JPH04122995A - 音韻識別方法 - 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〕 本発明は音韻識別処理に関するものである。

〔従来技術〕

従来この種の技術としては、′相互情報量を基準とする
フレーム単位の音韻情報の評価”電子情報通信学会　音
声研究会　５Ｐ−１０３（１９８８）に開示きれたもの
がある。

音声認識の分野で現在層も精力的に研究きれている手法
の１つに音韻識別処理を用いた認識手法がある。音韻識
別処理とは入力きれた音声を音韻の系列（はぼ発音記号
に等しい）に変換するものである。このように音声を音
韻系列に変換した後は、例えば単語辞書や文法規則等を
用いて最も適切と思われる文字列（文章）に変換してい
く。

音韻識別を行なう利点は、音響レベルの処理と文字列の
処理を切り離すことで語索の拡張、認識対象文型の拡張
が自在にできることにある。

第９図は従来の音声識別法を実施する装置の構成を示す
ブロック図である。同図において、２０１は音声入力端
子、２０２は分析部、２０３はパワーベクトル算出部、
２０４はパワーベクトル７９部、２０５はパワーベクト
ル符号帳、２０６は特徴ベクトルＶＱ部、２０７は特徴
ベクトル符号帳、２０９は音韻変換部、２１０は音韻テ
ーブルである。

音声入力端子２０１から入力された音声は分析部２０２
において、特徴を表わす特徴ベクトルに変換きれる。特
徴ベクトルＳｉとしては、中心周波数の異なる１個のバ
ンドパスフィルタ群によって抽出きれた帯域内周波数成
分をフレームと呼ばれる小時間毎に取り出したものを使
用する。

Ｓ　ｊ　”　（Ｓｉｌ　Ｓｉ２．・・・・、５ｉｊ−１
，５ｉｊ）ここでｉはフレーム番号、ｊはバンドパスフ
ィルタの番号である。

更に、分析部２０２ではフレーム毎のパワーＰｉも同時
に算出する。ここで説明を簡単にするため、音声始端の
フレーム番号をＯ１音声の終端のフレーム番号をＩとす
る（ｉ＝・・・−２，−１，０，１，２，・・・、Ｉ、
Ｉ＋１．Ｉ＋２．・・・）。

パワーベクトル算出部２０３では隣接フレームのパワー
Ｐｉを結合して得られるパワーベクトルＰｉを算出する
。

ｐｉ　＝　（Ｐｉ−ｎ、Ｐｉ−ｎ＋１．　・、Ｐｉ−１
，Ｐｉ、　＝　、Ｆｉｎｎ−１、Ｆｉｎｎ　） ここで、ｎは隣接フレームの幅である。

パワーベクトル７９部２０４ではパワーベクトル符号帳
２０５を参照して、ベクトル量子化（ＶＱ）Ｌ、パワー
コードＣｉを求める。

Ｃｉ　＝ａｒｇｍｉｎ　ｄ　（Ｐｉ、　ｙ−）ここで、
ｄ　（ｐ　ｉ、　ｙ”　）はベクトルＰｉとベクトル“
とり距離を表わす。

パワーベクトル量子化処理は、入力音声をパワー形状で
大分類するものであり、大分類結果がパワーフードＣｆ
となる。ノ１はパワーフードベクトル、ｍはパワーコー
ド番号である。

ｙ”！（ｙ”−ｎ＋ｙ−ｎ＋１．　’・１ｙ”−Ｃ７”
ｎ＋７−Ｌ　＋　＋ｙ−ｎ−１．ｙ−ｎ）　　　　（ｍ
＝１．２．−、Ｍ）ここでＭはパワーベクトル符号帳サ
イズである。

特徴ベクトルＶＱ部２０６では特徴ベクトル符号帳２０
７に基づいて特徴ベクトル　ｉのベクトル量子化を行な
う。また、特徴ベクトル符号帳２０７にはパワーフード
別に符号帳が格納されている。言い換えるとパワーベク
トル符号帳サイズＭ個分の符号帳があることになる。

特徴ベクトル量子化処理は、パワーベクトル量子化処理
の大分類とは逆に音声の細かな特徴に基づいた詳細分類
を行なうものである。

先ず、パワーコードＣｉに対した特徴ベクトル符号帳を
特徴ベクトル符号帳２０７から選択する。このことは言
い換えると大分類結果を考慮して、詳細識別用辞書を適
切なものに切り替えることに相当する。この選択された
符号帳を使って量子化（ＶＱ）を行なう。今ｃ＝ｃｉと
すると、特徴コードＺｉは次式であられされる。

Ｚ　ｉ　＝ａｒｍｉｎ　　ｄ　（５ｉ　　、χ（ｃ）’
）　　　　　（２）ここで　（Ｃ）′はパワーコードＣ
に対応すね特徴コードベクトル、ｒは特徴ベクトルコー
ドである。

Ｘ（Ｃ）’＝　（Ｘ（ｃ）’＋、Ｘ（ｃ）’ｔ、−、Ｘ
（ｃ）’ｒ−。

Ｘ（ｃ）’ｈ　）　　　　　（ｒ＝１．２．　・・・、
Ｒ（ｃ））Ｒ（ｃ）はパワーコードＣに対応する特徴ベ
クトル符号サイズである。

音韻変換部２０９では、このＣｉ、Ｚｊから音韻記号Ｌ
ｉに変換する。この処理について種々の方法が考えられ
るが、ここでは最も簡単なテーブルルックアップ方式に
ついて説明する。先ず音韻テーブル２１０の構成例を第
１０図に示す。パワーコードＣ１＝１　、特徴コードＺ
ｉ＝１の時はこの表より音韻記号Ｌｉはａとなる。また
、Ｃ１＝２．Ｚｉす３ではＬｉ＝ｅと変換きれる。

このようにして入力音声から音韻記号列に変換きれる。

〔発明が解決しようとする課題〕

音韻識別処理では音声の種々の特徴を効果的に捉えて識
別しなければ、高い識別能力が得られない。人間が音声
を聞き分ける場合、音声の静的情報、即ちある瞬間の音
の強き、音色（スペクトル）の違いはもちろんのこと、
一連の音声を通じて音質の類別判定を行なっている。一
連の発声では当然ながら音声者固有の音質で規定されて
いる特有のスペクトル構造が存在する。音声者が異なれ
ばこのスペクトル構造は異なる。従って音声者を限定し
ない不特定者の認識系ではこのスペクトル構造を的確に
捉える必要がある。

しかしながら、上述した従来の音韻識別方法では、この
点に全く考慮していなかった。スペクトル特徴を捉える
ための符号帳は１つしかなく、どのような発声に対して
も単独の符号帳に基ついてコード弗化していた。そのた
め本来ならは−人の話者の発声では起こり得ない組合せ
のスペクトルコード系列に割り付けられる場合がしばし
ば発生し、認識性能が上がらない原因の１つとなってい
た。

本発明は上述の点に鑑みてなされたもので、発声者固有
の音声で規定きれる特有のスペクトル構造を的確に捉え
ることにより、発声者を限定しない不特定者の認識系に
おいても高い音韻識別性能を得ることにある。

〔課題を解決するための手段〕

上記課題を解決するため本発明の音韻識別方法は、下記
の（ａ）乃至（ｇ）の手段を採るようにした。

（ａ）入力音声を周波数分析し、該入力音声の周波数成
分のベクトルである特徴ベクトルと該入力音声の強さを
表わすパワーを、フレームと称する一定時間間隔で算出
する分析と、 （ｂ）隣接フレームの前記音声パワーを結合して得られ
るパワーベクトルを算出する処理と、（ｃ）識別しよう
とする入力音声に対して前記（ａ）及び（ｂ）の処理に
より、入力ハワーパタン及び入力特徴パタンを作成する
処理と、 （ｄ）　前記入力バワーパタンに対して、前記パワーベ
クトル符号帳を用いてベクトル量子化し、入力パワーコ
ードを求める処理と、 （ｅ）前記入力特徴パタンに対して、複数の特徴ベクト
ル符号帳を用いてベクトル量子化し、複数の入力特徴コ
ード及び複数の入力特徴ＶＱ歪を求める処理と、 （ｆ）前記複数の入力特徴ＶＱ歪に対して各々の総和が
最小になる特徴ベクトル符号帳を選び、当該符号帳によ
る最適入力特徴コードを選択する処理と、 ＜ｇ）前記最適入力特徴フード及び前記入力パワーコー
ドから、フレーム毎に音韻の尤度を求めることを特徴と
する。

〔作用〕

本発明によれば、予め音声別に分けられた複数のスペク
トル特徴符号帳を持ち、入力音声に対してそれら複数の
符号帳と照合し、詳細識別を行なうと同時に、音声の類
別判定を行なう。従ってどのような音質の音声に対して
もその音質のスペクトル構造を的確に捉えた識別が可能
となる。

更に、本発明では、複数の特徴量を用いて音韻識別を行
なう場合、全ての特徴量に対して複数の符号帳を用意す
るのではなく、話者依存性の少ない特徴量、例えば音声
のパワー変化特徴等は単一の符号帳で、逆に話者依存性
の強い特徴量、例えばスペクトル特徴等は複数の符号帳
で対処するようにしている。このように特徴量の話者依
存性に応して適切な数を符号帳を用意することで、処理
量の削減を図れるだけでなく、不必要な辞書項目に対す
る処理を行なわないため、より安定した確実な分類が行
なえる。従って効率的でしかもより高い音韻識別性能が
得られる。

〔実施例〕

以下、本発明の実施例を図面に基づいて説明する。

第１図は本発明の音韻識別方法を実施する装置の構成を
示すブロック図である。同図において、徴ベクトルＶＱ
部、１０７は特徴ベクトル符号帳、１０８は最適特徴コ
ード選択部、１０９は音韻変換部、１１０は音韻テーブ
ルである。

第２図は入力音声信号パワー例を示す図、第３図は入力
パワーパタン例を示す図、第４図は入カル符号帳例を示
す図、第７図は特徴ベクトル符号帳例を示す図である。

第１図の音声入力端子１０１から、入力きれる音声信号
は分析部１０２において特徴を表わす特徴ベクトルに変
換きれる。この特徴ベクトル導出方法には、中心周波数
が少しずつ異なる複数のバンドパス群を用いる方法や、
ＦＦＴ（高速フーノエ変換）によるスペクトル分析を用
いるもの等々が考えられるが、ここではバンドパスフィ
ルタ群を使用する方法を例に挙げる。特徴ベクトルＳｉ
としては、中心周波数の異なる１個のバンドパスフィル
タ群によって抽出した帯域内周波数成分を対数変換し、
フレームと呼ばれる小時間毎に取り出したものを使用す
る。

Ｓ　ｉ　＝　（Ｓｉｔ、Ｓｉ２．−．５ｉｊ−１，５ｉ
ｊ　）ここでｉはフレーム番号Ｊはバンドパスフィルタ
番号である。更に分析部１０２ではフレーム毎のパワー
Ｐｉも同時に算出する。パワーＰｉ次式で計算きれる。

Ｐ　ｉ　＝Ｊ−’ΣＳｉｊ　　　　　　　　　　　　（
３）」＝ ここで簡単にするため、音声始端のフレーム番号を０、
音声の終端のフレーム番号を１とする。（ｉ：　・・−
２，−１，０，１，２，・・・１．Ｉ＋１．Ｉ＋２．・
・・　）バワーベトル算出部１０３では隣接フレームの
パワーＰｉを結合してパワーベクトルＰｉを算出する。

ｐ　ｉ　＝　（Ｐｉ−ｎ、Ｐｉ−ｎ＋１．＝・、Ｐｉ−
１，Ｐｉ、Ｐｉ＋１．−、Ｐｉ十ｎ−１，Ｐｉ＋ｎ） ようなパワーへ台ル符号帳１０５を参照して、ベクトル
量子化（ＶＱ）Ｌ、パワーコードＣｉを求める。

Ｃｉ　＝ａｒｇｉｍ　ｄ　（ｐ　ｉ　、　ｙ”）　　　
　　　　（４）ここでｄ（Ｐ　ｉ　、ｙ”″）はベクト
ルＰｉとベクトルｙａ＆の距離を表わす。パワーベクト
ル量子化処理は、入力音声を第２図に示すようなパワー
形状で大分類するものであり、大分類結果が第３図示す
ようなパワーコードＣｉとなる。　　ｙｌはパワーコー
ドベクトル、ｍはパワーフード番号であ（ｍ＝１　、２
．・・　、Ｍ） ここでＭはパワーベクトル符号帳サイズである。

特徴ベクトル量子化１０６では、第７図に示すような特
徴ヘクトル符号帳１０７に基づいて特徴ベクトル５ｉの
ベクトル量子化を行なう。特徴ベクトル符号帳１０７に
は予め発音声者の特性、即ち性別、年齢、音質等でグル
ープ化きれた多数の音声データから作成きれた符号帳が
Ｑ種類用意きれたてる。また、各々の符号帳は更にパワ
ーコード別のサブ符号帳により成っている。言い換える
と特徴ベクトル符号帳１０７にはＱ個の符号帳があり、
各々の符号帳の１つ１つはＭ個のサブ符号帳からできて
いる。Ｍは前述したパワーコードの数である。

特徴ベクトル量子化処理は、パワーベクトル量子化処理
の大分類とは逆に、音声を細かな特徴に基づいた詳細分
類を行なうものである。先ず各々の符号帳の中からパワ
ーコードＣｉに対応したＱ個のサブ符号帳を特徴ベクト
ル符号帳１０７から選択する。このことは言い換えると
大分類結果を考慮して、詳細識別辞書を適切なものに切
り替えることに相当する。この選択きれたＱ個すブ符号
帳を使って量子化（ＶＱ）を行なう。

今、ｃ＝Ｃｉとすると、特徴コードＺ（ｑ）ｉ、特徴Ｖ
Ｑ歪Ｖ（ｑ）ｉは次式で表わされる。

Ｚ（ｑ）ｉ＝ａｒｇｍｉｎ　　　ｄ　　（Ｓ　　ｉ　　
　、　　メ　（ｑ、ｃ）’）（ｑ＝ｌ、　２．・・・、
Ｑ）　　（５）Ｖ（ｑ）ｉ＝　！ｆｌｉｎ　ｄ　（，５
’　ｉ　、　Ｘ（ｑ、ｃ）’　）（ｑ＝１　、２．・・
、Ｑ）　　（６）ここでＸ（ｑ、ｃ）’はパワーコード
Ｃに対するｇ番目のサブ符号帳の特徴コードベクトル、
ｒは特徴へクトルコードである。

メ（ｑ、ｃ）’　＝　（ｘ　（ｑ、ｃ）’　ｌ＋　ｘ　
（ｑ、ｃ）’　２．−、　ｘ　（ｑ、ｃ）’　＋−＋−
ｘ　（ｑ、ｃ）’　＋　）（ｒ＝１．２．・・・、Ｒ（
ｑ、ｃ）　）Ｒ（Ｑ、Ｃ）はパワーコードＣに対応する
サブ符号帳サイズである。

最適特徴コード選択部１０Ｂでは音声始端のフレームか
ら音声終端のフレームまでの特徴ｖＱ歪Ｖ（ｑ）ｉの総
和Ｗｑを計算する。

Ｗｑ＝ΣＶ（ｑ）ｉ　　　　（ｑ＝１．２．−、Ｑ）　
　（７）；Ｏ 更にＷｑが最小となる符号帳の番号ｑｍを見つける。

ｑ　　ｍ＝ｍ１ｎ　　Ｗｑ　　　　　　　　　（ｑ＝１
．２．・＝、Ｑ）　　　（８）この符号帳で量子化（ｖ
Ｑ）したフードが特徴コードＺｉである。即ち、 Ｚ　ｉ　＝　Ｖ（ｑｍ）ｉ　　　　　　　　　　　　　
（９）音韻変換部１０９ではパワーコードＣ１１最適符
号長ｑｍ、特徴コードＺｉから音韻記号Ｌｉに変換する
。この処理にっていは種々の方法が考えられるが、ここ
では最も簡単なテーブルル・ツクアップ方式について説
明する。第８図に示す音韻テーブル１１０において、パ
ワーフードＣ１−１、最適符号帳ｑｍ＝１、特徴コード
Ｚｉ＝１の時は、音韻記号Ｌｉはａとなる。また、パワ
ーコードＣ１＝２、最適符号帳ｑ　ｍ　＝　２、特徴コ
ードＺｉ＝２の時は音韻記号Ｌｉはｅとなる。

このようにして入力音声から音韻記号列に変換きれる。

なお、音韻テーブル１１０の作成方法は種々考えられる
が、その１手法を簡単に箇条書で説明する。

（ａ）予め多数の話者が発声した音声データに対して、
発声者の特性、即ち性別、年齢、音質等デグループ化し
、話者グループ番号を付与する。

（ｂ）前記音声データに対して、パワーベクトルと特徴
ベクトルを算出し、各々をパワーベクトルデータ（第３
図参照）、特徴データ（第５図参照）として記憶する。

（ｃ）前記パワーベクトルデータをクラスタリングし、
パワーベクトル符号帳を作成する。

（ｄ）前記パワーベクトルデータをパワーベクトル符号
帳を用いてベクトル量子化し、／くワーコードデータを
作成する。

（ｅ）前記特徴データを前記話者グループ番号別に分け
、類別特徴データとして分離する。

（ｆ）各々の前記類別特徴データに対して、更に前記パ
ワーコード別にデータを分けて、各々クラスタリング処
理を行ないサブ符号帳を作成する。

このサブをまとめたものが特徴ベクトル符号帳１０７で
ある。（第７図参照） （ｇ）各々の類別特徴データに対して、対応するパワー
フードから定まるサブ符号帳を用いてベクトル量子化し
、特徴コードデータを求める。

（ｈ）音声データに予め視察等で与えておいた音韻コー
ドデータと、特徴コードデータ及びパワーコードデータ
から各々のコード間の対応関係を表わす音韻テーブル１
１０を作成する。

〔発明の効果〕

以上説明したように本発明によれば下記のような優れた
効果が得られる。

（１）予め音質別に分けられた複数のスペクトル特徴符
号帳を持ち、入力音質に対してそれらの符号帳と照合し
、詳細識別を行なうと同時に、音質の類別判定を行なう
、従って、どのような音質の音声に対してもその声質の
スペクトル構造を的確に捉え識別が可能となる。

（２）更に複数の特徴量を用いて音韻識別を行なう場合
、全ての特徴量に対して複数の符号帳を用意するのでは
なく、話者依存性の少ない特徴量、例えばスペクトル特
徴等は複数の符号帳で対処するようにしている。このよ
うに特徴量の話者依存性に応じて適切な数の符号帳を用
意することで、処理量の削減を図れるだけでなく、不必
要な辞書項目に対する処理を行なわないために、より安
定した確実な分類が行なえるようになる。従って効率的
でしかも高い音韻識別性能を得ることができる。

【図面の簡単な説明】

第１図は本発明の音韻識別方法を実施する装置の構成を
示すブロック図、第２図は入力音声信号パワー例を示す
図、第３図は入力バワーパタン例を示す図、第４図は入
力音声の周波数スペクトル例を示す図、第５図はスペク
トルパタン例を示す図、第６図はパワーベクトル符号帳
例を示す図、第７図は特徴ベクトル符号帳例を示す図、
第８図夕は音韻テーブル例を示す図、第９図は従来の音
韻識別方法を実施する装置の構成を示すブロック図、第
１０図はその音韻テーブル例を示す図である。 図中、１０１・・・・音声入力端子、１０２・・・分析
０部、１０３・・・・パワーベクトル算出部、１０４・
・・パワーベクトル算出部、１０５・・・パワーベクト
ル算出部、１０６・・・・特徴ベクトルＶＱ部、１０７
・・・・特徴ベクトル符号帳、１０８・・・・最適特徴
コード選択部、１０９・・・・音韻変換部、１１０９・
・・・音韻テーブル。 特許出願人　沖電気工業株式会社 代理人　弁理士　熊　谷　隆（外１名）第４図 スベフト）Ｖノ（７−）ｆ万Ｉ］ 第５図 パワーへ°７トンレ石ち叩」 第６図 １ｖ−」

Claims (1)

1. 【特許請求の範囲】 （ａ）入力音声を周波数分析し、該入力音声の周波数成
   分のベクトルである特徴ベクトルと該入力音声の強さを
   表わすパワーを、フレームと称する一定時間間隔で算出
   する分析と、 （ｂ）隣接フレームの前記音声パワーを結合して得られ
   るパワーベクトルを算出する処理と、（ｃ）識別しよう
   とする入力音声に対して前記（ａ）及び（ｂ）の処理に
   より、入力パワーパタン及び入力特徴パタンを作成する
   処理と、 （ｄ）前記入力パワーパタンに対して、前記パワーベク
   トル符号帳を用いてベクトル量子化し、入力パワーコー
   ドを求める処理と、 （ｅ）前記入力特徴パタンに対して、複数の特徴ベクト
   ル符号帳を用いてベクトル量子化し、複数の入力特徴コ
   ード及び複数の入力特徴量子化（ＶＱ）歪を求める処理
   と、 （ｆ）前記複数の入力特徴量子化（ＶＱ）歪に対して各
   々の総和が最小になる特徴ベクトル符号帳を選び、当該
   符号帳による最適入力特徴コードを選択する処理と、 （ｇ）前記最適入力特徴コード及び前記入力パワーコー
   ドから、フレーム毎に音韻の尤度を求めることを特徴と
   する音韻識別方法。