JPH0643895A

JPH0643895A - 音声認識装置

Info

Publication number: JPH0643895A
Application number: JP4216418A
Authority: JP
Inventors: Koichiro Hatasaki; 香一郎畑▲崎▼
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 1992-07-22
Filing date: 1992-07-22
Publication date: 1994-02-18
Anticipated expiration: 2014-12-27
Also published as: JP2996019B2

Abstract

(57)【要約】【目的】音声入力の際に入力音声の途中に長いポーズ
をおいた場合でも正しく認識し、しかも音声入力が終了
した時点ですみやかに認識結果を出力するとともに、認
識対象外の音声あるいはノイズ音が入力された時にはす
みやかにリジェクトすることを可能にする。【構成】入力終了判定部４は、音声検出部２において
音声区間の終端が検出されたときに、その終端時点にお
ける標準パタンの最大類似度Ｓｉと部分パタンの最大類
似度Ｐｉとを比較照合部３から受け取り、それらの差Ｓ
ｉ−Ｐｉの閾値Ｔとの大小を比較する。この結果Ｓｉ−
Ｐｉ＞Ｔであれば音声入力終了信号を比較照合部３に出
力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、音声入力装置、自動
通訳装置等に用いる音声認識装置において、ポーズを含
む入力音声を認識する方法に関するものである。

【０００２】

【従来の技術】音声は人間にとって自然でかつ使いやす
いマンマシンインタフェースのひとつであり、音声入力
による計算機との質問応答装置や、音声入出力の自動通
訳装置の実用化が強く望まれている。これらの装置にお
いては自然言語の文や会話文をできるだけ自然に音声入
力できることが望まれる。従来、これらの装置ではマイ
クロホン、電話等から入力される信号中の音声を認識す
るために、例えば、共立出版株式会社、新美康永著「音
声認識」（以下、文献１と称する）の第６８頁から第７
０頁に示されているように、信号パワー情報および零交
差回数を用いて認識すべき音声区間の始端と終端を決定
し、この音声区間に対して認識処理を行なっていた。パ
ワー情報で音声区間の終端を検出する場合には、音声中
の破裂音等の無音部分あるいは発声中の短いポーズと音
声終了後の無音部分とを区別するために、無音部分があ
る一定の時間長以上継続する場合に音声入力が終了した
と判定していた。この場合、標準パタンの前後に無音パ
タンあるいはノイズパタンを結合しておくことによっ
て、音声区間の両端に多少の無音区間あるいはノイズ区
間が含まれていて正しく照合できるようにすることが多
い。

【０００３】

【発明が解決しようとする課題】人が自然に文を発声し
た場合には文中にポーズが入ること、すなわち発声の途
切れがよくある。例えば、「その切符を２枚下さい」の
場合に「その切符を」と発声した後に枚数を考えること
があり、この場合には「その切符を＜ポーズ＞２枚下さ
い」のような発声になる。また長い文の場合には文の途
中で息継ぎを行なった結果、ポーズの生じることがあ
る。これに対処するために、従来の技術では、無音区間
あるいはノイズ区間がある一定の時間長Ｌ以上持続する
場合のみに音声入力が終了したと判定していた。これに
よって、一定時間Ｌ以下のポーズが文中に含まれた場合
にも誤って音声入力終了と見なすことがなく、ポーズの
あとの発声を含めた入力音声の認識が可能になる。

【０００４】しかしながら、この方法では、音声入力が
終了しても前述の一定時間Ｌが経過するまでは認識結果
を出力することができないため、入力音声中のポーズを
許すためにＬを大きくすると音声入力終了後に認識結果
がなかなか出力されないという欠点が生じた。また、音
声入力終了後にすみやかに認識結果が必要な場合にはＬ
をあまり大きな値に設定することができず、この場合に
は、発声の際に入力音声中に長いポーズを置くことがで
きないという欠点が生じ、この結果、認識装置の使用者
に負担をかけ、装置を使いづらいものにしていた。

【０００５】そこで本発明の目的は、音声入力の際に入
力音声の途中に長いポーズを置いた場合でも正しく認識
することができ、しかも音声入力が終了した時点ですみ
やかに認識結果を出力することが可能であり、さらに認
識対象以外の音声あるいはノイズ音が入力された時には
すみやかにリジェクトすることが可能な音声認識装置を
提供することにある。

【０００６】

【課題を解決するための手段】第１の発明の音声認識装
置は、入力信号を特徴ベクトル時系列に変換する分析部
と、前記特徴ベクトル時系列のうちのパワー情報を用い
て入力信号中の音声区間の始端および終端を検出する音
声検出部と、前記特徴ベクトル時系列とあらかじめ登録
された標準パタンとを比較照合して、入力信号の各時点
での最大類似度を求めるとともに、音声入力終了時には
最大類似度を与える標準パタンを認識結果として求める
比較照合部と、前記音声区間の終端付近の少なくとも１
個のある時点において、前記最大類似度が第１の閾値よ
りも大きければ音声入力終了信号を出力する第１の入力
終了判定部とを有することを特徴とする。

【０００７】第２の発明の音声認識装置は、入力信号を
特徴ベクトル時系列に変換する分析部と、前記特徴ベク
トル時系列のうちのパワー情報を用いて入力信号中の音
声区間の始端および終端を検出する音声検出部と、前記
特徴ベクトル時系列とあらかじめ登録された標準パタン
とを比較照合して、入力信号の各時点での最大類似度を
求めるとともに、音声入力終了時には最大類似度を与え
る標準パタンを認識結果として求める比較照合部と、前
記音声区間の終端付近の少なくとも１個のある時点にお
いて、前記標準パタンの最大類似度と前記標準パタンの
中の部分パタンの最大類似度との差または比が第２の閾
値よりも大きければ音声入力終了信号を出力する第２の
入力終了判定部とを有するこを特徴とする。

【０００８】第３の発明の音声認識装置は、第１又は第
２の発明において、前記入力終了判判定部での判定時
に、前記標準パタン中の部分パタンの最大類似度が第３
の閾値よりも小さければリジェクト信号を出力する第１
のリジェクト部を有することを特徴とする。

【０００９】第４の発明の音声認識装置は、第１又は第
２の発明において、前記入力終了判定部での判定時に、
前記標準パタンの最大類似度と前記標準パタン中の部分
パタンの最大類似度との差または比が第４の閾値よりも
小さければリジェクト信号を出力する第２のリジェクト
部を有することを特徴とする。

【００１０】第５の発明の音声認識装置は、第１乃至第
４の発明において、前記入力終了判定部が音声入力終了
信号を出力した場合に、前記最大類似度を与える標準パ
タンと同じ部分パタンが存在するならば、その時点から
一定の時間が経過したのちに改めて音声入力終了信号を
出力する終了信号遅延部を有することを特徴とする。

【００１１】第６の発明の音声認識装置は、第１乃至第
５の発明において、認識単位の標準パタンをあらかじめ
定めた順序で結合したパタンと前記音声区間の特徴ベク
トル時系列との類似度の最大値を参照類似度として求め
る参照類似度計算部と、前記入力終了判定部での判定時
において前記参照類似度が第５の閾値よりも小さい場合
にリジェクト信号を出力する第３のリジェクト部とを有
することを特徴とする。

【００１２】第７の発明の音声認識装置は、第１乃至第
６の発明において、前記標準パタンを構成する特徴ベク
トルと前記音声区間の特徴ベクトル時系列中の特徴ベク
トルとのベクトル間類似度の累積値を求めるベクトル間
類似度計算部と、入力終了判定部での判定時において前
記参照類似度が第６の閾値よりも小さい場合にリジェク
ト信号を出力する第４のリジェクト部とを有すること特
徴とする。

【００１３】第８の発明の音声認識装置は、第１乃至第
７の発明において、ノイズ音のパタンと前記音声区間の
始端以降の特徴ベクトル時系列との類似度を求めるノイ
ズ類似度計算部と、前記入力終了判定部での判定時にお
いて前記ノイズ類似度が第７の閾値よりも大きい場合に
リジェクト信号を出力する第５のリジェクト部とを有す
ることを特徴とする。

【００１４】第９の発明の音声認識装置は、第１乃至第
８の発明において、前記音声区間の終端からの経過時間
に従って前記第１、第２、第３、第４、第５、第６およ
び第７の閾値を変化させる閾値計算部を有することを特
徴とする。

【００１５】第１０の発明の音声認識装置は、第１乃至
第９の発明において、前記入力終了判定部での判定時か
らの経過時間を計測する経過時間計測部と、あらかじめ
定められた経過時間内に前記音声検出部が次の音声区間
の始端を検出しない場合にリジェクト信号を出力する場
合にリジェクト信号を出力する第６のリジェクト部とを
有することを特徴とする。

【００１６】

【作用】人が自然に文を発声した場合には文中にポーズ
が入ること、すなわち発声の途切れがよくあるが、入力
信号のパワー情報だけに頼って音声区間の検出を行なう
と、文中のポーズを発声終了後の無音と間違ってしま
い、ポーズの後に続く音声を含めた発声全体の音声を正
しく認識することができなかった。本発明の音声認識装
置は、入力信号のパワー情報だけでなく、認識対象の音
声の標準パタンと入力信号との類似度も同時に使用する
ことによって、発声の終了時点の検出を行なうようにし
たものである。これによって、入力される音声中にポー
ズが含まれている場合でも、そのポーズを発声終了後の
無音と間違えることがなくなる。

【００１７】第１の発明では、まず入力された信号を分
析部によって特徴ベクトル時系列に変換する。ここでの
分析には、東海大学出版会刊行の「ディジタル音声処
理」（以下、文献２と称する）の３２〜９８ページに示
されているメルケプストラムによる方法やＬＰＣ分析に
よる方法などを用いることができる。

【００１８】次に、音声検出部では、分析部で得られた
特徴ベクトル時系列のうちのパワー情報を用いて、入力
信号中の音声区間の始端および終端を検出する。このた
めには文献１の６８〜７０ページに示されている音声検
出の方法などを用いることができる。この音声検出部は
入力信号のパワーがある閾値以上の大きさで一定時間以
上継続する区間の始端を音声区間の始端として検出す
る。また、パワーがある閾値以下の大きさに下がったま
ま一定時間以上継続した場合に、その閾値以下に下がっ
た時点を音声区間の終端として検出する。

【００１９】比較照合部は、音声検出部によって検出さ
れた始端以降の入力信号の特徴ベクトル時系列とあらか
じめ登録されている認識対象の標準パタンとを比較照合
し、入力信号の各時点において標準パタンと入力信号と
の類似度の最大値、すなわち最大類似度を計算する。ま
た、入力音声の終了時点で最大類似度を与える標準パタ
ンを認識結果として出力する。このとき、音節、半音
節、単語などの単位音声パタンをあらかじめ用意してあ
る文法に従って接続したものを標準パタンとして用いる
ことによって任意の文を認識することができる。例え
ば、特願昭５４−１０４６６９号明細書「連続音声認識
装置」（以下、文献３と称する）では、有限状態オート
マトンで表現された文法に従って単語パタンを接続して
連続音声を認識する方法が述べられている。

【００２０】第１の入力終了判定部は、音声検出部が検
出した音声区間の終端時点あるいはその付近の少なくと
も１個のある時点で、比較照合部にによって計算された
最大類似度が閾値よりも大きい場合に音声入力が終了し
たと判定し、音声入力終了信号を出力する。

【００２１】例えば、認識対象となる標準パタンとして
「その切符を２枚下さい」、「その切符を３枚下さ
い」、「その切符を下さい」が登録されており、「その
切符を」だけの標準パタンは登録されていないとする。
このとき、「その切符を２枚下さい」という音声を入力
する場合に「その切符を」を入力した時点でポーズをお
いたとする。音声検出部はこのポーズが存在することに
よって「その切符を」の終端の時点を音声区間の終端と
して検出する。この時点で比較照合部は、「その切符
を」の特徴ベクトル時系列と標準パタンとを比較照合し
た結果の最大類似度Ｓｉを出力する。すると、この時点
での最大類似度Ｓｉは、標準パタンとは異なる単語列と
の比較照合を行なった結果であるから、比較的小さい値
となる。

【００２２】一方、上記のポーズに続いて「２枚下さ
い」という音声を入力すると、音声検出部は再び音声区
間の始端、終端を検出する。この終端の時点において
は、比較照合部は「その切符を＜ポーズ＞２枚下さい」
という部分の特徴ベクトル時系列と標準パタンとの比較
照合することになるから、入力音声と同じ単語列である
「その切符を２枚下さい」の標準パタンとの最大類似度
Ｓｊが比較的大きな値となる。

【００２３】従って、ＳｉとＳｊが分類できるようにあ
らかじめ適当な閾値を設定しておくことによって、「そ
の切符を」までが入力された時点においては入力終了判
定部は音声入力終了信号を出力せず、一方、「その切符
を＜ポーズ＞２枚下さい」までが入力された時点で即座
に音声入力終了信号を出力することが可能である。この
結果、ポーズが含まれる入力音声に対しても、ポーズの
位置では音声認識の処理を終了することなく、かつ文を
最後まで入力した時点で即座に認識結果を出力すること
が可能になる。

【００２４】なお、ポーズを含む区間の特徴ベクトル時
系列と標準場端とを比較照合するためには、特徴ベクト
ル時系列からポーズ区間をあらかじめ取り除いたものと
標準パタンとを比較照合する方法や、あるいは標準パタ
ン中にポーズ区間の特徴ベクトル時系列をモデル化する
無音モデルを挿入しておく方法などが知られている。

【００２５】第２の発明では、第２の入力終了判定部に
おいて、音声区間の終端時点あるいはその付近の少なく
とも１個のある時点での、入力音声に対する標準パタン
の最大類似度と、標準パタン中の部分パタンの最大類似
度との差または比が閾値よりも大きい場合に音声入力が
終了したと判定し、音声入力終了信号を出力する。

【００２６】例えば、標準パタン「その切符を２枚下さ
い」に対して、「その」、「その切符を」、「その切符
を２枚」を部分パタンとしてあらかじめ定めておく。こ
のとき、「その切符を２枚下さい」という音声を入力す
る場合に「その切符を」を入力した時点でポーズをおい
たとする。この時点で比較照合部は、「その切符を」の
特徴ベクトル時系列と標準パタンとの最大類似度Ｓｉを
出力するとともに、同じ特徴ベクトル時系列と部分パタ
ンとの最大類似度Ｐｉを出力する。この場合、標準パタ
ンとの比較照合の場合には標準パタンとは異なる単語列
との比較照合を行なうことになるから、最大類似度Ｓｉ
は比較的小さい値となる。他方、部分パタンとの比較照
合の場合には部分パタン「その切符を」との比較におい
て大きな最大類似度Ｐｉが求まることになる。この結
果、これらの最大類似度の差Ｓｉ−Ｐｉは一般に比較的
小さい値（この場合は負の値）になる。

【００２７】一方、上記のポーズに続いて「２枚下さ
い」という音声を入力すると、音声区間の終端におい
て、比較照合部は「その切符を＜ポーズ＞２枚下さい」
の特徴ベクトル時系列に対する標準パタンの最大類似度
Ｓｊと、同じ特徴ベクトル時系列と部分パタンとの最大
類似度Ｐｊを出力する。この場合、標準パタンの最大類
似度Ｓｊは比較的大きな値になるのに対して、部分パタ
ンとの最大類似度Ｐｊは比較的小さな値になる。この結
果、これらの最大類似度の差Ｓｊ−Ｐｊは比較的大きな
値（この場合は正の値）になる。

【００２８】従って、（Ｓｉ−Ｐｉ）と（Ｓｊ−Ｐｊ）
とが分類できるようにあらかじめ適当な閾値を設定して
おくことによって、「その切符を」までが入力された時
点においては入力終了判定部は音声入力終了信号を出力
せず、一方、「その切符を＜ポーズ＞２枚下さい」まで
が入力された時点で即座に音声入力終了信号を出力する
ことが可能である。この結果、第１の発明と同様に、ポ
ーズが含まれる入力音声に対しても、ポーズの位置では
音声認識の処理を終了することなく、かつ文を最後まで
入力した時点で即座に認識結果を出力することが可能に
なる。

【００２９】なお、例えば類似度を確率値で表現してい
る場合には、最大類似度の差を求めるよりも、比を求め
る方がよい。

【００３０】第３の発明では、第１のリジェクト部にお
いて、入力終了判定部が入力終了か否かの判定を行なっ
たときに、入力音声と標準パタン中の部分パタンとの最
大類似度が閾値よりも小さい場合にリジェクト信号を発
生する。

【００３１】すなわち、認識対象以外の音声を入力した
場合には、その音声と標準パタンとの最大類似度は小さ
な値になるため、多くの場合、入力終了判定部は音声入
力終了信号を出すことがなく、引続き音声の入力を待つ
ことになる。そこで第３の発明によれば、認識対象の音
声を入力した場合には、途中のポーズにおいて入力音声
と部分パタンとの最大類似度は比較的大きな値になるの
に対して、認識対象以外の音声を入力した場合には、そ
の入力音声と標準パタンとの最大類似度が一般に小さな
値になる。従って、適当な閾値を定めておくことによっ
て、即座にリジェクト信号を出力することができる。

【００３２】第４の発明では、第２のリジェクト部にお
いて、入力終了判定部が入力終了か否かの判定を行なっ
たときに、入力音声に対する標準パタンの最大類似度と
標準パタン中の部分パタンとの最大類似度との差または
比が閾値よりも小さい場合にリジェクト信号を発生す
る。

【００３３】すなわち、認識対象以外の音声が正しく入
力された場合には、途中のポーズにおいては入力音声と
部分パタンとの類似度が比較的大きくなるため、標準パ
タンの最大類似度Ｓｉと部分パタンの最大類似度Ｐｉと
の差Ｓｉ−Ｐｉは前述のように比較的小さな値あるいは
負の値になるのに対して、認識対象以外の音声が入力さ
れた場合には入力パタンに対して部分パタンの類似度が
とりわけ大きくなるこことはなく、Ｓｉ−Ｐｉはそれほ
ど小さな値にはならない。そこで、適当に閾値を定めて
おくことによって、認識対象以外の音声が入力された場
合には即座にリジェクト信号を出力することが可能にな
る。

【００３４】第５の発明では、入力終了判定部が音声入
力終了信号を出力した場合に、そのときの最大類似度を
与える標準パタンと同じ単語列、音節列などの部分パタ
ンがあるならば、その時点では認識結果の出力を一旦延
期し、一定の時間が経過したのちに改めて音声入力信号
を出すことによって認識結果を出力するようにしてい
る。

【００３５】例えば、標準パタンとして「はい、現金で
お願いします」、「はい、現金で２枚下さい」、「は
い、現金で」、が登録されており、また部分パタンとし
て「はい、現金で」が登録されているとする。このとき
に、「はい、現金で＜ポーズ＞２枚下さい」という音声
が入力されたとすると、「はい、現金で」までが入力さ
れた時点において、入力音声に対して標準パタン「は
い、現金で」が比較的大きな値の最大類似度を与える。
しかしながら、もしこの時点で認識処理を終了して認識
結果を出力すると、この後に入力される「２枚下さい」
を認識することができず、誤った認識結果を出力してし
まう。そこで、最大類似度を与える標準パタンと同じ部
分パタンがある場合にはある一定の時間が経過するまで
認識結果の出力を延期する。これによって、「はい、現
金で」の後のポーズに続いて「２枚下さい」が入力され
た場合にも全体の入力を正しく認識することができる。
かつ、入力音声が「はい、現金で」だけある場合にも、
一定時間の経過後に認識結果を出力することができる。

【００３６】第６の発明では、単語、音節、半音節など
の認識単位をあらかじめ定めた順序で結合したパタンと
入力信号の音声区間との類似度を参照類似度として求
め、入力終了判定部が入力終了か否かの判定を行なった
ときに、この参照類似度が閾値よりも小さい値ならばリ
ジェクト信号を出力する。

【００３７】音声以外のノイズ音のように、想定してい
ない音が入力された場合には、その音の終端時点におい
て認識対象の標準パタンとの類似度は比較的小さな値に
なるために入力終了判定部では音声入力が終了したと判
定することができず、このままでは次の音声の入力を待
つことになる。一方、音節あるいは半音節を任意の音節
列を許すような順序で結合したパタンと音声以外のノイ
ズ音との類似度は比較的小さな値になる。そこで、適当
な閾値を設定しておくことによって、ノイズ音が入力さ
れた場合には即座にリジェクト信号を出力することがで
きる。

【００３８】なお、参照類似度の計算には比較照合部に
おける類似度の計算と同様の方法を用いることができ
る。

【００３９】第７発明では、標準パタンを構成する特徴
ベクトルと入力信号の特徴ベクトルとのベクトル間類似
度の累積値を求め、入力終了判定部で入力終了か否かの
判定を行なったときに、そのベクトル間類似度累積値が
閾値よりも小さな値である場合にリジェクト信号を出力
する。

【００４０】すなわち、標準パタンを構成する特徴ベク
トルは一般に人の音声を構成する特徴ベクトルであるか
ら、もし音声以外のノイズ音が入力された場合にはベク
トル間類似度累積値は比較的小さな値になる。従って、
第６の発明と同様に、適当な閾値を設定しておくことに
よって、ノイズ音が入力された場合には即座にリジェク
ト信号を出力することができる。

【００４１】第８発明では、入力終了判定部で入力終了
か否かの判定を行なった時点で、あらかじめ用意したノ
イズ音のパタンと入力信号との類似度を求め、その類似
度が閾値よりも大きい場合にリジェクト信号を出力す
る。

【００４２】この結果、音声以外のノイズ音のように想
定していない音が入力され、その音の終端時点において
認識対象の標準パタンとの類似度は比較的小さな値にな
るために入力終了判定部では音声入力が終了したと判定
することができない場合においても、即座にリジェクト
信号を出力することができる。

【００４３】第９発明では、入力終了判定部において音
声入力終了を判定するための閾値、およびリジェクト部
においてリジェクトを判定するための閾値を、音声区間
の終端時点から判定時点までの経過時間、すなわち判定
時点までのポーズの継続時間によって変化させる。この
場合には、音声区間の終端時点以降の複数個の時点にお
いて入力終了判定およびリジェクション判定を行なう。

【００４４】すなわち、ポーズの継続時間が短い場合に
はポーズの後に引続き音声が入力される可能性が高いた
め、音声入力終了判定のための閾値は音声入力が終了し
たという判定が比較的出にくいように変化させ、リジェ
クト判定のための閾値を比較的リジェクトしにくいよう
な値に変化させる。一方、ポーズの継続時間が長い場合
には引続き音声が入力される可能性が幾分低くなること
から、音声入力終了判定のための閾値は音声入力が終了
したという判定が比較的出やすいように変化させ、リジ
ェクト判定のための閾値を比較的リジェクトしやすい値
に変化させる。この結果、音声入力の途中にポーズをお
いた場合に、認識対象の音声が入力された場合には長い
ポーズをおいてもリジェクトせずに次の音声を受け付け
ることができる。他方、認識対象以外の音声あるいはノ
イズ音が入力された場合には短いポーズでもすみやかに
リジェクトしたり、認識処理を終了することができる。

【００４５】第１０発明では、入力終了判定部で入力終
了か否かの判定を行なった時点からあらかじめ定められ
た経過時間内に、次の音声区間が始まらない場合にリジ
ェクト信号を出力する。これによって、音声入力が途中
で中断された場合に、そのまま次の音声入力を待ち続け
ることなく、リジェクト信号を出力することができる。

【００４６】

【実施例】次に図面を参照して本発明を詳細に説明す
る。図１は本発明の一実施例を示す図である。図１の実
施例の動作について説明する。

【００４７】入力信号は分析部１に入力され、特徴分析
によって特徴ベクトル時系列に変換される。ここでの分
析には、例えば、文献２の６０〜６４ページ、および１
５５ページに示されているようなＬＰＣ分析による方法
を用いることができる。

【００４８】特徴ベクトル時系列は音声検出部２に入力
され、このうちのパワー情報を用いて、入力信号中の音
声区間の始端および終端が検出される。このためには、
例えば文献１の６８〜７０ページに示されている音声検
出の方法を用いることができる。

【００４９】検出された音声区間の始端位置は特徴ベク
トル時系列とともに比較照合部３に入力され、始端以降
の特徴ベクトル時系列と、あらかじめ登録されている認
識対象の複数の標準パタンとが比較照合される。この結
果、入力信号の各時点における標準パタンの最大類似度
Ｓｉが求められる。類似度の計算方法としては文献３に
示されているような方法を用いることができる。比較照
合部３は、入力終了判定部から音声入力終了信号が入力
されるまで、上記の比較照合を行なう。

【００５０】なお、標準パタンと入力信号との類似度を
計算する場合には、例えば、特願平３−６０７８６号明
細書「音声認識装置」に述べられているように、話者や
発声環境の影響によって類似度が変動することを防ぐよ
う類似度を補正、あるいは正規化する方法を用いること
によって、より正確な類似度を求めることができる。

【００５１】次に、音声検出部２において音声区間の終
端が検出されたときに、その終端位置が入力終了判定部
４に入力される。入力終了判定部４は、その終端時点に
おける上記標準パタンの最大類似度Ｓｉを比較照合部３
から入力し、その最大類似度Ｓｉと閾値Ｔ1 との大小を
比較する。この結果Ｓｉ＞Ｔ1 であれば音声入力信号を
比較照合部３に出力する。Ｓｉ＞Ｔ1 でなければ比較照
合部３には何も出力しない。

【００５２】音声入力終了信号が比較照合部３に入力さ
れると、比較照合部３はその時点で最大類似度を与える
標準パタンを認識結果として出力する。

【００５３】このようにして、第１の発明によって、ポ
ーズが含まれる入力音声に対しても、ポーズの位置では
音声認識の処理を終了することなく、かつ文を最後まで
入力した時点で即座に認識結果を出力することが可能に
なる。

【００５４】第２の発明によれば、比較照合部３は入力
信号の各時点において、標準パタンの最大類似度Ｓｉと
ともに、標準パタン中の部分パタンの最大類似度Ｐｉを
求める。

【００５５】一方、入力終了判定部４は、音声検出部２
において音声区間の終端が検出されたときに、その終端
時点における上記標準パタンの最大類似度Ｓｉと部分パ
タンの最大類似度Ｐｉとを比較照合部３から受け取り、
それらの差Ｓｉ−Ｐｉと閾値Ｔ2 との大小を比較する。
この結果Ｓｉ−Ｐｉ＞Ｔ2 であれば音声入力終了信号を
比較照合部３に出力する。そうでなければ比較照合部３
には何も出力しない。

【００５６】このようにして、第１の発明の場合と同様
に、ポーズが含まれる入力音声に対しても、ポーズの位
置では音声認識の処理を終了することなく、かつ文を最
後まで入力した時点で即座に認識結果を出力することが
可能になる。

【００５７】第３の発明によれば、第１のリジェクト部
７において、入力終了判定部４が入力終了か否かの判定
を行なった時点で、比較照合部３によって求められた標
準パタンの最大類似度Ｓｉと閾値Ｔ3 の大小を比較し、
Ｓｉ＜Ｔ3 ならばリジェクト信号を発生する。

【００５８】第４の発明によれば、第２のリジェクト部
８において、入力終了判定部４が入力終了か否かの判定
を行なった時点で、比較照合部３によって求められた標
準パタンの最大類似度Ｓｉと部分パタンの最大類似度Ｐ
ｉとの差Ｓｉ−Ｐｉと閾値Ｔ4 とを比較し、Ｓｉ−Ｐｉ
＜Ｔ4 ならばリジェクト信号を発生する。

【００５９】第５の発明によれば、音声入力終了信号は
入力終了判定部４から、比較照合３ではなく、一旦、終
了信号遅延部６に出力される。終了信号遅延部６は、音
声入力終了信号を受け取った時に、比較照合部３から最
大類似度を与える標準パタンを入力する。終了信号遅延
部６はその標準パタンと同じ音節列の部分パタンが存在
するかどうかを調べ、もし存在するならば、あらかじめ
定めた時間が経過したのちに音声入力終了信号を比較照
合部３に出力する。存在しなければ、即時に音声入力終
了信号を比較照合部３に出力する。

【００６０】第６の発明によれば、入力終了判定部４が
入力終了か否かの判定を行なった時点で、参照類似度計
算部９が、単語、音節、半音節などの認識単位をあらか
じめ定めた順序で結合した複数のパタンと入力信号の音
声区間とを比較照合し、参照類似度Ｒｉを出力する。次
に、第３のリジェクト部１０が、参照類似度Ｒｉと閾値
Ｔ5 との大小を比較し、Ｒｉ＜Ｔ5 ならばリジェクト信
号を発生する。

【００６１】第７の発明によれば、入力終了判定部４が
入力終了か否かの判定を行なった時点で、ベクトル間類
似度計算部１１が、認識対象の標準パタンを構成する特
徴ベクトルと入力信号の特徴ベクトルとのベクトル間類
似度の累積値Ｄｉを出力する。次に第４のリジェクト部
１２が、ベクトル間類似度累積値Ｄｉと閾値Ｔ6 との大
小を比較し、Ｄｉ＜Ｔ6 ならばリジェクト信号を発生す
る。

【００６２】第８の発明によれば、入力終了判定部４が
入力終了か否かの判定を行なった時点で、ノイズ類似度
計算部１３が、あらかじめ用意したノイズ音のパタンと
入力信号との類似度Ｎｉを求める。次に第５のリジェク
ト部１４が、類似度Ｎｉと閾値Ｔ7 との大小を比較し、
Ｎｉ＞Ｔ7 ならばリジェク信号を発生する。

【００６３】第９の発明によれば、閾値計算部５は、入
力終了判定部４が入力終了か否かの判定を行なう時点
で、音声区間の終端から判定時までの時間を求め、入力
終了判定部４、第１のリジェクト部７、第２のリジェク
ト部８、第３のリジェクト部１０、第４のリジェクト部
１２、第５のリジェクト部１４で用いる閾値Ｔ1 ，Ｔ
2，Ｔ3 ，Ｔ4 ，Ｔ5 ，Ｔ6 ，Ｔ7 のそれぞれを、この
経過時間に応じた値に変更する。

【００６４】第１０の発明によれば、第６リジェクト部
１５は、入力終了判定部４が入力終了か否かの判定を行
なった時点からあらかじめ定められた時間経過内に、音
声検出部２が次の音声区間の始端を検出しない場合に、
リジェクト信号を出力する。

【００６５】

【発明の効果】以上詳しく説明したように本発明によれ
ば、音声入力の際に入力音声の途中に長いポーズを置い
た場合でも入力音声を正しく認識することができ、しか
も音声入力が終了した時点ですみやかに認識結果を出力
することが可能であり、さらに認識対象以外の音声ある
いはノイズ音が入力された時にはすみやかにリジェクト
することができる。

【図面の簡単な説明】

【図１】本発明の一実施例を示す構成図である。

【符号の説明】

１分析部２音声検出部３比較照合部４入力終了判定部５閾値計算部６終了信号遅延部７第１のリジェクト部８第２のリジェクト部９参照類似度計算部１０第３のリジェクト部１１ベクトル間類似度計算部１２第４のリジェクト部１３ノイズ類似度計算部１４第５のリジェクト部１５第６のリジェクト部

Claims

【特許請求の範囲】

【請求項１】入力信号を特徴ベクトル時系列に変換す
る分析部と、前記特徴ベクトル時系列のうちのパワー情
報を用いて入力信号中の音声区間の始端および終端を検
出する音声検出部と、前記特徴ベクトル時系列とあらか
じめ登録された標準パタンとを比較照合して、入力信号
の各時点での最大類似度を求めるとともに、音声入力終
了時には最大類似度を与える標準パタンを認識結果とし
て求める比較照合部と、前記音声区間の終端付近の少な
くとも１個のある時点において、前記最大類似度が第１
の閾値よりも大きければ音声入力終了信号を出力する第
１の入力終了判定部とを有する音声認識装置。
【請求項２】入力信号を特徴ベクトル時系列に変換す
る分析部と、前記特徴ベクトル時系列のうちのパワー情
報を用いて入力信号中の音声区間の始端および終端を検
出する音声検出部と、前記特徴ベクトル時系列とあらか
じめ登録された標準パタンとを比較照合して、入力信号
の各時点での最大類似度を求めるとともに、音声入力終
了時には最大類似度を与える標準パタンを認識結果とし
て求める比較照合部と、前記音声区間の終端付近の少な
くとも１個のある時点において、前記標準パタンの最大
類似度と前記標準パタン中の部分パタンの最大類似度と
の差または比が第２の閾値よりも大きければ音声入力終
了信号を出力する第２の入力終了判定部とを有する音声
認識装置。
【請求項３】前記入力終了判定部での判定時におい
て、前記標準パタン中の部分パタンの最大類似度が第３
の閾値よりも小さければリジェクト信号を出力する第１
のリジェクト部を有する請求項１又は２に記載の音声認
識装置。
【請求項４】前記入力終了判定部での判定時におい
て、前記標準パタンの最大類似度と前記標準パタン中の
部分パタンの最大類似度との差または比が第４の閾値よ
りもの小さければリジェクト信号を出力する第２のリジ
ェクト部を有する請求項１又は２にに記載の音声認識装
置。
【請求項５】前記入力終了判定部が音声入力終了信号
を出力した場合に、前記最大類似度を与える標準パタン
と同じ部分パタンが存在するならば、その時点から一定
の時間が経過したのちに改めて音声入力終了信号を出力
する終了信号遅延部を有する請求項１乃至４に記載の音
声認識装置。
【請求項６】認識単位の標準パタンをあらかじめ定め
た順序で結合したパタンと前記音声区間の特徴ベクトル
時系列との類似度の最大値を参照類似度として求める参
照類似度計算部と、前記入力終了判定部での判定時にお
いて前記参照類似度が第５の閾値よりも小さい場合にリ
ジェクト信号を出力する第３のリジェクト部とを有する
請求項１乃至５に記載の音声認識装置。
【請求項７】前記標準パタンを構成する特徴ベクトル
と前記音声区間の特徴ベクトル時系列中の特徴ベクトル
とのベクトル間類似度の累積値を求めるベクトル間類似
度計算部と、入力終了判定部での判定において前記参照
類似度が第６の閾値よりも小さい場合にリジェクト信号
を出力する第４のリジェクト部とを有する請求項１乃至
６に記載の音声認識装置。
【請求項８】ノイズ音のパタンと前記音声区間の始端
以降の特徴ベクトル時系列との類似度を求めるノイズ類
似度計算部と、前記入力終了判定部での判定において前
記ノイズ類似度が第７の閾値よりも大きい場合にリジェ
クト信号を出力する第５のリジェクト部とを有する請求
項１乃至７に記載の音声認識装置。
【請求項９】前記音声区間の終端から経過時間に従っ
て前記第１、第２、第３、第４、第５、第６および第７
の閾値を変化させる閾値計算部を有する請求項１乃至８
に記載の音声認識装置。
【請求項１０】前記入力終了判定部での判定時からの
経過時間を計測する経過時間計測部と、あらかじめ定め
られた経過時間内に前記音声検出部が次の音声区間の始
端を検出しない場合にリジェクト信号を出力する第６の
リジェクト部とを有する請求項１乃至９に記載の音声認
識装置。