JPS5962900A - 音声認識方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔発明の利用分野〕 本発明は、単語・文（単語列、数字列）の標準音声パタ
ンについて入力音声に対する類似度が最上位のものを判
定・出力する音声認識装置において、その誤認識時（同
装置の認識結果が発声者等の確認によって誤りであると
されたとき）またはリジェクト時（最も確からしい類似
度の値が低く、それを認識結果とするには疑わしいと同
装置が判定して再入力を要求するとき）に対する訂正処
理の確実化、効率化するための音声認識方式に関するも
のである。

〔従来技術〕

この種の音声認識装置において、文音声（単語列、数字
列等が連続発声をされたもの）に対する従来の音声認識
方式は、その誤認識時、リジェクト時には、一例として
、当該文音声全体を同時に連続発声で１４１入力させ、
再認識処理をするようにしていた。

このような従来方式は、同一動作・処理の繰返しによっ
て正しい認識結果を得るように図ったものであるが、そ
れによって必ずしも正認識が保証されるものではない。

また、文音声中の１単語についてのみの誤認識、リジェ
クトであっても、当該文音声全体の再入力をしなければ
ならないので、認識処理が効率的でなく、発声者に刻し
ても余分の負担をかけ、サービス性がよくなかった。

〔発明の目的〕

本発明の目的は、上記した従来技術の欠点をなくし、連
続入力の文音声の誤認識時、リジェクト時に対する訂正
処理の確実化、効率化をして、認識率を向上させるとと
もにサービス性を向上させることができる音声認識方式
に関するものである。

〔発明の概要〕

本発明の音声認識方式に係る第１の発明の構成は、認識
対象の各単語・文に対応して各複数組の標準音声パタン
データを記憶しておき、入力音声の特徴抽出を行い、そ
の特徴データと上記各標準音声パタンテータとのパタン
マッチング処理を行い、その類似度が最上位となるもの
を認識結果として判定・出力する機能を有する音声認識
装置において、連続入力の文音声の認識結果が誤認識と
なったときは、その文音声を構成する各単語ことに区切
って再入力をすべき旨のメッセージを送出し、それに応
じて順次に再入力された各単語音声ことに訂正・確認の
認識処理を行い、その文音声の出入力の終了に関する所
定の終了単語または所定の終了タイミングの検出により
、その訂正認識処理を終了せしめるように制御・処理す
るものである。

また、同様に第２の発明の構成は、認識対象の各単語・
文に対応して各複数組の標準音声パタンデータを記憶し
ておき、入力音声の特徴抽出を行い、その特徴データと
上記各標準音声パタンデータとのパタンマッチング処理
を行い、類似度か最上位となるものを認識結果として判
定・出力する機能を有する音声認識装置において、連続
入力の文音声の認識結果がリジェクトとなったときは、
その文音声を構成する各単語ことに区切って再入力をす
べき旨のメッセージを送出し、それに応じて順次に再入
力された各単語音声ごとに訂正確認の認識処理を行い、
その文音声の再入力の終了に関する所定の終了単語また
は所定の終了タイミングの検出により、その訂正認識処
理を終了せしめるように制御・処理するものである。

更に、同様に第３の発明の構成は、認識対象の各単語・
文に対応して各複数組の標準音声パタンデータを記憶し
ておき、入力音声の特徴抽出を行い、その特徴データと
上記各標準音声パタンデ−タとのパタンマッチング処理
を行い、その類似度が最上位となるものを認識結果とし
て判定・出力する機能を有する音声認識装置において、
連続入力の文音声の認識結果が誤認識となったときは、
その誤認識に関する単語についてのみ当該位置情報の入
力および当該音声の再入力をすべき旨のメッセージを送
出し、それに応じて再入力された単語音声の認識・確認
処理に基づき、その訂正認識処理を行わしめるように制
御・処理するものである。

最後に、同様に第４の発明の構成は、認識対象の各単語
・文に対応して各複数組の標準音声パタンデータを記憶
しておき、入力音声の特徴抽出を行い、その特徴データ
と上記各標準音声パタンデータとのパタンマッチング処
理を行い、その類似度が最上位となるものを認識結果と
して判定・出力する機能を有する音声認識装置において
、連続入力の文音声の認識結果がリジェクトとなったと
きは、そのリジェクトに関する単語についてのみ当該音
声の再入力をすべき旨のメッセージを送出し、それに応
じて再入力された単語音声の認識・確認処理に基づき、
その訂正認識処理を行わしめるように制御・処理するも
のである。

〔発明の実施例〕

以下、本発明の実施例を図に基づいて説明する。

第１図は、第１〜第４の発明に係る各音声認識方式の一
実施例に対する共通の方式構成図、第２図〜第５図は、
それぞれ、それらの処理フローチャートである。

ここで１は、音声入力に係るマイクロフォン、２は、入
力音声信号について所定の利得調整・帯域制限を行った
後、そのディジタル変換をする入力部、３は、入力され
たディジタル音声信号から入力音声の特微データを抽出
する分析部、４は入力音声の音声区画の検出処理をして
独立した単語（数字）を判定する音声区間検出部、５は
、入力音声と標準音声パタンとのパタンマッチング処理
を行う音声認識部、６は、そのパタンマッチング処理（
類似度計算処理）の結果により、入力音声に対する類似
度が最上位の組を判定する判定部、７は認識対象の各単
語・文（複数単語の集合、すなわち単語列）について各
複数組の標準音声パタンデータを格納（記憶）している
標準音声パタンメモリ、８は、その選択制御をする標準
音声パタン選択部、９は、認識結果表示、高声入力指示
に係る音声合成部、１０は、同スピーカ、１１は、認識
結果の確認およひ繰返し音声入力指示に係るコンソール
部、１２は、上記各部に対する制御その他所要の処理を
行う制御部、１３は、認識結果に基づいて所望のザービ
ス処理を行うポスト装置である。

最初に、第１の詭明の実施例を第１図、第２図によって
説明する。

まず、音声認識処理に先立ち、制御部１２は、各音声入
力に対する準備を入力部２、分析部３、音声区間検出部
４．音声認識部５へ指示するとともに、その時の認識対
象となるべき範囲（例えば、単語については数字、物品
名、地名等の分類別、また文についてはサービス要求種
別等の分類別）について、その標準音声パタンの全組を
標準音声パタンメモリ７から選択するように標準音声パ
タン選択部に対して指示する（第２図の処理２１）。

これらの準備が完了すると、発音者に対して音声入力を
促すべき入力催告メッセージを音声合成部９経由でスピ
ーカ１０から放声せしめる（同処理２２）。

これにより、発声者がマイクロフォン１から文音声（例
えば、複数桁の数字列の音声）を単語（各桁の数字）こ
とに特別に区切らないで連続して入力する（同処理２３
）。

入力された音声信号は、入力部２でディジタル変換をさ
れ、分析部３で音声分析をされ、その特徴データが抽出
される（同処理２４）。

音声認識部５は、その特徴データと選択されている標準
音声パタンデータとの間でパタンマッチング処理を行い
、入力音声に対する上記各標準音声パタンの類似度を判
定部６へ伝える（同処理２５）。

判定部６は、類似度の中で最上位の（最も確からしい）
組の標準音声パタンを認識結果として制御部１２へ伝え
る（同処理２６）。

入力音声に対して最も確からしい類似度の値が低く、ぞ
れを認識結果として出力するのは疑わしいとすべきリジ
ェクトの場合には、制御部１２は、標準音声パタン選択
部８に対して今までと同一のパタンを選択するように指
示するとともに（同処理２９）、音声合成部９経由でス
ピーカ１０から催入力催告のメッセージを放声せしめ（
同処理３０）、前述の処理２３以降を繰り返す。

また、リジェクトでない場合には、制御部１２は、その
認識結果が正しいものであるか否かを発声者に確認させ
るための表示として、確認要求メッセージを音声合成部
９経由でスピーカ１０から放声させる（同処理２７）。

なお、上記表示は、コンソール部１１におけるランプ表
示等によってもよい。

発声者６は、これを聴取して自己の入力音声について正
認識、誤認識いずれであったかを知り、その確認結果を
コンソール部１１から制御部１２へ入力する（同処理２
８）。

制御部１２への上記確認結果入力は、必ずしもコンソー
ル部１１における操作による必要はなく、マイクロフォ
ン１からの確認用音声の入力によってもよいが、その内
容は音声認識が確実に行われるように簡単で誤認識をし
にくいものであることが望ましい。

制御部１２は、上記確認情報により、上述の認識候補が
正しいものであるときは、それが通常の連続入力に対す
るサービス処理であることを判断した後、その認識結果
をホスト装置１３へ送り出し、１つの連続入力音声に対
する処理を終了せしめて次の入力に備える。

一方、正認識でなく誤認識であったという確認情報を受
けたときは、制御部１２は、その誤認識が通常の連続入
力音声の認識処理に関するものであることを判断した後
、その文音声（数字列）について先頭から１桁ずつ訂正
・確認の認識処理をするため、桁数カウンタをクリアす
るとともに、音声合成部９経由でスピーカ１０から、誤
認識となった文音声（数字列）を１桁ずつ区切って再入
力するようメッセージを送出せしめる（同処理３１）。

次いで、順次、上記メッセージに応じて入力される各桁
の数字ごどに認識処理を行うが、それに伴なって、上記
桁数カウンタの値ｎはイングリメントされる（同処理３
２）。

ここで、制御部１２は、再入力された各桁の認識結果が
正しいか否かの確認要求を前述の処理２７と同様にして
行い（同処理３３）、その確認結果の入力により（同処
理２８）、それが正認識であって連続入力でないこと（
訂正のため各桁ごとに区切って入力されていること）を
判断した後、更に当該桁の音声が訂正入力の終了を示す
終了単語（例えば“おわり”という単語）の音声でない
ことを刊断し、次の桁の訂正・確認の認識処理を行うよ
うにすると（処理３２への移行）。

一方、終了単語の認識・検出が行われると、その訂正・
確認の認識処理が全桁について完了したものと判定し、
通常のサービス処理に戻るようにする。

なお、上記終了単語は必ずしも必要でなく、これを設け
ない場合には、訂正・確認における区切り（離散）発声
の単語間ボースのタイミング監視をし、そのタイミング
が通常の単語間ボーズの最大値越えたとき、すなわち訂
正入力の終了タイミングが検出されたとき、その全桁に
ついて訂正・確認の認識処理が完了したものと判定する
ようにしてもよい。

前後したが、前述の連続入力についての誤認識であるか
否かの判断の結果、連続入力に関するものでなく区切り
入力（訂正・確認用の入力）に関するものであったとき
には、当該桁を再入力すべき催告放声をせしめて前述と
同様の処理を繰り返す（回処理３４）。

以上のように、連続入力の文音声について誤認識が発生
しても、その構成単語ごとに区切って発声させ、各単語
ごとに訂正・確認の認識処理を行うので、誤認識につい
て確実な訂正処理が可能となる。これは、一般に連続発
声よりも区切り（離散）発声の力が認識率を高くしうる
ことを利用したものである。

次に、第２の発生の実施例を第１図、第３図によって説
明するが、前述の第１の発明の実施例と異なる部分のみ
とし、同様な部分（第３１図の処理２１〜３０に関する
もの）については詳細説明を省略する。

第１の発明の実施例と異なるのは、まず、通常の連続入
力の文音声の認識結果が誤り（誤認識）となったとき、
前述の第２図におけるリジェクト時と同様に処理２９、
３０を行う点であり、また、主要な点は、第２の発明の
課題であるリジェクト時の処理にある。以下、この点に
ついて詳述する。

前述と同様の処理２１〜２６の後、文音声の連続入力に
ついての認識結果がリジェクトとなったときは、制御部
１２は、そのリジェクトが通常の連続入力音声の認識処
理に関するものであることを判断した後、その文音声（
数字列）について先頭から１桁ずつ訂正・確認の認識処
理をするため、桁数カウンタをクリアするとともに、音
声合成部９経由でスピーカ１０から、リジェクトとなっ
た文音声（数字列）を１桁ずつ区切って再入力するよう
メッセージを送出せしめる（第３図の処理３１）。

次いで、順次、上記メッセージに応じて入力される各桁
の数字ごとに認識処理を行うが、それに伴なって上記桁
数カウンタの値ｎはインクリメントされる（同処理３２
）。

ここで、制御部１２は、再入力された各桁の認識結果が
正しいか否かの確認要求を処理２７と同様にして行い（
同処理３３）、その確認結果の入力により（同処理２８
）、それが正認識であって連続入力でないこと（訂正の
ため各桁ごとに区切って入力されていること）を判断し
た後、更に当該桁の）音声が訂正入力の終了を示す終了
単語（例えば″おわり″という単語）の音声でないこと
を判断し、次の桁の訂正・確認の認識処理を行うように
する（処理３２への移行）。

一方、終了単語の認識・検出が行われると、その訂正・
確認の認識処理が全桁について完了したものと判定し、
通常のザービス処理に戻るようにする。

なお、上記終了単語は、必ずしも必要でなく、これを設
けない場合には、訂正・確認における区切り（離散）発
声の単語間ポーズのタイミング監視をし、ぞのタイミン
グが通常の単語間ポーズの最大値を超えたとき、すなわ
ち訂正入力の終了タイミングが検出されたとき、その全
桁について訂正・確認の認識処理が完了したものと判定
するようにしてもよい。

前後したが、前述の連続入力についてのリジェクトであ
るか否かの判断の結果、連続入力に関するものでなく区
切り入力（訂正・確認用の入力）に関するものであった
ときには、当該桁を再入力すべき催告放声をせしめて前
述と同様の処理を繰り返す（同処理３４）。

以上のように、連続入力の文音声についてリジェクトが
発生しても、その構成単語ごとに区切って発声させ、各
単語ごとに訂正・確認の認識処理を行うので、リジェク
トについて確実な訂正処理が可能となる。これは、一般
に連続発声よりも区切り（離散）発声の方が認識率を高
くしうることを利用したものである。

更に、第３の発明の実施例を第１図、第４図によって説
明するが、前述の第１、第２の発明の実施例と異なる部
分のみとし、同様なｊ部分（第４図の処理２１〜３０に
関するもの）については、詳細説明を省略する。

まず、第４図において、処理２１〜２８および２９、３
０に関する処理フローについては、第２図の場合と全く
同様であり、主要な点は、第３の発明の課題である誤認
識時の処理にある。

前述と同様の処理２１〜２７の後、確認結果の入力（第
３図の処理２８）により、制卸部１２は、連続入力の文
音声について誤認識であったという確認情報を受けると
、その文音声（例えは、数字列によるもの）における誤
認識対象の単語（数字）の位置情報（例えば、その文に
おける単語順序番号であって、数字列の場合には桁番号
）の入力催告の要否を判断し、要であれば、それに該当
すべき分類（数字類）の標準音声パタンを選択するよう
に標準音声パタン選択部８に指示するとともに（第４図
の処理３３Ａ）、音声合成部９経由でスピーカ１０から
、誤認識対象の単語の位置情報（桁番号）の入力催告の
メッセージを放声せしめる（同処理３４Ａ）。

これを聴取した発声者が当該桁番号を入力すると、処理
２３〜２８が行われ、その結果か正認識であり、かつ、
その内容が桁番号であるときは、制御部１２は、桁番号
の入力に備えて当該分類（数字類）の標準音声パタンを
選択せしめるようにするとともに（同処理３１Ａ）、当
該用の数字（音声）の入力催告のメッセージを放声せし
める（同処理３２Ａ）。

これを聴取した発声者が当該用の数字（音声）を入力す
ると、上述と同様に処理２３〜２８が行われ、その結果
か正認識であれば、その内容が桁番号でないことから当
該訂正・確認の認識処理が完了することができる。

なお、訂正・確認の認識処理に入ってから誤認識となり
、かつ、桁番号の入力催告が不要であるものと判断され
たときは、桁番号、桁数字の追認識であるものと判定し
、リジェクトの場合と同様に処理２９、３０を行い、繰
返し認識処理を行うようにする。

以上のように連続入力の文音声について誤認識が発生し
ても、その誤認識対象の単語のみの離散発声をさせて再
認識を行うので、誤認識について確実で効率的な訂正処
理が可能となる。

最後に、第４の発明の実施例を第１図、第５図によって
説明するが、前述の第１、第２、第３の発明の実施例と
異なる部分のみとし、同様な部分（第５図の処理２１〜
３０に関するもの）については詳細説明を省略する。

まず、第５図において、処理２１〜２８および２９、３
０に関する処理フローについては、第３図の場合と全く
同様であり、主要な点は、第４の発明の課題であるリジ
ェクト時の処理にある。

前述と同様の処理２１〜２６の後、連続入力の文音声に
ついてリジェクトになると、制御部１２は、その文音声
（例えば、数字列によるもの）におけるリジェクト対象
の単語（数字）の位置情報（例えば、その文における単
語順序番号であって、数字列の場合には桁番号）を判定
しているのて、それに該当する分類（数字類）の標準音
声パタンを選択するように標準音声パタン選択部８に指
示するとともに（第５図の処理３１Ａ）、音声合成部９
経由でスピーカ１０から、リジェクト対象の単語（数字
）についてのみ、その位置情報（桁番号）を指示した当
該数字（音声）の入力催告のメッセージ放声せしめる（
同処理３２Ａ）。

これにより、処理２３以降が繰り返され、その訂正・確
認の認識処理を行うことができる。

以上のように、連続入力の文音声についてリジェクトか
発生しても、そのリジェクト対象の単語のみの離散発声
をさせて再認識を行うので、リジェクトについて確実で
効率的な訂正処理が可能となる。

〔発明の効果〕

以上詳細に説明したように、本発明によれば、連続入力
の文音声の認識処理について、その誤認識時、リジェク
ト時に対する訂正処理の確実化、効率化をすることがで
きるので、この種の音声認識システムにおける実用性の
向上および信頼性、サービス性の向上に顕著な効果が得
られる。

【図面の簡単な説明】

第１図は、第１〜第４の発明に係る各音声認識方式の一
実施例に対する共通の方式構成図、第２図〜第５図は、
それぞれ、それらの処理フローチャートである。 １…マイクロフォン、２…入力部、３…分析部、４…音
声区間検出部、５…音声認識部、６…判定部、７…標準
音声パタンメモリ、８…標準音声パタン選択部、９…音
声合成部、１０…スピーカ、１１…コンソール部、１２
…制御部、１３…ホスト装置。 メ３日 ＄４目

Claims (1)

1. 【特許請求の範囲】 １、認識対象の各単語・文に対応して各複数組の標準音
   声パタンデータを記憶しておき、入力音声の特徴抽出を
   行い、その特徴データと上記各標準パタンデータとのパ
   タンマッチング処理を行い、その類似度が最上位となる
   ものを認識結果として判定・出力する機能を有する音声
   認識装置において、連続入力の文音声の認識結果が誤認
   識となったときは、その文音声を構成する各単語ごとに
   区切って再入力をすべき旨のメッセージを送出し、それ
   に応じて順次に再入力された各単語音声ごとに訂正・確
   認の認識処理を行い、その文音声の再入力の終了に関す
   る所定の終了単語または所定の終了タイミングの検出に
   より、その訂正認識処理を終了せしめるように制御・処
   理することを特徴とする音声認識方式。 ２、認識対象の各単語・文に対応して各複数組の標準音
   声パタンデータを記憶しておき、入力音声の特徴抽出を
   行い、その特徴データと上記各標準パタンデータとのパ
   タンマッチング処理を行い、その類似度が最上位となる
   ものを認識結果として判定・出力する機能を有する音声
   認識装置において、連続入力の文音声の認識結果がリジ
   ェクトとなったときは、その文音声を構成する各単語ご
   とに区切って再入力をすべき旨のメッセージを送出し、
   それに応じて順次に再入力された各単語音声ことに訂正
   ・確認の認識処理を行い、その文音声の再入力の終了に
   関する所定の終了単語または所定の終了タイミングの検
   出により、その訂正認識処理を終了せしめるように制御
   ・処理することを特徴とする音声認識方式。 ３、認識対象の各単語・文に対応して各複数組の標準音
   声パタンデータを記憶しておき、入力音声の特徴抽出を
   行い、その特徴データと上記各標準パタンデータとのパ
   タンマッチング処理を行い、その類似度が最上位となる
   ものを認識結果として判定・出力する機能を有する音声
   認識装置において、連続入力の文音声の認識結果が誤認
   識となったときは、その誤認識に関する単語についての
   み当該位置情報の入力および当該音声の再入力をすべき
   旨のメッセージを送出し、それに応じて再入力された単
   語音声の認識・確認処理に基づき、その訂正認識処理を
   行わしめるように制御・処理することを特徴とする音声
   認識方式。 ４、認識対象の各単語・文に対応して各複数組の標準音
   声パタンデータを記憶しておき、入力音声の特徴抽出を
   行い、その特徴データと上記各標準パタンデータどのパ
   タンマッチング処理を行い、その類似度が最上位となる
   ものを認識結果として判定・出力する機能を有する音声
   認識装置において、連続入力の文音声の認識結果がリジ
   ェクトとなったときは、そのリジェクトに関する単語に
   ついてのみ当該音声の再入力をすべき旨のメッセージを
   送出し、それに応じて出入力された単語音声の認識・確
   認処理に基づき、その訂正認識処理を行わしめるように
   制御・処理することを特徴とする音声認識方式。