DE60302407T2

DE60302407T2 - Umgebungs- und sprecheradaptierte Spracherkennung

Info

Publication number: DE60302407T2
Application number: DE60302407T
Authority: DE
Inventors: Soichi Tsurugashima-shi Toyama
Original assignee: Pioneer Corp
Current assignee: Pioneer Corp
Priority date: 2002-09-18
Filing date: 2003-09-17
Publication date: 2006-07-27
Anticipated expiration: 2023-09-18
Also published as: CN1238833C; JP2004109464A; EP1400952A1; JP4109063B2; US7257532B2; DE60302407D1; CN1492394A; EP1400952B1; US20040093210A1

Description

HINTERGRUND DER ERFINDUNG
Die vorliegende Erfindung bezieht sich auf eine Spracherkennungsvorrichtung und ein Spracherkennungsverfahren für eine Anpassung an sowohl Geräusch als auch Sprecher.
Die Hauptprobleme bei der automatischen Spracherkennung bestehen in Hintergrundgeräusch, das zur zu erkennenden Sprache hinzukommt, und in einer individuellen Schwankung, die durch die Sprachorgane oder Sprechgewohnheiten eines einzelnen Sprechers verursacht wird.
Um eine tragfähige Spracherkennung zu erzielen, die es mit diesen Problemen aufnehmen kann, wurden die Spracherkennungsverfahren untersucht (siehe beispielsweise S. 553–556 IEEE ICASSP 1998 "Improved Robustness for Speech Recognition Under Noisy Conditions Using Correlated Parallel Model Combination"), die HMM-Zusammensetzungsverfahren (HMM – Hidden Markov Model) oder auch PMC-Verfahren (PMC – Parallel Model Combination) genannt werden.
Bei der Vorverarbeitungsstufe vor dem Durchführen einer echten Spracherkennung generiert das HMM-Zusammensetzungsverfahren oder das PMC-Verfahren geräuschadaptive Akustikmodelle (geräuschadaptive akustische HMMs) als geräuschadaptive zusammengesetzte Akustikmodelle durch die Zusammensetzung standardmäßiger akustischer Ausgangsmodelle (akustische Ausgangs-HMMs) und Geräuschmodelle (Sprecherumgebungsgeräusch-HMM), die aus dem Hintergrundgeräusch generiert werden.
Bei den echten Spracherkennungsstufen wird jede Wahrscheinlichkeit geräuschadaptiver Akustikmodelle, die in einer Vorverarbeitung generiert wurden, mit Merkmalsvektorreihen verglichen, die aus einer Kepstrum-Transformation der das zusätzliche Hintergrundgeräusch enthaltenden geäußerten Sprache erhalten werden, um das geräuschadaptive Akustikmodell mit der höchsten Wahrscheinlichkeit als Ergebnis der Spracherkennung auszugeben.
Verschiedentlich wurden auch Sprecheranpassungen untersucht, und es sind beispielsweise ein MAP-Schätzverfahren oder ein MLLR-Verfahren zur Erneuerung des Durchschnittsvektors und der Kovarianzmatrix eines Modells bekannt. Die EP-A-0 779 609 offenbart ein Sprachanpassungssystem, das Umgebungs- und Sprecheranpassung umfasst.
Herkömmliche Spracherkennung weist jedoch insofern ein Problem auf, als sie einen hohen Verarbeitungsaufwand zum Durchführen einer Geräuschanpassung aller akustischen Ausgangsmodelle erfordert, damit geräuschadaptive Akustikmodelle (geräuschadaptive Akustik-HMMs) erhalten werden, die sich mit den Merkmalsvektorreihen vergleichen lassen.
Der erforderliche hohe Verarbeitungsaufwand, der sich nicht mit einer hohen Verarbeitungsgeschwindigkeit vereinbaren lässt, steht einer Erhöhung der Anzahl akustischer Ausgangsmodelle im Wege. Auf diese Weise blockiert der Mangel an akustischen Ausgangsmodellen die Verbesserung einer Spracherkennungsleistung. Es sollte festgehalten werden, dass es möglich ist, die Effizienz einer Umgebungsgeräuschanpassungstechnologie zu verbessern, indem eine Gruppierungstechnik verwendet wird. Es ist jedoch schwierig, hinlänglich bekannte Sprecheranpassungstechnologien wie das MLLR-Verfahren oder das MAP-Schätzungsverfahren direkt an diese Umgebungsgeräuschtechnologie anzupassen, d.h. die Koexistenz von sowohl Geräusch- als auch Sprecheranpassungstechnologien waren ein zu lösendes Thema.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorstehende Erfindung wurde angesichts der vorstehenden herkömmlichen Probleme gemacht. Es ist deshalb eine Aufgabe der vorliegenden Erfindung, eine Spracherkennungsvorrichtung und Verfahren bereitzustellen, die in der Lage sind, einen Verarbeitungsaufwand zu reduzieren, der für die Geräusch- und Sprecheranpassung akustischer Ausgangsmodelle erforderlich ist.
Nach einem ersten Aspekt der vorliegenden Erfindung wird eine Spracherkennungsvorrichtung zur Spracherkennung durch Vergleichen zusammengesetzter Akustikmodelle bereitgestellt, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind. Die Spracherkennungsvorrichtung umfasst einen Speicherabschnitt, um vorab jedes repräsentative Akustikmodell abzuspeichern, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen. Die Spracherkennungsvorrichtung umfasst darüber hinaus einen Generierungsabschnitt, um jedes geräuschadaptive repräsentative Akustikmodell jeder Gruppe durch Geräuschadaption zu generieren, die am repräsentativen Akustikmodell jeder im Speicherabschnitt gespeicherten Gruppe durchgeführt wird, und einen Generierungsabschnitt, um jedes zusammengesetzte Akustikmodell jeder Gruppe zu generieren, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden. Zusätzlich umfasst die Spracherkennungsvorrichtung einen Erneuerungsmodellgenerierungsabschnitt, um geräusch- und sprecheradaptive Akustikmodelle zu generieren, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der Merkmalsvektorreihe durchgeführt wird, die aus der Sprachäußerung erhalten wurde, und einen Modellerneuerungsabschnitt, um die Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle zu ersetzen, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden, wobei eine Spracherkennung durchgeführt wird, indem die aus der zu erkennenden Sprachäußerung extrahierte Merkmalsvektorreihe mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, und wobei das an Geräusch und Sprecher adaptierte zusammengesetzte Akustikmodell dadurch generiert wird, dass das Erneuerungsdifferenzmodell und das geräuschadaptive repräsentative Akustikmodell zusammengesetzt werden, das durch eine Geräuschadaption des repräsentativen Akustikmodells der Gruppe generiert wurde, die das über die Gruppeninformation ausgewählte Erneuerungsdifferenzmodell enthält.
Nach einem zweiten Aspekt der vorliegenden Erfindung wird eine Spracherkennungsvorrichtung zur Spracherkennung durch Vergleichen zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind, bereitgestellt. Die Spracherkennungsvorrichtung umfasst einen Speicherabschnitt, um vorab jedes repräsentative Akustikmodell abzuspeichern, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen. Die Spracherkennungsvorrichtung umfasst darüber hinaus einen Generierungsabschnitt, um jedes geräuschadaptive repräsentative Akustikmodell jeder Gruppe durch Geräuschadaption zu generieren, die am repräsentativen Akustikmodell jeder im Speicherabschnitt gespeicherten Gruppe durchgeführt wird, und einen Generierungsabschnitt, um jedes zusammengesetzte Akustikmodell jeder Gruppe zu generieren, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden. Zusätzlich umfasst die Spracherkennungsvorrichtung einen Erkennungsverarbeitungsabschnitt, um Sprache zu erkennen, indem das zusammengesetzte Akustikmodell, das im Generierungsabschnitt für zusammengesetzte Akustikmodelle generiert wurde, mit der Merkmalsvektorreihe verglichen wird, die aus der zu erkennenden Sprachäußerung extrahiert wurde, einen Erneuerungsmodellgenerierungsabschnitt, um geräusch- und sprecheradaptive Akustikmodelle zu generieren, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der Merkmalsvektorreihe durchgeführt wird, die aus der Sprachäußerung erhalten wurde, und einen Modellerneuerungsabschnitt, um die Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle zu ersetzen, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden, wobei der Erkennungsverarbeitungsabschnitt eine Spracherkennung durchführt, indem die Merkmalsvektorreihe, die aus der zu erkennenden Sprachäußerung extrahiert wurde, mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, das dadurch generiert wurde, dass das geräuschadaptive repräsentative Akustikmodell, das durch Geräuschadaption des repräsentativen Akustikmodells jeder Gruppe generiert wurde, die das mit der Gruppeninformation ausgewählte Erneuerungsdifferenzmodell und das durch den Erneuerungsmodellgenerierungsabschnitt und den Modellerneuerungsabschnitt erneuerte Erneuerungsdifferenzmodell enthält, bei jeder Wiederholung der Spracherkennung zusammengesetzt wird.
Nach einem dritten Aspekt der vorliegenden Erfindung wird ein Spracherkennungsverfahren zur Spracherkennung durch Vergleichen eines Satzes zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind, bereitgestellt. Das Spracherkennungsverfahren umfasst den Schritt des vorab Abspeicherns in einem Speicherabschnitt jedes repräsentativen Akustikmodells, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen. Darüber hinaus umfasst das Spracherkennungsverfahren die Schritte des Generierens jedes geräuschadaptiven Akustikmodells jeder Gruppe durch Geräuschadaption, die am repräsentativen Akustikmodell jeder im Speicherabschnitt gespeicherten Gruppe durchgeführt wurde, und des Generierens jedes zusammengesetzten Akustikmodells jeder Gruppe, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden. Zusätzlich umfasst das Spracherkennungsverfahren die Schritte des Generierens von geräusch- und sprecheradaptiven Akustikmodellen, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der aus der Sprachäußerung erhaltenen Merkmalsvektorreihe durchgeführt wird, und des Ersetzens der gespeicherten Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden. Bei den zuvor erwähnten Schritten wird die Spracherkennung durchgeführt, indem die aus der zu erkennenden Sprachäußerung extrahierte Merkmalsvektorreihe mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird. Darüber hinaus wird das an Geräusch und Sprecher adaptierte zusammengesetzte Akustikmodell dadurch generiert, dass das Erneuerungsdifferenzmodell und das geräuschadaptive repräsentative Akustikmodell zusammengesetzt werden, das durch eine Geräuschadaption des repräsentativen Akustikmodells der Gruppe generiert wurde, die das über die Gruppeninformation ausgewählte Erneuerungsdifferenzmodell enthält.
Nach einem vierten Aspekt der Erfindung wird ein Spracherkennungsverfahren zur Spracherkennung durch Vergleichen eines Satzes zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, bereitgestellt. Das Spracherkennungsverfahren umfasst den Schritt des vorab Abspeicherns in einem Speicherabschnitt jedes repräsentativen Akustikmodells, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen. Darüber hinaus umfasst das Spracherkennungsverfahren die Schritte des Generierens jedes geräuschadaptiven Akustikmodells jeder Gruppe durch Geräuschadaption, die am repräsentativen Akustikmodell jeder im Speicherabschnitt gespeicherten Gruppe durchgeführt wurde, und des Generierens jedes zusammengesetzten Akustikmodells jeder Gruppe, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden. Zusätzlich umfasst das Spracherkennungsverfahren die Schritte des Spracherkennens durch Vergleichen der zusammengesetzten Akustikmodelle, die im Generierungsschritt für zusammengesetzte Akustikmodelle generiert wurden, mit der Merkmalsvektorreihe, die aus der zu erkennenden Sprachäußerung extrahiert wurde, des Generierens von geräusch- und sprecheradaptiven Akustikmodellen, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der aus der Sprachäußerung erhaltenen Merkmalsvektorreihe durchgeführt wird, und des Ersetzens der gespeicherten Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden. Bei den zuvor erwähnten Schritten führt der Erkennungsverarbeitungsschritt eine Spracherkennung durch, indem die Merkmalsvektorreihe, die aus der zu erkennenden Sprachäußerung extrahiert wurde, mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, das dadurch generiert wurde, dass das geräuschadaptive repräsentative Akustikmodell, das durch Geräuschadaption des repräsentativen Akustikmodells jeder Gruppe generiert wurde, die das mit der Gruppeninformation ausgewählte Erneuerungsdifferenzmodell und das durch den Erneuerungsmodellgenerierungsabschnitt und den Modellerneuerungsabschnitt erneuerte Erneuerungsdifferenzmodell enthält, bei jeder Wiederholung der Spracherkennung zusammengesetzt wird.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Diese und weitere Aufgaben und Vorteile der vorliegenden Erfindung gehen klar aus der folgenden Beschreibung mit Bezug auf die beigefügten Zeichnungen hervor:
1 ist ein Blockschema zum Veranschaulichen eines Aufbaus einer Spracherkennungsvorrichtung nach einer ersten Ausführungsform der vorliegenden Erfindung;
2 ist eine erläuternde Ansicht zum Veranschaulichen eines Generierungsprinzips für repräsentative Akustik- und Differenzmodelle;
3 ist eine erläuternde Ansicht zum Veranschaulichen eines Verhältnisses zwischen repräsentativen Akustikmodellen, Differenzmodellen und akustischen Ausgangsmodellen;
4 ist eine erläuternde Ansicht zum Veranschaulichen eines Generierungsprinzips für geräuschadaptive zusammengesetzte Akustikmodelle;
5 ist eine erläuternde Ansicht zum Veranschaulichen eines Generierungsprinzips für geräusch- und sprecheradaptive Akustikmodelle zur Anpassung an sowohl Geräusch als auch Sprecher, und eines Generierungsprinzips für ein Erneuerungsdifferenzmodell;
6 ist ein Ablaufdiagramm zum Veranschaulichen der Schritte, bevor ein Differenzmodell durch ein Erneuerungsdifferenzmodell erneuert wird;
7 ist ein Ablaufdiagramm zum Veranschaulichen eines Verhaltens in der Spracherkennung;
8 ist ein Blockschema zum Veranschaulichen eines Aufbaus einer Spracherkennungsvorrichtung nach der zweiten Ausführungsform der vorliegenden Erfindung; und
9 ist ein Ablaufdiagramm zum Veranschaulichen eines Verhaltens der Spracherkennungsvorrichtung nach der zweiten Ausführungsform der vorliegenden Erfindung.
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Die bevorzugten Ausführungsformen der vorliegenden Erfindung werden mit Bezug auf die beigefügten Zeichnungen beschrieben.
(Erste Ausführungsform)
Die erste Ausführungsform der vorliegenden Erfindung wird mit Bezug auf die 1 bis 7 beschrieben. 1 ist ein Blockschema, das einen Aufbau einer Spracherkennungsvorrichtung der vorliegenden Ausführungsform zeigt.
Wie in 1 gezeigt ist, weist die Spracherkennungsvorrichtung einen Aufbau zum Erkennen von Sprache unter Verwendung von HMM auf und umfasst einen Speicherabschnitt 1, der vorab Akustikmodelldaten oder dergleichen abspeichert, einen Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle, einen Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle, einen Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle, einen Erneuerungsmodellgenerierungsabschnitt 5, einen Modellerneuerungsabschnitt 6 und einen Erkennungsverarbeitungsabschnitt 7.
Darüber hinaus setzt die Spracherkennungsvorrichtung einen Schalter 10 und einen Sprachanalyseabschnitt 9 ein, der die Merkmalvektorreihe V(n) im Kepstrumbereich bei jeder vorbestimmten Rahmendauer unter Verwendung einer Kepstrum-Transformation eines Eingangsmodells v(t) aus einem Mikrofon 8 generiert und ausgibt.
Der Speicherabschnitt 1 speichert vorab viele Akustikmodelle von Teilworteinheiten wie Phonemen, die generiert werden, indem eine Standardsprachäußerung lernmäßig erfasst wird.
Es ist festzuhalten, dass nicht eine große Anzahl akustischer Ausgangsmodelle (die nur durch lernmäßiges Erfassen einer Standardsprachäußerung erhalten werden) in der Urform gespeichert wird, sondern dass repräsentative Akustikmodelle (C) und Differenzmodelle (D), die durch Gruppieren oder Bündeln jeder Verteilung (mit Durchschnittsvektor und Kovarianzmatrix) der großen Anzahl von akustischen Ausgangsmodellen in einer Speichereinheit 1a für repräsentative Akustikmodelle bzw. einer Differenzmodellspeichereinheit 1b gespeichert werden. Ausführlichere Beschreibungen erfolgen nachstehend.
Die große Anzahl akustischer Ausgangsmodelle wird durch das wie vorstehend erwähnte Gruppierungsverfahren in Gruppen G₁ ~ G_x aufgeteilt. Dann werden davon, unter der Annahme, dass beispielsweise die erste (x = 1) Gruppe G₁q₁ Teile der akustischen Ausgangsmodelle S_1,1 ~ S_1,q1 als Glieder aufweist, ein repräsentatives Akustikmodell C₁ und q₁ Teile von Differenzmodellen d_1,1 ~ d_1,q1 davon abgeleitet.
Weist die zweite (x = 2) Gruppe G₂ q₂ Teile der akustischen Ausgangsmodelle S_2,1 ~ S_2,q2 als Glieder auf, wird ein repräsentatives Akustikmodell C₂ und q₂ Teile von Differenzmodellen d_2,1 ~ d_2,q2 davon abgeleitet. Genauso werden, wenn die letzte (x = X) Gruppe G_xq_X Teile von akustischen Ausgangsmodellen S_X,1 ~ S_X,qx aufweist, ein repräsentatives Akustikmodell C_X und q_X Teile von Differenzmodellen d_X,1 ~ d_X,qx davon abgeleitet.
Wie in 1 gezeigt ist, wird jedes repräsentative Akustikmodell C₁ ~ C_X, das zu jeder Gruppe G₁ ~ G_X gehört, in der Speichereinheit 1a für repräsentative Akustikmodelle abgespeichert, indem sie gruppiert werden, und jedes Differenzmodell wie d_1,1 ~ d_1,q1, d_2,1 ~ d_2,q2 und d_X,1 ~ d_X,qx die jedem repräsentativen Akustikmodell entsprechen, wird in der Differenzmodellspeichereinheit 1b unter jeder Gruppe abgespeichert.
Darüber hinaus werden in 1 q₁ Teile der Differenzmodelle d_1,1 ~ d_1,q1, die dem repräsentativen Akustikmodell C₁ der Gruppe G₁ entsprechen, mit einem Code D₁ bezeichnet, und q₂ Teile der Differenzmodelle d_2,1 ~ d_2,q2, die dem repräsentativen Akustikmodell C₂ der Gruppe G₂ entsprechen, werden mit einem Code D₂ bezeichnet. Genauso werden q_X Teile der Differenzmodelle d_X,1 ~ d_X,qx, die dem repräsentativen Akustikmodell C_X der Gruppe G_X entsprechen, mit einem Code D_X bezeichnet.
Darüber hinaus wird Gruppeninformation zum Beeinflussen des entsprechenden Verhältnisses zwischen den repräsentativen Akustikmodellen C₁ ~ C_X und den Differenzmodellen D₁ ~ D_X in einer Gruppeninformationsspeichereinheit 1c abgespeichert.
2 ist ein Schema zur Veranschaulichung eines Generierungsprinzips für jedes repräsentative Akustikmodell C₁ ~ C_X, das jeder Gruppe G₁ ~ G_X entspricht, und jedes Differenzmodell D₁ ~ D_X, das jedem repräsentativen Akustikmodell C₁ ~ C_X entspricht. Das Generierungsprinzip wird nachstehend mit Bezug auf 2 erläutert.
Zuerst generiert das Gruppieren oder Bündeln einer großer Anzahl akustischer Ausgangsmodelle (akustische Ausgangs-HMMs) mit einer Verteilung S jede Gruppe, die einander ähnliche akustische Ausgangsmodelle enthält, und überdies wird die zuvor erwähnte Gruppeninformation bereitgestellt.
Gruppierungsverfahren wie das LBG- oder Splitverfahren können als Gruppierungsverfahren verwendet werden. Die Gruppierung erfolgt auf Grundlage der Ähnlichkeit der Durchschnittsvektoren jeder Verteilung von akustischen Ausgangsmodellen.
Die Gruppierung kann unter Verwendung von Vorabinformation wie der Ähnlichkeit von Phonemen erfolgen, die jedem Modell entsprechen. Beispielsweise können ein Vokalmodell und ein Konsonantenmodell zwei Gruppen bilden.
Die Gruppierung akustischer Ausgangsmodelle kann auch dadurch erfolgen, dass das erst- und letztgenannte Verfahren zusammen verwendet werden. Diese Gruppierung ermöglich die wie in 2 schematisch gezeigte Gruppierung.
Beispielsweise im Falle, dass ein Akustikmodell zur x-ten Gruppe G_X gehört, ist das erste mit S_X,1 bezeichnete Akustikmodell eine Verteilung, deren Durchschnittsvektor μS_X,1 und deren Kovarianzmatrix σd_X,1(= σS_X,1) ist, und auch das zweite, mit S_X,2 bezeichnete Akustikmodell ist eine Verteilung, deren Durchschnittsvektor μS_X,2 und deren Kovarianzmatrix σd_X,2(= σS_X,2) ist. Genauso ist das mit S_X,qx bezeichnete q_x-te Akustikmodell eine Verteilung, deren Durchschnittsvektor μS_X,qx und deren Kovarianzmatrix σd_X,gx(= σS_X,qx) ist.
Ein Akustikmodell, das zu den anderen Gruppen wie G₁, G₂ usw. gehört, ist auch eine Verteilung mit einem Durchschnittsvektor und einer Kovarianzmatrix.
Ein Verfahren zum Erhalten jedes repräsentativen Akustikmodells C₁ ~ C_X jeder Gruppe G₁ ~ G_X wird nun erläutert. Der einfacheren Erklärung halber wird nachstehend ein Fall zum Erhalten eines repräsentativen Akustikmodells C_X der x-ten Gruppe G_X erläutert.
Wie in 2 gezeigt ist, ist ein repräsentatives Akustikmodell C_X eine Verteilung mit einem Durchschnittsvektor μC_X, der aus dem Ausgangspunkt Q und einer Verteilung einer Kovarianzmatrix σC_X hervorgeht (in 1 durch eine Ellipse angegeben), die dem Durchschnittsvektor μC_X entspricht.
Unter der Annahme, dass ein repräsentatives Akustikmodell C_X mit C_X(μC_X, σC_X) bezeichnet ist, kann der Durchschnittsvektor μC_X wie folgt erhalten werden:
Die Kovarianzmatrix σC_X kann auch wie folgt erhalten werden:
In den vorstehenden Ausdrücken (1), (2) bezeichnet die Variable X die X-te Gruppe G_X, die Variable y bezeichnet jedes Akustikmodell S_X,y(1 ≤ y ≤ q_X), das zur Gruppe G_X gehört, und die Variable q_X bezeichnet die Gesamtanzahl der Akustikmodelle S_X,y, die zur Gruppe G_X gehören.
Repräsentative Akustikmodelle der anderen Gruppen G₁, G₂ usw. können auch aus den vorstehenden Ausdrücken (1) und (2) erhalten werden.
Als Nächstes kann jedes Differenzmodell D₁ ~ D_X, das zu jeder Gruppe G₁ ~ G_X gehört, durch den nächsten Ausdruck (3) berechnet werden.
Wie das Differenzmodell D_X (d.h. d_X,1, d_X2 ~ d_X,qX) erhalten werden kann, das der in 2 gezeigten X-ten Gruppe G_X entspricht, wird der Zweckmäßigkeit halber erläutert.
Der Durchschnittsvektor μd_X,y kann erhalten werden aus μdX,y = μSX,y – μCX (3)
Die Kovarianzmatrix σd_X,y kann bestimmt werden durch σdX,y = σSX,y. (4)
In den vorstehenden Ausdrücken (3) und (4) bezeichnet die Variable X die X-te Gruppe G_X, die Variable y bezeichnet jedes Akustikmodell S_X,y(1 ≤ y ≤ q_X), das zur Gruppe G_X gehört, und die Variable q_X bezeichnet die Gesamtanzahl der Akustikmodelle S_X,y, die zur Gruppe G_X gehören.
Aus dem Durchschnittsvektor μd_X,y und der Kovarianzmatrix σd_X,y, die durch die vorstehenden Gleichungen (3) und (4) bestimmt werden, setzt sich das Differenzmodell d_X,y zusammen.
Im Spezielleren handelt es sich beim Differenzmodell d_X,1 um die Verteilung mit dem Durchschnittsvektor μd_X,1 und der Kovarianzmatrix σd_X,1, und beim Differenzmodell d_X,2 um die Verteilung mit dem Durchschnittsvektor μd_X,2 und der Kovarianzmatrix σd_X,2. Genauso handelt es sich beim Differenzmodell d_X,y(y = q_X) um die Verteilung mit dem Durchschnittsvektor μd_X,y und der Kovarianzmatrix σd_X,y, und somit kann die Gesamtanzahl q_X der Differenzmodelle d_X,1 ~ d_X,y bestimmt werden.
Das repräsentative Akustikmodell C₁ ~ C_X und das Differenzmodell D₁(d_1,1 ~ d_1,q1) ~ D_X(d_X,1 ~ d_X,qX) werden vorab mit der Entsprechung zu jeder Gruppe in der Speichereinheit 1a für repräsentative Akustikmodelle bzw. der Differenzmodellspeichereinheit 1b abgespeichert.
Wie in 3 in einem allgemeineren Ausdruck gezeigt ist, kann das akustische Ausgangsmodell S_X,y, das dem Differenzmodell d_X,y entspricht, dadurch bestimmt werden, dass das y-te Differenzmodell d_X,y, das zur X-ten Gruppe G_X gehört, und das repräsentative Akustikmodell C_X, das zur gleichen Gruppe gehört wie dasjenige des Differenzmodells d_X,y, zusammengesetzt werden. Auf Grundlage dieses Verhältnisses werden das repräsentative Akustikmodell C_X(1 ≤ x ≤ X) und das Differenzmodell D_X(1 ≤ x ≤ X), die jeder Gruppe G_X(1 ≤ x ≤ X) entsprechen, in den Speichereinheiten 1a bzw. 1b abgespeichert, und werden entsprechend jeder Gruppe auf Grundlage der abgespeicherten Gruppeninformation behandelt.
In der vorliegenden Ausführungsform erfolgt die Verarbeitung der zuvor erwähnten Zusammensetzung durch den folgenden Ausdruck (5), (6): μdX,y + μCX = μSX,y (5) σdX,y = σSX,y. (6)
Das heißt, der Durchschnittsvektor wird durch Addition erhalten und die Kovarianz nur durch Ersetzen.
Der einfacheren Beschreibung halber wird jede Verteilung S_X,y akustischer Ausgangsmodelle gekennzeichnet, indem die y-te Verteilung einer Gruppe G_X nummeriert wird. In Wirklichkeit jedoch wird die Verteilung eines akustischen Ausgangsmodells mit einem HMM in Übereinstimmung gebracht, und jede Verteilung des Differenzmodells wird auch mit jedem abzuspeichernden HMM in Ubereinstimmung gebracht.
Gruppeninformation B, die das Verhältnis zwischen jeder Verteilung des akustischen Ausgangsmodells enthält, das zu jedem HMM gehört, und die Gruppe, zu der die Verteilung gehört, wird in einer Gruppeninformationsspeichereinheit 1c abgespeichert.
Beispielsweise wird die Verteilung des akustischen Ausgangsmodells mit der HMM-Zahl i, der Statuszahl j und der Mischungszahl k mit S^m _i,j,k, und jedes Differenzmodell, das der vorstehenden Verteilung entspricht, mit d^m _i,j,k bezeichnet. Darüber hinaus wird die Gruppierung, zu der die Verteilung des akustischen Ausgangsmodells S^m _i,j,k und jedes Differenzmodell d^m _i,j,k gehören, mit β bezeichnet, und dann wird die Gruppeninformation B^m _i,j,k, die die Gruppe angibt, zu der die Verteilung S^m _i,j,k gehört, bezeichnet mit Bm i,j,k = β (7)
Auf diese Weise kann das entsprechende Verhältnis zwischen den akustischen Ausgangsmodellen, den Differenzmodellen und der Gruppe, zu der diese Modelle gehören, durch die Gruppeninformation B^m erhalten werden.
Ein Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle verwendet das Jacobi-Anpassungsverfahren als geräuschadaptives Verfahren. Das repräsentative Akustikmodell C jeder Gruppe wird durch ein unter Verwendung der HMM-Zusammensetzung zusammengesetztes akustisches Ausgangsmodell erneuert und abgespeichert, das sich aus dem vorab gebildeten Ausgangsgeräuschmodell (mit N_S bezeichnet) und dem repräsentativen Akustikmodell jeder Gruppe zusammensetzt.
Die Jacobi-Matrix J jeder Gruppe, die sich aus dem Ausgangsgeräuschmodell N_S und dem erneuerten repräsentativen Akustikmodell C bestimmt, und das Ausgangsgeräuschmodell N_S werden jeweils abgespeichert und dem Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle zugeführt.
Ein Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle generiert Sprachäußerungsumgebungsgeräuschmodelle (Sprachäußerungsumgebungsgeräusch-Hmms) N auf Grundlage des Hintergrundgeräuschs der Sprachumgebung während eines Zeitraums ohne Sprachäußerung.
Während des sprachäußerungsfreien Zeitraums, in dem sich ein Sprecher noch nicht äußert, wird das Hintergrundgeräusch in der Sprachumgebung durch ein Mikrofon 8 aufgenommen. Der Sprachanalyseabschnitt 9 generiert aus dem aufgenommenen Signal V(t) Merkmalsvektorreihen V(n) des Hintergrundgeräuschs mit jeder vorbestimmten Rahmendauer. Die Merkmalsvektorreihen V(n) werden als Hintergrundgeräuschmerkmalsvektorreihen N(n)' an den Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle angelegt, indem der Schalter 10 umschaltet. Dann generiert der Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle das Sprachäußerungsumgebungsgeräuschmodell N, indem die Merkmalsvektorreihen N(n)' lernmäßig erfasst werden.
Der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle generiert geräuschadaptive repräsentative Akustikmodelle (geräuschadaptive repräsentative Akustik-HMMs) C₁ ^N ~ C_X ^N, die jeder Gruppe G₁ ~ G_X entsprechen, indem eine Geräuschanpassung der repräsentativen Akustikmodelle C₁ ~ C_X an die Sprachäußerungsgeräuschmodelle N eingesetzt wird, und speist sie dann in den Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle ein.
Das Verfahren zur Geräuschanpassung setzt ein sogenanntes Geräuschanpassungsverfahren ein, um unter Verwendung der HMM-Zusammensetzung, des Jacobi-Anpassungsverfahrens o. dgl. das Sprachäußerungsumgebungsgeräuschmodell über die Verteilung des repräsentativen Akustikmodells zu legen.
Die HMM-Zusammensetzung berechnet das geräuschadaptive repräsentative Akustikmodell C_X ^N jeder Gruppe unter Verwendung von Sprachäußerungsumgebungsgeräuschmodellen N und dem repräsentativen Akustikmodell C_X jeder Gruppe.
Das Jacobi-Anpassungsverfahren berechnet das geräuschadaptive repräsentative Akustikmodell C_X ^N unter Verwendung des repräsentativen Akustikmodells C_X jeder Gruppe, das durch das zusammengesetzte Ausgangsmodell, das Ausgangsgeräusch N_S, das Sprachäußerungsumgebungsgeräuschmodell N und die Jacobi-Matrix J jeder Gruppe erneuert wird.
Die Geräuschanpassung des repräsentativen Akustikmodells C_X jeder Gruppe G_X wird nachstehend allgemeiner beschrieben. Wenn davon ausgegangen wird, dass das Hintergrundgeräusch stationär und das Geräuschmodell N ein Modell mit einem Zustand und 1 Mischungszahl ist, wird ein repräsentatives Akustikmodell C_X unter Verwendung einer Geräuschanpassungsverarbeitung wie dem HMM-Zusammensetzungsschema oder des Jacobi-Anpassungsverfahrens so angepasst, dass es zum geräuschadaptiven repräsentativen Akustikmodell C_X ^N wird. Der Durchschnittsvektor und die Kovarianzmatrix des repräsentativen Modells werden zu μC_X ^N bzw. σC_X ^N transformiert.
Soll das Geräuschmodell N ein Modell mit mindestens 2 Zuständen und mindestens 2 Mischungszahlen sein, entspricht das repräsentative Akustikmodell C_X mindestens zwei geräuschadaptiven Verteilungen, d.h., das repräsentative Akustikmodell C_X entspricht C_X,1 ^N, C_X,2 ^N usw.
Der Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle generiert mehrere zusammengesetzte Akustikmodelle (zusammengesetzte Akustik-HMMs) M durch das Zusammensetzen jedes in der Differenzmodellspeichereinheit 1b abgespeicherten Differenzmodells (in 1 mit D bezeichnet) und jedes geräuschadaptiven repräsentativen Akustikmodells (in 1 mit C^N bezeichnet) im Hinblick auf jede Gruppe G₁ ~ G_X.
Allgemeiner beschrieben generiert der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle geräuschadaptive repräsentative Akustikmodelle C_X ^N(1 ≤ x ≤ X), die jeder Gruppe G_X(1 ≤ x ≤ X) entsprechen, dann generiert der Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle q_X Teile von zusammengesetzten Akustikmodellen M_X,1 ~ M_X,y, die äquvalent zur Geräuschanpassung von akustischen Ausgangsmodellen S_X,1 ~ S_X,y sind, indem jedes Differenzmodell d_X,1 ~ d_X,y(y = q_X) und jedes geräuschadaptive repräsentative Akustikmodell C_X ^N(1 ≤ x ≤ X) zusammengesetzt wird.
4 ist eine Schemazeichnung, die den Aufbau eines Satzes von Akustikmodellen M veranschaulicht, die wie vorstehend beschrieben generiert wurden. Als repräsentatives Beispiel sind der Aufbau der zusammengesetzten Akustikmodelle M_1,1 ~ M_1,y, die aus dem repräsentativen Akustikmodell C_X generiert wurden, und die zur Gruppe G_X gehörenden Differenzmodelle d_1,1 ~ d_1,y(y = q_X) gezeigt.
In 4 ist die zuvor erwähnte Zusammensetzung des besseren Verständnisses halber ohne die Auswirkung der Kovarianzmatrix dargestellt.
Der Durchschnittsvektor und die Kovarianz eines Satzes von zusammengesetzten Akustikmodellen M_X,y sind mit μM_X,y bzw. σM_X,y bezeichnet. Im Falle der Zusammensetzung des geräuschadaptiven repräsentativen Akustikmodells und des Differenzmodells werden, wenn die durch die Geräuschanpassung verursachte Veränderung bei der Varianz der repräsentativen Akustikmodelle nicht berücksichtigt wird, der Durchschnittsvektor μM_X,y und die Kovarianzmatrix σM_X,y des Satzes zusammengesetzter Akustikmodelle M_X,y durch die folgenden Ausdrücke berechnet: = μdX,y + μCX N, (8) σMX,y = σdX,y.
Wird andererseits die durch die Geräuschanpassung verursachte Veränderung bei der Varianz der repräsentativen Akustikmodelle berücksichtigt, werden der Durchschnittsvektor μM_X,y und die Kovarianzmatrix σM_X,y durch die folgenden Ausdrücke berechnet: μMX,y = μdX,y + σCX N^(1/2)σCX^(–1/2)μCX N, (10) σMX,y = σCX NσCX^(–1)σdX,y. (11)
Da der einflussreichste Faktor bei einer Spracherkennungsdurchführung der Durchschnittsvektor μM_X,y der Verteilung ist, werden der Durchschnittsvektor μM_X,y und die Kovarianzmatrix σM_X,y des zusammengesetzten Akustikmodells σM_X,y durch den Ausdruck (8) bzw. (9) bestimmt, wovon keiner die durch die Geräuschanpassung bedingte Veränderung in der Kovarianzmatrix des repräsentativen Akustikmodells enthält. In der vorliegenden Ausführungsform werden der Durchschnittsvektor μM_X,y und die Kovarianzmatrix σM_X,y des Satzes zusammengesetzter Akustikmodelle μM_X,y durch die vorstehenden Ausdrücke (8), (9) berechnet, wodurch sich ein Rechenverarbeitungsaufwand reduziert, um eine geräuschadaptive Leistung zu erfassen.
Der Satz der Differenzmodelle D₁(d_1,1 ~ d_1,q1), D₂(d_2,1 ~ d_2,q2) ... D_X(d_X,1 ~ d_X,qX), die in der Differenzmodellspeichereinheit 1b abgespeichert sind, wird durch Erneuerungsdifferenzmodelle erneuert, die unter Verwendung des Erneuerungsmodellgenerierungsabschnitts 5 und des Modellerneuerungsabschnitts 6 generiert werden. Die ausführlichen Beschreibungen erfolgen nachstehend.
Wie in 1 gezeigt ist, ist das Differenzmodell vor der Erneuerung mit D und nach der Erneuerung mit D'' bezeichnet. Das zusammengesetzte Akustikmodell setzt sich aus dem noch nicht erneuerten Differenzmodell D zusammen, und das geräuschadaptive repräsentative Akustikmodell C^N wird mit M bezeichnet, und das sich aus dem erneuerten Differenzmodell D'' und dem geräuschadaptiven repräsentativen Akustikmodell C^N zusammensetzende wird mit M'' bezeichnet.
Der Erneuerungsmodellgenerierungsabschnitt 5 generiert ein geräusch- und sprecheradaptives Akustikmodell (geräusch- und sprecheradaptives Akustik-HMM) R durch Sprecheranpassung des zusammengesetzten Akustikmodells M an die Merkmalsvektorreihe V(n) unter Verwendung von Sprecheranpassungsverfahren wie dem MLLR- oder MAP-Verfahren.
Die Sprecheranpassung der vorliegenden Ausführungsform nutzt die Sprecheräußerung von Textsätzen o. dgl., die sich zur Sprecheranpassung eignen.
Jede Merkmalsvektorreihe jeder vorbestimmten Rahmendauer mit Eigenschaften der Sprachäußerung, die vom Sprachanalyseabschnitt 9 ausgegeben wird, der die Sprache während der Äußerungsdauer durch das Mikrofon 8 analysiert, wird durch das Umlegen des Schalters 10, wie in 1 durch eine unterbrochene Linie gezeigt ist, in den Erneuerungsmodellgenerierungsabschnitt 5 eingespeist. Das im Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle generierte zusammengesetzte Akustikmodell M wird in 1 über den anderen Weg einer unterbrochenen Linie an den Erneuerungsmodellgenerierungsabschnitt 5 angelegt. Dann generiert der Erneuerungsmodellgenerierungsabschnitt 5 ein geräusch- und sprecheradaptives Akustikmodell R durch die Sprecheranpassung des zusammengesetzten Akustikmodells M an die Merkmalsvektorreihe V(n).
5 ist eine Schemazeichnung zum Veranschaulichen eines Generierungsprinzips für das geräusch- und sprecheradaptive Akustikmodell R, das sowohl an Geräusch als auch Sprecher angepasst ist. Als typisches Beispiel ist die Generierung des geräusch- und sprecheradaptiven Akustikmodels R_X,1 ~ R_X,y aus dem zusammengesetzten Akustikmodell M_X,1 ~ M_X,y gezeigt, das sich auf Grundlage der Gleichungen (8) und (9) aus dem repräsentativen Akustikmodell C_X der Gruppe G_X und dem Differenzmodell D_X(d_X,1 ~ d_X,y) zusammensetzt. Der einfachen Erläuterungen halber ist die Kovarianzmatrix nicht dargestellt.
Das geräusch- und sprecheradaptive Akustikmodell R_X,1 mit einer Verteilung mit einem Durchschnittsvektor μR_X,1 und einer Kovarianzmatrix σR_X,1 (in dieser Figur weggelassen) wird generiert, indem die Berechnung der Ausdrücke (8) und (9) verwendet wird. Auf dieselbe Weise wird das geräusch- und sprecheradaptive Akustikmodell R_X,y mit einer Verteilung mit einem Durchschnittsvektor μR_X,y und einer Kovarianzmatrix σR_X,y (nicht gezeigt) generiert.
Darüber hinaus werden die anderen der geräusch- und sprecheradaptiven Akustikmodelle, die den Gruppen G₁, G₂ usw. entsprechen, unter Verwendung der Ausdrücke (8) und (9) generiert, und alle geräusch- und sprecheradaptiven Akustikmodelle R werden dem Modellerneuerungsabschnitt 6 zur Verfügung gestellt.
Der Modellerneuerungsabschnitt 6 generiert das sprecheradaptierte Erneuerungsdifferenzmodel D'', indem das geräusch- und sprecheradaptive Akustikmodell, das im Erneuerungsmodellgenerierungsabschnitt 5 generiert wurde, das geräuschadaptive repräsentative Akustikmodell C^N, das im Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle generiert wurde, und das in der Differenzmodellspeichereinheit 1b gespeicherte noch nicht erneuerte Differenzmodell D verwendet wird, um das noch nicht erneuerte Differenzmodell D mit dem Differenzmodell D'' zu erneuern.
Das Generierungsprinzip für das Erneuerungsdifferenzmodell D_X'', das durch das geräusch- und sprecheradaptive Akustikmodell R_X der Gruppe G_X, das geräuschadaptive repräsentative Akustikmodell C_X ^N und das noch nicht erneuerte Differenzmodell D_X bestimmt wird, wird nun erklärt. Jeder Durchschnittsvektor μd_X,1'' ~ μd_X,y'' und die Kovarianzmatrizes σd_X,1'' ~ σd_X,y'' des Erneuerungsdifferenzmodells D_X''(d_X,1'' ~ d_X,y'') können durch die folgenden Ausdrücke bestimmt werden: μdX,y'' = αX,y(μRX,y – σCX N^(1/2)σCX^(–1/2)μCX N) + (1 – αX,y)μdX,y (12) σdX,y'' = αX,y·(σCX N·σCX^(–1)σRX,y) + (1 – αX,y)σdX,y. (13)
Die vorstehenden Ausdrücke (12), (13) zeigen das Verfahren der Geräuschanpassung der Kovarianzmatrizes. Wird die Geräuschanpassung der Kovarianzmatrizes nicht durchgeführt, lassen sich der Durchschnittsvektor und die Kovarianzmatrizes durch die folgenden Ausdrücke bestimmen: μdX,y'' = αX,y·(μRX,y. – μCX N) + (1 – αX,y)μdX,y (14) σdX,y'' = αX,y·σRX,y + (1 – αX,y)σdX,y (15)
Wird darüber hinaus auch keine Sprecheranpassung durchgeführt, lassen sich der Durchschnittsvektor und die Kovarianzmatrizes durch die folgenden Ausdrücke bestimmen: μdX,y'' = αX,y·(μRX,y – μCX N) + (1 – αX,y)μdX,y (16) σdX,y'' = σdX,y. (17)
Im Falle der Sprecheranpassung ist die Anpassungswirkung auf den Durchschnittsvektor groß, auf die Kovarianzmatrix aber gering. Dies ermöglicht den Einsatz der vorstehenden Ausdrücke (16), (17), die auf den Fall anzuwenden sind, bei dem keine Sprecheranpassung der Kovarianzmatrix durchgeführt wird, um jeden Durchschnittsvektor μd_X,1'' ~ μd_X,y'' und die Kovarianzmatrizes σd_X,1'' ~ σd_X,y'' des Erneuerungsdifferenzmodells d_X,1'' ~ d_X,y'' zu bestimmen, wodurch Arbeitsaufwand reduziert und die Wirkung der Sprecheranpassung erreicht wird. Somit bestimmt die vorliegenden Ausführungsform das Erneuerungsdifferenzmodell d_X,1'' ~ d_X,y'' auf Grundlage der vorstehenden Ausdrücke (16) und (17).
Zusätzlich ist in den Ausdrücken (16), (17) der Koeffizient α_X,y ein gewichteter Koeffizient, um das Erneuerungsdifferenzmodell d_X,y einzustellen, das aus dem geräusch- und sprecheradaptiven Akustikmodell R_X,y und dem zusammengesetzten Akustikmodell M_X,y erhalten wurde, und sein Bereich beläuft sich auf 0,0 ≤ α_X,y ≤ 1,0.
Bei dem gewichteten Koeffizienten α_X,y kann es sich um einen vorbestimmten Wert im vorstehend erwähnten Bereich handeln, oder er kann bei jedem Anpassungsprozess verändert werden, wie der gewichtete Koeffizient des MAP-Schätzverfahrens.
Das Erneuerungsdifferenzmodell d_X,1'' der Gruppe G_X wird als Verteilung mit dem Durchschnittsvektor μd_X,1'' erhalten, der durch die Vektorsumme des Vektors α_X,y·(μR_X,y – μC_X ^N) des ersten Terms auf der rechten Seite des Ausdrucks (16) und des Vektors (1 – α_X,y)μd_X,y des zweiten Terms und die durch den Ausdruck (17) bestimmte Kovarianzmatrix σd_X,1 bestimmt wird, wie in 5 gezeigt ist. Die anderen Erneuerungsdifferenzmodelle können auf dieselbe Weise bestimmt werden.
Der Modellerneuerungsabschnitt 6 bestimmt die Erneuerungsdifferenzmodelle D₁'' ~ D_X'', die jeder Gruppe G₁ ~ G_X entsprechen, um die noch nicht erneuerten Differenzmodelle D₁ ~ D_X durch die Erneuerungsdifferenzmodelle D₁'' ~ D_X'' zu erneuern.
Nach der Erneuerung der Differenzmodellspeichereinheit 1b durch das Erneuerungsdifferenzmodells D'' erkennt der Erkennungsverarbeitungsabschnitt 7 eine Sprachäußerung eines Sprechers ab dem Beginn der Erkennung echter Sprache.
Wenn nach dem Beginn der Spracherkennungsverarbeitung noch keine Sprachäußerung stattgefunden hat, generiert der Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle das zusammengesetzte, sowohl an Geräusch als auch Sprecher angepasste Akustikmodell M'', das allen Gruppen G₁ ~ G_X entspricht, indem das geräuschadaptive repräsentative Akustikmodell C^N, das im Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle generiert wurde, und das Erneuerungsdifferenzmodell D'' zusammengesetzt werden.
Als Nächstes generiert der Sprachanalyseabschnitt 9 während der Dauer einer Sprachäußerung die Merkmalsvektorreihe V(n) der Hintergrundgeräusch enthaltenden Sprachäußerung, um durch Umlegen des Schalters 10 die Merkmalsvektorreihe V(n) dem Erkennungsverarbeitungsabschnitt 7 zur Verfügung zu stellen.
Der Erkennungsverarbeitungsabschnitt 7 vergleicht die Merkmalsvektorreihe V(n) mit der Wort- oder Satzmodellreihe, die aus dem zusammengesetzten Akustikmodell M'' generiert wurde, um das Modell des zusammengesetzten Akustikmodells M'' mit der größten Wahrscheinlichkeit als Erkennungsergebnis auszugeben.
Die Verhaltensweisen der Spracherkennungsvorrichtung werden nachstehend mit Bezug auf die Ablaufdiagramme der 6 und 7 erläutert.
6 zeigt das Verhalten zum Erneuern des Differenzmodells D durch das Erneuerungsdifferenzmodell D'', das vor den Schritten der Spracherkennung durchgeführt wird. 7 zeigt das Verhalten, um Sprache unter Verwendung des Erneuerungsdifferenzmodells D'' zu erkennen.
Wie in 6 gezeigt ist, generiert im Schritt S100, wenn die Erneuerungsverarbeitung beginnt, der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle das geräuschadaptive repräsentative Akustikmodell C^N, indem das repräsentative Akustikmodell C an Geräusch angepasst wird.
Konkreter ausgedrückt stellt der Sprachanalyseabschnitt 9 die Merkmalsvektorreihe N(n)' des Hintergrundgeräuschs während eines äußerungsfreien Zeitraums dem Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle bereit, in dem die Sprachäußerungsumgebungsgeräuschmodelle N durch lernmäßiges Erfassen der Merkmalsvektorreihe N(n)' generiert werden.
Dann generiert der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle das geräuschadaptive repräsentative Akustikmodell C^N, indem die Geräuschanpassung des repräsentativen Akustikmodells C auf das Sprachäußerungsumgebungsgeräuschmodell N angewendet wird.
Beim nächsten Schritt S102 generiert der Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle das zusammengesetzte Akustikmodell M, indem das geräuschadaptive repräsentative Akustikmodell C^N und das noch nicht erneuerte Differenzmodell D zusammengesetzt werden.
Somit wird im Schritt S102 das zusammengesetzte Akustikmodell M nur an Geräusch aber noch nicht an den Sprecher angepasst.
Im Schritt S104 führt der Erneuerungsmodellgenerierungsabschnitt 5 die Anpassung des zusammengesetzten Akustikmodells M an die Sprachäußerung eines Sprechers durch.
Und zwar stellt, während ein Sprecher Textsätze o. dgl. äußert, der Sprachanalyseabschnitt 9 durch Umlegen des Schalters 10 dem Erneuerungsmodellgenerierungsabschnitt 5 die Merkmalsvektorreihe V(n) der Sprachäußerung bereit. Dann generiert der Erneuerungsmodellgenerierungsabschnitt 5 das geräusch- und sprecheradaptive Akustikmodell R durch die Sprecheranpassung des zusammengesetzten Akustikmodells M an die Merkmalsvektorreihe V(n).
Somit wird im Schritt S104, wie in 5 gezeigt, das geräusch- und sprecheradaptive Akustikmodell R generiert, das sowohl an Geräusch als auch den Sprecher angepasst ist.
Im nächsten Schritt S106 generiert der Modellerneuerungsabschnitt 6 das an Geräusch und Sprecher angepasste Erneuerungsdifferenzmodell D'', indem das geräusch- und sprecheradaptive Akustikmodell R, das geräuschadaptive repräsentative Akustikmodell C^N und das noch nicht erneuerte Differenzmodell D verwendet werden.
Im nächsten Schritt S108 erneuert der Modellerneuerungsabschnitt 6 das Differenzmodell D (vor der Erneuerung) im Differenzmodellspeicherabschnitt 1b mit dem Erneuerungsdifferenzmodell D'', so dass die Erneuerungsverarbeitung abgeschlossen ist.
Wie vorstehend erwähnt, verwendet die Ausführungsform der vorliegenden Erfindung keine einzelne Geräusch- und Sprecheranpassung des akustischen Ausgangsmodells, sondern wendet lediglich die Geräuschanpassung des repräsentativen Akustikmodells C an, um das geräuschadaptive repräsentative Akustikmodell C^N zu generieren. Dann werden die zusammengesetzten Akustikmodelle M, die durch die Zusammensetzung der geräuschadaptiven repräsentativen Akustikmodelle C^N und der Differenzmodelle D generiert werden, in der Sprecheranpassung verwendet, so dass der Verarbeitungsaufwand zum Anpassen an Geräusch und Sprecher merklich reduziert werden kann.
Bei der Erneuerungsverarbeitung wird das Erneuerungsdifferenzmodell D'', nachdem es an Geräusch und Sprecher angepasst wurde, generiert, um in der Differenzmodellspeichereinheit 1b als Ersatz für das alte Differenzmodell abgespeichert zu werden. Dies bewirkt auch eine merkliche Reduktion des Verarbeitungsaufwands für die wie nachstehend beschriebene Spracherkennung, so dass eine schnelle Spracherkennung möglich wird.
Als Nächstes wird das Verhalten zum Erkennen von Sprache mit Bezug auf 7 erläutert.
In der Spracherkennungsvorrichtung läuft die Spracherkennungsverarbeitung an, wenn ein Befehl eines Sprechers eingeht. Im Schritt von Fig. S200 von 7 generiert der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle das geräuschadaptive repräsentative Akustikmodell C^N durch die Geräuschanpassung des repräsentativen Akustikmodells C.
Konkreter ausgedrückt generiert der Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle während eines äußerungsfreien Zeitraums (in dem der Sprecher noch nichts sagt) das Sprachäußerungsumgebungsgeräuschmodell N, indem die Merkmalsvektorreihe N(n)' des Hintergrundgeräuschs vom Sprachanalyseabschnitt 9 lernmäßig erfasst wird. Dann generiert der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle das geräuschadaptive repräsentative Akustikmodell C^N, indem das repräsentative Akustikmodell C an das Sprachäußerungsumgebungsgeräuschmodell N angepasst wird.
Im Schritt S202 generiert der Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle das zusammengesetzte, an Geräusch und Sprecher angepasste Akustikmodell M'', indem das geräuschadaptive repräsentative Akustikmodell C^N und das Erneuerungsdifferenzmodell D'' zusammengesetzt werden.
Dann vergleicht im Schritt S204 der Erkennungsverarbeitungsabschnitt 7 die Merkmalsvektorreihe V(n) der Sprachäußerung mit dem Wort- oder Satzmodell, das aus dem zusammengesetzten Akustikmodell M'' generiert wurde, um die Sprachäußerung zu erkennen.
Das heißt, wenn der Sprecher beginnt, Sprache zu äußern, ist der Schalter 10 mit dem Erkennungsverarbeitungsabschnitt 7 verbunden, und die Merkmalsvektorreihe V(n) der Hintergrundgeräusch enthaltenden Sprachäußerung, die aus dem Sprachanalyseabschnitt 9 ausgegeben wird, wird dem Erkennungsverarbeitungsabschnitt 7 zur Verfügung gestellt. Dann vergleicht der Erkennungsverarbeitungsabschnitt 7 die Merkmalsvektorreihe V(n) mit der Wort- oder Satzmodellreihe, die aus dem zusammengesetzten Akustikmodell M'' generiert wurde. Als Nächstes wird das Modell des zusammengesetzten Akustikmodells M'' mit der Höchstwahrscheinlichkeit, das dem Wort oder Satz entspricht, im Schritt S206 als Spracherkennungsergebnis ausgegeben.
Wie vorstehend erwähnt, setzt die Ausführungsform der vorliegenden Erfindung keine einzelne Geräusch- und Sprecheranpassung der sogenannten akustischen Ausgangsmodelle ein, sondern generiert die zusammengesetzten, an Geräusch und Sprecher angepassten Akustikmodelle M'', indem die geräuschadaptiven repräsentativen Akustikmodelle C^N und die Erneuerungsdifferenzmodelle D'' zusammengesetzt werden. Im Ergebnis kann der Verarbeitungsaufwand zur Anpassung an Geräusch und Sprecher extrem reduziert werden.
Bei einer herkömmlichen Spracherkennung geht eine Sprecheranpassung mit einer Anpassung an das Sprachäußerungsumgebungsgeräusch einher, und somit bringt es ein nur an den Sprecher zu adaptierendes Akustikmodell unweigerlich mit sich, dass auch eine Anpassung an Umgebungsgeräusch stattfindet. Das heißt, ein Akustikmodell, das sowohl die Sprecher- als auch Geräuschanpassung insgesamt umfasst, wird mit einer Merkmalsvektorreihe V(n) geäußerter Sprache verglichen. Im Ergebnis wird eine Verbesserung einer Spracherkennungsrate behindert.
In der vorliegenden Ausführungsform generiert das sprecheradaptierte Akustikmodell das Erneuerungsdifferenzmodell D''. Da das zusammengesetzte Akustikmodell M'', das damit verglichen werden soll, aus dem Erneuerungsdifferenzmodell D'' generiert wird, kann die Auswirkung der Geräuschanpassung gesenkt werden. Somit lässt sich der synergetische Effekt der Geräusch- und Sprecheranpassung erlangen, um eine höhere Spracherkennungsrate zu erzielen.
(Zweite Ausführungsform)
Die zweite Ausführungsform der vorliegenden Erfindung wird nachstehend mit Bezug auf die 8 und 9 erläutert. 8 ist eine Zeichnung zur Veranschaulichung des Aufbaus der Spracherkennungsvorrichtung der vorliegenden Ausführungsform. 8 weist im Hinblick auf die Teile mit derselben Funktion dieselben Bezugszahlen und -zeichen auf wie 1.
Der Unterschied zwischen der Spracherkennungsvorrichtung der zweiten Ausführungsform und derjenigen der ersten Ausführungsform ist wie folgt. In der Spracherkennungsvorrichtung der ersten Ausführungsform findet die Spracherkennung nach der Generierung des an Geräusch und Sprecher angepassten Erneuerungsdifferenzmodells D'' statt, wie mit Bezug auf die Ablaufdiagramme der 6 und 7 erläutert wurde. Hingegen führt die Spracherkennungsvorrichtung der vorliegenden Erfindung die Spracherkennung und die Generierung des Erneuerungsdifferenzmodells D'' gleichzeitig durch die Erneuerungsverarbeitung des Erneuerungsmodellgenerierungsabschnitts 5 und des Modellerneuerungsabschnitts 6 durch.
Das Verhalten der Spracherkennungsvorrichtung wird mit Bezug auf das Ablaufdiagramm von 9 erläutert.
Wie in 9 gezeigt ist, generiert der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle zuerst im Schritt S300, wenn die Spracherkennungsverarbeitung beginnt, das geräuschadaptive repräsentative Akustikmodell C^N, indem das repräsentative Akustikmodell C an Geräusch angepasst wird.
Das heißt, der Sprachanalyseabschnitt 9 stellt die Merkmalsvektorreihe N(n)' des Hintergrundgeräuschs während eines äußerungsfreien Zeitraums dem Generierungsabschnitt 2 für Sprachäußerungsumgebungsgeräuschmodelle bereit, in dem die Sprachäußerungsumgebungsgeräuschmodelle N generiert werden, indem die Merkmalsvektorreihe N(n)' lernmäßig erfasst wird.
Dann generiert der Generierungsabschnitt 3 für geräuschadaptive repräsentative Akustikmodelle das geräuschadaptive repräsentative Akustikmodell C^N, indem die Geräuschanpassung des repräsentativen Akustikmodells C auf das Sprachäußerungsumgebungsgeräuschmodell N angewendet wird.
Im nächsten Schritt S302 generiert der Generierungsabschnitt 4 für zusammengesetzte Akustikmodelle das zusammengesetzte Akustikmodell M, indem das geräuschadaptive repräsentative Akustikmodell C^N und das noch nicht erneuerte Differenzmodell D zusammengesetzt werden.
Dann vergleicht im Schritt S304 der Erkennungsverarbeitungsabschnitt 7 die Merkmalsvektorreihe V(n) der Sprachäußerung mit dem Wort- oder Satzmodell, das aus dem zusammengesetzten Akustikmodell generiert wurde, um die Sprachäußerung zu erkennen.
Das heißt, wenn der Sprecher beginnt, Sprache zu äußern, ist der Schalter 10 mit dem Erkennungsverarbeitungsabschnitt 7 verbunden, und die Merkmalsvektorreihe V(n) der Sprachäußerung, die im Sprachanalyseabschnitt 9 generiert wurde, wird dem Erkennungsverarbeitungsabschnitt 7 zur Verfügung gestellt. Der Erkennungsverarbeitungsabschnitt 7 vergleicht die Merkmalsvektorreihe V(n) mit der Modellreihe, wie einem Wort oder Satz, die aus dem zusammengesetzten Akustikmodell M'' generiert wurde, um das Modell des zusammengesetzten Akustikmodells M'' mit der Höchstwahrscheinlichkeit als Spracherkennungsergebnis RCG auszugeben.
Im Schritt S306 werden auch die Wahrscheinlichkeitswerte der höherrangigeren Kandidaten als Erkennungsergebnis ausgegeben, wodurch, indem sie mit einem vorbestimmten Standardwert verglichen werden, die Zuverlässigkeit des Erkennungsergebnisses bestimmt wird.
Im nächsten Schritt S308 wird bestimmt, ob das Erkennungsergebnis richtig oder falsch ist. Ist es richtig, geht der Verarbeitungsschritt zum Schritt S310 über, ist es falsch, springt der Verarbeitungsschritt zum Ende. Es wurden etliche Verfahren zum Bestimmen der Erkennungsergebniszuverlässigkeit entwickelt, deren Erläuterung hier aber unterbleibt.
In den Schritten S310 und S312 führt der Erneuerungsmodellgenerierungsabschnitt 5 die Sprecheranpassung unter Verwendung des zusammengesetzten Akustikmodells M, der Sprachäußerungsmerkmalsvektorreihe V(n) und des Erkennungsergebnisses RCG durch. Dann generiert der Modellerneuerungsabschnitt 6 das Erneuerungsdifferenzmodell D'' und erneuert das noch nicht erneuerte Differenzmodell D.
Das heißt, im Schritt S310 bestimmt der Erneuerungsmodellgenerierungsabschnitt 5 die Erkennungsmodellreihe unter Verwendung der Erkennungsergebnisse RCG, um die Sprecheranpassung des zusammengesetzten Akustikmodells M unter Verwendung der Merkmalsvektorreihe V(n) durchzuführen.
Wenn beispielsweise ein Sprecher "Tokio" sagt, und das Erkennungsergebnis des Wortes "Tokio" aus dem Erkennungsverarbeitungsabschnitt 7 ausgegeben wird, führt der Erneuerungsmodellabschnitt 5 die Sprecheranpassung des zusammengesetzten Akustikmodells M des Wortes "Tokio" unter Verwendung der Merkmalsvektorreihe V(n) des geäußerten Worts "Tokio" durch, so dass das geräusch- und sprecheradaptive Akustikmodell R, das an Geräusch und Sprecher angepasst ist, generiert werden kann.
Darüber hinaus generiert der Modellerneuerungsabschnitt D'' entsprechend dem Erkennungsergebnis RCG unter Verwendung des geräusch- und sprecheradaptiven Akustikmodells R das geräuschadaptive repräsentative Akustikmodell C^N und das noch nicht erneuerte Differenzmodell D.
Im Schritt S312 ersetzt der Modellerneuerungsabschnitt 6 das Differenzmodell (vor der Erneuerung) D, das dem Erkennungsergebnis RCG entspricht, durch das Erneuerungsdifferenzmodell D''.
Ist das Erkennungsergebnis RCG das wie zuvor erwähnte Wort "Tokio", wird das noch nicht erneuerte Differenzmodell D des Wortes "Tokio" durch das Erneuerungsdifferenzmodell D'' erneuert.
Die wie vorstehend beschriebene Spracherkennungsvorrichtung der vorliegenden Ausführungsform führt die Spracherkennung unter Verwendung des repräsentativen Akustikmodells C und des Differenzmodells D durch, die vorab in der Speichereinheit 1a für repräsentative Akustikmodelle bzw. der Differenzmodellspeichereinheit 1b abgespeichert wurden, und kann gleichzeitig das an Geräusch und Sprecher angepasste Erneuerungsdifferenzmodell D'' generieren.
Das noch nicht erneuerte Differenzmodell D wird durch das sprecheradaptive Erneuerungsdifferenzmodell stufenweise mit immer mehr Genauigkeit erneuert, wenn die Spracherkennungsanzahl zunimmt. Somit wird das zusammengesetzte Akustikmodell M, das im Schritt S302 von 9 generiert wurde, nach und nach mit der Anpassung an Geräusch und Sprecher zum zusammengesetzten Akustikmodell.
Die ausgezeichnete Wirkung zur Verbesserung der Erkennungsrate wird mit zunehmender Anzahl der Benutzung dieser Spracherkennungsvorrichtung erzielt, weil der Erkennungsverarbeitungsabschnitt 7 die Spracherkennung durchführt, indem das zusammengesetzte sprecherangepasste Akustikmodell M'' mit der Merkmalsvektorreihe V(n) aus der Sprachäußerung verglichen wird.
In der ersten und zweiten Ausführungsform der vorliegenden Erfindung kann die Gruppeninformation jedes Mal erneuert werden, wenn das Differenzmodell D durch das Erneuerungsdifferenzmodell D'' erneuert wird.
Das heißt, in der ersten Ausführungsform können nach dem Abschluss der Verarbeitung im Schritt S108 von 6 sowohl die Gruppeninformation als auch das Erneuerungsdifferenzmodell erneuert werden, um das Akustikmodell auf Grundlage der Ähnlichkeit zwischen dem zusammengesetzten Model S'', das sich aus dem repräsentativen Akustikmodell C und dem Erneuerungsdifferenzmodell D'' zusammensetzt, und dem repräsentativen Akustikmodell C, zu der Gruppe gehören zu lassen, zu der das ähnlichste Akustikmodell gehört.
Das Erneuerungsdifferenzmodell d_X,y'' wird wie zuvor erwähnt in der Form d^m _i,j,k'' für die HMM-Zahl i, die Statuszahl j und die Mischungszahl k abgespeichert.
Die Gruppierung, zu der d^m _i,j,k'' gehört, wird wie zuvor erwähnt als Gruppeninformation B^m _i,j,k abgespeichert. Es sei zum Beispiel angenommen, dass die Gruppierung, zu der d^m _i,j,k'' gehört, β ist, d.h. B^m _i,j,k = β ist, dann ist das repräsentative Akustikmodell der Gruppierung, zu der d^m _i,j,k'' gehört, C_β. Deshalb wird das zusammengesetzte Modell S^m _i,j,k'' aus der Zusammensetzung von d^m _i,j,k'' und C_β erhalten.
Es sei angenommen, dass das ähnlichste repräsentative Akustikmodell als Ergebnis des Vergleichs auf Grundlage der Ähnlichkeit zwischen S^m _i,j,k'' und allen repräsentativen Akustikmodellen nicht C_β, sondern C_γ ist. In diesem Fall wird das Erneuerungsdifferenzmodell durch d^m _i,j,k'' = S^m _i,j,k'' – C_γ ersetzt.
Die Gruppierungsinformation wird auch durch B^m _i,j,k = γ ersetzt.
Die erneuerte Differenz- und Gruppeninformation wird in der Speichereinheit 1c abgespeichert.
Durch das Gruppieren oder Bündeln des zusammengesetzten Modells S'' können auch die Gruppeninformation B, das repräsentative Akustikmodell C und das Erneuerungsdifferenzmodell D'' erneuert werden. Allerdings benötigt der Gruppierungsvorgang gewaltige Rechenvorgänge und ist nicht effizient.
Im Falle der Verwendung der Jacobi-Anpassung als geräuschadaptives Verfahren benötigt die Erneuerung des repräsentativen Akustikmodells C noch gewaltigere Rechenvorgänge, um die zusammengesetzten Ausgangsmodelle herzustellen.
Es ist wirkungsvoll, nur das Differenzmodell und die Gruppeninformation zu erneuern, um die vorstehend erwähnte Wirkung durch einen geringen Rechenaufwand zu erzielen.
In der zweiten Ausführungsform können nach dem Abschluss der Verarbeitung im Schritt S310 von 9 sowohl die Gruppeninformation als auch das Erneuerungsdifferenzmodell erneuert werden, um das Akustikmodell auf Grundlage der Ähnlichkeit zwischen dem zusammengesetzten Model S'', das sich aus dem repräsentativen Akustikmodell C und dem Erneuerungsdifferenzmodell D'' zusammensetzt, und dem repräsentativen Akustikmodell C, zu der Gruppe gehören zu lassen, zu der das ähnlichste Akustikmodell gehört.
Das Erneuerungsdifferenzmodell d_X,y'' wird wie zuvor erwähnt in der Form d^m _i,j,k'' für die HMM-Zahl i, die Statuszahl j und die Mischungszahl k abgespeichert.
Die Gruppierung, zu der d^m _i,j,k'' gehört, wird wie zuvor erwähnt als Gruppeninformation B^m _i,j,k abgespeichert. Es sei zum Beispiel angenommen, dass die Gruppierung, zu der d^m _i,j,k'' gehört, β ist, d.h. B^m _i,j,k = β ist, dann ist das repräsentative Akustikmodell der Gruppierung, zu der d^m _i,j,k'' gehört, C_β. Deshalb wird das zusammengesetzte Modell S^m _i,j,k'' aus der Zusammensetzung von d^m _i,j,k'' und C_β erhalten.
Es sei angenommen, dass das ähnlichste repräsentative Akustikmodell als Ergebnis des Vergleichs auf Grundlage der Ähnlichkeit zwischen S^m _i,j,k'' und allen repräsentativen Akustikmodellen nicht C_β, sondern C_γ ist. In diesem Fall wird das Erneuerungsdifferenzmodell durch d^m _i,j,k'' = S^m _i,j,k'' – C_γ ersetzt.
Die Gruppierungsinformation wird auch durch B^m _i,j,k = γ ersetzt.
Die erneuerte Differenz- und Gruppeninformation wird in der Speichereinheit 1c abgespeichert.
Durch das Gruppieren oder Bündeln des zusammengesetzten Modells S'' können auch die Gruppeninformation B, das repräsentative Akustikmodell C und das Erneuerungsdifferenzmodell D'' erneuert werden. Allerdings benötigt der Bündelungsvorgang gewaltige Rechenvorgänge und ist nicht effizient.
Im Falle der Verwendung der Jacobi-Anpassung als geräuschadaptives Verfahren benötigt die Erneuerung des repräsentativen Akustikmodells C noch gewaltigere Rechenvorgänge, um die zusammengesetzten Ausgangsmodelle herzustellen.
Es ist wirkungsvoll, nur das Differenzmodell und die Gruppeninformation zu erneuern, um die vorstehend erwähnte Wirkung durch einen geringen Rechenaufwand zu erzielen.
Wie vorstehend erwähnt, ermöglichen die erste und zweite Ausführungsform, dass die Spracherkennungsrate zusätzlich zur Senkung des Verarbeitungsaufwands zur Erkennung verbessert werden kann.
Anders ausgedrückt generieren die Spracherkennungsvorrichtung und das Spracherkennungsverfahren der ersten Ausführungsform die Erneuerungsdifferenzmodelle, die in der Speichereinheit 1 abzuspeichern sind, bevor die Spracherkennung unter Verwendung des Erneuerungsdifferenzmodells durchgeführt wird. Das heißt, eine große Anzahl von Akustikmodellen wird auf Grundlage der Ähnlichkeit in Gruppen oder Gruppierungen aufgeteilt, um die Gruppeninformation, das repräsentative Akustikmodell und das Differenzmodell jeder Gruppe oder Gruppierung zu erhalten. Diese Modelle oder Daten werden für jede gleiche Gruppe im Speicherabschnitt 1 abgespeichert.
Vor der Verarbeitung der echten Spracherkennung werden die Erneuerungsdifferenzmodelle generiert, bei denen die Anpassung an Geräusch und Sprecher erfolgt, um die bereits im Speicherabschnitt 1 abgespeicherten Differenzmodelle zu erneuern.
Wenn das Differenzmodell im Speicherabschnitt 1 durch das Erneuerungsdifferenzmodell ersetzt wird, wird zuerst das geräuschadaptive repräsentative Akustikmodell jeder gleichen Gruppe generiert, indem die Geräuschanpassung an die repräsentativen Akustikmodelle jeder gleichen Gruppe durchgeführt wird, die im Speicherabschnitt 1 abgespeichert ist.
Als Nächstes wird jedes der an Geräusch angepassten zusammengesetzten Akustikmodelle dadurch generiert, dass jedes geräuschadaptive repräsentative Akustikmodell und jedes Differenzmodell der gleichen Gruppe zusammengesetzt wird.
Darüber hinaus wird das geräusch- und sprecheradaptive Akustikmodell durch Sprecheranpassung des geräuschadaptiven zusammengesetzten Akustikmodells an die Merkmalsvektorreihe aus der Sprachäußerung generiert.
Dann wird das im Speicherabschnitt 1 abgespeicherte Differenzmodell durch das Erneuerungsdifferenzmodelle ersetzt, das aus der Differenz zwischen dem geräusch- und sprecheradaptiven Akustikmodell und dem geräuschadaptiven repräsentativen Akustikmodell generiert wird.
Wenn in der ersten Ausführungsform während eines äußerungsfreien Zeitraums die Spracherkennung durchgeführt wird, generiert zuerst die Anpassung des repräsentativen Akustikmodells an Umgebungsgeräusch das geräuschadaptive repräsentative Akustikmodell. Dann wird das an Geräusch und Sprecher angepasste zusammengesetzte Akustikmodell generiert, indem das geräuschadaptive repräsentative Akustikmodell und das erneuerte Erneuerungsdifferenzmodell zusammengesetzt werden. Schließlich erfolgt die Spracherkennung, indem das zusammengesetzte, an Geräusch und Sprecher angepasste Akustikmodell mit der aus der Sprachäußerung extrahierten Merkmalsvektorreihe verglichen wird.
Wie vorstehend erwähnt, verwendet die vorliegenden Ausführungsform das repräsentative Akustikmodell, das Differenzmodell und das Erneuerungsdifferenzmodell, das durch Anpassen des Differenzmodells an Geräusch und Sprecher generiert wurde. Dann wird das zusammengesetzte Akustikmodell, das zum Vergleich mit der im Spracherkennungsbetrieb aus der Sprachäußerung extrahierten Merkmalsvektorreihe benötigt wird, generiert, indem das geräuschadaptive repräsentative Akustikmodell und das Erneuerungsdifferenzmodell zusammengesetzt werden. Dies ermöglicht es, dass die Generierung des zusammengesetzten Akustikmodells mit geringerem Verarbeitungsaufwand durchgeführt werden kann.
Konkreter ausgedrückt wird nicht eine Geräusch- und Sprecheranpassungsverarbeitung für alle Modelle aus einer großen Anzahl von Akustikmodellen, die zur Spracherkennung nötig sind, durchgeführt, sondern nur für das repräsentative Akustikmodell jeder Gruppe und sein Differenzmodell. Das zusammengesetzte Akustikmodell, das mit der aus der Sprachäußerung extrahierten Merkmalsvektorreihe abgeglichen werden soll, kann dadurch generiert werden, dass das repräsentative Akustikmodell und das Differenzmodell einhergehend mit der Geräusch- und Sprecheranpassung zusammengesetzt werden, wodurch eine gewaltige Abnahme bei der Verarbeitungsmenge realisiert wird.
Die erste Ausführungsform lässt sich wie folgt abwandeln. Nach der Generierung des geräusch- und sprecheradaptiven Modells kann die Gruppe, zu der das geräusch- und sprecheradaptiven Modell gehört, auf Grundlage der Ähnlichkeit zum geräuschadaptiven repräsentativen Akustikmodell gewechselt werden. Die Gruppeninformation kann auch so erneuert werden, dass sie dem Wechsel der Gruppe entspricht, und das Erneuerungsdifferenzmodell kann durch den Unterschied zwischen dem geräusch- und sprecheradaptiven Modell und dem geräuschadaptiven repräsentativen Akustikmodell der gewechselten Gruppe generiert werden. In diesem Falle erfolgt die Spracherkennung, indem das zusammengesetzte Akustikmodell verwendet wird, das durch die Zusammensetzung des erneuerten Differenzmodells und des geräuschadaptiven repräsentativen Akustikmodells generiert wurde, das durch die Geräuschanpassung des mit der erneuerten Gruppeninformation ausgewählten repräsentativen Akustikmodells generiert wurde. Diese Erneuerungen sowohl der Gruppeninformation als auch des Differenzmodells ermöglichen es, dass die Spracherkennungsrate verbessert werden kann.
Nach der Spracherkennungsvorrichtung und dem Spracherkennungsverfahren der zweiten Ausführungsform wird eine große Anzahl von Akustikmodellen auf Grundlage der Ähnlichkeit in Gruppen oder Gruppierungen aufgeteilt, um die Gruppeninformation, das repräsentative Akustikmodell und das Differenzmodell jeder Gruppe oder Gruppierung zu erhalten. Diese Modelle werden entsprechend der gleichen Gruppe im Speicherabschnitt 1 abgespeichert. Die vorliegende Ausführungsform generiert das an Geräusch und Sprecher angepasste Erneuerungsdifferenzmodell bei jeder Spracherkennung während der Spracherkennungsverarbeitung und ersetzt das Differenzmodell im Speicherabschnitt 1 durch das Erneuerungsdifferenzmodell.
Die Spracherkennung erfolgt dadurch, dass die aus der Sprachäußerung extrahierte Merkmalsvektorreihe mit dem zusammengesetzten Akustikmodell verglichen wird, das generiert wird, indem das geräuschadaptive repräsentative Akustikmodell und das Erneuerungsdifferenzmodell zusammengesetzt werden, wodurch der Effekt der Sprecheranpassung durch das Erneuern des abgespeicherten Differenzmodells mit dem Erneuerungsdifferenzmodell bei jeder Wiederholung der Spracherkennung verbessert wird.
Wenn das Differenzmodell im Speicherabschnitt 1 durch das Erneuerungsdifferenzmodell ersetzt wird, wird zuerst jedes der geräuschadaptiven repräsentativen Akustikmodelle durch Geräuschanpassung jedes der repräsentativen Akustikmodelle generiert, die im Speicherabschnitt 1 abgespeichert sind.
Als Nächstes wird das an Geräusch angepasste zusammengesetzte Akustikmodell generiert, indem das geräuschadaptive repräsentative Akustikmodell und das Differenzmodell jeder Gruppe zusammengesetzt werden.
Darüber hinaus wird das geräusch- und sprecheradaptive Akustikmodell generiert, indem die Sprecheranpassung an das geräuschadaptive zusammengesetzte Akustikmodell mit der aus der Sprachäußerung extrahierten Merkmalsvektorreihe durchgeführt wird.
Dann wird das Differenzmodell im Speicherabschnitt 1 durch das Erneuerungsdifferenzmodell ersetzt, das aus der Differenz zwischen dem geräusch- und sprecheradaptiven Akustikmodell und dem geräuschadaptiven repräsentativen Akustikmodell generiert wird.
Das alte Erneuerungsdifferenzmodell, das im Speicherabschnitt 1 abgespeichert ist, wird bei jeder Wiederholung der Spracherkennung durch das neueste Erneuerungsdifferenzmodell ersetzt.
Bei der Spracherkennung generiert während eines äußerungsfreien Zeitraums die Anpassung des repräsentativen Akustikmodells an Umgebungsgeräusch das geräuschadaptive repräsentative Akustikmodell. Dann wird das an Geräusch und Sprecher angepasste zusammengesetzte Akustikmodell generiert, indem das geräuschadaptive repräsentative Akustikmodell und das erneuerte Erneuerungsdifferenzmodell zusammengesetzt werden. Schließlich erfolgt die Spracherkennung, indem das zusammengesetzte, an Geräusch und Sprecher angepasste Akustikmodell mit der aus der Sprachäußerung extrahierten Merkmalsvektorreihe verglichen wird.
Wie vorstehend erwähnt verwendet die vorliegenden Ausführungsform das repräsentative Akustikmodell, das Differenzmodell und das Erneuerungsdifferenzmodell, das durch Anpassen des Differenzmodells an Geräusch und Sprecher generiert wird. Dann wird das zusammengesetzte Akustikmodell generiert, das bei der Spracherkennungsbetrieb benötigt wird, indem das geräuschadaptive repräsentative Akustikmodell und das Erneuerungsdifferenzmodell, wie bei jeder Spracherkennung durchgeführt wird, zusammengesetzt werden. Dies ermöglicht es, dass die Generierung des zusammengesetzten Akustikmodells mit geringerem Verarbeitungsaufwand durchgeführt werden kann.
Die zweite Ausführungsform lässt sich auch wie folgt abwandeln. Nach der Generierung des geräusch- und sprecheradaptiven Modells kann die Gruppe, zu der das geräusch- und sprecheradaptiven Modell gehört, auf Grundlage der Ähnlichkeit zum geräuschadaptiven repräsentativen Akustikmodell gewechselt werden. Die Gruppeninformation kann auch so erneuert werden, dass sie dem Wechsel der Gruppe entspricht, und das Erneuerungsdifferenzmodell kann durch den Unterschied zwischen dem geräusch- und sprecheradaptiven Modell und dem geräuschadaptiven repräsentativen Akustikmodell der gewechselten Gruppe generiert werden. In diesem Falle erfolgt die Spracherkennung, indem das zusammengesetzte Akustikmodell verwendet wird, das durch die Zusammensetzung der erneuerten Differenzmodells und des geräuschadaptiven repräsentativen Akustikmodells generiert wurde, das durch die Geräuschanpassung des mit der erneuerten Gruppeninformation ausgewählten repräsentativen Akustikmodells generiert wurde. Diese Erneuerungen sowohl der Gruppeninformation als auch des Differenzmodells ermöglichen es, dass die Spracherkennungsrate verbessert werden kann.
Nach der ersten und zweiten Ausführungsform wird eine merkliche Abnahme beim Verarbeitungsaufwand zum Generieren des zusammengesetzten Akustikmodells wie auch eine Verbesserung bei der Verarbeitungsgeschwindigkeit und der Erkennungsrate erzielt, weil das geräusch- und sprecheradaptive zusammengesetzte Akustikmodell, das mit der Merkmalsvektorreihe der Sprachäußerung verglichen werden soll, durch die Zusammensetzung des geräuschadaptiven repräsentativen Akustikmodells und des Erneuerungsdifferenzmodells generiert wird, bei der die Sprecheranpassung an das Differenzmodell unter Verwendung des geräuschadaptiven repräsentativen Akustikmodells, des Differenzmodells und der Sprachäußerung erfolgt.
BEZUGZEICHENLISTE

Claims

Spracherkennungsvorrichtung zur Spracherkennung durch Vergleichen zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind, umfassend: einen Speicherabschnitt (1), um vorab jedes repräsentative Akustikmodell abzuspeichern; das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen, einen Generierungsabschnitt (3), um jedes geräuschadaptive repräsentative Akustikmodell jeder Gruppe durch Geräuschadaption zu generieren, die am repräsentativen Akustikmodell jeder im Speicherabschnitt (1) gespeicherten Gruppe durchgeführt wird; einen Generierungsabschnitt (4), um jedes zusammengesetzte Akustikmodell jeder Gruppe zu generieren, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden; einen Erneuerungsmodellgenerierungsabschnitt (5), um geräusch- und sprecheradaptive Akustikmodelle zu generieren, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der Merkmalsvektorreihe durchgeführt wird, die aus der Sprachäußerung erhalten wurde; und einen Modellerneuerungsabschnitt (6), um die Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle zu ersetzen, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden; wobei eine Spracherkennung durchgeführt wird, indem die aus der zu erkennenden Sprachäußerung extrahierte Merkmalsvektorreihe mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, und wobei das an Geräusch und Sprecher adaptierte zusammengesetzte Akustikmodell dadurch generiert wird, dass das Erneuerungsdifferenzmodell und das geräuschadaptive repräsentative Akustikmodell zusammengesetzt werden, das durch eine Geräuschadaption des repräsentativen Akustikmodells der Gruppe generiert wurde, die das über die Gruppeninformation ausgewählte Erneuerungsdifferenzmodell enthält.
Spracherkennungsvorrichtung zur Spracherkennung durch Vergleichen zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind, umfassend: einen Speicherabschnitt (1), um vorab jedes repräsentative Akustikmodell abzuspeichern, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen, einen Generierungsabschnitt (3), um jedes geräuschadaptive repräsentative Akustikmodell jeder Gruppe durch Geräuschadaption zu generieren, die am repräsentativen Akustikmodell jeder im Speicherabschnitt (1) gespeicherten Gruppe durchgeführt wird; einen Generierungsabschnitt (4), um jedes zusammengesetzte Akustikmodell jeder Gruppe zu generieren, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden; einen Erkennungsverarbeitungsabschnitt (7), um Sprache zu erkennen, indem das zusammengesetzte Akustikmodell, das im Generiexungsabschnitt für zusammengesetzte Akustikmodelle generiert wurde, mit der Merkmalsvektorreihe verglichen wird, die aus der zu erkennenden Sprachäußerung extrahiert wurde; einen Erneuerungsmodellgenerierungsabschnitt (5), um geräusch- und sprecheradaptive Akustikmodelle zu generieren, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der Merkmalsvektorreihe durchgeführt wird, die aus der Sprachäußerung erhalten wurde; und einen Modellerneuerungsabschnitt (6), um die Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle zu ersetzen, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden; wobei der Erkennungsverarbeitungsabschnitt eine Spracherkennung durchführt, indem die Merkmalsvektorreihe, die aus der zu erkennenden Sprachäußerung extrahiert wurde, mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, das dadurch generiert wurde, dass das geräuschadaptive repräsentative Akustikmodell, das durch Geräuschadaption des repräsentativen Akustikmodells jeder Gruppe generiert wurde, die das mit der Gruppeninformation ausgewählte Erneuerungsdifferenzmodell und das durch den Erneuerungsmodellgenerierungsabschnitt und den Modellerneuerungsabschnitt erneuerte Erneuerungsdifferenzmodell enthält, bei jeder Wiederholung der Spracherkennung zusammengesetzt wird.
Spracherkennungsvorrichtung nach Anspruch 1 oder 2, wobei sich der Modellerneuerungsabschnitt (6) wiederholt, um die Gruppe, die das geräusch- und sprecheradaptive Akustikmodell der Gruppeninformation enthält, auf Basis einer Ähnlichkeit zwischen dem geräusch- und sprecheradaptiven Akustikmodell und dem geräuschadaptiven repräsentativen Akustikmodell bei jeder Generierung des Erneuerungsdifferenzmodells zu verändern, und das im Speicherabschnitt (1) gespeicherte Differenzmodell mit der Differenz zwischen dem geräusch- und sprecheradaptiven Akustikmodell und dem geräuschadaptiven repräsentativen Akustikmodell der Gruppe erneuert wird, die das geräusch- und sprecheradaptive Akustikmodell enthält, das auf Basis der erneuerten Gruppeninformation ausgewählt wurde.
Spracherkennungsverfahren zur Spracherkennung durch Vergleichen eines Satzes zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind, folgende Schritte umfassend: vorab Abspeichern in einem Speicherabschnitt (1) jedes repräsentativen Akustikmodells, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen; Generieren jedes geräuschadaptiven Akustikmodells jeder Gruppe durch Geräuschadaption, die am repräsentativen Akustikmodell jeder im Speicherabschnitt (1) gespeicherten Gruppe durchgeführt wurde; Generieren jedes zusammengesetzten Akustikmodells jeder Gruppe, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden; Generieren von geräusch- und sprecheradaptiven Akustikmodellen, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der aus der Sprachäußerung erhaltenen Merkmalsvektorreihe durchgeführt wird; und Ersetzen der gespeicherten Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden; wobei eine Spracherkennung durchgeführt wird, indem die aus der zu erkennenden Sprachäußerung extrahierte Merkmalsvektorreihe mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, und wobei das an Geräusch und Sprecher adaptierte zusammengesetzte Akustikmodell dadurch generiert wird, dass das Erneuerungsdifferenzmodell und das geräuschadaptive repräsentative Akustikmodell zusammengesetzt werden, das durch eine Geräuschadaption des repräsentativen Akustikmodells der Gruppe generiert wurde, die das über die Gruppeninformation ausgewählte Erneuerungsdifferenzmodell enthält.
Spracherkennungsverfahren zur Spracherkennung durch Vergleichen eines Satzes zusammengesetzter Akustikmodelle, die an Geräusch und Sprecher mit einer Merkmalsvektorreihe, die aus einer Sprachäußerung extrahiert wurde, adaptiert sind, folgende Schritte umfassend: vorab Abspeichern in einem Speicherabschnitt (1) jedes repräsentativen Akustikmodells, das als ein repräsentatives Modell für Akustikmodelle ausgewählt wurde, das zu einer von Gruppen gehört, wobei jede der Gruppen zuvor gebildet wird, indem eine große Anzahl von Akustikmodellen auf Basis von Ähnlichkeit, Differenzmodellen jeder Gruppe, die aus der Differenz zwischen den Akustikmodellen, die zu einer der Gruppen gehören, und dem repräsentativen Akustikmodell der gleichen Gruppe ermittelt wird, und Gruppeninformation klassifiziert wird, um die repräsentativen Akustikmodelle den Differenzmodellen jeder gleichen Gruppe zuzuordnen; Generieren jedes geräuschadaptiven Akustikmodells jeder Gruppe durch Geräuschadaption, die am repräsentativen Akustikmodell jeder im Speicherabschnitt (1) gespeicherten Gruppe durchgeführt wurde; Generieren jedes zusammengesetzten Akustikmodells jeder Gruppe, indem das Differenzmodell und das geräuschadaptive repräsentative Akustikmodell unter Verwendung der Gruppeninformation zusammengesetzt werden; Spracherkennen durch Vergleichen der zusammengesetzten Akustikmodelle, die im Generierungsschritt für zusammengesetzte Akustikmodelle generiert wurden, mit der Merkmalsvektorreihe, die aus der zu erkennenden Sprachäußerung extrahiert wurde; Generieren von geräusch- und sprecheradaptiven Akustikmodellen, indem eine Sprecheradaption des zusammengesetzten Akustikmodells jeder gleichen Gruppe unter Verwendung der aus der Sprachäußerung erhaltenen Merkmalsvektorreihe durchgeführt wird; und Ersetzen der gespeicherten Differenzmodelle jeder Gruppe durch Erneuerungsdifferenzmodelle, die dadurch generiert werden, dass Differenzen zwischen den geräusch- und sprecheradaptiven Akustikmodellen und den geräuschadaptiven repräsentativen Akustikmodellen erfasst werden, die über die Gruppeninformation ausgewählt wurden; wobei der Erkennungsverarbeitungsschritt eine Spracherkennung durchführt, indem die Merkmalsvektorreihe, die aus der zu erkennenden Sprachäußerung extrahiert wurde, mit dem an Geräusch und Sprecher adaptierten zusammengesetzten Akustikmodell verglichen wird, das dadurch generiert wurde, dass das geräuschadaptive repräsentative Akustikmodell, das durch Geräuschadaption des repräsentativen Akustikmodells jeder Gruppe generiert wurde, die das mit der Gruppeninformation ausgewählte Erneuerungsdifferenzmodell und das durch den Erneuerungsmodellgenerierungsabschnitt und den Modellerneuerungsabschnitt erneuerte Erneuerungsdifferenzmodell enthält, bei jeder Wiederholung der Spracherkennung zusammengesetzt wird.
Spracherkennungsverfahren nach Anspruch 4 oder 5, wobei sich der Differenzmodellersetzungsschritt wiederholt, um die Gruppe, die das geräusch- und sprecheradaptive Akustikmodell der Gruppeninformation enthält, auf Basis einer Ähnlichkeit zwischen dem geräusch- und sprecheradaptiven Akustikmodell und dem geräuschadaptiven repräsentativen Akustikmodell bei jeder Generierung des Erneuerungsdifferenzmodells zu verändern, und das im Speicherabschnitt gespeicherte Differenzmodell mit der Differenz zwischen dem geräusch- und sprecheradaptiven Akustikmodell und dem geräuschadaptiven repräsentativen Akustikmodell der Gruppe erneuert wird, die das geräusch- und sprecheradaptive Akustikmodell enthält, das auf Basis der erneuerten Gruppeninformation ausgewählt wurde.