JPH05224691A

JPH05224691A - タスク適応標準パターン学習装置

Info

Publication number: JPH05224691A
Application number: JP4028467A
Authority: JP
Inventors: Koichi Shinoda; 浩一篠田; Takao Watanabe; 隆夫渡辺
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 1992-02-14
Filing date: 1992-02-14
Publication date: 1993-09-03
Anticipated expiration: 2015-01-24
Also published as: JP3003353B2

Abstract

(57)【要約】【目的】少数の話者が発声した新しいタスクの学習デ
ータと、多数の話者が発声したもとのタスクの学習デー
タとを用いて、認識装置を新しいタスクに適応させ、認
識性能を高める。【構成】２つの異なるタスクＡ、Ｂとも発声した話者
ＳＰのタスクＡの発声データとタスクＡのみ発声した話
者ＳＱの発声データは対応づけ手段１０１に入力され、
ＤＰマッチングを用いて対応づけられる。写像作成手段
１０２は、対応づけられたデータの組から、話者ＳＰか
ら話者ＳＱへの写像を作成する。学習データ作成手段１
０３は、作成された写像を用いて、話者ＳＰのタスクＢ
のデータから、話者ＳＱのタスクＢのデータを推定し出
力する。標準パターン学習手段１０４は、話者ＳＰのタ
スクＢのデータ、学習データ作成手段１０３で作成され
た話者ＳＱのタスクＢのデータを用いて、標準パターン
を学習し、出力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は音声認識において、学習
データから標準パターンを学習するタスク適応標準パタ
ーン学習装置に関する。

【０００２】

【従来の技術】現在、音声認識の分野では、誰の声でも
認識できることを目標とした不特定話者の認識システム
が盛んに研究・開発されている。これらの認識システム
では、隠れマルコフモデル、ニューラルネットワークな
どの認識方式が広く使われている。隠れマルコフモデル
の詳細については、例えば、「確率モデルによる音声認
識」中川聖一著、１９８８年、電子情報通信学会（以下
文献１とする）に詳しく解説されている。また、ニュー
ラルネットワークによる音声認識に関しては、例えば
「音声・聴覚と神経回路網モデル」甘利俊一編、１９９
０年、オーム社（以下文献２とする）に詳しい。これら
の手法では、予め多数の話者により発声された単語、文
などからなる学習データを用いて学習を行ない、より精
度の高い標準パターンを作成することにより、高性能な
認識を実現している。

【０００３】現在のところ、音声認識システムでは、認
識装置のハードウェア的な制約のため、あるいは、認識
性能を高めるために認識装置の用途に応じて認識対象語
彙を制限している。上限は単語数にして１０００単語程
度である。ここでは、この限定された認識対象のことを
「タスク」と呼ぶこととする。例えば、チケット予約の
タスクでは、アーティスト名、コンサート会場名、予約
の発話に用いる語彙、などが対象語彙となる。請求項１
〜５における第１の学習データと第２の学習データの違
いは、このタスクの違いのことを指す。

【０００４】さて、標準パターンを、単語単位、あるい
は、文単位で作成してある場合、異なるタスクを認識し
ようとするときは、そのタスクに存在する未知の語彙を
新たに学習する必要が生じる。しかしながら、不特定話
者認識システムにおける標準パターンの学習には、多く
の話者の発声を必要とするため、タスクの変更の度に新
たな語彙を学習することは、データベースの構築に、多
大なコスト・時間を必要とし、現実的ではない。

【０００５】従って、通常の不特定話者システムでは、
認識単位として単語より小さいサブワード（音素、音節
など）を用い、学習時にはこれら認識単位のモデルを学
習する。違うタスクの新しい語彙のモデルは、これらの
サブワードのモデルを連結することにより、容易に作成
することが可能になった。

【０００６】

【発明が解決しようとする課題】上述したサブワードを
認識単位として用いた認識システムでは、学習に用いた
タスクと別の語彙から構成されるタスクを認識しようと
する場合、学習に用いたタスクを認識する場合に比べ、
認識性能が落ちることが、最近、報告されている。

【０００７】これは、新しい語彙においては、サブワー
ドに対応する実際の発声が、前後のサブワードが何であ
るかなど、その周囲環境の違いにより変形を被り、学習
時のものとは異なったものとなっていることが原因であ
ると考えられる。

【０００８】対策としては、タスクが変更された場合、
そのタスクで用いられる語彙を用いて再度学習をし直す
ということが考えられる。しかしながら、上述したよう
に、タスクが変更される度に、多数話者が発声した新し
いタスクに含まれる語彙からなるデータベースを用意す
ることは、大変な労力を必要とし、現実的ではない。

【０００９】本発明は、少数の話者が発声した新しいタ
スクの学習データと、多数の話者が発声したもとのタス
クの学習データとを用いて、新しいタスクの多数の話者
が発声した学習データを推定し、それを用いて学習する
ことにより、認識装置を新しいタスクに適応させ、認識
性能を高めることを目的とする。

【００１０】

【課題を解決するための手段】第１の発明のタスク適応
標準パターン学習装置は、音声認識において、複数の話
者の発声した学習データを用いて標準パターンを学習す
る際に、第１の学習データ及びそれとは語彙の異なる第
２の学習データをともに発声した話者の属する第１のグ
ループと、前記第１の学習データは発声したが前記第２
の学習データは発声していない話者の属する第２のグル
ープがあるとき、第１のグループの話者の第１の学習デ
ータの要素と、第２のグループの話者の第１の学習デー
タの要素とを、対応づける対応づけ手段と、前記対応づ
け手段により対応づけられた第１のグループの話者の第
１の学習データの要素と、第２のグループの話者の第１
の学習データの要素との組から、第１のグループの話者
の第１の学習データの要素から第２のグループの話者の
第１の学習データの要素への写像を作成する写像作成手
段と、第２のグループの話者の第２の学習データを、第
１のグループの話者の第２の学習データから、前記写像
作成手段で作成した写像を用いて、作成する学習データ
作成手段と、第１のグループの話者の第２の学習データ
と、学習データ作成手段において作成した第２のグルー
プの話者の第２の学習データとを用いて、標準パターン
を作成する標準パターン作成手段と、から構成されるこ
とを特徴とする。

【００１１】第２の発明のタスク適応標準パターン学習
装置は、音声認識において、複数の話者の発声した学習
データを用いて標準パターンを学習する際に、第１の学
習データ及びそれとは語彙の異なる第２の学習データを
ともに発声した話者の属する第１のグループと、前記第
１の学習データは発声したが前記第２の学習データは発
声していない話者の属する第２のグループがあるとき、
第１のグループの話者の第１の学習データの要素と、第
２のグループの話者の第１の学習データの要素とを、対
応づける対応づけ手段と、前記対応づけ手段により対応
づけられた第１のグループの話者の第１の学習データの
要素と、第２のグループの話者の第１の学習データの要
素との組から、第１のグループの話者の第１の学習デー
タの要素から第２のグループの話者の第１の学習データ
の要素への写像を作成する写像作成手段と、第２のグル
ープの話者の第２の学習データを、第１のグループの話
者の第２の学習データから、前記写像作成手段で作成し
た写像を用いて、作成する学習データ作成手段と、第１
のグループの話者の第１の学習データと、第２のグルー
プの話者の第１の学習データと、第１のグループの話者
の第２の学習データと、学習データ作成手段において作
成した第２のグループの話者の第２の学習データとを用
いて、標準パターンを作成する標準パターン作成手段
と、から構成されることを特徴とする。

【００１２】第３の発明のタスク適応標準パターン学習
装置は、音声認識において、複数の話者の発声した学習
データを用いて標準パターンを学習する際に、第１の学
習データ及びそれとは語彙の異なる第２の学習データを
ともに発声した話者の属する第１のグループと、前記第
１の学習データは発声したが前記第２の学習データは発
声していない話者の属する第２のグループがあるとき、
第１のグループの話者の第１の学習データの要素と、第
２のグループの話者の第１の学習データの要素とを、対
応づける対応づけ手段と、前記対応づけ手段により対応
づけられた学習データの組からベクトル量子化を行なう
ことにより、データ組のコードブックを作成するコード
ブック作成手段と、前記コードブック作成手段により作
成されたコードブックを用いて、第１のグループの話者
の第１の学習データの要素から第２のグループの話者の
第１の学習データの要素への写像を作成する写像作成手
段と、第２のグループの話者の第２の学習データを、第
１のグループの話者の第２の学習データから、前記写像
作成手段で作成した写像を用いて、作成する学習データ
作成手段と、第１のグループの話者の第２の学習データ
と、学習データ作成手段において作成した第２のグルー
プの話者の第２の学習データとを用いて、標準パターン
作成する標準パターン作成手段と、から構成されること
を特徴とする。

【００１３】第４の発明のタスク適応標準パターン学習
装置は、音声認識において、複数の話者の発声した学習
データを用いて標準パターンを学習する際に、第１の学
習データ及びそれとは語彙の異なる第２の学習データを
ともに発声した話者の属する第１のグループと、前記第
１の学習データは発声したが前記第２の学習データは発
声していない話者の属する第２のグループがあるとき、
第２のグループの各々の話者に対し、第１のグループの
中から話者１名を選択する標準話者選択手段と、第２の
グループの話者の第１の学習データの要素と、その話者
に対応する標準話者の第１の学習データの要素とを、対
応づける対応づけ手段と、前記対応づけ手段により対応
づけられた第２のグループの話者の第１の学習データの
要素と、その話者に対応する標準話者の第１の学習デー
タの要素との組から、標準話者の第１の学習データの要
素から第２のグループの話者の第１の学習データの要素
への写像を作成する写像作成手段と、第２のグループの
話者の第２の学習データを、その話者に対応する標準話
者の第２の学習データから、前記写像作成手段で作成し
た写像を用いて、作成する学習データ作成手段と、第１
のグループの話者の第２の学習データと、学習データ作
成手段において作成した第２のグループの話者の第２の
学習データとを用いて、標準パターンを作成する標準パ
ターン作成手段と、から作成されることを特徴とする。

【００１４】第５の発明のタスク適応標準パターン学習
装置は、音声認識装置において、複数の話者の発声した
学習データを用いて標準パターンを学習する際に、第１
の学習データ及びそれとは語彙の異なる第２の学習デー
タをともに発声した話者の属する第１のグループと、前
記第１の学習データは発声したが前記第２の学習データ
は発声していない話者の属する第２のグループがあると
き、第１のグループのそれぞれの話者と、第２のグルー
プのそれぞれの話者との間の類似度を計算する話者間類
似度出力手段と、第１のグループの話者の第１の学習デ
ータの要素と、第２のグループの話者の第１の学習デー
タの要素とを、対応づける対応づけ手段と、前記対応づ
け手段により対応づけられた第１のグループの話者の第
１の学習データの要素と、第２のグループの話者の第１
の学習データの要素との組から、第１のグループの話者
の第１の学習データの要素から第２のグループの話者の
第１の学習データの要素への写像を作成する写像作成手
段と、第２のグループの話者の第２の学習データを、第
１のグループの話者の第２の学習データから、前記写像
作成手段で作成した写像を用いて、作成する学習データ
作成手段と、第１のグループの話者の第２の学習データ
と、学習データ作成手段において作成した第２のグルー
プの話者の第２の学習データと、前記話者間類似度出力
手段により出力された話者間類似度とを用いて、標準パ
ターンを作成する標準パターン作成手段と、から構成さ
れることを特徴とする。

【００１５】

【作用】以下に第１の発明のタスク適応標準パターン学
習装置の作用について説明する。まず、多数の話者があ
る標準的なタクスＡを発声したデータベースを用意す
る。また、次に、Ａを発声した多数話者の中から選ばれ
た少数の話者が発声した、タスクＡとは異なる新しいタ
スクＢのデータベースを用意する。タスクＡのデータベ
ースは第１の発明における第１の学習データと対応し、
タスクＢのデータベースは第１の発明における第２の学
習データと対応しする。今、タスクＡを発声した話者の
中でタスクＢを発声した話者の集合をＰとし、また、タ
スクＡを発声した話者の中でＢを発声していない話者の
集合をＱとする。集合Ｐは第１の発明における第１のグ
ループに対応し、集合Ｑは第１の発明における第２のグ
ループに対応する。今、集合Ｐに属する話者を話者

【００１６】

【数１】

【００１７】とする。ここでＮ_{S P}は集合Ｐに属する話
者の数である。また、集合Ｑに属する話者を

【００１８】

【数２】

【００１９】とする。ここでＮ_{S Q}は集合Ｑに属する話
者の数である。ここでは、データベースとして、複数の
単語から構成されているものを考える。文発声の場合は
以下の単語という言葉を文に置き換えればよい。タスク
Ａを構成する単語を

【００２０】

【数３】

【００２１】とする。ここでＮＡはタスクＡの単語数で
ある。同様にタスクＢを構成する単語を

【００２２】

【数４】

【００２３】とする。ここでＮＢはタスクＢの単語数で
ある。これらのデータは、ＡＤ変換、音声分析などの過
程を経て、１０ｍｓ程度の時間長をもったフレームと呼
ばれる単位ごとの特徴ベクトルの時系列に変換される。
特徴ベクトルはその時刻における音声スペクトルの特徴
量を抽出したもので、通常１０次元から１００次元であ
る。

【００２４】集合Ｑに属する話者ＳＱ₁に関し以下の処
理を行なう。

【００２５】集合Ｐに属する話者ＳＰ₁に関し以下の処
理を行なう。

【００２６】最初にデータの対応づけを行なう。話者Ｓ
Ｑ₁のタスクＡの単語

【００２７】

【数５】

【００２８】の発声と、話者ＳＰ₁のタスクＡの単語

【００２９】

【数６】

【００３０】の発声とを対応づける。対応づけでは一方
の単語のどのフレームの発声が、もう一方の単語のどの
フレームの発声に対応しているか求める。この対応づけ
は例えばＤＰマッチングを用いて行なうことができる。
ＤＰマッチングに関しては「デジタル音声処理」、古
井、１９８５年、東海大学出版会、の１６２ページに詳
しい、今、簡単のために対応づけは１対１で行なうこと
とする。この対応づけを、タスクＡのその他のすべての
単語

【００３１】

【数７】

【００３２】について行なう。以上は第１の発明におけ
る対応づけ手段に相当する。

【００３３】次に、タスクＡのすべての単語

【００３４】

【数８】

【００３５】についてＳＰ₁とＳＱ₁との間で対応づけ
られたフレーム組を次のような配列とする。すなわち、
話者ＳＰ₁の発声をＸ_iと話者ＳＱ₁の発声Ｙ_iの対応
づけられた組を以下のように表す。

【数９】ＩＭＧ［００７］ここでＮＦ^Aは対応づけられたタスクＡの全単語

【００３６】

【数１０】

【００３７】のフレーム数の合計である。このように作
られたフレーム組をもとに以下のような写像を定義す
る。

【００３８】

【数１１】

【００３９】以上は第１の発明における写像作成手段に
対応する。

【００４０】次に、話者ＳＰ₁の発声したタスクＢを用
意し、タスクＢの全単語

【００４１】

【数１２】

【００４２】の各フレームの発声

【００４３】

【数１３】

【００４４】に対して、以下の式を計算し、話者ＳＱ₁
のタスクＢの発声

【００４５】

【数１４】

【００４６】を推測する。

【００４７】

【数１５】

【００４８】ここで、ＮＦ^Bは話者ＳＰ₁のタスクＢの
発声の全フレーム数、ｄは距離、ｍは正の実数である。
距離としては、ユークリッド距離などを用いれば良い。
以上は第１の発明における学習データ作成手段に対応す
る。

【００４９】以上と同様の作業を集合Ｐに属する他の話
者

【００５０】

【数１６】

【００５１】に関し行なう。

【００５２】以上と同様の作業を集合Ｑに属する他の話
者

【００５３】

【数１７】

【００５４】に関し行なう。

【００５５】次に、話者

【００５６】

【数１８】

【００５７】のタスクＢのデータ、及び、上述の学習デ
ータ作成手段により作成された話者

【００５８】

【数１９】

【００５９】のタスクＢのデータを、学習データとして
用いて学習を行なう。学習の方法は、例えばＨＭＭに関
しては文献１の５１ページから６７ページに詳しい。こ
の段階は第１の発明における標準パターン学習手段に対
応する。

【００６０】以上の方法により、タスクの変更がある場
合、新しいタスクの少数の話者による発声があれば、そ
れを用いて、多数話者の新しいタスクの発声を推測する
ことが可能であり、それらの発声を用いて標準パターン
の学習を行なうことにより、変更後のタスクに対しより
認識性能の高い標準パターン作成することができる。

【００６１】第２の発明のタスク適応標準パターン学習
装置では、上述の標準パターン学習手段において、タス
クＢのデータだけではなく、もとのタスクＡのデータを
も学習データとして用いる。それにより、認識単位当た
りの学習データが増える効果がある。ただし、タスクＡ
のデータ中の語彙とタスクＢのデータ中の語彙が著しく
異なる場合には、認識性能が低下する可能性がある。

【００６２】第３の発明のタスク適応標準パターン学習
装置では、対応づけ手段により対応づけられたタスクＡ
のデータの組、

【００６３】

【数２０】

【００６４】に対し、ベクトル量子化を行ない、以下の
ようにコードブックを作成する。

【００６５】

【数２１】

【００６６】ここでＮ_Cはコードブックサイズである。
これにより、写像作成手段において、計算量の大幅な削
減が望める。しかしながら、量子化の際に量子化誤差の
混入は避けられず、写像の精度が劣化する可能性があ
る。

【００６７】第４の発明のタスク適応標準パターン学習
装置では、集合Ｑの各々の話者

【００６８】

【数２２】

【００６９】に対し、その話者に近い標準話者１名を集
合Ｂの話者

【００７０】

【数２３】

【００７１】の中から選択し、その標準話者と間の写像
を作成する。集合Ｑの各々の話者のタスクＢのデータを
推定する際に用いられるタスクＢのデータは標準話者の
もののみである。集合Ｑの各々の話者に対し作成される
タスクＢのデータは、標準話者１名に対応するもののみ
となり、データの量が減少する。認識性能の若干の劣化
が予想されるが、反面、パターン学習手段における計算
量は大幅に削減される。標準話者の選び方としては、任
意である。例えば、集合Ｑの各々の話者の発声のＶＱコ
ードブックをつくり、そのコードブックで量子化した際
の量子化誤差のもっとも小さい話者を選ぶ方法などか考
えられる。もちろん量子化誤差のもっとも大きい話者を
選んでも良い。

【００７２】第５の発明のタスク適応標準パターン学習
装置では、集合Ｑの各々の話者

【００７３】

【数２４】

【００７４】に対し、集合Ｐの話者の、その話者に対す
る類似度を話者間類似度出力手段において出力する。類
似度としては、例えば、上で述べたＶＱの際の量子化誤
差を利用して求める。この類似度からタスクＢのデータ
における集合Ｐの各話者の重みを計算する。この重みは
類似度の適当な関数である。そして、計算された重みを
用いて、タスクＢのデータに重みをつけ、標準パターン
学習手段において、学習を行なう。具体的には、例えば
認識方式としてＨＭＭを用いた場合には、文献１の５８
ページ３行目の式（３．７０）において、分子、分母の
項の和の中の各項において、対応する発声を行なった話
者の重みを乗じたものを用いる。このようにして、標準
パターンの学習に話者間の類似度の情報を反映させるこ
とにより、より精度の高い標準パターンを作成すること
が可能になる。しかしながら、話者の類似度を計算する
必要があるため、計算量は若干増加する。

【００７５】

【実施例】図１は第１の発明のタスク適応標準パターン
学習装置の一実施例を示すブロック図である。対応づけ
手段１０１では、タスクＡ、Ｂの両方とも発声した話者
ＳＰのタスクＡの発声データとタスクＡのみ発声した話
者ＳＱの発声データが入力され、それらをＤＰマッチン
グを用いて対応づけ、対応づけられたデータの組を出力
している。写像作成手段１０２では、対応づけ手段１０
１で対応づけられたデータの組を入力し、話者ＳＰから
話者ＳＱへの写像を作成し、出力している。学習データ
作成手段１０３では、写像作成手段１０２により作成さ
れた写像を入力して、話者ＳＰのタスクＢのデータか
ら、話者ＳＱのタスクＢのデータを推定し、出力してい
る。標準パターン学習手段１０４では、話者ＳＰのタス
クＢのデータ、及び、学習データ作成手段１０３から出
力された話者ＳＱのタスクＢのデータが入力され、標準
パターンを学習し、学習された標準パターンを出力して
いる。

【００７６】図２は第２の発明のタスク適応標準パター
ン学習装置の一実施例を示すブロック図である。対応づ
け手段２０１では、タスクＡ、Ｂとも発声した話者ＳＰ
のタスクＡの発声データとタスクＡのみ発声した話者Ｓ
Ｑの発声データが入力され、それらをＤＰマッチングを
用いて対応づけ、対応づけられたデータの組を出力して
いる。写像作成手段２０２では、対応づけ手段２０１か
ら出力されたデータの組が入力され、話者ＳＰから話者
ＳＱへの写像を作成し、出力している。学習データ作成
手段２０３では、写像作成手段２０２から出力された写
像が入力され、これを用いて、話者ＳＰのタスクＢのデ
ータから、話者ＳＱのタスクＢのデータを推定し、出力
している。標準パターン学習手段２０４では、話者ＳＰ
のタスクＡのデータ、及び、話者ＳＱのタスクＡのデー
タ、及び、話者ＳＰのタスクＢのデータ、及び、学習デ
ータ作成手段２０３から出力された話者ＳＱのタスクＢ
のデータが入力され、これらを用いて、標準パターンを
学習し、学習された標準パターンを出力している。

【００７７】図３は第３の発明のタスク適応標準パター
ン学習装置の一実施例を示すブロック図である。対応づ
け手段３０１では、タスクＡ、Ｂとも発声した話者ＳＰ
のタスクＡの発声データとタスクＡのみ発声した話者Ｓ
Ｑの発声データが入力され、それらをＤＰマッチングを
用いて対応づけ、対応づけられたデータの組を出力して
いる。コードブック作成手段３０２では、対応づけ手段
３０１から出力されたデータの組が入力され、これに対
しベクトル量子化を行ない、データの組のコードブック
を作成し、出力している。写像作成手段３０３では、コ
ードブック作成手段３０２から出力されたコードブック
を入力し、話者ＳＰから話者ＳＱへの写像を作成し、出
力している。学習データ作成手段３０４では、写像作成
手段３０３から入力された写像を用いて、話者ＳＰのタ
スクＢのデータから、話者ＳＱのタスクＢのデータを推
定し、出力している。標準パターン学習手段３０５で
は、話者ＳＰのタスクＢのデータ、及び、学習データ作
成手段３０４から出力された話者ＳＱのタスクＢのデー
タが入力され、これらを用いて、標準パターンを学習
し、学習された標準パターンを出力している。

【００７８】図４は第４の発明のタスク適応標準パター
ン学習装置の一実施例を示すブロック図である。標準話
者選択手段４０１では、タスクＡ、Ｂとも発声した話者
の中から１名の標準話者ＳＰを選択している。対応づけ
手段４０２では、標準話者選択手段４０１により選択さ
れた標準話者ＳＰの発声データと、タスクＡのみ発声し
た話者ＳＱの発声データが入力され、それらをＤＰマッ
チングを用いて対応づけ、対応づけられたデータの組を
出力している。写像作成手段４０３では、対応づけ手段
４０２から出力されたデータの組が入力され、これを用
いて話者ＳＰから話者ＳＱへの写像を作成し、出力して
いる。学習データ作成手段４０４では、写像作成手段４
０３から写像を入力し、これを用いて話者ＳＰのタスク
Ｂのデータから、話者ＳＱのタスクＢのデータを推定
し、出力している。標準パターン学習手段４０５では、
話者ＳＰのタスクＢのデータ、及び、学習データ作成手
段４０４から出力された話者ＳＱのタスクＢのデータを
入力し、これらを用いて標準パターンを学習し、学習さ
れた標準パターンを出力している。

【００７９】図５は第５の発明のタスク適応標準パター
ン学習装置の一実施例を示すブロック図である。話者間
類似度出力手段５０１では、タスクＡ、Ｂとも発声した
話者とタスクＡのみ発声した話者との類似度を計算し、
出力している。対応づけ手段５０２では、タスクＡ、Ｂ
とも発声した話者ＳＰの発声データと、タスクＡのみ発
声した話者ＳＱの発声データが入力され、それらをＤＰ
マッチングを用いて対応づけ、対応づけられたデータの
組を出力している。写像作成手段５０３では、対応づけ
手段５０２から出力されたデータの組が入力され、これ
から話者ＳＰから話者ＳＱへ写像を作成し、出力してい
る。学習データ作成手段５０４では、写像作成手段５０
３から出力された写像を入力し、これを用いて、話者Ｓ
ＰのタスクＢのデータから、話者ＳＱのタスクＢのデー
タを推定し、出力している。標準パターン学習手段５０
５では、話者間類似度出力手段５０１より出力された話
者間類似度、及び、話者ＳＰのタスクＢのデータ、及
び，学習データ作成手段５０４から出力された話者ＳＱ
のタスクＢのデータを入力し、これを用いて標準パター
ンを学習し、学習された標準パターンを出力している。

【００８０】

【発明の効果】以上述べたように本発明によれば、多数
話者の発声した不特定話者データと少数話者の発声した
新しいタスクのデータとから、多数話者の発声した新し
いタスクのデータを推測することが可能になり、その多
数話者の発声したタスクのデータを用いて学習すること
により、高精度な標準パターンを作成することが可能に
なる。

【図面の簡単な説明】

【図１】第１の発明のタスク適応標準パターン学習装置
の一実施例を示すブロック図

【図２】第２の発明のタスク適応標準パターン学習装置
の一実施例を示すブロック図

【図３】第３の発明のタスク適応標準パターン学習装置
の一実施例を示すブロック図

【図４】第４の発明のタスク適応標準パターン学習装置
の一実施例を示すブロック図

【図５】第５の発明のタスク適応標準パターン学習装置
の一実施例を示すブロック図

【符号の説明】

１０１、２０１、３０１、５０２対応づけ手段１０２、２０２、３０３、４０３、５０３写像作成手
段１０３、２０３、３０４、４０４、５０４学習データ
作成手段１０４、２０４、３０５、４０５、５０５標準パター
ン学習手段３０２コードブック作成手段４０１標準話者選択手段５０１話者間類似度出力手段

Claims

【特許請求の範囲】

【請求項１】音声認識において、複数の話者の発声し
た学習データを用いて標準パターンを学習する際に、第
１の学習データ及びそれとは語彙の異なる第２の学習デ
ータをもとに発声した話者の属する第１のグループと、
前記第１の学習データは発声したが前記第２の学習デー
タは発声していない話者の属する第２のグループがある
とき、第１のグループの話者の第１の学習データの要素
と、第２のグループの話者の第１の学習データの要素と
を、対応づける対応づけ手段と、前記対応づけ手段によ
り対応づけられた第１のグループの話者の第１の学習デ
ータの要素と、第２のグループの話者の第１の学習デー
タの要素との組から、第１のグループの話者の第１の学
習データの要素から第２のグループの話者の第１の学習
データの要素への写像を作成する写像作成手段と、第２
のグループの話者の第２の学習データを、第１のグルー
プの話者の第２の学習データから、前記写像作成手段で
作成した写像を用いて、作成する学習データ作成手段
と、第１のグループの話者の第２の学習データと、学習
データ作成手段において作成した第２のグループの話者
の第２の学習データとを用いて、標準パターンを作成す
る標準パターン作成手段と、から構成されることを特徴
とするタスク適応標準パターン学習装置。
【請求項２】音声認識において、複数の話者の発声し
た学習データを用いて標準パターンを学習する際に、第
１の学習データ及びそれとは語彙の異なる第２の学習デ
ータをともに発声した話者の属する第１のグループと、
前記第１の学習データは発声したが前記第２の学習デー
タは発声していない話者の属する第２のグループがある
とき、第１のグループの話者の第１の学習データの要素
と、第２のグループの話者の第１の学習データの要素と
を、対応づける対応づけ手段と、前記対応づけ手段によ
り対応づけられた第１のグループの話者の第１の学習デ
ータの要素と、第２のグループの話者の第１の学習デー
タの要素との組から、第１のグループの話者の第１の学
習データの要素から第２のグループの話者の第１の学習
データの要素への写像を作成する写像作成手段と、第２
のグループの話者の第２の学習データを、第１のグルー
プの話者の第２の学習データから、前記写像作成手段で
作成した写像を用いて、作成する学習データ作成手段
と、第１のグループの話者の第１の学習データと、第２
のグループの話者の第１の学習データと、第１のグルー
プの話者の第２の学習データと、学習データ作成手段に
おいて作成した第２のグループの話者の第２の学習デー
タとを用いて、標準パターンを作成する標準パターン作
成手段と、から構成されることを特徴とするタスク適応
標準パターン学習装置。
【請求項３】音声認識において、複数の話者の発声し
た学習データを用いて標準パターンを学習する際に、第
１の学習データ及びそれとは語彙の異なる第２の学習デ
ータをともに発声した話者の属する第１のグループと、
前記第１の学習データは発声したが前記第２の学習デー
タは発声していない話者の属する第２のグループがある
とき、第１のグループの話者の第１の学習データの要素
と、第２のグループの話者の第１の学習データの要素と
を、対応づける対応づけ手段と、前記対応づけ手段によ
り対応づけられた学習データの組からベクトル量子化を
行なうことにより、データ組のコードブックを作成する
コードブック作成手段と、前記コードブック作成手段に
より作成されたコードブックを用いて、第１のグループ
の話者の第１の学習データの要素から第２のグループの
話者の第１の学習データの要素への写像を作成する写像
作成手段と、第２のグループの話者の第２の学習データ
を、第１のグループの話者の第２の学習データから、前
記写像作成手段で作成した写像を用いて、作成する学習
データ作成手段と、第１のグループの話者の第２の学習
データと、学習データ作成手段において作成した第２の
グループの話者の第２の学習データとを用いて、標準パ
ターンを作成する標準パターン作成手段と、から構成さ
れることを特徴とするタスク適応標準パターン学習装
置。
【請求項４】音声装置において、複数の話者の発声し
た学習データを用いて標準パターンを学習する際に、第
１の学習データ及びそれとは語彙の異なる第２の学習デ
ータをともに発声した話者の属する第１のグループと、
前記第１の学習データは発声したが前記第２の学習デー
タは発声しない話者の属する第２のグループがあると
き、第２のグループの各々の話者に対し、第１のグルー
プの中から話者１名を選択する標準話者選択手段と、第
２のグループの話者の第１の学習データの要素と、その
話者に対応する標準話者の第１の学習データの要素と
を、対応づける対応づけ手段と、前記対応づけ手段によ
り対応づけられた第２のグループの話者の第１の学習デ
ータの要素と、その話者に対応する標準話者の第１の学
習データの要素との組から、標準話者の第１の学習デー
タの要素から第２のグループの話者の第１の学習データ
の要素への写像を作成する写像作成手段と、第２のグル
ープの話者の第２の学習データを、その話者に対応する
標準話者の第２の学習データから、前記写像作成手段で
作成した写像を用いて、作成する学習データ作成手段
と、第１のグループの話者の第２の学習データと、学習
データ作成手段において作成した第２のグループの話者
の第２の学習データとを用いて、標準パターンを作成す
る標準パターン作成手段と、から構成されることを特徴
とするタスク適応標準パターン学習装置。
【請求項５】音声認識において、複数の話者の発声し
た学習データを用いて標準パターンを学習する際に、第
１の学習データ及びそれとは語彙の異なる第２の学習デ
ータをともに発声した話者の属する第１のグループと、
前記第１の学習データは発声したが前記第２の学習デー
タは発声しない話者の属する第２のグループがあると
き、第１のグループのそれぞれの話者と、第２のグルー
プのそれぞれの話者との間の類似度を計算する話者間類
似度出力手段と、第１のグループの話者の第１の学習デ
ータの要素と、第２のグループの話者の第１の学習デー
タの要素とを、対応づける対応づけ手段と、前記対応づ
け手段により対応づけられた第１のグループの話者の第
１の学習データの要素と、第２のグループの話者の第１
の学習データの要素との組から、第１のグループの話者
の第１の学習データの要素から第２のグループの話者の
第１の学習データの要素への写像を作成する写像作成手
段と、第２のグループの話者の第２の学習データを、第
１のグループの話者の第２の学習データから、前記写像
作成手段で作成した写像を用いて、作成する学習データ
作成手段と、第１のグループの話者の第２の学習データ
と、学習データ作成手段において作成した第２のグルー
プの話者の第２の学習データと、前記話者間類似度出力
手段により出力された話者間類似度とを用いて、標準パ
ターンを作成する標準パターン作成手段と、から構成さ
れることを特徴とするタスク適応標準パターン学習装
置。