JPH02195398A - 音声処理方法及び装置 - 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］ 本発明は音声認識装置に関し、特に、認識結果に対して
使用者に確認を求める確認機能を有する音声認識装置に
関するものである。

［従来の技術］ 従来、この種の装置では、まず、入力した音声信号から
抽出した特徴パラメータ時系列と、認識すべき単語毎に
用意されている標準パターンとの類似度を計算する。次
に、この計算により得られた類似度の中で最大のものが
、予め設定されている閾値より大であれば、対応する単
語を候補として使用者に提示し、その認識した単語の確
認を求めている。そして、使用者からの応答が「正」で
あれば、初めてこれを認識結果とするが、応答が「否」
であれば認識不可能として使用者に音声の再入力を求め
るように構成されている。

［発明が解決しようとしている課題］ しかしながら、上記従来例では、明瞭に発声された入力
音声に対し、認識すべき単語セットの中に目的の単語の
他に類似単語が存在しない場合、第２図（ａ）で示すよ
うに第１候補として極めて大きな類似度を持つので、使
用者に確認を求めず直ちに第１候補を認識結果として決
定することが出来る。しかし、従来のこの種の装置では
、このような場合でも、第２図（ｂ）で示す最大の類似
度がさほど大きくない場合と全く同等に扱われ、必ず使
用者に確認が行われるので、極めて操作性が悪かった。

また、認識すべき単語セットの中に類似単語がいくつか
存在する場合には、入力音声がその単語の中の１つであ
れば、類似度計算の結果、第２図（Ｃ）の黒丸で示すよ
うに類似度の値が第１候補に近い第２候補や第３候補と
して認識されることが多い。しかし、従来のこの種の装
置では、第１候補だけを使用者に確認させ、その応答が
「否」であれば再入力を要求しているので、使用者は、
類似度計算の結果、目的の単語が第１候補になるまで音
声入力を繰り返さなければならず、使用者に多大の負担
を与えていた。

本発明は、上述従来例の欠点を除去すべく成されたもの
で、認識不可能による再入力回数を大幅に減少させ、使
用者の負担を軽減させるとともに操作性を向上させた音
声認識装置を提供することを目的とする。

［課題を解決するための手段］ 上記目的を達成するために、本発明の音声認識装置は、
以下の構成を備える。即ち、 入力音声を特徴パラメータの時系列に変換する特徴抽出
手段と、変換された特徴パラメータの時系列を収納する
第１記憶手段と、認識すべき単語セットの各単語毎の標
準パターンを収納する第２記憶手段と、前記第１記憶手
段に収納された特徴パラメータの時系列と第２記憶手段
に収納された標準パターンとの類似度を計算する類似度
計算手段とを備える音声認識装置において、前記類似度
計算手段よりの類似度と所定閾値とを比較する比較手段
と、該比較手段での比較結果に応じて前記入力音声の認
識結果を特定する特定手段と、該特定手段での特定結果
に対し前記認識結果を出力して確認を求める確認手段と
を備える。

また好ましくは、前記確認手段は、前記認識結果を音声
合成により出力して確認することを特徴とする特 ［作用］ 以上の構成において、入力音声を特徴パラメータの時系
列に変換し、第１記憶手段に収納する。

そして、その収納された特徴パラメータの時系列と、第
２記憶手段に収納された標準パターンとの類似度を計算
し、その類似度と所定閾値とを比較して、その比較結果
に応じて入力音声の認識結果を特定する。次に、その特
定結果に対し認識結果を出力して確認を求めるように動
作する。

また好ましくは、認識結果を音声合成により出力して確
認するように動作する。

［実施例］ 以下、添付図面を参照して本発明に係る好適な一実施例
を詳細に説明する。

く構成の説明　（第１図）〉 第１図は、本実施例における音声認識装置の構成を示す
ブロック図である８図において、１は音声信号を入力す
る入力端子、２は入力端子１より入力されたアナログ音
声信号をデジタル化するＡ／Ｄ変換部、３はＡ／Ｄ変換
部２でデジタル化された音声信号から音声の特徴を表わ
す特徴パラメータを抽出する特徴抽出部である。４は一
連の制御を司どるＣＰＵであり、後述するＣＰＵ４の処
理手順を格納するＲＯＭ、及びＣＰＵ４が作業領域とし
て使用するＲＡＭを含む。５は特徴パラメータ化された
入力音声を収納する第１記憶部、６は登録されている単
語音声の標準パターンが特徴パラメータの形で収納され
ている音声辞書、７は第１記憶部５に収納されている特
徴パラメータの時系列と音声辞書６に収納されている標
準パターンの１つとの類似度を計算する類似度計算部で
ある。そして、８は類似度計算部７により計算された類
似度を収納する補助記憶部である。

９は認識結果を出力する出力端子、１０は使用者に対す
るメツセージを音声化する音声合成部、そして、１１は
音声合成部１０よりの合成音声を出力する音声出力端子
である。

く認識処理の説明　（第３図）〉 上記構成において、入力端子１より入力された音声信号
は、Ａ／Ｄ変換部２によりデジタル化され、次に特徴抽
出部３によって特徴パラメータの時系列に変換される。

そして、ＣＰＵ４が特徴抽出部３より送られてくる特徴
パラメータの時系列から単語の始端と終端とを検出して
、始端から終端までの特徴パラメータの時系列を第１記
憶部５に収納する。なお、音声辞書６には、第３図に示
す「ゼロ」から「イイエ」までの１６個の単語に相当す
る音声の標準パターンが特徴パラメータの時系列の形と
して収納されているでの、ＣＰＵ４は、まず「ゼロ」に
対応する特徴パラメータの時系列の先頭番地を類似度計
算部７に送り類似度計算を開始させる。そして、類似度
計算部７がＣＰＵ４より送られて来た番地情報を手がか
りとして音声辞書６に収納されている単語音声の標準パ
ターンと、第１記憶部５に収納されている入力音声の特
徴パラメータ時系列とから類似度計算を行う、その後、
類似度の計算が終了すると、その計算結果はＣＰＵ４に
送られて、補助記憶部８に収納される。

同様にして、音声辞書６の中の２番目の単語「レイ」か
ら１４番目の単語「り」までの各標準パターンと、第１
記憶部５の中の入力音声の特徴パラメータ時系列との類
似度が逐次計算されて、補助記憶部８に収納される。ま
た、音声辞書６の中の「ハイ」と「イイエ」に対応する
残りの標準パターンは、後述する使用者に対する確認作
業に使用される。

以上の処理が終了すると、次に、ＣＰＵ４は、補助記憶
部８に収納されている１４個の類似度を手がかりとして
、入力音声に対して、以下に示す処理の何れかを行う。

ａ）無条件に正答として認識結果を出力する。

ｂ）使用者に対し、結果の確認を求めた上で認識結果を
出力する。

Ｃ）認識不可能として使用者に再入力を求める。

く判断処理の説明　（第４図〜第６図）〉次に、上述の
各処理ａ）〜Ｃ）を判断する処理を第４図のフローチャ
ートに従って、以下に説明する。

まず、ステップＳ１において、補助記憶部８の中の第１
位の類似度ＣＩを第１の閾値Ｔｌと比較し、閾値Ｔ１よ
り大きければステップＳ２へ処理を進める。しかし、そ
れ以外の場合は、ステップＳ５へ処理を進める。ここで
、第１の閾値Ｔ１は第５図（ａ）で示すように類似度の
かなり大きなレベルに設定されており、第１位の類似度
Ｃ１が閾値Ｔｌより大ならば、対応する標準パターンが
正答である可能性は非常に高く、使用者に認識結果の確
認を求める必要はない。但し、音声辞書６の中に互いに
似かよった単語が含まれている場合には、第５図（ｂ）
で示すように類似度の第１位と第２位が共に大きな値を
示し、単純に第１位を正答と判断できない事が考えられ
る。

そこで、ステップＳ２において、第１位の類似度Ｃ１と
第２位の類似度Ｃ２との比ＣＩ　／　Ｃ２が閾値Ｒ＋よ
り大きいかを否かを判断し、太きければ、第１位類似度
を得た単語は、十分な信頼度を持つ唯一の候補と判断で
きるので、これを正答とし、対応する単語番号を出力端
子９に出力する。

一方、Ｃ，／Ｃ，が閾値Ｒ１以下である場合は、第２位
の類似度も第１位の類似度に匹敵する大きさを持つので
、使用者に対して確認を要求するためにステップＳ３に
処理を進める。

次に、ステップＳ３では、第１位の類似度をＣＩとして
、次式を満たす類似度ＣＩを持つ全ての単語について第
１位候補から順に使用者に確認を求める。

ここでの確認は、以下の手順で行われる。

１）ＣＰＵ４が、第１位候補に対応する単語番号と、音
声「デス力？」に対応する単語番号“○“（図示せず）
とを音声合成部１０に送出する。

音声合成部１０では、この送られて来た単語番号に対応
する音声を合成して音声出力端子１１より出力する。例
えば送られて来た単語番号が“６”と“０”であれば、
合成音声「サンデス力？」が音声出力端子１１より出力
される。

２）ここで、使用者が合成音声による確認要求に対して
、「ハイ」か「イイエ」で応対する。

３）使用者からの応答があると、類似度計算部７を用い
て、その入力音声を音声辞書６の中の単語「ハイ」及び
「イイエ」に対応する標準パターンとの類似度を計算し
、「ハイ」に対する類似度が大きい場合には、第１位候
補が正答であると判断する。しかし、「イイエ」に対す
る類似度が大きい場合には、式（１）を満たす類似度Ｃ
Ｉを持つ候補がなくなるまで上記処理を繰り返す。

ステップＳ３での処理が終了後、ステップＳ４で上述の
確認の結果を判断し、正答があれば対応する単語番号を
出力端子９に出力する。しかし、式（１）を満たす類似
度Ｃ１を持つ候補の中に正答がなければ、確認不可能と
判断し、使用者に再入力を要求する。

一方、ステップＳ１での条件を満たしていない場合には
、ステップＳ５で第１位の類似度ＣＩを第２の閾値Ｔ２
と比較し、閾値Ｔ２より大きければステップＳ６におい
て、使用者に確認結果の確認を求める。しかし、それ以
外の場合は、確認不可能と判断して使用者に再入力を求
める。これは第５図（Ｃ）で示す場合である。ここで、
第２の閾値下、は、第５図で示すように第１の閾値Ｔ１
より小さいが、認識可否は決定できる程度の類似度の値
に設定されている。また、第１位の類似度Ｃ３が閾値Ｔ
２を越えていても、音声辞書６の中に互いに似かよった
単語が含まれている場合は、第５図（ｄ）で示すように
第２位以下の類似度が０１に極めて近い事が起こり得る
。

そこで、次のステップＳ６においては、第１位の類似度
をＣＩとして、次式を満たす類似度ＣＩを持つ全ての単
語について第１位から順に使用者に確認を求める。

なお、この確認の手順はステップＳ３における処理と全
く同一であり、説明は省略する。また、ステップＳ７で
の結果判断もステップＳ４と同じである。そして、ステ
ップＳ６では、ステップＳ３での式（１）を、式（２）
に置き換えて処理を行うものである。

以上の処理を、Ｔ＋　＝２００．Ｔｔ　＝１００゜Ｒ１
＝１．１０．Ｒａ　＝１．１５として、第３図に示す１
４個の単語の認識に適用した例を以下に説明する。

なお、第３図では、１４個の単語について各々の音韻表
記と、音韻の時間的な順序関係を損なわない範囲で他の
単語と一致する最大個数ｐｔ　と、単音節の個数が一致
し、かつ同一の位置に同一の単音節が現われる場合に“
１”、その他に“０”を値として持つ単音節のレベルｍ
＋、及び表記上の最大類似度２・ｐ＋＋ｍ＋とを示して
いる。

例えば、単語「イチ」　「シチ」　「ハチ」は、共に２
単音節から成り、かつ同一の単音節「チ」を同一の場所
に持つので、ｍ　Ｉ＝　１である０表記上の最大類似度
は、音韻レベルの類似度Ｐ１に重み２を掛けて、単音節
レベルの類似度ｍＩに加えたものである。これから知ら
れるように、この辞書内で確認の容易な単語は「ゼロ」
　「レイ」などであり、認識の難しい単語は「イチ」　
「シチ」などである。

今、明瞭に発声された音声「ゼロ」が入力端子１より入
力されると、音声辞書６との類似度計算の結果、３位ま
での類似度として第６図（ａ）で示す値を得た。そこで
、第４図のフローチャートに基づき処理を進めると、ス
テップＳ１において第１位の類似度Ｃ１は２２５点であ
り、閾値Ｔ＋＝２００を越えている。そこで、ステップ
Ｓ２に処理を進め、第２位との類似度の比を求めると、
Ｃ＋　／Ｃｚ　＝１．９９と成り、Ｒ，＝１．１０より
も大きい値である。その結果、ＣＰＵ４は、第１位の類
似度を持つ単語「ゼロ」を正答とし、その単語番号“１
”を出力端子９より出力する。

即ち、入力音声に対する第１位候補が十分な類似度を持
ち、かつ他に類似単語が見当らない場合には、使用者に
対する確認処理を行わない。

次に、明瞭に発声された音声「イチ」が入力端子１・よ
り入力されると、音声辞書６との類似度計算の結果、３
位までの類似度として第６（ｂ）で示す値を得た。第１
位の類似度は、Ｃ，＝２１８でやはり閾値Ｔｔを越えて
いる。そこで、処理をステップＳ２に進め、第２位との
類似度の比を求めると、Ｃ１／Ｃｘ　＝１．０９と成り
、閾値Ｒ８＝１．１０を越えない。その結果、ＣＰＵ４
は、ステップＳ３に処理を進め、ＣＩ　／　ＣＩ≦Ｒ＋
である全ての単語について使用者による結果の確認を行
う。まず、第１位の単語について、単語番号“４”と音
声「デス力？」に相当する番号“Ｏ”が音声合成部１０
に送出され、音声出力端子１１より音声「イチデス力？
」が出力される。これに対して使用者は、この結果が正
答であるので音声「ハイ」で応答する。この音声が入力
端子１より入力され、ＣＰＵ４は「正」と確認してステ
ップＳ４での判断の結果、「正答」の確認を得た単語番
号“４”を出力端子９より出力する。

即ち、類似度計算の結果、第１位候補が十分大きな類似
度を得ても、第２位以下に近い類似度を持つ候補があれ
ば、処理結果を使用者に確認することにより誤認を防止
できる。

また、音声「イチ」が不明瞭に発声されて入力された場
合、音声辞書６との類似度計算の結果として、第６図（
ｃ）で示す値を得た。この場合、第１位候補の類似度は
Ｃ，＝１２９と成り、第１の閾値Ｔ、を越えないので、
ＣＰＵ４は、処理をステップＳ５に進め、第２の閾値Ｔ
ｚ＝ｌＯＯとの比較を行う、その結果、ＣＩ　＞　Ｔ　
２が成立し、処理をステップＳ６に進め、ＣＩ／　Ｃｒ
≦Ｒ２を満たす全ての単語について、使用者の確認を求
める。まず、第１位候補の単語番号“１１”と番号”０
”が音声合成部１０に送出され、音声出力端子１１より
音声「シチデス力？」が出力される。

これに対して使用者は、結果が誤答であるので、音声「
イイエ」で応答する。この音声を入力端子１より入力し
、ＣＰＵ４は、応答を「否」と確認する。

次に、第２位候補について、ＣＩ　／ｃ＋　＜Ｒｆｆｉ
が成立するかどうかを調べる。その結果、第６図（ｃ）
　で示すよウニ、ＣＩ　／Ｃａ　＝１．０７１？、Ｒ２
＝１．１５を越えないので、単語番号“４”と番号“Ｏ
”を音声合成部１ｏに送出する。そして、音声出力端子
１１より音声「イチデスヵ？」が出力される。これに対
して、使用者の応答は、「ハイ」であるから、ＣＰＵ４
は処理をステップＳ７に進め、第２位候補の単語番号“
４”を出力端子９より出力して処理を終了する。

即ち、類似度計算の結果、第１位候補が十分な類似度を
持たず、使用者による確認の結果「否」となっても、第
２位以下の近い類似度を持つ候補に対して確認処理を行
うことで、音声の再入力を行わずに正答を得ることがで
きる。

以上説明したように、入力音声と音声辞書との類似度に
対する閾値を大小２種類設け、更に、第１位候補と第２
位以下の候補との類似度の比に対する閾値な設けること
により、以下に述べるような効果がある。

（１）第１位候補が十分な大きさの類似度を持つ入力音
声に対しては、使用者による確認作業を必要としない。

（２）第１位候補が十分な大きさの類似度を持つ入力音
声でも、第２位以下の候補が第１位候補に匹敵する類似
度を持つ場合、確認処理を行うことにより、類似単語に
よる誤認識を回避できる。

（３）第１位候補が使用者による確認処理の結果正答で
なくても、目的の単語が第２位以下の候補として第１位
候補に匹敵する類似度を持つ場合、再入力せずに正答を
得ることができる。

［発明の効果］ 以上説明したように本発明によれば、認識不可能による
再入力回数を大幅に減少させ、使用者の負担を軽減させ
るとともに、操作性を向上させることができる。

【図面の簡単な説明】

第１図は本実施例における音声認識装置の構成を示すブ
ロック図、 第２図（ａ）〜（Ｃ）は従来例での認識処理を説明する
図、 第３図は認識対象単語の種類と音韻表記を示す図、 第４図は本実施例の確認処理手順を示すフローチャート
、 第５図（ａ）〜（ｄ）は本実施例の確認処理の原理を示
す図、 第６図（ａ）〜（Ｃ）は実際の音声入力に対する類似度
計算の結果を示す図である。 図中、１・・・音声入力端子、２・・・Ａ／Ｄ変換部、
３・・・特徴抽出部、４・・・ＣＰＵ、５・・・第１記
憶部、６・・・音声辞書、７・・・類似度計算部、８・
・・補助記憶部、９・・・出力端子、１０・・・音声合
成部、１１・・・音声出力端子である。 （Ｃ） （ｂ） 第３図 （触似厚） （和ｒｔｌｔ） （瞭侭お （ｌＩ似１）

Claims (2)

【特許請求の範囲】
1. （１）入力音声を特徴パラメータの時系列に変換する特
   徴抽出手段と、変換された特徴パラメータの時系列を収
   納する第１記憶手段と、認識すべき単語セットの各単語
   毎の標準パターンを収納する第２記憶手段と、前記第１
   記憶手段に収納された特徴パラメータの時系列と第２記
   憶手段に収納された標準パターンとの類似度を計算する
   類似度計算手段とを備える音声認識装置において、 前記類似度計算手段よりの類似度と所定閾値とを比較す
   る比較手段と、該比較手段での比較結果に応じて前記入
   力音声の認識結果を特定する特定手段と、該特定手段で
   の特定結果に対し前記認識結果を出力して確認を求める
   確認手段とを備えることを特徴とする音声認識装置。
2. （２）前記確認手段は、前記認識結果を音声合成により
   出力して確認することを特徴とする請求項第１項に記載
   の音声認識装置。