特許ウォッチ

公開番号2024032655
公報種別公開特許公報(A)
公開日2024-03-12
出願番号2023112121
出願日2023-07-07
発明の名称音声認識装置、音声認識方法、および、プログラム
出願人本田技研工業株式会社
代理人個人,個人,個人,個人
主分類G10L 15/04 20130101AFI20240305BHJP(楽器;音響)
要約【課題】システム全体としての演算量やパラメータ数の増加を抑え、より正確に音声区間を定める音声認識装置、音声認識方法及びプログラムを提供する。
【解決手段】音声認識装置10は、サブフレーム毎に音声信号の音響特徴量を分析する特徴分析部112と、1以上のサブフレームからなるフレームごとに前記音響特徴量に基づいて隠れ状態特徴量を定める隠れ状態処理部114と、隠れ状態特徴量を入力値とし、音声区間確率を算出する音声区間処理部116と、音声区間に属する複数のフレームからなるブロックごとの前記隠れ状態特徴量の系列に基づいて発話内容を定める発話処理部118と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
音声信号のサブフレームごとに音響特徴量を分析する特徴分析部と、
前記音響特徴量に基づいて複数のサブフレームからなるフレームごとに隠れ状態特徴量を定める隠れ状態処理部と、
前記隠れ状態特徴量に基づいてフレームごとに音声区間を定める音声区間処理部と、
音声区間に属する複数のフレームからなるブロックごとの前記隠れ状態特徴量の系列に基づいて発話内容を定める発話処理部と、を備える
音声認識装置。
続きを表示（約 1,100 文字）【請求項２】
前記音声区間処理部は、
音声区間に属するフレームである音声区間フレームからなる当該音声区間を２個以上有するブロックを、個々に音声区間を含むブロックに分割するように構成される
請求項１に記載の音声認識装置。
【請求項３】
前記隠れ状態処理部は、
前記隠れ状態特徴量に基づいてフレームごとに音声区間に属する確率を音声区間確率として算出し、
前記音声区間確率が所定の確率閾値以下となる不活性フレームのうち、当該不活性フレームが所定の閾値フレーム数を超えて連続する区間を非音声区間と判定する、それ以外の区間を音声区間として判定する
前記音声区間確率が前記確率閾値より大きいフレームと、前記不活性フレームが前記閾値フレーム数を超えて連続しない区間を音声区間と判定するように構成される
請求項２に記載の音声認識装置。
【請求項４】
前記隠れ状態処理部は、サブフレームごとの音響特徴量に基づいてフレームごとのフレーム特徴量に変換し、
前記フレーム特徴量に基づいて前記隠れ状態特徴量を推定するように構成される
請求項１の音声認識装置。
【請求項５】
前記発話処理部は、
音声区間をなす最新のブロックまでの前記隠れ状態特徴量の系列に対応する発話内容の候補ごとの推定確率を算出し、前記推定確率が最も高い発話内容を定めるように構成される
請求項１の音声認識装置。
【請求項６】
コンピュータに、
サブフレームごとに音声信号の音響特徴量を分析し、
前記音響特徴量に基づいて複数のサブフレームからなるフレームごとに隠れ状態特徴量を定め、
前記隠れ状態特徴量に基づいてフレームごとに音声区間を定め、
音声区間に属する複数のフレームからなるブロックごとの前記隠れ状態特徴量の系列に基づいて発話内容を定める
音声認識装置として機能させるためのプログラム。
【請求項７】
音声認識装置における音声認識方法であって、
前記音声認識装置が、
音声信号のサブフレームごとに音響特徴量を分析し、
前記音響特徴量に基づいて複数のサブフレームからなるフレームごとに隠れ状態特徴量を定め、
前記隠れ状態特徴量に基づいてフレームごとに音声区間を定め、
音声区間に属する複数のフレームからなるブロックごとの前記隠れ状態特徴量の系列に基づいて発話内容を定める
音声認識方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、音声認識装置、音声認識方法、および、プログラムに関する。
続きを表示（約 2,200 文字）【背景技術】
【０００２】
音声認識技術は、様々な場面で普及している。例えば、パーソナルコンピュータ（ＰＣ：Personal Computer）、携帯電話機などの情報機器の他、冷蔵庫、空調機などの家庭電化製品などへの音声入力に適用される。これらの機器では、ストリーミング音声認識が用いられることがある。ストリーミング音声認識は、音声区間ごとに音声認識処理を行って発話内容を定める手法である。ストリーム音声認識処理では、前処理として音声区間検出（ＶＡＤ：Voice Activity Detection）が導入される。発話された文全体の入力が完了する前に音声区間ごとの発話内容が得られるため、応答性が向上する。音声認識処理として、例えば、コネクショニスト時系列分類エンドツーエンド自動音声認識（ＣＴＣ-based Ｅ２ＥＡＳＲ：Connectionist Temporal Classification-based end-to-end Automatic Speech Recognition、特許文献１、非特許文献１参照）などの手法が用いられうる。
【０００３】
ＶＡＤでは、様々な手法が提案されている。例えば、音量に基づく手法（energy-based method）、統計モデルまたは深層学習モデルを用いる手法、などがある。音量に基づく手法には、例えば、ゼロ交差法（zero-cross）がある。統計モデルとして、例えば、隠れマルコフモデル（ＨＭＭ：Hidden Markov Model）、ガウス混合モデル（ＧＭＭ：Gaussian Mixture Model）などが用いられる。深層学習モデルとして、例えば、多層パーセプトロン（ＭＬＰ：Multi-Layer Perceptron）、長・短期記憶（ＬＳＴＭ：Long Short Term Memory）、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）、トランスフォーマ（Transformer）などが用いられる。
【先行技術文献】
【特許文献】
【０００４】
国際公開第２０１８／２０７３９０号
【非特許文献】
【０００５】
Suyoun Kim, Takaaki Hori, and Shinji Watanabe, “JOINT CTC－ATTENTION BASED END－TO－END SPEECH RECOGNITION USING MULTI－TASK LEARNING”, 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) , 05 － 09 March, 2017, DOI: 10.1109/ICASSP.2017.7953075
【発明の概要】
【発明が解決しようとする課題】
【０００６】
上記のゼロ交差法は、比較的演算量が少ない手法である。しかしながら、ノイズの音量が比較的大きい区間が音声区間として誤認識されることがある。統計モデルまたは深層学習モデルを用いる手法は、多くのパラメータを要し、演算量が多くなりがちである。また、いずれの手法も、音声認識処理を単にＶＡＤに後続することで個々の処理に起因する誤差が蓄積する。その結果、音声認識率の低下が顕在化することがあった。
【０００７】
本明細書では、音声認識装置、音声認識方法およびプログラムが開示される。本装置、方法およびプログラムは、組合せて、または、別個に使用されうる。
【課題を解決するための手段】
【０００８】
（１）本実施形態の一態様は、音声信号のサブフレームごとに音響特徴量を分析する特徴分析部と、前記音響特徴量に基づいて複数のサブフレームからなるフレームごとに隠れ状態特徴量を定める隠れ状態処理部と、前記隠れ状態特徴量に基づいてフレームごとに音声区間を定める音声区間処理部と、音声区間に属する複数のフレームからなるブロックごとの前記隠れ状態特徴量の系列に基づいて発話内容を定める発話処理部と、を備える音声認識装置である。
【０００９】
（２）本実施形態の一態様は、（１）の音声認識装置であって、前記音声区間処理部は、音声区間に属するフレームである音声区間フレームからなる当該音声区間を２個以上有するブロックを、個々に音声区間を含むブロックに分割してもよい。
【００１０】
（３）本実施形態の一態様は、（２）の音声認識装置であって、前記隠れ状態処理部は、
前記隠れ状態特徴量に基づいてフレームごとに音声区間に属する確率を音声区間確率として算出し、前記音声区間確率が所定の確率閾値以下となる不活性フレームのうち、当該不活性フレームが所定の閾値フレーム数を超えて連続する区間を非音声区間と判定する、それ以外の区間を音声区間として判定し、前記音声区間確率が前記確率閾値より大きいフレームと、前記不活性フレームが前記閾値フレーム数を超えて連続しない区間を音声区間と判定してもよい。
（【００１１】以降は省略されています）

関連特許