JPS6129896A - 単語音声認識装置 - 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】 「産業上の利用分野」 この発明は特定話者用の単語音声認識装置の基本構成と
して音声の分析部と認識部の一対から成り、認識可能な
小話数の増大をはかるために複数組の認識部を用いて構
成する単語音声認識装置に関するものである。

「従来技術」 従来、単語音声認識論理を専用回路化した単語音声認識
ＬＳＩが発表されている。しかし認識語数の増大をはか
るためには単語音声認識Ｔ、　Ｓ　Ｉを複数個組合せて
認識装置を構成することが考えられる。しかしこの場合
はその制御が繁雑になｐ。

！、た個々の単語音声認識ＬＳＩに対して標準ノ々ター
ンを格納するメモリを必要とし、単語音声認識ＬＳＩの
個数に比例して装置規模が大きくなるなどの問題が生じ
ると考えられる。

すなわち従来の単語音声認識ＬＳＩを複数個組合せたも
のとしては第６図に示すものが考えられる。この装置に
おいては認識部の主な構成は音声分析用プロセッサ１１
とＤＰマツチング用プロセッサ１２とから成る。この図
ではマツチング用プロセッサを２個（点線部）で構成し
た例を示している。

話者登録のための学習動作は入力端子１３から入力され
た音声を音声分析用プロセッサ１１でｎチャンネルの帯
域通過フィルタ（Ｂ、Ｐ、Ｆ）で周波数分析を行い、そ
の分析結果をもとに適当な特徴パラメータに変換し、そ
の特徴パラメータを標準パターンとする。作成された標
準パターンはＤＰマツチング用プロセッサ１２を経由し
てパターンメモリ１３へ転送される。この時複数個の、
ＤＰマツチング用プロセッサを使用するのであれば、複
数個のパターンメモリ１４へ転送する必要がある。

言忍識時の動作は、端子１３から入力された音声を音声
分析用プロセッサ１１で前記特徴パラメータ列に変換し
、音声区間の終了後（入力音声の終端検出後）ＤＰマツ
チング用プロセッサ１２に入力音声の特徴パラメータ列
を転送する。この時複数個のＤＰマツチング用プロセッ
サ１２をｆ重用するのであれば複数個のＤＰマツチング
用プロセッサへ転送する必要がある。

入力音声の特徴パラメータ列を分析用プロセッサ１１か
らＤＰマツチング用プロセッサ１２が受けると以降の制
御はＤＰマツチング用プロセッザ１２が中心となって行
う。ＤＰマツチング用プロセッサ１２の動作は全てプロ
グラマブルになっており、プログラム（インストラクシ
ョン）メモリも内蔵している。ただし内蔵しているプロ
グラムメモリと制御に要するステップ数で（ｄ後者の方
が大きく、処理に応じてメインメモリからプログラムを
転送する必要があり、制御が繁雑である。

このように第６図の構成では各ＤＰマツチング用プロセ
ッサ１２にそれぞれ標檗パターンメモリ１３を必要とし
、装置規模が大きくなり、かつ制御が繁雑である。

この発明の目的は複数組の音声認識部を用い、従って認
識可能な語数が多く、シかも装置規模が比較的小さく安
価に構成でき、捷た制御が簡弔な用語音声認識装置を提
供することにある。

「問題点を解決するための手段」 この発明によればマイクロホンから人力された音声は音
声入力部で低域通過Ｐ波器を通して帯域制限された後、
デジタル信号に変換され、そのデジタル信号の音声信号
は分析部で話者の音声の特徴が分析され、その入力音声
の特徴パターンと、標準パターンメモリ中のその話者の
ために予め作られた標準パターンとの間の類似度が認識
部で計算されるが、その際に互に異なる単語辞書をもつ
認識部を複数用い、これらに対し標準パターンメモリを
共通に用いる。話者登録のだめの学習時には認識部の一
つを用いて行う。

「実施例」 第１図にこの発明の装置の構成例を示す。マイクロホン
２１からの入力音声は音声入力部２２内で低域通過Ｐ波
器により帯域制限を受けた後、デジタル信号に変換され
る。そのデジタル信号の音声は音声認識部２３で制御部
２４の制御のもとに置などへ出力される。認識結果出力
部２６は認識結果を表示して直接操作者に分からせるた
めに使用され、必ずしも必要とはしない。モード選択部
２７は学習モード、認識モード々どの動作モードの選択
に使用される。

第１図中の音声認識部２３は第２図に示すように、単語
音声認識ＬＳＩ２８ａ、２８＋）、標準パターンメモリ
２９、単語辞書メモリ３１ａ、３１ｂ、タイミングクロ
ック回路３２よりなる。単語音声認識ＬＳＩ２８ａ　、
２８ｂｉＪ：伝えＩｄ　（先賢（ｔｈ　ｒ　学習機能を
持つ単語音声認識ＬＳＩの設計」昭和５７年度電子通信
学会総合全国大会第３７８号）に発表されているものを
用いる。またその認識論理については例えば長島曲「音
韻単位の標準パターンを用いた実時間単語音声認識装置
」音響学会音声研究会８７８−２２で述べられておシ、
この発明の意図するところでないので説明は省略する。

学習動作 モード選択部２７で学習が選択されると学習モードが開
始される。その動作の流れを第３図に示す。ステップＳ
１で制御部２４から単語音声認識ＬＳＩ２８ａへ学習動
作開始のモード設定信号３３を出力することから始まシ
、ステップＳ２で外部入出力インタフェース部２５を通
じて標準パターンメモリ２９に標塾パターンを格納し、
またステップＳ８で単語辞書を単語辞書メモＩＪ　３１
　ａに格納する。次にステップＳ４で一方の単語音声認
識ＬＳＩ２８ａに動作開始を指示する。ステップＳ５で
発声入力された単語音声を音声入力部２２で分析し、単
語音声認識ＬＳＩ２８ａで入力音声パターンと標準パタ
ーンメモリ２９および単語辞書メモリ３１ａとを参照し
ながら相関関数計算、尤度計算、ＤＰマツチングなどを
行い、類似度和を出力する。

単語音声認識ＬＳＩ２８ａよりフレームごとに出力され
る音声パワー情報およびＤＰパス情報３４はステップＳ
６で制御部２４が取込み、ステップＳ７でそのパワー情
報をもとに制御部２４では音声区間の候補検出を行い、
その結果を音声区間制御信号３５によシ単語音声認識Ｌ
ＳＩ２８ａへ指示する。このステップＳ６の動作をフレ
ームごとに制御をくりかえし、ステップＳ７で最後に音
声パワー情報から音声の終端が決定されると制御部２４
よシ単語音声認識ＬＳＩ２１３ａへ音声終端決定の信号
３５を送出し、その後単語音声認識ＬＳＩ２８ａから制
御部２４へ学習の結果３６（入力音声と標桑パターンお
よび単語辞書の間の類似度和などから成る）が転送され
、１単語の学習動作が終了する（ステップｓｇ）。ステ
ップＳ、で単語の発生を指定した単語数だけ終了したか
をチェックし、終了してない場合はステップＳ５に戻る
。学習はあらかじめ決められた単語を順に発声すること
から行うタメステップ８５〜Ｓ８の動作を決められた単
語数分だけくりかえす。ステップＳ、で指定しり臣語数
だけ単語発声を行ったことが検出されるとステップＳＩ
Ｇに移り話者ごとの標準パターンを作成し、ステップＳ
ｌｌで学習後の標準パターンを標檗パターンメモリ２９
へ置換える。これで学習モードは終了する。

なお学習時の標準パターンを作成する処理はこの発明の
意図するところでないので省略する。以上述べたように
学習時はあらかじめ決められた単語について１単語ごと
の発声から制御を行うため複数個の単語音声認識ＬＳＩ
を用いて認識装置を構成し、第２図に破線で示す信号線
によシ単語音声認識Ｔ、　Ｓ　Ｉ　２８　ｂにも接続さ
れているが、実線で接続された完全に特定の１個の単語
音声認識ＬＳＩ２８ａで構成していることと等価であり
、制御部２４の制御上の負荷を軽減することが可能であ
る。学習モード（はモード選択部２７で終了を選択した
場合も終了する。

認識動作 次に第１図に示した装置において単語音声認識ＬＳＩ２
８ａ、２８ｂの２個を使用して認識時接続を第４図に示
す。これは第２図の場合と基本的に等価であるが、単語
音声認識Ｌ’５Ｉ２８ａおよび２８ｂへ接続される標準
パターンメモリ２９、音声入力部２２およびタイミング
クロック回路３２から出力される信号線は全て共通化さ
れている。

また制御部２４と単語音声認識ＬＳＩ２８ａおよび２８
１〕との間の制御信号についても制御上必要なもののみ
実線で示しである。これらの動作は基本的には学習モー
ドと同様であり、その動作例を第５図に示す。

モード選択部２７で認識が選択されると認識モードが開
始されヘステップＳｌで制御部２４かうｍ語音声認識Ｌ
ＳＩ２８ａおよび２８ｂへ認識動作開始のモード設定信
号３３ａ　、３３ｂをそれぞれ出力することから始まり
、ステップＳ２でその話者に対する標準パターンを標準
パターンメモリ２９にロードし、ステップＳ８で単語辞
書メモリ３１ａ。

３１ｂへ単語辞書全ロードし、ステップＳ４で両方の音
声認識ＬＳＩ２８ａ　、２８ｂに動作開始を指示する。

ステップＳ５でマイクロホン２１から単語を発声し、そ
の入力された音声と標準パターンメモリ２９および単語
辞書メモ！Ｊ　３１　ａおよび３１ｂとを参照しながら
音声認識ＬＳＩ２８ａ　、２８ｂはそれぞれ認識動作を
行う。ステップｓ６でフレームコとにパワー情報の読込
みを行い、ステップｓ７でフレームごとに制御部２４よ
り単語音声認識ＬＳＩ２８ａおよび２８Ｉ〕へ音声区間
の制御を行うことも学習時の動作と同様である。

これらの場合２個の単語音声認識Ｌ　Ｓ　Ｉ　２８　ａ
　。

２８１）を使用しているが、これらを同時に起動させる
、すなわち同期動作を行うことにより主要な制御は１個
の場合と等価に制御が可能と１かるさ。３その方法は制
御部２４から認識動作のモード設定信号３３ａおよび３
３ｂを単語音声認識ＬＳＩ２８ａおよび２８ｂに同時に
出力し、タイミングクロック回路３２から単語音声認識
ＬＳ、Ｉ２８ａおよび２８ｂへ同時にクロックが入力さ
れているため、Ｉｌｉ語音声認識Ｔ、　Ｓ　Ｉ　２８　
ａおよび２８ｂ（７）動作は完全に同期する。またマイ
クロホン２１から入力される音声も同時に単語音声認識
ＬＳＩ２８ａおよび２８ｂへ入力され、その入力をもと
に行われる認識ＬＳＩ２８ａおよび２８ｂの内部動作も
完全に同期している。このことから音声が入力されフレ
ームごとに単語音声認識ＬＳＩ２８ａおよび２８ｂから
出力される音声パワー情報３４ａおよび３４ｂは完全に
一致している。このためフレームごとの音声パワー情報
は複数個の単語音声認識Ｌ　Ｓ　Ｉ　２８　ａ　、　２
８１）を接続していても１個の単語音声認識Ｌ　Ｓ　Ｉ
　２８　ａからの音声パワー情報のみを使用すれば良い
。また音声区間制御信号３５ａおよび３５ｂは制御部２
４から単語音声認識ＬＳＩ２８ａおよび２８ｂに同時に
出力すれば良い。そして認識動作終了時に得られる認識
結果（単語番号、入力音声と標準パターンおよび単語辞
書との間の類似度和などから成る）３７ａおよび３７ｂ
は接続している単語音声認識ＬＳＩの個数分だけデータ
転送をすれば良い（ステップＳ８）。

ここで学習時の制御の説明の中で述べた学習結果３６と
認識結果３７ａおよび３７ｂとは同じものである（呼称
を変えている）。ステップＳ９で単語音声認識ＬＳＩ２
８ａ　、２８ｂからの認識結果から総合した認識結果を
出力する（ステップＳＳ）。

ステップＳ□０で認識動作が終了したかチェックし、終
了してない場合はステップＳ５に戻る。

以上のなかでもつとも制御上の負荷が大きいのは音声パ
ワー情報から音声区間検出制御（制御部２４内の処理）
を行うととであり、その制御にぐ〕いて制御部２４から
見ると完全に１個の単語音声認識ＬＳＩで処理するとと
と等価なため、複数個の単語音声認識ＬＳＩを接続Ｉ〜
でいても制御が容易になる。また制御部２４から単語音
声認識ＬＳＩ２８ａおよび２８ｂへ出力する音声区間制
御３４ａおよび３４ｂを同時でなく順に出力することも
可能であり、時間的な問題もほとんどない。各単語音声
認識ＬＳＩでの１フレーム内での処理時間はフレーム長
にくらべ可成り短かく音声区間制御を時間的にずらして
出力してもそれぞれフレーム内での動作が可能である。

これらのことから効果として複数個の単語音声認識ＬＳ
Ｉを使用しても実効的に１個のｍ語音声認識ＬＳＩを制
御する時と同じ負荷で制御可能となる。さらに標準パタ
ーンメモリ２９も複数個の単語音声認識ＬＳＩ２８ａ。

２８ｂが共通に使用するためメモリおよびその周辺回路
の削減が可能である。なお複数個の単語音声認識ＬＳＩ
に接続する標準パターンメモリを単語音声認識ＬＳＩ個
々に所有する構成ももちろん可能である。また複数個の
単語音声認識ＬＳＩを使用することにより認識可能な単
語数の増大も可能であり、単語音声認識ＬＳＩごとに単
語辞書メモリの内容をグループ分けすることにより、認
識結果を選択的に制御すること（音声認識装置を使用し
て特定の業務を運用する時、ある場面では入力されうる
語が制限できる）も可能である。第５図においてステッ
プＳ２．ｓ８の標準パターン、単語辞書のロードは学習
モードに引き続いて認識動作を行う場合は必要としない
。あるいは以前に学習して作成した標準パターンがある
場合は、フロッピーディスクなどのデータ蓄積部（図示
せず）から読出し、又は外部入出力インクフェースを経
由してホストのデータ処理装置から標準パターンおよび
単語辞書を転送してもよい。認識動作はモード選択部２
７で終了を選択した場合に終了する。

「発明の効果」 以上説明したようにこの発明によれば単語音声認識ＬＳ
Ｉを複数個使用して構成した単語音声認識装置において
、制御の而から見ると、学習時には完全に１個の単語音
声認識ＬＳＩで構成しているため負荷は軽く、認識時に
も実効的に１個の単語音声認識ＬＳＩで構成しているこ
とと等価なため負荷は軽く、制御が容易になる利点があ
る。また認識時において複数個の単語音声認識ＬＳＩを
使用していても標準パターンメモリは共通化が可能なた
めメモリおよびその周辺回路を削減できる利点がある。

【図面の簡単な説明】

第１図はこの発明の音声認識装置を示すブロック図、第
２図はこの発明装置を学習に使用している状態を示すブ
ロック図、第３図はその学習時の動作例を示すブロック
図、第４図はこの発明装置を認識に使用している状態を
示すブロック図、第５図はその認識時の動作例を示すブ
ロック図、第６図は提案されている音声認識装置を示す
ブロック図である。 ２１：マイクロホン、２２：低域フィルタＡ／Ｉ）変換
器等からなる音声入力部、２３：音声認識部、２４：制
御部、２７：モード選択部、２８ａ。 ２８ｂ：４語音声認識ＬＳＩ、２９：標準パターンメモ
リ、３１ａ、３１ｂ：単語辞書メモリ、３２：タイミン
グクロック回路。 特許出願人　　日本電信電話公社 代　　理　　人　　　草　　野　　　　　　卓２１７１
　　図 特開昭６１−２９８９Ｇ（７）

Claims (1)

【特許請求の範囲】
1. （１）マイク入力された音声を低域ろ波しデジタル信号
   に変換する音声入力部と、話者の音声の特徴を分析する
   分析部と、入力音声と標準パターンとの間の類似度を計
   算する認識部の複数組と、標準パターンを蓄えるメモリ
   と、これらを制御するプロセッサとから構成される特定
   話者用の単語音声認識装置において、学習時は複数組あ
   る認識部のうち特定の１組のみ使用し、認識時は学習時
   に作成した標準パターンおよび当該標準パターンを格納
   するメモリを複数組の認識部が共有するように上記制御
   部が構成されていることを特徴とする単語音声認識装置
   。