JPH11288297A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 発声内に複数の未知語が含まれている場合に
それらが同一であるかを区別する。 【解決手段】 検出した未知語のそれぞれ最適な状態遷
移モデルを確定する未知語モデル決定手段１０４と、そ
れらの最適な状態遷移モデルを記憶する未知語モデル記
憶手段１０９と、それらの最適な状態遷移モデル同士を
比較し、それらの未知語が同一のものか、別種の未知語
であるかを判定する未知語判定手段１０５を備えた。発
声内に複数の未知語が含まれている場合にそれらが同一
であるかを区別することができるので、利用者は未知語
が同一のものであったか、異なったものであったを容易
に知ることができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識装置に関
し、特に未知語を含んだ発声について、効率のよい認識
を行う音声認識装置に関するものである。

【０００２】

【従来の技術】音声認識装置において、単語辞書に存在
しない単語（以下、未知語という）をどのように処理す
るかは、大きな課題である。図１８は特開平９−１２７
９７８に開示された従来の未知語処理の手法である。以
下、本図を従来例として、その動作を説明する。図にお
いて、１は音声入力装置、２は音響処理部、３は第１出
力確率計算部、４はＨＭＭ（隠れマルコフモデル）、５
は第２出力確率計算部、６は文法・辞書、７は言語探索
部、８は表示部である。

【０００３】つぎに図１８をもとにして動作を説明す
る。音声入力装置１によって入力された音声は、音響処
理部２によって音声データ（特徴ベクトル）に分析され
る。つづいて第１出力確率計算部３においてＨＭＭ４を
用いて出力確率の計算を行う。ここでＨＭＭ４には音声
認識用ＨＭＭと未知語処理に用いるＨＭＭが登録されて
いる。第１出力確率計算部３では、音声認識用ＨＭＭが
用いられ、既知の単語に関する尤度（出力確率）が決定
される。

【０００４】第２出力確率計算部では、ＨＭＭ４のうち
未知語処理用のＨＭＭを用いて最大出力確率を与える状
態とその値を求める。この未知語処理はすべての音素の
ＨＭＭの最大出力確率の状態を遷移するＧａｒｂａｇｅ
Ｍｏｄｅｌを用いて構成することができる。

【０００５】つぎに認識用文法と認識用ＨＭＭ（Ｇａｒ
ｂａｇｅＭｏｄｅｌを含む）を用いて、認識用ネットワ
ークを構成する。このネットワークと入力音声を用いて
一般的に知られているＶｉｔｅｒｂｉ探索を行って認識
処理を進める。この際に各時刻において最大の尤度を有
する状態を抽出し、それらを用いて未知語モデルを形成
する。

【０００６】

【発明が解決しようとする課題】しかし、このような手
法では、発声内に複数の未知語が含まれている場合にそ
れらを相互に同一かどうかを確認する手段がなく、それ
らが同一であるかどうか異なっているかどうかを区別す
ることはできなかった。また、利用者は検出した未知語
の表記が確認できず、複数の未知語が同一かどうかの確
認が容易にはできなかった。また、以前発声した１ない
し複数種類の未知語と今回発声した未知語が同一である
かの判定もできなかった。また、複数のまとまった発声
の後に、特定の未知語を登録して、発声内容の該未知語
を一括変換することができず、不便であった。また、未
知語が動詞などの用言であった場合に、別の未知語がそ
の用言の活用形であるのか、それともまったく別の未知
語であるのか判定できず、不便であった。

【０００７】本発明はこの欠点を改善するためのもの
で、発声内に複数の未知語が含まれている場合にそれら
が同一であるかを区別することを目的とするものであ
る。また、発声内に１ないし複数の未知語がふくまれて
いる場合にそれらを同一であるか区別するとともにそれ
らの表記を付加することを目的とするものである。ま
た、以前発声された１ないし複数種類の未知語のうちの
いずれかが、今後発声されても、どの未知語であるかを
特定することを目的とするものである。また、まとまっ
た発声の後に、１種類ないし複数種類の未知語を登録し
た場合、該当する同一の未知語が一括に変換されること
を目的とするものである。また、未知語の異なった活用
形に対しても、その未知語の活用形であると特定するこ
とを目的とするものである。

【０００８】

【課題を解決するための手段】この発明の音声認識装置
は、音声データを入力する音声取得手段と、前記音声デ
ータから音声特徴ベクトルを抽出する音響分析手段と、
登録単語の連鎖を定義する単語ネットワーク辞書と、登
録単語の状態遷移モデルを記憶する単語辞書と、未知語
用の状態遷移モデルを記憶する未知語用辞書と、前記音
声特徴ベクトルをもとに認識処理を行い認識中間結果を
出力する認識手段と、前記認識中間結果内の１ないし複
数の未知語のそれぞれ最適な状態遷移モデルを確定する
未知語モデル決定手段と、前記未知語モデル決定手段に
よって決定した１ないし複数の未知語のそれぞれ最適な
状態遷移モデルを記憶する未知語モデル記憶手段と、前
記未知語モデル記憶手段に記憶した複数の未知語のそれ
ぞれ最適な状態遷移モデル同士を比較し、それらの未知
語が同一のものか、別種の未知語であるかを判定する未
知語判定手段とを備えることを特徴とする。

【０００９】上記音声認識装置は、さらに、未知語の表
記を記憶する未知語表記記憶手段と、前記未知語表記記
憶手段が記憶している１ないし複数の未知語の表記を付
加して認識結果を出力する認識結果出力手段とを備える
ことを特徴とする。

【００１０】上記音声認識装置は、さらに、前記未知語
モデル決定手段によって決定した未知語の最適な状態遷
移モデルを前記単語辞書に追加し、未知語を単語ネット
ワークに付加する未知語追加手段を備えることを特徴と
する。

【００１１】上記音声認識装置は、さらに、発声の認識
結果を記憶する認識結果格納手段と、未知語に対応する
単語を登録語として前記単語辞書に追加し、未知語を単
語ネットワークに付加するとともに、未知語を登録した
際に、認識結果格納手段に格納されている認識結果のう
ち、その未知語に対応する認識結果を登録語に一括変換
する未知語一括変換手段とを備えることを特徴とする。

【００１２】上記音声認識装置は、さらに、未知語の品
詞を推定する未知語品詞推定手段と、未知語の活用を行
う未知語活用手段と、未知語を活用したものを記憶する
未知語活用記憶手段とを備えることを特徴とする。

【００１３】

【発明の実施の形態】実施の形態１．以下、実施の形態
をもとに説明する。図１は本発明の一実施の形態を示し
たものである。図において、１０１は音声取得手段、１
０２は音響分析手段、１０３は認識手段、１０４は未知
語モデル決定手段、１０５は未知語判定手段、１０６は
単語辞書、１０７は未知語用辞書、１０８は単語ネット
ワーク辞書、１０９は未知語モデル記憶手段、１１０は
認識結果出力手段、１１１は制御手段である。また、図
２〜図６は本実施の形態の具体的な構成および動作を説
明する図である。

【００１４】図１を用いて、本実施の形態の動作を説明
する。まず、音声取得手段１０１は音声を取得する。つ
ぎに音響分析手段は、取得した音声を音響分析して特徴
抽出し、音声データを作成する。つぎに認識手段１０３
は音声データと、単語辞書１０６、未知語用辞書１０
７、単語ネットワーク辞書をもとに、認識を行い、認識
中間結果を出力する。以下、具体的に説明する。

【００１５】単語辞書１０６には登録されている単語の
状態モデルが格納されている。図２は状態モデルをＨＭ
Ｍ隠れマルコフモデルとした場合の登録単語「神奈川
（かながわ）」「逗子（ずし）」の状態モデルの例であ
る。図に示すように、各音素／ｋ／，／ａ／、／ｎ／，
／ａ／．．．に対して、それぞれ４状態３ループのＨＭ
Ｍモデルが割り当てられ、それらが直列に接続されてい
る。

【００１６】未知語用辞書１０７は登録されていない単
語（未知語）の状態モデルが格納されている。一般に未
知語の状態モデルは、特開平９−８１１８１に開示され
ているように、ガーベジモデル（Ｇａｒｂａｇｅ Ｍｏ
ｄｅｌ、すべての音素の状態に合致するモデル）であら
わすことができる。図３は未知語の状態モデルの例を示
す図である。図に示すように、全音素／ａ／，／ｉ／，
／ｕ／，／ｅ／，／ｏ／，／ｋ／．．．のＨＭＭモデル
が並列に接続されており、認識の際には各ＨＭＭのモデ
ルの最大尤度をとるように構成されている。このように
構成されていることによって、どのような音素列の単語
も認識できる。ただし、このままでは認識の際にすべて
未知語が適合してしまうので、未知語の認識の場合には
尤度にペナルティを与えるのが普通である。

【００１７】単語ネットワーク辞書１０８は登録されて
いる単語の接続条件を規定するものである。図４は単語
ネットワークの例を示した図である。図ではすべての単
語の接続を許す全接続のネットワークであるが、単語や
品詞などによって接続に制限を与えたり、ペナルティを
与えたりすることも可能である。図では単語ネットワー
クに未知語が付加されており、発声した単語列に未知語
が含まれていても、認識できるように構成されている。
なお、未知語として不必要に認識されるのを防ぐため、
単語連鎖にペナルティを与えるのが普通である。

【００１８】このように構成された単語辞書１０６、未
知語用辞書１０７、単語ネットワーク辞書１０８を用い
て、認識手段１０３は認識処理を行ない、認識結果を出
力する。認識処理は通常Ｖｉｔｅｒｂｉアルゴリズム等
を用いるが、周知のアルゴリズムなのでここでは詳細を
説明しない。

【００１９】発声に未知語が含まれると、認識手段１０
３は単語ネットワークに従って、未知語を含んだ認識中
間結果を出力する。つぎに認識中間結果に未知語が含ま
れる場合、未知語モデル決定手段１０４は、その未知語
区間について未知語用辞書のみを用いて再び認識を行
い、未知語用辞書のどのパスを通ったかを調べて、その
結果を記憶する。例えば、未知語区間が「よこはま」と
いう発声だった場合に、図３における未知語モデル内に
並列に並んでいるＨＭＭモデルのうち、／ｙ／→／ｏ／
→／ｋ／→／ｏ／→／ｈ／→／ａ／→／ｍ／→／ａ／と
いうパスを通るので、そのパスに相当するＨＭＭモデル
を直列に並べて未知語モデル記憶手段１０９に記憶す
る。図５はこのようにして決定され、未知語モデル記憶
手段１０９に記憶された未知語モデルの例を示した図で
ある。

【００２０】発声のうち、複数の個所に未知語が含まれ
ている場合には、以上の動作を未知語数分行う。したが
って未知語モデル記憶手段１０９には検出された未知語
数分だけ未知語モデルが存在することになる。

【００２１】未知語モデル決定手段１０４の処理が終了
した後、未知語判定手段１０５は、未知語モデル記憶手
段１０９に記憶されている未知語モデル同士を比較し、
それらが同一であるかを判定する。同一であると判定さ
れた未知語については、未知語モデルの重複を除くと同
時に、認識手段１０３が出力した認識中間結果のうち、
それらの未知語が同一であるように認識結果を出力す
る。

【００２２】図６は発声内容と認識結果の例を示したも
のである。図においては、「横浜（よこはま）」と「鎌
倉（かまくら）」は単語登録されていないものとする。
このような場合には、上述の手順にしたがって、認識結
果は図に示すようになる。このように、同一の未知語は
同一の認識結果「未知語１」として認識結果を出力する
ことができる。

【００２３】なお、上記説明した実施の形態では、未知
語モデル決定手段１０４は、認識処理終了後、再び未知
語についての認識を行うが、認識手段１０３の処理の途
中で未知語モデルを決定し、未知語用モデル記憶手段に
記憶してもよいことはいうまでもない。

【００２４】また、未知語判定手段１０５は、未知語モ
デル記憶手段１０９内の未知語モデルが完全に一致した
場合のみ同一の未知語であると判定するが、この制限を
ゆるめることも可能である。たとえば、「よこはま」の
発声の後で、ややなまって「よこあま」と発声した場
合、後者のＨＭＭモデルは、／ｙ／→／ｏ／→／ｋ／→
／ｏ／→／ａ／→／ｍ／→／ａ／となるが、前者のＨＭ
Ｍモデルとの一致度や出力確率の比較により、これらの
発声が同一の未知語と判定することができる。

【００２５】実施の形態２．つぎに、本発明の別の実施
の形態を示す。図７は、本発明の別の実施の形態の構成
を示した図である。図において、１１２は、未知語表記
記憶手段である。つぎに、動作を説明する。認識手段１
０３が認識中間結果を出力するまでは実施の形態１と同
様の処理を行う。

【００２６】つぎに認識中間結果に未知語が含まれる場
合、未知語モデル決定手段１０４は、その未知語区間に
ついて未知語用辞書を用いて再び認識を行い、未知語用
辞書のどのパスを通ったかを調べて、その結果を記憶す
ると同時に、その表記を未知語表記記憶手段１１２に記
憶する。例えば、未知語の発声が「よこはま」という発
声だった場合に、図５にあるような未知語用のＨＭＭモ
デルの記憶を未知語モデルに記憶すると同時に、そのパ
スの表記、「ｙｏｋｏｈａｍａ」または、それをかなに
変換した「よこはま」を未知語表記記憶手段１１２に記
憶する。

【００２７】つぎに未知語判定手段１０５は実施の形態
１と同様の処理を行う。

【００２８】つぎに認識結果出力手段１１０は、未知語
に対応する表記を未知語表記記憶手段１１２から取得し
て、認識結果を出力する。図８は発声例を認識結果例を
示した図であり、図に示すように未知語の表記を付加し
て認識結果を出力する。

【００２９】以上のように構成することで、複数の未知
語を発声しても、それらが同一であるか異なったものか
判定できるばかりでなく、それらの表記も出力すること
で、認識結果をより見やすくすることが可能となる。

【００３０】実施の形態３．つぎに、本発明の別の実施
の形態を示す。図９は、本発明の別の実施の形態の構成
を示した図である。図において、１１３は未知語追加手
段である。また図１０、図１１は本実施の形態の動作を
説明する図である。

【００３１】つぎに、図９〜図１１を用いて本実施の形
態の動作を説明する。認識手段１０３が認識中間結果を
出力するまでは実施の形態１と同様の処理なので説明を
省略する。

【００３２】つぎに、未知語追加手段１１３は、未知語
モデル決定手段１０４と未知語判定手段１０５によって
決定された１ないし複数種類のそれぞれ異なる未知語モ
デルを新しい単語として単語辞書に追加する。さらに、
未知語追加手段１１３は、これらの未知語を新しい単語
として単語ネットワークに追加する。なお、以前から存
在する未知語はそのまま存続させる。

【００３３】図１０は未知語「よこはま」と発声され
て、未知語１として判定された単語が単語ネットワーク
に追加された状態を示したものである。また、同時に図
５に示すような未知語モデルが単語辞書に追加される。

【００３４】図１１は以上の処理により、「よこはま」
と「かまくら」がそれぞれ未知語１、未知語２として単
語ネットワークに登録された後に、「よこはま」を含む
発声を行った場合の認識結果を示した図である。ここで
示すように、以前発声された「よこはま」と同じ単語
（未知語１）として認識されるので、未知語同士の区別
が可能である。

【００３５】以上のように構成することにより、以前発
声された１ないし複数種類の未知語が以降発声されて
も、どの未知語であったかを特定することができる。

【００３６】実施の形態４．つぎに、本発明の別の実施
の形態を示す。図１２は、本発明の別の実施の形態の構
成を示した図である。図において、１１４は認識結果格
納手段、１１５は未知語一括変換手段である。図１３、
図１４は本実施の形態の説明のための図である。

【００３７】つぎに、本実施の形態の動作を示す。認識
結果出力手段１１０が認識結果を出力するまでは実施の
形態１と同様であるので説明を省略する。認識結果格納
手段１１４は認識結果を記憶する。つぎに未知語一括変
換手段１１５は、未知語を登録する際に、未知語に対応
する単語を登録し、単語ネットワークを更新する。

【００３８】さらに、未知語一括変換手段は、登録以前
に発声された認識結果について、登録した単語に対応す
る未知語を一括して登録語に変換する。図１３は未知語
１に対して、「横浜」を登録したときの単語ネットワー
クの構造の例を示したものである。図１４は、複数の未
知語を含む発声について、認識結果格納手段の内容と、
未知語「横浜」と登録した後の認識結果例を示したもの
である。

【００３９】以上のような構成により、１ないし複数の
発声の後に、未知語１種類当たり１回の登録によって、
発声内に対応する未知語すべてを登録語に変換できるの
で変換効率が向上する。

【００４０】実施の形態５．つぎに、本発明のさらに別
の実施の形態を示す。図１５は、本発明の別の実施の形
態の構成を示した図である。図において、１１６は未知
語の品詞を推定する未知語品詞推定手段、１１７は未知
語の活用を行う未知語活用手段、１１８は未知語の活用
を記憶する未知語活用記憶手段である。また、１０５Ｂ
は未知語判定手段１０５と同等のものである。図１６、
図１７は本実施の形態の説明のための図である。

【００４１】つぎに図１５〜図１７を用いて本実施の形
態の動作を説明する。認識手段１０３が認識中間結果を
出力するまでは実施の形態１と同様であるので説明を省
略する。つぎに未知語品詞推定手段１１６は、未知語の
前後の単語から、未知語の品詞を推定する。未知語の品
詞の推定方法については、例えば、特開平６−１６２０
７６に開示されている。

【００４２】つぎに未知語活用手段１１７は、用言であ
ると品詞判定された未知語について、その展開活用を行
う。図１６は「歩く」という語が未知語である場合の処
理結果を示した図である。この場合、未知語モデル決定
手段１０４によって、表記が「あるく」ということが決
定され、未知語品詞推定手段１１６によって「動詞」で
あることが推定される。つぎに未知語活用手段１１７
は、「あるく」を「あるか」「あるき」「あるく」「あ
るけ」「あるけ」などと活用して、未知語活用記憶手段
１１８に記憶させる。

【００４３】つぎに未知語判定手段１０５Ｂは、未知語
活用記憶手段１１８に記憶してある活用形を参照しなが
ら、未知語判定手段１０５により別の未知語であると判
定された未知語同士が、同じ語のことなった活用である
かを判定し、同じ語のことなった活用形であれば、その
旨認識結果出力手段から出力する。図１７は「あるく」
という語が未知語である場合に、その活用形も同一の未
知語であると判定して認識結果を出力した例である。図
では同一の異なった活用形に対して、その活用形が付加
されて認識結果が出力されている。

【００４４】以上のように構成することで、未知語の活
用形の同一の語の異なった活用形であると判別すること
ができる。

【００４５】さらに、本実施の形態と実施の形態４の未
知語一括変換手段とを組み合わせれば、未知語を登録す
る際にも１語を登録するのみで、すべての活用形につい
て一括して登録語に変換できるという利点があることは
言うまでもない。

【００４６】

【発明の効果】以上述べたように、本発明によれば、発
声内に複数の未知語が含まれている場合にそれらが同一
であるかを区別することができるので、利用者は未知語
が同一のものであったか、ことなったものであったを容
易に知ることができる。

【００４７】また、発声内に１ないし複数の未知語がふ
くまれている場合にそれらを同一であるか区別するとと
もに表記を付加したので利用者は認識結果を確認しやす
いという効果がある。

【００４８】また、以前発声された１種類ないし複数種
類の未知語のうちのいずれかが、今後発声されても、ど
の未知語であるかを特定できるので、利用者は未知語が
以前発声した未知語と同一のものであったか、ことなっ
たものであったを容易に判定することができる。

【００４９】また、まとまった発声の後に、１種類ない
し複数種類の未知語を登録した場合、該当する同一の未
知語が一括に変換することができるので、手間がかから
ずに発声結果を修正することができる。

【００５０】また、未知語の異なった活用形に対して
も、その未知語の活用形であると判定することができる
ので、利用者はことなった未知語が同一の未知語の別の
活用形であるかを容易に判定できるという利点がある。

【図面の簡単な説明】

【図１】 本発明の実施の形態１の構成を示した図。

【図２】 単語ＨＭＭの例を示した図。

【図３】 未知語用のＨＭＭ例を示した図。

【図４】 単語ネットワークの例を示した図。

【図５】 検出した未知語１のＨＭＭの例を示した図。

【図６】 未知語を含んだ発声例と、実施の形態１によ
る出力結果の例を示す図。

【図７】 本発明の実施の形態２の構成を示した図。

【図８】 未知語を含んだ発声例と、実施の形態２によ
る出力結果の例を示す図。

【図９】 本発明の実施の形態３の構成を示した図。

【図１０】 単語ネットワークに未知語１を追加した
図。

【図１１】 未知語を含んだ発声例と、実施の形態３に
よる出力結果の例を示す図。

【図１２】 本発明の実施の形態４の構成を示した図。

【図１３】 単語ネットワークの未知語１を「横浜」に
登録した例を示す図。

【図１４】 未知語を含んだ発声例と、実施の形態４に
よる出力結果の例を示す図。

【図１５】 本発明の実施の形態５の構成を示した図。

【図１６】 未知語の活用の例を示した図。

【図１７】 未知語を含んだ発声例と、実施の形態５に
よる出力結果の例を示す図。

【図１８】 従来の音声認識装置を示す図。

【符号の説明】

１ 音声入力装置、２ 音響処理部、３ 第１出力確率
計算部、４ ＨＭＭ、５ 第２出力確率計算部、６ 文
法・辞書、７ 言語探索部、８ 表示部、１０１ 音声
取得手段、１０２ 音響分析手段、１０３ 認識手段、
１０４ 未知語モデル手段、１０５ 未知語判定手段、
１０６ 単語辞書、１０７ 未知語用辞書、１０８ 単
語ネットワーク辞書、１０９ 未知語用モデル記憶手
段、１１０認識結果出力手段、１１１ 制御手段、１１
２ 未知語表記記憶手段、１１３未知語追加手段、１１
４ 認識結果格納手段、１１５ 未知語一括変換手段、
１１６ 未知語品詞推定手段、１１７ 未知語活用手
段、１１８ 未知語活用記憶手段。

Claims (5)

【特許請求の範囲】
1. 【請求項１】 音声データを入力する音声取得手段と、 前記音声データから音声特徴ベクトルを抽出する音響分
   析手段と、 登録単語の連鎖を定義する単語ネットワーク辞書と、 登録単語の状態遷移モデルを記憶する単語辞書と、 未知語用の状態遷移モデルを記憶する未知語用辞書と、 前記音声特徴ベクトルをもとに認識処理を行い認識中間
   結果を出力する認識手段と、 前記認識中間結果内の１ないし複数の未知語のそれぞれ
   最適な状態遷移モデルを確定する未知語モデル決定手段
   と、 前記未知語モデル決定手段によって決定した１ないし複
   数の未知語のそれぞれ最適な状態遷移モデルを記憶する
   未知語モデル記憶手段と、 前記未知語モデル記憶手段に記憶した複数の未知語のそ
   れぞれ最適な状態遷移モデル同士を比較し、それらの未
   知語が同一のものか、別種の未知語であるかを判定する
   未知語判定手段とを備えることを特徴とする音声認識装
   置。
2. 【請求項２】 上記音声認識装置は、さらに、 未知語の表記を記憶する未知語表記記憶手段と、 前記未知語表記記憶手段が記憶している１ないし複数の
   未知語の表記を付加して認識結果を出力する認識結果出
   力手段とを備えることを特徴とする請求項１記載の音声
   認識装置。
3. 【請求項３】 上記音声認識装置は、さらに、 前記未知語モデル決定手段によって決定した未知語の最
   適な状態遷移モデルを前記単語辞書に追加し、未知語を
   単語ネットワークに付加する未知語追加手段とを備える
   ことを特徴とする請求項１記載の音声認識装置。
4. 【請求項４】 上記音声認識装置は、さらに、 発声の認識結果を記憶する認識結果格納手段と、 未知語に対応する単語を登録語として前記単語辞書に追
   加し、未知語を単語ネットワークに付加するとともに、
   未知語を登録した際に、認識結果格納手段に格納されて
   いる認識結果のうち、その未知語に対応する認識結果を
   登録語に一括変換する未知語一括変換手段とを備えるこ
   とを特徴とする請求項１の音声認識装置。
5. 【請求項５】 上記音声認識装置は、さらに、 未知語の品詞を推定する未知語品詞推定手段と、 未知語の活用を行う未知語活用手段と、 未知語を活用したものを記憶する未知語活用記憶手段と
   を備えることを特徴とする請求項１記載の音声認識装
   置。