JPH02195400A - 音声認識装置 - 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に関し、特に不特定話者を対象と
し、音韻表記の単語辞書を参照して音声認識を行う音声
認識装置に関するものである。

［従来の技術］ 近年、音声認識装置においては、音韻や音節を単位とし
た手法が研究されている。これは以下のような理由によ
る。

六語常を対象とした音声認識装置では、各単語単位で標
準パターンを持つには大容量のメモリを必要とする。ま
た、対象単語の登録作業が必要となるために登録作業に
労力を要し、新たに単語を追加するのが困難である。こ
れに対し、音韻などを認識の基本単位とする方法では、
ローマ字やかな書きで単語を辞書に登録できるので、先
に挙げた問題を排除することができる。

しかしながら、音韻の認識は、発話ごとの音韻のスペク
トルの変動、調音結合、破裂音等の識別が困難な音韻の
存在などの問題があり、そう容易なことではない。さら
に、不特定話者を対象とした場合には、個人差の影響も
あり、さらに困難なものとなる。

これらの問題に対処するために、これまでに、以下のよ
うな手法が検討されてきた。

（１）母音の学習 （２）統計的判別法 （３）ヒドン・マルコフ・モデル （４）マルチ・テンプレート法 ［発明が解決しようとしている課題］ しかしながら、日本語の各音韻は音韻群ごとにその音韻
性の表われ方が異なり、−律の手法では認識が困難であ
った。

例えば、母音ではフォルマントの相対的な位置が特徴と
なるが、半母音・破裂音などではスペクトルの時間的な
遷移が特徴となっている。また、半母音と破裂音のそれ
ぞれで、スペクトル遷移が特徴であると言っても、半母
音では比較的ゆるやかにスペクトルが遷移するが、破裂
音では短時間で急激にスペクトルが遷移する、といった
違いが見られる。

これら特徴の異なる音韻の認識に関し、従来例では先に
述べたような手法の一つを用い、すべての音韻を一律に
認識しているために、高い認識率が得られない、という
欠点があった０例えば上記（２）に属する手法として、
「連続音声の認識を目的としたセグメント特徴の検出」
　（小坂他、日本音響学会音声研究会資料５８５−５３
．１９８５−１２）があるが、この手法ではスペクトル
の時間変化に対応しているために、破裂音などの認識率
は高いが、反面スペクトル時間変化の時間方向の変動に
は対処していないので、半母音などの遷移の遅く、時間
構造の変化する音韻の認識には適していない。

また、ＭＩＴリンカーン研究所のシステム（新美康永著
「音声認識Ｊ　１９７９．１０．共立出版ｐ、８１〜ｐ
、８７）のように、大まかにセグメンテーションした後
に、大分類された各グループに対し、それぞれ異る手法
で音韻の認識を行うというシステムも存在するが、この
ようなシステムではセグメンテーションに大きな負荷が
かかり、そのセグメンテーションの良否によって、認識
率が大きく依存する、という欠点があった。

本発明は、上記課題を解決するために成されたもので、
音韻認識の困難さ、特に、不特定話者を対象とした場合
の困難さを除去し、認識精度の高い音声認識装置を提供
することを目的とする。

［課題を解決するための手段］ 上記目的を達成するために、本発明の音声認識装置は以
下の構成を備える。即ち、 音韻表記の単語辞書を有し音・韻認識を基本として音声
を認識する音声認識装置において、各音韻ごとに、異な
る音声分析法及び認識法により認識を行う認識手段と、
該認識手段での認識結果を動的計画法を用いて特定する
特定手段とを備える。

また好ましくは、前記認識手段は、母音及び撥音に対し
認識開始前に各話者ごとに係数を学習したニューラルネ
ットを用いて認識を行う第１の認識手段と、半母音に対
し統計的距離尺度を用いた動的計画法を用いて認識を行
う第２の認識手段と、その他の音韻に対しスペクトルの
時間変化パターンのベイズ決定による識別法を用いて認
識を行う第３の認識手段とを備える。

［作用］ 以上の構成において、音韻の大まかなセグメンテーショ
ンを行い大分類をした後に、その各音韻に対して、それ
ぞれ適した認識法を用いて認識を行う、さらに、詳細に
音韻境界を求めるために、先に計算した音韻認識結果の
テーブルを使って、単語辞書より展開した記号系列と入
力音声のマツチングを動的計画法を用いて行う。この動
的計画法によって得られた得点の大小比較により最終的
に認識単語の決定を行うように動作する。

これにより音韻認識の困難さに対しては、音韻ごとに異
なる認識手法を用いることによって対処し、またセグメ
ンテーションの困難さに対しては動的計画法を用いるこ
とにより対処し、単語認識の精度の向上を図ったもので
ある。

［実施例］ 以下、添付図面に従って本発明による実施例を詳細に説
明する。

第１図が本装置の動作を最も良く表す流れ図である。こ
の図は単語が発声され、分析された後の処理の過程を示
している。なお、本実施例では、母音という表現には撥
音／Ｎ／も含む。

まず、ステップＳ１において、入力された単語のパラメ
ータ時系列すべてを用いて、音声区間をいくつかの音韻
群にクラス分けする。なお、いくつに区分するかは、以
下の音韻の認識方式が何通り用意されているかに依存す
る。本実施例では、母音／半母音／その他の３クラスに
区分する。

また、区分法については、新美康永著、「音声認識Ｊ　
　（１９７９，１０，共立出版）などに記載されており
、ここでの説明は省略する。

次に、ステップｓ２では入力音声のフレームを表わすポ
インタｆｒ（この場合は、ｆｒ＝１より音声データが入
っているものとする。）の初期化（本実施例では“０”
クリア）を行う。そして、ステップＳ３に処理を進め、
フレームポインタｆｒをインクリメントし、１つ先のデ
ータを読み込む。次に、ステップＳ４では、音声区間の
終了を判定する処理であり、音声データファイルが終了
した場合は、ステップＳ１２へ、それ以外ではステップ
Ｓ５へ処理を進める。

ステップＳ５では、ステップＳ１の処理による大まかな
セグメンテーションの結果を参照して、音韻の種類を判
定する。本実施例では母音／半母音／その他の３種類に
判定し、その結果に従ってそれぞれステップＳ６．ステ
ップＳ８．ステップＳＩＯへ処理を進める。このステッ
プＳ６．８゜１０では、それぞれ母音の認識、半母音の
認識。

その他音韻の認識を行う。そして、認識が終了すると、
その結果として出力する値を、ステップ７、ステップＳ
９．ステップＳ１０の各処理で“Ｏ”〜“１”の範囲に
正規化する。

なお、本実施例ではステップＳ６の母音の認識には、各
話者ごとに係数を学習したニューラル・ネットを用いる
。このニューラル・ネット作成法及び認識法については
、中周を一著「確率モデルによる音声認識Ｊ　　（１９
８８，７，電子情報通信学会ｐ１５６〜ｐ１７７）に詳
細に述べられており、ここでの説明は省略する。

また、ステップＳ８の半母音の認識には、統計的な距離
尺度を用いた動的計画法（以下、ＤＰという）を用いる
。この方法は、マハラノビスＤＰという名で論文「マハ
ラノビス距離を用いるＤＰマツチングによる単語音声認
識」　（電子通信学会論文誌’８３／ＩＶｏｌ。Ｊ６６
−ＡＮｏ、１ｐ、６４〜ｐ、７０）に詳細に述べられて
いる。

この論文では、単語認識について述べられているが、本
実施例では、ステップＳ１のセグメンテーション結果に
よる半母音の始端及び終端をＤＰの始端・終端として、
この手法を適用する。

次に、ステップＳＩＯのその他音韻の認識に関しては、
スペクトルの時間変化パターンのベイズ決定による識別
法を用いる。この手法は、研究会資料「連続音声の認識
を目的としたセグメント特徴の検出」　（日本音響学会
音声研究会資料５８５−５３．１９８５−１２）に詳し
く述べられている。

ステップＳ６の母音及びステップＳＩＯのその他音韻の
認識処理では、出力結果が既に“０”〜“１”の範囲に
収まっている。また、この場合、出力が大きい程その音
韻らしいと言える。これに対して、ステップＳ８の半母
音の認識処理では、認識時にマハラノビス距離を用いて
いるために、出力結果が小さい程その音韻らしいと言え
、その出力値の範囲も“Ｏ”〜数十程度の範囲を取る。

そのために、ステップＳ９での正規化の方法は、まず、
出力値に負符号をつけ、最大値が“０“になるようにす
る。次にスレショルドｔｈ　（＜Ｏ）を設定し、それ以
下の出力値をｔｈで置き換え、値をｔｈから“Ｏ”の範
囲とする。さらに、ｔｈ＝“０”Ｏ“−“ｌ”となるよ
うに線形変換を行い、その結果を正規化出力とする。

以上説明した各ステップでの処理を音声区間が終了する
まで繰り返し、終了した時点でステップＳ１２へ処理を
進める。

このステップＳ１２では、ステップＳ１での大まかなセ
グメンテーションの結果を基に、単語の予備選択を行う
。具体的には、セグメンテーションの結果得られた３種
類のセグメントの並びが一致する単語のみ、単語辞書よ
り選択する処理である。次にステップ３１３では、ステ
ップＳ１２で選択された単語辞書中の単語を、一つずつ
読み込み、ステップＳ１４で、選択した単語とすべてマ
ツチングしたかどうかを判断する。その結果、終了して
いなければステップＳ１５でＤＰによる得点計算を行う
。このＤＰは単語辞書から得られた音韻記号列に対応す
る音韻標準パターン列と、入力音声のパラメータ時系列
を直接マツチングするもので、フレームコ。音韻クラス
ＣＬでの得点ｄ　（ｉ、ｊ）は、各ステップＳ７．９．
１１で求めた値をそのまま用いる。このＤＰの式は、以
下のように表わせる。

ｇ　（ｉ、０）　＝−■ ｇ　（０，ｊ）　＝−ｃ。

ｇ　（１，１）　＝ｄ（１，１） ｇ　（１，ｊ）　＝ｄ（１，ｊ）＋ｇ（１，０−１）　
　　−＝　（ａ）Ｄ　（Ａ、　Ｘ）　−ｇ　（１，Ｊ）
／Ｉ◆Ｊ但し、Ａ；辞書　　Ｘ；入力単語 ｇ　（ｉ、ｊ）　　；　　（ｉ、ｊ）での累積得点１、
Ｊ　；　ｉ及びｊの最大値 次に、ステップＳ１４の判断で辞書が終了したらステッ
プＳ１６に処理を進め、ステップＳ１６において、マツ
チングした単語のうち最大得点を与えるものを選択し入
力音声の認識結果とする。

そして、ステップＳ１７で、この認識結果の出力を行う
。

第２図は、本装置をハード化した場合の構成を示すブロ
ック図である。図示するように、１８のマイクから入力
された音声は、１９の分析部で帯域フィルタ群により分
析され短時間スペクトルに変換される。第１図に示した
処理手順の制御は２０のＣＰＵで行われ、このプログラ
ムは２１のＲＯＭＩに格納されている。また２２のＲＯ
Ｍ２は単語辞書用である。２３は音韻パターン格納用の
ＲＡＭであり、２４のフロッピーディスク又はＲＯＭか
らのデータを格納する。なお、ＲＡＭに音韻パターンを
格納するようにしたのは、母音は学習により特定の個人
へ音韻パターンを適応させるのが可能なためであり、こ
の場合は、ＲＡＭの内容を書き換え、母音パターンを登
録する。

本実施例では、−例として、同一パラメータを用いた認
識法について述べたが、パラメータを音韻群により別の
ものを用いるという方法も考えられる。この場合、大ま
かなセグメンテーションの段階では、音韻の種類がまだ
分からないのでパラメータの選択はできない。しかし、
第１図で示すステップＳ５の処理で音韻の種類がわかり
、再び入力音声を別な手法で分析し異なるパラメータを
用いることができる。

なお、この場合に、ステップＳ１０では同様に帯域フィ
ルタ出力を用い、ステップＳ６，８ではピークが良く表
わせるＬＰＣ形のパラメータを用いるという手法をとる
。

以上の実施例では、各種のパラメータを用いるので分析
はソフトウェアで行うこととする。そのために、ハード
ウェア構成は、簡易化することができる。従って、第２
図で示す１９の分析部は、入力音声の分析を行う必要が
なく、Ａ／Ｄ変換を行い、バスに取り込むだけで良い。

［発明の効果］ 以上説明したように、本発明によれば、音韻の種類によ
り異なるパラメータ、異なる認識手法を用い、またセグ
メンテーションは大まかに行ったのち、入力音声に対す
る音韻パターンの位置決めには、動的計画法を用いると
いう手法を取るために、精度の高い音声認識が可能とな
る。さらに、母音のような個人性の強く表われる音韻に
対しては、話者ごとに学習を行うことで、不特定話者に
強い音声認識を行うことができる。

【図面の簡単な説明】

第１図は本実施例における音声認識の処理手順を示すフ
ローチャート、 第２図は本実施例における音声認識装置の構成を示すブ
ロック図である。 図中、１８・・・マイク、１９・・・分析部、２０・・
・ＣＰＵ、２１・・・プログラム用ＲＯＭ、２２・・・
単語辞書用ＲＯＭ、２３・・・音韻パターン用ＲＡＭ。 ２４・・・フロッピディスク装置である。

Claims (2)

【特許請求の範囲】
1. （１）音韻表記の単語辞書を有し音韻認識を基本として
   音声を認識する音声認識装置において、各音韻ごとに、
   異なる音声分析法及び認識法により認識を行う認識手段
   と、該認識手段での認識結果を動的計画法を用いて特定
   する特定手段とを備えることを特徴とする音声認識装置
   。
2. （２）前記認識手段は、母音及び撥音に対し認識開始前
   に各話者ごとに係数を学習したニューラルネットを用い
   て認識を行う第１の認識手段と、半母音に対し統計的距
   離尺度を用いた動的計画法を用いて認識を行う第２の認
   識手段と、その他の音韻に対しスペクトルの時間変化パ
   ターンのベイズ決定による識別法を用いて認識を行う第
   ３の認識手段とを備えることを特徴とする請求項第１項
   に記載の音声認識装置。