JPS6135498A - 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 本発明は人間の発声した音声に応じた動作を機械に実行
させることを可能とする音声認識装置に関するものであ
る。

従来例の構成とその問題点 これまで音声認識の研究は、孤立発声した単語音声（あ
るいは単音節）と連続発声した連続単語音声についてそ
れぞれ進められて来た。現在、単語音声認識の研究につ
いては、学会発表レベルでは大語いや不特定話者、ある
いはその両方を認識対象とするもの等についてもかなり
の成果が報告されている。（岩田他：多数語音声認識方
式の−３ベーノ 検討９日本音響学会講論集、　２−１−１９　（１９８
１０Ｃｔ、）；千葉他：音声認識システム、大型プロジ
ェクトパターン情報処理システム研究成果発表論文集。

Ｐｌ　５７−１６５　、　（１９８０，ＯＣｔ、）　）
一方、２語以上の単語を連続して発声した音声、いわゆ
る連続音声を認識する方法としては、２段ＤＰマツチン
グ法（違法：２段ＤＰマツチングによる連続単語認識１
日本音響学会音声研究会。

８７５−２８　（１９７５−１１）　）等が開発され、
それまで連続的に変化する単語間の境界を検出し区分化
（セグメンテーション）する際に生じていた誤りによる
誤認識を、区分化の操作を積極的に回避することによっ
て区分化に併う誤りの影響を受けず、より誤認識の少な
い認識が行なえるようになった。

しかしながら、現段階においてはまだ認識語数が数十語
と限られておシ、連続発声できる語数も限られているこ
と、また、話者についてもあらかじめ認識すべき単語を
発声して登録しである人に限られることなどの制約も多
いことから実際に使用される用途はか々り制限されてし
まう。

このように連続音声認識装置の実現への取り組みが時代
の趨勢であシ、その実用化が音声認識の究極の目標であ
ることは否めないが、現時点では実用的なものが普及す
るまでには先に挙げた以外にも解決すべき問題が多く残
っている。

一方、孤立発声した単語音声の認識ではかなりの認識語
数と認識率が得られており、１語１語区切って発声する
ことによシ疑似連続音声認識が可能なことなどから用途
によってより実用性が高い使い方が可能である。

孤立発声した単語音声の認識を連続音声認識と比べた場
合のメリットとして、現状ではよシ多くの語いを扱え、
しかもより高い認識率が得られ、また不特定話者への対
応も容易であるという点が挙げられる。したがって、多
少の入力の速さよシも話者や語いの制限をあまり受けず
により確実に認識するととが要求される用途に有効であ
る。

発明の目的 本発明はかかる観点に基づくもので、その目的は認識率
が高く、よシ実用的で用途の広い音声認５ページ 識装置を提供するものである。

発明の構成 本発明は上記目的を達成するもので、音声入力部、音声
分析部、パラメータ抽出部、単語境界検出部、音素系列
作成部、単語数カウンタ部、単語辞書選択部、単語辞書
格納部、類似度計算部、類似度比較部、単語辞書と１対
１に対応した候補単語格納部を備え、入力音声から単語
音声区間を切り出す毎に単語辞書を選択し入れ替えるこ
とにより、認識率の向上を可能とした音声認識装置を提
供するものである。

実施例の説明 以下に本発明の実施例を図面を用いて説明する。

本発明の一実施例における音声認識装置の基本構成の機
能ブロック図を第１図に示す。図面を参照しながら本実
施例の構成について説明する。

第１図において、音声入力部１は入力音声を符号化する
部分、音響分析部２は、高域強調や分析区間毎に窓かけ
を行なう部分、パラメータ抽出部３は単語境界検出や単
語認識に必要な特徴バラン６ベージ ータを抽出する部分、単語境界検出部４は入力音声の単
語間の境界を検出する部分、音素系列作成部５は単語毎
にパラメータ抽出部３から得られる特徴パラメータによ
シ音素単位にセグメンテーションし音素標準パターン格
納部６に格納されている音素標準パターンと類似度計算
を行ない、音素系列を作成する部分、単語マツチング部
下は単語境界検出部から単語境界が検出される都度送ら
れてくる検出信号をカウントして何語目の単語のマツチ
ングを行々うかによって辞書を選択し、単語毎に得られ
る音素系列と辞書項目との間でマツチングをとる部分で
ある。この単語マツチング部７の更に詳細な実施例の構
成を第２図に示す〇′　第２図を参照しながら単語マツ
チングの実施例の構成について説明する。単語数カウン
タ８は入力単語数をカウントする部分、辞書セレクタ９
は発声された順番によって単語辞書群の中から単語辞書
を選択する部分、単語辞書Ｄｉ　３　（ｉ＝１．２．３
；ｊ＝１．２，３；ｉ≧ｊ）　　１０〜１５は発声され
る全単語数がｉのときの１番目の発声に対応する辞書、
７へ−７ 音素系列保存バッファ１６は音素系列を一時保存する部
分、類似度計算部１７は作成された音素系列と辞書単語
との類似度を計算する部分、類似度比較部１８は、類似
度計算部１７から送られて来る類似度をその前に送られ
て来た類似度とを比較して大きい方を選択し、出力する
部分、候補単語格納部１９は各発声毎に単語辞書中で最
も類似度の高かった単語Ｗ、、　（ｉ＝１．２，３；　
ｊ＝１．２，３；ｉ≧ｊ）を記憶保存しておく部分、認
識結果出力部２０は発声終了を検出した後発声語数に対
応する単語を候補単語格納部１９から読み出し出力する
部分である。

次に本実施例の動作を第１図と第２図を参照しながら説
明する。第１図において、先ずマイクロホンから入力し
た音声を音声入力部１でサンプリングし、ディジタル信
号に変換する。次に音響分析部２で信号の１次差分をと
シ高域強調を行ない、１０ｍ５程度の分析区間毎にノ・
ミンク窓等の窓をかける。またこれと同時に分析区間毎
に低・中・高帯域の３チヤＸネルフイルタの計算を行な
う。

パラメータ抽出部３では分析区間毎にＬＰＣ分析を行な
いその結果からＬＰＣケプストラム係数を計算し特徴パ
ラメータとする。単語境界検出部４では帯域フィルタの
出力結果から得られる各帯域の音声パワーの大きさや、
無音時と有音時における特徴パラメータの統計的分布か
ら予め作成しておいた標準パターンと特徴パラメータと
を比較した結果などを基に無音区間を求め、無音区間の
持続時間が閾値Ｔａ以上Ｔｂ以下であれば単語間の境界
、閾値Ｔｂ以上であれば発声の終了とみなし、単語の始
端と終端をそのつど音素系列作成部５へ送る。音素系列
作成部５では単語の始端から終端までの一単語区間内で
各帯域の音声パワーのディップ（くぼみ）の大きさや無
声音と有声音の特徴パラメータの統計的分布から予め作
成しておいた標準パターンと特徴パラメータとの距離を
基に母音と子音間のセグメンテーションを行なった後、
母音区間については、スペクトルの変化のゆるやかな部
分について、予め母音毎の特徴パラメータの統計的分布
に基づいて用意しである母音標準パ９ベーノ ターンを音素標準パターン格納部６から読み出し、特徴
パラメータとの距離の最も近い標準パターンに対応する
母音をあてはめていくことにより、セグメンテーション
と認識を行ない、また子音については子音区間内でのパ
ワー変化の急激な時点など、それぞれの子音の特徴点付
近で子音毎の特徴パラメータの統計的分布から予め用意
しである子音標準パターンを音素標準パターン格納部６
から読み出し、特徴パラメータとの距離の最も近い標準
パターンに対応する子音をあてはめていくことによシ認
識を行なうなどにより作成された母音・子音の音素系列
に日本語の音形規則などを適用して手直しし、音素系列
を作成する。ここで音素認識を行なうことは本発明が特
に主張するところではないので詳しい説明は省略した。

単語マツチング部７の動作については第２図を参照しな
がら説明する。第２図において、単語数カウンタ８では
第１図の単語境界検出部４から単語境界が検出される都
度送られる検出および終了を示す信号ａをカウントし、
何語口の認識を行なうかを単語数ｂ１ｏベーゾ として、辞書セレクタ９からの受付許可信号０に応じて
出力し、それが発声された最後の単語であれば終了信号
Ｃを出力する。辞書セレクタ９では単語数すを受は取る
と発声順に応じた辞書選択信号ｄを出力し単語数す番目
の辞書を指定し、単語　□数す以上の語数の入力に対す
る単語辞書群を選択する信号ｅを出力し類似度比較終了
信号ｉを受は取る毎に単語辞書Ｄｉｂ　（ｉ≧ｂ）を切
シ換えていく。また、これと同時に辞書選択信号ｄ、ｅ
によって候補単語格納部１９の各単語辞書に対応するメ
モリ領域への書き込みを可能とする。この間、受付禁止
信号Ｏを出力し、全ての辞書の切り換え終了後に受付許
可信号○を出力する。終了信号Ｃを受けた場合、現在性
なっている類似度比較部１日の処理が終了したことを知
らせる終了信号ｉを受は取った後、全ての単語のマツチ
ング処理が終了したことを知らせる終了信号ｊを出力す
る。音素系列保存ミンク７１６では第１図の音素系列作
成部５から送られて来る音素系列ｍを単語毎に保存して
おき、単語数カウンタ８から送られてくる信１１　ベー
ン 号すに応じて音素系列ｎを出力する０ 類似度計算部１７では辞書選択信号ｄ、ｅで指定された
単語辞書ＤｉＪから遂次辞書単語ｆを読み出し、音素系
列保存バッフ１１６から送られてくる音素系列ｎとの間
で類似度ｑを計算し出力し、全ての辞書単語との類似度
の計算が終了すると終了信号をｑに出力する。類似度比
較部１７では受は取った類似度の値とその前に保持して
いる類似度の値とを比較し、受は取った類似度の値の方
が大きい場合、保持している類似度と辞書単語を更新す
る。終了信号を受は取った場合には候補単語格納部１９
の対応するメモリ領域（図の）・ツチング部分は使用し
てい々い）に候補単語Ｗｔ　ｔとして最終的に保持して
いる辞書単語と類似度の両方りを書き込み、保持してい
る内容をクリアした後、終了信号ｉを出力する。認識結
果出力部２ｏでは、辞書セレクタ９から終了信号」を受
は取ることにより発声された全ての単語と辞書単語間の
マツチングが終了したことを確認し、候補単語格納部１
９に格納されている候補単語および類似度のうち最終的
に発声された単語数ｎに対応する単語Ｗ。

（）　＝’　＋２＋３　ｉ　Ｊ≦ｎ）およびそれぞれの
類似度を読み出し、類似度が極端に低いものが含まれる
場合にはりジェクト信号を、それ以外の場合にはそれら
の単語を１として出力する。

以上の動作について具体的な例で説明する。簡単のため
に本実施例と同様に１語から３語までの入力ができるも
のとし、１語の場合は性別を、２語の場合は姓と名前を
、３語の場合は県名と本名と区名をそれぞれ示した順番
に入力するものとする。この場合、単語辞書Ｄ１１には
性別、Ｄ２１には姓、Ｄ２２には名前、Ｄ３１には県名
、Ｄ３２には本名、Ｄ３３には区名の辞書単語が入って
いる。氏名を認識する場合には、先ずマイクロホンから
例えば、”ヤマダ、″′タロウ”というように姓名を順
番に入力する。入力音声は音声入力部１、音響分析部２
、パラメータ抽出部３の処理を経た後、単語境界検出部
４で単語間の境界を検出し、検出信号と１語目の始端、
終端を出力する。音素系列作成部５ではこの始端、終端
の範囲で、パラメータ抽１３ベージ 山部３から受は取った特徴パラメータを基に音素系列を
作成し、音素系列保存バッファ１６に転送する。単語数
カウンタ８では検出信号ａを受は取ると単語数をカウン
トした後単語数ｂ（＝１）を出力し、それによって音素
系列保存バッファ１６では１語目の”姓”に対応する音
素系列ｎを出力する。一方、辞書セレクタ９では受付禁
止信号Ｏを出力した後、先ず単語辞書Ｄ１１を選択し、
類似度計算部１７で音素系列ｎと辞書単語ｆの間の類似
度を計算した後、類似度比較部１８で全ての比較が終了
し、単語辞書Ｄ１１の中で最も類似度の高かった辞書単
語Ｗ１１が候補単語格納部１９に出力されたことを知ら
せる終了信号ｉを受けとると、次に単語辞書Ｄ２１を選
択し、このようにして１語目の入力に対する各単語辞書
Ｄ１４．Ｄ２１．Ｄ３１にそれぞれ対応する類似度最大
の辞書単語Ｗ１１．Ｗ２１．Ｗ３１が候補単語格納部１
９に書き込まれる。１語目の全ての辞書の選択が終了す
ると次の単語の受付許可信号０を出力する。２語目の認
識では、先程の単語境界検出部４で無音区間の持続時間
が閾値Ｔｂ１４ページ を越えることによ！ｌ１２語目の終了と発声の終了を検
出し、終了信号ａを出力する。この後１語目と同様の手
順で音素系列保存バッファに２語目の”名前″に対応す
る音素系列ｍが書き込まれる０単語数カウンタ８では終
了信号ａを受は取ると単語数をカウントし、辞書セレク
タ９より受付許可信号Ｏが出ていれば、単語数ｂ（＝２
）と終了信号Ｃを出力する。これによシ音素系列保存バ
ッファ１６では２語目の”名前”に対応する音素系列ｎ
を出力する。一方、単語辞書セレクタ９で単語辞書Ｄ２
２を選択した後、１語目の時と同様にして２語目の入力
に対応する単語辞書Ｄ２２の中で２語目の音素系列との
間で最も類似度の高かった辞書単語が候補単語格納部１
９に書きこまれる。また、単語辞書セレクタ９では類似
度比較部１８の終了信号ｉを受は取ると、終了信号Ｃを
受けて以後の辞書選択動作を打ち切シ、終了信号ｊを出
力するＯ認識結果出力部２０では終了信号ｊを受は取る
ことにより最終的な単語数ｂ（＝２）に対応する候補単
語格納部１９のメモリー領域から候補単語Ｗ２１１６ベ
ー。

とＷ２２とを読み出し、類似度が充分高いことを確認し
た後、”姓”に対する認識結果をＷ２１．′名前″に対
する認識結果をＷ２２として出力する。ここでは簡単の
ために２語発声する場合について説明したが、１語また
は３語の発声の場合についても同様の認識を行なうこと
ができ、また、４語以上にも容易に拡張することが可能
である。

本発明の効果を具体的な例を挙げて説明する。

例として、１語につき、それぞれ異なるＮ単語から成る
辞書を持ち、１回でＬ語以内の入力が可能な構成を採る
場合を考える。各語数の発声頻度が同じとすれば、入力
が正しく認識される率（入力部たシの平均認識率）Ｐは
、Ｎ単語の中から１語を認識する場合の認識率を仮りに
ｐとすると一方、これを１つの単語辞書で実現する場合
、辞書単語の総数ＭはＮｘＬｘ（Ｌ＋１）／２となシ、
Ｍ単語の中から１語を認識する場合の認識率を仮シにｑ
とすると、入力が正しく認識される率Ｑはここで各場合
の入力あたりの平均認識率Ｐ、Ｑを実験値を基に調べて
みる。第３図は男女２０名ずつの不特定話者について単
語数と認識率の関係を調べたものである。Ｎ＝ｓｏ　、
Ｌ＝３としたとき、Ｍ：３００となる。第３図のグラフ
から単語数５０と単語数３００における認識率を読み取
るとｐ＝０．９７８．、ｑ＝０．９４０である。したが
って各場合の入力あたシの平均認識率はｐ＝ｏ、９ｓア
、Ｑ＝０．８８５となシ、本発明による構成を用いれば
約９６％の平均認識率が得られ、単語辞書が単独で用い
られる場合の約８９チに比べ大きな効果が得られること
がわかる。

発明の効果 以上要するに本発明は発声する語数、語順に応じた単語
辞書の組みから成る単語辞書格納部と、発声した語順で
単語辞書を順次選択する単語辞書選択部と、単語辞書と
１対１に対応する候補単語１７ページ とを少なくとも有し、入力音声から単語音声区間を切シ
出す毎に単語辞書を選択し入れ替えるようにしたもので
、かかる構成にすることによシ、孤立発声する場合のメ
リットである単語セグメンテーションの確実性の向上を
生かし、発声する単語数毎に発声の順番に対応する単語
辞書を用意しておき、入力された単語毎に、用意しであ
る単語数毎の辞書群の順番に応じた辞書毎にマツチング
を行ないそれぞれの辞書に対応する候補単語を記憶して
おくことによシ、発声する単語数が特定の単語数に限定
されることなく、また、発声終了時の語数から直ちに認
識結果を出力することを可能とし、更にこのような辞書
構成をとることによって、特に発声する単語数や順番毎
に用いられる語いが異なっているほど、これらを１つの
単語辞書として認識する場合に比べて不必要な単語との
マツチングを妨げ、認識率の高い、実用的な音声認識装
置が得られる利点を有する。

【図面の簡単な説明】

第１図は本発明による音声認識装置の一実施例１８ペー
ジ を示す機能ブロック図、第２図は第１図に示す音声認識
装置の一実施例の構成の中の単語マツチング部の構成の
詳細を示す機能ブロック図、第３図は本実施例の効果を
示すための単語数と認識率との関係を示す図である。 １・・・・・・音声入力部、２・・・・・・音響分析部
、３・・・・・・パラメータ抽出部、４・・・・・・単
語境界検出部、５・・・・・・音素系列作成部、６・・
・・・・音素標準パターン格納部、７・・・・・・単語
マツチング部、８・・・・・・単語数カウンタ、９・・
・・・・辞書セレクタ、１０〜１５・・・・・・単語辞
書、１６・・・・・・音素系列保存バッファ、１７・・
・・・・類似度計算部、１８・・・・・・類似度比較部
、１９・・・・・・候補単語格納部、２ｏ・・・・・・
認識結果出力部。

Claims (1)

【特許請求の範囲】
1. 少なくとも１語の単語からなる入力音声を符号化する音
   声入力部と、フレーム区間毎に音声を分析する音声分析
   部と、特徴パラメータを抽出するパラメータ抽出部と、
   入力音声の単語間の境界を検出する単語境界検出部と、
   前記単語境界検出部で得られた区間内で、前記パラメー
   タ抽出部から得られた特徴パラメータを基に音素系列を
   作成する音素系列作成部と、前記単語境界検出部の境界
   検出信号に基づき、音素系列作成部で得られた単語毎の
   音素系列と辞書項目との間でマッチングをとる単語マッ
   チング部とを備え、前記単語マッチング部が、入力単語
   数をカウントする単語数カウンタ部と、発声する語数、
   語順に応じて設けられた単語辞書群からなる単語辞書格
   納部と、発声された順番により前記単語辞書格納部の中
   から単語辞書を選択する単語辞書選択部と、前記音素系
   列作成部で作成された音素系列と単語辞書との類似度を
   計算する類似度計算部と、前記類似度計算部の結果を順
   次比較しその結果を出力する類似度比較部と、単語辞書
   と１対１に対応し、前記類似度比較部で得られた各単語
   中で最も類似度の高い単語を記憶保持する候補単語格納
   部とから少なくともなることを特徴とする音声認識装置
   。