JPWO2013125203A1 - 音声認識装置、音声認識方法およびコンピュータプログラム - Google Patents

Abstract

［課題］適切な数の認識結果候補を発声途中に決定することができる音声認識装置を提供する。［解決手段］時刻順にフレーム単位で入力される音声特徴量を基に算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索する仮説探索部１０４と、前記仮説探索部１０４によってある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する認識結果候補決定部１０６と、を備える。

Description

本発明は、音声認識装置、音声認識方法およびコンピュータプログラムに関し、特に音声認識結果の候補を探索する技術に関する。

音声認識に関して、認識結果候補を探索する技術が一般的に知られている。例えば、特許文献１には、発声終了後に音声認識候補としてＮ−ｂｅｓｔ認識結果を出力する単語探索装置が開示されている。特許文献２には、発声途中に複数の音声認識結果候補を逐次出力できる音声認識システムが開示されている。

特開２０１１−０３９４６８ 特開２００５−２８４０１８

しかしながら、特許文献１に記載された技術は、ユーザが発音を終えた後に、音声認識結果候補を出力するので、ユーザが音声認識結果を確認するまでに、ユーザに待ち時間が生じてしまう。

特許文献２に記載された技術は、複数の認識結果候補を逐次出力するので、多くの認識結果候補が出力されることがある。この場合、ユーザに選択の手間をかけさせてしまう。

本発明は、上記課題を鑑み、適切な数の認識結果候補を発声途中に決定することができる音声認識装置などを提供することを１つの目的とする。

上記目的を達成するために、本発明に係る音声認識装置は、時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索する仮説探索部と、前記仮説探索部によってある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する認識結果候補決定部と、を備える。

また、本発明に係る音声認識方法は、時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索し、ある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する。

さらに、本発明に係るコンピュータプログラムは、コンピュータを含む音声認識装置において、時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索する仮説探索ステップと、ある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する認識結果候補決定ステップと、を前記コンピュータに実行させる。

尚、係る同目的は、当該コンピュータプログラムを格納したコンピュータ読み取り可能な記憶媒体によっても達成されうる。

本発明の音声認識装置によれば、適切な数の認識結果候補を発声途中に決定することができる。

本発明の第１の実施の形態にかかる音声認識装置１を実現可能な情報処理装置（コンピュータ）のハードウェア構成例を示すブロック図である。 本発明の第１の実施の形態にかかる音声認識装置１の構成例を示すブロック図である。 本発明の第１の実施の形態にかかる音声認識装置１の動作を示すフローチャートである。 本発明の第１の実施の形態にかかる音声認識装置１の動作を示すシーケンス図である。 本発明の第２の実施の形態にかかる音声認識装置２の構成例を示すブロック図である。 本発明の第２の実施の形態にかかる音声認識装置２の動作を示すフローチャートである。 本発明の第３の実施の形態にかかる音声認識装置３の構成例を示すブロック図である。 本発明の第３の実施の形態にかかる音声認識装置３の動作を示すフローチャートである。 本発明の第４の実施の形態にかかる音声認識装置４の構成例を示すブロック図である。 認識対象語彙記憶部１１８に記憶されている音素列の利用例を示す図である。 本発明の第５の実施の形態にかかる音声認識装置５の構成例を示すブロック図である。

はじめに、以下に説明する本発明の各実施形態は、一例として、日本語の文法表現を取り扱う。このため、当該各実施形態は、各国移行後の他国言語による審査の便宜に資すべく、「音素に基づく日本語のカタカナ表記（当該日本語のローマ字表記：当該日本語の他国言語表記）」なる記載形式を含む。
＜第１の実施の形態＞
本発明にかかる音声認識装置の第１の実施の形態について説明する。

図１は、本発明の第１の実施の形態にかかる音声認識装置１を実現可能な情報処理装置（コンピュータ）のハードウェア構成例を示すブロック図である。図１に示すように、音声認識装置１は、ＣＰＵ１０、メモリ１２、ＨＤＤ（ハードディスクドライブ）１４、図示しない通信ネットワークを介してデータの通信を行う通信ＩＦ（インターフェース）１６、ディスプレイ等の表示装置１８、音声を入力して音声信号を出力するマイクロホン等の音声入力装置２０およびキーボードやマウス等のポインティングデバイスを含む入力装置２２を有する。入力装置２２には、ＣＤ（コンパクトディスク）等のコンピュータ読み取り可能な記憶媒体に記憶された情報を読み取り可能なリーダーライター等も含まれる。これらの構成要素は、バス２４を通して互いに接続されており、互いにデータの入出力を行う。本実施形態にかかる音声認識装置１は、ＣＰＵ１０が、メモリ１２またはＨＤＤ１４に記憶されているプログラム（コンピュータプログラム）を実行することにより実現される。図１に示す、音声認識装置１のハードウェア構成例は、後述する実施形態にも適用可能である。

図２は、本発明の第１の実施の形態にかかる音声認識装置１の構成例を示すブロック図である。図２に示すように、音声認識装置１は、音声入力部１００、特徴量抽出部１０２、仮説探索部１０４、信頼度算出部１０６、認識結果候補決定部１０８および結果出力部１１０を備える。音声認識装置１の構成は、ＣＰＵ１０（図１）が、メモリ１２またはＨＤＤ１４に記憶されているプログラムをメモリ１２等に読み出した後、ＣＰＵ１０にて実行することにより実現される。また、音声認識装置１の構成は、ＣＰＵ１０（図１）が、通信ＩＦ１６あるいはリーダーライター等の入力装置２２により、外部から取得したプログラムを実行することによって実現されてもよい。なお、音声認識装置１の全部又は一部の機能は、音声認識装置１に設けられたハードウェアにより実現されてもよい。

音声認識装置１において、音声入力部１００は、音声入力装置２０（図１）からユーザの発声を入力し、入力された音声を音声信号として特徴量抽出部１０２に対して出力する。音声入力部１００は、音声始端を検出すると音声入力を開始する。

なお、音声入力部１００は、例えば、入力装置２２に設けられた「スタート」ボタンが押下される等、外部からの指示に基づいて音声始端を検出してもよい。音声入力部１００は、表示装置１８のボリュームインジケーターやディスプレイの表示によって、音声入力の開始をユーザにフィードバックしてもよい。また、音声入力部１００は、音声入力の開始とともに、録音を開始してもよい。さらに、音声入力部１００は、録音された音声データを入力してもよい。

特徴量抽出部１０２は、音声入力部１００から出力された音声信号を一定区間（フレーム）単位でＭＦＣＣ（Ｍｅｌ Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｅｆｆｉｃｉｅｎｔ：メル周波数ケプストラム）やパワー等の音声特徴量に変換し、仮説探索部１０４に対して出力する。

仮説探索部１０４は、時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより仮説を探索する。具体的には、仮説探索部１０４は、特徴量抽出部１０２から出力された音声特徴量を時刻順にフレーム単位で受け付け、音声特徴量から算出した認識結果候補の各仮説のスコアによって仮説を探索し、探索された仮説と算出されたスコアを認識結果候補決定部１０６に対して出力する。

例えば、仮説探索部１０４は、仮説の音響スコアを算出する。この場合、仮説探索部１０４は、ｔを時刻とすると、（ｔ−１）フレームの時点までに累積された音響スコア（累積音響スコア）にｔフレームにおける特徴量と音響モデルの尤度を足し合わせた値を音響スコアとして算出する。仮説探索部１０４は、音響スコアと言語スコアを足し合わせたものをスコアとして用いてもよい。

本実施形態では、仮説探索部１０４は、その仮説からたどり着ける単語の中において最良の言語スコアである言語モデル先読みスコアを、言語スコアとして用いる。例えば、ユーザが「オンセ（ｏＮｓｅ）」と発声すると、仮説探索部１０４は／ｏＮｓｅ／の／ｅ／の段階における仮説を探索する。この場合、仮説探索部１０４は、例えば、「オンセイ（ｏＮｓｅｉ：音声）」、「オンセイニンシキ（ｏＮｓｅｉｎｉＮｓｉｋｉ：音声認識）」、「オンセツ（ｏＮｓｅｔｓｕ：音節）」、「オンセン（ｏＮｓｅＮ：温泉）」などの単語の中において最高の言語スコアを言語モデル先読みスコアとする。

認識結果候補決定部１０６は、仮説探索部１０４によってある時刻に探索された複数の仮説から、累積されたスコアの分布に基づいて、スコア上位の仮説を認識結果候補として決定する。具体的には、認識結果候補決定部１０６は、仮説探索部１０４によりある時刻に探索された仮説の累積されたスコアを比較する。そして、認識結果候補決定部１０６は、スコアの差が予め決められたしきい値（第１のしきい値）を超えた場合に、スコア上位の仮説をスコアの高い順に認識結果候補として決定し、認識結果候補を結果出力部１０８に対して出力する。例えば、認識結果候補決定部１０６は、２つの仮説のスコアの差が第１のしきい値を超えた場合、２つのうちスコアの高い仮説を認識結果候補として決定する。

例えば、第１のしきい値は、仮説探索部１０４によって探索された複数の仮説のスコアの合計に所定の割合を乗じた値である。これにより、本実施形態によれば、候補数の最大値が有限に決まるため候補数が増えすぎない。具体的には、第１のしきい値が、仮説探索部１０４によってある時刻に探索された複数の仮説のスコアの合計の１０％の値である場合、しきい値以上のスコアを持つ仮説の数は１０以下となる。この場合、認識結果候補の最大値は、１０である。第１のしきい値が、仮説探索部１０４によってある時刻に探索された複数の仮説のスコアの合計の２０％の値である場合、しきい値以上のスコアを持つ仮説の数は５以下となる。この場合、認識結果候補の最大値は５である。

結果出力部１０８は、認識結果候補決定部１０６によって決定された認識結果候補を出力する。例えば、結果出力部１１０は、認識結果候補を表示装置１８に表示する。

次に、音声認識装置１の動作を説明する。

図３は、第１の実施の形態にかかる音声認識装置１の動作を示すフローチャートである。図３に示すように、ステップ１００（Ｓ１００）において、音声入力部１００は、音声始端を検出すると、音声入力を開始する。

ステップ１０２（Ｓ１０２）において、特徴量抽出部１０２は、音声入力部１００によって入力された音声信号をフレーム単位でＭＦＣＣやパワー等の音声特徴量に変換する。

ステップ１０４（Ｓ１０４）において、仮説探索部１０４は、特徴量抽出部１０２によって変換された音声特徴量を時刻順にフレーム単位で受け付け、フレーム単位で各仮説のスコアを算出し、仮説を探索する。

ステップ１０６（Ｓ１０６）およびステップ１０８（Ｓ１０８）において、認識結果候補決定部１０６は、仮説探索部１０４によってある時刻に探索された複数の仮説から、スコアの分布に応じてスコア上位の仮説を認識結果候補として決定する。具体的には、ステップ１０６（Ｓ１０６）において、認識結果候補決定部１０６は、仮説探索部１０４によって探索された各仮説のスコアを比較し、２つの仮説の差が第１のしきい値を超えた場合にはステップ１０８（Ｓ１０８）の処理に進み、そうでない場合にはＳ１０２の処理に戻る。例えば、認識結果候補決定部１０６は、スコアの高い順に仮説を並べ、ある仮説のスコアと次の順位の仮説のスコアとの差が第１のしきい値を超えた場合にはＳ１０８の処理に進む。

ステップ１０８（Ｓ１０８）において、認識結果候補決定部１０６は、スコア上位の仮説を認識結果候補として決定する。具体的には、認識結果候補決定部１０６は、次の順位の仮説のスコアとの差が第１のしきい値を超える仮説までを認識結果候補として決定する。

図４は、第１の実施の形態にかかる音声認識装置１の動作を示すシーケンス図である。図４に示すように、ステップ２００（Ｓ２００）〜ステップ２１２（Ｓ２１０）において、音声入力部１００が音声を入力し、特徴量抽出部１０２がフレーム単位で特徴量を抽出し、仮説探索部１０４が特徴量から仮説を探索し、認識結果候補決定部１０６が探索された仮説の中から認識結果候補を決定し、結果出力部１０８が認識結果候補を出力する。

一方、特許文献１に記載された技術では、図４に示すように、Ｓ２００〜Ｓ２０４において、音声入力処理、特徴量抽出処理および仮説探索処理が実行される。さらに、ステップ２１４（Ｓ２１４）において発声が終了し、ステップ２１６（Ｓ２１６）において音声が終了した後、ステップ２１８（Ｓ２１８）において特徴量抽出処理が終了する。ステップ２２０（Ｓ２２０）では、仮説の探索がフレーム単位で繰り返され、仮説が最終フレームまで探索され、ステップ２２２（Ｓ２２２）において、認識結果候補が決定される。

したがって、本発明の第１の実施形態に係る音声認識装置１は、特許文献１に記載されている技術と比較して、図４に示された時間αだけ早く結果を出力することができる。以上説明したように、本実施の形態にかかる音声認識装置１によれば、適切な数の認識結果候補を発声途中に出力することができる。

本発明の第１の実施形態に係る音声認識装置１は、例えば、スコアの高い仮説が１つしかない場合には、最もスコアの高い仮説を認識結果候補として決定する。また、音声認識装置１は、スコアの高い仮説が複数ある場合には、複数のスコアの高い仮説を認識結果候補として決定する。このため、音声認識装置１は、状況に応じて適切な数の認識結果候補を出力することができる。

また、音声認識装置１は、設定されているしきい値に応じた数の認識結果候補を出力してもよい。このため、音声認識装置１によれば、ユーザの用途に容易に適応させることができる。例えば、しきい値が高く設定されている場合には、認識結果候補数が少なくなるので、本実施形態にかかる音声認識装置１によれば、ユーザが認識結果候補から適切な候補を選択する手間を省くことができる。

＜第２の実施の形態＞
次に、本発明にかかる音声認識装置の第２の実施の形態について説明する。

図５は、本発明の第２の実施の形態にかかる音声認識装置２の構成例を示すブロック図である。図５に示すように、本発明の第２の実施の形態にかかる音声認識装置２は、信頼度算出部１１０を備え、認識結果候補決定部１０６が認識結果候補決定部１１２に置き換えられた構成を有する点を備える点が、第１の実施形態とは異なっている。

信頼度算出部１１０は、仮説探索部１０４により探索された仮説の信頼度を算出する。具体的には、信頼度算出部１０６は、仮説探索部１０４によって探索された各仮説のスコアを正規化したものを信頼度として算出し、認識結果候補決定部１１２に対して出力する。

認識結果候補決定部１１２は、第１の実施の形態の動作に加え、信頼度算出部１１０により算出された仮説の信頼度によって、適切な数の認識結果候補を決定する。具体的には、認識結果候補決定部１１２は、信頼度算出部１１０により算出されたスコア上位の仮説の信頼度を合計し、信頼度の合計が予め決められたしきい値（第２のしきい値）を超えた場合、認識結果候補を決定し、認識結果候補を結果出力部１１０に対して出力する。

認識結果候補決定部１１２は、信頼度算出部１１０により算出されたスコア上位の仮説の信頼度の合計のみによって、認識結果候補を決定してもよい。

次に、音声認識装置２の動作を説明する。

図６は、本発明の第２の実施の形態にかかる音声認識装置２の動作を示すフローチャートである。なお、図６に示された各処理のうち、図３に示された処理と実質的に同一のものには同一の符号が付されている（重複する説明は省略する）。図６に示すように、Ｓ１００〜Ｓ１０６において、音声入力部１００が音声を入力し、特徴量抽出部１０２がフレーム単位で特徴量を抽出し、仮説探索部１０４が特徴量から仮説を探索し、認識結果候補決定部１１２がスコアを比較する。

ステップ１１０（Ｓ１１０）において、信頼度算出部１１０は、仮説探索部１０４によって探索された仮説のスコアに基づいて信頼度を算出する。

ステップ１１２（Ｓ１１２）において、認識結果候補決定部１１２は、信頼度算出部１１０によって算出された各仮説の中において、上位スコアの仮説の信頼度の合計が、第２のしきい値を超えた場合にはＳ１０８の処理に進み、そうでない場合にはＳ１０２の処理に戻る。具体的には、認識結果候補決定部１１２は、スコアの高い順に仮説を並べ、上位スコアの仮説から信頼度を合計し、第２のしきい値を信頼度の合計が超えた場合にはＳ１０８の処理に進む。

＜第３の実施の形態＞
次に、本発明にかかる音声認識装置の第３の実施の形態について説明する。

図７は、本発明の第３の実施形態にかかる音声認識装置３の構成例を示すブロック図である。図７に示すように、本発明の第３の実施の形態にかかる音声認識装置３は、認識結果候補決定部１１２が認識結果候補決定部１１４に置き換えられた構成を有する点が、第２の実施の形態にかかる音声認識装置２と異なる。

第３の実施の形態において、認識結果候補決定部１１４は、仮説探索部１０４によって探索された２つの仮説のスコアの差が予め決められたしきい値（第３のしきい値）を超えた状態が所定の時間経過した場合に認識結果候補を決定する。

次に、音声認識装置３の動作を説明する。

図８は、本発明の第３の実施の形態にかかる音声認識装置３の動作を示すフローチャートである。なお、図８に示された各処理のうち、図６に示された処理と実質的に同一のものには同一の符号が付されている（重複する説明は省略する）。図８に示すように、Ｓ１００〜Ｓ１１２において、音声入力部１００が音声を入力し、特徴量抽出部１０２がフレーム単位で特徴量を抽出し、仮説探索部１０４が特徴量に基づいて仮説を探索し、信頼度算出部１１０が各仮説の信頼度を算出し、認識結果候補決定部１１２がスコアを比較し、認識結果候補部１１２が上位スコアの仮説の信頼度の合計を計算する。

ステップ１１４（Ｓ１１４）において、認識結果候補決定部１１４は、２つの仮説のスコアの差が第３のしきい値を超えた状態が所定の時間経過した場合にはＳ１０８の処理に進み、そうでない場合にはＳ１０２の処理に戻る。

＜第３の実施の形態の変形例＞
次に、本発明にかかる音声認識装置の第３の実施の形態の変形例について説明する。第３の実施の形態において、認識結果候補決定部１１４は、仮説探索部１０４で探索された２つの仮説のスコアの差が第３のしきい値を超えた状態が所定の時間経過した場合に認識結果候補を決定する。これに対して、本変形例において、認識結果候補決定部１１４は、上位スコアの仮説の信頼度算出部１１０で算出された信頼度の合計が予め決められたしきい値（第４のしきい値）を超えた状態が所定の時間経過した場合に認識結果候補を決定する。

また、認識結果候補決定部１１４は、仮説探索部１０４によって探索された２つの仮説のスコアの差と、上位スコアの仮説の信頼度算出部１１０によって算出された信頼度の合計の２つの基準を満たした状態が所定の時間経過した場合に認識結果候補を決定してもよい。

＜第４の実施の形態＞
次に、本発明にかかる音声認識装置の第４の実施の形態について説明する。

図９は、本発明の第４の実施の形態にかかる音声認識装置４の構成例を示すブロック図である。図９に示すように、本発明の第３の実施の形態にかかる音声認識装置４は、認識対象語彙記憶部１１８および音響モデル記憶部１２０をさらに有する点が、第２の実施の形態にかかる音声認識装置２とは異なる。認識対象語彙記憶部１１８および音響モデル記憶部１２０は、例えば、メモリ１２、ＨＤＤ１４等の記憶装置により実現される。

認識対象語彙記憶部１１８には、「オンセイ（ｏＮｓｅｉ：音声）」、「オンセイニンシキ（ｏＮｓｅｉｎｉＮｓｉｋｉ：音声認識）」、「オンセイゴウセイ（ｏＮｓｅｉｇｏｕｓｅｉ：音声合成）」、「オンセツ（ｏＮｓｅｔｓｕ：音節）」、「オンセン（ｏＮｓｅＮ：温泉）」等の音素列が記憶されている。認識対象語彙記憶部１１８に記憶される音素列は、仮説探索部１０４によって同じ先頭音素を持つ単語の先頭音素部分がマージされるようにして用いられる。

図１０は、認識対象語彙記憶部１１８に記憶されている音素列の利用例を示す図である。図１０に示すように、例えば、「オンセイ（ｏＮｓｅｉ：音声）」、「オンセイニンシキ（ｏＮｓｅｉｎｉＮｓｉｋｉ：音声認識）」、「オンセイゴウセイ（ｏＮｓｅｉｇｏｕｓｅｉ：音声合成）」、「オンセツ（ｏＮｓｅｔｓｕ：音節）」、「オンセン（ｏＮｓｅｎ：温泉）」等の音素列がマージされて用いられる。

音響モデル記憶部１２０は、読みに対応する音響パタンをモデル化した音響モデルを記憶する。例えば、音響モデルとして、ＨＭＭ（Hidden Markov Model：隠れマルコフモデル）などが用いられる。

仮説探索部１１６は、認識対象語彙記憶部１１６と音響モデル記憶部１１８から木構造辞書と音響モデルを読み込み、時刻順にフレーム単位で入力される音声特徴量から算出した認識結果候補の仮説のスコアにより仮説を探索する。具体的には、仮説探索部１０４は、特徴量抽出部１０２から出力された音声特徴量を時刻順にフレーム単位で受け付け、木構造辞書の先頭音素から順に仮説を展開し、スコアを算出する。

また、仮説探索部１１６は、言語スコアを使用してもよい。この場合、仮説探索部１０４は、ビームサーチによる枝刈りを行ってもよい。ビームサーチは、各時刻における音響スコアおよび言語スコアを総合的に判断して、スコアの良くない仮説は見込みがないものとして枝刈り、つまり以降の仮説展開を行わないようにする。仮説探索部１０４は、ある時刻におけるスコアによって、スコアのよくない仮説について仮説展開を終了してもよい。仮説探索部１１６は、探索された仮説とスコアを信頼度算出部１０６に対して出力する。

＜第５の実施の形態＞
次に、本発明にかかる音声認識装置の第５の実施の形態について説明する。

図１１は、本発明の第５の実施の形態にかかる音声認識装置５の構成例を示すブロック図である。本発明の第５の実施の形態にかかる音声認識装置５は、上述した各実施の形態に共通する構成である。

仮説探索部１０４は、時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索する。

認識結果候補決定部１０６は、前記仮説探索部によってある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１２年２月２１日に出願された日本出願特願２０１２−０３５４０２を基礎とする優先権を主張し、その開示の全てをここに取り込む。

本発明は、アプリケーションランチャーや人名入力等に用いられる孤立単語音声認識システム等に用いることができる。

１、２、３、４、５ 音声認識装置
１０ ＣＰＵ
１２ メモリ
１４ ＨＤＤ
１６ 通信ＩＦ
１８ 表示装置
２０ 音声入力装置
２２ 入力装置
２４ バス
１００ 音声入力部
１０２ 特徴量抽出部
１０４ 仮説探索部
１０６、１１２、１１４ 認識結果候補決定部
１０８ 結果出力部
１１０ 信頼度算出部
１１６ 仮説探索部
１１８ 認識対象語彙記憶部
１２０ 音響モデル記憶部

Claims (8)

1. 時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索する仮説探索部と、
   前記仮説探索部によってある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する認識結果候補決定部と、
   を備える音声認識装置。
2. 前記認識結果候補決定部は、前記仮説探索部により探索されたある仮説のスコアと、次の順位の仮説のスコアとの差が第１のしきい値を超えた場合、前記スコア上位の仮説をスコアの高い順に認識結果候補として決定する請求項１に記載の音声認識装置。
3. 仮説の信頼度を算出する信頼度算出部を更に備え、
   前記認識結果候補決定部は、前記信頼度算出部により算出されたスコア上位の仮説の信頼度の合計が第２のしきい値を超えた場合、前記スコア上位の仮説を認識結果候補として決定する請求項１または２に記載の音声認識装置。
4. 前記認識結果候補決定部は、ある仮説のスコアと、次の順位の仮説のスコアとの差が第３のしきい値を超えた状態が所定の時間経過した場合、前記認識結果候補を決定する請求項２または３に記載の音声認識装置。
5. 前記認識結果候補決定部は、前記スコア上位の仮説の信頼度の合計が第４のしきい値を超える状態が所定の時間経過した場合、前記スコア上位の仮説を認識結果候補として決定する請求項３に記載の音声認識装置。
6. 前記しきい値は、前記仮説探索部によって探索された複数の仮説のスコアの合計に所定の割合を乗じた値であることを特徴とする請求項２乃至５のいずれかに記載の音声認識装置。
7. 時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索し、
   ある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する
   音声認識方法。
8. コンピュータを含む音声認識装置において、
   時刻順にフレーム単位で入力される音声特徴量を基に認識結果候補の仮説のスコアを算出し、算出した認識結果候補の仮説のスコアを参照することにより前記仮説を探索する仮説探索ステップと、
   ある時刻に探索された複数の仮説から、前記時刻までに累積されたスコアの分布に基づいて、該スコア上位の仮説を前記認識結果候補として決定する認識結果候補決定ステップと、
   を前記コンピュータに実行させるプログラム。

Images