実施の形態1.
 以下、本発明の第1の実施の形態について図 面を参照して説明する。図1は、本発明によ� �音声認識装置の構成の一例を示すブロック� �である。図1に示すように、音声認識装置は� ��入力信号取得部1、特徴量算出部2、音響モ� �ル格納部3、言語モデル格納部4、ネットワー ク探索部5、認識結果出力部6、音声モデル格� ��部7、距離算出部8、詳細度判定部9及びパラ� ��ータ設定部10を含む。なお、音声認識装置� �、具体的には、パーソナルコンピュータ等� �情報処理装置によって実現される。

 入力信号取得部1は、具体的には、プログ ラムに従って動作する情報処理装置のCPUによ って実現される。入力信号取得部1は、入力� �号を単位時間毎に切り分け取得(入力)する機 能を備える。例えば、入力信号取得部1は、� �イクロフォン等の音声入力装置から音声信� �を入力信号として入力する。また、例えば� �入力信号取得部1は、予めデータベース等に� ��憶する音声信号を入力信号として抽出する� ��

 特徴量算出部2は、具体的には、プログラ ムに従って動作する情報処理装置のCPUによっ て実現される。特徴量算出部2は、入力信号� �得部1が入力した入力信号に基づいて、入力� ��声の特徴的性質を示す特徴量を算出する機� ��を備える。

 音響モデル格納部3及び言語モデル格納部 4は、具体的には、磁気ディスク装置や光デ� �スク装置等の記憶装置によって実現される� �音響モデル格納部3は、所定の音響モデルを� ��め格納する。また、言語モデル格納部4は、 所定の言語モデルを予め格納する。

 ネットワーク探索部5は、具体的には、プ ログラムに従って動作する情報処理装置のCPU によって実現される。ネットワーク探索部5� �、特徴量算出部2で算出された特徴量と、音� ��モデル格納部3が格納する音響モデルと、言 語モデル格納部4が格納する言語モデルとに� �づいて、単語列の候補を探索する機能を備� �る。また、ネットワーク探索部5は、単語列� ��候補の探索結果に基づいて、入力音声の音� ��認識結果として単語列の候補を抽出する機� ��を備える。

 認識結果出力部6は、具体的には、プログ ラムに従って動作する情報処理装置のCPUによ って実現される。認識結果出力部6は、ネッ� �ワーク探索部5によって探索された単語列の� ��補を出力する機能を備える。例えば、認識� ��果出力部6は、単語列の候補を、入力音声の 音声認識結果として、ディスプレイ装置等の 表示装置に表示する。また、例えば、認識結 果出力部6は、単語列の候補を含むファイル� �、入力音声の音声認識結果として出力する� �

 また、上記のような構成要素を備える音� ��認識システム(音声認識装置)において、音� �モデル格納部7、距離算出部8、詳細度判定部 9及びパラメータ設定部10は、以下のような機 能を備える。

 音声モデル格納部7は、具体的には、磁気 ディスク装置や光ディスク装置等の記憶装置 によって実現される。音声モデル格納部7は� �複数の詳細度をもつ音声モデルを予め格納� �る。なお、「詳細度」とは、音声モデルを� �いて音声現象を粗く表現するか、緻密に表� �するかを決める尺度である。

 距離算出部8は、具体的には、プログラム に従って動作する情報処理装置のCPUによって 実現される。距離算出部8は、音声モデル格� �部7が格納する音声モデルがもつ各詳細度に� ��する特徴量算出部2で算出された特徴量の距 離を算出する機能を備える。具体的には、距 離算出部8は、入力音声の特徴量と各詳細度� �の差を示す値をそれぞれ算出することによ� �て、入力音声の特徴量と各詳細度との距離� �算出する。

 詳細度判定部9は、具体的には、プログラ ムに従って動作する情報処理装置のCPUによっ て実現される。詳細度判定部9は、距離算出� �8が求めた詳細度と特徴量との距離のうち最� ��小さい距離を特定し、特徴量算出部2が求め た特徴量との距離が最も小さくなるような詳 細度を求める(判定する)機能を備える。すな� ��ち、詳細度判定部9は、音声モデル格納部7� �記憶する音声モデルがもつ詳細度のうち、� �力した音声信号の特徴的性質に最も近い詳� �度を選択する。

 パラメータ設定部10は、具体的には、プ� �グラムに従って動作する情報処理装置のCPU� �よって実現される。パラメータ設定部10は、 詳細度判定部9が求めた詳細度の値に応じて� �ネットワーク探索部5が単語列を探索する際� ��必要となるパラメータを設定する機能を備� ��る。

 特徴量算出部2は、特徴量として、例えば 、入力音声のケプストラムや、対数スペクト ル、スペクトル、フォルマント位置、ピッチ 、スペクトルパワー、又はその入力音声の複 数フレームに渡る変化分等の音声の特徴を示 す値を算出する。なお、ここで記載した特徴 量及び特徴量の算出方法については、例えば 、非特許文献1の第2章に記載されている。こ� ��で、非特許文献1の第2章に記載されている� �項は、本書に引用をもって繰り込み記載さ� �ているものとする。

 音響モデル格納部3は、音響モデルとして 、例えば、HMM(Hidden Markov Model)等のデータを� ��納している。なお、ここで記載した音響モ� ��ルについては、例えば、非特許文献1の第3� �に記載されている。また、ここで記載した� �響モデルの作成方法については、例えば、� �特許文献1の第14章に記載されている。ここ� �、非特許文献1の第3章及び第14章に記載され� ��いる事項は、本書に引用をもって繰り込み� ��載されているものとする。

 言語モデル格納部4は、言語モデルとして 、例えば、N-gramや、単語辞書、文脈自由文法 等のデータを格納している。なお、ここで記 載した言語モデル及び言語モデルを用いた音 声認識アルゴリズムについては、例えば、非 特許文献1の第5章に記載されている。ここで� ��非特許文献1の第5章に記載されている事項� �、本書に引用をもって繰り込み記載されて� �るものとする。

 ネットワーク探索部5は、単語列を探索す る方法として、例えば、ビームサーチを行う 等、言語モデル格納部4に格納されている言� �モデルによって表現される単語列ネットワ� �クから、音響モデル格納部3に格納されてい� ��音響モデルを用いて正解単語列を探索する� ��法によって、入力音声の音声認識結果とし� ��単語列の候補を抽出する。なお、ここで記� ��した単語列探索方法については、例えば、� ��特許文献1の第6章に記載されている。ここ� �、非特許文献1の第6章に記載されている事項 は、本書に引用をもって繰り込み記載されて いるものとする。

 音声モデル格納部7は、複数の詳細度を含 む音声モデルを格納している。音声モデル格 納部7は、音声モデルとして、例えば、HMM又� �GMM(Gaussian Mixture Model)等のデータを格納して いる。

 HMMやGMMは、複数の確率分布関数を組み合� ��せることによって構成される。確率分布関� ��には一般的にガウス分布が用いられるが、� ��ウス分布以外の関数を用いてもよい。確率� ��布関数のパラメータは、EMアルゴリズム等� �手法を用いて音声を学習することによって� �定される。なお、ここで記載したEMアルゴリ ズムは、例えば、非特許文献1の第4章に記載� ��れている。ここで、非特許文献1の第4章に� �載されている事項は、本書に引用をもって� �り込み記載されているものとする。

 また、音声モデルは、詳細度として、例� ��ば、確率分布関数の混合数や、確率分布関� ��の分布を平均した値等を持つ。図2は、複数 の詳細度を含むGMMを模式的に表した例を示す 説明図である。図2において、実線で囲まれ� �楕円が確率分布関数を示す。図2に示すよう� ��、GMMは詳細度が低いときは少数の混合数の� ��率分布関数で表され、詳細度が高いときは� ��数の混合数の確率分布関数で表される。

 詳細度が異なる音声モデルを作る方法と� ��て、トップダウンに作成する方法と、ボト� ��アップに作成する方法とが考えられる。ト� ��プダウンに作成する方法として、以下のよ� ��な方法がある。例えば、学習データに対し� ��少ない混合数の音声モデルを学習して作成� ��た後に、音声モデルを構成する確率分布関� ��を分割する等して混合数を増加させる。そ� ��て、その混合数を増加させたモデルを再び� ��習する。そのように、学習及び分割の処理� ��必要な混合数の音声モデルが得られるまで� ��り返し実行することによって、詳細度が異� ��る音声モデルを生成することができる。

 また、例えば、モノフォンや、ダイフォ� ��、トライフォン、クインフォン等の音素の� ��み合わせの詳細度を変えて音声モデルを作� ��することによって、詳細度が異なる音声モ� ��ルを生成するようにしてもよい。

 ボトムアップに音声モデルを作成する方� ��として、例えば、なんらかの学習手段を用� ��て学習された複数の確率分布関数の混合に� ��って構成される音声モデルを、k-means法等を 用いて距離に応じてまとめ上げることによっ て、詳細度の異なる音声モデルを作成する方 法がある。なお、ここで記載したk-means法は� �例えば、文献(Richard O. Duda, Petter E. Hart, D avid G. Stork 著,尾上守夫 監訳,「パターン認 識」,Joh Willey & Sons. 新技術コミュニケ� �ション,pp.528-529)に記載されている。

 なお、上記に示した複数の詳細度をもつ� ��声モデルは、例えば、システムの設計者等� ��よって予め作成され、音声モデル格納部7に 格納される。

 なお、本実施の形態において、音声認識� ��置を実現する情報処理装置の記憶装置は、� ��声認識処理を実行するための各種プログラ� ��を記憶している。例えば、音声認識装置を� ��現する情報処理装置の記憶装置は、コンピ� ��ータに、予め記憶する所定の音声モデルが� ��つ、音声モデルに対する音声の特徴的性質� ��示す情報である複数の詳細度のうち、入力� ��た音声信号の特徴的性質に最も近い詳細度� ��選択する詳細度選択処理と、選択した詳細� ��に応じて、入力した音声を音声認識するた� ��のパラメータを設定するパラメータ設定処� ��とを実行させるための音声認識プログラム� ��記憶している。

 次に、動作について説明する。図3は、音 声認識装置が実行する音声認識処理の一例を 示すフローチャートである。まず、入力信号 取得部1は、マイクロフォン等のデバイスを� �いて取得(入力)した入力信号(音声信号)を、� ��位時間毎に窓掛け処理して切り出す(ステッ プS1)。

 次に、特徴量算出部2は、入力信号取得手 段1が求めた単位時間毎の入力信号に基づい� �、入力音声の特徴量を算出する(ステップS2)� ��例えば、特徴量算出部2は、特徴量として、 t番目の単位時間の入力信号の特徴量ベクト� �xtを求める。

 次に、距離算出部8は、音声モデルの複数 の詳細度それぞれに対して、単位時間毎の入 力信号の特徴量との距離を求める(ステップS3 )。この場合、距離算出部8は、HMM又はGMMを音� ��モデルとして用いている場合、特徴量と詳� ��度との距離を求めるために、式(3)で示す尤� ��又は対数尤度を算出する。

 ここで、μkは、k番目の確率密度関数の平 均を示す。また、σkは、k番目の確率密度関� �の分散を示す。また、Cは、定数項を示す。� ��た、nは、特徴量ベクトルxtの次元数を示す� ��

 尤度又は対数尤度を用いる場合、尤度又� ��対数尤度の値が大きいほど、特徴量と詳細� ��との距離は小さくなる。なお、特徴量と詳� ��度との距離を求める場合、距離算出部8は、 尤度や対数尤度に限らず、例えば、ユークリ ッド距離等の距離尺度を求めてもよい。各詳 細度に対する音声モデルは複数個の確率密度 関数の混合で表されるが、単位時間毎の入力 信号の特徴量と詳細度との距離は、複数個の 確率密度関数のうち最も距離が近いもので代 表されるものとする。

 次に、詳細度判定部9は、距離算出部8が� �めた音声モデルの各詳細度に対する距離を� �較し、特徴量算出部2が求めた特徴量との距� ��が最も小さくなる詳細度を求める(ステップ S4)。すなわち、詳細度判定部9は、距離算出� �8が求めた各距離に基づいて、音声モデル格� ��部7が格納する音声モデルがもつ複数の詳細 度のうち、特徴量算出部2が求めた特徴量と� �距離が最小となる詳細度を判定する。

 なお、ステップS4において、詳細度判定� �9は、単位時間毎に詳細度を求める方法に加� ��て、複数の単位時間又は一発声にわたって� ��均した距離が最も小さくなるような詳細度� ��求める等統計分析を行ってもよい。すなわ� ��、詳細度判定部9は、単位時間毎に詳細度を 求めて、入力した音声信号の特徴的性質に最 も近い詳細度を選択してもよい。また、詳細 度判定部9は、等統計分析の結果に基づいて� �特徴量が最も小さくなる詳細度を求めるよ� �にしてもよい。すなわち、詳細度判定部9は� ��単位時間毎に求めた詳細度を複数の単位時� ��にわたって統計分析し、着目する単位時間� ��詳細度を求めるようにしてもよい。

 次に、パラメータ設定部10は、詳細度判� �部9によって判定された詳細度を用いて、ネ� ��トワーク探索部5で単語列を探索する際に用 いるパラメータを設定する(ステップS5)。こ� �場合、パラメータ設定部10は、パラメータと して、例えば、言語重み(例えば、重み係数)� ��枝刈りパラメータ等を設定する。すなわち� ��パラメータ設定部10は、詳細度判定部9が選� ��した詳細度に応じて、言語の重み付け、又� ��所定の枝刈り処理を行うための枝刈りパラ� ��ータの少なくともいずれかを設定する。な� ��、パラメータ設定部10は、言語重みや枝刈� �パラメータ以外の単語列を探索する際に使� �するパラメータを制御してもよい。

 なお、「枝刈り」とは、例えば、単語列� ��候補である仮説のうち、所定の尤度幅(閾値 )以下の仮説を破棄する処理を行うこと等を� �う。また、枝刈りパラメータには、例えば� �枝刈り処理を行う場合に閾値として用いら� �る尤度幅の値等が設定される。

 詳細度に応じて言語重みを設定する場合� ��パラメータ設定部10は、図4に示すように、� ��細度が低いときには、音声の情報の信頼性� ��低いので、言語重みを大きく(例えば、重み 係数の値を大きく)設定する。逆に、パラメ� �タ設定部10は、詳細度が高いときには、音声 の情報の信頼性が高いので、言語重みを小さ く(例えば、重み係数の値を小さく)設定する� ��

 単語列探索時の枝刈りパラメータを設定� ��る場合、パラメータ設定部10は、詳細度が� �いときには、音声の情報の信頼性が低いの� �、仮説が多くなるように、枝刈りパラメー� �を設定する。また、パラメータ設定部10は、 詳細度が高いときには、音声の情報の信頼性 が高いので、仮説が少なくなるように、枝刈 りパラメータを設定する。

 次に、ネットワーク探索部5は、パラメー タ設定部10によって設定されたパラメータに� ��づいて、単語列を探索する(ステップS6)。こ の場合、ネットワーク探索部5は、特徴量算� �部2によって算出された特徴量と、音響モデ� ��格納部3に格納されている音響モデルと、言 語モデル格納部4に格納されている言語モデ� �とを用いて、式(2)に基づいて最も尤度の高� �単語列を探索して求める。

 最後に、認識結果出力部6は、ネットワー ク探索部5によって探索された単語列の出力(� ��えば表示)を行う(ステップS7)。

 以上のように、本実施の形態によれば、� ��響的な特性を判定して、少ない計算コスト� ��認識精度の高くなる適切なパラメータで音� ��認識を行うことができる。

 例えば、図5(a)に示すように、一般に、入 力信号の特徴的性質が音声モデルを学習した ときの学習データの特徴的性質と近い場合に は、より詳細度の高い音声モデルに対する距 離が小さくなる。これは、例えば、トップダ ウンに音声モデルを作成するとき、混合数を 増やす際に学習データに対し、常に距離がよ り小さくなるように確率分布関数を増加して 作成することができるためである。逆に、図 5(b)に示すように、入力信号の特徴的性質が� �習データの特徴的性質と遠い場合には、詳� �度の高い音声モデルほど距離が大きくなる� �とがある。そのようなことから、詳細度判� �部9によって入力信号に対し詳細度の高い音� ��モデルが選ばれたときには学習データの特� ��的性質と近く、逆に詳細度の低い音声モデ� ��が選ばれた時には学習データの特徴的性質� ��ら遠いということができる。

 上記の性質を利用して、詳細度に応じて� ��声認識に係わるパラメータを動的に制御す� ��ことで、例えば、詳細度が高い場合には仮� ��数を減らして計算量を低減する等の措置を� ��じることができ、最適な計算コストで認識� ��度の高い音声認識を行うことができる。

 また、入力音声との距離が最も近い詳細� ��を選ぶということは、最も詳細度が高い状� ��を選択された状態にまでまとめあげた音声� ��デルが、入力音声を最もよく表現している� ��とを示す。そのため、最も近い詳細度の情� ��から、着目する時刻においてどれだけの数� ��対立する単語列の候補が拮抗しているかの� ��報を得ることができ、長時間平均を取るこ� ��なく対立する候補の数を考慮したパラメー� ��設定を行うことができる。

 また、複数の詳細度をもつ音声モデルは� ��音響モデルに較べて充分に小さいサイズに� ��ることができるため、従来の簡易な音響モ� ��ルを用いる方法に較べて、計算コストを少� ��くできる。

実施の形態2.
 次に、本発明の第2の実施の形態について説 明する。なお、本実施の形態において、音声 認識装置の基本的な構成は、第1の実施の形� �で示した音声認識装置の構成と同様である� �

 詳細度判定部9は、第1の実施の形態で示� �たステップS4において、複数の詳細度をもつ 音声モデルに対して、低い詳細度から高い詳 細度へと順番に計算を行い、特徴量算出部2� �求めた特徴量との距離が極小となる詳細度� �求める。また、詳細度判定部9は、逆に、高� ��詳細度から低い詳細度へと順番に計算を行� ��、特徴量算出部2が求めた特徴量との距離が 極小となる詳細度を求めてもよい。

 本実施の形態では、距離算出部8は、詳細 度が低いものから高いものへと順番に距離を 算出し、又は詳細度が高いものから低いもの へと順番に距離を算出する。そして、詳細度 判定部9は、距離算出部8が求めた距離が最小� ��なる詳細度を求める。

 以上のように、本実施の形態によれば、� ��徴量算出部2が算出した特徴量との距離が極 小となる詳細度を求めることで、効率的に距 離が最小となる詳細度を求めることができる 。

 例えば、図5(a)に示すように、入力信号の 特徴的性質が学習データの特徴的性質と近い 場合には、詳細度が大きくなるに従って距離 は単調に減少し、詳細度が最も高いときに距 離は最小となる。また、図5(b)に示すように� �入力信号の特徴的性質が学習データの特徴� �性質と遠い場合には、詳細度が大きくなる� �従って、距離は最初単調に減少し途中から� �調増大に変わる。そのような性質から、複� �の詳細度をもつ音声モデルに対して、低い� �細度から高い詳細度へと順番に計算し、距� �が極小となる詳細度を求めることで、効率� �に距離が最小となる詳細度を求めることが� �きる。

実施の形態3.
 次に、本発明の第3の実施の形態について図 面を参照して説明する。図6は、第3の実施の� ��態における音声認識装置の構成例を示すブ� ��ック図である。図6に示すように、本実施の 形態では、音声認識装置が、図1で示した複� �の詳細度をもつ音声モデルを格納する音声� �デル格納部7に代えて、親子構造をもつ複数� ��詳細度をもつ音声モデルを格納する音声モ� ��ル格納部11を含む点で、第1の実施の形態と� ��なる。

 音声モデル格納部11は、具体的には、磁� �ディスク装置や光ディスク装置等の記憶装� �によって実現される。音声モデル格納部11は 、親子構造をもつ複数の詳細度をもつ音声モ デルを格納する。

 本実施の形態では、音声モデル格納部11� �格納されている複数の詳細度をもつ音声モ� �ルの各詳細度は、木構造等の親子構造をも� �ものとする。なお、ここでいう親子構造と� �、例えば、図7に示すように、高い詳細度に� ��する確率分布関数(子)と、低い詳細度に属� �る確率分布関数(親)との間に依存関係が存在 することである。図7において、楕円と楕円� �を結ぶ実線は、親分布と子分布との関係に� �ることを示す。

 親子関係の作成の仕方として、例えば、� ��ップダウン式に音声モデルを作成するとき� ��は、親分布を分割することによって子分布� ��作成することができる、また、例えば、ボ� ��ムアップ式に音声モデルを作成するときに� ��、子分布を纏め上げて親分布を作成するこ� ��ができる。なお、これらの親子構造をもつ� ��声モデルは、例えば、システムの設計者等� ��よって予め作成され、音声モデル格納部11� �格納される。

 次に、動作について説明する。本実施の� ��態では、詳細度判定部9は、第1の実施の形� �で示したステップS4において、親子構造をも つ複数の詳細度をもつ音声モデルに対して、 低い詳細度から高い詳細度へと順番に計算を 行い、特徴量算出部2が求めた特徴量との距� �が最小となる詳細度を求める。この際、詳� �度判定部9は、各詳細度間に属する分布に親� ��構造があるため、ある詳細度で距離が最小� ��なる分布が得られたとき、その距離が最小� ��なる詳細度より高い詳細度について計算を� ��う場合には、その距離が最小となる分布の� ��分布のみを考慮して計算すればよい。例え� ��、距離算出部8や詳細度判定部9は、その後� �距離が最小となる分布の子分布のみに対し� �、距離計算や最小となる詳細度の判定処理� �行うようにすればよい。

 本実施の形態では、上記のような構成と� ��ることにより、距離算出部8が行う距離計算 を少ない計算コストで行うことができ、第1� �実施の形態で示した音声認識システムより� �さらに計算コストを少なくできる。

実施の形態4.
 次に、本発明の第4の実施の形態について図 面を参照して説明する。なお、本実施の形態 において、音声認識装置の基本的な構成は、 第1の実施の形態で示した音声認識装置の構� �と同様である。

 本実施の形態では、音声モデル格納部7が 格納する複数の詳細度をもつ音声モデルと、 音響モデル格納部3が格納する音響モデルと� �間に、所定の関連性をもたせるようにした� �で、第1の実施の形態と異なる。

 本実施の形態では、音響モデル格納部3は 、音声モデル格納部7が記憶する音声モデル� �所定の関連性をもつ音響モデルを予め記憶� �る。また、音声モデル格納部7は、音響モデ� ��格納部3が記憶する音響モデルと所定の関連 性をもつ音声モデルを予め記憶する。また、 ネットワーク探索部5は、音声モデルと音響� �デルとの関連性を用いて、単語列の候補を� �索して抽出する。

 本実施の形態では、複数の詳細度をもつ� ��声モデルと音響モデルとの間に関連性をも� ��せるために、例えば、図8に示すように、複 数の詳細度をもつ音声モデルを構成する複数 の確率密度関数と、音響モデルを構成する複 数の確率密度関数とのうち、同じもの又は似 ているものに対して関連性がわかるようにし ておく。例えば、同じ又は類似する音声モデ ルと音響モデルとにリンク情報を付与する等 により、予めリンク付けを行う。図8に示す� �ででは、音声モデルと音響モデルとをつな� �破線が、音声モデルと音響モデルとの関連� �を示す。

 なお、これらの音声モデルと音響モデル� ��の関連性(例えば、リンク付け)は、例えば� �システムの設計者等によって予め処理され� �処理を施された音声データや音響データが� �れぞれ音声モデル格納部7及び音響モデル格� ��部3に格納される。

 本実施の形態では、上記のような構成と� ��ることにより、第1の実施の形態で示したス テップS6で、単語列を探索する際に行う入力� ��号の音響モデルに対する距離の計算を、予� ��音声モデル及び音響モデルに付与された関� ��性を用いることで、ステップS3で求めた入� �信号の複数の詳細度の音声モデルに対する� �離を用いて省略することができる。従って� �ステップS6の処理におけるネットワーク探索 部5の処理負担を軽減することができる。

実施の形態5.
 次に、本発明の第5の実施の形態について図 面を参照して説明する。図9は、第5の実施の� ��態における音声認識装置の構成例を示すブ� ��ック図である。図9に示すように、本実施の 形態では、音声認識装置が、音響モデル格納 部3に代えて、複数の音響モデルを格納する� �響モデル格納部13を含む点で、第1の実施の� �態と異なる。また、音声認識装置が、言語� �デル格納部4に代えて、複数の言語モデルを� ��納する言語モデル格納部14を含む点で、第1� ��実施の形態と異なる。また、音声認識装置� ��、詳細度判定部9によって算出された詳細度 に応じてパラメータを設定するパラメータ設 定部10に代えて、モデル選択部12を含む点で� �第1の実施の形態と異なる。

 モデル選択部12は、具体的には、プログ� �ムに従って動作する情報処理装置のCPUによ� �て実現される。モデル選択部12は、詳細度判 定部9が算出した詳細度に応じて、音響モデ� �と言語モデルとを選択する機能を備える。� �なわち、モデル選択部12は、詳細度判定部9� �選択した詳細度に応じて、音響モデル格納� �3が記憶する複数の音響モデルと、言語モデ� ��格納部4が記憶する複数の言語モデルとのう ち、1組の音響モデルと言語モデルとを選択� �る。

 次に、動作について説明する。第1の実施 の形態では、図3に示すステップS5において、 パラメータ設定部10は、詳細度判定部9によっ て判定された詳細度を用いて、ネットワーク 探索部5が単語列を探索する際に用いるパラ� �ータを設定する処理を行っていた。本実施� �形態では、詳細度判定部9によって詳細度が� ��定(算出)されると、図3に示すステップS5の� �理に代えて、モデル選択部12は、詳細度判定 部9によって判定された詳細度を用いて、ネ� �トワーク探索部5が単語列を探索する際に用� ��る音響モデルと言語モデルとを選択するモ� ��ル選択処理を実行する。そして、ネットワ� ��ク探索部5は、モデル選択部12によって選択� ��れた音響モデルと言語モデルとに基づいて� ��単語列の候補を探索し抽出する。

 本実施の形態では、上記のような構成と� ��ることにより、詳細度判定部9によって詳細 度が低いと判定された場合には、サイズの小 さい音響モデルを選択したり、言語モデルを 語彙数の少ないものに切り替えたりすること によって、音声認識の精度を高めることがで きる。そのように、本実施の形態では、音声 認識装置は、入力音声等の条件に応じて、音 声モデル及び言語モデルを選択するように制 御する。

実施の形態6.
 次に、本発明の第6の実施の形態について図 面を参照して説明する。図10は、第6の実施の 形態における音声認識装置の構成例を示すブ ロック図である。図10に示すように、本実施� ��形態では、音声認識装置が、詳細度判定部9 によって算出された詳細度に応じてパラメー タを設定するパラメータ設定部10に代えて、� ��作/応答設定部15を含む点で、第1の実施の形 態と異なる。

 動作/応答設定部15は、具体的には、プロ� ��ラムに従って動作する情報処理装置のCPUに� ��って実現される。動作/応答設定部15は、詳� ��度判定部9によって判定された詳細度に応じ て、出力手段又は出力内容を変更する機能を 備える。すなわち、動作/応答設定部15は、詳 細度判定部9が選択した詳細度に応じて、入� �した音声信号の音声認識結果の出力方法又� �出力内容を変更する。

 本実施の形態では、動作/応答設定部15は� ��例えば、詳細度判定部9によって詳細度が低 いと判定された場合には、認識結果出力部6� �、ユーザに再度発声して音声入力を促すメ� �セージを表示させる。また、例えば、動作/� ��答設定部15は、認識結果出力部6に、話者学� ��が必要である旨を表示させる。また、例え� ��、動作/応答設定部15は、認識結果出力部6に 、音声認識結果が正しいか否かの確認を依頼 する旨を表示させる。また、例えば、動作/� �答設定部15は、認識結果出力部6に、詳細度� �定部9によって詳細度が低いと判定された場� ��の認識結果だけを表示させないように制御� ��る。

 本実施の形態では、上記のような構成と� ��ることにより、信頼度の高い認識結果だけ� ��表示することができる。

実施の形態7.
 次に、本発明の第7の実施の形態について図 面を参照して説明する。図11は、第7の実施の 形態における音声認識装置の構成例を示すブ ロック図である。図11に示すように、本実施� ��形態では、音声認識装置が、詳細度判定部9 によって算出された詳細度に応じてパラメー タを設定するパラメータ設定部10に代えて、� ��デル学習部16を含む点で、第1の実施の形態� ��異なる。

 モデル学習部16は、具体的には、プログ� �ムに従って動作する情報処理装置のCPUによ� �て実現される。モデル学習部16は、詳細度判 定部9によって算出された詳細度に応じて、� �数の詳細度をもつ音声モデルと音響モデル� �の学習を行う機能を備える。すなわち、モ� �ル学習部16は、詳細度判定部9が選択した詳� �度に応じて、音声モデル格納部7が記憶する� ��声モデルを更新することによって、話者又� ��雑音環境に音声モデルを適応させる。

 本実施の形態では、音響モデル学習部16� �、詳細度判定部9によって詳細度が低いと判� ��された場合には、詳細度が高くなるように� ��複数の詳細度をもつ音声モデルと音響モデ� ��とを、雑音環境又は者環境に適応させるよ� ��に制御する。具体的には、モデル学習部16� �、複数の詳細度をもつ音声モデルが、入力� �号に対して平均的に偏りがあるために詳細� �が低くなっているような場合には、その音� �モデルの偏りを補正する処理を行い、詳細� �が高くなるように制御する。また、モデル� �習部16は、音声モデルの補正に合わせて、音 響モデル側の偏りについても補正する処理を 行う。

 本実施の形態では、上記のような構成と� ��ることにより、雑音環境や話者環境が学習� ��と大きく異なるような場合であっても、適� ��な音声認識結果を出力できるようにするこ� ��ができる。

 なお、音声認識装置において、上記に示� ��た各実施の形態で示した構成を互いに組み� ��わせてもよい。例えば、上記に示した第1の 実施の形態~第7の実施の形態に示した音声認� ��装置の構成のいずれか2以上を組み合わせて 、音声認識装置を構成するようにしてもよい 。

 その他本発明の全開示(請求の範囲を含む )の枠内において、さらにその基本的技術思� �に基づいて、実施形態ないし実施例の変更� �調整が可能である。また、本発明の請求の� �囲の枠内において種々の開示要素の多様な� �み合わせないし選択が可能である。