JP4689497B2 - 音声認識装置 - Google Patents

Description

この発明は、統計言語モデルを用いて、音声を連続的に認識する音声認識装置に関するものである。

大語彙の連続音声認識装置では、認識対象とする語彙（例えば、単語）間の接続を規定する制約として、統計言語モデルであるＮ−ｇｒａｍ言語モデルを用いる場合が一般的である。
Ｎ＝２であるバイグラムや、Ｎ＝３であるトライグラムが用いられることが多い。
ただし、最初からトライグラムを用いると、演算量とメモリ量が大きくなるため、最初にバイグラムを用いて粗い音声認識を行う認識方式が多い（例えば、非特許文献１を参照）。

非特許文献１に開示されている従来の音声認識装置では、音声認識処理の実施に先立って、言語モデルの学習データ（例えば、形態素解析されたテキストデータ）を用いて、統計言語モデルである単語バイグラムを学習し、その単語バイグラムを単語バイグラムテーブルに保存する。
即ち、単語バイグラムのパラメータ値を計算して、そのパラメータ値を単語バイグラムテーブルに保存する。なお、単語バイグラムのパラメータ値の計算は、例えば、以下の非特許文献２に開示されている方法を使用する。

また、従来の音声認識装置は、音声認識処理における照合処理の演算量を削減するために、言語モデルの学習データに含まれる単語を音素単位に分割し、単語の語頭部分の音素を束ねた木構造辞書を作成する。
木構造辞書を構成する各ノードには１個以上の単語が属するが、ノードに属する単語が複数個である場合、当該ノードでの単語が未確定になり、言語モデル（バイグラム：単語Ａと単語Ｂの連鎖確率）の尤度を付与することができず、音声認識処理におけるビームサーチが非効率になる。
これを避けるため、音声認識処理における照合処理では、当該ノードに属する全ての単語の言語尤度を計算し、全ての単語の言語尤度を比較して最も大きい言語尤度を当該ノードの言語スコアとして与えるようにしている。

具体的には、先行単語の木構造辞書を構成しているノードに属する単語のグループをＧ_i＝｛ｗ_i1，ｗ_i2，・・・，ｗ_iM｝、後続単語の木構造辞書を構成しているノードに属する単語のグループをＧ_j＝｛ｗ_j1，ｗ_j2，・・・，ｗ_jN｝とすると、先行単語グループＧ_iと後続単語グループＧ_j間の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）は、下記の式（１）に示すように、先行単語グループＧ_iに属する単語と後続単語グループＧ_jに属する単語間の単語バイグラムｐ（ｗ_jn｜ｗ_im）を全ての単語の組み合わせについて求め、全ての単語の組み合わせの単語バイグラムの中から最大の単語バイグラムを選択することにより得られる。
Ｐ（Ｇ_j｜Ｇ_i）＝ＭＡＸ_{(m=1,M,n=1,N)}ｐ（ｗ_jn｜ｗ_im） （１）
因みに、先行単語グループＧ_iに属する単語の個数が３個、後続単語グループＧ_jに属する単語の個数が４個であれば、３×４＝１２通りの単語の組み合わせ中から、最大の単語バイグラムの選択を行うことになる。

ただし、式（１）の計算を音声認識処理の照合処理時に逐一行うようにすると、多くの処理時間を要するため、従来の音声認識装置では、音声認識処理を実施する前に計算して、その計算結果である単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブルに保存するようにしている。
しかし、先行単語の木構造辞書を構成している全てのノードに対応する先行単語グループＧ_iと、後続単語の木構造辞書を構成している全てのノードに対応する後続単語グループＧ_jとの全組み合わせについて、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を計算して、その単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブルに保存するようにすると、テーブルサイズが膨大になるため、従来の音声認識装置では、保存対象の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を制限するようにしている。

即ち、先行単語グループＧ_iになり得る単語グループは、先行単語の木構造辞書を構成している全てのノードに対応する単語グループではなく、単語終端ノードに対応する単語グループに限られるため、計算対象の先行単語グループＧ_iを単語終端ノードに対応する単語グループに制限している。
一方、後続単語グループＧ_jになり得る単語グループは、後続単語の木構造辞書を構成している全てのノードに対応する単語グループであるが、テーブルサイズを制限するため、計算対象の後続単語グループＧ_jを木構造辞書の語頭の数音素に対応するノードの単語グループに制限している。

今井他、"ニュース番組自動字幕化のための音声認識システム"、ヒューマンインタフェース音声言語情報処理研究会報告、２３−１１、（１９９８年１０月１７日） 北研二著："確率的言語モデル"、東京大学出版会 ｐｐ．５７−７０

従来の音声認識装置は以上のように構成されているので、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を計算する対象の後続単語グループＧ_jを木構造辞書の語頭の数音素に対応するノードの単語グループに制限して、単語グループ間バイグラムテーブルのテーブルサイズの削減を図っている（この場合でも、数１００Ｍｂｙｔｅ規模の単語グループ間バイグラムテーブルを要する）。しかし、木構造辞書の語頭の数音素に対応するノードには、単語バイグラムがエントリされていない単語だけが属している場合もあり、このようなノードに対応する単語グループを計算対象の後続単語グループＧ_jに含めても意味がなく（このような単語グループに係る単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）は０になり、連鎖確率をバックオフしなければ、以降、この単語グループに属する単語を音声認識に使用することができなくなる）、単語グループ間バイグラムテーブルを無駄に使用しているなどの課題があった。

この発明は上記のような課題を解決するためになされたもので、単語グループ間バイグラムテーブルのテーブルサイズを削減することができる音声認識装置を得ることを目的とする。

この発明に係る音声認識装置は、学習用データを用いて統計言語モデルである単語バイグラムを学習する学習手段と、認識対象の単語が木構造で表現されている木構造辞書と、先行単語の木構造辞書を構成している終端ノードと後続単語の木構造辞書を構成しているノードに属する単語の組み合わせの中に、上記学習手段により学習された単語バイグラムに適合する単語の組み合わせが存在すれば、先行単語の木構造辞書を構成している終端ノードに属する単語群と後続単語の木構造辞書を構成しているノードに属する単語群との単語群間バイグラムを算出する単語群間バイグラム算出手段と、音声信号をフレーム単位で音響分析して、各フレームの特徴ベクトルを抽出する特徴ベクトル抽出手段と、上記単語群間バイグラム算出手段により算出された単語群間バイグラムを用いて言語スコアを算出し、その言語スコアと上記特徴ベクトル抽出手段により抽出された特徴ベクトルから照合スコアを算出する照合手段とを備え、上記単語群間バイグラム算出手段は、上記学習手段により学習された単語バイグラムに適合する単語の組み合わせが存在する場合、単語の組み合わせに対応する単語バイグラムの中で最大の単語バイグラムを単語群間バイグラムとして単語群間バイグラムテーブルに保存すると共に、木構造辞書を構成しているノード毎に、当該ノードに属する１個以上の単語のユニグラムを比較して最大のユニグラムを特定する最大ユニグラム特定手段と、上記木構造辞書を構成している終端ノード毎に、当該終端ノードに属する１個以上の単語のバックオフ係数を比較して最大のバックオフ係数を特定する最大バックオフ係数特定手段とを設け、先行単語の木構造辞書を構成している終端ノードに属する単語群と後続単語の木構造辞書を構成しているノードに属する単語群との単語群間バイグラムが単語群間バイグラムテーブルに保存されていない場合、照合手段が上記最大ユニグラム特定手段により特定された最大のユニグラムと上記最大バックオフ係数特定手段により特定された最大のバックオフ係数から単語群間バイグラムを算出するようにしたものである。

この発明によれば、学習用データを用いて統計言語モデルである単語バイグラムを学習する学習手段と、認識対象の単語が木構造で表現されている木構造辞書と、先行単語の木構造辞書を構成している終端ノードと後続単語の木構造辞書を構成しているノードに属する単語の組み合わせの中に、上記学習手段により学習された単語バイグラムに適合する単語の組み合わせが存在すれば、先行単語の木構造辞書を構成している終端ノードに属する単語群と後続単語の木構造辞書を構成しているノードに属する単語群との単語群間バイグラムを算出する単語群間バイグラム算出手段と、音声信号をフレーム単位で音響分析して、各フレームの特徴ベクトルを抽出する特徴ベクトル抽出手段と、上記単語群間バイグラム算出手段により算出された単語群間バイグラムを用いて言語スコアを算出し、その言語スコアと上記特徴ベクトル抽出手段により抽出された特徴ベクトルから照合スコアを算出する照合手段とを備え、上記単語群間バイグラム算出手段は、上記学習手段により学習された単語バイグラムに適合する単語の組み合わせが存在する場合、単語の組み合わせに対応する単語バイグラムの中で最大の単語バイグラムを単語群間バイグラムとして単語群間バイグラムテーブルに保存すると共に、木構造辞書を構成しているノード毎に、当該ノードに属する１個以上の単語のユニグラムを比較して最大のユニグラムを特定する最大ユニグラム特定手段と、上記木構造辞書を構成している終端ノード毎に、当該終端ノードに属する１個以上の単語のバックオフ係数を比較して最大のバックオフ係数を特定する最大バックオフ係数特定手段とを設け、先行単語の木構造辞書を構成している終端ノードに属する単語群と後続単語の木構造辞書を構成しているノードに属する単語群との単語群間バイグラムが単語群間バイグラムテーブルに保存されていない場合、照合手段が上記最大ユニグラム特定手段により特定された最大のユニグラムと上記最大バックオフ係数特定手段により特定された最大のバックオフ係数から単語群間バイグラムを算出するに構成したので、単語群間バイグラムテーブルのテーブルサイズを削減することができる効果がある。

実施の形態１．
図１はこの発明の実施の形態１による音声認識装置を示す構成図であり、図において、学習データメモリ１は言語モデルの学習データ（例えば、形態素解析されたテキストデータ）を記憶しているメモリである。
単語バイグラム算出部２は学習データメモリ１に記憶されている学習データを用いて、統計言語モデルである単語バイグラムを学習し、その単語バイグラムのパラメータ値を単語バイグラムテーブル３に保存する処理を実施する。なお、単語バイグラム算出部２は学習手段を構成している。
単語バイグラムテーブル３は単語バイグラム算出部２により学習された単語バイグラムのパラメータ値を保存するメモリである。

木構造辞書作成部４は学習データメモリ１に記憶されている学習データに含まれる単語を音素単位に分割し、単語の語頭部分の音素を束ねた木構造辞書（認識対象の単語が木構造で表現されている木構造辞書）を作成する処理を実施する。
木構造辞書メモリ５は木構造辞書作成部４により作成された木構造辞書を保存するメモリである。
単語グループ統計量算出部６は単語グループ間バイグラム算出部７、最大ユニグラム特定部８及び最大バックオフ係数特定部９から構成されている。

単語グループ統計量算出部６の単語グループ間バイグラム算出部７は先行単語の木構造辞書を構成している終端ノードと後続単語の木構造辞書を構成しているノードに属する単語の組み合わせの中に、単語バイグラムテーブル３に保存されている単語バイグラムに適合する単語の組み合わせが存在すれば、先行単語の木構造辞書を構成している終端ノードに属する先行単語グループ（単語群）と後続単語の木構造辞書を構成しているノードに属する後続単語グループ（単語群）との単語グループ間バイグラム（単語群間バイグラム）を算出し、その単語グループ間バイグラムを単語グループ間バイグラムテーブル１０に保存する処理を実施する。
即ち、単語グループ間バイグラム算出部７は単語バイグラムテーブル３に保存されている単語バイグラムに適合する単語の組み合わせが存在する場合、単語の組み合わせに対応する単語バイグラムの中で最大の単語バイグラムを単語グループ間バイグラムとして単語グループ間バイグラムテーブル１０に格納する。なお、単語グループ間バイグラム算出部７は単語群間バイグラム算出手段を構成している。

単語グループ統計量算出部６の最大ユニグラム特定部８は木構造辞書メモリ５に保存されている木構造辞書を構成しているノード毎に、当該ノードに属する１個以上の単語のユニグラムを比較して最大のユニグラムを特定し、その最大のユニグラムを単語グループ内最大ユニグラムテーブル１１に保存する処理を実施する。なお、最大ユニグラム特定部８は最大ユニグラム特定手段を構成している。
単語グループ統計量算出部６の最大バックオフ係数特定部９は木構造辞書メモリ５に保存されている木構造辞書を構成している終端ノード毎に、当該終端ノードに属する１個以上の単語のバックオフ係数を比較して最大のバックオフ係数を特定し、その最大のバックオフ係数を単語グループ内最大バックオフ係数テーブル１２に保存する処理を実施する。なお、最大バックオフ係数特定部９は最大バックオフ係数特定手段を構成している。

特徴ベクトル抽出部２２は入力端子２１から入力された音声信号をフレーム単位で音響分析して、各フレームの特徴ベクトルを抽出する処理を実施する。なお、特徴ベクトル抽出部２２は特徴ベクトル抽出手段を構成している。
音響モデルメモリ２３は例えば音素単位のＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）などの音響モデルを記憶しているメモリである。

言語スコア算出部２４は先行単語グループと後続単語グループに対応する単語グループ間バイグラムが単語グループ間バイグラムテーブル１０に保存されていれば、その単語グループ間バイグラムの対数値を言語スコア（言語尤度）として算出し、先行単語グループと後続単語グループに対応する単語グループ間バイグラムが単語グループ間バイグラムテーブル１０に保存されていない場合、単語グループ内最大ユニグラムテーブル１１に格納されている最大ユニグラムと単語グループ内最大バックオフ係数テーブル１２に格納されている最大バックオフ係数から単語グループ間バイグラムを算出し、その単語グループ間バイグラムの対数値を言語スコア（言語尤度）として算出する処理を実施する。
照合処理部２５は音響モデルメモリ２３に記憶されている音響モデルや言語スコア算出部２４により算出された言語スコアを用いて、照合スコアを算出する処理を実施する。
なお、言語スコア算出部２４及び照合処理部２５から照合手段が構成されている。

図２はこの発明の実施の形態１による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートであり、図３はこの発明の実施の形態１による音声認識装置の言語スコア算出処理を示すフローチャートである。
また、図４は先行単語及び後続単語の木構造辞書を示す説明図である。

次に動作について説明する。
音声認識装置は、音声認識処理を実施するに先立って、単語グループ間バイグラム等の算出処理を実施する。
単語バイグラム算出部２は、学習データメモリ１に記憶されている学習データを用いて、統計言語モデルである単語バイグラムを学習し、その単語バイグラムのパラメータ値を単語バイグラムテーブル３に保存する。
単語バイグラムのパラメータ値は、例えば、上記の非特許文献２に開示されている方法を使用して計算するが、単語バイグラムのパラメータ値として、単語ｗ_iと単語ｗ_jの連鎖確率である単語バイグラムｐ（ｗ_j｜ｗ_i）と、単語ｗ_jの出現確率である単語ユニグラムｐ（ｗ_j）と、単語連鎖ｗ_i，ｗ_jの出現確率が０である場合に若干の出現確率を単語ｗ_iに与えるバックオフ係数ｂ（ｗ_i）を計算する。

木構造辞書作成部４は、後述する照合処理部２５における照合処理の演算量を削減するために、学習データメモリ１に記憶されている学習データに含まれる単語を音素単位に分割し、単語の語頭部分の音素を束ねた木構造辞書を作成する。
図４は木構造辞書の作成例であるが、図中の“○”は、木構造辞書を構成しているノードを表しており、ノードとノードを結ぶ実線をアークと称し、アークには音素が対応付けられている。
また、木構造辞書を構成しているノードに属する単語の集合を単語グループと称する。

木構造辞書を構成する各ノードには複数個の単語が属することが多く、例えば、図４のノードｊには、「ママ（ｍａｍａ）」、「豆（ｍａｍｅ）」、「道（ｍｉｃｉ）」、「蜜（ｍｉｃｕ）」の４単語が属している。
このように、ノードに属する単語が複数個である場合、当該ノードでの単語が未確定になるため、言語モデル（バイグラム：単語Ａと単語Ｂの連鎖確率）の尤度を付与することができず、後述する照合処理部２５におけるビームサーチが非効率になる。
これを避けるためには、当該ノードに属する全ての単語の言語尤度を計算し、全ての単語の言語尤度を比較して最も大きい言語尤度を当該ノードの言語スコアとして与えればよい。

具体的には、先行単語の木構造辞書を構成しているノードに属する単語のグループをＧ_i＝｛ｗ_i1，ｗ_i2，・・・，ｗ_iM｝、後続単語の木構造辞書を構成しているノードに属する単語のグループをＧ_j＝｛ｗ_j1，ｗ_j2，・・・，ｗ_jN｝とすると、先行単語グループＧ_iと後続単語グループＧ_j間の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）は、下記の式（２）に示すように、先行単語グループＧ_iに属する単語と後続単語グループＧ_jに属する単語間の単語バイグラムｐ（ｗ_jn｜ｗ_im）を全ての単語の組み合わせについて求め、全ての単語の組み合わせの単語バイグラムの中から最大の単語バイグラムを選択することにより得られる。
Ｐ（Ｇ_j｜Ｇ_i）＝ＭＡＸ_{(m=1,M,n=1,N)}ｐ（ｗ_jn｜ｗ_im） （２）
因みに、先行単語グループＧ_iに属する単語の個数が３個、後続単語グループＧ_jに属する単語の個数が４個であれば、３×４＝１２通りの単語の組み合わせ中から、最大の単語バイグラムの選択を行うことになる。

ただし、式（２）の計算を音声認識処理における照合処理時に逐一行うようにすると、多くの処理時間を要するため、言語スコア算出部２４が言語スコアの算出を開始する前に、単語グループ統計量算出部６の単語グループ間バイグラム算出部７が単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を計算して、その単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するようにしている。
しかし、単語グループ統計量算出部６の単語グループ間バイグラム算出部７が、先行単語の木構造辞書を構成している全てのノードに対応する先行単語グループＧ_iと、後続単語の木構造辞書を構成している全てのノードに対応する後続単語グループＧ_jとの全組み合わせについて、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を計算して、その単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するようにすると、テーブルサイズが膨大になる。
そこで、この実施の形態１では、単語グループ間バイグラム算出部７が保存対象の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を次のように制限している。

即ち、単語グループ間バイグラム算出部７は、先行単語グループＧ_iについては、先行単語グループＧ_iになり得る単語グループが、先行単語の木構造辞書を構成している全てのノードに対応する単語グループではなく、単語終端ノードに対応する単語グループに限られるため、計算対象の先行単語グループＧ_iを単語終端ノードに対応する単語グループに制限している。
一方、後続単語グループＧ_jについては、後続単語グループＧ_jになり得る単語グループが、後続単語の木構造辞書を構成している全てのノードに対応する単語グループであるが、単語バイグラムが単語バイグラムテーブル３にエントリされていない単語だけが属している単語グループについては、計算対象の後続単語グループＧ_jに含めても意味がないため（このような単語グループに係る単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）は０になり、連鎖確率をバックオフしなければ、以降、この単語グループに属する単語を音声認識に使用することができなくなる）、単語バイグラムが単語バイグラムテーブル３にエントリされている単語を１つ以上含んでいる単語グループに制限している。
同様に、計算対象の先行単語グループＧ_iについても、単語バイグラムが単語バイグラムテーブル３にエントリされている単語を１つ以上含んでいる単語グループに制限している。

ここで、上記のように保存対象の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を制限できる仕組みについて説明する。
単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）は、上記の式（２）を計算することにより求めるが、式（２）の右辺における単語バイグラムｐ（ｗ_jn｜ｗ_im）の計算において、単語ｗ_im又は単語ｗ_jnの単語バイグラムが単語バイグラムテーブル３にエントリされていない場合、下記の式（３）に示すように、単語ｗ_jnの単語ユニグラムｐ（ｗ_jn）を単語ｗ_imのバックオフ係数ｂ（ｗ_im）でバックオフすることにより、単語バイグラムｐ（ｗ_jn｜ｗ_im）を算出する。
ｐ（ｗ_jn｜ｗ_im）＝ｂ（ｗ_im）×ｐ（ｗ_jn） （３）

先行単語グループＧ_i＝｛ｗ_i1，ｗ_i2，_・・・，ｗ_iM｝と後続単語グループＧ_j＝｛ｗ_j1，ｗ_j2，_・・・，ｗ_jN｝間の全単語の組み合わせで、単語バイグラムが単語バイグラムテーブル３にエントリされていない場合には、（２）式右辺の計算は、全て（３）式を用いて行うことになる。この場合、（２）式は下記（４）式のように変形することができる。
Ｐ（Ｇ_j｜Ｇ_i）＝ＭＡＸ_(m=1,M)ｂ（ｗ_im）×ＭＡＸ_(n=1,N)ｐ（ｗ_jn）
（４）

以後簡単のため、ＭＡＸ_(m=1,M)ｂ（ｗ_im）をｂｍａｘ（ｉ）と略記する。またＭＡＸ_(n=1,N)ｐ（ｗ_jn）をＰｍａｘ（ｊ）と略記する。
このように、単語グループ毎に、単語グループ内の最大ユニグラムＰｍａｘ（ｊ）と最大バックオフ係数ｂｍａｘ（ｉ）を保存しておけば、最大ユニグラムＰｍａｘ（ｊ）と最大バックオフ係数ｂｍａｘ（ｉ）から単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を算出することができるので、単語ｗ_im又は単語ｗ_jnの単語バイグラムが単語バイグラムテーブル３にエントリされていない単語グループ間の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラム１０に保存しておく必要がない。
因みに、単語グループ内の最大ユニグラムＰｍａｘ（ｊ）と最大バックオフ係数ｂｍａｘ（ｉ）を保存する場合のエントリ数は、高々、単語グループ数の２倍であるため、メモリの消費量は僅かである。

以下、単語グループ統計量算出部６の処理内容を具体的に説明する。
単語グループ統計量算出部６の最大ユニグラム特定部８は、木構造辞書メモリ５に保存されている木構造辞書を構成しているノード毎に、当該ノードに属する１個以上の単語のユニグラムを比較して最大のユニグラムを特定する。
即ち、最大ユニグラム特定部８は、単語ｗ_jの単語ユニグラムｐ（ｗ_j）が単語バイグラムテーブル３に格納されているので、単語バイグラムテーブル３から当該ノードに属している単語の単語ユニグラムを取得し、それらの単語ユニグラムの中で最大の単語ユニグラムを特定する。
最大ユニグラム特定部８は、最大のユニグラムを特定すると、最大のユニグラムを単語グループ内最大ユニグラムテーブル１１に保存する（ステップＳＴ１）。

単語グループ統計量算出部６の最大バックオフ係数特定部９は、木構造辞書メモリ５に保存されている木構造辞書を構成している単語終端ノード毎に、当該単語終端ノードに属する１個以上の単語のバックオフ係数を比較して最大のバックオフ係数を特定する。
即ち、最大バックオフ係数特定部９は、単語ｗ_iのバックオフ係数ｂ（ｗ_i）が単語バイグラムテーブル３に格納されているので、単語バイグラムテーブル３から当該単語終端ノードに属している単語のバックオフ係数を取得し、それらのバックオフ係数の中で最大のバックオフ係数を単語グループ内最大バックオフ係数テーブル１２に保存する（ステップＳＴ２）。

単語グループ統計量算出部６の単語グループ間バイグラム算出部７は、先行単語グループＧ_iに属する単語ｗ_imと、後続単語グループＧ_jに属する単語ｗ_jnとの組み合わせにおいて、単語ｗ_imと単語ｗ_jnの単語バイグラムが単語バイグラムテーブル３にエントリされているか否かを調査する（ステップＳＴ３）。
単語グループ間バイグラム算出部７は、単語ｗ_imと単語ｗ_jnの組み合わせにおいて、１つでも単語バイグラムｐ（ｗ_jn｜ｗ_im）が単語バイグラムテーブル３にエントリされていれば（ステップＳＴ４）、上記の式（２）を計算することにより、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を算出する（ステップＳＴ５）。

単語グループ間バイグラム算出部７は、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を算出すると、先行単語グループＧ_iのＩＤ番号「ｉ」と、後続単語グループＧ_jのＩＤ番号「ｊ」と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）とを単語グループ間バイグラムテーブル１０に保存する（ステップＳＴ６）。
単語グループ統計量算出部６は、全ての単語グループの組み合わせについて、ステップＳＴ４〜ＳＴ６の処理を繰り返し実施する（ステップＳＴ７）。

次に、音声認識時の処理内容について説明する。
特徴ベクトル抽出部２２は、入力端子２１から入力された音声信号をＡ／Ｄ変換し、Ａ／Ｄ変換後のデジタルの音声信号をフレームと呼ばれる短い時間区間毎に分割する。
特徴ベクトル抽出部２２は、音声信号をフレーム単位に分割すると、例えば、ＬＰＣ（Ｌｉｎｅａｒ Ｐｒｅｄｉｃｉｔｉｖｅ Ｃｏｄｉｎｇ）法を用いて、フレーム毎に音響分析することにより、各フレームの特徴ベクトルＸ（ｔ）を抽出する。
ただし、ｔ＝１，２，３，・・・，Ｔである。

照合処理部２５は、特徴ベクトル抽出部２２が各フレームの特徴ベクトルＸ（ｔ）を抽出すると、木構造辞書メモリ５に保存されている先行単語の木構造辞書と後続単語の木構造辞書を参照して、先行単語グループＧ_iのＩＤ番号「ｉ」と後続単語グループＧ_jのＩＤ番号「ｊ」を言語スコア算出部２４に出力する。
言語スコア算出部２４は、照合処理部２５から先行単語グループＧ_iのＩＤ番号「ｉ」と後続単語グループＧ_jのＩＤ番号「ｊ」を受けると、先行単語グループＧ_iのＩＤ番号「ｉ」と後続単語グループＧ_jのＩＤ番号「ｊ」に対応する単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）が単語グループ間バイグラムテーブル１０にエントリされているか否かを調査する（ステップＳＴ２１）。

言語スコア算出部２４は、先行単語グループＧ_iのＩＤ番号「ｉ」と後続単語グループＧ_jのＩＤ番号「ｊ」に対応する単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）が単語グループ間バイグラムテーブル１０にエントリされている場合（ステップＳＴ２２）、その単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値が言語尤度に相当するので、その言語尤度を言語スコアＳｌ（ｊ）として照合処理部２５に出力する（ステップＳＴ２３）。
一方、先行単語グループＧ_iのＩＤ番号「ｉ」と後続単語グループＧ_jのＩＤ番号「ｊ」に対応する単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）が単語グループ間バイグラムテーブル１０にエントリされていない場合（ステップＳＴ２２）、単語グループ内最大ユニグラムテーブル１１から後続単語グループＧ_jの最大ユニグラムＰｍａｘ（ｊ）を取得し、最大バックオフ係数テーブル１２から先行単語グループＧ_iの最大バックオフ係数ｂｍａｘ（ｉ）を取得する。

言語スコア算出部２４は、最大ユニグラムＰｍａｘ（ｊ）と最大バックオフ係数ｂｍａｘ（ｉ）を取得すると、下記の式（５）に示すように（式（５）は上記の式（３）に相当する）、最大ユニグラムＰｍａｘ（ｊ）を最大バックオフ係数ｂｍａｘ（ｉ）でバックオフすることにより、単語バイグラムｐ（ｗ_jn｜ｗ_im）_MAXを算出する。
ｐ（ｗ_jn｜ｗ_im）_MAX＝ｂｍａｘ（ｉ）×Ｐｍａｘ（ｊ） （５）
言語スコア算出部２４は、単語バイグラムｐ（ｗ_jn｜ｗ_im）_MAXを算出すると、下記の式（６）に示すように（式（６）は上記の式（４）に相当する）、単語バイグラムｐ（ｗ_jn｜ｗ_im）_MAXを単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）に割り当て、その単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値を言語スコアＳｌ（ｊ）として照合処理部２５に出力する（ステップＳＴ２４）。
Ｐ（Ｇ_j｜Ｇ_i）＝ｐ（ｗ_jn｜ｗ_im）_MAX （６）

照合処理部２５は、言語スコア算出部２４から言語スコアＳｌ（ｊ）を受けると、下記の式（７）に示すように、その言語スコアＳｌ（ｊ）と音響モデルメモリ２３に記憶されている音響モデルを用いて、照合スコアＳ（ｊ，ｔ）を算出する。
Ｓ（ｔ，ｊ）＝Ｓａ（ｔ，ｊ）＋Ｗ×Ｓｌ（ｊ） （７）
ここで、Ｗは予め実験的に定めた定数である。また、Ｓａ（ｔ，ｊ）はノードｊにおける音響スコアであり、音響スコアＳａ（ｔ，ｊ）は音響モデルを用いて、音声信号の特徴ベクトルＸ（ｔ）と木構造辞書との間で、例えば、ビタビアルゴリムを実施してパターンマッチングを行うことにより得ることができる。

また、照合処理部２５は、上記のようにして、照合スコアＳ（ｊ，ｔ）を算出すると、次のフレームにおける照合対象のノードを減らすために、その照合スコアＳ（ｊ，ｔ）を所定の閾値と比較し、その照合スコアＳ（ｊ，ｔ）が閾値以上のノードのみをアクティブノードとして残すビームサーチを行う。
照合処理部２５は、単語終端のノードがアクティブノードとなっている場合には、当該単語のＩＤ番号と先行単語履歴に対するポインタなどを単語履歴として保存する。
照合処理部２５は、音声信号の入力が開始されてから、音声信号の終了フレームＴまで、上記の音声認識処理を繰り返し実施すると、アクティブノード中で、照合スコアＳ（ｊ，ｔ）が最良の単語終端ノードから単語履歴をトレースバックすることによって単語ＩＤ番号列を取得し、その単語ＩＤ番号列を認識結果として出力する。

以上で明らかなように、この実施の形態１によれば、先行単語グループに属する単語と後続単語グループに属する単語の組み合わせの中に、単語バイグラムテーブル３に保存されている単語バイグラムに適合する単語の組み合わせが存在すれば、先行単語グループと後続単語グループ間の単語グループ間バイグラムを算出するように構成したので、単語グループ間バイグラムテーブル１０のテーブルサイズを削減することができる効果を奏する。

また、この実施の形態１によれば、単語バイグラムテーブル３に保存されている単語バイグラムに適合する単語の組み合わせが存在する場合、単語の組み合わせに対応する単語バイグラムの中で最大の単語バイグラムを単語グループ間バイグラムとして単語グループ間バイグラムテーブル１０に保存するように構成したので、言語スコアの算出精度を高めることができる効果を奏する。

さらに、この実施の形態１によれば、先行単語グループに属する単語と後続単語グループに属する単語の組み合わせの中に、単語バイグラムテーブル３に保存されている単語バイグラムに適合する単語の組み合わせが存在しない場合、グループ内で最大の単語ユニグラムと最大のバックオフ係数から言語スコアを算出するように構成したので、算出精度の劣化を招くことなく、速やかに言語スコアを算出することができる効果を奏する。

実施の形態２．
上記実施の形態１では、単語バイグラムテーブル３に保存されている単語バイグラムに適合する単語の組み合わせが存在する場合、単語グループ間バイグラム算出部７が単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を算出して、その単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するものについて示したが、単語グループ間バイグラム算出部７が最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）が、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）と異なる場合に限り、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するようにしてもよい。
図５はこの発明の実施の形態２による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。

単語グループ統計量算出部６の最大ユニグラム特定部８は、上記実施の形態１と同様にして、木構造辞書メモリ５に保存されている木構造辞書を構成しているノード毎に、当該ノードに属する１個以上の単語のユニグラムを比較して最大のユニグラムを特定する。
即ち、最大ユニグラム特定部８は、単語ｗ_jの単語ユニグラムｐ（ｗ_j）が単語バイグラムテーブル３に格納されているので、単語バイグラムテーブル３から当該ノードに属している単語の単語ユニグラムを取得し、それらの単語ユニグラムの中で最大の単語ユニグラムを特定する。
最大ユニグラム特定部８は、最大のユニグラムを特定すると、最大のユニグラムを単語グループ内最大ユニグラムテーブル１１に保存する（ステップＳＴ１）。

単語グループ統計量算出部６の最大バックオフ係数特定部９は、上記実施の形態１と同様にして、木構造辞書メモリ５に保存されている木構造辞書を構成している単語終端ノード毎に、当該単語終端ノードに属する１個以上の単語のバックオフ係数を比較して最大のバックオフ係数を特定する。
即ち、最大バックオフ係数特定部９は、単語ｗ_iのバックオフ係数ｂ（ｗ_i）が単語バイグラムテーブル３に格納されているので、単語バイグラムテーブル３から当該単語終端ノードに属している単語のバックオフ係数を取得し、それらのバックオフ係数の中で最大のバックオフ係数を単語グループ内最大バックオフ係数テーブル１２に保存する（ステップＳＴ２）。

単語グループ統計量算出部６の単語グループ間バイグラム算出部７は、先行単語グループＧ_iに属する単語ｗ_imと、後続単語グループＧ_jに属する単語ｗ_jnとの組み合わせにおいて、上記の式（２）を計算することにより、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を算出する（ステップＳＴ５）。
また、単語グループ間バイグラム算出部７は、下記の式（８）に示すように、最大ユニグラム特定部８により特定された最大のユニグラムｐ（ｗ_jn）と最大バックオフ係数特定部９により特定された最大のバックオフ係数ｂ（ｗ_im）の積（以下、単語グループ間バイグラムＰ２（Ｇ_j｜Ｇ_i）と称する）を算出する（ステップＳＴ１１）。
Ｐ２（Ｇ_j｜Ｇ_i）＝ＭＡＸ_(m=1,M)ｂ（ｗ_im）×ＭＡＸ_(n=1,N)ｐ（ｗ_jn）
（８）

次に、単語グループ間バイグラム算出部７は、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）と単語グループ間バイグラムＰ２（Ｇ_j｜Ｇ_i）を比較し、両者が異なる場合には（ステップＳＴ１２）、先行単語グループＧ_iのＩＤ番号「ｉ」と、後続単語グループＧ_jのＩＤ番号「ｊ」と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）とを単語グループ間バイグラムテーブル１０に保存する（ステップＳＴ６）。
単語グループ統計量算出部６は、全ての単語グループの組み合わせについて、ステップＳＴ５〜ＳＴ６の処理を繰り返し実施する（ステップＳＴ７）。

ここで、ステップＳＴ１２において、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）と単語グループ間バイグラムＰ２（Ｇ_j｜Ｇ_i）が等しくなるのは、下記の条件が成立するときである。
ｂｃ（ｗ_jm1）×ｐ（ｗ_in1）≧ｐ２ｍａｘ
かつ
単語列ｗ_im1，ｗ_in1の単語バイグラムが存在しない

ただし、ｍ１は式（４）における右辺第１項の単語グループ内最大バックオフ係数を与える単語のＩＤ番号、ｎ１は式（４）における右辺第２項の単語グループ内最大ユニグラムを与える単語のＩＤ番号である。
ｍ１＝ＡｒｇＭＡＸ_(m=1,M)ｂ（ｗ_im）
ｎ１＝ＡｒｇＭＡＸ_(n=1,N)ｐ（ｗ_in）
また、ｐ２ｍａｘは、単語バイグラムが存在する単語の組み合わせの中で、単語バイグラムの最大値である。

上記条件は、先行単語グループＧ_iと後続単語グループＧ_j内の全ての単語の組み合わせで、単語バイグラムが存在しない場合には、上記のｐ２ｍａｘは算出できず、−∞を与えることになるため自動的に成立している。
したがって、この実施の形態２における音声認識装置では、上記実施の形態１の音声認識装置における単語グループ間バイグラムテーブル１０のサイズ削減効果を包括している。
さらに、先行単語グループＧ_iと後続単語グループＧ_j内の幾つかの単語の組み合わせで、単語バイグラムが存在する場合でも、上記の条件が成立する場合があり得る。
したがって、この実施の形態２の音声認識装置では、何ら近似を行うことなく、さらに単語グループ間バイグラムテーブル１０のテーブルサイズを削減することができる効果を奏する。

実施の形態３.
上記実施の形態２では、単語グループ間バイグラム算出部７が最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）が、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）と異なる場合に限り、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するものについて示したが、最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）の対数値と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値との差の絶対値Ｄ（ｊ，ｉ）が所定の閾値以上である場合に限り、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するようにしてもよい。
図６はこの発明の実施の形態３による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。

単語グループ統計量算出部６の最大ユニグラム特定部８は、上記実施の形態１，２と同様にして、単語グループ内の単語ユニグラムｐ（ｗ_jn）の中で最大の単語ユニグラムｐ（ｗ_jn）を特定し、最大のユニグラムｐ（ｗ_jn）を単語グループ内最大ユニグラムテーブル１１に保存する（ステップＳＴ１）。
単語グループ統計量算出部６の最大バックオフ係数特定部９は、上記実施の形態１，２と同様にして、単語グループ内のバックオフ係数ｂ（ｗ_im）の中で最大のバックオフ係数ｂ（ｗ_im）を特定し、最大のバックオフ係数ｂ（ｗ_im）を単語グループ内最大バックオフ係数テーブル１２に保存する（ステップＳＴ２）。

単語グループ統計量算出部６の単語グループ間バイグラム算出部７は、上記実施の形態１，２と同様にして、上記の式（２）を計算することにより、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を算出する（ステップＳＴ５）。
また、単語グループ間バイグラム算出部７は、上記実施の形態２と同様にして、上記の式（８）を計算することにより、最大ユニグラム特定部８により特定された最大のユニグラムｐ（ｗ_jn）と最大バックオフ係数特定部９により特定された最大のバックオフ係数ｂ（ｗ_im）の積である単語グループ間バイグラムＰ２（Ｇ_j｜Ｇ_i）を算出する（ステップＳＴ１１）。

次に、単語グループ間バイグラム算出部７は、下記の式（９）に示すように、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値と単語グループ間バイグラムＰ２（Ｇ_j｜Ｇ_i）の対数値との差の絶対値Ｄ（ｊ，ｉ）を求める（ステップＳＴ２１）。
Ｄ（ｊ，ｉ）
＝ＡＢＳ｛ｌｏｇ（Ｐ（Ｇ_j｜Ｇ_i））−ｌｏｇ（Ｐ２（Ｇ_j｜Ｇ_i））｝ （９）

単語グループ間バイグラム算出部７は、差の絶対値Ｄ（ｊ，ｉ）を求めると、先行単語グループＧ_iのＩＤ番号「ｉ」と、後続単語グループＧ_jのＩＤ番号「ｊ」と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）と、差の絶対値Ｄ（ｊ，ｉ）とを中間ワークエリアに保存する（ステップＳＴ２２）。
単語グループ統計量算出部６は、全ての単語グループの組み合わせについて、ステップＳＴ５〜ＳＴ２２の処理を繰り返し実施する（ステップＳＴ７）。

単語グループ間バイグラム算出部７は、中間ワークエリアに保存されている全ての差の絶対値Ｄ（ｊ，ｉ）を所定の閾値と比較し、所定の閾値より大きい差の絶対値Ｄ（ｊ，ｉ）に係るエントリ（先行単語グループＧ_iのＩＤ番号「ｉ」、後続単語グループＧ_jのＩＤ番号「ｊ」、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i））のみを中間ワークエリアから取得して、単語グループ間バイグラムテーブル１０に保存する（ステップＳＴ２３）。

以上で明らかなように、この実施の形態３によれば、最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）の対数値と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値との差の絶対値Ｄ（ｊ，ｉ）が所定の閾値以上である場合に限り、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するように構成したので、更に、単語グループ間バイグラムテーブル１０のテーブルサイズを削減することができる効果を奏する。
なお、この実施の形態３では、式（２）で計算される正確な単語グループ間バイグラムの値を式（８）式で計算される単語グループ間バイグラムの値で代用することになるが、上述した通り、式（２）と式（８）の差が所定の閾値未満のものだけを代用するので、認識性能に及ぼす影響を小さく抑えることができる。

実施の形態４．
上記実施の形態３では、最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）の対数値と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値との差の絶対値Ｄ（ｊ，ｉ）が所定の閾値以上である場合に限り、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するものについて示したが、最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）の対数値と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値との差の絶対値Ｄ（ｊ，ｉ）が大きい上位Ｎ個の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するようにしてもよい。
図７はこの発明の実施の形態４による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。

即ち、この実施の形態４では、単語グループ間バイグラム算出部７が中間ワークエリアに保存されている全ての差の絶対値Ｄ（ｊ，ｉ）を相互に比較する。
そして、単語グループ間バイグラム算出部７は、差の絶対値Ｄ（ｊ，ｉ）が大きい上位Ｎ個のエントリを特定し、中間ワークエリアから上位Ｎ個のエントリ（先行単語グループＧ_iのＩＤ番号「ｉ」、後続単語グループＧ_jのＩＤ番号「ｊ」、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i））のみを取得して、上位Ｎ個のエントリを単語グループ間バイグラムテーブル１０に保存する（ステップＳＴ３１）。

以上で明らかなように、この実施の形態４によれば、最大ユニグラム特定部８により特定された最大のユニグラムと最大バックオフ係数特定部９により特定された最大のバックオフ係数との積Ｐ２（Ｇ_j｜Ｇ_i）の対数値と、単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）の対数値との差の絶対値Ｄ（ｊ，ｉ）が大きい上位Ｎ個の単語グループ間バイグラムＰ（Ｇ_j｜Ｇ_i）を単語グループ間バイグラムテーブル１０に保存するように構成したので、更に、単語グループ間バイグラムテーブル１０のテーブルサイズを削減することができる効果を奏する。
なお、この実施の形態４では、式（２）で計算される正確な単語グループ間バイグラムの値を式（８）式で計算される単語グループ間バイグラムの値で代用することになるが、上述した通り、式（２）と式（８）の差が大きい上位Ｎ個のエントリは、式（２）で計算される正確な単語グループ間バイグラムの値を用いるので、認識性能に及ぼす影響を小さく抑えることができる。

この発明の実施の形態１による音声認識装置を示す構成図である。 この発明の実施の形態１による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。 この発明の実施の形態１による音声認識装置の言語スコア算出処理を示すフローチャートである。 先行単語及び後続単語の木構造辞書を示す説明図である。 この発明の実施の形態２による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。 この発明の実施の形態３による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。 この発明の実施の形態４による音声認識装置の単語グループ間バイグラム等の算出処理を示すフローチャートである。

符号の説明

１ 学習データメモリ、２ 単語バイグラム算出部（学習手段）、３ 単語バイグラムテーブル、４ 木構造辞書作成部、５ 木構造辞書メモリ、６ 単語グループ統計量算出部、７ 単語グループ間バイグラム算出部（単語群間バイグラム算出手段）、８ 最大ユニグラム特定部（最大ユニグラム特定部）、９ 最大バックオフ係数特定部（最大バックオフ係数特定手段）、２１ 入力端子、２２ 特徴ベクトル抽出部（特徴ベクトル抽出手段）、２３ 音響モデルメモリ、２４ 言語スコア算出部（照合手段）、２５ 照合処理部（照合手段）。

Claims (4)

1. 学習用データを用いて統計言語モデルである単語バイグラムを学習する学習手段と、認識対象の単語が木構造で表現されている木構造辞書と、先行単語の木構造辞書を構成している終端ノードと後続単語の木構造辞書を構成しているノードに属する単語の組み合わせの中に、上記学習手段により学習された単語バイグラムに適合する単語の組み合わせが存在すれば、先行単語の木構造辞書を構成している終端ノードに属する単語群と後続単語の木構造辞書を構成しているノードに属する単語群との単語群間バイグラムを算出する単語群間バイグラム算出手段と、音声信号をフレーム単位で音響分析して、各フレームの特徴ベクトルを抽出する特徴ベクトル抽出手段と、上記単語群間バイグラム算出手段により算出された単語群間バイグラムを用いて言語スコアを算出し、その言語スコアと上記特徴ベクトル抽出手段により抽出された特徴ベクトルから照合スコアを算出する照合手段とを備え、
   上記単語群間バイグラム算出手段は、上記学習手段により学習された単語バイグラムに適合する単語の組み合わせが存在する場合、単語の組み合わせに対応する単語バイグラムの中で最大の単語バイグラムを単語群間バイグラムとして単語群間バイグラムテーブルに保存すると共に、
   木構造辞書を構成しているノード毎に、当該ノードに属する１個以上の単語のユニグラムを比較して最大のユニグラムを特定する最大ユニグラム特定手段と、上記木構造辞書を構成している終端ノード毎に、当該終端ノードに属する１個以上の単語のバックオフ係数を比較して最大のバックオフ係数を特定する最大バックオフ係数特定手段とを設け、先行単語の木構造辞書を構成している終端ノードに属する単語群と後続単語の木構造辞書を構成しているノードに属する単語群との単語群間バイグラムが単語群間バイグラムテーブルに保存されていない場合、照合手段が上記最大ユニグラム特定手段により特定された最大のユニグラムと上記最大バックオフ係数特定手段により特定された最大のバックオフ係数から単語群間バイグラムを算出することを特徴とする音声認識装置。
2. 単語群間バイグラム算出手段は、最大ユニグラム特定手段により特定された最大のユニグラムと最大バックオフ係数特定手段により特定された最大のバックオフ係数との積が、単語の組み合わせに対応する単語バイグラムの中の最大の単語バイグラムと異なる場合に限り、最大の単語バイグラムを単語群間バイグラムとして単語群間バイグラムテーブルに保存することを特徴とする請求項１記載の音声認識装置。
3. 単語群間バイグラム算出手段は、最大ユニグラム特定手段により特定された最大のユニグラムと最大バックオフ係数特定手段により特定された最大のバックオフ係数との積の対数値と、単語の組み合わせに対応する単語バイグラムの中の最大の単語バイグラムの対数値との差の絶対値が所定の閾値以上である場合に限り、最大の単語バイグラムを単語群間バイグラムとして単語群間バイグラムテーブルに保存することを特徴とする請求項１記載の音声認識装置。
4. 単語群間バイグラム算出手段は、最大ユニグラム特定手段により特定された最大のユニグラムと最大バックオフ係数特定手段により特定された最大のバックオフ係数との積の対数値と、単語の組み合わせに対応する単語バイグラムの中の最大の単語バイグラムの対数値との差の絶対値が大きい上位数個の最大の単語バイグラムを単語群間バイグラムとして単語群間バイグラムテーブルに保存することを特徴とする請求項１記載の音声認識装置。

Images