JP2011154099A - Dictionary for speech recognition utilized in speech recognition device and learning method of language model for speech recognition - Google Patents
Dictionary for speech recognition utilized in speech recognition device and learning method of language model for speech recognition Download PDFInfo
- Publication number
- JP2011154099A JP2011154099A JP2010014372A JP2010014372A JP2011154099A JP 2011154099 A JP2011154099 A JP 2011154099A JP 2010014372 A JP2010014372 A JP 2010014372A JP 2010014372 A JP2010014372 A JP 2010014372A JP 2011154099 A JP2011154099 A JP 2011154099A
- Authority
- JP
- Japan
- Prior art keywords
- speech recognition
- language model
- word
- utterance
- recognition dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 36
- 230000010365 information processing Effects 0.000 claims abstract description 35
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 230000007257 malfunction Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000000877 morphologic effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000282412 Homo Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009118 appropriate response Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Abstract
Description
本発明は,音声認識システムを利用している音声対話装置などの各種情報処理装置において,音声認識誤りによってそれらの装置の誤動作を防ぐための音声認識装置用音声認識辞書および言語モデルの学習方法である。音声認識システムを持つ情報処理装置を正しく動作させるために必要な発話と,装置が想定しない音声発話を正しく判定することで,装置の誤動作を防ぐことを目的とする。 The present invention relates to a speech recognition dictionary for a speech recognition device and a language model learning method for preventing malfunction of the devices due to a speech recognition error in various information processing devices such as a speech dialogue device using a speech recognition system. is there. An object of the present invention is to prevent malfunction of the apparatus by correctly determining an utterance necessary for correctly operating an information processing apparatus having a speech recognition system and a speech utterance that the apparatus does not assume.
音声認識システムを利用した各種情報処理装置(例えば、音声対話システム、ロボット、音声入力によるデータベース検索システム、カーナビ、音声翻訳システム等)では、利用者の発話を音声認識した際の音声認識誤りにより、装置に誤動作が生じることが多々ある。例えば,車内の会話を自動的に取得し,会話に関係する情報をカーナビゲーション上に表示するシステムや,コールセンター等において電話音声を取得し,電話会話内容に関する情報を自動的にデータベース検索し,会話内容と関連する情報を表示するようなシステムにおいて,全く無関係のない会話なのに情報表示端末に情報が表示されると,利用者にとっては至極迷惑であるし,誤操作を誘導し業務に支障をきたすことが考えられる。音声認識システムを備えた情報処理装置においては,装置が想定しない発話の検出は大変重要である。 In various information processing devices using a voice recognition system (for example, a voice dialogue system, a robot, a database search system by voice input, a car navigation system, a voice translation system, etc.), due to a voice recognition error when a user's utterance is voice-recognized, Often malfunctions occur in the device. For example, a conversation in a car is automatically acquired, information related to the conversation is displayed on the car navigation system, a telephone voice is acquired in a call center, etc., information on the contents of the telephone conversation is automatically searched in a database, and the conversation In a system that displays information related to the contents, if the information is displayed on the information display terminal even though the conversation is completely irrelevant, it is extremely annoying for the user and induces an erroneous operation and interferes with the work. Can be considered. In an information processing apparatus equipped with a speech recognition system, it is very important to detect utterances that the apparatus does not assume.
これを防ぐ方法としては,情報処理装置に入力された音声が本当に装置を動作させるために必要な発話であるか否かを判定し,装置を動作させるために必要な発話ではないあるいは想定しない発話と判定されたときには,装置の動作を行わない等の対処を行うことが必要となる。
装置を動作させるために必要な発話か否かを判定する方法として,多くの手法が提案されている。例えば,音声認識精度自体を改善することで誤認識を少なくし(公開論文が多数存在している)、認識結果に基づく判別を行う方法,音声認識結果に信頼度(スコア)を導入し信頼性が低いときは結果を棄却する試み(非特許文献1)、ドメイン外発話検出(非特許文献2)等、多くの手法が公開されている。
音声認識自体の精度を改善する試みは,音声認識が良くなれば,装置を動作させる必要のない発話を正しく音声認識し文字化できるようになるため,その文字化された認識結果を処理することで,無関係発話か否かの判別が可能になる。
認識結果の信頼度を利用する方法では,各種装置で利用されている音声認識システムが,装置を操作するための発話と関係のない発話をうまく音声認識できないという特徴を利用する。うまく音声認識できないというのは,音声認識システムが保持しているモデルと音声から抽出した特徴量とのマッチングが上手くいかずに,マッチングのスコア(信頼度)が低下してしまうということである。音声認識結果の信頼度が低い場合に,無関係発話と判定できる。
ドメイン外発話検出は,本発明で提案する手法と最も類似した手法である。例えば,非特許文献2の方法では,入力された発話の音声認識結果を話題分類し,想定外発話のトピックに分類されたときに,無関係発話と判定することができる。
しかし,これらの手法の多くは,音声認識システムの出力結果を利用しているため,音声認識システムの音声認識性能に大きく依存する。すなわち,音声認識システム内のデコーダ処理アルゴリズムや音響モデル,言語モデル(と音声認識辞書)の精度に大きく依存する手法である。モデルの精度が高くないと,音声認識結果に付与される信頼度も信頼性が低い。結局は,高い精度で想定しない発話を判定するためには,音声認識システムが保持している音響モデルや言語モデルを精度良いものにしなくてはならない。
音響モデルは,a,i,u,e,o等の音韻情報をモデル化したもので,最近は統計的手法により隠れマルコフモデル(HMM)でモデル化されるのが一般的である。精度の高い音響モデルを学習する方法は多くの文献で提案されているため,音響モデルの学習方法は本発明の対象外とする。
言語モデルは,N-gramによって統計的な単語のN個つながりを学習するのが一般的となっている(例えば,「学校へ行く」という文章からできるモデルは,P(へ|学校),P(行く|へ)である)。しかしながら,N個の単語のつながりを学習するためには,大量のテキスト文章データが必要となり,このテキスト文章データを情報処理装置のタスクに併せて作成するのに膨大な時間と労力が必要である。これを解決するために,クラス言語モデル(単語を品詞などのカテゴリーに分類し,カテゴリーのN個つながりでモデルを持つこと)が提案されているが,それでも大量のテキスト文章データから学習した単語N-gramに比べると音声認識の性能が低下する。
また,音声対話システムなどでは,統計的N-gramモデルではなく,発話のパターンやルールを考慮した文法モデルによりモデル化された言語モデルが使われることが多い。文法モデルにおいても,モデル化された発話パターン以外の発話がなされたとき,学習されているパターンのいずれかに無理やり当てはめられるため,誤認識を起こしてしまう。
以上のことから,一般的な言語モデルを用いていては,情報処理装置が想定しない発話が入力されたとき,それを正しく棄却することが難しい。
As a method for preventing this, it is determined whether or not the voice input to the information processing apparatus is really an utterance necessary for operating the apparatus, and an utterance that is not or is not assumed to be an utterance necessary for operating the apparatus. If it is determined, it is necessary to take measures such as not operating the apparatus.
Many methods have been proposed as a method for determining whether or not an utterance is necessary for operating a device. For example, by improving the speech recognition accuracy itself, false recognition is reduced (many published papers exist), discrimination based on the recognition result, reliability (score) is introduced into the speech recognition result, and reliability is improved. Many methods such as an attempt to reject the result (Non-Patent Document 1) and detection of utterance outside the domain (Non-Patent Document 2) are disclosed.
Attempts to improve the accuracy of speech recognition itself include processing speech recognition results because speech utterances that do not require the device to operate can be correctly recognized and transcribed if speech recognition improves. Thus, it is possible to determine whether or not the utterance is irrelevant.
In the method of using the reliability of the recognition result, the voice recognition system used in various devices utilizes the feature that speech that is not related to the utterance for operating the device cannot be recognized successfully. The fact that speech recognition cannot be performed well means that the matching between the model held by the speech recognition system and the feature quantity extracted from speech does not work well, and the matching score (reliability) decreases. When the reliability of the speech recognition result is low, it can be determined that the speech is irrelevant.
Out-of-domain utterance detection is the method most similar to the method proposed in the present invention. For example, in the method of Non-Patent Document 2, the speech recognition result of the input utterance is classified as a topic, and can be determined as an irrelevant utterance when it is classified as an unexpected utterance topic.
However, many of these methods rely on the speech recognition performance of the speech recognition system because they use the output results of the speech recognition system. In other words, it is a technique that greatly depends on the accuracy of the decoder processing algorithm, acoustic model, and language model (and speech recognition dictionary) in the speech recognition system. If the accuracy of the model is not high, the reliability given to the speech recognition result is also low. Eventually, in order to determine utterances that are not expected with high accuracy, the acoustic model and language model held by the speech recognition system must be made accurate.
The acoustic model is a model of phonological information such as a, i, u, e, o, etc. Recently, it is generally modeled by a hidden Markov model (HMM) by a statistical method. Since many literatures propose a method for learning a highly accurate acoustic model, the acoustic model learning method is not covered by the present invention.
Language models generally learn N connections of statistical words using N-grams (for example, the model that can be made from the sentence “go to school” is P (he | school), P (Go to |). However, in order to learn the connection of N words, a large amount of text sentence data is required, and enormous time and effort are required to create this text sentence data together with the task of the information processing device. . In order to solve this, a class language model (classifying words into categories such as parts of speech and having a model with N connected categories) has been proposed. Compared with -gram, voice recognition performance is degraded.
In speech dialogue systems, language models are often used instead of statistical N-gram models, which are modeled by grammar models that take into account utterance patterns and rules. Even in the grammar model, when an utterance other than the modeled utterance pattern is made, the grammar model is forcibly assigned to any of the learned patterns, resulting in erroneous recognition.
From the above, when a general language model is used, it is difficult to correctly reject an utterance that is not assumed by the information processing device.
解決しようとする問題点は、音声認識システムが持つ言語モデルでは,各種装置が想定しない発話を高精度に判別できないことである。 The problem to be solved is that the speech model that the speech recognition system has cannot utter utterances that are not assumed by various devices with high accuracy.
本発明は、予め想定しない発話を吸収するための単語集合(これをガベージクラスと呼ぶことにする)を言語モデルと音声認識辞書に組み込むことで,想定発話を判定することを最も主要な特徴とする。
(1)音声認識のための情報処理装置に入力された発話が情報処理装置の想定しない発話であると自動的に識別するための音声認識手段において言語モデル学習手段と
音声認識辞書作製手段と想定しない不必要な単語作成手段から構成されることを特徴とする言語モデル・音声認識辞書作製方法である。
(2)前記言語モデル学習手段が,統計的な単語N-gramまたはクラスN-gram言語モデル,もしくはパターン・ルールに基づく文法モデルを学習するために,言語モデル学習用文章データを加工し,想定しない発話パターンと想定する発話パターンの双方を同時に学習することを特徴とする。
(3)前記想定しない不必要な単語作成手段が,想定しない単語のリストを作成するために,想定しない不必要な単語作成データから想定しない単語のリストを作成し,かつ,自動的に想定しない単語リストを無から生成することで想定しない単語リストを作成することを特徴とする。
(4)前記音声認識辞書作成手段が,単語の読み方(発音)表記リスト(音声認識辞書)を,言語モデル学習用の文章データと前記想定しない不必要な単語作成手段の出力結果から作成することを特徴とする。
(5)前記言語モデル学習手段および前記音声認識辞書作成手段では、不要語に対し、不必要な単語である表示が付与され、出力結果には不要語が入力されたことを認識することができることを特徴とする。
(6)情報処理装置に対して不要語が入力されたとき,出力結果には単語列に不要語である旨が表示され,情報処理装置にとって想定しない発話であったと判定することを特徴とする。
(7)前記言語モデル学習手段が,情報処理方法が想定しない発話が入力されたときに想定しない発話として音声認識できるような統計的N-gramモデルあるいは文法モデルを学習するために,想定しない単語クラス集合を,言語モデル学習用文章に混合する想定しない不必要な単語クラス混合部を持つことを特徴とする。
(8)前記想定しない不必要な単語作成手段が,想定しない不必要な単語作成データ,もしくは無から自動的に作成した不要語候補リストの中から単語情報および言語モデル学習用文章データに基づいて想定しない不必要な単語リストを作成することを特徴とする。
(9)前記想定しない不必要な単語作成手段が,任意の平仮名N個組み合わせにより,無の状態から不要語候補リストを作成するための想定しない不必要な単語自動生成部を持つことを特徴とする請求項1に記載の言語モデル・音声認識辞書作成装置。
(10)音声認識のための情報処理装置において,前記言語モデル学習手段と
前記音声認識辞書作製手段と前記想定しない不必要な単語作成手段から構成された音声認識結果を出力することを特徴とする。
The main feature of the present invention is to determine an assumed utterance by incorporating a word set for absorbing utterances that are not assumed in advance (hereinafter referred to as a garbage class) into a language model and a speech recognition dictionary. To do.
(1) Assuming language model learning means and speech recognition dictionary creation means in speech recognition means for automatically identifying that an utterance input to an information processing apparatus for speech recognition is an utterance not assumed by the information processing apparatus This is a language model / speech recognition dictionary creation method characterized by comprising unnecessary word creation means.
(2) The language model learning means processes language model learning sentence data in order to learn a statistical word N-gram or class N-gram language model, or a grammar model based on a pattern rule. It is characterized by simultaneously learning both an utterance pattern that is not performed and an assumed utterance pattern.
(3) The unexpected unnecessary word creation means creates a list of unexpected words from the unexpected unnecessary word creation data in order to create a list of unexpected words, and does not assume automatically. It is characterized in that an unexpected word list is created by generating a word list from nothing.
(4) The speech recognition dictionary creating means creates a word reading (pronunciation) notation list (speech recognition dictionary) from sentence data for language model learning and an output result of the unexpected unnecessary word creating means. It is characterized by.
(5) The language model learning means and the speech recognition dictionary creating means are able to recognize that unnecessary words are displayed as unnecessary words and unnecessary words are input to the output result. It is characterized by.
(6) When an unnecessary word is input to the information processing apparatus, the output result indicates that the word string is an unnecessary word, and it is determined that the utterance is not expected for the information processing apparatus. .
(7) Unexpected words for the language model learning means to learn a statistical N-gram model or grammar model that can be recognized as an utterance that is not assumed when an utterance that is not assumed by the information processing method is input. It is characterized by having an unnecessary word class mixing unit that is not supposed to mix the class set into the language model learning sentence.
(8) Based on the word information and the sentence data for language model learning from the unexpected unnecessary word creation data or the unnecessary word candidate list automatically created from nothing. An unnecessary word list that is not assumed is created.
(9) The unintended unnecessary word creating means has an unintended unnecessary word automatic generation unit for creating an unnecessary word candidate list from an empty state by combining arbitrary N hiragana characters. The language model / speech recognition dictionary creation device according to claim 1.
(10) In an information processing apparatus for speech recognition, a speech recognition result including the language model learning unit, the speech recognition dictionary creating unit, and the unexpected unnecessary word creating unit is output. .
本発明は,図1のような形態で利用されることを想定としている。音声認識手段を組み込んだ各種情報処理装置(例えば,カーナビ,音声対話システム,対話ロボット,音声検索システム等)において,音声認識システムで必ず利用される言語モデル,音声認識辞書(音響モデルは本発明の対象外とする)の学習方法を工夫することで,音声認識誤りの発生を大きく抑制する方法を提案する。これにより,情報処理装置がユーザに対して誤ったアクションを起こすことを防ぐことができる。
なお,ほとんどの音声認識システムを組み込んだ装置では,図1のような形態が取られている。音声認識結果を処理することになるため,音声認識が誤ったときには,ユーザへの誤ったアクションが行われることになる。
The present invention is assumed to be used in the form as shown in FIG. In various information processing apparatuses incorporating voice recognition means (for example, car navigation systems, voice dialogue systems, dialogue robots, voice search systems, etc.), language models and voice recognition dictionaries (acoustic models are always used in the voice recognition system). We propose a method that greatly suppresses the occurrence of speech recognition errors by devising a learning method that is not covered. Thereby, it is possible to prevent the information processing apparatus from taking an erroneous action on the user.
Note that most devices incorporating a speech recognition system take the form shown in FIG. Since the speech recognition result is processed, when the speech recognition is incorrect, an erroneous action is performed on the user.
図2は,本発明の概念図を示す。情報処理装置1において、音声認識手段3は、言語モデル7の学習と音声認識辞書8の作成を行う言語モデル・音声認識辞書作成装置17を介して行われる。言語モデル学習手段7と音声認識辞書8を用いると,音声認識結果6に含まれる各認識単語には,装置が想定しない発話であるというラベルが付けられる。そのラベルが付けられた場合は,処理手段4において,出力手段5に情報を出力しないようにする,もしくは装置を使っているユーザへ想定していない発話であった旨のフィードバックを行うことができる。
図3は,言語モデル学習装置の処理の流れである。まず,言語モデル学習用文章データ14(これは音声認識システムを利用した各種装置に応じて開発者等が用意しておく)を形態素解析部18で形態素解析し,文章を単語に分割する(日本語の場合。英語の場合は,単語の原型を得る)。単語−クラス辞書20(これも開発者等が用意)を利用して,得られた単語をクラス名変換部21でクラスに変換する。ここでいうクラスとは,単語の品詞名やある特定の意味を表すカテゴリーのことであり,各種装置の設計・開発者が任意に定義できる。
例えば,図4は,図3に対して具体的なデータの例を付与した図である。「中華料理」や「寿司」という単語は「<料理ジャンル>」というクラスに属し,「甲府市」は「<地名>」クラスに属する。単語とクラスの対応は,図3,図4中の単語−クラス辞書20に基づいて行われ,クラス名変換部21が,実際に単語列をクラス列に変換する。ここで,音声認識手段を利用した情報処理装置で必要とされるキーワード類を,ここでは有効単語と呼ぶことにする。
クラス列に変換された文章データに,ガベージクラス混合部22においてガベージクラス列24を混合させる。ガベージクラスとは,音声認識システムを持つ各種情報処理装置において,想定しない不必要な単語(これをガベージ単語と呼ぶ,この作成方法は後述)が属するクラスのことである。ユーザが不要な発話をしたときに限って,ガベージクラスとして認識結果を得ることができれば,音声認識結果に不要単語のラベルを付与することが容易にできる。これにより,後の処理で誤ったことを行わずに済む。文章データに,任意のガベージクラス列を追加することで,装置が想定しない発話が入力されたときでも,想定発話が入力されたときでも,両方を正しく認識でするための言語モデルを学習することが可能となる。
なお,スイッチ19を切り替えることで,単語をクラス化しない場合は,単語表記の文章データにたいして同様にガベージクラス列24を混合することで,ガベージクラスを含んだ言語モデル7を学習することが可能である。
ガベージクラス混合部22において,このガベージクラス列24と,言語モデル学習用文章データ14から作成した有効単語のクラス列とを混合する際,混合のやり方は様々な方法があるが,例えば,発明者が開発した音声対話ロボットにおいては,有効単語とガベージ単語をランダムに組み合わせ,有効単語に対するガベージ単語の出現割合を7:3にすると,実験的に最も良い結果が得られることが分かっている。この割合については,各情報処理装置によって異なるため,この割合が最適であるとは言えない。
混合したクラス列から,言語モデル学習部23において言語モデルを学習する。言語モデルの学習方法は,一般的なN-gram法であり,図4に示すように,クラス−クラス間,クラス−単語間の接続確率が学習される。
図5は,ガベージ単語を作成する方法であるガベージ単語作成手段13の処理の流れである。ガベージ単語作成データ15は,新聞データや講義・講演などの書き起こしデータなどの一般的なテキスト文章データの集合である。これを形態素解析部25で形態素解析し,その結果を単語情報取得部26が処理をおこない単語情報を得る。この単語情報と言語モデル学習用文章データ14に基づいて,ガベージ単語とすべき単語の選定を単語選択部27が行い,ガベージ単語リスト28を作成する。単語情報は,例えば単語の出現頻度やエントロピーなどの情報を用いても構わない。本発明では,この単語抽出方法を限定しないこととする。言語モデル学習用データ14を用いるのは,有効単語をガベージ単語リスト28に登録しないようにするためである。
図6は,図5に対して具体的な説明を行うための図である。一般的なテキストコーパス(新聞記事集合や,講演テキストデータの書き起こしで良い)を用いて,例えばコーパスに出現する高頻度単語を選択し,ガベージ単語リストに登録する方法を説明している。ただし,言語モデル学習用文章データ14に出現した単語に関しては,たとえ高頻度単語であっても,ガベージ単語に登録しない。なぜなら,言語モデル学習用文書中の単語は,情報処理装置を正しく動作させるために必要な単語を含んでいるからである。
もし,一般的なテキストコーパスを用意できなくても,ガベージ単語リスト28を作成することができる。図7はその場合のガベージ単語作成方法の枠組みである。ガベージ自動生成部29において,任意のN個の平仮名1文字をランダムに組み合わせた仮想単語を自動生成する。例えば,「あめみ」,「ためふか」などである。必ずしも意味のある単語である必要はない。このNの値を決定する方法は本発明では問わないが,各種実験の結果から例えば任意の3個の音節の組み合わせがガベージ単語としての機能を有効に果たせる。仮想単語の中から有効単語を取り除き,ガベージ単語リストとする。
図8は,認識辞書作成手段11について説明した図である。音声認識辞書8には,音声認識結果として出力されるべき単語のリストを登録する。言語モデル学習用文章データ14を形態素解析部30で形態素解析し,その結果を単語発音取得部31に入力することで,有効単語の読み方(発音)を得ることができる。また,ガベージ単語リスト28の発音情報も単語発音取得部31で取得する。得られた有効単語,ガベージ単語の発音情報を音響モデルと照らし合わせながら発音系列(主に音素もしくは音節列)に変換することで,音声認識辞書8を作成する。ここには,言語モデル7に出現する単語と,言語モデルに出現するクラスに対応する単語,ガベージ単語リストすべての発音表記が登録される。
図9は,図8に対して具体的なデータを付与した例である。言語モデル学習用文章データを形態素解析すると,単語とその発音表記(平仮名もしくはカタカナ系列)を得ることができる。同時に,ガベージ単語リストに登録してある単語の発音表記も取得する。発音辞書生成部では,音響モデルに登録してある音韻モデル表記に照らし合わせながら,発音表記を音韻モデル系列に書き直す。音響モデルでは,例えば,“あ”という音の波形を,“a”という音韻モデルとして学習している。最終的に,認識辞書では,単語とそれに対応する発音の音韻系列が登録されることになる。
FIG. 2 shows a conceptual diagram of the present invention. In the information processing apparatus 1, the speech recognition means 3 is performed via a language model / speech recognition dictionary creation device 17 that learns the language model 7 and creates the speech recognition dictionary 8. If the language model learning means 7 and the speech recognition dictionary 8 are used, each recognition word included in the speech recognition result 6 is labeled as an utterance that is not assumed by the apparatus. When the label is attached, the processing means 4 can prevent information from being output to the output means 5 or can provide feedback to the user using the device that the utterance is not assumed. .
FIG. 3 is a process flow of the language model learning apparatus. First, sentence data 14 for language model learning (this is prepared by a developer or the like according to various devices using a speech recognition system) is subjected to morphological analysis by a morphological analysis unit 18 to divide the sentence into words (Japan) For words, for English, get word prototype). Using the word-class dictionary 20 (also prepared by a developer or the like), the obtained word is converted into a class by the class name conversion unit 21. A class here is a category that represents a part-of-speech name of a word or a specific meaning, and can be arbitrarily defined by the design / developer of various devices.
For example, FIG. 4 is a diagram in which specific data examples are added to FIG. The words “Chinese cuisine” and “sushi” belong to the class “<Cooking genre>”, and “Kofu city” belongs to the “<place name>” class. The correspondence between words and classes is performed based on the word-class dictionary 20 in FIGS. 3 and 4, and the class name conversion unit 21 actually converts the word strings into class strings. Here, the keywords necessary for the information processing apparatus using the voice recognition means are referred to as effective words here.
The garbage class mixing unit 22 mixes the garbage class string 24 with the text data converted into the class string. The garbage class refers to a class to which an unexpected unnecessary word (this is referred to as a garbage word, which will be described later) in various information processing apparatuses having a speech recognition system. If the recognition result can be obtained as a garbage class only when the user utters an unnecessary utterance, it is possible to easily add an unnecessary word label to the speech recognition result. As a result, it is not necessary to do something wrong in later processing. To learn a language model for correctly recognizing both utterances and utterances that the device does not expect by adding an arbitrary garbage class sequence to the text data. Is possible.
If the word is not classified by switching the switch 19, it is possible to learn the language model 7 including the garbage class by mixing the garbage class column 24 in the same manner with the sentence data of the word notation. is there.
When the garbage class mixing unit 22 mixes the garbage class string 24 and the class string of valid words created from the language model learning sentence data 14, there are various methods of mixing. In the spoken dialogue robot developed by, it is known that the best result is obtained experimentally when effective words and garbage words are randomly combined and the appearance ratio of garbage words to effective words is 7: 3. Since this ratio differs depending on each information processing apparatus, it cannot be said that this ratio is optimal.
A language model learning unit 23 learns a language model from the mixed class sequence. The language model learning method is a general N-gram method, and as shown in FIG. 4, the connection probability between classes and classes and between classes and words is learned.
FIG. 5 is a flow of processing of the garbage word creation means 13 which is a method of creating a garbage word. The garbage word creation data 15 is a set of general text sentence data such as newspaper data and transcription data such as lectures and lectures. The morpheme analysis unit 25 performs morpheme analysis, and the word information acquisition unit 26 processes the result to obtain word information. Based on the word information and the language model learning sentence data 14, the word selection unit 27 selects a word to be a garbage word and creates a garbage word list 28. As the word information, for example, information such as word appearance frequency and entropy may be used. In the present invention, this word extraction method is not limited. The reason why the language model learning data 14 is used is to prevent valid words from being registered in the garbage word list 28.
FIG. 6 is a diagram for specifically explaining FIG. A method of selecting a high-frequency word appearing in the corpus, for example, and registering it in the garbage word list using a general text corpus (which may be a transcript of newspaper article sets or lecture text data) is described. However, words appearing in the language model learning sentence data 14 are not registered as garbage words even if they are high-frequency words. This is because words in the language model learning document include words necessary for the information processing apparatus to operate correctly.
Even if a general text corpus cannot be prepared, the garbage word list 28 can be created. FIG. 7 shows the framework of the garbage word creation method in that case. The automatic garbage generation unit 29 automatically generates a virtual word in which arbitrary N Hiragana characters are randomly combined. For example, “Amemi”, “Takefuka”, etc. It is not necessarily a meaningful word. The method for determining the value of N is not limited in the present invention. From the results of various experiments, for example, a combination of arbitrary three syllables can effectively function as a garbage word. The effective word is removed from the virtual word to make a garbage word list.
FIG. 8 is a diagram for explaining the recognition dictionary creation means 11. In the speech recognition dictionary 8, a list of words to be output as speech recognition results is registered. The morphological analysis unit 30 performs morphological analysis on the language model learning sentence data 14, and the result is input to the word pronunciation acquisition unit 31, so that the effective word reading (pronunciation) can be obtained. The pronunciation information of the garbage word list 28 is also acquired by the word pronunciation acquisition unit 31. The speech recognition dictionary 8 is created by converting the pronunciation information of the obtained effective words and garbage words into a pronunciation sequence (mainly phonemes or syllable strings) while collating with the acoustic model. Here, the words appearing in the language model 7, the words corresponding to the classes appearing in the language model, and the phonetic notation of all the garbage word lists are registered.
FIG. 9 is an example in which specific data is given to FIG. If the morphological analysis is performed on the language model learning sentence data, a word and its pronunciation notation (Hiragana or Katakana series) can be obtained. At the same time, the phonetic notation of the words registered in the garbage word list is also acquired. The pronunciation dictionary generation unit rewrites the phonetic notation into the phoneme model series while checking the phoneme model notation registered in the acoustic model. In the acoustic model, for example, the waveform of a sound “a” is learned as a phoneme model “a”. Finally, in the recognition dictionary, a phoneme sequence of words and pronunciations corresponding to the words is registered.
本発明により作成した言語モデルと認識辞書を用いた音声認識システムでは,想定しない発話が入力され,それを音声認識したとき,結果として出力される単語には<ガベージ>というラベルが付与されていることになる。 In a speech recognition system using a language model and a recognition dictionary created according to the present invention, an unexpected utterance is input, and when it is speech-recognized, the resulting word is labeled <garbage>. It will be.
ガベージというラベルが付与されている単語が,図2の情報処理装置1に入力されたとき,音この情報処理装置1に含まれる処理手段4によって音声認識結果6にガベージラベルが付いているか否かをチェックすることで,入力され認識された発話が想定しない発話であると容易に判定することができる。
本発明の有効性を用いるため,音声認識システムを持つ音声対話ロボットを構築した。人間の発話を,対話ロボットを正しく動作させるために必要な発話(これをドメイン内発話と呼ぶ)と,それ以外の対話ロボットが想定しない発話(これをドメイン外発話と呼ぶ)に分類する実験を行った。ドメイン内,外でそれぞれ200発話を用意した。
本発明により作成した言語モデルと音声認識辞書を用いて,(1)ドメイン外発話をどれだけドメイン外として検出できるか,(2)ドメイン内発話をどれだけドメイン内として検出できるかの2つの観点から有効性を検討した。
Whether or not a word with a garbage label is input to the information processing apparatus 1 in FIG. 2, whether or not a garbage label is attached to the speech recognition result 6 by the processing means 4 included in the information processing apparatus 1 By checking, it is possible to easily determine that the input and recognized utterance is an unexpected utterance.
In order to use the effectiveness of the present invention, a speech dialogue robot having a speech recognition system was constructed. Experiments that classify human utterances into utterances necessary for proper operation of the dialogue robot (this is called intra-domain utterance) and utterances that other dialogue robots do not expect (this is called out-domain utterance) went. We prepared 200 utterances both inside and outside the domain.
Using the language model and speech recognition dictionary created in accordance with the present invention, two aspects are: (1) how much utterance outside the domain can be detected outside the domain, and (2) how much utterance inside the domain can be detected within the domain. The effectiveness was examined.
言語モデル学習用文章データは,全部で120文である。これに,ガベージクラスのみから成るガベージクラス学習用ダミー文データを一定の割合で加える。実験では,この割合を変化させている。
ガベージ単語生成データとガベージリストは,「日本語話し言葉コーパス」(一般人に,自分の夢や経験談等について数分程度講演してもらった数百時間の音声とその書きお越しのデータベースである)を利用した。日本語話し言葉コーパスに含まれる高頻度単語(50回以上出現)を約2500単語程度取り出した。この中から対話ロボットで必要な単語を除外し,これをガベージリストとする。
The sentence data for language model learning is 120 sentences in total. Garbage class learning dummy sentence data consisting only of garbage classes is added to this at a fixed rate. In the experiment, this ratio is changed.
Garbage word generation data and the garbage list are "Japanese spoken language corpus" (a database of hundreds of hours of speech and writing written by ordinary people about their dreams and experiences). used. About 2500 words were extracted from high-frequency words (appearing more than 50 times) included in the Japanese spoken corpus. From this, a word required by the dialogue robot is excluded, and this is used as a garbage list.
実験結果を図10に示す。
ガベージの学習割合が0のときは,ガベージクラスを一切学習しないということなので,従来のシステムの結果,つまりベースラインとなる。このとき,ドメイン外発話はすべて,ドメイン内と検出されてしまい,このとき対話ロボットが人間の意図しない動作を行う。
しかし,ガベージ割合を増やすことで,ドメイン外発話をきちんと棄却することができ,ドメイン外発話検出精度が改善していることがわかる。ドメイン外発話が検知できれば,対話ロボットは誤動作しない。
一方で,ガベージの学習割合を100%にしてしまうと,ガベージクラスのみしか学習されないため,ドメイン内発話が誤ってすべてドメイン外と認定されてしまい,ロボットが動作をしない。
ドメイン内発話検出精度とドメイン外発話検出精度の折り合いがつく点(つまり,2本のグラフが交差する点)を見ると,最適な学習割合は30%であることが分かる。このとき,ドメイン外発話の約90%を正しく棄却できていることになる。本発明により,無関係発話の検出が簡単にできることが実証された。
The experimental results are shown in FIG.
When the garbage learning rate is 0, the garbage class is not learned at all, and thus the result of the conventional system, that is, the baseline. At this time, all utterances outside the domain are detected as being within the domain, and at this time, the dialogue robot performs an unintended operation by humans.
However, it can be seen that by increasing the garbage rate, utterances outside the domain can be properly rejected, and the accuracy of detecting utterances outside the domain is improved. If the utterance outside the domain can be detected, the dialogue robot will not malfunction.
On the other hand, if the garbage learning rate is set to 100%, only the garbage class is learned, and all utterances within the domain are mistakenly recognized as outside the domain, and the robot does not operate.
Looking at the point where the accuracy of intra-domain utterance detection and the accuracy of utterance detection outside the domain come together (that is, the point where two graphs intersect), it can be seen that the optimal learning rate is 30%. At this time, about 90% of out-domain utterances are correctly rejected. The present invention proved that irrelevant speech can be detected easily.
本発明は,音声認識システムを利用した各種装置(例えば,カーナビ,音声対話システム,対話ロボット,音声検索システム等)において,装置内の音声認識システムが使っている言語モデルや認識辞書の学習方法を工夫することで,装置が想定しない発話入力を高精度で棄却することが可能となった。 The present invention provides a learning method for a language model and a recognition dictionary used by a speech recognition system in a device in various devices (for example, a car navigation system, a speech dialog system, a dialog robot, a speech search system, etc.) using the speech recognition system. By devising it, it became possible to reject speech input that the device did not expect with high accuracy.
本発明の具体的な効果について,例を挙げて説明する。図10は,カーナビゲーションシステム(以下,カーナビ)で,ユーザがお店や地名を検索する例である。
一般的なカーナビの場合,図10に示すようにユーザの問いかけに対して,その発話を音声認識し,発話内容を理解し適切な応答を返す。
しかし,図11に示すように,ユーザ同士の対話などで,カーナビと無関係のドメイン外発話が行われたとする。この場合,本発明を利用しなければ,カーナビは音声認識結果を無理やり解釈し,なんらかのアクションをユーザに返す。当然,このアクションはユーザの意図したものではない。
Specific effects of the present invention will be described with examples. FIG. 10 shows an example in which a user searches for a shop or a place name in a car navigation system (hereinafter referred to as a car navigation system).
In the case of a general car navigation system, as shown in FIG. 10, in response to a user's inquiry, the utterance is recognized by speech, the utterance content is understood, and an appropriate response is returned.
However, as shown in FIG. 11, it is assumed that an outside-domain utterance unrelated to car navigation is performed in a dialogue between users or the like. In this case, if the present invention is not used, the car navigation system forcibly interprets the voice recognition result and returns some action to the user. Of course, this action is not what the user intended.
本発明を利用した場合,図12に示すように,カーナビは「関係のない発話」ということを認識できる。そのため,誤作動を起こすことはない。 When the present invention is used, as shown in FIG. 12, the car navigation system can recognize that “unrelated speech”. Therefore, no malfunction occurs.
図13は,音声入力による病院患者データベース検索装置の一実施例である。この例では患者データベースとしたが,データベースの種類は何でも構わない。例えば,データベースの種類としては,カーナビ等での飲食店検索,飲食店予約のための顧客情報,対話ロボット制御のための制御コマンドデータベース等が想定される。実際に,本発明を組み入れた病院診療予約のための患者情報データベース検索システムを構築したのでその枠組みを実施例として紹介する。 FIG. 13 shows an embodiment of a hospital patient database search apparatus by voice input. In this example, the patient database is used, but any kind of database may be used. For example, as database types, restaurant search by car navigation, customer information for restaurant reservation, control command database for interactive robot control, and the like are assumed. Actually, a patient information database search system for hospital medical appointments incorporating the present invention has been constructed, and its framework will be introduced as an example.
図13の実施例では,音声インタフェース部とグラフィカルユーザインタフェース部,患者データベース検索制御部から構成されている。音声インタフェースは,マイクロフォン,音声認識エンジン,言語モデル・認識辞書選択部,音響モデル(1種類),言語モデル(n種類),認識辞書(n種類)から成る。グラフィカルユーザインタフェース部はタッチパネル式ディスプレイと画面描画部からなる。 In the embodiment of FIG. 13, the voice interface unit, the graphical user interface unit, and the patient database search control unit are configured. The speech interface consists of a microphone, speech recognition engine, language model / recognition dictionary selection unit, acoustic model (1 type), language model (n types), and recognition dictionary (n types). The graphical user interface unit includes a touch panel display and a screen drawing unit.
まず,人間の電話口の音声,あるいは人間同士の会話音声をマイクが自動的にキャッチする。キャッチされた音声は,音声認識エンジンに送られる。音声認識エンジンは,音声切り出しを行う前処理部,切り出した音声の特徴量を抽出する特徴量抽出部,特徴量と各種モデル,辞書を用いて音声認識結果を得るデコーディング部から構成される。デコーディング部では,音響モデルおよび言語モデル・認識辞書選択部により選択された1つの言語モデルと1つの認識辞書を用いて,特徴量と音響モデルの適合性を判断しながら最適な音韻系列を選択し,言語モデルと認識辞書を用いて文法的な正しさ,単語の正しさを判断して,最終的にデータベース検索に用いる単語候補(キーワード)を複数個出力する。 First, the microphone automatically captures the voice of a human telephone or the conversation voice between humans. The caught speech is sent to the speech recognition engine. The speech recognition engine includes a preprocessing unit that performs speech segmentation, a feature amount extraction unit that extracts feature amounts of the extracted speech, a decoding unit that obtains speech recognition results using feature amounts and various models, and a dictionary. The decoding unit selects the optimal phoneme sequence while judging the suitability between the feature and the acoustic model using one language model and one recognition dictionary selected by the acoustic model and language model / recognition dictionary selection unit Then, the grammatical correctness and the correctness of the word are judged using the language model and the recognition dictionary, and finally a plurality of word candidates (keywords) used for database search are output.
ここで用いられる言語モデルは,名前や日時等を認識するための,文法モデルである。
デコーディング部によって得られた候補の単語を用いて,患者データベース検索制御部がデータベース検索を行う。
The language model used here is a grammar model for recognizing names, dates and times.
The patient database search control unit searches the database using candidate words obtained by the decoding unit.
また,データベース検索制御部では,音声インタフェース部内の言語モデル・認識辞書選択部を制御する働きも持つ。言語モデル・認識辞書選択部は,ユーザにより患者データベース中のどのデータ(例えば,名前なのか,病名なのか)を検索したいのかが明確にされたとき,データベースを検索するためのキーワードを高い精度で認識するために,言語モデルおよび認識辞書を切り替える部分である。例えば,人名を検索したい場合は,人名認識用の言語モデルと認識辞書を利用し,予約画面になったときに日時を検索したい場合は,日時認識用の言語モデルと認識辞書に切り替える。これにより,状況に応じた高い音声認識を実現することができる。 The database search control unit also has a function of controlling the language model / recognition dictionary selection unit in the voice interface unit. When the language model / recognition dictionary selection unit clarifies which data (for example, name or disease name) in the patient database is to be searched by the user, the keyword for searching the database is determined with high accuracy. In order to recognize, it is a part which switches a language model and a recognition dictionary. For example, when searching for a person name, the language model and recognition dictionary for person name recognition are used, and when searching for the date and time when the reservation screen is displayed, the language model and the recognition dictionary for date recognition are switched. Thereby, high voice recognition according to the situation can be realized.
データベース検索制御部では,上記の働きの他に,音声認識結果候補を使ってデータベースを検索する。検索結果は,グラフィカルユーザインタフェース部に送られる。 In addition to the above function, the database search control unit searches the database using speech recognition result candidates. Search results are sent to the graphical user interface.
図13の実施例では,電話や対話音声を音声認識エンジンの入力とするため,データベース検索にとって不要な発話が多く,常に誤認識している状態であった。誤認識をすると,必要のない情報が勝手に検索され,検索結果がディスプレイに表示され,利用者にとって戸惑いを与えていた。 In the embodiment of FIG. 13, since telephone and dialogue voices are input to the voice recognition engine, there are many utterances that are unnecessary for database search, and they are always misrecognized. When it was misrecognized, unnecessary information was searched without permission, and the search result was displayed on the display, which was confusing for users.
しかし,本発明を組み入れた言語モデルと音声認識辞書を用いることで,想定外発話をしても誤動作する割合が大幅に削減できた。 However, by using a language model and a speech recognition dictionary incorporating the present invention, the rate of malfunctions even when unexpected utterances were significantly reduced.
音声認識システムを持つ各種装置(例えば、音声対話システム、ロボット、音声入力によるデータベース検索システム、カーナビ、音声翻訳システム等)に応用可能である。 The present invention can be applied to various devices having a voice recognition system (for example, a voice dialogue system, a robot, a database search system by voice input, a car navigation system, a voice translation system, etc.).
1 音声認識システムを利用する情報処理装置
2 マイクロフォンなどの音声入力手段
3 音声認識手段(音声認識システム)
4 処理手段(情報処理装置1がその機能を果たすための処理を行う部分)
5 出力手段(ディスプレイ表示,合成音声出力,ロボットアームの動作など)
6 音声認識手段により出力された音声認識結果
7 言語モデル(統計的N-gramモデル,文法モデル)
8 音声認識辞書
9 音響モデル(発明対象外)
10 言語モデル学習手段
11 音声認識辞書作製手段
12 音響モデル学習手段
13 ガベージ単語学習手段
14 言語モデル学習用文章データ
15 ガベージ単語作製データ
16 音響モデル学習データ
17 言語モデル・音声認識辞書作製装置
18 言語モデル学習手段における形態素解析部
19 スイッチ(言語モデル学習用の単語をクラス化する場合としない場合で処理が分岐するため)
20 単語とクラスを対応させるための単語−クラス辞書
21 単語にクラス名を付与し,単語列をクラス列に変換するためのクラス名変換部
22 情報処理装置1が想定しない発話を不要発話として正しく音声認識するための不要文モデル化のためのガベージクラス混合部
23 統計的言語モデルあるいは文法モデルを学習するための言語モデル学習部
24 ガベージクラス列
25 ガベージ単語作成部における形態素解析部
26 形態素解析した結果から単語情報を得るための単語情報取得部
27 単語情報からガベージ単語を得るための単語選択部
28 情報処理装置1が不要とする単語の集合であるガベージ単語リスト
29 無から不要語を自動作成するガベージ自動生成部
30 音声認識辞書作成手段11における形態素解析部
31 単語発音取得部
32 発音辞書生成部
1 Information processing devices that use speech recognition systems
2 Voice input means such as a microphone
3 Voice recognition means (voice recognition system)
4 Processing means (part that performs processing for information processing device 1 to fulfill its functions)
5 Output means (display display, synthesized voice output, robot arm operation, etc.)
6 Speech recognition result output by speech recognition means
7 Language model (statistical N-gram model, grammar model)
8 Speech recognition dictionary
9 Acoustic model (not subject to invention)
10 Language model learning tools
11 Voice recognition dictionary creation means
12 Acoustic model learning means
13 Garbage word learning tools
14 Text data for language model learning
15 Garbage word creation data
16 Acoustic model learning data
17 Language model / voice recognition dictionary creation device
18 Morphological analyzer in language model learning means
19 switch (because processing branches depending on whether or not a word for language model learning is classified)
20 Word-class dictionaries to associate words with classes
21 Class name converter for assigning class names to words and converting word strings to class strings
22 Garbage Class Mixing Unit for Unnecessary Sentence Modeling for Correct Speech Recognition as Unnecessary Utterances
23 Language model learning unit for learning statistical language models or grammatical models
24 garbage class columns
25 Morphological analyzer in garbage word generator
26 Word information acquisition unit for obtaining word information from morphological analysis results
27 Word selector for obtaining garbage words from word information
28 Garbage word list that is a set of words unnecessary for the information processing device 1
29 Automatic garbage generator that automatically creates unnecessary words from nothing
30 Morphological analyzer in speech recognition dictionary creation means 11
31 Word pronunciation acquisition unit
32 Pronunciation dictionary generator
Claims (10)
言語モデル学習手段と
音声認識辞書作製手段と
想定しない不必要な単語作成手段から構成されることを特徴とする言語モデル・音声認識辞書作製方法。 In speech recognition means for automatically identifying that the utterance input to the information processing apparatus for speech recognition is an utterance that is not assumed by the information processing apparatus, it is unnecessary not to assume that the language model learning means and the speech recognition dictionary preparation means A language model / speech recognition dictionary creation method characterized by comprising simple word creation means.
前記言語モデル学習手段と
前記音声認識辞書作製手段と
前記想定しない不必要な単語作成手段から構成された音声認識結果を出力することを特徴とする請求項1から9に記載の言語モデル・音声認識辞書作製装置。 In an information processing device for speech recognition,
10. The language model / speech recognition according to claim 1, wherein a speech recognition result composed of the language model learning unit, the speech recognition dictionary creation unit, and the unexpected unnecessary word creation unit is output. Dictionary making device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010014372A JP5703491B2 (en) | 2010-01-26 | 2010-01-26 | Language model / speech recognition dictionary creation device and information processing device using language model / speech recognition dictionary created thereby |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010014372A JP5703491B2 (en) | 2010-01-26 | 2010-01-26 | Language model / speech recognition dictionary creation device and information processing device using language model / speech recognition dictionary created thereby |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011154099A true JP2011154099A (en) | 2011-08-11 |
JP5703491B2 JP5703491B2 (en) | 2015-04-22 |
Family
ID=44540140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010014372A Expired - Fee Related JP5703491B2 (en) | 2010-01-26 | 2010-01-26 | Language model / speech recognition dictionary creation device and information processing device using language model / speech recognition dictionary created thereby |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5703491B2 (en) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903619A (en) * | 2012-12-28 | 2014-07-02 | 安徽科大讯飞信息科技股份有限公司 | Method and system for improving accuracy of speech recognition |
US9697821B2 (en) | 2013-01-29 | 2017-07-04 | Tencent Technology (Shenzhen) Company Limited | Method and system for building a topic specific language model for use in automatic speech recognition |
US9812122B2 (en) | 2014-09-24 | 2017-11-07 | International Business Machines Corporation | Speech recognition model construction method, speech recognition method, computer system, speech recognition apparatus, program, and recording medium |
JP2018152035A (en) * | 2016-09-16 | 2018-09-27 | 株式会社東芝 | Information management system |
CN110473524A (en) * | 2019-08-30 | 2019-11-19 | 苏州思必驰信息科技有限公司 | The construction method and device of speech recognition system |
KR20190129731A (en) * | 2018-05-11 | 2019-11-20 | 도요타 지도샤(주) | Voice interaction system, voice interaction method, and program |
WO2020039753A1 (en) * | 2018-08-24 | 2020-02-27 | ソニー株式会社 | Information processing device for determining degree of security risk of macro |
US10713233B2 (en) | 2016-09-16 | 2020-07-14 | Kabushiki Kaisha Toshiba | Information management system |
CN112037770A (en) * | 2020-08-03 | 2020-12-04 | 北京捷通华声科技股份有限公司 | Generation method of pronunciation dictionary, and method and device for word voice recognition |
US11014246B2 (en) | 2017-10-13 | 2021-05-25 | Sharp Kabushiki Kaisha | Control device, robot, control method, control program, and storage medium |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0777998A (en) * | 1993-09-07 | 1995-03-20 | Nippondenso Co Ltd | Successive word speech recognition device |
WO2003052737A1 (en) * | 2001-12-17 | 2003-06-26 | Asahi Kasei Kabushiki Kaisha | Speech recognition method, remote controller, information terminal, telephone communication terminal and speech recognizer |
JP2004117771A (en) * | 2002-09-26 | 2004-04-15 | Toshiba Corp | Method and device for preparing dictionary for speech recognition, method and device for speech recognition, speech recognition program, and voice recognition system |
JP2005227686A (en) * | 2004-02-16 | 2005-08-25 | Sharp Corp | Speech recognizer, speech recognition program and recording medium |
-
2010
- 2010-01-26 JP JP2010014372A patent/JP5703491B2/en not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0777998A (en) * | 1993-09-07 | 1995-03-20 | Nippondenso Co Ltd | Successive word speech recognition device |
WO2003052737A1 (en) * | 2001-12-17 | 2003-06-26 | Asahi Kasei Kabushiki Kaisha | Speech recognition method, remote controller, information terminal, telephone communication terminal and speech recognizer |
JP2004117771A (en) * | 2002-09-26 | 2004-04-15 | Toshiba Corp | Method and device for preparing dictionary for speech recognition, method and device for speech recognition, speech recognition program, and voice recognition system |
JP2005227686A (en) * | 2004-02-16 | 2005-08-25 | Sharp Corp | Speech recognizer, speech recognition program and recording medium |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903619A (en) * | 2012-12-28 | 2014-07-02 | 安徽科大讯飞信息科技股份有限公司 | Method and system for improving accuracy of speech recognition |
CN103903619B (en) * | 2012-12-28 | 2016-12-28 | 科大讯飞股份有限公司 | A kind of method and system improving speech recognition accuracy |
US9697821B2 (en) | 2013-01-29 | 2017-07-04 | Tencent Technology (Shenzhen) Company Limited | Method and system for building a topic specific language model for use in automatic speech recognition |
US9812122B2 (en) | 2014-09-24 | 2017-11-07 | International Business Machines Corporation | Speech recognition model construction method, speech recognition method, computer system, speech recognition apparatus, program, and recording medium |
US10713233B2 (en) | 2016-09-16 | 2020-07-14 | Kabushiki Kaisha Toshiba | Information management system |
US11106652B2 (en) | 2016-09-16 | 2021-08-31 | Kabushiki Kaisha Toshiba | Information management system |
JP2020170537A (en) * | 2016-09-16 | 2020-10-15 | 株式会社東芝 | Information transfer system, information transfer method, and program |
JP2018152035A (en) * | 2016-09-16 | 2018-09-27 | 株式会社東芝 | Information management system |
US11014246B2 (en) | 2017-10-13 | 2021-05-25 | Sharp Kabushiki Kaisha | Control device, robot, control method, control program, and storage medium |
KR20190129731A (en) * | 2018-05-11 | 2019-11-20 | 도요타 지도샤(주) | Voice interaction system, voice interaction method, and program |
KR102217917B1 (en) | 2018-05-11 | 2021-02-19 | 도요타 지도샤(주) | Voice interaction system, voice interaction method, and program |
WO2020039753A1 (en) * | 2018-08-24 | 2020-02-27 | ソニー株式会社 | Information processing device for determining degree of security risk of macro |
JPWO2020039753A1 (en) * | 2018-08-24 | 2021-08-26 | ソニーグループ株式会社 | Information processing device that determines the degree of macro security risk |
JP7428130B2 (en) | 2018-08-24 | 2024-02-06 | ソニーグループ株式会社 | Information processing device that determines the degree of macro security risk |
US12033624B2 (en) | 2018-08-24 | 2024-07-09 | Sony Corporation | Information processing apparatus and information processing method |
CN110473524A (en) * | 2019-08-30 | 2019-11-19 | 苏州思必驰信息科技有限公司 | The construction method and device of speech recognition system |
CN112037770A (en) * | 2020-08-03 | 2020-12-04 | 北京捷通华声科技股份有限公司 | Generation method of pronunciation dictionary, and method and device for word voice recognition |
CN112037770B (en) * | 2020-08-03 | 2023-12-29 | 北京捷通华声科技股份有限公司 | Method for generating pronunciation dictionary and method and device for word speech recognition |
Also Published As
Publication number | Publication date |
---|---|
JP5703491B2 (en) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5703491B2 (en) | Language model / speech recognition dictionary creation device and information processing device using language model / speech recognition dictionary created thereby | |
US7421387B2 (en) | Dynamic N-best algorithm to reduce recognition errors | |
US5855000A (en) | Method and apparatus for correcting and repairing machine-transcribed input using independent or cross-modal secondary input | |
Reshamwala et al. | Review on natural language processing | |
US6681206B1 (en) | Method for generating morphemes | |
US6910012B2 (en) | Method and system for speech recognition using phonetically similar word alternatives | |
JP4791984B2 (en) | Apparatus, method and program for processing input voice | |
US7937262B2 (en) | Method, apparatus, and computer program product for machine translation | |
US8010361B2 (en) | Method and system for automatically detecting morphemes in a task classification system using lattices | |
US6848080B1 (en) | Language input architecture for converting one text form to another text form with tolerance to spelling, typographical, and conversion errors | |
KR101309042B1 (en) | Apparatus for multi domain sound communication and method for multi domain sound communication using the same | |
JP4680714B2 (en) | Speech recognition apparatus and speech recognition method | |
US20080133245A1 (en) | Methods for speech-to-speech translation | |
WO2001035249A2 (en) | Language input architecture for converting one text form to another text form with modeless entry | |
JP3476007B2 (en) | Recognition word registration method, speech recognition method, speech recognition device, storage medium storing software product for registration of recognition word, storage medium storing software product for speech recognition | |
US20070016420A1 (en) | Dictionary lookup for mobile devices using spelling recognition | |
US20050187767A1 (en) | Dynamic N-best algorithm to reduce speech recognition errors | |
EP3005152B1 (en) | Systems and methods for adaptive proper name entity recognition and understanding | |
Ablimit et al. | Stem-affix based Uyghur morphological analyzer | |
Ablimit et al. | A multilingual language processing tool for Uyghur, Kazak and Kirghiz | |
Juhár et al. | Recent progress in development of language model for Slovak large vocabulary continuous speech recognition | |
KR20130126570A (en) | Apparatus for discriminative training acoustic model considering error of phonemes in keyword and computer recordable medium storing the method thereof | |
US6963832B2 (en) | Meaning token dictionary for automatic speech recognition | |
Fu et al. | Determining the Origin and Structure of Person Names. | |
Sazhok et al. | Punctuation Restoration for Ukrainian Broadcast Speech Recognition System based on Bidirectional Recurrent Neural Network and Word Embeddings. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130125 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130924 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131119 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141002 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141128 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150120 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5703491 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |