JPH11249688A - 音声認識装置およびその方法 - Google Patents

Abstract

(57)【要約】 【課題】 統計的知識に基づくリジェクトの判定可能な
音声認識装置を得る。 【解決手段】 手段６で入力音声の特徴ベクトルの時系
列４と標準パタンモデル５を照合して認識結果の音素記
号列８を求め、手段１５で時系列４と音素記号列８を構
成する音素とを時間軸上で対応付けた音素セグメンテー
ション結果１６を求め、手段１７で結果１６の各音素区
間毎に全ての音素モデル１４と照合を行ない、各音素区
間の当該音素モデルの尤度、およびこの尤度と当該音素
モデル以外での尤度の最高値との差分で構成される信頼
度パラメータ１８を計算する。そして手段２１で正しい
および誤った音素区間に対する前記信頼度パラメータの
統計分布をモデル化したモデル１９、２０で前記認識結
果の音素記号列を構成する各音素の信頼度を算出し統合
して前記認識結果の音素記号列全体の信頼度を求め、所
定の閾値と前記音素記号列全体の信頼度の比較よりリジ
ェクト判定。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声装置が自動的に
認識結果の候補は誤りであると判定した場合には、認識
結果の候補を外部には出力しないようにする機能を備え
た音声認識装置およびその方法に係わるものである。

【０００２】

【従来の技術】現在の音声認識技術では常に１００％の
認識率が得られるわけではないので、通常の音声認識装
置は、認識処理を行ない認識結果の候補を決定した後、
その認識結果の候補が認識誤りであるか否かを判定する
手段を持っており、認識結果の候補は誤りであると判定
した場合には、認識結果の候補を外部には出力しないよ
うになっている。このように認識結果を出力しない動作
はリジェクトと呼ばれている。リジェクトするか否かの
判定は、予めリジェクト判定用のパラメータと閾値を決
めておき、認識結果の候補に対するパラメータと閾値と
の比較によってなされるのが普通である。

【０００３】使い易い音声認識装置を提供するために
は、雑音や意図しない音声入力に対しては極力リジェク
トするようにし、正しく認識された候補に対してはリジ
ェクトを小さく抑えることが重要であり、従来からリジ
ェクト判定用のパラメータと閾値設定方法がいくつか検
討されている。

【０００４】ここでは特開平９−２１２１８９号公報に
開示されている音声認識装置を例に挙げて、従来技術に
ついて説明する。本例ではリジェクト判定用のパラメー
タとして、(１)認識結果の第１候補の尤度、(２)第１候
補と第２候補との尤度差、の２種類を用いている。閾値
の設定方法としては、第１侯補の尤度の関数として、第
１と第２候補との尤度差に対するリジェクト閾値を決定
する方法を取っている。このようにリジェクト閾値を決
定することにより、雑音や意図しない音声入力は極力リ
ジェクトするようにし、正しく認識された候補に対して
はリジェクトを小さく抑えることを試みている。

【０００５】図４は特開平９−２１２１８９号公報で開
示されている技術で単語音声認識装置を構成した場合の
一例である。図４において、１は音声信号の入力端、２
は入力音声信号、３は音響分析を行う分析手段、４は入
力音声の特徴ベクトルの時系列、５は認識対象とする各
単語の音声をモデル化した標準パタンモデル、６は入力
音声の特徴ベクトルの時系列４と標準パタンモデル５と
の照合を行う照合手段、７は認識結果の第１候補と第２
候補のそれぞれの尤度、８は認識結果の音素記号列、９
はリジェクト閾値を決定するために用いる閾値基準関
数、１０は閾値基準関数９を参照してリジェクトするか
否かを決定するリジェクト手段、１１はリジェクト信
号、１２は認識結果を出力する結果出力手段、１３は認
識結果である。

【０００６】本例では分析手段３はＬＰＣ(線形予測)分
析を行なうこととし、特徴ベクトルの時系列４はＬＰＣ
ケプストラムの時系列とする。標準パタンモデル５は例
えばＨＭＭ(Ｈidden Ｍarkov Ｍodel、隠れマルコフモ
デル)を用い、本例では照合手段６における、照合すな
わちパタンマッチングには例えばビタビアルゴリズムを
用いる。

【０００７】つぎに動作について説明する。発声者が音
声信号の入力端１から音声を入力すると、分析手段３は
音響分析を行い特徴ベクトルの時系列４に変換する。

【０００８】照合手段６は特徴ベクトルの時系列４を入
力としてビタビアルゴリズムによって標準パタンモデル
５との照合を行ない、尤度が最も高い標準パタンモデル
がモデル化する単語を認識結果の第１候補とし、尤度が
２番目に高い標準パタンモデルがモデル化する単語を認
識結果の第２候補として、認識結果の第１侯補の尤度ｐ
₁と第２候補の尤度ｐ₂をリジェクト手段１０へ出力す
る。また照合手段６は認識結果の第１侯補を結果出力手
段１２へ出力する。

【０００９】リジェクト手段１０は照合手段６の出力で
ある、第１候補の尤度ｐ₁と第２候補の尤度ｐ₂を入力と
して、まず第１候補の尤度ｐ₁と予め設定した閾値Ｐを
比較する。そして第１侯補の尤度ｐ₁が閾値Ｐ未満であ
ればリジェクトすることを決定し、リジェクト信号１１
の値として１を出力する。ここでリジェクト信号１１の
値である１はリジェクトすることを意味するものとす
る。

【００１０】一方、第１侯補の尤度ｐ₁が閾値Ｐ以上で
あれば、閾値基準関数９を参照して第１候補と第２候補
の尤度差に対するリジェクト閾値を算出する。閾値基準
関数９は例えば図５に示すように、第１候補の尤度が高
くなるにつれて第１候補と第２候補の尤度差に対するリ
ジェクト閾値が低くなる関数を用いる。例えば、図５お
いて第１侯補の尤度がｐ₁(≧Ｐ)のとき、第１候補と第
２候補の尤度差に対するリジェクト閾値はｆ(ｐ₁)とな
る。上記のように決定されたリジェクト閾値ｆ(ｐ₁)
と、第１侯補と第２候補の尤度差であるｐ₁−ｐ₂が上記
のように決定されたリジェクト閾値ｆ(ｐ₁)未満である
場合には、リジェクトすることを決定し、リジェクト信
号１１の値として１を出力する。

【００１１】第１侯補と第２候補の尤度差であるｐ₁−
ｐ₂がリジェクト閾値ｆ(ｐ₁)以上である場合には、リジ
ェクトしないことを決定し、リジェクト信号１１の値と
して０を出力する。ここでリジェクト信号１１の値であ
る０はリジェクトしないことを意味するものとする。

【００１２】結果出力手段１２は、認識結果の音素記号
列８とリジェクト信号１１を入力として、リジェクト信
号１１の値がリジェクトしないことを意味する０であれ
ば、認識結果の音素記号列８を認識結果１３として出力
する。一方、リジェクト信号１１の値がリジェクトする
ことを意味する１であれば、リジェクトを意味する記号
であるФを認識結果１３として出力する。

【００１３】

【発明が解決しようとする課題】以上説明したような従
来の音声認識装置に関する技術では、第１侯補の尤度ｐ
₁が高くなるに従って第１侯補が正認識である確率が高
くなるという仮定のもとに、第１候補と第２候補の尤度
差に対する閾値を低く設定することによって正認識され
た候補がリジエクトされにくくするようにしていた。逆
に第１候補の尤度ｐ₁が低くなるに従って、第１候補と
第２候補の尤度差に対する閾値を高く設定することによ
って、誤認識された候補をリジェクトしやすくしてい
た。

【００１４】しかし認識対象とする単語が異なれば、第
１候補の認識結果が正しい場合でも第１侯補の尤度や第
２候補との尤度差は異なってくるので、従来のように認
識対象とする全ての単語で共通の閾値基準関数を用いる
のでは、認識対象とする単語毎にリジェクト精度がばら
つくという問題点があった。また第１候補の尤度ｐ₁が
高くなるに従って正認識である確率が高くなるという保
証はないという問題点があった。

【００１５】本発明は上記の課題を解決するためになさ
れたもので、認識対象とする単語毎のリジェクト精度の
ばらつきを低減するとともに、経験的な閾値基準関数を
導入することなく統計的知識に基づいたリジェクトの判
定が可能な音声認識装置およびその方法を提供すること
を目的とする。

【００１６】

【課題を解決するための手段】上記の目的に鑑み、本発
明は、入力音声信号を音響分析して特徴ベクトルの時系
列を出力する分析手段と、認識対象とする音声をモデル
化した標準パタンモデルと、前記入力音声の特徴ベクト
ルの時系列と標準パタンモデルとの照合を行い、認識結
果の音素記号列を出力する照合手段と、全ての音素をモ
デル化した音素モデルと、前記入力音声の特徴ベクトル
の時系列と前記認識結果の音素記号列を構成する音素と
を時間軸上で対応付けた音素セグメンテーション結果を
出力するセグメンテーション手段と、前記音素セグメン
テーション結果の各音素区間ごとに前記全ての音素モデ
ルと照合を行ない、(ａ)各音素区間の当該音素モデルの
尤度、(ｂ)前記当該音素モデルの尤度と当該音素モデル
以外での尤度の最高値との差分、とで構成される信頼度
パラメータを計算して出力する信頼度パラメータ計算手
段と、正しい音素区間に対する前記信頼度パラメータの
統計分布をモデル化した正解音素区間尤度統計モデル
と、誤った音素区間に対する前記信頼度パラメータの統
計分布をモデル化した不正解音素区間尤度統計モデル
と、前記信頼度パラメータ計算手段の出力である認識結
果の音素記号列の信頼度パラメータを入力として各音素
区間毎に前記正解音素区間尤度統計モデルと不正解音素
区間尤度統計モデルとの尤度差を求めて各音素区間の信
頼度を算出し、前記各音素の信頼度の和をとることによ
って前記認識結果の音素記号列全体の信頼度を求め、予
め設定された閾値と前記音素記号列全体の信頼度との比
較によってリジェクトを行なう検証手段と、この検証手
段によって前記認識結果の音素記号列がリジェクトされ
なかった場合に前記認識結果の音素記号列を出力する結
果出力手段と、を備えたことを特徴とする音声認識装置
にある。

【００１７】またこの発明は、前記検証手段において、
前記各音素の信頼度の和をとる際に前記正解音素区間尤
度統計モデルと不正解音素区間尤度統計モデルとの尤度
差が正の値の音素では、前記尤度差の値を０に置き換え
て和をとることを特徴とする音声認識装置にある。

【００１８】またこの発明は、前記検証手段において、
前記認識結果の音素記号列全体の信頼度として、前記認
識結果の音素記号列を構成する各音素の信頼度の和をと
った後に、前記認識結果の音素記号列を構成する音素の
数で除した値とすることを特徴とする音声認識装置にあ
る。

【００１９】またこの発明は、入力音声信号を音響分析
して特徴ベクトルの時系列を出力する分析ステップと、
前記入力音声の特徴ベクトルの時系列と認識対象とする
音声をモデル化した標準パタンモデルとの照合を行い、
認識結果の音素記号列を出力する照合ステップと、前記
入力音声の特徴ベクトルの時系列と前記認識結果の音素
記号列を構成する音素とを時間軸上で対応付けた音素セ
グメンテーション結果を出力するセグメンテーションス
テップと、前記音素セグメンテーション結果の各音素区
間ごとに全ての音素をモデル化した音素モデルと照合を
行ない、(ａ)各音素区間の当該音素モデルの尤度、(ｂ)
前記当該音素モデルの尤度と当該音素モデル以外での尤
度の最高値との差分、とで構成される信頼度パラメータ
を計算して出力する信頼度パラメータ計算ステップと、
前記信頼度パラメータ計算ステップの出力である認識結
果の音素記号列の信頼度パラメータを入力として各音素
区間毎に正しい音素区間に対する前記信頼度パラメータ
の統計分布をモデル化した正解音素区間尤度統計モデル
と、誤った音素区間に対する前記信頼度パラメータの統
計分布をモデル化した不正解音素区間尤度統計モデルと
の尤度差を求めて各音素区間の信頼度を算出し、前記各
音素の信頼度の和をとることによって前記認識結果の音
素記号列全体の信頼度を求め、予め設定された閾値と前
記音素記号列全体の信頼度との比較によってリジェクト
を行なう検証ステップと、この検証ステップによって前
記認識結果の音素記号列がリジェクトされなかった場合
に前記認識結果の音素記号列を出力する結果出力ステッ
プと、を備えたことを特徴とする音声認識方法にある。

【００２０】またこの発明は、前記検証ステップにおい
て、前記各音素の信頼度の和をとる際に前記正解音素区
間尤度統計モデルと不正解音素区間尤度統計モデルとの
尤度差が正の値の音素では、前記尤度差の値を０に置き
換えて和をとることを特徴とする音声認識方法にある。

【００２１】またこの発明は、前記検証ステップにおい
て、前記認識結果の音素記号列全体の信頼度として、前
記認識結果の音素記号列を構成する各音素の信頼度の和
をとった後に、前記認識結果の音素記号列を構成する音
素の数で除した値とすることを特徴とする音声認識方法
にある。

【００２２】

【発明の実施の形態】実施の形態１．図１は本発明の一
実施の形態による音声認識装置の構成を示すブロック図
である。図１において図４に示した従来のものと同一も
しくは相当部分は同一符号を付し説明は省略する。本発
明の特徴的な部分は、セグメンテーション手段１５と、
信頼度パラメータ計算手段１７と、正解音素区間尤度統
計モデル１９と、不正解音素区間尤度統計モデル２０
と、検証手段２１を備えたことである。

【００２３】本実施の形態では、従来技術と同様に標準
パタンモデル５はＨＭＭを用い、照合手段６における照
合は例えばビタビアルゴリズムを用いることにする。な
お、この音声認識装置は基本的にプログラムに従って動
作するコンピュータによって構成され、標準パタンモデ
ル５、音素モデル１４、正解音素区間尤度統計モデル１
９および不正解音素区間尤度統計モデル２０は、例えば
データベースとして格納されている。

【００２４】次に動作について説明する。従来技術と同
様に発声者が音声信号の入力端１から音声を入力する
と、分析手段３は音響分析を行い特徴ベクトルの時系列
４に変換する。

【００２５】照合手段６は特徴ベクトルの時系列４を入
力としてビタビアルゴリズムによって標準パタンモデル
５との照合を行ない、尤度が最も高い標準パタンモデル
がモデル化する単語を認識結果の第１候補とし、その第
１侯補の単語の音素記号列８を出力する。例えば日本の
地名を認識していて第１候補の単語が「おきなわ」であ
った場合、音素記号列８は／ｏｋｉｎａｗａ／となる。

【００２６】セグメンテーション手段１５は音声の特徴
ベクトルの時系列４と音素記号列８とを入力として、以
下の手順によって音素記号列８を構成する各音素と特徴
ベクトルの時系列４とを時間軸上で対応付けた音素セグ
メンテーション結果１６を算出して出力する。音素セグ
メンテーション結果１６は音素記号列８を構成する各音
素ごとの開始時刻と終了時刻の組である。例えば音素記
号列８が／ｏｋｉｎａｗａ／である場合、／ｏｋｉｎａ
ｗａ／を構成する音素は／ｏ／、／ｋ／、／ｉ／、／ｎ
／、／ａ／、／ｗ／、／ａ／の７個なので、音素セグメ
ンテーション結果１６は図２に示すものとなる。

【００２７】音素セグメンテーション結果１６の算出手
順 （手順１）音素記号列８を構成する音素の音素モデル１
４を連結することによって音素記号列８に対応する単語
モデルを作る。本例では音素モデル１４は音素環境独立
のＨＭＭを用いることにする。例えば音素記号列８が／
ｏｋｉｎａｗａ／である場合、音素モデル／ｏ／、／ｋ
／、／ｉ／、／ｎ／、／ａ／、／ｗ／、／ａ／の７個を
連結して、／ｏｋｉｎａｗａ／をモデル化する単語モデ
ルをつくる。 （手順２）次にこの単語モデルと特徴ベクトルの時系列
４とをビタビアルゴリズムによって照合する。 （手順３）そして照合結果をバックトラックすることに
より音素記号列８を構成する各音素と特徴ベクトルの時
系列４とを時間軸上で対応付ける。

【００２８】信頼度パラメータ計算手段１７は音声の特
徴ベクトルの時系列４と音素セグメンテーション結果１
６を入力として、音素セグメンテーション結果１６の各
音素区間毎に、全ての音素モデル１４とビタビアルゴリ
ズムによって照合を行ない、各音素区間毎に、(１)当該
音素モデルの尤度である当該音素尤度Ｐs_n,(ｎ＝１〜
Ｎ，Ｎ:音素記号列８を構成する音素数)と、(２)当該音
素尤度と当該音素モデル以外での尤度の最高値との差分
である差分尤度Ｐd_n,(ｎ＝１〜Ｎ)を求める。差分尤度
Ｐd_nは下記の(１)式によって求める。

【００２９】

【数１】

【００３０】(１)式でＰmax_nは、当該音素モデル以外で
の尤度の最高値である。

【００３１】例えば音素セグメンテーション結果１６が
図２に示すものである場合、第１音素は／ｏ／なので、
第１音素に音素区間に対する当該音素尤度Ｐs₁は音素／
ｏ／のモデルの尤度であり、当該音素モデル以外の尤度
の最高値Ｐmax₁は音素／ｏ／以外のモデルの尤度のうち
の最高値である。

【００３２】検証手段２１は信頼度パラメータ１８を入
力として、正解音素区間尤度統計モデル１９と不正解音
素区間尤度統計モデル２０を用いて、後述する方法によ
って認識結果の音素記号列８に対する単語信頼度ＷＣを
算出する。そして単語信頼度ＷＣと予め決めてあるリジ
ェクト閾値と比較し、単語信頼度ＷＣがリジェクト閾値
未満である場合にはリジェクトすることを決定し、リジ
ェクト信号１１の値として１を出力する。

【００３３】一方，単語信頼度ＷＣがリジェクト閾値以
上である場合には、リジェクトしないことを決定し、リ
ジェクト信号１１の値として０を出力する。従来技術と
同様に、リジェクト信号１１の値は、０はリジェクトし
ないことを意味し、１はリジェクトすることを意味する
ものとする。

【００３４】単語信頼度ＷＣの計算方法を述べる準備と
して、正解音素区間尤度統計モデルユ１９と不正解音素
区間尤度統計モデル２０について説明する。正解音素区
間尤度統計モデル１９と不正解音素区間尤度統計モデル
２０は、信頼度パラメータ１８である当該音素尤度と差
分尤度の統計分布を表現したモデルであり、予め全ての
音素に対して正解音素区間尤度統計モデル１９と不正解
音素区間尤度統計モデル２０を１個づつ作成しておく。

【００３５】正解音素区間尤度統計モデル１９は全ての
音素を含む大量の音声データを用いて、正しい音素区
間、すなわち音素ｐに対しては大量の音声データ中の音
素ｐの区間に対して、信頼度パラメータ１８である当該
音素尤度と差分尤度を計算し、その統計分布を求めるこ
とによって作成する。本実施の形態では統計分布として
２次元の対角正規分布を用いることにする。

【００３６】従って正解音素区間尤度統計モデル１９の
パラメータは当該音素尤度の平均Ｍs_p ^(c)、標準偏差Ｓs
_p ^(c)と、差分尤度の平均Ｍd_p ^(c)、標準偏差Ｓd_p ^(c)であ
る。ここで肩の添字ｃは正解(correct)音素区間尤度統
計モデルのパラメータであることを意味し、下の添字ｐ
は音素ｐに対する正解音素区間尤度統計モデルであるこ
とを意味している。

【００３７】不正解音素区間尤度統計モデル２０も同様
に、全ての音素を含む大量の音声データを用いて、当該
音素尤度の平均Ｍs_p ⁽ⁱ⁾、標準偏差Ｓs_p ⁽ⁱ⁾と、差分尤度
の平均Ｍd_p ⁽ⁱ⁾、標準偏差Ｓd_p ⁽ⁱ⁾を求めることによって
作成する。ここで肩の添字ｉは不正解(incorrect)音素
区間尤度統計モデルのパラメータであることを意味し、
下の添字ｐは音素ｐに対する不正解音素区間尤度統計モ
デルであることを意味している。

【００３８】正解音素区間尤度統計モデル１９との違い
は、モデルのパラメータを求める際に誤った音素区間、
すなわち音素ｐの不正解音素区間尤度統計モデルを作成
する場合には大量の音声データ中の音素ｐ以外の区間に
対して、信頼度パラメータ１８である当該音素尤度と差
分尤度を計算することである。

【００３９】正解音素区間尤度統計モデル１９と不正解
音素区間尤度統計モデル２０を概念を図３に示す。図３
において横軸は、ある音声区間ｘに対する音素ｐのモデ
ルの当該音素尤度、縦軸は前記音声区間ｘに対する音素
ｐのモデルの差分尤度である。図３には２つの楕円が描
かれているが、Ａの楕円は音声区間ｘが音素ｐの区間で
ある場合の当該音素尤度と差分尤度の分布であり、すな
わち正解音素区間尤度統計モデル１９の分布を表してい
る。楕円中の十字線の交点は正解音素区間尤度統計モデ
ル１９の平均値であるＭs_p ^(c)、Ｍd_p ^(c)を表している。
また十字線の長さは正解音素区間尤度統計モデル１９の
標準偏差であるＳs_p ^(c)とＳd_p ^(c)を模式的に表してい
る。

【００４０】Ｂの楕円は前記音声区間ｘが音素ｐの区間
ではない場合の当該音素尤度と差分尤度の分布であり、
すなわち不正解音素区間尤度統計モデル２０の分布を表
している。楕円中の十字線の意味は正解音素区間尤度統
計モデル１９の場合と同様である。

【００４１】図３に示すように正解音素区間尤度統計モ
デル１９と不正解音素区間尤度統計モデル２０の分布が
ほぼ分かれるのは、前記音素区間ｘが音素ｐの区間であ
れば横軸の当該音素尤度は高い値となり、縦軸の差分尤
度も高い値となることが通常であるのに対し、前記音素
区間ｘが音素ｐの区間でない場合は横軸の当該音素尤度
は低い値となり、他の音素モデルの尤度のほうが高くな
ることが多いので、縦軸の差分尤度は平均値は負の値と
なることが通常だからである。

【００４２】このように正解音素区間尤度統計モデル１
９と不正解音素区間尤度統計モデル２０を作成しておけ
ば、ある音声区間ｘに対する音素ｐの当該音素尤度と差
分尤度を求めてその値が正解音素区間尤度統計モデル１
９の分布と不正解音素区間尤度統計モデル２０の分布の
どちらに近いかを計測することにより、音声区間ｘが音
素ｐであるか否かを判定することができる。分布からの
近さの尺度としては、正解音素区間尤度統計モデル１９
と不正解音素区間尤度統計モデル２０に対する尤度を用
いる。

【００４３】具体的には下記の(２)式または(３)式によ
り認識結果の音素記号列８を構成する各音素毎の信頼度
ｃ_n,(ｎ＝１〜Ｎ、Ｎ:音素記号列８を構成する音素数)
を計算する。(２)式中の右辺の第１項は、音素記号列８
を構成するｎ番目の音素に対する正解音素区間尤度統計
モデル１９の尤度であり、(２)式中の右辺の第２項は、
音素記号列８を構成するｎ番目の音素に対する不正解音
素区間尤度統計モデル２０の尤度である。

【００４４】従って信頼度ｃ_nの値が正である場合には
音素記号列８を構成するｎ番目の音素は正しい音素であ
ると判定できる。前記信頼度ｃ_nの値が負である場合に
は、音素記号列８を構成するｎ番目の音素は誤りである
と判定できる。(２)式と(３)式中の右辺の第１項と第２
項は、それぞれ(４)、(５)式によって計算する。

【００４５】

【数２】

【００４６】認識結果の音素記号列８に対する信頼度Ｗ
Ｃは、(２)式または(３)式によって計算される音素記号
列８を構成する各音素毎の信頼度ｃ_nの値を全音素区間
で加算した(６)式または音素記号列８を構成する音素の
数で除した(７)式によって計算する。

【００４７】

【数３】

【００４８】検証手段２１は、(６)式または(７)で計算
される単語信頼度ＷＣと予め決めてあるリジェクト閾値
と比較し、単語信頼度ＷＣがリジェクト閾値未満である
場合には、リジェクトすることを決定し、リジェクト信
号１１の値として１を出力する。一方単語信頼度ＷＣが
リジェクト閾値以上である場合には、リジェクトしない
ことを決定し、リジェクト信号１１の値として０を出力
する。従来技術と同様に、リジェクト信号１１の値は、
０はリジェクトしないことを意味し、１はリジェクトす
ることを意味するものとする。

【００４９】結果出力手段１２は、認識結果の音素記号
列８とリジェクト信号１１を入力として、従来技術と同
様にリジェクト信号１１の値がリジェクトしないことを
意味する０であれば、認識結果の音素記号列８を認識結
果１３として出力する。一方リジェクト信号１１の値が
リジェクトすることを意味する１であれば、リジェクト
を意味する記号であるФを認識結果１３として出力す
る。

【００５０】

【発明の効果】以上のようにこの発明によれば、入力音
声信号を音響分析して特徴ベクトルの時系列を出力する
分析手段と、認識対象とする音声をモデル化した標準パ
タンモデルと、前記入力音声の特徴ベクトルの時系列と
標準パタンモデルとの照合を行い、認識結果の音素記号
列を出力する照合手段と、全ての音素をモデル化した音
素モデルと、前記入力音声の特徴ベクトルの時系列と前
記認識結果の音素記号列を構成する音素とを時間軸上で
対応付けた音素セグメンテーション結果を出力するセグ
メンテーション手段と、前記音素セグメンテーション結
果の各音素区間ごとに前記全ての音素モデルと照合を行
ない、(ａ)各音素区間の当該音素モデルの尤度、(ｂ)前
記当該音素モデルの尤度と当該音素モデル以外での尤度
の最高値との差分、とで構成される信頼度パラメータを
計算して出力する信頼度パラメータ計算手段と、正しい
音素区間に対する前記信頼度パラメータの統計分布をモ
デル化した正解音素区間尤度統計モデルと、誤った音素
区間に対する前記信頼度パラメータの統計分布をモデル
化した不正解音素区間尤度統計モデルと、前記信頼度パ
ラメータ計算手段の出力である認識結果の音素記号列の
信頼度パラメータを入力として各音素区間毎に前記正解
音素区間尤度統計モデルと不正解音素区間尤度統計モデ
ルとの尤度差を求めて各音素区間の信頼度を算出し、前
記各音素の信頼度の和をとることによって前記認識結果
の音素記号列全体の信頼度を求め、予め設定された閾値
と前記音素記号列全体の信頼度との比較によってリジェ
クトを行なう検証手段と、この検証手段によって前記認
識結果の音素記号列がリジェクトされなかった場合に前
記認識結果の音素記号列を出力する結果出力手段と、を
備えたので、リジェクトの判定は各音素の信頼度を統合
することによってなされるため、認識対象とする単語ご
とにリジェクト精度がばらつくということを低減するこ
とができ、また各音素ごとに経験的な閾値基準関数を導
入することなく統計的知識に基づいてリジェクトの判定
をするのでリジェクトの信頼性を向上させることができ
る音声認識装置およびこれに基づく音声認識方法が得ら
れる。

【００５１】またこの発明によれば、前記検証手段にお
いて、前記各音素の信頼度の和をとる際に前記正解音素
区間尤度統計モデルと不正解音素区間尤度統計モデルと
の尤度差が正の値の音素では、前記尤度差の値を０に置
き換えて和をとるようにしたので、認識結果の音素記号
列を構成する音素のうちの一部の音素で音素信頼度が正
の大きな値になることによって、他の大部分の音素の信
頼度が負の場合でも、認識結果の音素記号列全体の信頼
度が正の値になることを防止することが可能になり、リ
ジェクトの信頼性がより向上した音声認識装置およびこ
れに基づく音声認識方法が得られる。

【００５２】またこの発明によれば、前記検証手段にお
いて、前記認識結果の音素記号列全体の信頼度として、
前記認識結果の音素記号列を構成する各音素の信頼度の
和をとった後に、前記認識結果の音素記号列を構成する
音素の数で除した値とするようにしたので、構成音素数
が異なる認識結果に対しても、リジェクト判定の際に共
通の閾値を設定できる音声認識装置およびこれに基づく
音声認識方法が得られる。

【図面の簡単な説明】

【図１】 この発明の一実施の形態による音声認識装置
の構成を示すブロック図である。

【図２】 この発明による音素セグメンテーション結果
の内容を示した説明図である。

【図３】 この発明による正解音素区間尤度統計モデル
と不正解音素区間尤度統計モデルを説明するための概念
図である。

【図４】 従来の音声認識装置の構成を示すブロック図
である。

【図５】 従来の音声認識装置のリジェクト閾値決定方
法を説明するための図である。

【符号の説明】

１ 入力端、２ 音声信号、３ 分析手段、４ 特徴ベ
クトルの時系列、５標準パタンモデル、６ 照合手段、
８ 認識結果の音素記号列、１１ リジェクト信号、１
２ 結果出力手段、１３ 認識結果、１４ 音素モデ
ル、１５ セグメンテーション手段、１６ 音素セグメ
ンテーション結果、１７ 信頼度パラメータ計算手段、
１８ 信頼度パラメータ、１９ 正解音素区間尤度統計
モデル、２０ 不正解音素区間尤度統計モデル、２１
検証手段。

Claims (6)

【特許請求の範囲】
1. 【請求項１】 入力音声信号を音響分析して特徴ベクト
   ルの時系列を出力する分析手段と、 認識対象とする音声をモデル化した標準パタンモデル
   と、 前記入力音声の特徴ベクトルの時系列と標準パタンモデ
   ルとの照合を行い、認識結果の音素記号列を出力する照
   合手段と、 全ての音素をモデル化した音素モデルと、 前記入力音声の特徴ベクトルの時系列と前記認識結果の
   音素記号列を構成する音素とを時間軸上で対応付けた音
   素セグメンテーション結果を出力するセグメンテーショ
   ン手段と、 前記音素セグメンテーション結果の各音素区間ごとに前
   記全ての音素モデルと照合を行ない、(ａ)各音素区間の
   当該音素モデルの尤度、(ｂ)前記当該音素モデルの尤度
   と当該音素モデル以外での尤度の最高値との差分、とで
   構成される信頼度パラメータを計算して出力する信頼度
   パラメータ計算手段と、 正しい音素区間に対する前記信頼度パラメータの統計分
   布をモデル化した正解音素区間尤度統計モデルと、 誤った音素区間に対する前記信頼度パラメータの統計分
   布をモデル化した不正解音素区間尤度統計モデルと、 前記信頼度パラメータ計算手段の出力である認識結果の
   音素記号列の信頼度パラメータを入力として各音素区間
   毎に前記正解音素区間尤度統計モデルと不正解音素区間
   尤度統計モデルとの尤度差を求めて各音素区間の信頼度
   を算出し、前記各音素の信頼度の和をとることによって
   前記認識結果の音素記号列全体の信頼度を求め、予め設
   定された閾値と前記音素記号列全体の信頼度との比較に
   よってリジェクトを行なう検証手段と、 この検証手段によって前記認識結果の音素記号列がリジ
   ェクトされなかった場合に前記認識結果の音素記号列を
   出力する結果出力手段と、 を備えたことを特徴とする音声認識装置。
2. 【請求項２】 前記検証手段において、前記各音素の信
   頼度の和をとる際に前記正解音素区間尤度統計モデルと
   不正解音素区間尤度統計モデルとの尤度差が正の値の音
   素では、前記尤度差の値を０に置き換えて和をとること
   を特徴とする請求項１に記載の音声認識装置。
3. 【請求項３】 前記検証手段において、前記認識結果の
   音素記号列全体の信頼度として、前記認識結果の音素記
   号列を構成する各音素の信頼度の和をとった後に、前記
   認識結果の音素記号列を構成する音素の数で除した値と
   することを特徴とする請求項１または２に記載の音声認
   識装置。
4. 【請求項４】 入力音声信号を音響分析して特徴ベクト
   ルの時系列を出力する分析ステップと、 前記入力音声の特徴ベクトルの時系列と認識対象とする
   音声をモデル化した標準パタンモデルとの照合を行い、
   認識結果の音素記号列を出力する照合ステップと、 前記入力音声の特徴ベクトルの時系列と前記認識結果の
   音素記号列を構成する音素とを時間軸上で対応付けた音
   素セグメンテーション結果を出力するセグメンテーショ
   ンステップと、 前記音素セグメンテーション結果の各音素区間ごとに全
   ての音素をモデル化した音素モデルと照合を行ない、
   (ａ)各音素区間の当該音素モデルの尤度、(ｂ)前記当該
   音素モデルの尤度と当該音素モデル以外での尤度の最高
   値との差分、とで構成される信頼度パラメータを計算し
   て出力する信頼度パラメータ計算ステップと、 前記信頼度パラメータ計算ステップの出力である認識結
   果の音素記号列の信頼度パラメータを入力として各音素
   区間毎に正しい音素区間に対する前記信頼度パラメータ
   の統計分布をモデル化した正解音素区間尤度統計モデル
   と、誤った音素区間に対する前記信頼度パラメータの統
   計分布をモデル化した不正解音素区間尤度統計モデルと
   の尤度差を求めて各音素区間の信頼度を算出し、前記各
   音素の信頼度の和をとることによって前記認識結果の音
   素記号列全体の信頼度を求め、予め設定された閾値と前
   記音素記号列全体の信頼度との比較によってリジェクト
   を行なう検証ステップと、 この検証ステップによって前記認識結果の音素記号列が
   リジェクトされなかった場合に前記認識結果の音素記号
   列を出力する結果出力ステップと、 を備えたことを特徴とする音声認識方法。
5. 【請求項５】 前記検証ステップにおいて、前記各音素
   の信頼度の和をとる際に前記正解音素区間尤度統計モデ
   ルと不正解音素区間尤度統計モデルとの尤度差が正の値
   の音素では、前記尤度差の値を０に置き換えて和をとる
   ことを特徴とする請求項４に記載の音声認識方法。
6. 【請求項６】 前記検証ステップにおいて、前記認識結
   果の音素記号列全体の信頼度として、前記認識結果の音
   素記号列を構成する各音素の信頼度の和をとった後に、
   前記認識結果の音素記号列を構成する音素の数で除した
   値とすることを特徴とする請求項４または５に記載の音
   声認識方法。