JP2002268675A

JP2002268675A - 音声認識装置

Info

Publication number: JP2002268675A
Application number: JP2001070108A
Authority: JP
Inventors: Koichi Shinoda; 浩一篠田
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2001-03-13
Filing date: 2001-03-13
Publication date: 2002-09-20
Anticipated expiration: 2021-03-13
Also published as: DE60204374D1; DE60204374T2; US7437288B2; EP1241661A1; JP4336865B2; US20020184020A1; EP1241661B1

Abstract

(57)【要約】【課題】混合分布を用いた確率モデルにおいて、要素
分布数の調節を高速、かつ効果的に行う音声認識装置を
提供する。【解決手段】本発明の音声認識装置は、混合分布を用
いた確率モデルを用いる音声認識装置であって、標準パ
ターンを保持する標準パターン記憶手段１０３と、音声
を入力とし標準パターンを用いて認識結果を出力する認
識手段１０４と、学習用音声を入力とし標準パターンを
作成する標準パターン作成手段１０２と、標準パターン
の混合分布の要素分布数を調節する標準パターン調節手
段２０３とで構成されている。これにより、混合ガウス
分布を出力確率分布としてもつ隠れマルコフモデルを
用いた音声認識において、状態ごとに要素分布の木構造
を作成し、各状態の要素分布数を情報量基準を用いて調
節する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、混合分布を用いた
パターン認識における標準パターン作成方法に関し、特
に混合ガウス分布（またはガウス混合分布）を出力確率
分布として用いた隠れマルコフモデルを用いた音声認識
装置に関する。

【０００２】

【従来の技術】近年、音声パターンの機械による認識に
関する研究が行われ、数々の方法が提案されている。
この中で代表的な手法としては隠れマルコフモデル(HM
M)を用いた方法がある。そして、HMMを用いた音声認識
システムとして、誰の声でも認識できることを目的と
した不特定話者の認識システムが盛んに研究・開発され
ている。

【０００３】以下、HMMを例にとり、音声認識システム
について図２に基づき説明する。音声認識装置に入力さ
れた話者の発声は、入力パターン作成手段101に入力さ
れ、AD変換、音声分析などの過程を経て、ある時間長を
もつフレームと呼ばれる単位ごとの特徴ベクトルの時
系列に変換される。この特徴ベクトルの時系列を、こ
こでは入力パターンと呼ぶ。また、フレームの長さは通
常 10msから100ms 程度である。そして、特徴ベクトル
は、その時刻における音声スペクトルの特徴量を抽出し
たもので、通常10次元から100次元である。

【０００４】標準パターン記憶手段103にはHMMが記憶さ
れている。 HMMは音声の情報源のモデルの1つであり、
話者の音声を用いてそのパラメータを学習することがで
きる。 HMMについては認識手段の説明で詳しく述べ
る。ここで、HMMは通常各認識単位ごとに用意される。
また、ここでは、認識単位として音素を例にとる。例え
ば、不特定話者認識システムでは、標準パターン記憶手
段のHMMとして、予め多くの話者の発声を用いて学習し
た不特定話者HMMが用いられる。

【０００５】そして、認識手段104では、単語HMMを用い
て入力パターンの認識を行なう。ここで、HMMは、音声
の情報源のモデルであり、音声パターンの様々な揺らぎ
に対処するため、統計・確率的なモデルとなっている。
また、HMMの詳細な説明は、ラビナー、ジュアング著、
古井訳「音声認識の基礎(下)」、NTTアドバンステクノ
ロジ(1995)(以下、文献1)の、102〜187頁にかかれてい
る。

【０００６】各音素のHMMは、それぞれ、通常1から10個
の状態とその間の状態遷移から構成される。通常は始状
態と終状態が定義されており、単位時間ごとに、各状態
からシンボルが出力され、状態遷移が行なわれる。各音
素の音声は、始状態から終状態までの状態遷移の間にHM
Mから出力されるシンボルの時系列として表される。

【０００７】各状態にはシンボルの出現確率が、また、
状態間の各遷移には遷移確率が定義されている。遷移確
率パラメータは音声パターンの時間的な揺らぎを表現す
るためのパラメータである。出力確率パラメータは、音
声パターンの声色の揺らぎを表現するものである。始状
態の確率をある値に定め、状態遷移ごとに出現確率、遷
移確率を掛けていくことにより、発声がそのモデルから
発生する確率を求めることができる。

【０００８】逆に、発声を観測した場合、それが、ある
HMMから発生したと仮定すると、その発生確率が計算で
きることになる。これにより、HMMによる音声認識で
は、各認識候補に対してHMMを用意し、発声が入力され
ると、各々のHMMにおいて、発生確率を求め、最大とな
るHMMを発生源と決定し、そのHMMに対応する認識候補
をもって認識結果とする。

【０００９】出力確率パラメータには、離散確率分布表
現と連続確率分布表現があるが、ここでは連続確率表現
を例にとる。連続確率分布表現では、しばしば、混合ガ
ウス分布、すなわち、複数のガウス分布を重みつきで加
算した分布が使われる。以下の例においては、出力確率
は混合ガウス連続確率分布とする。そして、出力確率パ
ラメータ、遷移確率パラメータ、複数のガウス分布の
重み係数などのパラメータは、モデルに対応する学習音
声を与えて、バウムーウェルチアルゴリズムと呼ばれる
アルゴリズムにより、予め学習されている。

【００１０】例えば、今、1000単語を認識対象とする場
合を想定する。すなわち、1000単語の認識候補から1単
語の正解を求める場合を想定する。まず、単語を認識す
る場合には、各音素のHMMを連結して、認識候補単語の
HMMを作成する。1000単語認識の場合には1000単語分の
単語HMMを作成する。特徴ベクトルの時系列として表現
された入力パターンＯを下記の（1）式により示す。

【数１】ここで、Tは入力パターンの総フレーム数である。

【００１１】また、認識候補単語Ｗ1,Ｗ2,…ＷNとす
る。ここでのNは認識候補単語数を示す。そして、各々
の認識候補単語Ｗnの単語HMMと、入力パターンＯとの
間のマッチングは、以下のように行なわれる。これから
の説明においては、必要のない限り添字nを省略する。
まず、単語HMMにおいて、状態jから状態iへの遷移確率
をａji、出力確率分布の混合重みをｃim、各要素ガウス
分布の平均ベクトルをμim、共分散行列をΣimとする。
ここで、tは入力時刻、i,jはHMMの状態、mは混合要素番
号を表す。前向き確率ａt(i)に関する次の漸化式計算を
行う。

【００１２】この前向き確率ａt(i)は、部分的な観測系
列ｏ1,ｏ2,…,ｏtを出力し、時刻tにおいて状態iに存
在する確率である。

【数２】

【数３】ここで、πiは初期状態がiである確率である。

【００１３】また、(3)式におけるｂi(ｏt)は、以下に
示す(4),(5)式により定義される。

【数４】

【数５】この(5)式において、Kは入力フレームおよび平均ベクト
ルの次元数である。

【００１４】また、単語Ｗnに対する入力パタンに対す
る尤度は、以下に示す(6)式により求められる。

【数６】この(6)式において、Iは最終状態である。

【００１５】この処理を各単語モデルについて行ない、
入力パターンＸに対する認識結果単語Ｗn（ここで、下
記(７)式では、nの上部に∧；ハットが付いている）
は、以下に示す(7)式により求められる。

【数７】そして、この認識結果単語Ｗnは、認識結果出力部に送
られる。認識結果出力部は、認識結果を画面上に出
力、あるいは、認識結果に対応した制御命令を別の装置
に送るなどの処理を行なう。

【００１６】次に、標準パターン作成手段102について
説明する。標準パターン作成手段102は、不特定話者認
識の場合、事前の多数の話者の発声を蓄積し、その発声
を用いてパラメータの推定を行う。まず、以下の(8),
(9)式により、後向き確率を導入する。

【数８】

【数９】 (9)式におけるβt(i)は時刻t、状態iが与えられたとき
の、時刻t+1から終端までの部分的な観測系列の確率で
ある。

【００１７】そして、前向き確率と後向き確率を用い
て、観測系列Ｏが与えられたときに、時刻tに状態iに存
在する確率は、以下に示す(10)式により与えられる。

【数１０】また、時刻tに状態iに存在し、時刻t+1に状態jに存在す
る確率は、以下の(11)式により与えられる。

【数１１】また、混合ガウス分布の場合に、時刻t に状態番号iのk
番目の混合要素に存在する確率(占有度数)は、以下の
(12)式により与えられる。

【数１２】

【００１８】以上の計算値に基づき、 π、a、μ,Σ, c
の推定値は以下の(13)〜(17)式により与えられる。

【数１３】

【数１４】

【数１５】

【数１６】

【数１７】

【００１９】バウム-ウェルチアルゴリズムでは、これ
らの推定値をもとにパラメータを更新し、さらに、その
更新されたパラメータを用いて、推定値を新たに推定す
るという繰り返しを行なう。そして、繰り返し毎に、観
測系列の認識を行う確率が大きくなることが証明されて
いる。以上、HMMを用いる場合を例にとり、従来の音声
認識装置について説明した。

【００２０】

【発明が解決しようとする課題】さて、上述したよう
に、出力確率分布表現には、離散分布と連続分布とがあ
る。そして、離散分布と連続分布との中では、連続分
布、特にその中でも、混合ガウス分布が、よく用いられ
る。この混合ガウス分布が用いられる理由は、出力確率
分布表現の性能が優れているためである。

【００２１】ここで、混合ガウス分布（以下、混合分布
とする）を用いる場合、その要素分布数をどの大きさに
すべきかという明確な指針はない。通常は、混合分布の
HMMでは、状態毎の要素分布数がすべての状態にわたり
一定とし、いくつかの要素分布数を試して、その中でも
っとも性能が高い要素分布数を選ぶという手続きが行わ
れる。

【００２２】しかしながら、状態により必要な要素分布
数は異なることが予想される。例えば、不必要な要素分
布を多く持つとした場合、要素分布の確率を計算するた
めの計算量の増大を招くこととなる。また、出現回数の
少ない状態においては、パラメータ推定の過程で過学習
が行われていまい、未知データに対する性能が劣化する
可能性がある。したがって、混合分布HMMの各状態にお
ける要素分布数は、状態毎に最適化されることが望まし
い。

【００２３】そして、要素分布数を状態毎に最適化する
最も単純な方法は、状態毎に要素分布数を変えて認識
実験を行い、各状態毎に認識性能が高くなる要素分布数
を選択する方法である。しかしながら、HMMの状態数
が、通常、全体で1000から10000とたいへん多くなり、
各状態毎に要素分布数を最適化することは、計算量の点
でほとんど不可能である。

【００２４】本発明はこのような背景の下になされたも
ので、混合分布を用いた確率モデルにおいて、要素分布
数の調節を高速、かつ効果的に行う音声認識装置を提供
することにある。

【００２５】

【課題を解決するための手段】本発明の音声認識装置
は、混合分布を用いた確率モデルを用いる音声認識装置
であって、標準パターンを保持する標準パターン記憶手
段と、音声を入力とし標準パターンを用いて認識結果を
出力する認識手段と、学習用音声を入力とし標準パター
ンを作成する標準パターン作成手段と、標準パターンの
混合分布の要素分布数を調節する標準パターン調節手段
とを具備することを特徴とする。

【００２６】本発明の音声認識装置は、混合分布を用い
た確率モデルを用いる音声認識装置であって、標準パタ
ーンを保持する標準パターン記憶手段と、音声を入力と
し標準パターンを用いて認識結果を出力する認識手段
と、適応化用音声を入力とし標準パターンを修正する標
準パターン修正手段と、標準パターンの混合分布の要素
分布数を調節する標準パターン調節手段とを具備するこ
とを特徴とする。

【００２７】本発明の音声認識装置は、要素分布の木構
造を作成する木構造作成手段と、学習データを入力とし
て分布を選択する要素分布選択手段とから構成される標
準パターン調節手段を具備することを特徴とする。本発
明の音声認識装置は、前記標準パターン調節手段が、要
素分布の選択にミニマックス法を用いるミニマックス分
布選択手段を具備することを特徴とする。

【００２８】本発明の音声認識装置は、前記要素分布選
択手段が、要素分布の選択において各要素分布に対応す
る学習データ量を選択基準として用いることを特徴とす
る。本発明の音声認識装置は、前記要素分布選択手段
が、要素分布の選択において、記述長最小基準を選択基
準として用いることを特徴とする。本発明の音声認識装
置は、前記要素分布選択手段が、要素分布の選択におい
て、赤池情報量基準を選択基準として用いることを特徴
とする。

【００２９】本発明の音声認識装置は、前記木構造作成
手段が、要素分布の選択において、ダイバージェンスを
分布間距離として用いることを特徴とする。本発明の音
声認識装置は、前記木構造作成手段が、学習データに対
する尤度を分布間距離として用いることを特徴とする。
本発明の音声認識装置は、混合分布を用いた確率モデル
として、隠れマルコフモデルを用いることを特徴とす
る。

【００３０】

【発明の実施の形態】以下、図面を参照して本発明の実
施形態について説明する。図１は本発明の一実施形態に
よるの構成を示すブロック図である。図２の従来例と異
なる点は、標準パターン作成手段１０２と標準パターン
記憶手段１０３との間に標準パターン作成手段２０３を
挿入していることである。図１の音声認識装置のブロッ
クにおいて、図２の音声認識装置のブロックと同様な構
成（入力パターン作成手段１０２、標準パターン作成手
段１０１、標準パターン記憶手段１０３、認識手段１０
４）に対しては、同一の符号を付し、詳細な説明を省略
する。

【００３１】この図において、入力パターン作成手段１
０２は、入力される入力音声（話者の発生した音声信
号）から入力パターンを作成する。また、標準パターン
作成手段１０２は、従来例の説明で述べたように標準パ
ターンを作成する。標準パターン調節手段203は、作成
された標準パターンの要素分布数を変更する。標準パ
ターン記憶手段１０３は作成された標準パターンを記憶
し、認識手段205は、入力された音声を標準パターンを
用いて認識し、認識結果を出力する。

【００３２】以下に、本発明において一実施形態に、加
えられた標準パターン調節手段２０３の動作について、
詳細に説明する。隠れマルコフモデル（HMM）の状態に
おける要素分布数の最適化の問題は、与えられたデータ
に対し最適な確率モデルを選択する問題とみなすことが
可能である。この確率モデルの選択においては、過去さ
まざまな情報量基準が提案されてきた。

【００３３】一実施形態では、その一つであるMDL(記述
長最小)を用いて分布数を最適化する方法を考える。ま
ず、ここで上記MDLの基準について説明する。記述長最
小(Minimum Description Length; MDL)基準は、最近の
情報理論および計算論的学習理論の研究から、データに
対し最適な確率モデルを選択する問題において、有効で
あることが実証されている。

【００３４】記述長最小基準は、例えば、韓太舜著、
「岩波講座応用数学11、情報と符合化の数理」、岩波
書店(1994)(以下、文献2)の、249頁〜275頁に説明され
ている。AIC(Akaike Information Criterion;赤池情報
量基準)などと同様、なるべく簡単で、しかも、与えら
れたデータをよく表現できるモデルが良いモデルであ
る、という理念を具現化した基準の一つである。

【００３５】MDL基準は、確率モデルｉ＝１，…，Ｉの
なかで、データｓ＝ｓ1，…，ｓNに対し、最も小さい記
述長を与えるモデルを最適なモデルとする基準であ
る。ここで、確率モデルiに対する記述長ＩMDL(i)は以
下の(18)式で与えられる。

【数１８】ここで、αiはモデルiの次元数(自由パラメータの個数)
、 θ(i)はデータＸ^Nを用いて推定されたモデルiの自
由パラメータθ⁽ⁱ⁾＝（θ₁ ⁽ⁱ⁾,…,θα_i ⁽ⁱ⁾）の最尤推
定量である。

【００３６】上記(18)式において、第1項はデータに対
する対数尤度(以下、尤度と記す)に負符号を付けた量で
あり、第2項はモデルの複雑さを表す量であり、第3項は
モデルiを選択するために要する記述長である。このよ
うに、モデルがより複雑なほど、データに対する尤度が
大きくなり、したがって第1項の値は減少する。一方、
モデルが複雑になれば、自由パラメータ数が増加するた
め、第2項の値は増加する。このように、第1項と第2項
の間にはトレードオフの関係があり、記述長ＩMDL(i)
は、適当な複雑さを有するモデルで最小値をとることが
期待される。

【００３７】そして、このMDL基準を用いた状態毎の要
素分布数最適化アルゴリズムは、以下の通りである。ま
ず、通常の手順で学習データを用いた混合ガウス分布HM
Mの学習を行う。この際、要素分布数は全状態にわたり
一定とし、上限と考えられる数まで、要素分布数を増や
したHMMを学習する。また、学習の過程で要素分布ごと
の占有度数γ^' _t(i,k)を保存しておく。ここでiは状態の
添字、kは状態における要素分布の添字である。

【００３８】次に、標準パターン調整手段２０３は、各
状態において要素分布数の最適化を行う。なお、この先
は一つの状態iについてのみ説明することにし、状態の
添字iを省略する。標準パターン調整手段２０３は、他
の状態に対しても同じ処理を行う。まず、標準パターン
調整手段２０３は、内部の木構造作成手段により、状態
ごとに要素分布の木構造を作成する。ここで、ルートは
一つの分布であり、リーフは各要素分布である。

【００３９】このとき、要素分布の木構造を作成するに
は様々な方法が考えられるが、ここでは2分木をk-means
アルゴリズムを用いて作成する。また、各要素分布間の
距離（分布間距離）としては、カルバックダイバージェ
ンスを用いる。このカルバックダイバージェンスは、ガ
ウス分布の平均・共分散の値から容易に計算できる。こ
の要素分布の木構造作成方法については、特許第００２
５３１０７３号，上記文献２に詳細に記載されている。

【００４０】次に、標準パターン調整手段２０３は、上
記木構造の各ノードの分布(ノード分布)の分散を求め
る。ここで、各ノード分布の分散は、その支配するすべ
てのリーフの要素分布の占有度数とガウス分布パラメー
タから求められる。今、この木構造を上下に分断するノ
ード分布の集合を「カット」と呼ぶ。このカットの数は
多数あるが、一つ一つのカットが、その状態における一
つの確率モデルとなる。ここで、MDL基準を用いて最適
なカットを求めることを考える。

【００４１】例えば、あるカットUに対する記述長は次
のように計算される。ここで、カットUを構成するノー
ド分布をＳ1，…ＳMとする。ここで、MはカットUにお
けるノード分布の個数である。これにより、データの分
布Ｓmに対する尤度Ｌ(Ｓm)は以下に示す（19），（20）
式のように近似できる。

【数１９】

【００４２】上記（１９）式において、

【数２０】であり、sは分布Ｓmの下のすべてのリーフ分布であり、
Kは共有標準パターンとして用いられる平均ベクトルお
よび分散の次元数である。また、（19）式において、μ
Sm，ΣSmは、それぞれ分布Smにおける平均ベクトルおよ
び分散である。

【００４３】上述した結果を用いることにより、カット
Uに対する記述長Ｉ(U)は、以下の(21)式のように記述す
ることができる。

【数２１】ここで、

【数２２】であり、このVはUに対応するすべてのデータのフレーム
数に相当する量であり、分割の方法によらず一定値であ
る。

【００４４】そして、標準パターン調整手段２０３は、
すべての可能なカットに関して、記述長 l(U)を計算
し、最も小さいＩ(U)をもつカットUを選択する。このと
き、可能な分割の種類、すなわち、カットUの数は通常
大変多くなる。そこで、次のようなアルゴリズムを用い
ることにより、カットUの選択時の計算量を節約する。
以下、ある状態pの要素分布数最適化について述べる。

【００４５】まず、状態pに対するノード(節点)を作成
する。ここで、このノードをルートノードと呼ぶ。ルー
トノードの分布パラメータは、この状態に対応するすべ
ての要素分布に対応するすべてのデータサンプルから推
定される。例えば、木構造が2分木であり、ルートノー
ドの分布をS0、その2つの子ノードの分布をS1、S2とし
たとき、親ノードから子ノードへ展開したときの記述長
の変化分は以下の(23)式で記述される。

【数２３】

【００４６】例えば、標準パターン調整手段２０３は、
Δ＜０である場合、親ノードの展開を行い、一方、Δ＞
０である場合、親ノードの展開を行わない。また、展開
するときには、さらに子ノードS1、S2それぞれについ
て、上述した処理と同様に、その子ノードへ展開したと
きの記述長の変化を計算し、展開するか否かを判断する
という処理を繰り返す。そして、すべてのノードの展開
が終ったとき、その展開の末端のノードの集合がカット
となり、そのノード分布が要素分布として選択されたこ
とになる。そして、改めて選択された分布のみを要素分
布としてもつ、混合ガウス分布HMMを作成し、その要素
分布を改めて学習におけるデータにより学習する手続き
を行う。

【００４７】以上が、図１に示す一実施形態の音声認識
装置の説明である。ここでは、隠れマルコフモデル（HM
M）を例にして説明したが、モデルが混合ガウス分布で
ある場合にも容易に適用可能である。これは、請求項１
０の発明に対応している。また、上述した一実施形態の
説明では、音響モデル学習について説明したが、使用者
の少量の発声を用いて標準パターンの修正を行うよう
な、話者適応を行う際にも、話者適応用データを用いて
要素分布数の調節を行うことが可能である。この場合、
発明の音声認識装置の構成としては、標準パターン作成
手段のかわりに、標準パターン修正手段を用い、この標
準パターン修正手段への入力音声は、認識用の入力パタ
ーン作成手段に用いる話者と同一の話者の音声を用い
る。

【００４８】また、上述した一実施形態の音声認識装置
においては、木構造による要素分布数の調節手段につい
て説明したが、ミニマックス法を用いたミニマックス分
布選択手段による調節も、以下のように行うことができ
る。以下、一つの状態について説明する。まず、学習デ
ータ中にある回数(X回)以上、出現した分布の集合をAと
し、そうでない分布をBとする。Aに属する分布とBに属
する分布とのの距離をすべて計算し、Bの分布のうち、
最も近いAの分布からの距離が最も大きい分布を取り除
く。

【００４９】次に、その分布以外のBの分布のうち、最
も近いAの分布からの距離が最も大きい分布を取り除
く。この手続きを分布数が予め定めた最小分布数になる
まで繰り返す。そして、最小分布数より小さくならない
（すなわち、Bの分布数が小さい）ときには、その時点
で上述の処理を停止する。以上は、請求項４の発明に対
応する。

【００５０】また、一実施形態においては、ノードの選
択にMDL基準を用いたが、データ量閾値を用いることも
可能である。すなわち、データ量が有る閾値以上ある分
布のうちもっともリーフに近い分布の集合をカットとす
る。以上は、請求項５の発明に対応する。

【００５１】さらに、一実施形態においては、情報量基
準としてMDL基準を用いる場合についてのみ説明した
が、赤池情報量基準(AIC)を用いた場合、あるいは他の
類似の情報量基準を用いた場合においても容易に適用可
能である。以上は、請求項７の発明に対応する。

【００５２】加えて、一実施形態においては、ダイバー
ジェンスを分布間の距離として用いたが、分布を共有し
たときの尤度の増分を距離値として用いることもでき
る。以上は、請求項９の発明に対応する。

【００５３】以上、本発明の一実施形態を図面を参照し
て詳述してきたが、具体的な構成はこの実施形態に限ら
れるものではなく、本発明の要旨を逸脱しない範囲の設
計変更等があっても本発明に含まれる。

【００５４】

【発明の効果】本発明の音声認識装置によれば、新たに
加えたパラメータ調節手段を用いて、混合ガウス分布を
用いたパターン認識において、音声の標準パターンの要
素分布数を、HMMの状態毎に要素分布数を最適化、すな
わち、HMMの状態毎に認識性能が高くなる要素分布数に
調節することにより、不必要な要素分布を省くことがで
き、過学習による未知の音声データに対する劣化を防止
することとなり、高性能な音声認識を行うことが可能に
なる。

【図面の簡単な説明】

【図１】本発明の一実施形態による音声認識装置の構
成を示すブロック図である。

【図２】従来例による音声認識装置の構成を示すブロ
ック図である。

【符号の説明】

１０１入力パターン作成手段１０２標準パターン作成手段１０３標準パターン記憶手段１０４認識手段２０３標準パターン調節手段

Claims

【特許請求の範囲】

【請求項１】混合分布を用いた確率モデルを用いる音
声認識装置であって、標準パターンを保持する標準パターン記憶手段と、音声を入力とし標準パターンを用いて認識結果を出力す
る認識手段と、学習用音声を入力とし標準パターンを作成する標準パタ
ーン作成手段と、標準パターンの混合分布の要素分布数を調節する標準パ
ターン調節手段とを具備することを特徴とする音声認識
装置。
【請求項２】混合分布を用いた確率モデルを用いる音
声認識装置であって、標準パターンを保持する標準パターン記憶手段と、音声を入力とし標準パターンを用いて認識結果を出力す
る認識手段と、適応化用音声を入力とし標準パターンを修正する標準パ
ターン修正手段と、標準パターンの混合分布の要素分布数を調節する標準パ
ターン調節手段とを具備することを特徴とする音声認識
装置。
【請求項３】要素分布の木構造を作成する木構造作成
手段と、学習データを入力として分布を選択する要素分
布選択手段とから構成される標準パターン調節手段を具
備することを特徴とする請求項１または請求項２に記載
の音声認識装置。
【請求項４】前記標準パターン調節手段が、要素分布
の選択にミニマックス法を用いるミニマックス分布選択
手段を具備することを特徴とする請求項１または請求項
２に記載の音声認識装置。
【請求項５】前記要素分布選択手段が、要素分布の選
択において各要素分布に対応する学習データ量を選択基
準として用いることを特徴とする請求項３に記載の音声
認識装置。
【請求項６】前記要素分布選択手段が、要素分布の選
択において、記述長最小基準を選択基準として用いるこ
とを特徴とする請求項３に記載の音声認識装置。
【請求項７】前記要素分布選択手段が、要素分布の選
択において、赤池情報量基準を選択基準として用いるこ
とを特徴とする請求項３に記載の音声認識装置。
【請求項８】前記木構造作成手段が、要素分布の選択
において、ダイバージェンスを分布間距離として用いる
ことを特徴とする請求項３に記載の音声認識装置。
【請求項９】前記木構造作成手段が、学習データに対
する尤度を分布間距離として用いることを特徴とする請
求項３に記載の音声認識装置。
【請求項１０】混合分布を用いた確率モデルとして、
隠れマルコフモデルを用いることを特徴とする請求項１
から請求項９のいずれかに記載の音声認識装置。