(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-12-18
(45)【発行日】2023-12-26
(54)【発明の名称】音声認識装置、音声認識プログラム、及び音声認識方法
(51)【国際特許分類】
G10L 15/28 20130101AFI20231219BHJP
G10L 15/20 20060101ALI20231219BHJP
G10L 15/32 20130101ALI20231219BHJP
H04R 3/00 20060101ALI20231219BHJP
G10L 21/028 20130101ALI20231219BHJP
【ＦＩ】
G10L15/28 400
G10L15/20 370E
G10L15/32 200Z
H04R3/00 320
G10L21/028 A
G10L15/20 353
【請求項の数】
5
(21)【出願番号】P 2019099690
(22)【出願日】2019-05-28
(65)【公開番号】P2020194093
(43)【公開日】2020-12-03
【審査請求日】2022-02-08
(73)【特許権者】
【識別番号】000000295
【氏名又は名称】沖電気工業株式会社
(74)【代理人】
【識別番号】100180275
【弁理士】
【氏名又は名称】吉田 倫太郎
(74)【代理人】
【識別番号】100161861
【弁理士】
【氏名又は名称】若林 裕介
(72)【発明者】
【氏名】矢頭 隆
【審査官】大野 弘
(56)【参考文献】
【文献】特開２００３－２４１７９２（ＪＰ，Ａ）
【文献】特開２０１７－１８３９０２（ＪＰ，Ａ）
【文献】特開２０１６－１２６３３０（ＪＰ，Ａ）
【文献】特開２００７－０８６５５４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ１０Ｌ １５／２０
Ｇ１０Ｌ １５／３２
Ｇ１０Ｌ １５／２８
Ｈ０４Ｒ ３／００
Ｇ１０Ｌ ２１／０２８
(57)【特許請求の範囲】
【請求項1】
目的エリアに指向性を向けることが可能な複数のマイクアレイから入力された入力信号に基づいて、それぞれの前記マイクアレイのビームフォーマ出力を取得し、取得したビームフォーマ出力を用いて、前記目的エリアのエリア収音処理を行って目的エリア音を抽出するエリア音抽出手段と、前記エリア音抽出手段により抽出された目的エリア音に対し、混合用信号を、複数の混合量で混合する混合処理を行って、混合量ごとの混合音を生成する信号混合手段と、
それぞれの前記混合音に対して音声認識処理を行った結果を取得し、それぞれの前記混合音の音声認識処理結果に対する信頼度を算出する信頼度算出処理を行う音声認識手段と、
前記音声認識手段が行った音声認識処理結果のうち、最も信頼度の高い音声認識処理結果を選択して出力する認識結果選択手段とを有し、
前記信号混合手段は、設定された中心混合量を中心として、設定された変化幅で設定された段階数変化させた混合量を前記混合処理に適用し、前記段階数の分の混合音を生成し、
前記認識結果選択手段の選択結果に応じて、前記信号混合手段に適用する前記中心混合量、前記変化幅、及び前記段階数を決定する混合内容決定手段をさらに有する
ことを特徴とする音声認識装置。
【請求項2】
前記目的エリアで話者が発話した音声が発生している発話区間を検出する発話区間検出手段をさらに備え、前記音声認識手段は、前記発話区間検出手段によって発話区間が検出されている間だけ、音声認識処理及び信頼度算出処理を行う
ことを特徴する請求項１に記載の音声認識装置。
【請求項3】
前記混合内容決定手段は、前記認識結果選択手段で選択された混合量を新な中心混合量として適用し、前記変化幅及び又は前記段階数を増減させることを特徴とする請求項１に記載の音声認識装置。
【請求項4】
コンピュータを、目的エリアに指向性を向けることが可能な複数のマイクアレイから入力された入力信号に基づいて、それぞれの前記マイクアレイのビームフォーマ出力を取得し、取得したビームフォーマ出力を用いて、前記目的エリアのエリア収音処理を行って目的エリア音を抽出するエリア音抽出手段と、
前記エリア音抽出手段により抽出された目的エリア音に対し、混合用信号を、複数の混合量で混合する混合処理を行って、混合量ごとの混合音を生成する信号混合手段と、
それぞれの前記混合音に対して音声認識処理を行った結果を取得し、それぞれの前記混合音の音声認識処理結果に対する信頼度を算出する信頼度算出処理を行う音声認識手段と、
前記音声認識手段が行った音声認識処理結果のうち、最も信頼度の高い音声認識処理結果を選択して出力する認識結果選択手段として機能させ、
前記信号混合手段は、設定された中心混合量を中心として、設定された変化幅で設定された段階数変化させた混合量を前記混合処理に適用し、前記段階数の分の混合音を生成し、
前記コンピュータを、前記認識結果選択手段の選択結果に応じて、前記信号混合手段に適用する前記中心混合量、前記変化幅、及び前記段階数を決定する混合内容決定手段としても機能させる
ことを特徴とする音声認識プログラム。
【請求項5】
音声認識方法において、エリア音抽出手段、信号混合手段、音声認識手段、認識結果選択手段、及び混合内容決定手段を有し、
前記エリア音抽出手段は、目的エリアに指向性を向けることが可能な複数のマイクアレイから入力された入力信号に基づいて、それぞれの前記マイクアレイのビームフォーマ出力を取得し、取得したビームフォーマ出力を用いて、前記目的エリアのエリア収音処理を行って目的エリア音を抽出し、
前記信号混合手段は、前記エリア音抽出手段により抽出された目的エリア音に対し、混合用信号を、複数の混合量で混合する混合処理を行って、混合量ごとの混合音を生成し、
前記音声認識手段は、それぞれの前記混合音に対して音声認識処理を行った結果を取得し、それぞれの前記混合音の音声認識処理結果に対する信頼度を算出する信頼度算出処理を行い、
前記認識結果選択手段は，前記音声認識手段が行った音声認識処理結果のうち、最も信頼度の高い音声認識処理結果を選択して出力する
前記信号混合手段は、設定された中心混合量を中心として、設定された変化幅で設定された段階数変化させた混合量を前記混合処理に適用し、前記段階数の分の混合音を生成し、
前記混合内容決定手段は、前記認識結果選択手段の選択結果に応じて、前記信号混合手段に適用する前記中心混合量、前記変化幅、及び前記段階数を決定する
ことを特徴とする音声認識方法。
【発明の詳細な説明】
【技術分野】
【0001】
この発明は、音声認識装置、音声認識プログラム、及び音声認識方法に関し、例えば、雑音環境下で用いられる収音システム等の特定のエリアの音を強調し、それ以外のエリアの音を抑制するシステムに適用し得る。
【背景技術】
【0002】
雑音環境下で音声通信システムや音声認識応用システムを利用する場合、必要な目的音声と同時に混入する周囲の雑音は、良好なコミュニケーションを阻害し、音声認識率の低下をもたらす厄介な存在である。従来、このような複数の音源が存在する環境下において、特定の方向の音のみ分離・収音することで不要音の混入を避け必要な目的音を得る技術として、マイクアレイを用いたビームフォーマ（Ｂｅａｍ Ｆｏｒｍｅｒ；以下「ＢＦ」と呼ぶ）がある。
【0003】
ＢＦとは、各マイクロホンに到達する信号の時間差を利用して指向性を形成する技術である（非特許文献１参照）。ＢＦは、加算型と減算型の大きく２つの種類に分けられる。特に減算型ＢＦは、加算型ＢＦに比べ、少ないマイクロホン数で指向性を形成できるという利点がある。
【0004】
図４は、マイクロホン数が２個（Ｍ１、Ｍ２）の場合の減算型ＢＦ４００に係る構成を示すブロック図である。
【0005】
減算型ＢＦ４００は、遅延器４１０と減算器４２０を有している。
【0006】
減算型ＢＦ４００は、目的とする方向に存在する音（以下、「目的音」と呼ぶ）が各マイクロホンに到来する信号の時間差を算出し、遅延器４１０により遅延を加えることにより目的音の位相を合わせる。このときの時間差は下記（１）式により算出される。ここで、ｄはマイクロホン間の距離であり、ｃは音速であり、τｉは遅延量であり、θＬは各マイクロホンを結んだ直線に対する垂直方向から目的方向への角度である。
【0007】
また、ここで、遅延器４１０は、死角がマイクロホンｍｃ１とマイクロホンｍｃ２の中心に対し、マイクロホンｍｃ１の方向に存在する場合、マイクロホンｍｃ１の入力信号ｘ１（ｔ）に対し遅延処理を行う。その後、減算器４２０が、（２）式に従った減算処理を行う。
【0008】
減算器４２０では、周波数領域でも同様に減算処理を行うことができ、その場合（２）式は以下の（３）式のように変更される。
【数1】
【0009】
ここでθＬ＝±π／２の場合、形成される指向性は図５（ａ）に示すように、カージオイド型の単一指向性となり、θＬ＝０，πの場合は、図５（ｂ）のような８の字型の双指向性となる。ここでは、入力信号から単一指向性を形成するフィルタを「単一指向性フィルタ」、双指向性を形成するフィルタを「双指向性フィルタ」と呼ぶものとする。
【0010】
減算器４２０では、スペクトル減算法（Ｓｐｅｃｔｒａｌ Ｓｕｂｔｒａｃｔｉｏｎ；以下、「ＳＳ」とも呼ぶ）を用いることで、双指向性の死角に強い指向性を形成することもできる。ＳＳによる指向性は、（４）式に従い全周波数、もしくは指定した周波数帯域で形成される。（４）式では、マイクロホンｍｃ１の入力信号Ｘ１を用いているが、マイクロホンｍｃ２の入力信号Ｘ２でも同様の効果を得ることができる。ここでβはＳＳの強度を調節するための係数である。（４）式に従ってＳＳの処理を行う際、減算時に値がマイナスになった場合は、０または元の値を小さくした値に置き換えるフロアリング処理を行う。この方式は、双指向性フィルタにより目的方向以外に存在する音（以下、「非目的音」と呼ぶ）を抽出し、抽出した非目的音の振幅スペクトルを入力信号の振幅スペクトルから減算することで、目的音方向を強調することができる。
【数2】
【0011】
ある特定のエリア内に存在する音（以下、「目的エリア音」と呼ぶ）だけを収音したい場合、減算型ＢＦを用いるだけでは、そのエリアの周囲に存在する音源（以下、「非目的エリア音」と呼ぶ）も収音してしまう可能性がある。そこで、特許文献１の記載技術では、複数のマイクアレイを用い、それぞれ別々の方向から目的エリアへ指向性を向け、指向性を目的エリアで交差させることで目的エリア音を収音する手法（エリア収音）を提案している。
【0012】
図６は、２つのマイクアレイＭＡ１、ＭＡ２を用いて、目的エリアの音源からの目的エリア音を収音する処理について示した説明図である。
【0013】
図６（ａ）は、各マイクアレイの構成例について示した説明図である。図６（ｂ）、図６（ｃ）は、それぞれ図６（ａ）に示すマイクアレイＭＡ１、ＭＡ２のＢＦ出力について周波数領域で示したグラフ（イメージ図）である。エリア収音では、図６（ａ）に示すようは、マイクアレイＭＡ１、ＭＡ２の指向性を別々の方向から収音したいエリア（目的エリア）で交差させて収音する。図６（ａ）の状態では、各マイクアレイＭＡ１、ＭＡ２の指向性に目的エリア内に存在する音（目的エリア音）だけでなく、目的エリア方向の雑音（非目的エリア音）も含まれている。しかし、図６（ｂ）、図６（ｃ）に示すように、マイクアレイＭＡ１、ＭＡ２の指向性を周波数領域で比較すると、目的エリア音成分はどちらの出力にも含まれるが、非目的エリア音成分は各マイクアレイで異なることになる。従来のエリア収音技術では、このような特性を利用し、２つのマイクアレイＭＡ１、ＭＡ２のＢＦ出力に、共通に含まれる成分以外を抑圧することで目的エリア音のみ抽出することができる。
【0014】
図６（ａ）のような環境で従来のエリア収音処理を行う場合、まず各マイクアレイのＢＦ出力に含まれる目的エリア音の振幅スペクトルの比率を推定し、それを補正係数とする例として２つのマイクアレイを使用することになる。このとき、目的エリア音振幅スペクトルの補正係数は、「（５）、（６）式」または「（７）、（８）式」により算出される。ここで、Ｙ１ｋ（ｎ）、Ｙ２ｋ（ｎ）はマイクアレイＭＡ１、ＭＡ２のＢＦ出力の振幅スペクトルであり、Ｎは周波数ピンの総数であり、ｋは周波数であり、α１（ｎ）、α２（ｎ）は各ＢＦ出力に対する振幅スペクトル補正係数である。また、ここで、ｍｏｄｅは最頻値、ｍｅｄｉａｎは中央値を表している。
【数3】
【0015】
その後、補正係数により各ＢＦ出力を補正し、ＳＳすることで、目的エリア方向に存在する非目的エリア音を抽出することができる。さらに、抽出した非目的エリア音を各ＢＦの出力からＳＳすることにより目的エリア音を抽出することができる。例えば、マイクアレイＭＡ１からみた目的エリア方向に存在する非目的エリア音Ｎ１（ｎ）を抽出するには、（９）式に示すように、マイクアレイＭＡ１のＢＦ出力Ｙ１（ｎ）からマイクアレイＭＡ２のＢＦ出力Ｙ２（ｎ）に振幅スペクトル補正係数的を掛けたものをＳＳする。同様に（１０）式に従い、マイクアレイＭＡ２からみた目的エリア方向に存在する非目的エリア音Ｎ２（ｎ）を抽出する。
【0016】
その後、（１１）、（１２）式に従い、各ＢＦ出力から非目的エリア音をＳＳして目的エリア音を抽出することができる。（１１）式は、マイクアレイＭＡ１を基準として、また（１２）式は、マイクアレイＭＡ２を基準として目的エリア音を抽出することを示している。なお、（１１）式、（１２）式において、γ１（ｎ）、γ２（ｎ）はＳＳ時の強度を変更するための係数である。
【数4】
【0017】
ところで、背景雑音や非目的エリア音の音量レベルが大きい場合、目的エリア音抽出の際に行うＳＳにより、目的エリア音が歪んだり、ミュージカルノイズという耳障りな異音が発生する可能性がある。
【0018】
そこで、特許文献２の手法では、背景雑音と非目的エリア音の大きさに応じて、マイクの入力信号と推定雑音の音量レベルをそれぞれ調節し、抽出した目的エリア音に混合している。目的エリア音を抽出する処理により発生するミュージカルノイズは、背景雑音と非目的エリア音の音量レベルが大きいほど強くなるため、混合する入力信号と推定雑音の総和の音量レベルも、背景雑音と非目的エリア音の音量レベルに比例して大きくする。背景雑音の音量レベルは、背景雑音を抑圧する過程で求める推定雑音から算出することができる。また、非目的エリア音の音量レベルは、目的エリア音を強調する過程で抽出する目的エリア方向に存在する非目的エリア音と、目的エリア方向以外に存在する非目的エリア音を合わせたものから算出することができる。
【0019】
特許文献２の手法では、混合する入力信号と推定雑音の比率は、推定雑音と非目的エリア音の音量レベルから決定する。しかし、目的エリアの近くに非目的エリア音が存在する場合、混合する入力信号の音量レベルが大きすぎると目的エリア音に非目的エリア音が混入し、どちらが目的エリア音なのかが分からなくなってしまう。そこで、特許文献２の手法では、非目的エリア音が大きいときは混合する入力信号の音量レベルを下げ、推定雑音の音量レベルを大きくして混合する。つまり、特許文献２の手法では、非目的エリア音が存在しないか音量レベルが小さい場合は入力信号の割合を多くし、逆に非目的エリア音の音量レベルが大きい場合推定雑音の割合を多くして混合する。
【0020】
このように特許文献２の手法を用いれば、目的エリア音に入力信号及び推定雑音を混合することにより、ミュージカルノイズをマスキングし、通常の背景雑音のように違和感なく聞かせることができる。また、特許文献２の手法では、マイク入力信号に含まれる目的エリア音の成分により、目的エリア音の歪みを補正し、音質を改善することができる。
【先行技術文献】
【特許文献】
【0021】
【文献】特開２０１４－０７２７０８号公報
【文献】特開２０１７－１８３９０２号公報
【非特許文献】
【0022】
【文献】浅野太著，“音響テクノロジーシリーズ１６ 音のアレイ信号処理－音源の定位・追跡と分離－”，日本音響学会編，コロナ社，２０１１年２月２５日発行
【発明の概要】
【発明が解決しようとする課題】
【0023】
ところで、長年の音声認識技術の進展により、従来でも静粛環境ではかなり高精度な認識が実現できるようになっていた。しかし、実環境では、目的話者の音声には周囲からの様々な雑音、妨害音声が混入し、認識率を著しく低下させる要因となる。そのため、音声認識エンジンに入力する音声から、いかに背景雑音を取り除くかが音声インタフェース実現する上で、重要な課題となっていた。そこでは、目的音声に多少の変形、歪があっても、雑音抑圧効果、とりわけ妨害音声の抑圧効果が高い前処理が求められた。
【0024】
ところが近年、機械学習とりわけ深層学習の導入は、音声認識に革新的な進歩をもたらし、背景雑音に対する頑健性も従来とは比較にならないほど向上した。そのような音声認識エンジンに対しては、雑音抑圧性能を最優先にするのではなく、雑音抑圧性能と雑音抑圧後の音声品質のバランスが重要となる。
【0025】
特許文献１、２のようなエリア収音やＢＦなどの手法は、周囲の雑音が抑圧され音声の了解性は上がるが、そのまま音声認識率が改善するとは限らない。どの程度の雑音抑制が最適かは、使用環境、雑音の種類、音声認識エンジンの特性、など様々な要因に左右され、一概に決定することは困難である。
【0026】
そのため、音声認識処理の認識精度向上に寄与する収音処理に基づく音声認識処理を行う音声認識装置、音声認識プログラム、及び音声認識方法が求められている。
【課題を解決するための手段】
【0027】
第１の本発明は、（１）目的エリアに指向性を向けることが可能な複数のマイクアレイから入力された入力信号に基づいて、それぞれの前記マイクアレイのビームフォーマ出力を取得し、取得したビームフォーマ出力を用いて、前記目的エリアのエリア収音処理を行って目的エリア音を抽出するエリア音抽出手段と、（２）前記エリア音抽出手段により抽出された目的エリア音に対し、混合用信号を、複数の混合量で混合する混合処理を行って、混合量ごとの混合音を生成する信号混合手段と、（３）それぞれの前記混合音に対して音声認識処理を行った結果を取得し、それぞれの前記混合音の音声認識処理結果に対する信頼度を算出する信頼度算出処理を行う音声認識手段と、（４）前記音声認識手段が行った音声認識処理結果のうち、最も信頼度の高い音声認識処理結果を選択して出力する認識結果選択手段とを有し、（５）前記信号混合手段は、設定された中心混合量を中心として、設定された変化幅で設定された段階数変化させた混合量を前記混合処理に適用し、前記段階数の分の混合音を生成し、（６）前記認識結果選択手段の選択結果に応じて、前記信号混合手段に適用する前記中心混合量、前記変化幅、及び前記段階数を決定する混合内容決定手段をさらに有することを特徴とする。
【0028】
第２の本発明の音声認識プログラムは、コンピュータを、（１）目的エリアに指向性を向けることが可能な複数のマイクアレイから入力された入力信号に基づいて、それぞれの前記マイクアレイのビームフォーマ出力を取得し、取得したビームフォーマ出力を用いて、前記目的エリアのエリア収音処理を行って目的エリア音を抽出するエリア音抽出手段と、（２）前記エリア音抽出手段により抽出された目的エリア音に対し、混合用信号を、複数の混合量で混合する混合処理を行って、混合量ごとの混合音を生成する信号混合手段と、（３）それぞれの前記混合音に対して音声認識処理を行った結果を取得し、それぞれの前記混合音の音声認識処理結果に対する信頼度を算出する信頼度算出処理を行う音声認識手段と、（４）前記音声認識手段が行った音声認識処理結果のうち、最も信頼度の高い音声認識処理結果を選択して出力する認識結果選択手段として機能させ、（５）前記信号混合手段は、設定された中心混合量を中心として、設定された変化幅で設定された段階数変化させた混合量を前記混合処理に適用し、前記段階数の分の混合音を生成し、（６）前記コンピュータを、前記認識結果選択手段の選択結果に応じて、前記信号混合手段に適用する前記中心混合量、前記変化幅、及び前記段階数を決定する混合内容決定手段としても機能させることを特徴とする。
【0029】
第３の本発明は、音声認識方法において、（１）エリア音抽出手段、信号混合手段、音声認識手段、認識結果選択手段、及び混合内容決定手段を有し、（２）前記エリア音抽出手段は、目的エリアに指向性を向けることが可能な複数のマイクアレイから入力された入力信号に基づいて、それぞれの前記マイクアレイのビームフォーマ出力を取得し、取得したビームフォーマ出力を用いて、前記目的エリアのエリア収音処理を行って目的エリア音を抽出し、（３）前記信号混合手段は、前記エリア音抽出手段により抽出された目的エリア音に対し、混合用信号を、複数の混合量で混合する混合処理を行って、混合量ごとの混合音を生成し、（４）前記音声認識手段は、それぞれの前記混合音に対して音声認識処理を行った結果を取得し、それぞれの前記混合音の音声認識処理結果に対する信頼度を算出する信頼度算出処理を行い、（５）前記認識結果選択手段は，前記音声認識手段が行った音声認識処理結果のうち、最も信頼度の高い音声認識処理結果を選択して出力し、（６）前記信号混合手段は、設定された中心混合量を中心として、設定された変化幅で設定された段階数変化させた混合量を前記混合処理に適用し、前記段階数の分の混合音を生成し、（７）前記混合内容決定手段は、前記認識結果選択手段の選択結果に応じて、前記信号混合手段に適用する前記中心混合量、前記変化幅、及び前記段階数を決定することを特徴とする。
【発明の効果】
【0030】
本発明によれば、音声認識処理の認識精度向上に寄与する収音処理に基づく音声認識処理を行うことができる。
【図面の簡単な説明】
【0031】
【図1】第１の実施形態に係る音声認識装置の機能的構成について示したブロック図である。
【図2】第１の実施形態に係る音声認識装置のハードウェア構成の例について示したブロック図である。
【図3】第２の実施形態に係る音声認識装置の機能的構成について示したブロック図である。
【図4】従来の減算型ＢＦ（マイクロホンの数が２個の場合）の構成を示すブロック図。
【図5】従来の減算型ＢＦ（マイクロホンの数が２個の場合）により形成される指向性フィルタの例について示した説明図。
【図6】従来の収音装置において、２つのマイクアレイのビームフォーマ（ＢＦ）による指向性を別々の方向から目的エリアへ向けた場合の構成例について示した説明図。
【発明を実施するための形態】
【0032】
（Ａ）第１の実施形態
以下、本発明による音声認識装置、音声認識プログラム、及び音声認識方法の第１の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の収音システムを収音システムに適用した例について説明する。
以下、本発明による音声認識装置、音声認識プログラム、及び音声認識方法の第１の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の収音システムを収音システムに適用した例について説明する。
【0033】
（Ａ－１）第１の実施形態の構成
図１は、第１の実施形態の音声認識装置２００の全体構成を示すブロック図である。
図１は、第１の実施形態の音声認識装置２００の全体構成を示すブロック図である。
【0034】
音声認識装置２００は、マイクアレイ部１００から供給される入力信号に基づいて、目的エリアを音源とする目的エリア音（目的エリアに存在する話者の音声）を区別して収音し、収音した目的エリア音を音声認識処理（例えば、収音した音声をテキスト化する処理）して、その音声認識処理結果を出力する装置である。
【0035】
マイクアレイ部１００は、複数のマイクアレイを用いて収音エリアを含む領域の音を捕捉する手段である。
【0036】
この実施形態では、マイクアレイ部１００は、２つのマイクアレイＭＡ１、ＭＡ２を備えているものとする。
【0037】
マイクアレイＭＡ１、ＭＡ２は、それぞれ目的エリアが存在する空間の任意の場所に配置される。目的エリアに対するマイクアレイＭＡ１、ＭＡ２の位置は、各マイクアレイの指向性が目的エリアでのみ重なればどこでも良い。例えば、マイクアレイＭＡ１、ＭＡ２を、目的エリアを挟んで対向に配置しても良い。マイクアレイ部１００を構成するマイクアレイの数は２つに限定するものではなく、目的エリアが複数存在する場合、全てのエリアをカバーできる数のマイクアレイを配置する。
【0038】
そして、マイクアレイＭＡ１、ＭＡ２は、それぞれ２つ以上のマイクロホンを用いて構成することができる。この実施形態では、マイクアレイＭＡ１、ＭＡ２は、それぞれ２つのマイクロホンを備えているものとして説明する。ここでは、マイクアレイＭＡ１はｍｃ１、ｍｃ２を備え、マイクアレイＭＡ２はｍｃ３、ｍｃ４を備えるものとする。また、この実施形態の例では、マイクアレイＭＡ１、ＭＡ２において、２つのマイクロホンの間の距離は３ｃｍであるものとする。
【0039】
次に、音声認識装置２００の内部構成について説明する。
【0040】
図１に示すように、音声認識装置２００は、信号入力部２０１、時間／周波数変換部２０２、指向性形成部２０３、エリア音抽出部２０４、信号混合部２０５、周波数／時間変換部２０６、振幅スペクトル比算出部２０７、音声区間検出部２０８、音声認識部２０９、及び認識結果選択部２１０を有している。音声認識装置２００を構成する各要素の詳細については後述する。
【0041】
音声認識装置２００は、例えば、プロセッサやメモリ等を備えるコンピュータにプログラム（実施形態に係る音声認識プログラムを含む）を実行させるようにしてもよいが、その場合であっても、機能的には、図１のように示すことができる。音声認識装置２００の各構成要素の処理の詳細については後述する。
【0042】
【0043】
図２では、音声認識装置２００をソフトウェア（コンピュータ）を用いて実現する際の構成について示している。
【0044】
図２に示す音声認識装置２００は、ハードウェア的な構成要素として、少なくとも信号入力部２０１と、プログラム（実施形態の音声認識プログラムを含むプログラム）がインストールされたコンピュータ５００を有している。
【0045】
信号入力部２０１は、例えば、Ａ／Ｄコンバータを用いて構成することができる。なお、コンピュータ５００自体にＡ／Ｄコンバータが搭載されていれば、信号入力部２０１を別途設ける必要はない。
【0046】
コンピュータ５００は、信号入力部２０１から供給される音響信号（デジタル音響信号）にエリア収音処理を施して出力する処理を行う。この実施形態では、コンピュータ５００に、この実施形態の収音プログラムを含むプログラム（ソフトウェア）がインストールされているものとする。
【0047】
なお、コンピュータ５００は、収音プログラム専用のコンピュータとしてもよいし、他の機能（例えば、記録装置３００）のプログラムと共用される構成としてもよい。
【0048】
図２に示すコンピュータ５００は、プロセッサ５０１、一次記憶部５０２、及び二次記憶部５０３を有している。一次記憶部５０２は、プロセッサ５０１の作業用メモリ（ワークメモリ）として機能する記憶手段であり、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の高速動作するメモリが適用される。二次記憶部５０３は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）やプログラムデータ（実施形態に係る収音プログラムのデータを含む）等の種々のデータを記録する記憶手段であり、例えば、ＦＬＡＳＨメモリやＨＤＤ等の不揮発性メモリが適用される。この実施形態のコンピュータ５００では、プロセッサ５０１が起動する際、二次記憶部５０３に記録されたＯＳやプログラム（実施形態に係る収音プログラムを含む）を読み込み、一次記憶部５０２上に展開して実行する。
【0049】
なお、コンピュータ５００の具体的な構成は図２の構成に限定されないものであり、種々の構成を適用することができる。例えば、一次記憶部５０２が不揮発メモリ（例えば、ＦＬＡＳＨメモリ等）であれば、二次メモリについては除外した構成としてもよい。
【0050】
（Ａ－２）第１の実施形態の動作
次に、以上のような構成を有する第１の実施形態の音声認識装置２００の動作を説明する。
次に、以上のような構成を有する第１の実施形態の音声認識装置２００の動作を説明する。
【0051】
信号入力部２０１は、各マイクアレイＭＡ１、ＭＡ２の各マイクロホンｍｃ１～ｍｃ４で収音した音響信号をアナログ信号からデジタル信号に変換し、時間／周波数変換部２０２に供給する。以下では、マイクロホンｍｃ１～ｍｃ４で収音したデジタル形式の音響信号（以下、「入力信号」とも呼ぶ）を、それぞれｘ１～ｘ４と表す。
【0052】
時間／周波数変換部２０２は供給されたマイクロホン信号を時間領域から周波数領域へ変換する。以下では、入力信号ｘ１～ｘ４を周波数領域に変換した信号を、それぞれＸ１～Ｘ４と表す。
【0053】
指向性形成部２０３は、時間／周波数変換部２０２によって時間・周波数変換された各マイクロホンの入力信号（Ｘ１～Ｘ４）を用いて上記の（３）式、（４）式に従いＢＦにより指向性を形成する。以下では、マイクアレイＭＡ１によるＢＦ出力をＹ１、マイクアレイＭＡ２によるＢＦ出力をＹ２とする。
【0054】
エリア音抽出部２０４は、指向性形成部２０３で生成されたＢＦ出力Ｙ１、Ｙ２を用いて（９）、もしくは（１０）式に従いＳＳし、目的工リア方向に存在する非目的エリア音を抽出する。さらに、エリア音抽出部２０４は、抽出した雑音を各ＢＦの出力から（１１）、もしくは（１２）式に従いＳＳすることにより目的エリア音Ｚを抽出する。
【0055】
ここまでのエリア収音処理によって、目的音が存在するエリアで発生した音だけが抽出され、周囲に音声認識に不要な雑音があっても、目的とする音声（目的エリアに存在する話者の発話した音声）だけを取り出すことができる。一般に雑音抑圧処理において、雑音の抑圧量と音質はトレードオフの関係にある。抑圧量を増やせば歪みは増える。エリア収音は、目的エリアで発生する音だけを強調可能な優れた方式であるが、一般の雑音抑圧同様、強調効果を高めれば、それだけ歪みは増すことになる。そのためエリア収音によって抽出した目的音信号を、そのまま記録装置３００（音声認識部３０１）に与えても、高い認識率が得られない可能性がある。
【0056】
上述の通り、エリア音出力Ｚに、混合用信号として入力信号成分を混合すれば、エリア収音処理によって生じる目的音声の歪みを軽減することができる。そこで、この実施形態の音声認識装置２００では、エリア音出力Ｚに混合用信号としての入力信号を一定量混合し、エリア音出力Ｚにおける目的音成分の歪軽減を図る。
【0057】
エリア音出力Ｚに対する入力信号の混合量（混合する入力信号のレベル）を増やせば目的音成分の歪は減るが、それと引き換えに雑音の抑圧量は少なくなる。エリア音出力に入力信号をどの程度の割合で混合すればよいかは、目的音の音量、雑音量、雑音の種類、装置の使用環境、使用する音声認識エンジンの特性など種々の要因に左右され、一律に決定するのは困難である。そこで、この実施形態の信号混合部２０５は、入力信号の混合量（混合する入力信号のレベル）の異なる複数の混合音Ｍを生成するものとする。
【0058】
具体的には、信号混合部２０５は、最終的に目的エリア音のエリア収音結果として出力する混合音として、混合量の異なるＱ個（Ｑは２以上の整数）の混合音Ｍ（Ｍ１～ＭＱ）を生成する。混合音Ｍ１～ＭＱは、それぞれ、元の入力信号に対する減衰量Ａｔ（Ａｔ１～ＡｔＱ）が異なる入力信号をエリア音出力Ｚに混合したものである。以下では、Ｑは「段階数」と呼ぶものとする。
【0059】
この実施形態では段階数Ｑは７として説明する。そして、減衰量Ａｔ１～Ａｔ７は、－５ｄｂ～３５ｄｂの範囲で－５ｄＢ刻みに設定（―５ｄｂの幅で７段階に設定）されるものとする。すなわち、減衰量Ａｔ１～Ａｔ７は、それぞれ－５ｄＢ、－１０ｄＢ、－１５ｄＢ、－２０ｄＢ、－２５ｄＢ、－３０ｄＢ、－３５ｄＢ［混合量小］に設定される。この場合Ａｔ１（＝－５ｄｂ）の減衰量が最も小さく（混合量が最も大きく）、Ａｔ７（＝－３５ｄｂ）の減衰量が最も大きく（混合量が最も小さく）なる。
【0060】
そして、信号混合部２０５は、混合用信号としての入力信号を、Ａｔ１～Ａｔ７のそれぞれの減衰量で減衰させた混合音Ｍ１～Ｍ７を生成する。
【0061】
周波数／時間変換部２０６は、エリア音出力Ｚに入力信号（入力音）を混合することによって歪みを低減した混合音Ｍ１～Ｍ７を時間領域の信号（混合音）ｍ１～ｍ７に変換して、音声認識部２０９に供給する。
【0062】
音声認識装置２００では、混合音ｍ１～ｍ７を音声認識部２０９に投入するに当たり、音声区間検出部２０８が音声区間の検出をおこなうものとする。
【0063】
音声区間検出部２０８が、収音エリア内の目的エリア音の存在の有無を判定する方法については限定されないものであり、種々の方法を適用することができる。例えば、音声区間検出部２０８では、収音エリア内の目的エリア音の存在の有無を判定する方法として、エリア収音出力と入力音との振幅スペクトル比を用いる方法（以下の参考文献１参照）や、リア収音を行なう際のＢＦ出力間のコヒーレンスを用いる方法などを適用することができる。この実施形態の例では、音声区間検出部２０８は、振幅スペクトル比を用いる方法で、収音エリア内の目的エリア音の存在の有無を判定するものとして説明する。
参考文献１：特関２０１６－１２７４５７号公報
参考文献１：特関２０１６－１２７４５７号公報
【0064】
振幅スペクトル比算出部２０７は、時間／周波数変換部２０２から入力信号を、エリア音抽出部２０４からエリア音出力Ｚを取得して、振幅スペクトル比Ｒの算出を行う。
【0065】
例えば振幅スペクトル比算出部２０７は、下記の（１３）式、又は（１４）式を用いて、エリア音出力（Ｚ１又はＺ２）と入力信号の振幅スペクトル比（Ｒ１又はＲ２）を周波数ごとに算出する。（１３）、（１４）式において、Ｗｉｎ１はマイクアレイＭＡ１の入力信号の振幅スペクトルであり、Ｗｉｎ２は、マイクアレイＭＡ２の入力信号の振幅スペクトルである。なお、Ｗｉｎ１、Ｗｉｎ２の算出に用いるマイクロホンは、マイクアレイＭＡ１、ＭＡ２を構成するいずれかのマイクロホンでも良い。ここではＷｉｎ１はマイクロホンｍｃ１の入力信号Ｘ１に基づいて算出されたものとし、Ｗｉｎ２はマイクロホンｍｃ３の入力信号Ｘ３に基づいて算出されたものとする。また、ここで、Ｚ１は、マイクアレイＭＡ１をメインとしてエリア収音処理を行った場合（上述の（１１）式を用いた場合）のエリア音出力の振幅スペクトルであり、Ｚ２は、マイクアレイＭＡ２をメインとしてエリア収音処理を行った場合（上述の（１２）式を用いた場合）のエリア音出力の振幅スペクトルである。
【0066】
そして、振幅スペクトル比算出部２０７は、下記（１５）又は（１６）式を用いて、全周波数の振幅スペクトル比を加算して、振幅スペクトル比加算値（Ｕ１又はＵ２）を求める。
【0067】
ここで、（１５）式を用いて行われる処理において得られるＵ１は、各周波数の振幅スペクトル比Ｒ１ｉを周波数の下限ｊから上限ｋでの帯域で足し合わせたものであり、式（１６）の処理を用いて行われるＵ２は、各周波数の振幅スペクトル比Ｒ２ｉを、周波数の下限ｊから上限ｋでの帯域で足し合わせたものである。ここでは、振幅スペクトル比算出部２０７において演算対象とする周波数の帯域を制限しても良い。例えば、演算対象を音声情報が十分に含まれる１００Ｈｚから６ｋＨｚに制限して、上記演算を行うようにしても良い。
【0068】
そして、振幅スペクトル比算出部２０７は、Ｕ１又はＵ２を算出した結果をＵとして音声区間検出部２０８に供給する。
【0069】
なお、振幅スペクトル比算出部２０７は、エリア音抽出部２０４で目的エリア音Ｚを算出する際に、マイクアレイＭＡ１のＢＦ出力Ｙ１（ｎ）をメインとしてエリア収音処理を行った場合（上述の（１１）式を用いた場合）には、（１５）式を用いて算出したＵ１を振幅スペクトル比加算値Ｕとして出力することが好ましい。また、振幅スペクトル比算出部２０７は、エリア音抽出部２０４で目的エリア音Ｚを算出する際に、マイクアレイＭＡ２のＢＦ出力Ｙ２（ｎ）をメインとしてエリア収音処理を行った場合（上述の（１２）式を用いた場合）には、（１６）式を用いて算出したＵ２を振幅スペクトル比加算値Ｕとして出力することが好ましい。
【数5】
【0070】
音声区間検出部２０８は、振幅スペクトル比算出部２０７から供給された振幅スペクトル比加算値Ｕを予め設定した閾値と比較し、目的エリア内で目的エリア音（音声）が存在するかしないかを判定する。突発的な雑音と音声を区別するため、音声区間検出部２０８は、一定以上の時間、エリア音が存在したときに音声区間（目的エリア内の話者が発話中の期間）と見倣す、あるいは発話の終了と、破裂音や息継ぎなど一時的な無音区間を区別するために無音検出後一定時間は音声区間と見做す、など音声区間の判定には一般的手法を用いればよい。音声区間検出部２０８は、これらの処理により音声区間を検出し、その音声区間検出結果Ｓを音声認識部２０９に供給する。
【0071】
ここで、音声区間検出部２０８は、目的エリア内で目的エリア音が存在することを検出した場合、音声区間検出結果Ｓとして「ｔｒｕｅ」を出力し、目的エリア内で目的エリア音が存在しないことを検出した場合、音声区間検出結果Ｓとして「ｆａｌｓｅ」を出力するものとする。
【0072】
音声認識部１０は、混合レベルを段階的に変えた混合音ｍ１～ｍ７を用いて、個別に音声認識処理を試み、それぞれに対する音声認識処理の結果（以下、「認識結果」と呼ぶ）Ａ１～Ａ７と、認識結果Ａ１～Ａ７のそれぞれの信頼性の度合いを数値化した値（以下、「認識信頼度」と呼ぶ）Ｒｅ１～Ｒｅ７を得る処理（以下、「認識信頼度算出処理」と呼ぶ）を行う。
【0073】
音声認識部１０が、混合音ｍ１～ｍ７のそれぞれに対して音声認識処理（例えば、音声をテキスト化する処理；いわゆる「Ｓｐｅｅｃｈ ｔｏ Ｔｅｘｔ」の処理）を行って認識結果Ａ１～Ａ７を生成する際の具体的な手法については限定されないものであり、種々の手法を適用することができる。
【0074】
また、音声認識部１０が、認識結果Ａ１～Ａ７のそれぞれを分析して認識信頼度Ｒｅ１～Ｒｅ７を算出する認識信頼度算出処理の手法については限定されないものであり、種々の手法を適用することができる。例えば、音声認識部１０では、認識信頼度算出処理に以下の参考文献２、３の手法等を用いるようにしてもよい。音声認識部１０が認識信頼度を算出する間隔（以下、「信頼度算出間隔」と呼ぶ）は限定されないものである。音声認識部１０は、例えば、一定時間ごとに認識信頼度を算出するようにしてもよい。
参考文献２：特開２００５－１４８３４２号公報
参考文献３：特開２０１０－１７５８０７号公報
参考文献２：特開２００５－１４８３４２号公報
参考文献３：特開２０１０－１７５８０７号公報
【0075】
認識結果選択部２１０は、音声区間（Ｓ＝ｔｒｕｅの区間）に対して最も信頼度が高かった認識結果を選択して、最終の認識結果Ａｓとして出力する。認識結果選択部２１０は、例えば、信頼度算出間隔ごとに、出力する認識結果（Ａ１～Ａ７）を、最も認識信頼度の高い認識結果に切り替える処理を行うようにしてもよい。
【0076】
（Ａ－３）第１の実施形態の効果
第１の実施形態によれば、以下のような効果を奏することができる。
第１の実施形態によれば、以下のような効果を奏することができる。
【0077】
第１の実施形態の音声認識装置２００では、混合量（減衰量；混合レベル）の異なる複数の混合音を生成し、それぞれの混合音の音声認識処理結果に対する信頼度を算出し、最も信頼度の高い音声認識処理結果を最終的な認識結果として出力する。これにより、第１の実施形態の音声認識装置２００では、種々の使用環境において、音声認識処理にとっての最適な混合量を用いることが可能となる。結果として、音声認識装置２００では、音声認識の精度が向上する。
【0078】
（Ｂ）第２の実施形態
以下、本発明による音声認識装置、音声認識プログラム、及び音声認識方法の第２の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の収音システムを収音システムに適用した例について説明する。
以下、本発明による音声認識装置、音声認識プログラム、及び音声認識方法の第２の実施形態を、図面を参照しながら詳述する。この実施形態では、本発明の収音システムを収音システムに適用した例について説明する。
【0079】
（Ｂ－１）第２の実施形態の構成
図３は、第２の実施形態の音声認識装置２００Ａの全体構成を示すブロック図である。
図３は、第２の実施形態の音声認識装置２００Ａの全体構成を示すブロック図である。
【0080】
【0081】
第２の実施形態の音声認識装置２００Ａでは、信号混合部２０５と認識結果選択部２１０が、信号混合部２０５Ａと認識結果選択部２１０Ａに置き換わり、さらに、混合レベル決定部２１１が追加されている点で第１の実施形態と異なっている。
【0082】
第１の実施形態では、信号混合部２０５における入力信号の混合量（減衰量）が複数固定であった。これに対して、第２の実施形態では、混合レベル決定部２１１を備え、音声認識部２０９による認識結果に基づいて、信号混合部２０５Ａで適用する混合量（減衰量）を適応的に決定するところが第１の実施形態と異なっている。信号混合部２０５、認識結果選択部２１０及び混合レベル決定部２１１の具体的な処理の内容（第１の実施形態との差異）については後述する。
【0083】
（Ｂ－２）第２の実施形態の動作
次に、以上のような構成を有する第２の実施形態の音声認識装置２００Ａの動作を説明する。
次に、以上のような構成を有する第２の実施形態の音声認識装置２００Ａの動作を説明する。
【0084】
マイクアレイ部１００、信号入力部２０１、時間／周波数変換部２０２、指向性形成部２０３、及びエリア音抽出部２０４の動作は、第１の実施形態と同様であるため、説明を省略する。
【0085】
第１の実施形態では、７段階の異なる混合レベルを設定した。この段階数は、多ければ、細かな段階が設定されることで、より好適な混合量が選択できるようになるが、１つの音声区間に対しての認識処理量が増え、装置の大規模化、処理の遅延などの問題が生じる。一方、段階数を減らせば処理は簡単になるが、設定できる混合量が限定されるため、適量抽出の精度が低下する。そこでこの実施形態では、音声認識処理の認識結果に基づいて、エリア音出力に対する入力信号の混合量を適応的に決定する。
【0086】
信号混合部２０５Ａでは、第１の実施形態と同様、エリア音出力Ｚに対して入力信号の混合を行なうが、混合レベル（混合する入力信号の減衰量）の決定は、混合レベル決定部２１１で行なわれるものとする。
【0087】
ここでは例として、混合レベル決定部２１１において、初期設定として、第１の実施形態と同様に、混合レベルを７段階（段階数Ｑ＝７）とし、そのときの入力信号に対する減衰量をＡｔ１～Ａｔ７として、第１の実施形態と同様に、－５ｄｂ～―３５ｄｂの間で、－５ｄＢ刻みに７段階（－５ｄＢ、－１０ｄＢ、－１５ｄＢ、－２０ｄＢ、－２５ｄＢ、－３０ｄＢ、－３５ｄＢ）が設定されているものとする。なお、以下では、減衰量Ａｔ～ＡＱを設定する際の１段階分の減衰量の幅を「変化幅」と呼ぶものとする。例えば、上記のように、減衰量Ａｔ１～Ａｔ７を、－５ｄｂ～３５ｄｂの範囲で－５ｄＢ刻みに設定する場合の「変化幅」は－５となる。ここでは、説明を簡易とするため、変化幅は一定であるものとして説明するが、必ずしも変化幅は一定である必要はない。
【0088】
そして、第１の実施形態と同様に、周波数／時間変換部２０６で時間変換された混合音ｍ１～ｍ７は、音声認識部２０９に入力される。
【0089】
音声認識部２０９は、第１の実施形態と同様に、混合レベルを段階的に変えた混合音ｍ１～ｍ７を個別に音声認識し、それぞれに対する認識結果Ａ１～Ａ７、および認識信頼度Ｒｅ１～Ｒｅ７を得る。
【0090】
認識結果選択部２１０Ａは、第１の実施形態と同様に、音声区間（Ｓ＝ｔｒｕｅの区間）に対して最も信頼度が高かった認識結果を選択して、最終の認識結果Ａｓとして出力する。
【0091】
次に、混合レベル決定部２１１における混合量を適応化する方法について説明する。
【0092】
混合レベル決定部２１１における混合量の適応化の方法（以下、「混合量適応化方法」と呼ぶ）としては、例えば、以下の２つの方法が考えられる。
【0093】
第１の混合量適応化方法としては、段階数Ｑは変えず範囲を限定して、混合量の設定を綴密化（変化幅を小さくする）する方法がある。また、第２の混合量適応化方法としては、設定する混合量の１段階の変化幅は変えないが段階数Ｑを減らして処理を軽くする方法がある。
【0094】
[第１の混合量適応化方法について]
まず、混合レベル決定部２１１に、第１の混合量適応化方法（混合量緻密化）を適用する場合の詳細について説明する。
まず、混合レベル決定部２１１に、第１の混合量適応化方法（混合量緻密化）を適用する場合の詳細について説明する。
【0095】
ここでは、まず、初期の状態から、音声認識部２０９において、混合音ｍ１～ｍ７について音声認識処理を行い、その結果、混合音ｍ４の信頼度Ｒ４が最も高かったとする。この結果は、認識結果選択部２１０から混合レベル決定部２１１に供給される。混合レベル決定部２１１は、この結果を受けて、以降のエリア音出力Ｚに対する混合量を、前回最も信頼度が高かった減衰量（－２０ｄＢ）を中心として混合量の変化幅を低減するものとする。この場合、混合レベル決定部２１１は、－２０ｄｂを中心（Ａｔ４＝－２０ｄｂ）とし、さらに変化幅を１／２の－２．５ｄＢ刻みとして、減衰量Ａｔ１～Ａｔ７を再設定する。この場合、混合レベル決定部２１１は、減衰量Ａｔ１～Ａｔ７を、それぞれ－１２．５ｄＢ、－１５ｄＢ、－１７．５ｄＢ、－２０ｄＢ、－２２．５ｄＢ、－２５ｄＢ、－２７．５ｄＢとする。以後、混合レベル決定部２１１は、次の認識結果に基づき、同様の手法により、さらに変化幅を精密化することによって、混合レベルを最適値に収束させてゆく。
【0096】
混合レベル決定部２１１は、所定の条件となるまでを限度として、混合量の適応化（変化幅の精密化）を行うようにしてもよい。混合レベル決定部２１１は、例えば、変化幅が所定の値（以下、「最低変化幅」と呼ぶ）となるまで、又は、音声認識部２０９で認識された認識信頼度が所定以上となるまで、混合量の適応化（変化幅の精密化）を行うようにしてもよい。
【0097】
以上のように、混合レベル決定部２１１は、第１の混合量適応化方法の処理を行う。
【0098】
[第２の混合量適応化方法について]
次に、混合レベル決定部２１１に、第２の混合量適応化方法を適用する場合の詳細について説明する。
次に、混合レベル決定部２１１に、第２の混合量適応化方法を適用する場合の詳細について説明する。
【0099】
ここでは、まず、初期の状態から、音声認識部２０９において、混合音ｍ１～ｍ７について音声認識処理を行い、その結果、混合音ｍ４の信頼度Ｒ４が最も高かったとする。このとき、混合レベル決定部２１１は、この結果を受けて、以降のエリア音出力Ｚに対する混合量を、前回最も信頼度が高かった混合音ｍ４の減衰量（－２０ｄＢ）を中心として、段階数Ｑを７から５に減らすようにしてもよい。段階数Ｑは、奇数であるほうが中心となる減衰量の設定が容易であるため、混合レベル決定部２１１は、段階数Ｑを２ずつ変動させることが好ましい。そして、混合レベル決定部２１１は、次の認識結果に基づき、同様の手法により、さらに段階数Ｑを減らして処理量を減らしていくようにしてもよい。
【0100】
混合レベル決定部２１１は、所定の条件となるまでを限度として、混合量の適応化（段階数Ｑの低減）を行うようにしてもよい。この場合、混合レベル決定部２１１は、例えば、段階数Ｑが所定の段階数（以下、「最低段階数」と呼ぶ）となった時点で、混合量の適応化（段階数Ｑの低減）を終了するようにしてもよい。
【0101】
以上のように、混合レベル決定部２１１は、第２の混合量適応化方法の処理を行う。
【0102】
上記では、第１、第２の混合量適応化方法で、適応対象のパラメータとして、変化幅又は段階数Ｑを適応化する方法を示したが、混合レベル決定部２１１は、どちらか一方に限定することなく双方を適応化してもよい。
【0103】
上記の例では、適応対象のパラメータ（変化幅、段階数Ｑ）を減らす方向のみについて説明したが、１方向（減らす方向）だけでは、認識信頼度が局所値に陥り値が動かなくなってしまう。したがって、適応には、パラメータ（変化幅、段階数Ｑ）を増やす方向も備える必要がある。増やす側の評価指標として、たとえば認識結果の信頼度Ｒを用いることができる。認識結果選択部２１０Ａにおいて、認識結果の中で最も信頼度が高く最終の認識結果として選択された信頼度の値が、一定の水準に達しない場合、混合レベル決定部２１１は、混合量の変化幅、あるいは段階数を増やす方向の調整を行なうようにしてもよい。このとき、混合レベル決定部２１１は、変化幅については一度に２ずつ変動させ、変化幅については２倍ずつ変動させるようにしてもよい。
【0104】
なお、混合レベル決定部２１１は、上記のように適応対象のパラメータ（変化幅、段階数Ｑ）を１度に変動する量（以下、「適応速度」と呼ぶ）を一定としてもよいし、変動させるようにしてもよい。例えば、混合レベル決定部２１１は、認識信頼度Ｒを適応速度の調整に用いるようにしてもよい。すなわち、混合レベル決定部２１１は、認識信頼度Ｒの高さ（例えば、最も高かった認識信頼度Ｒの値）に応じて適応速度を変化させるようにしてもよい。例えば、混合レベル決定部２１１は、認識信頼度Ｒ（例えば、最も高かった認識信頼度Ｒの値）が非常に高い（低い）場合は変化幅や段階数を大きく減らし（増やし）、やや高い（低い）程度では、増減幅を小さくするなどが考えられる。
【0105】
（Ｂ－３）第２の実施形態の効果
第２の実施形態によれば、以下のような効果を奏することができる。
第２の実施形態によれば、以下のような効果を奏することができる。
【0106】
第２の実施形態の音声認識装置２００Ａでは、認識結果に基づいて混合量を適応的に最適値に調整・決定しているため、非常に精度の高い混合量の決定、あるいは少ない処理量での混合量の決定が可能となる。
【0107】
（Ｃ）他の実施形態
本発明は、上記の各実施形態に限定されるものではなく、以下に例示するような変形実施形態も挙げることができる。
本発明は、上記の各実施形態に限定されるものではなく、以下に例示するような変形実施形態も挙げることができる。
【0108】
（Ｃ－１）上記の各実施形態では、音声認識装置２００、２００Ａ自体が音声認識部２０９を有しており、自装置が有する音声認識部２０９を用いて音声認識処理の結果を取得しているが、音声認識装置２００、２００Ａ自体が音声認識部２０９を備えず、外部の音声認識手段を用いて音声認識処理の結果を取得するようにしてもよい。
【符号の説明】
【0109】
１０…音声認識部、１００…マイクアレイ部、２００、２００Ａ…音声認識装置、２０１…信号入力部、２０２…周波数変換部、２０３…指向性形成部、２０４…エリア音抽出部、２０５、２０５Ａ…信号混合部、２０６…時間変換部、２０７…振幅スペクトル比算出部、２０８…音声区間検出部、２０９…音声認識部、２１０、２１０Ａ…認識結果選択部、２１１…混合レベル決定部、３００…記録装置、３０１…音声認識部、４１０…遅延器、４２０…減算器、５００…コンピュータ、５０１…プロセッサ、５０２…一次記憶部、５０３…二次記憶部、ＭＡ１、ＭＡ２…マイクアレイ、ｍｃ１～ｍｃ４…マイクロホン。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】