JPS62206597A - 音声認識用単語予備選択方式 - 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】 （産業上の利用分野） 本発明は、音声認識装置μ、音声入力装置等に８いて用
いられ、入力音声に出現している可能性の高い単語を認
識用単語辞書等から効率よく選択する音声認識にＸける
単語予備選択方式に関する。

（従来の技術） 音声認識装置、音声入力装置では１通常、認識対象の簡
素をあらかじめ定めてＸ１入力音声をその簡素中のひと
つの単語あるいは単語の並びとみなして認識処理を行な
う。認識処理とは例えば。

入力音声と語禽中の各単語の標準パターンとのマツチン
グ、あるいは入力音声の音素候補系列と簡素中の各単位
の音素系列とのマツチングを行ない、入力音声にもっと
も似ている単語または単語の並びを求めることである。

通常、この認識処理には多大の計算量が必要である。し
かも現在、認識対象の簡素の大きさはま丁ま丁増加して
Ｓつ、そｊに従って認識処理に必要な計算量もま丁ま丁
増加している。

そこで、音声が入力さ４たとき、その入力音声に出現し
ている可能性の高い竿部のみｆｆ：認識対象の始業から
その一部を予備的に選択し、選択された単語に対しての
み認識処理を行なうことにより。

認識処理に必要な計算量を減少させる方法をとっている
。

従来、予備選択は入力音声中で安定に検出できる音素ク
ラスによって行なわれている。丁なわち。

入力音声中にいくつかのそのような安定な音素クラスが
検出さｊ、れば、ｔＬａ対象の語粟中の単語のうち、少
なくともそれらの検出された音素クラスをまったく含ま
ない単語がその入力音声中に含まれている確率は非常に
小さいという原理を用いる。

安定に検出できる音素クラスとしては、５母音、摩擦音
によび撥音の各クラス、あるいは摩擦音、破裂音等の３
おまかに分類された子音のクラスなどある。

予備選択では、入力音声から得た１個以上の予備選択の
キーの少なくとも１個を含む単語が選択結果として出力
される。予備選択では、入力音声に含まれる単語が正し
く選択されている限りに８いては、それ以外に選択され
る単語の数が少ないほど有効である。選択される単語の
数を少なくてるためには、予備選択のキーの種類を多（
し、キーの種類の総数に対する、入力音声から得る相異
なるキーの数の割合を小さくてればよい。このために、
従来から、入力音声中に検出された音素クラスのｎ個の
組み合わせを長さｎのキーとして予備選択を行なってい
る。

一方１通常は安定に検出できる音素クラスであっても、
音声の発声時の調音変化や音素クラス検出部の検出性能
などのために、入力音声からの検出時には、含まれてい
るはずの音素クラスが脱落したり、あるいは逆に本来存
在しない音素クラスが挿入されたりという検出誤りの生
ずることがある。従って、検出された音素クラスの並び
のなかの連続する一部の並びだけを予備選択のキーとし
て用いるのでは、入力された単語が正しく選択されない
場合が生ずることになる。

以上の理由から、従来は、たとえば文献［板橋。

横巾“語中部分音素系列の指定による語傭の減少につい
て”昭和５８年日本音響学会講演論文集１−１−３．昭
和５８年ｌθ月」、あるいは文献２「特願昭６０−１７
３４２２．　　音声認識に８ける単語予備選択方式」に
示されているように、入力音声中に検出された音素クラ
スの並びのなかの必ずしも連続しないｎ個の音素クラス
の並びを予備選択のキーとして用い、このキーを同じ音
素クラスを必ずしも連続せずに含む単語を選択すること
により、音素クラスの検出誤りに対処して、単語の予備
選択を行なっていた。

（発明が解決しようとする問題点） 上述のようにキーのａｍの総数が増えることにより、選
択される単語の数は少なくなり、より効果的な予備選択
が行なえる。しかしながら、従来技術では、キーを構成
する音素クラスとして安定に検出できるものを使う必要
があり１通常は上述の５母音と撥音など、その数は６４
１！１程度である。

しかも１例えば３音節の単語を含む入力音声によってそ
の単語を予備選択しようとするならば、音素クラスの検
出ミスを考慮丁れば、キーの長さは２としなければなら
ない。その場合、キーの種類の総数は６の二乗で３６個
と少なく、このために誤って選択されてしまう単語が増
加し、予備選択の有効性が失なわれる。

（問題点を解決するための手段） 前述の問題点を解決するために本発明は、認識対象の単
語中８よび入力音声中の必ずしも連続しない音素クラス
の並びをキーとし、前記入力音声から取り出したキーと
前記単語から取り出したキーとの比較によって予備選択
を行なう音声認識用単語予備選択方式に３いて、あらか
じめ、使用されるすべてのキーを互いに類似したキーか
ら構成される複数個のグループに分類して８＠、前記入
力音声から取り出されたキーのいずれかと単語中のキー
のいずれかとが互いに同じグループに属するときに選択
結果として出力することを特徴とするものである。

（作用） 前述の問題点は、予備選択のキーを構成する音素クラス
として安定して検出できるものだけを使用して検出でき
るものだけを使用していたことに起因する。これに対し
て本発明の方式では、従来方式と同じく入力音声中の必
ずしも連続しない音素クラスの並びを予備選択のキーと
するが、キーめ構成要素となる音素クラスとしては、従
来技術で用いていた安定に検出できる音素クラスのほか
に、ある程度の検出誤りが生ずる音素クラスをも使用す
ることを可能にする。この結果１例えば。

上述の母音だけではなく、子音もキーの構成要素とする
。

この場合、検出誤りによって、入力音声中のある音素ク
ラスが異なる他の音素クラスとして検出されることがあ
る。しかしながら１通常、このような検出誤りにはある
誤りの傾向が存在する。すなわち、ある音素クラスの検
出を誤るときには、その音素クラスと類似した他の音素
クラスに誤ることが多い。また、この誤りの傾向は音素
クラス検出方法にも依存し、音素クラス検出方法が異な
れば誤り傾向も異なる。

さらに、いくつかの音素クラスから構成される予備選択
のキーが検出誤りの生じた音素クラスな含むと、誤った
キーとして入力音声から取り出されることになる。この
場合にも、キーの誤りには音素クラスの検出誤りと同様
の傾向がある。

そこで１本発明の方式では、丁べてのキーをあらかじめ
類似したキーどうしのグループに分類して？＠、入力音
声から取り出したキーと単語中のキーとが同じグループ
に属するならば、その単語を予備選択結果として出力す
る。これによって、音素クラスの検出誤りが生じても正
しい単語？検出できるようにしている。

この方式では、複数個のキーがひとつのグループとなる
ために、グループの数はキーの種類の総数の数分の１と
少なくなる。しかしながら、キーの構成要素として多数
の音素クラスを使用することが可能となるため、そのグ
ループの数は、従来技術のような安定な音素クラスだけ
を使ったキーの種類の総数よりも多くなり、より有効な
予備選択を行なうことができる。

（実施例） 以下では、図面を参照しつつ、実ｌｊ例に従って本発明
の詳細な説明する。

第１図は、本発明の一実施例を示すブロック図である。

本実施例では、予備選択のキーに使用する音素クラスと
して、ａ、ｉ、ｕ、ｅ、ｏの５母音Ｒよび撥音ｘｇよび
に、ｇ、ｓ％　ｚ、ｔ、ａ％ｎ、ｂ。

ｍ、ｙ、ｒ、Ｗの子音の計１９種類を用いる。これらの
音素クラスのうち５母音と撥音Ｘは入力音声の中では比
較的定常状態にあり、現在の技術レベルで安定に検出で
きる。キーは、２音節分の音素クラス列とする。日本語
では音節は子音十母音あるいはひとつの母音である。従
って２音節分の音素クラス列であるキーの種類の総数は
、約１０００個となる。

予備選択の処理に先立って、あらかじめ定めたテキスト
を発声した音声から、すべてのキーの音声パターンを集
めて−Ｊｃｓ＠、このキーを互いに類似したものどうし
のグループに分類する。

このためには、クラスタリングの手法、例えば階層的ク
ラスタリング法を用いることができる。

クラスタリングを行なうためにキーどうしの距離として
、キーに対応する音声パターンのマツチング距離を用い
る。距離が小さいほど、類似したキーである。また、あ
るクラスタに対して、これに属するキーのうち、クラス
タ内の他のキーとの距離の和が最小のキーをクラスタ中
心とする。階層的クラスタリング法では、最初に丁べて
のキーのそれぞれを、それ自身がクラスタ中心であるク
ラスタとする。続いて１丁べてのクラスタからクラスタ
中心どうしの距離が最も小さい２つのクラスタを求め、
その２つのクラスタをまとめて新たなひとつのクラスタ
とする。この結果クラスタの数は１個減少する。この処
理を、クラスタの数があらかじめ定めた数１例えばｐ個
になるまで繰り返す。これによって１丁べてのキーを互
いに類似したものどうしから成る、ｐ個のグループに分
けることができる。

この結果、例えばｅ−ｋｏ、ｅ−ｇｏ、ｈｅ　−ｋｏ、
ｈｅ−ｇｏなど、類似した音節から構成されるキーは同
じグループに属する。また、ひとつのグループに属する
キーの数を平均１０個としても、グループの数は約１０
０個となる。このようにして求めたｐ個のグループに１
からｐの番号を与え、各キーとそれぞれが属するグルー
プの番号との対応をキー・グループ対応表１０６に記憶
してＳく。

以上の準備の後、予備選択が行なわれる。

入力音声はいったん、音声メモリ１０１に記憶される。

音素クラス検出部１０２は、音声メモリ１０１０入力音
声から、予備選択のキーの構成要素となる音素クラスを
複数個検出し、音素クラスメモリ１０３に各音素クラス
とそれらの入力音声中での位置とを記憶する。

例えば、「エイゴデワ」という入力音声から音素クラス
を検出する際、音素クラス／ｉ／の検出に失敗、／ｇ／
を／に／に、／ｄ／を／１／に誤ツタ結果、／ｅｋｏｔ
ｅｗａ／の７ 個の音素クラスが検出され、それぞれ入力音声中の位置
１１ｖ報とともに音素クラスメモリ１０３に記憶された
とする。

キー検出部１０４は、音素クラスメモリ１０３から最大
１個の音節の飛び越しを許して取り出した２個の音節の
並びをキーとして取り出て。この結果、キーメモリ１０
５には、 ■　　ｅ−ｋ。

■　　ｅ−１ｅ ■　ｋ　ｏ　−ｔ　ｅ ■　ｋｏ−ｗａ の４個のキーが記憶される。

続いて、単語選択部１０７が、認識対象の始業の単語を
記憶する単語辞書１０８の中のそれぞれの単語について
予備選択を行なう。単語辞書１０８中のそれぞれの単語
にもあらかじめ、その音素クラス列から最大１個の音節
の飛び越しを許して取り出した２個の音節の並びをキー
として与えて？（。予備選択は、入力音声から取り出し
た複数個のキーのいずれかと、それぞれの単語に付与さ
れている複数個のキーのいずれかとが、同じグループに
属するか否かを判定することによって行なわれる。すな
わち、同じグループに属するキーがあれば、その単語を
予備選択候補として出力する。

例えば、単語辞書１０８中の単語「ｅｉｇ。

（エイゾ）」に対しては、次の３個のキーが与えられて
いる。

（ア）　　　　ｅ　−ｉ （イ）ｅ−ｇ。

（つ）　　　　　ｉ　−ｇ　。

これらのキーのそれぞれとキーメモ＋７１０５に記憶さ
れているキーのそれぞれとを比較する。丁なわち、そ４
ぞれのキーのグループ番号をキー・グループ対応表１０
６から取り出し、同じか否かを調べる。今の場合は、■
ｅ−ｋｏと（イ）　ｅ　−ｇ　。

とが同じグループに属することがゎがり、この結果単語
「ｅｉｇｏ（エイゾ）」　は予備選択結果として出力さ
れる。このように、入力音素クラスの検出の際に誤りが
生じても、入力音声中に含まれる単語を正しく予備選択
することができる。

一方、単語［ｔａＸｇｏ（タンプ）」には。

（１）　　　　ａ　−Ｘ （オ）ａ−ｇ。

（力）Ｘ−ｇ。

０３個のキーが与えら４゛Ｃいるが、これらのいずれも
、キーメモリ１０３に記憶されているキーとは同じグル
ープに属せず、このため、この単語は選択されない。

以下、単語辞書１０７の他の丁べての単語についても同
様に調べられ、いくつかの単語が予備選択結果として出
力される。

以上１本発明の実施例を示したが、予備選択に使用する
キーは、実施例の２音節に限らず、さらに、子音クラス
の列などとしてもよい〇また。入力音声中のキーを記憶
してＳくのではなく、キーに対応したグループ番号を記
憶して２いたり、さらに単語辞書中では各単語にその単
語中のキーに対応するグループ番号をあらかじめ与えて
？いてもよい。これによって、各単語の予備選択時にキ
ー・グループ対応表を検索することを省くことができる
。

（発明の効果） 以上説明したように本発明を用いると、入力音声からの
検出の際に誤りを８こしや丁い子音等の音素クラスもキ
ーの構成要素とすることが可能になる。そのため１例え
ば２音節に相当てる長さのキーを予信選択に用いるとす
ると、従来の方式で２つの母音でキーを構成しなければ
ならず、その種類の数が３６個と少ないのに対し１本発
明では実施例で示したようにキーのグループの数は１０
０個と多（なる。この結果１選択される単語の数が少な
い、より有効な、音声認識用単語予備選択方式を提供す
ることができる。

因面の簡単な説明 第１図は１本発明の実施例を示すブロック図である。

１０１・・・・・・音声メモリ、１０２・・・・・・音
素クラス検出部、１０３・・・・・・音素クラスメモリ
、１０４・・・・・・キー検出部、１０５・・・・・・
キーメモリ、キー・グループ対応表、１０６，１０７・
・・・・・単語選択部。

１０８・・・・・・単語辞書、１０９・・・・・・キー
選択部。

代理人　弁理士　　内　原　　　晋　　　。

ｑ＋＋＋〆 ｒＪ１０

Claims (1)

【特許請求の範囲】
1. 認識対象の単語中および入力音声中の必ずしも連続しな
   い音素クラスの並びをキーとし、前記入力音声から取り
   出したキーと前記単語から取り出したキーとの比較によ
   って予備選択を行なう音声認識用単語予備選択方式にお
   いて、あらかじめ、使用されるすべてのキーを互いに類
   似したキーから構成される複数個のグループに分類して
   おき、前記入力音声から取り出されたキーのいずれかと
   単語中のキーのいずれかと互いに同じグループに属する
   ときに選択結果として出力することを特徴とする、音声
   認識用単語予備選択方式。