JPH0431897A - 音声認識方式 - 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〕 本発明は音声認識方式に関し、特にパタン照合型の不特
定話者間の音声認識において、入力パタンの有声区間に
おけるスペクトル上の傾きに対応して、標準パタンを類
型的に包括したサブセットを予備選択してパタン照合を
行なう不特定話者間の音声認識方式に間する。

〔従来の技術〕

従来、この種の音声認識方式は、第２図に示すような構
成となっている。第２図において、１はマイクロフォン
等の音声入力部、２は入力された音声信号から無音区間
を分離する始終端検出部、８はスペクトル上の傾きを補
正するための音響前処理部、３は音声信号からパタン照
合用の特徴量を分析フレームごとに計算する特徴量計算
部、５は算出した特徴量系列と標準パタンとを照合する
パタン照合部、６は登録する標準パタンを蓄積しておく
標準パタンメモリ部、７はパタン照合結果より上位レベ
ルの認識を行なう上位認識部である。

〔発明が解決しようとする課題〕

上述した従来の音声認識方式では、不特定多数の話者が
発声する音声信号を認識するために、入力パタンを標準
パタンと同等な条件に変換する各種の処理を必要とする
という欠点がある０例えば、発声の時間的な伸縮に対し
てはＤＰマツチング等の非線形マツチングを採用して時
間軸上の伸縮に対応する必要がある。

不特定話者の音声認識でもうひとつ問題となることは、
ケプストラム係数など音声のスペクトル構造を反映する
特徴量をパタン照合に用いる場合における音声スペクト
ルの周波数軸に対する傾きである。このスペクトル上の
傾きは、主に口唇からの放射特性と声門波形の特性に依
存しており、話者が変わるとスペクトルの傾きは変化す
ることが知られている。このなめ従来の音声認識方式で
は、特徴量を算出する前に音声信号を臨界制動形フィル
タでプレフィルタリングしたり、単純に音声信号の一階
微分を行なったりして、スペクトル上の傾きを補正する
必要がある。しかしながらこれらの音声認識方式では、
無声子音のような声門波で駆動されない音韻に対しては
、かえってスペクトルの傾きを強調したり、有声音でも
十分に傾きを補正しきれない等の問題点があり、認識率
が話者に依存して低下する一因となるという欠点がある
。

〔課題を解決するための手段〕

本発明の音声認識方式は、入力音声データの零交差回数
とパワーにもとづいて前記入力音声データから無音区間
を排除した音声区間のみを検出する手段と、音声の特徴
量を類型ごとに包括したサブセットで分類した標準パタ
ンを格納する手段と、前記音声区間における音声の特徴
量を抽出する手段と、前記零交差回数にもとづき前記音
声区間の有声区間を判定しこの有声区間における前記特
徴量にもとづいて有声区間中のスペクトルの傾きに応じ
て前記標準パタンのサブセットを予備選択する手段と、
前記選択されたサブセット内の前記標準パタンと入力パ
タンとを照合し入力パタンを認識する手段とを備えて不
特定話者の音声を認識する構成を有する。

〔実施例〕

次に、本発明について図面を参照して説明する。

第１図は本発明の一実施例の構成図である。第１図にお
いて、音声入力部は、マイクロフォン等を通じて入力さ
れる音声信号をディジタル化するユニットである。始終
端検出部２は、入力された音声信号の前後にある無音区
間から音声区間だけを分離し、かつ検出された音声区間
の零交差回数を算出するユニットである。特微量計算部
３は、分離後の音声信号からケプストラム係数等の特徴
量を計算するユニットである。パタン選択部４は、始終
端検出部２で求めた零交差回数に基づいて音声信号中の
音声区間を検出し、その区間中の特徴量検出部３で求め
た特徴量にもとづき、標準パタンセットの中から最適な
サブセットを選択するユニットである。パタン照合部５
は、パタン選択部４で選択されたサブセット内の標準パ
タンと特微量計算部３で計算された特徴量系列パタンと
の照合を行なうユニットである。標準パタンメモリ部６
は、特徴量の類型ごとのサブセットに分類された標準パ
タン群を格納しておくユニットである。上位認識部７は
パタン照合部５の照合結果に基づいてさらに上位のレベ
ルの認識処理を行なうユニットである。

次に、本実施例の動作について説明する。

ｔず、話者の発声した音声信号を含む入力信号は、マイ
クロフォン、電話回線等を通じて音声入力部１に入力さ
れる。音声入力部１において、入力信号はアナログ信号
からディジタル信号に変換され、始終端検出部２に送ら
れる。

始終端検出部２に送られた入力信号は、数十〜数百サン
プルずつフレーム単位としてまとめられ、フレーム内の
平均パワー、波形が零点を通る零交差回数等が算出され
る。これらの情報に基づいて、無音区間か音声区間かの
判定がフレーム単位で行なわれ、音声区間と判定された
区間が特徴量計算部３およびパタン選択部４に送られる
。

特徴量計算部３においては、送られて来た音声フレーム
データはフレームごとにメルケプストラム等のケプスト
ラム系の特徴量分析が行われ、得られた特徴量はパタン
照合部５に送られる。パタン選択部４においては、始終
端検出部２で算出されたフレームごとの零交差回数を受
は取り、有声音において零交差回数が減少する性質を用
いて有声区間であるフレームを判定する０次に、有声区
間と判定されたフレームについて、特徴量計算部からフ
レーム単位で特徴量を受は取り、ケプストラム系のパラ
メータの１次の係数値がスペクトル包絡の傾きを表わす
性質を利用して、有声区間と判定された最初のフレーム
から数フレームの間の１次のケプストラム係数の平均値
を求める。求めた平均値からあらかじめ登録しである１
次のケプストラム係数とサブセット番号の対応表を検索
し、最適なサブセットを選択して６の標準パタンメモリ
部に対しサブセット番号の通知を行なう。

標準パタンメモリ部６においては、４から通知を受けた
サブセット番号に基づき、バンク切り替えまたはオフセ
ットアドレスの変更等により、選択されたサブセットの
標準パタン群をパタン照合部５に対して開放する。

一方、特徴量計算部３で求められたフレーム単位の特徴
量系列は、−時的にパタン照合部５の内部にあるバッフ
ァに蓄積されるが、パタン選択部４において標準パタン
のサブセットが選択され、標準パタンメモリ部６が５に
対してメモリアクセスの許可を出すと、順次先頭の特徴
量ベクトルから標準パタンとの照合が行なわれる。パタ
ンの照合方法は、時間軸方向の整合問題すなわち時間正
規化と照合のオンライン性を共に確保する目的から、フ
レーム同期のＤＰマツチングを採用する。

パタン照合部５でサブセット内の標準パタン群との照合
をとった結果は、上位認識部７に送られ、ここでシステ
ム全体のタスクに応じて、音節単位あるいは単語単位の
認識が行われる。

さて、この認識方式における標準パタンの登録方法は、
以下のようにして行なう。まず認識システムのタスクに
応じて、離散単語認識ならば単語単位、文章認識ならば
語句単位で発声した標準音声パタンを音声入力部１から
入力する。この標準音声パタンは、始終端検出部２で音
声区間のみ分離され、また同時に音声フレームごとに零
交差回数も算出される。この零交差回数に基づいてパタ
ン選択部４で有声区間を固定し、有声区間と判定された
最初の数フレームの特徴量ベクトル系列を特徴量計算部
３に要求する。特徴量計算部３からパタン選択部４に送
られる特徴量ベクトルの系列について、１次にケプスト
ラム係数の平均を求め、これに対応する特徴量ベクトル
の系列全体とこの平均１次のケプストラム係数の組を仮
標準パタンとして登録しておく、このようにして求めた
仮標準パタンの集合について、平均１次のケプストラム
係数の値が近い仮標準パタン同士を統計処理の手法を用
いてグループ化し、それぞれのクループごとにサブセッ
ト番号を割り当てていく９次に同一サブセット内の仮標
準パタンにおいて、同一の認識単位に対応した標準パタ
ンに関し、公知のクラスタリングによる標準パタンの平
均化処理を行なう。最後に、この整理後の標準パタンの
サブセットとそれに対応した１次のケプストラム係数の
平均値について対応テーブルを作成し、パタン選択部４
に格納する。また、標準パタンメモリ部６に、作成され
た標準パタン群をサブセット毎に整列して格納する。

〔発明の効果〕

以上説明したように本発明は、不特定話者の音声認識の
際に問題となる音声スペクトルの傾きの話者依存性に対
して影響が顕著である有声音の区間を零交差回数を利用
して検出し、その有声区間における１次のケプストラム
係数の平均値から同様な音声スペクトルの傾きを持つ標
準パタンのサブセットを選択することにより、話者の違
いによる認識率の低下を著しく防止できる効果がある。

また、従来の音声スペクトルの傾きを補正する方法では
、逆に無声音の傾きが強調され過ぎる欠点があることに
比べて、音声スペクトルの傾きを変えずに似た傾きを持
つ標準パタンを用いることにより、無声音部分のマツチ
ング精度を著しく高めることができる効果がある。

【図面の簡単な説明】

第１図は本発明の一実施例の構成図、第２図は従来の音
声認識方式の構成図である。 １・・・音声入力部、２・・・始終端検出部、３・・・
特徴量計算部、４・・・パタン選択部、５・・・パタン
照合部、６・・・標準パタンメモリ部、７・・・上位認
識部、８・・・音響前処理部。

Claims (1)

【特許請求の範囲】
1. 　入力音声データの零交差回数とパワーにもとづいて前
   記入力音声データから無音区間を排除した音声区間のみ
   を検出する手段と、音声の特徴量を類型ごとに包括した
   サブセットで分類した標準パタンを格納する手段と、前
   記音声区間における音声の特徴量を抽出する手段と、前
   記零交差回数にもとづき前記音声区間の有声区間を判定
   しこの有声区間における前記特徴量にもとづいて有声区
   間中のスペクトルの傾きに応じて前記標準パタンのサブ
   セットを予備選択する手段と、前記選択されたサブセッ
   ト内の前記標準パタンと入力パタンとを照合し入力パタ
   ンを認識する手段とを備えて不特定話者の音声を認識す
   ることを特徴とする音声認識方式。