JPH01997A - ベクトル量子化を用いた音声認識方式 - 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］ この発明はベクトル量子化を用いた音声認識方式に関し
、特に、ベクトル量子化を用いたテンプレートマツチン
グによる音声認識方式に関する。

［従来の技術および発明が解決しようとする問題点］ 自動翻訳電話では、入力として音声が用いられるが、入
力された音声を認識する必要がある。音声認識として、
従来よりベクトル量子化を用いる手法が考えられている
。従来のベクトル量子化を用いた音声認識では、計算量
およびメモリの増加を抑えて認識性能を向上させるべく
、ベクトル量子化に用いるスペクル歪み尺度の改良が行
なわれ、種々の特徴の組合わせの複合スペクトル歪尺度
が提案されている。この方法では、スペクトル歪み尺度
に多種の特徴間を混在させ、それらの間の依存関係を拘
束条件として用い、より認識性能の良い空間へ特徴を写
像するところに意味があった。

しかし、この方法では、次に述べるような大きな２つの
問題点があった。

■　各特徴間間の依存関係がベクトル量子化のフードブ
ック内で統計的に妥当性を持つためには、非常に多くの
ラーニングサンプルとこのための膨大な計算時間が必要
である。

■　コードブックサイズで見た場合、各特徴に必要なコ
ードブックサイズは特徴間の依存関係を拘束条件にする
ことで減少する。しかし、それでも全体のコードブック
サイズは各特徴に必要なコードブックサイズの積になっ
て、非常に大きくなってしまい、膨大なメモリが必要で
あった。

それゆえに、この発明の主たる目的は、ベクトル量子化
として各特徴ごとに別々にコードブックを生成し、別々
のベクトル量子化を行なうセパレートベクトル量子化を
用いることにより、従来の問題点を解消し得るベクトル
量子化を用いた音声認識方式を提供することである。

［問題点を解決するための手段］ この発明は、入力音声をベクトル量子化による符号列と
して格納されている標準パターンと照合することにより
認識を行なうベクトル量子化を用いた音声認識方式であ
って、入力音声の特徴の種類に応じて複数のコードブッ
クを有し、各コードブックについて各ベクトル量子化を
行ない、求められた複数のコード列を用いて認識を行な
うように構成したものである。

［作用］ この発明に係るベクトル量子化を用いた音声認識方式で
は、入力音声の特徴の種類に応じたコードブックについ
てベクトル量子化を行なうことにより、コードブックサ
イズは各特徴に必要なコードブックサイズの和になり、
全体のコードブックサイズを軽減できる。

［発明の実施例コ 以下に、図面を参照して、この発明の実施例についてよ
り具体的に説明する。

第１図はこの発明の音声認識装置の概略ブロック図であ
る。

第１図において、音声認識装置は、アンプ１とローパス
フィルタ２とＡ／Ｄ変換器３と処理装置４とから構成さ
れる。アンプ１は入力された音声信号を増幅するもので
あり、ローパスフィルタ２は増幅された音声信号から折
返し雑音を除去するものである。Ａ／Ｄ変換器３は音声
信号を１２ｋＨｚのサンプリング信号により１６ビツト
のディジタル信号に変換するものである。処理装置４は
コンピュータ５と磁気ディスク６と端末類７とプリンタ
８とを含む。コンピュータ５はＡ／Ｄ変換器３から入力
された音声のディジタル信号に基づいて音声認識を行な
うものである。

第２図はこの発明の一実施例の音声信号の入力から認識
結果を出力するまでの全体の流れを示すフロー図であり
、第３図はセパレートベクトル量子化の動作を軸説明す
るためのフロー図であり、第４図はマツチング動作を説
明するためのフロー図である。

次に、第１図ないし第４図を参照して、この発明の一実
施例の動作について説明する。入力された音声信号はア
ンプ１によって増幅され、ローパスフィルタ２によって
折返し雑音が除去された後、第２図に示すステップ（図
示ではＳＰと略称する）ＳＰＩにおいて、Ａ／Ｄ変換器
３が入力された音声信号を１６ビツトのディジタル信号
に変換する。

処理装置４のコンピュータ５はステップＳＰ２において
、ディジタル信号に変換された音声の特徴抽出を行なう
。この特徴抽出では、たとえば線形子ｎ１分析（ＬＰＧ
分析）などの手法を用いて行なわれる。

ステップＳＰ３において音声認識が行なわれる。

すなわち、ステップＳＰ２において生成された特徴ごと
の特徴列は５ｐｌｉｔ法によるマツチング部で既に格納
されている標準パターンと照合され、マツチング距離が
ステップＳＰ５における結果判定部５に送られる。なお
、ステップＳＰ４における標準パターンは、特定話者認
識の場合は、予め使用者が認識単語を発声することによ
り作成し、不特定話者の場合は多数の話者が発声した音
声データベースを分析して代表パターンをマルチテンプ
レートとして作成し、磁気ディスク６に格納されている
。ステップＳＰ５における結果判定部では、認識候補に
対して結果が適切かどうかの判断を行ない、認識結果を
出力する。

次に、第３図を参照して、前述の第２図に示した特徴抽
出およびセパレートベクトル量子化の動作についてより
詳細に説明する。特徴抽出では、ステップ５ＰＩＩにお
いて、１６ビツトのディジタル信号に変換された音声信
号に対して、１４次の自己相関分析によるＬＰＧ分析を
行ない、入力音声の特徴であるパワーと自己相関係数、
ＬＰＣケプストラム係数を抽出する。ステップ５Ｐ１２
において、パワーのコードブック生成であるか否かを判
別し、パワーのコードブック生成であれば、ステップ５
Ｐ１３において、人力音声のパワーをスカラー量子化す
る。スカラー量子化では、不拘−ｍ子化の手法を用いて
、ステップ５Ｐ１３においてパワーコードブックを生成
し、ステップ５Ｐ１４において生成したパワーコードブ
ックを磁気ディスク６に格納する。

パワーコードブックの生成でないとき、すなわち息子化
時には、ステップ５Ｐ１４におけるパワーコードブック
を用いて、ステップ５Ｐ１５において量子化を行ない、
パワーに関するコード列を出力する。

一方、ステップ５Ｐ１６において、ＬＰＣ相関係数およ
びＬＰＣケプストラム係数のコードブック生成であるこ
とが判別されると、ステップ５Ｐ１７において、ＬＢＧ
アルゴリズムにより、ＷＬＲ尺度に基づいてコードブッ
クが生成され、ステップ５Ｐ１８において生成されたコ
ードブックが磁気ディスク６に格納される。

ここで、ＬＢＧアルゴリズムについては、Ｌｉｎｄｅ、
Ｂｕｚｏ、Ｇｒａｙ；　　“Ａｎ　　ａｌｇ。

ｒｉｔｈｍ　　ｆｏｒ　　Ｖｅｃｔｏｒ　　Ｑｕａｎｔ
ｉｚａｔｉｏｎ　　Ｄｅｓｉｇｎ−ＩＥＥＥ　　Ｃ０Ｍ
−２８（１９８０−０１）に記載されている。

また、ＷＬＲ尺度は、音声の特徴を強調する尺度であり
、単語音声の認識において高い性能を示すものであり、
杉山、鹿野による“ピークに重みをおいたＬＰＧスペク
トルマツチング尺度”電子通信学会論文（Ａ）Ｊ６４−
Ａ５　（１９８１−０５）に記載されている。

なお、ＬＰＧ相関係数およびＬＰＣケプストラム係数の
コードブック生成でないとき、すなわち、量子化時には
、人力音声の自己相関係数とＬＰＣケプストラム係数に
用いて、ステップ５Ｐ１８におけるスペクトルコードブ
ックを用いて、ステップ５Ｐ１９においてベクトル量子
化を行ない、スペクトル情報に関す、るコード列を出力
する。

ここで、コードブック生成、量子化に用いたスペクトル
歪み尺度は次のものである。

ｄ　　　−Ｐ／Ｐ’　十Ｐ’　／Ｐ−２・・・（１）ｏ
ｗｅｒ ｄ５．。ｏ、ｒＵｌｌ−’ｉ　（Ｃ（ｎ）−Ｃ’　（ｎ
））　（Ｒ（ｎ）−Ｒ’　（ｎ））・・・（２） ｄ　　　　：パワー項の歪み尺度 ｏｗｅｒ ｄｓｐｅｃｔｒｕｍ　’スペクトル歪み尺度１？（ｎ）
　　　　：コードブックのｎ次の自己相関係数Ｒ’（ｎ
）：人力のｎ次の自己相関係数Ｃ（ｎ）　　　　：コー
ドブックのｎ次のＬＰＣケプストラム係数 Ｃ’（ｎ）：人力のｎ次の ＬＰＣケプストラム係数 前述したように、標準パターン作成時には、このコード
列を標準パターンとして格納し、認識時には標準パター
ンのコード列とのマ・ソチングを行なう。

次に、第４図を参照して、マ・ノチング方法について説
明する。セパレートベクトル量子化により、パワーとス
ペクトルとを別々にベクトル量子化して生成されたコー
ド列と、コード列として格納されている標準パターンと
に基づいて、ステップ５Ｐ２１において、５ｐｒｉｔ法
によりマツチングが行なわれる。ステップ５Ｐ２２にお
ける標準パターンには、セパレートベクトル量子化によ
りコード化されたパワーおよびスペクトルの標準パター
ンが格納されている。そして、ステップ５Ｐ２１におけ
るマツチングにおいては、Ｄｒ　（ｄｙｎａｍｉｃ　　
ｐｒｏｇｒａｍｍｉｎｇ：動的計画法）マツチングにお
ける局部距離は、ステップ５Ｐ２４において予め特徴ベ
クトル系列とフードブックのベクトルの時間−距離マト
リクスを作成しておき、この表びきを行なうことによっ
てマツチングを行なう。このようにして、順番に標準パ
ターンとマツチングして求めた入力音声と標準パターン
の距離をステップ５Ｐ２５における結果判定部に出力す
る。

ここで、マツチング法についてより具体的に説明する。

従来のマツチングでは、入力も標準パターンも１つの特
徴列あるいはコード列であったが、セパレートベクトル
量子化においては、一般に複数のコード列により構成さ
れる。この実施例においても、前述の実施例と同様にし
て、パワーコード列とスペクトルコード列の２系列のマ
ツチング手法を用いており、以下にその例について説明
する。

パワーとスペクトルの両方の情報を考えた場合の距離尺
度として、ＰＷＬＲ尺度があるが、これは次の第（３）
式で示される。

’ＰＷＬＩ？−Σ　　（Ｃ（ｎ）−Ｃ’　　（ｎ））（
Ｒ（ｎ）−１？　　’　　（ｎ））、＋ａ・（Ｐ／Ｐ’
　　＋　Ｐ’　／Ｐ−２）　　　　　　−（３）ａ−０
，０１ 従来の５ｐｌｉｔ法によるコード列のマツチングでは、
標準パターン側のみがベクトル量子化により有限の点で
表わされる。入力音声の特徴ベクトル系列に対して、予
めすべてのコードブックとの距離を求めて時間−距離マ
トリックスに格納しておく。したがって、 ｄｐｙｌＲ（１゛Ｊ） 一Σ（ＣＩ　（ｎ）−ＣＫ（ｊ）（ｎ））（Ｊ　（ｎ）
−ＲＫ（ｊ）＜ｎ））＋１°（ＰＩ／ＰＫ（ｊ）＋ＰＫ
（ｊ）／Ｐｉ−２）Ｒｉ　（ｎ）　、ＣＩ　（ｎ）　、
Ｐｉ　：入力音声のｉフレームのｎ次の自己ｉｌｌ関係
数、ＬＰＣケプストラム係数、パワーであり、 １？Ｋ（ｊ）（ｎ”　ＣＫ（ｊ）（ｎ）ＰＫ（ｊ）　’
標準パワーコード列にの１番目のコードのｎ次の自己相
関係数、ＬＰＣケプストラム係数、パワーである。

しかし、セパレートベクトル量子化では、２つの系列を
有するので次のようにして距離を求める。

ｄ［Ｐｌ　［Ｗｌ、Ｒ］（＋、、＋）　　　’−Σ（Ｃ
，（ｎ）−ＣＫ（ｊ）（ト））　Ｒ，（ｎ）−ＲＫ（ｊ
、　（ｎ））＋３°（Ｐ　Ｉ／ＰＩ、（ｊ）　＋　ＰＬ
（ｊ）／Ｐｉ　−２）Ｐｌ、（ｊ）：標準ハターンコー
ド列りのｊ番口のコードのパワーである。

これは、ＰＷＬＲ尺度の第１項と第２項を別々にコード
化して距離を計算し、和を求めたたものである。この局
部距離の尺度を用いて、ＤＰマツチングにより距離を求
める。

［発明の効果］ 以上のように、この発明によれば、入力音声の特徴の種
類に応じて複数のコードブックを有し、各コードブック
についてベクトル量子化を行ない、求められた複数のコ
ード列を用いて認識を行なうようにしたので、各特徴の
依存項を無視でき、ラーニングサンプルを少なくてすみ
、計算量を減少できる。ただし、セパレートすることに
より、別のベクトル量子化系を構成するので、この分だ
け計算量は多少増加するが、ラーニングサンプルが少な
いので、十分計算量を減少できる。また、コードブック
サイズはセパレートベクトル量子化では、各特徴に必要
なコードブックサイズの和になるので、全体のコードブ
ックサイズを激減することができる。

【図面の簡単な説明】

第１図はこの発明の音声認識装置の概略ブロック図であ
る。第２図は５ｐｌｉｔ法による音声認識の全体の流れ
を示すフロー図である。第３図はセパレートベクトル量
子化の動作を説明するためのフロー図である。第４図は
マツチング動作を説明するためのフロー図である。 図において、１はアンプ、２はローパスフィルタ、３は
Ａ／Ｄ変換器、４は処理装置、５はコンピュータ、６は
磁気ディスク、７は端末類、８はプリンタを示す。 特許出願人　エイ・ティ・アール自動翻訳電話研究所

Claims (1)

1. 【特許請求の範囲】 入力音声を、ベクトル量子化による符号列として格納さ
   れている標準パターンと照合することにより認識を行な
   う音声認識方式において、 前記入力音声の特徴の種類に応じて、複数のコードブッ
   クを有し、各コードブックについてベクトル量子化を行
   ない、求められた複数の符号列を用いて認識を行なうよ
   うにしたことを特徴とする、ベクトル量子化を用いた音
   声認識方式。