JPH03114345A - 発呼者認識電話装置 - 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】 ［産業上の利用分野］ 本発明は、いたずら防止電話機等、予め登録してある話
者に対してのみ通話可能とする発呼者認識電話装置に関
する。

［従来の技術］ 従来、特開昭５９−２０８９６５の「電話機の呼出方式
」が提案されている。この従来技術は、■入力音声に含
まれる話者に関する特徴量を抽出し、■この■の抽出デ
ータと、予め同様の方法て抽出しておいた辞書データと
の距離を計算（類似度算出）し、■この■の計算結果よ
り入力音声が登録話者の声か判定し、■この■の判定に
より、入力音声が予め登録されているものの声であれば
、応答制御部によりベル鳴動を行なう等によって応答可
能とする。

［発明が解決しようとする課題］ 然しなから、上記従来技術には、下記■、■の問題点が
ある。

■辞書作成時から時間が経過するにつれ、話者認識率が
劣化し、結果として応答制御部か正常に動作する割合が
劣化する０例えば辞書作成時から３ケ月経過により、正
常動作率は９９％から９１％に劣化する。

■実時間処理が困難である。即ち、従来技術において一
定以上の話者認識率を確保するためには複雑な特微量を
用いる必要があるが、複雑な特微量を抽出するには高級
で複雑な処理装置か必要であり、処理時間も多大となる
。

本発明は、経時的な正常動作率の劣化が極めて少なく、
容易に実時間処理できる発呼者認識電話装置を得ること
を目的とする。

［課題を解決するための手段コ 請求項１に記載の本発明は、発呼者が予め登録してある
話者かを認識し、登録話者に対してのみ電話基本回路に
より応答可能とする発呼者認識電話装置において、着信
に対して自動応答する自動応答部と、該自動応答部に対
して返答した発呼者の音声から話者認識する話者認識部
と、該話者認識部の認識結果により電話基本回路を制御
する応答制御部とを有し、話者認識部はニューラルネッ
トワークを用いて上記発呼者の音声から話者認識するよ
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、 ■音声の周波数特性の時間的変化、 ■音声の平均的な線形予測係数、 ■音声の平均的なＰＡＲＣＱＲ係数、 ■音声の平均的な周波数特性、及びピッチ周波数、 ■高域強調を施された音声波形の平均的な周波数特性、
並びに ■音声の平均的な周波数特性 のうちの１つ以上を使用す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。

［作用］ 請求項１に記載の本発明によれば、下記（１）〜（４）
の作用効果がある。

（１）経時的な正常動作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が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。

（２）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。

（３）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
。

（４）上記（２）〜（３）により、発呼者認識電話装置
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（１）〜（４
）の作用効果に加えて、下記（５）の作用効果がある。

（５）ニューラルネットワークへの入力として、請求項
２に記載の■〜■の各要素のうちの１つ以上を用いるか
ら、入力を得るための前処理か、従来の複雑な特徴量抽
出に対して、単純となり、この前処理に要する時間が短
くて足りる。

又、請求項３に記載の本発明によれば上記（１）〜（５
）の作用効果に加えて、下記（６）の作用効果がある。

（６）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・す、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発呼者認識電話装置の一例
を示す模式図、第２図は話者認識部の一例を示す模式図
、第３図は入力音声を示す模式図、第４図はバンドパス
フィルタの出力を示す模式図、第５図はニューラルネッ
トワークを示す模式図、第６図は階層的なニューラルネ
ットワークを示す模式図、第７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
５図（Ａ）に示す階層的ネットワークと第５図（Ｂ）に
示す相互結合ネットワークの２種に大別できる。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
っても良いが、階層的ネ・ソ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６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、人力
層→中間層→出力層という前向きの結合たけて、各層内
での結合はない。

（３）ユニットの構造 ユニットは第７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、−Ｍ的には第７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　　
Ｇｒｏｕｐ、　　ＰＡＲＡＬＬＥＬ　　ＤＩＳＴＲＩＢ
ＵＴＥＤＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐ
ｒｅｓｓ、　１９８６．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かできる。

以下、本発明の具体的な実施例について説明する。

発呼者認識電話装置１は、第１図に示す如く。

相手電話装置ＩＡからの発呼者が予め登録してある話者
かを認識し、登録話者に対してのみ電話基本回路２によ
り応答可能とする。発呼者認識電話装置１は、自動応答
部３と、話者認識部４と、応答制御部５とにより、いた
ずら防止回路１００を構成している。

自動応答部３は、相手電話装置ＩＡからの着信に対して
自動応答する。

話者認識部４は−、ニューラルネットワークを用いて、
後述する如くにより、自動応答部３に対して返答した発
呼者の音声から話者認識する。

応答制御部５は、話者認識部４の認識結果により電話基
本回路２もしくは自動応答部３を制御する。

この時、話者認識部４は音声入力部６、ローパスフィル
タ７、ｎチャンネルのバンドパスフィルタ１０、平均化
回路１５、メモリ１６、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２図参照）。

（Ａ）学習単語な発呼者の氏名等である「田中です」、
入力単語を「田中です」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）登録話者　５名、その他の話者２５名とした。

（Ｃ）前処理 ■音声入力部６から入力される入力音声「田中です」の
音声信号の高域成分を、ローパスフィルタ７にてカット
する。そして、この入力音声を第３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２図に示す如く、複数（ｎ個）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
各一定時間毎に第４図（Ａ）（Ｄ）のそれぞれに示す如
くの周波数特性な得る。

この時、バンドパスフィルタ１０の出力信号は、平均化
回路１５にて、各ツロック毎、即ち一定時間で平均化さ
れる。

以上の前処理により、「音声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」が得られた。

平均化回路１５の出力は、直接的にニューラルネットワ
ーク２０に転送され、或いはメモリ１６を経由して間接
的にニューラルネットワーク２０に転送される。

（Ｄ）ニューラルネットワーク２０による処理及び判定 ■前処理の結果（平均化回路１５の出力）を、第２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ユニツトにて構成される。

出力層２２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。

■学習 出力層２２の目標値を登録話者については（１，０）そ
の他の話者については、（０，ｌ）とする。

■登録話者の音声に前記（Ｃ）の前処理を施してニュー
ラルネットワーク２０に入力する。

出力層２２の出力が目標値に近づくようにニューラルネ
ットワーク２０の重みと変換関数を修正する。

■その他の話者の音声に前記（Ｃ）の前処理を施してニ
ューラルネットワーク２ｏに入力する。

出力層２２の出力が目標値に近づくようにニューラルネ
ットワーク２０の重みと変換関数を修正する。

■、■の操作を繰り返し、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学習して、一定認識率を保証
し得るネットワークを構築する。

（Ｅ）発呼者認識電話装置１の制御 ■相手電話装置ＩＡより発呼者認識電話装置１を呼び出
す。

■電話装置１の自動応答部３が応答し、メツセージ「は
い、佐原てす。お名前をどうぞ。」を自動応答する。

■発呼者か名前を言う。「山中です。」■この音声は話
者認識部４の音声入力部６より入力され、ローパスフィ
ルタ７で高域成分がカットされた後、バンドパスフィル
タｌＯで帯域分割される。

■平均化回路１５で一定時間で平均化され、メモリ１６
に記憶される。

■メモリ１６に記憶されたパターンは、ニューラルネッ
トワーク２０に入力される。

■ニューラルネットワーク２０の出力は判定回路３０に
おいて目標値と比較され、発呼者が登録話者かそれ以外
の者か判定される。

判定回路３０は、■出力層２２の２ユニツトのうち、登
録話者群に対応するユニットの出力が、その他の群に対
応するユニットの出力に比して大なる時、発呼者を登録
話者と判定し、■上記■と逆の時、発呼者を登録話者以
外の者と判定する。

■応答制御部５では、■発呼者が登録話者と判定された
場合、電話装置１の電話基本回路２を制御してそのベル
を鳴動させ、■発呼者がそれ以外の者と判定された場合
、電話装置１の自動応答部３を制御してメツセージ「た
だ今外出しております。おかげ直し下さい。」を返しく
必要であれば発呼者側のメツセージの録音も可能）、回
線を切る。

（Ｆ）実験 上記発呼者認識電話装置１を用いた結果、学習直後の正
常動作率１００％に対し、３ケ月経過後の正常動作率９
９％てあり、経時的な正常動作率の劣化が極めて少ない
ことが認められた。

次に、上記実施例の作用について説明する。

（１）経時的な正常動作率の劣化が極めて少ない。この
ことは、ニューラルネットワーク２０が音声の時期差に
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。

（２）ニューラルネットワーク２ｏ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。

（３）ニューラルネットワーク２ｏは、原理的に、それ
を構成している各ユニットか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。

（４）上記（２）〜（３）により、発呼者認識電話装置
１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。

（５）ニューラルネットワーク２０への入力として、「
音声の周波数特性の時間的変化」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ａｒｒ　ｌｌｆｆが短く
て足りる。

この時、上記ニューラルネットワークへの入力として、
更に、「音声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
２０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。

（６）階層的なニューラルネットワーク２ｏを用いたか
ら、現在、既に確立している簡単な学習アルゴリズム（
パックプロパゲーション）を用いて、高い認識率を達成
できる。

尚、本発明の実施においては、ニューラルネットワーク
への入力として、上記実施例にて用いた ■音声の周波数特性の時間的変化に限らず、この■に、 ■音声の平均的な線形予測係数、 ■音声の平均的なＰＡＲＣＯＲ係数、 ■音声の平均的な周波数特性、及びピッチ周波数、 ■高域強調を施された音声波形の平均的な周波数特性、
並びに ■音声の平均的な周波数特性 を加えた各要素のうちの１つ以上を使用てきる。

そして、上記■の要素が更に「音声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」として用いられた
ように、上記■の要素は「音声の一定時間内における平
均的な線形予測係数の時間的変化」、上記■の要素は「
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」、上記■の要素は「音声の一定時間内にお
ける平均的な周波数特性、及びピッチ周波数の時間的変
化」、上記■の要素は、「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
」として用いることができる。

尚、上記■の線形予測係数は、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、−Ｍ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　　χ１＝−Σαムχ、−１　　・・・（１
）線形予測誤差　εｔ＝χｔ−χｔ　　・・・（２）こ
こで、χｔ：時刻ｔにおける音声波形のサンプル値、（
α＋）　（ｔ　＝　１．・・・、ｐ）＝　（９次の）線
形予測係数 さて、本発明の実施においては、線形予測誤差ε、の２
乗平均値が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　）２を求め、その時間平均を（ｃｔ
）２と表わして、θ（ｅｔ）２／ａａ　ｔ　＝０．　ｉ
＝１．２．・・・、ｐとおくことによって、次の式から
（α１）が求められろ。

Σα＋Ｖローｉ１　＝Ｌ　Ｊ＝１　＋　”　＋　””＋
　ｐ　””（３）又、上記■のＰＡＲＣＯＲ係数は以下
の如く定義される。

即ち、［ｋｎｌ（ｎ＝ｔ、・・・、ｐ）を（９次の）Ｐ
ＡＲＣＯＲ係数（偏自己相関係数）とする時、ＰＡＲ（
：ＯＲ係数に、、や、は、線形予測による前向き残差ε
ｔ″）とｔ表向き残差ε仁−（、。、　＋ｂ）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） （α１）　：前向き予測係数。

εｔ−，□、（ｂｌ＝　χ、−１゜。１．−Σβ１．χ
、−１、（β、）：後向き予測係数 又、上記■の音声のピッチ周波数とは、声帯波の繰り返
し周期（ピッチ周期）の逆数である。

尚、ニューラルネットワークへの入力として、個人差が
ある声帯の基本的なパラメータであるピッチ周波数を付
加したから、特に大人／小人、男性／女性間の話者の認
識率を向上することができる。

又、上記■の高域強調とは、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ること
を防止することである。然るに、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てあり、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か補償されて
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
のに時間かかかる。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。

尚、本発明の発呼者認識電話装置は、いたずら防止以外
にも広く有用である。

［発明の効果コ 以上のように本発明によれば、経時的な正常動作率の劣
化か極めて少なく、容易に実時間処理できる発呼者認識
電話装置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発呼者認識電話装置の一例
を示す模式図、第２図は話者認識部の一例を示す模式図
、第３図は入力音声を示す模式図、第４図はバンドパス
フィルタの出力を示す模式図、第５図はニューラルネッ
トワークを示す模式図、第６図は階層的なニューラルネ
ットワークを示す模式図、第７図はユニットの構造を示
す模式図である。 １・・・発呼者認識電話装置、 ２・・・電話基本回路、 ３・・・自動応答部、 ４・・・話者認識部、 ５・・・応答制御部、 ６・・・音声入力部、 ２０・・・ニューラルネットワーク、 ３ｏ・・・判定回路。

Claims (3)

【特許請求の範囲】
1. （１）発呼者が予め登録してある話者かを認識し、登録
   話者に対してのみ電話基本回路により応答可能とする発
   呼者認識電話装置において、着信に対して自動応答する
   自動応答部と、該自動応答部に対して返答した発呼者の
   音声から話者認識する話者認識部と、該話者認識部の認
   識結果により電話基本回路を制御する応答制御部とを有
   し、話者認識部はニューラルネットワークを用いて上記
   発呼者の音声から話者認識することを特徴とする発呼者
   認識電話装置。
2. （２）前記ニューラルネットワークへの入力として、 ［１］音声の周波数特性の時間的変化、 ［２］音声の平均的な線形予測係数、 ［３］音声の平均的なＰＡＲＣＯＲ係数、 ［４］音声の平均的な周波数特性、及びピッチ周波数、 ［５］高域強調を施された音声波形の平均的な周波数特
   性、並びに ［６］音声の平均的な周波数特性 のうちの１つ以上を使用する請求項１記載の音声錠装置
   。
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記載の音声錠装置
   。