JPH02239290A - 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］ この発明は音声認識装置に関し、特に、入力された音声
の音韻グループごとの位置または区間を検出してセグメ
ンテーションを行ない、検出した位置または区間に対し
て音韻を認識するような音声認識装置に関する。

［従来の技術および発明が解決しようとする課題］従来
の音声認識の方法は、連続した音声波形に時間区分を入
れてセグメンテーションを行なった後に、音韻認識を行
なう方法と、連続した音声波形の時間区分およびその部
分の音韻認識を同時に行なういわゆる音韻スボッティン
グ方法とが提案されている。

しかしながら、前者の方法においては、各音韻の存在す
る音韻環境にかかわらず画一的なパワーやスペクトルの
変化などの単純なパラメータの組合わせでセグメンテー
ションを行なっているため、高精度のセグメンテーショ
ンを行なうことができない。その結果、高い音韻認識率
を得ることができない。また、後者の方法においては、
連続する音韻の境界付近で音韻の誤認識や挿入誤りが多
く、その結果高い音韻認識率が得られないという欠点が
あった。

それゆえに、この発明の主たる目的は、セグメンテーシ
ョン誤りによる音韻の誤認鷹および音韻スボッティング
法による音韻境界における音韻の誤認識や挿入誤りを解
決して、高い音韻認識が可能な音声認識装置を提供する
ことである。

［課題を解決するための手段コ この発明はく入力された音声を認識する音声認識装置で
あって、入力された音声から予め設定された音韻グルー
プごとの位置または区間を検出する検出手段と、入力さ
れた音声から予め設定された音韻グループ内の音鎚を識
別する識別手段とを備えて構成される。

より好ましくは、検出手段は入力された音声の或る周波
数帯域におけるパワーの大きさと、その周波数帯域にお
けるパワー変化量と、その周波数帯域におけるスペクト
ルの変化量と、或る周波数帯域と他の周波数帯域とにお
けるパワーの比とに基づいて音韻グループごとの位置ま
たは区間を検出する手段を含む。

より好ましくは、識別手段は予め設定された音韻グルー
プ内の音韻を識別するように設計された統計的な手法を
用いて識別する。

さらに、予め設定された音韻グループごとの位置または
区間を検出した後に、予め設定された音韻グループ内の
音韻を識別するようにする。

［作用］ この発明に係る音声認識装置は、検出手段によって音韻
グループごとの位置または区間を検出すると同時に、入
力された音声から予め設定された音鎚グループ内の音韻
を識別手段によって識別する。その結果、高い性能の音
韻認識を可能にし、高性能な音声認識装置を構築できる
。

［発明の実施例コ 第１図はこの発明が適用される音声認識装置の概略ブロ
ック図である。第１図を参照して、音声認識装置はアン
ブ１とローパスフィルタ２とＡ／Ｄ変換器３と処理装置
４とを含む。アンブ１は入力された音声信号を増幅し、
ローバスフィル２は増幅された音声信号から折返し雑音
を除去する。

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ビットのデジタル信号に変換する。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、後
述の第２図ないし第５図に示した手法を用いて音声認識
を行なう。

第２図はこの発明の一実施例による音韻グループごとに
区間を検出する手順を示す図であり、第３図はスベクト
口ダラムの一例を示す図であり、第４図は認識結果を示
す図であり、第５図はニューラルネットワークを用いて
音韻を識別する一例を示す図である。

次に、第１図ないし第５図を参照して、この発明の一実
施例の具体的な動作について説明する。

第１図に示したＡ／Ｄ変換器３からディジタル化された
音韻スペクトルがコンピュータ５に与えられる。コンピ
ュータ５はステップ（図示ではＳＰ１と略称する）ＳＰ
Ｉにおいて、入力された音韻スペクトルに基づいて、ス
ペクト口ダラム上の大まかな音韻特徴を参照する。第３
図は［ｓｕｋｕｎａｋｕｔｏｍｏＪと発音したときのス
ベクトログラムであり、縦軸は周波数を示し、横軸は時
間経過を示している。このスベクトログラムにおいて黒
く示されている部分はパワーの大きいことを示しており
、白くなるに従ってパワーの小さいことを示している。

第２図のステップＳＰ２において音韻候補が検出される
。すなわち、前述のステップＳＰｉにおける音韻特徴の
参照結果に基づいて、音韻グループごとの大まかな位置
を大まかな特徴を用いて音韻候補が検出される。ここで
の音韻グループは、たとえば無声摩擦音，有声破裂音，
鼻音，流音などである。

第３図に示したスベクトログラムでは、／Ｓ／に対応し
て、３３５ｍｓｅｃ〜４９２ｍｓｅｃの区間において、
４０００Ｈｚ〜６０００Ｈｚの周波数帯域のパワーが大
きく、１０００Ｈｚ〜２０００Ｈｚ付近の周波数帯域で
はパワーが小さく、カットオフ点は５　０　０　Ｑ　Ｈ
　ｚ付近にあることから、ほぼ無声摩擦音または有声摩
擦音に近いと判断され、無声摩擦音と有声摩擦音とが音
韻候補とされる。

次に、／Ｓ／に引き続いて、／ｋ／に対応して、４９２
〜５６２ｍｓｅｃの区間におけるパワーの変化，スペク
トルの変化などに基づいて、無声破裂音を音韻候補とす
る。

次に、ステップＳＰ３において、音韻環境の仮説が行な
われる。すなわち、上述のステップｓＰ２において検出
された音韻候補ごとに予め設定された前後の音韻の種類
，音韻変形が仮説される。

すなわち、前述のステップＳＰ２で検出された無声摩擦
音と有声摩擦音のそれぞれの前後の音韻の種類が仮説さ
れる。／　ｓ　／という無声摩擦音に対して、その前に
は無音，閉鎖音，母音が仮説され、後の音韻に対して閉
鎖音，無音，母音，摩擦音が仮説される。ステップＳＰ
２で検出された有声摩擦音に対しても、前後の音韻の種
類が仮設され、前の音韻が無音と母音であり、後の音韻
として母音が仮説される。

上述のステップＳＰ３において仮説された音韻環境ごと
に可能性のある音韻境界の検出および仮説の検証が行な
われる。正しい仮説の下では、仮説ごとに高い確信度が
得られ、結果として音韻環境が検出される。逆に誤った
仮説では確信度が低くなり、音韻環境を得るに至らない
。仮説が正しいか否かの判断はスペクトログラム上の音
響特徴、すなわち、入力された音声の或る周波数帯域に
おけるパワーの大きと、パワーの変化量と、スペクトル
の変化量と、他の周波数帯域に対するパワーの比とに基
づいて判別される。

ステップＳＰ５において、各音韻グループが決定された
区間のうち、最も確信度の高い区間を最終セグメンテー
ションおよび音韻グループの結果とされる。この最終セ
グメンテーションの結果に対して、ステップＳＰ６で対
応する音韻グループの識別が行なわれる。ステップＳＰ
３における無音の仮説に対して、３３５ｍｓｅｃから無
声摩擦音がスタートし、その確信度（ｃ　ｆ）が０，６
４であるという結果が得られ、母音の仮説に対しては結
果が得られず、閉鎖音の仮説に対しては３２５ｍｓｅｃ
からスタートし、その確信度が０．６０であるという結
果が得られる。また、破裂音の仮説に対してはスタート
する４９２ｍｓｅｃの境界が／ｓ／の終端であり、その
確信度が０．６６であると仮説される。

ステップＳＰ６において、確信度の最も高い結果が選ば
れ、ステップＳＰ７において、／Ｓ／は３３５ｍｓｅｃ
からスタートし、４９２ｍｓｅｃでエンドであることが
識別され、それによってセグメンテーションが決定され
ると同時に音韻グループの識別が行なわれる。

次に、第５図を参照して、検出されたセグメンテーショ
ンの音韻を識別する方法について説明する。第５図に示
した時間遅れニューラルネットワークは、１８の子音を
有声破裂音，無声破裂音，鼻音，有声摩擦音，無声摩擦
音．流音の６つのクラスにグループ化し、それぞれのグ
ループを入力層１０として用いる。入力層１０は従来か
ら知られているパックブロバゲーションの学習により、
セグメンテーションされた音韻の識別を行なう。

各クラスの識別は入力層１１によって行なわれる。

時間遅れニューラルネットワークの学習は、すべての子
音の終端位置の入力層１０の１５０ｍｓｅｃの前から１
００ｍｓｅｃの位置に合わせて行なわれ、同様に、音韻
識別ではセグメンテーション結果の終端は入力層１０の
同じ位置に適用され、時間遅れニューラルネットワーク
の出力層１２が出力する最大確信度を与える音韻を識別
結果とする。この識別結果の一例を示したのが、第４図
である。

なお、上述の実施例における位置検出においては、音韻
グループとその区間を示した。しかし、この方法の他に
、たとえば破裂の特徴を有する音韻グループと破裂位置
，局所的パワーのディップの特徴を有する音韻グループ
とディップの位置などのように、或る特徴を有する音韻
グループとその特徴の位置による方法でも可能である。

また、上述の第５図に示した音韻識別方式においては、
時間遅れニューラルネットワークを用いたが、その他の
一般的な統計的手法による音韻グループ内の音韻識別方
法でも可能である。たとえば、一般のニューラルネット
ワークによる音韻識別方法や、ＨＭＭによる音韻識別方
法や、ベイズ則による音韻識別方法や、線形判別による
音韻識別方法や、ＬＶＱなどの方法にて設計した標準パ
ターンを用いた音韻識別方法などが適用可能である。

［発明の効果］ 以上のように、この発明によれば、入力された音声から
予め設定された音韻グループごとの位置または区間を検
出するとともに、予め設定された音韻グループ内の音韻
を識別するようにしたので、従来のようにセグメンテー
ション誤りによる音韻の誤認識や音韻スボッティングに
よる音韻境界における音韻の誤認識や挿入誤りを解決す
ることができ、音韻認識の高性能化を図ることができる
。

【図面の簡単な説明】

第１図はこの発明の一実施例が適用される音声認識装置
の全体の構成を示すブロック図である。 第２図はこの発明の一実施例による音韻グループごとに
区間を検出する手順を示す図である。第３図はスペクト
ログラムの一例を示す図である。第４図は音声認識結果
を示す図である。第５図は時間遅れニューラルネットを
用いて音声認忠する一例を示す図である。 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　株式会社エイ・テイ・アール自動補正の対
象 平成１年８月２日 図面の第４図

Claims (4)

【特許請求の範囲】
1. （１）入力された音声を認識する音声認識装置において
   、 前記入力された音声から予め設定された音韻グループご
   との位置またはパターンを検出する検出手段と、 前記入力された音声から予め設定された音韻グループ内
   の音韻を識別する識別手段とを備え、前記検出手段によ
   って検出された音韻グループごとの位置または区間と、
   前記識別手段によって識別された音韻とに基づいて音声
   認識を行なうようにしたことを特徴とする、音声認識装
   置。
2. （２）前記検出手段は、前記入力された音声の或る周波
   数帯域におけるパワーの大きさと、或る周波数帯域にお
   けるパワーの変化量と、或る周波数帯域におけるスペク
   トルの変化量と、或る周波数帯域と他の或る周波数帯域
   とにおけるパワーの比とに基づいて、音韻グループごと
   の位置または区間を検出するようにしたことを特徴とす
   る、請求項１項記載の音声認識装置。
3. （３）前記識別手段は、予め設定された音韻グループ内
   の音韻を識別するように設計された統計的な手法を用い
   ることを特徴とする、請求項１項記載の音声認識装置。
4. （４）前記検出手段によって予め設定された音韻グルー
   プごとの位置または区間を検出した後に、前記識別手段
   によって予め設定された音韻グループ内の音韻を識別す
   るようにしたことを特徴とする、請求項１項記載の音声
   認識装置。