JPH11231895A - 音声認識方法及びその装置 - Google Patents

Abstract

(57)【要約】 【課題】 登録した話者のみ音声認識を話者登録で行わ
せることができる。 【解決手段】 話者がキーワード音声を発声し、その音
声信号を音響パラメータ系列に変換し（１３）、その音
声特徴量の時間的パターン（キーワード、話者音声の各
特徴を含む）をテンプレートとしてメモリ３２に予め登
録し、認識動作時に、入力音声の登録パターン系列と登
録テンプレートとの照合を行い（３３）、キーワードと
話者とが一致した時のみ、一致が検出され、一致が検出
されると、その後入力される音声信号を音声認識部で認
識させる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は始めにキーワード
を発声し、そのキーワードが登録されたものと一致すれ
ば、続いて入力される音声を音声認識する音声認識方法
及びその装置に関する。

【０００２】

【従来の技術】従来、音声認識装置における音声入力手
段としては、いくつかの方法がとられてきた。第１の方
法は、マイクを常に動作させておき、入ってきた信号の
パワーの大きな領域を切り出して、それを音声認識部に
送る方法がある。しかし信号が雑音であっても、マイク
の背景で話をしている人の音声であってもパワーが大き
ければすべて切り出してしまうという問題があった。な
ぜなら雑音と音声の識別は困難であり、また、音声認識
装置に向かって意図して発声されたものであるか、単な
る独り言であるかの識別は更に困難であるからである。

【０００３】第２の方法は、音声入力時にボタンなどを
押しながら発声する方法がある。しかし、ボタンを押す
前に発声を開始してしまうなど、タイミングとのずれに
よる切り出しミスなどが問題となる。第３の方法は、シ
ステム側から発信音などを出力し、発声のタイミングを
知らせる方法がある。これもシステム側主導の手段であ
るため、発声のタイミングのずれなどが問題となる。

【０００４】第４の方法として、入力時に常に決められ
たキーワードを発声し、それに続いて認識させたい単語
や文章を発声する方法が考えられる。システムは始めに
キーワードを検出し、それに続く音声を認識する。しか
し、キーワードのみの登録では、誰がキーワードを発声
してもシステムはこれを検出し音声認識部を動作させて
しまうという問題が生じる。

【０００５】

【発明が解決しようとする課題】この発明の目的は、キ
ーワードを登録した利用者がその登録キーワードを発声
した場合にのみ続いて入力される音声の音声認識を可能
とする音声認識方法及びその装置を提供することにあ
る。

【０００６】

【課題を解決するための手段】この発明は、キーワード
のみならず、それを発声した話者の音声特徴も登録され
た話者のものと一致するかどうかを識別することを最も
主要な特徴とする。作用 この発明では話者識別は、キーワードを発声した話者
が、キーワードと話者音声の音声特徴の両者で登録され
た話者であるかどうかを判別する。そのため予め登録さ
れたキーワードを、登録された話者が発声しない限り、
音声認識部への信号入力端を開くことができない。登録
された話者がキーワードを発声した場合にのみ、それに
続く音声を認識させることができる。したがって、登録
した本人のみが音声認識を介してパソコンやゲーム機器
など各種機器の操作を命令するといったことが可能にな
る。登録された使用者からすれば、キーワードを発声
し、それに続いて認識させたい文章や単語を発声すれば
よく、一連の発声で入力が完了するのでわずらわしさが
ない。

【０００７】音声を鍵として使うことは、音声認識部の
誤動作防止にも役にたつ。入力用マイクを常にオンにし
ている場合、ボタンを押すなどの操作なしに、マイクに
向かって発声すればよいのでわずらわしさがなく、ヒュ
ーマンインタフェースとして好ましい。しかし、周囲の
雑音、話し声、認識させる意図のない発話などをマイク
から拾ってしまうので音声認識部が誤動作してしまう。
この場合、使用者の意図なしに動作してしまうので、使
用者は音声認識装置がどのような状態に移ったのかわか
らず戸惑ってしまう。この発明のような音声の鍵を用い
れば、キーワードが発声されたときのみ音声認識部が動
作モードになるので誤動作がなくなるという利点があ
る。

【０００８】

【発明の実施の形態】実施例１ 図１にこの発明の第１の実施例を示す。信号入力端子１
１から入力された信号はＡ／Ｄ変換部１２においてディ
ジタル信号に変換され、音響パラメータ抽出部１３で音
響パラメータが抽出される。キーワードおよび音声特徴
量登録時は、登録・認識スイッチ１４を登録用端子１６
につなぐ。キーワードを登録する際には、キーワードを
発声した音声の音響パラメータをキーワード登録部１８
へ入力する。キーワードの音声は、登録しようとする本
人が発声したものでもよいし、また、他人が発声したも
の、合成音声などでもよい。要は、キーワードの音素系
列に従った音声特徴が入力されればよい。この音声特徴
とは、発声内容が固定されたときにあらわれるスペクト
ル（ＬＰＣスペクトル、ＦＦＴスペクトル、ＬＰＣケプ
ストラム、ＦＦＴケプストラム、ＬＰＣメルケプストラ
ム、ＦＦＴメルケプストラム、など）、その単位時間変
化量、発声の開始端から終端までの時間的な変化パター
ンやパワーパターンなどを指す。これらはキーワード登
録部１８で抽出され、キーワード情報メモリ１９へ蓄え
られる。話者音声特徴を登録する際には、登録する話者
の音声の音響パラメータを音声特徴登録部１１１へ入力
する。この時の入力音声は絶対に本人が発声したもので
なければならない。ただし、発声内容はキーワードと同
じである必要はなく、話者音声の特徴が抽出できる音声
であればよい。音声特徴登録部１１１では、話者固有の
音声特徴を抽出し音声特徴メモリ１１２へ蓄積する。話
者固有の音声特徴には、ピッチ周波数の高さ、その単位
時間変化量、パワーの単位時間時間量などがある。発声
内容が未知であっても、発声全体のスペクトルを観測
し、クラスタ化すれば、話者固有の代表的なスペクト
ル、単位時間スペクトル変化量などを知ることができ
る。なお、音声特徴登録とキーワード登録の順序は、ど
ちらが先になっても構わない。

【０００９】音声認識装置使用時は、登録・認識スイッ
チ１４を認識用端子１５につなぎ、信号を入力端子１１
から入力する。この信号から音響パラメータを抽出しキ
ーワード検出部１７へ送ってキーワードを監視する。キ
ーワードが入力されたと判断された場合は音声特徴照合
部１１０で、それが登録された話者の音声特徴と一致す
るかどうかを判断し、登録話者の音声特徴であると判断
された場合は、そのキーワードに続く音声の音響パラメ
ータを音声認識部入力端子１１３に送る。

【００１０】音声切り出し部１１７で切り出された音声
は音声認識部１１４に送られ、音声モデルメモリ１１５
から読み出されたモデル情報と認識辞書１１８をもとに
キーワードに続く発声内容を認識する。認識結果は認識
結果出力部１１６へ送られる。音声モデルは単語よりも
短い音声単位で構成し、かつ、不特定話者の音声を認識
できるようにしておく。こうすると認識用辞書は文字で
書かれていれば良く、それに従って音声モデルを連結
し、音声認識用の音声特徴パターンを作成して認識する
ことができる。文字で書かれた認識用辞書は変更が容易
である。

【００１１】なお、図１ではキーワード検出部１７が音
声特徴照合部１１０よりも先に配置されているが逆であ
ってもかまわない。すなわち、入力信号が登録話者の音
声であるかどうかを常に監視し、登録話者の音声である
場合にそれがキーワードであるかどうかを判断してもよ
い。登録話者は一人であってもよいし、複数人であって
もよい。複数の場合は、登録された話者のいずれかの話
者が登録したキーワードを発声したときに、そのキーワ
ードに続く音声信号を認識する。また、一人の話者が複
数のキーワードを登録してもよい。

【００１２】他人がキーワードを登録する場合とは、例
えば、システム作成者がキーワードを選択し、システム
作成者が登録しておく場合である。そのキーワードが何
であるかを話者登録、つまり話者の音声特徴を登録した
使用者が何らかの手段でシステム作成者から知り得た後
に、音声認識装置を使えるようにするような場合であ
る。

【００１３】登録する単語やフレーズ、つまりキーワー
ドの発声内容については、システムが登録話者に提示す
る方法もある。複数の話者が登録する場合、単語の音素
系列が似ていると識別が困難になり識別精度が悪くなる
可能性がある。そこで、システム側にとって識別に都合
がよい単語を発声するように提示し、識別精度を向上さ
せる。例えば、予めシステムが識別しやすいキーワード
のセットを用意しておき、順次提示するなどの方法があ
る。 実施例２ 実施例１において、キーワードを文字で登録する。シス
テムは、音素など単語よりも短い音声単位について、不
特定の話者に対応できる音声特徴のパターンを予め用意
しておく。そして、図１に破線で示すように入力端子２
１より入力された登録されるべき文字列に従って検索部
２２で音声モデルメモリの対応する音声モデルを順次検
索し、それらを連結し、キーワードの音声特徴パターン
をつくり、キーワード情報メモリ１９に蓄える。話者の
音声特徴は実施例と同じく登録者本人の音声により行
う。 実施例３ 図２にこの発明の第３の実施例を説明する。これはキー
ワード登録と話者音声特徴登録を分けずに行う方法であ
る。登録話者が登録するキーワードを実際に発声して、
テンプレート登録部３１で、その音声特徴量の時間パタ
ーンをテンプレートとしてキーワードと話者音声特徴の
登録をテンプレートメモリ３２に同時に行う方法であ
る。キーワードの音声特徴量の時間パターンにはキーワ
ードに含まれる音素系列に依存した特徴と、各音素の音
声特徴量に現れる話者に依存した特徴が含まれている。
つまり、発声された音声の各音素の音声特徴は、どの話
者にも見られる典型的な特徴と、さらに話者固有の特徴
も付加されているということである。したがって、キー
ワードの音声特徴量を直接入力音声と比較することによ
り、発声内容と話者の照合が可能になる。音声特徴に
は、スペクトル、単位時間スペクトル変化量、単位時間
パワー変化量などがある。実施例１のキーワード検出部
１７では、発声内容のみの照合を行っているのに対し、
図２のキーワード検出・話者識別部３２ではさらに話者
の照合識別も行っているので、識別の際の判定はより厳
しく行う必要がある。したがって、この実施例では、キ
ーワードの登録は他人が行ったり、文字で行ったりする
ことはできない。ただし、キーワードに依存した詳細な
特徴をとらえることができるので、照合の精度は実施例
１，実施例２よりも高くできる可能性がある。

【００１４】キーワードに続く音声を認識するために、
単語よりも短い音声単位について音声パターンを用意し
ておきこれらを連結することにより認識単語のパターン
を作成し認識する。上記音声パターンを不特定話者に対
応できるパターンにしておく。認識させたい単語、文章
は上記音声単位を連結して作成するので、認識語彙は文
字で登録すればよく、話者がそれぞれの単語を発声する
必要がなくなり容易にシステムを構築できる。

【００１５】認識用辞書によく使われる標準的な語彙セ
ットを用意してこれを用いれば、使用者は音声認識部を
起動させるためのキーワードのみを発声すればよく簡単
にシステムが構築できる利点がある。この実施例のキー
ワード検出・話者識別を実現する技術として、動的計画
法に基づくマッチング（ＤＰマッチング）法を用いるこ
とができる。ＤＰマッチング法では、登録されたテンプ
レート音声特徴量と入力音声とのマッチング距離がある
しきい値以下（類似度の場合はしきい値以上）である場
合に検出・識別したとみなし音声認識部を起動する。音
声認識部は隠れマルコフモデル（Hidden Markov Model:
HMM)法により音声単位モデルを作成し、認識用辞書を用
いて単語単位に連結して認識する。ＨＭＭ法は不特定話
者の音素モデルを作成する場合に認識性能が高い手法で
ある。

【００１６】上述において複数の利用者が同一のキーワ
ードを用いてもよい。

【００１７】

【発明の効果】この発明によれば、以上説明したよう
に、単語、文節などのキーワードを登録された話者が発
声した場合にのみ、それに続く文章または単語を認識す
るので、音声認識装置を不特定多数の人に使わせるので
なく、特定の利用者に限って使用させることがてきるの
で、特定個人向けの認識装置を構築できる利点がある。
他人に知られたくない個人の情報などを音声認識を介し
て操作したい場合など秘密保持の利点がある。

【００１８】登録話者を複数にすれば、登録話者グルー
プ内の人に限って音声認識装置を使用させることも可能
である。また、登録話者が複数である場合、各登録話者
ごとに必要な認識用辞書を設定しておき、それに従って
音声認識をすることも可能である。さらに、登録話者が
一人であって、キーワードを複数個登録すれば、キーワ
ードごとに認識用辞書を変更できるので、場面に応じて
発声するキーワードを変え、適切な音声認識辞書を呼び
出して認識することができる。

【００１９】キーワードを発声してそれに続いて認識さ
せたい音声を発声する利用者主導の音声入力方法は利用
者への負担が少ないという利点がある。周囲の雑音を拾
って音声認識装置が誤動作することの防止にも役立つ。

【図面の簡単な説明】

【図１】この発明の第１の実施例の機能構成例を示すブ
ロック図。

【図２】この発明の第３の実施例の機能構成例を示すブ
ロック図。

フロントページの続き (72)発明者 本間 茂 神奈川県横浜市中区不老町二丁目９番１号 エヌ・ティ・ティ・インテリジェントテ クノロジ株式会社内 (72)発明者 橋戸 忠久 東京都武蔵野市御殿山一丁目１番３号 エ ヌ・ティ・ティ・アドバンステクノロジ株 式会社内

Claims (12)

【特許請求の範囲】
1. 【請求項１】 単語や文節などのキーワードを音声の特
   徴量系列としてメモリに予め登録しておき、キーワード
   検出過程で入力音声が登録されたキーワードと一致する
   か否かを判断し、一致すると判断された場合は、上記キ
   ーワード入力音声に続いて入力される音声を、音声認識
   過程で音声認識する音声認識方法であって、 話者の音声の音声特徴をメモリに予め登録しておき、 上記入力音声の特徴と上記登録音声特徴と一致するか否
   かを判定し、 入力音声が上記登録されているキーワードと一致し、か
   つその入力音声の特徴が登録されている音声特徴と一致
   することを条件として上記音声認識過程に移ることを特
   徴とする音声認識方法。
2. 【請求項２】 上記キーワード登録時に、上記キーワー
   ドの音声信号を入力させ、各音素の音声特徴量系列とし
   て上記メモリに登録することを特徴とする請求項１記載
   の音声認識方法。
3. 【請求項３】 登録する話者がキーワードを発声し、そ
   の発声されたキーワード音声信号にもとづき上記キーワ
   ードの登録と、上記音声特徴の登録とを行うことを特徴
   とする請求項１記載の音声認識方法。
4. 【請求項４】 上記キーワードを文字列として入力し、
   その各文字に従って音声モデルを検索して、キーワード
   の音声特徴量系列を作り上記メモリに登録することを特
   徴とする請求項１記載の音声認識方法。
5. 【請求項５】 単語や文節などのキーワードを音声の特
   徴量系列としてメモリに予め登録しておき、話者認識過
   程で入力音声で登録されたキーワードと一致するか否か
   を判断し、一致すると判断された場合は、上記キーワー
   ド入力音声に続いて入力される音声を、音声認識過程で
   音声認識する音声認識方法であって、 登録する話者が上記キーワードを発声し、その音声信号
   の音声特徴量の時間パターンをテンプレートとして、上
   記メモリに格納して上記キーワードの登録を行い、 上記話者識別過程で、入力音声の音声特徴量の時間パタ
   ーンを検出し、これと上記登録されているテンプレート
   とを照合し、照合がとれると、キーワードの一致と話者
   の音声特徴の一致が同時成立したと判断して上記音声認
   識過程に移ることを特徴とする音声認識方法。
6. 【請求項６】 その音声認識方法が適用された音声認識
   装置から、登録すべきキーワードを利用者に指示し、こ
   れを登録する話者が発声して登録を行うことを特徴とす
   る請求項１，３又は５の何れかに記載の音声認識方法。
7. 【請求項７】 上記入力音声の発声特徴量の時間パター
   ンと上記テンプレートとの照合をＤＰマッチング法にも
   とづき行うことを特徴とする請求項５記載の音声認識方
   法。
8. 【請求項８】 上記音声認識過程は、単語より短かい音
   声単語を基本単位として、これを連結することにより、
   認識すべき単語、文節、文章の音声特徴量パターンを作
   成して認識することを特徴とする請求項１乃至７の何れ
   かに記載の音声認識方法。
9. 【請求項９】 上記音声認識過程は隠れマルコフモデル
   に基づく手法を導入しており、不特定の話者の音声認識
   に対処できる基本単語で作成されていることを特徴とす
   る請求項８記載の音声認識方法。
10. 【請求項１０】 入力音声信号を音響パラメータ系列に
    変換する音響パラメータ抽出手段と、 単語、文節などのキーワードの音声の特徴量系列がキー
    ワード情報として格納されているキーワード情報メモリ
    と、 話者の音声の特徴が格納されている音声特徴メモリと、 音声認識手段と、 上記音響パラメータ抽出手段よりの音響パターン系列と
    上記キーワード情報メモリのキーワード情報と一致する
    か否かを判定するキーワード検出手段と、 上記音響パラメータ抽出手段よりの音響パラメータ系列
    の音声特徴が上記音声特徴メモリに格納されている音声
    特徴と一致するか否かを判定する音声特徴照合手段と、 上記キーワード検出手段及び上記音声特徴照合手段が共
    に一致検出すると、上記音響パラメータ抽出手段よりの
    音響パラメータ系列を上記音声認識手段で音声認識させ
    る手段とを具備する音声認識装置。
11. 【請求項１１】 入力音声信号を音響パラメータ系列に
    変換する音響パラメータ抽出手段と、 単語、文節などのキーワードの音声の特徴量の時間パタ
    ーンをテンプレートとして格納するテンプレートメモリ
    と、 音声認識手段と、 上記音響パラメータ抽出手段よりの音響パターン系列と
    上記テンプレートメモリのテンプレートとが一致するか
    否かを判定するキーワード検出・話者識別手段と、 そのキーワード検出・話者識別手段が一列と判定する
    と、上記音響パラメータ抽出手段よりの音響パラメータ
    系列を上記音響認識手段で音声認識させる手段とを具備
    する音声認識装置。
12. 【請求項１２】 登録処理と認識処理との何れかを選択
    する処理選択手段と、 処理選択手段が登録処理を選択している状態で、音響パ
    ラメータ抽出手段よりの音響パラメータ系列を上記メモ
    リに対し、対応する格納処理をする手段とを備え、 上記処理選択手段が認識処理を選択状態で上記音響パラ
    メータ抽出手段の出力音響パラメータ系列に対し、上記
    判断処理を行わせる手段とを具備することを特徴とする
    請求項１０又は１１記載の音声認識装置。