JPH0415700A - 話者認識システム - 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］ 本発明は話者認識システムに関する。

［従来の技術］ 本出願人は、ニューラルネットワークを用いた話者認識
システムを提案している。この話者認識システムにあっ
ては、ニューラルネットワークの出カバターンに対し一
定のしきい値θを設け、例えばニューラルネットワーク
の１つの出力ユニットの出力値が０以上の値をとり、他
の出力ユニットの出力値の全てか（１−θ）以下の値を
とる場合に、今回の入力話者は出力値が０以上である出
力ユニットに対応する登録話者と同一話者であるものと
認識する。

［発明か解決しようとする課題］ 然しなから、ニューラルネットワークの出カバターンは
必ずしも上述の如くにならず、■θ以−Ｆの出力値を示
す出力ユニットか複数個あるパターン、或いは■全ての
出力ユニットの出力値が（ｌ−θ）以下の値をとるパタ
ーン等の出現をみることかある。そして、このような出
カバターンについては、話者認識か困難ないし不能とな
るのである。

本発明は、全登録話者を学習対象として構築されたニュ
ーラルネットワークの出力パターンが入力話者を特定て
きないパターンである場合にも、正確に話者認識を行な
うことを目的とする。

［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
用いた話者認識システムにおいて、全登録話者を学習対
象として構築した全話者用ニューラルネットワークと、
全話者用ニューラルネットワークを構成する各出力ユニ
ットの出力値か互いに一定の類似関係にありしきい値判
定できないことに基づいて、全登録話者をグループ分け
した各グループ毎の登録話者を学習対象として構築した
各グループ用ニューラルネットワークとを用い、入力話
者について、全話者用ニューラルネットワークによる認
識を行ない、該全話者用ニューラルネットワークの出力
パターンが入力話者を特定できないパターンである時、
更に、該全話者用ニューラルネットワークにおける最大
出力値の出力ユニットに対応する登録話者を含むグルー
プの、グループ用ニューラルネットワークによる認識を
行なう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
クへの入力として、 ■音声の周波数特性の時間的変化、 ■音声の平均的な線形予測係数、 ■音声の平均的なＰＡＲＣＯＲ係数、 ■音声の平均的な周波数特性、及びピッチ周波数、 ■高域強調を施された音声波形の平均的な周波数特性、
並びに ■音声の平均的な周波数特性 のうちの１つ以上を使用す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。

■全登録話者を学習対象として構築した全話者用ニュー
ラルネットワークと、類似話者にてグループ化された登
録話者を学習対象として構築した各グループ用ニューラ
ルネットワークとを用いることにより、話者認識率を向
上てきる。これにより、全登録話者を学習対象として構
築されたニューラルネットワークの出カバターンが入力
話者を特定できないパターンである場合にも、正確に話
者認識を行なうことができる。

請求項２に記載の本発明によれば、下記■の作用がある
。

■ニューラルネットワークへの入力として、請求項１に
記載の■〜■の各要素のうちの１つ以上を用いるから、
入力を得るための前処理か単純となり、この前処理に要
する時間か短くて足りるため、話者認識システムを複雑
な処理装置によることなく容易に実時間処理できる。

［実施例］ 第１図は全話者用ニューラルネットワークの学習系統を
示すブロック図、第２図はグループ用ニューラルネット
ワークの学習系統を示すブロック図、第３図は話者認識
系統を示すブロック図、第４図は話者認識系統を示す流
れ図である。

ｆＡ）先ず、全話者用ニューラルネットワークの学習系
統について説明する（第１図参照）。

この系統は、音声入力部１１、前処理部１２、全話者用
ニューラルネットワーク１３にて構成される。

以下、前処理部１２、全話者用ニューラルネットワーク
１３の構成について説明する。

（１）前処理部 前処理部１２は、入力音声に簡単な前処理を施し、上記
全話者用ニューラルネットワーク１３、後述するグルー
プ用ニューラルネットワーク１４への入力データを作成
する。

前処理部１２の具体的構成を例示すれば以下の如くであ
る。

即ち、前処理部１２としては、ローパスフィルタ、バン
ドパスフィルタ、平均化回路の結合からなるものを用い
ることかできる。

■入力音声の音声信号の高域の雑音成分を、ローパスフ
ィルタにてカットする。そして、この入力音声を４つの
ブロックに時間的に等分割する。

■音声波形を、複数（ｎ個）チャンネルのバンドパスフ
ィルタに通し、各ブロック即ち各一定時間毎の周波数特
性を得る。

この時、バントパスフィルタの出力信号は、平均化回路
にて、各ブロック毎、即ち各一定時間で平均化される。

以上の前処理により、「音声の一定時間内における平均
的な周波数特性の時間的変化」か得られる。

（２）全話者用ニューラルネットワーク全話者用ニュー
ラルネットワーク１３は、入力音声か全登録話者のいず
れであるかを判定する。

全話者用ニューラルネットワーク１３の具体的構成を例
示すれば、以下の如くである。

■構造 全話者用ニューラルネットワーク１３は例えば３層バー
セプトロン型てあり、入カニニット数は前処理部１２の
４ブロツク、ｎチャンネルに対応する４ｎ個、出力ユニ
ット数は登録話者と同数個である。

■学習 目標値は、登録話者について対応する出力ユニットの出
力値を　１、その他の出力値を　０とする。

（ａ）登録話者の音声に前処理部１２による前処理を施
し、全話者用ニューラルネットワーク１３に入力する。

目標値に近づくように全話者用ニューラルネットワーク
】３の重みと変換関数を修正する。

（ａ）を目標値と出力ユニットの出力値の誤差か、十分
に小さな値（例えば、Ｉ　Ｘ　１０−’）になるまて繰
り返す。

（Ｂ１次に、グループ用ニューラルネットワークの学習
系統について説明する（第２図参照）。

この系統は、音声入力部１１、前処理部１２、全話者用
ニューラルネットワーク１３、グループ用ニューラルネ
ットワーク１４、判定部１５、学習パターン記憶部１６
にて構成される。

以下、グループ用ニューラルネットワーク１４、判定部
１５、学習パターン記憶部１６の構成について説明する
。前処理部１２は、前述（Ａ）の前処理部１２と同一で
あり、全話者用ニューラルネットワーク１３は前述（Ａ
）にて構築済のものを用いる。

各グループ用ニューラルネットワーク１４は、予めグル
ープ分けした各グループ毎に対応して設けられ、入力音
声か各グループ内の登録話者のいずれであるかを判定す
る。尚、各グループは、［全話者用ニューラルネットワ
ーツク１３を構成する各出力ユニットの出力値か互いに
一定の類似関係にありしきい値判定てきない話者の組」
毎にグループ化して構成したものである。そして、各グ
ループを構成することとなる話者の入力音声は、判定部
１５の判定結果に基づき上述の如くにグループ化されて
学習パターン記憶部１６に記憶され、グループ用ニュー
ラルネットワーク１４の学習のために供される。尚、学
習パターン記憶部１６はグループ記憶部１６Ａを付帯的
に備えている。

ここで、上述の「全話者用ニューラルネットワーク１３
の各出力ユニットの出力値か互いに一定の類似関係にあ
りしきい値判定できない話者の組」とは、■出カバター
ンの中てしきい値０以上の値をとるユニットか複数個あ
り、或いは全てのユニットか（１−θ）以下の値をとる
ためにしきい値判定できない状況下て、■例えば最大出
力値の出力ユニットに対応する話者、及び、該最大出力
値から一定の差をなす範囲内に出力値かある出力ユニッ
トに対応する話者（又は該最大出力値と一定の比率をな
す範囲内に出力値がある出力ユニットに対応する話者）
からなる話者の組をいう。

グループ用ニューラルネットワーク１４の具体的構成を
例示すれば、以下の如くである。

■構造 グループ用ニューラルネットワーク１４は例えば３層パ
ーセプトロン型てあり、入カニニット数は前処理部】２
の４ブロツク、ｎチャンネルに対応する４ｎ個、出力ユ
ニット数は当該グループを構成する登録話者数と同数個
である。

■学習 目標値は、当該グループを構成する登録話者について対
応する出力ユニットの出力値を１、その他の出力値を０
とする。

（ａ）当該グループを構成する登録話者の音声に前処理
部１２による前処理を施し、グループ用ニューラルネッ
トワーク１４に入力する。目標値に近づくようにグルー
プ用ニューラルネットワーク１４の重みと変換関数を修
正する。

（ａ）を目標値と出力ユニットの出力値の誤差が、十分
に小さな値（例えば、Ｉ　Ｘ　１０”’）になるまで繰
り返す。

（Ｃ）次に、本発明による話者認識系統について説明す
る（第３図、第４図参照）。

話者認識システム１０は、音声入力部１１、前処理部１
２、全話者用ニューラルネットワーク１３、グループ用
ニューラルネットワーク１４、及び、第１判定部２１、
グループ記憶部２２、ネットワーク選択部２３、最終判
定部２４にて構成される。この時、全話者用ニューラル
ネットワーク１３は前述（Ａ）にて構築され、グループ
用ニューラルネットワーク１４は前述（Ｂ）にて構築さ
れたものである。

話者認識システム１ｏは、下記（１）〜（３）のアルゴ
リズムにより話者認識する。

（１）入力音声に対し、全話者用ニューラルネットワー
ク１３による認識を行なう。第１判定部２１により、全
話者用ニューラルネットワーク１３の出カバターンをし
きい値判定して話者認識し、入力話者を特定する。

（２）上記（１）において、全話者用ニューラルネット
ワーク１３の出カバターンが入力話者を特定てきないパ
ターンである時、グループ記憶部２２、ネットワーク選
択部２３を用いて、該全話者用ニューラルネットワーク
１３における最大出力値の出力ユニットに対応する登録
話者を含むグループのグループ用ニューラルネットワー
ク１４を選択する。

（３）前記（１）の入力音声に対し、上記（２）により
選択されたグループ用ニューラルネットワーク１４によ
る認識を行なう。最終判定部２４により、グループ用ニ
ューラルネットワーク１４の出カバターンをしきい値判
定して話者認識し、入力話者を特定する。

以下、上記話者認識システム１０の具体的実施結果につ
いて説明する。

■登録話者として、５名を用い、各話者音声試料に前処
理を施し、６４次元（４ブロツク×１６チヤンネル）の
特徴ベクトルを得る。これをニューラルネットワークの
入力として、全話者用ニューラルネットワーク１３を構
築する。学習パターンとして、登録話者５名、非登録話
者２５名を用いた。

■全話者用ニューラルネットワーク１３を構成する各出
力ユニットの出力値か互いに一定の類似関係にあり、し
きい値判定できないことに基づいてグループ分けした各
グループの登録話者毎にグループ化したグループ用ニュ
ーラルネットワーク１４を構築する。

グループ１　話者Ａと話者Ｂ グループ２　話者Ｃと話者り等 ■全話者用ニューラルネットワーク１３、及びグループ
用ニューラルネットワーク１４を用い、前記アルゴリズ
ムに従って話者認識を行なう。

従来の全登録話者を対象としたニューラルネットワーク
のみの場合では、出力ユニット値か口〜１の範囲て、 ■入力話者Ａに対し、出力ユニットＡの出力値か０．１
７、出力ユニットＢの出力値は０．１９■入力話者Ｃに
対し、出力ユニットＣの出力値は０．１９　、出力ユニ
ットＤの出力値は０．２０等となり、話者の認識が困難
であった。

これに対し、本発明の話者認識システム１０によれば、
全話者用ニューラルネットワーク１３に加え、グループ
用ニューラルネットワーク１４を用いることにより、上
述の各登録話者を正確に認識することか可能となった。

又、前述の前処理部１２により、入力音声を前処理して
作成されるニューラルネットワークへの入力としては、 ■音声の周波数特性の時間的変化、 ■音声の平均的な線形予測係数、 ■音声の平均的なＰＡＲＣＯＲ係数、 ■音声の平均的な周波数特性、及びピッチ周波数、 ■高域強調を施された音声波形の平均的な周波数特性、
並びに ■音声の平均的な周波数特性 のうちの１つ以上を使用できる。

そして、上記■の要素は「音声の一定時間内における平
均的な周波数特性の時間的変化」、上記■の要素は「音
声の一定時間内における平均的な線形予測係数の時間的
変化」、上記■の要素は「音声の一定時間内における平
均的なＰＡＲＣＯＲ係数の時間的変化」、上記■の要素
は「音声の一定時間内における平均的な周波数特性、及
びピッチ周波数の時間的変化」、上記■の要素は、「高
域強調を施された音声波形の一定時間内における平均的
な周波数特性の時間的変化」として用いることがてきる
。

尚、上記■の線形予測係数は、以下の如く定義される。

即ち、音声波形のサンプル値（χ。）の間には、一般に
高い近接相関かあることか知られている。

そこで次のような線形予測か可能であると仮定する。

線形予測値　　χｔ＝−Σα１χ、−１　　・・・（１
）線形予測誤差　ε、＝χ、−χ、　　・・・（２）こ
こで、χｔ＝時刻ｔにおける音声波形のサンプル値、（
α＋）　（１＝　Ｌ”・・、ｐ）：　（９次の）線形予
測係数 さて、本発明の実施においては、線形予測誤差ε、の２
乗平均値か最小となるように線形予測係数（α口を求め
る。

具体的には　（εｔ）２を求め、その時間平均を（ε、
）２と表わして、θ（εｔ）２／δα、：ｏ、ｉ＝１．
２．・・・、ｐとおくことによって、次の式から（α１
）か求められる。

ΣＣＩ　Ｉｖｌｌ−Ｊｌ　　＝Ｌ　Ｊ＝　’　＋　　２
＋　””＋　　ｐ””　（３）又、上記■のＰＡＲ（１
：ＯＲ係数は以下の如く定義される。

即ち、［ｋ、１）（ｎ＝１．・・・、ｐ）を（９次の）
ＰＡＲＣＯＲ係数（偏自己相関係数）とする時、ＰＡＲ
ＣＯＲ係数ｋ　ｎｉｌは、線形予測による前向き残差ε
、＜１）と後向き残差εｔ−ｆｎ＋ｌｌ　（ｂ’間の正
規化相関係数として、次の式によって定義される。

ε　（ｆ）・　εｔ−＋ｎ＋＋１ ・・・　（４） ここて、ε　１１　：χｔ−Σ　α・χ゛−”（α、）
：前向き予測係数、 （βｊ）：後向き予測係数 又、上記■の音声のピッチ周波数とは、声帯波の繰り返
し周期（ピッチ周期）の逆数である。

尚、ニューラルネットワークへの入力として、個人差か
ある声帯の基本的なパラメータであるピッチ周波数を付
加したから、特に大人／小人、男性／女性間の話者の認
識率を向上することかてきる。

又、上記■の高域強調とは、音声波形のスペクトルの平
均的な傾きを補償して、低域にエネルギか集中すること
を防止することである。然るに、音声波形のスペクトル
の平均的な傾きは話者に共通のものてあり、話者の認識
には無関係である。

ところが、このスペクトルの平均的な傾きか補償されて
いない音声波形をそのままニューラルネットワークへ入
力する場合には、ニューラルネットワークが学習する時
にスペクトルの平均的な傾きの特徴の方を抽出してしま
い、話者の認識に必要なスペクトルの山と谷を抽出する
のに時間がかかる。これに対し、ニューラルネットワー
クへの入力を高域強調する場合には、話者に共通て、認
識には無関係てありながら、学習に影響を及ぼすスペク
トルの平均的な傾きを補償できるため、学習速度が速く
なるのである。

上記実施例によれば、下記■、■の作用効果かある。

■全登録話者を学習対象として構築した全話者用ニュー
ラルネットワーク１３と、類似話者にてグループ化され
た登録話者を学習対象として構築した各グループ用ニュ
ーラルネットワーク１４とを用いることにより１話者認
識率を向上できる。

これにより、全登録話者を学習対象として構築されたニ
ューラルネットワークの出力パターンが入力話者を特定
できないパターンである場合にも、正確に話者認識を行
なうことかできる。

■ニューラルネットワーク１３．１４への入力として、
「音声の一定時間内における平均的な周波数特性の時間
的変化」等、前述■〜■の各要素のうちの１つ以上を用
いるから、入力を得るための前処理が単純となり、この
前処理に要する時間が短くて足りるため、話者認識シス
テム１０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。

［発明の効果］ 以上のように本発明によれば、全登録話者を学習対象と
して構築されたニューラルネットワークの出力パターン
が入力話者を特定できないパターンである場合にも、正
確に話者認識を行なうことかできる。

【図面の簡単な説明】

第１図は全話者用ニューラルネットワークの学習系統を
示すブロック図、第２図はグループ用ニューラルネット
ワークの学習系統を示すブロック図、第３図は話者認識
系統を示すブロック図、第４図は話者認識系統を示す流
れ図である。 １０・・・話者認識システム、 １１・・・音声入力部、 １２・・・前処理部、 １３・・・全話者用ニューラルネットワーク、１４・・
・グループ用ニューラルネットワーク、２１・・・第１
判定部、 ２２・・・グループ記憶部、 ２３・・・ネットワーク選択部、 ２４・・・最終判定部。 特許出願人　積水化学工業株式会社 代表者　廣　１）　馨

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た話者認識システ
   ムにおいて、全登録話者を学習対象として構築した全話
   者用ニューラルネットワークと、全話者用ニューラルネ
   ットワークを構成する各出力ユニットの出力値が互いに
   一定の類似関係にありしきい値判定できないことに基づ
   いて、全登録話者をグループ分けした各グループ毎の登
   録話者を学習対象として構築した各グループ用ニューラ
   ルネットワークとを用い、入力話者について、全話者用
   ニューラルネットワークによる認識を行ない、該全話者
   用ニューラルネットワークの出力パターンが入力話者を
   特定できないパターンである時、更に、該全話者用ニュ
   ーラルネットワークにおける最大出力値の出力ユニット
   に対応する登録話者を含むグループの、グループ用ニュ
   ーラルネットワークによる認識を行なうことを特徴とす
   る話者認識システム。
2. （２）前記ニューラルネットワークへの入力として、 ［１］音声の周波数特性の時間的変化、 ［２］音声の平均的な線形予測係数、 ［３］音声の平均的なＰＡＲＣＯＲ係数、 ［４］音声の平均的な周波数特性、及びピッチ周波数、 ［５］高域強調を施された音声波形の平均的な周波数特
   性、並びに ［６］音声の平均的な周波数特性 のうちの１つ以上を使用する請求項１に記載の話者認識
   システム。