JPH0588694A - 音声認識方法 - Google Patents
音声認識方法Info
- Publication number
- JPH0588694A JPH0588694A JP3249026A JP24902691A JPH0588694A JP H0588694 A JPH0588694 A JP H0588694A JP 3249026 A JP3249026 A JP 3249026A JP 24902691 A JP24902691 A JP 24902691A JP H0588694 A JPH0588694 A JP H0588694A
- Authority
- JP
- Japan
- Prior art keywords
- similarity
- word
- equation
- standard pattern
- primary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
(57)【要約】
【目的】 本発明は、少ない記憶容量で、1単語または
2単語以上連続的に発声されたの認識を行うことを目的
とする。 【構成】 本発明は、1単語または連続発声された2単
語以上の音声に対して、入力信号を分析し、全単語の標
準パターンとの照合を行ない、その結果を類似度の列と
して出力する一次照合部と、一次照合部が出力する類似
度の列を認識のためのパラメータとして扱い、予め作成
しておいた二次照合用の標準パターンとの照合を行なう
二次照合部を設け、一次照合部の結果として出力される
類似度列を二次照合部において予め作成しておいた二次
照合用の全認識対象の標準パターンとの照合を行ない、
この照合の結果により1単語または連続的に発声された
2単語以上の音声認識を行うように構成されている。
2単語以上連続的に発声されたの認識を行うことを目的
とする。 【構成】 本発明は、1単語または連続発声された2単
語以上の音声に対して、入力信号を分析し、全単語の標
準パターンとの照合を行ない、その結果を類似度の列と
して出力する一次照合部と、一次照合部が出力する類似
度の列を認識のためのパラメータとして扱い、予め作成
しておいた二次照合用の標準パターンとの照合を行なう
二次照合部を設け、一次照合部の結果として出力される
類似度列を二次照合部において予め作成しておいた二次
照合用の全認識対象の標準パターンとの照合を行ない、
この照合の結果により1単語または連続的に発声された
2単語以上の音声認識を行うように構成されている。
Description
【0001】
【産業上の利用分野】本発明は、機械に人間の声を認識
させる音声認識方法に関するものである。
させる音声認識方法に関するものである。
【0002】
【従来の技術】以下に、2単語の連続発声された音声を
ワードスポッティングすることを特徴とした従来の認識
法について述べる。
ワードスポッティングすることを特徴とした従来の認識
法について述べる。
【0003】図8は、2単語の連続発声された音声の認
識を行なう従来の方法を示したブロック図である。従来
の方法では1単語または2単語以上の連続発声された音
声の認識を行なう場合、認識すべき音声の前後に環境騒
音を含んだ十分長い区間を入力とし、この入力をAD変
換部41でディジタル信号に変換した後、音響分析部4
2で音響分析を行って音響パラメータ時系列を求める。
次にワードスポッティング部43で入力パラメータ時系
列のあらゆる部分区間を設定し、全単語の標準パターン
44とのマッチングによりワードスポッティングを行
う。単語ラティス作成部45においてワードスポッティ
ングの結果得られた単語の始終端の位置情報と、入力の
標準パターンに対する類似度を用いて単語ラティスを作
成し、単語ラティス探索部46で時間的なつながりや類
似度が高いということなどを制約条件として探索するこ
とによって2単語の候補を多数作り、類似度比較部47
において各候補の類似度を比較し、最適な2単語を選択
するという方法で認識結果を得るということを行なって
いた。
識を行なう従来の方法を示したブロック図である。従来
の方法では1単語または2単語以上の連続発声された音
声の認識を行なう場合、認識すべき音声の前後に環境騒
音を含んだ十分長い区間を入力とし、この入力をAD変
換部41でディジタル信号に変換した後、音響分析部4
2で音響分析を行って音響パラメータ時系列を求める。
次にワードスポッティング部43で入力パラメータ時系
列のあらゆる部分区間を設定し、全単語の標準パターン
44とのマッチングによりワードスポッティングを行
う。単語ラティス作成部45においてワードスポッティ
ングの結果得られた単語の始終端の位置情報と、入力の
標準パターンに対する類似度を用いて単語ラティスを作
成し、単語ラティス探索部46で時間的なつながりや類
似度が高いということなどを制約条件として探索するこ
とによって2単語の候補を多数作り、類似度比較部47
において各候補の類似度を比較し、最適な2単語を選択
するという方法で認識結果を得るということを行なって
いた。
【0004】
【発明が解決しようとする課題】しかし、以上のような
構成では、認識結果を得るために、スポッティングされ
た単語の始終端の位置情報と入力の標準パターンに対す
る類似度を用いて単語ラティスを作成し、これを記憶し
た上で探索するという、大きな記憶容量と複雑な探索処
理が必要であるという課題があった。
構成では、認識結果を得るために、スポッティングされ
た単語の始終端の位置情報と入力の標準パターンに対す
る類似度を用いて単語ラティスを作成し、これを記憶し
た上で探索するという、大きな記憶容量と複雑な探索処
理が必要であるという課題があった。
【0005】本発明の目的は、以上のような従来の課題
を解決するものであり、従来の方法に比べて記憶容量が
少なくて済み、単純な処理で連続的に発声された2単語
以上の音声を認識することができるようにした音声認識
方法を提供することを目的とするものである。
を解決するものであり、従来の方法に比べて記憶容量が
少なくて済み、単純な処理で連続的に発声された2単語
以上の音声を認識することができるようにした音声認識
方法を提供することを目的とするものである。
【0006】
【課題を解決するための手段】この目的を達成するため
に、本発明は、1単語または連続発声された2単語以上
の音声に対して、入力信号を分析し、全単語の標準パタ
ーンとの照合を行ない、その結果を類似度の列として出
力する一次照合部と、一次照合部が出力する類似度の列
を認識のためのパラメータとして扱い、予め作成してお
いた二次照合用の標準パターンとの照合を行なう二次照
合部を設け、一次照合部の結果として出力される類似度
列を二次照合部において予め作成しておいた二次照合用
の全認識対象の標準パターンとの照合を行ない、この照
合の結果により1単語または連続的に発声された2単語
以上の音声認識を行うように構成されている。
に、本発明は、1単語または連続発声された2単語以上
の音声に対して、入力信号を分析し、全単語の標準パタ
ーンとの照合を行ない、その結果を類似度の列として出
力する一次照合部と、一次照合部が出力する類似度の列
を認識のためのパラメータとして扱い、予め作成してお
いた二次照合用の標準パターンとの照合を行なう二次照
合部を設け、一次照合部の結果として出力される類似度
列を二次照合部において予め作成しておいた二次照合用
の全認識対象の標準パターンとの照合を行ない、この照
合の結果により1単語または連続的に発声された2単語
以上の音声認識を行うように構成されている。
【0007】
【作用】本発明は、上記構成により、一次処理用の標準
パターンと照合を行って得られる認識対象の標準パター
ンに対する類似度の列に認識対象単語ごとに異なった傾
向が現れるという性質を用いて、1単語または2単語以
上の連続的に発声された音声の認識を行うように作用す
る。
パターンと照合を行って得られる認識対象の標準パター
ンに対する類似度の列に認識対象単語ごとに異なった傾
向が現れるという性質を用いて、1単語または2単語以
上の連続的に発声された音声の認識を行うように作用す
る。
【0008】
【実施例】以下に本発明の実施例を図面を参照しながら
詳細に説明するが、その前に本発明の概略を、(表1)
に示した1桁から2桁の12個の数字の認識を行う場合
について説明する。
詳細に説明するが、その前に本発明の概略を、(表1)
に示した1桁から2桁の12個の数字の認識を行う場合
について説明する。
【0009】
【表1】
【0010】(表2)に示した辞書を用いて
【0011】
【表2】
【0012】(表1)に示した1桁から2桁の数字を認
識することは連続的に発声された2単語を認識すること
に等しい。すなわち、(表2)に示した単語が一次照合
の照合対象単語となる。
識することは連続的に発声された2単語を認識すること
に等しい。すなわち、(表2)に示した単語が一次照合
の照合対象単語となる。
【0013】例えば、図2(a)に示すように「にじゅ
う」が入力されると入力音声区間に合致する「にじゅ
う」と、音声区間の後半の「じゅう」はそれぞれの標準
パターンと似ているので、高い類似度でワードスポッテ
ィングされるという傾向が観察される。また、図2
(b)に示すように「にじゅうご」が入力されたとき
は、音声区間の最初の「にじゅう」、音声区間中の「じ
ゅう」最後の「ご」がそれぞれの標準パターンに似てい
るのでそれぞれ高い類似度でワードスポッティングされ
るという傾向を観察することができる。このような傾向
を全ての数字について表したものを(表3)に示す。
う」が入力されると入力音声区間に合致する「にじゅ
う」と、音声区間の後半の「じゅう」はそれぞれの標準
パターンと似ているので、高い類似度でワードスポッテ
ィングされるという傾向が観察される。また、図2
(b)に示すように「にじゅうご」が入力されたとき
は、音声区間の最初の「にじゅう」、音声区間中の「じ
ゅう」最後の「ご」がそれぞれの標準パターンに似てい
るのでそれぞれ高い類似度でワードスポッティングされ
るという傾向を観察することができる。このような傾向
を全ての数字について表したものを(表3)に示す。
【0014】
【表3】
【0015】(表3)に示したように、ある入力に対し
て(表2)に示した標準パターンと照合を行って得られ
る各認識対象の、各標準パターンに対する類似度には、
認識対象単語ごとに異なった傾向が現れる。したがっ
て、一次照合を行って得られる類似度を特徴パラメータ
として扱い、その類似度の傾向を標準パターンとしてパ
ターンマッチングによる音声の認識に利用することがで
きる。すなわち、一次照合によって、多くの人が発声し
た全認識対象音声を、照合すべき全単語の標準パターン
との照合を行い、その結果得られる類似度の統計的な傾
向を求め、これを二次照合のための標準パターンとし、
この類似度傾向を表現する標準パターンを用いて二次照
合を行なって音声を認識する手段により、前記課題を解
決しつつ1単語または連続的に発声された2単語以上の
単語を認識することができる。
て(表2)に示した標準パターンと照合を行って得られ
る各認識対象の、各標準パターンに対する類似度には、
認識対象単語ごとに異なった傾向が現れる。したがっ
て、一次照合を行って得られる類似度を特徴パラメータ
として扱い、その類似度の傾向を標準パターンとしてパ
ターンマッチングによる音声の認識に利用することがで
きる。すなわち、一次照合によって、多くの人が発声し
た全認識対象音声を、照合すべき全単語の標準パターン
との照合を行い、その結果得られる類似度の統計的な傾
向を求め、これを二次照合のための標準パターンとし、
この類似度傾向を表現する標準パターンを用いて二次照
合を行なって音声を認識する手段により、前記課題を解
決しつつ1単語または連続的に発声された2単語以上の
単語を認識することができる。
【0016】図1は、本発明の一実施例における音声認
識方法を具現化する機能ブロック図である。
識方法を具現化する機能ブロック図である。
【0017】本発明は、図1に示したように、一次照合
部1と二次照合部2とに大別される。
部1と二次照合部2とに大別される。
【0018】一次照合部1では、認識すべき音声とその
前後の騒音を含む十分長い区間を入力とし、一定の基準
に基づいたあらゆる音声区間候補に対して一次照合用の
標準パターンとの照合を行ない、一次照合の各照合対象
単語ごとの類似度の最大値を求め、入力中から各照合対
象単語を切り出し、一次照合の照合対象の全単語の標準
パターンに対する最大類似度を要素とした類似度列を結
果として出力するという処理を行なっている。
前後の騒音を含む十分長い区間を入力とし、一定の基準
に基づいたあらゆる音声区間候補に対して一次照合用の
標準パターンとの照合を行ない、一次照合の各照合対象
単語ごとの類似度の最大値を求め、入力中から各照合対
象単語を切り出し、一次照合の照合対象の全単語の標準
パターンに対する最大類似度を要素とした類似度列を結
果として出力するという処理を行なっている。
【0019】二次照合部2では上記概略で述べた、一次
照合用の標準パターンに対する類似度に認識対象単語ご
とに異なった傾向が現れるという性質を利用し、一次照
合で得られた結果の類似度列(入力中から一次照合部1
の各照合対象単語を切り出したときの類似度を要素とす
る)を入力とし、この入力の類似度列を特徴パラメータ
として扱い、パターンマッチングによる音声の認識を行
ない、1単語または連続的に発声された2単語以上の単
語を認識する。
照合用の標準パターンに対する類似度に認識対象単語ご
とに異なった傾向が現れるという性質を利用し、一次照
合で得られた結果の類似度列(入力中から一次照合部1
の各照合対象単語を切り出したときの類似度を要素とす
る)を入力とし、この入力の類似度列を特徴パラメータ
として扱い、パターンマッチングによる音声の認識を行
ない、1単語または連続的に発声された2単語以上の単
語を認識する。
【0020】まず、一次照合部1についての考え方につ
いて、図3〜図7を用いて説明する。同じ言葉を発声し
ても、発声の時間的な長さ(音声長)は発声方法によっ
ても異なるし、人の違いによっても異なる。パターンマ
ッチングによる音声認識方法では入力音声の長さを標準
的な音声長に正規化した上で類似度計算を行なって音声
の認識を行なう。図3は音声長の正規化の様子を示した
ものである。入力音声の長さの最小長をN1、最大長を
N2とし、音声の標準的な長さ(標準パターン長)をI
とすると、図3に示すように、長さN(N1≦N≦N2)
の音声長を伸縮して長さIに正規化することになる。図
3では音声の終端を一致させて伸縮するようになってい
る。伸縮には(数1)に示す線形伸縮式を用いる。
いて、図3〜図7を用いて説明する。同じ言葉を発声し
ても、発声の時間的な長さ(音声長)は発声方法によっ
ても異なるし、人の違いによっても異なる。パターンマ
ッチングによる音声認識方法では入力音声の長さを標準
的な音声長に正規化した上で類似度計算を行なって音声
の認識を行なう。図3は音声長の正規化の様子を示した
ものである。入力音声の長さの最小長をN1、最大長を
N2とし、音声の標準的な長さ(標準パターン長)をI
とすると、図3に示すように、長さN(N1≦N≦N2)
の音声長を伸縮して長さIに正規化することになる。図
3では音声の終端を一致させて伸縮するようになってい
る。伸縮には(数1)に示す線形伸縮式を用いる。
【0021】
【数1】
【0022】未知入力と標準パターンの類似度を計算す
る場合、未知入力の音声長Nを(数1)によって標準パ
ターン長に伸縮することになるが、この様子を図示した
のが図4である。横軸に入力長、縦軸に標準パターン長
をとり、終端を一致させると、入力音声長はN1〜N2の
範囲であるから、入力と標準パターンとのマッチングル
ートは、入力軸のN1≦N≦N2内の1点を始点とし、P
を終端とする直線となる。したがって、類似度計算はす
べて三角形の内側で行なわれることになる。
る場合、未知入力の音声長Nを(数1)によって標準パ
ターン長に伸縮することになるが、この様子を図示した
のが図4である。横軸に入力長、縦軸に標準パターン長
をとり、終端を一致させると、入力音声長はN1〜N2の
範囲であるから、入力と標準パターンとのマッチングル
ートは、入力軸のN1≦N≦N2内の1点を始点とし、P
を終端とする直線となる。したがって、類似度計算はす
べて三角形の内側で行なわれることになる。
【0023】いま、時間長Nuの未知入力があり、その
内容が音声kであったとする。ただし、未知入力の終端
は既知であるが、始端は未知である(したがって、Nu
も未知である)とする。この未知入力と単語kの標準パ
ターンSkの照合を行なう場合、NをN1からN2まで、
1フレームずつずらせながら、各フレームに対して(数
1)を用いて時間長をIに伸縮し、未知入力パラメータ
と標準パターンとの類似度を求める。このとき標準パタ
ーンはSkであるので、発声が正確であるならば、N=
Nuにおいて類似度は最大となるはずである。
内容が音声kであったとする。ただし、未知入力の終端
は既知であるが、始端は未知である(したがって、Nu
も未知である)とする。この未知入力と単語kの標準パ
ターンSkの照合を行なう場合、NをN1からN2まで、
1フレームずつずらせながら、各フレームに対して(数
1)を用いて時間長をIに伸縮し、未知入力パラメータ
と標準パターンとの類似度を求める。このとき標準パタ
ーンはSkであるので、発声が正確であるならば、N=
Nuにおいて類似度は最大となるはずである。
【0024】図4においては終端が既知として説明を行
なったが、両端が未知の場合、すなわち、音声区間が不
明である場合にも、この方法を拡張することができる。
図5はその説明図である。同図において、終端点の横軸
(入力の時間軸)座標をjとする。ここで、もしjの位
置が入力音声の終端に一致していれば図4の場合と同じ
であるが、今度は両端点が未知という仮定であるので、
必ずしもjが音声の終端点と一致するとは限らない。し
かしながら、jを音声区間が十分に入る広い範囲j1≦
j≦j2でスキャンすれば、jが音声の終端と一致する
時点j=j0 が必ず存在する。その場合、始端点はj0
−N2〜j0−N1の範囲内の点j0−Nuに存在するはず
である。そして、このようなスキャンした場合において
も、発声した言葉と標準パターンが一致していれば、始
端がj0−Nu、終端がj0のときの類似度が、他のどの
ようなjおよびNの組合せよりも大きくなる。しかも、
この類似度は他標準パターンに対する類似度よりも大き
い。
なったが、両端が未知の場合、すなわち、音声区間が不
明である場合にも、この方法を拡張することができる。
図5はその説明図である。同図において、終端点の横軸
(入力の時間軸)座標をjとする。ここで、もしjの位
置が入力音声の終端に一致していれば図4の場合と同じ
であるが、今度は両端点が未知という仮定であるので、
必ずしもjが音声の終端点と一致するとは限らない。し
かしながら、jを音声区間が十分に入る広い範囲j1≦
j≦j2でスキャンすれば、jが音声の終端と一致する
時点j=j0 が必ず存在する。その場合、始端点はj0
−N2〜j0−N1の範囲内の点j0−Nuに存在するはず
である。そして、このようなスキャンした場合において
も、発声した言葉と標準パターンが一致していれば、始
端がj0−Nu、終端がj0のときの類似度が、他のどの
ようなjおよびNの組合せよりも大きくなる。しかも、
この類似度は他標準パターンに対する類似度よりも大き
い。
【0025】このように図5に示した方法は、騒音と音
声が混在した信号から、標準パターンに最も類似した部
分を切り出すことができる。したがって、一般に用いら
れているような複雑な音声区間検出の手続きを必要とし
ない。
声が混在した信号から、標準パターンに最も類似した部
分を切り出すことができる。したがって、一般に用いら
れているような複雑な音声区間検出の手続きを必要とし
ない。
【0026】類似度の計算は以下に述べるように、特徴
パラメータの時系列パターンを用い、統計的距離尺度
(事後確率に基づく距離)によって計算する。
パラメータの時系列パターンを用い、統計的距離尺度
(事後確率に基づく距離)によって計算する。
【0027】1フレームあたりの特徴パラメータの個数
をDとすると、Iフレームの時系列パターンはD×I次
元のベクトルとなる。いま、未知入力の第iフレームの
パラメータを
をDとすると、Iフレームの時系列パターンはD×I次
元のベクトルとなる。いま、未知入力の第iフレームの
パラメータを
【0028】
【数2】
【0029】とし、単語kの標準パターンの第iフレー
ムの成分を
ムの成分を
【0030】
【数3】
【0031】とすると、それぞれ(数4)および(数
5)で求められる。
5)で求められる。
【0032】
【数4】
【0033】
【数5】
【0034】時系列パターンをそれぞれ
【0035】
【数6】
【0036】とすると、(数7)および(数8)で求め
られる。
られる。
【0037】
【数7】
【0038】
【数8】
【0039】単語kに対する類似度をLkとすると、次
式で求められる。
式で求められる。
【0040】
【数9】
【0041】ここで、
【0042】
【数10】
【0043】は単語kの標準パターンであり、
【0044】
【数11】
【0045】および
【0046】
【数12】
【0047】で示される。ただし、
【0048】
【数13】
【0049】は、単語kの平均値ベクトル、
【0050】
【数14】
【0051】は、全ての単語の周囲情報の平均値ベクト
ルである。また
ルである。また
【0052】
【数15】
【0053】は、共分散行列であり、各単語の共分散行
列
列
【0054】
【数16】
【0055】と周囲情報の共分散行列
【0056】
【数17】
【0057】を用いて(数18)で作成できる。
【0058】
【数18】
【0059】
【数19】
【0060】は、各単語に属する多くのサンプルを用い
て次のように作成する。図6に示すように、音声とその
周囲の区間に対して、1フレームずつずらしながら複数
の区間(区間長は1フレーム)を設定する。このような
操作を各単語の多くのサンプルに対して行ない、それら
の区間のパラメータの平均値ベクトル(数14)と共分
散行列(数17)を作成する。
て次のように作成する。図6に示すように、音声とその
周囲の区間に対して、1フレームずつずらしながら複数
の区間(区間長は1フレーム)を設定する。このような
操作を各単語の多くのサンプルに対して行ない、それら
の区間のパラメータの平均値ベクトル(数14)と共分
散行列(数17)を作成する。
【0061】図1において、10は入力信号をディジタ
ル信号に変換するAD変換部、11は音声分析区間(フ
レーム)ごとに分析する音響分析部、12は特徴パラメ
ータ抽出部であり、低次のLPCケプストラム係数をフ
レームごとに出力する。特徴パラメータはLPCケプス
トラム係数の他に、自己相関係数、PARCOR係数、
帯域通過フィルタの出力などがある。
ル信号に変換するAD変換部、11は音声分析区間(フ
レーム)ごとに分析する音響分析部、12は特徴パラメ
ータ抽出部であり、低次のLPCケプストラム係数をフ
レームごとに出力する。特徴パラメータはLPCケプス
トラム係数の他に、自己相関係数、PARCOR係数、
帯域通過フィルタの出力などがある。
【0062】以下、各ブロックの機能を図7のフローチ
ャートを参照しながら説明する。フレーム同期信号発生
部13は、1フレームごとに同期信号を発生する。フレ
ーム番号をjとし、入力音声を含む十分広い区間j1≦
j≦j2で類似度の計算を行なうものとする。1フレー
ムの期間で次の操作を行なう。
ャートを参照しながら説明する。フレーム同期信号発生
部13は、1フレームごとに同期信号を発生する。フレ
ーム番号をjとし、入力音声を含む十分広い区間j1≦
j≦j2で類似度の計算を行なうものとする。1フレー
ムの期間で次の操作を行なう。
【0063】標準パターン選択部18は、照合対象とす
る単語の1つ1つを選択する(単語数をKとする)。選
択された標準パターンに対して、区間候補設定部15で
は、各単語の最小音声区間長N1(k)と最大音声区間
長N2(k)を設定する。そして、区間長N(N1(k)≦
N<N2(k))に対して、特徴パラメータ抽出部12で得
られた未知入力パラメータをj−N〜jフレームの時間
分だけ並べて、入力パラメータの時系列を作り、時間軸
正規化部14において、時系列パラメータの時間を(数
1)を用いてIフレームに伸縮し、(数7)に相当する
パラメータ系列を得る。類似度計算部16はこのパラメ
ータ系列と、標準パターン選択部18で選ばれた標準パ
ターン格納部17中の標準パターン(数10)との間で
(数9)を用いて類似度Lk(N)を計算する。類似度
比較部20では、Lk(N)と1次記憶19に蓄積され
ているこの時点までの単語kに対する最大類似度値max
Lkを比較し、Lk(N)>maxLkならばmaxLkをL
k(N)に置きかえて1次記憶19を更新し、Lk(N)
≦maxLkならば1次記憶19の内容は変更しない。
る単語の1つ1つを選択する(単語数をKとする)。選
択された標準パターンに対して、区間候補設定部15で
は、各単語の最小音声区間長N1(k)と最大音声区間
長N2(k)を設定する。そして、区間長N(N1(k)≦
N<N2(k))に対して、特徴パラメータ抽出部12で得
られた未知入力パラメータをj−N〜jフレームの時間
分だけ並べて、入力パラメータの時系列を作り、時間軸
正規化部14において、時系列パラメータの時間を(数
1)を用いてIフレームに伸縮し、(数7)に相当する
パラメータ系列を得る。類似度計算部16はこのパラメ
ータ系列と、標準パターン選択部18で選ばれた標準パ
ターン格納部17中の標準パターン(数10)との間で
(数9)を用いて類似度Lk(N)を計算する。類似度
比較部20では、Lk(N)と1次記憶19に蓄積され
ているこの時点までの単語kに対する最大類似度値max
Lkを比較し、Lk(N)>maxLkならばmaxLkをL
k(N)に置きかえて1次記憶19を更新し、Lk(N)
≦maxLkならば1次記憶19の内容は変更しない。
【0064】このような一連の操作を、1つの標準パタ
ーンに対してN2(k)−N1(k)+1回ずつ、1フレームの
間にK個の標準パターンに対して行なう。そして区間長
N1(k)と最大音声区間長N2(k)を設定する。
ーンに対してN2(k)−N1(k)+1回ずつ、1フレームの
間にK個の標準パターンに対して行なう。そして区間長
N1(k)と最大音声区間長N2(k)を設定する。
【0065】対象とする入力の全区間(j=j1〜j2)
に対してこのような操作を行うと、j=j2フレームを
終了した時点では、
に対してこのような操作を行うと、j=j2フレームを
終了した時点では、
【0066】
【数20】
【0067】に示す全区間j1〜j2における各標準パタ
ーンに対する類似度の最大値の列
ーンに対する類似度の最大値の列
【0068】
【数21】
【0069】、(数11)、(数12)が求められる。
【0070】ここで単語kの標準パターンに対する最大
類似度maxLkを改めてMkとすると(数20)に示した
一次処理部1から出力される結果の類似度の列は(数2
2)のようになる。
類似度maxLkを改めてMkとすると(数20)に示した
一次処理部1から出力される結果の類似度の列は(数2
2)のようになる。
【0071】
【数22】
【0072】次に、二次照合部2の考え方を説明する。
一次照合部1は騒音環境下で発声された1単語または2
単語以上の連続的に発声された音声の中から一次照合の
ための標準パターンと照合を行って各単語をスポッティ
ングして各単語ごとの最大類似度を求め、これを(数2
2)のかたちで出力する。一次照合部1の結果として求
められた(数22)を入力として、前記(表3)を用い
て説明した、一次照合の結果得られる類似度の列に認識
対象ごとに異なる傾向が現れるという性質を用いて認識
を行う。
一次照合部1は騒音環境下で発声された1単語または2
単語以上の連続的に発声された音声の中から一次照合の
ための標準パターンと照合を行って各単語をスポッティ
ングして各単語ごとの最大類似度を求め、これを(数2
2)のかたちで出力する。一次照合部1の結果として求
められた(数22)を入力として、前記(表3)を用い
て説明した、一次照合の結果得られる類似度の列に認識
対象ごとに異なる傾向が現れるという性質を用いて認識
を行う。
【0073】同じ言葉を発声しても人によって声の質が
違ったり発声速度が異なる。また、同じ人が発声しても
毎回同じ発声ができるとは限らない。このため、二次照
合部2の入力(数21)にはバラツキがある。よって二
次照合2ではこのバラツキを吸収するため入力を正規化
してから音声の認識を行う。正規化は入力の類似度列
(数22)に含まれる要素の最大値を基準に行なう。正
規化された値をM'kとすると、正規化に用いる式は(数
23)に示すとおりである。
違ったり発声速度が異なる。また、同じ人が発声しても
毎回同じ発声ができるとは限らない。このため、二次照
合部2の入力(数21)にはバラツキがある。よって二
次照合2ではこのバラツキを吸収するため入力を正規化
してから音声の認識を行う。正規化は入力の類似度列
(数22)に含まれる要素の最大値を基準に行なう。正
規化された値をM'kとすると、正規化に用いる式は(数
23)に示すとおりである。
【0074】
【数23】
【0075】(数23)を用いて(数22)を正規化し
た類似度列は、(数24)に示すとおりになる。
た類似度列は、(数24)に示すとおりになる。
【0076】
【数24】
【0077】ここで、Kは一次照合部の標準パターンの
個数である。
個数である。
【0078】前記(表3)を用いて説明した一次照合の
結果得られる類似度の列に認識対象ごとに異なる傾向が
現れるという性質を用いて認識を行う。この類似傾向を
利用してパターンマッチングにより二次照合を行い音声
の認識を行う。このような処理を行うことにより、1単
語または連続的に発声された2単語以上の音声の認識を
行うことができる。
結果得られる類似度の列に認識対象ごとに異なる傾向が
現れるという性質を用いて認識を行う。この類似傾向を
利用してパターンマッチングにより二次照合を行い音声
の認識を行う。このような処理を行うことにより、1単
語または連続的に発声された2単語以上の音声の認識を
行うことができる。
【0079】上述したとおり、一次照合によって得られ
る結果の類似度を正規化したものの分布は、認識対象ご
とに異った傾向がある。この分布が多次元正規分布に従
うものと仮定し、類似度の傾向を統計的な量として二次
照合用の標準パターンに反映させ、統計的距離尺度を用
いて類似度計算することで、統計的な許容範囲にある入
力と標準パターンのずれを吸収しながら二次照合を行な
うことができる。
る結果の類似度を正規化したものの分布は、認識対象ご
とに異った傾向がある。この分布が多次元正規分布に従
うものと仮定し、類似度の傾向を統計的な量として二次
照合用の標準パターンに反映させ、統計的距離尺度を用
いて類似度計算することで、統計的な許容範囲にある入
力と標準パターンのずれを吸収しながら二次照合を行な
うことができる。
【0080】二次照合部2で用いる統計的距離尺度はベ
イズ判定に基づいた距離尺度を用いており二次照合部2
における単語rに対する距離をPrとすると、(数25)
のようになる。
イズ判定に基づいた距離尺度を用いており二次照合部2
における単語rに対する距離をPrとすると、(数25)
のようになる。
【0081】
【数25】
【0082】ここで、Rは二次照合部の認識対象数、
【0083】
【数26】
【0084】は単語rの標準パターン、
【0085】
【数27】
【0086】は単語rの正規化された類似度の平均値ベ
クトル、
クトル、
【0087】
【数28】
【0088】は単語rの共分散行列である。実際に計算
に用いる式は、(数25)の両辺の対数をとって定数を
除いて簡略化した式
に用いる式は、(数25)の両辺の対数をとって定数を
除いて簡略化した式
【0089】
【数29】
【0090】を用いる。
【0091】二次照合部2用の標準パターンの作成は標
準パターン作成用の音声データ(概ね300〜1000
人分)すべてに対し、前記一次照合部1の処理を行ない
認識対象ごとに正規化された類似度の平均値ベクトル
(数27)、共分散行列(数28)を求めることにより
行なわれる。
準パターン作成用の音声データ(概ね300〜1000
人分)すべてに対し、前記一次照合部1の処理を行ない
認識対象ごとに正規化された類似度の平均値ベクトル
(数27)、共分散行列(数28)を求めることにより
行なわれる。
【0092】以上述べた考え方に基づき、図1を用いて
二次照合部の機能ブロックの説明を行なう。入力バッフ
ァ31は一次照合部1から一次照合の過程で出力される
類似度を蓄え、入力正規化部32の要求に応じて(数2
2)に示した類似度列を出力する。入力正規化部32は
(数23)の正規化の式を用いて(数22)を正規化
し、(数24)で示した正規化された類似度列を求め
る。類似度計算部33はこの正規化された類似度列(数
24)を用いて、標準パターン格納部34に格納された
標準パターン全てとのマッチングを行ない、類似度Qr
を計算する。類似度比較部35においてQrを最大にす
る単語rを認識結果として選択し出力する。
二次照合部の機能ブロックの説明を行なう。入力バッフ
ァ31は一次照合部1から一次照合の過程で出力される
類似度を蓄え、入力正規化部32の要求に応じて(数2
2)に示した類似度列を出力する。入力正規化部32は
(数23)の正規化の式を用いて(数22)を正規化
し、(数24)で示した正規化された類似度列を求め
る。類似度計算部33はこの正規化された類似度列(数
24)を用いて、標準パターン格納部34に格納された
標準パターン全てとのマッチングを行ない、類似度Qr
を計算する。類似度比較部35においてQrを最大にす
る単語rを認識結果として選択し出力する。
【0093】本実施例の方法を用いて、成人の男女計3
00人が発声した上記(表1)の12数字の認識実験を
行い評価した結果、平均認識率で95.0%を得た。
00人が発声した上記(表1)の12数字の認識実験を
行い評価した結果、平均認識率で95.0%を得た。
【0094】なお、本実施例で述べた一次照合部は、標
準パターンと入力のマッチングを行なう際のマッチング
ルートを線形に伸縮する方法を採っているが、例えば特
開昭63−125999号公報に示されているように、
マッチングルートが逐次計算により算出される方法を用
いて標準パターンと入力のマッチングを行ない、音声の
前後に騒音を含んだ入力中から音声を切り出すという認
識方法を用いても良い。この場合、一次照合部におい
て、(数20)に示した入力と全単語の標準パターンと
の類似度の最大値の列を求めるようにし、二次照合を行
なうことによって同様の効果を得ることができる。
準パターンと入力のマッチングを行なう際のマッチング
ルートを線形に伸縮する方法を採っているが、例えば特
開昭63−125999号公報に示されているように、
マッチングルートが逐次計算により算出される方法を用
いて標準パターンと入力のマッチングを行ない、音声の
前後に騒音を含んだ入力中から音声を切り出すという認
識方法を用いても良い。この場合、一次照合部におい
て、(数20)に示した入力と全単語の標準パターンと
の類似度の最大値の列を求めるようにし、二次照合を行
なうことによって同様の効果を得ることができる。
【0095】以上で説明した本発明の実施例によれば、
(数22)に示したように二次照合部2における入力は
一次処理用の標準パターン数の次元しかないため、一次
照合部1の結果を蓄えておくためのメモリおよび、二次
照合部2の計算に必要なメモリも少なくて済む。例え
ば、一次処理で20個の標準パターンを使い0から99
までの100個の数字を認識する場合、従来の方法では
入力系列のうち100フレームにわたって一次処理の結
果が有効なときサーチの幅を5まで絞っても一次処理の
結果を蓄えるためには1000ワードのメモリが必要で
ある。ところが、本実施例によれば20ワードのメモリ
で済む。
(数22)に示したように二次照合部2における入力は
一次処理用の標準パターン数の次元しかないため、一次
照合部1の結果を蓄えておくためのメモリおよび、二次
照合部2の計算に必要なメモリも少なくて済む。例え
ば、一次処理で20個の標準パターンを使い0から99
までの100個の数字を認識する場合、従来の方法では
入力系列のうち100フレームにわたって一次処理の結
果が有効なときサーチの幅を5まで絞っても一次処理の
結果を蓄えるためには1000ワードのメモリが必要で
ある。ところが、本実施例によれば20ワードのメモリ
で済む。
【0096】
【発明の効果】以上説明したように、本発明は、一次処
理用の標準パターンと照合を行って得られる認識対象の
標準パターンに対する類似度の列に認識対象単語ごとに
異なった傾向が現れるという性質を用いて1単語または
2単語以上の連続的に発声された音声の認識を行うよう
にしたので、記憶容量が少なくて済み、単純な処理で連
続的に発声された2単語以上の音声を認識することが可
能となる。
理用の標準パターンと照合を行って得られる認識対象の
標準パターンに対する類似度の列に認識対象単語ごとに
異なった傾向が現れるという性質を用いて1単語または
2単語以上の連続的に発声された音声の認識を行うよう
にしたので、記憶容量が少なくて済み、単純な処理で連
続的に発声された2単語以上の音声を認識することが可
能となる。
【図1】本発明の一実施例における音声認識方法を具現
化する機能ブロック図
化する機能ブロック図
【図2】本発明の一実施例における音声認識方法の基本
的な考え方を説明するための概念図
的な考え方を説明するための概念図
【図3】同実施例における音声区間長の伸縮を説明する
概念図
概念図
【図4】同実施例における音声区間長の伸縮を説明する
概念図
概念図
【図5】同実施例における音声区間長の伸縮を説明する
概念図
概念図
【図6】同実施例の標準パターン作成時の周囲情報の標
準パターン作成法を説明する概念図
準パターン作成法を説明する概念図
【図7】同実施例の処理手順を説明するフローチャート
【図8】従来の音声認識方法を具現化する機能ブロック
図
図
1 一次照合部 2 二次照合部 10 AD変換部 11 音響分析部 12 特徴パラメータ抽出部 13 フレーム同期信号発生部 14 時間軸正規化部 15 区間候補設定部 16 類似度計算部 17 標準パターン格納部 18 標準パターン選択部 19 一次記憶 20 類似度比較部 31 入力バッファ 32 入力正規化部 33 類似度計算部 34 標準パターン 35 類似度比較部
Claims (1)
- 【請求項1】1単語または連続発声された2単語以上の
音声に対して、入力信号を分析し、全単語の標準パター
ンとの照合を行ない、その結果を類似度の列として出力
する一次照合部と、前記一次照合部が出力する類似度の
列を認識のためのパラメータとして扱い、予め作成して
おいた二次照合用の標準パターンとの照合を行なう二次
照合部を具備し、前記一次照合部の結果として出力され
る類似度列を前記二次照合部において予め作成しておい
た二次照合用の全認識対象の標準パターンとの照合を行
ない、この照合の結果により1単語または連続的に発声
された2単語以上の音声認識を行うことを特徴とする音
声認識方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3249026A JPH0588694A (ja) | 1991-09-27 | 1991-09-27 | 音声認識方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3249026A JPH0588694A (ja) | 1991-09-27 | 1991-09-27 | 音声認識方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0588694A true JPH0588694A (ja) | 1993-04-09 |
Family
ID=17186904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3249026A Pending JPH0588694A (ja) | 1991-09-27 | 1991-09-27 | 音声認識方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0588694A (ja) |
-
1991
- 1991-09-27 JP JP3249026A patent/JPH0588694A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2015118645A1 (ja) | 音声検索装置および音声検索方法 | |
US20050021330A1 (en) | Speech recognition apparatus capable of improving recognition rate regardless of average duration of phonemes | |
JP2011065120A (ja) | すべての言語の音声識別及び音声識別を利用した単字入力の方法 | |
JPS59121100A (ja) | 連続音声認識装置 | |
JP2870224B2 (ja) | 音声認識方法 | |
JPH0632012B2 (ja) | 音声認識装置 | |
JP3444108B2 (ja) | 音声認識装置 | |
JP3428058B2 (ja) | 音声認識装置 | |
US5220609A (en) | Method of speech recognition | |
JP2853418B2 (ja) | 音声認識方法 | |
JPH0588694A (ja) | 音声認識方法 | |
JP2980382B2 (ja) | 話者適応音声認識方法および装置 | |
JPH0823758B2 (ja) | 話者適応形音声認識装置 | |
JPH0777998A (ja) | 連続単語音声認識装置 | |
JP2000099084A (ja) | 音声認識方法及びその装置 | |
JPH0451037B2 (ja) | ||
JP3503862B2 (ja) | 音声認識方法及び音声認識プログラムを格納した記録媒体 | |
JP2882088B2 (ja) | 音声認識方法 | |
JPH03116100A (ja) | 大語彙音声認識装置 | |
JPH07113838B2 (ja) | 音声認識方法 | |
JPH0247758B2 (ja) | ||
JPH09305195A (ja) | 音声認識装置および音声認識方法 | |
JP2577891B2 (ja) | 単語音声予備選択装置 | |
JP2710045B2 (ja) | 音声認識方法 | |
JPH03179498A (ja) | 音声日本語変換方式 |