JPH01179997A - 音声認識方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 この発明は、認識対象単語のそれぞれについて、学習時
に音声波形から一定時間長、すなわちフレーム長毎に特
徴量を抽出し、メモリにその特徴量の系列Ａ　”　ａ　
１　、・・・、ａ１、・・・＋　　ａｌ　を標準パタン
として記憶し、学習後の認識時には、入力される音声波
形により抽出される特徴量の系列Ｂ−ｂ１２・・・、ｂ
Ｊ＊　・・・、ｂＪと標準パタンとを、動的計画法（Ｄ
Ｐ）に基づいて照合し、その結果、最も類似度の高い特
徴量の系列を持つ単語名を認識結果として出力する音声
認識方法に関する。

〔従来の技術〕

従来においては入力パタンの標準パタンとの照合距離の
最小値Ｄ０があるしきい値りいに対してＤ□くＤ□なら
ばそのＤｌと対応する標準パタンＡ１を認識候補とし、
あるいは入力パタンと標準パタンとの照合距離の最小値
Ｄ□と２番目の最小値Ｄ１との差が、あるしきい値ＤＩ
ｍに対して（Ｄ−ｚ−Ｄ□）〉Ｄ１□ならばそのＤｌと
対応する標準パタンＡ１を認、ｊｊｉ％候補とし、もし
くは照合距離の最小値Ｄ１と、２番目の最小値Ｄ１との
比があるしきい値Ｄ１□に対して（Ｄ　ａ　ｚ　／　Ｄ
　＠　＋　）　〉Ｄ１□ならばそのＤｌと対応する標準
パタンＡ０をｔＸ＊候補としていた。これらの場合りい
＋Ｄ＋ｚ＋ＤＩ！ｌは予め経験的に定められ、固定され
た値であった０判定条件としてのしきい値を厳しく設定
すると、発声者の健康状態、疲労度、Ｖ！張度などによ
って発声方法や音質等に変化が生じた場合に、入力音声
パタンと当該の標準パタンとの照合距離がしきい値を超
え、その結果、認識候補として正しく選υくされた単語
が棄却される場合があった。

その逆にしきい値をゆるやかに設定すると、認識誤りが
生じた場合でも、照合距離の最小値がしきい値の中に収
まれば、誤った単語が認識候補として出力される場合が
あった。

この発明の目的は、上記の欠点を解決するために、音声
パタンのフレーム長の情報を利用し、ＤＰ照合で正しく
選択された単語の棄却を低減するとともに、誤って選択
された単語を棄却とすることにより、誤認識を低減する
音声認識方法を提供することにある。

〔ｉ！題を解決するための手段〕

この発明によれば、ＤＰ照合の結果人力ｔｉタンと最も
照合距離の近い標準パタンのフレーム長と入力パタンの
フレーム長との差を用いてしきい値を決定し、照合距離
がそのしきい値に対する判定条件を満たす場合は当該の
標準パタンを認識候補と見なし、それ以外の場合は棄却
する。この発明は、入力音声パタンに対して、選択され
た標準パタンのフレーム長の差が大きい場合には、両者
は互いに異なった単語である確率が高いとし、一方同一
の単語の発声長の揺らぎは比較的少ないという根拠に基
づく。

〔実施例〕

第１図はこの発明の方法の一例を示す、標準パタンメモ
リｌには予め学習されたＭ個の標準パタンＡＩ、・・・
、ＡＭが格納されている。入力パタンメモリ２には入力
パタンＢが格納されている。それぞれの系列はＤＰ照合
部３に入力され、ＡｍとＢ、・・・、Ａｌ１とＢとの間
で逐次ＤＰ照合演算による照合距離Ｄ　（ＡｍＢ）が算
出される。　Ｄ　（Ａ。

Ｂ）の計算は、たとえば以下の算術式により行うことが
できる。

（ただし　ｄ　　（ｉｋ、Ｌ　）”ｌｌａｔｍ−ｔ）ｊ
ｍｌｌは、第１２フレームの入力パタンと第Ｊ、フレー
ムの１準パクンとの距離、Ｋは、動的計画法により全体
をに個の小区間に区切ったことを示す記号、Ｗｋは区間
にのバスの長さを示す係数であり、そのｋについての総
和は照合パスの長さ、また（■ｉｎ）は、上記の式の値
を最小にするＨｍ、ｊｂ）の組をに−１からＫまで逐次
辿っていくことを意味する。） 標準パタンＡ１２・・・、Ａｍｌと入力パタンＢとの照
合距離をそれぞれＤｒ、・・・、Ｄ）１とすると、これ
らの値が照合距離最小値選択部４に入力される。

照合距離最小値選択部４においてはＤｒ、・・・＋ＤＩ
４の中から最小値Ｄ０が選択される。ここで添え字ｍ１
はＤ□を与える標準パタン番号である。Ｄｌは比較部９
に出力される。一方ｍｌはｔ！！準バツパタンフレーム
長メモリ５ドレスとして出力される。

標準パタンフレーム長メモリ５からは標準パタンｍｌの
フレーム長し□が出力される。一方、入力パタンフレー
ム長メモリ６には入力パタンフレーム長Ｌｂが格納され
ている。フレーム長差算出部７はＬ□とＬｌを入力とし
、ＬｅｔとＬｂの差の絶対値ｙを出力する。すなわち、
ｙ−ｌ　Ｌｅｔ−Ｌｂ　　ｌである。しきい値設定部８
では、予め設定したしきい値初期値Ｃ１と、ｙの関数Ｆ
　（ｙ）の値を加えることにより、Ｄい＋（ｙ）−ＣＩ
　＋Ｆ（ｙ）を出力する。ここでＦ　（ｙ）　としては
、ｙの増加にともなって単調に減少する関数、たとえば
負の傾きａをもつ一次閏数Ｆ（ｙ）＝ａｙが考えられる
。比較部９では、照合距離最小値選択部４の出力Ｄｅｌ
としきい値設定部８の出力Ｄ１１（ｙ）とを比較し、Ｄ
、１くＤい、（ｙ）ならば認識候補として標準パタン番
号ｍ１を出力し、Ｄ１≧Ｄい、（ｙ）ならば棄却を示す
値を出力する。

以上、この発明の一実施例を示したが、比較の対象とし
て照合距離の最小値Ｄ□と、照合距離の２番目の最小値
Ｄ１の差Ｄ＋ｚ−Ｄａｚ−Ｄ＋ａｔを用いることもでき
る。その場合、第１図の４は、照合距離差計算部となり
、４からはＤｌｔが比較部９に出力される。また、Ｄｌ
を与える標準パタン番号ｍ１が標準パタンフレームメモ
リ５のアドレスとして出力される。しきい値設定部８で
は、予め設定したしきい値初期値Ｃ２と、ｙの関数Ｇ　
（ｙ）の値を加えることにより、Ｄｔｂｖ（ｙ）　−Ｃ
，２＋　Ｇ　（ｙ）を出力する。ここでＧ　（ｙ）とし
ては、ｙの増加にともなって単調に増加する関数、たと
えば正の傾きｂをもつ一次関数Ｇ（ｙ）−ｂｙが考えら
れる。

比較部９では、照合距離の最終値り、と２番目の照合距
ｊ！Ｉ最小値り６．との差Ｄ＋ｘ−Ｄ−ｔ−Ｄ□とＤい
よ（ｙ）とを入力とし、ＤＩｌ＞ＤＬｋ□（ｙ）であれ
ばｍｌを認ｍ候補とし、［）＋１≦Ｄｔｈｘ（いであれ
ば認識候補を棄却する。

また、比較の対象として照合距離の最小値Ｄ□と、照合
距離の２番目の最小値り、！の比Ｄ１□−Ｄ−ｚ／Ｄ□
を用いることもできる。その場合、第１図の４は、照合
圧は比計算部となり、４からはＤ１□が比較部９に出力
される。また、Ｄ□を与える標準パタン番号ｍ１が標準
パタンフレームメモリ５のアドレスとして出力される。

しきい値設定部８では、予め設定したしきい値初期値Ｃ
３と、ｙの関数Ｈ（ｙ）の値を加えることにより、Ｄい
、（ｙ）−Ｃ３＋Ｈ（ｙ）を出力する。ここでＨ（ｙ）
としては、ｙの増加にともなって単調に増加する関数、
たとえば正の（頃きＣをもつ一次閏敗Ｈ（ｙ）−ａｙが
考えられる。比較部９では、上記Ｄ１１１とＤい、（ｙ
）とを入力とし、Ｄ、□〉Ｄい、（ｙ）であればｍｌを
認識候補とし、Ｄ１□≦Ｄい、（ｙ）であれば認識候補
を棄却する。

さらに、その他の実施例としては、比較の対象として、
上述した照合距離最小値Ｄ１、照合距離差Ｄ１□、およ
び照合距離比Ｄ１□を併用することができる。このとき
、第１図の４においては、上述のＤｌとＩ）＋ｚとＤ１
□を出力する。また、しきい値設定部８では上述した方
法によりしきい値Ｄｔ＋＋（）’）、Ｄい、（ｙ）、お
よびＤい、（ｙ）を計算し、出力する。比較部９におい
ては、ＤｍｌとＤい、（ｙ）、Ｄ１□とＤ□８（ν）、
Ｄｍ１ｌとＤい、（ｙ）の値をそれぞれ比較する。そし
て、Ｄ　ｍｌ　＜　Ｄ　ｃｂ＋　（ｙ）かつり、８〉Ｄ
い２（ｙ）かつＤ＋□〉Ｄい、（ｙ）ならば、認識候補
として照合距離が最小となる！！！準パタンｍ１を出力
し、その他の場合には認識候補を棄却する。

次に、照合距離しきい値りいとフレーム長差ｙとの関係
を、第２図により説明する。第２図（ａｌは、縦軸を照
合距離Ｄ、横軸を入力パタンと標準パタンのフレーム長
差ｙとした座標平面である。標準パタンと入力パタンと
の照合結果は、両パクンのフレーム長差および照合距離
値が算出されれば、この平面上の一点に定まる。従来の
しきい値Ｄ１゜と、この発明のしきい値Ｄｚ、（ｙ）と
は、この平面上では直線で示される。Ｄい、はフレーム
長差ｙにかかわらず一定値、またはＤい＋（ｙ）−Ｃ１
＋ａｙ。

（ａ＜Ｑ）とした、照合距離最小値Ｄ１がこれらの直線
よりも小さい領域に入るとき、ｍｌは認識候補と見なさ
れる０図中の領域ａ１に！？！識候補の照合結果が入っ
た場合、従来の方法では認識＠補を棄却するが、この発
明の方法ではこれを認識候補と見なす、これは、同一単
語に対する種々の発声の１ｚらぎに対しての棄却率を低
減する効果がある０図中の領域ａ２に認識候補の照合結
果が入った場合、従来の方法ではパタン間のフレーム長
差を考慮しないため、これを認識候補と見なす、ところ
が、この発明のしきい値を用いれば、ａ２に照合結果が
入ってもこれを棄却する。すなわち、入力パタンと認識
＠補となったａ！準パタンとのフレーム数の差が大きく
なるほど、両パタンは異なる単語である可能性が強いと
して、照合結果に対して、フレーム長差に応じたペナル
ティを与えていると解釈することができる。

第２図ｆｂｌについても同じく、縦軸は照合距離の差り
を表し、横軸はフレーム長差ｙを示す、従来の方法では
しきい値ＤＩｌｂはｙにかかわらず一定であり、照合距
離最小値Ｄ１と照合距離の２番目の最小値Ｄ１との差Ｄ
＋ｚ−Ｄ＋ｍ＊−ＤｍｌがＩ）＋ｚｂより小さければ認
識候補棄却となった。この発明のしきい値はＤｔｈｚ（
ｙ）”Ｃ２＋ｂｙ、　　（ｂ＞Ｏ）？ある。Ｄ＋ｔｂと
ｏｔｈｘ（ｙ）との差は６Ｉ域ｂ１およびｂ２となる。

照合結果が領域ｂ２に入った場合、従来のしきい値を用
いた場合にはこれが認識候補と見なされるが、この発明
のしきい値を用いるとこれは棄却される。すなわち、Ｄ
□を与える標準パタンｍ１と入力パタンのフレーム長の
差が太きくなるほど、両パタンは異なる単語であるとい
う可能性が強いとして、そのときには照合距離が２番目
に小さいパタンｍ２との照合距離の差Ｄ１□が大きくな
ければ、ｍｌは誤認識である可能性が高いと解釈するこ
とができる。

しきい値として照合距離の比を用いる場合も第２図（ｂ
ｌと同様になるため、ここでの説明は省略する。

さらに、認識候補の判定に上記のＤｌとＤ１□とＤＩ□
を組み合わせて用いることも可能である。

〔発明の効果〕

以上説明したようにこの発明は、入力パタンと＋！ｉ準
パタンとのフレーム長の差に応じて、認識結果の判定基
準を制御することにより、従来生じていた、■しきい値
を厳しく設定すると、発声者の健康状態、疲労度、緊張
度などによって発声方法や音質等に変化が生じた場合に
、入力音声パタンと当該の標準パタンとの照合距離がし
きい値を超え、その結果、認識候補として正しく選択さ
れた単語が棄却される。■しきい値をゆるやかに設定す
ると、認識誤りが生じた場合でも、照合距離の最小値が
しきい値の中に収まれば、誤った単語が認識候補として
出力される、という欠点を減少させる効果がある。

【図面の簡単な説明】

第１図はこの発明の実施例のプロンク構成図、第２図は
この発明の具体的な作用を示す図である。 特許出願人：日本電信電話株式会社

Claims (3)

【特許請求の範囲】
1. （１）予め、入力される認識対象単語のそれぞれについ
   て音声波形から一定時間（以後これをフレームと称す）
   毎に特徴量を抽出し、メモリにその特徴量の系列Ａ＝ａ
   ＿１、・・・、ａ＿ｉ、・・・、ａ＿Ｉを標準パタンと
   して記憶する（以後これを学習という）とともに、学習
   後の認識時においては、入力される音声波形より抽出さ
   れる特徴量の系列（入力パタン）Ｂ＝ｂ＿１、・・・、
   ｂ＿ｊ、・・・、ｂ＿Ｊと、上記の方法で予め学習され
   たＭ（Ｍ＞１）種類の特徴量Ａ＿１、・・・、Ａ＿Ｍと
   の照合を動的計画法（ダイナミックプログラミング；以
   下ＤＰと略す）に基づいて行い、入力パタンＢとの照合
   距離Ｄ（Ａ、Ｂ）を全ての標準パタンＡについて計算し
   、入力パタンＢに対して照合距離Ｄ（Ａ、Ｂ）を最小化
   する標準パタンＡ＿ｍを入力パタンＢの認識候補とする
   音声認識方法において、 Ｍ個の標準パタンの中で入力パタンとの照合距離の最小
   値Ｄ＿ｍ＿１が、あるしきい値Ｄ＿ｔ＿ｈに対して、Ｄ
   ＿ｍ＿１＜Ｄ＿ｔ＿ｈならば、当該最小値Ｄ＿ｍ＿１と
   対応する標準パタンＡ＿ｍ＿１を認識候補と決定し、か
   つしきい値Ｄ＿ｔ＿ｈの値を標準パタンＡ＿ｍ＿１のフ
   レーム長Ｌ＿ｍ＿１と入力パタンのフレーム長Ｌ＿ｂと
   の差に応じて変化させることを特徴とする音声認識方法
   。
2. （２）予め、入力される認識対象単語のそれぞれについ
   て音声波形から一定時間（以後これをフレームと称す）
   毎に特徴量を抽出し、メモリにその特徴量の系列Ａ＝ａ
   ＿１、・・・、ａ＿ｉ、・・・、ａ＿Ｉを標準パタンと
   して記憶する（以後これを学習という）とともに、学習
   後の認識時においては、入力される音声波形より抽出さ
   れる特徴量の系列（入力パタン）Ｂ＝ｂ＿１、・・・、
   ｂ＿ｊ、・・・、ｂ＿Ｊと、上記の方法で予め学習され
   たＭ（Ｍ＞１）種類の特徴量Ａ＿１、・・・、Ａ＿Ｍと
   の照合を動的計画法（ダイナミックプログラミング；以
   下ＤＰと略す）に基づいて行い、入力パタンＢとの照合
   距離Ｄ（Ａ、Ｂ）を全ての標準パタンＡについて計算し
   、入力パタンＢに対して照合距離Ｄ（Ａ、Ｂ）を最小化
   する標準パタンＡ＿ｍを入力パタンＢの認識候補とする
   音声認識方法において、 照合距離の最小値Ｄ＿ｍ＿１と、２番目の最小値Ｄ＿ｍ
   ＿２との差が、あるしきい値Ｄ＿１＿２に対して、（Ｄ
   ＿ｍ＿２−Ｄ＿ｍ＿１）＞Ｄ＿１＿２ならば当該最小値
   Ｄ＿ｍ＿１と対応する標準パタンＡ＿ｍ＿１を認識候補
   と決定し、かつしきい値Ｄ＿１＿２の値を標準パタンＡ
   ＿ｍ＿１のフレーム長Ｌ＿ｍ＿１と入力パタンのフレー
   ム長Ｌ＿ｂの差に応じて変化させることを特徴とする音
   声認識方法。
3. （３）予め、入力される認識対象単語のそれぞれについ
   て音声波形から一定時間（以後これをフレームと称す）
   毎に特徴量を抽出し、メモリにその特徴量の系列Ａ＝ａ
   ＿１、・・・、ａ＿ｉ、・・・、ａ＿Ｉを標準パタンと
   して記憶する（以後これを学習という）とともに、学習
   後の認識時においては、入力される音声波形より抽出さ
   れる特徴量の系列（入力パタン）Ｂ＝ｂ＿１、・・・、
   ｂ＿ｊ、・・・、ｂ＿Ｊと、上記の方法で予め学習され
   たＭ（Ｍ＞１）種類の特徴量Ａ＿１、・・・、Ａ＿Ｍと
   の照合を動的計画法（ダイナミックプログラミング；以
   下ＤＰと略す）に基づいて行い、入力パタンＢとの照合
   距離Ｄ（Ａ、Ｂ）を全ての標準パタンＡについて計算し
   、入力パタンＢに対して照合距離Ｄ（Ａ、Ｂ）を最小化
   する標準パタンＡ＿ｍを入力パタンＢの認識候補とする
   音声認識方法において、 照合距離の最小値Ｄ＿ｍ＿１と、２番目の最小値Ｄ＿ｍ
   ＿２との比が、あるしきい値Ｄ＿１＿２＿Ｒに対して、
   （Ｄ＿ｍ＿２／Ｄ＿ｍ＿１）＞Ｄ＿１＿２＿Ｒならば当
   該最小値Ｄ＿ｍ＿１と対応する標準パタンＡ＿ｍ＿１を
   認識候補と決定し、かつしきい値Ｄ＿１＿２＿Ｒの値を
   学習パタンＡ＿ｍ＿１のフレーム長Ｌ＿ｍ＿１と入力パ
   タンのフレーム長Ｌ＿ｂの差に応じて変化させることを
   特徴とする音声認識方法。