JPS58224394A - 連続単語音声認識装置 - 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】 本発明は連続単語音声認識装置における比較操作の方法
を改良し、認識率の向上を図った装置に関する。

従来この種の連続単語音声認識装置（以下認識装置と略
す）は、まず利用者にあらかじめ認識させる単語をひと
通り単独に区切って発生させ（以下孤立単語と呼ぶ）、
単語毎の音声バタンを標準バタンとして装置内に記憶さ
せ（上記操作を標準バタンの登録と呼ぶ）、次に、入力
される連続単語音声（以下入力バタンと呼ぶ）に対して
、各標準バタンとの間で比較操作（バタンマツチング）
を行い、両者の一致の度合（類似度）を調べ、最大一致
の得られる標準バタンの組合せを決定し、これと同じ単
語に属すると判定する方法がある。

この方法を能率よく、かつ精度よく実現する方法として
、動的計画法（ダイナミックプログラミング、以下ＤＰ
と略す）ｔｌ−利用した認識技術が知られている。（「
特願昭５０−１３２００３および１３２００４号」、以
下引用文献と称す）。本引用文献には上記バタンマツチ
ング法によるｇ識装置の動作原理が記載されている。こ
の原理の概要は次のようである。何個かの単語が連続し
ている入力バタンに対し、何個かの標準バタンｔｌ−あ
らゆる順列で接続することによって得られるバタンを入
力バタンの標準バタンと考えて、入力バタン全体とのマ
ツチングを行なう。この結果得られる類似度が最大とな
るような標準バタンの個数と順列組合せを定めることに
よって認識を行なう。実際には上記最大化を単語単位で
の最大化処理と、全体レベルでの最大化処理に分割し、
各最大化処理をＤＰを利用して実行することＫより、処
理量を低減し実用的な処理速度を達成している。以上述
べた引用文献記載の方法が、従来では最も有効な認識法
であると考えられる。

しかしながら、上述の方法等によや連続単語音声が認識
可能であるとしても、実用に供する場合には、種々の要
因により誤認識が生ずる。特に利用者の発声速度がある
程度速くなると、発音の々まけ等により、孤立単語によ
る標準バタンと入力バタン中の該尚単語バタンとの間で
時間的のみならず周波数構造的にもずれが生じ、単に時
間軸正規化マツチングのみでは対処しきれない場合があ
る、特に孤立単語と連続単語中の該当する単語間では入
力バタンを構成する単語系列により、各単語の端点付近
において、孤立単語の周波数構造と大きく異なることが
ある。例えば数字単語音声「０」、「１」、・・・「９
」を標準バタンとして連続数字を認識する場合を考えて
みよう。一般に、日本語の場合数ｒ６　Ｊ　１ｒｏｋｕ
ｌ　　（ｌ　ｌは発音内容を示す）を単独で発声する場
合、語尾の１−ｋｕｌ　の部分は有声化することが多い
。一方連続単語中での１６」は後続数字により１ｒｏｋ
ｕｌのｋｕの部分が無声化することがある。例えば後続
数字が「３」１ｓａｎｌＯ時には通常無声化し、「６３
」はｌ　ｒ−ｏｋｕｓａｎｌではなく　１ｒｏｋｓａｎ
ｌと発声される傾向が強い。従って標準バタンとして単
独に発声された数字「６」のみでは、こうしたバタンの
変化に対処できず結果として認識率の低下をひきおこす
ことに々る。同様のことは英語数字に対しても存在する
。例えばｒ　８　Ｊ　（ｅｉｇｈｔ）、ｒ６Ｊ（ｓ−ｉ
ｘ）　　における語尾は単独に発声させた場合比較的明
確にＬ声されるが、後続単語が存在するときには語尾の
１−ｔｌ、！−ｘｌはほとんど発声されない場合が多い
。

このように、単独で発声した単飴ノ（タンと連続単語バ
タン中のそれとは時間的に変化する周波数構造において
、特に単語の端点付近で大きな違いが存在する場合があ
る。この違いに対処するために、標準バタン登録時に、
強制的に発声法を変え、語尾の無声化し九発声、あるい
は通常の発声とは異なる不自然な発声法を行ない標準）
（タンに登録する方法も考えられるが、上記方法では連
続単語中での単語内の変化に対し、十分に対処できる単
語バタンを得ることは困難であり、ま九利用者にも余分
な負担を与え、現実的方法とはいえない。

上述のように、従来の孤立単語のみで標準）くタンを構
成する認識装置においては、連続単語中で生ずる周波数
構造の変化に十分対処することが困難となり、認識率が
低下するという問題があった。

本発明の目的は、入カッくタンの時間的変動や周波数構
造的変化の影響を弱めることにより上述の問題点を除去
できる連続単語認識装置を提供することにある。

本発明の特徴は、入力バタンの変動や変化が孤立単語の
端点に相当する部分に大たくあられれることに注目して
、単語単位での最大化処理を行う際に、標準バタンの端
点に近づくに従い入カッ（タンとの類似比較の尺度（重
み）を相対的に小さくすることＫよシ、全体レベルでの
最大化処理が確実に々る。即ち高精度で連続単語音声を
認識するようにしたことにある。従ってこの発明による
連続単語音声認識装置は、前述の連続単語中の周波数構
造の変化に対し十分対処することが可能となり、従来装
置に較べ、より高い認識性能を達成できる。

次に図面を参照して本発明の詳細な説明する。

最初に本発明の装置が実行する動作原理を数式的に表現
すると次のようになる。マイクロホ′ン等により入力さ
れる音声信号は周波数分析回路により分析処理され、周
波数構造等を表わす多次元特徴ベクトルａｉ　の時系列
バタンＡとして表わすことができる。

Ａ”’　ａｓ　＋　”ｚ　＋　”’＋　ａｉ　、”’＋
　ａｐ　　　　（１）一方単独に発声された各単語（孤
立単語）パタンも、同様に分析され時系列パタンＢとし
て表わすことができる。

Ｂｎ””　ｂｌ　＋　ｂ２　＋　”’＋ｂｊ　＋　　”
’　”’　　　（２）ｎは単語を識別するための添字で
ある。

ｋを連続単語に含まれる単語数として最大問題Ｔ　＝　
（ｍ（ｋｌ［：Ｓ　（Ａ　、　Ｂｎ（１）（Ｅ）　３３
ｎ（”）（ｉ）　、、、■Ｂｎ（ｋｌ）〕〕　　　　　
　　　　・・・・・　　（３）を計算し、最適なパラメ
ータ（単語名）　ｎｆｋｌ　＝’Ｗｋ）（ｋ＝１．２．
・・・、Ｋ）を求め、同時に区分点１（ｋｌ点を求める
。ここで■はパタンの接続を表わす演算子である。例え
ばＢ　０８ｍは ｆｉ　　　　ｍ　　　　ｎｎ Ｂ■Ｂ　　＝ｂ１．ｂ２．　　・・・・・ｂＪ：ｌｂｌ
　　ｂｉ＋ｂＢ　　　（４） （３）式の最大化をｋおよびｎ　（ｋｌに関する総当り
法で計算すると膨大な計算量が必要となるが、引用文ハ 献と同様に（３）式の最大化計算を単語単位での処理と
全体としての処理の２段階に分割することで実用的な処
理速度を可能とする。すなわち、（１）式で表わされる
入力バタンＡの１−１＋１よりｉ＝ｍまでの部分区間と
して部分パタンＡ（ｆｉ、ｍ）を定義する。

Ａ　（Ｌｍ）＝ａＬ＋−１、ａｆｉ＋２　、　・、ａｍ
以下では、！ｌを始点、ｍを終点と称する。いま入力バ
タンＡに（Ｋ−１）個の区分点１）　、　Ｎ（２）　、
・・・ｆｆｉ　ｆｋ＋・・・、１（１０゜ １〈Ｑ（１）〈υ（２）〈・・・・・−＜１（ｋ＝）−
Ｊ（６）−Ｉを仮定して、入力バタンＡｔ−に個の部分
パタンに分割する。

Ａ＝Ａ　（１、ｆｆ１（１））■Ａ（ρ（１）、　ｆｆ
１（２））■・・・■Ａ（ｆｉ（ｋ−１）、ｔｌｆｋｌ
）■・・・・・・■Ａ（Ｑ（Ｋ−１）、Ｉ）・・・（５
）一方、パタン間の時間軸正規化類似度を定義すると、
類似度Ｓ（Ａ、Ｂ）はパタンの接続分解に関して次の性
質を有する。

Ｓ（Ａ、　Ｂ”０８ｍ）−ｍａｘ（Ｓ（Ａ（１，ｆｌ）
　、　Ｂ”）■υ ５（Ａ（ｆｉ、Ｉ）、Ｂ”）］（６） （３）式に（５）式を代入し、さらＫ　（６）式の関係
を繰返しとなり、（７）式の最大化問題は次のように分
解して計算することができる。

（１）類似度　５（Ａ（Ｑ、ｍ）　　、Ｂ”）　　　　
　　（８）をすべてのｉ＜ｍなる部分区間 Ａ（ｆｉ、ｍ）　　と孤立単語パタンＢｎの組合せに関
して算出する。

（２）部分類似度 △ ５（ＩＩ、ｍ）−ｍａｘ（Ｓ（Ａ（Ｑ、ｍ）、Ｂｎ）：
）　　（９）部分判定結果 ９（ｎ、ｍ）＝ａｒｇｍａｘ［５（Ａ（Ｒ，ｍ）　、Ｂ
ｎ）：）αＱを計算し、テーブルに記憶する。ここにａ
ｒｇ−ｍａ梱なる記号は０の最大を与える変数ｎを算（
１時式の最大問題は次の漸化式により計算できる。

初期値　Ｔｏ（１り＝ｏ、氾−１，２．・・、ＩＫ＝１
．２．・・、に漸化式　ｍ＝１．２．−、Ｉ、に＝１．
２．−に仮置分点 Ｌｋ（ｍ）＝　ａｒｇｍａｘ［Ｔｋ−１（Ｑ）＋Ｑ（ｆ
ｉ、ｍ）］　　（ＩＩρ 仮判定結果 Ｎｋ（ｍｌ＝☆（Ｌｋ（ｍｌ９ｍ）０４（１→、α埠、
α◆式の計算はに、ｍに関して増加する方向に計算する
。以上の処理が終了すると、ｃｌ１式のＬｋ□から区分
点仝（Ｘ）が次のように決定される。

△ υ（Ｋ−１）＝Ｌ　（Ｉ）　　より順次逆登って仮置分
点△ Ｑ　（ｋ）を 令ｆｋ）＝　Ｌｋ＋”　（令（ｋｌ１））、（ｋ＝１．
２．・・Ｋ−１）９時として、仮区分点しくニ）のテー
ブルを参照して求△ め、それに従って、判定結果ｎ　（ｋｌが、０４式の仮
判定結果よシ ζ（ｋｌ　＝　Ｎ’　（す（ｋｌ）　、　（ｋ＝１　、
２．・・・、Ｋ）　　　　αＱとして参照することで得
られる。

以上の操作により、連続単語を構成する各単語の区分点
と単語名が金（ｋ）　、　（ｋ＝１　、２　、・・・、
に−１）　。

沓ｆｋ）、　（ｋ＝ｔ　、　２　、・・・、Ｋ）として
決定される。

第１図は、本発明により連続単語を認識する方法を示す
ものである。連続単語音声信号はマイクロホン１０より
入力され、分析部１１により分析され連続単語バタンＡ
として（１）式で示される特徴ベクトルａ１の時系列と
して入力バタンバッファ１２に記憶される。一方孤立単
語バタンＢｎは（２）式で示されるベクトルｂｊの時系
列として、標準バタン記憶部１３に記憶される。第１マ
ツチング部１４では次式で定義される漸化式を各孤立単
語バタンＢｎとバタンＡの部分バタンＡ（ｊ、ｍ）に関
し入力バタンベクトルａｍが入力される毎に（８）式の
類似度Ｓを算出する。即ち 初期条件　ｒ（ｉｌｊ″）−ｓ（ａｍ、ｂｊ”）　ｉ＝
ｍ　αη＝ｏ　　　　　　　ｉ）ｍ １１＃’ｌ″、＋。−５・−ｒ　＜；　ｉ　（、ｊ＋□
−１・や、　。

なる漸化式計算をｊ　””Ｊ”＋　ｊ”　”、ｊ”−２
＋・・・、１の順序で実行し、類似度　　　　゛ ・５（Ａ（ｎ　、ｍ）　、Ｂ”）＝ｇ（ｆｆｉ＋１　、
１）　　　　　　Ｇ！１をｍ−Ｊ”−ｒ≦象≦ｍ−Ｊ”
＋ｒ　　　　　　　　　　Ｇ２１）なる範囲で算出する
。

ここでＷ（ｊ）は重み関数であり、規格化された重み関
数をＪ’の大きさく応じて伸張させたものである。これ
は重み関数発生部２２で発生され第１マツチング部へ送
られる。

上述の方法により結果として（９）式で示される部分類
似度Ｆｌ、ｍ）およびα１式で示される部分△ 判定結果Ｎ（１，ｍ）ｔｌ−それぞれ部分類似度記憶部
１５９部分判定結果記憶部１６に出力する。第２マツチ
ング部１７では、部分類似度記憶部１５より上記部分類
似度Ｑ（ｆｆｉ、ｍ）を読み出し、同時に漸化式値記憶
部１８から、Ｎ（ｍなる（６）式の漸化式値Ｔ　　（１
）を、ｋを一定として、読み出しながら漸化式値Ｔｋ（
ホ）を算出し、漸化式値記憶部１８に出力する。同様に
仮置分点しｋ（ホ）を０１式を算出して、仮置分点記憶
部１９に出力する。仮判定結果Ｎｋ□は０１式にもとづ
−て部分判定結果☆１１ （Ｉｌ、ｍ）と、仮置分点Ｌｋ（ホ）を参照して算出さ
れ、仮判定結果記憶部２０に出力される。第２マツチン
グ部１７では上記操作を単語数設定端子により入力され
る値を基にに＝１から始め、ｋ＝に捷で順次ｋを増加さ
せながら実行する。かくのごとく構成された装置におい
て単語系列の既知なる連続単語バタンＡの始点ａ１から
終点ａｌｔで全順次入力させて上述の動作を実行させる
ことで、区分点に関する値Ｌｋに）と単語名を決定する
値Ｎｋ画がすべてのｍ−（１ｔ　２　＋・・・Ｉ）ｋ−
（１，ス・・・、ｋ）について得られる。判定部２１で
は、それぞれ仮置分点記憶部１９内の仮置分点Ｌｋ（ホ
）と仮判定記憶部２０内の仮判定結果Ｎｋ−とを参照し
て、（ロ）式に従ってに＝ｉ１つづつデクリメントしな
がら順△　　　　　　△　　　　　　　　△ 次ｆｌ（ｋ−１）、ｆｌ（ｋ−２）、・・、兎（１）を
決定へ する。同様にして９９式に従って各単語名ｎｏｃ−ｔ）
＋△　　　　　　△ ｎ（ｋ−２）＋・・、ｎ（１）を決定する。

以上連続単語を認識する方法を説明した訳であるが０１
式の制約条件下で（イ）式の類似度計算を実行する際に
重み関数Ｗｌｊ）を第２図に示すような値に設定すると
仮置分点近傍で生じたパターンの変動・変化の影響を小
さくせしめることが可能となり、高精度で連続単語の認
識を行うことができる。

以上本発明の実施態様を説明したが、これらの記載は本
発明の範囲を限定するものではない。例えば本明細書で
は類似度を基にして動作を説明したが、距離のように大
小関係が逆の尺度によっても同様な処理が可能である。

また抽出する部分を単語として説明したが複数の音節か
らなる語句でも同様に処理することができる。さらに、
入力音声バタンと標準バタンとの類似度を動的計画法で
説明したが、動的計画法に限定するものではない。

【図面の簡単な説明】

第１図は連続単語認識の実施態様を示す構成図、第２図
は単語と単語の接続点近傍での音声バタン変動・変化が
認識性能に及ぼす影Ｗｔ極小化せしめる重み関数の一例
を示すものである。 図において、１０・・・・・・マイクロホン、１１・・
・・・分析部、１２・・・・・・入力バタンバッファ、
１３・・・・標準バタン記憶部、１４・・・・・・第１
マツチング部、１５・・・・・・部分類似度記憶部、１
６・・・・・・部分判定結果記憶部、１７・・・・・・
第２マツチング部、１８・・・・・・漸化式値記憶部、
１９・・・・・・数置分点記憶部、２０・・・・・・仮
判定結果記憶部、２１・・・・・・判定部、２２・・・
、・・重み関数発生部。

Claims (1)

【特許請求の範囲】
1. 単語毎に区切って発声された音声バタン（孤立単語）を
   用い、連続に発声された連続単語バタンに対し、孤立単
   語パタンを任意の順列で組み合せ、この組み合されたバ
   タンと連続単語バタンとの間で比較操作を行い両者の一
   致の度合を調べる連続単語音声を認識する装置にあって
   、隣接する孤立単語の接続点近傍においては比較操作の
   際重みを変化させることを特徴とする連続単語音声認識
   装置。