JPH03123399A - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JPH03123399A JPH03123399A JP1261296A JP26129689A JPH03123399A JP H03123399 A JPH03123399 A JP H03123399A JP 1261296 A JP1261296 A JP 1261296A JP 26129689 A JP26129689 A JP 26129689A JP H03123399 A JPH03123399 A JP H03123399A
- Authority
- JP
- Japan
- Prior art keywords
- power
- btsp
- speech recognition
- filter
- pitch frequency
- 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.)
- Pending
Links
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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/90—Pitch determination of speech signals
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
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。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
投揉分更
本発明は、音声認識装置、より詳細には、フィルタバン
クによるピッチ抽出技術に関する。
クによるピッチ抽出技術に関する。
災末技生
水出原人は、先に、単語単位に発声した音声を、２値化
処理をして求めた入カバターンと辞書パターンを線形マ
ツチングして認識するＢＴＳＰ（Ｂｉｎａｒｙ ＴＳ
Ｐ）による認識方式を開発した。
処理をして求めた入カバターンと辞書パターンを線形マ
ツチングして認識するＢＴＳＰ（Ｂｉｎａｒｙ ＴＳ
Ｐ）による認識方式を開発した。
この方式はＤＰマツチングを用いない簡単な方式で、Ｔ
ＳＰ上の周波数変動に対する吸収性に優れ、不特定話者
への適用が期待できるものである。
ＳＰ上の周波数変動に対する吸収性に優れ、不特定話者
への適用が期待できるものである。
一方、音声認識辞書と音声合成辞書を兼用させた技術は
例えば公表特許公報昭６３−５０２１４６号により公知
であるが、この場合、合成音は、一定ピツチによる駆動
のため抑揚がなく不自然なものである。さらに音声認識
辞書にＢＴＳＰを使った場合、従来技術ではパワー（音
量）の滑らかさがなくなる欠点があった。
例えば公表特許公報昭６３−５０２１４６号により公知
であるが、この場合、合成音は、一定ピツチによる駆動
のため抑揚がなく不自然なものである。さらに音声認識
辞書にＢＴＳＰを使った場合、従来技術ではパワー（音
量）の滑らかさがなくなる欠点があった。
ｌ在
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、音声認識辞書を作成する際に、ピッチを付加し、
更には、音声パワーを付加し、合成音の品質を向上させ
ることを目的としたものである。
特に、音声認識辞書を作成する際に、ピッチを付加し、
更には、音声パワーを付加し、合成音の品質を向上させ
ることを目的としたものである。
Ｗ−−」父
本発明は、上記目的を達成するために、（１）フィルタ
バンクを用い、各フィルタの出力レベルと入力レベルの
比（以下、フィルタゲイン）から最も確からしい最大公
約的な共振周波数をピッチ周波数とするとき、第Ｊフィ
ルタのｆｔ（ｚにおける理論上のフィルタゲインをＸｊ
（ｆ）とし、観測されたフィルタゲインをＧｊとす
ると、を定義し、Ｍｉ ｎ ｌ Ａ （ｆ） ｌを満
たすｆをピッチ周波数とすること、或いは、（２）上記
（１）のピッチ周波数決定において、第にフレームのピ
ッチ周波数候補をｆｋ、第ｋ−１フレームのピッチ周波
数候補をｆｋ−１、ピッチ周波数がｆｋ−１からｆｋに
変化する遷移確率をＰ（ｆｋ｜ｆｋ−１）とすると、Ｂ
（ｆ ｋ）＝Ａ（ｆ ｋ） −ｌｏｇＰ（ｆｋｌ
ｆｋ−１）を定義し、ＭｉｎＸＢ（ｆｋ）をに 満たす周波数ｆ１、ｆ２、・・・、ｆｋ、・・・をピッ
チ周波数列とすること、或いは、（３）前記（１）又は
（２）の音声認識装置において、ピッチ抽出に使用する
フィルタは、低域側のフィルタのみとすることを特徴と
したものであり、更には、（４）前記（１）又は（２）
又は（３）の音声認識装置において、音声認識辞書に前
記（１）又は（２）又は（３）で求めたピッチ周波数を
付加し、音声合成をも行うこと、或いは、（５）前記（
４）の音声認識辞書に２値のＴｉｍｅ Ｓｐｅｃｔｒｕ
ｍ Ｐａｔｔｅｒｎ（以下ＢＴＳＰ）を使用している音
声認識装置において、更に音声パワーを辞書に付加し、
音声合成時に２値のＢＴＳＰの高い方のレベルのチャネ
ルに対応した音声合成フィルタバンクのみを駆動するよ
うにし、その能動はピッチ周波数と同じ周期の該音声パ
ワーに比例したパワーをもった三角波列または該音声パ
ワーに比例したパワーをもつた白色雑音で行うこと、或
いは、（６）前記（４）の音声認識辞書に２値のＢＴＳ
Ｐを重畳して生成した重畳ＢＴＳＰを使用している音声
認識装置において、更に音声パワーを辞書に付加し、音
声合成時に重畳ＢＴＳＰの所定のレベルより大きいチャ
ネルに対応した音声合成フィルタバンクのみを駆動し、
その駆動はピッチ周波数と同じ周期の該音声パワーに比
例したパワーをもった三角波列または該音声パワーに比
例したパワーをもった白色雑音で行うこと、或いは、（
７）前記（４）の音声認識辞書に２値のＢＴＳＰを使用
している音声認識装置において、更に音声パワーを辞書
に付加し、音声合成時に２値のＢＴＳＰの高い方のレベ
ルのチャネルの連続したチャネルの中心周波数の平均を
Ｆｉ、その帯域幅をＢｉとすると、（ただし、Ａｊ：定
数 Ｎ＝高い方のレベルが連続したグループの数
Ｔ：標本時間）で定義される声道フィルタ特性Ｖ（ｚ）
を駆動し、その駆動はピッチ周波数と同じ周期の該音声
パワーに比例したパワーをもったパルス列または該音声
パワーに比例したパワーをもった白色雑音で行うこと、
或いは、（８）前記（４）の音声認識辞書に２値のＢＴ
ＳＰを重畳して生成した重畳ＢＴＳＰを使用している音
声認識装置において、更に音声パワーを辞書に付加し、
音声合成時に重畳ＢＴＳＰの所定のレベルより大きいチ
ャネルの連続したチャネルの中心周波数の平均をＦｉ、
その帯域幅をＢｉとすると、 （ただし、Ａｉ：定数 Ｎ＝高い方のレベルが連続し
たグループの数 Ｔ：標本時間）で定義される声道フ
ィルタ特性Ｖ （ｚ）を駆動し、その駆動はピッチ周波
数と同じ周期の該音声パワーに比例したパワーをもった
パルス列または該音声パワーに比例したパワーをもった
白色雑音で行うことを特徴としたものである。以下、本
発明の実施例に基づいて説明する。
バンクを用い、各フィルタの出力レベルと入力レベルの
比（以下、フィルタゲイン）から最も確からしい最大公
約的な共振周波数をピッチ周波数とするとき、第Ｊフィ
ルタのｆｔ（ｚにおける理論上のフィルタゲインをＸｊ
（ｆ）とし、観測されたフィルタゲインをＧｊとす
ると、を定義し、Ｍｉ ｎ ｌ Ａ （ｆ） ｌを満
たすｆをピッチ周波数とすること、或いは、（２）上記
（１）のピッチ周波数決定において、第にフレームのピ
ッチ周波数候補をｆｋ、第ｋ−１フレームのピッチ周波
数候補をｆｋ−１、ピッチ周波数がｆｋ−１からｆｋに
変化する遷移確率をＰ（ｆｋ｜ｆｋ−１）とすると、Ｂ
（ｆ ｋ）＝Ａ（ｆ ｋ） −ｌｏｇＰ（ｆｋｌ
ｆｋ−１）を定義し、ＭｉｎＸＢ（ｆｋ）をに 満たす周波数ｆ１、ｆ２、・・・、ｆｋ、・・・をピッ
チ周波数列とすること、或いは、（３）前記（１）又は
（２）の音声認識装置において、ピッチ抽出に使用する
フィルタは、低域側のフィルタのみとすることを特徴と
したものであり、更には、（４）前記（１）又は（２）
又は（３）の音声認識装置において、音声認識辞書に前
記（１）又は（２）又は（３）で求めたピッチ周波数を
付加し、音声合成をも行うこと、或いは、（５）前記（
４）の音声認識辞書に２値のＴｉｍｅ Ｓｐｅｃｔｒｕ
ｍ Ｐａｔｔｅｒｎ（以下ＢＴＳＰ）を使用している音
声認識装置において、更に音声パワーを辞書に付加し、
音声合成時に２値のＢＴＳＰの高い方のレベルのチャネ
ルに対応した音声合成フィルタバンクのみを駆動するよ
うにし、その能動はピッチ周波数と同じ周期の該音声パ
ワーに比例したパワーをもった三角波列または該音声パ
ワーに比例したパワーをもつた白色雑音で行うこと、或
いは、（６）前記（４）の音声認識辞書に２値のＢＴＳ
Ｐを重畳して生成した重畳ＢＴＳＰを使用している音声
認識装置において、更に音声パワーを辞書に付加し、音
声合成時に重畳ＢＴＳＰの所定のレベルより大きいチャ
ネルに対応した音声合成フィルタバンクのみを駆動し、
その駆動はピッチ周波数と同じ周期の該音声パワーに比
例したパワーをもった三角波列または該音声パワーに比
例したパワーをもった白色雑音で行うこと、或いは、（
７）前記（４）の音声認識辞書に２値のＢＴＳＰを使用
している音声認識装置において、更に音声パワーを辞書
に付加し、音声合成時に２値のＢＴＳＰの高い方のレベ
ルのチャネルの連続したチャネルの中心周波数の平均を
Ｆｉ、その帯域幅をＢｉとすると、（ただし、Ａｊ：定
数 Ｎ＝高い方のレベルが連続したグループの数
Ｔ：標本時間）で定義される声道フィルタ特性Ｖ（ｚ）
を駆動し、その駆動はピッチ周波数と同じ周期の該音声
パワーに比例したパワーをもったパルス列または該音声
パワーに比例したパワーをもった白色雑音で行うこと、
或いは、（８）前記（４）の音声認識辞書に２値のＢＴ
ＳＰを重畳して生成した重畳ＢＴＳＰを使用している音
声認識装置において、更に音声パワーを辞書に付加し、
音声合成時に重畳ＢＴＳＰの所定のレベルより大きいチ
ャネルの連続したチャネルの中心周波数の平均をＦｉ、
その帯域幅をＢｉとすると、 （ただし、Ａｉ：定数 Ｎ＝高い方のレベルが連続し
たグループの数 Ｔ：標本時間）で定義される声道フ
ィルタ特性Ｖ （ｚ）を駆動し、その駆動はピッチ周波
数と同じ周期の該音声パワーに比例したパワーをもった
パルス列または該音声パワーに比例したパワーをもった
白色雑音で行うことを特徴としたものである。以下、本
発明の実施例に基づいて説明する。
第１図は、本発明の一実施例を説明するための構成図で
、図中、１０は辞書登録部、２０は辞書部、３０は音声
合成部で、図中の鎖線部はＢＴＳＰを使用する場合を示
す。辞書登録部１０は、フィルタバンク１１、音声パワ
ー検出器１２、Ａ（ｆ）計算器１３、Ａ （ｆ）計算結
果メモリ１４、遷移確率テーブル１５、ＭｉｎＸＢ（ｆ
ｋ）演算器１６、認識テンプレート生成器１７、有声・
無声判別器１８等から成る。フィルタバンク１１は音声
の特徴量を抽出するためのものであり、音声パワー検出
器１２は入力音声のパワーを検出するものである。Ａ
（ｆ）計算器１３はフィルタバンク１１の低域側のフィ
ルタの出力レベルとフィルタへの入力レベル（音声パワ
ー）からＡ （ｆ）を計算し、Ａ （ｆ）計算結果メモ
リ１４はＡ （ｆ）の計算結果を格納しておく。遷移確
率テーブル１５はあるピッチ周波数からあるピッチ周波
数へ遷移する確率テーブルで、予め求めておく。Ｍｉｎ
ＸＢ（ｆｋ）演算器１６は、Ａ （ｆ）計算結果メモリ
１４、遷移確率テーブル１５からＶｉｔｅｒｂｉＡｌｇ
ｏｒｉｔｈｍにより最も確からしいピッチ周波数列を求
める。認識テンプレート生成器（たとえばＢＴＳＰ生成
器）１７はフィルタバンク１１の出力から音声認識テン
プレート（例えばＢＴＳＰ）を生成する。また、有声・
無声判別器１８は有声・無声を判別し、たとえば、低域
側（Ａ（ｆ）計算のための低域側フィルタと異なってい
てもよい）のレベル（＝Ｌ）と高域側のレベル（＝Ｈ）
の比（＝Ｌ／Ｈ）をとり、その比が所定値より大きい場
合は有声、それ以外は無声とする。
、図中、１０は辞書登録部、２０は辞書部、３０は音声
合成部で、図中の鎖線部はＢＴＳＰを使用する場合を示
す。辞書登録部１０は、フィルタバンク１１、音声パワ
ー検出器１２、Ａ（ｆ）計算器１３、Ａ （ｆ）計算結
果メモリ１４、遷移確率テーブル１５、ＭｉｎＸＢ（ｆ
ｋ）演算器１６、認識テンプレート生成器１７、有声・
無声判別器１８等から成る。フィルタバンク１１は音声
の特徴量を抽出するためのものであり、音声パワー検出
器１２は入力音声のパワーを検出するものである。Ａ
（ｆ）計算器１３はフィルタバンク１１の低域側のフィ
ルタの出力レベルとフィルタへの入力レベル（音声パワ
ー）からＡ （ｆ）を計算し、Ａ （ｆ）計算結果メモ
リ１４はＡ （ｆ）の計算結果を格納しておく。遷移確
率テーブル１５はあるピッチ周波数からあるピッチ周波
数へ遷移する確率テーブルで、予め求めておく。Ｍｉｎ
ＸＢ（ｆｋ）演算器１６は、Ａ （ｆ）計算結果メモリ
１４、遷移確率テーブル１５からＶｉｔｅｒｂｉＡｌｇ
ｏｒｉｔｈｍにより最も確からしいピッチ周波数列を求
める。認識テンプレート生成器（たとえばＢＴＳＰ生成
器）１７はフィルタバンク１１の出力から音声認識テン
プレート（例えばＢＴＳＰ）を生成する。また、有声・
無声判別器１８は有声・無声を判別し、たとえば、低域
側（Ａ（ｆ）計算のための低域側フィルタと異なってい
てもよい）のレベル（＝Ｌ）と高域側のレベル（＝Ｈ）
の比（＝Ｌ／Ｈ）をとり、その比が所定値より大きい場
合は有声、それ以外は無声とする。
辞書部２０は、音声認識テンプレート（例えばＢＴＳＰ
）、有声・無声情報、ピッチ周波数等を格納する（ＢＴ
ＳＰをテンプレートとした場合、音声パワーも格納する
）。
）、有声・無声情報、ピッチ周波数等を格納する（ＢＴ
ＳＰをテンプレートとした場合、音声パワーも格納する
）。
音声合成部３ｏは三角波生成器３１．白色雑音生成器３
２、駆動音源切り換え器３３、乗算器３４、フィルタバ
ンク３５等から成り、三角波生成器３１は有声時のフィ
ルタバンク３５の駆動音源で、周期はそのフレームのピ
ッチ周波数である。
２、駆動音源切り換え器３３、乗算器３４、フィルタバ
ンク３５等から成り、三角波生成器３１は有声時のフィ
ルタバンク３５の駆動音源で、周期はそのフレームのピ
ッチ周波数である。
白色雑音生成器３２は無声時のフィルタバンク３５また
は声道フィルタ特性Ｖ （ｚ）の駆動音源である。駆動
音源切り換え部３３は有声・無声によりフィルタバンク
３５、Ｖ （ｚ）の駆動音源を切り換え、乗算器３４は
駆動音源に所望の音声パワーを乗じる。フィルタバンク
３５は音声合成用の声道フィルタをモデリングするフィ
ルタバンクである。
は声道フィルタ特性Ｖ （ｚ）の駆動音源である。駆動
音源切り換え部３３は有声・無声によりフィルタバンク
３５、Ｖ （ｚ）の駆動音源を切り換え、乗算器３４は
駆動音源に所望の音声パワーを乗じる。フィルタバンク
３５は音声合成用の声道フィルタをモデリングするフィ
ルタバンクである。
第１図において、辞書登録は次の手ｊ項で行われる。音
声はフィルタバンク１１と音声パワー検出器１２を通り
、フィルタバンク１１の低域側フィルタの出力と音声パ
ワーをつかってＡ （ｆ）計算器１３でＡ （ｆ）の計
算、つまり、 が行われる。この結果は、 Ａ （ｆ）計算結果メモリ
１４へ一時格納される。また、認識テンプレート生成器
１７はフィルタバンク１１の出力を使って認識テンプレ
ートを生成し辞書２０に格納する。
声はフィルタバンク１１と音声パワー検出器１２を通り
、フィルタバンク１１の低域側フィルタの出力と音声パ
ワーをつかってＡ （ｆ）計算器１３でＡ （ｆ）の計
算、つまり、 が行われる。この結果は、 Ａ （ｆ）計算結果メモリ
１４へ一時格納される。また、認識テンプレート生成器
１７はフィルタバンク１１の出力を使って認識テンプレ
ートを生成し辞書２０に格納する。
認識テンプレートにＢＴＳＰを用いた場合は音声パワー
情報も辞書に格納する。さらに、有声・無声判別器１８
はフィルタバンク１１の出力を使って有声・無声情報を
辞書２０に格納する。一方、ＭｉｎΣＢ（ｆｋ）演算器
１６は、Ａ（ｆ）計算結果メモリ１４、遷移確率テーブ
ル１５の値とＢ （ｆ ｋ）＝Ａ（ｆ ｋ） −ｌｏｇ
Ｐ（ｆ ｋ Ｉ ｆ ｋ −１）よりＶｉｔｅｒｂｉ
Ａｌｇｏｒｉｔｈｍを使ってＭｉｎΣＢ（ｆｋ）を満た
すｆｋ列を計算し、それをピンチ周波数として辞書に格
納する。この時点で辞書登録は完了する。
情報も辞書に格納する。さらに、有声・無声判別器１８
はフィルタバンク１１の出力を使って有声・無声情報を
辞書２０に格納する。一方、ＭｉｎΣＢ（ｆｋ）演算器
１６は、Ａ（ｆ）計算結果メモリ１４、遷移確率テーブ
ル１５の値とＢ （ｆ ｋ）＝Ａ（ｆ ｋ） −ｌｏｇ
Ｐ（ｆ ｋ Ｉ ｆ ｋ −１）よりＶｉｔｅｒｂｉ
Ａｌｇｏｒｉｔｈｍを使ってＭｉｎΣＢ（ｆｋ）を満た
すｆｋ列を計算し、それをピンチ周波数として辞書に格
納する。この時点で辞書登録は完了する。
次に音声合成を説明する。三角波生成器３１はピッチ周
波数と同じ周期の三角波を生成する。駆動音源切り換え
器３３は有声・無声情報により、有声の場合は三角波を
、無声の場合は白色雑音３２を選択して出力する。この
選択された駆動音源はフィルタバンク３５を駆動し音声
を合成する。
波数と同じ周期の三角波を生成する。駆動音源切り換え
器３３は有声・無声情報により、有声の場合は三角波を
、無声の場合は白色雑音３２を選択して出力する。この
選択された駆動音源はフィルタバンク３５を駆動し音声
を合成する。
フィルタバンク３５の特性は認識テンプレートにより決
定される。認識テンプレートにＢＴＳＰを用いた場合は
、選択された駆動音源に音声パワーを乗じてからバンク
フィルタ３５を駆動する。
定される。認識テンプレートにＢＴＳＰを用いた場合は
、選択された駆動音源に音声パワーを乗じてからバンク
フィルタ３５を駆動する。
第２図及び第３図は、請求項５に記載した発明の音声合
成部を説明するための図で、第２図は回路構成図、第３
図はフィルタバンク３５の特性と２値ＢＴＳＰとの関係
を示す図で、三角波生成器３１はピッチ周波数と同じ周
期の三角波列を生成する。駆動音源切り換え器３３は有
声・無声情報により、有声の場合は三角波を、無声の場
合は白色雑音を選択して出力する。この選択された駆動
音源は音声パワーを乗じられてからフィルタバンク３５
を駆動し、音声を合成する。フィルタバンク３５の特性
は第３図に示すように、２値ＢＴＳＰにより決定され５
図中の斜線部が２値ＢＴＳＰに対応してオンになったフ
ィルタを示す。
成部を説明するための図で、第２図は回路構成図、第３
図はフィルタバンク３５の特性と２値ＢＴＳＰとの関係
を示す図で、三角波生成器３１はピッチ周波数と同じ周
期の三角波列を生成する。駆動音源切り換え器３３は有
声・無声情報により、有声の場合は三角波を、無声の場
合は白色雑音を選択して出力する。この選択された駆動
音源は音声パワーを乗じられてからフィルタバンク３５
を駆動し、音声を合成する。フィルタバンク３５の特性
は第３図に示すように、２値ＢＴＳＰにより決定され５
図中の斜線部が２値ＢＴＳＰに対応してオンになったフ
ィルタを示す。
第４図及び第５図は、請求項６に記載した発明の音声合
成部を説明するための図で、第４図は回路構成図、第５
図はフィルタバンク３５の特性と重畳２値ＢＴＳＰの関
係を示す図で、同図はフィルタのオン／オフのしきい値
が２の場合を示している。三角波生成器３１はピッチ周
波数と同じ周期の三角波列を生成する。駆動音源切り換
え器３３は有声・無声情報により、有声の場合は三角波
を、無声の場合は白色雑音を選択して出力する。
成部を説明するための図で、第４図は回路構成図、第５
図はフィルタバンク３５の特性と重畳２値ＢＴＳＰの関
係を示す図で、同図はフィルタのオン／オフのしきい値
が２の場合を示している。三角波生成器３１はピッチ周
波数と同じ周期の三角波列を生成する。駆動音源切り換
え器３３は有声・無声情報により、有声の場合は三角波
を、無声の場合は白色雑音を選択して出力する。
この選択された駆動音源は音声パワーを乗じられてから
フィルタバンク３５を迅区動し、音声を合成する。フィ
ルタバンク３５の特性は第５図に示すように、重畳ＢＴ
ＳＰにより決定され、斜線部が重畳２（ＩＭＢＴｓＰに
よりオンになったフィルタを示している。
フィルタバンク３５を迅区動し、音声を合成する。フィ
ルタバンク３５の特性は第５図に示すように、重畳ＢＴ
ＳＰにより決定され、斜線部が重畳２（ＩＭＢＴｓＰに
よりオンになったフィルタを示している。
第６図及び第７図は、請求項７に記載した発明の音声合
成部を説明するための図で、第６図は音声合成部の回路
構成図、第７図は声道フィルタ特性Ｖ （ｚ） （７）
Ｆ ｉ、 Ｂ ｉと２値ＢＴＳＰの関係を示す。パルス
生成器３６はピッチ周波数と同じ周期のパルス列を生成
する。駆動音源切り換え器３３は有声・無声情報により
、有声の場合はパルスを、無声の場合は白色雑音を選択
して出力する。
成部を説明するための図で、第６図は音声合成部の回路
構成図、第７図は声道フィルタ特性Ｖ （ｚ） （７）
Ｆ ｉ、 Ｂ ｉと２値ＢＴＳＰの関係を示す。パルス
生成器３６はピッチ周波数と同じ周期のパルス列を生成
する。駆動音源切り換え器３３は有声・無声情報により
、有声の場合はパルスを、無声の場合は白色雑音を選択
して出力する。
この選択された駆動音源は音声パワーを乗じられてから
声道フィルタ特性Ｖ（ｚ）を駆動し、音声を合成する。
声道フィルタ特性Ｖ（ｚ）を駆動し、音声を合成する。
声道フィルタ特性Ｖ（ｚ）の特性は。
第７図に示すように、２値ＢＴＳＰにより決定される。
す、なわち、声道フィルタ特性Ｖ（ｚ）は、音声合成時
に２値のＢＴＳＰの高いレベルのチャネルの連続したチ
ャネルの中心周波数の平均をＦｉ、その帯域幅をＢｉと
すると、 （ただし、Ａｉ：定数 Ｎ：５い方のレベルが連続し
たグループの数 Ｔ：標本時間）で定義され、その駆
動はピッチ周波数と同じ周期の該音声パワーに比例した
パワーをもったパルス列または該音声パワーに比例した
パワーをもった白色雑音で行なわれる。
に２値のＢＴＳＰの高いレベルのチャネルの連続したチ
ャネルの中心周波数の平均をＦｉ、その帯域幅をＢｉと
すると、 （ただし、Ａｉ：定数 Ｎ：５い方のレベルが連続し
たグループの数 Ｔ：標本時間）で定義され、その駆
動はピッチ周波数と同じ周期の該音声パワーに比例した
パワーをもったパルス列または該音声パワーに比例した
パワーをもった白色雑音で行なわれる。
第８図及び第９図は、請求項８に記載した音声合成部を
説明するための図で、第８図は音声合成部の回路構成図
、第９図はＶ （ｚ）のＦｉ、Ｂｉと重畳ＢＴＳＰの関
係（しきい値＝２）を示す図である。パルス生成器３６
はピッチ周波数と同じ周期のパルス列を生成する。駆動
音源切り換え器３３は有声・無声情報により、有声の場
合はパルスを、無声の場合は白色雑音を選択して出力す
る。
説明するための図で、第８図は音声合成部の回路構成図
、第９図はＶ （ｚ）のＦｉ、Ｂｉと重畳ＢＴＳＰの関
係（しきい値＝２）を示す図である。パルス生成器３６
はピッチ周波数と同じ周期のパルス列を生成する。駆動
音源切り換え器３３は有声・無声情報により、有声の場
合はパルスを、無声の場合は白色雑音を選択して出力す
る。
この選択さ九た駆動音源は音声パワーを乗じられてから
声道フィルタ特性Ｖ （ｚ）を駆動し、音声を合成する
。声道フィルタ特性Ｖ（ｚ）の特性は、第９図に示すよ
うに、重畳ＢＴＳＰにより決定される。すなわち、声道
フィルタ特性Ｖ （ｚ）は、音声合成時に重畳ＢＴＳＰ
の所定のレベルより大きいチャネルの連続したチャネル
の中心周波数の平均をＦｉ、その帯域幅をＢｉとすると
、（ただし、Ａｉ：定数 Ｎ：高い方のレベルが連続
したグループの数 Ｔ：標本時間）で定義され、その
駆動はピッチ周波数と同じ周期の該音声パワーに比例し
たパワーをもったパルス列または該音声パワーに比例し
たパワーをもった白色雑音で行なわれる。
声道フィルタ特性Ｖ （ｚ）を駆動し、音声を合成する
。声道フィルタ特性Ｖ（ｚ）の特性は、第９図に示すよ
うに、重畳ＢＴＳＰにより決定される。すなわち、声道
フィルタ特性Ｖ （ｚ）は、音声合成時に重畳ＢＴＳＰ
の所定のレベルより大きいチャネルの連続したチャネル
の中心周波数の平均をＦｉ、その帯域幅をＢｉとすると
、（ただし、Ａｉ：定数 Ｎ：高い方のレベルが連続
したグループの数 Ｔ：標本時間）で定義され、その
駆動はピッチ周波数と同じ周期の該音声パワーに比例し
たパワーをもったパルス列または該音声パワーに比例し
たパワーをもった白色雑音で行なわれる。
なお、請求項５．６と請求項７．８では能動音源が違っ
ているが、これは次のような理由によるものである。有
声音は、通常、低域にパワーが集中している。請求項５
．６では、フィルタバンクはどの帯域も同じ利得となる
。そこで、駆動音源の方に三角波を使って、上記有声音
の性質を表している。請求項７．８では、一般に帯域幅
が、低域の方が狭いので共振器をカスケード結合するこ
とにより上記有声音の性質を表している。
ているが、これは次のような理由によるものである。有
声音は、通常、低域にパワーが集中している。請求項５
．６では、フィルタバンクはどの帯域も同じ利得となる
。そこで、駆動音源の方に三角波を使って、上記有声音
の性質を表している。請求項７．８では、一般に帯域幅
が、低域の方が狭いので共振器をカスケード結合するこ
とにより上記有声音の性質を表している。
仇−一末
以上の説明から明らかなように、本発明によると、以下
のような利点がある。
のような利点がある。
認識辞書登録時にピッチも登録し、合成時にそのピッチ
で駆動するようにしているため、抑揚の保たれた自然性
のある音声になる。また、ピッチ押出用に特別なハード
ウェアを付加するのではなく、認識辞書生成のハードを
そのまま使用できる利点がある。更に、請求項１の音声
認識辞書登録装置においては、周波数軸の最尤法により
フィルタバンクの出力と音声パワーのみでピッチ周波数
を検出しているので、ピッチ周波数検出のための音声波
形取り込みハードウェアを必要としない。
で駆動するようにしているため、抑揚の保たれた自然性
のある音声になる。また、ピッチ押出用に特別なハード
ウェアを付加するのではなく、認識辞書生成のハードを
そのまま使用できる利点がある。更に、請求項１の音声
認識辞書登録装置においては、周波数軸の最尤法により
フィルタバンクの出力と音声パワーのみでピッチ周波数
を検出しているので、ピッチ周波数検出のための音声波
形取り込みハードウェアを必要としない。
請求項２の音声認識辞書登録装置においては、周波数軸
の最尤法によりフィルタバンクの出力と音声パワーのみ
でピッチ周波数を検出しているので、ピッチ周波数検出
のための音声波形取り込みハードウェアを必要としない
。さらに、時間軸方向にも最尤法を適用しているので、
より正確なピッチ周波数検出ができる。
の最尤法によりフィルタバンクの出力と音声パワーのみ
でピッチ周波数を検出しているので、ピッチ周波数検出
のための音声波形取り込みハードウェアを必要としない
。さらに、時間軸方向にも最尤法を適用しているので、
より正確なピッチ周波数検出ができる。
請求項３の音声認識辞書登録装置においては、有声時の
パワーの大きい低域側のフィルタのみをピッチ周波数検
出に使うことにより、より正確なピッチ周波数検出がで
きる。
パワーの大きい低域側のフィルタのみをピッチ周波数検
出に使うことにより、より正確なピッチ周波数検出がで
きる。
請求項４の音声認識装置においては、音声認識テンプレ
ートの他にピンチ周波数も使って音声合成を行うので、
認識結果確認のための合成音声が自然性の高いものにな
る。
ートの他にピンチ周波数も使って音声合成を行うので、
認識結果確認のための合成音声が自然性の高いものにな
る。
請求項５の２値ＢＴＳＰ方式の音声認識装置においては
、２値ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。
、２値ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。
請求項６の重畳ＢＴＳＰ方式の音声認識装置においては
、重畳ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。
、重畳ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。
請求項７の重畳ＢＴＳＰ方式の音声認識装置においては
、重畳ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。さらにＶ（ｚ）を声道
フィルタとしているので、実現する場合、規模や負荷を
小さくできる。
、重畳ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。さらにＶ（ｚ）を声道
フィルタとしているので、実現する場合、規模や負荷を
小さくできる。
請求項８の重畳ＢＴＳＰ方式の音声認識装置においては
、重畳ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。さらにＶ （ｚ）を声
道フィルタとしているので、実現する場合、規模や負荷
を小さくできる。
、重畳ＢＴＳＰの他にピッチ周波数と音声パワーも使っ
て音声合成を行うので、認識結果確認のための合成音声
がより自然性の高いものになる。さらにＶ （ｚ）を声
道フィルタとしているので、実現する場合、規模や負荷
を小さくできる。
第１図は、本発明の一実施例を説明するための構成図、
第２図及び第３図、第４図及び第５図、第６図及び第７
図、及び、第８図及び第９図は、それぞれ本発明の詳細
な説明するための図である。 １０・・辞書登録部、１１・・・フィルタバンク、１２
・・音声パワー検出器、１３・・・Ａ （ｆ）計算器、
１４・・Ａ （ｆ）計算結果メモリ、１５・・・遷移確
率テーブル、１６−Ｍ１ｎΣＢ（ｆ ｋ）演算器、１７
・・・認識テンプレート生成器、１８・・・有声・無声
判別器、２０・・・辞書部、３０・・・音声合成部、３
１・・・三角波生成器、３２・・白色雑音生成器、３３
・・・駆動音源切り換え器、３４・・・乗算器、３５・
フィルタバンク、３６・・・パルス生成器、３７・・・
声道フィルタ特性Ｖ（ｚ）部。 第１図 ０ −−−−−−−ＢＴＳＰ使用 第 ２ 図 第 図 第 図 第 ア 図 第 図 第 図 第 図 第 図
第２図及び第３図、第４図及び第５図、第６図及び第７
図、及び、第８図及び第９図は、それぞれ本発明の詳細
な説明するための図である。 １０・・辞書登録部、１１・・・フィルタバンク、１２
・・音声パワー検出器、１３・・・Ａ （ｆ）計算器、
１４・・Ａ （ｆ）計算結果メモリ、１５・・・遷移確
率テーブル、１６−Ｍ１ｎΣＢ（ｆ ｋ）演算器、１７
・・・認識テンプレート生成器、１８・・・有声・無声
判別器、２０・・・辞書部、３０・・・音声合成部、３
１・・・三角波生成器、３２・・白色雑音生成器、３３
・・・駆動音源切り換え器、３４・・・乗算器、３５・
フィルタバンク、３６・・・パルス生成器、３７・・・
声道フィルタ特性Ｖ（ｚ）部。 第１図 ０ −−−−−−−ＢＴＳＰ使用 第 ２ 図 第 図 第 図 第 ア 図 第 図 第 図 第 図 第 図
Claims (1)
- 【特許請求の範囲】 １、フィルタバンクを用い、各フィルタの出力レベルと
入力レベルの比（以下、フィルタゲイン）から最も確か
らしい最大公約的な共振周波数をピッチ周波数とすると
き、第ｊフィルタのｆＨｚにおける理論上のフィルタゲ
インをＸｊ（ｆ）とし、観測されたフィルタゲインをＧ
ｊとすると、▲数式、化学式、表等があります▼ を定義し、Ｍｉｎ｜Ａ（ｆ）｜を満たすｆをピッチ周波
数とすることを特徴とする音声認識装置。 ２、請求項１のピッチ周波数決定において、第にフレー
ムのピッチ周波数候補をｆｋ、第ｋ−１フレームのピッ
チ周波数候補をｆｋ−１、ピッチ周波数がｆｋ−１から
ｆｋに変化する遷移確率をＰ（ｆｋ｜ｆｋ−１）とする
と、 Ｂ（ｆｋ）＝Ａ（ｆｋ）−ｌｏｇＰ（ｆｋ｜ｆｋ−１）
を定義し、▲数式、化学式、表等があります▼を満たす
周波数 ｆ１、ｆ２、・・・、ｆｋ、・・・をピッチ周波数列と
することを特徴とする音声認識装置。 ３、請求項１又は２の音声認識装置において、ピッチ抽
出に使用するフィルタは、低域側のフィルタのみとする
ことを特徴とする音声認識装置。 ４、請求項１又は２又は３の音声認識装置において、音
声認識辞書に請求項１又は２又は３で求めたピッチ周波
数を付加し、音声合成をも行うことを特徴とする音声認
識装置。 ５、請求項４の音声認識辞書に２値のＴｉｍｅＳｐｅｃ
ｔｒｕｒｍＰａｔｔｅｒｎ（以下ＢＴＳＰ）を使用して
いる音声認識装置において、更に音声パワーを辞書に付
加し、音声合成時に２値のＢＴＳＰの高い方のレベルの
チャネルに対応した音声合成フィルタバンクのみを駆動
するようにし、その駆動はピッチ周波数と同じ周期の該
音声パワーに比例したパワーをもった三角波列または該
音声パワーに比例したパワーをもった白色雑音で行うこ
とを特徴とする音声認識装置。 ６、請求項４の音声認識辞書に２値のＢＴＳＰを重畳し
て生成した重畳ＢＴＳＰを使用している音声認識装置に
おいて、更に音声パワーを辞書に付加し、音声合成時に
重畳ＢＴＳＰの所定のレベルより大きいチャネルに対応
した音声合成フィルタバンクのみを駆動し、その駆動は
ピッチ周波数と同じ周期の該音声パワーに比例したパワ
ーをもった三角波列または該音声パワーに比例したパワ
ーをもった白色雑音で行うことを特徴とする音声認識装
置。 ７、請求項４の音声認識辞書に２値のＢＴＳＰを使用し
ている音声認識装置において、更に音声パワーを辞書に
付加し、音声合成時に２値のＢＴＳＰの高い方のレベル
のチャネルの連続したチャネルの中心周波数の平均をＦ
ｉ、その帯域幅をＢｉとすると、 ▲数式、化学式、表等があります▼ （ただし、Ａｉ：定数 Ｎ：高い方のレベルが連続した
グループの数 Ｔ：標本時間） で定義される声道フィルタ特性Ｖ（ｚ）を駆動し、その
駆動はピッチ周波数と同じ周期の該音声パワーに比例し
たパワーをもったパルス列または該音声パワーに比例し
たパワーをもった白色雑音で行うことを特徴とする音声
認識装置。 ８、請求項４の音声認識辞書に２値のＢＴＳＰを重畳し
て生成した重畳ＢＴＳＰを使用している音声認識装置に
おいて、更に音声パワーを辞書に付加し、音声合成時に
重畳ＢＴＳＰの所定のレベルより大きいチャネルの連続
したチャネルの中心周波数の平均をＦｉ、その帯域幅を
Ｂｉとすると、▲数式、化学式、表等があります▼ （ただし、Ａｉ：定数Ｎ：高い方のレベルが連続したグ
ループの数Ｔ：標本時間） で定義される声道フィルタ特性Ｖ（ｚ）を駆動し、その
駆動はピッチ周波数と同じ周期の該音声パワーに比例し
たパワーをもったパルス列または該音声パワーに比例し
たパワーをもった白色雑音で行うことを特徴とする音声
認識装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1261296A JPH03123399A (ja) | 1989-10-06 | 1989-10-06 | 音声認識装置 |
| US07/590,938 US5175799A (en) | 1989-10-06 | 1990-10-01 | Speech recognition apparatus using pitch extraction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1261296A JPH03123399A (ja) | 1989-10-06 | 1989-10-06 | 音声認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH03123399A true JPH03123399A (ja) | 1991-05-27 |
Family
ID=17359827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1261296A Pending JPH03123399A (ja) | 1989-10-06 | 1989-10-06 | 音声認識装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5175799A (ja) |
| JP (1) | JPH03123399A (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100202425B1 (ko) * | 1992-08-27 | 1999-06-15 | 정호선 | 가전제품의 리모콘 명령어를 인식하기 위한 음성 인식 시스템 |
| DE60204827T2 (de) * | 2001-08-08 | 2006-04-27 | Nippon Telegraph And Telephone Corp. | Anhebungsdetektion zur automatischen Sprachzusammenfassung |
| CN101753709A (zh) * | 2008-12-11 | 2010-06-23 | 深圳富泰宏精密工业有限公司 | 语音辅助输入系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4833714A (en) * | 1983-09-30 | 1989-05-23 | Mitsubishi Denki Kabushiki Kaisha | Speech recognition apparatus |
| US4829573A (en) * | 1986-12-04 | 1989-05-09 | Votrax International, Inc. | Speech synthesizer |
-
1989
- 1989-10-06 JP JP1261296A patent/JPH03123399A/ja active Pending
-
1990
- 1990-10-01 US US07/590,938 patent/US5175799A/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| US5175799A (en) | 1992-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6484137B1 (en) | Audio reproducing apparatus | |
| US7412379B2 (en) | Time-scale modification of signals | |
| KR100615480B1 (ko) | 음성 대역 확장 장치 및 음성 대역 확장 방법 | |
| JP4438144B2 (ja) | 信号分類方法及び装置、記述子生成方法及び装置、信号検索方法及び装置 | |
| US6205420B1 (en) | Method and device for instantly changing the speed of a speech | |
| US4918734A (en) | Speech coding system using variable threshold values for noise reduction | |
| US3909533A (en) | Method and apparatus for the analysis and synthesis of speech signals | |
| JP2000267699A (ja) | 音響信号符号化方法および装置、そのプログラム記録媒体、および音響信号復号装置 | |
| KR20050049103A (ko) | 포만트 대역을 이용한 다이얼로그 인핸싱 방법 및 장치 | |
| EP1426926A2 (en) | Apparatus and method for changing the playback rate of recorded speech | |
| US4459674A (en) | Voice input/output apparatus | |
| JP3555490B2 (ja) | 声質変換システム | |
| JP2003157100A (ja) | 音声通信方法及び装置、並びに音声通信プログラム | |
| JPS59137999A (ja) | 音声認識装置 | |
| KR100715013B1 (ko) | 대역확장장치 및 방법 | |
| JPH1078791A (ja) | ピッチ変換器 | |
| US5175799A (en) | Speech recognition apparatus using pitch extraction | |
| JP4552533B2 (ja) | 音響信号処理装置及び音声度合算出方法 | |
| US5204934A (en) | Sound synthesis device using modulated noise signal | |
| JPH04279B2 (ja) | ||
| Sajid et al. | An Effective Framework for Speech and Music Segregation. | |
| JP2758688B2 (ja) | 音声合成器 | |
| JP3264998B2 (ja) | 音声合成器 | |
| JPH0462600B2 (ja) | ||
| JPH02153397A (ja) | 音声収録装置 |