JPH06295196A - 音声認識装置及び信号認識装置 - Google Patents

Abstract

(57)【要約】 （修正有） 【目的】 演算量が少なく正確な音声信号の検出ができ
る音声認識装置及び信号認識装置。 【構成】 音声認識装置１０は、音声信号検出用の特徴
抽出部１４と、予め何種類かに分類されたノイズ信号と
音声信号によって学習がなされるとともに、特徴抽出部
１４から送られた特徴パラメータを基にニューラルネッ
ト計算によりノイズと音声信号を判別する音声信号検出
部１５と、特徴抽出部１４から全てのフレームの特徴パ
ラメータが送られてきた特徴パラメータに所定の演算を
加え認識用の特徴パラメータを算出する特徴抽出部１６
と、特徴抽出部１６から送られた特徴パラメータを基に
演算を行なって音声を認識し認識結果を出力する認識部
１７と、認識部１７からの認識結果を表示する表示部１
８と、各部の動作を制御する制御部１９とを設け、ニュ
ーラルネットワークを用いた音声信号検出部１５によっ
てノイズ信号と音声信号のニューラルネットにより音声
区間を検出する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、音声等を認識する音声
認識装置及び信号認識装置に係り、詳細には、音声信号
検出機能を備え、正確な音声信号の判定が可能な音声認
識装置及び信号認識装置に関する。

【０００２】

【従来の技術】音声認識装置は、利用する前に本人の音
声の登録を必要とする特定話者方式と誰でもが登録せず
に利用できる不特定話者方式がある。特定話者音声認識
では、音声認識を困難にしている個人差の要因が無視で
きるので、容易に高性能の音声認識装置を実現すること
ができる。

【０００３】従来のこの種の音声認識装置として、単語
単位に区切って発声した音声を認識する離散単語認識装
置が知られている。この離散単語認識装置では、マイク
ロホンから入力された音声は、音声分析部でスペクトラ
ムパラメータの時系列に変換される。先ず、登録モード
では、標準パターンとして発声された音声の分析結果は
音声検出により単語単位に切り出され、カテゴリーコー
ドと共に単語毎に標準パターンメモリに記憶される。次
いで、認識モードでは入力音声の分析結果は同様に単語
単位に切り出され、照合部で各標準パターン（テンプレ
ート）とのマッチング処理が行なわれ、マッチング量
（距離）が計算される。判定部では、最も距離の小さい
標準パターンのカテゴリーコードが認識結果として表示
・出力される。

【０００４】音声分析としては、１２〜１６チャネルの
対数的に配置された帯域フィルタによるスペクトル分析
が用いられる場合が多い。分析結果は１０〜２０ｍｓの
フレームレートでサンプリングされ、フレーム毎に振幅
で正規化され、８ビット程度の精度で表現される。その
他の分析方法としては、ケプストラム分析、メルケプス
トラム分析、ＬＰＣケプストラム分析、ＬＰＣ分析など
が用いられる。例えば、音声を分析してパラメータを抽
出する際、発声の長さの影響をなくすため図６に示すよ
うに、フレーム数を決めてフレームの重なりを調整して
分析を行なっている。

【０００５】

【発明が解決しようとする課題】しかしながら、このよ
うな従来の音声認識装置にあっては、音声区間の検出は
音声レベルや電力レベルで行なう構成となっていたた
め、ノイズのレベルが大きかったり、音声のレベルが小
さかったりすると音声区間が検出できなかったり、検出
した位置が不正確なるという問題点があった。認識と同
じ分析を行なっているものでは、演算量が多すぎてハー
ドウェアが大きくなったり、または実時間で処理できな
いという問題点があった。

【０００６】そこで本発明は、演算量が少なくてかつ正
確な音声信号の検出ができる音声認識装置及び信号認識
装置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】請求項１記載の発明は、
上記目的達成のため、音声データを記憶する音声データ
記憶手段と、前記音声データ記憶手段に記憶された音声
データのノイズ信号と音声信号を検出する音声信号検出
手段と、前記音声信号検出手段により検出された音声信
号の音声区間をフレームに分割するフレーム分割手段
と、前記フレーム分割手段により分割されたフレームデ
ータから特徴パラメータを抽出する特徴パラメータ抽出
手段と、前記特徴パラメータ抽出手段により抽出された
特徴パラメータを用いて音声データを認識する認識手段
とを備えている。

【０００８】請求項２記載の発明は、音声データを記憶
する音声データ記憶手段と、前記音声データ記憶手段に
記憶された音声データから音声信号検出手段で使用する
特徴パラメータを抽出する第１の特徴パラメータ抽出手
段と、前記第１の特徴パラメータ抽出手段から出力され
た特徴パラメータに基づいてノイズ信号と音声信号を検
出する音声信号検出手段と、前記音声信号検出手段によ
り検出された音声信号の音声区間をフレームに分割する
フレーム分割手段と、前記フレーム分割手段により分割
されたフレームデータから音声認識用の特徴パラメータ
を抽出する第２の特徴パラメータ抽出手段と、前記第２
の特徴パラメータ抽出手段により抽出された特徴パラメ
ータを用いて音声データを認識する認識手段とを備えて
いる。

【０００９】前記音声信号検出手段は、例えば請求項３
に記載されているように、ニューラルネットワークによ
り構成されるものであってもよく、前記音声信号検出手
段は、例えば請求項４に記載されているように、ニュー
ラルネットワークにより構成され、予め所定種類に分類
されたノイズ信号と音声信号によって学習がなされると
ともに、ニューラルネット計算によりノイズ信号と音声
信号を判別するものであってもよい。

【００１０】請求項５記載の発明は、時系列に入力され
る信号をデータとして記憶するデータ記憶手段と、前記
データ記憶手段に記憶されたデータのノイズと信号を検
出する信号検出手段と、前記信号検出手段により検出さ
れた信号の区切り区間をフレームに分割するフレーム分
割手段と、前記フレーム分割手段により分割されたフレ
ームデータから特徴パラメータを抽出する特徴パラメー
タ抽出手段と、前記特徴パラメータ抽出手段により抽出
された特徴パラメータを用いて時系列データを認識する
認識手段とを備えている。

【００１１】前記音声信号検出手段は、例えば請求項６
に記載されているように、ニューラルネットワークによ
り構成されるものであっもよい。

【００１２】

【作用】請求項１、２、３及び４記載の発明では、音声
取込手段により音声がデジタル化して取り込まれ、取り
込まれた音声データは音声データ記憶手段に記憶され
る。音声データ記憶手段に記憶された音声データは第１
の特徴パラメータ抽出手段によって音声信号検出用の特
徴パラメータが抽出され、この特徴パラメータを基にニ
ューラルネットワークを用いた音声信号検出手段によっ
てノイズ信号と音声信号が検出される。ノイズ信号と音
声信号が検出されるとフレーム分割手段により検出され
た音声信号の音声区間がフレームに分割される。この場
合、音声データを分析し語頭及び語尾を判定して音声区
間が決定される。

【００１３】このようにして検出された音声区間を基に
フレーム分割手段により音声信号の音声区間がフレーム
に分割され、分割された所定フレームのフレームデータ
から第２の特徴パラメータ抽出手段により音声認識用の
特徴パラメータが抽出され、抽出された特徴パラメータ
を用いて認識手段が音声データを認識する。

【００１４】従って、演算量が少なくてかつ正確な音声
信号の検出ができる。

【００１５】請求項５及び６記載の発明では、時系列に
入力される信号がデータとして取り込まれ、データ記憶
手段に記憶される。データ記憶手段に記憶されたデータ
は信号検出手段によってノイズと信号が検出され、フレ
ーム分割手段によって検出された信号の区切り区間がフ
レームに分割される。

【００１６】そして、分割された所定フレームのフレー
ムデータから特徴パラメータ抽出手段により特徴パラメ
ータが抽出され、抽出された特徴パラメータを用いて認
識手段が時系列に入力される信号のデータを認識する。

【００１７】従って、時系列に入力される信号を正確に
認識することができる。

【００１８】

【実施例】以下、本発明を図面に基づいて説明する。

【００１９】図１〜図５は本発明に係る音声認識装置及
び信号認識装置の一実施例を示す図であり、本実施例は
発声した音声を認識する音声認識装置に適用した例であ
る。

【００２０】先ず、構成を説明する。図１は、音声認識
装置１０のブロック構成図であり、図中、白抜き矢印は
データの流れを示す。この図において、音声認識装置１
０は、音声信号や音楽信号が入力される入力部１１と、
入力部１１に入力される音声信号や音楽信号を所定のサ
ンプリング数でサンプリングして音情報パターンを出力
するサンプリング部１２と、Ａ／Ｄ変換された音声信号
を記憶するメモリ部１３と、後述する音声信号検出部１
５に使用する特徴パラメータを、後述する特徴抽出部１
６（特徴抽出部２）の前段処理をも兼ねた簡易な処理に
より抽出する特徴抽出部１４（特徴抽出部１）と、ニュ
ーラルネットワークにより構成され、予め何種類かに分
類されたノイズ信号と音声信号によって学習がなされる
とともに、特徴抽出部１４（特徴抽出部１）から送られ
た特徴パラメータを基にニューラルネット計算によりノ
イズと音声信号を判別する音声信号検出部１５と、特徴
抽出部１４（特徴抽出部１）から全てのフレームの特徴
パラメータが送られてきたとき、これら送られてきた特
徴パラメータに所定の演算を加えて認識用の特徴パラメ
ータを算出する特徴抽出部１６（特徴抽出部２）と、特
徴抽出部１６（特徴抽出部２）から送られた特徴パラメ
ータを基に所定の演算を行なって音声を認識し認識結果
を出力する認識部１７と、認識部１７からの認識結果を
表示するＬＣＤ等からなる表示部１８と、上記各部から
の信号を受け各部に制御信号を出力して各部の動作を制
御する制御部１９とから構成されている。

【００２１】上記入力部１１は、音声を入力するマイク
２１、入力された音声を増幅する増幅器２２及び入力さ
れた音声信号のノイズを除去するローパスフィルタ２３
からなり、入力される音声情報や音楽情報を所定のアナ
ログ信号に変換してサンプリング部１２に出力する。

【００２２】上記サンプリング部１２は、Ａ／Ｄコンバ
ータ等から構成され、所定のサンプリング間隔（サンプ
リング周波数）でサンプリングして標本化し、その標本
化データをメモリ部１３に出力する。

【００２３】上記メモリ部１３は、リング・バッファ構
造のＲＡＭ（Random Access Memory）等から構成され、
制御部１９からの制御信号に従ってデジタル信号に変換
された音声信号を常時更新しながら保存する。

【００２４】上記特徴抽出部１４（特徴抽出部１）は、
音声信号検出部１５に使用する特徴パラメータを抽出す
るもので、特徴抽出部１６（特徴抽出部２）の前段処理
をも兼ねた比較的簡単な処理を行なう。この特徴抽出部
１４（特徴抽出部１）では、上記メモリ部１３に蓄えら
れたデータ数が一定値（１フレーム分）に達したときデ
ータを取り込んで特徴パラメータを抽出する。

【００２５】上記音声信号検出部１５は、図２に示すよ
うなニューラルネットワーク構造により構成されてお
り、予め何種類かに分類されたノイズ信号と音声信号に
よって学習がなされている。図２において、ニューラル
ネットワーク３０は、一層の相互結合された連合層とも
呼ぶべきニューロン（○印参照）と、全ての連合層と結
合している入力シナプスから構成されるネットワーク構
造となっており、ニューラルネットワーク３０を用いた
音声信号検出部１５は、特徴抽出部１４（特徴抽出部
１）から送られた特徴パラメータ（Ｐk+1〜Ｐl）を前回
送られた特徴パラメータ（Ｐ0〜Ｐk）に追加して特徴パ
ラメータ（Ｐ0〜Ｐl）とし、この特徴パラメータ（Ｐ0
〜Ｐl）を入力として所定の演算を行なって出力のうち
のＯ0〜Ｏmが発火した時はノイズ信号と、またＯm+1〜
Ｏnが発火した時は音声信号と判定し判定結果を出力す
る構成となっている。

【００２６】図３は上記ニューラルネットの入力ニュー
ロンに入力される前段処理を示す図であり、前段処理と
して２次元メルケプストラム変換を用いた例である。

【００２７】入力ニューロンに入力される前段処理とし
て１フレーム毎に、以下のような処理が行なわれる。す
なわち、１フレーム毎に音声信号の入力→フーリエ変換
→メル変換（対数変換）→逆フーリエ変換→ケプストラ
ムが行なわれ、上記前段処理によって得られたケプスト
ラムを３２フレーム分毎にフーリエ変換して図２のニュ
ーラルネットの入力ニューロンに入力する。

【００２８】次に、本実施例の動作を説明する。

【００２９】ところで、このような音声認識装置の音声
認識手法としてニューラルネットワーク技術からのアプ
ローチも試みられている。

【００３０】ニューラルネットワークは、それまでの逐
次処理型コンピュータシステムでは手に負えない問題に
対して、脳の神経細胞をモデルとして複数のプロッセッ
サを相互に密に結合させて並列処理を行う並列処理型コ
ンピュータシステムにより解決しようとするものであ
り、特に、パターンマッピング、パターン完全化、パタ
ーン認識等のパターンに関連した問題において優れた能
力を発揮する。これらのパターン認識に関連した問題を
多く含む領域の例として、音声合成と音声認識があり、
音声認識手法としてニューラルネットワーク技術におい
て提案されている各種手法が適用可能である。ニューラ
ルネットワークの各種手法は、パターン分類器として分
類した場合、入力信号が２値パターンか連続値をとる
か、結合効率を教師つきで学習するか教師なしで学習す
るか、などによって分類できる。音声認識にニューラル
ネットワークの手法を適用する場合は、音声が時系列で
連続的に変化するため入力パターンに連続値をとる手法
のものを適用することになる。連続値をとるニューラル
ネットワークのうち教師ありのものとしては、パーセプ
トロン及び多層パーセプトロン等があり、教師なしのも
のとしては、自己組織化特徴写像がある。これらのニュ
ーラルネットワーク手法のうちベクトル量子化手法にお
けるボロノイ分割を実現するものが、自己組織化特徴写
像マップである。

【００３１】自己組織化特徴写像マップは、ヘルシンキ
大学のＫｏｈｏｎｅｎ（コホーネン）によって提案され
たニューラルネットワークのマッピング手法であり、教
師なしで学習を行うため、そのネットワーク構造は単純
なものであり、一層の相互結合された連合層とも呼ぶべ
きニューロンと、全ての連合層と結合している入力シナ
プスから構成される。自己組織化特徴写像マップでは、
入力信号はシナプス荷重により積和計算され、連合層の
どれか特定のニューロンを出力状態にする。出力状態に
なった特定のニューロン及びその近傍のニューロンは、
同様の入力信号に最も敏感に反応するようにシナプス荷
重が変更される。このとき、最初に最も高い出力状態に
なったニューロンは同一の入力信号に対して他のニュー
ロンと競い合って自己の出力を最大にするように見える
ため、この学習過程は協合学習とも呼ばれている。この
協合学習により、入力信号に対して特定のニューロンの
活性度が上がると、距離的に近い位置関係にあるニュー
ロンは引きずられて活性度が上がり、さらにその外側に
あるニューロンは逆に活性度が下がるという現象が発生
する。この現象により活性度が上がるニューロンをまと
めて「泡」と呼んでいる。すなわち、自己組織化特徴写
像マップにおける基本動作は、入力信号に従ってニュー
ロンの２次元平面上に、ある特定の「泡」が発生するこ
とであり、その「泡」は徐々に成長しながら、特定の入
力信号（刺激）に対して選択的に反応するようニューラ
ルネットワークのシナプス荷重が自動的に修正されてい
くものである。この動作の結果、最終的には特定の入力
信号と「泡」が対応づけられ、入力信号の自動的な分類
が行なわれる。

【００３２】本実施例では、上記ニューラルネットワー
クを用いた音声信号検出部１５を設けることにより、音
声区間の検出を単に音声レベルや電力レベルで行なうの
ではなく、予めノイズ信号と音声信号により学習された
ニューラルネットによって音声区間を検出しているの
で、正確な音声信号の検出ができるようになる。

【００３３】図４は音声認識装置１０の音声認識処理を
示すフローチャートであり、同図中、符号Ｓｎ（ｎ＝
１，２，…）はフローの各ステップを示している。

【００３４】先ず、ステップＳ１で音声データの１デー
タを取込み、取込んだ音声データをメモリ部１３に書き
込み、ステップＳ２でメモリ部１３に蓄えられたデータ
が１フレーム分になったか否かを判別する。次いで、ス
テップＳ３で特徴抽出部１４（特徴抽出部１）により１
フレーム分のデータを取込んで特徴パラメータを抽出
し、ステップＳ４で音声信号検出部１５により特徴抽出
部１４（特徴抽出部１）から送られた特徴パラメータを
入力として音声信号検出用ニューラルネットを計算す
る。すなわち、音声信号検出部１５では、特徴抽出部１
４（特徴抽出部１）から送られた特徴パラメータ（Ｐk+
1〜Ｐl）を前回送られた特徴パラメータ（Ｐ0〜Ｐk）に
追加して特徴パラメータ（Ｐ0〜Ｐl）とし、この特徴パ
ラメータ（Ｐ0〜Ｐl）を入力として所定の演算を行なっ
て出力のうちのＯ0〜Ｏmが発火した時はノイズ信号と、
またＯm+1〜Ｏnが発火した時は音声信号と判定する音声
信号検出用ニューラルネット計算を行なう。

【００３５】次いで、ステップＳ５で上記ニューラルネ
ット計算の結果、音声信号検出部１５からの信号が音声
信号か否かを判別し、音声信号検出部１５からの信号が
音声信号でないときはノイズ信号であると判断してステ
ップＳ６で前回の音声信号検出部１５からの信号が音声
信号か否かを判別する。前回の音声信号検出部１５から
の信号が音声信号でないときはノイズ信号であると判断
してステップＳ７でフレームの頭のアドレスを１／２フ
レーム分ずらしてステップＳ１に戻り１データの取込み
を行なう。すなわち、特徴抽出部１４（特徴抽出部１）
はフレームの頭のアドレス（ポインタ）を１／２フレー
ム分ずらしてステップＳ１に戻って１フレーム分のデー
タが蓄えられるのを待ち、特徴パラメータを抽出する。
音声信号検出部１５は、特徴抽出部１４（特徴抽出部
１）からの特徴パラメータを更新しながらニューラルネ
ット計算を行なう。上記ステップＳ１〜ステップＳ７の
処理はステップＳ５またはステップＳ６で音声信号が検
出されるまで繰り返される。上記ステップＳ５で音声信
号が検出されるとステップＳ８で音声信号が初検出か否
かを検出し、音声信号が初検出のときはステップＳ９で
検出した音声信号の語頭アドレスを設定する。次いで、
ステップＳ１０でメモリオーバーになったか否かを判別
し、メモリオーバーでなければ音声信号検出部１５から
の音声信号が所定の長さに達していないと判断してメモ
リオーバーになるまでデータをメモリに書き込むためス
テップＳ７に移行して上記ステップＳ１〜ステップＳ７
の処理を繰り返す。

【００３６】上記ステップＳ１０でメモリオーバーにな
ったときあるいは上記ステップＳ６で前回の音声信号が
検出されたときは音声信号検出部１５からの音声信号が
所定の長さに達したと判断してステップＳ１１で語尾ア
ドレスを設定し、ステップＳ１２で語頭及び語尾の判定
結果を基に語長（音声区間）を計算して音声区間のフレ
ームを分割し、ステップＳ１３で特徴抽出部１６（特徴
抽出部２）により１フレームの特徴パラメータを抽出す
る。次いで、ステップＳ１４で全てのフレームについて
特徴パラメータの抽出が終了したか否かを判別し、全フ
レームの特徴パラメータの抽出が終了していないときは
ステップＳ１３に戻って全てのフレームについて特徴パ
ラメータの抽出が終了するまで特徴パラメータの抽出を
繰り返す。全フレームの特徴パラメータの抽出が終了す
るとステップＳ１５で認識部１７により特徴抽出部１６
（特徴抽出部２）から送られた全フレームの特徴パラメ
ータを入力として認識用ニューラルネットを計算し、ス
テップＳ１６で認識結果を表示部１８に表示して本フロ
ーの処理を終える。

【００３７】以上の処理を実行することにより具体的に
は音声認識装置１０の各部で以下のような音声認識動作
が行われる。

【００３８】 マイク２１から入力された音声は、増
幅器２２で増幅された後、ローパスフィルタ２３で入力
された音声信号のノイズが除去され、Ａ／Ｄコンバータ
１２でデジタル信号に変換され、制御部１９からの制御
信号に従ってリング・バッファ構造のメモリ部１３に常
時更新されながら保存される。

【００３９】 特徴抽出部１４（特徴抽出部１）は、
音声信号検出部１５に使用する特徴パラメータを抽出す
るもので、特徴抽出部１６（特徴抽出部２）の前段処理
をも兼ねた比較的簡単な処理を行なう。この特徴抽出部
１４（特徴抽出部１）では、メモリ部１３に蓄えられた
データ数が一定値（１フレーム分）に達したときデータ
を取り込んで特徴パラメータを抽出して音声信号検出部
１５に送る。

【００４０】 音声信号検出部１５は、図２に示すよ
うなニューラルネットワークで構成され、予め何種類か
に分類されたノイズ信号と音声信号によって学習がなさ
れている。ニューラルネットワーク３０を用いた音声信
号検出部１５は、特徴抽出部１４（特徴抽出部１）から
送られた特徴パラメータ（Ｐk+1〜Ｐl）を前回送られた
特徴パラメータ（Ｐ0〜Ｐk）に追加して特徴パラメータ
（Ｐ0〜Ｐl）とし、この特徴パラメータ（Ｐ0〜Ｐl）を
入力として所定の演算を行なって出力のうちのＯ0〜Ｏm
が発火した時はノイズ信号と、またＯm+1〜Ｏnが発火し
た時は音声信号と判定し制御部１９に判定結果を出力す
る。

【００４１】 音声信号検出部１５からの信号がノイ
ズ信号と判定したときは、制御部１９は特徴抽出部１４
（特徴抽出部１）に音声信号状態を続けるように指示を
出す。

【００４２】 すると、特徴抽出部１４（特徴抽出部
１）は、データのポイントを１／２フレームずらしてま
た１フレーム分のデータが蓄えられるのを待ち、特徴パ
ラメータを抽出して音声信号検出部１５に送る。音声信
号検出部１５は、特徴パラメータを更新しながら演算を
行なう。

【００４３】上記〜の動作を、音声信号検出部１５
が音声信号を検出するまで繰返し行なう。

【００４４】 音声信号検出部１５が音声信号を検出
すると、制御部１９は音声信号検出部１５から音声信号
検出信号のきている間若しくはメモリ分の所定時間メモ
リにデータを書き込んだ後、メモリへのデータの書き込
みを禁止する。

【００４５】 制御部１９は、音声区間のフレーム分
割を行なった後に、各フレームのスタート・ポイントを
特徴抽出部１４（特徴抽出部１）に送って、改めてフレ
ーム毎の特徴抽出を行なわせその結果を特徴抽出部１６
（特徴抽出部２）に取り込ませる。

【００４６】 特徴抽出部１４（特徴抽出部１）から
全てのフレームのパラメータが送られてきたら特徴抽出
部１６（特徴抽出部２）はこれらに演算を加えて認識用
のパラメータを算出して認識部１７に送る。

【００４７】 認識部１７は、特徴抽出部１６（特徴
抽出部２）から送られてきた特徴パラメータを基に演算
を行なって認識結果を表示部１８に送り、表示部１８
は、制御部１９の指示に従って認識部１７からの音声認
識結果を表示して一連の音声認識動作が終了する。

【００４８】制御部１９は、各部に制御信号を出力して
音声認識装置１０の動作状態を上記の状態に戻して次
の認識を開始する。

【００４９】以上説明したように、本実施例の音声認識
装置１０は、音声信号検出用の特徴パラメータを抽出す
る特徴抽出部１４（特徴抽出部１）と、ニューラルネッ
トワークにより構成され、予め何種類かに分類されたノ
イズ信号と音声信号によって学習がなされるとともに、
特徴抽出部１４（特徴抽出部１）から送られた特徴パラ
メータを基にニューラルネット計算によりノイズと音声
信号を判別する音声信号検出部１５と、特徴抽出部１４
（特徴抽出部１）から全てのフレームの特徴パラメータ
が送られてきたとき、これら送られてきた特徴パラメー
タに所定の演算を加えて認識用の特徴パラメータを算出
する特徴抽出部１６（特徴抽出部２）と、特徴抽出部１
６（特徴抽出部２）から送られた特徴パラメータを基に
所定の演算を行なって音声を認識し認識結果を出力する
認識部１７と、認識部１７からの認識結果を表示する表
示部１８と、制御信号を出力して各部の動作を制御する
制御部１９とを設け、ニューラルネットワークを用いた
音声信号検出部１５によって予めノイズ信号と音声信号
により学習されたニューラルネットにより音声区間を検
出しているので、実時間で途切れることなく正確な音声
信号の検出が行なえ、ノイズや変化に強い音声認識装置
が実現できる。すなわち、従来の音声認識装置では、音
声区間の検出を単に音声レベルや電力レベルで行なって
いたため、音声のレベルが小さかったり、ノイズのレベ
ルが大きかったりしたたときに音声区間が検出できな
い、あるいは検出した位置が不正確なるという問題点が
あったが、本実施例の音声認識装置では、ニューラルネ
ットワークを用いた音声信号検出部１５を設けることに
より、ノイズを単に信号に対するノイズ（Ｓ／Ｎ比）と
して捉えるのではなく、ノイズ成分も信号に対するノイ
ズ信号としてニューラルネットの入力として入力し、ノ
イズ信号と音声信号のニューラルネット計算により音声
区間を検出しているので、信号レベルの大小の影響を受
けない正確な音声信号の検出ができるようになる。

【００５０】また、音声信号検出部１５で使用する音声
信号検出用の特徴パラメータを演算する特徴抽出部１４
（特徴抽出部１）は、本来認識に用いる特徴パラメータ
抽出の一部であるので、この特徴抽出部１４のため新た
にハードやソフトを追加することなく実現できる。

【００５１】また、本実施例では、認識部１７にニュー
ラルネットワークを用いているので実時間で正確な音声
認識結果を得ることが可能になる。

【００５２】なお、本実施例では、発声した音声を認識
する音声認識装置に適用した例であるが、勿論これには
限定されず、音声データのノイズ信号と音声信号を検出
する音声信号検出部を備えた装置であれば全ての装置に
適用可能であることは言うまでもない。例えば、時系列
に入力される信号（音声信号もこれに含まれるが、音声
信号に限定されない）に対して同様の認識処理を行なう
装置でもよい。

【００５３】また、本実施例では、特徴抽出部１４（特
徴抽出部１）を設け、特徴抽出部１６（特徴抽出部２）
の前段処理をも兼ねた簡易な処理により音声信号検出用
の特徴パラメータを抽出するようにしているが、ノイズ
信号と音声信号を判別する音声信号検出部にデータを供
給できるものであればこの特徴抽出部１４はどのような
構成のものであってもよく、かかる特徴抽出部を用いな
い構成であってもよい。

【００５４】また、本実施例では、音声信号検出部１５
及び認識部１７にニューラルネットワークを用いること
によって正確な音声認識結果を得ることが可能にしてい
るが、このニューラルネットワークの態様はどのような
ものでもよく、また、認識部１７にニューラルネットワ
ークを用いないものであってもよいことは言うまでもな
い。

【００５５】さらに、上記音声認識装置を構成する回路
や部材の数、種類などは前述した実施例に限られないこ
とは言うまでもなく、ソフトウェアにより実現するよう
にしてもよい。

【００５６】

【発明の効果】請求項１、２、３、４、５及び６記載の
発明によれば、音声データのノイズ信号と音声信号を検
出する音声信号検出手段を設けているので、演算量が少
なくてかつ正確な音声信号の検出ができ、ノイズや変化
に強い音声認識装置が実現できる。

【００５７】請求項７、８及び９記載の発明によれば、
時系列に入力される信号をデータとして取り込み、この
データのノイズ信号と音声信号を検出しているので、時
系列に入力される信号に対し演算量が少なくかつ正確な
時系列信号の検出ができ、ノイズや変化に強い信号認識
装置が実現できる。

【図面の簡単な説明】

【図１】音声認識装置の全体構成図である。

【図２】音声認識装置の音声信号検出部のニューラルネ
ットワーク構造を示す図である。

【図３】音声認識装置のニューラルネットワークの前段
処理を示す図である。

【図４】音声認識装置のの音声認識処理を示すフローチ
ャートである。

【図５】音声認識装置のフレームの重なりを示す図であ
る。

【符号の説明】

１０ 音声認識装置 １１ 入力部 １２ サンプリング部（Ａ／Ｄコンバータ） １３ メモリ部 １４ 特徴抽出部（特徴抽出部１） １５ 音声信号検出部 １６ 特徴抽出部（特徴抽出部２） １７ 認識部 １８ 表示部 １９ 制御部 ２１ マイク ２２ 増幅器 ２３ ローパスフィルタ ３０ ニューラルネットワーク

Claims (6)

【特許請求の範囲】
1. 【請求項１】 音声データを記憶する音声データ記憶手
   段と、 前記音声データ記憶手段に記憶された音声データのノイ
   ズ信号と音声信号を検出する音声信号検出手段と、 前記音声信号検出手段により検出された音声信号の音声
   区間をフレームに分割するフレーム分割手段と、 前記フレーム分割手段により分割されたフレームデータ
   から特徴パラメータを抽出する特徴パラメータ抽出手段
   と、 前記特徴パラメータ抽出手段により抽出された特徴パラ
   メータを用いて音声データを認識する認識手段と、 を具備したことを特徴とする音声認識装置。
2. 【請求項２】 音声データを記憶する音声データ記憶手
   段と、 前記音声データ記憶手段に記憶された音声データから音
   声信号検出手段で使用する特徴パラメータを抽出する第
   １の特徴パラメータ抽出手段と、 前記第１の特徴パラメータ抽出手段から出力された特徴
   パラメータに基づいてノイズ信号と音声信号を検出する
   音声信号検出手段と、 前記音声信号検出手段により検出された音声信号の音声
   区間をフレームに分割するフレーム分割手段と、 前記フレーム分割手段により分割されたフレームデータ
   から音声認識用の特徴パラメータを抽出する第２の特徴
   パラメータ抽出手段と、 前記第２の特徴パラメータ抽出手段により抽出された特
   徴パラメータを用いて音声データを認識する認識手段
   と、 を具備したことを特徴とする音声認識装置。
3. 【請求項３】 前記音声信号検出手段は、ニューラルネ
   ットワークにより構成されていることを特徴とする請求
   項１又は請求項２の何れかに記載の音声認識装置。
4. 【請求項４】 前記音声信号検出手段は、ニューラルネ
   ットワークにより構成され、予め所定種類に分類された
   ノイズ信号と音声信号によって学習がなされるととも
   に、ニューラルネット計算によりノイズ信号と音声信号
   を判別するようにしたことを特徴とする請求項１又は請
   求項２の何れかに記載の音声認識装置。
5. 【請求項５】 時系列に入力される信号をデータとして
   記憶するデータ記憶手段と、 前記データ記憶手段に記憶されたデータのノイズと信号
   を検出する信号検出手段と、 前記信号検出手段により検出された信号の区切り区間を
   フレームに分割するフレーム分割手段と、 前記フレーム分割手段により分割されたフレームデータ
   から特徴パラメータを抽出する特徴パラメータ抽出手段
   と、 前記特徴パラメータ抽出手段により抽出された特徴パラ
   メータを用いて時系列データを認識する認識手段と、 を具備したことを特徴とする信号認識装置。
6. 【請求項６】 前記音声信号検出手段は、ニューラルネ
   ットワークにより構成されていることを特徴とする請求
   項５に記載の信号認識装置。