JPH01200294A - 音声認識装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 （産業上の利用分野） この発明は、生マイクロホンの他に主として環境雑音を
集音する補助マイクロホンを用いた音声認識装置に関す
る。

〔発明の概要〕

この発明は、主マイクロホンによって集音された音声信
号を周波数分割し正規化して得られた音響パラメータを
予め設定された標準パターンと比較して音声認識を行う
音声認識装置において、主マイクロホンによって集音さ
れた環境雑音を周波数分割したデータと補助マイクロホ
ンによって集音された環境雑音を周波数分割したデータ
を比較して雑音除去用補正係数を算出し、この補正係数
と生マイクロホンで集音された環境雑音を含む音声信号
及び補助マイクロホンで集音した少な（とも環境雑音よ
り雑音の除去された＃虐データを算出し、この音声デー
タを用いて音響認識を行うようにすることにより、環境
雑音による誤認識を防止するようにしたものである。

〔従来の技術〕

従来、音声認識装置として種々のものが提案されており
、例えば指向性マイクを発声者の口の近くに置き、無指
向性マイクを発声者の口からは離しかつ発声者の近傍に
置き、両マイクの出力を夫々増幅して差動増％Ｉ器で差
を求め、その差出力を音声識別装置に入力し、ここで音
声で入力された特定語型が予め記憶されている特定語党
特徴と比較して識別を行う方法がある（特開昭５１−６
２６０４号公報）。

また、音声入力前の人力雑音に付いての周波数スペクト
ルに時間平均値を求めておき、この平均値を音声入力信
号の周波数スペクトラムから減算することにより、人力
音声自身の周波数スペクトルを抽出する方法がある（特
開昭５５−３３１２６号公報。）〔発明が解決しようと
する課題〕 ところが特開昭５１−６２６０４号公報に記載されてい
るような従来装置の場合、指向性マイクに入って来る雑
音の位相と、無指向性マイクに人って来る雑音の位相の
ずれの検出が難しく、従って安定して雑音を相殺するこ
とが難しく雑音により誤認識を生ずる欠点があった。

また、特開昭５５−３３１２６号公報に記載されている
ような従来装置の場合、定審的雑音には有効であるが、
間欠的な雑音や、人の会話や音楽等の変化しやすい雑音
の如く雑音の状況が変わるものには対処できず、ｔｊ４
１首により誤認識を生ずる欠点があった・ この発明は斯る点に鑑みてなされたもので、環境雑音に
よる誤認識を防止することができる音響認識装置を提供
するものである。

〔課題を解決するための手段〕

この発明は、生マイクロホン（１）によって集音された
音声信号を周波数分割（３）シ正規化（２７ａ）Ｌ。

て得られた音響パラメータを予め設定された標準パター
ン（２７ｃ）と比較（２７ｂ）して音声認識を行う音声
認識装置において、少なくとも環境雑音を集音する補助
マイクロホン（１１）と、主マイクロホン（１）によっ
て集音された環境雑音を周波数分割したデータ及び補助
マイクロホン（１１）によって集音された環境雑音を周
波数分割したデータを比較して雑音除去用補正係数を算
出する補止係数算出手段（２４，２５）と、主マイクロ
ホン（１）によって集音された環境雑音を含む音声信号
及び補助マイクロホン（１１）によって集音された少な
くとも環境雑音と補正係数より雑音の除去された音声デ
ータを算出する音声データ算出手段（２６）とを備え、
音声データを用いて音声認識（２７）を行うように構成
している。

〔作用〕

先ず言葉が発生されない状態で主マイクロホン＋１１及
び補助マイクロホン（１１）で環境雑音を集音し、バン
ドパスフィルタバンク（３，１３）で夫々各周波数帯域
毎に分割し、その各データを用いて補止係数算出手段（
２４，２５）で雑音除去用補正係数Ａｎを周波数帯域毎
に算出して記憶する。この補正係数Ａｎは常に最適値を
保つように更新し、修正して行く。次に言葉が発生され
て音声信号が主マイクロホン（１）に集音されると、こ
の環境雑音を含む音声信号を上述の如く周波数分割して
音声データ算出手［ｆｉ（２６）に供給すると共にこの
ときの少なくとも環境雑音を補助マイクロホン（１１）
で集音し、周波数分割して音声データ算出手段（２６）
に供給し、またメモリ　（２５）より言葉が発生された
直前の補正係数を読み出し、音声データ算出手段（２６
）において認識処理用データとしての音声データを算出
し、この音声データを標準パターンと比較して音声認識
を行う。これにより、実質的に環境雑音は周波数軸上で
相殺されるので、時間軸上で行う従来の如く位相ずれの
影響を受けることなく、確実に環境雑音による誤認識を
防止することができる。

〔実施例〕

以下、この発明の一実施例を添付図面に基づいて詳しく
説明する。

図は本実施例の回路構成を示すもので、同図において、
［１）は主として音声信号を集音するための主マイクロ
ホン、（２）は主マイクロホン（１）からの音声信号を
増幅する増幅器、（３）はバンドパスフィルタバンクで
あって、例えば１６チヤンネルのバンドパスフィルタ（
１３１）〜（１３ｔｓ　）から成り、その全周波数帯域
は例えば２００Ｈｚから６　ｋＨｚとされ、この周波数
帯域が等間隔となるように各バンドパスフィルタに割り
振られる。（４）は各バンドパスフィルタ（３１）〜（
３ｔｓ）の出力を時分割的に切換えて取り出すマルチプ
レクサである。（５）はローパスフィルタ、（６）はサ
ンプルホールド回路、（７）はＡ／Ｄ変換器である。

また、（１１）は主として環境雑音を集音する補助マイ
クロホン、（１２）は補助マイクロホン（１１）からの
環境雑音を増１陥する増幅器、（１３）はバントパスフ
ィルタバンクであって、上述のバンドパスフィルタ（３
）同様１６チヤンネルのバンドパスフィルタ（１３１）
〜（１３１ε）から成り、同様の周波数帯域を有し、等
間隔となるように各バンドパスフィルタに割り振られて
いる。（１４）はマルチプレクサ、（１５）はローパス
フィルタ、（１６）はサンプルホールド回路、（１７）
はＡ／Ｄ変換器である。

（２０）はスイッチ回路であって、連動するスイッチ（
２０ａ　）　、　　（２０ｂ　）を有し、スイッチ（２
０ａ　）にはＡ／Ｄ変換変換子）からのディジタルデー
タが供給され、スイッチ（２０ｂ　）にはＡ／Ｄ＊換器
（１７）からのディジタルデータが供給される。（２１
）はスイッチ回路であって、連動するスイッチ（２１ａ
）。

（２１ｂ）を有し、スイッチ（２１ａ）にはＡ／Ｄ変換
器（７）からのディジタルデータが供給され、スイッチ
（２１ｂ　）にはＡ／Ｄ変換器（１７）からのディジタ
ルデータが供給される。

これ等のスイッチ回路（２０）及び（２１）はレベル検
出回路（２２）からの出力信号により制御される。すな
わち、レベル検出回路（２２）は所定のスレショルドレ
ベルｉ’　ｈを有し、主マイクロホン（１１カラの信号
のレベルがこのスレッショルドレベル’１’　ｈより大
きいとその出力側に０Ｎ（ｉ号を発生し、このＯＮ信号
によりスイッチ回路（２１）のスイッチ（２１ａ　）　
、　　（２１ｂ　）は閉成してＯＮ状態となり、またレ
ベル検出回路（２２）より発生されたＯＮ信号はインバ
ータ（２３）で反転されてＯＦＦ信号となり、このＯＦ
Ｆ信号によりスイッチ回路（２０）のスイッチ（２０ａ
　）　、　　（２０ｂ　）は開放してＯＦＦ状態となる
。また、主マイクロホン（１）からの音声信号のレベル
がスレッショルドレベルＴ）Ｉより小さいとその出力側
にＯＦＦ信号を発生し、このＯＦＦ信号によりスイッチ
回路（２１）のスイッチ（２１ａ　）　、　　（２１ｂ
　）は解放してＯＦＦ状態となり、またレベル検出回路
（２２）より発生されたＯＦＦ信号はインバータ（２３
）で反転されてＯＮ信号となり、このＯＦＦ信号により
スイッチ回路（２０）のスイッチ（２０ａ　）　、　　
（２０ｂ　）は閉成してＯＮ状態となる。つまり、主マ
イクロホン（１）からの音声信号のレベルがレベル検出
回路（２２）のスレショルドレベル゛Ｉ’ｈより大きい
ときはスイッチ回路（２１）のスイッチ（２１ａ　）　
、　　（２１ｂ　）がＯＮ状態、スイッチ回路（２０）
のスイッチ（２０ａ　）　、　　（２０ｂ　）がＯＦ　
Ｆ状態となり、逆に主マイクロホン＋１１からの音声信
号のレベルがレベル検出回路（２２）のスレッショルド
レベルＴｋより小さいときはスイッチ回路（２１）のス
イッチ（２１ａ　）　、　　（２１ｂ　）が０ドＦ状態
、スイッチ回路（２０）のスイッチ（２０ａ）。

（２０ｂ）がＯＮ状態となる。

このレベル検出回路（２２）におけるスレッショルドレ
ベルＴｈは普通に話す程度の音声信号のレベルより小さ
く且つ環境雑音よりは大きい程度に設定される。

スイッチ回路（２０）のスイッチ（２０ａ　）　、　　
（２０ｂ　）を通った各ディジタルデータ（つまり、ス
イッチ回路（２０）のスイッチ（２０ａ　）　、　　（
２０ｂ　）がＯＮ状態になるときには何も言葉を発生し
ておらず、環境雑音のみであるので、このときの各ディ
ジタルデータは雑音成分のみから成るデータである）は
補正係数算出回路（２４）に供給され、ここで雑音除去
用補正係数が算出される。すなわち雑音除去用補正係数
をＡｎとすると、次式に従って算出を行う。

上記（１１式において、ｎはＡ／Ｄ変換器＋７）、　　
（１７）における号ンプリング回数、ａ　１１は主マイ
クロホン（１）からのデータ（この場合雑音成分）、ｂ
ｎは補助マイクロホン（■１）からのデータ（この場合
雑音成分）、Ｎ、Ｍは環境雑音の性質やサンプリング頻
度により適切な値を選ばれる定数、Ａｎ−１は１サンプ
リング前の補正係数である。

補正係数算出回路（２４）は主−フィクロホン（１１か
らの音声信号がないときすなわちスイッチ回路（２０）
のスイッチ（２０ａ　）　、　　（２０ｂ　）が閉成し
てＯＮ状態のとき、この補正係数Ａｎを周波数帯域毎に
順次算出し、更新してゆく。補正係数算出回路（２４）
で算出された補正係数Ａｎは周波数帯域毎にメモリ　（
２５）に記憶される。

なお、この補正係数Ａｎは平常時、つまり言葉を何も発
生しない時はできるだけ後述する認識処理用データＣｎ
が零に近い値になるように設定される。

また、スイッチ回路（２１）のスイッチ（２１ａ）。

（２１ｂ　）を通った各ディジタルデータ（つまり、ス
イッチ回路（２１）の２、イソナ（２１ａ　）　　、　
　（２１ｂ　＞がＯＮ状態になるときには言葉が発生さ
れて少なくとも主マイクロホン（１）には音声信号が与
えられているので、このときのＡ／Ｄ変換器（７）から
のディジクルデータは首府信号と雑音成分であり、Ａ／
Ｄ変換器（１７）からのディジタルデータはほとんど雑
音成分のみである）は音声データ算出手段としての差分
検出回１ｆ８（２６）に供給される。また、この差分検
出回路（２６）にはメモリ　（２５）に周波数＋２ｈ域
毎に記憶されている補正係数Ａｎが読み出されて入力さ
れる。そこで、差分検出回路（２６）は供給された各デ
ィジタルデータと補正係数Ａｎに基づいて次式により確
認処理用データＣｎを算出する。

Ｃｎ＝ａｎ　　Ａｎ−ｂｎ　　　　　　　　・・１２１
上記（２）式において、ａｌはこの場合音声信号と雑音
成分から成るデータであり、ｂｎはほとんど雑音成分か
ら成るデータである。そして、補正係数Ａｎは上述の如
く言葉が発生されてないときできるだけ認識処理用デー
タＣｎが零となるように設定されているので、実質的に
ａｌに含まれる雑音成分とｂ　１１に含まれる雑音成分
は相殺され、結局ａｎに含まれる音声信号のみが認識処
理用データＣｎとして取り出されることになる。

この差分検出回路（２６）からの認識処理用データＣｎ
は音声認識部（２７）の音源情報正規化器（２７ａ）に
供給されて正規化され、音響パラメータとして取り出さ
れる。この音響パラメータはパターンマツチング回路（
２７ｂ）に供給される。認識する前に標準パターンメモ
リ　（２７ｃ　）には前もってその話者の各認識対象単
語の分析結果を標準パターンとして登録しており、認識
するときには、各認識対象単語の標準パターンをメモリ
　（２７ｃ）より読み出して入力音声パターンに対応し
た音響パラメータをパターンマツチング回路（２７ｂ）
で比較し、最も近いすなわちＶＩｉ離の小さい認識対象
８１語を選択し、出力端子（２８）へ人力音声を示す認
識結果として出力する。

次に図の回路動作を説明する。言葉を発生していない平
常時には主マイクロホンｉｌｌ及び補助マイクロホン（
■１）は環境雑音のみ集音しているのでレベル検出回路
（２２）の出力側にはＯＦＦ信号が得られ、これにより
スイッチ回路（２１）のスイッチ（２１ａ　）　、　　
（２１ｂ　）が開放してＯＦＦ状態になると共にＯＦＦ
信号をインバータ（２３）で反転したＯＮ信号によりス
イッチ回路（２０）のスイッチ（２０ａ　）　、　　（
２０ｂ　）が閉成してＯＮ状態となる。

すると、マイクロホン（１１，（１１）で集音された雑
音は夫々バンドパスフィルタバンク（３１，（１３）で
周波数帯域毎に分離され、マルチプレクサ（４）。

（１４）で夫々時分割的に取り出されてＡ／Ｄ変換器（
７）、　　（１７）に夫々供給される。そしてＡ／１）
回路（７）及び（１７）の出力側に得られている各ディ
ジタルデータ（雑音成分）は補正係数算出回路（２４）
に供給され、上記（Ｌ）式に従って周波数帯域毎に順次
補正係数Ａｎが算出されてメモ’Ｊ　（２５）に記憶さ
れる。この補正係数Ａｎは言葉が発生されるまですなわ
ち少なくとも主マイクロホン（１）により音声信号が集
音開始されるまで続行され、逐次新しい補正係数Ａｎが
周波数帯域毎にできるだけ認識処理用データＣｎが零に
近い値になるような最適値を保つように修正されメモリ
　（２５）に記憶される。

そして、言葉が発生されて少なくとも主マイクロホン＋
１）が音声信号を集音すると、そのレベルはレベル検出
回路（２２）のスレショルドレベル゛ｔ’ｈを越えるよ
うになるのでレベル検出回路（２２）の出力側にはＯＮ
信号が得られ、これによりスイッチ回路（２１）のスイ
ッチ（２１ａ　）　、　　（２１ｂ　）が閉成してＯＮ
状態になると共にＯＮ信号をインバータ（２３）で反転
したＯＦＦ信号によりスイッチ回路（２０）のスイッチ
（２０ａ　）　、　　（２０ｂ　）が解放してＯＦＦ状
態となる。従ってメモリ　（２５）には言葉が発生され
る直前の雑音成分を相殺するのに最適な補正係数Ａｎが
各周波数帯域にわたってこの場合１６個記憶される。

一方生マイクロホン（１）で集音された雑音成分を合む
音声信号及び補助マイクロホン（２）で集音された主と
して環境雑音は上述と同様の信号処理を受けて差分検出
回路（２ｂ）に供給される。そして差分検出回路（２６
）では対応する周波数帯域の補正係数Ａｎをメモリ　（
２５）より読み出して、上記（１）式に従って認識処理
用データＣｎを算出する。認識処理用データＣｎは平常
時つまり言葉を発生しない時はできるだけ零に近い値に
なるように補正係数Ａｎを設定しているので実質的に主
マイクロホンｉｌｌからの音声信号に含まれていた雑音
成分は補助マイクロホン（１１）からの雑音成分により
相殺され、結局音声信号のみが真の認識処理用データＣ
ｎとして取り出される。

この認識処理用データＣｎは音戸認識部（２７）の音楽
情報正規化器（２７ａ）に供給されて正規化　、゛され
て音響パラメータとして取り出される。この音響パラメ
ータはパターンマツチング回路（２７ｂ）でメモリ　（
２７ｃ）の標準パターンと比較され、人力音響を示す認
識結果として出方端子（２８）に出力される。

このように本実施例では主マイクロホン（１）からのデ
ータから補助マイクロホン（１１）からのデータを差し
引く際、各周波数帯域毎に別々の雑音除去用補正係数を
準備し、その補正係数が常に最適値を保つように修正し
てゆくので確実に環境雑音を相殺でき、特に従来の如く
時間軸上では位相のずれが予測しにくいので環境雑音の
相殺が困難であったが、本実施例では周波数分割してデ
ータに位相情報が含まれないように成し、実質的に周波
数軸上で環境雑音を相殺するようにしたので位相のずれ
の影響を何等受けることな（確実に環境雑音を相殺でき
る。

また、周波数軸上で周波数帯域毎に環境雑音の相殺を行
っているので主マイクロホン＋１）と補助マイクロホン
（１１）の特性の違いや場所による周波数分布や位相の
違い等に影響されない、また、音声信号の入力直前まで
雑音除去用補正係数を修正するので、雑音源の大きさ、
位置、音質等の影響を受けにくい、更に増幅器（２）、
　　（１２）の発生する雑音も相殺できる。

〔発明の効果〕

上述の如くこの発明によれば、主マイクロホンと補助マ
イクロホンを用いて環境雑音を集音した後周波数分割し
て雑音除去用補正係数を算出し、この補正係数と主マイ
クロホンからの環境雑音を含む音声信号と補助マイクロ
ホンからの少なくとも環境雑音とから認識処理用の音声
データを得るようにしたので、実質的に周波数軸上で何
等位相ずれの影響を受けることなく環境雑音を相殺でき
、もって確実に環境雑音による誤認識を防止することが
できる。

【図面の簡単な説明】

図はこの発明の一実施例を示す回路構成図である。 ＋１１は生マイクロホン、（３）、　　（１３）はバン
トパスフィルタバンク、（７）　、　　（１７）はＡ／
Ｄ変換器、（１１）は補助マイクロホン、（２０）　、
　　（２１）はスイッチ回路、（２２）はレベル検出回
路、（２４）は補正係数算出回路、（２５）はメモリ、
（２６）は差分検出回路、（２７）は音声認識部である
。

Claims (1)

1. 【特許請求の範囲】 　主マイクロホンによって集音された音声信号を周波数
   分割し正規化して得られた音響パラメータを予め設定さ
   れた標準パターンと比較して音声認識を行う音声認識装
   置において、 主として環境雑音を集音する補助マイクロホンと、 上記主マイクロホンによって集音された環境雑音を周波
   数分割したデータ及び上記補助マイクロホンによって集
   音された環境雑音を周波数分割したデータを比較して雑
   音除去用補正係数を算出する補正係数算出手段と、 上記主マイクロホンによって集音された環境雑音を含む
   音声信号及び上記補助マイクロホンによって集音された
   少くとも環境雑音と上記補正係数より雑音の除去された
   音声データを算出する音声データ算出手段と を備え、上記音声データを用いて音声認識を行うように
   したことを特徴とする音声認識装置。