JPS6316766B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は発声された音声を認識し、その結果を
符号化した信号で出力して電子計算機やタイプラ
イタ等の各種端末装置などを制御し駆動させる機
能を有する音声タイプライタ装置に関するもので
ある。したがつて、ここに云う音声タイプライタ
装置とは、印字のみを目的とする従来のいわゆる
タイプライタとはかなり異なつた広汎な応用用途
を有するものである。

従来、単語単位に発声された音声を認識する技
術は実用化されている。本発明者らのグループに
よる研究においても特定話者の発声した数字等の
単語音声に対しては99％以上の認識率が得られて
おり、このことは例えば、情報処理学会マン・マ
シン・システム研究会でも講演し、同研究会資
料、MMS23−２、1976年１月20日、「DPを用い
た連続単語音声認識システム」（以下引用文献(1)
と称す）等々論文としても既に公表してある。し
かしこれらの技術を用いた装置はあらかじめ定め
られた単語に対しては極めて有効であるが、任意
の語彙に拡大して適用することは困難である。音
声認識技術の進歩は急ではあるが、それにもかか
わらず通常の話しことばとして自然に発声された
音声をそのまま認識する装置の実現は非常に困難
だというのが現状である。そのため、単音節（日
本語の仮名文字等）やアルフアベツトなどの単音
をタイプライタの鍵盤をたたくように一字づつ区
切つて発声し、それを認識する方法がまず考えら
れる。本発明者らはこの方法においてもあるてい
どの認識率が得られることを既に確認しており、
例えば昭和54年６月の日本音響学会研究発表会で
も講演し、その要旨は論文集〔〕に講演番号３
−２−16「日本語単音節音声認識実験」（以下引用
文献(2)と称す）としても掲載されている。

しかし、単音節やアルフアベツトはその相互間
の差は微妙であり、発声時に不安定になりやすい
ため一語一語区切つて発音した単語の場合と比較
するとその認識はむずかしい。そのためこの単音
認識方法のみを用いた音声タイプライタ装置で
は、あるていどの誤認識はさけられない。

一方、認識結果に誤りが発生した場合の訂正方
法についても種々検討を要する。現時点では、誤
りを発見する毎にキーを押して誤つた文字を削除
し、再度音声を入力し直す方法が広く採用されて
いる。しかしこの方法は、手などによつてキーを
押さなくてはならず、データ入力中に手が自由に
なるという音声タイプライタ装置の最大の利点を
生かせないことになるので好ましいことではな
い。またこのようにして誤りが削除できたとして
も次に訂正のために再発声した音声が望みどおり
の音声として認識される保証はなく、一度誤つて
認識された音声は往々にして連続して誤つて認識
される傾向にある。

また同一の長い言葉を何度も入力する必要があ
る場合、区切つて発声した単音によつて入力する
ことは、能率が悪いばかりでなく使用者に大きな
負担をかけることになるのでこれまた望ましいこ
とではない。

本発明の目的は、これら従来の音声タイプライ
タ装置が有する諸欠点を改良することにある。す
なわち、(1)単音認識の誤りを訂正する手段として
その単音用に登録した単語を用いた単語入力でも
なし得るようにして、訂正をより確実に行なえる
ようにすること。(2)訂正のときのみならず誤まり
が生じやすそうな単音は初めから前記登録した単
語で入力することもできるようにすること。(3)単
音入力の途中で文章編集等に必要なコマンドが音
声で入力できるようにすること。

(4)同一の長い言葉を何度も音声入力する必要が
ある場合、その言葉については単音に区切つて発
声する必要がなくなるように、単語登録をなし得
るようにして普通の話し方でも入力できるように
すること。(5)単音登録方式で入力しているのが単
語登録方式で入力しているのかの判別を音声タイ
プライタ自体に自動化させて判別させるようにす
ることによつて、より最適な認識方式を話者の労
力増大にならないで実現することができるように
すること。以上５点の機能を新らたに加えること
により、上記従来例の欠点を大幅に総合的に解決
しようとするものである。

その目的を達成するため本発明の音声タイプラ
イタ装置は、発声された音声中の単音節やアルフ
アベツトを認識する単音認識部と、前記の音声中
の単語を認識する単語認識部と、前記の音声の時
間長および音節数をカウントする音声カウント部
と、前記２つの認識部がそれぞれ出力する類似度
信号と音声カウント部が出力する時間長信号およ
び音節数信号との４種の信号のうち少なくとも１
種以上の信号を用いて前記２つの認識部の認識結
果からどちらがより確からしいかを判断し選択す
る選択部と、この選択部によつて選択された方の
認識結果を本装置の認識結果として出力する結果
出力部と、を有して成ることを特徴とするもので
ある。

以下具体的な一実施例に基づいて本発明の原理
を詳細に説明する。

第１図は本一実施例について示した構成概念図
である。図において１はマイクロホン、２は単音
認識部、３は単語認識部、４は音声カウント部、
５は選択部、６は結果出力部、７はコードテーブ
ブル部である。マイクロホン１からの音声信号
VSは、単音認識部２および単語認識部３に入力
され、同時に単音認識部２においては単音とし
て、単語認識部３においては単語として認識され
る。単音認識部２は、認識対象音声として「ア」、
「イ」、「ウ」のような日本語単音節や、「ａ」、
「ｂ」、「ｃ」のようなアルフアベツトなどの単音
を認識する。一方、単語認識部３は、認識対象音
声としてあらかじめ定められた「アサヒ」、「トウ
キヨウ」、「削除」などの単語を認識する。単語認
識部３においては、たとえば文献(1)に示されてい
るようなパタンマツチング法によつて単語を認識
することができる。さらに単語の認識方式として
はこの方法に限らず例えば本発明者のグループが
昭和53年４月の電気学会全国大会でも講演し、そ
の講演論文集〔４〕にS.5−７「不特定話者を対象
とした単語音声認識システム」（以下引用文献(3)
と称す）として述べてあるような識別関数による
方法も使用できる。その他さまざまな方法が考え
られるが、単語音声は従来の技術で十分高い認識
率が得られる。一方、単音の認識は単語の認識と
比較して困難であるため、単音認識部は単語認識
部よりさらに精密で単音に適した認識方式を用い
る必要がある。たとえば、分析部にバンド・パ
ス・フイルタ分析を用いる場合は分析チヤンネル
数を増やすことが有利であるし、自己相関関数分
析を用いる場合はポイント数を増やすことなどが
有効である。また音韻を正確に認識するために細
かい変化をとらえる必要がある。

このため分析フレーム周期を細かくすることも
有効である。また認識対象が単音節の場合には、
文献(2)において提案したような、子音部分のみを
切り出して細かく認識し、さらに同一単音節内の
音声パタンの変動を吸収しうる複数の標準パタン
によりパタンマツチングを行なう方法を用いるこ
とができる。しかしこれらの方法を用いても単音
の認識率は単語の認識率よりも低くなることはさ
けられない。

この欠点を補う意味からも本発明による単音認
識と単語認識の併用方式は極めて有効である。

本実施例においては、単音認識部２、単語認識
部３からはコードテーブル７の中のどの単音及び
単語を認識したかを示す認識結果を示す信号
MA，WAが出力されるようにしてある。そして
それと共にその結果がどのくらい確かを示す類似
度信号MS，WSが出力される。ここに言う類似
度はパタンマツチングの際のパタン間距離、識別
関数法の場合の識別関数の値などを言う。また便
宜上類似度は大きい値をとるものの方がより確か
であると判断したものとするようにした。

また単音認識部２と単語認識部３で異なる認識
方法を用いることは、本発明の実施に際しそれぞ
れ最適の認識方法を選択しようとした結果当然に
生ずることがある。このように両者が相異つた認
識方法を採用したときは往々にして類似度の評価
基準に差が生じるが、適当な係数をかけることに
よりこれらを直接比較可能にすることができるの
で心配は無用である。

マイクロホン１からの音声信号VSは２つの認
識部２，３に入力されると共に音声カウント部４
に入力される。この音声カウント部４では音声の
時間長TLと、音節数MNがカウントされる。時
間長および音節数のカウント方法の一例について
以下に図を用いて説明する。第２図は単音節／
カ／の振幅の時間変化を、また第３図は単語／カ
ワセ／の振幅の時間変化を示す図である。たとえ
ばあるスレツシヨルドレベルTHを定め振幅が
THを上まわる部分を音声区間、下まわる部分を
無音区間とする。

音声区間に続く無音区間の時間長がある時間長
PL以下の場合はその無音区間は単語中のポーズ
とし、その単語はさらに継続するものと仮に定め
たとする。するとこのように定めたことにより単
音節／カ／に対しては第２図の２１が始端、２２
が終端と判別されることとなり、単語／カワセ／
に対して第３図の３１が始端、３６が終端と判別
されることとなる。また音声区間としては第３図
において３１から３２，３３から３４、および３
５から３６の３つが単語中に存在することとな
る。この単語中の音声区間数をカウントしたもの
が前記の音節数MNである。ここに述べた方法は
一例であり他にもたとえば、音声信号VSをロー
パス・フイルタを通すことにより低域部のみの信
号を得、その振幅の極大値の数をカウントするこ
とによつても音節の数MNを求めることも可能で
あり、この種の変形は多くある。

いずれにしてもこれらの方法を利用すれば、単
語として少なくとも２音節以上のある程度の長さ
をもつた単語であれば、この単語と単音とを判別
することは、始端終端間の時間長の差からでも区
別することができる。また単音を単音節とすれば
音節の数のみからでも単語と単音との区別はでき
る。そしてまた当然ながら、類似度どうしの比較
によつてもそれらの区別は可能である。しかしよ
り理想的に考えれば、たとえば単音が単音節の場
合では時間長と音節の数とを併用することによつ
てまた単音がアルフアベツトの場合は時間長と類
似度とを併用することによつて、単語と単音との
区別を行なうことが望ましいことである。もちろ
んこれらのうちのどれか一つ、また全部を用いて
も区別は可能である。

第４図に示したのは本発明に用いて都合の良い
選択部の回路例である。

図中４１はマルチプレクサ回路、４２，４３，
４４はコンパレータ回路、４５は定数レジスタ回
路、４６，４７はAND回路、４８はOR回路、４
９はコントロール回路、である。各コンパレータ
回路の出力信号OUT、信号Ｃ１，Ｃ２、および、
AND回路、OR回路の入出力信号は、それぞれＨ
レベルとＬレベルとの２値をとるものとする。

第１図の２つの認識部２，３からの類似度信号
MS，WSは第４図のコンパレータ回路４２にて
大小が比較される。単音認識部２から出力された
類似度信号WSの方が大きい場合はコンパレータ
回路４２の出力信号OUTはＨレベルとなり、単
音認識部３から出力された類似度MSの方が大き
い場合はＬレベルとなる。また第１図の音声カウ
ント部４より出力された時間長信号TLは第４図
のコンパレータ回路４３において定数レジスタ回
路４５の内容との間でその大小が比較される。コ
ンパレタ回路４３からは、時間長信号TLの方が
大きい場合はＨレベルの信号が、また定数レジス
タ回路の内容の方が大きい場合はＬレベルの信号
が出力される。通常、単音を発声した場合の時間
長は300ｍsec以下になるし、３音節以上の単語で
は通常時間長が500ｍsec以上になるため、定数レ
ジスタ回路内に時間長400ｍsec程度に対応する値
をセツトしておけばコンパレータ回路４３の出力
により単音と単語が区別できることになる。また
第１図の音声カウント部４から出力された音節数
信号MNは第４図のコンパレータ回路４４に入力
される。コンパレータ回路４４は音節数が１の場
合はＬレベルの信号を２以上の場合はＨレベルの
信号を出力する。マルチプレクサ回路４１は第１
図の単音認識部２からの単産認識結果信号MA
と、第１図の単語認識部３からの単語認識結果信
号WAとを入力しどちらか一方のより正しいと判
断した方を選択しそれを認識結果信号RSとして
出力する。この選択は選択信号SLにより為され
る。たとえば選択信号SLがＨレベルのときは単
語認識結果信号WAを出力しＬレベルのときは単
音認識結果信号MAを出力する。この選択信号
SLは、各コンパレータ回路４２，４３，４４の
出力信号及びコントロール回路４９の出力信号を
もとに、AND回路４６，４７およびOR回路４８
により決定される。コントロール回路４９におい
ては、第１図の単音認識部２からのアルフアベツ
ト選択信号ASLによつて出力信号Ｃ１，Ｃ２が
決定される。

今、単音認識部２が単音節及びアルフアベツト
を認識する場合を考えることにする。単音節とア
ルフアベツトのどちらかを選択したかの情報はア
ルフアベツト選択信号ASLとして出力される。
入力された音声が単音であるか単語であるかの選
択は、たとえば次のように行なうことができる。
まず単音が単音節である場合は前記時間長信号
TL及び音節数信号MNがもたらす情報によつて
選択する方法がある。単音認識部２において単音
節が選択されたとするとアルフアベツト選択信号
ASLにより、コントロール回路４９においてＣ
１にＬレベルＣ２にＨレベルが出力される。これ
らの信号をもとにAND回路４６，４７およびOR
回路４８の働きによつて、選択信号SLは時間長
及び音節数を用いて次のように決定される。すな
わち音節数が１でかつ時間長が短い場合は単音節
であると判断し、音節数が２以上かまたは時間長
が長い場合は単語であると判断するわけである。
同様にして単音認識部２においてアルフアベツト
が選択された場合には、コントロール回路４９に
おいて信号Ｃ１としてＨレベルが出力され、信号
Ｃ２としてＬレベルが出力されるため、時間長信
号TL及び類似度信号MS，WSにより選択信号
SLが決定される。

以上は第１図における選択部５の動作例であ
る。この動作は一例であつて本発明はこれに限定
されるものではない。たとえば単音と単語とを識
別するために時間長のみを用いてもよいし、時間
長、音節数、類似度（単音認識部及び単語認識部
が各々に出すので、これを表現する信号は２つ用
意されている。）の全てを用いてももちろんよい。

本発明の重要なポイントは時間長信号、音節数
信号、類似度信号の４つの信号の内、いずれか１
つ以上を用いて単音と単語とを自動的に識別し、
その結果、単音認識には単音認識により適合した
認識方法を用い、また単語認識にはより単語認識
に適合した認識方法を用いるように、認識方法を
自ら選択して自動的に切換えて実行する点にあ
る。

第１図の結果出力部６は、選択部５から出力さ
れた認識結果信号RSによつてコードテーブル部
７にセツトしてあるあらかじめ定められたコード
またはコード列を読み出しこれを出力する。この
コードとしてはJIS又はASCのコードを用いる
のが諸々の意味合いから便利ではあるがもちろん
他のコードでもかまわない。

本発明によれば、単音の認識結果と単語の認識
結果を選択するための特別な操作なしに、単音と
単語を混在させて入力することができる。この利
点を生かした本発明の使用法には以下に例示する
ようなものがある。

本発明の第１の使用法は、認識の比較的難しい
単音の入力や訂正を、より安定に認識できる言い
替え単語を用いて行う方法である。すなわち、
「ア」という文字を入力したい時、単音節の「ア」
を発声する代わりに、例えば「アサヒ」のような
「ア」に対する言い替え単語を発声することによ
り「ア」という文字を入力する方法である。これ
を実現するには、単音認識部２の認識対象音声
を、日本語の仮名文字に対応する単音節「ア」、
「イ」、「ウ」、…「ワ」、「ン」等の単音としてお
く。一方、単語認識部３の認識対象音声は、「ア
サヒ」、「イロハ」、「ウエノ」、…「ワラビ」、「オ
シマイノン」等の、それぞれ「ア」、「イ」、「ウ」、
…「ワ」、「ン」に対応する言い替え単語とする。
コードテーブル部７には、単音節と言い替え単語
は同一のコード、すなわち、単語認識部３におい
て「アサヒ」という単語が認識され、選択部５に
より選択された場合と、単音認識部２で「ア」が
認識され、選択部５により選択された場合は、共
に、「ア」という文字に対応するコードが出力さ
れるようにコードテーブル部７にコードを記憶さ
せておく。

例えば「ア」という発声が入力され、単音認識
部２において正しく「ア」と認識された場合、単
音認識部２と単語認識部３の認識結果の内、単音
認識部２の結果が、音節数、時間長、類似度など
の情報をもとに選択部５により自動的に選択さ
れ、結果出力部６より認識結果として「ア」とい
う文字コードが出力される。同様に「アサヒ」と
いう発声が入力され、単語認識部３において正し
く「アサヒ」と認識された場合、単音認識部２と
単語認識部３の認識結果の内、単語認識部３の結
果が選択部５により自動的に選択され、結果出力
部６より認識結果として「ア」という文字コード
が出力される。これにより、誤認識をおこし易い
単音節に対して、あらかじめ「アサヒ」などの言
い替え単語で入力することにより、認識誤りを起
こしにくくすることができる。また誤りの訂正
は、公知の技術を用いて、誤りを起こした文字を
再度入力することにより行うことができる。この
場合誤りを起こした単音は認識しにくいものであ
ることが多い。そこで、単音入力によつて生じた
誤りを訂正するため再度単音を入力するかわり
に、言い替え単語で入力することにより安定に訂
正することができる。

以上は単音節を入力する場合に関して述べた
が、アルフアベツトを単音として入力する場合
も、たとえばアルフアベツト「ａ」、「ｂ」、「ｃ」、
…の言い替え単語として「alpha」、「bravo」、
「charley」、…などを用いることにより実現でき
る。

本発明の第２の使用法は、単音節やアルフアベ
ツトなどの単音入力と同時に、「訂正」、「削除」
などのコマンド語の単語入力を特別な操作なしに
行うものである。単音認識部２の認識対象音声を
単音節やアルフアベツトなどの単音として、単語
認識部３の認識対象音声を「訂正」、「削除」など
のコマンド語とする。コマンド語が入力され、単
語認識部３において正しく認識された場合、単音
認識部２と単語認識部３の認識結果の内、単語認
識部３の結果が選択部５により自動的に選択さ
れ、結果出力部６より認識結果として認識された
コマンド語に対応する動作コードがコードテーブ
ル部７より読みだされ出力され。動作コードに対
する実際の「訂正」、「削除」などの動作は、公知
の技術により実現できる。これにより、キー入力
などの特別な操作なしに、単音入力とともに音声
によりコマンドを入力することができる。

本発明の第３の使用法は、単音の組合せにより
入力される単語において、使用頻度の高いものを
単語発声により入力するというものである。この
場合、たとえば「ト」、「ウ」、「キヨ」、「ウ」とい
う単音発声により入力される単語に対し単語認識
部３の認識対象語として「トウキヨウ」という単
語を加えておく。この「トウキヨウ」という単語
が単語認識部３で認識され選択部５により選択さ
れた場合、結果出力部６より「ト」、「ウ」、「キ
ヨ」、「ウ」と単音発声された場合と同じコード列
が出力されるようコードテーブル部７中にコード
を保持させておく。このように設定しておくこと
により、使用頻度の高い単語は、「ト」、「ウ」、
「キヨ」、「ウ」などの区切つて発声した単音のか
わりに「トウキヨウ」という単語発声により入力
可能となる。これにより、単音発声よりも単語発
声の方が入力時間が短く、認識性能も単音よりも
単語の方が一般に良いので能率の良い入力を実現
することができる。

このように本発明の音声タイプライタ装置によ
れば、単音認識による音声タイプライタ装置の欠
点であつた入力能率や誤り訂正能力を大きく改善
することができる。もちろん、前記本発明の構成
例として述べた回路形態や使用方法の例として述
べた操作手順等の説明は、説明の便宜上選択した
ほんの一例であつて、本発明はこれら少数の実施
例のみに限定されるものではない。

【図面の簡単な説明】

第１図は本発明の一実施例について示した構成
概念図、第２図は単音／カ／の振幅の時間変化
例、第３図は単語／カワセ／の振幅の時間変化
例、第４図は第１図中５と示した選択部の回路の
構成の一例を示す図である。 図中１はマイクロホン、２は単音認識部、３は
単語認識部、４は音声カウント部、５は選択部、
６は結果出力部、７はコードテーブル部であり、
２１，３１，３３，３５は音声区間の始端、２
２，３２，３４，３６は音声区間の終端、THは
適当に設定したスレツシヨルドレベル、PLは説
明のために仮に設定した時間長であり、４１はマ
ルチプレクサ回路、４２，４３，４４はコンパレ
ータ回路、４５は定数レジスタ回路、４６，４７
はAND回路、４８はOR回路、４９はコントロー
ル回路、MAは単音認識結果信号、WAは単語認
識結果信号、MSは単音類似度信号、WSは単語
類似度信号、TLは時間長信号、MNは音節数信
号、ASLはアルフアベツト選択信号、RSは選択
信号である。

Claims (1)

【特許請求の範囲】
1. １ 発声された音声中の単音節やアルフアベツト
   を認識する単音認識部と、前記の音声中の単語を
   認識する単語認識部と、前記の音声の時間長およ
   び音節数をカウントする音声カウント部と、前記
   ２つの認識部がそれぞれ出力する類似度信号と音
   声カウント部が出力する時間長信号および音節数
   信号との４種の信号のうちの少なくとも１種以上
   の信号を用いて前記２つの認識部の認識結果から
   どちらがより確からしいかを判断し選択する選択
   部と、この選択部によつて選択された方の認識結
   果を本装置の認識結果として出力する結果出力部
   と、を有して成ることを特徴とする音声タイプラ
   イタ装置。