JP2003323196A - 音声認識システム、音声認識方法および音声認識用プログラム - Google Patents

Abstract

(57)【要約】 【課題】 出力する信頼度の基準が異なる複数の音声認
識処理部を相補的に組み合わせ得る音声認識システムを
提供する。 【解決手段】 音声認識処理部131、132は、入力音声デ
ータ111に対して固有の認識方式に従って音声認識を行
い、音声認識結果とその確からしさを示す信頼度とを出
力する。音声認識結果評価手段133は、出力された信頼
度を音声認識処理部別に用意された評価関数134を用い
て共通な尺度である評価値に変換し、この変換して得ら
れた評価値に基づき最適な方の音声認識結果を選択して
出力する。評価関数134は、音声認識処理部131に対応す
る基準評価関数と、音声認識処理部132に対応する評価
関数とを含む。後者の評価関数は音声認識結果が音声認
識処理部131の音声認識結果に比べてより正解に近い信
頼度の範囲については基準評価関数よりも高い評価値を
与え、正解に近くない信頼度の範囲については基準評価
関数よりも低い評価値を与える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声認識技術に関
し、特に複数の音声認識処理部を用いることにより認識
率の向上を図った音声認識システム、音声認識方法およ
び音声認識用プログラムに関する。

【０００２】

【従来の技術】従来より、SmartVoice（http://www.ne
c.co.jp/press/ja/0107/2301-01.html）やViaVoice（ht
tp://www-6.ibm.com/jp/voiceland/main/function.htm
l）などの音声認識システムが製品として販売されてい
る。しかし、これらの従来の音声認識システムは、単一
の音声認識方式を利用しているため、発声方法の異なる
複数の人の音声や日本語と英語など異なる言語の音声が
混在している環境などでは、時と場合によって認識率に
高低さが生じるという課題がある。なお、単一の音声認
識方式を使用する音声認識システムを記載した他の文献
としては、特開平8-248981号公報や特開2001-175276号
公報がある。

【０００３】そこで、多種多様な音声入力環境に適応さ
せて認識率の向上を図るために、複数の音声認識手段を
相補的に使用するようにした音声認識システムが特開平
8-202388号公報（以下、文献1と称す）で提案されてい
る。この文献1に記載された従来の音声認識システム
は、入力音声に対してそれぞれ固有の認識方式に従って
音声認識を行い、音声認識結果とその確からしさを示す
信頼度（文献1では距離(distance)と称している）をそ
れぞれ出力する複数の音声認識処理部と、これら複数の
音声認識結果を所定の基準により纏めて総合評価して最
終結果を出力する認識結果統合部とを備えている。ここ
で、所定の基準としては、個々の音声認識処理部の過去
のヒット率（過去の認識総数に対する正解出力回数の割
合で、文献1では信頼度と称している）を用い、個々の
音声認識処理部から出力された信頼度にその音声認識処
理部の過去のヒット率を乗ずることで信頼度を補正し、
補正後の複数の信頼度の比較結果に基づいて最終結果を
選択している。

【０００４】この音声認識システムによれば、例えば、
複数の音声認識処理部において、認識を行うために予め
蓄積しておくテンプレートとして、同一の単語について
の異なる発声方法（男女別、年齢別、地方別など）で、
かつ、異なる形式で作成されたテンプレートを用いれ
ば、各認識結果を統合することで認識率の向上が図れ、
また、異なる単語について作成されたテンプレートを用
いれば、認識語彙数を計算コストの上昇を招くことなく
増大させることができるとしている。

【０００５】

【発明が解決しようとする課題】しかしながら、文献1
に記載される音声認識システムは、認識方式の異なる任
意の音声認識処理部を組み合わせることが困難であると
いう課題がある。その理由は、組み合わせる複数の音声
認識処理部が、”出力する信頼度が完全に同じ基準、尺
度で生成されていること”という前提が必要になるため
である。すなわち、文献1では、２つの音声認識処理部
ＡとＢがある場合、両者から同じ信頼度（文献1では距
離）が出力されたとき、認識の確からしさは同じである
と推定しているが、出力する信頼度の生成基準が異なる
複数の音声認識処理部の場合、同じ信頼度であっても双
方の認識結果の客観的な確からしさが必ずしも同じであ
るとは限らないからである。このため、認識方式が大き
く相違し、その結果、出力する信頼度の生成基準や尺度
が相違する任意の音声認識処理部を組み合わせることが
できない。なお、文献1では、音声認識処理部から出力
された信頼度を補正し、その補正後の信頼度どうしを比
較する処理を行っているが、その補正は個々の音声認識
処理部固有の情報に基づく補正に過ぎないため、そのよ
うな補正を行っても信頼度の生成基準が異なる複数の音
声認識処理部を相補的に組み合わせることはできない。

【０００６】本発明の目的は、出力する信頼度の生成基
準や尺度が異なる複数の音声認識処理部であってもそれ
らを相補的に組み合わせることができる音声認識システ
ム及び音声認識方法を提供することにある。

【０００７】

【課題を解決するための手段】本発明の第１の音声認識
システムは、入力音声に対してそれぞれ固有の認識方式
に従って音声認識を行い、音声認識結果とその確からし
さを示す信頼度とをそれぞれ出力する複数の音声認識処
理部と、前記複数の音声認識処理部のそれぞれから出力
された信頼度を前記音声認識処理部別に用意された評価
関数を用いて前記複数の音声認識処理部で共通な尺度で
ある評価値に変換し、該変換して得られた複数の評価値
の比較結果に基づいて前記複数の音声認識結果から音声
認識結果を選択して出力する音声認識結果評価手段とを
備えている。ここで、前記評価関数は、例えば、前記複
数の音声認識処理部の何れか１つの音声認識処理部に対
応する基準評価関数と、他の音声認識処理部に対応する
評価関数とを含み、他の音声認識処理部に対応する評価
関数は、信頼度の値が同じであっても、音声認識結果が
前記１つの音声認識処理部の音声認識結果に比べて、よ
り正解に近い信頼度の範囲については前記基準評価関数
よりも高い評価値が得られ、正解に近くない信頼度の範
囲については前記基準評価関数よりも低い評価値が得ら
れるような評価関数である。

【０００８】本発明の第２の音声認識システムは、上述
の音声認識システムの構成に加えて更に、サンプル音声
データについて前記複数の音声認識処理部で得られた音
声認識結果を利用者に提示する手段と、信頼度と評価値
のグラフ上に前記基準評価関数を表示する手段と、前記
他の音声認識処理部で得られた信頼度に対して付与する
評価値を前記グラフ上に利用者からの指示に従ってプロ
ットする手段と、前記グラフ上のプロット点の集合に基
づいて前記他の音声認識処理部用の前記評価関数を作成
する手段とを備えている。

【０００９】また本発明の第１の音声入力方法は、ａ）
複数の音声認識処理部で並行して、入力音声に対してそ
れぞれ固有の認識方式に従って音声認識を行い、音声認
識結果とその確からしさを示す信頼度とをそれぞれ出力
するステップと、ｂ）前記複数の音声認識処理部のそれ
ぞれから出力された信頼度を前記音声認識処理部別に用
意された評価関数を用いて前記複数の音声認識処理部で
共通な尺度である評価値に変換するステップと、ｃ）該
変換して得られた複数の評価値の比較結果に基づいて前
記複数の音声認識結果から音声認識結果を選択して出力
するステップとを含んでいる。ここで、前記評価関数
は、例えば、前記複数の音声認識処理部の何れか１つの
音声認識処理部に対応する基準評価関数と、他の音声認
識処理部に対応する評価関数とを含み、他の音声認識処
理部に対応する評価関数は、信頼度の値が同じであって
も、音声認識結果が前記１つの音声認識処理部の音声認
識結果に比べて、より正解に近い信頼度の範囲について
は前記基準評価関数よりも高い評価値が得られ、正解に
近くない信頼度の範囲については前記基準評価関数より
も低い評価値が得られるような評価関数である。

【００１０】本発明の第２の音声認識方法は、ｄ）前記
他の音声認識処理部に対応する評価関数を生成するステ
ップを更に含み、該ステップｄは、ｄ−１）サンプル音
声データについて前記複数の音声認識処理部で得られた
音声認識結果を利用者に提示するステップと、ｄ−２）
信頼度と評価値のグラフ上に前記基準評価関数を表示す
るステップと、ｄ−３）前記他の音声認識処理部で得ら
れた信頼度に対して付与する評価値を前記グラフ上に利
用者からの指示に従ってプロットするステップと、ｄ−
４）用意されたサンプル音声データの数だけ前記ステッ
プｄ−１〜ｄ−３を繰り返すステップと、ｄ−５）前記
グラフ上のプロット点の集合に基づいて前記他の音声認
識処理部用の前記評価関数を作成するステップとを含ん
でいる。

【００１１】

【作用】本発明の第１の音声認識システム及び音声認識
方法にあっては、複数の音声認識処理部からそれぞれ出
力された信頼度を、音声認識処理部別に用意された評価
関数を用いて複数の音声認識処理部で共通な尺度である
評価値に変換し、この変換後の複数の評価値の比較結果
に基づいて最適な音声認識結果を選択するため、認識方
式が大きく相違し、そのために出力する信頼度の基準や
尺度が異なる複数の音声認識処理部を組み合わせても、
より正解に近い音声認識結果を選択して出力する音声認
識システム及び方法が得られる。

【００１２】また本発明の第２の音声認識システム及び
音声認識方法にあっては、必要な評価関数をサンプル音
声データおよび基準評価関数から利用者が簡単に作成す
ることができる。

【００１３】

【発明の実施の形態】次に、本発明の第１の実施の形態
について図面を参照して詳細に説明する。

【００１４】図１のブロック図を参照すると、本発明の
第１の実施の形態の音声認識システムは、音声データ入
力装置１０１と、プログラム制御により動作するデータ
処理装置１０２と、文字データ出力装置１０３と、モー
ド切替器１０４と、表示装置１０５と、入力装置１０６
とから構成されている。

【００１５】モード切替器１０４は、音声認識システム
の動作モードを、音声認識モードと評価関数生成モード
とに切り替えるスイッチ等で構成される。モード切替器
１０４の出力は、データ処理装置１０２および文字デー
タ出力装置１０３に入力される。

【００１６】音声データ入力装置１０１は、音声認識モ
ードのときに利用者によって入力される入力音声データ
１１１および評価関数生成モードのときに利用者によっ
て入力されるサンプル音声データ１１２を入力してデー
タ処理装置１０２に出力する音声データ入力手段１２１
を含んで構成される。音声データ入力手段１２１は、音
声を集音するマイクロフォン、その出力を増幅する増幅
器、その出力をデジタル信号に変換するＡＤ変換器など
を有する。

【００１７】データ処理装置１０２は、２個の音声認識
処理部１３１、１３２と、音声認識結果評価手段１３３
と、評価関数１３４と、評価関数作成手段１３５と、音
声認識結果プロット手段１３６とを含んで構成される。

【００１８】音声認識処理部１３１、１３２は、音声デ
ータ入力手段１２１から入力された音声に対してそれぞ
れ固有の認識方式に従って音声認識を行い、音声認識結
果とその確からしさを示す信頼度とをそれぞれ出力する
機能を有する。ここで、音声認識結果は文字データであ
る。また信頼度は例えば100％を最高値とする数値であ
る。音声認識処理部１３１、１３２は、音声認識モード
と評価関数生成モードとで入力される音声が入力音声デ
ータ１１１とサンプル音声データ１１２とで相違するだ
けで、両モードにおいて同じ動作を行う。

【００１９】本実施の形態の場合、音声認識処理部１３
１は、音声認識手段１３７と信頼度計算手段１３９とで
構成される。一般に音声認識の手法には、知識工学的な
手法、パターンマッチング的な手法、確率統計的な手
法、ニューラルネットワーク的な手法など各種の手法が
提案ないし実用化されており、同じ手法であっても数多
くのバラエティがある。音声認識手段１３７にはそれら
の任意の手法を用いることができる。音声認識手段１３
７は、入力音声が与えられると、内部の処理で幾つかの
認識結果の候補をその信頼度と共に生成し、最も信頼度
の高い候補とその信頼度を出力する。信頼度計算手段１
３９は、音声認識手段１３７が入力音声を構成する単語
などの構成単位で信頼度を出力するものである場合に、
各構成単位毎の信頼度から入力音声全体の信頼度を計算
する手段である。例えば、全ての構成単位の信頼度の平
均値を入力音声全体の信頼度とする。音声認識手段１３
７自体が入力音声全体の信頼度を出力するものである場
合には、信頼度計算手段１３９は、音声認識手段１３７
から出力された信頼度をそのまま出力するものとして構
成されるか、もしくは省略してよい。

【００２０】他方の音声認識処理部１３２も音声認識処
理部１３１における音声認識手段１３７及び信頼度計算
手段１３９と同様な音声認識手段１３８及び信頼度計算
手段１４０で構成される。但し、音声認識手段１３８の
認識方式は音声認識手段１３７の認識方式とは相違して
いる。ここで、認識方式が相違するとは、知識工学的な
手法、パターンマッチング的な手法、確率統計的な手
法、ニューラルネットワーク的な手法などの音声認識の
手法自体が相違する場合だけでなく、同じ音声認識の手
法を使うが、認識処理を行うために予め蓄えておく標準
パターンなどが異なる場合も含む。

【００２１】音声認識結果評価手段１３３は、モードに
よって動作が異なる。音声認識モードのときは、音声認
識処理部１３１、１３２から音声認識結果と信頼度を入
力し、音声認識処理部別に用意された評価関数１３４を
用いてそれぞれの信頼度を、互いの信頼度を相対的に比
較するための共通な尺度である評価値に変換し、この変
換して得られた各評価値の比較結果に基づいて前記複数
の音声認識結果から１つの音声認識結果を選択して文字
データ出力装置１０３に出力する。評価関数生成モード
のときは、音声認識処理部１３１、１３２から出力され
た音声認識結果と信頼度をそのまま文字データ出力装置
１０３に出力する。

【００２２】評価関数１３４は、音声認識処理部１３１
用の評価関数fa()と音声認識処理部１３２用の評価関数
fb()とで構成される。本実施の形態の場合、何れか一方
は事前に固定的に設定され、他方が評価関数生成モード
時に作成される。事前に固定的に設定される評価関数を
基準評価関数と呼ぶ。fa()、fb()の何れを基準評価関数
にしても構わないが、以下の説明では音声認識処理部１
３１用のfa()を基準評価関数とする。図２にfa()の例を
グラフ形式で示す。横軸が信頼度、縦軸が評価値であ
り、符号２０１で示す線分がfa()に相当する。この場
合、基準評価関数fa()は、信頼度を変数に持つ一次関数
である。このfa()によれば、例えば信頼度65％は値８５
の評価値に変換される。なお、基準評価関数は一次関数
に限定されるものではない。評価関数生成モードにおい
ては、この基準評価関数fa()との関係において残りの評
価関数fb()が生成される。この生成に関して音声認識結
果プロット手段１３６と評価関数作成手段１３５が関与
するが、それらの機能については後述する。

【００２３】文字データ出力装置１０３は文字データ出
力手段１５１を有する。文字データ出力手段１５１はモ
ードによって動作が異なる。音声認識モードのときは、
音声認識結果評価手段１３３から出力された音声認識結
果の文字データを認識結果１１３として出力する。出力
先は特に制限されず、表示装置１０５であってもよい
し、図示しない記録媒体や回線などであってもよい。他
方、評価関数生成モードのときは、音声認識処理部１３
１、１３２で得られた双方の音声認識結果およびその信
頼度を表示装置１０５に表示して利用者に提示する。よ
り具体的には本実施の形態では、以下のような動作を行
う。

【００２４】先ず、基準評価関数fa()を図２で示したよ
うなグラフ形式で表示装置１０５のグラフ表示欄に表示
する。次に、或るサンプル音声データに関して音声認識
処理部１３１、１３２で得られた音声認識結果と信頼度
とが音声認識結果評価手段１３３から渡されると、それ
ぞれの音声認識結果の文字データを利用者に提示するた
めに表示装置１０５の認識結果欄に表示し、かつ、音声
認識処理部１３１の信頼度が基準評価関数fa()で変換す
るとどのような評価値に変換されるかを、グラフ表示欄
に表示している基準評価関数fa()のグラフ上で提示し、
さらに、音声認識処理部１３２の信頼度を同グラフ上で
提示する。例えば図３に示すように、音声認識処理部１
３１で得られた信頼度が例えば65％とすると、横軸の65
％の目盛りの位置から縦軸に平行に基準評価関数２０１
まで達する線分２０２を描き、この線分２０２と基準評
価関数２０１の交点を通り、横軸に平行な線分２０３を
描くことで、音声認識処理部１３１の信頼度が基準評価
関数fa()で変換すると値85の評価値に変換されることを
利用者に提示する。また、音声認識処理部１３２で得ら
れた信頼度が例えば50％とすると、図３に示すように、
横軸の50％の目盛りの位置から縦軸に平行な直線２０４
を描くことで、音声認識処理部１３２の信頼度を同グラ
フ上で提示する。

【００２５】前述した音声認識結果プロット手段１３６
は、自動作成の対象となる評価関数fb()について今回の
信頼度に対する評価点を与えるための手段であり、上記
のようにして描かれた直線２０４上の一点を入力装置１
０６からの利用者の指示でプロットする機能を有する。
直線２０４上のどの箇所をプロット点として利用者が指
定するかは、表示装置１０５に表示された音声認識処理
部１３１、１３２の音声認識結果を比較して決定する。
具体的には、例えば以下のように行う。

【００２６】図３に示したように音声認識処理部１３
１、１３２で今回得られた信頼度がそれぞれ65％、50％
とし、音声認識処理部１３１の音声認識結果よりも音声
認識処理部１３２の音声認識結果の方がより正解に近い
のであれば、音声認識処理部１３１の信頼度65％を基準
評価関数fa()で変換して得られる評価点85よりも高い評
価点を音声認識処理部１３２に与える必要があるので、
図３のプロット点２０５に例示するように直線２０４の
線分２０３より若干上側の部分をプロットする。反対
に、音声認識処理部１３２の音声認識結果よりも音声認
識処理部１３１の音声認識結果の方がより正解に近いの
であれば、元々の信頼度65％、50％自体がその関係を正
しく示しているので、図３のプロット点２０６に例示す
るように直線２０４と基準評価関数２０１の交点をプロ
ットする。また、認識結果に差異がなければ直線２０４
と線分２０３との交点をプロットする。

【００２７】図４に示したように音声認識処理部１３
１、１３２で今回得られた信頼度がそれぞれ65％、75％
とし、音声認識処理部１３１の音声認識結果よりも音声
認識処理部１３２の音声認識結果の方がより正解に近い
のであれば、音声認識処理部１３１の信頼度65％を基準
評価関数fa()で変換して得られる評価点85よりも高い評
価点を音声認識処理部１３２に与える必要があるため、
図４のプロット点２０７に例示するように例えば直線２
０４と基準評価関数２０１の交点をプロットする。反対
に、音声認識処理部１３２の音声認識結果よりも音声認
識処理部１３１の音声認識結果の方がより正解に近いの
であれば、図４のプロット点２０８に例示するように直
線２０４の線分２０３より若干下側の部分をプロットす
る。また、認識結果に差異がなければ直線２０４と線分
２０３との交点をプロットする。

【００２８】図５に示したように音声認識処理部１３
１、１３２で今回得られた信頼度が同じ65％とし、音声
認識処理部１３１の音声認識結果よりも音声認識処理部
１３２の音声認識結果の方がより正解に近いのであれ
ば、図５のプロット点２０９に例示するように直線２０
４の線分２０３より若干上側の部分をプロットする。反
対に、音声認識処理部１３２の音声認識結果よりも音声
認識処理部１３１の音声認識結果の方がより正解に近い
のであれば、図５のプロット点２１０に例示するように
直線２０４の線分２０３より若干下側の部分をプロット
する。また、認識結果に差異がなければ直線２０４と線
分２０３との交点をプロットする。

【００２９】以上のようなプロット作業は、各サンプル
音声データ毎に実施する。サンプル音声データは、多種
多様な入力音声環境をカバーし得るように必要充分なサ
ンプル数だけ用意されている。全てのサンプル音声デー
タについて上述したプロット作業を終えると、サンプル
音声データの数だけのプロット点が得られる。評価関数
作成手段１３５は、これらのプロット点の集合から音声
認識処理部１３２用の評価関数fb()を生成する。評価関
数fb()はプロット点の集合をよく近似する関数であれば
よく、その具体的な作成方法は任意で良い。例えば、横
軸の信頼度目盛りの１％おきに、その信頼度から縦軸に
平行に引いた直線に乗る全てのプロット点について、そ
の点から横軸に引いた線分が縦軸と交わる箇所の評価点
を読み取ってその平均値を求め、１％おきの各信頼度毎
の平均値を通る曲線を表す関数をfb()とする方法などが
利用できる。こうして作成された評価関数fb()は、評価
関数１３４に登録され、音声認識モード時に使用され
る。

【００３０】以上の説明では、表示装置１０５への基準
評価関数のグラフ表示、音声認識処理部１３１で得られ
た信頼度とそれに対応する評価値とのグラフ上での提
示、音声認識処理部１３２で得られた信頼度のグラフ上
での提示を文字データ出力手段１５１が実施したが、こ
れらの処理を音声認識結果プロット手段１３６で実施す
るようにしてもよい。また、音声認識処理部１３１で得
られた信頼度とそれに対応する評価値との算出を利用者
自身が行う用にしてもよい。

【００３１】次に、図６のフローチャートの流れに沿っ
て、本実施の形態の音声認識システムの評価関数生成モ
ード時の動作を説明する。なお、図６に示す処理はモー
ド切替器１０４を評価関数生成モードに切り替えた場合
に実行される。

【００３２】まず利用者は、前もって信頼度の評価の基
準となる基準評価関数fa()を作成して評価関数１３４に
設定する（ステップＳ１０１）。次に利用者が音声認識
の対象となる音声データとしてサンプル音声データ１１
２を音声データ入力装置１０１の音声データ入力手段１
２１を用いて入力すると、音声データ入力手段１２１が
入力されたサンプル音声データ１１２をデータ処理装置
１０２に入力する（ステップＳ１０２）。データ処理装
置１０２では、音声データ入力手段１２１から受け取っ
たサンプル音声データ１１２を音声認識処理部１３１お
よび音声認識処理部１３２に送りこむ。

【００３３】音声認識処理部１３１は、音声認識手段１
３７により、受け取ったサンプル音声データ１１２を音
声認識処理部１３１固有の認識方式で音声認識して音声
認識結果Ａを出力し、信頼度計算手段１３９により、そ
の音声認識結果の信頼度ａを出力する（ステップＳ１０
３）。同様に、音声認識処理部１３２は、音声認識手段
１３８により、受け取ったサンプル音声データ１１２を
音声認識処理部１３２固有の認識方式で音声認識して音
声認識結果Ｂを出力し、信頼度計算手段１４０により、
その音声認識結果の信頼度ｂを出力する（ステップＳ１
０４）。

【００３４】次に音声認識結果評価手段１３３は、音声
認識処理部１３１、１３２から受け取った音声認識結果
Ａ、Ｂと信頼度ａ、ｂを文字データ出力装置１０３の文
字データ出力手段１５１に出力し（ステップＳ１０
５）、文字データ出力手段１５１は、双方の音声認識結
果の文字データを表示装置１０５の認識結果欄に表示す
ると共に、図３を参照して説明したような方法で、音声
認識処理部１３１の信頼度ａとそれに対応する評価値fa
(a)、音声認識処理部１３２の信頼度ｂをグラフ上で提
示する（ステップＳ１０６）。

【００３５】次に利用者は、表示装置１０５の認識結果
欄に表示された双方の音声認識結果を比較し、何れがよ
り正解に近いかを判断し、その判断結果を踏まえて図３
乃至図５を参照して説明した方法で、音声認識結果プロ
ット手段１３６を利用して音声認識処理部１３２の今回
の信頼度ｂに対応する評価値fb(b)をグラフ上にプロッ
トする（ステップＳ１０７）。

【００３６】次に、利用者はサンプリング処理の完了を
確認し、完了していなければ（ステップＳ１０８でＮ
ｏ）、次のサンプル音声データを入力する（ステップＳ
１０２）。これにより、上述した処理と同様の処理が繰
り返される。また、全てのサンプル音声データを処理し
終えていれば（ステップＳ１０８でＹｅｓ）、入力装置
１０６からの指示で評価関数作成手段１３５を起動す
る。評価関数作成手段１３５は、利用者が音声認識結果
プロット手段１３６で信頼度と評価値のグラフ上にプロ
ットした評価値fb(b)の集合から、音声認識処理部１３
２用の評価関数fb()を生成し、評価関数１３４に設定す
る（ステップＳ１０９）。

【００３７】図７に全てのサンプル音声データについて
プロットされたグラフの一例とそのプロットの集合から
生成された評価関数fb()の例を示す。同図において小さ
なドットの一つ一つがプロット点であり、破線で示す曲
線がプロット点の集合から生成された評価関数fb()の例
である。この例では、信頼度を高低の２つの領域に分け
た場合、高い領域では、同じ信頼度であっても評価関数
fa()よりも高い評価値が得られ、低い領域では、同じ信
頼度であっても評価関数fa()よりは低い評価値が得られ
るような評価関数fb()が生成されている。

【００３８】次に、図８のフローチャートの流れに沿っ
て、本実施の形態の音声認識システムの音声認識モード
時の動作を説明する。なお、図８に示す処理はモード切
替器１０４を音声認識モードに切り替えた場合に実行さ
れる。

【００３９】利用者が音声認識の対象となる入力音声デ
ータ１１１を音声データ入力装置１０１の音声データ入
力手段１２１を用いて入力すると、音声データ入力手段
１２１が入力音声データ１１１をデータ処理装置１０２
に入力する（ステップＳ２０１）。データ処理装置１０
２では、音声データ入力手段１２１から受け取った入力
音声データ１１１を音声認識処理部１３１および音声認
識処理部１３２に送りこむ。

【００４０】音声認識処理部１３１は、音声認識手段１
３７により、受け取った入力音声データ１１１を音声認
識処理部１３１固有の認識方式で音声認識して音声認識
結果Ａを出力し、信頼度計算手段１３９により、その音
声認識結果の信頼度ａを出力する（ステップＳ２０
２）。同様に、音声認識処理部１３２は、音声認識手段
１３８により、受け取った入力音声データ１１１を音声
認識処理部１３２固有の認識方式で音声認識して音声認
識結果Ｂを出力し、信頼度計算手段１４０により、その
音声認識結果の信頼度ｂを出力する（ステップＳ２０
３）。

【００４１】次に音声認識結果評価手段１３３は、音声
認識処理部１３１から受け取った信頼度ａを評価関数fa
()を用いて評価値fa(a)に変換すると共に、音声認識処
理部１３２から受け取った信頼度ｂを評価関数fb()を用
いて評価値fb(b)に変換する（ステップＳ２０４）。そ
して、音声認識処理部１３１の評価値fa(a)の方が音声
認識処理部１３２の評価値fb(b)より高ければ（ステッ
プＳ２０５でＹｅｓ）、音声認識処理部１３１の音声認
識結果Ａを選択して文字データ出力装置１０３に出力す
る（ステップＳ２０６）。そうでなければ、つまり、音
声認識処理部１３１の評価値fa(a)の方が音声認識処理
部１３２の評価値fb(b)より高くなければ（ステップＳ
２０５でＮｏ）、音声認識処理部１３２の音声認識結果
Ｂを選択して文字データ出力装置１０３に出力する（ス
テップＳ２０７）。文字データ出力装置１０３の文字デ
ータ出力手段１５１は、音声認識結果評価手段１３３か
ら渡された音声認識結果の文字データを認識結果１１３
として出力する（ステップＳ２０８）。

【００４２】図９乃至図１２に、評価関数fa()、fb()が
それぞれ図２の２０１、図７の３０１であった場合にお
いて、音声認識処理部１３１の信頼度ａ、その評価値fa
(a)、音声認識処理部１３２の信頼度ｂ、その評価値fb
(b)の組み合わせを示す。図９は、信頼度ａが信頼度ｂ
より高く、且つ、評価値fa(a)も評価値fb(b)より高い場
合を示す。この場合、音声認識結果評価手段１３３は音
声認識結果として音声認識結果Ａを選択する。図１０
は、信頼度ａが信頼度ｂより低く、且つ、評価値fa(a)
も評価値fb(b)より低い場合を示す。この場合、音声認
識結果評価手段１３３は音声認識結果として音声認識結
果Ｂを選択する。この図９および図１０の場合には評価
値でなく信頼度の高低で音声認識結果を選択した場合と
特に変わらない。これに対し、図１１に示すように、信
頼度ａが信頼度ｂより高いが、評価値fa(a)が評価値fb
(b)より低い場合は、音声認識結果評価手段１３３は音
声認識結果として音声認識結果Ｂを選択する。また、図
１２に示すように、信頼度ａが信頼度ｂより低いが、評
価値fa(a)が評価値fb(b)より高い場合は、音声認識結果
評価手段１３３は音声認識結果として音声認識結果Ａを
選択する。このように図１１および図１２の場合、信頼
度の高低で音声認識結果を選択した場合とは反対の結果
が得られている。

【００４３】以上の実施の形態では、音声認識処理部１
３２用の評価関数fb()を、基準となる評価関数fa()及び
サンプル音声データを用いて実際に音声認識した結果に
基づいて実験的に作成したが、組み合わせる音声認識処
理部の特性が推定できる場合、その推定に基づいて評価
関数を事前に作成することが可能である。以下、この点
につき説明する。

【００４４】音声認識処理部１３１の音声認識手段１３
７が、語句解析で音声認識を行い意味解析による認識処
理は行わない音声認識手段であり、信頼度計算手段１３
９が、音声認識手段１３７で音声認識した音声認識結果
の信頼度を算出するものとする。なお、信頼度計算手段
１３９における信頼度の計算方法としては、例えば音声
認識結果に含まれる語句毎の信頼度の平均を音声認識結
果の信頼度とする方法を用いることができる。つまり、
例えば「コンニチハ（ワ） イイテンキデスネ」という
入力音声を音声認識させた場合に「今日は、いい天気で
すね。」という音声認識結果が得られた場合、「今
日」、「は」、「、」、「いい」、「天気」、「で
す」、「ね」、「。」の各語句の信頼度を出現頻度で表
した場合にそれぞれ「７０％」「６０％」「７５％」
「３５％」「５０％」「４０％」「３０％」「８０％」
とすると、入力音声全体の音声認識結果の信頼度をその
平均の「５５％」とする。

【００４５】他方、音声認識処理部１３２の音声認識手
段１３８は、語句解析ならびに意味解析で音声認識を行
う音声認識手段であるとする。なお、意味解析まで行う
場合、一般に連続音声認識した入力音声全体の信頼度を
出力するので、信頼度計算手段１４０は音声認識手段１
３８が出力した、例えば音声認識結果の類似度をそのま
ま入力音声全体の音声認識結果の信頼度として出力す
る。

【００４６】語句解析で音声認識を行う音声認識手段１
３７の場合、音声認識した結果の文字データの任意の語
句は前後の語句に影響され無いので、音声認識した結果
の信頼度から評価値を得る評価関数fa()は、ほぼ直線に
するのが最適だと考えられる。例えば、「コンニチハ
（ワ） イイテンキデスネ」という入力音声を音声認識
させた場合、語句「いい」の前後の語句「今日」「は」
「、」「天気」「です」「ね」「。」がかなり高い信頼
度が期待できる場合でも語句「いい」の信頼度に影響が
無いので、入力音声データ全体の音声認識結果の信頼度
は全語句の平均値等の各語句の信頼度が単調増加すると
全語句の信頼度が単調増加する値を適用することが適切
である。また、音声認識結果の信頼度である全語句の信
頼度が単調に増加すると音声認識結果を利用者が正解と
認める割合である認識率も単調に増加する。よって、図
１３のグラフ上の線分４０１に示すように、語句解析で
音声認識を行う音声認識手段１３７の信頼度を評価する
評価関数fa()は直線的な関数になる。

【００４７】他方、意味解析で音声認識を行う音声認識
手段１３８を利用する場合、前述した例文の場合、音声
認識結果には「今日は、良い（ヨイ）天気ですね。」
「今日は、いい（イイ）天気ですね。」等が考えられ、
音声認識結果の組み合わせが語句解析で音声認識を行う
場合よりも増えるために全体的な音声認識結果の信頼度
は下がってしまう。また、ある程度前後の語句が音声認
識されるとそれら語句を利用することにより入力音声デ
ータ全体の認識率が高くなる。逆に、前後の語句が音声
認識されないと認識率が低くなる恐れがある。例えば、
語句「いい」の前後の語句「今日」「は」「、」「天
気」「です」「ね」「。」がある程度音声認識できれ
ば、入力音声データ全体の信頼度がそんなに高くなくて
も、入力音声データ全体の音声認識結果の「今日は、良
い天気ですね。」の認識率が高くなる。よって、図１３
のグラフ上の曲線４０２に示すように、意味解析で音声
認識を行う音声認識手段１３８の信頼度を評価する評価
関数fb()は、語句解析で音声認識を行う音声認識手段１
３７の信頼度を評価する評価関数fa()に比べて信頼度が
高い場合には評価値が高くなり、信頼度が低い場合には
評価値が低くなる曲線を描く関数になる。

【００４８】以上のように音声認識処理部１３１、１３
２双方の評価関数fa()、fb()が事前に推定できる場合、
推定して作成した評価関数fa()、fb()を評価関数１３４
に設定することで直ちに音声認識モードによる処理を開
始できる。その場合、評価関数作成手段１３５、音声認
識結果プロット手段１３６、モード切替器１０４、表示
装置１０５、入力装置１０６の各要素、および音声認識
結果評価手段１３３と文字データ出力手段１５１が有す
る評価関数生成モード時の機能は省略して、図１４に示
すような音声認識システムに簡素化することができる。

【００４９】以上の各実施の形態では、２つの音声認識
処理部を相補的に組み合わせたが、３つ以上の音声認識
処理部を組み合わせることも可能である。基準評価関数
から他の２以上の評価関数を図１の実施の形態における
評価関数生成モードと同様に作成する場合、基準評価関
数を割り当てた１つの音声認識処理部の音声認識結果
と、他の２つ以上の音声認識処理部の音声認識結果それ
ぞれとを比較して評価値をプロットする。従って、１つ
のサンプル音声データ当り、他の音声認識処理部の数だ
けの評価値をプロットすることになる。各々のプロット
点がどの音声認識処理部に対応するものであるかを区別
するために、プロット点を複数種類にして他の音声認識
処理部に１対１に割り当て、同じ種類のプロット点の集
合毎に評価関数作成手段１３５が評価関数を生成する。

【００５０】また、以上の各実施の形態では、音声認識
処理部１３１、１３２のそれぞれに信頼度計算手段１３
９、１４０を独立に設けたが、同じ手法の音声認識を使
い、標準パターンだけが違う認識方式の複数の音声認識
手段１３７、１３８を組み合わせる場合などでは、信頼
度の計算方法が同じになるので、例えば図１５に示すよ
うに、複数の音声認識手段１３７、１３８で同じ信頼度
計算手段１６１を使うようにしてもよい。

【００５１】以上本発明の実施の形態について説明した
が、本発明は以上の実施の形態にのみ限定されず、その
他各種の付加変更が可能である。また、本発明の音声認
識システムは、その有する機能をハードウェア的に実現
することは勿論、コンピュータと音声認識用プログラム
とで実現することができる。音声認識用プログラムは、
磁気ディスクや半導体メモリ等のコンピュータ可読記録
媒体に記録されて提供され、コンピュータの立ち上げ時
などにコンピュータに読み取られ、そのコンピュータの
動作を制御することにより、そのコンピュータを前述し
た各実施の形態における音声認識システムとして機能さ
せる。

【００５２】

【発明の効果】以上説明したように本発明によれば、出
力する信頼度の生成基準や尺度が異なる複数の音声認識
処理部であってもそれらを相補的に組み合わせることが
できる音声認識システム及び音声認識方法が得られる。
また、それに必要な評価関数をサンプル音声データおよ
び基準評価関数から利用者が簡単に作成することができ
る。

【図面の簡単な説明】

【図１】本発明の第１の実施の形態の構成を示すブロッ
ク図である。

【図２】本発明で用いる基準評価関数の一例を示す図で
ある。

【図３】評価関数生成モードにおいて利用者が実施する
評価点のプロット作業の説明図である。

【図４】評価関数生成モードにおいて利用者が実施する
評価点プロット作業の説明図である。

【図５】評価関数生成モードにおいて利用者が実施する
評価点プロット作業の説明図である。

【図６】本発明の第１の実施の形態における評価関数生
成モード時の処理例を示すフローチャートである。

【図７】サンプル音声データ全てについて実施された評
価点のプロットの集合とそれから作成された評価関数の
例を示す図である。

【図８】本発明の第１の実施の形態における音声認識モ
ード時の処理例を示すフローチャートである。

【図９】本発明の第１の実施の形態における音声認識モ
ード時の音声認識結果評価手段の動作説明図である。

【図１０】本発明の第１の実施の形態における音声認識
モード時の音声認識結果評価手段の動作説明図である。

【図１１】本発明の第１の実施の形態における音声認識
モード時の音声認識結果評価手段の動作説明図である。

【図１２】本発明の第１の実施の形態における音声認識
モード時の音声認識結果評価手段の動作説明図である。

【図１３】本発明の第２の実施の形態で用いる評価関数
の一例を示す図である。

【図１４】本発明の第２の実施の形態の音声認識システ
ムの構成を示すブロック図である。

【図１５】信頼度計算手段を複数の音声認識手段で共有
する構成を示すブロック図である。

【符号の説明】

１０１…音声データ入力装置 １０２…データ処理装置 １０３…文字データ出力装置 １０４…モード切替器 １０５…表示装置 １０６…入力装置 １１１…入力音声データ １１２…サンプル音声データ １２１…音声データ入力手段 １３１、１３２…音声認識処理部 １３３…音声認識結果評価手段 １３４…評価関数 １３５…評価関数作成手段 １３６…音声認識結果プロット手段 １３７、１３８…音声認識手段 １３９、１４０…信頼度計算手段

Claims (11)

【特許請求の範囲】
1. 【請求項１】 入力音声に対してそれぞれ固有の認識方
   式に従って音声認識を行い、音声認識結果とその確から
   しさを示す信頼度とをそれぞれ出力する複数の音声認識
   処理部と、前記複数の音声認識処理部のそれぞれから出
   力された信頼度を前記音声認識処理部別に用意された評
   価関数を用いて前記複数の音声認識処理部で共通な尺度
   である評価値に変換し、該変換して得られた複数の評価
   値の比較結果に基づいて前記複数の音声認識結果から音
   声認識結果を選択して出力する音声認識結果評価手段と
   を備えた音声認識システム。
2. 【請求項２】 前記評価関数は、前記複数の音声認識処
   理部の何れか１つの音声認識処理部に対応する基準評価
   関数と、他の音声認識処理部に対応する評価関数とを含
   み、他の音声認識処理部に対応する評価関数は、信頼度
   の値が同じであっても、音声認識結果が前記１つの音声
   認識処理部の音声認識結果に比べて、より正解に近い信
   頼度の範囲については前記基準評価関数よりも高い評価
   値が得られ、正解に近くない信頼度の範囲については前
   記基準評価関数よりも低い評価値が得られる評価関数で
   ある請求項１記載の音声認識システム。
3. 【請求項３】 サンプル音声データについて前記複数の
   音声認識処理部で得られた音声認識結果を利用者に提示
   する手段と、信頼度と評価値のグラフ上に前記基準評価
   関数を表示する手段と、前記他の音声認識処理部で得ら
   れた信頼度に対して付与する評価値を前記グラフ上に利
   用者からの指示に従ってプロットする手段と、前記グラ
   フ上のプロット点の集合に基づいて前記他の音声認識処
   理部用の前記評価関数を作成する手段とを備えた請求項
   ２記載の音声認識システム。
4. 【請求項４】 前記音声認識処理部は、入力音声に対し
   て音声認識を行い音声認識結果を出力する音声認識手段
   と、該音声認識手段の音声認識結果の確からしさを示す
   信頼度を計算する信頼度計算手段とを含む請求項１乃至
   ３の何れか１項に記載の音声認識システム。
5. 【請求項５】 複数の音声認識処理部で、前記信頼度計
   算手段を共有する構成とした請求項４記載の音声認識シ
   ステム。
6. 【請求項６】 ａ）複数の音声認識処理部で並行して、
   入力音声に対してそれぞれ固有の認識方式に従って音声
   認識を行い、音声認識結果とその確からしさを示す信頼
   度とをそれぞれ出力するステップと、ｂ）前記複数の音
   声認識処理部のそれぞれから出力された信頼度を前記音
   声認識処理部別に用意された評価関数を用いて前記複数
   の音声認識処理部で共通な尺度である評価値に変換する
   ステップと、ｃ）該変換して得られた複数の評価値の比
   較結果に基づいて前記複数の音声認識結果から音声認識
   結果を選択して出力するステップとを含む音声認識方
   法。
7. 【請求項７】 前記評価関数は、前記複数の音声認識処
   理部の何れか１つの音声認識処理部に対応する基準評価
   関数と、他の音声認識処理部に対応する評価関数とを含
   み、他の音声認識処理部に対応する評価関数は、信頼度
   の値が同じであっても、音声認識結果が前記１つの音声
   認識処理部の音声認識結果に比べて、より正解に近い信
   頼度の範囲については前記基準評価関数よりも高い評価
   値が得られ、正解に近くない信頼度の範囲については前
   記基準評価関数よりも低い評価値が得られる評価関数で
   ある請求項６記載の音声認識方法。
8. 【請求項８】 ｄ）前記他の音声認識処理部に対応する
   評価関数を生成するステップを更に含み、該ステップｄ
   は、ｄ−１）サンプル音声データについて前記複数の音
   声認識処理部で得られた音声認識結果を利用者に提示す
   るステップと、ｄ−２）信頼度と評価値のグラフ上に前
   記基準評価関数を表示するステップと、ｄ−３）前記他
   の音声認識処理部で得られた信頼度に対して付与する評
   価値を前記グラフ上に利用者からの指示に従ってプロッ
   トするステップと、ｄ−４）用意されたサンプル音声デ
   ータの数だけ前記ステップｄ−１〜ｄ−３を繰り返すス
   テップと、ｄ−５）前記グラフ上のプロット点の集合に
   基づいて前記他の音声認識処理部用の前記評価関数を作
   成するステップとを含む請求項７記載の音声認識方法。
9. 【請求項９】 コンピュータを、入力音声に対してそれ
   ぞれ固有の認識方式に従って音声認識を行い、音声認識
   結果とその確からしさを示す信頼度とをそれぞれ出力す
   る複数の音声認識処理部、前記複数の音声認識処理部の
   それぞれから出力された信頼度を前記音声認識処理部別
   に用意された評価関数を用いて前記複数の音声認識処理
   部で共通な尺度である評価値に変換し、該変換して得ら
   れた複数の評価値の比較結果に基づいて前記複数の音声
   認識結果から音声認識結果を選択して出力する音声認識
   結果評価手段、として機能させる音声認識用プログラ
   ム。
10. 【請求項１０】 前記評価関数は、前記複数の音声認識
    処理部の何れか１つの音声認識処理部に対応する基準評
    価関数と、他の音声認識処理部に対応する評価関数とを
    含み、他の音声認識処理部に対応する評価関数は、信頼
    度の値が同じであっても、音声認識結果が前記１つの音
    声認識処理部の音声認識結果に比べて、より正解に近い
    信頼度の範囲については前記基準評価関数よりも高い評
    価値が得られ、正解に近くない信頼度の範囲については
    前記基準評価関数よりも低い評価値が得られる評価関数
    である請求項９記載の音声認識用プログラム。
11. 【請求項１１】 前記コンピュータを更に、サンプル音
    声データについて前記複数の音声認識処理部で得られた
    音声認識結果を利用者に提示する手段、信頼度と評価値
    のグラフ上に前記基準評価関数を表示する手段、前記他
    の音声認識処理部で得られた信頼度に対して付与する評
    価値を前記グラフ上に利用者からの指示に従ってプロッ
    トする手段、前記グラフ上のプロット点の集合に基づい
    て前記他の音声認識処理部用の前記評価関数を作成する
    手段、として機能させる請求項１０記載の音声認識用プ
    ログラム。