JPH0844388A

JPH0844388A - 特定話者用単語音声認識装置

Info

Publication number: JPH0844388A
Application number: JP6183447A
Authority: JP
Inventors: Seiji Hamaguchi; 清治濱口; Koichi Yamaguchi; 耕市山口; Toshio Akaha; 俊夫赤羽
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1994-08-04
Filing date: 1994-08-04
Publication date: 1996-02-16
Anticipated expiration: 2016-07-23
Also published as: JP3192324B2

Abstract

(57)【要約】【目的】利用者の登録音声とエコーバックやガイダン
ス音声あるいは認識結果の表示などが食い違うことなし
に、類似単語の登録を避け高い認識性能を実現する特定
話者用単語音声認識装置を提供する。【構成】音声入力を促すガイド音声を出力する音声合
成部１と、音声を入力するマイクロホン２と、入力音声
を分析して特徴量を抽出する単語登録／認識部３と、抽
出された特徴量を記憶する単語認識・再生パターンメモ
リ４と、入力音声の特徴量と、登録単語音声の特徴量と
の距離を算出する演算手段９と、特徴量間の距離が所定
値以上でない単語を報知する報知手段１０と、利用者が
音声を登録する際に、初期認識語彙として用意されてい
る単語では音声パターン間の距離が十分な大きさを確保
できない場合、次候補として用意されている他の単語を
登録するように制御する制御手段１１とを配設した。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、単語音声認識装置に関
し、特に特定話者の音声を認識する特定話者音声認識技
術を利用した特定話者用単語音声認識装置に関する。

【０００２】

【従来の技術】従来、特定話者用単語音声認識装置は、
認識対象となる単語が予め利用者本人の声により登録さ
れ、認識時にはそれらの単語のうちのどれかが選ばれて
発声されることにより、発声された単語音声の特徴量と
登録されている単語音声の特徴量とが比較され、最も類
似している単語が選び出される。特定話者用音声認識に
は、登録作業が必要なものの、認識語彙に自由度を与え
ることが可能であり、また不特定話者用音声認識に比べ
て認識性能の面で有利であるという特徴を持っている。

【０００３】なお、音声認識性能を低下させる原因の一
つに、登録語彙中に類似単語が存在していて、認識結果
としてその類似した単語が誤って出力されるという場合
がある。このような問題を解決するために、ダイヤル操
作の代わりに相手の名前を発生して電話をかける音声ダ
イヤル装置などにおいて、人名を音声で登録する際に、
すでに登録済みの名前の中に類似パターンが存在した場
合、利用者にその旨を知らせ、類似音声の変更や削除を
行わせる方法が特開平３−１２３２４９号公報に開示さ
れている。

【０００４】

【発明が解決しようとする課題】上述した音声ダイヤル
装置の相手先の名前などは登録音声の語彙が利用者の自
由に任されており、そのため認識結果のエコーバックや
ガイダンス出力には利用者の発声した音声の特徴量より
作成された合成用標準パターンが使用されることにな
る。一方、認識装置の用途によっては、認識語彙が固定
されていて、エコーバックやガイダンス用の音声は予め
認識装置のメモリ中に用意されていることがあり、利用
者が類似単語登録を避けるために認識語彙を言い換えた
りすると、エコーバックやガイダンス用の音声が利用者
の登録音声と食い違ってしまい、利用者は正しく発音し
ているつもりでも装置がまったく認識しないことが起こ
る虞がある。認識結果や語彙がパネルなどに表示される
場合なども同様の問題が発生する。

【０００５】例えば、０〜９の一桁の数字を登録する必
要がある音声認識装置の場合、利用者に対して「れい」
「いち」「に」…「く」などの発生を求めてくる。利用
者はこれを受けて数字音声を発生するのであるが、この
中には「１（いち）」と「７（しち）」、「６（ろ
く）」と「９（く）」といった類似単語が含まれてい
る。最初から、認識語彙にはこのような紛らわしい単語
を選ばなければよいのであるが、人間の習慣上、やむを
得ず類似単語を含む場合がある。また、発声方法は各個
人によって異なるので、標準的な人にとっては類似して
いない単語同士であっても、それらの単語が類似してし
まう人が存在する。利用者が「７（しち）」を「なな」
などと言い換えて登録を行えば類似単語の問題を回避で
きる可能性が高いが、エコーバックやガイダンス音声は
「しち」であるため、利用者の登録音声とは食い違って
しまい、利用者が自分がどういう発声で登録したかを覚
えていないと、言い換えて登録した語彙が認識できない
という状況が発生してしまう。ガイダンス音声が「し
ち」のままだと、登録時点からの時間経過によって、利
用者は「なな」と発声して登録したことを忘れ、認識時
に「しち」と発声する可能性が高いからである。

【０００６】本発明は、上記のような課題を解消するた
めになされたもので、利用者の登録音声とエコーバック
やガイダンス音声あるいは認識結果の表示などが食い違
うことなしに、類似単語の登録を避け高い認識性能を実
現する特定話者用単語音声認識装置を提供することを目
的とする。

【０００７】

【課題を解決するための手段】請求項１に記載の発明
は、利用者が音声を入力する入力手段と、入力された音
声を分析して特徴量を抽出する特徴量抽出手段と、抽出
された特徴量を記憶する記憶手段と、入力された単語の
音声の特徴量と、すでに登録されている単語の音声の特
徴量との間の距離を算出する演算手段と、新たに入力さ
れた単語と登録されている前記単語と特徴量間の距離が
前記複数の対象を識別するために十分な大きさを確保で
きないと判断した場合、次候補として用意されている他
の単語の音声を登録するように制御する制御手段とを具
備することを特徴とする。

【０００８】請求項２に記載の発明は、利用者による単
語の音声入力を促すガイド音声を出力する出力手段と、
前記特徴量間の距離が所定値以上でない単語を報知する
報知手段とをさらに具備することを特徴とする。

【０００９】請求項３に記載の発明は、利用者が発声し
た音声を保存しかつ再生し得る保存再生手段を具備し、
前記制御手段により、次候補として用意されている単語
が尽きた場合、利用者に対して任意の単語への言い換え
が要求され、利用者の音声を使用してガイダンス等が行
われることを特徴とする。

【００１０】請求項４に記載の発明は、現在どのような
単語セットが登録されているかを出力する音声出力手段
又は表示手段を備えることを特徴とする。

【００１１】

【作用】請求項１に記載の特定話者用単語音声認識装置
においては、利用者が入力手段により音声を入力する
と、特徴量抽出手段により入力された音声が分析されて
特徴量が抽出され、記憶手段により、抽出された前記特
徴量が記憶され、演算手段により入力された音声の特徴
量と、すでに登録されている単語音声の特徴量との距離
が算出され、初期認識語彙として用意されている単語で
は特徴量間の距離が十分な大きさを確保できない場合、
制御手段により次候補として用意されている他の単語の
音声が登録されるように制御される。これにより、音声
の特徴量間の距離が十分に大きな単語により、複数の対
象の識別を確実に行うことができる。

【００１２】請求項２に記載の特定話者用単語音声認識
装置においては、出力手段により利用者の音声入力を促
すガイド音声が出力され、利用者はこのガイド音声を確
認して音声を入力する。さらに、報知手段により特徴量
間の距離が所定値以上でない単語が報知され、利用者
は、他の単語の音声登録を選択することができる。これ
により、利用者の登録音声とエコーバックやガイダンス
音声あるいは認識結果の表示などが食い違うことなし
に、類似単語の登録を避け高い認識性能を実現すること
ができる。

【００１３】請求項３に記載の特定話者用単語音声認識
装置においては、保存再生手段により利用者が発声した
音声が保存されかつ再生され、次候補として用意されて
いる単語が尽きた場合、前記制御手段により、利用者に
対して任意の単語への言い換えが要求され、利用者の音
声を使用してガイダンス等が行われる。これにより、類
似単語の登録を避け高い認識性能を実現する。

【００１４】請求項４に記載の特定話者用単語音声認識
装置においては、音声出力手段または表示手段により現
在どのような単語セットが登録されているかが出力され
る。

【００１５】

【実施例】以下、本発明の特定話者用単語音声認識装置
の第１の実施例を図を参照しながら説明する。

【００１６】本実施例の特定話者用単語音声認識装置
は、図１に示すように、利用者の音声入力を促すガイド
音声を出力する出力手段及び現在どのような単語セット
が登録されているかを出力する音声出力手段としての音
声合成部１と、利用者の音声を入力する入力手段として
のマイクロホン２と、入力された音声を分析して特徴量
を抽出する特徴量抽出手段としての単語登録／認識部３
と、抽出された特徴量を記憶する記憶手段及び利用者が
発声した音声を保存しかつ再生し得る保存再生手段とし
ての単語認識・再生パターンメモリ４と、各部を制御す
る制御部５と、指示等を入力する操作パネル６と、現在
どのような単語セットが登録されているかを出力する表
示手段としての表示パネル７と、ガイド音声を格納する
ガイド音声メモリ８とを具備している。

【００１７】制御部５は、図２に示すように、単語登録
／認識部３により抽出された入力音声の特徴量と、すで
に単語認識・再生パターンメモリ４に登録されている単
語音声の特徴量との距離を算出する演算手段９と、特徴
量間の距離が所定値以上でない単語を報知する報知手段
１０と、利用者が音声を登録する際に、初期認識語彙と
して用意されている単語では特徴量間の距離が十分な大
きさを確保できない場合、次候補として用意されている
他の単語の音声を登録するように制御する制御手段１１
とを具備している。

【００１８】なお、特定話者用単語音声認識装置の適用
例としては、例えばホームオートメーションにおいて、
屋内の照明やテープレコーダーの操作を音声で行うため
の装置が考えられ、認識語彙としては図３に示すような
語彙を想定する。図３から分かるように、一つの操作に
対していくつかの候補単語が予め用意されている。

【００１９】次に、本実施例の動作を図４のフローチャ
ートに沿って説明する。なお、特定話者用単語音声認識
装置の操作はマイクロホン２及び操作パネル６を使用し
て行われるので、特定話者用単語音声認識装置を使用す
るためには、まず利用者の声で単語を登録する必要があ
る。

【００２０】操作パネル６が操作されて登録が開始され
ると（ステップＳ１）、音声合成部１によりガイド音声
メモリ８に格納されている「これから言う単語を発声し
てください」というガイド音声が発声された後（ステッ
プＳ２）、例えば認識語彙が図３に記されているもので
ある場合、まず「電源」というガイド音声が流される。
そして、次候補選択操作があるか否かが判断され、すな
わち操作パネル６からの操作が行われたか否か判断され
る（ステップＳ３）。次候補選択操作を行わない場合、
利用者は「電源」というガイド音声を聞いて、「電源」
と発声する（ステップＳ４）。単語登録／認識部３によ
り利用者が発声した音声が分析され、特徴量が抽出され
る。そして、演算手段９により単語認識・再生パターン
メモリ４にすでに登録されている各単語との音声パター
ンの特徴量との距離がＤＰマッチングなどの手法を用い
算出される（ステップＳ５）。

【００２１】この距離が設定閾値以下となる組み合わせ
すなわち類似パターンが存在するか否かが制御手段１１
により判断され（ステップＳ６）、類似パターンが存在
しない場合は、利用者が発声したばかりの「電源」とい
う音声の特徴量が記憶パターンとしてメモリ４に記憶さ
れる（ステップＳ７）。また、類似パターンが存在する
と判断された場合、例えば「電源」という音声が登録さ
れた後、上述ステップＳ１から次の語彙「電灯」の登録
を進めてきたときに、「電源」と「電灯」のパターン間
距離が設定閾値以下となった場合、それらの単語が類似
単語と判断される。そして、利用者に対して「電源と電
灯が類似しています。どちらかを登録し直して下さ
い。」というような警告が報知手段１０により音声合成
部１を介して発声される（ステップＳ８）。

【００２２】それから、利用者がこのような警告を受け
た場合、利用者が既登録類似単語再登録、登録キャンセ
ル、登録の内のいずれを選択したか否かが判断され（ス
テップＳ９）、この警告を無視して登録操作が行われれ
ば、ステップＳ７に移り、発声したばかりの「電灯」の
音声がメモリ４に記憶され、次の単語の登録に進むこと
ができる。しかし、利用者が認識性能の向上を望み、警
告を受けた単語を登録し直す場合、例えば「電灯」の登
録をやり直す場合、利用者は操作パネル６から登録キャ
ンセル操作を行う。登録がキャンセルされた後（ステッ
プＳ１０）、再び上述ステップＳ２に戻って、発声を促
すガイダンスが流れるが、図３に示すように、今度は
「電灯」の次候補として用意されている「照明」が出力
される。ここで、「照明」と発声すれば、「電灯」の発
声時と同様にステップＳ５ですでに登録されている各単
語と「照明」の距離が算出され、距離が十分でない組み
合わせすなわち類似単語が存在する場合、ステップＳ８
で警告が発せられる。類似単語の組み合わせが存在しな
い場合、もしくは警告を無視して「照明」が登録された
場合には、以降は認識結果のエコーバックなどにも「電
灯」ではなく「照明」が使用される。これは、音声の特
徴量と共に何番目の候補音声のときに登録したかを記憶
しておくことによって可能になる。「電灯」で登録した
なら”１”を、「照明」で登録したなら”２”を音声の
特徴量と共に記憶しておく。この記憶様式は、図５に示
すように、登録データ開始アドレス、データ長、候補番
号とからなっている。

【００２３】また、上述ステップＳ３において、操作パ
ネル６からの操作が行われた場合、例えば「照明」とい
うガイド音声が発せられ、利用者が「照明」という発声
で登録したくなければ、音声を発声せずに操作パネル６
を操作すると、図３に示すように、「照明」の次候補単
語には「ライト」が用意されているので（ステップＳ１
１）、「ライト」というガイド音声が出力され（ステッ
プＳ１２）、ステップＳ３へ戻る。なお、ステップＳ３
からステップＳ１１への移行は、登録やり直しの場合で
なくても可能であることはいうまでもない。ステップＳ
３に戻り、「ライト」でも登録したくない場合、操作パ
ネル６から上述同様の操作が行われると、「ライト」の
次候補は存在しないので、最初の候補である「電灯」に
戻る。つまり、ステップＳ１１からステップＳ１２を通
過する度に、候補単語はシフトされる。

【００２４】また、ステップＳ１１において、登録用次
候補単語のガイド音声がない場合、例えば「ライト」の
次候補は存在しないので、「任意の発声で入力してくだ
さい」などとガイダンスし（ステップＳ１３）、利用者
に任意の単語を発声させることにより、類似語の登録を
回避する。ここで、発声して登録すると、その音声は認
識のみならず、音声出力にも使用され、それ以降は認識
結果のエコーバックやガイド音声などでも利用者の発声
音声が使用される。

【００２５】利用者の任意発声を登録した場合には、図
５の候補番号欄に”０”などと記録されて、予め用意さ
れている音声と区別しておく。利用者の登録音声のエコ
ーバックは、登録時のサンプリングデータを単語認識・
再生パターンメモリ４に蓄えておき、それをＤ／Ａ変換
することで可能になるが、エコーバック用のメモリを節
約するために、認識用に登録された単語の特徴量から合
成する方法もある。

【００２６】一方、「任意の発声で入力してください」
などのガイド音声や、「電源」「電灯」「ライト」など
の図３に示す登録用単語のガイド音声などはこれを書き
替えを必要としないのでＲＡＭよりも安価なＲＯＭなど
で実現できる。図１のガイド音声メモリ８はこれらのガ
イド音声用データを格納しており、音声合成部１は制御
部５からの命令を受けてガイド音声メモリ８からデータ
を読み出してガイド音声を再生する。任意の発声を要求
してきた時点で、音声を発声せず、更に次ぎの候補を選
択した場合は、最初の候補に戻り、再び「電灯」という
ガイド音声が出力される。

【００２７】ところで、上述ステップＳ８において、
「電源と電灯が類似しています。どちらかを登録し直し
てください。」という警告を受けた場合、ステップＳ９
で既登録類似単語の再登録が選択されると、「電灯」の
音声パターンはメモリ４に記憶され、「電源」の方が登
録し直される（ステップＳ１４）。この例では、ステッ
プＳ９で操作パネル６が操作され、「電源」の登録が受
付け状態にされ、ステップＳ３で「電源」の次候補単語
が選ばれて発声される。登録をやり直した結果、既に登
録済みの別の単語との距離が近くなることが考えられ
る。もちろん、この場合でも警告のガイダンスが流れる
ので、操作パネル６が操作されて該当単語音声を登録し
直すことができる。

【００２８】なお、登録アルゴリズムとしては、上記の
ように一単語を登録し終わったときに、警告を発する方
法だけでなく、全ての単語を登録し終わった時に単語間
距離が設定閾値以下となる組み合わせがあるか否かがチ
ェックされ、該当するものが警告されるという方法も考
えられる。何れの登録アルゴリズムであっても、距離が
設定閾値以下の単語の組み合わせが複数あった場合に、
それらの全てを知らせてもよいが、最も距離の小さい組
み合わせのみを知らせるだけでもよい。また、操作パネ
ル６からの操作により、距離が十分でない単語の組み合
わせを随時確認できる機能を持たせる必要があると思わ
れるが、これは登録時の距離チェック機能を流用するだ
けで可能になる。

【００２９】単語の登録や認識は、単語登録／認識部３
が制御部５からの命令を受けてマイクロホン２からの入
力が分析され、その特徴量が単語認識・再生パターンメ
モリ４へ記憶されたり、既に記憶されている他の単語の
特徴量と比較されることによって行われる。制御部５に
より操作パネル６からの入力と、その時点での装置の状
態に応じ、音声合成部１や単語登録／認識部３に命令が
出される。表示パネル７は、後述のように認識語彙の確
認が文字表示によって行われる場合に必要となる。認識
語彙の確認が音声によって行われる場合には表示パネル
７を必要としない。なお、上述実施例においては、認
識語彙として図３に表示されているものを例にとり説明
したが、本発明は認識語彙の種類に限定されるものでは
ない。

【００３０】さて、上述したような構成の認識装置の場
合、認識語彙が一意に固定されていないため、現時点で
どのような語彙が登録されているかを確認する方法が必
要になる。第１に、音声で確認する方法が挙げられる。
図１の認識装置の操作パネル６から特定の操作を行う
と、登録されている単語の音声が順に出力される。この
確認音声は、登録用のガイド音声として用意されている
ものを出力する方法と、利用者の登録音声を合成出力す
る方法がある。ガイド音声を用いるほうがきれいな音声
を出力できるが、任意発声で登録した単語にはガイド音
声が用意されていないので、利用者の登録音声を合成出
力する方法を使用することになる。

【００３１】第２の方法として、液晶などの表示パネル
７を用い、登録単語を文字で表示する方法が考えられ
る。表示パネルによる認識語彙確認手段を備えた音声認
識装置は、図６に示すように構成されている。総認識単
語数が少ない場合や、表示パネルが十分大きい場合に
は、一面に全ての単語を表示することも可能であるが、
そうでない場合には、操作パネル３１を操作して、認識
語彙表示部３２の画面を切り換えたり、スクロールさせ
たりして表示させる機能が必要となる。利用者が任意の
音声を登録した単語には文字列が用意されていないの
で、音声登録の際に操作パネルの文字入力部３３から文
字列を入力しておくなどの方法が考えられる。例えば、
図６の認識語彙表示部３２の中の７番目の認識語彙であ
る「止まれ」は図３の単語候補の中には用意されていな
い。これは「停止」や「ストップ」では他の認識語彙と
十分な距離が確保できないため、利用者が自分で考えて
登録した単語である。「止まれ」の文字列は用意されて
いないので、文字入力部３３から利用者が操作して入力
する。

【００３２】文字列のデータは、図３の単語候補の場合
なら、ガイド音声メモリ８の中に予め用意しておき、利
用者が任意に入力したデータなら単語認識・再生パター
ンメモリ４の中に記憶するという方法が使える。なお、
図中の３４はマイクロホンである。

【００３３】

【発明の効果】請求項１に記載の特定話者用単語音声認
識装置によれば、利用者が入力手段により音声を入力す
ると、特徴量抽出手段により入力された音声が分析され
て特徴量が抽出され、記憶手段により、抽出された前記
特徴量が記憶され、演算手段により入力された音声の特
徴量と、すでに登録されている単語音声の特徴量との距
離が算出され、初期認識語彙として用意されている単語
では特徴量間の距離が十分な大きさを確保できない場
合、制御手段により次候補として用意されている他の単
語の音声が登録されるように構成したので、音声の特徴
量間の距離が十分に大きな単語により、複数の対象の識
別を確実に行うことができる。

【００３４】請求項２に記載の特定話者用単語音声認識
装置によれば、出力手段により利用者の音声入力を促す
ガイド音声が出力され、利用者はこのガイド音声を確認
して音声を入力し、さらに、報知手段により特徴量間の
距離が所定値以上でない単語が報知され、利用者は、他
の単語の音声登録を選択することができるように構成し
たので、利用者の登録音声とエコーバックやガイダンス
音声あるいは認識結果の表示などが食い違うことなし
に、類似単語の登録を避け高い認識性能を実現すること
ができる。

【００３５】請求項３に記載の特定話者用単語音声認識
装置によれば、保存再生手段により利用者が発声した音
声が保存されかつ再生され、次候補として用意されてい
る単語が尽きた場合、前記制御手段により、利用者に対
して任意の単語への言い換えが要求され、利用者の音声
を使用してガイダンス等が行われるように構成したの
で、類似単語の登録を避け、高い認識性能を実現する。

【００３６】請求項４に記載の特定話者用単語音声認識
装置によれば、音声出力手段または表示手段により現在
どのような単語セットが登録されているかを出力するよ
うに構成したので、現時点でどのような語彙が登録され
ているか否かを容易に確認することができる。

【図面の簡単な説明】

【図１】本発明の特定話者用単語音声認識装置の第１の
実施例を示すブロック図である。

【図２】本発明の特定話者用単語音声認識装置の制御部
の構成を示すブロック図である。

【図３】認識語彙候補を示す図である。

【図４】本発明の動作を示すフローチャートである。

【図５】登録音声情報の記憶様式を示す図である。

【図６】表示パネルを使用した認識語彙確認装置を示す
図である。

【符号の説明】

1 音声合成部 2 マイクロホン 3 単語登録／認識部 4 単語認識・再生パターンメモリ 5 制御部 6 操作パネル 7 表示パネル 8 ガイド音声メモリ 9 演算手段 10 報知手段 11 制御手段 31 操作パネル 32 認識語彙表示部 33 文字入力部 34 マイクロホン

Claims

【特許請求の範囲】

【請求項１】利用者が複数の対象を表す単語の音声を
予め自分の声で登録した後、使用時に登録されている前
記単語の何れかを選択して発声したときに、発声された
音声パターンとすでに登録されている音声パターンとを
比較して発声された単語を認識しその結果を出力するこ
とによって前記複数の対象を識別する特定話者用単語音
声認識装置であって、利用者が音声を入力する入力手段
と、入力された音声を分析して特徴量を抽出する特徴量
抽出手段と、抽出された特徴量を記憶する記憶手段と、
入力された単語の音声の特徴量と、すでに登録されてい
る単語の音声の特徴量との間の距離を算出する演算手段
と、新たに入力された単語と登録されている前記単語と
特徴量間の距離が前記複数の対象を識別するために十分
な大きさを確保できないと判断した場合、次候補として
用意されている他の単語の音声を登録するように制御す
る制御手段とを具備する特定話者用単語音声認識装置。
【請求項２】利用者による単語の音声入力を促すガイ
ド音声を出力する出力手段と、前記特徴量間の距離が所
定値以上でない単語を報知する報知手段とをさらに具備
する請求項１に記載の特定話者単語音声認識装置。
【請求項３】利用者が発声した音声を保存しかつ再生
し得る保存再生手段を具備し、前記制御手段により、次
候補として用意されている単語が尽きた場合、利用者に
対して任意の単語への言い換えが要求され、利用者の音
声を使用してガイダンス等が行われる請求項２に記載の
特定話者用単語音声認識装置。
【請求項４】現在どのような単語セットが登録されて
いるかを出力する音声出力手段又は表示手段を備える請
求項１から請求項３のいずれか一項に記載の特定話者用
単語音声認識装置。