JPH0556515B2 - - Google Patents

Description

【発明の詳細な説明】

産業上の利用分野 本発明は、入力された音声を音節単位に認識す
る日本語音声入力装置などに有利に用いられる音
声認識方式に関する。 背景技術 入力された音声を音節単位に認識する日本語音
声入力装置などに用いられる従来からの音声認識
方式では、連続音声を音節に分解して切り出され
た音節を主としてパターンマツチングによつて認
識する場合、発音のばらつきや調音結合と呼ばれ
る前後の音の影響による変形などによる音節認識
率の低下を、各音節に複数個の特徴標準パターン
を持たせることで防いでいる。また、それらの特
徴標準パターンを入力された新しいパターンで更
新することにより認識率を向上させている。 発明が解決しようとする問題点 上記先行技術では、入力環境の急変、話者の生
理的要因に基づく音質の変化、音声ピツクアツプ
系の設定の変化などに起因して音声信号波形の変
化により同一カテゴリの特徴パターンの不整合が
起つた場合に対処することができず、急激に音声
認識率が低下する。 本発明の目的は、上述の技術的課題を解決し、
同一カテゴリの特徴パターンの不整合が起つた場
合でも常時安定して高い認識率を維持できるよう
にした音声認識方式を提供することである。 問題点を解決するための手段 本発明は、入力された音声を予め登録された複
数種類の音節の特徴標準パターンとの類似度計算
によつて音節単位に認識し、その結果を辞書との
照合もしくはキーボードなどの外部指示操作によ
つて修正して最終的な入力を得るようにした音声
認識方式において、 認識基本単位である音節について音節別に入力
毎の正解あるいは誤りの時系列を第１バツフアに
記憶し、 音節全体の正解あるいは誤りの時系列を第２バ
ツフアに記憶し、 入力時に入力された音節を用いて特徴標準パタ
ーンを自動的に更新する場合、第１および第２バ
ツフアの内容を読み取つて入力時点からさかのぼ
つた最近の各音節の認識情況と音節全体の認識情
況を求め、 各音節の認識情況と音節全体の認識情況とを用
いて音節の学習の促進／抑制の制御を段階的に行
うようにした音声認識方式である。 作 用 本発明に従えば、たとえば111種の各音節につ
いての認識情況に加えて音節全体の認識情況を求
めて、音節全体の認識率が低下してきたときは学
習を促進し、認識率が高くなつたときは学習を抑
制するように音節の学習を段階的に抑制する。こ
れによつて、入力環境の急変、話者の生理的要因
に基づく音質の変化、音声ピツクアツプ系の設定
の変化などに起因した急激な音声認識率の低下な
どの音節認識情況の変化を、音節全体と各音節に
ついて検知して学習を制御して、この種の変動に
対して比較的認識率の回復を早めることができ、
かつ認識率が高い場合には学習を抑制して安定し
て高い認識率を維持できる。 実施例 先ず本発明の概要について説明する。本発明で
は、音節別に入力毎の正解あるいは誤りの時系列
を記憶する第１のリングバツフアＬと、音節全体
の正解あるいは誤りの時系列を記憶する第２のリ
ングバツフアliとを設ける。これらのリングバツ
フアＬ，liは、メモリが当間隔に分割されて各部
分が一つの認識結果を記憶し、時系列に沿つてリ
ング状に連なつて構成されたもので、その部分数
がｎ個あれば過去ｎ個の認識結果の時系列を記憶
できることになる。これらは入力が確定される毎
に更新される。 これらの２種類のリングバツフアＬ，liの内容
に基づき、リングバツフアＬから最近の音節全体
の認識率Ｒを、またリングバツフアliから最近の
音節ｉの認識率riを算出する。次に音節全体の認
識率Ｒを複数のランクに別けて、各ランク毎に各
音節の認識率liに応じた学習条件を設定する。 音節全体の認識率Ｒは第１式で示され、各音節
（音節ｉ）の認識率は第２式で示される。 Ｒ（ｎ）＝ne／ｎ …(1) ただし、ｎ＝ne＋ncである。ここでｎは過去
ｎ回の入力回数を示し、neは誤り数を示し、nc
は正解数を示す。 ri（ｍ）＝me／ｍ …(2) ただし、ｍ＝me＋mcである。ここでｍは過去
ｍ回の音節ｉの入力回数を示し、meは音節ｉの
誤り数を示し、mcは音節ｉの正解数を示す。 例えば、誤り率については、第３式、第４式お
よび第５式のように段階的に設定する。これらの
条件が満たされたとき、その入力音節は学習され
る。 Ｒ(10)＜0.2のとき１≦ri(1) …(3) 0.2≦Ｒ(10)＜0.3のとき１／２≦ri(2) …(4) 0.3≦Ｒ(10)のとき１／３≦ri(3) …(5) たとえばリングバツフアＬにおける音節全体の
認識結果の時系列が第１表に示されるものであ
り、リングバツフアliにおける音節毎の認識結果
の時系列が第２表に示されるものであるとき、第
３表に示される学習処理が行なわれる。

【表】

【表】

【表】

【表】

【表】 ここで第１の学習方式は上記第３式〜第５式に
基づく音節全体の認識情況と個々の音節の認識情
況を用いたものであり、第２の学習方式は１／２
＜ｒ(2)に基づく個々の音節の認識情況だけを用い
た場合である。第３表から明らかなように第１の
方式は、認識率の変動に良く追従している。 第１図は本発明の一実施例の日本語音声入力装
置１の構成を示すブロツク図であり、第２図は日
本語音声入力装置１における自動学習の処理系を
示す図である。この日本語音声入力装置１は、連
続的に発声された音声を音節単位に認識し、この
認識結果を辞書によつて修正した後、単語などの
単位で外部装置に転送する機能を有している。 発声され入力された音声は、マイクロホン２を
介してアナログ入力部３に入力され、このアナロ
グ入力部３内の増幅器４によつて増幅された後、
アナログ／デジタル変換器５によつてデジタル信
号に変換され、そのデジタル信号が音声分析部６
および音節セグメンテーシヨン部７に入力され
る。 次に音響処理および音節の切り出し処理Ｔ１が
行なわれる。すなわち音声分析部６では、入力音
声を16ms程度のフレームに分けスペクトル分析
を行ない、8ms程度の間隔で音節セグメンテーシ
ヨン部７に音節のセグメンテーシヨンに必要な特
徴パラメータを転送する。音節セグメンテーシヨ
ン部７では、音声分析部６からの種々の特徴パラ
メータをリング状の特徴パターンバツフア８に一
時記憶しながら音節を切出して各音節の特徴をパ
ターン化して特徴パターンメモリ９に記憶する。
特徴パターンバツフア８は複数の音節を記憶する
ことができるように構成されている。音節セグメ
ンテーシヨン部７の処理は、中央処理装置（以下
CPUと言う）１０からの命令により開始・停止
が制御されるように構成されている。 次に音節の認識処理Ｔ２が行なわれ、処理Ｔ３
で認識結果が選ばれる。すなわち、音節認識部１
１では、各音節の特徴パターンと、特徴標準パタ
ーンメモリ１２に予め標準として記憶されている
すべての特徴標準パターンとのパターン距離計算
を行ない、類似頻度の高い順に候補を出す。同種
の音節名を持つ候補を統合し音節認識結果として
認識結果メモリ１３に記憶する。 次に処理Ｔ４で音節認識結果の誤りを修正処理
し、処理Ｔ５で音節認識結果を導き出す。すなわ
ち音節認識部１１内の修正処理部１１ａでは、言
語処理用辞書メモリ１４に記憶した辞書を用いて
音節認識結果の誤りを自動的に修正する。あるい
は操作者自身がキーボード１５によつて、入力音
声に対する認識候補から正しい候補を選択した
り、また誤り箇所を直接修正する場合もある。こ
のようにして確定された正しい結果は、処理Ｔ６
で漢字に変換されて文字列として出力される。 次に処理Ｔ７で自動学習処理が行なわれる。す
なわち音節認識部１１内の学習処理制御部１１ｂ
では、確定文字列により認識結果を分析して更新
される学習情報（処理Ｔ８）を用いて、入力され
た各音節の特徴パターンを学習（特徴パターンを
用いて特徴標準パターンを更新することを言う）
するか否かを次のように判定して学習の制御を行
なう。 学習情報としては、音節正誤リングバツフア
１６に記憶された音節毎の最近（たとえば過去３
回の入力に対しての）正／誤の時系列と、音節
全体正誤リングバツフア１７に記憶された最近
（たとえば過去128回の音節の入力に対して）の
正／誤の時系列とが用いられる。 次に認識情況に基づく制御が行なわれる。すな
わち最近の正解音節平均認識率Ｒに応じて、
〔S1〕，〔S2〕，〔S3〕の３段階的に条件を設定し、
条件が満たされた場合学習される。 第１段階〔S1〕は、Ｒ（128）＜80％のとき過去
３回（現在の結果も含む）の入力に対し１回以上
誤りがある音節の場合（誤り率ri(3)≧１／３）で
ある。 第２段階〔S2〕は、80％≦Ｒ（128）＜85％のと
き、過去３回の入力に対し１回以上誤りがある場
合（誤り率ri(2)≧１／２）である。 第３段階〔S3〕は、Ｒ（128）≧85％のとき、現
在誤つた場合のみ（誤り率ri(1)≧１）である。 このような条件の下で、学習処理の更新部１１
ｃでは、学習すると判定された音節について特徴
標準パターン１２の中で最も悪いパターンすなわ
ち認識貢献度が最も低いパターンを検索し（処理
Ｔ１０）を、その音節の特徴パターンで置換する
かその特徴パターンを用いて平均化の操作を行つ
てその特徴標準パターンの更新（処理Ｔ９）を終
了する。 なお、音声分析部６以外は、総てCPU１０で
制御されている。 第３図は、11種の文章（１文章は平均650音節
からなる）を入力したとき、各文章毎の音節の平
均認識率と、学習された入力音節の個数の推移を
示したグラフである。ここでは２名の話者Ａ，Ｂ
について測定した。ライン１は話者Ａに関する
音節の認識率を示し、ライン２は話者Ｂに関す
る音節の認識率を示している。またライン３は
話者Ｂに関するパターン学習回数を示し、ライン
４は話者Ａに関するパターン学習回数を示して
いる。認識率がＡに比べて低いＢの場合は、学習
した音節の個数が多い。文章を多く入力していく
と平均認識率が高くなつて学習音節数も減つてお
り学習の効果が現れている。また、第４文章を入
力したときの平均認識が非常に高いが学習は抑制
され、第５文章のときは平均認識率が低下して学
習が促進されている様子が分かる。このように学
習を抑制して入力の情況に追従して高認識率を維
持していることが理解される。 効 果 以上のように本発明によれば、入力環境の急
変、話者の生理的要因に基づく音質の変化、音声
ピツクアツプ系の設定の変化などに起因して音声
信号波形の変化により同一カテゴリの特徴パター
ンの不整合が起こり、急激に音声認識率が低下す
る場合があつても、このような音節認識情況の変
化を音節全体と各音節について検知して学習を制
御するため、この種の変動に対して比較的認識率
の回復が早く、一方十分認識率が高い場合には学
習を抑制するため、安定して高い認識率を維持で
きる。

【図面の簡単な説明】

第１図は本発明の一実施例の日本語音声入力装
置１の構成を示すブロツク図、第２図は日本語音
声入力装置１における自動学習の処理系を示す
図、第３図は11種の文章（１文章は平均650音節
からなる）を入力したとき、各文章毎の音節の平
均認識率と、学習された入力音節の個数の推移を
示したグラフである。 １……日本語音声入力装置、２……マイクロホ
ン、６……音声分析部、７……音節セグメンテー
シヨン部、８……特徴パターンバツフア、９……
特徴パターンメモリ、１０……CPU、１１……
音声認識部、１１ａ……修正処理部、１１ｂ……
学習制御部、１１ｃ……更新部、１２……特徴標
準パターンメモリ、１３……認識結果メモリ、１
４……言語処理用辞書メモリ、１５……キーボー
ド、１６……音節正誤リングバツフア、１７……
音節全体正誤リングバツフア。

Claims (1)

1. 【特許請求の範囲】 １ 入力された音声を予め登録された複数種類の
   音節の特徴標準パターンとの類似度計算によつて
   音節単位に認識し、その結果を辞書との照合もし
   くはキーボードなどの外部指示操作によつて修正
   して最終的な入力を得るようにした音声認識方式
   において、 認識基本単位である音節について音節別に入力
   毎の正解あるいは誤りの時系列を第１バツフアに
   記憶し、 音節全体の正解あるいは誤りの時系列を第２バ
   ツフアに記憶し、 入力時に入力された音節を用いて特徴標準パタ
   ーンを自動的に更新する場合、第１および第２バ
   ツフアの内容を読み取つて入力時点からさかのぼ
   つた最近の各音節の認識情況と音節全体の認識情
   況を求め、 各音節の認識情況と音節全体の認識情況とを用
   いて音節の学習の促進／抑制の制御を段階的に行
   うようにした音声認識方式。