JPH05313688A

JPH05313688A - 音声認識装置

Info

Publication number: JPH05313688A
Application number: JP4109356A
Authority: JP
Inventors: Tetsuo Kobayashi; 哲夫小林; Makoto Akaha; 誠赤羽
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 1992-04-02
Filing date: 1992-04-02
Publication date: 1993-11-26

Abstract

(57)【要約】【目的】音声の認識率を向上させる。【構成】標準パターン「ｚｅｒｏ」、「ｇｏ」、およ
び「ｋｕ」は、標準パターン「ｒｏｋｕ」に包含されて
いるので（標準パターン「ｒｏｋｕ」の部分パターンに
なっているので）、認識候補パターンからはずされる。
同様に、標準パターン「ｎｉ」、「ｓｈｉ」、および
「ｋｙｕｕ」は、標準パターン「ｓｈｉｔｉ」または
「ｉｃｈｉ」に包含されているので（標準パターン「ｓ
ｈｉｔｉ」または「ｉｃｈｉ」の部分パターンになって
いるので）、認識候補パターンからはずされる。また、
同じ位置にある標準パターン「ｓｈｉｔｉ」と標準パタ
ーン「ｉｃｈｉ」については、入力パターンとの距離が
長い方の標準パターン「ｉｃｈｉ」が、その距離が短い
方の標準パターン「ｓｈｉｔｉ」の部分パターンである
ので、認識候補パターンからはずされる。

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１３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１１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１２は、ＤＰマッチ
ング部２１より出力される入力パターンと標準パターン
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。そして、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１１に供給され、ＤＰマッチング部１１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１４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１４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１４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１１において求められる。

【００１１】ここで、歪関数Ｆは、前述したように、図
１４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。

【００１２】以上のようにして、ＤＰマッチング部１１
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１２に供給される。

【００１３】認識部１２において、ＤＰマッチング部１
１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。

【００１４】

【発明が解決しようとする課題】ところで、標準パター
ンメモリ６に記憶されている標準パターンにおいては、
例えば数字の６「ＲＯＫＵ」のパターンが数字の９「Ｋ
Ｕ」のパターンを含んでいるように、所定の単語（例え
ば数字６「ＲＯＫＵ」）の標準パターンＲ_i（ｍ）が、
他の単語（例えば数字の９「ＫＵ」）の標準パターンＲ
_i'（ｍ）（ｍ＝１，２，・・・，Ｍ'であり、Ｍ'は標準
パターンのフレーム数）を含んでいる（包含している）
場合がある。（以下、包含されているパターンを部分パ
ターンと記載する。）

【００１５】このような場合、部分パターンを包含して
いる標準パターンより、その標準パターンに包含されて
いる部分パターンの方が、入力パターンとの距離を短く
するときが多いので、部分パターンに対応する単語が音
声の認識結果として出力され、従って、認識率が劣化す
る課題があった。

【００１６】本発明は、このような状況に鑑みてなされ
たものであり、音声の認識率を向上させるものである。

【００１７】

【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、音声から入力パターンを作成する入力パター
ン作成手段としての音響分析部２およびＮＡＴ処理部３
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、入力パター
ンと、標準パターンとを対応させてマッチングするパタ
ーンマッチング手段としての線間距離対応マッチング部
５と、線間距離対応マッチング部５のマッチング結果か
ら入力パターン中における標準パターンの包含関係を判
定して、入力パターン中におけるにおける標準パターン
を絞り込む絞り込み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。

【００１８】この音声認識装置は、ワードスポッティン
グ判定部７に、入力パターンとの距離を最小にする、包
含関係により絞り込まれた標準パターンを抽出させるこ
とができる。

【００１９】さらに、この音声認識装置は、ワードスポ
ッティング判定部７に、入力パターンとの対応が時系列
的に最も早い、包含関係により絞り込まれた標準パター
ンを抽出させることができる。

【００２０】

【作用】請求項１に記載の音声認識装置においては、音
声から入力パターンを作成し、標準パターンメモリ６に
記憶されている標準パターンと対応させてマッチングす
る。そして、マッチング結果から音声における標準パタ
ーンの包含関係を判定して、入力パターン中における標
準パターンを絞り込む。従って、標準パターンが包含す
るパターン（部分パターン）の影響がなくなるので、音
声の認識率を向上させることができる。

【００２１】ワードスポッティング判定部７に、入力パ
ターンとの距離を最小にする、包含関係により絞り込ま
れた標準パターンを抽出させることができる場合におい
ては、音声の認識率をさらに向上させることができる。

【００２２】ワードスポッティング判定部７に、入力パ
ターンとの対応が時系列的に最も早い、包含関係により
絞り込まれた標準パターンを抽出させることができる場
合においては、一発声一単語の音声を認識するときに、
その音声の先頭付近に発声される単語を効率よく認識す
ることができる。

【００２３】

【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１３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
ｒｍａｌｉｚａｔｉｏｎＡｌｏｎｇＴｒａｊｅｃｔ
ｏｒｙ）処理部３は、図２に示すように、補間間隔設定
器３ａおよび補間点抽出器３ｂより構成され、ＮＡＴ処
理を行う。

【００２４】補間間隔設定器３ａは、図３または図４に
示すように、パラメータ空間内に描かれた特徴パラメー
タＰ_i（ｎ）（図中・印で示す）の軌跡をサンプリング
するための、あらかじめ設定された間隔（サンプリング
間隔）Ｔを補間点抽出器３ｂに供給する。

【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】補間点抽出器３ｂ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
間隔設定器３ａに設定されているサンプリング間隔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）（図４ではＲ_w（ｋ）で示す）（ｋ＝１，２，・
・・，Ｋ）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３ｂ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
隔設定器３ａに設定されているサンプリング間隔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）を入力パターンメモリ４
（図１）に供給する。

【００２７】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
メータ系列Ｘ（ｊ）を一時記憶する。

【００２８】線間距離対応マッチング部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）を結ぶ直線
とを線間距離対応マッチングする。即ち、線間距離対応
マッチング部５は、まず最初に標準パターンＲ_w（ｋ）
の各点を、入力パターンＸ（ｊ）の各点を順番に結んだ
直線（直線Ｘ（１）Ｘ（２）、直線Ｘ（２）Ｘ（３）、
・・・、直線Ｘ（Ｊ−１）Ｘ（Ｊ））のうち、最初の直
線Ｘ（１）Ｘ（２）から、順次対応させ（標準パターン
Ｒ_w（１）と入力パターンＸ（ｊ）の始点Ｘ（１）およ
び２番目の点Ｘ（２）を結んだ直線Ｘ（１）Ｘ（２）、
標準パターンＲ_w（２）と入力パターンＸ（ｊ）の２番
目の点Ｘ（２）および３番目の点Ｘ（３）を結んだ直線
Ｘ（２）Ｘ（３）、・・・、標準パターンＲ_w（Ｋ）と
入力パターンＸ（ｊ）のＫ番目の点Ｘ（Ｋ）およびＫ＋
１番目の点Ｘ（Ｋ＋１）を結んだ直線Ｘ（Ｋ）Ｘ（Ｋ＋
１）をそれぞれ対応させ）（図３、４および５）、対応
させた点と直線との間の、例えばユークリッド距離ｄ
（Ｘ（ｋ），Ｒ_w（ｋ））（ｋ＝１，２，・・・，Ｋ）
の総和Ｄ_w（Ｘ（１），Ｒ_w（ｋ））を計算する。

【００２９】ここで、図６に示すように、線分Ｒ
_w（ｋ）Ｘ（ｊ）（ベクトル（Ｒ_w（ｋ）−Ｘ（ｊ）））
と、線分Ｘ（ｊ＋１）Ｘ（ｊ）（ベクトル（Ｘ（ｊ＋
１）−Ｘ（ｊ）））とのなす角をθとすると、点Ｒ
_w（ｋ）と直線Ｘ（ｊ）Ｘ（ｊ＋１）との間のユークリ
ッド距離ｄ（Ｘ（ｊ），Ｒ_w（ｋ））は、次式により求
めることができる。ｄ（Ｘ（ｊ），Ｒ_w（ｋ））＝‖Ｒ_w（ｋ）−Ｘ（ｊ）‖ｓｉｎθ ‖Ｒ_w（ｋ）−Ｘ（ｊ）‖は、ベクトル（Ｒ_w（ｋ）−Ｘ
（ｊ））の大きさをとることを示す。また、

【数１】・は、ベクトル（Ｒ_w（ｋ）−Ｘ（ｊ））とベクトル
（Ｘ（ｊ＋１）−Ｘ（ｊ））との内積をとることを示
す。

【００３０】次に、線間距離対応マッチング部５は、標
準パターンＲ_w（ｋ）の各点を、入力パターンＸ（ｊ）
の各点を順番に結んだ直線（直線Ｘ（１）Ｘ（２）、直
線Ｘ（２）Ｘ（３）、・・・、直線Ｘ（Ｊ−１）Ｘ
（Ｊ））のうち、２番目の直線Ｘ（２）Ｘ（３）から、
順次対応させ（標準パターンＲ_w（１）と入力パターン
Ｘ（ｊ）の２番目の点Ｘ（２）および３番目の点Ｘ
（３）を結んだ直線Ｘ（２）Ｘ（３）、標準パターンＲ
_w（２）と入力パターンＸ（ｊ）の３番目の点Ｘ（３）
および４番目の点Ｘ（４）を結んだ直線Ｘ（３）Ｘ
（４）、・・・、標準パターンＲ_w（Ｋ）と入力パター
ンＸ（ｊ）のＫ＋１番目の点Ｘ（Ｋ＋１）およびＫ＋２
番目の点Ｘ（Ｋ＋２）を結んだ直線Ｘ（Ｋ＋１）Ｘ（Ｋ
＋２）をそれぞれ対応させ）、対応させた点と直線との
間の、ユークリッド距離ｄ（Ｘ（ｋ＋１），Ｒ
_w（ｋ））（ｋ＝１，２，・・・，Ｋ）の総和Ｄ_w（Ｘ
（２），Ｒ_w（ｋ））を計算する。以下同様にして、線
間距離対応マッチング部５は、標準パターンＲ_w（ｋ）
を、入力パターンＸ（ｊ）の各点を結ぶ直線に対応させ
る位置を順次ずらしながら、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。

【００３１】さらに、線間距離対応マッチング部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。なお、線間距離対応マッチング部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Ｒ₁（ｋ）
乃至Ｒ_W（ｋ）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、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、線間距
離対応マッチング部５より供給されたすべての標準パタ
ーンＲ₁（ｋ）乃至Ｒ_W（ｋ）における最小の距離Ｄ
₁（Ｘ（Ｊ_MIN（１）），Ｒ₁（ｋ））乃至Ｄ_W（Ｘ（Ｊ
_MIN（Ｗ）），Ｒ_W（ｋ））のうち、所定の閾値Ｄ_REF以
上のものを検出し、その距離を有する標準パターンを削
除し（認識候補パターンからはずし）、入力パターンと
の最小距離が所定の閾値Ｄ_REF未満の距離を有する標準
パターンの包含関係を、その標準パターンが得られた、
入力パターン中における位置から、後述するようにして
判定する。そして、ワードスポッティング判定部７は、
その包含関係に対応して、入力パターンとの最小距離が
所定の閾値Ｄ_REF未満の距離を有する標準パターンの中
から、部分パターンになっている標準パターンを検出し
て削除する（認識候補パターンからはずす）。さらに、
ワードスポッティング部７は、以上の処理により残った
標準パターンのうち、入力パターンとの距離を最小にす
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。

【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（単語）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の補間点抽出器３ｂ（図
２）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
設定器３ａに設定されてい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、標準
パターンとしての新たな特徴パラメータ系列Ｒ_w（ｋ）
（ｋ＝１，２，・・・，Ｋ）が算出される。

【００３５】補間点抽出器３ｂにより算出された新たな
特徴パラメータＲ_w（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３ｂ（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、
補間間隔設定器３ａに設定されてい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３ｂ）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】線間距離対応マッチング部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に記憶された標準パターンＲ
_w（ｋ）を結ぶ直線が線間距離対応マッチングされる。
即ち、線間距離対応マッチング部５において、標準パタ
ーンＲ_w（ｋ）を、入力パターンＸ（ｊ）の各点を結ぶ
直線に対応させる位置を順次ずらしながら、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。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、線間距離対応マッチング部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、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、
線間距離対応マッチング部５より供給されたすべての標
準パターンＲ₁（ｋ）乃至Ｒ_W（ｋ）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））のうち、所定の閾値Ｄ_REF以
上のものが検出され、その距離を有する標準パターンが
削除され（認識候補パターンからはずされ）、入力パタ
ーンとの最小距離が所定の閾値Ｄ_REF未満の距離を有す
る標準パターンの包含関係が、その標準パターンが得ら
れた、入力パターン中における位置から判定される。

【００４２】ここで、ワードスポッティング判定部７に
おいて、入力パターン中における標準パターンの包含関
係が、次のように判定される。即ち、入力パターン中に
おける標準パターンＲ_w（ｋ）の始点の位置は、Ｊ
_MIN（ｗ）であるから、その終点の位置は、標準パター
ンＲ_w（ｋ）のフレーム数Ｋから１を引いた値（Ｋ−
１）に、ＮＡＴ処理部３の補間間隔設定器３ａに設定さ
れているサンプリング間隔Ｔを乗じた値（Ｋ−１）Ｔ、
即ち標準パターンＲ_w（ｋ）の長さを、その始点の位置
Ｊ_M _IN（ｗ）に加えた値（Ｊ_MIN（ｗ）＋（Ｋ−１）Ｔ）
になる。

【００４３】従って、任意の標準パターンの入力パター
ン中における始点と終点は、以上の方法により求めるこ
とができるので、例えば標準パターンＡの始点をａ₁、
その終点をａ₂とし、標準パターンＢの始点をｂ₁、その
終点をｂ₂とすると、ａ₁≦ｂ₁、且つｂ₂≦ａ₂ となる場合、ワードスポッティング判定部７において、
標準パターンＡが標準パターンＢを包含していると（標
準パターンＢが標準パターンＡの部分パターンである
と）判定される。なお、ａ₁＝ｂ₁、且つｂ₂＝ａ₂ となる場合、ワードスポッティング判定部７において、
標準パターンＡと標準パターンＢのうち、入力パターン
との距離が短い方の標準パターンが、その距離が長い方
の標準パターンを包含していると（標準パターンＡと標
準パターンＢのうち、入力パターンとの距離が長い方の
標準パターンが、その距離が短い方の標準パターンの部
分パターンであると）判定される。

【００４４】ワードスポッティング判定部７において、
入力パターンとの最小距離が所定の閾値Ｄ_REF未満の距
離を有する標準パターンの中から、部分パターンになっ
ている標準パターンが検出されて削除される（認識候補
パターンからはずされる）。さらに、ワードスポッティ
ング部７において、以上の処理により残った標準パター
ンのうち、入力パターンとの距離を最小にする標準パタ
ーンに対する単語が認識結果として出力される。

【００４５】次に、標準パターンメモリ６に「ｚｅｒ
ｏ」、［ｒｅｉ」、「ｍａｒｕ」（以上数字の０）、
「ｉｃｈｉ」（数字の１）、「ｎｉ」（数字の２）、
「ｓａｎ」（数字の３）、「ｓｈｉ」、「ｙｏｎ」（以
上数字の４）、「ｇｏ」（数字の５）、「ｒｏｋｕ」
（数字の６）、「ｎａｎａ」、「ｓｈｉｔｉ」（以上数
字の７）、「ｈａｃｈｉ」（数字の８）、「ｋｕ」、
「ｋｙｕｕ」（以上数字の９）、「ｈａｉ」（返事のハ
イ）、および「ｉｉｅ」（返事のイイエ）が標準パター
ンとして記憶されている場合、音声（入力パターン）
「Ｎ−ｒｏｋｕｎｉｃｈｉ」（んー、６日）がマイク１
に入力されたときの動作を、図７乃至図１１を参照して
説明する。

【００４６】なお、図７乃至図１１においては、横軸方
向が時間、縦軸方向が入力パターンと標準パターンとの
距離に対応する。さらに、図７乃至図１１における入力
パターンまたは標準パターンに付随している、白と黒で
内部が塗られている長方形は、そのパターンの時系列の
スペクトル変化を表しており、図７の入力パターン「Ｎ
−ｒｏｋｕｎｉｃｈｉ」の部分に示したように、縦軸方
向が周波数（下側が低周波数で、上側が高周波数）に対
応し、白黒の濃淡が周波数レベル（白い方が高レベル
で、黒い方が低レベル）に対応する。また、図７乃至図
１１においては、図を見やすくするために縦軸方向の距
離のスケールを変化させている。

【００４７】音声「んー、６日」（「Ｎ−ｒｏｋｕｎｉ
ｃｈｉ」）がマイク１に入力されると、音響分析部２お
よびＮＡＴ処理部３を介して入力パターンメモリ４に入
力パターン「Ｎ−ｒｏｋｕｎｉｃｈｉ」が記憶される。

【００４８】そして、線間距離対応マッチング部５にお
いて、標準パターンメモリ６の最上位アドレスに記憶さ
れている、例えば標準パターン「ｎｉ」と、入力パター
ンメモリ４に記憶された入力パターン「Ｎ−ｒｏｋｕｎ
ｉｃｈｉ」が読み出され、標準パターン「ｎｉ」を、入
力パターン「Ｎ−ｒｏｋｕｎｉｃｈｉ」の各点（ＮＡＴ
処理部３の補間点抽出器３ｂでサンプルされた点）を結
ぶ直線に対応させる位置（時間）を順次ずらしながら、
各位置における距離が求められる。図７では、線間距離
対応マッチング部５で時間を順次ずらしながら求められ
た入力パターン「Ｎ−ｒｏｋｕｎｉｃｈｉ」と標準パタ
ーン「ｎｉ」との距離のうち、その値が所定の値以下に
なるものを示している。

【００４９】さらに、線間距離対応マッチング部５で、
図７に示した入力パターン「Ｎ−ｒｏｋｕｎｉｃｈｉ」
と標準パターン「ｎｉ」との距離のうち、入力パターン
「Ｎ−ｒｏｋｕｎｉｃｈｉ」との距離を最小にする標準
パターン「ｎｉ」と、その位置（時間）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（図８）。

【００５０】なお、線間距離対応マッチング部５におい
て、標準パターンメモリ６に記憶されている上述した１
７個のすべての標準パターンに対して、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と、そ
れが得られた位置が検出され、ワードスポッティング判
定部７に供給される（図９）。

【００５１】ワードスポッティング判定部７において、
線間距離対応マッチング部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のうち、所定の閾値Ｄ
_REF以上のもの（図９における点線から下に位置する標
準パターン）が検出され、その距離を有する標準パター
ンが削除され（認識候補パターンからはずされ）、図１
０に示す、入力パターンとの最小距離が所定の閾値Ｄ
_REF未満の距離を有する標準パターンの包含関係が、そ
の標準パターンが得られた、入力パターン中における位
置（時間）から判定される。

【００５２】そして、ワードスポッティング判定部７に
おいて、図１０に示す標準パターン「ｚｅｒｏ」、「ｇ
ｏ」、および「ｋｕ」は、標準パターン「ｒｏｋｕ」に
包含されているので（標準パターン「ｒｏｋｕ」の部分
パターンになっているので）、削除される（認識候補パ
ターンからはずされる）。同様に、標準パターン「ｎ
ｉ」、「ｓｈｉ」、および「ｋｙｕｕ」は、標準パター
ン「ｓｈｉｔｉ」または「ｉｃｈｉ」に包含されている
ので（標準パターン「ｓｈｉｔｉ」または「ｉｃｈｉ」
の部分パターンになっているので）、削除される（認識
候補パターンからはずされる）。また、同じ位置にある
標準パターン「ｓｈｉｔｉ」と標準パターン「ｉｃｈ
ｉ」については、入力パターンとの距離が長い方の標準
パターン「ｉｃｈｉ」が、その距離が短い方の標準パタ
ーン「ｓｈｉｔｉ」の部分パターンであるので、削除さ
れる（認識候補パターンからはずされる）（図１１）。

【００５３】さらに、ワードスポッティング部７におい
て、以上の処理により残った標準パターン「ｒｏｋｕ」
と標準パターン「ｓｈｉｔｉ」のうち（図１１）、入力
パターンとの距離を最小にする標準パターン「ｒｏｋ
ｕ」に対する単語（数字の６）が認識結果として出力さ
れる。

【００５４】以上説明したように、マッチング結果から
音声における標準パターンの包含関係を判定して、入力
パターン中における標準パターンを絞り込むようにした
ので、標準パターンが包含する部分パターンによる音声
の誤認識が防止される。

【００５５】なお、線間距離対応マッチング部５で、図
１２に示すように、標準パターンの各点（ＮＡＴ処理部
３の補間点抽出器３ｂでサンプルされた点）（図中、×
印で示す）を、入力パターンの各点（ＮＡＴ処理部３の
補間点抽出器３ｂでサンプルされた点）（図中、○印で
示す）に対応させて、標準パターンと入力パターンとの
距離を求めるようにすることができるが、この場合、標
準パターンの各点が、入力パターンの各点のいずれかと
対応しているのではなく、例えば入力パターンの軌跡を
近似した直線上の点に対応しているときに、標準パター
ンと入力パターンとの正確な距離が求まらず、認識率が
劣化する可能性がある。従って、これを防止するため
に、本実施例においては、線間距離対応マッチング部５
で、標準パターンの各点を、入力パターンの各点を結ぶ
直線に対応させる位置（時間）を順次ずらしながら、各
位置における距離を求めるようにした。

【００５６】また、本実施例においては、線間距離対応
マッチング部５で、標準パターンを、入力パターンに対
応させる位置（時間）を順次（線形的に）ずらしなが
ら、標準パターンと入力パターンとの距離を求めるよう
にしたが、始点フリーのＤＰマッチングにより、その距
離を求めるようにすることができる。

【００５７】さらに、本実施例においては、ワードスポ
ッティング判定部７で、最終的に入力パターンとの距離
を最小にする標準パターンを、認識結果として出力する
ようにしたが、一発声一単語の音声を認識するときに、
その音声の先頭付近に認識しようとする単語が発声され
る場合が多いので、最終的に入力パターンとの対応が時
系列的に最も早い標準パターンを認識結果として出力す
るようにすることができる。

【００５８】

【発明の効果】請求項１に記載の音声認識装置によれ
ば、音声から入力パターンを作成し、標準パターン記憶
手段に記憶されている標準パターンと対応させてマッチ
ングする。そして、マッチング結果から音声における標
準パターンの包含関係を判定して、入力パターン中にお
ける標準パターンを絞り込む。従って、標準パターンが
包含するパターン（部分パターン）の影響がなくなるの
で、音声の認識率を向上させることができる。

【００５９】請求項２に記載の音声認識装置によれば、
絞り込み手段に、入力パターンとの距離を最小にする、
包含関係により絞り込まれた標準パターンを抽出させる
ようにしたので、音声の認識率をさらに向上させること
ができる。

【００６０】請求項３に記載の音声認識装置によれば、
絞り込み手段に、入力パターンとの対応が時系列的に最
も早い、包含関係により絞り込まれた標準パターンを抽
出させるようにしたので、一発声一単語の音声を認識す
るときに、その音声の先頭付近に発声される単語を効率
よく認識することができる。

【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のより詳細なブ
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】入力パターンの各点を順番に結んだ直線と、標
準パターンの各点とを対応させ、対応させた点と直線と
の間の線間距離対応マッチングを説明するための図であ
る。

【図６】入力パターンの各点を順番に結んだ直線と、標
準パターンの各点とを対応させ、対応させた点と直線と
の間の距離の計算方法を説明するための図である。

【図７】図１の実施例の線間距離対応マッチング部５の
動作を説明するための図である。

【図８】図１の実施例の線間距離対応マッチング部５の
動作を説明するための図である。

【図９】図１の実施例のワードスポッティング判定部７
の動作を説明するための図である。

【図１０】図１の実施例のワードスポッティング判定部
７の動作を説明するための図である。

【図１１】図１の実施例のワードスポッティング判定部
７の動作を説明するための図である。

【図１２】入力パターンの各点と標準パターンの各点と
を対応させて入力パターンと標準パターンとの距離を求
めることを説明するための図である。

【図１３】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１４】図１３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。

【符号の説明】

１マイク２音響分析部３ＮＡＴ処理部４入力パターンメモリ５線間距離対応マッチング部６標準パターンメモリ７ワードスポッティング判定部１１ＤＰマッチング部１２認識部

Claims

【特許請求の範囲】

【請求項１】音声から入力パターンを作成する入力パ
ターン作成手段と、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、前記入力パターン作成手段により作成された入力パター
ンと、前記標準パターン記憶手段に記憶された標準パタ
ーンとを対応させて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から前記
入力パターン中における前記標準パターンの包含関係を
判定して、前記入力パターン中における前記標準パター
ンを絞り込む絞り込み手段とを備えることを特徴とする
音声認識装置。
【請求項２】前記絞り込み手段は、前記入力パターン
との距離を最小にする、前記包含関係により絞り込まれ
た前記標準パターンを抽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。
【請求項３】前記絞り込み手段は、前記入力パターン
との対応が時系列的に最も早い、前記包含関係により絞
り込まれた前記標準パターンを抽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。