JPH05249987A - 音声検出方法および音声検出装置 - Google Patents
音声検出方法および音声検出装置Info
- Publication number
- JPH05249987A JPH05249987A JP4050327A JP5032792A JPH05249987A JP H05249987 A JPH05249987 A JP H05249987A JP 4050327 A JP4050327 A JP 4050327A JP 5032792 A JP5032792 A JP 5032792A JP H05249987 A JPH05249987 A JP H05249987A
- Authority
- JP
- Japan
- Prior art keywords
- vowel
- voice
- order
- standard model
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
(57)【要約】
【目的】 本発明は音声認識装置等の前処理として用い
られる、音声のみを検出する音声検出装置に関するもの
で、比較的簡単な構成で自動的にしかも高精度に音声の
検出を行うことができる音声検出装置を提供することを
目的とする。 【構成】 入力信号から特徴抽出部１１にて一定時間毎
に複数の特徴量を抽出し、母音標準モデル作成部１２で
あらかじめ多数の母音の学習データを用いて作成した母
音標準モデルとの対数尤度を計算する尤度計算部１３
と、数フレーム分の対数尤度を一括して用いてフレーム
平均対数尤度を計算し、適当な閾値と比較することで母
音を検出する母音判定部１４と、母音判定部により母音
と判定された個数により、最終判定部１５にてその区間
が音声か否かを判定する。
られる、音声のみを検出する音声検出装置に関するもの
で、比較的簡単な構成で自動的にしかも高精度に音声の
検出を行うことができる音声検出装置を提供することを
目的とする。 【構成】 入力信号から特徴抽出部１１にて一定時間毎
に複数の特徴量を抽出し、母音標準モデル作成部１２で
あらかじめ多数の母音の学習データを用いて作成した母
音標準モデルとの対数尤度を計算する尤度計算部１３
と、数フレーム分の対数尤度を一括して用いてフレーム
平均対数尤度を計算し、適当な閾値と比較することで母
音を検出する母音判定部１４と、母音判定部により母音
と判定された個数により、最終判定部１５にてその区間
が音声か否かを判定する。
Description
【０００１】
【産業上の利用分野】本発明は、非定常雑音の存在する
実環境下において、音声認識装置の前処理等で使われ
る、音声のみを検出する音声検出方法および音声検出装
置に関する。
実環境下において、音声認識装置の前処理等で使われ
る、音声のみを検出する音声検出方法および音声検出装
置に関する。
【０００２】
【従来の技術】音声認識等の音声処理を行う装置では、
音声以外の非定常雑音が入力され誤って音声と判断され
ると誤認識を生じる。そこで、入力された信号が正確に
音声であるかどうかを判定できる音声検出装置が必要と
される。
音声以外の非定常雑音が入力され誤って音声と判断され
ると誤認識を生じる。そこで、入力された信号が正確に
音声であるかどうかを判定できる音声検出装置が必要と
される。
【０００３】従来の音声検出装置では、処理の簡素化の
ための入力信号のパワー値が閾値よりも大きい部分を音
声と判断する方法が一般的に行われる。しかし音声認識
の行われる実環境で使用することを考えると、紙などの
資料をめくる音や、息吹きなどのマイクロフォンの振動
によって起こるノイズ、あるいは動物の鳴き声等の音声
以外のパワーの大きな様々な音が入力される可能性があ
り、パワーだけでは音声の検出はできない。
ための入力信号のパワー値が閾値よりも大きい部分を音
声と判断する方法が一般的に行われる。しかし音声認識
の行われる実環境で使用することを考えると、紙などの
資料をめくる音や、息吹きなどのマイクロフォンの振動
によって起こるノイズ、あるいは動物の鳴き声等の音声
以外のパワーの大きな様々な音が入力される可能性があ
り、パワーだけでは音声の検出はできない。
【０００４】そこで、パワー以外の複数の音声の特徴量
を用いて入力信号が音声であるか非音声であるかの判定
をする方法が幾つか提案されている。例えば、「実環境
下での音声／非音声の判別」（石田明・小畑秀文、日本
音響学会誌７巻１２号（１９９１））による方法があ
る。これは、日常の実験室やオフィスなどで発生する種
々の非定常雑音と音声とを区別するのに有効な音響的特
徴量を用いて、実環境下での音声／非音声の判別を行っ
ている。具体的には、音声中のパワーの大きい部分にお
いて、母音と見なせる部分がどの程度存在するかによっ
て、音声／非音声の判別を行っており、用いる音響的特
徴量としては、 （ａ）周期性 （ｂ）ピッチ周波数 （ｃ）最適線形予測次数 （ｄ）５母音との距離 （ｅ）ホルマントの鋭さ の５種類の特徴量を求め、各特徴量毎に上限値あるいは
下限値を決定し、その大小関係により音声と非音声を判
別する。
を用いて入力信号が音声であるか非音声であるかの判定
をする方法が幾つか提案されている。例えば、「実環境
下での音声／非音声の判別」（石田明・小畑秀文、日本
音響学会誌７巻１２号（１９９１））による方法があ
る。これは、日常の実験室やオフィスなどで発生する種
々の非定常雑音と音声とを区別するのに有効な音響的特
徴量を用いて、実環境下での音声／非音声の判別を行っ
ている。具体的には、音声中のパワーの大きい部分にお
いて、母音と見なせる部分がどの程度存在するかによっ
て、音声／非音声の判別を行っており、用いる音響的特
徴量としては、 （ａ）周期性 （ｂ）ピッチ周波数 （ｃ）最適線形予測次数 （ｄ）５母音との距離 （ｅ）ホルマントの鋭さ の５種類の特徴量を求め、各特徴量毎に上限値あるいは
下限値を決定し、その大小関係により音声と非音声を判
別する。
【０００５】
【発明が解決しようとする課題】しかしながら上記の音
声／非音声判別装置では、音声中の各母音の特徴に基づ
いた特徴量は使用されておらず、音声の各母音の検出に
適した母音毎の標準モデルを用いる方法による高精度な
音声検出方式が必要とされる。また、各特徴量毎に上限
値あるいは下限値を決定し、その大小関係により音声／
非音声の判別を行う方法では、特徴量の数が増えた場合
特徴量毎に閾値を設定することが困難であると同時に、
定常雑音が付加された場合などのような特徴量の値の変
動に対して頑健であるとは言えない。さらに、音声、特
に母音は１分析フレーム毎に母音性を判定するより、数
フレーム分を１塊に考えて判定する方がより信頼性があ
る判定法であるといえる。
声／非音声判別装置では、音声中の各母音の特徴に基づ
いた特徴量は使用されておらず、音声の各母音の検出に
適した母音毎の標準モデルを用いる方法による高精度な
音声検出方式が必要とされる。また、各特徴量毎に上限
値あるいは下限値を決定し、その大小関係により音声／
非音声の判別を行う方法では、特徴量の数が増えた場合
特徴量毎に閾値を設定することが困難であると同時に、
定常雑音が付加された場合などのような特徴量の値の変
動に対して頑健であるとは言えない。さらに、音声、特
に母音は１分析フレーム毎に母音性を判定するより、数
フレーム分を１塊に考えて判定する方がより信頼性があ
る判定法であるといえる。
【０００６】本発明は、上記の課題を解決するもので、
音声認識等の音声信号処理に適した高性能な音声検出装
置を提供することを目的とする。本発明は、音声の各母
音の検出に適した母音毎の標準モデルを用いることで、
音声の各母音の検出に基づいた音声検出装置を提供す
る。さらに、音声であるかそれ以外であるかを表した特
徴量を総合的に判定するための評価値として、母音性を
判定するのに有用と考えられる数フレーム分を１塊に考
えて算出されるフレーム平均対数尤度を用いることで、
閾値の設定が比較的容易であると同時に、定常雑音が付
加された場合などのような特徴量の値の変動に対してあ
る程度頑健性を持った、比較的簡単で高性能な音声検出
装置を提供することを目的とする。
音声認識等の音声信号処理に適した高性能な音声検出装
置を提供することを目的とする。本発明は、音声の各母
音の検出に適した母音毎の標準モデルを用いることで、
音声の各母音の検出に基づいた音声検出装置を提供す
る。さらに、音声であるかそれ以外であるかを表した特
徴量を総合的に判定するための評価値として、母音性を
判定するのに有用と考えられる数フレーム分を１塊に考
えて算出されるフレーム平均対数尤度を用いることで、
閾値の設定が比較的容易であると同時に、定常雑音が付
加された場合などのような特徴量の値の変動に対してあ
る程度頑健性を持った、比較的簡単で高性能な音声検出
装置を提供することを目的とする。
【０００７】
【課題を解決するための手段】本発明は上記課題を解決
するために、入力信号からフレーム単位（一定時間毎）
に抽出した音声を特徴付ける１次以上の自己相関係数と
１次以上のケプストラム係数のうち少なくとも１つの特
徴量を用いて、その数フレーム分を一括して用いること
により母音の存在確率を求めて母音検出を行い、これに
より音声のみを検出することを特徴とするものである。
するために、入力信号からフレーム単位（一定時間毎）
に抽出した音声を特徴付ける１次以上の自己相関係数と
１次以上のケプストラム係数のうち少なくとも１つの特
徴量を用いて、その数フレーム分を一括して用いること
により母音の存在確率を求めて母音検出を行い、これに
より音声のみを検出することを特徴とするものである。
【０００８】また、本発明は、あらかじめ多数の母音の
学習データについてフレーム単位に抽出した音声を特徴
付ける１次以上の自己相関係数と１次以上のケプストラ
ム係数のうち少なくとも１つの特徴量を用いて、数フレ
ーム分を一括して用いて母音毎に標準モデルの作成を行
い、前記母音標準モデルを用いて音声を検出することを
特徴とするものである。
学習データについてフレーム単位に抽出した音声を特徴
付ける１次以上の自己相関係数と１次以上のケプストラ
ム係数のうち少なくとも１つの特徴量を用いて、数フレ
ーム分を一括して用いて母音毎に標準モデルの作成を行
い、前記母音標準モデルを用いて音声を検出することを
特徴とするものである。
【０００９】さらに、本発明の音声検出装置は、母音を
検出することを主眼として、入力信号の一定時間毎の１
次以上の自己相関係数、１次以上のケプストラム係数等
の複数の音声の特徴量を抽出する特徴量抽出部と、あら
かじめ多数の母音の学習データについて前記特徴抽出部
で抽出した特徴量を用いて母音毎の平均値と共分散行列
を算出し、母音毎の標準モデルを作成する母音標準モデ
ル作成部と、入力信号からフレーム単位に前記特徴抽出
部で抽出した１次以上の自己相関係数と１次のケプスト
ラム係数のうち少なくとも１つの特徴量について、前記
母音標準モデル作成部にて作成した各母音標準モデルと
の対数尤度を計算する尤度計算部と、前記尤度計算部に
て計算された前後数フレームについて各母音毎にフレー
ム平均対数尤度を計算し、ある適当な閾値とを比較する
ことで母音かそれ以外かを判定する母音判定部と、パワ
ーの一定レベル以上の入力信号の塊について前記母音判
定部によりいずれかの母音と判定された母音サンプルの
個数の割合がある適当なしきい値以上のときにその塊を
音声と判定する最終判定部とを備えたものである。
検出することを主眼として、入力信号の一定時間毎の１
次以上の自己相関係数、１次以上のケプストラム係数等
の複数の音声の特徴量を抽出する特徴量抽出部と、あら
かじめ多数の母音の学習データについて前記特徴抽出部
で抽出した特徴量を用いて母音毎の平均値と共分散行列
を算出し、母音毎の標準モデルを作成する母音標準モデ
ル作成部と、入力信号からフレーム単位に前記特徴抽出
部で抽出した１次以上の自己相関係数と１次のケプスト
ラム係数のうち少なくとも１つの特徴量について、前記
母音標準モデル作成部にて作成した各母音標準モデルと
の対数尤度を計算する尤度計算部と、前記尤度計算部に
て計算された前後数フレームについて各母音毎にフレー
ム平均対数尤度を計算し、ある適当な閾値とを比較する
ことで母音かそれ以外かを判定する母音判定部と、パワ
ーの一定レベル以上の入力信号の塊について前記母音判
定部によりいずれかの母音と判定された母音サンプルの
個数の割合がある適当なしきい値以上のときにその塊を
音声と判定する最終判定部とを備えたものである。
【００１０】
【作用】本発明は、上記した構成により、音声中の各音
韻の特徴に基づく母音検出に適した特徴量を用い、あら
かじめ信頼性の高い多数の母音データを用いて母音毎に
母音標準モデルを作成し、数フレーム分を一括して統計
的手法により母音の検出を行い、音声のみを検出するこ
とで、高性能な音声検出が可能となる。
韻の特徴に基づく母音検出に適した特徴量を用い、あら
かじめ信頼性の高い多数の母音データを用いて母音毎に
母音標準モデルを作成し、数フレーム分を一括して統計
的手法により母音の検出を行い、音声のみを検出するこ
とで、高性能な音声検出が可能となる。
【００１１】
【実施例】以下本発明の一実施例について説明する。
（図１）は本発明の一実施例の全体構成を示すブロック
構成図である。（図１）において、１１は音声検出のた
めの複数の特徴量を抽出する特徴抽出部で、１フレーム
（一定時間）毎のパワーを計算するパワー計算部１１ａ
と、１フレーム毎の１次および７次の自己相関係数を算
出する自己相関係数算出部１１ｂと、１フレーム毎の１
次および３次のケプストラム係数を算出するケプストラ
ム係数算出部１１ｃとから構成される。これらの特徴量
は入力信号の母音性を検出するために用いられる。
（図１）は本発明の一実施例の全体構成を示すブロック
構成図である。（図１）において、１１は音声検出のた
めの複数の特徴量を抽出する特徴抽出部で、１フレーム
（一定時間）毎のパワーを計算するパワー計算部１１ａ
と、１フレーム毎の１次および７次の自己相関係数を算
出する自己相関係数算出部１１ｂと、１フレーム毎の１
次および３次のケプストラム係数を算出するケプストラ
ム係数算出部１１ｃとから構成される。これらの特徴量
は入力信号の母音性を検出するために用いられる。
【００１２】次に、１２はあらかじめ多数の母音の学習
データについて特徴抽出部１１で抽出した特徴量を用い
て母音毎の平均値と共分散行列を算出し、母音毎の標準
モデルを作成する母音標準モデル作成部である。１３は
特徴抽出部１１から出力されるフレーム毎の入力信号の
１次および７次の自己相関係数と１次および３次のケプ
ストラム係数について、母音標準モデル作成部１２にて
作成した各母音標準モデルとの対数尤度を計算する尤度
計算部であり、１４は尤度計算部１３にて計算に用いた
フレームの前後数フレームにおいて、尤度計算部１３で
同様に計算された対数尤度を用いて、各母音毎にフレー
ム平均対数尤度を計算し、ある適当な閾値と比較するこ
とでその入力信号数フレームが母音であるかどうかを判
定する母音判定部である。１５はパワーの一定レベル以
上の入力信号の塊について母音判定部１４によりいずれ
かの母音と判定されたフレームの個数がある適当な閾値
以上のときにその塊を音声と判定する最終判定部であ
る。
データについて特徴抽出部１１で抽出した特徴量を用い
て母音毎の平均値と共分散行列を算出し、母音毎の標準
モデルを作成する母音標準モデル作成部である。１３は
特徴抽出部１１から出力されるフレーム毎の入力信号の
１次および７次の自己相関係数と１次および３次のケプ
ストラム係数について、母音標準モデル作成部１２にて
作成した各母音標準モデルとの対数尤度を計算する尤度
計算部であり、１４は尤度計算部１３にて計算に用いた
フレームの前後数フレームにおいて、尤度計算部１３で
同様に計算された対数尤度を用いて、各母音毎にフレー
ム平均対数尤度を計算し、ある適当な閾値と比較するこ
とでその入力信号数フレームが母音であるかどうかを判
定する母音判定部である。１５はパワーの一定レベル以
上の入力信号の塊について母音判定部１４によりいずれ
かの母音と判定されたフレームの個数がある適当な閾値
以上のときにその塊を音声と判定する最終判定部であ
る。
【００１３】以下、本発明の一実施例について（図１）
のブロック構成図を参照しながら詳細に説明する。音響
信号がマイクロホンを通して入力されると、特徴抽出部
１１でまず複数の特徴量が抽出される。パワー計算部１
１ａでは、一定時間毎のパワー値が例えば（数１）で算
出される。一定の時間間隔は、ここでは例えばサンプリ
ング周波数を１０ＫＨｚとして、２００点（２０ｍｓ）
とし、この時間単位をフレームと呼ぶ。
のブロック構成図を参照しながら詳細に説明する。音響
信号がマイクロホンを通して入力されると、特徴抽出部
１１でまず複数の特徴量が抽出される。パワー計算部１
１ａでは、一定時間毎のパワー値が例えば（数１）で算
出される。一定の時間間隔は、ここでは例えばサンプリ
ング周波数を１０ＫＨｚとして、２００点（２０ｍｓ）
とし、この時間単位をフレームと呼ぶ。
【００１４】
【数１】
【００１５】ここで、Ｐiはフレームｉでのパワー値、
Ｓkはフレーム内の入力信号のサンプル値を示す。この
パワー値は発声条件の違いによるパワーの違いを統一し
て扱えるように、パワーの大きな区間内の最大値、最小
値間を例えば０から１までの値に正規化して用いる。自
己相関係数算出部１１ｂではフレーム毎に１次の自己相
関係数Ａi(1)が（数２）、７次の自己相関係数Ａi(7)
が、（数３）で算出される。
Ｓkはフレーム内の入力信号のサンプル値を示す。この
パワー値は発声条件の違いによるパワーの違いを統一し
て扱えるように、パワーの大きな区間内の最大値、最小
値間を例えば０から１までの値に正規化して用いる。自
己相関係数算出部１１ｂではフレーム毎に１次の自己相
関係数Ａi(1)が（数２）、７次の自己相関係数Ａi(7)
が、（数３）で算出される。
【００１６】
【数２】
【００１７】
【数３】
【００１８】さらにＡi(1)、Ａi(7)は０次の自己相関係
数で正規化される。ケプストラム係数算出部１１ｃで
は、フレームｉでの１次および３次のケプストラム係数
Ｃi(1)、Ｃi(3)が線形予測分析により求められる。
数で正規化される。ケプストラム係数算出部１１ｃで
は、フレームｉでの１次および３次のケプストラム係数
Ｃi(1)、Ｃi(3)が線形予測分析により求められる。
【００１９】母音標準モデル作成部１２では、あらかじ
め多数の音声データの母音部分について特徴抽出部１１
で得られる特徴量を抽出しておき、これらの特徴量を用
いて次の方法により母音毎の平均値と共分散行列を算出
し、母音毎の標準モデルを作成する。すなわち、母音デ
ータとしては母音ｋの学習用データ ｙN（データ数Ｎ）
を用い、ｙN がｍ次元の多次元正規分布に従うと仮定で
きる場合、その平均値μk と共分散行列Σkを（数４）,
（数５）のように計算にて求めることができる。
め多数の音声データの母音部分について特徴抽出部１１
で得られる特徴量を抽出しておき、これらの特徴量を用
いて次の方法により母音毎の平均値と共分散行列を算出
し、母音毎の標準モデルを作成する。すなわち、母音デ
ータとしては母音ｋの学習用データ ｙN（データ数Ｎ）
を用い、ｙN がｍ次元の多次元正規分布に従うと仮定で
きる場合、その平均値μk と共分散行列Σkを（数４）,
（数５）のように計算にて求めることができる。
【００２０】
【数４】
【００２１】
【数５】
【００２２】ただし、ｔは転値を示す。これにより、母
音毎の標準モデルのモデル形状（平均値μk、及び分散
Σk）が求められる。ただし、ｙN、μkはｍ次元のベク
トル（ｍ次元の特徴パラメータ）であり、Σkはｍ×ｍ
次元のマトリックスである。母音データとしては例え
ば、ある標準話者の母音ｋの学習用データとして母音部
分を切り出し、母音中心フレーム±２フレームのデータ
を用いればよい。また、複数の話者のデータを用いるこ
とで、話者の発声の変動に強い標準パターンを作成する
ことができる。
音毎の標準モデルのモデル形状（平均値μk、及び分散
Σk）が求められる。ただし、ｙN、μkはｍ次元のベク
トル（ｍ次元の特徴パラメータ）であり、Σkはｍ×ｍ
次元のマトリックスである。母音データとしては例え
ば、ある標準話者の母音ｋの学習用データとして母音部
分を切り出し、母音中心フレーム±２フレームのデータ
を用いればよい。また、複数の話者のデータを用いるこ
とで、話者の発声の変動に強い標準パターンを作成する
ことができる。
【００２３】尤度計算部１３は、特徴抽出部１１から出
力されるフレーム毎の入力信号のいくつかの特徴パラメ
ータについて、母音標準モデル作成部１２にて作成した
各母音標準モデルとの対数尤度を計算する部分である。
母音検出に用いる距離尺度は、使用する各特徴パラメー
タの分布を多次元正規分布と仮定した場合の統計的距離
尺度である。母音毎の標準モデルｋに対する、ｉフレー
ム目の入力ベクトル（スペクトル）ｘi の対数尤度Ｌik
は、（数６）で計算される。
力されるフレーム毎の入力信号のいくつかの特徴パラメ
ータについて、母音標準モデル作成部１２にて作成した
各母音標準モデルとの対数尤度を計算する部分である。
母音検出に用いる距離尺度は、使用する各特徴パラメー
タの分布を多次元正規分布と仮定した場合の統計的距離
尺度である。母音毎の標準モデルｋに対する、ｉフレー
ム目の入力ベクトル（スペクトル）ｘi の対数尤度Ｌik
は、（数６）で計算される。
【００２４】
【数６】
【００２５】ただし、ｘiはｍ次元のベクトル（ｍ次元
の特徴パラメータ）であり、ｔは転値、−１は逆行列、
Ｃは定数を示す。
の特徴パラメータ）であり、ｔは転値、−１は逆行列、
Ｃは定数を示す。
【００２６】母音判定部１４は、母音の時間的な継続性
を表現するため、検出しようとする目的フレームの前後
Ｎフレーム（これをセグメントという）を用いて、母音
判定を行う。各母音毎に尤度計算部１３にて計算された
対数尤度Ｌikを用いて、次の条件式（数７）を満たせば
そのセグメントは母音であるとみなす。
を表現するため、検出しようとする目的フレームの前後
Ｎフレーム（これをセグメントという）を用いて、母音
判定を行う。各母音毎に尤度計算部１３にて計算された
対数尤度Ｌikを用いて、次の条件式（数７）を満たせば
そのセグメントは母音であるとみなす。
【００２７】
【数７】
【００２８】ただし、ＬkTH は母音標準モデルｋに関す
る判別閾値（フレーム平均対数尤度の閾値）である。
る判別閾値（フレーム平均対数尤度の閾値）である。
【００２９】このように、各特徴パラメータの影響を効
果的に、しかも総合的に判定できる評価値（対数尤度）
を用いることで、各特徴パラメータ毎に閾値を設定する
方法よりも、定常雑音が付加された場合などのような特
徴量の値の変動に対して頑健なシステムが構築できる。
また、多くの閾値をヒューリスティックな方法により決
定する必要がない利点がある。さらに、音響信号数フレ
ーム分を１塊に考えて判定することで、母音などのよう
な継続的な音声に対してより有効な判定法となってい
る。
果的に、しかも総合的に判定できる評価値（対数尤度）
を用いることで、各特徴パラメータ毎に閾値を設定する
方法よりも、定常雑音が付加された場合などのような特
徴量の値の変動に対して頑健なシステムが構築できる。
また、多くの閾値をヒューリスティックな方法により決
定する必要がない利点がある。さらに、音響信号数フレ
ーム分を１塊に考えて判定することで、母音などのよう
な継続的な音声に対してより有効な判定法となってい
る。
【００３０】最終判定部１５は、パワーの一定レベル以
上の入力信号の塊についての母音サンプルの数がある適
当なしきい値以上のときにその塊を音声と判定する最終
判定部である。最終判定部１５では、まずパワー計算部
１１ａで得られたパワー値系列からあらかじめ定めたパ
ワーしきい値を決められた長さ以上越える区間を音声候
補区間として検出する。この音声候補区間内において、
母音判定部１４により母音ｋと判定されたセグメントの
個数を計数し、母音ｋと判定された母音セグメントの数
を Ｃk、あらかじめ定めた区間内の母音セグメント数の
しきい値 Ｍkとするとき、（数８）の条件を満たすなら
ば、この音声候補区間は音声であると判定する。これを
全ての母音について行う。
上の入力信号の塊についての母音サンプルの数がある適
当なしきい値以上のときにその塊を音声と判定する最終
判定部である。最終判定部１５では、まずパワー計算部
１１ａで得られたパワー値系列からあらかじめ定めたパ
ワーしきい値を決められた長さ以上越える区間を音声候
補区間として検出する。この音声候補区間内において、
母音判定部１４により母音ｋと判定されたセグメントの
個数を計数し、母音ｋと判定された母音セグメントの数
を Ｃk、あらかじめ定めた区間内の母音セグメント数の
しきい値 Ｍkとするとき、（数８）の条件を満たすなら
ば、この音声候補区間は音声であると判定する。これを
全ての母音について行う。
【００３１】
【数８】
【００３２】以下に、実際に本方法により実験した結果
を示す。（表１）に、本手法で用いた４つの特徴パラメ
ータを示す。これらの特徴パラメータは予備実験の結
果、音声と他の非定常雑音との分離が比較的良く、また
ＬＰＣケプストラム係数の算出過程において容易に得ら
れるパラメータである。まず、１次の正規化自己相関係
数及び１次の線形予測係数は有声／無声の判別に適した
パラメータであり、７次の正規化自己相関係数は低周波
性の雑音を区別するのに適したパラメータである。ま
た、３次のＬＰＣケプストラム係数は、５母音の中でも
／ｉ／に特徴的な性質を示すパラメータである。
を示す。（表１）に、本手法で用いた４つの特徴パラメ
ータを示す。これらの特徴パラメータは予備実験の結
果、音声と他の非定常雑音との分離が比較的良く、また
ＬＰＣケプストラム係数の算出過程において容易に得ら
れるパラメータである。まず、１次の正規化自己相関係
数及び１次の線形予測係数は有声／無声の判別に適した
パラメータであり、７次の正規化自己相関係数は低周波
性の雑音を区別するのに適したパラメータである。ま
た、３次のＬＰＣケプストラム係数は、５母音の中でも
／ｉ／に特徴的な性質を示すパラメータである。
【００３３】
【表１】
【００３４】音声データは、男性１０名の発声した日本
語２００単語である。標準モデルの作成には、標準話者
の発声した各母音の音韻中心±２フレームを使用した。
但し、計算効率を考えて、各パラメータ間の相関はない
とし、共分散行列の対角成分のみを計算に用いた。雑音
データとしては、（表２）に示す５雑音グループ（約９
００サンプル）の非定常雑音を用いた。また、分析条件
を（表３）に示す。
語２００単語である。標準モデルの作成には、標準話者
の発声した各母音の音韻中心±２フレームを使用した。
但し、計算効率を考えて、各パラメータ間の相関はない
とし、共分散行列の対角成分のみを計算に用いた。雑音
データとしては、（表２）に示す５雑音グループ（約９
００サンプル）の非定常雑音を用いた。また、分析条件
を（表３）に示す。
【００３５】
【表２】
【００３６】
【表３】
【００３７】男性話者５名分の母音データから標準モデ
ルの作成を行い、標準話者を含む１０名の話者に関して
の音声検出実験及び（表２）の非定常雑音の除去実験を
行った。（図２）は、母音セグメント長を１フレームか
ら１１フレームまで変化させたときの、音声検出率と雑
音誤検出率の関係を示したものである。判別閾値を適当
に変化させることで、検出性能の最適値を求めることが
できるが、５フレーム以上ではほとんど判別性能に差は
ない。結局、母音セグメント長７フレームで判別閾値＝
-1.2のとき、音声検出率９９.３％（雑音誤検出率９.０
％）が得られた。
ルの作成を行い、標準話者を含む１０名の話者に関して
の音声検出実験及び（表２）の非定常雑音の除去実験を
行った。（図２）は、母音セグメント長を１フレームか
ら１１フレームまで変化させたときの、音声検出率と雑
音誤検出率の関係を示したものである。判別閾値を適当
に変化させることで、検出性能の最適値を求めることが
できるが、５フレーム以上ではほとんど判別性能に差は
ない。結局、母音セグメント長７フレームで判別閾値＝
-1.2のとき、音声検出率９９.３％（雑音誤検出率９.０
％）が得られた。
【００３８】次に、本手法の定常騒音下での検出性能を
評価するために、白色雑音を付加したときのＳ／Ｎ比と
検出率との関係を調べた。（図３）は、母音セグメント
長を７フレームに固定したときの、各Ｓ／Ｎ比に対する
音声検出率と雑音誤検出率との関係を示したものであ
る。その結果、検出性能はＳ／Ｎ比が１２ｄＢまでほと
んど影響を受けていない。
評価するために、白色雑音を付加したときのＳ／Ｎ比と
検出率との関係を調べた。（図３）は、母音セグメント
長を７フレームに固定したときの、各Ｓ／Ｎ比に対する
音声検出率と雑音誤検出率との関係を示したものであ
る。その結果、検出性能はＳ／Ｎ比が１２ｄＢまでほと
んど影響を受けていない。
【００３９】以上のように本実施例の音声検出装置によ
れば、入力信号から一定時間毎の音声の複数の特徴量を
抽出する特徴量抽出部１１と、あらかじめ多数の母音に
関する学習データについてフレーム単位で抽出した前記
特徴量を用いて母音毎の平均値と共分散行列を算出し、
母音毎の標準モデルを作成する母音標準モデル作成部１
２と、入力信号から得られた複数の音声の特徴量と母音
標準モデル作成部にて作成した各母音標準モデルとの対
数尤度を計算する尤度計算部１３と、母音判定を行うフ
レームの前後数フレーム分の対数尤度を用いて、各母音
毎にフレーム平均対数尤度を計算し、ある適当なしきい
値とを比較することでその入力信号数フレーム分が母音
であるかどうかを判定する母音判定部１４と、パワーの
一定レベル以上の入力信号の塊について母音判定部１４
によりいずれかの母音と判定された母音サンプルの個数
がある適当なしきい値以上のときにその塊を音声と判定
する最終判定部１５とを具備して構成することにより、
比較的簡単な構成で様々な音響信号の中の音声を正確に
判定することができる音声検出装置を提供することがで
きる。
れば、入力信号から一定時間毎の音声の複数の特徴量を
抽出する特徴量抽出部１１と、あらかじめ多数の母音に
関する学習データについてフレーム単位で抽出した前記
特徴量を用いて母音毎の平均値と共分散行列を算出し、
母音毎の標準モデルを作成する母音標準モデル作成部１
２と、入力信号から得られた複数の音声の特徴量と母音
標準モデル作成部にて作成した各母音標準モデルとの対
数尤度を計算する尤度計算部１３と、母音判定を行うフ
レームの前後数フレーム分の対数尤度を用いて、各母音
毎にフレーム平均対数尤度を計算し、ある適当なしきい
値とを比較することでその入力信号数フレーム分が母音
であるかどうかを判定する母音判定部１４と、パワーの
一定レベル以上の入力信号の塊について母音判定部１４
によりいずれかの母音と判定された母音サンプルの個数
がある適当なしきい値以上のときにその塊を音声と判定
する最終判定部１５とを具備して構成することにより、
比較的簡単な構成で様々な音響信号の中の音声を正確に
判定することができる音声検出装置を提供することがで
きる。
【００４０】なお、上記の実施例においては、特徴抽出
部において入力信号の母音性を検出するための特徴量と
して自己相関係数とケプストラム係数を用いた例で説明
したが、これに限定されず、偏自己相関関数やメルケプ
ストラム係数などを用いてもかまわない。
部において入力信号の母音性を検出するための特徴量と
して自己相関係数とケプストラム係数を用いた例で説明
したが、これに限定されず、偏自己相関関数やメルケプ
ストラム係数などを用いてもかまわない。
【００４１】
【発明の効果】以上の実施例から明らかなように本発明
によれば、音声を特徴付ける複数の特徴量を抽出し、多
数の学習用母音データを用いて母音標準モデルを作成し
ておき、入力信号から得られた複数の特徴量と母音標準
モデルから得られる対数尤度を計算し、数フレーム分を
一括して母音の検出を行って音声を検出するように構成
しているので、比較的簡単な構成で入力信号が音声かそ
れ以外かを正確に判定することができる音声検出装置を
提供することができる。
によれば、音声を特徴付ける複数の特徴量を抽出し、多
数の学習用母音データを用いて母音標準モデルを作成し
ておき、入力信号から得られた複数の特徴量と母音標準
モデルから得られる対数尤度を計算し、数フレーム分を
一括して母音の検出を行って音声を検出するように構成
しているので、比較的簡単な構成で入力信号が音声かそ
れ以外かを正確に判定することができる音声検出装置を
提供することができる。
【図１】本発明の一実施例の音声検出装置の全体構成を
示すブロック図
示すブロック図
【図２】母音セグメント長の影響による音声検出率と雑
音誤検出率の関係を示す図
音誤検出率の関係を示す図
【図３】Ｓ／Ｎ比の影響による音声検出率と雑音誤検出
率の関係を示す図
率の関係を示す図
１１ 特徴抽出部 １１ａ パワー算出部 １１ｂ 自己相関係数算出部 １１ｃ ケプストラム係数算出部 １２ 母音標準モデル作成部 １３ 尤度計算部 １４ 母音判定部 １５ 最終判定部
Claims (3)
- 【請求項１】 入力信号からフレーム単位（一定時間
毎）に抽出した音声を特徴付ける１次以上の自己相関係
数もしくは偏自己相関関数と１次以上のケプストラム係
数もしくはメルケプストラム係数のうち少なくとも１つ
の特徴量を用いて、その数フレーム分を一括して用いる
ことにより母音の存在確率を求め母音検出を行い、音声
のみを検出することを特徴とする音声検出方法。 - 【請求項２】 あらかじめ多数の母音の学習データにつ
いてフレーム単位に抽出した音声を特徴付ける１次以上
の自己相関係数もしくは偏自己相関関数と１次以上のケ
プストラム係数もしくはメルケプストラム係数のうち少
なくとも１つの特徴量を用いて、数フレーム分を一括し
て用いて母音毎に標準モデルの作成を行い、前記母音標
準モデルを用いて音声を検出することを特徴とする音声
検出方法。 - 【請求項３】 入力信号から一定時間毎に音声を特徴付
ける１次以上の自己相関係数もしくは偏自己相関関数と
１次以上のケプストラム係数もしくはメルケプストラム
係数を抽出する特徴抽出部と、あらかじめ多数の母音の
学習データについて前記特徴抽出部で抽出した特徴量を
用いて母音毎の平均値と共分散行列を算出し、母音毎の
標準モデルを作成する母音標準モデル作成部と、入力信
号からフレーム単位に前記特徴抽出部で抽出した１次以
上の自己相関係数もしくは偏自己相関関数と１次のケプ
ストラム係数もしくはメルケプストラム係数のうち少な
くとも１つ以上の特徴量について、前記母音標準モデル
作成部にて作成した各母音標準モデルとの対数尤度を計
算する尤度計算部と、母音検出しようとするフレームと
その前後数フレームにおいて前記尤度計算部にて計算さ
れた対数尤度を用いて各母音毎にフレーム平均対数尤度
を計算し、ある適当な閾値と比較することで母音かそれ
以外かを判定する母音判定部と、パワーの一定レベル以
上の入力信号の塊について前記母音判定部により、いず
れかの母音と判定された母音サンプルの個数がある適当
な閾値以上のときにその塊を音声と判定する最終判定部
とを備えたことを特徴とする音声検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4050327A JPH05249987A (ja) | 1992-03-09 | 1992-03-09 | 音声検出方法および音声検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4050327A JPH05249987A (ja) | 1992-03-09 | 1992-03-09 | 音声検出方法および音声検出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05249987A true JPH05249987A (ja) | 1993-09-28 |
Family
ID=12855817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4050327A Pending JPH05249987A (ja) | 1992-03-09 | 1992-03-09 | 音声検出方法および音声検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05249987A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003050595A (ja) * | 2001-08-07 | 2003-02-21 | Casio Comput Co Ltd | 音声認識装置及び方法、並びにプログラム |
| JP2010120078A (ja) * | 2008-11-21 | 2010-06-03 | Nippon Steel Corp | 折込疵検出方法、折込疵検出システム、及びコンピュータプログラム |
| US8417518B2 (en) | 2007-02-27 | 2013-04-09 | Nec Corporation | Voice recognition system, method, and program |
-
1992
- 1992-03-09 JP JP4050327A patent/JPH05249987A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003050595A (ja) * | 2001-08-07 | 2003-02-21 | Casio Comput Co Ltd | 音声認識装置及び方法、並びにプログラム |
| US8417518B2 (en) | 2007-02-27 | 2013-04-09 | Nec Corporation | Voice recognition system, method, and program |
| JP2010120078A (ja) * | 2008-11-21 | 2010-06-03 | Nippon Steel Corp | 折込疵検出方法、折込疵検出システム、及びコンピュータプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0625774B1 (en) | A method and an apparatus for speech detection | |
| EP1210711B1 (en) | Sound source classification | |
| JP3691511B2 (ja) | 休止検出を行う音声認識 | |
| JP3451146B2 (ja) | スペクトルサブトラクションを用いた雑音除去システムおよび方法 | |
| WO1998038632A1 (en) | Method and system for establishing handset-dependent normalizing models for speaker recognition | |
| JP3298858B2 (ja) | 低複雑性スピーチ認識器の区分ベースの類似性方法 | |
| JP4911034B2 (ja) | 音声判別システム、音声判別方法及び音声判別用プログラム | |
| Mohammed et al. | Robust speaker verification by combining MFCC and entrocy in noisy conditions | |
| JP2797861B2 (ja) | 音声検出方法および音声検出装置 | |
| JP3493849B2 (ja) | 音声認識装置 | |
| JPH05173592A (ja) | 音声／非音声判別方法および判別装置 | |
| US7292981B2 (en) | Signal variation feature based confidence measure | |
| KR100526110B1 (ko) | 화자인식시스템의 화자 특징벡터 생성방법 및 시스템 | |
| JPH034918B2 (ja) | ||
| WO1997037345A1 (en) | Speech processing | |
| JP2006071956A (ja) | 音声信号処理装置及びプログラム | |
| Nickel et al. | Robust speaker verification with principal pitch components | |
| JPH06110492A (ja) | 音声認識装置 | |
| KR100901191B1 (ko) | 음성신호 기반의 성별인식 방법 및 장치 | |
| Camarena-Ibarrola et al. | Using a new discretization of the Fourier transform to discriminate voiced from unvoiced speech | |
| Chen et al. | A scheme discriminating between synthetic speech and normal speech | |
| JPH09127971A (ja) | 音声区間検出装置及び音声認識装置 |