス４｛事業部、営業所、実験室、ざわめき、事務所、町工場｝
クラス５｛幼稚園、東京駅｝
と定義する。
【００２６】
そして各クラスから１つずつ任意の雑音を選択し（Ｓ２４）、Ｎ個の学習用複数雑音サンプル１０７とする（雑音１〜Ｎとする）。クラス内から１つの雑音を選択する方法としては、クラス内の重心に最も近いものを選択しても良いし、ランダムに選んでも良い。
【００２７】
ここでは、クラス１から「川」、クラス２から「マークＩＩ」、クラス３から「データショウ会場」、クラス４から「事業部」、クラス５から「幼稚園」を選択し、これら雑音を学習用複数雑音サンプル１０７とする。
【００２８】
次に、図３に基づいて音響モデルを作成する方法に付いて説明する。
【００２９】
まず、最初に学習用音声サンプル１０５に、あらかじめ学習用複数雑音サンプル１０７に登録されているN個の雑音（ｎ＝１〜Ｎ）の内１つの雑音を重畳する（Ｓ３１）。本実施の形態では学習用音声サンプルとして、音韻バランス単語セット５４３単語×８０名分を音声データとして用いた。雑音の重畳方法は以下に説明する。
【００３０】
学習用の音声をA/D変換して得られる信号をS(i)(i=1,…,I)、雑音ｎをA/D変換して得られる信号をNn(i)(i=1,…,I)とするとき、この雑音を重畳した雑音重畳音声Sn(i)(i=1,…,I)は（数１）で表される。ただし、IはA/D変換時のサンプリング周波数(Hz)にデータの秒数をかけた値である。
【００３１】
【数１】
次に、このようにして得られる雑音を重畳した学習用音声サンプルについて、一定時間（フレームと呼ぶ）ごとに音響分析を行う（Ｓ３２）。ここでは、LPC分析を行いフレームごとにLPCケプストラム係数とその時間回帰係数を求め、特徴パラメータとする。ここではLPCケプストラムを用いるが、FFTケプストラム、MFCC、メルLPCケプストラムなどを用いても良い。このようにして、学習用雑音重畳音声サンプルに対し特徴パラメータの時系列が得られる。
【００３３】
次に、P個の特徴パラメータからなるベクトルを特徴パラメータベクトルとして、音響モデルの学習を行う（Ｓ３３）。本実施の形態では、特徴パラメータベクトルは1フレーム分の特徴パラメータからなるとするが、複数フレーム分の特徴パラメータを並べて特徴パラメータベクトルとする方法もある。
【００３４】
学習用複数雑音サンプル１０７に登録されているN個の雑音（ｎ＝１〜Ｎ）のすべてについて学習が終了したかを判断し、終了するまでＳ３１〜Ｓ３３の処理を繰り返し、音響モデル１０８を作成する（Ｓ３４）。
【００３５】
音響モデルとしては、DPマッチング用の特徴ベクトルの時系列パターン（標準パターンと呼ぶ）や、HMMなどの確率モデルがある。本実施の形態１では、DPマッチング用の標準パターンを学習するものとする。DPマッチングは時間軸の伸縮を考慮しながら2つのパターンの類似度を計算する効率的な方法である。
【００３６】
標準パターンの単位は、一般に音素、音節、半音節、CV/VC(子音+母音、母音+子音)などが用いられる。本実施の形態では音節を標準パターンの単位として説明する。標準パターンのフレーム数は、平均音節フレーム数と同じに設定する。学習用音声サンプルを音節単位に切り出して、DPマッチングにより時間伸縮を考慮しながらフレーム整合を取り、標準パターンのどのフレームに対応するかを求める。図６はフレーム整合の様子を表した図である。ここで、特徴ベクトルが単一ガウス分布に従うと仮定し、標準パターンのそれぞれのフレームについて、対応する学習データの特徴ベクトルの平均値ベクトルおよび共分散を求める。これが標準パターンとなる。本実施の形態１では単一ガウス分布とするが混合ガウス分布としても良い。
【００３７】
以上を、N種の雑音すべてについて行う。最終的には、N種の雑音を重畳したデータにたいする平均値ベクトル及び共分散行列が求まる。
【００３８】
このようにして、多数の雑音サンプルをクラスタリングしてそれぞれのクラスから１つずつ学習に用いる雑音を選択することにより決定される複数の雑音を重畳した学習用音声サンプルを用いて音響モデルの学習を行うことにより、少ない雑音サンプルで学習でき、しかも偏り無くさまざまな雑音を広くカバーすることができるため、未知雑音環境下においても高い認識性能が得られる音響モデルを作成できる。
【００３９】
（実施の形態２）
実施の形態２は、実施の形態１で作成された音響モデルを用いて、入力された音声を認識する音声認識装置について説明する。図８に、本発明の実施の形態２における音声認識装置の動作フローチャートを示し、以下に説明する。
【００４０】
図８において、音響モデル１０８は実施の形態１で作成されたものを用いる。
【００４１】
まず最初に、未知入力音声をフレームごとに音響分析し、特徴パラメータを抽出する（S６１）。特徴パラメータは音響モデル作成時と同じものである。
【００４２】
認識対象語彙辞書１０９には、認識対象となる語彙の音節列が表記されている。この認識対象語彙辞書にしたがって、あらかじめ作成されている音節単位の音響モデル１０８を接続し、これと、上記未知入力音声の特徴パラメータ時系列とをDP照合する（S６２）。その結果、最も類似度の大きかった語彙を認識結果として出力する。
【００４３】
このようにして動作する音声認識装置では、音響モデルが、多数の雑音サンプルをクラスタリングすることにより決定される複数の雑音を重畳した学習用音声サンプルを用いて学習されているため、未知雑音環境下においても高い認識性能が得られる。
【００４４】
以下に、認識実験について説明する。
【００４５】
本発明の効果を検証するため、本実施の形態によって得られる音響モデルを用いて音声認識実験を行った。評価データは１０名分の１００地名音声データとした。評価データに、学習用に用いなかった雑音サンプルを重畳し、１００単語認識を行った。学習用複数雑音サンプルは、「川」、「マークＩＩ」、「データショウ会場」、「事業部」、「幼稚園」である。
【００４６】
評価データへ重畳する雑音サンプルは、クラス１からは「音楽」、クラス２からは「マジェスタ」、クラス３からは「地下鉄」、クラス４からは「事務所」、クラス５からは「東京駅」とした。また、まったく未知の雑音として、「道路」（道路わきで収録した騒音）、「テレビＣＭ」（テレビのコマーシャル音を収録したもの）をそれぞれ評価データに重畳して、単語認識実験を行った。
【００４７】
また、本発明の対照実験として、従来例に相当する、１種類の雑音のみ（「マークＩＩ」）で学習した音響モデルを用いた単語認識実験も同様に行った。
【００４８】
その結果を（表１）に示す。
【００４９】
【表１】
（表１）から、（１）において、学習時の雑音と認識時の雑音が同じクラス内（クラス２同士）の場合、高い認識性能が得られる（マジェスタ９４．８％）が、他のクラスに属する雑音環境下では認識性能が悪い。これに対し、本発明の実験（２）では、クラス２以外のすべてのクラスで（１）よりも高い認識性能を示している。さらに、未知雑音環境に対する実験では、「道路」に対しても「テレビＣＭ」に対しても、本発明の方が認識性能が高いことがわかる。
【００５１】
このことから、本発明は未知雑音に関しても高い認識性能が得られるといえる。
【００５２】
なお、本実施の形態では、クラスタリングによって選択したＮ個の学習用雑音サンプルをそれぞれ学習用音声サンプルに重畳して、音響モデルの各状態を単一ガウス分布として学習を行ったが、雑音ごとに別々にＮ個のガウス分布の混合分布としても良い。また、単一ガウス分布で表されるＮ個の音響モデルを学習して、認識時にＮ個の音響モデルと照合を行い、最も類似度の高い音響モデルに対するスコアを最終スコアとしても良い。
【００５３】
【発明の効果】
以上のように本発明は、クラスタリングにより選択した雑音を学習データに重畳することにより、比較的少ない複数の雑音で学習できるため効率的であり、しかも偏り無く、広く雑音環境をカバーできるため、未知の雑音に対しても高い認識性能が得られる音響モデルが作成できる。
【図面の簡単な説明】
【図１】本発明の実施の形態１における音響モデル作成装置の構成図
【図２】本発明の実施の形態１における学習用複数雑音サンプルの選択方法を表すフローチャート
【図３】本発明の実施の形態１における音響モデルの作成方法を表すフローチャート
【図４】多数雑音サンプルの詳細を説明する図
【図５】樹形図
【図６】フレーム整合のイメージ図
【図７】本発明の実施の形態２における音声認識方法を表すフローチャート
【図８】従来例の音響モデル作成装置の構成図
【図９】従来例の音響モデルの作成方法を表すフローチャート
【符号の説明】
１０１ メモリ
１０２ ＣＰＵ
１０３ キーボード／ディスプレイ
１０４ ＣＰＵバス
１０５ 学習用音声サンプル
１０６ 多数雑音サンプル
１０７ 学習用複数雑音サンプル
１０８ 音響モデル
１０９ 認識対象語彙辞書
Claims (6)
- 音声認識用の音響モデルを作成する装置において、多数の雑音サンプルをクラスタリングする手段と、各クラスから１つずつ雑音サンプルを選択し、学習用音声サンプルに当該選択された雑音サンプルを重畳して学習用複数雑音サンプルとする手段と、その学習用複数雑音サンプルを用いて、１つの音響モデルの学習を行う手段とを備えた音響モデル作成装置。
- 前記雑音サンプルを重畳して学習用複数雑音サンプルとする手段は、クラスタリングされた複数の雑音サンプル間の近さを距離とした場合に、クラスタリングされた複数の雑音サンプル内の重心に最も近い雑音サンプルを選択する、請求項１に記載の音響モデル作成装置。
- 学習用複数雑音サンプルを用いて音響モデルの学習を行う手段は、選択された雑音サンプルをクラス毎に学習用音声サンプルに重畳し、当該クラス毎の雑音が重畳された学習用音声サンプルから音響モデルも学習を行う、請求項１に記載の音響モデル作成装置。
- 請求項１から３までのいずれか一つに記載の音響モデル作成装置で作成された音響モデルを用いて、入力された音声を認識することを特徴とする音声認識装置。
- 音声認識用の音響モデルを作成する方法において、多数雑音サンプル記憶手段に記憶された多数の雑音サンプルをクラスタリングして多数雑音サンプル記憶手段へ記憶するステップと、多数雑音サンプル記憶手段に記憶されたクラスタリングされた各クラスから１つずつ雑音サンプルを選択し、学習用音声サンプル記憶手段に記憶された学習用音声サンプルに当該選択された雑音サンプルを重畳して学習用複数雑音サンプルとして学習用複数雑音サンプル記憶手段へ記憶するステップと、学習用複数雑音サンプル記憶手段に記憶された学習用複数雑音サンプルを用いて、１つの音響モデルの学習を行うステップと、を含む音響モデル作成方法。
- 多数雑音サンプル記憶手段に記憶された多数の雑音サンプルをクラスタリングして多数雑音サンプル記憶手段へ記憶するステップと、多数雑音サンプル記憶手段に記憶されたクラスタリングされた各クラスから１つずつ雑音サンプルを選択し、学習用音声サンプル記憶手段に記憶された学習用音声サンプルに当該選択された雑音サンプルを重畳して学習用複数雑音サンプルとして学習用複数雑音サンプル記憶手段へ記憶するステップと、学習用複数雑音サンプル記憶手段に記憶された学習用複数雑音サンプルを用いて、１つの音響モデルの学習を行うステップと、を含む音響モデル作成方法を、コンピュータに実行させるためのプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000194196A JP4590692B2 (ja) | 2000-06-28 | 2000-06-28 | 音響モデル作成装置及びその方法 |
| US09/879,932 US6842734B2 (en) | 2000-06-28 | 2001-06-14 | Method and apparatus for producing acoustic model |
| DE60110315T DE60110315T2 (de) | 2000-06-28 | 2001-06-15 | Trainieren von akustischen Modellen zur Widerstandsfähigkeit gegen Rauschen |
| EP01305223A EP1168301B1 (en) | 2000-06-28 | 2001-06-15 | Training of acoustic models for noise robustness |
| CNB01122522XA CN1162839C (zh) | 2000-06-28 | 2001-06-27 | 产生声学模型的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000194196A JP4590692B2 (ja) | 2000-06-28 | 2000-06-28 | 音響モデル作成装置及びその方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2002014692A JP2002014692A (ja) | 2002-01-18 |
| JP2002014692A5 JP2002014692A5 (ja) | 2007-04-05 |
| JP4590692B2 true JP4590692B2 (ja) | 2010-12-01 |
Family
ID=18693064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000194196A Expired - Fee Related JP4590692B2 (ja) | 2000-06-28 | 2000-06-28 | 音響モデル作成装置及びその方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6842734B2 (ja) |
| EP (1) | EP1168301B1 (ja) |
| JP (1) | JP4590692B2 (ja) |
| CN (1) | CN1162839C (ja) |
| DE (1) | DE60110315T2 (ja) |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7209881B2 (en) * | 2001-12-20 | 2007-04-24 | Matsushita Electric Industrial Co., Ltd. | Preparing acoustic models by sufficient statistics and noise-superimposed speech data |
| US6952674B2 (en) * | 2002-01-07 | 2005-10-04 | Intel Corporation | Selecting an acoustic model in a speech recognition system |
| JP3885002B2 (ja) * | 2002-06-28 | 2007-02-21 | キヤノン株式会社 | 情報処理装置およびその方法 |
| JP4352790B2 (ja) * | 2002-10-31 | 2009-10-28 | セイコーエプソン株式会社 | 音響モデル作成方法および音声認識装置ならびに音声認識装置を有する乗り物 |
| US7365577B2 (en) * | 2002-11-15 | 2008-04-29 | Telebyte, Inc. | Noise waveform generator with spectrum control |
| GB2401469B (en) * | 2003-05-09 | 2006-11-22 | Domain Dynamics Ltd | Pattern recognition |
| JP4548646B2 (ja) | 2003-09-12 | 2010-09-22 | 株式会社エヌ・ティ・ティ・ドコモ | 音声モデルの雑音適応化システム、雑音適応化方法、及び、音声認識雑音適応化プログラム |
| EP1732063A4 (en) | 2004-03-31 | 2007-07-04 | Pioneer Corp | LANGUAGE RECOGNITION AND LANGUAGE RECOGNITION METHOD |
| JP4763387B2 (ja) * | 2005-09-01 | 2011-08-31 | 旭化成株式会社 | パターンモデル生成装置、パターンモデル評価装置およびパターン認識装置 |
| KR100679051B1 (ko) * | 2005-12-14 | 2007-02-05 | 삼성전자주식회사 | 복수의 신뢰도 측정 알고리즘을 이용한 음성 인식 장치 및방법 |
| TW200926142A (en) * | 2007-12-12 | 2009-06-16 | Inst Information Industry | A construction method of English recognition variation pronunciation models |
| JP5302092B2 (ja) * | 2009-05-12 | 2013-10-02 | 株式会社レイトロン | 音声認識モデルパラメータ作成装置、音声認識モデルパラメータ作成方法および音声認識装置 |
| US10013641B2 (en) * | 2009-09-28 | 2018-07-03 | Oracle International Corporation | Interactive dendrogram controls |
| US10552710B2 (en) * | 2009-09-28 | 2020-02-04 | Oracle International Corporation | Hierarchical sequential clustering |
| US20110078194A1 (en) * | 2009-09-28 | 2011-03-31 | Oracle International Corporation | Sequential information retrieval |
| CN103971685B (zh) * | 2013-01-30 | 2015-06-10 | 腾讯科技（深圳）有限公司 | 语音命令识别方法和系统 |
| CN103971677B (zh) * | 2013-02-01 | 2015-08-12 | 腾讯科技（深圳）有限公司 | 一种声学语言模型训练方法和装置 |
| US9396723B2 (en) | 2013-02-01 | 2016-07-19 | Tencent Technology (Shenzhen) Company Limited | Method and device for acoustic language model training |
| US20140278415A1 (en) * | 2013-03-12 | 2014-09-18 | Motorola Mobility Llc | Voice Recognition Configuration Selector and Method of Operation Therefor |
| US9552825B2 (en) * | 2013-04-17 | 2017-01-24 | Honeywell International Inc. | Noise cancellation for voice activation |
| WO2014182453A2 (en) * | 2013-05-06 | 2014-11-13 | Motorola Mobility Llc | Method and apparatus for training a voice recognition model database |
| CN103280215B (zh) * | 2013-05-28 | 2016-03-23 | 北京百度网讯科技有限公司 | 一种音频特征库建立方法及装置 |
| US9336781B2 (en) * | 2013-10-17 | 2016-05-10 | Sri International | Content-aware speaker recognition |
| GB2532041B (en) * | 2014-11-06 | 2019-05-29 | Imagination Tech Ltd | Comfort noise generation |
| KR102167719B1 (ko) | 2014-12-08 | 2020-10-19 | 삼성전자주식회사 | 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치 |
| JP6580882B2 (ja) * | 2015-06-24 | 2019-09-25 | 株式会社東芝 | 音声認識結果出力装置、音声認識結果出力方法及び音声認識結果出力プログラム |
| CN105448303B (zh) * | 2015-11-27 | 2020-02-04 | 百度在线网络技术（北京）有限公司 | 语音信号的处理方法和装置 |
| US9922664B2 (en) * | 2016-03-28 | 2018-03-20 | Nuance Communications, Inc. | Characterizing, selecting and adapting audio and acoustic training data for automatic speech recognition systems |
| CN107564513B (zh) | 2016-06-30 | 2020-09-08 | 阿里巴巴集团控股有限公司 | 语音识别方法及装置 |
| CN108335694B (zh) * | 2018-02-01 | 2021-10-15 | 北京百度网讯科技有限公司 | 远场环境噪声处理方法、装置、设备和存储介质 |
| US11011162B2 (en) | 2018-06-01 | 2021-05-18 | Soundhound, Inc. | Custom acoustic models |
| CN110942763B (zh) * | 2018-09-20 | 2023-09-12 | 阿里巴巴集团控股有限公司 | 语音识别方法及装置 |
| CN110459219A (zh) * | 2019-08-26 | 2019-11-15 | 恒大智慧科技有限公司 | 一种危险报警方法、装置、计算机设备及存储介质 |
| CN110599751A (zh) * | 2019-08-26 | 2019-12-20 | 恒大智慧科技有限公司 | 一种危险报警方法、装置、计算机设备及存储介质 |
| US20220335964A1 (en) * | 2019-10-15 | 2022-10-20 | Nec Corporation | Model generation method, model generation apparatus, and program |
| CN111369979B (zh) * | 2020-02-26 | 2023-12-19 | 广州市百果园信息技术有限公司 | 训练样本获取方法、装置、设备及计算机存储介质 |
| US11765501B2 (en) * | 2021-03-10 | 2023-09-19 | Honeywell International Inc. | Video surveillance system with audio analytics adapted to a particular environment to aid in identifying abnormal events in the particular environment |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06138895A (ja) * | 1992-10-26 | 1994-05-20 | Sharp Corp | 音声認識装置 |
| JPH09198079A (ja) * | 1996-01-12 | 1997-07-31 | Brother Ind Ltd | 音声認識装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58105295A (ja) * | 1981-12-18 | 1983-06-23 | 株式会社日立製作所 | 音声標準パタン作成方法 |
| DE4325404C2 (de) | 1993-07-29 | 2002-04-11 | Tenovis Gmbh & Co Kg | Verfahren zum Ermitteln und Klassifizieren von Störgeräuschtypen |
| AU720511B2 (en) | 1995-08-24 | 2000-06-01 | British Telecommunications Public Limited Company | Pattern recognition |
| US5806029A (en) * | 1995-09-15 | 1998-09-08 | At&T Corp | Signal conditioned minimum error rate training for continuous speech recognition |
| JPH10232694A (ja) * | 1997-02-19 | 1998-09-02 | Matsushita Electric Ind Co Ltd | 音声認識装置および音声認識方法 |
| US6381569B1 (en) | 1998-02-04 | 2002-04-30 | Qualcomm Incorporated | Noise-compensated speech recognition templates |
| US6782361B1 (en) * | 1999-06-18 | 2004-08-24 | Mcgill University | Method and apparatus for providing background acoustic noise during a discontinued/reduced rate transmission mode of a voice transmission system |
-
2000
- 2000-06-28 JP JP2000194196A patent/JP4590692B2/ja not_active Expired - Fee Related
-
2001
- 2001-06-14 US US09/879,932 patent/US6842734B2/en not_active Expired - Lifetime
- 2001-06-15 EP EP01305223A patent/EP1168301B1/en not_active Expired - Lifetime
- 2001-06-15 DE DE60110315T patent/DE60110315T2/de not_active Expired - Lifetime
- 2001-06-27 CN CNB01122522XA patent/CN1162839C/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06138895A (ja) * | 1992-10-26 | 1994-05-20 | Sharp Corp | 音声認識装置 |
| JPH09198079A (ja) * | 1996-01-12 | 1997-07-31 | Brother Ind Ltd | 音声認識装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1168301B1 (en) | 2005-04-27 |
| CN1162839C (zh) | 2004-08-18 |
| JP2002014692A (ja) | 2002-01-18 |
| DE60110315T2 (de) | 2006-03-09 |
| DE60110315D1 (de) | 2005-06-02 |
| EP1168301A1 (en) | 2002-01-02 |
| US6842734B2 (en) | 2005-01-11 |
| CN1331467A (zh) | 2002-01-16 |
| US20020055840A1 (en) | 2002-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4590692B2 (ja) | 音響モデル作成装置及びその方法 | |
| KR100826875B1 (ko) | 온라인 방식에 의한 화자 인식 방법 및 이를 위한 장치 | |
| JP5768093B2 (ja) | 音声処理システム | |
| KR100612840B1 (ko) | 모델 변이 기반의 화자 클러스터링 방법, 화자 적응 방법및 이들을 이용한 음성 인식 장치 | |
| US6442519B1 (en) | Speaker model adaptation via network of similar users | |
| JP4109063B2 (ja) | 音声認識装置及び音声認識方法 | |
| WO2019102884A1 (ja) | ラベル生成装置、モデル学習装置、感情認識装置、それらの方法、プログラム、および記録媒体 | |
| US20180151177A1 (en) | Speech recognition system and method using an adaptive incremental learning approach | |
| JP4220449B2 (ja) | インデキシング装置、インデキシング方法およびインデキシングプログラム | |
| JP6908045B2 (ja) | 音声処理装置、音声処理方法、およびプログラム | |
| WO2004057574A1 (en) | Sensor based speech recognizer selection, adaptation and combination | |
| CN102280106A (zh) | 用于移动通信终端的语音网络搜索方法及其装置 | |
| Das et al. | Bangladeshi dialect recognition using Mel frequency cepstral coefficient, delta, delta-delta and Gaussian mixture model | |
| CN116665669A (zh) | 一种基于人工智能的语音交互方法及系统 | |
| Aggarwal et al. | Integration of multiple acoustic and language models for improved Hindi speech recognition system | |
| Ons et al. | Fast vocabulary acquisition in an NMF-based self-learning vocal user interface | |
| JP3919475B2 (ja) | 話者特徴抽出装置および話者特徴抽出方法、音声認識装置、並びに、プログラム記録媒体 | |
| Ons et al. | A self learning vocal interface for speech-impaired users | |
| Walter et al. | An evaluation of unsupervised acoustic model training for a dysarthric speech interface | |
| Imperl et al. | Clustering of triphones using phoneme similarity estimation for the definition of a multilingual set of triphones | |
| JP3029803B2 (ja) | 音声認識のための単語モデル生成装置及び音声認識装置 | |
| JPWO2020049687A1 (ja) | 音声処理装置、音声処理方法、およびプログラム | |
| CN110419078A (zh) | 自动语音识别系统的用户记录关键字的质量反馈 | |
| JP4571921B2 (ja) | 音響モデル適応化装置、音響モデル適応化方法、音響モデル適応化プログラム及びその記録媒体 | |
| Kokkinidis et al. | Finding the optimum training solution for Byzantine music recognition—A Max/Msp approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070219 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070219 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20070313 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20091119 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20091214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091222 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100203 |
|
| 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: 20100817 |
|
| 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: 20100830 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 4590692 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130924 Year of fee payment: 3 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |