音声認識装置及び音響モデル作成装置とそれらの方法と、プログラムと記録媒体
【課題】突発性雑音の影響を受け難い音声認識装置と音響モデル作成装置を提供する。
【解決手段】ＧＭＭ尤度計算部が、ＧＭＭと音声特徴量を照合してフレーム毎にＧＭＭ尤度を計算し、ＧＭＭ尤度判定部が、ＧＭＭ尤度が所定の範囲内であるか否かを判定してその判定結果とＧＭＭ尤度とを出力する。音声認識処理部は、所定の範囲内のフレームについては音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、所定の範囲外のフレームについてはＧＭＭ尤度を音響尤度に代用して音声認識処理を行う。
【解決手段】ＧＭＭ尤度計算部が、ＧＭＭと音声特徴量を照合してフレーム毎にＧＭＭ尤度を計算し、ＧＭＭ尤度判定部が、ＧＭＭ尤度が所定の範囲内であるか否かを判定してその判定結果とＧＭＭ尤度とを出力する。音声認識処理部は、所定の範囲内のフレームについては音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、所定の範囲外のフレームについてはＧＭＭ尤度を音響尤度に代用して音声認識処理を行う。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、未知の非定常雑音が入力されても認識誤りの発生が少ない音声認識装置と、未知の非定常雑音が入力されても精度の高い音響モデルを作成する音響モデル作成装置とそれらの方法と、プログラムと記録媒体に関する。
【背景技術】
【０００２】
近年、統計的手法に基づく音声認識技術の進歩により、静かな環境における音声認識は高い精度で行うことが可能になった。しかし、実際の環境では、雑音の存在、特に未知の非定常な雑音によって認識性能が劣化することが問題になっている。
【０００３】
図９に従来の音声認識装置９００の機能構成を示す。音声認識装置９００は、Ａ/Ｄ変換部１０、特徴量分析部２０、音声認識処理部３０、音響モデルパラメータメモリ４０、言語モデルパラメータメモリ５０を備える。
【０００４】
Ａ/Ｄ変換部１０は、入力されるアナログ信号の音声を、例えばサンプリング周波数１６ｋＨｚで離散的なディジタル信号に変換する。特徴量分析部２０は、離散値化された音声ディジタル信号を入力として、例えば３２０個の音声ディジタル信号を１フレーム（２０ｍｓ）としたフレーム毎に、音声特徴量Ｏｔを算出する。音声特徴量Ｏｔは、例えばメル周波数ケプストラム係数（ＭＦＣＣ）分析によって算出される。
【０００５】
音声認識処理部３０は、音声特徴量Ｏｔを入力として音響モデルパラメータメモリ４０に記録された音響モデルと、言語モデルパラメータメモリ５０に記録された言語モデルとを参照して、音響モデルの尤度と言語モデルの尤度の和が最も高い音声認識結果候補を音声認識結果として出力する。
【０００６】
従来の音声認識装置９００においては、未知な非定常雑音である突発性雑音に対処する目的で、音響モデルの尤度を補正する方法が取られていた。音響モデルは、ＨＭＭ（Hidden Markov Model：隠れマルコフモデル）で表現され、その出現確率分布には正規分布が広く用いられる。その出現確率の対数である尤度は、２次関数となり分布平均からのずれの２乗に従い低下する特性を示す。この音響モデルの出現確率と尤度との特性の差が、突発性雑音による認識誤りの一因と考えられる。その差を補正する考えが、例えば非特許文献１に開示されている。
【０００７】
図１０に非特許文献１の尤度補正の考えを示す。図１０の左上側は、音素｜ａ｜と音素｜ｏ｜の出現確率分布を示す。同左下側はそれぞれの音素の尤度の特性を示す。図１０の横軸は音声特徴量である。音声特徴量ｙｓが観測されたとき、出現確率は、音素｜ａ｜よりも音素｜ｏ｜の確率が高い。左下側に示す尤度も同じ傾向を示す。
【０００８】
しかし、音声特徴量ｙｓが重畳雑音等の影響でｙｏに変化したとき、出現確率はどちらも小さくなるが、左下側に示す尤度では音素｜ａ｜と音素｜ｏ｜で大小関係が逆転するだけでなく、２次曲線によってその間に大きな差が生じてしまう。このように、出現確率の差は小さいのにもかかわらず尤度に大きな差が発生することが、認識誤りの一因になると考えられる。
【０００９】
そこで、非特許文献１では、突発性雑音に対する頑健性の向上のため、観測されたデータの分布Ｎ（ｙ）に正の微小な補正定数εを加え、その値の尤度（式（１））を用いることで、線形の出現確率の小さな差が尤度の大きな差になる問題を回避している。
【００１０】
【数１】
【００１１】
ここでＮ（ｙ）は観測されたデータの音声特徴量の分布である。つまり、図１０の音素｜ａ｜や音素｜ｏ｜の分布である。εは補正定数である。
この補正定数εを加える処理は、音声認識処理部３０で行われる。この処理によって、図１０の右下側に示すように尤度の差を縮小することが可能である。よって、突発性雑音が発生したときの尤度の変化量を少なくすることができるので、認識誤りの発生を抑制する効果が期待できる。
【先行技術文献】
【非特許文献】
【００１２】
【非特許文献１】山本仁、篠田浩一、嵯峨山茂樹「正規分布の尤度補正による突発性雑音に頑健な音声認識」、音響学会秋季講演論文集、1-９-１０，pp.19-20,2002
【発明の概要】
【発明が解決しようとする課題】
【００１３】
従来の補正定数εを導入する考えは、その定数の設定によっては認識精度が劣化してしまう危険性がある。最適な定数は、認識対象のデータによって異なるため一律に決められない。定数を一律に固定してしまうと、音素モデルによって、補正の影響に強弱が発生してしまい本来正しい尤度が得られる場合も、それを阻害してしまう心配がある。
【００１４】
この発明は、このような点に鑑みてなされたものであり、尤度が一定の範囲を超えた場合にそのデータを対象外にすることで、認識誤りの発生を少なくした音声認識装置とその方法と、それと同じ考えに基づく音響モデル作成装置とその方法と、プログラムと記録媒体を提供することを目的とする。
【課題を解決するための手段】
【００１５】
この発明の音声認識装置は、特徴量分析部と、ＧＭＭ尤度計算部と、ＧＭＭ尤度判定部と、音声認識処理部とを具備する。特徴量分析部は、入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する。ＧＭＭ尤度計算部は、ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合してフレーム毎にＧＭＭ尤度を計算する。ＧＭＭ尤度判定部は、ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果とＧＭＭ尤度とを出力する。音声認識処理部は、音声特徴量とＧＭＭ尤度と判定結果を入力として、上記所定の範囲内のフレームについては音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、上記所定の範囲外のフレームについてはＧＭＭ尤度を利用した音響尤度を用いて音声認識処理を行う。
【００１６】
また、この発明の音響モデル作成装置は、学習処理部と、上記したと同じＧＭＭ尤度計算部とＧＭＭ尤度判定部とを具備し、学習処理部は、判定結果が範囲外と判定されたフレームを音響モデルの統計量計算の対象外として学習後音響モデルを生成する。
【発明の効果】
【００１７】
この発明の音声認識装置と音響モデル作成装置は、殆どの音素を包含し、分散が広くなる混合ガウス分布モデルであるＧＭＭから求めた尤度を用いる。よって、従来問題になっていた分布の端において発生する尤度の逆転現象や、尤度の差が増大してしまう問題を低減できる。
つまり、ＧＭＭ尤度判定部で範囲外と判定されたフレームの音響尤度が、ＧＭＭ尤度計算部でＧＭＭに基づいて計算されたＧＭＭ尤度に代用されるので、突発性雑音が入力されたときの音響尤度を安定化させることが出来る。その結果、音声認識処理及び音響モデルの学習処理の精度を向上させる効果を奏する。
【図面の簡単な説明】
【００１８】
【図１】音素モデルを構成する１状態を模式的に示す図。
【図２】音素モデルの一例を示す図。
【図３】この発明の音声認識装置１００の機能構成例を示す図。
【図４】音声認識装置１００の動作フローを示す図。
【図５】ＧＭＭを用いた音声特徴量とＧＭＭ尤度との関係を示す図。
【図６】音声認識装置１００′の動作フローを示す図。
【図７】この発明の音響モデル作成装置２００の機能構成例を示す図。
【図８】音響モデル作成装置２００の動作フローを示す図。
【図９】従来の音声認識装置９００の機能構成を示す図。
【図１０】非特許文献１に開示された尤度補正の考えを示す図。
【発明を実施するための形態】
【００１９】
この発明の実施例の説明をする前に、この発明の考えについて説明する。
〔この発明の考え〕
この発明の考えを説明するに当たって先ず音響モデルについて説明する。音響モデルを構成する音素モデルは、約３個程度の状態の確率連鎖によって構築される。各状態は、混合正規分布として表現される。図１に、例えば混合数を３の場合での３つの正規分布、Ｎ（μ１，Ｕ１），Ｎ（μ２，Ｕ２），Ｎ（μ３，Ｕ３）、重み係数ｃ１，ｃ２，ｃ３で構成される状態ｓを示す。μは平均ベクトル、Ｕは共分散行列である。
【００２０】
図２に３状態で構成される音素モデルの概念図を一例として示す。この例は、left−to−right型ＨＭＭと呼ばれるもので、３つの状態ｓ１（第１状態）、ｓ２（第２状態）、ｓ３（第３状態）を並べたものであり、状態の確率連鎖（状態遷移確率）としては、自己遷移ａ１１、ａ２２、ａ３３と、次状態へのａ１２、ａ２３、ａ３４からなる。この状態遷移系列の中で最も尤度の高い音素モデルの組み合わせが、音声認識結果として出力される。この音素モデルの集合が音響モデルである。
状態ｓから得られる出現確率Ｐ（ｓ，Ｏｔ）は式（２）で求められる。
【００２１】
【数２】
【００２２】
ここでＯｔはフレームｔの音声特徴量、Ｎ（Ｏｔ；μｍｓ，Ｕｍｓ）は平均ベクトルμｍｓ、共分散行列Ｕｍｓからなる正規分布から計算される確率、ｃｍｓは混合重み係数、Ｍｓは状態ｓに属する分布数である。各状態におけるこの出現確率Ｐ（ｓ，Ｏｔ）と前述の状態遷移確率の対数値の総和が音響尤度である。
背景技術で説明した補正定数εを音声特徴量の分布に加える考え方では、突発性雑音が入力されると、上記した説明から明らかなように、音響尤度が大きく変動する可能性が有り、それが認識誤りの原因になっていた。
【００２３】
その従来の方法に対してこの発明の音声認識方法は、音声認識処理の前にＧＭＭと音声特徴量を照合してＧＭＭ尤度を計算する。そして、そのＧＭＭ尤度が所定の範囲内であるか否かを判定する。ＧＭＭ尤度が所定の範囲内であれば、音声認識処理過程で音声特徴量に基づいた音響尤度を求め、その音響尤度を用いて音声認識処理を行う。
逆にＧＭＭ尤度が所定の範囲外の場合、例えば、突発性雑音が入力されたＧＭＭから求めたＧＭＭ尤度を、音響尤度に代用して音声認識処理するので、音響尤度が大きく変化することがない。
【００２４】
したがって従来の方法のように、そもそも音声特徴量に対する小さな出現確率の差が逆転したり、その小さな出現確率の差が大きな尤度差に変化してしまうことが無い。このようにこの発明の考えによれば、音響尤度の値を安定化することが可能である。その結果、音声認識の誤認識を減らすことが出来る。また、この考えは音響モデル作成装置にも適用することが可能である。
以下、この発明の実施の形態を図面を参照して説明する。複数の図面中同一のものには同じ参照符号を付し、説明は繰り返さない。
【実施例１】
【００２５】
図３にこの発明の音声認識装置１００の機能構成例を示す。その動作フローを図４に示す。音声認識装置１００は、Ａ/Ｄ変換部１０と、特徴量分析部２０と、音響モデルパラメータメモリ４０と、ＧＭＭ尤度計算部６０と、ＧＭＭ尤度判定部７０と、音声認識処理部８０と、言語モデルパラメータメモリ５０と、制御部９０とを具備する。音声認識装置１００は、例えばＲＯＭ、ＲＡＭ、ＣＰＵ等で構成されるコンピュータに所定のプログラムが読み込まれて、ＣＰＵがそのプログラムを実行することで実現されるものである。
【００２６】
音声認識装置１００は、従来の音声認識装置９００と比較してＧＭＭ尤度計算部６０と、ＧＭＭ尤度判定部７０とを具備する点で新しい。また、音声認識処理部８０の動作が従来の音声認識処理部３０と異なる。他の機能構成は音声認識装置９００と同じものである。以降の説明では、その異なる部分を中心に説明を行う。
【００２７】
Ａ/Ｄ変換部１０は、入力されるアナログ信号の音声を、例えばサンプリング周波数１６ｋＨｚで離散的なディジタル信号に変換する（ステップＳ１０、図４）。特徴量分析部２０は、離散値化された音声ディジタル信号を入力として、所定の数の音声ディジタル信号を１フレーム（例えば２０ｍｓ）としたフレーム毎に、音声特徴量Ｏｔを算出する（ステップＳ２０）。
ＧＭＭ尤度計算部６０は、ＧＭＭと音声特徴量Ｏｔを照合してフレーム毎にＧＭＭ尤度を計算する（ステップＳ６０）。ＧＭＭは、音響モデルの学習データ中の全ての音素から学習した（場合によっては無音を除く）混合正規分布モデル（ＧＭＭ）である。ＧＭＭは、この例では音響モデルパラメータメモリ４０内に記録されている。
【００２８】
図５にＧＭＭと音声特徴量Ｏｔを照合してＧＭＭ尤度を求める方法を模式的に示す。図５は、ＧＭＭ尤度の分布を正規分布に近い形と仮定した場合である。横軸は音声特徴量Ｏｔであり、縦軸はＧＭＭ尤度である。
ＧＭＭ尤度の計算は、上記した式（２）で求めた出現確率の対数値として求められる。この場合、ＧＭＭは、式（２）のように混合重み係数ｃｍｓ、平均ベクトルμｍｓ、共分散行列Ｕｍｓで表現される。図５に示すように音声特徴量ｙｓやｙｏに対応するＧＭＭ尤度が計算される。
【００２９】
ＧＭＭ尤度判定部７０は、ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果を出力する（ステップＳ７０）。所定の範囲とは、例えば、図５に示すＧＭＭ尤度分布の最大値〜最小値の範囲である。その範囲は、学習した音声データに対するＧＭＭ尤度の上下限値の範囲ということになる。つまり、ＧＭＭ尤度判定部７０は、学習していない突発性雑音等の影響を受けたフレームをフィルタリングすることが出来る。
【００３０】
音声認識処理部８０は、ＧＭＭ尤度が所定の範囲内である場合（ステップＳ７０のＹ）は、音声特徴量Ｏｔに対応する音響尤度を求め（ステップＳ８０１）、その音響尤度に基づいて音声認識処理を行う（ステップＳ８０２）。ＧＭＭ尤度が所定の範囲外である場合（ステップＳ７０のＮ）は、音響尤度の代わりにＧＭＭ尤度を用いて音声認識処理を行う（ステップＳ８０３）。
以上の動作は、全てのフレームについて終了するまで繰り返される（ステップＳ９０のＮ）。この音声認識装置１００の各部の動作及び繰り返し動作の制御は、制御部９０が行う。
【００３１】
音声認識装置１００によれば、音声特徴量ＯｔとＧＭＭとから求めたＧＭＭ尤度を用いることで、その音声特徴量Ｏｔが学習済みの特徴量の集合から大きく逸脱しないかどうかを判定する。そして、突発性雑音等のように学習データの集合には含まれないような音声特徴量Ｏｔが入力された場合は、その音響尤度をＧＭＭ尤度に置換えて音声認識処理を行う。したがって、突発性雑音等が入力された場合でも音響尤度を安定化することが可能である。その結果、音声認識の誤認識の発生を抑制することが出来る。
【００３２】
なお、所定の範囲は、図５のＧＭＭ分布の下限値以下のみとしても良い。又は、上述したようにＧＭＭ尤度の分布の上限値以上及び下限値以下としても良く、そのどちらでも良い。ＧＭＭ尤度判定部７０がＧＭＭ尤度の上限値も判定する場合、上限値を超えたフレームの音響尤度もそのＧＭＭ尤度に代用される。そのＧＭＭ尤度の値は、殆どの音素を包含した分布の大きなＧＭＭから求めているので大きく変化した値にならない。よって、尤度値が不安定になることは無い。
【００３３】
なお、所定の範囲を、学習した全ての音声特徴量に対応した尤度の上下限値の範囲として説明したが、この発明はこの例に限定されない。例えば、音響モデル学習時のＧＭＭ尤度の分布を正規分布と過程して予め求めたＧＭＭ尤度の平均値μと標準偏差σに基づき、ＧＭＭ尤度計算部６０内に設けられた所定範囲設定手段６０１が、所定の範囲をμ±２σ（上限値＝μ＋２σ、下限値＝μ−２σ）と、計算して設定しても良い。このようにすることで所定の範囲を、学習したＧＭＭ尤度の値から任意の範囲に設定することが可能となる。なお、予めＧＭＭ尤度の平均値μと標準偏差σに基づいて任意の所定の範囲を設定し、その値を音響モデルパラメータメモリに記録して置いても良い。その場合、所定範囲設定手段６０１は無くても良い。
【００３４】
また、ＧＭＭ尤度判定部７０内に、上下限値設定手段７０１を備え、所定の範囲外のフレームのＧＭＭ尤度を所定の上下限値にしても良い。つまり、上下限値にＧＭＭ尤度を丸め込んでも良い。丸め込むことで尤度の範囲を更に狭めることが出来る。
図６に所定の範囲外のＧＭＭ尤度を上下限値に丸め込む動作を行う音声認識装置１００′の動作フローを示す。ＧＭＭ尤度判定過程（ステップＳ７０）以外は、音声認識装置１００と同じである。
ＧＭＭ尤度判定部７０′は、ＧＭＭ尤度が所定の範囲内か否かを判定する（ステップＳ７０１）。範囲内の場合（ステップＳ７０１のＹ）は、音声特徴量から音響尤度を求めて音声認識処理を行うステップＳ８０１以降の動作を行う。
【００３５】
ＧＭＭ尤度が所定の範囲外の場合は、ＧＭＭ尤度が下限値以下（ステップＳ７０２）であるか、上限値以上であるかを判定する（ステップＳ７０４）。上下限値設定手段７０１はその判定結果に基づいてＧＭＭ尤度を、下限値若しくは上限値に設定して音声認識処理部８０へ出力する（ステップＳ７０３，Ｓ７０５）。
なお、図６では上下限の両方を所定の上下限値に設定する例を説明したが、上下限のどちらか一方を設定するようにしても良い。
【実施例２】
【００３６】
図７にこの発明の音響モデル作成装置２００の機能構成例を示す。その動作フローを図８に示す。音響モデル作成装置２００は、特徴量分析部２０と、ＧＭＭ尤度計算部６０と音響モデルパラメータメモリ４０と、ＧＭＭ尤度判定部７０と、学習処理部９０と、学習後音響モデルメモリ９５と、制御部９６とを具備する。音響モデル作成装置２００は、例えばＲＯＭ、ＲＡＭ、ＣＰＵ等で構成されるコンピュータに所定のプログラムが読み込まれて、ＣＰＵがそのプログラムを実行することで実現されるものである。
【００３７】
音響モデル作成装置２００の特徴量分析部２０と、ＧＭＭ尤度計算部６０と、ＧＭＭ尤度判定部７０は、音声認識装置１００と同じものである。
学修処理部９０が、学習ラベルと音声特徴量とＧＭＭ尤度と判定結果を入力として、ＧＭＭ尤度が所定の範囲内のフレームについては音声特徴量と学習ラベルを対応付けて音響モデルの学習処理を行い（ステップＳ９０）。所定の範囲外のフレームについては音響モデルの統計量計算の対象外（ステップＳ７０のＮ）、異常フレームとして廃棄し、次のフレームの処理を行う（ステップＳ９８）。
【００３８】
以上の動作は、全てのフレームについて終了するまで繰り返される（ステップＳ９７のＮ）。この音響モデル作成装置２００の各部の動作及び繰り返し動作の制御は、制御部９５が行う。上記所定の範囲をＧＭＭ尤度の平均値μと標準偏差σに基づいて設定する場合には、学習によって更新されたＧＭＭ尤度の平均値μと標準偏差σは、学習後音響モデルメモリ９５に記録される。学習処理部９０において、所定の範囲も、更新された平均値μと標準偏差σに連動させて更新し、その値を学習後音響モデルメモリ９５に記録するようにしても良い。また、上記所定の範囲をＧＭＭ尤度の上下限値に基づいて設定する場合は、ＧＭＭ尤度の上下限値は、学習後音響モデルメモリ９５に記録される。学習処理部９０において、所定の範囲も、更新された上下限値に連動させて更新し、その値を学習後音響モデルメモリ９５に記録するようにしても良い。
【００３９】
音響モデル作成装置２００も、ＧＭＭ尤度計算部６０とＧＭＭ尤度判定部７０を備え、所定の範囲外のフレームは対象外として音響モデルの学習を行うので、突発性雑音等の影響を受けないで音響モデルを作成することが出来る。よって、精度の高いよりクリーンな音響モデルの作成を可能にする。
【００４０】
以上説明した音声認識装置１００によれば、殆どの音素を包含し、最も分散が広くなるＧＭＭから求めたＧＭＭ尤度を、所定範囲外のフレームの音響尤度に代用するので、突発性雑音等が入力されても音響尤度が大きく変化しない。つまり、音響尤度を安定化することが出来る。また、所定の範囲は、学習時のＧＭＭのＧＭＭ尤度に基づいて決められるので、その範囲を決定するための開発用データが不要である。
また、音響モデル作成装置２００によれば、学習時に異常フレームを除去するので、異常な分布が生成される可能性を低減することが出来る。よって、より精度の高い音響モデルの作成を可能にする。
【００４１】
この発明の方法及び装置は上述の実施形態に限定されるものではなく、この発明の趣旨を逸脱しない範囲で適宜変更が可能である。例えば、ＧＭＭは、無音データを含めて、無音データも学習対象にしても良いし、又は音声の特徴量のみを記録させ、音声区間のみを学習対象にしても良い。音声区間のみを学習対象にする場合には、音響モデルパラメータメモリ４０に、音声認識の前処理の音声区間検出等の用途でも利用される音響モデルをそのまま用いることが可能である。
【００４２】
なお、上記方法及び装置において説明した処理は、記載の順に従って時系列に実行され
るのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。
また、上記装置における処理手段をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、各装置における処理手段がコンピュータ上で実現される。
【００４３】
この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ（Random Access Memory）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ−Ｒ（Recordable）/ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto Optical disc）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。
【００４４】
また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記録装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
また、各手段は、コンピュータ上で所定のプログラムを実行させることにより構成することにしてもよいし、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。
【技術分野】
【０００１】
この発明は、未知の非定常雑音が入力されても認識誤りの発生が少ない音声認識装置と、未知の非定常雑音が入力されても精度の高い音響モデルを作成する音響モデル作成装置とそれらの方法と、プログラムと記録媒体に関する。
【背景技術】
【０００２】
近年、統計的手法に基づく音声認識技術の進歩により、静かな環境における音声認識は高い精度で行うことが可能になった。しかし、実際の環境では、雑音の存在、特に未知の非定常な雑音によって認識性能が劣化することが問題になっている。
【０００３】
図９に従来の音声認識装置９００の機能構成を示す。音声認識装置９００は、Ａ/Ｄ変換部１０、特徴量分析部２０、音声認識処理部３０、音響モデルパラメータメモリ４０、言語モデルパラメータメモリ５０を備える。
【０００４】
Ａ/Ｄ変換部１０は、入力されるアナログ信号の音声を、例えばサンプリング周波数１６ｋＨｚで離散的なディジタル信号に変換する。特徴量分析部２０は、離散値化された音声ディジタル信号を入力として、例えば３２０個の音声ディジタル信号を１フレーム（２０ｍｓ）としたフレーム毎に、音声特徴量Ｏｔを算出する。音声特徴量Ｏｔは、例えばメル周波数ケプストラム係数（ＭＦＣＣ）分析によって算出される。
【０００５】
音声認識処理部３０は、音声特徴量Ｏｔを入力として音響モデルパラメータメモリ４０に記録された音響モデルと、言語モデルパラメータメモリ５０に記録された言語モデルとを参照して、音響モデルの尤度と言語モデルの尤度の和が最も高い音声認識結果候補を音声認識結果として出力する。
【０００６】
従来の音声認識装置９００においては、未知な非定常雑音である突発性雑音に対処する目的で、音響モデルの尤度を補正する方法が取られていた。音響モデルは、ＨＭＭ（Hidden Markov Model：隠れマルコフモデル）で表現され、その出現確率分布には正規分布が広く用いられる。その出現確率の対数である尤度は、２次関数となり分布平均からのずれの２乗に従い低下する特性を示す。この音響モデルの出現確率と尤度との特性の差が、突発性雑音による認識誤りの一因と考えられる。その差を補正する考えが、例えば非特許文献１に開示されている。
【０００７】
図１０に非特許文献１の尤度補正の考えを示す。図１０の左上側は、音素｜ａ｜と音素｜ｏ｜の出現確率分布を示す。同左下側はそれぞれの音素の尤度の特性を示す。図１０の横軸は音声特徴量である。音声特徴量ｙｓが観測されたとき、出現確率は、音素｜ａ｜よりも音素｜ｏ｜の確率が高い。左下側に示す尤度も同じ傾向を示す。
【０００８】
しかし、音声特徴量ｙｓが重畳雑音等の影響でｙｏに変化したとき、出現確率はどちらも小さくなるが、左下側に示す尤度では音素｜ａ｜と音素｜ｏ｜で大小関係が逆転するだけでなく、２次曲線によってその間に大きな差が生じてしまう。このように、出現確率の差は小さいのにもかかわらず尤度に大きな差が発生することが、認識誤りの一因になると考えられる。
【０００９】
そこで、非特許文献１では、突発性雑音に対する頑健性の向上のため、観測されたデータの分布Ｎ（ｙ）に正の微小な補正定数εを加え、その値の尤度（式（１））を用いることで、線形の出現確率の小さな差が尤度の大きな差になる問題を回避している。
【００１０】
【数１】
【００１１】
ここでＮ（ｙ）は観測されたデータの音声特徴量の分布である。つまり、図１０の音素｜ａ｜や音素｜ｏ｜の分布である。εは補正定数である。
この補正定数εを加える処理は、音声認識処理部３０で行われる。この処理によって、図１０の右下側に示すように尤度の差を縮小することが可能である。よって、突発性雑音が発生したときの尤度の変化量を少なくすることができるので、認識誤りの発生を抑制する効果が期待できる。
【先行技術文献】
【非特許文献】
【００１２】
【非特許文献１】山本仁、篠田浩一、嵯峨山茂樹「正規分布の尤度補正による突発性雑音に頑健な音声認識」、音響学会秋季講演論文集、1-９-１０，pp.19-20,2002
【発明の概要】
【発明が解決しようとする課題】
【００１３】
従来の補正定数εを導入する考えは、その定数の設定によっては認識精度が劣化してしまう危険性がある。最適な定数は、認識対象のデータによって異なるため一律に決められない。定数を一律に固定してしまうと、音素モデルによって、補正の影響に強弱が発生してしまい本来正しい尤度が得られる場合も、それを阻害してしまう心配がある。
【００１４】
この発明は、このような点に鑑みてなされたものであり、尤度が一定の範囲を超えた場合にそのデータを対象外にすることで、認識誤りの発生を少なくした音声認識装置とその方法と、それと同じ考えに基づく音響モデル作成装置とその方法と、プログラムと記録媒体を提供することを目的とする。
【課題を解決するための手段】
【００１５】
この発明の音声認識装置は、特徴量分析部と、ＧＭＭ尤度計算部と、ＧＭＭ尤度判定部と、音声認識処理部とを具備する。特徴量分析部は、入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する。ＧＭＭ尤度計算部は、ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合してフレーム毎にＧＭＭ尤度を計算する。ＧＭＭ尤度判定部は、ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果とＧＭＭ尤度とを出力する。音声認識処理部は、音声特徴量とＧＭＭ尤度と判定結果を入力として、上記所定の範囲内のフレームについては音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、上記所定の範囲外のフレームについてはＧＭＭ尤度を利用した音響尤度を用いて音声認識処理を行う。
【００１６】
また、この発明の音響モデル作成装置は、学習処理部と、上記したと同じＧＭＭ尤度計算部とＧＭＭ尤度判定部とを具備し、学習処理部は、判定結果が範囲外と判定されたフレームを音響モデルの統計量計算の対象外として学習後音響モデルを生成する。
【発明の効果】
【００１７】
この発明の音声認識装置と音響モデル作成装置は、殆どの音素を包含し、分散が広くなる混合ガウス分布モデルであるＧＭＭから求めた尤度を用いる。よって、従来問題になっていた分布の端において発生する尤度の逆転現象や、尤度の差が増大してしまう問題を低減できる。
つまり、ＧＭＭ尤度判定部で範囲外と判定されたフレームの音響尤度が、ＧＭＭ尤度計算部でＧＭＭに基づいて計算されたＧＭＭ尤度に代用されるので、突発性雑音が入力されたときの音響尤度を安定化させることが出来る。その結果、音声認識処理及び音響モデルの学習処理の精度を向上させる効果を奏する。
【図面の簡単な説明】
【００１８】
【図１】音素モデルを構成する１状態を模式的に示す図。
【図２】音素モデルの一例を示す図。
【図３】この発明の音声認識装置１００の機能構成例を示す図。
【図４】音声認識装置１００の動作フローを示す図。
【図５】ＧＭＭを用いた音声特徴量とＧＭＭ尤度との関係を示す図。
【図６】音声認識装置１００′の動作フローを示す図。
【図７】この発明の音響モデル作成装置２００の機能構成例を示す図。
【図８】音響モデル作成装置２００の動作フローを示す図。
【図９】従来の音声認識装置９００の機能構成を示す図。
【図１０】非特許文献１に開示された尤度補正の考えを示す図。
【発明を実施するための形態】
【００１９】
この発明の実施例の説明をする前に、この発明の考えについて説明する。
〔この発明の考え〕
この発明の考えを説明するに当たって先ず音響モデルについて説明する。音響モデルを構成する音素モデルは、約３個程度の状態の確率連鎖によって構築される。各状態は、混合正規分布として表現される。図１に、例えば混合数を３の場合での３つの正規分布、Ｎ（μ１，Ｕ１），Ｎ（μ２，Ｕ２），Ｎ（μ３，Ｕ３）、重み係数ｃ１，ｃ２，ｃ３で構成される状態ｓを示す。μは平均ベクトル、Ｕは共分散行列である。
【００２０】
図２に３状態で構成される音素モデルの概念図を一例として示す。この例は、left−to−right型ＨＭＭと呼ばれるもので、３つの状態ｓ１（第１状態）、ｓ２（第２状態）、ｓ３（第３状態）を並べたものであり、状態の確率連鎖（状態遷移確率）としては、自己遷移ａ１１、ａ２２、ａ３３と、次状態へのａ１２、ａ２３、ａ３４からなる。この状態遷移系列の中で最も尤度の高い音素モデルの組み合わせが、音声認識結果として出力される。この音素モデルの集合が音響モデルである。
状態ｓから得られる出現確率Ｐ（ｓ，Ｏｔ）は式（２）で求められる。
【００２１】
【数２】
【００２２】
ここでＯｔはフレームｔの音声特徴量、Ｎ（Ｏｔ；μｍｓ，Ｕｍｓ）は平均ベクトルμｍｓ、共分散行列Ｕｍｓからなる正規分布から計算される確率、ｃｍｓは混合重み係数、Ｍｓは状態ｓに属する分布数である。各状態におけるこの出現確率Ｐ（ｓ，Ｏｔ）と前述の状態遷移確率の対数値の総和が音響尤度である。
背景技術で説明した補正定数εを音声特徴量の分布に加える考え方では、突発性雑音が入力されると、上記した説明から明らかなように、音響尤度が大きく変動する可能性が有り、それが認識誤りの原因になっていた。
【００２３】
その従来の方法に対してこの発明の音声認識方法は、音声認識処理の前にＧＭＭと音声特徴量を照合してＧＭＭ尤度を計算する。そして、そのＧＭＭ尤度が所定の範囲内であるか否かを判定する。ＧＭＭ尤度が所定の範囲内であれば、音声認識処理過程で音声特徴量に基づいた音響尤度を求め、その音響尤度を用いて音声認識処理を行う。
逆にＧＭＭ尤度が所定の範囲外の場合、例えば、突発性雑音が入力されたＧＭＭから求めたＧＭＭ尤度を、音響尤度に代用して音声認識処理するので、音響尤度が大きく変化することがない。
【００２４】
したがって従来の方法のように、そもそも音声特徴量に対する小さな出現確率の差が逆転したり、その小さな出現確率の差が大きな尤度差に変化してしまうことが無い。このようにこの発明の考えによれば、音響尤度の値を安定化することが可能である。その結果、音声認識の誤認識を減らすことが出来る。また、この考えは音響モデル作成装置にも適用することが可能である。
以下、この発明の実施の形態を図面を参照して説明する。複数の図面中同一のものには同じ参照符号を付し、説明は繰り返さない。
【実施例１】
【００２５】
図３にこの発明の音声認識装置１００の機能構成例を示す。その動作フローを図４に示す。音声認識装置１００は、Ａ/Ｄ変換部１０と、特徴量分析部２０と、音響モデルパラメータメモリ４０と、ＧＭＭ尤度計算部６０と、ＧＭＭ尤度判定部７０と、音声認識処理部８０と、言語モデルパラメータメモリ５０と、制御部９０とを具備する。音声認識装置１００は、例えばＲＯＭ、ＲＡＭ、ＣＰＵ等で構成されるコンピュータに所定のプログラムが読み込まれて、ＣＰＵがそのプログラムを実行することで実現されるものである。
【００２６】
音声認識装置１００は、従来の音声認識装置９００と比較してＧＭＭ尤度計算部６０と、ＧＭＭ尤度判定部７０とを具備する点で新しい。また、音声認識処理部８０の動作が従来の音声認識処理部３０と異なる。他の機能構成は音声認識装置９００と同じものである。以降の説明では、その異なる部分を中心に説明を行う。
【００２７】
Ａ/Ｄ変換部１０は、入力されるアナログ信号の音声を、例えばサンプリング周波数１６ｋＨｚで離散的なディジタル信号に変換する（ステップＳ１０、図４）。特徴量分析部２０は、離散値化された音声ディジタル信号を入力として、所定の数の音声ディジタル信号を１フレーム（例えば２０ｍｓ）としたフレーム毎に、音声特徴量Ｏｔを算出する（ステップＳ２０）。
ＧＭＭ尤度計算部６０は、ＧＭＭと音声特徴量Ｏｔを照合してフレーム毎にＧＭＭ尤度を計算する（ステップＳ６０）。ＧＭＭは、音響モデルの学習データ中の全ての音素から学習した（場合によっては無音を除く）混合正規分布モデル（ＧＭＭ）である。ＧＭＭは、この例では音響モデルパラメータメモリ４０内に記録されている。
【００２８】
図５にＧＭＭと音声特徴量Ｏｔを照合してＧＭＭ尤度を求める方法を模式的に示す。図５は、ＧＭＭ尤度の分布を正規分布に近い形と仮定した場合である。横軸は音声特徴量Ｏｔであり、縦軸はＧＭＭ尤度である。
ＧＭＭ尤度の計算は、上記した式（２）で求めた出現確率の対数値として求められる。この場合、ＧＭＭは、式（２）のように混合重み係数ｃｍｓ、平均ベクトルμｍｓ、共分散行列Ｕｍｓで表現される。図５に示すように音声特徴量ｙｓやｙｏに対応するＧＭＭ尤度が計算される。
【００２９】
ＧＭＭ尤度判定部７０は、ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果を出力する（ステップＳ７０）。所定の範囲とは、例えば、図５に示すＧＭＭ尤度分布の最大値〜最小値の範囲である。その範囲は、学習した音声データに対するＧＭＭ尤度の上下限値の範囲ということになる。つまり、ＧＭＭ尤度判定部７０は、学習していない突発性雑音等の影響を受けたフレームをフィルタリングすることが出来る。
【００３０】
音声認識処理部８０は、ＧＭＭ尤度が所定の範囲内である場合（ステップＳ７０のＹ）は、音声特徴量Ｏｔに対応する音響尤度を求め（ステップＳ８０１）、その音響尤度に基づいて音声認識処理を行う（ステップＳ８０２）。ＧＭＭ尤度が所定の範囲外である場合（ステップＳ７０のＮ）は、音響尤度の代わりにＧＭＭ尤度を用いて音声認識処理を行う（ステップＳ８０３）。
以上の動作は、全てのフレームについて終了するまで繰り返される（ステップＳ９０のＮ）。この音声認識装置１００の各部の動作及び繰り返し動作の制御は、制御部９０が行う。
【００３１】
音声認識装置１００によれば、音声特徴量ＯｔとＧＭＭとから求めたＧＭＭ尤度を用いることで、その音声特徴量Ｏｔが学習済みの特徴量の集合から大きく逸脱しないかどうかを判定する。そして、突発性雑音等のように学習データの集合には含まれないような音声特徴量Ｏｔが入力された場合は、その音響尤度をＧＭＭ尤度に置換えて音声認識処理を行う。したがって、突発性雑音等が入力された場合でも音響尤度を安定化することが可能である。その結果、音声認識の誤認識の発生を抑制することが出来る。
【００３２】
なお、所定の範囲は、図５のＧＭＭ分布の下限値以下のみとしても良い。又は、上述したようにＧＭＭ尤度の分布の上限値以上及び下限値以下としても良く、そのどちらでも良い。ＧＭＭ尤度判定部７０がＧＭＭ尤度の上限値も判定する場合、上限値を超えたフレームの音響尤度もそのＧＭＭ尤度に代用される。そのＧＭＭ尤度の値は、殆どの音素を包含した分布の大きなＧＭＭから求めているので大きく変化した値にならない。よって、尤度値が不安定になることは無い。
【００３３】
なお、所定の範囲を、学習した全ての音声特徴量に対応した尤度の上下限値の範囲として説明したが、この発明はこの例に限定されない。例えば、音響モデル学習時のＧＭＭ尤度の分布を正規分布と過程して予め求めたＧＭＭ尤度の平均値μと標準偏差σに基づき、ＧＭＭ尤度計算部６０内に設けられた所定範囲設定手段６０１が、所定の範囲をμ±２σ（上限値＝μ＋２σ、下限値＝μ−２σ）と、計算して設定しても良い。このようにすることで所定の範囲を、学習したＧＭＭ尤度の値から任意の範囲に設定することが可能となる。なお、予めＧＭＭ尤度の平均値μと標準偏差σに基づいて任意の所定の範囲を設定し、その値を音響モデルパラメータメモリに記録して置いても良い。その場合、所定範囲設定手段６０１は無くても良い。
【００３４】
また、ＧＭＭ尤度判定部７０内に、上下限値設定手段７０１を備え、所定の範囲外のフレームのＧＭＭ尤度を所定の上下限値にしても良い。つまり、上下限値にＧＭＭ尤度を丸め込んでも良い。丸め込むことで尤度の範囲を更に狭めることが出来る。
図６に所定の範囲外のＧＭＭ尤度を上下限値に丸め込む動作を行う音声認識装置１００′の動作フローを示す。ＧＭＭ尤度判定過程（ステップＳ７０）以外は、音声認識装置１００と同じである。
ＧＭＭ尤度判定部７０′は、ＧＭＭ尤度が所定の範囲内か否かを判定する（ステップＳ７０１）。範囲内の場合（ステップＳ７０１のＹ）は、音声特徴量から音響尤度を求めて音声認識処理を行うステップＳ８０１以降の動作を行う。
【００３５】
ＧＭＭ尤度が所定の範囲外の場合は、ＧＭＭ尤度が下限値以下（ステップＳ７０２）であるか、上限値以上であるかを判定する（ステップＳ７０４）。上下限値設定手段７０１はその判定結果に基づいてＧＭＭ尤度を、下限値若しくは上限値に設定して音声認識処理部８０へ出力する（ステップＳ７０３，Ｓ７０５）。
なお、図６では上下限の両方を所定の上下限値に設定する例を説明したが、上下限のどちらか一方を設定するようにしても良い。
【実施例２】
【００３６】
図７にこの発明の音響モデル作成装置２００の機能構成例を示す。その動作フローを図８に示す。音響モデル作成装置２００は、特徴量分析部２０と、ＧＭＭ尤度計算部６０と音響モデルパラメータメモリ４０と、ＧＭＭ尤度判定部７０と、学習処理部９０と、学習後音響モデルメモリ９５と、制御部９６とを具備する。音響モデル作成装置２００は、例えばＲＯＭ、ＲＡＭ、ＣＰＵ等で構成されるコンピュータに所定のプログラムが読み込まれて、ＣＰＵがそのプログラムを実行することで実現されるものである。
【００３７】
音響モデル作成装置２００の特徴量分析部２０と、ＧＭＭ尤度計算部６０と、ＧＭＭ尤度判定部７０は、音声認識装置１００と同じものである。
学修処理部９０が、学習ラベルと音声特徴量とＧＭＭ尤度と判定結果を入力として、ＧＭＭ尤度が所定の範囲内のフレームについては音声特徴量と学習ラベルを対応付けて音響モデルの学習処理を行い（ステップＳ９０）。所定の範囲外のフレームについては音響モデルの統計量計算の対象外（ステップＳ７０のＮ）、異常フレームとして廃棄し、次のフレームの処理を行う（ステップＳ９８）。
【００３８】
以上の動作は、全てのフレームについて終了するまで繰り返される（ステップＳ９７のＮ）。この音響モデル作成装置２００の各部の動作及び繰り返し動作の制御は、制御部９５が行う。上記所定の範囲をＧＭＭ尤度の平均値μと標準偏差σに基づいて設定する場合には、学習によって更新されたＧＭＭ尤度の平均値μと標準偏差σは、学習後音響モデルメモリ９５に記録される。学習処理部９０において、所定の範囲も、更新された平均値μと標準偏差σに連動させて更新し、その値を学習後音響モデルメモリ９５に記録するようにしても良い。また、上記所定の範囲をＧＭＭ尤度の上下限値に基づいて設定する場合は、ＧＭＭ尤度の上下限値は、学習後音響モデルメモリ９５に記録される。学習処理部９０において、所定の範囲も、更新された上下限値に連動させて更新し、その値を学習後音響モデルメモリ９５に記録するようにしても良い。
【００３９】
音響モデル作成装置２００も、ＧＭＭ尤度計算部６０とＧＭＭ尤度判定部７０を備え、所定の範囲外のフレームは対象外として音響モデルの学習を行うので、突発性雑音等の影響を受けないで音響モデルを作成することが出来る。よって、精度の高いよりクリーンな音響モデルの作成を可能にする。
【００４０】
以上説明した音声認識装置１００によれば、殆どの音素を包含し、最も分散が広くなるＧＭＭから求めたＧＭＭ尤度を、所定範囲外のフレームの音響尤度に代用するので、突発性雑音等が入力されても音響尤度が大きく変化しない。つまり、音響尤度を安定化することが出来る。また、所定の範囲は、学習時のＧＭＭのＧＭＭ尤度に基づいて決められるので、その範囲を決定するための開発用データが不要である。
また、音響モデル作成装置２００によれば、学習時に異常フレームを除去するので、異常な分布が生成される可能性を低減することが出来る。よって、より精度の高い音響モデルの作成を可能にする。
【００４１】
この発明の方法及び装置は上述の実施形態に限定されるものではなく、この発明の趣旨を逸脱しない範囲で適宜変更が可能である。例えば、ＧＭＭは、無音データを含めて、無音データも学習対象にしても良いし、又は音声の特徴量のみを記録させ、音声区間のみを学習対象にしても良い。音声区間のみを学習対象にする場合には、音響モデルパラメータメモリ４０に、音声認識の前処理の音声区間検出等の用途でも利用される音響モデルをそのまま用いることが可能である。
【００４２】
なお、上記方法及び装置において説明した処理は、記載の順に従って時系列に実行され
るのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。
また、上記装置における処理手段をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、各装置における処理手段がコンピュータ上で実現される。
【００４３】
この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ（Random Access Memory）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ−Ｒ（Recordable）/ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto Optical disc）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。
【００４４】
また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記録装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
また、各手段は、コンピュータ上で所定のプログラムを実行させることにより構成することにしてもよいし、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。
【特許請求の範囲】
【請求項１】
入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析部と、
ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算部と、
上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果を出力するＧＭＭ尤度判定部と、
上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、上記所定の範囲外のフレームについては上記ＧＭＭ尤度を利用した音響尤度を用いて音声認識処理を行う音声認識処理部と、
を具備する音声認識装置。
【請求項２】
請求項１に記載した音声認識装置において、
上記所定の範囲は、学習した音響モデルのＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）の尤度分布範囲であることを特徴とする音声認識装置。
【請求項３】
請求項１に記載した音声認識装置において、
ＧＭＭ尤度計算部は、
上記ＧＭＭ尤度の平均値μや上記ＧＭＭ尤度の標準偏差σを入力として上記所定の範囲を設定する所定範囲設定手段と、
を備えることを特徴とする音声認識装置。
【請求項４】
特徴量分析部が、入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析過程と、
ＧＭＭ尤度計算部が、ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算過程と、
ＧＭＭ尤度判定部が、上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果を出力するＧＭＭ尤度判定過程と、
音声認識処理部が、上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、上記所定の範囲外のフレームについては上記ＧＭＭ尤度を利用した音響尤度を用いて音声認識処理を行う音声認識処理過程と、
を備える音声認識方法。
【請求項５】
入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析部と、
ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算部と、
上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果と上記ＧＭＭ尤度とを出力するＧＭＭ尤度判定部と、
学習ラベルと上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に基づく音響モデルの学習処理を行い、上記所定の範囲外のフレームについては音響モデルの統計量計算の対象外として学習後音響モデルを生成する学習処理部と、
を具備する音響モデル作成装置。
【請求項６】
請求項５に記載した音響モデル作成装置において、
上記所定の範囲は、学習した音響モデルのＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）の尤度分布範囲であることを特徴とする音響モデル作成装置。
【請求項７】
請求項５に記載した音響モデル作成装置において、
ＧＭＭ尤度計算部は、
上記ＧＭＭ尤度の平均値μや上記ＧＭＭ尤度の標準偏差σを入力として上記所定の範囲を設定する所定範囲設定手段と、
を備えることを特徴とする音響モデル作成装置。
【請求項８】
特徴量分析部が、入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析過程と、
ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算過程と、
ＧＭＭ尤度判定部が、上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果と上記ＧＭＭ尤度とを出力するＧＭＭ尤度判定過程と、
学習処理部が、学習ラベルと上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に基づく音響モデルの学習処理を行い、上記所定の範囲外のフレームについては音響モデルの統計量計算の対象外として学習後音響モデルを生成する学習処理過程と、
を備える音響モデル作成方法。
【請求項９】
請求項１乃至３の何れか、又は請求項５乃至７の何れかに記載した各装置としてコンピュータを機能させるための装置プログラム。
【請求項１０】
請求項９に記載した何れかの装置プログラムを記録したコンピュータで読み取り可能な記録媒体。
【請求項１】
入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析部と、
ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算部と、
上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果を出力するＧＭＭ尤度判定部と、
上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、上記所定の範囲外のフレームについては上記ＧＭＭ尤度を利用した音響尤度を用いて音声認識処理を行う音声認識処理部と、
を具備する音声認識装置。
【請求項２】
請求項１に記載した音声認識装置において、
上記所定の範囲は、学習した音響モデルのＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）の尤度分布範囲であることを特徴とする音声認識装置。
【請求項３】
請求項１に記載した音声認識装置において、
ＧＭＭ尤度計算部は、
上記ＧＭＭ尤度の平均値μや上記ＧＭＭ尤度の標準偏差σを入力として上記所定の範囲を設定する所定範囲設定手段と、
を備えることを特徴とする音声認識装置。
【請求項４】
特徴量分析部が、入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析過程と、
ＧＭＭ尤度計算部が、ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算過程と、
ＧＭＭ尤度判定部が、上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果を出力するＧＭＭ尤度判定過程と、
音声認識処理部が、上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に対応する音響尤度に基づいて音声認識処理を行い、上記所定の範囲外のフレームについては上記ＧＭＭ尤度を利用した音響尤度を用いて音声認識処理を行う音声認識処理過程と、
を備える音声認識方法。
【請求項５】
入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析部と、
ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算部と、
上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果と上記ＧＭＭ尤度とを出力するＧＭＭ尤度判定部と、
学習ラベルと上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に基づく音響モデルの学習処理を行い、上記所定の範囲外のフレームについては音響モデルの統計量計算の対象外として学習後音響モデルを生成する学習処理部と、
を具備する音響モデル作成装置。
【請求項６】
請求項５に記載した音響モデル作成装置において、
上記所定の範囲は、学習した音響モデルのＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）の尤度分布範囲であることを特徴とする音響モデル作成装置。
【請求項７】
請求項５に記載した音響モデル作成装置において、
ＧＭＭ尤度計算部は、
上記ＧＭＭ尤度の平均値μや上記ＧＭＭ尤度の標準偏差σを入力として上記所定の範囲を設定する所定範囲設定手段と、
を備えることを特徴とする音響モデル作成装置。
【請求項８】
特徴量分析部が、入力される音声ディジタル信号の音声特徴量をフレーム単位で分析する特徴量分析過程と、
ＧＭＭ（Gaussian Mixture Model：混合正規分布モデル）と上記音声特徴量を照合して上記フレーム毎にＧＭＭ尤度を計算するＧＭＭ尤度計算過程と、
ＧＭＭ尤度判定部が、上記ＧＭＭ尤度が所定の範囲内であるか否かを判定し、その判定結果と上記ＧＭＭ尤度とを出力するＧＭＭ尤度判定過程と、
学習処理部が、学習ラベルと上記音声特徴量と上記ＧＭＭ尤度と上記判定結果を入力として、上記所定の範囲内のフレームについては上記音声特徴量に基づく音響モデルの学習処理を行い、上記所定の範囲外のフレームについては音響モデルの統計量計算の対象外として学習後音響モデルを生成する学習処理過程と、
を備える音響モデル作成方法。
【請求項９】
請求項１乃至３の何れか、又は請求項５乃至７の何れかに記載した各装置としてコンピュータを機能させるための装置プログラム。
【請求項１０】
請求項９に記載した何れかの装置プログラムを記録したコンピュータで読み取り可能な記録媒体。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【公開番号】特開２０１０−２８６５８６（Ｐ２０１０−２８６５８６Ａ）
【公開日】平成２２年１２月２４日（２０１０．１２．２４）
【国際特許分類】
【出願番号】特願２００９−１３８９８７（Ｐ２００９−１３８９８７）
【出願日】平成２１年６月１０日（２００９．６．１０）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
【公開日】平成２２年１２月２４日（２０１０．１２．２４）
【国際特許分類】
【出願日】平成２１年６月１０日（２００９．６．１０）
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
[ Back to top ]