JPS59147396A - Voice recognition control system - 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。(57) [Summary] This bulletin contains application data before electronic filing, so abstract data is not recorded.

Description

【発明の詳細な説明】 〔発明の利用分野〕 本発明は、各単語の標準音声パタンについて入力音声に
対する類似度が最上位のものを認識結果として判定・出
力する音声認識装置において、その誤認識（同装置の認
識結果が当該発声者の確認によって誤りであるとされる
こと）またはりジェツト（最も確からしい類似度の値が
低く、それを認識結果とするのは疑わしいものと同装置
が判定すること）の場合、その訂正処理を確実化、効率
化して認識率を向上させるための音声認識制御方式に関
するものである。[Detailed Description of the Invention] [Field of Application of the Invention] The present invention provides a speech recognition device that determines and outputs the standard speech pattern of each word that has the highest degree of similarity to input speech as a recognition result. (The recognition result of the device is determined to be incorrect after confirmation by the speaker) or the device determines that the most probable similarity value is low and it is doubtful to use it as a recognition result. The present invention relates to a speech recognition control method for improving the recognition rate by making the correction process more reliable and efficient.

〔従来技術〕[Prior art]

従来の音声認識装置においては、入力音声の認識につい
て誤認識またはりジェツトが発生した際に、例えば、そ
の対象の音声を再入力させ、単に再認識処理を行うよう
に制御されていた。In conventional speech recognition devices, when a recognition error or a jet occurs in the recognition of input speech, control is performed such that, for example, the target speech is re-inputted and the recognition process is simply performed again.

このような従来方式は、同一の動作・処理を繰り返すこ
とにより、正しい認識結果を得るように図ったものであ
るが、必ずしも１回の繰シ返しだけで正認識が保証され
るものではない。むしろ誤認識となり易い条件（主とし
て入力音声のレベル等が適正でないとき）の場合には、
単に数多くの繰り返しを行わなければならないので、認
識処理が効率的でないばかりでなく、発声者に対しても
余分の負担がかかつてサービス性がよくなかった。Such conventional methods are designed to obtain correct recognition results by repeating the same operations and processes, but correct recognition is not necessarily guaranteed with just one repetition. In fact, in the case of conditions that are likely to cause misrecognition (mainly when the input audio level etc. is not appropriate),
Since the recognition process simply has to be repeated many times, not only is the recognition processing inefficient, but it also places an extra burden on the speaker, resulting in poor serviceability.

〔発明の目的〕[Purpose of the invention]

本発明の目的は、上記した従来技術の欠点をなりシ、誤
認識、リジェクトに対する訂正処理を確実化、効率化し
て、認識率を向上させるとともにサービス性を向上させ
ることができる音声認識制御方式を提供することにある
。It is an object of the present invention to overcome the drawbacks of the prior art described above, and to provide a voice recognition control method that can improve the recognition rate and serviceability by ensuring and increasing the efficiency of correction processing for erroneous recognition and rejection. It is about providing.

〔発明の概要〕[Summary of the invention]

本発明に係る音声認識制御方式の構成は、認識行い、そ
の特徴データと上記各標準音声バタンデータとのバタン
マツチング処理をし、その類似度が最上位となるものを
認識結果として判定・出力する機能を有する音声認識装
置において、あらがじめ標準音声バタンの所定分類別ご
とに各基準音声区間長範囲を設定しておき、認識処理結
果が誤認識またはりジェツトとなった場合に、その時に
検出された音声・区間長が、選択されている標準音声パ
タンに対応する基準音声区間長範囲内にあるか否かのチ
ェックをし、その範囲外にあるときは、検出された上記
の音声区間長に応じて音声区間長検出用の閾値を増減す
ることにより、上記基準音声区間長範囲内に入るべき音
声区間長を検出しうるように制御するものである。The configuration of the speech recognition control method according to the present invention is to perform recognition, perform a matching process between the feature data and each of the above standard speech button data, and determine and output the one with the highest degree of similarity as a recognition result. In a speech recognition device that has the function of It is checked whether the detected voice/section length is within the standard voice section length range corresponding to the selected standard voice pattern, and if it is outside that range, the above detected voice is By increasing/decreasing the threshold value for detecting the speech segment length according to the segment length, control is performed so that the speech segment length that should fall within the reference speech segment length range can be detected.

なお、補足して説明すれば次のとおりである。The following is a supplementary explanation.

音声区間長の検出値は、入力音声のレベルと検出用の閾
値とによって大きく変り、例えば、入力音声のレベルが
低いときには、閾値を下げないと、その特徴データは、
必要な音声情報が充分に含まれないものとなってしまい
、正確な認識結果を得るのに不充分なものとなり、誤認
識、リジェックが起り易くなるとともに、その訂正再入
力の繰り返し回数も多くなる。The detected value of the voice section length varies greatly depending on the level of the input voice and the detection threshold. For example, when the level of the input voice is low, unless the threshold is lowered, the feature data will be
The necessary voice information will not be included sufficiently, making it insufficient to obtain accurate recognition results, making it more likely that erroneous recognition and rejection will occur, and the number of times the correction and re-input will be repeated will increase. .

したがって、適正な音声区間長が検出されずに誤認識、
リジェクトとなった場合には、所要の音声区間長（基準
音声区間長範囲）が得られるように、その検出用の閾値
を増減して音声区間長を再検出した後に再認識処理を行
うようにするものである。Therefore, the correct speech interval length may not be detected, resulting in incorrect recognition.
In the case of a rejection, the detection threshold is increased or decreased to re-detect the voice interval length in order to obtain the required voice interval length (standard voice interval length range), and then re-recognition processing is performed. It is something to do.

〔発明の実施例〕[Embodiments of the invention]

以下、本発明の実施例を図に基づいて説明する。 Embodiments of the present invention will be described below with reference to the drawings.

第１図は、本発明に係る音声認識制御方式による音声認
識装置の一実施例のブロック図、第２図は、そのフロー
チャートである。FIG. 1 is a block diagram of an embodiment of a speech recognition device using a speech recognition control system according to the present invention, and FIG. 2 is a flowchart thereof.

ここで、１は、音声入力に係るマイクロフォン、２は入
力音声信号について利得調整、帯域制限その他所要の前
処理を行った後、そのディジタル変換をする入力部、３
は、入力されたディジタル音声信号に基づいて入力音声
の音声分析を行い、その特徴データを抽出する分析部、
４は、所定の音声区間検出部の閾値に従って入力音声の
音声区間の検出処理をする音声区間検出部、５は、入力
音声と各標準音声パタンとのバタンマツチング処理（類
似度計算処理）を行う音声認識部、６は、その処理結果
によって入力音声に対する各類似度の順位を判定する判
定部、７は、認識対象の各単語について各複数組の標準
音声バタンデータを格納（記憶）している標準音声バタ
ンメモリ、８は、その選択制御をする標準音声バタン選
択部、９は、認識結果の表示・確認、音声入力の指示そ
の他所要の表示・指示に係る音声合成部、１０は、同ス
ピーカ、１１は、認識結果の表示・確認、音声入力の指
示その他所要の表示・操作に係るコンソール部、１２は
、上記各部に対する制御その他所要の処理を行う制御部
、１３は、音声認識結果に基づいて所望のサービス処理
を行うホスト装置である。なお、第２図（ａ）、（ｂ）
において、同一符号の処理は同一内容のものである。Here, 1 is a microphone for audio input, 2 is an input unit that performs gain adjustment, band limitation, and other necessary preprocessing on the input audio signal, and then converts it into a digital signal. 3
an analysis unit that performs audio analysis of input audio based on the input digital audio signal and extracts characteristic data;
Reference numeral 4 denotes a speech interval detection unit that detects a speech interval of the input speech according to a predetermined threshold of the speech interval detection unit; and 5 performs a matching process (similarity calculation process) between the input speech and each standard speech pattern. 6 is a determination unit that determines the rank of each similarity with respect to the input voice based on the processing result; 7 is a determination unit that stores (memorizes) multiple sets of standard voice button data for each word to be recognized; 8 is a standard voice button selection unit that controls the selection; 9 is a voice synthesis unit that displays and confirms recognition results, provides instructions for voice input, and other necessary displays and instructions; 10 is a standard voice button selection unit that controls the selection; A speaker; 11 is a console unit for displaying and confirming recognition results, instructing voice input, and other necessary display and operations; 12 is a control unit for controlling each of the above units and other necessary processing; 13 is for controlling the voice recognition results; This is a host device that performs desired service processing based on the information provided. In addition, Fig. 2 (a), (b)
, processes with the same reference numerals have the same contents.

最初に、本発明による誤認識の訂正処理を含む制御・処
理について、第１図、第２図（ａ）に基づいて説明する
。First, control and processing including correction of misrecognition according to the present invention will be explained based on FIG. 1 and FIG. 2(a).

まず、音声認識処理に先立ち、制御部１２は、音声入力
に対する準備を入力部２１分析部３．音声区間検出部４
へ指示するとともに、その時に認識対象となるべき単語
の分類（例えば、数字、サービス種別名、物品名、地名
等の分類）の標準音声バタンの全組を標準音声バタンメ
モリ７から選択するように標準音声バタン選択部８に対
して指示する（第２図（ａ）の処理２１）。First, prior to speech recognition processing, the control section 12 prepares the input section 21, the analysis section 3. Voice section detection unit 4
At the same time, all sets of standard voice buttons for the classification of words to be recognized at that time (for example, classifications of numbers, service type names, product names, place names, etc.) are selected from the standard voice button memory 7. An instruction is given to the standard voice button selection section 8 (process 21 in FIG. 2(a)).

更に、選択された各標準音声パタンの当該単語分類別ご
とに、それに対応する基準音声区間長範囲（音声区間長
が適切に検出されたとき、その値が含まれるべき範囲で
あって、例えば、数字の場合、１００〜５００ｍ５／桁
）を設定しておく。Furthermore, for each word classification of each selected standard speech pattern, the corresponding standard speech interval length range (a range that should include the value when the speech interval length is appropriately detected, for example, In the case of numbers, set 100 to 500 m5/digit).

これらの準備が完了すると、発声者に対して音声入力を
促すべき入力催告メツセージを音声合成部９経由でスピ
ーカ１０から放声させる（同処理２２）。When these preparations are completed, an input reminder message to prompt the speaker to input voice is emitted from the speaker 10 via the voice synthesizer 9 (process 22).

これにより、発声者がマイクロフォン１がう音声を入力
すると（同処理２３）、入力部２は、そりディジタル変
換等をし、分析部３は、そのディジタル音声信号につい
て音声分析をして当該特徴データ等の抽出をする（同処
理２４）。As a result, when the speaker inputs the voice from the microphone 1 (processing 23), the input unit 2 performs digital conversion, etc., and the analysis unit 3 performs voice analysis on the digital voice signal to obtain the characteristic data. etc. (same process 24).

ここで、音声区間検出部４は、分析部３がら与えられた
音声パワー情報と制御部１２から与えられた音声区間検
出用の閾値とにより、その音声区間長を検出して制御部
１２へ送出する（同処理２５）。Here, the voice section detection section 4 detects the length of the voice section using the voice power information given by the analysis section 3 and the threshold for detecting a speech section given from the control section 12, and sends it to the control section 12. (same process 25).

音声認識部５は、入力音声の特徴データと選択されてい
る標準音声パタンデータとの間でバタンマツチング処理
を行い、入力音声に対する上記各標準音声パタンの類似
度を判定部６へ伝える（同処理２６）。The speech recognition section 5 performs matching processing between the feature data of the input speech and the selected standard speech pattern data, and transmits the degree of similarity of each standard speech pattern to the input speech to the determination section 6 (same as Processing 26).

判定部６は、類似度が最上位となる（最も確からしい）
ものを認識結果として制御部１２へ伝える（同処理２７
）。The determination unit 6 determines that the degree of similarity is the highest (most likely)
The object is transmitted to the control unit 12 as a recognition result (processing 27
).

入力音声に対して最も確からしい類似度の値が低く、そ
れを認識結果として出力するのは疑わしいとすべきりジ
ェツトの場合には、制御部１２は、標準音声バタン選択
部８に対して今捷でと同一のバタンを選択するように指
示するとともに（同処理３０）、音声合成部９経由でス
ピーカ１０から再入力催告メツセージを放声させる（同
処理３１）。If the most probable similarity value for the input voice is low and it is doubtful to output it as a recognition result, the control unit 12 causes the standard voice button selection unit 8 to select the current option. The user is instructed to select the same button as in the previous step (same process 30), and a re-input reminder message is emitted from the speaker 10 via the voice synthesis section 9 (same process 31).

捷だ、リジェクトでない場合には、制御部１２は、その
認識結果が正しいものであるか否かを発声者に確認させ
るだめの表示として、確認要求メツセージを音声合成部
９経出でスピーカ１０から放声させる（同処理２８）。If it is not a failure or a rejection, the control unit 12 sends a confirmation request message from the speaker 10 through the speech synthesis unit 9 as an indication for the speaker to confirm whether or not the recognition result is correct. Make it sound (same process 28).

なお、上記表示は、コンソール部１１におけるランプ表
示等によってもよい。Note that the above display may be a lamp display on the console section 11 or the like.

発声者は、これを聴取して自己の入力音声について正認
識、誤認識いずれであったかを知り、その確認結果をコ
ンソール部１１から制御部１２へ入力する（同処理２９
）。The speaker listens to this to know whether his or her input voice was recognized correctly or incorrectly, and inputs the confirmation result from the console unit 11 to the control unit 12 (process 29).
).

制御部１２への」１記確認結果入力は、必ずしもコンソ
ール部１１における操作による必要はなく、マイクロフ
ォン１からの確認用音声の入力によってもよいが、その
内容は音声認識が確実に行われるように簡単で誤認識を
しにくいものであることが望ましい。Inputting the confirmation result in item 1 to the control unit 12 does not necessarily have to be done by operating the console unit 11, and may also be done by inputting a confirmation voice from the microphone 1, but the content should be adjusted to ensure that voice recognition is performed. It is desirable that it be simple and difficult to misrecognize.

、制御部１２は、上記確認情報により、上述の認識候補
が正しいものであるときは、それを認識結果としてホス
ト装置１３へ送出し、１つの入力音声に対する処理を終
了せしめて次の入力に備える。If the recognition candidate is correct based on the confirmation information, the control unit 12 sends it to the host device 13 as a recognition result, completes the processing for one input voice, and prepares for the next input. .

一方、誤認識であったという確認情報を受けた場合は、
制御部１２は、入力音声の音声区間長が既設定の所定の
基準音声区間長範囲内にあるか否かを判断し、所定範囲
内にあるときは、処理３３゜３４へ移る。所定範囲より
も長いときは、音声区間検出部４に対して更に高い値の
検出用の閾値を与え、また短いときは、同じく、更に低
い値の検出用の閾値を与えた後、再度、音声区間検出を
行うように制御する（同処理３２）。On the other hand, if you receive confirmation information that it was a misidentification,
The control unit 12 determines whether the voice section length of the input voice is within a predetermined reference voice section length range, and if it is within the predetermined range, the process moves to steps 33 and 34. When the range is longer than the predetermined range, a threshold for detecting a higher value is given to the voice section detection unit 4, and when it is shorter than the predetermined range, a threshold for detecting a lower value is similarly given, and then the voice section detecting section 4 detects the voice again. Control is performed to perform section detection (process 32).

これらを正認識結果が得られる捷で繰り返して行い、正
認識となったときは、上述と同様に当該認識結果がホス
ト装置１３へ送出され、一連の処理が終了する。These steps are repeated until a correct recognition result is obtained, and when correct recognition is achieved, the recognition result is sent to the host device 13 in the same manner as described above, and the series of processing ends.

次に、本発明によるリジェクトの訂正処理を含む制御・
処理について、第１図、第２図（ｂ）に基づいて説明す
るが、上述の誤認識の訂正処理の場合と異なる部分につ
いてのみ説明し、同様な部分については説明を省略する
。Next, control and processing including reject correction processing according to the present invention is performed.
The process will be explained based on FIG. 1 and FIG. 2(b), but only the parts that are different from the above-mentioned erroneous recognition correction process will be explained, and the explanation of the similar parts will be omitted.

第２図（Ｉ））における処理２７の後、入力音声に対し
て最も確からしい類似度の値が低く、それを認識結果と
して出力するのは疑わしいとすべきりジエクトの場合に
は、制御部１２は入力音声の音声区間長が、既設定の所
定の基準音声区間長範囲内にあるか否かを判断し、所定
範囲内にあるときは、制御部１２から、標準音声バタン
選択部８に対して今までと同一のバタンを選択するよう
に指示するとともに（同処理３３）、音声合成部９経由
でスピーカ１０から再入力催告メツセージを放声せしめ
る（同処理３４）。After the process 27 in FIG. 2 (I), if the most probable similarity value for the input voice is low and it is doubtful to output it as a recognition result, the control unit 12 determines whether the voice section length of the input voice is within a preset predetermined standard voice section length range, and if it is within the predetermined range, the control section 12 sends a message to the standard voice button selection section 8. The user is instructed to select the same button as before (same process 33), and a re-input reminder message is emitted from the speaker 10 via the voice synthesis section 9 (same process 34).

所定範囲よりも長いときは、音声区間検出部４に対して
更に高い値の検出用の閾値を与え、また短いときは、同
じく、更に低い値の検出用の閾値を与えた後、再度、音
声区間検出を行うように制御する（同処理３２）。When the range is longer than the predetermined range, a threshold for detecting a higher value is given to the voice section detection unit 4, and when it is shorter than the predetermined range, a threshold for detecting a lower value is similarly given, and then the voice section detecting section 4 detects the voice again. Control is performed to perform section detection (process 32).

なお、リジェクトとなって上述の訂正処理を行った後、
四に誤認識となった場合には、第２図（ｂ）のとおり、
単に処理３０．３１による再入力を行わせるようにして
もよいが、前述した第２図（ａ）の訂正処理を行うよう
にしてもよく、本発明ｄ１、これを妨げるものでかいこ
とは明らかである。In addition, after being rejected and performing the above correction process,
If there is a misrecognition in step 4, as shown in Figure 2 (b),
Although it is possible to simply perform the re-input using process 30.31, it is also possible to perform the correction process shown in FIG. 2(a) described above. be.

〔発明の効果〕〔Effect of the invention〕

以上、詳細に説明したように、本発明によれば、誤認識
、リジェクトの際、入力音声の音声区間長が、所定の基
準音声区間長範囲内にない場合は、再度、音声区間長を
検出するので、音声認識装置における訂正処理を確実化
、効率化して認識率を向上させ、その信頼性、サービス
性の向上に顕著な効果が得られる。As described above in detail, according to the present invention, in the case of misrecognition or rejection, if the voice interval length of the input voice is not within the predetermined reference voice interval length range, the voice interval length is detected again. Therefore, the correction processing in the speech recognition device can be made more reliable and efficient, the recognition rate can be improved, and the reliability and serviceability can be significantly improved.

【図面の簡単な説明】[Brief explanation of the drawing]

第１図は、本発明に係る音声認識制御方式による音声認
識装置の一実施例のブロック図、第２図は、そのフロー
チャーｉ−である。 １・・・マイクロフォン、２・・・入力部、３・・・分
析部、４・・・音声区間検出部、５・・・音声認識部、
６・・・判定部、７・・・標準音声バタンメモリ、８・
・・標準音声バタン選択部、９・・音声合成部、１０・
・・スピーカ、１１・・・コンソール部、１２・・・制
御部、１３・・・ホスト装置。 代埋入　弁理士　福田幸　　・′ ｊ。 （ほか１名）FIG. 1 is a block diagram of an embodiment of a speech recognition device using a speech recognition control system according to the present invention, and FIG. 2 is a flowchart thereof. DESCRIPTION OF SYMBOLS 1...Microphone, 2...Input section, 3...Analysis section, 4...Speech section detection section, 5...Speech recognition section,
6... Judgment unit, 7... Standard voice button memory, 8.
・・Standard voice button selection section, 9・・Speech synthesis section, 10・
...Speaker, 11...Console unit, 12...Control unit, 13...Host device. Substitute patent attorney Yuki Fukuda ・′ j. (1 other person)

Claims (1)

【特許請求の範囲】[Claims] １、認識対象の各単語に対応して各複数組の標準音声バ
タンデータを記憶しておき、入力音声の所定音声区間長
について特徴抽出を行い、その特徴データと上記各標準
音声バタンデータとのバタンマツチング処理をし、その
類似度が最上位となるものを認識結果として判定・出力
する機能を有する音声認識装置において、あらかじめ標
準音声バタンの所定分類別ごとに各基準音声区間長範囲
を設定しておき、認識処理結果が誤認識またはりジェツ
トとなった場合に、その時に検出された音声区間長が、
選択されている標準音声パタンに対応する一基準音声区
間長範囲内にあるか否かのチェックをし、その範囲外に
あるときは、検出された上記の音声区間長に応じて音声
区間長検出用の閾値を増減することにより、上記基準音
声区間長範囲内に入るべき音声区間長を検出しうるよう
に制御することを特徴とする音声認識制御方式。1. Store multiple sets of standard voice bang data corresponding to each word to be recognized, extract features for a predetermined voice section length of the input voice, and compare the feature data with each of the above standard voice bang data. In a speech recognition device that has a function of performing a bang matching process and determining and outputting the one with the highest degree of similarity as a recognition result, each standard voice segment length range is set in advance for each predetermined classification of standard voice bangs. If the recognition processing result is an incorrect recognition or a mistake, the length of the voice section detected at that time will be
It is checked whether or not it is within a standard voice interval length range corresponding to the selected standard voice pattern, and if it is outside that range, the voice interval length is detected according to the detected voice interval length. A speech recognition control method, characterized in that control is performed so that a speech section length that should fall within the reference speech section length range can be detected by increasing/decreasing a threshold value.