JPH08241096A

JPH08241096A - 音声認識方法

Info

Publication number: JPH08241096A
Application number: JP7041948A
Authority: JP
Inventors: Yoshiaki Noda; 喜昭野田; Shigeki Sagayama; 茂樹嵯峨山
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1995-03-01
Filing date: 1995-03-01
Publication date: 1996-09-17
Anticipated expiration: 2015-10-30
Also published as: JP3104900B2

Abstract

(57)【要約】【目的】探索過程の途中で文法外の発声を棄却する。【構成】木構造の文法４１に基づいて、音素を追加連
結、分岐して部分仮説を生成し、その部分仮説ｉと対応
するＨＭＭと入力音声とを照合して、トレリス計算によ
りスコア関数ｇ_i（ｔ）を求め、同時に無文法により生
成した部分仮説のスコア中の最大値を求めて基準スコア
関数ｇ_o（ｔ）とし、前向きヒューリスティック関数ｇ
＾（ｔ）とｇ_i（ｔ）およびｇ_o（ｔ）との各差の各最
大値をそれぞれ評価値Ｓ_i，Ｓ_Oとし、Ｓ_i−Ｓ_Oがし
きい値以下の部分仮説を廃棄して探索を進める。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、音素、音節、半音
節、単語などのような音声単位の、与えられた文法の制
御に従って連結可能な数多くの各部分仮説について対応
する音響モデルと、入力された音声とを照合し入力音声
に近い候補を探索する音声認識方法に関する。

【０００２】

【従来の技術】図３Ａに音素を認識の単位とした音声認
識処理の手順を示す。入力音声１１は、分析処理部１２
により、特徴パラメータのベクトルデータ時系列に変換
され、探索処理部１３により文法１６の拘束条件を用い
ながら、音素モデル１５との照合が行われる。そして、
最も高い評価値を持つ音素系列が認識結果１４として出
力される。

【０００３】分析処理部１２における信号処理として、
よく用いられるのは、線形予測分析（ＬｉｎｅａｒＰ
ｒｅｄｉｃｔｉｖｅＣｏｄｉｎｇ，ＬＰＣと呼ばれ
る）であり、特徴パラメータとしては、ＬＰＣケプスト
ラム、ＬＰＣデルタケプストラム、メルケプストラム、
対数パワーなどがある。音素モデル１５としては確率・
統計理論に基づいてモデル化された隠れマルコフモデル
（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ，以後ＨＭ
Ｍ法と呼ぶ）が主流である。このＨＭＭの詳細は、例え
ば、社団法人電子情報通信学会編，中川聖一著『確率モ
デルによる音声認識』に開示されている。

【０００４】探索処理部１３は、文法で連結することが
許される音素列である部分仮説についてその音素モデル
に対して、入力音声とのもっともらしさを評価し、一つ
ずつ部分仮説に音素を拡張しながら探索を進める。ここ
で、部分仮説とは、文法に示されている音素の並び順の
制約に従ってつなげられた音素列のことを表し、また、
部分仮説への音素の拡張とは、文法に従って部分仮説の
音素列にさらに一つ音素をつなげることを意味する。

【０００５】それぞれの部分仮説について、１．音素
列、２．トレリス計算等による、音響モデルとの照合結
果であるスコア関数、３．入力音声に対する部分仮説の
もっともらしさを示す評価値、の３つの情報を記憶して
おく。部分仮説の識別番号をｉ、時刻をｔとするとスコ
ア関数はｇ_i（ｔ）と表される。探索処理部１３では、
まず文法によって許される１つ目の音素を部分仮説に拡
張し、その音素に対応したＨＭＭと、分析された特徴パ
ラメータのベクトルデータ時系列（入力音声）とを照合
し、この部分仮説ｉの各時刻ｔのスコア関数ｇ_i（ｔ）
を求める。ＨＭＭとの照合方法としてトレリス法、ビタ
ービ法があり、この詳細は、例えば、社団法人電子情報
通信学会編，中川聖一著『確率モデルによる音声認識』
に開示されている。このスコア関数ｇ_i（ｔ）から後述
する方法で部分仮説ｉの評価値を求め、この部分仮説に
対し、音素列、スコア関数ｇ_i（ｔ）、評価値を記録し
ておく。そして、以後の音素の拡張が行われるごとに、
その部分仮説に対する評価値を求めながら探索処理が進
められる。また、部分仮説の音素列に対して、文法の制
約から２種類以上の音素が拡張できる場合は、拡張でき
る音素の種類の数だけ元の部分仮説を複製し、それぞれ
の音素を拡張した部分仮説を作り、それらに対する評価
値計算を行う。文法により音素を延ばすことが出来なく
なった部分仮説は、その音素列が文法として受理された
仮説として、音素の拡張を終了する。全ての部分仮説で
音素の拡張が出来なくなった時、文法として許される全
ての音素列に対し入力音声と照合を行ったことになり、
探索処理１３を終える。そのときの最も評価値の高い仮
説の音素列またはそれに対応する単語、文を認識結果１
４として出力する。

【０００６】上記のように、探索処理において全ての部
分仮説（音素列）の音素数が均等となるように部分仮説
の音素を延ばす探索方法は横形探索法と呼ばれる。横形
探索法を実際に行うと、文法の許す全ての音素列に対応
した部分仮説について計算を行うことになり、非常に多
くの部分仮説の計算を行わなければならず、多くの処理
時間を必要とする。このため、部分仮説に音素を拡張す
る過程で、最終的な認識結果となる見込みのある部分仮
説のみを残し、それ以外の部分仮説を廃棄する方法をと
る場合が多い。具体的には、部分仮説の評価値によりそ
の部分仮説を残すかどうかを判定する。その判定方法と
して部分仮説の評価値の高いものから順に一定個数の部
分仮説を残す方法や、部分仮説の評価値のしきい値を設
け、そのしきい値よりも高い部分仮説のみを残す方法、
両者の方法の併用等が用いられる。このような横形探索
法において、一定の条件により、見込みのある部分仮説
のみを残し、それ以外の部分仮説を廃棄して探索を行う
方法はビーム探索法と呼ばれる。

【０００７】以上のことを具体的に説明すると、例えば
図３Ｂに示すような木構造によって表現された文法に対
して、ＨＭＭを用いた探索処理を行う場合を例とし、い
ま探索処理が既に第４音素までの処理を終えていると
し、第５音素を拡張する場合を述べると、図３Ｂにおい
ては第１音素＃から第４音素まで拡張された部分仮説
は、「＃ｉｋａ」，「＃ｉｋｉ」，「＃
ｉｍｉ」の３種類である。ここで、“ ”は音素の
区切りを示す記号であり、音素＃は無音を示すものとす
る。

【０００８】第１音素が＃から始まり、第４音素まで拡
張された一つの部分仮説、「＃ｉｋｉ」では、図３
Ｂからわかるように、第５音素として、３種類の音素
ｋ，ｏ，ｍが拡張可能である。また、第１音素が＃から
始まり、第４音素まで拡張されたもう１つの部分仮説、
「＃ｉｋａ」は、第５音素として、２種類の音素
ｍ，ｎが拡張可能である。また、部分仮説「＃ｉｍ
ｉ」は、第４音素で完了しており、音素の拡張は行わ
れない。

【０００９】木構造文法における音素の深さごとに見込
みのない部分仮説の廃棄を行うビーム探索では、同じ音
素数をもつ部分仮説に対し、これら部分仮説の評価値を
求め、一定の条件で評価値の良い部分仮説のみを残す。
ここでは、一定の条件として、評価値の高い上位２つの
部分仮説のみを残すものとする。上で述べたように、第
５音素まで拡張された部分仮説は、「＃ｉｋｉ
ｏ」，「＃ｉｋｉｋ」，「＃ｉｋｉ
ｍ」，「＃ｉｋａｍ」，「＃ｉｋａｎ」
の５種類あり、それぞれの部分仮説の評価値はこの順に
高いとすると、上位２つの部分仮説である「＃ｉｋ
ｉｏ」と「＃ｉｋｉｋ」のみが次の音素を拡
張できる部分仮説として残し、それ以外の部分仮説を廃
棄する。

【００１０】このように、部分仮説に音素を拡張して、
一定の条件によって残す部分仮説を限定し、残された部
分仮説にさらに音素を拡張していき、全ての部分仮説で
音素を拡張できなくなるまで、同様の処理を続ける。そ
して、音素を拡張できなくなった全ての部分仮説、つま
り仮説の評価値を比較して、評価値の最も高い仮説を認
識結果として、出力する。

【００１１】部分仮説ｉのスコア関数ｇ_i（ｔ）から部
分仮説の評価値を求める方法としては、音声の始端から
前向きに推定した全ての部分仮説に共通な前向きヒュー
リスティック関数ｇ＾（ｔ）を求めておき、これと、部
分仮説ｉのスコア関数ｇ_i（ｔ）との差を求め、その差
の時刻ｔに対する最大値に対応する値を、部分仮説ｉの
評価値Ｓ_iとする方法がある（この方法の詳細は、例え
ば「野田喜昭、嵯峨山茂樹、“前向き尤度を用いたＡ^*
ビーム探索によるＨＭＭ−ＬＲ音声認識”電子情報通信
学会技術研究報告音声、ＳＰ９４−２３，１９９
４」、および「特願平６−１３３３３９，音響認識方
法」に開示されている）。

【００１２】この部分仮説の評価値の求め方の具体例と
して第４音素まで拡張された部分仮説「＃ｉｋ
ｉ」に音素ｏを拡張するときの、評価値の計算方法を図
４を用いて説明する。図４は、音素列と入力音声の照合
であるトレリス計算を行って得られるスコア関数を、音
素列、入力音声、スコアの３つの軸をもつ３次元の図に
よって示しており、曲線３１は部分仮説「＃ｉｋ
ｉ」のスコア関数、ｇ_i4（ｔ）であり、時刻ｔ₁でのそ
のスコア値ｇ_i4（ｔ₁）は、入力音声が時刻ｔ₁までに
この部分仮説（音素列）が最も短い時間で発声されたと
仮定した時のもっともらしさを示すスコアであり、時刻
ｔ₂でのスコアｇ_i4（ｔ₂）は、入力音声が時刻ｔ₂ま
でに、この部分仮説が最も長い時間で発声されたと仮定
した時のもっともらしさを示すスコアであり、時刻
ｔ₁、ｔ₂と、音素ｏの継続時間長とから時刻ｔ₃を決
定し、その区間で、入力音声がその各時刻までに、音素
列「＃ｉｋｉｏ」をそれぞれ発声されたと仮定し
た時のもっともらしさ（スコア）をつらねたのが曲線３
２であり、つまり曲線３２は入力音声の部分仮説「＃ｉ
ｋｉｏ」に対するスコア関数ｇ_i5（ｔ）である。
即ち部分仮説「＃ｉｋｉ」のスコア関数３１は、既
に計算されており、これを各時刻の尤度を初期値とし
て、トレリス計算により音素ｏの各時刻のスコアを積算
していき、「＃ｉｋｉｏ」のスコア関数３２を求
める。

【００１３】トレリス計算は、音響モデルを示すＨＭＭ
と入力音声を分析した特徴パラメータのベクトル時系列
データとの照合であり、時刻ｔでＨＭＭの最終状態に到
達するＨＭＭの全ての遷移に対してベクトル時系列デー
タの確率計算を行い、その結果時刻ｔにおける確率値を
得ることができる。ここではその確率値のlog 値をスコ
ア（尤度）として用いる。

【００１４】次に部分仮説の評価値を求めるために、音
声の始端から推定した各部分仮説に共通な無文法（文法
の制約がなく、何れの音素への拡張を許す）で求めた前
向きのヒューリスティック関数ｇ＾（ｔ）を求め、これ
を、下記式（１）のように、この部分仮説のスコア関数
ｇ_i（ｔ）から差し引き、その最大値Ｓ_iを求めると、
Ｓ_iはその部分仮説ｉのもっともらしさを示しており、
これを部分仮説ｉの評価値とすることによって、時刻に
対する正規化を行った部分仮説の評価値を求めることが
できる。

【００１５】Ｓ_i＝ max｛ｇ_i（ｔ）−ｇ＾（ｔ）｝（１） maxは各ｔについて｛｝内が最大となるものなお、無文法により探索を行うと正解に近い評価値が得
られるが、部分仮説の数が著しく多く、ほぼ同一の評価
値のものが多くなり、選択が困難となるため、前述した
ように文法の制約下での探索を行うことになる。

【００１６】

【発明が解決しようとする課題】音声認識において、探
索処理量の削減により、認識処理時間を短くし実使用で
の音声認識の使いやすさが良くなる。また、探索処理量
の削減により処理能力の低い計算機にも音声認識を実用
的に動作させることが可能となる。探索処理量を減らす
には、探索の過程で見込みのない部分仮説を廃棄し、拡
張すべき部分仮説の個数を少なくすることが必要であ
る。しかし、従来の評価値の高い部分仮説を一定個数保
持するビーム探索では、一定個数保持する部分仮説の中
に評価値が小さい部分仮説、つまり、もっともらしい認
識結果となり得ない部分仮説があったとしても、その部
分仮説は廃棄されず、無駄な処理を行うことになる。ま
た、しきい値を設定し、評価値がしきい値よりも高い部
分仮説を保持するビーム探索では、評価値が小さい部分
仮説は廃棄されるが、一般に評価値は認識語彙数、話
者、入力音声長に大きく影響を受けるため、正解の部分
仮説を落とさずに効果的に部分仮説の廃棄を行えるしき
い値の設定は難しい。

【００１７】つまり、従来の方法によって計算された評
価値は、部分仮説同士の比較を行うためには有効である
が、認識語彙数、話者、入力音声長の影響を大きく受け
るため、その絶対値そのものを用いて部分仮説を評価す
ることは難しい。

【００１８】

【課題を解決するための手段】この発明によれば、探索
の過程で、つまり木構造の文法における音声単位（音
素、音節、半音節、単語など）の深さごとに、入力音声
の発声内容が正解であると仮定したときの評価値を推定
して基準評価値とし、従来の文法の制約を受けて音声単
位を連結し音響モデルとの照合を行って得られた評価値
を、前記基準評価値で正規化を行い、その正規化評価値
がしきい値以下の部分仮説を廃棄する。

【００１９】上記正規化により、部分仮説の評価値から
認識語彙数、話者、入力音声長等の影響が取り除かれ、
探索の過程で見込みのない部分仮説を確実に廃棄でき、
探索効率を高め、この正規化評価値を用いることで探索
処理量を削減することができる。

【００２０】

【実施例】以下、この発明の実施例を説明する。従来と
同様に入力音声を分析処理し、時系列の特徴パラメータ
のベクトルデータを得る。探索処理としては、部分仮説
に拡張する音声の単位を音素とし、各部分仮説で音素数
が一定なる音素同期のビーム探索、音響モデルはＨＭＭ
の場合に、この発明を適用した実施例を図１を用いて説
明する。文法４１の拘束条件を用い音素拡張処理部４２
で部分仮説ｉに音素を拡張し、トレリス計算処理部４３
で音素系列に対応するＨＭＭと入力音声との照合を行
う。得られた部分仮説ｉのスコア関数ｇ_i（ｔ）から評
価値計算処理部４７で部分仮説ｉの評価値Ｓ_iを求め
る。従来の方法ではこの部分仮説ｉの評価値Ｓ_iの高い
部分仮説を一定個数保持し、あとは捨てるというビーム
探索を行うが、この発明では、スコア関数計算処理部４
５で基準評価値のためのスコア関数ｇ₀（ｔ）を後述す
る方法で求め、上記と同様に評価値計算処理部４８で基
準評価値Ｓ_Oを求める。次に部分仮説ｉの評価値Ｓ_iと
基準評価値Ｓ₀の差（部分仮説ｉの正規化評価値
Ｓ_i′）を求め、この差Ｓ_i′が大きいものは、見込み
のない部分仮説として廃棄し、探索を進める。

【００２１】図３Ｂの例で具体的に説明すると、第４音
素の部分仮説から音素を拡張した部分仮説は、「＃ｉ
ｋｉｏ」，「＃ｉｋｉｋ」，「＃ｉ
ｋｉｍ」，「＃ｉｋａｍ」，「＃ｉｋ
ａｎ」の５種類あり、それぞれの部分仮説を部分仮説
ｉとし、部分仮説ｉの評価値をＳ_iとし、基準評価値Ｓ
₀とすると、下記式（２）により部分仮説ｉの正規化評
価値Ｓ_i′が得られる。

【００２２】Ｓ_i′＝Ｓ_i−Ｓ₀ （２）入力された音声が実際には「いきおい」と発生されたと
すると、「＃ｉｋｉｏ」の部分仮説が最も正解に
近く評価値が高くなる。また、「＃ｉｋａｍ」の
ように正解とは離れた部分仮説については、その評価値
は小さくなっている。基準評価値は、入力音声の内容が
正解であると仮定したときの推定評価値であって、例え
ば無文法によって求められたものであるから、文法的な
制約がなく全ての音響モデルの組み合わせを許して得ら
れるものなので、必ず入力音声の内容と同一の音素系列
又はこれに近いものとの照合がなされ、その音素系列は
最も評価値が高くなる組み合わせになっているはずであ
り、この基準評価値は「＃ｉｋｉｏ」の部分仮
説の評価値に近い値になる。よって、正規化評価値
Ｓ_i′の値は正解に近い部分仮説に対しては０に近くな
り、正解から離れた部分仮説では大きな負の値となる。
正規化評価値Ｓ_i′のこの傾向は、Ｓ₀とＳ _iは共に同
一入力音声から作られているためＳ₀とＳ_iが含む話者
の特性が正規化評価値では差し引かれて除去され、話者
に依存しにくい。同様の理由でＳ_iの前記傾向は入力音
声長にも依存しない。また、部分仮説の個数を一定にす
るビーム探索では、認識語彙数によって保持する部分仮
説の個数を変える必要があるが、評価値そのものは認識
語彙数が変わっても変化しないため、正規化評価値
Ｓ_i′は認識語彙数の影響も少ない。

【００２３】ビーム探索で正規化評価値Ｓ_i′の低い部
分仮説を廃棄する場合、しきい値Ｌを定め、Ｓ_i′＜Ｌ
となる部分仮説を廃棄するが、Ｌは一定数としたり、部
分仮説の時間長に依存した値、例えば部分仮説の時間長
が長ければこれに応じて前記例では負の大きな値に設定
してもよい。図１中の評価値計算処理部４７，４８での
計算方法として式（１）を用い、かつ式（１）のｇ＾
（ｔ）が基準評価値のためのスコア関数ｇ₀（ｔ）と等
しい場合は下記式（３）を用いて正規化評価値Ｓ_i′を
求めることができる。ｇ_i（ｔ）は部分仮説ｉのスコア
関数、ｇ₀（ｔ）は基準評価値のためのスコア関数であ
る。式（３）によれば正規化評価値Ｓ_i′のための計算
処理量を大幅に削減できる。

【００２４】Ｓ_i′＝ max｛ｇ_i（ｔ）−ｇ₀（ｔ）｝（３） maxは各ｔについて｛｝内が最大となるもの基準評価値Ｓ_Oのためのスコア関数ｇ₀（ｔ）の求め方
を以下に示す。＜基準評価値のためのスコア関数の計算方法１＞各音素
ＨＭＭは、通常３つ程度の状態をもっており、その各状
態では、複数の確率密度関数の重み和の出力確率密度分
布をもっている。ここで、各時刻での入力音声の特徴パ
ラメータを全ての出力確率密度分布に与え、最も高い出
力確率密度値を選択し、その対数である時刻ごとの最大
尤度を求める。この最大尤度の時刻進行での累積値を求
め、それを基準評価値のためのスコア関数とする。Ｏτ
を時刻τでの特徴パラメータ、ｐ_j（Ｏτ）を出力確率
密度分布ｊにその特徴パラメータを与えた出力確率密度
値とすると、ｇ₀（ｔ）は式（４）によって与えられ
る。

【００２５】ｇ₀（ｔ）＝Σ maxｐ_j（Ｏτ）（４） Σはτ＝０からｔまで、 maxはｐ_j（Ｏτ）中の全ての
ｊについての最大値通常は一つのＨＭＭから他のＨＭＭ
への遷移は、一つのＨＭＭの終りの状態から、他のＨＭ
Ｍの始めの状態へ遷移するという条件のもとに遷移する
が、このスコア関数は、前記遷移条件をなくし、かつ文
法の制約もなくし、全てのＨＭＭの何れの状態から何れ
のＨＭＭの何れの状態への遷移を許し、かつその遷移確
率を１として、ビタービ計算を行ったときのスコア関数
を示している。探索が進むとｐ_j（Ｏτ）の大部分は、
探索の過程でのトレリス計算で行われているので、その
結果を利用でき計算量が少なくて済む。

【００２６】＜基準評価値のためのスコア関数の計算方
法２＞前記計算方法１においては、全ＨＭＭの全ての状
態の出力確率密度分布から得られる出力確率密度値の最
大値から求めたが、この計算方法２では探索処理の過程
で現在までにトレリス計算によって計算済みの全ての出
力確率密度分布に対する出力確率密度値の最大値から求
める。例えば図２に示すように、各ＨＭＭの各状態の出
力密度分布ｐ₁，ｐ₂，ｐ₃…，を縦軸に、横軸に時刻
ｔをとると、前記図３Ｂの例では先ず無音＃のＨＭＭの
各状態の出力密度分布に対する出力確率密度値が予測さ
れる無音長について、この例では時刻０から３まで計算
され（この計算値が埋められた領域を５１で示す）、最
も短い無音の終了時刻１の次の時刻２から最も長い無音
の終了時刻３の次の時刻４より次の音素ｉのＨＭＭの各
状態の出力密度分布に対する出力確率密度値がそれぞれ
計算される。その計算値が埋められた領域を５２で示
す。同様にして音素ｋのＨＭＭの各状態の出力確率密度
値が図２に領域５３として計算される。探索によりこの
ような計算が進められるが、図２中の各時刻０，１，
２，…における各計算された出力確率密度値の最大値を
求める。この最大値を順次加算してｇ₀（ｔ）とする。
このようにすると探索処理過程で文法の拘束を受けた出
力確率密度分布からスコア関数ｇ₀（ｔ）を計算するた
め、より実際の文法に近いスコア関数が得られる。しか
も、トレリス計算で既に計算された出力確率密度値しか
使わないため、スコア関数ｇ₀（ｔ）のための計算はほ
とんど必要としない。このような計算方法でも、文法で
制約されていない部分の出力確率密度値はトレリス計算
で得られているものより小さいものが大部分と考えら
れ、正しく数ｇ₀（ｔ）が推定される。

【００２７】＜基準評価値のためのスコア関数の計算方
法３＞横型探索法の説明で述べたように部分仮説に音素
を拡張していき、トレリス計算等の照合を行うことによ
りスコア関数を得る。この場合、各部分仮説に任意の音
素の拡張を行えるような文法、つまり無文法で、音素を
拡張していき、対応する音響モデルと入力音声を照合し
て得られたスコア関数の各時刻での最大値を基準評価値
のためのスコア関数とする。この場合はＨＭＭの遷移制
約は残しておく、この方法は上記２つの方法よりも文法
的拘力が強く、これを用いることにより精度の高い正規
化評価値Ｓ_i′を求めることができるが、計算量も多く
なる。

【００２８】＜基準評価値のためのスコア関数の計算方
法４＞基準評価値のためのスコア関数の計算方法３にお
いて、任意の音素の拡張を行えるような文法ではなく、
日本語特有の音素配列構造のみを許す文法により、尤度
計算を行い、得られたスコア関数を前向きのヒューリス
ティック関数とする。日本語特有の音素配列構造を許す
音素列とは、例えば「ｏｍｏｓｈｉｒｏ
ｉ」や「ｓｕｔｏｒａｉｋｕ」という
ように一般に子音の後には子音が来ないという制約を示
している。「ｓｔｒａｉｋ」という音素の連鎖
は英語での音素配列構造を満たしているが、日本語の音
素配列構造とはなっていない。

【００２９】計算方法３および計算方法４におけるｇ₀
（ｔ）を計算する際の音素を拡張する文法は、探索のた
めの部分仮説を作成するための文法を包含する文法と言
える。＜基準評価値のためのスコア関数の計算方法５＞最終的
な正解の部分仮説は、そのスコア関数も他の部分仮説よ
りも大きくなっている場合が多い。そこで、探索の過程
で計算された全ての部分仮説のスコア関数ｇ₁（ｔ），
ｇ₂（ｔ），ｇ₃（ｔ），…の各時間ごとの最大値をｇ
₀（ｔ）とする。式で表現すると次のようになる。

【００３０】ｇ₀（ｔ）＝ maxｇ_i（ｔ）（５） maxはｇ_i（ｔ）の全てのｉ中最大のものこの計算方法ではｇ₀（ｔ）のための計算量をほとんど
必要としない。＜基準評価値のためのスコア関数の計算方法６＞基準評
価値Ｓ_Oを求めるためのスコア関数ｇ₀（ｔ）の計算
は、音素の識別をする必要はなく、スコアを求めること
ができればよいから、各音素ごとのＨＭＭを用いる必要
がなく、図１に点線で示すように認識用の音響モデル１
５とは別の音響モデル４６を用いてもよく、この音響モ
デル４６としては、例えば一つまたは数個の音響モデル
でも、多くの状態数を設けることにより、認識対象を包
含している音響現象を全て表現できるように構成したも
のでもよく、この一つの音響モデルを繰り返し使用し、
または数個の音響モデルの場合は、これらを任意に選択
して連結して入力音声と照合してもっともらしいものを
求めてｇ₀（ｔ）を求めてもよい。

【００３１】一部変形の説明上述において、評価値を求めるため前向きヒューリステ
ィック関数を求めたが、例えば「南等“番号案内を対象
とした大語い連続音声認識アルゴリズム”電子情報通信
学会論文誌Ａ．vol.Ｊ７７−Ａ，No. ２，pp. １９０〜
１９７．１９９４」に示されているように、音声の終端
から後向きに推定した全ての仮説に共通な推定尤度関数
ｈ＾（ｔ）を求めておき、これをスコア関数ｇ_i（ｔ）
に加算して評価値Ｓ_iとしてもよい。さらに、この発明
は音素を単位としての音声認識のみならず、音節、半音
節、単語などを単位として認識する場合にも適用され
る。

【００３２】以下に実験例を示す。音素バランス２１６
単語の奇数番号１０８単語を対象とした単語認識におい
て、語彙内単語として奇数番号１０８単語、語彙外単語
として偶数番号１０８単語の音声データを与え認識を行
った結果で評価を行った。探索中、廃棄の性能を評価す
る値として、語彙内の単語認識での認識率を全体の認識
率、語彙内の単語認識で“認識結果なし”と判定される
割合を誤棄却率、語彙外の単語認識で“認識結果が棄却
されない”割合を誤受理率、誤棄却率と誤受理率の平均
を誤判定率とした。つまり、認識率を保った状態で誤判
定率を低く抑えられる場合に廃棄の性能が良いと考えら
れる。

【００３３】以上の評価を廃棄の強さを変化させて行っ
た。これには部分仮説を棄却するためのしきい値Ｌとし
て、時刻ｔに比例したθ・ｔを用い、θの値を変えるこ
とによって廃棄の強さを変えた。θの値が大きいほど強
い廃棄となる。音声データとしてはＡＴＲの音声データ
ベースのうちＭＡＵ，ＭＨＴ，ＦＡＦ，ＦＳＵの４人の
話者を評価に用いた。また、実験システムとしてＨＭＭ
−ＬＲ音声認識サーバを用いた。ただし、音響モデル
は、状態数３，混合分布数４で音素モデル数５４個の不
特定話者用環境独立型混合連続分布ＨＭＭで、音響学会
連続音声データベース９６００文より学習したものを使
用した。今回の実験では任意の音素の組み合わせの連鎖
を基準評価値用の仮説とし、その尤度関数を前向きヒュ
ーリスティック関数とした。

【００３４】図５に話者ＭＨＴの場合の動的廃棄の強さ
を変化させたときの認識性能、廃棄性能の変化を示す。
図での認識処理時間、照合回数は全探索でのそれぞれの
値を用いて正規化した値を示す。図からわかるように、
例えばθ＝０付近を見るとわかるように認識率を保った
状態で廃棄の効果がある。また照合回数が抑えられてお
り、不要な部分仮説の棄却が行われていることがわか
る。しかし、今回の単語認識実験では語彙が小さいた
め、ヒューリスティック関数を求めるための計算量が相
対的に大きくなり、全体の認識処理時間は全探索を行う
場合とほとんど変わらなかった。ただし、このヒューリ
スティック関数を用いて部分仮説の個数一定のビーム探
索を行う場合、同等の認識率を得るには全探索の1.２倍
程度の認識処理時間を必要とする。よって、この条件で
の実験でも、個数一定のビーム探索に比べ、この発明方
法の方が廃棄の機能があり、しかも認識処理時間が短い
結果となった。

【００３５】

【発明の効果】従来の部分仮説の評価値の絶対値が話
者、認識語彙数、入力音声長に依存するのに対し、この
発明では、部分仮説の評価値を同一入力音声から求めた
基準評価値により正規化しているため、話者、認識語彙
数、入力音声長に依存しない正規化評価値が得られ、探
索の過程での見込みのない部分仮説の廃棄を効果的に行
うことができる。これより、正規化評価値のためのしき
い値は同じ値で様々な用途に音声認識を利用でき、利用
者の設定の負担を減らすことができる。

【００３６】また、入力された音声が文法の許さない内
容の場合、従来の探索では文法内のもっとも近い候補で
ある間違った結果を出力することになり、利用者の発声
ミスと音声認識の誤認識との区別を示すことができなか
った。しかし、この場合この発明では、探索の過程で全
ての部分仮説が廃棄され、認識結果なしとなり、利用者
に発声の誤りを知らせることができる。利用者の発声ミ
スを早期に発見して示すことは実用の音声認識において
重要である。

【００３７】この発明の方法の効果を以下に列挙する。・探索の過程での見込みのない部分仮説の廃棄を効果的
に行える。・設定しなければならないしきい値は、話者、認識語彙
数、入力音声長に依存しないので、利用者の設定の負担
を減らすことができる。・入力された音声が文法の許さない内容の場合、探索の
過程で早期に認識が行えないことを検出でき、利用者の
発声ミスを知らせることができる。

【図面の簡単な説明】

【図１】この発明方法の要部である部分仮説の正規化評
価値を求める手法の例を示す図。

【図２】基準評価値のためのスコア関数計算方法２を説
明するためのトレリス計算にてなされた出力確率密度値
の例を示す図。

【図３】Ａは音素を認識の単位とした音声認識方法の処
理を示す図、Ｂは木構造によって表現される文法を示す
図である。

【図４】トレリス計算の結果得られるスコア関数を示す
図。

【図５】この発明方法について行った実験の結果を示す
図。

Claims

【特許請求の範囲】

【請求項１】音声単位で構成された木構造の文法に基
づいて、入力音声の発生内容に関する一つあるいは複数
の仮説を、音声単位を漸次的に追加連結および分岐して
生成し、その際に上記木構造の音声単位の深さごとに、音響モデ
ルに基づいて、入力音声に対する各仮説におけるそれま
での部分仮説のもっともらしさを評価して部分仮説評価
値を求め、上記各仮説についてのもっともらしさから認識結果を求
める音声認識方法において、上記木構造の音声単位の深さごとに、上記入力音声の発
声内容が正解であると仮定したときの評価値を推定して
基準評価値とし、その基準評価値で対応する深さの上記部分仮説の評価値
を正規化し、その正規化した評価値がしきい値以下の部分仮説を廃棄
することを特徴とする音声認識方法。
【請求項２】上記文法を包含する文法に基づいて、上
記入力音声の発声内容に関する仮説を、音声単位を漸次
的に追加連続して生成し、上記入力音声を、部分仮説と
対応した上記音響モデルと照合してスコア関数を求め
て、上記基準評価値を得ることを特徴とする請求項１記
載の音声認識方法。
【請求項３】認識対象を包含している音響現象を表現
する少なくとも一つの基準評価値用音響モデルの部分仮
説と対応したものと、上記入力音声を照合してスコア関
数を求めて、上記基準評価値を得ることを特徴とする請
求項１記載の音声認識方法。
【請求項４】上記入力音声を上記部分仮説と対応した
音響モデルと照合してスコア関数を求めて、上記部分仮
説評価値を得ることを特徴とする請求項２または３の何
れかに記載の音声認識方法。
【請求項５】上記音響モデルは隠れマルコフモデルで
あることを特徴とする請求項４記載の音声認識方法。
【請求項６】各時刻ごとに上記隠れマルコフモデルの
全ての出力確率密度値の最大値を求め、その最大値を累
積して上記基準評価値を得るためのスコア関数を計算す
ることを特徴とする請求項５記載の音声認識方法。
【請求項７】各時刻において、上記部分評価値を得る
ために計算された隠れマルコフの出力確率値中の最大値
を選び、その最大値を累積して上記基準評価値を得るた
めのスコア関数を計算することを特徴とする請求項５記
載の音声認識方法。
【請求項８】上記文法を包含する文法は、音声単位に
対応した音響モデルの任意の組み合わせを許すものであ
ることを特徴とする請求項２記載の音声認識方法。
【請求項９】上記音声単位に対応した音響モデルの組
み合わせに、日本語特有の音素配列構造の制約を用いる
ことを特徴とする請求項８記載の音声認識方法。
【請求項１０】上記入力音声を、部分仮説と対応した
上記音響モデルと照合してスコア関数を求めて上記部分
仮説評価値を得、上記基準評価値を、各時刻における上
記スコア関数の最大値を求めることにより得ることを特
徴とする請求項１記載の音声認識方法。
【請求項１１】上記部分仮説の評価値を、全ての部分仮
説に共通な前向きヒューリスティック関数を求め、各部
分仮説のスコア関数と上記前向きヒューリスティック関
数との差をとり、その差の最大値と対応する値として求
めることを特徴とする請求項４乃至１０の何れかに記載
の音声認識方法。
【請求項１２】上記前向きヒューリスティック関数と
して、上記基準評価値を求めるために得られたスコア関
数を用いることを特徴とする請求項１１記載の音声認識
方法。