JP6574169B2 - 多方向の復号をする音声認識 - Google Patents

Description

人間とコンピュータの相互作用は、人間がコンピューティング装置を制御し、話すことによって、装置への入力を提供できるところまで進展している。コンピューティング装置は、受信した音声入力の様々な品質に基づいて、人間のユーザによって話された単語を識別する技術手法を採用している。これらの技術手法は、音声認識または自動音声認識（ＡＳＲ）と呼ばれている。言語処理技術と組み合わせた音声認識は、ユーザの音声コマンドに基づいて、ユーザがタスクを実行するためにコンピューティング装置を制御することを可能にする。音声認識は、また、ユーザの音声をテキストデータに変換し、様々なテキストベースのプログラムやアプリケーションに提供されてもよい。

人間とコンピュータの相互作用を改善するコンピュータ、ハンドヘルドデバイス、電話コンピュータシステム、キオスク及びその他の多種多様なデバイスは、音声認識を使用することができる。
本開示のより完全な理解のために、添付の図面と併せて、以下の記述を参照する。

本開示の一態様によるビーム形成器からの多チャネルの音声を復号するための１つの技術手法を図示している。 本開示の一態様による分離された音声認識で使用するコンピュータネットワークを図示している。 本開示の一態様による音声認識装置を概念的に図示するブロック図である。 本開示の一態様による処理されたオーディオ波形を図示している。 本開示の一態様による音素処理を図示している。 本開示の一態様による隠れマルコフモデルを使用して音素処理を図示している。 本開示の一態様による単語結果ネットワークを図示している。 本開示の一態様による音声認識格子を図示している。 本開示の一態様による音声認識のニューラルネットワークを図示している。 本開示の一態様による音声認識のニューラルネットワークを図示している。 本開示の一態様によるＨＭＭ結果ネットワークを図示している。 本開示の態様によるビーム形成器から受信された多チャネルの音声の復号に基づく音声処理法を示す。

自動音声認識（ＡＳＲ）技術手法は、ユーザが音声取込装置（例えば、音声入力／取込要素及び／またはマイクロフォン）に話しかけることができ、音声を含む音声信号がＡＳＲ装置によって認識されるコマンドに変換される。装置への音声入力は、一人または複数のユーザからの音声を含みながら、他のソースからの音声（例えば、他の個人、家庭用電気機器からのバックグラウンド音声）などのバックグラウンドノイズを含む場合がある。他のソースからの音声は、異なる方向から生じて、所望の音声の受け取りと処理を複雑にする。また、これら他のソースからの音声は、ＡＳＲ装置がユーザからの処理音声の解釈をさらに困難にする。

本開示では、ビーム形成器から受信された多チャンネルの音声に基づく音声処理方法を提供する。本開示の一態様では、ＡＳＲ装置がマイクロフォンアレイ及びビーム形成器を備えてもよく、ビーム形成器は、各チャネルが特定の方向に音声を分離するように多チャネルの音声を出力できる。ＡＳＲ装置は、ビーム形成器から多チャンネルの音声を受信する。多チャンネルの音声信号は、１つまたは複数のスピーカからの発声／発言の他に、家庭用電気機器からの騒音などの不要な音声を含むことがある。ＡＳＲ装置は、より正確な音声認識結果を提供するために、多チャンネル音声の音声認識を同時に行うことができる。

図１は、本開示の態様による音声処理方法を図示している。図１は、ビーム形成器モジュール１２８を含むマイクロフォンアレイ１２６を有するＡＳＲ装置１００、ユーザ１２０、食器洗浄機１２２及びＡＳＲ装置１００の周囲に配置されたステレオスピーカ１２４を示す。マイクロフォンアレイは、円形の構成で示されているが、マイクロフォンアレイは異なる方向からの音声信号の受信を容易にするために、他のマイクロフォンアレイ構成（多くのアレイを有するものを含む）で配置されてもよい。ブロック１０２において示すように、ＡＳＲ装置１００は、多数の方向から、ユーザからの発言及び／または食器洗浄機１２２、ステレオ出力１２４などを含む音声を受信することができる。ユーザからの発言の受信及び他のソースからの音声の受信は同時であってもよい。線１１０によって図示されているビームの数は、ビーム形成器１２８によって分離できる方向を表している。本開示の一態様では、ＡＳＲ装置１００は、音声認識の結果を改善するために、多チャネルの音声データについて音声認識を同時に実行する。

本開示において記述する技術手法は、ＡＳＲ装置１００のようなローカルデバイス、ネットワーク装置、または異なるデバイスのいくつかの組み合わせで実行できる。例えば、ローカルデバイスは多チャンネルの音声データを受信し、処理のためにリモートデバイスは音声にデータを送信できる。リモートデバイスは、音声認識を決定するために多チャンネルの音声についてＡＳＲ処理を実行することができる。また、ローカルデバイスとリモートデバイスは、他の方法で協働することができる。これらの多くのＡＳＲ装置は、ネットワークを介して接続されていてもよい。図２に図示するように、多くのデバイスがネットワーク２０２を介して接続されていてもよい。ネットワーク２０２は、ローカルまたはプライベートネットワークを含み、あるいはインターネットのようなワイドネットワークを含むことができる。デバイスは、有線または無線接続を介してネットワーク２０２に接続されてもよい。例えば、無線デバイス２０４は、ワイヤレスサービスプロバイダを介して、ネットワーク２０２に接続されてもよい。コンピュータ２１２などの他のデバイスは、有線接続を介して、ネットワーク２０２に接続することができる。家庭やショッピング施設などに配置されている冷蔵庫２１８は、有線または無線接続を介して、ネットワーク２０２に接続することができる。ラップトップ２０８またはタブレットコンピュータ２１０などの他の装置は、無線サービスプロバイダ、ＷｉＦｉ（登録商標）接続などを含む接続を介して、様々な接続方法を使用してネットワーク２０２に接続可能であってもよい。ネットワークデバイスは、ヘッドセット２０６または２１４を含むいくつかの音声入力デバイスなどを介して、発声音声を入力できる。音声入力装置は、有線または無線の接続を介して、ネットワークデバイスに接続されてもよい。ネットワーク装置は、ラップトップ２０８内の内蔵マイクロフォン（図示せず）、無線装置２０４またはテーブルコンピュータ２１０などの埋め込み音声入力装置を含んでもよい。

特定のＡＳＲシステム構成では、１つのデバイスは音声信号を取り込み、別のデバイスはＡＳＲの処理を行うことができる。例えば、ヘッドセット２１４に入力された音声は、コンピュータ２１２によって取り込まれ、処理のためにコンピュータ２２０またはサーバ２１６にネットワーク２０２を介して送信される。また、コンピュータ２１２は、ネットワーク２０２を介して、音声信号を送信する前に、それを部分的に処理してもよい。ＡＳＲ処理は、ストレージと処理能力の両方の点で、かなりの計算リソースを含む可能性があるため、音声を取り込むデバイスは、リモートデバイスより低い処理能力を有し、より高品質のＡＳＲ結果が求められた場合に音声信号を処理する分割構成が採用される。音声の取り込みは、ユーザの近くで行われ、取り込まれた音声信号は処理のために別のデバイスに送信される。例えば、１つ以上のマイクロフォンアレイは、ＡＳＲ装置において異なる位置に配置されてもよく、取り込まれた音声は、処理のためにアレイからＡＳＲ装置に送信されてもよい。

図３は、音声認識を実行するための自動音声認識装置（ＡＳＲ）３０２を図示している。本開示の態様は、ＡＳＲ装置３０２にあり得るコンピュータ可読及びコンピュータ実行可能命令が含まれている。図３は、ＡＳＲ装置３０２に含まれるいくつかの構成要素を図示しているが、他の図示しない構成要素が含まれてもよい。図示の構成要素のいくつかは、本開示の態様を採用することが可能なあらゆる装置中になくてもよい。さらに、ＡＳＲ装置３０２において単一の構成要素として示されたいくつかの構成要素は、単一の装置内に多数回含まれることがある。例えば、ＡＳＲ装置３０２は、多くの入力装置３０６、出力装置３０７、または多くのコントローラ／プロセッサ３０８を含んでもよい。

単一の音声認識システムでは、多くのＡＳＲ装置が採用されてもよい。このようなマルチデバイスシステムでは、ＡＳＲ装置は、音声認識プロセスのさまざまな態様を実行するために別の構成要素を含んでもよい。多くのデバイスは重なり合う構成要素を含んでもよい。図３に図示するＡＳＲ装置は、例示的であり、スタンドアローンデバイスであってもよく、より大きな装置またはシステムの構成要素として、全体的または部分的に、含まれてもよい。

本開示の教示は、例えば、汎用コンピューティングシステム、サーバクライアントコンピューティングシステム、メインフレームコンピューティングシステム、電話コンピューティングシステム、ラップトップコンピュータ、携帯電話機、パーソナルデジタルアシスタント（ＰＤＡ）、タブレットコンピュータ、他のモバイルデバイスなどの様々なデバイス及びいくつかのコンピュータシステムの中に適用することができる。ＡＳＲ装置３０２は、例えば、現金自動預け払い機（ＡＴＭ）、キオスク、家電用製品（冷蔵庫、オーブン、など）、自動車（車、バス、オートバイ、など）、及び／または運動器具などの音声認識機能を提供できる他の装置またはシステムの構成要素であってもよい。

図３に図示するように、ＡＳＲ装置３０２は、処理のために発声を取り込む音声取込装置３０４を含んでもよい。音声取込装置３０４は、音を取り込むためのマイクロフォンまたは他の適切な構成要素を含むことができる。音声取込装置３０４は、ＡＳＲ装置３０２に内蔵されてもよく、ＡＳＲ装置３０２から分離されてもよい。ＡＳＲ装置３０２は、ＡＳＲ装置３０２の構成要素間でデータを送信するアドレス／データバス３２４を含んでもよい。ＡＳＲ装置３０２内の各構成要素は、バス３２４を経由して他の構成要素に接続されていることに加えて（または代わりに）、直接に他の構成要素に接続されてもよい。図３では、特定の構成要素が直接に接続されているように図示されているが、これは単なる例示であり、他の構成要素が直接お互いに接続されてもよい（例えば、ＡＳＲモジュール３１４がコントローラ／プロセッサ３０８に接続されているように）。

ＡＳＲ装置３０２は、データ処理及びコンピュータ可読命令のための中央処理装置（ＣＰＵ）であるコントローラ／プロセッサ３０８及びデータと命令を保存するメモリ３１０を含んでもよい。メモリ３１０は、揮発性ランダムアクセスメモリ（ＲＡＭ）、不揮発性読み出し専用メモリ（ＲＯＭ）、及び／または他のタイプのメモリを含むことができる。ＡＳＲ装置３０２は、データ及び命令を保存するためのデータストレージコンポーネント３１２を含んでもよい。データストレージコンポーネント３１２は、磁気記憶装置、光学記憶装置、固体記憶装置などの１つ以上の記憶装置タイプを含んでもよい。ＡＳＲ装置３０２は、入力装置３０６または出力装置３０７を介して取り外し可能な、または外部メモリ及び／または記憶装置（例えば、リムーバブルメモリカード、メモリーキードライブ、ネットワークストレージなど）に接続されてもよい。ＡＳＲ装置３０２及びその様々な構成要素を操作するためのコントローラ／プロセッサ３０８による処理のコンピュータ命令は、コントローラ／プロセッサ３０８によって実行されてもよく、そして以下に説明するＡＳＲモジュール３１４に含まれるメモリ３１０、記憶装置３１２、外部デバイス、またはメモリ内／記憶装置に保存されてもよい。選択的に、実行可能命令の一部または全ては、ソフトウエアに代えてまたはその代わりに、ハードウエアまたはファームウエアに埋め込まれてもよい。本開示の教示は、例えば、ソフトウエア、ファームウエア及び／またはハードウエアの様々な組合せで実行され得る。

ＡＳＲ装置３０２は、入力装置３０６及び出力装置３０７を含んでいる。様々な入力／出力装置が装置に含まれてもよい。例示的な入力装置３０６は、例えば、マイクロフォン（別個の構成要素として表示）のような音声取込装置３０４、タッチ入力装置、キーボード、マウス、スタイラスまたはその他の入力装置を含む。例示的な出力装置３０７は、例えば、視覚ディスプレイ、触覚ディスプレイ、音声スピーカ、ヘッドホン、プリンタまたは他の出力装置を含んでいる。入力装置３０６及び／または出力装置３０７は、例えば、ユニバーサルシリアルバス（ＵＳＢ）、ファイヤーワイヤー、サンダーボルトまたは他の接続プロトコルのような接続のために外部周辺機器用インターフェースを含んでもよい。入力装置３０６及び／または出力装置３０７は、イーサネット（登録商標）のポート、モデムなどのネットワーク接続を含んでもよい。入力装置３０６及び／または出力装置３０７は、無線周波数（ＲＦ）、赤外線、ブルートゥース、無線ローカルエリアネットワーク（ＷＬＡＮ）（例えば、ＷｉＦｉ）などの無線通信装置、またはロングタームエボリューション（ＬＴＥ）ネットワーク、ＷｉＭＡＸネットワーク、３Ｇネットワークなど無線通信ネットワークと通信可能な無線などの無線ネットワークの無線機を含んでいる。入力装置３０６及び／または出力装置３０７を介してＡＳＲ装置３０２は、分散コンピューティング環境を含むことができ、インターネットやプライベートネットワークなどのネットワークに接続することができる。

当該装置は、発声音声データをテキストに処理するためにＡＳＲモジュール３１４を含んでもよい。ＡＳＲモジュール３１４は、音声データを音声データに含まれている発言の言葉を表すテキストデータに転写する。テキストデータは、システムコマンド、データ入力など様々な目的のために、他の構成要素によって使用されてもよい。発声を含めた音声データは、リアルタイムに処理されてもよく、保存して後の時点で処理してもよい。音声データに含まれた発声は、ＡＳＲモジュール３１４に入力され、ＡＳＲモジュール３１４が発声とＡＳＲモジュール３１４に知られているモデルとの間の類似性に基づいて、発声を解釈する。例えば、ＡＳＲモジュール３１４は、入力された音声データを音（例えば、音声単位または音素）のモデル及び音のシーケンスと比較してもよく、音声データの発声における話された音のシーケンスに一致する単語を識別する。発声が解釈できる異なる方法は、それぞれに単語の特定のセットが発声に話された単語に一致する尤度を表す確率または認識スコアを割り当てることができる。認識スコアは、例えば、発声中の音と言語の音のモデル（例えば、音響モデル）との類似度及び音に一致する特定の単語は文章の特定の場所に含まれる（例えば、言語モデルまたは文法を使用して）尤度を含む多くの要因に基づいてもよい。考慮される要因及び割り当てられた認識スコアに基づいて、ＡＳＲモジュール３１４は音声データに認識される最も可能性の高い単語を出力してもよい。ＡＳＲモジュール３１４は、多くの代りとして認識された単語を格子またはＮ個ベストリストの形で出力できる（以下でより詳細に記述する）。

認識スコアは、音声データの一部が特定の音素または単語に対応する確率を表す一方、認識スコアは、他の音声データのＡＳＲ処理との相対的なスコアが割り当てられた音声データのＡＳＲ処理品質を示す他の情報を組み込むことができる。認識スコアは、１から１００の尺度の数字、０から１の確率、対数確率またはその他の指標として表すことができる。認識スコアは、音声データのセクションで特定の音素、単語などに対応する相対的な正確度を示してもよい。

ＡＳＲモジュール３１４は、バス３２４、入力装置３０６及び／または出力装置３０７、音声取込装置３０４、エンコーダ／デコーダ３２２、コントローラ／プロセッサ３０８及び／またはＡＳＲ装置３０２の他の構成要素に接続できる。ＡＳＲモジュール３１４に送信される音声データは、音声取込装置３０４から入力されるか、入力装置３０６によって受信される、例えば、リモートエンティティによって取り込まれた音声データはネットワークを介してＡＳＲ装置３０２に送信される。音声データは、発声のオーディオ波形のデジタル表現の形態であってもよい。サンプリングレート、フィルタリング、及びアナログからデジタルへの変換処理の他の態様は、音声データの全体的な品質に影響を与えることがある。音声取込装置３０４及び入力装置３０６の各種設定は、品質とデータサイズとの典型的なトレードオフまたはその他の考慮事項に基づいて、音声データを調整するように構成されてもよい。

ＡＳＲモジュール３１４は、音響フロントエンド（ＡＦＥ）３１６、音声認識エンジン３１８及び音声記憶装置３２０を含んでいる。ＡＦＥ３１６は、音声データを音声認識エンジン３１８によって処理するデータに変換する。音声認識エンジン３１８は、元の音声データに含まれている音声を認識するために、音声認識データを音声記憶装置３２０に記憶された音響、言語及びその他のデータモデルと情報を比較する。ＡＦＥ３１６及び音声認識エンジン３１８は、例えば、独自のコントローラ／プロセッサ及びメモリを含むか、またはＡＳＲ装置３０２のコントローラ／プロセッサ３０８及びメモリ３１０を使用することができる。同様に、ＡＦＥ３１６及び音声認識エンジン３１８を動作させるための命令は、ＡＳＲ装置３０２のＡＳＲモジュール３１４、メモリ３１０及び／または記憶装置３１２内に配置されてもよく、外部デバイス内に配置されてもよい。

受信した音声データは、処理のためにＡＦＥ３１６に送信されてもよい。ＡＦＥ３１６は、音声データの雑音を低減し、処理のための発声を含む音声データの部分を識別し、識別された音声成分を区分して処理してもよい。ＡＦＥ３１６は、デジタル化された音声データをフレームまたは音声セグメントに区分し、各フレームが、例えば、１０ミリ秒（ｍｓ）の時間間隔を表してもよい。フレームの間に、ＡＦＥ３１６は、フレーム内の部分の発声の機能／品質を表す特徴ベクトルと呼ばれる値のセットを決定する。特徴ベクトルは、変化するいくつかの値、例えば、４０を含むことができる。特徴ベクトルは、フレーム内の音声データの異なる性質を表してもよい。図４は、最初の単語４０４が処理されている間に、最初の単語４０４の多数の点４０６を有するデジタル化された音声データの波形４０２を示している。これらの点の音声品質は、特徴ベクトルに保存されてもよい。特徴ベクトルは発声の時間期間を表現するマトリックスにストリーミングまたは組み合わせることができる。これらの特徴ベクトルマトリックスは、次いで処理のために、音声認識エンジン３１８に送られてもよい。音声データを処理するために、いくつのアプローチがＡＦＥ３１６によって使用されてもよい。それらのアプローチは、メル周波数ケプストラム係数（ＭＦＣＣ）、知覚線形予測（ＰＬＰ）技術手法、ニューラルネットワークの特徴ベクトルの技術手法、線形判別分析、半結共分散行列、またはこの分野の通常の知識を有する者に周知の他の方法の使用を含むことができる。

処理された特徴ベクトルは、ＡＳＲモジュール３１４から出力され、更なる処理のために別のデバイスに送信する出力装置４０７に送信されてもよい。特徴ベクトルは、送信前にエンコーダ／デコーダ３２２によって符号化及び／または圧縮されてもよい。エンコーダ／デコーダ３２２は、デジタル化された音声データ、特徴ベクトルなどのＡＳＲデータを符号化及び復号化するためにカスタマイズできる。エンコーダ／デコーダ３２２は、例えば、.zipのような一般的な符号化スキームを使用して、ＡＳＲ装置３０２の非ＡＳＲデータを符号化できる。エンコーダ／デコーダ３２２の機能性は、図３に図示されているように別個の構成要素内に配置されてもよく、コントローラ／プロセッサ３０８、ＡＳＲモジュール３１４、または他の構成要素によって実行されてもよい。

音声認識エンジン３１８は、音声記憶装置３２０に保存されている情報を参照して、ＡＦＥ３１６からの出力を処理してもよい。代替的に、フロントエンド処理された後のデータ（特徴ベクトルなど）は、内部ＡＦＥ３１６の他に別のソースからＡＳＲモジュール３１４によって受信されてもよい。例えば、別のエンティティは、音声データを特徴ベクトルに処理して、入力装置３０６を介して、その情報をＡＳＲ装置３０２に送信してもよい。特徴ベクトルが符号化された形でＡＳＲ装置３０２に到達することがあり、その場合、音声認識エンジン３１８（例えば、エンコーダ／デコーダ３２２）によって処理される前に復号化される。

音声記憶装置３２０は、音素の発音を特定の単語に一致するデータなど音声認識の様々な情報が含まれている。このデータは、音響モデルとも呼ばれる。音声記憶装置は単語の辞書または語彙を含んでもよい。音声記憶装置は、特定の文脈内において一緒に使用される可能性が高い単語を記述するデータを含んでもよい。このデータは、言語または文法モデルとも呼ばれる。音声記憶装置３２０は、記録された音声及び／または対応する転写を含んでもよい訓練コーパスを含んでもよく、この訓練コーパスは音声認識においてＡＳＲモジュール３１４によって使用されるモデルを訓練し改善するために使用されてもよい。訓練コーパスは、事前に、音響モデルと言語モデルを含む音声認識モデルを訓練するために使用されてもよい。モデルは、次に、ＡＳＲ処理中に使用されてもよい。

訓練コーパスは、関連する特徴ベクトル及び関連する正しいテキストを有するいくつかのサンプル発声を含んでもよく、これらは、例えば、音響モデルと言語モデルを作成するために使用することができる。サンプル発声は、特定の音声単位の予想される音声に対応する数学的モデルを作成するために使用されてもよい。これらの音声単位は、音素、音節、音節の一部、単語の一部などを含んでもよい。音声単位は、トライフォン、キンフォンなど文脈内の音素を含んでもよい。音声の中に定期的に使用される文脈内の音素は独自のモデルと関連付けられる場合がある。一般的にあまり使用されていない文脈内の音素は、グループモデルに所属するように、一緒にクラスタ化することができる。このように、音素グループをクラスタ化することによって、より少ないモデルが訓練コーパスに含まれてもよく、ＡＳＲ処理を容易にする。訓練コーパスは、ＡＳＲモジュール３１４に異なる発声の比較を提供するために、異なる話者から同じ発声の多くのバージョンを含むことができる。訓練コーパスは、正しいと認識された発声だけでなく、正しくないと認識された発声を含んでもよい。これらの正しくないと認識された発声には、例えば、文法の間違い、不正確な認識エラー、雑音、またはＡＳＲモジュール３１４にエラーの種類とそれに対応する訂正の例を提供する他のエラーを含んでもよい。

他の情報も、音声認識に使用する音声記憶装置３２０に記憶することができる。音声記憶装置３２０の内容は、一般的な使用のＡＳＲのために設定されてもよく、または特定のアプリケーションで使用される可能性がある音や単語を含むようにカスタマイズしてもよい。例えば、ＡＴＭ（現金自動預け払い機）におけるＡＳＲ処理のために、音声記憶装置３２０は、銀行取引に固有のカスタマイズされたデータを含んでもよい。特定の例では、音声記憶装置３２０は、ユーザの個別の音声入力に基づいて、個々のユーザのためにカスタマイズされてもよい。性能を改善するために、ＡＳＲモジュール３１４は、ＡＳＲ処理の結果のフィードバックに基づいて、音声記憶装置３２０の内容を修正／更新し、これにより、ＡＳＲモジュール３１４が訓練コーパスに提供される機能を越えて音声認識を改善することを可能にする。

音声認識エンジン３１８は、受信した特徴ベクトルを音声記憶装置３２０に知られている単語やサブワード単位に一致させようとする。サブワード単位は、音素、文脈内の音素、音節、音節の一部、文脈での音節、または単語の他の部分であってもよい。音声認識エンジン３１８は、音響情報と言語情報に基づいて、特徴ベクトルの認識スコアを計算する。音響情報は、特徴ベクトルの集合で表される意図された音が、サブワード単位と一致する尤度を表す音響スコアを計算するために使用される。言語情報は、どの単語が一緒に文脈において使用されているかを考慮することにより、音響スコアを調整するために使用され、それにより、ＡＳＲモジュールが文法的に意味のある音声を出力して尤度を改善する。

音声認識エンジン３１８は、特徴ベクトルを音素またはバイフォン、トライフォンなどの他の音声単位と一致させるために多くの技術手法を使用してもよい。隠れマルコフモデル（ＨＭＭ）の使用は、１つの一般的な技術手法である。ＨＭＭは、特徴ベクトルが音素と一致する確率を判定するために使用される。ＨＭＭを使用して、いくつかの状態が表現され、これらの状態は一緒に潜在的な音素（またはトライフォンなどの他の音声単位）を表し、各状態がガウス混合モデルなどのモデルと関連付けられる。状態間の遷移は、関連付けられた確率を有し、現状の状態が以前の状態から到達できる尤度を表現する。受信された音は、ＨＭＭの状態間の経路として表現されてもよく、そして多数の経路は同じ音に対する多数の一致する可能性があるテキストを表してもよい。各音素は、音素とその部分（発声の音の最初、中間、最後など）の異なる既知の発音に対応する多数の潜在的な状態によって表現されてもよい。潜在的な音素の確率に関する初期の決定は、１つの状態に関連付けられてもよい。新たな特徴ベクトルは、音声認識エンジン３１８によって処理される間に、状態は、新たな特徴ベクトルの処理に基づいて、変更する場合と変化しない場合がある。ビタビアルゴリズムは、処理された特徴ベクトルに基づいて、状態の最も可能性の高いシーケンスを検索するために使用されてもよい。

一実施例では、音声認識エンジン３１８は、「こんにちは、今日はお元気ですか」（“Ｈｅｌｌｏ，ｈｏｗ ａｒｅ ｙｏｕ？“）を発言するユーザに対応する音の一連の特徴ベクトルを受けてもよい。音声認識エンジン３１８は、各特徴ベクトルを音声認識データベース３２０にある音素と一致するように試みてもよい。例えば、図５は、Ｘ０からＸ９まで１０個の特徴ベクトルを含む音素ＰＮ（「ｈｅｌｌｏ」の「ｅ」の音を表す）に対応する特徴ベクトル５０２のシリーズを図示している。第１の特徴ベクトルを処理すると、音声認識エンジン３１８は、図５にスコアとして示されているように、特徴ベクトルが音素に一致している確率を予備的に決定する。特徴ベクトルに基づいて、音素／Ｅ／に０．４３の初期スコア、音素／ｅ／（／Ｅ／とは異なる発音）に０．２４のスコアなどが割り当てられてもよい。スコアは、特徴ベクトルが音声記憶装置３２０に記憶された１つ以上の音響モデル内の音素の状態に関連付けられている分布にどの程度一致していかに基づいてもよい。特徴ベクトルには、特徴ベクトルが雑音または無音を表すスコアを割り当ててもよい。図５の例では、特徴ベクトルが雑音を表すスコアは０.０５である。

図５に示す音素／Ｅ／のスコア０．４３を有する特徴ベクトルを例にすると、音声認識エンジン３１８は、図６に示す隠れマルコフモデルでの状態Ｓ_０として示される、特徴ベクトルが音素／Ｅ／の最初の状態と一致するスコア０．４３を最初に割り当てる。さらに処理すると、音声認識エンジン３１８は、状態が同じのままにするか、または新しい状態に変更するかどうかを決定する。例えば、状態はそのまま６０４でいいかどうかは、対応する遷移確率（Ｐ(Ｓ₀｜Ｓ₀)と記述し、状態S_０からＳ_０に遷移する確率を意味する）及び後続のフレームがＳ_０とＳ_１と一致することに依存してもよい。状態Ｓ_１は、最も可能性が高い場合、計算は状態Ｓ_１に移動し、そこから継続する。その後のフレームについて、音声認識エンジン３１８は、同様に、Ｐ（Ｓ_１｜Ｓ_１）６０８で表される遷移確率を使用して、状態はＳ_１のままでいいかどうか、またはＰ（Ｓ_２｜Ｓ_１）６１０で表される遷移確率を使用して、次の状態へ移動するかを決定する。処理を継続すると、音声認識エンジン３１８は、Ｓ_２の状態のままの確率６１２、または示された音素／Ｅ／の状態から他の音素の状態に移動するかを含む確率の計算を継続する。状態Ｓ_２のための特徴ベクトルを処理した後で、音声認識は、発声の次の音素に移動してもよい。

確率と状態は、多くの技術手法を用いて計算することができる。例えば、各状態の確率は、ガウスモデル、ガウス混合モデル、または特徴ベクトル及び音声記憶部３２０の内容に基づく他の技術を用いて計算することができる。例えば、音素状態の確率を推定するために最尤推定（ＭＬＥ）などを使用することができる。

１音素の潜在的な状態を特徴ベクトルと潜在的に一致するとして計算することに加えて、音声認識エンジン３１８は、特徴ベクトルが潜在的に一致するとして、図５に示す実施例の音素／ｅ／及び／または音素／ａ／などの他の音素の潜在的な状態を計算することができる。このように、多くの状態と状態遷移確率が計算されてもよい。

音声認識エンジン３１８によって計算された可能性の高い状態及び可能性の高い状態遷移が、経路に形成される。各経路は、特徴ベクトルで表される音声データと潜在的に一致する音素の進行を示している。１つの経路は、各音素について計算された認識スコアに応じて、１つまたは複数の他の経路と重複する場合がある。一定の確率は、状態から状態への各遷移に関連付けられている。累積経路スコアが、また、各経路に対して計算されてもよい。ＡＳＲ処理の一部として、スコアを組み合わせた場合、所望の組み合わせスコアに到達するために、スコアが乗算（または他の方法で結合）され、または確率が対数領域に変換され、処理を支援するために加算されてもよい。

音声認識エンジン３１８は、また、言語モデルや文法に基づいて、経路のブランチのスコアを計算することができる。言語のモデルを作るには、理路整然とした単語や文を形成するために、どの単語が一緒に使用される可能性があるかについてスコアを決定することを伴う。言語モデルを適用すると、ＡＳＲモジュール３１４が音声データに含まれている音声を正しく解釈する尤度を改善させる可能性がある。例えば、「ＨＥＬＯ」、「ＨＡＬＯ」、「ＹＥＬＯ」の潜在的な音素経路を戻す音響モデルの処理は、発声内の各単語の言語文脈に基づいて、「ＨＥＬＯ」（「ｈｅｌｌｏ」という単語として解釈）、「ＨＡＬＯ」（「ｈａｌｏ」という単語として解釈）、と「ＹＥＬＯ」（「ｙｅｌｌｏｗ」という単語として解釈）の認識スコアを調整するために、言語モデルによって調整することができる。言語のモデル作りは、音声記憶装置３２０に保存された訓練コーパスから決定され、特定の用途のためにカスタマイズすることができる。

言語のモデル作り（またはＡＳＲ処理の他の段階）の一環として、音声認識装置３１８は、計算リソースを節約するために、言語モデルに基づく低い認識スコア、またはその他の理由のいずれかによる発声に対応する低い尤度を有する低い認識スコア状態または経路を取り除いて廃棄することができる。さらに、ＡＳＲ処理中に、音声認識エンジン３１８は、反復して、追加の処理段階を以前に処理した発声部分に対して実行してもよい。後の段階は、結果を改善するために、以前の段階の結果を組み込むことができる。音声認識エンジン３１８が入力音声から潜在的な単語を決定すると共に、多くの潜在的な音や単語が入力音声について潜在的に一致していると考えられるため、格子が非常に大きくなることがある。潜在的な一致は単語結果ネットワークとして示され得る。音声認識結果ネットワークは、認識できる音声単位の可能なシーケンス及び各シーケンスの尤度を表現するアークとノードの接続ネットワークである。単語結果ネットワークは、単語レベルでの音声認識結果ネットワークである。他のレベルの音声認識ネットワークも可能である。結果ネットワークは、音声認識デコーダ（またはエンジン）の任意のタイプによって生成されてもよい。例えば、以下でより詳細に記述されるように、結果ネットワークは、ＦＳＴに基づくデコーダによって生成されてもよい。結果ネットワークは、最高のスコア結果の格子、またはＮ個ベストリストとしての音声認識結果の最終セットを作成するために使用されてもよい。

図７は、本開示のいくつかの態様に従って、音声を認識する音声認識エンジン３１８によって使用される単語結果ネットワークの実施例を図示するものである。単語結果ネットワークは、認識できる単語のシーケンス及び各シーケンスの尤度から構成されてもよい。単語結果ネットワーク内の任意の経路の尤度は、音響モデル及び言語モデルによって決定されてもよい。図７において、示された経路は、例えば、「ｈｅａｄ」、「ｈｅｌｌｏ Ｉ」、「ｈｅｌｌｏ Ｉ’ｍ」、「ｈｅｎ」、「ｈｅｌｐ Ｉ」、「ｈｅｌｐ Ｉ’ｍ」「ｈｅｍ」、「Ｈｅｎｒｙ Ｉ」、「Ｈｅｎｒｙ I’ｍ」及び「ｈｅｄｇｅ」を含んでいる。

図７に図示するように、単語結果ネットワークは初期ノード７１０で開始してもよい。ノード７１０において、音声認識エンジン３１８が処理を開始するので、単語はまだ認識されていないかもしれない。ノード７１０から、音声認識エンジン３１８は、アーク及び追加のノードを作成し、各アークが認識できる潜在的な単語に関連付けられ得る。いくつかの用途では、単語は、ノードの代わりに、アークによって表すことができる。図７では、ノード７１０からノード７２０までのアーク、ノード７２６までのアークには、音声認識エンジン３１８によって認識できる例語が付されている。

初期ノード７１０から、音声認識エンジン３１８は、ノード７１０を去る最も発生する可能性が高いアークを決定するために音響モデル及び言語モデルを適用することができる。ＨＭＭを採用する音響モデルのために、音声認識エンジン３１８は、ノード７１０を去る各アークについて別々のＨＭＭを作成できる。音響モデルと言語モデルを適用して、音声認識エンジン３１８は、ノード７１０を去るアークのために、いくつかのサブセットの追求を決定することができる。例えば、図７では、音声認識エンジン３１８は、アークのそれぞれのスコアに基づき、正しい結果をもたらす可能性が最も高いアークにコンピューティングリソースを集中しようと努力して、音声認識エンジン３１８が高いスコアを持つアークのみを追求し、「ｈｅｌｌｏ」、「ｈｅｌｐ」、「Ｈｅｎｒｙ」で始まる経路に従うことを決定して、「ｈｅａｄ」、「ｈｅｎ」及び「ｈｅｄｇｅ」で始まる経路の追求停止を決定することができる。

音声認識エンジン３１８は、経路のＮ個ベストリストと共に、音声認識エンジン３１８によって決定された上位Ｎ個経路に対応するそれぞれの認識スコアを戻してもよい。Ｎ個ベストリストを受けたアプリケーション（ＡＳＲ装置３０２の内部または外部の構成要素またはプログラムなど）は、受けたリスト及び関連付けられた認識スコアに対して更なる操作または解析を行う。例えば、Ｎ個ベストリストは、誤りの訂正及びＡＳＲモジュール３１４の様々なオプションと処理条件を訓練するために使用することができる。音声認識エンジン３１８は、実際の正しい発声を最高の結果及びＮ個ベストリスト上の他の結果と比較し、どうして誤った認識が特定の認識スコアを受けたかを決定できる。音声認識エンジン３１８は、将来の処理の試行における誤ったアプローチの認識スコアを削減するために、そのアプローチを訂正（音声記憶装置３２０内の情報を更新）することができる。

本開示の一態様では、音声認識エンジン３１８は、有限状態トランスデューサ（ＦＳＴ）を使用することができる。ＦＳＴは、音声認識エンジン３１８によって認識できる全ての可能な単語を含むグラフである。事前に作成されたため、ＦＳＴは静的であってもよく、同じＦＳＴが全ての発声を認識するために使用することができる。

ＦＳＴは、認識され得る全ての単語シーケンスの経路を含んでもよい。ＦＳＴは、サイズを低減するために、決定がなされ及び／または最小化される。ＦＳＴの各ノードについて、ノードから出る各アークが異なるラベルを持っている場合に、ＦＳＴが決定されてもよい。可能なノードの最小数を有する場合、ＦＳＴを最小化することができる。例えば、アプリケーションに応じて、与えられた単語は、ＦＳＴに一度だけ表示され、ＦＳＴの与えられたアークは、単一の発声に対して複数回横断することができるように、ＦＳＴが周期的であってもよい。他のアプリケーションでは、単語の文脈を識別できるように、単語が一回以上ＦＳＴに表れてもよい。上記の例では、言葉のＦＳＴを考察しているが、ＦＳＴはＨＭＭのシーケンスやＨＭＭ状態のような他の種類のシーケンスを表すことができる。他のＦＳＴと合成することによって、より大きなＦＳＴを作成することができる。例えば、単語や単音を含むＦＳＴは、単語のＦＳＴを単音のＦＳＴと合成することによって作成され得る。

音声認識エンジン３１８は、音声認識結果を表す格子の中に潜在的な経路を組み合わせることができる。サンプル格子は、図８に図示されている。格子８０２は、音声認識結果の多数の潜在的経路を示している。大きなノード間の経路は、潜在的な単語（例えば、「ｈｅｌｌｏ」、「ｙｅｌｌｏｗ」、など）を表現し、小さいノード間の経路は、潜在的な音素（例えば、「Ｈ」、「Ｅ」、「Ｌ」、「Ｏ」と「Ｙ」、「Ｅ」、「Ｌ」、「Ｏ」）を表現している。例示のために、格子の最初の２つの単語の個々の音素のみが示されている。ノード８０４とノード８０６の間にある２つの経路は、２つの潜在的な単語の選択肢、つまり「ｈｅｌｌｏ ｈｏｗ」または「ｙｅｌｌｏｗ ｎｏｗ」を表している。ノード（潜在的な単語など）間の各経路のポイントは、認識スコアと関連付けられている。格子を横切る各経路は、認識スコアが割り当てられてもよい。認識スコアは、音響モデルのスコア、言語モデルスコア及び／または他の要因の組み合わせの場合、最高の認識スコア経路は、音声認識エンジン３１８によって関連付けられた特徴ベクトルのＡＳＲ結果として戻されてもよい。

ＡＳＲ処理後、ＡＳＲの結果は、更なる処理（解釈のテキストに含むコマンドの実行など）のために、ＡＳＲモジュール３１４によってコントローラ／プロセッサ３０８などのＡＳＲ装置３０２の別の構成要素または外部デバイスに送信する出力装置３０７に送信されてもよい。

ニューラルネットワークも、音響モデル処理及び言語処理モデル処理を含むＡＳＲ処理を実行するために使用されてもよい。ＡＳＲのためのニューラルネットワークの実施例は、図９に図示されている。ニューラルネットワークは、入力レイヤ９０２、中間レイヤ９０４及び出力レイヤ９０６によって構成されてもよい。中間レイヤは、隠れレイヤとして知られているものでもよい。隠れレイヤの各ノードは、入力レイヤ内の各ノードと出力レイヤ内の各ノードに接続されている。図９に図示されているが、単一の隠れレイヤによりニューラルネットワークは、多数の中間レイヤを含むことができる。この場合、隠れレイヤの各ノードは、次の上位レイヤ及び次の下レイヤの各ノードとつながる。入力レイヤの各ノードはニューラルネットワークへの潜在的な入力を表し、出力レイヤの各ノードはニューラルネットワークの潜在的な出力を表している。次のレイヤにおけるあるノードから別のノードへの各接続は、重量またはスコアに関連付けられてもよい。ニューラルネットワークは、単一出力または可能な出力の重み付けセットを出力してもよい。

一態様では、ネットワークの隠れレイヤの出力が、次のセットの入力のために、再び隠れレイヤにフィードバックするように、ニューラルネットワークが回帰接続で構築されてもよい。このようなニューラルネットワークは、図１０に示されている。入力レイヤ１００２の各ノードは、隠れレイヤ１００４の各ノードに接続している。隠れレイヤ１００４の各ノードが出力レイヤ１００６の各ノードに接続している。図示されているように、隠れレイヤ１００４の出力は、次の入力のセットを処理するために隠れレイヤにフィードバックされている。

音響モデルがニューラルネットワークを利用する場合には、ニューラルネットワークの入力レイヤの各ノードは、ＡＦＥ３１６によって出力されるような音響的特徴の特徴ベクトルの音響的特性を表現してもよく、出力レイヤの各ノードは、特徴ベクトルで表される音に対応するサブワード単位（音素、トライフォンなど）及び／または関連付けられた状態に対応するスコアを表現している。ニューラルネットワークに与えられた特定の入力のために、そのネットワークは、特定の出力が特定の入力に対して与えられた正しい出力である旨の確率を表す割り当てられたスコアをそれぞれ有する多くの潜在的な出力を提供する。音響モデルニューラルネットワークのトップスコアの出力は、言語モデルに結果を渡す前に音の間の遷移を決定してもよいＨＭＭに供給される。

言語モデルがニューラルネットワークを利用する場合には、訓練されたニューラルネットワーク言語モデルによって決定された通り、ニューラルネットワークの入力レイヤの各ノードは、前の単語を表し、ニューラルネットワークの出力レイヤの各ノードは、次の潜在的な単語を表すことができる。言語モデルは、図１０に示すネットワークのように、ニューラルネットワークによって処理された単語のある履歴を組み入れる回帰性ニューラルネットワークとして構成され得るので、潜在的な次の単語の予測は最新の単語だけでなく、以前の発声内の単語に基づくことができる。言語モデルニューラルネットワークは、次の単語の重み付けの予測を出力してもよい。

ニューラルネットワークによる処理は、各ノードの入力とネットワークの構造で学習した重みによって決定される。特定の入力が与えられると、ニューラルネットワークは、ネットワーク全体の出力レイヤが計算されるまで１レイヤずつの出力を決定する。

接続の重みは、初期状態では、訓練中にニューラルネットワークによって学習されてもよく、この訓練では指定された入力が既知の出力に関連付けられている。訓練データセットでは、様々な訓練例がネットワークに供給される。それぞれの例では、一般的に入力から出力への正しい接続の重みを１に設定し、全ての接続には０の重みを与える。訓練データにおける例がニューラルネットワークによって処理中に、ネットワークのパフォーマンスと目標パフォーマンスとの比較方法を決定するために、入力がネットワークに送信され、関連付けられている出力と比較されてもよい。バックプロパゲーションのような訓練手法を使用して、ニューラルネットワークの重みは、訓練データを処理中にニューラルネットワークによって起こされたエラーを低減するために更新されてもよい。ニューラルネットワークの訓練は、一般的に事前に行われている。つまり、音響モデリング、言語モデルなど呼び出された機能を実行するために、ニューラルネットワークが訓練された後に、ＡＳＲシステムに展開されることを意味する。

音声認識処理のための音声を受信するとき、ＡＳＲ装置は、ユーザから発話のような所望の音声と、他の人からお互いに話をする音声や家庭用電気機器からの騒音などのような望ましくない音声の両方を受信することがある。特定の状況では、音声は、騒音とは異なる方向から到来することがある。異なる方向から到来する音声を分離するために、装置は、ビームフォーミングという多くの音声入力デバイスを使用して、特定の音声入力を分離する処理を実行することができる。ビームフォーミングを行うために、装置はマイクロフォンアレイ及び関連する構成要素など、方向に基づく処理の構成要素を含んでもよい。方向に基づく処理構成要素は、マイクロフォンアレイに結合されていれば、マイクロフォンアレイに対して局所であっても及び／または別個であってもよい。マイクロフォンアレイは、固定であっても、方向が変えられてもよい。方向が変えられる場合、マイクロフォンアレイは電子焦点合わせを可能にし、ビームとして周知である特定の方向から到来する音声にマイクロフォンアレイの焦点をあわせるデータ処理の技術手法が使用されてもよい。そのように方向が変えられると、ユーザの方向から受ける音声にＡＳＲ処理を集中することによって、ユーザの発話を分離するために使用され得る。

ユーザからの音声の方向が既知である場合、マイクロフォンアレイは、その既知の方向に変えることができる。所望の位置からの音声は、所望の音声の質を改善するために処理され得る。例えば、装置は、話者の方向からの音声信号の信号対雑音比を増加させることができる。残響、エコーキャンセルなど他の技術手法も、所望の音声を受けることを改善するために使用できる。

しかし、ユーザからの音声の方向が不明な場合は、幾つかの技術手法及び検討が、所望の音声の方向を決定するために使用され得る。例えば、所望のユーザの発話は、ＡＳＲ装置の特定の位置においてより高い強度を有し得る。ＡＳＲ装置に対して話者の相対的な位置が未知の場合、最大音量（または最高強度）の音声源が所望の話者である前提で、ビームフォーミングが一般的に行われる。この場合、低い強度の異なる方向から他の音声は減衰されるが、より高い強度を持つ音声は増幅される。しかし、より高容量の音声は、所望の音声（例えば、ユーザからの音声）ではないかもしれない。例えば、異なる方向の家庭用電気機器に由来する騒音は、ユーザからの音声よりも高い強度を有する場合がある。その結果、音声の最高強度に基づいて、所望の音声の検出は、誤った結果を出す場合がある。

所望の音声を決定するために、受信された音声の強度にのみ依存するよりも、本開示の態様は、所望の音声を分離するために多チャンネルの音声の復号に基づいて、異なる方向で音声認識を同時に行うことにより、所望の音声の識別を改善する。装置は、異なる方向からの音声を受け取り、音声検出及び／または音声認識の技術手法を使用して音声を処理することができる。この装置は次いで、ユーザから所望の発声に対応する最も近い音声を含む方向を決定してもよく、更なる処理のために、その方向からの音声認識結果／音声に焦点を置くものである。多チャネルの音声を復号するために、１つまたは複数のＡＳＲ装置は、図３に示すビーム形成器モジュール１２８を含むことができる。ビーム形成器モジュール１２８は、異なる方向から複数の音源から音声信号を受け、所望の発声を分離するために同時に異なる方向の音声認識を実行することができる。

本開示のいくつかの態様では、所望の方向からの発声とそれ以外の方向からの音声との関係（例えば、類似度）を決定するために、音声認識は異なる方向に対して同時に行われる。例えば、音声がそれぞれの方向から受信されたかどうかを決定するために、音声認識（各方向についての仮説の生成を含む）は同時に異なる方向で行われている。異なる方向の仮説の生成を含む音声認識は、ローカルＡＳＲ装置及び／またはリモートデバイスで並列に実行され得る。従って、所望の発声の最も可能性の高い方向は、全ての方向の音声認識結果（例えば、仮説）の少なくとも一部が生成された後に識別される。

本開示の一態様では、音声の異なる方向のそれぞれについて得られた各音声認識結果には、特定の結果がユーザからの最も可能性の高い方向及び最も可能性の高い発声に対応している確率を表す信頼度スコアが割り当てられている。いくつかの態様では、信頼度スコアは、パーセンテージとして表されてもよい。信頼度スコアは、例えば、異なる方向からの音／音声と言語音のモデル（例えば、音響モデル）との類似度、音声と一致する特定の単語が文の特定の位置に含まれる尤度（例えば、言語モデルまたは文法モデルを使用）及び特定の方向に対応するビーム強度を含むいくつかの要因に基づくことができる。例えば、所望の音声のための最強ビームエネルギーに対応する方向は、より高い信頼度スコアが割り当てられてもよい。いくつかの例では、最も高い信頼度スコアは、ユーザの方向を表すために選択できる。特定の態様において、閾値信頼度スコアを得ていない結果を廃棄し、より高いスコアリングの結果のために、処理リソースの制限をなくする。

音声認識は、上述したような音声認識モデルによって実行されてもよい。方向の特徴が、特定の方向からの音声が音声を含んでいるかどうかを判定するために、ＡＳＲ装置を支援する方向性モデル（例えば、軌道モデル）に従って実行されてもよい。音声認識モデルと方向性モデルは、多くの方向で音声認識結果を同時に評価するために、共同でまたは別々に実行することができる。モデルが共同で実行された場合は、ＡＳＲシステムは、方向を分離し、同時に音声認識の使用を試みることができる。このような同時処理が同時に音声の発信の方向だけでなく、音声のトランスクリプト（例えば、仮説）の識別を実行することができる。音声認識結果は、全ての方向について評価され得るので、システムは、その音声認識結果に基づいて、最も可能性が高い方向を決定できる。方向モデルは、音声と最も類似している音を含む方向、音声エネルギーまたはその他の音響情報（例えば、話者検出など）などの他の要因、あるいはカメラ、ジャイロスコープ、コンパス、ＧＰＳ、加速度計、モーションセンサまたは音声入力装置に対してユーザの相対的な方向の決定を支援する他の装置の構成要素から得られた情報に基づくことができる。同時に異なる方向に音声を処理することによって、ＡＳＲ装置は、ユーザが異なる方向に移動している場合に、ユーザの方向検出を改善することができる。

本開示の一態様において、ユーザの話を聴くために選択された方向が、別方向の同時音声認識に基づいて識別されると、その選択された方向からの以降のビームの方が、他の方向からのビームに比べてユーザの方向をより表していると思われる。その結果、以前に選定された方向に対応する以降のビームには、その他の方向からのビームに比べてより信頼度の高いスコアが割り当てられ得る。

本開示の一態様において、各々異なった方向について同時に得られる各々の音声認識結果は、有限状態トランスデューサ（ＦＳＴ）において使用されてもよい。この態様では、復号グラフは、異なった方向について音声認識が同時に実行された結果を表している。その復号グラフは、あり得る仮説または単語の探索空間と、それらに対応した方向を表すことができる。例えば、Ｎ個の復号グラフが、Ｎ本の異なるビームによる多方向の同時復号を促進し、かつ結果のプルーニングを促進するために提供されてもよい。この態様において、音声の異なった方向については、ＦＳＴのグラフ上の音声認識の結果（例えば、書写または仮説）が一対にされてもよく、そのため復号グラフは、異なった方向を介して遷移する。従って、ユーザの方向と対応する音声認識の結果が、復号グラフ上で同時に明らかにされる。本開示の一態様において、音声の方向は、ユーザから発声されている期間変化し、グラフを通して探索で決定される隠れた変数として実行されてもよい。

ＡＳＲ装置及び／またはネットワークにおいて音声認識を行う１つの方法は、単語のシーケンスＷ＝（Ｗ_１、Ｗ_２、Ｗ_１．．．）を識別する予測（例えば、確率）を提供する言語モデルと音声／音響信号ＸのメッセージＷを符号化する確率密度関数ｐ（Ｘ|Ｗ）によって表現される音響モデルを提供することを含んでいる。音声認識は、観察された音響信号によって与えられる最も相応しい単語シーケンスを識別するために行われる。例えば、音声認識は、音声信号Ｘで与えられる確率Ｗ（つまり、ｐ（Ｗ））を最大化するか、または、等価的に、確率Ｗと方程式ｐ（Ｘ，Ｗ）＝ｐ（Ｘ|Ｗ）ｐ（Ｗ）で示される確率密度関数の積を最大化するために行われる。

本開示の態様は、ユーザの方向Ｄを表す変数またはＡＳＲ装置に関する所望の音声の起点を導入することによって、音声認識の実行性を改善するものである。例えば、方向Ｄが、隠れた変数として提供されてもよい。次の方程式は、ユーザの方向、並びに全方向のユーザの発話を表す音声信号の特徴を説明する改善された音声認識の実行性を表している。
ｐ（Ｘ’，Ｗ）＝ｍａｘ_Ｄｐ（Ｘ’，Ｗ，Ｄ）＝ｍａｘ_Ｄｐ（Ｘ’|Ｄ，Ｗ）ｐ（Ｗ）ｐ（Ｄ）
ここで、Ｘ’は、全方向または多方向のユーザからの音声信号を表し、Ｄはユーザの方向を表している。

本開示の一態様では、ユーザの方向Ｄは、発声中静止としてもよい。本開示の別の態様では、ユーザの方向Ｄは、時間に依存し、またはＤ＝ｄ_１，．．．，Ｄ_ｔと示されるように静止していなくてもよい。注釈されている通り、音声認識エンジン３１８は、特徴ベクトルをバイフォン、トリフォンなどの音素または他の音声単位に整合する多くの技術手法を使用することができる。１つの共通の技術手法は、ハイデンマルコフモデル（ＨＭＭ）を使用することである。本開示の態様によっては、ｐ（Ｄ）〜ｐ（ｄ_ｔ|ｄ_ｔ−１）としてマルコフチェーンとして具現化されてもよいものもある。話者の方向ｐ（ｄ_１）を表す（初期）分布は、前の相互作用におけるユーザの場所に基づいてもよい。

本開示の一態様では、確率密度関数ｐ（Ｘ’|Ｄ，Ｗ）は、ｐ（Ｘ（Ｄ）|Ｗ）ｐ（Ｅ|Ｄ）で近似されてもよく、ここで、Ｘ（Ｄ）は、方向Ｄのビーム形成信号から抽出された標準音響的特徴であり、Ｅは、エネルギー分布（または音声活動の大きさ）である。近似された表記ｐ（Ｘ（Ｄ）|Ｗ）ｐ（Ｅ|Ｄ）は、ビーム形成信号のコンテンツ依存及び方向依存態様の分離を考慮している。第１要因ｐ（Ｘ（Ｄ）|Ｗ）は、標準の無方向を意識している音響モデルに基づくものであって、かつ、従来通り訓練され得るものである。第２要因ｐ（Ｅ|Ｄ）は、受信されたビーム形成信号源が方向Ｄにあるものである。この場合、ユーザが方向Ｄから話している場合、ＥはＤで最高となるはずと仮説される。場合によっては、より高いビーム強度またはより大きな声の話者が、ｐ（Ｅ|Ｄ）モデルに基づく望ましい話者とみなされてもよい。

多チャンネルの音声を復号する異なった方法もまた可能である。一態様において、静止スピーカを仮説し、Ｎ個の別々のデコーダが各方向ｄに備えられている。時間依存の方向ｄ_ｔがＨＭＭデコーダの追加の潜在的または隠れた変数として具現化されてもよい。時間依存の方向ｄ_ｔの実施は、静止ではないスピーカを考慮に入れている。ビームプルーニングを通して、ありそうもない方向が探索空間から除外され得ることになり、以前の実行に比べて多数方向の実施効率（例えば、運用時間効率）が改善する。態様によっては、ｄ_ｔは、独立で、かつ、識別できるように分布する（ｉｉｄ）。われわれは、Σ_ｄｐ（ｅ_ｔ｜ｄ）ｐ（ｘ_ｔ(ｄ)|ｓ_ｔ）、つまりフレームについて重み付けスコアの組み合わせを得ており、ここで、ｅ_ｔは、特定時間のある方向のエネルギーであり、ｓ_ｔは、特定時間のＨＭＭ状態である。

本開示の一態様では、各音声認識タスクが単一方向からのデータを使用する多くの音声認識タスクが行われてもよい。例えば、音声認識タスクは、多チャンネルのビーム形成器の各チャンネルについて実行され得る。音声認識モデルは、音声を識別するために訓練を受けるので、入力として最高品質の音声信号を有する音声認識タスクは、一般に、音声認識結果に最高スコアを提供することになる。音声認識タスクが終了すると、ユーザの方向と音声認識結果は、最高尤度を生じた音声認識タスクを選択することによって決定され得る。

本開示の一態様では、方向は音声認識期間に動的に選択されてもよい。例えば、ユーザが歩いているとき、最善の方向は変化するかもしれない。この場合、よりよい音声認識結果は、音声が受信されるに従って方向を更新することによって得ることができる。所与の時間に処理されている音声入力のために、音声入力は各チャンネルについて処理することができ、ユーザの発話を含んでいる最も可能性のあるチャンネルを決定する。そのチャンネルは違った技術手法を使用して選択されてもよい。例えば、最高のエネルギーを有しているチャンネルが選択されてもよい。更に、音声を含んでいそうなチャンネルが音声活性検出器によって決定されてもよい。代わりとして、音声認識が最高尤度を提示したチャンネルを使用し、その他のチャンネルの処分を継続しながら、音声認識が各チャンネル（現行時間に関して）から入力された音声について逐次的に実行されてもよい。更に、チャンネルについては、あるチャンネルが他のチャンネルよりも可能性を高めるために、重み付けられてもよい。例えば、より高い重み付けが、余りにも多くのチャンネル変更を防ぎきれないために、現行のチャンネルに置かれてもよく、従って、ユーザが部屋の他の側に対応している遠いチャンネルよりも、近くのチャンネルに歩いていることがもっともらしいという状況に応じて、もっと遠いチャンネルよりも近くのチャンネルに高い重み付けがなされてもよい。実施態様によっては、チャンネルの重みは、マルコフチェーンとして具現化されてもよい。

本開示の一態様では、同時音声認識が多チャンネルについて実行されてもよい。従来の音声認識システムにおいては、１チャンネルが一度に処理され、そのチャンネルに対応するフレームは順次処理される。多チャンネルの同時音声認識を実行する可能な実施策は、（１）各チャンネルの連結特徴ベクトルからなるスーパーベクトルに関して訓練された音声認識モデルを使用すること、（２）従来の音声認識を使用するが、結果ネットワークを生成するときに、選択肢として各チャンネルからの特徴ベクトルを使用すること、及び（３）方向を選択し音声認識結果を同時に決定するため、ニューラルネットワークを使用することを含んでいる。

結果のネットワークは、認識期間に作成され得る構造である。結果のネットワークは、入力データを使用して作成されてもよく、データから認識される音声認識ユニットの適当なシーケンス（例えば、ＨＭＭ状態、文脈の音素または音素）を示してもよい。結果のネットワークは、適切な形態で表現されてもいので、本開示は結果のネットワークの特定の構造を全く限定するものではない。態様によっては、ＨＭＭ結果のネットワークがノードやアークで表され、認識されているＨＭＭ状態がアーク及び／またはノードに関連付けられることもあり得る。態様によっては、結果のネットワークは、ツリー、ラチスまたは有向グラフであってもよい。結果ネットワーク経路のノード及び／またはアークは、重みを持っており、その重みは尤度、または結果ネットワークの経路あるいは経路の一部のコストを示している。

音声認識の処理は、単語のネットワーク、言語モデル、音声ユニットネットワーク、ガウシアンミクスチャモデル（ＧＭＭ）ネットワーク及びＨＭＭネットワークなどの多くのネットワークに関与していてもよい。例えば、単語結果のネットワークは、上述の図７を参照して記述されている。音声認識パラメータ、例えば、コンテキスト中の音声ユニットは、多くの状態から構成されているＨＭＭとして具現化され、各音声パラメータに異なったＨＭＭがあってもよい。ＨＭＭネットワークは、認識されているＨＭＭ状態のシーケンスを示すＨＭＭ結果ネットワークを含むこともできる。ＨＭＭネットワークはＡＳＲシステムによって知られているＨＭＭ状態を示すセットのトークンを含むこともできる。ＨＭＭ結果は、ＨＭＭモデルを含むことができ、各ＨＭＭの状態シーケンスを示し、グラフとして表現されてもよい。ＨＭＭの各状態は、ガウシアン確率密度の混合から構成されてもよい。

スーパーベクトルアプローチに関して、各チャンネルについて計算された特徴ベクトルが連結されてより長いベクトルになってもよい。例えば、各チャンネルが４０の長さの特徴ベクトルを有し、６チャンネルあれば、スーパーベクトルは長さ２４０となる。音声認識モデルは、そのスーパーベクトルに対応して生成され得る。例えば、多チャンネルデータのコーパスが、スーパーベクトルに基づいた音響モデルを訓練するために使用され得る。スーパーベクトルとして多チャンネルを有する音声認識モデルを訓練することによって、音声認識モデルは、雑音がそれらのチャンネルにあっても、音声を認識するために学習し、ユーザがチャンネルを越えて動いているときも、音声を認識するために学習し、多くの発言者がいる場合にも、音声を認識するために学習することができる。スーパーベクトルで訓練された声認識モデルは、スーパーベクトルに基づいた音声認識を実行するシステムに備えられてもよい。

多チャンネルの同時音声認識は、また、異なったチャンネルからの特徴ベクトルによっても実行され得る。異なったチャンネルからの特徴ベクトルは、結果ネットワークを生成するとき、代替として使用されてもよい。図７は単一のチャンネルの音声について作用する従来の音声認識エンジンを使用して構築され得る単語結果ネットワークを図示している。図７の単語結果ネットワークは、単一のチャンネルから特徴ベクトルの単一のシーケンスに基づいて構築される。しかし、多チャンネルの音声を処理するとき、各チャンネルの音声はフレームのシーケンスを有することができるので、各チャンネルの音声のフレームは、結果ネットワークを構築する際に同時に処理されてもよい。多チャンネルの音声に関する例示的なＨＭＭ結果ネットワークは、図１１によって図示されている。

図１１は、多チャンネルの音声を同時に処理する場合に作成される例示の結果ネットワークを示している。異なった線スタイルは、異なったチャンネルから生成され得る仮説を示している。例えば、実線はチャンネル１を表し、破線はチャンネル２を表し、そして点線はチャンネル３を表すことができる。各チャンネルは、潜在的なＨＭＭ状態の指示を提示している。図１１はＨＭＭ状態に基づく結果ネットワークを示しているが、実際はいかなるタイプの結果ネットワークでも使用され得る。ＨＭＭ結果ネットワーク１１００は、左から右へ進行し、左端ノードは発声の開始を示している。ＨＭＭ結果ネットワーク１１００の各アークは、ＨＭＭ状態を表し、アークのシーケンスは、ＨＭＭ状態のシーケンスを表すことができる。

図１１の最初の過程（時間１）では、状態Ｓ１からＳ５までに対応する多くのアークがある。状態Ｓ１は、チャンネル１に対応し、状態Ｓ２、Ｓ３及びＳ４は、チャンネル２に対応し、状態Ｓ４及びＳ５は、チャンネル３に対応する。各時間過程、例えば、時間１は、音声フレームを表す所定の時間（例えば、１０ｍｓ）に対応してもよい。図示されているように、時間１の終わりの可能なＨＭＭ状態は、Ｓ１、Ｓ２、Ｓ３、Ｓ４及びＳ５であり、時間２の終わりの可能なＨＭＭ状態は、Ｓ１、Ｓ７、Ｓ８、Ｓ９及びＳ１０であり、時間５の終わりの可能な状態は、Ｓ１１、Ｓ１３、Ｓ１４及びＳ１５であり、時間６の終わりの可能な状態は、Ｓ２１、Ｓ２２、Ｓ２３、Ｓ２４及びＳ２５である。確率値及び／またはスコアは、各潜在的ＨＭＭ状態に関係付けられてもよい。態様によっては、各潜在的ＨＭＭ状態に関係付けられた確率値及び／またはスコアに基づいて、システムは潜在的ＨＭＭ状態を選択できる。しかし、場合によっては、チャンネルのＨＭＭ状態が実質的に類似しているか、または類似結果を指しているとき、選択は不要となることもある。例えば、同じ音素に対する各チャンネルの潜在的ＨＭＭ状態パターンが同じ音素を指しており、音素が同じ単語を指しているとき、選択は不要となろう。

説明を目的として、受信音声の始期（すなわち、時間１）で、ユーザはチャンネル２及び３の間であり、ユーザの発話は両チャンネル２及び３によって取り上げられている結果となってもよい。しかし、チャンネル１は、食器洗浄機からの音声などの発話以外の音声を取り上げているのみであるかもしれない。どの時間過程でも、最高のスコアとなる仮説のみが維持され得る。例えば、重要な音声を有しない他のチャンネル（チャンネル４、５などのように）または音声モデルに一致しない音声が存在することもあろう。次の幾らかの時間過程（例えば、時間２ないし時間４（図示せず））の間に、ユーザは同じ場所にとどまり、チャンネル１が食器洗浄機に対応するフレームを生成し続けるが、ＨＭＭ状態がチャンネル２及び３に対応するフレームから生成される場合、当該状態はユーザの発話に対応して示される。

時間５で、ユーザは食器洗浄機に歩み寄り、次の幾らかの時間過程の間（例えば、時間５及び時間６）、チャンネル１及び２からのフレームは、ユーザの発話に対応する状態を生成し、チャンネル３は、もはやフレームを生成しない。各時間過程で、音声を導く各チャンネルからのフレームがＨＭＭに対して評点され、フレームとＨＭＭ状態の最高スコアの組み合わせが結果ネットワークに加えられてもよい。ユーザの発話の音声認識の実行が終了すると、最高スコアの仮説が、ユーザの発話に対応する可能性が最もあるとして選択され、３チャンネルの各々からのフレームがその仮説を生成するために使用されてもよい。

態様によっては、異なったチャンネルによって生成されたＨＭＭ状態に置かれる制約がある場合もない場合もある。態様によっては、２チャンネルが反対方向を示しているとしても、制約が全くなく、チャンネル１によって生成されたＨＭＭ状態が、チャンネル４によって生成されたＨＭＭ状態で追随されてもよいこともある。態様によっては、制約が課せられることもある。例えば、ペナルティがチャンネル間の距離に基づいて課せられ得ることもある。同じチャンネルにはペナルティはなく、近接チャンネルにはより小さなペナルティがあり、近接していないチャンネルにはより酷なペナルティがあり得る。

態様によっては、チャンネルの事前選択が、音声認識のチャンネルからの音声のフレームを使用する前に実行されてもよいものもある。例えば、エネルギー検出または音声活動性検出のような技術手法が音声を最も含んでいそうなチャンネルを選択するために使用されてもよい。チャンネルを事前に選択することによって、音声認識の計算効率がより上がることがある。

態様によっては、同時に多チャンネルの音声を処理することによって、人が部屋を歩き回ると、音声認識システムがその人を追跡させることもある。他の態様では、異なった方向から到来する騒々しい音（例えば、食器洗浄機など）があっても、多チャンネルの同時音声処理により、音声認識システムがユーザの発話を認識するようにできる。態様によっては、同時に多チャンネルの音声を処理することによって、多くの話者について同時に認識をすることができる。例えば、第１ユーザがチャンネル１及び２にいて、第２ユーザがチャンネル４及び５にいる場合、結果ネットワークは、第１ユーザについて完全な音声認識結果を含み、第２ユーザについてもう一つの完全な音声認識結果を含むことができる。

他の選択肢として、異なった方向の同時音声認識が、ニューラルネットワークに関連して実行されてもよい。従来、ニューラルネットワークは、単一チャンネルまたは方向のデータによって訓練される。その代わりに、ニューラルネットワークは、各チャンネルがマイクロフォンアレイとは違った方向である場合のように、多チャンネルデータによって訓練されてよい。ニューラルネットワークが、多チャンネルデータについて訓練を受けると、ニューラルネットワークについては、同時に音声方向の選択と音声認識の実行をする訓練がなされ得る。訓練データは、例えば、音楽または音声ではない雑音のように、音声以外のデータを含むことができる。例えば、音声は異なった方向から発しながら、音楽は一方向の源から発するようにしてもよい。このような方法で訓練を受けるニューラルネットワークは、ユーザが部屋を歩き回るに従って、そのユーザを追跡できるようにしてもよい。ユーザの動きに応じて、ニューラルネットワークは、ユーザの発話をよりよく認識するために、各チャンネルから最も関連するデータを自動的に選択することができるようにする。

図１２は、本開示の態様に従って、多チャンネルの音声に基づく音声の処理方法を図示している。この方法は、ビーム形成器モジュール１２８、マイクロフォンアレイ１２６、ＡＳＲ装置１００及び／または遠隔音声処理置（例えば、ＡＳＲ装置３０２）において実装され得る。ブロック１２０２で、ＡＳＲ装置１００は、第１チャンネル及び第２チャンネルを含んでいる多チャンネルの音声信号を受信することができる。第１チャンネル及び第２チャンネルは、ビーム形成器及びマイクロフォンアレイを使用して作成されてもよい。第１チャンネルは、第１方向からの音声を表し、第２チャンネルは、第２方向からの音声を表している。ブロック１２０４では、ＡＳＲ装置１００は、第１チャンネルの第１シーケンスの特徴ベクトルを作成し、第２チャンネルの第２シーケンスの特徴ベクトルを作成することができる。ブロック１２０６においては、ＡＳＲ装置１００は、の第１シーケンスの特徴ベクトルと第２シーケンスの特徴ベクトルを使用して音声認識を実行することができる。音声認識の実行は、音声認識モデルと特徴ベクトルの第１シーケンスの第１特徴ベクトルを使用して、ブロック１２０８において、第１仮説を生成することを含んでもよい。音声認識の実行は、また、ブロック１２１０において、音声認識モデルと特徴ベクトルの第２シーケンスの第２特徴ベクトルを使用して、第２仮説を生成することを含んでもよい。第２仮説は、音声認識結果ネットワークの第１仮説に続いて生じる。

本開示の上述の態様は、例示的であることが意図されている。当該態様は、開示の原理と応用を明らかにするために選択されたものであり、本開示がこれに尽きるという意図でも本開示を限定する意図でもない。開示された態様の多くの修正や変形が、この分野の通常の知識を有する者にとって明らかであろう。例えば、ここで記述されたＡＳＲ技術手法は、音声記憶装置に保存された言語情報に基づき、多くの異なった言語に応用されてもよい。

本開示の態様は、コンピュータ実装方法、システムあるいはメモリ装置または非一時的コンピュータ可読記憶媒体などの製品として実施されてもよい。コンピュータ可読記憶媒体は、コンピュータによって可読であり、コンピュータまたは他のデバイスに本開示に開示されたプロセスを実行させる命令から構成できる。コンピュータ可読記憶媒体は、揮発性コンピュータメモリ、不揮発性コンピュータメモリ、ハードドライブ、固体メモリ、フラッシュドライブ、リムーバブルディスク及び／または他のメモリで実装されてもよい。

本開示の態様は、異なった形式のソフトウエア、ファームウエア及び／またはハードウエアで実行されてもよい。更に、本開示による教示は、例えば、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）または他のコンポーネントによって実行されてもよい。

本開示の態様は、単一の装置で実行され、または多くの装置で実行されてもよい。例えば、ここで記述された１つまたは複数のコンポーネントを含むプログラムモジュールが異なったデバイスに配置され、または本開示の１つまたは複数の態様のそれぞれを実行してもよい。この開示で使用されているように、用語「ａ」または「１つ」は、特にそれに反する記述がない限り、１つまたは複数の項目を含むことができる。更に、単語「基づく」は、特にそれに反する記述がない限り、「少なくとも部分的に基づく」を意図している。
まとめ
１.音声認識実行方法であって、この方法は第1チャンネル及び第２チャンネルから成る多チャンネルの音声信号を受信することであって、第1チャンネル及び第２チャンネルはビーム形成器及びマイクロフォンアレイを使用して作成され、第１チャンネルは第１方向からの音声を表し、第２チャンネルは第２方向からの音声を表す、受信することと、第１チャンネルの第１シーケンスの特徴ベクトル及び第２チャンネルの第２シーケンスの特徴ベクトルを作成することと、第１シーケンスの特徴ベクトル及び第２シーケンスの特徴ベクトルを使用して音声認識を実行することであって、その音声認識の実行は音声認識モデルと第１シーケンスの特徴ベクトルの第１特徴ベクトルを使用して第１仮説を生成し、音声認識モデルと第２シーケンスの特徴ベクトルの第２特徴ベクトルを使用して第２仮説を生成することとを含み、第２仮説は音声認識結果ネットワークの第１仮説に続いている、実行することとを含む方法。
２.第１チャンネルの音声の特性に少なくとも部分的に基づいて第１チャンネルを選択することを更に含む、節１に記載の方法。
３.当該特性が第１チャンネルの音声エネルギーまたは第１チャンネルの音声に発話が存在する、節２に記載の方法。
４.当該多チャンネルの音声信号が、更に、第３チャンネルを含み、当該方法は、更に、第３シーケンスの第３チャンネルの特徴ベクトルを作成することを含み、音声認識の実行は、更に、音声認識モデル及び第３シーケンスの特徴ベクトルの第３特徴ベクトルを使用して第３仮設を生成することを含み、第３仮設は音声認識結果ネットワークの第１仮説と並列である、節１に記載の方法。
５.第１仮説が隠れマルコフモデルの状態、文脈の音素または単語から構成されている、節１に記載の方法。
６.少なくとも１つのプロセッサと、アクションセットを実行する少なくとも１つのプロセッサによって実行されるように作動する命令を含んでいるメモリデバイスを含み、少なくとも１つのプロセッサが第１チャンネル及び第２チャンネルから成る多チャンネルの音声信号を受信し、第１チャンネル及び第２チャンネルはビーム形成器及びマイクロフォンアレイを使用して作成され、第１チャンネルの第１シーケンスの特徴ベクトル及び第２チャンネルの第２シーケンスの特徴ベクトルを作成し、第１シーケンスの特徴ベクトルの第１フレーム及び第２シーケンスの特徴ベクトルの第２フレームを処理して少なくとも１つの第１音声認識仮説を生成し、第１フレーム及び第２フレームは第１時間に対応し、第１シーケンスの特徴ベクトルの第３フレーム及び第２シーケンスの特徴ベクトルの第４フレームを処理して少なくとも１つの第２音声認識仮説を生成し、第３フレーム及び第４フレームは第２時間に対応し、第１フレーム及び第２フレームを処理した後で第３フレーム及び第４フレームを処理する、コンピューティング装置。
７.少なくとも１つのプロセッサが、更に、第１フレーム及び第２フレームを実質的に同時に処理するように構成にされた、節６に記載のコンピューティング装置。
８.少なくとも１つのプロセッサが、更に、第１フレーム及び第２フレームを結合して結合されたフレームを作成し、その結合されたフレームを処理することによって第１フレーム及び第２フレームを処理する構成にされている、節６に記載のコンピューティング装置。
９.少なくとも１つのプロセッサが、更に、結合されたフレームで訓練された音響モデルを使用して第１フレーム及び第２フレームを処理するように構成された、節８に記載のコンピューティング装置。
１０.少なくとも１つのプロセッサが、更に、第１フレーム及び第２フレームを処理して、第１フレームに対応する音声認識仮説を生成し、第２フレームに対応する音声認識仮説を生成することによって、少なくとも１つの第１音声認識を生成するように構成された、節９に記載のコンピューティング装置。
１１.少なくとも１つのプロセッサが、更に、第１フレーム及び第２フレームを処理し、ニューラルネットワーク音声認識モデルを使用して少なくとも１つの第１音声認識を生成する構成にされている、節６に記載のコンピューティング装置。
１２.少なくとも１つのプロセッサが、更に、少なくとも１つの第１音声認識仮説及び少なくとも１つの第２音声認識仮説から成る音声認識結果ネットワークを生成する構成にされている、節６に記載のコンピューティング装置。
１３.第１チャンネルが第１方向に対応し、第２チャンネルが第２方向に対応し、音声認識結果ネットワークの第３音声認識仮説及び第４音声認識仮説の間の接続は第１方向及び第２方向の間の距離に少なくとも部分的に依存する構成にされている、節１２に記載のコンピューティング装置。
１４.第１チャンネル及び第２チャンネルから成る多チャンネルの音声信号を受信するプログラムコードと、第１チャンネルは第１方向からの音声から成り、第２チャンネルは第２方向からの音声から成り、第１チャンネルの第１シーケンスの音響的特徴及び第２チャンネルの第２シーケンスの音響的特徴を作成するプログラムコードと、第１時間フレームに対応する第１シーケンス及び第１時間フレームに対応する第２シーケンスからの音響的特徴を処理して少なくとも１つの第１音声認識仮説を生成するプログラムコードと、第２時間フレームに対応する第１シーケンス及び第２時間フレームに対応する第２シーケンスからの音響的特徴を処理して少なくとも１つの第２音声認識仮説を生成するプログラムコードから構成されており、第１時間フレームに対応する音響的特徴処理することは第２時間フレームに対応する音響的特徴を処理する後で生じる構成にされている、コンピューティング装置を制御するプロセッサ実行可能命令を保存する非一時的コンピュータ可読記憶媒体。
１５.第１時間フレームに対応する音響的特徴を実質的に同時に処理するプログラムコードを更に含む、節１４に記載の非一時的コンピュータ可読記憶媒体。
１６.第１時間フレームに対応する音響的特徴を結合して結合された特徴を作成し、その結合された特徴を処理して第１時間フレームに対応する音響的特徴を処理するプログラムコードを更に含む、節１４に記載の非一時的コンピュータ可読記憶媒体。
１７.結合された特徴によって訓練された音響モデルを使用して第１時間フレームに対応する音響的特徴を処理するプログラムコードを更に含む、節１６に記載の非一時的コンピュータ可読記憶媒体。
１８.第１時間フレームに対応する第１シーケンスから音響的特徴に対応する第１音声認識仮説を生成し、第１時間フレームに対応する第２シーケンスから音響的特徴に対応する第２音声認識仮説を生成することによって第１フレームに対応する音響的特徴を処理するプログラムコードを更に含む、節１７に記載の非一時的コンピュータ可読記憶媒体。
１９.ニューラルネットワークの音声認識モデルを使用して第１時間フレームに対応する音響的特徴を処理するプログラムコードを更に含む、節１４に記載の非一時的コンピュータ可読記憶媒体。
２０.少なくとも１つの第１音声認識仮説及び少なくとも１つの第２音声認識仮説を含む音声認識結果ネットワークを生成するプログラムコードを更に含む、節１４に記載の非一時的コンピュータ可読記憶媒体。
２１.音声認識結果ネットワークの第３音声認識仮説及び第４音声認識仮説の間の接続が第１方向及び第２方向の間の距離に少なくとも部分的に依存するように構成された、節２０に記載の非一時的コンピュータ可読記憶媒体。

Claims (13)

1. 音声認識実行方法であって、
   第１チャンネル及び第２チャンネルを含む多チャンネルの音声信号を受信することであって、前記第１チャンネル及び前記第２チャンネルはビーム形成器及びマイクロフォンアレイを使用して作成され、前記第１チャンネルは第１方向からの音声を表し、前記第２チャンネルは第２方向からの音声を表す、前記受信することと、
   前記第１チャンネルの第１シーケンスの特徴ベクトル及び前記第２チャンネルの第２シーケンスの特徴ベクトルを作成することと、
   前記第１シーケンスの第１特徴ベクトル及び前記第２シーケンスの第２特徴ベクトルを結合し、第１の結合された特徴ベクトルを作成することであって、前記第１特徴ベクトル及び前記第２特徴ベクトルは第１時間に対応する、前記第１の結合された特徴ベクトルを作成することと、
   音声認識モデルと前記第１の結合された特徴ベクトルを使用して第１仮説を生成し、前記音声認識モデルと第２時間に対応する第２の結合された特徴ベクトルを使用して第２仮説を生成することにより音声認識を実行することと
   を含み、前記第２仮説は音声認識結果ネットワークの前記第１仮説に続いている、前記方法。
2. 前記音声認識の実行の後に、前記第１チャンネルの音声の特性に少なくとも部分的に基づいて将来の処理のために前記第１チャンネルを選択することを更に含む、請求項１に記載の前記方法。
3. 前記特性が前記第１チャンネルの音声エネルギーまたは前記第１チャンネルの前記音声に発話が存在する、請求項２に記載の前記方法。
4. 前記多チャンネルの音声信号が、更に、第３チャンネルを含み、
   前記方法は、更に、前記第３チャンネルのために第３シーケンスの特徴ベクトルを作成することを含み、
   音声認識の実行は、更に、音声認識モデル及び第３シーケンスの特徴ベクトルの第３特徴ベクトルを使用して第３仮設を生成することを含み、前記第３仮設は前記音声認識結果ネットワークの前記第１仮説と並列である、請求項１に記載の前記方法。
5. 前記第１仮説が隠れマルコフモデルの状態、文脈の音素または単語を含む、請求項１に記載の前記方法。
6. 少なくとも１つのプロセッサと、
   アクションセットを実行する前記少なくとも１つのプロセッサによって実行されるように作動する命令を含んでいるメモリデバイスを含み、前記少なくとも１つのプロセッサが、
   第１チャンネル及び第２チャンネルを含む多チャンネルの音声信号を受信し、前記第１チャンネル及び前記第２チャンネルはビーム形成器及びマイクロフォンアレイを使用して作成され、
   前記第１チャンネルの第１シーケンスの特徴ベクトル及び前記第２チャンネルの第２シーケンスの特徴ベクトルを作成し、
   第１シーケンスの特徴ベクトルの第１特徴ベクトル及び第２シーケンスの特徴ベクトルの第２特徴ベクトルを結合し、第１の結合された特徴ベクトルを作成し、前記第１特徴ベクトル及び前記第２特徴ベクトルは第１時間に対応し、
   前記第１の結合された特徴ベクトルを処理して少なくとも１つの第１音声認識仮説を生成し、
   第１シーケンスの特徴ベクトルの第３特徴ベクトル及び第２シーケンスの特徴ベクトルの第４特徴ベクトルを結合し、第２の結合された特徴ベクトルを作成し、前記第３特徴ベクトル及び前記第４特徴ベクトルは第２時間に対応し、
   前記第２の結合された特徴ベクトルを処理して少なくとも１つの第２音声認識仮説を生成し、前記第１の結合された特徴ベクトルを処理した後で前記第２の結合された特徴ベクトルを処理する、コンピューティング装置。
7. 前記少なくとも１つのプロセッサが、更に、前記第１特徴ベクトル及び前記第２特徴ベクトルを実質的に同時に処理するように構成にされた、請求項６記載の前記コンピューティング装置。
8. 前記少なくとも１つのプロセッサが、更に、前記第１の結合された特徴ベクトルを処理してニューラルネットワークの音声認識モデルを使用することによって前記少なくとも１つの第１音声認識仮説を生成するように構成された、請求項６記載の前記コンピューティング装置。
9. 前記少なくとも１つのプロセッサが、更に、前記少なくとも１つの第１音声認識仮説及び前記少なくとも１つの第２音声認識仮説から音声認識結果ネットワークを生成するように構成された、請求項６記載の前記コンピューティング装置。
10. １つまたは複数のプロセッサを含み、コンピューティング装置を制御するプロセッサ実行可能命令を保存する非一時的コンピュータ可読記憶媒体であって、
    第１チャンネル及び第２チャンネルを含む多チャンネルの音声信号を受信するプログラムコードであって、前記第１チャンネルは第１方向からの音声を含み、前記第２チャンネルは第２方向からの音声を含む、前記プログラムコードと、
    前記第１チャンネルの第１シーケンスの音響的特徴及び前記第２チャンネルの第２シーケンスの音響的特徴を作成するプログラムコードと、
    第１時間フレームに対応する前記第１シーケンスからの第１音響的特徴及び第１時間フレームに対応する前記第２シーケンスからの第２音響的特徴を結合し、第１の結合された音響的特徴を作成するプログラムコードと、
    前記第１の結合された音響的特徴を処理して少なくとも１つの第１音声認識仮説を生成するプログラムコードと、
    第２時間フレームに対応する前記第１シーケンスからの第３音響的特徴及び第２時間フレームに対応する前記第２シーケンスからの第４音響的特徴を結合し、第２の結合された音響的特徴を作成するプログラムコードと、
    前記第２の結合された音響的特徴を処理して少なくとも１つの第２音声認識仮説を生成するプログラムコードとを含み、前記第１の結合された音響的特徴の処理は前記第２の結合された音響的特徴の処理の後で生じる、前記非一時的コンピュータ可読記憶媒体。
11. 結合された特徴で訓練された音響モデルを使用する前記第１の結合された音響的特徴を処理するプログラムコードを更に含む、請求項１０に記載の前記非一時的コンピュータ可読記憶媒体。
12. 前記第１の音響的特徴に対応する第１音声認識仮説を生成し、前記第２の音響的特徴に対応する第２音声認識仮説を生成することによって、前記第１の結合された音響的特徴を処理するプログラムコードを更に含む、請求項１１に記載の前記非一時的コンピュータ可読記憶媒体。
13. 前記少なくとも１つの第１音声認識仮説及び前記少なくとも１つの第２音声認識仮説を含む音声認識結果ネットワークを生成するプログラムコードを更に含む、請求項１０に記載の前記非一時的コンピュータ可読記憶媒体。