JPS6232499A - 音声認識における単語予備選択方式 - 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、音声入力装置等において用い
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おける単
語予備選択方式に関する。

（従来技術とその問題点） 音声認識装置、音声入力装置では、通常、認識対象の語
粟をあらかじめ定めておき、入力音声をその語霊中のひ
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、入力音声と語粟中の各単語
の標準パターンとのマツチング、あるいは入力音声の音
素候補系列と語粟中の各単語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、認識対象の語業
の大きさはますます増加しており、それに従って認識処
理に必要な計算量もますます増加している。

そこで、音声が入力されたとき、その入力音声に出現し
ている可能性の高い単語のみを認識対象の語粟から容易
に予備的に選択することができるならば、選択された単
語にたいしてのみ認識処理を行なえばよく、認識処理に
必要な計算量を減少させることが可能となる。

通常、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る。すなわち、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れれば、認
識対象の語業中の単語のうち、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
および撥音を各クラスとしたり、摩擦音、破裂音等の子
音のおおまかな分類を各クラスとすることなど、あるい
は各音素を精度良く検出できるならば各音素をそのまま
音素クラスとすることなどが考えられる。

ところで、入力音声中に検出された個々の音素クラスを
それぞれ予備選択のキーとし、これらのキーのいずれか
を含む単語を予備選択の結果とすると、多くの単語が予
備選択結果として出力されてしまい、予備選択の有効性
は小さくなる。従って通常は、入力音声中に検出された
音素クラスの数個を組み合わせて、それぞれを予備選択
のキーとする。この結果、キーの種類は多くなり、予備
選択される単語の数は少なくなり、予備選択はより有効
になる。

一方、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、一般に、入力音声中の音素クラス
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多い。さらに、入
力音声の同一区間に複数個の音素クラスが検出されるこ
ともある。従って、上記の予備選択方法においては、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、それらのキーのい
ずれかと同じ並びを含む単語を予備選択結果とするので
は、入力された単語が正しく選択されない場合が多く生
ずることになり、不十分である。

そこで、従来は、たとえば文献１Ｆ板橋、構出“語中部
分音素系列の指定による語霊の減少について″昭和５８
年日本音響学会講演論文集１−１−３．昭和５８年１０
月Ｊあるいは文献２「沢井、義永、中側゛大語霊単語音
声認識のための予備選択法の検討゛日本音響学会音声研
究会資料８８４−１４．昭和５９年６月」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音素クラスのすべての可能な
並びをそれぞれ予備選択のキーとして取り出し、それら
のキーのいずれかと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、音素クラスの検出部
りに対処していた。

しかしながらこの方法では、入力音声中に検出された音
素クラスの並びから必ずしも連続せずに取り出せるすべ
ての可能な音素クラスの並びをそれぞれキーとするため
に、キーの数が非常に多くなる。そのため、各単語とキ
ーの比較の回数が増加するほか、選択される単語の数も
増加し、予備選択の有効性が減少する。

（発明の目的） 本発明の目的は、前記従来技術の欠点を取りのぞいて、
予備選択のための必要最小限のキーを入力音声から検出
し、予備選択に必要な計算量を減少させ、かつ選択され
る単語の数も少なくすることが可能な音声認識における
単語予備選択方式を提供することにある。

（発明の構成） 前述の問題点を解決するために提供する本願の第１の発
明は、入力音声中の必ずしも連続しない２個の音素クラ
スの並びをキーとし、前記入力音声から少なくとも１個
のキーを取り出し、これらのキーのいずれかと同じ音素
クラスの並びを必ずしも連続せずに含む単語を予備選択
結果として出力する音声認識における単語予備選択方式
において、 入力音声中の音素クラスの並びＰ（１）、　Ｐ（２）、
・・・。

Ｐ（ｍ）を検出する音素クラス検出部と、前記音素クラ
ス検出部によって検出された任意の２個の音素クラスＰ
（ｑ）、　Ｐ（ｒ）　（ただし、１≦ｑ＜ｒ≦ｍ）につ
いて、あらかじめ用意した標準パターンのそれぞれと前
記入力音声中の音素クラスＰ（ｑ）、　Ｐ（ｒ）の間の
区間との類似度の最大値があらかじめ定めたしきい値よ
り大ならば、音素クラスＰ（ｑ）、　Ｐ（ｒ）の並びを
前記キーとして検出するキー検出部とを有し、前記キー
検出部によって検出された少なくとも１個のキーにより
予備選択を行なうことを特徴とする。

同様に、前述の問題点を解決するために提供する本願の
第２の発明は、入力音声中の必ずしも連続しないｎ個（
ただし、ｎ≧３）の音素クラスの並びを長さｎのキーと
し、前記入力音声から少なくとも１個の長さｎのキーを
取り出し、これらのキーのいずれかと同じ音素クラスの
並びを必ずしも連続せずに含む単語を予備選択結果とし
て出力する音声認識における単語予備選択方式において
、 入力音声中の音素クラスの並びｐ（１）、　Ｐ（２）、
・・・。

Ｐ（ｍ）を検出する音素クラス検出部と、前記音素クラ
ス検出部によって検出された任意の２個の音素クラスＰ
（ｑ）、　Ｐ（ｒ）　（ただし、１≦ｑ＜ｒ≦ｍ）につ
いて、あらかじめ用意した標準パターンのそれぞれと前
記入力音声中の音素クラスＰ（ｑ）、　Ｐ（ｒ）の間の
区間との類似度の最大値があらがしめ定めたしきい値よ
り大ならば、音素クラスＰ（ｑ）、　Ｐ（ｒ）の並びを
長さ２のキーとして検出するキー検出部と、長さｉの第
１のキーの最後部の音素クラスと長さｊの第２のキーの
最前部の音素クラスとが前記入力音声中での同一音素ク
ラスであったときに、第１のキーの後尾に第２のキーの
２番目以降の音素クラスを接続して長さｉ＋ｊ−１のキ
ーを作成するという処理を繰り返し行なうことによって
、前記キー検出部によって検出された複数個の長さ２の
キーから少なくとも１個の前記長さｎのキーを作成する
キー接続部を有し、 前記キー接続部によって作成された少なくとも１個の長
さｎのキーにより予備選択を行なうことを特徴とする。

（作用） 前述の問題点は、入力音声中に検出された音素クラスの
並びから必ずしも連続せずに取り出すことのできるすべ
ての可能な音素クラスの並びをそれぞれキーとしたこと
に起因する。

これに対して本発明では、これらの音素クラスの並びの
うちで、実際に続けて発声された可能性の高い音素クラ
スの並びだけをキーとする。ただし、「続けて発声され
た」とは、予備選択のキーの構成要素として使用する音
素クラス、すなわち安定に検出できる音素クラスに関し
てのみのことであり、それらのあいだに他の音素が存在
しているのはかまわない。このような本発明のキーは、
前記従来技術のキー、すなわち必ずしも連続せずに取り
出すことのできるすべての可能な音素クラスの並びの部
分集合であり、従って、その数は少ない。

一方、続けて発声された可能性が高いということは、そ
れらの音素クラスは単語中でも続いている可能性が高い
と言える。従って、従来のように単語中の音素クラスの
並びについてもすべての可能性を調べる、という必要は
なく、音素クラスの検出部りによる数個の音素クラ°ス
の脱落を考慮するだけでよい。

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

第１図は、本願の第２の発明の一実施例を示すブロック
図である。本実施例では、予備選択のキーの長さをｎ＝
３とし、また、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母音および撥音
Ｘの６種類を用いる。これらの音素クラスは入力音声の
中では比較的定常状態にあり、現在の技術レベルで比較
的安定に検出できる。

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１０１の入力音
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。音素クラ
ス検出部１０２において入力音声からこれらの音素クラ
スを検出するためには、例えば、あらかじめ各音素クラ
スの１音声フレームあたりの標準パターンを用意してお
き、入力音声の各フレームとそれらの標準パターンとの
類似度を調べ、ある音素クラスの標準パターンが数フレ
ームにわたって連続して高い類似度を示す区間があれば
、その音素クラスをその音声区間の音素クラスとして検
出する、という方法が知られている。

例工ば、［コウチョーセンセー１という入力音声に対し
ては、第２図に示すような、 Ｐ（１）＝。

Ｐ（２）＝ｕ Ｐ（３）＝。

Ｐ（４）＝ｅ Ｐ（５）＝ｕ Ｐ（６）＝Ｘ Ｐ（７）＝ｅ の７個の音素クラスが検出され、それぞれ入力音声中の
位置情報とともに音素クラスメモリ１０３に記憶される
。

キー検出部１０４は、音素クラスメモリ１０３の任意の
２個の音素クラスのすべての組み合わせのそれぞれにつ
いて、あらかじめ用意しておいた標準パターンのそれぞ
れと入力音声中の前記２個の音素クラスの間の区間との
類似度を計算し、その最大値があらかじめ定めたしきい
値よりも大であれば、前記２個の音素クラスの並びを長
さ２のキーとしキーメモリ１０５に記憶する。ここで、
２個の音素クラスをＰ（ｑ）、　Ｐ（ｒ）　（ただし、
ｑ＜ｒ）とすると、Ｐ（ｑ）とＰ（ｒ）の間の区間とは
、入力音声中でのＰ（ｑ）、　Ｐ（ｒ）それぞれの音声
区間の中心のあいだの音声区間である。また、類似度を
計算するための標準パターンは、呵音素クラスＰ（ｑ）
の後半」〜［予備選択のキーに使用しない音素ｊ〜［音
素クラスＰ（ｒ）の前半」″という音声パターンのすべ
てと“「音素クラスＰ（ｑ）の後半ｊ〜「音素クラスＰ
（ｒ）の後半Ｊ“′という音声パターンである。ただし
、これらの標準パターンをあらかじめすべて用意する必
要は必ずしもなく、類似度の計算時にこれらのすべての
標準パターンを等測的に用意できればよい。

第２図に示した入力音声を例にとりキー検出部１０４の
動作を詳しく説明する。まず、音素クラスメモリ１０３
から２個の音素クラス、Ｐ（１）とＰ（２）とを取り出
す。つぎに、入力音声メモリ１０１の入力音声の　　　
　□Ｐ（１）とＰ（２）のあいだの区間に対して、すべ
ての子音のそれぞれについての゛「母音Ｏの後半」〜「
子音」〜「母音Ｕの前半」″の標準パターン、および°
［母音０の後半］〜「母音Ｕの前半」′の標準パターン
のそれぞれの類似度を計算する。いまの場合、Ｐ（１）
とＰ（２）のあいだの区間は「コラ」と発声された区間
であるから、゛「母音０の後半」〜［母音Ｕの前半Ｊ　
９１の標準パターンがしきい値よりも大きな類似度を示
すはずであり、従って、キー検出部１０４は音素クラス
Ｐ（１）とＰ（２）の並び、Ｐ（１）−Ｐ（２）を長さ
２のキーとみなし、キーメモリ１０５に記憶する。

同様に、Ｐ（１）とＰ（３）については、入力音声メモ
リ１０１の入力音声のＰ（１）とＰ（３）のあいだの区
間に対して、すべての子音のそれぞれについての′「母
音Ｏの後半」〜Ｆ子音」〜「母音０の前半Ｊ　１１の標
準パターン、およびづ母音０の後半」〜［母音０の前半
ｊパの標準パターンのそれぞれについての類似度を計算
する。ところが、Ｐ（１）とＰ（２）ののあいだは実際
には「コウチョ−３と発声された区間であるために、こ
の区間に対してしきい値より大きな類似度を示す標準パ
ターンはない。したがって、Ｐ（１）とＰ（３）の並び
は長さ２のキーとはみなされない。

以下同様に、音素クラスメモリ１０３の任意の２個の音
素クラスのすべての組み合わせについて、それぞれ長さ
２のキーとみなすか否かの判定を行なうと、キーメモリ
１０５には最終的に、 ■　Ｐ（１）　　Ｐ（２）　　：　　ｏ−ｕ■　Ｐ（２
）　−Ｐ（３）　　：　　ｕ−。

■　Ｐ（３）　　Ｐ（４）　　：　　ｏ−ｅ■　Ｐ（４
）−Ｐ（５）　　：　　ｅ−ｕ■　Ｐ（４）−Ｐ（６）
　　：　　ｅ−Ｘ■　　Ｐ（６）−Ｐ（７）　　　二　
Ｘ−ｅの６個の長さ２のキーが記憶される。ここで、コ
ロン゛：″の右に示したものは、それぞれのキーが表わ
す音素クラス名の並びである。

続いて、キー接続部１０６はキーメモリ１０５の任意の
２個の長さ２のキーを接続して長さ３のキーを作成し、
キーメモリ１０７に記憶する。２個のキーが接続できる
ためには、第１のキーの最後部の音素クラスと第２のキ
ー最前部の音素クラスが入力音声中で同一のものでなけ
ればならない。

上記キーメモリ１０５の内容を例にとると、キー■の最
後部の音素クラスとキー■の最前部の音素クラスはどち
らもＰ（２）で同一であるから、キー■とキー■とは接
続され、長さ３のキーＰ（１）−Ｐ（２）−Ｐ（３）が
キーメモリ１０７に記憶される。一方、キー■とキー■
とは接続できない。以下同様に、キーメモリ１０５の２
個のキーすべての組について接続を試みると、最終的に
キーメモリ１０７には、■−■Ｐ（１）　−Ｐ（２）　
−Ｐ（３）　　　：　　ｏ−ｕ−。

■−■Ｐ（２）−Ｐ（３）　−Ｐ（４）　　　：　　ｕ
−ｏ−ｅ■−■Ｐ（３）−Ｐ（４）−Ｐ（５）　　　：
　　ｏ−ｅ−ｕ■−■Ｐ（３）−Ｐ（４）−Ｐ（６）　
　　：　　ｏ−ｅ−Ｘ■−〇Ｐ（４）　−Ｐ（６）−Ｐ
（７）　　　：　　ｅ−Ｘ−ｅの５個の長さ３のキーが
記憶される。

最後に、単語選択部１０９が、認識対象の語裳の単語を
記憶する単語辞書１０８の中のそれぞれの単語について
、キーメモリ１０７のキーによる予備選択を行なう。ｌ
Ｐ−語辞書１０８中のそれぞれの単語には、予備選択の
キーに使用する音素クラスの単語中での並びが付与され
ている。予備選択は、単語に付与されている音素クラス
の並びと、キーメモリ１０７のそれぞれのキーが表わす
音素クラスの並びとを比較することによって行なわれる
。すなわち、キーメモリ１０７のいずれかのキーの音素
クラスの並びを含む単語を予備選択候補として出力する
。このとき例えば、音素クラス検出部１０２における音
素クラスの検出誤りが生じても、それにより２個以上の
音素クラスが連続して脱落する確率が非常に小さいとす
ると、キーの音素クラスの並びの中に他の音素クラスが
続けて１個までなら挿入されていてもよいとする。

キーメモリ１０７に記憶されている前記５個の長さ３の
キーを例にとって説明する。例えば、単語辞書１０８の
単語［５ｅＸｓｅｉ（センセイ）Ｊが単語選択部１０９
にわたされたとすると、この単語の音素クラスの並びは
ｅ−Ｘ−ｅ−ｉである。この並びと前記５個の長さ３の
キーとを比較すると、キー■−■のＰ（４）−Ｐ（６）
−Ｐ（７）の表わすｅ−Ｘ−ｅが単語の音素クラスの並
びに含まれることがわかり、従って単語ｒ　５ｅＸｓｅ
ｉ（ヤンセイ）」が予備選択結果として出力される。同
様に、単語ｒ　Ｋｏｕｃｙｏｕ（コラチョウ月の音素ク
ラスの並びはｏ−ｕ−ｏ−ｕであり、キー■−■のＰ（
１）−Ｐ（２）−Ｐ（３）のｏ−ｕ−ｏが含まれるから
、予備選択結果として出力される。単語ｒ　ｋｏｕｅＸ
（コラエン）」は、その音素クラスの並びがｏ−ｕ−ｅ
−Ｘであり、これにはキー■−■のＰ（３）　−Ｐ（４
）　−Ｐ（６）のｏ−ｅ−Ｘが０とｅのあいだにＵをた
だ１個挿入すれば一致するため、この単語も予備選択結
果として出力される。一方、単語ｒ　ｏＸｓｅｉ（オン
セイ月は、その音素クラスの並びｏ−Ｘ−ｅ−ｉに前記
５個のキーのいずれも含まれないため、予備選択結果と
しては出力されない。以下、単語辞書１０８の他のすべ
ての単語についても同様にキーとの比較が行われ、いく
つかの単語が予備選択結果として出力される。

以上、本願の第２の発明の実施例を示したが、本願の第
１の発明を実施するためには、例えば、上述の実施例に
おけるキーメモリ１０５に記憶されている長さ２のキー
を単語選択部１０９の入力として予備選択を行えばよい
。

本願の第１の発明、第２の発明とも実施例に限定される
ものではない。

予備選択のキーに使用する音素クラスとしては、実施例
で示したものに限らず、例えば摩擦音、破裂音等の子音
のおおまがなりラスなど、安定に検出できるものであれ
ばよい。また、各音素を精度よく検出できるならば、そ
れらをそのまま音素クラスとしてもよい。

また、キーの長さは、実施例の３や２に限らず、さらに
、例えば入力音声の長さに依存する変数としてもよい。

キー検出部１０４における類似度のしきい値は、必ずし
も定数でなくてもよく、例えば標準パターンに依存する
変数としてもよい。

さらに、キー検出部１０４においては、２個の音素クラ
ス間の区間と標準パターンとの類似度を計算するまえに
その区間長を調べ、それがあるしきい値以上なら類似度
の計算を行わずにキーとはしない、との判定を行なうよ
うにしてもよい。

（発明の効果） 以上説明したように、本発明によると、例えば実施例の
入力音声の場合には、予備選択のキーの数は、長さ２の
ものが６個、長さ２のものが５個となる。これに対し、
前述の従来技術の方法では、検出された音素クラスＰ（
１）、　Ｐ（２）、…、Ｐ（６）から得られる長さ２の
キーはｏ−ｕ、　ｏ−ｏ、　ｏ−ｅ、　ｕ−ｏ、　ｕ−
ｅ、　ｕ−ｕ。

ｅ−ｕ、ｅ−ｅの８個、　長さ３の　キーは、ｏ−ｕ−
ｏ。

ｏ−ｕ−ｅ、　　ｏ−ｕ−ｕ、　　ｏ−ｏ−ｅ、　　ｏ
−ｏ−ｕ、　　ｏ−ｅ−ｕ。

ｏ−ｅ−ｅ、　ｅ−ｕ−ｅの８個と多い。しかも、本発
明によると、キーを単語の音素クラスの並びとの比較の
際は、音素クラス検出部による音素クラスの数個の脱落
の可能性を考慮するだけでよいが、従来技術では、単語
の音素クラスの並びについても必ずしも連続しない音素
クラスの並びのすべての組み合わせを調べる必要がある
。

従って、本発明によれば、予備選択のための必要最小限
のキーを入力音声から検出することが可能で、その結果
、予備選択に必要な計算量が少なく、かつ、選択される
単語の数も少ない、音声認識における単語予備選択方式
を提供することができる。

【図面の簡単な説明】

第１図は、本発明の実施例を示すブロック図、第２図は
その実施例における音素クラスの検出例を示す図である
。 １０１・・・音声メモリ、１０２・・・音素クラス検出
部、１０３・・・音素クラスメモリ、　１ｏ４．・・キ
ー検出部、１０５・・・キーメモリ、　　　　　１０６
．・・キー接続部、１０７・・・キーメモリ、　　　　
　１０８・・・単語辞書、１０９・・・単語選択部。 ・２″′−） 代理人弁理上　内ｆＱ　　　　葵丹・ □″ｌ・ 不　　１　　　図 半　　２　　図 入力舎奔 Ｐ（１）：ＯＰ（３）：ＯＰ（４片ｅ　　　　　　Ｐ（
７）：ｅ←　　　　　　　　　←

Claims (1)

1. 【特許請求の範囲】 １、入力音声中の必ずしも連続しない２個の音素クラス
   の並びをキーとし、前記入力音声から少なくとも１個の
   キーを取り出し、これらのキーのいずれかと同じ音素ク
   ラスの並びを必ずしも連続せずに含む単語を予備選択結
   果として出力する音声認識における単語予備選択方式に
   おいて、 入力音声中の音素クラスの並びＰ（１）、Ｐ（２）、…
   、Ｐ（ｍ）を検出する音素クラス検出部と、 前記音素クラス検出部によって検出された任意の２個の
   音素クラスＰ（ｑ）、Ｐ（ｒ）（ただし、１≦ｑ＜ｒ≦
   ｍ）について、あらかじめ用意した標準パターンのそれ
   ぞれと前記入力音声中の音素クラスＰ（ｑ）、Ｐ（ｒ）
   の間の区間との類似度の最大値があらかじめ定めたしき
   い値より大ならば、音素クラスＰ（ｑ）、Ｐ（ｒ）の並
   びを前記キーとして検出するキー検出部とを有し、前記
   キー検出部によって検出された少なくとも１個のキーに
   より予備選択を行なうことを特徴とする、音声認識にお
   ける単語予備選択方式。 ２、入力音声中の必ずしも連続しないｎ個（ただし、ｎ
   ≧３）の音素クラスの並びを長さｎのキーとし、前記入
   力音声から少なくとも１個の長さｎのキーを取り出し、
   これらのキーのいずれかと同じ音素クラスの並びを必ず
   しも連続せずに含む単語を予備選択結果として出力する
   音声認識における単語予備選択方式において、 入力音声中の音素クラスの並びＰ（１）、Ｐ（２）、…
   、Ｐ（ｍ）を検出する音素クラス検出部と、 前記音素クラス検出部によって検出された任意の２個の
   音素クラスＰ（ｑ）、Ｐ（ｒ）（ただし、１≦ｑ＜ｒ≦
   ｍ）について、あらかじめ用意した標準パターンのそれ
   ぞれと前記入力音声中の音素クラスＰ（ｑ）、Ｐ（ｒ）
   の間の区間との類似度の最大値があらかじめ定めたしき
   い値以下ならば、音素クラスＰ（ｑ）、Ｐ（ｒ）の並び
   を長さ２のキーとして検出するキー検出部と、 長さｉの第１のキーの最後部の音素クラスと長さｊの第
   ２のキーの最前部の音素クラスとが前記入力音声中での
   同一音素クラスであったときに、第１のキーの後尾に第
   ２のキーの２番目以降の音素クラスを接続して長さｉ＋
   ｊ−１のキーを作成するという操作を繰り返し行なうこ
   とによって、前記キー検出部によって検出された複数個
   の長さ２のキーから少なくとも１個の前記長さｎのキー
   を作成するキー接続部を有し、 前記キー接続部によって作成された少なくとも１個の長
   さｎのキーにより予備選択を行なうことを特徴とする、
   音声認識における単語予備選択方式。