JPH0194396A

JPH0194396A - 音声認識方式

Info

Publication number: JPH0194396A
Application number: JP62252108A
Authority: JP
Inventors: Tsuneo Nitta; 恒雄新田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1987-10-06
Filing date: 1987-10-06
Publication date: 1989-04-13
Anticipated expiration: 2011-07-10
Also published as: JP2514985B2

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】［発明の目的］（産業上の利用分野）本発明は少ない学習パターンで高い認識性能を得ること
のできる音声認識方式に関する。

（従来の技術）音声により情報の入出力は人間にとって自然性が高く、
マン・マシン・インターフェースとして優れており、従
−来より種々研−究されている。現在、実用化されてい
る音声認識装置の殆んどは単語音声を認識する方式のも
ので、−膜内には第２図に示すように構成されている。

この装置は、発声入力された音声を電気信号に変換して
取込み、バンド・バス・フィルタ等からなる音響分析部
■にて音響分析し、始端・終端検出部２にてその単語音
声区間を検出する。そして入力音声の上記単語音声区間
の音響分析データ（特徴情報；音声パターン）と、標準
パターン辞書３に予め登録されている認識対象単語の各
標準パターンとの類似度や距離等をパターン・マッチン
グ部４にて計算し、その計算結果を判定部５にて判定し
て、例えば類似度値の最も高い標準パターンのカテゴリ
名を前記入力音声に対する認識結果として求めるものと
なっている。

しかしこのようにパターン・マツチング法による音声認
識では入力音声パターンと予め登録されている標準パタ
ーンとの時間軸方向のずれ（パターン変形）が問題とな
る。そこで従来では、専ら線形伸縮や、動的計画法（Ｄ
　Ｐ）に代表される非線形伸縮等により、上述した時間
軸方向のずれに対する課題を解消している。

一方、このようなパターン会マツチング法とは別に、予
め収集された学習パターンから直交化辞書を作成し、こ
の直交化辞書を用いて音声認識する方式（部分空間法）
が提唱されている。この方式は第３図にその構成例を示
すように、音響分析されて音声区間検出された音声パタ
ーンから、標本点抽出部６にて上記音声区間を等分割し
た所定点数の標本点を抽出し、（特徴ベクトルの数×標
本点数）で示される標本パターンを求める。このような
標本パターンを認識対象とするカテゴリ毎に所定数ずつ
収集してパターン蓄積部７に格納する。そしてグラム・
シュミット（ＧＳ）直交化部８において、上記パターン
蓄積部７に収集された所定数（３個以上）の標本パター
ンを用いて以下に示す手順で直交化辞書９を作成する。

即ち、上記直交化辞書９の作成は、各カテゴリ毎にその
カテゴリのｍ回目の学習パターンをａ。

とし、３回発声された学習パターンを用いる場合には、 ■　１回目の学習データａ１を第１軸の辞書ｂ１とし、ｂｌ−ａｌ　　　　　　　　　　　　　　　・・・（１
）これを直交化辞書９に登録する。

■　２回目の学習データａ２からグラム・シュミットの
直交化式を用い、なる計算を行い、１ｌｂ２１ｔが一定値より大きい場合
、これを第２軸の辞書ｂ２として前記直交化辞書９に登
録する。但し、（・）は内積、Ｔは転置、１１１１はノ
ルムを示す。

■　そして３回目の学習データａ３から、なる計算を行
い、１１ｂ３１１が一定値より大きい場合、これを第３
軸の辞書ｂ３として前記直交化辞書９に登録する。但し
、第２軸の辞書が求められていない場合には、上記（２
）式の計算を行う。

以上の■〜■の処理を各カテゴリ、について繰返し実行
して直交化辞書９を予め形成しておく。

類似度計算部１０は上述した如く作成された直交化辞書
９と、入力音声パターンＸとの間でとして、カテゴリｉ
の直交化辞書ｂ　　との間の１、「類似度を計算するもので、この類似度値に従って上記入
力音声パターンＸが認識される。尚、上記カテゴリｉの
直交化辞書ｂ　　は予め正規化され■、ｒたちのであり、Ｋ１はカテゴリｉの辞書の個数（軸数）
を示している。

ところがこのようなＧＳ直文化を用いる方式にあっては
、上述した各直交軸が担うパターン変動量が明確でない
と云う問題がある。この為、上述した如くして計算され
た直交化辞書９のカテゴリｉの標本パターン（ａ　　　
、ａ　　　＋ａ’　　ｌが、１．１　　１．２　　１．
３そのカテゴリｉの本来の標準的なパターンを良く表現し
ているとは同等保障されないと云う不具合がある。

（発明が解決しようとする問題点）このように従来のＧＳ直交化を用いた部分空間法による
音声認識にあっては、直交化された辞書自体に、例えば
収集した学習パターンの時間軸方向の変動に起因する問
題があり、その標準パターンを良く表現しているか否か
と云う点で課題が残されている。またこのような問題を
解消するには、相当大量の学習パターンを収集する必要
がある等の不具合がある。

本発明はこのような事情を考慮してなされたもので、そ
の目的とするところは、少ない学習パターンにてその標
準パターンを良く表現した直交化辞書を作成し、認識性
能の向上を図ることのできる音声認識方式を提供するこ
とにある。

［発明の構成コ（問題点を解決するための手段）本発明は入力音声を分析処理して求められる入力音声パ
ターンと予め収集された学習パターンに基いて作成され
ている直交化辞書との間で類似度を計算して上記入力音
声を認識する音声認識方式において、予め収集された学習パターンに対して少なくとも平滑処
理と微分処理とを施す複数のフィルタを用い、例えば収
集された学習パターンの平均パターンを求め、この平均
パターンを時間軸方向に平滑化して第１軸の辞書を求め
、更に上記平均パターンを時間軸方向に微分して第２軸
の辞書を求める等して前記直交化辞書を作成する巳とを
特徴とするものである。

（作用）収集された学習パターンの平均パターンを求め、この平
均パターンを時間軸方向に平滑化して第１軸の辞書を求
めるので音声パターンの時間軸方向の変動を効果的に吸
収することができ、更には上記平均パターンを時間軸方
向に微分して第２軸の辞書を求めるので時間軸方向に対
する音声パターンの位置ずれを効果的に吸収することが
できる。

このようにして時間軸方向に対するパターン変動を吸収
して直交化辞書が作成されるので、直交化辞書の各辞書
パターンをその変動を吸収したものとすることができ、
認識性能の向上に大きく寄与する。しかも時間軸方向の
パターン変動を吸収した平均パターンから生成される辞
書パターンをベースとしてその直交化辞書が生成されて
いくので、従来のように直交化辞書自体の各直交軸が担
うパターン変動量が不明確になることがなく、少ない学
習パターンを有効に用いて性能の高い直交化辞書を効果
的に作成することが可能となる。

（実施例）以下、図面を参照して本発明の一実施例につき説明する
。

第１図は本発明に係る一実施例方式を適用して構成され
る音声認識装置の概略構成図で、第３図に示した従来装
置と同一部分には同一符号を付して示しである。

この実施例装置が特徴とするところは、パターン蓄積部
７に蓄積された学習パターンを用いて直交化辞書９を作
成する手段として、従来のＧＳ直交化部８に代えて少な
くとも平滑処理と微分処理とを実行する複数のフィルタ
、例えば複数の直交化時間フィルタからなる直交化時間
フィルタ部１１を用いた点にあ菖。尚、ここではパター
ン蓄積部７に収集される学習パターンとしては、例えば
ｊ　　（−１，２，〜１６）で示される１６点の音響分
析された特徴ベクトルからなり、その音声区間をｋ　（
−０，１，２，〜１７）として１７等分する１８個の標
本点に亙って採取したデータ系列として与えられるもの
として説明する。

しかして前記直交化時間フィルタ部１１は、カテゴリｉ
について３個ずつ収集されたｍ番目の学習パターンをａ
ｌｌｌ（ｊ、ｋ）としたとき、次のようにして直交化辞
書９を作成している。

■　先ず、カテゴリｉの学習パターンａ。Ｕ、ｋ）から
、その平均パターンＡ（ｊ、ｋ）を［ｊ＝１．２．〜１Ｂ、に−０，１，２，〜１７］とし
て求める。

■　しかる後、上述した如くして求めた平均パターンＡ
（ｊ、ｋ）を用（゛て・ −Ａ　　　　　　　　　　　　　　　　　　　　＋Ａ’
　Ｌ（ｊ、ｋ）　　　（ｊ、に−１）　＋２＊Ａ（ｊ、
ｋ）　　　Ｕ、に＋１）［ｊ＝１．２．〜１６．　ｋ−
１，２，〜１６］　　　　　　　・・・（６）なる演算
にて第１軸の辞書ｂＩＵ、ｋ）を求め、これを直交化辞
書９に登録する。この辞書ｂｌ（ｊ、ｋ）は前記平均パ
ターンＡ　　　を時間軸方向に平滑化（ｊ、ｋ）したものとして求められ、直交化辞書９の基準となる第
１軸の辞書データとして登録される。

■　しかる後、前記平均パターンＡ（ｊ、ｋ）を用い、
■−Ａ　　　　　　　　　＋Ａｂ２（ｊ、ｋ）　　　　（ｊ、に−１）　　　Ｕ、に＋
１）［ｊ＝１．２．〜１Ｂ、　　　ｋ−１，２，〜　１
６コ　　　　　　　　　　　　　・・・（７）なる演算
にて第２軸の辞書ｂ２Ｕ、ｋ）を求め、これを正規化し
た後、前記直交化辞書９に登録する。

この辞書ｂ２（ｊ、ｋ）は前記平均パターンＡ　　　を
（ｊ、ｋ）時間軸方向に微分したものとして求められる。

尚、このようにして計算される第２軸の辞書ｂ２（ｊ、
ｋ）は、前記第１軸の辞書ｂ　　　に対して１　（ｊ　
、　ｋ）完全には直交していないことから、必要に応じてＢ２（
ｊ、ｋ）″ｂ２（ｊ、ｋ）　’ ”−（５２（ｊ、ｋ）　　　ｌ（ｊ、ｋ））ｂｌ（ｊ、
ｋ）・　ｂなる再直交化処理を施し、この再直交化された辞書デー
タＢ２（ｊ、ｋ）を正規化した後、第２軸の辞書として
前記直交化辞書９に登録するようにしても良い。しかし
このような再直交化を行わなくても、上述した如く求め
られる第２軸の辞書ｂ２（ｊ、ｋ）”で十分なる認識性
能を得ることができる。

以上の■〜■の処理を各カテゴリ毎【こ繰返し実行する
ことによって前記直交化辞書９が作成される。

尚、この直交化時間フィルタ部１１による処理手順を次
のように代えても、はぼ同等な直交化辞書９を作成する
ことができる。即ち、 ■　収集された学習パターンａｆｆｌ（ｊ、ｋ）から［
ｊ＝１．２．〜１Ｂ、　　ｋ−１，２，〜１Ｂ］　　　
　　　　　・・・（８）として第１軸の辞書ｂｌＵ、ｋ
）を求め、これを直交化辞書９にセットする。

■　続いて前記学習パターンａｍ（ｊ、ｋ）”　ラ［ｊ
＝１．２．〜１Ｂ、　　ｋ−１，２，〜１６］　　　　
　　　　・・・（９）として第２軸の辞書ｂ２（ｊ、ｋ
）を求め、これを直交化辞書９にセットする。

このような処理■、■をカテゴリの数だけ繰返し実行す
る。つまり、前述したように一旦平均パターンＡｍ（ｊ
、ｋ）を計算することなしに、収集された所定数の学習
パターンａｍ（ｊ、ｋ）がら時間軸方向に平滑化した第
１軸の辞書ｂ１（ｊ、ｋ）と、時間軸方向に微分した第
２軸の辞書ｂ２（ｊ、ｋ）をそれぞれ直接的に計算する
ようにしても良い。

ところで上述した説明では、直交辞書９として２輔まで
を求める例について示したが、更に２次微分を行う等し
て３軸以降の辞書を作成するようにしても良い。この場
合には、学習パターンとして前述した１８点ではなく、
例えば２０点以上の標本点を抽出したものを用いるよう
にすれば良い。

この場合には、例えばｂ　　　纏Ａ　　　　　＋４＊ＡＩＮ、ｋ）　　　（ｊ、に−２）　　　　（ｊ、に−１
）＋４＊Ａ ”　６＊Ａ（ｊ、ｋ）　　　　　（ｊ、に＋１）＋Ａ（
ｊ、に＋２）［ｊ＝１．２．〜１Ｂ、　ｋ−１，２，〜１６］として
第１軸の辞書ｂｌ（ｊ、ｋ）を求め、またｂ２（ｊ、ｋ
）　　　　＜ｊ、に−２）　　　　（ｊ、に−１）−−
Ａ　　　　　　　　　−２１＋２＊Ａ（ｊ、に＋１）　　　（ｊ、に＋２）＋Ａ［ｊ＝Ｌ２．〜１６．　　ｋ−１，２，〜１６コとして
第２軸の辞！ｆｂ２（ｊ、ｋ）を求るようにすれば良い
。そして２次微分した第３軸の辞書ｂ３（ｊ、ｋ）につ
いてはｂ　　　　−−Ａ　　　　　−２＊Ａ２（ｊ、ｋ）　　　　　　Ｕ、に−２）　　　　　　（
ｊ、に−１）＋３ＬＡ　　　　−２１１Ａ（ｊ、ｋ）　　　　（ｊ、に＋１） ’　（ｊ、に＋２）［ｊ−１，２，〜１Ｂ、　ｋ−１，２，〜１Ｂ］として
求めるようにすれば良い。

このようにして直交化辞書９を作成して入力音声パター
ンを認識処理する本装置によれば、その直交化辞書９が
音声パターンの時間軸方向への変動を吸収したものとな
っているので、入力音声パターンの時間軸方向の変動に
左右されることなく音声認識することが可能となり、そ
の認識性能を高めることが可能となる。また直交化時間
フィルタを用いて直交化辞書９を作成しているので、少
ない学習パターンにて性能の高い直交化辞書を効率的に
構築することが可能となり、実用的効果が多大である。

次表は男性５名１女性３名から数字音声と人名からなる
３０語の音声データをそれぞれ１５回に亙って収集し、
そのうちの５回分を学習用、残り１０回分を認識性能評
価に用いた実験例を示すものである。

この実験データに示されるように、直交化時間フィルタ
を用いて構成された直交化辞書を用いた場合、部分空間
法にみられるようにＧＳ直交化により直交化辞書を構成
する場合よりも、認識性能が向上することが明らかとな
った。

以上の実験データから、時間軸方向の位置ずれを補償す
る微分フィルタを用いて直交化辞書を作成して音声認識
を行う本方式によれば、少ない学習パターンによって高
い認識性能が得られることがわかる。故に、本方式は音
声認識性能の向上を図る上で多大な効果を奏すると云え
る。

尚、本発明は上述した実施例に限定されるものではない
。ここでは２軸および３軸の直交化辞書を作成する例に
ついて説明したが、更に多くの軸数の直交化辞書を作成
することも可能である。この場合、直交化時間フィルタ
の係数としては幾つかのバリエーションが考えられるが
、要は学習パターンを平滑、１次微分、２次微分、・・
・すれば良いものであり、種々変形して実施することが
できる。また学習パターンの次元数等も特に限定される
ものでもなく、本発明はその要旨を逸脱しない範囲で変
形して実施可能である。

［発明の効果〕以上説明したように本発明によればフィルタを用いて時
間軸方向のパターン変動を吸収して直交化辞書を作成す
るので、少ない学習パターンでそのパターンの変動を効
果的に表現した辞書を得ることができ、その認識性能の
向上を図り得る等の実用上多大なる効果を奏する。

【図面の簡単な説明】

第１図は本発明の一実施例方式を適用して構成される音
声認識装置の概略構成図、第２図および第３図はそれぞ
れ従来の音声認識装置の概略構成を示す図である。１・・・音響分析部、２・・・始端・終端検出部、５・
・・判定部、６・・・標本点抽出部、７・・・パターン
蓄積部、９・・・直交化辞書、ｌＯ・・・類似度演算部
、１１・・・直交化時間フィルタ。出願人代理人　弁理士　鈴江武彦

Claims

【特許請求の範囲】

（１）入力音声を分析処理して求められる入力音声パタ
ーンと予め収集された学習パターンに基いて作成されて
いる直交化辞書との間で類似度を計算して上記入力音声
を認識する音声認識方式において、予め収集された学習パターンに対して少なくとも平滑処
理と微分処理とを施す複数のフィルタを用いて前記直交
化辞書を作成することを特徴とする音声認識方式。
（２）フィルタは、収集された学習パターンの平均パタ
ーンを求め、この平均パターンを時間軸方向に平滑化し
て第１軸の辞書を求める手段と、上記平均パターンを時
間軸方向に微分して第２軸の辞書を求める手段とを備え
たものである特許請求の範囲第１項記載の音声認識方式
。