JPH0313600B2 - - Google Patents

Description

【発明の詳細な説明】 （技術分野） 本発明は音声認識方法に関し、具体的には単語
入力音声の終端の認識を待たないで、入力音声の
始端検出から認識動作を開始するようにした音声
認識方法に関する。

（背景技術） 音声認識方法の一形式として、各標準音声に対
応して周波数成分のフレーム時系列として標準パ
ターンを記憶しておき、入力音声から同じく周波
数成分のフレーム時系列として入力パターンを抽
出し、入力パターンと各標準パターンとの非類似
度を計算し、その非類似度に基づいて入力音声を
識別する方法が知られている。

一例として、沖研究開発第118号第53頁、昭和
57年12月、に開示されている。このような方法に
おける標準又は音声パターンは、通常、規則的に
フレームを設定して周波数分析し、対数変換と、
最小自乗近似直線を用いた声帯振動特性等の正規
化とを経て、周波数成分のフレーム時系列として
表現したものを用いる。

また、入力パターンと各標準パターンとの非類
似度を計算するためにマツチングパスを設定する
方法としては、動的計画法を用いたDPマツチン
グ法と前記文献に見られるような本質的に線形な
マツチング法とが知られている。構成の簡易化の
観点からは、線形マツチング法が有利であるが、
第１図に例示した如く、単語の発声速度は変動が
きわめて大きく、個人差があると共に心理状態や
状況によつても変動し、標準という感覚のもとで
すら20％〜40％の発声長のばらつきが見られ、何
等かの工夫が必要である。線形マツチング法には
種々の形式が提案されているが、前記文献に限ら
ず、そこでは入力音声の終端を検出したのち、マ
ツチングパスを設定していて、認識応答の面では
問題があり、入力パターンも終端から終端を確認
するまで記憶しておく必要がある。

（発明の目的） 本発明の目的は、入力音声の始端を検出して直
ちにマツチング動作を開始させることによつて認
識度を高め、且つ発声速度を予想してマツチング
パスを設定することによつて発声速度の変動を吸
収することにある。

（発明の概要） 本発明の第１の特徴は、入力パターンの各フレ
ーム毎にマツチング処理を行ない、各フレーム毎
に各標準パターンの各マツチングパスに対応した
非類似度を更新記憶するようにしたことにある。

まず、音声の有音状態の検出は音声パワーを用
いる方法を用いることができる。この場合音声の
始端検出はフレーム電力Ｐ(j)（但しｊは入力パタ
ーンのフレーム番号）があらかじめ定められた閾
値を越えた時点を始端と考える。但し外部からの
雑音などにより音声入力が行なわれていなくとも
電力(j)が閾値を越えてしまい、誤つた始端とする
場合がある。そのため、ともかくフレーム電力
Pu(j)が閾値を越えたフレームを始端と考え認識
処理を開始するものの連続して３フレーム以上フ
レーム電力が閾値を越えなければその入力フレー
ムを音声の始端とは考えず認識処理を中断し始端
検出のための処理へともどる。但し、フレーム長
を16ｍsecとしている。ここで音声の始端からフ
レーム電力が閾値を越えたフレームの番号付けを
定義しｈ番目の音声フレームと称し、単なる入力
フレーム番号とは区別する。すなわち、音声フレ
ーム番号ｈの音声フレームは、有音区間でｈ番目
の入力フレームに対応する。

発声速度の正規化を行なうマツチング処理を音
声の始端から開始し、音声分析部出力が得られる
周期（フレーム周期）ごとに行なえれば音声分析
部のデータを始端からすべて格納しておく必要も
なく、また、応答時間も速くなる。

本発明の第２の特徴は発声がおそく行なわれた
場合、標準的に行なわれた場合、はやく行なわれ
た場合を想定したマツチングパスを設定しそれぞ
れのマツチングパス上でのマツチング処理を行な
うことにある。音声の始端検出時点では今から入
力される単語の発声速度は不明である。そこで発
声がおそく行なわれた場合、標準的に行なわれた
場合、はやく行なわれた場合を想定したマツチン
グパスを設定し、それぞれのマツチングパス上で
マツチング処理を行なえば終端検出前からでもマ
ツチング処理が開始可能となる。もちろん、この
場合、入力の終端と標準パターンの終端が一致す
るパスが存在する可能性は少ないが、入力の終端
の標準パターンの終端が最も一致しているパス上
での非類似度が最小となることが予想される。

一方、単語には「イチ」の「イ」と「チ」の間
のように単語内にフレーム電力が閾値に満たない
部分すなわち無音状態のフレームを持つ単語があ
る。このような部分を「パワーデイツプ」と称す
る。このパワーデイツプの長さは単語によつて異
なるが通常30フレーム長を越えることはほとんど
ない。音声の始端を検出後、あるフレーム時間点
においてそのフレーム電力が閾値未満すなわち無
音状態となつた場合、そのフレーム時間点はパワ
ーデイツプの始まりなのか、音声の終端なのかは
判断がつかない。この判定は通常、その時点から
30フレームの間に音声の始端条件（３フレーム以
上連続してフレーム電力が閾値以上）を満足する
フレームが存在するかしないかによつて行なうた
め最大30フレーム後でなければ判断が下されな
い。従つて、フレーム電力が閾値未満となつた場
合のマツチング結果は何らかの形で保留されなけ
ればならない。本発明では、発声フレーム番号の
更新を停止して、フレーム電力が閾値未満すなわ
ち無音状態となつたフレームに対してはマツチン
グ処理を停止することによりこの問題を解決す
る。

第２図ａは本発明による音声認識方法における
入力パターンと標準パターンとのマツチングを行
なう複数のマツチングパス例を示した図、第２図
ｂは入力パターンのフレーム電力例を示した図、
第２図ｃは入力パターンと標準パターンとの各マ
ツチングパスにおける非類似度Dn(j)、D′n(j)、
D″n(j)の例を示した図である。

第２図ａにおいては発声速度の範囲を例えば±
20％と考え、マツチングパスをを３本設定した場
合を示している。第２図ａにおいて、横軸は入力
パターンのフレーム番号を表わす。また、縦軸は
標準パターンのフレーム番号を表をわしｎ番目の
標準パターンSnを例として考えそのフレーム長
をSL（ｎ）とする。１０１は発声を20％遅く発声
した場合を想定したパス、１０２は標準的な発声
を想定したパス、１０３は発声を20％速く想定し
た場合のパスを示す。ｊ番目の入力フレーム電力
が閾値以上の場合、３本のパス上での標準パター
ンSnとの距離を次式によつて与える。但し、ｈ
はｊ番目の入力フレーム番号に対応した音声フレ
ーム番号であり、Ｗ（ｉ、ｊ）は入力フレーム番
号がｊでチヤンネル番号がｉ（但し、ｉ＝１〜８）
の入力パターンの成分であり、Sn（ｉ、ｋ）はフ
レーム番号がｋでチヤンネル番号がｉの標準パタ
ーンの成分である。

パス１０１に対する距離 dn(j)＝₈ 〓ⁱ⁼¹ ｜Ｗ（ｉ、ｊ）−Sn（ｉ、ｋ）｜ …(1) パス１０２に対する距離 d′n(j)＝₈ 〓ⁱ⁼¹ ｜Ｗ（ｉ、ｊ）−Sn（ｉ、k′）｜ …(2) 但しk′＝ｈ ｈ≦SL（ｎ） SL（ｎ）ｈ＞SL（ｎ） パス１０３に対する距離 d″n(j)＝₈ 〓ⁱ⁼¹ ｜Ｗ（ｉ、ｊ）−Sn（ｉ、k″）｜ …(3) 尚、〔 〕はガウス記号を示す。

前記の式によればパス１０１においては入力パ
ターンのｊ番目の入力音声フレームと標準パター
ンのｋ番目のフレームの間の距離計算を行なう。
パス１０２においては入力パターンｊ番目の入力
フレームと標準パターンのk′番目のフレームの間
の距離計算を行ない、パス１０３においては入力
パターンのｊ番目の入力フレームと標準パターン
のk″番目のフレームの間の距離計算が行なわれ
る。但し、標準パターンのフレーム番号を示す
ｋ、k′、k″はその標準パターンの長さSL（ｎ）よ
り大きくなる場合にはSL（ｎ）に制限される。

一方、ｊ番目の入力フレームの電力が閾値未満
の場合、それぞれのパス上での距離dn(j)、d′n
(j)、d″n(j)を強制的に dn(j)＝０ …(4) d′n(j)＝０ …(5) d″n(j)＝０ …(6) とすることによりフレーム電力が閾値以下の場合
の非類似度計算を事実上加算しない処理を行な
う。またこのために、標準パターンもパワーデイ
ツプ対応のフレームすなわたち無音状態に対応す
るフレームを除いた形で蓄積する。

このように、パワーデイツプや標準パターンの
終端以後でのマツチングのように、非類似度とし
て重要でないフレームでは距離を０としているけ
れども、本発明では本質的に線形なマツチングで
ある。

次に入力パターンのｊ番目の入力フレームまで
の非類似度Dn(j)、D′n(j)、D″n(j)が計算される。

パス１０１の非類似度 Dn(j)＝dn(j)＋Dn（ｊ−１） …(7) パス１０２の非類似度 D′n(j)＝d′n(j)＋D′n（ｊ−１） …(8) パス１０３の非類似度 D″n(j)＝d″n(j)＋D″n（ｊ−１） …(9) すなわち、それぞれのパス上でのｊ番目のフレー
ムの非類似度の算出は各チヤンネルごとの距離
（例えば｜Ｗ（ｉ、ｊ）−Sn（ｉ、ｋ）｜）をチヤン
ネル分、ｊ−１番目のフレームに対する非類似度
値（たとえばDn（ｊ−１））に加えることによつ
て得られる。これらの演算はｊ番目のフレームの
入力がなされた時点で行なわれる。ｊ番目の入力
フレームに対する非類似度の算出にあたつてはｊ
番目のフレームの入力パターンデータとそれぞれ
のパスに相当する標準パターンのデータおよび１
フレーム前のｊ−１番目の入力フレームの非類似
度データのみが必要であつて２フレーム以上前の
入力パターンデータは不必要である。そのため、
終端を検出するまでの入力パターンを格納してお
かなければならない線形伸縮マツチング法に比較
しても前記領域が小さくなる効果が生じる。

第２図ｃは入力パターンと標準パターンとの各
マツチングパターンでの非類似度Dn(j)、D′n(j)、
D″n(j)を示したものがあるが、第２図ｃに見られ
るようにフレーム電力が閾値以下となつたとき距
離値を強制的に０にすることにより非類似度Dn
(j)、D′n(j)、D″n(j)は保持される。従つて、終端
における非類似度と終端から30フレームへだてた
入力フレーム（この時点で初めて終端が検出され
る）における非類似度は等しい。

次に、音声の終端を検出した時点（音声の終端
から30フレーム後）から各標準パターンごとに得
られた非類似度によつてカテゴリーの判定が行な
われる。終端検出時点の入力フレーム番号Ｊ、音
声フレーム番号をＨとするｎ番目の標準パターン
に対する各パスの非類似度はDn(j)、D′n(j)、D″n
(j)で与えられる。これらの非類似度の組が標準パ
ターンの数（Ｎとする）だけ存在する。これらの
非類似度を用いてカテゴリー判定を行なう手法に
ついて述べる。判定第１ステツプは次のように行
なわれる。まず、ｎ番目の標準パターンに対する
各パスごとの非類似度Dn(j)、D′n(j)、D″n(j)のう
ち重複するもしくは異なる２つの非類似度が選択
される。これが本発明の第３の特徴である。この
選択にあたつては音声終端検出時の音声フレーム
番号Ｈに対して次式で与えられるＬ、L′、L″が
用いられる。

パス１０１ Ｌ＝〔１／1.2Ｈ〕 …(10) パス１０２ L′＝Ｈ …（11） パス１０３ L″＝〔１／0.8Ｈ〕…（12） これらの値Ｌ、L′、L″は音声フレームに対応
する標準パターンのフレーム数を与える式に類似
しているが、標準パターンの長さSL（ｎ）によつ
て制限されることはない。

第３図ａ，ｂに終端の音声フレーム番号がＨの
場合、各３本のパスに対する前記(10)〜（12）式内
のＬ、L′、L″と標準パターンの長さSL（ｎ）との
関係を示す。第３図ａは音声の終端と標準パター
ンの終端（長さ）が３本のパスのうち１本のパス
上で一致した場合であつてこのような場合には３
本のパスのうち一致した１本のパスが判定第１ス
テツプ時に選択される。第３図ａのように入力パ
ターンと標準パターンの終端がいずれか１本のパ
ス上で一致することはまれであるが数フレーム程
度しかずれていない場合は比較的多く起こり得る
と考えられる。この場合は終端の一致が最も大き
なパス（前記(10)〜（12）式によるＬ、L′L″とSL
（ｎ）が最も近いパスを選択する。

第３図ｂは発声の終端と標準パターンの終端が
一致しているパスの選択が難しい場合である。こ
のように選択が容易でない場合無理に１本のパス
に選択してしまうよりは候補となり得るパス（必
ず２本）を両方とも選択し次の判定第２ステツプ
によつて最終判定を行なつた方がよい。第３図ｂ
の場合にはパス１０２とパス１０３が選択され
る。たとえばL′、L″がSL（ｎ）に近いとするとパ
ス１０２，１０３が対応しそれに対する非類似度
D′n(j)、D″n(j)が選択される。これらの選択は標
準パターンごとに行なわれる。

次に判定の第２ステツプが行なわれる。前記判
定第１ステツプによつて得られた標準パターンご
との非類似度に対して最小値を求める。この最小
値を与える標準パターンに付加されたカテゴリが
認識結果となる。

（実施例） 第４図は本発明におけるマツチング処理と判定
処理を行なう回路構成を示した一実施例である。
以下、その動作について詳細に説明する。

第４図において、５２は始端からの音声フレー
ム数をカウントする音声フレームカウンタで始端
検出時はリセツトパルス５０によつてその内容は
０となり以後入力フレームの電力が閾値を越えた
ときに入力されるカウントパルス５１によつてカ
ウントアツプ動作を行なう。入力フレームの電力
が閾値未満の場合にはカウントパルス５１は付加
されず、音声フレームカウンタ５２の出力は保持
される。音声フレームカウンタ５２の出力である
音声フレーム番号をｈとする。５３はマツチング
の際の数本のパスの種類を表わす信号でパスの数
は３本なので０〜２の値をとる。５４はｈ番目の
音声フレームにおいて各パス上で対応する標準パ
ターンのフレーム番号を与えるROMである。
ROM５４には〔１／0.8ｈ〕、ｈ、〔１／1.2ｈ〕に相当 する値が格納されている。ROM５４出力をｌと
する。５５は標準パターンの番号を与える標準パ
ターン便号信号であつてｎとする。標準パターン
の総数がＮのとき０〜Ｎ−１の値をとる。５６は
ｎ番目の標準パターンに対してその標準パターン
の長さSL（ｎ）を格納するROMである。５７は
標準パターンフレーム番号ｌを出力する５４の出
力と標準パターンの長さSL（ｎ）を出力する
ROM５６の内容を比較してｌ≦SL（ｎ）ならば
“１”を、ｌ＞SL（ｎ）ならば“０”を出力する
コンパレータである。５８はコンパレータ５７の
出力が“１”のときはROM５４の出力を、コン
パレータ５７の出力が“０”のときはROM５６
の出力を選択するセレクタである。コンパレータ
５７とセレクタ５８によつてｌ≦SL（ｎ）ならば
ｌが、ｌ＞SL（ｎ）ならばSL（ｎ）がセレクタ５
８より出力される動作が行なわれる。セレクタ５
８の出力をｋとする。５９はチヤンネル番号ｉを
与える信号である。６０はチヤンネル番号ｉとセ
レクタ５８の出力例えばｋと標準パターン番号信
号ｎによつてアドレツシングされ標準パターン
Sn（ｉ、ｋ）を出力する標準パターンのメモリで
ある。６１はスペクトル正規化を行なつた１フレ
ーム分の入力パターンＷ（ｉ、ｊ）を格納してお
くメモリでチヤンネル番号信号５９によつてアド
レスが与えられる。６２はメモリ６１の入力端子
であり、図示しないスペクトル正規化部でスペク
トル正規化された入力データＷ（ｉ、ｊ）が入力
される。６３はメモリ６１の出力Ｗ（ｉ、ｊ）と
標準パターンROM６０の出力Sn（ｉ、ｋ）の間
でコントロール信号CONTによつて以下の値を
出力する演算器である。

CONT＝１のとき ｜Ｗ（ｉ、ｊ）−Sn（ｉ、ｋ）｜ CONT＝０のとき ０ …（13） CONT信号はフレーム電力が閾値以上のとき
は“１”を、閾値未満のときは“０”となる信号
である。６４は加算器、６５はパス信号５３と標
準パターン番目信号５５の値をアドレスとする
RAMであり非類似度Dn(j)、D′n(j)、D″n(j)が格
納される。６７は音声フレーム長ｈに対して判定
第１ステツプにおける選択すべきパス番号を与え
るROMである。但し、選択すべきパス番号はパ
ターンごとに与えられるためROM６７は音声フ
レーム番号ｈと標準パターン番号ｎをアドレスと
して入力しそのとき選択すべきパス番号を出力す
る。この出力に際して、選択すべきパス番号が１
つのときは、２つの出力とも同じパス番号を出力
し、選択すべきパス番号が２つのときには、２つ
の出力のそれぞれから該当するパス番号を出力す
る。

６８および７３は、ROM６７の出力の１つと
パス信号５３とを比較して一致すると“１”を出
力するコンパレータである。

６９は後で述べるOR回路７４の信号にしたが
いOR回路７４の出力が“１”のときはRAM６
５の出力をそのまま、またOR回路７４の出力が
“０”のときはRAM６５の出力を非類似度の最
大値に変換するためのコンバータである。７０は
コンバータ６９の出力と後で述べるレジスタ７１
の出力を比較して小さい方の値を出力する最小値
選択回路であり、２つの信号を出力する。１つは
比較した結果のうち小さい方の値を与える信号で
あり、この信号はレジスタ７１に格納される。も
う一方の信号は比較の結果コンバータ６９の値の
方が小さければ発するクロツクでありレジスタ７
２の入力クロツクとなる。レジスタ７１は非類似
度の最小値を与えるレジスタでありフレーム周期
の始めに非類似度の最大値がセツトされる。レジ
スタ７２は最小値選択回路７０の出力パルスによ
つて標準パターン番号信号を格納するレジスタで
非類似度最小値を与える標準パターンの番号が格
納されている。

７４は、コンパレータ６８およびコンパレータ
７３の出力を入力とする２入力のOR回路であ
る。コンパレータ６８およびコンパレータ７３の
出力のすくなくともどちらか一方が“１”のとき
は“１”をコンバータ６９へ出力し、そうでない
ときは“０”をコンバータ６９へ出力する。

第４図は以上の如く構成されており、以下動作
について説明する。

各処理はフレーム電力Ｐ(j)が閾値以上となつた
時点から開始されるが、３フレーム以上連続して
フレーム電力Ｐ(j)が閾値以上でなければ処理はリ
セツトされる。音声の始端フレーム前はカウンタ
５２はリセツトパルス５０によつてリセツト状態
にある。また、メモリ６５の値はすべてリセツト
されている。以後、始端検出後の１フレーム周期
内の処理を順次に説明する。但し、説明のため入
力フレーム番号はｊとする。ｊ番目の入力フレー
ムのフレーム電力が閾値を越えた場合、カウント
パルス５１がカウンタ５２に印加され、カウンタ
５２はカウントアツプし音声フレーム番号ｈを出
力する。音声フレーム番号ｈに対応する標準パタ
ーンのフレーム番号はROM５４とROM５６と
コンパレータ５７とセレクタ５８によつて出力さ
れる。ｎ番目の標準パターンのｋ番目のフレーム
のｉチヤンネルのデータSn（ｉ、ｋ）はROM６
０によつて出力される。一方、メモリ６１には前
段のスペクトル正規化部（図示せず）より出力さ
れる。ｊ番目の入力フレームのスペクトル正規化
後の入力データＷ（ｉ、ｊ）が入力端子６２より
入力され格納されている。ROM６０の出力Sn
（ｉ、ｋ）とメモリ６１の出力Ｗ（ｉ、ｊ）はチヤ
ンネル番号信号５９に同期して出力され演算器６
３において（13）式に与えられる演算を行なう。
演算器６３の出力とメモリ６５の間で(1)式〜(9)式
に相当する演算が実行される。実際は(1)式〜(9)式
の演算は統合された次の形式で行なわれる。

（メモリ65）←（メモリ65）＋｜Ｗ（ｉ、ｊ）−Sn
（ｉ、ｋ）｜ ０ 次に判定第１ステツプの動作について説明す
る。

判定第１ステツプに必要なパスの選択はROM
６７とコンパレータ６８およびコンパレータ７３
とOR回路７４とコンバータ６９によつて行なわ
れる。

ROM６７にはｎ番目の標準パターンにおいて
音フレーム長ｈの場合に選択されるべきパス番号
が格納されておりその設定基準はパスごとの音声
の終端とｎ番目の標準パターンの終端の一致度の
大小によつて与えられる。この一致度の大きなパ
ス番号が１つ（第３図ａ）のときは、ROM６７
の２つの出力とも同じパス番号を出力し、２つ
（第３図ｂ）のときは、ROM６７の出力は、そ
れぞれ該当するパス番号を出力する。

ROM６７の出力のパス番号とパス信号５３が
コンパレータ６８およびコンパレータ７３によつ
て比較され、コンパレータ６８およひコンパレー
タ７３では、両者が一致すれば“１”を、OR回
路７４に出力する。コンバータ６９ではOR回路
７４からの入力が“１”のときはメモリ６５の出
力を、“０”のときは非類似度の最大値を出力し
ており、この処理によりOR回路７４からの出力
“０”、すなわち、ROM６７の出力とパス信号５
３とが一致しない場合、そのときの非類似度が最
小判定処理によつて選択されることを実質的に禁
止している。

この処理により、判定第１ステツプが行われ
る。

次に最初値選択回路７０によつてレジスタ７１
に格納されている非類似度とコンバータ６９によ
つて出力される非類似度のうち小さい方がレジス
タ７１に格納される。と同時にコンバータ６９の
出力の方が小さければパルスがレジスタ７２に加
えられるそのときの標準パターン番号がレジスタ
７２に格納される。この処理をすべての標準パタ
ーンについて行なえばそのときの最小非類似度を
与える標準パターン番号がレジスタ７２に格納さ
れることになる。以上の１フレーム周期内の処理
に対するタイムチヤートを第５図に示す。

以上の処理は１フレーム周期ごとに行なわれ終
端が検出された時点におけるレジスタ７２の結果
が最終的な認識結果となり、出力端子７５から出
力される。

（発明の効果） 本発明は以上説明したとおり、入力パターンに
対する標準パターンの終端が一致するパスを選択
し難い場合、考えられる２本のパスを選択し、そ
れぞれ選択されたパスに対する非類似度の中から
最小な非類似度をさがすことによつて、より精度
の高い認識結果を得ることができる。

また、回路構成の簡易化を目的とした方法であ
るためLSI化が容易であり、ゲート数の少ない安
価な音声認識用LSIチツプを供給すると同時に汎
用マイクロプロセツサのソフト処理によつても実
現され得るものである。

【図面の簡単な説明】

第１図は発声長変動を説明するための図、第２
図ａ，ｂ，ｃは本発明のマツチングパスの概要を
説明するために示した図、第３図ａ，ｂは音声終
端時におけるマツチングパスの選択を説明する
図、第４図は本発明の一実施例を示すブロツク
図、第５図は本実施例の１フレーム周期内の処理
に対するタイムチヤートを示した図である。 ５２……音声フレーム番号ｈのカウンタ、５４
……標準パターンのフレーム番号相当のものを発
声させるためのROM、５６……標準パターンの
長さを記憶しているROM、５７……コンパレー
タ、５８……セレクタ、６０……標準パターンの
メモリ、６１……入力パターンのメモリ、６３…
…距離の演算器、６４……加算器、６７……選択
すべきパス番号のROM、６８……コンパレー
タ、６９……最小値選択回路、７０……コンバー
タ、７１……レジスタ、７２……レジスタ、７３
……コンパレータ、７４……OR回路、７５……
出力端子。

Claims (1)

1. 【特許請求の範囲】 １ 各標準音声に対応して周波数成分のフレーム
   時系列として表現され且つ無音状態に対応するフ
   レームを除去した形で表現された標準パターンと
   前記各標準パターン対応に設けられたパス選択情
   報とを記憶しておき、 (a) 入力音声から周波数成分のフレーム時系列と
   して入力パターンを抽出し、 (b) 前記入力音声の始端を検出して前記入力パタ
   ーンの音声フレームの計数を開始し、有音状態
   を検出している間は音声フレーム番号を順次更
   新し、一方無音状態を検出している間は当該音
   声フレーム番号の更新を停止し且つ前記入力音
   声の終端を確認する以前に再び有音状態を検出
   すると当該音声フレーム番号の更新を再開し、 (c) 前記音声フレーム番号の更新毎に、その音声
   フレーム番号に本質的に線形な関係で標準パタ
   ーンの複数のフレーム番号を発生させることに
   よつて前記入力パターンと前記各標準パターン
   との間に複数のマツチングパスを設定し、 (d) 前記音声フレーム番号の更新毎に、前記各マ
   ツチングパスで対応づけられたフレーム間で前
   記入力パターンと前記各標準パターンとの距離
   を計算し、 (e) 前記入力音声の始端から任意の音声フレーム
   までの前記マツチングパスに沿つた前記距離の
   累算値を非類似度として、前記音声フレーム番
   号の更新毎に、直前の非類似度と当該フレーム
   番号での距離とを加算して一旦記憶することに
   よつて、前記各標準パターン毎の各マツチング
   パスに対応した前記非類似度を更新記憶し、 (f) 前記音声フレーム番号の更新毎に、前記パス
   選択情報に基づいて前記各標準パターンに対応
   して重複するもしくは異なる２つのパス選択信
   号を発生させ、前記各標準パターン毎に前記パ
   ス選択信号で指定されるマツチングパスに対応
   した非類似度を選択し、選択された前記非類似
   度のうちで最小値を示す非類似度に対応した標
   準パターンのコードを前記音声フレーム番号の
   更新毎に更新記憶し、 (g) 前記入力音声の終端を確認した時点で、前記
   入力音声の終端の音声フレーム番号に対応して
   記憶されている最小値を示す非類似度に対応し
   た前記標準パターンのコードを前記入力音声の
   カテゴリとして認識することを特徴とした音声
   認識方法。