JPH0736481A - 補完音声認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 話者の発話に対して誤りの少ない候補を出力
でき、認識誤りによる候補なしを防止できる補完音声認
識装置を提供すること。 【構成】 音声信号１をデジタル信号に変換するＡ／Ｄ
変換回路２と、そのデジタル信号から音韻（列）記号４
を抽出する音韻（列）抽出手段３と、各種音韻記号に対
して、所定のグループの人が意図した可能性がある音韻
記号を対応づけた誤りモデルテーブル１０と、抽出され
た音韻（列）記号と誤りモデルテーブル１０の各種音韻
記号とを比較し、一致する音韻記号に対応する、誤り確
率が基準以上の音韻記号を出力する誤り推測手段５とを
備える。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、発音された音声の音声
認識処理を補完する補完音声認識装置に関するものであ
る。

【０００２】

【従来の技術】従来、音声や画像の認識に当たっては、
最終認識結果を正確なものとするために、認識対象につ
いて複数個の認識候補を得て（認識候補群）、その中か
ら最終認識結果を決定することが多い。この際、各認識
候補は、一般に、認識結果と認識評価点とが対にされた
形で出力される。そして、認識候補群の中の認識評価点
が最も高い認識候補の認識評価点を、予め設定された閾
値と比較し、その認識評価点が閾値より高い場合、その
認識候補は認識目的について有意性があるとされその認
識結果が最終認識結果とされる。ここで、閾値比較の
際、認識評価点が閾値より低い場合、その認識候補は有
意でない旨の判断がなされ、最終認識結果はなし（音声
認識の場合はNull（無効文字列））とされる。

【０００３】

【発明が解決しようとする課題】しかしながら、以上の
ような従来の音声認識の場合、例えば話者の発話が曖昧
であったり誤っていたときには、話者の意図と全く違う
候補が出力されたり、あるいは全く認識されずに認識誤
りとして処理されて、候補が得られないという課題があ
る。例えば、ネイティブスピーカが話す英語を正確に認
識できる装置においては、英語の初心者である日本人が
話すと、大概の場合、話者の意図と全く違う候補が出力
されたり、あるいは全く認識されずに認識誤りとして処
理される。

【０００４】本発明は、従来の音声認識装置のこのよう
な課題を考慮し、話者の発話に対して、その意図どうり
に、誤りの少ない候補を出力でき、認識誤りによる候補
なしを防止できる補完音声認識装置を提供することを目
的とするものである。

【０００５】

【課題を解決するための手段】本発明は、発音された音
韻信号を入力する音韻信号入力手段と、その入力された
音韻信号を認識する音韻認識手段と、各種音韻記号に対
して、所定のグループの人が意図した可能性がある音韻
記号を対応づけたテーブルと、認識された音韻記号とテ
ーブルの各種音韻記号とを比較し、一致する音韻記号を
見つけ、所定の基準に基づいて、その見つけられた音韻
記号に対応する意図した可能性がある音韻記号の一部又
は全部を出力する比較出力手段とを備えた補完音声認識
装置である。

【０００６】

【作用】本発明は、音韻信号入力手段が発音された音韻
信号を入力し、音韻認識手段が入力された音韻信号を音
韻記号として認識し、比較出力手段が、認識された音韻
記号とテーブルの各種音韻記号とを比較し、一致する音
韻記号を見つけ、所定の基準に基づいて、その見つけら
れた音韻記号に対応する意図した可能性がある音韻記号
の一部又は全部を出力する。

【０００７】

【実施例】以下に、本発明をその実施例を示す図面に基
づいて説明する。

【０００８】図１は、本発明にかかる一実施例の補完音
声認識装置の構成図である。図１において、補完音声認
識装置には、例えば不特定話者の連続音声認識システム
を用いる場合、話者が発音した音声の音声信号１を入力
し、その入力された音声信号１をアナログ信号からディ
ジタル信号に変換するＡ／Ｄ変換回路２が設けられ、そ
のＡ／Ｄ変換回路２には、変換されたディジタル信号か
ら音韻（列）記号４を認識して抽出する音韻（列）抽出
手段３が接続されている。その音韻（列）抽出手段３に
は、誤り推測手段５が接続されており、その誤り推測手
段５は、誤りモデルテーブル１０に格納された誤りモデ
ル及び認識した音韻（列）記号４に基づいて誤りを推測
するものである。

【０００９】その誤りモデルテーブル１０には、入力音
声の音韻列中に含まれる音韻（又は音韻列）の誤りの確
率が誤りモデルとして格納されている。例えば、この誤
りモデルテーブル１０の誤りモデルとしては、図３に示
すように、行の欄に、全ての各種音韻記号［ｒ］、
［ｌ］、［ａ］、［ｉ］、［ｓ］、・・・が配置され、列
の欄にも、色々な全ての音韻記号［ｒ］、［ｌ］、
［ａ］、［Ａ］、［ｉ］、［ｓ］、［θ］、・・・が配置
されている。行の音韻記号は、認識された音韻記号であ
って、例えば、行の音韻記号［ｒ］が認識された場合、
その［ｒ］が、その話者が意図する本当の音韻記号であ
る確率を、列の色々な音韻記号［ｒ］、［ｌ］、
［ａ］、［Ａ］、［ｉ］、［ｓ］、［θ］、・・・につい
て、設定している。すなわち、図３の場合、関西地方の
成人の人のグループを対象として、その人たちが、発音
し、音声認識した音韻記号が、その話者が意図した本当
の音韻記号である確率を設定している。例えば、認識さ
れた音韻記号がｒの場合、話者が意図した本当の音韻記
号である確率は、［ｒ］が６５％、［ｌ］が２０％、
［ａ］が５％、［Ａ］が４％、［ｉ］が１％、［ｓ］が
０.１％、［θ］が０.１％である。これらの数値は、そ
れらグループの人々に実際に発音させ、データをとり設
定したものである。通常は、認識した音韻記号と同じ音
韻記号に高い確率が付される。音韻記号としては標準国
際音声記号（国際音声学協会）で表記している。また、
このモデルは一通りではなく、図４及び図５に示すよう
に、例えば話者の居住地域や年齢など発音に影響を与え
るであろうと考えられる要因を考慮して誤り確率を書き
出したモデルや、本システムの使用目的（教育対象か認
識対象か等）に応じたモデルなど、複数のモデルが用意
される。

【００１０】上述の誤り推測手段５には音韻列置換手段
６が接続され、その音韻列置換手段６は、認識された音
韻記号に対して、誤り確率の高い音韻（又は音韻列）で
置換を行い、その結果として置換後音韻（列）７を出力
する。更に、音韻列置換手段６には認識候補出力手段８
が接続され、その認識候補出力手段８は、置換後音韻列
７と認識候補ファイル１１に予め格納された認識候補と
を用いて候補文字列９を出力するものである。

【００１１】その、認識候補ファイル１１には、図６に
示すように、右列には、予め用意された認識候補文字列
が、また、左の列には、それに対応する認識候補音韻と
が格納されている。

【００１２】上述のＡ／Ｄ変換回路２が音韻信号入力手
段を構成し、音韻（列）抽出手段３が音韻認識手段を構
成し、誤りモデルテーブル１０がテーブルを構成し、誤
り推測手段５及び音韻列置換手段６が比較出力手段を構
成している。

【００１３】次に、上記実施例の補完音声認識装置の動
作について図面を参照しながら説明する。

【００１４】まず、話者がマイクロフォンなどから音声
信号１（例えば"rice(米)"という単語：本来のこの単語
の音韻記号は［ｒａｉｓ］である）を入力する（ステッ
プＳ１）。入力された音声信号１はＡ／Ｄ変換回路２に
よりアナログ／ディジタル変換され（ステップＳ２）、
次に音韻（列）抽出手段３によって、その音響的特徴よ
り音韻（列）記号４が認識抽出される（ステップＳ
３）。もし話者が"rice"の発音に含まれる［ｒ］音を正
しく発音しなかった場合、ここで抽出される音韻列は例
えば［ｌａｉｓ］になる。

【００１５】次に、抽出された音韻（列）記号４から順
に音韻が取り出され（ステップＳ４）（この場合は
［ｌ］［ａ］［ｉ］［ｓ］である）、誤りモデルテーブ
ル１０から、取り出された音韻に対応する音韻の誤り確
率が一つ一つ順に読みだされる（ステップＳ５）。ここ
で、話者がどの音韻を発音しようとした可能性があるか
が判断されるが、もし入力された音声から抽出された音
韻に対して、取り出された誤り確率の全てに対して基準
以上の誤り確率が得られなかったと判断された場合（ス
テップＳ６）、入力された音声から抽出された音韻のみ
が保存される。

【００１６】一方、参照された誤り確率中に、誤り確率
が基準より高い確率の音韻があると判断された場合は
（ステップＳ６）、入力された音声から抽出された音韻
と誤り確率の高い音韻の両方を保持する（比較音素とそ
の誤り確率を保存する）（ステップＳ７）。例えば図３
の誤りモデルによると、［ｌａｉｓ］の場合、話者が音
韻［ｌ］を入力したと認識され、話者が入力しようと意
図していた音韻が［ｒ］である確率と［ｌ］である確率
は、共に３０％である。その他の確率は低い。その結
果、話者が意図した音韻記号は［ｒ］３０％または
［ｌ］３０％であると判断される。次の音韻の［ａ］
は、同様に調べると、［ａ］である確率が６０％であ
り、それに比べると他の音韻の確率はかなり低いので学
習者が意図した音韻は［ａ］６０％であると判断する。
同様にして、［ｉ］と［ｓ］は、それぞれ［ｉ］、
［ｓ］・［θ］であると判断され、それぞれが保存され
る（これを置換音韻と呼ぶ）。このように、取り出され
た１個の音韻に対して、それに対応した誤りモデルの全
データ終了までステップＳ５からステップＳ７までその
確率が調べられる。これをループ２で示す。又、ステッ
プＳ４からステップＳ７までの処理が、抽出された音韻
記号列の終わりまで繰り返される。これをループ１で示
す。

【００１７】次に、抽出された音韻列の全ての音韻記号
について誤りモデルが参照された後（すなわち、ループ
１が終了した後）、一時保存されたそれらの、置換音韻
の候補（［ｌ］・［ｒ］・［ａ］・［ｉ］・［ｓ］・
［θ］）と入力音韻列４とが置換される（ステップＳ
８）。すなわち、［ｌ］については［ｌ］と［ｒ］に、
［ａ］と［ｉ］はそのままで、［ｓ］については［ｓ］
と［θ］とに置き換えられる。これにより、置換後音韻
列７は［ｌａｉｓ］・［ｒａｉｓ］・［ｌａｉθ］・
［ｒａｉθ］の４種類の候補がもとまる。

【００１８】その後、認識候補出力手段８によって認識
候補ファイル１１からデータが読み込まれ（ステップＳ
９）、入力された各置換後音韻列７と読み込まれた認識
候補音韻との突き合わせ処理が行われる（ステップＳ１
０）。突合せの結果音韻記号が一致した場合、その音韻
記号列に対応する認識候補文字列９が出力される（ステ
ップＳ１１）。一致しなかった場合はループ３の処理を
終了する。例えば、［ｌａｉｓ］については、”ｌｉｃ
ｅ”が見つかり、［ｒａｉｓ］については”ｒｉｃｅ”
が見つかり、［ｌａｉθ］と［ｒａｉθ］については、
認識候補文字列は見つからない。従って、この場合の認
識候補文字列は、”ｒｉｃｅ”と”ｌｉｃｅ”の２通り
となり、話者がもともと誤った発音で入力した音韻列か
ら生成される文字列”ｌｉｃｅ”と、話者が発音しよう
と意図した正しい音韻列から生成される文字列”ｒｉｃ
ｅ”が出力されたことになる。

【００１９】以上のように、入力された音声信号から抽
出された音韻列中の音韻（又は音韻列）を、予め設定さ
れた誤りモデルの誤り確率の高い音韻（又は音韻列）に
より置換することによって、誤った音韻列データをその
まま候補文字列を検索するデータとして用いることを防
ぎ、話者が発話の際、イメージしていた音声に近い音韻
列を用いて認識候補を出力することができる。その結
果、話者の誤発音による誤ったままの認識候補の出力を
抑制することができ、また、認識誤りとして認識候補が
得られないといったことが防止できる。

【００２０】なお、上記実施例では、単に誤り確率の高
い音韻を含む候補単語をすべて出力する音声認識装置を
例に説明したが、この原理を適用して、例えば構文解析
などの手法を用いて、出力される候補単語の中から最適
な単語を選択できる構成として、より高い認識率を実現
できる音声認識装置としてもよい。

【００２１】あるいは又、誤発音であっても、それに近
い候補単語が出力されることを利用して、会話シミュレ
ーション等に適用してもよい。この場合、従来のような
誤発音による会話の中断をなくすことができ、会話にお
けるスピード、リズム感等がくずれることを防止でき
る。

【００２２】更にまた、発音指導システムに適用するこ
とももちろん可能であり、例えば誤りやすい単語などを
同時に表示することができる。

【００２３】また、上記実施例では、音韻の誤り確率が
非常に小さくても誤りモデルに格納したが、これに限ら
ず、実用上必要な値以上の誤り確率のみを格納するよう
にしてもよい。

【００２４】また、上記実施例では、誤りモデルとして
３つの例を示したが、誤りモデルはこれに限定されるも
のではないことは言うまでもない。

【００２５】また、前述の誤り確率の高低の判断基準は
場合によって自由に変更可能としてもよい。

【００２６】また、認識手段で認識する音韻記号は、上
記のような標準国際音声記号以外に、他の発音記号、あ
るいは単語単位等であってもよい。

【００２７】また、各種音韻記号に対して、所定のグル
ープの人が意図した可能性がある音韻記号を対応づけた
テーブルの対応付けの仕方は、上記実施例のものに限ら
ず、他の方法で対応付けておいてもかまわない。

【００２８】また、上記実施例では、各処理手段を専用
のハードウェアにより構成したが、これに代えて、同様
の機能をコンピュータを用いてソフトウェア的に実現し
てもよい。

【００２９】

【発明の効果】以上述べたところから明らかなように本
発明は、各種音韻記号に対して、所定のグループの人が
意図した可能性がある音韻記号を対応づけたテーブル
と、認識された音韻記号とテーブルの各種音韻記号とを
比較し、一致する音韻記号を見つけ、所定の基準に基づ
いて、その見つけられた音韻記号に対応する意図した可
能性がある音韻記号の一部又は全部を出力する比較出力
手段とを備えているので、話者の発話に対して誤りの少
ない候補を出力でき、また、認識誤りによる候補なしが
防止できるという長所を有する。

【図面の簡単な説明】

【図１】本発明にかかる一実施例の補完音声認識装置の
構成図である。

【図２】同実施例の動作を説明する流れ図である。

【図３】同実施例における音韻記号のテーブルの一例を
示す図である。

【図４】同実施例における音韻記号のテーブルの別の一
例を示す図である。

【図５】同実施例における音韻記号のテーブルの別の一
例を示す図である。

【図６】同実施例における認識候補ファイルの一例を示
す図である。

【符号の説明】

３ 音韻（列）抽出手段 ５ 誤り推測手段 ６ 音韻列置換手段 ８ 認識候補出力手段 １０ 誤りモデルテーブル １１ 認識候補ファイル

───────────────────────────────────────────────────── フロントページの続き (72)発明者 山本 秀樹 東京都港区虎ノ門１丁目７番12号 沖電気 工業株式会社内 (72)発明者 瀬戸 美枝 愛知県名古屋市千種区内山三丁目８番10号 株式会社沖テクノシステムズラボラトリ 内

Claims (3)

【特許請求の範囲】
1. 【請求項１】 発音された音韻信号を入力する音韻信号
   入力手段と、その入力された音韻信号を認識する音韻認
   識手段と、各種音韻記号に対して、所定のグループの人
   が意図した可能性がある音韻記号を対応づけたテーブル
   と、前記認識された音韻記号と前記テーブルの各種音韻
   記号とを比較し、一致する音韻記号を見つけ、所定の基
   準に基づいて、その見つけられた音韻記号に対応する前
   記意図した可能性がある音韻記号の一部又は全部を出力
   する比較出力手段とを備えたことを特徴とする補完音声
   認識装置。
2. 【請求項２】 前記テーブルの音韻記号は、誤り確率に
   より対応づけられたものであり、前記所定の基準は予め
   決められた所定の誤り確率以上であることを特徴とする
   請求項１記載の補完音声認識装置。
3. 【請求項３】 前記音韻記号は、発音記号であることを
   特徴とする請求項１記載の補完音声認識装置。