JPS62220998A - 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、人が発声した音声を自動的に認識し、その認
識結果を例えば活字によって表わす等の用途に供される
音声認識装置、殊にその認識単位が単語より小さな音素
等である音声認識装置に関する。

［従来の技術］ 従来のこの種の装置における音声認識の方式としては、
単語を認識単位として標準パターンを作成し、それをダ
イナミックプログラミング（動的計画法、以下、ＤＰと
略称する）等を用いて、入力パターンと整合をとること
により音声認識をする方法が広く用いられてぎた。

［発明が解決しようとする問題点］ この従来型のパターン整合方式では、標準パターンとし
て採用する単位が単語程度の大きなものであり、かつ単
語の種類が百程度以下の少数である場合には、高い識別
率を与えてきた。しかし、音素や音素片などのように認
識単位が単語より小さなもの（この場合、単語より短い
区間で標準パターンが作成される）に対しては、このパ
ターン整合方式は有効性を十分発揮しなかった。この原
因は、標準パターンのパターンの長さが短いので、その
前後の音素環境によって種々に変形を受ける音素の標準
パターンの作成が困難であり、かつ入力パターンとの整
合も正しく行わないためであった。

しかし、認識すべき単語の種類が実際には子種類以上の
多数であり、かつ連続音声でもある音声認識系の構成の
ためには単語より小さな音素や音素片を認識単位として
用いなければならないことは明白である。

本発明は、以上の問題点に鑑み、パターン整合方式の枠
組の中で、単語より小さな音素または音素片を認識単位
とすることを可能にする音声認識装置を提供することを
目的とする。

［問題点を解決するための手段］ 本目的を達成するため、本発明は音声入力を電気信号に
変換する音声入力部と、音声入力部の出力波形を分析す
る分析部と、標準パターンをあらかじめ記憶する標準パ
ターン記憶部と、分析部で分析された入カバターンと標
準パターンとの距離を計算し、計算結果に応じて入力音
声の音素名や単語名を含む語文を識別する音声認識部と
、音声認識部の識別結果を外部に出力する出力部とから
成る音声認識装置において、標準パターン記憶部が少な
くとも、音素または音素片を表わす特徴パラメータ系列
の複数個のつながりによって作成された標準パターンを
記憶しており、音声認識部が、標準パターンと入力パタ
ーンとの整合を連続ダイナミックプログラミングによる
整合方式によって実行し、各標準パターンについての整
合値と音素または音素片の記号列で表わされた整合履歴
を表わすパラメータとを各入力フレーム毎に有する連続
ＤＰ値を出力する連続ＤＰ部と、整合履歴を表わすパラ
メータと連続ＤＰ値を用いて、時刻を同じくしている同
一音素または音素片記号によるその時刻の同定回数を累
積し、各時刻における各音素または音素片カテゴリーの
累積値を最大とするものから、その時刻の識別候補を定
める部分整合演算部とを具備したことを特徴とする。

［実施例］ 以下、図面を参照して本発明の実施例を詳細に説明する
。

第１図は本発明実施例の音声認識装置の概略構成を示す
。

本図において、マイクロフォン等の音声入力部１によっ
て入力された音声波形Ａはアナログデジタル変換器、Ｆ
ＦＴ（高速フェーリエ変換器）やバンドパスフィルタ等
から成る分析部２により分析されて、スペクトル等の特
徴パラメータ（以下、入カバターンと称する）Ｂとなる
。一方、パターンマツチングアルゴリズム連続ＤＰを行
う連続ＤＰ部３で用いる標準パターンとして、単語より
小さいが音素よりは大きい／ｖＣｖ／や／ＣＶＣ／　（
但しＣ：子音、Ｖ：母音）程度の識別単位の標準パター
ンＣが予め記憶部４に登録・記憶されており、この標準
パターンＣと入カバターンＢとを連続０２部３によって
マツチングする。

連続ＤＰ部３によるマツチングの結果りは部分整合演算
部５において集計・判定され、その判定結果Ｅが外部の
プリンタ等の出力部６へと出力される。

本実施例の音声認識系は上述のごとく連続ＤＰと深く関
係してるので、まず連続ＤＰについて説明する。

連続ＤＰの適用において入力音声の分析部２からの出力
Ｂは、 （ｆ（ｔ、ｘ）Ｈ１≦ｔ＜ｃｏ、１≦Ｘ≦Ｌ）　　　　
　−（１）なる式で表現される。ここで、ｔ＝１．２．
・・・とじ、ｔの間隔は分析フレーム間隔（分析の行わ
れる間隔）であり、例えば８〜１０ｍ５ｅｃである。ま
た、Ｘはスペクトル等のパラメータ次数である。すなわ
ち、Ｘは例えば既析部２がバンドパス・フィルタである
とすると、各バンドの番号を表わし、Ｌは既述の所から
通常１０乃至２０である。この時、上述のｆ（ｔ、ｘ）
はｔ時刻のバンド番号Ｘのパワー乃至大きさを示してい
ることになる。

次に、記憶部４に登録・記録され連続ＤＰに用いられる
標準パターンを （Ｚ（ｒ　、ｘ）　：　ｌ≦τ≦Ｔ、　ｌ≦Ｘ≦Ｌ　）
　　　・（２）とする。このとき、連続ＤＩ’の式は、
標準パターンＣと入力パターンＢのフレーム間距離をＬ ｄ（ｔ、Ｔ）−一　Σ　１ｆ（ｔ、ｘ）　−Ｚ（τ、ｘ
）　　Ｉ　　−（３）ＬメＩｌｌ と定めるとき、累積路ｆｆｉ［ｔｆ’（ｔ、τ）を与え
る次の式として表現される。

ここで、ｐ（ｔ、τ）の初期条件としては、Ｐ（−１，
ｒ）−Ｐ（ｏ、ｒ）−００，（１≦τ≦Ｔ）で与えられ
る。連続［）Ｐの出力値Ｄ（ｔ）は、ｏ　（ｔ）−２旦
」−・・・（５） ３・Ｔ として定められ、この０　（１）が最適整合値を意味し
ている。

連続音声の認識において、連続ＤＰのみを用いる場合に
は、通常上式（５）のＤ　（ｔ）の時間的な局所的最低
値を見出し、その時刻とその最低値を与える認識単位名
を出力としてきた。この際、従来では標準パターンを作
成した認識単位の大きさは単語程度の大ぎさのものが用
いられてきた。しかし、先にも述べたように、大語食・
不特定話者・連続音声認識系を構成するには認識の基本
単位を単語より小さくする必要があるが、単語より小さ
な単位の標準パターンを用いる場合に、従来のＤＰによ
る音声認識方法では高い識別率を与えない。この理由も
先に述べたごとく、識別の基本単位が小さくなると、そ
れを表わす標準パターンの長さが短くなり、前後にある
音韻のパターンによって大きく変化するので、標準パタ
ーンが定まらなくなり、かつマツチングも精度よく行わ
れないためである。そのため、従来では、音素のような
小さな単位の認識を行うのに、パターンマツチング的手
法を用いることの有効性が疑われてきた。

こうした状況において、本発明を成立させる前提として
、本発明者は以下のような特別の知見を得ることに努力
した。

即ち、大きな識別単位の標準パターンは小さなト別単位
の標準パターンより調音による音韻の変１動をよく表わ
すことができる。これは大きな識別単位の標準パターン
の利点をであるが、大きな識別単位をとるほど識別の判
定は単位的に荒くなる。これは、大きな識別単位をパタ
ーンマツチングの単位にとる場合、部分的に正しく整合
していると思われる部分だけを取り出すということが行
われないためである。したがフて、まず連続ＤＰを用い
て、その連続ＯＰによる整合は比較的大きな識別単位で
行ない、その結果の集計と判定はより小さな識別単位で
行なうことができれば、大きなマツチング単位をもつこ
との長所を生かし、その弱点（小さな識別単位を出力と
しないこと）を補う理想的なマツチング方式のものにな
るはずである。

以上の知見に基づき、発明者は以下にのべる新しい音声
認識方式である「連続ＤＰを用いた部分整合方式」を発
明した。本発明に係る「連続ＤＰを用いた部分整合方式
」の概念説明図を第２図に示す。

第２図においての■は連続ＤＰのための標準パターンの
一例であり、本発明の方式では音素（または音素片）の
カテゴリーを有するパターンが複数個連結したもので構
成される。第２図では標準パターンとして３個の音素片
Ａ、Ｂ、Ｃで構成されるものが示しである。この例のよ
うに３つの音素片から連続ＤＰの標準パターン （Ｚ（ｒ　、ｘ）　：　ｌ≦τ≦Ｔ、　ｌ≦Ｘ≦Ｌ）が
構成されているときは、２（τ、Ｘ）はとなる。ここで
、 （ｚｔ（ｒ、ｘ）：　１≦τ≦τ１，１≦Ｘ≦Ｌ）　　
、　ｉ　ｇ　ｌ、ｘ、３・・・　（７） 番すそれぞれ音素片のパターンである。

ただし、式（６）の標準パターンは個別に作成された音
素または音素片の標準パターンというものを連結して作
成するのではない、連続ＤＰにかかる標準パターンは、
１）単語等の中で音素や音素片の微視的カテゴリーのも
のが連結して巨視的カテゴリーのパターンとなっている
ものを、巨視的単位のサンプルとして切り出し、２）そ
れについて音素または音素片のカテゴリーでその区切り
点（τ１．τ２．τ３等）を指定し、３）これらの巨視
的単位のサンプルを平均化操作する。ことで作成する。

これにより、音素または音素片の標準パターンは式（６
）の巨視的標準パターンの中に存在する形で表現される
ことになる。

次に、連続ＤＰによる上述の標準パターンを入カバター
ンとのマツチング時において、入力パターンの各フレー
ム時刻がいかなる音素（または音素片）に対応させられ
ているかを示す整合履歴のパラメータを考えるとする。

この整合履歴パラメータによって大きな単位の連続ＤＰ
のための標準パターンであっても、その整合の様子をよ
り小さな単位によって調べることが可能となる。この整
合履歴を表わすパラメータは以下の式で定められる。

いま、σ　（１，τ）を音素（または音素片）カテゴリ
ーの番号として、 Ｑ（ｔ、　τ）−ｋ　　　　（Ｚ（Ｔ　、Ｘ）　：１≦
Ｘ≦Ｌ）　ｅ　Ｓｋのとき　・・・（８） と定める。ここで、２（τ、Ｘ）は連続ＤＰで用いる標
準パターン（巨視的カテゴリー）の部分とし、Ｓｋはに
番目の音素（または音素片）のパターン（微視的なカテ
ゴリー）とする。そのとき、連続ＤＰによる整合履歴を
表わすパラメータ（これは第２図で■の音素ラベルの部
分を示すものとなる。）Ｅ（ｔ、ｒ、　ａ）は、連続Ｄ
Ｐの上式（４）の（ａ）　〜（ｇ）に対応して、 Ｅ（ｔ、ｌ、１）＝ｋ　　　　（Ｚ（１，ｘ）：１≦Ｘ
≦Ｌ）　ε５のとき・・・（ａ） Ｅ（ｔ、ｌ、α）　−０（２≦α≦Ｎ）・・・（９） として定まる。ここで、 とし、α十ｍはＥ（ｔ、τ、α）のαにおいてｍ個数字
記号をシフトさせることを意味し、■は同じくαについ
て右側から数字記号を付加することを意味することとす
る。

さて、連続ＤＰのための標パターンの総数がＭであると
すると、連続ＤＰ部３の連１４　Ｄ　Ｐの出力は（Ｄ＋
（ｔ）：ｉ−１，２，・・・瀾　　　　　　　　−、、
（＋Ｑとなり、また整合履歴のパラメータも （Ｅ、＋（ｔ、τ、α）：１≦τ≦Ｔ１，１≦α≦Ｎ。

ｉ＝１．２．・・・、Ｍ）　　　　　　　　　　　　・
・−（１２）となる。そのとき、第２図の■で示され各
音素（または音素片）カテゴリーが示す尤度（認識する
ためのもっともらしさ）をＧ（ｔ、α、ｋ）　　とする
と（ｋは音素（または音素片）のカテゴリ一番号）、こ
のＧ（ｔ、α、ｋ）は、 として定める。ここで、 であり、 である。

上式（１３）は各フレームでの整合履歴の結果を音素片
カテゴリー別に累積してゆくことを意味している。そし
て、尤度Ｇ（ｔ、α、ｋ）はそのカテゴリーごとの累積
の個数で定義されている。時刻ｔにおける尤度は、ｔ＋
Ｎ−１時刻までの履歴の生成を待ち、ｔからｔ＋Ｎ−ｔ
　までの履歴パラメータで定められる。このとき、Ｎは
遅延の程度を表わすが、これは連続ＤＰの最大の標準パ
ターン長に依存するので通常８０程度となる。

以上により、部分整合演算部５において入力音声の時刻
し−１１におけるフレーム特徴を音素（または音素片）
カテゴリーで認識するとしたときは、第１位の候補は、 ｋ＋”（ｔ−Ｎ＋１）＝Ａｒｇ（ｗａｘ　　　Ｇ（ｔ、
Ｎ、ｋ）　　ｌ・（１５）で与えられ、第２位の候補は
、 １．２１１　（ｔ−Ｎ＋１）−八ｒｇ（ｍａｘ　　　Ｇ
（ｔ、Ｎ、ｋ）　　ｌ”　　（１６）ｋ岬ｋＦ で与えられ、第ｊ番目の候補は、 ｋ、”　（Ｌ−Ｎ＋１）−＾ｒｇ（ｍａｘ　　Ｇ（ｔ、
Ｎ、ｋ）　　）−（１７）ｋ４ｋｉ、に：、−に７−。

で与えられる。

通常は、部分整合演算部５からに１責ｔ−Ｎ＋１）を認
識の結果とした第１図の出力部６へ出力することになる
。

［発明の効果］ 以上説明したように、本発明によれば、■　連続ＤＰに
かける標準パターンを比較的大きな識別単位にとること
によって、音素または音素片の変動を十分表わすことに
し、 ■　そのもとで連続ＤＰパターンマツチングを行ない、 ■　そのパターンマツチングの結果の集計・判定に当っ
ては、大きな識別単位のマツチングにおいて、正しく整
合していると考えられる部分だけをとり出し、 ■　その結果として小さな識別単位（音素や音素片のカ
テゴリー）を出力とすることを可能ならしめることがで
きる。

従って、本発明によれば、従来のパターンマツチング方
式で極めて困難とされていた単語より小さな単位を基本
的認識単位とすることが可能となり、大語食の連続音声
認識システムの設計に大きな道を開くことができる。

【図面の簡単な説明】

第１図は本発明実施例の音声認識装置の構成を示すブロ
ック図、 第２図は本発明に係る連続ＤＰを用いた部分整合方式の
概念説明図である。 １・・・音声入力部、 ２・・・分析部、 ３・・・連結ＤＰ部、 ４・・・標準パターン記憶部、 ５・・・部分整合演算部、 ６・・・出力部。 実方転４４’ｊＩ末１呪（たすプロ・ツク図第１図

Claims (1)

1. 【特許請求の範囲】 １）ａ）音声入力を電気信号に変換する音声入力部と、
   該音声入力部の出力波形を分析する分析部と、標準パタ
   ーンをあらかじめ記憶する標準パターン記憶部と、前記
   分析部で分析された入力パターンと前記標準パターンと
   の距離を計算し、該計算結果に応じて前記入力音声の音
   素名や単語名を含む語彙を識別する音声認識部と、該音
   声認識部の識別結果を外部に出力する出力部とから成る
   音声認識装置において、 ｂ）前記標準パターン記憶部が少なくとも、音素または
   音素片を表わす特徴パラメータ系列が複数個のつながり
   によって作成された標準パターンを記憶しており、 ｃ）前記音声認識部が、 ｃ−１）前記標準パターンと前記入力パターンとの整合
   を連続ダイナミックプログラミングによる整合方式によ
   って実行し、 各前記標準パターンについての整合値と音素または音素
   片の記号列で表わされた整合履歴を表わすパラメータと
   を各入力フレーム毎に有する連続ＤＰ値を出力する連続
   ＤＰ部と、 ｃ−２）前記整合履歴を表わすパラメータと前記連続Ｄ
   Ｐ値を用いて、時刻を同じくしている同一音素または音
   素片記号を累積し、 各前記時刻における各音素または音素片カテゴリーの累
   積値を最大とするものから、その時刻の識別候補を定め
   る部分整合演算部とを具備したことを特徴とする音声認
   識装置。