JPH0241760B2 - - Google Patents
Info
- Publication number
- JPH0241760B2 JPH0241760B2 JP57009267A JP926782A JPH0241760B2 JP H0241760 B2 JPH0241760 B2 JP H0241760B2 JP 57009267 A JP57009267 A JP 57009267A JP 926782 A JP926782 A JP 926782A JP H0241760 B2 JPH0241760 B2 JP H0241760B2
- Authority
- JP
- Japan
- Prior art keywords
- power
- distance
- speech
- standard pattern
- difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Description
【発明の詳細な説明】
この発明は入力音声の特徴量の時系列と、対応
する標準の時系列との間の類似度を、これらの時
系列の要素間の距離を計算することに基づき求め
る音声認識装置に関するものである。
する標準の時系列との間の類似度を、これらの時
系列の要素間の距離を計算することに基づき求め
る音声認識装置に関するものである。
従来の音声認識装置では、入力音声の特徴量の
時系列Ａ＝a1，a2…alと標準の時系列Ｂ＝b1，b2，
…bnとに対し、その要素aiとbjとの間の距離尺度
を、各要素における全パワーを一定に正規化した
スペクトルを用いて求めていた。このためaiが母
音でbjが子音というような音声パワーが極端に異
なる要素間でも距離がかなり小さくなるというこ
とが起り得るという欠点があつた。音声認識にお
いては一つの標準パタンを用いてなるべく多くの
人の音声を認識できることが望ましいが、従来の
方法の場合は、個人差の影響の出やすいスペクト
ルに基づいた距離を用いていたため母音と子音の
誤認識等の誤りが起りやすく、特に入力音声が標
準パタンと同一の話者のものでない場合には認識
率の大幅な低下が見られた。
時系列Ａ＝a1，a2…alと標準の時系列Ｂ＝b1，b2，
…bnとに対し、その要素aiとbjとの間の距離尺度
を、各要素における全パワーを一定に正規化した
スペクトルを用いて求めていた。このためaiが母
音でbjが子音というような音声パワーが極端に異
なる要素間でも距離がかなり小さくなるというこ
とが起り得るという欠点があつた。音声認識にお
いては一つの標準パタンを用いてなるべく多くの
人の音声を認識できることが望ましいが、従来の
方法の場合は、個人差の影響の出やすいスペクト
ルに基づいた距離を用いていたため母音と子音の
誤認識等の誤りが起りやすく、特に入力音声が標
準パタンと同一の話者のものでない場合には認識
率の大幅な低下が見られた。
また要素間の距離尺度としては、スペクトル距
離とパワー距離とを組合せ使用したものが知られ
ている。これは例えば電子通信学会論文誌Vol.
J64−A.No.5.P.409〜416（昭和56年５月25日）、特
にその411頁２，3WeightedLiklihoodRatioの項
に示されているように、スペクトル距離とパワー
距離とを同一重みとし、かつその重みは固定とし
たものである。この距離尺度はこのようにパワー
距離の重み付けが固定であるため、音声強度の発
声毎のばらつき、Ｓ／Ｎ比の差異によるパワーパ
タンの変形、音声切出しミス、無声化等の影響が
あり、パワー重み付因子の影響が強すぎるとかえ
つてミスマツチングを起す可能性がある。
離とパワー距離とを組合せ使用したものが知られ
ている。これは例えば電子通信学会論文誌Vol.
J64−A.No.5.P.409〜416（昭和56年５月25日）、特
にその411頁２，3WeightedLiklihoodRatioの項
に示されているように、スペクトル距離とパワー
距離とを同一重みとし、かつその重みは固定とし
たものである。この距離尺度はこのようにパワー
距離の重み付けが固定であるため、音声強度の発
声毎のばらつき、Ｓ／Ｎ比の差異によるパワーパ
タンの変形、音声切出しミス、無声化等の影響が
あり、パワー重み付因子の影響が強すぎるとかえ
つてミスマツチングを起す可能性がある。
この発明はスペクトル情報と個人差の少ないパ
ワー情報とを併用した音声時系列の要素間マツチ
ング距離尺度を用いることにより、不特定話者の
音声に対しても従来の方法に比べより正確に音声
認識ができるようにしたもので、以下図面につい
て詳細に説明する。
ワー情報とを併用した音声時系列の要素間マツチ
ング距離尺度を用いることにより、不特定話者の
音声に対しても従来の方法に比べより正確に音声
認識ができるようにしたもので、以下図面につい
て詳細に説明する。
第１図はこの発明の実施例を示し、入力端子１
に加えられた音声信号はAD変換及び音声切り出
し部２においてデイジタル化されたあと音声部分
のみが切り出され、自己相関分析部３において一
定時間ごとに正規化パワーと自己相関係数とが計
算される。正規化パワーの例としては最大値を１
に最小値を０に正規化した対数パワーを用いる。
スペクトル計算部４においてはスペクトル計算に
必要なパラメータを抽出し、スペクトル距離計算
部６では入力音声と、標準パタン記憶部５に記憶
されている標準パタンとの要素間のスペクトル距
離が計算される。標準パタンではパワーは単語ご
とに最大を１、最小を０に対数パワーを正規化し
てある。スペクトル距離の例としてはWLR尺度
（杉山、鹿野“ピークに重みをおいたLPCスペク
トルマツチング尺度”、電子通信学会論文誌、
Vol.J64−Ａ，No.５，PP409−416，1981を用いる
ことができる。
に加えられた音声信号はAD変換及び音声切り出
し部２においてデイジタル化されたあと音声部分
のみが切り出され、自己相関分析部３において一
定時間ごとに正規化パワーと自己相関係数とが計
算される。正規化パワーの例としては最大値を１
に最小値を０に正規化した対数パワーを用いる。
スペクトル計算部４においてはスペクトル計算に
必要なパラメータを抽出し、スペクトル距離計算
部６では入力音声と、標準パタン記憶部５に記憶
されている標準パタンとの要素間のスペクトル距
離が計算される。標準パタンではパワーは単語ご
とに最大を１、最小を０に対数パワーを正規化し
てある。スペクトル距離の例としてはWLR尺度
（杉山、鹿野“ピークに重みをおいたLPCスペク
トルマツチング尺度”、電子通信学会論文誌、
Vol.J64−Ａ，No.５，PP409−416，1981を用いる
ことができる。
更にパワー距離計算部７において入力音声と標
準パタンとの要素間のパワー距離が計算される。
距離計算部８において計算部６，７で得られたス
ペクトル距離とパワー距離とから成る要素間距離
が計算される。この距離の例として、 Ｄ＝WLR＋6.0（Ｐ＄ −P*）2 (1) Ｄ＝WLR・（１＋4.0（Ｐ＄ −P*）2）2 (2) が挙げられる。こゝでＰ＄ ，P*は正規化したパ
ワーでＰ＄ は入力音声、P*は標準パタンの各パ
ワーである。WLRはWLRスペクトルマツチング
距離を表わす。WLR尺度は低域重み付けを行な
つた方が良好な効果が表われるので、低域重み付
けをスペクトル計算部４において行なう、（鹿野、
杉山“WLR尺度により大語い単語音声認識実験”
音響学会春季大会論文集３−１−19，1981.）。
準パタンとの要素間のパワー距離が計算される。
距離計算部８において計算部６，７で得られたス
ペクトル距離とパワー距離とから成る要素間距離
が計算される。この距離の例として、 Ｄ＝WLR＋6.0（Ｐ＄ −P*）2 (1) Ｄ＝WLR・（１＋4.0（Ｐ＄ −P*）2）2 (2) が挙げられる。こゝでＰ＄ ，P*は正規化したパ
ワーでＰ＄ は入力音声、P*は標準パタンの各パ
ワーである。WLRはWLRスペクトルマツチング
距離を表わす。WLR尺度は低域重み付けを行な
つた方が良好な効果が表われるので、低域重み付
けをスペクトル計算部４において行なう、（鹿野、
杉山“WLR尺度により大語い単語音声認識実験”
音響学会春季大会論文集３−１−19，1981.）。
(1)式又は(2)式により求めた要素間距離を用いて
時間正規化マツチング部９において時間正規化マ
ツチングを行なう（例えば、鹿野“大語い単語音
声認識におけるLPCスペクトル・マツチング尺
度の評価、“音響学会・音声研究会資料S80−60，
1980）、この結果得られた入力音声と標準パタン
との類似度を１つの入力音声についていくつかの
標準パタンに対して算出し、類似度比較部１０に
おいてそれらを比較し、最も類似度の良いものを
認識結果出力端子１１に出力する。
時間正規化マツチング部９において時間正規化マ
ツチングを行なう（例えば、鹿野“大語い単語音
声認識におけるLPCスペクトル・マツチング尺
度の評価、“音響学会・音声研究会資料S80−60，
1980）、この結果得られた入力音声と標準パタン
との類似度を１つの入力音声についていくつかの
標準パタンに対して算出し、類似度比較部１０に
おいてそれらを比較し、最も類似度の良いものを
認識結果出力端子１１に出力する。
所で音声パワーの時系列パタンは母音部では高
く、子音部では低いという基本的な性質があり、
この性質は話者が異なつても不変である。第２図
は４人の話者がそれぞれ２回ずつ発声した
「Sapporo」という単語のパワーパタンである。
この第２図において対数パワーパタンを最大値と
最小値とが一定になるように正規化したものであ
る。この第２図から理解されるようにパワーパタ
ンは話者が変つてもあまり差異がない。従つてこ
の発明のようにパワーの時系列パタンについても
入力音声と標準音声とのマツチングをとり、これ
をも考慮すれば認識率がよくなることが理解され
よう。
く、子音部では低いという基本的な性質があり、
この性質は話者が異なつても不変である。第２図
は４人の話者がそれぞれ２回ずつ発声した
「Sapporo」という単語のパワーパタンである。
この第２図において対数パワーパタンを最大値と
最小値とが一定になるように正規化したものであ
る。この第２図から理解されるようにパワーパタ
ンは話者が変つてもあまり差異がない。従つてこ
の発明のようにパワーの時系列パタンについても
入力音声と標準音声とのマツチングをとり、これ
をも考慮すれば認識率がよくなることが理解され
よう。
パワーの時系列パタンについても入力音声と標
準音声とを比較する場合に、対数最大値max
（logp（ｔ））を一定値AL、例えば１、対数最小値
min（logp（ｔ））を一定値IL、例えば０に正規化
した時、１つの単語のパワーパタンｐ（ｔ）の正
規化パタンＰ（ｔ）は次式で与えられる。
準音声とを比較する場合に、対数最大値max
（logp（ｔ））を一定値AL、例えば１、対数最小値
min（logp（ｔ））を一定値IL、例えば０に正規化
した時、１つの単語のパワーパタンｐ（ｔ）の正
規化パタンＰ（ｔ）は次式で与えられる。
Ｐ（ｔ）＝log（ｐ（ｔ））−IL／AL−IL
このように正規化することにより、音声と背景
雑音の強度比が変つても無声部を同一の値にする
ことができ（無声部に背景雑音が入る）、また対
数関数の性質から、パワー強度の大きい部分は圧
縮率が高いため、母音部はすべてほゞ１に近い値
をとり、更に対数関数の性質から最大パワーの変
動に対しパワーパタンの変形が少ないものとな
る。
雑音の強度比が変つても無声部を同一の値にする
ことができ（無声部に背景雑音が入る）、また対
数関数の性質から、パワー強度の大きい部分は圧
縮率が高いため、母音部はすべてほゞ１に近い値
をとり、更に対数関数の性質から最大パワーの変
動に対しパワーパタンの変形が少ないものとな
る。
641都市名音声データについて、パワーパタン
を前述のように正規化し、同一単語のパワーの平
均距離と、異単語間のパワーの平均距離とを従来
の時間正規化マツチング法により求めた結果、同
一話者内では同一単語同志の距離が0.0374、（最
大は１、最小は０）であるが、異単語間の距離は
0.1451と大きく、また異話者間では同一単語間の
距離は0.0530であつて同一話者内の異単語間距離
よりも小さく、かつ異単語間では0.147と同一話
者内の異単語距離と同程度に大きくなつている。
このことからこの発明によりパワー時系列パタン
をも参照することは複数の話者からの音声認識に
おいて認識を向上できることがわかる。
を前述のように正規化し、同一単語のパワーの平
均距離と、異単語間のパワーの平均距離とを従来
の時間正規化マツチング法により求めた結果、同
一話者内では同一単語同志の距離が0.0374、（最
大は１、最小は０）であるが、異単語間の距離は
0.1451と大きく、また異話者間では同一単語間の
距離は0.0530であつて同一話者内の異単語間距離
よりも小さく、かつ異単語間では0.147と同一話
者内の異単語距離と同程度に大きくなつている。
このことからこの発明によりパワー時系列パタン
をも参照することは複数の話者からの音声認識に
おいて認識を向上できることがわかる。
従つて入力音声フレームｉと標準パタンフレー
ムｊとのスペクトルマツチング距離Ds（ｉ，ｊ）
と、パワー距離Dp（ｉ，ｊ）とを用い、これら音
声フレーム間の距離Ｄ（ｉ，ｊ）を次式で与え、 Ｄ（ｉ，ｊ）＝Ｆ（Ds（ｉ，ｊ），Dp（ｉ，ｊ） ∂D／∂Ds≧０ ∂D／∂Dp≧０ たゞし、Ds≧０、Dp≧０ この距離Ｄ（ｉ，ｊ）を用いて音声フレーム系
列同志の時間正規化マツチングを行えばスペクト
ルとパワーレベルとの両方が共に類似した部分が
マツチングし、母音と子音とのマツチングを避け
ることができる。関数Ｆとして最も簡単な形式の
ものは Ｄ（ｉ，ｊ）＝Ds（ｉ，ｊ）＋Dp（ｉ，ｊ） Ｄ（ｉ，ｊ）＝Ds（ｉ，ｊ）・Dp（ｉ，ｊ） の２通りが考えられる。この場合、この発明では
音声強度の発声毎のばらつき、Ｓ／Ｎ比の差によ
るパワーパタンの変形、音声切出しミスなどの影
響を避けるために、Ds（ｉ，ｊ）としてはパワー
成分を除いた従来のスペクトルマツチング距離を
用い、またパワーパタンは常にばらつきを伴つて
いることを考慮すると、Dp（ｉ，ｊ）は入力音声
と標準パタンとのパワー差が小さい場合にはパワ
ー差に対する感度が純く、ある程度以上大きい差
がある場合に感度が鋭くなるような関数とする。
このような関数のうち最も簡単なものとして二乗
関数を(1)，(2)式に示したように用いることができ
る。
ムｊとのスペクトルマツチング距離Ds（ｉ，ｊ）
と、パワー距離Dp（ｉ，ｊ）とを用い、これら音
声フレーム間の距離Ｄ（ｉ，ｊ）を次式で与え、 Ｄ（ｉ，ｊ）＝Ｆ（Ds（ｉ，ｊ），Dp（ｉ，ｊ） ∂D／∂Ds≧０ ∂D／∂Dp≧０ たゞし、Ds≧０、Dp≧０ この距離Ｄ（ｉ，ｊ）を用いて音声フレーム系
列同志の時間正規化マツチングを行えばスペクト
ルとパワーレベルとの両方が共に類似した部分が
マツチングし、母音と子音とのマツチングを避け
ることができる。関数Ｆとして最も簡単な形式の
ものは Ｄ（ｉ，ｊ）＝Ds（ｉ，ｊ）＋Dp（ｉ，ｊ） Ｄ（ｉ，ｊ）＝Ds（ｉ，ｊ）・Dp（ｉ，ｊ） の２通りが考えられる。この場合、この発明では
音声強度の発声毎のばらつき、Ｓ／Ｎ比の差によ
るパワーパタンの変形、音声切出しミスなどの影
響を避けるために、Ds（ｉ，ｊ）としてはパワー
成分を除いた従来のスペクトルマツチング距離を
用い、またパワーパタンは常にばらつきを伴つて
いることを考慮すると、Dp（ｉ，ｊ）は入力音声
と標準パタンとのパワー差が小さい場合にはパワ
ー差に対する感度が純く、ある程度以上大きい差
がある場合に感度が鋭くなるような関数とする。
このような関数のうち最も簡単なものとして二乗
関数を(1)，(2)式に示したように用いることができ
る。
Ds（ｉ，ｊ）としてケプストラム距離WLR尺
度を用いた場合に、これに対してパワー距離Dp
（ｉ，ｊ）の重み付けの最適値を、100の都市名デ
ータについて同一話者内、異話者間のフレーム間
マツチング距離を、 D2＝WLR＋ａ（Ｐ＄ −P*）2 D2＝WLR・（１＋ａ（Ｐ＄ −P*）2）2 とし、これらについて係数ａを変化させて認識率
と誤差率の変化を調べ、(1)，(2)式に示したように
最適係数ａ＝0.0，ａ＝4.0をそれぞれ求めた。
度を用いた場合に、これに対してパワー距離Dp
（ｉ，ｊ）の重み付けの最適値を、100の都市名デ
ータについて同一話者内、異話者間のフレーム間
マツチング距離を、 D2＝WLR＋ａ（Ｐ＄ −P*）2 D2＝WLR・（１＋ａ（Ｐ＄ −P*）2）2 とし、これらについて係数ａを変化させて認識率
と誤差率の変化を調べ、(1)，(2)式に示したように
最適係数ａ＝0.0，ａ＝4.0をそれぞれ求めた。
前記(1)，(2)式を用いて641都市名について大語
い単語音声認識実験を行い、従来のスペクトル距
離のみを用いたものと比較した。この結果、(1)，
(2)式間では１位認識率に実質的な差はなかつた。
(1)，(2)式を用いた場合、従来法と比べ、同一話者
内での認識はほゞ同程度の結果となつたが、異話
者間では82.4％が88.0％と大幅に認識率が改善さ
れ、この発明が優れれたものであることが確認さ
れた。
い単語音声認識実験を行い、従来のスペクトル距
離のみを用いたものと比較した。この結果、(1)，
(2)式間では１位認識率に実質的な差はなかつた。
(1)，(2)式を用いた場合、従来法と比べ、同一話者
内での認識はほゞ同程度の結果となつたが、異話
者間では82.4％が88.0％と大幅に認識率が改善さ
れ、この発明が優れれたものであることが確認さ
れた。
以上発明したようにこの発明によれば、パワー
距離とスペクトル距離から成る距離を用いて入力
音声と標準パタンとのマツチングを行なうため、
入力音声と異なる内容の標準パタンではパワーの
時系列パタンが互いに異なり、類似度が悪くな
る。このためスペクトル距離のみでは認識誤りを
生じやすい多数話者音声認識において認識能力を
向上できるという利点がある。更にこの発明では
パワー距離を、パワー差に応じて感度を変化させ
て加味した要素間にマツチング距離を用いている
ため音声強度の発声毎のばらつき、Ｓ／Ｎ比の差
異によるパワーパタンの変形、音声切出しミスな
どに影響されない。
距離とスペクトル距離から成る距離を用いて入力
音声と標準パタンとのマツチングを行なうため、
入力音声と異なる内容の標準パタンではパワーの
時系列パタンが互いに異なり、類似度が悪くな
る。このためスペクトル距離のみでは認識誤りを
生じやすい多数話者音声認識において認識能力を
向上できるという利点がある。更にこの発明では
パワー距離を、パワー差に応じて感度を変化させ
て加味した要素間にマツチング距離を用いている
ため音声強度の発声毎のばらつき、Ｓ／Ｎ比の差
異によるパワーパタンの変形、音声切出しミスな
どに影響されない。
第１図はこの発明による音声認識装置の概念を
示すブロツク図、第２図は「Sapporo」の音声パ
ワー時系列パタンを示す図である。 １：音声入力端子、２：Ａ／Ｄ変換・音声切出
し部、３：自己相関分析部、４：スペクトル計算
部、５：標準パタン記憶部、６：スペクトル距離
計算部、７：パワー距離計算部、８：距離計算
部、９：時間正規化マツチング部、１０：類似度
比較部、１１：認識結果出力部。
示すブロツク図、第２図は「Sapporo」の音声パ
ワー時系列パタンを示す図である。 １：音声入力端子、２：Ａ／Ｄ変換・音声切出
し部、３：自己相関分析部、４：スペクトル計算
部、５：標準パタン記憶部、６：スペクトル距離
計算部、７：パワー距離計算部、８：距離計算
部、９：時間正規化マツチング部、１０：類似度
比較部、１１：認識結果出力部。
Claims (1)
- １ 入力音声と標準パタン音声のそれぞれの特徴
量時系列の要素間のスペクトル距離Dsを求める
手段と、入力音声と標準パタン音声について各々
の最大値と最小値がそれぞれ一定値になるように
正規化を行なつた音声パワーを用いて入力音声と
標準パタンのパワー差を求める手段と、これら
Dsとパワー差に対する重み付けを変え、かつ上
記パワー差が所定値よりも小さい場合はパワー差
に対する感度が鈍く、所定値よりも大きい場合は
感度が鋭くなるような関数を用いて上記Dsとパ
ワー差とから要素間マツチング距離を求める手段
と、その要素間マツチング距離を用いて、入力音
声と標準パタン音声との類似度を時間正規化マツ
チングによつて計算する手段を有する音声認識装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP926782A JPS58126600A (ja) | 1982-01-22 | 1982-01-22 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP926782A JPS58126600A (ja) | 1982-01-22 | 1982-01-22 | 音声認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS58126600A JPS58126600A (ja) | 1983-07-28 |
| JPH0241760B2 true JPH0241760B2 (ja) | 1990-09-19 |
Family
ID=11715663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP926782A Granted JPS58126600A (ja) | 1982-01-22 | 1982-01-22 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS58126600A (ja) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6032195B2 (ja) * | 1980-04-11 | 1985-07-26 | 松下電器産業株式会社 | 語学練習機 |
-
1982
- 1982-01-22 JP JP926782A patent/JPS58126600A/ja active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPS58126600A (ja) | 1983-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | CASA-based robust speaker identification | |
| US20110218803A1 (en) | Method and system for assessing intelligibility of speech represented by a speech signal | |
| WO2014153800A1 (zh) | 语音识别系统 | |
| JP2745535B2 (ja) | 音声認識装置 | |
| JP2001166789A (ja) | 初頭／末尾の音素類似度ベクトルによる中国語の音声認識方法及びその装置 | |
| CN109272996B (zh) | 一种降噪方法及系统 | |
| JPH0797279B2 (ja) | 音声認識装置 | |
| JPS63158596A (ja) | 音韻類似度計算装置 | |
| Upadhyay et al. | Analysis of different classifier using feature extraction in speaker identification and verification under adverse acoustic condition for different scenario | |
| JPH0449952B2 (ja) | ||
| Abka et al. | Speech recognition features: Comparison studies on robustness against environmental distortions | |
| JP2834471B2 (ja) | 発音評価法 | |
| Zergat et al. | Robust support vector machines for speaker verification task | |
| JP2006078654A (ja) | 音声認証装置及び方法並びにプログラム | |
| JPH07210197A (ja) | 話者識別方法 | |
| Marković et al. | The LPCC-DTW analysis for whispered speech recognition | |
| Kyriakides et al. | Isolated word endpoint detection using time-frequency variance kernels | |
| JPH0426479B2 (ja) | ||
| JPH034918B2 (ja) | ||
| Pradhan et al. | Significance of speaker information in wideband speech | |
| Jing et al. | Auditory-modeling inspired methods of feature extraction for robust automatic speech recognition | |
| JPS58126600A (ja) | 音声認識装置 | |
| JP2864506B2 (ja) | パターンマッチング回路 | |
| JPS61141500A (ja) | 単語音声認識装置 | |
| Lienard | Speech characterization from a rough spectral analysis |