JPH045397B2 - - Google Patents

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は、入力音声と、音素表記された単語辞
書を照合して単語を認識する単語音声認識方法に
関するものである。

（従来例の構成とその問題点） 第１図は従来の単語音声認識方法の一例及び本
発明の単語音声認識方法の実施例を実行するため
の装置の機能ブロツク図である。従来例を第１
図、第２図及び第３図により説明する。第１図に
おいて１は入力音声からパラメータの時系列を作
成するパラメータ抽出部、２は音素標準パタンを
照合して、音素の確率密度を算出する確率密度計
算部、３は音素毎のセグメンテーシヨン、尤度計
算、単語類似度計算を行う単語認識部である。ま
た、４に各音素毎の各種パラメータにおける分布
を各音素毎の平均値（〓_i）、及び各種パラメータ
間の共分散行列（Σ_i）の形で表した音素標準パタ
ンを記憶する音素標準パタン部、５は認識すべき
全単語を音素単位の記号列で表記した単語辞書が
記憶されている単語辞書部である。その単語辞書
は、「アサヒ」、「チカイ」、「チタイ」等は
「ASAHI」、「CIKAI」、「CITAI」等と表記され
ている。

次に、上記従来例の動作について説明する。

パラメータ抽出部において、入力音素を10ｍｓ
のフレーム毎に分析し、パラメータを抽出してパ
ラメータ時系列を作成する。確率密度計算部２に
おいて、フレーム毎に得られたパラメータと、音
素標準パターンを照合し、音素の確率密度を算出
する。つぎに、単語認識部３において各辞書項目
毎にその辞書項目を構成する辞書音素系列に従つ
て、１音素毎に音素のセグメンテーシヨンを行
い、下記式に従い、その音素とその音素に対応
してセグメンテーシヨンされた区間の尤度を計算
し、その辞書項目における各音素の尤度の平均と
して類似度を求める。ここでその音素をＸとし、
Ｘに対応してセグメンテーシヨンされた区間の始
端と終端のフレームNo.をN_s、N_eとし、第ｎフレ
ームにおける各パラメータの値をC_oとすると、
音素の尤度l_xを式で定義する。

φ_iはある音素ｉの確率密度を表わし、式のよ
うに定義される。

φ_i＝１／（2π）^J/2｜Σi｜^J/2exp 〔−１／２（Cn−〓_i）^TΣ^-1 _i（C_o−〓_i）〕 …… C_o：第ｎのフレームにおけるＪ個のパラメータ （ベクトル） 〓_i：ある音素ｉのパラメータの平均値 （ベクトル） Σ_i：共分散行列 式において、確率密度の割り算における分母の
サメンシヨンｉの範囲は、音素Ｘが何であるかに
よつて異なり、例えばＸが音素Ａ(ア)の時は、ｉの
範囲は５母音Ａ、Ｅ、Ｉ、Ｏ、Ｕとしている。以
上により、得られる単語類似度L_Mを式に従つ
て各辞書項目毎に求め、L_Mが最大となる辞書項
目をもつて認識単語とする。

L_M＝_NP 〓^k=1 l_k／NP …… L_M：辞書中のＭ番目の単語の類似度 l_k：辞書音素系列中のｋ番目の音素の尤度 NP：辞書音素数 ここで、従来例では辞書音素系列中に子音C₁、
無声化母音又はナマケた発声をし易い母音Ｖ、無
声破裂音、C₂の／C₁VC₂／の３連続音素系列があ
る場合、上記３連続音素系列／C₁VC₂／の各々の
音素の音素並びに対応して、子音C₁、C₂の確率
密度及び辞書音素系列中において、C₂の次に来
る母音の確率密度を利用して、／C₁VC₂／の３連
続音素系列をまとめてセグメンテーシヨンし、そ
のセグメンテーシヨンされた区間に対して後述す
る如く、無声化母音又は＋２ケた発声をし易い母
音Ｖの尤度値は出にくいために、子音C₁及びC₂
の確率密度φ_C1、φ_C2から式に従つて尤度l_C1VC2
を計算する。

M_s、M_eは／C₁VC₂／の３連続音素系列をまと
めてセグメンテーシヨンした区間の始端と終端の
フレームNo.、残りの記号は式に準ずる。

第２図は／CIKAI／（チカイ）と発声した場
合の各音素／Ｃ／、／Ｉ／、／Ｋ／、／Ａ／、／
Ｉ／の確率密度の時間変化を表わしている。第２
図において、／Ｃ／の次の音素／Ｉ／は無声化し
ているため／Ｉ／の区間（ｂ−ｃ）において／
Ｉ／の確率密度φ_Iはほとんど０であり、／Ｃ／の
確率密度φ_Cが区間（ａ−ｃ）において優勢であ
る。また／Ｋ／の確率密度φ_Kは(C)から次の音
素／Ａ／の始まる(d)まで優勢である。従つて区間
（ａ−ｄ）を／Ｃ／、／Ｉ／、／Ｋ／を１つにま
とめた３連続音素系列／CIK／のセグメンテーシ
ヨン区間とし、区間（ａ−ｄ）に対してφ_C、φ_K
の値を用いて式に従つて尤度l_CIKを求めると
式のようになる。

第３図は／CITAI／と発声した場合の各音
素／Ｃ／、／Ｉ／、／Ｔ／、／Ａ／、／Ｉ／の時
間変化を表わしている。この場合、／Ｃ／と／
Ｔ／に挾まれた／Ｉ／は無声化しているため、第
２図の場合と同様に／Ｉ／の確率密度φ_Iはほとん
ど０であり、／Ｃ／の確率密度φ_Cが区間（ｅ−
ｇ）において優勢である。また／Ｔ／の確率密度
φ_Tは(g)から／Ａ／の始まる(h)まで優勢である。
従つて区間（ｅ−ｈ）を／Ｃ／、／Ｉ／、／Ｔ／
を１つにまとめた音素系列／CIT／のセグメンテ
ーシヨン区間とし、区間（ｅ−ｈ）に対してφ_C、
φ_Tの値を用いて式に従つて尤度l_CITを式のよ
うに計算するのであるが、 式に従つて、３連続音素系列のセグメンテー
シヨン区間に対して尤度を求める際、第２図及び
第３図を見てわかるように、セグメンテーシヨン
区間（ａ−ｄ）又は（ｅ−ｈ）に対して、無声破
裂子音の区間（ｃ−ｄ）又は（ｇ−ｈ）の占める
割合は小さく、また破裂直前の無音部分（（イ−
ロ）又は（ハーニ））の各音素の確率密度（φ_C、
φ_K又はφ_C、φ_T）の値は小さく波を打つて不安定
であるため、実際に尤度計算に寄与する区間は、
区間（ｃ−ｄ）又は（ｇ−ｈ）よりも短くなる。

一方、セグメンテーシヨン区間（ａ−ｄ）又は
（ｅ−ｈ）に対して、上記３連続音素系列中の第
１番目の音素である／Ｃ／の区間の占める割合は
大きいために式にようにセグメンテーシヨン区
間（ａ−ｄ）又は（ｃ−ｄ）に対して、３連続音
素系列中の第１番目の子音C₁の確率密度φ_C1及び
無声破裂音C₂の確率密度φ_C2の優勢な部分が占め
る割合を考慮せず尤度計算を行なうと、入力単
語／CITAI／におけるセグメンテーシヨン区間
（ｅ−ｈ）に対して、３連続音素系列／CIT／を
対応させた時得られる尤度l_CITと／CIK／を対応
させた時得られる尤度l_CIKとの差が非常に小さく
なるため単語／CITAI／と／CIKAI／の識別が
困難になり、上記従来例においては、子音、無声
化母音又はナマケた発声をする母音及び無声破裂
音の３連続音素系列を含む単語は誤認識し易い欠
点があつた。

（発明の目的） 本発明は、上記従来例の欠点を除去するもので
あり、尤度計算の精度を向上させ、それにより単
語認識率を向上させることを目的とする。

（発明の構成） 本発明は、上記目的を達成するために、子音、
無声化母音又は発声のナマケた母音、無声破裂音
の３連続音素系列をまとめてセグメンテーシヨン
し、尤度計算を行なう際、そのセグメンテーシヨ
ンされた区間内で、無声破裂音の破裂直前の無音
部分を検出し、検出した無音部分より前の区間に
対して、上記３連続音素系列中の第１番目の子音
を対応させて、その区間と各音素の標準パタンと
の距離を求め、またその無音部分より後の区間に
対して、無声破裂音を対応させて、その区間と各
音素の標準パタンとの距離を求め上記２つの距離
をもとにそのセグメンテーシヨンされた区間に対
する尤度を計算することにより、尤度計算の精度
を向上させるものである。

（実施例の説明） 以下に本発明の一実施例の構成について図面と
ともに説明する。実施例の基本構成は第１図と同
様である。また第１図において、音素標準パタン
部４、単語辞書部５も従来例と同様である。また
パラメータ抽出部１により得られるパラメータ時
系列も従来例と同様である。

次に本発明の実施例の動作について説明する。
先ず、パラメータ抽出部１において、入力音声か
らフレーム毎のパラメータを得、さらに、そのパ
ラメータの値を使つて確率密度計算部２におい
て、各音素標準パタンから得られる確率密度を計
算する。そして、単語認識部３において、各辞書
項目毎にその辞書項目を構成する辞書音素系列に
従つて音素Ｘのセグメンテーシヨンを行ない、そ
の音素Ｘとその音素Ｘに対応してセグメンテーシ
ヨンされた区間の尤度l_Cを計算する際に、子音
C₁、発声のナマケた母音Ｖ及び無声破裂音C₂
の／C₁VC₂／の並びにおいて、各音素の種類及び
その音素並びに対応して、各々の音素の確率密度
の値を利用して、上記３連続音素系列をまとめて
セグメンテーシヨンし、そのセグメンテーシヨン
された区間に対して尤度l_C1VC2を計算する。ここ
までは前記従来例と同様である。ここで尤度
l_C1VC2を計算する際に、そのセグメンテーシヨン
された区間に対して無声破裂音C₂の破裂直前の
無音部分を検出し、セグメンテーシヨンされた区
間において、検出した無音部分より前の区間を、
第１番目の子音C₁が対応する区間、無音部分よ
り後ろの区間を、無声破裂音C₂が対応する区間
とし、各々の区間に対応して、C₁の尤度I_C1及び
C₂の尤度l_C2を求め式に従いそのセグメンテー
シヨンされた区間に対して尤度l_C1VC2を求める。

第３図において、／CIT／のセグメンテーシヨ
ン区間（ｅ−ｈ）に対して尤度l_CITを求める際、
セグメンテーシヨン区間内において、音声パワー
Ｐがいき値T_Pより低い部分を検出し、無声破裂
音の破裂直前の無音部分（ハニ）を求める。次に
第１番目の子音C₁が対応する区間を（ｅ−ハ）、
無声破裂音C₂が対応する区間を（ニ−ｈ）とし
区間（ｅ−ハ）に対応して求めた尤度l_C1及び区
間（ニ−ｈ）に対応して求めた尤度l_C2をもとに、
セグメンテーシヨン区間（ｅ−ｈ）の尤度l_CITを
求める。

（但し、 M_s、M_e：３連続音素系列／C₁VC₂／のセグメン
テーシヨン区間における始端及び終端フレーム
番号 M_QS、M_QE：上記セグメンテーシヨン区間におけ
る無音部分の始端及び終端フレーム番号） 上記のような尤度計算法を用いることによ
り、／Ｃ／に対応する尤度と／Ｔ／又は／Ｋ／に
対する尤度の全体の尤度に対する寄与度が対等と
なるから単語／CITAI／の／CIT／のセグメンテ
ーシヨン区間に対し３連続音素／CIT／を対応さ
せた尤度｜_CITと、／CIK／を対応させた尤度l_CIK
との間の点数差は拡がり単語／CITAI／と／
CIKAI／を識別が容易になる。

上記実施例においては、子音、無声化母音又は
発声のナマケた母音及び無音破裂音の３連続音素
系列の尤度を精度良く求めることができる利点が
ある。

（発明の効果） 本発明は、上記のように子音、無声化母音又は
発声のナマケた母音、無声破裂音の３連続音素系
列をまとめてセグメンテーシヨンし、そのセグメ
ンテーシヨンされた区間に対して尤度を求める
際、そのセグメンテーシヨンされた区間内で、無
声破裂音の破裂直前の無音部分を検出し、検出し
た無音部分より前の区間に対して、上記３連続音
素系列中の第１番目の子音を対応させて、その区
間と各音素の標準パタンとの距離を求め、またそ
の無音部分より後ろの区間に対して、無声破裂音
を対応させて、その区間と各音素の標準パタンと
の距離の上記２つの距離をもとに、そのセグメン
テーシヨンされた区間に対する尤度を計算するこ
とにより、従来法に比べ精度良く尤度計算を行な
うことができる利点を有する。

【図面の簡単な説明】

第１図は従来及び本発明の一実施例における単
語音声認識方法を説明するための図、第２図
は、／CIKAI／と発声した場合の各音素／
Ｃ／、／Ｉ／、／Ｋ／、／Ａ／、／Ｉ／の確率密
度φ_C、φ_I、φ_K、φ_A、φ_I及び音声パワーＰの時間
変化を表わす図、第３図は／CITAI／と発声し
た場合の各音素／Ｃ／、／Ｉ／、／Ｔ／、／
Ａ／、／Ｉ／の確率密度φ_C、φ_I、φ_T、φ_A、φ_I及
び音声パワーＰの時間変化を表わす図である。 １……パラメータ抽出部、２……確率密度計算
部、３……単語認識部、４……音素標準パタン
部、５……単語辞書部。

Claims (1)

1. 【特許請求の範囲】 １ 入力音声を単語辞書の各辞書項目と照合し、
   各辞書項目を構成する辞書音素系列に従い各音素
   毎に入力音声をセグメンテーシヨンし、セグメン
   テーシヨンされた音声の区間に対して、各音素の
   標準パタンとそのセグメンテーシヨンされた音声
   の区間との距離を用いて各辞書項目と入力音声の
   類似度を求めて単語を認識する単語音声認識方法
   において、子音、無声化母音又は発声のナマケた
   母音及び無声破裂音の３連続音素系列について
   は、上記３連続音素系列をまとめてセグメンテー
   シヨンを行ない、そのセグメンテーシヨンされた
   区間に対して尤度を求める際に、そのセグメンテ
   ーシヨンされた区間内における無声破裂音の破裂
   直前の無音部分を検出し、検出された無音部分よ
   り前の区間に対して、上記３連続音素系列中の第
   １番目の子音を対応させて、その区間と各音素の
   標準パタンとの距離を求め、また、その無音部分
   より後ろの区間に対して、無声破裂音を対応させ
   て、その区間と各音素の標準パタンとの距離を求
   め、上記２つの距離を用いて、３連続音素系列を
   まとめてセグメンテーシヨンされた区間に対する
   尤度を計算することを特徴とする単語音声認識方
   法。 ２ 各音素の標準パタンとして、各音素の音響パ
   ラメータの分布形で表わされた標準パタンを用
   い、各音素の標準パタンとその音素に対応する音
   声の区間との距離尺度として、セグメンテーシヨ
   ンされた音声の区間がその音素から生成される確
   率密度を用いたことを特徴とする特許請求の範囲
   第１項記載の単語音声認識方法。