JPS62173498A - 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 本発明は音声認識装置に関するものである。

従来の技術 音声認識の方法として、入力された音声からまず音素を
単位とした認識を行い、認識された音素の系列と参照用
の単語辞書に格納されている認識対象単語の音素系列と
の間の類似度を求め、最も高い類似度を与える単語辞書
の音素系列に相当する単語を認識単語とする方法が知ら
れている。これは、「音声スペクトルの概略形とその動
特性を利用した単語音声認識システム」、三輪他、日本
音響学会誌３４　（１９７８）に記されている。

一方、文章音声、あるいは連続単語音声より、特定の単
語とその位置を同定するのに用いられる方法として「連
続ＤＰ法」と呼ばれる方法がある。

これは、「連続ＤＰを用いた連続単語認識」、岡、日本
音響学会音声研究会資料Ｓ　７８−２０　（１９７８）
に記されている。この単語の同定の事を「ワードスポツ
ティング」という。

さて、上記２つの方法による考え方を併用する事により
、音素単位でのワードスポツティングが可能となる。以
下この方法を従来例として説明し、その問題点について
述べる。

第３図はワードスポツティングを採用した音声認識装置
の一般的な構成例である。

装置は大きく分けて、音素認識部３１、単語ラティス作
成部３２、単語系列作成部３３の３つの部分により構成
される。処理の流れの概要は以下の通りである。

装置に入力された音声信号は、音素認識部３１により音
素記号列に変換される。この音素記号列は音素認識部３
１の性能に依存する出現確率で、置換、付加、脱落等の
誤りを含んでいる。この音素系列より単語ラティス作成
部３２ではワードスポツティングを行う事により、候補
となる単語のラティス（横軸に時間をとり縦軸に候補単
語群とその位置を記したもの）を作成する。゛ラティス
の中の各候補単語には例えば尤度情報等の評価値を付随
させる事もある。単語系列作成部３３では単語ラティス
作成部３２で作成された単語ラティスを入力して、単語
同士の位置的、文法的な接続可能性や単語に付随した上
記評価値をもとに最終的な単語系列を作成して認識結果
とする。以上が処理の流れの概要である。

本発明と直接関連する部分は単語ラティス作成部３２で
あるのでこの部分についてさらに詳細な説明を行う。

第４図は単語ラティス作成部の従来の構成例を説明する
だめの機能ブロック図である。前段の音素認識部３１で
得られた音素の系列は類似度演算部４１に送られる。

類似度演算部４１では入力された音素系列　Ｗ◇（Ｗｔ
、Ｗ、・・・・・・Ｗｊ）、　（記号会は右辺を左辺の
とおり表記するという事を意味する。）の一部分の区間
である部分音素系列　Ｗ′会（Ｗ３、Ｗ５＋１・・・Ｗ
Ｉ！、）（１＜　ｓ　＜　Ｑ　＜　Ｊ　）と、単語辞書
４２に格納しである参照用単語の音素系列　Ｄ→（ＤＩ
、Ｄ２、・・ＤＩ）との間の類似度Ｓ　　（Ｄ、　Ｗ、
　ｗ’）を、音素間類似度格納部４３に格納されている
音素間の尤度を用いて算出する。

類似度Ｓ　　（Ｄ、　Ｗ、Ｗ’）の算出を効率よく行う
ために連続ＤＰ法を用いる。この処理手順の具体例を第
５図に示す。以下図に従って処理の流れの説明を行う。

説明に先立ち記号の説明を行う。

図中、２　（１、」）はＤ　の１番目の音素Ｄ１と　１
ｖのｊ番目の音素Ｗｊとの間の尤度を示す。まだＩＩ　
ａ　（ｊ）はＷｊの音素が付加する尤度、ｆｉｏ（ｉ）
はＤｉの音素が悦楽する尤度を示す。更に、Ｒｏａｌ）
、り００（ｉ）はＷｊの音素がＷｊ−１という音素の付
加に続いて付加する尤度と、Ｄｌの音素がＤｉ−１の音
素の脱落に続いて脱落する尤度を示す。尚これらの値即
ち、ｆ！、（ｉ、ｊ）、ｐａｌ）、ｎｏ（ｉ）、ｎａａ
（ｊ）、ｆ！、ｏｏ（ｉ）の各音素間尤度はあらかじめ
多数話者の多数の音声の音素認識の結果得られる、音素
の置換、付加、脱落を含む音素認識の誤りの確率を表わ
すコン７ｊＬ　＞；ｚ２μ’７．．７７　　Ｄ各成分の
対数値として求められ第・１図の音素間類似度格納部４
３に格納されている。このコ；Ｘ−昌ンーＺμノ、六で
は１つの入力音素に対する全ての認識音素（脱落を含む
）の出現確率の和は１となっている。又、Ｋ（ｆ！、）
はｇ（Ｉ＋１．２）を得るまでに至るｇ　い、ｊ）の算
出過程で採択されたｇ　　（ｉ、Ｊ）のｉ＝ｏからｉ　
＝　Ｉ　＋　１に至るまでの（＋、」）の系列の個数を
２倍した値である。

処理はまず、処理イに示す初期化の処理から開始される
。初期化の処理ではＤＰの途中演算結果格納用変数ｇ　
　（ｉ、Ｊ）の値を一２≦ｉ　＜　Ｉ　＋　１及び−２
＜　ｊ　＜　Ｊ　＋　１にわたって−（３）にしだ後０
＜ｊ＜Ｊ＋１を満たす」に対してｇ　　（ｏ、ｊ）をＯ
にする。次にｇ　　（ｉ、ｊ）の算出を次に示す漸化式
によって行う　（処理口）。

ｇ　（ｉ、　ｊ）　＝２１　（ｉＳｊ）　＋ｍａｘこの
ようにして得られたｇ　　（ｉ、」）より、Ｓ（ｎ、ｗ
、ｗ’）を次式により算出する（処理）１）。

Ｓ　　（１，Ｗ、　ｎ）　＝ｇ　（１＋１．　ｆ！、）
／Ｋ（力（１りｎ＜Ｊ　＋　１）　　　　　（２）次に
対象となる全てのＤに関して５（ＩＤ、ｗ、Ｑ）の算出
を終えたかどうかをチェックしく判断二）、もしそうで
あれば処理を終了し、そうでなければＤの更新を行い（
処理ホ）、新たなりに対してｇ　い、ｊ）の算出を行う
　（処理口）。

この処理手順によって算出されるｓ　　（ＴＤ、　ｗ。

β）は １、入力音素系列における音素の付加あるいは脱落は２
連続以内である。

２、付加と脱落は連続して生起しない。

という制限のもとに、入力音素系列Ｗの２番目の音素Ｗ
ｔを終端としてとった部分音素系列Ｗ′の各音素Ｗｊ　
（ｓ　＜　ｊ　＜　ｆｌ　）　とＤの各音素り巨］くＩ
くＩ）とを対応させた場合における最適な音素対応の結
果得られる類似度となっている。

又、ｓ　　（Ｄ、　ｗ、　ｘ）の値が大であるというこ
とはそれだけその部分（ＷＸを終端とみなした時の部分
音素系列Ｗ／　）において単語りが発声された可能性が
高いことを意味する。フードスポツティングは以上述べ
た事実を利用する。

各ＩＤ６１　Ｉ）　１（ｏｒｌ）ｆｌ：（Ｄ　ｌ’）に
関して算出されたＳ　　（Ｄ、　Ｗ、　ｆｉ）をもとに
単語ラティス決定部４４で単語ラティスが作成される。

発明が解決しようとする問題点 しかしながら、従来の方法では、複数の参照用単語の音
素系列りに対する類似度ｓ　　（］Ｄ、　ｗ、ｘ）の算
出に際して個々のＤを適用する順序に関する規定がなく
又りが入れ替わる毎にｇ　　（ｉ、ｊ）の演算を最初か
らやりなおすという方法がとられている。しかしながら
第５図の処理手順のｇ　　（ｉ、ｊ）の算出過程におい
て、異るＤ同士でも先頭から共通な部分音素系列に対し
ては同じものを重複して求めていることになり、語粟数
の増加とともに演算効率の低下を招くという問題点があ
った。

本発明は従来技術のもつ以上のような問題点を解決する
もので、上記重複演算の省略により、演算の効率化をは
かり、演算量の少い音声認識装置を提供することを目的
としている。

問題点を解決するだめの手段 本発明は上記目的を達成するためになされたもので、音
声波形を入力して音素の認識を行い、認識された音素系
列を出力する音素認識部と、予め多数話者の多数の音声
の音素認識結果に基づいて作成された、各音素間の尤度
や付加、脱落の尤度を格納する音素間類似度格納部と、
音素表記された参照用単語群を格納する単語辞書と、前
記音素認識部からの音素系列の一部分の区間である部分
音素系列と前記単語辞書に格納しである参照用単語の音
素系列との間の類似度を、前記音素間類似度格納部に格
納されている尤度を用いて連続ＤＰマツチング演算によ
り算出する類似度演算部と、前記単語辞書からの単語を
類似度演算部が受けとる度に、前回の音素系列との先頭
からの共通部分の長さを検出する変化点検出部と、前記
類似度に基づき単語ラティスを決定する単語ラティス決
定部と、前記単語ラティスを用いて単語系列を作成する
単語系列作成部とを備え、前記類似度演算部の連続マツ
チング演算を、前記変化点検出部で検出された共通部分
の長さを基点として行うことを特徴とする音声認識装置
を提供するものである。

作用 本発明は上記構成により、音素系列の一部分の区間であ
る部分音素系列と音素表記された参照用単語との間の類
似度演算の際、部分音素系列が新しいものに入れ替わっ
た時に、新たにマ・ソチ／グの対象となる単語と前回マ
ツチングの対象となっていた単語の音素系列のうち、先
頭からみて共通な部分に対する連続ＤＰマツチング演算
の途中結果を記憶しておき、新たな単語におけるマツチ
ングの際に前記途中結果を利用してその部分の演算を省
略することにより類似度演算の効率化をはかることがで
きる。

実施例 以下、図面を参照しながら本発明の実施例について説明
する。本発明は音素認識部、単語ラティス作成部、単語
系列作成部の大きく分けて３つの部分で構成される点に
おいては従来例と同じであるが、単語ラティス作成部の
構成が従来のものと異なるのでこの部分の構成について
詳しく述べる。

第１図はワードスポツティングを採用した音声認識装置
のうち、本発明の一実施例における単語ラティス作成部
の構成を示す機能ブロック図である。

第１図において、前段の音素認識部で得られた音素の系
列は類似度演算部１１に入力される。

類似度演算部１１では入力された音素系列Ｗ　会（Ｗ　
＋、Ｗ、・・・・・・Ｗｊ）の一部分の区間である部分
音素系列Ｗ′：　（Ｗｓ　、　Ｗｓ　＋　＋、・、　＝
、　ｗｇ　）、（１＜　ｓ　＜　Ｑ　＜　Ｊ　）と単語
辞書１３に格納しである参照用単語の音素系列Ｉｔ）会
（ＤＩ、Ｄ２、・・・・・・ＤＩ）　　との間の類似度
５（ＩＤ、ｗ、　ｓｖ’　）を音素間類似度格納部１４
に格納されている音素間の尤度を用いて算出する。５（
ＩＤ、Ｗ、Ｗ’　　）の算出を効率よく行うだめに連続
ＤＰ法を用いるこの処理手順の具体例を第２図に示す。

この処理手順は部分音素系列Ｗ′の終端の音素の位置２
が確定しているものと仮定してＷ′とのとの間の類似度
の算出を行っている。従ってＷ′はＩ）（！：Ｗと必の
関数となるのでＳ　　（Ｄ、Ｗ、Ａ）　と記しである。

図中、ｌ　　（ｉ、ｊ）はＤの１番目の音素Ｄｉ、：Ｗ
のｊ番目の音素Ｗｊとの間の尤度を示す。まだｆｉａ（
ｊ）はＷｊの音素が付加する尤度、ｊＬｏ（ｉ）はＤｌ
の音素が脱落する尤度を示す。更にＢａａ　（ｊ）、Ｅ
ｏｏ（ｉ）はＷｊの音素がＷｊ−ｉという音素の付加に
続いて付加する尤度と、Ｄｉの音素がＤｌ−１の音素の
脱落に続いて脱落する尤度を示す。尚これらの値即ちｎ
　　（ｉ、ｊ）、ｊ２ａｌｌ、１ｔｏ（ｉ）、ｎａａ（
ｊ）、ｕ、ｏｏ（ｉ）の各音素間尤度はあらかじめ多数
話者の多数の音声の音素認識の結果得られる、音素の置
換、付加、脱落を含む音素認識の誤りの確率を表わすコ
ンムー７ジンＺＦＩ／Ｚの各成分の対数値として求めら
れ第１図の音素間・類似度格納部１４に格納されている
。このコシｈ−号；　２μ＝／、７．ｔでは１つの入力
音素に対する全ての認識音素（脱落を含む）の出現確率
の和は１となっている。

又、Ｋ（力はｇ（Ｉ＋１．２）を得るまでに至るｇ（ｉ
、ｊ）の算出過程で採択されたｇ　　（ｉ、ｊ）のｉ＝
ｏからｉ　−Ｔ　＋　１に至るまでのい、Ｊ）の系列の
個数を２倍した値である。

処理はまず処理ａに示す初期化の処理から開始される。

初期化の処理ではＤＰの途中演算結果格納用変数ｇ　い
、Ｊ）の値を一２≦ｉ　＜　Ｉ　＋　１及び−２≦Ｊ≦
Ｊ＋１にわたって一美にした後０くｊ＜、Ｊ＋１を満た
すＪに対してｇ　　（ｏ、ｊ）を０にする。又、Ｄが入
れ替わった時、先頭から数えて前回と音素系列が共通な
部分の長さｎを０とする。尚このｎの値は第１図中の変
化点検出部１２により単語辞書１３より新しい単語（１
）を類似度演算部１１が受けとる度に検出される。また
単語辞書１３内の単語はある規則で定められた順序例え
ば辞書式順序などに従って類似度計算部１１へ送り出す
ことが望ましい。

次にｇ　　（ｉ、ｊ）の算出を次に示す漸化式によって
行う　（処理ｂ）、） ｇ　（ｉ、　ｊ）　＝２℃（ｉ、　ｊ）＋ｍａｘこのよ
うにして得られたｇ　い、」）より、５（ＩＤ、　Ｗ、
　ｗ’）を次式により算出する（処理Ｃ）。

Ｓ　　（Ｉ）、　Ｊ　　Ｒ）　＝ｇ　　（Ｉ　＋　１、
ｆｌ）／Ｋ（Ｑｌ（１く２≦Ｊ＋１）（４） 次に対象となる全てのりに関してＳ（Ｄ、Ｗ、月の算出
を終えたかどうかのチェックをしく判断ｄ）、もしそう
であれば処理を終了し、そうでなければＤの更新を行い
更に、前回のＤと更新されたＩＤとを比較して先頭から
何番目の音素まで共通かをカウントしその値をｎとする
（処理ｅ）。

このｎをもとにして新たなりに対してｇ　い、Ｊ）の算
出（処理ｂ）及びｓ　　（ｏ、　ｗ、　ｉ）の算出を行
う　（処理Ｃ）。このｎの値は第１図の変化点検出部１
２によって求められ類似度演算部１１へ送られ、類似度
演算部１１は上記の処理手順に従って各りに対して、ｓ
　　（ｎ、ｗ、ｘ）の算出を行う。

上記によって算出された各りに対するＳ　　（ＩＤ、Ｗ
、（１）を用いて単語ラティス決定部１５が、後段の単
語系列作成に必要な単語ラティスを作成し、音素系列入
力より単語ラティス作成までの一連の処理が完了する。

本実施例の場合、Ｄの更新を行う際に変化点検出部１２
により先頭から何番目の音素まで共通かをカウントし、
その値をｎとするため次にｇ　　（ｉ、　　ｊ）を算出
する時の演算の重複を避けることができる。

発明の詳細 な説明したとおり本発明によれば、連続発声された音声
の認識音素系列Ｗの部分音素系列Ｘｖ′と、参照用単語
りとの間の類似度演算の際、Ｄが新しい１）（ＩＤ’と
する。）に入れ替わった時に、変化点検出部により先頭
から何番目の音素まで共通かをカウントしてその値をｎ
とするため、語頭部分からみてＤとＤ′の音素が共通で
ある部分に対する演算の重複を避ける事ができ、類似度
演算の効率化、高速化が可能となる。

【図面の簡単な説明】

第１図は本発明の音声認識装置の単語ラティス作成部の
一実施例を示す機能ブロック図、第２図は入力音素系列
の部分音素系列と参照用単語の音素系列との類似度を算
出する本発明による処理手順の具体例を示すフローチャ
ート、第３図はワードスポツティングを採用した音声認
識装置の一般的構成を示す機能ブロック図、第４図は従
来の単語ラティス作成部の構成例を示す機能ブロック図
、第５図は従来の類似度算出手順の具体例を示すフロー
チャートである。 １１・・・類似度演算部、１２川変化点検出部、１３・
・・単語辞書、１４・・・音素間類似度格納部、１５・
・・単語ラティス決定部。 代理人の氏名　弁理士　中　尾　敏　男はが１名第１図

Claims (3)

【特許請求の範囲】
1. （１）音声波形を入力して音素の認識を行い、認識され
   た音素系列を出力する音素認識部と、予め多数話者の多
   数の音声の音素認識結果に基づいて作成された、各音素
   間の尤度や付加、脱落の尤度を格納する音素間類似度格
   納部と、音素表記された参照用単語群を格納する単語辞
   書と、前記音素認識部からの音素系列の一部分の区間で
   ある部分音素系列と前記単語辞書に格納してある参照用
   単語の音素系列との間の類似度を、前記音素間類似度格
   納部に格納されている尤度を用いて連続ＤＰマッチング
   演算により算出する類似度演算部と、前記単語辞書から
   の単語を類似度演算部が受けとる度に、前回の音素系列
   との先頭からの共通部分の長さを検出する変化点検出部
   と、前記類似度に基づき単語ラティスを決定する単語ラ
   ティス決定部と、前記単語ラティスを用いて単語系列を
   作成する単語系列作成部とを備え、前記類似度演算部の
   連続ＤＰマッチング演算を、前記変化点検出部で検出さ
   れた共通部分の長さを基点として行うことを特徴とする
   音声認識装置。
2. （２）単語辞書内の単語の適用順序を予め定められた規
   則に従って適用して連続ＤＰマッチング演算を行うこと
   を特徴とする特許請求の範囲第１項記載の音声認識装置
   。
3. （３）適用順序が辞書式順序であることを特徴とする特
   許請求の範囲第２項記載の音声認識装置。