JPH06318099A - 話者認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 話者認識装置において、特定話者に関する発
声上の同一性の認識率を向上させる。 【構成】 登録モード時に音声入出力部１０から出力さ
れた音声信号を登録音声情報として登録し、認識モード
時に音声入出力部１０から出力された音声信号を未知音
声情報として登録音声情報と比較し両者が個人性情報と
して一致しているかどうかを判定するに際し、音声波形
中で時間が変化しても振幅があまり変化しない区間が吸
収された登録音声情報と未知音声情報とを比較すること
で、同一人の発声速度の変動を単音の単位で吸収し、認
識率の向上を図る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、特定話者の発声上の同
一性を識別する話者認識装置に関する。

【０００２】

【従来の技術】人間が発声する言葉には、音韻性情報と
個人性情報とが含まれている。音韻性情報というのは、
言葉の意味内容に関する情報であり、この音韻性情報を
認識する技術は音声認識といわれている。一方、個人性
情報というのは、誰が話しているかに関する情報であ
り、この個人性情報を認識する技術は話者認識といわれ
ている。また、この話者認識という概念には、話者識別
と話者照合とが含まれている。話者識別というのは、未
知の音声が予め限定された複数の話者のうちの誰の音声
なのかを判定する技術であり、話者照合というのは、未
知の音声が予め定められた話者の音声であるかどうかを
判定する技術である。

【０００３】近年、話者認識中の話者照合の技術は、電
話によるバンキングサービス、機密保管場所などへの入
室者のチェック、個人情報へのアクセス等に広く利用さ
れている。この場合に用いられている話者照合では、い
わば本人であるかどうかの鍵として音声が用いられてい
る。

【０００４】ここで、話者照合の技術を利用した話者認
識装置の一例として、その基本的構成を図８に概念的に
示す。まず、入力された音声の取り扱いを登録モードと
認識モードとに切り替えるモード選択スイッチ１が設け
られ、このモード選択スイッチ１によって登録モードが
選択されている場合には、入力されて特徴部分が抽出さ
れた音声が登録話者の標準パターンとして登録される。
そして、モード選択スイッチ１によって認識モードが選
択されている場合には、入力されて特徴部分が抽出され
た未知の音声と標準パターンとの類似度が判定され、そ
の判定結果が出力される。

【０００５】より詳細には、入力音声の特徴部分を抽出
する手段として、あるサンプリング周期を１フレームと
し、このフレーム毎に複数の周波数についての音声パワ
ー及び各周波数の音声パワーの総和を算出し、こうして
算出した各フレーム毎の音声パワーのパターンを特徴部
分と認識する等の手段が従来から用いられている。これ
は、音声パワーの時間的変化に個人性情報が含まれてい
ることに着目した手段である。したがって、このような
手段が用いられる場合、算出された各フレーム毎の音声
パワーのパターンが登録話者の標準パターンとなる。そ
して、入力された未知の音声と標準パターンとの類似度
の判定は、各フレーム毎の音声パワーのパターンがどれ
だけ近似しているかを判定することによりなされる。

【０００６】

【発明が解決しようとする課題】同じ単語を同じ人が発
声したとしても、時間や季節の違い、その日の体調や咽
喉の調子、温度や湿度の相違等の種々の要因が絡み合
い、その発声速度が変動することがある。そこで、従
来、このような同一人の発声速度の変動を吸収するた
め、ある瞬間における二つの情報が一定幅を有する整合
窓の範囲内にある場合には同一の情報とみなして一方の
情報を吸収するＤＰマッチング（ＤＰはdynamicprogram
ming の略称である）という手法が一般に用いられてい
る。ところが、このＤＰマッチングでは、発声された単
語全体としてしか発声速度の変動を吸収することができ
ず、その単語中のある単音についての発声速度の変動を
吸収することができない。このため、同一人が時間を置
いてある単語を発声した際、その単語中のある単音だけ
に発声速度の変動が生ずると、ＤＰマッチングではその
ような発声速度の変動を吸収することができず、認識率
が低くなってしまうという欠点を有する。

【０００７】なお、整合窓の幅を広げればＤＰマッチン
グにより吸収することができる発声速度の変動幅も大き
くなるが、この場合には他人の発声を同一人の発声であ
ると誤認する可能性が高くなってしまい不都合である。

【０００８】

【課題を解決するための手段】本発明は、入力された音
声を音声信号として出力する音声入出力部と、この音声
入出力部から出力された音声信号の取り扱いを登録モー
ドと認識モードとに切り替えるモード選択手段と、登録
モード時に音声入出力部から出力された音声信号を登録
音声情報として登録する音声登録手段と、認識モード時
に音声入出力部から出力された音声信号を未知音声情報
として登録音声情報と比較し個人性情報として一致して
いるかどうかを判定する真偽判定手段とを設けた話者認
識装置において、音声波形中で経時的に平坦な区間が吸
収された登録音声情報及び未知音声情報を生成して真偽
判定手段による比較対象とする平坦区間吸収手段を設け
た。ここで、「音声波形中で経時的に平坦な区間」とい
うのは、音声波形中、時間が変化しても振幅があまり変
化しない区間を意味する。

【０００９】

【作用】モード選択手段によって登録モードが選択され
ている場合、音声入出力部に音声が入力されて音声信号
として出力されると、この音声信号は音声登録手段によ
って登録音声情報として登録される。一方、モード選択
手段によって認識モードが選択されている場合、音声入
出力部に音声が入力されて音声信号として出力される
と、真偽判定手段によってその音声信号が未知音声情報
として登録音声情報と比較され、両者が個人性情報とし
て一致しているかどうかが判定される。この際、平坦区
間吸収手段によって時間が変化しても振幅があまり変化
しない音声波形の区間が吸収された登録音声情報及び未
知音声情報が真偽判定手段による比較対象となる。した
がって、単音の単位で同一人による発声速度の変動が吸
収され、認識率の向上等が図られる。

【００１０】

【実施例】本発明の一実施例を図１ないし図７に基づい
て説明する。まず、図１のブロック図に示すように、音
声入出力部としてのマイクロフォン１０が設けられてい
る。このマイクロフォン１０は、増幅器１１、低域通過
フィルタ１２（以下、ＬＰＦと略称する）及びアナログ
デジタル変換器１３（以下、ＡＤＣと略称する）を介し
て各種処理を集中的に行うＣＰＵ１４（Central Proces
sing Unit ）に接続されている。このＣＰＵ１４には、
動作プログラム等の固定情報を格納するＲＯＭ１５（Re
ad Only Memory）と各種の可変情報を書き替え自在に格
納するＲＡＭ１６（Randam Access Memory）とが接続さ
れている。このＲＡＭ１６内には、登録音声情報格納領
域１６ａが含まれている。また、前記ＣＰＵ１４には、
処理モードを登録モードと認識モードとのいずれかに切
り替えるためのモード選択スイッチ１７が接続されてい
る。さらに、話者に関する真偽の判定結果を出力するＣ
ＰＵ１６の出力には、ＬＥＤ１８（Light Emitting Dio
de）が接続されている。

【００１１】このような構成において、ＣＰＵ１４によ
る処理の流れを図２及び図３のフローチャート、図４な
いし図７のグラフに基づいて説明する。概略的には、モ
ード選択手段によって登録モードが選択されていると、
マイクロフォン１０から出力された音声信号が音声登録
手段によって登録音声情報として登録され、認識モード
が選択されていると、真偽判定手段によってマイクロフ
ォン１０から出力された音声信号が未知音声情報として
登録音声情報と比較され、両者が個人性情報として一致
しているかどうかが判定される。この際、平坦区間吸収
手段によって音声パワーがあまり変化しない区間が吸収
された登録音声情報及び未知音声情報が真偽判定手段に
よる比較対象となる。以下、より詳細に説明する。

【００１２】［モード選択手段］まず、モード選択スイ
ッチ１７の切り替えによって、ＣＰＵ１４の処理モード
が登録モードか認識モードかに選択される。ここに、モ
ード選択手段が構成されている。

【００１３】［音声登録手段］次いで、マイクロフォン
１０に音声が入力されて音声信号として出力されると、
この音声信号が増幅器１１で増幅され、ＬＰＦ１２で高
域成分がカットされ、ＡＤＣ１３でデジタル信号に変換
される。ＬＰＦ１２で帯域制限を行うのは、後述する音
声信号のサンプリングに際し、サンプリング定理に従っ
たサンプリングを行って折り返し歪の発生を防止するた
めである。

【００１４】デジタル信号に変換された音声信号は一定
の様式にしたがってフィルタリングされ、音声情報とし
て生成される。つまり、デジタル変換された音声信号の
音声パワーが特定の周波数毎に求められ、その値がＲＡ
Ｍ１６内の所定領域に一時記憶されるという処理が予め
定められたサンプリング周期（フレーム）毎に行われ
る。「特定の周波数」としては、例えば２００Hz、４０
０Hz、８００Hz、１６００Hz、３２００Hz及び６４００
Hzである。図４のグラフには、各周波数における１フレ
ームでの音声パワーを例示し、図５のグラフには、各フ
レームにおけるある周波数での音声パワーを例示する。
そして、各フレーム毎に各周波数毎の音声パワーがフィ
ルタリングされると、各フレーム毎に各周波数の音声パ
ワーの総和が求められる。図５のグラフには、各フレー
ム毎の各周波数の音声パワーの総和を例示する。音声情
報は、こうして各フレーム毎に求められた各周波数毎の
音声パワー及び各周波数の音声パワーの総和である。

【００１５】この時、モード選択スイッチ１７の切り替
えによって登録モードが選択されていると、生成された
音声情報は登録音声情報格納領域１６ａに格納され、登
録音声情報として登録される。この際、音声の始終端の
検出がなされ、始端と終端との間の区間の音声情報のみ
が登録音声情報格納領域１６ａに格納される。ここに、
音声登録手段が構成されている。

【００１６】［平坦区間吸収手段］ここで、マイクロフ
ォン１０に入力された音声に平坦区間、すなわち時間が
経過しても振幅があまり変わらない区間が含まれている
と、フィルタリングデータ中でその平坦区間の音声パワ
ーが吸収される。この処理を図３のフローチャートに示
す。まず、フィルタリング後、入力された音声について
のサンプリング番号ｉの最初の値を１としてカウントを
開始する。そして、サンプリング番号ｉが全体のサンプ
リング数を越えたかどうかが判断され、越えた場合には
音声始終端の検出に移行し、越えない場合にはその音声
パワーと次にフィルタリングされる音声パワーとの値が
同じとみなすことができるかどうかが見られる。つま
り、音声パワーの時間的変化の一例を示す図７（ａ）の
グラフに例示するように、サンプリング番号ｉの音声パ
ワーＡｉと次のサンプリング番号ｉ＋１の音声パワーＡ
ｉ＋１とが比較され、音声パワーＡｉに対する音声パワ
ーＡ（ｉ＋１）の差が許容範囲δ内であるかどうかが判
断される。なお、図７（ａ）中、ａの区間が音声波形の
平坦部分である。

【００１７】そして、音声パワーＡｉに対する音声パワ
ーＡ（ｉ＋１）の差が許容範囲δ内である場合にはサン
プリング番号ｉ＋１のデータをサンプリング番号ｉのデ
ータに吸収してデータ番号を編集し、その差が許容範囲
δ内でない場合にはそのまま次の処理に移行する。次の
処理では、サンプリング番号ｉを１つインクリメントし
てこれをｉとし、再びサンプリング番号ｉが全体のサン
プリング数を越えたかどうかが判断される。したがっ
て、図７（ｂ）のグラフに示すように、図７（ａ）に例
示した音声波形中の平坦区間ａが吸収され、平坦区間を
有しない音声情報が生成される。ここに、平坦区間吸収
手段が構成されている。

【００１８】［真偽判定手段］一方、モード選択スイッ
チ１７の切り替えによって認識モードが選択されている
場合には、マイクロフォン１０から入力されてＡＤＣ１
３でデジタル信号に変換された音声信号は、登録モード
時と同一の処理でフィルタリングされ、未知音声情報と
して生成される。この未知音声情報というのは、登録音
声情報と同様に、各フレーム毎の音声パワーであり、平
坦区間吸収手段によって時間が変化しても振幅があまり
変化しない平坦区間が吸収されている。

【００１９】こうして未知音声情報が生成されると、こ
の未知音声情報と登録音声情報格納領域１６ａに格納さ
れている登録音声情報とが比較され、二つの情報が個人
性情報として一致しているかどうかが判定される。具体
的には、登録音声情報と未知音声情報とについて、図５
及び図６に例示するような各フレーム毎の音声パワーの
パターンがある許容範囲内で重なり合うかどうかが見ら
れる。つまり、登録音声情報と未知音声情報とが同じ人
の発声によるものであるかどうかが判定される。この
際、ＤＰマッチングによって、発声された言葉全体とし
ての発声の揺らぎの吸収がなされる。ここに、真偽判定
手段が構成されている。

【００２０】こうして、登録音声情報と未知音声情報と
が個人性情報として一致しているかどうかが判定される
と、その判定結果がＣＰＵ１８より出力される。具体的
には、一致している場合にはＬＥＤ１８の発光、不一致
の場合にはＬＥＤ１８の不発光という形で判定結果が表
現される。そこで、例えば、本話者認識装置を自動車の
オートドアロック装置に適用する場合には、ＬＥＤ１８
の発光をスイッチとしてドアの施錠又は解鍵を行わせる
ように構成する。

【００２１】このように、登録音声情報と未知音声情報
との真偽判定手段による比較に際しては、平坦区間吸収
手段によって時間が変化しても振幅があまり変化しない
平坦区間が吸収された登録音声情報と未知音声情報とが
比較される。したがって、同一人による発声速度の変動
が単音単位で吸収され、認識率の向上が図られる。

【００２２】

【発明の効果】本発明は、入力された音声を音声信号と
して出力する音声入出力部と、この音声入出力部から出
力された音声信号の取り扱いを登録モードと認識モード
とに切り替えるモード選択手段と、登録モード時に音声
入出力部から出力された音声信号を登録音声情報として
登録する音声登録手段と、認識モード時に音声入出力部
から出力された音声信号を未知音声情報として登録音声
情報と比較し個人性情報として一致しているかどうかを
判定する真偽判定手段とを設けた話者認識装置におい
て、音声波形中で経時的に平坦な区間が吸収された登録
音声情報及び未知音声情報を生成して真偽判定手段によ
る比較対象とする平坦区間吸収手段を設けたので、時間
が変化しても振幅があまり変化しない音声波形の区間が
吸収された登録音声情報及び未知音声情報を真偽判定手
段による比較対象とすることができ、したがって、同一
人による発声速度の変動を単音の単位で吸収することが
でき、これにより認識率を向上させることができる等の
効果を有する。

【図面の簡単な説明】

【図１】本発明の一実施例を示す各部の電気的接続のブ
ロック図である。

【図２】全体の処理の流れを示すフローチャートであ
る。

【図３】平坦区間吸収手段の処理の流れを示すフローチ
ャートである。

【図４】各周波数における１フレームでの音声パワーを
例示するグラフである。

【図５】各フレームにおけるある周波数での音声パワー
を例示するグラフである。

【図６】各フレーム毎の各周波数の音声パワーの総和を
例示するグラフである。

【図７】音声パワーを時間との関係で例示するグラフで
あり、（ａ）は平坦部分を含む音声波形のグラフ、
（ｂ）はその平坦部分が吸収された音声波形のグラフで
ある。

【図８】従来の話者認識装置の一例として、その基本的
構成を示す概念図である。

【符号の説明】

１０ 音声入出力部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 入力された音声を音声信号として出力す
   る音声入出力部と、この音声入出力部から出力された音
   声信号の取り扱いを登録モードと認識モードとに切り替
   えるモード選択手段と、登録モード時に前記音声入出力
   部から出力された音声信号を登録音声情報として登録す
   る音声登録手段と、認識モード時に前記音声入出力部か
   ら出力された音声信号を未知音声情報として登録音声情
   報と比較し個人性情報として一致しているかどうかを判
   定する真偽判定手段とを設けた話者認識装置において、
   音声波形中で経時的に平坦な区間が吸収された登録音声
   情報及び未知音声情報を生成して前記真偽判定手段によ
   る比較対象とする平坦区間吸収手段を設けたことを特徴
   とする話者認識装置。