JP2011095680A - 音響モデル適応装置、音響モデル適応方法および音響モデル適応用プログラム - Google Patents

Abstract

【課題】限られた時間で効率よく高精度な音響モデル適応を行う。
【解決手段】音響モデル適応装置は、分割部１１によって分割された音声信号を音響的な違いに応じてクラスタリングするクラスタリング部１２と、クラスタに含まれる音声信号について信頼度を計算する信頼度計算部１３と、クラスタに含まれる音声信号を認識することによって推定ラベルを得るラベル推定部１４と、信頼度にもとづいて選択された第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する提示部１５と、提示された音声信号に対する教師ラベルを得る教師ラベル取得部１６と、所定の条件が成立すると、提示部１５に、第１のクラスタを扱う状態から、第１のクラスタとは異なる第２のクラスタを扱う状態に遷移することを指示する遷移指示部１７と、教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる音響モデル適応部１８とを備えている。
【選択図】図５

Description

本発明は、音響モデル適応装置、音響モデル適応方法および音響モデル適応用プログラムに関し、特に、限られた時間で効率よく高精度な音声認識結果を得るための音響モデル適応装置、音響モデル適応方法および音響モデル適応用プログラムに関する。

一般に、音声認識では、音素の特徴を表現するための音響モデルと、音素の並び方の制約を表すための言語モデルとが使用される。そして、音響モデルを話者や環境に適応させる『音響モデルの適応』が行われることがある。

音響モデル適応装置の一例が、特許文献１に記載されている。特許文献１に記載されているシステムは、ユーザに複数の音声認識結果の候補を提示し、ユーザに候補から正解を選択させる。その結果、誤った音声認識結果をユーザが効率よく修正できる。すなわち、特許文献１に記載されているシステムは、効率よく修正された認識結果を用いて音響モデルを教師ありで適応を行うことが可能なシステムである。

図８は、特許文献１に開示されている音声認識システムの構成を示すブロック図である。図８を参照して、認識誤り単語を訂正するための構成および動作を説明する。図８に示す音声認識システム４００は、音声入力手段４０３、音声認識手段４０５、辞書を記憶するデータ記憶手段４１２、単語訂正手段４０９および認識結果表示手段４０７を備えている。

音声認識手段４０５は、連続音判定手段４１３と音声認識実行手段４１１とを含む。

単語訂正手段４０９において、競合単語表示指令手段４１５は、競合候補の中から最も競合確率の高い単語の競合確率に近い競合確率を持つ１以上の競合単語を選び、選んだ競合単語を、対応する最も競合確率の高い単語に隣接させて認識結果表示手段４０７の画面上に表示する。競合単語選択手段４１７は、ユーザによるマニュアル操作に応じて、画面上に表示された１以上の競合単語から適切な訂正単語を選択する。単語置き換え指令手段４１９は、競合単語選択手段４１７によって選択された訂正単語を、認識された最も競合確率の高い単語と置き換えることを、音声認識手段４０５に指令する。

特開２００６−１４６００８

特許文献１に記載されている音響モデル適応装置では、効率よくユーザが認識誤り単語を訂正でき、その結果、音響モデル適応装置は、効率よく音響モデルの適応を行うことができる。

しかし、特許文献１に記載されている音響モデル適応装置には、限られた時間で最大限の音響モデル適応効果が得られない可能性がある。その理由は、音響モデルを適応するにあたってのターゲット（発話者や発話環境など）に対して、ユーザがどの程度訂正すればよいかが考慮されていないためである。換言すれば、どのような教師を与えればよいかが考慮されていないためである。

そこで、本発明、限られた時間で効率よく高精度な音響モデル適応を行うことができる音響モデル適応装置を提供することを目的とする。

本発明による音響モデル適応装置は、音声信号を分割する分割部と、分割部によって分割された音声信号を音響的な違いに応じてクラスタリングするクラスタリング部と、クラスタリング部が作成したクラスタに含まれる音声信号について音響的な信頼度を計算する信頼度計算部と、クラスタリング部が作成したクラスタに含まれる音声信号を認識することによって推定ラベルを得るラベル推定部と、クラスタリング部が作成したクラスタから、信頼度計算部が計算した信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号とラベル推定部が得た推定ラベルとをユーザに提示する提示部と、提示部によって提示された音声信号に対する教師ラベルを得る教師ラベル取得部と、所定の条件が成立すると、提示部に、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移することを指示する遷移指示部と、教師ラベル取得部が取得した教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる音響モデル適応部とを備えたことを特徴とする。

本発明による音響モデル適応方法は、音声信号を分割し、分割された音声信号を音響的な違いに応じてクラスタリングし、クラスタリングによって作成されたクラスタに含まれる音声信号について音響的な信頼度を計算し、クラスタリングによって作成されたクラスタに含まれる音声信号を認識することによって推定ラベルを得て、クラスタリングによって作成されたクラスタから、信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号と、推定ラベルとをユーザに提示し、ユーザに提示された音声信号に対する教師ラベルを得て、所定の条件が成立すると、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移させ、得られた教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させることを特徴とする。

本発明による音響モデル適応プログラムは、コンピュータに、音声信号を分割する分割処理と、分割処理で分割された音声信号を音響的な違いに応じてクラスタリングするクラスタリング処理と、クラスタリング処理で作成されたクラスタに含まれる音声信号について音響的な信頼度を計算する信頼度計算処理と、クラスタリング処理で作成されたクラスタに含まれる音声信号を認識することによって推定ラベルを得るラベル推定処理と、クラスタリング処理で作成されたクラスタから、信頼度計算処理で計算された信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号とラベル推定部が得た推定ラベルとをユーザに提示する提示処理と、提示処理で提示された音声信号に対する教師ラベルを得る教師ラベル取得処理と、所定の条件が成立すると、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移することを指示する遷移指示処理と、教師ラベル取得処理で取得された教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる音響モデル適応処理とを実行させることを特徴とする。

本発明によれば、ユーザが１つのクラスタに偏って多数の教師データを付与する可能性が低減するので、比較的少ない教師データを付与するだけで、より多くの音響モデルの適応処理を行うことが可能になる。その結果、限られた時間で効率よく高精度な音響モデル適応を行うことができる音響モデル適応装置を実現することができる。

本発明による音響モデル適応装置の実施形態の一例を示すブロック図である。 音響モデル適応装置の動作を示すフローチャートである。 音響モデル適応装置を含む音声認識システムの構成例を示すブロック図である。 音響モデル適応装置を含む音声検出システムの構成例を示すブロック図である。 本発明による音響モデル適応装置の主要部を示すブロック図である。 遷移指示部の構成例を示すブロック図である。 遷移指示部の構成例を示すブロック図である。 特許文献１に記載された音声認識システムの構成を示すブロック図である。

以下、図面を参照して本発明の実施形態を説明する。図１は、本実施形態の音響モデル適応装置の構成例を示すブロック図である。図１に示す音響モデル適応装置は、入力音声ストリームを音声データに分割する分割部１と、分割された音声データを発話者や発話環境などの音響的な違いに応じてクラスタリングする音声データクラスタリング部２とを備えている。音声データクラスタリング部２は、作成したクラスタ１０１_１〜１０１_ｎをクラスタ記憶部１０１に格納する。

また、音響モデル適応装置は、音響モデル記憶部１０２に格納されている音響モデルを用いてクラスタ１０１_１〜１０１_ｎに含まれる音声データについて音響的な信頼度を計算する信頼度計算部３と、音響モデル記憶部１０２に格納されている音響モデルを用いてクラスタ１０１−１〜ｎに含まれる音声データを認識することによって推定ラベルを得るラベル推定部４と、ラベル推定部４が得た推定ラベルを一時記憶する推定ラベル記憶部１０３とを備えている。

また、音響モデル適応装置は、信頼度が高いクラスタ（第１のクラスタとする。）の音声データと推定ラベルとをユーザに提示する音声データ推定ラベル提示部５と、提示された音声データに対するユーザからの教師ラベルを得て教師ラベル記憶部１０４に格納する教師ラベル取得部６と、音声データ推定ラベル提示部５の処理対象を第１のクラスタとは異なる第２のクラスタに遷移させる遷移部７と、少なくともユーザからの教師ラベルを用いて音響モデルをクラスタ内の音声データに適応させて、適応モデル１０５_１〜１０５_ｎを得る音響モデル適応部８とを備えている。

次に、本実施形態の音響モデル適応装置の動作を説明する。図２は、本実施形態の音響モデル適応装置における処理手順を示すフローチャートである。

入力音声ストリームをｘ（ｔ）とする。ただし、ｔは時間のインデックスであり、一例として０〜Ｔとする。分割部１は、入力音声ストリームｘ（ｔ）をｍ個の音声データｘ１（ｔ１），ｘ２（ｔ２），・・・，ｘｍ（ｔｍ）に分割する（ステップＳ１）。ただし、ｔ１，ｔ２，・・・，ｔｍは時間のインデックスであり、範囲はｔの範囲０〜Ｔに含まれる。なお、分割の単位として、発話単位や決められた時間単位などの単位が考えられる。

音声データクラスタリング部２は、分割部１で分割された音声データを、発話者や発話環境など音響的な違いに応じてｎ個のクラスタ１０１_１〜１０１_ｎにクラスタリングする（ステップＳ２）。音声データクラスタリング部２は、例えば、音響的な特徴の近さを基準として自動的にクラスタリングを行う。具体的には、ある音声データの特徴（周波数スペクトラムやケプストラムなど）と他の音声データの特徴とが類似している場合に、それらの音声データを同じクラスタにクラスタリングする。また、音声データと発話者との対応が既知の場合には、その対応情報にもとづいてクラスタリングを行ってもよい。

信頼度計算部３は、各々のクラスタ１０１_１〜１０１_ｎ毎に、クラスタに含まれる音声データについて音響的な信頼度を計算することによって各々のクラスタ１０１_１〜１０１_ｎの信頼度を算出する（ステップＳ３）。信頼度として、例えば、事後確率の平均値やＳＮ比の平均値を使用する。

一例として、クラスタ１０１_１に音声データｘ１（ｔ１），ｘ２（ｔ２）が含まれている場合に、音声データｘ１（ｔ１），ｘ２（ｔ２）の事後確率の平均値（信頼度）を以下のように計算できる。

事後確率の平均値＝ａｖｅ＿｛ｘ１，ｘ２｝＜ａｖｅ＿｛ｔ１｝＜Ｐ（ｋ１｜ｘ１（ｔ１））＞，ａｖｅ＿｛ｔ２｝＜Ｐ（ｋ２｜ｘ２（ｔ２））＞＞・・・式（１）

式（１）において、ａｖｅ＿｛ａ｝＜ｂ＞はａに関するｂの平均を計算する演算子であり、Ｐ（ｋ１｜ｘ１（ｔ１））は音声データｘ１（ｔ１）が与えられたときの音響モデル中の確率分布ｋ１に対する事後確率である。ただし、確率分布ｋ１は時刻ｔ１において事後確率が最も高い分布である。なお、事後確率やＳＮ比以外の指標を信頼度として用いてもよい。

ラベル推定部４は、各々のクラスタ１０１_１〜１０１_ｎ毎に、クラスタに含まれる音声データを認識することによって推定ラベルを得る（ステップＳ４）。推定ラベルとして、例えば、音素ラベル（ａ，ｉ，ｕ，ｅ，ｏ，ｋ，ｓ，ｔ，ｎ，・・・）、音節ラベル（あ，い，う，え，お，か，さ，た，な，・・・）、または、音声か雑音かの違いを示すラベルなどを使用する。

音声データ推定ラベル提示部５は、信頼度が高い第１のクラスタに含まれる音声データと、第１のクラスタにおける推定ラベルとをユーザに提示する（ステップＳ５）。具体的には、音声データにもとづく音声をユーザに提示するとともに、ユーザに見せるために推定ラベルを表示装置（図示せず）に表示することが好ましい。

ユーザが、提示された音声データに対する教師ラベルを入力装置（図示せず）を介して入力すると、教師ラベル取得部６は、入力された教師ラベルを取得する。その結果、教師ラベル取得部６は、ユーザに提示した音声データに対してユーザから正しい教師ラベルを得る（ステップＳ６）。教師ラベルは、ラベル推定部４が扱った推定レベルと同じ種類のラベルであることが望ましいが、同じ種類のラベルに変換可能なものであってもよい。例えば、音節ラベルは音素ラベルに変換可能であるから、ラベル推定部４が推定ラベルとして音素ラベルを作成した場合でも、教師ラベルは音節ラベルであってもよい。

遷移部７は、所定の条件が成立すると、音声データ推定ラベル提示部５の処理対象を、相対的に信頼度が高い第１のクラスタとは異なる第２のクラスタに遷移させる（ステップＳ７）。すなわち、処理対象を第２のクラスタに変える指示を出力する。なお、第２のクラスタは、第１のクラスタの次に信頼度が高いクラスタである。

＜信頼度が高いクラスタから遷移する場合＞
信頼度が高いクラスタである場合は、推定ラベルが正しく推定されている可能性が高い。従って、少量の教師ラベルを与えたときに、推定ラベルとの一致度が高ければ、残りの音声データについては推定ラベルで代用可能である。

以上のことから、閾値以上のラベルの一致度が確認できれば、このクラスタから他のクラスタに遷移可能であるといえる。従って、ステップＳ７の処理で、遷移部７は、ユーザに推定ラベルを提示する度に、その推定ラベルと教師ラベル取得部６が得た教師ラベルとの一致度（類似度）を計算し、一致度があらかじめ決められている閾値以上である場合には、未提示の推定ラベルがあるときでも、音声データ推定ラベル提示部５の処理対象を第２のクラスタに遷移させる。

＜信頼度が低いクラスタから遷移する場合＞
信頼度が低いクラスタである場合には、信頼度が高いクラスタに比べて、推定ラベルの推定誤りが多い。しかし、教師ラベルの音素（ラベル）網羅度が高ければ、全ての音声データに対して教師ラベルを与えなくても、音響モデルは適応可能である。

以上のことから、閾値以上の教師ラベルの音素（ラベル）網羅度が確認できれば、このクラスタから他のクラスタに遷移可能であるといえる。従って、ステップＳ７の処理で、遷移部７は、教師ラベル取得部６が得た教師ラベルの音素網羅度があらかじめ決められている閾値以上である場合には、未提示の推定ラベルがあるときでも、音声データ推定ラベル提示部５の処理対象を第２のクラスタに遷移させる。

＜ユーザが適応不要と判断したクラスタから遷移する場合＞
ユーザが認識する必要がないと判断した（発話者の）クラスタについては、そのクラスタから他のクラスタに、教師ラベルを付与せずにユーザからの指示により遷移可能である。従って、ステップＳ７の処理で、遷移部７は、ユーザが、音声データ推定ラベル提示部５がそのときに扱っているクラスタについて教師ラベルの入力は不要である旨を入力装置を介して入力した場合には、未提示の推定ラベルがあるときでも、音声データ推定ラベル提示部５の処理対象を第２のクラスタに遷移させる。なお、ユーザは、例えば、音声データにもとづく音声と推定ラベルとが合致しているときに、認識する必要がないと判断する。

音声データ推定ラベル提示部５は、遷移部７から、処理対象を第２のクラスタに遷移させる指示を入力した場合には、第２のクラスタを処理対象として、ステップＳ５の処理を実行する。以後、音声データ推定ラベル提示部５、教師ラベル取得部６および遷移部７は、ステップＳ５〜Ｓ７の処理を繰り返し、全てのクラスタ１０１_１〜１０１_ｎについてステップＳ５，Ｓ６の処理が実行されると、遷移部７は、次のクラスタに遷移する必要はないと判断する。

なお、上記の例では、クラスタ１０１_１〜１０１_ｎのうち相対的に信頼度が高いクラスタ（例えば、最も信頼度が高いクラスタ）を第１のクラスタとし、優先度が、取り扱ったクラスタの次に高いクラスタを順次対象にしてステップＳ５，Ｓ６の処理が実行されるようにしたが、クラスタ１０１_１〜１０１_ｎのうち相対的に信頼度が低いクラスタ（例えば、最も信頼度が低いクラスタ）を第１のクラスタとし、優先度が、取り扱ったクラスタの次に低いクラスタを対象にして順次ステップＳ５，Ｓ６の処理が実行されるようにしてもよい。

音響モデル適応部８は、教師ラベル取得部６によって取得された教師ラベル１０４を用いて、クラスタ１０１_１〜１０１_ｎの各々に含まれる音声データに、音響モデル１０２を適応させることによって、適応モデル１０５_１〜１０５_ｎを得る（ステップＳ８）。適応モデル１０５_１〜１０５_ｎは、適応モデル記憶部１０５に記憶される。

なお、音声データと教師ラベルとを用いて音響モデルを適応させるアルゴリズムとして、ＭＬＬＲ（Maximum Likelihood Linear Regression）法、木構造適応法などを用いればよい。また、本実施形態では、全てのクラスタ１０１_１〜１０１_ｎの教師ラベルを取得した後に音響モデル適応を行うようにしたが、あるクラスタの教師ラベルが取得され次第、音響モデル適応を行うようにしてもよい。

本実施形態では、分割した音声データを音響的な違いに応じてクラスタリングし、あるクラスタに対して必要な教師ラベルが取得されたと判断された時点で処理対象のクラスタを変えるので、限られた時間で効率よく高精度な音声認識結果を得るための音響モデル適応が可能になる。

上記の実施形態の音響モデル適応装置を、音声認識システムに適用することができる。図３は、上記の実施形態の音響モデル適応装置を含む音声認識システムの構成例を示すブロック図である。図３に示すように、音声認識システム２００は、上記の実施形態の音響モデル適応装置１０と、音声認識装置２０とを含む。音声認識装置２０は、例えば、入力された音声データの特徴を検出し、音響モデル適応装置１０における適応モデル１０５_１〜１０５_ｎから、音声データの特徴に合った適応モデルを選択し、選択した適応モデルを用いて音声認識処理を実行する。

また、上記の実施形態の音響モデル適応装置を、音声検出システムに適用することができる。図４は、上記の実施形態の音響モデル適応装置を含む音声検出システムの構成例を示すブロック図である。図４に示すように、音声検出システム３００は、上記の実施形態の音響モデル適応装置１０と、音声検出装置３０とを含む。音声検出装置３０は、例えば、入力された音声データの特徴を検出し、音響モデル適応装置１０における適応モデル１０５_１〜１０５_ｎから、音声データの特徴に合った適応モデルを選択し、選択した適応モデルを用いて、音声データから特定の音声部分を抽出したり話者認識を行う音声検出処理を実行する。

図５は、本発明による音響モデル適応装置の主要部を示すブロック図である。図５に示すように、音響モデル適応装置は、音声信号を分割する分割部１１（図１に示す分割部１に相当）と、分割部１１によって分割された音声信号を音響的な違いに応じてクラスタリングするクラスタリング部１２（図１に示す音声データクラスタリング部２に相当）と、クラスタリング部１２が作成したクラスタに含まれる音声信号について音響的な信頼度を計算する信頼度計算部１３（図１に示す信頼度計算部３に相当）と、クラスタリング部１２が作成したクラスタに含まれる音声信号を認識することによって推定ラベルを得るラベル推定部１４（図１に示すラベル推定部４に相当）と、クラスタリング部１２が作成したクラスタから、信頼度計算部１３が計算した信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号と、ラベル推定部１４が得た推定ラベルとをユーザに提示する提示部１５（図１に示す音声データ推定ラベル提示部５に相当）と、提示部１５によって提示された音声信号に対する教師ラベルを得る教師ラベル取得部１６（図１に示す教師ラベル取得部６に相当）と、所定の条件が成立すると、提示部１５に、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移することを指示する遷移指示部１７（図１に示す遷移部７に相当）と、教師ラベル取得部１６が取得した教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる音響モデル適応部１８（図１に示す音響モデル適応部８に相当）とを備えている。

なお、音響モデル適応装置を、ソフトウェアで実現することもできる。すなわち、音響モデル適応装置がＣＰＵを内蔵し、ＣＰＵが、プログラムに従って、図５に示された分割部１１、クラスタリング部１２、信頼度計算部１３、ラベル推定部１４、提示部１５、教師ラベル取得部１６、遷移指示部１７および音響モデル適応部１８の機能を実現するように構成されていてもよい。

また、図６に示すように、遷移指示部１７は、提示部１５によって提示された推定ラベルと教師ラベル取得部１６が取得した教師ラベルとの一致度を計算する一致度計算部１７Ａと、一致度計算部１７Ａが計算した一致度が所定値以上である場合に、所定の条件が成立したとして、第２の状態に遷移することを指示する指示部１７Ｂとを含むように構成されていてもよい。そのように構成されている場合には、全ての推定ラベルを提示する前に、クラスタについての処理を終了させることができ、音響モデル適応に要する時間を短縮することができる。

また、図７に示すように、遷移指示部１７は、教師ラベル取得部１６が取得した教師ラベルの音素網羅度を計算する音素網羅度計算部１７Ｃと、音素網羅度計算部１７Ｃが計算した音素網羅度が所定値以上である場合に、所定の条件が成立したとして、第２の状態に遷移することを指示する指示部１７Ｄとを含むように構成されていてもよい。そのように構成されている場合には、全ての推定ラベルを提示する前に、クラスタについての処理を終了させることができ、音響モデル適応に要する時間を短縮することができる。

また、遷移指示部１７は、ユーザから入力された指示に応じて、第２の状態に遷移することを指示するように構成されていてもよい。そのように構成されている場合には、ユーザの意思に応じて第１の状態から第２の状態に遷移することができ、音響モデル適応に要する時間をさらに短縮することができる。

また、遷移指示部１７は、第１のクラスタの次に信頼度が高いクラスタを第２のクラスタとするように構成されていてもよい。そのように構成されている場合には、提示部１５および遷移指示部１７の処理が簡便になる。

また、遷移指示部１７は、第１のクラスタの次に信頼度が低いクラスタを第２のクラスタとするように構成されていてもよい。そのように構成されている場合には、提示部１５および遷移指示部１７の処理が簡便になる。

本発明を、音声認識システムや音声検出システムなどに搭載可能な音響モデル適応装置に適用できる。

１ 分割部
２ 音声データクラスタリング部
３ 信頼度計算部
４ ラベル推定部
５ 音声データ推定ラベル提示部
６ 教師ラベル取得部
７ 遷移部
８ 音響モデル適応部
１０ 音響モデル適応装置
１１ 分割部
１２ クラスタリング部
１３ 信頼度計算部
１４ ラベル推定部
１５ 提示部
１６ 教師ラベル取得部
１７ 遷移指示部
１７Ａ 一致度計算部
１７Ｂ 指示部
１７Ｃ 音素網羅度計算部
１７Ｄ 指示部
１８ 音響モデル適応部
２０ 音声認識装置
３０ 音声検出装置
１０１ クラスタ記憶部
１０１_１〜１０１_ｎ クラスタ
１０２ 音響モデル記憶部
１０３ 推定ラベル記憶部
１０４ 教師ラベル記憶部
１０５ 適応モデル記憶部
１０５_１〜１０５_ｎ 適応モデル
２００ 音声認識システム
３００ 音声検出システム

Claims (10)

1. 音声信号を分割する分割部と、
   前記分割部によって分割された音声信号を音響的な違いに応じてクラスタリングするクラスタリング部と、
   前記クラスタリング部が作成したクラスタに含まれる音声信号について音響的な信頼度を計算する信頼度計算部と、
   前記クラスタリング部が作成したクラスタに含まれる音声信号を認識することによって推定ラベルを得るラベル推定部と、
   前記クラスタリング部が作成したクラスタから、前記信頼度計算部が計算した信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号と、前記ラベル推定部が得た推定ラベルとをユーザに提示する提示部と、
   前記提示部によって提示された音声信号に対する教師ラベルを得る教師ラベル取得部と、
   所定の条件が成立すると、前記提示部に、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移することを指示する遷移指示部と、
   前記教師ラベル取得部が取得した教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる音響モデル適応部と
   を備えた音響モデル適応装置。
2. 遷移指示部は、
   提示部によって提示された推定ラベルと教師ラベル取得部が取得した教師ラベルとの一致度を計算する一致度計算部と、
   前記一致度計算部が計算した一致度が所定値以上である場合に、所定の条件が成立したとして、第２の状態に遷移することを指示する指示部とを含む
   請求項１記載の音響モデル適応装置。
3. 遷移指示部は、
   教師ラベル取得部が取得した教師ラベルの音素網羅度を計算する音素網羅度計算部と、
   前記音素網羅度計算部が計算した音素網羅度が所定値以上である場合に、所定の条件が成立したとして、第２の状態に遷移することを指示する指示部とを含む
   請求項１または請求項２記載の音響モデル適応装置。
4. 遷移指示部は、ユーザから入力された指示に応じて、第２の状態に遷移することを指示する
   請求項１から請求項３のうちのいずれか１項に記載の音響モデル適応装置。
5. 遷移指示部は、第１のクラスタの次に信頼度が高いクラスタを第２のクラスタとする
   請求項１から請求項４のうちのいずれか１項に記載の音響モデル適応装置。
6. 遷移指示部は、第１のクラスタの次に信頼度が低いクラスタを第２のクラスタとする
   請求項１から請求項４のうちのいずれか１項に記載の音響モデル適応装置。
7. 請求項１から請求項６のうちのいずれか１項に記載の音響モデル適応装置を含む音声認識システム。
8. 請求項１から請求項６のうちのいずれか１項に記載の音響モデル適応装置を含む音声検出システム。
9. 音声信号を分割し、
   分割された音声信号を音響的な違いに応じてクラスタリングし、
   クラスタリングによって作成されたクラスタに含まれる音声信号について音響的な信頼度を計算し、
   クラスタリングによって作成されたクラスタに含まれる音声信号を認識することによって推定ラベルを得て、
   クラスタリングによって作成されたクラスタから、前記信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号と、前記推定ラベルとをユーザに提示し、
   ユーザに提示された音声信号に対する教師ラベルを得て、
   所定の条件が成立すると、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移させ、
   得られた前記教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる
   音響モデル適応方法。
10. コンピュータに、
    音声信号を分割する分割処理と、
    前記分割処理で分割された音声信号を音響的な違いに応じてクラスタリングするクラスタリング処理と、
    前記クラスタリング処理で作成されたクラスタに含まれる音声信号について音響的な信頼度を計算する信頼度計算処理と、
    前記クラスタリング処理で作成されたクラスタに含まれる音声信号を認識することによって推定ラベルを得るラベル推定処理と、
    前記クラスタリング処理で作成されたクラスタから、前記信頼度計算処理で計算された信頼度にもとづいて選択したクラスタである第１のクラスタに含まれる音声信号と、前記ラベル推定部が得た推定ラベルとをユーザに提示する提示処理と、
    前記提示処理で提示された音声信号に対する教師ラベルを得る教師ラベル取得処理と、
    所定の条件が成立すると、第１のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第１の状態から、第１のクラスタとは異なる第２のクラスタに含まれる音声信号と推定ラベルとをユーザに提示する第２の状態に遷移することを指示する遷移指示処理と、
    前記教師ラベル取得処理で取得された教師ラベルを用いて音響モデルをクラスタ内の音声信号に適応させる音響モデル適応処理と
    を実行させるための音響モデル適応プログラム。

Images