JPH0293695A - 音声認識装置 - 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】 （イ）産業上の利用分野 本発明は、入力された音声中から音声区間を正確に切り
出し、音声認識を行なう音声認識装置に関するらのであ
る。

（ロ）従来の技術 雑音中での認識、連続音声中の音素認識など、入力音声
中から音声区間の切り出しを行なう実用的な音声認識装
置は、連続ＤＰマツチングによるワードスポツティング
の手法を用いたものが一般的である。

このような従来の音声認識装置の基本構成を第２図に示
す。マイクロフォン７より、入力された音声は、音声分
析部８で分析され、１０ｍｓ程度のフレーム周期でスペ
クトルやケプストラムのパラメータ時系列に変換される
。パラメータ時系列は入力音声パターンバッファ９に格
納される。連続ＤＰマツチング部１１は、入力音声パタ
ーンバンファ９の入力音声パターンと標準音声パターン
メモリ１０内の標準音声パターンとで連続ＤＰマツチン
グにより、スポツティングを行なう。

第３図は連続ＤＰに用いられるＤＰマツチングの漸化式
計算の傾斜制限の一例を示している。その漸化式は、入
力音声パターンの１フレームと標イー許り声パターンの
ｊフレームとのフレーム間距離をｄ（ｉ、ｊ）とすると
、 （ｉ、ｊ）での距離ｇ（ｉ、ｊ）は、 と表される。

このパスによるＤＰの経路は、第４図の斜線のように制
限され、フレームｔを終端とし、フレームｈを始端とす
る入力音声の部分パターンと標準音声パターンとの距離
が計算されろ。このような７７チングを入力音声の始端
から１フレームずつシフトして終端まで行なう。この時
点で、第５図に示すように距離が極小値を示す点を終端
とする入力音声中の単語、或は、音素のスポツティング
が終了する。

（ハ）発明が解決しようとする課題 このような連続ＤＰによるワードスポツティングにおい
ては、第６図に示す領域の中にある図中の格子点（＋）
で入力音声と標準音声パターンとのフレーム間距離計算
と漸化式計算を必要とすることになる。そのため、−単
語あたりの計算量が多く、語数が増えると、実時間処理
することが、難しくなる。

本発明では、高速で、かつ、認識精度を落とすことなく
、ワードスポツティングを行なうことができ、実用的で
認識精度の高い音声認識装置を提供することを目的とす
るものである。

（ニ）課題を解決するための手段 本発明の音声認識装置は、高速にスポツティングを行な
う手段として線形シフトマツチングによる予備ワードス
ポツティング手段と、端点フリーＤＰマツチングによる
詳細ワードスポツティグ手段とを組み合わせることによ
って、高速で、かつ精度の高いワードスポツティングを
実現するものである。

（ホ）作用 本発明の音声認識装置によれば、ワードスポツティング
の計Ｗ量を示す第７図のように、計算量の削減がはかれ
る。即ち、第７図の格子点（・）は入力音声と標準音声
パターンとのフレーム間距離計算を行なう点、格子点（
＋）は同じくフレーム間距離計算と漸化式計算を行なう
点であり、従来装置にかかる第６図と比較しても計算量
が十分削減されていることがわかる。また、スポツティ
ングされるべき領域（第７図の十の領域）では、従来と
同様の計算が行なわれ、高い計算精度が保たれているこ
とがわかる。

（ホ）実施例 第１図に本発明による音声認識装置の一実施例を示す。

マイクロフォンｌより、入力された音声は音声分析部２
で分析され、１０ｍｓ程度のフレーム周期でスペクトル
やケプストラムのパラメータ時系列に変換される。パラ
メータ時系列は、入力音声パターンバッファ３に格納さ
れる。

本発明の特徴とする線形シフトマンチング部５は、入力
音声パターンバンファ３の入力音声パターンと標準音声
パターンメモリ４内の標準音声パターンとで線形シフト
マチングによる予備スポツティングを行い、予備スポツ
ティング領域を決定する。

端点フリーＤＰマツチング部６は、線形シフトマツチン
グ部によって決定された予備スボンティング領域に従い
、端点フリーＤＰマツチングにより、詳細スポツティン
グを行なう。

第８図は予備スポツティング領域と端点フリーＤＰマン
チングを行なう領域の関係を示したもので、マツチング
の窓幅は標準音声パターンのフレーム長で決定している
。この第８図の例では、標準音声パターン長の０．３倍
を窓幅とし、また、この窓幅のうち、（ａ）の領域と（
ｂ）の領域をそれぞれ始端、終端フリー領域として、第
３図に示した傾斜制限で前述のＤＰマツチングの漸化式
計算が行なわれる。そして、ＤＰマツチングの計算が終
了した時点で、始端、終端の正確なフレームとその区間
を部分パターンとした入力音声パターンと標準音声パタ
ーンとの距離が求められる。

（へ）発明の効果 以トのように本発明の音声認識装置は、連続ＤＰマツチ
ングによるワードスポツティングを用いる方法に比べ、
スポツティング精度を落とすことなく、高速にワードス
ポツティングを行なえ、雑音中や連続音声中の単語や音
素の認識が実現できる。

【図面の簡単な説明】

７４１図は本発明の音声認識装置の一実施例を示す構成
図、第２図は従来の連続ＤＰマツチングによるワードス
ポツティングを用いた音声認識装置の構成図、第３図は
連続ＤＰに用いられるＤＰマツチングの漸化式計算の傾
斜制限の一例、第４図は第３図の傾斜制限によるＤＰの
経路制限を示す模式図、第５図はスポツティングの一例
を示す模式図、第６図は連続ＤＰによるワードスポツテ
ィングの計算領域を示す模式図、第７図は本発明による
ワードスポツティングの計算領域を示す模式図、第８図
は予備スポツティング領域と端点フリーＤＰマツチング
を行なう領域の関係をそれぞれ示す模式図である。 １１１．マイクロフォン。 ２１３．音声分析部。 ３０．、入力音声パターンバッファ。 ４１８．標準音声パターンメモリ。 ５０．、線形シフトマツチング部。 ６１９．端点フリーＤＰマツチング部。

Claims (1)

【特許請求の範囲】
1. （１）音声入力手段と音声分析手段と線形シフトマッチ
   ング手段と連続ＤＰマッチング手段と標準音声パターン
   メモリ手段とからなる音声認識装置において、 上記連続ＤＰマッチング手段によって、予め該音声分析
   手段により抽出しておいた標準音声パターンと該音声分
   析手段より抽出される入力音声パターンの特定のフレー
   ムから該標準音声パターンの長さ分の部分パターンとを
   １フレームずつシフトながら線形マッチングにより比較
   することにより、該入力音声パターンから該標準音声パ
   ターンに相当する区間を切り出し、 上記標準音声パターンメモリ手段により、該連続ＤＰマ
   ッチング手段で切り出された部分パターンと該標準音声
   パターンとを入力音声パターン側の始端、終端をフリー
   とした非線形マッチングにより比較し、該部分パターン
   の始端、終端を決定することを特徴とした音声認識装置
   。