JPH06214596A - 音声認識装置および話者適応化方法 - Google Patents

Abstract

(57)【要約】 【目的】 声道特性の個人差のみならず声帯音源特性の
個人差をも良好に補正し、未知の話者の発声を標準話者
の発声に良好に適応させ、良好な認識結果を得ることが
可能である。 【構成】 既知なる発声内容の未知なる話者の入力音声
信号に対して、複数の異なる周波数特性補正係数および
複数の異なる周波数軸変換係数の各々の係数毎に、周波
数特性補正部１０，周波数軸変換部３０，特徴量抽出部
２０に処理を行わせて、各々の係数毎に入力音声特徴量
を求めさせ、各々の係数毎の入力音声特徴量を既知なる
発声内容と同一内容の標準音声特徴量と照合して、各々
の係数のうちから、最小距離を与える１つの周波数特性
補正係数と１つの周波数軸変換係数を選択し、音声認識
処理を行なう。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、不特定話者の音声を音
声認識させる分野等に利用される音声認識装置および話
者適応化方法に関する。

【０００２】

【従来の技術】音声には性別，年齢，体格，発声法など
の違いによる個人差があり、この個人差が不特定話者の
音声認識の性能を劣化させる大きな要因となっている。
音韻に依存しない個人性としては、声帯音源特性に関す
る音声スペクトル傾斜の変動と、声道特性（例えば声道
長）に関する音声スペクトルの周波数軸方向の伸縮との
２つが挙げられる。これらの個人性を正規化する方法と
して、従来では、例えば文献「三輪、城戸：“音声認識
のための話者正規化の検討”（音響学会、音声研究会資
料Ｓ７９−２４，１９７９年７月）」、文献「中川、神
谷、坂井：“音声スペクトルの時間軸・周波数軸・強度
軸の同時非線型伸縮に基づく不特定話者の単語音声の認
識”（電子通信学会論文誌、Ｖｏ１．Ｊ６４−Ｄ，Ｎ
ｏ．２，１９８１年２月）」などに示されているよう
に、個人差による音声信号のパターン変動に対処する話
者適応化方式が提案されている。

【０００３】

【発明が解決しようとする課題】しかしながら、上述し
たような従来の話者適応化方式では、個人差を正規化す
ると、一部の音韻差までも正規化されてしまい、音韻性
が失なわれるという問題あるいは演算量が多いという問
題があった。

【０００４】この問題を解決するため、特開平２−２５
９６９８号に開示されているような話者適応化装置が提
案されており、この装置では、入力話者における音声信
号のスペクトルを周波数軸上でシフトして標準話者にお
ける音声信号のスペクトルに変換し、周波数軸上のシフ
トに関してだけ話者適応化を行なうようになっている。

【０００５】ところで、当業者間には、声道特性に関す
る音声スペクトルのみならず、声帯音源特性に関する音
声スペクトルについても、音韻性を失なうことなく個人
差を補正することが望まれているが、上述の話者適応化
装置では、声道特性に関するスペクトルについて周波数
軸上でのみ正規化しているにすぎず、音声スペクトル全
体について簡単な構成かつ簡単な学習で話者適応化を行
なうことができないという欠点があった。

【０００６】本発明は、音韻性を失なうことなく、また
装置規模を大型化させず、また簡単かつ効率の良い操作
で、声道特性の個人差のみならず声帯音源特性の個人差
をも良好に補正し、未知の話者の発声を標準話者の発声
に良好に適応させ、良好な認識結果を得ることの可能な
音声認識装置および話者適応化方法を提供することを目
的としている。

【０００７】

【課題を解決するための手段および作用】上記目的を達
成するために、本発明は、話者適応フェーズと音声認識
フェーズの機能を具備し、話者適応フェーズにおいて
は、既知なる発声内容の未知なる話者の入力音声信号に
対して、複数の異なる周波数特性補正係数および複数の
異なる周波数軸変換係数の各々の係数毎に、周波数特性
補正手段，周波数軸変換手段，特徴量抽出手段に処理を
行なわせて、各々の係数毎に入力音声特徴量を求めさ
せ、各々の係数毎の入力音声特徴量を既知なる発声内容
と同一内容の標準音声特徴量と照合して、各々の係数の
うちから、最小距離を与える１つの周波数特性補正係数
と１つの周波数軸変換係数を選択し、また、音声認識フ
ェーズにおいては、前記話者適応フェーズで入力を行な
った話者の未知なる発声内容の入力音声信号に対して、
話者適応フェーズにおいて選択された１つの周波数特性
補正係数と１つの周波数軸変換係数とに基づき周波数特
性補正手段，周波数軸変換手段，特徴量抽出手段に処理
を行なわせて入力音声特徴量を求めさせ、該入力音声特
徴量を標準音声記憶手段に保持されている標準音声特徴
量と照合して、認識結果を出力するようになっているこ
とを特徴としている。これにより、音韻性を失なうこと
なく、声帯音源特性と声道特性の個人差を補正し、未知
話者の発声を標準話者の発声に良好に適応させることが
でき、これにより、１人あるいは小人数の標準話者の標
準音声だけを用いて、不特定話者音声認識に近い音声認
識を容易に実現することができる。

【０００８】

【実施例】以下、本発明の実施例を図面に基づいて説明
する。図１は本発明に係る音声認識装置の一実施例の構
成図である。図１を参照すると、この音声認識装置は、
入力された音声信号の周波数特性を補正する周波数特性
補正部１０と、入力音声信号のケプストラム係数を入力
音声特徴量として抽出する特徴量抽出部２０と、入力音
声信号に対し周波数軸の変換を施す周波数軸変換部３０
と、入力された音声信号の区間を検出する音声区間検出
部４０と、標準音声信号の特徴量が標準音声特徴量とし
て予め記憶されている標準音声記憶部５０と、入力音声
信号に対し周波数特性補正部１０，特徴量抽出部２０，
周波数軸変換部３０により得られた入力音声特徴量と標
準音声記憶部５０に記憶されている標準音声特徴量との
照合（マッチング）を行なうマッチング部６０とを有し
ている。

【０００９】ところで、この音声認識装置では、不特定
話者の音声をも良好に認識させることを目的として、実
際の音声認識処理を開始するに先立って、話者適応学習
処理がなされるようになっている。この２種類の処理を
１つの装置で行なわせるため、図１の装置には、この装
置の動作，機能を話者適応フェーズと音声認識フェーズ
とのいずれかに切換えるためのフェーズ選択部９０がさ
らに設けられている。

【００１０】また、これと関連させて、標準音声記憶部
５０には、話者適応処理用の標準音声特徴量と音声認識
用の標準音声特徴量とが記憶されている。また、周波数
特性補正部１０には、話者適応学習用に、互いに異なる
複数の周波数特性補正係数が予め用意され、また、周波
数軸変換部３０には、話者適応学習用に、互いに異なる
複数の周波数軸変換係数が用意されている。

【００１１】また、話者適応フェーズにおいては、未知
なる話者に既知の発声内容を発声させるようになってお
り、周波数特性補正部１０，周波数軸変換部３０では、
この音声信号に対して、各々、複数の周波数特性補正係
数，複数の周波数軸変換係数を順次に変えて処理を行な
い、マッチング部６０は、それぞれの場合について、周
波数特性補正部１０，特徴量抽出部２０，周波数軸変換
部３０により得られた入力音声特徴量を標準音声記憶部
５０に記憶されている話者適応処理用の標準音声特徴量
とマッチングして、各入力音声特徴量と標準音声特徴量
との距離を求め、そのうち最小距離を与える周波数特性
補正係数と周波数軸変換係数とを選択し決定するように
なっている。

【００１２】また、音声認識フェーズにおいては、未知
なる話者（実際には、話者適応フェーズで入力を行なっ
た話者）の未知の発声内容の音声信号に対して、周波数
特性補正部１０，周波数軸変換部３０では、上記話者適
応フェーズにおいて選択，決定された周波数特性補正係
数と周波数軸変換係数とに基づいて処理を行ない、マッ
チング部６０は、このようにして周波数特性補正部１
０，特徴量抽出部２０，周波数軸変換部３０により得ら
れた入力音声特徴量を標準音声記憶部５０に記憶されて
いる音声認識用の標準音声特徴量とマッチングして、最
小距離を与える標準音声特徴量に対応した語を認識結果
として出力するようになっている。

【００１３】次に、このような構成の音声認識装置の処
理動作について、図２，図３のフローチャートを用いて
具体的に説明する。なお、図２，図３はそれぞれ話者適
応フェーズ，音声認識フェーズにおける処理動作を示す
フローチャートである。図１の音声認識装置を不特定話
者用の音声認識装置として用いる場合、使用者（未知の
話者）は、実際の音声認識動作を行なうに先立って、自
己の音声を標準音声に適応化させる適応学習を行なうた
め、フェーズ選択部９０を用いて、この装置を話者適応
フェーズに切換える。

【００１４】この状態で、この使用者（未知の話者）
は、既知の内容，例えば「はちのへ」，「けせんぬ
ま」，「ゆくはし」，「さっぽろ」，「きたみ」の５単
語を順に発声し、装置に例えばＡ／Ｄ変換器（図示しな
いが、例えば標本周波数１６ＫＨ_Z）を介して入力させ
ることができる（ステップＳ１）。なお、個人特有のス
ペクトル傾斜，周波数シフトは、差程、音韻にはよらな
いので、適応学習のための単語の種類（セット）は、こ
のような２０音節程度のもので十分である。図１の装置
は、これらの入力音声信号に対して以下の処理を行な
う。

【００１５】すなわち、先ず、Ａ／Ｄ変換器からの音声
信号ｘに対し、音声区間検出部４０において各単語の音
声区間を検出する（ステップＳ２）。音声区間検出部４
０では、例えば、各フレームの信号パワーと２つの閾値
を用いた既知の２閾値法を用いて、入力された音声信号
の区間を検出する。なお、この音声区間の情報は、後述
の処理のために保存される。

【００１６】また、Ａ／Ｄ変換器からの音声信号ｘは、
周波数特性補正部１０に入力し、周波数特性補正部１０
では、入力された音声信号のスペクトル傾斜を、例えば
次式で表わされるフィルタＨ_β(ｚ）を作用させること
によって補正する。

【００１７】

【数１】Ｈ_β(ｚ）＝１−βｚ^-1 （−１≦β≦１）

【００１８】なお、スペクトル傾斜の上記のような補正
の仕方は、文献「鹿野、杉山：“ＬＰＣスペクトル・マ
ッチング尺度におけるスペクトルの傾きの正規化”（音
響学会講演論文集、昭和５６年５月、２−７−１５）」
に示されているものと同様である。但し、本実施例で
は、βを周波数特性補正係数とし、これが複数の値，例
えば−０．３， −０．２， −０．１， ０．０， ０．
１， ０．２， ０．３の７つの値β₁乃至β₇をとるよう
にしている。これにより、周波数特性補正部１０から
は、７種類の周波数特性補正係数β₁乃至β₇により補正
された７種類の出力信号Ｂ₁乃至Ｂ₇が出力され、特徴量
抽出部２０に加わる。なお、周波数特性補正部１０から
出力された７種類の各出力信号Ｂ₁乃至Ｂ₇は、後述の処
理のため、例えばバッファ（図示せず）に保存される。

【００１９】周波数特性補正部１０からの各出力信号ｙ
₁乃至ｙ₇が加わると、特徴量抽出部２０では、上記７種
類の出力信号ｙ₁乃至ｙ₇の各々に対し、ＬＰＣケプスト
ラム分析して、一定フレーム周期毎にケプストラム係数
を出力する。なお、この方法は、文献「古井著“ディジ
タル音声処理”（東海大学出版会），１９８５年９月２
５日」などに示され、既に知られている。具体的には、
特徴量抽出部２０は、プリエンファシス：１−ｚ^-1、窓
周期：１６ｍｓ、フレーム周期：１０ｍｓ、ＬＰＣ分析
次数：１４次、ケプストラム分析次数：１４次で、ＬＰ
Ｃケプストラム分析し、ケプストラム係数を出力する。

【００２０】周波数特性補正部１０からの各出力信号ｙ
₁乃至ｙ₇のそれぞれに対してケプストラム分析された結
果のケプストラム係数は、周波数軸変換部３０に順次に
加わり、周波数軸変換部３０では、これらのケプストラ
ム係数に対して、例えば次式で表わされる１次の全域透
過フィルタＨ_α(ｚ）を作用させて、周波数軸の変換を
施し、その変換結果をマッチング部６０に与える。

【００２１】

【数２】 Ｈ_α(ｚ）＝（ｚ^-1−α）／（１−αｚ^-1） （−１≦α≦１）

【００２２】なお、Ｈ_α(ｚ）とｚとの間の変換を用い
る上記のような変換の仕方は、文献「小林、松本：“Ｌ
ＰＣ距離尺度における周波数軸正規化に関する検討”
（音響学会講演論文集、昭和５８年１０月、１−１−
５）」に示されているものと同様である。但し、本実施
例では、メルケプストラムの次数を例えば１０次とした
メル周波数変換の処理も同時に行なう。すなわち、メル
尺度を最も良く近似する周波数軸変換係数αの値を０．
５とし、これを基準としてαが、０．４０， ０．４
３， ０．４７， ０．５０， ０．５３， ０．５６，
０．５９の７つの値α₁乃至α₇をとる。これらは、それ
ぞれ０．７７倍、０．８４倍、０．９２倍、１．００
倍、１．０９倍、１．０９倍、１．３０倍の周波数軸伸
縮に対応する。

【００２３】この際、周波数軸変換部３０，マッチング
部６０では、先ず、７種類の周波数特性補正係数β₁乃
至β₇のうち、未知の話者の入力音声に最適な１つの周
波数特性補正係数を選択し決定する処理を行なう。この
ため、周波数軸変換部３０では、最初、周波数軸変換係
数αを基準となるα₄（＝０．５０）に設定し、この周
波数軸変換係数α₄により、特徴量抽出部２０からの７
種の信号の周波数軸変換を行ない、それぞれの変換結果
すなわちメルケプストラム係数ｃ_β2，（いまの場合、
ｃ₁₄，ｃ₂₄，…，ｃ₇₄）をマッチング部６０に与える。

【００２４】マッチング部６０では、音声区間検出部４
０で検出された音声区間に存在する入力音声信号の周波
数軸変換部３０からの変換結果ｃ₁₄，ｃ₂₄，…，ｃ₇₄を
標準音声記憶部５０に予め記憶されている複数の発声内
容の標準音声特徴量（具体的には、標準音声信号のメル
ケプストラム係数の時系列）と照合（パターンマッチン
グ）する。なお、このパターンマッチングは、例えば、
公知の端点固定ＤＰ（ダイナミック・プログラミング）
法によりなされる。その場合、整合窓の傾斜制限は、
“０．５”以上で“２”以下である。また、端点固定Ｄ
Ｐ法は一般に、音声区間検出誤差、すなわち始終端のず
れに対してやや難点があるが、ここでは、同一始終端の
入力音声のパターン同士の相対比較を行なうので、始終
端のずれについては何ら問題は生じない。

【００２５】このようなＤＰマッチングによる照合にお
いて、マッチング部６０は、その累積距離を最小とする
係数βを選択し、保存する。ここで、累積距離とは、話
者により発声された５つの単語全ての累積距離の総和で
ある。また、その際、各単語毎の区間長の正規化は行な
う必要はない。

【００２６】このようにして、７種類の周波数特性補正
係数β₁乃至β₇，基準となる周波数軸変換係数α₄によ
って処理された入力音声信号の７種類の特徴量ｃ₁₄乃至
ｃ₇₄を標準音声特徴量と照合して、７種類の入力音声特
徴量ｃ₁₄乃至ｃ₇₄のうちで最適な特徴量を１つ選択す
る。最適な特徴量として例えばｃ₂₄が選択されると、こ
の特徴量ｃ₂₄に対応した周波数特性補正係数β₂を最適
な周波数特性補正係数として選択し、決定することがで
きる（ステップＳ３）。

【００２７】次いで、上記のようにして最適な周波数特
性補正係数βとして、例えばβ₂が選択決定されると、
このβ₂により周波数特性補正部１０において前述のよ
うにすでに処理されバッファに保存されている出力信号
ｙ₂をバッファから読み出し、特徴量抽出部２０に与え
る。特徴量抽出部２０では、前述したと同様に、この出
力信号ｙ₂に対しケプストラム分析を行ない、ケプスト
ラム係数を周波数軸変換部３０に与える。

【００２８】周波数軸変換部３０では、今度は、７種類
の周波数軸変換係数α₁乃至α₇のうち、未知の話者の入
力音声に最適な１つの周波数軸変換係数を選択し決定す
る処理を行なう。このため、特徴量抽出部２０から出力
信号ｙ₂に対するケプストラム係数が与えると、周波数
軸変換部３０では、これに対して７種類の周波数軸変換
係数α₁乃至α₇をそれぞれ作用させて７種類の周波数軸
変換を行ない、それぞれの変換結果，すなわちメルケプ
ストラム係数δ_2α（いまの場合、ｍ₂₁，ｍ₂₂，…，ｍ
₂₇）をマッチング部６０に与える。

【００２９】マッチング部６０では、前述したと同様
に、周波数軸変換部３０からの変換結果ｍ₂₁，ｍ₂₂，
…，ｍ₂₇を標準音声記憶部５０に予め記憶されている複
数の発声内容の標準音声特徴量（具体的には、標準音声
信号のケプストラム係数の時系列）と照合（パターンマ
ッチング）する。すなわち、マッチング部６０は、各単
語の音声区間に関して、各組の入力音声特徴量とそれに
対応する（それと同一発声内容の）標準音声特徴量とで
ＤＰマッチングを実施し、その累積距離を最小とする係
数αを選択し、保存する。ここで、累積距離とは、前述
したと同様、話者が発声した５単語全ての累積距離の総
和である。また、その際、各単語毎の区間長の正規化は
行なう必要はない。

【００３０】このようにして、１種類の周波数特性補正
係数β₂，７種類の周波数軸変換係数α₁乃至α₇によっ
て処理された７種類の入力音声特徴量ｍ₂₁乃至ｍ₂₇を標
準音声特徴量と照合して、７種類の入力音声特徴量ｍ₂₁
乃至ｍ₂₇のうちで最適な特徴量を１つ選択する。最適な
特徴量として、例えばｍ₂₆が選択されると、この特徴量
ｍ₂₆に対応した周波数軸変換係数α₆を最適な周波数軸
変換係数として選択し、決定することができ、最終的
に、いま発声のなされた未知の話者の入力音声に適応す
る周波数特性補正係数β，周波数軸変換係数αとして、
β₂，α₆を決定することができる（ステップＳ４）。

【００３１】上記のようにして話者適応フェーズにおい
て、自己の音声をこれから音声認識させようとする話者
の音声に対して最適な周波数特性補正係数β，周波数軸
変換係数αが選択決定され、話者適応化がなされると、
この話者は、実際の音声認識処理を行なわせるため、フ
ェーズ選択部９０を用いて、この装置を音声認識フェー
ズに切換える。

【００３２】音声認識フェーズでは、この話者は、未知
の内容を発声し、その音声を装置に入力させる（ステッ
プＳ１１）。この話者の入力音声は、音声区間検出部４
０に加わって音声区間が検出されるとともに（ステップ
Ｓ１２）、周波数特性補正部１０にも加わる。周波数特
性補正部１０では、話者の音声信号を周波数特性補正係
数βにより補正し、その出力信号を特徴量抽出部２０に
与える。特徴量抽出部２０では、周波数特性補正部１０
からの出力信号をケプストラム分析してケプストラム係
数を求め、これを周波数軸変換部３０に与える。周波数
軸変換部３０では、これに加わる信号を周波数軸変換係
数αにより周波数軸変換し、その結果をマッチング部６
０に与える。

【００３３】ところで、音声認識フェーズにおける上記
一連の処理では、周波数特性補正係数β，周波数軸変換
係数αとして、話者適応フェーズにおいて選択決定され
たものを用いる。すなわち、前述の例では、β，αとし
て、β₂，α₆を用いる。但し、音声認識フェーズがなさ
れるに先立って、話者適応フェーズが一度も実施されて
いない場合は、β，αとして、標準の係数“０．０”，
“０．５”がそれぞれ用いられる。従って、音声認識フ
ェーズでは、入力された話者の音声信号は、周波数特性
補正部１０において１つの周波数特性補正係数βにより
補正されて、１つの出力信号ｙとして出力され、また、
周波数軸変換部３０においては、１つの周波数軸変換係
数αにより周波数軸変換がなされて、マッチング部６０
には、この入力音声信号について１種類の入力音声特徴
量ｍだけが送られる。

【００３４】マッチング部６０では、音声区間検出部４
０で検出された音声区間に存在する入力音声信号の周波
数軸変換部３０からの１種類の変換結果ｍを標準音声記
憶部５０に予め記憶されている標準音声特徴量と照合
（マッチング）して、その累積距離を最小とする標準音
声特徴量を選択し、これに対応する語を認識結果として
出力する（ステップＳ１３）。

【００３５】以上のように、図１の装置では、話者適応
学習のための学習サンプル量を極力抑え、かつ、音韻性
を失なうことなく声帯音源特性と声道特性との両方の個
人差を良好に補正し、未知話者の発声を標準話者の発声
に適応させることが可能であって、不特定話者音声認識
に適用する場合に、不特定話者の音声を良好に認識させ
ることができる。

【００３６】なお、図１の装置では、１つのマッチング
部６０だけが設けられ、このマッチング部６０は、話者
適応フェーズと音声認識フェーズとで共通に用いられる
が、図４に示すように、話者適応フェーズと音声認識フ
ェーズとでそれぞれ専用のマッチング部を個別に設ける
こともできる。

【００３７】すなわち、図４の構成では、話者適応フェ
ーズにおいてのみ機能する第１のマッチング部６１と、
音声認識フェーズにおいてのみ機能する第２のマッチン
グ部６２とが設けられており、また、第１のマッチング
部６１用に、第１の標準音声記憶部５１が設けられ、第
２のマッチング部６２用に、第２の標準音声記憶部５２
が設けられている。

【００３８】ここで、第１のマッチング部６１には、例
えば上述したと同様の端点固定ＤＰ法を用いることがで
きる。また、第２のマッチング部６２には、例えば文献
「室井、米山：“継続時間制御型状態遷移モデルを用い
た単語音声認識”（電子情報通信学会論文誌Ｖｏ１．Ｊ
７２−Ｄ−II、第１７６９頁，１９８９年１１月）」に
示されているような継続時間制御型状態遷移モデルによ
る音声認識法を用いることができる。なお、この音声認
識法は、端点固定ＤＰ法と比較して、音声区間検出誤差
に強く、認識性能が高く、また、音素単位の音声認識を
行なうことができるという特徴を有している。

【００３９】このように、話者適応処理に適したマッチ
ング手法により照合を行なう第１のマッチング部６１と
音声認識処理に適したマッチング手法により照合を行な
う第２のマッチング部６２とを別個に設けることによ
り、各々のフェーズにおける処理を効率的にかつ正確に
行なうことができ、精度の高い認識結果を得ることがで
きる。

【００４０】また、図１の装置構成を図５に示す構成の
ものに変形することもできる。図５を参照すると、この
装置には、図１の装置と異なりフェーズ選択部９０が設
けられておらず、話者がフェーズを意識することなく、
音声認識のための音声入力を行なうことができるような
処理制御がマッチング部６０においてなされるようにな
っている。すなわち、図５の装置のマッチング部６０
は、音声区間に関して、入力音声特徴量と複数の標準音
声特徴量とを照合（マッチング）して、各標準音声特徴
量との累積距離のうちで、最小の累積距離を求め、この
最小の累積距離が、予め定められた閾値以下の場合にの
み、この話者が話者適応処理用の既知の内容（単語）を
発声しているとみなして、自動的に話者適応処理を実行
し、予め定められた閾値以下でない場合は、話者が未知
の内容を音声認識させるために発声したとみなし、最小
の累積距離となった標準音声に対応する信号を認識結果
として出力して、１回の音声認識処理を終了するように
なっている。

【００４１】図６は図５の装置の処理動作を説明するた
めのフローチャートである。図６を参照すると、この装
置では、未知の話者が音声を入力すると（ステップＳ２
１）、この音声信号は音声区間検出部４０に加わり、音
声区間検出部４０では、この音声信号から音声区間を検
出する（ステップＳ２２）。また、入力された音声信号
は、周波数特性補正部１０，特徴量抽出部２０，周波数
軸変換部３０において所定の処理がなされる。すなわ
ち、周波数特性補正部１０では、これに現在保持されて
いる１つの周波数特性補正係数，例えばβ₄（＝０．
０）により、入力音声信号の周波数特性を補正し、周波
数軸変換部３０では、これに現在保持されている１つの
周波数軸変換係数，例えばα₄（＝０．５）により、特
徴量抽出部２０から出力された特徴量の周波数軸を変換
し、その変換結果としての特徴量をマッチング部６０に
与える。マッチング部６０では、音声区間検出部４０で
検出された音声区間に存在する入力音声信号の周波数軸
変換部３０からの特徴量を標準音声記憶部５０に予め記
憶されている種々の標準音声特徴量と照合（マッチン
グ）して、各標準音声特徴量との累積距離のうちで、最
小の累積距離を抽出する（ステップＳ２３）。

【００４２】次いで、マッチング部６０では、このよう
に抽出された最小累積距離が所定の閾値よりも小さいか
否かを判断する。この結果、最小累積距離が所定の閾値
よりも小さくないときには、この話者が音声認識させる
ための未知の内容を発声したと判断し、最小の累積距離
を与えた標準音声特徴量に対応する語を認識結果として
出力して、１回の音声認識処理を終了する（ステップＳ
２５）。これに対し、最小累積距離が所定の閾値よりも
小さいときには、この話者が話者適応処理用の既知の内
容（単語）を発声したものと判断し、マッチング部６０
は、周波数特性補正部１０，特徴量抽出部２０，周波数
軸変換部３０に対し、図２の処理と同様の話者適応処理
を行なわせる（ステップＳ２６，Ｓ２７）。

【００４３】このように、図５の装置では、１回の音声
認識処理を行なった結果、得られる最小の累積距離が所
定の閾値よりも小さいか否かにより、話者適応処理を実
行するか否かを判断するようにしているので、オペレー
タがフェーズを選択する手間を省き、話者適応処理が必
要な場合に自動的にこれを実行することができる。

【００４４】なお、図５の装置では、話者適応処理を実
行するか否かを判断する基準として、最小累積距離が所
定閾値よりも小さいか否かの基準を用いたが、これのか
わりに、例えば、認識の１位候補と２位候補のそれぞれ
の距離の比などを用いることもできる。また、係数α，
βは連続量をとることもできるので、話者適応フェーズ
時の係数α，βの更新において、係数α，βに対し次式
のような平滑化を行なうこともできる。

【００４５】

【数３】 α_t＝ａα＋（１−ａ）α_t-1， β_t＝ａβ＋（１−ａ）β_t-1 （０≦ａ≦１）

【００４６】ここで、α_t，β_tは今回の話者適応フェー
ズの実行後に新しく設定される周波数軸変換係数，周波
数特性補正係数、α_t-1，β_t-1は今回の話者適応フェー
ズが実行される前に設定されていた周波数軸変換係数，
周波数特性補正係数、α，βは今回の話者適応フェーズ
において選択された周波数軸変換係数，周波数特性補正
係数、ａは平滑化のための定数、あるいは、認識の距離
に応じた平滑化のための変数である。ここで、ａを変数
とする場合は、認識結果の信頼性が高い程、話者適応の
ための係数α，βを素早く変化させるために、累積距離
が小さければ１に近く、大きければ０に近い値をとるよ
うにする。例えば、累積距離をＤ（＞０）として、ａを
次式のようにすることもできる。

【００４７】

【数４】ａ＝ｅｘｐ（−Ｄ）

【００４８】上述の各実施例では、周波数特性補正部１
０，特徴量抽出部２０，周波数軸変換部３０の順に処理
がなされるようになっているが、この処理順序は、本質
的なものではなく、周波数特性補正処理と周波数軸変換
処理に上述した方法とは異なる他の方法が用いられると
きには、変わり得るものである。また、周波数特性補正
部１０，周波数軸変換部３０において用いられる補正
式，変換式も数１，数２以外のものを用いることもで
き、また係数の個数，値もこの例に限るものではなく、
場合に応じ任意所望の個数，値のものを用いることがで
きる。

【００４９】また、話者適応フェーズの係数選択の順序
も、例えば信号の記憶容量等に応じて、係数αを先に選
択し、次いで係数βを選択するようにしても良いし、あ
るいは、処理能力に応じ、全ての係数α，βの組み合わ
せに対して同時に実行しても良い。また、話者適用化の
ための発声内容の単語の種類（セット）についても、極
端な音韻の偏りがなければ、上述した例とは異なる他の
単語の種類（セット）を用いても良い。また、音声区間
検出部４０，マッチング部６０における音声区間検出
法，音声認識法についても上述以外の手法を用いること
もできる。

【００５０】

【発明の効果】以上に説明したように、請求項１，請求
項２記載の発明によれば、話者適応フェーズと音声認識
フェーズの機能を具備し、話者適応フェーズにおいて
は、既知なる発声内容の未知なる話者の入力音声信号に
対して、複数の異なる周波数特性補正係数および複数の
異なる周波数軸変換係数の各々の係数毎に、周波数特性
補正手段，周波数軸変換手段，特徴量抽出手段に処理を
行なわせて、各々の係数毎に入力音声特徴量を求めさ
せ、各々の係数毎の入力音声特徴量を既知なる発声内容
と同一内容の標準音声特徴量と照合して、各々の係数の
うちから、最小距離を与える１つの周波数特性補正係数
と１つの周波数軸変換係数を選択し、また、音声認識フ
ェーズにおいては、話者適応フェーズで入力を行なった
話者の未知なる発声内容の入力音声信号に対して、話者
適応フェーズにおいて選択された１つの周波数特性補正
係数と１つの周波数軸変換係数とに基づき周波数特性補
正手段，周波数軸変換手段，特徴量抽出手段に処理を行
なわせて入力音声特徴量を求めさせ、該入力音声特徴量
を標準音声記憶手段に保持されている標準音声特徴量と
照合して、認識結果を出力するようになっているので、
音韻性を失なうことなく、声帯音源特性と声道特性の個
人差を補正し、未知話者の発声を標準話者の発声に良好
に適応させることができ、これにより、１人あるいは小
人数の標準話者の標準音声だけを用いて、不特定話者音
声認識に近い音声認識を容易に実現することができる。

【００５１】また、請求項３記載の発明によれば、照合
手段が、話者適応フェーズにおいて第１の標準音声記憶
手段に保持されている標準音声特徴量を用いて話者適応
処理に適したマッチング手法により照合を行なう第１の
照合手段と、音声認識フェーズにおいて前記第２の標準
音声記憶手段に保持されている標準音声特徴量を用いて
音声認識処理に適したマッチング手法により照合を行な
う第２の照合手段とに分割されて構成されているので、
話者適応化処理と音声認識処理とのそれぞれの処理を効
率的かつ正確に行なうことができる。

【００５２】また、請求項４記載の発明によれば、話者
適応フェーズと音声認識フェーズとを切換選択するため
の処理選択手段がさらに設けられており、照合手段は、
処理選択手段からの指示により、話者適応フェーズと音
声認識フェーズとを切換えるようになっているので、話
者が音声認識入力を始める時点，あるいは認識率が悪い
時点の任意の時点で、話者は、容易に話者適応処理，所
謂教師有り学習を行なうことができる。

【００５３】また、請求項５記載の発明によれば、照合
手段は、所定の１つの周波数特性補正係数，所定の１つ
の周波数軸補正係数を用いて周波数特性補正手段，周波
数軸変換手段，特徴量抽出手段により処理されて得られ
た入力音声特徴量を標準音声記憶手段に保持されている
標準音声特徴量と照合し、該照合結果に基づいて入力音
声信号が既知なる発声内容の音声信号であるか否かを判
断し、既知なる発声内容の入力音声信号であると判断し
たときに話者適応フェーズを選択するようになっている
ので、音声認識のための内容未知の音声入力から話者適
応処理を自動的に開始させることができ、話者は予め話
者適応フェーズを選択するという手間を省くことができ
て、所謂教師無し学習を行なうことができる。

【００５４】また、請求項６記載の発明によれば、照合
手段は、照合結果として、入力音声特徴量と標準音声特
徴量との距離を得て、該距離が所定の条件を満たすとき
にのみ、話者適応フェーズを選択するようになっている
ので、認識結果の信頼性の高い場合に限って教師無し話
者適応処理を行なうことができ、話者適応処理が不適切
に実行されることを防止することができる。

【００５５】また、請求項７記載の発明によれば、周波
数特性補正係数および／または前記周波数軸変換手段に
おける周波数特性補正係数および／または周波数軸変換
係数を平滑化するための係数平滑化手段がさらに設けら
れており、該係数平滑化手段は、話者適応フェーズが選
択されて実行された場合に、周波数特性補正係数および
／または周波数軸変換係数の話者適応フェーズ実行直前
の値と話者適応フェーズ実行後の値とを用いて周波数特
性補正係数および／または周波数軸変換係数を平滑化す
るようになっているので、話者適応処理を安定に実行す
ることができる。

【００５６】また、請求項８記載の発明によれば、係数
平滑化手段は、音声認識処理の照合結果に対応する標準
音声特徴量と入力音声特徴量との距離に応じて定められ
る平滑化係数を用いて周波数特性補正係数および／また
は周波数軸変換係数を平滑化するので、認識結果の信頼
性が低い場合には、平滑化係数はほとんど変化せず、話
者適応処理を行なうか否かの判断の処理を必要としな
い。

【００５７】また、請求項９記載の発明によれば、声帯
音源特性の個人差の補正と声道特性の個人差の補正とが
シリアルになされるので、話者適応処理を効率良く行な
うことができる。

【００５８】また、請求項１０記載の発明によれば、話
者適応学習のための学習サンプル量としては、所定個数
（例えば２０音節程度）で済み、また、適応学習に十分
な２０音節程度の発声を得るために、平易で発声しやす
い単語セットを容易に選択することができる。

【図面の簡単な説明】

【図１】本発明に係る音声認識装置の一実施例の構成図
である。

【図２】図１の音声認識装置の話者適応フェーズにおけ
る処理動作を説明するためのフローチャートである。

【図３】図１の音声認識装置の音声認識フェーズにおけ
る処理動作を説明するためのフローチャートである。

【図４】図１に示す音声認識装置の変形例を示す図であ
る。

【図５】図１に示す音声認識装置の変形例を示す図であ
る。

【図６】図５の音声認識装置の処理動作を説明するため
のフローチャートである。

【符号の説明】 １０ 周波数特性補正部 ２０ 特徴量抽出部 ３０ 周波数軸変換部 ４０ 音声区間検出部 ５０ 標準音声記憶部 ５１ 第１の標準音声記憶部 ５２ 第２の標準音声記憶部 ６０ マッチング部 ６１ 第１のマッチング部 ６２ 第２のマッチング部 ９０ フェーズ選択部

Claims (10)

【特許請求の範囲】
1. 【請求項１】 予め定められた複数の異なる周波数特性
   補正係数に基づいて、入力された音声信号の周波数特性
   を補正する周波数特性補正手段と、予め定められた複数
   の異なる周波数軸変換係数に基づいて、入力された音声
   信号の周波数を変換する周波数軸変換手段と、入力され
   た音声信号の特徴量を入力音声特徴量として抽出する特
   徴量抽出手段と、標準音声特徴量を保持している標準音
   声記憶手段と、周波数特性補正手段，周波数軸変換手
   段，特徴量抽出手段により処理されて得られた入力音声
   特徴量と標準音声記憶手段に保持されている標準音声特
   徴量とを照合する照合手段とを有し、話者適応フェーズ
   と音声認識フェーズの機能を具備する音声認識装置であ
   って、 前記照合手段は、話者適応フェーズにおいては、既知な
   る発声内容の未知なる話者の入力音声信号に対して、前
   記複数の異なる周波数特性補正係数および前記複数の異
   なる周波数軸変換係数の各々の係数毎に、周波数特性補
   正手段，周波数軸変換手段，特徴量抽出手段に処理を行
   なわせて、各々の係数毎に入力音声特徴量を求めさせ、
   各々の係数毎の入力音声特徴量を既知なる発声内容と同
   一内容の標準音声特徴量と照合して、前記各々の係数の
   うちから、最小距離を与える１つの周波数特性補正係数
   と１つの周波数軸変換係数を選択し、 また、前記照合手段は、音声認識フェーズにおいては、
   前記話者適応フェーズで入力を行なった話者の未知なる
   発声内容の入力音声信号に対して、前記話者適応フェー
   ズにおいて選択された１つの周波数特性補正係数と１つ
   の周波数軸変換係数とに基づき周波数特性補正手段，周
   波数軸変換手段，特徴量抽出手段に処理を行なわせて入
   力音声特徴量を求めさせ、該入力音声特徴量を標準音声
   記憶手段に保持されている標準音声特徴量と照合して、
   認識結果を出力するようになっていることを特徴とする
   音声認識装置。
2. 【請求項２】 請求項１記載の音声認識装置において、
   前記標準音声記憶手段には、話者適応フェーズ用の標準
   音声特徴量と、音声認識フェーズ用の標準音声特徴量と
   が保持されており、話者適応フェーズ用の標準音声特徴
   量としては、話者適応フェーズにおいて話者が発声する
   既知の内容と同一内容の標準音声特徴量が設定されてい
   ることを特徴とする音声認識装置。
3. 【請求項３】 請求項１記載の音声認識装置において、
   前記標準音声記憶手段は、話者適応フェーズ用の標準音
   声特徴量を保持する第１の標準音声記憶手段と、音声認
   識フェーズ用の標準音声特徴量を保持する第２の標準音
   声記憶手段とに分割されて構成され、また、前記照合手
   段は、話者適応フェーズにおいて前記第１の標準音声記
   憶手段に保持されている標準音声特徴量を用いて話者適
   応処理に適したマッチング手法により照合を行なう第１
   の照合手段と、音声認識フェーズにおいて前記第２の標
   準音声記憶手段に保持されている標準音声特徴量を用い
   て音声認識処理に適したマッチング手法により照合を行
   なう第２の照合手段とに分割されて構成されていること
   を特徴とする音声認識装置。
4. 【請求項４】 請求項１記載の音声認識装置において、
   前記話者適応フェーズと前記音声認識フェーズとを切換
   選択するための処理選択手段がさらに設けられており、
   前記照合手段は、前記処理選択手段からの指示により、
   話者適応フェーズと音声認識フェーズとを切換えるよう
   になっていることを特徴とする音声認識装置。
5. 【請求項５】 請求項１記載の音声認識装置において、
   前記照合手段は、所定の１つの周波数特性補正係数，所
   定の１つの周波数軸補正係数を用いて周波数特性補正手
   段，周波数軸変換手段，特徴量抽出手段により処理され
   て得られた入力音声特徴量を前記標準音声記憶手段に保
   持されている標準音声特徴量と照合し、該照合結果に基
   づいて入力音声信号が既知なる発声内容の音声信号であ
   るか否かを判断し、既知なる発声内容の入力音声信号で
   あると判断したときに話者適応フェーズを選択するよう
   になっていることを特徴とする音声認識装置。
6. 【請求項６】 請求項５記載の音声認識装置において、
   前記照合手段は、照合結果として、入力音声特徴量と標
   準音声特徴量との距離を得て、該距離が所定の条件を満
   たすときにのみ、話者適応フェーズを選択するようにな
   っていることを特徴とする音声認識装置。
7. 【請求項７】 請求項５記載の音声認識装置において、
   前記周波数特性補正係数および／または前記周波数軸変
   換手段における周波数特性補正係数および／または周波
   数軸変換係数を平滑化するための係数平滑化手段がさら
   に設けられており、該係数平滑化手段は、話者適応フェ
   ーズが選択されて実行された場合に、周波数特性補正係
   数および／または周波数軸変換係数の話者適応フェーズ
   実行直前の値と話者適応フェーズ実行後の値とを用いて
   周波数特性補正係数および／または周波数軸変換係数を
   平滑化するようになっていることを特徴とする音声認識
   装置。
8. 【請求項８】 請求項７記載の音声認識装置において、
   前記係数平滑化手段は、音声認識処理の照合結果に対応
   する標準音声特徴量と入力音声特徴量との距離に応じて
   定められる平滑化係数を用いて前記周波数特性補正係数
   および／または前記周波数軸変換係数を平滑化すること
   を特徴とする音声認識装置。
9. 【請求項９】 未知の話者の音声に適した１つの周波数
   特性補正係数，１つの周波数軸変換係数を複数の異なる
   周波数特性補正係数，複数の異なる周波数軸変換係数の
   中から選択する際に、既知なる内容の未知なる話者の入
   力音声信号に対して、周波数特性補正係数と周波数軸変
   換係数のいずれか一方の種類の複数の係数について、そ
   れぞれ係数毎の入力音声特徴量と前記既知なる発声内容
   と同一内容の標準音声特徴量との距離を求め、そのうち
   最小距離を与える係数を選択し、しかる後に、他方の種
   類の複数の係数についてそれぞれ係数毎の入力音声特徴
   量と上記既知なる発声内容と同一内容の標準音声特徴量
   との距離を求め、そのうち最小距離を与える係数を選択
   することを特徴とする話者適応化方法。
10. 【請求項１０】 請求項９記載の話者適応化方法におい
    て、未知の話者の発声する前記既知なる発声内容には、
    所定個数の複数の単語が用いられることを特徴とする話
    者適応化方法。