JPH0462399B2 - - Google Patents

Description

【発明の詳細な説明】 Ａ 発明の背景 Ａ (1) 発明の分野 本発明は入力アナログ音声信号をデイジタル音
声信号に変換する変換手段と；前記デイジタル音
声信号のセグメントを蓄積する蓄積手段と；各セ
グメントを順次のスペクトル成分に変換する変換
手段にあつて、離散的フーリエ変換を行う手段を
具え、これにより各々が順次のスペクトル成分か
ら成る一連の振幅スペクトルを発生させる交換手
段；とを具えている音声分析システムに関するも
のである。

Ａ (2) 従来技術の説明 斯種の音声分析システムは従来のボコーダから
一般的に既知である。例えば“IEEE
Transaction on Acoustics，Speech and
Signal Processing”（Vol.ASSP，No.７、1978年
８月、第358〜365頁）を参照することができ、こ
こに記載されている従来のシステムでは振幅スペ
クトルを高調波ピツチ検出器に供給して、各振幅
スペクトルの包絡（線）のピーク値間における周
波数離間距離からピツチ周期を検出するようにし
ている。

さらに上記文献には、元来ピツチ検出器は、有
声音−無声音（Ｖ／Ｕ）の判定をする共に、有声
音の期間中はピツチ周期を測定する装置であると
記載されている。しかし、ピツチ検出アルゴリズ
ムには、音声の有声音セグメントの期間中におけ
るピツチ周期だけを求めて、有声−無声音の判定
は別の方法で行うようにしたものもある。このこ
とについては、“IEEE Transaction on
Acoustics，Speech and Signal Processing”
（Vol.ASSP−24，No.５、1976年10月第399〜418
頁）を参照することができる。

上記最後に述べた文献には、自己相関関数や、
零交さ計数や、トレーニングセツトを用いてのパ
ターン認識技法に基づいたり、または幾つかのピ
ツチ検出器間での一致の度合に基づく数種の有声
−無声音検出アルゴリズムが記載されている。こ
れらの検出アルゴリズムは実際には全音声帯域に
おける音声信号の時間範囲まては周波数範囲のデ
ータを入力として用いているのに対して、ピツチ
周期の検出には低域通過フイルタにてろ波した音
声信号のデータを一般に用いている。

Ｂ 発明の概要 本発明の目的は前述した音声分析システムに
て、ピツチ周期を検出するために入力として一般
に用いられるのと同じスペクトルデータ、即ち低
域通過フイルタにてろ波した音声信号、特に約
200〜800Hzの周波数範囲内の音声信号のデータを
入力として用いる有声−無声音検出方法を提供す
ることにある。

本発明は、入力アナログ音声信号をデイジタル
音声信号に変換する変換手段と；前記デイジタル
音声信号のセグメントを蓄積する蓄積手段と；各
セグメントを順次のスペクトル成分に変換する変
換手段であつて、離散的フーリエ変換を行う手段
を具え、これにより各々が順次のスペクトル成分
から成る一連の振幅スペクトルを発生させる変換
手段；とを具えている音声分析システムにおい
て、当該システムがさらに、有声音の期間を指示
すべくセツトできると共に、無声音または音声の
ない期間を指示すべくリセツトできる双安定イン
ジケータと、下記の工程を含むプロセスを実効す
べくプログラム化したプログラマブル計算手段と
を具え、前記工程を： (1) 各セグメント（１番目）に対し、約200〜800
Hzの低周波帯域における該セグメントに関する
振幅スペクトルのスペクトル成分のピーク値Ｍ
（Ｉ）を求める工程； (2) ｋを所定の数とする場合に、ｎ＝Ｉ，Ｉ−
１，……Ｉ＋１−ｋのセグメントのピーク値Ｍ
（ｎ）が、ｎの値の増加により所定フアクタよ
りも大きいフアクタで単調に増加し、かつ前記
ピーク値Ｍ（Ｉ）が適応しきい値AT（Ｉ−１）
以上となる場合に双安定インジケータをセツト
する工程； (3) ピーク値Ｍ（Ｉ）が最大ピーク値VM（Ｉ−
１）の所定数分の１よりも小さいVM（Ｉ）で
あるか、ピーク値Ｍ（Ｉ）が所定しきい値より
も小さい場合に双安定インジケータをリセツト
する工程； (4) 前記インジケータがセツトされる場合に、各
セグメントおよび多数の先行セグメントに対し
て、ｎ−Ｉ，Ｉ−１，……，Ｉ＋１−ｍで、ｍ
をセグメントＩとセグメントＩ＝１−ｍとの間
ではインジケータの状態が変化しないような値
とするピーク値Ｍ（ｎ）の最大値（VM（Ｉ））
を求める工程； (5) 前記インジケータがセツトされる場合に、適
応しきい値AT（Ｉ）を最大値VM（Ｉ）の何分
の１かに等しく設定し、かつ前記インジケータ
がリセツトされる場合には、適応しきい値AT
（Ｉ）を前記AT（Ｉ−１）の何分の１かに等し
く設定することにより各セグメントに対する適
応しきい値（AT（Ｉ））を決定する工程； としたことを特徴とする音声分析システム。

上記本発明による音声分析システムにおける計
算プロセスの各工程(2)〜(5)に対応する部分を、後
に説明する第２図に一点鎖線で囲んで同一番号を
付して示してある。

斯かる方法によれば、最新のものを含む順次の
ピーク値（これはスペクトル強度とも称する）が
所定のフアクター（実際にはこのフアクターを３
とすることができる）以上のフアクターで単調に
増加する場合で、しかも最新のスペクトル強度が
所定の適応（アダプテイブ）しきい値以上となる
場合に、有声−無声音の判定をする。音声では、
ほぼ常に有声音の冒頭に前述したスペクトル強度
の増加が見られる。しかし、無声破裂音でも帯域
幅に制限があるにも拘わらず、同様にスペクトル
強度が強力に増加することが時々ある。

実際上、無声破裂音の内のいくつかのものは、
それらの殆どすべてのエネルギーが800Hz以上の
帯域に位置するため有効に除外されるが、200〜
800Hzの帯域内にある他の無声破裂音のスペクト
ル強度は著しく高くなる。適応しきい値は無声破
裂音によるスペクトル強度の増加と有声音の冒頭
部によるスペクトル強度の増加とを区別する。そ
のしきい値は最初は以前の有声音の最大スペクト
ル強度に比例させるため、粗い音声レベルに追従
することになる。無声音では適応しきい値は大き
な時定数で減衰する。この時定数は適当に選定し
て、よどみのない話し方の２つの有声音間では適
応しきい値が殆ど一定となり、中間の無声破裂音
が有声音として検出されないようにする必要があ
る。しかし、音声がはつきり途切れた後には、適
応しきい値が十分に減衰して、つぎの低レベルの
有声音を検出し得るようにする必要がある。この
場合、時定数が大き過ぎるとしきい値によつて有
声音の冒頭部が誤つて除去されてしまうことにな
る。この時定数は例えば数秒程度とするのが好適
である。

有声−無声音の転換部は或るしきい値によつて
規定され、その大きさは現時点の有声音における
最大スペクトル強度の何分の１かの大きさとす
る。スペクトル強度がこのしきい値よりも小さく
なると直ちに有声−無声音の転換部が判定され
る。

安全策として大きな一定のしきい値を用いる。
スペクトル強度がこのしきい値以上となる場合、
そのセグメントは有声音として直接類別される。
このしきい値の値はスペクトル強度がとり得る最
大強度に関するものであり、実際には最大スペク
トル強度の10％程度とすることができる。

さらに、低レベルの予定したしきい値も用い
る。スペクトル強度がこのしきい値を越さないセ
グメントは無声音として直接類別される。この低
レベルしきい値の値はスペクトル強度がとり得る
最大強度に関連し、実際にはその値を最大スペク
トル強度の0.4％程度とすることができる。

そこで、本発明の好適例では前記計算プロセス
が： (A) ピーク値Ｍ（Ｉ）が相対的に高い固定のしき
い値以上となる場合には、双安定インジケータ
をセツトする工程と； (B) ピーク値Ｍ（Ｉ）が相対的に低い固定のしき
い値を超えない場合には、双安定インジケータ
をリセツトする工程； とを含むようにする。これらの各工程(A)及び(B)に
対応する部分を第２図にそれぞれＡ及びＢにて示
してある。

タイプの異なる種々のボコーダにおける順次の
セグメント間の時間遅れは通常10msと30msとの
範囲内の値である。確実な判定をするための有声
−無声音検出器で観測すべき最小時間間隔は40〜
50msとすべきである。最小時間遅れは10msと推
測されることからして、あらゆる実際のケースを
網羅するには６個（ｋ＝６）の順次のセグメント
を観測すれば充分である。

Ｃ 実施例の説明 以下図面につき本発明を説明する。

第１図に流れ図をもつて示す本発明による音声
分析システムでは、サンプリング速度が8kHzで、
精度が12ビツト／サンプルのブロツク１１にて示
すアナログ−デイジタル変換操作（演算処理）部
に対する入力として１０にて示す個所にアナログ
形態の音声信号を供給する。ライン１２に現われ
るデイジタルサンプルをブロツク１３にて表わす
セグメントバツフア操作部に供給して、256個の
サンプルに相当する32msのデイジタル化した音
声のセグメントを蓄積する。

本例ではデイジタル化した全ての音声セグメン
トが10msのインターバルでライン１４に現われ
る。10msの各期間中に80個の新規のサンプルが
ブロツク１３の操作部によつて蓄積され、80個の
最古サンプルは放棄される。上記インターバルは
10ms以外の値とすることができ、例えばボコー
ダにこのシステムを用いるように約10ms〜30ms
の範囲内の値とすることができる。

ついで、或るセグメントの256個のサンプルを
ブロツク１５にて表わす操作部によるハミング窓
によつて逓倍する。ライン１６に現われる窓掛け
したサンプルをつぎにブロツク１７にて表わす個
所にて離散的にフーリエ変換し、ここで各離散的
スペクトル成分の絶対値をその実部および虚数部
から求める。

ライン１８には10ms毎に128個のスペクトル成
分（絶対値で）が順次現われ、これらのスペクト
ル成分をブロツク１９に供給し、ここでは約200
〜800Hzの周波数範囲内におけるスペクトル成分
のピーク値を測定する。第１番目のセグメントに
対するピーク値をＭ（Ｉ）にて示し、このピーク
値のことを上記周波数範囲における音声セグメン
トのスペクトル強度とも称する。

つぎに10msのインターバルでライン２０に現
われるピーク値Ｍ（Ｉ）をブロツク２１および２
２にて示す個所にて処理する。

ブロツク２１では最終セグメントを含む一連の
セグメントのスペクトル強度が所定フアクター以
上のフアクターで単調に増加するするかどうかを
測定する。本例では６個のセグメントを考慮し、
上記フアクターを３とする。また、ブロツク２１
ではスペクトル強度が適応（アダプテイブ）しき
い値を越すかどうかも測定する。この適応しきい
値は、先行する有声音の期間における最大スペク
トル強度の所定数分の１の値とするか、または無
声音の期間中には時間と共に減少する値とする。
有声音を確実に識別する安全策として大きなしき
い値を用いる。スペクトル強度がこの値以上とな
る場合にはセグメントが有声音として直接類別さ
れる。

ブロツク２１の条件が満たされる場合に、双安
定インジケータ２３がセツトされて、真の出力端
子Ｑに有声音の期間であることが指示される。

ブロツク２２ではスペクトル強度が現時点の有
声音の期間における最大スペクトル強度の所定数
分の１のしきい値以下に低下するのか、または小
さな一定しきい値以下に低下するかどうかを決定
する。これらの条件が満たされる場合に双安定イ
ンジケータ２３はリセツトされて偽の出力端子
に無声音の期間であることが指示される。

第１図に基づくプロセスでの所定の操作は汎用
デイジタルコンピユータを適当にプログラミング
することによつて満足させることができる。

ブロツク２１および２２の操作を実行するため
のコンピユータプログラムの流れ図を第２図に示
す。このプログラムの入力は連続する音声セグメ
ントのスペクトル強度を表わすピーク値Ｍ（Ｉ）
によつて形成する。

この流れ図におけるＩはセグメントの番号を表
わし、ATは適応しきい値を、VMは連続する有
声音のセグメントの最大強度を、VUVは出力パ
ラメータをそれぞれ表し、有声音に対しては
VUV＝１であり、無声音に対してはVUV＝０で
ある。斯かる出力パラメータは第１図につき前述
した双安定インジケータ２３の状態に対応する。

なお、第２図の流れ図は敢えて説明しなくても
容易に理解し得るものであるが、念のため、つぎ
のようなコメントを下記に呈示する。

コメントC1：ピーク値Ｍ（Ｉ）が、最後の５つ
のセグメントＩ，Ｉ−１，……，Ｉ−５に
わたつて３倍よりも大きく単調に増加する
かどうかを検出する。

コメントC2：Ｍ（Ｉ）が以前に設定した最大強
度VM（Ｉ−１）の所定数分の１（1/8）よ
りも小さい場合に双安定インジケータをリ
セツト（VUV＝０）する。

コメントC3：前述した双安定インジケータ２
３の状態に対応するVUV（Ｉ）を出力させ
る。

コメントC4：適応しきい値ATを決定する。

コメントC5：大レベルの固定しきい値の値を
3072に固定し、低レベルの固定しきい値の
値を128に固定する。

本発明による音声分析システムは第３図に示す
構成によるハードウエアで実施することができ
る。このハードウエアは、 Ａ／Ｄ変換器３０（第１図のブロツク１１に対
応）と、 セグメントバツフア３１（第１図のブロツク１
３）と、 窓逓倍（窓掛け）機能を同時に行うDFTプロ
セツサ３２（第１図のブロツク１５および１７）
と、 マイクロコンピユータ３３（第１図のブロツク
１９，２１および２２と、 双安定インジケータ３４（第１図のブロツク２
３）とを具えている。

ブロツク１９の機能、即ち一連のピーク値を決
定する機能はコンピユータを適当にプログラミン
グすることにより実行することができる。なおこ
の場合における適当なプログラムの流れ図は容易
にくふうすることができる。

【図面の簡単な説明】

第１図は本発明による音声分析システムの順次
の操作過程を示す流れ図、第２図は第１図に基づ
くプロセスで所定の操作を実施するのに用いられ
るコンピユータプログラムの流れ図、第３図は本
発明による音声分析システムを実施する電子装置
の一例を示すブロツク線図である。 １０……音声信号入力部、１１……Ａ／Ｄ変換
操作部、１３……セグメントバツフア操作部、１
５……ハミング窓掛け操作部、１７……離散的フ
ーリエ変換操作部、１９……スペクトル成分のピ
ーク値測定操作部、２１……スペクトル強度の単
調増加検出兼適応しきい値との比較操作部、２２
……スペクトル強度の最低しきい値との比較操作
部、２３……双安定インジケータ、３０……Ａ／
Ｄ変換器、３１……セグメントバツフア、３２…
…DFTプロセツサ、３３……マイクロコンピユ
ータ、３４……双安定インジケータ。

Claims (1)

1. 【特許請求の範囲】 １ 入力アナログ音声信号をデイジタル音声信号
   に変換する変換手段と；前記デイジタル音声信号
   のセグメントを蓄積する蓄積手段と；各セグメン
   トを順次のスペクトル成分に変換する変換手段で
   あつて、離散的フーリエ変換を行う手段を具え、
   これにより各々が順次のスペクトル成分から成る
   一連の振幅スペクトルを発生させる変換手段；と
   を具えている音声分析システムにおいて、当該シ
   ステムがさらに、有声音の期間を指示すべくセツ
   トできると共に、無声音または音声のない期間を
   指示すべくリセツトできる双安定インジケータ
   と、下記の工程を含むプロセスを実効すべくプロ
   グラム化したプログラマブル計算手段とを具え、
   前記工程を： (1) 各セグメント（１番目）に対し、約200〜800
   Hzの低周波帯域における該セグメントに関連す
   る振幅スペクトルのスペクトル成分のピーク値
   Ｍ（Ｉ）を求める工程； (2) ｋを所定の数とする場合に、ｎ＝Ｉ，Ｉ−
   １，……Ｉ＋１−ｋのセグメントのピーク値Ｍ
   （ｎ）が、ｎの値の増加により所定フアクタよ
   りも大きいフアクタで単調に増加し、かつ前記
   ピーク値Ｍ（Ｉ）が適応しきい値AT（Ｉ−１）
   以上となる場合に双安定インジケータをセツト
   する工程； (3) ピーク値Ｍ（Ｉ）が最大ピーク値VM（Ｉ−
   １）の所定数分の１よりも小さいVM（Ｉ）で
   あるか、ピーク値Ｍ（Ｉ）が所定しきい値より
   も小さい場合に双安定インジケータをリセツト
   する工程； (4) 前記インジケータがセツトされる場合に、各
   セグメントおよび多数の先行セグメントに対し
   て、ｎ−Ｉ，Ｉ−１，……，Ｉ＋１−ｍで、ｍ
   をセグメントＩとセグメントＩ＝１−ｍとの間
   ではインジケータの状態が変化しないような値
   とするピーク値Ｍ（ｎ）の最大値（VM（Ｉ））
   を求める工程； (5) 前記インジケータがセツトされる場合に、適
   応しきい値AT（Ｉ）を最大値VM（Ｉ）の何分
   の１かに等しく設定し、かつ前記インジケータ
   がリセツトされる場合には、適応しきい値AT
   （Ｉ）を前記AT（Ｉ−１）の何分の１かに等し
   く設定することにより各セグメントに対する適
   応しきい値（AT（Ｉ））を決定する工程； としたことを特徴とする音声分析システム。 特許請求の範囲１記載のシステムにおいて、前
   記プロセスが： (A) ピーク値Ｍ（Ｉ）が相対的に高い固定のしき
   い値以上となる場合には、双安定インジケータ
   をセツトする工程と； (B) ピーク値Ｍ（Ｉ）が相対的に低い固定のしき
   い値を超えない場合には、双安定インジケータ
   をリセツトする工程； とを含むようにしたことを特徴とする音声分析シ
   ステム。