JPH0556520B2 - - Google Patents
Info
- Publication number
- JPH0556520B2 JPH0556520B2 JP60069053A JP6905385A JPH0556520B2 JP H0556520 B2 JPH0556520 B2 JP H0556520B2 JP 60069053 A JP60069053 A JP 60069053A JP 6905385 A JP6905385 A JP 6905385A JP H0556520 B2 JPH0556520 B2 JP H0556520B2
- Authority
- JP
- Japan
- Prior art keywords
- audio
- local peak
- average power
- voice
- frame
- 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.)
- Expired - Lifetime
Links
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法に関し、特にローカルピ
ークを用いた単語音声認識を行う音声認識方法に
関する。
ークを用いた単語音声認識を行う音声認識方法に
関する。
（従来技術）
従来、この種の音声認識方法として電子通信学
会論文誌、J68−Ａ〔１〕（昭和60年１月）p.78−
85に記載されるものがあつた。第２図は従来のロ
ーカルピークを用いた音声認識方法のフローチヤ
ートであり、入力音声は、15チヤネルのバンドパ
スフイルター群で10msecごとに周波数分析され
（第２図の１参照）、声帯音源特性の個人差の正規
化法として、音声スペクトルを振幅、周波数軸と
もに対数で表わし最小二乗近似直線を求め（第２
図の２参照）、差をとつて補正する。ただし、最
小二乗近似直線の傾きが正の場合には平均値から
の差をとる。その後、第３図に示すように、各フ
レーム（10msec）毎に、0dB以上となる各部分
について、各最大値の1/2以上の振幅を持つもの
の中で最大値をとるチヤネルをローカルピーク有
りとして“１”にし、他を“０”として２値化を
行う（第２図の３参照）。バンドパスフイルタの
チヤネル数は15であるが、16チヤネル目に最小二
乗近似直線の傾きが負のとき有声音と見なし１を
たて、傾きが正のとき無声音と見なし“０”をた
て、傾斜の符号を付加する（第２図の４参照）。
会論文誌、J68−Ａ〔１〕（昭和60年１月）p.78−
85に記載されるものがあつた。第２図は従来のロ
ーカルピークを用いた音声認識方法のフローチヤ
ートであり、入力音声は、15チヤネルのバンドパ
スフイルター群で10msecごとに周波数分析され
（第２図の１参照）、声帯音源特性の個人差の正規
化法として、音声スペクトルを振幅、周波数軸と
もに対数で表わし最小二乗近似直線を求め（第２
図の２参照）、差をとつて補正する。ただし、最
小二乗近似直線の傾きが正の場合には平均値から
の差をとる。その後、第３図に示すように、各フ
レーム（10msec）毎に、0dB以上となる各部分
について、各最大値の1/2以上の振幅を持つもの
の中で最大値をとるチヤネルをローカルピーク有
りとして“１”にし、他を“０”として２値化を
行う（第２図の３参照）。バンドパスフイルタの
チヤネル数は15であるが、16チヤネル目に最小二
乗近似直線の傾きが負のとき有声音と見なし１を
たて、傾きが正のとき無声音と見なし“０”をた
て、傾斜の符号を付加する（第２図の４参照）。
荷重平均辞書は、複数の２値化パタンを時間軸
上一番長いものへ線形に伸ばして加算して多値パ
タンとして得られる（第２図の５参照）。
上一番長いものへ線形に伸ばして加算して多値パ
タンとして得られる（第２図の５参照）。
２値の入力パタンと多値の荷重平均辞書とのマ
ツチングには、時間方向は長い方のパタンに線形
に伸ばして合わせ、ある類似度に基づいて計算を
行い、最大類似度を与える標準パタンのカテゴリ
名を認識結果とする（第２図の６参照）。
ツチングには、時間方向は長い方のパタンに線形
に伸ばして合わせ、ある類似度に基づいて計算を
行い、最大類似度を与える標準パタンのカテゴリ
名を認識結果とする（第２図の６参照）。
（発明が解決しようとする問題点）
しかし、以上述べた従来の方法は、接話型マイ
クを用いる場合のようなSN比の良い環境では有
効に機能するが、雑音が強い環境下では、特に無
音部でローカルピークとして雑音のピークを拾い
やすく、誤認識が増えると云う問題点があつた。
クを用いる場合のようなSN比の良い環境では有
効に機能するが、雑音が強い環境下では、特に無
音部でローカルピークとして雑音のピークを拾い
やすく、誤認識が増えると云う問題点があつた。
本発明は、雑音が強い環境下で特に無音部で雑
音のピークを音声のローカルピークとして抽出し
てしまい誤認識が増えるという従来技術の問題点
を除去し、雑音に対する耐性の強い音声認識方法
を提供するものである。
音のピークを音声のローカルピークとして抽出し
てしまい誤認識が増えるという従来技術の問題点
を除去し、雑音に対する耐性の強い音声認識方法
を提供するものである。
（問題点を解決するための手段）
本発明による音声認識方法は、まず入力音声を
各音声フレーム毎に複数チヤネルの分析データに
周波数分析を行う。また予め雑音のみとわかつて
いる所定の雑音区間における全ての音声フレーム
の全ての分析データを平均化し雑音平均電力の算
出を行う。そして入力音声の各音声フレーム毎に
当該フレームに対応する全ての分析データを平均
化し平均電力の算出を行う。次に各音声フレーム
毎に前述の平均電力と前述の雑音平均電力との差
分である音声平均電力の算出を行う。一方入力音
声の分析データは当該データの属する音声フレー
ムにおける音声スペクトルの最小二乗近似直線を
用いてスペクトル正規化される。このスペクトル
正規化された分析データに対して、前述の最小二
乗近似直線を基準として周波数軸にそつた極大値
すなわちローカルピークの有無を判定し、ローカ
ルピーク有りの場合を“１”としローカルピーク
無しの場合を“０”とする２値化されたローカル
ピークパタンへの変換を行う。
各音声フレーム毎に複数チヤネルの分析データに
周波数分析を行う。また予め雑音のみとわかつて
いる所定の雑音区間における全ての音声フレーム
の全ての分析データを平均化し雑音平均電力の算
出を行う。そして入力音声の各音声フレーム毎に
当該フレームに対応する全ての分析データを平均
化し平均電力の算出を行う。次に各音声フレーム
毎に前述の平均電力と前述の雑音平均電力との差
分である音声平均電力の算出を行う。一方入力音
声の分析データは当該データの属する音声フレー
ムにおける音声スペクトルの最小二乗近似直線を
用いてスペクトル正規化される。このスペクトル
正規化された分析データに対して、前述の最小二
乗近似直線を基準として周波数軸にそつた極大値
すなわちローカルピークの有無を判定し、ローカ
ルピーク有りの場合を“１”としローカルピーク
無しの場合を“０”とする２値化されたローカル
ピークパタンへの変換を行う。
そして予め用意されたローカルピークパタンで
表わされる複数の標準パタンと入力音声のローカ
ルピークパタンとの類似度を標準パタン及び入力
音声間の正規化された音声フレーム毎に算出し、
この類似度に対し前述の音声平均電力により重み
付けを行い且つ前述の正規化された全ての音声フ
レームにわたつて累算することにより最終の類似
度を算出する。この結果、最大値を与える最終類
似度に対応する標準パタンのカテゴリ名を認識結
果と判定するものである。
表わされる複数の標準パタンと入力音声のローカ
ルピークパタンとの類似度を標準パタン及び入力
音声間の正規化された音声フレーム毎に算出し、
この類似度に対し前述の音声平均電力により重み
付けを行い且つ前述の正規化された全ての音声フ
レームにわたつて累算することにより最終の類似
度を算出する。この結果、最大値を与える最終類
似度に対応する標準パタンのカテゴリ名を認識結
果と判定するものである。
（作用）
本発明は、入力音声の周波数分析データの平均
電力と所定の雑音区間の雑音平均電力との差分で
ある音声平均電力を算出し、各標準パタンと入力
音声のローカルピークパタンとの類似度にこの音
声平均電力により重み付けを行つて最終類似度を
算出しているため、雑音が混入した音声特に音声
の低レベルの部分に対するローカルピーク抽出の
不完全さを補うことができる。
電力と所定の雑音区間の雑音平均電力との差分で
ある音声平均電力を算出し、各標準パタンと入力
音声のローカルピークパタンとの類似度にこの音
声平均電力により重み付けを行つて最終類似度を
算出しているため、雑音が混入した音声特に音声
の低レベルの部分に対するローカルピーク抽出の
不完全さを補うことができる。
（実施例）
第１図は本発明による音声認識方法のフローチ
ヤートであり、入力された音声信号は、周波数分
析ステツプ11で10msec（フレーム周期）毎に周波
数分析され、各音声フレーム毎に複数チヤネルの
分析データとしての対数値が出力される。
ヤートであり、入力された音声信号は、周波数分
析ステツプ11で10msec（フレーム周期）毎に周波
数分析され、各音声フレーム毎に複数チヤネルの
分析データとしての対数値が出力される。
次に、予め与えられた雑音区間の上記対数デー
タより、雑音平均電力算出ステツプ12により雑音
区間内の全音声フレームの全ての対数値を平均化
して雑音平均電力を算出する。
タより、雑音平均電力算出ステツプ12により雑音
区間内の全音声フレームの全ての対数値を平均化
して雑音平均電力を算出する。
一方、音声平均電力算出ステツプ13により、入
力音声の各音声フレームの周波数分析された対数
値より求まる平均電力と前記雑音平均電力との差
分を用いて音声平均電力を算出する。
力音声の各音声フレームの周波数分析された対数
値より求まる平均電力と前記雑音平均電力との差
分を用いて音声平均電力を算出する。
また、入力音声の周波数分析データの対数値
は、この対数値の属する音声フレームにおける音
声スペクトルの最小二乗近似直線を用いてスペク
トル正規化される（ステツプ14）。次に、スペク
トル正規化された前記対数値に対して前記最小二
乗近似直線を基準として周波数軸に沿つた極大値
すなわちローカルピークの有無を判定し、ローカ
ルピーク有りの場合を“１”としローカルピーク
無しの場合を“０”とする２値の入力ローカルピ
ークパタンに変換する。
は、この対数値の属する音声フレームにおける音
声スペクトルの最小二乗近似直線を用いてスペク
トル正規化される（ステツプ14）。次に、スペク
トル正規化された前記対数値に対して前記最小二
乗近似直線を基準として周波数軸に沿つた極大値
すなわちローカルピークの有無を判定し、ローカ
ルピーク有りの場合を“１”としローカルピーク
無しの場合を“０”とする２値の入力ローカルピ
ークパタンに変換する。
標準パタン16は、予め複数の２値ローカルピー
クパタンをカテゴリ毎に平均発声長に線形伸縮
し、加算して作成されているものである。
クパタンをカテゴリ毎に平均発声長に線形伸縮
し、加算して作成されているものである。
マツチングステプツプ17では、２値の入力ロー
カルピークパタンを、各標準パタンのフレーム長
に線形伸縮し、各標準パタンとの類似度を計算
し、音声平均電力算出ステツプ13の出力である音
声平均電力を類似度に重み付けし、且つ全音声フ
レームにわたつて重み付けされた類似度を累算し
て最終類似度を得る。そして最大の最終類似度を
与える標準パタンのカテゴリ名を認識結果として
出力する。
カルピークパタンを、各標準パタンのフレーム長
に線形伸縮し、各標準パタンとの類似度を計算
し、音声平均電力算出ステツプ13の出力である音
声平均電力を類似度に重み付けし、且つ全音声フ
レームにわたつて重み付けされた類似度を累算し
て最終類似度を得る。そして最大の最終類似度を
与える標準パタンのカテゴリ名を認識結果として
出力する。
次に本発明の音声認識方法による音声認識装置
の１実施例について説明する。
の１実施例について説明する。
第４図は本発明による音声認識装置の１実施例
の全体の回路構成を示すブロツク図である。
の全体の回路構成を示すブロツク図である。
本実施例は、第４図に示されるように、１０１
は音声入力端子、１０２は周波数分析部、１０３
はスペクトル正規化部、１０５は平均電力メモ
リ、１０６は雑音電力算出部、１０７は音声区間
検出部、１０８は音声平均電力算出部、１０９は
ローカルピーク特徴抽出部、１１０は標準パタン
メモリ、１１１は線形マツチング部、１１２は判
定部、１１３は認識結果の出力端子、の如く構成
される。以下動作について説明する。
は音声入力端子、１０２は周波数分析部、１０３
はスペクトル正規化部、１０５は平均電力メモ
リ、１０６は雑音電力算出部、１０７は音声区間
検出部、１０８は音声平均電力算出部、１０９は
ローカルピーク特徴抽出部、１１０は標準パタン
メモリ、１１１は線形マツチング部、１１２は判
定部、１１３は認識結果の出力端子、の如く構成
される。以下動作について説明する。
先ずマイクロホン等により電気信号に変換され
た音声信号は音声入力端子１０１に入力され、周
波数分析部１０２によつて周波数スペクトルの抽
出が行われる。この周波数分析部１０２の回路構
成を第５図に示す。
た音声信号は音声入力端子１０１に入力され、周
波数分析部１０２によつて周波数スペクトルの抽
出が行われる。この周波数分析部１０２の回路構
成を第５図に示す。
第５図において２０１は前置増幅器（Amp）、
２０２はバンドパスフイルタ群（BPF−１，…，
BPF−Ｎ）、２０３は全波整流器群（DET−１，
…，DET−Ｎ）、２０４はローパスフイルタ群
（LPF−１，…，LPF−Ｎ）、２０５はアナロ
グ・マルチプレクサ、２０６はAD変換器、２０
７は対数変換用ROMである。バンドパスフイル
タ群は中心周波数が対数的等間隔で１からＮまで
Ｎケ周波数の低い方から配置してあり、以下第１
チヤネル、…、第Ｎチヤネルのように記す。本実
施例ではＮ＝22としている。
２０２はバンドパスフイルタ群（BPF−１，…，
BPF−Ｎ）、２０３は全波整流器群（DET−１，
…，DET−Ｎ）、２０４はローパスフイルタ群
（LPF−１，…，LPF−Ｎ）、２０５はアナロ
グ・マルチプレクサ、２０６はAD変換器、２０
７は対数変換用ROMである。バンドパスフイル
タ群は中心周波数が対数的等間隔で１からＮまで
Ｎケ周波数の低い方から配置してあり、以下第１
チヤネル、…、第Ｎチヤネルのように記す。本実
施例ではＮ＝22としている。
ローパスフイルタ群２０４の出力は、マルチプ
レクサ２０５により切り換えられ、AD変換器２
０６で標本化周期10msでデイジタル量に変換さ
れ、対数変換用ROM２０７に対数値に変換さ
れ、スペクトル正規化部１０３に送出される。
レクサ２０５により切り換えられ、AD変換器２
０６で標本化周期10msでデイジタル量に変換さ
れ、対数変換用ROM２０７に対数値に変換さ
れ、スペクトル正規化部１０３に送出される。
本実施例において周波数分析部１０２の構成に
アナログのフイルタを用いているが、デイジタル
フイルタバンクを用いても本質的には同じであ
る。
アナログのフイルタを用いているが、デイジタル
フイルタバンクを用いても本質的には同じであ
る。
対数変換用ROM２０７により出力されるＫ番
目のフレームのＮチヤネル分の音声スペクトルデ
ータをX1（Ｋ），…，XN（Ｋ）とする。スペクトル
正規化部１０３では、第１に、各フレーム毎に平
均値（Ｋ）を次の第(1)式に基づき算出する。
目のフレームのＮチヤネル分の音声スペクトルデ
ータをX1（Ｋ），…，XN（Ｋ）とする。スペクトル
正規化部１０３では、第１に、各フレーム毎に平
均値（Ｋ）を次の第(1)式に基づき算出する。
（Ｋ）＝N
〓i=1
Xi（Ｋ）／Ｎ …(1)
以下（Ｋ）をＫフレームでの「平均電力」と
称す。平均電力（Ｋ）は平均電力メモリ１０５
へ格納されると同時に雑音電力算出部１０６へ送
られる。
称す。平均電力（Ｋ）は平均電力メモリ１０５
へ格納されると同時に雑音電力算出部１０６へ送
られる。
雑音電力算出部１０６では、外部からの指示入
力により、予め雑音のみとわかつている区間
〔KE1，KE2〕における雑音平均電力を算出する。
予め雑音のみの区間の指示は、話者に発声を止め
てもらう事で知るものとする。
力により、予め雑音のみとわかつている区間
〔KE1，KE2〕における雑音平均電力を算出する。
予め雑音のみの区間の指示は、話者に発声を止め
てもらう事で知るものとする。
雑音電力測定としては、雑音区間〔KE1，KE2〕
における雑音平均電力Npを次の第(2)式のごとく
求める。
における雑音平均電力Npを次の第(2)式のごとく
求める。
Np＝１／KE2−KE1＋１KE2
〓K=KE1
（Ｋ） …(2)
本実施例では、KE2−KE1＝20〜30（フレーム）
としている。次なるステツプとして音声区間検出
部１０７で音声区間を検出する。
としている。次なるステツプとして音声区間検出
部１０７で音声区間を検出する。
音声区間検出は、例えば平均電力に対する二つ
の閾値E1，E2（E1＞E2）を用いて抽出する。すな
わち第６図のように平均電力がE2を越え、かつ
その後E2より小さくなることなくE1を越えると
き、E2を越えた点を始端K1とする。同様にして
時間軸を逆にして終端K2を求め、〔K1，K2〕を
音声区間とする。
の閾値E1，E2（E1＞E2）を用いて抽出する。すな
わち第６図のように平均電力がE2を越え、かつ
その後E2より小さくなることなくE1を越えると
き、E2を越えた点を始端K1とする。同様にして
時間軸を逆にして終端K2を求め、〔K1，K2〕を
音声区間とする。
閾値E1，E2は雑音平均電力Npから
E1＝Np＋L1
E2＝Np＋L2 …(3)
但しL1，L2は任意の定数で、L1＞L2＞０であ
る。としている。
る。としている。
また、スペクトル正規化部１０３では、音声ス
ペクトルデータXi（Ｋ）（Ｋ＝K1，…，K2；ｉ＝
１，…，Ｎ）を次の第(4)式による最小二乗近似直
線を用いてスペクトル正規化する。
ペクトルデータXi（Ｋ）（Ｋ＝K1，…，K2；ｉ＝
１，…，Ｎ）を次の第(4)式による最小二乗近似直
線を用いてスペクトル正規化する。
Yi（Ｋ）＝Ａ（Ｋ）・ｉ＋Ｂ（Ｋ） …(4)
すなわち、音声スペクトルデータXi（Ｋ）と最
小二乗近似直線との差分を次の第(5)式で計算し、
スペクトル正規化データZi（Ｋ）を得る。
小二乗近似直線との差分を次の第(5)式で計算し、
スペクトル正規化データZi（Ｋ）を得る。
Zi（Ｋ）＝
Xi（Ｋ）−（Ａ（Ｋ）・ｉ＋Ｂ（Ｋ））
（Ｋ＝K1，…，K2；ｉ＝１，…，Ｎ） …(5)
前記(4)式の最小二乗近似直線におけるＡ（Ｋ），
Ｂ（Ｋ）は次の(6)，(7)式で与えられる。
Ｂ（Ｋ）は次の(6)，(7)式で与えられる。
前記(5)式の計算はＡ（Ｋ）が正の場合、すなわ
ち多くの場合無声音でも行う。時間方向について
は音声区間検出前からすべてのフレームＫに対し
て(5)式の計算を行つているものである。また音声
区間の平均電力（Ｋ），KE〔K1，K2〕と雑音平
均電力Npから音声平均電力と称する′（Ｋ）を
算出する。
ち多くの場合無声音でも行う。時間方向について
は音声区間検出前からすべてのフレームＫに対し
て(5)式の計算を行つているものである。また音声
区間の平均電力（Ｋ），KE〔K1，K2〕と雑音平
均電力Npから音声平均電力と称する′（Ｋ）を
算出する。
′（Ｋ）＝（Ｋ）−Np（但し、（
Ｋ）＞Npの場合） ０（但し、（Ｋ）≦Npの場合） （Ｋ＝K1，…，K2） …(8) 上記(8)式の演算は音声平均電力算出部１０８で
行われる。すなわち′（Ｋ）としてはmax｛０，
Ｘ（Ｋ）−Np｝で与えられる。
Ｋ）＞Npの場合） ０（但し、（Ｋ）≦Npの場合） （Ｋ＝K1，…，K2） …(8) 上記(8)式の演算は音声平均電力算出部１０８で
行われる。すなわち′（Ｋ）としてはmax｛０，
Ｘ（Ｋ）−Np｝で与えられる。
次に、ローカルピーク特徴抽出部１０９にて音
声の始端から終端までのスペクトル正規化データ
Zi（Ｋ），（Ｋ＝K1，…，K2；ｉ＝１，…，Ｎ）を
１フレーム毎に順次処理する。
声の始端から終端までのスペクトル正規化データ
Zi（Ｋ），（Ｋ＝K1，…，K2；ｉ＝１，…，Ｎ）を
１フレーム毎に順次処理する。
ローカルピーク特徴抽出部１０９の詳細構成を
第７図に示す。
第７図に示す。
第７図において、４０１はデータ格納メモリ、
４０２はピーク抽出部、４０３はローカルピーク
パターン格納メモリである。
４０２はピーク抽出部、４０３はローカルピーク
パターン格納メモリである。
データ格納メモリ４０１には始端K1から終端
K2までのスペクトル正規化データZi（Ｋ）（Ｋ＝
K1，…，K2；ｉ＝１，２，…，Ｎ）が格納され
ており、１フレーム毎にピーク抽出部４０２にお
いてスペクトル正規化データZi（Ｋ）（Ｋ＝K1，
…，K2；ｉ＝１，…，Ｎ）のローカルピークを
検出する。このピーク抽出は“０”以上のスペク
トル正規化データZi（Ｋ）（Ｋ＝K1，…，K2；ｉ
＝１，…，Ｎ）に対して以下の如く行う。
K2までのスペクトル正規化データZi（Ｋ）（Ｋ＝
K1，…，K2；ｉ＝１，２，…，Ｎ）が格納され
ており、１フレーム毎にピーク抽出部４０２にお
いてスペクトル正規化データZi（Ｋ）（Ｋ＝K1，
…，K2；ｉ＝１，…，Ｎ）のローカルピークを
検出する。このピーク抽出は“０”以上のスペク
トル正規化データZi（Ｋ）（Ｋ＝K1，…，K2；ｉ
＝１，…，Ｎ）に対して以下の如く行う。
Zi+1（Ｋ）−Zi（Ｋ）＞０ …(9)
Zi+2（Ｋ）−Zi+1（Ｋ）＜０ …(10)
前記(9)，(10)式を同時に満たしているときスペク
トル正規化データZi+1（Ｋ）は極大値であり、（ｉ
＋１）はローカルピークのあるチヤネル番号を示
し、ローカルピークパタンPi+1（Ｋ）を１とする。
トル正規化データZi+1（Ｋ）は極大値であり、（ｉ
＋１）はローカルピークのあるチヤネル番号を示
し、ローカルピークパタンPi+1（Ｋ）を１とする。
ｉ＝１から（Ｎ−１）までのスペクトル正規化
データについて前記(9)，(10)式を満たすか否かを順
次調べ、満たす場合はローカルピークパタンPi+1
（Ｋ）を“１”とし、満たさない場合“０”とし
て２値化しピークパタン格納メモリ４０３に格納
する。
データについて前記(9)，(10)式を満たすか否かを順
次調べ、満たす場合はローカルピークパタンPi+1
（Ｋ）を“１”とし、満たさない場合“０”とし
て２値化しピークパタン格納メモリ４０３に格納
する。
ただし境界条件として
ｉ＝１かつZi+1（Ｋ）−Zi（Ｋ）＜０のときP1（Ｋ）
＝１ …(11) ｉ＝（Ｎ−１）かつZi+1（Ｋ）−Zi（Ｋ）＞０のとき
PN（Ｋ）＝１ …(12) とし、条件を満たさない場合“０”とし、２値化
を行いローカルピークパタン格納メモリ４０３に
格納する。
＝１ …(11) ｉ＝（Ｎ−１）かつZi+1（Ｋ）−Zi（Ｋ）＞０のとき
PN（Ｋ）＝１ …(12) とし、条件を満たさない場合“０”とし、２値化
を行いローカルピークパタン格納メモリ４０３に
格納する。
ローカルピーク特徴抽出部１０９においてある
Ｋ番目のフレームにおけるローカルピークパタン
Pi（Ｋ）（ｉ＝１，２，…，Ｎ；Ｋ＝K1，…，K2）
抽出のフローチヤートを第８図に示す。
Ｋ番目のフレームにおけるローカルピークパタン
Pi（Ｋ）（ｉ＝１，２，…，Ｎ；Ｋ＝K1，…，K2）
抽出のフローチヤートを第８図に示す。
このように、データ格納メモリ４０１内のスペ
クトル正規化データZi（Ｋ）（ｉ＝１，２，…，
Ｎ；Ｋ＝K1，…，K2）を１フレーム毎に読み出
し、２値のローカルピークパタンを得る。
クトル正規化データZi（Ｋ）（ｉ＝１，２，…，
Ｎ；Ｋ＝K1，…，K2）を１フレーム毎に読み出
し、２値のローカルピークパタンを得る。
標準パタンメモリ１１０は、予め求めた複数の
ローカルピークパタンを重ね合わせて、カテゴリ
毎に１つの標準パタンを作成したものを格納して
いるものである。その標準パタンは発声速度の違
いを正規化するためカテゴリ毎に平均発声長を求
め、２値ローカルピークパタンの時間方向のフレ
ーム長を、平均発声長にそろえて線形伸縮を行い
１〜Ｎチヤネルまで重ね合わせ、多値パタンとし
て作成されている。また、この標準パタンメモリ
１１０には各標準パタンに対応してその標準パタ
ン長SLも格納されている。
ローカルピークパタンを重ね合わせて、カテゴリ
毎に１つの標準パタンを作成したものを格納して
いるものである。その標準パタンは発声速度の違
いを正規化するためカテゴリ毎に平均発声長を求
め、２値ローカルピークパタンの時間方向のフレ
ーム長を、平均発声長にそろえて線形伸縮を行い
１〜Ｎチヤネルまで重ね合わせ、多値パタンとし
て作成されている。また、この標準パタンメモリ
１１０には各標準パタンに対応してその標準パタ
ン長SLも格納されている。
線形マツチング部１１１では、ローカルピーク
特徴抽出部１０９より入力される入力ローカルピ
ークパタンの時間フレーム長を、標準パタンメモ
リ１１０中の各カテゴリの標準パタン長SLへ線
形伸縮してそろえた後、各フレーム毎に初期類似
度計算と、平均電力による類似度への重み付けを
行う。
特徴抽出部１０９より入力される入力ローカルピ
ークパタンの時間フレーム長を、標準パタンメモ
リ１１０中の各カテゴリの標準パタン長SLへ線
形伸縮してそろえた後、各フレーム毎に初期類似
度計算と、平均電力による類似度への重み付けを
行う。
初期類似度S^（Ｋ）の計算は次の(13)式に基づい
てフレーム毎に行う。
てフレーム毎に行う。
S^（Ｋ）＝Ｐ Dt／‖Ｐ‖ ‖Ｄ‖ …(13)
ここでＰは第Ｋフレームにおける入力ローカル
ピークパタンの特徴ベクトルを示す。
ピークパタンの特徴ベクトルを示す。
Ｐ＝（P1（Ｋ），P2（Ｋ），…，PN（Ｋ）） …(14)
Ｄは任意の標準パタンの第Ｋフレームにおける
特徴ベクトルを示す。
特徴ベクトルを示す。
Ｄ＝（D1（Ｋ），D2（Ｋ），…，DN（Ｋ）） …(15)
Dtは転置を表わし、‖Ｐ‖，‖Ｄ‖は各々Ｐ，
Ｄのノルムを表わす。
Ｄのノルムを表わす。
さらに音声の平均電力が小さいとき、雑音の影
響を受けやすいことから、最終の類似度Ｓを次の
（１６）式から求める。
響を受けやすいことから、最終の類似度Ｓを次の
（１６）式から求める。
ここで′（Ｋ）は前記(8)式で求まる音声平均
電力、max K｛′（Ｋ）｝は入力音声の時間正規化さ
れた区間の中での音声平均電力の最大値、SLは
標準パタン長である。すなわち最終類似度Ｓは前
記(13)式で求まる初期類似度S^（Ｋ）に、雑音平均
電力Npを引いた前記(8)式で求まる音声平均電力
Ｘ′（Ｋ）で重み付けした値である。
電力、max K｛′（Ｋ）｝は入力音声の時間正規化さ
れた区間の中での音声平均電力の最大値、SLは
標準パタン長である。すなわち最終類似度Ｓは前
記(13)式で求まる初期類似度S^（Ｋ）に、雑音平均
電力Npを引いた前記(8)式で求まる音声平均電力
Ｘ′（Ｋ）で重み付けした値である。
線形マツチング部１１１の構成は第９図のよう
になり、７０１は入力ローカルピークパタンの入
力端子、７０２は標準パタンの入力端子、７０３
は音声平均電力の入力端子、７０５は標準パタン
長の入力端子、７０６，７０７，７０８は乗算加
算器、７０９，７１０は平方根演算器、７１１は
乗算器、７１２は除算器、７１３は乗算加算器、
７１４は乗算器、７１５は最大値検出器、７１６
は乗算器、７１７は出力端子である。
になり、７０１は入力ローカルピークパタンの入
力端子、７０２は標準パタンの入力端子、７０３
は音声平均電力の入力端子、７０５は標準パタン
長の入力端子、７０６，７０７，７０８は乗算加
算器、７０９，７１０は平方根演算器、７１１は
乗算器、７１２は除算器、７１３は乗算加算器、
７１４は乗算器、７１５は最大値検出器、７１６
は乗算器、７１７は出力端子である。
入力端子７０１から入力される入力ローカルピ
ークパタンＰのノルムが乗算加算器７０６、平行
根演算器７０９によつて次の(17)式の如く算出さ
れる 同様にして標準パタンＤのノルムが乗算加算器
７０８、平方根演算器７０１によつて求まる。ま
た乗算加算器７０７によつてＰ・Ｄが次の(18)式
のように求まる。N 〓i=1 Pi（Ｋ）・Di（Ｋ） …(18) さらに除算器７１２によつて前記(13)式の初期
類似度S^（Ｋ）が求まる。
ークパタンＰのノルムが乗算加算器７０６、平行
根演算器７０９によつて次の(17)式の如く算出さ
れる 同様にして標準パタンＤのノルムが乗算加算器
７０８、平方根演算器７０１によつて求まる。ま
た乗算加算器７０７によつてＰ・Ｄが次の(18)式
のように求まる。N 〓i=1 Pi（Ｋ）・Di（Ｋ） …(18) さらに除算器７１２によつて前記(13)式の初期
類似度S^（Ｋ）が求まる。
一方、音声平均電力′（Ｋ）が入力端子７０
３から入力され、乗算加算器７１３によりSL 〓K=1 S^（Ｋ）・′（Ｋ） …(19) で求まる。また最大値検出器７１５により、時間
正規化された音声平均電力の最大値 max｛′（Ｋ）｝ KE〔１，SL〕 …(20) が求まり、乗算器７１６により、標準パタン長
SLと乗算され、この結果と前記(19)式の結果を除
算器７１４に入力し、最終の類似度Ｓが求まり、
出力端子７１７に出力され、判定部１１２へ送ら
れる。
３から入力され、乗算加算器７１３によりSL 〓K=1 S^（Ｋ）・′（Ｋ） …(19) で求まる。また最大値検出器７１５により、時間
正規化された音声平均電力の最大値 max｛′（Ｋ）｝ KE〔１，SL〕 …(20) が求まり、乗算器７１６により、標準パタン長
SLと乗算され、この結果と前記(19)式の結果を除
算器７１４に入力し、最終の類似度Ｓが求まり、
出力端子７１７に出力され、判定部１１２へ送ら
れる。
判定部１１２では、各標準パタン毎の、最終の
類似度の最大値を与える標準パタンのカテゴリ名
またはカテゴリ番号を出力端子１１３を介して出
力し、認識結果とする。
類似度の最大値を与える標準パタンのカテゴリ名
またはカテゴリ番号を出力端子１１３を介して出
力し、認識結果とする。
（発明の効果）
以上、詳細に説明したように、本発明では、ロ
ーカルピーク抽出法として、有声音、無声音に関
わらず最小二乗近似直線を基準とし、または類似
度に音声平均電力（＝平均電力−雑音平均電力）
による重み付けを行つているので、雑音が混入し
た音声でも、特に音声の低レベルの部分におけ
る、音声のローカルピーク抽出の不完全さを補う
事ができ、すなわち雑音によるピークを音声によ
るローカルピークと見なす事が少なく、良好に認
識できる効果がある。
ーカルピーク抽出法として、有声音、無声音に関
わらず最小二乗近似直線を基準とし、または類似
度に音声平均電力（＝平均電力−雑音平均電力）
による重み付けを行つているので、雑音が混入し
た音声でも、特に音声の低レベルの部分におけ
る、音声のローカルピーク抽出の不完全さを補う
事ができ、すなわち雑音によるピークを音声によ
るローカルピークと見なす事が少なく、良好に認
識できる効果がある。
第１図は本発明による音声認識方法のフローチ
ヤート、第２図は従来の音声認識方法のフローチ
ヤート、第３図は入力音声信号の２値化を説明す
るための図、第４図は本発明による音声認識装置
の１実施例の全体の回路構成を示すブロツク図、
第５図は周波数分析部の回路構成を示すブロツク
図、第６図は音声区間検出を説明するための図、
第７図はローカルピーク特徴抽出部の構成を示す
ブロツク図、第８図はローカルピークパタン抽出
のフローチヤート、第９図は線形マツチング部の
回路構成を示すブロツク図。 １０１……入力端子、１０２……周波数分析
部、１０３……スペクトル正規化部、１０５……
平均電力メモリ、１０６……雑音電力算出部、１
０７……音声区間検出部、１０８……音声平均電
力算出部、１０９……ローカルピーク特徴抽出
部、１１０……標準パタンメモリ、１１１……線
形マツチング部、１１２……判定部、１１３……
出力端子。
ヤート、第２図は従来の音声認識方法のフローチ
ヤート、第３図は入力音声信号の２値化を説明す
るための図、第４図は本発明による音声認識装置
の１実施例の全体の回路構成を示すブロツク図、
第５図は周波数分析部の回路構成を示すブロツク
図、第６図は音声区間検出を説明するための図、
第７図はローカルピーク特徴抽出部の構成を示す
ブロツク図、第８図はローカルピークパタン抽出
のフローチヤート、第９図は線形マツチング部の
回路構成を示すブロツク図。 １０１……入力端子、１０２……周波数分析
部、１０３……スペクトル正規化部、１０５……
平均電力メモリ、１０６……雑音電力算出部、１
０７……音声区間検出部、１０８……音声平均電
力算出部、１０９……ローカルピーク特徴抽出
部、１１０……標準パタンメモリ、１１１……線
形マツチング部、１１２……判定部、１１３……
出力端子。
Claims (1)
- 【特許請求の範囲】 １ 入力音声を周波数分析し各音声フレーム毎に
複数チヤネルの分析データを抽出する処理と、 所定の雑音区間における全ての音声フレームの
全ての前記分析データを平均化し雑音平均電力を
算出する処理と、 入力音声の各音声フレーム毎に当該フレームに
対応する全ての前記分析データを平均化し平均電
力を算出する処理と、 入力音声の各音声フレーム毎に前記平均電力と
前記雑音平均電力との差分である音声平均電力を
算出する処理と、 入力音声の前記分析データを当該データの属す
る音声フレームにおける音声スペクトルの最小二
乗近似直線を用いてスペクトル正規化する処理
と、 スペクトル正規化された前記分析データに対し
て、前記最小二乗近似直線を基準として周波数軸
にそつた極大値すなわちローカルピークの有無を
判定し、ローカルピーク有りの場合を“１”とし
ローカルピーク無しの場合を“０”とする２値化
された入力音声のローカルピークパタンに変換す
る処理と、 予め用意されたローカルピークパタンで表わさ
れる複数の標準パタンと入力音声の前記ローカル
ピークパタンとの類似度を前記標準パタン及び前
記入力音声間の正規化された音声フレーム毎に算
出し、当該類似度に対し前記音声平均電力により
重み付けを行い且つ前記正規化された全ての音声
フレームにわたつて累算することにより最終類似
度を算出する処理と、 各標準パタン毎の前記最終類似度の最大値に対
応する標準パタンのカテゴリ名を認識結果として
判定する処理とを 具備する音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP60069053A JPS61228500A (ja) | 1985-04-03 | 1985-04-03 | 音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP60069053A JPS61228500A (ja) | 1985-04-03 | 1985-04-03 | 音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS61228500A JPS61228500A (ja) | 1986-10-11 |
| JPH0556520B2 true JPH0556520B2 (ja) | 1993-08-19 |
Family
ID=13391435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP60069053A Granted JPS61228500A (ja) | 1985-04-03 | 1985-04-03 | 音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS61228500A (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61230199A (ja) * | 1985-04-04 | 1986-10-14 | 沖電気工業株式会社 | 音声認識方法 |
| JPS62159195A (ja) * | 1986-01-06 | 1987-07-15 | 沖電気工業株式会社 | 音声パタン作成方法 |
| JPS6273298A (ja) * | 1985-09-26 | 1987-04-03 | 沖電気工業株式会社 | 音声認識方式 |
| JP3545007B2 (ja) * | 1993-03-17 | 2004-07-21 | 新日鉄ソリューションズ株式会社 | データベース検索システム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5319161A (en) * | 1976-08-06 | 1978-02-22 | Hitachi Metals Ltd | Fin pass roll |
-
1985
- 1985-04-03 JP JP60069053A patent/JPS61228500A/ja active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPS61228500A (ja) | 1986-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4918735A (en) | Speech recognition apparatus for recognizing the category of an input speech pattern | |
| US5842162A (en) | Method and recognizer for recognizing a sampled sound signal in noise | |
| JP2776848B2 (ja) | 雑音除去方法、それに用いるニューラルネットワークの学習方法 | |
| US20030191638A1 (en) | Method of noise reduction using correction vectors based on dynamic aspects of speech and noise normalization | |
| JPS634200B2 (ja) | ||
| CN107945793A (zh) | 一种语音激活检测方法及装置 | |
| CN110570871A (zh) | 一种基于TristouNet的声纹识别方法、装置及设备 | |
| CN120148543B (zh) | 一种电网调控工作台环境的音频识别降噪处理方法及系统 | |
| JP4871191B2 (ja) | 目的信号区間推定装置、目的信号区間推定方法、目的信号区間推定プログラム及び記録媒体 | |
| JP3039623B2 (ja) | 音声認識装置 | |
| JP2992324B2 (ja) | 音声区間検出方法 | |
| JPS61228500A (ja) | 音声認識方法 | |
| CN116229988A (zh) | 一种电力调度系统人员声纹识别鉴权方法、系统及装置 | |
| GB2216320A (en) | Selective addition of noise to templates employed in automatic speech recognition systems | |
| JPH0448400B2 (ja) | ||
| JPH04369698A (ja) | 音声認識方式 | |
| JPH0573090A (ja) | 音声認識方法 | |
| JPH0424717B2 (ja) | ||
| JPS61230199A (ja) | 音声認識方法 | |
| KR100381372B1 (ko) | 음성특징 추출장치 | |
| JP3450972B2 (ja) | パターン認識装置 | |
| JP3032215B2 (ja) | 有音検出装置及びその方法 | |
| JPS62113197A (ja) | 音声認識装置 | |
| JPS62159195A (ja) | 音声パタン作成方法 | |
| JPS625298A (ja) | 音声認識装置 |