WO2010086927A1 - 音声認識装置 - Google Patents

音声認識装置 Download PDF

Info

Publication number
WO2010086927A1
WO2010086927A1 PCT/JP2009/005487 JP2009005487W WO2010086927A1 WO 2010086927 A1 WO2010086927 A1 WO 2010086927A1 JP 2009005487 W JP2009005487 W JP 2009005487W WO 2010086927 A1 WO2010086927 A1 WO 2010086927A1
Authority
WO
WIPO (PCT)
Prior art keywords
sentence
speech
recognition
speech recognition
recognition target
Prior art date
Application number
PCT/JP2009/005487
Other languages
English (en)
French (fr)
Inventor
海老原充
石井純
坂下博紀
野木和行
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to CN2009801503310A priority Critical patent/CN102246226B/zh
Priority to US13/123,552 priority patent/US8200478B2/en
Priority to DE112009003930.8T priority patent/DE112009003930B4/de
Priority to JP2010546175A priority patent/JP4772164B2/ja
Publication of WO2010086927A1 publication Critical patent/WO2010086927A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G10L15/187—Phonemic context, e.g. pronunciation rules, phonotactical constraints or phoneme n-grams

Definitions

  • This invention relates to a speech recognition apparatus.
  • Patent Document 2 discloses a speech recognition device that performs recognition while predicting the content of the next utterance by gradually forming a storage device for speech recognition into a hierarchical structure and gradually narrowing the comprehensive range.
  • a conventional speech recognition apparatus creates a speech recognition dictionary using text notation of a sentence to be recognized.
  • the speech recognition dictionary size becomes large.
  • the speech recognition dictionary size exceeds the available memory capacity, There was a problem that the device would not operate normally.
  • Patent Document 1 determines whether or not to register a new vocabulary from an evaluation value relating to the ease of confusion between the new vocabulary and the already registered vocabulary. This case is not taken into consideration, and the case where the memory capacity is limited is not taken into consideration.
  • Patent Document 2 a speech recognition dictionary is created in consideration of a decrease in recognition performance due to an increase in vocabulary, and the above problem is not taken into consideration when the memory capacity is limited as described above. Can not be solved.
  • the present invention has been made to solve the above-described problems, and an object of the present invention is to provide a speech recognition device capable of suppressing an increase in the dictionary size of a speech recognition dictionary.
  • the speech recognition apparatus includes a sentence selection unit that selects, as a recognition target sentence, a sentence whose number of speech pieces is a predetermined value or less from among recognition target sentence candidates.
  • the speech recognition device since a sentence whose number of speech pieces is a predetermined value or less is selected as a recognition target sentence from the recognition target sentence candidates, an increase in the size of the speech recognition dictionary configured from the recognition target sentence is suppressed. Even when the speech recognition device is realized by software embedded in a device such as a navigation system or a mobile phone, a dictionary size within the usable capacity of the memory can be realized.
  • FIG. 10 is a diagram for explaining processing by a dictionary creation processing unit according to the second embodiment. It is a block diagram which shows the structure of the speech recognition apparatus by Embodiment 3 of this invention. 10 is a flowchart illustrating a flow of operations performed by the speech recognition apparatus according to the third embodiment.
  • FIG. 1 is a block diagram showing the configuration of a speech recognition apparatus according to Embodiment 1 of the present invention.
  • the speech recognition apparatus 1 according to Embodiment 1 includes a dictionary creation processing unit 2 and a speech recognition processing unit 3.
  • the dictionary creation processing unit 2 is a means for creating a speech recognition dictionary composed only of sentences equal to or less than a predetermined number of speech pieces, a recognition target sentence candidate storage unit 21, a sentence selection unit 22, and a recognition target sentence storage unit. 23, a voice recognition dictionary creating unit 24 and a voice recognition dictionary storage unit 25 are provided.
  • the recognition target sentence candidate stored in the storage unit 21 is composed of a set of a text candidate to be recognized by the speech recognition apparatus 1 and a speech piece indicating the pronunciation content of the text.
  • the recognition target sentence means a sentence having a predetermined number or less of speech pieces.
  • a speech segment is a short speech unit such as a phoneme or syllable.
  • a speech recognition dictionary is created with only sentences equal to or less than a predetermined number of speech pieces to prevent an increase in dictionary size.
  • the sentence selection unit 22 excludes recognition target sentence candidates that exceed the definition value of the number of phonemes set in advance for one recognition target sentence from recognition target sentence candidates based on phonemes that are speech pieces, This is means for selecting a recognition target sentence having a number of phonemes within the defined value.
  • the speech recognition dictionary creation unit 24 is a unit that creates a speech recognition dictionary using the recognition target sentence read from the storage unit 23.
  • the voice recognition processing unit 3 includes a voice recognition dictionary storage unit 25 and a voice recognition unit 26.
  • the speech recognition unit 26 refers to the speech recognition dictionary stored in the storage unit 25, executes speech recognition processing on the recognition target speech uttered by the user (hereinafter referred to as recognition target speech), and obtains a recognition result. Means.
  • the sentence selection unit 22, the speech recognition dictionary creation unit 24, and the speech recognition unit 26 read a dictionary creation / speech recognition program in accordance with the gist of the present invention into a computer and cause the CPU to execute the hardware and software. It can be realized on the computer as a specific means in which the wear cooperates.
  • the recognition target sentence candidate storage unit 21, the recognition target sentence storage unit 23, and the speech recognition dictionary storage unit 25 are stored in a storage area of a storage device (for example, a hard disk device or an external storage medium) included in the computer. Can be built.
  • FIG. 2 is a flowchart showing a flow of operations performed by the speech recognition apparatus according to the first embodiment, and the processing steps surrounded by a broken line with a symbol A in FIG. 2 indicate processing by the dictionary creation processing unit 2.
  • the processing steps surrounded by a broken line with a symbol B indicate processing by the speech recognition processing unit 3.
  • the sentence selection unit 22 reads and prepares recognition target sentence candidates for creating a speech recognition dictionary from the storage unit 21 (step ST1).
  • the sentence selection unit 22 increments the count value of the counter by 1 (step ST3), and determines whether or not the sentence number N is within the number of recognition target sentence candidates read from the storage unit 21 (step ST4). ).
  • the sentence selection unit 22 defines the number of speech pieces of recognition target sentence candidates corresponding to the current sentence number N. It is determined whether or not the value is within the range (step ST5). If the number of speech pieces of the recognition target sentence candidate corresponding to the sentence number N is within the defined value (step ST5; Yes), the sentence selection unit 22 selects the recognition target sentence candidate of the document number N as the recognition target sentence. Is stored in the storage unit 23 (step ST6).
  • step ST5 when the number of speech pieces of the recognition target sentence candidate corresponding to the sentence number N does not fall within the defined value (step ST5; No), the sentence selection unit 22 selects the sentence with the sentence number N as the recognition target sentence candidate. (Step ST8).
  • step ST6 or step ST8 When the processing of step ST6 or step ST8 is completed, the sentence selection unit 22 returns to step ST3 and increments the count value of the counter that counts the sentence number N by one, and the recognition target sentence candidate corresponding to the next sentence number is determined. Then, the processing from step ST4 to step ST8 is repeated.
  • FIG. 3 is a diagram for explaining the recognition target sentence candidate excluding process, and illustrates a case where a sentence having a phoneme number of more than 20 is excluded from recognition target sentence candidates as a speech piece.
  • the phonemes that make up the sentence to be recognized correspond to the acoustic model, greatly affecting the size of the speech recognition dictionary. Therefore, in the first embodiment, an increase in the dictionary size can be prevented by excluding candidate sentences in which the number of phonemes exceeds the defined value.
  • the number of phonemes constituting a sentence is counted one by one to obtain the number of phonemes, but the number of phonemes may be calculated using the number of mora.
  • the speech recognition dictionary creation unit 24 has so far A speech recognition dictionary is created from the recognition target sentences stored in the storage unit 23 (step ST7).
  • the created voice recognition dictionary is stored in the storage unit 25.
  • the speech recognition unit 26 of the speech recognition processing unit 3 inputs the recognition target speech uttered by the user (step ST9), and refers to the speech recognition dictionary stored in the storage unit 25 for the recognition target speech. And the recognition result is output (step ST10).
  • the sentence selection unit 22 that selects a sentence whose number of speech pieces is equal to or less than a predetermined value from the recognition target sentence candidates is provided as the recognition target sentence, the speech recognition is performed. It is possible to suppress an increase in the dictionary size of the dictionary, and even if the speech recognition device is realized by software embedded in a device such as a navigation system or a mobile phone, the dictionary size within the usable capacity of the memory can be realized. is there. As a result, it is possible to provide a speech recognition apparatus suitable for building with embedded software.
  • FIG. FIG. 4 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 2 of the present invention.
  • the speech recognition apparatus 1A according to the second embodiment has basically the same configuration as that of FIG. 1 of the first embodiment, but the sentence selection unit 22 based on the number of speech pieces of each recognition target sentence candidate. Instead, it is different in that it includes a sentence selection unit 22a based on the total number of speech pieces of all recognition target sentence candidates.
  • the sentence selection part 22a selects a recognition object sentence so that the sum total of the audio
  • FIG. The configuration other than the speech recognition processing unit 3 and the sentence selection unit 22a of the dictionary creation processing unit 2 is the same as that in the first embodiment, and thus the description thereof is omitted.
  • FIG. 5 is a flowchart showing the flow of operations performed by the speech recognition apparatus according to the second embodiment.
  • the processing steps surrounded by a broken line with a symbol A in FIG. 5 indicate processing by the dictionary creation processing unit 2.
  • the processing steps surrounded by a broken line with a symbol B indicate processing by the speech recognition processing unit 3.
  • the sentence selection unit 22a increments the count value of the counter that counts the sentence number N by 1 (step ST3), and determines whether or not the sentence number N is within the number of recognition target sentence candidates read from the storage unit 21. Determine (step ST4). Here, if the sentence number N is within the number of recognition target sentence candidates (step ST4; Yes), the sentence selection unit 22a adds the sentence number N to the count value of the counter that counts the total number of speech pieces. The number of audio pieces is added (step ST4-1).
  • the sentence selection unit 22a determines whether or not the total number of speech pieces indicated by the count value of the counter is within a defined value (step ST5a). If the total number of speech pieces is within the defined value (step ST5a; Yes), the sentence selection unit 22a stores the recognition target sentence candidate of the document number N as a recognition target sentence in the storage unit 23 (step ST6). .
  • the speech recognition dictionary creation unit 24 creates a speech recognition dictionary from the recognition target sentences stored in the storage unit 23. And stored in the storage unit 25 (step ST7).
  • the sentence selection unit 22a stops accumulating the recognition target sentence in the storage unit 23, and the speech recognition dictionary creation unit 24 has reached that point.
  • a speech recognition dictionary is created from the recognition target sentences stored in the storage unit 23 and stored in the storage unit 25 (step ST8a).
  • step ST6 When the sentence selection unit 22a selects a recognition target sentence in step ST6, the sentence selection unit 22a returns to step ST3 to increment the count value of the counter that counts the sentence number N by one, and for the recognition target sentence candidate corresponding to the next sentence number. The processes from step ST4 to step ST8a are repeated.
  • step ST9 and step ST10 for referring to the voice recognition dictionary created as described above is the same as that in the first embodiment.
  • FIG. 6 is a diagram for explaining processing by the dictionary creation processing unit according to the second embodiment.
  • a recognition target sentence candidate having a total phoneme number of up to 100 can be selected as a recognition target sentence based on phonemes as speech segments. Shows the case.
  • a plurality of sentences to be recognized are selected so that the total number of speech pieces of the plurality of sentences is equal to or less than a defined value.
  • the speech recognition dictionary size increases. Therefore, if a speech recognition dictionary having a predetermined total number of speech pieces or less is created, an increase in the speech recognition dictionary size can be prevented.
  • the sentence selection unit 22a based on the total speech segment, the phoneme is used as a speech segment, and the number of phonemes of recognition target sentence candidates is added, and the total value (total speech segment number) up to the middle exceeds a defined value.
  • a sentence to be recognized is obtained by excluding sentences after that sentence.
  • the sentence selection unit 22a when the total number of speech pieces of the recognition target sentence candidate exceeds the defined value in step ST5a, the sentence selection unit 22a should be excluded according to the result of the speech recognition process executed in step ST10.
  • a recognition target sentence candidate may be selected. For example, a sentence with a large number of speech segments is returned to the recognition target sentence candidate, and is used for creating a speech recognition dictionary as a recognition target sentence in the next selection process.
  • the speech recognition result referring to the created speech recognition dictionary is good, it is determined whether or not to be excluded by presenting the fact to the user.
  • the sentence selection unit 22a may provide a GUI (Graphical User Interface) for selecting a sentence to be aborted, and the user may select the sentence to be aborted accordingly.
  • GUI Graphic User Interface
  • the second embodiment when the total number of speech pieces exceeds the defined value and when the sentence number N> the number of recognition target sentence candidates, it is accumulated in the storage unit 23 until that point.
  • a speech recognition dictionary is generated from the recognized recognition target sentence.
  • FIG. 7 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 3 of the present invention.
  • the speech recognition apparatus 1B according to the third embodiment has basically the same configuration as that of FIG. 1 of the first embodiment, but the sentence selection unit 22 based on the number of speech segments of each recognition target sentence candidate. Instead, a sentence truncation unit 27 based on the number of speech pieces of the recognition target sentence candidate is provided, and a storage unit 28 that stores the censored recognition target sentence is provided instead of the recognition target sentence storage unit 23.
  • the sentence truncation unit 27 is a means that, when the number of speech fragments of the recognition target sentence candidate exceeds the defined value, makes the sentence a text that is terminated immediately before the syllable including the speech segment that exceeds the defined value. Sentences and texts with a large number of speech segments will lead to an increase in the size of the speech recognition dictionary. In this third embodiment, even such texts can be recognized up to a portion where the number of speech segments does not exceed the defined value. To do.
  • the storage unit 28 is a storage unit that stores a recognition target sentence that has been subjected to the abort process by the sentence abort unit 27.
  • the storage unit 28 since it is the same as that of the said Embodiment 1 about structures other than the sentence truncation part 27 and the memory
  • FIG. 8 is a flowchart showing the flow of operations performed by the speech recognition apparatus according to the third embodiment, and the processing steps surrounded by a broken line with a symbol A in FIG. 8 indicate processing by the dictionary creation processing unit 2.
  • the processing steps surrounded by a broken line with a symbol B indicate processing by the speech recognition processing unit 3.
  • the processing from step ST1 to step ST7 is the same as the contents shown in FIG.
  • the sentence truncation unit 27 starts the syllable after the above defined value of the recognition target sentence candidate. Is stored in the storage unit 28 as a sentence to be recognized with the sentence number N (step ST8b).
  • step ST6 or step ST8b When the process of step ST6 or step ST8b is completed, the sentence truncation unit 27 returns to step ST3 and increments the count value of the counter that counts the sentence number N by 1 to the recognition target sentence candidate corresponding to the next sentence number. Then, the processing from step ST4 to step ST8b is repeated.
  • FIG. 9 is a diagram for explaining sentence censoring processing for a recognition target sentence candidate, and shows a case where a phoneme is used as a reference and a syllable having a phoneme number exceeding 20 is excluded from recognition target sentence candidates.
  • the sentence truncation unit 27 excludes syllables and more after 20 phonemes.
  • censoring may be performed in phoneme units instead of syllable units.
  • phonemes exceeding 20 phonemes are subject to truncation
  • “kanagawakeN kamakuras” (20 phonemes) is a recognition target sentence. That is, the text up to the phoneme “i” exceeding the 20th phoneme is cut off.
  • the speech recognition dictionary creation unit 24 A speech recognition dictionary is generated from the recognition target sentences that have already been stored in the storage unit 28 (step ST7).
  • the created voice recognition dictionary is stored in the storage unit 25.
  • the speech recognition unit 26 of the speech recognition processing unit 3 inputs the recognition target speech uttered by the user (step ST9), and refers to the speech recognition dictionary stored in the storage unit 25 for the recognition target speech. And the recognition result is output (step ST10).
  • the third embodiment when the number of speech pieces of recognition target sentence candidates exceeds a predetermined value, a speech piece exceeding the predetermined value and a subsequent speech piece, or the speech piece. Is included as a recognition target sentence, and a sentence whose speech segment number does not exceed the defined value is set as a recognition target sentence.
  • An increase in the dictionary size of the speech recognition dictionary can be suppressed without being reduced as much as possible, and a speech recognition device suitable for construction with embedded software can be provided.
  • FIG. 10 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 4 of the present invention.
  • the speech recognition apparatus 1 ⁇ / b> C according to the fourth embodiment has basically the same configuration as FIG. 7 of the third embodiment, but instead of the speech recognition dictionary creation unit 24, A GM additional speech recognition dictionary creation unit 29 that creates a speech recognition dictionary using a recognition target sentence to which a garbage model (hereinafter abbreviated as GM as appropriate) is added, and a storage unit 30 that stores a garbage model. It is different.
  • GM garbage model
  • the GM additional speech recognition dictionary creation unit 29 is a means for creating a speech recognition dictionary by subsequently adding a garbage model to a censored recognition target sentence.
  • the garbage model stored in the storage unit 30 is a model configured to detect a speech section, and can be recognized even if an unknown utterance including unnecessary words and noise follows.
  • the recognition vocabulary can be recognized even if additional words are added before and after the utterance of the recognition vocabulary.
  • the continued portion of the recognition target sentence that was interrupted in the middle of the sentence is recognized, and a decrease in score (likelihood) obtained as a recognition result can be prevented. Since the configuration other than the GM additional speech recognition dictionary creation unit 29 and the storage unit 30 is the same as that of the third embodiment, the description thereof is omitted.
  • FIG. 11 is a flowchart showing a flow of operations performed by the speech recognition apparatus according to the fourth embodiment, and the processing steps surrounded by a broken line with a symbol A in FIG. 11 indicate processing by the dictionary creation processing unit 2.
  • the processing steps surrounded by a broken line with a symbol B indicate processing by the speech recognition processing unit 3.
  • the processing from step ST1 to step ST6 and step ST8b is the same as the contents shown in FIG.
  • the GM additional speech recognition dictionary creation unit 29 stores the data in the storage unit 28 by that time.
  • the garbage model read from the storage unit 30 is added to the end of the accumulated recognition target sentence that has been censored, and a speech recognition dictionary is created from the recognition target sentence to which the garbage model has been added (step ST7a).
  • the created voice recognition dictionary is stored in the storage unit 25.
  • step ST9 and step ST10 for referring to the voice recognition dictionary created as described above is the same as that in the first embodiment.
  • a speech recognition dictionary is created by subsequently adding a garbage model to a censored sentence to be recognized, the number of recognized vocabularies is not reduced as much as possible and Since it can be recognized, an increase in the dictionary size of the speech recognition dictionary is suppressed, and a decrease in score obtained as a recognition result can be prevented. As a result, it is possible to provide a speech recognition apparatus suitable for building with embedded software.
  • FIG. FIG. 12 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 5 of the present invention.
  • the speech recognition apparatus 1D according to the fifth embodiment has basically the same configuration as that of FIG.
  • the non-recognition candidate notification unit 31 is a unit that notifies the user of recognition target sentence candidates that are excluded from being recognized by the sentence selection unit 22. Since the configuration other than the non-recognition candidate notification unit 31 is the same as that of the first embodiment, description thereof is omitted.
  • FIG. 13 is a flowchart showing a flow of operations performed by the speech recognition apparatus according to the fifth embodiment, and the processing steps surrounded by a broken line with a symbol A in FIG. 13 indicate processing by the dictionary creation processing unit 2.
  • the processing steps surrounded by a broken line with a symbol B indicate processing in the speech recognition processing unit 3.
  • the processing from step ST1 to step ST8 is the same as that shown in FIG.
  • step ST8 when excluding recognition target sentence candidates whose number of speech exceeds the defined value, the sentence selection unit 22 notifies the recognition target non-recognition candidate notification unit 31 of the recognition target sentence candidates to be excluded.
  • the speech recognition dictionary creation unit 24 creates a speech recognition dictionary
  • the non-recognition candidate notification unit 31 notifies the user of the notified recognition target sentence candidate (step ST8-1). In this way, the user can recognize a sentence that is not a recognition target.
  • the non-recognition candidate notification unit 31 notifies the user that the vocabulary is not the recognition target.
  • a notification method as shown in FIG. 14, a method of notifying by a telop describing a headline of a vocabulary that is not a recognition target and that the vocabulary is not a recognition target is possible.
  • step ST6 or step ST8-1 the sentence selection unit 22 returns to step ST3 and increments the count value of the counter that counts the sentence number N by one, and the recognition target sentence candidate corresponding to the next sentence number In contrast, the processing from step ST4 to step ST8-1 is repeated.
  • step ST9 and step ST10 for referring to the voice recognition dictionary created as described above is the same as that in the first embodiment.
  • the non-recognition candidate notifying unit 31 for notifying a candidate that has not been selected as a recognition target sentence or a candidate for a censoring process is provided. It is possible to suppress an increase in the dictionary size of the speech recognition dictionary while allowing the user to understand the vocabulary to be used in advance, and to provide a speech recognition device that is convenient and suitable for building with embedded software. it can.
  • the non-recognition candidate notification unit 31 can be added to the configurations of the second to fourth embodiments.
  • the non-recognition candidate notification unit 31 notifies the user of the recognition target sentence candidate that has been excluded by the sentence selection unit 22a, or notifies the user of the recognition target sentence candidate that has been the target of termination by the sentence truncation unit 27.
  • This configuration also allows the user to understand in advance that text that is not to be recognized or whose recognition vocabulary is terminated in the middle of the creation of the speech recognition dictionary. Thereby, a user's convenience can be improved.
  • the speech recognition apparatus can suppress an increase in the size of the speech recognition dictionary composed of the recognition target sentence, and realizes the speech recognition apparatus with embedded software for a device such as a navigation system or a mobile phone.
  • the dictionary size within the usable capacity of the memory can be realized, it is suitable for use in a speech recognition apparatus that requires a large amount of memory.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)

Abstract

　認識対象文の候補の中から音声片数が所定値以下である文を認識対象文として選択する文選択部２２を備える。

Description

音声認識装置
　この発明は、音声認識装置に関するものである。
　従来の音声認識装置としては、新規語彙と既登録語彙との混同のしやすさを数値化し、この数値を評価して新規語彙を登録するか否かを判定するものがある（例えば、特許文献１参照）。また、特許文献２には、音声認識用の記憶装置を階層構造とし、包括範囲を次第に狭めることで次発話内容を予測しながら認識を行う音声認識装置が開示されている。
特開２００２－２９７１８１号公報 特開２００４－３２５７０４号公報
　従来の音声認識装置は、認識対象とする文のテキスト表記を用いて音声認識辞書を作成する。ここで、認識対象とする文数が多い場合や文が長い場合には、音声認識辞書サイズが大きくなる。例えば、ナビゲーションシステムや携帯電話等の機器に対する組み込みソフトウェアで音声認識装置を実現する場合、当該機器のメモリには制約が存在するため、音声認識辞書サイズがメモリの使用可能容量を超えると、音声認識装置が正常に動作しなくなるという課題があった。
　これに対し、特許文献１は、新規語彙と既登録語彙との混同のしやすさに関する評価値から新規語彙を登録するか否かを判定するものであるが、音声認識装置を組み込みソフトウェアで実現する場合が考慮されておらず、メモリの容量に制約がある場合が考慮されていないため、上記課題を解決することができない。
　また、特許文献２では、語彙の増加による認識性能の低下を考慮して音声認識辞書を作成するものであり、上記と同様にメモリの容量に制約がある場合を考慮していないため、上記課題を解決することができない。
　この発明は、上記のような課題を解決するためになされたもので、音声認識辞書の辞書サイズの増大を抑制することができる音声認識装置を得ることを目的とする。
　この発明に係る音声認識装置は、認識対象文の候補の中から音声片数が所定値以下である文を認識対象文として選択する文選択部を備えるものである。
　この発明によれば、認識対象文の候補の中から音声片数が所定値以下である文を認識対象文として選択するので、当該認識対象文から構成される音声認識辞書のサイズの増大を抑制することができ、ナビゲーションシステムや携帯電話等の機器に対する組み込みソフトウェアで音声認識装置を実現する場合であっても、メモリの使用可能容量以内の辞書サイズを実現できるという効果がある。
この発明の実施の形態１による音声認識装置の構成を示すブロック図である。 実施の形態１の音声認識装置による動作の流れを示すフローチャートである。 認識対象文候補の除外処理を説明するための図である。 この発明の実施の形態２による音声認識装置の構成を示すブロック図である。 実施の形態２の音声認識装置による動作の流れを示すフローチャートである。 実施の形態２の辞書作成処理部による処理を説明するための図である。 この発明の実施の形態３による音声認識装置の構成を示すブロック図である。 実施の形態３の音声認識装置による動作の流れを示すフローチャートである。 認識対象文候補の文打ち切り処理を説明するための図である。 この発明の実施の形態４による音声認識装置の構成を示すブロック図である。 実施の形態４の音声認識装置による動作の流れを示すフローチャートである。 この発明の実施の形態５による音声認識装置の構成を示すブロック図である。 実施の形態５の音声認識装置による動作の流れを示すフローチャートである。 除外する語彙の通知例を示す図である。
　以下、この発明をより詳細に説明する為に、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、この発明の実施の形態１による音声認識装置の構成を示すブロック図である。図１において、実施の形態１による音声認識装置１は、辞書作成処理部２及び音声認識処理部３を備える。辞書作成処理部２は、予め定めた音声片数以下の文だけで構成した音声認識辞書を作成する手段であり、認識対象文候補の記憶部２１、文選択部２２、認識対象文の記憶部２３、音声認識辞書作成部２４及び音声認識辞書の記憶部２５を備える。
　記憶部２１に格納される認識対象文候補は、音声認識装置１で認識させるべきテキストの候補と当該テキストの発音内容を示す音声片との組から構成される。ここで、認識対象文とは、音声片が予め定めた数以下の文をいう。また、音声片とは、音素や音節等の短い音声単位である。この音声片数が多い程、音声認識辞書のサイズが増加する。そこで、実施の形態１による音声認識装置１では、予め定めた音声片数以下の文のみで音声認識辞書を作成し、辞書サイズの増大を防いでいる。
　文選択部２２は、音声片である音素を基準とし、認識対象文候補の中から、１つの認識対象文に対して予め設定した音素数の定義値を超える認識対象文候補を除外して、上記定義値以内の音素数の認識対象文を選択する手段である。音声認識辞書作成部２４は、記憶部２３から読み出した認識対象文を用いて音声認識辞書を作成する手段である。
　音声認識処理部３は、音声認識辞書の記憶部２５及び音声認識部２６を備える。音声認識部２６は、記憶部２５に格納される音声認識辞書を参照して、ユーザが発話した認識対象の音声（以下、認識対象音声と呼ぶ）について音声認識処理を実行し、認識結果を得る手段である。
　なお、文選択部２２、音声認識辞書作成部２４及び音声認識部２６は、この発明の趣旨に従う辞書作成・音声認識用プログラムをコンピュータに読み込ませ、そのＣＰＵに実行させることで、ハードウエアとソフトウエアが協働した具体的な手段として当該コンピュータ上で実現することができる。また、認識対象文候補の記憶部２１、認識対象文の記憶部２３及び音声認識辞書の記憶部２５は、上記コンピュータが備える記憶装置（例えば、ハードディスク装置や外部記憶メディアなど）の記憶領域上に構築することができる。
　次に動作について説明する。
　図２は、実施の形態１の音声認識装置による動作の流れを示すフローチャートであり、図２中に記号Ａを付した破線で囲まれる処理ステップは、辞書作成処理部２による処理を示しており、記号Ｂを付した破線で囲まれる処理ステップは、音声認識処理部３による処理を示している。
　先ず、文選択部２２は、音声認識辞書を作成するための認識対象文候補を記憶部２１から読み出して用意する（ステップＳＴ１）。次に、文選択部２２は、各認識対象文候補に対して処理順に付した通し番号である文番号Ｎをカウントするカウンタ（図１において不図示）のカウント値を０（Ｎ＝０）に初期化する（ステップＳＴ２）。
　文選択部２２は、上記カウンタのカウント値を１インクリメントして（ステップＳＴ３）、文番号Ｎが記憶部２１から読み出した認識対象文候補数以内の数であるか否かを判定する（ステップＳＴ４）。ここで、文番号Ｎが認識対象文候補数以内の数であると（ステップＳＴ４；Ｙｅｓ）、文選択部２２は、現在の文番号Ｎに対応する認識対象文候補の音声片の数が定義値以内に収まっているか否かを判定する（ステップＳＴ５）。文番号Ｎに対応する認識対象文候補の音声片の数が定義値以内に収まっていれば（ステップＳＴ５；Ｙｅｓ）、文選択部２２は、当該文書番号Ｎの認識対象文候補を認識対象文として記憶部２３に格納する（ステップＳＴ６）。
　一方、文番号Ｎに対応する認識対象文候補の音声片の数が定義値以内に収まっていない場合（ステップＳＴ５；Ｎｏ）、文選択部２２は、当該文番号Ｎの文を認識対象文候補から除外する（ステップＳＴ８）。ステップＳＴ６若しくはステップＳＴ８の処理が完了すると、文選択部２２は、ステップＳＴ３に戻って文番号Ｎをカウントするカウンタのカウント値を１インクリメントし、次の文番号に対応する認識対象文候補に対して、ステップＳＴ４からステップＳＴ８までの処理を繰り返す。
　ここで、ステップＳＴ８における除外処理について説明する。
　図３は、認識対象文候補の除外処理を説明するための図であり、音声片として音素を基準とし、音素数が２０を超える文を認識対象文候補から除外する場合を示している。図３に示すように、文番号Ｎ＝１である「かながわけん　かまくらし」という認識対象文候補は、音素列が「ｋａｎａｇａｗａｋｅＮ　ｋａｍａｋｕｒａｓｉ」（２１音素）となり、２０音素を超えているので除外する。同様に、文番号Ｎ＝６，８の文の音素数が２０を超えるために除外され、文番号Ｎ＝２～５，７の文が認識対象文として記憶部２３に格納される。
　認識対象文を構成する音素はそれぞれが音響モデルに対応しているため、音声認識辞書のサイズに大きく影響を与える。そこで、この実施の形態１では、音素数が定義値を超える候補文を除外することにより、辞書サイズの増加を防止することができる。なお、図３の例では、文を構成する音素を１つずつ数えて音素数を求めたが、モーラ数を利用して音素数を計算するようにしてもよい。
　図２の説明に戻ると、文番号Ｎが認識対象文候補数を超える数（文番号Ｎ＞認識対象文候補数）になると（ステップＳＴ４；Ｎｏ）、音声認識辞書作成部２４は、それまで記憶部２３に蓄積された認識対象文から音声認識辞書を作成する（ステップＳＴ７）。作成された音声認識辞書は、記憶部２５に格納される。
　音声認識処理部３の音声認識部２６は、ユーザが発話した認識対象音声を入力し（ステップＳＴ９）、当該認識対象音声について、記憶部２５に格納された音声認識辞書を参照して音声認識処理を行い、認識結果を出力する（ステップＳＴ１０）。
　以上のように、この実施の形態１によれば、認識対象文の候補の中から音声片数が所定値以下である文を認識対象文として選択する文選択部２２を備えたので、音声認識辞書の辞書サイズの増大を抑制することができ、ナビゲーションシステムや携帯電話等の機器に対する組み込みソフトウェアで音声認識装置を実現する場合であっても、メモリの使用可能容量以内の辞書サイズを実現可能である。これにより、組み込みソフトウェアで構築する場合に好適な音声認識装置を提供することができる。
実施の形態２．
　図４は、この発明の実施の形態２による音声認識装置の構成を示すブロック図である。図４において、実施の形態２による音声認識装置１Ａは、上記実施の形態１の図１と基本的に同様な構成を有するが、個々の認識対象文候補の音声片数による文選択部２２の代わりに、全ての認識対象文候補の総音声片数による文選択部２２ａを備える点で異なる。
　文選択部２２ａは、全ての認識対象文候補の音声片数の合計が定義値以内となるように認識対象文を選択して記憶部２３に格納する。なお、音声認識処理部３及び辞書作成処理部２の文選択部２２ａ以外の構成については、上記実施の形態１と同様であるので説明を省略する。
　次に動作について説明する。
　図５は、実施の形態２の音声認識装置による動作の流れを示すフローチャートであり、図５中に記号Ａを付した破線で囲まれる処理ステップは、辞書作成処理部２による処理を示しており、記号Ｂを付した破線で囲まれる処理ステップは、音声認識処理部３による処理を示している。
　先ず、文選択部２２ａは、音声認識辞書を作成するための認識対象文候補を記憶部２１から読み出して用意する（ステップＳＴ１）。次に、文選択部２２ａは、各認識対象文候補を音声片数が小さい順にソートする（ステップＳＴ１－１）。続いて、文選択部２２ａは、各認識対象文候補に対して処理順に付した通し番号である文番号Ｎをカウントするカウンタ（図４において不図示）のカウント値を０（Ｎ＝０）に初期化し、全ての認識対象文候補の総音声片数をカウントするカウンタ（図４において不図示）のカウント値を０に初期化する（ステップＳＴ２ａ）。
　文選択部２２ａは、文番号Ｎをカウントするカウンタのカウント値を１インクリメントして（ステップＳＴ３）、文番号Ｎが記憶部２１から読み出した認識対象文候補数以内の数であるか否かを判定する（ステップＳＴ４）。ここで、文番号Ｎが認識対象文候補数以内の数であると（ステップＳＴ４；Ｙｅｓ）、文選択部２２ａは、総音声片数をカウントするカウンタのカウント値に当該文番号Ｎの文の音声片数を加算する（ステップＳＴ４－１）。
　次に、文選択部２２ａは、上記カウンタのカウント値で示される総音声片数が定義値以内に収まっているか否かを判定する（ステップＳＴ５ａ）。総音声片数が定義値以内に収まっていれば（ステップＳＴ５ａ；Ｙｅｓ）、文選択部２２ａは、当該文書番号Ｎの認識対象文候補を認識対象文として記憶部２３に格納する（ステップＳＴ６）。
　文番号Ｎが記憶部２１から読み出した認識対象文候補数を超える場合（ステップＳＴ４；Ｎｏ）、音声認識辞書作成部２４が、記憶部２３に格納されている認識対象文から音声認識辞書を作成して記憶部２５に格納する（ステップＳＴ７）。また、総音声片数が定義値を超えると（ステップＳＴ５ａ；Ｎｏ）、文選択部２２ａが記憶部２３への認識対象文の蓄積を中止し、音声認識辞書作成部２４が、その時点までに記憶部２３に格納されている認識対象文から音声認識辞書を作成して記憶部２５に格納する（ステップＳＴ８ａ）。
　文選択部２２ａは、ステップＳＴ６で認識対象文を選択すると、ステップＳＴ３に戻って文番号Ｎをカウントするカウンタのカウント値を１インクリメントし、次の文番号に対応する認識対象文候補に対して、ステップＳＴ４からステップＳＴ８ａまでの処理を繰り返す。
　上述のようにして作成された音声認識辞書を参照する音声認識処理（ステップＳＴ９及びステップＳＴ１０）については、上記実施の形態１と同様である。
　図６は、実施の形態２の辞書作成処理部による処理を説明するための図であり、音声片として音素を基準とし、総音素数が１００までの認識対象文候補を認識対象文として選択できる場合を示している。図６に示す例では、文選択部２２ａが、音素数の少ない文から順に選択し、全文の総音素数が１００を超えた時点で選択を中止する。つまり、文番号Ｎ＝１から文番号Ｎ＝６までの総音素数が合計９４音素であり、次の文番号Ｎ＝７の文の音素数を加えると１００音素より多くなる。従って、文番号Ｎ＝６の「かながわけん　かまくらし」までが認識対象文として選択される。
　この実施の形態２では、認識対象文となる複数の文が、当該複数の文の音声片数の合計が定義値以下となるように選択される。認識対象文の総音声片数が多い程、音声認識辞書サイズが増加するため、予め定めた総音声片数以下の音声認識辞書を作成すれば、音声認識辞書サイズの増大を防ぐことができる。総音声片による文選択部２２ａでは、音声片として音素を用いて認識対象文候補の音素数を加算していき、途中までの合計値（総音声片数）が定義された値を超過した場合にその文以降の文を除外して認識対象文を得る。
　なお、上記実施の形態２において、ステップＳＴ５ａで認識対象文候補の総音声片数が定義値を超える場合、ステップＳＴ１０で実行した音声認識処理の結果に応じて、文選択部２２ａが除外すべき認識対象文候補を選択するようにしてもよい。
　例えば、音声片数が多い文を再び認識対象文候補に戻し、次回の選択処理で認識対象文として音声認識辞書の作成に利用する。これにより作成された音声認識辞書を参照する音声認識結果が良好である場合、その旨をユーザに提示するようにして除外すべきか否かを判断させる。
　また、認識対象文候補の総音声片数が定義値を超える場合、実施の形態３で後述する文の打ち切りを実行して総音声片数を調整するようにしてもよい。この場合、文選択部２２ａが、打ち切り対象となる文の選択用のＧＵＩ（Graphical User Interface）を提供し、これに応じてユーザが打ち切り対象の文を選択するようにしてもよい。
　以上のように、この実施の形態２によれば、総音声片数が定義値を超えた場合、及び、文番号Ｎ＞認識対象文候補数となる場合に、その時点まで記憶部２３に蓄積された認識対象文から音声認識辞書を生成する。このように構成することにより、音声認識辞書の辞書サイズの増大を抑制することができ、組み込みソフトウェアで構築する場合に好適な音声認識装置を提供することができる。
実施の形態３．
　図７は、この発明の実施の形態３による音声認識装置の構成を示すブロック図である。図７において、実施の形態３による音声認識装置１Ｂは、上記実施の形態１の図１と基本的に同様な構成を有するが、個々の認識対象文候補の音声片数による文選択部２２の代わりに、認識対象文候補の音声片数による文打ち切り部２７を備え、認識対象文の記憶部２３の代わりに、打ち切り済の認識対象文を記憶する記憶部２８を備える点で異なる。
　文打ち切り部２７は、認識対象文候補の音声片数が定義値を超える場合、当該文を、定義値を超える部分の音声片を含む音節の１つ前で打ち切ったテキストとする手段である。音声片数が多い文やテキストは音声認識辞書サイズの増大に繋がるが、この実施の形態３では、そのようなテキストであっても、音声片数が定義値を超えない部分までは認識可能とする。
　記憶部２８は、文打ち切り部２７によって打ち切り処理がなされた認識対象文を格納する記憶部である。なお、文打ち切り部２７及び記憶部２８以外の構成については、上記実施の形態１と同様であるので説明を省略する。
　次に動作について説明する。
　図８は、実施の形態３の音声認識装置による動作の流れを示すフローチャートであり、図８中に記号Ａを付した破線で囲まれる処理ステップは、辞書作成処理部２による処理を示しており、記号Ｂを付した破線で囲まれる処理ステップは、音声認識処理部３による処理を示している。図８において、ステップＳＴ１からステップＳＴ７までの処理は、上記実施の形態１の図２で示した内容と同様であるので説明を省略する。
　文番号Ｎに対応する認識対象文候補の音声片の数が定義値以内に収まっていない場合（ステップＳＴ５；Ｎｏ）、文打ち切り部２７は、当該認識対象文候補の上記定義値を超える音節以降を打ち切った文を文番号Ｎの認識対象文として記憶部２８に記憶する（ステップＳＴ８ｂ）。
　ステップＳＴ６若しくはステップＳＴ８ｂの処理が完了すると、文打ち切り部２７は、ステップＳＴ３に戻って文番号Ｎをカウントするカウンタのカウント値を１インクリメントし、次の文番号に対応する認識対象文候補に対して、ステップＳＴ４からステップＳＴ８ｂまでの処理を繰り返す。
　ここで、ステップＳＴ８ｂにおける文打ち切り処理について説明する。
　図９は、認識対象文候補の文打ち切り処理を説明するための図であり、音声片として音素を基準とし、音素数が２０を超える音節以降を認識対象文候補から除外する場合を示している。図９の上段に示す例では、文番号Ｎ＝１，６，８の各認識対象文候補が打ち切り対象となる。この場合、図９の下段に示すように、文打ち切り部２７が、２０音素を超える音節以降を除外する。
　例えば、文番号Ｎ＝１である「かながわけん　かまくらし」という認識対象文候補は、音素列が「ｋａｎａｇａｗａｋｅＮ　ｋａｍａｋｕｒａｓｉ」（２１音素）となり、２０音素を超えている。そこで、２０音素を超える音節「ｓｉ」及びそれ以降を除外対象として、「ｋａｎａｇａｗａｋｅＮ　ｋａｍａｋｕｒａ」（１９音素）を認識対象文とする。つまり、２０音素目を超える音素「ｉ」を含む音節「ｓｉ」の前までのテキストとして打ち切る。文番号６，８についても同様の処理を行い、文打ち切り後は、音素数が２０以下の認識対象文候補のみが打ち切り済の認識対象文として得られる。
　なお、音節単位ではなく、音素単位で打ち切りを行っても構わない。例えば、「ｋａｎａｇａｗａｋｅＮ　ｋａｍａｋｕｒａｓｉ」の例では、２０音素を超える音素が打ち切り対象となり、「ｋａｎａｇａｗａｋｅＮ　ｋａｍａｋｕｒａｓ」（２０音素）が認識対象文となる。つまり、２０音素目を超える音素「ｉ」の前までのテキストとして打ち切る。
　図８の説明に戻ると、文番号Ｎが認識対象文候補数を超える数（文番号Ｎ＞認識対象文候補数）になると（ステップＳＴ４；Ｎｏ）、音声認識辞書作成部２４は、その時点までに記憶部２８に蓄積された打ち切り済みの認識対象文から音声認識辞書を作成する（ステップＳＴ７）。作成された音声認識辞書は、記憶部２５に格納される。
　音声認識処理部３の音声認識部２６は、ユーザが発話した認識対象音声を入力し（ステップＳＴ９）、当該認識対象音声について、記憶部２５に格納された音声認識辞書を参照して音声認識処理を行い、認識結果を出力する（ステップＳＴ１０）。
　以上のように、この実施の形態３によれば、認識対象文の候補の音声片数が所定値を超える場合、当該所定値を超えた音声片及びそれ以降の音声片、若しくは、当該音声片を含む音節及びそれ以降の音節を打ち切って除外した文を認識対象文とする文打ち切り部２７を備えたので、音声片数が定義値を超えない部分まで認識対象文とされ、認識語彙数をできるだけ減らさずに、音声認識辞書の辞書サイズの増大を抑制することができ、組み込みソフトウェアで構築する場合に好適な音声認識装置を提供することができる。
実施の形態４．
　図１０は、この発明の実施の形態４による音声認識装置の構成を示すブロック図である。図１０において、実施の形態４による音声認識装置１Ｃは、上記実施の形態３の図７と基本的に同様な構成を有するが、音声認識辞書作成部２４の代わりに、打ち切り済みの文に対してガーベジモデル（以下、ＧＭと適宜略す）を後続追加した認識対象文を用いて音声認識辞書を作成するＧＭ付加音声認識辞書作成部２９を備え、さらにガーベジモデルを格納する記憶部３０を備える点で異なる。
　ＧＭ付加音声認識辞書作成部２９は、打ち切り済の認識対象文にガーベジモデルを後続追加して音声認識辞書を作成する手段である。記憶部３０に格納したガーベジモデルは、音声区間を検知するように構成されたモデルであり、不要語や雑音を含む未知発話が後続しても認識できる。
　そこで、音声認識辞書の認識語彙の前後にガーベジモデルを付与することで、当該認識語彙の発話の前後に付帯語が付与されても当該認識語彙を認識できる。これにより、文の途中で打ち切った認識対象文の打ち切られた続きの部分が認識され、認識結果として得られるスコア（尤度）の低下を防止することができる。なお、ＧＭ付加音声認識辞書作成部２９及び記憶部３０以外の構成については、上記実施の形態３と同様であるので説明を省略する。
　次に動作について説明する。
　図１１は、実施の形態４の音声認識装置による動作の流れを示すフローチャートであり、図１１中に記号Ａを付した破線で囲まれる処理ステップは、辞書作成処理部２による処理を示しており、記号Ｂを付した破線で囲まれる処理ステップは、音声認識処理部３による処理を示している。図１１において、ステップＳＴ１からステップＳＴ６まで、及びステップＳＴ８ｂの処理は、上記実施の形態３の図８で示した内容と同様であるので説明を省略する。
　文番号Ｎが認識対象文候補数を超える数（文番号Ｎ＞認識対象文候補数）になると（ステップＳＴ４；Ｎｏ）、ＧＭ付加音声認識辞書作成部２９は、その時点までに記憶部２８に蓄積された打ち切り済みの認識対象文の末尾に、記憶部３０から読み出したガーベジモデルを付与し、ガーベジモデルを付与した認識対象文から音声認識辞書を作成する（ステップＳＴ７ａ）。作成された音声認識辞書は、記憶部２５に格納される。
　上述のようにして作成された音声認識辞書を参照する音声認識処理（ステップＳＴ９及びステップＳＴ１０）については、上記実施の形態１と同様である。
　上記実施の形態３で示した図９の例で説明すると、文番号Ｎ＝１，６，８の認識対象文が打ち切り済みであった場合、文打ち切り部２７が、これら認識対象文に対して打ち切り済みである旨を示すフラグを設定する。ＧＭ付加音声認識辞書作成部２９は、当該フラグの値を参照して打ち切り済みであることを特定すると、文番号Ｎ＝１，６，８の認識対象文についてガーベジモデルを後続させ、これら認識対象文を用いて音声認識辞書を作成する。
　以上のように、この実施の形態４によれば、打ち切り済みの認識対象文にガーベジモデルを後続付加して音声認識辞書を作成するので、認識語彙数をできるだけ減らさず、かつ打ち切られた語彙であっても認識できることから、音声認識辞書の辞書サイズの増大が抑制され、かつ認識結果として得られるスコアの低下を防止することができる。これにより、組み込みソフトウェアで構築する場合に好適な音声認識装置を提供することができる。
実施の形態５．
　図１２は、この発明の実施の形態５による音声認識装置の構成を示すブロック図である。図１２において、実施の形態５による音声認識装置１Ｄは、上記実施の形態１の図１と基本的に同様な構成を有するが、認識対象外候補通知部３１を備える点で異なる。認識対象外候補通知部３１は、文選択部２２により認識対象外として除外される認識対象文候補をユーザに通知する手段である。なお、認識対象外候補通知部３１以外の構成は、上記実施の形態１と同様であるので説明を省略する。
　次に動作について説明する。
　図１３は、実施の形態５の音声認識装置による動作の流れを示すフローチャートであり、図１３中に記号Ａを付した破線で囲まれる処理ステップは、辞書作成処理部２による処理を示しており、記号Ｂを付した破線で囲まれる処理ステップは、音声認識処理部３での処理を示している。図１３において、ステップＳＴ１からステップＳＴ８までの処理は、上記実施の形態１の図２で示した内容と同様であるので説明を省略する。
　ステップＳＴ８で音声片数が定義値を超える認識対象文候補を除外するにあたり、文選択部２２は、除外する認識対象文候補を認識対象外候補通知部３１に通知する。認識対象外候補通知部３１は、音声認識辞書作成部２４によって音声認識辞書が作成されるとき、上記通知された認識対象文候補をユーザに通知する（ステップＳＴ８－１）。このようにすることで、ユーザが認識対象外の文を認識することができる。
　例えば、上記実施の形態１で示した図３のように、音声片として音素を用いて２０音素以下の文のみを認識対象とする場合、「かながわけん　かまくらし」という認識対象文候補では、音素が「ｋａｎａｇａｗａｋｅＮ　ｋａｍａｋｕｒａｓｉ」（２１音素）となり２０音素を超えているので除外対象となる。このとき、認識対象外候補通知部３１が、当該語彙が認識対象外であることをユーザに通知する。通知方法としては、図１４に示すように、認識対象外となる語彙の見出しと、その語彙が認識対象外である旨を記載したテロップで通知する方法が可能である。
　図１３の説明に戻る。ステップＳＴ６若しくはステップＳＴ８－１の処理が完了すると、文選択部２２は、ステップＳＴ３に戻って文番号Ｎをカウントするカウンタのカウント値を１インクリメントし、次の文番号に対応する認識対象文候補に対して、ステップＳＴ４からステップＳＴ８－１までの処理を繰り返す。
　上述のようにして作成された音声認識辞書を参照する音声認識処理（ステップＳＴ９及びステップＳＴ１０）については、上記実施の形態１と同様である。
　以上のように、この実施の形態５によれば、認識対象文として選択されなかった候補又は打ち切り処理の対象となった候補を通知する認識対象外候補通知部３１を備えたので、認識対象外となる語彙をユーザに事前に理解させながら、音声認識辞書の辞書サイズの増大を抑制することができ、利便性がよく、かつ組み込みソフトウェアで構築する場合に好適な音声認識装置を提供することができる。
　また、上記実施の形態５による認識対象外候補通知部３１は、上記実施の形態２～４の構成にも追加することができる。この場合、認識対象外候補通知部３１は、文選択部２２ａによって除外対象となった認識対象文候補をユーザに通知したり、文打ち切り部２７によって打ち切り対象となった認識対象文候補をユーザに通知する。このように構成することでも、音声認識辞書の作成にあたり、認識対象外若しくは認識語彙が途中で打ち切られるテキストであることをユーザに事前に理解させられる。これにより、ユーザの利便性を向上させることができる。
産業上利用可能性
　この発明に係る音声認識装置は、当該認識対象文から構成される音声認識辞書のサイズの増大を抑制することができ、ナビゲーションシステムや携帯電話等の機器に対する組み込みソフトウェアで音声認識装置を実現する場合であっても、メモリの使用可能容量以内の辞書サイズを実現できるため、メモリに多くの容量を必要とする音声認識装置等に用いるのに適している。

Claims (7)

  1. 　認識対象文から音声認識辞書を作成する音声認識辞書作成部と、前記音声認識辞書を参照して認識対象の音声を音声認識する音声認識部とを備えた音声認識装置において、
    　前記認識対象文の候補の中から音声片数が所定値以下である文を前記認識対象文として選択する文選択部を備えたことを特徴とする音声認識装置。
  2. 　認識対象文から音声認識辞書を作成する音声認識辞書作成部と、前記音声認識辞書を参照して認識対象の音声を音声認識する音声認識部とを備えた音声認識装置において、
    　前記認識対象文の候補の音声片数を合計した総音声片数が所定値以下となるように文を選択して前記認識対象文とする文選択部を備えたことを特徴とする音声認識装置。
  3. 　認識対象文から音声認識辞書を作成する音声認識辞書作成部と、前記音声認識辞書を参照して認識対象の音声を音声認識する音声認識部とを備えた音声認識装置において、
    　前記認識対象文の候補の音声片数が所定値を超える場合、当該所定値を超える音声片及びそれ以降の音声片、若しくは、当該音声片を含む音節及びそれ以降の音節を打ち切って除外した文を前記認識対象文とする文打ち切り部を備えたことを特徴とする音声認識装置。
  4. 　音声認識辞書作成部は、文打ち切り部により打ち切り処理が施された認識対象文の末尾にガーベジモデルを付与し、当該ガーベジモデルを付与した前記認識対象文から音声認識辞書を作成することを特徴とする請求項３記載の音声認識装置。
  5. 　認識対象文として選択されなかった候補又は打ち切り処理の対象となった候補を通知する通知部を備えたことを特徴とする請求項１記載の音声認識装置。
  6. 　認識対象文として選択されなかった候補又は打ち切り処理の対象となった候補を通知する通知部を備えたことを特徴とする請求項２記載の音声認識装置。
  7. 　認識対象文として選択されなかった候補又は打ち切り処理の対象となった候補を通知する通知部を備えたことを特徴とする請求項３記載の音声認識装置。
PCT/JP2009/005487 2009-01-30 2009-10-20 音声認識装置 WO2010086927A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN2009801503310A CN102246226B (zh) 2009-01-30 2009-10-20 声音识别装置
US13/123,552 US8200478B2 (en) 2009-01-30 2009-10-20 Voice recognition device which recognizes contents of speech
DE112009003930.8T DE112009003930B4 (de) 2009-01-30 2009-10-20 Spracherkennungsvorrichtung
JP2010546175A JP4772164B2 (ja) 2009-01-30 2009-10-20 音声認識装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009019702 2009-01-30
JP2009-019702 2009-01-30

Publications (1)

Publication Number Publication Date
WO2010086927A1 true WO2010086927A1 (ja) 2010-08-05

Family

ID=42395197

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/005487 WO2010086927A1 (ja) 2009-01-30 2009-10-20 音声認識装置

Country Status (5)

Country Link
US (1) US8200478B2 (ja)
JP (1) JP4772164B2 (ja)
CN (1) CN102246226B (ja)
DE (1) DE112009003930B4 (ja)
WO (1) WO2010086927A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112010005226T5 (de) 2010-02-05 2012-11-08 Mitsubishi Electric Corporation Erkennungswörterbuch-Erzeugungsvorrichtung und Spracherkennungsvorrichtung
CN102770910B (zh) * 2010-03-30 2015-10-21 三菱电机株式会社 声音识别装置
KR102245747B1 (ko) 2014-11-20 2021-04-28 삼성전자주식회사 사용자 명령어 등록을 위한 디스플레이 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003337595A (ja) * 2002-05-22 2003-11-28 Takeaki Kamiyama 音声認識装置及び辞書生成装置及び音声認識システム及び音声認識方法及び辞書生成方法及び音声認識プログラム及び辞書生成プログラム及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体及び辞書生成プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2004252167A (ja) * 2003-02-20 2004-09-09 Nippon Telegr & Teleph Corp <Ntt> 音素モデル学習用文リスト生成方法、生成装置、および生成プログラム

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4718094A (en) * 1984-11-19 1988-01-05 International Business Machines Corp. Speech recognition system
US5033087A (en) * 1989-03-14 1991-07-16 International Business Machines Corp. Method and apparatus for the automatic determination of phonological rules as for a continuous speech recognition system
DE19501599C1 (de) * 1995-01-20 1996-05-02 Daimler Benz Ag Verfahren zur Spracherkennung
DE19508137A1 (de) * 1995-03-08 1996-09-12 Zuehlke Werner Prof Dr Ing Hab Verfahren zur schrittweisen Klassifikation arhythmisch segmentierter Worte
JP3790038B2 (ja) 1998-03-31 2006-06-28 株式会社東芝 サブワード型不特定話者音声認識装置
JP3700533B2 (ja) 2000-04-19 2005-09-28 株式会社デンソー 音声認識装置及び処理システム
GB2370401A (en) * 2000-12-19 2002-06-26 Nokia Mobile Phones Ltd Speech recognition
JP2002207181A (ja) 2001-01-09 2002-07-26 Minolta Co Ltd 光スイッチ
JP2002297181A (ja) 2001-03-30 2002-10-11 Kddi Corp 音声認識語彙登録判定方法及び音声認識装置
JP4727852B2 (ja) 2001-06-29 2011-07-20 クラリオン株式会社 ナビゲーション装置及び方法並びにナビゲーション用ソフトウェア
CN1628338A (zh) * 2002-04-29 2005-06-15 阿德诺塔有限公司 处理语音信息的方法和装置
JP2004325704A (ja) 2003-04-24 2004-11-18 Nissan Motor Co Ltd 音声認識装置
JP2005010691A (ja) * 2003-06-20 2005-01-13 P To Pa:Kk 音声認識装置、音声認識方法、会話制御装置、会話制御方法及びこれらのためのプログラム
JP2006178013A (ja) 2004-12-20 2006-07-06 Canon Inc データベース作成装置及び方法
JP5233989B2 (ja) * 2007-03-14 2013-07-10 日本電気株式会社 音声認識システム、音声認識方法、および音声認識処理プログラム
JP5046902B2 (ja) 2007-12-13 2012-10-10 三菱電機株式会社 音声検索装置
US8160866B2 (en) * 2008-04-18 2012-04-17 Tze Fen Li Speech recognition method for both english and chinese
JP2010097239A (ja) * 2008-10-14 2010-04-30 Nec Corp 辞書作成装置、辞書作成方法、および辞書作成プログラム
WO2010050414A1 (ja) * 2008-10-31 2010-05-06 日本電気株式会社 モデル適応装置、その方法及びそのプログラム
US8155961B2 (en) * 2008-12-09 2012-04-10 Nokia Corporation Adaptation of automatic speech recognition acoustic models

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003337595A (ja) * 2002-05-22 2003-11-28 Takeaki Kamiyama 音声認識装置及び辞書生成装置及び音声認識システム及び音声認識方法及び辞書生成方法及び音声認識プログラム及び辞書生成プログラム及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体及び辞書生成プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2004252167A (ja) * 2003-02-20 2004-09-09 Nippon Telegr & Teleph Corp <Ntt> 音素モデル学習用文リスト生成方法、生成装置、および生成プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YOSHIAKI ITO: "Partial Sentence Recognition by Sentence Spotting", IEICE TECHNICAL REPORT, vol. 93, no. 88, 18 June 1993 (1993-06-18), pages 65 - 72 *

Also Published As

Publication number Publication date
JPWO2010086927A1 (ja) 2012-07-26
CN102246226A (zh) 2011-11-16
JP4772164B2 (ja) 2011-09-14
DE112009003930T5 (de) 2012-09-27
DE112009003930B4 (de) 2016-12-22
US20110196672A1 (en) 2011-08-11
CN102246226B (zh) 2013-11-13
US8200478B2 (en) 2012-06-12

Similar Documents

Publication Publication Date Title
JP7234415B2 (ja) 音声認識のためのコンテキストバイアス
US11398236B2 (en) Intent-specific automatic speech recognition result generation
JP6435312B2 (ja) 並列認識タスクを用いた音声認識
US9697827B1 (en) Error reduction in speech processing
US10037758B2 (en) Device and method for understanding user intent
CN108052498B (zh) 纠正转录的文字中的字词的方法和系统
US9292487B1 (en) Discriminative language model pruning
JP5066483B2 (ja) 言語理解装置
US11024298B2 (en) Methods and apparatus for speech recognition using a garbage model
CN1320902A (zh) 语音识别装置、语音识别方法和记录介质
CN106875936B (zh) 语音识别方法及装置
JP2011033680A (ja) 音声処理装置及び方法、並びにプログラム
JPWO2011121649A1 (ja) 音声認識装置
JP4634156B2 (ja) 音声対話方法および音声対話装置
JP5183120B2 (ja) 平方根ディスカウンティングを使用した統計的言語による音声認識
JP2010078877A (ja) 音声認識装置、音声認識方法及び音声認識プログラム
JP4772164B2 (ja) 音声認識装置
JP5480844B2 (ja) 単語追加装置、単語追加方法及びそのプログラム
JP6274015B2 (ja) 音響モデル調整装置及びプログラム
Pelemans et al. A layered approach for dutch large vocabulary continuous speech recognition
CN114974249A (zh) 一种语音识别方法、装置及存储介质
JP2009098201A (ja) 音声認識装置及び音声認識方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980150331.0

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09839119

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2010546175

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 13123552

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 1120090039308

Country of ref document: DE

Ref document number: 112009003930

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09839119

Country of ref document: EP

Kind code of ref document: A1