JPH0667686A - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JPH0667686A JPH0667686A JP4219296A JP21929692A JPH0667686A JP H0667686 A JPH0667686 A JP H0667686A JP 4219296 A JP4219296 A JP 4219296A JP 21929692 A JP21929692 A JP 21929692A JP H0667686 A JPH0667686 A JP H0667686A
- Authority
- JP
- Japan
- Prior art keywords
- voice
- phoneme
- learning
- group
- speech
- 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、話者に対して少ない負担で比較的
高い認識精度を得ることができる音声認識装置を提供す
ること。 【構成】 本発明の音声認識装置におけるＣＰＵは、Ａ
／Ｄ変換装置により標本化され、ＲＡＭに格納されてい
る音声信号データに対し、一定時間間隔毎に線形予測
（ＬＰＣ）分析によりＬＰＣケプストラム係数を算出す
る（Ｓ４１）。次に、ＣＰＵは前記ケプストラム係数に
対しベクトル量子化処理を行い、シンボル時系列を出力
する（Ｓ４２）。次に、ＣＰＵは利用する話者の発声し
た学習用音声データより学習されている出現頻度の高い
第一のグループの音素ＨＭＭと、予め不特定多数の話者
が発声した音声データより学習されている出現頻度の低
い第２のグループの音素ＨＭＭとを使用し、入力された
シンボル時系列を認識する（Ｓ４３）。
高い認識精度を得ることができる音声認識装置を提供す
ること。 【構成】 本発明の音声認識装置におけるＣＰＵは、Ａ
／Ｄ変換装置により標本化され、ＲＡＭに格納されてい
る音声信号データに対し、一定時間間隔毎に線形予測
（ＬＰＣ）分析によりＬＰＣケプストラム係数を算出す
る（Ｓ４１）。次に、ＣＰＵは前記ケプストラム係数に
対しベクトル量子化処理を行い、シンボル時系列を出力
する（Ｓ４２）。次に、ＣＰＵは利用する話者の発声し
た学習用音声データより学習されている出現頻度の高い
第一のグループの音素ＨＭＭと、予め不特定多数の話者
が発声した音声データより学習されている出現頻度の低
い第２のグループの音素ＨＭＭとを使用し、入力された
シンボル時系列を認識する（Ｓ４３）。
Description
【０００１】
【産業上の利用分野】本発明は音素等を識別単位とする
音声モデルにより、連続音声を認識することのできる音
声認識装置に係わり、特に、その学習および認識方法に
関する。
音声モデルにより、連続音声を認識することのできる音
声認識装置に係わり、特に、その学習および認識方法に
関する。
【０００２】
【従来の技術】近年、隠れマルコフモデル等のように、
音声を統計的、確率的モデルで表現するような音声認識
方式が例えばS.E.Levinson,L.R.Rabiner,and M.M.Sondh
i"An Introduction to the Application of the Theory
of Probabilistic Functionsof a Markov Process to
Automatic Speech Recognition",The Bell System Tech
nical Journal Vol.62,No.4,April 1983 において提案
されている。これらの音声認識方式には音声の持つ揺ら
ぎを確率として表現できるという利点がある。しかしな
がら、認識精度の良いモデルを得るためには多くの学習
用音声データを必要とするという欠点があった。
音声を統計的、確率的モデルで表現するような音声認識
方式が例えばS.E.Levinson,L.R.Rabiner,and M.M.Sondh
i"An Introduction to the Application of the Theory
of Probabilistic Functionsof a Markov Process to
Automatic Speech Recognition",The Bell System Tech
nical Journal Vol.62,No.4,April 1983 において提案
されている。これらの音声認識方式には音声の持つ揺ら
ぎを確率として表現できるという利点がある。しかしな
がら、認識精度の良いモデルを得るためには多くの学習
用音声データを必要とするという欠点があった。
【０００３】そして、従来、音素を識別単位とし、隠れ
マルコフモデル等の音声認識方式を使った音声認識装置
としては、話者毎に音素モデルを作り替え、認識処理を
行う特定話者用音声認識装置と、予め不特定多数の話者
が発声した音声データより音素モデルを作成して、認識
処理を行う不特定話者用音声認識装置があった。
マルコフモデル等の音声認識方式を使った音声認識装置
としては、話者毎に音素モデルを作り替え、認識処理を
行う特定話者用音声認識装置と、予め不特定多数の話者
が発声した音声データより音素モデルを作成して、認識
処理を行う不特定話者用音声認識装置があった。
【０００４】
【発明が解決しようとする課題】しかしながら、上述の
特定話者用音声認識装置においては、認識精度の良いモ
デルを得るためには多くの学習用音声データを必要とす
るため、話者の負担が大きくなるという欠点があった。
特定話者用音声認識装置においては、認識精度の良いモ
デルを得るためには多くの学習用音声データを必要とす
るため、話者の負担が大きくなるという欠点があった。
【０００５】また、上述の不特定話者用音声認識装置に
おいては、話者が学習用音声データを発声する必要は無
いが、話者独自の音素モデルではないため、認識精度は
特定話者用音声認識装置に比べてかなり落ちてしまうと
いう欠点があった。
おいては、話者が学習用音声データを発声する必要は無
いが、話者独自の音素モデルではないため、認識精度は
特定話者用音声認識装置に比べてかなり落ちてしまうと
いう欠点があった。
【０００６】本発明は、上述した問題点を解決するもの
で、話者に対して少ない負担で比較的高い認識精度を得
ることができる音声認識装置を提供することを目的とし
ている。
で、話者に対して少ない負担で比較的高い認識精度を得
ることができる音声認識装置を提供することを目的とし
ている。
【０００７】
【課題を解決するための手段】この目的を達成するため
に本発明の音声認識装置は、音素やそれに類する識別単
位の音声モデルにより連続音声を認識するものであり、
更に前記識別単位を出現頻度により２つのグループに分
け、出現頻度の高いグループに対して、利用話者の発声
した学習用音声データにより音声モデルを学習する学習
手段と、その学習手段により学習された音声モデルを格
納する第１の音声辞書と、不特定多数の話者が発声した
音声データにより予め学習されている、出現頻度の低い
グループに対する音声モデルを格納する第２の音声辞書
と、前記第１および第２の音声辞書を参照して、入力さ
れた音声を認識する認識手段とを備えている。
に本発明の音声認識装置は、音素やそれに類する識別単
位の音声モデルにより連続音声を認識するものであり、
更に前記識別単位を出現頻度により２つのグループに分
け、出現頻度の高いグループに対して、利用話者の発声
した学習用音声データにより音声モデルを学習する学習
手段と、その学習手段により学習された音声モデルを格
納する第１の音声辞書と、不特定多数の話者が発声した
音声データにより予め学習されている、出現頻度の低い
グループに対する音声モデルを格納する第２の音声辞書
と、前記第１および第２の音声辞書を参照して、入力さ
れた音声を認識する認識手段とを備えている。
【０００８】
【作用】上記の構成を有する本発明の音声認識装置にお
ける学習手段は、出現頻度により２つのグループに分け
られた識別単位の内、出現頻度の高いグループに対し
て、利用話者の発声した学習用音声データより音声モデ
ルを学習する。認識手段は、前記学習手段により学習さ
れた出現頻度の高いグループに対する音声モデルを格納
する第１の音声辞書、および不特定多数の話者が発声し
た音声データより予め学習されている出現頻度の低いグ
ループに対する音声モデルを格納する第２の音声辞書と
を参照し、入力された音声を認識する。
ける学習手段は、出現頻度により２つのグループに分け
られた識別単位の内、出現頻度の高いグループに対し
て、利用話者の発声した学習用音声データより音声モデ
ルを学習する。認識手段は、前記学習手段により学習さ
れた出現頻度の高いグループに対する音声モデルを格納
する第１の音声辞書、および不特定多数の話者が発声し
た音声データより予め学習されている出現頻度の低いグ
ループに対する音声モデルを格納する第２の音声辞書と
を参照し、入力された音声を認識する。
【０００９】
【実施例】以下、本発明を具体化した一実施例を図面を
参照して説明する。
参照して説明する。
【００１０】本実施例においては、識別単位として音素
を使い、出現頻度の高い第１のグループの音素とし
て、”ａ，ｉ，ｕ，ｅ，ｏ，Ｑ（無音）”、出現頻度の
低い第２のグループの音素として”ｋ，ｓ，ｔ，ｎ，
ｈ，ｍ，ｙ，ｒ，ｗ，ｇ，ｚ，ｄ，ｂ，ｐ，ｓｈ，ｃ
ｈ，ｔｓ，ｊ，Ｎ（溌音）”を選ぶ。そして第１のグル
ープの音素に対しては話者毎に学習された音素隠れマル
コフモデル（以後、音素ＨＭＭ）を、第２のグループの
音素に対しては不特定多数の話者の発声した音声データ
より予め学習されている音素ＨＭＭを使い認識処理を行
う。隠れマルコフモデル（ＨＭＭ）は音声を状態遷移確
率、出力確率の２種類のパラメータにより記述する音声
モデルである。
を使い、出現頻度の高い第１のグループの音素とし
て、”ａ，ｉ，ｕ，ｅ，ｏ，Ｑ（無音）”、出現頻度の
低い第２のグループの音素として”ｋ，ｓ，ｔ，ｎ，
ｈ，ｍ，ｙ，ｒ，ｗ，ｇ，ｚ，ｄ，ｂ，ｐ，ｓｈ，ｃ
ｈ，ｔｓ，ｊ，Ｎ（溌音）”を選ぶ。そして第１のグル
ープの音素に対しては話者毎に学習された音素隠れマル
コフモデル（以後、音素ＨＭＭ）を、第２のグループの
音素に対しては不特定多数の話者の発声した音声データ
より予め学習されている音素ＨＭＭを使い認識処理を行
う。隠れマルコフモデル（ＨＭＭ）は音声を状態遷移確
率、出力確率の２種類のパラメータにより記述する音声
モデルである。
【００１１】図１は本実施例による音声認識装置のブロ
ック図である。本実施例を構成するオーディオ・アンプ
１は入力された音声信号を適切な電圧値に増幅する。ロ
ーパス・フィルター２はオーディオ・アンプ１により増
幅された信号における５．５kHz以下の周波数成分のみ
を通過させることにより、サンプリング時の折返し歪を
抑えている。Ａ／Ｄ変換装置３はローパス・フィルター
通過信号を、サンプリング周波数１２kHz、１６ビット
のディジタル信号に変換する。Ｉ／Ｏポート４はＣＰＵ
５と、Ａ／Ｄ変換装置３、ディスプレイ８、外部記憶装
置９とを接続している。ＣＰＵ５は音声信号データの線
形予測（ＬＰＣ）分析処理、学習処理、および認識処理
を行ない、ＲＡＭ６、およびＲＯＭ７に接続されてい
る。
ック図である。本実施例を構成するオーディオ・アンプ
１は入力された音声信号を適切な電圧値に増幅する。ロ
ーパス・フィルター２はオーディオ・アンプ１により増
幅された信号における５．５kHz以下の周波数成分のみ
を通過させることにより、サンプリング時の折返し歪を
抑えている。Ａ／Ｄ変換装置３はローパス・フィルター
通過信号を、サンプリング周波数１２kHz、１６ビット
のディジタル信号に変換する。Ｉ／Ｏポート４はＣＰＵ
５と、Ａ／Ｄ変換装置３、ディスプレイ８、外部記憶装
置９とを接続している。ＣＰＵ５は音声信号データの線
形予測（ＬＰＣ）分析処理、学習処理、および認識処理
を行ない、ＲＡＭ６、およびＲＯＭ７に接続されてい
る。
【００１２】前記ＲＡＭ６にはＡ／Ｄ変換装置３により
ディジタル化された音声信号データ、ＣＰＵ５により処
理されたＬＰＣ分析結果、出現頻度の高い第１のグルー
プに対する第１の音素辞書等が格納されるエリアが用意
されている。前記ＲＯＭ７にはＬＰＣ分析ロジック、学
習ロジック、認識ロジック、および出現頻度の低い第２
のグループに対する第２の音素辞書等が格納されてい
る。前記ディスプレイ８は処理結果等の表示を行なう。
前記外部記憶装置９には、利用話者が発声し、Ａ／Ｄ変
換装置３によりディジタル化された第１のグループの音
素ＨＭＭパラメータの学習用音声データが格納されるエ
リアが用意されている。
ディジタル化された音声信号データ、ＣＰＵ５により処
理されたＬＰＣ分析結果、出現頻度の高い第１のグルー
プに対する第１の音素辞書等が格納されるエリアが用意
されている。前記ＲＯＭ７にはＬＰＣ分析ロジック、学
習ロジック、認識ロジック、および出現頻度の低い第２
のグループに対する第２の音素辞書等が格納されてい
る。前記ディスプレイ８は処理結果等の表示を行なう。
前記外部記憶装置９には、利用話者が発声し、Ａ／Ｄ変
換装置３によりディジタル化された第１のグループの音
素ＨＭＭパラメータの学習用音声データが格納されるエ
リアが用意されている。
【００１３】以下、本実施例の動作について図２〜図４
を参照して説明する。
を参照して説明する。
【００１４】図２は本実施例により行なわれる第１のグ
ループの音素ＨＭＭの学習処理を示すフローチャートで
ある。以下において、この学習処理の動作について説明
する。但し、各音素ＨＭＭは図３に示すように４状態３
ループのモデルとする。また第２のグループの音素ＨＭ
Ｍは、不特定多数の話者が発声した音声データより各音
素毎に学習され、そのパラメータはＲＯＭ７上の第２の
音素辞書に予め格納されている。また第１のグループの
音素ＨＭＭパラメータの初期値はランダムな値を設定
し、ＲＡＭ６上の第１の音素辞書に格納しておく。また
ベクトル量子化用コードブックは、第２のグループの音
素ＨＭＭを学習時に使用した不特定多数の話者が発声し
た音声データを分析し得られた特徴ベクトルに対し、Ｌ
ＢＧアルゴリズムによるクラスタリング処理により生成
され、ＲＯＭ７上に予め格納されている。ＬＢＧアルゴ
リズムに関しては、中川、”確率モデルによる音声認
識”、電子情報通信学会に詳述されている。コードブッ
クのサイズは５１２であり、コードブックには各シンボ
ルとそれを代表するベクトル（以後、セントロイド）が
記憶されている。
ループの音素ＨＭＭの学習処理を示すフローチャートで
ある。以下において、この学習処理の動作について説明
する。但し、各音素ＨＭＭは図３に示すように４状態３
ループのモデルとする。また第２のグループの音素ＨＭ
Ｍは、不特定多数の話者が発声した音声データより各音
素毎に学習され、そのパラメータはＲＯＭ７上の第２の
音素辞書に予め格納されている。また第１のグループの
音素ＨＭＭパラメータの初期値はランダムな値を設定
し、ＲＡＭ６上の第１の音素辞書に格納しておく。また
ベクトル量子化用コードブックは、第２のグループの音
素ＨＭＭを学習時に使用した不特定多数の話者が発声し
た音声データを分析し得られた特徴ベクトルに対し、Ｌ
ＢＧアルゴリズムによるクラスタリング処理により生成
され、ＲＯＭ７上に予め格納されている。ＬＢＧアルゴ
リズムに関しては、中川、”確率モデルによる音声認
識”、電子情報通信学会に詳述されている。コードブッ
クのサイズは５１２であり、コードブックには各シンボ
ルとそれを代表するベクトル（以後、セントロイド）が
記憶されている。
【００１５】また第１のグループの音素ＨＭＭの学習用
音声データとして、第１のグループの音素がバランス良
く含まれるように選ばれた数十文を、利用話者が指示通
りに発声し、前記Ａ／Ｄ変換装置３によりディジタル化
し、前記外部記憶装置９上に予め格納しておく。
音声データとして、第１のグループの音素がバランス良
く含まれるように選ばれた数十文を、利用話者が指示通
りに発声し、前記Ａ／Ｄ変換装置３によりディジタル化
し、前記外部記憶装置９上に予め格納しておく。
【００１６】まず始めに、ＣＰＵ５は前記外部記憶装置
９上に格納されている学習用音声データの最初の学習文
に対して、９６ポイント（８ｍｓｅｃ）間隔に設定され
たフレーム毎に、線形予測（ＬＰＣ）分析を行いＬＰＣ
ケプストラム係数を算出し、特徴ベクトルとする。ＬＰ
Ｃケプストラム係数の算出方法については 古井、”デ
ィジタル音声処理”、東海大学出版会に詳述されてい
る。また分析次数は１６次とする（Ｓ２１）。
９上に格納されている学習用音声データの最初の学習文
に対して、９６ポイント（８ｍｓｅｃ）間隔に設定され
たフレーム毎に、線形予測（ＬＰＣ）分析を行いＬＰＣ
ケプストラム係数を算出し、特徴ベクトルとする。ＬＰ
Ｃケプストラム係数の算出方法については 古井、”デ
ィジタル音声処理”、東海大学出版会に詳述されてい
る。また分析次数は１６次とする（Ｓ２１）。
【００１７】次に、ＣＰＵ５は前記フレーム毎に分析さ
れた特徴ベクトルに対し、前記ＲＯＭ６上に格納されて
いるコードブックを参照しベクトル量子化処理を行い、
シンボル時系列を生成する。具体的には、ＣＰＵ５はフ
レーム毎に特徴ベクトルとコードブック内の全てのセン
トロイドとのユークリッド距離を計算し、前記ユークリ
ッド距離の最も小さいセントロイドに対するシンボルを
出力する（Ｓ２２）。
れた特徴ベクトルに対し、前記ＲＯＭ６上に格納されて
いるコードブックを参照しベクトル量子化処理を行い、
シンボル時系列を生成する。具体的には、ＣＰＵ５はフ
レーム毎に特徴ベクトルとコードブック内の全てのセン
トロイドとのユークリッド距離を計算し、前記ユークリ
ッド距離の最も小さいセントロイドに対するシンボルを
出力する（Ｓ２２）。
【００１８】次に、ＣＰＵ５は前記第１のグループに対
する音素ＨＭＭパラメータの学習を連結学習処理により
行う（Ｓ２３）。
する音素ＨＭＭパラメータの学習を連結学習処理により
行う（Ｓ２３）。
【００１９】連結学習処理Ｓ２３においては、まずＣＰ
Ｕ５は学習用に発声された音声の内容に基づき第１のグ
ループおよび第２のグループの音素ＨＭＭパラメータ
を、ＲＡＭ６上の第１の音素辞書およびＲＯＭ７上の第
２の音素辞書より呼び出し連結し、文ＨＭＭを作成す
る。音素ＨＭＭの連結は図３に示すように音素ＨＭＭの
最終状態を次の音素ＨＭＭの初期状態とすることにより
行う。また連結されたＨＭＭの両端には無音モデルをつ
け加えた。例えば発声文の内容が"解説する"であった場
合、Q-k-a-i-s-e-ts-u-s-u-r-u-Qという音素ＨＭＭを上
述した方法で連結した文ＨＭＭを作成する（Ｓ２３
ａ）。
Ｕ５は学習用に発声された音声の内容に基づき第１のグ
ループおよび第２のグループの音素ＨＭＭパラメータ
を、ＲＡＭ６上の第１の音素辞書およびＲＯＭ７上の第
２の音素辞書より呼び出し連結し、文ＨＭＭを作成す
る。音素ＨＭＭの連結は図３に示すように音素ＨＭＭの
最終状態を次の音素ＨＭＭの初期状態とすることにより
行う。また連結されたＨＭＭの両端には無音モデルをつ
け加えた。例えば発声文の内容が"解説する"であった場
合、Q-k-a-i-s-e-ts-u-s-u-r-u-Qという音素ＨＭＭを上
述した方法で連結した文ＨＭＭを作成する（Ｓ２３
ａ）。
【００２０】次に、ＣＰＵ５は前記連結された文ＨＭＭ
に対し、Ｓ２２の処理により得られたシンボル時系列を
入力とし、Baum-WelchアルゴリズムによってＨＭＭパラ
メータの学習を行う。Baum-Welchアルゴリズムに関して
は、上述のS.E.Levinson,L.R.Rabiner,and M.M.Sondhi"
An Introduction to the Application of the Theoryof
Probabilistic Functions of a Markov Process to Au
tomatic Speech Recognition",The Bell System Techni
cal Journal Vol.62,No.4,April 1983 において詳述さ
れている（Ｓ２３ｂ）。
に対し、Ｓ２２の処理により得られたシンボル時系列を
入力とし、Baum-WelchアルゴリズムによってＨＭＭパラ
メータの学習を行う。Baum-Welchアルゴリズムに関して
は、上述のS.E.Levinson,L.R.Rabiner,and M.M.Sondhi"
An Introduction to the Application of the Theoryof
Probabilistic Functions of a Markov Process to Au
tomatic Speech Recognition",The Bell System Techni
cal Journal Vol.62,No.4,April 1983 において詳述さ
れている（Ｓ２３ｂ）。
【００２１】次に、ＣＰＵ５は前記Ｓ２１〜Ｓ２３の処
理を、学習用音声データの全ての学習文に対して繰り返
し、全ての学習用音声データに対し前記処理が終了した
場合に処理をＳ２５に移す（Ｓ２４）。
理を、学習用音声データの全ての学習文に対して繰り返
し、全ての学習用音声データに対し前記処理が終了した
場合に処理をＳ２５に移す（Ｓ２４）。
【００２２】Ｓ２５では、前記Ｓ２１〜Ｓ２４の処理に
より更新された第１のグループの音素ＨＭＭパラメータ
をＲＡＭ６上の第１の音素辞書に格納する（Ｓ２５）。
より更新された第１のグループの音素ＨＭＭパラメータ
をＲＡＭ６上の第１の音素辞書に格納する（Ｓ２５）。
【００２３】本実施例では学習を効果適にするために、
上述のＳ２１〜Ｓ２５の処理を５回繰り返した後、第１
のグループの音素ＨＭＭの学習処理を終了する。
上述のＳ２１〜Ｓ２５の処理を５回繰り返した後、第１
のグループの音素ＨＭＭの学習処理を終了する。
【００２４】以上説明した学習処理により学習された第
１のグループの音素ＨＭＭと、第２のグループの音素Ｈ
ＭＭとを使い認識処理を行う。図４は本実施例により行
なわれる認識処理の動作を示すフローチャートである。
以下において、この認識処理の動作について説明する。
１のグループの音素ＨＭＭと、第２のグループの音素Ｈ
ＭＭとを使い認識処理を行う。図４は本実施例により行
なわれる認識処理の動作を示すフローチャートである。
以下において、この認識処理の動作について説明する。
【００２５】始めに、ＣＰＵ５は前記Ａ／Ｄ変換装置３
により標本化され、前記ＲＡＭ６に格納されている音声
データに対して、９６ポイント（８ｍｓｅｃ）間隔に設
定されたフレーム毎に、上述のＬＰＣ分析を行いＬＰＣ
ケプストラム係数を算出し、特徴ベクトルとする（Ｓ４
１）。
により標本化され、前記ＲＡＭ６に格納されている音声
データに対して、９６ポイント（８ｍｓｅｃ）間隔に設
定されたフレーム毎に、上述のＬＰＣ分析を行いＬＰＣ
ケプストラム係数を算出し、特徴ベクトルとする（Ｓ４
１）。
【００２６】次に、ＣＰＵ５は前記フレーム毎に分析さ
れた特徴ベクトルに対し、前記ＲＯＭ６上に格納されて
いるコードブックを参照し、上述のベクトル量子化処理
を行い、シンボル時系列を生成する（Ｓ４２）。
れた特徴ベクトルに対し、前記ＲＯＭ６上に格納されて
いるコードブックを参照し、上述のベクトル量子化処理
を行い、シンボル時系列を生成する（Ｓ４２）。
【００２７】次に、ＣＰＵ５は前記コード時系列に対
し、前記学習処理により学習されＲＡＭ６上の第１の音
素辞書に格納されている第１のグループの音素ＨＭＭパ
ラメータと、不特定多数の話者の発声した音声データよ
り予め学習されＲＯＭ７上の第２の音素辞書に格納され
ている第２のグループの音素ＨＭＭパラメータを使い連
続音声認識処理を行なう。本発明においては、連続音声
認識処理の手法としてどのような手法を利用しても差し
支えないが、本実施例においては、文脈自由文法を高速
に解析できるＬＲ文法を用いたＨＭＭ−ＬＲ法を、前記
第１のグループの音素ＨＭＭおよび第２のグループの音
素ＨＭＭにより実現し、連続音声認識処理を行う。ＨＭ
Ｍ−ＬＲ法は拡張ＬＲ構文解析法で用いられる構文解析
動作表から入力された音声データ中の音素を予測し、予
測された音素の尤度をＨＭＭ音素照合で調べることによ
り、音声認識と言語処理を同時進行させる方式であり、
北、川端、斉藤、”ＨＭＭ音素認識と拡張ＬＲ解析法を
用いた連続音声認識”、情報処理学会論文誌(1990-3)に
詳述されている（Ｓ４３）。
し、前記学習処理により学習されＲＡＭ６上の第１の音
素辞書に格納されている第１のグループの音素ＨＭＭパ
ラメータと、不特定多数の話者の発声した音声データよ
り予め学習されＲＯＭ７上の第２の音素辞書に格納され
ている第２のグループの音素ＨＭＭパラメータを使い連
続音声認識処理を行なう。本発明においては、連続音声
認識処理の手法としてどのような手法を利用しても差し
支えないが、本実施例においては、文脈自由文法を高速
に解析できるＬＲ文法を用いたＨＭＭ−ＬＲ法を、前記
第１のグループの音素ＨＭＭおよび第２のグループの音
素ＨＭＭにより実現し、連続音声認識処理を行う。ＨＭ
Ｍ−ＬＲ法は拡張ＬＲ構文解析法で用いられる構文解析
動作表から入力された音声データ中の音素を予測し、予
測された音素の尤度をＨＭＭ音素照合で調べることによ
り、音声認識と言語処理を同時進行させる方式であり、
北、川端、斉藤、”ＨＭＭ音素認識と拡張ＬＲ解析法を
用いた連続音声認識”、情報処理学会論文誌(1990-3)に
詳述されている（Ｓ４３）。
【００２８】本発明は、以上詳述した構成に限定される
ものではなく、その主旨を逸脱しない範囲において種々
の変更を加えることができる。例えば本実施例において
は、連続音声認識処理の手法としてＨＭＭ−ＬＲ法を用
いたが、一般に良く知られている他の手法で処理しても
良い。また第１および第２のグループの音素の選択方法
も変更する事ができる。
ものではなく、その主旨を逸脱しない範囲において種々
の変更を加えることができる。例えば本実施例において
は、連続音声認識処理の手法としてＨＭＭ−ＬＲ法を用
いたが、一般に良く知られている他の手法で処理しても
良い。また第１および第２のグループの音素の選択方法
も変更する事ができる。
【００２９】
【発明の効果】以上説明したことから明かなように、本
発明の音声認識装置は、識別単位を出現頻度により２つ
のグループに分け、出現頻度の高いグループに対して、
利用話者の発声した学習用音声データにより音声モデル
を学習する学習手段と、その学習手段により学習された
音声モデルを格納する第１の音声辞書と、不特定多数の
話者が発声した音声データにより予め学習されている、
出現頻度の低いグループに対する音声モデルを格納する
第２の音声辞書と、前記第１および第２の音声辞書を参
照して、入力された音声を認識する認識手段とを備えた
ことにより、話者の発声する学習用音声データ数を少な
くし、話者に対して少ない負担で比較的高い認識精度を
得ることができる。
発明の音声認識装置は、識別単位を出現頻度により２つ
のグループに分け、出現頻度の高いグループに対して、
利用話者の発声した学習用音声データにより音声モデル
を学習する学習手段と、その学習手段により学習された
音声モデルを格納する第１の音声辞書と、不特定多数の
話者が発声した音声データにより予め学習されている、
出現頻度の低いグループに対する音声モデルを格納する
第２の音声辞書と、前記第１および第２の音声辞書を参
照して、入力された音声を認識する認識手段とを備えた
ことにより、話者の発声する学習用音声データ数を少な
くし、話者に対して少ない負担で比較的高い認識精度を
得ることができる。
【図１】本発明の音声認識装置を具体化した一実施例の
構成を示すブロック図である。
構成を示すブロック図である。
【図２】本発明の音声認識装置の一実施例における学習
処理の動作を示すフローチャートである。
処理の動作を示すフローチャートである。
【図３】本発明の音声認識装置の一実施例における音素
ＨＭＭ、および連結学習処理の説明図である。
ＨＭＭ、および連結学習処理の説明図である。
【図４】本発明の音声認識装置の一実施例における認識
処理の動作を示すフローチャートである。
処理の動作を示すフローチャートである。
１ オーディオ・アンプ ５ ＣＰＵ ６ ＲＡＭ ７ ＲＯＭ ９ 外部記憶装置
Claims (1)
- 【請求項１】 音素やそれに類する識別単位の音声モデ
ルにより連続音声を認識する音声認識装置において、 前記識別単位を出現頻度により２つのグループに分け、
出現頻度の高いグループに対して、利用話者の発声した
学習用音声データにより音声モデルを学習する学習手段
と、 その学習手段により学習された音声モデルを格納する第
１の音声辞書と、 不特定多数の話者が発声した音声データにより予め学習
されている、出現頻度の低いグループに対する音声モデ
ルを格納する第２の音声辞書と、 前記第１および第２の音声辞書を参照して、入力された
音声を認識する認識手段とを備えたことを特徴とする音
声認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4219296A JPH0667686A (ja) | 1992-08-18 | 1992-08-18 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4219296A JPH0667686A (ja) | 1992-08-18 | 1992-08-18 | 音声認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0667686A true JPH0667686A (ja) | 1994-03-11 |
Family
ID=16733277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4219296A Pending JPH0667686A (ja) | 1992-08-18 | 1992-08-18 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0667686A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6253180B1 (en) | 1998-06-19 | 2001-06-26 | Nec Corporation | Speech recognition apparatus |
| JP2010145784A (ja) * | 2008-12-19 | 2010-07-01 | Casio Computer Co Ltd | 音声認識装置、音響モデル学習装置、音声認識方法、および、プログラム |
-
1992
- 1992-08-18 JP JP4219296A patent/JPH0667686A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6253180B1 (en) | 1998-06-19 | 2001-06-26 | Nec Corporation | Speech recognition apparatus |
| JP2010145784A (ja) * | 2008-12-19 | 2010-07-01 | Casio Computer Co Ltd | 音声認識装置、音響モデル学習装置、音声認識方法、および、プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4221379B2 (ja) | 音声特性に基づく電話発信者の自動識別 | |
| EP1575030B1 (en) | New-word pronunciation learning using a pronunciation graph | |
| US5791904A (en) | Speech training aid | |
| US7783484B2 (en) | Apparatus for reducing spurious insertions in speech recognition | |
| EP2048655B1 (en) | Context sensitive multi-stage speech recognition | |
| JPH06110493A (ja) | 音声モデルの構成方法及び音声認識装置 | |
| JPH0422276B2 (ja) | ||
| NO309750B1 (no) | Talegjenkjenning | |
| JPH07114395A (ja) | 音声認識用データ圧縮 | |
| JP2001166789A (ja) | 初頭／末尾の音素類似度ベクトルによる中国語の音声認識方法及びその装置 | |
| US20030220792A1 (en) | Speech recognition apparatus, speech recognition method, and computer-readable recording medium in which speech recognition program is recorded | |
| JP3535292B2 (ja) | 音声認識システム | |
| US20020095282A1 (en) | Method for online adaptation of pronunciation dictionaries | |
| Sangjamraschaikun et al. | Isarn digit speech recognition using HMM | |
| JP2001195087A (ja) | 音声認識システム | |
| JP2003044078A (ja) | 発声速度正規化分析を用いた音声認識装置 | |
| JPH0667686A (ja) | 音声認識装置 | |
| JP3277579B2 (ja) | 音声認識方法および装置 | |
| JP4226273B2 (ja) | 音声認識装置、音声認識方法および音声認識プログラム | |
| Thalengala et al. | Performance Analysis of Isolated Speech Recognition System Using Kannada Speech Database. | |
| KR100369478B1 (ko) | 음성 모델의 생성 방법 | |
| JP2003345384A (ja) | 音声認識装置、音声認識方法および音声認識プログラム | |
| JPH08110790A (ja) | 音声認識装置 | |
| Mohanty et al. | Design of an Odia Voice Dialler System | |
| JPH0997095A (ja) | 音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 10 Free format text: PAYMENT UNTIL: 20090618 |
|
| EXPY | Cancellation because of completion of term | ||
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090618 Year of fee payment: 10 |