JPS62255999A - 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】 〔概　要〕 入力単語音声パターンを単音節標準パターンがら作成さ
れた擬似単語標準パターンと照合する単語音声認識装置
において、入力単語音声パターンより無音区間パターン
を除去し、各有音区間パターンを詰めて作成された圧縮
単語音声パターンを用いて擬似単語標準パターンと照合
する。これにより認識率を向上させると共に処理量を低
減させることが出来る。

〔産業上の利用分野〕

本発明は、単語音声を認識する単語音声認識装置、特に
、登録された単音節標準パターンと未知入力単語音声パ
ターンとを照合して入力単語音声を認識する単語音声認
識装置において、入力単語音声パターン中に存在する無
音区間パターンによる悪影響を除去して認識率を向上さ
せると共に処理量を低減させる様に改良した単語音声認
識装置に関する。

未知入力単語音声を認識する場合、入力単語音声から作
成された入力単語音声パターンを予め登録されている単
語標準パターンと照合する認識方式が多く用いられてい
る。

この単語音声認識方式において単語標準パターンを登録
する場合、実際に発声された単語音声より作成された単
語標準パターンを用いる方式と、予め登録されている単
音節標準パターンを連結して作成された擬似単語標準パ
ターンを用いる方式前者の単語標準パターンを用いる方
式は、認識率は良好であるが、認識対象となる単語の数
だけ単語標準パターンを登録する必要がある為、認識単
語数が増加すると、登録作業に多くの手間と時間が掛り
、且つ、認識対象となる単語群のカテゴリが変更される
と、再び登録をやり直さねばならないという不都合があ
る。

これに対し、後者の擬似単語標準パターンを用いる方式
は、認識率の点では前者の方式より一般的に劣るが、約
１００種類程の単音節標準パターンを登録するだけで、
任意の擬似単語標準パターンを作成することが可能であ
り、認識対象となる単語群のカテゴリが変更になっても
再登録する必要がないので、登録作業が簡単で済む利点
がある。

なお、各単語は音節（シラブル）から成り立ち、音節は
音素から成り立っている。音素は音声の最小基本単位で
、母音と子音がある。各音節は、通常１個の母音と１な
いし２個の子音が結合して形成され、日本語の場合、約
１００種の音節がある。

本発明は、後者の擬似単語標準パターンを用いる単語音
声認識方式に関し、その認識率を向上させる様にしたも
のである。

〔従来の技術〕

第５図は、従来の単音節標準パターンから作成された擬
似単語標準パターンによる単語音声認識方式の基本構成
をブロック図で示したものである。

第５図において、未知の人力単語音声が図示しないマイ
クロホンから入力されると、音声分析部２１０は、入力
単語音声の特徴を表すパラメタや各音節の区間検出等を
行って音節対応の入力単語音声パターンを作成し、単語
認識部２２０に入力する。

一方、単音節標準パターン辞書２３０には、各単音節標
準パターンが予め登録されており、認識対象となる単語
群のカテゴリが決ると、単音節標準バクーン辞書２３０
から単音節標準パターンを取り出して連結することによ
り、認識対象カテゴリに属する各単語に対応する擬似単
語標準パターンが作成され、擬似単語標準パターン辞書
２４０に格納される。

単語認識部２２０は、音声分析部２１０より入力された
入力単語音声パターンを擬似単語標準パターン辞書２４
０中の各擬似単語標準パターンと照合し、距諦の最も小
さい擬似単語標準パターンの単語を認識単語とする。

単語認識部２２０における、前述の単語認識処理は、２
段ＤＰ法（Ｔｗｏ　１ｅｖｅｌ　ｄｙｎａｍｉｃ　ｐｒ
ｏｇｒａｍｍｉｎｇ　ｎａｔｃｈｉｎｇ）によって行わ
れるが、第６図は、そのＤＰマツチング方式を説明した
ものである。

第６図において、横軸は入力単語音声パターンであり、
縦軸は単音節標準パターンを連結して作成された擬似単
語標準パターンである。

いま、単語音声“アイチ（愛知）：ａｉｔｆｉ”が入力
され、擬似単語標準パターン“アイチ（ａ　　ｉ　　ｔ
ｆｉ″とマツチングしたとき、そのＤＰパスは、図示の
様に始点ＰからＱ、Ｒ。

８点を通り端点Ｔに終る経路をとり、“アイ　（ａｉ）
”の端点Ｕ及び“チ（ｔｆｉ）　　”の始点■を通る経
路、即ち理想的にマツチングが行われた場合の経路から
ずれたものとなる。

この為、正しい照合が行われず、認識率が低下するとい
う不都合を生じる。

〔発明が解決しようとする問題点〕

従来の入力単語音声パターンを単音節標準パタ−ンから
作成された擬似単語標準パターンと照合する単語音声認
識方式は、前述の様に、マツチング時のＤＰパスが理想
的にマツチングが行われた場合のＤＰパスからずれたも
のとなって正しい照合が行われない為、認識率が低下す
るという問題があった。

本発明は、入力単語音声パターンを単音節標準パターン
から作成された擬似単語標準パターンと照合して入力単
語音声を認識する単語音声認識装置において、マツチン
グ時のＤＰババス理想的にマツチングが行われた場合の
ＤＰパスに合致する様にして認識率を向上させる様にし
た単語音声認識装置を提供することを目的とする。

Ｃ問題点を解決する為の手段〕 従来の人力単語音声パターンを単音節標準パターンから
作成された擬似単語標準パターンと照合する単語音声認
識方式では、マツチング時のＤＰババス理想的なりＰバ
スからずれるが、それは、入力単語音声パターンには、
第６図に示す様に有音区間“アイ（ａｌ）”及び“チ（
ｔ　ｆ　ｉ）　”の間に無音区間が介在しているのに対
し、擬似単語標準パターンの“アイチ（ａ　　ｉ　　ｔ
ｆｉ）　　”には、この様な無音区間が存在しないこと
に１つの大きな原因がある。

即ち、ＤＰ等の非線形伸縮を行って無音区間を含んだ入
力単語音声パターンと無音区間を含まない擬似単語標準
パターンとを照合する際、無理な対応付けが行われる為
、マツチング時のＤＰババス理想的なりＰパスからずれ
、正しい照合が行われないことになる。そして、この傾
向は、入力単語音声パターン中に占める無音区間の割合
が多くなる程、顕著なものとなる。

又、入力単語音声パターンと擬似単語標準パターン間の
累積距離中に占める無音区間パターンと単音節標準パタ
ーン間の距離の割合が増える程、無音区間パターン（雑
音により、レベルは低いが多様なパターンを含んでいる
）に出来るだけ近い単音節標準パターンを選ぶことにな
る為、累積距難誤差が大きくなって、誤認識の可能性が
高まることになる。

本発明は、従来の入力単語音声パターンを擬似単語標準
パターンと照合する単語音声認識方式におけ＋誤認識の
主な原因の１つが入力単語音声パターン中に存在する無
音区間の及ぼす悪影響によるものであることに着目し、
入力単語音声パターン中から無音区間パターンを除いて
形成された圧縮単語音声パターンと擬似単語標準パター
ンとを照合させることにより、認識率を向上させる様に
したものである。

以下、従来の単語音声認識方式における前述の問題点を
解決する為に本発明が講じた手段を、第１図を参照して
説明する。

第１図は、本発明の基本構成をブロック図で示したもの
である。

第１図において、１１０は圧縮単語音声パターン作成手
段で、入力単語音声より作成された入力単語音声パター
ンより無音区間パターンを取り除き、各有音区間パター
ンを詰めて圧縮単語音声パターンを作成する。

１２０は擬似単語標準パターン作成手段で、各単音節標
準パターンより認識対象となるカテゴリの単語群に属す
る各単語の擬似単語標準パターンを作成する。

１３０は単語認識手段で、圧縮単語音声パターン作成手
段１１０より入力された圧縮単語音声パターンを擬似単
語標準パターン作成手段１２０中の各擬似単語標準パタ
ーンと照合して入力単語音声を認識する。

〔作　用〕

入力単語音声から作成された入力単語音声パターンが入
力されると、圧縮単語音声パターン作成手段１１０は、
入力単語音声パターンより無音区間パターンを取り除き
、各有音区間パターンを詰めて圧縮単語音声パターンを
作成し、単語認識手段１３０に入力する。

一方、擬似単語標準パターン作成手段１２０には、各単
音節標準パターンより認識対象となるカテゴリの単語群
に属する各単語の擬似卑語標準バターンが予め作成され
ている。

単語認識手段１３０は、圧縮単語音声パターン作成手段
１１０より人力された圧縮単語音声パターンを、擬似単
語標準パターン作成手段１２０中の各凝似単語標阜パタ
ーンと照合して、入力単語音声を認識する。この照合及
び入力単語音声認識処理は、例えば、２段ＤＰ法により
行うことが出来る。

以上の様にすることにより、人力単語音声パターン中に
存在する無音区間パターンによる悪影古が除去されて擬
似単語標準パターンとの照合が正しく行われ、人力単語
音声の認識率を向上させることが出来る。

又、圧縮処理により照合対象のフレーム数が減少するの
で、単語認識時の照合処理量が低減され、圧縮単語音声
パターン作成手段における処理量の増加があっても、全
体の処理量を低減させることが出来る。

〔実施例〕

本発明の実施例を、第２図〜第４図を参照して説明する
。

第２図は本発明の一実施例の構成のブロック説明図、第
３図は同実施例における区間検出方式の説明図、第４図
は同実施例におけるＤＰマツチング方式の説明図である
。

（Ａ）実施例の構成 第２図において、圧縮単語音声パターン作成手段１１０
、擬似単語標準パターン作成手段１２０及び単語認識手
段１３０については、第１図で説明した通りである。

１４０はマイクロホンで、話者（図示せず）の発声した
単語音声又は単音節音声が入力される。

１５０はパラメタ抽出部で、マイクロホン１４０から入
力された単語音声又は単音節音声の特徴を表すパラメタ
を抽出して、入力単語音声パターン又は入力単音節音声
パターンを作成する。

１６０は切替え回路で、人力単語音声パターンと入力単
音節音声パターンに応じた切替えを行う。

圧縮単語音声パターン作成手段１１０において、て１１
１は認識用区間検出部で、入力単語音声パターンから有
音区間と無音区間の検出を行う。

１１２はパターン圧縮部で、認識用区間検出部１１１の
検出した有音区間及び無音区間情報に基づいて、入力単
語音声パターンより無音区間パターンを取り除き、各を
音区間パターンを詰めて圧縮単語音声パターンを作成す
る。

擬似単語標準パターン作成手段１２０において、１２１
は登録用区間検出部で、登録用の単音節音声パターンの
区間検出を行って単音節標準パターンを作成する。

１２２は単音節標準パターン辞書で、作成された各単音
節標準パターンが登録される。

１２３は単語辞書で、各単語の音節情報が格納されてい
る。

１２４は擬似単語標準パターン作成部で、単語辞書１２
３より認識対象となる単語群のカテゴリに属する各単語
を取り出し、各単語の音節情報に基づいて単音節標準パ
ターン辞書１２２より所定の各単音節標準パターンを取
り出し、各単語毎の擬似単語標準パターンを作成する。

単語認識手段１３０において、１３１はＤＰ計算部で、
パターン圧縮部１１２で作成された圧縮単語音声パター
ンを、擬似単語標準パターン作成部１２４で作成された
各１疑似単語標準パターンとＤＰ照合を行い、各単語と
圧縮単語音声パターンとの距離をそれぞれ算出する。

１３２は判定部で、ＤＰ計算部１３１により求められた
各単語圧縮単語音声パターンとの距離を比較し、その距
離の最も小さい単語を認識単語と判定する。

（Ｂ）実施例の動作 実施例の動作を、第３図及び第４図を参照し、各動作に
分けて説明する。

（Ｂ−１）登録動作 話者の発声した単語音声に対する認識処理が行ねれる前
に、単音節標準パターン辞書１２２には各単音節の標準
パターンが登録され、更に、擬似単語標準パターンが作
成される。

単音節標準パターン辞書１２２に各単音節標準パターン
を登録する場合は、切替え回路１６０を登録用区間検出
部１２１側に接続し、マイクロホン１４０より単音節音
声をパラメタ抽出部１５０に入力する。

パラメタ抽出部１５０は、入力された単音節音声の特徴
を表すパラメタを抽出して、人力単音節音声パターンＳ
Ｐを作成する。

作成された単音節音声パターンｓｐは、特徴ベクトルの
時系列であり、各特徴ベクトルは、ｑ個（例えば１６個
）の帯域フィルタのパワースペクトルをｑ次のベクトル
量で表したものである。従って、横軸に時間ｔをとり、
縦軸にパワーをとると、入力単音節パターンｓｐは、第
３図（ａ）に示す様なパターンを形成する。

この入力単音節音声パターンＳＰに対し、２種類の閾値
り、及びｈ２を設ける。閾値り、は、雑音レベルよりは
高（、各人力単音節音声パターンのパワーの最大値の中
で最も低い値の近傍に選定される。ｈ２は雑音レベル、
即ち無音区間パターンのパワーレベルの最大値の近傍に
選定される。

登録用区間検出部１２１は、入力待ちになってから、人
力単音節音声パターンのパワーが閾値ｈ１を初めて越え
たフレーム（「。）を探し、このフレームｆ０から両側
でパワーが闇値ｈ２以上である連続した区間（始端ｆ５
〜終端ｆ、）を単音節標準パターンの音声区間として検
出する（第３図（ａ）参照）。

これにより、雑音Ｎ、−Ｎ、を除いた、始端ｆ、から終
端１８間の入力単音節音声パターン部分が登録用の単音
節標準パターンとして抽出されて、単音節標準パターン
辞書１２２に登録される。

認識対象となる単語群のカテゴリが決まると、擬似単語
標準パターン作成部１２４は、単語辞書１２３より認識
対象となる単語群のカテゴリに属する各単語を取り出し
、各単語の音節情報に基づいて単音節標準パターン辞書
１２２より所定の各単音節標準パターンを取り出し、各
単語毎の擬似単語標準パターンを作成する。

（Ｂ−２）圧縮単語音声パターン作成動作入力された単
語音声パターンに対する認識処理を行う場合は、切替え
回路１６０を認識用区間検出部１１１側に接続して、圧
縮単語音声パターンの作成が行われる。

マイクロホン１４０より未知単語音声が入力されると、
前述の単音節標準パターンの登録の場合と同様にして、
パラメタ抽出部１５０は、入力単語音声パターンｗｐを
作成して認識用区間検出部１１１に人力する。

作成された入力単語音声パターンＷＰは、入力単音節音
声パターンと同様な特徴ベクトルの時系列であり、各特
徴ベクトルはｑ個の帯域フ゛イルタのパワースペクトル
をｑ次のベクトル量で表したものである。従って、横軸
に時間ｔをとり、縦軸にパワーをとると、人力単語音声
パターンＷＰは、第３図（ｂｌに示す様なパターンを形
成する。

この入力単語音声パターンｗｐに対し、前述の登録用区
間検出部１２１の場合と同様な閾値り。

及びｈ２が設定される（第３図ｆｂ）参照）。

認識用区間検出部１１１は、入力待ちになってから、入
力単語音声パターンＷＰのパワーが閾値ｈ１を初めて越
えたフレーム（ｆｏ）を探し、このフレームｆ０から両
側でパワーが閾値ｈ２以上の区間（始端ｆ５−〜ｆ、、
ｆ、〜ｆ、、ｆ４〜ｆ、）を探す。その際、閾値ｈ２以
下になる区間（ｆ、−ｆ２　、ｆ３〜ｆ４）が所定の長
さり、より小さいときは、無音区間として入力単語音声
パターンに含ませ、Ｌ、を越えた場合（例えばｆ、、Ｉ
〜ｆ、、ｆ、〜ｆ７□）は、雑音として無視する。Ｌ３
は、各単語音声中に含まれる各無音区間中の最大値に基
づいて選定される。

これにより、始端ｆ５から終端ｆ８間の入力単語音声パ
ターン部分が、圧縮の対象となる入力単語音声パターン
ＷＰｃとして抽出される。

認識用区間検出部１１１は、更に、この圧縮の対象とな
る入力単語音声パターンＷＰｃにおいて、そのバワーレ
ベルが閾値６２以上である区間、即ち有音区間（ｆ、　
〜ｆ、、ｆ２〜ｆ、、ｆ４〜ｆ。）と閾値ｈ２より低い
区間、即ち無音区間（ｒＩ−ｆ２）（ｆ３〜ｒｓ＞を検
出する（第３図（ｂｌ参照）。

パターン圧縮部１１２は、認識用区間検出部１１１の検
出した有音区間及び無音区間情報Ｇこ基づいて、圧縮対
象となる入力単語音声パターンｗｐＣより無音区間（ｒ
＋〜ｆ２　、ｆ３〜ｒａ）のパターンを取り除き、各有
音区間（ｆ、〜ｆ、、ｆ２〜ｆ、、ｆ４〜ｆ、）の各パ
ターンを詰めて、圧縮単語音声パターンを作成する。

第４図の横軸に示されているパターンは、第６図の横軸
に示されている入力単語音声パターン“アイチ（ａ　　
ｉ　　ｔｆｉ）　　”を圧縮して得られた圧縮単語音声
パターン“アイチ（ａ　　ｉ　　ｔＪｉ）”を示したも
のである。

（Ｂ−３）単語認識動作 ＤＰ計算部１３１は、パターン圧縮部１１２で作成され
た圧縮単語音声パターンを、擬似単語標準パターン作成
部１２４で作成された各原像単語標準パターンとＤＰ照
合を行い、各単語と圧縮単語音声パターンとの距離をそ
れぞれ算出する。

第４図は、第６図に示す入力単語音声パターン“アイチ
（ａ　　ｉ　　ｔｆｉ）　　”を圧縮して得られた圧縮
単語音声パターン゛アイチ（ａ　　ｉ　　ｔｆｉ）”を
各擬似単語標準パターンと照合を行い、擬似単語標準パ
ターン“アイチ（ａ　　ｉ　　ｔｆｉ）”とマツチング
した場合を示したものである。

図示の様に、圧縮単語音声パターンの“アイ　（ａ　　
ｉ）　　”及び“チ（ｔＪｉ）　　”の部分は、擬似単
語標準パターンの　“アイ　＜ａ　　ｉ）　　”及び“
チ（ｔ　ｆ　ｉ）　　″の部分と、正しいＤＰパスＰ′
〜Ｒ′及びＲ′〜Ｔ′によってそれぞれ照合が行われる
。従って、擬似単語標準パターン“アイチ（ａ　　ｉ　
　ｔＪｉ）　　”と単語“アイチ（愛知）”の距離が最
も小さい値をもって算出されることになる。

判定部１３２は、ＤＰ計算部１３１により算出された各
単語と圧縮単語音声パターンとの距離を比較し、その距
離の最も小さい単語、即ち“アイチ（愛知）”を認識単
語と判定する。

以上、本発明の一実施例について説明したが、単音節標
準パターン辞書の代りに、音素単位で登録された標準パ
ターンを用いることも出来る。その場合の各演算処理は
、前述の単音節単位で登録されている場合と同様にして
行うことが出来る。

〔発明の効果〕

以上説明した様に、本発明によれば、次の諸効果が得ら
れる。

（イ）入力単語音声パターン中に存在する無音区間の影
響によるＤＰババスずれが除去されて正しい照合が行わ
れるので、認識率を向上させることが出来る。

（ロ）圧縮処理により照合対象のフレーム数が減少する
ので、単語認識時のＤＰ照合計算処理量が低減され、圧
縮単語音声パターン作成手段における処理量の増加があ
っても、全体の処理量を低減させることができる。

【図面の簡単な説明】

第１図・・・本発明の基本構成の説明図、第２図・・・
本発明の一実施例の構成の説明図、第３図・・・同実施
例における区間検出方式の説明図、 第４図・・・同実施例におけるＤＰマツチング方式第５
図・・・従来の原像単語標準パターンによる単語音声認
識方式の説明図、 第６図・・・従来の擬似単語標準パターンによる単語音
声認識方式におけるＤＰマーツチング方式の説明図。 第１図及び第２図において、 １１０・・・圧縮単語音声パターン作成手段、１２０・
・・擬似単語標準パターン作成手段、１３０・・・単語
認識手段、１４０・・・マイクロホン、１５０・・・パ
ラメタ抽出部、１６０・・・切替え回路。 矛４石ゾＨの恭不１Ｌへ゛ 第１図 ｖ悔セ１ジ・Ｉ【；お゛・ヂろ２１式已千針出劣？り斥
翁ｉｖ語者戸へ°７−ン 望方七’１＃＋ｌｔ：お′・するＤＰマ・／ｊング方べ
　−第４図

Claims (1)

1. 【特許請求の範囲】 入力単語音声パターンを単音節標準パターンから作成さ
   れた擬似単語標準パターンと照合して入力単語音声を認
   識する単語音声認識装置において、（ａ）入力単語音声
   より作成された入力単語音声パターンより無音区間パタ
   ーンを取り除き、各有音区間パターンを詰めて圧縮単語
   音声パターンを作成する圧縮単語音声パターン作成手段
   （１１０）と、 （ｂ）各単音節標準パターンより認識対象となるカテゴ
   リの単語群に属する各単語の擬似単語標準パターンを作
   成する擬似単語標準パターン作成手段（１２０）と、 （ｃ）圧縮単語音声パターン作成手段１１０より入力さ
   れた圧縮単語音声パターンを擬似単語標準パターン作成
   手段（１２０）中の各擬似単語標準パターンと照合して
   入力単語音声を認識する単語認識手段（１３０）、 を備えたことを特徴とする単語音声認識装置。