JP5124012B2 - 音声認識装置及び音声認識プログラム - Google Patents
音声認識装置及び音声認識プログラム Download PDFInfo
- Publication number
- JP5124012B2 JP5124012B2 JP2010275213A JP2010275213A JP5124012B2 JP 5124012 B2 JP5124012 B2 JP 5124012B2 JP 2010275213 A JP2010275213 A JP 2010275213A JP 2010275213 A JP2010275213 A JP 2010275213A JP 5124012 B2 JP5124012 B2 JP 5124012B2
- Authority
- JP
- Japan
- Prior art keywords
- keyword
- language model
- word
- speech
- speech recognition
- 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
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。
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。
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。
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）。
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）。
「Open Vocabulary ASR for Audiovisual Document Indexation」,ICASSP 2005 I pp.1013-1016
「Unsupervised Vocabulary Expansion for Automatic Transcription of Broadcast News」,ICASSP 2005 I pp.1021-1024
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。
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。
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。
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。
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、特定のキーワードとその品詞を記憶するキーワード記憶手段と、言語モデルを記憶する言語モデル記憶手段と、前記特定のキーワード以外の単語については当該単語の文字列を用い、前記特定のキーワードの単語については、前記キーワード記憶手段に記憶されている当該キーワードの品詞を示す固有の文字列に置き換えて学習することで、前記言語モデル記憶手段に記憶されている言語モデルを更新する言語モデル更新手段と、この言語モデル更新手段で更新された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、前記キーワードの直前までの単語列の後に当該キーワードに対応する品詞クラスが出現する確率と、当該品詞クラス中で当該キーワードが出現する確率とを乗じた確率値を算出し、出力系列の確率値に加算する確率値増加手段を有する構成とした。
かかる構成において、言語モデル記憶手段に記憶されている言語モデルは、キーワードについては品詞クラスの言語モデルとなる。そこで、音声認識装置は、単語列生成手段によって、キーワードの接続確率値が小さい場合には、キーワードの接続確率値を、キーワードに対応する品詞の接続確率値に基づいて演算することで、より大きな接続確率値が得られることになる。
また、請求項２に記載の音声認識プログラムは、特定のキーワードとその品詞を記憶するキーワード記憶手段と、言語モデルを記憶する言語モデル記憶手段とを備えた音声認識装置において、入力音声を認識するために、コンピュータを、前記特定のキーワード以外の単語については当該単語の文字列を用い、前記特定のキーワードの単語については、前記キーワード記憶手段に記憶されている当該キーワードの品詞を示す固有の文字列に置き換えて学習することで、前記言語モデル記憶手段に記憶されている言語モデルを更新する言語モデル更新手段、この言語モデル更新手段で更新された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、前記キーワードの直前までの単語列の後に当該キーワードに対応する品詞クラスが出現する確率と、当該品詞クラス中で当該キーワードが出現する確率とを乗じた確率値を算出し、出力系列の確率値に加算する構成とした。
かかる構成において、音声認識プログラムは、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、言語モデル記憶手段に記憶されている言語モデルは、キーワードについては品詞クラスの言語モデルである。そこで、単語列生成手段は、言語モデルにおいて、キーワードの接続確率値をキーワード記憶手段に記憶されている当該キーワードに対応する品詞の接続確率値に基づいて演算することで、キーワードの接続確率値を増加させる。
請求項１又は請求項２に記載の発明によれば、キーワードを品詞クラスの言語モデルにより接続確率値を算出するため、通常の単語のみにより接続確率値を求める場合に比べて、その接続確率値を高めることができ、キーワードの認識精度を高めることができる。
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。
［参考例の実施の形態］
（音声認識装置の構成）
まず、図１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１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。
［参考例の実施の形態］
（音声認識装置の構成）
まず、図１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１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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
以上、参考例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。
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。
（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、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６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。
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、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６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。
〔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）。
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）。
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。
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。
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）。
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）。
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。
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。
〔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。
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。
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）。
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）。
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）。
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。
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。
［本発明の実施の形態］
（音声認識装置の構成）
次に、図７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７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。
（音声認識装置の構成）
次に、図７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７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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
以上、本発明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、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、参考例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。
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、参考例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。
（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、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１０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。
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、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１０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。
〔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）。
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）。
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）。
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。
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。
〔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。
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。
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）。
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）。
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）。
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。
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。
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
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
Claims (2)
- 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、
特定のキーワードとその品詞を記憶するキーワード記憶手段と、
言語モデルを記憶する言語モデル記憶手段と、
前記特定のキーワード以外の単語については当該単語の文字列を用い、前記特定のキーワードの単語については、前記キーワード記憶手段に記憶されている当該キーワードの品詞を示す固有の文字列に置き換えて学習することで、前記言語モデル記憶手段に記憶されている言語モデルを更新する言語モデル更新手段と、
この言語モデル更新手段で更新された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、
前記キーワードの直前までの単語列の後に当該キーワードに対応する品詞クラスが出現する確率と、当該品詞クラス中で当該キーワードが出現する確率とを乗じた確率値を算出し、出力系列の確率値に加算する確率値増加手段を有していることを特徴とする音声認識装置。 - 特定のキーワードとその品詞を記憶するキーワード記憶手段と、言語モデルを記憶する言語モデル記憶手段とを備えた音声認識装置において、入力音声を認識するために、コンピュータを、
前記特定のキーワード以外の単語については当該単語の文字列を用い、前記特定のキーワードの単語については、前記キーワード記憶手段に記憶されている当該キーワードの品詞を示す固有の文字列に置き換えて学習することで、前記言語モデル記憶手段に記憶されている言語モデルを更新する言語モデル更新手段、
この言語モデル更新手段で更新された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、
前記キーワードの直前までの単語列の後に当該キーワードに対応する品詞クラスが出現する確率と、当該品詞クラス中で当該キーワードが出現する確率とを乗じた確率値を算出し、出力系列の確率値に加算することを特徴とする音声認識プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010275213A JP5124012B2 (ja) | 2010-12-10 | 2010-12-10 | 音声認識装置及び音声認識プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010275213A JP5124012B2 (ja) | 2010-12-10 | 2010-12-10 | 音声認識装置及び音声認識プログラム |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006049729A Division JP4764203B2 (ja) | 2006-02-27 | 2006-02-27 | 音声認識装置及び音声認識プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2011048405A JP2011048405A (ja) | 2011-03-10 |
| JP5124012B2 true JP5124012B2 (ja) | 2013-01-23 |
Family
ID=43834690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010275213A Expired - Fee Related JP5124012B2 (ja) | 2010-12-10 | 2010-12-10 | 音声認識装置及び音声認識プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5124012B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102332729B1 (ko) * | 2014-07-28 | 2021-11-30 | 삼성전자주식회사 | 발음 유사도를 기반으로 한 음성 인식 방법 및 장치, 음성 인식 엔진 생성 방법 및 장치 |
| KR102292921B1 (ko) * | 2014-12-08 | 2021-08-24 | 삼성전자주식회사 | 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치 |
| CN111161739B (zh) * | 2019-12-28 | 2023-01-17 | 科大讯飞股份有限公司 | 语音识别方法及相关产品 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001109491A (ja) * | 1999-10-01 | 2001-04-20 | Univ Waseda | 連続音声認識装置および方法 |
| JP2004013134A (ja) * | 2002-06-12 | 2004-01-15 | Nec Corp | 音声認識装置及びその方法並びにプログラム |
| JP3913626B2 (ja) * | 2002-07-17 | 2007-05-09 | 日本電信電話株式会社 | 言語モデル生成方法、その装置及びそのプログラム |
-
2010
- 2010-12-10 JP JP2010275213A patent/JP5124012B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2011048405A (ja) | 2011-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4705023B2 (ja) | 音声認識装置、音声認識方法、及びプログラム | |
| US6934683B2 (en) | Disambiguation language model | |
| 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 | |
| KR100717385B1 (ko) | 인식 후보의 사전적 거리를 이용한 인식 신뢰도 측정 방법및 인식 신뢰도 측정 시스템 | |
| WO2004034378A1 (ja) | 言語モデル生成蓄積装置、音声認識装置、言語モデル生成方法および音声認識方法 | |
| JP5326169B2 (ja) | 音声データ検索システム及び音声データ検索方法 | |
| Menacer et al. | An enhanced automatic speech recognition system for Arabic | |
| Arısoy et al. | A unified language model for large vocabulary continuous speech recognition of Turkish | |
| JP4758758B2 (ja) | 辞書作成装置および辞書作成プログラム | |
| JP4764203B2 (ja) | 音声認識装置及び音声認識プログラム | |
| JP5124012B2 (ja) | 音声認識装置及び音声認識プログラム | |
| JP2013117683A (ja) | 音声認識装置、誤り傾向学習方法、及びプログラム | |
| JP2002342323A (ja) | 言語モデル学習装置およびそれを用いた音声認識装置ならびに言語モデル学習方法およびそれを用いた音声認識方法ならびにそれらの方法を記憶した記憶媒体 | |
| JP2006107353A (ja) | 情報処理装置および方法、記録媒体、並びにプログラム | |
| JP6078435B2 (ja) | 記号列変換方法、音声認識方法、それらの装置及びプログラム | |
| JP6276516B2 (ja) | 辞書作成装置、及び辞書作成プログラム | |
| JP4674609B2 (ja) | 情報処理装置および方法、プログラム、並びに記録媒体 | |
| Veisi et al. | Jira: a Kurdish Speech Recognition System Designing and Building Speech Corpus and Pronunciation Lexicon | |
| JP4733436B2 (ja) | 単語・意味表現組データベースの作成方法、音声理解方法、単語・意味表現組データベース作成装置、音声理解装置、プログラムおよび記憶媒体 | |
| JP2021529338A (ja) | 発音辞書生成方法及びそのための装置 | |
| Huang et al. | Task-independent call-routing | |
| Sarikaya et al. | Maximum entropy modeling for diacritization of arabic text | |
| JP2010085522A (ja) | 音声認識処理機能を用いたコンテンツ検索装置、プログラム及び方法 | |
| Soltau et al. | Automatic speech recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20101210 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20111219 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120228 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120328 |
|
| 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: 20121002 |
|
| 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: 20121026 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151102 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 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |