JPH04141699A - 音声認識装置 - 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】

この発明は、音韻認識結果や音節認識結果に基づいて入
力音声を認識する音声認識装置の改良に関する。

【従来の技術】

従来、音声認識装置として第４図に示すようなものがあ
る。この音声認識装置は音節認識結果に基づいて入力音
声を認識するものであり、登録モード時にはトップダウ
ン的に音節境界位置を求める一方、認識モード時にはボ
トムアップ的に音節境界位置を求めるのである。 すなわち、登録モード時においては、特徴抽出部１で抽
出された入力音声の特徴パラメータに基づいて、トップ
ダウン音節境界検出部２においてトップダウン的に音節
境界位置が検出される。そして、トップダウン音節境界
切出部３によって、トップダウン音節境界検出部２にお
いて検出された音節境界位置において特徴パラメータの
時系列が切り出される。こうして切り出された音節区間
に相当する特徴パラメータの時系列が、音節標準パター
ンとして音節標準パターン格納部４に格納される。 一方、認識時においては、特徴抽出部１で抽出された入
力音声の特徴パラメータに基づいて、ボトムアップ音節
境界検出部５においてボトムアップ的に音節境界位置が
検出される。そして、音節境界切出部６によって、ボト
ムアップ音節境界検出部５において検出された音節境界
位置において特徴パラメータの時系列が切り出される。 こうして切り出された特徴パラメータの時系列が認識部
７に入力される。認識部７では、入力された特徴パラメ
ータの時系列と上記登録モード時に音節標準パターン格
納部↓に格納された音節標準パターンとのマツチングが
行われる。その結果、マツチング距離の最も小さい音節
標準パターンに付加された文字コードが音節認識結果と
して出力される。 ここで、上記トップダウン音節境界検出部２によって実
施されるトップダウン的な音節境界位置検出とは、次の
ような音節境界検出方法である。 すなわち、例えば登録の対象となる音声が発声されると
同時に、この発声のローマ字表記が入力される。そうす
ると、入力されたローマ字表記から入力音声に含まれる
音節数が既知となるので、音声区間長を音節数で割るこ
とによって推定平均音節長が求められる。次に、スペク
トル変化およびパワー変化等により検出される音節境界
位置候補の中から上記推定平均音節長に基づいて、最も
信頼度の高い音節境界位置候補を音節境界として決定す
るのである。 このように、トップダウン的な音節境界位置検出では、
音節境界位置候補中において音節境界として最も信頼度
の高い音節境界位置候補を音節境界として決定できるの
である。

【発明が解決しようとする課題】

しかしながら、上記従来の音声認識装置においては次の
ような問題がある。すなわち、上述のように、登録モー
ド時の場合にはトップダウン的に音節境界位置を検出す
るので、得られる音節標準パターンの信頼度は非常に高
いものである。ところが、認識時においては、予め発声
のローマ字表記を入力する訳には行かないのでボトムア
ップ的に音節境界位置を求めなければならない。したが
って、認識時においては音節境界位置検出の誤り（音節
境界の誤挿入−分雌誤り、音節境界の脱落−併合誤り、
ずれ＝ずれ誤り）が発生し易いのである。 ところが、このように認識時において生じる音節境界位
置検出（セグメンテーション）誤りは、以後の処理で回
復不可能であるために致命的な問題である。 そこで、この発明の目的は、認識時におけるボトムアッ
プ的な音節境界位置検出によって発生するセグメンテー
ション誤りをある程度回復できる音声認識装置を提供す
ることにある。

【課題を解決するための手段】

上記目的を達成するため、この発明は、入力音声の音節
区間（または音韻区間）を切り出し、予め登録されてい
る標準パターンとのマッチィングをおこなって入力され
た音声を認識する音声認識装置において、標準パターン
登録時において、発声内容が既知の入力音声に対してト
ップダウン的に音節境界（または音韻境界）を検出する
トップダウン境界検出部と、上記トップダウン境界検出
部によってトップダウン的に検出された音節境界（また
は音韻境界）に基づいて、上記入力音声の特徴パラメー
タを音節区間（または音韻区間）に相当する区間に切り
出し、この切り出した音節区間（または音韻区間）に相
当する特徴パラメータを標準パターンとして標準パター
ン格納部に格納するトップダウン境界切出部と、上記発
声内容が既知の入力音声と同じ発声に対してボトムアッ
プ的に音節境界または音韻境界を検出するボトムアップ
境界検出部と、上記ボトムアップ境界検出部によってボ
トムアップ的に検出された音節境界（または音韻境界）
に基づいて、音節区間（または音韻区間）に相当する特
徴パラメータを切り出すボトムアップ境界切出部と、あ
る発声内容が既知の音声に基づく上記トップダウン境界
切出部によって切り出された音節区間（または音韻区間
）の特徴パラメータの時系列と、同一内容の発声に基づ
くボトムアップ境界切出部によって切り出された音節区
間（または音韻区間）の特徴パラメータの時系列とを比
較して両者が異なるようなボトムアップ的に切り出され
た特徴パラメータの時系列を検出し、そのボトムアップ
的に切り出された特徴パターンの時系列を誤りパターン
として誤りの種類と共に誤りパターン格納部に格納する
誤りパターン検出部と、入力音声認識時において、上記
ボトムアップ境界切出部によって切り出された発声内容
が未知の入力音声の音節区間（または音韻区間）に相当
する特徴パラメータと、上記標準パターン格納部に格納
された標準パターンおよび誤りパターン格納部に格納さ
れた誤りパターンとのマツチングをとるマツチング部と
、上記マツチング部におけるマツチングの結果、誤りパ
ターン格納部に格納された誤りパターンとのマツチング
距離が最も近い場合には、その誤りパターンに対応付け
られた誤りの種類に基づいて上記誤りパターンを補正し
、補正した後の正しい音節区間における特徴パラメータ
の時系列に対応付けられた音節（または音韻）を認識結
果として出力する認識部を備えたことを特徴としている
。

【作用】

標準パターン登録時において、発声内容が既知の音声が
入力される。そうすると、この音声に対してトップダウ
ン境界検出部によってトップダウン的に音節境界（また
は音韻境界）が検出される。 そして、この検出された音節境界（または音韻境界）に
基づいて、入力音声の特徴パラメータが音節区間（また
は音韻区間）に相当する区間にトップダウン境界切出部
によって切り出され、この切り出された音節区間（また
は音韻区間）に相当する特徴パラメータの時系列が標準
パターンとして標準パターン格納部に格納される。 さらに、上記発声内容が既知の音声と同じ発声に対して
、ボトムアップ境界検出部によってボトムアップ的に音
節境界（または音韻境界）が検出される。そして、この
検出された音節境界（または音韻境界）に基づいて、入
力音声の特徴パラメータが音節区間（または音韻区間）
に相当する区間にボトムアップ境界切出部によって切り
出される。 そうすると、誤りパターン検出部によって、上記トップ
ダウン的に切り出された音節区間（または音韻区間）に
相当する特徴パターン（標準パターン）と、同一内容の
発声に基づくボトムアップ的に切り出された音節区間（
または音韻区間）に相当する特徴パターンとが比較され
る。そして、両者が異なるようなボトムアップ的に切り
出された特徴パラメータの時系列が検出されて、そのボ
トムアップ的に切り出された特徴パラメータの時系列が
誤りパターンとして誤りの種類と共に誤りパターン格納
部に格納される。 一方、認識時においては、マツチング部において、上記
ボトムアップ境界切出部によってボトムアップ的に切り
出された音節区間（または音韻区間）に相当する特徴パ
ラメータと、上記標準パターン格納部に格納された標準
パターンおよび誤りパターン格納部に格納された誤りパ
ターンとのマツチングが取られる。その結果、誤りパタ
ーン格納部に格納された誤りパターンとのマツチング距
離が最も近い場合には、認識部によって、その誤りパタ
ーンに対応付けられた誤りの種類に基づいて上記誤りパ
ターンを補正した後の正しい音節区間（または音韻区間
）における特徴パラメータの時系列に対応付けられた音
節（または音韻）が認識結果として出力される。 したがって、認識時におけるボトムアップ的切り出しに
際してセグメンテーション誤りが発生した場合であって
も、マツチングによって誤りの種類が分かればセグメン
テーション誤りを補正でき、致命的な問題とはならない
である。

【実施例】

以下、この発明を図示の実施例により詳細に説明する。 この発明は、入力された発声内容が既知の同一発声につ
いてトップダウン的な音節境界位置検出とボトムアップ
的な音節境界位置検出との二通りの音節境界位置検出方
法によって音節を切り出して、夫々の音節境界位置検出
方法によって切り出された雨音節が異なる場合に音節誤
りのパターン（以下、音節誤りパターンと言う）を生成
して登録しておく。そして、認識時において、ボトムア
ップ的に求められた音節のセグメンテーション誤りを上
記音節誤りパターンによって補正するのである。 第１図はこの発明の音声認識装置における音節認識に係
るブロック図である。この音声認識装置は、音節標準パ
ターン登録モード時にはトップダウン的に音節境界位置
を検出して音節を切り出し、認識モード時にはボトムア
ップ的に音節境界位置を検出して音節を切り出す。 すなわぢ、音節標準パターン登録モード時においては、
入力された発声内容が既知の音声から特徴抽出部１１に
おいて抽出された特徴パラメータに基づいて、トップダ
ウン音節境界検出部１２によってトップダウン的に音節
境界位置が求められる。この場合のトップダウン的な音
節境界検出方法は、既知のいずれの方法によっても構わ
ない。 そして、求められた音節境界の位置においてトップダウ
ン音節境界切出部１３によって特徴パラメータの時系列
が切り出されて、音節区間に相当する特徴パラメータの
時系列が得られる。 こうして得られた音節区間に相当する特徴パラメータの
時系列が、音節標準パターンとして音節標準パターン格
納部１４に格納される。 一方、上述のトップダウン的に音節境界位置を求める際
に入力された上記発声内容が既知の音声と同じ発声から
、特徴抽出部１１において抽出された特徴パラメータの
変化点に基づいて、ボトムアップ音節境界検出部１５に
よってボトムアップ的に音節境界位置が求められる。こ
の場合のボトムアップ的な音節境界検出方法は、既知の
いずれの方法によってもかまわない。そして、求められ
た音節境界の位置においてボトムアップ音節境界切出部
１６によって特徴パラメータに時系列が切り出される。 そうすると、音節誤りパターン検出部１７では、上述の
トップダウン音節境界検出部１２によってトップダウン
的に検出された音節区間の特徴パラメータの時系列をト
ップダウン音節境界切出部１３から読み出す一方、ボト
ムアップ音節境界検出部１５によってボトムアップ的に
検出された音節区間の特徴パラメータの時系列をボトム
アップ音節境界切出部１６から読み出す。そして、この
読み出した両特徴パラメータの時系列が比較され、ボト
ムアップ音節境界検出部１５によってボトムアップ的に
検出された音節区間の特徴パラメータの時系列がトップ
ダウン音節境界検出部１２によってトップダウン的に検
出された音節区間の特徴パラメータの時系列と異なる場
合（すなわち、ボトムアップ的音節切出の際においてセ
グメンテーション誤りが生じた場合）にのみ、上記ボト
ムアップ的に切り出された特徴パラメータの時系列が音
節誤りパターンとして検出される。 こうして検出された音節誤りパターンはそのセグメンテ
ーション誤りの種類と共に音節誤りパターン格納部■８
に格納されるのである。 第２図は上述のセグメンテーション誤りの種類を示す。 第２図には、入力された音節例と、その音節例に対する
トップダウン的に切り出された音節位置ＴＤおよびボト
ムアップ的に切り出された音節位置ＢＵと、セグメンテ
ーション誤りの種類が記述されている。 第２図より、例えば音節例／ｍａ／が入力されてトップ
ダウン的に音節境界が検出されてＩ音節／ｍａ／が得ら
れたとする。この音節例と同じ入力音声が入力されてボ
トムアップ的に音節境界が検出された結果ｌ音節／ｍａ
／が２音節／＋＋／と／ａ／とに分離されてしまう場合
がある。このような場合における分離された前半の音節
区間におけるセグメンテーション誤りの種類は分離［ｍ
ａ前半］であり、また、分離された後半の音節区間にお
けるセグメンテーション誤りの種類は分Ｍ［ｍａ後後半
色なるのである。 次に、認識モード時においては、入力された発声内容が
未知の音声から特徴抽出ＩＩＫＩＩにおいて抽出された
特徴パラメータに基づいて、ボトムアップ音節境界検出
部１５によって音節境界位置が求められ、この音節境界
に基づいてボトムアップ音節境界切出部１６によって音
節区間に相当する特徴パラメータの時系列が切り出され
る。マツチング部１９は、切り出された音節区間に相当
する特徴パラメータの時系列と、予め音節標準パターン
格納部１４に格納された音節標準パターンあるいは音節
誤りパターン格納部Ｉ８に格納された音節誤りパターン
とのマツチングを行なう。その結果、最もマツチング距
離の近い音節標準パターンあるいは音節誤りパターンが
得られ、その音節標準パターンあるいは音節誤りパター
ンが出力結果として出力される。 そして、認識部２０は、上記パターンマツチング２１に
おいてマツチング距離が最小であると判断されたパター
ンが音節標準パターンである場合には、その音節標準パ
ターンに対応付けられた音節が音節認識結果として出力
される。また、マツチング距離が最小であると判断され
たパターンが音節誤りパターンである場合には、その音
節誤りパターンに係るセグメンテーション誤りの種類に
基づいて、音節誤りパターンを補正して正しい音節境界
位置に修正するのである。つまり、ボトムアップ音節境
界検出部１５によって音節に切り出された際におけるセ
グメンテーション誤りは、後のマツチングによって回復
されるのである。 第３図は認識部２０に人力されるセグメンテーション誤
りの内容とそれに対応する認識部２０からの出力内容で
ある。第３図において、認識部２０に入力された音節誤
りパターンが／ｓｉｎ／であり、対応するセグメンテー
ション誤りの種類が“併合［Ｓｉ、ｎ］”である場合に
は、認識部２０は音節誤りパターン／ｓｉｎ／を補正し
て音節／ｓｉ／と音節／ｎ／とに分割して出力するので
ある。このように、ボトムアップ的に音節を切り出す際
にセグメンテーション誤りが発生しても、後に行われる
マツチングの結果に基づいて回復の可能性があるので致
命的な問題とはならないのである。 このように、本実施例においては、音節標準パターン登
録モード時において、入力された発声内容の既知の音声
からトップダウン的に音節境界位置を検出すると共に、
同じ発声からボトムアップ的に音節境界位置を検出する
。そして、トップダウン的に切り出した音声特徴パター
ンを音節標準パターンとして音節標準パーン格納部１４
に格納する。一方、同一発声に係るボトムアップ的に切
り出された音節区間の特徴パターンの内容が音節標準バ
ーンの内容と異なることが音節誤りパターン検出部１７
によって検出された場合には、そのボトムアップ的に切
り出された音節区間の特徴パラメータの時系列を音節誤
りパターンとしてセグメンテ−ジョン誤りの種類と共に
音節誤りパターン格納部１８に格納される。 そして、認識時においては、マツチング部１９は、ボト
ムアップ音節境界検出部」５によってボトムアップ的に
検出された音節区間に相当する特徴パラメータの時系列
と音節標準パーン格納部１４に格納された音節標準バー
ンあるいは音節誤りパターン格納部１８に格納された音
節誤りパターンとのパターンマツチングを行なう。そし
て、パターンマツチング距離が最小のパターンが音節誤
りパターンである場合には、セグメンテーション誤りの
種類に基づいて音節誤りパターンを補正し、その補正後
の音節区間に相当する特徴パラメータの時系列に対応付
けられた文節を認識結果として出力するようにしている
。 したがって、認識時のおいて、ボトムアップ音節境界検
出部１５によってボトムアップ的に検出された音節区間
におけるセグメンテーション誤りを、後のマツチング部
１９によるパターンマツチングによって回復できる可能
性があり、致命的な問題とはならないのである。また、
セグメンテーション誤りを減少できるのである。 この発明におけるセグメント誤りの種類は、本実施例に
おける第２図あるいは第３図に示したセグメント誤りの
種類に限定されるものではない。 また、上記実施例においては音節認識結果に基づいて入
力音声を認識するようにしているが、音韻認識結果に基
づいて入力音声を認識するようにしてもよい。

【発明の効果】

以上より明らかなように、この発明の音声認識装置は、
標準パターン登録時には、トップダウン境界検出部およ
びトップダウン境界切出部によってトップダウン的に音
節区間（または音韻区間）を切り出して標準パターンと
して標準パターン格納部に格納する。また、同じ発声に
対してボトムアップ境界検出部およびボトムアップ境界
切出部によってボトムアップ的に音節区間（または音韻
区間）を切り出して、上記標準パターンと異なるボトム
アップ的に切り出された音節区間（または音韻区間）の
特徴パターンがあれば、そのボトムアップ的に切り出さ
れた音節区間（または音韻区間）の特徴パターンを誤り
パターンとして誤りパターン格納部に格納する。 一方、認識時においては、マツチングの結果、入力音声
からボトムアップ的に切り出された音節区間（または音
韻区間）の特徴パターンと上記誤りパターンとのマツチ
ング距離が最短である場合には、上記誤りパターンを対
応する音節の種類に基づいて補正し、補正後の正しい音
節区間（または音韻区間）における特徴パラメータの時
系列に対応付けられている音節（または音韻）を認識結
果として出力するようにしたので、認識時おけるボトム
アップ的な境界位置検出によって発生するセグメンテー
ション誤りをマツチングによっである程度回復できる。 したがって、この発明によれば、ボトムアップ的な境界
位置検出の際に生ずるセグメンテーション誤りが致命的
な問題になることがないのである。

【図面の簡単な説明】

第１図はこの発明の音声認識装置における一実施例のブ
ロック図、第２図はセグメンテーション誤りの種類の一
例を示す図、第３図は認識部に入力されるセグメンテー
ション誤りの一例とそれに対する出力内容を示す図、第
４図は従来の音声認識装置のブロック図である。 １１・・・特徴抽出部、 １２・・・トップダウン音節境界検出部、１３・・・ト
ップダウン音節境界切出部、１４・・・音節標準パター
ン格納部、 １５・・・ボトムアップ音節境界検出部、１６・・・ボ
トムアップ音節境界切出部、１７・・・音節誤りパター
ン検出部、 １８・・・音節誤りパターン格納部、 １９・・・マツチング部、　　　　　２０・・・認識部
。

Claims (1)

【特許請求の範囲】
1. （１）入力音声の音節区間または音韻区間を切り出し、
   予め登録されている標準パターンとのマッチングをおこ
   なって入力された音声を認識する音声認識装置において
   、 標準パターン登録時において、発声内容が既知の入力音
   声に対してトップダウン的に音節境界または音韻境界を
   検出するトップダウン境界検出部と、 上記トップダウン境界検出部によってトップダウン的に
   検出された音節境界または音韻境界に基づいて、上記入
   力音声の特徴パラメータを音節区間または音韻区間に相
   当する区間に切り出し、この切り出した音節区間または
   音韻区間に相当する特徴パラメータを標準パターンとし
   て標準パターン格納部に格納するトップダウン境界切出
   部と、上記発声内容が既知の入力音声と同じ発声に対し
   てボトムアップ的に音節境界または音韻境界を検出する
   ボトムアップ境界検出部と、 上記ボトムアップ境界検出部によってボトムアップ的に
   検出された音節境界または音韻境界に基づいて、音節区
   間または音韻区間に相当する特徴パラメータを切り出す
   ボトムアップ境界切出部と、ある発声内容が既知の音声
   に基づく上記トップダウン境界切出部によって切り出さ
   れた音節区間または音韻区間の特徴パラメータの時系列
   と、同一内容の発声に基づくボトムアップ境界切出部に
   よって切り出された音節区間または音韻区間の特徴パラ
   メータの時系列とを比較して両者が異なるようなボトム
   アップ的に切り出された特徴パラメータの時系列を検出
   し、そのボトムアップ的に切り出された特徴パターンの
   時系列を誤りパターンとして誤りの種類と共に誤りパタ
   ーン格納部に格納する誤りパターン検出部と、 入力音声認識時において、上記ボトムアップ境界切出部
   によって切り出された発声内容が未知の入力音声の音節
   区間または音韻区間に相当する特徴パラメータと、上記
   標準パターン格納部に格納された標準パターンおよび誤
   りパターン格納部に格納された誤りパターンとのマッチ
   ングをとるマッチング部と、 上記マッチング部におけるマッチングの結果、誤りパタ
   ーン格納部に格納された誤りパターンとのマッチング距
   離が最も近い場合には、その誤りパターンに対応付けら
   れた誤りの種類に基づいて上記誤りパターンを補正し、
   補正した後の正しい音節区間における特徴パラメータの
   時系列に対応付けられた音節または音韻を認識結果とし
   て出力する認識部を備えたことを特徴とする音声認識装
   置。