JPH03230200A

JPH03230200A - 音声認識方法

Info

Publication number: JPH03230200A
Application number: JP2026670A
Authority: JP
Inventors: Kazuhiko Okashita; 和彦岡下; Shingo Nishimura; 新吾西村; Masashi Miyagawa; 宮川　正志
Original assignee: Sekisui Chemical Co Ltd
Current assignee: Sekisui Chemical Co Ltd
Priority date: 1990-02-05
Filing date: 1990-02-05
Publication date: 1991-10-14

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、電気錠、ＩＣカード等のオンライン端末等で
入力音声からその単語を認識するに好適な音声認識方法
に関する。

［従来の技術］本出願人は、容易に実時間処理できる音声認識方法とし
て、特願平１−９８３７６号により、ニューラルネット
ワークを用いて入力音声からその単語を認識するものを
提案している。この音声認識方法にあっては、ニューラ
ルネットワークへの入力として、入力音声の周波数特性
を算出し、各帯域のそれぞれにおいて時間的に等分割し
た音声区間のそれぞれを１つのブロックとして、各ブロ
ックの中で周波数特性の平均を算出し、それらの平均を
単語のパワー全体で正規化したものを用いることとして
いる。

［発明が解決しようとする課題］然しながら、上述の従来技術による場合には、ニューラ
ルネットワークを構築するために標準入カバターン（学
習入カバターン）を作製する時と、構築されたニューラ
ルネットワークを使用して音声認識するために評価入カ
バターンを作製する時との間で、定常雑音の混入や回線
等の入力系の相違等によってそれらの作製条件が異なる
と、認識率の低下か見られることとなる。

この認識率の低下は、以下に解析する如く、単語のパワ
ー全体で正規化するために、スペクトル歪を消去できな
いことによる。即ち、ｉをブロック番号、ｋを帯域番号
、Ａｋをに帯域の周波数伝送特性、Ｓ　ｍｉｋを学習段
階でのに帯域ｉブロックの音声信号、Ｓ　ｔｉｋを評価
段階で電話回線を通した後における如く、定常的な周波
数伝送特性Ａｋの影響によりスペクトルか歪んだ、ｋ帯
域ｉブロックの音声信号とする時、５ｔｉｋ＝Ａｋ−３■ｉである、そして、評価段階での各音声信号Ｓ　ｔｉｋを
単語のパワー全体で正規化したものは、Ｓ　ｔｉｋ　　
　　　　Ａ　ｋ　Ｓ　＊ｉｋΣΣＳ　ｔｉｋ　　　　Σ
ΣＡ　ｋ　Ｓ　ａｉｋてあって、右辺の周波数伝送特性
Ａｋを消去できない、即ち、スペクトル歪を消去てきな
いのである。

本発明は、容易に実時間処理てき、かつ高い認識率を確
保てきる音声認識方法を提供することを目的とする。

［課題を解決するための手段］請求項１に記載の本発明は、ニューラルネットワークを
用いて入力音声からその単語を認識する単語認識方法て
ありて、入力音声の周波数特性を算出し、各帯域のそれ
ぞれにおいて時間的に等分割した音声区間のそれぞれを
１つのブロックとして、各ブロックの中で周波数特性の
平均を算出し、それらの平均を対応する帯域毎に正規化
したものを、ニューラルネットワークへの入力として用
い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
クか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■〜■の作用効
果かある。

■ニューラルネットワークへ入力する特徴パラメータと
して「周波数特性」を用いたから、入力を得るための前
処理か、ＬＰＣ相関やＬＰＣケプストラムの如くの複雑
な特徴量抽出に比して単純で並列的に周波数分析でき、
その前処理に要する時間か短くて足りる。

■ニューラルネットワークは、原理的に、ネットワーク
全体の演算処理か単純かつ迅速である。

■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、演算処理が迅速である。

■上記■〜■により、音声認識処理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。

■定常的なスペクトル歪に強く、高い認識率を維持でき
る。これは、以下に解析する如く、入力音声の各ブロッ
クでの周波数特性の平均を同一帯域内で正規化するもの
であるため、スペクトル歪を消去できることによる。即
ち、前述の如く、ｌをブロック番号、ｋを帯域番号、Ａ
ｋをに帯域の周波数伝送特性、Ｓ■ｉｋを学習段階での
に帯域ｉブロックの音声信号、Ｓ　ｔｉｋを評価段階で
電話回線を通した後における如く、定常的な周波数伝送
特性Ａｋの影響によりスペクトルが歪んだ、ｋ帯域ｉブ
ロックの音声信号とする時、Ｓ　ｔｉｋ　＝　Ａ　ｋ−３ｍｉ　　　　　　　　　　
・・・（１）である。そして、評価段階での各音声信号
Ｓ　ｔｉｋを帯域毎に正規化したものは、 Σ　５ｔｉｋ　　　　Ａｋ　　Σ　Ｓ■ｉｋ　　　　Σ
　Ｓ膳ｉｋてあって、周波数伝送特性Ａｋを消去できる
、即ち、スペクトル歪を消去てきるのである。

請求項２に記載の本発明によれば、下記■の作用効果が
ある。

０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）が確立されており、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音声認識システムの一例を
示す模式図、第２図はニューラルネ・ソトヮークを示す
模式図、第３図は階層的なニューラルネットワークを示
す模式図、第４図はユニ・ソ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２
図（Ａ）に示す階層的ネ・ソトワークと第２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てあ
っても良いか、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か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３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、入力
層→中間層→出力層という前向きの結合たけで、各層内
での結合はない。

（３）ユニットの構造ユニットは第４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、一般的には第４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、Ｒｕ＋５ｅ
ｌｈａｒｔ、　Ｄ、Ｅ、、ＭｃＣｌｅｌｌａｎｄ、　Ｊ
、Ｌ、　ａｎｄ　ｔｈｅＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇ
ｒｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢＬＩＴ
ＥＤＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒｅ
ｓｓ、　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ができる。

以下、本発明の具体的な実施例について説明する。

認識システム１は、１６チヤンネルのバンドパスフィル
タ１１、平均化回路１２、正規化回路１３、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１図参照）。

この認識システム１にあつては、認識単語を４７都道府
県名、特定話者を１名とした。以下、認識システム１の
学習動作と評価動作について詳述する。

（学習）１、入力作成 ■各認識単語の既知入力音声波・形を１６チヤンネルの
バンドパスフィルタ１１に通し、入力音声の周波数特性
を算出する。

■バントパスフィルタ１１の各帯域のそれぞれにおいて
音声波形を時間的に８等分割した音声区間のそれぞれを
１つのブロックとして、平均化回路１２により、各ブロ
ックの中で、上記■て求めた周波数特性の平均を算出す
る。この学習段階における音声信号のに帯域１ブロツク
での周波数特性の平均を、Ｓ■ｉｋとする。

■上記■で各帯域にて求めた各ブロックの周波数特性の
平均を、対応する帯域の全ブロックのレベルの和ΣＳ　
ｍｉｋで除算し、対応する帯域毎に、として正規化する。

■上記■で求めた値をニューラルネットワーク２０への
入力とする。入力個数は１６チヤンネル×８ブロック＝
１２８個となる。

２、学習 ■　１２８個の入力層と４８個の出力層をもつニューラ
ルネットワーク２０を用いる。

０４７個の認識単語のそれぞれに番号付けし、４７個の
出力層と対応させ、各認識単語について上記１の■で求
めた入力に対し、その単語に対応した出力層が「１」、
その他の出力層がｒＯＪという値（目標値）になるよう
に、パックプロパゲーションにより５０００回学習する
。これにより、一定認識率を保証し得るニューラルネッ
トワーク２０を構築する。

（評価）１、入力作成 ■各認識単語の未知入力音声波形を１６チヤンネルのバ
ンドパスフィルタ１１に通し、入力音声の周波数特性を
算出する。

■バンドパスフィルタ１１の各帯域のそれぞれにおいて
音声波形を時間的に８等分割した音声区間のそれぞれを
１つのブロックとして、平均化回路１２により、各ブロ
ックの中で、上記■で求めた周波数特性の平均を算出す
る。この評価段階における音声信号のに帯域１ブロツク
での周波数特性の平均を、Ｓ　ｔｉｋとする。

■上記■で各帯域にて求めた各ブロックの周波数特性の
平均を、対応する帯域の全ブロックのレベルの和ΣＳ　
ｔｉｋで除算し、対応する帯域毎に、　　ｔｉｋ・・・（４） Σ　Ｓ　　ｔｉｋとして正規化する。

２、学習 ■上記■で求めた値をニューラルネットワーク２０へ入
力する。

■ニューラルネットワーク２０の出力層の値より判定回
路３０にて入力単語を判定する。

以下、本発明の実験結果について説明する。

（実験１）本発明例として、周波数特性の平均を帯域毎に正規化し
たものをニューラルネットワーク２０への入力とした。

認識単語を４７都道府県名、特定話者を１名とした。

結果、認識率は９４．４％であった。

（実験２）比較例として、周波数特性の平均を算出し、単語のパワ
ー全体で正規化したものをニューラルネットワーク２０
への入力とした。認識単語を４７都道府県名、特定話者
を１名とした。

結果、認識率は５７．０％であった。

以下、上記実施例の作用について説明する。

■ニューラルネットワーク２０へ入力する特徴パラメー
タとして「周波数特性」を用いたから、入力を得るため
の前処理が、ＬＰＧ相関やＬＰＣケプストラムの如くの
複雑な特徴量抽出に比して単純で並列的に周波数分析で
き、その前処理に要する時間が短くて足りる。

■ニューラルネットワーク２０は、原理的に、ネットワ
ーク全体の演算処理が単純かつ迅速である。

■ニューラルネットワーク２０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、演算処理が迅速である
。

■上記■〜■により、音声認識処理を複雑な処理袋！に
よることなく容易に実時間処理できる。

■定常的なスペクトル歪に強く、高い認識率を維持てき
る。これは、［作用］の■にて前述の如く、評価段階で
正規化された（４）式の如くの値が、（２）式にて解析
された如くに周波数伝送特性Ａｋを消去されて、学習段
階で正規化された（３）式の如くの値と同等となり、雑
音の影響や回線等の入力系の相違に起因するスペクトル
歪を消去できるからである。

■階層的なニューラルネットワーク２０にあっては、現
在、前述の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）が確立されており、高い認識率を実現で
きるニューラルネットワーク２０を容易に形成できる。

［発明の効果］以上のように本発明によれば、容易に実時間処理でき、
かつ高い認識率を確保できる音声認識方法を得ることが
できる。

【図面の簡単な説明】

第１図は本発明が適用された音声認識システムの一例を
示す模式図、第２図はニューラルネットワークを示す模
式図、第３図は階層的なニューラルネットワークを示す
模式図、第４図はユニットの構造を示す模式図である。１・・・認識システム、１０・・・バントパスフィルタ、１２・・・平均化回路、１３・・・正規化回路、２０・・・ニューラルネットワーク、３０・・・判定回路。

Claims

【特許請求の範囲】

（１）ニューラルネットワークを用いて入力音声からそ
の単語を認識する単語認識方法であって、入力音声の周
波数特性を算出し、各帯域のそれぞれにおいて時間的に
等分割した音声区間のそれぞれを１つのブロックとして
、各ブロックの中で周波数特性の平均を算出し、それら
の平均を対応する帯域毎に正規化したものを、ニューラ
ルネットワークへの入力として用いる音声認識方法。
（２）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記載の音声認識方法。