JPH02273799A - 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Ｉ’ｌｌによる。

■入力音声に含まれる話者に関する特徴量を抽出する。

■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、高域強調を
施された音声波形の平均的な周波数特性を用いるように
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、高域強調を施された音声波形の一定
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
るようにしだものである。

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、高域強調とは、音声波形のスペクトルの平均的な傾
きを補償して、低域にエネルギが集中すことを防止する
ことである。

［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、「高域強調
を施された音声波形の平均的な周波数特性」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。

即ち、音声波形のスペクトルの平均的な傾きは話者に共
通のものであり、話者の認識には無関係である。ところ
が、このスペクトルの平均的な傾きが補償されていない
音声波形をそのままニューラルネットワークへ入力する
場合には、ニューラルネットワークが学習する時にスペ
クトルの平均的な傾きの特徴の方を抽出してしまい、話
者の認識に必要なスペクトルの山と谷を抽出するのに時
間がかかる。これに対し、ニューラルネットワークへの
入力を高域強調する場合には、話者に共通で、認識には
無関係でありながら、学習に影響を及ぼすスペクトルの
平均的な傾きを補償できるため、学習速度が速くなるの
である。

■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、ｒ高域強調
を施された音声波形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が単純となり、この処理に要する時
間かより短くて足りる。

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。

■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
バンド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。

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種に大別てきる。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
ても良いか、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→中間層→出力層という前向きの結合だけで、各層内
ての結合はない。

（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、−殻内・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チャンネルの高域強
調部１０Ａ、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、高域強調フィルタか
らなる高域強調部１０Ａに通して高域強調を施す。

次に、上記高域強調後の音声波形を、複数（ｎ個）（こ
の実施例ではｎ＝８）チャンネルのバンドパスフィルタ
１０に通し、各ブロック即ち各−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、バンドパスフィルター０の出力は各ブロック毎
に平均化回路１５で平均化される。

尚、本発明の高域強調操作は、上述の如くバンドパスフ
ィルター０への入力前でなく、バンドパスフィルターｏ
からの出力後に施すものであっても良い。

（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（ブロック毎のバンドパスフィルタ１０
、平均化回路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、ｎチャンネルに対応
する、４Ｘｎユニツト（この実施例ではｎ＝８．３２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
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１ｏ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掻めて少な
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にありては、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橿めて少ない。

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、高域強調を施された音声波形の一定時間
内における平均的な周波数特性の時間的変化を用いるも
のでなく、単に「高域強調を施された音声波形の平均的
な周波数特性」を用いるものであっても良い。

［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
バンド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図は階層的な二
二一ラルネットヮー第６図はユニットの構造を示す りを示す模式図、 模式図である。 １・・・認識システム、 １０Ａ・・・高域強調部、 １０・・・バンドパスフィルタ、 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。 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 築３図 （Ａ） （Ｂ） （Ｃ） （Ｄ） 第４図 第５図 デ 入カバターン 第６図 ユニソト

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、高域強調を施された音声波形の平
   均的な周波数特性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、高
   域強調を施された音声波形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. （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。