JPH04291399A - 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】

【０００１】

【産業上の利用分野】この発明は、標準パターン（例え
ば隠れマルコフモデル）（例えば、中川聖一「確率モデ
ルによる音声認識」電子情報通信学会編（１９８８））
と統計的言語モデル（例えば、Ｂａｈｌ，　　Ｌ．他“
Ａ　　Ｓｔａｔｉｓｔｉｃａｌ　　Ａｐｐｒｏａｃｈ　
　ｔｏ　　Ｃｏｎｔｉｎｕｏｕｓ　　Ｓｐｅｅｃｈ　　
Ｒｅｃｏｇｎｉｔｉｏｎ”ＩＥＥＥ　　Ｔｒａｎｓ．　
　ｏｎ　　ＰＡＭＩ（１９８３））と統計モデルの適応
化方法（例えば、松永他「音節連鎖情報のタスク適応化
」情報処理学会講演論文集（１９９１））を用いた日本
語音声認識方法に関する。

【０００２】

【従来の技術】従来の隠れマルコフモデルと、統計的言
語モデルとを用いた音声認識方法として、学習用テキス
トデータベースより、音節や単語の生起順序に関する統
計的言語モデルと、隠れマルコフモデルの音節や単語の
標準パタンとを予め作成しておき、入力音声に対し、ま
ず統計的言語モデルを用いて、既に認識した直前の複数
の音節や単語から、次に生起する確率の高い複数の音節
や単語候補を選出し、これら選出した音節や単語候補の
それぞれについてその音節や単語の標準パタンと入力音
声とを照合して、生起尤度と標準パターンとの類似尤度
との和を総合的尤度とし、これが最も高い音節や単語候
補を認識結果として出力することが提案されている。

【０００３】しかし、この認識方法は統計的言語モデル
が、認識タスク（発声内容）に類似した大規模なもので
なければならなかった。例えば、統計的言語モデルが新
聞の社説の大規模なデータベースから作成されたもので
あれば、社説の内容の発声に対して有効であるが、例え
ば電話会議登録などの異なる認識タスクに対しては有効
性が低かった。つまり、異なるタスクを認識させる場合
にはそれに応じた大規模なテキストデータを作成しなけ
ればならなかった。

【０００４】

【課題を解決するための手段】この発明によれば、予め
与えられた汎用的なテキストデータベースの統計的言語
モデルを、予め得た少量の学習用テキストから得た統計
量に適応化させることにより、適応型統計的言語モデル
を作成する。この、適応型統計的言語モデルを用いて複
数の音声認識候補を選出して認識することにより、従来
技術に対して認識性能を上昇させる。

【０００５】統計的言語モデルの適応化の手法としては
、例えば削除補間法（Ｆ．Ｊｅｌｉｎｅｋ他「Ｉｎｔｅ
ｒｐｏｒａｔｅｄ　　ｅｓｔｉｍａｔｉｏｎ　　ｏｆＭ
ａｒｋｏｖ　　ｓｏｕｒｃｅ　　ｐａｒａｍｅｔｅｒｓ
　　ｆｒｏｍ　　ｓｐｅｅｃｈｄａｔａ」Ｐａｔｔｅｒ
ｎ　　Ｒｅｃｏｇｎｉｔｉｏｎ　　ｉｎ　　Ｐｒａｃｔ
ｉｃｅ（１９８０））を用いる。具体的には、汎用的な
統計的言語モデルをＰで表し、学習データの言語モデル
をＱで示すと、適応型統計的言語モデルＲは Ｒ＝λ×Ｐ＋（１−λ）×Ｑ で表す。ここで、λは言語モデルＰとＱの混合の割合を
示す比率であり、０≦λ≦１の値である。学習データの
言語モデルＱは、発声するタスクと類似しているため、
言語モデルＱに対して適応型統計的言語モデルＲの期待
値が最大となるようにλを定め、ＰとＱとを混合するこ
とで適応化を行う。

【０００６】

【実施例】図１にこの発明の実施例を示す。入力端子１
から入力された音声は、特徴抽出部２においてディジタ
ル信号に変換され、更にＬＰＣケプストラム分析された
後、１フレーム（例えば１０ミリ秒）ごとに特徴パラメ
ータに変換される。この特徴パラメータは例えばＬＰＣ
ケプストラム係数である。

【０００７】予め、学習用音声データベースより、上記
特徴パラメータと同一形式で、音節あるいは単語の標準
パターンを作り、標準パターンメモリ４に記憶しておく
。また、汎用的な統計的言語モデル５は汎用的なテキス
トデータベースより作成された生起順序に関するもので
あり、この言語モデル５は学習用言語モデル６を用いて
、適応型統計的言語モデル７に適応化される。学習用言
語モデル６は発声内容に類似したテキストデータから作
成したモデルである。

【０００８】音声認識部３では、適応型統計的言語モデ
ル７を用いて選出した複数の音節や単語の候補について
、その候補の標準パターンを標準パターンメモリ４から
読みだし、入力音声のパラメータとの類似度（尤度）を
それぞれ求める。つまり例えば入力音声のｉ番目のユニ
ット（音節や単語）を認識するには、適応型統計的言語
モデルからユニットの出現順序に関するトライグラムを
用いて、（ｉ−２）番目と（ｉ−１）番目との各ユニッ
トの認識結果を基に、ｉ番目に出現されると予測される
尤度が高い複数のユニットを候補ユニットｋ１〜ｋｎと
して選出する（図２）。これら選出された各候補ユニッ
トｋ１〜ｋｎの標準パターンと入力音声との尤度（類似
度）をそれぞれ求め、その各候補ユニットｋ１〜ｋｎが
ｉ番目に出現する尤度と、その標準パターンとの類似性
を示す尤度との和を各候補ユニットの総合尤度とし、こ
れら総合尤度のうち最も高い候補ユニット、例えばｋ２
をｉ番目の認識結果として認識結果出力部８へ出力する
。

【０００９】このユニット候補の選出と、それらについ
ての標準パターンと入力音声との照合と、その総合尤度
から認識結果ユニットを得る操作とを音声区間が終わる
まで繰り返し、最後に、それまで得られた認識結果ユニ
ットを、その順に入力音声の認識結果の系列として出力
する。なお、特徴抽出部２、認識部３、認識結果出力部
８、汎用的な統計的言語モデル５の適応化（適応型統計
的言語モデルの作成）操作はそれぞれ専用、または兼用
のマイクロプロセッサにより処理することができる。

【００１０】

【発明の効果】以上述べたように、この発明によれば、
ユニット（音節や単語）の出現順序に関する適応型の統
計的言語モデルを用いるため、従来の汎用的な言語モデ
ルを用いる場合よりも高い認識性能が予期される。会議
登録に関する発声タスク２７９文節に対してパープレキ
シティー（ｐｅｒｐｌｅｘｉｔｙ）による評価を行った
。パープレキシティーとは、発声タスクを認識する過程
で言語モデルによって、予測される平均音節数とみなせ
る。そのため、パープレキシティーが低くなると認識率
が向上し、より良い認識方法となる。例えば、雑誌記事
、論説文及び新聞の計１１５０００音節より作成した汎
用的な統計的言語モデルを用いると、タスクのパープレ
キシティーは２４．５であった。また、５０文節に対す
る文節認識率は３８％であった。

【００１１】これに対して、この発明方法を用い、発声
内容に類似した会議登録に関する４４７音節で適応化し
た適応型統計的言語モデルを用いると、適応化の効果に
よりタスクのパープレキシティーは１８．６へ減少した
。また、５０文節に対する文節認識率も５０％に向上し
た。なお、この発明は上記実施例に限るわけではない。 たとえば、統計的言語モデルや認識標準パターンのユニ
ットは音節や単語だけでなく、音素やかな、漢字などの
文字単位であってもよい。認識手法は隠れマルコフモデ
ルに限らず、ＤＰマッチングを用いても良い。統計的言
語モデルもトライグラムに限らず、バイグラムやユニグ
ラムの統計量でも良い。また、学習テキストを発声内容
に類似したテキストを選んで適応化を行ったが、発声内
容と同じ著者のテキストに対して適応化してもよい。更
に、適応化の方法も削除補間法に限るわけではなく、こ
の発明の主旨を変えずに変更することもできる。

【図面の簡単な説明】

【図１】この発明の実施例を示すブロック図。

【図２】ｉ番目の認識のための候補ユニットを選出し、
これより認識結果を出力する説明図。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　入力音声を特徴パラメータの時系列と
   し、生起順序に関する統計的言語モデルを用いて、上記
   入力音声の特徴パラメータ時系列について、複数の音声
   認識候補を選出し、これら選出した各音声認識候補につ
   いて、標準パターンと上記入力音声の特徴パラメータ時
   系列とをそれぞれ照合して、生起の尤度と類似の尤度と
   の和を総合尤度として、この尤度が最も高い音声認識候
   補を認識結果とする音声認識方法において、汎用的なテ
   キストデーターベースから作成された、生起順序に関す
   る統計的言語モデルを、認識タスク（発声する音声の内
   容）に類似した別のテキストデータを用いて適応化した
   適応型統計的言語モデルを作成し、この適応型統計的言
   語モデルを上記音声認識候補選出のための上記生起順序
   に関する統計的言語モデルとして用いることを特徴とす
   る音声認識方法。