JP6532619B2 - 音声認識装置 - Google Patents
音声認識装置 Download PDFInfo
- Publication number
- JP6532619B2 JP6532619B2 JP2018562783A JP2018562783A JP6532619B2 JP 6532619 B2 JP6532619 B2 JP 6532619B2 JP 2018562783 A JP2018562783 A JP 2018562783A JP 2018562783 A JP2018562783 A JP 2018562783A JP 6532619 B2 JP6532619 B2 JP 6532619B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- determination
- domain
- unit
- speech
- 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
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Description
score=SAM+αSLM
実施の形態1.
図1は、実施の形態1による音声認識装置の構成図である。本実施の形態による音声認識装置は、図示のように、学習実行部100と判定実行部200から構成される。学習実行部100は、学習用音声認識部102、学習用特徴量変換部104及びモデル学習部106を備え、判定実行部200は、判定用音声認識部202、判定用特徴量変換部204及びドメイン判定部205を備えている。
音声認識装置はコンピュータを用いて実現されており、プロセッサ1、メモリ2、入出力インタフェース(入出力I/F)3、バス4を備える。プロセッサ1は、コンピュータとしての演算処理を行う機能部であり、メモリ2は、各種のプログラムや演算結果を記憶し、また、プロセッサ1が演算処理を行う場合の作業領域を構成する記憶部である。入出力インタフェース3は、学習用音声データ101や入力音声データ201を入力したり、ドメイン判定結果206を外部に出力したりする際のインタフェースである。バス4は、プロセッサ1、メモリ2及び入出力インタフェース3を相互に接続するためのバスである。
まず、学習実行部100が行うドメイン判定モデル学習ステップについて、図3のフローチャートを用いて説明する。
学習ステップでは、最初に、学習用音声認識部102が学習用音声データ101に対して音声認識を行って、その学習用スコア103を計算する(ステップST101)。ここで、学習用音声認識部102は複数の音声認識器A〜Cから成り、それぞれが各ドメインに対応した言語モデル及び音響モデルを読み込んでいる。学習用スコア103のスコアA〜Cは各音声認識器A〜Cからの1位の認識結果である。学習用スコア103の例として、音響スコアや言語スコアが利用可能である。なお、本実施の形態では例として音声認識器をA〜Cの三つとしているが、ドメイン数に応じて適宜選択可能である。
判定ステップでは、まず入力音声データ201から判定用音声認識部202により判定用スコア203を計算する(ステップST111)。ここで、判定用音声認識部202における各音声認識部は学習ステップと同じ音声認識部を使用する。判定用スコア203のスコアA〜Cは各音声認識器から1位の認識結果である。
実施の形態2は、学習用音声認識部及び判定用音声認識部の各音声認識器からN(Nは2以上の整数)ベストの認識結果を生成することで、下位の結果も考慮しドメインを判定する例である。
本実施の形態による音声認識装置は、図示のように、学習実行部100aと判定実行部200aから構成される。学習実行部100aは、学習用音声認識部102a、学習用特徴量変換部104a、モデル学習部106を備え、判定実行部200aは、判定用音声認識部202a、判定用特徴量変換部204a、ドメイン判定部205を備えている。なお、実施の形態1と同様の構成には同一符号を付し、その構成についての説明は省略または簡略化する。
まず学習実行部100aが行うドメイン判定モデル学習ステップについて、図7のフローチャートを用いて説明する。
学習ステップでは、最初に、学習用音声データ101から学習用音声認識部102aによりNベストの学習用スコア103aを計算する(ステップST201)。ここで、学習用音声認識部102aは複数の音声認識器A〜Cから成り、それぞれが各ドメインに対応した言語モデル及び音響モデルを読み込んでいる。学習用スコア103aのスコアA1〜C1とスコアA2〜C2は各音声認識器から得られる1位と2位の認識結果である。なお本実施の形態では例として認識器をA〜Cの三つとしているが、ドメイン数に応じて変えてもよく、認識結果のNベストの数を変えてもよい。
判定ステップでは、まず入力音声データ201から判定用音声認識部202aによりNベストの判定用スコア203aを計算する(ステップST211)。ここで、判定用音声認識部202aは学習ステップの学習用音声認識部102aと同じ音声認識部を使用する。判定用スコア203aのスコアA1〜C1とスコアA2〜C2は各音声認識器からの1位と2位の認識結果である。
実施の形態3は、実施の形態2の構成に加えて、特徴量の次元圧縮を行うようにしたものである。
本実施の形態による音声認識装置は、図示のように、学習実行部100bと判定実行部200bから構成される。学習実行部100bは、学習用音声認識部102a、学習用特徴量変換部104a、次元圧縮行列推定部108、学習用次元圧縮部110、モデル学習部106を備え、判定実行部200bは、判定用音声認識部202a、判定用特徴量変換部204a、判定用次元圧縮部207、ドメイン判定部205を備えている。なお、実施の形態2と同様の構成には同一符号を付し、その構成についての説明は省略または簡略化する。
まず学習実行部100bが行うドメイン判定モデル学習ステップについて、図11のフローチャートを用いて説明する。
学習ステップでは、最初に、学習用音声データ101から学習用音声認識部102aにより学習用スコア103aを計算する(ステップST301)。ここで、学習用音声認識部102aは複数の音声認識器A〜Cから成り、それぞれが各ドメインに対応した言語モデル及び音響モデルを読み込んでいる。学習用スコア103aのスコアA1〜C1とスコアA2〜C2は各音声認識器から得られる1位と2位の認識結果である。なお本実施の形態では例として認識器をA〜Cの三つとしているが、ドメイン数に応じて変えてもよく、認識結果のNベストの数を変えてもよい。
判定ステップでは、まず入力音声データ201から判定用音声認識部202aにより判定用スコア203aを計算する(ステップST311)。ここで、判定用音声認識部202aは学習ステップの学習用音声認識部102aと同じ音声認識部を使用する。判定用スコア203aのスコアA1〜C1とスコアA2〜C2は各音声認識器からの1位と2位の認識結果である。
実施の形態4は、N(Nは2以上の整数)ベストの認識結果を生成すると共に、Nベスト毎にドメイン判定モデルを生成するようにした例である。
本実施の形態による音声認識装置は、図示のように、学習実行部100cと判定実行部200cから構成される。学習実行部100cは、学習用音声認識部102a、第1の学習用特徴量変換部104b及び第2の学習用特徴量変換部104c、第1のモデル学習部106a及び第2のモデル学習部106bを備え、判定実行部200cは、判定用音声認識部202a、第1の判定用特徴量変換部204b及び第2の判定用特徴量変換部204c、第1のドメイン判定部205a及び第2のドメイン判定部205b、ドメイン確定部208を備えている。なお、実施の形態2と同様の構成には同一符号を付し、その構成についての説明は省略または簡略化する。
まず学習実行部100cが行うドメイン判定モデル学習ステップについて、図15のフローチャートを用いて説明する。
学習ステップでは、最初に、学習用音声データ101から学習用音声認識部102aによりNベストの学習用スコア103aを計算する(ステップST401)。ここで、学習用音声認識部102aは複数の音声認識器A〜Cから成り、それぞれが各ドメインに対応した言語モデル及び音響モデルを読み込んでいる。学習用スコア103aのスコアA1〜C1とスコアA2〜C2は各音声認識器から得られる1位と2位の認識結果である。なお本実施の形態では例として認識器をA〜Cの三つとしているが、ドメイン数に応じて変えてもよく、認識結果のNベストの数を変えてもよい。
判定ステップでは、まず入力音声データ201から判定用音声認識部202aによりNベストの判定用スコア203aを計算する(ステップST411)。ここで、判定用音声認識部202aは学習ステップの学習用音声認識部102aと同じ音声認識部を使用する。判定用スコア203aのスコアA1〜C1とスコアA2〜C2は各音声認識器からの1位と2位の認識結果である。
Claims (5)
- それぞれが各ドメインに対応した複数の音声認識器からなり、学習用音声データから当該各音声認識器による音声認識結果を示す値である学習用スコアを算出する学習用音声認識部と、
前記学習用音声認識部の各音声認識器で算出された前記各学習用スコアをドメイン毎に並べてベクトル化することで学習用特徴量に変換する学習用特徴量変換部と、
前記学習用特徴量と、前記学習用音声データがどのドメインの発話であるかを定義した学習用ラベルデータとを用いて、特徴量とドメインとの関係を示すドメイン判定モデルを算出するモデル学習部と、
それぞれが各ドメインに対応した複数の音声認識器からなり、入力音声データから当該各音声認識器による音声認識結果を示す値である判定用スコアを算出する判定用音声認識部と、
前記判定用音声認識部の各音声認識器で算出された前記各判定用スコアをドメイン毎に並べてベクトル化することで判定用特徴量に変換する判定用特徴量変換部と、
前記判定用特徴量と前記ドメイン判定モデルとを照合し、前記入力音声データがどのドメインの発話であるかを示すドメイン判定結果を算出するドメイン判定部とを備えたことを特徴とする音声認識装置。 - それぞれが各ドメインに対応した複数の音声認識器からなり、学習用音声データから当該各音声認識器によるN(Nは2以上の整数)ベストの音声認識結果を示す値であるNベストの学習用スコアを算出する学習用音声認識部と、
前記学習用音声認識部の各音声認識器で算出された前記Nベストの各学習用スコアをドメイン毎に並べてベクトル化することで学習用特徴量に変換する学習用特徴量変換部と、
前記学習用特徴量と、前記学習用音声データがどのドメインの発話であるかを定義した学習用ラベルデータとを用いて、特徴量とドメインとの関係を示すドメイン判定モデルを算出するモデル学習部と、
それぞれが各ドメインに対応した複数の音声認識器からなり、入力音声データから当該各音声認識器によるNベストの音声認識結果を示す値であるNベストの判定用スコアを算出する判定用音声認識部と、
前記判定用音声認識部の各音声認識器で算出された前記Nベストの各判定用スコアをドメイン毎に並べてベクトル化することで判定用特徴量に変換する判定用特徴量変換部と、
前記判定用特徴量と前記ドメイン判定モデルとを照合し、前記入力音声データがどのドメインの発話であるかを示すドメイン判定結果を算出するドメイン判定部とを備えたことを特徴とする音声認識装置。 - それぞれが各ドメインに対応した複数の音声認識器からなり、学習用音声データから当該各音声認識器によるN(Nは2以上の整数)ベストの音声認識結果を示す値であるNベストの学習用スコアを算出する学習用音声認識部と、
前記学習用音声認識部の各音声認識器で算出された前記Nベストの各学習用スコアをドメイン毎に並べてベクトル化することで学習用特徴量に変換する学習用特徴量変換部と、
前記学習用特徴量と、前記学習用音声データがどのドメインの発話であるかを定義した学習用ラベルデータとを用いて、前記学習用特徴量の次元を圧縮するための次元圧縮行列を推定する次元圧縮行列推定部と、
前記学習用特徴量と前記次元圧縮行列とを用いて、前記学習用特徴量の次元を圧縮する学習用次元圧縮部と、
前記学習用次元圧縮部で圧縮された学習用特徴量と、前記学習用ラベルデータとを用いて、特徴量とドメインとの関係を示すドメイン判定モデルを算出するモデル学習部と、
それぞれが各ドメインに対応した複数の音声認識器からなり、入力音声データから当該各音声認識器によるNベストの音声認識結果を示す値であるNベストの判定用スコアを算出する判定用音声認識部と、
前記判定用音声認識部の各音声認識器で算出された前記Nベストの各判定用スコアをドメイン毎に並べてベクトル化することで判定用特徴量に変換する判定用特徴量変換部と、
前記判定用特徴量と、前記次元圧縮行列とを用いて、前記判定用特徴量の次元を圧縮する判定用次元圧縮部と、
前記判定用次元圧縮部で圧縮された判定用特徴量と前記ドメイン判定モデルとを照合し、前記入力音声データがどのドメインの発話であるかを示すドメイン判定結果を算出するドメイン判定部とを備えたことを特徴とする音声認識装置。 - 前記次元圧縮行列推定部は、特徴量と教師ラベルを入力とし、特徴量の次元を低次元に変換する行列を出力することを特徴とする請求項3記載の音声認識装置。
- それぞれが各ドメインに対応した複数の音声認識器からなり、学習用音声データから当該各音声認識器によるN(Nは2以上の整数)ベストの音声認識結果を示す値であるNベストの学習用スコアを算出する学習用音声認識部と、
前記学習用音声認識部の各音声認識器で算出された前記Nベストの各学習用スコアを前記Nベスト毎にドメイン毎に並べてベクトル化することでNベスト毎の学習用特徴量に変換する学習用特徴量変換部と、
前記Nベスト毎の学習用特徴量と、前記学習用音声データがどのドメインの発話であるかを定義した学習用ラベルデータとを用いて、特徴量とドメインとの関係を示すドメイン判定モデルを前記Nベスト毎に算出するモデル学習部と、
それぞれが各ドメインに対応した複数の音声認識器からなり、入力音声データから当該各音声認識器によるNベストの音声認識結果を示す値であるNベストの判定用スコアを算出する判定用音声認識部と、
前記Nベストの判定用スコアをNベスト毎に判定用特徴量に変換する判定用特徴量変換部と、
前記判定用音声認識部の各音声認識器で算出された前記Nベストの各判定用スコアをNベスト毎にドメイン毎に並べてベクトル化することでNベスト毎の判定用特徴量に変換する判定用特徴量変換部と、
前記Nベスト毎の判定用特徴量と前記Nベスト毎のドメイン判定モデルとを照合し、Nベスト毎のドメイン判定結果を算出するドメイン判定部と、
前記Nベスト毎のドメイン判定結果を用いて、前記入力音声データがどのドメインの発話であるかを示すドメイン最終判定結果を算出するドメイン確定部とを備えたことを特徴とする音声認識装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/001551 WO2018134916A1 (ja) | 2017-01-18 | 2017-01-18 | 音声認識装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018134916A1 JPWO2018134916A1 (ja) | 2019-04-11 |
JP6532619B2 true JP6532619B2 (ja) | 2019-06-19 |
Family
ID=62907889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018562783A Expired - Fee Related JP6532619B2 (ja) | 2017-01-18 | 2017-01-18 | 音声認識装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6532619B2 (ja) |
WO (1) | WO2018134916A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210052563A (ko) * | 2018-11-02 | 2021-05-10 | 주식회사 엘솔루 | 문맥 기반의 음성인식 서비스를 제공하기 위한 방법 및 장치 |
KR20220118754A (ko) * | 2021-02-19 | 2022-08-26 | 삼성전자주식회사 | 음성 인식 결과를 분석하는 전자 장치 및 방법 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3265701B2 (ja) * | 1993-04-20 | 2002-03-18 | 富士通株式会社 | 多判定器によるパターン認識装置 |
JP5177561B2 (ja) * | 2007-02-06 | 2013-04-03 | 日本電気株式会社 | 認識器重み学習装置および音声認識装置、ならびに、システム |
JP5406797B2 (ja) * | 2010-07-13 | 2014-02-05 | 日本電信電話株式会社 | 音声認識方法とその装置とプログラム |
JP2012047924A (ja) * | 2010-08-26 | 2012-03-08 | Sony Corp | 情報処理装置、および情報処理方法、並びにプログラム |
JP6019604B2 (ja) * | 2012-02-14 | 2016-11-02 | 日本電気株式会社 | 音声認識装置、音声認識方法、及びプログラム |
JP6003492B2 (ja) * | 2012-10-01 | 2016-10-05 | 富士ゼロックス株式会社 | 文字認識装置及びプログラム |
US20160336007A1 (en) * | 2014-02-06 | 2016-11-17 | Mitsubishi Electric Corporation | Speech search device and speech search method |
-
2017
- 2017-01-18 WO PCT/JP2017/001551 patent/WO2018134916A1/ja active Application Filing
- 2017-01-18 JP JP2018562783A patent/JP6532619B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
WO2018134916A1 (ja) | 2018-07-26 |
JPWO2018134916A1 (ja) | 2019-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2652302C (en) | Intersession variability compensation for automatic extraction of information from voice | |
JP3452443B2 (ja) | 騒音下音声認識装置及び騒音下音声認識方法 | |
JP6622505B2 (ja) | 音響モデル学習装置、音声合成装置、音響モデル学習方法、音声合成方法、プログラム | |
JP2692581B2 (ja) | 音響カテゴリ平均値計算装置及び適応化装置 | |
US20200395028A1 (en) | Audio conversion learning device, audio conversion device, method, and program | |
Gill et al. | Vector quantization based speaker identification | |
JPWO2018051945A1 (ja) | 音声処理装置、音声処理方法、およびプログラム | |
JP6532619B2 (ja) | 音声認識装置 | |
JP6845489B2 (ja) | 音声処理装置、音声処理方法、および音声処理プログラム | |
US8078462B2 (en) | Apparatus for creating speaker model, and computer program product | |
KR100574769B1 (ko) | 최우법을 포함한 고유음성에 기초한 화자 및 환경 적응 방법 | |
JP6680933B2 (ja) | 音響モデル学習装置、音声合成装置、音響モデル学習方法、音声合成方法、プログラム | |
JP2020060757A (ja) | 話者認識装置、話者認識方法、及び、プログラム | |
JP6784255B2 (ja) | 音声処理装置、音声処理システム、音声処理方法、およびプログラム | |
JP6791816B2 (ja) | 音声区間検出装置、音声区間検出方法、およびプログラム | |
JP4391179B2 (ja) | 話者認識システム及び方法 | |
JP5104732B2 (ja) | 拡張認識辞書学習装置、これを用いた音声認識システム、その方法及びそのプログラム | |
JP6054004B1 (ja) | 音声認識装置 | |
JP6220733B2 (ja) | 音声分類装置、音声分類方法、プログラム | |
JP4236502B2 (ja) | 音声認識装置 | |
CN109872725B (zh) | 多视角向量处理方法和设备 | |
Debnath et al. | Speaker independent isolated word recognition based on ANOVA and IFS | |
JP2021092809A (ja) | 音声処理装置、音声処理方法、および音声処理プログラム | |
JP2023002421A (ja) | 構音異常検出方法、構音異常検出装置、及びプログラム | |
Bellemin | 18-551 Digital Communications and Signal Processing System Design Spring 2002 Professor Casasent |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181206 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20181206 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190122 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190314 |
|
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: 20190423 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190521 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6532619 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |