JPH02273796A - 話者認識方式 - 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］ 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者を１忍識すること
であり、話者同定と話者照合の２つの形態がある。

話者同定とは入力音声が登録話者のうちの言佳の声であ
るかを判定することであり、話者照合と（よ入力音声が
登録話者の声であると見なせる力）歪力）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、１１　子３ｍ　信学会論文誌７３／１１　Ｖｏ
ｌ、５６−ＡＮｏ、１１　　（文献１）に記載される如
く、以下の手Ｉ’ｌｌによる。

■入力音声に含まれる話者に関する才寺徴【を抽出する
。

■予め上記■と同様にして抽出しておし＼た標準パター
ンと上記■で抽出した特徴量との距離を言十算する。

■話者同定の場合は、上記距離カイ最ｚｌＸの標準ノ＼
ターンの話者を入力音声の話者とヤ１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、距離がその
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号公報では、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。

［発明が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
点がある。

■標準パターン作成時から時間が経過するにつれ、認識
率が劣化する。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。

■実時間処理が困難である。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
は複雑な処理装置か必要であり、処理時間も多大となる
。

本発明は、経時的な認識率の劣化が極めて少なく、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。

［課運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、音声の平均
的な線形予測係数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
線形予測係数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。

尚、線形予測係数（ＬＰＣ係数）は以下の如く定義され
る。即ち、音声波形のサンプル値（χ。）の間には、一
般に高い近接相関があることが知られている。そこで次
のような線形予測が可能であると仮定する。

線形予測値　　χし＝−Σα直χｔ−１・・・（１）線
形予測誤差　ε、＝χ乞−χＬ　　・・・（２）ここで
、χＬ＝時刻ｔにおける音声波形のサンプル値、（α五
）（１＝１．・・・、ｐ）＝　（９次の）線形予測係数 さて、本発明の実施においては、線形予測誤差ε□の２
乗平均値が最小となるように線形予測係数（αｉ）を求
める。

具体的には　（ｅｔ）２を求め、その時間平均を（ｅｔ
）”　と表わして、ａ　（εｔａ”　／　ａ　ａ　ｌ＝
０．　ｉ＝１．２．・・・、ｐとおくことによって、次
の式から（αｌ）が求められる。

ΣＱ　１ｖｌｌ−ｊｌ　　＝Ｑ、Ｊ＝１　　＋　　２　
　＋　　””＋　　ｐ　　”’　（：］）［作用］ 請求項１に記載の本発明によれば以下の■〜■作用効果
がある。

■経時的な認識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か、
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が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、「音声の平
均的な線形予測係数」を用いたから、入力を得るための
前処理が、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が短くて足りる。

■ニューラルネットワークは、原理的に、ネットワーク
全体の演算処理が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線形予測係数の時間的変化」
を用いたから、ニューラルネットワークにおける処理が
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ては、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）が確立されており、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。

［実施例コ 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
ニューラルネットワークを示す模式図、第４図は階層的
なニューラルネットワークを示す模式図、第５図はユニ
ットの構造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３
図（Ａ）に示す階層的ネットワークと第３図（Ｂ）に示
す相互結合ネットワークの２種に大別できる０本発明は
、両ネットワークのいずれを用いて構成するものであっ
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４図に示す如く、人力層、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→中間層→出力層という前向きの結合だけで、各層内
での結合はない。

（３）ユニットの構造 ユニットは第５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、−殻内には第５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、、Ｍｃ（：１ｅｌｌａｎｄ、　Ｊ
、Ｌ、　ａｎｄ　ｔｈｅＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇ
ｒｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢＵＴＥ
ＤＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＩＡＩＴ　Ｐｒｅ
ｓｓ、　１９８Ｂ、　（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、ＬＰＣ分析部１０、平
均化回路１５、ニューラルネットワーク２０、判定回路
３ｏの結合にて構成される（第１図参照）。

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

（Ｂ）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２
７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、ＬＰＧ分析部１０に
通し、複数（９個）（この実施例ではρ＝１２）の標本
値のそれぞれにおける、各ブロック即ち各一定時間毎に
線形予測分析し、各ブロック毎の平均的な線形予測係数
を算出する。

この時、ＬＰＧ分析部１ｏの算出結果である９次の線形
予測係数は、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定 ■前処理の結果（ブロック毎のＬＰＧ分析部１０、平均
化回路工５の出力）を、第１図に示す如く、３層の階層
的なニューラルネットワーク２０に入力する。入力層２
１は、前処理の４プロ・ンク、９個に対応する、４Ｘｐ
ユニツト（この実施例ではｐ＝１２．４８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ユニツトにて構成さ
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ＪＷ２２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
３２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２ｏの出力は判定回路３０の如くにて
機械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
ても良い。

■前述した学習アルゴリズムのパ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３０．０００回学習させ、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ットが「１」、その他が「０」と
なるように学習した。

（Ｅ）実験 上記認識システム１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「タタイマ」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か極めて少な
いことが認められた。

（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ｆ）めて少
ないことが認められた。

（ｃ）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。

尚、本発明の実施において、ニューラルネットワークへ
の入力として、線形予測係数の時間的変化を用いるもの
でなく、単に、「音声の平均的な線形予測係数」を用い
るものであっても良い。

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

【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
ニューラルネットワークを示す模式図、第４図は階層的
なニューラルネットワークを示す模式図、第５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・・・ＬＰＧ分析部、 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、 １・・・同定認識部、 ２・・・照合認識部。

Claims (3)

【特許請求の範囲】
1. （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、音声の平均的な線形予測係数の時
   間的変化を用いる話者認識方式。
2. （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線形予測係数の時間的
   変化を用いる請求項１記載の話者認識方式。
3. （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。