JPH06266386A - ワードスポッティング方法 - Google Patents

Abstract

(57)【要約】 【目的】 入力音声の時刻に同期して高速に且つ精度良
く、入力音声中に存在するキーワードを検出する。 【構成】 尤度計算部は、音声分析部２からの音声特徴
量の時系列を入力し、記憶部７，８の部分単語列を表す
キーワードおよびガーベッジ隠れマルコフモデルを用い
て、記憶部９に設定されたオートマトンの開始状態から
各状態までで受理可能な認識対象単語及び未知語からな
る全ての部分単語系列と、音声始端から各時刻までの入
力音声の特徴系列との間で、尤度を時刻に同期して逐次
求める。事後確率計算部４は、この尤度を用いて、各時
刻が認識対象単語を最後尾単語とする各部分単語系列の
発声終了の事後確率、各時刻が各部分単語系列の発声途
中の事後確率を求める。認識判定部５は、これらの事後
確率を時刻毎に比較し、部分単語系列中に存在する認識
対象単語を判定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、人間が自由に発声し
た音声の中に存在するキーワードを、機械に認識あるい
は検出させるワードスポッティング方法に関するもので
ある。

【０００２】

【従来の技術】近年音声認識技術の研究開発が活発に行
われ、いくつかの商品化も行われている。なかでも、人
間が連続的に発声した文章を認識対象とする連続音声認
識が可能となれば、多くの人間と機械間のインタフェー
スを飛躍的に改善できる。しかし現状では、数百程度の
限られた語彙数での連続音声認識が可能であるに過ぎ
ず、入力音声中に認識装置に登録されていない未知語が
存在する場合には、正しい認識結果が得られないという
問題が起こる。

【０００３】ワードスポッティング技術は、このような
問題の解決を目指したもので、連続的に発声された文章
音声あるいは発声時の周囲環境雑音などが音声区間の前
後に付加した入力音声信号中のどの位置に、認識装置に
登録されているキーワードが存在しているかを推定する
ものであり、入力音声中での未知語の存在を許容する認
識技術となっている。

【０００４】このようなワードスポッティング方法の従
来技術としては、例えば、日本音響学会平成２年度春季
研究発表会講演論文集Ｉ（１９９０年３月）の２９〜３
０ページに掲載されている論文「ＨＭＭによる電話音声
スポッティング」（以下、第一の方法と称する）や、Ｉ
ＥＥＥ Ｔransactions on Ａcoustics，Ｓpeech，andＳ
ignal Ｐrocessing，Ｖol.３８，Ｎo.１１（１９９０年
１１月）の１８７０〜１８７８ページに掲載されている
論文「Ａutomatic Ｒecognition of Ｋeywordsin Ｕnco
nstrained Ｓpeech Ｕsing Ｈidden Ｍarkov Ｍodels」
（以下、第二の方法と称する）がある。

【０００５】第一の方法では、認識装置は認識対象語に
ついてだけ統計的な確率音響モデル（キーワード隠れマ
ルコフモデル）を持ち、入力音声の各時刻を各認識対象
語の終端と仮定しながら、尤もらしい始端時刻を探索す
る方法をとっている。キーワードは、推定された単語の
時間的な長さや、推定された区間に対する確率音響モデ
ルからの尤度が、キーワード毎に決められた閾値範囲内
に入っている場合に、検出されるようになっている。し
たがって、第一の方法では入力音声中に未知語が存在し
ていても、時刻に同期してその時点で終端するキーワー
ドを高速に求めることができる。

【０００６】一方、第二の方法では、入力音声中でのキ
ーワードおよび未知語相互の出現順序を有限状態オート
マトンで規定し、認識対象単語を表す確率音響モデル
（キーワード隠れマルコフモデル）と、音声以外の雑音
区間や想定される複数の未知語を用いて作成した確率音
響モデル（ガーベッジ隠れマルコフモデル）を用いてい
る。認識は、与えられたオートマトンで受理することが
可能であるような未知語を途中に含む全単語モデル列に
対する入力音声の尤度を求め、尤度が最大となる単語列
を検出することにより行うものである。このように、第
二の方法では単語の出現順序を考慮することで、誤った
位置でのキーワードの検出や正解の脱落の低減が可能で
ある。

【０００７】

【発明が解決しようとする課題】上記従来技術におい
て、第一の方法では、入力音声中に未知語が存在してい
ても、時刻に同期してその時点で終端するキーワードを
高速に求められる反面、キーワード検出のための閾値範
囲の設定によっては、誤った位置でのキーワードの検出
や正解の脱落などを生じてしまう問題がある。この問題
に対応するためには、ワードスポッティング結果を用い
た繁雑な後処理が必要である。また、入力音声中でのキ
ーワードおよび未知語相互の出現順序に関する情報や、
未知語に関する確率音響モデルを利用していないため、
時間的に長い単語の中に存在する短い単語を検出してし
まうという部分マッチングの問題も生じることがあり、
これを解決するためには、部分マッチングが生じる可能
性のある単語対について、その相互位置関係に関する情
報を用いた後処理も必要であるという問題がある。

【０００８】これに対し、第二の方法では、入力音声中
でのキーワードおよび未知語相互の出現順序を考慮し、
認識対象単語を表すキーワード隠れマルコフモデルと、
発声以外の雑音区間や想定される複数の未知語を用いて
作成したガーベッジ隠れマルコフモデルを用いること
で、第一の方法で問題となるキーワードの誤った位置で
の検出や正解の脱落、部分マッチングの低減を可能とし
ている。しかし、この方法では、未知語を一つの単語と
みなしており、入力音声がオートマトンで受理されるど
の単語列であるかを推定する連続単語認識を行っている
のと等価であるから、第一の方法のように、入力の時刻
に同期して、各時点で終端するキーワードを求めること
は不可能であり、入力される音声区間が確定、すなわち
発声が終了しなければ、認識結果が求められないという
問題がある。

【０００９】この発明は、上記第一および第二の方法に
代表される従来のワードスポッティング方法が持つ問題
点を解消し、キーワードや未知語の出現順序を考慮しな
がら、入力音声の時刻に同期して高速に、かつ精度良
く、入力音声中に存在するキーワードおよびいくつかの
キーワードの時間的連鎖を検出することが可能なワード
スポッティング方法を提供することを目的とする。

【００１０】

【課題を解決するための手段】この目的を達成するため
に、この発明では、まず、予め検出したい認識対象単語
とその他の未知が出現する順序関係を規定した有限状態
オートマトンと、認識対象単語の音声特徴時系列を表す
キーワード隠れマルコフモデルおよび未知語の音声特徴
時系列や雑音などの非音声の特徴時系列を包括的に表す
ガーベッジ隠れマルコフモデルを作成しておく。次いで
発声者から音声が入力されると、設定したオートマトン
の開始状態から各状態までで受理可能な認識単語および
未知語からなる全ての部分単語系列と、音声始端から各
時刻までの入力音声の特徴系列との間で、部分単語列を
表すキーワードおよびガーベッジ隠れマルコフモデルを
用いて、尤度を時刻に同期して逐次的に求める。さら
に、この尤度を用いて、各時刻が認識対象単語を最後尾
単語とするような各部分単語系列の発声終了である場合
の事後確率と、各時刻が各部分系列の発声途中である場
合の事後確率を算出する。これらの事後確率を時刻毎に
比較して、そのうちで最大値を示すものが、ある部分単
語系列の発声終了である場合に対応する時に、その部分
単語系列中に存在する認識対象単語が部分単語系列内で
の出現順序通りに、最大値を検出した時刻までに現われ
たと認識する。

【００１１】

【作用】この発明では、予め用意した認識対象単語およ
び未知語の出現順序を規定した有限状態オートマトンと
認識対象単語を表すガーベッジ隠れマルコフモデルおよ
び未知語や雑音などを包括的に表すガーベッジ隠れマル
コフモデルを用いて、設定したオートマトンの開始状態
から各状態までで受理可能な認識対象単語および未知語
からなる全ての部分単語系列と、音声始端から各時刻ま
での入力音声の特徴系列との間で、尤度を時刻に同期し
て逐次的に求め、この尤度から各時刻が認識対象単語を
最後尾単語とするような各部分単語系列の発声終了であ
る場合の事後確率と、各時刻が各部分単語系列の発声途
中である場合の事後確率を算出している。さらに、これ
らの事後確率を時刻毎に比較して、そのうちで最大値を
示すものが、ある部分単語系列の発声終了である場合に
対応する時に、その部分単語系列中に存在する認識対象
単語がその時刻までに現われたと認識する方法となって
いる。すなわち、この発明は、入力音声が最後まで発声
されて音声区間が確定する以前に、オートマトンで規定
されるような一連の単語連鎖の一部分までが発声された
かどうかを、入力の時刻に同期して検出できる方法とな
っている。

【００１２】

【実施例】以下、この発明の一実施例を図面を参照しな
がら説明する。

【００１３】図１は、この発明の一実施例を示す認識装
置のブロック図である。この図において、１は音声入力
部、２は音声分析部、３は尤度計算部、４は事後確率計
算部、５は認識判定部、６は認識結果出力部、７はキー
ワード隠れマルコフモデル記憶部、８はカーベッジ隠れ
マルコフモデル記憶部、９はオートマトン記憶部、１０
は全体の制御部である。

【００１４】この認識装置の動作の中心は尤度計算部
３、事後確率計算部４、認識判定部５にあるが、最初
に、音声分析部２、キーワード隠れマルコフモデル記憶
部７、ガーベッジ隠れマルコフモデル記憶部８およびオ
ートマトン記憶部９について、以下に説明する。なお、
ここでは、ワードスポッティングの対象としてＮ^w個の
単語からなる認識対象単語セット｛Ｎ^w｝と、入力され
る音声中に現れる認識対象語以外の未知語や雑音を表す
ものとしてＮ^g個の単語からなる未知単語セット｛Ｎ^g｝
を考え、合計Ｎ＝Ｎ^w＋Ｎ^g｝個からなる語彙を、有限オ
ートマトンで用いる単語セット｛Ｎ｝とする。

【００１５】この認識装置では、認識が可能な入力音声
における認識対象語および認識対象語以外の未知語の出
現順序には制約があり、図２に示すような状態数がＱ＋
１個の有限状態オートマトンで規定されているとする。
図２のオートマトンにおいて、状態０は開始状態であ
り、この状態を出発点として遷移枝の上に書かれた単語
の内いずれか一つを出力しながら、次々と状態を遷移
し、その結果、ある状態まで達したところまでで得られ
た出力済みの単語列が、その状態まででこのオートマト
ンが受理できる単語列、すなわち、この認識装置で認識
可能な単語列となる。このようなオートマトンによって
規定された状態ｐから状態ｑへ単語ｎを出力しての遷移
を、δ（ｐ，ｎ）＝ｑと表記することにする。オートマ
トン記憶部９には、このような認識対象語とその他の未
知語が出現する順序関係を規定した有限状態オートマト
ンがあらかじめ記憶されている。

【００１６】音声入力部１に入力される音声信号は、音
声分析部２によって特徴抽出が行われ、ある一定時間間
隔（以下では、これをフレームと称する）ごとに特徴量
ｘ_tへ変換される。この音声分析部２において抽出され
る特徴量としては、線形予測分析法、フーリエ変換法、
フィルタバンク分析法など種々の手法を用いることがで
きる。

【００１７】各認識対象単語および未知語は、音声分析
部２からの出力として得られる特徴量ｘ_tの時系列が、
単語毎にどのような出現順序や出現頻度をもって現れる
かを表現する隠れマルコフモデルで表わすことができ
る。各単語ｎの隠れマルコフモデルの構造を特徴づける
基本的なパラメータとしては、状態数Ｊⁿ、隠れマルコ
フモデルの状態ｊが初期状態となる確率π_j ⁿ、状態ｉか
ら状態ｊへの遷移確率ａⁿ _ij、状態ｉから状態ｊへの状
態遷移において入力された音声のある特徴量ｘ_tを出力
するというシンボル出力確率ｂ_ij ⁿ(ｘ_t）がある。各単
語ｎの隠れマルコフモデルの状態の内、初期状態確率π
_j ⁿが０ではなく初期状態になり得るものの集合を｛ＳＩ
ⁿ｝とし、単語の終点を表す最終状態であるものの集合
を｛ＳＦⁿ｝と表すことにする。認識対象単語に対する
これらのパラメータは、キーワード隠れマルコフモデル
記憶部７に、未知語に対しては、ガーベッジ隠れマルコ
フモデル記憶部８に、それぞれ記憶されているものとす
る。これら、初期状態確率π_j ⁿ、状態遷移確率ａ_ij ⁿ、
シンボル出力確率ｂ_ij ⁿ(ｘ_t）については、例えば、Ｉ
ＥＥＥ ＡＳＳＰ Ｍagazine，Ｖol.３，Ｎo.1（１９８
６年１月）の４〜１６ページに掲載されている論文「Ａ
n Ｉntroduction to Ｈidden Ｍarkov Ｍodels」で紹介
されているバウムウェルヒ再推定法を応用することによ
り、学習データを用いて各単語に最適な値に設定するこ
とができる。

【００１８】次に、図１の尤度計算部３、事後確率計算
部４および認識判定部５の動作の説明に現れるいくつか
の変数を以下のように定義する。

【００１９】Ｌ_q ⁿ（ｔ，ｊ）：オートマトンの状態ｑに
至る単語ｎの隠れマルコフモデルの状態ｊでのフレーム
時刻ｔまでの累積尤度。

【００２０】Ｂ_q ⁿ（ｔ，ｊ）：上記Ｌ_q ⁿ（ｔ，ｊ）に対
応する最適状態遷移パスに対するバックポインタ。

【００２１】Ｌ_q（ｔ） ：フレーム時刻ｔでオート
マトンの状態ｑに至る単語列の隠れマルコフモデルの最
大累積尤度。

【００２２】Ｎ_q（ｔ） ：Ｌ_q（ｔ）に対応する単
語列の最後尾の単語名。

【００２３】Ｂ_q（ｔ） ：Ｎ_q（ｔ）に対応する単
語の開始フレーム時刻から１を引いた値。

【００２４】Ｑ_q（ｔ） ：Ｌ_q（ｔ）に対応する単
語列の状態ｑの直前の状態番号。

【００２５】Ｐ_q ⁿ（ｔ，ｊ）：オートマトンの状態ｑに
至る単語ｎの隠れマルコフモデルの状態ｊでのフレーム
時刻ｔまでの事後確率。

【００２６】ＰＦ_q ⁿ（ｔ）：オートマトンの状態ｑに至
る単語ｎがフレーム時刻ｔで発声終了である事後確率。

【００２７】ＰＣ_q ⁿ（ｔ）：オートマトンの状態ｑに至
る単語ｎがフレーム時刻ｔで発声途中である事後確率。

【００２８】Ｓ_q ⁿ（ｔ） ：オートマトンの状態ｑに至
る単語ｎのフレーム時刻ｔでの隠れマルコフモデルの最
適最終状態。

【００２９】図３は、図１の認識装置におけるワードス
ポッティング手順の全体的フローチャートを示したもの
で、尤度計算、事後確率計算、認識判定は、それぞれ尤
度計算部３、事後確率計算部４、認識判定部５で行われ
る処理である。ここで、尤度計算、事後確率計算、認識
判定の各処理はフレーム時刻毎に繰り返し行われる
（）。さらに、この間に、尤度計算と事後確率計算の
各処理が、まず、オートマトンの状態ｑに至る単語毎に
繰り返され（と）、それがオートマトンの状態毎に
繰り返される（と）。この繰り返し制御は、制御部
１０が司る。また、制御部１０は、ワードスポッティン
グ処理に先立って所定の初期設定を行う。

【００３０】以下、この発明の実施例におけるワードス
ポッティンク手順を詳述する。ワードスポッティング
は、以下のステップ１〜２１を繰り返し行うことによっ
て動作する。なお、ステップ１、２および２１は制御部
１０での処理、ステップ３からステップ１１までは尤度
計算部３で、ステップ１２からステップ１４までは事後
確率計算部４で、ステップ１５からステップ２０までは
認識判定部５でそれぞれ行われる処理である。

【００３１】＜初期設定＞ステップ１（初期設定） まず、音声が入力される前に初期設定として、各変数に
次のような値を設定する。

【００３２】

【数１】

【００３３】＜フレームの繰り返し制御＞ ステップ２（フレーム時刻毎の繰り返し） フレーム時刻ｔ＝１，２，…，Ｔについて、ステップ３
からステップ２１までを繰り返す。ただし、ここでＴ
は、入力される音声のフレーム総数である。

【００３４】＜尤度計算＞ ステップ３（オートマトンの状態毎の繰り返し） オートマトンの状態ｑ＝１，２，…，Ｑについて、ステ
ップ４からステップ１１までを繰り返す。

【００３５】ステップ４（オートマトンの状態ｑに至る
単語毎の繰り返し） 次式で与えられるような、オートマトンの状態ｑに至る
すべての単語ｎについて、ステップ５からステップ１０
までを繰り返す。

【００３６】

【数２】

【００３７】ステップ５（単語ｎの初期状態毎の繰り返
し） 単語ｎのすべての初期状態ｊ∈｛ＳＩⁿ｝について、ス
テップ６からステップ７を繰り返す。

【００３８】ステップ６（最適パスの決定＞ もし、オトーマトンの状態ｑに至る単語ｎの隠れマルコ
フモデルの初期状態ｊでのフレーム時刻ｔ−１までの累
積尤度Ｌ_q ⁿ（ｔ−１，ｊ）が、次式の条件を満たせば、
ステップ７を実行する。

【００３９】

【数３】

【００４０】ステップ７（最適パスのバックポインタの
再設定） オートマトンの状態ｑ至る単語ｎの隠れマルコフモデル
の初期状態ｊでのフレーム時刻ｔ−１までの累積尤度Ｌ
_q ⁿ（ｔ−１，ｊ）およびそれに対応する最適パスのバッ
クポインタＢ_q ⁿ（ｔ−１，ｊ）を、次のように再設定す
る。

【００４１】

【数４】

【００４２】ステップ８（単語ｎの状態毎の繰り返し） 単語ｎの各状態（ｊ＝１，２，…，Ｊⁿ）について、ス
テップ９を繰り返す。

【００４３】ステップ９（尤度および最適パスの計算） オートマトンの状態ｑに至る単語ｎの隠れマルコフモデ
ルの各状態ｊでのフレーム時刻ｔまでの累積尤度Ｌ
_q ⁿ（ｔ，ｊ）およびそれに対応する最適パスのバックポ
インタＢ_q ⁿ（ｔ，ｊ）を、単語ｎの隠れマルコフモデル
の各パラメータおよびフレーム時刻ｔにおける入力音声
の特徴量ｘ_tを用いて、次のように計算する。

【００４４】

【数５】

【００４５】このステップ９の動作によって、オートマ
トンの開始状態から各状態までで受理可能な認識対象単
語および未知語からなるすべての部分単語系列と、音声
始端からフレーム時刻ｔまでの入力音声の特徴系列との
間で、部分単語列を表すキーワードおよびガーベッジ隠
れマルコフモデルによって計算される尤度を求めたこと
になる。

【００４６】ステップ１０（フレーム時刻ｔでの最適最
終状態の決定） オートマトンの状態ｑに至る単語ｎのフレーム時刻ｔで
の隠れマルコフモデルの最適最終状態Ｓ_q ⁿ（ｔ）を、次
式のように決定する。

【００４７】

【数６】

【００４８】ステップ１１（最適単語列の決定） フレーム時刻ｔでオートマトンの状態ｐに至る各単語ｎ
の内で最適なものを選び、次のＬ_q（ｔ），Ｎ_q（ｔ），
Ｂ_q（ｔ），Ｑ_q（ｔ）を求める。

【００４９】

【数７】

【００５０】＜事後確率計算＞ ステップ１２（オートマトンの状態毎の繰り返し） オートマトンの状態ｑ＝１，２，…，Ｑについて、ステ
ップ１３からステップ１４までを繰り返す。

【００５１】ステップ１３（オートマトンの状態ｑに至
る単語毎の繰り返し） 次式で与えられるような、オートマトンの状態ｑに至る
単語ｎについて、ステップ１４を繰り返す。

【００５２】

【数８】

【００５３】ステップ１４（事後確率の算出） 次式によって、オートマトンの状態ｑに至る認識対象単
語ｎ∈｛Ｎ^w｝がフレーム時刻ｔで時刻ｔで発声終了で
ある事後確率ＰＦ_q ⁿ（ｔ）と、オートマトンの状態ｑに
至る認識対象単語あるいは未知語ｎ∈｛Ｎ｝がフレーム
時刻ｔで発声途中である事後確率ＰＣ_q ⁿ（ｔ）が求めら
れる。

【００５４】

【数９】

【００５５】＜認識判定＞ ステップ１５（事後確率最大の単語の決定） ステップ１４で求めたオートマトンの状態ｑに至る認識
対象単語ｎがフレーム時刻ｔで発声終了である事後確率
ＰＦ_q ⁿ（ｔ）と、オトーマトンの状態ｑに至る認識対象
単語あるいは未知語ｎがフレーム時刻ｔで発声途中であ
る事後確率ＰＣ_q ⁿ（ｔ）から、フレーム時刻ｔが単語の
発声終了であるとした場合の最大事後確率を持つ単語ｎ
^Fとそれに対応するオートマトンの状態ｑ^F、および単語
の発声途中であるとした場合の最大事後確率を持つ単語
ｎ^Cとそれに対応するオートマトンの状態ｑ^Cを次のよう
にして求める。

【００５６】

【数１０】

【００５７】ここで、それぞれの最大事後確率を次のよ
うに定義する。

【００５８】

【数１１】

【００５９】このステップ１５では、さらに、このＡと
Ｂの大小を比較し、Ａの方が大きい場合には、現在のフ
レーム時刻ｔで終端する単語ｎ^Fからなるワードスポッ
ティング結果があると判断し、ステップ１６へ移る。ま
た、Ｂの方が大きい場合には、ワードスポッティング結
果なしと判断し、ステップ２１へ移る。

【００６０】ステップ１６（ワードスポッティング結果
の単語列の決定） ワードスポッティングされたオートマトンの状態ｑ^Fに
至る最後尾単語がｎ^Fであるような単語列を構成する各
認識対象単語を求めるために、ｑ₀＝ｑ^Fおよびｂ₀＝
ｔ，ｉ＝０，ｋ＝０として、ステップ１７からステップ
１９を繰り返す。

【００６１】ステップ１７（認識対象かどうかの判定） もし、Ｎ_qi（ｂ_i）が認識対象単語であれば、次式のよ
うにｋを１増加させると同時に、認識結果Ｗ_kとして登
録する。

【００６２】

【数１２】

【００６３】ステップ１８（直前の単語の終端時刻と状
態の決定） Ｎ_qi（ｂ_i）の直前の単語の終端フレーム時刻ｂ_i+1と、
その単語が至ったオートマトンの状態ｑ_i+1を、次式に
よって求める。

【００６４】

【数１３】

【００６５】ステップ１９（音声の始端まで達したかど
うかの判定） もし、ｂ_i+1＝０ならば、音声の始端にまで遡って単語
をすべて検索し終ったことになり、ステップ２０へ移
る。それ以外の場合は、ｉ＝ｉ＋１として、ステップ１
７へ戻る。

【００６６】ステップ２０（ワードスポッティング結果
の出力） 認識結果出力部６に、フレーム時刻ｔで終端するｋ個の
認識対象単語からなる単語列Ｗ_k，Ｗ_k-1，…，Ｗ₁がワ
ードスポッティングされたことを出力する。

【００６７】＜フレーム時刻の更新制御＞ステップ２１（フレーム時刻の更新） フレーム時刻ｔを一つ進めて、入力音声の終端に達して
いないならば、ステップ２に戻る。

【００６８】以上のような動作によって、図１の実施例
では、予め作成して各記憶部７，８，９に記憶しておい
た、認識対象単語とその他の未知語が出現する順序関係
を規定した有限状態オートマトンと、認識対象単語の音
声特徴時系列をあらわすキーワード隠れマルコフモデル
および未知語の音声特徴時系列や雑音などの非音声の特
徴時系列を包括的にあらわすガーベッジ隠れマルコフモ
デルを用いて、制御部１０の繰り返し動作制御下で、尤
度計算部３では、オートマトンの開始状態から各状態ま
でで受理可能な認識対象単語および未知語からなる全て
の部分単語系列と、音声始端から各時刻までの入力音声
の特徴系列との間で、部分単語列を表すキーワードおよ
びガーベッジ隠れマルコフモデルによって計算される尤
度が時刻に同期して逐次的に求められる。同様に、事後
確率計算部４では、この尤度を用いることによって、各
時刻が認識対象単語を最後尾単語とするような各部分単
語系列の発声終了である場合の事後確率と、各時刻が各
部分単語系列の発声途中である場合の事後確率が算出さ
れる。認識判定部５では、これらの事後確率のうちで最
大値を示すものが、ある部分単語系列の発声終了である
場合に対応するときに、その部分単語系列中に存在する
認識対象単語が部分単語系列内での出現順序通りに現れ
たと判定し、その認識結果が認識結果出力部６から出力
される。

【００６９】したがって、入力音声の時刻に同期して、
各時刻までに存在するキーワードの連鎖を高速に検出で
き、また、オートマトンによって単語列を規定すること
によって誤ったキーワードの検出や脱落を最小限にとど
めることが可能となる。

【００７０】

【発明の効果】以上説明したように、この発明によるワ
ードスポッティング方法では、入力音声が最後まで発声
されて音声区間が確定する以前に、オートマトンで推定
されるような一連の単語連鎖の一部分までが達成された
かどうかを、入力の時刻に同期して検出できる。したが
って、従来の代表的方法が持つ問題点、すなわち、先の
第一の方法のような、誤った位置でのキーワードの検出
や正解の脱落などを生じてしまうという問題点、部分マ
ッチングに対応するために単語対の相互位置関係に関す
る情報を用いた後処理が必要であるという問題点、ま
た、先の第二の方法のような、入力の時刻に同期して、
各時点で終端するキーワードを求めることが不可能であ
り、入力される音声区間が確定（発声が終了）しなけれ
ば認識結果が求められないという問題点をいずれも同時
に解消し、キーワードや未知語の出現順序を考慮しなが
ら、入力音声の時刻に同期して高速に、かつ精度良く、
入力音声中に存在するキーワードおよびいくつかのキー
ワードの時間的連鎖を検出することが可能になる。

【図面の簡単な説明】

【図１】この発明を適用した認識装置の一実施例のブロ
ック構成図である。

【図２】この発明の実施例において用いられている有限
状態オートマトンの一例を示す図である。

【図３】この発明の実施例におけるワードスポッティン
グ手順の全体的フローチャートである。

【符号の説明】

１ 音声入力部 ２ 音声分析部 ３ 尤度計算部 ４ 事後確率計算部 ５ 認識判定部 ６ 認識結果出力部 ７ キーワード隠れマルコフモデル記憶部 ８ ガーベッジ隠れマルコフモデル記憶部 ９ オートマトン記憶部 １０ 制御部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 予め、認識対象単語とその他の未知語が
   出現する順序関係を規定した有限状態オートマトンと、
   認識対象単語の音声特徴時系列を表すキーワード隠れマ
   ルコフモデルおよび未知語の音声特徴時系列や雑音など
   の非音声の特徴時系列を包括的に表すガーベッジ隠れマ
   ルコフモデルを作成しておき、 オートマトンの開始状態から各状態までで受理可能な認
   識対象単語および未知語からなる全ての部分単語系列
   と、音声始端から各時刻までの入力音声の特徴系列との
   間で、部分単語列を表すキーワードおよびガーベッジ隠
   れマルコフモデルを用いて、尤度を時刻に同期して逐次
   的に求め、 上記尤度を用いて、各時刻が認識対象単語を最後尾単語
   とするような各部単語系列の発声終了である場合の事後
   確率と、各時刻が各部分単語系列の発声途中である場合
   の事後確率を算出し、 上記事後確率のうちで最大値を示すものが、ある部分単
   語系列の発声終了である場合に対応する時に、その部分
   単語系列中に存在する認識対象単語が部分単語系列内で
   の出現順序通りに現れたと認識する、ことを特徴とする
   ワードスポッティング方法。