JPS6335996B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は複数の音韻パターン系列に対して、表
記音韻パターン系列の音韻に対応する音韻区間ご
とに、音韻の種類と長さについて平均を求めて平
均音韻パターン系列を作成することにより、複数
の音韻パターン系列に共通な局部的な特徴（子音
の脱落、挿入および置換（調音結合を含む）や母
音の置換（調音結合を含む）および長さ等）を保
存しつつ全体的な長さについても平均をとること
を可能とし、例えば音声認識装置等の単語音韻辞
書作成に適用することにより、単語に固有な音韻
変動を吸収する単語音韻辞書の自動作成を行ない
単語認識率の向上を図ることを目的とする。

従来の音韻認識に基づく音声認識装置の単語音
韻辞書の作成例を第１図〜第２図を用いて行な
う。

第１図ａは、単語音韻の音韻長の違いを考慮し
ない単純な音韻表記（ローマ字表現）による単語
音韻辞書を示しており、同図ｂは、子音と母音
（無音（・））の音韻長の違いを１：３、無音は２
と考慮した音韻表記（ローマ字表現）による単語
音韻辞書を示している。しかしながら実際の単語
における発声音韻の系列は、第２図ａ，ｂに示す
ように単語ごとに音韻の長さが異なりまた、単語
ごとに共通な子音の脱落（第２図ａでは語頭の有
声子音Ｂの脱落）や挿入および置換（第２図ａで
は語中の有声子音Ｚが無声子音（％）に置換、第
２図ｂでは語中の半母音Ｙが有声子音Ｇに置換）
や母音の置換（第２図ｂでは、母音が母音ｕに
置換）する現象等が有る。このため従来のような
音韻表記による単語辞書とのパターン・マツチン
グを行なうと、単語に固有な音韻長の違いや音韻
の変形のために、時間軸の正規化を行なうような
パターン・マツチング（DPマツチング等）を行
なつても、マツチングの得点が低下した。そのた
めに結果として単語認識誤りを生じ、音韻認識に
基づく音声認識装置の認識率を低下させる原因と
なつていた。

以上のことから本発明は、単語に固有な音韻長
の違いや音韻の変形を表わす単語音韻辞書を、複
数の話者の単語発声音韻パターンから自動的に平
均して作成し、音韻認識に基づく音声認識装置等
の認識率を向上させるものである。

本発明における全体的な構成例を第３図に示
し、以下に説明を行なう。

第３図において、１は音韻認識部であり、音素
認識部３、音韻系列マージ部４、音素標準パター
ン記憶部５からなる。２は音韻平均部であり、音
韻系列平均部６、単語音韻辞書７からなる。

各部の働きについて以下に詳細な説明を行な
う。

はじめに音韻認識部１について説明する。

音韻認識部１において、入力音声は次式(1)のよ
うに特徴ベクトルの系列として表わされているも
のとする。

〓₁〓₂……〓_N …(1) 各々の〓_i，ｉ＝１，…，Ｎはそれぞれｍ次元
のベクトルであつて、 X_i＝（x_i１，…，x_in） と表わされる。ここで、特徴ベクトルとしては例
えばｍチヤンネルのバンドパスフイルタの出力x₁
（ｔ），…，xj（ｔ），…，x_n（ｔ）を時間標本化し
たものと考えることができる。また、特徴ベクト
ルで表わされる音声の区間をフレームということ
がある。(1)式の添字１，２，…，Ｎは時間を表わ
すパラメータである。

(1)式において各特徴ベクトルは入力音声の特定
の音素に対応すると考えることができる。

たとえば、／nara／という単語が入力された
ときに(1)式の系列において、 〓₁，…，〓_i1←→／ｎ／ 〓_i1+1，…，〓_i2←→／ａ／ 〓_i2+1，…，〓_i3←→／ｒ／ 〓_i3+1，…，〓_N←→／ａ／ という対応づけができる。ここで、１＜i₁＜i₂＜
i₃＜Ｎである。

以下では、特徴ベクトルを音素に対応させるこ
とを狭義の音素認識という。混乱を生じない限り
単に音素認識ということがある。また、音声パタ
ーンから音素の区間を決定することをセグメンテ
ーシヨンという。上述の例では、 １，…，i₁｜i₁＋１，…，i₂｜i₂＋１，…，i₃｜ i₃＋１，…，Ｎ とセグメントされたことになる。ここで｜は音素
区間の境界を表わす記号である。さらに、狭義の
音素認識とセグメンテーシヨンにもとずいて入力
音声パターンを音素の系列に変換することを広義
の音素認識という。すなわち、(1)式で表わされる
音声パターンは音素認識部３に取り込まれ、音素
標準パターン記憶部５に格納されているすべての
音素標準パターンとの類似度を計算し、最も類似
性の高い音素をその特徴ベクトルの認識結果と
し、必要ならば第二候補第三候補なども計算す
る。音素系列マージ部４は、音素認識部３の出力
を受けとり同一の音素が継続していたならばこれ
らを一つの音素にまとめるなどの処理をおこない
音素系列を出力する。

さて説明の都合上、音韻認識部１の処理を詳述
する。音韻標準パターン記憶部５に格納されてい
るパターンを〓₁，〓₂，…，〓_Mとする。各々の
パターンはｍ次元のベクトルであり 〓_j＝（yj₁，…，yj_n） ｊ＝１，…，Ｍと表わされているものとする。

今、(1)式で示される音声パターンがｍチヤンネ
ルのバンドパスフイルタによつて生成され、標準
パターンもまたバンドパスフイルタの出力に基づ
いて作成されていたとするならば、ｉ番目の特徴
ベクトル〓_iと音素標準パターン〓_jとの類似度を
たとえば Ｓ（ｉ，ｊ）＝（_n 〓^k=1 （xi_k−yj_k）²）^1/2 で定義されるユークリツド距離によつて表現する
ことができる。音声パターンおよび音素標準パタ
ーンがバンドパスフイルタの出力であるとし、類
似度をユークリツド距離で評価することにしよ
う。

さて、ｉ番目の特徴ベクトルの認識音韻は Min Ｓ（ｉ，ｊ） １ｊＭ をみたす最小の音韻j¹ _iであるとし、必要ならば第
二候補音韻を次に小さな類似度を持つ音韻j² _iと
し、第三候補以後も同様に定義する。

このような処理をすべての特徴ベクトル〓₁，
…，〓_Nについて計算し、その結果を音韻認識部
１の出力とする。

音素は母音（／ａ／，／ｉ／，…，／ｏ／）長
母音（／ai／，／iu／，…）、半母音（／
ｙ／，／ｗ／）有声子音（／ｍ／，／ｎ／，／
ｇ／，／ｚ／，…）、無声子音、撥音、促音、無
音等に分類される。これらの音素のうちで母音は
その発声区間が比較的長く、前後の音素の影響を
受けることが少なく安定であるのに対し、子音は
前後の母音（日本語では語頭を除き、子音は母音
に囲まれた形で出現する）の影響をうけることが
きわめて大きく不安定なパターンである。

次に、音韻平均部について説明する。

音韻平均部２において、音韻系列平均部６は、
１つの単語に対応した複数の入力音韻パターン系
列の平均を計算する。

単語音韻辞書７は、音韻系列平均部６で計算し
た平均音韻パターン系列を単語ごとに記憶する。

以下に、音韻系列平均部６の働きについて説明
する。

音韻系列平均部６は、第４図に示したように、
表記音韻パターン記憶部８、入力音韻系列音韻区
間分離部９、入力音韻系列記憶部１０、音韻区間
平均部１１、平均音韻系列記憶部１２からなる。

表記音韻パターン記憶部８は、平均音韻パター
ン系列を求めようとする単語表記音韻パターン系
列を単語ごとに記憶する。例えば、第１図ａに示
したように、ローマ字表現を使用し単語が、“牧
場”あるいは“海水浴”であるならば、 ／BO・KuZiYO／ ／KAiSuiYO・Ku／ を記憶する。（／は単語区切マーク） 入力音韻系列音韻区間分離部９は、はじめに表
記音韻パターン記憶部８と入力音韻系列記憶部１
０を一定の特徴音韻区間（例えばCVC区間ある
いはVCV区間：Ｖ母音区間、Ｃ子音区間）に分
割して、両者の特徴音韻区間の対応づけを行なつ
た後に、対応づけられた特徴音韻区間について音
韻区間（Ｃ区間、Ｖ区間等）の対応づけを行な
い、最終的に対応づけられた音韻区間について表
記音韻パターンの１音韻と入力音韻パターンの複
数音韻の対応づけを行なつて、入力音韻パターン
系列を表記音韻パターン系列の１音韻に対応した
音韻区間に分離する。

音韻区間平均部１１は、単語標準パターンを作
成するために複数回発声された音声の１回毎の発
声を音韻系列で記憶する入力音韻系列記憶部１０
と前回の発声までについて音韻区間を決定し、音
韻区間毎に前々回の発声に対する音韻区間との間
で音韻の種別（音韻認識部で識別される音韻の種
別）と音韻継続長（音韻のフレーム数）の平均を
計算した結果を記憶した平均音韻系列記憶部１２
とよりなる。今回の発声を音韻系列で記憶した入
力音韻系列記憶部１０のデータについて表記音韻
パターン記憶部８との比較を入力音韻系列音韻区
間分離部９によつて行い音韻区間を分離する。ま
た前回までの平均とすでに音韻区間が分離された
平均音韻系列記憶部１２と入力音韻系列記憶部１
０の対応する音韻区間について（例えば“Ａ”が
３フレームと１フレームであつた場合には“Ａ”
が２フレームとするような）平均を計算し結果を
再度平均音韻系列記憶部１２に出力する。一回目
の入力音韻パターン系列については、平均計算を
行なわずに音韻区間の分離を行なつた後すぐに、
平均音韻系列記憶部１２への転送を行なう。

ここで、入力音韻系列音韻区間分離部９の働き
について詳細な説明を以下に行なう。

入力音韻系列音韻区間分離部９は、特徴音韻区
間をCVC区間あるいはVCV区間とする場合には、
はじめに第１表に示した様に表記音韻パターン系
列と入力音韻パターン系列について子音区間と母
音区間の分離を行なう。

C₁V₁C₂V₂C₃V₃……C_NV_N C_i C_RiC_Ri+1 C_Rj（‐（CU0U（・）） V_i V_RiV_Ri+1 V_Rj（‐（Ｖ） １ｉ，ｊＮ (a) 表記音韻パターン分割例 C_P1V_P1C_P2V_P2C_P3V_P3 ……C_PMV_PM C_Pi C_PRiC_PRi+1……C_PRo C_PRj（‐（CU0U（・）） V_Pi V_PRiV_PRi+1……V_PRn V_PRj（‐（Ｖ） （・）語中無音 (b) 入力音韻パターン分割例 第１表 表記音韻パターン系列については、日本語の音
節の性質から、子音区間については、語頭が母音
で始まる場合と、無音（・）を子音と考えると、
一般的には、第１表(a)に示したように、 C_i＝C_RiC_Ri+1 １ｉＮ C_Rj（‐（CU0U・） １ｊＮ＋１ と表わすことができる。また母音区間は、２重母
音を考慮すると、一般的には、第１表(b)に示した
ように、 V_i＝V_RiV_Ri+1 １ｉＮ V_Ri（‐（VU0） １ｊＮ＋１ と表わすことができる。入力音韻パターン系列に
ついては、音韻が変形することと音韻の継続長が
一定でないことから、子音区間は一般的には、第
１表(b)に示したように、 C_Pi＝C_PRiC_PRi+1……C_PRo １ｉＭ C_PRi（‐（CU0U・） １ｊＭ＋ｎ と表わすことができる。

母音区間も同様に、一般的には第１表(b)に示した
ように、 V_Pi＝V_PRiV_PRi+1……V_PRn １ｉＭ V_PRj（‐（VU0） １ｊＭ＋ｎ と表わすことができる。

入力音韻パターン系列は、音韻認識部１で説明
したように、母音は比較的継続長が長く安定であ
り、子音は継続長が短かく不安定である。しかし
子音は、音韻の変化点としての情報を多く持つて
いる。つまりCVCやVCVのような特徴音韻区間
によつて、音韻区間の対応づけを行なうと子音の
脱落、挿入および置換や母音の置換に対しても正
確な対応づけが可能となる。

以下の説明において音韻区間の類似度（似てい
る度合をあらわす値）とは、先に説明したように
音韻フレームがｍ次元の特徴ベクトルで表わされ
る場合には特徴ベクトルフレーム系列間の距離の
逆数で表現される量である。またすでに日本語の
音韻間類似度は第５図で示されるような統計的な
量として計算されており、量も似ている音韻間を
100、最も異なる音韻間を０というように定義し
ている。このため音韻区間の類似度は音韻フレー
ム系列間の各音韻類似度の累積値を対応づけたフ
レーム数で割算した値で定義することも可能であ
る。

CVCによる特徴音韻区間の対応づけを、第２
表と第３表を用いて説明を以下に行なう。

Ａ＝max Sim of｛（C_kV_kC_k+1，C_PlV_PlC_Pl+1） ，（C_kV_kC_k+1，C_PlV_PlC_Pl+1V_Pl+1C_Pl+2） ，（C_kV_kC_k+1V_k+1C_k+2，C_PlV_PlC_Pl+1）｝ R_k ←→I_l Ａ＝Sim（C_kV_kC_k+1，C_PlV_PlC_Pl+1） R_k ←→I_l+1 Ａ＝Sim（C_kV_kC_k+1，C_PlV_PlC_Pl+1V_Pl+1C_Pl+2） R_k+1←→I_l Ａ＝Sim（C_kV_kC_k+1V_k+1C_k+2，C_PlV_PlC_Pl+1） 第３表 表記音韻パターン系列と入力音韻パターン系列
のCVC区間が対応づけられた終端の子音区間が
第２表ａに示したようにそれぞれC_kおよびC_Plで
あつたとすると、表記音韻パターン系列のC_kV_k
C_k+1区間（R_k区間）あるいはC_kV_kC_k+1V_k+1C_k+2
区間（R_k+1区間）と入力音韻パターン系列の C_PlV_PlC_Pl+1区間（I_l区間）あるいは C_PlV_PlC_Pl+1V_Pl+1C_Pl+2区間（I_l+1区間）の対応づけ
を行なう。子音区間C_k+1が脱落した場合には
R_k+1，I_l区間の対応、子音区間C_Pl+1が挿入された
場合にはR_k，I_l+1区間の対応が起こる。これら対
応づけを簡単に行なうには第２表ｂに示したよう
に、子音が音韻の変化点として情報を多くもつて
いることから、（C_k+1，C_Pl+1），（C_k+l，C_Pl+2），
（C_k+2，C_Pl+1）の子音区間の類似度を計算し、そ
の最大値が、（C_k+l，C_Pl+1）の場合にはR_k，I_l区
間の対応、（C_k+1，C_Pl+2）の場合にはR_k，I_l+1区
間の対応、（C_k+2，C_Pl+1）の場合にはR_k+1，I_l区
間の対応づけを行なう。これらの対応づけを直接
的に行なうには、第３表に示したように、（R_k，
I_l），（R_k，I_l+1），（R_k+1，I_l）の類似度を計算し、
その最大値をとる組み合わせを対応区間とする。

R_K，I_l区間で対応した場合には、C_KV_KとC_PlV_Pl
を対応づけが終了した区間として次の計算では
C_K+1V_K+1C_K+2以降とC_Pl+1V_Pl+1C_Pl+2以降を対応づ
ける。また、R_K1I_l+1区間で対応した場合にはC_K
V_KとC_PlV_PlC_Pl+1V_Pl+1を対応づけが終了した区間
として次の計算ではC_K+1V_K+1C_K+2以降とC_Pl+2
V_Pl+2C_Pl+3以降を対応づける。あるいはR_K+1，I_l+1
区間で対応した場合にはC_KV_KC_K+1V_K+1とC_PlV_Pl
を対応づけが終了した区間として次の計算では
C_K+2V_K+2C_K+3以降とC_Pl+1V_Pl+1C_Pl+2以降を対応づ
ける。このように同様な計算をして対応づけを行
いつづける。

VCVによる特徴音韻区間の対応づけを、第４
表と第５表を用いて説明を以下に行なう。

Ａ＝max Sim of｛（V_k，V_Pl）， （V_kC_k+1V_k+1，V_Pl）， （V_kC_k+1V_k+1，V_PlC_Pl+1V_Pl+1）｝ R_k ←→I_l Ａ＝Sim（V_k，V_Pl） R_k ←→I_l+1 Ａ＝Sim（V_kC_k+1V_k+1，V_Pl） R_k+1 ←→I_l Ａ＝Sim（V_kC_k+1V_k+1，V_PlC_Pl+1V_Pl+1） 第５表 表記音韻パターン系列と入力音韻パターン系列
のVCV区間が対応づけられた終端の母音区間が
第４表ａに示したようにそれぞれV_kおよびV_Plで
あつたとすると、表記音韻パターン系列のV_k
C_k+1V_k+1区間（R_k′区間）あるいはV_kC_k+1V_k+1区
間（R′_k+1区間）と入力音韻パターン系列のV_Pl区
間（I_P′区間）あるいはV_PlC_Pl+1V_Pl+1区間（I′_P+1区
間）の対応づけを行なう。子音区間C_k+1が脱落し
た場合にはR′_k+1，I_P′区間の対応、子音区間C_Pl+1
が挿入された場合には、R_k′，I′_P+1区間の対応づ
けが起こる。これら対応づけを簡単行なうには第
４表ｂに示したように、母音が安定しているとい
うことから、（V_k，V_Pl），（V_k，V_PlV_Pl+1），（V_k
V_k+1，V_Pl）の母音区間の類似度を計算し、その
最大値が、（V_k，V_Pl）の場合にはR′_k，I′_l区間の
対応、（V_kV_PlV_Pl+1）の場合にはR′_k，I′_l+1区間の
対応、（V_kV_k+1，V_Pl）の場合にはR′_k+1，I′_l区間
の対応づけを行なう。これらの対応づけを直接的
に行なうには、第５表に示したように、（R′_k，
I′_l），（R′_k，I′_l+1），（R′_k+1，I′_l）の類似度
を計算
し、その最大値をとる組み合わせを対応区間とす
る。

VCV区間の対応づけが終了すると、R′_k，I′_l区
間の場合は、V_kC_k+1とV_PlC_Pl+1を鎖からはずし、
R′_k，I′_l+1区間の場合は、V_kC_k+1と V_PlC_Pl+1V_Pl+1C_Pl+2を鎖からはずし、R′_k+1，I′_l区
間の場合は、V_kC_k+1V_k+1C_k+2とV_PlC_Pl+1を鎖から
はずし、それ以降の区間についても再び同様な対
応づけを行なう。

簡単かつ正確な特徴音韻区間の対応づけを行な
うには、CVC区間の対応とVCV区間の対応づけ
を混在して考えることが出来る。先に説明した
CVC区間の対応づけを子音区間のみの類似度で
決定し、VCV区間の対応づけを母音区間のみの
類似度で決定するものとする。そしてはじめは
CVC区間の対応づけを適用し、著しい子音区間
の脱落や挿入が起こり前記の方式による対応づけ
が不可能となつた時点で、VCV区間の対応づけ
を適用し、前記の方式による対応づけが終了した
時点で、再びCVC区間の対応づけを行う方法が
考えられる。

表記音韻パターン系列と入力音韻パターン系列
の間のCVCあるいはVCV特徴音韻区間の対応づ
けが終了すると、特徴音韻区間内での子音区間の
脱落や挿入はただちに検出できるため、特徴音韻
区間内で両系列の子音区間どうしおよび母音区間
どうしの対応づけが行なえる。表記音韻パターン
系列の子音、母音区間の定義および入力音韻パタ
ーンの定義から、第６表ａ，ｂに処理を示したよ
うに第５図に示した音韻間の類似度をもとに、表
記音韻パターン系列の１音韻と入力音韻パターン
系列の複数音韻の対応づけを行なうことができ
る。

以上のように本発明においては、複数の入力音
韻パターン系列と、表記音韻パターン系列との特
徴音韻区間（CVC区間、VCV区間等）の対応づ
けをした後に、音韻区間（Ｃ区間、Ｖ区間）の対
応づけを行ない、最終的に表記音韻パターン系列
の１音韻と入力音韻パターン系列の複数音韻との
対応づけを行つて、入力音韻パターン系列を分割
する。そして分割された音韻区間ごとに音韻種別
と音韻継続長の平均を行つて複数の入力音韻パタ
ーン系列の平均を決定することにより、例えば単
語に固有な音韻変動を表わす、単語音韻辞書の作
成を自動的に行なうことができる。さらに音韻認
識に基づく音声認識装置における単語音韻辞書に
適用することによつて認識率の向上を図ることが
可能である。

【図面の簡単な説明】

第１図は、従来のローマ字書音韻表記による単
語音韻辞書を示す図で、同図ａは、１音韻を１文
字で表わした場合を示し、同図ｂは、子音と母音
の音韻長の違いを文字数で表わした場合を示す
図、第２図は、単語の音韻認識結果の音韻系列を
示す図で、同図ａは“牧場”の７名の話者の発声
音韻系列を示し、同図ｂは“海水浴”の７名の話
者の発声音韻系列を示す図、第３図は、本発明に
おける平均音韻パターン系列作成装置の構成例を
示す図、第４図は、第３図に示した本発明におけ
る構成例の音韻系列平均部の詳細な構成例を示す
図、第５図は、音韻間の類似度を示す図。 １……音韻認識部、２……音韻平均部、３……
音素認識部、４……マージ部、５……音素標準パ
ターン記憶部、６……音韻系列平均部、７……単
語音韻辞書、８……表記音韻パターン記憶部、９
……入力音韻系列音韻区間分離部、１０……入力
音韻系列記憶部、１１……音韻区間平均部、１２
……平均音韻系列記憶部。

Claims (1)

【特許請求の範囲】
1. １ 入力音声パターン系列から音韻（母音、有声
   子音、無声子音および無音等）の認識を行なう音
   韻認識手段、複数の音韻パターン系列の平均パタ
   ーンを決定する音韻系列平均手段よりなり、該音
   韻系列平均手段は、各音韻パターン系列につい
   て、表記音韻（ローマ字表現等）の音韻に対応し
   た音韻区間を、該音韻パターン系列と該表記音韻
   パターン系列を一定の特徴音韻区間（CVC区間
   （Ｃ：子音、Ｖ：母音）、VCV区間等）に分割し
   て該特徴音韻区間の間の対応づけを行なつた後
   に、該特徴音韻区間について音韻間に対応づけを
   する手段と、該表記音韻の音韻に対応した音韻区
   間ごとに、音韻の種類と音韻の長さについて平均
   をもとめることによつて複数の音韻パターン系列
   の平均音韻パターン系列を作る手段とを具えたこ
   とを特徴とする平均音素パターン作成装置。