JPH0312319B2 - - Google Patents
Info
- Publication number
- JPH0312319B2 JPH0312319B2 JP60156211A JP15621185A JPH0312319B2 JP H0312319 B2 JPH0312319 B2 JP H0312319B2 JP 60156211 A JP60156211 A JP 60156211A JP 15621185 A JP15621185 A JP 15621185A JP H0312319 B2 JPH0312319 B2 JP H0312319B2
- Authority
- JP
- Japan
- Prior art keywords
- amplitude
- values
- percentile
- frequency
- speech
- 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
Links
- 238000010606 normalization Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims description 35
- 230000005236 sound signal Effects 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 abstract description 17
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Telephonic Communication Services (AREA)
Description
【発明の詳細な説明】
Ａ 産業上の利用分野
本発明は音声を認識する際の音声信号の正規
化、特に正規化された音声における無音スペクト
ルに歪みが生じないように音声信号を正規化する
方法に係る。
化、特に正規化された音声における無音スペクト
ルに歪みが生じないように音声信号を正規化する
方法に係る。
Ｂ 開示の概要
本発明は音声認識プロセスに先行して音声信号
を正規化する方法および装置を開示する。準備手
順では、音声を31周波数帯に分割してサンプリン
グし、周波数帯ごとに振幅度数分布を作成する。
これらの度数分布から低い百分順位振幅値Ｐ（lo）
および高い百分順位振幅値Ｐ（hi）を周波数帯ご
とに取出し、後に参照するために記憶する。実際
に正規化する動作では、認識しようとする音声信
号も準備手順の場合と同じ周波数帯に分割し、各
周波数帯の連続する入力振幅値Ａ（in）および、
それぞれの周波数帯の百分順位振幅値から出力振
幅値Ａ（out）を次式： Ａ（out）＝Ａ（in）−Ｐ（05）／Ｐ（95）−Ｐ
（05） により計算する。
を正規化する方法および装置を開示する。準備手
順では、音声を31周波数帯に分割してサンプリン
グし、周波数帯ごとに振幅度数分布を作成する。
これらの度数分布から低い百分順位振幅値Ｐ（lo）
および高い百分順位振幅値Ｐ（hi）を周波数帯ご
とに取出し、後に参照するために記憶する。実際
に正規化する動作では、認識しようとする音声信
号も準備手順の場合と同じ周波数帯に分割し、各
周波数帯の連続する入力振幅値Ａ（in）および、
それぞれの周波数帯の百分順位振幅値から出力振
幅値Ａ（out）を次式： Ａ（out）＝Ａ（in）−Ｐ（05）／Ｐ（95）−Ｐ
（05） により計算する。
Ｃ 従来の技術
音声認識システムでは、音声信号を正規化し、
これにより未知の音声情報と、記憶されている音
声パターンすなわち音声モデルとをうまく比較で
きるようにすることが重要である。そして同一の
語または文がそれぞれの話し手によつて異なつた
音声になつたり、同じ話し手が同一の語または文
を話しても時が異なれば異なつた音声になつたり
することによつて生じる振幅すなわちエネルギの
変動を取除くか、もしくは少なくとも減少させな
ければならない。
これにより未知の音声情報と、記憶されている音
声パターンすなわち音声モデルとをうまく比較で
きるようにすることが重要である。そして同一の
語または文がそれぞれの話し手によつて異なつた
音声になつたり、同じ話し手が同一の語または文
を話しても時が異なれば異なつた音声になつたり
することによつて生じる振幅すなわちエネルギの
変動を取除くか、もしくは少なくとも減少させな
ければならない。
このような話し手による相違、および同じ話し
手でも話す度に生じる差異に共通する原因は、母
音の声門波形の変化および高周波摩擦音エネルギ
の変化であることが知られている。このような変
動は音声信号を適切に濾波し、正規化することに
より避けることができる。
手でも話す度に生じる差異に共通する原因は、母
音の声門波形の変化および高周波摩擦音エネルギ
の変化であることが知られている。このような変
動は音声信号を適切に濾波し、正規化することに
より避けることができる。
シルバーマン他の論文“パラメトリツク御制に
よる音声スペクトル分析システム”、音響、音声
および信号処理に関するIEEE会報（H.F.
Silverman et al ．、“Ａ Parametrically
Controlled Spectral Analysis System for
Speech”、IEEE Transactious ou Acoustics、
Speech and Signol Processing、Vol.ASSP−
22、No.５、October1974、PP.362−381）は、振
幅較正すなわち正規化について記載している。こ
の論文は、前述の音声信号の変動を正規化するの
に、長期間の音声スペクトルに整合された線形フ
イルタによる入力音声の濾波を示唆している。こ
の方法における問題点は、このようなフイルタで
は、母音および摩擦音のスペクトルは正規化され
るが、無音スペクトルに歪みを生じることであ
る。この論文には、音声信号処理で無音をどのよ
うに扱うかについても簡単に述べられているが、
正規化中に生じる無音スペクトルの歪みを避ける
方法は扱われていない。
よる音声スペクトル分析システム”、音響、音声
および信号処理に関するIEEE会報（H.F.
Silverman et al ．、“Ａ Parametrically
Controlled Spectral Analysis System for
Speech”、IEEE Transactious ou Acoustics、
Speech and Signol Processing、Vol.ASSP−
22、No.５、October1974、PP.362−381）は、振
幅較正すなわち正規化について記載している。こ
の論文は、前述の音声信号の変動を正規化するの
に、長期間の音声スペクトルに整合された線形フ
イルタによる入力音声の濾波を示唆している。こ
の方法における問題点は、このようなフイルタで
は、母音および摩擦音のスペクトルは正規化され
るが、無音スペクトルに歪みを生じることであ
る。この論文には、音声信号処理で無音をどのよ
うに扱うかについても簡単に述べられているが、
正規化中に生じる無音スペクトルの歪みを避ける
方法は扱われていない。
米国特許第4060694号でも、入力音声信号の音
圧レベルの正規化について開示しているが、音声
信号に無音期間が存在することにより生じる問題
は扱つてはいない。
圧レベルの正規化について開示しているが、音声
信号に無音期間が存在することにより生じる問題
は扱つてはいない。
Ｄ 発明が解決しようとする問題点
従つて、本発明の目的は、音声認識プロセスに
先行して音声の変動を除去または減少する音声信
号規化の方法を提供することである。
先行して音声の変動を除去または減少する音声信
号規化の方法を提供することである。
また、本発明の目的は、音声信号の無音スペク
トルの歪みを避ける正規化方法を提供することで
ある。
トルの歪みを避ける正規化方法を提供することで
ある。
更に、本発明の目的は、無音スペクトルの歪み
を避けつつ、比較的簡単で、しかもかなり効果的
に正規化を達成する音声信号正規化方法を提供す
ることである。
を避けつつ、比較的簡単で、しかもかなり効果的
に正規化を達成する音声信号正規化方法を提供す
ることである。
Ｅ 問題点を解決するための手段
本発明の音声正規化方法では、最初に、それぞ
れの周波数帯の振幅度数分布を作成し、次いで、
周波数帯ごとの度数分布から一対の特定の百分順
位振幅値を取出し、これらの一体の百分順位振幅
値により、入力音声信号の振幅値を実際に正規化
する。
れの周波数帯の振幅度数分布を作成し、次いで、
周波数帯ごとの度数分布から一対の特定の百分順
位振幅値を取出し、これらの一体の百分順位振幅
値により、入力音声信号の振幅値を実際に正規化
する。
本発明の実施例では、音声信号を正規化するの
に望ましい値として第５および第95百分順位振幅
値を選択してかなりの改良が図られているが、も
ちろん他の値、例えば下限として３％または６
％、上限として97％の百分順位振幅値を使用する
ことも可能である。
に望ましい値として第５および第95百分順位振幅
値を選択してかなりの改良が図られているが、も
ちろん他の値、例えば下限として３％または６
％、上限として97％の百分順位振幅値を使用する
ことも可能である。
また本発明の実施例では、一人の話し手がサン
プル用のテキストを読み、それを１分間隔で分析
し、全部で31周波数帯の百分順位の振幅値のセツ
トを作成しているが、このようなセツト正規化に
使用する場合、この一人の話し手の音声の変動
を、認識プロセスに先行して除去することができ
る。しかしながら、数名の話し手の音声を同じシ
ステムで認識しなければならない場合、周波数帯
ごとの百分順位振幅値Ｐ（05）およびＰ（95）のセ
ツトを、話し手ごとにそれぞれ１分間のサンプル
音声により生成しなければならない。
プル用のテキストを読み、それを１分間隔で分析
し、全部で31周波数帯の百分順位の振幅値のセツ
トを作成しているが、このようなセツト正規化に
使用する場合、この一人の話し手の音声の変動
を、認識プロセスに先行して除去することができ
る。しかしながら、数名の話し手の音声を同じシ
ステムで認識しなければならない場合、周波数帯
ごとの百分順位振幅値Ｐ（05）およびＰ（95）のセ
ツトを、話し手ごとにそれぞれ１分間のサンプル
音声により生成しなければならない。
本発明、特に度数分布の作成、百分順位振幅値
の取出し、および所定の百分順位振幅値による、
認識しようとする音声の振幅値の実際の正規化の
それぞれの機能は、ハードウエアまたはソフトウ
エアで実現することができる。これは設計上の選
択の問題であり、所要の速度、システムの他の部
分の機能の多重使用の可能性等による。いずれに
しても、本発明の適用により、すぐれた性能が得
られる。
の取出し、および所定の百分順位振幅値による、
認識しようとする音声の振幅値の実際の正規化の
それぞれの機能は、ハードウエアまたはソフトウ
エアで実現することができる。これは設計上の選
択の問題であり、所要の速度、システムの他の部
分の機能の多重使用の可能性等による。いずれに
しても、本発明の適用により、すぐれた性能が得
られる。
Ｆ 実施例
F1 百分順位正規化の原理
音声認識手順で処理するのに先行して音声信号
を正規化する際、長期間の音声スペクトルに整合
するようにしか音声信号が濾波されなかつた場合
に、無音スペクトルの歪みが生じないようにする
ため、音声信号は下記のように処理する。
を正規化する際、長期間の音声スペクトルに整合
するようにしか音声信号が濾波されなかつた場合
に、無音スペクトルの歪みが生じないようにする
ため、音声信号は下記のように処理する。
最初に、１人の話し手のそれぞれの音声信号の
振幅度数分布を、周波数帯ごとに作成する。次
に、周波数帯ごとに５％の百分順位振幅値Ｐ
（05）、および95％の百分順位振幅値Ｐ（95）を前
記度数分布から取出す。実際に認識しようとする
音声信号の振幅は周波数帯ごとに次式により正規
化する。
振幅度数分布を、周波数帯ごとに作成する。次
に、周波数帯ごとに５％の百分順位振幅値Ｐ
（05）、および95％の百分順位振幅値Ｐ（95）を前
記度数分布から取出す。実際に認識しようとする
音声信号の振幅は周波数帯ごとに次式により正規
化する。
Ａ（out）＝Ａ（in）−Ｐ（05）／Ｐ（95）−Ｐ
（05） この正規化プロセスの重要な点は、このプロセ
スにより生じる音声信号を長期間スペクトルがＰ
（95）の振幅値で与えられ、無音スペクトルがＰ
（05）の振幅値で与えられることである。正規化
された後、すべての音声は同じ無音スペクトルお
よび長期間スペクトルを持つことになる。
（05） この正規化プロセスの重要な点は、このプロセ
スにより生じる音声信号を長期間スペクトルがＰ
（95）の振幅値で与えられ、無音スペクトルがＰ
（05）の振幅値で与えられることである。正規化
された後、すべての音声は同じ無音スペクトルお
よび長期間スペクトルを持つことになる。
F2 実施例の説明（第１図、第２Ａ図、第２Ｂ
図） 第１図は、本発明により音声信号を正規化する
手順を構成するブロツク図、最初の準備段階に用
いる共通物分、最初の百分順位振幅値の生成にし
か用いないもう１つの部分、および実際に正規化
するのに用いる更にもう１つの部分からなる。
図） 第１図は、本発明により音声信号を正規化する
手順を構成するブロツク図、最初の準備段階に用
いる共通物分、最初の百分順位振幅値の生成にし
か用いないもう１つの部分、および実際に正規化
するのに用いる更にもう１つの部分からなる。
音声信号を周波数帯に分割する共通部分
この部分はセクシヨン１１，１３およひ１５か
らなる。セクシヨン１１では、入力された音声信
号が通常の方法で前濾波、サンプリングおよびデ
イジタル化される。その結果得られたデイジタル
値は直ちにセクシヨン１３で記憶され、セクシヨ
ン１３からブロツクごとに取出される。セクシヨ
ン１５は、（サンプリングされデイジタル化され
た）音声信号を31のチヤンネルすなわち周波数帯
に分割するフイルタバンクを表す。本実施例で
は、200Hz〜1000Hzの範囲の等しい帯域幅が８、
更に1KHzよりも高い範囲の対数スケールの帯域
が２３ある。もちろん、周波数帯の数および帯域
幅の分布は適切に変更することが可能である。
らなる。セクシヨン１１では、入力された音声信
号が通常の方法で前濾波、サンプリングおよびデ
イジタル化される。その結果得られたデイジタル
値は直ちにセクシヨン１３で記憶され、セクシヨ
ン１３からブロツクごとに取出される。セクシヨ
ン１５は、（サンプリングされデイジタル化され
た）音声信号を31のチヤンネルすなわち周波数帯
に分割するフイルタバンクを表す。本実施例で
は、200Hz〜1000Hzの範囲の等しい帯域幅が８、
更に1KHzよりも高い範囲の対数スケールの帯域
が２３ある。もちろん、周波数帯の数および帯域
幅の分布は適切に変更することが可能である。
こうして、31の個々の周波数帯の音声信号が使
用可能になる。デイジタル化された信号を複数の
周波数帯に分割する標準的な手順は公知である。
セクシヨン１５のフイルタバンクは後に第４図と
関連して説明する。
用可能になる。デイジタル化された信号を複数の
周波数帯に分割する標準的な手順は公知である。
セクシヨン１５のフイルタバンクは後に第４図と
関連して説明する。
百分順位振幅値を生成する部分
実際に正規化を行う前に、認識しようとする音
声をサンプリング間隔ごとに分析し、百分順位振
幅値を取出すため、セクシヨン１９，２１、およ
び２３からなる部分が設けられている。
声をサンプリング間隔ごとに分析し、百分順位振
幅値を取出すため、セクシヨン１９，２１、およ
び２３からなる部分が設けられている。
セクシヨン１９の度数分布作成器は、音声信号
の周波数帯ごとに、１分間隔で振幅度数分布を作
成する。度数分布は周波数帯ごとに１つずつ用意
される。これは、それぞれの周波数帯の振幅値が
複数のレベルすなわち個々の振幅範囲にどのよう
にどのように分布しているかを示す。本実施例で
は、全振幅範囲は、−20dB〜70dBの範囲で1dB間
隔に90分割されている。
の周波数帯ごとに、１分間隔で振幅度数分布を作
成する。度数分布は周波数帯ごとに１つずつ用意
される。これは、それぞれの周波数帯の振幅値が
複数のレベルすなわち個々の振幅範囲にどのよう
にどのように分布しているかを示す。本実施例で
は、全振幅範囲は、−20dB〜70dBの範囲で1dB間
隔に90分割されている。
第２Ａ図は31周波数帯の場合の代表的な度数分
布を示し、第２Ｂ図はこの度数分布の振幅レベル
と度数すなわちカウントとの関係を示す。１分間
の評価間隔で、例えば、5dBの振幅では620サン
プル、50dBの振幅では1260サンプルが分布して
いることが第２Ｂ図に示されている。これらの度
数分布作成の詳細は、後に第５Ａ図および第５Ｂ
図に関連して説明する。
布を示し、第２Ｂ図はこの度数分布の振幅レベル
と度数すなわちカウントとの関係を示す。１分間
の評価間隔で、例えば、5dBの振幅では620サン
プル、50dBの振幅では1260サンプルが分布して
いることが第２Ｂ図に示されている。これらの度
数分布作成の詳細は、後に第５Ａ図および第５Ｂ
図に関連して説明する。
第１図のセクシヨン２１では、作成された度数
分布から周波数分布から周波数帯ごとに百分順位
振幅値Ｐ（05）およびＰ（95）が取出される。周波
数帯ごとにＰ（05）は分布しているすべての振幅
値の５％だけがこの値よりも小さく、Ｐ（95）は
同様に、分布しているすべての振幅値の５％だけ
がこの値よりも大きいことを示す。取出された31
の百分順位振幅値の対はセクシヨン２３で記憶さ
れ、後に参照値として使用可能になるようにセク
シヨン２３から線２５に出力される。代表的な百
分順位振幅値の例を下記に示す： チヤネル４：Ｐ（05）＝−4dB Ｐ（95）＝55dB チヤネル１０：Ｐ（05）＝−6dB Ｐ（95）＝47dB チヤネル２０：Ｐ（05）＝−4dB Ｐ（95）＝46dB 更に百分順位振幅値の取出しの詳細について
も、後に第６図に関連して説明する。
分布から周波数分布から周波数帯ごとに百分順位
振幅値Ｐ（05）およびＰ（95）が取出される。周波
数帯ごとにＰ（05）は分布しているすべての振幅
値の５％だけがこの値よりも小さく、Ｐ（95）は
同様に、分布しているすべての振幅値の５％だけ
がこの値よりも大きいことを示す。取出された31
の百分順位振幅値の対はセクシヨン２３で記憶さ
れ、後に参照値として使用可能になるようにセク
シヨン２３から線２５に出力される。代表的な百
分順位振幅値の例を下記に示す： チヤネル４：Ｐ（05）＝−4dB Ｐ（95）＝55dB チヤネル１０：Ｐ（05）＝−6dB Ｐ（95）＝47dB チヤネル２０：Ｐ（05）＝−4dB Ｐ（95）＝46dB 更に百分順位振幅値の取出しの詳細について
も、後に第６図に関連して説明する。
認識しようとする音声信号の正規化
セクシヨン２７（第１図）は実際に正規化する
動作を行う部分である。セクシヨン２７は、線１
７から周波線帯ごとの音声信号振幅値Ａ（in）の
連続ストリームを受取り、線２５からあらかじめ
生成されたすべての周波数帯の百分順位振幅値を
受取る。セクシヨン２７は、周波数帯ごとに正規
化された出力振幅値Ａ（out）を次式により計算す
る。
動作を行う部分である。セクシヨン２７は、線１
７から周波線帯ごとの音声信号振幅値Ａ（in）の
連続ストリームを受取り、線２５からあらかじめ
生成されたすべての周波数帯の百分順位振幅値を
受取る。セクシヨン２７は、周波数帯ごとに正規
化された出力振幅値Ａ（out）を次式により計算す
る。
Ａ（out）＝Ａ（in）−Ｐ（05）／Ｐ（95）−Ｐ
（05） セクシヨン２７を実現する回路は後に第７Ａ図
および第７Ｂ図に関連して説明する。
（05） セクシヨン２７を実現する回路は後に第７Ａ図
および第７Ｂ図に関連して説明する。
正規化された振幅値Ａ（out）は、セクシヨン２
９の音声認識装置に直接供給するか、または中間
的に記憶して後に参照することができる。
９の音声認識装置に直接供給するか、または中間
的に記憶して後に参照することができる。
F3 特定のセクシヨンの説明（第３図〜第７Ｂ
図） 周波数帯分割 第３図は、音声信号を31周波数帯に分割するフ
イルタバンク（セクシヨン１５）の詳細を示す。
ユニツト３３は、入力信号スペクトルを後の処理
によりよく適合させる所望のウインドウ機能〔本
実施例ではカイザ（Kaiser）ウインドウ〕を含
む。ユニツト３３に供給された400点のデイジタ
ル音声サンプル値を有するブロツクは、ブロツク
の大きさを変えずにその値を変更され、ユニツト
３５に送られる。ウインドウ動作は前述のシルバ
ーマン他の論文に記載されているので詳細な説明
は省略する。
図） 周波数帯分割 第３図は、音声信号を31周波数帯に分割するフ
イルタバンク（セクシヨン１５）の詳細を示す。
ユニツト３３は、入力信号スペクトルを後の処理
によりよく適合させる所望のウインドウ機能〔本
実施例ではカイザ（Kaiser）ウインドウ〕を含
む。ユニツト３３に供給された400点のデイジタ
ル音声サンプル値を有するブロツクは、ブロツク
の大きさを変えずにその値を変更され、ユニツト
３５に送られる。ウインドウ動作は前述のシルバ
ーマン他の論文に記載されているので詳細な説明
は省略する。
ユニツト３５では、ユニツト３３で値が変更さ
れた400点のデイジタル音声サンプル値をブロツ
クごとに高速ヘーリエ変換（FFT）する。ユニ
ツト３５は、周波数帯の異なる200の振幅値を１
つのブロツクとして出力する。これらの値はフイ
ルタバンク（ユニツト３７）に転送され、ユニツ
ト３７は入力音声信号をスペクトル分析し、３１
周波数帯の振幅値を生成する。フイルタバンクの
機能は次式により表示される。
れた400点のデイジタル音声サンプル値をブロツ
クごとに高速ヘーリエ変換（FFT）する。ユニ
ツト３５は、周波数帯の異なる200の振幅値を１
つのブロツクとして出力する。これらの値はフイ
ルタバンク（ユニツト３７）に転送され、ユニツ
ト３７は入力音声信号をスペクトル分析し、３１
周波数帯の振幅値を生成する。フイルタバンクの
機能は次式により表示される。
Cj＝10log10F(HIGH)
〓i=F(LOW)
｜FFT｜2 i
高速フーリエ変換はオツペンハイムおよびシエ
ーハの著書“デイジタル信号処理”（A.V.
Oppenheim and R.W.Schofer、“Digitol Signol
Processing”、Prentice−Holl、Englewood
Cliffs、N.J.1983）に記憶され、代表的なフイル
タバンクの実現は、クラツトの論文“デイジタル
フイルタバンクによるスペクトル整合”（D.H.
Klatt、“Ａ Digitol Filter Bank for Spectral
Matching、” Confreuce Record of the 1976
IEEE Internatioual Conference on Acoustic、
Speecb and Signal Processing）の573〜576
頁に説明されているので、ユニツト３５および３
７の詳細な説明は省略する。
ーハの著書“デイジタル信号処理”（A.V.
Oppenheim and R.W.Schofer、“Digitol Signol
Processing”、Prentice−Holl、Englewood
Cliffs、N.J.1983）に記憶され、代表的なフイル
タバンクの実現は、クラツトの論文“デイジタル
フイルタバンクによるスペクトル整合”（D.H.
Klatt、“Ａ Digitol Filter Bank for Spectral
Matching、” Confreuce Record of the 1976
IEEE Internatioual Conference on Acoustic、
Speecb and Signal Processing）の573〜576
頁に説明されているので、ユニツト３５および３
７の詳細な説明は省略する。
周波数帯ｉごとの連続する出力値Ａ(i)は、0.1
秒間隔でそれぞれの周波数帯のエネルギの大きさ
を表す。これらの値は、度数分布および百分順位
振幅値の生成ならびに正規化動作の入力として使
用される。
秒間隔でそれぞれの周波数帯のエネルギの大きさ
を表す。これらの値は、度数分布および百分順位
振幅値の生成ならびに正規化動作の入力として使
用される。
ヒストグラム作成
第４図、度数分布作成手順の流れ図である。Ａ
(i)は所定の時間間隔の周波数帯ｉの振幅、BIN
(j)はレベルｊの低い方の境界の振幅、COUNT
〔BIN(j)〕はレベルｊの累計カウントである。31
周波数帯の各々について、ｋ個（本実施例ではｋ
＝90である）の計数用ビンBIN(j)が設けられて
いる。すなわち、ビンの各々は個々のｋレベルの
振幅の中の１つのBIN(j)を表わし、それぞれの
BIN(j)からBIN（ｊ＋１）までの範囲のレベルに
分類される振幅値Ａ(i)の発生をカウントする。ス
テツプ120は、入力値Ａ(i)と、連続するレベル値
BIN(j)とを比較する。この場合、比較は最も低
い値から開始され、Ａ(i)がBIN(j)の値を越える
まで、ステツプ130でBIN（ｊ−１）のカウント
値COUNT〔BIN（ｊ−１）〕を１増加する。
(i)は所定の時間間隔の周波数帯ｉの振幅、BIN
(j)はレベルｊの低い方の境界の振幅、COUNT
〔BIN(j)〕はレベルｊの累計カウントである。31
周波数帯の各々について、ｋ個（本実施例ではｋ
＝90である）の計数用ビンBIN(j)が設けられて
いる。すなわち、ビンの各々は個々のｋレベルの
振幅の中の１つのBIN(j)を表わし、それぞれの
BIN(j)からBIN（ｊ＋１）までの範囲のレベルに
分類される振幅値Ａ(i)の発生をカウントする。ス
テツプ120は、入力値Ａ(i)と、連続するレベル値
BIN(j)とを比較する。この場合、比較は最も低
い値から開始され、Ａ(i)がBIN(j)の値を越える
まで、ステツプ130でBIN（ｊ−１）のカウント
値COUNT〔BIN（ｊ−１）〕を１増加する。
第５図および第５Ｂ図は度数分布発生器を実現
する論理回路である。セクシヨン１９の度数分布
作成器は31周波数帯の各々の度数分布作成モジユ
ール４１を有する。度数分布作成モジユール４１
は第５Ａ図に示すようにｋ個の論理／計数回路４
３(j)からなる。ｋ＝90の振幅レベルを仮定する
と、31周波数帯の各々について90の論理／計算回
路４３(j)が設けられる。連続する周波数帯の値Ａ
(i)はすべての論理／計算回路４３(j)に並列に供給
され、このような度数分布カウント値ごとに、レ
ベルカウント値Ｈ(j)が１増加する。
する論理回路である。セクシヨン１９の度数分布
作成器は31周波数帯の各々の度数分布作成モジユ
ール４１を有する。度数分布作成モジユール４１
は第５Ａ図に示すようにｋ個の論理／計数回路４
３(j)からなる。ｋ＝90の振幅レベルを仮定する
と、31周波数帯の各々について90の論理／計算回
路４３(j)が設けられる。連続する周波数帯の値Ａ
(i)はすべての論理／計算回路４３(j)に並列に供給
され、このような度数分布カウント値ごとに、レ
ベルカウント値Ｈ(j)が１増加する。
第５Ｂ図は１つの論理／計数回路４３(j)の詳細
を示す。この回路は、BIN(j)とBIN（ｊ＋１）の
レベル境界値の間に位置するＡ(i)値をカウントす
る。比較器４５（Ｃ−１）の出力は、Ａ(i)＞＝
BIN(j)の場合１になり、比較器４７（C2）に続
くインバータ４９（Ｎ）の出力はＡ(i)＜BIN（ｊ
＋１）の場合１になる。
を示す。この回路は、BIN(j)とBIN（ｊ＋１）の
レベル境界値の間に位置するＡ(i)値をカウントす
る。比較器４５（Ｃ−１）の出力は、Ａ(i)＞＝
BIN(j)の場合１になり、比較器４７（C2）に続
くインバータ４９（Ｎ）の出力はＡ(i)＜BIN（ｊ
＋１）の場合１になる。
ANDゲート５１はこれらの２つの入力が１の
場合、計数パルスをカウンタ(j)５３に供給し、カ
ウンタ(j)５３はレベルカウントＨ(j)を出力する。
場合、計数パルスをカウンタ(j)５３に供給し、カ
ウンタ(j)５３はレベルカウントＨ(j)を出力する。
百分順位取出し
第６図は度数分布から百分順位振幅値Ｐ（05）
およびＰ（95）を取出す手順の流れ図である。こ
れは第１図のセクシヨン２１の動作に相当する。
31周波数帯の各々について別個に取出しが行われ
る。
およびＰ（95）を取出す手順の流れ図である。こ
れは第１図のセクシヨン２１の動作に相当する。
31周波数帯の各々について別個に取出しが行われ
る。
TCは周波数帯ｉの度数分布の振幅カウント合
計数、Ｌ５は５％百分順位のカウント、Ｌ９５は
95％百分順位のカウント、Ｐ（05）は５％百分順
位振幅値、Ｐ（95）は95％百分順位振幅値、ACC
はｊレベルまでの全レベルの度数分布の振幅カウ
ントの累計である。
計数、Ｌ５は５％百分順位のカウント、Ｌ９５は
95％百分順位のカウント、Ｐ（05）は５％百分順
位振幅値、Ｐ（95）は95％百分順位振幅値、ACC
はｊレベルまでの全レベルの度数分布の振幅カウ
ントの累計である。
最初に、ステツプ200でｋレベルのカウント値
Ｈ(j)の総和をとつてTCを計算する。次に、ステ
ツプ210で度数分布の境界カウントＬ５およびＬ
９５をそれぞれTCの５％および95％として計算
し、ｊおよびACCを０に初期設定する。ステツ
プ220でｊを１増分し、ACCの値をＨ(j)増加す
る。ステツプ230で下位の境界カウントＬ５と累
計カウントACCを比較する。最初、０に初期設
定されたACCは、ｊの値が１増分するごとにＨ
(j)の値が加算される。この動作はACCがＬ５よ
りも大きくなるまで反復される。ACCがＬ５よ
りも大きくなる、すなわち５％百分順位振幅値レ
ベルに達すると、ステツプ240でBIN(j)はＰ（05）
の値になる。次にステツプ250で、引続きｊを１
増分し、ACCの値をＨ(j)増加する。この動作は
ACCがＬ９５よりも大きくなるまで反復される。
ステツプ260で、上位の境界カウントＬ９５と
ACCを比較する。ACC＞Ｌ９５の場合、すなわ
ちACCが95％百分順位振幅値レベルに達すると、
ステツプ270でBIN(j)はＰ（95）の値になる。Ｐ
（05）およびＰ（95）の値は第１図のセクシヨン２
３で記憶される。
Ｈ(j)の総和をとつてTCを計算する。次に、ステ
ツプ210で度数分布の境界カウントＬ５およびＬ
９５をそれぞれTCの５％および95％として計算
し、ｊおよびACCを０に初期設定する。ステツ
プ220でｊを１増分し、ACCの値をＨ(j)増加す
る。ステツプ230で下位の境界カウントＬ５と累
計カウントACCを比較する。最初、０に初期設
定されたACCは、ｊの値が１増分するごとにＨ
(j)の値が加算される。この動作はACCがＬ５よ
りも大きくなるまで反復される。ACCがＬ５よ
りも大きくなる、すなわち５％百分順位振幅値レ
ベルに達すると、ステツプ240でBIN(j)はＰ（05）
の値になる。次にステツプ250で、引続きｊを１
増分し、ACCの値をＨ(j)増加する。この動作は
ACCがＬ９５よりも大きくなるまで反復される。
ステツプ260で、上位の境界カウントＬ９５と
ACCを比較する。ACC＞Ｌ９５の場合、すなわ
ちACCが95％百分順位振幅値レベルに達すると、
ステツプ270でBIN(j)はＰ（95）の値になる。Ｐ
（05）およびＰ（95）の値は第１図のセクシヨン２
３で記憶される。
正規化回路
第７Ａ図および第７Ｂ図は、第１図セクシヨン
２７の正規化動作の詳細を部分的に示す。前に説
明したように、セクシヨン２７は線１７から31周
波数帯の連続する振幅値Ａ(i)を受取り、線２５か
ら31チヤンネルの百分順位振幅値Ｐ（05）および
Ｐ（95）を受取る。セクシヨン２７は31の演算モ
ジユール５５を含む。各々の演算モジユール５５
は１つの周波数帯の振幅値を正規化する。第７Ｂ
図はこのような正規化モジユール５５の１つであ
る。正規化モジユール５５は、減算器５７、減
算／反転器５９および乗算器６３を含む。減算器
５７は、連続するそれぞれの値Ａ（in）から、記
憶されている百分順位振幅値Ｐ（05）を引く。減
算／反転器５９は、Ｐ（95）からＰ（05）を引き、
その結果の逆数の値を計算して線６１から取出す
ことができる。もちろん、この値はあらかじめ計
算され、記憶される。なぜなら、百分順位振幅値
は、再計算されるまでは変更されないからであ
る。乗算器63は、減算器５７の出力と、線６１か
らの値との積を計算し、次式による所望の値Ａ
（out）を、Ａ(i)が入力されるごとに出力する。
２７の正規化動作の詳細を部分的に示す。前に説
明したように、セクシヨン２７は線１７から31周
波数帯の連続する振幅値Ａ(i)を受取り、線２５か
ら31チヤンネルの百分順位振幅値Ｐ（05）および
Ｐ（95）を受取る。セクシヨン２７は31の演算モ
ジユール５５を含む。各々の演算モジユール５５
は１つの周波数帯の振幅値を正規化する。第７Ｂ
図はこのような正規化モジユール５５の１つであ
る。正規化モジユール５５は、減算器５７、減
算／反転器５９および乗算器６３を含む。減算器
５７は、連続するそれぞれの値Ａ（in）から、記
憶されている百分順位振幅値Ｐ（05）を引く。減
算／反転器５９は、Ｐ（95）からＰ（05）を引き、
その結果の逆数の値を計算して線６１から取出す
ことができる。もちろん、この値はあらかじめ計
算され、記憶される。なぜなら、百分順位振幅値
は、再計算されるまでは変更されないからであ
る。乗算器63は、減算器５７の出力と、線６１か
らの値との積を計算し、次式による所望の値Ａ
（out）を、Ａ(i)が入力されるごとに出力する。
Ａ（out）＝Ａ（in）−Ｐ（05）／Ｐ（95）−Ｐ
（05） Ｇ 発明の効果 本発明の方法により、音声認識システムで必要
なステツプに比較的少数のステツプを追加して正
規化を行い、そのシステムにおける認識結果を大
幅に改善することができる。
（05） Ｇ 発明の効果 本発明の方法により、音声認識システムで必要
なステツプに比較的少数のステツプを追加して正
規化を行い、そのシステムにおける認識結果を大
幅に改善することができる。
第１図は本発明による音声正規化手順の、特定
の百分順位振幅値の生成および実際の正規化を含
む構成のブロツク図、第２Ａ図は第１図による構
成から得られた度数分布の例を示す図、第２Ｂ図
は振幅レベルとカウント値との関係を示す図、第
３図は音声信号を31周波数帯に分割するフイルタ
バンクのブロツク図、第４図は度数分布作成手順
の流れ図、第５Ａ図および第５Ｂ図は度数分布作
成ルーチンを実現する論理回路、第６図は度数分
布から特定の百分順位振幅値を取出す手順の流れ
図、第７Ａ図および第７Ｂ図はあらかじめ作成さ
れた百分順位振幅値により実際の音声信号正規化
を実現する演算回路の部分を示す図である。 ４１……度数分布作成モジユール、４３……論
理／計数回路、５５……演算モジユール、５７…
…減算器、５９……減算／反転器、６３……乗算
器。
の百分順位振幅値の生成および実際の正規化を含
む構成のブロツク図、第２Ａ図は第１図による構
成から得られた度数分布の例を示す図、第２Ｂ図
は振幅レベルとカウント値との関係を示す図、第
３図は音声信号を31周波数帯に分割するフイルタ
バンクのブロツク図、第４図は度数分布作成手順
の流れ図、第５Ａ図および第５Ｂ図は度数分布作
成ルーチンを実現する論理回路、第６図は度数分
布から特定の百分順位振幅値を取出す手順の流れ
図、第７Ａ図および第７Ｂ図はあらかじめ作成さ
れた百分順位振幅値により実際の音声信号正規化
を実現する演算回路の部分を示す図である。 ４１……度数分布作成モジユール、４３……論
理／計数回路、５５……演算モジユール、５７…
…減算器、５９……減算／反転器、６３……乗算
器。
Claims (1)
- 【特許請求の範囲】 １ 予め定められた微小間隔ごとに音声信号の各
周波数帯の振幅を検出して音声の特徴を得て音声
認識を行うために、上記音声信号を正規化する方
法において、 上記周波数帯ごとに、 (a) 上記微小間隔において各振幅が検出される頻
度を示す、振幅の度数分布を作成し、 (b) 上記度数分布の低振幅側の所定の百分順位を
規定する第１の振幅Ｐ（lo）を決定し、 (c) 上記度数分布の高振幅側の所定の百分順位を
規定する第２の振幅Ｐ（hi）を決定し、 (d) 音声信号の入力幅振Ａ（in）を Ａ（out）＝Ａ（in）−Ｐ（lo）／Ｐ（hi）−Ｐ
（lo） により正規化して出力振幅Ａ（out）を得ること
を特徴とする音声信号正規化方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US06/662,867 US4817158A (en) | 1984-10-19 | 1984-10-19 | Normalization of speech signals |
| US662867 | 1991-03-01 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6198400A JPS6198400A (ja) | 1986-05-16 |
| JPH0312319B2 true JPH0312319B2 (ja) | 1991-02-19 |
Family
ID=24659567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP60156211A Granted JPS6198400A (ja) | 1984-10-19 | 1985-07-17 | 音声信号正規化方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US4817158A (ja) |
| EP (1) | EP0182989B1 (ja) |
| JP (1) | JPS6198400A (ja) |
| DE (1) | DE3576596D1 (ja) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4118978A1 (de) * | 1991-06-08 | 1992-12-10 | Rohde & Schwarz | Verfahren und anordnung zum messen der kennwerte wie spitzenwert, mittelwert oder effektivwert einer wechselspannung |
| FR2690550A1 (fr) * | 1992-04-28 | 1993-10-29 | Spic France Sa | Dispositif d'analyse de la parole et des phénomènes acoustiques. |
| DE4317424C2 (de) * | 1993-05-26 | 2002-06-13 | Eads Deutschland Gmbh | Verfahren zur Ermittlung einer periodischen Struktur in einem Linienspektrum und Verwendung eines solchen Verfahrens zur Erkennung und/oder Klassifizierung eines Hubschraubers |
| US5664171A (en) * | 1994-04-14 | 1997-09-02 | International Business Machines Corporation | System and method for query optimization using quantile values of a large unordered data set |
| US6151575A (en) * | 1996-10-28 | 2000-11-21 | Dragon Systems, Inc. | Rapid adaptation of speech models |
| US5822718A (en) * | 1997-01-29 | 1998-10-13 | International Business Machines Corporation | Device and method for performing diagnostics on a microphone |
| US5946654A (en) * | 1997-02-21 | 1999-08-31 | Dragon Systems, Inc. | Speaker identification using unsupervised speech models |
| US6029124A (en) * | 1997-02-21 | 2000-02-22 | Dragon Systems, Inc. | Sequential, nonparametric speech recognition and speaker identification |
| US6212498B1 (en) | 1997-03-28 | 2001-04-03 | Dragon Systems, Inc. | Enrollment in speech recognition |
| US6108658A (en) * | 1998-03-30 | 2000-08-22 | International Business Machines Corporation | Single pass space efficent system and method for generating approximate quantiles satisfying an apriori user-defined approximation error |
| US6163768A (en) * | 1998-06-15 | 2000-12-19 | Dragon Systems, Inc. | Non-interactive enrollment in speech recognition |
| US6178400B1 (en) | 1998-07-22 | 2001-01-23 | At&T Corp. | Method and apparatus for normalizing speech to facilitate a telephone call |
| WO2000022607A1 (en) * | 1998-10-09 | 2000-04-20 | Sony Corporation | Learning device and method, recognizing device and method, and recording medium |
| US6314396B1 (en) | 1998-11-06 | 2001-11-06 | International Business Machines Corporation | Automatic gain control in a speech recognition system |
| US6343288B1 (en) | 1999-03-12 | 2002-01-29 | International Business Machines Corporation | Single pass space efficient system and method for generating an approximate quantile in a data set having an unknown size |
| US6651040B1 (en) * | 2000-05-31 | 2003-11-18 | International Business Machines Corporation | Method for dynamic adjustment of audio input gain in a speech system |
| US7089184B2 (en) * | 2001-03-22 | 2006-08-08 | Nurv Center Technologies, Inc. | Speech recognition for recognizing speaker-independent, continuous speech |
| JP2004061617A (ja) * | 2002-07-25 | 2004-02-26 | Fujitsu Ltd | 受話音声処理装置 |
| US7697827B2 (en) | 2005-10-17 | 2010-04-13 | Konicek Jeffrey C | User-friendlier interfaces for a camera |
| EP2877992A1 (en) * | 2012-07-24 | 2015-06-03 | Nuance Communications, Inc. | Feature normalization inputs to front end processing for automatic speech recognition |
| US9426592B2 (en) * | 2013-02-14 | 2016-08-23 | Google Inc. | Audio clipping detection |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US32172A (en) * | 1861-04-30 | Printing-press | ||
| US2938079A (en) * | 1957-01-29 | 1960-05-24 | James L Flanagan | Spectrum segmentation system for the automatic extraction of formant frequencies from human speech |
| GB1435779A (en) * | 1972-09-21 | 1976-05-12 | Threshold Tech | Word recognition |
| JPS50155105A (ja) * | 1974-06-04 | 1975-12-15 | ||
| US4038503A (en) * | 1975-12-29 | 1977-07-26 | Dialog Systems, Inc. | Speech recognition apparatus |
| US4087630A (en) * | 1977-05-12 | 1978-05-02 | Centigram Corporation | Continuous speech recognition apparatus |
| JPS5529803A (en) * | 1978-07-18 | 1980-03-03 | Nippon Electric Co | Continuous voice discriminating device |
| US4184049A (en) * | 1978-08-25 | 1980-01-15 | Bell Telephone Laboratories, Incorporated | Transform speech signal coding with pitch controlled adaptive quantizing |
| JPS5672499A (en) * | 1979-11-19 | 1981-06-16 | Hitachi Ltd | Pretreatment for voice identifier |
| US4315319A (en) * | 1980-02-01 | 1982-02-09 | Rockwell International Corporation | Non-linear signal processor |
| USRE32172E (en) | 1980-12-19 | 1986-06-03 | At&T Bell Laboratories | Endpoint detector |
| US4388495A (en) * | 1981-05-01 | 1983-06-14 | Interstate Electronics Corporation | Speech recognition microcomputer |
| US4567610A (en) * | 1982-07-22 | 1986-01-28 | Wayland Research Inc. | Method of and apparatus for pattern recognition |
-
1984
- 1984-10-19 US US06/662,867 patent/US4817158A/en not_active Expired - Lifetime
-
1985
- 1985-07-17 JP JP60156211A patent/JPS6198400A/ja active Granted
- 1985-09-13 DE DE8585111566T patent/DE3576596D1/de not_active Expired - Lifetime
- 1985-09-13 EP EP85111566A patent/EP0182989B1/en not_active Expired
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6198400A (ja) | 1986-05-16 |
| EP0182989A1 (en) | 1986-06-04 |
| DE3576596D1 (de) | 1990-04-19 |
| EP0182989B1 (en) | 1990-03-14 |
| US4817158A (en) | 1989-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5054085A (en) | Preprocessing system for speech recognition | |
| KR910002198B1 (ko) | 음성인식방법과 그 장치 | |
| US8831942B1 (en) | System and method for pitch based gender identification with suspicious speaker detection | |
| JPS6198400A (ja) | 音声信号正規化方法 | |
| Deshmukh et al. | Speech based emotion recognition using machine learning | |
| US3588363A (en) | Word recognition system for voice controller | |
| GB2107100A (en) | Continuous speech recognition | |
| CN107564543B (zh) | 一种高情感区分度的语音特征提取方法 | |
| EP0838805B1 (en) | Speech recognition apparatus using pitch intensity information | |
| Hasija et al. | Recognition of children Punjabi speech using tonal non-tonal classifier | |
| US5483617A (en) | Elimination of feature distortions caused by analysis of waveforms | |
| EP0248593A1 (en) | Preprocessing system for speech recognition | |
| RU2606566C2 (ru) | Способ и устройство классификации сегментов зашумленной речи с использованием полиспектрального анализа | |
| Jadhav et al. | Speech recognition to distinguish gender and a review and related terms | |
| Shome et al. | Non-negative frequency-weighted energy-based speech quality estimation for different modes and quality of speech | |
| JP2863214B2 (ja) | 雑音除去装置及び該装置を用いた音声認識装置 | |
| Rana et al. | Effect of windowing on the calculation of MFCC statistical parameter for different gender in Hindi speech | |
| Agrawal et al. | Effect of voiced speech parameters on the intelligibility of PB words | |
| Bharathi et al. | Speaker verification in a noisy environment by enhancing the speech signal using various approaches of spectral subtraction | |
| CN116645972B (zh) | 一种基于稀疏分解的齿音抑制方法 | |
| JP3008404B2 (ja) | 音声認識装置 | |
| Ram et al. | Stress and Relaxation Detection with Enhancement Using MaskNet | |
| Coy et al. | Soft harmonic masks for recognising speech in the presence of a competing speaker. | |
| Millar et al. | The Automatic analysis of acoustic variance in speech | |
| Baghel et al. | Overlapped/Non-Overlapped Speech Transition Point Detection Using Bag-of-Audio-Words |