JPH04293096A - 音声認識方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、発声された音声を高精
度に認識することのできる音声認識方式に関する。

【０００２】

【従来の技術】近年、音声を認識する方式において、音
声を一定のシンボル系列に変換（これをベクトル量子化
と呼ぶ）し、シンボル系列の遷移として音声をモデル化
するＨＭＭ（ｈｉｄｄｅｎ　ｍａｒｋｏｖ　ｍｏｄｅｌ
）を利用した認識方式が成功を収めている。音声をシン
ボルに変換する際に参照するテーブルは、符号帳と呼ば
れている。また、ＨＭＭは、複数の状態をもつ遷移ネッ
トワークで表わされ、各状態ごとにシンボルの出現確率
と状態間の遷移確率が埋め込まれている。

【０００３】符号帳が定常的な係数（例えば、スペクト
ルやケプストラム）を使用している場合、音声事象はＨ
ＭＭ中に埋め込まれた状態の情報にのみ依存する（１つ
の状態の中では、時間関係がなくなる）。このため、Δ
ケプストラムのような微分情報が導入されている。すな
わち、音声は、スペクトル（またはケプストラム）だけ
でなく、それらの時間変化を考慮してシンボル系列に置
換える方法が採用されている。しかし、このように多く
の次元を持つ符号帳では、量子化の際の歪が非常に大き
くなる。このため、パラメータ空間を分割して（上記例
では、スペクトルとその時間変化情報を分離して）、次
元数を減らした複数の符号帳が用いられている。

【０００４】これらの方法に対して、スペクトル（もし
くはケプストラム）の時系列、すなわち、２次元パター
ンを直接、量子化する方法があり、マトリクス量子化と
呼ばれている。マトリクス量子化は、音声パターンを近
似なしに直接扱える長所を持つ反面、量子化歪が増大す
る。そこで、量子化の際に統計的手法を用いて、歪を減
らす方法が提案されている。

【０００５】しかしこのような方法を用いても、音声を
量子化する際の歪がいまだ大きく、さらに歪を低減する
手段が望まれている。これを解決するには、音声スペク
トル（もしくはケプストラム）をシンボルに置換えずに
（量子化せずに）、直接ＨＭＭの中でこれを表現すれば
良い。このような方法は、量子化を伴なう「離散ＨＭＭ
」に対して「連続ＨＭＭ」と呼ばれている。連続ＨＭＭ
は、一般に厖大な計算を必要としている。これは、ＨＭ
Ｍへの入力ベクトル系列から、各状態に対応する共分散
行列を求め、認識の際に入力ベクトルと共分散行列との
積を計算しなければならないからである。

【０００６】

【発明が解決しようとする課題】音声をＨＭＭで表現す
る場合、その単位は音素、音節、単語、文節、あるいは
文等、種々考えられるが、認識の際に入力音声とそのモ
デルがよく一致すること、すなわち、歪が少ないことが
、全てに共通して大切なことである。上述したように、
音声スペクトルの時間変化を含む２次元パターンを直接
ＨＭＭの入力とする、連続ＨＭＭが、性能的に最も優れ
ている。しかし、この方法は、厖大な計算を必要とする
ため実用化が難しいという問題があった。そこで、本発
明は、発声された音声を高精度に認識することができ、
しかも、演算処理が厖大化することもない音声認識方式
を提供することを目的とする。

【０００７】

【課題を解決するための手段】本発明の音声認識方式は
、入力される音声信号を音響分析することにより特徴パ
ラメータを求める音響分析手段と、この音響分析手段に
より求められた特徴パラメータと予め定められた所定の
音声セグメント単位の符号帳との間でマトリクス量子化
処理を行なうことにより音声セグメント類似度系列を求
めるマトリクス量子化手段と、このマトリクス量子化手
段により求められた音声セグメント類似度系列を音素特
徴ベクトルに統合変換する統合変換手段と、この統合変
換手段により統合変換された音素特徴ベクトルを一定の
単位毎に作成されたＨＭＭ（ｈｉｄｄｅｎ　ｍａｒｋｏ
ｖ　ｍｏｄｅｌ）を用いて照合することにより認識処理
を行なう認識手段とを具備している。

【０００８】

【作用】入力される音声信号を音響分析することにより
特徴パラメータを求め、この求めた特徴パラメータと予
め定められた所定の音声セグメント単位の符号帳との間
でマトリクス量子化処理を行なうことにより音声セグメ
ント類似度系列を求め、この求めた音声セグメント類似
度系列を音素特徴ベクトルに統合変換し、この統合変換
された音素特徴ベクトルを一定の単位毎に作成されたＨ
ＭＭを用いて照合することにより、高精度の認識処理を
行なうものである。

【０００９】

【実施例】以下、本発明の一実施例について図面を参照
して説明する。

【００１０】図１は、本発明に係る音声認識方式が適用
される音声認識装置を概略的に示すものである。本発明
では、音声学的に意味のあるセグメント（Ｐｈｏｎｅｔ
ｉｃ　Ｓｅｇｍｅｎｔ；以下ＰＳと記述する）を量子化
の単位とし、このＰＳの類似度（距離）系列を一旦、音
素に統合変換した後、音素特徴ベクトル系列をＨＭＭ単
語照合部に送る。

【００１１】ここまでの処理を以下に更に詳しく説明す
る。まず、音響分析部１１にて、入力される音声信号を
、例えばＬＰＣ（リニア・プレディクティブ・コーディ
ング）分析もしくはＢＰＦ（バンドパス・フィルタ）分
析する。具体的には、例えば入力音声を図示されないＡ
／Ｄ変換器を用いて、サンプリング周波数が１２ＫＨｚ
、１２ビットで量子化した後、フレーム長が２４ｍｓｅ
ｃ、フレーム周期が８ｍｓｅｃで、１６次程度のＬＰＣ
（メル）ケプストラムを求める。分析された特徴パラメ
ータは、マトリクス量子化部１２に与えられ、ＰＳ符号
帳１３に登録されている所定のＰＳ単位の音声辞書との
間で、時間軸方向に連続的にマッチング処理が行なわれ
る。マトリクス量子化部１２でのＰＳによる連続マッチ
ング処理は、例えば次式に示す部分空間法に基づく類似
尺度を用いて行なわれる。 ここで、Ｃ（ＰＳ）：ＬＰＣメルケプストラム（Ｃ＝｛
Ｃ１　，Ｃ２　，…，ＣＮ　｝）φｍ　　　：ＰＳの固
有ベクトル（・）は内積を、‖　　‖はノルムを示して
いる。すなわち、音声符号帳は、各ＰＳ毎にＭ個の直交
化された固有ベクトルで表現されている。ここで、本発
明に用いられるＰＳを説明する。ＰＳは、例えば次のよ
うなものからなる。 （１）　持続性セグメント　　；（１−１）　母音定常
部（１−２）　持続性の子音部 （２）　子音セグメント　　　　；母音への渡り（過渡
部）を含む部分［半音節］ （３）　音節境界セグメント；（３−１）　母音境界（
３−２）　母音−子音境界 （３−３）　母音−無音境界 （４）　その他のセグメント；母音脱落、ＶＣＶ（Ｖ：
母音、Ｃ：子音）等例として、１００単語の音声資料に
対して選定した１９１種の音声セグメントを次に示す。 持続性セグメント：ＡＡ１Ａ，ＡＡ２Ａ，ＩＩ１Ａ，Ｉ
Ｉ２Ａ，ＩＩ３Ａ，ＵＵ１Ａ，ＵＵ２Ａ，ＵＵ３Ａ，Ｅ
Ｅ１Ａ，ＥＥ２Ａ，ＯＯ１Ａ，ＯＯ２Ａ，ＮＮ１Ａ，Ｎ
Ｎ２Ａ，ＮＮ４Ａ，ＮＮ５Ａ，ＢＺ１Ａ，ＭＭ１Ａ，Ｒ
Ｒ１Ａ，ＢＢ１Ａ，ＳＳ１Ｃ，ＳＨ１Ｃ，ＣＣ１Ｃ，Ｚ
Ｚ１Ａ，ＨＨＡＢ，ＨＨＩＢ，ＨＨＵＢ，ＨＨＥＢ，Ｈ
ＨＯＢ，ＨＶＡＡ，ＨＶＩＡ，ＨＶＵＡ，ＨＶＥＡ子音
セグメント：ＱＡ１Ｄ，ＫＡ１Ｅ，ＫＡ２Ｃ，ＳＡ２Ｅ
，ＴＡ２Ｃ，ＮＡ２Ｂ，ＨＡ２Ｂ，ＧＡ２Ｃ，ＤＡ１Ｅ
，ＤＡ２Ｂ，ＣＡ１Ｅ，ＦＡ１Ｃ，ＦＡ２Ｃ，ＫＩ１Ｅ
，ＫＩ２Ｃ，ＳＩ２Ｅ，ＮＩ１Ｃ，ＮＩ２Ｂ，ＨＩ１Ｄ
，ＨＩ２Ｃ，ＭＩ２Ｂ，ＲＩ２Ｂ，ＢＩ１Ｃ，ＢＩ２Ｂ
，ＰＩ１Ｃ，ＰＩ２Ｃ，ＫＵ１Ｅ，ＫＵ２Ｃ，ＳＵ２Ｄ
，ＣＵ１Ｅ，ＣＵ２Ｅ，ＨＵ１Ｄ，ＲＵ２Ｂ，ＺＵ２Ｄ
，ＢＵ２Ｂ，ＱＥ１Ｄ，ＫＥ１Ｅ，ＫＥ２Ｃ，ＳＥ１Ｅ
，ＳＥ２Ｅ，ＴＥ１Ｄ，ＴＥ２Ｃ，ＮＥ１Ｃ，ＮＥ２Ｂ
，ＨＥ１Ｄ，ＨＥ２Ｂ，ＭＥ１Ｃ，ＭＥ２Ｂ，ＲＥ１Ｃ
，ＲＥ２Ｂ，ＧＥ１Ｄ，ＧＥ２Ｅ，ＺＥ１Ｅ，ＺＥ２Ｅ
，ＤＥ１Ｃ，ＤＥ２Ｂ，ＢＥ１Ｃ，ＢＥ２Ｂ，ＰＥ１Ｃ
，ＰＥ２Ｂ，ＱＯ１Ｄ，ＫＯ１Ｄ，ＫＯ２Ｃ，ＴＯ１Ｄ
，ＴＯ２Ｃ，ＮＯ２Ｂ，ＨＯ１Ｄ，ＦＯ１Ｅ，ＦＯ２Ｅ
，ＭＯ２Ｂ，ＧＯ２Ｃ，ＤＯ２Ｂ，ＢＯ２Ｂ，ＰＯ１Ｃ
，ＰＯ２Ｂ，ＫＹ１Ｅ，ＳＹ１Ｅ，ＣＹ１Ｅ，ＮＹ２Ｄ
，ＨＹ２Ｅ，ＲＹ１Ｄ，ＲＹ２Ｄ，ＺＹ２Ｄ境界セグメ
ント： 母音境界　ＡＩ１Ｅ，ＡＮＮＣ，ＩＮＮＣ，ＩＥ１Ｃ，
ＩＡ１Ｅ，ＵＡ１Ｃ，ＥＩ１Ｃ，ＥＯ１Ｅ，ＥＮＮＣ，
ＥＵ１Ｃ，ＯＩ１Ｅ，ＯＵ１Ｃ，ＯＮＮＣ，ＮＮＯＣ，
ＮＮＥＢ母音−子音境界　ＹＡ１Ｅ，ＹＵ１Ｅ，ＹＯ１
Ｅ，ＡＳ１Ａ，ＡＮ１Ａ，ＡＭ１Ａ，ＡＲ１Ａ，ＡＺ１
Ａ，ＡＤ１Ａ，ＡＢ１Ａ，ＩＳ１Ａ，ＩＮ１Ａ，ＩＨ１
Ａ，ＩＲ１Ａ，ＩＧ１Ａ，ＩＤ１Ａ，ＩＢ１Ａ，ＵＳ１
Ａ，ＵＮ１Ａ，ＵＭ１Ａ，ＵＤ１Ａ，ＵＢ１Ａ，ＥＮ１
Ａ，ＥＨ１Ａ，ＥＦ１Ａ，ＥＭ１Ａ，ＥＲ１Ａ，ＥＧ１
Ａ，ＯＮ１Ａ，ＯＨ１Ａ，ＯＭ１Ａ，ＯＲ１Ａ，ＯＧ１
Ａ，ＯＤ１Ａ，ＯＢ１Ａ，ＮＳ１Ａ，ＮＨ１Ａ，ＮＧ１
Ａ，ＮＺ１Ａ 母音−無音境界　ＡＱ１Ａ，ＩＱ１Ａ，ＵＱ１Ａ，ＥＱ
１Ａ，ＯＱ１Ａ，ＮＱ１Ａその他のセグメント： ＶＣＶ　　　　　　ＡＮＡＣ，ＡＮＥＣ，ＡＲＵＣ，Ａ
ＲＥＣ，ＩＲＩＣ，ＩＢＯＣ，ＵＮＥＣ，ＵＤＡＣ，Ｕ
ＢＵＣ，ＥＲＥＣ，ＥＲＵＣ，ＯＲＩＣ，ＯＲＵＣ，母
音脱落ほか　　ＫＳ１Ｄ，ＫＱ１Ｄ，ＡＵＱＡ

【００１
２】ここで、持続性セグメント中のＡＡ１，ＡＡ２　は
、後者がストレスの弱い母音［ａ］の一部から切り出さ
れたことを示す。また、ＩＩ３，ＵＵ３　は無声化した
セグメントである。ＮＮ１　〜ＮＮ５　は異なる音素環
境に対応している。ＢＺ１　〜ＺＺ１　は子音に先立っ
て出現する声帯音ほかの現象、ＨＨＡ　〜ＨＨＯ　は無
声の［ｈ］、またＨＶＡ　〜ＨＶＥ　は有声化した［ｈ
］に対応している。

【００１３】次に、子音セグメント中のＱＡ１　は語頭
の母音を、またＫＡ１，ＫＡ２　は原則として後者が語
中から切り出されたものであることを示している。拗音
に属する外１などは、ＣＡ１　→ＹＡ１　→ＡＡ１　と
境界セグメントをはさんで構成している（実際の音声で
は、ＣＡ１　→ＡＡ１　またはＡＡ２　と遷移すること
もありうる）。

【００１４】

【数１】

【００１５】境界セグメントとしては、母音境界（ＡＩ
１）、母音−子音境界（ＡＳ１）、母音−無音境界（Ａ
Ｑ１）などが登録されている。なお、母音境界を表わす
セグメントでは、撥音はＮＮと記されている（ＡＮＮ）
。

【００１６】その他のセグメントには、発声速度の速い
場合に観測される、子音の脱落しかけたＶＣＶ　セグメ
ント（ＡＮＡ）　、母音の脱落したセグメント（ＫＳ１
）などがある。 ＰＳ符号帳１３には、このような　１９１種の音声セグ
メントの情報が直交化辞書として格納されている。

【００１７】さて、このようなＰＳを量子化時のセグメ
ントとする場合、セグメントの特徴パラメータの次元数
（ここではＬＰＣメルケプストラムの次数）と時間幅（
フレーム数）が問題となる。すなわち、母音定常部等に
ついては、その特徴パラメータの次元数を多く必要とす
るが、そのフレーム数は少なくて良い。また、破裂子音
等については、特徴パラメータの次元数もそのフレーム
数もある程度必要である。更に、摩擦子音等にあっては
、特徴パラメータの次元数は少なくて良いが、多くのフ
レーム数を必要とする。そこで、本発明では、各ＰＳの
特徴パラメータとフレーム数を次のように定めている。

【００１８】（特徴パラメータ，フレーム数）；Ａ＝（
１６，　　４） Ｂ＝（１４，　　６） Ｃ＝（１２，　　８） Ｄ＝（１０，１０） Ｅ＝（　　８，１２） の組合わせの中から選択している。先に説明したＰＳの
種類を示す４文字のうち、最後の１文字は、この設定を
表わしている。この結果、母音ではＡＡ１Ａのように特
徴パラメータの次元数を「１６」と大きく、またＺＥ１
Ｅのような摩擦子音はフレーム数を「１２」と多く設定
することができる。また、これによりＰＳ全体の次元数
は６４〜１００と、比較的近い次元数に収まり、統計的
なマッチング処理（例えば部分空間法）による量子化歪
の低減が可能になった。

【００１９】マトリクス量子化部１２で求められたＰＳ
類似度系列の精度を見るため、第１位となったＰＳの系
列を求め、このシンボル系列を（離散）ＨＭＭへ入力す
ることで単語音声の評価実験を行なった。この実験は、
不特定話者の単語音声を対象に行なわれ、結果は３２単
語で９８．４％と、従来の単語単位のパターンマッチン
グ法と比較して同程度の認識率であった。しかし、類似
した単語の対からなる３２単語では、９１．０％しか得
られず、第１位のシンボル系列を使用する「離散ＨＭＭ
」では量子化誤差が未だに大きく、ＨＭＭを連続分布と
して扱う必要のあることが示された。

【００２０】しかし、ｎ種類のＰＳの類似度値からなる
ベクトルＳ＝（Ｓ１，Ｓ２，…　，Ｓｎ　）に対して、
「連続分布ＨＭＭ」を直接適用することは、厖大な計算
を必要とするため得策ではない。そこで、音声セグメン
トの類似度空間Ｒｎを効率良く、音素特徴空間Ｒｍ（ｍ
＜＜ｎ）に統合変換した後、連続分布ＨＭＭを適用する
方法を採用した。

【００２１】音声セグメントＰＳの多くは、前述したよ
うに音声中に現れる様々な環境下の音素を表現するため
に設計されている。このため、これらと音素との対応付
けは比較的容易である。例えば、音素／ｒ／に対応する
音声セグメントは、ＲＡ１，ＲＡ２，ＲＩ１，ＲＩ２，
ＲＵ１，ＲＵ２，ＲＥ１，ＲＥ２，ＲＯ１，ＲＯ２，Ｒ
Ｙ１，ＲＹ２，ＲＷ１，ＲＷ２，ＡＲＡ，ＡＲＩ，ＡＲ
Ｕ，ＡＲＥ，ＡＲＯ，ＩＲＡ，ＩＲＩ，ＩＲＵ，ＩＲＥ
，ＩＲＯ，ＵＲＡ，ＵＲＩ，ＵＲＵ，ＵＲＥ，ＵＲＯ，
ＥＲＡ，ＥＲＩ，ＥＲＵ，ＥＲＥ，ＥＲＯ，ＯＲＡ，Ｏ
ＲＩ，ＯＲＵ，ＯＲＥ，ＯＲＯ，ＮＲＡ，ＮＲＩ，ＮＲ
Ｕ，ＮＲＥ，ＮＲＯの４４種である。ここで、セグメン
ト名の数字は「１」が語頭を、「２」が語中を示す。ま
た、　ＡＲＡのように前後を母音で挟まれたセグメント
は、ＶＣＶ型に属する。音声セグメントを音素に統合変
換する方法は、種々考えられる。本実施例では と最大値フィルタにより、その音素に属するＰＳを統合
する。右辺の｛｝内は、ＰＳの類似度値、左辺は統合さ
れた音素のスコアである。

【００２２】一般に用いられる音素には、｛ｏ，ａ，ｅ
，ｉ，ｕ，ｈ，ｊ，ｗ，ｒ，ｎ，ｍ，ｚ，ｓ，ｇ，ｋ，
ｄ，ｔ，ｂ，ｐ｝の１９種がある。本実施例では、別に
モーラ音素／Ｎ／（撥音），語頭の母音Ｖ，持続性子音
部Ｃ，母音から子音への過渡部Ｔ、母音から無音への過
渡部Ｘを加えた２４種を、音素特徴として用いる。 これにより、ＰＳの類似度系列は、ＰＳ−音素統合変換
部１４において、上記（１）式を実行することにより、
２４次元の音素特徴ベクトルからなる系列へと変換され
、ＨＭＭ認識部１５へと送られる。図２に、単語音声「
堅固」に対応する音素特徴ベクトルの例を示す。

【００２３】次に、本発明におけるＨＭＭを用いた単語
照合について説明する。ＨＭＭではＮ個の状態Ｓ１　，
Ｓ２　，…，ＳＮ　を持ち、初期状態がこれらＮ個の状
態に確率的に分布しているとする。音声では一定のフレ
ーム周期ごとに、ある確率（遷移確率）で状態を遷移す
るモデルが使われる。遷移の際には、ある確率（出力確
率）でラベルを出力するが、ラベルを出力しないで状態
を遷移するナル遷移を導入することもある。出力ラベル
系列が与えられても（状態を遷移する仕方は複数あるか
ら）状態遷移系列は一意には決まらない。観測できるの
はラベル系列だけであることから、隠れ（ｈｉｄｄｅｎ
）マルコフモデルと呼ばれている。ＨＭＭモデルＭは、
次の６つのパラメータから定義される。 Ｎ　　：　　状態数　　（状態Ｓ１　，Ｓ２　，…，Ｓ
Ｎ　，実験ではＮ＝１０） Ｋ　　：　　ラベル数（ラベルＬ＝１，２，…，Ｋ，実
験ではＫ＝１９１） ｐｉｊ　　：　　遷移確率（ＳｉにいてＳｊに遷移する
確率）ｑｉｊ（ｋ）　：　　ＳｉからＳｊへの遷移の際
にラベルｋを出力する確率 ｍｉ　　：　　初期状態確率　　（実験では初期状態は
Ｓ１　に限定） Ｆ　　：　　最終状態の集合（実験では最終状態はＳ１
０に限定）

【００２４】次に、モデルＭに対して音声の特徴を反映
した遷移上の制限を加える。音声では、一般に状態Ｓｉ
から以前に通過した状態（Ｓｉ−１，Ｓｉ−２，……）
に戻るようなループは、時間の前後関係を乱すため許さ
れない。上記のようなＨＭＭの構造としては、図３のよ
うな例が代表的である。

【００２５】ＨＭＭを学習する際には、ＨＭＭ学習部１
６で、ラベル系列Ｏを与えて、Ｐｒ（Ｏ／Ｍ）が最大と
なるモデルＭのパラメータを推定すれば良い。この推定
に用いられるアルゴリズムとしては、フォワード・バッ
クワードアルゴリズムが知られている。

【００２６】また、ＨＭＭの評価（認識）では、モデル
Ｍがラベル系列Ｏ＝Ｏ１　，Ｏ２　，…，ＯＴ　を出力
する確率Ｐｒ（Ｏ／Ｍ）を求める。すなわち、ＨＭＭ認
識部１５は、各単語に対応してモデルを仮定し、Ｐｒ（
Ｏ／Ｍ）が最大になるようなモデルＭ（単語）をヴイタ
ービのアルゴリズムを用いて検索する。

【００２７】以上は、主として離散ＨＭＭを対象に説明
した。連続出力確率分布ＨＭＭ（以下、連続ＨＭＭと記
述する）では、入力はラベル系列ではなく、ベクトル（
本発明では音素特徴ベクトル）となる。これにより、上
記の出力確率ｑｉｊ（ｋ）　（ＳｉからＳｊへの遷移の
際にラベルｋを出力する確率）の代わりに、ベクトルの
出現分布が与えられる。通常、この分布（ベクトルの各
要素の分布）は正規分布もしくは、正規分布の混合とし
て扱われる。連続ＨＭＭモデルは、次の６つのパラメー
タから定義される。 Ｎ　　：　　状態数　　（状態Ｓ１　，Ｓ２　，…，Ｓ
Ｎ　，実験ではＮ＝１０） ｐｉｊ　　：　　遷移確率（ＳｉにいてＳｊに遷移する
確率）μｉｊ　　：　　ＳｉからＳｊへの遷移の際に表
われる平均ベクトル Σｉｊ　　：　　ＳｉからＳｊへの遷移の際に表われる
ベクトルの共分散 ｍｉ　　：　　初期状態確率　　（実験では初期状態は
Ｓ１　に限定） Ｆ　　：　　最終状態の集合（実験では最終状態はＳ１
０に限定）

【００２８】混合分布では、μｉｊとΣｉｊが複数与え
られる。連続ＨＭＭの学習および評価（認識）は、離散
ＨＭＭと同様に各々フォワード・バックワードアルゴリ
ズムと、ヴィタービのアルゴリズムを使用することで行
なわれる。

【００２９】実験では、多数の学習用データ（音素特徴
ベクトル）をＨＭＭ学習部１６に与えて、確率Ｐｒ（Ｏ
／Ｍ）を最大にするように、３２単語に対応する各モデ
ルＭのパラメータを推定した（連続ＨＭＭでは、Ｏはベ
クトル系列である）。得られたモデルのパラメータ（単
語毎のμｉｊとΣｉｊ）は、ＨＭＭ単語モデルバッファ
１７に蓄積される。

【００３０】次に、認識の段階には、ＨＭＭ単語モデル
バッファ１７に蓄積された各モデルに対して、ＨＭＭ認
識部１５において、入力音声に対する音素特徴ベクトル
の確率Ｐｒ（Ｏ／Ｍ）を求め、この確率が最大になるよ
うなモデルＭを求める。そのモデルに対応する単語が認
識結果となる。本発明の評価実験は、前述した離散ＨＭ
Ｍに対する実験と同じデータ（３２個の類似単語）に対
して行なわれた。実験では、ベクトルの出現分布を単一
の正規分布とした場合と、２つの正規分布（混合分布）
からなる場合について行なった。ただし、学習データが
少ないことを考慮して、共分散は対角要素のみを用いて
いる。結果は、単一分布で９１．３％、混合分布で９２
．４％と離散ＨＭＭの成績（９１．０％）を上回り、本
発明の優れていることが示された。

【００３１】以上説明したように上記実施例によれば、
音声学的に意味のある「音声セグメント（ＰＳ）」を単
位として、統計的にマトリクス量子化処理を行ない、Ｐ
Ｓ類似度系列を音素特徴ベクトルに統合変換した後、Ｈ
ＭＭを用いて認識処理を実行するので、連続音声中に生
じる様々な変形を効果的に吸収することが可能となり、
その結果、高精度な音声認識を実現することができる。 しかも、演算処理が厖大化することもない等、実用上多
大な効果が得られる。

【００３２】なお、上記実施例では、音響分析によって
求められた特徴パラメータを、音声セグメント単位の符
号帳との間でマトリクス量子化処理を行なったが、この
代わりに通常のベクトル量子化を用いることも可能であ
る。また、特徴パラメータを音声セグメント単位に設定
されたニューラルネットワークのような他の識別器に通
し、この出力を音素特徴ベクトルに統合変換した後、連
続出力確率分布ＨＭＭを通して照合する等の変形も考え
られる。さらに、前記実施例では、音素特徴ベクトルへ
の統合変換に最大値フィルタを用いたが、音声セグメン
ト類似度系列をニュートラルネットワークへ入力して、
音素特徴ベクトルに統合変換する等の変形も考えられる
。

【００３３】

【発明の効果】以上詳述したように本発明によれば、発
声された音声を高精度に認識することができ、しかも、
演算処理が厖大化することもない音声認識方式を提供す
ることができる。

【図面の簡単な説明】

【図１】本発明に係る音声認識方式が適用される音声認
識装置の構成を概略的に示すブロック図。

【図２】単語部に対応する音素特徴ベクトルの例を示す
図。

【図３】ＨＭＭの構造の代表例を示す図。

【符号の説明】

１１…音響分析部、１２…マトリクス量子化部、１３…
ＰＳ符号帳、１４…ＰＳ−音素統合変換部、１５…ＨＭ
Ｍ認識部、１６…ＨＭＭ学習部、１７…ＨＭＭ単語モデ
ルバッファ。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　入力される音声信号を音響分析するこ
   とにより特徴パラメータを求める音響分析手段と、この
   音響分析手段により求められた特徴パラメータと予め定
   められた所定の音声セグメント単位の符号帳との間でマ
   トリクス量子化処理を行なうことにより音声セグメント
   類似度系列を求めるマトリクス量子化手段と、このマト
   リクス量子化手段により求められた音声セグメント類似
   度系列を音素特徴ベクトルに統合変換する統合変換手段
   と、この統合変換手段により統合変換された音素特徴ベ
   クトルを一定の単位毎に作成されたＨＭＭ（ｈｉｄｄｅ
   ｎ　ｍａｒｋｏｖ　ｍｏｄｅｌ）を用いて照合すること
   により認識処理を行なう認識手段と、を具備したことを
   特徴とする音声認識方式。