JP2000242293A - 音声認識装置のための方法 - Google Patents

Abstract

(57)【要約】 【課題】 より小さなメモリを利用してＨＭＭを追跡す
るのに要するトレースバック情報を格納すること。 【解決手段】 本発明を使用することが可能な装置（１
００）は、発音音声の信号表現を生成する音声認識シス
テム（２０４，２０６，２０７，２０８）を備える。発
音音声は、複数のフレーム表現（Ｆｔ）に分割される。
各フレームは調整アルゴリズムを利用して各状態（Ｓ１
−Ｓ５）に割り当てられる。フレームから状態への割当
を表わす経路は、各状態に対する状態遷移を区別する状
態遷移種別を利用してメモリ内に格納される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は一般に音声認識に関
し、特に、音声認識システム用のトレースバック・ラテ
ィス情報(traceback lattice information)を格納する
方法に関する。

【０００２】

【従来の技術および発明が解決しようとする課題】スピ
ーカを利用する音声認識システムでは、そのシステムを
利用する際に役立つような語彙ワード(vocabulary wor
d)をユーザが登録しなければならない。語彙「ワード」
は、発音される単独のワードまたは短いフレーズとする
ことも可能であり、特定用途に依存して選択された語彙
ワードとすることも可能である。例えば、携帯無線電話
機用の音声認識では、頻繁に発呼する人の名前と場所
(例えば「フレッド氏の事務所」)、またはユーザ・インタ
ーフェースで通常利用可能な頻繁に使用される機能に関
する命令(例えば「バッテリ・メータ」、「メッセージ」、
「電話ロック(phone lock)」)等をユーザが提供する必要
がある。

【０００３】このような登録手続において、音声認識シ
ステムはユーザの入力に応答して各語彙ワードに対する
代表的なテンプレートを引き出す。いくつかのシステム
では、このテンプレートは、一連の複数の状態より成る
隠れマルコフ・モデル(HMM: hidden Markov Model)によ
って表現される。各状態は発音音声(speech utterance)
の有限部分を表現し、この場合における発音音声は1以
上のワードより成る「語彙ワード」として使用される。
HMMの各状態の統計的な表現は、ユーザにより発せられ
た特定の語彙ワードに対する1以上の登録音声サンプル
を利用して計算される。これは、フレームから状態への
割当(フレーム-状態割当)を通じて行われる。このよう
な状態割当は、トレーニング動作モードおよび音声認識
動作モードの両者に対して行われる。特に、割り当てら
れた状態を利用してトレーニング・モードでモデルを生
成し、このモデルは音声認識モードにおける比較参照と
して利用される。音声認識動作モードにおける入力音声
の割当を利用して、スコア情報(score information)を
生成し、その入力音声を格納された参照モデルと比較す
る。

【０００４】フレームから状態への音声の調整を行うた
めに、ビタビ・アルゴリズムのような割当アルゴリズム
が利用される。発音音声のモデルへの適合性を改善する
調整アルゴリズムを利用して、語彙ワード発音の各フレ
ームをそのモデルの個々の状態に割り当てる。このよう
な調整を行うことにより、各状態に対する統計的な表現
を改善することが可能になる。

【０００５】フレーム割当にあっては、音声フレームと
そのモデル内の状態との適切な適合性を見出すことによ
り、ある「経路(path)」が定められる。これを行うため
HMMの各状態に対して、ある種の計算がフレームごとに
実行される。この計算の一部分は、フレーム「t」まで音
声が観測されるとすれば、フレームt-1において所与の
状態に導く状態の内どれが最適であったかを調べる。完
全に連結された(fully connected)HMMの場合、任意の状
態が任意の他の状態に遷移することが可能である。この
ため、各状態に至るN個の経路が存在し得る（Nは状態の
数）。

【０００６】この手法を利用すると、割当アルゴリズム
中に、モデル内の各状態にマッピング(map)される音声
フレームがどれであるかを追跡する必要がある。このこ
とは、既存の手法を利用すると、巨大なメモリを要する
ことを意味する。従来の手法ではトレースバック行列(t
raceback matrix)と呼ばれる配列(array)を利用して、
フレームごとに情報を格納し、各状態の最適経路を調べ
ている。このため通常はN*Tの大きさの配列が必要とな
り、ここでNはそのモデルにおける状態数であり、Tは発
音音声におけるフレームの最大数である。Nが20に等し
くTが300に等しいような場合は珍しくはないので、上記
の手法で実効すると6000ワードのメモリが必要になる。

【０００７】極めて小さなランダム・アクセス・メモリ(R
AM)が利用可能であるに過ぎない無線通信装置にような
携帯装置において、スピーカを利用してトレーニング・
アルゴリズムを実行するには、トレースバック情報を格
納するために使用する手法が、必要とするメモリを小さ
くする必要がある。したがって、より小さなメモリを利
用して、HMMを追跡するのに要するトレースバック情報
を格納する方法が望まれている。

【０００８】

【発明の実施の形態】本願によれば音声認識のためのト
レースバック行列の更新および格納に関する手法が開示
される。スピーカを利用する登録手続において、ユーザ
は、登録されるべき発音音声の１以上の反復したものを
提供する。これらの発音の各々は、フレーム調整手続を
利用して既存の隠れマルコフ・モデルに合わせられる。
この手続を実行すると、各状態およびフレームに対する
遷移種別を格納することにより、発音音声における短期
解析フレームとモデルの状態との間の関連性を効率的に
登録することが可能になる。

【０００９】図１は本発明で有効に利用可能な装置１０
０が描かれている。装置１００は説明の便宜上携帯用無
線電話機として描かれているが、コンピュータ、携帯用
ディジタル支援装置その他の音声認識を有効に行うこと
が可能な装置とすることも可能であり、特に、音声認識
システムにおけるメモリ効率に配慮する装置とすること
が可能である。図示されている無線電話機は、アンテナ
１０６に結合された送信機１０２および受信機１０４を
備える。送信機１０２および受信機１０４は、通話コー
ルの処理を行う通話コール・プロセッサ１０８に結合さ
れる。通話コール・プロセッサ１０８は、ディジタル信
号プロセッサ（ＤＳＰ）、マイクロプロセッサ、マイク
ロコントローラ、プログラム可能な論理装置もしくはこ
れらの組み合わせその他の適切なディジタル回路を利用
して構築することが可能である。

【００１０】通話コール・プロセッサ１０８はメモリ１
１０に結合される。メモリ１１０は、ＲＡＭ、電気的に
消去可能な読み出し専用メモリ（ＥＥＰＲＯＭ）、読み
出し専用メモリ（ＲＯＭ）、フラッシュＲＯＭ等のメモ
リまたはこれらの組み合わせとすることが可能である。
メモリ１１０は、音声認識処理を含む通話コール・プロ
セッサ１０８の処理動作を支援し、電気的に変更可能な
メモリを含み、以下に詳述する状態遷移経路メモリを支
援する。装置の動作プログラムを格納するためにＲＯＭ
を備えることも可能である。

【００１１】音声回路１１２は、マイクロフォン１１４
から通話コール・プロセッサ１０８にディジタル化され
た信号を供給する。音声回路１１２は、通話コール・プ
ロセッサ１０８からのディジタル信号に応答して、スピ
ーカ１１６を駆動する。

【００１２】通話コール・プロセッサ１０８は表示プロ
セッサ１２０に結合される。この表示プロセッサは、装
置１００が付加的なプロセッサ支援を必要とする際の選
択的なものである。特に、表示装置１２０は表示制御信
号をディスプレイ１２６に供給し、キー１２４から入力
を受ける。表示プロセッサ１２０は、マイクロプロセッ
サ、マイクロコントローラ、ディジタル信号プロセッ
サ、プログラム可能な論理装置またはこれらの組み合わ
せ等により構築することが可能である。メモリ１２２は
表示プロセッサに結合され、その中のディジタル論理を
支援する。メモリ１２２は、ＲＡＭ、ＥＥＰＲＯＭ、Ｒ
ＯＭ、フラッシュＲＯＭまたはこれらの組み合わせ等に
より構築することが可能である。

【００１３】図２を参照すると、マイクロフォン１１４
から受信した音声信号は、音声回路１１２のアナログ・
ディジタル変換器２０２においてディジタル信号に変換
される。当業者であれば、あらわに図示されてはいない
が、音声回路がフィルタ処理のような付加的な信号処理
を行うであろうことを見出すであろう。通話コール・プ
ロセッサ１０８は、マイクロフォン１１４によるアナロ
グ信号出力の処理済ディジタル信号表現に対して、特徴
抽出(feature extraction)機能２０４を実行し、ユーザ
の発音音声を表現する一組の特徴ベクトル(feature vec
tor)を生成する。特徴ベクトルは短期解析窓(short tim
e analysis widow)の各々について生成される。短期解
析窓は、図示されている例では２０ｍｓのフレームであ
る。このよに、フレーム当たり１つの特徴ベクトルが存
在する。プロセッサ１０８はこの特徴ベクトルを利用し
て音声認識２０６またはトレーニング２０７を行う。

【００１４】トレーニング・モードにあっては、発音音
声の特徴ベクトルを利用して、メモリ２０８に格納され
るＨＭＭ形式のテンプレートを生成する。音声認識モー
ドにあっては、入力音声を表現する特徴ベクトルは、メ
モリ２０８内に格納された語彙ワードのテンプレートと
比較され、ユーザが何と言ったかを調べる。このシステ
ムは、最も適合するもの、一組の最適なもの、あるいは
全く合致しないものを選択的に出力することが可能であ
る。メモリ２０８はメモリ１１０の不揮発性メモリ部で
あることが好ましく、たとえばＥＥＰＲＯＭまたはフラ
ッシュＲＯＭ等とすることが好ましい。ここで使用され
ているように「ワード」は、「ジョン・ドウ(John Do
e)」のような１以上のワード、または「コール(call)」
のような単独のワードとすることが可能である。

【００１５】先に概説したように、メモリ２０８に格納
される語彙ワードはトレーニング・モードで生成され
る。たとえば、格納された各語彙ワードは、対応する特
徴ベクトルより成る発音音声Ｕ１およびＵ２(図３)の２
つのトレーニング信号から夫々最初に導出される。発音
音声Ｕ１は、話者がトレーニング中に特定のワードを喋
った第１時刻において格納された信号を表現する。発音
音声Ｕ２は、話者がトレーニング中に特定のワードを喋
った第２時刻において格納された信号を表現する。図示
した例では、発音音声Ｕ１は発音音声Ｕ２とは異なる長
さのものである。当業者であればより長いまたはより短
い発音音声を利用することが可能であることを認識する
であろう。

【００１６】各フレームは同一の長さを有する一方、発
音音声Ｕ１およびＵ２は異なる長さを有するので、各発
音音声が複数のフレームにより表現される場合、異なる
長さを有する発音音声Ｕ１およびＵ２は異なるフレーム
数を有するであろう。複数のフレームＦｔが１つの発音
音声を成す。一般に発音音声は「Ｆｔ」として言及され、
「ｔ」は１からＴまでであるが、図３における記号に関し
ては、発音音声の各フレームはＦａｂの記号で記述され
ており、ここでａは発音音声番号であり、ｂはフレーム
番号である。特に、発音音声Ｕ１は１０個のフレーム、
すなわちＦ１１，Ｆ１２，Ｆ１３，Ｆ１４，Ｆ１５，Ｆ
１６，Ｆ１７，Ｆ１８，Ｆ１９およびＦ１１０を有す
る。発音音声Ｕ２は１２個のフレーム、すなわちＦ２
１，Ｆ２２，Ｆ２３，Ｆ２４，Ｆ２５，Ｆ２６，Ｆ２
７，Ｆ２８，Ｆ２９，Ｆ２１０，Ｆ２１１およびＦ２１
２を有する。各フレームは例えば２０ミリ秒の特徴音声
より成る。

【００１７】特徴ベクトルは従来の手法に従って生成さ
れる。例えば特徴ベクトルは、Ａ／Ｄ変換器２０２(図
２)の出力から生成されるケプストラル(cepstral)およ
びデルタ−ケプストラル特徴より成る。

【００１８】図３を参照すると、先ず初めに、発音音声
Ｕ１のフレームＦ１１，Ｆ１２および発音音声Ｕ２のＦ
２１，Ｆ２２から状態１(Ｓ１)が形成される。これらの
フレーム値を利用して、状態１の統計的表現より成るパ
ラメータの計算の全部または一部を最初に行う。好適実
施例にあっては、統計的表現は発音音声Ｕ１および発音
音声Ｕ２からのフレームの平均である。こうして、状態
１は発音音声Ｕ１のフレームＦ１１，Ｆ１２および発音
音声Ｕ２のＦ２１，Ｆ２２の平均に初期設定される。当
業者であれば、このような状況において分散(variance)
を含めることも認識するであろう。他の状態の統計的表
現も生成される。第２状態Ｓ２は、発音音声Ｕ１のフレ
ームＦ１３，Ｆ１４および発音音声Ｕ２のフレームＦ２
３，Ｆ２４の値の平均である。同様に状態Ｓ３は、発音
音声Ｕ１のフレームＦ１５，Ｆ１６および発音音声Ｕ２
のフレームＦ２５，Ｆ２６の値の平均である。状態Ｓ４
は、発音音声Ｕ１のフレームＦ１７，Ｆ１８および発音
音声Ｕ２のフレームＦ２７，Ｆ２８，Ｆ２９の値の平均
である。

【００１９】先に例示したように、Ｕ２の余分な２つの
フレームは、最後の２つの状態に割り当てられている。
第２の発音音声が１つの余分なフレームのみを有する場
合、最後の状態にのみ余分なフレームが与えられるであ
ろう。第２の発音音声が３つの余分なフレームを有する
場合、最後の３つの状態に余分なフレームが夫々割り当
てられる。同様に、第１の発音音声が例えば４つの余分
なフレームを有する場合、最後の４つの状態に余分なフ
レームが夫々割り当てられる。発音音声の一方が他方の
ものより５つ以上フレームを有する場合、各状態は、よ
り多くのフレームを有する発音音声から３つのフレーム
を受け取り、少ないフレームを有する発音音声から２つ
のフレームを受け取る。

【００２０】上記のフレームの割当は、各状態にフレー
ムがどのようにして最初に割り当てるか、および状態の
統計的表現がどのようにして形成されるかの例を与える
ものである。しかしながら、当業者であれば、状態の初
期割当および状態を統計的に表現することの両者に対し
て様々な他の手法が存在し、本発明が上記の手法に限定
されないことを認識するであろう。

【００２１】例えば、発音音声の長さによらず５つの状
態を利用することも可能である。当業者であれば、任意
の状態数を利用することが可能であり、各発音音声に対
して１０以上の状態を利用することも可能であることを
認識するであろう。さらに、発音音声の長さによらず状
態数を固定し、または発音音声の長さに依存して状態数
を変更させることも可能であろう。以下、長さによらず
発音音声に対して５つの状態を利用するシステム例につ
いて説明する。

【００２２】状態Ｓ１ないしＳ５が発音音声Ｕ１および
Ｕ２からのフレームの統計から生成されると、隠れマル
コフ・モデル(ＨＭＭ)が生成される。通話コール・プロセ
ッサ１０８は調整アルゴリズムを利用して、生成された
ＨＭＭの状態を通じて各発音音声を走らせる。この調整
は、各状態の統計的表現を再評価するために使用するこ
とが可能である。特に、調整アルゴリズムは、考察され
る各経路についてのスコア(score)に基づいて任意の地
点から戻る最適経路を調べるために動作し、このことは
図４に関連して一般的に説明される。ここで使用されて
いるように、ある地点は、格子(lattice)４００におけ
るフレームおよび状態の位置である。

【００２３】当業者であれば、格子４００(図４)は８つ
のフレームについて状態１ないし５から戻る総ての経路
を示していることを認識するであろう。更なる限定は、
各フレームが、先行するフレームと同一の状態または先
行するフレームの状態の直後の状態のいずれかに割り当
てられなければならないことである（状態を飛び越すこ
とはできない。）。このことは、音声認識システムにお
けるフレームから状態への割当に適合するものであり、
データ経路を記録する必要のあるトレースバック情報量
を著しく減少させるものである。モデル内における状態
から状態への可能な経路に対するこのような制限は、そ
のモデルに対して発音音声の音声事象に対する順序的性
質を良好に反映させることに寄与する。一般に、ＨＭＭ
状態遷移は、図４に示されるように左側から右側である
ように制限される。特定の状態ｎへの許容可能な経路
は、その状態から来るもの(ＳｎからＳｎへの「自己ル
ープ」)または先行する状態から来るもの(Ｓ(n-1)から
Ｓｎへの単一状態遷移)の何れかである。図８は左から
右への飛び越し禁止ＨＭＭを図示する。このようなＨＭ
Ｍの構成は、多くの音声認識処理に対して効果的であ
る。

【００２４】図４の格子４００にあっては、状態遷移の
種別が、状態間で許容される各経路に関連している。自
己ループに対して状態遷移種別１が割り当てられ、状態
変化(を伴なうもの)に対して状態遷移種別０が割り当て
られる。このモデルにおいて飛び越し状態(skip state)
を表現することも下のであるが、１ビットでは３以上の
状態遷移を区別できないので、２以上のビットの状態遷
移種別識別子を必要とする。いずれにしても、ビタビ・
アルゴリズムのような調整アルゴリズムを用いて計算さ
れた経路情報を記録するためにｎビット・シンボルの配
列を利用し、状態遷移種別を利用することは、各経路を
格納するのに必要なメモリのサイズを著しく減少させる
ことが可能である。当業者であれば、従来のトレースバ
ック行列を格納する手法では先行する状態を区別するた
めに８ないし１６ビットを利用していたのに対して、本
願によればｎは小さく、１または２ビット程度の大きさ
に過ぎないことを認識するであろう。

【００２５】フレーム５(図４の水平軸上の５番目)に対
してビタビ・アルゴリズムは、フレーム５における各状
態(状態１(Ｓ１)、状態２(Ｓ２)、状態３(Ｓ３)、状態
４(Ｓ４)、状態５(Ｓ５))から戻る最適経路を調べる(す
なわち、最良のスコアを生成する状態の各々から戻る経
路)。特に、このアルゴリズムは、地点Ａから戻る経路
に対するスコアまたは確率を考慮し、これは最初の５つ
の全フレームに対して状態１を介して経路が進む確率を
表現する。現在のフレームは、先行するフレームと同一
の状態または先行するフレームの状態より１状態高いも
ののいずれかであるという条件により、このようなこと
が必要とされる。

【００２６】地点Ｂに対してアルゴリズムは、地点Ｇを
経由して地点Ｂに至る経路に関するスコアおよび地点Ｈ
を経由して地点Ｂに至る経路に関するスコアを生成す
る。地点Ｃに対してビタビ・アルゴリズムは、地点Ｈを
経由して地点Ｃに至る経路に関するスコアおよび地点Ｉ
を経由して地点Ｃに至る経路に関するスコアを生成す
る。地点Ｄに対してビタビ・アルゴリズムは、地点Ｉを
経由して地点Ｄに至る経路に関するスコアおよび地点Ｊ
を経由して地点Ｄに至る経路に関するスコアを考察す
る。地点Ｅに対してビタビ・アルゴリズムは、地点Ｊを
経由して地点Ｅに至る経路に関するスコアおよび地点Ｋ
を経由して地点Ｅに至る経路に関するスコアを生成す
る。スコア計算の後、各経路に対して最高のスコアを生
成する経路の遷移種別が、フレーム５の各状態への経路
として保存される。

【００２７】本発明は左から右へのモデルに適用可能で
あり、任意状態への最大遷移数が2ⁿであることを許容す
るが、本実施例では、自己ループおよび単一の状態遷移
の２つの遷移種別のみが許容される。ここで、トレース
バック行列メモリは、境界フラグの配列５００(図５)で
あり、これは２つの可能な遷移の内いずれが採択された
かを記録する。可能な経路数が、状態の飛び越しが禁止
された隣接フレームに制限されており、時間的に遅れた
フレームは先行するフレームの状態より低い(下側の)状
態に位置することができないような場合に、本実施例は
特に有益である。

【００２８】図５のメモリ配列は、５つの可能な状態を
有する８つのフレームについて行列を介する経路を表現
する。Ｘの位置は、考慮を要しない部分を表現する。フ
レーム８の状態Ｓ５に至る経路について、右上隅の０
は、生き残った経路(survivorpath)がフレーム７の状態
Ｓ４を経由して通ったことを示す。状態Ｓ４のフレーム
７における０は、フレーム６の状態Ｓ３を経由してその
経路が通ることを示す。フレーム６の状態３における０
は、フレーム５の状態Ｓ２を経由してその経路が通るこ
とを示す。フレーム５の状態Ｓ２における１は、フレー
ム４の状態Ｓ２を経由してその経路が通ることを示す。
フレーム４の状態Ｓ２における０は、フレーム３の状態
Ｓ１を経由してその経路が通ることを示す。この経路は
最初の２つのフレームに対して状態Ｓ１を経由して通
る。フレーム８の状態Ｓ４，Ｓ３，Ｓ２，Ｓ１の各々へ
の生き残り経路も同様に、トレースバック(追跡)するこ
とが可能である。このようにして、メモリ１１０のＲＡ
Ｍに格納された２値状態を利用して調整アルゴリズムの
生き残り経路を表現することが可能である。

【００２９】図６に関連してメモリ１１０におけるプロ
セッサ１０８の格納処理を説明する。最初に、ブロック
６０２において示されるように、第１フレームの状態が
設定される。第１状態は１に設定され、フレーム１に対
する状態２ないし５は、考慮を要しないＸに設定され、
可能な状態ではないものとして無視される。ブロック６
０４に示されるように、その後フレームのカウンタが２
に設定され、状態のカウンタが１に設定される。

【００３０】現在のフレームおよび状態に対して(図４
の格子４００におけるある地点)、プロセッサ１０８
は、ブロック６０６に示されるように、自己ループに対
するスコアを計算し、これは先行するフレームの状態Ｓ
Ｎを経由して現在のフレームの状態ＳＮに至る経路であ
る。ブロック６０８に示されているように、先行するフ
レームの状態Ｓ_N-1を経由して現在のフレームのＳＮに
至る経路であるところの状態遷移についてもスコアが導
出される。

【００３１】ステップ６１０において、プロセッサ１０
８は自己ループまたは状態遷移(を伴なうもの)がより良
いスコアを有する否かを調べる。自己ループがより良い
スコアを有する場合、ブロック６１２に示されるよう
に、現在の状態およびフレーム(すなわち現在のフレー
ムの状態ＳＮ)に対して状態遷移種別１がメモリ１１０
のＲＡＭ内に格納される。そうでなければ、ブロック６
１４に示されるようにメモリ１１０のＲＡＭ内に０が格
納される。

【００３２】ブロック６１６に示されるように、状態カ
ウンタがインクリメント(増分)される。判定ブロック６
１８において、プロセッサは、現在のフレームの状態毎
に遷移種別が計算されたか否かを調べる。最後の状態が
計算されていない場合、プロセッサはステップ６０８に
戻り、ブロック６０６で始まる次の状態遷移種別を計算
する。

【００３３】判定ブロック６１６において現在のフレー
ム中の最後の状態が考察されると、プロセッサ１１０は
フレーム・カウンタをインクリメントし(増分させ)、ブ
ロック６２０で示されるように状態カウンタを１にリセ
ットする。その後プロセッサは、考察したフレームが最
終フレームであったか否かを調べる。もしそうでなけれ
ば、プロセッサはステップ６０６に戻り、次のフレーム
のための状態割当処理を開始する。

【００３４】ブロック６２２において、現在考察されて
いるフレームが発音音声中の最後のものであった場合、
プロセッサ１１０は最良のスコアを有する経路を、モデ
ルがトレーニングされている場合には状態割当モデルに
変換する。音声認識する際にはそのスコアのみが使用さ
れるであろう。ＨＭＭへの変換は、ブロック７０２に示
されるように、最終状態の最終フレームから逆向きにそ
の状態に対する遷移形式を出力することにより開始され
る。ブロック７０４において、プロセッサ１１０は、そ
の遷移形式が自己ループであるか否かを調べる。自己ル
ープである場合、ブロック７０８に示すように、先行す
るフレームの状態は現在フレームの状態と同じ状態に設
定される。もしそうでなければ、先行するフレームの状
態は、ブロック７０６に示されるように、より低い次の
状態に設定される。

【００３５】ステップ７０９の状態休止期間(state dwe
ll time)または持続時間において、その休止期間中の追
跡を要する場合に、カウンタをインクリメントすること
も可能である。この選択的なカウントが提供されると、
ステップ７０６は１つの第１期間における状態休止期間
カウンタを作動させ、状態が入力され、カウンタは各状
態に対して提供されるであろう。

【００３６】ステップ７１０において、プロセッサ１０
８はフレーム・カウンタをデクリメントする（カウンタ
値を減少させる）。ステップ７０４，７０６，７０８に
おいて把握された先のフレーム状態は、ブロック７１２
に示されるように、その先行するフレームに対して格納
され、その地点に対する状態遷移種別、フレームおよび
状態が出力される。フレームの状態出力が第１フレーム
でない場合、プロセッサは判定ブロック７０４に戻る。
ブロック７１４において第１フレーム状態が格納された
場合、ブロック７１６に示されるように状態割当モデル
が完了する。この状態割当モデルは、フレームの特徴を
適切な状態に割り当てたものより成る。この情報はトレ
ーニングのために格納することも可能であり、また、格
納されたモデルを更新するために使用することも可能で
ある。

【００３７】第１次元の状態Ｓおよび第２次元のフレー
ムＦの２次元配列Ｌについて、疑似コード処理を説明す
る。この配列のサイズはＮｘＴである。また、シンボル
１を同一状態遷移(自己ループ)を表現するために使用
し、シンボル０を先行状態からの遷移を表現するために
使用する。２つの可能なシンボルのみが存在するので、
個々のビットはそれらを格納するために利用することが
可能である。ビタビ・アルゴリズムを実行する際、各遷
移を記録するために以下に示すアルゴリズムを利用する
ことが可能である： 総ての音声フレーム(ｔ＝１〜Ｔ)に対して以下の処理を
繰り返す 総てのＨＭＭ状態(ｓ＝１〜Ｎ)に対して以下の処理を繰
り返す 状態ｓに対する最良の経路が状態ｓからのものである場
合、Ｌ[ｓ][ｔ]=１とし、そうでなければ（最良の経路
は先行する状態からである）、Ｌ[ｓ][ｔ]=０とする。
トレーニングの間、調整の目的は一般に発音音声の各フ
レームの状態割当を見出すことである。その状態割当を
配列Ａ[ｔ]に記録することを要する場合、この割当は以
下のようにして遷移行列Ｌから復元することが可能であ
る： 状態ｓを最終状態Ｎに初期化する 総ての音声フレームに対してその終端から開始して（ｔ
＝Ｔ〜１）以下の処理を行う Ａ[ｔ]=ｓ Ｌ[ｓ][ｔ]=０である場合はｓ=ｓ-１とする。先に述べ
たように、上記のアルゴリズムは、状態の飛び越しが禁
止されている簡略化されている場合に良好にはたらく。
状態の飛び越しが許容されている場合は、配列Ｌに対し
て他のシンボルを付加することを要し、その配列に対す
る格納条件およびブロック６０６および６０８で行われ
るようなスコア計算数を増加させる。

【００３８】調整過程において、特定の状態が占有され
ていたフレーム数を追跡することも有益である。この情
報を利用して、状態持続時間のペナルティを割り当てる
ことも可能である。このような技術については、本願の
優先権主張基礎出願と同日に米国出願されたDaniel Pop
pertによる"METHOD OF SELECTIVELY ASSIGNING A PENAL
TY TO A PROBABILITY ASSOCIATED WITH A VOICE RECOGN
ITION SYSTEM"と題する米国出願(弊社内管理番号CS1010
4)がある。持続時間情報は、配列Ｌ内で完全に表現され
る。状態ｓが時刻ｔにおいて占有していたフレーム数
(Ｄ[ｓ][ｔ]と言及する)は、以下のようにして見出すこ
とが可能である： Ｄ[ｓ][ｔ]を１に初期化する Ｌ[ｓ][ｔ-Ｄ[ｓ][ｔ]]=１であればＤ[ｓ][ｔ]をインク
リメントする。上述したような音声認識システムは、単
独のビット・フラグによる単純な配列を利用し、トレー
スバック情報のメモリ痕跡(memory footprint)を減少さ
せることが可能である。図４に示されるような状態の飛
び越しが禁止されているＨＭＭの簡潔な事例を主に説明
したが、本発明をメモリ・コストの増加した一層一般的
な事例に拡張することも可能であろう。

【００３９】図６に示すフローチャートは、ブロック６
０８ないし６１４を図９に示すものに置き換えることに
よって変形することも可能である。この場合において、
飛び越しスコアP_skipはブロック６０９で計算される。
ブロック６１０において自己ループが最良のスコアを有
するものと認識した場合は、ステップ６１４において、
１１（２進ビット）がＲＡＭ２０８に格納される。ブロ
ック６１０において「ＮＯ」であった場合、プロセッサ１
０８はP_DがP_skipより良好であるか否かを調べる。良好
なスコアに関連するものと判断した場合は、ステップ６
１４において００（２進ビット）がＲＡＭ２０８に格納
される。状態の飛び越しが良好なスコアを有するものと
判断した場合は、ステップ６１３で示されるように１０
（２進ビット）がＲＡＭに格納される。図７に示すフロ
ーは、図１０に示すようなステップ７０５および７０７
をステップ７０４に追加することによって変形すること
も可能である。この場合、ステップ７０４は自己ループ
であるところの遷移種別１１を探索する。遷移種別が自
己ループでない場合、プロセッサはステップ７０５にお
いて単一の状態遷移を示す００であるか否かを調べる。
もしそうでなければ、プロセッサ１０８は、ステップ７
０７で示されるように、現在フレームより２状態低いも
のとして先行フレームを認識する。その他の場合はプロ
セッサはそれを単独の遷移として取り扱う。

【００４０】当業者であれば、この種の処理過程を拡張
して更なる状態飛び越しを取り扱うことも可能であろ
う。各状態／フレームに対して格納される実際のビット
数は、許容される飛び越し状態数に依存するであろう。

【００４１】以上本発明を特定の実施例に関連して説明
してきたが、これらは例示に過ぎず、当業者であれば本
発明の精神から逸脱することなく様々な変形や改良を施
すことが可能であろう。これまでセルラ無線電話のよう
な携帯用無線装置を例にとって本発明を説明してきた
が、本発明はページャ、電子組織化装置(electronic or
ganizer)、コンピュータおよび電話装置その他の音声認
識を行う装置に広く適用することが可能である。

【図面の簡単な説明】

【図１】 無線電話機の概略ブロック図を示す。

【図２】 図１による無線電話機内の音声認識回路用の
入力回路の概略示す。

【図３】 ２つの関連する発音音声セグメントからフレ
ームへの左から右への隠れマルコフ・モデル(left-right
Hidden Markov Model)を示す。

【図４】 飛び越し遷移を許容しない左右モデルにおけ
る総ての可能な状態遷移経路に関連するトレースバック
格子を示す。

【図５】 状態遷移型を利用して記録されるトレースバ
ック経路に対する状態遷移経路のメモリ配置を示す。

【図６】 調整アルゴリズムにおける情報格納のための
フローチャートを示す。

【図７】 最適経路のためのフレームから状態への調整
を行うフローチャートを示す。

【図８】 図４に対応する左から右への飛び越し禁止HM
Mを示す。

【図９】 図６のフローチャートで使用される状態飛び
越しのためのフローの一部を示す。

【図１０】 図７のフローチャートで使用される状態飛
び越しのためのフローの一部を示す。

【符号の説明】

１００ 音声認識を行う装置 １０２ 送信機 １０４ 受信機 １０８ 通話コール・プロセッサ １１０ メモリ １１２ 音声回路 １１４ マイクロフォン １１６ スピーカ １２０ 表示プロセッサ １２２ メモリ １２４ キー １２６ ディスプレイ ２０２ アナログ・ディジタル変換器 ２０４ 特徴抽出アルゴリズム ２０６ 音声認識 ２０７ トレーニング ２０８ メモリ

───────────────────────────────────────────────────── フロントページの続き (72)発明者 ダニエル・チャールズ・ポパート アメリカ合衆国イリノイ州ウッドストッ ク、アップルウッド・レーン2345

Claims (10)

【特許請求の範囲】
1. 【請求項１】 音声認識装置のための方法であって：発
   音音声を受信する段階；前記発音音声の信号表現を生成
   する段階；前記発音音声の信号表現を複数のフレームに
   分割する段階；調整アルゴリズムを利用して各フレーム
   を各状態に割り当てる段階；および各状態に対して、各
   状態への状態遷移を区別する状態遷移種別をメモリに格
   納することにより、フレームから状態への割当を表現す
   る経路を格納する段階；より成ることを特徴とする方
   法。
2. 【請求項２】 前記メモリが各状態に対してその状態に
   対する最良の経路を格納することを特徴とする請求項１
   記載の方法。
3. 【請求項３】 前記状態遷移種別が２進信号で表現され
   ることを特徴とする請求項１記載の方法。
4. 【請求項４】 前記２進信号が１つの論理ビットである
   ことを特徴とする請求項３記載の方法。
5. 【請求項５】 前記状態遷移種別が複数ビット信号によ
   り表現されることを特徴とする請求項１記載の方法。
6. 【請求項６】 更に、状態割当記録を作成するために前
   記状態遷移種別を利用してフレームから状態への割当記
   録を生成する段階より成ることを特徴とする請求項１記
   載の方法。
7. 【請求項７】 フレームから状態への割当記録が、最終
   フレームにおけるものから開始し、前記状態遷移種別を
   利用して経路を追跡することにより生成されることを特
   徴とする請求項１記載の方法。
8. 【請求項８】 更に、状態持続時間を復元する段階より
   成ることを特徴とする請求項６記載の方法。
9. 【請求項９】 前記状態持続時間が前記状態遷移情報か
   ら導出されることを特徴とする請求項８記載の方法。
10. 【請求項１０】 前記状態持続時間が、各状態に対する
    自己ループ数をカウントし、前記状態割当記録を復元す
    るための行列を追跡することにより、導出されることを
    特徴とする請求項８記載の方法。