特許ウォッチ

公開番号2025021658
公報種別公開特許公報(A)
公開日2025-02-14
出願番号2023125530
出願日2023-08-01
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 15/16 20060101AFI20250206BHJP(楽器;音響)
要約【課題】E2Eモデルによる音声認識はロバスト性を向上させることができる音声認識装置、音声認識方法、およびプログラムを提供することを目的とする。
【解決手段】音声認識装置は、End-to-Endモデルを用いて音声認識を行う音声認識装置であって、入力される音声信号を特徴的な表現に変換するモデルであるエンコーダと、エンコーダの出力を利用して、音声データをテキストに変換するモデルであるデコーダと、エンコーダに入力される音声信号のブロック長さをランダムに選択してエンコーダとデコーダの学習させる学習部と、を備える。
【選択図】図3
特許請求の範囲【請求項１】
Ｅｎｄ－ｔｏ－Ｅｎｄモデルを用いて音声認識を行う音声認識装置であって、
入力される音声信号を特徴的な表現に変換するモデルであるエンコーダと、
前記エンコーダの出力を利用して、音声データをテキストに変換するモデルであるデコーダと、
前記エンコーダに入力される音声信号のブロック長さをランダムに選択して前記エンコーダと前記デコーダの学習させる学習部と、
を備える音声認識装置。
続きを表示（約 1,000 文字）【請求項２】
前記エンコーダは、オンラインで処理を行う第１エンコーダと、オフラインで処理を行う第２エンコーダと、を備え、
前記デコーダは、オンラインで処理を行う第１デコーダと、オフラインで処理を行う第２デコーダと、を備え、
推論時に前記第１デコーダの出力と前記第２デコーダの出力とを再スコアリングすることで最終認識結果を出力する統合部、をさらに備える、
請求項１に記載の音声認識装置。
【請求項３】
前記第２デコーダは、訓練時に、前記第１エンコーダの出力と前記第２エンコーダの出力を統合して、前記第２デコーダの学習を行う、
請求項２に記載の音声認識装置。
【請求項４】
前記第２デコーダは、前記第１エンコーダの出力と前記第２エンコーダの出力を垂直方向にスタックする、
請求項３に記載の音声認識装置。
【請求項５】
前記統合部は、前記第２デコーダを用いて取得された音声データに対する推論を行って第１のスコアを算出し、前記第２デコーダが推論した文字列と同じ文字列に対する第２のスコアを前記第１エンコーダを用いて算出し、前記第１のスコアと前記第２のスコアを重みづけ和を算出して再スコアリングして、推論するテキストを決定する、
請求項２に記載の音声認識装置。
【請求項６】
Ｅｎｄ－ｔｏ－Ｅｎｄモデルを用いて音声認識を行う音声認識装置の音声認識方法であって、
エンコーダが、入力される音声信号を特徴的な表現に変換し、
デコーダが、前記エンコーダの出力を利用して、音声データをテキストに変換し、
学習部が、前記エンコーダに入力される音声信号のブロック長さをランダムに選択して前記エンコーダと前記デコーダの学習させる、
音声認識方法。
【請求項７】
エンコーダとデコーダを有するＥｎｄ－ｔｏ－Ｅｎｄモデルを用いて音声認識を行う音声認識装置のコンピュータに、
入力される音声信号を特徴的な表現に変換する第１変換ステップと、
前記第１変換ステップの出力を利用して、音声データをテキストに変換する第２変換ステップ、
前記第１変換ステップで入力される音声信号のブロック長さをランダムに選択して前記エンコーダと前記デコーダの学習させるステップと、
を実行させるプログラム。

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 1,300 文字）【背景技術】
【０００２】
音声認識技術としては、音声ブロックごとに逐次音声認識を行うオンライン認識と、発話全体を用いて音声認識を行うオフライン認識の２つが開発、実用化されている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【０００３】
特開２０２３－９２８３６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、オンライン認識は、レスポンスが速いがオフライン認識に比べ性能が低いことが多い。ただし発話によっては、オフライン認識の方がオンライン認識よりも性能が劣る場合もある。このように、従来のＥ２Ｅモデルによる音声認識はロバスト性に問題があった。
【０００５】
本発明は、上記の問題点に鑑みてなされたものであって、Ｅ２Ｅモデルによる音声認識はロバスト性を向上させることができる音声認識装置、音声認識方法、およびプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
（１）上記目的を達成するため、本発明の一態様に係る音声認識装置は、Ｅｎｄ－ｔｏ－Ｅｎｄモデルを用いて音声認識を行う音声認識装置であって、入力される音声信号を特徴的な表現に変換するモデルであるエンコーダと、前記エンコーダの出力を利用して、音声データをテキストに変換するモデルであるデコーダと、前記エンコーダに入力される音声信号のブロック長さをランダムに選択して前記エンコーダと前記デコーダの学習させる学習部と、を備える。
【０００７】
（２）また、上記（１）に記載の一態様に係る音声認識装置において、前記エンコーダは、オンラインで処理を行う第１エンコーダと、オフラインで処理を行う第２エンコーダと、を備え、前記デコーダは、オンラインで処理を行う第１デコーダと、オフラインで処理を行う第２デコーダと、を備え、推論時に前記第１デコーダの出力と前記第２デコーダの出力とを再スコアリングすることで最終認識結果を出力する統合部、をさらに備えるようにしてもよい。
【０００８】
（３）また、上記（２）に記載の一態様に係る音声認識装置において、前記第２デコーダは、訓練時に、前記第１エンコーダの出力と前記第２エンコーダの出力を統合して、前記第２デコーダの学習を行うようにしてもよい。
【０００９】
（４）また、上記（３）に記載の一態様に係る音声認識装置において、前記第２デコーダは、前記第１エンコーダの出力と前記第２エンコーダの出力を垂直方向にスタックするようにしてもよい。
【００１０】
（５）また、上記（２）に記載の一態様に係る音声認識装置において、前記統合部は、前記第２デコーダを用いて取得された音声データに対する推論を行って第１のスコアを算出し、前記第２デコーダが推論した文字列と同じ文字列に対する第２のスコアを前記第１エンコーダを用いて算出し、前記第１のスコアと前記第２のスコアを重みづけ和を算出して再スコアリングして、推論するテキストを決定するようにしてもよい。
（【００１１】以降は省略されています）

関連特許