JP2004053979A

JP2004053979A - 音声認識辞書の作成方法及び音声認識辞書作成システム

Info

Publication number: JP2004053979A
Application number: JP2002212058A
Authority: JP
Inventors: Noriaki Otani; 大谷　教明
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2002-07-22
Filing date: 2002-07-22
Publication date: 2004-02-19

Abstract

【課題】ユーザの発声に整合するように発音データを蓄積した音声認識辞書を生成する。
【解決手段】辞書生成制御部５は、地名データベース１に蓄積された地名を表すテキストをスペル変換部３に供給する。スペル変換部３は、供給されたテキストのスペルを変換ルールテーブル２に記述されたルールに従って、”−”、”？”、”＋”、”；”、”／”、”（”、”）”などの記号文字を”　”（スペース）に置き換えることにより変換し、ＴＴＳエンジン４に供給する。ＴＴＳエンジン４のテキスト解析部７は、テキストを解析しテキストを読み上げた音声を特定するための発音データ８を作成する。辞書生成制御部５は、ＴＴＳエンジン４で生成された発音データ８を読み込み、先に地名データベース１より読み込んだテキストと対応づけて音声認識辞書６に格納する。
【選択図】図１

Description

【０００１】
【発明の属する技術分野】
本発明は、人間が発声した音声が表す内容を認識するために用いられる音声認識辞書を作成する技術に関するものである。
【０００２】
【従来の技術】
従来、人間が発声した音声が表す内容を認識するために用いられる音声認識辞書としては、認識の対象を表すテキスト毎に、当該テキストを発音した音声の特徴を特定する発音データを蓄積した音声認識辞書が知られている。
また、このような音声認識辞書を用いた音声認識は、マイクロフォンなどから入力した音声を、音声認識辞書に蓄積された発音データとパターンマッチングし、入力した音声に最もマッチする発音データに対応するテキストを、入力した音声が表すテキストとすることなどにより行われている。
【０００３】
【発明が解決しようとする課題】
さて、膨大な数の対象に対する音声認識辞書を作成は、各対象に対応する発音データの作成作業を伴うために多大の労力を要することになる。
そこで、たとえば、特開平８−３０２８７号公報、特開平８−９５５９７号公報等に記載の、テキストを読み上げるテキストツースピーチ（ＴＴＳ　；　Ｔｅｘｔ　Ｔｏ　Ｓｐｅｅｃｈ）の技術を用いて、認識する対象を表すテキストから自動的に、当該対象を発音した発音データを生成することが考えられる。
【０００４】
しかしながら、対象によっては、最終的に認識したいテキストをＴＴＳによって読み上げた発音データと、ユーザが、そのテキストを発声した発音データとが一致しない場合がある。また、対象によっては、最終的に認識したいテキストに、ＴＴＳによっては対応する発音データを生成できない文字や文字列が含まれる場合がある。
【０００５】
たとえば、ユーザが発声を省略する”　−　”を、ＴＴＳでは”ハイフン”と読み上げてしまう場合がある。また、英語用のＴＴＳでは、たとえばウムラウト付きのアルファベットを読み上げることができない。
そこで、本発明は、よりユーザの発声に整合するように発音データを蓄積した音声認識辞書を、少ない労力で作成可能とすることを課題とする。
【０００６】
【課題を解決するための手段】
前記課題達成のために、本発明は、コンピュータシステムを用いて、人間が発声した音声を認識するために用いられる音声認識辞書の作成を、コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストを、当該テキストに含まれる所定の記号文字をスペース文字に置き換えたテキストに変換する変換ステップと、コンピュータシステムにおいて、前記変換ステップで変換されたテキストの発音を表す発音データを生成する発音データ生成ステップと、コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとより行うようにしたものである。
【０００７】
このような音声認識辞書の作成方法によればＴＴＳの技術を用いて認識対象とするテキストの発音データを生成することができるので、発音データ生成に要する労力を削減することができる。また、ユーザが発声を省略する”　−　”（ハイフン）などの記号文字をスペース文字に変換し、変換した後のテキストに対して発音データを生成するようにすることができるので、よりユーザの発声に整合するように発音データを蓄積した音声認識辞書を構築することができるようになる。
一方で、前記変換ステップにおいて、前記所定の記号文字のスペースへの置き換えと共に、または、前記所定の記号文字のスペースへの置き換えは行わずに、前記音声認識辞書によって認識対象とするテキストを、当該テキストに含まれる記号文字”＃”の文字列”ｎｕｍｂｅｒ”への置き換えと、当該テキストに含まれる記号文字”＆”の文字列”ａｎｄ”への置き換えと、当該テキストに含まれる記号文字”＠”の文字列”ａｔ”への置き換えとのうちの少なくとも一つの置き換えを行ったテキストに変換するようにすれば、これら通常発音される記号文字を含むテキストについても、正しくユーザの発声に整合するように発音データを蓄積した音声認識辞書を構築することができるようになる。
【０００８】
また、本発明は、前記課題達成のために、音声認識辞書の作成を、コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストを、当該テキストに含まれる第１の言語に含まれ第２の言語に含まれない文字を、当該第１の言語の文字の発音に相当または近似する発音を有する前記第２の言語の文字に置き換えたテキストに変換する変換ステップと、コンピュータシステムにおいて、前記変換ステップで変換されたテキストの前記第２の言語の発音ルールに従った発音を表す発音データを生成する発音データ生成ステップと、コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとより行うようにしたものである。
【０００９】
このような音声認識辞書の作成方法によれば、第１、第２の言語によるテキストの双方を認識対象とする音声認識辞書の構築を、発音データステップを第２の言語にのみ対応する発音データを生成するステップとして行うことができる。したがって、第２の言語にのみ対応するＴＴＳの技術を用いて、第１、第２の言語によるテキストの双方を認識対象とする音声認識辞書の構築も行えるようになる。
【００１０】
また、前記課題達成のために、本発明は、音声認識辞書の作成を、コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストが、第１の言語によって対象を略記したテキストであった場合に、当該テキストが表す対象を略記せずに第１の言語によって表したテキストに含まれる第１の言語に含まれ第２の言語に含まれない文字を、当該第１の言語による文字の発音に相当または近似する発音を有する第２の言語の文字に置き換えたテキストに、前記認識対象とするテキストを変換する変換ステップと、コンピュータシステムにおいて、前記変換ステップで変換されたテキストの前記第２の言語の発音ルールに従った発音を表す発音データを生成する発音データ生成ステップと、コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとより行うようにしたものである。
【００１１】
このような音声認識辞書の作成方法によれば、第１の言語により対象を略記したテキストと、第２の言語によるテキストの双方を認識対象とする音声認識辞書の構築を、発音データステップを第２の言語にのみ対応する発音データを生成するステップとして行うことができる。したがって、第２の言語にのみ対応するＴＴＳの技術を用いて、第１の言語により対象を略記したテキストと、第２の言語によるテキストの双方を認識対象とする音声認識辞書の構築も行えるようになる。
【００１２】
【発明の実施の形態】
以下、本発明の実施形態について、北米の地名を対象とする音声認識辞書の作成を例にとり説明する。
図１に、本実施形態に係る音声認識辞書作成システムの構成を示す。
図示するように、本音声認識辞書作成システムは、北米の地名を表すテキストを蓄積した地名データベース１と、変換ルールテーブル２を用いてテキストのスペルの変換を行うスペル変換部３と、米国英語用のＴＴＳエンジン４と、辞書生成制御部５と、音声認識辞書６とを有する。
【００１３】
また、ＴＴＳエンジン４は、入力するテキストを解析しテキストを読み上げる音声を特定する発音データ８を作成するテキスト解析部７と、発音データ８に基づいて音声を出力する発音データ部９とを有する。ただし、本実施形態では発音データ部９は必ずしも必要ではない。
【００１４】
以下、このような音声認識辞書生成システムにおける音声認識辞書作成の処理について説明する。
図２に、この処理の手順を示す。
図示するように、辞書生成制御部５は、地名データベース１に蓄積された地名を表すテキストを順次読み込み（ステップ２０１）、読み込んだ各テキストについて（ステップ２０５）以下の処理を行う。
すなわち、辞書生成制御部５は、まず、読み込んだテキストをスペル変換部３に供給する。スペル変換部３は、供給されたテキストのスペルを変換ルールテーブル２に記述されたルールに従って変換し、ＴＴＳエンジン４に供給する（ステップ２０２）。ＴＴＳエンジン４のテキスト解析部７は、テキストを解析しテキストを読み上げた音声を特定するための発音データ８を作成する（ステップ２０３）。ここで、発音データ８の形式は任意でよいが、基本的には発音記号列と等価な内容を持つものとなる。
【００１５】
そして、辞書生成制御部５は、ＴＴＳエンジン４で生成された発音データ８を読み込み、先に地名データベース１より読み込んだテキストと対応づけて音声認識辞書６に格納する（ステップ２０４）。
ここで、図３ａに、以上のスペル変換部３におけるテキストのスペルの変換に用いられる変換ルールテーブル２の内容を示す。
変換ルールテーブル２には、スペル変換部３において、他の文字または他の文字列に置き換えるべき文字または文字列と、当該文字または文字列を置き換える文字または文字列との対応が記述されている。
すなわち、本実施形態では、図中ａ１に示すように、カナダ等において使用される英語アルファベットに含まれない仏語文字については、これを、同等の発音、または、英語圏の一般人が当該仏語文字に対して行う発音を有する英語アルファベット文字又は文字列に置き換える。また、図中ａ２に示すように、英語アルファベットに含まれない独語文字についても、これを、同等の発音、または、英語圏の一般人が当該仏語文字に対して行う発音を有する英語アルファベット文字又は文字列に置き換える。
【００１６】
また、さらに、英語アルファベットに含まれない仏語文字を含む名称の略記については、図中ａ３に示すように、対応する正式な名称のテキスト中の仏語文字を、同等の発音、または、英語圏の一般人が当該仏語文字に対して行う発音を有する英語アルファベット文字又は文字列に置き換えたテキストに変換する。
【００１７】
また、図中ａ４に示すように、スペル変換部３において、”−”、”？”、”＋”、”；”、”／”、”（”、”）”などの通常発音されない記号文字については、全て”　”（スペース）に置き換える。一方で、”＃”、”＆”、”＠”などの記号文字については通常の読みに従い、”ｎｕｍｂｅｒ”、”ａｎｄ”、”ａｔ”の文字列に変換する。そして、アルファベット文字の次に存在する”’”（シングルクオーツ）は、変換せずにそのままとする。
この結果、たとえば、”Ｉ−２０　ＥＡＳＴ　／　Ｉ−８２０　ＥＡＳＴ”などの通常発音されない記号文字を含む文字列は、記号文字をスペースに変換した”Ｉ　２０　ＥＡＳＴ　　Ｉ　８２０　ＥＡＳＴ”と変換されてＴＴＳエンジン４に供給される。また、同様に、”Ｉ−２０　Ｄ　（ＢＵＳ）”は、”Ｉ　２０　Ｄ　　ＢＵＳ　”と変換されてＴＴＳエンジン４に供給されることになる。また、たとえば、”ＴＯＭ　＆　ＪＥＲＲＹ　ＡＯＵＴＯ　ＳＥＲＶＩＣＥ”などの通常読まれる記号文字”＆”を含む文字列は、記号文字をその読みを表す文字列に変換した”ＴＯＭ　ａｎｄ　ＪＥＲＲＹ　ＡＯＵＴＯ　ＳＥＲＶＩＣＥ”に変換されてＴＴＳエンジン４に供給されることになる。また、”ＣＯＣＣＯ’Ｓ”のようにアルファベット文字の次に”’”が存在する文字列は、そのまま”’”を変換せずに残した”ＣＯＣＣＯ’Ｓ”として、ＴＴＳエンジン４に供給されることになる。
また、たとえば、英語アルファベットに含まれない仏文字を含む名称や、その略記については、その名称のテキスト中の仏文字を同等の読みを有する英語アルファベット文字又は文字列に置き換えたテキストに変換され、ＴＴＳエンジン４に供給され、ＴＴＳエンジン４において、米国英語発音に従い発音データ８が作成されることになる。
【００１８】
そして、図３ｂに示すように、音声認識辞書６に、地名データベース１から読み出した地名のテキストに対応づけて、スペル変換部３による変換後のテキストに対してＴＴＳエンジン４が生成した発音データが格納されることになる。ただし、音声認識辞書６を用いて音声認識を行うシステムにおいて、どのようにユーザの発声した音声を認識したいかに応じて、発音データに対して地名データベース１から読み出した地名のテキストそのものではなく、そのテキストと同意義のテキストや、そのテキストやそのテキストが表す対象を示す識別子などを格納するようにしてもよい。
さて、このようにして作成された音声認識辞書６は、たとえば、図４に示すように、ナビゲーション装置において、ユーザの入力音声を認識するために使用される。
図４に示すナビゲーション装置は、現在位置算出部４１、ルート探索部４２、ナビゲート画面生成部４３、主制御部４４、音声認識エンジン４５、音声認識辞書４６、地図データを格納した地図データベース４７、ＧＰＳ受信機４８、角加速度センサや車速センサなどの車両の走行状態を検知する走行状態センサ４９、ユーザよりの入力を受け付けるリモコンなどの入力装置５０、表示装置５１、マイクロフォン５２などを備えている。
【００１９】
現在位置算出部４１は、走行状態センサやＧＰＳ受信機４８の出力から推定される現在位置に対して、地図データベース４７から読み出した地図とのマップマッチング処理などを施して現在位置を算出する。
主制御部４４は入力装置５０から目的地設定の要求があると、マイクロフォン５２で、ユーザから音声による目的地の入力を受けつける。音声認識エンジン４５は、マイクロフォン５２から入力される音声を当該音声を表す発音データ８に変換し、変換した発音データ８に最も整合する発音データ８に対応づけられているテキストを音声認識辞書４６から抽出する。主制御部４４は、音声認識エンジン４５が認識したテキストが表す地名の地点の座標を地図データベース４７の地図を参照して求め、目的地として設定する。ルート探索部４２は、現在位置から目的地の座標までのルートを探索し、ナビゲート画面生成部４３は、地図データベース４７から読み出した地図上に現在位置から目的地までのルートを表したナビゲート画面を生成し、表示装置５１に表示する。
以上、本発明の実施形態について説明した。
【００２０】
以上のように、本実施形態によれば、地名を表すテキストを、当該テキストに含まれる記号文字をスペースに変換した後にＴＴＳエンジン４に供給して、音声認識辞書６に含める発音データ８を生成するので、一般のユーザがそうするように、ユーザが、記号文字の発声を省略して地名を発声した場合に、当該地名を適正に認識することができるようになる。
【００２１】
また、本実施形態によれば、英語アルファベットに含まれない文字を、英語アルファベット文字に変換した後に、英語用のＴＴＳエンジン４に供給して、音声認識辞書６に含める発音データ８を生成するので、これらの英語アルファベットに含まれない文字を含む地名についても、英語用のＴＴＳエンジン４のみを用いて音声認識辞書用のデータを作成することができる。また、英語アルファベットに含まれない文字を含むテキストを略記したテキストについては、その略記しないテキスト中の英語アルファベットに含まれない文字を、英語アルファベット文字に変換した後に、英語用のＴＴＳエンジン４に供給して、音声認識辞書６に含める発音データ８を生成するので、これら英語アルファベットに含まれない文字を含む地名を略記したものについても、英語用のＴＴＳエンジン４のみを用いて音声認識辞書用のデータを作成することができる。
【００２２】
なお、以上の実施形態では、英語用のＴＴＳエンジン４を用いて、テキストでは仏語で表記される対象を認識するための発音データ８を含む音声認識辞書６を作成する場合について説明したが、本実施形態は、英語用のＴＴＳエンジン４を用いて、テキストでは仏語以外の言語、たとえば、スペイン語などで表記される対象を認識するための発音データ８を含む音声認識辞書６を作成する場合についても、適当な変換ルールテーブル２を用意することにより、同様に適用可能である。また、英語以外の言語用のＴＴＳエンジン４を用いて、テキストではＴＴＳエンジン４が対応する言語以外の言語で表記される対象を認識するための発音データ８を含む音声認識辞書６を作成する場合についても同様に適用可能である。
【００２３】
【発明の効果】
以上のように、本発明によれば、ユーザの発声に整合するように発音データを蓄積した音声認識辞書を、少ない労力で作成することが可能となる。
【図面の簡単な説明】
【図１】本発明の実施形態に係る音声認識辞書作成システムの構成を示すブロック図である。
【図２】本発明の実施形態に係る音声認識辞書作成処理の手順を示すフローチャートである。
【図３】本発明の実施形態に係る変換ルールテーブルの内容を示す図である。
【図４】本発明の実施形態に係るナビゲーション装置の構成を示すブロック図である。
【符号の説明】
１：地名データベース、２：変換ルールテーブル、３：スペル変換部、４：ＴＴＳエンジン、５：辞書生成制御部、６：音声認識辞書、７：テキスト解析部、８：発音データ、９：発音データ部、４１：現在位置算出部、４２：ルート探索部、４３：ナビゲート画面生成部、４４：主制御部、４５：音声認識エンジン、４６：音声認識辞書、４７：地図データベース、４８：ＧＰＳ受信機、４９：走行状態センサ、５０：入力装置、５１：表示装置、５２：マイクロフォン。

Claims

コンピュータシステムを用いて、人間が発声した音声を認識するために用いられる音声認識辞書を作成する音声認識辞書作成方法であって、
コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストを、当該テキストに含まれる所定の記号文字をスペース文字に置き換えたテキストに変換する変換ステップと、
コンピュータシステムにおいて、前記変換ステップで変換されたテキストの発音を表す発音データを生成する発音データ生成ステップと、
コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとを有することを特徴とする音声認識辞書作成方法。
請求項１記載の音声認識辞書作成方法であって、
コンピュータシステムを用いて、人間が発声した音声を認識するために用いられる音声認識辞書を作成する音声認識辞書作成方法であって、
コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストを、当該テキストに含まれる記号文字”＃”の文字列”ｎｕｍｂｅｒ”への置き換えと、当該テキストに含まれる記号文字”＆”の文字列”ａｎｄ”への置き換えと、当該テキストに含まれる記号文字”＠”の文字列”ａｔ”への置き換えとのうちの少なくとも一つの置き換えを行ったテキストに変換する変換ステップと、
コンピュータシステムにおいて、前記変換ステップで変換されたテキストの発音を表す発音データを生成する発音データ生成ステップと、
コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとを有することを特徴とする音声認識辞書作成方法。
コンピュータシステムを用いて、人間が発声した音声を認識するために用いられる音声認識辞書を作成する音声認識辞書作成方法であって、
コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストを、当該テキストに含まれる第１の言語に含まれ第２の言語に含まれない文字を、当該第１の言語の文字の発音に相当または近似する発音を有する前記第２の言語の文字に置き換えたテキストに変換する変換ステップと、
コンピュータシステムにおいて、前記変換ステップで変換されたテキストの前記第２の言語の発音ルールに従った発音を表す発音データを生成する発音データ生成ステップと、
コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとを有することを特徴とする音声認識辞書作成方法。
コンピュータシステムを用いて、人間が発声した音声を認識するために用いられる音声認識辞書を作成する音声認識辞書作成方法であって、
コンピュータシステムにおいて、前記音声認識辞書によって認識対象とするテキストが、第１の言語によって対象を略記したテキストであった場合に、当該テキストが表す対象を略記せずに第１の言語によって表したテキストに含まれる第１の言語に含まれ第２の言語に含まれない文字を、当該第１の言語による文字の発音に相当または近似する発音を有する第２の言語の文字に置き換えたテキストに、前記認識対象とするテキストを変換する変換ステップと、
コンピュータシステムにおいて、前記変換ステップで変換されたテキストの前記第２の言語の発音ルールに従った発音を表す発音データを生成する発音データ生成ステップと、
コンピュータシステムにおいて、前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納するステップとを有することを特徴とする音声認識辞書作成方法。
人間が発声した音声を認識するために用いられる音声認識辞書を作成する音声認識辞書作成システムであって、
テキストの変換ルールを格納した変換ルールテーブルと、
前記音声認識辞書によって認識対象とするテキストを、前記変換ルールテーブルの変換ルールに従って変換する変換手段と、
前記変換手段で変換されたテキストの発音を表す発音データを生成する発音データ生成手段と、
前記発音データ生成ステップで生成された発音データを、前記認識対象とするテキストを認識するための発音データとして前記音声認識辞書に格納する格納手段とを有し、
前記変換ルールテーブルに格納された変換ルールは、テキストを、当該テキストに含まれる所定の記号文字をスペース文字に置き換えたテキストに変換するものであることを特徴とする音声認識辞書作成システム。