JP2002073081A - 音声認識方法と電子装置 - Google Patents

Abstract

(57)【要約】 【課題】 簡単な構成で英単語の識別率の大幅な改善を
図った英語音声認識方法と音声認識技術を用いて使い勝
手の改善を図った電子装置を提供する。 【解決手段】 英語音声認識方法において、英単語をそ
れを構成するアルファベットに置き換えて音声入力する
とともに、かかるアルファベットを複数言語の字母の発
声の組み合わせに置き換えて入力するとともに、音声認
識では上記英語のアルファベットの字母単位で行う。そ
の音声認識方法を電子装置に搭載する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、音声認識方法と
電子装置に関し、特に、音声入力を行うようにした携帯
電話機等の電子装置に利用して有効な技術に関するもの
である。

【０００２】

【従来の技術】音声認識技術は人が話す言葉や文章をコ
ンピュータに直接認識させる技術であり、現在入力手段
として用いられているキーボード入力、ペン入力などに
替わる簡便な入力手段として注目されている。音声認識
に関する文献の例として、Y.Obuchi, A.Koizumi, Y.Kit
ahara, J.Matsuda, and T.Tsukada, Proc. EUROSPEECH'
99, pp.2023-2026, 1999があり、口述ソフトウェアの例
として、 ViaVoice(ＩＢＭ社）、 NaturallySpeaking
（Ｄragon 社) 、音声認識ソフトウェアの例としてＡＳ
Ｒ１６００（Ｌ＆Ｈ社）がある。上記ＩＢＭ社の“ViaV
oice" やＤragon 社の“Naturally Speaking" は主とし
てＷintel ＰＣ向けのいわば重装備の口述ソフトウェア
である。

【０００３】

【発明が解決しようとする課題】携帯電話機等のデジタ
ル電子機器では、その小型化のためにパーソナルコンピ
ータのような多数のキーを持つキーボードを搭載するこ
とが難しいし、仮に多数のキーを実装できたとしても１
つの大きさが小さく、かつ密集して配置されることなる
ために使い勝手の悪いものとなり現実的でない。そこ
で、入力手段として注目されている上記音声認識技術を
用いることが考えられるが、上記の口述ソフトウェアは
膨大な音声データを駆使することによりその認識率を高
めたもので、コンテクスト（文脈）などの利用により文
章入力についてはかなり高度の性能を有するものとなっ
ているが、反面では大容量のメモリと高性能のＣＰＵを
必要とする。したがって、このような口述ソフトウェア
を携帯電話機等のような小型で低消費電力であることが
必要なデジタル電子機器に搭載することもやはり現実的
ではない。

【０００４】この発明の目的は、簡単な構成で英単語の
識別率の大幅な改善を図った音声認識方法を提供するこ
とある。この発明の他の目的は、音声認識技術を用いて
使い勝手の改善を図った電子装置を提供することある。
この発明の前記ならびにそのほかの目的と新規な特徴
は、本明細書の記述および添付図面から明らかになるで
あろう。

【０００５】

【課題を解決するための手段】本願において開示される
発明のうち代表的なものの概要を簡単に説明すれば、下
記の通りである。音声認識方法において、特定言語をそ
れを構成するアルファベットに置き換えて音声入力する
とともに、かかるアルファベットを複数言語の字母の発
声の組み合わせに置き換えて入力するとともに、音声認
識では上記アルファベットの字母単位の組み合わせで行
う。

【０００６】本願において開示される発明のうち他の代
表的なものの概要を簡単に説明すれば、下記の通りであ
る。入力部で音声信号を取り込んでデジタル化し、信号
分析部で入力された音声信号の特徴抽出を行なって予め
用意された音響モデルと照合して字母判別を行う電子装
置において、特定言語の入力をそれを構成するアルファ
ベットに置き換えて音声入力するとともに、かかるアル
ファベットを複数言語の字母の発声の組み合わせに置き
換えて入力するとともに、上記音声認識部での音声認識
では上記アルファベットの字母単位の組み合わせで行
う。

【０００７】

【発明の実施の形態】図１には、この発明に係る音声認
識方法を説明するための一実施例のブロック図が示され
ている。この実施例の英語音声認識の方法は、図１の各
ブロックでの信号処理に沿って行われる。発声音はまず
音声入力部においてディジタル信号化される。この実施
例では、簡単な構成での高い音声識別率を実現するため
に、音声入力を特定言語の単語等ではなく、そのスペル
に対応したアルファベットの字母の単位で行うようにす
ることに１つの特徴としている。

【０００８】ここで、「字母」とは、国語辞典によれ
ば、「かな」、「アルファベット」、「梵字」等のよう
に発音を示すつづり字のひとつひとつのことをいい、英
語では「phoneme 」（フォニーム）に相当する。このフ
ォニーム（phoneme ）は、音素のことをいい、ある言語
の音声学上の最小単位を意味するものである。

【０００９】上記のような字母単位でのスペル音声入力
には、字母毎に一定の無音期間を挿入するか、あるいは
字母の区切りを意味するキー入力信号を挿入すること等
により行われる。使い勝手を考慮すれば、字母毎に無音
期間を挿入することが有益であると考えられが、より確
実な字母の区切りを行うなら、キー信号を用いることが
有益である。

【００１０】上記音声入力部から字母単位で入力された
音声信号は、音声分析部に送られ、そこで特徴抽出処理
が行われる。具体的には短時間周波数分析である。分析
結果は照合部において予め用意された音響モデルと照合
され、判定処理を行う。最も高いスコアを得たものが認
識結果として表示される。

【００１１】照合部において用いられる音響モデルは、
一般的にはＨＭＭと単語辞書とコンテキスト辞書を連結
したものである。ここで、ＨＭＭとは、隠れマルコフモ
デル（Hidden Markov Model)と呼ばれるもので認識の基
となる参照モデルである。このＨＭＭに単語辞書や文脈
データなどを組込んだコンテキスト辞書を組み合わせた
ものが音響モデルとなる。

【００１２】上記音声認識の基本となるＨＭＭは比較的
軽いソフトウェアであるが、従来のように口述に対応し
た特定言語の音声識別を行うようにするには、その言語
の単語辞書やコンテキスト辞書を設けることが必須とな
り、そのアプリケーションによっては重くなりやすい。
長文読み上げを実時間で認識することが求められる口述
ソフトファアなどでは、単語辞書は無論のこと文脈や文
例などのデータを大量に設けることが必要になるため、
データを高速で処理する高性能のＣＰＵおよび大容量の
メモリが必要になる。

【００１３】携帯型電子装置においては長時間動作を可
能にするため、部品点数を減らし消費電力を押さえる必
要がある。メモリの容量はできるだけ少なくし、ＣＰＵ
のパワーも制限される。すなわち辞書を始めとするデー
タ量はなるべく軽いものが求められる。そこで、この発
明に係る英語音声認識方法では、英単語を字母単位で入
力し、それを字母単位で音声識別を行うようにすること
により、基本的には同図で点線で示したように単語辞書
やコンテスト辞書を大幅に簡略化するものである。

【００１４】この実施例では、英語の音声による入力能
率を極限まで高めるためにスペル発声による音声入力が
採用される。例えば“butter" は“bi: ju: ti: ti: i:
a:r" と発声する。これは単に“b*t*r"(ハ゛ター) と発声
するよりも情報量が多いためにその認識率は格段に改善
される。発声するのはアルファベットの２６文字だけな
ので、あらゆる単語の発音記号とそれに付随した音声デ
ータを駆使する重装備のソフトウェアを必要とするもの
に比較して、はるかに軽量のソフトウェアであらゆる単
語を入力することができかつ正確に認識される。

【００１５】単語の入力が正確にできれば文章の入力も
同様に入力できる。これはいわばワードプロセッサの音
声版とみなすことができる。英語のワードプロセッサが
行っていることはまさにこのことであって“butter" を
入力するにあたっては“b"“u"“t"“t"“e"“r"とキー
ボードのキーを叩くのである。

【００１６】本発明のもうひとつの特徴は、上記に加え
てギリシャ語のアルファベットを併用することである。
先の“butter" の例でいうと“b"、“u"、“t"、“e"、
“r"等の代わりに、β（beita:ヘ゛ータ)、υ(ju:psilan:イフ
゜シロン) 、τ(tau:タウ)、ε(eps*lan:エフ゜シロン) 、ρ(rou:ロ
ー)等を併用することである。“butter" を“bi: ju: t
i: ti: i: a:r" と発声したときその出力が“gutter"
となったとする。つまり、“b"と“g"が混線したわけで
ある。このとき続けて“β" と発声すれば出力は自動的
に正しい“butter" となる。このような混線が予め予想
されるときには最初から“beita ju: ti: ti: i: a:r"
と発声することで混線をなくすることもできる。β(b)
だけでなく、δ(d) 、γ(g) 、π(p) 、τ(t) 等も利用
する。この他にもα(a) 、κ(k) 、ν(n) 、μ(m) 、ω
(o) 、ρ(r) 、σ(s) 等も適宜利用することが可能であ
る。

【００１７】上記のような認識方法を採ることにより、
英語などの単語認識率を極限にまで高めることができ
る。すなわちスペリングによる入力においては認識すべ
き音節が基本的にはアルファベットに限定されるため認
識率が高まる。さらに、単語に該当しないアルファベッ
トの組み合わせが除外されることも認識率を高めるのに
効果がある。例えば、“butter" を“bi: ju: ti: ti:
i: a:r" と発声したとき、最初の“b"を通常混同しやす
い“d"と間違えることはない。なぜなら“dutter" とい
う単語がないからである。

【００１８】スペリング入力はそれだけでも効果がある
が、さらにこれを効果的にするためにギリシャ語のアル
ファベットを併用するものである。これはアルファベッ
ト間の違いをさらに高めるのに効果的である。英語を例
にとればいわゆる「ｅ問題」を避けることができる。す
なわち、“b"、“d"、“e"、“g"、“p"、“t"等のまぎ
らわしさを“β" 、“δ" 、“ε" 、“γ" 、“π" 、
“τ" 等の併用により避けることができる。英語とギリ
シャ語のアルファベットの中からお互いに距離の離れた
すなわち類似性の少ないものを選ぶことができるからで
ある。ギリシャ語のアルファベットは英語ほどには知ら
れていないが、それでも比較的なじみがあり記憶しやす
い。

【００１９】なお、本発明は英語に限らず、仏語、独
語、ロシア語等の欧米系言語に適用可能であるという普
遍性を持つ。 すなわちたとえば仏語とギリシャ語のアル
ファベットを組み合わせて使うことにより、仏語の単語
認識率を究極まで高めることができる。

【００２０】本発明に係る音声認識方法に対応したソフ
トウェア等を携帯型電子装置に搭載した場合、単語の認
識率が改善されることによる音声入力の能率向上効果が
大きいことは無論であるが、それ以上に大きいのは必ず
入力できるという安心感である。これは製品を使用する
立場からすると非常に大きなことで、何度発声しても正
しい入力ができないのでは使ってもらえない。このこと
は本発明の適用製品が何であっても言えることである。

【００２１】本発明に関わる音声認識方法では、前記の
ようなスペリング入力にいくつかのコマンド、例えば
“Capital letter" （大文字）、“hyphen" （ハイフ
ン）、“comma"（コンマ）、“period" （ピリオド）、
“colon"（コロン）、“space"（スペース）、“new pa
ragraph"（改行）等を付加するようにしてもよい。この
ようなコマンドを設けることにより、文章入力も容易に
できる訳でありその効果は極めて大きい。更に従来の手
段では入力すべき単語のデータを予め入力する必要があ
り、その認識率は単語の数が１０００語、１００００語
と増えるにしたがって顕著に減少していった。本発明を
用いれば単語数が増大しても認識率は変化せず必ず入力
できる。

【００２２】この実施例の音声認識方法では、基本的に
は英語やギャシャ語のアルファベット等のように少ない
数の音声識別を基本としているので、音響モデルのデー
タ量を極力少なくできる上に、かかるアルファベットの
字母結果を組み合わせることで、結果的にあらゆる種類
の単語や文章も入力することができる。このように音声
認識でのデータ量を少なくすることができるので、それ
を処理する中央処理装置ＣＰＵも低消費電力のＲＩＳＣ
(Reduced instruction set computer)タイプのものを用
いることができ、しかもメモリ容量も少なくてよい。こ
の結果、この発明に係る音声認識方法は、携帯用電子装
置に最適な入力方法である。使い勝手を良くするため
に、特定の制御信号や動作命令を音声で行うようにした
場合でも、単語辞書やコンテキスト辞書は小規模で済
む。

【００２３】図２には、この発明を携帯型通訳機に適用
した場合の一実施例の外観図が示されている。この実施
例の携帯型通訳機は、英語−日本語通訳に向けられてい
る。この実施例の携帯型通訳機の使用方法は次の通りで
ある。発声釦１を押してマイク２に向かって発声する
と、認識結果が表示装置３に表示される。正しい結果が
得られたらＯＫ釦４を押して文例検索に移行する。スク
ロール釦５により検索し所望の文が見つかるとＯＫ釦４
を押して訳文表示をする。さらに発声釦１を押すと訳文
の音声がスピーカ６を通して流れる。

【００２４】この携帯型通訳機に本発明に係る音声認識
方法を適用した例を“Thank"を例にして示す。発声釦１
を押してマイク２に口を近づけて“ti: eit* ei en ke
i"(ティー エイチ 、アイ、イー、エヌ、ケイ) と発声する。認識結果
が“Thank"と表示装置３に表示される。認識時には自動
的にスペルチェックが行われ、辞書にない単語は除外さ
れる。これは認識率を高めるのに効果がある。認識結果
を表示装置３でチェックしたらＯＫ釦４を押すと文例が
表示される。

【００２５】“Thank you for your help." を選んでＯ
Ｋ釦４を押すと「ありがとう。助かりました。」と訳文
が表示される。そこで発声釦１を押すと音声がスピーカ
６から流れる。文例検索による選択例について述べたが
短い文であれば“ti: eit* ei en kei, space, wai ou
ju:"といった具合に入力することもできる。表示装置３
には“Thank you"と表示される。音声出力は「ありがと
う」となる。ここで、アルファベットｈに対応した発音
eit*において、発音記号の部分が* で置き換えている。
このことは、前記のギリシャ語アルファベットの発音記
号も同様である。以下同じ。

【００２６】基本的にはスペル入力で入力はできるが、
周囲の雑音などの関係で入力しづらい場合もある。この
ようなときにはギリシャ語のアルファベットを併用する
のが有効である。先の“thank"を例にとれば“th" 、
“a"、“n"、“k"の代わりにθ「しーた」、α「あるふ
ぁ」、ν「にゅー」、κ「かっぱ」を用いる、等であ
る。また、修正時に用いるのも有効である。同じ例で結
果の表示が“think"になった時に“a"の部分をαに置き
換えて入力し直すことにより正しい結果“thank"が容易
に得られる。

【００２７】英語のアルファベットに対応するギリシャ
語のアルファベットが必ずしもある訳ではないので併用
が基本となる。英語とギリシャ語のアルファベットの組
み合わせにより「ｅ問題」を避けることができるばかり
でなく、アルファベット間の距離を増大することができ
結果として認識率が究極まで高められる。ここで、「ｅ
問題」とは、ｂ、ｄ、ｅ、ｇ、ｐ、t 等の発声の類似性
が認識率を妨げるという問題のことである。

【００２８】前記図２の携帯型通訳機をそのまま携帯型
のワードプロセッサとして用いるようにすることもでき
る。その使用方法は、次の通りである。まずコマンドと
して“Word Processor" と発声し、続いて“File" そし
て“New"と発声する。 新規入力画面が表示される。“Ti
tle of the invention" と発声する。 その結果が“Idol
of a convention" と表示されたとする。スクロール釦
によりポインターを“Idol" の“I"に合わせ、“ti: ai
ti: el i:"(ティー アイ ティー エル イー) もしくは “tau iota
tau lambda epsilon"(タウ イオタ タウ ラムタ゛ エフ゜シロン) 等と発
声する。

【００２９】あるいは、英語とギリシャ語のアルファベ
ットの組み合わせ発声でもいい。“tau ai tau el i"(タ
ウ アイ タウ エル イー)となる。これにより“Title of a conve
ntion"が表示される。次にポインターを“a"に合わせ
“θ eit* i:"(シータ エイチ イー) 等と発声する。“a"が“th
e"に代わる。以下同様にして正しい入力“Title of the
invention" が得られる。続いて本文の入力に入り、文
章入力、適宜修正過程を経て入力を完成する。途中ある
いは最初からスペル入力を用いることもある。辞書には
ない技術用語や人名、地名の入力時等にはとくに便利で
ある。全文が完成したら“Store"(ストア) と発声し、入力
した文面を保存し作業を終了する。

【００３０】このような携帯型ワードプロセッサでは、
文章読み上げ入力とスペル入力とを併用しているので、
入力効率が改善されるという効果がある。また、スペル
入力を随時採用すれば周囲を気にすることなく入力作業
を行うことができる。ギリシャ語のアルファベットを頻
繁に使えばこの効果を更に高めることができる。

【００３１】上記図２の携帯型通訳機は、そのまま携帯
電話機能もったパームトップ型パーソナルコンピュータ
に置き換えることができる。例えば、電子メール（e-ma
il）テキスト文の入力に本発明を適用した例をもうひと
つの使用方法を以下に説明する。

【００３２】まずe-mailのコマンドとして “e-mail"
と発声する。画面がメール新規作成に切り替わる。表示
画面に表示されたアドレス帖からアドレスを選択する。
本文の入力に入る。“How are you"“Question mark"と
発声する。“How are you?"と表記される。もしも、修
正する必要があるときは随時本発明に係るグレコロマン
式スペル入力により修正する。以下同様にしてメールの
文章を入力する。最後にコマンドとして“Send mail"と
発声するとメールが送信される。

【００３３】上記のパームトップ型パーソナルコンピュ
ータは、携帯電話機であってもいいし、ネットワーク接
続されたノート型パーソナルコンピュータ等であっても
いい。また、本発明を用いる副次的効果としては入力を
スペル方式に適宜変更することにより、側で聞いている
人がいても気にすることなく使用することができる。

【００３４】上記の実施例から得られる作用効果は、下
記の通りである。 （１） 音声認識方法において、特定言語をそれを構成
するアルファベットに置き換えて音声入力するととも
に、かかるアルファベットを複数言語の字母の発声の組
み合わせに置き換えて入力するとともに、音声認識では
上記アルファベットの字母単位の組み合わせで行うこと
により、簡単な構成で識別率の大幅な改善を図ることが
できるという効果が得られる。

【００３５】（２） 上記に加えて、上記複数言語での
字母の入力は、英語のアルファベットの一部がギリシャ
語のアルファベットに置き換えることによる類似性の高
い字母の識別が簡単となり、１回の認識での識別率の大
幅な改善につながるという効果が得られる。

【００３６】（３） 上記に加えて、上記音声信号の信
号処理は入力部においてデジタル信号化し、音声分析部
において特徴抽出処理を行ない、照合部において予め用
意された隠れマルコフモデルを含む音響モデルと照合す
ることにより簡単な信号処理での認識が可能となり、メ
モリやＣＰＵに安価なものを用い、簡易なソフトウェア
での認識が可能になるという効果が得られる。

【００３７】（４） 音声信号を取り込んでデジタル化
する音声入力部と、上記デジタル化された音声信号の特
徴抽出を行ない、予め用意された音響モデルと照合して
字母判別を行う音声信号処理部を備え、特定言語の入力
をそれを構成するアルファベットに置き換えて音声入力
するとともに、かかるアルファベットを複数言語の字母
の発声の組み合わせに置き換えて入力するとともに、上
記音声認識部での音声認識では上記アルファベットの字
母単位の組み合わせで行うようにすることにより、キー
操作が簡単で文字や単語入力を簡単に行える電子装置を
得ることができるという効果が得られる。

【００３８】（５） 上記に加えて、上記複数言語での
字母の入力は、英語のアルファベットの一部がギリシャ
語のアルファベットに置き換えられて発声することによ
り、簡単な信号処理により識別率の大幅な改善につなが
るという効果が得られる。

【００３９】以上本発明者よりなされた発明を実施例に
基づき具体的に説明したが、本願発明は前記実施例に限
定されるものではなく、その要旨を逸脱しない範囲で種
々変更可能であることはいうまでもない。例えば、前記
のような英語、仏語、独語、ロシア語等の欧米系言語に
適用可能であるという普遍性を持つものである。 すなわ
ち、たとえば仏語とギリシャ語のアルファベットを組み
合わせて使うことにより、仏語の単語認識率を究極まで
高めることができる。この発明に係る音声認識方法を用
いた音声認識機能が搭載される電子装置は、前記の実施
例の他にカーナビゲーションシステム等にも同様に適用
できる。

【００４０】

【発明の効果】本願において開示される発明のうち代表
的なものによって得られる効果を簡単に説明すれば、下
記の通りである。音声認識方法において、特定言語をそ
れを構成するアルファベットに置き換えて音声入力する
とともに、かかるアルファベットを複数言語の字母の発
声の組み合わせに置き換えて入力するとともに、音声認
識では上記アルファベットの字母単位の組み合わせで行
うことにより、簡単な構成で識別率の大幅な改善を図る
ことができる。

【００４１】音声信号を取り込んでデジタル化する音声
入力部と、上記デジタル化された音声信号の特徴抽出を
行ない、予め用意された音響モデルと照合して字母判別
を行う音声信号処理部を備え、特定言語の入力をそれを
構成するアルファベットに置き換えて音声入力するとと
もに、かかるアルファベットを複数言語の字母の発声の
組み合わせに置き換えて入力するとともに、上記音声認
識部での音声認識では上記アルファベットの字母単位の
組み合わせで行うようにすることにより、キー操作が簡
単で文字や単語入力を簡単に行える電子装置を得ること
ができる。

【図面の簡単な説明】

【図１】この発明に係る音声認識方法を説明するための
一実施例を示すブロック図である。

【図２】この発明を携帯型通訳機に適用した場合の一実
施例を示す外観図である。

【符号の説明】

１…発声釦、２…表示装置、３…表示画面、４…ＯＫ
釦、５…スクロール釦、６…スピーカー。

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ テーマコート゛(参考） Ｈ０４Ｍ 1/00 Ｇ１０Ｌ 3/00 ５３７Ｈ 1/725 ５５１Ａ ５５１Ｂ (72)発明者 田中 誠 東京都小平市上水本町５丁目22番１号 日 立超エル・エス・アイ・システムズ内 (72)発明者 内館 秀樹 東京都小平市上水本町５丁目22番１号 日 立超エル・エス・アイ・システムズ内 Ｆターム(参考） 5D015 AA05 BB02 HH23 KK02 5K027 AA11 BB01 HH20

Claims (5)

【特許請求の範囲】
1. 【請求項１】 音声認識方法において、特定言語をそれ
   を構成するアルファベットに置き換えて音声入力すると
   ともに、かかるアルファベットを複数言語の字母の発声
   の組み合わせに置き換えて入力するとともに、音声認識
   では上記アルファベットの字母単位の組み合わせで行う
   ようにしてなることを特徴とする音声認識方法。
2. 【請求項２】 請求項１において、 上記複数言語での字母の入力は、英語のアルファベット
   の一部がギリシャ語のアルファベットに置き換えられて
   発声されるものであることを特徴とする音声認識方法。
3. 【請求項３】 請求項１又は２において、 上記音声信号の信号処理は、入力部においてデジタル信
   号化し、音声分析部において特徴抽出処理を行ない、照
   合部において予め用意された隠れマルコフモデルを含む
   音響モデルと照合することにより字母判定を行うものを
   含むことを特徴とする音声認識方法。
4. 【請求項４】 音声信号を取り込む音声入力部と、 上記入力された音声信号をデジタル化し、その特徴抽出
   を行ない、予め用意された音響モデルと照合して字母判
   別を行う音声信号処理部を備え、 特定言語の入力をそれを構成するアルファベットに置き
   換えて音声入力するとともに、かかるアルファベットを
   複数言語の字母の発声の組み合わせに置き換えて入力す
   るとともに、上記音声認識部での音声認識では上記アル
   ファベットの字母単位の組み合わせで行うようにしてな
   ることを特徴とする電子装置。
5. 【請求項５】 請求項４において、 上記複数言語での字母の入力は、英語のアルファベット
   の一部がギリシャ語のアルファベットに置き換えられて
   発声されるものであることを特徴とする電子装置。