JPH0573035B2

JPH0573035B2 -

Info

Publication number: JPH0573035B2
Application number: JP59238765A
Authority: JP
Inventors: Koichi Yamaguchi
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1984-11-12
Filing date: 1984-11-12
Publication date: 1993-10-13
Also published as: JPS61116400A

Description

【発明の詳細な説明】＜技術分野＞本発明は、零交差情報を用いた音声情報処理装
置に関するものである。

＜従来技術＞波形の零交差回数（以下ZCCとおく）は、コン
パレータを使つた簡単な回路で実現でき、また、
音声のスペクトルに関する情報もある程度表現し
ているため、従来からその性質が研究され、音声
分析の手段として利用されてきた。実際には、単
に入力信号の零交差をとるだけでは、入力信号に
含まれるノイズ等により、音声の入つていない部
分でも零交差が検出される。よつて、純粋なZCC
だけでは音声認識、特に音声（有声）区間と無音
区間との分離等には有効ではなく、ZCCは、音声
区間中である程度以上振幅の大きい部分でのみ、
信頼できる情報を提供する。

無音区間でノイズによるカウントを避けるた
め、従来からなされている手法として、コンパレ
ータにヒステリシスを持たせたり、コンパレータ
の基準電圧を入力信号の平均値からずらせる方法
がある（例えば、特開昭58−116595号公報参照）。
これによると、音声に比べて振幅の小さいノイズ
部分、つまり無音区間では、コンパレータは応動
しないように設定することができる。この方法に
よる情報を、レベル交差回数（LCC）と呼ぶこ
とにする。

LCCは、厳密にはZCCとは違うが、音声区間
等のある程度振幅の大きいところではZCCとほぼ
一致するため、音声認識等でZCCと同様の情報と
して扱つてもよい。ただし、コンパレータの基準
電圧（またはヒステリシス、この値を以下クロス
レベルと呼ぶ）を大きくしすぎると、振幅の小さ
い子音部等でコンパレータが応動せず、零交差情
報が失われることがある。特に、摩擦音は、エネ
ルギーが3K〜6KHzに存在しているため、ZCCは
非常に高い値を示し、他の音韻と顕著な差が出る
が、その振幅が小さいためクロスレベルが大きい
ときは、LCCは小さい値になる可能性がある。
逆に、クロスレベルが小さすぎると、無音区間で
ノイズによつてコンパレータが応動してしまい、
音声区間との分離がしにくくなる。これらが、
LCCの問題点であり、音声認識等の特徴量とし
てLCCが用いられたとき、語頭・語尾の検出誤
りや子音部の判定誤りなどが生じ、エラーやリジ
エクトを招く結果となる。

＜発明の目的＞本発明は、コンパレータのクロスレベルを、音
声が含まれていない周囲雑音の区間の信号の大き
さに応じて自動的に補正し、上述したような従来
の欠点を解消した音声情報処理装置を提供するこ
とを目的とする。

＜実施例＞以下図面に従つて本発明の一実施例を詳細に説
明する。

第１図はLCCを使つた音声認識装置の構成例
を示すブロツク図である。図において、マイクロ
ホン１から入力された音声信号はプリアンプ２に
よつて増幅され、いくつかの帯域ろ波器（この例
では２個）３１，３２に通された後、各々コンパ
レータ４１，４２に入力される。各コンパレータ
４１，４２は、クロスレベル変換部５１，５２の
出力である基準電圧と比較し、マイクロコンピユ
ータ６に入力される。結果は出力部７等で表示さ
れる。ここで、基準電圧は０にしておき、コンパ
レータ４１，４２のヒステリシスを変化するよう
に、変換部５１，５２を接続してもよい。変換部
５１，５２への入力は、マイクロコンピユータ６
の出力ポートから送られる。この例では、各々
3bit、すなわち８段階に変化できるようにしてい
る。

第２図に、クロスレベル変換部５１，５２の具
体的な回路構成例を示す。図中の集積回路ICは、
８チヤンネルのマルチプレクサとして構成された
ものであり、コントロール端子への3bit（０〜７）
のデイジタル信号によつて、各チヤンネルの対応
したスイツチがONになる。そして、これにより
外部に接続された抵抗Ｒのタツプを切換え、コン
パレータ４１，４２のクロスレベルを修正する。

第３図は、この認識装置の処理の流れを機能的
に表わすブロツク図である。図において、マイク
ロホン１から入力された音声信号は、音響分析部
１１によつて分析処理される。この音響分析部１
１は、第１図の帯域ろ波器３１，３２、コンパレ
ータ４１，４２及びクロスレベル変換器５１，５
２に相当する。分析処理は、例えば、単位時間
（フレーム）毎の特徴ベクトルの時系列として出
力することである。得られたベクトル時系列は、
次にパタン変換部１２に入り、音韻等の標準パタ
ン１３を参照しながら、セグメンテーション等の
手法により、音韻もしくはそれに相当するラベル
の系列として表現し、語検出部１４でその系列に
基づいて音声区間を検出する。

ここで、単語音声認識の場合は、入力音声の単
語パタンがマツチング部１５に送られ、単語の標
準パタン１６を参照して認識を行い、判定結果出
力部１７で結果の表示や送信を実行する。ノイズ
適応部１８は、語検出部１４の結果を参考に、主
として音声区間がない部分、すなわち雑音区間の
特徴ベクトルの時系列に基づき、音響分析部１１
のクロスレベルを修正する。そして、環境雑音が
大きく認識するには不適当と判断したときは、入
力受付不可表示１９を行う。

ノイズ適応部１８について、さらに詳しく説明
する。適応化アルゴリズムを実現するためには、
以下のような要求がある。

１実用性の面から、最適なクロスレベルに収束
する時間は速いほどよい。

２適応化の処理量は、マイコンで実現できる程
度のものでなければならない。

３弱い摩擦音をノイズと判定し、適応化を行わ
ないようにする。

４突発性の雑音に対しては、これを無視しなけ
ればならない。

５長く続く発声が入力されたとき、継続時間の
制限により認識装置はリジエクトを出すが、こ
れと大きなノイズとは区別しなければならな
い。

６発声の前後には、呼吸音や舌打ちなどの生理
的雑音が存在することがときどきあり、これら
のノイズ区間で適応すると、期待するクロスレ
ベルより大きくなるので、この区間は適応を避
けた方が望ましい。

以上の項目中には、相反する要求もあり、すべ
てを満足させるわけにはいかないが、どれもある
程度満たすようなアルゴリズムを実現しなければ
ならない。重要な点は、クロスレベルは適正また
は過大のときは、パタン変換によつて無音部分
（以後Ｓと呼ぶ）が抽出でき、また、クロスレベ
ルが過小のときも、周囲騒音の振幅が小さければ
Ｓが抽出できることである。しかし、クロスレベ
ルが過小でかつ周囲騒音がある水準より大きいと
きは、必らずしもＳが抽出されるとは限らないた
め、この場合は特別扱いにする必要がある。

前者、すなわちＳが抽出され、語頭・語尾が検
出される場合をケースＡとし、後者、すなわちＳ
が抽出されず、継続時間が長過ぎることによるリ
ジエクトが起こる場合をケースＢとする。このよ
うに適応部をＡ，Ｂの２つに分ける。第４図にノ
イズ適応部１８のフローチヤートを示す。図中、
語頭・語尾の情報は語検出部１４から送られて来
る。ケースＡは、発声と発声の間の無音区間に対
して適応化を行い、ケースＢは、語頭検出後（た
だし、これが音声であるか雑音であるかは、この
例では判定していない）、継続時間がある基準値
以上になつたところでクロスレベルを変更する。

図において、語頭が存在していないときは、未
発声なのでケースＡのルーチンへ入る。存在して
いれば発声がなされたことになり、語尾判定の結
果をみる。語尾が検出されていなければ、ノイズ
適応部１８から脱出する。検出されているとき
は、装置が正常に動作していると考えられるの
で、ケースＡのルーチンへ入る。通常の単語音声
認識装置は、発声単語の継続時間に最小値と最大
値を設け、その範囲外の入力信号はリジエクトし
ているが、最小値より小さいときはケースＡに、
最大値を越えたときはケースＢに入る。

ケースＡのルーチンでは、語尾またはリジエク
トの時点から、Ｓがある基準時間T_B（およそ0.5
秒）継続した後から適応Ａを行う。語尾直後とせ
ずに、T_Bを設けているのは、前に述べた要求６）
項の生理的雑音を避けるためである。適応Ａで
は、T_B経過後のＳに属する一定のフレーム分
（たとえば16フレーム）の特徴ベクトルの和（Ｘ
とおく）を用いて、その値をある定められた関数
またはテーブルＴで写像し、現在のクロスレベル
LVに加算し、新しいクロスレベルLV′とする。
すなわち、 LV′＝LV＋Ｔ（Ｘ） ……(1) 一度、適応Ａを作用させると、その時点から一
定フレーム分（たとえば16フレーム）は特徴ベク
トルを集収しない。これは要求４、３を満たすた
めである。以後、同様に集収・適応Ａ・休止を語
頭が検出されるまで続ける。ここで、クロスレベ
ルの最大値を、認識性能をそこなわない最大のレ
ベルにあらかじめ設定しておき、LV′がその最大
値を越えたならば、入力の受付が不可能という表
示を行う。この時、同時に入力されたパタンを第
３図のマツチング部１５へ送らないようにしても
よい。式(1)において、LVが適正ならばＴ（Ｘ）は
０に近い値をとり、LVが過大ならばＴ（Ｘ）は負
となり、LV′は減少する。LVが過小のときはＴ
（Ｘ）は正となり、LV′は増加する。

ケースＢのルーチンでは、継続時間が長過ぎる
ことによるリジエクトが発生してからも、ある程
度の時間T_N（１秒〜1.5秒程度）引き続き発声中、
すなわち語尾が検出されなかつたとき、適応Ｂを
作用させる。適応Ｂでは、Ｓの区間から特徴ベク
トルが集収できないため、LVにある一定量Ｋを
加える操作を行う。

LV′＝LV＋Ｋ ……(2) 適応Ｂを施した後、語尾が検出されれば、今度
はケースＡのルーチンに戻る。もちろん、このと
きの入力パタンはリジエクトされている。一方、
尚語尾が検出されずにT_N経過したならば、再び
適応Ｂを行う。以後、この動作を繰返す。LV′が
クロスレベルの最大値を越えた場合は、ケースＡ
と同様である。上のケースＢの説明は、対象とし
ている継続時間の長過ぎる入力信号が、発声によ
るものなのか、純然たる周囲騒音なのかを判定す
る機能を認識装置が有していない場合であり、こ
の機能を有している場合は、リジエクト発生直後
に適応Ｂを作動させてもよい。

適応Ａ、適応Ｂの起こる様子を第５図、第６図
に示す。１００は特徴ベクトルの集収、１０１は
適応Ａ、１０２は適応Ｂの処理動作を表わしてい
る。第５図では、発声終了後T_B経過して１００
の集収、１０１の適応Ａが起つている。途中、突
発性の雑音が入つているが、継続時間が短いため
リジエクトとなり、その終了時からT_B経過後か
らケースＡになつている。第６図では、振幅の大
きい雑音が長く続き、リジエクトが生じ、その後
更にT_N続いたので、１０２の適応Ｂが動作して
いる。その後Ｓが出現し、語尾と判定され、ケー
スＡになつている。

以上、音声認識装置について説明したが、有
声・無声・無音等の判定にLCCを用いる音声合
成装置においても、本発明を利用することがで
き、合成音の音質向上やビツトレートの低減に役
立つ。

＜発明の効果＞上に詳述した如く、本発明は、コンパレータの
クロスレベルを周囲雑音に応じて自動的に変化さ
せることを特徴とし、例えばクロスレベルを手動
で設定することは、かなりの熟練を要し使用者の
負担を強いるが、この自動化のメリツトは非常に
大きい。また本発明によれば、処理量が少なく、
また簡単な回路で実現できるため、マイクロコン
ピユータを使つた音声認識装置や音声合成装置に
組み込むことができ、有用な音声情報処理装置を
提供する。

【図面の簡単な説明】

第１図は本発明の一実施例を示すブロツク構成
図、第２図は第１図の要部具体例を示すブロツク
図、第３図は処理の流れを機能的に示す図、第４
図は第３図の要部を更に詳細に説明するフローチ
ヤート、第５図、第６図は適応例を波形とともに
示す図である。４１，４２……コンパレータ、５１，５２……
クロスレベル変換部、６……マイクロコンピユー
タ、１１……音響分析部、１２……パタン変換
部、１３……音韻等の標準パタン、１４……語検
出部、１５……マツチング部、１６……単語の標
準パタン、１８……ノイズ適応部、１００……特
徴ベクトル収集、１０１……適応Ａ、１０２……
適応Ｂ。

Claims

【特許請求の範囲】１音声信号を入力する入力手段と、該入力手段から入力された音声入力信号を単位
時間毎の特徴ベクトル時系列として出力する音響
分析部と、前記特徴ベクトル時系列を音韻等の標準パタン
を参照しながら音韻若しくは当該音韻に相当する
ラベル系列として表現するパタン変換部と、前記ラベル系列に基づいて前記入力信号の音声
区間を検出する語検出部と、該語検出部の検出結果に基づいて単語標準パタ
ンを参照して単語音声認識を行うマツチング部
と、該マツチング部のマツチング結果を出力する判
定結果出力部と、前記音声入力信号と、音声入力信号の平均レベ
ルより所定量だけ偏倚した基準値とを比較する手
段と、前記基準値を、音声が含まれていない周囲雑音
の区間の信号の大きさに応じて修正する手段と、音声区間を検出する機能をもち、音声入力信号
の語尾が検出されたとき、語尾から一定時間経過
してから周囲雑音の区間を分析し、その結果に従
つて前記基準値の修正を開始し、音声入力信号の
継続時間が長過ぎ、語尾が検出されないまま一定
時間以上経過したときは、その時点の基準値を所
定量増加させるノイズ適応部とを有することを特徴とする零交差情報利用の音声
情報処理装置。