JPH08506430A - ２経路検索による音声認識方法 - Google Patents

Abstract

(57)【要約】 本発明の音声認識方法は、２経路の検索を用い、未知の音声の語彙ワードを認識する。語彙中のワードは連鎖状の異音モデルによって表され、語彙はネットワークとして表される。第１経路の検索において、１状態区間に限定されたモデルを語彙ネットワークの検索に用いる。１状態モデルは、対応する異音モデルに対して、そのモデルの遷移確率として、未知の音声の最大観測遷移確率（モデル距離）を有する。上位の計算値を有するワードは、第１経路の検索により選択され、全ビタビトレリスを用いて、完全な異音モデルおよびモデル距離によって再計算が行われる。再計算結果は少数の上位選択を供給するためにストアされる。第２組の音声パラメータを用いて、これら少数の上位選択がさらに再計算される。各組の音声パラメータを用いて導かれた計算値を比較し、認識となる選択を決定する。また後処理を行い認識の正確さを高めることも可能である。実験結果によれば、２経路検索は全ビタビ法による語彙ネットワークの検索とほぼ同程度の認識の正確さが得られた。

Description

【発明の詳細な説明】 発明の名称 ２経路検索による音声認識方法 背景技術 音声認識において認識語彙を相互接続されたノード間のネットワークとして表 すことはよく知られている。ノードの間の分岐は、ワード、音素または異音（同 じ音素に属する異なる音）の一部である。異音モデルは、コンテキスト依存音素 モデルである。異音および音素はしばしば隠れマルコフ・モデル（以下ＨＭＭ） によって表される。したがっていかなる語彙ワードも連鎖状のＨＭＭのチェーン として表すことができる。未知の音声を認識するには、ＨＭＭ鎖の中の状態の最 尤シーケンスを計算しなくてはならないが、中型から大型の語彙音声認識システ ムにとって、これは非常に大きな計算負荷となる。 良く知られているビタビ法では、トレリス（棚構造）を確立することによって 、語彙ネットワークの蓋然性を計算する。あるトレリスは語彙ネットワーク中の 各分岐と関連する。トレリスは、横座標に軸フレーム番号、縦座標にモデル状態 を有する。トレリスは、対応する異音モデル中の状態数と同様に多くの関連する 状態を有する。例えば、１０の状態を有する異音モデルでは、そのラベルを有す る語彙ネットワーク中のあらゆる分岐に関連する１０の状態を有する。各トレリ スの１フレームあたりの処理総数は、対応モデル中の全遷移数に比例する。した がって３０の遷移を有する１０の状態の異音モデル中では、ビタビ法に含まれる 全処理数は、約５０（３０の遷移を見積もるための和３０と、各状態で最適な遷 移を決定するための最大２０との和）となる。 この良く知られたビタビ法を用い、所与の音声について語彙ネットワーク全体 で最尤経路を見つけることが可能である。しかしビタビ法には２つの問題がある 。ひとつは計算が複雑なことである。これは、全語彙ネットワークの全分岐にお いてあらゆる遷移が計算されるためであり、したがって、ハードウェアのコスト は非常に高価になる。計算の複雑さは音声認識のチャネル当たりのコストに影響 する。第２に、ビタビ法ではただ一つの選択しか行われず、他の選択を行うには さ らなる計算およびメモリが必要となる。また選択が一つであるため、後処理によ る修正も限られるために、認識の正確さを高めることも不可能である。 そこで１モデル当たり５０もの処理を要する計算の負荷を減らすため、いくつ かの提言がなされている。Bahl他（出典：１９８９年、A Fast Approximate Aco ustic Match for Large Vocabulary Speech Recognition、Proceedings of Euro speech 89：European Conference on Speech Communication and Technology、P aris、１５６〜１５８頁）によれば、各ＨＭＭモデルにつき１つの遷移確率を用 いて（すなわち最尤遷移を選択して）、各遷移毎に計算を追加する。したがって 、３つのトレリス遷移における異なった対数観測確率を加えた後に最大をとるの ではなく、初めに３つのトレリス値全体の最大をとった後に対数観測確率が加ら れる。これにより各遷移につき５を要した計算が３へ、あるいは１０の状態のモ デルにおいては５０を要していた計算が３０へ減少する。しかし計算は減少する が、許容された遅延の後の応答が不十分である。 Bahl他のもう一つの提案（出典：１９９２年、Constructing Candidate Word Lists Using Acoustically Similar Word Groups、IEEE Transactions on Signa l Processing、第４０巻、１１、２８１４〜２８１６頁）においても計算負荷を 減らす試みがなされている。この方法では、より複素トポロジを用いないで、３ 状態モデルを用いて初めにビタビ法で計算を行い、その後複素トポロジで再計算 を行う。しかし、この方法では実際には計算負荷が増えることがある。例えば、 新たに編成された３状態が、複素トポロジと同様の内容を有すれば、同数の対数 観測確率の計算が２回行われることになる。すなわち３状態モデルに１回、複素 トポロジに１回である。同様に２セットのモデルをストアする全必要メモリも増 加する。 最尤経路を探索し、それにより未知の音声の語葉ワードを一致させるのに要す る時間は音声認識システムの認識の遅れとなる。許容遅延内で低コストのハード ウェア計算プラットホームを使用して応答するには、より簡素な認識方法が必要 となる。このような方法は計算負荷を減少させるはずであり、結果として時間の 遅れは、認識の正確さを損なうことなく先行技術にくらべて大幅に改善される。 発明の概要 本発明の目的は、音声認識方法の改善にある。本発明の一見地によれば本発明 の音声認識方法は、第１組の異音モデルを第１型の音声パラメータベクトルと共 に用いるために供給し；第２組の異音モデルを第２型の音声パラメータベクトル と共に用いるために供給し；認識語彙を表すネットワークを供給し、そこで、ネ ットワークの各分岐は異音モデルの１つであり、ネットワークを通じる各全経路 は認識語葉中のワードを表わすモデルのシーケンスであり；第１および第２型の 各音声パラメータベクトルに対して音声パラメータベクトルのフレームシーケン スを生成するために未知の音声を分析し；ネットワークの全経路で最尤経路を決 定するために減少トレリスを供給し；第１型の音声パラメータベクトルの各フレ ームのモデル距離を第１組の全ての異音モデルについて計算し；第１組の各モデ ルの最大モデル距離を算出し;各異音モデルは２フレームの最小区間を有する１ 状態モデルであり、および遷移確率がその最大モデル距離に等しいと仮定して、 全てのフレームについて減少トレリスを更新し;語彙ネットワークを通じて各経 路のトレリスから最終値を検索し;最も高い最終値を有する第１の複数の認識候 補を選択し；語彙ネットワークに対応する完全なビタビ法のトレリス（棚）を用 いて第１組の異音モデルに対して算出されたモデル距離でこの第１の複数候補の 再計算を行い；計算値が大きい順に候補を検索し；第１の複数候補から第１の候 補よりも少ない数の第２の複数候補を選択して、さらに第２組の異音モデルおよ び第２型の音声パラメータベクトルを用いて再計算し；第２型の音声パラメータ ベクトルのモデル距離計算に対するフレームを認識するために第１型の音声パラ メータベクトルを用いて異音セグメンテーションを検索し；第２の複数候補中に 検索される第２組の異音モデルに対して認識される第２型の音声パラメータベク トルのフレームのモデル距離を計算し；ビタビ法を用いて第２組の異音モデルに 対し計算されたモデル距離で第２の複数候補を再計算し；第１および第２型の音 声パラメータベクトルに対する第２の複数候補の計算値を比較して認識候補を選 択するステップを含む。 本発明の他の見地によれば、本発明の音声認識方法は、第１組の異音モデルを ケプストラムパラメータベクトルと共に用いるために供給し;第２組の異音モデ ルをＬＳＰパラメータベクトルと共に用いるために供給し；認識語彙を表すネッ トワークを供給し、そこで、ネットワークの各分岐は異音モデルの１つであり、 ネットワークを通じる各全経路は認識語彙中のワードを表わすモデルのシーケン スであり；ネットワークの全経路で最尤経路を決定するために減少トレリスを供 給し；ケプストラムおよびＬＳＰパラメータベクトルのフレームシーケンスを生 成するために未知の音声を分析し；全てのケプストラム異音モデルに対してフレ ーム毎にケプストラムモデル距離を計算し；各モデルに対して最大モデル距離を 算出し；２フレームの最小区間を有する１状態モデルおよび遷移確率がその最大 モデル距離に等しいと仮定して、全てのフレームについて減少トレリスを更新し ；減少トレリスに対して各語彙ネットワーク経路の最終値を検索し；上位ｎの値 を選択しｎの認識候補を供給し；完全なビタビ法のトレリスを用いて、算出され たモデル距離で上位ｎの候補を再計算し；計算値が大きい順に候補を検索し；Ｌ ＳＰパラメータベクトルを用いて、さらに再計算を行うために上位ｍ（ｍ＜ｎ） を選択し；ＬＳＰパラメータに対しモデル距離の計算に必要なフレームを認識す るため、ケプストラムパラメータを用いて異音セグメンテーションを探索し；認 識されたフレームおよびｍ候補中で検索されたＬＳＰモデルに対してＬＳＰモデ ル距離を計算し；ビタビ法を用いて算出されたＬＳＰモデル距離でｍの候補を再 計算し；ケプストラムおよびＬＳＰパラメータに対して上位ｍの候補の計算値を 比較して認識候補を選択するステッブを含む。 本発明によれば、２経路検索が用いられる。第１の経路は減少１状態モデルを 用い、その遷移確率は対応の異音モデルの観測確率に対して算出された最大値に 割り当てられる。この減少モデルとそれに対応する異音モデルの間には１対１の 関係がある。この減少された１状態モデルの最小区間は数フレームに限定される 。便宜的には、２あるいは３フレームの最小区間が用いられる。 本発明の利点は、低コスト処理ハードウェアを用いて認識の正確さを損なうこ となく認識方法の煩雑さを簡素化したことにある。 図面の簡単な説明 本発明を、図面を参照しながら以下に説明する。 図１ａおよび１ｂは本発明の実施の形態の語彙ネットワーク部を示す図である 。 図２は本発明の実施の形態の異音を表わす４状態の隠れマルコフモデル（ＨＭ Ｍ）を示す図である。 図３は本発明の実施の形態の音声認識方法を示すチャート図である。 図４は図３の減少トレリスを視覚的に示す図である。 図５はケプストラムパラメータからの異音セグメンテーションおよび図３のＬ ＳＰモデル距離の算出に使用されるフレームを視覚的に示す図である。 図６は本発明の実施の形態の音声認識方法による典型的な音声認識装置を示す ブロック図である。 実施の形態 図１ａおよび１ｂは本発明の実施の形態の語彙ネットワーク部を示す図である 。図１ａにおいて各経路１０、１２、および１４は、エントリノード１６より始 まる。経路１０の分岐１８はノード１６からノード２０で異音ｒを表し、分岐２ ２はノード２０からノード２４で異音ａを表し、分岐２６はノード２４からノー ド２８で異音ｂを表し、分岐３０はノード２８からノード３２で異音ｉを表し、 分岐３４はノード３２から終了ノード３６で異音ｄを表す。 同様に経路１２は、分岐３８、ノード４０、分岐４２、ノード４４、分岐４６ 、ノード４８、分岐５０および出口ノード５２からなり、経路１４は、分岐５４ 、ノード５６、分岐５８、ノード６０、分岐６２、ノード６４、分岐６６、およ び出口ノード６８からなる。 語彙ネットワークは、図１ａで示されるように、一般に木構造を有する。しか し「ｒｅｃｏｒｄ」という語の２つの異音の転写を表す図１ｂが示すように２つ の枝が再び合流する経路を有してもよい。 「ｒｅｃｏｒｄ」の転写は、エントリノード６８、分岐７０、ノードの７２、 分岐７４、ノード７６、分岐７８、ノード８０、分岐８２、ノード８４、分岐８ ６、ノード８８、分岐９０、出口ノード９２、および分岐６８、ノード７０、分 岐９６、ノード９８、分岐１００、ノード１０２、分岐１０４、ノード８８、分 岐９０、出口ノード９２からなる。 語彙ネットワークの各分岐は、隠れマルコフモデルによって表される。図２は 本発明の実施の形態による異音を表す４状態の隠れマルコフモデル（ＨＨＭ）を 示す。４状態のＨＭＭは第１、第２、第３、第４状態を含み、それぞれ１１０、 １１２、１１４、１１６で示されている。ある状態からの遷移には大方３形式が ある。すなわち、それ自身への遷移、次状態への遷移、そして一つ飛び遷移であ る。第１状態１１０においては、それ自身への遷移は遷移１１８、次状態への遷 移は遷移１２０、一つ飛び遷移は遷移１２２で示される。同様に、第２状態１１ ２においては、それ自身への遷移は遷移１２４、次状態への遷移は遷移１２６、 一つ飛び遷移は遷移１２８で示される。第４状態１１６は出口状態であるので、 第３状態は一つ飛び状態を有さない。したがって、第３状態１１４は、それ自身 への遷移は遷移１３０、次状態への遷移は遷移１３２を有する。第４状態は出口 状態であるので、モデル間遷移１３６を有するのみである。同様に第１状態は開 始状態であるのでモデル間遷移１３８を有する。これらモデル間遷移１３６、１ ３８により複数のモデルが語彙ワードを表わす一つのチェーンへ収斂する。 図３は本発明の実施の形態の音声認識方法を示すチャート図である。このチャ ートは２つのタイムフレーム中に行われるステップおよび動作を示す。すなわち 第１のタイムフレームは入力音声に関してリアルタイムであり、「Ａ）フレーム 同期」と表される。第２のタイムフレームは音声受信に続く処理時間であって「 Ｂ）認識遅延」と表される。 Ａ）部には７ステップが含まれる。ステップ１）エンドポインタを用いてワー ドおよびフレーズの始めを認識し、減少トレリスを初期化することによりフレー ム同期検索方法を開始する。ステップ２）ケプストラムモデル距離を全ての異音 モデルについてフレーム毎に計算する。ステップ３）各モデルの最大モデル距離 を検索する（例えば、１３０のモデルにおいて１３０の最大値が検索される）。 ステップ４）２フレームの最小区間を有する１状態モデルを仮定し、各フレーム について減少トレリスを更新する。このモデルの遷移確率は、ステップ３で計算 された最大モデル距離に一致する。ステップ５）エンドポインタを用いて音声の 終了を認識し減少トレリスの更新を終える。ステップ６）各語彙ネットワーク経 路の最終値を減少トレリスに対して検索卜する。ステッブ７）上位ｎ値を選択し 認識のためｎの候補を供給する。例えば、このｎの典型的な値は３０である。こ のようにして本発明の音声認識のフレーム同期検索部が完了する。 Ｂ）部には７つのステップ（ステップ８〜１４）が含まれ、さらに認識の正確 さを高めるために、あるいはそれ以上の追加ステップ（ステップ１５によって表 される）が含まれることもある。ステップ８）ビタビ法を用いてステップ２）で 計算されたモデル距離で上位ｎ候補を再計算する。フレーム同期処理であらゆる 語彙ワードの認識候補数がｎの候補へ減らされたので、計算的な複素ビタビ法が 能率的に使用され、これら各々のｎ候補をステップ２）で算出されたモデル距離 の完全なセットを用いて再計算することが可能となる。ステップ９）計算値の大 きい順に候補を検索する。ステップ１０）例えば、ＬＳＰパラメータなどの交互 のパラメータを使用してさらに再計算を行うため上位ｍの候補を選択する。この ようなｍの典型的な値は３である。ステップ１１）ケプストラムパラメータを使 用して異音セグメンテーションを探索する。これらのセグメント境界は、ステッ プ１２のモデル距離計算に必要なフレームを限定するために使用される。モデル 距離の計算による負荷のため、ステップ１１で認識されたフレームおよびステッ プ１０で認識された候補を限定しない限り、代替パラメータの使用によって許容 できない遅延がおこる。ステップ１２）ｍ候補についてＬＳＰモデル距離を計算 する。例えば、図５において上部の括弧はケプストラムを用いて生成されたセグ メンテーションを示し、下部の括弧はＬＳＰモデル距離の計算に必要なフレーム を示す。ステップ１３）ステップ１２で計算されたＬＳＰモデル距離を用いてビ タビ法によってｍ候補を再計算する。セグメント境界は、ステップ１１）で得ら れたセグメント境界のうち２３０ミリセカンド（１８フレーム）以内に制限され る。ステップ1４）ケプストラムおよびＬＳＰパラメータに対して上位ｍ候補の 計算値を比較する。またステップ１４）好ましくは、各々の候補についてケプス トラムおよびＬＳＰパラメータより結果として得られる確率を乗算してもよい。 例えば、ｍ＝３のとき： (P1Cep)×(P1LSP)=P1Combined｝ (P2Cep)×(P2LSP)=P2Combined｝ (P3Cep)×(P3LSP)=P3Combined｝ のうち、もっとも大きな確率組み合わせを有するワードを選択をする。ステップ １５）追加オプションの後処理であり、選択の正確さを高めるものである。ここ で唯一２、３の候補が残っているだけなので、計算負荷の実質的な追加をするこ となく、さらにオプション後処理が認識方法に含まれてもよい。したがって認識 の遅れの実質的増加となることもない。例えば、オプション後処理として異音の 区間を制限し認識の正確さを高めることが挙げられる。 以上の実施の形態では、２フレーム最小区間の１状態モデルをフレーム同期検 索に用いた。 表Ａは、最小区間を２〜３とし、４３２１語のテストを行った場合の正しい選 択の包含率を示す。表Ｂは、４３２１語のテストで上位ｎ候補をビタビ法を用い て再計算した後の認識の正確さを示す。 表Ａから明らかなように、正しい選択の包含率は２フレームよりも３フレーム の最小区間において高くなる。しかし表Ｂから明らかなように、ビタビ法を使用 して上位ｎの候補を再計算した後では、双方の認識の正確さはほとんど同一であ る。よって、２フレーム認識装置の方が少ない計算ですむために好ましい。もし 再計算法のパフォーマンスがビタビ法よりも優れるならば、３フレーム区間の高 包含率のメリットによって、３フレー区間に高い計算負荷を課すことが望ましい 。 図４は図３のステップ３に示された減少トレリスを視覚的に示す図である。減 少トレリスを生成するには、２フレームの区間を有する１状態モデルを用いる。 一例として、「ｆｏｒ」という語の異音の転写が垂直にプロットされている。各 々の異音は軸上の２点に割り当てられる。各々の異音モデルに用いられる遷移確 率は、実際のモデル距離計算の間に得られた最大値である。したがって、減少ト レリスのための１状態モデルではモデル距離の追加計算が不要となり、各モデル について計算されたこれら距離の最大値を決定するだけである。これらモデル距 離は第２経路で使用するためにストアされる。 トレリスの初期条件がセットされ、各フレーム毎に、最大遷移確率を語彙ネッ トワークの各分岐中の各遷移に対して加えることによって、トレリスが更新され る。 簡単な例として「ｆｏｒ」という語彙ワードの異音の転写を考える。初期状態 を設定するために、語彙ネットワークにおいて、確率「月を無音モデル（｛）の 初期状態１５０およびモデル（ｆ）の初期状態１５４に割り当て、確率「０」を 他の全てのトレリス縦軸１５６〜１６８に割り当てる。語彙ネットワーク中の各 分岐（異音モデル）について３動作、すなわち乗算２回、比較１回を実行し、ト レリスを更新する。したがってトレリス更新のステップは、転写の各異音につい て初期確率と最大遷移確率を乗算することからなる。例では、遷移１７０、１７ ２で乗算一つとして最大遷移確率（p{）が初期値「１」にかけられる。遷移１７ ４で確率（p{）は初期値「０」にかけられる。これら遷移の１７０、１７２、１ ７４によってそれぞれ３つの新状態１７６、１７８、１８０が生ずる。比較は次 の異音の初期状態を表わす状態で行われ、本例では状態１８０である。遷移１７ ４から得られた状態１８０での確率値は、異音（ｆ）の初期状態１５４から得ら れた遷移１８２得られる値と比較される。これらのうちどちらか大きい確率値を 有する方が状態１８０に保持され、次回のトレリス更新の反復に用いられる。無 音モデル（｛）の場合のように（ｆ）モデルの遷移が計算される。遷移１８２、 １８４のそれぞれにおいて、状態１５４の初期値「１」と異音（ｆ）の最大遷移 確率（ｐｆ）の乗算が行われる。遷移１８６で状態１５６の初期値「０」と異音 （ｆ）の最大遷移確率（ｐｆ）の乗算が行われる。これら遷移１８２、１８４、 １８６によってそれぞれ３つの新状態１８０、１８８、１９０が生ずる。同様に 新状態１９２〜２０２についても計算が行われる。各トレリス更新のサイクルは 、状態１７６〜２０２の値を状態１５０〜１６９に複写して完結する。その後に 次フレームの処理が開始される。 初期状態１５０および１５４の初期確率１はワード「ｆｏｒ」が最初の無音あ るいは息継ぎを含むことを示している。同様に、状態１６４から２０２への遷移 ２０４は、最後の無音あるいは息継ぎが選択的に存在することを示している。状 態２０２において、現在フレームの最尤値が保持される。 これら記述によれば、遷移確率は「０」と「１」の間に位置し、トレリス更新 の新しい値は現在値と次への遷移確率を乗算することにより得られる。しかし音 声認識技術の通例では、典型的には遷移確率は対数演算によって表されるので、 確率の乗算は計算が簡単な加算によって行われる。 モデル距離の計算は複雑な作業であり、それゆえに計算機に大きな負荷がかか る。ＬＳＰモデル距離を音声認識方法の「認識遅延」の部分で許容を越えて遅延 を増加させないで計算するには、計算に必要なフレーム数を制限しなくてはなら ない。 ケプストラムパラメータを用いて異音セグメンテーションを検索するステップ およびＬＳＰモデル距離を計算するステップを図５を参照して説明する。一例と して、語彙ワード「ｆｏｒ」の異音転写が図５に視覚的に示されている。横軸は 音声のフレームを表す。ケプストラムパラメータの異音セグメントは、縦線２１ ０、２１２、２１４および２１６によって示され、異音のセグメンテーションｆ 、ｏ、ｒは括弧２１８、２２０、２２２によってそれぞれ表される。これは図３ のステップ１１に対応する。図５の例においては、モデル距離が計算されること と なる異音のフレームは、ケプストラムパラメータを用いて決定されたセグメント 境界の１８フレーム（２３０ミリセカンド）以内に制限される。したがって、Ｌ ＳＰモデル距離の計算を異音f、ｏ、ｒについて行うとき、それらの計算はそれ ぞれ括弧２２４、２２６、２２８によって示されるフレームで実行される。 図６は本発明の音声認識方法を用いるために構成された典型的な音声認識装置 を示すブロック図である。音声認識装置は音声入力２９０、ケプストラムおよび ＬＳＰパラメータ各解析器２９２、２９４を有し、各パラメータの出力２９６、 ２９８を入力データバッファ３０２入力する。入力データバッファは、データバ ス３０４に接続される。また、このデータバスに接続されるのは、処理装置３０ ６、認識データテーブル記憶装置３０８、中間結果記憶装置３１０、および出力 ３１４を有する認識結果出力ブロック３１２である。 動作を説明すると、入力２９０に印加された音声はケプストラム分析器２９２ およびＬＳＰ分析器２９４で分析され、ケプストラムおよびＬＳＰパラメータベ クトル出力を、それぞれ２９６、２９８を介して１２．７５ミリセカンド毎に入 力データバッファ３０２に対して生成する。フレーム同期計算のため、処理装置 ３０６は、音声データのフレーム毎に認識データテーブル記憶装置３０８にスト アされたすべてのケプストラム異音モデルについてモデル距離を計算する。計算 されたモデル距離は中間結果記憶装置３１０にストアされ、後にビタビ法におい て上位ｎの選択を再計算する際に使用される。トレリスは中間結果記憶装置３１ ０で形成され、フレーム毎に更新される。第１回目のバスで上位ｎが決定される と、音声認識方法の「認識遅延」部分が始まる。ストアされたケプストラムモデ ル距離は、ビタビ法によって使用され、中間結果記憶装置３１０にストアされた 命令リストによって、上位ｎの選択を再計算する。上位ｎの選択はさらにビタビ 法を用いて再計算される。その後、上位ｍの選択は入力データバッファ３０２か らのＬＳＰパラメータを使用して再計算される。ＬＳＰモデル距離は、処理装置 ３０６によって上位ｍの選択で検索されたＬＳＰ異音モデルに対して計算され、 その際に認識データテーブル記憶装置３０８にストアされたモデル距離が使用さ れる。各異音モデルに対しては、ケプストラムセグメンテーションにより供給さ れるフレームのみが使用される。算出されたモデル距離は中間結果記憶装置３１ ０にストアされ、上位ｍの選択を再計算するためにビタビ法で使用される。ケプ ストラムおよびＬＳＰの上位ｍの選択の比較を行い、認識結果出力ブロック３１ ２にその認識結果をストアする。その結果は出力３１４を介し、「認識」として アプリケーションに送られる。上に述べたように、さらに後処理を行い認識の正 確さを高める。 図６の音声認識装置のハードウェアは、テキサスインスツルメンツ社のマイク ロプロセッサＴＭＳ３２０Ｃ３１を６つ用いて処理装置３０６を構成し、入力デ ータバッファ３０２、認識データテーブル記憶装置３０８および中間結果記憶装 置３１０を構成するために約１６メガバイトのメモリが使用されている。 上に述べた本発明の実施の形態について、請求項において定義された本発明の 主旨から逸れることなく様々な変更、バリエーション、適用を加えることが可能 である。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 レニグ・マシュー カナダ国，エイチ３ゼット １ジェイ１, ケベック，ウェストマウント，ウィンチェ スター アベニュー ２

Claims (1)

1. 【特許請求の範囲】 １． 第１組の異音モデルを第１型の音声パラメータベクトルと共に用いる ために供給し； 第２組の異音モデルを第２型の音声パラメータベクトルと共に用いるために供 給し； 認識語彙を表すネットワークを供給し、そこで、ネットワークの各分岐は異音 モデルの１つであり、ネットワークを通じる各全経路は認識語葉中のワードを表 わすモデルのシーケンスであり； 第１および第２型の各音声パラメータベクトルに対して音声パラメータベクト ルのフレームシーケンスを生成するために未知の音声を分析し； ネットワークの全経路で最尤経路を決定するために減少トレリスを供給し； 第１型の音声パラメータベクトルの各フレームのモデル距離を第１組の全ての 異音モデルについて計算し； 第１組の各モデルの最大モデル距離を算出し； 各異音モデルは２フレームの最小区間を有する１状態モデルであり、および遷 移確率がその最大モデル距離に等しいと仮定して、全てのフレームについて減少 トレリスを更新し； 語彙ネットワークを通じて各経路のトレリスから最終値を検索し； 最も高い最終値を有する第１の複数の認識候補を選択し； 語彙ネットワークに対応する完全なビタビ法のトレリス（棚）を用いて第１組 の異音モデルに対して算出されたモデル距離でこの第１の複数候補の再計算を行 い； 計算値が大きい順に候補を検索し； 第１の複数候補から第１の候補よりも少ない数の第２の複数候補を選択して、 さらに第２組の異音モデルおよび第２型の音声パラメータベクトルを用いて再計 算し； 第２型の音声パラメータベクトルのモデル距離計算に対するフレームを認識す るために第１型の音声パラメータベクトルを用いて異音セグメンテーションを検 索し； 第２の複数候補中に検索される第２組の異音モデルに対して認識される第２型 の音声パラメータベクトルのフレームのモデル距離を計算し； ビタビ法を用いて第２組の異音モデルに対し計算されたモデル距離で第２の複 数候補を再計算し； 第１および第２型の音声パラメータベクトルに対する第２の複数候補の計算値 を比較して認識候補を選択するステップを含むことを特徴とする音声認識方法。 ２． 請求項１の音声認識方法において； 第１型の音声パラメータベクトルは、ケプストラムパラメータベクトルを含む ことを特徴とする音声認識方法。 ３． 請求項２の音声認識方法において： 第２型の音声パラメータベクトルは、ＬＳＰパラメータベクトルを含むことを 特徴とする音声認識方法。 ４． 請求項１の音声認識方法において：さらに エンドポインタを用いて減少トレリスを供給するステッブの前に、ワードおよ びフレーズの始めを認識し； エンドポインタを用いて音声の終了を認識し、減少トレリスの更新を止めるこ とを特徴とする音声認識方法。 ５． 第１組の異音モデルをケプストラムパラメータベクトルと共に用いる ために供給し； 第２組の異音モデルをＬＳＰパラメータベクトルと共に用いるために供給し； 認識語彙を表すネットワークを供給し、そこで、ネットワークの各分岐は異音 モデルの１つであり、ネットワークを通じる各全経路は認識語彙中のワードを表 わすモデルのシーケンスであり； ネットワークの全経路で最尤経路を決定するために減少トレリスを供給し； ケプストラムおよびＬＳＰパラメータベクトルのフレームシーケンスを生成す るために未知の音声を分析し； 全てのケプストラム異音モデルに対してフレーム毎にケプストラムモデル距離 を計算し； 各モデルに対して最大モデル距離を算出し； ２フレームの最小区間を有する1状態モデルおよび遷移確率がその最大モデル 距離に等しいと仮定して、全てのフレームについて減少トレリスを更新し； 減少トレリスに対して各語彙ネットワーク経路の最終値を検索し； 上位ｎの値を選択しｎの認識候補を供給し； 完全なビタビ法のトレリスを用いて、算出されたモデル距離で上位ｎの候補を 再計算し； 計算値が大きい順に候補を検索し； ＬＳＰパラメータベクトルを用いて、さらに再計算を行うために上位ｍ（ｍ＜ ｎ）を選択し； ＬＳＰパラメータに対しモデル距離の計算に必要なフレームを認識するため、 ケプストラムパラメータを用いて異音セグメンテーションを探索し； 認識されたフレームおよびｍ候補中で検索されたＬＳＰモデルに対してＬＳＰ モデル距離を計算し； ビタビ法を用いて算出されたＬＳＰモデル距離でｍの候補を再計算し； ケプストラムおよびＬＳＰパラメータに対して上位ｍの候補の計算値を比較し て認識候補を選択するステップを含むことを特徴とする音声認識方法。 ６． 請求項５の音声認識方法において：さらに エンドポインタを用いて減少トレリスを供給するステップの前に、ワードおよ びフレーズの始めを認識し； エンドポインタを用いて音声の終了を認識し、減少トレリスの更新を止めるこ とを特徴とする音声認識方法。 ７． 請求項６の音声認識方法において： 上位ｍの候補を比較するステップは、各々の候補に対してケプストラムおよび ＬＳＰパラメータから得られる確率を共に乗算し、最も高い組み合わせ確率を有 する候補を認識候補として選択するステップを含むことを特徴とする音声認識方 法。 ８． 請求項７の音声認識方法において： ケプストラムパラメータを用いて検索されるセグメント境界の１８フレーム以 内にフレームが制限されることを特徴とする音声認識方法。