JPH05216498A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 装置の演算量を減らし、装置を簡単に構成す
ることができるようにするとともに、音声の認識率を向
上させる。 【構成】 ＮＡＴ処理部３において、音響分析部２によ
り検出された音声の特徴パラメータの軌跡がサンプリン
グされ、新たな特徴パラメータ系列が算出される。単純
対応マッチング部５において、標準パターンメモリ６に
記憶された標準パターンを、新たな特徴パラメータ系列
の始点から順次対応させ、標準パターンと新たな特徴パ
ラメータ系列との距離が算出され、即ちパターンマッチ
ングされ、ワードスポッティング判定部７において、そ
のパターンマッチング結果に対応して、音声から標準パ
ターンメモリ６に記憶された標準パターンに対する所定
の単語が抽出される。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、音声に含まれる特定の
単語を抽出する（ワードスポッティングする）場合に用
いて好適な音声認識装置に関する。

【０００２】

【従来の技術】図１０は、従来の音声認識装置の一例の
構成を示すブロック図である。マイク１は入力された音
声を電気信号である音声信号に変換する。音響分析部２
は、例えばＩ個のチャンネルを有するフィルタバンクで
構成されている。フィルタバンクの各チャンネルは、そ
の通過域を通過する音声信号成分を全波整流して平滑化
し、音声の特徴パラメータとしてのパワーＰ_i（ｎ）を
検出する。なお、ｉ＝１，２，・・・，Ｉで、ｉはチャ
ンネル数を表す。また、ｎ＝１，２，・・・，Ｎで、ｎ
はフレーム数（時間）を表す。よって、Ｎは音声区間
（音声が発声されている区間）を表す。

【０００３】標準パターンメモリ６は、装置の動作モー
ドが登録モードの場合に、音響分析部２より出力される
特徴パラメータ（パワー）Ｐ_i（ｎ）を標準パターンと
して記憶する。

【０００４】ＤＰマッチング部２２は、装置のモードが
認識モードの場合に、音響分析部２より出力される入力
パターンとしての特徴パラメータＰ_i（ｎ）と、標準パ
ターンメモリ６に記憶されたすべての標準パターンと
を、後述するＤＰマッチングし、入力パターンと標準パ
ターンとの距離を計算する。認識部２１は、ＤＰマッチ
ング部２１より出力される入力パターンとの距離を参照
して、その距離を最も短くする標準パターンに対する単
語を認識結果として出力する。

【０００５】このように構成される音声認識装置におい
ては、装置の動作モードが登録モードである場合、マイ
ク１に入力された音声が、音響分析部２のフィルタバン
クにおいて全波整流されて平滑化され、音声の特徴パラ
メータとしてのパワーＰ_i（ｎ）が検出される。そし
て、検出されたパワー（特徴パラメータ）Ｐ_i（ｎ）
は、標準パターンメモリ６に供給され、標準パターンと
して記憶される。

【０００６】装置の動作モードが認識モードである場
合、マイク１に入力された音声が音響分析部２のフィル
タバンクにおいて全波整流されて平滑化され、音声の特
徴パラメータとしてのパワーＰ_i（ｎ）が検出される。
検出されたパワー（特徴パラメータ）Ｐ_i（ｎ）は、入
力パターンＰ_i（ｎ）として、ＤＰマッチング部２２に
供給され、ＤＰマッチング部２２において、この入力パ
ターンＰ_i（ｎ）と、標準パターンメモリ６に記憶され
た標準パターンＲ_i（ｍ）（ｍ＝１，２，・・・，Ｍで
あり、Ｍは標準パターンのフレーム数）とがＤＰマッチ
ングされる。

【０００７】ここで、標準パターンメモリ６に記憶され
た標準パターンのフレーム数Ｍは発声速度や単語長の違
いにより、一般的に異なる。そこで、ＤＰマッチングに
より、この発声速度や単語長の違いに対処するための、
時間軸を非線形に伸縮する時間正規化が行なわれる。以
下、このＤＰマッチングについて説明する。

【０００８】図１１は、縦軸ｍに標準パターンＲ
_i（ｍ）を並べ、横軸ｎに入力パターンＰ_i（ｎ）を並べ
た平面図である。なお、図１１においては、標準パター
ンＲ_i（ｍ）および入力パターンＰ_i（ｎ）を、その周波
数方向に対応するサフィックスｉを省略し、Ｒ（ｍ）お
よびＰ（ｎ）としてある。

【０００９】時間正規化は、図１１の標準パターンＲ_i
（ｍ）の時間軸ｍを、入力パターンＰ_i（ｎ）の時間軸
ｎに写像することに相当する。従って、この写像を行う
関数（歪関数または時間伸縮関数）Ｆ（図中、実線で示
す）により、標準パターンＲ_i（ｍ）の時間軸ｍを、入
力パターンＰ_i（ｎ）の時間軸ｎに対応させることがで
きる。この歪関数Ｆは未知であるが、標準パターンＲ_i
（ｍ）の時間軸ｍ、または入力パターンＰ_i（ｎ）の時
間軸ｎのうちの一方の、例えば標準パターンＲ_i（ｍ）
の時間軸ｍを、他方のパターンである入力パターンＰ_i
（ｎ）に最も類似するように（標準パターンＲ_i（ｍ）
と入力パターンＰ_i（ｎ）との距離を最小にするよう
に）、人工的に歪ませることにより、最適な歪関数Ｆが
求められる。

【００１０】また、歪関数Ｆには、一般的に次のような
制限が与えられる。 Ｆは、単調増加関数 Ｆは、連続関数 この制限下で、上述したようにして歪関数Ｆが求めら
れ、この歪関数Ｆにより、標準パターンＲ_i（ｍ）の時
間軸ｍを、入力パターンＰ_i（ｎ）の時間軸ｎに変換し
たときの標準パターンＲ_i（ｍ）と入力パターンＰ
_i（ｎ）との距離（時間正規化した距離）が、ＤＰマッ
チング部２２において求められる。

【００１１】以上のようにして、ＤＰマッチング部２２
では、標準パターンメモリ６に記憶されたすべての標準
パターンに対して、入力パターンとの時間正規化した距
離が求められ、認識部２１に供給される。

【００１２】認識部２１において、ＤＰマッチング部２
２から出力される、すべての時間正規化した距離より、
入力パターンとの時間正規化した距離を最小にする標準
パターンが検出され、その標準パターンに対する単語
が、認識結果として出力される。

【００１３】

【発明が解決しようとする課題】このように、従来の装
置では、標準パターンメモリ６に記憶されたすべての標
準パターンに対して、歪関数が求められるとともに、時
間正規化した距離が求められるので、即ちＤＰマッチン
グが行われるので、例えばマルチテンプレート化するた
めに標準パターンの数を多くすると、演算量が膨大に増
加する課題があった。

【００１４】また、ＤＰマッチングは、音声の定常部を
重視した方法であるため、例えば「ＨＡＩ」および「Ｓ
ＡＮ」などのように部分的に類似したパターン（単語）
間においては、認識率が劣化する課題があった。

【００１５】本発明は、このような状況に鑑みてなされ
たものであり、装置の演算量を減らし、装置を簡単に構
成することができるようにするとともに、音声の認識率
を向上させるものである。

【００１６】

【課題を解決するための手段】請求項１に記載の音声認
識装置は、音声を入力する入力手段としてのマイク１
と、所定の単語の標準パターンを記憶する標準パターン
記憶手段としての標準パターンメモリ６と、音声の特徴
パラメータを検出する特徴パラメータ検出手段としての
音響分析部２と、特徴パラメータ系列の軌跡をサンプリ
ングし、新たな特徴パラメータ系列を算出するパラメー
タ算出手段としてのＮＡＴ処理部３と、新たな特徴パラ
メータ系列と標準パターンとをマッチングするパターン
マッチング手段としての単純対応マッチング部５または
ＤＰマッチング部１１と、マッチング結果に対応して、
音声から標準パターンメモリ６に記憶された標準パター
ンに対する所定の単語を抽出する抽出手段としてのワー
ドスポッティング判定部７とを備えることを特徴とす
る。

【００１７】請求項２に記載の音声認識装置は、単純対
応マッチング部５は標準パターンメモリ６に記憶された
標準パターンを、新たな特徴パラメータ系列の始点から
順次対応させ、標準パターンと新たな特徴パラメータ系
列との距離を算出することを特徴とする。

【００１８】請求項３に記載の音声認識装置は、ＤＰマ
ッチング部１１は、ＤＰマッチングにより標準パターン
と新たな特徴パラメータ系列との距離を算出することを
特徴とする。

【００１９】請求項４に記載の音声認識装置は、ワード
スポッテング判定部７は、単純対応マッチング部５また
はＤＰマッチング部１１のマッチング結果に対応して、
複数単語からなる連続音声から標準パターンメモリ６に
記憶された標準パターンに対する複数の単語を抽出する
ことを特徴とする。

【００２０】

【作用】請求項１に記載の音声認識装置においては、音
声の特徴パラメータを検出して、ＮＡＴ処理部３によ
り、その特徴パラメータ系列の軌跡をサンプリングし、
新たな特徴パラメータ系列を算出する。そして、その新
たな特徴パラメータ系列と標準パターンメモリ６に記憶
された標準パターンとをマッチングし、そのマッチング
結果に対応して、音声から標準パターンメモリ６に記憶
された標準パターンに対する所定の単語を抽出する。従
って、新たな特徴パラメータのデータ量を少なくするこ
とができるので、装置の演算量を減らし、装置を簡単に
構成することができるだけでなく、音声の認識率を向上
させることができる。

【００２１】請求項２に記載の音声認識装置において
は、単純対応マッチング部５は標準パターンメモリ６に
記憶された標準パターンを、新たな特徴パラメータ系列
の始点から順次対応させ、標準パターンと新たな特徴パ
ラメータ系列との距離を算出する。従って、装置の演算
量を減らし、装置を簡単に構成することができる

【００２２】請求項３に記載の音声認識装置において
は、ＤＰマッチング部１１は、ＤＰマッチングにより標
準パターンと新たな特徴パラメータ系列との距離を算出
する。従って、音声の認識率を向上させることができ
る。

【００２３】請求項４に記載の音声認識装置において
は、ワードスポッテング判定部７は、単純対応マッチン
グ部５またはＤＰマッチング部１１のマッチング結果に
対応して、複数単語からなる連続音声から標準パターン
メモリ６に記憶された標準パターンに対する複数の単語
を抽出する。従って、複数単語からなる連続音声に対し
て、高精度なワードスポッティング（音声に含まれる単
語の抽出）を行うことができる。

【００２４】

【実施例】図１は、本発明の音声認識装置の一実施例の
構成を示すブロック図である。図１０における場合と対
応する部分には同一の符号を付してある。ＮＡＴ（Ｎｏ
ｒｍａｌｉｚａｔｉｏｎ Ａｌｏｎｇ Ｔｒａｊｅｃｔ
ｏｒｙ）処理部３は、図２に示すように、軌跡長算出器
３ａ、補間間隔算出器３ｂ、および補間点抽出器３ｃよ
り構成され、ＮＡＴ処理を行う。ＮＡＴ処理部３の軌跡
長算出器３ａは、音響分析部２より供給された特徴パラ
メータＰ_i（ｎ）が、そのパラメータ空間内に描く直線
近似による軌跡長ＳＬを算出する。即ち、軌跡長算出器
３ａは、例えば２つの（２次元の）特徴パラメータＰ₁
（ｎ）およびＰ₂（ｎ）のみを考えた場合、この２つの
パラメータが、図３または図４に示すような２次元のパ
ラメータ空間（２次元平面）に描く軌跡長を算出する
（特徴パラメータＰ₁（ｎ）およびＰ₂（ｎ）の軌跡を、
図中・印で示す）。

【００２５】以下、特徴パラメータＰ_i（ｎ）の周波数
方向に対応するサフィックスｉを省略する。

【００２６】補間間隔算出器３ｂは、装置のモードが登
録モードである場合、パラメータ空間内に描かれた特徴
パラメータＰ（ｎ）の軌跡をサンプリングするための間
隔（サンプリング間隔）Ｔ'を、あらかじめ設定された
サンプリング点数Ｋ、および軌跡長算出器３ａにより算
出された軌跡長ＳＬから、次式にしたがって算出し、補
間点抽出器３ｃに供給する。 Ｔ'＝ＳＬ／（Ｋ−１） （１） また、補間間隔算出器３ｂは、装置のモードが認識モー
ドである場合、あらかじめ設定された、パラメータ空間
内に描かれた特徴パラメータＰ（ｎ）の軌跡をサンプリ
ングするための間隔（サンプリング間隔）Ｔを補間点抽
出器３ｃに供給する。

【００２７】補間点抽出器３ｃは、装置のモードが登録
モードである場合、音響分析部２より供給された特徴パ
ラメータＰ（ｎ）がパラメータ空間内に描く軌跡を直線
近似した軌跡に沿って、図４に○印で示すように、補間
間隔算出器３ｂにより算出されたサンプリング間隔Ｔ'
で、特徴パラメータＰ（ｎ）の軌跡をサンプリングし、
標準パターンとしての新たな特徴パラメータ系列Ｒ
（ｋ）（ｋ＝１，２，・・・，Ｋ：Ｋ＝ＳＬ／Ｔ'＋
１）を標準パターンメモリ６（図１）に供給する。ま
た、補間点抽出器３ｃは、装置のモードが認識モードで
ある場合、音響分析部２より供給された特徴パラメータ
Ｐ（ｎ）がパラメータ空間内に描く軌跡を直線近似した
軌跡に沿って、図３に○印で示すように、補間間隔算出
器３ｂより供給されたサンプリング間隔Ｔで、特徴パラ
メータＰ（ｎ）の軌跡をサンプリングし、入力パターン
としての新たな特徴パラメータ系列Ｘ（ｊ）（ｊ＝１，
２，・・・，Ｊ：Ｊ＝ＳＬ／Ｔ＋１）を入力パターンメ
モリ４（図１）に供給する。

【００２８】入力パターンメモリ４は、ＮＡＴ処理部３
より供給される、入力パターンとしての新たな特徴パラ
メータＸ（ｊ）を一時記憶する。

【００２９】単純対応マッチング部５は、入力パターン
メモリ４に記憶された入力パターンＸ（ｊ）と、標準パ
ターンメモリ６に記憶されたすべての標準パターンＲ_w
（ｋ）（ｗ＝１，２，・・・，Ｗ：Ｗは、標準パターン
メモリ６に記憶された標準パターンの数）とを単純対応
マッチングする。即ち、単純対応マッチング部５は、ま
ず最初に標準パターンＲ_w（ｋ）を、入力パターンＸ
（ｊ）の始点（Ｘ（１））から、順番に対応させ（標準
パターンＲ_w（１）と入力パターンＸ（１）、標準パタ
ーンＲ_w（２）と入力パターンＸ（２）、・・・、標準
パターンＲ_w（Ｋ）と入力パターンＸ（Ｋ）をそれぞれ
対応させ）（図５（ａ））、対応させた点の間の、例え
ばユークリッド距離の総和ｄ_w（Ｘ（１），Ｒ_w（ｋ））
を計算する（図５（ｂ））。

【００３０】次に、単純対応マッチング部５は、標準パ
ターンＲ_w（ｋ）を、入力パターンＸ（ｊ）の始点の次
の点（Ｘ（２））から、順番に対応させ（標準パターン
Ｒ_w（１）と入力パターンＸ（２）、標準パターンＲ
_w（２）と入力パターンＸ（３）、・・・、標準パター
ンＲ_w（Ｋ）と入力パターンＸ（Ｋ＋１）をそれぞれ対
応させ）（図５（ａ））、対応させた点の間のユークリ
ッド距離（ユークリッド距離の総和）ｄ_w（Ｘ（２），
Ｒ_w（ｋ））を計算する（図５（ｂ））。以下同様にし
て、単純対応マッチング部５は、標準パターンＲ
_w（ｋ）を入力パターンＸ（ｊ）に対応させる位置
（点）を順次ずらしながら（図５（ａ））、距離ｄ
_w（Ｘ（１），Ｒ_w（ｋ）），ｄ_w（Ｘ（２），Ｒ
_w（ｋ）），・・・，ｄ_w（Ｘ（Ｊ−Ｋ），Ｒ_w（ｋ））
を計算する（図５（ｂ））。

【００３１】さらに、単純対応マッチング部５は、距離
ｄ_w（Ｘ（１），Ｒ_w（ｋ）），ｄ_w（Ｘ（２），Ｒ
_w（ｋ）），・・・，ｄ_w（Ｘ（Ｊ−Ｋ），Ｒ_w（ｋ））
の中から、最小の距離ｄ_w（Ｘ（Ｊ_MIN（ｗ）），Ｒ
_w（ｋ））、およびそれが得られた位置（時間に相当す
る）Ｊ_MIN（ｗ）を検出し、ワードスポッティング判定
部７に供給する。従って、単純対応マッチング部５は、
以上の処理を、標準パターンメモリ６に記憶されている
Ｗ個のすべての標準パターンＲ₁（ｋ）乃至Ｒ_W（ｋ）に
対して行い、すべての標準パターンにおける最小の距離
ｄ₁（Ｘ（Ｊ_MIN（１）），Ｒ₁（ｋ））乃至ｄ_W（Ｘ（Ｊ
_MIN（Ｗ）），Ｒ_W（ｋ））、およびそれが得られた位置
Ｊ_MIN（１）乃至Ｊ_MIN（Ｗ）を検出し（図５（ｂ））、
ワードスポッティング判定部７に供給する。

【００３２】ワードスポッティング判定部７は、単純対
応マッチング部５より供給されたすべての標準パターン
における最小の距離ｄ₁（Ｘ（Ｊ_MIN（１）），Ｒ
₁（ｋ））乃至ｄ_W（Ｘ（Ｊ_MIN（Ｗ）），Ｒ_W（ｋ））、
およびそれが得られた位置Ｊ_MIN（１）乃至Ｊ_MIN（Ｗ）
から、入力パターンＸ（ｊ）に含まれるすべての標準パ
ターンを抽出（認識）し、その標準パターンに対する単
語を出力する。

【００３３】次に、その動作について説明する。装置の
動作モードが登録モードである場合、マイク１に入力さ
れた音声が、音響分析部２のフィルタバンクにおいて全
波整流されて平滑化され、音声の特徴パラメータとして
のパワーＰ（ｎ）（ パワーＰ_i（ｎ）の周波数方向に対
応するサフィックスｉを省略してある ）が検出され
る。

【００３４】ＮＡＴ処理部３の軌跡長算出器３ａ（図
２）において、検出されたパワー（特徴パラメータ）Ｐ
（ｎ）がパラメータ空間内に描く直線近似による軌跡長
ＳＬが算出され、補間間隔算出器３ｂにおいて、パラメ
ータ空間内に描かれた特徴パラメータＰ（ｎ）の軌跡を
サンプリングするための間隔（サンプリング間隔）Ｔ'
が、式（１）にしたがって算出され、補間点抽出器３ｃ
に供給される。補間点抽出器３ｃにおいて、音響分析部
２より供給された特徴パラメータＰ（ｎ）がパラメータ
空間内に描く軌跡を直線近似した軌跡に沿って、図４に
○印で示すように、補間間隔算出器３ｂにより算出され
たサンプリング間隔Ｔ'で、特徴パラメータＰ（ｎ）の
軌跡がサンプリングされ、標準パターンとしての新たな
特徴パラメータ系列Ｒ（ｋ）（ｋ＝１，２，・・・ ，
Ｋ：Ｋ＝ＳＬ／Ｔ'＋１）が算出される。

【００３５】補間点抽出器３ｃにより算出された新たな
特徴パラメータＲ（ｋ）は、標準パターンとして標準パ
ターンメモリ６に記憶される。

【００３６】装置の動作モードが認識モードである場
合、マイク１に入力された音声が、音響分析部２のフィ
ルタバンクにおいて全波整流されて平滑化され、音声の
特徴パラメータとしてのパワーＰ（ｎ）が検出される。

【００３７】ＮＡＴ処理部３の補間点抽出器３ｃ（図
２）において、音響分析部２で検出された特徴パラメー
タ（パワー）Ｐ（ｎ）がパラメータ空間内に描く軌跡を
直線近似した軌跡に沿って、図３に○印で示すように、
補間間隔算出器３ｂより供給されるサンプリング間隔Ｔ
で、特徴パラメータＰ（ｎ）の軌跡がサンプリングさ
れ、入力パターンとしての新たな特徴パラメータ系列Ｘ
（ｊ）（ｊ＝１，２，・・・，Ｊ：Ｊ＝ＳＬ／Ｔ＋１）
が算出される。

【００３８】入力パターンメモリ４において、ＮＡＴ処
理部３（補間点抽出器３ｃ）より供給される、入力パタ
ーンとしての新たな特徴パラメータＸ（ｊ）が一時記憶
される。

【００３９】単純対応マッチング部５において、入力パ
ターンメモリ４に記憶された入力パターンＸ（ｊ）と、
標準パターンメモリ６に記憶されたすべての標準パター
ンＲ_w（ｋ）（ｗ＝１，２，・・・，Ｗ：Ｗは、標準パ
ターンメモリ６に記憶された標準パターンの数）とが単
純対応マッチングされる。即ち、単純対応マッチング部
５において、標準パターンＲ_w（ｋ）を入力パターンＸ
（ｊ）に対応させる位置（点）を順次ずらしながら（図
５（ａ））、距離ｄ_w（Ｘ（１），Ｒ_w（ｋ）），ｄ
_w（Ｘ（２），Ｒ_w（ｋ）），・・・，ｄ_w（Ｘ（Ｊ−
Ｋ），Ｒ_w（ｋ））が計算される（図５（ｂ））。そし
て、距離ｄ_w（Ｘ（１），Ｒ_w（ｋ）），ｄ_w（Ｘ
（２），Ｒ_w（ｋ）），・・・，ｄ_w（Ｘ（Ｊ−Ｋ），Ｒ
_w（ｋ））の中から、最小の距離ｄ_w（Ｘ（Ｊ
_MIN（ｗ）），Ｒ_w（ｋ））、およびそれが得られた位置
（時間に相当する）Ｊ_MIN（ｗ）が検出され、ワードス
ポッティング判定部７に供給される。

【００４０】なお、単純対応マッチング部５において、
以上の処理が、標準パターンメモリ６に記憶されている
Ｗ個のすべての標準パターンＲ₁（ｋ）乃至Ｒ_W（ｋ）に
対して行われ、すべての標準パターンにおける最小の距
離ｄ₁（Ｘ（Ｊ_MIN（１）），Ｒ₁（ｋ））乃至ｄ_W（Ｘ
（Ｊ_MIN（Ｗ）），Ｒ_W（ｋ））、およびそれが得られた
位置Ｊ_MIN（１）乃至Ｊ_MIN（Ｗ）が検出され（図５
（ｂ））、ワードスポッティング判定部７に供給され
る。

【００４１】ワードスポッティング判定部７において、
単純対応マッチング部５より供給されたすべての標準パ
ターンにおける最小の距離ｄ₁（Ｘ（Ｊ_MIN（１）） ，
Ｒ₁（ｋ））乃至 ｄ_W（Ｘ（Ｊ_MIN（Ｗ）） ，Ｒ
_W（ｋ））、およびそれが得られた位置Ｊ_MIN（１）乃至
Ｊ_MIN（Ｗ）から、入力パターンＸ（ｊ）に含まれるす
べての標準パターンが抽出（認識）され、その標準パタ
ーンに対する単語が出力される。

【００４２】次に、図６は、本発明の音声認識装置の第
２実施例の構成を示すブロック図である。図１または図
１０と対応する部分には、同一の符号を付してある。こ
の実施例は、単純対応マッチング部５をＤＰマッチング
部１１に変更した点を除き、図１の実施例と同様に構成
されている。

【００４３】ＤＰマッチング部１１は、始点フリーのＤ
Ｐマッチングを行う。即ち、ＤＰマッチング部１１は、
標準パターンＲ_w（ｋ）の時間軸ｋ、または入力パター
ンＸ（ｊ）の時間軸ｊのうちの一方の、例えば標準パタ
ーンＲ_w（ｋ）の時間軸ｋを、他方のパターンである入
力パターンＸ（ｊ）に最も類似するように（標準パター
ンＲ_w（ｋ）と入力パターンＸ（ｊ）との距離を最小に
するように）歪ませる歪関数Ｆを、次のようにして求め
る。

【００４４】ここで、歪関数Ｆは、前述したように、図
１１の実線に相当するので、歪関数Ｆを求めるというこ
とは、この実線の軌跡（パス）を求めることに他ならな
い。以下この歪関数ＦをＤＰパスと呼ぶ。

【００４５】図７に示す縦軸ｋに標準パターンＲ
_w（ｋ）を並べ、横軸ｊに入力パターンＸ（ｊ） を並べ
た平面図において、この平面上の格子点（ｊ，ｋ）（図
中、・印で示す）における入力パターンＸ（ｊ）と標準
パターンＲ_w（ｋ）との、例えばユークリッド距離をｄ
（ｊ，ｋ）とし、格子点（ｊ，ｋ）含む任意のＤＰパス
に沿って求めた、この格子点（ｊ，ｋ）までのユークリ
ッド距離の総和 （累積距離）をｇ（ｊ，ｋ）とする。
そして、ＤＰマッチング部１１は、例えば以下の漸化式
（制限）にしたがって、ＤＰパスを求めるとともに標準
パターンの終点（ｋ＝Ｋ）までの累積距離ｇ（ｊ'，
Ｋ）（ｊ'は、１乃至Ｊの範囲の任意の値）を求める。
ｋ＝１のとき、 ｇ（ｊ，１）＝２ｄ（ｊ，１） （２） 但し、１≦ｊ≦Ｊ ｋ＝２のとき、 ｇ（ｊ，２）＝ｇ（ｊ−１，１）＋２ｄ（ｊ，２） （３） 但し、２≦ｊ≦Ｊ ｋ＝２ｊのとき、 ｇ（ｊ，ｋ）＝ｇ（ｊ−１，ｋ−２）＋２ｄ（ｊ，ｋ−１） ＋ｄ（ｊ，ｋ） （４） ｋ＝２ｊ−２、またはｋ＝２ｊ−１のとき、

【数１】 ｋ≦２ｊ−３のとき、

【数２】 なお、ｍｉｎ［］は、［］の中の最小値をとる。

【００４６】式（漸化式）（６）は、ＤＰパスを図８に
示すように制限する。なお、図８において、ＤＰパス上
に付してある数字１または２は重み係数である。また、
ＤＰパスの始点が、ｊ＝１またはｊ＝２から始まる場合
に、式（３）乃至（６）により与えられるＤＰパスの範
囲例を図７に示す。

【００４７】格子点（ｊ，ｋ）までのＤＰパスの長さ
（パス長）Ｃ（ｊ，ｋ）は、上述した重み係数の累積和
と定義され、累積距離ｇ（ｊ'，Ｋ）をパス長Ｃ（ｊ'，
Ｋ）で正規化した正規化距離Ｇ_w（ｊ'）（＝ｇ（ｊ'，
Ｋ）／Ｃ（ｊ'，Ｋ））（ｗ＝１，２，・・・，Ｗ：Ｗ
は、標準パターンメモリ６に記憶された標準パターンの
数）は、始点（ｊ''，１）、終点（ｊ'，Ｋ）のＤＰパ
スを取る入力パターン（Ｘ（１），Ｘ（２），・・・，
Ｘ（Ｊ））と標準パターン（Ｒ_w（１），Ｒ_w（２），・
・・，Ｒ_w（Ｋ））との距離に対応する。ＤＰマッチン
グ部１１は、この正規化距離Ｇ_w（ｊ'）の中から、最小
の正規化距離Ｇ_w（Ｊ_MIN（ｗ））を検出し（図９）、そ
の正規化距離Ｇ_w（Ｊ_MIN（ｗ））を得ることができたＤ
Ｐパスの始点（Ｊ'_MIN（ｗ），１）および終点（Ｊ'_MIN
（ｗ），１）とともに、ワードスポッティング判定部７
に供給する。

【００４８】なお、ＤＰマッチング部１１は、標準パタ
ーンメモリ６に記憶されているＷ個のすべての標準パタ
ーンＲ₁（ｋ）乃至Ｒ_W（ｋ）に対して以上の処理を行
い、すべての標準パターンにおける最小の距離Ｇ₁（Ｊ
_MIN（１））乃至Ｇ_W（Ｊ_MIN（Ｗ））、およびそれが得
られた位置Ｊ_MIN（１）乃至Ｊ_MIN（Ｗ）を検出し（図５
（ｂ））、ワードスポッティング判定部７に供給する。

【００４９】次に、その動作について説明する。装置の
動作モードが登録モードである場合、マイク１に入力さ
れた音声が、音響分析部２のフィルタバンクにおいて全
波整流されて平滑化され、音声の特徴パラメータとして
のパワーＰ（ｎ）（パワーＰ_i（ｎ） の周波数方向に対
応するサフィックスｉを省略してある）が検出される。

【００５０】ＮＡＴ処理部３の軌跡長算出器３ａ（図
２）において、検出されたパワー（特徴パラメータ）Ｐ
（ｎ）のパラメータ空間内に描く直線近似による軌跡長
ＳＬが算出され、補間間隔算出器３ｂにおいて、パラメ
ータ空間内に描かれた特徴パラメータＰ（ｎ）の軌跡を
サンプリングするための間隔（サンプリング間隔）Ｔ'
が、式（１）にしたがって算出され、補間点抽出器３ｃ
に供給される。補間点抽出器３ｃにおいて、音響分析部
２より供給された特徴パラメータＰ（ｎ）がパラメータ
空間内に描く軌跡を直線近似した軌跡に沿って、図４に
○印で示すように、補間間隔算出器３ｂにより算出され
たサンプリング間隔Ｔ'で、特徴パラメータＰ（ｎ）の
軌跡がサンプリングされ、標準パターンとしての新たな
特徴パラメータ系列Ｒ（ｋ）（ｋ＝１，２，・・・，
Ｋ：Ｋ＝ＳＬ／Ｔ'＋１） が算出される。

【００５１】補間点抽出器３ｃにより算出された新たな
特徴パラメータＲ（ｋ）は、標準パターンとして標準パ
ターンメモリ６に記憶される。

【００５２】装置の動作モードが認識モードである場
合、マイク１に入力された音声が、音響分析部２のフィ
ルタバンクにおいて全波整流されて平滑化され、音声の
特徴パラメータとしてのパワーＰ（ｎ）が検出される。

【００５３】ＮＡＴ処理部３の補間点抽出器３ｃ（図
２）において、音響分析部２で検出された特徴パラメー
タ（パワー）Ｐ（ｎ）がパラメータ空間内に描く軌跡を
直線近似した軌跡に沿って、図３に○印で示すように、
補間間隔算出器３ｂより供給されるサンプリング間隔Ｔ
で、特徴パラメータＰ（ｎ）の軌跡がサンプリングさ
れ、入力パターンとしての新たな特徴パラメータ系列Ｘ
（ｊ）（ｊ＝１，２，・・・，Ｊ：Ｊ＝ＳＬ／Ｔ＋１）
が算出される。

【００５４】入力パターンメモリ４において、ＮＡＴ処
理部３（補間点抽出器３ｃ）より供給される、入力パタ
ーンとしての新たな特徴パラメータＸ（ｊ）が一時記憶
される。

【００５５】ＤＰマッチング部１１において、式（２）
乃至（６）の漸化式（制限）にしたがって、累積距離ｇ
（ｊ'，Ｋ）（ｊ'は、１乃至Ｊの範囲の任意の値）が求
められた後、この累積距離ｇ（ｊ'，Ｋ）をパス長Ｃ
（ｊ'，Ｋ）で正規化した正規化距離Ｇ_w（ｊ'）が計算
される。さらに、ＤＰマッチング部１１において、この
正規化距離Ｇ_w（ｊ'）の中から、最小の正規化距離Ｇ_w
（Ｊ_MIN（ｗ））が検出され（図９）、その正規化距離
Ｇ_w（Ｊ_MIN（ｗ））を得ることができたＤＰパスの始点
（Ｊ'_MIN（ｗ），１）および終点（Ｊ'_MIN（ｗ），１）
とともに、ワードスポッティング判定部７に供給され
る。

【００５６】なお、ＤＰマッチング部１１において、標
準パターンメモリ６に記憶されているＷ個のすべての標
準パターンＲ₁（ｋ）乃至Ｒ_W（ｋ）に対して以上の処理
が行われ、すべての標準パターンにおける最小の距離Ｇ
₁（Ｊ_MIN（１））乃至Ｇ_W（Ｊ_MIN（Ｗ））、およびそれ
が得られた位置Ｊ_MIN（１）乃至Ｊ_MIN（Ｗ）が検出され
（図５（ｂ））、ワードスポッティング判定部７に供給
される。

【００５７】ワードスポッティング判定部７において、
ＤＰマッチング部１１より供給されたすべての標準パタ
ーンにおける最小の距離Ｇ₁（Ｊ_MIN（１））乃至Ｇ
_W（Ｊ_MIN（Ｗ））、およびそれが得られた位置Ｊ
_MIN（１）乃至Ｊ_MIN（Ｗ）から、入力パターンＸ（ｊ）
に含まれるすべての標準パターンが抽出（認識）され、
その標準パターンに対する単語が出力される。

【００５８】以上説明したように、音声の特徴パラメー
タ系列の軌跡をサンプリングし、音声の発声速度の影響
を受けない新たな特徴パラメータ系列を、標準パターン
とマッチングし、ワードスポッティングするようにした
ので、音声の認識率を向上させることができる。

【００５９】なお、ＮＡＴ処理部３より出力される新た
な特徴パラメータのデータ量（図３または図４の○印）
は、元の特徴パラメータのデータ量（図３または図４の
・印）に比べ非常に少ない。従って、図６の第２実施例
のＤＰマッチング部１１により行われるＤＰマッチング
の計算量は、元の特徴パラメータをそのままＤＰマッチ
ングする従来の装置における計算量に比べ、はるかに少
なくなる。

【００６０】

【発明の効果】請求項１に記載の音声認識装置によれ
ば、音声の特徴パラメータを検出して、パラメータ算出
手段により、その特徴パラメータ系列の軌跡をサンプリ
ングし、新たな特徴パラメータ系列を算出する。そし
て、その新たな特徴パラメータ系列と標準パターン記憶
手段に記憶された標準パターンとをマッチングし、その
マッチング結果に対応して、音声から標準パターン記憶
手段に記憶された標準パターンに対する所定の単語を抽
出する。従って、新たな特徴パラメータのデータ量を少
なくすることができるので、装置の演算量を減らし、装
置を簡単に構成することができるだけでなく、音声の認
識率を向上させることができる。

【００６１】請求項２に記載の音声認識装置によれば、
パターンマッチング手段は標準パターン記憶手段に記憶
された標準パターンを、新たな特徴パラメータ系列の始
点から順次対応させ、標準パターンと新たな特徴パラメ
ータ系列との距離を算出する。従って、装置の演算量を
減らし、装置を簡単に構成することができる

【００６２】請求項３に記載の音声認識装置によれば、
パターンマッチング手段は、ＤＰマッチングにより標準
パターンと新たな特徴パラメータ系列との距離を算出す
る。従って、音声の認識率を向上させることができる。

【００６３】請求項４に記載の音声認識装置によれば、
ワードスポッテング判定部７は、パターンマッチング手
段のマッチング結果に対応して、複数単語からなる連続
音声から標準パターン記憶手段に記憶された標準パター
ンに対する複数の単語を抽出する。従って、複数単語か
らなる連続音声に対して、高精度なワードスポッティン
グを行うことができる。

【図面の簡単な説明】

【図１】本発明の音声認識装置の一実施例の構成を示す
ブロック図である。

【図２】図１の実施例のＮＡＴ処理部３の一構成例を示
すブロック図である。

【図３】音声の特徴パラメータの軌跡を示す平面図であ
る。

【図４】音声の特徴パラメータの軌跡を示す平面図であ
る。

【図５】図１の実施例の単純対応マッチング部５におけ
る単純対応マッチングを説明するための図である。

【図６】本発明の音声認識装置の第２実施例の構成を示
すブロック図である。

【図７】ＤＰマッチングを説明するための図である。

【図８】ＤＰマッチングのＤＰパスの制限（傾斜制限）
を示す図である。

【図９】図６の実施例のＤＰマッチング部１１における
ＤＰマッチングを説明するための図である。

【図１０】従来の音声認識装置の一例の構成を示すブロ
ック図である。

【図１１】図１０のＤＰマッチング部２２におけるＤＰ
マッチングを説明するための図である。

【符号の説明】

１ マイク ２ 音響分析部 ３ ＮＡＴ処理部 ３ａ 軌跡長算出器 ３ｂ 補間間隔算出器 ３ｃ 補間点抽出器 ４ 入力パターンメモリ ５ 単純対応マッチング部 ６ 標準パターンメモリ ７ ワードスポッティング判定部 １１ ＤＰマッチング部 ２１ 認識部 ２２ ＤＰマッチング部

Claims (4)

【特許請求の範囲】
1. 【請求項１】 音声を入力する入力手段と、 所定の単語の標準パターンを記憶する標準パターン記憶
   手段と、 前記入力手段に入力された音声の特徴パラメータを検出
   する特徴パラメータ検出手段と、 前記特徴パラメータ検出手段より出力される特徴パラメ
   ータ系列の軌跡をサンプリングし、新たな特徴パラメー
   タ系列を算出するパラメータ算出手段と、 前記パラメータ算出手段より出力される新たな特徴パラ
   メータ系列と前記標準パターン記憶手段に記憶された標
   準パターンとをマッチングするパターンマッチング手段
   と、 前記パターンマッチング手段のマッチング結果に対応し
   て、前記音声から前記標準パターン記憶手段に記憶され
   た標準パターンに対する所定の単語を抽出する抽出手段
   とを備えることを特徴とする音声認識装置。
2. 【請求項２】 前記パターンマッチング手段は、前記標
   準パターン記憶手段に記憶された標準パターンを、前記
   パラメータ算出手段により算出された新たな特徴パラメ
   ータ系列の始点から順次対応させ、前記標準パターンと
   前記新たな特徴パラメータ系列との距離を算出すること
   を特徴とする請求項１に記載の音声認識装置。
3. 【請求項３】 前記パターンマッチング手段は、ＤＰマ
   ッチングにより前記標準パターンと前記新たな特徴パラ
   メータ系列との距離を算出することを特徴とする請求項
   １に記載の音声認識装置。
4. 【請求項４】 前記抽出手段は、前記パターンマッチン
   グ手段のマッチング結果に対応して、複数単語からなる
   連続音声から前記標準パターン記憶手段に記憶された標
   準パターンに対する前記複数の単語を抽出することを特
   徴とする請求項１、２または３に記載の音声認識装置。