JPH05323990A - 話者認識方法 - Google Patents
話者認識方法Info
- Publication number
- JPH05323990A JPH05323990A JP4344586A JP34458692A JPH05323990A JP H05323990 A JPH05323990 A JP H05323990A JP 4344586 A JP4344586 A JP 4344586A JP 34458692 A JP34458692 A JP 34458692A JP H05323990 A JPH05323990 A JP H05323990A
- Authority
- JP
- Japan
- Prior art keywords
- speaker
- model
- word
- voice
- phoneme
- 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】 発声内容依存型の方法で他人の音声を録音し
たものを再生して他人になりすますことを防止できる。 【構成】 登録すべき各話者について、学習用音声デー
タと、その発声内容を表す仮名あるいは発音記号の系列
とを教師つき話者適応部１に入力し、これらを用いて、
不特定話者用音素／音節モデル蓄積部３からの音素／音
節モデルを、その登録すべき話者に適応化する。その適
応化された音素／音節モデルをその発声者のＩＤととも
に蓄積部３に蓄積する。話者認識をする場合は、認識用
文章／単語生成部４から認識ごとに新しい文章／単語を
生成して示し、その文章／単語を発声させ、その音声を
特徴パラメータ抽出部５で特徴パラメータ系列に変換す
る。音声モデル生成部６で生成部４から生成した文章／
単語に従って蓄積部３の適応化された音素／音節モデル
を接続し、これと入力音声の特徴パラメータ系列との類
似度を計算部７で計算して、その結果で話者認識を行
う。更に、この類似度のばらつきを正規化３０すること
も行う。
たものを再生して他人になりすますことを防止できる。 【構成】 登録すべき各話者について、学習用音声デー
タと、その発声内容を表す仮名あるいは発音記号の系列
とを教師つき話者適応部１に入力し、これらを用いて、
不特定話者用音素／音節モデル蓄積部３からの音素／音
節モデルを、その登録すべき話者に適応化する。その適
応化された音素／音節モデルをその発声者のＩＤととも
に蓄積部３に蓄積する。話者認識をする場合は、認識用
文章／単語生成部４から認識ごとに新しい文章／単語を
生成して示し、その文章／単語を発声させ、その音声を
特徴パラメータ抽出部５で特徴パラメータ系列に変換す
る。音声モデル生成部６で生成部４から生成した文章／
単語に従って蓄積部３の適応化された音素／音節モデル
を接続し、これと入力音声の特徴パラメータ系列との類
似度を計算部７で計算して、その結果で話者認識を行
う。更に、この類似度のばらつきを正規化３０すること
も行う。
Description
【０００１】
【産業上の利用分野】この発明は例えばインターホンの
音声から訪問者が誰であるかを認識したり、入力された
音声により暗証番号を提示した人と同一人であることを
同定したりするためなどに用いられ、入力音声を、特徴
パラメータを用いた表現形式に変換し、その表現形式に
よる入力音声と、あらかじめ話者対応に生成された上記
表現形式による話者の声の特徴との類似度を求めて、入
力音声を発声した話者を認識する話者認識方法、および
指示した文章あるいは単語が正しく発声されたか否かを
判定する時に効果的に類似度を正規化する話者認識方法
に関する。
音声から訪問者が誰であるかを認識したり、入力された
音声により暗証番号を提示した人と同一人であることを
同定したりするためなどに用いられ、入力音声を、特徴
パラメータを用いた表現形式に変換し、その表現形式に
よる入力音声と、あらかじめ話者対応に生成された上記
表現形式による話者の声の特徴との類似度を求めて、入
力音声を発声した話者を認識する話者認識方法、および
指示した文章あるいは単語が正しく発声されたか否かを
判定する時に効果的に類似度を正規化する話者認識方法
に関する。
【０００２】
【従来の技術】従来の話者認識の方法は、発声内容をあ
らかじめ限定した発声内容限定型の方法と、任意の発声
内容の音声を用いることのできる発声内容独立型の方法
とに分類することができる。発声内容限定型の方法で
は、通常、発声する文章または複数の単語をあらかじめ
決めておいて、話者が発声した音声を特徴パラメータ
（例えばケプストラム、ピッチなど）の時系列に変換
し、各登録話者の同じ文章または単語の特徴パラメータ
時系列との類似度を求め、その値によって話者が誰であ
るかを判定する手法がよく用いられる。
らかじめ限定した発声内容限定型の方法と、任意の発声
内容の音声を用いることのできる発声内容独立型の方法
とに分類することができる。発声内容限定型の方法で
は、通常、発声する文章または複数の単語をあらかじめ
決めておいて、話者が発声した音声を特徴パラメータ
（例えばケプストラム、ピッチなど）の時系列に変換
し、各登録話者の同じ文章または単語の特徴パラメータ
時系列との類似度を求め、その値によって話者が誰であ
るかを判定する手法がよく用いられる。
【０００３】この方法によれば、同じ文章あるいは単語
の音声の特徴パラメータ時系列の類似度を用いるので、
比較的容易に高い精度で話者を認識することができる
が、登録話者の音声を録音してしまえば、その録音した
音声を再生することによって、容易にその登録話者にな
りすますことができるという大きな欠点があった。一
方、発声内容独立型の方法では、通常、ベクトル量子化
などの方法を用いて話者が発声した文章などの音声に含
まれる特徴パラメータの分布を求め、登録話者の特徴パ
ラメータの分布との類似度によって判定する手法がよく
用いられる。
の音声の特徴パラメータ時系列の類似度を用いるので、
比較的容易に高い精度で話者を認識することができる
が、登録話者の音声を録音してしまえば、その録音した
音声を再生することによって、容易にその登録話者にな
りすますことができるという大きな欠点があった。一
方、発声内容独立型の方法では、通常、ベクトル量子化
などの方法を用いて話者が発声した文章などの音声に含
まれる特徴パラメータの分布を求め、登録話者の特徴パ
ラメータの分布との類似度によって判定する手法がよく
用いられる。
【０００４】この方法によれば、話者認識のために発声
する文章や単語を、そのつど変えることができるが、ど
のような発声内容でも受け入れることができるので、こ
の方法によっても、録音した音声を用いて他人になりす
ますことができるという欠点を回避することはできなか
った。
する文章や単語を、そのつど変えることができるが、ど
のような発声内容でも受け入れることができるので、こ
の方法によっても、録音した音声を用いて他人になりす
ますことができるという欠点を回避することはできなか
った。
【０００５】
【課題を解決するための手段】請求項１の発明によれ
ば、認識すべき各話者の声に適応した音素あるいは音節
のモデルを作成して登録し、それらのモデルを接続して
生成した文章あるいは単語の音声のモデルと、特徴パラ
メータを用いた表現形式に変換された入力音声との類似
度を求めて、その入力音声を発声した話者を認識する。
ば、認識すべき各話者の声に適応した音素あるいは音節
のモデルを作成して登録し、それらのモデルを接続して
生成した文章あるいは単語の音声のモデルと、特徴パラ
メータを用いた表現形式に変換された入力音声との類似
度を求めて、その入力音声を発声した話者を認識する。
【０００６】請求項３または４の発明によれば、認識す
べき各話者の声に適応した音素または音節群のモデルを
作成して登録し、それらのモデルを接続して生成した文
章あるいは単語の音声のモデルと、特徴パラメータを用
いた表現形式に変換された入力音声との類似度を求め
て、その入力音声を発声した話者を認識する。音素ある
いは音節群のモデルは、請求項３の発明では学習用音声
中の特徴パラメータの分布を複数のガウス分布に近似
し、これらのガウス分布の重みつき加算で、音素あるい
は音節群の特徴パラメータの分布を近似した音素あるい
は音節群モデルとする。請求項４の発明では学習用音声
中の特徴パラメータの分布を符号帳で近似し、これら符
号帳要素の重みつき加算で、各音素あるいは音節群の特
徴パラメータの分布を近似した音素あるいは音節群モデ
ルとする。
べき各話者の声に適応した音素または音節群のモデルを
作成して登録し、それらのモデルを接続して生成した文
章あるいは単語の音声のモデルと、特徴パラメータを用
いた表現形式に変換された入力音声との類似度を求め
て、その入力音声を発声した話者を認識する。音素ある
いは音節群のモデルは、請求項３の発明では学習用音声
中の特徴パラメータの分布を複数のガウス分布に近似
し、これらのガウス分布の重みつき加算で、音素あるい
は音節群の特徴パラメータの分布を近似した音素あるい
は音節群モデルとする。請求項４の発明では学習用音声
中の特徴パラメータの分布を符号帳で近似し、これら符
号帳要素の重みつき加算で、各音素あるいは音節群の特
徴パラメータの分布を近似した音素あるいは音節群モデ
ルとする。
【０００７】請求項６の発明によれば、話者を認識すべ
き入力音声を、特徴パラメータを用いた表現形式に変換
し、その表現形式による入力音声と、上記表現形式によ
る、発声内容すなわち言葉によらない各話者の声の特徴
および発声すべき言葉との各類似度を求め、これら類似
度を組み合わせて、その入力音声を発声した話者を認識
する。
き入力音声を、特徴パラメータを用いた表現形式に変換
し、その表現形式による入力音声と、上記表現形式によ
る、発声内容すなわち言葉によらない各話者の声の特徴
および発声すべき言葉との各類似度を求め、これら類似
度を組み合わせて、その入力音声を発声した話者を認識
する。
【０００８】請求項８の発明によれば、話者の学習用音
声データから発声内容に独立な音声モデルを作成し、こ
のモデルと特徴パラメータを用いた表現形式に変換され
た入力音声との間の類似度を求めて、これを音素あるい
は音節（群）モデルを接続した文章或は単語音声モデル
と特徴パラメータを用いた表現形式に変換された入力音
声との間の類似度から差し引くことにより、文章或は単
語の内容、収録時期、伝送系、マイクロホンその他の試
験条件の違いによる類似度の値のばらつきを正規化す
る。
声データから発声内容に独立な音声モデルを作成し、こ
のモデルと特徴パラメータを用いた表現形式に変換され
た入力音声との間の類似度を求めて、これを音素あるい
は音節（群）モデルを接続した文章或は単語音声モデル
と特徴パラメータを用いた表現形式に変換された入力音
声との間の類似度から差し引くことにより、文章或は単
語の内容、収録時期、伝送系、マイクロホンその他の試
験条件の違いによる類似度の値のばらつきを正規化す
る。
【０００９】各話者の発声内容に独立な音声モデルは、
請求項１の発明に関しては、各音素あるいは音節のモデ
ルと同じ、音声を特徴パラメータの時系列で表現したも
の、あるいはそれを隠れマルコフモデルで表現したもの
などとする。請求項３の発明に関しては、学習用音声中
の特徴パラメータの分布を複数のガウス分布で近似した
ものとする。請求項４の発明に関しては、学習用音声中
の特徴パラメータの分布を符号帳で近似したものとす
る。請求項６の発明に関しては、学習用音声中の特徴パ
ラメータの分布を符号帳で近似したものとするか或は複
数のガウス分布で近似したものとする。
請求項１の発明に関しては、各音素あるいは音節のモデ
ルと同じ、音声を特徴パラメータの時系列で表現したも
の、あるいはそれを隠れマルコフモデルで表現したもの
などとする。請求項３の発明に関しては、学習用音声中
の特徴パラメータの分布を複数のガウス分布で近似した
ものとする。請求項４の発明に関しては、学習用音声中
の特徴パラメータの分布を符号帳で近似したものとす
る。請求項６の発明に関しては、学習用音声中の特徴パ
ラメータの分布を符号帳で近似したものとするか或は複
数のガウス分布で近似したものとする。
【００１０】上記いずれの発明においても、認識ごと
に、話者が発声すべき文章あるいは単語を指示し、その
入力音声について認識を行う。
に、話者が発声すべき文章あるいは単語を指示し、その
入力音声について認識を行う。
【００１１】
【実施例】次に図面を参照して詳細に説明する。図１に
請求項１および２の発明の実施例を示す。まず話者を登
録する段階では、登録すべき各話者について、学習用音
声データを教師つき話者適応部１に入力し、その話者に
適応した音素あるいは音節のモデルを作成する。つまり
学習用音声データの発声内容はあらかじめ決めておき、
その発声内容を仮名、あるいは発音記号の系列で表した
ものを、音声とともに教師つき話者適応部１に入力す
る。不特定話者用音素／音節モデル蓄積部２には、あら
かじめ多数話者の音声から作成した各音素あるいは音節
のモデルを蓄積しておく。各音素あるいは音節のモデル
には、音声を特徴パラメータの時系列で表現したもの、
あるいはそれを隠れマルコフモデルで表現したものなど
を用いる。これらの音素／音節モデルを、登録すべき話
者に適応させる方法としては、すでに確立されている種
々の方法、例えば文献「Jean-Luc Gauvain and Chin-Hu
i Lee :″Improved Acoustic Modeling With Bayesian
Learning,Proc.IEEE ICASSP 92,1922」に述べられてい
る方法などを用いることができる。話者に適応した音素
あるいは音節のモデルは、適応化音素／音節モデル蓄積
部３に登録される。
請求項１および２の発明の実施例を示す。まず話者を登
録する段階では、登録すべき各話者について、学習用音
声データを教師つき話者適応部１に入力し、その話者に
適応した音素あるいは音節のモデルを作成する。つまり
学習用音声データの発声内容はあらかじめ決めておき、
その発声内容を仮名、あるいは発音記号の系列で表した
ものを、音声とともに教師つき話者適応部１に入力す
る。不特定話者用音素／音節モデル蓄積部２には、あら
かじめ多数話者の音声から作成した各音素あるいは音節
のモデルを蓄積しておく。各音素あるいは音節のモデル
には、音声を特徴パラメータの時系列で表現したもの、
あるいはそれを隠れマルコフモデルで表現したものなど
を用いる。これらの音素／音節モデルを、登録すべき話
者に適応させる方法としては、すでに確立されている種
々の方法、例えば文献「Jean-Luc Gauvain and Chin-Hu
i Lee :″Improved Acoustic Modeling With Bayesian
Learning,Proc.IEEE ICASSP 92,1922」に述べられてい
る方法などを用いることができる。話者に適応した音素
あるいは音節のモデルは、適応化音素／音節モデル蓄積
部３に登録される。
【００１２】また、話者同定のためには、その話者に固
有の識別番号（暗証番号、以下話者ＩＤと記す）をキー
などで入力し、このＩＤをその話者の適応化音素あるい
は音節モデルとともに蓄積部３に記憶しておく。次に、
話者を認識する段階では、あらかじめ発声すべき文章ま
たは単語を決めておくか、あるいは認識用文章／単語生
成部４によって、新しい文章または単語を生成して話者
にそれを示し、話者がその文章または単語を発声し、そ
の音声を特徴パラメータ抽出部５に入力する。特徴パラ
メータ抽出部５では、入力された音声を例えばケプスト
ラム、ピッチなどの特徴パラメータを用いた表現形式に
変換する。一方、文章／単語音声モデル生成部６では、
認識用文章／単語生成部４によって生成された文章また
は単語、あるいはあらかじめ決められている文章または
単語に従って、適応化音素／音節モデル蓄積部３に登録
されている音素または音節のモデルを接続し、その文章
または単語の音声モデルを生成する。その際に話者照
合、すなわち本人の声であるか否かを判定する場合は、
話者に自分のＩＤをキーなどで入力してもらい、そのＩ
Ｄに対応する登録話者に適応した音素または音節のモデ
ルを文章／単語音声モデル生成部６に入力する。話者識
別、すなわちあらかじめ登録された誰の声であるかを判
定する場合は、すべての登録話者に対応する音素または
音節のモデルを文章／単語音声モデル生成部６に逐次入
力する。
有の識別番号（暗証番号、以下話者ＩＤと記す）をキー
などで入力し、このＩＤをその話者の適応化音素あるい
は音節モデルとともに蓄積部３に記憶しておく。次に、
話者を認識する段階では、あらかじめ発声すべき文章ま
たは単語を決めておくか、あるいは認識用文章／単語生
成部４によって、新しい文章または単語を生成して話者
にそれを示し、話者がその文章または単語を発声し、そ
の音声を特徴パラメータ抽出部５に入力する。特徴パラ
メータ抽出部５では、入力された音声を例えばケプスト
ラム、ピッチなどの特徴パラメータを用いた表現形式に
変換する。一方、文章／単語音声モデル生成部６では、
認識用文章／単語生成部４によって生成された文章また
は単語、あるいはあらかじめ決められている文章または
単語に従って、適応化音素／音節モデル蓄積部３に登録
されている音素または音節のモデルを接続し、その文章
または単語の音声モデルを生成する。その際に話者照
合、すなわち本人の声であるか否かを判定する場合は、
話者に自分のＩＤをキーなどで入力してもらい、そのＩ
Ｄに対応する登録話者に適応した音素または音節のモデ
ルを文章／単語音声モデル生成部６に入力する。話者識
別、すなわちあらかじめ登録された誰の声であるかを判
定する場合は、すべての登録話者に対応する音素または
音節のモデルを文章／単語音声モデル生成部６に逐次入
力する。
【００１３】特徴パラメータ抽出部５で得られた特徴パ
ラメータの時系列と、文章／単語音声モデル生成部６で
生成された文章または単語の音声モデルとは、類似度計
算部７に入力されて、両者の類似の度合いが計算され
る。この具体的方法としては、例えば文献「中川聖一：
“確率モデルによる音声認識”、第 3.1.3項、pp. 40−
50，電子情報通信学会、1988」に延べられている方法な
どを用いることができる。計算された類似度の値は、一
旦、類似度蓄積部８に蓄えられた後、話者認識判定部９
に送られる。話者認識判定部９では、話者照合の場合は
話者ＩＤを用いて、しきい値蓄積部１０から、その本人
の声とみなせる類似度の変動の範囲を示すしきい値を読
み出して、上記のようにして計算された、本人の音素あ
るいは音節モデルを接続した文章または単語の音声モデ
ルと、認識用文章あるいは単語の入力音声との類似度と
比較し、類似度の値が読み出されたしきい値よりも大き
ければそれは本人の音声であると判定し、しきい値より
も小さければ他人の音声であると判定する。話者識別の
場合は、入力音声と、登録されたすべての話者にそれぞ
れ適応した音素あるいは音節モデルを接続した文章また
は単語の音声モデルとの類似度をすべて比較して、最も
類似度の大きい話者を選択し、その話者が発声したもの
と判定する。
ラメータの時系列と、文章／単語音声モデル生成部６で
生成された文章または単語の音声モデルとは、類似度計
算部７に入力されて、両者の類似の度合いが計算され
る。この具体的方法としては、例えば文献「中川聖一：
“確率モデルによる音声認識”、第 3.1.3項、pp. 40−
50，電子情報通信学会、1988」に延べられている方法な
どを用いることができる。計算された類似度の値は、一
旦、類似度蓄積部８に蓄えられた後、話者認識判定部９
に送られる。話者認識判定部９では、話者照合の場合は
話者ＩＤを用いて、しきい値蓄積部１０から、その本人
の声とみなせる類似度の変動の範囲を示すしきい値を読
み出して、上記のようにして計算された、本人の音素あ
るいは音節モデルを接続した文章または単語の音声モデ
ルと、認識用文章あるいは単語の入力音声との類似度と
比較し、類似度の値が読み出されたしきい値よりも大き
ければそれは本人の音声であると判定し、しきい値より
も小さければ他人の音声であると判定する。話者識別の
場合は、入力音声と、登録されたすべての話者にそれぞ
れ適応した音素あるいは音節モデルを接続した文章また
は単語の音声モデルとの類似度をすべて比較して、最も
類似度の大きい話者を選択し、その話者が発声したもの
と判定する。
【００１４】次に図２を参照して請求項３の発明の実施
例を説明する。まず、話者登録の段階では登録すべき各
話者について、学習用音声データを特徴パラメータ抽出
部１１に入力する。学習用音声データの発声内容はあら
かじめ決めておく。特徴パラメータ抽出部１１では、入
力された音声を例えばケプストラム、ピッチなどの特徴
パラメータを用いた表現形式に変換する。次に、話者の
声の特徴を表現する方法として、複数のガウス分布を用
いる。つまり、特徴パラメータの時系列に変換された学
習用音声データが混合ガウス分布作成部１２に入力さ
れ、学習用音声データに含まれる特徴パラメータの分布
が、複数のガウス分布の組み合わせ（これを以下「混合
ガウス分布」と呼ぶ）で表現される。
例を説明する。まず、話者登録の段階では登録すべき各
話者について、学習用音声データを特徴パラメータ抽出
部１１に入力する。学習用音声データの発声内容はあら
かじめ決めておく。特徴パラメータ抽出部１１では、入
力された音声を例えばケプストラム、ピッチなどの特徴
パラメータを用いた表現形式に変換する。次に、話者の
声の特徴を表現する方法として、複数のガウス分布を用
いる。つまり、特徴パラメータの時系列に変換された学
習用音声データが混合ガウス分布作成部１２に入力さ
れ、学習用音声データに含まれる特徴パラメータの分布
が、複数のガウス分布の組み合わせ（これを以下「混合
ガウス分布」と呼ぶ）で表現される。
【００１５】次に、学習用音声データと、その発声内容
を仮名あるいは発音記号の系列で表したテキストと混合
ガウス分布とを、音素群モデル作成部１３に入力する。
音素群モデル作成部１３では、特徴パラメータの値が類
似したいくつかの音素をまとめた音素群ごとに、その特
徴パラメータの分布を混合ガウス分布の要素の重みつき
加算で表現した音素群モデルを作成し、それらの音素群
モデルを、学習用音声データのテキストに従って時間的
に接続したときに、学習用音声データの特徴パラメータ
の時系列が最も精度よく表現できるように、各要素の重
みを決定する。この方法としては、例えば文献「南泰
浩、松岡達雄、鹿野清宏：“不特定話者連続音声データ
ベースによる連結学習ＨＭＭの評価”、電子情報通信学
会音声研究会資料、ＳＰ91−113,1992」に述べられてい
る方法などを用いることができる。こうして作られた音
素群モデルは、その学習用音声を発声した話者を示す話
者ＩＤ許容範囲を推定し、その値を、類似度に関するし
きい値として、話者ＩＤとともに、しきい値蓄積部８に
蓄える。
を仮名あるいは発音記号の系列で表したテキストと混合
ガウス分布とを、音素群モデル作成部１３に入力する。
音素群モデル作成部１３では、特徴パラメータの値が類
似したいくつかの音素をまとめた音素群ごとに、その特
徴パラメータの分布を混合ガウス分布の要素の重みつき
加算で表現した音素群モデルを作成し、それらの音素群
モデルを、学習用音声データのテキストに従って時間的
に接続したときに、学習用音声データの特徴パラメータ
の時系列が最も精度よく表現できるように、各要素の重
みを決定する。この方法としては、例えば文献「南泰
浩、松岡達雄、鹿野清宏：“不特定話者連続音声データ
ベースによる連結学習ＨＭＭの評価”、電子情報通信学
会音声研究会資料、ＳＰ91−113,1992」に述べられてい
る方法などを用いることができる。こうして作られた音
素群モデルは、その学習用音声を発声した話者を示す話
者ＩＤ許容範囲を推定し、その値を、類似度に関するし
きい値として、話者ＩＤとともに、しきい値蓄積部８に
蓄える。
【００１６】次に、話者を認識する段階では、あらかじ
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４によって、新しい文章または
単語を生成して話者にそれを示し、その話者がその文章
または単語を発声し、その音声を特徴パラメータ抽出部
５に入力する。特徴パラメータ抽出部５では、入力され
た音声を、特徴パラメータ抽出部１１と同じ表現形式に
変換する。同時に、文章／単語音声モデル生成部６で
は、認識用文章／単語生成部４によって生成された文章
または単語、あるいはあらかじめ決められている文章ま
たは単語に従って、音素群モデル蓄積部３に蓄積されて
いる音素群モデルを接続し、その文章または単語の音声
モデルを生成する。その際に話者照合、すなわち本人の
声であるか否かを判定する場合は、話者に自分のＩＤを
キーなどで入力してもらい、そのＩＤに対応する登録話
者に適応した音素群モデルを文章／単語音声モデル生成
部１１に入力する。話者識別、すなわちあらかじめ登録
された誰の声であるかを判定する場合は、すべての登録
話者に対応する音素または音節のモデルを、文章／単語
音声モデル生成部１１に逐次入力する。
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４によって、新しい文章または
単語を生成して話者にそれを示し、その話者がその文章
または単語を発声し、その音声を特徴パラメータ抽出部
５に入力する。特徴パラメータ抽出部５では、入力され
た音声を、特徴パラメータ抽出部１１と同じ表現形式に
変換する。同時に、文章／単語音声モデル生成部６で
は、認識用文章／単語生成部４によって生成された文章
または単語、あるいはあらかじめ決められている文章ま
たは単語に従って、音素群モデル蓄積部３に蓄積されて
いる音素群モデルを接続し、その文章または単語の音声
モデルを生成する。その際に話者照合、すなわち本人の
声であるか否かを判定する場合は、話者に自分のＩＤを
キーなどで入力してもらい、そのＩＤに対応する登録話
者に適応した音素群モデルを文章／単語音声モデル生成
部１１に入力する。話者識別、すなわちあらかじめ登録
された誰の声であるかを判定する場合は、すべての登録
話者に対応する音素または音節のモデルを、文章／単語
音声モデル生成部１１に逐次入力する。
【００１７】その後、特徴パラメータ抽出部５で得られ
た特徴パラメータの時系列と、文章／単語音声モデル生
成部６で生成された文章または単語の音声モデルとを類
似度計算部７に入力し、類似度を計算し、さらに話者認
識判定部９で話者の同定または話者の認識は図１の場合
と同様に行う。図３に請求項４の発明の実施例を示す。
図２の実施例において、学習用音声データに含まれる特
徴パラメータの分布を混合ガウス分布で表現したが、図
３の実施例では学習用音声データの特徴パラメータの時
系列を符号帳作成部１４に入力して、学習用音声データ
に含まれる特徴パラメータの分布をベクトル量子化の符
号帳で表現する。この符号帳を前記混合ガウス分布の代
わりに音素群モデル作成部１３へ入力し、混合ガウス分
布の代わりに符号帳の要素の重みつき加算で特徴パラメ
ータの分布を表現した音素モデルを作る。その他は図２
の場合と同様である。なお、混合ガウス分布、符号帳を
作成する方法としては、例えば文献「松井知子、古井貞
煕：“ＶＱ，離散／連続ＨＭＭによるテキスト独立型話
者認識法の比較検討”、電子情報通信学会音声研究会資
料、ＳＰ91−89,1991 」に述べられている方法などを用
いることができる。
た特徴パラメータの時系列と、文章／単語音声モデル生
成部６で生成された文章または単語の音声モデルとを類
似度計算部７に入力し、類似度を計算し、さらに話者認
識判定部９で話者の同定または話者の認識は図１の場合
と同様に行う。図３に請求項４の発明の実施例を示す。
図２の実施例において、学習用音声データに含まれる特
徴パラメータの分布を混合ガウス分布で表現したが、図
３の実施例では学習用音声データの特徴パラメータの時
系列を符号帳作成部１４に入力して、学習用音声データ
に含まれる特徴パラメータの分布をベクトル量子化の符
号帳で表現する。この符号帳を前記混合ガウス分布の代
わりに音素群モデル作成部１３へ入力し、混合ガウス分
布の代わりに符号帳の要素の重みつき加算で特徴パラメ
ータの分布を表現した音素モデルを作る。その他は図２
の場合と同様である。なお、混合ガウス分布、符号帳を
作成する方法としては、例えば文献「松井知子、古井貞
煕：“ＶＱ，離散／連続ＨＭＭによるテキスト独立型話
者認識法の比較検討”、電子情報通信学会音声研究会資
料、ＳＰ91−89,1991 」に述べられている方法などを用
いることができる。
【００１８】図２，図３の実施例においても、音素群モ
デルの代わりに音節群モデルを用いてもよい。次に請求
項６の発明の実施例を図４を参照して説明する。話者の
登録する段階では、登録すべき各話者については、学習
用音声データを特徴パラメータ抽出部１１に入力して特
徴パラメータ（例えばケプストラム、ピッチなど）の時
系列に変換したのち、話者特徴計算部１５に入力し、そ
の話者の、発声内容に独立な（発声内容に依存しない）
声の特徴を抽出する。発声内容に独立な声の特徴を抽出
する方法としては、例えば文献「松井知子、古井貞煕：
“ＶＱ，離散／連続ＨＭＭによるテキスト独立型話者認
識法の比較検討”、電子情報通信学会音声研究会資料、
ＳＰ91−89,1991 」に述べられている方法、すなわち特
徴パラメータの分布を、ベクトル量子化の符号帳や、複
数のガウス分布で表現する方法を用いることができる。
抽出された声の特徴は、その話者のＩＤとともに、話者
特徴蓄積部１６に蓄えられる。
デルの代わりに音節群モデルを用いてもよい。次に請求
項６の発明の実施例を図４を参照して説明する。話者の
登録する段階では、登録すべき各話者については、学習
用音声データを特徴パラメータ抽出部１１に入力して特
徴パラメータ（例えばケプストラム、ピッチなど）の時
系列に変換したのち、話者特徴計算部１５に入力し、そ
の話者の、発声内容に独立な（発声内容に依存しない）
声の特徴を抽出する。発声内容に独立な声の特徴を抽出
する方法としては、例えば文献「松井知子、古井貞煕：
“ＶＱ，離散／連続ＨＭＭによるテキスト独立型話者認
識法の比較検討”、電子情報通信学会音声研究会資料、
ＳＰ91−89,1991 」に述べられている方法、すなわち特
徴パラメータの分布を、ベクトル量子化の符号帳や、複
数のガウス分布で表現する方法を用いることができる。
抽出された声の特徴は、その話者のＩＤとともに、話者
特徴蓄積部１６に蓄えられる。
【００１９】一方、多数の話者の音声データを、特徴パ
ラメータ抽出部１７に入力して特徴パラメータの時系列
に変換したのち、音素／音節モデル作成部１８に入力し
て、多数話者に共通、すなわち話者に独立な音素／音節
モデルを作成する。この方法としては、文献、「南泰
浩、松岡達雄、鹿野靖浩：“不特定話者連続音声データ
ベースによる連結学習ＨＭＭの評価”、電子情報通信学
会音声研究会資料、ＳＰ91−113,1992」などに述べられ
ている方法を用いることができる。つまり、学習用音声
データの発声内容はあらかじめ決めておき、その発声内
容を仮名、あるいは発音記号の系列で表したものを、音
声とともに音素／音節モデル作成部１８に入力する。各
音素あるいは音節のモデルには、音声を特徴パラメータ
の時系列で表現したもの、あるいはそれを隠れマルコフ
モデルで表現したものなどを用いる。作成された音素／
音節モデルは、音素／音節モデル蓄積部２に蓄えられ
る。
ラメータ抽出部１７に入力して特徴パラメータの時系列
に変換したのち、音素／音節モデル作成部１８に入力し
て、多数話者に共通、すなわち話者に独立な音素／音節
モデルを作成する。この方法としては、文献、「南泰
浩、松岡達雄、鹿野靖浩：“不特定話者連続音声データ
ベースによる連結学習ＨＭＭの評価”、電子情報通信学
会音声研究会資料、ＳＰ91−113,1992」などに述べられ
ている方法を用いることができる。つまり、学習用音声
データの発声内容はあらかじめ決めておき、その発声内
容を仮名、あるいは発音記号の系列で表したものを、音
声とともに音素／音節モデル作成部１８に入力する。各
音素あるいは音節のモデルには、音声を特徴パラメータ
の時系列で表現したもの、あるいはそれを隠れマルコフ
モデルで表現したものなどを用いる。作成された音素／
音節モデルは、音素／音節モデル蓄積部２に蓄えられ
る。
【００２０】次に、話者を認識する段階では、あらかじ
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４によって、新しい文章または
単語を生成して話者にそれを示し、話者がその文章また
は単語を発声し、その音声を特徴パラメータ抽出部５に
入力する。特徴パラメータ抽出部５では、入力された音
声を、特徴パラメータ抽出部１１と同じ特徴パラメータ
を用いた表現形式に変換する。一方、文章／単語音声モ
デル生成部６では、認識用文章／単語生成部４によって
生成された文章または単語、あるいはあらかじめ決めら
れている文章または単語に従って、音素／音節モデル蓄
積部２に登録されている音素または音節のモデルを接続
し、その文章または単語の音声モデルを生成する。
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４によって、新しい文章または
単語を生成して話者にそれを示し、話者がその文章また
は単語を発声し、その音声を特徴パラメータ抽出部５に
入力する。特徴パラメータ抽出部５では、入力された音
声を、特徴パラメータ抽出部１１と同じ特徴パラメータ
を用いた表現形式に変換する。一方、文章／単語音声モ
デル生成部６では、認識用文章／単語生成部４によって
生成された文章または単語、あるいはあらかじめ決めら
れている文章または単語に従って、音素／音節モデル蓄
積部２に登録されている音素または音節のモデルを接続
し、その文章または単語の音声モデルを生成する。
【００２１】特徴パラメータ抽出部５で得られた特徴パ
ラメータの時系列と、文章／単語音声モデル生成部６で
生成された文章または単語の音声モデルは、発声内容類
似度計算部１９に入力されて、両者の類似の度合いが計
算される。この具体的方法としては、例えば文献「中川
聖一：“確率モデルによる音声認識”、第3.1.3 項、p
p. 40−50，電子情報通信学会、1988」に述べられてい
る方法などを用いることができる。計算された類似度の
値は、一旦、発声内容類似度蓄積部２１に蓄えられる。
ラメータの時系列と、文章／単語音声モデル生成部６で
生成された文章または単語の音声モデルは、発声内容類
似度計算部１９に入力されて、両者の類似の度合いが計
算される。この具体的方法としては、例えば文献「中川
聖一：“確率モデルによる音声認識”、第3.1.3 項、p
p. 40−50，電子情報通信学会、1988」に述べられてい
る方法などを用いることができる。計算された類似度の
値は、一旦、発声内容類似度蓄積部２１に蓄えられる。
【００２２】一方、特徴パラメータ抽出部５で得られた
特徴パラメータの時系列と、話者特徴蓄積部１６に蓄え
られている各話者の声の特徴とが、話者類似度計算部２
２に送られる。話者類似度計算部２２では、話者照合の
場合は話者ＩＤを用いて、その話者の声の特徴との類似
度が計算される。話者識別の場合は、話者特徴蓄積部１
６に蓄積されているすべての話者の声の特徴との類似度
が計算される。計算された類似度の値は、一旦、話者類
似度蓄積部２３に蓄えられる。
特徴パラメータの時系列と、話者特徴蓄積部１６に蓄え
られている各話者の声の特徴とが、話者類似度計算部２
２に送られる。話者類似度計算部２２では、話者照合の
場合は話者ＩＤを用いて、その話者の声の特徴との類似
度が計算される。話者識別の場合は、話者特徴蓄積部１
６に蓄積されているすべての話者の声の特徴との類似度
が計算される。計算された類似度の値は、一旦、話者類
似度蓄積部２３に蓄えられる。
【００２３】次に、発声内容類似度蓄積部２１に蓄えら
れている発声内容の類似度と、話者類似度蓄積部２３に
蓄えられている話者の声の特徴との類似度が、類似度組
合わせ部２４に入力され、総合的類似度が計算される。
総合的類似度を計算する方法としては、種々のものが考
えられる。例えば（１）両者の類似度の重みつき平均値
を計算する、（２）発声内容類似度にあらかじめしきい
値を設けておいて、類似度がしきい値よりも小さい場合
は総合的類似度に０のような極めて小さい値を与え、類
似度がしきい値を越えた場合のみ、話者類似度の値を総
合的類似度として用いる、などが考えられる。計算され
た総合的類似度を、話者認識判定部２５に入力し、話者
認識の判定を行う。話者照合を行う場合は、しきい値蓄
積部１０から、話者ＩＤに従って、その本人の声とみな
せる類似度の変動の範囲を示すしきい値を読み出して、
上記のようにして計算された総合的類似度と比較し、総
合的類似度の値が読み出されたしきい値よりも大きけれ
ばそれは本人の音声であると判定し、しきい値よりも小
さければ他人の音声であると判定する。話者識別の場合
は、入力音声と、登録（蓄積）されているすべての話者
との総合的類似度をすべて比較して、最も総合的類似度
の大きい話者を選択し、その話者が発声したものと判定
する。
れている発声内容の類似度と、話者類似度蓄積部２３に
蓄えられている話者の声の特徴との類似度が、類似度組
合わせ部２４に入力され、総合的類似度が計算される。
総合的類似度を計算する方法としては、種々のものが考
えられる。例えば（１）両者の類似度の重みつき平均値
を計算する、（２）発声内容類似度にあらかじめしきい
値を設けておいて、類似度がしきい値よりも小さい場合
は総合的類似度に０のような極めて小さい値を与え、類
似度がしきい値を越えた場合のみ、話者類似度の値を総
合的類似度として用いる、などが考えられる。計算され
た総合的類似度を、話者認識判定部２５に入力し、話者
認識の判定を行う。話者照合を行う場合は、しきい値蓄
積部１０から、話者ＩＤに従って、その本人の声とみな
せる類似度の変動の範囲を示すしきい値を読み出して、
上記のようにして計算された総合的類似度と比較し、総
合的類似度の値が読み出されたしきい値よりも大きけれ
ばそれは本人の音声であると判定し、しきい値よりも小
さければ他人の音声であると判定する。話者識別の場合
は、入力音声と、登録（蓄積）されているすべての話者
との総合的類似度をすべて比較して、最も総合的類似度
の大きい話者を選択し、その話者が発声したものと判定
する。
【００２４】次に図５を参照して請求項８に関する発明
の実施例を説明する。まず、話者登録の段階では、登録
すべき各話者について、学習用音声データを特徴パラメ
ータ抽出部１１に入力する。学習用音声データの発声内
容はあらかじめ決めておく。特徴パラメータ抽出部１１
では、入力された音声を例えばケプストラム、ピッチな
どの特徴パラメータを用いた表現形式に変換する。次
に、特徴パラメータの時系列に変換された学習用音声デ
ータを教師つき話者適応部１に入力し、その話者に適応
した音素あるいは音節のモデルを作成する。不特定話者
用音素／音節モデル蓄積部２には、あらかじめ多数話者
の音声から作成した各音素あるいは音節のモデルを蓄積
しておく。各音素あるいは音節のモデルとしては、音声
を特徴パラメータの時系列で表現したもの、あるいはこ
れを隠れマルコフモデルで表現したものその他、種々の
表現形式のものを採用することができる。これらの音素
／音節モデルを、登録すべき話者に適応させる方法とし
ては、すでに確立されている種々の方法、例えば文献
「Jean-Luc Gauvain and Chin-Hui Lee:“Improved Aco
ustic Modeling With Bayesian Learing, Proc. IEEE I
CASSP 92,1992 」に述べられている方法がある。話者に
適応した音素あるいは音節のモデルは、適応化音素／音
節モデル蓄積部３に登録される。さらに、適応化音素／
音節モデルを接続したものと学習用音声データの特徴パ
ラメータ時系列との間の誤差から、音声の変動許容範囲
を推定し、この値を類似度に関するしきい値として話者
ＩＤとともにしきい値蓄積部１０に蓄える。
の実施例を説明する。まず、話者登録の段階では、登録
すべき各話者について、学習用音声データを特徴パラメ
ータ抽出部１１に入力する。学習用音声データの発声内
容はあらかじめ決めておく。特徴パラメータ抽出部１１
では、入力された音声を例えばケプストラム、ピッチな
どの特徴パラメータを用いた表現形式に変換する。次
に、特徴パラメータの時系列に変換された学習用音声デ
ータを教師つき話者適応部１に入力し、その話者に適応
した音素あるいは音節のモデルを作成する。不特定話者
用音素／音節モデル蓄積部２には、あらかじめ多数話者
の音声から作成した各音素あるいは音節のモデルを蓄積
しておく。各音素あるいは音節のモデルとしては、音声
を特徴パラメータの時系列で表現したもの、あるいはこ
れを隠れマルコフモデルで表現したものその他、種々の
表現形式のものを採用することができる。これらの音素
／音節モデルを、登録すべき話者に適応させる方法とし
ては、すでに確立されている種々の方法、例えば文献
「Jean-Luc Gauvain and Chin-Hui Lee:“Improved Aco
ustic Modeling With Bayesian Learing, Proc. IEEE I
CASSP 92,1992 」に述べられている方法がある。話者に
適応した音素あるいは音節のモデルは、適応化音素／音
節モデル蓄積部３に登録される。さらに、適応化音素／
音節モデルを接続したものと学習用音声データの特徴パ
ラメータ時系列との間の誤差から、音声の変動許容範囲
を推定し、この値を類似度に関するしきい値として話者
ＩＤとともにしきい値蓄積部１０に蓄える。
【００２５】ここで、特徴パラメータの時系列に変換さ
れた学習用音声データは発声内容独立モデル作成部２６
にも入力され、発声内容に独立な音声モデルが生成され
る。そして、これらのモデルは発声内容独立モデル蓄積
部２７に蓄えられる。次に、適応化音素／音節モデル蓄
積部３から送りだされる適応化音素／音節モデルを接続
したものと学習用音声データの特徴パラメータ時系列と
の間の誤差と、発声内容独立モデル蓄積部２７から送り
だされる発声内容に独立な音声モデルと学習音声データ
の特徴パラメータ時系列との間の誤差から、発声内容の
違いによる類似度の変動許容範囲を推定し、この値を発
声内容判定用しきい値として話者ＩＤとともに発声内容
判定用しきい値蓄積部２８に蓄える。
れた学習用音声データは発声内容独立モデル作成部２６
にも入力され、発声内容に独立な音声モデルが生成され
る。そして、これらのモデルは発声内容独立モデル蓄積
部２７に蓄えられる。次に、適応化音素／音節モデル蓄
積部３から送りだされる適応化音素／音節モデルを接続
したものと学習用音声データの特徴パラメータ時系列と
の間の誤差と、発声内容独立モデル蓄積部２７から送り
だされる発声内容に独立な音声モデルと学習音声データ
の特徴パラメータ時系列との間の誤差から、発声内容の
違いによる類似度の変動許容範囲を推定し、この値を発
声内容判定用しきい値として話者ＩＤとともに発声内容
判定用しきい値蓄積部２８に蓄える。
【００２６】次に、話者を認識する段階では、あらかじ
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４によって、新しい文章または
単語を生成して話者にそれを示し、話者がその文章また
は単語を発声し、その音声を特徴パラメータ抽出部５に
入力する。特徴パラメータ抽出部５は入力された音声を
特徴パラメータ抽出部１１と同じ表現形式に変換する。
一方、文章／単語音声モデル作成部６では、認識用文章
／単語生成部４により生成された文章または単語、ある
いはあらかじめ決められている文章または単語に従っ
て、適応化音素／音節モデル蓄積部３に登録されている
音素または音節のモデルを接続し、その文章または単語
の音声モデルを作成する。その際、話者照合、すなわち
本人の声であるか否かを判定する場合は、話者に話者自
身のＩＤをキーその他により入力してもらい、そのＩＤ
に対応する登録話者に適応した音素または音節のモデル
を文章／単語音声モデル生成部６に入力する。話者識
別、すなわち、あらかじめ登録された誰の声であるかを
判定する場合は、すべての登録話者に対応する音素また
は音節のモデルを文章／単語音声モデル生成部６に入力
する。
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４によって、新しい文章または
単語を生成して話者にそれを示し、話者がその文章また
は単語を発声し、その音声を特徴パラメータ抽出部５に
入力する。特徴パラメータ抽出部５は入力された音声を
特徴パラメータ抽出部１１と同じ表現形式に変換する。
一方、文章／単語音声モデル作成部６では、認識用文章
／単語生成部４により生成された文章または単語、ある
いはあらかじめ決められている文章または単語に従っ
て、適応化音素／音節モデル蓄積部３に登録されている
音素または音節のモデルを接続し、その文章または単語
の音声モデルを作成する。その際、話者照合、すなわち
本人の声であるか否かを判定する場合は、話者に話者自
身のＩＤをキーその他により入力してもらい、そのＩＤ
に対応する登録話者に適応した音素または音節のモデル
を文章／単語音声モデル生成部６に入力する。話者識
別、すなわち、あらかじめ登録された誰の声であるかを
判定する場合は、すべての登録話者に対応する音素また
は音節のモデルを文章／単語音声モデル生成部６に入力
する。
【００２７】特徴パラメータ抽出部５で得られた特徴パ
ラメータの時系列と、文章／単語音声モデル生成部６で
生成された文章または単語の音声モデルとは、類似度計
算部７に入力されて、両者の類似の度合が計算される。
この具体的方法としては、例えば文献「中川聖一：“確
率モデルによる音声認識”、第3.1.3 項、pp. 40-50、
電子情報通信学会、1988」に述べられている方法を用い
ることができる。計算された類似度の値は、類似度正規
化部３０、話者認識判定部９に送られる。同時に、特徴
パラメータ抽出部５で得られた特徴パラメータの時系列
を、発声内容独立モデル蓄積部２７に蓄えられている発
声内容に独立な音声モデルと共に、正規化用類似度計算
部２９に入力し、正規化用類似度を計算してこの値を類
似度正規化部３０に入力する。類似度正規化部３０で
は、類似度計算部７から送られた類似度の値から、正規
化用類似度計算部２９から送られた正規化用類似度の値
を差し引くことによって類似度の正規化を行なう。正規
化された類似度の値は発声内容判定部３１に入力され
る。発声内容判定部３１では、正規化された類似度の値
を、発声内容判定用しきい値蓄積部２８から送られた発
声内容判定用しきい値と比較し、正規化された類似度の
値が発声内容判定用しきい値よりも大きい場合にこれを
正しい発声内容であると判定し、小さい場合はこれを誤
った発声内容であると判定する。その判定結果は話者認
識判定部９に送られる。話者認識判定部９では、類似度
計算部７から送られてきた類似度の値をもとに、話者照
合の場合は話者ＩＤを用いて、しきい値蓄積部１０か
ら、その本人の声とみなせる類似度の変動の範囲を示す
しきい値を読み出して、上記のように計算された、本人
の適応化音素あるいは音節モデルを接続した文章または
単語の音声モデルと、認識用文章あるいは単語の入力音
声との類似度とを比較し、類似度の値が読み出されたし
きい値よりも大きければそれは本人の音声であると判定
し、しきい値よりも小さければ他人の音声であると判定
する。話者識別の場合は、入力音声と、登録された全て
の話者のそれぞれの適応化音素あるいは音節モデルを接
続した文章または単語の音声モデルとの間の類似度をす
べて比較して、最も類似度の大きい話者を選択し、その
話者が発声したものと判定する。さらに、それらの判定
結果と、発声内容判定部３１から送られた判定結果と併
せて、総合的に話者認識判定を行なう。
ラメータの時系列と、文章／単語音声モデル生成部６で
生成された文章または単語の音声モデルとは、類似度計
算部７に入力されて、両者の類似の度合が計算される。
この具体的方法としては、例えば文献「中川聖一：“確
率モデルによる音声認識”、第3.1.3 項、pp. 40-50、
電子情報通信学会、1988」に述べられている方法を用い
ることができる。計算された類似度の値は、類似度正規
化部３０、話者認識判定部９に送られる。同時に、特徴
パラメータ抽出部５で得られた特徴パラメータの時系列
を、発声内容独立モデル蓄積部２７に蓄えられている発
声内容に独立な音声モデルと共に、正規化用類似度計算
部２９に入力し、正規化用類似度を計算してこの値を類
似度正規化部３０に入力する。類似度正規化部３０で
は、類似度計算部７から送られた類似度の値から、正規
化用類似度計算部２９から送られた正規化用類似度の値
を差し引くことによって類似度の正規化を行なう。正規
化された類似度の値は発声内容判定部３１に入力され
る。発声内容判定部３１では、正規化された類似度の値
を、発声内容判定用しきい値蓄積部２８から送られた発
声内容判定用しきい値と比較し、正規化された類似度の
値が発声内容判定用しきい値よりも大きい場合にこれを
正しい発声内容であると判定し、小さい場合はこれを誤
った発声内容であると判定する。その判定結果は話者認
識判定部９に送られる。話者認識判定部９では、類似度
計算部７から送られてきた類似度の値をもとに、話者照
合の場合は話者ＩＤを用いて、しきい値蓄積部１０か
ら、その本人の声とみなせる類似度の変動の範囲を示す
しきい値を読み出して、上記のように計算された、本人
の適応化音素あるいは音節モデルを接続した文章または
単語の音声モデルと、認識用文章あるいは単語の入力音
声との類似度とを比較し、類似度の値が読み出されたし
きい値よりも大きければそれは本人の音声であると判定
し、しきい値よりも小さければ他人の音声であると判定
する。話者識別の場合は、入力音声と、登録された全て
の話者のそれぞれの適応化音素あるいは音節モデルを接
続した文章または単語の音声モデルとの間の類似度をす
べて比較して、最も類似度の大きい話者を選択し、その
話者が発声したものと判定する。さらに、それらの判定
結果と、発声内容判定部３１から送られた判定結果と併
せて、総合的に話者認識判定を行なう。
【００２８】次に、図６を参照してこの発明の実施例を
説明する。先ず、話者登録の段階においては、登録すべ
き各話者について学習用音声データを特徴パラメータ抽
出部１１に入力する。学習用音声データの発声内容はあ
らかじめ決めておく。特徴パラメータ抽出部１１は入力
された音声を例えばケプストラム、ピッチその他の特徴
パラメータを用いた表現形式に変換する。次に、話者の
声の特徴を表現する方法として、請求項３の発明では複
数のガウス分布、請求項４の発明ではベクトル量子化の
符号帳を用いる。即ち、特徴パラメータの時系列に変換
された学習用音声データが混合ガウス分布／符号帳作成
部３２に入力され、学習用音声データに含まれる特徴パ
ラメータの分布が複数のガウス分布の組合せ、あるいは
ベクトル量子化の符号帳（これらを以下「混合ガウス分
布／符号帳」と呼ぶ）で表現される。複数の混合ガウス
分布の組合せ、あるいは符号帳を作成する方法として
は、例えば文献「松井知子、古井貞煕： “ＶＱ、離散
／連続ＨＭＭによるテキスト独立形話者認識法の比較検
討”、電子情報通信学会音声研究会資料、SP91-89 、19
91」に述べられている方法を用いることができる。混合
ガウス分布／符号帳作成部３２で作成された混合ガウス
分布／符号帳は発声内容に独立な音声モデルとして発声
内容独立モデル蓄積部２７に蓄えられる。
説明する。先ず、話者登録の段階においては、登録すべ
き各話者について学習用音声データを特徴パラメータ抽
出部１１に入力する。学習用音声データの発声内容はあ
らかじめ決めておく。特徴パラメータ抽出部１１は入力
された音声を例えばケプストラム、ピッチその他の特徴
パラメータを用いた表現形式に変換する。次に、話者の
声の特徴を表現する方法として、請求項３の発明では複
数のガウス分布、請求項４の発明ではベクトル量子化の
符号帳を用いる。即ち、特徴パラメータの時系列に変換
された学習用音声データが混合ガウス分布／符号帳作成
部３２に入力され、学習用音声データに含まれる特徴パ
ラメータの分布が複数のガウス分布の組合せ、あるいは
ベクトル量子化の符号帳（これらを以下「混合ガウス分
布／符号帳」と呼ぶ）で表現される。複数の混合ガウス
分布の組合せ、あるいは符号帳を作成する方法として
は、例えば文献「松井知子、古井貞煕： “ＶＱ、離散
／連続ＨＭＭによるテキスト独立形話者認識法の比較検
討”、電子情報通信学会音声研究会資料、SP91-89 、19
91」に述べられている方法を用いることができる。混合
ガウス分布／符号帳作成部３２で作成された混合ガウス
分布／符号帳は発声内容に独立な音声モデルとして発声
内容独立モデル蓄積部２７に蓄えられる。
【００２９】次に、学習用音声データと、その発声内容
を仮名あるいは発音記号の系列で表現したテキストと混
合ガウス分布／符号帳とを、音素群モデル生成部１３に
入力する。音素群モデル生成部１３では、特徴パラメー
タの値が類似したいくつかの音素をまとめた音素群ごと
に、その特徴パラメータの分布を混合ガウス分布／符号
帳の要素の重みつき加算で表現した音素群モデルを作成
し、これらの音素群モデルを、学習用音声データのテキ
ストに従って時間的に接続したときに、学習用音声デー
タの特徴パラメータの時系列が最も精度よく表現できる
ように、各要素の重みを決定する。この方法としては、
例えば文献「南泰浩、松岡達雄、鹿野清宏： “不特定
話者連続音声データベースによる連結学習ＨＭＭの評
価”、電子情報通信学会音声研究会資料、SP91-113, 19
92」に述べられている方法を用いることができる。こう
して作られた音素群モデルは、その学習用音声を発声し
た話者を示す話者ＩＤとともに音素群モデル蓄積部３に
蓄えられる。さらに、音素群モデルを接続したものと学
習用音声データの特徴パラメータ時系列との間の誤差か
ら音声の変動許容範囲を推定し、この値を類似度に関す
るしきい値として、話者ＩＤとともにしきい値蓄積部１
０に蓄える。さらに、音素群モデルを接続したものと学
習用音声データの特徴パラメータ時系列との間の誤差
と、発声内容独立モデル蓄積部２７から送りだされた発
声内容に独立な音声モデルと学習音声データの特徴パラ
メータ時系列との間の誤差から、発声内容の違いによる
類似度の変動許容範囲を推定し、この値を発声内容判定
用しきい値として、話者ＩＤとともに発声内容判定用し
きい値蓄積部２８に蓄える。
を仮名あるいは発音記号の系列で表現したテキストと混
合ガウス分布／符号帳とを、音素群モデル生成部１３に
入力する。音素群モデル生成部１３では、特徴パラメー
タの値が類似したいくつかの音素をまとめた音素群ごと
に、その特徴パラメータの分布を混合ガウス分布／符号
帳の要素の重みつき加算で表現した音素群モデルを作成
し、これらの音素群モデルを、学習用音声データのテキ
ストに従って時間的に接続したときに、学習用音声デー
タの特徴パラメータの時系列が最も精度よく表現できる
ように、各要素の重みを決定する。この方法としては、
例えば文献「南泰浩、松岡達雄、鹿野清宏： “不特定
話者連続音声データベースによる連結学習ＨＭＭの評
価”、電子情報通信学会音声研究会資料、SP91-113, 19
92」に述べられている方法を用いることができる。こう
して作られた音素群モデルは、その学習用音声を発声し
た話者を示す話者ＩＤとともに音素群モデル蓄積部３に
蓄えられる。さらに、音素群モデルを接続したものと学
習用音声データの特徴パラメータ時系列との間の誤差か
ら音声の変動許容範囲を推定し、この値を類似度に関す
るしきい値として、話者ＩＤとともにしきい値蓄積部１
０に蓄える。さらに、音素群モデルを接続したものと学
習用音声データの特徴パラメータ時系列との間の誤差
と、発声内容独立モデル蓄積部２７から送りだされた発
声内容に独立な音声モデルと学習音声データの特徴パラ
メータ時系列との間の誤差から、発声内容の違いによる
類似度の変動許容範囲を推定し、この値を発声内容判定
用しきい値として、話者ＩＤとともに発声内容判定用し
きい値蓄積部２８に蓄える。
【００３０】次に、話者を認識する段階では、あらかじ
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４により新しい文章または単語
を生成して話者にこれを示し、その話者がその文章また
は単語を発声し、その音声を特徴パラメータ抽出部５に
入力する。特徴パラメータ抽出部５は入力された音声を
特徴パラメータ抽出部１１と同じ表現形式に変換する。
これと同時に、文章／単語音声モデル生成部６は、認識
用文章／単語生成部４により生成された文章または単
語、あるいはあらかじめ決められている文章または単語
に従って、音素群モデル蓄積部３に蓄積されている音素
群モデルを接続し、その文章または単語の音声モデルを
生成する。ここで、話者照合すなわち本人の声であるか
否かを判定する場合は、話者に話者自身のＩＤをキーそ
の他の入力手段により入力してもらい、そのＩＤに対応
する登録話者の音素群モデルを文章／単語音声モデル生
成部６に入力する。話者識別、すなわちあらかじめ登録
された誰の声であるかを判定する場合は、すべての登録
話者に対応する音素または音節のモデルを、文章／単語
音声モデル生成部６に逐次入力する。
め発声すべき文章または単語を決めておくか、あるいは
認識用文章／単語生成部４により新しい文章または単語
を生成して話者にこれを示し、その話者がその文章また
は単語を発声し、その音声を特徴パラメータ抽出部５に
入力する。特徴パラメータ抽出部５は入力された音声を
特徴パラメータ抽出部１１と同じ表現形式に変換する。
これと同時に、文章／単語音声モデル生成部６は、認識
用文章／単語生成部４により生成された文章または単
語、あるいはあらかじめ決められている文章または単語
に従って、音素群モデル蓄積部３に蓄積されている音素
群モデルを接続し、その文章または単語の音声モデルを
生成する。ここで、話者照合すなわち本人の声であるか
否かを判定する場合は、話者に話者自身のＩＤをキーそ
の他の入力手段により入力してもらい、そのＩＤに対応
する登録話者の音素群モデルを文章／単語音声モデル生
成部６に入力する。話者識別、すなわちあらかじめ登録
された誰の声であるかを判定する場合は、すべての登録
話者に対応する音素または音節のモデルを、文章／単語
音声モデル生成部６に逐次入力する。
【００３１】その後、特徴パラメータ抽出部５で得られ
た特徴パラメータの時系列と、文章／単語音声モデル生
成部６で生成された文章または単語の音声モデルとを類
似度計算部７に入力し、類似度を計算し、その値を類似
度正規化部３０、話者認識判定部９に入力する。同時
に、特徴パラメータ抽出部５で得られた特徴パラメータ
の時系列を、発声内容独立モデル蓄積部２７に蓄えられ
ている発声内容に独立な音声モデルとともに正規化用類
似度計算部２９に入力し、正規化用類似度を計算し、そ
の値を類似度正規化部３０に入力する。類似度正規化部
３０では、類似度計算部７から送られた類似度の値か
ら、正規化用類似度計算部２９から送られた類似度の値
を差し引くことにより類似度の正規化を行なう。さら
に、正規化された類似度の値は発声内容判定部３１に入
力される。発声内容判定部３１では、正規化された類似
度の値を、発声内容判定用しきい値蓄積部２８から送ら
れた発声内容判定用しきい値と比較し、正規化された類
似度の値が発声内容判定用しきい値よりも大きい場合は
これを正しい発声内容であると判定し、小さい場合はこ
れを誤った発声内容であると判定する。その判定結果は
話者認識判定部９に送られる。話者認識判定部９では、
類似度計算部７から送られてきた類似度の値をもとに、
話者照合の場合は話者ＩＤを用いて、しきい値蓄積部１
０から、その本人の声とみなせる類似度の変動の範囲を
示すしきい値を読み出して、上記のように計算された、
本人の音素あるいは音節群モデルを接続した文章または
単語の音声モデルと、認識用文章あるいは単語の入力音
声との類似度とを比較し、類似度の値が読み出されたし
きい値よりも大きければそれは本人の音声であると判定
し、しきい値よりも小さければ他人の音声であると判定
する。話者識別の場合は、入力音声と、登録された全て
の話者にそれぞれ適応した音素あるいは音節群モデルを
接続した文章または単語の音声モデルとの類似度をすべ
て比較して、最も類似度の大きい話者を選択し、その話
者が発声したものと判定する。さらに、それらの判定結
果と、発声内容判定部３１から送られた判定結果と併せ
て、総合的に話者認識判定を行なう。
た特徴パラメータの時系列と、文章／単語音声モデル生
成部６で生成された文章または単語の音声モデルとを類
似度計算部７に入力し、類似度を計算し、その値を類似
度正規化部３０、話者認識判定部９に入力する。同時
に、特徴パラメータ抽出部５で得られた特徴パラメータ
の時系列を、発声内容独立モデル蓄積部２７に蓄えられ
ている発声内容に独立な音声モデルとともに正規化用類
似度計算部２９に入力し、正規化用類似度を計算し、そ
の値を類似度正規化部３０に入力する。類似度正規化部
３０では、類似度計算部７から送られた類似度の値か
ら、正規化用類似度計算部２９から送られた類似度の値
を差し引くことにより類似度の正規化を行なう。さら
に、正規化された類似度の値は発声内容判定部３１に入
力される。発声内容判定部３１では、正規化された類似
度の値を、発声内容判定用しきい値蓄積部２８から送ら
れた発声内容判定用しきい値と比較し、正規化された類
似度の値が発声内容判定用しきい値よりも大きい場合は
これを正しい発声内容であると判定し、小さい場合はこ
れを誤った発声内容であると判定する。その判定結果は
話者認識判定部９に送られる。話者認識判定部９では、
類似度計算部７から送られてきた類似度の値をもとに、
話者照合の場合は話者ＩＤを用いて、しきい値蓄積部１
０から、その本人の声とみなせる類似度の変動の範囲を
示すしきい値を読み出して、上記のように計算された、
本人の音素あるいは音節群モデルを接続した文章または
単語の音声モデルと、認識用文章あるいは単語の入力音
声との類似度とを比較し、類似度の値が読み出されたし
きい値よりも大きければそれは本人の音声であると判定
し、しきい値よりも小さければ他人の音声であると判定
する。話者識別の場合は、入力音声と、登録された全て
の話者にそれぞれ適応した音素あるいは音節群モデルを
接続した文章または単語の音声モデルとの類似度をすべ
て比較して、最も類似度の大きい話者を選択し、その話
者が発声したものと判定する。さらに、それらの判定結
果と、発声内容判定部３１から送られた判定結果と併せ
て、総合的に話者認識判定を行なう。
【００３２】次に、図７を参照して請求項８の発明を請
求項６および７に関する発明に適用した実施例を説明す
る。話者を登録する段階では、登録すべき各話者につい
ては、それぞれの学習用音声データを特徴パラメータ抽
出部１１に入力して特徴パラメータ（例えばケプストラ
ム、ピッチ）の時系列に変換したのち、話者特徴計算部
１５に入力し、その話者の、発声内容に独立な（発声内
容に依存しない）声の特徴を抽出する。発声内容に独立
な声の特徴を抽出する方法としては、例えば、文献「松
井知子、古井貞煕：“ＶＱ、離散／連続ＨＭＭによるテ
キスト独立形話者認識法の比較検討”、電子情報通信学
会音声研究会資料、SP91-89 、1991」に述べられている
方法、すなわち特徴パラメータの分布をベクトル量子化
の符号帳、複数のガウス分布で表現する方法を用いるこ
とができる。抽出された声の特徴は、その話者のＩＤと
ともに話者特徴蓄積部１６に蓄えられる。
求項６および７に関する発明に適用した実施例を説明す
る。話者を登録する段階では、登録すべき各話者につい
ては、それぞれの学習用音声データを特徴パラメータ抽
出部１１に入力して特徴パラメータ（例えばケプストラ
ム、ピッチ）の時系列に変換したのち、話者特徴計算部
１５に入力し、その話者の、発声内容に独立な（発声内
容に依存しない）声の特徴を抽出する。発声内容に独立
な声の特徴を抽出する方法としては、例えば、文献「松
井知子、古井貞煕：“ＶＱ、離散／連続ＨＭＭによるテ
キスト独立形話者認識法の比較検討”、電子情報通信学
会音声研究会資料、SP91-89 、1991」に述べられている
方法、すなわち特徴パラメータの分布をベクトル量子化
の符号帳、複数のガウス分布で表現する方法を用いるこ
とができる。抽出された声の特徴は、その話者のＩＤと
ともに話者特徴蓄積部１６に蓄えられる。
【００３３】一方、多数の話者の音声データを特徴パラ
メータ抽出部１７に入力して特徴パラメータの時系列に
変換したのち、音素／音節モデル作成部１８に入力して
多数話者に共通の、すなわち話者に独立な音素／音節モ
デルを作成する。この方法としては、例えば、文献「南
泰浩、松岡達雄、鹿野清宏： “不特定話者連続音声デ
ータベースによる連結学習ＨＭＭの評価”、電子情報通
信学会音声研究会資料、SP91-113, 1992」に述べられて
いる方法を用いることができる。この場合、学習用音声
データの発声内容はあらかじめ決めておき、その発声内
容を仮名、あるいは発音記号の系列で表したものを、音
声とともに音素／音節モデル作成部１８に入力する。各
音素あるいは音節のモデルには、音声を特徴パラメータ
の時系列で表現したもの、あるいはそれを隠れマルコフ
モデルで表現したものがある。作成された音素／音節モ
デルは音素／音節モデル蓄積部２に蓄えられる。
メータ抽出部１７に入力して特徴パラメータの時系列に
変換したのち、音素／音節モデル作成部１８に入力して
多数話者に共通の、すなわち話者に独立な音素／音節モ
デルを作成する。この方法としては、例えば、文献「南
泰浩、松岡達雄、鹿野清宏： “不特定話者連続音声デ
ータベースによる連結学習ＨＭＭの評価”、電子情報通
信学会音声研究会資料、SP91-113, 1992」に述べられて
いる方法を用いることができる。この場合、学習用音声
データの発声内容はあらかじめ決めておき、その発声内
容を仮名、あるいは発音記号の系列で表したものを、音
声とともに音素／音節モデル作成部１８に入力する。各
音素あるいは音節のモデルには、音声を特徴パラメータ
の時系列で表現したもの、あるいはそれを隠れマルコフ
モデルで表現したものがある。作成された音素／音節モ
デルは音素／音節モデル蓄積部２に蓄えられる。
【００３４】これと同時に、特徴パラメータ抽出部１７
で抽出された特徴パラメータの時系列は発声内容独立モ
デル作成部２６に入力され、発声内容に独立な音声モデ
ルが生成される。そして、それらのモデルは発声内容独
立モデル蓄積部２７に蓄えられる。次に、音素／音節モ
デル蓄積部２から送られた音素／音節モデルと、発声内
容独立モデル蓄積部２７から送られた発声内容独立モデ
ルとから、発声内容の違いによる類似度の変動許容範囲
を推定し、この値を発声内容判定用しきい値として発声
内容判定用しきい値蓄積部２８に蓄える。
で抽出された特徴パラメータの時系列は発声内容独立モ
デル作成部２６に入力され、発声内容に独立な音声モデ
ルが生成される。そして、それらのモデルは発声内容独
立モデル蓄積部２７に蓄えられる。次に、音素／音節モ
デル蓄積部２から送られた音素／音節モデルと、発声内
容独立モデル蓄積部２７から送られた発声内容独立モデ
ルとから、発声内容の違いによる類似度の変動許容範囲
を推定し、この値を発声内容判定用しきい値として発声
内容判定用しきい値蓄積部２８に蓄える。
【００３５】話者を認識する段階では、あらかじめ発声
すべき文章または単語を決めておくか、あるいは認識用
文章／単語生成部４により新しい文章または単語を生成
して話者にそれを示し、話者がその文章または単語を発
声し、その音声を特徴パラメータ抽出部５に入力する。
特徴パラメータ抽出部５では、入力された音声を特徴パ
ラメータ抽出部１１と同じ特徴パラメータを用いた表現
形式に変換する。一方において、文章／単語音声モデル
生成部６では、認識用文章／単語生成部４により生成さ
れた文章または単語、あるいはあらかじめ決められてい
る文章または単語に従って音素／音節モデル蓄積部２に
登録されている音素または音節のモデルを接続し、その
文章または単語の音声モデルを生成する。特徴パラメー
タ抽出部５で得られた特徴パラメータの時系列と、文章
／単語音声モデル生成部６で生成された文章または単語
の音声モデルとは発声内容類似度計算部１９に入力され
て、両者の類似の度合いが計算される。この具体的方法
としては、例えば、文献「中川聖一：“確率モデルによ
る音声認識”、第3.1.3 項、pp. 40-50 、電子情報通信
学会、1988」に述べられている方法を用いることができ
る。計算された類似度の値は、類似度正規化部３０に送
られる。これと同時に特徴パラメータ抽出部５で得られ
た特徴パラメータの時系列を、発声内容独立モデル蓄積
部２７に蓄えられている発声内容に独立な音声モデルと
ともに正規化用類似度計算部２９に入力し、正規化用類
似度を計算し、その値を類似度正規化部３０に入力す
る。類似度正規化部３０では、発声内容類似度計算部１
９から送られた類似度の値から、正規化用類似度計算部
２９から送られた正規化用類似度の値を差し引くことに
より類似度の正規化を行なう。正規化された類似度の値
は発声内容判定部３１に入力される。発声内容判定部３
１では、正規化された類似度の値を、発声内容判定用し
きい値蓄積部２８から送られた発声内容判定用しきい値
と比較し、正規化された類似度の値が発声内容判定用し
きい値よりも大きい場合はこれを正しい発声内容である
と判定し、小さい場合はこれを誤った発声内容であると
判定する。その判定結果は話者認識判定部２５に送られ
る。
すべき文章または単語を決めておくか、あるいは認識用
文章／単語生成部４により新しい文章または単語を生成
して話者にそれを示し、話者がその文章または単語を発
声し、その音声を特徴パラメータ抽出部５に入力する。
特徴パラメータ抽出部５では、入力された音声を特徴パ
ラメータ抽出部１１と同じ特徴パラメータを用いた表現
形式に変換する。一方において、文章／単語音声モデル
生成部６では、認識用文章／単語生成部４により生成さ
れた文章または単語、あるいはあらかじめ決められてい
る文章または単語に従って音素／音節モデル蓄積部２に
登録されている音素または音節のモデルを接続し、その
文章または単語の音声モデルを生成する。特徴パラメー
タ抽出部５で得られた特徴パラメータの時系列と、文章
／単語音声モデル生成部６で生成された文章または単語
の音声モデルとは発声内容類似度計算部１９に入力され
て、両者の類似の度合いが計算される。この具体的方法
としては、例えば、文献「中川聖一：“確率モデルによ
る音声認識”、第3.1.3 項、pp. 40-50 、電子情報通信
学会、1988」に述べられている方法を用いることができ
る。計算された類似度の値は、類似度正規化部３０に送
られる。これと同時に特徴パラメータ抽出部５で得られ
た特徴パラメータの時系列を、発声内容独立モデル蓄積
部２７に蓄えられている発声内容に独立な音声モデルと
ともに正規化用類似度計算部２９に入力し、正規化用類
似度を計算し、その値を類似度正規化部３０に入力す
る。類似度正規化部３０では、発声内容類似度計算部１
９から送られた類似度の値から、正規化用類似度計算部
２９から送られた正規化用類似度の値を差し引くことに
より類似度の正規化を行なう。正規化された類似度の値
は発声内容判定部３１に入力される。発声内容判定部３
１では、正規化された類似度の値を、発声内容判定用し
きい値蓄積部２８から送られた発声内容判定用しきい値
と比較し、正規化された類似度の値が発声内容判定用し
きい値よりも大きい場合はこれを正しい発声内容である
と判定し、小さい場合はこれを誤った発声内容であると
判定する。その判定結果は話者認識判定部２５に送られ
る。
【００３６】一方、特徴パラメータ抽出部５で得られた
特徴パラメータの時系列と、話者特徴蓄積部１６に蓄え
られている各話者の声の特徴とが、話者類似度計算部２
２に送られる。話者類似度計算部２２では、話者照合の
場合は話者ＩＤを用いて、その話者の声の特徴との類似
度が計算される。話者識別の場合は、話者特徴蓄積部１
６に蓄積されているすべての話者の声の特徴との間の類
似度が計算される。計算された類似度の値は、一旦、話
者類似度蓄積部２３に蓄えられた後、話者認識判定部２
５に入力される。話者認識判定部２５では、話者の判定
を行なう。話者照合を行なう場合は、しきい値蓄積部１
０から、話者ＩＤに従って、その本人の声とみなせる類
似度の変動の範囲を示すしきい値を読み出して、話者類
似度蓄積部２３から送られた類似度と比較し、その類似
度の値が読み出されたしきい値よりも大きければそれは
本人の音声であると判定し、しきい値よりも小さければ
他人の音声であると判定する。話者識別の場合は、入力
音声と、登録（蓄積）されているすべての話者との類似
度を全て比較し、最も類似度の大きい話者を選択し、そ
の話者が発声したものと判定する。さらに、それらの判
定結果と、発声内容判定部３１から送られた判定結果と
併せて、総合的に話者認識判定を行なう。
特徴パラメータの時系列と、話者特徴蓄積部１６に蓄え
られている各話者の声の特徴とが、話者類似度計算部２
２に送られる。話者類似度計算部２２では、話者照合の
場合は話者ＩＤを用いて、その話者の声の特徴との類似
度が計算される。話者識別の場合は、話者特徴蓄積部１
６に蓄積されているすべての話者の声の特徴との間の類
似度が計算される。計算された類似度の値は、一旦、話
者類似度蓄積部２３に蓄えられた後、話者認識判定部２
５に入力される。話者認識判定部２５では、話者の判定
を行なう。話者照合を行なう場合は、しきい値蓄積部１
０から、話者ＩＤに従って、その本人の声とみなせる類
似度の変動の範囲を示すしきい値を読み出して、話者類
似度蓄積部２３から送られた類似度と比較し、その類似
度の値が読み出されたしきい値よりも大きければそれは
本人の音声であると判定し、しきい値よりも小さければ
他人の音声であると判定する。話者識別の場合は、入力
音声と、登録（蓄積）されているすべての話者との類似
度を全て比較し、最も類似度の大きい話者を選択し、そ
の話者が発声したものと判定する。さらに、それらの判
定結果と、発声内容判定部３１から送られた判定結果と
併せて、総合的に話者認識判定を行なう。
【００３７】
【発明の効果】以上述べたように、請求項１乃至５の発
明においては、認識すべき各話者の声に適応した音素あ
るいは音節のモデルを作成して登録し、それらのモデル
を接続して生成した文章あるいは単語の音声のモデル
と、特徴パラメータを用いた表現形式に変換された入力
音声との類似度を求めて、その入力音声を発声した話者
を認識するので、認識をするたびに発声すべき内容を変
えることができ、しかもその内容を発声しなければ高い
類似度を得ることができないので、録音した音声を再生
することによって、他人になりすますことを防ぐことが
できる。
明においては、認識すべき各話者の声に適応した音素あ
るいは音節のモデルを作成して登録し、それらのモデル
を接続して生成した文章あるいは単語の音声のモデル
と、特徴パラメータを用いた表現形式に変換された入力
音声との類似度を求めて、その入力音声を発声した話者
を認識するので、認識をするたびに発声すべき内容を変
えることができ、しかもその内容を発声しなければ高い
類似度を得ることができないので、録音した音声を再生
することによって、他人になりすますことを防ぐことが
できる。
【００３８】請求項６の発明においては、話者を認識す
べき入力音声を、特徴パラメータを用いた表現形式に変
換し、その表現形式による入力音声と、上記表現形式に
よる発声内容すなわち言葉によらない各話者の声の特徴
との類似度と、発声すべき言葉との類似度とを組み合わ
せて、その入力音声を発声した話者を認識するので、認
識をするたびに発声すべき内容を変えることができ、し
かもその内容を発声しなければ高い類似度を得ることが
できないので、録音した音声を再生することによって、
他人になりすますことを防ぐことができる。
べき入力音声を、特徴パラメータを用いた表現形式に変
換し、その表現形式による入力音声と、上記表現形式に
よる発声内容すなわち言葉によらない各話者の声の特徴
との類似度と、発声すべき言葉との類似度とを組み合わ
せて、その入力音声を発声した話者を認識するので、認
識をするたびに発声すべき内容を変えることができ、し
かもその内容を発声しなければ高い類似度を得ることが
できないので、録音した音声を再生することによって、
他人になりすますことを防ぐことができる。
【００３９】請求項８の発明は、請求項１、２、３、
４、５、６および７に記載される話者認識方法におい
て、発声内容に独立な音声モデルを作成し、これと特徴
パラメータを用いた表現形式に変換された入力音声との
間の類似度を使用して、音素あるいは音節（群）モデル
を接続した文章或は単語音声モデルと特徴パラメータを
用いた表現形式に変換された入力音声との間の類似度の
値を正規化しており、文章或は単語の内容、収録時期、
伝送系、マイクロホンその他の試験条件の違いによる類
似度の変動の影響を受け難い話者認識を行なうことがで
きる。
４、５、６および７に記載される話者認識方法におい
て、発声内容に独立な音声モデルを作成し、これと特徴
パラメータを用いた表現形式に変換された入力音声との
間の類似度を使用して、音素あるいは音節（群）モデル
を接続した文章或は単語音声モデルと特徴パラメータを
用いた表現形式に変換された入力音声との間の類似度の
値を正規化しており、文章或は単語の内容、収録時期、
伝送系、マイクロホンその他の試験条件の違いによる類
似度の変動の影響を受け難い話者認識を行なうことがで
きる。
【００４０】次に実験例を述べる。実験は、男性２３
名、女性１３名が約５カ月に渡る３つの時期（時期Ａ、
Ｂ、Ｃ）に発声した文章データ（１文章長は平均４秒）
を対象とする。これらの音声を、従来から使われている
特徴量、つまり、ケプストラムの細かい時間毎に時系列
に変換する。ケプストラムは標本化周波数１２kHz 、フ
レーム長３２ms、フレーム周期８ms、ＬＰＣ分析（Line
ar Predictive Coding、線形予測分析）次数１６で抽出
した。学習には、時期Ａに発声した１０文章を用い、テ
ストでは、時期Ｂ、Ｃに発声した５文章を１文章づつ用
いた。
名、女性１３名が約５カ月に渡る３つの時期（時期Ａ、
Ｂ、Ｃ）に発声した文章データ（１文章長は平均４秒）
を対象とする。これらの音声を、従来から使われている
特徴量、つまり、ケプストラムの細かい時間毎に時系列
に変換する。ケプストラムは標本化周波数１２kHz 、フ
レーム長３２ms、フレーム周期８ms、ＬＰＣ分析（Line
ar Predictive Coding、線形予測分析）次数１６で抽出
した。学習には、時期Ａに発声した１０文章を用い、テ
ストでは、時期Ｂ、Ｃに発声した５文章を１文章づつ用
いた。
【００４１】各話者の音素群モデルは、請求項３の発明
に基づいて６４個のガウス分布の組合せ（「松井知子、
古井貞煕：“ＶＱ、離散／連続ＨＭＭによるテキスト独
立形話者認識法の比較検討”、電子情報通信学会音声研
究会資料、SP91-89 、1991」）で表した。音素群の数は
２５である。結果は、本人が指定された文章とは異なる
文章を発声した時の棄却率で評価した。この棄却率が高
いほど、本人の音声でも、録音音声の再生により異なる
内容である場合には、高い割合でそれを棄却することが
できる。ここでは、しきい値よりも類似度の大きい入力
音声は、本人が指定された文章を発声した音声として受
理し、それ以外は棄却した。このしきい値は、各話者ご
とに、本人が指定された文章を発声した音声が棄却され
ることのないように事後的に設定した。その結果を第７
図に示す。この結果は、この発明の話者認識方法は類似
度の正規化を施さない場合と比較して棄却誤り率はほぼ
半分になることを示している。以上のことから、この請
求項８の発明の有効性が実証された。
に基づいて６４個のガウス分布の組合せ（「松井知子、
古井貞煕：“ＶＱ、離散／連続ＨＭＭによるテキスト独
立形話者認識法の比較検討”、電子情報通信学会音声研
究会資料、SP91-89 、1991」）で表した。音素群の数は
２５である。結果は、本人が指定された文章とは異なる
文章を発声した時の棄却率で評価した。この棄却率が高
いほど、本人の音声でも、録音音声の再生により異なる
内容である場合には、高い割合でそれを棄却することが
できる。ここでは、しきい値よりも類似度の大きい入力
音声は、本人が指定された文章を発声した音声として受
理し、それ以外は棄却した。このしきい値は、各話者ご
とに、本人が指定された文章を発声した音声が棄却され
ることのないように事後的に設定した。その結果を第７
図に示す。この結果は、この発明の話者認識方法は類似
度の正規化を施さない場合と比較して棄却誤り率はほぼ
半分になることを示している。以上のことから、この請
求項８の発明の有効性が実証された。
【図１】請求項１および２の発明の実施例が適用される
認識装置の例を示すブロック図
認識装置の例を示すブロック図
【図２】請求項３の発明の実施例が適用される認識装置
の例を示すブロック図。
の例を示すブロック図。
【図３】請求項４の発明の実施例が適用される認識装置
の例を示すブロック図。
の例を示すブロック図。
【図４】請求項６および７の発明の実施例が適用される
認識装置の例を示すブロック図
認識装置の例を示すブロック図
【図５】請求項１、２に関する請求項８の発明の実施例
が適用される認識装置の例を示すブロック図。
が適用される認識装置の例を示すブロック図。
【図６】請求項３、４および５に関する請求項８の発明
の実施例が適用される認識装置の例を示すブロック図。
の実施例が適用される認識装置の例を示すブロック図。
【図７】請求項６および７に関する請求項８の発明の実
施例が適用される認識装置の例を示すブロック図。
施例が適用される認識装置の例を示すブロック図。
【図８】請求項８に関する実験を示す図。
１ 話者適応部 ２ 不特定話者用音素／音節モデル蓄積部 ３ 適応化音素／音節モデル蓄積部 ４ 認識用文章／単語生成部 ５ 特徴パラメータ抽出部 ６ 文章／単語音声モデル作成部 ７ 類似度計算部 ９ 話者認識判定部 １０ しきい値蓄積部 １１ 特徴パラメータ抽出部 ３０ 類似度正規化部
Claims (8)
- 【請求項１】 認識すべき各話者の声に適応した音素あ
るいは音節モデルを作成して登録する手段と、 それら音素あるいは音節モデルを接続して文章または単
語音声のモデルを生成する手段と、 入力音声を特徴パラメータを用いた表現形式に変換する
手段とを有し、 上記表現形式に変換された入力音声と、あらかじめ話者
対応に登録された音素あるいは音節モデルを接続した文
章または単語音声モデルとの類似度を求めて、上記入力
音声を発声した話者を認識することを特徴とする話者認
識方法。 - 【請求項２】 認識するごとに、話者が発声すべき文章
または単語を指示し、その文章または単語を発声した入
力音声を、特徴パラメータを用いた表現形式に変換した
ものと、音素あるいは音節のモデルを接続してその文章
または単語の音声モデルを生成したものとの類似度を求
めて、上記入力音声を発声した話者を認識することを特
徴とする請求項１記載の話者認識方法。 - 【請求項３】 入力音声を特徴パラメータを用いた表現
形式に変換する手段と、 発声内容に独立な各話者の声の特徴を表現する複数のガ
ウス分布を計算する手段と、 それらのガウス分布に各音素あるいは音節群に対応した
適切な重みを与えて音素あるいは音節群モデルを作成す
る手段と、 音素あるいは音節群モデルを時間的に接続して文章また
は単語の音声のモデルを作成する手段とを有し、 各話者の学習用音声データを用いて、その音声データ中
の特徴パラメータの分布を複数のガウス分布で近似し、 これらのガウス分布の重みつき加算で、各音素あるいは
音節群の特徴パラメータの分布を近似した音素あるいは
音節群モデルを作成し、 話者を認識すべき入力音声の発声内容（文章または単
語）に従って上記音素あるいは音節群モデルを時間的に
接続した文章または単語の音声のモデルと、上記入力音
声を特徴パラメータの時系列で表現したものとの比較に
より、話者を認識することを特徴とする話者認識方法。 - 【請求項４】 入力音声を特徴パラメータを用いた表現
形式に変換する手段と、 発声内容に独立な各話者の声の特徴を表現するベクトル
量子化の符号帳を計算する手段と、 それらの符号帳に各音素あるいは音節群に対応した適切
な重みを与えて音素あるいは音節群モデルを作成する手
段と、 音素あるいは音節群モデルを時間的に接続して文章また
は単語の音声のモデルを作成する手段とを有し、 各話者の学習用音声データを用いて、その音声データ中
の特徴パラメータの分布を符号帳で近似し、 これらの符号帳要素の重みつき加算で、各音素あるいは
音節群の特徴パラメータの分布を近似した音素音節群モ
デルを作成し、 話者を認識すべき入力音声の発声内容（文章または単
語）に従って上記音素音節群モデルを時間的に接続した
文章または単語の音声のモデルと、上記入力音声を特徴
パラメータの時系列で表現したものとの比較により、話
者を認識することを特徴とする話者認識方法。 - 【請求項５】 認識するごとに、話者が発声すべき文章
または単語を指示し、その文章または単語を発声した入
力音声を、特徴パラメータを用いた表現形式に変換した
ものと、上記音素あるいは音節群モデルを接続したその
文章または単語の音声モデルとを比較して、上記入力音
声を発声した話者を認識することを特徴とする請求項３
または４記載の話者認識方法。 - 【請求項６】 発声内容に独立な話者の声の特徴を抽出
してその話者を認識する手段と、 不特定話者の音声の発声内容（言葉）を認識する手段
と、 入力音声を特徴パラメータを用いた表現形式に変換する
手段とを有し、 上記表現形式に変換された入力音声と、各話者の声の特
徴および発声すべき言葉との各類似度を求め、 これら両類似度を論理的および数値的に組み合わせて、
上記入力音声を発生した話者を認識することを特徴とす
る話者認識方法。 - 【請求項７】 認識するごとに、話者が発声すべき文章
あるいは単語を指示し、その文章あるいは単語を発声し
た入力音声を、特徴パラメータを用いた表現形式に変換
したものに関する上記２種類の類似度を組み合わせて、
上記入力音声を発声した話者を認識することを特徴とす
る請求項６記載の話者認識方法。 - 【請求項８】 請求項１、２、３、４、５、６および７
の内の何れかに記載される話者認識方法において、特徴
パラメータを用いた表現形式に変換された入力音声と音
素あるいは音節（群）モデルを接続した文章或は単語音
声モデルとの間の類似度の、文章或は単語の内容、収録
時期、伝送系、マイクロホンその他の試験条件に起因す
るばらつきを正規化することを特徴とする話者認識方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4344586A JPH05323990A (ja) | 1992-03-19 | 1992-12-24 | 話者認識方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6383292 | 1992-03-19 | ||
| JP4-63832 | 1992-03-19 | ||
| JP4344586A JPH05323990A (ja) | 1992-03-19 | 1992-12-24 | 話者認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05323990A true JPH05323990A (ja) | 1993-12-07 |
Family
ID=13240724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4344586A Pending JPH05323990A (ja) | 1992-03-19 | 1992-12-24 | 話者認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05323990A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0856836A3 (en) * | 1997-01-29 | 1999-02-03 | Nec Corporation | Speaker recognition device |
| US6460764B1 (en) | 2000-05-11 | 2002-10-08 | Matsushita Electric Industrial Co., Ltd. | Card exchanging device, card exchanging method, and recording media |
| US7949535B2 (en) | 2006-03-29 | 2011-05-24 | Fujitsu Limited | User authentication system, fraudulent user determination method and computer program product |
-
1992
- 1992-12-24 JP JP4344586A patent/JPH05323990A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0856836A3 (en) * | 1997-01-29 | 1999-02-03 | Nec Corporation | Speaker recognition device |
| US6094632A (en) * | 1997-01-29 | 2000-07-25 | Nec Corporation | Speaker recognition device |
| US6460764B1 (en) | 2000-05-11 | 2002-10-08 | Matsushita Electric Industrial Co., Ltd. | Card exchanging device, card exchanging method, and recording media |
| US7949535B2 (en) | 2006-03-29 | 2011-05-24 | Fujitsu Limited | User authentication system, fraudulent user determination method and computer program product |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7013276B2 (en) | Method of assessing degree of acoustic confusability, and system therefor | |
| US6618702B1 (en) | Method of and device for phone-based speaker recognition | |
| US20100004931A1 (en) | Apparatus and method for speech utterance verification | |
| CN101465123A (zh) | 说话人认证的验证方法和装置以及说话人认证系统 | |
| JPH11143346A (ja) | 語学練習用発話評価方法およびその装置並びに発話評価処理プログラムを記憶した記憶媒体 | |
| US20100324897A1 (en) | Audio recognition device and audio recognition method | |
| CN102222498A (zh) | 声音判别系统、声音判别方法以及声音判别用程序 | |
| JPH0250198A (ja) | 音声認識システム | |
| Ilyas et al. | Speaker verification using vector quantization and hidden Markov model | |
| JP3092788B2 (ja) | 話者認識用しきい値設定方法及びこの方法を用いた話者認識装置 | |
| JP3444108B2 (ja) | 音声認識装置 | |
| JP2003177779A (ja) | 音声認識のための話者学習法 | |
| JP4353202B2 (ja) | 韻律識別装置及び方法、並びに音声認識装置及び方法 | |
| Grewal et al. | Isolated word recognition system for English language | |
| JP4236502B2 (ja) | 音声認識装置 | |
| JPH07271392A (ja) | 話者認識用類似度正規化方法及びこの方法を用いた話者認識装置 | |
| Lingam | Speaker based language independent isolated speech recognition system | |
| JPH10149190A (ja) | 音声認識方法及び音声認識装置 | |
| JP3090122B2 (ja) | 話者照合装置 | |
| Sharma et al. | Speech recognition of Punjabi numerals using synergic HMM and DTW approach | |
| JP4749990B2 (ja) | 音声認識装置 | |
| JPH0997095A (ja) | 音声認識装置 | |
| JPH0695690A (ja) | 話者認識方法 | |
| Mut et al. | Improved Weighted Matching for Speaker Recognition. | |
| JPH11338492A (ja) | 話者認識装置 |