JPH08123468A

JPH08123468A - 不特定話者モデル作成装置及び音声認識装置

Info

Publication number: JPH08123468A
Application number: JP6257999A
Authority: JP
Inventors: Shoichi Matsunaga; 昭一松永
Original assignee: ATR ONSEI HONYAKU TSUSHIN KENKYUSHO KK; ATR Interpreting Telecommunications Research Laboratories
Current assignee: ATR ONSEI HONYAKU TSUSHIN KENKYUSHO KK; ATR Interpreting Telecommunications Research Laboratories
Priority date: 1994-10-24
Filing date: 1994-10-24
Publication date: 1996-05-17

Abstract

(57)【要約】【目的】学習の話者数を変更したり新たなデータを追
加する場合に、最初から学習をやり直す必要が無く、多
数の話者を処理することができる不特定話者モデル作成
装置及び音声認識装置を提供する。【構成】入力された複数の特定話者の単一ガウス分布
の隠れマルコフモデルを、所定のクラスタリング法によ
り、複数のクラスタにクラスタリングして分類し、分類
された複数のクラスタに属する隠れマルコフモデルをそ
れぞれ、複数のクラスタ毎の単一ガウス分布の隠れマル
コフモデルに合成し、合成された各クラスタの単一ガウ
ス分布の隠れマルコフモデルを、所定の話者混合法によ
り混合して、複数の混合分布の隠れマルコフモデルを作
成する。作成された隠れマルコフモデルを参照して、入
力された発声音声文を音声認識する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複数の特定話者の隠れ
マルコフモデルに基づいて、不特定話者の隠れマルコフ
モデル（以下、ＨＭＭという。）を作成する不特定話者
モデル作成装置、及びその不特定話者モデル作成装置を
用いた音声認識装置に関する。

【０００２】

【従来の技術】従来、学習用の特定話者モデルに基づい
て不特定話者のＨＭＭを作成するために、バーム・ウェ
ルチ（Ｂａｕｍ−Ｗｅｌｃｈ）の学習アルゴリズム（以
下、第１の従来例という。）が広く用いられている（例
えば、中川聖一著，“確率モデルによる音声認識”，ｐ
ｐ．５５−６４，電子情報通信学会，昭和６３年７月発
行参照。）。この第１の従来例では、ＨＭＭにおいて時
刻１から時刻ｔまでの間部分観測列｛ｙ₁，ｙ₂，ｙ₃，
…，ｙ_t｝を観測した後、時刻ｔには状態ｉにいる前向
き確率と、時刻ｔに状態ｉにいて時刻ｔ＋１から最後ま
での部分観測列｛ｙ_t+1，ｙ_t+2，ｙ_t+3，…，ｙ_r｝を観
測する後向き確率とを用いて、ＨＭＭのパラメータを再
推定して学習することにより、不特定話者のＨＭＭを作
成する。

【０００３】また、学習用の特定話者モデルに基づいて
不特定話者のＨＭＭを作成するために、いわゆる話者混
合法（以下、第２の従来例という。）が提案されている
（例えば、小坂ほか，“話者混合逐次状態分割法による
不特定話者音声認識と話者適応”，電子情報通信学会論
文誌Ａ，Ｖｏｌ．Ｊ７７−Ａ，Ｎｏ．２，１９９４年２
月参照。）。この第２の従来例では、話者でラベル付け
された単一ガウス分布のＨＭＭを各状態毎にマージし、
混合ガウス分布のＨＭＭを作成する。

【０００４】

【発明が解決しようとする課題】しかしながら、第１の
従来例においては、学習の話者数を変更したり、新たな
データを追加する場合は、最初から学習をやり直す必要
があった。従って、大規模な不特定話者モデルを変更す
る場合、計算時間が大幅に増大するという問題点があっ
た。また、第２の従来例においては、混合数が話者数と
等しくなるために、処理装置のメモリの必要容量がきわ
めて大きくなり、かつその計算量も莫大なものとなるた
めに、多数の話者の処理を事実上実行することができな
いという問題点があった。

【０００５】本発明の第１の目的は以上の問題点を解決
し、学習の話者数を変更したり、新たなデータを追加す
る場合は、最初から学習をやり直す必要が無く、しかも
多数の話者を処理する場合であっても、処理装置のメモ
リ容量の少なくてすみ、その計算時間を短縮することが
できる不特定話者モデル作成装置を提供することにあ
る。また、本発明の第２の目的は、上記第１の目的に加
えて、作成された不特定話者モデルを参照して音声認識
することができ、従来例に比較して音声認識率を改善す
ることができる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】本発明に係る請求項１記
載の不特定話者モデル作成装置は、入力された複数の特
定話者の単一ガウス分布の隠れマルコフモデルに基づい
て、不特定話者の混合ガウス分布の隠れマルコフモデル
を作成する不特定話者モデル作成装置において、入力さ
れた複数の特定話者の単一ガウス分布の隠れマルコフモ
デルを、所定のクラスタリング法により、複数のクラス
タにクラスタリングして分類する分類手段と、上記分類
手段によって分類された複数のクラスタに属する隠れマ
ルコフモデルをそれぞれ、複数のクラスタ毎の単一ガウ
ス分布の隠れマルコフモデルに合成する合成手段と、上
記合成手段によって合成された各クラスタの単一ガウス
分布の隠れマルコフモデルを、所定の話者混合法により
混合して、複数の混合分布の隠れマルコフモデルを作成
する混合手段とを備えたことを特徴とする。

【０００７】また、請求項２記載の不特定話者モデル作
成装置は、請求項１記載の不特定話者モデル作成装置に
おいて、上記合成手段は、上記分類手段によって分類さ
れた複数のクラスタに属する隠れマルコフモデルに基づ
いて、合成後の隠れマルコフモデルの平均値と分散を、
各状態におけるサンプル数が大きいほど大きい重み係数
で重み付けされるように計算することにより、複数のク
ラスタ毎の単一ガウス分布の隠れマルコフモデルを合成
することを特徴とする。

【０００８】さらに、請求項３記載の不特定話者モデル
作成装置は、請求項１記載の不特定話者モデル作成装置
において、上記合成手段は、上記分類手段によって分類
された複数のクラスタに属する隠れマルコフモデルを、
それぞれのクラスタに属する学習用特定話者の発声音声
データを用いて、所定の学習アルゴリズムにより、それ
ぞれのクラスタに属する話者で学習することにより、複
数のクラスタ毎の単一ガウス分布の隠れマルコフモデル
を合成することを特徴とする。

【０００９】また、本発明に係る請求項４記載の音声認
識装置は、入力された複数の特定話者の単一ガウス分布
の隠れマルコフモデルに基づいて、複数の混合分布の隠
れマルコフモデルを作成する請求項１乃至３のうちの１
つに記載の不特定話者モデル作成装置と、入力された文
字列からなる発声音声文に基づいて、上記不特定話者モ
デル作成装置によって作成された複数の混合分布の隠れ
マルコフモデルを用いて、音声認識する音声認識手段と
を備えたことを特徴とする。

【００１０】

【作用】以上のように構成された請求項１記載の不特定
話者モデル作成装置においては、上記分類手段は、入力
された複数の特定話者の単一ガウス分布の隠れマルコフ
モデルを、所定のクラスタリング法により、複数のクラ
スタにクラスタリングして分類する。次いで、上記合成
手段は、上記分類手段によって分類された複数のクラス
タに属する隠れマルコフモデルをそれぞれ、複数のクラ
スタ毎の単一ガウス分布の隠れマルコフモデルに合成す
る。さらに、上記混合手段は、上記合成手段によって合
成された各クラスタの単一ガウス分布の隠れマルコフモ
デルを、所定の話者混合法により混合して、複数の混合
分布の隠れマルコフモデルを作成する。

【００１１】また、請求項２記載の不特定話者モデル作
成装置においては、上記合成手段は、好ましくは、上記
分類手段によって分類された複数のクラスタに属する隠
れマルコフモデルに基づいて、合成後の隠れマルコフモ
デルの平均値と分散を、各状態におけるサンプル数が大
きいほど大きい重み係数で重み付けされるように計算す
ることにより、複数のクラスタ毎の単一ガウス分布の隠
れマルコフモデルを合成する。

【００１２】さらに、請求項３記載の不特定話者モデル
作成装置においては、上記合成手段は、好ましくは、上
記分類手段によって分類された複数のクラスタに属する
隠れマルコフモデルを、それぞれのクラスタに属する学
習用特定話者の発声音声データを用いて、所定の学習ア
ルゴリズムにより、それぞれのクラスタに属する話者で
学習することにより、複数のクラスタ毎の単一ガウス分
布の隠れマルコフモデルを合成する。

【００１３】さらに、請求項４記載の音声認識装置にお
いては、上記不特定話者モデル作成装置は、入力された
複数の特定話者の単一ガウス分布の隠れマルコフモデル
に基づいて、複数の混合分布の隠れマルコフモデルを作
成する。そして、上記音声認識手段は、入力された文字
列からなる発声音声文に基づいて、上記不特定話者モデ
ル作成装置によって作成された複数の混合分布の隠れマ
ルコフモデルを用いて、音声認識する。

【００１４】

【実施例】以下、図面を参照して本発明に係る実施例に
ついて説明する。図１は、本発明に係る一実施例である
音声認識装置のブロック図である。本実施例の音声認識
装置は、特に、特定話者の発声音声データメモリ３０に
格納された複数Ｎ人の特定話者の発声音声データに基づ
いてそれぞれ複数Ｎ個の特定話者用単一ガウス分布の隠
れマルコフ網（以下、ＨＭ網という。）を作成し、作成
したＮ個のＨＭ網をクラスタリングして不特定話者のＨ
Ｍ網を作成してＨＭ網メモリ１１に格納する不特定話者
モデル作成部３１を備え、ＨＭ網メモリ１１に格納され
たＨＭ網を参照して音声認識を行うことを特徴とする。
この音声認識装置は、マイクロホン１と、特徴抽出部２
と、バッファメモリ３と、音素照合部４と、文脈自由文
法データベースメモリ２０に格納された所定の文脈自由
文法に基づいて作成された、ＬＲテーブルメモリ１３内
のＬＲテーブルを参照して音声認識処理を実行する音素
コンテキスト依存型ＬＲパーザ（以下、ＬＲパーザとい
う。）５とを備える。

【００１５】図２は、不特定話者モデル作成部３１によ
って実行される不特定話者モデル作成処理を示すフロー
チャートである。当該作成処理においては、まず、ステ
ップＳ１において、複数Ｎ人の特定話者の発声音声デー
タメモリ３０内の発声音声データに基づいてそれぞれ、
後述する所定の音声の特徴パラメータを抽出した後音素
を切り出して、従来の方法で、複数Ｎ個の特定話者用単
一ガウス分布ＨＭ網を作成する。次いで、ステップＳ２
において、ステップＳ１で作成されたＮ個のＨＭ網を、
所定の話者クラスタリング法を用いて、複数Ｋ個のクラ
スタにクラスタリングして分類する。そして、ステップ
Ｓ３において、各クラスタに属するＨＭ網を以下に示す
数１乃至数３を用いて、各クラスタ毎に単一ガウス分布
のＨＭ網に合成する。さらに、ステップＳ４において、
ステップＳ３で合成されたＫ個の単一ガウス分布のＨＭ
網を、第２の従来例の話者混合法を用いて、Ｋ混合分布
のＨＭ網を不特定話者モデルのＨＭ網として作成してＨ
Ｍ網メモリ１１に格納する。ここでは、各クラスタ毎に
ラベル付けされた単一ガウス分布のモデルを各状態毎に
マージし、混合ガウス分布のＨＭ網を作成する。

【００１６】上記ステップＳ３において用いられる合成
後の平均値μｈ_jと分散Ｓｈ_jは、次の数１及び数２で表
される。なお、重み係数ｗ_j ⁽ⁱ⁾は次の数３で表される。

【００１７】

【数１】

【数２】

【数３】

【００１８】数１と数２はそれぞれ、複数のガウス分布
を単一ガウス分布と見なして求めた場合の平均値、分散
を表す。ここで、μ_j ⁽ⁱ⁾とＳ_j ⁽ⁱ⁾は自然数ｉ番目のＨＭ
網のの状態ｊにおける単一ガウス分布である出力確率密
度関数の平均値と分散を表わす。また、ｎ_j ⁽ⁱ⁾はｉ番目
のＨＭ網の状態ｊにおけるサンプル数を表す。すなわ
ち、数１から明らかなように、合成後の平均値μｈ_jと
分散Ｓｈ_jとはそれぞれ、合成前の平均値μ_jと分散Ｓ_j
を、各状態におけるサンプル数ｎ_j ⁽ⁱ⁾に応じてサンプル
数ｎ_j ⁽ⁱ⁾が大きいほど大きい重み係数ｗ_j ⁽ⁱ⁾で重み付け
されて計算される。

【００１９】上記ステップＳ２において用いられたＨＭ
網のクラスタリングアルゴリズムは、従来のスプリット
（ＳＰＬＩＴ）法を用いて、歪みが最大となるクラスタ
を順次分割する方法をとった。特徴としてはクラスタリ
ングを行なう前に、あらかじめ要素間の距離テーブルを
作成する。これにより、クラスタ中心の初期値をヒュー
リスティックに与えなくとも良いという利点がある。Ｈ
Ｍ網間の距離尺度Ｄ（θ⁽¹⁾，θ⁽²⁾）を次の数４に示
す。

【００２０】

【数４】

【００２１】ここで、ｂ_j ⁽ⁱ⁾はｉ番目のＨＭ網の状態ｊ
における出力確率であり、Ｎは状態数である。数４によ
って、所定の２つのパラメータθ₁，θ₂を有する２つの
ＨＭ網の距離が定義される。本実施例においては、初期
状態確率や状態遷移確率を無視し、出力確率のみにより
定義した。出力分布が単一ガウス分布で表せる場合、数
４におけるｄ(ｂ_j ⁽¹⁾，ｂ_j ⁽²⁾)は、従来のバターチャリ
ア（Bhattacharyya）距離を用いて計算することができ
る。

【００２２】本実施例においては、音声認識のための統
計的音素モデルセットとしてＨＭ網を使用している。当
該ＨＭ網は効率的に表現された音素環境依存モデルであ
る。１つのＨＭ網は多数の音素環境依存モデルを包含す
る。ＨＭ網はガウス分布を含む状態の結合で構成され、
個々の音素環境依存モデル間で状態が共有される。この
ためパラメータ推定のためのデータ数が不足する場合
も、頑健なモデルを作成することができる。このＨＭ網
は逐次状態分割法（Successive State Splitting:以
下、ＳＳＳという。）を用いて自動作成される。上記Ｓ
ＳＳではＨＭ網のトポロジーの決定、異音クラスの決
定、各々の状態におけるガウス分布のパラメータの推定
を同時に行なう。本実施例においては、ＨＭ網のパラメ
ータとして、ガウス分布で表現される出力確率及び遷移
確率を有する。このため認識時には一般のＨＭＭと同様
に扱うことができる。

【００２３】次いで、上述の本実施例の音声認識方法を
用いた、ＳＳＳ−ＬＲ（left-to-right rightmost型）
不特定話者連続音声認識装置について説明する。この装
置は、メモリ１１に格納されたＨＭ網と呼ばれる音素環
境依存型の効率のよいＨＭＭの表現形式を用いている。
また、上記ＳＳＳにおいては、音素の特徴空間上に割り
当てられた確率的定常信号源（状態）の間の確率的な遷
移により音声パラメータの時間的な推移を表現した確率
モデルに対して、尤度最大化の基準に基づいて個々の状
態をコンテキスト方向又は時間方向へ分割するという操
作を繰り返すことによって、モデルの精密化を逐次的に
実行する。

【００２４】図１において、話者の発声音声はマイクロ
ホン１に入力されて音声信号に変換された後、特徴抽出
部２に入力される。特徴抽出部２は、入力された音声信
号をＡ／Ｄ変換した後、例えばＬＰＣ分析を実行し、対
数パワー、１６次ケプストラム係数、Δ対数パワー及び
１６次Δケプストラム係数を含む３４次元の特徴パラメ
ータを抽出する。抽出された特徴パラメータの時系列は
バッファメモリ３を介して音素照合部４に入力される。

【００２５】音素照合部４に接続されるＨＭ網メモリ１
１内のＨＭ網は、各状態をノードとする複数のネットワ
ークとして表され、各状態はそれぞれ以下の情報を有す
る。（ａ）状態番号（ｂ）受理可能なコンテキストクラス（ｃ）先行状態、及び後続状態のリスト（ｄ）出力確率密度分布のパラメータ（ｅ）自己遷移確率及び後続状態への遷移確率

【００２６】音素照合部４は、音素コンテキスト依存型
ＬＲパーザ５からの音素照合要求に応じて音素照合処理
を実行する。そして、不特定話者モデルを用いて音素照
合区間内のデータに対する尤度が計算され、この尤度の
値が音素照合スコアとしてＬＲパーザ５に返される。こ
のときに用いられるモデルは、ＨＭＭと等価であるため
に、尤度の計算には通常のＨＭＭで用いられている前向
きパスアルゴリズムをそのまま使用する。

【００２７】一方、文脈自由文法データベースメモリ２
０内の所定の文脈自由文法（ＣＦＧ）を公知の通り自動
的に変換してＬＲテーブルを作成してＬＲテーブルメモ
リ１３に格納される。ＬＲパーザ５は、上記ＬＲテーブ
ル１３を参照して、入力された音素予測データについて
左から右方向に、後戻りなしに処理する。構文的にあい
まいさがある場合は、スタックを分割してすべての候補
の解析が平行して処理される。ＬＲパーザ５は、ＬＲテ
ーブルメモリ１３内のＬＲテーブルから次にくる音素を
予測して音素予測データを音素照合部４に出力する。こ
れに応答して、音素照合部４は、その音素に対応するＨ
Ｍ網メモリ１１内の情報を参照して照合し、その尤度を
音声認識スコアとしてＬＲパーザ５に戻し、順次音素を
連接していくことにより、連続音声の認識を行い、その
音声認識結果データを出力する。上記連続音声の認識に
おいて、複数の音素が予測された場合は、これらすべて
の存在をチェックし、ビームサーチの方法により、部分
的な音声認識の尤度の高い部分木を残すという枝刈りを
行って高速処理を実現する。

【００２８】本発明者は、本実施例の不特定話者作成処
理の有効性を確認するために、不特定話者音声認識の評
価を音素認識及び文節認識のシミュレーションにより行
なった。シミュレーションには、以下のパラメータを用
いた。（ａ）１２ＫＨｚのサンプリング周波数。（ｂ）２０ｍｓのハミング窓。（ｃ）５ｍｓの周期。（ｄ）対数パワーと、１６次ＬＰＣケプストラムと、１
６次ΔＬＰＣケプストラムと、Δ対数パワーとを含む３
４次元の特徴パラメータ。また、学習用特定話者モデルのテキストデータは、２８
５人が発声した、文節発声による音素バランスを考慮し
た５０文である。評価データは、男性３人、女性３人の
計６人の発声した、本出願人が所有の「国際会議予約」
に関する文節発声による会話（本出願人の所定のＳＢ３
タスク）データ、及びそこから視察により切り出された
音素である。シミュレーションのために、２８５個の特
定話者用ＨＭ網をあらかじめ作成したが、データ数削減
及び学習時間短縮のために、移動ベクトル場平滑化法
（例えば、大倉ほか，“混合連続分布ＨＭＭを用いた移
動ベクトル場平滑化話者適応方式”，電子情報通信学会
技術研究報告，ＳＰ９２−１６，１９９２年６月参
照。）を利用してパラメータの推定を行なった。文節認
識のシミュレーションは、図１のＳＳＳ−ＬＲ連続音声
認識装置を用いて行なった。このときのビーム幅が１２
００であり、規則数が１４０７であり、語彙数が１０３
５である文節内文法を用いた。

【００２９】本実施例の不特定話者モデル作成処理で作
成した不特定話者モデルの有効性を音素認識による比較
シミュレーションで検討した。学習話者から１５名を選
択し、それぞれの１５個の話者用ＨＭ網を作成合成して
５混合、１０混合、及び１５混合のＨＭ網を作成した。
比較のために、合成して作成したＨＭ網を初期値として
通常のバーム・ウェルチの学習アルゴリズムで学習した
場合と、移動ベクトル場平滑化法で適応学習した場合と
の比較をした。また、学習の初期値がランダムであって
バーム・ウェルチの学習アルゴリズムを用いて学習した
場合についても、シミュレーションした。その結果を表
１に示す。表１において括弧は、ヒューレット・パッカ
ード製コンピュータＨＰ９０００／７３５による計算時
間（時間）を表す。表１においては次の４つの場合を示
す。（Ａ）ランダムな初期値の特定話者モデルを、第１の従
来例のバーム・ウェルチの学習アルゴリズムを用いて学
習したＨＭ網を参照して音声認識したとき（以下、方法
Ａという）。（Ｂ）特定話者の発声音声データに基づいて本実施例の
モデル作成法を用いて作成したＨＭ網を参照して音声認
識したとき（以下、方法Ｂという。）。（Ｃ）本実施例のモデル作成法を用いて作成したＨＭ網
を初期値の話者モデルとして、第１の従来例のバーム・
ウェルチの学習アルゴリズムを用いて学習したＨＭ網を
参照して音声認識したとき（以下、方法Ｃという。）。（Ｄ）本実施例のモデル作成法を用いて作成したＨＭ網
を初期値の話者モデルとして、移動ベクトル場平滑化法
を用いて学習したＨＭ網を参照して音声認識したとき
（以下、方法Ｄという。）。

【００３０】

【表１】 ──────────────────────────── 混合数 ────────────────────── 方法５１０１５ ──────────────────────────── 方法Ａ６５．９６８．８７０．８（１０２．０）（１８８．５）（２７６．１） ──────────────────────────── 方法Ｂ７５．３７５．４７５．５（４．４）（４．４）（４．４） ──────────────────────────── 方法Ｃ７７．９７８．７７８．４（１００．７）（１７９．１）（２５９．６） ──────────────────────────── 方法Ｄ７５．６７７．１７７．３（３４．３）（６２．５）（８８．９） ────────────────────────────

【００３１】表１からわかるように、移動ベクトル場平
滑化法及びバーム・ウェルチの学習アルゴリズムを用い
て合成した不特定話者モデルを初期値とした場合、さら
に認識率は上がるが、その差は大きくなく合成した不特
定話者モデルでも十分な認識率が得られることが分か
る。また、ランダムな初期値の話者モデルからバーム・
ウェルチの学習アルゴリズムを用いて学習すると認識率
は低く、本実施例のモデル作成処理の方法Ｂはより高い
精度の不特定話者モデルを作成する場合の初期値として
も役立つ。また、計算時間は非常に少なくて済むことが
わかる。なお、本実施例のモデル作成処理の方法Ｂにお
ける計算時間の大部分は特定話者モデルの作成にかかる
時間で、モデル合成自体は１分前後で終了する。

【００３２】さらに、本実施例のモデル作成処理の方法
による不特定話者モデルを用いて文節認識を行なった結
果を表２に示す。このシミュレーションでは２８５人全
てのモデルをクラスタリングして、５及び１０混合のＨ
Ｍ網を作成した。

【００３３】

【表２】

【００３４】表２から明らかなように、シミュレーショ
ンの結果は、１位の候補のみで約８０％の高い文節認識
率が得られ、５位までの候補の場合、約９６％と高い文
節認識率が得られた。

【００３５】以上の実施例において、特定話者モデルを
本実施例のモデル作成法を用いてＨＭ網を作成している
が、本発明はこれに限らず、本実施例のモデル作成法を
用いて作成したＨＭ網を初期値の話者モデルとして、第
１の従来例のバーム・ウェルチの学習アルゴリズムを用
いて学習することによりＨＭ網を作成してもよい。ま
た、本実施例のモデル作成法を用いて作成したＨＭ網を
初期値の話者モデルとして、移動ベクトル場平滑化法を
用いて学習することによりＨＭ網を作成してもよい。

【００３６】また、上記のステップＳ３の処理に代え
て、各クラスタに属するＨＭ網を、所定の各クラスタに
属する学習用特定話者の発声音声データに基づいて、バ
ーム・ウェルチの学習アルゴリズム又はベクトル場平滑
化法を用いて、各クラスタに属するＨＭ網を各クラスタ
毎に単一ガウス分布のＨＭ網を推定計算することにより
合成してもよい。この場合、本実施例に比較して計算時
間は比較的長くかかるが、本実施例に比較してより高い
音声認識率を得ることができる。

【００３７】以上の実施例において、特徴抽出部２と、
音素照合部４と、ＬＲパーザ５と、不特定話者モデル作
成部３１とは、例えばディジタル計算機によって構成さ
れる。

【００３８】以上説明したように、本発明に係る実施例
においては、ＨＭＭのパラメータの再推定をすることな
く、複数の特定話者モデルを合成することにより、不特
定話者音素モデルを作成する。すなわち、自然数Ｎ人の
特定話者の発声音声データからそれぞれ自然数Ｎ個の特
定話者用単一ガウス分布ＨＭ網を作成し、上記作成され
たＮ個のＨＭ網を、自然数Ｋ個のクラスタにクラスタリ
ングして分類し、そして、各クラスタに属するＨＭ網を
単一ガウス分布のＨＭ網に合成し、さらには、上記合成
されたＫ個の単一ガウス分布のＨＭ網を、話者混合法を
用いて、Ｋ混合分布のＨＭ網を不特定話者モデルのＨＭ
網として作成する。この方法により、話者の追加変更
は、例えば追加変更の話者のＨＭ網のみについてステッ
プＳ１及びＳ２のみを行って、所望するすべての話者の
ＨＭ網についてステップＳ３及びＳ４の処理をすればよ
いことになる。従って、従来例に比較してはるかに簡便
に話者の追加変更が可能となり、学習の話者数を変更し
たり、新たなデータを追加する場合は、最初から学習を
やり直す必要が無く、計算時間を大幅に短縮することが
できる。さらに、多数の話者を処理する場合であって
も、処理装置のメモリ容量の少なくてすみ、その計算時
間を短縮することができる。さらには、本実施例のモデ
ル作成処理の方法で作成された不特定話者モデルを参照
して音声認識することによって、従来例に比較して高い
音声認識率を得ることができる。

【００３９】以上の実施例において、話者音素モデルと
してＨＭ網を用いているが、本発明はこれに限らず、Ｈ
ＭＭを用いてもよい。以上の実施例において、不特定話
者モデル作成部３１はステップＳ１乃至Ｓ４を実行する
ように構成しているが、本発明はこれに限らず、複数の
特定話者のＨＭＭをメモリに記憶しておき、これに基づ
いてステップＳ２からステップＳ４までの処理を実行す
るように構成してもよい。

【００４０】

【発明の効果】以上詳述したように本発明に係る請求項
１記載の不特定話者モデル作成装置によれば、入力され
た複数の特定話者の単一ガウス分布の隠れマルコフモデ
ルを、所定のクラスタリング法により、複数のクラスタ
にクラスタリングして分類し、分類された複数のクラス
タに属する隠れマルコフモデルをそれぞれ、複数のクラ
スタ毎の単一ガウス分布の隠れマルコフモデルに合成
し、合成された各クラスタの単一ガウス分布の隠れマル
コフモデルを、所定の話者混合法により混合して、複数
の混合分布の隠れマルコフモデルを作成する。従って、
話者の追加変更は、例えば追加変更の話者の隠れマルコ
フモデルのみについて分類手段の処理のみを行って、所
望するすべての話者の隠れマルコフモデルについて合成
手段と混合手段の処理をすればよいことになる。従っ
て、従来例に比較してはるかに簡便に話者の追加変更が
可能となり、学習の話者数を変更したり、新たなデータ
を追加する場合は、最初から学習をやり直す必要が無
く、計算時間を大幅に短縮することができる。さらに、
多数の話者を処理する場合であっても、処理装置のメモ
リ容量の少なくてすみ、その計算時間を短縮することが
できる。

【００４１】また、請求項２記載の不特定話者モデル作
成装置によれば、上記合成手段は、上記分類手段によっ
て分類された複数のクラスタに属する隠れマルコフモデ
ルに基づいて、合成後の隠れマルコフモデルの平均値と
分散を、各状態におけるサンプル数が大きいほど大きい
重み係数で重み付けされるように計算することにより、
複数のクラスタ毎の単一ガウス分布の隠れマルコフモデ
ルを合成する。これにより、従来例に比較して、より簡
単な処理で、不特定話者モデルを作成することができ、
計算時間を大幅に短縮することができる。

【００４２】さらに、請求項３記載の不特定話者モデル
作成装置によれば、上記合成手段は、上記分類手段によ
って分類された複数のクラスタに属する隠れマルコフモ
デルを、それぞれのクラスタに属する学習用特定話者の
発声音声データを用いて、所定の学習アルゴリズムによ
り、それぞれのクラスタに属する話者で学習することに
より、複数のクラスタ毎の単一ガウス分布の隠れマルコ
フモデルを合成する。このとき、作成された不特定話者
モデルを音声認識装置に用いることにより、請求項２記
載の装置に比較して、より高い音声認識率を得ることが
できる。

【００４３】また、本発明に係る請求項４記載の音声認
識装置によれば、入力された複数の特定話者の単一ガウ
ス分布の隠れマルコフモデルに基づいて、複数の混合分
布の隠れマルコフモデルを作成する請求項１乃至５のう
ちの１つに記載の不特定話者モデル作成装置と、入力さ
れた文字列からなる発声音声文に基づいて、上記不特定
話者モデル作成装置によって作成された複数の混合分布
の隠れマルコフモデルを用いて、音声認識する音声認識
手段とを備える。従って、従来例に比較してより高い音
声認識率で音声認識をすることができる。

【図面の簡単な説明】

【図１】本発明に係る一実施例である音声認識装置の
ブロック図である。

【図２】図１の不特定話者モデル作成部によって実行
される不特定話者モデル作成処理を示すフローチャート
である。

【符号の説明】

１…マイクロホン、２…特徴抽出部、３…バッファメモリ、４…音素照合部、５…ＬＲパーザ、１１…隠れマルコフ網メモリ、１３…ＬＲテーブルメモリ、２０…文脈自由文法データベースメモリ、３０…特定話者の発声音声データメモリ、３１…不特定話者モデル作成部。

Claims

【特許請求の範囲】

【請求項１】入力された複数の特定話者の単一ガウス
分布の隠れマルコフモデルに基づいて、不特定話者の混
合ガウス分布の隠れマルコフモデルを作成する不特定話
者モデル作成装置において、入力された複数の特定話者の単一ガウス分布の隠れマル
コフモデルを、所定のクラスタリング法により、複数の
クラスタにクラスタリングして分類する分類手段と、上記分類手段によって分類された複数のクラスタに属す
る隠れマルコフモデルをそれぞれ、複数のクラスタ毎の
単一ガウス分布の隠れマルコフモデルに合成する合成手
段と、上記合成手段によって合成された各クラスタの単一ガウ
ス分布の隠れマルコフモデルを、所定の話者混合法によ
り混合して、複数の混合分布の隠れマルコフモデルを作
成する混合手段とを備えたことを特徴とする不特定話者
モデル作成装置。
【請求項２】上記合成手段は、上記分類手段によって
分類された複数のクラスタに属する隠れマルコフモデル
に基づいて、合成後の隠れマルコフモデルの平均値と分
散を、各状態におけるサンプル数が大きいほど大きい重
み係数で重み付けされるように計算することにより、複
数のクラスタ毎の単一ガウス分布の隠れマルコフモデル
を合成することを特徴とする請求項１記載の不特定話者
モデル作成装置。
【請求項３】上記合成手段は、上記分類手段によって
分類された複数のクラスタに属する隠れマルコフモデル
を、それぞれのクラスタに属する学習用特定話者の発声
音声データを用いて、所定の学習アルゴリズムにより、
それぞれのクラスタに属する話者で学習することによ
り、複数のクラスタ毎の単一ガウス分布の隠れマルコフ
モデルを合成することを特徴とする請求項１記載の不特
定話者モデル作成装置。
【請求項４】入力された複数の特定話者の単一ガウス
分布の隠れマルコフモデルに基づいて、複数の混合分布
の隠れマルコフモデルを作成する請求項１乃至３のうち
の１つに記載の不特定話者モデル作成装置と、入力された文字列からなる発声音声文に基づいて、上記
不特定話者モデル作成装置によって作成された複数の混
合分布の隠れマルコフモデルを用いて、音声認識する音
声認識手段とを備えたことを特徴とする音声認識装置。