JPH04188200A - 音声認識装置 - 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】 二 産業上の利用分野 本発明は　機械に人間の声を認識させる音声認識装置に
関するものであａ 従来の技術 従来から、認識率の向上のみを意図せず、耐雑音性をも
重視した音声認識方法が提案されてい乙例えは　耐雑音
性を向上させる方法として、認識すべき音声とその前後
の騒音を含む十分長い区間を入力信号区間とし、この入
力信号区間（ミ　ある時間的な基準を設け、基準点を端
点としてその端点から最短音声区間のＮ１フレームの区
間から最長音声区間のＮ２フレームの区間までのＮ２−
Ｎ１＋１とおりの音声区間候補のそれぞれに対し、音声
区間長を一定時間に伸縮しながら認識対象の標準パター
ンとの照合を行なって各認識対象の類似度または距離を
求めるという操作を、入力信号の全区間の最初から最後
まで基準点を操作して行ない、　全での基準点位置の全
ての音声区間候補に対する類似度を各認識対象について
比較し、類似度が最大となる認識対象を認識結果として
出力するというものであった まず、従来の考え方を第３図〜第５図を用いて説明すム
　同じ言葉を発生してｈｉ生の時間的な長さ（音声長）
は発生方法によっても異なるμ人の違いによっても異な
ム　パターンマツチングによる音声認識方法では入力音
声の長さを標準的な音声長に正規化した上で類似度計算
を行なって音声の認識を行なう。第３図は音声長の正規
化の様子を示したものであム　入力音声の長さの最小長
をＮ１、最大長をＮ２とし、音声の標準的な長さ（標準
パターン長）を工とすると、第３図に示すように　長さ
Ｎ（Ｎｌ≦Ｎ≦Ｎ２）の音声長を伸縮して長さＩに正規
化することになａ　第３図では音声の終端を一致させて
伸縮するようになっていも　伸縮には線形伸縮式を用い
ム 念　未知入力の音声長Ｎを（式１）によって標準パター
ン長に伸縮することになる力（この様子を図示したのが
第４図であム　横軸に入力長、縦軸に標準パターン長を
とり、終端を一致させると、入力音声長はＮ１〜Ｎ２の
範囲であるか収　入力と標準パターンとのマツチングレ
ートは　入力軸のＮ１≦Ｎ≦Ｎ２内の１点を始端とし、
　Ｐを終端とする直線となム　したがって、類似度計算
は全て三角形の内側で行なわれることになムいま、時間
長Ｎｕの未知入力があり、その内容が音声にであったと
す４　ただし、未知入力の終端は既知である力又　始端
は未知である（したがって、Ｎｕも未知である）とすム
　この未知入力と単語にの標準パターンＳｋの照合を行
なう場合、ＮをＮ１からＮ２まで、　１フレームずつず
らせながら、各フレームに対して（式１）を用いて時間
長を　に伸縮し、未知入力パラメータと標準パターンと
の類似度を求めも　このとき標準パターンはＳｋである
ので、発生が正確であるならＧ二Ｎ＝Ｎｕにおいて類似
度は最大となるはずであムまた　他の任意の標準パター
ンＳｋ’　に対するより−ｋ　　Ｓｋに対して類似度が
大きくなるはずであム　このようにして、未知入力の始
端が決められも（シたがって音声長が決められる）と同
時に音声ｋを認識することができも さて、第４図においては終端が既知として説明を行なっ
た力＼　両端が未知の場合、すなわ板　音声区間が不明
である場合に敷　この方法を拡張することができへ　第
５図はその説明図であム　図において、終端点の横軸（
入力の時間軸）座標をｊとすム　ここで、もしＪの位置
が入力音声の終端に一致していれば第４図の場合と同じ
である力（今度は両端点が未知という仮定であるので、
必ずしもｊが音声の終端点と一致するとも限らなｕ％し
かしなが牡　ｊを音声区間が十分に入る広い範囲ｊｌ≦
ｊ≦ｊ２でスキャンすれば　ｊが音声の終端と一致する
時点ｊ＝ｊｏが必ず存在すム　その場合、始端点はｊ　
０−Ｎ２〜ｊＯ−Ｎｌの範囲内の点ｊＯ−Ｎｕに存在す
るはずであム　そして、このようなスキャンした場合に
おいても　発生した言葉と標準パターンが一致していれ
ば　始端がｊＯ−Ｎｕ、終端がｊＯのときの類似度力＼
　他のどのようなｊおよびＮの組合せよりも大きくなａ
しか私　この類似度は他の標準パターンに対する類似度
よりも大きし〜　したがって、認識結果が求められると
同時に音声の始端戊　終端点が定まａこのように第５図
に示した方法６上　雑音と音声が混在した信号から、標
準パターンに最も類似した部分を切り出して認識するこ
とができも　したかって、一般に用いられているような
複雑な音声区間検出の手続きを必要とせず、音声区間は
認識された音声とともに結果として出力されも類似度の
計算は以下に述べるようζニ　特徴パラメータの時系列
パターンを用し＼　統計的距離尺度（事後確立に基づく
距離）によって計算す４■フレームあたりの特徴パラメ
ータの個数をＤとすると、■フレームの時系列パターン
はＤＸＩ次元のベクトルとなム　いま、未知入力の第１
フレームのパラメータをｘｌ、単語にと標準パターンの
第１フレームの成分をａｋとすると、次式で求められも Ｈｉ＝　　（ｘｉ、　　　ｉ、　　　Ｎ２．　−ｘｄ、
　　　１−ｘＤ、　　　ｉ）（式２） ％式％） （式３） 時系列パターンをそれぞれ％、Ａｋとすると、次式で求
められム ％　　＝　（Ｅｌ、に２．　　・・・＊　　’Ｋｌ、＋
＋＋、ｘＩ）（式４） ％式％） （式５） 単語ｋに対する類似度をＬｋとすると、次式で求められ
も Ｌｋ＝Ｂｋ−／Ａ−χ　　　　　　　　　　（式６）＝
Ｂｋ−Σ　（ａｌ）Ｌ−ｘｉ　　　　　（式７）ここで
、／Ａｋ、Ｂｋは単語にの標準パターンであム ／Ａｋ＝２Ｗ−、’（／ＡＬｋ−／ｕｅ）　　　　　　
　　（式９）％式％ （式１０） ただし、７ｐ、　ｋは単語にの平均値ペクトｋｔｔｔｅ
は全ての単語の周囲情報の平均値ベクトルであムまたＷ
ａは共分散行列であり、各単語の共分散行列’Ｗｋと周
囲情報の共分散行列ｔｈｅを用いて作成できも ｖＪａ＝（ΣＷｋ＋Ｗｅ）／　（Ｋ＋１）　　　（式１
１）Ｋは単語の種類であム ／ｐ、ｅ、’ｒＷｅは　各単語に属する多くのサンプル
を用いて次のように作成すも　第６図に示すように　音
声とその周囲の区間に対して、　ｌフレームずつずらせ
ながら複数の区間（区間長は１フレーム）を設定すム　
このような操作を各単語の多くのサンプルに対して行な
い、　それらの区間のパラメータの平均値ベクトルμｅ
と共分散行列’＋Ｗｅを作成すも 認識結果を得るには類似度計算式（７）において、Ｌｋ
を最小とするに＝Ｍを求めればよし〜　すなわぢ ｍ１ｎＬ　ｋ　＝ｍｉｎ　（Ｂ　ｋ−Σ（８Ｊ’−ｘｉ
）、１１ ＝Ｂｋ−ｍａｘ（Σｊ２　’　（Ｎ）　）　　　（式１
３）＝　Ｂ　ｋ　−ｍａｘＭ’　（Ｎ）　　　　　　　
（式１４）ここで、１’　（Ｎ）＝　（ａＬＪ’　　・
ｘｉ（式１５） は　マツチングルートＮに従って時間伸縮された後の第
１フレームの入力Ｘ１と標準パターンにの部分類似度で
あム　次ＧＱ　　時間伸縮の意味するところを考えてみ
も　時間伸縮をされる前の未入力ベクトルを￥とすると
、次式で表わされもＹ＝　（ｙｌ、ｖ２．−ｙｎ、　　
ｖＮ）　　　　（式１６）ｎと１は両方とも整数であり
、　（式ｌ）で関係づけられているしたがって、　（式
４）のベクトル敢は（式１６）の未知入力ベクトルＹの
中が舷（式ｌ）で関係づけられるフレームをエフレーム
分だけ選択して時間的順序で並べたものであムマッチン
グルートに従って選択するという操作を便宜五　次式で
表す。

ｘｉ＝［［ｙｉ］ＩＮ　　　　　　　　　　　（式１７
）そうすると、部分類似度（式１５）は次式で表１”（
Ｎ）＝（、ｉｋ）’　　・［ｊｙｉ］ＩＮ　　（式１８
）また　部分類似度の和Ｍ’　　（Ｎ）は次式で表され
ム Ｍ’（Ｎ）＝Σｘ　Ｉ！ｋ（Ｎ　） ・・１１ すなわぢ　（弐６）は　部分類似度Ｉ！’ｓ　（Ｎ）が
先に求められていれば　それらを（式１）の関係に従っ
てＩフレーム分だけ加えるという操作に置き換えられも
　（式１）はＮを与えれば一意にｉとｎの関係が求まる
ので、Ｎ１≦Ｎ≦Ｎ２の範囲であらかじめ計算し、テー
ブルなどに蓄積しておくことができも 次に　第７図を参照して１ｋ（Ｎ）の求め方について考
えてみａ　図において、点Ｐを標準パターンと未知入力
の終端点とし、未知入力の終端点の座標をＮｏとす＆　
　Ｎｌ、Ｎ２は以前と同様に音声の最小長と最大長であ
ム　いま、未知入力の始端点がＮの場合の類似度を求め
るものとすると、マツチングルートは点線ＰＮであ４　
　ＰＮ上で（式１）を満足する任意の一点（ｎ’＋　　
ｉ）における部分類似度ｆｉ　　（Ｎ）は　入力のｎ′
フレームのベクトル標準パターンのｉフレーム成分のベ
クトルａｉの蓄積であ；ｈ　　（ｎ’、　　ｉ）点は　
現時点ではＰＮ上に位置しているが　Ｐ点は時間ととも
にシフトするので、ｎ′フレーム以前にはＰ’　Ｎ’　
　Ｏ上に存在していたはずであム　したがって、Ｐ′点
の時点で（ｎＺ　　ｔ）の部分類似度を求めてそれを蓄
積しておき、Ｐ点の時点で使用することができム （ｎＺ　　ｉ）は△ＰＮ２Ｎ１上の任意の点であるから
、他の点についても同様のことが言えム　このように考
えると、各フレームにおける計算は次のように２つに分
けることができも ＰＮＯ上での部分類似度を計算してバッファに蓄積する
（積和演算） Ｃ式１９）によって計算する部分類似皮相に用いるｔ　
”Ｌ’　（Ｎ）　ＬＬ　　それ以前のフレームで計算し
てバッファに蓄積されていたものを取り出して用いる（
加算演算） 第８図はフレームあたりの計算方法をブロック図で示し
たものであム　図において、３０はＸ（Ｎｏ）を計算す
る積和器であり、標準パターンのフレーム数（Ｉ）だけ
用意されてい社　各積和器３Ｑの下部からは第ｊフレー
ムの入力ベクトルｘ（ｊ）が人力され　左側から標準パ
ターンが入力されム　そして（式１８）に相当する計算
を行ない、　Ｉ！ＪＮｏ）を出力すム　遅延バッファ３
１は積和器３ｏの計算結果を１フレームの期間保存して
次段へ伝播すム　遅延バッファ３１の数は１単語あたり
、第７図の△ＰＮ２Ｎ０の点の数だけ用意されていム　
３２は加算器であり、　（式１９）に相当する計算を行
なって類似変相を求めも加算器３２は１個の入力端を持
へ　その各々は（式１）で設定されるマツチングルート
に従って、遅延バッファ３１の出力端に接続されていム
　３３は比較器であり、ｍａｘＭｋ　（Ｎ）を求めも３
４は減算器であり、　（式１４）の計算をおこなって、
単語ｋに対する最小値を求めも 第２図において、　１０はマイクロホンからの入力音声
信号をディジタル信号に変換するＡＤ変換＠　１１は音
声分析区間（フレーム）ごとに分析する音響分析＠　１
２は特徴パラメータ抽呂部であり、低次の６つのＬ　Ｐ
　Ｃケプストラム係数（ＣＯ〜Ｃ５）をフレーム（１０
ｍｓ　ｅ　ｃ）ごとに出力すム　特徴パラメータ抽出部
１２の出力が（式２）のＸに相当する（したがってＤ＝
６である）。

以下、各ブロックの機能を説明すａ　フレーム同期信号
発生部１３は　１フレームごとに同期信号を発生すム　
そして、　■フレームの期間内に以下の操作を行なう。

標準パターン選択部１８は　標準パターン格納部１７に
格納されてい４に個の標準パターンを１つずつ選択すム
　部分類似度計算部２１は　入力特徴パラメータと選択
された標準パターンとの間で（式１８）の計算を行ない
、　Ｉ！ｋ（Ｎｏ）を求ぬ　類似度バッファ２２へ蓄積
すム　類似度バッファ２２番上　１単語あたり第７図の
△ＰＮ　２ＮＯ内の類似度を蓄積できる容量を持ってお
り、時間伸縮テーブル２４で指定されたアドレスの内容
を読み出す。時間伸縮テーブル２４には入力長Ｎ（Ｎｌ
≦Ｎ≦Ｎ２ンの各々に対して（式１）で規定されるｎと
１の関係が記述されてい４Ｎ１、Ｎ２は単語ごとに異な
り、区間候補設定部１５により設定され乙　類似度加算
部２３はマツチングルートＮ１〜Ｎ２の各々に対し、時
間伸縮テーブル２４で指定されたアドレスで読出される
類似度バッファ２２の出力を加算して（式１９）の計算
を行ない、　類似変相Ｍ’　　（Ｎ）を求めも　類似度
比較部２０はＭ’　　（Ｎ）と１次記憶１９の内容を比
較し、Ｍ’　　（Ｎ）の方が大きい場合のへ　１次記憶
１９の内容をＭ”　（Ｎ）に置き換え６．Ｎ＝Ｎ２まで
計算し終えると、　（式７）によってＬｋを求へ　１次
記憶１９に蓄積されているそれ以前の最小値と比較し、
Ｌ′が小さい場合のみ１次記憶の１９の内容を更新すａ
　そして、標準パターン選択部１８は次の単語を選択し
て同様の操作を行なう。さらに全単語を終了するとフレ
ームを進めも 対象とする全区間（ｊ＝ｊｌ〜ｊ２）に対してこのよう
な操作を行なうと、　ｊ＝ｊ２フレームを終了した時点
で（よ　類似度の最小値色にとその時の単語名ｋを認識
結果として求めることができも発明が解決しようとする
課°題 上述した従来技術では　入力音声信号を分析して得られ
るパラメータ群と各認識対象音声の標準パターンとの照
合を行なＧ＼　類似度の一番高い認識対象音声を認識結
果とする処理だけで認識結果を決定していた　この方法
では　ある入力に対して正解でない標準パターンとの照
合を行なったときに音声区間を誤まった場合　正解の標
準パターンとの照合を行なったときの娼偏度よりも低く
なり、認識する可能性が非常に高かった 本発明の目的は　以上のような従来の課題を解決するも
ので、従来の方法に比べて音声の認識率を向上させるこ
とを目的とするものであ４課題を解決するための手段 この目的を達成するためζ二　本発明は　入力音声信号
を分析し、予め作成しておいた全認識対象の標準パター
ンとの照合を行ない、　結果を類似度の列で出力する一
次照合部と、−広照合部が出力する類似度の列を認識の
ためのパラメータとして扱い、　予め作成しておいた二
次照合部用の標準パターンとの照合を行なう二次照合部
とから構成され　−広照合部から出力される類似度のう
ちの一部を二次照合部において選択し、かつ二次照合部
において照合を行なうことにより最終的な認識結果を得
るように構成されていム 作用 本発明４１　　上記構成により、音声区間を誤って、入
力に対する正解でない認識対象の標準パターンに対する
類似度よりも高くなるような　従来の方法では必ず誤認
識してしまうような場合に転　誤認識を防ぎ従来の音声
認識の方法に比べて認識率を向上させるように作用すム 実施例 以下、本発明の一実施例について図面を参照しなから説
明すム　第１図は本発明の一実施例における音声認識装
置のブロック結線図であム本実施例においては　−広照
合部Ｉと二次照合部２を用いる力＼　−広照合部１は全
ての認識対象について上述した従来例と同様に認識対象
ごとの類似度の最小値の列を求めるようにしたものであ
１Ｌｏ＝　（Ｌｌ、Ｌ２．−、Ｌｋ）　　　　　（式２
０）この−広照合部１の動作については上述した従来例
と同様であるので、その説明を省略すも次に　二次照合
部２について説明すも 入力されたに個の類似度のうち認識に有効な３個を選択
すム Ｌ＝（Ｌｌ、Ｌ２．　　・・・、ＬＪ）　　　　　　（
式２１）二次照合部２では一次照合部から出力される類
似度列りに対し、その値のバラツキを吸収するように類
似度列に含まれる要素の最大値で正規化を行なったうえ
で標準パターンとの照合を行なう。

この正規化に用いる式は Ｌ’　　ｊ　＝ｅｘｐ　（Ｌ　ｊ　−ｍｉｎＬ　ｊ　）
　７ｍ１ｎＬ　ｊ　　（式２２）（式２２を用いて（式
２１）を正規化された類似度列は ＩＬ’　　　＝　　　（Ｌ　″　　１．　　　　Ｌ’　
　　２．　　　・・、Ｌ’Ｊ　　ン　　　（式　２３）
とす＆には認識対象の個数　Ｊは選択する類似度の個数
であム　また、二次照合部２で用いる統計的距離尺度は
ベイズ判定に基づいた距離尺度を用いており二次処理部
２における単語ｋに対する距離をＰｋとすム Ｐｋ＝　（２π）弓”　　ｌ　Ｖｋ　ｌ　”’ｅｘｐ　
（１／２　（Ｌ’　ｋ−ｒｍｋ）　’　・ｖｋ−’　・
　（Ｌ’　　ｋ−ｔｍｋ））　　　　（式２４）ここで
、１ｍ　ｋ、　　Ｖｋは単語にの標準パターンであり、
１ｍｋは単語にの平均値ペクト）Ｌ＜Ｖｋは単語にの共
分散行列であム　実際に計算に用いる式は（式２４）の
両辺の対数をとって定数を除いて簡略化した式 ％式％） ｌｏｇ　（ｌＶｋｌ”）　　　　　　　（式２５）を用
いも 第１図において、　１３０は一次照合部ｌの処理の仮定
で出力される類似度列（式２０）を蓄えておく結果バッ
ファであ乙　１３１は結果バッファ１３０に蓄えられた
類似度列から必要な要素を選択する類似度選択部であム
　１３２は（式２２）により二次照合部２の入力類似度
列を結果バッファ３２から取り込み正規化する入力正規
化部であム　正規化された類似度列は類似度計算部１３
３にいて標準パターン１３４に格納されている全ての認
識対象について（式２５）の計算を行ない、類似度比較
部１３５においてＱｋを最大にするｋを認識結果として
選択し出力すａ 二次照合部２用の標準パターン１３４の作成は標準パタ
ーン作成用の音声データ（概ね３００〜１０００人分）
全てに対してさきに述べた一次処理部１の処理を行ない
、　認識対象ごとに平均値ベクトルｍｋおよび共分散列
Ｖｋを求めることにより行なわれも ２五　本実施例で４１　　同じ認識対象であれば入力音
声信号を分析して得られる特徴パラメータに対し、全認
識対象の標準パターンとの照合を行なって得られる類似
度の列には　同じ認識対象の音声を入力する場合、話者
または発声機会が異なっていても、一定の傾向が現われ
るという性質を利用していも すなわぢ　−広照合部１で得られる入力と全単語の標準
パターンとの類似度のうち認識に有効なものを選択し、
これを認識のためのパラメータとして扱い、　二次照合
部２において予め作成しておいた二次照合部２の標準パ
ターン１３４ちに照合を行ない、　二次照合部２の出力
のうち類似度が最大になる認識対象を認識結果として出
力するものであム 発明の詳細 な説明したように　本発明は　ある認識対象要素の複数
の異なった入力に対して各認識対象の標準パターンとの
照合を行なって得られる類似度の列に一定の傾向が得ら
れる類似度の列に一定の傾向が現われるという認識に有
効な性質を音声認識に利用し、音声区間を誤ったときの
正解の認識対象の標準パターンに対する入力の類似度力
（正解でない他の認識対象の標準パターンに対する類似
度よりも低くなるような従来の方法では必ず誤認識して
しまうような場合にも誤認識を防ぐようにしたので、従
来の音声認識の方法に比べて認識率を向上させることが
できも

【図面の簡単な説明】

第１図は本発明の一実施例における音声認識装置のブロ
ック結線医　第２図は従来の音声認識装置を説明するブ
ロック結線医　第３図から第５図は同実施例および従来
の音声認識装置の音声区間長の伸縮を説明する概念医　
第６図は同実施例および従来の音声認識装置の標準パタ
ーン作成時の周囲情報の標準パターン作成法を説明する
概念医実施例および従来の音声認識装置のフレームあた
りの計算方法を示すブロック図であム ト・・−広照合部　２・・・二次照合ａ　　１０・・・
ＡＤ変換訊　１１・・・音響分析畝　１２・・・特徴パ
ラメータ抽出狐　１３・・・フレーム同期信号発声畝１
５・・・区間候補設定訊　１７・・・標準パターン格納
狐１８・・・標準パターン選択能　１９・・・−次記低
　２０・・・類似度比較＠　２１・・・部分類似度計算
訊　２２・・・類似度バッファ、２３・・・類似度加算
＠１３０・・・類似度選択＠　　１３１・・・結果バッ
ファ、　１３２・・・入力正規化＠’ｌ　　１３３・・
・類似度計算部　１３４・・・標準パターン、　１３５
・・・類似度比較訊代理人の氏名　弁理士　小鍜治　明
　ほか２名第６図 第４図 第５図 ト始端区間− 第７図

Claims (1)

【特許請求の範囲】
1. 入力音声信号を分析し、予め作製しておいた全認識対象
   の標準パターンとの照合を行ない、結果を類似度の列で
   出力する一次照合部と、上記一次照合部が出力する類似
   度の列を認識のためのパラメータとして扱い、予め作成
   しておいた二次照合部用の標準パターンとの照合を行な
   う二次照合とから構成され、上記一次照合部から出力さ
   れる類似度のうちの一部を上記二次照合部において選択
   し、かつ上記二次照合部において照合を行なうことによ
   り最終的な認識結果を得ること特徴とする音声認識装置
   。