音声認識モデルパラメータ作成装置、音声認識モデルパラメータ作成方法および音声認識装置
【課題】音声認識率を向上させることができる音声認識モデルパラメータ作成装置を提供することである。
【解決手段】音声認識モデルパラメータ作成装置は、無雑音音声データの入力を受け付けると（Ｓ１１）、複数の雑音重畳データを作成し（Ｓ１２）、作成した雑音重畳データの特徴量を算出する（Ｓ１３）。特徴量の算出が終了すると、算出した特徴量を正規化し、正規化特徴量を得る。具体的には、まず、バンドパスフィルタを用いて、特徴量をフィルタリングする（Ｓ１４）。そして、特徴量のフィルタリングが終了すると、フィルタリングされた特徴量をその最大振幅値で除算する（Ｓ１５）。そして、学習部により、それぞれの正規化特徴量を用いて、音声認識モデルパラメータを作成する（Ｓ１６）。そして、音声認識モデルパラメータを音声認識装置の記憶部に記憶させる（Ｓ１７）。
【解決手段】音声認識モデルパラメータ作成装置は、無雑音音声データの入力を受け付けると（Ｓ１１）、複数の雑音重畳データを作成し（Ｓ１２）、作成した雑音重畳データの特徴量を算出する（Ｓ１３）。特徴量の算出が終了すると、算出した特徴量を正規化し、正規化特徴量を得る。具体的には、まず、バンドパスフィルタを用いて、特徴量をフィルタリングする（Ｓ１４）。そして、特徴量のフィルタリングが終了すると、フィルタリングされた特徴量をその最大振幅値で除算する（Ｓ１５）。そして、学習部により、それぞれの正規化特徴量を用いて、音声認識モデルパラメータを作成する（Ｓ１６）。そして、音声認識モデルパラメータを音声認識装置の記憶部に記憶させる（Ｓ１７）。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、音声認識モデルパラメータ作成装置、音声認識モデルパラメータ作成方法および音声認識装置に関し、特に、マルチコンディション学習を用いて音声認識モデルパラメータを作成する音声認識モデルパラメータ作成装置、音声認識モデルパラメータ作成方法、および音声認識装置に関するものである。
【背景技術】
【０００２】
従来の音声認識方法として、マルチコンディション学習がある。このマルチコンディション学習は、様々な環境の雑音を有する音声データを用いて、音声認識モデルパラメータの学習を行う。そして、入力された音声データにおいて、学習の際に用いた環境の雑音と類似する雑音を有する場合には、音声認識率を向上させることとしている。
【０００３】
このようなマルチコンディション学習を用いて音声認識を行う技術は、例えば、特開２００８−１２２９２７号公報（特許文献１）に開示されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００８−１２２９２７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ここで、マルチコンディション学習では、入力された音声データにおいて、学習の際に用いた環境の雑音と大きく異なる場合には、音声認識率は低下してしまう。すなわち、マルチコンディション学習は、学習の際に用いた環境の雑音と類似する場合にのみ有効な音声認識方法である。
【０００６】
また、様々な環境の雑音を有する音声データを用いて、音声認識モデルパラメータの学習を行った場合であっても、実際に音声認識を行う際には、学習の際に用いた様々な環境の雑音とは大きく異なる未知の雑音が混入する虞がある。この場合、音声認識率は低下してしまう。
【０００７】
この発明の目的は、音声認識率を向上させることができる音声認識モデルパラメータ作成装置を提供することである。
【０００８】
この発明の他の目的は、音声認識率を向上させることができる音声認識モデルパラメータ作成方法を提供することである。
【０００９】
この発明のさらに他の目的は、音声認識率を向上させることができる音声認識装置を提供することである。
【課題を解決するための手段】
【００１０】
この発明に係る音声認識モデルパラメータ作成装置は、複数の雑音が重畳された音声データの特徴量を算出する特徴量算出手段と、特徴量算出手段により算出された特徴量を正規化する正規化手段と、正規化手段により正規化された特徴量を用いて、複数の雑音下における音声認識モデルパラメータを作成する作成手段とを備える。
【００１１】
好ましくは、正規化手段は、特徴量算出手段により算出された特徴量をバンドパスフィルタを用いてフィルタリングするフィルタリング手段を含む。
【００１２】
さらに好ましくは、正規化手段は、フィルタリング手段によりフィルタリングされた特徴量をその最大振幅値で除算する除算手段を含む。
【００１３】
さらに好ましくは、作成手段は、音声認識モデルパラメータを学習により作成する。
【００１４】
また、この発明の他の局面においては、音声認識モデルパラメータ作成方法に関し、複数の雑音が重畳された音声データの特徴量を算出し、算出された特徴量を正規化し、正規化された特徴量を用いて、複数の雑音下における音声認識モデルパラメータを作成することを特徴とする。
【００１５】
また、この発明のさらに他の局面においては、音声認識装置に関し、上記のいずれかに記載の音声認識モデルパラメータ作成装置により作成された音声認識モデルパラメータを用いて、音声認識を行う認識手段を備える。
【発明の効果】
【００１６】
この発明に係る音声認識モデルパラメータ作成装置は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００１７】
また、この発明に係る音声認識モデルパラメータ作成方法は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００１８】
また、この発明に係る音声認識装置は、このような音声認識モデルパラメータ作成装置により作成された音声認識モデルパラメータを用いて、音声認識を行うことができるため、音声認識率を向上させることができる。
【図面の簡単な説明】
【００１９】
【図１】音声認識装置の構成を示すブロック図である。
【図２】この発明の一実施形態に係る音声認識モデルパラメータ作成装置の構成を示すブロック図である。
【図３】音声認識モデルパラメータ作成装置を用いて、音声認識モデルパラメータを作成し、音声認識装置の記憶部に記憶させる場合について示すフローチャートである。
【図４】算出した特徴量を示すグラフである。
【図５】図４に示す特徴量をフィルタリングした場合について示すグラフである。
【図６】図５に示す特徴量を最大振幅値で除算した場合について示すグラフである。
【図７】音声認識装置を用いて、音声認識を行う場合について示すフローチャートである。
【図８】音声認識モデルパラメータ作成装置を用いて、音声認識モデルパラメータを作成し、音声認識装置の記憶部に記憶させる場合の他の実施形態について示すフローチャートである。
【発明を実施するための形態】
【００２０】
以下、図面を参照して、この発明の一実施形態に係る音声認識モデルパラメータ作成装置について説明する。図１は、音声認識装置１０の構成を示すブロック図である。図２は、この発明の一実施形態に係る音声認識モデルパラメータ作成装置２０の構成を示すブロック図である。まず、図１を参照して、音声認識装置１０の構成について説明する。
【００２１】
音声認識装置１０は、マイクロフォン１４を介して、入力された音声データの特徴量を算出する音声認識装置特徴量算出部１１と、音声認識を行う認識部１２と、認識部１２において音声認識を行う際に用いる音声認識モデルパラメータを記憶する記憶部１３とを備える。
【００２２】
認識部１２は、音声認識装置特徴量算出部１１において算出された特徴量および記憶部１３において記憶された音声認識モデルパラメータを用いて音声認識を行う。記憶部１３は、認識部１２において音声認識を行う際に用いる音声認識モデルパラメータを記憶する。音声認識モデルパラメータは、図２に示す音声認識モデルパラメータ作成装置２０によって作成される。
【００２３】
次に、図２を参照して、音声認識モデルパラメータ作成装置２０の構成について説明する。音声認識モデルパラメータ作成装置２０は、マイクロフォン２４を介して、雑音を含まない無雑音音声データの入力を受け付けると共に、受け付けた無雑音音声データに雑音を重畳して雑音重畳データを作成する雑音重畳部２２と、雑音重畳部２２によって作成された雑音重畳データの特徴量を算出する作成装置特徴量算出部２１と、作成装置特徴量算出部２１によって算出された特徴量を用いて、音声認識モデルパラメータを作成する学習部２３と、雑音重畳部２２において重畳する複数の雑音のデータを保持する保持部２５とを備える。
【００２４】
雑音重畳部２２は、保持部２５から所定の雑音のデータを抽出する。そして、無雑音音声データに抽出した雑音を重畳して雑音重畳データを作成する。
【００２５】
作成装置特徴量算出部２１は、雑音重畳データの特徴量を算出する。この特徴量は、例えば、ＭＦＣＣ（Ｍｅｌ Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｅｆｆｉｃｉｅｎｔ）を採用することができる。
【００２６】
学習部２３は、音声認識モデルパラメータを作成する。この音声認識モデルパラメータは、例えば、隠れマルコフモデル（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ：ＨＭＭ）の平均値、分散値、遷移確率、重み係数等を採用することができる。
【００２７】
保持部２５は、複数の雑音のデータを保持する。複数の雑音のデータとしては、例えば、雑踏雑音、白色雑音、工場雑音等の様々な種類の環境の雑音を含む構成である。
【００２８】
音声認識モデルパラメータ作成装置２０は、音声認識装置１０にて用いる音声認識モデルパラメータを作成する。ここで、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる場合について説明する。図３は、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる場合について示すフローチャートである。図１〜図３を参照して、説明する。
【００２９】
まず、音声認識モデルパラメータ作成装置２０は、マイクロフォン２４を介して、無雑音音声データの入力を受け付ける（図３において、ステップＳ１１、以下ステップを省略する）。そうすると、雑音重畳部２２により、保持部２５から、雑踏雑音のデータを抽出し、無雑音音声データに抽出した雑踏雑音のデータを重畳して雑踏雑音重畳データを作成する。また、白色雑音のデータを抽出し、上記と同様に、白色雑音重畳データを作成する。また、工場雑音のデータを抽出し、上記と同様に、工場雑音重畳データを作成する。このように、複数の雑音のデータを抽出し、複数の雑音重畳データを作成する（Ｓ１２）。
【００３０】
そして、作成装置特徴量算出部２１により、Ｓ１２において作成した雑音重畳データ、すなわち、雑踏雑音重畳データ、白色雑音重畳データ、および工場雑音重畳データの特徴量を算出する（Ｓ１３）。具体的には、雑音重畳データにおいて、２０〜３０ｍｓを１フレームとして、雑音重畳データを複数のフレームに分割することにより、各フレームにおいて、特徴量を算出する。分割においては、その１フレームと後に位置するフレームとが部分的にデータを共有するように分割する。ここで、作成装置特徴量算出部２１は、特徴量算出手段として作動する。
【００３１】
図４は、算出した特徴量を示すグラフである。図４を参照して、点線で雑踏雑音重畳データの特徴量を示し、一点鎖線で白色雑音重畳データの特徴量を示し、実線で工場雑音重畳データの特徴量を示している。また、横軸はフレームを示し、縦軸は特徴量の振幅値を示している。図４を参照して、非音声区間Ａにおいて、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量と、工場雑音重畳データの特徴量とは、振幅の差が大きくなっている。また、音声区間Ｂにおいても、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量および工場雑音重畳データの特徴量とは、振幅の差が大きくなっている。また、フレーム１０における特徴量の振幅値を比較すると、雑踏雑音重畳データにおいては０．８を示し、白色雑音重畳データにおいては−４を示し、工場雑音重畳データにおいては−０．３を示している。
【００３２】
そして、特徴量の算出が終了すると、算出した特徴量を正規化し、正規化された特徴量、すなわち、正規化特徴量を得る。この正規化特徴量は、音声の時間変化が緩やかであることを利用している。具体的には、まず、バンドパスフィルタを用いて、特徴量をフィルタリングする（Ｓ１４）。すなわち、所定の範囲の周波数成分のみを通過させ、それ以外の周波数成分は通過させないよう、特徴量をフィルタリングする。また、このバンドパスフィルタは、ＦＩＲ（Ｆｉｎｉｔｅ ｉｍｐｕｌｓｅ ｒｅｓｐｏｎｓｅ）型のフィルタである。これにより、安定して処理を行うことができる。
【００３３】
図５は、図４に示す特徴量をフィルタリングした場合について示すグラフである。図４と同様に、点線で雑踏雑音重畳データの特徴量を示し、一点鎖線で白色雑音重畳データの特徴量を示し、実線で工場雑音重畳データの特徴量を示している。また、横軸はフレームを示し、縦軸は特徴量の振幅値を示している。図５を参照して、非音声区間Ａおよび音声区間Ｂにおいて、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量と、工場雑音重畳データの特徴量とは、図４に示すよりも、波形が揃い、振幅の差が小さくなっている。また、フレーム１０における特徴量の振幅値を比較すると、雑踏雑音重畳データおよび工場雑音重畳データにおいては−０．３を示し、白色雑音重畳データにおいては−０．７を示している。すなわち、フィルタリングすることにより、波形の異なる複数のデータにおいて、波形を揃えることができ、データを一般化することができる。
【００３４】
そして、特徴量のフィルタリングが終了すると、フィルタリングされた特徴量を、フィルタリングされた特徴量の最大振幅値で除算（割算）する（Ｓ１５）。例えば、図５を参照して、雑踏雑音重畳データにおいては、その最大振幅値であるａで除算し、白色雑音重畳データにおいては、その最大振幅値であるｂで除算し、工場雑音重畳データにおいては、その最大振幅値であるｃで除算する。
【００３５】
図６は、図５に示す特徴量を最大振幅値ａ，ｂ，ｃで除算した場合について示すグラフである。図５と同様に、点線で雑踏雑音重畳データの特徴量を示し、一点鎖線で白色雑音重畳データの特徴量を示し、実線で工場雑音重畳データの特徴量を示している。また、横軸はフレームを示し、縦軸は特徴量の振幅値を示している。図６を参照して、非音声区間Ａおよび音声区間Ｂにおいて、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量と、工場雑音重畳データの特徴量とは、図５に示すよりも、さらに波形が揃い、振幅の差が小さくなっている。また、フレーム１０における特徴量の振幅値を比較すると、雑踏雑音重畳データおよび工場雑音重畳データにおいては−０．２３を示し、白色雑音重畳データにおいては−０．２７を示している。すなわち、最大振幅値で除算することにより、波形の異なる複数のデータにおいて、さらに波形を揃えることができ、データを一般化することができる。
【００３６】
このように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算することにより、算出した特徴量を正規化し、正規化特徴量を得る。ここで、作成装置特徴量算出部２１は、正規化手段、フィルタリング手段、および除算手段として作動する。
【００３７】
そして、学習部２３により、それぞれの正規化特徴量を用いて、音声認識モデルパラメータを作成する（Ｓ１６）。具体的には、マルチコンディション学習を行うことにより、音声認識モデルパラメータを作成する。ここで、学習部２３は、作成手段として作動する。そして、音声認識モデルパラメータを音声認識装置１０の記憶部１３に記憶させる（Ｓ１７）。
【００３８】
このように、音声認識モデルパラメータ作成装置２０は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００３９】
また、このような音声認識モデルパラメータ作成方法は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００４０】
なお、図４〜図６に示す特徴量の振幅値は、入力される音声データにより異なる値となる。
【００４１】
次に、音声認識装置１０を用いて、音声認識を行う場合について説明する。図７は、音声認識装置１０を用いて、音声認識を行う場合について示すフローチャートである。図１〜図７を参照して、説明する。
【００４２】
まず、音声認識装置１０は、マイクロフォン１４を介して、音声データの入力を受け付ける（Ｓ２１）。そして、音声認識装置特徴量算出部１１により、音声データの特徴量を算出する。
【００４３】
この特徴量の算出は、上記した図３のＳ１３〜Ｓ１５と同様に行う。すなわち、音声データを複数のフレームに分割し、各フレームにおいて、特徴量を算出する（Ｓ２２）。そして、音声データの特徴量の算出が終了すると、算出した特徴量を正規化、すなわち、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算することにより、音声データの正規化特徴量を得る（Ｓ２３）。
【００４４】
そして、認識部１２により、Ｓ２３において算出した音声データの正規化特徴量および上記した図３において記憶した音声認識モデルパラメータを用いて音声認識を行う（Ｓ２４）。ここで、認識部１２は、認識手段として作動する。音声認識は、例えば、Ｓ２３において算出した音声データの正規化特徴量と音声認識モデルパラメータとを比較して尤度値を算出し、算出した尤度値に基づいて行う。
【００４５】
このように、音声認識装置１０は、音声認識モデルパラメータ作成装置２０により作成された音声認識モデルパラメータを用いて、音声認識を行うことができるため、音声認識率を向上させることができる。
【００４６】
なお、上記の実施の形態においては、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる際に、Ｓ１４〜Ｓ１５に示すように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算する例について説明したが、これに限ることなく、バンドパスフィルタを用いてフィルタリングしたのちに、分散値で除算してもよい。
【００４７】
また、上記の実施の形態においては、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる際に、Ｓ１４〜Ｓ１５に示すように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算する例について説明したが、これに限ることなく、以下に示す他の実施形態を採用することもできる。
【００４８】
図８は、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる場合の他の実施形態について示すフローチャートである。なお、Ｓ３１〜Ｓ３３においては、図３に示すＳ１１〜Ｓ１３と同様であるため、説明は省略する。
【００４９】
図８を参照して、まず、Ｓ３３において特徴量の算出が終了すると、算出した特徴量の平均値を求める（Ｓ３４）。次に、求めた平均値をＳ３３において算出した特徴量から減算する（Ｓ３５）。そして、ローパスフィルタを用いて、減算した特徴量をフィルタリングする（Ｓ３６）。さらに、フィルタリングした特徴量を、フィルタリングした特徴量の最大振幅値で除算する（Ｓ３７）。
【００５０】
このように、平均値を減算し、ローパスフィルタを用いてフィルタリングし、最大振幅値で除算することにより、算出した特徴量を正規化し、正規化特徴量を得ることとしてもよい。そして、音声認識モデルパラメータを作成し（Ｓ３８）、記憶部１３に記憶させる（Ｓ３９）。
【００５１】
また、上記の実施の形態においては、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる際に、Ｓ１４〜Ｓ１５に示すように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算する例について説明したが、これに限ることなく、バンドパスフィルタを用いてフィルタリングするのみであってもよい。
【００５２】
また、上記の実施の形態においては、ＦＩＲ型のフィルタを採用する例について説明したが、これに限ることなく、ＩＩＲ（Ｉｎｆｉｎｉｔｅ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ）型のフィルタを採用してもよい。これにより、処理の演算量を少なくすることができる。
【００５３】
また、上記の実施の形態においては、Ｓ１２〜Ｓ１３において、雑踏雑音重畳データ、白色雑音重畳データ、および工場雑音重畳データを作成し、それぞれの特徴量を算出する例について説明したが、これに限ることなく、工場雑音重畳データを作成しない構成としてもよい。すなわち、雑踏雑音重畳データおよび白色雑音重畳データのうちの少なくともいずれか一方のデータの特徴量を算出してもよい。
【００５４】
また、上記の実施の形態においては、Ｓ１２において、雑音重畳データとして、雑踏雑音重畳データ、白色雑音重畳データ、および工場雑音重畳データを作成する例について説明したが、これに限ることなく、重畳する雑音の量を無視可能な程度に小さくしたデータを含める構成としてもよい。すなわち、雑音重畳データとして、無雑音音声データを含める構成としてもよい。
【００５５】
また、上記の実施の形態においては、保持部２５において、様々な環境の複数の雑音のデータを保持する例について説明したが、これに限ることなく、例えば、様々な環境のうち特定種類の複数の雑音を保持してもよい。すなわち、複数の雑音は、特定種類の複数の雑音を含む構成である。例えば、特定種類として工場に関する複数の雑音、具体的には、第１の工場の雑音と、第２の工場の雑音とを保持する。そして、第１の工場の雑音重畳データと、第２の工場の雑音重畳データとを作成することにより、工場における正規化特徴量を得る。また、特定種類として雑踏に関する複数の雑音、具体的には、第１の雑踏の雑音と、第２の雑踏の雑音とを保持し、第１の雑踏の雑音重畳データと、第２の雑踏の雑音重畳データとを作成することにより、雑踏における正規化特徴量を得る。そして、工場における正規化特徴量と、雑踏における正規化特徴量とを用いて、音声認識モデルパラメータを作成してもよい。
【００５６】
また、上記の実施の形態においては、保持部２５において、雑踏雑音、白色雑音、工場雑音等の雑音のデータを含む例について説明したが、これに限ることなく、車のエンジン雑音、コンピュータ等が複数設置される部屋の騒音、オーディオ音等の雑音のデータを含む構成としてもよいし、任意に設定可能である。
【００５７】
また、音声認識モデルパラメータ作成装置２０は、ハードウェアで実装してもよいし、ソフトウェアで実装してもよい。また、音声認識装置１０においても同様に、ハードウェアで実装してもよいし、ソフトウェアで実装してもよい。
【００５８】
以上、図面を参照してこの発明の実施形態を説明したが、この発明は、図示した実施形態のものに限定されない。図示された実施形態に対して、この発明と同一の範囲内において、あるいは均等の範囲内において、種々の修正や変形を加えることが可能である。
【符号の説明】
【００５９】
１０ 音声認識装置、１１ 音声認識装置特徴量算出部、１２ 認識部、１３ 記憶部、１４ マイクロフォン、２０ 音声認識モデルパラメータ作成装置、２１ 作成装置特徴量算出部、２２ 雑音重畳部、２３ 学習部、２４ マイクロフォン、２５ 保持部。
【技術分野】
【０００１】
この発明は、音声認識モデルパラメータ作成装置、音声認識モデルパラメータ作成方法および音声認識装置に関し、特に、マルチコンディション学習を用いて音声認識モデルパラメータを作成する音声認識モデルパラメータ作成装置、音声認識モデルパラメータ作成方法、および音声認識装置に関するものである。
【背景技術】
【０００２】
従来の音声認識方法として、マルチコンディション学習がある。このマルチコンディション学習は、様々な環境の雑音を有する音声データを用いて、音声認識モデルパラメータの学習を行う。そして、入力された音声データにおいて、学習の際に用いた環境の雑音と類似する雑音を有する場合には、音声認識率を向上させることとしている。
【０００３】
このようなマルチコンディション学習を用いて音声認識を行う技術は、例えば、特開２００８−１２２９２７号公報（特許文献１）に開示されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００８−１２２９２７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ここで、マルチコンディション学習では、入力された音声データにおいて、学習の際に用いた環境の雑音と大きく異なる場合には、音声認識率は低下してしまう。すなわち、マルチコンディション学習は、学習の際に用いた環境の雑音と類似する場合にのみ有効な音声認識方法である。
【０００６】
また、様々な環境の雑音を有する音声データを用いて、音声認識モデルパラメータの学習を行った場合であっても、実際に音声認識を行う際には、学習の際に用いた様々な環境の雑音とは大きく異なる未知の雑音が混入する虞がある。この場合、音声認識率は低下してしまう。
【０００７】
この発明の目的は、音声認識率を向上させることができる音声認識モデルパラメータ作成装置を提供することである。
【０００８】
この発明の他の目的は、音声認識率を向上させることができる音声認識モデルパラメータ作成方法を提供することである。
【０００９】
この発明のさらに他の目的は、音声認識率を向上させることができる音声認識装置を提供することである。
【課題を解決するための手段】
【００１０】
この発明に係る音声認識モデルパラメータ作成装置は、複数の雑音が重畳された音声データの特徴量を算出する特徴量算出手段と、特徴量算出手段により算出された特徴量を正規化する正規化手段と、正規化手段により正規化された特徴量を用いて、複数の雑音下における音声認識モデルパラメータを作成する作成手段とを備える。
【００１１】
好ましくは、正規化手段は、特徴量算出手段により算出された特徴量をバンドパスフィルタを用いてフィルタリングするフィルタリング手段を含む。
【００１２】
さらに好ましくは、正規化手段は、フィルタリング手段によりフィルタリングされた特徴量をその最大振幅値で除算する除算手段を含む。
【００１３】
さらに好ましくは、作成手段は、音声認識モデルパラメータを学習により作成する。
【００１４】
また、この発明の他の局面においては、音声認識モデルパラメータ作成方法に関し、複数の雑音が重畳された音声データの特徴量を算出し、算出された特徴量を正規化し、正規化された特徴量を用いて、複数の雑音下における音声認識モデルパラメータを作成することを特徴とする。
【００１５】
また、この発明のさらに他の局面においては、音声認識装置に関し、上記のいずれかに記載の音声認識モデルパラメータ作成装置により作成された音声認識モデルパラメータを用いて、音声認識を行う認識手段を備える。
【発明の効果】
【００１６】
この発明に係る音声認識モデルパラメータ作成装置は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００１７】
また、この発明に係る音声認識モデルパラメータ作成方法は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００１８】
また、この発明に係る音声認識装置は、このような音声認識モデルパラメータ作成装置により作成された音声認識モデルパラメータを用いて、音声認識を行うことができるため、音声認識率を向上させることができる。
【図面の簡単な説明】
【００１９】
【図１】音声認識装置の構成を示すブロック図である。
【図２】この発明の一実施形態に係る音声認識モデルパラメータ作成装置の構成を示すブロック図である。
【図３】音声認識モデルパラメータ作成装置を用いて、音声認識モデルパラメータを作成し、音声認識装置の記憶部に記憶させる場合について示すフローチャートである。
【図４】算出した特徴量を示すグラフである。
【図５】図４に示す特徴量をフィルタリングした場合について示すグラフである。
【図６】図５に示す特徴量を最大振幅値で除算した場合について示すグラフである。
【図７】音声認識装置を用いて、音声認識を行う場合について示すフローチャートである。
【図８】音声認識モデルパラメータ作成装置を用いて、音声認識モデルパラメータを作成し、音声認識装置の記憶部に記憶させる場合の他の実施形態について示すフローチャートである。
【発明を実施するための形態】
【００２０】
以下、図面を参照して、この発明の一実施形態に係る音声認識モデルパラメータ作成装置について説明する。図１は、音声認識装置１０の構成を示すブロック図である。図２は、この発明の一実施形態に係る音声認識モデルパラメータ作成装置２０の構成を示すブロック図である。まず、図１を参照して、音声認識装置１０の構成について説明する。
【００２１】
音声認識装置１０は、マイクロフォン１４を介して、入力された音声データの特徴量を算出する音声認識装置特徴量算出部１１と、音声認識を行う認識部１２と、認識部１２において音声認識を行う際に用いる音声認識モデルパラメータを記憶する記憶部１３とを備える。
【００２２】
認識部１２は、音声認識装置特徴量算出部１１において算出された特徴量および記憶部１３において記憶された音声認識モデルパラメータを用いて音声認識を行う。記憶部１３は、認識部１２において音声認識を行う際に用いる音声認識モデルパラメータを記憶する。音声認識モデルパラメータは、図２に示す音声認識モデルパラメータ作成装置２０によって作成される。
【００２３】
次に、図２を参照して、音声認識モデルパラメータ作成装置２０の構成について説明する。音声認識モデルパラメータ作成装置２０は、マイクロフォン２４を介して、雑音を含まない無雑音音声データの入力を受け付けると共に、受け付けた無雑音音声データに雑音を重畳して雑音重畳データを作成する雑音重畳部２２と、雑音重畳部２２によって作成された雑音重畳データの特徴量を算出する作成装置特徴量算出部２１と、作成装置特徴量算出部２１によって算出された特徴量を用いて、音声認識モデルパラメータを作成する学習部２３と、雑音重畳部２２において重畳する複数の雑音のデータを保持する保持部２５とを備える。
【００２４】
雑音重畳部２２は、保持部２５から所定の雑音のデータを抽出する。そして、無雑音音声データに抽出した雑音を重畳して雑音重畳データを作成する。
【００２５】
作成装置特徴量算出部２１は、雑音重畳データの特徴量を算出する。この特徴量は、例えば、ＭＦＣＣ（Ｍｅｌ Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｅｆｆｉｃｉｅｎｔ）を採用することができる。
【００２６】
学習部２３は、音声認識モデルパラメータを作成する。この音声認識モデルパラメータは、例えば、隠れマルコフモデル（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ：ＨＭＭ）の平均値、分散値、遷移確率、重み係数等を採用することができる。
【００２７】
保持部２５は、複数の雑音のデータを保持する。複数の雑音のデータとしては、例えば、雑踏雑音、白色雑音、工場雑音等の様々な種類の環境の雑音を含む構成である。
【００２８】
音声認識モデルパラメータ作成装置２０は、音声認識装置１０にて用いる音声認識モデルパラメータを作成する。ここで、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる場合について説明する。図３は、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる場合について示すフローチャートである。図１〜図３を参照して、説明する。
【００２９】
まず、音声認識モデルパラメータ作成装置２０は、マイクロフォン２４を介して、無雑音音声データの入力を受け付ける（図３において、ステップＳ１１、以下ステップを省略する）。そうすると、雑音重畳部２２により、保持部２５から、雑踏雑音のデータを抽出し、無雑音音声データに抽出した雑踏雑音のデータを重畳して雑踏雑音重畳データを作成する。また、白色雑音のデータを抽出し、上記と同様に、白色雑音重畳データを作成する。また、工場雑音のデータを抽出し、上記と同様に、工場雑音重畳データを作成する。このように、複数の雑音のデータを抽出し、複数の雑音重畳データを作成する（Ｓ１２）。
【００３０】
そして、作成装置特徴量算出部２１により、Ｓ１２において作成した雑音重畳データ、すなわち、雑踏雑音重畳データ、白色雑音重畳データ、および工場雑音重畳データの特徴量を算出する（Ｓ１３）。具体的には、雑音重畳データにおいて、２０〜３０ｍｓを１フレームとして、雑音重畳データを複数のフレームに分割することにより、各フレームにおいて、特徴量を算出する。分割においては、その１フレームと後に位置するフレームとが部分的にデータを共有するように分割する。ここで、作成装置特徴量算出部２１は、特徴量算出手段として作動する。
【００３１】
図４は、算出した特徴量を示すグラフである。図４を参照して、点線で雑踏雑音重畳データの特徴量を示し、一点鎖線で白色雑音重畳データの特徴量を示し、実線で工場雑音重畳データの特徴量を示している。また、横軸はフレームを示し、縦軸は特徴量の振幅値を示している。図４を参照して、非音声区間Ａにおいて、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量と、工場雑音重畳データの特徴量とは、振幅の差が大きくなっている。また、音声区間Ｂにおいても、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量および工場雑音重畳データの特徴量とは、振幅の差が大きくなっている。また、フレーム１０における特徴量の振幅値を比較すると、雑踏雑音重畳データにおいては０．８を示し、白色雑音重畳データにおいては−４を示し、工場雑音重畳データにおいては−０．３を示している。
【００３２】
そして、特徴量の算出が終了すると、算出した特徴量を正規化し、正規化された特徴量、すなわち、正規化特徴量を得る。この正規化特徴量は、音声の時間変化が緩やかであることを利用している。具体的には、まず、バンドパスフィルタを用いて、特徴量をフィルタリングする（Ｓ１４）。すなわち、所定の範囲の周波数成分のみを通過させ、それ以外の周波数成分は通過させないよう、特徴量をフィルタリングする。また、このバンドパスフィルタは、ＦＩＲ（Ｆｉｎｉｔｅ ｉｍｐｕｌｓｅ ｒｅｓｐｏｎｓｅ）型のフィルタである。これにより、安定して処理を行うことができる。
【００３３】
図５は、図４に示す特徴量をフィルタリングした場合について示すグラフである。図４と同様に、点線で雑踏雑音重畳データの特徴量を示し、一点鎖線で白色雑音重畳データの特徴量を示し、実線で工場雑音重畳データの特徴量を示している。また、横軸はフレームを示し、縦軸は特徴量の振幅値を示している。図５を参照して、非音声区間Ａおよび音声区間Ｂにおいて、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量と、工場雑音重畳データの特徴量とは、図４に示すよりも、波形が揃い、振幅の差が小さくなっている。また、フレーム１０における特徴量の振幅値を比較すると、雑踏雑音重畳データおよび工場雑音重畳データにおいては−０．３を示し、白色雑音重畳データにおいては−０．７を示している。すなわち、フィルタリングすることにより、波形の異なる複数のデータにおいて、波形を揃えることができ、データを一般化することができる。
【００３４】
そして、特徴量のフィルタリングが終了すると、フィルタリングされた特徴量を、フィルタリングされた特徴量の最大振幅値で除算（割算）する（Ｓ１５）。例えば、図５を参照して、雑踏雑音重畳データにおいては、その最大振幅値であるａで除算し、白色雑音重畳データにおいては、その最大振幅値であるｂで除算し、工場雑音重畳データにおいては、その最大振幅値であるｃで除算する。
【００３５】
図６は、図５に示す特徴量を最大振幅値ａ，ｂ，ｃで除算した場合について示すグラフである。図５と同様に、点線で雑踏雑音重畳データの特徴量を示し、一点鎖線で白色雑音重畳データの特徴量を示し、実線で工場雑音重畳データの特徴量を示している。また、横軸はフレームを示し、縦軸は特徴量の振幅値を示している。図６を参照して、非音声区間Ａおよび音声区間Ｂにおいて、白色雑音重畳データの特徴量と、雑踏雑音重畳データの特徴量と、工場雑音重畳データの特徴量とは、図５に示すよりも、さらに波形が揃い、振幅の差が小さくなっている。また、フレーム１０における特徴量の振幅値を比較すると、雑踏雑音重畳データおよび工場雑音重畳データにおいては−０．２３を示し、白色雑音重畳データにおいては−０．２７を示している。すなわち、最大振幅値で除算することにより、波形の異なる複数のデータにおいて、さらに波形を揃えることができ、データを一般化することができる。
【００３６】
このように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算することにより、算出した特徴量を正規化し、正規化特徴量を得る。ここで、作成装置特徴量算出部２１は、正規化手段、フィルタリング手段、および除算手段として作動する。
【００３７】
そして、学習部２３により、それぞれの正規化特徴量を用いて、音声認識モデルパラメータを作成する（Ｓ１６）。具体的には、マルチコンディション学習を行うことにより、音声認識モデルパラメータを作成する。ここで、学習部２３は、作成手段として作動する。そして、音声認識モデルパラメータを音声認識装置１０の記憶部１３に記憶させる（Ｓ１７）。
【００３８】
このように、音声認識モデルパラメータ作成装置２０は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００３９】
また、このような音声認識モデルパラメータ作成方法は、複数の雑音が重畳された音声データの特徴量を正規化し、この正規化された特徴量を用いて、音声認識モデルパラメータを作成する。これにより、複数の雑音を一般化することができるため、音声認識を行う際には、様々な雑音に適用させることができる。その結果、音声認識率を向上させることができる。
【００４０】
なお、図４〜図６に示す特徴量の振幅値は、入力される音声データにより異なる値となる。
【００４１】
次に、音声認識装置１０を用いて、音声認識を行う場合について説明する。図７は、音声認識装置１０を用いて、音声認識を行う場合について示すフローチャートである。図１〜図７を参照して、説明する。
【００４２】
まず、音声認識装置１０は、マイクロフォン１４を介して、音声データの入力を受け付ける（Ｓ２１）。そして、音声認識装置特徴量算出部１１により、音声データの特徴量を算出する。
【００４３】
この特徴量の算出は、上記した図３のＳ１３〜Ｓ１５と同様に行う。すなわち、音声データを複数のフレームに分割し、各フレームにおいて、特徴量を算出する（Ｓ２２）。そして、音声データの特徴量の算出が終了すると、算出した特徴量を正規化、すなわち、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算することにより、音声データの正規化特徴量を得る（Ｓ２３）。
【００４４】
そして、認識部１２により、Ｓ２３において算出した音声データの正規化特徴量および上記した図３において記憶した音声認識モデルパラメータを用いて音声認識を行う（Ｓ２４）。ここで、認識部１２は、認識手段として作動する。音声認識は、例えば、Ｓ２３において算出した音声データの正規化特徴量と音声認識モデルパラメータとを比較して尤度値を算出し、算出した尤度値に基づいて行う。
【００４５】
このように、音声認識装置１０は、音声認識モデルパラメータ作成装置２０により作成された音声認識モデルパラメータを用いて、音声認識を行うことができるため、音声認識率を向上させることができる。
【００４６】
なお、上記の実施の形態においては、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる際に、Ｓ１４〜Ｓ１５に示すように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算する例について説明したが、これに限ることなく、バンドパスフィルタを用いてフィルタリングしたのちに、分散値で除算してもよい。
【００４７】
また、上記の実施の形態においては、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる際に、Ｓ１４〜Ｓ１５に示すように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算する例について説明したが、これに限ることなく、以下に示す他の実施形態を採用することもできる。
【００４８】
図８は、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる場合の他の実施形態について示すフローチャートである。なお、Ｓ３１〜Ｓ３３においては、図３に示すＳ１１〜Ｓ１３と同様であるため、説明は省略する。
【００４９】
図８を参照して、まず、Ｓ３３において特徴量の算出が終了すると、算出した特徴量の平均値を求める（Ｓ３４）。次に、求めた平均値をＳ３３において算出した特徴量から減算する（Ｓ３５）。そして、ローパスフィルタを用いて、減算した特徴量をフィルタリングする（Ｓ３６）。さらに、フィルタリングした特徴量を、フィルタリングした特徴量の最大振幅値で除算する（Ｓ３７）。
【００５０】
このように、平均値を減算し、ローパスフィルタを用いてフィルタリングし、最大振幅値で除算することにより、算出した特徴量を正規化し、正規化特徴量を得ることとしてもよい。そして、音声認識モデルパラメータを作成し（Ｓ３８）、記憶部１３に記憶させる（Ｓ３９）。
【００５１】
また、上記の実施の形態においては、音声認識モデルパラメータ作成装置２０を用いて、音声認識モデルパラメータを作成し、音声認識装置１０の記憶部１３に記憶させる際に、Ｓ１４〜Ｓ１５に示すように、バンドパスフィルタを用いてフィルタリングし、最大振幅値で除算する例について説明したが、これに限ることなく、バンドパスフィルタを用いてフィルタリングするのみであってもよい。
【００５２】
また、上記の実施の形態においては、ＦＩＲ型のフィルタを採用する例について説明したが、これに限ることなく、ＩＩＲ（Ｉｎｆｉｎｉｔｅ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ）型のフィルタを採用してもよい。これにより、処理の演算量を少なくすることができる。
【００５３】
また、上記の実施の形態においては、Ｓ１２〜Ｓ１３において、雑踏雑音重畳データ、白色雑音重畳データ、および工場雑音重畳データを作成し、それぞれの特徴量を算出する例について説明したが、これに限ることなく、工場雑音重畳データを作成しない構成としてもよい。すなわち、雑踏雑音重畳データおよび白色雑音重畳データのうちの少なくともいずれか一方のデータの特徴量を算出してもよい。
【００５４】
また、上記の実施の形態においては、Ｓ１２において、雑音重畳データとして、雑踏雑音重畳データ、白色雑音重畳データ、および工場雑音重畳データを作成する例について説明したが、これに限ることなく、重畳する雑音の量を無視可能な程度に小さくしたデータを含める構成としてもよい。すなわち、雑音重畳データとして、無雑音音声データを含める構成としてもよい。
【００５５】
また、上記の実施の形態においては、保持部２５において、様々な環境の複数の雑音のデータを保持する例について説明したが、これに限ることなく、例えば、様々な環境のうち特定種類の複数の雑音を保持してもよい。すなわち、複数の雑音は、特定種類の複数の雑音を含む構成である。例えば、特定種類として工場に関する複数の雑音、具体的には、第１の工場の雑音と、第２の工場の雑音とを保持する。そして、第１の工場の雑音重畳データと、第２の工場の雑音重畳データとを作成することにより、工場における正規化特徴量を得る。また、特定種類として雑踏に関する複数の雑音、具体的には、第１の雑踏の雑音と、第２の雑踏の雑音とを保持し、第１の雑踏の雑音重畳データと、第２の雑踏の雑音重畳データとを作成することにより、雑踏における正規化特徴量を得る。そして、工場における正規化特徴量と、雑踏における正規化特徴量とを用いて、音声認識モデルパラメータを作成してもよい。
【００５６】
また、上記の実施の形態においては、保持部２５において、雑踏雑音、白色雑音、工場雑音等の雑音のデータを含む例について説明したが、これに限ることなく、車のエンジン雑音、コンピュータ等が複数設置される部屋の騒音、オーディオ音等の雑音のデータを含む構成としてもよいし、任意に設定可能である。
【００５７】
また、音声認識モデルパラメータ作成装置２０は、ハードウェアで実装してもよいし、ソフトウェアで実装してもよい。また、音声認識装置１０においても同様に、ハードウェアで実装してもよいし、ソフトウェアで実装してもよい。
【００５８】
以上、図面を参照してこの発明の実施形態を説明したが、この発明は、図示した実施形態のものに限定されない。図示された実施形態に対して、この発明と同一の範囲内において、あるいは均等の範囲内において、種々の修正や変形を加えることが可能である。
【符号の説明】
【００５９】
１０ 音声認識装置、１１ 音声認識装置特徴量算出部、１２ 認識部、１３ 記憶部、１４ マイクロフォン、２０ 音声認識モデルパラメータ作成装置、２１ 作成装置特徴量算出部、２２ 雑音重畳部、２３ 学習部、２４ マイクロフォン、２５ 保持部。
【特許請求の範囲】
【請求項１】
複数の雑音が重畳された音声データの特徴量を算出する特徴量算出手段と、
前記特徴量算出手段により算出された特徴量を正規化する正規化手段と、
前記正規化手段により正規化された特徴量を用いて、前記複数の雑音下における音声認識モデルパラメータを作成する作成手段とを備える、音声認識モデルパラメータ作成装置。
【請求項２】
前記正規化手段は、前記特徴量算出手段により算出された特徴量をバンドパスフィルタを用いてフィルタリングするフィルタリング手段を含む、請求項１に記載の音声認識モデルパラメータ作成装置。
【請求項３】
前記正規化手段は、前記フィルタリング手段によりフィルタリングされた特徴量をその最大振幅値で除算する除算手段を含む、請求項２に記載の音声認識モデルパラメータ作成装置。
【請求項４】
前記作成手段は、前記音声認識モデルパラメータを学習により作成する、請求項１〜３のいずれかに記載の音声認識モデルパラメータ作成装置。
【請求項５】
複数の雑音が重畳された音声データの特徴量を算出し、算出された特徴量を正規化し、正規化された特徴量を用いて、複数の雑音下における音声認識モデルパラメータを作成することを特徴とする、音声認識モデルパラメータ作成方法。
【請求項６】
請求項１〜４のいずれかに記載の音声認識モデルパラメータ作成装置により作成された音声認識モデルパラメータを用いて、音声認識を行う認識手段を備える、音声認識装置。
【請求項１】
複数の雑音が重畳された音声データの特徴量を算出する特徴量算出手段と、
前記特徴量算出手段により算出された特徴量を正規化する正規化手段と、
前記正規化手段により正規化された特徴量を用いて、前記複数の雑音下における音声認識モデルパラメータを作成する作成手段とを備える、音声認識モデルパラメータ作成装置。
【請求項２】
前記正規化手段は、前記特徴量算出手段により算出された特徴量をバンドパスフィルタを用いてフィルタリングするフィルタリング手段を含む、請求項１に記載の音声認識モデルパラメータ作成装置。
【請求項３】
前記正規化手段は、前記フィルタリング手段によりフィルタリングされた特徴量をその最大振幅値で除算する除算手段を含む、請求項２に記載の音声認識モデルパラメータ作成装置。
【請求項４】
前記作成手段は、前記音声認識モデルパラメータを学習により作成する、請求項１〜３のいずれかに記載の音声認識モデルパラメータ作成装置。
【請求項５】
複数の雑音が重畳された音声データの特徴量を算出し、算出された特徴量を正規化し、正規化された特徴量を用いて、複数の雑音下における音声認識モデルパラメータを作成することを特徴とする、音声認識モデルパラメータ作成方法。
【請求項６】
請求項１〜４のいずれかに記載の音声認識モデルパラメータ作成装置により作成された音声認識モデルパラメータを用いて、音声認識を行う認識手段を備える、音声認識装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【公開番号】特開２０１０−２６６４８８（Ｐ２０１０−２６６４８８Ａ）
【公開日】平成２２年１１月２５日（２０１０．１１．２５）
【国際特許分類】
【出願番号】特願２００９−１１５１８３（Ｐ２００９−１１５１８３）
【出願日】平成２１年５月１２日（２００９．５．１２）
【出願人】（５０１３２１３９４）株式会社レイトロン (14)
【Ｆターム（参考）】
【公開日】平成２２年１１月２５日（２０１０．１１．２５）
【国際特許分類】
【出願日】平成２１年５月１２日（２００９．５．１２）
【出願人】（５０１３２１３９４）株式会社レイトロン (14)
【Ｆターム（参考）】
[ Back to top ]