音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体

トップ :: G 物理学 :: G10 楽器;音響

【発明の名称】	音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体
【発明者】	【氏名】岡登洋平【氏名】石井純
【要約】	【課題】ユーザへ大きな負担をかけることなく音響モデルと言語モデルを更新し、認識精度を向上させる。【解決手段】音響モデル管理サーバ２０は、更新された音響データ１０７を取得し音響モデルを構築し、言語モデル管理サーバ３０は、更新された言語データ１１４を取得し言語モデルを構築して、それぞれネットワークを介して音声認識装置１０に送信する。音声認識装置１０において、音響モデル更新手段１１１は、送信された音響モデルにより音響モデル１０２を更新し、言語モデル更新手段１１８は、送信された言語モデルにより言語モデル１０３を更新する。

【特許請求の範囲】
【請求項１】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識装置と、上記音声認識装置とネットワークを介して接続され、更新された音響データを取得して上記音響モデルを構築する音響モデル管理サーバとを備えた音声認識システムにおいて、上記音響モデル管理サーバが構築した上記音響モデルを上記音声認識装置に送信し、上記音声認識装置が、音声認識の際に参照する音響モデルを、上記音響モデル管理サーバが送信した音響モデルにより更新することを特徴とする音声認識システム。
【請求項２】音響モデル管理サーバが、音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを取得し、取得したＩＤで指示される特定条件に対応して、更新された音響データを読み出し、上記特定条件に依存した音響モデルを構築して上記音声認識装置に送信することを特徴とする請求項１記載の音声認識システム。
【請求項３】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する音声認識装置と、上記音声認識装置とネットワークを介して接続され、更新された言語データを取得して上記言語モデルを構築する言語モデル管理サーバとを備えた音声認識システムにおいて、上記言語モデル管理サーバが構築した上記言語モデルを上記音声認識装置に送信し、上記音声認識装置が、音声認識の際に参照する言語モデルを、上記言語モデル管理サーバが送信した言語モデルにより更新することを特徴とする音声認識システム。
【請求項４】言語モデル管理サーバが、音声認識装置が音声認識の際に参照する言語モデルを特定するＩＤを取得し、取得したＩＤで指示される特定条件に対応して、更新された言語データを読み出し、上記特定条件に依存した言語モデルを構築して上記音声認識装置に送信することを特徴とする請求項３記載の音声認識システム。
【請求項５】音声認識装置が音声認識の際に単語を登録したユーザ辞書を参照し、言語モデル管理サーバが、ネットワークを介して上記ユーザ辞書を読み出し、更新された言語データと、読み出した上記ユーザ辞書とを参照し、上記ユーザ辞書に依存した言語モデルを構築して上記音声認識装置に送信することを特徴とする請求項３記載の音声認識システム。
【請求項６】言語モデル管理サーバが、音声認識装置のユーザが利用したテキストを取得し、更新された言語データと、取得した上記テキストとを参照し、上記テキストに依存した言語モデルを構築して上記音声認識装置に送信することを特徴とする請求項３記載の音声認識システム。
【請求項７】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識装置と、上記音声認識装置とネットワークを介して接続され、適応化前の初期音響モデルを有する音響モデル管理サーバとを備えた音声認識システムにおいて、上記音声認識装置が、上記音響モデルを特定するＩＤと、入力された音声信号から適応化用の音声データとを取得し、取得したＩＤ及び適応化用の音声データを、ネットワークを介して上記音響モデル管理サーバに送信し、上記音響モデル管理サーバが、送信された適応化用の音声データを用いて、上記初期音響モデルを適応化し、適応化済み音響モデルを、送信された上記ＩＤに対応付けて格納すると共に、外部からの音響モデル更新指令を受けて、ネットワークを介して上記音声認識装置から上記音響モデルを特定するＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、格納している適応化済み音響モデルの中から選択して読み出し、ネットワークを介して上記音声認識装置に送信し、上記音声認識装置が、音声認識の際に参照する音響モデルを、上記音響モデル管理サーバが送信した適応化済み音響モデルにより更新することを特徴とする音声認識システム。
【請求項８】音声の音響的な観測値系列の確率を求める音響モデルと、音声信号を入力し上記音響モデルを参照して音声認識を行い、認識結果を出力する照合手段とを備えた音声認識装置において、ネットワークを介して接続された音響モデル管理サーバから、更新された音響データにより構築された音響モデルを受信し、上記照合手段が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新手段とを備えたことを特徴とする音声認識装置。
【請求項９】音響モデル更新手段が、ネットワークを介して接続された音響モデル管理サーバから、更新された音響データにより構築された、照合手段が音声認識の際に参照する音響モデルの特定条件に依存した音響モデルを受信し、上記照合手段が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新することを特徴とする請求項８記載の音声認識装置。
【請求項１０】単語列の出現確率を求める言語モデルと、音声信号を入力し上記言語モデルを参照して音声認識を行い、認識結果を出力する照合手段とを備えた音声認識装置において、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新手段とを備えたことを特徴とする音声認識装置。
【請求項１１】言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、照合手段が音声認識の際に参照する言語モデルの特定条件に依存した言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新することを特徴とする請求項１０記載の音声認識装置。
【請求項１２】照合手段が音声認識の際に参照する単語を登録したユーザ辞書を備え、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、上記照合手段が音声認識の際に参照するユーザ辞書に依存した言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新することを特徴とする請求項１０記載の音声認識装置。
【請求項１３】言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、音声認識を行うユーザが利用したテキストに依存した言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新することを特徴とする請求項１０記載の音声認識装置。
【請求項１４】音声の音響的な観測値系列の確率を求める音響モデルと、音声信号を入力し上記音響モデルを参照して音声認識を行い、認識結果を出力する照合手段と、上記音響モデルを特定するＩＤを取得する音響モデルＩＤ取得手段と、上記音響モデルＩＤ取得手段が取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、読み出したＩＤ及び取得した適応化用の音声データを、ネットワークを介して接続された音響モデル管理サーバに送信する適応化用音声取得手段と、上記音響モデル管理サーバから、上記ＩＤに対応する上記適応化用の音声データにより適応化された適応化済み音響モデルを受信し、上記照合手段が音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する音響モデル更新手段とを備えたことを特徴とする音声認識装置。
【請求項１５】更新された音響データを取得する音響データ取得手段と、外部からの音響モデル更新指令を受けて、上記音響データ取得手段が取得した更新された音響データを読み出し、音声の音響的な観測値系列の確率を求める音響モデルを構築する音響モデル構築手段と、上記音響モデル構築手段により構築された音響モデルを、ネットワークを介して音声認識を行う音声認識装置に送信する音響モデル送信手段とを備えたことを特徴とする音響モデル管理サーバ。
【請求項１６】更新された音響データを取得する音響データ取得手段と、外部からの音響モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを取得する更新音響モデルＩＤ取得手段と、上記更新音響モデルＩＤ取得手段が取得したＩＤで指示される特定条件に対応して、上記音響データ取得手段が取得した更新された音響データを読み出す特定向け音響データ読み出し手段と、上記特定向け音響データ読み出し手段が読み出した更新された音響データを参照し、上記特定条件に依存した音響モデルを構築する特定向け音響モデル構築手段と、上記特定向け音響モデル構築手段が構築した音響モデルを、ネットワークを介して上記音声認識装置に送信する音響モデル送信手段とを備えたことを特徴とする音響モデル管理サーバ。
【請求項１７】音声の音響的な観測値系列の確率を求める、適応化前の初期音響モデルと、ネットワークを介して接続された音声認識装置から送信された、適応化用の音声データと、上記音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを受信し、上記適応化用の音声データを用いて上記初期音響モデルを適応化し、適応化済み音響モデルを、受信した上記ＩＤに対応付けて適応化済み音響モデル格納手段に格納する音響モデル適応化手段と、外部からの音響モデル更新指令を受けて、ネットワークを介して上記音声認識装置から上記ＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、上記適応化済み音響モデル格納手段から選択して読み出す適応化済み音響モデル選択手段と、上記適応化済み音響モデル選択手段が読み出した適応化済み音響モデルを、ネットワークを介して上記音声認識装置に送信する音響モデル送信手段とを備えたことを特徴とする音響モデル管理サーバ。
【請求項１８】更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、上記言語データ取得手段が取得した更新された言語データを読み出し、単語列の出現確率を求める言語モデルを構築する言語モデル構築手段と、上記言語モデル構築手段が構築した言語モデルを、ネットワークを介して音声認識を行う音声認識装置に送信する言語モデル送信手段とを備えたことを特徴とする言語モデル管理サーバ。
【請求項１９】更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照する言語モデルを特定するＩＤを取得する更新言語モデルＩＤ取得手段と、上記更新言語モデルＩＤ取得手段が取得したＩＤで指示される特定条件に対応して、上記言語データ取得手段が取得した更新された言語データを読み出す特定向け言語データ読み出し手段と、上記特定向け言語データ読み出し手段が読み出した更新された言語データを参照し、上記特定条件に依存した言語モデルを構築する特定向け言語モデル構築手段と、上記特定向け言語モデル構築手段が構築した言語モデルを、ネットワークを介して上記音声認識装置に送信する言語モデル送信手段とを備えたことを特徴とする言語モデル管理サーバ。
【請求項２０】更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照するユーザ辞書を読み出すユーザ辞書読み出し手段と、上記言語データ取得手段が取得した更新された言語データを読み出し、上記ユーザ辞書読み出し手段が読み出したユーザ辞書に依存した言語モデルを構築するユーザ辞書依存言語モデル構築手段と、上記ユーザ辞書依存言語モデル構築手段が構築した言語モデルを、ネットワークを介して上記音声認識装置に送信する言語モデル送信手段とを備えたことを特徴とする言語モデル管理サーバ。
【請求項２１】更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置のユーザが利用したテキストを取得するユーザ利用テキスト取得手段と、上記言語データ取得手段が取得した更新された言語データを読み出し、上記ユーザ利用テキスト取得手段が取得したテキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築手段と、上記ユーザ利用テキスト依存言語モデル構築手段が構築した言語モデルを、ネットワークを介して上記音声認識装置に送信する言語モデル送信手段とを備えたことを特徴とする言語モデル管理サーバ。
【請求項２２】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識方法において、更新された音響データを取得する第１のステップと、音響モデル更新指令を受けて、上記第１のステップで取得した更新された音響データを読み出し、音響モデルを構築する第２のステップと、上記第２のステップで構築した音響モデルを、ネットワークを介して送信する第３のステップと、上記第３のステップで送信した音響モデルを受信し、上記音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する第４のステップとを備えたことを特徴とする音声認識方法。
【請求項２３】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する音声認識方法において、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、上記第１のステップで取得した更新された言語データを読み出し、言語モデルを構築する第２のステップと、上記第２のステップで構築した言語モデルを、ネットワークを介して送信する第３のステップと、上記第３のステップで送信した言語モデルを受信し、上記音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第４のステップとを備えたことを特徴とする音声認識方法。
【請求項２４】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識方法において、更新された音響データを取得する第１のステップと、音響モデル更新指令を受けて、音声認識の際に参照する音響モデルを特定するＩＤを取得する第２のステップと、上記第２のステップで取得したＩＤで指示される特定条件に対応して、上記第１のステップで取得した更新された音響データを読み出す第３のステップと、上記第３のステップで読み出した更新された音響データを参照し、上記特定条件に依存した音響モデルを構築する第４のステップと、上記第４のステップで構築した音響モデルを、ネットワークを介して送信する第５のステップと、上記第５のステップで送信した音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する第６のステップとを備えたことを特徴とする音声認識方法。
【請求項２５】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する音声認識方法において、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識の際に参照する言語モデルを特定するＩＤを取得する第２のステップと、上記第２のステップで取得したＩＤで指示される特定条件に対応して、上記第１のステップで取得した更新された言語データを読み出す第３のステップと、上記第３のステップで読み出した更新された言語データを参照し、上記特定条件に依存した言語モデルを構築する第４のステップと、上記第４のステップで構築した言語モデルを、ネットワークを介して送信する第５のステップと、上記第５のステップで送信した言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第６のステップとを備えたことを特徴とする音声認識方法。
【請求項２６】音声信号を入力し、単語列の出現確率を求める言語モデルと、単語を登録したユーザ辞書を参照して音声認識を行い、認識結果を出力する音声認識方法において、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識の際に参照するユーザ辞書を読み出す第２のステップと、上記第１のステップで取得した更新された言語データを読み出し、上記第２のステップで読み出したユーザ辞書に依存した言語モデルを構築する第３のステップと、上記第３のステップで構築した言語モデルを、ネットワークを介して送信する第４のステップと、上記第４のステップで送信した言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第５のステップとを備えたことを特徴とする音声認識方法。
【請求項２７】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する音声認識方法において、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識を行うユーザが利用したテキストを取得する第２のステップと、上記第１のステップで取得した更新された言語データを読み出し、上記第２のステップで取得したテキストに依存した言語モデルを構築する第３のステップと、上記第３のステップで構築した言語モデルを、ネットワークを介して送信する第４のステップと、上記第４のステップで送信した言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第５のステップとを備えたことを特徴とする音声認識方法。
【請求項２８】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識方法において、上記音響モデルを特定するＩＤを取得する第１のステップと、上記第１のステップで取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、ネットワークを介して、読み出したＩＤ及び取得した適応化用の音声データを送信する第２のステップと、上記第２のステップで送信した適応化用の音声データを用いて、適応化前の初期音響モデルを適応化し、適応化済み音響モデルを、上記第２のステップで送信したＩＤに対応付けて格納する第３のステップと、音響モデル更新指令を受けて、ネットワークを介して上記第１のステップで取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、上記第３のステップで格納している適応化済み音響モデルの中から選択して読み出す第４のステップと、上記第４のステップで読み出した適応化済み音響モデルを、ネットワークを介して送信する第５のステップと、上記第５のステップで送信した適応化済み音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する第６のステップとを備えたことを特徴とする音声認識方法。
【請求項２９】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、更新された音響データを取得する音響データ取得機能と、音響モデル更新指令を受けて、上記音響データ取得機能が取得した更新された音響データを読み出し、音響モデルを構築する音響モデル構築機能と、上記音響モデル構築機能が構築した音響モデルを、ネットワークを介して送信する音響モデル送信機能と、上記音響モデル送信機能が送信した音響モデルを受信し、上記照合機能が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項３０】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記言語データ取得機能が取得した更新された言語データを読み出し、言語モデルを構築する言語モデル構築機能と、上記言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項３１】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、更新された音響データを取得する音響データ取得機能と、音響モデル更新指令を受けて、上記音響モデルを特定するＩＤを取得する更新音響モデルＩＤ取得機能と、上記更新音響モデルＩＤ取得機能が取得したＩＤで指示される特定条件に対応して、上記音響データ取得機能が取得した更新された音響データを読み出す特定向け音響データ読み出し機能と、上記特定向け音響データ読み出し機能が読み出した更新された音響データを参照し、上記特定条件に依存した音響モデルを構築する特定向け音響モデル構築機能と、上記特定向け音響モデル構築機能が構築した音響モデルを、ネットワークを介して送信する音響モデル送信機能と、上記音響モデル送信機能が送信した音響モデルを受信し、上記照合機能が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項３２】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記言語モデルを特定するＩＤを取得する更新言語モデルＩＤ取得機能と、上記更新言語モデルＩＤ取得機能が取得したＩＤで指示される特定条件に対応して、上記言語データ取得機能が取得した更新された言語データを読み出す特定向け言語データ読み出し機能と、上記特定向け言語データ読み出し機能が読み出した更新された言語データを参照し、上記特定条件に依存した言語モデルを構築する特定向け言語モデル構築機能と、上記特定向け言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項３３】音声信号を入力し、単語列の出現確率を求める言語モデルと、単語を登録したユーザ辞書を参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記ユーザ辞書を読み出すユーザ辞書読み出し機能と、上記言語データ取得機能が取得した更新された言語データを読み出し、上記ユーザ辞書読み出し機能が読み出したユーザ辞書に依存した言語モデルを構築するユーザ辞書依存言語モデル構築機能と、上記ユーザ辞書依存言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項３４】音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、音声認識を行うユーザが利用したテキストを取得するユーザ利用テキスト取得機能と、上記言語データ取得機能が取得した更新された言語データを読み出し、上記ユーザ利用テキスト取得機能が取得したテキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築機能と、上記ユーザ利用テキスト依存言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項３５】音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させる音声認識プログラムを記録した記録媒体であって、上記音響モデルを特定するＩＤを取得する音響モデルＩＤ取得機能と、上記音響モデルＩＤ取得機能が取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、ネットワークを介して、読み出したＩＤ及び取得した適応化用の音声データを送信する適応化用音声取得機能と、上記適応化用音声取得機能が送信した適応化用の音声データを用いて、適応化前の初期音響モデルを適応化し、適応化済み音響モデルを、上記適応化用音声取得機能が送信したＩＤに対応付けて格納する音響モデル適応化機能と、音響モデル更新指令を受けて、ネットワークを介して上記音響モデルＩＤ取得機能が取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、上記音響モデル適応化機能が格納した適応化済み音響モデルの中から選択して読み出す適応化済み音響モデル選択機能と、上記適応化済み音響モデル選択機能が読み出した適応化済み音響モデルを、ネットワークを介して送信する音響モデル送信機能と、上記音響モデル送信機能が送信した適応化済み音響モデルを受信し、上記照合機能が音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する音響モデル更新機能とを実現させる音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体。

【発明の詳細な説明】【０００１】
【発明の属する技術分野】この発明は、音声認識の際に参照する音響モデルと言語モデルを、高い認識率が得られるように、ネットワークを介して最新の状態に更新する音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体に関するものである。
【０００２】
【従来の技術】音声認識においては、通常、ディジタル化して入力された音声を、信号処理手法を用いて音声の音響的特徴を良く表すベクトルの時系列へ変換した後、音声のモデル（音響モデル、言語モデル）との照合処理を行う。
【０００３】照合処理はｎ個の時刻フレームからなる音響特徴ベクトル時系列Ａ＝［ａ１ａ２：：ａｎ］から発声された単語列Ｗ＝［ｗ１ｗ２：：ｗｋ］（ｋは単語数）を求める問題である。認識精度が最も高くなるような単語列を推定するには、出現確率Ｐ（Ｗ｜Ａ）が最大となる認識単語列Ｗ＊を求めれば良い。すなわち、Ｗ＊＝ａｒｇｍａｘＷＰ（Ｗ｜Ａ）（１）
ただし、Ｐ（Ｗ｜Ａ）を直接求めることは通常困難である。そこでベイズの定理を用いて、Ｐ（Ｗ｜Ａ）は（２）式のように書き換える。
Ｐ（Ｗ｜Ａ）＝Ｐ（Ｗ）Ｐ（Ａ｜Ｗ）／Ｐ（Ａ）（２）
【０００４】ここで、左辺を最大化するＷを求める際に、右辺分母であるＰ（Ａ）は認識候補となるＷに影響を与えないため、右辺分子を最大化するＷを求めれば良い。すなわち、（３）式のようになる。
Ｗ＊＝ａｒｇｍａｘＷＰ（Ｗ）Ｐ（Ａ｜Ｗ）（３）
ここで、Ｐ（Ｗ）を与える確率モデルを言語モデルと呼び、Ｐ（Ａ｜Ｗ）を与える確率モデルを音響モデルと呼ぶ。
【０００５】音声認識におけるこれらの代表的なモデル化方法は、音響モデルを隠れマルコフモデルで表現し、言語モデルをｎグラムと呼ばれる単語のｎ－１重マルコフ過程で表現する方法である。
【０００６】これらの方法の詳細は、例えば「音声認識の基礎（上、下）」Ｌ．ＲＡＢＩＮＥＲ，Ｂ．Ｈ．ＪＵＡＮＧ，古井監訳、１９９５年、１１月、ＮＴＴアドバンステクノロジ（以下、文献１とする）、「確率的言語モデル」北研二、東京大学出版会（以下、文献２とする）、「音声・音情報のディジタル信号処理」鹿野清宏、中村哲、伊勢史郎共著、１９９７年、１１月、昭晃堂（以下、文献３とする）に記されている。
【０００７】これらの方法において、モデルを構成するパラメータは大量のデータから統計的に推定する。音響モデルの構築では、あらかじめ多数の話者からの単語、文等の音声データを収集し、統計的手法を利用して認識精度や認識精度と良く関連した指標が向上するように推定する。例えば、音響モデルを構成する隠れマルコフモデルのパラメータを、音響モデルが学習データを出力する尤度が最大となるように、バウム・ウェルチアルゴリズムを用いて推定する。音響モデルの推定方法は、文献１下巻において詳細に記されている。
【０００８】同様に、言語モデルの構築では、新聞や会話の書き起こし等のテキストから、言語モデルの構造に従って、それぞれの発話や発話を構成する単語の出現する確率を計算する。例えば、ｎグラム言語モデルにおいて、ｎ＝２とおいたとき（バイグラム言語モデルと呼ばれる）、Ｐ（Ｗ）は（４）式のように近似される。ｎグラム言語モデルのパラメータは、学習用テキストデータ内の隣接するｎ単語の頻度から推定される。言語モデルの推定方法は、文献２において詳細に記されている。
Ｐ（ｗ１．．ｗ．ｋ）
＝Ｐ（ｗ１）Ｐ（ｗ２｜ｗ１）．．Ｐ．（ｗｋ｜ｗ１．．ｗ．ｋ－１）
≒Ｐ（ｗ１）Ｐ（ｗ２｜ｗ１）．．Ｐ．（ｗｋ｜ｗｋ－１）（４）
【０００９】このように大量テキストを用いて、それぞれの単語の出現確率を統計的に推定することによって、統計量を用いない方法に比べて高い認識精度を得る言語モデルを構築できる。なお、日本語ではテキストが分かち書きされないため、単語の定義はあいまいであるが、本文では整合性のある何らかの手段でテキストを分割したそれぞれの単位を単語と定義する。この単語は、例えば、文字や形態素、文節等言語的な単位やエントロピー基準に基づいたテキストの分割、これらの組み合わせ等である。
【００１０】図１２は上記文献１に開示された従来の音声認識装置の構成を示すブロック図である。図１２において、１０１は音声信号１００を入力し音声認識して認識結果１０４を出力する照合手段、１０２は照合手段１０１が音声認識する際に参照する音響モデル、１０３は照合手段１０１が音声認識する際に参照する言語モデルである。
【００１１】次に動作について説明する。照合手段１０１は、ユーザの音声信号１００を入力し、音響モデル１０２及び言語モデル１０３を参照して、音声認識を実行し認識結果１０４を出力する。音響モデル１０２は、入力されたユーザの音声信号１００の音声波形を信号処理して得られる音響特徴ベクトルの時系列と、例えば、音素等で表される音声認識装置が扱う最小のシンボル情報との写像関係を表す。言語モデル１０３は、音響モデル１０２により写像されるシンボルの組み合わせにより表される単語等より長い認識単位との対応関係と、単語の出現情報を記述する。音響モデル１０２は、あるシンボルのモデルがベクトル時系列を出力する確率を求めるものであり、すなわち、音声の音響的な観測値系列の確率を求めるものであり、言語モデル１０３は、ある単語列の出現確率を求めるものである。
【００１２】図１３は音声信号１００を入力して認識結果１０４を得る従来の音声認識処理の手順を示すフローチャートである。ステップＳＴ１３０１において、入力された音声信号１００はＡ／Ｄ変換されてディジタル信号となる。ステップＳＴ１３０２において、ディジタル化された音声信号は適当な間隔をおいて信号処理され、音声の性質をよく表す音響特徴ベクトルの時系列へと変換される。
【００１３】ステップＳＴ１３０３において、音響特徴ベクトルは音響照合処理により音響モデル１０２と照合され、それぞれの認識候補について、音響特徴ベクトルの時系列を出力する確率が求められる。ステップＳＴ１３０４において、それぞれの認識候補はさらに言語照合処理によって、言語モデル１０３と照合され単語列の出力確率が乗じられる。最後にステップＳＴ１３０５において、それぞれの認識候補から最も適切な候補を選択して認識結果１０４を得る。通常、最も適切な認識結果とは、上記照合によって最も確率が高いとされた認識候補である。
【００１４】上記方法により構成された音響モデル及び言語モデルのみでは、十分な性能が達成されない場合で、ユーザがカスタマイズ可能な音声認識装置では、認識されにくい音声や単語をより良く認識させるために、音響モデルをユーザに適応化させたり、認識対象単語をユーザ辞書に追加することによって、認識精度を高めることができる場合がある。
【００１５】まず、音響モデルを適応化させる場合について説明する。図１４は上記文献１に開示された、音響モデルを音声信号１００に適応化させる音響モデル適応化手段を備えた従来の音声認識装置の構成を示すブロック図である。図１４において、図１２と異なる部分は、入力する音声信号１００に対して音響モデルを適応させるために、初期音響モデル１００３，音響モデル適応化手段１００４，適応化済み音響モデル１４０１を備えることと、音声信号１００が音響モデル適応化手段１００４及び照合手段１０１により選択されることである。
【００１６】次に図１４に示す音声認識装置の動作について説明する。音響モデル適応化手段１００４は、実際の認識前に収集した適応化用音声（音声信号１００）と初期音響モデル１００３から、例えば最大事後確率推定法を用いて、初期音響モデル１００３を適応化用音声に適応化させ、適応化済み音響モデル１４０１を得る。音響モデルの適応化方法については、文献３の７章に示されている。照合手段１０１は、音声信号１００を入力し、適応化済み音響モデル１４０１及び言語モデル１０３を参照して、音声認識を行い認識結果１０４を出力する。
【００１７】次に認識対象単語をユーザが辞書に登録する場合について説明する。図１５は上記文献１に開示された、ユーザ辞書が追加された従来の音声認識装置の構成を示すブロック図である。図１５において、図１２と異なる部分はユーザ辞書６０１を備えることである。
【００１８】図１６はユーザ辞書６０１の構成例を示す図である。ユーザ辞書６０１は認識されない単語、認識されにくい単語を、より良く認識させるためにユーザが登録した単語の集まりで、単語の表記、読みからなる単語の一覧である。
【００１９】次に図１５に示す音声認識装置の動作について説明する。図１７はユーザ辞書６０１が追加された従来の音声認識処理の手順を示すフローチャートである。図１７において、図１３と異なる点は、ステップＳＴ１７０４の言語照合処理において、言語モデル１０３とユーザ辞書６０１を参照するために、ユーザ辞書６０１に登録された単語が認識対象単語に加えられることである。
【００２０】ユーザ辞書６０１に登録された単語は、適当な接続確率によって、任意の単語列と接続可能とする。例えば、単語の出現条件を先行する１単語のみにより決定するバイグラム言語モデルにおいて、任意の単語ｗｉとｗｊにはさまれるユーザ辞書登録単語ｗｕｓｅｒの確率Ｐ（ｗｕｓｅｒ｜ｗｉ），Ｐ（ｗｊ｜ｗｕｓｅｒ）に一定値を与え、言語モデル全体の確率が１になるように確率値を再配分する。この結果、ユーザは登録した単語が含まれた認識結果を得られる。
【００２１】しかし、図１４及び図１５に示す音声認識装置の構成では、認識精度を高めるために、音声信号１００と適応化済み音響モデル１４０１を作成したり、ユーザ辞書６０１に単語を登録することによって、ユーザが音響モデル１０２，言語モデル１０３を自らカスタマイズする必要があり、ユーザに大きな負担を強いることになる。
【００２２】また、ユーザ辞書６０１へ単語を登録した場合であっても、言語モデル構築時点では、出現していなかった単語や考慮されていなかった用法があるために、それらの単語へ付与した出現確率が不適切である場合がある。さらに、これが原因となり認識精度が低下する可能性がある。
【００２３】さらに、上記のようにカスタマイズされた音響モデル１０２及び言語モデル１０３は、特定の照合手段１０１からのみ参照される。このため、それ以外の照合手段１０１が、このカスタマイズした音響モデル１０２及び言語モデル１０３を利用すると、認識精度が低下してしまう。
【００２４】このため、漢字かな変換や機械翻訳等の言語処理システムでは、上記に示した問題のうち、ユーザ辞書６０１の更新に関し、ネットワークを介して辞書を自動的に更新する機能を備えることによって、ユーザの負担を軽減したシステムが、例えば特開平１０－２６０９６０号公報のように提案されている。しかし、上記公報では、音声のようなパターン認識のためのモデルを扱うことは考慮しておらず、音響モデル１０２のようなパターン情報に関するモデルに適用することができない。
【００２５】さらに、言語モデル１０３の更新においても、ユーザの登録単語数が増加すると、適切でない短い単語が挿入された湧き出し誤りを生じやすくなることから、認識精度の低下が起きやすくなる。この認識精度の低下は、ユーザ辞書６０１へ追加登録した単語が、言語モデル１０３を構築した時点では存在しなかったり、使用環境が変化しているために、例えばユーザ登録単語の出現確率Ｐ（ｗｕｓｅｒ｜ｗｉ），Ｐ（ｗｊ｜ｗｕｓｅｒ）等に適切でない出現確率が付与されている場合があるからである。この結果、不適切な認識結果を得やすくなり、認識精度が低下する可能性がある。これを防ぐためには、単語の出現確率を適切に設定する必要があるが、ユーザ自身が妥当な値を与えることは一般に困難である。
【００２６】
【発明が解決しようとする課題】従来の音声認識装置は以上のように構成されているので、認識精度を高めるために音響モデルや言語モデルをカスタマイズする際に、ユーザに大きな負担をかけるという課題があった。
【００２７】また、ユーザごとにカスタマイズされた音声認識装置以外を利用する場合、認識精度が低下するという課題があった。
【００２８】さらに、ネットワークを介したカスタマイズによって、音響モデルを自動更新することができないという課題があった。
【００２９】さらに、ユーザ辞書への登録が増加すると認識精度が低下しやすいという課題があった。
【００３０】この発明は上記のような課題を解決するためになされたもので、ネットワークに接続されたサーバ側で、最新の音響データ又は言語データを取得して、最新の状態にある音響モデル又は言語モデルを構築したり、ユーザに対応した音響モデル又は言語モデルを構築し、ネットワークを介してユーザ側の音響モデルと言語モデルを更新することで、ユーザに大きな負担をかけることなく認識精度を向上させる音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体を得ることを目的とする。
【００３１】また、ネットワークを介して接続することによって、あらゆる音声認識装置において、カスタマイズされた音響モデル又は言語モデルを利用できる音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体を得ることを目的とする。
【００３２】さらに、ユーザから得られる辞書やテキストと半自動的に収集されたテキストを利用することによって、ユーザ辞書が大きくなった場合でも、認識精度が低下しにくい音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体を得ることを目的とする。
【００３３】
【課題を解決するための手段】この発明に係る音声認識システムは、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識装置と、上記音声認識装置とネットワークを介して接続され、更新された音響データを取得して上記音響モデルを構築する音響モデル管理サーバとを備えたものにおいて、上記音響モデル管理サーバが構築した上記音響モデルを上記音声認識装置に送信し、上記音声認識装置が、音声認識の際に参照する音響モデルを、上記音響モデル管理サーバが送信した音響モデルにより更新するものである。
【００３４】この発明に係る音声認識システムは、音響モデル管理サーバが、音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを取得し、取得したＩＤで指示される特定条件に対応して、更新された音響データを読み出し、上記特定条件に依存した音響モデルを構築して上記音声認識装置に送信するものである。
【００３５】この発明に係る音声認識システムは、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する音声認識装置と、上記音声認識装置とネットワークを介して接続され、更新された言語データを取得して上記言語モデルを構築する言語モデル管理サーバとを備えたものにおいて、上記言語モデル管理サーバが構築した上記言語モデルを上記音声認識装置に送信し、上記音声認識装置が、音声認識の際に参照する言語モデルを、上記言語モデル管理サーバが送信した言語モデルにより更新するものである。
【００３６】この発明に係る音声認識システムは、言語モデル管理サーバが、音声認識装置が音声認識の際に参照する言語モデルを特定するＩＤを取得し、取得したＩＤで指示される特定条件に対応して、更新された言語データを読み出し、上記特定条件に依存した言語モデルを構築して上記音声認識装置に送信するものである。
【００３７】この発明に係る音声認識システムは、音声認識装置が音声認識の際に単語を登録したユーザ辞書を参照し、言語モデル管理サーバが、ネットワークを介して上記ユーザ辞書を読み出し、更新された言語データと、読み出した上記ユーザ辞書とを参照し、上記ユーザ辞書に依存した言語モデルを構築して上記音声認識装置に送信するものである。
【００３８】この発明に係る音声認識システムは、言語モデル管理サーバが、音声認識装置のユーザが利用したテキストを取得し、更新された言語データと、取得した上記テキストとを参照し、上記テキストに依存した言語モデルを構築して上記音声認識装置に送信するものである。
【００３９】この発明に係る音声認識システムは、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する音声認識装置と、上記音声認識装置とネットワークを介して接続され、適応化前の初期音響モデルを有する音響モデル管理サーバとを備えたものにおいて、上記音声認識装置が、上記音響モデルを特定するＩＤと、入力された音声信号から適応化用の音声データとを取得し、取得したＩＤ及び適応化用の音声データを、ネットワークを介して上記音響モデル管理サーバに送信し、上記音響モデル管理サーバが、送信された適応化用の音声データを用いて、上記初期音響モデルを適応化し、適応化済み音響モデルを、送信された上記ＩＤに対応付けて格納すると共に、外部からの音響モデル更新指令を受けて、ネットワークを介して上記音声認識装置から上記音響モデルを特定するＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、格納している適応化済み音響モデルの中から選択して読み出し、ネットワークを介して上記音声認識装置に送信し、上記音声認識装置が、音声認識の際に参照する音響モデルを、上記音響モデル管理サーバが送信した適応化済み音響モデルにより更新するものである。
【００４０】この発明に係る音声認識装置は、音声の音響的な観測値系列の確率を求める音響モデルと、音声信号を入力し上記音響モデルを参照して音声認識を行い、認識結果を出力する照合手段とを備えたものにおいて、ネットワークを介して接続された音響モデル管理サーバから、更新された音響データにより構築された音響モデルを受信し、上記照合手段が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新手段とを備えたものである。
【００４１】この発明に係る音声認識装置は、音響モデル更新手段が、ネットワークを介して接続された音響モデル管理サーバから、更新された音響データにより構築された、照合手段が音声認識の際に参照する音響モデルの特定条件に依存した音響モデルを受信し、上記照合手段が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新するものである。
【００４２】この発明に係る音声認識装置は、単語列の出現確率を求める言語モデルと、音声信号を入力し上記言語モデルを参照して音声認識を行い、認識結果を出力する照合手段とを備えたものにおいて、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新手段とを備えたものである。
【００４３】この発明に係る音声認識装置は、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、照合手段が音声認識の際に参照する言語モデルの特定条件に依存した言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新するものである。
【００４４】この発明に係る音声認識装置は、照合手段が音声認識の際に参照する単語を登録したユーザ辞書を備え、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、上記照合手段が音声認識の際に参照するユーザ辞書に依存した言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新するものである。
【００４５】この発明に係る音声認識装置は、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、音声認識を行うユーザが利用したテキストに依存した言語モデルを受信し、上記照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新するものである。
【００４６】この発明に係る音声認識装置は、音声の音響的な観測値系列の確率を求める音響モデルと、音声信号を入力し上記音響モデルを参照して音声認識を行い、認識結果を出力する照合手段と、上記音響モデルを特定するＩＤを取得する音響モデルＩＤ取得手段と、上記音響モデルＩＤ取得手段が取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、読み出したＩＤ及び取得した適応化用の音声データを、ネットワークを介して接続された音響モデル管理サーバに送信する適応化用音声取得手段と、上記音響モデル管理サーバから、上記ＩＤに対応する上記適応化用の音声データにより適応化された適応化済み音響モデルを受信し、上記照合手段が音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する音響モデル更新手段とを備えたものである。
【００４７】この発明に係る音響モデル管理サーバは、更新された音響データを取得する音響データ取得手段と、外部からの音響モデル更新指令を受けて、上記音響データ取得手段が取得した更新された音響データを読み出し、音声の音響的な観測値系列の確率を求める音響モデルを構築する音響モデル構築手段と、上記音響モデル構築手段により構築された音響モデルを、ネットワークを介して音声認識を行う音声認識装置に送信する音響モデル送信手段とを備えたものである。
【００４８】この発明に係る音響モデル管理サーバは、更新された音響データを取得する音響データ取得手段と、外部からの音響モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを取得する更新音響モデルＩＤ取得手段と、上記更新音響モデルＩＤ取得手段が取得したＩＤで指示される特定条件に対応して、上記音響データ取得手段が取得した更新された音響データを読み出す特定向け音響データ読み出し手段と、上記特定向け音響データ読み出し手段が読み出した更新された音響データを参照し、上記特定条件に依存した音響モデルを構築する特定向け音響モデル構築手段と、上記特定向け音響モデル構築手段が構築した音響モデルを、ネットワークを介して上記音声認識装置に送信する音響モデル送信手段とを備えたものである。
【００４９】この発明に係る音響モデル管理サーバは、音声の音響的な観測値系列の確率を求める、適応化前の初期音響モデルと、ネットワークを介して接続された音声認識装置から送信された、適応化用の音声データと、上記音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを受信し、上記適応化用の音声データを用いて上記初期音響モデルを適応化し、適応化済み音響モデルを、受信した上記ＩＤに対応付けて適応化済み音響モデル格納手段に格納する音響モデル適応化手段と、外部からの音響モデル更新指令を受けて、ネットワークを介して上記音声認識装置から上記ＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、上記適応化済み音響モデル格納手段から選択して読み出す適応化済み音響モデル選択手段と、上記適応化済み音響モデル選択手段が読み出した適応化済み音響モデルを、ネットワークを介して上記音声認識装置に送信する音響モデル送信手段とを備えたものである。
【００５０】この発明に係る言語モデル管理サーバは、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、上記言語データ取得手段が取得した更新された言語データを読み出し、単語列の出現確率を求める言語モデルを構築する言語モデル構築手段と、上記言語モデル構築手段が構築した言語モデルを、ネットワークを介して音声認識を行う音声認識装置に送信する言語モデル送信手段とを備えたものである。
【００５１】この発明に係る言語モデル管理サーバは、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照する言語モデルを特定するＩＤを取得する更新言語モデルＩＤ取得手段と、上記更新言語モデルＩＤ取得手段が取得したＩＤで指示される特定条件に対応して、上記言語データ取得手段が取得した更新された言語データを読み出す特定向け言語データ読み出し手段と、上記特定向け言語データ読み出し手段が読み出した更新された言語データを参照し、上記特定条件に依存した言語モデルを構築する特定向け言語モデル構築手段と、上記特定向け言語モデル構築手段が構築した言語モデルを、ネットワークを介して上記音声認識装置に送信する言語モデル送信手段とを備えたものである。
【００５２】この発明に係る言語モデル管理サーバは、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照するユーザ辞書を読み出すユーザ辞書読み出し手段と、上記言語データ取得手段が取得した更新された言語データを読み出し、上記ユーザ辞書読み出し手段が読み出したユーザ辞書に依存した言語モデルを構築するユーザ辞書依存言語モデル構築手段と、上記ユーザ辞書依存言語モデル構築手段が構築した言語モデルを、ネットワークを介して上記音声認識装置に送信する言語モデル送信手段とを備えたものである。
【００５３】この発明に係る言語モデル管理サーバは、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置のユーザが利用したテキストを取得するユーザ利用テキスト取得手段と、上記言語データ取得手段が取得した更新された言語データを読み出し、上記ユーザ利用テキスト取得手段が取得したテキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築手段と、上記ユーザ利用テキスト依存言語モデル構築手段が構築した言語モデルを、ネットワークを介して上記音声認識装置に送信する言語モデル送信手段とを備えたものである。
【００５４】この発明に係る音声認識方法は、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力するものにおいて、更新された音響データを取得する第１のステップと、音響モデル更新指令を受けて、上記第１のステップで取得した更新された音響データを読み出し、音響モデルを構築する第２のステップと、上記第２のステップで構築した音響モデルを、ネットワークを介して送信する第３のステップと、上記第３のステップで送信した音響モデルを受信し、上記音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する第４のステップとを備えたものである。
【００５５】この発明に係る音声認識方法は、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力するものにおいて、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、上記第１のステップで取得した更新された言語データを読み出し、言語モデルを構築する第２のステップと、上記第２のステップで構築した言語モデルを、ネットワークを介して送信する第３のステップと、上記第３のステップで送信した言語モデルを受信し、上記音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第４のステップとを備えたものである。
【００５６】この発明に係る音声認識方法は、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力するものにおいて、更新された音響データを取得する第１のステップと、音響モデル更新指令を受けて、音声認識の際に参照する音響モデルを特定するＩＤを取得する第２のステップと、上記第２のステップで取得したＩＤで指示される特定条件に対応して、上記第１のステップで取得した更新された音響データを読み出す第３のステップと、上記第３のステップで読み出した更新された音響データを参照し、上記特定条件に依存した音響モデルを構築する第４のステップと、上記第４のステップで構築した音響モデルを、ネットワークを介して送信する第５のステップと、上記第５のステップで送信した音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する第６のステップとを備えたものである。
【００５７】この発明に係る音声認識方法は、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力するものにおいて、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識の際に参照する言語モデルを特定するＩＤを取得する第２のステップと、上記第２のステップで取得したＩＤで指示される特定条件に対応して、上記第１のステップで取得した更新された言語データを読み出す第３のステップと、上記第３のステップで読み出した更新された言語データを参照し、上記特定条件に依存した言語モデルを構築する第４のステップと、上記第４のステップで構築した言語モデルを、ネットワークを介して送信する第５のステップと、上記第５のステップで送信した言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第６のステップとを備えたものである。
【００５８】この発明に係る音声認識方法は、音声信号を入力し、単語列の出現確率を求める言語モデルと、単語を登録したユーザ辞書を参照して音声認識を行い、認識結果を出力するものにおいて、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識の際に参照するユーザ辞書を読み出す第２のステップと、上記第１のステップで取得した更新された言語データを読み出し、上記第２のステップで読み出したユーザ辞書に依存した言語モデルを構築する第３のステップと、上記第３のステップで構築した言語モデルを、ネットワークを介して送信する第４のステップと、上記第４のステップで送信した言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第５のステップとを備えたものである。
【００５９】この発明に係る音声認識方法は、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力するものにおいて、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識を行うユーザが利用したテキストを取得する第２のステップと、上記第１のステップで取得した更新された言語データを読み出し、上記第２のステップで取得したテキストに依存した言語モデルを構築する第３のステップと、上記第３のステップで構築した言語モデルを、ネットワークを介して送信する第４のステップと、上記第４のステップで送信した言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第５のステップとを備えたものである。
【００６０】この発明に係る音声認識方法は、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力するものにおいて、上記音響モデルを特定するＩＤを取得する第１のステップと、上記第１のステップで取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、ネットワークを介して、読み出したＩＤ及び取得した適応化用の音声データを送信する第２のステップと、上記第２のステップで送信した適応化用の音声データを用いて、適応化前の初期音響モデルを適応化し、適応化済み音響モデルを、上記第２のステップで送信したＩＤに対応付けて格納する第３のステップと、音響モデル更新指令を受けて、ネットワークを介して上記第１のステップで取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、上記第３のステップで格納している適応化済み音響モデルの中から選択して読み出す第４のステップと、上記第４のステップで読み出した適応化済み音響モデルを、ネットワークを介して送信する第５のステップと、上記第５のステップで送信した適応化済み音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する第６のステップとを備えたものである。
【００６１】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、更新された音響データを取得する音響データ取得機能と、音響モデル更新指令を受けて、上記音響データ取得機能が取得した更新された音響データを読み出し、音響モデルを構築する音響モデル構築機能と、上記音響モデル構築機能が構築した音響モデルを、ネットワークを介して送信する音響モデル送信機能と、上記音響モデル送信機能が送信した音響モデルを受信し、上記照合機能が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新機能とを実現させるものである。
【００６２】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記言語データ取得機能が取得した更新された言語データを読み出し、言語モデルを構築する言語モデル構築機能と、上記言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させるものである。
【００６３】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、更新された音響データを取得する音響データ取得機能と、音響モデル更新指令を受けて、上記音響モデルを特定するＩＤを取得する更新音響モデルＩＤ取得機能と、上記更新音響モデルＩＤ取得機能が取得したＩＤで指示される特定条件に対応して、上記音響データ取得機能が取得した更新された音響データを読み出す特定向け音響データ読み出し機能と、上記特定向け音響データ読み出し機能が読み出した更新された音響データを参照し、上記特定条件に依存した音響モデルを構築する特定向け音響モデル構築機能と、上記特定向け音響モデル構築機能が構築した音響モデルを、ネットワークを介して送信する音響モデル送信機能と、上記音響モデル送信機能が送信した音響モデルを受信し、上記照合機能が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新機能とを実現させるものである。
【００６４】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記言語モデルを特定するＩＤを取得する更新言語モデルＩＤ取得機能と、上記更新言語モデルＩＤ取得機能が取得したＩＤで指示される特定条件に対応して、上記言語データ取得機能が取得した更新された言語データを読み出す特定向け言語データ読み出し機能と、上記特定向け言語データ読み出し機能が読み出した更新された言語データを参照し、上記特定条件に依存した言語モデルを構築する特定向け言語モデル構築機能と、上記特定向け言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させるものである。
【００６５】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、単語列の出現確率を求める言語モデルと、単語を登録したユーザ辞書を参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記ユーザ辞書を読み出すユーザ辞書読み出し機能と、上記言語データ取得機能が取得した更新された言語データを読み出し、上記ユーザ辞書読み出し機能が読み出したユーザ辞書に依存した言語モデルを構築するユーザ辞書依存言語モデル構築機能と、上記ユーザ辞書依存言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させるものである。
【００６６】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、単語列の出現確率を求める言語モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、音声認識を行うユーザが利用したテキストを取得するユーザ利用テキスト取得機能と、上記言語データ取得機能が取得した更新された言語データを読み出し、上記ユーザ利用テキスト取得機能が取得したテキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築機能と、上記ユーザ利用テキスト依存言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させるものである。
【００６７】この発明に係る音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体は、音声信号を入力し、音声の音響的な観測値系列の確率を求める音響モデルを参照して音声認識を行い、認識結果を出力する照合機能を実現させるものであって、上記音響モデルを特定するＩＤを取得する音響モデルＩＤ取得機能と、上記音響モデルＩＤ取得機能が取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、ネットワークを介して、読み出したＩＤ及び取得した適応化用の音声データを送信する適応化用音声取得機能と、上記適応化用音声取得機能が送信した適応化用の音声データを用いて、適応化前の初期音響モデルを適応化し、適応化済み音響モデルを、上記適応化用音声取得機能が送信したＩＤに対応付けて格納する音響モデル適応化機能と、音響モデル更新指令を受けて、ネットワークを介して上記音響モデルＩＤ取得機能が取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、上記音響モデル適応化機能が格納した適応化済み音響モデルの中から選択して読み出す適応化済み音響モデル選択機能と、上記適応化済み音響モデル選択機能が読み出した適応化済み音響モデルを、ネットワークを介して送信する音響モデル送信機能と、上記音響モデル送信機能が送信した適応化済み音響モデルを受信し、上記照合機能が音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する音響モデル更新機能とを実現させるものである。
【００６８】
【発明の実施の形態】以下、この発明の実施の一形態を説明する。
実施の形態１．図１はこの発明の実施の形態１による音声認識システムの構成を示すブロック図である。図において、１０は音声認識を行う音声認識装置、２０はネットワークに接続されている音響モデル管理サーバ、３０はネットワークに接続されている言語モデル管理サーバである。ここで、ネットワークとは、有線あるいは無線によってディジタル信号を伝達可能な通信経路一般を示す。
【００６９】音声認識装置１０において、１００は入力する音声信号、１０１は音声信号１００の音声認識を行う照合手段、１０２は照合手段１０１が音声認識の際に参照する音響モデル、１０３は照合手段１０１が音声認識の際に参照する言語モデル、１０４は照合手段１０１が出力する認識結果、１１１はネットワークを介して送信された音響モデルにより音響モデル１０２を更新する音響モデル更新手段、１１８はネットワークを介して送信された言語モデルにより言語モデル１０３を更新する言語モデル更新手段である。
【００７０】音響モデル管理サーバ２０において、１０５は外部より与えられる音響モデル更新指令、１０６は更新された音響データを取得する音響データ取得手段、１０７は音響データ取得手段１０６が取得した更新された音響データ、１０８は音響モデル更新指令１０５を受けて、更新された音響データ１０７を読み出し、統計的手法を用いてパラメータ推定を行い音響モデルを構築する音響モデル構築手段、１０９は構築された音響モデルを格納する音響モデル格納手段、１１０は音響モデル格納手段１０９に格納されている音響モデルを、ネットワークを介して音声認識装置１０に送信する音響モデル送信手段である。
【００７１】言語モデル管理サーバ３０において、１１２は外部より与えられる言語モデル更新指令、１１３は更新された言語データを取得する言語データ取得手段、１１４は言語データ取得手段１１３が取得した更新された言語データ、１１５は言語モデル更新指令１１２を受けて、更新された言語データ１１４を読み出し、統計的手法を用いてパラメータ推定を行い言語モデルを構築する言語モデル構築手段、１１６は構築された言語モデルを格納する言語モデル格納手段、１１７は言語モデル格納手段１１６に格納されている言語モデルを、ネットワークを介して音声認識装置１０に送信する言語モデル送信手段である。
【００７２】従来技術と異なるこの発明の特徴的な部分は、音響モデル管理サーバ２０，言語モデル管理サーバ３０において、音響データ取得手段１０６，言語データ取得手段１１３により、更新された音響データ１０７，更新された言語データ１１４を取得し、音響モデル構築手段１０８，言語モデル構築手段１１５により最新の音響モデル、最新の言語モデルを構築し、構築した最新の音響モデル、最新の言語モデルを、ネットワークを介して音声認識装置１０に送信し、音声認識装置１０において、音響モデル更新手段１１１，言語モデル更新手段１１８が、最新の音響モデル、最新の言語モデルにより、照合手段１０１が参照する音響モデル１０２，言語モデル１０３を更新することである。
【００７３】次に動作について説明する。音響モデル管理サーバ２０において、音響データ取得手段１０６は、音響モデル更新指令１０５と同期、あるいは非同期に動作し、常時、更新あるいは配信される音響データを自動、あるいは半自動的にダウンロードし、更新された音響データ１０７に格納する。取得するこれらの音響データは、例えばインターネット上で更新されたり、マルチメディア放送によって配信される音声データ、あるいは音声データと対応する書き起こしテキストであり、検索ツールによってインターネット上で検索されたり、マルチメディア放送の番組表を用いて決定されてダウンロードされる。
【００７４】更新された音響データ１０７は、音響データ取得手段１０６により取得された音響モデル学習用音響データの集積であり、上記の例では、音声データや音声データと対応する書き起こしテキストからなる。
【００７５】音響モデル構築手段１０８は、例えば、一定の時間間隔、音声認識処理が実施された時間間隔、あるいは入力装置から与えられるユーザの指示等、適当なタイミングで与えられる音響モデル更新指令１０５を受けて、更新された音響データ１０７を参照し、統計的手法を用いて音響モデルのパラメータ推定を行うことによって、例えば、音声データのみからベクトル量子化アルゴリズムを用いることによって、あるいは音声データと対応する書き起こしテキストからバウム・ウェルチアルゴリズムを用いることによって、学習データを良く表すように音響モデルを構築して音響モデル格納手段１０９に格納する。
【００７６】音響モデル格納手段１０９は、音響モデル構築手段１０８により構築された音響モデルを記憶し、読み出し要求に応じて音響モデルを出力する。音響モデル送信手段１１０は、音響モデル格納手段１０９から音響モデルを読み出し、音声認識装置１０の音響モデル更新手段１１１に、ネットワークを介して送信する。
【００７７】音声認識装置１０において、音響モデル更新手段１１１は、音響モデル管理サーバ２０の音響モデル送信手段１１０からネットワークを介して受け取った音響モデルにより、照合手段１０１が照合の際に参照する音響モデル１０２を更新する。
【００７８】言語モデル管理サーバ３０において、言語データ取得手段１１３は、言語モデル更新指令１１２と同期、あるいは非同期に動作し、常時、更新あるいは配信される言語データをダウンロードし、言語モデル構築のために用いる新規の言語データを収集し、更新された言語データ１１４へ格納する。取得するこれらの言語データは、例えば、定期的に配信される新聞やメールマガジンやインターネット上から検索可能なテキスト、チャット、メール、マニュアル等のテキスト等である。
【００７９】更新された言語データ１１４は、言語データ取得手段１１３により取得された言語モデル学習用言語データの集積であり、テキストデータや同時に得られるテキスト内容に関するキーワード情報等である。
【００８０】言語モデル構築手段１１５は、例えば、一定の時間間隔、音声認識処理が実施された時間間隔、あるいは入力装置から与えられるユーザの指示等、適当なタイミングで与えられる言語モデル更新指令１１２を受けて、更新された言語データ１１４を参照してテキストデータを読み出し、統計的手法を用いて言語モデルのパラメータ推定を行うことによって、例えば単語に分割したテキストデータからｎグラム統計量を求めることによって、学習用データを良く表すように言語モデルを構築し、言語モデル格納手段１１６に格納する。
【００８１】言語モデル格納手段１１６は、言語モデル構築手段１１５により構築された言語モデルを記憶し、読み出し要求に応じて言語モデルを出力する。言語モデル送信手段１１７は、言語モデル格納手段１１６から言語モデルを読み出し、ネットワークを介して音声認識装置１０の言語モデル更新手段１１８へ送信する。
【００８２】音声認識装置１０において、言語モデル更新手段１１８は、言語モデル管理サーバ３０の言語モデル送信手段１１７からネットワークを介して受け取った言語モデルにより、照合手段１０１が照合の際に参照する言語モデル１０３を更新する。
【００８３】図２はこの発明の実施の形態１による音響モデル１０２の更新処理を示すフローチャートである。ステップＳＴ２０１において、音響モデル更新タイミング決定手段（図示していない）は、例えばユーザの指示や音響モデルの最終更新時刻からの時間間隔、ネットワークの利用状況等の監視から適当な更新タイミングを判定し、音響モデル管理サーバ２０の音響モデル構築手段１０８へ音響モデル更新指令１０５を送信する。音響モデル構築手段１０８は、音響モデル更新指令１０５を受けていれば、ステップＳＴ２０２へ進み、音響モデル更新指令１０５を受けていなければ処理を終了する。
【００８４】ステップＳＴ２０２において、音響モデル構築手段１０８は、学習に用いる更新された音響データ１０７を読み出す。ステップＳＴ２０３において、音響モデル構築手段１０８は、更新された音響データ１０７から、統計的手法を用いて音響モデルのパラメータ推定を行うことによって音響モデルを構築し、構築した音響モデルを音響モデル格納手段１０９へ格納する。
【００８５】ステップＳＴ２０４において、音響モデル送信手段１１０は、音響モデル格納手段１０９から音響モデルを読み出して、ネットワークを介して音声認識装置１０の音響モデル更新手段１１１へ音響モデルを送信する。ステップＳＴ２０５において、音響モデル更新手段１１１は、受け取った音響モデルにより照合手段１０１が参照する音響モデル１０２を更新する。
【００８６】なお、音響モデル更新指令１０５により、音響モデル１０２の更新を要求する際に、同時に音声認識装置１０が利用している音響モデル１０２のバージョンを伝達し、音響モデル送信手段１１０が、音響モデル格納手段１０９に格納されている音響モデル全体ではなく、それまで音声認識装置１０が利用していた音響モデル１０２との差分情報のみを送信すれば、送信データを減らすことができ、ネットワークの負荷を軽減することができる。
【００８７】また、音響モデル構築手段１０８が、あらかじめ更新された音響モデルを構築しておき、音響モデル更新指令１０５の要求にしたがって、音響モデルを音声認識装置１０に送信するような形態を取った場合でも同様に動作可能である。
【００８８】さらに、音声認識装置１０がユーザ辞書を持つ場合であっても、同様に処理可能である。
【００８９】さらに、この実施の形態では、音声認識を対象として説明を行ったが、パターンとシンボルの関係を表した確率モデル、シンボルの出現を表した確率モデルからなるパターン認識を対象とするものであれば、同様に適用可能である。
【００９０】さらに、更新された音響データ１０７の格納形式は、音響モデル構築時に利用可能な形式であれば、あらかじめ信号処理や頻度分布を計算してあってもかまわない。
【００９１】図３はこの発明の実施の形態１による言語モデル１０３の更新処理を示すフローチャートである。ステップＳＴ３０１において、言語モデル更新タイミング決定手段（図示していない）は、例えば、ユーザの指示や言語モデルの最終更新時刻からの時間間隔、ネットワークの利用状況等の監視から適当な更新タイミングを判定し、言語モデル管理サーバ３０の言語モデル構築手段１１５に言語モデル更新指令１１２を送信する。言語モデル構築手段１１５は、言語モデル更新指令１１２を受けていればステップＳＴ３０２へ進み、言語モデル更新指令１１２を受けていなければ処理を終了する。
【００９２】ステップＳＴ３０２において、言語モデル構築手段１１５は、学習に用いる更新された言語データ１１４を読み出す。ステップＳＴ３０３において、言語モデル構築手段１１５は、更新された言語データ１１４から、統計的手法を用いて言語モデルのパラメータ推定を行うことによって言語モデルを構築し、構築した言語モデルを言語モデル格納手段１１６へ格納する。
【００９３】ステップＳＴ３０４において、言語モデル送信手段１１７は、言語モデル格納手段１１６から言語モデルを読み出して、ネットワークを介して音声認識装置１０の言語モデル更新手段１１８に送信する。ステップＳＴ３０５において、言語モデル更新手段１１８は、受け取った言語モデルにより照合手段１０１が参照する言語モデル１０３を更新する。
【００９４】なお、言語モデル更新指令１１２により、言語モデルの更新を要求する際に、同時に音声認識装置１０が利用している言語モデル１０３のバージョンを伝達することにより、言語モデル格納手段１１６に格納されている言語モデル全体ではなく、それまで音声認識装置１０が利用していた言語モデル１０３との差分情報のみを送信すれば、送信データを減らすことができ、ネットワークの負荷を軽減することができる。
【００９５】また、言語モデル構築手段１１５が、あらかじめ更新された言語モデルを構築しておき、言語モデル更新指令１１２の要求にしたがって、言語モデルを送信するような形態を取った場合でも、同様に動作可能である。
【００９６】さらに、音声認識装置１０がユーザ辞書を持つ場合であっても、同様に動作可能である。
【００９７】さらに、この実施の形態では、音声認識を対象として説明を行ったが、パターンとシンボルの関係を表した確率モデル、シンボルの出現を表した確率モデルからなるパターン認識を対象とするものであれば、同様に適用可能である。
【００９８】さらに、更新された言語データ１１４の格納形式は、言語モデル構築時に利用可能な形式であれば、あらかじめ単語に分割しておいたり、言語モデル構築に使えるように単語や単語連鎖、同時に出現する単語の組み合わせ等について頻度あるいは確率計算してあってもかまわない。
【００９９】この実施の形態１の図１では、音響モデル更新指令１０５に従って音響モデルを構築する場合について示しているが、音響データ取得手段１０６が音響データを取得した際に、音響モデル構築手段１０８が音響モデルを更新して音響モデル格納手段に１０９に格納し、音響モデル送信手段１１０が音響モデル更新指令１０５を受けて音響モデルを読み出すようにしても良い。言語モデルの更新についても同様である。
【０１００】また、図１では音響モデル更新手段１１１及び言語モデル更新手段１１８を備える場合を示したが、音響モデル更新手段１１１又は言語モデル更新手段１１８のどちらか一方のみを備える場合であってもかまわない。
【０１０１】なお、実施の形態１における音声認識システムを音声認識プログラムとして記録媒体に記録することもできる。この場合には、音響モデル管理サーバ２０において、音響データ取得手段１０６と同様の処理を行う音響データ取得機能と、音響モデル構築手段１０８と同様の処理を行う音響モデル構築機能と、音響モデル格納手段１０９と同様の処理を行う音響モデル格納機能と、音響モデル送信手段１１０と同様の処理を行う音響モデル送信機能から構成されるソフトウェアと、言語モデル管理サーバ３０において、言語データ取得手段１１３と同様の処理を行う言語データ取得機能と、言語モデル構築手段１１５と同様の処理を行う言語モデル構築機能と、言語モデル格納手段１１６と同様の処理を行う言語モデル格納機能と、言語モデル送信手段１１７と同様の処理を行う言語モデル送信機能から構成されるソフトウェアと、音声認識装置１０において、音響モデル更新手段１１１と同様の処理を行う音響モデル更新機能と、言語モデル更新手段１１８と同様の処理を行う言語モデル更新機能と、照合手段１０１と同様の処理を行う照合機能から構成されるソフトウェアで音声認識プログラムとなる。
【０１０２】記録媒体に記録する音声認識プログラムは、音声認識装置１０のソフトウェアと、音響モデル管理サーバ２０のソフトウェアを、別々の記録媒体に記録しても良いし、１つの記録媒体に記録して、音声認識装置１０又は音響モデル管理サーバ２０から、それぞれ音響モデル管理サーバ２０又は音声認識装置１０に送信しても良い。また、これは言語モデルを対象とした場合でも同様である。
【０１０３】以上のように、この実施の形態１によれば、ネットワークに接続された音響モデル管理サーバ２０又は言語モデル管理サーバ３０で、更新された音響データ１０７又は更新された言語データ１１４を取得し、最新の状態にある音響モデル又は言語モデルを構築し、ネットワークを介してユーザ側の音声認識装置１０の音響モデル１０２又は言語モデル１０３を更新することで、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果が得られる。
【０１０４】実施の形態２．図４はこの発明の実施の形態２による音声認識システムの構成を示すブロック図である。図４の言語モデル管理サーバ３０において、４０１は更新する音声認識装置１０の言語モデル１０３を特定するＩＤを取得する更新言語モデルＩＤ取得手段、４０２は、更新言語モデルＩＤ取得手段４０１が取得したＩＤで指示される特定条件に対応して、更新された言語データ１１４を読み出す特定向け言語データ読み出し手段、４０３は、特定向け言語データ読み出し手段４０２により読み出された更新された言語データ１１４を参照し、特定条件に対応した言語モデルを構築する特定向け言語モデル構築手段である。既に説明した各手段及び各モデルについては、同一の符号を付し説明を省略する。
【０１０５】従来技術と異なるこの実施の形態に特徴的な部分は、更新言語モデルＩＤ取得手段４０１と、特定向け言語データ読み出し手段４０２と、特定向け言語モデル構築手段４０３とを備え、ネットワークを介して言語モデルＩＤにより特定された言語モデルを提供することである。ここで、特定向け言語モデルとは、特定のユーザやグループ、応用アプリケーション等に言語モデルを特化させることによって、より高い性能が得られるように学習した言語モデルである。
【０１０６】次に動作について説明する。言語管理サーバ３０において、更新言語モデルＩＤ取得手段４０１は、更新された複数の言語モデル１０３から特定の言語モデル１０３を選択するために用いられるＩＤを取得する。このＩＤは、例えば利用者のユーザＩＤ，音声信号１００の対象となるタスクを表すＩＤ等であり、更新する特定向けの言語モデル１０３を一意に定めることができるものである。
【０１０７】特定向け言語データ読み出し手段４０２は、更新言語モデルＩＤ取得手段４０１が取得した更新言語モデルＩＤを受け取り、更新された言語データ１１４を文や独立したテキストの単位で読み出して、例えば言語データに付与されるテキスト内容に関するキーワードや言語データに含まれるキーワードから判定し、言語モデルＩＤで特定される対象であるかどうか識別するフラグを付与し、特定向け言語モデル構築手段４０３へ送る。
【０１０８】特定向け言語モデル構築手段４０３は、更新された言語データ１１４から特定対象について認識精度が高くなるように学習した言語モデルを構築し、言語モデル格納手段１１６に格納する。
【０１０９】このために、まず、学習用言語データを文、あるいは複数の文を単位として含まれるキーワード等から、特定される言語モデル１０３を判定しておき、これに従って、例えば「対話音声認識のための事前タスク適応の検討」、伊藤彰則、好田正紀、電子情報通信学会技術研究報告（ＳＰ９６－８１）、１９９６年（以下、文献４とする）で検討されているように、関連深いテキストデータにより大きな重みを付与することによって、特定条件に対応した言語モデルを構築できる。
【０１１０】例えば、スポーツに関するトピックに特化した特定向け言語モデルを構築するには、言語モデル学習時に、特定向け言語データ読み出し手段４０２から得たフラグを参照し、スポーツに関するトピックのテキストデータであれば、実際の頻度をα倍して数え、それ以外の記事であれば、そのまま頻度で両者を加えて確率モデルを推定する。ここで、αは音声認識の対象とする特定向けテキストのうち、学習に用いないデータに対する言語モデルのエントロピーが最小となるように定める。
【０１１１】図５はこの発明の実施の形態２による言語モデル１０３の更新処理を示すフローチャートである。ステップＳＴ５０１において、言語モデル更新タイミング決定手段（図示していない）は、例えば、ユーザの指示や最終更新時刻からの時間間隔、ネットワークの利用状況等の監視から適当な更新タイミングを判定し、言語モデル管理サーバ３０の更新言語モデルＩＤ取得手段４０１へ言語モデル更新指令１１２を送信する。更新言語モデルＩＤ取得手段４０１は、言語モデル更新指令１１２を受けていれば、ステップＳＴ５０２へ進み、言語モデル更新指令１１２を受けていなければ、処理を終了する。
【０１１２】ステップＳＴ５０２において、更新タイミングであれば、更新言語モデルＩＤ取得手段４０１は、使用しているユーザ・グループを特定する手段、タスクを特定する手段等により、更新先の言語モデル１０３のＩＤを取得し、特定向け言語データ読み出し手段４０２へ送る。ステップＳＴ５０３において、特定向け言語データ読み出し手段４０２は、特定向け言語モデルＩＤに従い、更新された言語データ１１４を文や独立したテキストの単位で読み出して、言語モデルＩＤで特定される対象であるかどうか判別するフラグを付与して、更新された言語データ１１４を読み出す。
【０１１３】ステップＳＴ５０４において、特定向け言語モデル構築手段４０３は、学習アルゴリズムに従い、更新された言語データ１１４から言語モデルを推定し、推定した言語モデルを言語モデル格納手段１１６へ格納する。ステップＳＴ５０５において、言語モデル送信手段１１７は、読み出した言語モデルを、ネットワークを介して音声認識装置１０の言語モデル更新手段１１８に送信する。ステップＳＴ５０６において、言語モデル更新手段１１８は、受け取った言語モデルにより照合手段１０１が参照する言語モデル１０３を更新する。
【０１１４】なお、言語モデルＩＤに対して、適合する言語モデルを出力することができれば、特定向け言語モデルをあらかじめ構築しておく必要はない。例えば、言語モデルＩＤに依存して学習用言語データのみ作成しておき、要求に応じて言語モデルを構築しても良い。
【０１１５】なお、この実施の形態では、文献４にしたがった特定向け言語モデル構成法を例としたが、言語モデルを決定できるＩＤを用いて、複数の言語モデル１０３から選択する方法であれば同様に適用可能である。
【０１１６】また、言語モデル更新指令１１２により、言語モデル更新要求の際に、同時に音声認識装置１０が利用している言語モデル１０３のバージョンを伝達することにより、構築した特定向け言語モデル全体ではなく、現行の言語モデル１０３からの差分情報のみを送信し、ネットワークの負荷を軽減することができる。
【０１１７】さらに、音声認識装置にユーザ辞書６０１がある場合であっても、同様に処理可能である。
【０１１８】さらに、この説明では音声認識を対象として説明を行ったが、パターンとシンボルの関係を表した確率モデル、シンボルの出現を表した確率モデルからなるパターン認識を対象とするものであれば同様に適用可能である。
【０１１９】また、この実施の形態では、特定向け言語モデルを構築し、構築した特定向け言語モデルにより言語モデル１０３を更新しているが、特定向け音響モデルを構築し、構築した特定向け音響モデルにより音響モデル１０２を更新することもできる。その場合には、図４において、言語モデル管理サーバ３０の代わりに音響モデル管理サーバ，言語データ取得手段１１３の代わりに音響データ取得手段、更新された言語データ１１４の代わりに更新された音響データ、更新言語モデルＩＤ取得手段４０１の代わりに更新音響モデルＩＤ取得手段、特定向け言語データ読み出し手段４０２の代わりに特定向け音響モデル読み出し手段、特定向け言語モデル構築手段４０３の代わりに特定向け音響モデル構築手段、言語モデル格納手段１１６の代わりに音響モデル格納手段、言語モデル送信手段１１７の代わりに音響モデル送信手段を備え、音声認識装置１０において、言語モデル更新手段１１８の代わりに音響モデル更新手段を備え、音響モデル更新手段が音響モデル１０２を更新するようにすれば良い。
【０１２０】さらに、実施の形態２における音声認識システムを音声認識プログラムとして記録媒体に記録することもできる。この場合には、言語モデル管理サーバ３０において、言語データ取得手段１１３と同様の処理を行う言語データ取得機能と、更新言語モデルＩＤ取得手段４０１と同様の処理を行う更新言語モデルＩＤ取得機能と、特定向け言語データ読み出し手段４０２と同様の処理を行う特定向け言語データ読み出し機能と、特定向け言語モデル構築手段４０３と同様の処理を行う特定向け言語モデル構築機能と、言語モデル格納手段１１６と同様の処理を行う言語モデル格納機能と、言語モデル送信手段１１７と同様の処理を行う言語モデル送信機能から構成されるソフトウェアと、音声認識装置１０において、言語モデル更新手段１１８と同様の処理を行う言語モデル更新機能と、照合手段１０１と同様の処理を行う照合機能から構成されるソフトウェアで音声認識プログラムとなる。これは音響モデルを対象とした場合でも同様である。
【０１２１】記録媒体に記録する音声認識プログラムは、音声認識装置１０のソフトウェアと、言語モデル管理サーバ３０のソフトウェアを、別々の記録媒体に記録しても良いし、１つの記録媒体に記録して、音声認識装置１０又は言語モデル管理サーバ３０から、それぞれ言語モデル管理サーバ３０又は音声認識装置１０に送信しても良い。また、これは音響モデルを対象とした場合でも同様である。
【０１２２】以上のように、この実施の形態２によれば、ネットワークに接続された言語モデル管理サーバ３０で、更新された言語データ１１４を取得し、しかも、ユーザの音声認識装置１０の言語モデル１０３のＩＤを取得することで、最新の状態にあり、しかもユーザに対応した特定向けの言語モデルを構築し、ネットワークを介してユーザの音声認識装置１０の言語モデル１０３を更新することで、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果が得られる。
【０１２３】また、この実施の形態２によれば、特定向けにカスタマイズされた言語モデルを、ネットワークを介して更新することにより、ユーザが複数の異なる照合手段１０１を利用する場合でも、全ての照合手段１０１の利用時に適切な言語モデル１０３を利用し、高い認識精度を得ることができるという効果が得られる。
【０１２４】実施の形態３．図６はこの発明の実施の形態３による音声認識システムの構成を示すブロック図である。図６の音声認識装置１０において、６０１は照合手段１０１が照合の際に参照する単語を登録したユーザ辞書であり、言語モデル管理サーバ３０において、６０２は言語モデル更新指令１１２を受けて、照合手段１０１が参照するユーザ辞書６０１を、ネットワークを介して読み出すユーザ辞書読み出し手段、６０３は、更新された言語データ１１４とユーザ辞書読み出し手段６０２が読み出したユーザ辞書６０１を参照し、ユーザ辞書６０１に依存した言語モデルを構築するユーザ辞書依存言語モデル構築手段である。既に説明した各手段及び各モデルについては、同一の符号を付し説明を省略する。
【０１２５】従来技術と異なるこの実施の形態に特徴的な部分は、ユーザ辞書読み出し手段６０２とユーザ辞書依存言語モデル構築手段６０３を備えたことである。
【０１２６】次に動作について説明する。言語モデル管理サーバ３０のユーザ辞書読み出し手段６０２は、言語モデル更新指令１１２を受けて、音声認識装置１０の照合手段１０１が参照するユーザ辞書６０１を、ネットワークを介して読み出す。ユーザ辞書依存言語モデル構築手段６０３は、ユーザ辞書６０１に登録された単語と更新された言語データ１１４を用いて、最新の状態に更新されており、かつユーザにカスタマイズされた言語モデルを構築する。
【０１２７】ユーザ辞書６０１に依存した言語モデルの構築は、例えば、更新された言語データ１１４の中から、ユーザ辞書６０１に存在する単語が含まれるテキストを抜き出し、これを特定向けテキストであると見なして、実施の形態２で参照した文献４記載の方法を実施することにより行われる。これによって、ユーザ辞書６０１記載の単語のうち、元の言語モデルでは登録されておらず、適切な統計量が付与されていなかった単語で、更新されたテキストにおいて出現した単語に妥当な統計量を付与することが可能となり、認識精度が向上することを期待できる。
【０１２８】図７はこの発明の実施の形態３による言語モデル１０３の更新処理を示すフローチャートである。ステップＳＴ７０１において、言語モデル更新タイミング決定手段（図示していない）は、例えば、ユーザの指示や最終更新時刻からの時間間隔、ネットワークの利用状況等の監視から適当な更新タイミングを判定し、言語モデル管理サーバ３０のユーザ辞書読み出し手段６０２へ言語モデル更新指令１１２を送信する。ユーザ辞書読み出し手段６０２は、言語モデル更新指令１１２を受けていれば、ステップＳＴ７０２へ進み、言語モデル更新指令１１２を受けていなければ、処理を終了する。
【０１２９】ステップＳＴ７０２において、ユーザ辞書読み出し手段６０２は、照合手段１０１が参照するユーザ辞書６０１を、ネットワークを介して読み出す。ステップＳＴ７０３において、ユーザ辞書依存言語モデル構築手段６０３は、さらに更新された言語データ１１４を読み出す。ステップＳＴ７０４において、ユーザ辞書依存言語モデル構築手段６０３は、ユーザ辞書６０１及び更新された言語データ１１４からユーザ辞書６０１に依存した言語モデルを構築し、言語モデル格納手段１１６に格納する。
【０１３０】ステップＳＴ７０５において、言語モデル送信手段１１７は、言語モデル格納手段１１６から読み出したユーザ辞書６０１に依存した言語モデルを、ネットワークを介して音声認識装置１０の言語モデル更新手段１１８に送信する。ステップＳＴ７０６において、言語モデル更新手段１１８は、受け取った言語モデルにより照合手段１０１が参照する言語モデル１０３を更新する。
【０１３１】また、この実施の形態では、音声認識を対象として説明を行ったが、パターンとシンボルの関係を表した確率モデル、シンボルの出現を表した確率モデルからなるパターン認識を対象とするものであれば、同様に適用可能である。
【０１３２】さらに、実施の形態３における音声認識システムを音声認識プログラムとして記録媒体に記録することもできる。この場合には、言語モデル管理サーバ３０において、言語データ取得手段１１３と同様の処理を行う言語データ取得機能と、ユーザ辞書読み出し手段６０２と同様の処理を行うユーザ辞書読み出し機能と、ユーザ辞書依存言語モデル構築手段６０３と同様の処理を行うユーザ辞書依存言語モデル構築機能と、言語モデル格納手段１１６と同様の処理を行う言語モデル格納機能と、言語モデル送信手段１１７と同様の処理を行う言語モデル送信機能から構成されるソフトウェアと、音声認識装置１０において、言語モデル更新手段１１８と同様の処理を行う言語モデル更新機能と、照合手段１０１と同様の処理を行う照合機能から構成されるソフトウェアで音声認識プログラムとなる。
【０１３３】記録媒体に記録する音声認識プログラムは、音声認識装置１０のソフトウェアと、言語モデル管理サーバ３０のソフトウェアを、別々の記録媒体に記録しても良いし、１つの記録媒体に記録して、音声認識装置１０又は言語モデル管理サーバ３０から、それぞれ言語モデル管理サーバ３０又は音声認識装置１０に送信しても良い。
【０１３４】以上のように、この実施の形態３によれば、ネットワークに接続された言語モデル管理サーバ３０で、更新された言語データ１１４を取得し、しかも、ユーザの音声認識装置１０のユーザ辞書６０１を読み出すことで、最新の状態にあり、しかもユーザ辞書６０１に登録した単語について、より詳細に反映させた言語モデルを構築し、ネットワークを介してユーザの音声認識装置１０の言語モデル１０３を更新することで、ユーザ辞書が大きくなった場合でも、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果が得られる。
【０１３５】実施の形態４．図８はこの発明の実施の形態４による音声認識システムの構成を示すブロック図である。図８の言語モデル管理サーバ３０において、８０１は、言語モデル更新指令１１２を受けて、ユーザが利用したテキストを取得するユーザ利用テキスト取得手段、８０２はユーザ利用テキスト取得手段８０１が取得したテキストを格納するユーザ利用テキスト格納手段、８０３は、更新された言語データ１１４と、ユーザ利用テキスト格納手段８０２に格納されているテキストを参照し、テキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築手段である。既に説明した各手段及び各モデルについては、同一の符号を付し説明を省略する。
【０１３６】従来技術と異なるこの実施の形態に特徴的な部分は、ユーザ利用テキスト取得手段８０１，ユーザ利用テキスト格納手段８０２及びユーザ利用テキスト依存言語モデル構築手段８０３を備え、ユーザが利用したテキストと最新状態に更新された言語データ１１４を参照し、ユーザが利用したテキストに合わせて言語モデルを構築することである。
【０１３７】次に動作について説明する。言語モデル管理サーバ３０のユーザ利用テキスト取得手段８０１は、言語モデル更新指令１１２を受けて、例えば、ユーザがあらかじめ指定したファイル、ディレクトリを走査することにより、ユーザが参照、あるいは記述したテキストファイルを読み出す。ユーザ利用テキスト格納手段８０２は、ユーザ利用テキスト取得手段８０１によって収集されたテキストを格納する。
【０１３８】ユーザ利用テキスト依存言語モデル構築手段８０３は、ユーザ利用テキスト及び更新された言語データ１１４を参照し、認識精度が高くなるように言語モデルを構築する。ユーザ利用テキストを用いた言語モデルの構築では、例えば、ユーザ利用テキストを特定向けテキストであると見なし、実施の形態２で参照した文献４記載の方法を実施することにより、ユーザ利用テキスト依存の言語モデルを構築する。このようにして構築された言語モデルは、ユーザが参照あるいは既出したテキストの性質を反映させているため、ユーザが発声する確率の高い言語的性質を含み、より精度の高い認識結果を得ることができる。
【０１３９】図９はこの発明の実施の形態４による言語モデル１０３の更新処理を示すフローチャートである。ステップＳＴ９０１において、言語モデル更新タイミング決定手段（図示していない）は、ユーザの指示や最終更新時刻からの時間間隔、ネットワークの利用状況等のモニタから適当なタイミングを判定し、言語モデル管理サーバ３０のユーザ利用テキスト取得手段８０１へ言語モデル更新指令１１２を送信する。ユーザ利用テキスト取得手段８０１は、言語モデル更新指令１１２を受けていれば、ステップＳＴ９０２へ進み、言語モデル更新指令１１２を受けていなければ、処理を終了する。
【０１４０】ステップＳＴ９０２において、ユーザ利用テキスト取得手段８０１は、ユーザ利用テキストを読み出しユーザ利用テキスト格納手段８０２へ格納する。ステップＳＴ９０３において、ユーザ利用テキスト依存言語モデル構築手段８０３は、ユーザ利用テキストと更新された言語データ１１４を読み出す。ステップＳＴ９０４において、ユーザ利用テキスト依存言語モデル構築手段８０３は、ユーザ利用テキスト及び更新された言語データ１１４からユーザ利用テキスト依存言語モデルを構築し言語モデル格納手段１１６に格納する。
【０１４１】ステップＳＴ９０５において、言語モデル送信手段１１７は、言語モデル格納手段１１６から読み出したユーザ利用テキスト依存言語モデルを、ネットワークを介して音声認識装置１０の言語モデル更新手段１１８に送信する。ステップＳＴ９０６において、言語モデル更新手段１１８は、受け取った言語モデルにより照合手段１０１が参照する言語モデル１０３を更新する。
【０１４２】この実施の形態では、ユーザ利用テキストの入手を、特定ディレクトリやファイルの検索によるとしたが、ユーザ利用テキスト取得手段８０１は、テキストが収集できるのであれば、テキストをファイルやディレクトリから取り出すのではなく、音声認識やキーボード、ペン、ＯＣＲ等のユーザ入力、あるいはブラウザ等によってユーザが閲覧したテキスト等を利用してもかまわない。
【０１４３】また、ユーザ利用テキスト格納手段８０２は、ユーザ利用テキスト取得手段８０１によって収集されたテキストを格納するとしたが、ユーザ利用テキスト依存言語モデル構築手段８０３の基準に従い、テキストを適当な手段によって単語に分割したり、モデル構築時に参照する単語、単語連鎖、同時に出現する単語の組み合わせ等に関する頻度として格納しても同様である。
【０１４４】さらに、この実施の形態では、音声認識を対象として説明を行ったが、パターンとシンボルの関係を表した確率モデル、シンボルの出現を表した確率モデルからなるパターン認識を対象とするものであれば同様に適用可能である。
【０１４５】さらに、実施の形態４における音声認識システムを、音声認識プログラムとして記録媒体に記録することもできる。この場合には、言語モデル管理サーバ３０において、言語データ取得手段と同様の処理を行う言語データ取得機能と、ユーザ利用テキスト取得手段８０１と同様の処理を行うユーザ利用テキスト取得機能と、ユーザ利用テキスト格納手段８０２と同様の処理を行うユーザ利用テキスト格納機能と、ユーザ利用テキスト依存言語モデル構築手段８０３と同様の処理を行うユーザ利用テキスト依存言語モデル構築機能と、言語モデル格納手段１１６と同様の処理を行う言語モデル格納と、言語モデル送信手段１１７と同様の処理を行う言語モデル送信機能から構成されるソフトウェアと、音声認識装置１０において、言語モデル更新手段１１８と同様の処理を行う言語モデル更新機能と、照合手段１０１と同様の処理を行う照合機能から構成されるソフトウェアで音声認識プログラムとなる。
【０１４６】記録媒体に記録する音声認識プログラムは、音声認識装置１０のソフトウェアと、言語モデル管理サーバ３０のソフトウェアを、別々の記録媒体に記録しても良いし、１つの記録媒体に記録して、音声認識装置１０又は言語モデル管理サーバ３０から、それぞれ言語モデル管理サーバ３０又は音声認識装置１０に送信しても良い。
【０１４７】以上のように、この実施の形態４によれば、ネットワークに接続された言語モデル管理サーバ３０で、更新された言語データ１１４を取得し、しかも、ユーザが利用したテキストを取得することで、最新の状態にあり、しかもユーザが利用したテキストに依存した言語モデルを構築し、ネットワークを介してユーザの音声認識装置１０の言語モデル１０３を更新することで、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果が得られる。
【０１４８】実施の形態５．図１０はこの発明の実施の形態５による音声認識システムの構成を示すブロック図である。図１０の音声認識装置１０において、１００１は照合手段１０１が照合の際に参照する音響モデルを識別するＩＤを取得する音響モデルＩＤ取得手段、１００２は、音響モデルＩＤ取得手段１００１が取得したＩＤを読み込み、入力された音声信号から適応化用の音声データを取得し、読み込んだＩＤと取得した適応化用の音声データを、ネットワークを介して音響モデル管理サーバ２０に送信する適応化用音声取得手段である。
【０１４９】図１０の音響モデル管理サーバ２０において、１００３は適応化前の初期音響モデル、１００４は、音声認識装置１０の適応化用音声取得手段１００２から送信された適応化用の音声データを用いて、適応化前の初期音響モデル１００３を適応化し、適応化済み音響モデルを、適応化用音声取得手段１００２から送信されたＩＤに対応付けて適応化済み音響モデル格納手段１００５に格納する音響モデル適応化手段、１００６は、音響モデル更新指令１０５を受けて、ネットワークを介して音声認識装置１０の音響モデルＩＤ取得手段１００１が取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、適応化済み音響モデル格納手段１００５から選択して読み出す適応化済み音響モデル選択手段である。既に説明した各手段及び各モデルについては、同一の符号を付し説明を省略する。
【０１５０】従来技術と異なるこの実施の形態に特徴的な部分は、音声認識装置１０において、音響モデルＩＤ取得手段１００１，適応化用音声取得手段１００２を備え、音響モデル管理サーバ２０において、初期音響モデル１００３，音響モデル適応化手段１００４，適応化済み音響モデル格納手段１００５及び適応化済み音響モデル選択手段１００６を備えたことである。
【０１５１】この実施の形態では、音声認識装置１０において、適応化対象となる音響モデルＩＤと適応化用の音声データを取得し、音響モデル管理サーバ２０において、音響モデルＩＤに依存した適応化を行った音響モデルを構築して、音声認識装置１０に送信し、音声認識装置１０において、音響モデル１０２を更新することにより、ユーザは任意の照合手段１０１の利用に際して、適応化した音響モデルを参照可能であるため、より高い認識精度を得ることができる。
【０１５２】次に動作について説明する。音声認識装置１０において、音響モデルＩＤ取得手段１００１は、適応化対象となる音響モデルを決定するものであり、例えば、音声認識装置１０を利用するユーザのユーザＩＤである。適応化用音声取得手段１００２は、照合手段１０１の利用前にあらかじめ適応化用として音声信号１００による適応化用の音声データを取得し、音響モデルＩＤ取得手段１００１から読み出す音響モデルＩＤと、取得したした適応化用の音声データを、ネットワークを介して接続される音響モデル管理サーバ２０の音響モデル適応化手段１００４へ送信する。
【０１５３】音響モデル管理サーバ２０において、初期音響モデル１００３は適応化を行う前の音響モデルである。音響モデル適応化手段１００４は、ネットワークを介して受け取った適応化用の音声データと初期音響モデル１００３を用いて、適応化した音響モデルを構築し、適応化済みの音響モデルとネットワークを介して受け取った音響モデルＩＤを、適応化済み音響モデル格納手段１００５へ格納する。音響モデルの適応化には、例えば最大事後確率推定法を用いる。
【０１５４】適応化済み音響モデル格納手段１００５は、音響モデルＩＤと音響モデル適応化手段１００４により適応化された音響モデルを格納し、適応化済み音響モデル選択手段の要求に従い、指定の音響モデルＩＤを持つ音響モデルを出力する。適応化済み音響モデル選択手段１００６は、音響モデル更新指令１０５を受けて、音響モデルＩＤ取得手段１００１から音響モデルＩＤを取得し、対応する適応化済み音響モデルを、適応化済み音響モデル格納手段１００５から選択して読み出す。
【０１５５】図１１はこの発明の実施の形態５による音響モデル１０２の更新処理を示すフローチャートである。処理はステップＳＴ１１０１からＳＴ１１０７までの音響モデルの適応化段階と、ステップＳＴ１１０８からＳＴ１１１２までの音響モデルの更新段階に分けられる。適応化段階では、入力された適応化用の音声データを用いて、音響モデルＩＤに依存した音響モデルを構築する。
【０１５６】ステップＳＴ１１０１において、音声認識装置１０の音響モデルＩＤ取得手段１００１は、適応化対象となる音響モデルを識別する、例えばユーザ名等の識別情報を取得する。ステップＳＴ１１０２において、適応化用音声取得手段１００２は、音響モデルＩＤを読み出し、音声信号１００から入力される適応化用の音声データを取得する。ステップＳＴ１１０３において、適応化用音声取得手段１００２は、ネットワークを介して音響モデル管理サーバ２０に音響モデルの適応化要求を送信し、同時に音響モデルＩＤと適応化用の音声データを音響モデル適応化手段１００４へ送信する。
【０１５７】ステップＳＴ１１０４において、音響モデル適応化手段１００４は、ネットワークを介して音響モデルの適応化要求を受信し、音響モデルＩＤと適応化用の音声データを読み出す。ステップＳＴ１１０５において、音響モデル適応化手段１００４は初期音響モデル１００３を読み出す。ステップＳＴ１１０６において、音響モデル適応化手段１００４は、ネットワークを介して受け取った適応化用の音声データを用いて初期音響モデル１００３を適応化する。ステップＳＴ１１０７において、音響モデル適応化手段１００４は、適応化された音響モデルを音響モデルＩＤによって区別できるように、適応化済み音響モデル格納手段１００５に格納する。
【０１５８】ステップＳＴ１１０８において、音響モデル更新タイミング決定手段（図示していない）は、ユーザの指示や最終更新時刻からの時間間隔、ネットワークの利用状況等の監視から適当な更新タイミングを判定し、音響モデル更新指令１０５を適応化済み音響モデル選択手段１００６へ送信する。適応化済み音響モデル選択手段１００６は、音響モデル更新指令１０５を受けていれば、ステップＳＴ１１０９へ進み、音響モデル更新指令１０５を受けていなければ処理を終了する。ステップＳＴ１１０９において、適応化済み音響モデル選択手段１００６は、音声認識装置１０の音響モデルＩＤ取得手段１００１から、ネットワークを介して適応化対象の音響モデルＩＤを読み出す。
【０１５９】ステップＳＴ１１１０において、適応化済み音響モデル選択手段１００６は、音響モデルＩＤで指定された音響モデルを、適応化済み音響モデル格納手段１００５から選択して読み出す。ステップＳＴ１１１１において、音響モデル送信手段１１０は、読み出された適応化済み音響モデルを、ネットワークを介して音声認識装置１０の音響モデル更新手段１１１に送信する。ステップＳＴ１１１２において、音響モデル更新手段１１１は、受け取った適応化済み音響モデルにより照合手段１０１が参照する音響モデル１０２を更新する。
【０１６０】なお、音声認識装置１０において、音響モデルＩＤ取得手段１００１は、適応化対象となる音響モデルを決定するものであれば、回線伝達特性、背景雑音特性、残響音特性等を決定するものであってもかまわない。
【０１６１】また、音声認識装置１０において、適応化用音声取得手段１００２は、照合手段１０１の利用前にあらかじめ適応化用としてユーザの音声データを取得しているが、照合手段１０１が照合時に音声データを取得してして適応化用音声取得手段１００２に入力することで、次の照合の際に参照する音響モデルの適応化を行うことも可能である。
【０１６２】さらに、音声認識装置１０において、適応化用の音声のデータの取得と音響モデルＩＤの取得の手順は逆であってもかまわない。
【０１６３】さらに、音声認識装置１０において、適応化用音声取得手段１００２の音声データの格納形態は音声波形としたが、音声データを信号処理した音響特徴ベクトルの時系列、音響特徴ベクトルとベクトル量子化コードブックを参照して得られるコードブック符号列、それらを統計処理して得られる頻度分布、頻度分布から得られる確率分布等、音響モデルの学習に利用できる形態であれば、どのようなものでもかまわない。
【０１６４】さらに、音響モデル管理サーバ２０において、音響モデル適応化手段１００４が受信した適応化用の音声データを格納する手段を追加し、格納した多くの適応化用の音声データにより初期モデル１００３を更新することにより、学習の精度が高くなり、より高精度な認識を行う適応化済み音響モデルを構築することができる。
【０１６５】さらに、この実施の形態では音声認識を対象としたが、パターンとシンボルの関係を表した確率モデル、シンボルの出現を表した確率モデルからなるパターン認識を対象とするものであれば同様に適用可能である。
【０１６６】さらに、実施の形態５における音声認識システムを音声認識プログラムとして記録媒体に記録することもできる。この場合には、音声認識装置１０において、音響モデルＩＤ取得手段１００１と同様の処理を行う音響モデルＩＤ取得機能と、適応化用音声取得手段１００２と同様の処理を行う適応化用音声取得機能と、音響モデル更新手段１１１と同様の処理を行う音響モデル更新機能と、照合手段１０１と同様の処理を行う照合機能から構成されるソフトウェアと、音響モデル管理サーバ２０において、音響モデル適応化手段１００４と同様の処理を行う音響モデル適応化機能と、適応化済み音響モデル格納手段１００５と同様の処理を行う適応化済み音響モデル格納機能と、適応化済み音響モデル選択手段１００６と同様の処理を行う適応化済み音響モデル選択機能と、音響モデル送信手段１１０と同様の処理を行う音響モデル送信機能から構成されるソフトウェアで音声認識プログラムとなる。
【０１６７】記録媒体に記録する音声認識プログラムは、音声認識装置１０のソフトウェアと、音響モデル管理サーバ２０のソフトウェアを、別々の記録媒体に記録しても良いし、１つの記録媒体に記録して、音声認識装置１０又は音響モデル管理サーバ２０から、それぞれ音響モデル管理サーバ２０又は音声認識装置１０に送信しても良い。
【０１６８】以上のように、この実施の形態５によれば、ネットワークに接続された音響言語モデル管理サーバ２０で、ユーザの音声信号１００による適応化用の音声データにより適応化済みの音響モデルを構築し、ネットワークを介してユーザの音声認識装置１０の音響モデル１０２を更新することで、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果が得られる。
【０１６９】また、この実施の形態５によれば、ユーザに適応化した適応化済み音響モデルにより、ネットワークを介して音響モデル１０２を更新することで、ユーザが複数の異なる照合手段１０１を利用する場合でも、全ての照合手段１０１の利用時に適切な音響モデル１０２を利用し、高い認識精度を得ることができるという効果が得られる。
【０１７０】
【発明の効果】以上のように、この発明によれば、音響モデル管理サーバが、更新された音響データを取得して構築した音響モデルを、ネットワークを介して音声認識装置に送信し、音声認識装置が、音声認識の際に参照する音響モデルを、音響モデル管理サーバが送信した音響モデルにより更新することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１７１】この発明によれば、音響モデル管理サーバが、音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを取得し、取得したＩＤで指示される特定条件に対応して、更新された音響データを読み出し、特定条件に依存した音響モデルを構築して音声認識装置に送信することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた音響モデルを、ネットワークを介して送信することにより、ユーザが複数の異なる音声認識装置を利用する場合でも適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１７２】この発明によれば、言語モデル管理サーバが、更新された言語データを取得して構築した言語モデルを、ネットワークを介して音声認識装置に送信し、音声認識装置が、音声認識の際に参照する言語モデルを、言語モデル管理サーバが送信した言語モデルにより更新することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１７３】この発明によれば、言語モデル管理サーバが、音声認識装置が音声認識の際に参照する言語モデルを特定するＩＤを取得し、取得したＩＤで指示される特定条件に対応して、更新された言語データを読み出し、特定条件に依存した言語モデルを構築して音声認識装置に送信することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた言語モデルを、ネットワークを介して更新することにより、ユーザが複数の異なる音声認識装置を利用する場合でも適切な言語モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１７４】この発明によれば、音声認識装置が音声認識の際に単語を登録したユーザ辞書を参照し、言語モデル管理サーバが、ネットワークを介してユーザ辞書を読み出し、更新された言語データと、読み出したユーザ辞書とを参照し、ユーザ辞書に依存した言語モデルを構築して音声認識装置に送信することにより、ユーザ辞書が大きくなった場合でも、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１７５】この発明によれば、言語モデル管理サーバが、音声認識装置のユーザが利用したテキストを取得し、更新された言語データと、取得したテキストとを参照し、テキストに依存した言語モデルを構築して上記音声認識装置に送信することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１７６】この発明によれば、音声認識装置が、音響モデルを特定するＩＤと、入力された音声信号から適応化用の音声データとを取得し、取得したＩＤ及び適応化用の音声データを、ネットワークを介して音響モデル管理サーバに送信し、音響モデル管理サーバが、送信された適応化用の音声データを用いて、初期音響モデルを適応化し、適応化済み音響モデルを、送信されたＩＤに対応付けて格納すると共に、外部からの音響モデル更新指令を受けて、ネットワークを介して音声認識装置からＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、格納している適応化済み音響モデルの中から選択して読み出し、ネットワークを介して音声認識装置に送信し、音声認識装置が、音声認識の際に参照する音響モデルを、音響モデル管理サーバが送信した適応化済み音響モデルにより更新することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、ユーザに適応化した適応化済み音響モデルにより、ネットワークを介して音響モデルを更新することで、ユーザが複数の異なる音声認識装置を利用する場合でも、適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１７７】この発明によれば、音声認識装置がネットワークを介して接続された音響モデル管理サーバから、更新された音響データにより構築された音響モデルを受信し、照合手段が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１７８】この発明によれば、音響モデル更新手段が、ネットワークを介して接続された音響モデル管理サーバから、更新された音響データにより構築された、照合手段が音声認識の際に参照する音響モデルの特定条件に依存した音響モデルを受信し、照合手段が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた音響モデルを、ネットワークを介して受信することにより、ユーザが複数の異なる照合手段を利用する場合でも適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１７９】この発明によれば、音声認識装置がネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された言語モデルを受信し、照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１８０】この発明によれば、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、照合手段が音声認識の際に参照する言語モデルの特定条件に依存した言語モデルを受信し、照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた言語モデルを、ネットワークを介して受信することにより、ユーザが複数の異なる照合手段を利用する場合でも適切な言語モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１８１】この発明によれば、照合手段が音声認識の際に参照する単語を登録したユーザ辞書を備え、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、ユーザ辞書に依存した言語モデルを受信し、照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新することにより、ユーザ辞書が大きくなった場合でも、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１８２】この発明によれば、言語モデル更新手段が、ネットワークを介して接続された言語モデル管理サーバから、更新された言語データにより構築された、音声認識を行うユーザが利用したテキストに依存した言語モデルを受信し、照合手段が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新することにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１８３】この発明によれば、音声の音響的な観測値系列の確率を求める音響モデルと、音声信号を入力し上記音響モデルを参照して音声認識を行い、認識結果を出力する照合手段と、音響モデルを特定するＩＤを取得する音響モデルＩＤ取得手段と、取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、読み出したＩＤ及び取得した適応化用の音声データを、ネットワークを介して接続された音響モデル管理サーバに送信する適応化用音声取得手段と、音響モデル管理サーバから、ＩＤに対応する適応化用の音声データにより適応化された適応化済み音響モデルを受信し、照合手段が音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する音響モデル更新手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、ユーザに適応化した適応化済み音響モデルにより、ネットワークを介して音響モデルを更新することで、ユーザが複数の異なる照合手段を利用する場合でも、適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１８４】この発明によれば、更新された音響データを取得する音響データ取得手段と、外部からの音響モデル更新指令を受けて更新された音響データを読み出し、音声の音響的な観測値系列の確率を求める音響モデルを構築する音響モデル構築手段と、音響モデル構築手段により構築された音響モデルを、ネットワークを介して音声認識を行う音声認識装置に送信する音響モデル送信手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１８５】この発明によれば、更新された音響データを取得する音響データ取得手段と、外部からの音響モデル更新指令を受けて、音声認識の際に参照する音響モデルを特定するＩＤを取得する更新音響モデルＩＤ取得手段と、取得したＩＤで指示される特定条件に対応して、更新された音響データを読み出す特定向け音響データ読み出し手段と、読み出した更新された音響データを参照し、特定条件に依存した音響モデルを構築する特定向け音響モデル構築手段と、構築した音響モデルを、ネットワークを介して音声認識装置に送信する音響モデル送信手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた音響モデルを、ネットワークを介して送信することにより、ユーザが複数の異なる音声認識装置を利用する場合でも適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１８６】この発明によれば、音声の音響的な観測値系列の確率を求める、適応化前の初期音響モデルと、ネットワークを介して接続された音声認識装置から送信された、適応化用の音声データと、音声認識装置が音声認識の際に参照する音響モデルを特定するＩＤを受信し、適応化用の音声データを用いて初期音響モデルを適応化し、適応化済み音響モデルを、受信したＩＤに対応付けて適応化済み音響モデル格納手段に格納する音響モデル適応化手段と、外部からの音響モデル更新指令を受けて、ネットワークを介して音声認識装置からＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、適応化済み音響モデル格納手段から選択して読み出す適応化済み音響モデル選択手段と、読み出した適応化済み音響モデルを、ネットワークを介して音声認識装置に送信する音響モデル送信手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、ユーザに適応化した適応化済み音響モデルにより、ネットワークを介して音響モデルを更新することで、ユーザが複数の異なる音声認識装置を利用する場合でも、適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１８７】この発明によれば、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて更新された言語データを読み出し、単語列の出現確率を求める言語モデルを構築する言語モデル構築手段と、言語モデル構築手段が構築した言語モデルを、ネットワークを介して音声認識を行う音声認識装置に送信する言語モデル送信手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１８８】この発明によれば、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、音声認識の際に参照する言語モデルを特定するＩＤを取得する更新言語モデルＩＤ取得手段と、ＩＤで指示される特定条件に対応して、更新された言語データを読み出す特定向け言語データ読み出し手段と、読み出した更新された言語データを参照し、特定条件に依存した言語モデルを構築する特定向け言語モデル構築手段と、構築した言語モデルを、ネットワークを介して音声認識装置に送信する言語モデル送信手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた言語モデルを、ネットワークを介して送信することにより、ユーザが複数の異なる音声認識装置を利用する場合でも適切な言語モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１８９】この発明によれば、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ネットワークを介して接続された音声認識装置が音声認識の際に参照するユーザ辞書を読み出すユーザ辞書読み出し手段と、更新された言語データを読み出し、ユーザ辞書に依存した言語モデルを構築するユーザ辞書依存言語モデル構築手段と、構築した言語モデルを、ネットワークを介して音声認識装置に送信する言語モデル送信手段とを備えたことにより、ユーザ辞書が大きくなった場合でも、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９０】この発明によれば、更新された言語データを取得する言語データ取得手段と、外部からの言語モデル更新指令を受けて、ユーザが利用したテキストを取得するユーザ利用テキスト取得手段と、更新された言語データを読み出し、取得したテキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築手段と、構築した言語モデルを、ネットワークを介して音声認識装置に送信する言語モデル送信手段とを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９１】この発明によれば、更新された音響データを取得する第１のステップと、音響モデル更新指令を受けて更新された音響データを読み出し、音響モデルを構築する第２のステップと、構築した音響モデルを、ネットワークを介して送信する第３のステップと、音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する第４のステップとを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９２】この発明によれば、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて更新された言語データを読み出し、言語モデルを構築する第２のステップと、構築した言語モデルを、ネットワークを介して送信する第３のステップと、言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第４のステップとを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９３】この発明によれば、更新された音響データを取得する第１のステップと、音響モデル更新指令を受けて、音声認識の際に参照する音響モデルを特定するＩＤを取得する第２のステップと、ＩＤで指示される特定条件に対応して、更新された音響データを読み出す第３のステップと、更新された音響データを参照し、特定条件に依存した音響モデルを構築する第４のステップと、構築した音響モデルを、ネットワークを介して送信する第５のステップと、音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する第６のステップとを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた音響モデルを、ネットワークを介して受信することにより、ユーザが複数の異なる音声認識方法を利用する場合でも適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１９４】この発明によれば、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識の際に参照する言語モデルを特定するＩＤを取得する第２のステップと、取得したＩＤで指示される特定条件に対応して、更新された言語データを読み出す第３のステップと、更新された言語データを参照し、特定条件に依存した言語モデルを構築する第４のステップと、構築した言語モデルを、ネットワークを介して送信する第５のステップと、言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第６のステップとを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた言語モデルを、ネットワークを介して受信することにより、ユーザが複数の異なる音声認識方法を利用する場合でも適切な言語モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１９５】この発明によれば、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、音声認識の際に参照するユーザ辞書を読み出す第２のステップと、更新された言語データを読み出し、ユーザ辞書に依存した言語モデルを構築する第３のステップと、構築した言語モデルを、ネットワークを介して送信する第４のステップと、言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第５のステップとを備えたことにより、ユーザ辞書が大きくなった場合でも、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９６】この発明によれば、更新された言語データを取得する第１のステップと、言語モデル更新指令を受けて、ユーザが利用したテキストを取得する第２のステップと、更新された言語データを読み出し、テキストに依存した言語モデルを構築する第３のステップと、構築した言語モデルを、ネットワークを介して送信する第４のステップと、言語モデルを受信し、音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する第５のステップとを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９７】この発明によれば、音響モデルを特定するＩＤを取得する第１のステップと、取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、ネットワークを介して、読み出したＩＤ及び取得した適応化用の音声データを送信する第２のステップと、送信した適応化用の音声データを用いて、適応化前の初期音響モデルを適応化し、適応化済み音響モデルを、送信したＩＤに対応付けて格納する第３のステップと、音響モデル更新指令を受けて、ネットワークを介して第１のステップで取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、第３のステップで格納している適応化済み音響モデルの中から選択して読み出す第４のステップと、第４のステップで読み出した適応化済み音響モデルを、ネットワークを介して送信する第５のステップと、送信した適応化済み音響モデルを受信し、音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する第６のステップとを備えたことにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、ユーザに適応化した適応化済み音響モデルにより、ネットワークを介して音響モデルを更新することで、ユーザが複数の異なる音声認識方法を利用する場合でも、適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０１９８】この発明によれば、音声認識プログラムを記録した記録媒体で、更新された音響データを取得する音響データ取得機能と、音響モデル更新指令を受けて更新された音響データを読み出し、音響モデルを構築する音響モデル構築機能と、構築した音響モデルを、ネットワークを介して送信する音響モデル送信機能と、音響モデルを受信し、照合機能が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新機能とを実現させることにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０１９９】この発明によれば、音声認識プログラムを記録した記録媒体で、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、上記言語データ取得機能が取得した更新された言語データを読み出し、言語モデルを構築する言語モデル構築機能と、上記言語モデル構築機能が構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、上記言語モデル送信機能が送信した言語モデルを受信し、上記照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させることにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０２００】この発明によれば、音声認識プログラムを記録した記録媒体で、更新された音響データを取得する音響データ取得機能と、音響モデル更新指令を受けて、音響モデルを特定するＩＤを取得する更新音響モデルＩＤ取得機能と、取得したＩＤで指示される特定条件に対応して、更新された音響データを読み出す特定向け音響データ読み出し機能と、更新された音響データを参照し、特定条件に依存した音響モデルを構築する特定向け音響モデル構築機能と、音響モデルを、ネットワークを介して送信する音響モデル送信機能と、音響モデルを受信し、照合機能が音声認識の際に参照する音響モデルを、受信した音響モデルにより更新する音響モデル更新機能とを実現させることにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた音響モデルを、ネットワークを介して受信することにより、ユーザが複数の照合機能を利用する場合でも適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。
【０２０１】この発明によれば、音声認識プログラムを記録した記録媒体で、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、言語モデルを特定するＩＤを取得する更新言語モデルＩＤ取得機能と、取得したＩＤで指示される特定条件に対応して、更新された言語データを読み出す特定向け言語データ読み出し機能と、更新された言語データを参照し、特定条件に依存した言語モデルを構築する特定向け言語モデル構築機能と、構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、言語モデルを受信し、照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させることにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、特定向けにカスタマイズされた言語モデルを、ネットワークを介して受信することにより、ユーザが複数の照合機能を利用する場合でも適切な言語モデルを利用し、高い認識精度を得ることができるという効果がある。
【０２０２】この発明によれば、音声認識プログラムを記録した記録媒体で、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、ユーザ辞書を読み出すユーザ辞書読み出し機能と、更新された言語データを読み出し、ユーザ辞書に依存した言語モデルを構築するユーザ辞書依存言語モデル構築機能と、構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、言語モデルを受信し、照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させることにより、ユーザ辞書が大きくなった場合でも、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０２０３】この発明によれば、音声認識プログラムを記録した記録媒体で、更新された言語データを取得する言語データ取得機能と、言語モデル更新指令を受けて、ユーザが利用したテキストを取得するユーザ利用テキスト取得機能と、更新された言語データを読み出し、テキストに依存した言語モデルを構築するユーザ利用テキスト依存言語モデル構築機能と、構築した言語モデルを、ネットワークを介して送信する言語モデル送信機能と、言語モデルを受信し、照合機能が音声認識の際に参照する言語モデルを、受信した言語モデルにより更新する言語モデル更新機能とを実現させることにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができるという効果がある。
【０２０４】この発明によれば、音声認識プログラムを記録した記録媒体で、音響モデルを特定するＩＤを取得する音響モデルＩＤ取得機能と、取得したＩＤを読み出し、入力された音声信号から適応化用の音声データを取得し、ネットワークを介して、読み出したＩＤ及び取得した適応化用の音声データを送信する適応化用音声取得機能と、送信した適応化用の音声データを用いて、適応化前の初期音響モデルを適応化し、適応化済み音響モデルを、送信したＩＤに対応付けて格納する音響モデル適応化機能と、音響モデル更新指令を受けて、ネットワークを介して音響モデルＩＤ取得機能が取得したＩＤを受信し、受信したＩＤに対応する適応化済み音響モデルを、音響モデル適応化機能が格納した適応化済み音響モデルの中から選択して読み出す適応化済み音響モデル選択機能と、読み出した適応化済み音響モデルを、ネットワークを介して送信する音響モデル送信機能と、適応化済み音響モデルを受信し、照合機能が音声認識の際に参照する音響モデルを、受信した適応化済み音響モデルにより更新する音響モデル更新機能とを実現させることにより、ユーザに大きな負担をかけることなく、音声認識の認識精度を向上させることができると共に、ユーザに適応化した適応化済み音響モデルにより、ネットワークを介して音響モデルを更新することで、ユーザが複数の異なる照合機能を利用する場合でも、適切な音響モデルを利用し、高い認識精度を得ることができるという効果がある。

【出願人】	【識別番号】０００００６０１３【氏名又は名称】三菱電機株式会社
【出願日】	平成１２年９月１４日（２０００．９．１４）
【代理人】	【識別番号】１０００６６４７４【弁理士】【氏名又は名称】田澤博昭（外１名）
【公開番号】	特開２００２－９１４７７（Ｐ２００２－９１４７７Ａ）
【公開日】	平成１４年３月２７日（２００２．３．２７）
【出願番号】	特願２０００－２８０６７４（Ｐ２０００－２８０６７４）