JPH02273797A - 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認識することで
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５会論文誌７３／１１　Ｖｏｌ、５
６−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微量を抽出する。

■予め上記■と同様にして抽出しておいた標準パターン
と上記■で抽出した特微量との距離を計算する。

■話者同定の場合は、上記距離が最小の標準パターンの
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、距離がその値よりも小
さしλ場合にもよ、入力音声（よする。

この時、特公昭５６−１３９５６号公報で（よ、上言己
特微量として、入力音声から算出したスペクトルレノベ
ラメータ間の相関、各〕＜ラメータの平均値及び標準偏
差を用いることとしてし）る。

［発明が解決しようとする課題］ 然しながら、上記従来の話者１忍識方式で（よ、以下の
問題点かある。

■標準パターン作成時から時間カイ経過するにつれ、認
識率が劣化する。例え（よ文献１に言己載の実験結果に
あっては、標準ノベターン作成時力）ら３ケ月経過によ
り、話者同定率（よ１００％００％力５％ｔこ劣化し、
話者照合率は９９％力）ら９１％に劣イヒする。

■実時間処理が困難である。　！ｆｌち、従来の話者認
識方式において一定以上のｌ８識率を確保するためには
複雑な特微量を用し＼る必要カイあるカイ、複雑な特微
量を抽出するには複雑な処理装置カイ必要であり、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掻めて少なく、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、音声の平均
的なＰＡＲＣＯＲ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
ＰＡＲＣＯＲ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
クか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、ＰＡＲＣＯＲ係数（偏自己相関係数）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、＝−Σα１χ、−１　・・・（１）
線形予測誤差　ε、＝え、〜　えｔ　　　”（２）ここ
で、χを二時刻しにおける音声波形のサンプル値、（Ｃ
Ｉｔ）（’ｉ＝１．・・・、ｐ）：　（ｐ次の）線形予
測係数 さて、本発明、の実施においては１、線形予測誤差ε、
の２乗平均値か最小となるように線形予測係数（α１）
を求める。

具体的には　（ε　）ｇを求め、その時間平均な（ｔ　
ｔ）”　と表わシテ、ａ（εｔ）”　／　ａ　ａ　ｒ　
二〇ｒ　ｉ＝１．２．・・・、ｐとおくことによって、
次の式から（αｉ）が求められる。

？：、、ｉｌ！　＋Ｖ１ｉ−１＝Ｏ＋　Ｊ＝１　＋　２
　＋　”・＊　　ｐ＝・（３）ここで、［ｋｎ］　（ｎ
　＝１．−−一・、ｐ）を（ｐ次の）　ＰＡＲＣＯＲ係
数（偏自己相関係数）とする時、ＰＡＲＣＯＲ係数ｋ。

、ｌは、線形予測による前向き残差εｔ１′）と後向き
残差εｔ−（ｎ＋１）　Ｃｂ’間の正規化相関係数とし
て、次の式によって定義される。

・・・　（４） ここで−ε％ｆ）＝　χｔ−Σ　（２＋Ｘｔ−＋（αム
）　：前向き予測係数、 ε　ｔ−（ｎ◆目　　　２　χ　ｔ−（ｎ奉１）　−Σ
　β　ノ・χ　ｔ−ｊ　　、（βｊ）：後向き予測係数 ［作用コ 請求項１に記載の本発明によれば以下の■〜■の作用効
果かある。

■経時的な認識率の劣化か極めて少ない。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か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ＦＡＩ’ＩＣＯＲ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、演算処理か迅速である。

■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ＰＡＲ（：ＰＲ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］ 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・）トワークは、第４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→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、−ａ的には第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、、ＭｃＣｌｅｌｌａｎｄ、　Ｊ、
Ｌ、　”ａｎｄ　ｔｈｅＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇ
ｒｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢＵＴＥ
ＤＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒｅｓ
ｓ、　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、ＰＡＲＣＯＲ分析部１
０、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０〜３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（ｐ個）（この
実施例ではＰ　＝　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偏相関分析し、各ブロ
ック毎の平均的なＰＡＲＣＯＲ係数を算出する。

この時、ＰＡＲＣＯＲ分析部１０分析用１０である９次
のＰＡＲＣＯＲ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ＰＡＲＣＯＲ分析部１０
分析用１０路１５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２１は、前処理の４ブロツク、ｐ個に対応する、４
Ｘｐ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Ｎ４２２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２０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ｒＯＪ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極めて少な
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、ＰＡＲＣＯＲ係数の時間的変化を用いる
ことなく、単に、「音声の平均的なＰＡＲＣＯＲ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
掻めて少なく、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・・・ＰＡＲＣＯＲ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、 ３１・・・同定認識部、 ３２・・・照合認識部。 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 第４図 ↑ 入力パターン ユニット

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ＰＡＲＣＯＲ係数
   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身的なＰＡＲＣＯＲ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。