JP5215512B2 - 発声内に含まれる会社名の自動認識方法 - Google Patents

Description

本発明は、発声内の会社名の自動認識方法に係り、更には対話システムに係り、より詳細には、発声内の会社名を自動認識する処理ユニットを含む照会システムに関する。

電話照会システム等のような対話システム若しくは照会システムにおいて、会社名の認識が特定の問題を引き起こす。かかる問題は、ユーザーが会社名を発音するとき、通例的に、予め決められた一定形式若しくはあるシンタックスを付けるという事実に基づく。例えば、会社名の部分は、入力されるときにしばしば省略され、略語が形成され、頭文字が使用され、或いは会社名の部分が変更されたりする。

発明が解決しようとする課題

従って、本発明の目的は、発声内の会社名の自動認識中の誤り率を低減する事にある。

課題を解決するための手段

上記目的は、請求項１記載の方法、及び請求項７記載の対話システムによって達成される。

音声認識装置の認識結果は通常的に使用されるが、依然として高い誤り率であり、本発明による前処理がかけられる。かかる目的のため、各々アプリケーションに対して許容可能な全ての会社名が格納されたデータベースが使用される。データベースの情報を利用することによって、例えばばかげた音声認識結果が訂正されることができる。音声認識装置によって作成された多くの異なる認識結果の代替から最良な認識が選択されることもできる。

好ましくは、会社名の法律的に正しい形式がデータベース内に格納される。音声認識装置によって作成される単語列の仮説、若しくはＮ個の最良な単語列の仮説のリストの各々は、その後データベース登録と比較される。その後、データベース内で単語列の仮説全体に対する、若しくは単語列の仮説の部分に対する探索が実行される。探索結果を用いて、データベース内に格納された会社名が認識結果としてここで選択されるが、音声認識装置によって作成された単語列の仮説が考慮されている。音声認識装置が入力された各発声に対して１つだけ単語列の仮説を作成する場合、及びかかる単語列の仮説内に完全に表現された会社名を見つけることができない場合、単語列の仮説を少なくとも部分的に含む会社名が選択されるだろう。音声認識装置が、発声に対して種々の単語列の仮説を作成する場合、データベース登録との比較はそれに伴い拡張され、データベース内に格納された会社名を考慮する最善の単語列の仮説が決定される。

本発明の効果的な実施例は、従属形式の請求項に定義される。

本発明のこれらの局面及び他の局面は、後述する実施例を参照すると、明らかになり解明されるだろう。

図１に示される対話システム１、若しくは電話名簿システムは、公衆電話ネットワーク（ＰＳＴＮ）３に、インターフェース２を経由して、各々接続されて、ユーザーが、対話システム１に電話端末４を経由して、アクセスすることができるようになる。ユーザーの発声（speech utterance）が、音声をテキストに変換するのに使用される処理ユニット５に、電話端末４と、公衆電話ネットワーク３とインターフェース２とを経由して、適用される。処理ユニット５は、認識結果を作成し、認識結果は対話制御ユニット６に適用され、ユニット６は、各々のアプリケーションに応じて、ユーザーに送信されるのに適当な音声出力を決定する。出力されるべき音声信号は、音声にテキストを変換する処理ユニット７（例えば、音声合成ユニット）によって生成されるが、各々の音声出力は、処理ユニット７に対話制御ユニット６によって送信される制御信号に依存している。

処理ユニット５は、会社名が低い誤り率を以って認識されるように、特別に設計される。ここでなされる処理は、図２に示されるダイアグラムによって説明され、ダイアグラムは、処理ユニット５の実施態様を示す。電気信号として使用可能な発声であってインターフェースから来る発声は、ここで、ＨＭＭ（隠れマルコフ・モデル）に基づく音声認識装置コア１１による音声認識装置１０によって評価されるが、音声モデル１３と聴覚基準を有する聴覚モデル１２とが使用される。音声認識装置１０は、認識結果として単語列の仮説（word sequence hypothesis）（以下、単語配列仮説とも称する）を作成し、前記仮説は、会社名を表す一若しくはそれ以上の単語を含み、必要な場合は、会社名の認識のために評価されることができる更なる単語を含む。ブロック１４は、データベース１５の登録と音声認識装置１０によって作成された単語配列仮説との比較をする比較ユニットとして特徴付けられる。データベース１５内には、各々のアプリケーションに対して許容可能な会社名が格納されるが、より詳細には、法律上に正確なスペルが使用される。その時、アプリオリ（a priori）が規定された一定の単語であって、会社名の認識に略貢献しないか、或いは全く貢献しない一定の単語（冠詞、しばしば発生する充当語（filling words））を、データベース１５内の正式名から、及び結果として音声認識装置１０の単語配列仮説からも、取り除き、ブロック１４の比較中に捨象するのが効果的である。データベース１５も、単語配列仮説との比較の基礎として、省略されていない会社名に代わって、しかるべき場合に使用される各々省略された会社名を有する登録を含むことになる。このことは、かかる充当語の評価が発生しなくなり、ブロック１４における比較が迅速化される点で有効である。ブロック１４における比較中は、第１に探索が、音声認識装置１０によって作成された単語配列仮説に完全に包含された登録であって、データベース１５内に格納された登録に対してなされる。この場合、この会社名は、認識結果１６として送出される。それ以外の場合、単語配列仮説に少なくとも部分的に包含される会社名を含むデータベース登録が、探索されるだろう。好ましくは、会社名の一定部分が、特有の特徴として定義され、ブロック１４において比較される際に考慮される例えば各々の大きさの重みファクターを受け入れることになる。例えば、Ｐｈｉｌｉｐｓ・ＧｍｂＨという会社名の場合、“Ｐｈｉｌｉｐｓ”の部分が、“ＧｍｂＨ”の部分よりも高い重みファクターを受け入れるだろう。“Ｄｅｕｔｓｃｈｅ Ｔｅｌｅｋｏｍ”という会社名に対しては、“Ｔｅｌｅｋｏｍ”の部分は、“Ｄｅｕｔｓｃｈｅ”よりも高い重みファクターを受け入れるだろう。会社名の認識に対して使用できる情報を運ばない単語として定義される、データベース１５内に格納された単語は、単語配列仮説をそれぞれの部分ごとに減少させるのに使用される。かかる単語の例は、冠詞、前置詞、及び充当語等である。

ブロック１４における比較に対して使用される探索エンジンは、好ましい実施例では、次のように機能する。すなわち、音声認識装置１０によって作成された認識結果がデータベース１５内の登録と正確に一致する場合、この登録は最も高いスコアを受け、部分的にのみ一致する他のデータベース登録はその時、代替として送出されてよい。好ましくは、音声認識装置１０は、一の発声に対して、一の単語配列仮説だけでなく、複数のＮ個の最良な単語配列仮説（Ｎ＞１）をも作成する。これらの仮説は、音声認識装置１０によって決定される確率に従って格納され、比較ユニット１４によって考慮される。より詳細には、一の発声に対して、Ｎ個の最良な単語配列仮説だけでなく、更には各単語配列仮説に対しての確率値も、比較ユニット１４に適用されるが、音声認識装置１０は、各々の確率ＰN best（会社名）を備えたＮ個の最良な認識結果を搬送するのに使用される。更に比較ユニット１４も、データベース１５の登録を評価することで、見出された各会社名に対して確率Ｐ_{comaring unit}（会社名）を作成する。その後、最終探索結果の重み付けが、例えば全確率によって、作成されてよい。

即ち、Ｐ （会社名）＝Ｐ_{N best}（会社名）＊Ｐ_{comparing unit}（会社名）である。これは、音声認識と比較ユニットとが統計的に独立であるという単純化された仮定の下で、実行される。

ブロック１９は、音声モデル１３の音声モデル値の決定を特徴とする。訓練段階では、データベース１５の登録が、かかる目的のため評価される。音声モデル１３の構築に対する改善は、データベース１５内に格納されアプリオリが適宜定義された会社名の異形（ブロック１７）が（例えば、会社名の部分の適切な混合、“Ｂｉｇ Ｂｌｕｅ”のような口語的表現等）、音声モデル１３の訓練中に入力されることで達成される。音声モデル１３の訓練に関する更なる改善は、実際の照会や対話から回復されたデータが訓練中に更に入力されることで得られる（これらのデータはブロック１８によって特徴付けられる）。これらは、次の２つの方法によって入力できる。即ち、一方は、訓練教材に単純に追加する方法であり、他方は、ある会社に対する照会に含まれる頻度が、純粋なデータベース登録を構成する訓練教材に重みファクターとして入力される （ユニグラム（unigram）という意味で）方法である。更に、音声モデル１３のオンラインによる適応が音声認識装置１０に与えられ、適応によって、入力された会社名の認識に対する誤り率の低減がもたらされる。オンライン適応に対しては、対話システムの動作中に音声認識装置１０によって回復された単語配列仮説が使用される。音声モデル適応に対するアルゴリズムは音声モデル訓練に対するアルゴリズムと同様に公知であり、これらのアルゴリズムは、ブロック１９で結合される。

公衆電話ネットワークに接続された対話システムを示す図である。 図１に示すような対話システム内に使用される、発声内の会社名を自動認識するための処理ユニットを示す図である。

１ 対話システム
２ インターフェース
３ 公衆電話ネットワーク
４ 電話端末
５ 処理ユニット
６ 対話制御ユニット
７ 処理ユニット
１０ 音声認識装置
１１ 音声認識装置コア
１２ 聴覚モデル
１３ 音声モデル
１４ 比較ユニット
１５ データベース
１６ 認識結果
１７ ブロック
１８ ブロック
１９ ブロツク

Claims (7)

1. 会社名及び会社名の異形を含む情報がデータベース内に登録情報として格納され、前記異形は、会社名の部分の混合、会社名の口語的表現、会社名の頭字語の少なくとも１つを含み、
   少なくとも１つの単語列が、一若しくはそれ以上の単語からなる発声から、音声認識装置によって作成され、
   上記単語列と、会社名を表現するデータベース内に格納された登録情報との比較がなされ、この際、冠詞及び充当語を含む所定の単語であって、会社名の認識に貢献しない所定の単語が除外され、
   会社名が上記比較結果に基づいて認識結果として選択される、発声内の会社名を自動認識する方法。
   
2. 上記音声認識装置が、認識結果として選択される会社名の重み付けのため使用される確率値であって各単語列に対する確率値を作成することを特徴とする、請求項１記載の方法。
   
3. 上記音声認識装置によって作成された単語列が、上記音声認識装置によって利用される音声モデルの適応化のために使用されることを特徴とする、請求項１記載の方法。
   
4. 上記音声認識装置は、上記データベース内に格納された情報を音声モデルにより入力することによって訓練された音声モデルを利用することを特徴とする、請求項１記載の方法。
   
5. 会社名及び会社名の異形を含む情報を登録情報として格納するデータベースであって、前記異形が、会社名の部分の混合、会社名の口語的表現、会社名の頭字語の少なくとも１つを含むデータベースと、
   発声内の会社名を自動認識する処理ユニット、を含む照会システムであって、
   前記処理ユニットは、
   一若しくはそれ以上の単語からなる発声から少なくとも１つの単語列を生成するのに用いられる音声認識装置と、
   上記単語列とデータベース内に格納された会社名を表現する登録情報とを比較し、比較の結果に基づいて会社名を認識結果として選択するために設置された比較ユニットであって、比較の際、会社名の認識に貢献しない所定の単語を除外する比較ユニットとを含む、照会システム。
   
6. 発声内の会社名を自動認識する方法であって、
   会社名及び会社名の異形を含む情報をデータベース内に登録情報として格納するステップであって、前記異形が、会社名の部分の混合、会社名の口語的表現、会社名の頭字語の少なくとも１つを含む、ステップと、
   少なくとも１つの単語列を、一若しくはそれ以上の単語からなる発声から、音声認識装置によって作成するステップと、
   会社名を表現するデータベース内に格納された登録情報と、前記単語列を比較することによって、前記単語列内に少なくとも部分的に見つけられる前記データベース内の登録情報を見つけるステップであって、この際、冠詞及び充当語を含む所定の単語であって、会社名の認識に貢献しない所定の単語が除外される、比較ステップと、
   前記比較ステップ中に見つけられる各登録情報に対する第１確率値を生成するステップであって、前記第１確率値は、前記単語列内に見つけられる前記データベース内の登録情報のそれぞれにおける単語数に依存し、前記各単語は、重み係数を有し、特定の特徴のある単語は大きな重み係数を有し、前記重み係数は、前記各登録情報に対する前記第１確率値を求める際に考慮される、ステップと、
   上記比較結果及び前記各登録情報に対する前記第１確率値に基づいて会社名を認識結果として選択する選択ステップとを含む、方法。
   
7. 前記音声認識装置は、前記少なくとも１つの単語列に対し第２確率値を生成し、前記選択ステップでの選択は、前記第１及び第２確率値に基づいて行われる、請求項６に記載の方法。

Images