JP3457431B2 - 信号識別方法 - Google Patents
信号識別方法Info
- Publication number
- JP3457431B2 JP3457431B2 JP17687295A JP17687295A JP3457431B2 JP 3457431 B2 JP3457431 B2 JP 3457431B2 JP 17687295 A JP17687295 A JP 17687295A JP 17687295 A JP17687295 A JP 17687295A JP 3457431 B2 JP3457431 B2 JP 3457431B2
- Authority
- JP
- Japan
- Prior art keywords
- signal
- equation
- registered
- hmm
- speech
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims description 62
- 230000014509 gene expression Effects 0.000 claims description 18
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 230000005236 sound signal Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 43
- 238000012549 training Methods 0.000 description 27
- 238000013459 approach Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 18
- 239000000203 mixture Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 230000009466 transformation Effects 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 15
- 238000007476 Maximum Likelihood Methods 0.000 description 14
- 239000000654 additive Substances 0.000 description 14
- 230000000996 additive effect Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 230000006978 adaptation Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- OVSKIKFHRZPJSS-UHFFFAOYSA-N 2,4-D Chemical compound OC(=O)COC1=CC=C(Cl)C=C1Cl OVSKIKFHRZPJSS-UHFFFAOYSA-N 0.000 description 1
- 241000115929 Anabolia appendix Species 0.000 description 1
- 101150087426 Gnal gene Proteins 0.000 description 1
- 244000018764 Nyssa sylvatica Species 0.000 description 1
- 235000003339 Nyssa sylvatica Nutrition 0.000 description 1
- 238000006990 Watanabe cyclization reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002844 continuous effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/065—Adaptation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics
- G10L2015/228—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of application context
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
- Complex Calculations (AREA)
- Transmission Systems Not Characterized By The Medium Used For Transmission (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、信号認識に関し、特
に、悪環境での使用に適した自動信号認識システムの性
能を改善することに関する。
に、悪環境での使用に適した自動信号認識システムの性
能を改善することに関する。
【０００２】
【従来の技術】信号認識システムの１つのタイプは音声
認識システムである。
認識システムである。
【０００３】音声認識システム（以下単に「システム」
という。）は、話者から受け取った入力（すなわち音
声）において単語の集合を認識することができる。認識
した入力に基づいて、機能が実行される。システムを電
話網で使用する場合、その機能は例えば話者をオペレー
タに接続することである。
という。）は、話者から受け取った入力（すなわち音
声）において単語の集合を認識することができる。認識
した入力に基づいて、機能が実行される。システムを電
話網で使用する場合、その機能は例えば話者をオペレー
タに接続することである。
【０００４】システムは、単語の集合内の各単語を認識
するように事前にトレーニングされる。各単語をキーワ
ードという。トレーニングは、トレーニング音声を入力
し、キーワードのモデルを形成して記憶することによっ
て行うことができる。
するように事前にトレーニングされる。各単語をキーワ
ードという。トレーニングは、トレーニング音声を入力
し、キーワードのモデルを形成して記憶することによっ
て行うことができる。
【０００５】トレーニングされると、動作時には、シス
テムは入力音声内に含まれるキーワードを認識すること
ができる。システムは、入力音声を記憶されたキーワー
ドモデルと比較することによってこれを行う。入力音声
内のキーワードが認識されると、システムはその単語に
関係づけられた機能を実行する。
テムは入力音声内に含まれるキーワードを認識すること
ができる。システムは、入力音声を記憶されたキーワー
ドモデルと比較することによってこれを行う。入力音声
内のキーワードが認識されると、システムはその単語に
関係づけられた機能を実行する。
【０００６】既知のシステムはかなり高いレベルの精度
で入力音声内のキーワードを識別するが、多くの改良の
余地がある。システムの精度は、システムの「平均単語
誤り率」によって測定することができる。「平均単語誤
り率」は、システムがキーワードを含む発声内で誤った
キーワードを認識するかまたはキーワードが発声されて
いないときにキーワードを識別する頻度の測度である。
で入力音声内のキーワードを識別するが、多くの改良の
余地がある。システムの精度は、システムの「平均単語
誤り率」によって測定することができる。「平均単語誤
り率」は、システムがキーワードを含む発声内で誤った
キーワードを認識するかまたはキーワードが発声されて
いないときにキーワードを識別する頻度の測度である。
【０００７】システムの精度を低下させる１つの要因は
「不一致」である。不一致は、システムがある入力シス
テム（例えば、マイクロホンおよびケーブル）を使用し
てトレーニングされ、別の入力システム（例えば、電話
ハンドセットおよび接続された電話網システム）で使用
されるときに生じることがある。不一致は、この例の場
合、人の声がマイクロホンを通過するときに電話システ
ムの場合と異なる特性を示すために生じるといわれてい
る。
「不一致」である。不一致は、システムがある入力シス
テム（例えば、マイクロホンおよびケーブル）を使用し
てトレーニングされ、別の入力システム（例えば、電話
ハンドセットおよび接続された電話網システム）で使用
されるときに生じることがある。不一致は、この例の場
合、人の声がマイクロホンを通過するときに電話システ
ムの場合と異なる特性を示すために生じるといわれてい
る。
【０００８】精度の問題、特に不一致の問題は、これま
で注意を受けている。この不一致問題を解決しようとし
た少なくとも３つの方法がある。
で注意を受けている。この不一致問題を解決しようとし
た少なくとも３つの方法がある。
【０００９】第１に、話者が入力音声を供給する方法に
依存してアプリケーションごとにシステムを訓練するこ
とによって、不一致問題を解決することが提案されてい
る。この提案は２つの問題点を有する。第１に、アプリ
ケーションごとにシステムをトレーニングすることは時
間を消費し高価である。第２に、システムは、異なる音
声入力媒体（例えば、電話およびセルラ電話）がシステ
ムで使用可能である場合には、やはり不一致問題の影響
を示すことになる。
依存してアプリケーションごとにシステムを訓練するこ
とによって、不一致問題を解決することが提案されてい
る。この提案は２つの問題点を有する。第１に、アプリ
ケーションごとにシステムをトレーニングすることは時
間を消費し高価である。第２に、システムは、異なる音
声入力媒体（例えば、電話およびセルラ電話）がシステ
ムで使用可能である場合には、やはり不一致問題の影響
を示すことになる。
【００１０】第２に、システムで使用する「プール」モ
デルを作成することによって不一致問題を解決すること
が提案されている。複数の入力媒体の効果の混合物を反
映するモデルがある。この提案にも２つの問題点があ
る。第１に、プールモデルは、他のモデルよりも作成す
るのが高価である（そして一般に時間もかかる）。第２
に、与えられた任意の入力システムに対して、その入力
システムに基づいて作成されるモデルはプールモデルよ
りも高い精度を有する。
デルを作成することによって不一致問題を解決すること
が提案されている。複数の入力媒体の効果の混合物を反
映するモデルがある。この提案にも２つの問題点があ
る。第１に、プールモデルは、他のモデルよりも作成す
るのが高価である（そして一般に時間もかかる）。第２
に、与えられた任意の入力システムに対して、その入力
システムに基づいて作成されるモデルはプールモデルよ
りも高い精度を有する。
【００１１】第３に、システムに入力される音声信号に
オフセット因子を付加することによって不一致問題を解
決することが提案されている。付加されるオフセット因
子は、信号が受ける歪みを相殺するのに必要なものの推
定値を表す。このオフセット因子はコードブック探索に
よって決定される。コードブックは多くのエントリ（代
表的には２５６個）からなる。これらのエントリは、入
力システムの集合からのオフセット値を表す。例えば、
コードブックは、第１のタイプの入力システム（例え
ば、第１のタイプのマイクロホンおよび第１のタイプの
チャネル）に基づく６４個のエントリと、第２のタイプ
の入力システムに基づく第２の６４個のエントリと、第
３のタイプの入力システムに基づく第３の６４個のエン
トリと、第４のタイプの入力システムに基づく第４の６
４個のエントリとを有する。しかし、この提案にも問題
点がある。音声信号として使用される入力が第１、第
２、第３、または第４のタイプの入力システムではない
場合には、使用される入力が２５６個のコードブックエ
ントリの集合によって正しく特徴づけられないことがあ
る。これによって、音声認識システムの精度は悪くな
る。
オフセット因子を付加することによって不一致問題を解
決することが提案されている。付加されるオフセット因
子は、信号が受ける歪みを相殺するのに必要なものの推
定値を表す。このオフセット因子はコードブック探索に
よって決定される。コードブックは多くのエントリ（代
表的には２５６個）からなる。これらのエントリは、入
力システムの集合からのオフセット値を表す。例えば、
コードブックは、第１のタイプの入力システム（例え
ば、第１のタイプのマイクロホンおよび第１のタイプの
チャネル）に基づく６４個のエントリと、第２のタイプ
の入力システムに基づく第２の６４個のエントリと、第
３のタイプの入力システムに基づく第３の６４個のエン
トリと、第４のタイプの入力システムに基づく第４の６
４個のエントリとを有する。しかし、この提案にも問題
点がある。音声信号として使用される入力が第１、第
２、第３、または第４のタイプの入力システムではない
場合には、使用される入力が２５６個のコードブックエ
ントリの集合によって正しく特徴づけられないことがあ
る。これによって、音声認識システムの精度は悪くな
る。
【００１２】
【発明が解決しようとする課題】上記の方法の使用にも
かかわらず、不一致条件下での認識に対する平均単語誤
り率は多くのアプリケーションでは未だに不満足なもの
である。不一致問題の解決が必要とされる。
かかわらず、不一致条件下での認識に対する平均単語誤
り率は多くのアプリケーションでは未だに不満足なもの
である。不一致問題の解決が必要とされる。
【００１３】
【課題を解決するための手段】本発明は、不一致条件下
で信号の平均誤り率を大幅に縮小する方法を提供する。
本発明の方法は、信号（例えば音声信号）と記憶された
表現（例えばキーワードの記憶表現）の集合をとり、相
対的に、記憶表現をより良好にエミュレートする信号を
生じる少なくとも１回の変換を実行する。例えば、これ
は、３つの技術のうちの１つを使用することによって実
現される。第１に、信号が記憶表現のうちの１つによっ
てより良く近似される（例えば接近する）ように信号を
変換することがある。第２に、記憶表現のうちの１つが
信号をより良く近似するように記憶表現の集合を変換す
ることがある。第３に、信号および記憶表現の集合の両
方を変換することがある。
で信号の平均誤り率を大幅に縮小する方法を提供する。
本発明の方法は、信号（例えば音声信号）と記憶された
表現（例えばキーワードの記憶表現）の集合をとり、相
対的に、記憶表現をより良好にエミュレートする信号を
生じる少なくとも１回の変換を実行する。例えば、これ
は、３つの技術のうちの１つを使用することによって実
現される。第１に、信号が記憶表現のうちの１つによっ
てより良く近似される（例えば接近する）ように信号を
変換することがある。第２に、記憶表現のうちの１つが
信号をより良く近似するように記憶表現の集合を変換す
ることがある。第３に、信号および記憶表現の集合の両
方を変換することがある。
【００１４】本発明に従って形成したシステムは、個々
のアプリケーションごとにトレーニングする必要はない
という効果がある。
のアプリケーションごとにトレーニングする必要はない
という効果がある。
【００１５】また、本発明に従って形成したシステム
は、プールモデルやコードブックを使用する既知のシス
テムよりも高い精度を有するという効果がある。
は、プールモデルやコードブックを使用する既知のシス
テムよりも高い精度を有するという効果がある。
【００１６】
【実施例】ここでは、音声認識システムで本発明を実施
するという状況で説明する。しかし、当業者には明らか
なように、本発明は、物理システムからの物理信号が認
識のために記憶表現の集合と比較されるような任意のタ
イプのシステム（例えば、ファクシミリシステム、衛星
システム、光学式文字認識システムなど）で使用可能で
ある。さらに、「強固な音声認識のための確率論的マッ
チングへの最尤アプローチ(A Maximum Likelihood Appr
oach to Stochastic Matching for Robust Speech Reco
gnition)」という題名の論文を付録Ａとして記載する。
付録Ａは本発明を例示することのみを意図したものであ
る。
するという状況で説明する。しかし、当業者には明らか
なように、本発明は、物理システムからの物理信号が認
識のために記憶表現の集合と比較されるような任意のタ
イプのシステム（例えば、ファクシミリシステム、衛星
システム、光学式文字認識システムなど）で使用可能で
ある。さらに、「強固な音声認識のための確率論的マッ
チングへの最尤アプローチ(A Maximum Likelihood Appr
oach to Stochastic Matching for Robust Speech Reco
gnition)」という題名の論文を付録Ａとして記載する。
付録Ａは本発明を例示することのみを意図したものであ
る。
【００１７】説明を明確にするため、本発明の実施例は
個別の機能ブロックからなるものとして表す。これらの
ブロックが表現する機能は、共用または専用のハードウ
ェアの使用によって実現される。ハードウェアには、ソ
フトウェアを実行可能なハードウェアも含まれるが、そ
れに限定されるものではない。例えば、図２のブロック
２００、２０２、および２０６の機能は単一の共用プロ
セッサによって実現することができる。「プロセッサ」
という用語の使用は、ソフトウェアを実行可能なハード
ウェアのみを指すと解釈してはならない。
個別の機能ブロックからなるものとして表す。これらの
ブロックが表現する機能は、共用または専用のハードウ
ェアの使用によって実現される。ハードウェアには、ソ
フトウェアを実行可能なハードウェアも含まれるが、そ
れに限定されるものではない。例えば、図２のブロック
２００、２０２、および２０６の機能は単一の共用プロ
セッサによって実現することができる。「プロセッサ」
という用語の使用は、ソフトウェアを実行可能なハード
ウェアのみを指すと解釈してはならない。
【００１８】実施例は、ＡＴ＆ＴのＤＳＰ１６またはＤ
ＳＰ３２Ｃのようなディジタル信号プロセッサ（ＤＳ
Ｐ）と、以下で説明する動作を実行するソフトウェアを
記憶する読み出し専用メモリ（ＲＯＭ）と、ＤＳＰの結
果を記憶するランダムアクセスメモリ（ＲＡＭ）とから
なることが可能である。超大規模集積（ＶＬＳＩ）ハー
ドウェア実施例や、カスタムＶＬＳＩ回路と汎用ＤＳＰ
回路の組合せも実現可能である。
ＳＰ３２Ｃのようなディジタル信号プロセッサ（ＤＳ
Ｐ）と、以下で説明する動作を実行するソフトウェアを
記憶する読み出し専用メモリ（ＲＯＭ）と、ＤＳＰの結
果を記憶するランダムアクセスメモリ（ＲＡＭ）とから
なることが可能である。超大規模集積（ＶＬＳＩ）ハー
ドウェア実施例や、カスタムＶＬＳＩ回路と汎用ＤＳＰ
回路の組合せも実現可能である。
【００１９】音声認識システムの状況で本発明を説明す
る前に、既知の音声認識システムについて簡単に説明す
る。
る前に、既知の音声認識システムについて簡単に説明す
る。
【００２０】図１を参照すると、音声信号Ｓ（ｔ）が変
換器１００に入力される。簡単のため、Ｓ（ｔ）は、１
個のキーワードを含みそれ以外は含まない発声であると
仮定する。変換器１００は音声信号Ｓ（ｔ）を周波数領
域に変換し、信号Ｓ（ｆ）を生成する。Ｓ（ｆ）はオフ
セット計算器１０２に入力される。オフセット計算器１
０２はＳi′（ｆ）を出力する。Ｓi′（ｆ）はＳ（ｆ）
にコードブック１０４に記憶されているオフセット値Ｏ
Ｖiを加えたものに等しい。Ｓi′（ｆ）は比較器１０６
に入力され、そこで、ＨＭＭ記憶装置１０８に記憶され
ている隠れマルコフモデル（ＨＭＭ）の集合と比較され
る。ＨＭＭ記憶装置１０８内の各ＨＭＭはキーワードに
対するＨＭＭである。Ｓi′（ｆ）を各ＨＭＭと比較し
た後、比較器１０６は、最も良くＳi′（ｆ）に一致す
るＨＭＭによって表現される単語を出力する。この単語
をＷiで表す。次に、このプロセスはコードブック１０
４内の各オフセット値に対して反復される。各ＯＶiに
対して、新たなＷiが比較器１０６によって決定され
る。Ｗiが各オフセット値ＯＶiに対して決定されると、
最も高い尤度スコアのＷiが、発声に含まれるキーワー
ドを表すものとして選択される。
換器１００に入力される。簡単のため、Ｓ（ｔ）は、１
個のキーワードを含みそれ以外は含まない発声であると
仮定する。変換器１００は音声信号Ｓ（ｔ）を周波数領
域に変換し、信号Ｓ（ｆ）を生成する。Ｓ（ｆ）はオフ
セット計算器１０２に入力される。オフセット計算器１
０２はＳi′（ｆ）を出力する。Ｓi′（ｆ）はＳ（ｆ）
にコードブック１０４に記憶されているオフセット値Ｏ
Ｖiを加えたものに等しい。Ｓi′（ｆ）は比較器１０６
に入力され、そこで、ＨＭＭ記憶装置１０８に記憶され
ている隠れマルコフモデル（ＨＭＭ）の集合と比較され
る。ＨＭＭ記憶装置１０８内の各ＨＭＭはキーワードに
対するＨＭＭである。Ｓi′（ｆ）を各ＨＭＭと比較し
た後、比較器１０６は、最も良くＳi′（ｆ）に一致す
るＨＭＭによって表現される単語を出力する。この単語
をＷiで表す。次に、このプロセスはコードブック１０
４内の各オフセット値に対して反復される。各ＯＶiに
対して、新たなＷiが比較器１０６によって決定され
る。Ｗiが各オフセット値ＯＶiに対して決定されると、
最も高い尤度スコアのＷiが、発声に含まれるキーワー
ドを表すものとして選択される。
【００２１】既知のシステムについて説明したので、次
に、本発明を、３つの異なる実施例における音声認識シ
ステムについて説明する。第１実施例は、音声信号の表
現（例えばケプストラム表現）を、記憶されている少な
くとも１つのＨＭＭにより良く類似するように変換す
る。第２実施例は、記憶ＨＭＭを、音声信号の表現によ
り良く類似するように変換する。第３実施例は、信号お
よび記憶表現の集合の両方を変換し、信号が記憶ＨＭＭ
に類似しているよりも、変換した信号が変換した少なく
とも１つのＨＭＭに良く類似するようにする。
に、本発明を、３つの異なる実施例における音声認識シ
ステムについて説明する。第１実施例は、音声信号の表
現（例えばケプストラム表現）を、記憶されている少な
くとも１つのＨＭＭにより良く類似するように変換す
る。第２実施例は、記憶ＨＭＭを、音声信号の表現によ
り良く類似するように変換する。第３実施例は、信号お
よび記憶表現の集合の両方を変換し、信号が記憶ＨＭＭ
に類似しているよりも、変換した信号が変換した少なく
とも１つのＨＭＭに良く類似するようにする。
【００２２】図２を参照して第１実施例について説明す
る。音声信号Ｓ（ｔ）は変換器２００に入力される。音
声認識環境では、変換器２００は任意のタイプの特徴抽
出装置（例えば、スペクトラム分析装置、ケプストラム
分析装置など）である。再び簡単のため、Ｓ（ｔ）は１
個のキーワードを含む発声であると仮定する。変換器２
００は音声信号Ｓ（ｔ）を周波数領域に変換し信号Ｓ
（ｆ）を生成する。Ｓ（ｆ）は変換プロセッサ２０２に
入力される。これは、図２および図３に示されているよ
うに変換決定器とも呼ぶ。変換プロセッサ２０２は
Ｓi′（ｆ）を出力する。Ｓi′（ｆ）はＱiＧ（Ｓ
（ｆ））にオフセット値ＯＶiを加えたものに等しい。
Ｑiはスケールファクタであり、Ｇは、変換記憶装置２
０４に記憶されているＳ（ｆ）の関数である。Ｓ（ｆ）
の「関数」は、変換プロセッサで計算される。この関数
は必ずしもＱiを含むとは限らない。しかし、この「関
数」は、少なくとも３つのことなる形式を含むほどに広
いものである。特に、この「関数」はＱiＧ（Ｓ
（ｆ））、ＱiＳ（ｆ）、またはＧ（Ｓ（ｆ））の形式
が可能である。Ｇは任意の線形または非線形の関数であ
り、その形式はアプリケーションに依存し、信号タイ
プ、予想される歪み、および特徴抽出方法（例えば、ケ
プストラム、スペクトラムなど）を含む因子に依存す
る。Ｇが上記の因子に基づいて変化するしかたは当業者
には容易に明らかとなる。例えば、信号タイプが音声で
あり、予想される歪みが電話網のチャネル歪みであり、
特徴抽出方法がケプストラム分析である場合、Ｇ（ｘ）
＝ｘである。
る。音声信号Ｓ（ｔ）は変換器２００に入力される。音
声認識環境では、変換器２００は任意のタイプの特徴抽
出装置（例えば、スペクトラム分析装置、ケプストラム
分析装置など）である。再び簡単のため、Ｓ（ｔ）は１
個のキーワードを含む発声であると仮定する。変換器２
００は音声信号Ｓ（ｔ）を周波数領域に変換し信号Ｓ
（ｆ）を生成する。Ｓ（ｆ）は変換プロセッサ２０２に
入力される。これは、図２および図３に示されているよ
うに変換決定器とも呼ぶ。変換プロセッサ２０２は
Ｓi′（ｆ）を出力する。Ｓi′（ｆ）はＱiＧ（Ｓ
（ｆ））にオフセット値ＯＶiを加えたものに等しい。
Ｑiはスケールファクタであり、Ｇは、変換記憶装置２
０４に記憶されているＳ（ｆ）の関数である。Ｓ（ｆ）
の「関数」は、変換プロセッサで計算される。この関数
は必ずしもＱiを含むとは限らない。しかし、この「関
数」は、少なくとも３つのことなる形式を含むほどに広
いものである。特に、この「関数」はＱiＧ（Ｓ
（ｆ））、ＱiＳ（ｆ）、またはＧ（Ｓ（ｆ））の形式
が可能である。Ｇは任意の線形または非線形の関数であ
り、その形式はアプリケーションに依存し、信号タイ
プ、予想される歪み、および特徴抽出方法（例えば、ケ
プストラム、スペクトラムなど）を含む因子に依存す
る。Ｇが上記の因子に基づいて変化するしかたは当業者
には容易に明らかとなる。例えば、信号タイプが音声で
あり、予想される歪みが電話網のチャネル歪みであり、
特徴抽出方法がケプストラム分析である場合、Ｇ（ｘ）
＝ｘである。
【００２３】再び図２を参照すると、変数ｉを識別する
ために、システムの初期通過（初期識別）が必要であ
る。初期通過中にはＳi′（ｆ）はＳ（ｆ）に等しく
（すなわち、Ｑi＝１、Ｇ（ｘ）＝ｘ、およびＯＶi＝
０）、比較器２０６は単にＳ（ｆ）と各ＨＭＭの間の比
較を実行して第１の尤度値の集合を決定する。この第１
尤度値集合に基づいて、Ｗiを決定する。Ｗｉは、初期
通過でのＳi′（ｆ）に最も近いＨＭＭ（すなわちＨＭ
Ｍi）によって表現される単語である。
ために、システムの初期通過（初期識別）が必要であ
る。初期通過中にはＳi′（ｆ）はＳ（ｆ）に等しく
（すなわち、Ｑi＝１、Ｇ（ｘ）＝ｘ、およびＯＶi＝
０）、比較器２０６は単にＳ（ｆ）と各ＨＭＭの間の比
較を実行して第１の尤度値の集合を決定する。この第１
尤度値集合に基づいて、Ｗiを決定する。Ｗｉは、初期
通過でのＳi′（ｆ）に最も近いＨＭＭ（すなわちＨＭ
Ｍi）によって表現される単語である。
【００２４】さらに図２を参照すると、初期識別後、変
換プロセッサ２０２はＨＭＭ記憶装置２０８からＨＭＭ
iを受信する。ＨＭＭ記憶装置２０８は、初期識別後に
比較器２０６からインデックスｉを送信されるため、Ｈ
ＭＭiを選択する。変換プロセッサ２０２はＳ（ｆ）、
ＨＭＭi、および変換記憶装置からの入力Ｇを使用し
て、関数を計算し、スケールファクタＱiおよびオフセ
ット値ＯＶiを決定する。ＱiおよびＯＶiは付録Ａの式
３２および式３３に従って決定される。ＯＶｉ、Ｑｉお
よびＧはこれで既知となるため、変換プロセッサは、Ｓ
（ｆ）をとり、上記の式に従ってこれを新たなＳi′
（ｆ）に変換することが可能となる。
換プロセッサ２０２はＨＭＭ記憶装置２０８からＨＭＭ
iを受信する。ＨＭＭ記憶装置２０８は、初期識別後に
比較器２０６からインデックスｉを送信されるため、Ｈ
ＭＭiを選択する。変換プロセッサ２０２はＳ（ｆ）、
ＨＭＭi、および変換記憶装置からの入力Ｇを使用し
て、関数を計算し、スケールファクタＱiおよびオフセ
ット値ＯＶiを決定する。ＱiおよびＯＶiは付録Ａの式
３２および式３３に従って決定される。ＯＶｉ、Ｑｉお
よびＧはこれで既知となるため、変換プロセッサは、Ｓ
（ｆ）をとり、上記の式に従ってこれを新たなＳi′
（ｆ）に変換することが可能となる。
【００２５】再び図２を参照すると、Ｇは数学的にＱi
Ｇ（Ｓ（ｆ））と記述されるＳ（ｆ）の関数である。変
換（例えばＳi′（ｆ）＝Ｑi（Ｇ（Ｓ（ｆ））＋Ｏ
Ｖi）が変換プロセッサ２０２によって決定されるとき
に「決定される」必要がある項目はＱiおよびＯＶiであ
るため、これは重要である。方程式が２個および未知数
が２個あるため、ＱiおよびＯＶiはどちらを先に（すな
わちＱiが先でＯＶiが後またはＯＶiが先でその後に
Ｑi）決定することも可能である。この変換を決定する
ことはある状況では関数全体（例えばＱiおよびＧ）で
はなく関数の一部（例えばＧ）に基づくこともある。例
えば、関数がＱiＧ（Ｓ（ｆ））であるとみなされると
する。この関数は計算可能である。しかし、ＯＶiにつ
いて先に解きＱiについて後に解くことによって変換を
決定する場合、関数の少なくとも一部の項（すなわちＱ
i）は変換のＯＶi部分を決定するのに必要ではない。Ｏ
Ｖiが決定されると、Ｑiを決定することは自明でありＯ
Ｖiに依存する。従って、変換は関数の少なくとも一部
の項に基づいて決定されることがある。
Ｇ（Ｓ（ｆ））と記述されるＳ（ｆ）の関数である。変
換（例えばＳi′（ｆ）＝Ｑi（Ｇ（Ｓ（ｆ））＋Ｏ
Ｖi）が変換プロセッサ２０２によって決定されるとき
に「決定される」必要がある項目はＱiおよびＯＶiであ
るため、これは重要である。方程式が２個および未知数
が２個あるため、ＱiおよびＯＶiはどちらを先に（すな
わちＱiが先でＯＶiが後またはＯＶiが先でその後に
Ｑi）決定することも可能である。この変換を決定する
ことはある状況では関数全体（例えばＱiおよびＧ）で
はなく関数の一部（例えばＧ）に基づくこともある。例
えば、関数がＱiＧ（Ｓ（ｆ））であるとみなされると
する。この関数は計算可能である。しかし、ＯＶiにつ
いて先に解きＱiについて後に解くことによって変換を
決定する場合、関数の少なくとも一部の項（すなわちＱ
i）は変換のＯＶi部分を決定するのに必要ではない。Ｏ
Ｖiが決定されると、Ｑiを決定することは自明でありＯ
Ｖiに依存する。従って、変換は関数の少なくとも一部
の項に基づいて決定されることがある。
【００２６】再び図２を参照すると、新たなＳi′
（ｆ）を各ＨＭＭと比較し、第２の尤度値の集合を決定
する。この第２尤度値集合に基づいてＷiを決定する。
この新たなＷiは新たなＳi′（ｆ）に最も近いＨＭＭで
ある新たなＨＭＭiに対応する。このプロセスは反復さ
れることもあるが、アプリケーションによっては反復す
る必要はない。例えば、新たなＷiからのインデックス
ｉは次のＨＭＭiを識別するＨＭＭ記憶装置２０８に渡
される。次のＨＭＭiは、Ｓ（ｆ）およびＧとともに、
変換プロセッサに入力される。この情報により、変換プ
ロセッサは次のＱiおよび次のＯＶiを決定する。
（ｆ）を各ＨＭＭと比較し、第２の尤度値の集合を決定
する。この第２尤度値集合に基づいてＷiを決定する。
この新たなＷiは新たなＳi′（ｆ）に最も近いＨＭＭで
ある新たなＨＭＭiに対応する。このプロセスは反復さ
れることもあるが、アプリケーションによっては反復す
る必要はない。例えば、新たなＷiからのインデックス
ｉは次のＨＭＭiを識別するＨＭＭ記憶装置２０８に渡
される。次のＨＭＭiは、Ｓ（ｆ）およびＧとともに、
変換プロセッサに入力される。この情報により、変換プ
ロセッサは次のＱiおよび次のＯＶiを決定する。
【００２７】ある場合には、第２尤度値集合に基づい
て、新たなＳi′（ｆ）が特定のＨＭＭに最も類似する
ものとして識別される。しかし、図２について説明した
プロセスは反復されることが可能であり、プロセスの追
加反復が所望されるような場合もある。このような場合
には、プロセスの反復を何回実行するかを決定するいく
つもの方法がある。例えば、特定のＨＭＭiが現在の
Ｓi′（ｆ）に対するあるしきい値より高くなった場合
に追加反復を行わないと決定することも可能である。ま
た、ある一定回数の反復より多くを行わないと決定する
ことも可能である。また、以上の２つの方法を組み合わ
せて、あるしきい値より高いＨＭＭiがない限り一定回
数の反復を行うことも可能である。このほかにも、当業
者には容易に明らかなように、プロセスの反復を何回実
行するかを決定するために使用可能な他のいくつもの方
法がある。
て、新たなＳi′（ｆ）が特定のＨＭＭに最も類似する
ものとして識別される。しかし、図２について説明した
プロセスは反復されることが可能であり、プロセスの追
加反復が所望されるような場合もある。このような場合
には、プロセスの反復を何回実行するかを決定するいく
つもの方法がある。例えば、特定のＨＭＭiが現在の
Ｓi′（ｆ）に対するあるしきい値より高くなった場合
に追加反復を行わないと決定することも可能である。ま
た、ある一定回数の反復より多くを行わないと決定する
ことも可能である。また、以上の２つの方法を組み合わ
せて、あるしきい値より高いＨＭＭiがない限り一定回
数の反復を行うことも可能である。このほかにも、当業
者には容易に明らかなように、プロセスの反復を何回実
行するかを決定するために使用可能な他のいくつもの方
法がある。
【００２８】図３を参照して第２実施例について説明す
る。音声信号Ｓ（ｔ）は変換器３００に入力され、音声
信号の周波数表現Ｓ（ｆ）を生成する。再び簡単のた
め、Ｓ（ｔ）は１個のキーワードを含む発声であると仮
定する。Ｓ（ｆ）は比較器３０２に入力される。システ
ムの初期通過中には、Ｓ（ｆ）はＨＭＭの集合（例えば
ＨＭＭ′）と比較される。ＨＭＭ′は、ＨＭＭ記憶装置
３０４に記憶されているＨＭＭの別の集合に基づいたＨ
ＭＭの集合である。ＨＭＭ′内の各ＨＭＭはＨＭＭ記憶
装置のＨＭＭにオフセット値ＯＶを加えたものに等し
い。初期通過の場合、ＯＶは０に等しく設定される。初
期通過は第１の尤度値の集合を生成する。ＨＭＭ′内で
最も高い尤度値を与える特定のＨＭＭによって表される
単語Ｗiが識別される。このＨＭＭは、例えば、ＨＭ
Ｍ′内のｉ番目のＨＭＭである。こうして、Ｗiは、音
声信号Ｓ（ｔ）に最も近い単語の初期決定を表す。
る。音声信号Ｓ（ｔ）は変換器３００に入力され、音声
信号の周波数表現Ｓ（ｆ）を生成する。再び簡単のた
め、Ｓ（ｔ）は１個のキーワードを含む発声であると仮
定する。Ｓ（ｆ）は比較器３０２に入力される。システ
ムの初期通過中には、Ｓ（ｆ）はＨＭＭの集合（例えば
ＨＭＭ′）と比較される。ＨＭＭ′は、ＨＭＭ記憶装置
３０４に記憶されているＨＭＭの別の集合に基づいたＨ
ＭＭの集合である。ＨＭＭ′内の各ＨＭＭはＨＭＭ記憶
装置のＨＭＭにオフセット値ＯＶを加えたものに等し
い。初期通過の場合、ＯＶは０に等しく設定される。初
期通過は第１の尤度値の集合を生成する。ＨＭＭ′内で
最も高い尤度値を与える特定のＨＭＭによって表される
単語Ｗiが識別される。このＨＭＭは、例えば、ＨＭ
Ｍ′内のｉ番目のＨＭＭである。こうして、Ｗiは、音
声信号Ｓ（ｔ）に最も近い単語の初期決定を表す。
【００２９】Ｗiのインデックス（すなわちｉ）はＨＭ
Ｍ記憶装置３０４に入力される。ＨＭＭ記憶装置３０４
はこのｉ番目のＨＭＭ（すなわちＨＭＭi）を識別し、
それを変換プロセッサ３０６に入力する。ＨＭＭｉおよ
びＳ（ｆ）に基づいて、変換プロセッサ３０６はオフセ
ット値ＯＶを決定する。ＯＶは、ＨＭＭi、Ｓ（ｆ）、
および付録Ａの式４７および式４９に基づいて決定され
る。ＯＶは、ＨＭＭi、Ｓ（ｆ）、および付録Ａの式５
３および式５４に基づいて決定することも可能である。
一般に、式４７および式４９の使用は、式５３および式
５４の使用よりも計算量的にわずかに効率的であるがわ
ずかに有効でない。
Ｍ記憶装置３０４に入力される。ＨＭＭ記憶装置３０４
はこのｉ番目のＨＭＭ（すなわちＨＭＭi）を識別し、
それを変換プロセッサ３０６に入力する。ＨＭＭｉおよ
びＳ（ｆ）に基づいて、変換プロセッサ３０６はオフセ
ット値ＯＶを決定する。ＯＶは、ＨＭＭi、Ｓ（ｆ）、
および付録Ａの式４７および式４９に基づいて決定され
る。ＯＶは、ＨＭＭi、Ｓ（ｆ）、および付録Ａの式５
３および式５４に基づいて決定することも可能である。
一般に、式４７および式４９の使用は、式５３および式
５４の使用よりも計算量的にわずかに効率的であるがわ
ずかに有効でない。
【００３０】オフセット値をＨＭＭ記憶装置の各ＨＭＭ
に加えて新たなＨＭＭの集合（すなわち新たなＨＭ
Ｍ′）を生成する。これは変換プロセッサ３０６で行わ
れる。こうして、ＨＭＭ記憶装置３０４内の記憶ＨＭＭ
の集合が、変換されたＨＭＭの集合（すなわち新たなＨ
ＭＭ′）を生成するために変換される。
に加えて新たなＨＭＭの集合（すなわち新たなＨＭ
Ｍ′）を生成する。これは変換プロセッサ３０６で行わ
れる。こうして、ＨＭＭ記憶装置３０４内の記憶ＨＭＭ
の集合が、変換されたＨＭＭの集合（すなわち新たなＨ
ＭＭ′）を生成するために変換される。
【００３１】この新たなＨＭＭ′は比較器３０２でＳ
（ｆ）と比較される。この比較により、第２の尤度値の
集合が生成される。この第２尤度値集合に基づいてＷi
が決定される。この新たなＷｉは、新たなＨＭＭ′内の
ＨＭＭに対応する。このプロセスは反復されることもあ
るが、アプリケーションによっては反復する必要はな
い。
（ｆ）と比較される。この比較により、第２の尤度値の
集合が生成される。この第２尤度値集合に基づいてＷi
が決定される。この新たなＷｉは、新たなＨＭＭ′内の
ＨＭＭに対応する。このプロセスは反復されることもあ
るが、アプリケーションによっては反復する必要はな
い。
【００３２】プロセスの追加反復が所望されることもあ
る。そのような場合、当業者には容易に明らかなよう
に、プロセスの反復を何回実行するかを決定するいくつ
もの方法がある。
る。そのような場合、当業者には容易に明らかなよう
に、プロセスの反復を何回実行するかを決定するいくつ
もの方法がある。
【００３３】第３実施例は、第１実施例および第２実施
例の両方からの技術を使用する。従って、第３実施例は
図２および図３を参照して説明する。
例の両方からの技術を使用する。従って、第３実施例は
図２および図３を参照して説明する。
【００３４】第３実施例は、信号と、記憶ＨＭＭの集合
内の少なくとも１つのＨＭＭを互いに接近させる反復法
を使用する。例えば、Ｓ（ｔ）が図２のシステムに入力
されＷiが生成される。しかし、インデックスｉを図２
のＨＭＭ記憶装置２０８に送る代わりに、インデックス
ｉは図３のＨＭＭ記憶装置３０４に送られる。次に、図
３のシステムはＨＭＭiおよびＳ（ｔ）を使用して新た
なＷiを生成する。第３実施例に従って形成されるシス
テムによって実行されるプロセスは、１回だけが所望さ
れる場合には完了しない可能性もある。しかし、アプリ
ケーションに基づいて追加反復が所望される場合、図３
の新たなＷiは新たなインデックスｉを図３のＨＭＭ記
憶装置３０４ではなく図２のＨＭＭ記憶装置２０８に送
る。次に、図２のシステムはプロセスを実行して現在の
Ｗiを生成する。次に、現在のＷiに対応するｉの値が再
び図３のＨＭＭ記憶装置３０４に送られる。これは必要
なだけ続けることができる。追加反復が所望される場
合、当業者には容易に明らかなように、プロセスの反復
を何回実行するかを決定するいくつもの方法がある。
内の少なくとも１つのＨＭＭを互いに接近させる反復法
を使用する。例えば、Ｓ（ｔ）が図２のシステムに入力
されＷiが生成される。しかし、インデックスｉを図２
のＨＭＭ記憶装置２０８に送る代わりに、インデックス
ｉは図３のＨＭＭ記憶装置３０４に送られる。次に、図
３のシステムはＨＭＭiおよびＳ（ｔ）を使用して新た
なＷiを生成する。第３実施例に従って形成されるシス
テムによって実行されるプロセスは、１回だけが所望さ
れる場合には完了しない可能性もある。しかし、アプリ
ケーションに基づいて追加反復が所望される場合、図３
の新たなＷiは新たなインデックスｉを図３のＨＭＭ記
憶装置３０４ではなく図２のＨＭＭ記憶装置２０８に送
る。次に、図２のシステムはプロセスを実行して現在の
Ｗiを生成する。次に、現在のＷiに対応するｉの値が再
び図３のＨＭＭ記憶装置３０４に送られる。これは必要
なだけ続けることができる。追加反復が所望される場
合、当業者には容易に明らかなように、プロセスの反復
を何回実行するかを決定するいくつもの方法がある。
【００３５】第３実施例を参照すると、２つの事項が当
業者には明らかである。第１に、実行する反復回数にか
かわらず、第３実施例は、図２または図３に関して説明
した技術のいずれを最初に実行することによっても使用
可能である。第２に、反復はさまざまな方法で実行可能
である。例えば、次のような方法がある。 １．図２に関して説明した初期識別手順を実行した後、
図３に関して説明した手順を実行するか、またはその
逆。 ２．図２に関して説明した初期識別手順およびその後の
手順を実行した後、図３に関して説明した手順を実行す
るか、またはその逆。 他の可能性は当業者には明らかである。
業者には明らかである。第１に、実行する反復回数にか
かわらず、第３実施例は、図２または図３に関して説明
した技術のいずれを最初に実行することによっても使用
可能である。第２に、反復はさまざまな方法で実行可能
である。例えば、次のような方法がある。 １．図２に関して説明した初期識別手順を実行した後、
図３に関して説明した手順を実行するか、またはその
逆。 ２．図２に関して説明した初期識別手順およびその後の
手順を実行した後、図３に関して説明した手順を実行す
るか、またはその逆。 他の可能性は当業者には明らかである。
【００３６】本発明は音声認識システムに関して説明し
たが、当業者には明らかなように、本発明は、物理信号
を記憶された表現の集合と比較するような任意のタイプ
のシステムで使用可能である。そのようなシステムに
は、ファクシミリ認識システム、衛星伝送・認識システ
ム、話者認識システム、署名認識システム、および光学
式文字認識システムならびにその他の画像または音響認
識システムがあるが、これらに限定されるものではな
い。さらに、各記憶表現は、その記憶表現が信号に類似
するものとして識別された場合に実行する対応する動作
を有することが可能である。この動作はアプリケーショ
ンに依存し、例えば、電話網では発呼者をオペレータに
接続することである。当業者には理解されるように、ア
プリケーションに依存して実行されるさまざまな動作が
ある。最後に、開示したシステムは単語を表す記憶モデ
ルに関して説明したが、当業者には理解されるように、
この記憶モデルは、アプリケーションに依存して、音
素、または、音声もしくはデータの他の要素のモデルと
することも可能である。
たが、当業者には明らかなように、本発明は、物理信号
を記憶された表現の集合と比較するような任意のタイプ
のシステムで使用可能である。そのようなシステムに
は、ファクシミリ認識システム、衛星伝送・認識システ
ム、話者認識システム、署名認識システム、および光学
式文字認識システムならびにその他の画像または音響認
識システムがあるが、これらに限定されるものではな
い。さらに、各記憶表現は、その記憶表現が信号に類似
するものとして識別された場合に実行する対応する動作
を有することが可能である。この動作はアプリケーショ
ンに依存し、例えば、電話網では発呼者をオペレータに
接続することである。当業者には理解されるように、ア
プリケーションに依存して実行されるさまざまな動作が
ある。最後に、開示したシステムは単語を表す記憶モデ
ルに関して説明したが、当業者には理解されるように、
この記憶モデルは、アプリケーションに依存して、音
素、または、音声もしくはデータの他の要素のモデルと
することも可能である。
【００３７】［付録Ａ］要約
試験発声における歪みによって引き起こされる認識性能
劣化を縮小するために、試験発声と与えられた音声モデ
ルの集合の間の音響不一致を減少させる最尤（ＭＬ）確
率論的不一致アプローチを開示する。音声信号が部分語
隠れマルコフモデル（ＨＭＭ）の集合ΛXによってモデ
ル化されると仮定する。観測される試験発声Ｙとモデル
ΛXの間の不一致は２つの方法、すなわち、（１）Ｙ
を、モデルΛXとより良く一致する発声Ｘに写像する逆
歪み関数Ｆν（・）によって、および、（２）ΛXを、
発声Ｙにより良く一致する変換されたモデル（変換済み
モデル）ΛYに写像するモデル変換関数Ｇη（・）によ
って、縮小することができる。変換Ｆν（・）またはＧ
η（・）の関数形を仮定し、期待値最大化（ＥＭ）アル
ゴリズムを使用して最尤的にパラメータνまたはηを推
定する。Ｆν（・）またはＧη（・）の形の選択は、音
響不一致の性質の事前の知識に基づく。
劣化を縮小するために、試験発声と与えられた音声モデ
ルの集合の間の音響不一致を減少させる最尤（ＭＬ）確
率論的不一致アプローチを開示する。音声信号が部分語
隠れマルコフモデル（ＨＭＭ）の集合ΛXによってモデ
ル化されると仮定する。観測される試験発声Ｙとモデル
ΛXの間の不一致は２つの方法、すなわち、（１）Ｙ
を、モデルΛXとより良く一致する発声Ｘに写像する逆
歪み関数Ｆν（・）によって、および、（２）ΛXを、
発声Ｙにより良く一致する変換されたモデル（変換済み
モデル）ΛYに写像するモデル変換関数Ｇη（・）によ
って、縮小することができる。変換Ｆν（・）またはＧ
η（・）の関数形を仮定し、期待値最大化（ＥＭ）アル
ゴリズムを使用して最尤的にパラメータνまたはηを推
定する。Ｆν（・）またはＧη（・）の形の選択は、音
響不一致の性質の事前の知識に基づく。
【００３８】実験結果を提示して、提案するアルゴリズ
ムの性質を調べ、異なるトランスデューサおよび伝送チ
ャネルによる不一致の存在するＨＭＭベースの連続音声
認識システムの性能の改善におけるこのアプローチの効
力を確認する。提案する確率論的マッチングアルゴリズ
ムは急速に収束することがわかる。さらに、不一致条件
における認識性能は大幅に改善される一方、一致条件に
おける性能も良好に維持される。不一致条件におけるこ
の確率論的マッチングアルゴリズムによる平均単語誤り
率の縮小は約７０％である。
ムの性質を調べ、異なるトランスデューサおよび伝送チ
ャネルによる不一致の存在するＨＭＭベースの連続音声
認識システムの性能の改善におけるこのアプローチの効
力を確認する。提案する確率論的マッチングアルゴリズ
ムは急速に収束することがわかる。さらに、不一致条件
における認識性能は大幅に改善される一方、一致条件に
おける性能も良好に維持される。不一致条件におけるこ
の確率論的マッチングアルゴリズムによる平均単語誤り
率の縮小は約７０％である。
【００３９】１．はじめに
最近、悪環境での自動音声認識（ＡＳＲ）システムの性
能を改善するという問題に関心が集まっている。トレー
ニング環境と試験環境の間に不一致があると、ＡＳＲシ
ステムの性能は劣化する。強固な音声認識の目標は、こ
の不一致の影響を除去して一致条件にできるだけ近い認
識性能を実現することである。音声認識では、音声は通
常隠れマルコフモデル（ＨＭＭ）ΛXの集合によってモ
デル化される。認識中、観測される発声Ｙはこれらのモ
デルを使用して復号される。トレーニング条件と試験条
件の間の不一致により、この性能は不一致条件に比較し
て劣化することが多い。
能を改善するという問題に関心が集まっている。トレー
ニング環境と試験環境の間に不一致があると、ＡＳＲシ
ステムの性能は劣化する。強固な音声認識の目標は、こ
の不一致の影響を除去して一致条件にできるだけ近い認
識性能を実現することである。音声認識では、音声は通
常隠れマルコフモデル（ＨＭＭ）ΛXの集合によってモ
デル化される。認識中、観測される発声Ｙはこれらのモ
デルを使用して復号される。トレーニング条件と試験条
件の間の不一致により、この性能は不一致条件に比較し
て劣化することが多い。
【００４０】トレーニング条件と試験条件の間の不一致
は、図４に示した信号空間、特徴空間、またはモデル空
間で見ることができる。図４では、Ｓはトレーニング環
境における原音声を示す。トレーニング環境と試験環境
の間の不一致は、ＳをＴに変換する歪みＤ1によってモ
デル化される。音声認識では、まず何らかの形の特徴抽
出が実行される。その特徴を、トレーニング環境ではＸ
で表し、試験環境ではＹで表す。特徴空間におけるこれ
ら２つの環境の間の不一致は、特徴Ｘを特徴Ｙに変換す
る関数Ｄ2によってモデル化される。最後に、特徴Ｘを
使用してモデルΛXを構築する。モデル空間では、トレ
ーニング環境と試験環境の間の不一致は、ΛXをΛYに写
像する変換Ｄ3とみなすことができる。不一致の原因に
は、加法的ノイズ、スペクトラム傾斜およびスペクトラ
ム形成に寄与するチャネルとトランスデューサの不一
致、話者の不一致、異なるアクセント、強制、および異
なる話し方がある。最近の多くの研究は、加法的ノイズ
およびチャネルの効果の問題に集中している。
は、図４に示した信号空間、特徴空間、またはモデル空
間で見ることができる。図４では、Ｓはトレーニング環
境における原音声を示す。トレーニング環境と試験環境
の間の不一致は、ＳをＴに変換する歪みＤ1によってモ
デル化される。音声認識では、まず何らかの形の特徴抽
出が実行される。その特徴を、トレーニング環境ではＸ
で表し、試験環境ではＹで表す。特徴空間におけるこれ
ら２つの環境の間の不一致は、特徴Ｘを特徴Ｙに変換す
る関数Ｄ2によってモデル化される。最後に、特徴Ｘを
使用してモデルΛXを構築する。モデル空間では、トレ
ーニング環境と試験環境の間の不一致は、ΛXをΛYに写
像する変換Ｄ3とみなすことができる。不一致の原因に
は、加法的ノイズ、スペクトラム傾斜およびスペクトラ
ム形成に寄与するチャネルとトランスデューサの不一
致、話者の不一致、異なるアクセント、強制、および異
なる話し方がある。最近の多くの研究は、加法的ノイズ
およびチャネルの効果の問題に集中している。
【００４１】ノイズに対処するために使用される方法は
一般的に３つの大まかなカテゴリーに分けられる。第１
のカテゴリーでは、強固な信号処理を使用して、可能な
歪みに対する特徴の感度を減少させるものである。１つ
のアプローチでは、リフタリングのようなスペクトラム
形成を行う。その考え方は、低次および高次のケプスト
ラム成分をデエンファサイズすることである。これらの
成分は、チャネルノイズおよび加法的ノイズの効果に敏
感であることがわかっているからである。発声からの長
時間ケプストラム平均を減算することに基づく方法も提
案されている。この考え方は、チャネルによる不一致を
除去するために一般的に使用される。またこの第１のカ
テゴリーには、スペクトラムシーケンスをハイパスフィ
ルタリングして緩変動チャネルの効果を除去する方法も
ある。聴覚モデリングに基づく方法では、信号処理を使
用して人間の耳の処理を模倣し、より強固な特徴が得ら
れることを期待する。音声特徴へのノイズの影響を縮小
することができる信号制限プリプロセッサの使用も知ら
れている。ノイズの影響を縮小するもう１つの方法は、
トレーニングデータに環境ノイズの一部を注入してシス
テムを再トレーニングすることである。この技術はディ
ザリングに似ている。また、スペクトラム減算に基づく
方法もある。この方法では、ノイズパワースペクトラム
の推定値を各音声フレームから減算する。この第１のカ
テゴリーのアプローチは、一般に何らかの形の強固な特
徴前処理を含むので、特徴空間（図４）で作用するとみ
なすことができる。
一般的に３つの大まかなカテゴリーに分けられる。第１
のカテゴリーでは、強固な信号処理を使用して、可能な
歪みに対する特徴の感度を減少させるものである。１つ
のアプローチでは、リフタリングのようなスペクトラム
形成を行う。その考え方は、低次および高次のケプスト
ラム成分をデエンファサイズすることである。これらの
成分は、チャネルノイズおよび加法的ノイズの効果に敏
感であることがわかっているからである。発声からの長
時間ケプストラム平均を減算することに基づく方法も提
案されている。この考え方は、チャネルによる不一致を
除去するために一般的に使用される。またこの第１のカ
テゴリーには、スペクトラムシーケンスをハイパスフィ
ルタリングして緩変動チャネルの効果を除去する方法も
ある。聴覚モデリングに基づく方法では、信号処理を使
用して人間の耳の処理を模倣し、より強固な特徴が得ら
れることを期待する。音声特徴へのノイズの影響を縮小
することができる信号制限プリプロセッサの使用も知ら
れている。ノイズの影響を縮小するもう１つの方法は、
トレーニングデータに環境ノイズの一部を注入してシス
テムを再トレーニングすることである。この技術はディ
ザリングに似ている。また、スペクトラム減算に基づく
方法もある。この方法では、ノイズパワースペクトラム
の推定値を各音声フレームから減算する。この第１のカ
テゴリーのアプローチは、一般に何らかの形の強固な特
徴前処理を含むので、特徴空間（図４）で作用するとみ
なすことができる。
【００４２】第２のカテゴリーは、何らかの最適基準を
使用して、明瞭な音声の関数の推定値を形成することで
ある。音声スペクトラムの関数の最小平均２乗誤差（Ｍ
ＭＳＥ）推定に基づく定式化において、破壊的ノイズが
独立のガウス過程であると仮定するものが知られてい
る。さらに、各スペクトラムビンは別個に推定される。
個々のビンは独立であると仮定したためである。音声分
布をガウシアンの混合（ミクスチャ）としてモデル化し
て、別々のスペクトラムビン間の相関を各ミクスチャの
対角共分散行列でモデル化する。最後に、音声の時間構
造は、隠れマルコフモデル（ＨＭＭ）によって音声をモ
デル化することにより考慮される。これらのアプローチ
は、信号空間と特徴空間のいずれの表現を推定している
かに依存して、音声強化として信号空間で、または、ス
ペクトラム補償として特徴空間で、見ることができる。
使用して、明瞭な音声の関数の推定値を形成することで
ある。音声スペクトラムの関数の最小平均２乗誤差（Ｍ
ＭＳＥ）推定に基づく定式化において、破壊的ノイズが
独立のガウス過程であると仮定するものが知られてい
る。さらに、各スペクトラムビンは別個に推定される。
個々のビンは独立であると仮定したためである。音声分
布をガウシアンの混合（ミクスチャ）としてモデル化し
て、別々のスペクトラムビン間の相関を各ミクスチャの
対角共分散行列でモデル化する。最後に、音声の時間構
造は、隠れマルコフモデル（ＨＭＭ）によって音声をモ
デル化することにより考慮される。これらのアプローチ
は、信号空間と特徴空間のいずれの表現を推定している
かに依存して、音声強化として信号空間で、または、ス
ペクトラム補償として特徴空間で、見ることができる。
【００４３】第３のカテゴリーでは、ノイズをモデル化
し直接認識プロセスに組み込む。このアプローチの１つ
は、ノイズマスキングに基づく。この考え方では、信号
エネルギーがある適当なノイズレベル以下になった場合
に、そのノイズレベルでフィルタバンクエネルギーを置
き換える。こうして、ノイズによって顕著に破壊された
情報は無視される。モデル分解と呼ばれるもう１つのア
プローチでは、音声およびノイズの別々のＨＭＭをトレ
ーニングデータからトレーニングする。認識中には、こ
れらの２つのモデルの結合状態空間でビタビ検索を実行
する。この方法はかなり良好に動作することが示されて
いるが、音声およびノイズの両方に対する精度の良いモ
デルが必要である。このモデル分解アプローチは上記の
アプローチに似ている。しかし、原音声のパラメータ
は、認識中のノイズのある音声から推定される。信号と
ノイズのモデルの間のさらに一般的な相互作用を許容し
た、ノイズのあるデータから原音声パラメータを推定す
る問題は良く研究されている。この場合、信号はガウシ
アンのミクスチャとしてモデル化されると仮定される。
このカテゴリーのさらにもう１つの方法では、ＨＭＭパ
ラメータを推定する前に、トレーニング音声のエネルギ
ー等高線の最尤（ＭＬ）推定を使用して音声を正規化す
る。試験中には、明瞭な利得パラメータのＭＬ推定がノ
イズのある音声から計算され、それを使用して、音声モ
デルのパラメータを正規化する。音声認識に対するミニ
マックス法は既知であり、認識器は、トレーニング中に
推定された値の近傍をＨＭＭパラメータが占有するよう
にすることによってさらに強固となる。これらのアプロ
ーチは、図４に示したモデルにおける可能な歪みを扱う
モデル空間で作用するとみなされる。
し直接認識プロセスに組み込む。このアプローチの１つ
は、ノイズマスキングに基づく。この考え方では、信号
エネルギーがある適当なノイズレベル以下になった場合
に、そのノイズレベルでフィルタバンクエネルギーを置
き換える。こうして、ノイズによって顕著に破壊された
情報は無視される。モデル分解と呼ばれるもう１つのア
プローチでは、音声およびノイズの別々のＨＭＭをトレ
ーニングデータからトレーニングする。認識中には、こ
れらの２つのモデルの結合状態空間でビタビ検索を実行
する。この方法はかなり良好に動作することが示されて
いるが、音声およびノイズの両方に対する精度の良いモ
デルが必要である。このモデル分解アプローチは上記の
アプローチに似ている。しかし、原音声のパラメータ
は、認識中のノイズのある音声から推定される。信号と
ノイズのモデルの間のさらに一般的な相互作用を許容し
た、ノイズのあるデータから原音声パラメータを推定す
る問題は良く研究されている。この場合、信号はガウシ
アンのミクスチャとしてモデル化されると仮定される。
このカテゴリーのさらにもう１つの方法では、ＨＭＭパ
ラメータを推定する前に、トレーニング音声のエネルギ
ー等高線の最尤（ＭＬ）推定を使用して音声を正規化す
る。試験中には、明瞭な利得パラメータのＭＬ推定がノ
イズのある音声から計算され、それを使用して、音声モ
デルのパラメータを正規化する。音声認識に対するミニ
マックス法は既知であり、認識器は、トレーニング中に
推定された値の近傍をＨＭＭパラメータが占有するよう
にすることによってさらに強固となる。これらのアプロ
ーチは、図４に示したモデルにおける可能な歪みを扱う
モデル空間で作用するとみなされる。
【００４４】話者とチャネルの適応に関する最近の研究
では、各話者を基準話者に変換する固定バイアスを推定
した後、推定されたバイアスを各音声フレームから減算
する。類似のアプローチが、音声がベクトル量子化（Ｖ
Ｑ）コードブックによってモデル化されるような音声認
識においてチャネル不一致を推定するために使用されて
いる。チャネル不一致を推定するもう１つのアプローチ
として、推定が、２つのチャネルの平均対数スペクトラ
ム間の差に基づいて行うことが提案されている。
では、各話者を基準話者に変換する固定バイアスを推定
した後、推定されたバイアスを各音声フレームから減算
する。類似のアプローチが、音声がベクトル量子化（Ｖ
Ｑ）コードブックによってモデル化されるような音声認
識においてチャネル不一致を推定するために使用されて
いる。チャネル不一致を推定するもう１つのアプローチ
として、推定が、２つのチャネルの平均対数スペクトラ
ム間の差に基づいて行うことが提案されている。
【００４５】ここに開示するのは、強固な音声認識のた
めの確率論的マッチングへのＭＬアプローチである。本
方法では、発声の認識中に、ＭＬアプローチを使用する
ことによって、観測発声と原音声モデルの間の不一致を
縮小する。この不一致は少なくとも２つの方法で縮小す
ることができる。第１に、歪んだ特徴Ｙを原特徴Ｘの推
定値に写像し、原モデルΛXを認識に用いることができ
るようにすることが可能である。第２に、原モデルΛX
を、観測発声Ｙにより良く一致する変換済みモデルΛY
に写像することが可能である。第１の写像は特徴空間で
作用し、第２の写像はモデル空間で作用する（図４）。
これらの写像を、特徴空間ではＦν（Ｙ）で表し、モデ
ル空間ではＧη（ΛX）で表す。ただしνおよびηは推
定すべきパラメータである。これらの写像の関数形は、
音響不一致の性質に関する事前の情報に依存する。次
に、与えられたモデルΛXに対して観測音声Ｙの尤度を
最大化して歪みによる不一致を減少させるようにこれら
の関数のパラメータνまたはηを推定する。目標は認識
を改善するために不一致を縮小することであり、ΛXは
認識に使用するモデルであるので、パラメータνおよび
ηを推定するための音声モデルとしてＨＭＭのΛXを使
用することは直感的に興味のあることである。ＭＬパラ
メータ推定は、反復して尤度を改善する期待値最大化
（ＥＭ）アルゴリズムを使用して解かれる。本発明の確
率論的マッチングアルゴリズムは与えられた試験発声お
よび与えられた音声モデルの集合のみに作用するため、
実際の試験前の不一致の推定にトレーニングは不要であ
る。上記の２つの方法をともに使用して、不一致の効果
を縮小する第３の方法とすることも可能である。
めの確率論的マッチングへのＭＬアプローチである。本
方法では、発声の認識中に、ＭＬアプローチを使用する
ことによって、観測発声と原音声モデルの間の不一致を
縮小する。この不一致は少なくとも２つの方法で縮小す
ることができる。第１に、歪んだ特徴Ｙを原特徴Ｘの推
定値に写像し、原モデルΛXを認識に用いることができ
るようにすることが可能である。第２に、原モデルΛX
を、観測発声Ｙにより良く一致する変換済みモデルΛY
に写像することが可能である。第１の写像は特徴空間で
作用し、第２の写像はモデル空間で作用する（図４）。
これらの写像を、特徴空間ではＦν（Ｙ）で表し、モデ
ル空間ではＧη（ΛX）で表す。ただしνおよびηは推
定すべきパラメータである。これらの写像の関数形は、
音響不一致の性質に関する事前の情報に依存する。次
に、与えられたモデルΛXに対して観測音声Ｙの尤度を
最大化して歪みによる不一致を減少させるようにこれら
の関数のパラメータνまたはηを推定する。目標は認識
を改善するために不一致を縮小することであり、ΛXは
認識に使用するモデルであるので、パラメータνおよび
ηを推定するための音声モデルとしてＨＭＭのΛXを使
用することは直感的に興味のあることである。ＭＬパラ
メータ推定は、反復して尤度を改善する期待値最大化
（ＥＭ）アルゴリズムを使用して解かれる。本発明の確
率論的マッチングアルゴリズムは与えられた試験発声お
よび与えられた音声モデルの集合のみに作用するため、
実際の試験前の不一致の推定にトレーニングは不要であ
る。上記の２つの方法をともに使用して、不一致の効果
を縮小する第３の方法とすることも可能である。
【００４６】異なるトランスデューサおよびチャネルに
よる不一致の存在下で連続音声認識システムの性能を改
善するアプローチの効力を示すために実験結果を提示す
る。この不一致は、固定バイアス（特徴空間において）
として、およびランダムバイアス（モデル空間におい
て）としての両方でモデル化される。提案するアプロー
チは、不一致条件で単語誤り率を約７０％縮小し、一致
条件下での性能を維持した。本発明のアルゴリズムは、
急速に収束する（反復２回以内）こともわかった。
よる不一致の存在下で連続音声認識システムの性能を改
善するアプローチの効力を示すために実験結果を提示す
る。この不一致は、固定バイアス（特徴空間において）
として、およびランダムバイアス（モデル空間におい
て）としての両方でモデル化される。提案するアプロー
チは、不一致条件で単語誤り率を約７０％縮小し、一致
条件下での性能を維持した。本発明のアルゴリズムは、
急速に収束する（反復２回以内）こともわかった。
【００４７】以下の説明の構成は次の通りである。第２
節で、変換Ｆν（・）およびＧη（・）のパラメータの
最尤推定に対する一般的な枠組みを説明する。第３節
で、特徴空間変換の場合を説明する。特に、未知パラメ
ータに関して線形であるが、観測値に関して非線形な逆
歪み関数のパラメータの推定値に対する表式を導出す
る。特別な場合として、加法的バイアスモデルを考察す
る。第４節で、変換をモデル空間で見る。特に、ランダ
ム加法的バイアス歪みの場合を考察する。
節で、変換Ｆν（・）およびＧη（・）のパラメータの
最尤推定に対する一般的な枠組みを説明する。第３節
で、特徴空間変換の場合を説明する。特に、未知パラメ
ータに関して線形であるが、観測値に関して非線形な逆
歪み関数のパラメータの推定値に対する表式を導出す
る。特別な場合として、加法的バイアスモデルを考察す
る。第４節で、変換をモデル空間で見る。特に、ランダ
ム加法的バイアス歪みの場合を考察する。
【００４８】２．確率論的マッチングの構成
パターン認識では、トレーニングモデルの集合ΛX＝
｛λxi｝（ただし、λxiはｉ番目のクラスのモデルであ
る。）、および試験データの集合Ｙ＝｛ｙ1，
ｙ2，...，ｙT｝が与えられた場合に、Ｙに埋め込まれ
た事象の列Ｗ＝｛Ｗ1，Ｗ2，...，ＷL｝を認識すること
が所望される。連続音声認識の場合、例えば、λxiはｉ
番目の部分語ＨＭＭ単位に対応し、Ｙは特定の試験発声
に対応する。その場合Ｗは復号された単音または単語の
列となる。モデルΛXをトレーニングする際には、トレ
ーニングデータの集合に制限される。残念ながら、この
トレーニングデータと試験データＹの間に不一致が存在
することがあり、このことは、認識される列Ｗにおける
誤りを引き起こす。この不一致は、もとの信号空間、特
徴空間、またはモデル空間（図４）で見ることができ
る。図中、関数Ｄ（・）は原空間を対応する歪みのある
空間に写像する。不一致の原因には、信号中の歪み、信
号の不完全な特徴づけ、不十分な量のトレーニングデー
タ、または不適切なモデル化および推定誤差がある。以
下では、トレーニング音声データと試験音声データの不
一致による音声認識性能の劣化の問題を考える。この不
一致は、マイクロホンとチャネルの不一致、トレーニン
グと試験の環境の相違、話者および話し方またはアクセ
ントの相違、またはこれらの任意の組合せによる可能性
がある。
｛λxi｝（ただし、λxiはｉ番目のクラスのモデルであ
る。）、および試験データの集合Ｙ＝｛ｙ1，
ｙ2，...，ｙT｝が与えられた場合に、Ｙに埋め込まれ
た事象の列Ｗ＝｛Ｗ1，Ｗ2，...，ＷL｝を認識すること
が所望される。連続音声認識の場合、例えば、λxiはｉ
番目の部分語ＨＭＭ単位に対応し、Ｙは特定の試験発声
に対応する。その場合Ｗは復号された単音または単語の
列となる。モデルΛXをトレーニングする際には、トレ
ーニングデータの集合に制限される。残念ながら、この
トレーニングデータと試験データＹの間に不一致が存在
することがあり、このことは、認識される列Ｗにおける
誤りを引き起こす。この不一致は、もとの信号空間、特
徴空間、またはモデル空間（図４）で見ることができ
る。図中、関数Ｄ（・）は原空間を対応する歪みのある
空間に写像する。不一致の原因には、信号中の歪み、信
号の不完全な特徴づけ、不十分な量のトレーニングデー
タ、または不適切なモデル化および推定誤差がある。以
下では、トレーニング音声データと試験音声データの不
一致による音声認識性能の劣化の問題を考える。この不
一致は、マイクロホンとチャネルの不一致、トレーニン
グと試験の環境の相違、話者および話し方またはアクセ
ントの相違、またはこれらの任意の組合せによる可能性
がある。
【００４９】音声認識では、モデルΛXを使用して、最
大事後（ＭＡＰ）デコーダ
大事後（ＭＡＰ）デコーダ
【数１】
を用いてＹを復号する。ただし、第１項は単語列Ｗが与
えられた場合にＹを観測する尤度であり、第２項は単語
列Ｗの事前確率である。この第２項は、許容単語列の集
合に制約を加える言語モデルと呼ばれる。トレーニング
環境と試験環境の間の不一致により、式１によって評価
されるΛXが与えられたときのＹの尤度に対応する不一
致があり、復号された列Ｗ′に誤りを引き起こす。この
不一致を減少させることにより認識性能が改善される。
えられた場合にＹを観測する尤度であり、第２項は単語
列Ｗの事前確率である。この第２項は、許容単語列の集
合に制約を加える言語モデルと呼ばれる。トレーニング
環境と試験環境の間の不一致により、式１によって評価
されるΛXが与えられたときのＹの尤度に対応する不一
致があり、復号された列Ｗ′に誤りを引き起こす。この
不一致を減少させることにより認識性能が改善される。
【００５０】特徴空間において、歪み関数が原発声Ｘ＝
｛ｘ1，ｘ2，...，ｘT｝を観測値の列Ｙ＝｛ｙ1，
ｙ2，...，ｙT｝に写像するとする。この歪みが可逆で
ある場合、次のような逆関数ＦνでＹを原音声Ｘに写像
することができる。
｛ｘ1，ｘ2，...，ｘT｝を観測値の列Ｙ＝｛ｙ1，
ｙ2，...，ｙT｝に写像するとする。この歪みが可逆で
ある場合、次のような逆関数ＦνでＹを原音声Ｘに写像
することができる。
【数２】
ただし、νは逆歪み関数のパラメータである。あるい
は、モデル空間において、パラメータηを有しΛXを変
換済みモデルΛＹに写像する変換Ｇηを考える。
は、モデル空間において、パラメータηを有しΛXを変
換済みモデルΛＹに写像する変換Ｇηを考える。
【数３】
ＹとΛXの間の不一致を減少させる１つのアプローチ
は、モデルΛXが与えられたときの式１のＹとＷの結合
尤度を最大にするパラメータνまたはηおよび単語列Ｗ
を見つけることである。すなわち、特徴空間では、次の
ようなν′を見つけることが必要である。
は、モデルΛXが与えられたときの式１のＹとＷの結合
尤度を最大にするパラメータνまたはηおよび単語列Ｗ
を見つけることである。すなわち、特徴空間では、次の
ようなν′を見つけることが必要である。
【数４】
これは次式と等価である。
【数５】
対応して、モデル空間では、次のようなη′を見つける
ことが必要である。
ことが必要である。
【数６】
これは次式と等価である。
【数７】
式５における変数νとＷに関する、または、式７におけ
るηとＷに関するこの同時最大化は、νまたはηを固定
してＷについて最大化し、その後、Ｗを固定してνまた
はηについて最大化することを反復することにより行わ
れる。この手続きを、概念的に、特徴空間について図５
に、また、モデル空間について図６に示す。
るηとＷに関するこの同時最大化は、νまたはηを固定
してＷについて最大化し、その後、Ｗを固定してνまた
はηについて最大化することを反復することにより行わ
れる。この手続きを、概念的に、特徴空間について図５
に、また、モデル空間について図６に示す。
【００５１】Ｗを見つけるプロセスは多くの研究者によ
って扱われている。パラメータνおよびηを見つける問
題は興味がある。表式を簡単にするため、Ｗ依存性を除
去し、式５および７に対応する最尤推定問題を
って扱われている。パラメータνおよびηを見つける問
題は興味がある。表式を簡単にするため、Ｗ依存性を除
去し、式５および７に対応する最尤推定問題を
【数８】
および
【数９】
のように書く。
【００５２】これを調べるため、ΛXが左右連続密度部
分語ＨＭＭの集合であると仮定する。ｉ，ｊ＝
１，...，Ｎに対して、状態ｉからｊへの遷移確率をａ
i,jで表し、状態ｉに対する観測値密度ｐx（ｘ｜ｉ）は
次式によって与えられるようなガウシアンのミクスチャ
であると仮定する。
分語ＨＭＭの集合であると仮定する。ｉ，ｊ＝
１，...，Ｎに対して、状態ｉからｊへの遷移確率をａ
i,jで表し、状態ｉに対する観測値密度ｐx（ｘ｜ｉ）は
次式によって与えられるようなガウシアンのミクスチャ
であると仮定する。
【数１０】
ただしＭはミクスチャの数であり、ｗi,jは状態ｉにお
けるミクスチャｊの確率であり、Ｎは次式によって与え
られる正規分布である。
けるミクスチャｊの確率であり、Ｎは次式によって与え
られる正規分布である。
【数１１】
ただしＤは特徴ベクトルｘの次元であり、Ｃi,jおよび
μi,jは状態ｉにおけるミクスチャｊに対応する共分散
行列および平均値ベクトルである。
μi,jは状態ｉにおけるミクスチャｊに対応する共分散
行列および平均値ベクトルである。
【００５３】Ｓ＝｛ｓ1，ｓ2，...，ｓT｝を、モデルの
集合ΛＸに対するすべての可能な状態列の集合とし、Ｃ
＝｛ｃ1，ｃ2，...，ｃT｝を、すべてのミクスチャ成分
列の集合とする。すると、式８は次のように書くことが
できる。
集合ΛＸに対するすべての可能な状態列の集合とし、Ｃ
＝｛ｃ1，ｃ2，...，ｃT｝を、すべてのミクスチャ成分
列の集合とする。すると、式８は次のように書くことが
できる。
【数１２】
同様に、式９は次のように書くことができる。
【数１３】
【００５４】一般に、ν′またはη′を直接推定するこ
とは容易ではない。しかし、あるＦνおよびＧηに対し
ては、ＥＭアルゴリズムを使用して現在の推定値を反復
的に改善し、式１２および１３中の尤度が反復ごとに増
大するように新たな推定値を得ることができる。次の２
つの節で、特徴空間変換Ｆνのパラメータν、およびモ
デル空間変換Ｇηのパラメータηの推定値を見つけるた
めのＥＭアルゴリズムの応用をそれぞれ説明する。
とは容易ではない。しかし、あるＦνおよびＧηに対し
ては、ＥＭアルゴリズムを使用して現在の推定値を反復
的に改善し、式１２および１３中の尤度が反復ごとに増
大するように新たな推定値を得ることができる。次の２
つの節で、特徴空間変換Ｆνのパラメータν、およびモ
デル空間変換Ｇηのパラメータηの推定値を見つけるた
めのＥＭアルゴリズムの応用をそれぞれ説明する。
【００５５】３．特徴空間変換Ｆνの推定
この節では、ＥＭアルゴリズムを使用して式８の推定値
ν′を見つける。ＥＭアルゴリズムは２ステップ反復手
続きである。第１ステップは、期待値ステップ（Ｅステ
ップ）と呼ぶ。この第１ステップで、次式によって与え
られる補助関数を計算する。
ν′を見つける。ＥＭアルゴリズムは２ステップ反復手
続きである。第１ステップは、期待値ステップ（Ｅステ
ップ）と呼ぶ。この第１ステップで、次式によって与え
られる補助関数を計算する。
【数１４】
第２ステップは、最大化ステップ（Ｍステップ）と呼
ぶ。この第２ステップで、Ｑ（ν′｜ν）を最大にする
ν′の値を見つける。すなわち、
ぶ。この第２ステップで、Ｑ（ν′｜ν）を最大にする
ν′の値を見つける。すなわち、
【数１５】
である。Ｑ（ν′｜ν）≧Ｑ（ν｜ν）である場合、ｐ
（Ｙ｜ν′，ΛX）≧ｐ（Ｙ｜ν，ΛX）となることを示
すことができる。従って、式１４および１５のＥステッ
プおよびＭステップを反復して適用した場合に尤度が非
減少であることが保証される。反復は、尤度の増大があ
る所定のしきい値未満になるまで継続される。
（Ｙ｜ν′，ΛX）≧ｐ（Ｙ｜ν，ΛX）となることを示
すことができる。従って、式１４および１５のＥステッ
プおよびＭステップを反復して適用した場合に尤度が非
減少であることが保証される。反復は、尤度の増大があ
る所定のしきい値未満になるまで継続される。
【００５６】一般に、式２の関数Ｆν（・）はＹのブロ
ックを異なるサイズのＸのブロックに写像することがで
きる。しかし、簡単のため、この関数は、次式のよう
に、Ｙの各フレームを対応するＸのフレームに写像する
ようなものであると仮定する。
ックを異なるサイズのＸのブロックに写像することがで
きる。しかし、簡単のため、この関数は、次式のよう
に、Ｙの各フレームを対応するＸのフレームに写像する
ようなものであると仮定する。
【数１６】
上記のような連続密度ＨＭＭによって与えられるΛXに
より、この補助関数は次のように書き換えることができ
る。
より、この補助関数は次のように書き換えることができ
る。
【数１７】
ただし、ｐy（ｙt｜ｓt，ｃt，ν，ΛX）は、ランダム
変数ｙtの確率密度関数である。これは、式１１によっ
て与えられるランダム変数ｘtの密度関数と関係ｘt＝ｆ
ν（ｙt）から導出することができる。ｙtの密度は次の
ように書くことができる。
変数ｙtの確率密度関数である。これは、式１１によっ
て与えられるランダム変数ｘtの密度関数と関係ｘt＝ｆ
ν（ｙt）から導出することができる。ｙtの密度は次の
ように書くことができる。
【数１８】
ただし、Ｊν（ｙt）は、（ｉ，ｊ）成分が次式によっ
て与えられるようなヤコビ行列である。
て与えられるようなヤコビ行列である。
【数１９】
ただし、ｙt,iはｙtの第ｉ成分であり、ｆν,j（ｙt）
はｆν（ｙt）の第ｊ成分である。さらに、式１７は次
のように書き換えることができる。
はｆν（ｙt）の第ｊ成分である。さらに、式１７は次
のように書き換えることができる。
【数２０】
これはさらに次式のように書ける。
【数２１】
ここで、ａｓ０，ｎは状態ｎの初期確率である。式２１
の補助関数を計算する際には、ν′を含む項にのみ興味
がある。従って、式１１を用いて、この補助関数を次の
ように書くことができる。
の補助関数を計算する際には、ν′を含む項にのみ興味
がある。従って、式１１を用いて、この補助関数を次の
ように書くことができる。
【数２２】
ただし、γt（ｎ，ｍ）＝ｐ（Ｙ，ｓt＝ｎ，ｃt＝ｍ｜
ν，ΛX）は、Ｙと、観測値ｙtを生成する状態ｎからの
ミクスチャｍとの結合尤度である。次のように、前方後
方アルゴリズムを使用して確率γt（ｎ，ｍ）を計算す
ることができる。
ν，ΛX）は、Ｙと、観測値ｙtを生成する状態ｎからの
ミクスチャｍとの結合尤度である。次のように、前方後
方アルゴリズムを使用して確率γt（ｎ，ｍ）を計算す
ることができる。
【数２３】
ただし、
【数２４】
【数２５】
である。前方後方アルゴリズムを使用して、αt（ｎ）
およびβt（ｎ）を反復して計算することができる。
およびβt（ｎ）を反復して計算することができる。
【００５７】ν′に関するＱ（ν′｜ν）の最大値を見
つけるために、勾配上昇アルゴリズムのような任意の山
登り法を使用することができる。しかし、場合によって
は、式２２の右辺をν′で微分してその零点を解くこと
により、陽に解を導くことができる。すなわち、次のよ
うなν′を見つけることができる。
つけるために、勾配上昇アルゴリズムのような任意の山
登り法を使用することができる。しかし、場合によって
は、式２２の右辺をν′で微分してその零点を解くこと
により、陽に解を導くことができる。すなわち、次のよ
うなν′を見つけることができる。
【数２６】
【００５８】式８の尤度の最大にするＥＭアルゴリズム
は、式２２からＱ（ν′｜ν）を計算（Ｅステップ）し
た後、式２６からν′を見つける（Ｍステップ）ことに
よって実行される。その後、この値を式２２のνに代入
し、アルゴリズムは反復して実行される。
は、式２２からＱ（ν′｜ν）を計算（Ｅステップ）し
た後、式２６からν′を見つける（Ｍステップ）ことに
よって実行される。その後、この値を式２２のνに代入
し、アルゴリズムは反復して実行される。
【００５９】分節ｋ平均アルゴリズムとのアナロジー
で、分節ＭＬアプローチを使用して、式１２の尤度ｐ
（Ｙ｜ν，ΛX）を直接最大にする代わりに、観測値と
状態列の結合尤度ｐ（Ｙ，Ｓ｜ν，ΛX）を最大にする
ことも可能である。この場合、反復推定手続きは次のよ
うになる。
で、分節ＭＬアプローチを使用して、式１２の尤度ｐ
（Ｙ｜ν，ΛX）を直接最大にする代わりに、観測値と
状態列の結合尤度ｐ（Ｙ，Ｓ｜ν，ΛX）を最大にする
ことも可能である。この場合、反復推定手続きは次のよ
うになる。
【数２７】
【数２８】
こうして、まず最尤状態列Ｓlを見つけた後、この状態
列の条件付きで発声Ｙの尤度を最大にするνl+1を見つ
ける。ビタビアルゴリズムを使用して、最適な状態列Ｓ
lを見つけることが可能であり、ＥＭアルゴリズムを使
用してνl+1を見つけることが可能である。容易に示さ
れるように、上記のＥＭ手続きは、γt（ｎ，ｍ）が次
式によって定義されることを除いてはやはり成り立つ。
列の条件付きで発声Ｙの尤度を最大にするνl+1を見つ
ける。ビタビアルゴリズムを使用して、最適な状態列Ｓ
lを見つけることが可能であり、ＥＭアルゴリズムを使
用してνl+1を見つけることが可能である。容易に示さ
れるように、上記のＥＭ手続きは、γt（ｎ，ｍ）が次
式によって定義されることを除いてはやはり成り立つ。
【数２９】
【００６０】簡単のため、ｆν（ｙt）は各成分に別個
に作用し（すなわち、ｘt,i＝ｆν,i（ｙt,i））、共分
散行列Ｃn,mは対角形である（すなわち、Ｃn,m＝ｄｉａ
ｇ（σ2 n,m））と仮定する。以下では、表現を容易にす
るため、ベクトルの第ｉ成分を表す添字ｉの参照を省略
する。次の形の関数を考える。
に作用し（すなわち、ｘt,i＝ｆν,i（ｙt,i））、共分
散行列Ｃn,mは対角形である（すなわち、Ｃn,m＝ｄｉａ
ｇ（σ2 n,m））と仮定する。以下では、表現を容易にす
るため、ベクトルの第ｉ成分を表す添字ｉの参照を省略
する。次の形の関数を考える。
【数３０】
ただし、ｇ（ｙt）はｙtについての既知の（おそらくは
非線形の）微分可能関数であり、ν＝｛ａ，ｂ｝は既知
パラメータの集合である。すると、式２２の補助関数は
次のように書くことができる。
非線形の）微分可能関数であり、ν＝｛ａ，ｂ｝は既知
パラメータの集合である。すると、式２２の補助関数は
次のように書くことができる。
【数３１】
式３１をａ′およびｂ′のそれぞれに関する微分をとっ
て０とおくことにより、
て０とおくことにより、
【数３２】
および
【数３３】
を得る。式３２および３３は、推定値ａ′およびｂ′に
ついて陽に解くことができる。
ついて陽に解くことができる。
【００６１】次に、加法的バイアスｂtに対応する式３
０の特別の場合、すなわち、
０の特別の場合、すなわち、
【数３４】
の場合を考える。各成分についてａ＝１、ｇ（ｙt）＝
ｙt、およびｂ＝−ｂtの場合、式３４は式３０と等価と
なる。観測値がスペクトラム領域にある場合、ｂtは加
法的ノイズスペクトラムと解釈することができる。一
方、観測値がケプストラム領域すなわち対数エネルギー
領域にある場合、ｂtは例えばトランスデューサまたは
チャネルによる畳込みフィルタ効果に対応する。
ｙt、およびｂ＝−ｂtの場合、式３４は式３０と等価と
なる。観測値がスペクトラム領域にある場合、ｂtは加
法的ノイズスペクトラムと解釈することができる。一
方、観測値がケプストラム領域すなわち対数エネルギー
領域にある場合、ｂtは例えばトランスデューサまたは
チャネルによる畳込みフィルタ効果に対応する。
【００６２】バイアスｂｔは、ある発声に対して固定し
たものとして、または、時間とともに変動するものとし
て、モデル化することができる。時変バイアスの例に
は、区分的一定バイアス、あるいは信号状態依存バイア
スがある。あるいは、バイアスを確率論的にモデル化
し、歪みをモデル空間（詳細は第４節）で見ることも可
能である。この節では、状態依存バイアスおよび固定バ
イアスの場合について考察する。
たものとして、または、時間とともに変動するものとし
て、モデル化することができる。時変バイアスの例に
は、区分的一定バイアス、あるいは信号状態依存バイア
スがある。あるいは、バイアスを確率論的にモデル化
し、歪みをモデル空間（詳細は第４節）で見ることも可
能である。この節では、状態依存バイアスおよび固定バ
イアスの場合について考察する。
【００６３】まず状態依存の場合を考える。バイアスは
ＨＭＭ状態ごとに変動する。各音声状態ｎに対応して特
定のバイアス項ｂnがあると仮定する。式２２の補助関
数を次のように書くことができる。
ＨＭＭ状態ごとに変動する。各音声状態ｎに対応して特
定のバイアス項ｂnがあると仮定する。式２２の補助関
数を次のように書くことができる。
【数３５】
ただし、ｂ＝｛ｂ1，...，ｂn，...，ｂN｝である。式
２６の再推定手続きには、式３５のｂ′n,iに関する導
関数を計算して０と等置することが必要である。その結
果次式を得る。
２６の再推定手続きには、式３５のｂ′n,iに関する導
関数を計算して０と等置することが必要である。その結
果次式を得る。
【数３６】
これは次式を与える。
【数３７】
単一の固定バイアスｂの場合、同様にして次式を示すこ
とができる。
とができる。
【数３８】
【００６４】式３７からわかるように、推定すべき状態
依存バイアス項が多い場合に、小さいサンプルの効果に
よって推定の問題が起こることがある。しかし、状況に
よっては、状態依存バイアスには意味がある。例えば、
線形フィルタリングに対する加法的ケプストラムバイア
スは信号対ノイズ比（ＳＮＲ）が高い場合にのみ妥当で
ある。ＳＮＲが低いときには、ノイズが優勢となり、チ
ャネルフィルタリングに対する加法的バイアスモデルは
不正確となる。これを扱う１つの方法は、そのバイアス
がＳＮＲ依存であると仮定し、異なるＳＮＲ範囲に応じ
て異なるバイアスを推定することである。このようなア
プローチを実現したものの１つに、音声および背景の分
節に異なるバイアスを推定するものがある。これは、不
一致の一部が電話チャネルによって引き起こされるよう
な場合に有用であることがわかっている。これはおそら
く電話チャネルに存在する加法的ノイズによるものであ
る。その結果の詳細は第５節で説明する。
依存バイアス項が多い場合に、小さいサンプルの効果に
よって推定の問題が起こることがある。しかし、状況に
よっては、状態依存バイアスには意味がある。例えば、
線形フィルタリングに対する加法的ケプストラムバイア
スは信号対ノイズ比（ＳＮＲ）が高い場合にのみ妥当で
ある。ＳＮＲが低いときには、ノイズが優勢となり、チ
ャネルフィルタリングに対する加法的バイアスモデルは
不正確となる。これを扱う１つの方法は、そのバイアス
がＳＮＲ依存であると仮定し、異なるＳＮＲ範囲に応じ
て異なるバイアスを推定することである。このようなア
プローチを実現したものの１つに、音声および背景の分
節に異なるバイアスを推定するものがある。これは、不
一致の一部が電話チャネルによって引き起こされるよう
な場合に有用であることがわかっている。これはおそら
く電話チャネルに存在する加法的ノイズによるものであ
る。その結果の詳細は第５節で説明する。
【００６５】４．モデル空間変換Ｇηの推定
前節では、歪みのある音声が原音声の定関数であると仮
定した。この節では、歪みはランダムであるとみなし、
それをモデル空間で見る。すなわち、歪みは原モデルΛ
Xを歪みのあるモデルΛYに変換する（図４）。
定した。この節では、歪みはランダムであるとみなし、
それをモデル空間で見る。すなわち、歪みは原モデルΛ
Xを歪みのあるモデルΛYに変換する（図４）。
【００６６】観測値列Ｙ＝｛ｙ1，...，ｙT｝が、原発
声Ｘ＝｛ｘ1，...，ｘT｝および歪み列Ｂ＝
｛ｂ1，...，ｂT｝と次式によって関係しているとす
る。
声Ｘ＝｛ｘ1，...，ｘT｝および歪み列Ｂ＝
｛ｂ1，...，ｂT｝と次式によって関係しているとす
る。
【数３９】
すると、ｘtとｂtが独立である場合、ｙtの確率密度関
数（ｐｄｆ）を次のように書くことができる。
数（ｐｄｆ）を次のように書くことができる。
【数４０】
ただし、Ｈtは式３９によって与えられる曲線である。
【００６７】前のように、ＸはＨＭＭの集合ΛXによっ
てモデル化される。Ｂの統計モデルがΛBによって与え
られるとする。ΛBはＨＭＭまたは混合ガウス密度とす
ることが可能である。この考察では、ΛBは、次のよう
な、対角形共分散行列を有する単一のガウス密度である
と仮定する。
てモデル化される。Ｂの統計モデルがΛBによって与え
られるとする。ΛBはＨＭＭまたは混合ガウス密度とす
ることが可能である。この考察では、ΛBは、次のよう
な、対角形共分散行列を有する単一のガウス密度である
と仮定する。
【数４１】
さらに、式３４のときのように、加法的バイアスという
特別の場合を考え、曲線Ｈtが次式によって与えられる
とする。
特別の場合を考え、曲線Ｈtが次式によって与えられる
とする。
【数４２】
これらの仮定のもとで、ΛYの構造はΛXの構造と同じく
保たれる。ΛYの各ミクスチャ成分の平均および分散
は、次のように、平均μbおよび分散σb 2を、ΛXにおけ
る対応するミクスチャ成分の平均および分散に加えるこ
とによって導出される。
保たれる。ΛYの各ミクスチャ成分の平均および分散
は、次のように、平均μbおよび分散σb 2を、ΛXにおけ
る対応するミクスチャ成分の平均および分散に加えるこ
とによって導出される。
【数４３】
【数４４】
式４３および４４は、式３のモデル変換Ｇη（・）を定
義し、パラメータηはμbおよびσb 2によって与えられ
る。ΛBがＨＭＭや混合ガウス密度のようにさらに複雑
である場合、ΛYの構造は、状態およびミクスチャ成分
の数が異なるという点で、ΛXの構造とは異なることも
ある。
義し、パラメータηはμbおよびσb 2によって与えられ
る。ΛBがＨＭＭや混合ガウス密度のようにさらに複雑
である場合、ΛYの構造は、状態およびミクスチャ成分
の数が異なるという点で、ΛXの構造とは異なることも
ある。
【００６８】ここで、式１３のパラメータ推定問題を次
のように書くことができる。
のように書くことができる。
【数４５】
再び、ＥＭアルゴリズムを使用して反復してμbおよび
σb 2を推定することができる。容易に示されるように、
式２１に対応する補助関数は次のように書くことができ
る。
σb 2を推定することができる。容易に示されるように、
式２１に対応する補助関数は次のように書くことができ
る。
【数４６】
この関数をη′＝（μb′，σb 2′）に関して最大化す
ることによって、σb 2′に対する閉じた表式は得られな
いが、式３８と類似の表式がμb′について次のように
得られる。
ることによって、σb 2′に対する閉じた表式は得られな
いが、式３８と類似の表式がμb′について次のように
得られる。
【数４７】
【００６９】σb 2′を推定する問題への１つのアプロー
チは、分散σb 2が信号状態依存であり、信号分散と次式
によって関係していると仮定することである。
チは、分散σb 2が信号状態依存であり、信号分散と次式
によって関係していると仮定することである。
【数４８】
ただし、αiは分散の第ｉ成分に対するスケールファク
タである。式４８を式４６に代入し、αiに関して最大
化することによって、次式を得る。
タである。式４８を式４６に代入し、αiに関して最大
化することによって、次式を得る。
【数４９】
式４２の場合のような物理的意味づけを式４８の仮定に
対してすることは容易にはできないが、これにより式４
７および４９に示されるようにパラメータμbおよびσb
2の閉じた推定が得られる。αi＞−１は分散膨張（α＞
０）および分散収縮（α＜０）の両方に対応する。
対してすることは容易にはできないが、これにより式４
７および４９に示されるようにパラメータμbおよびσb
2の閉じた推定が得られる。αi＞−１は分散膨張（α＞
０）および分散収縮（α＜０）の両方に対応する。
【００７０】式４２と整合する別のアプローチは、尤度
ｐ（Ｙ｜η，ΛＸ）を次のように書くことである。
ｐ（Ｙ｜η，ΛＸ）を次のように書くことである。
【数５０】
ただし、∬Hは次式によって与えられるＴ重積分であ
る。
る。
【数５１】
対応して、新たな補助関数を次のように定義することが
できる。
できる。
【数５２】
このアプローチは、ノイズのある観測値が与えられた場
合に原音声モデルのパラメータの推定に対する一般的表
式を導出するためにとられている。ただし、音声および
歪みは両方とも混合ガウス密度によってモデル化され
る。この節で考察した問題は、歪みのある音声が与えら
れた場合に歪みのあるモデルのパラメータを見つける問
題の逆である。音声モデルΛXはＨＭＭであり、加法的
歪みは式４１のような単一のガウス密度としてモデル化
される。これらの条件下で、微分により、次のような再
推定公式が得られる。
合に原音声モデルのパラメータの推定に対する一般的表
式を導出するためにとられている。ただし、音声および
歪みは両方とも混合ガウス密度によってモデル化され
る。この節で考察した問題は、歪みのある音声が与えら
れた場合に歪みのあるモデルのパラメータを見つける問
題の逆である。音声モデルΛXはＨＭＭであり、加法的
歪みは式４１のような単一のガウス密度としてモデル化
される。これらの条件下で、微分により、次のような再
推定公式が得られる。
【数５３】
【数５４】
前のように、γｔ＝ｐ（Ｙ，ｓｔ＝ｎ，ｃｔ＝ｍ｜η，
ΛＸ）は、Ｙと、観測値ｙｔを生成した変換済みモデル
ΛＹ＝Ｇη（ΛＸ）におけるｎ番目の状態の第ｍミクス
チャとの結合尤度である。式５３および式５４における
条件付き期待値は次のように評価される。
ΛＸ）は、Ｙと、観測値ｙｔを生成した変換済みモデル
ΛＹ＝Ｇη（ΛＸ）におけるｎ番目の状態の第ｍミクス
チャとの結合尤度である。式５３および式５４における
条件付き期待値は次のように評価される。
【数５５】
【数５６】
【００７１】式５５を調べると、ＥＭアルゴリズムの収
束性について観察することができる。σbi 2が小さい場
合、収束は遅い。これは、われわれの実験（第５節）の
場合もそうであり、異なるトランスデューサおよび伝送
チャネルによる不一致の分散が小さいためである。決定
論的バイアス（σbi 2＝０）の極限の場合、推定値は全
く変化しない。これは、式４７を使用してμbを推定し
式５４を使用してσb 2を推定することによって補正する
ことができる。
束性について観察することができる。σbi 2が小さい場
合、収束は遅い。これは、われわれの実験（第５節）の
場合もそうであり、異なるトランスデューサおよび伝送
チャネルによる不一致の分散が小さいためである。決定
論的バイアス（σbi 2＝０）の極限の場合、推定値は全
く変化しない。これは、式４７を使用してμbを推定し
式５４を使用してσb 2を推定することによって補正する
ことができる。
【００７２】式３４の加法的モデルのもとで特徴空間お
よびモデル空間におけるバイアスパラメータを推定する
方法を示した。しかし、加法的バイアスモデルはケプス
トラム特徴にのみ適用されている。われわれの実験で
は、ケプストラム特徴に加えて、デルタおよびデルタ−
デルタケプストラム特徴ならびにデルタおよびデルタ−
デルタ対数エネルギー特徴を使用した。確率論的マッチ
ングアルゴリズムでは、デルタおよびデルタ−デルタ対
数エネルギー特徴は変換しない。しかし、デルタケプス
トラムおよびデルタ−デルタケプストラムに対する不一
致の効果は考慮する。特徴空間バイアスモデルでは、デ
ルタおよびデルタ−デルタケプストラム特徴は不一致に
よって影響を受けないと仮定する。すなわち、デルタお
よびデルタ−デルタバイアスベクトルは０であると仮定
する。これは、ケプストラムのバイアスが発声全体に対
して一定であると仮定する場合には意味のある仮定であ
る。同様に、モデル空間では、デルタおよびデルタ−デ
ルタ平均値ベクトルが０であると仮定する。しかし、デ
ルタおよびデルタ−デルタ分散については仮定しない。
これらの分散ベクトルは以下のように推定する。デルタ
ケプストラムは次式に従って計算される。
よびモデル空間におけるバイアスパラメータを推定する
方法を示した。しかし、加法的バイアスモデルはケプス
トラム特徴にのみ適用されている。われわれの実験で
は、ケプストラム特徴に加えて、デルタおよびデルタ−
デルタケプストラム特徴ならびにデルタおよびデルタ−
デルタ対数エネルギー特徴を使用した。確率論的マッチ
ングアルゴリズムでは、デルタおよびデルタ−デルタ対
数エネルギー特徴は変換しない。しかし、デルタケプス
トラムおよびデルタ−デルタケプストラムに対する不一
致の効果は考慮する。特徴空間バイアスモデルでは、デ
ルタおよびデルタ−デルタケプストラム特徴は不一致に
よって影響を受けないと仮定する。すなわち、デルタお
よびデルタ−デルタバイアスベクトルは０であると仮定
する。これは、ケプストラムのバイアスが発声全体に対
して一定であると仮定する場合には意味のある仮定であ
る。同様に、モデル空間では、デルタおよびデルタ−デ
ルタ平均値ベクトルが０であると仮定する。しかし、デ
ルタおよびデルタ−デルタ分散については仮定しない。
これらの分散ベクトルは以下のように推定する。デルタ
ケプストラムは次式に従って計算される。
【数５７】
ただし、ΔＣl,mおよびＣl,mはそれぞれ、ｌ番目の時間
フレームに対するｍ番目のデルタケプストラム係数およ
びｍ番目のケプストラム係数である。Ｇは０．３７５に
固定された利得項であり、Ｋ＝２である。デルタ−デル
タケプストラムは次式に従って計算される。
フレームに対するｍ番目のデルタケプストラム係数およ
びｍ番目のケプストラム係数である。Ｇは０．３７５に
固定された利得項であり、Ｋ＝２である。デルタ−デル
タケプストラムは次式に従って計算される。
【数５８】
ただし、Δ2Ｃl,mはｌ番目の時間フレームに対するｍ番
目のデルタ−デルタケプストラム係数である。Ｇ＝０．
３７５およびＮ＝１と選ぶ。異なるフレームに対するケ
プストラム係数は独立であると仮定すると、デルタケプ
ストラムの分散は、ケプストラムの分散を用いて次のよ
うに書くことができる。
目のデルタ−デルタケプストラム係数である。Ｇ＝０．
３７５およびＮ＝１と選ぶ。異なるフレームに対するケ
プストラム係数は独立であると仮定すると、デルタケプ
ストラムの分散は、ケプストラムの分散を用いて次のよ
うに書くことができる。
【数５９】
ただし、σ2ΔCl,mおよびσ2 Cl,mは、ｌ番目の時間フレ
ームのデルタケプストラムおよびケプストラムの第ｍ成
分の分散である。同様に、デルタ−デルタケプストラム
の分散を次のように導出することができる。
ームのデルタケプストラムおよびケプストラムの第ｍ成
分の分散である。同様に、デルタ−デルタケプストラム
の分散を次のように導出することができる。
【数６０】
デルタおよびデルタ−デルタバイアス項の分散を推定す
ることに興味がある。バイアスは分散がσb 2のｉ．ｉ．
ｄ．ガウシアンであると仮定されるので、デルタバイア
スの第ｉ成分の分散は式５９を使用して次のように推定
することができる。
ることに興味がある。バイアスは分散がσb 2のｉ．ｉ．
ｄ．ガウシアンであると仮定されるので、デルタバイア
スの第ｉ成分の分散は式５９を使用して次のように推定
することができる。
【数６１】
同様に、デルタ−デルタバイアスの第ｉ成分の分散は次
のように推定することができる。
のように推定することができる。
【数６２】
【００７３】観察されるように、歪みに使用される統計
モデルは単純なガウス密度である。上記と同じ確率論的
マッチングアルゴリズムは、より一般的なモデル変換の
場合にも適用可能である。
モデルは単純なガウス密度である。上記と同じ確率論的
マッチングアルゴリズムは、より一般的なモデル変換の
場合にも適用可能である。
【００７４】
【発明の効果】以上述べたごとく、本発明によれば、本
発明に従って形成したシステムは、個々のアプリケーシ
ョンごとにトレーニングする必要はないという効果があ
る。また、本発明に従って形成したシステムは、プール
モデルやコードブックを使用する既知のシステムよりも
高い精度を有するという効果がある。
発明に従って形成したシステムは、個々のアプリケーシ
ョンごとにトレーニングする必要はないという効果があ
る。また、本発明に従って形成したシステムは、プール
モデルやコードブックを使用する既知のシステムよりも
高い精度を有するという効果がある。
【図１】不一致問題を解決する既知のシステムの図であ
る。
る。
【図２】本発明に従って形成したシステムの第１実施例
の図である。
の図である。
【図３】本発明に従って形成したシステムの第２実施例
の図である。
の図である。
【図４】トレーニングと試験の不一致を示す図である。
【図５】式７の結合最大化を示す図である。
【図６】式７の結合最大化を示す図である。
１００ 変換器
１０２ オフセット計算器
１０４ コードブック
１０６ 比較器
１０８ ＨＭＭ記憶装置
２００ 変換器
２０２ 変換プロセッサ
２０４ 変換記憶装置
２０６ 比較器
２０８ ＨＭＭ記憶装置
３００ 変換器
３０２ 比較器
３０４ ＨＭＭ記憶装置
３０６ 変換プロセッサ
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 アナンス サンカー
アメリカ合衆国，94555 カリフォルニ
ア，フレモント，トゥペロ ストリート
34367
(56)参考文献 特開 平２−181798（ＪＰ，Ａ)
特開 平４−267300（ＪＰ，Ａ)
特開 平１−102599（ＪＰ，Ａ)
特開 平６−110490（ＪＰ，Ａ)
特開 平７−219599（ＪＰ，Ａ)
欧州特許出願公開590925（ＥＰ，Ａ
１)
高木，服部，渡辺，音声認識のための
高速環境適応，電子情報通信学会技術研
究報告［音声］，日本，1994年 ６月16
日，Ｖｏｌ．94，Ｎｏ．90，ＳＰ94−
19，Ｐａｇｅｓ 37−44
Ｊｉａｎｘｉｏｎｇ Ｗｕ ｅｔ ａ
ｌ，Ｓｐｅａｋｅｒ Ｎｏｒｍａｌｉｚ
ａｔｉｏｎ ｂｙ Ｉｎｐｕｔ Ｓｐａ
ｃｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏ
ｒ Ｃｏｎｔｉｎｕｏｕｓ Ｄｅｎｓｉ
ｔｙ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍ
ｏｄｅｌｓ，Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓ
ｙｍｐｏｓｉｕｍｍ ｏｎ Ｓｐｅｅｃ
ｈ，Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ
ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒ
ｋｓ（ＩＳＳＩＰＮＮ’94），米国,
1994年 ４月13日，Ｖｏｌ．１，Ｐａｇ
ｅｓ 682−685
中橋，坪香，相乗型ＦＶＱ／ＨＭＭに
おける話者適応，日本音響学会平成６年
度春季研究発表会講演論文集，日本,
1994年 ３月，３−７−10，Ｐａｇｅｓ
107−108
Ｈｕｏ，Ｃｈａｎ，Ｌｅｅ，Ｓｅｇｍ
ｅｎｔａｌ ｑｕａｓｉ−Ｂａｙｅｓｉ
ａｎ ｌｅａｒｎｉｎｇ ｏｆ ｔｈｅ
ｍｉｘｔｕｒｅ ｃｏｅｆｆｉｃｉｅ
ｎｔｓ ｉｎ ＳＣＨＭＭ ｆｏｒ ｓ
ｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ,
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ
1994 Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｓｐｅｅｃ
ｈ，Ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ
ａｎｄ Ｎｅｕｒａｌ ｎａｔｗｏｒ
ｋｓ，米国，1994年 ４月13日，Ｖｏ
ｌ．２，Ｐａｇｅｓ 678−681
Ｓｈｉｎｏｄａ，Ｉｓｏ，Ｗａｔａｎ
ａｂｅ，Ｓｐｅａｋｅｒ ａｄａｐｔａ
ｔｉｏｎ ｆｏｒ ｄｅｍｉ−ｓｙｌｌ
ａｂｌｅ ｂａｓｅｄ ｃｏｎｔｉｎｕ
ｏｕｓ ｄｅｎｓｉｔｙ ＨＭＭ，Ｐｒ
ｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ
1991 Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃ
ｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓ
ｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉ
ｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，米
国，1991年 ５月14日，Ｓ13．７，Ｐａ
ｇｅｓ 857−860
篠田，渡辺，音声認識のためのタスク
適応化，日本音響学会平成４年度春季研
究発表会講演論文集Ｉ，日本，1992年
３月17日，１−Ｐ−15，Ｐａｇｅｓ
133−134
篠田，渡辺，半音節ＨＭＭを用いた音
声認識のための教師なし適応化，日本音
響学会平成６年度春季研究発表会講演論
文集Ｉ，日本，1994年 ３月，３−７−
８，Ｐａｇｅｓ 103−104
大倉，大西，飯田，話者空間移動ベク
トルに基づく不特定話者モデルの話者適
応，日本音響学会平成６年度春季研究発
表会講演論文集Ｉ，３−７−９，大倉計
美 外「話者空間移動ベクトル，日本,
1994年 ３月，３−７−９，Ｐａｇｅｓ
105−106
丸山，松本，写像モデルと連結学習に
基づくＨＭＭ話者適応化法の改良，日本
音響学会平成６年度春季研究発表会講演
論文集Ｉ，日本，1994年 ３月，３−７
−11，Ｐａｇｅｓ 109−110
Ｓａｎｋｅｒ，Ｌｅｅ，Ｒｏｂｕｓｔ
ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏ
ｎ ｂａｓｅｄ ｏｎ ｓｔｏｃｈａｓ
ｔｉｃ ｍａｔｃｈｉｎｇ，Ｐｒｏｃｅ
ｅｄｉｎｇｓ ｏｇ ｔｈｅ 1995 Ｉ
ｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅ
ｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃ
ｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａ
ｌ ｐｒｏｃｅｓｓｉｎｇ，米国，1995
年 ５月 ９日，Ｐａｇｅｓ 121−124
Ｓａｎｋｅｒ，Ｌｅｅ，Ａ ｍａｘｉ
ｍｕｍ−ｌｉｋｅｌｉｈｏｏｄ ａｐｐ
ｒｏａｃｈ ｔｏ ｓｔｏｃｈａｓｔｉ
ｃ ｍａｔｃｈｉｎｇ ｆｏｒ ｒｏｂ
ｕｓｔ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉ
ｔｉｏｎ，ＩＥＥＥ Ｔｒａｎｓａｃｔ
ｉｏｎｓ ｏｎ ｓｐｅｅｃｈ ａｎｄ
Ａｕｄｉｏ Ｐｒｏｃｅｓｓｉｎｇ,
米国，1996年 ５月，Ｖｏｌ．４，Ｎ
ｏ．３，Ｐａｇｅｓ 190−202
(58)調査した分野(Int.Cl.7，ＤＢ名)
G10L 15/00 - 15/28
G06N 3/00
Claims (8)
- 【請求項１】 第１の特性の集合に特徴づけられた第１
システムから出力された信号を、信号の記憶（即ち登
録）された表現の集合内における特定の登録（記憶）表
現に類似するものとして、識別する信号識別方法におい
て、 前記信号の登録表現は、前記第１の特性の集合とは異な
る第２の特性の集合によって特徴づけられた第２システ
ムから出力された信号から導き出されたものであり、 （ａ）前記信号を前記登録表現の集合と比較する比較ス
テップと、 （ｂ）前記信号の表現を、現在の表現の集合内の少なく
とも１つの登録表現に近づけるように、前記（ａ）比較
ステップに基づいて、前記信号と前記登録表現の集合と
を繰り返し変換する変換ステップと、 （ｃ）前記（ｂ）変換ステップに基づいて、前記信号
を、少なくとも１つの登録表現に類似するものとして識
別するステップとからなることを特徴とする信号識別方
法。 - 【請求項２】 前記登録表現の集合内の各登録表現は対
応する動作を有し、 （ｄ）前記特定の登録表現に対応する動作を実行するス
テップをさらに有することを特徴とする請求項１の方
法。 - 【請求項３】 前記信号が音声信号からなることを特徴
とする請求項１の方法。 - 【請求項４】 前記少なくとも１つの登録表現に対応す
る類似度値がしきい値より小さくなるまで、前記ステッ
プ（ａ）を実行することを特徴とする請求項１の方法。 - 【請求項５】 前記信号が、周波数領域の信号からなる
ことを特徴とする請求項１の方法。 - 【請求項６】 前記登録表現の集合が、隠れマルコフモ
デルの集合からなり、前記第１の類似度値の集合および
前記第２の類似度値の集合が尤度値からなることを特徴
とする請求項１の方法。 - 【請求項７】 前記登録表現の集合が、ニューラルネッ
トワークの集合からなり、前記第１の類似度値の集合お
よび前記第２の類似度値の集合が、ニューラルネットワ
ーク出力値からなることを特徴とする請求項１の方法。 - 【請求項８】 前記登録表現の集合が、ベクトル量子化
表現の集合からなり、前記第１の類似度値の集合および
前記第２の類似度値の集合が、歪み値からなることを特
徴とする請求項１の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/263,284 US5727124A (en) | 1994-06-21 | 1994-06-21 | Method of and apparatus for signal recognition that compensates for mismatching |
| US263284 | 1994-06-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0850499A JPH0850499A (ja) | 1996-02-20 |
| JP3457431B2 true JP3457431B2 (ja) | 2003-10-20 |
Family
ID=23001125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP17687295A Expired - Lifetime JP3457431B2 (ja) | 1994-06-21 | 1995-06-21 | 信号識別方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US5727124A (ja) |
| EP (1) | EP0689194B1 (ja) |
| JP (1) | JP3457431B2 (ja) |
| CA (1) | CA2147772C (ja) |
| DE (1) | DE69524994T2 (ja) |
Families Citing this family (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10257583A (ja) | 1997-03-06 | 1998-09-25 | Asahi Chem Ind Co Ltd | 音声処理装置およびその音声処理方法 |
| US5995927A (en) * | 1997-03-14 | 1999-11-30 | Lucent Technologies Inc. | Method for performing stochastic matching for use in speaker verification |
| US6076057A (en) * | 1997-05-21 | 2000-06-13 | At&T Corp | Unsupervised HMM adaptation based on speech-silence discrimination |
| US5960397A (en) * | 1997-05-27 | 1999-09-28 | At&T Corp | System and method of recognizing an acoustic environment to adapt a set of based recognition models to the current acoustic environment for subsequent speech recognition |
| US5924065A (en) * | 1997-06-16 | 1999-07-13 | Digital Equipment Corporation | Environmently compensated speech processing |
| US6151573A (en) * | 1997-09-17 | 2000-11-21 | Texas Instruments Incorporated | Source normalization training for HMM modeling of speech |
| US6202047B1 (en) * | 1998-03-30 | 2001-03-13 | At&T Corp. | Method and apparatus for speech recognition using second order statistics and linear estimation of cepstral coefficients |
| US6381571B1 (en) * | 1998-05-01 | 2002-04-30 | Texas Instruments Incorporated | Sequential determination of utterance log-spectral mean by maximum a posteriori probability estimation |
| US6980952B1 (en) * | 1998-08-15 | 2005-12-27 | Texas Instruments Incorporated | Source normalization training for HMM modeling of speech |
| TW418383B (en) * | 1998-09-23 | 2001-01-11 | Ind Tech Res Inst | Telephone voice recognition system and method and the channel effect compensation device using the same |
| US6658385B1 (en) * | 1999-03-12 | 2003-12-02 | Texas Instruments Incorporated | Method for transforming HMMs for speaker-independent recognition in a noisy environment |
| EP1116219B1 (en) | 1999-07-01 | 2005-03-16 | Koninklijke Philips Electronics N.V. | Robust speech processing from noisy speech models |
| US7149690B2 (en) | 1999-09-09 | 2006-12-12 | Lucent Technologies Inc. | Method and apparatus for interactive language instruction |
| US6539351B1 (en) * | 2000-02-04 | 2003-03-25 | International Business Machines Corporation | High dimensional acoustic modeling via mixtures of compound gaussians with linear transforms |
| US20020049586A1 (en) * | 2000-09-11 | 2002-04-25 | Kousuke Nishio | Audio encoder, audio decoder, and broadcasting system |
| US7400712B2 (en) * | 2001-01-18 | 2008-07-15 | Lucent Technologies Inc. | Network provided information using text-to-speech and speech recognition and text or speech activated network control sequences for complimentary feature access |
| WO2003017252A1 (de) * | 2001-08-13 | 2003-02-27 | Knittel, Jochen | Verfahren und vorrichtung zum erkennen einer phonetischen lautfolge oder zeichenfolge |
| US6778957B2 (en) * | 2001-08-21 | 2004-08-17 | International Business Machines Corporation | Method and apparatus for handset detection |
| US7139704B2 (en) * | 2001-11-30 | 2006-11-21 | Intel Corporation | Method and apparatus to perform speech recognition over a voice channel |
| US7139336B2 (en) * | 2002-04-05 | 2006-11-21 | Nokia Corporation | Method and system for channel estimation using iterative estimation and detection |
| US7139703B2 (en) * | 2002-04-05 | 2006-11-21 | Microsoft Corporation | Method of iterative noise estimation in a recursive framework |
| USH2172H1 (en) | 2002-07-02 | 2006-09-05 | The United States Of America As Represented By The Secretary Of The Air Force | Pitch-synchronous speech processing |
| FR2848715B1 (fr) * | 2002-12-11 | 2005-02-18 | France Telecom | Procede et systeme de correction multi-references des deformations spectrales de la voix introduites par un reseau de communication |
| US7165026B2 (en) * | 2003-03-31 | 2007-01-16 | Microsoft Corporation | Method of noise estimation using incremental bayes learning |
| US7729908B2 (en) * | 2005-03-04 | 2010-06-01 | Panasonic Corporation | Joint signal and model based noise matching noise robustness method for automatic speech recognition |
| US7680656B2 (en) * | 2005-06-28 | 2010-03-16 | Microsoft Corporation | Multi-sensory speech enhancement using a speech-state model |
| US20070033027A1 (en) * | 2005-08-03 | 2007-02-08 | Texas Instruments, Incorporated | Systems and methods employing stochastic bias compensation and bayesian joint additive/convolutive compensation in automatic speech recognition |
| US7877255B2 (en) * | 2006-03-31 | 2011-01-25 | Voice Signal Technologies, Inc. | Speech recognition using channel verification |
| US7630950B2 (en) * | 2006-08-18 | 2009-12-08 | International Business Machines Corporation | System and method for learning models from scarce and skewed training data |
| JP5089295B2 (ja) * | 2007-08-31 | 2012-12-05 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 音声処理システム、方法及びプログラム |
| JP2010020273A (ja) * | 2007-12-07 | 2010-01-28 | Sony Corp | 情報処理装置、および情報処理方法、並びにコンピュータ・プログラム |
| US8615397B2 (en) * | 2008-04-04 | 2013-12-24 | Intuit Inc. | Identifying audio content using distorted target patterns |
| WO2010011377A2 (en) * | 2008-04-18 | 2010-01-28 | Dolby Laboratories Licensing Corporation | Method and apparatus for maintaining speech audibility in multi-channel audio with minimal impact on surround experience |
| US8239195B2 (en) * | 2008-09-23 | 2012-08-07 | Microsoft Corporation | Adapting a compressed model for use in speech recognition |
| US8214215B2 (en) * | 2008-09-24 | 2012-07-03 | Microsoft Corporation | Phase sensitive model adaptation for noisy speech recognition |
| US8306819B2 (en) * | 2009-03-09 | 2012-11-06 | Microsoft Corporation | Enhanced automatic speech recognition using mapping between unsupervised and supervised speech model parameters trained on same acoustic training data |
| JP5150542B2 (ja) * | 2009-03-26 | 2013-02-20 | 株式会社東芝 | パターン認識装置、パターン認識方法、及び、プログラム |
| US11465640B2 (en) * | 2010-06-07 | 2022-10-11 | Affectiva, Inc. | Directed control transfer for autonomous vehicles |
| US9118669B2 (en) | 2010-09-30 | 2015-08-25 | Alcatel Lucent | Method and apparatus for voice signature authentication |
| DE102012206313A1 (de) * | 2012-04-17 | 2013-10-17 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Konzept zum Erkennen eines akustischen Ereignisses in einer Audiosequenz |
| JP5982297B2 (ja) * | 2013-02-18 | 2016-08-31 | 日本電信電話株式会社 | 音声認識装置、音響モデル学習装置、その方法及びプログラム |
| US10152298B1 (en) * | 2015-06-29 | 2018-12-11 | Amazon Technologies, Inc. | Confidence estimation based on frequency |
| US10304440B1 (en) * | 2015-07-10 | 2019-05-28 | Amazon Technologies, Inc. | Keyword spotting using multi-task configuration |
| CN105448299B (zh) * | 2015-11-17 | 2019-04-05 | 中山大学 | 一种鉴别数字音频aac格式编解码器的方法 |
| CN109087630B (zh) * | 2018-08-29 | 2020-09-15 | 深圳追一科技有限公司 | 语音识别的方法及相关装置 |
| US11532313B2 (en) * | 2020-08-27 | 2022-12-20 | Google Llc | Selectively storing, with multiple user accounts and/or to a shared assistant device: speech recognition biasing, NLU biasing, and/or other data |
| CN114859287B (zh) * | 2022-04-08 | 2024-07-09 | 武汉大学 | 基于矢量水听器的水下目标方位估计方法、系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58115497A (ja) * | 1981-12-28 | 1983-07-09 | シャープ株式会社 | 音声認識方法 |
| JPH01102599A (ja) * | 1987-10-12 | 1989-04-20 | Internatl Business Mach Corp <Ibm> | 音声認識方法 |
| FR2681715B1 (fr) * | 1991-09-25 | 1994-02-11 | Matra Communication | Procede de traitement de la parole en presence de bruits acoustiques: procede de soustraction spectrale non lineaire . |
| US5222146A (en) * | 1991-10-23 | 1993-06-22 | International Business Machines Corporation | Speech recognition apparatus having a speech coder outputting acoustic prototype ranks |
| JPH0772840B2 (ja) * | 1992-09-29 | 1995-08-02 | 日本アイ・ビー・エム株式会社 | 音声モデルの構成方法、音声認識方法、音声認識装置及び音声モデルの訓練方法 |
-
1994
- 1994-06-21 US US08/263,284 patent/US5727124A/en not_active Expired - Lifetime
-
1995
- 1995-04-25 CA CA002147772A patent/CA2147772C/en not_active Expired - Fee Related
- 1995-06-14 EP EP95304089A patent/EP0689194B1/en not_active Expired - Lifetime
- 1995-06-14 DE DE69524994T patent/DE69524994T2/de not_active Expired - Lifetime
- 1995-06-21 JP JP17687295A patent/JP3457431B2/ja not_active Expired - Lifetime
Non-Patent Citations (11)
| Title |
|---|
| Ｈｕｏ，Ｃｈａｎ，Ｌｅｅ，Ｓｅｇｍｅｎｔａｌ ｑｕａｓｉ−Ｂａｙｅｓｉａｎ ｌｅａｒｎｉｎｇ ｏｆ ｔｈｅ ｍｉｘｔｕｒｅ ｃｏｅｆｆｉｃｉｅｎｔｓ ｉｎ ＳＣＨＭＭ ｆｏｒ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９９４ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｓｐｅｅｃｈ，Ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｎｅｕｒａｌ ｎａｔｗｏｒｋｓ，米国，１９９４年 ４月１３日，Ｖｏｌ．２，Ｐａｇｅｓ ６７８−６８１ |
| Ｊｉａｎｘｉｏｎｇ Ｗｕ ｅｔ ａｌ，Ｓｐｅａｋｅｒ Ｎｏｒｍａｌｉｚａｔｉｏｎ ｂｙ Ｉｎｐｕｔ Ｓｐａｃｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ Ｃｏｎｔｉｎｕｏｕｓ Ｄｅｎｓｉｔｙ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍｍ ｏｎ Ｓｐｅｅｃｈ，Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ（ＩＳＳＩＰＮＮ’９４），米国，１９９４年 ４月１３日，Ｖｏｌ．１，Ｐａｇｅｓ ６８２−６８５ |
| Ｓａｎｋｅｒ，Ｌｅｅ，Ａ ｍａｘｉｍｕｍ−ｌｉｋｅｌｉｈｏｏｄ ａｐｐｒｏａｃｈ ｔｏ ｓｔｏｃｈａｓｔｉｃ ｍａｔｃｈｉｎｇ ｆｏｒ ｒｏｂｕｓｔ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｓｐｅｅｃｈ ａｎｄ Ａｕｄｉｏ Ｐｒｏｃｅｓｓｉｎｇ，米国，１９９６年 ５月，Ｖｏｌ．４，Ｎｏ．３，Ｐａｇｅｓ １９０−２０２ |
| Ｓａｎｋｅｒ，Ｌｅｅ，Ｒｏｂｕｓｔ ｓｐｅｅｃｈ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｔｏｃｈａｓｔｉｃ ｍａｔｃｈｉｎｇ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｇ ｔｈｅ １９９５ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ，米国，１９９５年 ５月 ９日，Ｐａｇｅｓ １２１−１２４ |
| Ｓｈｉｎｏｄａ，Ｉｓｏ，Ｗａｔａｎａｂｅ，Ｓｐｅａｋｅｒ ａｄａｐｔａｔｉｏｎ ｆｏｒ ｄｅｍｉ−ｓｙｌｌａｂｌｅ ｂａｓｅｄ ｃｏｎｔｉｎｕｏｕｓ ｄｅｎｓｉｔｙ ＨＭＭ，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９９１ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，米国，１９９１年 ５月１４日，Ｓ１３．７，Ｐａｇｅｓ ８５７−８６０ |
| 中橋，坪香，相乗型ＦＶＱ／ＨＭＭにおける話者適応，日本音響学会平成６年度春季研究発表会講演論文集，日本，１９９４年 ３月，３−７−１０，Ｐａｇｅｓ １０７−１０８ |
| 丸山，松本，写像モデルと連結学習に基づくＨＭＭ話者適応化法の改良，日本音響学会平成６年度春季研究発表会講演論文集Ｉ，日本，１９９４年 ３月，３−７−１１，Ｐａｇｅｓ １０９−１１０ |
| 大倉，大西，飯田，話者空間移動ベクトルに基づく不特定話者モデルの話者適応，日本音響学会平成６年度春季研究発表会講演論文集Ｉ，３−７−９，大倉計美 外「話者空間移動ベクトル，日本，１９９４年 ３月，３−７−９，Ｐａｇｅｓ １０５−１０６ |
| 篠田，渡辺，半音節ＨＭＭを用いた音声認識のための教師なし適応化，日本音響学会平成６年度春季研究発表会講演論文集Ｉ，日本，１９９４年 ３月，３−７−８，Ｐａｇｅｓ １０３−１０４ |
| 篠田，渡辺，音声認識のためのタスク適応化，日本音響学会平成４年度春季研究発表会講演論文集Ｉ，日本，１９９２年 ３月１７日，１−Ｐ−１５，Ｐａｇｅｓ １３３−１３４ |
| 高木，服部，渡辺，音声認識のための高速環境適応，電子情報通信学会技術研究報告［音声］，日本，１９９４年 ６月１６日，Ｖｏｌ．９４，Ｎｏ．９０，ＳＰ９４−１９，Ｐａｇｅｓ ３７−４４ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0850499A (ja) | 1996-02-20 |
| DE69524994D1 (de) | 2002-02-21 |
| CA2147772A1 (en) | 1995-12-22 |
| DE69524994T2 (de) | 2002-08-29 |
| CA2147772C (en) | 2000-06-13 |
| US5727124A (en) | 1998-03-10 |
| EP0689194B1 (en) | 2002-01-16 |
| EP0689194A1 (en) | 1995-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3457431B2 (ja) | 信号識別方法 | |
| EP0886263B1 (en) | Environmentally compensated speech processing | |
| Li et al. | An overview of noise-robust automatic speech recognition | |
| Gales | Model-based techniques for noise robust speech recognition | |
| Sankar et al. | A maximum-likelihood approach to stochastic matching for robust speech recognition | |
| Anastasakos et al. | A compact model for speaker-adaptive training | |
| US20080300875A1 (en) | Efficient Speech Recognition with Cluster Methods | |
| US5794192A (en) | Self-learning speaker adaptation based on spectral bias source decomposition, using very short calibration speech | |
| JP5242782B2 (ja) | 音声認識方法 | |
| Novoa et al. | Uncertainty weighting and propagation in DNN–HMM-based speech recognition | |
| EP1116219B1 (en) | Robust speech processing from noisy speech models | |
| Liao et al. | Joint uncertainty decoding for robust large vocabulary speech recognition | |
| US7571095B2 (en) | Method and apparatus for recognizing speech in a noisy environment | |
| US6633843B2 (en) | Log-spectral compensation of PMC Gaussian mean vectors for noisy speech recognition using log-max assumption | |
| US20060165202A1 (en) | Signal processor for robust pattern recognition | |
| JP5670298B2 (ja) | 雑音抑圧装置、方法及びプログラム | |
| JP5740362B2 (ja) | 雑音抑圧装置、方法、及びプログラム | |
| Minami et al. | Adaptation method based on HMM composition and EM algorithm | |
| Young | Acoustic modelling for large vocabulary continuous speech recognition | |
| Veisi et al. | The integration of principal component analysis and cepstral mean subtraction in parallel model combination for robust speech recognition | |
| Lawrence et al. | Integrated bias removal techniques for robust speech recognition | |
| González et al. | Efficient MMSE estimation and uncertainty processing for multienvironment robust speech recognition | |
| Chien et al. | Bayesian affine transformation of HMM parameters for instantaneous and supervised adaptation in telephone speech recognition. | |
| Mishra et al. | Isolated Hindi digits recognition: a comparative study | |
| Liao et al. | Uncertainty decoding for noise robust automatic speech recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080801 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080801 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090801 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100801 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100801 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110801 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110801 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120801 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120801 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130801 Year of fee payment: 10 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |