JPS60159798A

JPS60159798A - 音声認識装置

Info

Publication number: JPS60159798A
Application number: JP59014710A
Authority: JP
Inventors: 渡辺　貞一; 浮田　輝彦
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1984-01-30
Filing date: 1984-01-30
Publication date: 1985-08-21
Also published as: JPH0554678B2

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】〔発明の技術分野〕本発明は連続発声された入力音声を精度良く認識するこ
との出来る音声認識装置に関する。

【発明の技術的背景とその問題点〕

音声の自動認識は、人間から機械への直接的な情報入力
を可能とするインターフェイス技術・とじて非常に重要
である。この音声の自動認識は、例えば音素・音節・単
詔等の言語的記号の系列を連続発声してなる入力音声パ
ターンを、離散的な言語的記号に変換し、これらの各言
語的記号をそれぞれ認識する過程として捕えることが出
来る。

ところで人間の発声器官は、ある質量を持った物理的な
ものであり、従って発声された音声バタ−ンが離散的に
変化することはない。この為、連続発声された音声の言
語的記号に対する音声パターンがその前後の環境の影響
を受けることが否めない。例えば、言語的記号として音
素を考えた場合、「青い（ａｏ　ｉ　）　Ｊなる単語に
おける「０」の部分の音声パターン（音声波）を切出し
て聴取しても明瞭な「０」として知覚することは難しい
。

これはその前後の「ａ」と「ｉ」により、ｒｏＪのパタ
ーンが変形している為である。逆にｒａＪやｆｉｌが「
０」の影響により変形することも良く知られている。ま
た言語的記号として単語を考えた場合でも、数字列「８
３（ハチサン）」のうち「チ」の部分が無声化されるこ
とが多いのに対して、数字列「８１（ハチイチ）Ｊの場
合には「チ」の部分が無声化されることは殆んどない。

つまり同じ言語的記号であっても、その音響的な表現で
ある音声パターンがその前後の環境によって異なると云
う現象（調音結合）が生じる。

このように人間が連続発声する音声の言語的記号は、そ
の前後の影響を強く受けて大きく変化しており、しかも
その影響は相６互的なものである。

この為、１つの８語的記号を１つの音声パターンとして
捕えてその前後の環境とは独立にｖ１諏処理するには本
質的な無理がある。そこで従来では、音声パターンの種
々の変形を可能な限り類型化し、１つの言語的記号に対
して複数の音声パターンをその標準パターンとして準備
することが考えられている。然し乍ら、音素や音節は前
後の環境種類が多い為、上述したように多くの標準パタ
ーンを準備するには、その数が非常に膨大となると云う
問題を有していた。しかも複数の標準パターンを用意す
る方法は、その前後関係の問題を本質的に解決するもの
ではないので、認識性能の点からも問題があった。

このような問題を解決するものとして、本発明者等は先
に特願昭５８−８５２４１号に示す装置を提唱した。こ
の装置は連続発声された入力音声を分析してその特徴パ
ラメータ系列を離散的な言語的記号の単位に分離し、各
区分単位毎に１つ若しくは複数の言語的記号候補とこれ
らの各記号候補の上記“区分単位に対する尤度をめ、こ
れらの各尤度を時間的に隣接する区分単位間における各
記号候補間の適合係数を関数としてそれぞれ更新し、こ
れらの更新された尤度が所定の閾値を越えたとき、各区
分単位で最大の尤度を持つ記号候補をその単位における
認識結果として出力するものである。

即ち、第１図に示されるように、音響分析部１で入力音
声のスペクトル構造を表す特徴パラメータ系列をめ、次
に分割記号化処理部２において上記特徴パラメータ系列
を言語的記号の単位に分割すると同時に各記号の尤度を
第２図に示すようにめ、これを記憶部３に格納する。そ
の後、制御部４の制御の下で各記＠間の予め設定された
適合係数により、上記各記号の尤度やその正しい確率を
それぞれ繰返し更新する。この尤度の更新処理を所定の
条件が満足されるまで繰返して行なった後、これを記号
評価部５で評価して前記各区分区間において最大の尤度
を得る記号をその区分単位における認識結果としてそれ
ぞれめるものである。

しかし、ここで用いられる適合係数は、隣接する時間区
分の記号候補の並びの関数として定義されるものであり
、言語的記号の並び（連鎖）が正しく認識される確率、
或いは他のパラメータにより予め設定されるものである
。従って、適合係数として用いることの出来る情報は、
統計的なもの等の予め設定できる尺度に限られる。この
為、入力音声の個々の内容に即した情報を前記適合係数
に反映させることが不可能であり、その認識性能の向上
には限界があった。

〔発明の目的〕

本発明はこのような事情を考慮してなされたもので、そ
の目的とするところは、連続する言語的記号間の前後関
係による影響を効果的に除去して、連続発声された入力
音声を精度よく認識することのできる実用性の高い音声
認ｌｉｌ装置を提供することにある。

〔発明の概要〕

本発明は入力音声を分析して得られる特徴パラメータ系
列を離散的な言語的記号の単位区分に分離し、各区分毎
に１つ若しくは複数の言語的記号候補およびこれらの各
記号候補のその区分単位における尤度をそれぞれめると
共に、上記入力音声に基いて時間的に隣接する区分単位
間における前記各記号候補間のその入力位置における適
合係数を、例えば音素の区分境界を中心として抽出され
る入力音声の部分パターンに対し、予め用意された言語
的記号間の遷移部の標準パターンとマツチング処理し、
その類似度としてめる。そして、各記号の尤度を上述し
た如くめた適合係数を関数としてそれぞれ更新し、これ
らの更新された尤度が所定の閾値を越えたとき、或いは
その更新処理を所定回数行ったとき、各区分区間におい
て最大の尤度を持つ言語的記号候補をその区分における
′Ｒ識結果として出力するようにしたものである。

〔発明の効果〕

かくして本発明によれば、離散的な言語的記号の区分単
位に分離された入力音声の各区分単位毎にめられた言語
的記号候補の尤度を、入力音声に基いてめた時間的に隣
接する区分単位間における記号間の適合係数を関数とし
てそれぞれ繰返し更新するので１、処理対象とする区分
単位の前後の区分単位における記号候補が一意に確定し
ていなくても、その影響を順次適応的に除去しながら尤
度の高い記号候補を確定することが可能となる。

つまり、最初に仮定される複数の記号候補について、入
力音声中の仮定された境界位置の前後関係の内容を適合
係数としてその記号候補の尤度に反映し、その尤度を繰
返し更新するので、上記各区分区間の適合係数に反映さ
れる区分単位間の影響を徐々に繰返し除去することがで
きる。この結果、連続発声された入力音声の個々の言語
的記号をそれぞれ精度良く認識することが可能となる。

従って、連続発声された入力音声の全体に亙って、互い
に影響を及し合っている連続音声の言語的記号をそれぞ
れ高精度にＩ！でき、その効果は極めて絶大である。

〔発明の実施例〕

以下、図面を参照して本発明の一実施例につき説明する
。

尚、ここでは言語的記号として音素を例にとり説明する
が、音節や単語を言語的記号として取扱うことも勿論可
能である。

第３図は実施例装置の概略構成図である。連続発声して
入力される音声は音響分析部１１に導かれ、所定の分析
Ｉ１８藺（フレーム：例えば１０ｍ５ｅｃ）毎に音響分
析されて特徴パラメータに変換される。

この音響分析部１１は、例えばスペクトル分析の手法と
して知られている複数の帯域通過フィルタからなるフィ
ルタ・バンクにより構成され、その各チャネル出力値の
エネルギを計算して、これを前記入力音声の特徴パラメ
ータとしてめている。

これらのデータは盲管分析部１１内の入カバターンメモ
リに記憶される。しかして、分割記号化処理部１２は、
上記音響分析部１１が音響分析してめた入力音声の特徴
パラメータ時系列を入力し、これをそのｍ数的な言語的
記号の単位である音素に対応する区間に分割して各区分
単位毎に記号化している。この分割記号化処理部１２は
、例えば入力音声のパワーやスペクトル変化等の特徴パ
ラメータから音素境界を検出し、前記入力音声の特徴パ
ラメータ時系列を音素を単位として分割した後、各区分
単位の特徴パラメータ系列と標準パターンとのマツチン
グ処理を行って各単位毎に１つ若しくは複数の音素候補
、つまり言語的記号候補をめている。

この分割記号化処理部１２は例えば第４図に示す如く構
成される。即ち、補助特徴抽出部２１は前記音響分析部
１１の入カバターンメモリに記憶されている特徴パラメ
ータの時系列から、音声パワーとスペクトル変化を補助
特徴として抽出し、これを保持している。この補助特徴
に対して音素境界検出部２２では、例えば音声パワーの
極小値またはスペクトル変化の極大値を与えるフレーム
を音素の境界として検出している。この境界情報は音素
区間の開始・終了位置として前記第３図に示される記憶
部１３に転送されると共に、該処理部１２における音素
パターン発生部２３に与えている。この音素パターン発
生部２３では前記音素境界のフレームをそれぞれ開始フ
レームと終了フレームとして前記゛特徴パラメータ時系
列を切出し、後述する類似度演算の為にその区分単位に
おける音声パターンを作成している。そしてこの音素パ
ターンを、音素標準パターン記憶部２４に予め準備され
た全ての音素の標準パターンとの類似度演算を行なうべ
く、これを音素類似度演算部２５に出力している。この
音素類似度演算部２５にて前記区分単位の音声パターン
と音素標準パターンとの類似度がそれぞれ計算される。

候補判定部２Ｇは、このようにして計算される前記各音
素標準パターンに対する類似度の値を相互に比較してそ
の区分単位における音素候補を１つまたは複数選択して
いる。そしてこれらの音素候補は前記記憶部１３に転送
される。

尚、上記音素の類似度計算手段としては、例えばパター
ン変形の吸収能力の高い複合類似度法を用いることが好
ましい。この複合類似度法によれば各音素のクラス毎に
互いに直交した数種のベクトルを標準パターンとして持
つ必要があるが、音素の種類は高々３０種程度であるの
で、メモリや処理時間の点での問題を招くことは殆んど
無い。

また候補判定部２６では類似度値がある閾値より大きい
上位Ｎ個の音素をその候補として出力するものであれば
よい。その結果として、音素区間の情報が例えば第５図
に示すように前記記憶部１３のＰテーブル１３ａに、ま
た音素候補名とその類似度が尤度としてＬレジスタ１３
ｂに保存される。即ち、Ｐテーブル１３ａには前記各区
分単位の開始フレームと終了フレーム、及び音素候補の
個数とＬレジスタ１３ｂに対するポインタが記憶され、
またＬレジスタ１３ｂには前記各区分単位における音素
候補とその尤度（確率）それぞれが保持される。そして
これらのテーブル１３ａ　、　１３ｂは上記ポインタに
よって相互に関連付けられる。・尚、分割記号化処理部１２の構成は上述した例に限られ
るものではない。例えば、入力音声の特徴パラメータの
チャネル数を少なくし、これを再分割してめられる概略
特徴パラメータに対して音素の標準パターンをマツチン
グ処理して音素の境界を検出し、しかる後に詳細な特徴
パラメータに対して別に用意された詳細な音素標準パタ
ーンをを用いて再度マツチング処理してその音素候補を
得るようにしてもよい。特にこのような手法を採用すれ
ば、音節や単語を言語的記号とする場合であっても、上
述した音素の場合と全く同様に記号候補への分割を行な
うことが出来る。この際、各言語的候補について、その
距離や類似度等によって示される尤度も同時にめるよう
にすればよい。

このようにしてめられる尤度は、その音素候補が対象区
分の特徴パラメータと比較したときの所謂確からしさを
示すものと云える。

しかして前記分割記号化処理部１２によりめられた各区
分単位の位置とその音素候補は適合係数設定部１４に送
られ、前記各区分単位間における音素候補間のその位置
における適合係数が算出される。

即ち、適合係数設定部１４は、前記音素候補とその位置
に基いて、入力音声の特徴パラメータのその境界位置に
対して、予め用意される音素の連鎖の標準パターンとの
マツチング処理を行なって適合係数を設定している。例
えば第２図に示す例では、その第２区分車位においてｍ
″とＮ′′とが候補としてめられる。今、この候補“ｍ
″について考えると、その左側の区分（第１区分車位）
の候補“０”と上記候補ｔｉｍ″との適合係数は、予め
用意された’　ｏ　−ｍ　”の遷移部の標準パターンと
、この入力データの第１区分と第２区分の境界における
部分音声パターンとマツチングすることによりめられる
。このマツチング処理の結果として得られる類似度を変
換して、前記音素候補間１１０ｍ　ｌ＋のその位置にお
ける適合係数とする。

尚、このような手法を採用する場合、音素の並びの全て
に対して標準パターンをそれぞれ用意する必要がある。

然し乍ら、日本語の場合には音素の並びの基本が、−母
音一子音一母音一子音一・・・・・・と云う構造である
ので、その種類は高々５（＝母音）Ｘ２５（＝子音）Ｘ
２であり、結局２５０種の標準パターンを準備するだけで
よい。またマツチング処理の回数は、最初に得られる各
候補の組合せについて、それぞれの位置で１度マツチン
グすれば良い。

しかしてマツチング処理の方法としては、公知の動的計
画法や複合類似度法、或いはパターン認識で良く知られ
ている統計的な距離を用いて行なうことができる。例え
ば複合類似度法により前記適合係数をめる場合には、適
合係数設定部１４を第６図に示すように構成すればよい
。即ち、適合係数設定部１４では、先ずパターン生成部
３１にて前記分割記号化部１２から与えられた音素境界
の位置データに基いて、その場所における境界部の入カ
バターンを生成する。具体的には、゛例えば境界のフレ
ームを中心として前後数−１−ｍ５ｅｃの所定次元の入
カバターン（特徴パラメータの時系列）を取出して行わ
れる。次に音素境界標準パターン記憶部３２に予め登録
された互いに直交する数種のベクトルからなる音素の境
界標準パターンと前記境界部の入カバターンとの類似度
計算を類似度計算部３３にて行なう。この類似度計算は
、対象境界フレームの両側に現れる音素候補によって指
示される全ての音素境界パターンについて実行される。

変換部３４ではこのようにしてめられた類似度を用いて
、例えばＯ〜１００の範囲で与えられる類似度を０．０
〜ＣＯの範囲の値を持つ適合係数として変換生成する。

この適合係数の算出に用いる写像関数は線形でもよいし
、或いは非線形な関数であってもよい。適合係数設定部
１４ではこのようにして得られた適合係数をメモリ（Ｂ
テーブル３５ａとＲレジスタ３５ｂ　）　３５に記憶す
る。例えば第７図に示すように境界フレーム番号とそこ
における音素の連鎖の個数、及びＲレジスタ３５ｂへの
ポインタをＢテーブル３５ａに格納し、音素連鎖を表す
２つの音素名とそれに対応する適合係数をＲレジスタ３
５ｂに格納している。

このようにして適合係数設定部１４にめられた適合係数
の情報に基いて、前記記憶部１４に格納された情報（音
素候補）が、記号評価部１５により評価処理される。

次にこの記号評価部１５における評価処理について説明
する。区分単位にそれぞれ分離された各区分の音素は、
その前後の音素の影響を受けていることは、前述した通
りである。従っである単位の音素に対してめられて音素
候補が正しいか否かを判定するには、その単位について
められた尤度だけでは不十分である。そこで今、第１番
目の区間の音素に対してめられた音素候補Ｘの尤度（類
似度）をＬｉ（Ｘ）として定義する。そして各区分毎に
先ずＰ、、（Ｘ）をめる。このｐＸ＜ｘ＞はその区分におけ
る相対的なもっともらしさ、即ち尤度を表している。そ
こで、その前後の区分（ｉ−１）。

（ｉ＋１　）においてめられた音素候補を各々Ａ。

＝−Ｂとする。今、１（回（ｋ＝１．２．・・・・・・
）の更新処理が成されたときの確率をＰＬ　（Ｘ）とす
ると、その更新処理は、次の漸化式に従った演算を施す
事ｒ（ｘ、Ｂ：ｆ　））・・・・・・・・・（２）（ｆ
：境界フレーム番号）但し、Ｐ：　（Ｘ）＝Ｐ？＋ｔ（Ｘ）＝Ｑである。即ち、上記第（２）式においては、隣接区分間
における各音素候補間の相互影響を取除くべく、前記し
た適合係数を関数とした処理が行われる。しかる後、こ
の処理によってめられた５＝（ｘ）を前記第（３）式を
用いて、その区分における尤度の和が一定になるように
正規化を行っている。以下、この処理が入力音声の全区
間に亘ってに回繰返し実行され、前記各区分単位毎にめ
られた各音素候補の尤度がそれぞれ更新される。

この第（１）〜（３）式に示される演締処理は前記記号
評価部１５にて行われる。即ち、記憶部１３のＰテーブ
ル１３ａとＬレジスタ１３ｂに格納されたデータを基本
として、そのＰテーブル１３ａに保持される音素の区分
毎にＬレジスタ１３ｂ中の各音素候補名Ｘと、その正し
い確率Ｐ、（Ｘ）を計棹する。その後、各区分単位の開
始フレーム番号ｒを引数として、前記Ｌレジスタ１３ｂ
から左隣接区分の音素候補名Ａとその確率ｐ＝−ｓ（Ａ
）、および適合係数設定部１４のＲレジスタ１４ｂから
音素列１１　Ａ−Ｘ′に対する適合係数ｒ（Ａ、　ｘ　
；ｆ　）を読出し、Ｐ＝−ｔ（Ａ　）　ｒ　（Ａ、　Ｘ
　：　’　）　ヲｔｔ算Ｔル。この演算を左隣接区分の
全ての音素候補について行い、ΣＰ＝−，（Ａ　＞　ｒ
（Ａ、　ｘ　：　ｆ　）を計算する。

次に右隣接区分についても同様の計算を行なった後に、
前記第く２）式に従ってＳＬ　（ｘ）をめる。そしてそ
の区分の全ての音素候補について上述した演算を施した
後、前記第（３）式に従って各Ｐ＝（Ｘ）を計算し、記
憶部１３中のしレジスタ１３ｂの内容を更新する。

このような処理を、全ての区分単位にお【プる第１位の
尤度（確率）が所定の閾値を越えるか、或いはその更新
処理が所定の繰返し回数だけ終了するまで実行する。そ
して、そのときに前記記憶部１３に得られた内容（音素
候補）を各区分単位の認識結果としてそれぞれ出力する
。

このように本装置によれば、連続発声された音声の言語
的記号間の相互作用を高度に、且つ効果的に除去して１
．その記号列を正しく認識することが出来る。故にその
実用的利点が極めて高く、絶大なる効果を奏することが
出来る。

尚、本発明は上記実施例に限定されるものではない。例
えば、ここでは言語的記号を音素として説明したが、音
節や単語を言語的記号の単位としても同様に装置を構成
することができ、また同様な効果が得られる。また分割
記号化部１２の記号化の単位として、Ｖ−Ｃ−Ｖ　（母
音−子音−母音）の音韻連鎖をを単位として入力音声パ
ターンを記号化した後、適合係数設定部１４では、逆に
Ｃ−■−ＣやＶ単独の標準パターンを用いてその適合係
数を設定するようにしてもよい。要するに本発明はその
要旨を逸脱しない範囲で種々変形して実施することがで
きる。

【図面の簡単な説明】

第１図は従来装置の一例を示す概略構成図、第２図は入
力音声とその音素候補との関係を示す図、第３図は本発
明の一実施例装置の概略構成図、第４図は分割記号化処
理部の構成例を示す図、第５図はＰテーブルとＬレジス
タの構成を示す図、第６図は適合係数設定部の構成例を
示す図、第７図はＢテーブルとＲレジスタの構成を示す
図。１・・・音響分析部、２・・・分割記号化部、３・・・
記憶部、４・・・制御部、５・・・記号評価部、１１・
・・音響分析部、１２・・・分割記号化部、１３・・・
記憶部、１４・・・適合係数設定部、１５・・・記号評
価部、２１・・・補助特徴抽出部、２２・・・音素境界
検出部、２３・・・音素パターン発生部、２４・・・音
素標準パターン記憶部、２５・・・音素類似度演算部、
２６・・・候補判定部、３１・・・境界パターン生成部
、３２・・・音素境界標準パターン記憶部、３３・・・
類似度計算部、３４・・・変換部、３５・・・メモリ（
８テーブル、Ｒレジスタ）。出願人代理人　弁理士　鈴江武彦ｆＪ１図（旬第２図

Claims

【特許請求の範囲】

（１）　入力音声を分析してめた上記入力音声の特徴パ
ラメータ系列を離散的な言語的記号の区分単位に分離す
る手段と、この手段により分離された区分単位毎に１つ
または複数の言語的記号候補とその言語的記号候補の前
記区分単位に対する尤度をめる手段と、前記入力音声の
特徴パラメータ系列に基いて上記時間的に隣接する区分
単位間における前記各言語的記号候補間の適合係数をめ
る手段と、これらの適合係数を関数として前記各言語的
記号候補の尤度をそれぞれ更新する手段と、これらの更
新処理された尤度が所定の閾値を越えるとき、或いは上
記更新処理が所定回数なされた時に前記各区分単位で最
大の尤度を持つ言語的記号候補をその単位における認識
結果としてそれぞれ出力する手段とを具備したことを特
徴とする音声認ｍ装置。
（２）　時間的に隣接する５区分単位間の各言語的記号
候補間の適合係数をめる手段は、特徴パラメータに対応
する言語的記号の並びの標準パターンと、入力音声の特
徴パラメータ系列とをマツチング処理して該適合係数を
めるものである特許請求範囲第１項記載の音声認識装置
。