JPH02135500A

JPH02135500A - 話者認識方式

Info

Publication number: JPH02135500A
Application number: JP63291837A
Authority: JP
Inventors: Shingo Nishimura; 新吾西村; Masashi Miyagawa; 宮川　正志; Masayuki Unno; 海野　雅幸
Original assignee: Sekisui Chemical Co Ltd
Current assignee: Sekisui Chemical Co Ltd
Priority date: 1988-11-17
Filing date: 1988-11-17
Publication date: 1990-05-24

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］本発明は、電気錠、ＩＣカード等のオンライン端末等で
入力音声からその話者を同定又は照合するに好適な話者
認識方式に関する。

［従来の技術］話者認識とは、入力音声からその話合な認識することで
あり、話者同定と話者照合の２つの形態かある。

話者同定とは入力音声か登録話者のうちの誰の声である
かを判定することであり、話者照合とは入力音声が登録
話者の声であると見なせるか否かを判定することである
。

従来の話者認識方式は、例えば特公昭５６−１３９５６
号公報、電子通信学会論文誌７３／１１　Ｖｏｌ、５６
−ＡＮｏ、１１　　（文献１）に記載される如く、以下
の手順による。

■入力音声に含まれる話者に関する特ｔｆｉｆｉＬを抽
出する。

■予め上記■と同様にして抽出しておいた標僧パターン
と上記■て抽出した特徴量との距離を計算する。

■話者同定の場合は、上記距離が最小の＋ｆｆｉ準パタ
ーンの話者を入力音声の話者と判定し、話者照合の場合
は、上記距離に予めしきい値を設定し、距離かその値よ
りも小さい場合には、入力音声はその標準パターンの話
者によるものであると判定する。

この時、特公昭５６−１３９５６号公報ては、上記特徴
量として、入力音声から算出したスペクトルパラメータ
間の相関、各パラメータの平均値及び標準偏差を用いる
こととしている。

［発明か解決しようとする課題］然しなから、上記従来の話者認識方式では、以下の問題
点かある。

■標準パターン作成時から時間が経過するにつれ、認識
率か劣化する。例えば文献１に記載の実験結果にあって
は、標準パターン作成時から３ケ月経過により、話者同
定率は１００％から８５％に劣化し、話者照合率は９９
％から９１％に劣化する。

■実時間処理か困難である。即ち、従来の話者認識方式
において一定以上の認識率を確保するためには複雑な特
徴量を用いる必要があるが、複雑な特徴量を抽出するに
は複雑な処理装置が必要であり、処理時間も多大となる
。

本発明は、経時的な認識率の劣化か極めて少なく、容易
に実時間処理できる話者認識方式を得ることを目的とす
る。

［課題を解決するための手段］請求項１に記載の本発明は、ニューラルネットワークを
用いて入力音声から話者認識する話者認識方式であって
、ニューラルネットワークへの入力として、音声の周波
数特性の時間的変化を用いるようにしたものである。

請求項２に記載の本発明は、前記ニューラルネットワー
クへの入力として、音声の一定時間内における平均的な
周波数特性の時間的変化を用いるようにしたものである
。

請求項３に記載の本発明は、前記ニューラルネットワー
クが階層的なニューラルネットワークであるようにした
ものである。

［作用］請求項１に記載の本発明によれば以下の■〜■の作用効
果がある。

■経時的な認廉率の劣化が極めて少ない。このことは、
後述する実験結果により確認されていることであるが、
ニューラルネットワークが音声の時期差による変動の影
響を受けにくい構造をとることか可能なためと推定され
る。

■ニューラルネットワークへの入力として、「音声の周
波数特性の時間的変化」を用いたから、入力を得るため
の前処理か、従来の複雑な特徴量抽出に比して、単純と
なり、この前処理に要する時間か知＜’ｒ足りる。

■ニューラルネットワークは、原理的に、ネットワーク
全体の演算処理か単純且つ迅速である。

■ニューラルネットワークは、原理的に、それを構成し
ている各ユニットが独立に動作しており、並列的な演算
処理が可能である。従って、演算処理が迅速である。

■上記■〜■により、話者認識処理を複雑な処理装置に
よることなく容易に実時間処理できる。

又、請求項２に記載の本発明によれば上記■〜■の作用
効果に加えて、以下の■の作用効果がある。

■ニューラルネットワークへの入力として、「音声の一
定時間内における平均的な周波数特性の時間的変化」を
用いたから、ニューラルネットワークにおける処理か単
純となり、この処理に要する時間がより短くて足りる。

又、請求項３に記載の本発明によれば上記■〜■の作用
効果に加えて、以下の■の作用効果がある。

０階層的なニューラルネットワークにあっ°Ｃは、現在
、後述する如くの簡単な学習アルゴリズム（パックプロ
パゲーション）か確立されており、高い認識率を実現で
きるニューラルネットワークを容易に形成できる。

［実施例］第１図は本発明か適用された話者認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
バントパスフィルタの出力を示す模式図、第４図ばニュ
ーラルネットワークを示す模式図、第５図は階層的なニ
ューラルネットワークを示す模式図、第６図はユニット
の！１１１　ｍを示す模式図である。

本発明の具体的実施例の説明に先立ち、ニューラルネッ
トワークの構成、学習アルゴリズムについて説明する。

（１）ニューラルネットワークは、その構造から、第４
図（Ａ）に示す階層的ネットワークと第４図（Ｂ）に示
す相互結合ネットワークの２種に大別できる。本発明は
１両ネットワークのいずれを用いて構成するものであり
ても良いが、階層的ネットワークは後述する如くの簡単
な学習アルゴリズムが確立されているためより有用であ
る。

（２）ネットワークの構造階層的ネットワークは、第５図に示す如く、入力層、中
間層、出力層からなる階層構造をとる。

各層は１以上のユニットから構成される。結合は、入力
層り中間層→出力層という前向きの結合たけて、各層内
での結合はない。

（３）ユニットの構造ユニットは第６図に示す如く脳のニューロンのモデル化
であり構造は簡単である。他のユニットから入力を受け
、その総和をとり一定の規則（変換関数）で変換し、結
果を出力する。他のユニットとの結合には、それぞれ結
合の強さを表わす可変の重みを付ける。

（４）学習（パックプロパゲーション）ネットワークの
学習とは、実際の出力を目標値（望ましい出力）に近づ
けることであり、−ｍ的には第６図に示した各ユニット
の変換関数及び重みを変化させて学習を行なう。

又、学習のアルゴリズムとしては、例えば、Ｒｕｍｅｌ
ｈａｒｔ、　Ｄ、Ｅ、、ＭｃＣｌｅｌｌａｎｄ、　Ｊ、
Ｌ、　ａｎｄ　ｔｈｅＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇｒ
ｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢＵＴＥＤ
ＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒｅｓｓ
、　１９８６．　（文献２）に記載されているパックプ
ロパゲーションを用いることができる。

以下、本発明の具体的な実施例について説明する。尚、
この実施例の認識システム１は、ｎチャンネルのバンド
パスフィルタ１０、平均化回路１５、ニューラルネット
ワーク２０、判定回路３０の結合にて構成される（第１
図参照）。

（Ａ）学習単語を「タダイマ」、入力ｌ１ｉｉ語を「タ
タイマ」とし、入力単語の学習単語に対する時期差は０
〜３ケ月とした。

ＣＢ）話者 ■話者同定については、登録話者９名とした。

■話者照合については、登録話者９名、学習詐称者２７
名、未学習詐称者１０名とした。

（Ｃ）前処理 ■入力音声「タダイマ」を、第２図に示す如く、４つの
ブロックに時間的に等分割する。

■音声波形を、第１図に示す如く、複数（ｎ個）チャン
ネルのバントパスフィルタ１０に通し、各ブロック即ち
各一定時間毎に第３図（Ａ）〜（Ｄ）のそれぞれに示す
如くの周波数特性を得る。

この時、バントパスフィルタ１０の出力は各ブロック毎
に平均化回路１５で平均化される。

（Ｄ）ニューラルネットワークによる処理及び判■前処
理の結果（ブロック毎のバンドパスフィルタ１０の出力
）を、第１図に示す如く、３ｆｔｊｊの階層的なニュー
ラルネットワーク２０に入力する。入力層２１は、前処
理の４ツロツク、ｎチャンネルに対応する、４Ｘｎユニ
ツトにて構成される。出力層２２は、話者同定について
は各登録話者に対応する９ユニツト、話者照合について
は登録話者群とその他の群とに対応する２ユニットにて
構成される。

■ニューラルネットワーク２０の出力を判定回路３０に
入力し、出力層２２の各ユニットの出力値のうち最大の
値を出力したユニットを同定認識部３１、照合認識部３
２のそれぞれにおいて判定し、結果として同定若しくは
照合を行なう。但し、本発明の実施において、ニューラ
ルネットワーク２０の出力は判定回路３０の如くにて機
織的に判定処理されず、ニューラルネットワーク２０の
出力を得た人間の知力にて判定処理されるものであって
も貨い。

■前述した学習アルゴリズムのバックプロパゲーション
により、入力に対する出力のエラーが一定レベルに収束
するまで学習させ、一定認識率を保証し得るネットワー
クを構築する。尚、出力としては、各入力話者に対応し
たユニ・ソトが「１」、その他か「０」となるように学
習した。

（Ｅ）実験上記認識システムｌを用いて、話者同定と話者照合を実
験した。

（ａ）話者同定入力音声は■登録話者９名の学習直後の「タダイマ」、
■登録話者９名の３ケ月後の「タダイマ」とした。

結果、学習直後の同定率１００％に対し、３ケ月後の同
定率９８％であり、経時的な同定率の劣化が極めて少な
いことか認められた。

（ｂ）話者照合入力音声は■登録話者９名と学習詐称者２７名の学習直
後の「タダイマ」、■登録話者９名と学習詐称者２７名
の３ケ月後の「タダイマ」、■未学習詐称者１０名の「
タダイマ」とした。

結果、学習直後の照合率１００％に対し、３ケ月後の照
合率９９％であり、経時的な照合率の劣化が極めて少な
いことが認められた。

（ｅ）処理速度１回の入力音声「タダイマ」に対し、同定又は照合に要
した時間は１秒以内であり、極めて迅速処理できること
が認められた。

即ち、上記認識システム１にあっては、上記（ａ）　、
（ｂ）の結果が示すように認識率が高く、而もその認識
率の経時的な劣化が極めて少ない。

又、上記認識システム１にあっては、上記　（ｃ）の結
果が示すように話者認識処理を複雑な処理装置によるこ
となく迅速処理でき、容易に実時間処理できる。

［発明の効果］以上のように本発明によれば、経時的な認識率の劣化か
極めて少なく、容易に実時間処理できる話者認識方式を
搏ることかできる。

【図面の簡単な説明】

第１図は本発明が適用された話者認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
バントパスフィルタの出力を示す模式図、第４図はニュ
ーラルネットワークを示す模式図、第５図は階層的なニ
ューラルネットワークを示す模式図、第６図はユニット
の構造を示す模式図である。１・・・認識システム、１０・・・バントパスフィルタ・１５・・・平均化回路、２０・・・ニューラルネットワーク、２１・・・入力層２２・・・出力層、３０・・・判定回路、３１・・・同定認識部、３２・・・照合認識部。第１図特許出願人　積水化学工業株式会社代表者　　廣１）馨第２図時間第３図（Ａ）（Ｂ）（Ｃ）（Ｄ）第４図第５図 ↑ 入力パターン

Claims

【特許請求の範囲】

（１）ニューラルネットワークを用いて入力音声から話
者認識する話者認識方式であって、ニューラルネットワ
ークへの入力として、音声の周波数特性の時間的変化を
用いる話者認識方式。
（２）前記ニューラルネットワークへの入力として、音
声の一定時間内における平均的な周波数特性の時間的変
化を用いる請求項１記載の話者認識方式。
（３）前記ニューラルネットワークが階層的なニューラ
ルネットワークである請求項１又は２記載の話者認識方
式。