JPH027000A - パターン照合方式 - 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】 １敗１釈 本発明は、パターン照合方式、より詳細には。

音声認識装置等における予備的なパターン照合方式に関
する。

又来援４ 音声認識方式の主流はパターンマツチングである。パタ
ーンマツチングでは非線形伸縮と線形伸縮があるが、前
者が演算量が多く、後者は演算量は少ない。しかしなが
ら、後者の方はパターン長が必要なため音声が入力し終
った時点で計算がスタートするのに対し、前者では音声
の始端の検出と共に演算がスタートできるメリットがあ
る。そこで線形伸縮の場合、音声パターンの冒頭の一部
が検出された時、その部分を使って冒頭が類似した標準
パターンを選出しておき、入力音声の終端がみつかった
時に選出された標準パターンとだけ照合する方法がある
。

第７図は、本出願人が先に提案した（特願昭６０−９４
１４３号）パターン照合方式の一例を説明するための図
で、この例は、音声の冒頭の一定長を一つのデータにし
て演算量を減らすという立場力ら、音声パターンの冒頭
の一定時間長のデータを加え合わせて１フレームの標準
パターンを作成しておき、未知の音声が人力された時、
これを特徴パターンに変換して冒頭の＠Ｓ基準パター作
成時と同じフレーム数を加え合わせて作成した１フレー
ムのパターンと上記の各標準パターン間の類似性を求め
、類似性の高いパターンのみを再照合するようにしたも
のである。

第７図において、１はマイク、２は音声区間検出部、３
は特徴量変換部、４はレジスタ、５は冒頭一定フレーム
加算部、６，７は標準パターン部、８は加算部、９，１
０は照合部、１１は結果出力部で、二３１（線部分は標
準パターン作成特有の経路、実線細線部分は認識時の経
路、実線太線部は共通経路を示している。まず、マイク
から登録すべき各１１語を人力し、その音声に関する部
分だけをとり出して特徴量に変換する。ここでの例とし
て、特徴量として周波数変換したローカルピークを考え
るが、これ以外のどのようなものでも良い。それを１０
ｍ秒程度に１回ずつサンプリングしてレジスタに格納し
ておく。このパターンはそのまま標べｑパターン部７に
登録され、同じパターンの冒頭の一定時間、例えばＬｏ
ｏｍ秒程度が加算されて標準パターン部６に登録される
。

第１０図は、周波数方向へ８個のサンプルをとったパタ
ーン例を示し、レジスタに格納されているパターンの冒
頭の部分が第１０図（ａ）である。

周波数方向へ８個のサンプル分、つまり１単位時間サン
プル分のデータを１フレームのデータと呼ぶ習慣に従う
と、冒頭の１０フレーム分を加算したパターンが第１０
図（ｂ）であり、標準パターン部６に格納されるパター
ンである。こうして登録すべき−通りの単語を発声して
標準パターンを作成した後に認識に入る。未知の音声が
入力されると音声区間検出部で音の立ち上がりをとらえ
、そこから１フレ一ム分のデータが人力される毎に加算
され、これが１０回くり返され、入力音声の第１０図（
ｂ）のようなパターンを作る。入力音声はつづきがとり
込まれレジスタに格納されながら加算パターンと標準パ
ターン６内の各単語の加算パターンと照合され類似度が
求められる。類似度は１ｆ街地距雛で求められても良い
。いずれにせよ、人力、標準パターン共に１フレームし
かないため計算量は極端に少ない。こうして、類似度が
ある値以上、又は距離がある値以下の登録語を選んでお
き、入力音声が終了するのを待って選ばれた単語だけ、
標準パターンとレジスタに格納された全体のパターンを
照合して類似度を求め最大類似を得たものを認識結果と
し、これによって最終候補の限定が高速に行える。なお
、照合部９では類似度の大きい一定数の登録語を選んで
おいても良い。

第８図は、他の例を示す電気回路図で、図中、１２．１
３は２ビツト正規化部で、その他第７図と同様の作用を
する部分には第７図の場合と同一の参照番号が付しであ
る。而して、この例は、音声のパターンの冒頭の一定時
間長のデータを加え合わせて１フレームのパターンにし
た後、その中のピークが一定になるよう正規化し、未知
の音声が人力された時、これを特徴パターンに変換して
冒頭の標準パターン作成時と同じフレーム数を加え合わ
せて作成した１フレームのパターンと上記各標準パター
ンとの間の類似性を求め、類似性の高いパターンのみを
再照合するようにしたものである。この例によると、標
準パターン６の容量を減らすことができる。つまり先の
例で得た第１０図（ｂ）のようなパターンは各要素が１
〜１０まで値をとり得るが、この例ではこれを２ビツト
で表わすようにする。つまり最大値１０が３になるよう
に変換する。ここでは第１０図（ｂ）のパターンのＯ〜
１−＞０，２〜４Ｒ１，５〜７功２，８〜１０Φ３のよ
うに変換した。その結果が第１０図（ｃ）であり、容量
は半分程度になる。なお、第８図に示した例では１フレ
ームの加算パターン間の距離を求めるため入カバターン
にも２ビツト正規化をしているが、両フレーム間の対応
要素間の積をとり、それらの値の合計で表わされるよう
な類似度を用いる場合には入力の正規化は不要である。

第９図は、更に他の例を示す電気回路図で、図中、１４
．１５は分類部で、この例は、音声パターンの冒頭の一
定時間長のデータを加え合わせて１フレームのパターン
を作成し、そのパターンを何種類かのタイプに分類して
おき、未知の音声が入力された時、これを特徴パターン
に変換して冒頭の標準パターン作成時と同じフレーム数
を加え合わせて１フレームのパターンにし、同様にパタ
ーンのタイプが分類をし、同じタイプの標準パターンの
みを再照合するようにしたものである。この例では更に
距離や類似度の計算を減らすために冒頭の加算パターン
をいくつかの種類に分類しておき、入力の冒頭の加算パ
ターンと同じ種類に分類される標準パターンのみ照合す
るものである。

第１０図の例で分類の一例を説明すると、今、周波数の
８個のサンプルを低い方から１〜８チヤンネルと呼ぶこ
とにすると、２チャンネル分ずつ４分割し、どの分割部
分の値が最大かによって４種類に分類され、これによっ
て類似度、距離の演算が不要でしかも照合すべき標準パ
ターンを限定することができる。

また、第１１図は、本出願人が先に提案した予備選択を
併用したパターン照合方式の一例を説明するためのブロ
ック図で１図中、１６はフィルターバンク、１７は最ボ
自乗直線部、１８は有音／無音判定部、１９は２値コー
ド化部、２０は第１予備選択部、２１は第１予備選択用
辞書、２２は第２予備選択部、２３は第２予備選択部辞
書、２４は第３予備選択部、２５は第３予備選択部辞書
、２６は無音区間の平均長、２７はローカルピークの平
均重み付は辞書部、２８は類似度算出部で、人力された
音声は８ｃｈＢＰＦ群１６で周波数分析を行なった後、
１０ｍ５毎にローカルピークを抽出して２値化する。こ
うして作られた２値の時間−周波数パターン（ＢＴＳＰ
）を用いて認識を行なう。各中、語を３回発声しＢＴＳ
Ｐを重ね合わせて／ｉ？書とする。認識処理時間を低減
するために、単語ｆ’ｆ声の一部分によって予備選択を
行なう。単語パターン中で伸縮の影響の小さい冒頭の１
５フレームを抽出し、これを用いて１５フレーム以後の
音声取り込みと並行した予備選択を試みた。冒頭１５フ
レームを１フレームにし、更にＢＴＳＰの特徴である少
データ量を生かして１フレーム４Ｂ　ｙｔｅに圧縮した
パターンによる予備選択を行なった。このため予め辞書
の各単語についても同様に各１フレームの予備選択用の
辞書を作成しておく。入力された音声に対しても同じ１
フレームのパターンを作成し、最終的な照合時と同じ類
似度によって選択する。殆どの場合、音声の入力中にこ
の予備選択を終了させられる。

しかし、上述の方法では例えば音声始端検出後１５０ｍ
ｇのデータを使って標準パターンの１５０ｍ５の部分を
大まかな照合をするとすると、同じ音声のパターンであ
っても音声の始端同士の音がずれることはないが始端か
らはずれるに従って発声速度の影響が目立ち１５０ｍ５
のデータあたりではずれてくる。このため、本来、高類
似度を得るべきパターン同士でも得点が」二らないとい
う欠点がある。

目的 本発明は、上述のごとき実情に鑑みてなされたもので、
特に、音声認識におけるパターン照合において、時間変
動の影響の少ない予備選択を実現することを１−１的と
してなされたものである。

［−濾 本発明は、上記目的を達成するために、パターンの一部
をとり出す手段と、それが標準パターンの同じ部分とど
の程度似ているかを求める類似性算出手段と、類似性の
高い一定数の標準パターンを選別する手段とを有するパ
ターン照合方式において、前記パターンの一部をとり出
す際に、該とり出されるパターンの始端近傍が中央近傍
より大となるｆ！【みをつけてとり出すようにしたこと
を特徴としたものである。以下、本発明の実施例に基い
て説明する。

而して、本発明は、ファジィ理論で用いるメンバーシッ
プ関数の概念を利用するもので、従来、１５０ｍ５以内
を音声の冒頭近傍と定義して利用していたものをもっと
柔軟性をもたせて第２図に示すようなメンバーシップ関
数によって音声冒頭近傍を定義するようにしたものであ
る。すなわち、単語を対象として考えると、単語の集合
Ａと単語の冒頭の集合Ｘを考えるとＸＥＡであり、Ｘは
）ァシイ集合であるからその属性を示すメンバーシップ
関数は第２図のようになる。つまり単語の長さは通常０
．５〜１．０砂径度であるため、音声が入力されはじめ
てから０．１秒位は確度１．０で冒頭であるが、それ以
後は冒頭らしさが減少し、０．２秒ではもう冒頭と言え
なくなる。

そこで１本発明では、このメンバーシップ関数に従った
重みをみつけてパターンをとり出し、演算するようにし
た。

第１図は、本発明の一実施例を説明するためのブロック
図で、図中、３１はマイクロフォン、３２は音声区間切
り出し部、３３は特徴斌変換部。

３４はメンバーシップ値（レジスタｌ）、３５は乗算部
、３６はレジスタ（レジスタ２）、３７は加算部、３８
は圧縮部で、同図は、予備的に照合対象を減らす（以後
、これを予備選択と呼ぶ）ための標準パターンを登録す
る部分である。マイク３１から入力された単語音声は区
間切り出し部３２によって音声に係る部分（音声区間）
だけが切り出される。この音声の始端を検出すると共に
その部分の特徴電変換をしてパターン化して行く。

音声区間の切り７４％　Ｌ方法は特に限定するものでは
ないが、第３図に示すような音声のエネルギーの大きさ
から周囲のバックグラウンドノイズと分けるものが一般
的である。この方法では音声が入力されるまえにノイズ
レベルのエネルギーしきい値Ａを決めておき、そのしき
い値Ａよりも大きな音が入力された時点からしきい値Ａ
より下がるまでを音声区間とするものである。これが考
え方の基本であるが、雑音と区別するため、いろいろの
改良がなされている。また、特徴量としては特定のもの
を利用する必要はなく、もっとも−殻内なパワースペク
トルやＬＰＧ、更にはケプストラムなど、どれを用いて
も良い。この中からパワースペクトルを例にあげると、
入力された音声をバンドパスフィルタ群に印加せしめれ
ば実現出来、バンドパスフィルタの特性をどのように選
ぶかで自由に分析のしかたが変えられる。この音声区間
検出部と特ｙＪｌ量変換部はどちらが音声入力部側に配
置されても問題はない。この時、音声始端を検出すると
メンバーシップ関数を記憶したレジスタ３４にそめ立ち
上りを示す信号を送る。このレジスタ３４では始端から
の経過時間によって第２図に示したメンバーシップ関数
に代入して帰属度つまりメンバーシップ値を求め、その
値を得られた音声パターンに掛は算してその結果をレジ
スタ３６へ貯えておく。同じ音声を何回か発声してその
平均をとる場合、それらのパターンを同様にして作成し
、それをレジスタ２６に格納した後に加算し、圧縮して
標僧パターンとして登録する。例として、前述の方法に
よると同じ単語を３回発声して得られた３つのパターン
は全て０．２秒で一定長であり、第２図に示した重みが
ついている。

発声速度等によって音声パターンにおこる長さの変動は
始端を規準にすると始端から離れる程顕著になってくる
。それは、メンバーシップ関数による冒頭の定義の逆の
関係に近い。従って、メンバーシップ関数の重みをつけ
ることによって時間長の変動の影響を小さくすることが
でき、前述の３つのパターンを伸縮せず、そのまま加算
し、それを時間軸方向へ加算して１フレームに圧縮する
。

次に、第４図を参照しながら照合の場合について説明す
る。第４図において、４０は照合部、４１は辞書、４２
は上位選出部で、その他第１図の場合と同様の作用をす
る部分には第１図と同一の参照番号が付しである。而し
て、この場合１ｗ僧パターンはすでに第１図に示したよ
うな方法で辞書４１の中へ登録されているものとする。

この例では未知の単語音声がマイク３１がら入力され、
第１図と同様にしてメンバーシップ値がかけられて、未
知音声の冒頭パターンが作られる。これが辞書の中のａ
ｆ＜’Ｊパターンと照合されて類似度が求められる。類
似度の求め方は１例えば、前述の例に従えば良い。辞書
中のパターンの中から類似度の高かったパターンを上位
選出部４２でいくつが選んで本照合部へ転送する。通常
、登録パターン数の１／２〜１／３程度に対象を絞ると
効果的である。最後にメンバーシップ関数の決め方であ
るが、これは決まった方法がある訳ではなく、いくつか
の単語を何人かが発声したデータをもとに時間伸縮の影
響を受けない部分を求め、そこを１．０とし、あとは受
は易さに応じてその値を小さくすれば良い、多くの場合
、１００＋ａ〜１５０ｍ５を１．０とするのが効果があ
った。ここではメンバーシップ関数はＯ〜１．０をとっ
ているが、小数を用いるのが不都合な時には整数で０，
１゜・・１０としても差し支えなく最大値をいくつにす
るかも自由である。

第５図は、本発明の他の実施例を説明するための要部構
成図で１図中、４３は回数設定部、４４は加算部、その
他、第１図乃至第４図に示した実施例と同様の作用をす
る部分には、第１図乃至第４図の場合と同一の参照番号
が付しである。而して、この実施例は、パターンの一部
をとり出し、演算によって加工する際に、パターンの始
端近傍のパターンの演算回数を他と異ならせ、このパタ
ーンによって照合するようにしたもので、マイクロフォ
ン３１から入力された音声は区間検出されて特徴量に変
換される。又、区間検出部は音声の立ち１−りを検出す
るとメンバーシップ値を調べる。

このメンバーシップ値とは、例えば第６図に示すように
、音声立ち上りから０．０７秒までは回数設定部４３に
１０という値を設定し、以後、順に小さな値を設定する
。特徴量に変換されたデータは、ｉｏｍｓ程度でサンプ
リングされ、その時刻に応して回数設定部４３に示され
た値だけ同じものを加え合わせる。これは１回加算する
毎に同数設定部の値を１だけ減じ、値がＯになるまでく
り返す。従って、冒頭０．０７秒までのデータは各々１
０倍の虫みを持って加算され、順に０．１６秒まで小さ
くなるような重みで加算され、事実−ヒ、前述の実施例
と同じような圧縮パターンを得ることができる。

勉−一廖程 以」二の説明から明らかなように、本発明によると、時
１１１１変動の小さい部分は大きな重みをもって、又変
ＩＷノが大きくなるに従って小さい重みで類似度に帰与
することになるので、従来のように一定時間内に入るか
、はみ出すかによってパターンが大きく変化することが
なくなり、このため時間変動の影響が小さな予備選択が
可能となる。

【図面の簡単な説明】

第１図は、本発明の一実施例を説明するための標準パタ
ーン登録部のブロック図、第２図は、メンバーシップ関
数の一例を示す図、第３図は、音声区間切り出し方法の
一例を説明するための図、第４図は、照合部の一例を説
明するためのブロック図、第５図は本発明の他の実施例
を説明するための要部構成図、第６図は、メンバーシッ
プ値の一例を示す図、第７図乃至第９図は、パターン照
合方式の例を説明するための図、第１０図は、パターン
例を示す図、第１１図は、予備選択を併用したパターン
照合方式の例を説明するための図である。 ３１・・・マイクロフォン、３２・・・音声区間切り出
し部、３３・・・特徴量変換部、３４・・・メンバーシ
ップ値、３５・・・乗算部、３６・・・レジスタ、３７
・・・加算部、３８・・・圧縮部、４０・・・照合部、
４１・・・辞書、４２・・・上位選出部、４３・・・回
数設定部、４４・・・加算部。 第 ム〜 第　２　図 ０．０５ ０．１０ し、どす 第 ヌ 第 区 本照合へ 第 ア 区 第 図 第 区 第 ど− 〇 ヌ 第 図 １に 一一一−Ｓ− 第 図 ■ （Ｃ） 、唄、Ｉｔ杖

Claims (1)

1. 【特許請求の範囲】 １、パターンの一部をとり出す手段と、それが標準パタ
   ーンの同じ部分とどの程度似ているかを求める類似性算
   出手段と、類似性の高い一定数の標準パターンを選別す
   る手段とを有するパターン照合方式において、前記パタ
   ーンの一部をとり出す際に、該とり出されるパターンの
   始端近傍が中央近傍より大となる重みをつけてとり出す
   ようにしたことを特徴とするパターン照合方式。 ２、請求項第１項に記載のパターン照合方式において、
   パターンの一部をとり出し、演算によって加工する際に
   、パターンの始端近傍のパターンの演算回数を他と異な
   らせ、このパターンによって照合するようにしたことを
   特徴とするパターン照合方式。