| 【発明の名称】 |
時間非同期型音声認識装置および記録媒体 |
| 【発明者】 |
【氏名】小早川 健
|
| 【要約】 |
【課題】仮説を展開する際に、仮説キャッシュを参照することによって高速処理可能な時間非同期型音声認識装置を実現すること。
【解決手段】キャッシュ判定部７は、尤度計算部４による入力音声の尤度計算または尤度キャッシュ部５からの尤度の参照を必要回数繰り返して仮説展開終了条件を満たすか否かを判定して、仮説展開終了条件を満たした仮説を仮説キャッシュ部６に登録し、さらに、仮説保持部３から仮説展開を要求された際に、仮説キャッシュ部６内に該当する仮説が登録されている場合は、当該仮説を仮説保持部３に出力する。これによって、仮説展開を要求される度に尤度計算または尤度キャッシュ参照を繰り返す必要がなくなり、処理が高速化する。 |
【特許請求の範囲】
【請求項１】 入力音声の尤度を計算する尤度計算部と、前記尤度計算部によって得られた尤度を登録する尤度キャッシュ部と、前記尤度計算部による尤度計算または前記尤度キャッシュ部からの尤度参照を必要回数繰り返して仮説展開終了条件を満たすか否かを判定する判定手段とを具えた時間非同期型音声認識装置において、前記判定手段によって仮説展開終了条件を満たしたと判定された仮説を登録する仮説キャッシュ部を有し、前記判定手段は、仮説展開を要求された際に、前記仮説キャッシュ部内に該当する仮説が登録されている場合は、当該仮説を出力することを特徴とする時間非同期型音声認識装置。
【請求項２】 請求項１において、前記仮説キャッシュ部は仮説を登録する際に当該仮説の展開開始時刻をキーとして登録することを特徴とする時間非同期型音声認識装置。
【請求項３】 請求項１において、前記判定手段は、仮説展開を要求された際に、必要に応じて、前記尤度計算部による尤度計算または前記尤度キャッシュ部からの尤度参照を必要回数繰り返して仮説展開終了条件を満たした仮説を出力することを特徴とする時間非同期型音声認識装置。
【請求項４】 コンピュータによって、入力音声を音声認識する時間非同期型音声認識装置を制御する制御プログラムを記録した記録媒体であって、前記制御プログラムは、前記コンピュータに、入力音声の尤度を計算させ、前記尤度計算によって得られた尤度を尤度キャッシュに登録させ、前記尤度計算または前記尤度キャッシュからの尤度参照を必要回数繰り返して仮説展開終了条件を満たすか否かを判定させ、前記判定によって仮説展開終了条件を満たしたと判定された仮説を仮説キャッシュに登録させ、仮説展開を要求された際に、前記仮説キャッシュ内に該当する仮説が登録されている場合は、当該仮説を出力させることを特徴とする記録媒体。
【請求項５】 請求項４において、前記仮説キャッシュに仮説を登録する際に当該仮説の展開開始時刻をキーとして登録させることを特徴とする記録媒体。
|
【発明の詳細な説明】【０００１】
【発明の属する技術分野】本発明は、時間非同期型音声認識装置および記録媒体に関するものである。
【０００２】
【従来の技術】図２に示すように、音声認識装置は、入力音声に対して、音声の音響的特徴および言語的特徴を音響スコア計算部１および言語スコア計算部２で計算し、仮説を更新する（これを、仮説の展開と言う）ことを繰り返す。音声認識結果としての出力文字列の候補としての仮説を仮説保持部３に保持する。仮説の展開では、仮説が増える事も減る事もある。入力音声の処理が終ると、もっともらしい仮説を出力文字列とする。
【０００３】時間非同期型の仮説展開を行う音声認識装置の場合、入力音声の音響スコアの計算順序は、必ずしも発声時刻順ではない。つまり、過去に発声された音声の音響スコアを計算する必要が頻繁に生じる。
【０００４】また、一方で、どこまで仮説を展開するか（仮説展開終了条件）は、仮説の展開開始位置（これは、形態素の開始位置である事が多い）と入力音声に依り、仮説そのものに依らないのが時間非同期型音声認識装置では標準的である。
【０００５】
【発明が解決しようとする課題】従来、音響スコア計算部は、尤度計算部と尤度キャッシュ部とこれらを用いた仮説の展開が終了したかを判定する判定部としか有していない。
【０００６】このため、従来の音声認識装置では、仮説展開をする度に必ず尤度計算又は尤度キャッシュ参照を必要回数繰り返していた。この尤度計算又は尤度キャッシュ参照を繰り返す事は非効率で、音声認識速度又は音声認識率が低下する原因となってきた。従来法では、忠実に音声認識を行えば認識速度が低下し、認識速度の低下を避けるために仮説保持部に近似アルゴリズムを導入すると認識率が低下する。
【０００７】そこで本発明の目的は、以上のような問題を解消した時間非同期型音声認識装置および記録媒体を提供することにある。
【０００８】
【課題を解決するための手段】請求項１の発明は、入力音声の尤度を計算する尤度計算部と、前記尤度計算部によって得られた尤度を登録する尤度キャッシュ部と、前記尤度計算部による尤度計算または前記尤度キャッシュ部からの尤度参照を必要回数繰り返して仮説展開終了条件を満たすか否かを判定する判定手段とを具えた時間非同期型音声認識装置において、前記判定手段によって仮説展開終了条件を満たしたと判定された仮説を登録する仮説キャッシュ部を有し、前記判定手段は、仮説展開を要求された際に、前記仮説キャッシュ部内に該当する仮説が登録されている場合は、当該仮説を出力することを特徴とする。
【０００９】請求項２の発明は、請求項１において、前記仮説キャッシュ部は仮説を登録する際に当該仮説の展開開始時刻をキーとして登録することを特徴とする。
【００１０】請求項３の発明は、請求項１において、前記判定手段は、仮説展開を要求された際に、必要に応じて、前記尤度計算部による尤度計算または前記尤度キャッシュ部からの尤度参照を必要回数繰り返して仮説展開終了条件を満たした仮説を出力することを特徴とする。
【００１１】請求項４の発明は、コンピュータによって、入力音声を音声認識する時間非同期型音声認識装置を制御する制御プログラムを記録した記録媒体であって、前記制御プログラムは、前記コンピュータに、入力音声の尤度を計算させ、前記尤度計算によって得られた尤度を尤度キャッシュに登録させ、前記尤度計算または前記尤度キャッシュからの尤度参照を必要回数繰り返して仮説展開終了条件を満たすか否かを判定させ、前記判定によって仮説展開終了条件を満たしたと判定された仮説を仮説キャッシュに登録させ、仮説展開を要求された際に、前記仮説キャッシュ内に該当する仮説が登録されている場合は、当該仮説を出力させることを特徴とする。
【００１２】請求項５の発明は、請求項４において、前記仮説キャッシュに仮説を登録する際に当該仮説の展開開始時刻をキーとして登録させることを特徴とする。
【００１３】
【発明の実施の形態】本発明は、仮説展開終了条件が仮説展開位置と入力音声に依り、過去の仮説に依らない時間非同期型音声認識装置に適用される。
【００１４】本発明は、尤度キャッシュを低レベルキャッシュと考えると、より高いレベルでキャッシュすることを特徴とする。
【００１５】本発明においては、仮説展開終了条件が過去の仮説によらず、仮説の開始位置のみによる事から、仮説の展開開始時刻をキーとしたキャッシュが可能である。この仮説キャッシュによって、一度展開した仮説を将来有効に再利用できるので、仮説展開を要求される度に尤度計算または尤度キャッシュ参照を繰り返す事がなくなり、計算量の節約になる。
【００１６】本発明では、尤度計算した結果を再利用するキャッシュの技術を応用する。キャッシュとは、キーから、データを高速に検索できるデータベースである。キャッシュの技術は、キーとデータの組を高速に検索する方法、及び、キーとデータの組を高速に登録する方法から成り立つ。本発明では、キーとして仮説展開開始時刻、データとしてキーの時刻から展開を開始した仮説を用いる。
【００１７】図１は、図２のような構成の音声認識装置における本発明を適用した音響スコア計算部の構成を示す。図１に示すように、４は、入力音声の尤度を計算する尤度計算部、５は、尤度計算部４によって得られた尤度を登録する尤度キャッシュ部、６は仮説キャッシュ部である。７は前記の尤度計算部４、尤度キャッシュ部５および仮説キャッシュ部６を制御するキャッシュ判定部であって、尤度計算部４による尤度計算または尤度キャッシュ部５からの尤度の参照を必要回数繰り返して仮説展開終了条件を満たすか否かを判定して、仮説展開終了条件を満たした仮説を仮説キャッシュ部６に登録し、さらに、仮説保持部３から仮説展開を要求された際に、仮説キャッシュ部６内に該当する仮説が登録されている場合は、当該仮説を仮説保持部３に出力する。
【００１８】本発明を適用した音声認識装置は、専用の装置として構成することができるが、さらに、例えば、図１の音響スコア計算部（図２の音声認識装置を含む）は、例えば、図４に示すようなコンピュータシステムによって実現することができる。すなわち、図４に示すように、ＣＰＵ８は、ハードディスク装置９に格納され、起動時等にシステムメモリ１０に展開される制御プログラム（図３に示す制御プログラムを含む）にしたがって、音声認識処理を実行することによって、図１に示す尤度計算部４、尤度キャッシュ部５、仮説キャッシュ部６、キャッシュ判定部７、図１に示す音響スコア計算部１、言語スコア計算部２、仮説保持部３の各機能が実現される。図３に示す制御プログラムは、リムーバブル・メディア、すなわち、例えば、ＣＤ−ＲＯＭ、ＭＯ、フロッピー（登録商標）ディスク、メモリカード等にも記録することができ、これらからの制御プログラムデータをシステムメモリ１０にロードすることによって、本発明は実行される。
【００１９】１１は音声認識処理すべき入力音声データを取り込むためのインターフェース、１２は音声認識結果を出力するためのインターフェース、１３はキーボード、マウス等の入力手段、１４は、表示手段である。
【００２０】図３に音響スコア計算部におけるキャッシュ判定部の動作フローチャートを示す。
【００２１】始めに、仮説保持部から音響スコア計算部に対して時刻ｔを指定して仮説の展開が要求されることによってスタートし、まず、ステップ（Ｓ）１において、時刻ｔに展開を開始する仮説が仮説キャッシュ部内にあるか否かを判断する。仮説キャッシュ部内にあれば、Ｓ２で、仮説キャッシュ部から、その仮説を参照し、参照した仮説を出力として計算を終える。Ｓ１で、該当する仮説が仮説キャッシュ部内になければ、時刻ｔに展開した仮説を初めて計算することになるので、Ｓ３に進む。
【００２２】Ｓ３〜Ｓ８では、一定の時間（時刻ｔから仮説展開終了条件を満たすまで）の尤度計算を行う。すなわち、一定の時間のループで時刻を進めながら処理をする。まず、Ｓ３では、同時刻の計算した尤度があるか否かを判断し、あれば、Ｓ４で尤度キャッシュ部からの尤度を参照して、Ｓ７に進み、そうでなければ、同時刻の尤度を初めて計算することになるので、Ｓ５に進む。
【００２３】Ｓ５では、尤度計算部で入力音声を照合し、尤度を計算し、尤度キャッシュ部に登録し、Ｓ７に進む。
【００２４】Ｓ７では、仮説展開を終了したか（仮説展開終了条件）を判定する（本発明は、仮説展開終了条件の能力（性能）とは無関係である。つまり、仮説展開終了条件の判定部分を改良したいかなる方法も、本発明を適用する事ができる。）。Ｓ７で、仮説展開を終了したと判定されれば、Ｓ９で仮説キャッシュ部に仮説を登録し、出力として計算を終える。Ｓ７で、仮説展開を終了していないと判定されれば、Ｓ８で時刻を進め、Ｓ３へ戻る。
【００２５】
【発明の効果】以上説明したように本発明によれば、時間非同期型音声認識装置に仮説レベルのキャッシュを導入する事により、認識率を低下させる事なく、従来より高速な時間非同期音声認識を実現できる。
|
| 【出願人】 |
【識別番号】０００００４３５２
【氏名又は名称】日本放送協会
|
| 【出願日】 |
平成１２年９月１９日（２０００．９．１９） |
| 【代理人】 |
【識別番号】１０００７７４８１
【弁理士】
【氏名又は名称】谷 義一 （外２名）
|
| 【公開番号】 |
特開２００２−９１４９０（Ｐ２００２−９１４９０Ａ） |
| 【公開日】 |
平成１４年３月２７日（２００２．３．２７） |
| 【出願番号】 |
特願２０００−２８３４７９（Ｐ２０００−２８３４７９） |
|