JPH03230256A - 音声認識方法 - 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、電気錠、ＩＣカード等のオンライン゛・端末
等て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］ 従来、雑音の影響、回線等の入力系の相違等に対して高
い認識率を確保できる音声認識方法として、特開平１−
２６０４９０号公報に記載の如くのものが提案されてい
る。この音声認識方法は、音声をＬＰＧ分析して１フレ
ーム毎にＬＰＣケプストラムを算出し、フレーム間のＬ
ＰＣケプストラムの差分値を入力パラメータとして作成
する。他方、各音声の標準パターンも同様の差分値にて
作成してオく、そして、入力パラメータと標準パターン
との類似度を統計的尺度により計算し、類似度が最大と
なる標準パターンに対応する音声を認識結果とする。

［発明が解決しようとする課題］ 然しながら、従来技術には下記■〜■の問題点がある。

■ＬＰＣ分析は、音声を時系列的に多数区分したフレー
ム毎に順次行なうものであるため、処理時間が多大であ
る。

■入力パラメータの算出後の類似度の計算もフレーム毎
に順次行なうものであるため、処理時間が多大である。

■上記■、■により、実時間処理を行なうためには、高
級で複雑な処理が必要となる。

本発明は、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内の最大の
レベルを持つブロックと他のブロックとの間で差分した
値を、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。

［作用コ 請求項１に記載の本発明によれば、下記■〜■の作用効
果がある。

■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。

■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、高い認識率を維持てき
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の最大レベルを持
つプロ・νりと他のプロ・νりとの間で差分するもので
あるため、スペクトル歪を消去できることによる。即ち
、■をプロ・ツク番号、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１ブ
ロツクの音声信号、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１ブロックの音
声信号とする時、 Ｓｔｉｋ＝ＡｋＩＩＳｍｉ 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、である、そして
、上記（１）式の対数を取り、例えば同一帯域内で最大
のレベルを持つｊブロックとの差分を取る。この差分値
Ｈは、 ＝　ｌｏｇ（Ｓ　ｔｉｋ）−ｌｏｇ（Σ　ΣＳ　ｔｉｋ
）−ｌｏｇ（Ｓ　ｔｊｋ）＋　ｌｏｇ（ΣΣＳ　ｔｉｋ
）＝　ｌｏｇ（Ｓ　ｔｉｋ）−ｌｏｇ（Ｓ　ｔｊｋ）　
　　　　　　　　・・・（２）＝　ｌｏｇ（Ａ　ｋ−８
ｍ１ｋ）−１ｏｇ（Ａ　ｋ−８ｍｊｋ）＝　ｌｏｇ（Ａ
　ｋ）＋　ｌｏｇ（Ｓ　ｍ１ｋ）−ｌｏｇ（Ａ　ｋ）−
ｌｏｇ（Ｓ　ｍｊｋ）＝　ｌｏｇ（Ｓ　ｍ１ｋ）−ｌｏ
ｇ（Ｓ　ｍｊｋ）　　　　　　　　　・・・（３）であ
る。

上記差分値Ｈの（２）式は評価段階における音声信号の
差分値を表わし、（３）式は学習段階における音声信号
の差分値を表わす。即ち、（２）式の評価段階における
音声信号の差分値は、周波数伝送特性Ａｋを消去されて
、（３）式の学習段階の差分値と同等になる、即ちスペ
クトル歪を消去できるのである。

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。

［実施例コ 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。

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）に示す階層的ネットワークと第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０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、階層的ネッ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、−船釣には第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、Ｒｕｇ＋ｅ
ｌｈａｒｔ、　Ｄ、Ｅ、、ＭｃＣｌｅｌｌａｎｄ、　Ｊ
、Ｌ、　ａｎｄ　ｔｈｅｐＨｌ’　Ｒｅ５ｅａｒｃｈ　
Ｇｒｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲｉＢｔｌ
ＴＥＤＰＲＯＣＥＳＳＩＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒ
ｅｓｓ、　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、ブロック差分回路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にあっては、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。この学習段階における音声信号のに帯域ｌブロック
での周波数特性の平均を、Ｓ　ｍｉｋとする。

■各帯域毎に最大のレベルを持つブロックを見つける。

そして、最大のレベルを持つブロックと他のブロックと
の差分値を求める。即ち、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、単語のパワーΣΣＳ　
ｍｉｋで除算して正規化し、次に対数を取り、同一帯域
内で最大のレベルを持つｊブロックとの差分を取り、前
記（３）式の如くの差分値Ｈを算出する。

■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個の出力層をもっニューラ
ルネットワーク２ｏ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ｌ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「Ｏ」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２ｏ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ｉブロック
での周波数特性の平均を、Ｓ　ｔｉｋとする。

■各帯域毎に最大のレベルを持つブロックを見つける。

そして、最大のレベルを持つブロックと他のブロックと
の差分値を求める。即ち、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、単語の全パワーΣΣＳ
　ｔｉｋで除算して前記（１）式の如く正規化し、次に
対数を取り、同一帯域内で最大のレベルを持っｊブロッ
クとの差分を取り、前記（２）式の如くの差分値Ｈな算
出する。

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同一帯域内の最大
のレベルを持つブロックと他のブロックとの間で差分し
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９４．０％、処理速度は１秒以内（１単
語平均認識時間）であった。

（実験２） 比較例として、ＬＰＧ相関とＬＰＣケプストラムのフレ
ーム間差分値にて、入力パラメータと標準パターンのそ
れぞれを作成し、両者の類似度を統計的尺度により計算
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９３．２％、処理速度は１秒以上（１単
語平均認識時間）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１、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、［作用］の■にて前述の如く、評価段階で
算出した（２）式の如くの差分値が、周波数伝送特性Ａ
ｋを消去されて、学習段階で算出した（３）式の如くの
差分値と同等となり、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。

０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（バックプロ
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。

［発明の効果コ 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・・・バンドパスフィルタ、 １２・・・平均化回路、 １３・・・ブロック差分回路、 ２０・・・ニューラルネットワーク、 ３０・・・判定回路。

Claims (2)

【特許請求の範囲】
1. （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内の最大のレベルを持つブロック
   と他のブロックとの間で差分した値を、ニユーラルネツ
   トワークへの入力として用いる音声認識方法。
2. （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。