JP4764203B2 - Speech recognition apparatus and speech recognition program - Google Patents
Speech recognition apparatus and speech recognition program Download PDFInfo
- Publication number
- JP4764203B2 JP4764203B2 JP2006049729A JP2006049729A JP4764203B2 JP 4764203 B2 JP4764203 B2 JP 4764203B2 JP 2006049729 A JP2006049729 A JP 2006049729A JP 2006049729 A JP2006049729 A JP 2006049729A JP 4764203 B2 JP4764203 B2 JP 4764203B2
- Authority
- JP
- Japan
- Prior art keywords
- word
- keyword
- language model
- probability value
- identification information
- 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
Abstract
Description
本発明は、言語モデルを用いて、入力音声を認識する音声認識装置及び音声認識プログラムに関する。 The present invention relates to a speech recognition apparatus and speech recognition program for recognizing input speech using a language model.
一般に、音声の認識は、単語の出現頻度や接続確率をモデル化した言語モデルから、認識候補となる単語を探索することにより行われている。この言語モデルとしては、N−gramを用いた言語モデル(Nグラム言語モデル)が知られている。
このNグラム言語モデルは、入力される単語の列(単語列)w1w2…wnに対して、その単語の出現確率P(w1w2…wn)を、以下に示す(1)式のように条件付き確率により算出し生成するモデルであり、単語列w1w2…wnと出現確率P(w1w2…wn)とからなるエントリの集合である。
In general, speech recognition is performed by searching for a word as a recognition candidate from a language model that models the appearance frequency and connection probability of a word. As this language model, a language model (N-gram language model) using N-gram is known.
In this N-gram language model, for an input word string (word string) w 1 w 2 ... W n , the word appearance probability P (w 1 w 2 ... W n ) is shown below (1 ) Is a model that is calculated and generated based on a conditional probability, and is a set of entries including a word string w 1 w 2 ... W n and an appearance probability P (w 1 w 2 ... W n ).
すなわち、Nグラム言語モデルでは、i番目の単語wiの生成確率が、(N−1)単語列wi−N+1…wi−2wi−1に依存する。例えば、3−gram(N=3:トライグラム)を例にとると、単語列w1w2に続いて単語w3が出現する確率はP(w3|w1w2)と表される。
このようなNグラム言語モデルにおいては、学習されていない未登録語については、認識を行うことができない。
そこで、従来は、認識辞書の語彙を拡張して未登録語を削減する手法が提案されている(非特許文献1、非特許文献2等)。
In such an N-gram language model, unregistered words that have not been learned cannot be recognized.
Therefore, conventionally, a method has been proposed in which the vocabulary of the recognition dictionary is expanded to reduce unregistered words (Non-Patent
一般に、放送番組、講演等の音声信号を音声認識する場合、認識する必要があることが事前に分かっている重要な単語、すなわち、キーワードが存在する。例えば、講演におけるテーマに関連する用語等である。従来から、このようなキーワードについては、精度よく音声認識してほしいという要求があった。
しかし、従来の技術は、事前に登録されていない単語を認識辞書に登録して、認識を可能とするものである。すなわち、認識辞書に単に未登録単語を登録することで、未登録単語を他の単語と同様に認識可能としたものであり、キーワードとなる単語の認識精度を高める工夫はなされていない。
In general, when a speech signal of a broadcast program, a lecture, or the like is recognized by speech, there is an important word that is known in advance, that is, a keyword that needs to be recognized. For example, terms related to the theme of the lecture. Conventionally, there has been a demand for such keywords to be recognized with high accuracy.
However, in the conventional technique, a word that has not been registered in advance is registered in a recognition dictionary to enable recognition. That is, by simply registering an unregistered word in the recognition dictionary, the unregistered word can be recognized in the same manner as other words, and no contrivance has been made to increase the recognition accuracy of the word as a keyword.
また、一般にキーワードは、固有名詞や、専門用語であることが多く、特殊な単語であるため、過去の出現頻度の情報に基づいて出現確率を推定することは困難であり、音声認識の精度を高めることができない要因となっていた。
本発明は、以上のような問題点に鑑みてなされたものであり、予め定めたキーワードについての認識精度を高めた音声認識装置及び音声認識プログラムを提供することを目的とする。
In general, keywords are often proper nouns and technical terms, and are special words. Therefore, it is difficult to estimate the appearance probability based on past appearance frequency information. It was a factor that could not be increased.
The present invention has been made in view of the above problems, and an object of the present invention is to provide a speech recognition apparatus and a speech recognition program with improved recognition accuracy for a predetermined keyword.
本発明は、前記目的を達成するために創案されたものであり、まず、請求項1に記載の音声認識装置は、言語モデルを用いて、入力音声を認識する音声認識装置において、言語モデル記憶手段と、発音辞書記憶手段と、キーワード抽出手段と、音素列探索手段と、類似単語抽出手段と、言語モデル更新手段と、単語列生成手段と、を備え、前記単語列生成手段が、確率値増加手段と、確率値減少手段と、を有する構成とした。
The present invention has been developed to achieve the above object. First, the speech recognition apparatus according to
かかる構成において、音声認識装置は、言語モデル記憶手段に、特定のキーワードに対応する単語に予め定めた第1の識別情報を付与するとともに、特定のキーワードに類似する単語に予め定めた第2の識別情報を付与した言語モデルを記憶する。これによって、音声認識装置は、言語モデルを使用する際に、キーワードと、そのキーワードに類似する単語を識別することができる。
また、音声認識装置は、発音辞書記憶手段に予め単語の発音を記憶した発音辞書を記憶しておく。そして、音声認識装置は、キーワード抽出手段によって、電子化された文書からキーワードとなる単語を抽出する。
そして、音声認識装置は、音素列探索手段によって、発音辞書から、キーワードの発音を示す音素列であるキーワード音素列を探索する。
さらに、音声認識装置は、類似単語抽出手段によって、音素列探索手段で探索されたキーワード音素列と、発音辞書に登録されている単語の発音を示す登録単語音素列とに基づいて、キーワードに類似する単語を抽出する。
そして、音声認識装置は、言語モデル更新手段によって、キーワード抽出手段で抽出されたキーワードに、第1の識別情報を付与するとともに、キーワードに類似する単語に第2の識別情報を付与して、言語モデルを更新する。
In such a configuration, the speech recognition apparatus provides the language model storage unit with predetermined first identification information for a word corresponding to a specific keyword and a second predetermined for a word similar to the specific keyword. The language model with identification information is stored. Thus, the speech recognition apparatus can identify a keyword and a word similar to the keyword when using the language model.
In addition, the speech recognition apparatus stores a pronunciation dictionary in which pronunciations of words are stored in advance in the pronunciation dictionary storage unit. Then, the speech recognition apparatus extracts a word as a keyword from the digitized document by the keyword extraction unit.
Then, the speech recognition apparatus searches the phoneme string search means for a keyword phoneme string that is a phoneme string indicating the pronunciation of the keyword from the pronunciation dictionary.
Furthermore, the speech recognition apparatus is similar to the keyword based on the keyword phoneme string searched by the phoneme string search means by the similar word extraction means and the registered word phoneme string indicating the pronunciation of the word registered in the pronunciation dictionary. To extract words.
Then, the speech recognition device adds the first identification information to the keyword extracted by the keyword extraction unit by the language model update unit, and adds the second identification information to a word similar to the keyword, Update the model.
そして、音声認識装置は、単語列生成手段によって、言語モデルにおいて、入力音声の単語列に対する確率値が最大となる経路を探索することで、認識結果である単語列を出力する。このとき、単語列生成手段は、言語モデルにおいて第1の識別情報によりキーワードを識別することができるため、確率値増加手段によって、第1の識別情報が付与されている単語の接続確率値に、予め定めた値を加算することで、確率値を増加させる。さらに、単語列生成手段は、言語モデルにおいて第2の識別情報によりキーワードに類似する単語を識別することができるため、確率値減少手段によって、第2の識別情報が付与されている単語の接続確率値から、予め定めた値を減算することで、確率値を減少させる。これによって、キーワードを含んだ単語列が出力される確率値を直接的に増加させるとともに、キーワードに類似する単語を含んだ単語列の出力確率を抑えるため、相対的にキーワードを含んだ単語列の確率値を増加させることになり、キーワードの認識率を高めることができる。 Then, the speech recognition device outputs a word string that is a recognition result by searching for a path having a maximum probability value for the word string of the input speech in the language model by the word string generation unit. At this time, since the word string generation means can identify the keyword by the first identification information in the language model, the probability value increasing means adds the connection probability value of the word to which the first identification information is given, The probability value is increased by adding a predetermined value. Furthermore, since the word string generation means can identify a word similar to the keyword by the second identification information in the language model, the probability of connection of the word to which the second identification information is given by the probability value reduction means The probability value is decreased by subtracting a predetermined value from the value. This directly increases the probability that the word string containing the keyword will be output and also reduces the output probability of the word string containing the word similar to the keyword. The probability value is increased, and the keyword recognition rate can be increased.
また、音声認識装置は、確率値減少手段によって、キーワード音素列と登録単語音素列との類似の度合いが大きいほど、接続確率値の減少量を多くすることで、キーワードに類似する単語が認識される確率を低くすることができる。 The speech recognition apparatus recognizes a word similar to a keyword by increasing the amount of decrease in the connection probability value as the degree of similarity between the keyword phoneme string and the registered word phoneme string is increased by the probability value reducing unit. Can reduce the probability.
また、請求項2に記載の音声認識プログラムは、特定のキーワードに対応する単語に予め定めた第1の識別情報を付与するとともに、前記特定のキーワードに類似する単語に予め定めた第2の識別情報を付与した言語モデルと、単語の発音を記憶した発音辞書を記憶した発音辞書記憶手段とを用いて、入力音声を認識するために、コンピュータを、電子化された文書から前記キーワードとなる単語を抽出するキーワード抽出手段、前記発音辞書から、前記キーワードの発音を示す音素列であるキーワード音素列を探索する音素列探索手段、この音素列探索手段で探索されたキーワード音素列と、前記発音辞書に登録されている単語の発音を示す登録単語音素列とに基づいて、前記キーワードに類似する単語を抽出する類似単語抽出手段、前記キーワード抽出手段で抽出されたキーワードに、前記第1の識別情報を付与するとともに、前記キーワードに類似する単語に、前記第2の識別情報を付与して、前記言語モデルを更新する言語モデル更新手段、前記言語モデルにおいて、前記入力音声の単語列に対する確率値が最大となる経路を探索することで、認識結果である単語列を出力する単語列生成手段、として機能させ、前記単語列生成手段が、前記言語モデルにおいて、前記第1の識別情報が付与されている単語について、接続確率値に予め定めた値を加算することで前記確率値を増加させるとともに、前記第2の識別情報が付与されている単語について、前記キーワード音素列と前記登録単語音素列との類似の度合いに基づいて減少量を変化させた値を接続確率値から減算することで前記確率値を減少させる構成とした。 Further , the speech recognition program according to claim 2 gives a predetermined first identification information to a word corresponding to a specific keyword and a second identification predetermined for a word similar to the specific keyword. In order to recognize input speech using a language model to which information is added and a pronunciation dictionary storage means that stores a pronunciation dictionary that stores the pronunciation of a word , the computer uses a word from the computerized document as the keyword. A keyword extraction means for extracting a phoneme string search means for searching for a keyword phoneme string that is a phoneme string indicating a pronunciation of the keyword from the pronunciation dictionary, a keyword phoneme string searched by the phoneme string search means, and the pronunciation dictionary A similar word extracting means for extracting a word similar to the keyword based on a registered word phoneme string indicating a pronunciation of a word registered in A language model update unit that updates the language model by adding the first identification information to the keyword extracted by the word extraction unit, and adding the second identification information to a word similar to the keyword. In the language model, by searching for a path having a maximum probability value for the word sequence of the input speech, the language model functions as a word sequence generation unit that outputs a word sequence that is a recognition result. In the language model, for a word to which the first identification information is given, the probability value is increased by adding a predetermined value to a connection probability value, and the second identification information is given. For a certain word, a value obtained by changing the amount of decrease based on the degree of similarity between the keyword phoneme string and the registered word phoneme string is subtracted from the connection probability value. It has a structure that reduces the probability value with the.
本発明によれば、キーワードに類似する単語の接続確率値を減少させることができるため、相対的にキーワードが認識される確率が高くなる。これによって、予め登録したキーワードについて、認識精度を高めて音声認識を行うことができる。
また、本発明によれば、電子化された文書からキーワードに類似する単語を抽出することができるため、人手を介さずにキーワードの類似する単語を識別するための情報を登録することができる。
また、本発明によれば、キーワードに対して識別情報を付与しているだけであるため、その情報を削除することで、容易に元の精度の音声認識装置に戻すことができる。
According to the present invention, since the connection probability value of a word similar to a keyword can be reduced, the probability that the keyword is recognized is relatively increased. This makes it possible to perform speech recognition with a higher recognition accuracy for keywords registered in advance.
Further , according to the present invention, since a word similar to a keyword can be extracted from an electronic document, information for identifying a word similar to a keyword can be registered without intervention.
Further, according to the present invention, since identification information is only given to a keyword, it is possible to easily return to the voice recognition device with the original accuracy by deleting the information.
さらに、本発明によれば、キーワードに類似する単語ほど、より接続確率値を減少させるため、相対的にキーワードの認識精度を高めることができる。 Furthermore, according to the present invention, since the connection probability value is further reduced as the word is similar to the keyword, the keyword recognition accuracy can be relatively improved .
以下、本発明の実施の形態について図面を参照して説明する。
[本発明の実施の形態]
(音声認識装置の構成)
まず、図1を参照して、本発明の実施の形態に係る音声認識装置の構成について説明する。図1は、本発明の実施の形態に係る音声認識装置の構成を示すブロック図である。図1に示した音声認識装置1は、特定のキーワードについての認識精度を高めて、入力された音声信号を認識するものである。ここでは、音声認識装置1は、認識部10と、更新部20とで構成されている。
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
[Embodiments of the present invention ]
(Configuration of voice recognition device)
First, the configuration of the speech recognition apparatus according to the embodiment of the present invention will be described with reference to FIG. Figure 1 is a block diagram showing a configuration of a speech recognition apparatus according to the implementation of the embodiment of the present invention. The
認識部10は、言語モデルと音響モデルと発音辞書とに基づいて、音声信号を認識するものである。ここでは、認識部10は、記憶手段11と、特徴抽出手段12と、単語列生成手段13とを備えている。
The recognition unit 10 recognizes an audio signal based on a language model, an acoustic model, and a pronunciation dictionary. Here, the recognition unit 10 includes a
記憶手段(言語モデル記憶手段、発音辞書記憶手段)11は、言語モデル111と、音響モデル112と、発音辞書113とを記憶するものであって、ハードディスク等の一般的な記憶装置である。
言語モデル111は、大量の音声データから学習した出力系列(単語、形態素、音素等)の出現頻度や接続確率等をモデル化したものである。この言語モデルには、例えば、一般的な「Nグラム言語モデル」を用いることができる。
The storage means (language model storage means, pronunciation dictionary storage means) 11 stores a
The
なお、言語モデル111は、後記する更新部20によって、特定のキーワードを識別する情報が付与されて生成されている。ここで、図2を参照して、言語モデル111の内容について具体的に説明する。図2は、本発明に係る言語モデルの内容を示すデータ構造図である。
The
図2に示すように、言語モデル111は、文章を構成する単語と、その次に来る単語のつながりやすさの確率や、文頭に出現しやすい単語の確率を、「文頭」から「文末」にわたって記述したデータである。なお、この言語モデル111は、一般的なNグラム言語モデルを基本として、特定のキーワードを識別することが可能なように拡張されている。
具体的には、言語モデル111は、キーワード(図2では「コスギ」)に、キーワードを特定するための識別情報(図2では「!」の文字)を付与されていることとし、そのキーワードが接続される確率値に対して、加算する確率値をボーナス値として記憶する領域BAを設けている。
これによって、単語の接続確率値を算出する際に、このボーナス値を加算することで、キーワードが認識される精度を高めることができる。
As shown in FIG. 2, the
Specifically, in the
Thereby, when calculating the connection probability value of the word, the accuracy of recognizing the keyword can be increased by adding the bonus value.
また、言語モデル111では、さらに、キーワードの認識精度を高めるため、キーワードと発音が類似する単語については、接続される確率値に対して減算する確率値をペナルティ値として記憶する領域PAを設けている。図2の例では、ボーナス値とペナルティ値を記憶する領域を同一とし、「+」、「−」の記号によって、いずれかを識別することとしている。
Further, in the
なお、ここでは、「!」等の文字によってキーワードを識別する識別情報(第1の識別情報)としているが、ボーナス値の「+」等の符号を識別情報とみなすこととしてもよい。また、ここでは、ペナルティ値の「−」等の符号を、キーワードに類似する単語を示す第2の識別情報としている。
この図2に示した言語モデルの生成については、後記する更新部20の説明において行うこととする。
図1に戻って、音声認識装置1の構成について説明を続ける。
Here, the identification information (first identification information) for identifying the keyword by characters such as “!” Is used, but a sign such as “+” of the bonus value may be regarded as the identification information. Here, a sign such as “−” of the penalty value is used as second identification information indicating a word similar to the keyword.
The generation of the language model shown in FIG. 2 is performed in the description of the update unit 20 described later.
Returning to FIG. 1, the description of the configuration of the
音響モデル112は、大量の音声データから予め学習した音素ごとの特徴量を「隠れマルコフモデル」によってモデル化したものである。この音響モデル112は、単一の音響モデルを用いてもよいし、音響の種別(例えば、人物別)ごとに複数のモデルを用いてもよい。
発音辞書113は、単語ごとにその発音を示す子音と母音との構成を示したものである。なお、この発音辞書113には、予め複数の単語の発音を登録しておく。
The
The
特徴抽出手段12は、外部から入力された音声(音声信号)を分析し、その音声の特徴量を抽出するものである。
なお、特徴抽出手段12は、入力された音声の音声波形に窓関数(ハミング窓等)をかけることで、フレーム化された波形を抽出し、その波形を周波数分析することで、種々の特徴量を抽出する。例えば、フレーム化された波形のパワースペクトルの対数を逆フーリエ変換した値であるケプストラム係数等を特徴量とする。この特徴量には、ケプストラム係数以外にも、メル周波数ケプストラム係数(MFCC:Mel Frequency Cepstrum Coefficient)、LPC(Linear Predictive Cording)係数、対数パワー等、一般的な音声特徴量を用いることができる。
The
Note that the
単語列生成手段13は、記憶手段11に記憶されている言語モデル111、音響モデル112及び発音辞書113に基づいて、特徴抽出手段12で抽出された特徴量から、音声認識結果となる単語列を生成するものである。ここでは、単語列生成手段13は、音響類似度算出手段131と、探索手段132とを備えている。
Based on the
音響類似度算出手段131は、特徴抽出手段12で抽出され、時系列に入力される特徴量と、記憶手段11に記憶されている音響モデル112でモデル化されている音素との類似度(確率値)を算出するものである。
The acoustic
探索手段132は、言語モデル111から、接続される出力系列の候補を探索し、確率値が最大となる出力系列を入力音声に対する認識結果(認識単語列)として出力するものである。ここでは、探索手段132は、ボーナス付与手段132aと、ペナルティ付与手段132bとを備えている。
The search means 132 searches the
ボーナス付与手段(確率値増加手段)132aは、出力系列の確率値を算出する際に、言語モデル111において、キーワードとして登録されている単語の確率に、予め定めた確率値をボーナス値として加算するものである。ここでは、ボーナス付与手段132aは、図2で説明した言語モデル111において、キーワードとなる単語を、識別情報(図2では「!」の文字)により認識し、そのキーワードに付されているボーナス値を、元となる確率値に加算する。これによって、キーワードの接続確率が高くなり、キーワードが認識される精度を高めることができる。
The bonus giving means (probability value increasing means) 132a adds a predetermined probability value as a bonus value to the probability of a word registered as a keyword in the
ペナルティ付与手段(確率値減少手段)132bは、出力系列の接続確率を算出する際に、言語モデル111において、キーワードに類似する単語として登録されている単語の確率から、予め定めた確率値をペナルティ値として減算するものである。これによって、キーワードに類似する単語の接続確率が低くなり、相対的にキーワードが認識される精度を高めることができる。
When calculating the connection probability of the output sequence, the penalty granting means (probability value reducing means) 132b penalizes a predetermined probability value from the probabilities of words registered as words similar to the keyword in the
なお、探索手段132は、言語モデル111に基づいて、単語ごとに接続確率を加算するとともに、音響類似度算出手段131によって算出された、音響モデル112に基づく類似度(確率値)も加算する。
Note that the
更新部20は、認識部10で使用される言語モデル111を、特定のキーワードの認識精度が高くなるように更新するものである。ここでは、更新部20は、キーワード抽出手段21と、記憶手段22と、音素列探索手段23と、類似単語抽出手段24と、言語モデル更新手段25とを備えている。
The update unit 20 updates the
キーワード抽出手段21は、電子化されたキーワードを含んだ文書からキーワードを抽出するものである。この文書は、例えば、放送番組の台本、構成表等が該当する。ここでは、キーワード抽出手段21は、文書内の単語に重み付けを行い、その重み(重要度スコア)に基づいて、キーワードとなる単語を特定することとする。 The keyword extraction means 21 extracts a keyword from a document containing the digitized keyword. This document corresponds to, for example, a broadcast program script or a configuration table. Here, the keyword extraction means 21 weights the words in the document, and specifies the word that becomes the keyword based on the weight (importance score).
ここで、図3を参照(適宜図1参照)して、キーワード抽出手段21が行うキーワードの抽出手法について説明する。図3は、キーワードの抽出手法を説明するための説明図である。
ここでは、図3に示すように、キーワードを含む文書dがN個入力され、その文書内からキーワードを抽出することとする。なお、文書dにおける記号「△」は、単語の区切りを示している。このように、入力される文書dは予め単語ごとに区切られたデータであってもよいし、キーワード抽出手段21が形態素解析を行うことで、単語ごとに区分することとしてもよい。
Here, referring to FIG. 3 (refer to FIG. 1 as appropriate), a keyword extraction method performed by the keyword extraction means 21 will be described. FIG. 3 is an explanatory diagram for explaining a keyword extraction method.
Here, as shown in FIG. 3, N documents d including a keyword are input, and the keywords are extracted from the document. Note that the symbol “Δ” in the document d indicates a word break. As described above, the input document d may be data divided in advance for each word, or may be classified for each word by the
一般に、キーワードとなる重要な単語は、文書d内に多く出現する。しかし、すべての文書(N個分)に数多く出現すると、逆に文書dを特徴付ける単語とは言えなくなる。そこで、ここでは、キーワード抽出手段21は、文書dから、キーワードを抽出する手法として「TF・IDF法」を用い、単語の重み(重要度スコア)を算出することで、キーワードを抽出する。
この「TF・IDF法」における重要度スコアは、ある文書中に出現する単語の頻度(TF:Term Frequency)と、その単語が全文書中のどれくらいの文書に出現するかを示す尺度(IDF:Inverse Document Frequency)とを乗算することにより得られる。
すなわち、キーワード抽出手段21は、ある文書d中に出現する単語tの頻度をtf(t,d)、単語tが全文書中のどれくらいの文書に出現するかを示す尺度をidf(t)としたとき、以下の(2)式により単語tの重要度スコアwt dを算出する。
In general, many important words as keywords appear in the document d. However, if many appear in all documents (N), it cannot be said that the word characterizes the document d. Therefore, here, the
The importance score in the “TF / IDF method” is a scale (IDF :) indicating the frequency (TF: Term Frequency) of a word that appears in a document and how many documents in the entire document the word appears. Inverse Document Frequency).
That is, the
なお、この(2)式における尺度idf(t)は、全文書数をN、単語tが出現する文書数をdf(t)としたとき、以下の(3)式で表すことができる。 The scale idf (t) in the equation (2) can be expressed by the following equation (3), where N is the total number of documents and df (t) is the number of documents in which the word t appears.
このように、キーワード抽出手段21は、文書から、その文書内における単語の重要度スコアを算出し、予め定めた閾値よりも大きい重要度スコアとなった単語をキーワードとして抽出する。そして、キーワード抽出手段21は、抽出したキーワードと、その重要度スコアとを記憶手段22に記憶する。また、ここでは、重要度スコアを、前記したボーナス値として使用することとする。
なお、この図3に示した例では、文書dから、キーワード「コスギ」、「空手」、「武道」が抽出され、それぞれの重要度スコア(ボーナス値)として「1.000」、「0.959」、「0.532」が算出された例を示している。
図1に戻って、音声認識装置1の構成について説明を続ける。
As described above, the
In the example shown in FIG. 3, the keywords “Cosgi”, “Karate”, and “Martial art” are extracted from the document d, and “1.000”, “0. 959 ”and“ 0.532 ”are calculated.
Returning to FIG. 1, the description of the configuration of the
記憶手段(キーワード記憶手段)22は、キーワード抽出手段21で抽出されたキーワードと重要度スコアとを、キーワード辞書221として記憶するものであって、ハードディスク等の一般的な記憶装置である。
The storage means (keyword storage means) 22 stores the keyword extracted by the keyword extraction means 21 and the importance score as a
音素列探索手段23は、記憶手段22に記憶されているキーワード辞書221に含まれているキーワードの発音を示す音素列(キーワード音素列)を、発音辞書113から検索するものである。なお、発音辞書113から検索されたキーワード音素列は、子音と母音とが組み合わされた文字列である。この音素列探索手段23は、キーワードと、検索したキーワード音素列とを、類似単語抽出手段24に出力する。
The phoneme string search means 23 searches the
類似単語抽出手段24は、音素列探索手段23で探索されたキーワードの発音を示すキーワード音素列と、発音辞書113に登録されている単語の発音を示す登録単語音素列とに基づいて、キーワードに類似(同一を含む)する単語(類似単語)を抽出するものである。ここでは、類似単語抽出手段24は、類似度測定手段241を備えている。
The similar
類似度測定手段241は、キーワード音素列と登録単語音素列との類似の度合いを示す類似度を測定するものである。
すなわち、類似単語抽出手段24は、類似度測定手段241によって測定された類似度により、キーワード音素列に類似する登録単語音素列を有する単語を類似単語として抽出する。
The
That is, the similar
ここで、図4を参照(適宜図1参照)して、類似単語抽出手段24が行う類似単語の抽出手法について説明する。図4は、類似単語の抽出手法を説明するための説明図である。
ここでは、図4に示すように、キーワードとして、「武道」及び「コスギ」が予め抽出されているものとする。
このとき、類似単語抽出手段24は、類似度測定手段241によって、キーワード音素列と登録単語音素列との類似の度合いを示す類似度を測定する。この各音素列同士の類似度は、例えば、DP(Dynamic Programming)マッチング法により音素列間の距離として求めることができる。
Here, with reference to FIG. 4 (refer to FIG. 1 as appropriate), a method of extracting similar words performed by the similar
Here, as shown in FIG. 4, it is assumed that “martial arts” and “Kosugi” are extracted in advance as keywords.
At this time, the similar word extracting means 24 measures the similarity indicating the degree of similarity between the keyword phoneme string and the registered word phoneme string by the similarity measuring means 241. The similarity between the phoneme strings can be obtained as a distance between the phoneme strings by, for example, DP (Dynamic Programming) matching method.
図4の例では、キーワード「武道」と登録単語「ぶどう」とは、どちらも音素列「budo:」で、音素列間の距離が“0”となり、同一の発音となる。また、キーワード「コスギ」と登録単語「小菅」とは、各音素列が「kosugi」と「kosuge」とで1音素(「i」と「e」)のみが異なっており、音素列間の距離が“1”の類似する発音となる。
そこで、類似単語抽出手段24は、この音素列間の距離が近いものほど、前記したペナルティ値を大きく設定する。ここでは、登録単語「ぶどう」にペナルティ値「−1.0」、登録単語「小菅」にペナルティ値「−0.5」を設定した例を示している。
図1に戻って、音声認識装置1の構成について説明を続ける。
In the example of FIG. 4, the keyword “martial arts” and the registered word “grape” are both phoneme strings “budo:”, and the distance between phoneme strings is “0”, resulting in the same pronunciation. In addition, the keyword “Kosugi” and the registered word “Kosuge” are different in each phoneme sequence between “kosugi” and “kosugue”, but only one phoneme (“i” and “e”). Is a similar pronunciation of “1”.
Therefore, the similar
Returning to FIG. 1, the description of the configuration of the
言語モデル更新手段25は、記憶手段22に記憶されているキーワード辞書221に登録されているキーワード及び重要度スコア(ボーナス値)と、類似単語抽出手段24で抽出された類似単語及びペナルティ値とに基づいて、言語モデル111を更新するものである。すなわち、言語モデル更新手段25は、図2で説明したように、言語モデル111において、キーワードを特定するための識別情報(図2では「!」の文字)を、キーワードを示す単語に付与し、接続確率値に加算するボーナス値を領域BAに登録する。さらに、言語モデル更新手段25は、言語モデル111において、類似単語を探索し、接続確率値から減算するペナルティ値を領域PAに登録する。
The language
なお、言語モデル更新手段25は、言語モデル111に、以前登録したキーワードが存在する場合、そのキーワードの登録を抹消し、ボーナス値やペナルティ値を消去することとする。ここでキーワードの登録を抹消するには、キーワードに付した識別情報(図2では「!」の文字)を消去すればよい。これによって、言語モデル111は、常に認識精度を高めたいキーワードのみについてボーナス値が付与された状態となる。
このように音声認識装置1を構成することで、音声認識装置1は、電子化された文書からキーワードを抽出し、そのキーワードに対して認識精度を高めて音声認識を行うことができる。
The language
By configuring the
以上、本発明の実施の形態に係る音声認識装置1の構成について説明したが、本発明は、この構成に限定されるものではない。例えば、予めキーワードが決まっているのであれば、構成からキーワード抽出手段21を省略し、直接、キーワード辞書221にキーワードとボーナス値とを登録することとしてもよい。
また、ここでは、言語モデル111に、キーワードに対してボーナス値を設定し、類似単語にペナルティ値を設定することとしたが、キーワードに対してボーナス値を設定するだけの構成としてもよい。すなわち、音声認識装置1から、ペナルティ付与手段132b、音素列探索手段23、類似単語抽出手段24を省略して構成してもよい。この場合、言語モデル更新手段25は、記憶手段22に記憶されているキーワード辞書221に登録されているキーワード及びボーナス値に基づいて、言語モデル111を更新する。
なお、音声認識装置1は、一般的なコンピュータを前記した各手段として機能させる音声認識プログラムによって動作させることができる。
Having described the structure of the
Here, in the
The
(音声認識装置の動作)
次に、図5及び図6を参照(構成については図1参照)して、音声認識装置の動作について説明する。図5は、本発明の実施の形態に係る音声認識装置の言語モデルの更新動作を示すフローチャートである。図6は、本発明の実施の形態に係る音声認識装置の音声認識動作を示すフローチャートである。
(Operation of voice recognition device)
Next, the operation of the speech recognition apparatus will be described with reference to FIGS. 5 and 6 (see FIG. 1 for the configuration). Figure 5 is a flow chart showing the updating operation of the language model of a speech recognition apparatus according to implementation of the embodiment of the present invention. Figure 6 is a flow chart showing the speech recognition operation of the speech recognition apparatus according to the implementation of the embodiment of the present invention.
〔言語モデルの更新動作〕
図5に示すように、まず、音声認識装置1は、キーワード抽出手段21によって、電子化されたキーワードを含んだ文書から、「TF・IDF法」により単語の重み(重要度スコア;ボーナス値として使用)を算出することで、キーワードを抽出する(ステップS1)。
そして、キーワード抽出手段21が、ステップS1で抽出したキーワードと、そのキーワードのボーナス値とを、キーワード辞書221として記憶手段22に記憶する(ステップS2)。
その後、音声認識装置1は、音素列探索手段23によって、キーワード辞書221に含まれているキーワードの発音を示す音素列(キーワード音素列)を、発音辞書113から探索する(ステップS3)。
[Update operation of language model]
As shown in FIG. 5, first, the
Then, the
Thereafter, the
そして、音声認識装置1は、類似単語抽出手段24によって、ステップS3で探索されたキーワード音素列と、発音辞書113に登録されている単語の発音を示す登録単語音素列とに基づいて、キーワードに類似(同一を含む)する単語(類似単語)を抽出するとともに、その類似単語に対するペナルティ値を決定する(ステップS4)。
このとき、類似単語抽出手段24は、類似度測定手段241によって、DPマッチング法による音素列間の距離により、キーワード音素列と登録単語音素列との類似度を測定することで、類似単語を抽出する。さらに、類似単語抽出手段24は、音素列間の距離が近い類似単語ほど、ペナルティ値を大きくする。
Then, the
At this time, the similar
そして、音声認識装置1は、言語モデル更新手段25によって、ステップS2で記憶されたキーワード辞書221に登録されているキーワード及びボーナス値と、ステップS4で抽出された類似単語及びペナルティ値とに基づいて、言語モデル111を更新する。
すなわち、音声認識装置1は、言語モデル更新手段25によって、言語モデル111において、キーワードを特定するための識別情報(図2では「!」の文字)を、キーワードを示す単語に付与し、接続確率値に加算するボーナス値を登録する(ステップS5)。
さらに、音声認識装置1は、言語モデル更新手段25によって、言語モデル111において、類似単語を探索し、接続確率値から減算するペナルティ値を登録する(ステップS6)。
Then, the
That is, the
Further, the
以上の動作によって、音声認識装置1は、電子化された文書からキーワードを抽出し、そのキーワードを認識することが可能な言語モデルを新たに生成することができる。
なお、新たに別の文書によって、キーワードを更新する場合は、ステップS5より前に、登録された識別情報や、ボーナス値及びペナルティ値を削除することとする。これによって、例えば、放送番組の台本、構成表等によって、認識精度を高めたいキーワードが異なる場合であっても、容易にその対象となるキーワードを変更することができる。
Through the above operation, the
When the keyword is updated with another new document, the registered identification information, bonus value, and penalty value are deleted before step S5. As a result, for example, even if a keyword whose recognition accuracy is to be improved differs depending on a script of a broadcast program, a configuration table, or the like, the target keyword can be easily changed.
〔音声認識動作〕
次に、図6に示すように、音声認識装置1は、探索手段132によって、言語モデル111から、接続される出力系列の候補を探索する。
このとき、探索手段132は、候補となる単語が、キーワードとして登録されている単語であるか否かを判定し(ステップS11)、キーワードである場合(ステップS11でYes)は、ボーナス付与手段132aによって、接続確率値にボーナス値を加算した値を当該出力系列の確率値に加算し(ステップS12)、ステップS16へ進む。
[Voice recognition operation]
Next, as illustrated in FIG. 6, the
At this time, the search means 132 determines whether the candidate word is a word registered as a keyword (step S11). If it is a keyword (Yes in step S11), the bonus grant means 132a. Thus, the value obtained by adding the bonus value to the connection probability value is added to the probability value of the output series (step S12), and the process proceeds to step S16.
さらに、探索手段132は、候補となる単語が、キーワードと類似する類似単語であるか否かを判定し(ステップS13)、類似単語である場合(ステップS13でYes)は、ペナルティ付与手段132bによって、接続確率値からペナルティ値を減算した値を当該出力系列の確率値に加算し(ステップS14)、ステップS16へ進む。
一方、候補となる単語が、キーワードでもなく類似単語でもない場合は、当該単語に設定されている接続確率値を出力系列の確率値に加算する(ステップS15)。
Further, the
On the other hand, if the candidate word is neither a keyword nor a similar word, the connection probability value set for the word is added to the probability value of the output series (step S15).
さらに、音声認識装置1は、特徴抽出手段12によって、入力された音声(音声信号)を分析することで音声の特徴量を抽出し、音響類似度算出手段131によって、単語に振られた発音(音素)との類似度を出力系列に加算する(ステップS16)。
Further, the
そして、探索手段132は、接続される単語がさらに継続するか否かを判定し(ステップS17)、継続する場合(ステップS17でYes)は、ステップS11に戻って、出力系列の確率値を加算していく。
そして、探索手段132は、すべての出力系列の候補の確率値を算出した段階で、確率値が最大となる出力系列を認識単語列として出力する(ステップS18)。
以上の動作によって、音声認識装置1は、キーワードの認識精度を高めた音声認識を行うことができる。
Then, the search means 132 determines whether or not the connected word further continues (step S17), and when it continues (Yes in step S17), returns to step S11 and adds the probability value of the output sequence. I will do it.
Then, the search means 132 outputs the output series having the maximum probability value as a recognized word string at the stage of calculating the probability values of all the output series candidates (step S18).
With the above operation, the
[参考例の実施の形態]
(音声認識装置の構成)
次に、図7を参照して、参考例の実施の形態に係る音声認識装置の構成について説明する。図7は、参考例の実施の形態に係る音声認識装置の構成を示すブロック図である。図7に示した音声認識装置1Bは、特定のキーワードについての認識精度を高めて、入力された音声信号を認識するものである。ここでは、音声認識装置1Bは、認識部10Bと、更新部20Bとで構成されている。
[ Reference embodiment]
(Configuration of voice recognition device)
Next, the configuration of the speech recognition apparatus according to the embodiment of the reference example will be described with reference to FIG. FIG. 7 is a block diagram illustrating a configuration of the speech recognition apparatus according to the embodiment of the reference example . The speech recognition apparatus 1B shown in FIG. 7 recognizes an input speech signal with improved recognition accuracy for a specific keyword. Here, the speech recognition apparatus 1B includes a recognition unit 10B and an update unit 20B.
この音声認識装置1Bは、図1で説明した音声認識装置1に対して、言語モデル111B及びキーワード辞書221Bの内容と、ボーナス付与手段132Ba、キーワード抽出手段21B及び言語モデル更新手段25Bの各機能とが異なっている。他の構成については、図1で説明した音声認識装置1と同一であるため、同一の符号を付し説明を省略する。
なお、音声認識装置1Bは、図1で説明した音声認識装置1とは、キーワードに対する接続確率を高める(ボーナスを付与する)手法が異なっている。
The speech recognition apparatus 1B is different from the
Note that the speech recognition device 1B is different from the
キーワード抽出手段21Bは、電子化されたキーワードを含んだ文書からキーワードを抽出するものである。なお、このキーワード抽出手段21Bは、図1で説明したキーワード抽出手段21と同様にキーワードを抽出するが、キーワードの品詞を認識する機能を付加している点が異なっている。すなわち、ここでは、キーワード抽出手段21Bは、形態素解析を行うことで、キーワードの品詞を解析する。
そして、キーワード抽出手段21Bは、抽出したキーワードとその品詞とを記憶手段22Bのキーワード辞書221Bに登録する。
The keyword extraction means 21B extracts keywords from a document containing digitized keywords. The
Then, the
言語モデル更新手段25Bは、記憶手段22Bに記憶されているキーワード辞書221Bに登録されているキーワード及び品詞に基づいて、言語モデル111Bを更新するものである。ここでは、言語モデル更新手段25Bは、学習テキストとして登録されている単語のうち、キーワードに相当する単語を、そのキーワードの品詞を示す固有の文字列に置換した後、品詞クラスの言語モデルとして生成する。
The language
ここで、図8を参照(適宜図7参照)して、言語モデル更新手段25Bが言語モデル111Bを生成する手法について説明する。図8は、本発明に係る言語モデルを生成する手順を説明するための説明図である。
ここで、まず、図8(a)に示すように、言語モデルを生成するための学習テキストが存在するとする。なお、この学習テキストは、通常、数百万文程度を用い、図示を省略した記憶手段に記憶されているものとする。
Here, with reference to FIG. 8 (refer to FIG. 7 as appropriate), a method in which the language
Here, first, as shown in FIG. 8A, it is assumed that there is a learning text for generating a language model. It is assumed that this learning text is normally stored in a storage means (not shown) using about several million sentences.
また、図8(b)に示すように、言語モデル111Bには、図8(a)の学習結果として数万個程度の単語(登録語彙)が登録されているものとする。
このとき、図8(c)に示すような未登録語彙(ここでは、「中教審」、「こども」)がキーワードであると仮定すると、言語モデル更新手段25Bは、図8(d)に示すように、学習テキストの未登録語彙(キーワード)に相当する単語を、固有のマーク(ここでは、「$」)を付したキーワードの品詞に置き換える。
図8(d)では、「中教審」を「$固有名詞$」、「こども」を「$一般名詞$」にそれぞれ置換した例を示している。
Further, as shown in FIG. 8B, it is assumed that tens of thousands of words (registered vocabulary) are registered in the
At this time, if it is assumed that an unregistered vocabulary as shown in FIG. 8 (c) (here, “junior high court”, “child”) is a keyword, the language
FIG. 8D shows an example in which “junior court” is replaced with “$ proper noun $” and “child” is replaced with “$ general noun $”.
その後、言語モデル更新手段25Bは、図8(e)に示すように、N−gramの数をカウントする。なお、図8(e)では、N−gramのうち、N=2の例を示している。
そして、言語モデル更新手段25Bは、図8(f)に示すように、各単語の接続確率値を計算し、言語モデル111Bを学習しなおす。これによって、キーワードについては品詞クラスの言語モデルが生成されることになる。
図7に戻って、音声認識装置1Bの構成について説明を続ける。
Thereafter, the language
Then, the language
Returning to FIG. 7, the description of the configuration of the speech recognition apparatus 1B will be continued.
ボーナス付与手段132Baは、言語モデル111Bにおいて、キーワードの品詞に基づいて、出力系列の確率値を算出するものである。なお、キーワードの品詞は、キーワード辞書221Bに登録されているものを使用する。
ここでは、ボーナス付与手段132Baは、出力系列の確率値(言語スコア)を算出する際に、キーワードの言語スコアについては、品詞に基づく言語スコアを用い、より大きな言語スコアが得られる単語列を入力音声に対する認識結果(認識単語列)として出力する。
具体的には、ボーナス付与手段132Baは、キーワードをw、キーワードwの直前の(N−1)−gramの履歴をh、品詞クラスをCとしたとき、以下の(4)式により、wが出現する事後確率P(w|h)を推定する。
The bonus giving means 132Ba calculates the probability value of the output series based on the part of speech of the keyword in the
Here, when the probability value (language score) of the output series is calculated, the bonus grant unit 132Ba uses a language score based on the part of speech as the keyword language score, and inputs a word string from which a larger language score can be obtained. Output as a speech recognition result (a recognition word string).
Specifically, the bonus granting unit 132Ba has a keyword w, a history of (N-1) -gram immediately before the keyword w is h, and a part of speech class is C. A posteriori probability P (w | h) of appearance is estimated.
すなわち、ボーナス付与手段132Baは、単語列((N−1)−gramの履歴)hの後、キーワードwが出現する事後確率P(w|h)を、単語列hの後に品詞クラスCが出現する確率に、品詞クラスC中でキーワードwが出現する確率を乗じて算出する。
ここで、品詞クラスC中でキーワードwが出現する確率とは、品詞クラスC(例えば、固有名詞のクラス)に属するキーワードの個数の逆数である。
この場合、予め音声認識装置1Bで使用する語彙の設計において、例えば、一般に特殊な単語とみなされる固有名詞を除いておけば、固有名詞の単語に与えられる確率値が大きくなる。また、キーワードは、一般に固有名詞等限られた品詞であることが多いため、キーワードを含んだ出力系列の言語スコアの値に対して、実質的にボーナスを与えたことになる。
That is, the bonus granting means 132Ba uses the posterior probability P (w | h) that the keyword w appears after the word string ((N-1) -gram history) h, and the part of speech class C appears after the word string h. And the probability that the keyword w appears in the part-of-speech class C is calculated.
Here, the probability that the keyword w appears in the part-of-speech class C is the reciprocal of the number of keywords belonging to the part-of-speech class C (for example, the proper noun class).
In this case, in the design of the vocabulary used in the speech recognition apparatus 1B in advance, for example, if proper nouns that are generally regarded as special words are excluded, the probability value given to the proper noun word increases. Further, since keywords are generally limited to parts of speech such as proper nouns, a bonus is substantially given to the language score value of the output series including the keywords.
以上、参考例の実施の形態に係る音声認識装置1Bの構成について説明したが、参考例は、この構成に限定されるものではない。
例えば、予めキーワードが決まっているのであれば、構成からキーワード抽出手段21Bを省略し、直接、キーワード辞書221Bにキーワードと品詞とを登録することとしてもよい。また、本発明の実施の形態に係る音声認識装置1と同様、ペナルティ付与手段132b、音素列探索手段23、類似単語抽出手段24を省略して構成してもよい。
なお、音声認識装置1Bは、一般的なコンピュータを前記した各手段として機能させる音声認識プログラムによって動作させることができる。
Having described the structure of the speech recognition apparatus 1B according to the embodiment of the reference example, Reference Example is not intended to be limited to this configuration.
For example, if a keyword is determined in advance, the
The voice recognition device 1B can be operated by a voice recognition program that causes a general computer to function as each of the above-described means.
(音声認識装置の動作)
次に、図9及び図10を参照(構成については図1参照)して、音声認識装置の動作について説明する。図9は、参考例の実施の形態に係る音声認識装置の言語モデルの更新動作を示すフローチャートである。図10は、参考例の実施の形態に係る音声認識装置の音声認識動作を示すフローチャートである。
(Operation of voice recognition device)
Next, the operation of the speech recognition apparatus will be described with reference to FIGS. 9 and 10 (see FIG. 1 for the configuration). FIG. 9 is a flowchart showing the language model update operation of the speech recognition apparatus according to the embodiment of the reference example . FIG. 10 is a flowchart showing the speech recognition operation of the speech recognition apparatus according to the embodiment of the reference example .
〔言語モデルの更新動作〕
図9に示すように、まず、音声認識装置1Bは、キーワード抽出手段21Bによって、電子化されたキーワードを含んだ文書から、キーワードとその品詞を抽出する(ステップS21)。
そして、キーワード抽出手段21Bが、ステップS21で抽出したキーワードと、その品詞とを、キーワード辞書221Bとして記憶手段22に記憶する(ステップS22)。
その後、音声認識装置1Bは、音素列探索手段23によって、キーワード辞書221Bに含まれているキーワードの発音を示す音素列(キーワード音素列)を、発音辞書113から検索する(ステップS23)。
[Update operation of language model]
As shown in FIG. 9, first, the speech recognition apparatus 1B extracts a keyword and its part of speech from a document including the digitized keyword by the
Then, the
Thereafter, the speech recognition device 1B searches the phoneme string search means 23 for a phoneme string (keyword phoneme string) indicating the pronunciation of the keyword included in the
そして、音声認識装置1Bは、類似単語抽出手段24によって、ステップS23で探索されたキーワード音素列と、発音辞書113に登録されている単語の発音を示す登録単語音素列とに基づいて、キーワードに類似(同一を含む)する単語(類似単語)を抽出するとともに、その類似単語にペナルティ値を設定する(ステップS24)。
The speech recognition apparatus 1B uses the similar
そして、音声認識装置1Bは、言語モデル更新手段25Bによって、ステップS22で記憶されたキーワード辞書221Bに登録されているキーワード及び品詞と、ステップS24で抽出された類似単語及びペナルティ値とに基づいて、言語モデル111Bを更新する。すなわち、音声認識装置1Bは、言語モデル更新手段25Bによって、学習テキストとして登録されている単語のうち、キーワードに相当する単語を、そのキーワードの品詞を示す固有の文字列に置換した後、学習テキストを学習することで品詞クラスの言語モデルを生成する(ステップS25)。
さらに、音声認識装置1Bは、言語モデル更新手段25Bによって、言語モデル111Bにおいて、類似単語を探索し、接続確率値を減算するペナルティ値を登録する(ステップS26)。
以上の動作によって、音声認識装置1Bは、電子化された文書からキーワードを抽出し、キーワードについては、品詞によりモデル化された言語モデルを生成する。
Then, the speech recognition device 1B uses the language
Furthermore, the speech recognition apparatus 1B searches for a similar word in the
Through the above operation, the speech recognition apparatus 1B extracts keywords from the digitized document, and generates a language model modeled with parts of speech for the keywords.
〔音声認識動作〕
次に、図10に示すように、音声認識装置1Bは、探索手段132Bによって、言語モデル111Bから、接続される出力系列の候補を探索する。
このとき、探索手段132Bは、候補となる単語が、キーワードとして登録されている単語であるか否かを判定し(ステップS31)、キーワードである場合(ステップS31でYes)は、ボーナス付与手段132Baによって、当該キーワードに対応する品詞の確率値を当該出力系列の確率値に加算し(ステップS32)、ステップS36へ進む。
[Voice recognition operation]
Next, as shown in FIG. 10, the speech recognition apparatus 1B searches the output model candidate from the
At this time, the search means 132B determines whether or not the candidate word is a word registered as a keyword (step S31). If it is a keyword (Yes in step S31), the bonus grant means 132Ba Thus, the probability value of the part of speech corresponding to the keyword is added to the probability value of the output series (step S32), and the process proceeds to step S36.
さらに、探索手段132Bは、候補となる単語が、キーワードと類似する類似単語であるか否かを判定し(ステップS33)、類似単語である場合(ステップS33でYes)は、接続確率値からペナルティ値を減算した値を当該出力系列の確率値に加算し(ステップS34)、ステップS36へ進む。
一方、候補となる単語が、キーワードでもなく類似単語でもない場合は、当該単語に設定されている接続確率値を出力系列の確率値に加算する(ステップS35)。
Further, the search means 132B determines whether or not the candidate word is a similar word similar to the keyword (step S33), and if it is a similar word (Yes in step S33), the penalty is determined from the connection probability value. The value obtained by subtracting the value is added to the probability value of the output series (step S34), and the process proceeds to step S36.
On the other hand, if the candidate word is neither a keyword nor a similar word, the connection probability value set for the word is added to the output sequence probability value (step S35).
さらに、音声認識装置1Bは、特徴抽出手段12によって、入力された音声(音声信号)を分析することで音声の特徴量を抽出し、音響類似度算出手段131によって、単語に振られた発音(音素)との類似度を出力系列に加算する(ステップS36)。
Furthermore, the speech recognition apparatus 1B extracts the feature amount of the speech by analyzing the input speech (speech signal) by the
そして、探索手段132Bは、接続される単語がさらに継続するか否かを判定し(ステップS37)、継続する場合(ステップS37でYes)は、ステップS31に戻って、出力系列の確率値を加算していく。
そして、探索手段132Bは、すべての出力系列の候補の確率値を算出した段階で、確率値が最大となる出力系列を認識単語列として出力する(ステップS38)。
以上の動作によって、音声認識装置1Bは、キーワードの認識精度を高めた音声認識を行うことができる。
Then, the search means 132B determines whether or not the connected word continues (step S37), and if so (Yes in step S37), returns to step S31 and adds the probability value of the output sequence. I will do it.
Then, the search means 132B outputs the output series having the maximum probability value as a recognized word string at the stage of calculating the probability values of all the output series candidates (step S38).
With the above operation, the speech recognition apparatus 1B can perform speech recognition with improved keyword recognition accuracy.
1 音声認識装置
11 記憶手段(言語モデル記憶手段、発音辞書記憶手段)
111 言語モデル
112 音響モデル
113 発音辞書
12 特徴抽出手段
13 単語列生成手段
131 音響類似度算出手段
132 探索手段
132a ボーナス付与手段(確率値増加手段)
132b ペナルティ付与手段(確率値減少手段)
21 キーワード抽出手段
22 記憶手段(キーワード記憶手段)
221 キーワード辞書
23 音素列探索手段
24 類似単語抽出手段
241 類似度測定手段
25 言語モデル更新手段
1
132b Penalty giving means (probability reduction means)
21 keyword extraction means 22 storage means (keyword storage means)
221
Claims (2)
特定のキーワードに対応する単語に予め定めた第1の識別情報を付与するとともに、前記特定のキーワードに類似する単語に予め定めた第2の識別情報を付与した言語モデルを記憶する言語モデル記憶手段と、
単語の発音を記憶した発音辞書を記憶する発音辞書記憶手段と、
電子化された文書から前記キーワードとなる単語を抽出するキーワード抽出手段と、
前記発音辞書から、前記キーワードの発音を示す音素列であるキーワード音素列を探索する音素列探索手段と、
この音素列探索手段で探索されたキーワード音素列と、前記発音辞書に登録されている単語の発音を示す登録単語音素列とに基づいて、前記キーワードに類似する単語を抽出する類似単語抽出手段と、
前記キーワード抽出手段で抽出されたキーワードに、前記第1の識別情報を付与するとともに、前記キーワードに類似する単語に、前記第2の識別情報を付与して、前記言語モデルを更新する言語モデル更新手段と、
前記言語モデルにおいて、前記入力音声の単語列に対する確率値が最大となる経路を探索することで、認識結果である単語列を出力する単語列生成手段と、を備え、
前記単語列生成手段が、
前記言語モデルにおいて、前記第1の識別情報が付与されている単語の接続確率値に、予め定めた値を加算することで、前記確率値を増加させる確率値増加手段と、
前記言語モデルにおいて、前記第2の識別情報が付与されている単語の接続確率値から、予め定めた値を減算することで、前記確率値を減少させる確率値減少手段と、
を有し、
前記確率値減少手段は、前記キーワード音素列と前記登録単語音素列との類似の度合いに基づいて、前記接続確率値の減少量を変化させることを特徴とする音声認識装置。 In a speech recognition device that recognizes input speech using a language model,
A language model storage means for storing a language model in which predetermined first identification information is given to a word corresponding to a specific keyword and predetermined second identification information is given to a word similar to the specific keyword When,
Pronunciation dictionary storage means for storing a pronunciation dictionary storing the pronunciation of a word;
Keyword extracting means for extracting the word as the keyword from the digitized document;
Phoneme string search means for searching a keyword phoneme string, which is a phoneme string indicating the pronunciation of the keyword, from the pronunciation dictionary;
Similar word extraction means for extracting a word similar to the keyword based on the keyword phoneme string searched by the phoneme string search means and a registered word phoneme string indicating pronunciation of a word registered in the pronunciation dictionary; ,
A language model update that updates the language model by adding the first identification information to the keyword extracted by the keyword extraction means, and adding the second identification information to a word similar to the keyword. Means,
In the language model, a word string generation unit that outputs a word string that is a recognition result by searching for a path that maximizes a probability value for the word string of the input speech, and
The word string generation means is
In the language model, a probability value increasing means for increasing the probability value by adding a predetermined value to the connection probability value of the word to which the first identification information is given,
In the language model, a probability value reducing means for reducing the probability value by subtracting a predetermined value from a connection probability value of the word to which the second identification information is given,
Have,
The probability value reducing means changes the amount of decrease in the connection probability value based on the degree of similarity between the keyword phoneme string and the registered word phoneme string .
電子化された文書から前記キーワードとなる単語を抽出するキーワード抽出手段、
前記発音辞書から、前記キーワードの発音を示す音素列であるキーワード音素列を探索する音素列探索手段、
この音素列探索手段で探索されたキーワード音素列と、前記発音辞書に登録されている単語の発音を示す登録単語音素列とに基づいて、前記キーワードに類似する単語を抽出する類似単語抽出手段、
前記キーワード抽出手段で抽出されたキーワードに、前記第1の識別情報を付与するとともに、前記キーワードに類似する単語に、前記第2の識別情報を付与して、前記言語モデルを更新する言語モデル更新手段、
前記言語モデルにおいて、前記入力音声の単語列に対する確率値が最大となる経路を探索することで、認識結果である単語列を出力する単語列生成手段、として機能させ、
前記単語列生成手段が、前記言語モデルにおいて、前記第1の識別情報が付与されている単語について、接続確率値に予め定めた値を加算することで前記確率値を増加させるとともに、前記第2の識別情報が付与されている単語について、前記キーワード音素列と前記登録単語音素列との類似の度合いに基づいて減少量を変化させた値を接続確率値から減算することで前記確率値を減少させることを特徴とする音声認識プログラム。 A language model in which first predetermined identification information is given to a word corresponding to a specific keyword, and second predetermined identification information is given to a word similar to the specific keyword, and a pronunciation of the word is stored In order to recognize the input speech using the pronunciation dictionary storage means that stores the pronunciation dictionary ,
A keyword extracting means for extracting a word as the keyword from an electronic document;
Phoneme string search means for searching a keyword phoneme string, which is a phoneme string indicating the pronunciation of the keyword, from the pronunciation dictionary;
Similar word extraction means for extracting a word similar to the keyword based on the keyword phoneme string searched by the phoneme string search means and a registered word phoneme string indicating pronunciation of the word registered in the pronunciation dictionary;
A language model update that updates the language model by adding the first identification information to the keyword extracted by the keyword extraction means, and adding the second identification information to a word similar to the keyword. means,
In the language model, by searching for a path that maximizes the probability value for the word sequence of the input speech, function as word sequence generation means for outputting a word sequence as a recognition result ,
The word string generation means increases the probability value by adding a predetermined value to a connection probability value for the word to which the first identification information is given in the language model, and the second for word identification information is attached, the keyword phoneme string and the registered word phoneme sequence and the probability value by calculation to decrease connection probability value whether et decrease the value varying on the basis of the degree of similarity A speech recognition program characterized by reducing the frequency.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006049729A JP4764203B2 (en) | 2006-02-27 | 2006-02-27 | Speech recognition apparatus and speech recognition program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006049729A JP4764203B2 (en) | 2006-02-27 | 2006-02-27 | Speech recognition apparatus and speech recognition program |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010275213A Division JP5124012B2 (en) | 2010-12-10 | 2010-12-10 | Speech recognition apparatus and speech recognition program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007226091A JP2007226091A (en) | 2007-09-06 |
JP4764203B2 true JP4764203B2 (en) | 2011-08-31 |
Family
ID=38547955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006049729A Expired - Fee Related JP4764203B2 (en) | 2006-02-27 | 2006-02-27 | Speech recognition apparatus and speech recognition program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4764203B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010078877A (en) * | 2008-09-25 | 2010-04-08 | Pioneer Electronic Corp | Speech recognition device, speech recognition method, and speech recognition program |
JP5054711B2 (en) * | 2009-01-29 | 2012-10-24 | 日本放送協会 | Speech recognition apparatus and speech recognition program |
JP5762365B2 (en) * | 2012-07-24 | 2015-08-12 | 日本電信電話株式会社 | Speech recognition apparatus, speech recognition method, and program |
KR102446300B1 (en) * | 2020-10-22 | 2022-09-22 | 네이버 주식회사 | Method, system, and computer readable record medium to improve speech recognition rate for speech-to-text recording |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001109491A (en) * | 1999-10-01 | 2001-04-20 | Univ Waseda | Continuous voice recognition device and continuous voice recognition method |
JP2004157649A (en) * | 2002-11-05 | 2004-06-03 | Nippon Telegr & Teleph Corp <Ntt> | Hierarchized user profile creation method and system, hierarchized user profile creation program and record medium recorded therewith |
JP2005242181A (en) * | 2004-02-27 | 2005-09-08 | Toshiba Corp | Method and apparatus for vocabulary selection, and program |
JP2005292346A (en) * | 2004-03-31 | 2005-10-20 | Nec Corp | Rejection dictionary generating system for voice recognition, rejection vocabulary generating method for voice recognition, and vocabulary generating program for voice recognition |
JP4259479B2 (en) * | 2005-02-21 | 2009-04-30 | 沖電気工業株式会社 | Media processing device |
-
2006
- 2006-02-27 JP JP2006049729A patent/JP4764203B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2007226091A (en) | 2007-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107305768B (en) | Error-prone character calibration method in voice interaction | |
US6934683B2 (en) | Disambiguation language model | |
JP4705023B2 (en) | Speech recognition apparatus, speech recognition method, and program | |
JP5040909B2 (en) | Speech recognition dictionary creation support system, speech recognition dictionary creation support method, and speech recognition dictionary creation support program | |
Lee | Voice dictation of mandarin chinese | |
Karpov et al. | Large vocabulary Russian speech recognition using syntactico-statistical language modeling | |
US20180286385A1 (en) | Method and system for predicting speech recognition performance using accuracy scores | |
US20050187769A1 (en) | Method and apparatus for constructing and using syllable-like unit language models | |
JP5326169B2 (en) | Speech data retrieval system and speech data retrieval method | |
Arısoy et al. | A unified language model for large vocabulary continuous speech recognition of Turkish | |
JP4758758B2 (en) | Dictionary creation device and dictionary creation program | |
Adda-Decker et al. | The use of lexica in automatic speech recognition | |
JP4764203B2 (en) | Speech recognition apparatus and speech recognition program | |
JP5124012B2 (en) | Speech recognition apparatus and speech recognition program | |
KR20130126570A (en) | Apparatus for discriminative training acoustic model considering error of phonemes in keyword and computer recordable medium storing the method thereof | |
Pellegrini et al. | Automatic word decompounding for asr in a morphologically rich language: Application to amharic | |
JP4733436B2 (en) | Word / semantic expression group database creation method, speech understanding method, word / semantic expression group database creation device, speech understanding device, program, and storage medium | |
JP2006107353A (en) | Information processor, information processing method, recording medium and program | |
JP6276516B2 (en) | Dictionary creation apparatus and dictionary creation program | |
JP4674609B2 (en) | Information processing apparatus and method, program, and recording medium | |
Veisi et al. | Jira: a Kurdish Speech Recognition System Designing and Building Speech Corpus and Pronunciation Lexicon | |
JP2021529338A (en) | Pronunciation dictionary generation method and device for that | |
Sarikaya et al. | Maximum entropy modeling for diacritization of arabic text | |
Li | Low-Resource Speech Recognition for Thousands of Languages | |
Wang et al. | Handling OOVWords in Mandarin Spoken Term Detection with an Hierarchical n‐Gram Language Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080606 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20101019 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101026 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101210 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110517 |
|
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: 20110610 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140617 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |