JP5949550B2 - 音声認識装置、音声認識方法、及びプログラム - Google Patents
音声認識装置、音声認識方法、及びプログラム Download PDFInfo
- Publication number
- JP5949550B2 JP5949550B2 JP2012534081A JP2012534081A JP5949550B2 JP 5949550 B2 JP5949550 B2 JP 5949550B2 JP 2012534081 A JP2012534081 A JP 2012534081A JP 2012534081 A JP2012534081 A JP 2012534081A JP 5949550 B2 JP5949550 B2 JP 5949550B2
- Authority
- JP
- Japan
- Prior art keywords
- speech
- threshold
- likelihood
- model
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 31
- 238000012937 correction Methods 0.000 claims description 68
- 238000003860 storage Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 17
- 230000014509 gene expression Effects 0.000 description 14
- 238000009432 framing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L2025/783—Detection of presence or absence of voice signals based on threshold decision
- G10L2025/786—Adaptive threshold
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は音声認識装置、音声認識方法、及びプログラムに関し、特に背景雑音に頑健な音声認識装置、音声認識方法、及びプログラムに関する。
一般的な音声認識装置は、マイクロフォンなどで集音された入力音の時系列から、特徴量を抽出する。音声認識装置は、認識対象となる音声モデル（語彙又は音素等のモデル）と認識対象以外の非音声モデルとを用いて特徴量の時系列に対する尤度を計算する。音声認識装置は、計算した尤度に基づいて入力音の時系列に対応する単語列をサーチし、認識結果を出力する。
しかしながら、背景雑音、回線ノイズ、又はマイクを叩く音などの突発的な雑音などが存在する場合、誤った認識結果が得られることがある。このような認識対象以外の音の悪影響を抑えるために複数の提案がなされている。
非特許文献１に記載の音声認識装置は、上記の問題を、音声判定処理と音声認識処理のそれぞれから算出した音声区間を比較することで解決する。図７は、非特許文献１に記載されている音声認識装置の機能構成を示すブロック図である。非特許文献１の音声認識装置は、マイクロフォン１１とフレーム化部１２と音声判定部１３と補正値算出部１４と特徴量算出部１５と非音声モデル格納部１６と音声モデル格納部１７とサーチ部１８とパラメータ更新部１９とから構成される。
マイクロフォン１１は、入力音を集音する。フレーム化部１２は、マイクロフォン１１で集音された入力音の時系列を単位時間のフレーム毎に切り出す。音声判定部１３は、フレーム毎に切り出された入力音の時系列毎に音声らしさを示す特徴量を求め、閾値と比較することにより、第１の音声区間を判定する。補正値算出部１４は、音声らしさを示す特徴量と閾値から各モデルに対する尤度の補正値を算出する。特徴量算出部１５は、フレーム毎に切り出された入力音の時系列から音声認識に用いる特徴量を算出する。非音声モデル格納部１６は、認識対象となる音声以外のパターンを表す非音声モデルを格納する。音声モデル格納部１７は、認識対象となる音声の語彙又は音素のパターンを表す音声モデルを格納する。サーチ部１８は、フレーム毎の音声認識に用いる特徴量と音声モデルと非音声モデルとを用いて、上述の補正値によって補正された、該特徴量の各モデルに対する尤度に基づいて入力音に対応する単語列（認識結果）を求めると共に、第２の音声区間（発声区間）を求める。パラメータ更新部１９は、音声判定部１３から第１の音声区間が入力され、サーチ部１８から第２の音声区間が入力される。パラメータ更新部１９は、第１の音声区間と第２の音声区間とを比較し、音声判定部１３で用いる閾値を更新する。
非特許文献１の音声認識装置は、パラメータ更新部１９で第１の音声区間と第２の音声区間とを比較し、音声判定部１３で用いる閾値を更新する。以上の構成により、非特許文献１の音声認識装置は、閾値が雑音環境に対して正しく設定されていない、もしくは雑音環境が時刻に応じて変動するような場合であっても、尤度の補正値を正確に求めることができる。
また、非特許文献１は、第２の音声区間（発声区間）と第２の音声区間外の音声区間（非発声区間）とに関して、それぞれの区間をパワー特徴量の度数分布図（ヒストグラム）で表し、その交点を閾値とする方法を開示している。図８は、非特許文献１が開示する閾値の決定方法の例を説明する図である。図８に示すように、非特許文献１は、縦軸を入力音のパワー特徴量の出現確率の軸、横軸をパワー特徴量の軸としたときの、発声区間の出現確率曲線と、非発声区間の出現確率曲線との交点を閾値とする方法を開示している。
しかしながら、背景雑音、回線ノイズ、又はマイクを叩く音などの突発的な雑音などが存在する場合、誤った認識結果が得られることがある。このような認識対象以外の音の悪影響を抑えるために複数の提案がなされている。
非特許文献１に記載の音声認識装置は、上記の問題を、音声判定処理と音声認識処理のそれぞれから算出した音声区間を比較することで解決する。図７は、非特許文献１に記載されている音声認識装置の機能構成を示すブロック図である。非特許文献１の音声認識装置は、マイクロフォン１１とフレーム化部１２と音声判定部１３と補正値算出部１４と特徴量算出部１５と非音声モデル格納部１６と音声モデル格納部１７とサーチ部１８とパラメータ更新部１９とから構成される。
マイクロフォン１１は、入力音を集音する。フレーム化部１２は、マイクロフォン１１で集音された入力音の時系列を単位時間のフレーム毎に切り出す。音声判定部１３は、フレーム毎に切り出された入力音の時系列毎に音声らしさを示す特徴量を求め、閾値と比較することにより、第１の音声区間を判定する。補正値算出部１４は、音声らしさを示す特徴量と閾値から各モデルに対する尤度の補正値を算出する。特徴量算出部１５は、フレーム毎に切り出された入力音の時系列から音声認識に用いる特徴量を算出する。非音声モデル格納部１６は、認識対象となる音声以外のパターンを表す非音声モデルを格納する。音声モデル格納部１７は、認識対象となる音声の語彙又は音素のパターンを表す音声モデルを格納する。サーチ部１８は、フレーム毎の音声認識に用いる特徴量と音声モデルと非音声モデルとを用いて、上述の補正値によって補正された、該特徴量の各モデルに対する尤度に基づいて入力音に対応する単語列（認識結果）を求めると共に、第２の音声区間（発声区間）を求める。パラメータ更新部１９は、音声判定部１３から第１の音声区間が入力され、サーチ部１８から第２の音声区間が入力される。パラメータ更新部１９は、第１の音声区間と第２の音声区間とを比較し、音声判定部１３で用いる閾値を更新する。
非特許文献１の音声認識装置は、パラメータ更新部１９で第１の音声区間と第２の音声区間とを比較し、音声判定部１３で用いる閾値を更新する。以上の構成により、非特許文献１の音声認識装置は、閾値が雑音環境に対して正しく設定されていない、もしくは雑音環境が時刻に応じて変動するような場合であっても、尤度の補正値を正確に求めることができる。
また、非特許文献１は、第２の音声区間（発声区間）と第２の音声区間外の音声区間（非発声区間）とに関して、それぞれの区間をパワー特徴量の度数分布図（ヒストグラム）で表し、その交点を閾値とする方法を開示している。図８は、非特許文献１が開示する閾値の決定方法の例を説明する図である。図８に示すように、非特許文献１は、縦軸を入力音のパワー特徴量の出現確率の軸、横軸をパワー特徴量の軸としたときの、発声区間の出現確率曲線と、非発声区間の出現確率曲線との交点を閾値とする方法を開示している。
「長区間に渡る特徴量を用いてパラメタを更新する音声検出手法」日本音響学会 ２０１０年春季研究発表会、田中大介、講演論文集２０１０年３月１日発行
しかしながら、非特許文献１に記載の方法で音声判定の閾値を決定する場合、初期に設定した閾値が正しい値から大きく外れていた場合、閾値を正しく決定することが困難となる。
図９は、非特許文献１に記載されている閾値の決定方法における問題点を説明するための図である。例えば、事前調査が足りないなどの理由により、システム稼働初期段階における入力波形を音声判定部１３で判定するための閾値（初期閾値）が低く設定されてしまうことがある。その場合、非特許文献１の音声認識システムは、本来非音声区間である区間を音声区間として認識してしまう。その状況をヒストグラムで表すと、図９に示すように、非音声区間の出現確率が特徴量の少ない位置に極端に集中するのに対し、音声区間の出現確率は全体的に広い曲線を描く。そのため、この２つの曲線の交点は望ましい閾値よりかなり低いままとなってしまう。
以上より本発明の目的は、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することが可能な音声認識装置、音声認識方法、及びプログラムを提供することにある。
図９は、非特許文献１に記載されている閾値の決定方法における問題点を説明するための図である。例えば、事前調査が足りないなどの理由により、システム稼働初期段階における入力波形を音声判定部１３で判定するための閾値（初期閾値）が低く設定されてしまうことがある。その場合、非特許文献１の音声認識システムは、本来非音声区間である区間を音声区間として認識してしまう。その状況をヒストグラムで表すと、図９に示すように、非音声区間の出現確率が特徴量の少ない位置に極端に集中するのに対し、音声区間の出現確率は全体的に広い曲線を描く。そのため、この２つの曲線の交点は望ましい閾値よりかなり低いままとなってしまう。
以上より本発明の目的は、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することが可能な音声認識装置、音声認識方法、及びプログラムを提供することにある。
上記目的を達成するため、本発明における音声認識装置の一側面は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成する閾値候補生成手段と、前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力する音声判定手段と、音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正するサーチ手段と、前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新するパラメータ更新手段と、を含む。
また、上記目的を達成するため、本発明における音声認識方法の一側面は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する。
さらに、上記目的を達成するため、本発明における記録媒体に格納されるプログラムの一側面は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、処理をコンピュータに実行させる。
また、上記目的を達成するため、本発明における音声認識方法の一側面は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する。
さらに、上記目的を達成するため、本発明における記録媒体に格納されるプログラムの一側面は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、処理をコンピュータに実行させる。
本発明における音声認識装置、音声認識方法、及びプログラムによれば、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することができる。
以下、本発明の実施形態について説明する。なお、各実施形態の音声認識装置を構成する各部は、制御部、メモリ、メモリにロードされたプログラム、プログラムを格納するハードディスク等の記憶ユニット、ネットワーク接続用インターフェースなどからなり、任意のソフトウェアが組合わされたハードウェアによって実現される。そして特に断りのない限り、その実現方法、装置は限定されない。
図１０は、本発明の各実施形態における音声認識装置のハードウェア構成の一例を示すブロック図である。
制御部１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ。以下同様。）などからなり、オペレーティングシステムを動作させて音声認識装置の各部の全体を制御する。また、制御部１は、例えばドライブ装置４などに装着された記録媒体５からメモリ３にプログラムやデータを読み出し、これにしたがって各種の処理を実行する。
記録媒体５は、例えば光ディスク、フレキシブルディスク、磁気光ディスク、外付けハードディスク、半導体メモリ等であって、コンピュータプログラムをコンピュータ読み取り可能に記録する。また、コンピュータプログラムは、通信ＩＦ２（インターフェース２）を介して通信網に接続されている図示しない外部コンピュータからダウンロードされても良い。
また、各実施形態の説明において利用するブロック図は、ハードウェア単位の構成ではなく、機能単位のブロックを示している。これらの機能ブロックはハードウェア又はハードウェアに任意に組み合わされたソフトウェアによって実現される。また、これらの図においては、各実施形態の構成部は物理的に結合した一つの装置により実現されるよう記載されている場合もあるが、その実現手段は特に限定されない。すなわち、二つ以上の物理的に分離した装置を有線または無線で接続し、これら複数の装置により、各実施形態の装置をシステムとして実現しても良い。
＜第１の実施形態＞
まず、第１の実施形態における音声認識装置１００の機能構成について説明する。
図１は、第１の実施形態における音声認識装置１００の機能構成を示すブロック図である。図１に示すように、音声認識装置１００は、マイクロフォン１０１とフレーム化部１０２と閾値候補生成部１０３と音声判定部１０４と補正値算出部１０５と特徴量算出部１０６と非音声モデル格納部１０７と音声モデル格納部１０８とサーチ部１０９とパラメータ更新部１１０とを含む。
音声モデル格納部１０８は、認識対象となる音声の語彙又は音素のパターンを表す音声モデルを格納する。
非音声モデル格納部１０７は、認識対象となる音声以外のパターンを表す非音声モデルを格納する。
マイクロフォン１０１は、入力音を集音する。
フレーム化部１０２は、マイクロフォン１０１で集音された入力音の時系列を単位時間のフレーム毎に切り出す。
閾値候補生成部１０３は、フレーム毎に出力された入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定するための閾値候補を複数生成する。例えば、閾値候補生成部１０３は、フレーム毎の特徴量の最大値及び最小値に基づいて複数の閾値候補を生成しても良い（詳細は後述する）。音声らしさを示す特徴量は、振幅パワー、ＳＮ比、ゼロ交差数、ＧＭＭ（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ）尤度比、ピッチ周波数等で良く、他の特徴量であっても良い。閾値候補生成部１０３は、フレーム毎の音声らしさを示す特徴量と、生成した複数の閾値候補とを、データとして音声判定部１０４に出力する。
音声判定部１０４は、閾値候補生成部１０３が抽出した音声らしさを示す特徴量と複数の閾値候補とを比較することにより、複数の閾値候補のそれぞれに対応する各々の音声区間を判定する。すなわち、音声判定部１０４は、複数の閾値候補それぞれに対する音声区間または非音声区間の判定情報を、判定結果としてサーチ部１０９に出力する。音声判定部１０４は、該判定情報を、図１に示すように補正値算出部１０５を経由してサーチ部１０９に出力しても良いし、直接サーチ部１０９に出力しても良い。該判定情報は、後述するパラメータ更新部１１０が記憶する閾値を更新するために閾値候補毎に複数生成される。
補正値算出部１０５は、閾値候補生成部１０３が抽出した音声らしさを示す特徴量と、パラメータ更新部１１０が記憶する閾値とから、各モデル（音声モデルと非音声モデルの各モデル）に対する尤度の補正値を算出する。補正値算出部１０５は、音声モデルに対する尤度の補正値と、非音声モデルに対する尤度の補正値のうち少なくともいずれか一方を算出しても良い。補正値算出部１０５は、尤度の補正値を、サーチ部１０９に、後述する音声認識処理および音声区間の修正処理のために出力する。
補正値算出部１０５は、音声モデルに対する尤度の補正値として、音声らしさを示す特徴量からパラメータ更新部１１０が記憶する閾値を減算した値を用いても良い。また、補正値算出部１０５は、非音声モデルに対する尤度の補正値として、閾値から音声らしさを示す特徴量を減算した値を用いても良い（詳細は後述する）。
特徴量算出部１０６は、フレーム毎に切り出された入力音の時系列から音声認識に用いる特徴量を算出する。音声認識に用いる特徴量は、公知のスペクトルパワー、メルケプストラム係数（ＭＦＣＣ）、又はそれらの時間差分など様々である。さらに、音声認識に用いる特徴量は、振幅パワーやゼロ交差数などの音声らしさを示す特徴量を包含し、また、音声らしさを示す特徴量と同じ特徴量でも良い。また、音声認識に用いる特徴量は、公知のスペクトルパワーと振幅パワーなど、複数の特徴量であっても良い。以降の説明においては、音声認識に用いる特徴量は、音声らしさを示す特徴量を含んで、単に「音声特徴量」と記載して説明する。
また、特徴量算出部１０６は、パラメータ更新部１１０が記憶する閾値に基づいて、音声区間の判定を行い、該音声区間中の音声特徴量をサーチ部１０９に出力する。
サーチ部１０９は、音声特徴量と尤度の補正値に基づいて認識結果を出力するための音声認識処理と、パラメータ更新部１１０が記憶する閾値を更新するための各々の音声区間（音声判定部１０４で判定した各々の音声区間）の修正処理を実行する。
まず、音声認識処理について説明する。サーチ部１０９は、特徴量抽出部１０６から入力された音声区間中の音声特徴量と、音声モデル格納部１０８が格納する音声モデルと、非音声モデル格納部１０７が格納する非音声モデルとを用いて、入力音の時系列に対応する単語列（認識結果である発声音）を探索する。この時、サーチ部１０９は、音声特徴量が各モデルに対して最尤となる単語列を探索しても良い。この場合、サーチ部１０９は、補正値算出部１０５からの尤度の補正値を用いる。サーチ部１０９は、探索した単語列を認識結果として出力する。なお、以降の説明では、単語列（発声音）の対応する音声区間を発声区間と定義し、発声区間以外の音声区間を非発声区間と定義する。
次に、音声区間の修正処理について説明する。サーチ部１０９は、音声らしさを示す特徴量と、音声モデルと、非音声モデルとを用いて、音声判定部１０４からの判定情報として示された各々の音声区間の修正を行う。すなわち、サーチ部１０９は、音声区間の修正処理を、閾値候補生成部１０３が生成した閾値候補の数だけ繰り返す。サーチ部１０９が行う音声区間の修正処理についての詳細は、後述する。
パラメータ更新部１１０は、サーチ部１０９で修正された各々の音声区間からヒストグラムを作成し、補正値算出部１０５と特徴量算出部１０６とで用いる閾値を更新する。具体的には、パラメータ更新部１１０は、修正された各々の音声区間中の発声区間と、非発声区間の音声らしさを示す特徴量の分布形状から閾値を推定して更新する。パラメータ更新部１１０は、修正された各々の音声区間に対して、それぞれ発声区間と非発声区間の音声らしさを示す特徴量のヒストグラムから閾値を算出して、複数の閾値の平均値を新たな閾値と推定して更新しても良い。また、パラメータ更新部１１０は、更新したパラメータを記憶し、必要に応じて補正値算出部１０５と特徴量算出部１０６とに供給する。
次に、図１及び図２のフロー図を参照して、第１の実施形態における音声認識装置１００の動作について説明する。
図２は、第１の実施形態における音声認識装置１００の動作を示すフロー図である。図２に示すように、まずマイクロフォン１０１は入力音を集音し、次にフレーム化部１０２は集音された入力音の時系列を単位時間のフレーム毎に切り出す（ステップＳ１０１）。
次に閾値候補生成部１０３は、フレーム化部１０２によってフレーム毎に切り出された入力音の時系列毎に音声らしさを示す特徴量を抽出し、該特徴量に基づいて複数の閾値候補を生成する（ステップＳ１０２）。
次に音声判定部１０４は、閾値候補生成部１０３が抽出した音声らしさを示す特徴量を、閾値候補生成部１０３が生成した複数の閾値候補とそれぞれ比較することにより各々の音声区間を判定し、判定情報を出力する（ステップＳ１０３）。
次に補正値算出部１０５は、音声らしさを示す特徴量とパラメータ更新部１１０が記憶する閾値から各モデルに対する尤度の補正値を算出する（ステップＳ１０４）。
次に特徴量算出部１０６は、フレーム化部１０２によってフレーム毎に切り出された入力音の時系列から音声特徴量を算出する（ステップＳ１０５）。
次にサーチ部１０９は、音声認識処理と音声区間の修正処理を行う。すなわちサーチ部１０９は、音声認識（単語列の探索）を行い、音声認識結果を出力すると共に、フレーム毎の音声らしさを示す特徴量と、音声モデルと、非音声モデルとを用いて、ステップ１０３で判定情報として示された各々の音声区間を修正する（ステップＳ１０６）。
次にパラメータ更新部１１０は、サーチ部１０９によって修正された複数の音声区間から閾値（理想的な閾値）を推定して更新する（ステップＳ１０７）。
次に、上記の各ステップについて詳細に説明する。
まず、ステップＳ１０１において、フレーム化部１０２が行う、集音された入力音の時系列を単位時間のフレーム毎に切り出す処理について説明する。例えば、入力音データがサンプリング周波数８０００Ｈｚの１６ｂｉｔ Ｌｉｎｅａｒ−ＰＣＭの場合、１秒当たり８０００点分の波形データが格納されている。フレーム化部１０２は、この波形データをフレーム幅２００点（２５ミリ秒）、フレームシフト８０点（１０ミリ秒）で時系列に従って逐次切り出すことなどが考えられる。
次に、ステップＳ１０２について詳細に説明する。図３は、入力音の時系列と音声らしさを示す特徴量の時系列を示す図である。図３に示すように、音声らしさを示す特徴量は、例えば振幅パワーなどでも良い。振幅パワーｘｔ（式１では、ｔは下付添え字で示す）は以下の式１で算出しても良い。
ここでＳｔは時刻ｔの入力音のデータ（波形データ）の値である。図３においては振幅パワーを用いたが、音声らしさを示す特徴量は上記したように、ゼロ交差数や、音声モデルと非音声モデルとの尤度比、ピッチ周波数又はＳＮ比など他の特徴量でも良い。閾値候補生成部１０３は、複数の閾値候補を、一定区間の音声区間及び非音声区間に対して式２を用いて複数のθｉを算出することで生成しても良い。
ここでｆｍｉｎは、上述した一定区間の音声区間中及び非音声区間中の最小特徴量である。ｆｍａｘは、上述した一定区間の音声区間中及び非音声区間中の最大特徴量である。Ｎは、一定区間の音声区間及び非音声区間の分割数である。ユーザは、より正確な閾値を出したいときはＮを大きくしても良い。また、雑音環境が安定して閾値変動がなくなった場合、閾値候補生成部１０３は、処理を終了しても良い。すなわち、その場合、音声認識装置１００は、閾値の更新処理を終了しても良い。
次に、ステップＳ１０３について図３を参照して説明する。図３に示すように、音声判定部１０４は、振幅パワー（音声らしさを示す特徴量）が閾値より大きければより音声らしいため音声区間と判定する。また、音声判定部１０４は、振幅パワーが閾値より小さければより非音声らしいため非音声区間と判定する。また、前述の通り図３においては振幅パワーを用いたが、音声らしさを示す特徴量は上記したように、ゼロ交差数や、音声モデルと非音声モデルとの尤度比、ピッチ周波数、又はＳＮ比など他の特徴量でも良い。なお、ステップＳ１０３における閾値は、閾値候補生成部１０３が生成した複数の閾値候補θｉの値である。ステップＳ１０３は、複数の閾値候補の数だけ繰り返される。
次に、ステップＳ１０４について詳細に説明する。補正値算出部１０５が算出する尤度の補正値は、ステップＳ１０６におけるサーチ部１０９によって計算される音声モデルおよび非音声モデルに対する尤度の補正値として働く。補正値算出部１０５は、音声モデルに対する尤度の補正値を、例えば式３によって算出しても良い。
ここで、ｗは補正値に対するファクターであり、正の実数値をとる。なお、ステップＳ１０４におけるθは、パラメータ更新部１１０が記憶する閾値である。また、補正値算出部１０５は、非音声モデルに対する尤度の補正値を、例えば式４によって算出しても良い。
ここでは、特徴量（振幅パワー）ｘｔの一次関数となる補正値の算出の例を示したが、補正値の算出方法は、大小関係が正しければ他の方法でも良い。例えば、補正値算出部１０５は、尤度の補正値を、（式３）及び（式４）を対数関数で表した（式５）及び（式６）で算出しても良い。
また、ここでは、補正値算出部１０５は、音声モデルと非音声モデルの両方に対する尤度の補正値を算出したが、どちらか片方のみを算出し、もう片方の補正値を０としても良い。
また、補正値算出部１０５は、音声モデル及び非音声モデルに対する尤度の補正値を、両方共０としても良い。この場合、音声認識装置１００は、補正値算出部１０５を構成要素に含まずに、音声判定部１０４が、音声判定の結果をサーチ部１０９に直接入力するように構成しても良い。
次に、ステップＳ１０６について詳細に説明する。ステップＳ１０６において、サーチ部１０９は、フレーム毎の音声らしさを示す特徴量と、音声モデルと、非音声モデルとを用いて、各々の音声区間を修正する。ステップＳ１０６の処理は、閾値候補生成部１０３で生成した閾値候補の数だけ繰り返す。
また、サーチ部１０９は、音声認識処理として、特徴量算出部１０６のフレーム毎の音声特徴量を用いて入力音データの時系列に対応する単語列を探索する。
音声モデル格納部１０８及び非音声モデル格納部１０７が格納する音声モデル及び非音声モデルは、公知の隠れマルコフモデルなどでも良い。モデルのパラメータは、予め標準的な入力音の時系列を用いて学習され、設定される。ここでは、音声認識装置１００は、音声特徴量と各モデルとの距離尺度として対数尤度を用いて音声認識処理及び音声区間の修正処理を行うものとする。
ここで、フレーム毎の音声特徴量の時系列と、音声に含まれる各語彙又は音素を表す音声モデルとの対数尤度をＬｓ（ｊ，ｔ）とする。ｊは音声モデルの一状態を示す。サーチ部１０９は、該対数尤度を、上述した（式３）の補正値を用いて、以下の（式７）のように補正する。
また、フレーム毎の音声特徴量の時系列と、非音声に含まれる各語彙又は音素を表すモデルとの対数尤度をＬｎ（ｊ，ｔ）とする。ｊは非音声モデルの一状態を示す。サーチ部１０９は、該対数尤度を、上述した（式４）の補正値を用いて、以下の（式８）のように補正する。
サーチ部１０９は、補正された対数尤度の時系列のうち最尤となるものを探索することにより、図３の上側に示すように入力音の時系列の特徴量算出部１０６が判定した音声区間に対応する単語列を探索する（音声認識処理）。
また、サーチ部１０９は、音声判定部１０４で判定した各々の音声区間を修正する。サーチ部１０９は、各々の音声区間につき、補正された音声モデルの対数尤度（式７の値）が、補正された非音声モデルの対数尤度（式８の値）より大きい区間を、修正した音声区間と決定する（音声区間の修正処理）。
次に、ステップＳ１０７について詳細に説明する。パラメータ更新部１１０は、理想的な閾値を推定するために、修正した音声区間を、発声区間と非発声区間に分けて、それぞれの区間での音声らしさを示す特徴量をヒストグラムで表したデータを作成する。上述したように、発声区間とは、単語列（発声音）の対応する音声区間である。また、非発声区間とは、発声区間以外の音声区間である。ここで、発声区間と非発声区間のヒストグラムの交点をθｉにハットを付けて表現すると、パラメータ更新部１１０は、（式９）によって複数の閾値の平均値を計算することで、理想的な閾値を推定しても良い。
Ｎは分割数であり、（式２）のＮと同値である。
以上説明したように、第１の実施形態における音声認識装置１００によれば、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することができる。すなわち、音声認識装置１００は、閾値候補生成部１０３で生成した複数の閾値を基に判定された音声区間を修正する。そして、音声認識装置１００は、修正した各々の音声区間を用いて算出したヒストグラムの交点である閾値の平均値を計算することで、閾値を推定するからである。
また、音声認識装置１００は、補正値算出部１０５を含むことで、より理想的な閾値を推定することができる。すなわち、音声認識装置１００は、パラメータ更新部１１０で更新した閾値を用いて、補正値算出部１０５による補正値の算出を行う。そして、音声認識装置１００は、算出した補正値を用いて非音声モデルと音声モデルに対する尤度を補正して、より正確な発声区間を判定できるからである。
以上より、音声認識装置１００は、雑音に頑健に、かつリアルタイムに音声認識及び閾値推定を行うことができる。
＜第２の実施形態＞
次に、第２の実施形態における音声認識装置２００の機能構成について説明する。
図４は、第２の実施形態における音声認識装置２００の機能構成を示すブロック図である。図４に示すように、音声認識システム２００は、音声認識装置１００と比較して、閾値候補生成部１０３の代わりに閾値候補生成部１１３を含む点が異なる。
閾値候補生成部１１３は、パラメータ更新部１１０で更新した閾値を基準として複数の閾値候補を生成する。生成される複数の閾値候補は、パラメータ更新部１１０で更新した閾値を基準に一定の間隔だけ離れた複数の値でも良い。
図４及び図２のフロー図を参照して、第２の実施形態における音声認識装置２００の動作について説明する。
音声認識装置２００の動作は、音声認識装置１００の動作と比較して、図２のステップＳ１０２が異なる。
ステップＳ１０２において、閾値候補生成部１１３は、パラメータ更新部１１０から閾値が入力される。該閾値は更新された最新の閾値であっても良い。閾値候補生成部１１３は、パラメータ更新部１１０から入力された閾値を基準に前後の閾値を閾値候補として生成し、生成した複数の閾値候補を音声判定部１０４に入力する。閾値候補生成部１１３は、パラメータ更新部１１０から入力された閾値から閾値候補を式１０によって算出することで生成しても良い。
ここで、θ０はパラメータ更新部１１０から入力された閾値、Ｎは分割数である。閾値候補生成部１１３は、より正確な値を出すことを目的としてＮを大きくしても良い。また、閾値候補生成部１１３は、閾値の推定が安定した場合はＮを小さくしても良い。閾値候補生成部１１３は、式１０におけるθｉを式１１で求めても良い。
ここで、Ｎは分割数であり、式１０のＮと同値である。また、閾値候補生成部１１３は、式１０におけるθｉを式１２で求めても良い。
Ｄは、適当に定めた定数である。
以上説明したように、第２の実施形態における音声認識装置２００によれば、パラメータ更新部１１０の閾値を基準とする事で、少ない閾値候補でも理想的な閾値を推定することができる。
＜第３の実施形態＞
次に、第３の実施形態における音声認識装置３００の機能構成について説明する。
図５は、第３の実施形態における音声認識装置３００の機能構成を示すブロック図である。図５に示すように、音声認識装置３００は、音声認識装置１００と比較して、パラメータ更新部１１０の代わりにパラメータ更新部１２０を含む点が異なる。
パラメータ更新部１２０は、第２の実施形態において音声らしさを示す特徴量をヒストグラムで表した閾値の平均値に、重み付けをすることによって、更新する新たな閾値を計算する。すなわち、パラメータ更新部１２０が推定する新たな閾値は、修正した各々の音声区間から作成したヒストグラムの交点の、重み付き平均値である。
図５及び図２のフロー図を参照して、第３の実施形態における音声認識装置３００の動作について説明する。
音声認識装置３００の動作は、音声認識装置１００の動作と比較して、図２のステップＳ１０７が異なる。
ステップＳ１０７において、パラメータ更新部１２０は、サーチ部１０９によって修正された複数の音声区間から理想的な閾値を推定する。第１の実施形態と同様に、修正した音声区間を発声区間と非発声区間に分けてそれぞれの区間での音声らしさを示す特徴量をヒストグラムで表したデータを作成する。ここで、各々の修正した音声区間について、発声区間と非発声区間のヒストグラムの交点をθｊにハットを付けて表現するとする。パラメータ更新部１２０は、式１３によって複数の閾値の平均値を、重み付きで計算することで、理想的な閾値を推定しても良い。
Ｎは分割数であり、（式１０）のＮと同値である。ωｊは、ヒストグラムの交点θｊのハットにかかる重みである。ωｊの決め方は、特に制約はないが、例えば、ｊの値の増加に応じて大きくしても良い。
以上説明したように、第３の実施形態における音声認識装置３００によれば、パラメータ更新部１２０が重み付きの平均値を計算することで、より安定した閾値を算出することが可能となる。
＜第４の実施形態＞
次に、第４の実施形態における音声認識装置４００の機能構成について説明する。
図６は、第４の実施形態における音声認識装置４００の機能構成を示すブロック図である。図６に示すように、音声認識装置４００は、閾値候補生成部４０３と、音声判定部４０４と、サーチ部４０９と、パラメータ更新部４１０とを含む。
閾値候補生成部４０３は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を複数生成する。
音声判定部４０４は、音声らしさを示す特徴量を複数の閾値候補と比較することにより、各々の音声区間を判定する。
サーチ部４０９は、音声モデルと、非音声モデルとを用いて、各々の音声区間を修正する。
パラメータ更新部４１０は、修正された各々の音声区間中の、発声区間と非発声区間の特徴量の分布形状から閾値を推定して更新する。
以上説明したように、第４の実施形態における音声認識装置４００によれば、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することができる。
なお、これまでに説明した実施形態は、本発明の技術的範囲を限定するものではない。また、各実施形態に記載の各構成は、本発明の技術的思想の範囲内で互いに組み合わせることが可能である。例えば、音声認識装置は、閾値候補生成部１０３に代わって第２の実施形態における閾値候補生成部１１３を含み、パラメータ更新部１１０に代わって第３の実施形態におけるパラメータ更新部１２０を含んでも良い。係る場合、音声認識装置は、少ない閾値候補でより安定した閾値の推定が可能になる。
＜実施形態の他の表現＞
上記の各実施形態においては、以下に示すような音声認識装置、音声認識方法、及びプログラムの特徴的構成が示されている（以下のように限定されるわけではない）。なお、本発明のプログラムは、上述の実施形態で説明した各動作を、コンピュータに実行させるプログラムであれば良い。
（付記１）
入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成する閾値候補生成手段と、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力する音声判定手段と、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正するサーチ手段と、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新するパラメータ更新手段と、
を含む音声認識装置。
（付記２）
前記閾値候補生成手段は、前記音声らしさを示す特徴量の値から複数の閾値候補を生成する、付記１に記載の音声認識装置。
（付記３）
前記閾値候補生成手段は、前記特徴量の最大値及び最小値に基づいて複数の閾値候補を生成する、
付記２に記載の音声認識装置。
（付記４）
前記パラメータ更新手段は、前記サーチ手段で出力した各々の修正した音声区間に対して、それぞれ発声区間と非発声区間の前記特徴量のヒストグラムの交点を算出して、複数の前記交点の平均値を新たな閾値と推定して更新する、
付記１〜３のいずれか一項に記載の音声認識装置。
（付記５）
認識対象となる音声を示す音声（語彙又は音素）モデルを格納する音声モデル格納手段と、
認識対象となる音声以外を示す非音声モデルを格納する非音声モデル格納手段と、
をさらに備え、
前記サーチ手段は、入力音声の時系列に対する前記音声モデル及び前記非音声モデルの尤度を算出し、最尤となる単語列を探索する、
付記１〜４のいずれか一項に記載の音声認識装置。
（付記６）
前記認識用特徴量から、前記音声モデルに対する尤度の補正値と、前記非音声モデルに対する尤度の補正値のうち少なくともいずれか一方を算出する補正値算出手段をさらに備え、
前記サーチ手段は、前記補正値に基づいて前記尤度を補正する、
付記５に記載の音声認識装置。
（付記７）
前記補正値算出手段は、前記音声モデルに対する尤度の補正値として前記特徴量から閾値を減算した値を用い、非音声モデルに対する尤度の補正値として閾値から前記特徴量を減算した値を用いる、
付記６に記載の音声認識装置。
（付記８）
前記音声らしさを示す特徴量は、振幅パワー、ＳＮ比、ゼロ交差数、ＧＭＭ尤度比、ピッチ周波数のうち少なくともいずれか一つであり、
前記認識用特徴量は、公知のスペクトルパワー、メルケプストラム係数（ＭＦＣＣ）、又はそれらの時間差分の少なくともいずれか一つであり、さらに前記音声らしさを示す特徴量を包含する、
付記１〜７のいずれか一項に記載の音声認識装置。
（付記９）
前記閾値候補生成手段は、前記パラメータ更新手段で更新した閾値を基準として複数の閾値候補を生成する、
付記１〜８のいずれか一項に記載の音声認識装置。
（付記１０）
前記パラメータ更新手段が推定する新たな閾値となる前記閾値の平均値は、前記閾値の重み付き平均値である、
付記４に記載の音声認識装置。
（付記１１）
入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、
音声認識方法。
（付記１２）
入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、
処理をコンピュータに実行させるプログラムを格納する記録媒体。
この出願は、２０１０年９月１７日に出願された日本出願特願２０１０−２０９４３５を基礎とする優先権を主張し、その開示の全てをここに取り込む。
図１０は、本発明の各実施形態における音声認識装置のハードウェア構成の一例を示すブロック図である。
制御部１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ。以下同様。）などからなり、オペレーティングシステムを動作させて音声認識装置の各部の全体を制御する。また、制御部１は、例えばドライブ装置４などに装着された記録媒体５からメモリ３にプログラムやデータを読み出し、これにしたがって各種の処理を実行する。
記録媒体５は、例えば光ディスク、フレキシブルディスク、磁気光ディスク、外付けハードディスク、半導体メモリ等であって、コンピュータプログラムをコンピュータ読み取り可能に記録する。また、コンピュータプログラムは、通信ＩＦ２（インターフェース２）を介して通信網に接続されている図示しない外部コンピュータからダウンロードされても良い。
また、各実施形態の説明において利用するブロック図は、ハードウェア単位の構成ではなく、機能単位のブロックを示している。これらの機能ブロックはハードウェア又はハードウェアに任意に組み合わされたソフトウェアによって実現される。また、これらの図においては、各実施形態の構成部は物理的に結合した一つの装置により実現されるよう記載されている場合もあるが、その実現手段は特に限定されない。すなわち、二つ以上の物理的に分離した装置を有線または無線で接続し、これら複数の装置により、各実施形態の装置をシステムとして実現しても良い。
＜第１の実施形態＞
まず、第１の実施形態における音声認識装置１００の機能構成について説明する。
図１は、第１の実施形態における音声認識装置１００の機能構成を示すブロック図である。図１に示すように、音声認識装置１００は、マイクロフォン１０１とフレーム化部１０２と閾値候補生成部１０３と音声判定部１０４と補正値算出部１０５と特徴量算出部１０６と非音声モデル格納部１０７と音声モデル格納部１０８とサーチ部１０９とパラメータ更新部１１０とを含む。
音声モデル格納部１０８は、認識対象となる音声の語彙又は音素のパターンを表す音声モデルを格納する。
非音声モデル格納部１０７は、認識対象となる音声以外のパターンを表す非音声モデルを格納する。
マイクロフォン１０１は、入力音を集音する。
フレーム化部１０２は、マイクロフォン１０１で集音された入力音の時系列を単位時間のフレーム毎に切り出す。
閾値候補生成部１０３は、フレーム毎に出力された入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定するための閾値候補を複数生成する。例えば、閾値候補生成部１０３は、フレーム毎の特徴量の最大値及び最小値に基づいて複数の閾値候補を生成しても良い（詳細は後述する）。音声らしさを示す特徴量は、振幅パワー、ＳＮ比、ゼロ交差数、ＧＭＭ（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ）尤度比、ピッチ周波数等で良く、他の特徴量であっても良い。閾値候補生成部１０３は、フレーム毎の音声らしさを示す特徴量と、生成した複数の閾値候補とを、データとして音声判定部１０４に出力する。
音声判定部１０４は、閾値候補生成部１０３が抽出した音声らしさを示す特徴量と複数の閾値候補とを比較することにより、複数の閾値候補のそれぞれに対応する各々の音声区間を判定する。すなわち、音声判定部１０４は、複数の閾値候補それぞれに対する音声区間または非音声区間の判定情報を、判定結果としてサーチ部１０９に出力する。音声判定部１０４は、該判定情報を、図１に示すように補正値算出部１０５を経由してサーチ部１０９に出力しても良いし、直接サーチ部１０９に出力しても良い。該判定情報は、後述するパラメータ更新部１１０が記憶する閾値を更新するために閾値候補毎に複数生成される。
補正値算出部１０５は、閾値候補生成部１０３が抽出した音声らしさを示す特徴量と、パラメータ更新部１１０が記憶する閾値とから、各モデル（音声モデルと非音声モデルの各モデル）に対する尤度の補正値を算出する。補正値算出部１０５は、音声モデルに対する尤度の補正値と、非音声モデルに対する尤度の補正値のうち少なくともいずれか一方を算出しても良い。補正値算出部１０５は、尤度の補正値を、サーチ部１０９に、後述する音声認識処理および音声区間の修正処理のために出力する。
補正値算出部１０５は、音声モデルに対する尤度の補正値として、音声らしさを示す特徴量からパラメータ更新部１１０が記憶する閾値を減算した値を用いても良い。また、補正値算出部１０５は、非音声モデルに対する尤度の補正値として、閾値から音声らしさを示す特徴量を減算した値を用いても良い（詳細は後述する）。
特徴量算出部１０６は、フレーム毎に切り出された入力音の時系列から音声認識に用いる特徴量を算出する。音声認識に用いる特徴量は、公知のスペクトルパワー、メルケプストラム係数（ＭＦＣＣ）、又はそれらの時間差分など様々である。さらに、音声認識に用いる特徴量は、振幅パワーやゼロ交差数などの音声らしさを示す特徴量を包含し、また、音声らしさを示す特徴量と同じ特徴量でも良い。また、音声認識に用いる特徴量は、公知のスペクトルパワーと振幅パワーなど、複数の特徴量であっても良い。以降の説明においては、音声認識に用いる特徴量は、音声らしさを示す特徴量を含んで、単に「音声特徴量」と記載して説明する。
また、特徴量算出部１０６は、パラメータ更新部１１０が記憶する閾値に基づいて、音声区間の判定を行い、該音声区間中の音声特徴量をサーチ部１０９に出力する。
サーチ部１０９は、音声特徴量と尤度の補正値に基づいて認識結果を出力するための音声認識処理と、パラメータ更新部１１０が記憶する閾値を更新するための各々の音声区間（音声判定部１０４で判定した各々の音声区間）の修正処理を実行する。
まず、音声認識処理について説明する。サーチ部１０９は、特徴量抽出部１０６から入力された音声区間中の音声特徴量と、音声モデル格納部１０８が格納する音声モデルと、非音声モデル格納部１０７が格納する非音声モデルとを用いて、入力音の時系列に対応する単語列（認識結果である発声音）を探索する。この時、サーチ部１０９は、音声特徴量が各モデルに対して最尤となる単語列を探索しても良い。この場合、サーチ部１０９は、補正値算出部１０５からの尤度の補正値を用いる。サーチ部１０９は、探索した単語列を認識結果として出力する。なお、以降の説明では、単語列（発声音）の対応する音声区間を発声区間と定義し、発声区間以外の音声区間を非発声区間と定義する。
次に、音声区間の修正処理について説明する。サーチ部１０９は、音声らしさを示す特徴量と、音声モデルと、非音声モデルとを用いて、音声判定部１０４からの判定情報として示された各々の音声区間の修正を行う。すなわち、サーチ部１０９は、音声区間の修正処理を、閾値候補生成部１０３が生成した閾値候補の数だけ繰り返す。サーチ部１０９が行う音声区間の修正処理についての詳細は、後述する。
パラメータ更新部１１０は、サーチ部１０９で修正された各々の音声区間からヒストグラムを作成し、補正値算出部１０５と特徴量算出部１０６とで用いる閾値を更新する。具体的には、パラメータ更新部１１０は、修正された各々の音声区間中の発声区間と、非発声区間の音声らしさを示す特徴量の分布形状から閾値を推定して更新する。パラメータ更新部１１０は、修正された各々の音声区間に対して、それぞれ発声区間と非発声区間の音声らしさを示す特徴量のヒストグラムから閾値を算出して、複数の閾値の平均値を新たな閾値と推定して更新しても良い。また、パラメータ更新部１１０は、更新したパラメータを記憶し、必要に応じて補正値算出部１０５と特徴量算出部１０６とに供給する。
次に、図１及び図２のフロー図を参照して、第１の実施形態における音声認識装置１００の動作について説明する。
図２は、第１の実施形態における音声認識装置１００の動作を示すフロー図である。図２に示すように、まずマイクロフォン１０１は入力音を集音し、次にフレーム化部１０２は集音された入力音の時系列を単位時間のフレーム毎に切り出す（ステップＳ１０１）。
次に閾値候補生成部１０３は、フレーム化部１０２によってフレーム毎に切り出された入力音の時系列毎に音声らしさを示す特徴量を抽出し、該特徴量に基づいて複数の閾値候補を生成する（ステップＳ１０２）。
次に音声判定部１０４は、閾値候補生成部１０３が抽出した音声らしさを示す特徴量を、閾値候補生成部１０３が生成した複数の閾値候補とそれぞれ比較することにより各々の音声区間を判定し、判定情報を出力する（ステップＳ１０３）。
次に補正値算出部１０５は、音声らしさを示す特徴量とパラメータ更新部１１０が記憶する閾値から各モデルに対する尤度の補正値を算出する（ステップＳ１０４）。
次に特徴量算出部１０６は、フレーム化部１０２によってフレーム毎に切り出された入力音の時系列から音声特徴量を算出する（ステップＳ１０５）。
次にサーチ部１０９は、音声認識処理と音声区間の修正処理を行う。すなわちサーチ部１０９は、音声認識（単語列の探索）を行い、音声認識結果を出力すると共に、フレーム毎の音声らしさを示す特徴量と、音声モデルと、非音声モデルとを用いて、ステップ１０３で判定情報として示された各々の音声区間を修正する（ステップＳ１０６）。
次にパラメータ更新部１１０は、サーチ部１０９によって修正された複数の音声区間から閾値（理想的な閾値）を推定して更新する（ステップＳ１０７）。
次に、上記の各ステップについて詳細に説明する。
まず、ステップＳ１０１において、フレーム化部１０２が行う、集音された入力音の時系列を単位時間のフレーム毎に切り出す処理について説明する。例えば、入力音データがサンプリング周波数８０００Ｈｚの１６ｂｉｔ Ｌｉｎｅａｒ−ＰＣＭの場合、１秒当たり８０００点分の波形データが格納されている。フレーム化部１０２は、この波形データをフレーム幅２００点（２５ミリ秒）、フレームシフト８０点（１０ミリ秒）で時系列に従って逐次切り出すことなどが考えられる。
次に、ステップＳ１０２について詳細に説明する。図３は、入力音の時系列と音声らしさを示す特徴量の時系列を示す図である。図３に示すように、音声らしさを示す特徴量は、例えば振幅パワーなどでも良い。振幅パワーｘｔ（式１では、ｔは下付添え字で示す）は以下の式１で算出しても良い。
次に、ステップＳ１０３について図３を参照して説明する。図３に示すように、音声判定部１０４は、振幅パワー（音声らしさを示す特徴量）が閾値より大きければより音声らしいため音声区間と判定する。また、音声判定部１０４は、振幅パワーが閾値より小さければより非音声らしいため非音声区間と判定する。また、前述の通り図３においては振幅パワーを用いたが、音声らしさを示す特徴量は上記したように、ゼロ交差数や、音声モデルと非音声モデルとの尤度比、ピッチ周波数、又はＳＮ比など他の特徴量でも良い。なお、ステップＳ１０３における閾値は、閾値候補生成部１０３が生成した複数の閾値候補θｉの値である。ステップＳ１０３は、複数の閾値候補の数だけ繰り返される。
次に、ステップＳ１０４について詳細に説明する。補正値算出部１０５が算出する尤度の補正値は、ステップＳ１０６におけるサーチ部１０９によって計算される音声モデルおよび非音声モデルに対する尤度の補正値として働く。補正値算出部１０５は、音声モデルに対する尤度の補正値を、例えば式３によって算出しても良い。
また、補正値算出部１０５は、音声モデル及び非音声モデルに対する尤度の補正値を、両方共０としても良い。この場合、音声認識装置１００は、補正値算出部１０５を構成要素に含まずに、音声判定部１０４が、音声判定の結果をサーチ部１０９に直接入力するように構成しても良い。
次に、ステップＳ１０６について詳細に説明する。ステップＳ１０６において、サーチ部１０９は、フレーム毎の音声らしさを示す特徴量と、音声モデルと、非音声モデルとを用いて、各々の音声区間を修正する。ステップＳ１０６の処理は、閾値候補生成部１０３で生成した閾値候補の数だけ繰り返す。
また、サーチ部１０９は、音声認識処理として、特徴量算出部１０６のフレーム毎の音声特徴量を用いて入力音データの時系列に対応する単語列を探索する。
音声モデル格納部１０８及び非音声モデル格納部１０７が格納する音声モデル及び非音声モデルは、公知の隠れマルコフモデルなどでも良い。モデルのパラメータは、予め標準的な入力音の時系列を用いて学習され、設定される。ここでは、音声認識装置１００は、音声特徴量と各モデルとの距離尺度として対数尤度を用いて音声認識処理及び音声区間の修正処理を行うものとする。
ここで、フレーム毎の音声特徴量の時系列と、音声に含まれる各語彙又は音素を表す音声モデルとの対数尤度をＬｓ（ｊ，ｔ）とする。ｊは音声モデルの一状態を示す。サーチ部１０９は、該対数尤度を、上述した（式３）の補正値を用いて、以下の（式７）のように補正する。
また、サーチ部１０９は、音声判定部１０４で判定した各々の音声区間を修正する。サーチ部１０９は、各々の音声区間につき、補正された音声モデルの対数尤度（式７の値）が、補正された非音声モデルの対数尤度（式８の値）より大きい区間を、修正した音声区間と決定する（音声区間の修正処理）。
次に、ステップＳ１０７について詳細に説明する。パラメータ更新部１１０は、理想的な閾値を推定するために、修正した音声区間を、発声区間と非発声区間に分けて、それぞれの区間での音声らしさを示す特徴量をヒストグラムで表したデータを作成する。上述したように、発声区間とは、単語列（発声音）の対応する音声区間である。また、非発声区間とは、発声区間以外の音声区間である。ここで、発声区間と非発声区間のヒストグラムの交点をθｉにハットを付けて表現すると、パラメータ更新部１１０は、（式９）によって複数の閾値の平均値を計算することで、理想的な閾値を推定しても良い。
以上説明したように、第１の実施形態における音声認識装置１００によれば、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することができる。すなわち、音声認識装置１００は、閾値候補生成部１０３で生成した複数の閾値を基に判定された音声区間を修正する。そして、音声認識装置１００は、修正した各々の音声区間を用いて算出したヒストグラムの交点である閾値の平均値を計算することで、閾値を推定するからである。
また、音声認識装置１００は、補正値算出部１０５を含むことで、より理想的な閾値を推定することができる。すなわち、音声認識装置１００は、パラメータ更新部１１０で更新した閾値を用いて、補正値算出部１０５による補正値の算出を行う。そして、音声認識装置１００は、算出した補正値を用いて非音声モデルと音声モデルに対する尤度を補正して、より正確な発声区間を判定できるからである。
以上より、音声認識装置１００は、雑音に頑健に、かつリアルタイムに音声認識及び閾値推定を行うことができる。
＜第２の実施形態＞
次に、第２の実施形態における音声認識装置２００の機能構成について説明する。
図４は、第２の実施形態における音声認識装置２００の機能構成を示すブロック図である。図４に示すように、音声認識システム２００は、音声認識装置１００と比較して、閾値候補生成部１０３の代わりに閾値候補生成部１１３を含む点が異なる。
閾値候補生成部１１３は、パラメータ更新部１１０で更新した閾値を基準として複数の閾値候補を生成する。生成される複数の閾値候補は、パラメータ更新部１１０で更新した閾値を基準に一定の間隔だけ離れた複数の値でも良い。
図４及び図２のフロー図を参照して、第２の実施形態における音声認識装置２００の動作について説明する。
音声認識装置２００の動作は、音声認識装置１００の動作と比較して、図２のステップＳ１０２が異なる。
ステップＳ１０２において、閾値候補生成部１１３は、パラメータ更新部１１０から閾値が入力される。該閾値は更新された最新の閾値であっても良い。閾値候補生成部１１３は、パラメータ更新部１１０から入力された閾値を基準に前後の閾値を閾値候補として生成し、生成した複数の閾値候補を音声判定部１０４に入力する。閾値候補生成部１１３は、パラメータ更新部１１０から入力された閾値から閾値候補を式１０によって算出することで生成しても良い。
以上説明したように、第２の実施形態における音声認識装置２００によれば、パラメータ更新部１１０の閾値を基準とする事で、少ない閾値候補でも理想的な閾値を推定することができる。
＜第３の実施形態＞
次に、第３の実施形態における音声認識装置３００の機能構成について説明する。
図５は、第３の実施形態における音声認識装置３００の機能構成を示すブロック図である。図５に示すように、音声認識装置３００は、音声認識装置１００と比較して、パラメータ更新部１１０の代わりにパラメータ更新部１２０を含む点が異なる。
パラメータ更新部１２０は、第２の実施形態において音声らしさを示す特徴量をヒストグラムで表した閾値の平均値に、重み付けをすることによって、更新する新たな閾値を計算する。すなわち、パラメータ更新部１２０が推定する新たな閾値は、修正した各々の音声区間から作成したヒストグラムの交点の、重み付き平均値である。
図５及び図２のフロー図を参照して、第３の実施形態における音声認識装置３００の動作について説明する。
音声認識装置３００の動作は、音声認識装置１００の動作と比較して、図２のステップＳ１０７が異なる。
ステップＳ１０７において、パラメータ更新部１２０は、サーチ部１０９によって修正された複数の音声区間から理想的な閾値を推定する。第１の実施形態と同様に、修正した音声区間を発声区間と非発声区間に分けてそれぞれの区間での音声らしさを示す特徴量をヒストグラムで表したデータを作成する。ここで、各々の修正した音声区間について、発声区間と非発声区間のヒストグラムの交点をθｊにハットを付けて表現するとする。パラメータ更新部１２０は、式１３によって複数の閾値の平均値を、重み付きで計算することで、理想的な閾値を推定しても良い。
以上説明したように、第３の実施形態における音声認識装置３００によれば、パラメータ更新部１２０が重み付きの平均値を計算することで、より安定した閾値を算出することが可能となる。
＜第４の実施形態＞
次に、第４の実施形態における音声認識装置４００の機能構成について説明する。
図６は、第４の実施形態における音声認識装置４００の機能構成を示すブロック図である。図６に示すように、音声認識装置４００は、閾値候補生成部４０３と、音声判定部４０４と、サーチ部４０９と、パラメータ更新部４１０とを含む。
閾値候補生成部４０３は、入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を複数生成する。
音声判定部４０４は、音声らしさを示す特徴量を複数の閾値候補と比較することにより、各々の音声区間を判定する。
サーチ部４０９は、音声モデルと、非音声モデルとを用いて、各々の音声区間を修正する。
パラメータ更新部４１０は、修正された各々の音声区間中の、発声区間と非発声区間の特徴量の分布形状から閾値を推定して更新する。
以上説明したように、第４の実施形態における音声認識装置４００によれば、初期に設定した閾値が正しい値から大きく外れていた場合においても、理想的な閾値を推定することができる。
なお、これまでに説明した実施形態は、本発明の技術的範囲を限定するものではない。また、各実施形態に記載の各構成は、本発明の技術的思想の範囲内で互いに組み合わせることが可能である。例えば、音声認識装置は、閾値候補生成部１０３に代わって第２の実施形態における閾値候補生成部１１３を含み、パラメータ更新部１１０に代わって第３の実施形態におけるパラメータ更新部１２０を含んでも良い。係る場合、音声認識装置は、少ない閾値候補でより安定した閾値の推定が可能になる。
＜実施形態の他の表現＞
上記の各実施形態においては、以下に示すような音声認識装置、音声認識方法、及びプログラムの特徴的構成が示されている（以下のように限定されるわけではない）。なお、本発明のプログラムは、上述の実施形態で説明した各動作を、コンピュータに実行させるプログラムであれば良い。
（付記１）
入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成する閾値候補生成手段と、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力する音声判定手段と、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正するサーチ手段と、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新するパラメータ更新手段と、
を含む音声認識装置。
（付記２）
前記閾値候補生成手段は、前記音声らしさを示す特徴量の値から複数の閾値候補を生成する、付記１に記載の音声認識装置。
（付記３）
前記閾値候補生成手段は、前記特徴量の最大値及び最小値に基づいて複数の閾値候補を生成する、
付記２に記載の音声認識装置。
（付記４）
前記パラメータ更新手段は、前記サーチ手段で出力した各々の修正した音声区間に対して、それぞれ発声区間と非発声区間の前記特徴量のヒストグラムの交点を算出して、複数の前記交点の平均値を新たな閾値と推定して更新する、
付記１〜３のいずれか一項に記載の音声認識装置。
（付記５）
認識対象となる音声を示す音声（語彙又は音素）モデルを格納する音声モデル格納手段と、
認識対象となる音声以外を示す非音声モデルを格納する非音声モデル格納手段と、
をさらに備え、
前記サーチ手段は、入力音声の時系列に対する前記音声モデル及び前記非音声モデルの尤度を算出し、最尤となる単語列を探索する、
付記１〜４のいずれか一項に記載の音声認識装置。
（付記６）
前記認識用特徴量から、前記音声モデルに対する尤度の補正値と、前記非音声モデルに対する尤度の補正値のうち少なくともいずれか一方を算出する補正値算出手段をさらに備え、
前記サーチ手段は、前記補正値に基づいて前記尤度を補正する、
付記５に記載の音声認識装置。
（付記７）
前記補正値算出手段は、前記音声モデルに対する尤度の補正値として前記特徴量から閾値を減算した値を用い、非音声モデルに対する尤度の補正値として閾値から前記特徴量を減算した値を用いる、
付記６に記載の音声認識装置。
（付記８）
前記音声らしさを示す特徴量は、振幅パワー、ＳＮ比、ゼロ交差数、ＧＭＭ尤度比、ピッチ周波数のうち少なくともいずれか一つであり、
前記認識用特徴量は、公知のスペクトルパワー、メルケプストラム係数（ＭＦＣＣ）、又はそれらの時間差分の少なくともいずれか一つであり、さらに前記音声らしさを示す特徴量を包含する、
付記１〜７のいずれか一項に記載の音声認識装置。
（付記９）
前記閾値候補生成手段は、前記パラメータ更新手段で更新した閾値を基準として複数の閾値候補を生成する、
付記１〜８のいずれか一項に記載の音声認識装置。
（付記１０）
前記パラメータ更新手段が推定する新たな閾値となる前記閾値の平均値は、前記閾値の重み付き平均値である、
付記４に記載の音声認識装置。
（付記１１）
入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、
音声認識方法。
（付記１２）
入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、
処理をコンピュータに実行させるプログラムを格納する記録媒体。
この出願は、２０１０年９月１７日に出願された日本出願特願２０１０−２０９４３５を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１ 制御部
２ 通信ＩＦ
３ メモリ
４ ドライブ装置
５ 記録媒体
１１ マイクロフォン
１２ フレーム化部
１３ 音声判定部
１４ 補正値算出部
１５ 特徴量算出部
１６ 非音声モデル格納部
１７ 音声モデル格納部
１８ サーチ部
１９ パラメータ更新部
１００ 音声認識装置
１０１ マイクロフォン
１０２ フレーム化部
１０３ 閾値候補生成部
１０４ 音声判定部
１０５ 補正値算出部
１０６ 特徴量算出部
１０７ 非音声モデル格納部
１０８ 音声モデル格納部
１０９ サーチ部
１１０ パラメータ更新部
１１３ 閾値候補生成部
１２０ パラメータ更新部
２００ 音声認識装置
３００ 音声認識装置
４００ 音声認識装置
４０３ 閾値候補生成部
４０４ 音声判定部
４０９ サーチ部
４１０ パラメータ更新部
２ 通信ＩＦ
３ メモリ
４ ドライブ装置
５ 記録媒体
１１ マイクロフォン
１２ フレーム化部
１３ 音声判定部
１４ 補正値算出部
１５ 特徴量算出部
１６ 非音声モデル格納部
１７ 音声モデル格納部
１８ サーチ部
１９ パラメータ更新部
１００ 音声認識装置
１０１ マイクロフォン
１０２ フレーム化部
１０３ 閾値候補生成部
１０４ 音声判定部
１０５ 補正値算出部
１０６ 特徴量算出部
１０７ 非音声モデル格納部
１０８ 音声モデル格納部
１０９ サーチ部
１１０ パラメータ更新部
１１３ 閾値候補生成部
１２０ パラメータ更新部
２００ 音声認識装置
３００ 音声認識装置
４００ 音声認識装置
４０３ 閾値候補生成部
４０４ 音声判定部
４０９ サーチ部
４１０ パラメータ更新部
Claims (10)
- 入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成する閾値候補生成手段と、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力する音声判定手段と、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正するサーチ手段と、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新するパラメータ更新手段と、
を含む音声認識装置。 - 前記閾値候補生成手段は、前記音声らしさを示す特徴量の値から複数の閾値候補を生成する、請求項１に記載の音声認識装置。
- 前記閾値候補生成手段は、前記特徴量の最大値及び最小値に基づいて複数の閾値候補を生成する、
請求項２に記載の音声認識装置。 - 前記パラメータ更新手段は、前記サーチ手段で出力した各々の修正した音声区間に対して、それぞれ発声区間と非発声区間の前記特徴量のヒストグラムの交点を算出して、複数の前記交点の平均値を新たな閾値と推定して更新する、
請求項１〜３のいずれか一項に記載の音声認識装置。 - 認識対象となる音声を示す音声（語彙又は音素）モデルを格納する音声モデル格納手段と、
認識対象となる音声以外を示す非音声モデルを格納する非音声モデル格納手段と、
をさらに備え、
前記サーチ手段は、入力音声の時系列に対する前記音声モデル及び前記非音声モデルの尤度を算出し、最尤となる単語列を探索する、
請求項１〜４のいずれか一項に記載の音声認識装置。 - 前記特徴量から、前記音声モデルに対する尤度の補正値と、前記非音声モデルに対する尤度の補正値のうち少なくともいずれか一方を算出する補正値算出手段をさらに備え、
前記サーチ手段は、前記補正値に基づいて前記尤度を補正する、
請求項５に記載の音声認識装置。 - 前記閾値候補生成手段は、前記パラメータ更新手段で更新した閾値を基準として複数の閾値候補を生成する、
請求項１〜６のいずれか一項に記載の音声認識装置。 - 前記パラメータ更新手段が推定する新たな閾値となる前記閾値の平均値は、前記閾値の重み付き平均値である、
請求項４に記載の音声認識装置。 - 入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、
音声認識方法。 - 入力音の時系列から音声らしさを示す特徴量を抽出し、音声と非音声を判定する閾値候補を生成し、
前記音声らしさを示す特徴量を複数の前記閾値候補と比較することにより、各々の音声区間を判定し、その判定結果としての判定情報を出力し、
音声モデルと、非音声モデルとを用いて、前記判定情報によって示される前記各々の音声区間を修正し、
前記修正された各々の音声区間中の、発声区間と非発声区間の前記特徴量の分布形状に基づいて、音声区間判定のための閾値を推定して更新する、
処理をコンピュータに実行させるプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010209435 | 2010-09-17 | ||
| JP2010209435 | 2010-09-17 | ||
| PCT/JP2011/071748 WO2012036305A1 (ja) | 2010-09-17 | 2011-09-15 | 音声認識装置、音声認識方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2012036305A1 JPWO2012036305A1 (ja) | 2014-02-03 |
| JP5949550B2 true JP5949550B2 (ja) | 2016-07-06 |
Family
ID=45831757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012534081A Active JP5949550B2 (ja) | 2010-09-17 | 2011-09-15 | 音声認識装置、音声認識方法、及びプログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20130185068A1 (ja) |
| JP (1) | JP5949550B2 (ja) |
| WO (1) | WO2012036305A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111048098A (zh) * | 2018-10-12 | 2020-04-21 | 广达电脑股份有限公司 | 语音校正***及语音校正方法 |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140365200A1 (en) * | 2013-06-05 | 2014-12-11 | Lexifone Communication Systems (2010) Ltd. | System and method for automatic speech translation |
| US20150073790A1 (en) * | 2013-09-09 | 2015-03-12 | Advanced Simulation Technology, inc. ("ASTi") | Auto transcription of voice networks |
| US9535905B2 (en) * | 2014-12-12 | 2017-01-03 | International Business Machines Corporation | Statistical process control and analytics for translation supply chain operational management |
| US9633019B2 (en) | 2015-01-05 | 2017-04-25 | International Business Machines Corporation | Augmenting an information request |
| WO2016157642A1 (ja) * | 2015-03-27 | 2016-10-06 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| JP6501259B2 (ja) * | 2015-08-04 | 2019-04-17 | 本田技研工業株式会社 | 音声処理装置及び音声処理方法 |
| FR3054362B1 (fr) * | 2016-07-22 | 2022-02-04 | Dolphin Integration Sa | Circuit et procede de reconnaissance de parole |
| KR102643501B1 (ko) * | 2016-12-26 | 2024-03-06 | 현대자동차주식회사 | 대화 처리 장치, 이를 포함하는 차량 및 대화 처리 방법 |
| US10535361B2 (en) * | 2017-10-19 | 2020-01-14 | Kardome Technology Ltd. | Speech enhancement using clustering of cues |
| TWI682385B (zh) * | 2018-03-16 | 2020-01-11 | 緯創資通股份有限公司 | 語音服務控制裝置及其方法 |
| WO2021117219A1 (ja) * | 2019-12-13 | 2021-06-17 | 三菱電機株式会社 | 情報処理装置、検出方法、及び検出プログラム |
| CN112309414B (zh) * | 2020-07-21 | 2024-01-12 | 东莞市逸音电子科技有限公司 | 基于音频编解码的主动降噪方法、耳机及电子设备 |
| US20220115126A1 (en) * | 2020-10-08 | 2022-04-14 | Mastercard International Incorporated | System and method for implementing a virtual caregiver |
| KR102429891B1 (ko) * | 2020-11-05 | 2022-08-05 | 엔에이치엔 주식회사 | 음성 인식 장치 및 그것의 동작 방법 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6285300A (ja) * | 1985-10-09 | 1987-04-18 | 富士通株式会社 | 単語音声認識装置 |
| JPS62289895A (ja) * | 1986-06-10 | 1987-12-16 | 沖電気工業株式会社 | 音声認識方法 |
| JPH11327582A (ja) * | 1998-03-24 | 1999-11-26 | Matsushita Electric Ind Co Ltd | 騒音下での音声検出システム |
| JP2001013988A (ja) * | 1999-06-29 | 2001-01-19 | Toshiba Corp | 音声認識方法及び装置 |
| JP2005091518A (ja) * | 2003-09-12 | 2005-04-07 | Nippon Hoso Kyokai <Nhk> | 音声認識装置及び音声認識プログラム |
| JP2007017736A (ja) * | 2005-07-08 | 2007-01-25 | Mitsubishi Electric Corp | 音声認識装置 |
| WO2010070839A1 (ja) * | 2008-12-17 | 2010-06-24 | 日本電気株式会社 | 音声検出装置、音声検出プログラムおよびパラメータ調整方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59123894A (ja) * | 1982-12-29 | 1984-07-17 | 富士通株式会社 | 先端部音素始端抽出処理方式 |
| JP3118023B2 (ja) * | 1990-08-15 | 2000-12-18 | 株式会社リコー | 音声区間検出方式及び音声認識装置 |
| JPH0792989A (ja) * | 1993-09-22 | 1995-04-07 | Oki Electric Ind Co Ltd | 音声認識方法 |
| JP3474949B2 (ja) * | 1994-11-25 | 2003-12-08 | 三洋電機株式会社 | 音声認識装置 |
| JP3363660B2 (ja) * | 1995-05-22 | 2003-01-08 | 三洋電機株式会社 | 音声認識方法及び音声認識装置 |
| US5737489A (en) * | 1995-09-15 | 1998-04-07 | Lucent Technologies Inc. | Discriminative utterance verification for connected digits recognition |
-
2011
- 2011-09-15 JP JP2012534081A patent/JP5949550B2/ja active Active
- 2011-09-15 US US13/823,194 patent/US20130185068A1/en not_active Abandoned
- 2011-09-15 WO PCT/JP2011/071748 patent/WO2012036305A1/ja active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6285300A (ja) * | 1985-10-09 | 1987-04-18 | 富士通株式会社 | 単語音声認識装置 |
| JPS62289895A (ja) * | 1986-06-10 | 1987-12-16 | 沖電気工業株式会社 | 音声認識方法 |
| JPH11327582A (ja) * | 1998-03-24 | 1999-11-26 | Matsushita Electric Ind Co Ltd | 騒音下での音声検出システム |
| JP2001013988A (ja) * | 1999-06-29 | 2001-01-19 | Toshiba Corp | 音声認識方法及び装置 |
| JP2005091518A (ja) * | 2003-09-12 | 2005-04-07 | Nippon Hoso Kyokai <Nhk> | 音声認識装置及び音声認識プログラム |
| JP2007017736A (ja) * | 2005-07-08 | 2007-01-25 | Mitsubishi Electric Corp | 音声認識装置 |
| WO2010070839A1 (ja) * | 2008-12-17 | 2010-06-24 | 日本電気株式会社 | 音声検出装置、音声検出プログラムおよびパラメータ調整方法 |
Non-Patent Citations (1)
| Title |
|---|
| JPN6015043280; 田中 大介 Ｄａｉｓｕｋｅ ＴＡＮＡＫＡ: 日本音響学会 ２０１０年 春季研究発表会講演論文集ＣＤ-ＲＯＭ ［ＣＤ-ＲＯＭ］ * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111048098A (zh) * | 2018-10-12 | 2020-04-21 | 广达电脑股份有限公司 | 语音校正***及语音校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20130185068A1 (en) | 2013-07-18 |
| JPWO2012036305A1 (ja) | 2014-02-03 |
| WO2012036305A1 (ja) | 2012-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5949550B2 (ja) | 音声認識装置、音声認識方法、及びプログラム | |
| JP5621783B2 (ja) | 音声認識システム、音声認識方法および音声認識プログラム | |
| US9536525B2 (en) | Speaker indexing device and speaker indexing method | |
| JP6303971B2 (ja) | 話者交替検出装置、話者交替検出方法及び話者交替検出用コンピュータプログラム | |
| JP5229216B2 (ja) | 音声認識装置、音声認識方法及び音声認識プログラム | |
| JP4322785B2 (ja) | 音声認識装置、音声認識方法および音声認識プログラム | |
| JP6004792B2 (ja) | 音響処理装置、音響処理方法、及び音響処理プログラム | |
| JP5842056B2 (ja) | 雑音推定装置、雑音推定方法、雑音推定プログラム及び記録媒体 | |
| JP6284462B2 (ja) | 音声認識方法、及び音声認識装置 | |
| JP2007279444A (ja) | 特徴量補正装置、特徴量補正方法および特徴量補正プログラム | |
| JP6464005B2 (ja) | 雑音抑圧音声認識装置およびそのプログラム | |
| KR20100072838A (ko) | 비터비 디코더와 이를 이용한 음성 인식 방법 | |
| JP6690484B2 (ja) | 音声認識用コンピュータプログラム、音声認識装置及び音声認識方法 | |
| JP5229124B2 (ja) | 話者照合装置、話者照合方法およびプログラム | |
| JP4796460B2 (ja) | 音声認識装置及び音声認識プログラム | |
| JP6481939B2 (ja) | 音声認識装置および音声認識プログラム | |
| KR100744288B1 (ko) | 음성 신호에서 음소를 분절하는 방법 및 그 시스템 | |
| JP4659541B2 (ja) | 音声認識装置及び音声認識プログラム | |
| JP6142401B2 (ja) | 音声合成モデル学習装置、方法、及びプログラム | |
| JP2013182261A (ja) | 適応化装置、音声認識装置、およびそのプログラム | |
| JP5914119B2 (ja) | 音響モデル性能評価装置とその方法とプログラム | |
| KR102051235B1 (ko) | 스피치 합성에서 푸어 얼라인먼트를 제거하기 위한 아웃라이어 식별 시스템 및 방법 | |
| JP2008026721A (ja) | 音声認識装置、音声認識方法、および音声認識用プログラム | |
| JP6633579B2 (ja) | 音響信号処理装置、方法及びプログラム | |
| JP2021162685A (ja) | 発話区間検知装置、音声認識装置、発話区間検知システム、発話区間検知方法及び発話区間検知プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151104 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151208 |
|
| 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: 20160510 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160523 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5949550 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |