JPH04248596A - 音声認識訂正装置 - 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】

【０００１】

【産業上の利用分野】音声認識装置に係わる。

【０００２】

【従来の技術】従来の音声認識訂正装置について図９を
用いて説明する。

【０００３】従来の音声認識訂正装置では、音響分析部
１において入力された音声の分析を行い、特徴を出力す
る。音響分析部１からの出力に基づいて、音声認識部２
において入力音声の認識を行う。音声認識部２にて認識
された結果は操作者が確認できるように出力される。入
力音声を分析した特徴抽出の結果は、記憶部３に記憶さ
れる。音声認識結果に変更を施す必要がない場合には次
音声入力の操作に移行する。しかし、音声認識結果を変
更したい場合には、カーソル指示部４を操作し変更する
部分の先頭部と、同じく変更部分の終了部にカーソルを
移動させてマークし変更部分を指定する。従来の音声認
識訂正装置では、操作者がカーソル指示部４を操作して
、誤認識等により変更する必要がある部分を指示するの
である。カーソル指示部４の操作によって指示された部
分を変更するため、操作者は変更部５において、キー入
力装置を用いて変更したり、音声認識結果の候補がいく
つか表示されているような場合にはその中から候補を選
ぶ等の方法によって音声認識結果を変更する。

【０００４】

【発明が解決しようとする課題】音声による入力は、キ
ー入力操作をすることなくデータ入力を行うことができ
、キー入力装置のキー配置位置、キー操作方法等を知る
必要がなく、誰でもが簡便に使用できる入力方法である
。しかし、音声入力方法は、キー操作による入力方法と
異なり、操作者が正確に入力をしても入力データが正確
に認識される確率はやや低くなる傾向がある。そこで、
音響学会誌中の文章を構成する単語について、１単語を
構成している音素の数を調べたところ、１単語当りの平
均音素数は約９音素であった。ここで、音素認識率が９
５％以上である音声認識装置を用いても、１単語中に１
文字の認識誤りは予想される。また、音素認識率が９８
％以上である音声認識装置を考えた場合でも、１単語中
に１文字の認識誤りが発生することは、そう稀なことで
はないと考えられる。また、同じく音響学会誌中文章に
ついて、１文を構成している音素数を調べたところ、１
文当りの平均音素数は約４７音素であった。ここで、音
素認識率が９５％以上である音声認識装置を用いても、
１文中に２〜３音素の認識誤りは避けられないことにな
る。また、音素認識率が９８％以上である音声認識装置
を考えた場合でも、一文の中に１音素の認識誤りが発生
することは充分に考えられる。以上の事実からみても、
入力された音声の認識結果を変更する必要が生じるのは
、そう稀なことではないことが分かる。音声認識装置を
考えた場合には、音声認識訂正装置の役割はきわめて大
きいと思われる。また、音声認識の誤りを正す場合だけ
ではなく、入力データの一部を変更したい場合にも音声
認識訂正装置が用いられる。

【０００５】音声認識結果に変更を加える必要が生じた
場合には、まず変更部分を正しく指定することが重要で
ある。しかし、前述の従来技術を用いた音声認識訂正装
置では、操作者は自ら図９カーソル指示部４を操作し認
識誤りや変更が発生した区間の指定をしなければならな
い。このようなキー入力装置を用いたカーソル操作を頻
繁にしなければならないことは、操作者にとって非常に
負担である。このような視線が頻繁に移動する作業は、
操作者の視神経を非常に疲労させ作業効率を低下させる
ばかりか、視力の著しい低下を招く恐れがある。また、
音声による入力という優れた入力方法を用いておきなが
ら、変更部分の指定を手動でカーソルを移動することに
よってする従来技術では、音声認識装置の特徴である「
誰にでも操作が簡便に出来る。」、「キー入力やその他
の方法に比べ、データ入力スピードが速い。」という利
点を充分に発揮することが出来ないのである。つまり、
データ入力操作は速やかに行えたとしても、従来技術を
用いた音声認識訂正装置は、誰でもが簡単に迅速に変更
操作を行うことは非常に困難である。このように従来技
術を用いた音声認識訂正装置では、変更操作に非常に時
間がかかり、極めて作業効率が悪いのである。従来技術
には、以上述べてきたような問題点があった。

【０００６】

【課題を解決するための手段】本発明の音声認識訂正装
置は、入力された第１の音声の特徴を出力する音響分析
部と、前記音響分析部の出力を符号列に変換する音声認
識部と、前記音響分析部の出力を記憶する記憶部と、入
力された第２の音声を前記記憶部内のデータと対比して
前記記憶部内のデータから、前記第２の音声に該当する
部分を検出する音声スポッティング部と、前記符号列の
うち前記該当する部分に対応する部分を変更する変更部
とからなることを特徴とする。

【０００７】

【実施例】以下、本発明について実施例に基づいて詳細
に説明する。

【０００８】（実施例１）図１は本発明の音声認識訂正
装置の原理ブロック図、図２は本発明の一実施例である
単語毎に区切って発声した音声認識訂正装置のブロック
図である。単語毎に区切って発声された第１の音声は、
図１音響分析部１１の構成要素であるマイク、高域強調
フィルタ、ＡＤ変換器より構成される図２音声入力部２
１によって８ＫＨｚ、１２ｂｉｔｓのデジタル信号とし
てサンプリングされる。さらに同じく図１音響分析部１
１の構成要素である図２特徴抽出回路２２において、デ
ジタル信号に変換された音声信号を１６ｍｓ区間を１フ
レームとして１フレーム毎に周波数変換し、周波数領域
での特徴パラメータを抽出し、発声された単語の特徴パ
ラメータ列として表される。図２特徴抽出回路２２で抽
出された発声単語の特徴パラメータ列は、図２特徴パラ
メータ列記憶回路２７に記憶される。図２特徴パラメー
タ列記憶回路２７は図１記憶部１３を構成している。

【０００９】図１音響分析部１１で抽出された第１の音
声の特徴パラメータ列は、図１音声認識部１２を構成す
る図２ＤＰマッチング回路２３において、図２音素記憶
辞書２４と発声された音声の特徴パラメータ列とがマッ
チングされる。図２このＤＰマッチング回路２３におい
て認識判定された音素ラティスは、図２音素ラティス記
憶回路３２に記憶され、図２表示部制御回路２５の制御
によって図２表示部２６に表示される。図２表示部２６
に表示された音声認識結果に誤りがあった場合、または
変更したい部分が生じた場合には、操作者は訂正キーに
触れる等の行為によって認識結果変更の必要を知らせる
。次に入力された第２の音声である音素は、第１の音声
と同様に、図２音声入力部２１、図２特徴抽出回路２２
を経て特徴パラメータ列に変換される。変更部分として
入力された第２の音声の特徴パラメータ列は、図２ＤＰ
マッチング回路２９において図２特徴パラメータ列記憶
回路２７に記憶されている第１の音声入力の特徴パラメ
ータ列とＤＰマッチングされる。誤って認識されてしま
った音素、または変更を施す必要のある音素を第２の音
声として入力することによって、音声認識結果の変更部
分を確実にスポッティングしているのである。図２ＤＰ
マッチング回路２９は図１音声スポッティング部１４を
構成する。図２音素ラティス記憶回路３２の中に変更し
たい候補が存在していれば、確定キー制御回路３１に制
御されている確定キーを操作して、正しい結果を確定し
、図２音素ラティス入れ替え回路３０によって、誤った
部分、或は変更したい部分を希望する結果に入れ換える
。第二、第三の候補の中に希望する音素が存在しなけれ
ば、改めて音声の入力を行い、最初に音声を入力した際
と同様な経路をにて音声認識を行う。図２音素ラティス
入れ替え回路３０、図２確定キー制御回路３１は図１変
更部１５を構成する。

【００１０】本発明について実施例に基づいて、図３、
図４を用いてさらに説明する。

【００１１】図３は本発明の音声認識訂正装置の一実施
例である単語毎に区切って発生した音声認識訂正装置を
構成する図２音素ラティス記憶回路３２における音素ラ
ティス構造を示す図である。

【００１２】単語毎に区切って発生された音声を認識す
る音声認識訂正装置において、操作者が「電子計算機」
という単語を第１の音声として入力したと仮定する。こ
の入力を受けた際の図２音素ラティス記憶回路３２に記
憶された音素ラティスは図３に示した通り、「で」の音
素ラティス構造は第一候補は「で」、第二候補は「て」
である。「ん」の音素ラティス構造は第一候補は「ん」
、第二候補は「む」、第三候補は「う」である。 「し」の音素ラティス構造は第一候補が「ち」、第二候
補は「し」である。「け」の音素ラティス構造は第一候
補が「け」、第二候補、第三候補はない。「い」の音素
ラティス構造は第一候補が「い」、第二候補は「ひ」、
第三候補は「し」である。「さ」の音素ラティス構造は
第一候補が「さ」、第二候補が「は」、第三候補が「あ
」である。「ん」の音素ラティス構造は第一候補が「ん
」、第二候補は「む」である。「き」の音素ラティス構
造は第一候補が「き」、第二候補、第三候補はない。よ
って、各音素認識結果の第一候補をつなげると、認識結
果は「でんちけいさんき」である。この場合、入力音声
は「でんきけいさんき」であるから、三番目の文字「き
」が「ち」と誤認識されてしまったことになる。 操作者は音声認識結果に変更の必要があることを、訂正
キーを用いて知らせる。図２訂正キー制御回路２８は音
声認識結果に誤りがあったことを認識し、直ちに第２の
音声として変更音素の入力を求める。

【００１３】図４は本発明の音声認識訂正装置の一実施
例である単語毎に区切って発生した音声を認識する音声
認識訂正装置を構成する図１音素スポッティング部１４
の処理を説明する図である。

【００１４】操作者は誤って認識されてしまった音素そ
のもの、ここでは「ち」を第２の音声として入力する。 これは、変更部分をカーソルなどで指定せずにスポッテ
ィングするためである。入力された「ち」は、図２音声
入力部２１、図２特徴抽出部２２を経て特徴パラメータ
に変換され、図２ＤＰマッチング回路２９において図２
特徴パラメータ記憶回路２７に記憶されている特徴パラ
メータ列とＤＰマッチングされ、変更音素としてスポッ
ティングされる。図４には特徴パラメータ列として、第
１の音声パワーと第２の音声「ち」の音声パワーを示し
ている。ここに示したように、一度認識した音素「ち」
をスポッティングすることはそれほど困難なことではな
い。このようにして、誤認識部分「ち」が変更必要な音
素として検出される。幸い第二候補に正しい音素「き」
が存在するので、確定キーを用いて確定し、図２確定キ
ー制御回路３１、図２音素ラティス入れ替え回路３０に
より、認識結果を訂正する。以上の操作によって認識結
果の訂正を終了し、「でんしけいさんき（電子計算機）
」を得ることができる。

【００１５】図８、図２、図３、図４を参照しながら本
発明の一実施例である（実施例１）の処理過程を詳細に
説明する。図８は本発明の一実施例である単語毎に区切
って発生された音声を認識する音声認識訂正装置の処理
例を示したフローチャートである。

【００１６】まず、操作者によって第１の音声が入力さ
れる。音声データの入力に係わるのは図２音声入力部２
１である。入力された音声は直ちに図２特徴抽出回路２
２において、分析、特徴抽出される。抽出された特徴は
、図２特徴パラメータ列記憶回路２７に記憶される。 特徴抽出することによって得られたなんらかの形態の特
徴パラメータ列は、図２音素記憶辞書２４に記述されて
いる音素の標準パラメータ列とＤＰマッチングされる。 このＤＰマッチングに係わるのは、図２ＤＰマッチング
回路２３である。また、このとき標準パタンとして用い
られる特徴パラメータ列は、図２音素記憶辞書２４のも
のである。ＤＰマッチングされた結果に基づいて認識判
定され、音声認識結果が表示される。この表示に係わる
のは図２表示制御部２５、および図２表示部２６である
。表示された音声認識結果の例としては、図３、図４に
示してあるとおりである。表示された音声認識結果に誤
りや変更の必要が生じた場合には、訂正キーを用いて変
更の必要があることを伝える。ここで用いられる訂正キ
ーは、図２訂正キー制御回路２８によって制御されてい
るものである。変更の必要があった場合には、直ちに変
更部分を検出する必要がある。音声認識結果の中から、
変更部分をスポッティングするために第２の音声として
変更部分そのものを音声により入力する。第２の音声と
して入力された変更部分は直ちに特徴抽出され特徴パラ
メータ列となり、図２ＤＰマッチング回路２９において
、図２特徴パラメータ列記憶回路２７に記憶されている
第１の音声の特徴パラメータとＤＰマッチングされる。 ＤＰマッチングの結果により変更部分のスポッティング
が行われる。そのようすは図４に示すとおりである。こ
こまでの処理により変更部分が明らかになった。 ここで、操作者は音素ラティスの中に希望の認識結果を
認めたならば、その音素ラティスを正しい音声認識結果
として確定する。音素ラティス入れ替えと確定の処理に
係わるのは、図２音素ラティス入れ替え回路３０と図２
確定キー制御回路３１である。しかし、もしも音素ラテ
ィス中に正しい音声認識結果が存在しなかった場合には
、新たに最初の音声入力から始めることになる。

【００１７】（実施例２）図５は本発明の一実施例であ
る単語毎に区切らずに連続して発声した音声を認識する
連続音声認識訂正装置のブロック図である。

【００１８】第１の音声として入力された音声は、図１
音響分析部１１の構成要素であるマイク、高域強調フィ
ルタ、ＡＤ変換器より構成される図５音声入力部４１に
よって８ＫＨｚ、１２ｂｉｔｓのデジタル信号としてサ
ンプリングされる。更に同じく図１音響分析部１１の構
成要素である図５特徴抽出回路４２において、デジタル
信号に変換された音声信号を１６ｍｓ区間を１フレーム
として１フレーム毎に周波数変換し、周波数領域での特
徴パラメータを抽出し、発声された単語の特徴パラメー
タ列として表される。図５特徴抽出回路４２で抽出され
た入力音声の特徴パラメータ列は、図５特徴パラメータ
列記憶回路４７に記憶される。図５特徴パラメータ列記
憶回路４７は図１記憶部１３を構成している。

【００１９】図１音響分析部１１で抽出された第１の音
声の特徴パラメータ列は、図１音声認識部１２を構成す
る図５連続ＤＰマッチング回路４３において、図５単語
記憶辞書４４と第１の音声として発声された音声の特徴
パラメータ列とがマッチングされる。この図５連続ＤＰ
マッチング回路４３において認識判定された単語ラティ
スは、図５単語ラティス記憶回路５２に記憶され、図５
音声合成回路５３によって音声として合成され、図５音
声出力制御回路５４の制御によりスピーカーから出力さ
れる。音声出力された第１の音声の認識結果に誤りがあ
った場合、または変更したい部分が生じた場合には、操
作者は訂正キーに触れる等の行為によって認識結果変更
の必要を知らせる。第２の音声として入力された単語は
、第１の音声と同様に、図５音声入力部４１、図５特徴
抽出回路４２を経て特徴パラメータ列に変換される。 変更が必要な部分として入力された第２の音声の特徴パ
ラメータ列は、図５連続ＤＰマッチング回路４９におい
て図５特徴パラメータ列記憶回路４７に記憶されている
第１の音声の特徴パラメータ列と連続ＤＰマッチングさ
れる。誤って認識されてしまった部分や、変更を施す部
分を第２の音声として入力することによって、音声認識
結果の変更部分を確実にスポッティングしているのであ
る。図５連続ＤＰマッチング回路４９は図１音声スポッ
ティング部１４を構成する。図５単語ラティス記憶回路
５２の中に変更したい単語が存在していれば、図５確定
キー制御回路５１に制御されている確定キーを操作して
、希望する単語を確定し、図５単語ラティス入れ替え回
路５０によって、誤った部分、或は変更したい部分を希
望の結果に入れ換える。第二、第三の候補の中に変更を
希望する単語が存在しなければ、改めて音声の入力を行
い、第１の音声を入力した際と同様な経路をにて音声認
識を行う。図５単語ラティス入れ替え回路５０、図５確
定キー制御回路５１は図１変更部１５を構成する。

【００２０】本発明について、本発明の（実施例２）に
基づいて、図６、図７を用いて更に説明する。

【００２１】図６は本発明の音声認識訂正装置の一実施
例である単語毎に区切らずに発生した音声を認識する認
識訂正装置を構成する図５単語ラティス記憶回路５２に
おける単語ラティス構造を示す図である。

【００２２】操作者が第１の音声として「今日の天気は
晴れです。」という文章を入力したと仮定する。この入
力を受けた際の図５単語ラティス記憶回路５２における
単語ラティス構造は図６に示したとおり、「今日」の単
語ラティス構造は第一候補「今日」、第二候補第三候補
はない。「の」の単語ラティス構造は第一候補「の」、
第二候補「も」である。「天気」の単語ラティス構造は
第一候補「天気」、第二候補「天使」である。また、「
は」の単語ラティス構造は第一候補「は」、第二候補「
あ」である。また、「晴れ」の単語ラティス構造は、第
一候補「針」、第二候補「晴れ」、第三候補「橋」であ
る。同様に「です」についての単語ラティス構造は、第
一候補「です」、第二候補「でぶ」である。この場合、
「晴れ」が「針」に誤認識されてしまったことになる。 音声認識結果は図５音声構成回路５３により音声合成さ
れ、図５音声出力制御回路５４の制御によりスピーカー
から出力される。操作者は音声によって伝えられる「今
日の天気は針です。」という音声認識結果を聞き、音声
認識結果に変更の必要があることを知り、訂正キーを用
いて知らせる。図５訂正キー制御回路４８は音声認識結
果に変更の必要があることを認識し、直ちに第２の音声
として変更部分の入力を求める体制を整える。

【００２３】図７は本発明の音声認識訂正装置の一実施
例である（実施例２）に基づき、単語毎に区切らずに発
生した音声を認識する音声認識訂正装置を構成する図１
音素スポッティング部１４の処理を説明する図である。

【００２４】操作者は誤って認識されてしまった単語そ
のもの、「針」を第２の音声として入力する。これは、
変更部分をスポッティングするためである。入力された
第２の音声「針」は図５音声入力部４１、図５特徴抽出
部４２を経て特徴パラメータ列に変換され、図５連続Ｄ
Ｐマッチング回路４９において図５特徴パラメータ記憶
回路４７に記憶されている第１の音声の特徴パラメータ
列と連続ＤＰマッチングされ、変更部分としてスポッテ
ィングされる。図７には、特徴パラメータ列として、第
１の入力の音声パワーと第２の入力音声である「針」の
音声パワーを示している。ここで示したように、一度入
力された単語「針」をスポッティングすることは、そう
困難なことではない。このようにして、誤認識部分「針
」が変更必要な部分として検出され、幸い第二候補に正
しい単語「晴れ」が存在するので、確定キーを用いて図
５単語ラティス入れ替え回路５０の制御によって、第二
候補「晴れ」を選択し、認識結果を確定する。以上の操
作によって、誤認識結果の訂正操作を終了し、正しい文
認識結果「今日の天気は晴れです。」を得ることが出来
る。

【００２５】尚、（実施例１）、（実施例２）では音声
入力部として、マイク、高域強調フィルタ、ＡＤ変換器
より構成し、８ＫＨｚ、１２ｂｉｔｓのデジタル信号と
してサンプリングしたものを用いたが、迅速に入力音声
をサンプリングできるものであれば、それ以外の構成で
あってもかまわない。また、特徴抽出回路では、デジタ
ル信号に変換された音声信号を１６ｍｓ区間を１フレー
ムとして、１フレーム毎に周波数変換し、周波数領域で
の特徴パラメータを抽出し、発声された単語の特徴パラ
メータ列として表す方法を用いたが、これ以外の方法で
あっても特徴を的確に抽出できる方法であればかまわな
い。また、音声認識結果を操作者に知らせる手段として
、（実施例１）では表示部に音声認識結果を表示する方
法を用いた。また、（実施例２）では音声認識結果を音
声合成により生成し、合成音声として出力し操作者に知
らせる方法を用いたが、これら以外の方法であっても、
音声認識結果を迅速に操作者に知らせることが出来る方
法であれば構わない。

【００２６】

【発明の効果】以上述べてきたように本発明の音声認識
訂正装置は、入力された音声認識結果の変更にあたって
、カーソルを移動して変更部分の指定をする必要がなく
、音声により変更部分を再入力することによって、極め
て速やかに変更部分の指定を行い変更することが出来る
。そのため、雑音等による音声認識装置の使用環境の悪
化や、音声認識装置に入力を行う操作者の体調等により
、音声認識結果に頻繁に誤認識が生じ得るような場合に
も、音声認識訂正のための特別な操作や知識を必要とせ
ず、音声入力操作と同様な操作で訂正が可能となり、操
作者への負担が軽減され作業効率も著しく改善された。

【図面の簡単な説明】

【図１】本発明の音声認識訂正装置の原理ブロック図で
ある。

【図２】本発明の一実施例のブロック図である。

【図３】本発明の一実施例の音素ラティス記憶回路にお
ける音素ラティス構造を示す図である。

【図４】本発明の一実施例の変更処理を説明する図であ
る。

【図５】本発明の一実施例のブロック図である。

【図６】本発明の一実施例の単語ラティス記憶回路にお
ける単語ラティス構造を示す図である。

【図７】本発明の一実施例の変更処理を説明する図であ
る。

【図８】本発明の一実施例の処理を説明する図である。

【図９】従来の音声認識訂正装置のブロック図である。

【符号の説明】

１　　音響分析部 ２　　音声認識部 ３　　記憶部 ４　　カーソル指示部 ５　　変更部 １１　　音響分析部 １２　　音声認識部 １３　　記憶部 １４　　音声スポッティング部 １５　　変更部 ２１　　音声入力部 ２２　　特徴抽出回路 ２３　　ＤＰマッチング回路 ２４　　音素記憶辞書 ２５　　表示部制御回路 ２６　　表示部 ２７　　特徴パラメータ列記憶回路 ２８　　訂正キー制御回路 ２９　　ＤＰマッチング回路 ３０　　音素ラティス入れ替え回路 ３１　　確定キー制御回路 ３２　　音素ラティス記憶回路 ４１　　音声入力部 ４２　　特徴抽回路 ４３　　連続ＤＰマッチング回路 ４４　　単語記憶辞書 ４７　　特徴パラメータ列記憶回路 ４８　　訂正キー制御回路 ４９　　連続ＤＰマッチング回路 ５０　　単語ラティス入れ替え回路 ５１　　確定キー制御回路 ５２　　単語ラティス記憶回路 ５３　　音声合成回路 ５４　　音声出力制御回路

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　入力された第１の音声の特徴を出力す
   る音響分析部と、前記音響分析部の出力を符号列に変換
   する音声認識部と、前記音響分析部の出力を記憶する記
   憶部と、入力された第２の音声を前記記憶部内のデータ
   と対比して前記記憶部内のデータから、前記第２の音声
   に該当する部分を検出する音声スポッティング部と、前
   記符号列のうち前記該当する部分に対応する部分を変更
   する変更部とからなることを特徴とする音声認識訂正装
   置。