JPH0981181A - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JPH0981181A JPH0981181A JP7232434A JP23243495A JPH0981181A JP H0981181 A JPH0981181 A JP H0981181A JP 7232434 A JP7232434 A JP 7232434A JP 23243495 A JP23243495 A JP 23243495A JP H0981181 A JPH0981181 A JP H0981181A
- Authority
- JP
- Japan
- Prior art keywords
- voice recognition
- hidden markov
- cluster
- hmm
- phoneme
- 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.)
- Granted
Links
Abstract
(57)【要約】
【課題】 従来例に比較して少ない処理量で未登録語の
音声認識のために処理を行うことができ、しかも比較的
高い音声認識率を得ることができる音声認識装置を提供
する。 【解決手段】 入力された発声音声文の音声信号に基づ
いて、ＨＭＭを用いて音声認識して音声認識結果を出力
する音声認識部４，５を備え、ＨＭＭは、２５個の音素
と無音に関する音響モデルであって、予め登録されてい
る登録語を認識するための音素ＨＭＭ１１と、予め登録
されていない未登録語を認識するための音響モデルであ
るガーベジＨＭＭ１２とを含む。ガーベジＨＭＭ１２
は、１８個の子音を１つのクラスタにクラスタリングさ
れたガーベジの１個のＨＭＭと、５個の母音をそれぞれ
１つのクラスタにクラスタリングされた５個のＨＭＭ
と、拗音、促音及び撥音の各３子音をそれぞれ１つのク
ラスタにクラスタリングされた３個のＨＭＭとを含む。
音声認識のために処理を行うことができ、しかも比較的
高い音声認識率を得ることができる音声認識装置を提供
する。 【解決手段】 入力された発声音声文の音声信号に基づ
いて、ＨＭＭを用いて音声認識して音声認識結果を出力
する音声認識部４，５を備え、ＨＭＭは、２５個の音素
と無音に関する音響モデルであって、予め登録されてい
る登録語を認識するための音素ＨＭＭ１１と、予め登録
されていない未登録語を認識するための音響モデルであ
るガーベジＨＭＭ１２とを含む。ガーベジＨＭＭ１２
は、１８個の子音を１つのクラスタにクラスタリングさ
れたガーベジの１個のＨＭＭと、５個の母音をそれぞれ
１つのクラスタにクラスタリングされた５個のＨＭＭ
と、拗音、促音及び撥音の各３子音をそれぞれ１つのク
ラスタにクラスタリングされた３個のＨＭＭとを含む。
Description
【０００１】
【発明の属する技術分野】本発明は、自由発話における
未登録語（未知語ともいう。）を検出するための音声認
識装置に関する。
未登録語（未知語ともいう。）を検出するための音声認
識装置に関する。
【０００２】
【従来の技術】現在の多くの音声認識システムは、シス
テム内の辞書に登録されている単語のみ認識する。その
ため未登録語を含んだ発話を入力してしまうと未登録語
の部分で致命的な誤認識を起こしてしまう場合がある。
従来、音声認識システムにおいて、未登録語をどのよう
に処理するか種々研究開発されており、例えば、従来文
献１「Ｋｉｔａ，Ｋ．，Ｅｈａｒａ，Ｔ．，Ｍｏｒｉｍ
ｏｔｏ，Ｔ．，“Ｐｒｏｃｅｓｓｉｎｇ ｕｎｋｎｏｗ
ｎ ｗｏｒｄｓ ｉｎ ｃｏｎｔｉｎｕｏｕｓｓｐｅｅ
ｃｈ ｒｅｃｏｇｎｉｔｉｏｎ”，ＩＥＩＣＥ Ｔｒａ
ｎｓ．，Ｖｏｌ．Ｅ７４，Ｎｏ．７，ｐｐ．１８１１−
１８１６，１９９１年」や、従来文献２「伊藤克亘，速
水悟，田中穂積，“連続音声認識における未登録語の扱
い”，電子情報通信学会技術報告，Ｖｏｌ．９１，ＳＰ
９１−９６，１９９１年」に開示されている。
テム内の辞書に登録されている単語のみ認識する。その
ため未登録語を含んだ発話を入力してしまうと未登録語
の部分で致命的な誤認識を起こしてしまう場合がある。
従来、音声認識システムにおいて、未登録語をどのよう
に処理するか種々研究開発されており、例えば、従来文
献１「Ｋｉｔａ，Ｋ．，Ｅｈａｒａ，Ｔ．，Ｍｏｒｉｍ
ｏｔｏ，Ｔ．，“Ｐｒｏｃｅｓｓｉｎｇ ｕｎｋｎｏｗ
ｎ ｗｏｒｄｓ ｉｎ ｃｏｎｔｉｎｕｏｕｓｓｐｅｅ
ｃｈ ｒｅｃｏｇｎｉｔｉｏｎ”，ＩＥＩＣＥ Ｔｒａ
ｎｓ．，Ｖｏｌ．Ｅ７４，Ｎｏ．７，ｐｐ．１８１１−
１８１６，１９９１年」や、従来文献２「伊藤克亘，速
水悟，田中穂積，“連続音声認識における未登録語の扱
い”，電子情報通信学会技術報告，Ｖｏｌ．９１，ＳＰ
９１−９６，１９９１年」に開示されている。
【０００３】従来文献１では、すべての音素を組み合わ
せて最も高いスコアをとる語を認識結果とする音韻タイ
プライタを用いて未登録語の処理を行っている。また、
従来文献２では、上記音韻タイプライタと、音韻連鎖の
Ｎ−グラムモデルを用いて未登録語の音声認識を行って
いる。
せて最も高いスコアをとる語を認識結果とする音韻タイ
プライタを用いて未登録語の処理を行っている。また、
従来文献２では、上記音韻タイプライタと、音韻連鎖の
Ｎ−グラムモデルを用いて未登録語の音声認識を行って
いる。
【０００４】
【発明が解決しようとする課題】従来文献１では、上記
音韻タイプライタを用いて未登録語の音声認識を行って
いるので、きわめて計算量が多い。また、従来文献２に
おいては、あらゆる音素系列を許すために音声認識のた
めの処理量がきわめて多い。また一般に未登録語の出現
箇所が不明であるため、常時未登録語の処理を実行する
必要があるためである。従って、上述の従来例の音声認
識システムでは、未登録語の音声認識のために処理量が
多くなり、処理時間が長くなるという問題点があった。
音韻タイプライタを用いて未登録語の音声認識を行って
いるので、きわめて計算量が多い。また、従来文献２に
おいては、あらゆる音素系列を許すために音声認識のた
めの処理量がきわめて多い。また一般に未登録語の出現
箇所が不明であるため、常時未登録語の処理を実行する
必要があるためである。従って、上述の従来例の音声認
識システムでは、未登録語の音声認識のために処理量が
多くなり、処理時間が長くなるという問題点があった。
【０００５】本発明の目的は以上の問題点を解決し、従
来例に比較して少ない処理量で未登録語の音声認識のた
めに処理を行うことができ、しかも比較的高い音声認識
率を得ることができる音声認識装置を提供することにあ
る。
来例に比較して少ない処理量で未登録語の音声認識のた
めに処理を行うことができ、しかも比較的高い音声認識
率を得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
載の音声認識装置は、入力された発声音声文の音声信号
に基づいて、所定の隠れマルコフモデルを用いて音声認
識して音声認識結果を出力する音声認識手段を備えた音
声認識装置において、上記隠れマルコフモデルは、音素
を複数のクラスタに分割して作成され、予め登録されて
いない未登録語を認識するための音響モデルを含むこと
を特徴とする。
載の音声認識装置は、入力された発声音声文の音声信号
に基づいて、所定の隠れマルコフモデルを用いて音声認
識して音声認識結果を出力する音声認識手段を備えた音
声認識装置において、上記隠れマルコフモデルは、音素
を複数のクラスタに分割して作成され、予め登録されて
いない未登録語を認識するための音響モデルを含むこと
を特徴とする。
【０００７】また、請求項２記載の音声認識装置は、請
求項１記載の音声認識装置において、上記隠れマルコフ
モデルは、２５個の音素と無音に関する音響モデルであ
って、予め登録されている登録語を認識するための音素
隠れマルコフモデルと、予め登録されていない未登録語
を認識するための音響モデルであるガーベジ隠れマルコ
フモデルとを含み、上記ガーベジ隠れマルコフモデル
は、１８個の子音を１つのクラスタにクラスタリングさ
れたガーベジの１個の隠れマルコフモデルと、５個の母
音をそれぞれ１つのクラスタにクラスタリングされた５
個の隠れマルコフモデルと、拗音、促音及び撥音の各３
子音をそれぞれ１つのクラスタにクラスタリングされた
３個の隠れマルコフモデルとを含む。
求項１記載の音声認識装置において、上記隠れマルコフ
モデルは、２５個の音素と無音に関する音響モデルであ
って、予め登録されている登録語を認識するための音素
隠れマルコフモデルと、予め登録されていない未登録語
を認識するための音響モデルであるガーベジ隠れマルコ
フモデルとを含み、上記ガーベジ隠れマルコフモデル
は、１８個の子音を１つのクラスタにクラスタリングさ
れたガーベジの１個の隠れマルコフモデルと、５個の母
音をそれぞれ１つのクラスタにクラスタリングされた５
個の隠れマルコフモデルと、拗音、促音及び撥音の各３
子音をそれぞれ１つのクラスタにクラスタリングされた
３個の隠れマルコフモデルとを含む。
【０００８】さらに、請求項３記載の音声認識装置は、
請求項２記載の音声認識装置において、上記音声認識手
段は、上記ガーベジ隠れマルコフモデルに基づいて計算
された未登録語の尤度に対して上記音素隠れマルコフモ
デルに基づいて計算された登録語の尤度と比較して所定
の重み係数を乗算して音声認識結果のスコアを計算し、
上記重み係数は、０．８以上であって、１未満であるこ
とを特徴とする。
請求項２記載の音声認識装置において、上記音声認識手
段は、上記ガーベジ隠れマルコフモデルに基づいて計算
された未登録語の尤度に対して上記音素隠れマルコフモ
デルに基づいて計算された登録語の尤度と比較して所定
の重み係数を乗算して音声認識結果のスコアを計算し、
上記重み係数は、０．８以上であって、１未満であるこ
とを特徴とする。
【０００９】またさらに、請求項４記載の音声認識装置
は、請求項２又は３記載の音声認識装置において、上記
ガーベジ隠れマルコフモデルは、複数の名詞のテキスト
データに基づいて、当該名詞のテキストデータのシンボ
ルをクラスタに対応したシンボルに置き換えて、各クラ
スタの連鎖を示す複数Ｎ−グラムで学習されたことを特
徴とする。
は、請求項２又は３記載の音声認識装置において、上記
ガーベジ隠れマルコフモデルは、複数の名詞のテキスト
データに基づいて、当該名詞のテキストデータのシンボ
ルをクラスタに対応したシンボルに置き換えて、各クラ
スタの連鎖を示す複数Ｎ−グラムで学習されたことを特
徴とする。
【００１０】
【発明の実施の形態】以下、図面を参照して本発明に係
る実施形態について説明する。図１に本発明に係る一実
施形態である音声認識装置のブロック図を示す。本発明
に係る本実施形態においては、日本語の音節構造を考慮
した音素クラスタを考え、そのクラスタに従った音響モ
デルを作成し使用することにより、未登録語区間を検出
することを特徴とし、特に、無音と２５個の音素に関す
る音素隠れマルコフモデル（以下、隠れマルコフモデル
をＨＭＭという。）１１と、無音と、１８個の子音をす
べて１つのクラスタとしたガーベジと、８個の音素とに
関するガーベジＨＭＭ１２とに基づいて音素照合して音
声認識することを特徴とする。以下、登録語とは予め登
録された語であり、未登録語とは予め登録されていない
語である。
る実施形態について説明する。図１に本発明に係る一実
施形態である音声認識装置のブロック図を示す。本発明
に係る本実施形態においては、日本語の音節構造を考慮
した音素クラスタを考え、そのクラスタに従った音響モ
デルを作成し使用することにより、未登録語区間を検出
することを特徴とし、特に、無音と２５個の音素に関す
る音素隠れマルコフモデル（以下、隠れマルコフモデル
をＨＭＭという。）１１と、無音と、１８個の子音をす
べて１つのクラスタとしたガーベジと、８個の音素とに
関するガーベジＨＭＭ１２とに基づいて音素照合して音
声認識することを特徴とする。以下、登録語とは予め登
録された語であり、未登録語とは予め登録されていない
語である。
【００１１】まず、未登録語の出現傾向について述べ
る。登録語彙数の大きさとその時の未登録語の出現数の
関係を調べるために、本特許出願人が所有する国際会議
予約タスクのテキストデータ（６５０会話；全単語数約
３．３×１０5；異り単語数９，５０２）を用いて、登
録語彙のサイズを変更した場合の１会話中に含まれる単
語のカバー率を調べた。この結果を図２に示す。
る。登録語彙数の大きさとその時の未登録語の出現数の
関係を調べるために、本特許出願人が所有する国際会議
予約タスクのテキストデータ（６５０会話；全単語数約
３．３×１０5；異り単語数９，５０２）を用いて、登
録語彙のサイズを変更した場合の１会話中に含まれる単
語のカバー率を調べた。この結果を図２に示す。
【００１２】図２の結果から、登録語に含まれていなか
った単語（未登録語）を３０の品詞に分類しその内訳を
調べると、登録語彙数が約３０００を越えると未登録語
の約６０％が名詞（普通名詞、固有名詞）となることが
分かった。以上の結果から、このテキストデータでは会
話単位で語彙を登録した場合、品詞別に見て名詞が最も
未登録語になりやすいことが分かった。本発明者は、こ
の結果を基づいて、本発明を発明し、後述の実験を行っ
た。以下の実験に使用する文法は、名詞部分で未登録語
の生成を許すルールを追加したものを用いた。
った単語（未登録語）を３０の品詞に分類しその内訳を
調べると、登録語彙数が約３０００を越えると未登録語
の約６０％が名詞（普通名詞、固有名詞）となることが
分かった。以上の結果から、このテキストデータでは会
話単位で語彙を登録した場合、品詞別に見て名詞が最も
未登録語になりやすいことが分かった。本発明者は、こ
の結果を基づいて、本発明を発明し、後述の実験を行っ
た。以下の実験に使用する文法は、名詞部分で未登録語
の生成を許すルールを追加したものを用いた。
【００１３】次いで、未登録語を検出するための本実施
形態及び以下の実験で用いた音響モデルを表１に示す。
形態及び以下の実験で用いた音響モデルを表１に示す。
【００１４】
【表１】 未登録語検出の実験で使用したＨＭＭ ─────────────────────────────────── 登録語 ２５音素ＨＭＭ ─────────────────────────────── 無音ＨＭＭ ─────────────────────────────────── 未知語 実施形態のガーベジＨＭＭ １８子音が１つのＨＭＭ １２ ＋８つの音素ＨＭＭ ─────────────────────────────── 比較例１の１クラスタＨＭＭ 全音素が１つのＨＭＭ ─────────────────────────────── 比較例２の９クラスタＨＭＭ ＳＳＳによる９分割ＨＭＭ ─────────────────────────────── 従来例の２５クラスタＨＭＭ ２５個の音素ＨＭＭ ───────────────────────────────────
【００１５】本実施形態においては、登録単語の音声認
識のために、２５個のコンテキスト非依存音素ＨＭＭ
（４状態・５混合）と無音ＨＭＭ（４状態・５混合）を
含む音素ＨＭＭ１１を用いた。この状態遷移図を図３に
示す。ここで、２５個のコンテキスト非依存音素ＨＭＭ
は音素＃１乃至音素＃２５で示されている。図３から分
かるように、無音及び各音素とも４状態で構成され、最
初の３状態は自己ループがあり、最後の１状態は自己ル
ープは無く出力のみである。
識のために、２５個のコンテキスト非依存音素ＨＭＭ
（４状態・５混合）と無音ＨＭＭ（４状態・５混合）を
含む音素ＨＭＭ１１を用いた。この状態遷移図を図３に
示す。ここで、２５個のコンテキスト非依存音素ＨＭＭ
は音素＃１乃至音素＃２５で示されている。図３から分
かるように、無音及び各音素とも４状態で構成され、最
初の３状態は自己ループがあり、最後の１状態は自己ル
ープは無く出力のみである。
【００１６】未登録語の検出のために、未登録語の処理
量を少なく抑えるために音素をいくつかのクラスタに分
けてクラスタリングし、このクラスタリングにより作成
した音響モデルを用いて未登録語を検出して認識する。
ここでは、音響モデルとして以下の３種類を考え、各々
のクラスタに従ったＨＭＭを用いて未登録語区間の検出
（認識）能力を比較すると共に、従来のタイプライタを
用いる方法との比較を行なった。 （１）本実施形態のガーベジＨＭＭ１２（図４参照）：
１８個の子音を１つのクラスタにクラスタリングしたガ
ーベジのＨＭＭ（４状態・５混合）と、音素＃１乃至音
素＃８で示されている８つの音素ＨＭＭ（４状態・５混
合）とを含む日本語の音節構造を考慮した、９つのクラ
スタモデルである。母音のＨＭＭは子音と比べて大量の
学習データを持ち比較的信頼性が高いことから、各５母
音（／ａ／，／ｉ／，／ｕ／，／ｅ／，／ｏ／）はそれ
ぞれ１つのクラスタにクラスタリングされて各１つの音
素ＨＭＭとし、また、子音の中でも特殊な拗音（「ゃ」
など）・促音（「っ」など）・撥音（「ん」など）の各
３子音はそれぞれ１つのクラスタにクラスタリングされ
て各１つの音素ＨＭＭとした。他の子音は全て１つのク
ラスタのガーベジＨＭＭとした。 （２）比較例１の１クラスタＨＭＭ（図５参照。）：す
べての音素を１つのクラスタにクラスタリングしたＨＭ
Ｍ（４状態・４５混合）であり、すべての音素を１つの
クラスタにクラスタリングしたクラスタ数が最小のＨＭ
Ｍである。 （３）比較例２の９クラスタＨＭＭ（図６参照。）：公
知の逐次状態分割法（ＳＳＳ）（例えば、従来文献３
「鷹見淳一ほか、“逐次状態分割法（ＳＳＳ）による隠
れマルコフネットワークの自動生成”，音響学会論文
集，２−５−２３，ｐｐ．７３−７４，１９９１年参
照。）により自動的に分割した９つのクラスタのＨＭＭ
（４状態・５混合）を含む。すべての音素を１つのクラ
スタにクラスタリングしたモデルを基にして逐次状態分
割法により自動的に分割した９つのクラスタモデルであ
る。
量を少なく抑えるために音素をいくつかのクラスタに分
けてクラスタリングし、このクラスタリングにより作成
した音響モデルを用いて未登録語を検出して認識する。
ここでは、音響モデルとして以下の３種類を考え、各々
のクラスタに従ったＨＭＭを用いて未登録語区間の検出
（認識）能力を比較すると共に、従来のタイプライタを
用いる方法との比較を行なった。 （１）本実施形態のガーベジＨＭＭ１２（図４参照）：
１８個の子音を１つのクラスタにクラスタリングしたガ
ーベジのＨＭＭ（４状態・５混合）と、音素＃１乃至音
素＃８で示されている８つの音素ＨＭＭ（４状態・５混
合）とを含む日本語の音節構造を考慮した、９つのクラ
スタモデルである。母音のＨＭＭは子音と比べて大量の
学習データを持ち比較的信頼性が高いことから、各５母
音（／ａ／，／ｉ／，／ｕ／，／ｅ／，／ｏ／）はそれ
ぞれ１つのクラスタにクラスタリングされて各１つの音
素ＨＭＭとし、また、子音の中でも特殊な拗音（「ゃ」
など）・促音（「っ」など）・撥音（「ん」など）の各
３子音はそれぞれ１つのクラスタにクラスタリングされ
て各１つの音素ＨＭＭとした。他の子音は全て１つのク
ラスタのガーベジＨＭＭとした。 （２）比較例１の１クラスタＨＭＭ（図５参照。）：す
べての音素を１つのクラスタにクラスタリングしたＨＭ
Ｍ（４状態・４５混合）であり、すべての音素を１つの
クラスタにクラスタリングしたクラスタ数が最小のＨＭ
Ｍである。 （３）比較例２の９クラスタＨＭＭ（図６参照。）：公
知の逐次状態分割法（ＳＳＳ）（例えば、従来文献３
「鷹見淳一ほか、“逐次状態分割法（ＳＳＳ）による隠
れマルコフネットワークの自動生成”，音響学会論文
集，２−５−２３，ｐｐ．７３−７４，１９９１年参
照。）により自動的に分割した９つのクラスタのＨＭＭ
（４状態・５混合）を含む。すべての音素を１つのクラ
スタにクラスタリングしたモデルを基にして逐次状態分
割法により自動的に分割した９つのクラスタモデルであ
る。
【００１７】なお、これら３種類のＨＭＭは比較のため
に総混合数を同一にし、各ＨＭＭとも無音のＨＭＭを含
んでいる。また、それぞれに含まれる各１つのＨＭＭと
も、４状態で構成され、最初の３状態は自己ループがあ
り、最後の１状態は自己ループは無く出力のみである。
に総混合数を同一にし、各ＨＭＭとも無音のＨＭＭを含
んでいる。また、それぞれに含まれる各１つのＨＭＭと
も、４状態で構成され、最初の３状態は自己ループがあ
り、最後の１状態は自己ループは無く出力のみである。
【００１８】本実施形態において、音素照合部４に接続
される音素ＨＭＭ１１及びガーベジＨＭＭ１２は、複数
の状態を含んで表され、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 ここで、出力確率密度関数は３４次元の対角共分散行列
をもつ混合ガウス分布である。
される音素ＨＭＭ１１及びガーベジＨＭＭ１２は、複数
の状態を含んで表され、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 ここで、出力確率密度関数は３４次元の対角共分散行列
をもつ混合ガウス分布である。
【００１９】次いで、上述の本実施形態の音素ＨＭＭ１
１及びガーベジＨＭＭ１２を用いた、ＨＭＭ−ＬＲ（le
ft-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。
１及びガーベジＨＭＭ１２を用いた、ＨＭＭ−ＬＲ（le
ft-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。
【００２０】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。
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。
【００２１】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、それぞれ例えばハードディスクに
格納された音素ＨＭＭ１１及びガーベジＨＭＭ１２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、前向きパスアルゴリズムを使用す
る。ここで、登録語の検出認識のために音素ＨＭＭ１１
が用いられる一方、未登録語の検出認識のためにガーベ
ジＨＭＭ１２が用いられる。
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、それぞれ例えばハードディスクに
格納された音素ＨＭＭ１１及びガーベジＨＭＭ１２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、前向きパスアルゴリズムを使用す
る。ここで、登録語の検出認識のために音素ＨＭＭ１１
が用いられる一方、未登録語の検出認識のためにガーベ
ジＨＭＭ１２が用いられる。
【００２２】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。なお、当該文脈自由文法（ＣＦ
Ｇ）においては、名詞部分については、未知語として検
出され、かつ作成したガーベジの並びで許されるような
自由文法を追加している。ＬＲパーザ５は、上記ＬＲテ
ーブルメモリ１３内のＬＲテーブルを参照して、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音素ＨＭＭ１１及びガーベジ
ＨＭＭ１２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う。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。
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。なお、当該文脈自由文法（ＣＦ
Ｇ）においては、名詞部分については、未知語として検
出され、かつ作成したガーベジの並びで許されるような
自由文法を追加している。ＬＲパーザ５は、上記ＬＲテ
ーブルメモリ１３内のＬＲテーブルを参照して、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音素ＨＭＭ１１及びガーベジ
ＨＭＭ１２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う。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。
【００２３】なお、本実施形態においては、登録された
単語（登録語）にもかかわらず、未登録語としてガーベ
ジＨＭＭ１２において検出されるおそれがあるので、例
えば、音素照合部４は、ガーベジＨＭＭ１２に基づいて
計算された未登録語区間の尤度に対して音素ＨＭＭ１１
に基づいて計算された登録語区間の尤度と比較して例え
ば０．９５などの１未満の重み係数を乗算してスコアを
計算してもよい。上記重み係数は、好ましくは、０．８
以上であって、１未満である。
単語（登録語）にもかかわらず、未登録語としてガーベ
ジＨＭＭ１２において検出されるおそれがあるので、例
えば、音素照合部４は、ガーベジＨＭＭ１２に基づいて
計算された未登録語区間の尤度に対して音素ＨＭＭ１１
に基づいて計算された登録語区間の尤度と比較して例え
ば０．９５などの１未満の重み係数を乗算してスコアを
計算してもよい。上記重み係数は、好ましくは、０．８
以上であって、１未満である。
【００２４】また、ガーベジＨＭＭ１２は、言語制約と
してクラスタの４−グラムを導入してしてもよい。この
クラスタの４−グラムには名詞のみを集めて学習したも
のを使用する。すなわち、ガーベジＨＭＭ１２の各パラ
メータは、多数の名詞のテキストデータに基づいて、当
該名詞のシンボルをクラスタに対応したシンボルに置き
換えて、各クラスタの連鎖を示す４−グラムで学習され
る。ここで、上記言語制約は、クラスタの少なくとも複
数Ｎ−グラムであってもよい。
してクラスタの４−グラムを導入してしてもよい。この
クラスタの４−グラムには名詞のみを集めて学習したも
のを使用する。すなわち、ガーベジＨＭＭ１２の各パラ
メータは、多数の名詞のテキストデータに基づいて、当
該名詞のシンボルをクラスタに対応したシンボルに置き
換えて、各クラスタの連鎖を示す４−グラムで学習され
る。ここで、上記言語制約は、クラスタの少なくとも複
数Ｎ−グラムであってもよい。
【００２５】
【実施例】本発明者は、本実施形態の音声認識装置の評
価を行うために、未登録語を含んだ文の音声認識につい
て以下のようにシミュレーションの実験を行った。当該
実験は、表２の条件でフレーム同期型ＨＭＭ−ＬＲによ
り行なった（例えば、従来文献４「Ｓｈｉｍｉｚｕ，
Ｔ．，Ｍｏｎｚｅｎ，Ｓ．，Ｍａｔｓｕｎａｇａ，Ｓ．
ａｎｄ Ｓｉｎｇｅｒ，Ｈ．，“Ｔｉｍｅ−ｓｙｎｃｈ
ｒｏｎｏｕｓ ｃｏｎｔｉｎｕｏｕｓ ｓｐｅｅｃｈ
ｒｅｃｏｇｎｉｚｅｒ ｄｒｉｖｅｎ ｂｙａｃｏｎｔ
ｅｘｔ−ｆｒｅｅ ｇｒａｍｍａｒ”，Ｐｒｏｃ．ＩＣ
ＡＳＳＰ９５，ｐｐ．５８４−５８７，１９９５年」参
照。）。音響モデルは、２６２０の単語発声のデータに
より学習したコンテキスト非依存のＨＭＭを使用する。
また、未登録語を含んだ文を意図的に作り出すために、
名詞部分に未登録語を許すルールを追加した文法を基に
して入力文中に出現する名詞のみ単語辞書中から削除し
た文法を各入力文毎に作成し、各入力文に応じた文法を
使用する。また、音響モデルとして使用するＨＭＭを上
記表１に示す。
価を行うために、未登録語を含んだ文の音声認識につい
て以下のようにシミュレーションの実験を行った。当該
実験は、表２の条件でフレーム同期型ＨＭＭ−ＬＲによ
り行なった（例えば、従来文献４「Ｓｈｉｍｉｚｕ，
Ｔ．，Ｍｏｎｚｅｎ，Ｓ．，Ｍａｔｓｕｎａｇａ，Ｓ．
ａｎｄ Ｓｉｎｇｅｒ，Ｈ．，“Ｔｉｍｅ−ｓｙｎｃｈ
ｒｏｎｏｕｓ ｃｏｎｔｉｎｕｏｕｓ ｓｐｅｅｃｈ
ｒｅｃｏｇｎｉｚｅｒ ｄｒｉｖｅｎ ｂｙａｃｏｎｔ
ｅｘｔ−ｆｒｅｅ ｇｒａｍｍａｒ”，Ｐｒｏｃ．ＩＣ
ＡＳＳＰ９５，ｐｐ．５８４−５８７，１９９５年」参
照。）。音響モデルは、２６２０の単語発声のデータに
より学習したコンテキスト非依存のＨＭＭを使用する。
また、未登録語を含んだ文を意図的に作り出すために、
名詞部分に未登録語を許すルールを追加した文法を基に
して入力文中に出現する名詞のみ単語辞書中から削除し
た文法を各入力文毎に作成し、各入力文に応じた文法を
使用する。また、音響モデルとして使用するＨＭＭを上
記表１に示す。
【００２６】
【表２】 実験条件 ───────────────────────────── 音響モデル コンテキスト非依存ＨＭＭ ───────────────────────────── 音響パラメータ ログパワー＋１６次ＬＰＣケプストラム ＋Δログパワー＋１６次Δケプストラム ───────────────────────────── 使用文法 国際会議予約（語彙数：４５４） ───────────────────────────── ビーム幅 ３０００ ───────────────────────────── 適応データ 男女各３名による ５０単語 ───────────────────────────── 評価データ 各話者 ５２文（３６３単語） ─────────────────────────────
【００２７】表２の４種類のクラスタＨＭＭをそれぞれ
未登録語区間で用いた場合の未登録語検出能力の比較実
験を行なった。また、未登録語処理では、任意の連鎖を
許す制約の弱い未登録語区間に対して何らかのペナルテ
ィを与えて、登録単語のスコアと比較する方法が一般に
知られている。今回の実験では、未登録語区間のスコア
に対して０．９５の重み係数ｗ2を乗算したもの、およ
び、言語制約としてクラスタの４−グラムを導入したも
のの実験も行なった。このクラスタ４−グラムには、名
詞のみ（全名詞数５８，８９６；異り名詞数５，０７
２）を集めて学習したものを使用する。以下、実験の評
価は、単語認識の正確さを示す、次の数１によるワード
アキュラシーで行なった。
未登録語区間で用いた場合の未登録語検出能力の比較実
験を行なった。また、未登録語処理では、任意の連鎖を
許す制約の弱い未登録語区間に対して何らかのペナルテ
ィを与えて、登録単語のスコアと比較する方法が一般に
知られている。今回の実験では、未登録語区間のスコア
に対して０．９５の重み係数ｗ2を乗算したもの、およ
び、言語制約としてクラスタの４−グラムを導入したも
のの実験も行なった。このクラスタ４−グラムには、名
詞のみ（全名詞数５８，８９６；異り名詞数５，０７
２）を集めて学習したものを使用する。以下、実験の評
価は、単語認識の正確さを示す、次の数１によるワード
アキュラシーで行なった。
【００２８】
【数１】ワードアキュラシー＝｛（Ｍ−Ｉ−Ｄ−Ｓ）／
Ｍ｝×１００（％）
Ｍ｝×１００（％）
【００２９】ここで、Ｍは評価文の総単語数、Ｉは挿入
誤り、Ｄは削除誤り、Ｓは認識誤りの数を表わす。ま
た、未登録語区間に未登録語系列が現れた場合は、正解
としてカウントした。さらに、未登録語のスコアＳｕを
次の数２で表わす。
誤り、Ｄは削除誤り、Ｓは認識誤りの数を表わす。ま
た、未登録語区間に未登録語系列が現れた場合は、正解
としてカウントした。さらに、未登録語のスコアＳｕを
次の数２で表わす。
【００３０】
【数２】Ｓｕ＝ｗ2×｛Ｌcl＋ｗ1×ｌｏｇ（Ｐl）｝
【００３１】ここで、ＬclはガーベジＨＭＭ１２又は音
素ＨＭＭ１１によって検出された未登録語の尤度であ
り、Ｐlは未登録語のガーベジクラスタのＮ−グラムの
確率である。また、重み係数ｗ2＝１．０又は０．９５
とし、重み係数ｗ1＝０とした。ただし、４−グラムの
言語モデルについては、重み係数ｗ1＝１．０とし、重
み係数ｗ2＝１．０とした。表３に実験結果を示す。
素ＨＭＭ１１によって検出された未登録語の尤度であ
り、Ｐlは未登録語のガーベジクラスタのＮ−グラムの
確率である。また、重み係数ｗ2＝１．０又は０．９５
とし、重み係数ｗ1＝０とした。ただし、４−グラムの
言語モデルについては、重み係数ｗ1＝１．０とし、重
み係数ｗ2＝１．０とした。表３に実験結果を示す。
【００３２】
【表３】 特定話者（ＭＡＵ）のワードアキュラシー（％） ─────────────────────────────────── 重み係数ｗ2 言語モデル 処理時間 1.0 0.95 ４−グラム の比 ─────────────────────────────────── 実施形態のガーベジＨＭＭ１２ ４５ ６５ ７１ ０．４４ ─────────────────────────────────── 比較例１の１クラスタＨＭＭ ３５ ５７ − ０．１８ ─────────────────────────────────── 比較例２の９クラスタＨＭＭ ４１ ６４ ６９ ０．５８ ─────────────────────────────────── 従来例の２５クラスタＨＭＭ ３１ ５１ ７１ １ ─────────────────────────────────── 未知語の処理なし ５９ ───────────────────────────────────
【００３３】未登録語区間のスコアに対する重み係数ｗ
2は、使用するＨＭＭ毎に最適値が異なると考えられる
が、表３から明らかなように、クラスタＨＭＭのスコア
にペナルティを与えると未登録語処理なしのワードアキ
ュラシーを上回る。また、ｗ2＝１．０の場合に比較的
低いワードアキュラシーとなっているのは、未登録語系
列のスコアが高過ぎるために登録単語も含んで未登録語
区間として認識し、削除誤りが多く発生しているためと
考えられる。従って、重み係数ｗ2を設定することによ
り、ワードアキュラシーが改善されていることはわか
る。
2は、使用するＨＭＭ毎に最適値が異なると考えられる
が、表３から明らかなように、クラスタＨＭＭのスコア
にペナルティを与えると未登録語処理なしのワードアキ
ュラシーを上回る。また、ｗ2＝１．０の場合に比較的
低いワードアキュラシーとなっているのは、未登録語系
列のスコアが高過ぎるために登録単語も含んで未登録語
区間として認識し、削除誤りが多く発生しているためと
考えられる。従って、重み係数ｗ2を設定することによ
り、ワードアキュラシーが改善されていることはわか
る。
【００３４】一方、言語モデルを用いた場合のクラスタ
ＨＭＭは、それぞれ４−グラムの種類数（実施形態のガ
ーベジＨＭＭ１２：１，１０７；比較例２の９クラスタ
ＨＭＭ：１，９１３；従来例の２５クラスタＨＭＭ：
９，１８３で、容量にほぼ対応する。）が異ることから
単純に比較できないが、少なくとも音素タイプライタと
同等のワードアキュラシーを達成し、処理時間もほぼ５
０％の削減を実現している。以上のことから、未登録語
の検出のために本実施形態のガーベジＨＭＭ１２を用い
る方法が処理量削減に有効であることが分かる。
ＨＭＭは、それぞれ４−グラムの種類数（実施形態のガ
ーベジＨＭＭ１２：１，１０７；比較例２の９クラスタ
ＨＭＭ：１，９１３；従来例の２５クラスタＨＭＭ：
９，１８３で、容量にほぼ対応する。）が異ることから
単純に比較できないが、少なくとも音素タイプライタと
同等のワードアキュラシーを達成し、処理時間もほぼ５
０％の削減を実現している。以上のことから、未登録語
の検出のために本実施形態のガーベジＨＭＭ１２を用い
る方法が処理量削減に有効であることが分かる。
【００３５】次に、話者適応を行なった音響モデルを用
いて男女各３名についても実験を行なった。音響モデル
は、男性話者（ＭＨＴ）のモデルを男性３名に、女性話
者（ＦＹＭ）のモデルを女性３名に、それぞれ５０単語
の発声を用いて移動ベクトル場平滑化方式（ＶＦＳ）に
より話者適応を施したものを用いた。また、クラスタの
４−グラムも制約として用いた。この結果を表４に示
す。
いて男女各３名についても実験を行なった。音響モデル
は、男性話者（ＭＨＴ）のモデルを男性３名に、女性話
者（ＦＹＭ）のモデルを女性３名に、それぞれ５０単語
の発声を用いて移動ベクトル場平滑化方式（ＶＦＳ）に
より話者適応を施したものを用いた。また、クラスタの
４−グラムも制約として用いた。この結果を表４に示
す。
【００３６】
【表４】 話者適応による男女各３名のワードアキュラシー（％） ─────────────────────────────────── ６話者の平均値 話者ＭＡＵの 処理時間の比 ─────────────────────────────────── 実施形態の音素ＨＭＭ＋４−グラム ５０ ０．５１ ─────────────────────────────────── 比較例２の９クラスタＨＭＭ＋４−グラム ５１ ０．５１ ─────────────────────────────────── 従来例の２５クラスタＨＭＭ＋４−グラム ５１ １ ─────────────────────────────────── 未知語の処理なし ４０ − ───────────────────────────────────
【００３７】表４から、話者適応を行なったモデルでも
特定話者と同じ傾向の結果が得られた。クラスタＨＭＭ
においてＳＳＳにより分割するモデルは、話者毎にそれ
ぞれ別の適切なクラスタを持つと考えられる。つまり、
クラスタＨＭＭを話者適応して使用する方法をとると、
認識対象の話者のクラスタではなく適応前の話者のクラ
スタ構成となってしまう。これは、話者によっては検出
精度を低下させる危険がある。一方、日本語の音節構造
に従ったクラスタは、話者に依存しないという点では有
利といえる。
特定話者と同じ傾向の結果が得られた。クラスタＨＭＭ
においてＳＳＳにより分割するモデルは、話者毎にそれ
ぞれ別の適切なクラスタを持つと考えられる。つまり、
クラスタＨＭＭを話者適応して使用する方法をとると、
認識対象の話者のクラスタではなく適応前の話者のクラ
スタ構成となってしまう。これは、話者によっては検出
精度を低下させる危険がある。一方、日本語の音節構造
に従ったクラスタは、話者に依存しないという点では有
利といえる。
【００３８】以上説明したように、未登録語の区間を検
出するために、日本語の音節構造に従った音素のクラス
タＨＭＭであるガーベジＨＭＭ１２を用いる方法を発明
した。この方法は、従来例の音素タイプライタを用いる
方法と比較して、処理量を約５０％削減しながらほぼ同
等のワードアキュラシーが獲得できることから処理量を
抑えた未登録語検出に有効であることが確かめられた。
従って、処理量を削減できるために、連続音声認識にお
ける処理時間を大幅に短縮することができる。また、未
登録語区間に対してクラスタＮ−グラムを使用すること
が有効であり、従来例に比較して処理量を削減しかつワ
ードアキュラシーを改善することができる。
出するために、日本語の音節構造に従った音素のクラス
タＨＭＭであるガーベジＨＭＭ１２を用いる方法を発明
した。この方法は、従来例の音素タイプライタを用いる
方法と比較して、処理量を約５０％削減しながらほぼ同
等のワードアキュラシーが獲得できることから処理量を
抑えた未登録語検出に有効であることが確かめられた。
従って、処理量を削減できるために、連続音声認識にお
ける処理時間を大幅に短縮することができる。また、未
登録語区間に対してクラスタＮ−グラムを使用すること
が有効であり、従来例に比較して処理量を削減しかつワ
ードアキュラシーを改善することができる。
【００３９】以上の実施形態において、音素照合部４及
びＬＲパーザ５は、例えばディジタル電子計算機で構成
される。
びＬＲパーザ５は、例えばディジタル電子計算機で構成
される。
【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記載の音声認識装置によれば、入力された発声音声文
の音声信号に基づいて、所定の隠れマルコフモデルを用
いて音声認識して音声認識結果を出力する音声認識手段
を備えた音声認識装置において、上記隠れマルコフモデ
ルは、音素を複数のクラスタに分割して作成され、予め
登録されていない未登録語を認識するための音響モデル
を含む。請求項２記載の音声認識装置においては、特
に、上記隠れマルコフモデルは、２５個の音素と無音に
関する音響モデルであって、予め登録されている登録語
を認識するための音素隠れマルコフモデルと、予め登録
されていない未登録語を認識するための音響モデルであ
るガーベジ隠れマルコフモデルとを含み、上記ガーベジ
隠れマルコフモデルは、１８個の子音を１つのクラスタ
にクラスタリングされたガーベジの１個の隠れマルコフ
モデルと、５個の母音をそれぞれ１つのクラスタにクラ
スタリングされた５個の隠れマルコフモデルと、拗音、
促音及び撥音の各３子音をそれぞれ１つのクラスタにク
ラスタリングされた３個の隠れマルコフモデルとを含
む。従って、従来例に比較して少ない処理量で未登録語
の音声認識のために処理を行うことができ、しかも比較
的高い音声認識率を得ることができる。また、処理量を
削減できるために、連続音声認識における処理時間を大
幅に短縮することができる。
１記載の音声認識装置によれば、入力された発声音声文
の音声信号に基づいて、所定の隠れマルコフモデルを用
いて音声認識して音声認識結果を出力する音声認識手段
を備えた音声認識装置において、上記隠れマルコフモデ
ルは、音素を複数のクラスタに分割して作成され、予め
登録されていない未登録語を認識するための音響モデル
を含む。請求項２記載の音声認識装置においては、特
に、上記隠れマルコフモデルは、２５個の音素と無音に
関する音響モデルであって、予め登録されている登録語
を認識するための音素隠れマルコフモデルと、予め登録
されていない未登録語を認識するための音響モデルであ
るガーベジ隠れマルコフモデルとを含み、上記ガーベジ
隠れマルコフモデルは、１８個の子音を１つのクラスタ
にクラスタリングされたガーベジの１個の隠れマルコフ
モデルと、５個の母音をそれぞれ１つのクラスタにクラ
スタリングされた５個の隠れマルコフモデルと、拗音、
促音及び撥音の各３子音をそれぞれ１つのクラスタにク
ラスタリングされた３個の隠れマルコフモデルとを含
む。従って、従来例に比較して少ない処理量で未登録語
の音声認識のために処理を行うことができ、しかも比較
的高い音声認識率を得ることができる。また、処理量を
削減できるために、連続音声認識における処理時間を大
幅に短縮することができる。
【００４１】また、請求項３記載の音声認識装置におい
ては、上記音声認識手段は、上記ガーベジ隠れマルコフ
モデルに基づいて計算された未登録語の尤度に対して上
記音素隠れマルコフモデルに基づいて計算された登録語
の尤度と比較して所定の重み係数を乗算して音声認識結
果のスコアを計算し、上記重み係数は、０．８以上であ
って、１未満である。これによって、登録語にかかわら
ず、未登録語として認識されることを防止し、全体とし
ての音声認識率を改善することができる。
ては、上記音声認識手段は、上記ガーベジ隠れマルコフ
モデルに基づいて計算された未登録語の尤度に対して上
記音素隠れマルコフモデルに基づいて計算された登録語
の尤度と比較して所定の重み係数を乗算して音声認識結
果のスコアを計算し、上記重み係数は、０．８以上であ
って、１未満である。これによって、登録語にかかわら
ず、未登録語として認識されることを防止し、全体とし
ての音声認識率を改善することができる。
【００４２】さらに、請求項４記載の音声認識装置にお
いては、上記ガーベジ隠れマルコフモデルは、複数の名
詞のテキストデータに基づいて、当該名詞のテキストデ
ータのシンボルをクラスタに対応したシンボルに置き換
えて、各クラスタの連鎖を示す４−グラムで学習され
た。これによって、さらに高い音声認識率を得ることが
できる。
いては、上記ガーベジ隠れマルコフモデルは、複数の名
詞のテキストデータに基づいて、当該名詞のテキストデ
ータのシンボルをクラスタに対応したシンボルに置き換
えて、各クラスタの連鎖を示す４−グラムで学習され
た。これによって、さらに高い音声認識率を得ることが
できる。
【図１】 本発明に係る一実施形態である音声認識装置
のブロック図である。
のブロック図である。
【図２】 未登録語の出現傾向を示す登録語彙数に対す
る未登録語の比率のグラフである。
る未登録語の比率のグラフである。
【図３】 図１の実施形態において用いる音素ＨＭＭ１
１の構造を示す状態遷移図である。
１の構造を示す状態遷移図である。
【図４】 図１の実施形態において用いるガーベジＨＭ
Ｍ１２の構造を示す状態遷移図である。
Ｍ１２の構造を示す状態遷移図である。
【図５】 比較例の１クラスタＨＭＭの構造を示す状態
遷移図である。
遷移図である。
【図６】 比較例の９クラスタＨＭＭの構造を示す状態
遷移図である。
遷移図である。
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…音素ＨＭＭ、 １２…ガーベジＨＭＭ、 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。
Claims (4)
- 【請求項１】 入力された発声音声文の音声信号に基づ
いて、所定の隠れマルコフモデルを用いて音声認識して
音声認識結果を出力する音声認識手段を備えた音声認識
装置において、 上記隠れマルコフモデルは、音素を複数のクラスタに分
割して作成され、予め登録されていない未登録語を認識
するための音響モデルを含むことを特徴とする音声認識
装置。 - 【請求項２】 上記隠れマルコフモデルは、 ２５個の音素と無音に関する音響モデルであって、予め
登録されている登録語を認識するための音素隠れマルコ
フモデルと、 予め登録されていない未登録語を認識するための音響モ
デルであるガーベジ隠れマルコフモデルとを含み、 上記ガーベジ隠れマルコフモデルは、 １８個の子音を１つのクラスタにクラスタリングされた
ガーベジの１個の隠れマルコフモデルと、 ５個の母音をそれぞれ１つのクラスタにクラスタリング
された５個の隠れマルコフモデルと、 拗音、促音及び撥音の各３子音をそれぞれ１つのクラス
タにクラスタリングされた３個の隠れマルコフモデルと
を含むことを特徴とする請求項１記載の音声認識装置。 - 【請求項３】 上記音声認識手段は、 上記ガーベジ隠れマルコフモデルに基づいて計算された
未登録語の尤度に対して上記音素隠れマルコフモデルに
基づいて計算された登録語の尤度と比較して所定の重み
係数を乗算して音声認識結果のスコアを計算し、 上記重み係数は、０．８以上であって、１未満であるこ
とを特徴とする請求項２記載の音声認識装置。 - 【請求項４】 上記ガーベジ隠れマルコフモデルは、複
数の名詞のテキストデータに基づいて、当該名詞のテキ
ストデータのシンボルをクラスタに対応したシンボルに
置き換えて、各クラスタの連鎖を示す複数Ｎ−グラムで
学習されたことを特徴とする請求項２又は３記載の音声
認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7232434A JP2886117B2 (ja) | 1995-09-11 | 1995-09-11 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7232434A JP2886117B2 (ja) | 1995-09-11 | 1995-09-11 | 音声認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0981181A true JPH0981181A (ja) | 1997-03-28 |
| JP2886117B2 JP2886117B2 (ja) | 1999-04-26 |
Family
ID=16939207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7232434A Expired - Fee Related JP2886117B2 (ja) | 1995-09-11 | 1995-09-11 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2886117B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002150204A (ja) * | 2000-06-02 | 2002-05-24 | Mitsubishi Electric Research Laboratories Inc | システムの状態の確率を決定する方法 |
| WO2005122144A1 (ja) * | 2004-06-10 | 2005-12-22 | Matsushita Electric Industrial Co., Ltd. | 音声認識装置、音声認識方法、及びプログラム |
| US7260527B2 (en) | 2001-12-28 | 2007-08-21 | Kabushiki Kaisha Toshiba | Speech recognizing apparatus and speech recognizing method |
| JP2009104156A (ja) * | 2001-12-17 | 2009-05-14 | Asahi Kasei Homes Kk | 電話通信端末 |
| US7653541B2 (en) | 2002-11-21 | 2010-01-26 | Sony Corporation | Speech processing device and method, and program for recognition of out-of-vocabulary words in continuous speech |
| JP2013232017A (ja) * | 2006-04-03 | 2013-11-14 | Vocollect Inc | 音声認識システムのパフォーマンスを評価および改善するための方法およびシステム |
| CN106653022A (zh) * | 2016-12-29 | 2017-05-10 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音唤醒方法和装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3459712B2 (ja) | 1995-11-01 | 2003-10-27 | キヤノン株式会社 | 音声認識方法及び装置及びコンピュータ制御装置 |
-
1995
- 1995-09-11 JP JP7232434A patent/JP2886117B2/ja not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002150204A (ja) * | 2000-06-02 | 2002-05-24 | Mitsubishi Electric Research Laboratories Inc | システムの状態の確率を決定する方法 |
| JP2009104156A (ja) * | 2001-12-17 | 2009-05-14 | Asahi Kasei Homes Kk | 電話通信端末 |
| US7260527B2 (en) | 2001-12-28 | 2007-08-21 | Kabushiki Kaisha Toshiba | Speech recognizing apparatus and speech recognizing method |
| US7653541B2 (en) | 2002-11-21 | 2010-01-26 | Sony Corporation | Speech processing device and method, and program for recognition of out-of-vocabulary words in continuous speech |
| WO2005122144A1 (ja) * | 2004-06-10 | 2005-12-22 | Matsushita Electric Industrial Co., Ltd. | 音声認識装置、音声認識方法、及びプログラム |
| JP2013232017A (ja) * | 2006-04-03 | 2013-11-14 | Vocollect Inc | 音声認識システムのパフォーマンスを評価および改善するための方法およびシステム |
| CN106653022A (zh) * | 2016-12-29 | 2017-05-10 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音唤醒方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2886117B2 (ja) | 1999-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zissman et al. | Automatic language identification | |
| Seymore et al. | The 1997 CMU Sphinx-3 English broadcast news transcription system | |
| US5878390A (en) | Speech recognition apparatus equipped with means for removing erroneous candidate of speech recognition | |
| Young et al. | Multilingual large vocabulary speech recognition: the European SQALE project | |
| Lee et al. | Improved acoustic modeling for large vocabulary continuous speech recognition | |
| Nanjo et al. | Language model and speaking rate adaptation for spontaneous presentation speech recognition | |
| Stouten et al. | Coping with disfluencies in spontaneous speech recognition: Acoustic detection and linguistic context manipulation | |
| US5819221A (en) | Speech recognition using clustered between word and/or phrase coarticulation | |
| Kubala et al. | Comparative experiments on large vocabulary speech recognition | |
| Ali | Multi-dialect Arabic speech recognition | |
| JP2886117B2 (ja) | 音声認識装置 | |
| Finke et al. | Modeling and efficient decoding of large vocabulary conversational speech. | |
| Hieronymus et al. | Robust spoken language identification using large vocabulary speech recognition | |
| Zhang et al. | Improved context-dependent acoustic modeling for continuous Chinese speech recognition | |
| Ney et al. | Dynamic programming search strategies: From digit strings to large vocabulary word graphs | |
| JP2871557B2 (ja) | 音声認識装置 | |
| Szöke et al. | Spoken term detection system based on combination of LVCSR and phonetic search | |
| JPH08123470A (ja) | 音声認識装置 | |
| Chen et al. | Large vocabulary word recognition based on tree-trellis search | |
| JP2880436B2 (ja) | 音声認識装置 | |
| Hwang et al. | Building a highly accurate Mandarin speech recognizer with language-independent technologies and language-dependent modules | |
| JP2905686B2 (ja) | 音声認識装置 | |
| JPH1097275A (ja) | 大語彙音声認識装置 | |
| Nakagawa et al. | The syntax-oriented speech understanding system-SPOJUS-SYNO. | |
| JP2999727B2 (ja) | 音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080212 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110212 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120212 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130212 Year of fee payment: 14 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140212 Year of fee payment: 15 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |