JPH11344991A

JPH11344991A - 音声認識装置および記憶媒体

Info

Publication number: JPH11344991A
Application number: JP10166248A
Authority: JP
Inventors: Shigeaki Komatsu; 慈明小松
Original assignee: Brother Industries Ltd
Current assignee: Brother Industries Ltd
Priority date: 1998-05-30
Filing date: 1998-05-30
Publication date: 1999-12-14

Abstract

(57)【要約】【課題】高い認識精度を維持しつつ、漢字に読みを振
ったテキストデータベースの使用量および記憶量を軽減
することができる音声認識装置を実現する。【解決手段】ステップ１０で入力音声の特徴パラメー
タを抽出し、ステップ１１で文節構文および単語辞書を
用いて認識候補を選出し、ステップ１３で文字音素変換
規則を用いて認識候補を音素に変換する。続いてステッ
プ１８で音素に対応する標準パターンを読出すととも
に、特徴パラメータと比較して類似性尤度を算出する。
続いてステップ２０で第１の統計的言語モデルを用いて
認識候補についてのトライグラムによる生起尤度を検索
し、ステップ２２で第２の統計的言語モデルを用いて読
み付きバイグラムによる生起尤度を検索し、ステップ２
４で類似性尤度、トライグラムによる生起尤度およびバ
イグラムによる生起尤度を加算して総合尤度を算出す
る。そして、ステップ３０で最も高い総合尤度の認識候
補を認識結果として選択する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声を認識する音
声認識装置、およびその音声認識装置が音声認識を行う
ためのコンピュータプログラムが記憶された記憶媒体に
関し、音声認識の精度を高めることができるものであ
る。

【０００２】

【従来の技術】従来、日本語音声認識方法として、たと
えば特開平６−１２０９１号公報に記載のものが知られ
ている。図９は、その日本語音声認識方法を実施した装
置の構成を示す説明図である。図９に示す標準パターン
メモリ３４には、学習用音声データベースから作成され
た音素標準パターンが記憶されており、メモリ４０に
は、文字の読みを振った学習用テキストデータベースか
ら作成された、読みを振った文字の生起順序に関する統
計的言語モデル４１と、学習用テキストデータベースか
ら作成された、日本語文節の構造が単語の遷移規則とし
て記述されている文節構文４２と、読みを振った単語辞
書４３と、読みを振った仮名および漢字を音素の記号列
に変換する文字音素変換規則４４とが記憶されている。

【０００３】そして、音声信号入力端子３１から入力さ
れた音声信号は、特徴抽出部３２においてディジタル信
号に変換され、さらにＬＰＣケプストラム分析された
後、１フレーム（１時点、たとえば１０ミリ秒）ごとに
特徴パラメータに変換される。そして、認識部３３は、
文節構文４２および単語辞書４３を用いて上記変換され
た特徴パラメータに対応する認識候補を選出し、その選
出した認識候補の音素を文字音素変換規則４４を用いて
抽出し、その抽出した音素に対応する標準パターンを標
準パターンメモリ３４から読出し、その読出した標準パ
ターンと上記特徴パラメータとを比較して入力音声の特
徴パラメータの類似性尤度を求める。また、認識部３３
は、統計的言語モデル４１を用いて上記選出した認識候
補の生起尤度を求める。

【０００４】たとえば、入力音声のｉ番目の文字を認識
するには、統計的言語モデルにおける読みを振った文字
の出現順序に関するトライグラムを用いて（ｉ−２）番
目および（ｉ−１）番目の文字の認識結果を基に、ｉ番
目に出現する文字の生起尤度を各文字について求める。
また、ｉ番目の文字の特徴パラメータと標準パタンとの
類似性を示す類似性尤度を求める。そして、生起尤度と
類似性尤度の和を総合尤度とする。このようにして、読
みを振った仮名・漢字候補の選出と、それらについての
標準パタンとの照合と、その総合尤度から認識結果文字
を得る操作とを音声区間が終わるまで繰り返し、最後
に、それまで得られた認識結果文字を認識結果出力部３
５に送り、その順に仮名、漢字系列として出力する。

【０００５】

【発明が解決しようとする課題】しかし、上記従来のも
のは、漢字の読みを振ったテキストデータベースから作
成された読み付きの仮名および漢字のトライグラムを用
いているため、漢字の読みを振っていないテキストデー
タベースから作成された読み無しの仮名および漢字のト
ライグラムよりも統計的言語モデルとしての認識精度は
高くなるが、漢字に読みが振ってある分、大量のテキス
トデータベースが必要である。しかも、読みを振ってい
ないテキストデータベースは、新聞記事などから大量に
入手できるが、読みを振ったテキストデータベースは、
大量に入手するのが困難であるという問題もある。ま
た、読み付きのトライグラムは、読み無しのトライグラ
ムよりも記憶量が多くなるという問題もある。

【０００６】そこで、本発明は、高い認識精度を維持し
つつ、漢字に読みを振ったテキストデータベースの使用
量および記憶量を軽減することができる音声認識装置、
およびその音声認識装置によって音声認識を行うための
コンピュータプログラムが記憶された記憶媒体を実現す
ることを目的とする。

【０００７】

【課題を解決するための手段】本発明は、上記目的を達
成するため、請求項１に記載の発明では、音声をその音
声に対応する特徴パラメータの時系列に変換する変換手
段と、テキストデータベースから作成された生起順序に
関する統計的言語モデルを用いて認識候補についての生
起の尤度を算出する生起尤度算出手段と、前記変換手段
によって変換された特徴パラメータの時系列を構成する
各特徴パラメータと、標準パターンとを照合することに
より、認識候補についての類似の尤度を算出する類似性
尤度算出手段とを備え、前記算出された生起の尤度およ
び類似の尤度から総合尤度を各認識候補ごとに算出し、
その算出された総合尤度の中で高い総合尤度の認識候補
を認識結果とする音声認識装置において、前記統計的言
語モデルは、テキストデータベースから作成されたＮ組
の仮名および漢字の生起順序に関する第１の統計的言語
モデルと、漢字に読みを振ったテキストデータベースか
ら作成されたＮ未満であるＭ組の読みを振った仮名およ
び漢字の生起順序に関する第２の統計的言語モデルとか
ら構成されており、前記生起尤度算出手段は、前記第１
の統計的言語モデルおよび第２の統計的言語モデルを用
いて前記各認識候補についての生起の尤度を算出するよ
うに構成されているという技術的手段を採用する。

【０００８】請求項２に記載の発明では、請求項１に記
載の音声認識装置において、前記生起尤度算出手段は、
日本語の文節構造を単語の遷移規則として記述した文法
を用いた日本語の構文と、読みを振った仮名および漢字
系列の単語の集合から構成される単語辞書と、前記第１
の統計的言語モデルと、前記第２の統計的言語モデルと
を用いて前記各認識候補についての生起の尤度を算出す
るように構成されているという技術的手段を採用する。

【０００９】請求項３に記載の発明では、請求項１に記
載の音声認識装置において、前記変換手段は、仮名もし
くは漢字ごとに発声された音声をその音声に対応する特
徴パラメータの時系列に変換するように構成されてお
り、前記生起尤度算出手段は、読みを振った仮名および
漢字の集合から構成される単漢字辞書と、前記第１の統
計的言語モデルと、前記第２の統計的言語モデルとを用
いて前記各認識候補についての生起の尤度を算出するよ
うに構成されているという技術的手段を採用する。

【００１０】請求項４に記載の発明では、請求項１ない
し請求項３のいずれか１つに記載の音声認識装置におい
て、前記変換手段は、音節ごとに無音区間を設けて発声
された音声をその音声に対応する特徴パラメータの時系
列に変換するように構成されており、前記類似性尤度算
出手段は、前記特徴パラメータの時系列の中に含まれる
無音区間に基づいて前記特徴パラメータを音節ごとに切
り出す切出し手段を備え、この切出し手段によって切り
出された特徴パラメータと前記標準パターンとを照合し
て各音節ごとに類似の尤度をそれぞれ算出するように構
成されているという技術的手段を採用する。

【００１１】請求項５に記載の発明では、請求項１ない
し請求項４のいずれか１つに記載の音声認識装置におい
て、前記生起尤度算出手段は、前記第１の統計的言語モ
デルを用いて算出した第１の生起の尤度と、前記第２の
統計的言語モデルを用いて算出した第２の生起の尤度と
を加算し、その加算値を認識候補についての生起の尤度
として算出するように構成されているという技術的手段
を採用する。

【００１２】請求項６に記載の発明では、請求項１ない
し請求項４のいずれか１つに記載の音声認識装置におい
て、前記生起尤度算出手段は、前記第１の統計的言語モ
デルを用いて算出した結果に重み付けを行った第１の生
起の尤度と、前記第２の統計的言語モデルを用いて算出
した結果に重み付けを行った第２の生起の尤度とを加算
し、その加算値を認識候補についての生起の尤度として
算出するように構成されているという技術的手段を採用
する。

【００１３】請求項７に記載の発明では、音声をその音
声に対応する特徴パラメータの時系列に変換し、テキス
トデータから作成されたＮ組の仮名および漢字の生起順
序に関する第１の統計的言語モデルと、漢字に読みを振
ったテキストデータベースから作成されたＮ未満である
Ｍ組の読みを振った仮名および漢字の生起順序に関する
第２の統計的言語モデルを用いて認識候補についての類
似の尤度を算出し、標準パターンと、前記変換された特
徴パラメータの時系列とを照合して認識候補についての
類似の尤度を算出し、その算出された類似の尤度および
前記算出された生起の尤度から総合尤度を算出し、その
算出された総合尤度の中で高い総合尤度の認識候補を認
識結果とするコンピュータプログラムが記憶されている
ことを特徴とする記憶媒体という技術的手段を採用す
る。

【００１４】

【作用】請求項１ないし請求項７に記載の発明では、上
記生起尤度算出手段は、漢字に読みを振ったテキストデ
ータベースから作成された読みを振った仮名および漢字
の生起順序に関する第２の統計的言語モデルを用いて認
識候補についての生起の尤度を算出するため、読みを振
っていない仮名および漢字の生起順序に関する統計的言
語モデルのみを用いて認識候補についての生起の尤度を
算出するものよりも認識精度を高めることができる。し
かも、漢字に読みを振ったテキストデータベースから作
成された第２の統計的言語モデルは、Ｎ未満であるＭ組
の読みを振った仮名および漢字から構成されているた
め、Ｎ組の読みを振った仮名および漢字から構成されて
いるものよりも、統計的言語モデルを記憶するための記
憶量を少なくすることができる。また、Ｎ未満であるＭ
組の読みを振った仮名および漢字から構成された統計的
言語モデルを用いたものは、Ｎ組の読みを振った仮名お
よび漢字から構成されている言語モデルを用いたものよ
りも、認識精度の点では低くなるが、請求項１ないし請
求項７に記載の発明の生起尤度算出手段では、読みを振
ってはいないが、テキストデータベースから作成された
Ｎ組の仮名および漢字の生起順序に関する第１の統計的
言語モデルをも併用するため、認識精度の低下を補うこ
とができる。つまり、請求項１ないし請求項７に記載の
発明によれば、高い認識精度を維持しつつ、漢字に読み
を振ったテキストデータベースの使用量および記憶量を
軽減することができる。

【００１５】特に、請求項２に記載の発明では、上記生
起尤度算出手段は、日本語の文節構造を単語の遷移規則
として記述した文法を用いた日本語の構文と、読みを振
った仮名および漢字系列の単語の集合から構成される単
語辞書と、上記第１の統計的言語モデルと、上記第２の
統計的言語モデルとを用いて各認識候補についての生起
の尤度を算出するように構成されているため、上記日本
語の構文および単語辞書を用いないで認識を行うものよ
りも認識精度を高めることができる。

【００１６】また、請求項３に記載の発明では、仮名も
しくは漢字ごとに発声された音声の認識を行う構成であ
るため、認識処理の構成を簡単なものにすることができ
る。そして、仮名もしくは漢字ごとに発声された音声の
認識を行うために、上記変換手段は、仮名もしくは漢字
ごとに発声された音声をその音声に対応する特徴パラメ
ータの時系列に変換し、上記生起尤度算出手段は、読み
を振った仮名および漢字の集合から構成される単漢字辞
書と、上記第１の統計的言語モデルと、上記第２の統計
的言語モデルとを用いて各認識候補についての生起の尤
度を算出する。

【００１７】さらに、請求項４に記載の発明では、音節
ごとに無音区間を設けて発声された音声の認識を行う構
成であるため、認識率および認識処理速度を高めること
ができる。そして、音節ごとに無音区間を設けて発声さ
れた音声の認識を行うために、上記変換手段は、音節ご
とに無音区間を設けて発声された音声をその音声に対応
する特徴パラメータの時系列に変換し、上記類似性尤度
算出手段に備えられた切出し手段は、上記特徴パラメー
タの時系列の中に含まれる無音区間に基づいて上記特徴
パラメータを音節ごとに切り出し、類似性尤度算出手段
は、その切り出された特徴パラメータと上記標準パター
ンとを照合して各音節ごとに類似の尤度をそれぞれ算出
する。

【００１８】また、請求項５に記載の発明では、上記生
起尤度算出手段は、第１の統計的言語モデルを用いて算
出した第１の生起の尤度と、第２の統計的言語モデルを
用いて算出した第２の生起の尤度とを加算し、その加算
値を認識候補についての生起の尤度として算出する。つ
まり、認識候補についての生起の尤度は、上記第１の生
起の尤度と第２の生起の尤度とを加算するという、簡単
な演算によって求めることができるため、ＣＰＵの処理
負担を小さくできる。

【００１９】さらに、請求項６に記載の発明では、上記
生起尤度算出手段は、第１の統計的言語モデルを用いて
算出した結果に重み付けを行った第１の生起の尤度と、
第２の統計的言語モデルを用いて算出した結果に重み付
けを行った第２の生起の尤度とを加算し、その加算値を
認識候補についての生起の尤度として算出する。つま
り、第１の生起の尤度および第２の生起の尤度にそれぞ
れ重み付けを行うことにより、第１の統計的言語モデル
と第２の統計的言語モデルとの間に存在する統計的な偏
りを是正して認識率を高めることができる。

【００２０】そして、請求項７に記載の発明では、音声
をその音声に対応する特徴パラメータの時系列に変換
し、テキストデータから作成されたＮ組の仮名および漢
字の生起順序に関する第１の統計的言語モデルと、漢字
に読みを振ったテキストデータベースから作成されたＮ
未満であるＭ組の読みを振った仮名および漢字の生起順
序に関する第２の統計的言語モデルを用いて認識候補に
ついての類似の尤度を算出し、標準パターンと、前記変
換された特徴パラメータの時系列とを照合して認識候補
についての類似の尤度を算出し、その算出された類似の
尤度および前記算出された生起の尤度から総合尤度を算
出し、その算出された総合尤度の中で高い総合尤度の認
識候補を認識結果とするコンピュータプログラムが記憶
されていることを特徴とする記憶媒体という構成である
ため、その記憶媒体を用いることにより、上記請求項１
に記載の音声認識装置を実現できる。つまり、上記音声
認識装置は、たとえば、後述する発明の実施の形態に記
載するように、音声認識装置に内蔵されたＣＰＵ、ある
いは、音声認識装置に接続されたコンピュータによって
制御されることから、上記記憶媒体としての記憶部を音
声認識装置に設け、もしくは、上記記憶媒体に格納され
ているコンピュータプログラムをコンピュータにインス
トールすることによって、請求項１に記載の発明を実施
できるからである。

【００２１】

【発明の実施の形態】以下、本発明の音声認識装置の一
実施形態について図を参照して説明する。最初に、第１
実施形態の音声装置の主な構成について図１を参照して
説明する。なお、図１は、音声認識装置１０に備えられ
た図示しないＣＰＵにより実行される処理の内容を概念
的に示すものであり、ＣＰＵが実行するコンピュータプ
ログラムは、図示しないＲＯＭ、ＨＤＤなどの記憶媒体
に記憶されている。音声認識装置１０には、音声入力端
子１１から入力された音声をディジタル信号に変換し、
さらにＬＰＣケプストラム分析した後、１フレーム（１
時点、たとえば１０ミリ秒）ごとに特徴パラメータを抽
出する特徴抽出部１２と、学習用音声データベースから
作成されたサブワード標準パターンが記憶された標準パ
ターンメモリ１３と、メモリ２０とが備えられている。

【００２２】ここで、メモリ２０の記憶内容について、
それを示す図３を参照して説明する。メモリ２０は、第
１の統計的言語モデル２１ａおよび第２の統計的言語モ
デル２１ｂから構成される統計的言語モデル記憶部２１
を有する。第１の統計的言語モデル（トライグラム）２
１ａは、テキストデータベースから作成されており、３
文字から構成される言語と生起尤度とを対応付けて構成
されている。たとえば、３文字から構成される言語にお
いて、「東」という文字が１文字目に生起する生起尤度
は、ＬＴ１であり、「山」という文字が１文字目に生起
する生起尤度は、ＬＴ２である。また、第２の統計的言
語モデル（バイグラム）２１ｂは、漢字に読みを振った
テキストデータベースから作成されており、読み付きの
２文字から構成される言語と生起尤度とを対応付けて構
成されている。たとえば、読み付きの２文字から構成さ
れる言語において、「東（とう）」という読み付き文字
が１文字目に生起する生起尤度は、ＬＢ１であり、
「山」という文字が１文字目に生起する生起尤度は、Ｌ
Ｂ２である。さらに、メモリ２０は、日本語文節の構造
が単語の遷移規則として記述されている文節構文２２ａ
が記憶された文節構文記憶部２２と、読みを振った単語
の辞書２３ａが記憶された単語辞書記憶部２３と、文字
を音素に変換する規則を示す文字音素変換規則が記憶さ
れた文字音素変換規則記憶部２４とを有する。文節構文
２２ａは、図３に示すように、文節＝Ｓ（語頭）＋名詞
＋助詞という構文であり、単語辞書２３ａは、見出しと
品詞とを対応付けて構成されている。

【００２３】また、音声認識装置１０には、特徴抽出部
１２において抽出された特徴パラメータの認識処理を行
う認識部１４と、この認識部１４によって認識された結
果を出力する認識結果出力部１５とが備えられている。
認識部１４は、特徴抽出部１２によって抽出された特徴
パラメータに対応する認識候補を、文節構文２２ａおよ
び単語辞書２３ａを用いて選出するとともに、その選出
した認識候補を文字音素変換規則を用いて音素に変換
し、その変換した音素に対応する標準パターンを標準パ
ターンメモリ１３から読出し、その読出した標準パター
ンと上記特徴パラメータとを比較して入力音声の特徴パ
ラメータの類似性尤度を算出する。そしてさらに、認識
部１４は、第１の統計的言語モデル２１ａを用いて上記
選出した認識候補のトライグラムによる生起尤度を算出
するとともに、第２の統計的言語モデル２１ｂを用いて
上記選出した認識候補の読み付きバイグラムによる生起
尤度を算出し、上記算出した類似性尤度、トライグラム
による生起尤度および読み付きバイグラムによる生起尤
度を加算して総合尤度を算出する。そして、その算出さ
れた総合尤度の中で最も高い総合尤度の認識結果を選択
する。その選択された認識結果は、認識結果出力部１５
から図示しない表示装置などへ出力される。なお、前述
のＲＯＭ、ＨＤＤが請求項７に記載の記憶媒体に対応す
る。

【００２４】次に、図１に示す音声認識装置１０が行う
処理の内容を図２ないし図４（Ａ）を参照して説明す
る。図２は、音声認識装置１０が行う処理の流れを示す
フローチャートである。図４（Ａ）は、総合尤度の算出
結果を示す説明図である。なお、以下では、「東京の
（とうきょうの）」という音声に対する処理の内容を代
表に説明する。まず、特徴抽出部１２は、音声入力端子
１１から入力された「東京の（とうきょうの）」という
音声をディジタル信号に変換し、さらにＬＰＣケプスト
ラム分析した後、１フレーム（１時点、たとえば１０ミ
リ秒）ごとに特徴パラメータを抽出する（ステップ１
０）。続いて、認識部１４は、文節構文記憶部２２に記
憶された文節構文２２ａおよび単語辞書記憶部２３に記
憶された単語辞書２３ａを用いて上記変換された特徴パ
ラメータに対応する認識候補を選出する（ステップ１
１）。ここでは、「東」および「山」が認識候補として
選出されたものとする。そして、認識部１４は、上記認
識候補「東（とう）」を文字音素変換規則記憶部２４に
記憶された文字音素変換規則を用いて音素「ｔｏｕ」に
変換し（ステップ１３）、その変換した音素「ｔｏｕ」
に対応する標準パタンを標準パタンメモリ１３から読出
し、その読出した標準パタンと上記特徴パラメータとを
比較して入力音声「東（とう）」の特徴パラメータの類
似性尤度Ｐ１を算出する（ステップ１８）。

【００２５】続いて、認識部１４は、統計的言語モデル
記憶部２１に記憶された第１の統計的言語モデルを用い
て上記選出した認識候補「東（とう）」が、３文字から
構成される言語の１文字目に生起する生起尤度ＬＴ１を
検索する（ステップ２０）。また、認識部１４は、統計
的言語モデル記憶部２１に記憶された第２の統計的言語
モデルを用いて上記選出した認識候補「東（とう）」
が、読み付きの２文字から構成される言語の１文字目に
生起する生起尤度ＬＢ１を求める（ステップ２２）。そ
して、認識部１４は、上記算出された類似性尤度Ｐ１、
生起尤度ＬＴ１および生起尤度ＬＢ１を加算して認識候
補「東（とう）」の総合尤度Ｑ１（＝Ｐ１＋ＬＴ１＋Ｌ
Ｂ１）を算出する（ステップ２４）。

【００２６】続いて、に認識部１４は、総ての認識候補
について総合尤度の算出処理が終了したか否かを判定す
るが（ステップ２６）、ここではまだ「東（とう）」に
ついての総合尤度の算出処理を行っただけであるため、
ステップ１１へ戻り（ステップ２６：Ｎｏ）、次の認識
候補である「山」の類似性尤度Ｐ２、トライグラムによ
る生起尤度ＬＴ２および読み付きバイグラムによる生起
尤度ＬＢ２を検索し（ステップ１７〜ステップ２２）、
総合尤度Ｑ２（＝Ｐ２＋ＬＴ２＋ＬＢ２）を算出する
（ステップ２４）。そして、認識部１４は、「東京」に
ついての類似性尤度Ｐ３、生起尤度ＬＴ３および生起尤
度ＬＢ３を算出し、総合尤度Ｑ３（＝Ｑ１＋Ｐ３＋ＬＴ
３＋ＬＢ３）を算出する。また、同様に「山形」の総合
尤度Ｑ４（＝Ｑ２＋Ｐ４＋ＬＴ４＋ＬＢ４）を算出す
る。次に、認識部１４は、「東京は」、「東京が」、
「東京の」、「山形は」、「山形が」および「山形の」
についての総合尤度Ｑ５〜Ｑ１０をそれぞれ算出する
（図４（Ａ））。

【００２７】そして、認識部１４は、総ての認識候補に
ついての総合尤度の算出を終了すると（ステップ２６：
Ｙｅｓ）、総合尤度Ｑ１からＱ１０を高い順にソートし
（ステップ２８）、その中で最も高い総合尤度の認識候
補を選択する（ステップ３０）。この選択された認識候
補は、認識結果出力部１５から図示しないＣＲＴやＬＣ
Ｄなどの表示装置へ出力され、表示される。ここでは、
「東京の」と表示される。なお、総合尤度の低いＱ１か
らＱ４は、算出された時点、あるいは、ソートする時点
で切り捨てるように処理することもできる。

【００２８】以上のように、本第１実施形態の音声認識
装置１０を使用すれば、漢字に読みを振ったテキストデ
ータベースから作成された、読みを振った仮名および漢
字の生起順序に関する第２の統計的言語モデル（バイグ
ラム）２１ｂを用いて認識候補についての生起の尤度を
算出するため、読みを振っていない仮名および漢字の生
起順序に関する統計的言語モデルのみを用いて認識候補
についての生起の尤度を算出するものよりも認識精度を
高めることができる。しかも、第２の統計的言語モデル
２１ｂは、２組の読みを振った仮名および漢字から構成
されており、従来の３組のものよりも１組少ないため、
第２の統計的言語モデル２１ｂの記憶量を従来のものよ
りも小さくできる。また、その小さくなる分、入手が困
難な漢字に読みを振ったテキストデータベースに基づい
て第２の統計的言語モデルを作成する労力を軽減でき
る。

【００２９】さらに、テキストデータベースから作成さ
れた３組の仮名および漢字の生起順序に関する第１の統
計的言語モデル（トライグラム）を併用するため、第２
の統計的言語モデルを構成する言語が少ないことによる
認識精度の低下を補うことができる。つまり、本第１実
施形態の音声認識装置を使用すれば、高い認識精度を維
持しつつ、漢字に読みを振ったテキストデータベースの
使用量および記憶量を軽減することができる。なお、上
記文字音素変換規則に代えて、文字サブワード変換規則
を用いることもできる。この場合、標準パターンに代え
てサブワード標準パターンが標準パターンメモリ１３に
記憶される。この構成によれば、文字音素変換規則を用
いた場合よりも、認識精度をより一層高めることができ
る。

【００３０】次に、本発明第２実施形態の音声認識装置
について図５および図６を参照して説明する。本第２実
施形態の音声認識装置は、文節構文および単語辞書を用
いないで、単漢字辞書および文字サブワード変換規則を
用いて認識処理を行うことを特徴とする。図５は、本実
施形態の音声認識装置の主要構成をブロックで示す説明
図であり、図６は、図５に示す音声認識装置による音声
認識処理の流れを示すフローチャートである。なお、前
述の第１実施形態の音声認識装置と異なる構成の部分を
中心に説明する。

【００３１】図５に示すように、音声認識装置１０に備
えられたメモリ２０は、第１の統計的言語モデル２１ａ
および第２の統計的言語モデル２１ｂから構成される統
計的言語モデル記憶部２１と、読みを振った仮名および
漢字の集合から構成される単漢字辞書が記憶された単漢
字辞書記憶部２６と、文字サブワード変換規則が記憶さ
れた文字サブワード変換規則記憶部２５とから構成され
る。また、音声認識装置１０には、サブワード標準パタ
ーンが記憶されたサブワード標準パターンメモリ１６が
備えられている。そして、上記構成の音声認識装置１０
は、仮名もしくは漢字ごとに発声され、音声入力端子１
１から入力されたた音声の特徴パラメータを抽出し（ス
テップ１０）、単漢字辞書記憶部２６に記憶された単漢
字辞書を検索して認識候補を選出し（ステップ１６）、
その選出した認識候補を文字サブワード変換規則記憶部
２５に記憶された文字サブワード変換規則を用いてサブ
ワードに変換する（ステップ１７）。続いて、その変換
したサブワードに対応するサブワード標準パターンをサ
ブワード標準パターンメモリ１６から抽出し、その抽出
したサブワード標準パターンと、上記抽出された特徴パ
ラメータとを比較して類似性尤度を算出する（ステップ
１８）。以降、前述の第１実施形態と同じ処理を実行
し、認識候補の総てについての総合尤度を算出し（ステ
ップ２０〜ステップ２６）、総合尤度の高い順にソート
を行い（ステップ２８）、その中で最も高い総合尤度の
認識候補を認識結果として選択する（ステップ３０）。

【００３２】以上のように、本第２実施形態の音声認識
装置１０を使用すれば、仮名もしくは漢字ごとに発声さ
れた音声の認識を行う構成であるため、認識処理の構成
を簡単なものにすることができる。

【００３３】次に、本発明第３実施形態の音声認識装置
について図７および図８を参照して説明する。本第３実
施形態の音声認識装置は、音節ごとに無音区間を設けて
発声された音声を認識処理することを特徴とする。図７
は、本実施形態の音声認識装置の主要構成をブロックで
示す説明図であり、図８は、図７に示す音声認識装置に
よる音声認識処理の流れを示すフローチャートである。
なお、前述の第１実施形態の音声認識装置と異なる構成
の部分を中心に説明する。

【００３４】図７に示すように、音声認識装置１０に備
えられたメモリ２０は、統計的言語モデル記憶部２１
と、単漢字辞書記憶部２６と、文字音素変換規則記憶部
２４とから構成される。また、音声認識装置１０には、
特徴抽出部１２によって抽出された特徴パラメータの時
系列の中に含まれる無音区間に基づいて特徴パラメータ
を音節ごとに切り出す音節切り出し部１７が備えられて
いる。そして、上記構成の音声認識装置１０は、音節ご
とに無音区間を設けて発声され、音声入力端子１１から
入力されたた音声の特徴パラメータを抽出し（ステップ
１０）、その抽出された特徴パラメータの時系列の中に
含まれる無音区間に基づいて特徴パラメータを音節ごと
に切り出し（ステップ１２）、単音節を認識する（ステ
ップ１４）。続いて、単漢字辞書記憶部２６に記憶され
た単漢字辞書を検索して認識候補を選出し（ステップ１
６）、その選出した認識候補を文字音素変換規則記憶部
２４に記憶された文字音素変換規則を用いて音素に変換
するとともに、その変換した音素に対応する標準パター
ンを標準パターンメモリ１３から抽出し、その抽出した
標準パターンと、上記抽出された特徴パラメータとを比
較して類似性尤度を算出する（ステップ１８）。以降、
前述の第１実施形態と同じ処理を実行し、認識候補の総
てについての総合尤度を算出し（ステップ２０〜ステッ
プ２６）、総合尤度の高い順にソートを行い（ステップ
２８）、その中で最も高い総合尤度の認識候補を認識結
果として選択する（ステップ３０）。

【００３５】以上のように、本第３実施形態の音声認識
装置１０を使用すれば、音節ごとに無音区間を設けて発
声された音声の認識を行う構成であるため、認識率およ
び認識処理速度を高めることができる。

【００３６】ところで、上記各実施形態では、図４
（Ａ）に示すように、類似性尤度Ｐ、トライグラムによ
る生起尤度ＬＴおよび読み付きバイグラムによる生起尤
度ＬＢの単純加算によって総合尤度Ｑを算出したが、図
４（Ｂ）に示すように、生起尤度ＬＴおよび生起尤度Ｌ
Ｂにそれぞれ係数ａ（たとえば、０．６）、ｂ（たとえ
ば、０．４）を乗算して重み付けを行ったものを用いて
総合尤度Ｑを算出することもできる。これによれば、第
１の統計的言語モデル２１ａおよび第２の統計的言語モ
デル２１ｂ間の統計的バランスが偏っている場合であっ
ても、その偏りを是正して精度の高い音声認識を行うこ
とができる。また、上記各実施形態では、音声認識装置
１０に備えられた図示しないＣＰＵが上記音声認識を実
行するためのコンピュータプログラムが、音声認識装置
１０内の図示しないＲＯＭ、ＨＤＤに記憶されている構
成を説明したが、上記コンピュータプログラムをＣＤ−
ＲＯＭやＦＤなどに記憶し、それらを音声認識装置１０
に備えられた図示しない読取装置を用いてインストール
することによって音声認識装置１０を動作させることも
できる。この場合、上記ＣＤ−ＲＯＭやＦＤなどが、請
求項７に記載の記憶媒体として機能する。さらに、外部
情報処理装置から有線または無線の通信手段を介してコ
ンピュータプログラムを読み込んで動作させることもで
きる。なお、ＣＰＵが実行するステップ１０が本発明の
変換手段として機能し、ステップ１８が類似性尤度算出
手段として機能し、ステップ２０およびステップ２２が
生起尤度算出手段として機能する。

【００３７】

【発明の効果】以上のように、請求項１ないし請求項７
に記載の発明によれば、漢字に読みを振ったテキストデ
ータベースから作成された読みを振った仮名および漢字
の生起順序に関する第２の統計的言語モデルを用いて認
識候補についての生起の尤度を算出する生起尤度算出手
段を備えるため、読みを振っていない仮名および漢字の
生起順序に関する統計的言語モデルのみを用いて認識候
補についての生起の尤度を算出するものよりも認識精度
を高めることができる。しかも、漢字に読みを振ったテ
キストデータベースから作成された第２の統計的言語モ
デルは、Ｎ未満であるＭ組の読みを振った仮名および漢
字から構成されているため、Ｎ組の読みを振った仮名お
よび漢字から構成されているものよりも、統計的言語モ
デルを記憶するための記憶量を少なくすることができ
る。また、上記生起尤度算出手段は、読みを振ってはい
ないが、テキストデータベースから作成されたＮ組の仮
名および漢字の生起順序に関する第１の統計的言語モデ
ルを併用するため、第２の統計的言語モデルが少ない組
の仮名および漢字から構成されていることによる認識精
度の低下を補うことができる。つまり、請求項１ないし
請求項７に記載の発明によれば、高い認識精度を維持し
つつ、漢字に読みを振ったテキストデータベースの使用
量および記憶量を軽減することができる。

【００３８】特に、請求項２に記載の発明によれば、上
記生起尤度算出手段は、上記第１の統計的言語モデルお
よび第２の統計的言語モデルに加えて、日本語の構文お
よび単語辞書を用いて各認識候補についての生起の尤度
を算出するように構成されているため、上記日本語の構
文および単語辞書を用いないで認識を行うものよりも認
識精度を高めることができる。

【００３９】また、請求項３に記載の発明によれば、仮
名もしくは漢字ごとに発声された音声の認識を行う構成
であるため、認識処理の構成を簡単なものにすることが
できる。

【００４０】さらに、請求項４に記載の発明によれば、
音節ごとに無音区間を設けて発声された音声の認識を行
う構成であるため、認識率および認識処理速度を高める
ことができる。

【００４１】また、請求項５に記載の発明によれば、上
記生起尤度算出手段は、第１の統計的言語モデルを用い
て算出した第１の生起の尤度と、第２の統計的言語モデ
ルを用いて算出した第２の生起の尤度とを加算し、その
加算値を認識候補についての生起の尤度として算出する
という、簡単な演算によって求めることができるため、
ＣＰＵの処理負担を小さくできる。

【００４２】さらに、請求項６に記載の発明によれば、
上記生起尤度算出手段は、第１の統計的言語モデルを用
いて算出した結果に重み付けを行った第１の生起の尤度
と、第２の統計的言語モデルを用いて算出した結果に重
み付けを行った第２の生起の尤度とを加算し、その加算
値を認識候補についての生起の尤度として算出するた
め、第１の統計的言語モデルと第２の統計的言語モデル
との間に存在する統計的な偏りを是正して認識率を高め
ることができる。

【００４３】そして、請求項７に記載の発明によれば、
音声をその音声に対応する特徴パラメータの時系列に変
換し、テキストデータから作成されたＮ組の仮名および
漢字の生起順序に関する第１の統計的言語モデルと、漢
字に読みを振ったテキストデータベースから作成された
Ｎ未満であるＭ組の読みを振った仮名および漢字の生起
順序に関する第２の統計的言語モデルを用いて認識候補
についての類似の尤度を算出し、標準パターンと、前記
変換された特徴パラメータの時系列とを照合して認識候
補についての類似の尤度を算出し、その算出された類似
の尤度および前記算出された生起の尤度から総合尤度を
算出し、その算出された総合尤度の中で高い総合尤度の
認識候補を認識結果とするコンピュータプログラムが記
憶されていることを特徴とする記憶媒体という構成であ
るため、その記憶媒体を音声認識装置内の記憶部として
設け、もしくは、その記憶媒体に格納されているコンピ
ュータプログラムを音声認識装置あるいは音声認識装置
に接続されたコンピュータにインストールすることによ
って請求項１に記載の音声認識装置を実現することがで
きる。

【図面の簡単な説明】

【図１】本発明第１実施形態の音声認識装置１０に備え
られた図示しないＣＰＵにより実行される処理の内容を
概念的に示す説明図である。

【図２】図１に示す音声認識装置１０が行う処理の流れ
を示すフローチャートである。

【図３】メモリ２０の記憶内容を示す説明図である。

【図４】図４（Ａ）は、総合尤度の算出式を示す説明図
であり、図４（Ｂ）は、生起尤度に重み付けを行った場
合の総合尤度の算出式を示す説明図である。

【図５】本発明第２実施形態の音声認識装置１０に備え
られた図示しないＣＰＵにより実行される処理の内容を
概念的に示す説明図である。

【図６】図５に示す音声認識装置１０が行う処理の流れ
を示すフローチャートである。

【図７】本発明第３実施形態の音声認識装置１０に備え
られた図示しないＣＰＵにより実行される処理の内容を
概念的に示す説明図である。

【図８】図７に示す音声認識装置１０が行う処理の流れ
を示すフローチャートである。

【図９】従来の日本語音声認識方法を実施した装置の構
成を示す説明図である。

【符号の説明】

１０音声認識装置１１音声入力端子１２特徴抽出部１３標準パターンメモリ１４認識部１５認識結果出力部１６サブワード標準パターンメモリ１７音節切り出し部２０メモリ２１統計的言語モデル記憶部２１ａ第１の統計的言語モデル２１ｂ第２の統計的言語モデル２２文節構文記憶部２３単語辞書記憶部２４文字音素変換規則記憶部２５文字サブワード変換規則記憶部２６単漢字辞書記憶部

Claims

【特許請求の範囲】

【請求項１】音声をその音声に対応する特徴パラメー
タの時系列に変換する変換手段と、テキストデータベースから作成された生起順序に関する
統計的言語モデルを用いて認識候補についての生起の尤
度を算出する生起尤度算出手段と、前記変換手段によって変換された特徴パラメータの時系
列を構成する各特徴パラメータと、標準パターンとを照
合することにより、認識候補についての類似の尤度を算
出する類似性尤度算出手段とを備え、前記算出された生
起の尤度および類似の尤度から総合尤度を各認識候補ご
とに算出し、その算出された総合尤度の中で高い総合尤
度の認識候補を認識結果とする音声認識装置において、前記統計的言語モデルは、テキストデータベースから作成されたＮ組の仮名および
漢字の生起順序に関する第１の統計的言語モデルと、漢
字に読みを振ったテキストデータベースから作成された
Ｎ未満であるＭ組の読みを振った仮名および漢字の生起
順序に関する第２の統計的言語モデルとから構成されて
おり、前記生起尤度算出手段は、前記第１の統計的言語モデルおよび第２の統計的言語モ
デルを用いて前記各認識候補についての生起の尤度を算
出するように構成されていることを特徴とする音声認識
装置。
【請求項２】前記生起尤度算出手段は、日本語の文節構造を単語の遷移規則として記述した文法
を用いた日本語の構文と、読みを振った仮名および漢字
系列の単語の集合から構成される単語辞書と、前記第１
の統計的言語モデルと、前記第２の統計的言語モデルと
を用いて前記各認識候補についての生起の尤度を算出す
るように構成されていることを特徴とする請求項１に記
載の音声認識装置。
【請求項３】前記変換手段は、仮名もしくは漢字ごとに発声された音声をその音声に対
応する特徴パラメータの時系列に変換するように構成さ
れており、前記生起尤度算出手段は、読みを振った仮名および漢字の集合から構成される単漢
字辞書と、前記第１の統計的言語モデルと、前記第２の
統計的言語モデルとを用いて前記各認識候補についての
生起の尤度を算出するように構成されていることを特徴
とする請求項１に記載の音声認識装置。
【請求項４】前記変換手段は、音節ごとに無音区間を設けて発声された音声をその音声
に対応する特徴パラメータの時系列に変換するように構
成されており、前記類似性尤度算出手段は、前記特徴パラメータの時系列の中に含まれる無音区間に
基づいて前記特徴パラメータを音節ごとに切り出す切出
し手段を備え、この切出し手段によって切り出された特
徴パラメータと前記標準パターンとを照合して各音節ご
とに類似の尤度をそれぞれ算出するように構成されてい
ることを特徴とする請求項１ないし請求項３のいずれか
１つに記載の音声認識装置。
【請求項５】前記生起尤度算出手段は、前記第１の統計的言語モデルを用いて算出した第１の生
起の尤度と、前記第２の統計的言語モデルを用いて算出
した第２の生起の尤度とを加算し、その加算値を認識候
補についての生起の尤度として算出するように構成され
ていることを特徴とする請求項１ないし請求項４のいず
れか１つに記載の音声認識装置。
【請求項６】前記生起尤度算出手段は、前記第１の統計的言語モデルを用いて算出した結果に重
み付けを行った第１の生起の尤度と、前記第２の統計的
言語モデルを用いて算出した結果に重み付けを行った第
２の生起の尤度とを加算し、その加算値を認識候補につ
いての生起の尤度として算出するように構成されている
ことを特徴とする請求項１ないし請求項４のいずれか１
つに記載の音声認識装置。
【請求項７】音声をその音声に対応する特徴パラメー
タの時系列に変換し、テキストデータから作成されたＮ
組の仮名および漢字の生起順序に関する第１の統計的言
語モデルと、漢字に読みを振ったテキストデータベース
から作成されたＮ未満であるＭ組の読みを振った仮名お
よび漢字の生起順序に関する第２の統計的言語モデルを
用いて認識候補についての類似の尤度を算出し、標準パ
ターンと、前記変換された特徴パラメータの時系列とを
照合して認識候補についての類似の尤度を算出し、その
算出された類似の尤度および前記算出された生起の尤度
から総合尤度を算出し、その算出された総合尤度の中で
高い総合尤度の認識候補を認識結果とするコンピュータ
プログラムが記憶されていることを特徴とする記憶媒
体。