JPH08123462A

JPH08123462A - 音声認識装置

Info

Publication number: JPH08123462A
Application number: JP6263399A
Authority: JP
Inventors: Masao Watari; 雅男渡; Kazuo Ishii; 和夫石井; Yasuhiko Kato; 靖彦加藤; Hiroaki Ogawa; 浩明小川; Masanori Omote; 雅則表; Kazuo Watanabe; 一夫渡辺; Katsuki Minamino; 活樹南野
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 1994-10-27
Filing date: 1994-10-27
Publication date: 1996-05-17
Also published as: US5764853A

Abstract

(57)【要約】【目的】音声の認識率を向上させる。【構成】第ｍ成分の関数ｆ_m（Ｘ）がＬ_m個の関数ｇ_m ^k
（Ｘ）と係数ｃ_m ^kとの積の線形和で表される写像Ｆによ
って、特徴ベクトルＸが、教師ベクトルに近い新たな特
徴ベクトルに変換され、それに基づいて音声認識が行わ
れる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、音声を認識する音声認
識装置に関する。

【０００２】

【従来の技術】従来の音声認識装置としては、例えば特
定話者対応の、いわゆる限定単語認識装置から、不特定
話者対応の、いわゆる文章認識装置まで種々の認識形態
のものがある。これらの何れの認識形態をとる音声認識
装置であっても、大きくは、音声からその特徴ベクトル
（特徴量）を抽出する特徴抽出部と、特徴ベクトルから
音声を認識する認識処理部とから構成されている。

【０００３】認識処理部のアルゴリズムや構成は、認識
形態の違いに応じて様々であり、その代表的なものとし
ては、ＨＭＭ（Hidden Markov Models）法を基本とした
ものなどがある。また、特徴抽出部としては、例えば入
力音声をバンドパスフィルタに通し、その整流平滑化出
力を特徴ベクトルとして出力するものや、ＬＰＣケプス
トラムを求めるものなどがある。

【０００４】

【発明が解決しようとする課題】ところで、特徴抽出部
が音声から抽出する特徴ベクトルに対しては、まず異な
る音韻を識別するための情報（識別情報）が充分に含ま
れていることが要求される。これは、特徴ベクトルに、
音韻間の識別情報が殆ど含まれていなければ、後段の認
識処理部がどのように優れたものであっても高い認識性
能を得ることは困難となるからである。

【０００５】しかしながら、上述したような、従来の特
徴抽出部から得られる特徴ベクトルによれば、例えば破
裂性子音のｐ，ｔ，ｋの識別情報が不充分であることが
知られている。

【０００６】これは、本来、非定常な音声信号を、定常
的なものとみなして分析する手法によって、特徴ベクト
ルの抽出を行っていることに本質的な問題がある。そこ
で、最近では、例えばウェーブレット変換などを用いた
分析手法により、音声から特徴ベクトルを抽出する方法
の研究がなされているが、現状では充分な効果を得るこ
とのできる方法は提案されていない。

【０００７】ここで、例えば中語彙や大語彙の音声認識
装置に用いられる特徴ベクトルについて考察すると、こ
のような音声認識装置においては、一般に、各音韻を識
別の基本（カテゴリ）としている場合が多い。例えば、
認識処理部がＨＭＭ法による音韻モデルを用いる音声認
識装置では、通常、各音韻カテゴリごとに音韻モデルが
求められる。即ち、各音韻に対応する音韻モデルから所
定のコード（シンボル）が出力される出現確率と、音韻
モデルを構成する状態がコードを出力するときに、その
状態が遷移する遷移確率が、学習用のサンプルデータか
ら求められる。

【０００８】遷移確率または出現確率のうちの、例えば
出現確率は、音韻記号によってラベル付けされたサンプ
ルデータから特徴ベクトル空間における確率分布を計算
することによって求められるが、この出現確率を、従来
の音声分析手法から得られる特徴ベクトルをそのまま用
いて求めた場合、例えば”ａ”と”ｉ”などのような母
音それぞれに対する出現確率分布は重なりが少ない。し
かしながら、上述した破裂性子音における出現確率分布
は、音韻カテゴリ間で大きな重なりが生じる。

【０００９】即ち、図７は、母音”ａ”および”ｉ”、
並びに破裂性子音”ｐ”および”ｔ”についての音韻カ
テゴリ間の特徴ベクトルの分布の重なり具合を模式的に
示している。なお、同図（後述する図３、図４、図８、
および図９においても同様）においては、特徴ベクトル
空間を２次元とし、例えば９０％の等確率面上の音韻カ
テゴリの境界を示してある。

【００１０】図７は、ノイズを含まない音声データが作
るカテゴリを示しているが、このようにノイズを含まな
くても、破裂性子音”ｐ”と”ｔ”のカテゴリには大き
な重なりが生じる。即ち、破裂性子音”ｐ”と”ｔ”と
の分離性はかなり悪い（ここでは、破裂性子音のうち
の”ｐ”および”ｔ”についてのみ考えているが、その
他の破裂性子音相互間においても、この”ｐ”および”
ｔ”の場合と同様に分離性が悪い）。

【００１１】一方、図８は、ノイズを含む音声データの
カテゴリの分布を示している。ノイズ環境（ノイズのあ
る環境）下で、発話がなされた場合、ノイズが微弱なも
のであれば、そのノイズを含む音声の特徴ベクトルは、
ノイズを含まない音声の場合（図７）から僅かに変形さ
れるだけであるが、ノイズのレベルが高くなるにしたが
って、変形も大きくなり、ノイズから得られる特徴ベク
トルに近づくようになる。

【００１２】即ち、図７に示した音韻（”ａ”，”
ｉ”，”ｐ”，”ｔ”）の特徴ベクトルが形成するカテ
ゴリは、ノイズのレベルが高くなるにしたがって、その
ノイズの特徴ベクトルが形成するカテゴリ方向に、いわ
ば瘤ができたように変形される。そして、ノイズのレベ
ルが高くなれば瘤も大きくなり、ノイズの種類が増加す
れば、複数の方向に瘤が形成される。

【００１３】図８は、例えばエアコンのファンのノイズ
が存在する環境下における、図７に示した音韻カテゴリ
の特徴ベクトルの分布を模式的に示している。なお、図
中、点線で示す部分は、エアコンのノイズにより形成さ
れた瘤を示している。

【００１４】図８からわかるように、ノイズの影響を受
けることによって、ノイズが存在しない場合でも大きな
重なりを有していた破裂性子音”ｐ”と”ｔ”のカテゴ
リ間の重なり部分は、さらに大きくなる。即ち、その音
韻カテゴリ間の分離性は、ノイズが存在することによっ
てさらに悪化する。

【００１５】ノイズ環境下における音声認識が困難であ
る理由は、ここにある。

【００１６】ところで、図７（図８も同様）では、各音
韻カテゴリの分布を、それが１つの正規分布で表される
ような単純な分布になるものとして示したが、実際に
は、調音結合などの影響によって、音韻カテゴリは、こ
のように単純に分布するのではなく、複雑に分布する。
即ち、同一のラベル付けがなされた音声データから得ら
れた特徴ベクトルであっても、その前後の音韻の違いに
より異なるものとなるため、その分布は、正規分布で表
されるような単純な分布にはならない。

【００１７】図９は、例えば”ａ”に関する、実際の特
徴ベクトルの分布を模式的に示している。同図に示すよ
うに、特徴ベクトルは、１つの音韻カテゴリについて、
ある１つの範囲に分布するのではなく、通常、複数の範
囲に分布する。

【００１８】このような分布の複雑さに対応すべく、例
えば連続ＨＭＭ法による音声認識装置では、音韻モデル
の出現確率や遷移確率を正規分布の混合分布で記述する
ことなどが行われている。また、例えば離散ＨＭＭ法に
よる音声認識装置においては、ＶＱ（ベクトル量子化）
コードブックのコードブックサイズを大きくすることな
どが行われている。

【００１９】しかしながら、この場合、連続ＨＭＭ法に
よる音声認識装置では、図７や図８に示したように音韻
カテゴリが単一分布するとした場合に比較して、出現確
率や遷移確率を正規分布の混合分布で記述することによ
り、係数を格納するためのメモリ領域が大幅に増加し、
また音声認識に要する演算量も増大することになる。

【００２０】また、離散ＨＭＭ法による音声認識装置に
おいても、ＶＱコードブックのサイズを大きくすること
により、連続ＨＭＭ法による音声認識装置における場合
と同様に、メモリ領域および演算量が増加することにな
る。

【００２１】さらに、不特定話者に対応するには、連続
ＨＭＭ法による場合は混合分布の混合数を、離散ＨＭＭ
法による場合はＶＱコードブックサイズを、それぞれさ
らに増加する必要があるが、これらの方法によれば、そ
の増加に見合った多くの学習用のサンプルデータを用い
て学習を行うことにより、その効果が発揮される。即
ち、認識性能を大幅に改善するには、膨大な数の学習用
のサンプルデータを用いて学習する必要がある。

【００２２】しかしながら、実際に収集することのでき
るサンプルデータには限りがあるため、現実的なサンプ
ルデータ数による認識性能の改善には限界がある。

【００２３】以上では、ＨＭＭ法による音声認識装置に
ついて説明したが、特徴ベクトルに関する音韻間の分離
性および分布の複雑さは、認識処理部がＨＭＭ法以外
の、例えばマルチテンプレート型のＤＰマッチング方式
などによるものに対しても、上述の場合と同様の影響を
与える。

【００２４】即ち、従来用いられている特徴ベクトルに
は、１）音韻カテゴリ間の識別性（分離性）が悪い。２）音韻カテゴリの分布が複雑である。という２つの大きな問題があったため、音声の認識率の
大幅な改善を図ることが困難な課題があった。

【００２５】本発明は、このような状況に鑑みてなされ
たものであり、音韻カテゴリ間の分離性を改善し、また
音韻カテゴリの分布を単純化することで、不特定話者の
認識やノイズ環境下での認識性能を大幅に改善すること
ができるようにするものである。

【００２６】

【課題を解決するための手段】本発明の音声認識装置
は、音声を、所定のフレーム単位で音響分析し、特徴ベ
クトルＸを抽出する分析手段（例えば、図１に示す音声
分析部２など）と、分析手段より出力される特徴ベクト
ルＸに所定の変換処理を施し、新たな特徴ベクトルを出
力する変換手段（例えば、図１に示すＧＧＭ（Guarante
ed Global minimum Mapping）変換部４など）と、変換
手段より出力された新たな特徴ベクトルに基づいて、音
声を認識する認識手段（例えば、図１に示す認識処理部
５など）とを備え、変換手段は、Ｎ次元ベクトル空間Ω
_NからＭ次元ベクトル空間Ω_Mへの写像Ｆにしたがって所
定の変換処理を行い、特徴ベクトルＸは、Ｎ次元ベクト
ル空間Ω_N上のベクトルであり、写像Ｆの第ｍ成分の関
数ｆ_m（Ｘ）は、Ｌ_m個の関数ｇ_m ^k（Ｘ）と係数ｃ_m ^kとの
積の線形和

【数３】で表されることを特徴とする。

【００２７】この音声認識装置においては、関数ｇ
_m ^k（Ｘ）を、単項式とすることができる。

【００２８】また、Ｑ個のカテゴリＣ_q（但し、ｑ＝
０，１，２，・・・，Ｑ−１）に分類されているＮ次元
ベクトル空間Ω_Nの学習サンプルをＳ_q（＝（ｓ₀ ^q，
ｓ₁ ^q，ｓ₂ ^q，・・・，ｓ_N-1 ^q））とし、Ｑ個のカテゴリ
Ｃ_qそれぞれに対するＭ次元ベクトル空間Ω_M上のＱ個の
教師ベクトルをＴ^q（＝（ｔ₀ ^q，ｔ₁ ^q，ｔ₂ ^q，・・・，
ｔ_M- ₁ ^q））とするとともに、学習サンプルＳ_qの全要素
にわたって関数ｆ_m（Ｘ）の期待値を求める演算を、Ｅ
｛Ｘ∈Ｓ_q｝｛ｆ（Ｘ）｝とするとき、係数ｃ_m ^kを、評
価関数

【数４】を最小にするものとし、Ｑ個のカテゴリＣ_qを、Ｑ種類
の音韻にそれぞれ対応させ、学習サンプルＳ_qを、ラベ
ル付けされた音声データとすることができる。

【００２９】写像Ｆによる変換後のベクトル空間の次元
Ｍは、音韻に対応するカテゴリＣ_qの総数Ｑに等しくす
ることができる。また、教師ベクトルＴ_qは、Ｍ次元ベ
クトル空間における単位ベクトルとすることができる。
さらに、Ｑ個の教師ベクトルＴ_qは、互いに直交するも
のとすることができる。また、音声データは、ノイズを
含むものとすることができる。

【００３０】さらに、本発明の音声認識装置は、分析手
段より所定のフレーム単位で出力される特徴ベクトルＸ
を、複数フレーム分束ね、それを特徴ベクトルＸとし
て、変換手段に供給する束化手段（例えば、図１に示す
特徴ベクトル束化部３など）をさらに備えることができ
る。

【００３１】特徴ベクトルＸは、ＬＰＣケプストラムで
なるものとすることができる。また、特徴ベクトルＸ
は、音声の所定の帯域幅ごとのパワーでなるものとする
ことができる。

【００３２】また、認識手段には、変換手段より出力さ
れる新たな特徴ベクトル、および分析手段より出力され
る特徴ベクトルＸの両方に基づいて、音声を認識させる
ことができる。さらに、分析手段が、音声を音響分析
し、特徴ベクトルＸと、それとは異なる他の特徴ベクト
ルを抽出する場合、認識手段には、変換手段より出力さ
れる新たな特徴ベクトル、および分析手段より出力され
る他の特徴ベクトルの両方に基づいて、音声を認識させ
ることができる。他の特徴ベクトルは、所定のフレーム
数だけ離れた２つのフレームからそれぞれ抽出された特
徴ベクトルＸどうしの差分でなるものとすることができ
る。

【００３３】認識手段には、ＨＭＭ（Hidden Markov Mo
dels）法にしたがって音声を認識させることができる。
また、認識手段に供給されるベクトルをベクトル量子化
し、所定のコードを出力するベクトル量子化手段（例え
ば、図５に示す４１ＶＱ処理部１５や１６次元ＶＱ処理
部１６など）をさらに備える場合、認識手段には、ベク
トル量子化手段より出力される所定のコードから、離散
ＨＭＭ法にしたがって音声を認識させることができる。

【００３４】

【作用】上記構成の音声認識装置においては、第ｍ成分
の関数ｆ_m（Ｘ）がＬ_m個の関数ｇ_m ^k（Ｘ）と係数ｃ_m ^kと
の積の線形和で表される写像Ｆによって、特徴ベクトル
Ｘが新たな特徴ベクトルに変換され、それに基づいて音
声認識が行われる。従って、複雑に分布する特徴ベクト
ルＸが、単純に分布する新たな特徴ベクトルに変換され
るので、即ち、複数の範囲に分布する特徴ベクトルＸ
が、１つの範囲に分布する新たな特徴ベクトルに変換さ
れるので、音声の認識率を大幅に改善することができ
る。

【００３５】また、所定のフレーム単位で出力される特
徴ベクトルＸを、複数フレーム分束ね、それを特徴ベク
トルＸとする場合には、異なる音韻カテゴリどうしの分
離性を向上させることができるので、やはり音声の認識
率を大幅に改善することができる。

【００３６】

【実施例】図１は、本発明を適用した音声認識装置の一
実施例の構成を示している。マイク（マイクロフォン）
１は、そこに音声が入力されると、その音声を電気信号
としての音声信号に変換するようになされている。音声
分析部２は、マイク１からの音声信号を、所定のフレー
ム単位で音響分析し、Ｋ次元の特徴ベクトルを抽出する
ようになされている。なお、音声分析部２は、音声か
ら、Ｋ次元の特徴ベクトルを抽出する他、その他の特徴
ベクトルの抽出、および音声区間の検出も行うようにな
されている。Ｋ次元の特徴ベクトルの他の特徴ベクト
ル、および音声区間は、認識処理部５に、直接供給され
るようになされている（詳細は後述する）。

【００３７】特徴ベクトル束化部３は、音声分析部２よ
り所定のフレーム単位で出力される特徴ベクトルを、複
数フレーム分束ね、それをＧＧＭ変換部４に出力するよ
うになされている。

【００３８】ＧＧＭ変換部４は、音声分析部２より特徴
ベクトル束化部３を介して供給される特徴ベクトルに対
し、後述する写像Ｆにしたがって所定の変換処理を施
し、新たな特徴ベクトルを出力するようになされてい
る。認識処理部５は、ＧＧＭ変換部４および音声分析部
２より供給される特徴パラメータから、例えばＨＭＭ法
などにしたがって入力音声を認識するようになされてい
る。

【００３９】次に、その動作について説明する。マイク
１に音声が入力されると、その音声は電気信号としての
音声信号に変換され、音声分析部２に出力される。音声
分析部２では、マイク１からの音声信号から、所定のフ
レーム単位でＫ次元の特徴ベクトルが抽出され、特徴ベ
クトル束化部３に供給される。さらに、音声分析部２で
は、音声信号から、Ｋ次元の特徴ベクトル以外の特徴ベ
クトルが抽出され、認識処理部５に供給される。また、
音声分析部２は、音声信号から音声区間を検出し、認識
処理部５に供給する。

【００４０】特徴ベクトル束化部３では、音声分析部２
からのＫ次元の特徴ベクトルが、複数フレーム分（例え
ば、Ｈフレーム分）束ねられ、Ｋ×Ｈ次元の特徴ベクト
ルとして、ＧＧＭ変換部４に出力される。ＧＧＭ変換部
４においては、特徴ベクトル束化部３からのＫ×Ｈ次元
の特徴ベクトルに対し、写像Ｆにしたがって所定の変換
処理が施され、その結果得られる新たなＪ次元の特徴ベ
クトルが、認識処理部５に出力される。認識処理部５で
は、音声分析部２から供給された音声区間において、同
じく音声分析部２から供給される特徴パラメータと、Ｇ
ＧＭ変換部４から供給される特徴パラメータとから、Ｈ
ＭＭ法などにしたがって入力音声が認識され、その認識
結果が出力される。

【００４１】次に、特徴ベクトル束化部３の処理の詳細
について、図２および図３を参照して説明する。図２
は、破裂性子音”ｐ”および”ｔ”の特徴ベクトルを、
時系列に表している。なお、同図においては、特徴ベク
トル空間が１次元としてある（従って、この場合、特徴
ベクトルは、ベクトル量ではなく、スカラー量であ
る）。

【００４２】図２（ａ）は、無音の状態から”ｐａ”と
発話がなされた場合の特徴ベクトル時系列を、無音、”
ｐ”，”ａ”それぞれにラベル付けされた領域に示して
おり、また図２（ｂ）は、同じく無音の状態から”ｔ
ａ”と発話がなされた場合の特徴ベクトル時系列を、無
音、”ｔ”，”ａ”それぞれにラベル付けされた領域に
示してある。

【００４３】”ｐ”にラベル付け（ラベリング）された
フレームから得られる特徴ベクトル（これは、いまの場
合、上述したようにスカラー量）は、図２（ａ）に示す
ように、「１」，「２」，「３」の３種類となってお
り、また、”ｔ”にラベル付けされたフレームから得ら
れる特徴ベクトルも、図２（ｂ）に示すように、
「１」，「２」，「３」の３種類となっている。

【００４４】従って、子音”ｐ”または”ｔ”にラベル
付けされた１フレームから得られる、いわば局所的な特
徴ベクトルがなすカテゴリ（分布）（領域）は、図３
（ａ）に示すように、完全に重なっており、子音”ｐ”
と”ｔ”とは区別をすることができない。なお、実際に
は、子音”ｐ”と”ｔ”とラベル付けされた１フレーム
から得られる特徴ベクトルは、通常、完全に同一ではな
く、僅かには異なる場合があるので、図３（ａ）におい
ては、子音”ｐ”または”ｔ”のカテゴリが、ほぼ重な
るように示してある。

【００４５】次に、ラベル付けされたフレームの両隣の
フレームまでを含めた特徴ベクトル、即ちいま注目して
いるフレームの特徴ベクトルと、その注目フレームの両
隣のフレームの特徴ベクトルとを束ねた特徴ベクトル
（以下、適宜、束化特徴ベクトルという）を考えると、
子音”ｐ”の束化特徴ベクトルは、「０１２」，「１２
３」，「２３４」の３種類であるのに対し、子音”ｔ”
の束化特徴ベクトルは、「０１２」，「１２２」，「２
２３」，「２３３」，「３３４」の５種類となる。この
場合、”ｐ”と”ｔ”とのカテゴリの重なりは、図３
（ｂ）に示すように、「０１２」だけになり、その他の
部分は重ならないから、子音”ｐ”と”ｔ”の分離性が
大幅に改善されることになる。

【００４６】さらに、注目フレームの特徴ベクトルと、
その両隣の２フレームずつの特徴ベクトルとを束ねた束
化特徴ベクトルを考えると、子音”ｐ”と”ｔ”の束化
特徴ベクトルがなすカテゴリは、図３（ｃ）に示すよう
に、完全に分離する。

【００４７】そこで、特徴ベクトル束化部３では、音声
分析部２からフレーム単位で出力される特徴ベクトル
を、複数フレーム分束ねて束化特徴ベクトルとし、これ
をＧＧＭ変換部４に出力するようになされている。

【００４８】この場合、上述したように特徴ベクトルが
つくるカテゴリを分離することができるので、認識率を
大幅に改善することができる。

【００４９】なお、束化特徴ベクトルは、上述したよう
に注目フレームの特徴ベクトルと、その左右の同一の数
のフレームの特徴ベクトルから作成するようにしても良
いし、注目フレームの特徴ベクトルと、その左右の異な
る数のフレームの特徴ベクトルから作成するようにして
も良い。即ち、束化特徴ベクトルは、注目フレームの特
徴ベクトルと、例えばその右側の１フレーム（時間的に
先行する１フレーム）の特徴ベクトル、およびその左側
の２フレーム（時間的に後行する２フレーム）の特徴ベ
クトルとを束ねて作成するようにしても良い。

【００５０】次に、ＧＧＭ変換部４の処理の詳細につい
て説明する。ＧＧＭ変換部４では、次のような写像Ｆに
したがった変換処理が行われる。

【００５１】即ち、写像Ｆは、Ｎ次元ベクトル空間Ω_N
上のベクトルＸをＭ次元ベクトル空間Ω_M上のベクトル
に変換するもので、その第ｍ成分の関数ｆ_m（Ｘ）は、
Ｌ_m個の関数ｇ_m ^k（Ｘ）と、所定の係数ｃ_m ^kとの線形和
として、次式で示すように定義される（但し、ｍ＝０，
１，２，・・・，Ｍ−１：ｋ＝０，１，２，・・・，Ｌ
_m−１）。

【００５２】

【数５】・・・（１）

【００５３】関数ｇ_m ^k（Ｘ）としては、Ｎ変数関数空間
の完備（完全）な関数系が採用される。これは、ヒルベ
ルトの関数解析における公知の定理「任意の関数は、完
備な関数系の線形結合で表現することができる」から、
関数ｇ_m ^k（Ｘ）として、上述のようにＮ変数関数空間の
完備な関数系を採用し、かつその個数Ｌ_mを必要な数と
すれば、原理的には、任意の連続写像を、関数ｇ
_m ^k（Ｘ）によって表現することができるからである。

【００５４】このことは、いわゆる階層型ニューラルネ
ットワークが、その中間層のニューロン素子の数を制限
しなければ、即ちその数を充分大きくすれば、原理的に
は、任意の連続写像を表現することができることに対応
する。

【００５５】関数ｇ_m ^k（Ｘ）を所定のものに選択、設定
すれば、その後は、学習を行うことにより、係数ｃ_m ^kを
設定することができ、その結果、所望する関数ｆ
_m（Ｘ）、即ち写像Ｆが得られることになる。

【００５６】そして、この係数ｃ_m ^kを決定するに際し、
次式で定義されるような評価関数Ｊが採用される。

【００５７】

【数６】・・・（２）

【００５８】但し、Ｓ_q（＝（ｓ₀ ^q，ｓ₁ ^q，ｓ₂ ^q，・・
・，ｓ_N-1 ^q））は、Ｑ個のカテゴリＣ_qに分類されてい
るＮ次元ベクトル空間Ω_Nの学習サンプルであり（但
し、ｑ＝０，１，２，・・・，Ｑ−１）、またＴ^q（＝
（ｔ₀ ^q，ｔ₁ ^q，ｔ₂ ^q，・・・，ｔ_M _-1 ^q））は、Ｑ個のカ
テゴリＣ_qそれぞれに対するＭ次元ベクトル空間Ω_M上の
Ｑ個の教師ベクトル（教師ベクトルの集合）である。ま
た、Ｅ｛Ｘ∈Ｓ_q｝｛｝は、｛｝内において、学習サン
プル（の集合）Ｓ_qの全要素にわたって期待値を求める
ことを意味する。従って、評価関数Ｊは、学習サンプル
に対する写像出力と教師ベクトルとの自乗誤差のアンサ
ンブル平均を意味している。

【００５９】よって、学習サンプルに対する写像出力
が、教師ベクトルとなるような写像を得るには、評価関
数Ｊを最小にする係数ｃ_m ^kを求めれば良い。

【００６０】そこで、式（１）を式（２）に代入する
と、次式が得られる。

【００６１】

【数７】・・・（３）

【００６２】ここで、

【数８】とおくと、式（３）は、次にようになる。

【００６３】

【数９】・・・（４）

【００６４】そして、評価関数Ｊの極値を求めるため、

【数１０】とし、これを、式（４）から計算すると、次のようにな
る。

【００６５】

【数１１】・・・（５）

【００６６】この式（５）は、各ｍに関し、Ｌ_m個の未
知数（係数）ｃ_m ^kに関する連立１次方程式となる。

【００６７】式（５）は、

【数１２】とすると、次のような簡潔な形になる。

【００６８】

【数１３】・・・（６）

【００６９】式（６）（式（５））は、１次方程式であ
るから、不定あるいは不能となる特殊な場合を除き、一
意に解が得られる。

【００７０】このことは、式（２）で表される評価関数
Ｊを最小にする係数ｃ_m ^kが、式（６）（式（５））の方
程式を解くことにより求めることができることを意味す
る。従って、この場合、評価関数Ｊが、極小値（ローカ
ルミニマム）となる場合の係数ｃ_m ^kが求められてしまう
ような問題が、式（６）（式（５））の方程式が不定あ
るいは不能となるような特殊な場合を除いて、本質的に
存在しないことになる。

【００７１】これは、式（６）（式（５））の方程式を
解く代わりに、式（４）で表された評価関数Ｊに、最急
降下法を適用しても、いわゆる初期値問題に煩わされる
ことなく、一意に解（係数）ｃ_m ^kが得られることを意味
する。

【００７２】そして、このように、解が一意に決まると
いう特性によれば、ニューラルネットワークにおけるよ
うな準最適解を求めるために、初期値を変更して繰り返
し学習をせずに済むことになる。さらに、式（１）に示
すように写像を表現するようにしたため、係数ｃ_m ^kの値
の自由度と、関数ｇ_m ^k（Ｘ）として、どのような関数を
採用するのかの自由度があることになる（即ち、大きく
は、自由度が２種類となる）。

【００７３】このため同程度の規模で考えれば、写像の
潜在的表現能力は、式（１）に示すように写像を表現す
る場合の方が、ニューラルネットワークより大きくな
る。これは、ニューラルネットワークの場合には、規模
が固定されれば、残る表現の自由度は、結合重み係数の
値の取り得る自由度だけとなるからである。

【００７４】以上のように、式（１）で表現される写像
（以下、適宜、ＧＧＭ（GuaranteedGlobal minimum Map
ping）という）によれば、イ）誤差最小（グローバルミニマム）が保証され、ロ）初期値問題が存在しないため、繰り返し学習が不要
で、学習の高速化が可能となるという本質的解決と、ハ）関数ｇ_m ^k（Ｘ）の選択の自由度があるため、所望の
写像を決定する場合に、同程度の規模のニューラルネッ
トワークと比較して近似能力が高くなるという改善とを実現することができる。

【００７５】なお、ＧＧＭについての詳細は、本件出願
人が先に出願している特願平６−２２１３２１号に記載
されている。

【００７６】ＧＧＭ変換部４では、Ｎ＝Ｋ×Ｈ，Ｍ＝Ｊ
とし、また、Ｎ次元ベクトル空間Ω_Nの、Ｑ個のカテゴ
リＣ_qを、Ｑ種類の音韻にそれぞれ対応させ、各カテゴ
リＣ_qに分類されている学習サンプルＳ_qとして、各音韻
のラベル付けがなされた学習用の音声データを用い、さ
らにＱ個のカテゴリＣ_qそれぞれに対応するＱ個の教師
ベクトルＴ^qとして、Ｍ次元ベクトル空間Ω_Mにおける基
底ベクトル（互いに直交するＭ次元の単位ベクトル）を
採用して学習を行った結果得られた係数ｃ_m ^kを用いた写
像Ｆ（式（１））にしたがった変換が行われるようにな
されている。

【００７７】したがって、ＧＧＭ変換部４によれば、図
４に示すように、入力空間であるＮ次元ベクトル空間空
間Ω_Nでは、必ずしも単連結でなく、また複雑な（複雑
かもしれない）各カテゴリが、教師ベクトルの周りに集
まる単純なカテゴリに変換される。

【００７８】ここで、この場合、Ｑ個の教師ベクトルＴ
^qとして、Ｍ次元ベクトル空間Ω_MにおけるＭ個の基底ベ
クトルを採用しているから、ＧＧＭ変換部４から出力さ
れる特徴ベクトル（写像出力）の次元数Ｍは、カテゴリ
数Ｑに等しく、さらに、Ｑ種類の音韻それぞれにＱ個の
教師ベクトルＴ^q、即ちＭ（＝Ｑ）個の基底ベクトルが
対応しているから、写像出力であるＭ（＝Ｑ）次元のベ
クトルの要素（成分）のうちのいずれが大きいかを見る
だけで、音韻の判定が可能となる。

【００７９】このような写像の決定は、従来のニューラ
ルネットワークによっても可能であるが、上述したよう
に誤差最小が保証されないなどの、効果的な写像を決定
することができない可能性が残る問題がある。しかしな
がら、ＧＭＭによれば、誤差最小が保証されているた
め、より好ましい形に（単純な形に）カテゴリを変換す
ることができる。即ち、カテゴリの分布形状を非常に単
純化することができるので、認識性能を大幅に改善する
ことができる。

【００８０】次に、図５は、図１の音声認識装置のより
詳細な構成を示している。なお、図５においては、音声
分析部２は、Ａ／Ｄ変換器７、プリエンファシス演算部
８、ハミング窓演算部９，ＬＰＣケプストラム演算部１
０、音声区間検出部１１、およびディファレンシャル演
算部１３から構成されている。また、認識処理部５は、
４１次元ＶＱ処理部１５，１６次元ＶＱ処理部１６、離
散ＨＭＭ認識処理部１７、認識対象語辞書格納部１８、
および確率学習データ格納部１９から構成されている。

【００８１】マイク１に入力された音声は、音声信号に
変換され、Ａ／Ｄ変換器７に出力される。Ａ／Ｄ変換器
７では、音声信号が、所定のサンプリング周波数（例え
ば、１２ｋＨｚなど）でサンプリングされ、プリエンフ
ァシス演算部８に供給される。プリエンファシス演算部
８では、Ａ／Ｄ変換器７からの音声信号がプリエンファ
シスされ（例えば、Ｈ（ｚ）＝１−０．９７ｚ^-1なる伝
達関数を有するフィルタを通され）、ハミング窓演算部
９に出力される。

【００８２】ハミング窓演算部９では、例えば２５６点
のハミング窓が、プリエンファシス演算部８から出力さ
れた音声信号にかけられる。これにより、音声信号は、
２５６サンプル点ごとに、いわば切り出され、その単位
で、即ちフレーム単位で、ＬＰＣケプストラム演算部１
０に供給される。なお、この切り出しは、所定のフレー
ム周期（例えば、１２８点など）で行われる。即ち、音
声信号は、２５６点のハミング窓を、１２８点ずつずら
しながら切り出される。また、音声信号の切り出しのた
めに用いる窓は、ハミング窓の他、例えばハニング窓な
どのその他の窓関数を用いるようにしても良い。

【００８３】ＬＰＣケプストラム分析部１０では、ハミ
ング窓演算部９から供給されるフレーム単位の音声信号
から、特徴ベクトルＸとしての、例えば１６次のＬＰＣ
ケプストラム係数が求められる。即ち、第ｎフレームの
音声信号から、ＬＰＣケプストラム係数ｃ_i（ｎ）が求
められる（但し、ｉ＝０，１，２，・・・，１６）。さ
らに、ＬＰＣケプストラム演算部１０は、フィルタバン
クを内蔵しており、そのフィルタバンクによって音声信
号をフィルタリングすることにより、所定の帯域幅ごと
のパワーｐ（ｎ）が求められる。

【００８４】そして、ＬＰＣケプストラム係数は特徴ベ
クトル束化部３およびディファレンシャル演算部１３
に、パワーｐ（ｎ）は音声区間検出部１１に、それぞれ
出力される。

【００８５】なお、ＬＰＣケプストラム演算部１０から
は、フィルタバンクによって音声信号をフィルタリング
することにより得られた所定の帯域幅ごとのパワーｐ
（ｎ）を、特徴ベクトルＸとして、特徴ベクトル束化部
３およびディファレンシャル演算部１３に出力するよう
にすることも可能である。即ち、ＬＰＣケプストラム演
算部１０には、ＬＰＣケプストラム係数の他の特徴量
を、音声信号から抽出させ、それを特徴ベクトルとして
出力させるようにすることが可能である。

【００８６】音声区間検出部１１では、ＬＰＣケプスト
ラム演算部１０からのパワーに基づいて、音声区間が検
出され、離散ＨＭＭ認識処理部１７に出力される。ま
た、ディファレンシャル演算部１３では、ＬＰＣケプス
トラムケプストラム係数からディファレンシャルＬＰＣ
ケプストラム係数の計算が行なわれる。即ち、ディファ
レンシャル演算部１３においては、所定のフレーム数だ
け離れた２つのフレーム（例えば隣接する２つのフレー
ム）におけるＬＰＣケプストラム係数どうしの差分が演
算され、その演算結果（以下、適宜、差分ＬＰＣケプス
トラム係数という）が、特徴ベクトル束化部３に出力さ
れたＬＰＣケプストラム係数とは、別の特徴ベクトルと
して、１６次元ＶＱ処理部１６に出力される。

【００８７】一方、特徴ベクトル束化部３では、例えば
３フレーム分のＬＰＣケプストラム係数が束ねられ、４
８次（＝１６次×３フレーム）の束化特徴ベクトルとさ
れて、ＧＧＭ変換部４に出力される。ＧＧＭ変換部４で
は、既に学習により得られた、上述したような写像Ｆに
したがって、４８次の束化特徴ベクトルが、例えば４１
次のベクトル（以下、適宜、ＧＧＭベクトルという）に
変換（以下、適宜、ＧＧＭ変換という）され、４１次元
ＶＱ処理部１５に出力される。

【００８８】４１次元ＶＱ処理部１５では、４１次のＧ
ＧＭベクトルがベクトル量子化され、例えば５１２種類
のコード（ＶＱコード）のうちのいずれかにエンコード
される。また同様に、１６次元ＶＱ処理部１６では、デ
ィファレンシャル演算部１３からの１６次の特徴ベクト
ル（差分ＬＰＣケプストラム係数）がベクトル量子化さ
れ、例えば５１２種類のコード（ＶＱコード）のうちの
いずれかにエンコードされる。なお、４１次元ＶＱ処理
部１５および１６次元ＶＱ処理部１６には、あらかじめ
学習により得られたコードブック（ＶＱコードブック）
が記憶されており、このコードブックを参照することに
より、ＶＱコードが出力されるようになされている。

【００８９】この２種類のＶＱコードは、離散ＨＭＭ認
識処理部１７に供給される。離散ＨＭＭ認識処理部１７
では、音声区間検出部１１から供給される音声区間にお
いて、４１次元ＶＱ処理部１５および１６次元ＶＱ処理
部１６から出力されるＶＱコードから、認識対象語辞書
格納部１８と確率学習データ格納部１９とを参照して、
例えば離散ＨＭＭ法にしたがった音声認識処理を行い、
認識結果を出力する。

【００９０】即ち、認識対象語辞書格納部１８には、音
声認識対象とする語彙が記憶されており、また確率学習
データ格納部１９には、既に学習（ＨＭＭの学習）によ
り得られた、音韻ごとの出現確率および遷移確率が記憶
されている。離散ＨＭＭ認識処理部１７は、そこに時系
列に供給されるＶＱコード系列が観測される尤度（確
率）が、出現確率および遷移確率を用いて計算される。
そして、認識対象語辞書格納部１８に記憶されている語
彙のうち、計算された尤度の最も高いものが、音声認識
結果として出力される。

【００９１】なお、離散ＨＭＭ認識処理部１７では、例
えば差分ＬＰＣケプストラム係数から得られたＶＱコー
ドを用いず、ＧＧＭベクトルから得られたＶＱコードの
みを用いて認識処理を行うようにすることが可能であ
る。また、離散ＨＭＭ認識処理部１７においては、離散
ＨＭＭ法以外のアルゴリズムにしたがって音声認識処理
を行うようにすることも可能である。

【００９２】次に、上述したように、Ｎ＝４８，Ｍ＝Ｑ
＝４１とし、関数ｇ_m ^k（Ｘ）として、５次までの単項式
を採用するとともに、関数ｆ_m（Ｘ）の項数をすべての
ｍについてＬm＝３０１とした場合のシミュレーション
結果を、表１に示す。また、表１に示したシミュレーシ
ョン結果をグラフ化したものを図６に示す。

【００９３】

【表１】

【００９４】なお、表１および図６において、「オリジ
ナル」とは、特徴ベクトル束化部３による特徴ベクトル
の束化、およびＧＧＭ変換部４による特徴ベクトルの変
換（ＧＧＭ変換）のいずれも行わなかった場合であり、
また「束化」とは、ＧＧＭ変換部４による特徴ベクトル
のＧＧＭ変換は行わなかったが、特徴ベクトル束化部３
による特徴ベクトルの束化は行った場合を示している。
さらに、「ＧＧＭ出力」とは、特徴ベクトル束化部３に
よる特徴ベクトルの束化、およびＧＧＭ変換部４による
特徴ベクトルのＧＧＭ変換の両方を行った場合を示して
いる。

【００９５】また、「ノイズ無し」とは、ノイズを含ま
ない音声データを認識した場合の認識結果を示してお
り、「ノイズ有り」（図６では、「Ｓ／Ｎ０ｄＢ」と図
示してある）とは、ノイズを含む、Ｓ／Ｎが０ｄＢの音
声データを認識した場合の認識結果を示している。

【００９６】さらに、「１コードブック」とは、４１次
元ＶＱ処理部１５または１６次元ＶＱ処理部１６のうち
の、４１次元ＶＱ処理部１５の出力のみを用いて認識を
行った場合を示しており（図６では、点線で図示してあ
る）、また「２コードブック」とは、４１次元ＶＱ処理
部１５および１６次元ＶＱ処理部１６の両方の出力を用
いて認識を行った場合を示している（図６では、実線で
図示してある）。

【００９７】また、関数ｆ_m（Ｘ）を構成するＬm＝３０
１項のうちの２４１項は、すべてのｍについて、定数項
１および入力変数（特徴ベクトルＸ）だけからなる１乃
至５次のいずれかの次数の項とした。さらに、残りの６
０項については、Ｑ＝４１種類の各音韻カテゴリごと
に、学習用の音声データを用いて相関行列を計算し、相
関の強い変数に関してのクロスタームを含む単項式を優
先的に選択して用いた。

【００９８】学習用の音声データ（音声資料）として
は、ＡＴＲ（自動翻訳電話研究所）音韻バランス（４１
の音韻すべてが、少なくとも１回は出現する）単語２１
６語を、男女各２０名分と、本件発明者が収集した音韻
バランス単語（ソニー音韻バランス単語）３０３語を、
男女各１０名分だけ用いた。また、ＡＴＲ音韻バランス
単語２１６語の男女各１５名分と、ソニー音韻バランス
単語３０３語の男女各５名分は、無雑音学習用データ
（ノイズを含まない学習用の音声データ）とし、残りす
べてを無雑音実験用データ（ノイズを含まないシミュレ
ーション用（認識実験用）の音声データ）とした。

【００９９】騒音下音声データ（ノイズを含む学習用お
よびシミュレーション用の音声データ）は、電子機械振
興協会の高速道路走行時騒音データのうちの非定常ノイ
ズが少ないと認められる部分を、５秒間単位で、１００
ヶ所切り出し、この１００種類の騒音データを、無雑音
データ（無雑音学習用データおよび無雑音実験用デー
タ）に順番に、音声区間内でＳ／Ｎが０ｄＢとなるよう
に重畳して作成した。また、ＨＭＭの学習は、無雑音と
騒音下の学習用データのすべてを混合学習することによ
り行った。

【０１００】ＶＱコードブックは、ＨＭＭの学習に用い
た単語のうちの、ｍｏｄ１０の単語を話者ごとにずらし
て得られたものを用いた作成した。即ち、１人目の話者
が発した単語のうち、１番目、１１番目、２１番目、・
・・のもの、２人目の話者が発した単語のうち、２番
目、１２番目、２２番目、・・・のもの、３人目の話者
が発した単語のうち、３番目、１３番目、２３番目、・
・・のもの、・・・を用いてＶＱコードブックを作成し
た（ＶＱコードブックの作成にあたっては、ＨＭＭの学
習で用いた音声データ全体の１０分の１のデータを用い
た）。

【０１０１】表１および図６から、特徴ベクトルの束化
によって認識性能が改善され、またＧＧＭ変換により、
さらに認識性能が改善されていることがわかる。

【０１０２】なお、本実施例においては、ＧＧＭ変換の
結果得られるＧＧＭベクトルの次元数Ｍを、音韻カテゴ
リ数Ｑと等しくなるようにしたが、この次元数Ｍと音韻
カテゴリ数Ｑとは異なっていても良い。

【０１０３】また、本実施例では、教師ベクトルを、Ｇ
ＧＭ変換後のＭ次元ベクトル空間Ω_Mにおける基底ベク
トルとするようにしたが、教師ベクトルは、ＧＧＭ変換
後のベクトル空間の次元数に関係なく決めることも可能
である。

【０１０４】さらに、本実施例においては、Ｎ次元ベク
トル空間Ω_Nの、Ｑ個のカテゴリＣ_qを、Ｑ種類の音韻に
それぞれ対応させることにより、１つの音韻に対し、１
つの教師ベクトルを対応させるようにしたが、この他、
例えば複数の音韻に対し、１つの教師ベクトルを対応さ
せたり、また１つの音韻に対し、複数の教師ベクトルを
対応させるようにすることも可能である。

【０１０５】また、表１および図６には、特徴ベクトル
の束化を行わず、ＧＧＭ変換のみを行った場合について
は示していないが、この場合にも、認識性能が改善され
ることが確認されている。

【０１０６】

【発明の効果】以上の如く、本発明の音声認識装置によ
れば、複雑に分布する特徴ベクトルＸが、単純に分布す
る新たな特徴ベクトルに変換されるので、音声の認識率
を大幅に改善することができる。

【０１０７】また、所定のフレーム単位で出力される特
徴ベクトルＸを、複数フレーム分束ね、それを特徴ベク
トルＸとする場合によれば、異なる音韻カテゴリどうし
を分離することができるので、やはり音声の認識率を大
幅に改善することができる。

【図面の簡単な説明】

【図１】本発明を適用した音声認識装置の一実施例の構
成を示すブロック図である。

【図２】図１の特徴ベクトル束化部３の処理を説明する
ための図である。

【図３】図１の特徴ベクトル束化部３の処理により、音
韻の分離性が向上することを説明する図である。

【図４】図１のＧＧＭ変換部４の処理を説明するための
図である。

【図５】図１の実施例のより詳細な構成を示すブロック
図である。

【図６】シミュレーション結果を示す図である。

【図７】ノイズを含まない音声データの特徴ベクトルの
分布を示す図である。

【図８】ノイズを含む音声データの特徴ベクトルの分布
を示す図である。

【図９】特徴ベクトルの分布の複雑さを説明するための
図である。

【符号の説明】

１マイク２音声分析部３特徴ベクトル束化部４ＧＧＭ変換部５認識処理部７Ａ／Ｄ変換器８プリエンファシス演算部９ハミング窓演算部１０ＬＰＣケプストラム演算部１１音声区間検出部１３ディファレンシャル演算部１５４１次元ＶＱ処理部１６１６次元ＶＱ処理部１７離散ＨＭＭ認識処理部１８認識対象語辞書格納部１９確率学習データ格納部

───────────────────────────────────────────────────── フロントページの続き (72)発明者小川浩明東京都品川区北品川６丁目７番35号ソニー株式会社内 (72)発明者表雅則東京都品川区北品川６丁目７番35号ソニー株式会社内 (72)発明者渡辺一夫東京都品川区北品川６丁目７番35号ソニー株式会社内 (72)発明者南野活樹東京都品川区北品川６丁目７番35号ソニー株式会社内

Claims

【特許請求の範囲】

【請求項１】音声を、所定のフレーム単位で音響分析
し、特徴ベクトルＸを抽出する分析手段と、前記分析手段より出力される特徴ベクトルＸに所定の変
換処理を施し、新たな特徴ベクトルを出力する変換手段
と、前記変換手段より出力された前記新たな特徴ベクトルに
基づいて、前記音声を認識する認識手段とを備え、前記変換手段は、Ｎ次元ベクトル空間Ω_NからＭ次元ベ
クトル空間Ω_Mへの写像Ｆにしたがって前記所定の変換
処理を行い、前記特徴ベクトルＸは、前記Ｎ次元ベクトル空間Ω_N上
のベクトルであり、前記写像Ｆの第ｍ成分の関数ｆ_m（Ｘ）は、Ｌ_m個の関数
ｇ_m ^k（Ｘ）と係数ｃ_m ^kとの積の線形和【数１】で表されることを特徴とする音声認識装置。
【請求項２】前記関数ｇ_m ^k（Ｘ）は、単項式であるこ
とを特徴とする請求項１に記載の音声認識装置。
【請求項３】Ｑ個のカテゴリＣ_q（但し、ｑ＝０，
１，２，・・・，Ｑ−１）に分類されているＮ次元ベク
トル空間Ω_Nの学習サンプルをＳ_q（＝（ｓ₀ ^q，ｓ₁ ^q，ｓ
₂ ^q，・・・，ｓ_N-1 ^q））とし、前記Ｑ個のカテゴリＣ_q
それぞれに対するＭ次元ベクトル空間Ω_M上のＱ個の教
師ベクトルをＴ^q（＝（ｔ₀ ^q，ｔ₁ ^q，ｔ₂ ^q，・・・，ｔ
_M-1 ^q））とするとともに、前記学習サンプルＳ_qの全要
素にわたって前記関数ｆ_m（Ｘ）の期待値を求める演算
を、Ｅ｛Ｘ∈Ｓ_q｝｛ｆ（Ｘ）｝とするとき、前記係数ｃ_m ^kは、評価関数【数２】を最小にするものであり、前記Ｑ個のカテゴリＣ_qは、Ｑ種類の音韻にそれぞれ対
応し、前記学習サンプルＳ_qは、ラベル付けされた音声データ
であることを特徴とする請求項１または２に記載の音声
認識装置。
【請求項４】前記写像Ｆによる変換後のベクトル空間
の次元Ｍは、前記音韻に対応するカテゴリＣ_qの総数Ｑ
に等しいことを特徴とする請求項３に記載の音声認識装
置。
【請求項５】前記教師ベクトルＴ_qは、前記Ｍ次元ベ
クトル空間における単位ベクトルであることを特徴とす
る請求項３または４に記載の音声認識装置。
【請求項６】前記Ｑ個の教師ベクトルＴ_qは、互いに
直交することを特徴とする請求項３乃至５のいずれかに
記載の音声認識装置。
【請求項７】前記音声データは、ノイズを含むもので
あることを特徴とする請求項３乃至６のいずれかに記載
の音声認識装置。
【請求項８】前記分析手段より前記所定のフレーム単
位で出力される特徴ベクトルＸを、複数フレーム分束
ね、それを特徴ベクトルＸとして、前記変換手段に供給
する束化手段をさらに備えることを特徴とする請求項１
乃至７のいずれかに記載の音声認識装置。
【請求項９】前記特徴ベクトルＸは、ＬＰＣケプスト
ラムでなることを特徴とする請求項１乃至８のいずれか
に記載の音声認識装置。
【請求項１０】前記特徴ベクトルＸは、前記音声の所
定の帯域幅ごとのパワーでなることを特徴とする請求項
１乃至８のいずれかに記載の音声認識装置。
【請求項１１】前記認識手段は、前記変換手段より出
力される前記新たな特徴ベクトル、および前記分析手段
より出力される前記特徴ベクトルＸの両方に基づいて、
前記音声を認識することを特徴とする請求項１乃至１０
のいずれかに記載の音声認識装置。
【請求項１２】前記分析手段は、前記音声を音響分析
し、前記特徴ベクトルＸと、それとは異なる他の特徴ベ
クトルを抽出し、前記認識手段は、前記変換手段より出力される前記新た
な特徴ベクトル、および前記分析手段より出力される前
記他の特徴ベクトルの両方に基づいて、前記音声を認識
することを特徴とする請求項１乃至１０のいずれかに記
載の音声認識装置。
【請求項１３】前記他の特徴ベクトルは、所定のフレ
ーム数だけ離れた２つのフレームからそれぞれ抽出され
た前記特徴ベクトルＸどうしの差分でなることを特徴と
する請求項１２に記載の音声認識装置。
【請求項１４】前記認識手段は、ＨＭＭ（Hidden Mar
kov Models）法にしたがって前記音声を認識することを
特徴とする請求項１乃至１３のいずれかに記載の音声認
識装置。
【請求項１５】前記認識手段に供給されるベクトルを
ベクトル量子化し、所定のコードを出力するベクトル量
子化手段をさらに備え、前記認識手段は、前記ベクトル量子化手段より出力され
る前記所定のコードから、離散ＨＭＭ法にしたがって前
記音声を認識することを特徴とする請求項１４に記載の
音声認識装置。