JP6054004B1 - 音声認識装置 - Google Patents

Abstract

基底行列の寄与度計算手段（１０３）は、基底行列（１０６）を用いて、基底行列の寄与度（１０７）を算出する。基底行列への重み適用手段２０２は、基底行列の重み（２０６）と、基底行列の寄与度（１０７）と、基底行列（１０６）とを用いて、基底行列への重み付けを行った変換行列（２０７）を生成する。特徴量データへの行列適用手段（２０３）は、変換行列（２０７）を用いて、テストデータ（２０６）を変換済みテストデータ（２０８）とする。デコード手段（２０４）は、変換済みテストデータ（２０８）と音響モデル（１０５）とを照合して音声認識を行う。

Description

この発明は、特徴量を音響モデルにマッチするよう適応化する手法において、基底行列と変換行列を用いて音響特徴量を変換させる音声認識装置に関するものである。

音声認識技術において、音素などのコンテキスト情報を音声の標準パターンで表現した音響モデルに対して、入力音声信号が一致しない要因となる、話者、騒音、マイクなどの影響を低減することを目的として、話者適応技術（特徴量の適用手法）が数多く提案されている。
従来、このような特徴量の適用手法として、例えば非特許文献１に開示されたＣＭＬＬＲ（Ｃｏｎｓｔｒａｉｎｅｄ−ＭＬＬＲ）法が知られている。これはモデルパラメータの平均及び分散を変換する手法である。当該変換は特徴量ベクトルを変換することと等価であるため、ＣＭＬＬＲは特徴量における変換行列を求めることとなる。具体的には式（１）のように、入力音声から計算されたＤ次元の音響特徴量ｏ_ｔを音素の標準パターンである音響モデルに近づけるようなアフィン変換行列Ｗを求める。

しかしながら非特許文献１に記載された特徴量の適用手法では、変換行列Ｗを適応データのみから求めているため、変換行列の推定に十分なデータ量が得られない場合、適応することでかえって性能が下がってしまうことがわかっている。この原因は、推定すべきパラメータ数に対して適応データ量が少なく、過学習するためである。例えば１３次元のメル周波数ケプストラム係数ＭＦＣＣ（Mel-Frequency Cepstrum Coefficient）のベクトルと、その動的特徴量を連結した計３９次元を音響特徴量として使用する場合、推定すべきパラメータ数は変換行列の要素数であるため３９×４０＝１５６０個にも及ぶ。

この問題に対し、例えば非特許文献２に記載された特徴量の適用手法では、推定すべきパラメータ数を少なくするため、適応データから変換行列Ｗを直接推定するのではなく、Ｎ個の基底行列Ｗ_1：Nmaxの重みづけにより表現している（ｎ＝１，…，Ｎ≦Ｎ_ｍａｘ）。ここで、Ｎ_ｍａｘ＝Ｄ（Ｄ＋１）である。具体的には式（２）のように、基底行列Ｗ_ｎを重みｄ_ｎによって重みづけ、適応話者への変換行列Ｗを求める。

基底行列は学習データより求め、適応時には入力話者への変換行列をそれらの重みｄ_ｎのみを求める。適応ステップで求めるべきパラメータは重みｄ_ｎだけでよく、１００フレーム（＝１秒）のデータに対し、推定すべきパラメータ数は非特許文献２によれば、式（３）により２０個程度で済む。
Ｎ＝ｍｉｎ（ηβ，Ｎ_ｍａｘ） ∵η＝０．２ （３）
これは入力フレームβに応じてＮを変え、使用する基底行列数を制限することを意味している。

非特許文献２に記載された音声認識装置における実施のステップとしては、大きく分けて、学習データから基底行列Ｗ_1：Nmaxを求める学習ステップと、適応データ（テストデータ）と基底行列Ｗ_1：Nmaxの内のＮ個を用いて変換行列Ｗを求める適応ステップの二つがある。

学習ステップでは、まず学習データから音素の標準パターンである音響モデルを得る。標準パターンにはＨＭＭ（Hidden Markov Model：隠れマルコフモデル）を用いる。学習データである音響特徴量としては、フィルタバンク係数、ＭＦＣＣ、ＰＬＰ（Perceptual Linear Predictive）など従来から用いられている特徴ベクトルを利用することができる。

次に適応ステップでは、まずテストデータを用いて基底行列の重みを生成する。この重みが先に述べたｄ_ｎに相当する。求めた基底行列の重みで基底行列を重みづけし、重みづけられた行列として変換行列Ｗを得る。最適なＷを求めるため、逐次的に式（４）によって基底行列の重みと重みづけられた行列を求める。

最後に重みづけられた行列とテストデータを用いて、変換済みテストデータを生成する。この際、式（１）を用いて変換できる。得られた変換済みテストデータと音響モデルによって表現される音素の標準パターンと照合することにより音声の認識処理を行い、認識結果を得る。

M.J.F. Gales, "Maximum Likelihood Linear Transformations for HMM-based Speech Recognition.", Computer Speech and Language, Vol. 12, 1998. Daniel Povey, Kaisheng Yao, "A Basis Representation of Constrained MLLR Transforms for Robust Adaptation.", Computer Speech and Language, Vol. 26, Issue 1, January 2012, pp 35−51.

上記従来の音声認識装置では、適応ステップにおいて、寄与度の高い基底行列Ｗ_ｎから順に式（４）により重みづけして変換行列Ｗを求めていた。しかしながら、ここで基底行列Ｗ_{１：Ｎｍａｘ}は寄与度が高い順にインデックスｎが振られているが、式（４）では各基底行列の寄与度が考慮されていない。つまり、ｄ_ｎを乗算するまでは基底行列が同じ寄与度であるとみなされている。このため寄与度の低い基底行列が影響して、適応による効果が十分に得られない場合があるといった課題があった。

この発明は、かかる問題を解決するためになされたもので、適応時における変換行列の推定精度を向上させ、音声認識精度の向上を図ることのできる音声認識装置を提供することを目的とする。

この発明に係る音声認識装置は、学習データの音響特徴量を用いて学習データの標準パターンをモデル化した音響モデルを算出する音響モデル算出部と、音響モデルと学習データとを用いて、基底行列を算出する基底行列算出部と、基底行列を用いて、基底行列の寄与度を算出する基底行列の寄与度計算部と、テストデータの音響特徴量と、音響モデルと、基底行列とを用いて、基底行列の重みを算出する基底行列への重み算出部と、基底行列の重みと、基底行列の寄与度と、基底行列とを用いて、基底行列への重み付けを行った変換行列を生成する基底行列への重み適用部と、変換行列を用いて、テストデータを音響モデルと認識するための変換済みテストデータに変換する特徴量データへの行列適用部と、変換済みテストデータと音響モデルとを照合して音声認識を行うデコード部とを備えたものである。

この発明に係る音声認識装置は、基底行列の寄与度を算出し、この基底行列の寄与度と基底行列の重みと基底行列とを用いて、基底行列への重み付けを行った変換行列を生成するようにしたものである。これにより、適応時における変換行列の推定精度を向上させ、音声認識性能の向上を図ることができる。

この発明の実施の形態１の音声認識装置を示す構成図である。 この発明の実施の形態１の音声認識装置のハードウェア構成図である。 この発明の実施の形態１の音声認識装置の学習ステップの流れを示すフローチャートである。 この発明の実施の形態１の音声認識装置の適応ステップの流れを示すフローチャートである。 この発明の実施の形態２の音声認識装置を示す構成図である。 この発明の実施の形態２の音声認識装置の学習ステップの流れを示すフローチャートである。 この発明の実施の形態２の音声認識装置の適応ステップの流れを示すフローチャートである。 この発明の実施の形態２の音声認識装置の基底行列の重み算出部の処理内容を示す説明図である。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１は、本実施の形態による音声認識装置の構成図である。
本実施の形態による音声認識装置は、図示のように、学習ステップ実行部１００と適応ステップ実行部２００から構成される。学習ステップ実行部１００は、音響モデル算出部１０１、基底行列算出部１０２、基底行列の寄与度計算部１０３を備え、適応ステップ実行部２００は、基底行列の重み算出部２０１、基底行列への重み適用部２０２、特徴量データへの行列適用部２０３、デコード部２０４を備えている。

学習ステップ実行部１００における音響モデル算出部１０１は、学習データ１０４の音響特徴量を用いて学習データ１０４の標準パターンをモデル化した音響モデル１０５を算出する処理部である。基底行列算出部１０２は、音響モデル算出部１０１が算出した音響モデル１０５と学習データ１０４を用いて基底行列１０６を算出する処理部である。基底行列の寄与度計算部１０３は、基底行列算出部１０２が算出した基底行列１０６を用いて基底行列の寄与度１０７を算出する処理部である。

適応ステップ実行部２００における基底行列の重み算出部２０１は、テストデータ２０５の音響特徴量と、音響モデル１０５と、基底行列１０６とを用いて、基底行列の重み２０６を算出する処理部である。基底行列への重み適用部２０２は、基底行列の重み算出部２０１で算出された基底行列の重み２０６と、基底行列の寄与度１０７と、基底行列１０６とを用いて、基底行列１０６への重みづけを行い、重みづけられた行列である変換行列２０７を生成する処理部である。特徴量データへの行列適用部２０３は、基底行列への重み適用部２０２により得られた変換行列２０７と、テストデータ２０５とを用いて、テストデータ２０５を音響モデルの認識に適するよう変換して変換済みテストデータ２０８を生成する処理部である。デコード部２０４は、特徴量データへの行列適用部２０３によって得た変換済みテストデータ２０８と、音響モデル１０５とを照合して、音声認識を行って認識結果２０９を出力する処理部である。なお、図１では音響モデル１０５からデコード部２０４への矢印の図示は省略している。

図２は、実施の形態１の音声認識装置のハードウェア構成図である。
音声認識装置はコンピュータを用いて実現されており、プロセッサ１、メモリ２、入出力インタフェース（入出力Ｉ／Ｆ）３、バス４を備える。プロセッサ１は、コンピュータとしての演算処理を行う機能部であり、メモリ２は、各種のプログラムや演算結果を記憶し、また、プロセッサ１が演算処理を行う場合の作業領域を構成する記憶部である。入出力インタフェース３は、学習データ１０４やテストデータ２０５を入力したり、認識結果２０９を外部に出力したりする際のインタフェースである。バス４は、プロセッサ１、メモリ２及び入出力インタフェース３を相互に接続するためのバスである。

図１に示す音響モデル算出部１０１、基底行列算出部１０２、基底行列の寄与度計算部１０３、基底行列の重み算出部２０１、基底行列への重み適用部２０２、特徴量データへの行列適用部２０３及びデコード部２０４は、それぞれプロセッサ１がメモリ２に記憶されたプログラムを実行することにより実現されている。また、音響モデル１０５、基底行列１０６、基底行列の重み２０６、変換行列２０７、変換済みテストデータ２０８は、それぞれメモリ２の記憶領域に記憶されている。プロセッサ１及びメモリ２をそれぞれ複数備え、複数のプロセッサ１とメモリ２とが連携して上述した機能を実行するように構成してもよい。

次に、実施の形態１の音声認識装置の動作について説明する。
先ず、学習ステップ実行部１００が行う学習ステップについて図３のフローチャートを用いて説明する。
学習ステップでは、先ず、学習データ１０４から音響モデル算出部１０１により音素の標準パターンである音響モデル１０５を作成する（ステップＳＴ１）。ここで音響特徴量としては、フィルタバンク係数、ＭＦＣＣ（Mel Frequency Cepstrum Coefficient）、ＰＬＰ（Perceptual Linear Predictive）など従来から用いられている特徴ベクトルを利用することができる。

また、基底行列１０６から、基底行列の寄与度計算部１０３を用いて、各基底行列１０６のインデックスｎに対応する寄与度（ω_ｎ）１０７を求める（ステップＳＴ３）。寄与度１０７は学習データの表現力が高い集合ｎ順に大きい値をとる。

基底行列の寄与度１０７を示す具体的な例として、基底行列（Ｗ_1:Nmax）１０６を求める際に得られる特異値ｋ_1:Nmaxが利用可能である。これは特異値が大きいインデックスｎの基底行列が、行列Ｍを表現するのに寄与度が高いからである。従って、寄与度計算部１０３で再度特異値ｋ_1:Nmaxを計算するのでなく、基底行列算出部１０２にて算出した特異値ｋ_1:Nmaxを保持しておくことでも同様に寄与度１０７が得られる。

また、基底行列の寄与度計算部１０３において特異値ｋ_1:Nmaxをそのまま用いるのでなく、変換関数φ(・)を特異値に適用してφ(ｋ_ｎ)とすることで、基底行列（Ｗ_ｎ）１０６に対応する寄与度をコントロールすることができる。変換関数には、シグモイド関数などを用いることができる。

次に、適応ステップ実行部２００が行う適応ステップについて図４のフローチャートを用いて説明する。
適応ステップでは、先ず、基底行列の重み算出部２０１は、テストデータ２０５と音響モデル１０５と基底行列１０６から基底行列の重み（ｄ_ｎ）２０６を生成する（ステップＳＴ１１）。次に、基底行列への重み適用部２０２は、ステップＳＴ１１で求めた基底行列の重み２０６と、基底行列１０６と基底行列の寄与度（ω_1:Nmax）１０７とを用いて重みづけられた行列としての変換行列（Ｗ）２０７を得る（ステップＳＴ１２）。逐次的に式（５）に基づいて、基底行列の重み２０６と変換行列２０７を求める。

すなわち、ステップＳＴ１１とステップＳＴ１２を逐次的に繰り返し、尤度の上がり幅が閾値を下回る、もしくは定めた回数分繰り返した場合、次ステップに進む。ここで、尤度とは音響モデル１０５に対して入力音声が標準パターンにどれほど近いかの指標となる。尤度の差分を算出することにより、前回の変換行列を推定した時からの尤度の上がり幅が算出される。尤度の差分が設定した数値より小さい、すなわち尤度の上がり幅が設定した数値より小さくなることは、推定処理が収束したとみなすことができ、精度の高い推定処理が行われたと判断する。一方、尤度の差分が設定した数値以上である、即ち尤度の上がり幅が設定した数値以上の場合は、推定処理が収束していないと判断する。この場合、基底行列への重み２０６を再度推定し、より精度の高い変換行列２０７を取得する。

本発明では基底行列への重み適用部２０２において、変換行列（Ｗ）２０７推定時に寄与度（ω_ｎ）１０７を基底行列（Ｗ_ｎ）１０６に乗算することで、基底行列の寄与度を考慮することが可能となり、変換行列（Ｗ）２０７の推定精度の向上が期待できる。

最後に変換行列２０７とテストデータ２０５を用いて、特徴量データへの行列適用部２０３により、変換済みテストデータ２０８を生成する（ステップＳＴ１３）。具体的には式（１）を用いて変換できる。得られた変換済みテストデータ２０８にデコード部２０４で音響モデル１０５によって表現される音素の標準パターンと照合することにより、認識結果２０９を取得する（ステップＳＴ１４）。

デコード部２０４では、ＨＭＭ（Hidden Markov Model）に基づく音声認識処理を行う。詳細には、ＨＭＭの出力確率モデルとして、混合ガウス分布（以下、ＧＭＭ（Gaussian Mixture Model）と称する）を用いたモデルＧＭＭ−ＨＭＭや、ニューラルネットワーク（以下、ＮＮ（Neural Network）と称する）を用いたモデルＮＮ−ＨＭＭが利用可能である。

以上説明したように、実施の形態１の音声認識装置によれば、学習データの音響特徴量を用いて学習データの標準パターンをモデル化した音響モデルを算出する音響モデル算出部と、音響モデルと学習データとを用いて、基底行列を算出する基底行列算出部と、基底行列を用いて、基底行列の寄与度を算出する基底行列の寄与度計算部と、テストデータの音響特徴量と、音響モデルと、基底行列とを用いて、基底行列の重みを算出する基底行列への重み算出部と、基底行列の重みと、基底行列の寄与度と、基底行列とを用いて、基底行列への重み付けを行った変換行列を生成する基底行列への重み適用部と、変換行列を用いて、テストデータを音響モデルと認識するための変換済みテストデータに変換する特徴量データへの行列適用部と、変換済みテストデータと音響モデルとを照合して音声認識を行うデコード部とを備えたので、寄与度の高い基底行列の影響度を高くし、寄与度の低い基底行列の影響度を低く抑えることが可能となり、適応時における変換行列の推定精度を向上させ、音声認識性能の向上を図ることができる。

実施の形態２．
実施の形態２は、変換行列と、変換行列の推定に使用する基底行列とを音素などのクラス毎に求めるようにしたものである。

図５は、実施の形態２に係る音声認識装置の構成図である。実施の形態２に係る音声認識装置は、学習ステップ実行部１００ａと適応ステップ実行部２００ａから構成される。学習ステップ実行部１００ａは、音響モデル算出部１０１ａ、基底行列算出部１０２ａを備えている。適応ステップ実行部２００ａは、基底行列の重み算出部２０１ａ、基底行列への重み適用部２０２ａ、特徴量データへの行列適用部２０３ａ、デコード部２０４、アラインメント算出部２１０、データのクラス分類部２１１を備えている。

学習ステップ実行部１００ａにおける音響モデル算出部１０１ａは、クラス単位でクラスタリングされたクラス毎の学習データ１０４ａの音響特徴量を用いて、クラス毎の学習データ１０４ａの標準パターンをモデル化して音響モデル１０５ａを求める処理部である。基底行列算出部１０２ａは、音響モデル１０５ａとクラス毎の学習データ１０４ａとを用いて、クラス毎の基底行列１０６ａを算出する処理部である。

適応ステップ実行部２００ａにおけるアラインメント算出部２１０は、テストデータ２０５の音響特徴量の状態系列を示すアラインメント２１２を算出する処理部である。データのクラス分類部２１１は、テストデータ２０５とアラインメント２１２とを用いてテストデータ２０５をクラス毎に分類し、クラス毎のテストデータ２１３として出力する処理部である。基底行列の重み算出部２０１ａは、クラス毎のテストデータ２１３と音響モデル１０５ａとクラス毎の基底行列１０６ａとを用いて、クラス毎の基底行列１０６ａへの重みを求め、クラス毎の基底行列の重み２０６ａを出力する処理部である。基底行列への重み適用部２０２ａは、クラス毎の基底行列１０６ａとクラス毎の基底行列の重み２０６ａとを用いて、重み付けによりクラス毎の変換行列２０７ａを生成する処理部である。特徴量データへの行列適用部２０３ａは、テストデータ２０５とアラインメント２１２とクラス毎の変換行列２０７ａとを用いて、テストデータ２０５を音響モデルの認識に適するよう変換し、変換済みテストデータ２０８ａを生成する処理部である。デコード部２０４は、変換済みテストデータ２０８ａと音響モデル１０５ａとを照合して音声認識を行い、その認識結果２０９を出力する処理部である。なお、図５では音響モデル１０５ａからデコード部２０４への矢印の図示は省略している。また、これら処理部は図２に示したプロセッサがメモリに記憶されたプログラムを実行することにより実現されている。

次に、実施の形態２の音声認識装置の動作について説明する。
先ず、学習ステップ実行部１００ａが行う学習ステップについて図６のフローチャートを用いて説明する。
学習ステップにおいて、学習データを予め音素などのＣ個のクラス毎に分類し、クラスタリングされたクラス毎の学習データ１０４ａを用意する。この際のクラス数Ｃやクラスの分け方は、音素に応じて手動で決めてもよいし、決定木やＫ−ｍｅａｎｓ法を用いたクラスタリングにより決定してもよい。音響モデル算出部１０１ａは、このようなクラス毎の学習データ１０４ａから音響モデル１０５ａを算出する（ステップＳＴ１０１）。次にクラス毎の学習データ１０４ａと音響モデル１０５ａとを基底行列算出部１０２ａにそれぞれ入力し、クラス毎の基底行列１０６ａを得る（ステップＳＴ１０２）。

次に、適応ステップ実行部２００ａが行う適応ステップについて図７のフローチャートを用いて説明する。
適応ステップでは、アラインメント算出部２１０により、テストデータ２０５からアラインメント２１２を算出する（ステップＳＴ２０１）。ここで、アラインメントとはＨＭＭの状態系列であり、テストデータの各時刻ｔに対応する音素やクラス情報を対応づける用途に使用される。次に、データのクラス分類部２１１は、アラインメント２１２を用いてテストデータ２０５をクラス毎に分類し、クラス１からクラスＣに対応するテストデータをクラス毎のテストデータ２１３として生成する（ステップＳＴ２０２）。次に、基底行列の重み算出部２０１ａは、クラス毎のテストデータ２１３に対して、音響モデル１０５ａとクラス毎の基底行列１０６ａを用いて、クラス毎の基底行列の重み２０６ａを算出する（ステップＳＴ２０３）。更に、基底行列への重み適用部２０２ａは、クラス毎の基底行列の重み２０６ａに対して、クラス毎の基底行列１０６ａを用いてクラス毎の変換行列２０７ａを算出する（ステップＳＴ２０４）。ステップＳＴ２０３とステップＳＴ２０４を逐次的に繰り返し、尤度の上がり幅が閾値を下回る、もしくは定めた回数分繰り返した場合にステップＳＴ２０５に進む。

図８は基底行列の重み算出部２０１ａの処理内容を示す説明図である。図８に示す音響特徴量系列とは、テストデータの連続的に変化する音響特徴量を時系列に示しており、図中のｏ_ｔは時刻ｔにおける特徴量ベクトルを示している。

図８に示すアラインメントは、ユーザが「あき」と発話した場合の音素列「ｓｉｌ ａ ｋ ｉ」を示している。「あき」の音素列は「ａｋｉ」であるが、語頭の無音を「ｓｉｌ」で表現している。また、アラインメントが示す数字はそれぞれＨＭＭの状態番号を示している。すなわち、アラインメントは、音響特徴量系列に対応するＨＭＭの状態系列となる。更に、アラインメントが示す直線の矢印は次の状態への遷移を示し、曲線の矢印は自己遷移を示している。

実施の形態２では、アラインメント２１２により各時刻の音響特徴量ｏ_ｔに対応する音素を対応づけ、その音素の特徴量を変換するのに適した基底行列を用いることで、テストデータの音響的特徴に適合した基底行列への重みを推定することが可能となる。

次に、ステップＳＴ２０５では、特徴量データへの行列適用部２０３ａにより、ステップＳＴ２０４で求めたクラス毎の変換行列２０７ａとテストデータ２０５とアラインメント２１２とを用いて、変換済みテストデータ２０８ａを算出する。すなわち、特徴量データへの行列適用部２０３ａは、アラインメント２１２により得たクラス情報を用いて、ある時刻の音響特徴量に対応するクラス毎の変換行列２０７ａを対応づけ、変換行列を特徴量ベクトルに乗算して変換済みテストデータ２０８ａを生成する。その後、デコード部２０４は、ステップＳＴ２０５により得た変換済みテストデータ２０８ａと音響モデル１０５ａと照合して音声認識を行い、認識結果２０９を取得する（ステップＳＴ２０６）。

以上説明したように、実施の形態２の音声認識装置によれば、クラスタリングされた学習データの音響特徴量を用いて学習データの標準パターンをモデル化した音響モデルを算出する音響モデル算出部と、音響モデルと学習データとを用いて、クラス毎に基底行列を算出する基底行列算出部と、テストデータの音響特徴量の状態系列を示すアラインメントを算出するアラインメント算出部と、テストデータとアラインメントとを用いて、テストデータをクラス毎に分類するデータのクラス分類部と、クラス毎のテストデータと基底行列と音響モデルとを用いて、クラス毎の基底行列への重みを求める基底行列の重み算出部と、クラス毎の基底行列と、クラス毎の基底行列の重みとを用いて、重みづけによりクラス毎に変換行列を生成する基底行列への重み適用部と、テストデータとアラインメントとクラス毎の変換行列とを用いて、テストデータを音響モデルと認識するための変換済みテストデータを生成する特徴量データへの行列適用部と、変換済みテストデータと、音響モデルとを照合して音声認識を行うデコード部とを備えたので、適応時における変換行列の推定精度を向上させ、音声認識性能の向上を図ることができる。

なお、本願発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。例えば、実施の形態１と実施の形態２とを組み合わせ、実施の形態２の基底行列への重み適用部２０２ａに実施の形態１で説明した基底行列の寄与度を反映させることで、適応精度の向上が可能である。

以上のように、この発明に係る音声認識装置は、少量データに対しても頑健な話者適応処理を行うことを可能とするため、ナビゲーション装置や家電製品などに適用し、音声認識性能の向上に用いるのに適している。

１００，１００ａ 学習ステップ実行部、１０１，１０１ａ 音響モデル算出部、１０２，１０２ａ 基底行列算出部、１０３ 基底行列の寄与度計算部、１０４ 学習データ、１０４ａ クラス毎の学習データ、１０５，１０５ａ 音響モデル、１０６ 基底行列、１０６ａ クラス毎の基底行列、１０７ 寄与度、２００，２００ａ 適応ステップ実行部、２０１，２０１ａ 基底行列の重み算出部、２０２，２０２ａ 基底行列への重み適用部、２０３，２０３ａ 特徴量データへの行列適用部、２０４ デコード部、２０５ テストデータ、２０６ 基底行列の重み、２０６ａ クラス毎の基底行列の重み、２０７ 変換行列、２０７ａ クラス毎の変換行列、２０８，２０８ａ 変換済みテストデータ、２０９ 認識結果、２１０ アラインメント算出部、２１１ データのクラス分類部、２１２ アラインメント、２１３ クラス毎のテストデータ。

Claims (2)

1. 学習データの音響特徴量を用いて当該学習データの標準パターンをモデル化した音響モデルを算出する音響モデル算出部と、
   前記音響モデルと前記学習データとを用いて、基底行列を算出する基底行列算出部と、
   前記基底行列を用いて、基底行列の寄与度を算出する基底行列の寄与度計算部と、
   テストデータの音響特徴量と、前記音響モデルと、前記基底行列とを用いて、基底行列の重みを算出する基底行列への重み算出部と、
   前記基底行列の重みと、前記基底行列の寄与度と、前記基底行列とを用いて、基底行列への重み付けを行った変換行列を生成する基底行列への重み適用部と、
   前記変換行列を用いて、前記テストデータを前記音響モデルと認識するための変換済みテストデータに変換する特徴量データへの行列適用部と、
   前記変換済みテストデータと前記音響モデルとを照合して音声認識を行うデコード部とを備えた音声認識装置。
2. クラスタリングされた学習データの音響特徴量を用いて当該学習データの標準パターンをモデル化した音響モデルを算出する音響モデル算出部と、
   前記音響モデルと前記学習データとを用いて、クラス毎に基底行列を算出する基底行列算出部と、
   前記クラス毎の基底行列を用いて、基底行列の寄与度を算出する基底行列の寄与度計算部と、
   テストデータの音響特徴量の状態系列を示すアラインメントを算出するアラインメント算出部と、
   前記テストデータと前記アラインメントとを用いて、前記テストデータをクラス毎に分類するデータのクラス分類部と、
   前記クラス毎のテストデータと前記基底行列と前記音響モデルとを用いて、クラス毎の基底行列への重みを求める基底行列の重み算出部と、
   前記クラス毎の基底行列と、前記クラス毎の基底行列の寄与度と、前記クラス毎の基底行列の重みとを用いて、重みづけによりクラス毎に変換行列を生成する基底行列への重み適用部と、
   前記テストデータと前記アラインメントと前記クラス毎の変換行列とを用いて、前記テストデータを前記音響モデルと認識するための変換済みテストデータを生成する特徴量データへの行列適用部と、
   前記変換済みテストデータと、前記音響モデルとを照合して音声認識を行うデコード部とを備えた音声認識装置。

Images