JPH06337692A - 音声セグメンテーション方法 - Google Patents

Abstract

(57)【要約】 【目的】 少ない計算量で、特に子音区間を正確に認識
することを可能とする音声セグメンテーション方法を提
供する。 【構成】 図２は本発明の一実施例における音声セグメ
ンテーション方法の構成を示すブロック図である。音響
分析部１０は、入力音声をフィルタに通してＡ／Ｄ変換
し、特徴パラメータ抽出部１２は、所定のフレーム周期
毎に分析してフレーム毎の特徴パラメータ（本実施例で
はＬＰＣケプストラム係数）を求めて特徴パラメータ時
系列を生成する。大分類音素識別部１４（実施例ではニ
ューラルネット）は、特徴パラメータ時系列をフレーム
単位でずらしながら所定数フレーム毎の音響的特徴から
大分類音素を識別して大分類音素列を生成する。子音細
分類音素認識部１６は、大分類音素列に予め用意された
大分類音素組み合せ表１６ａ（表２）を対応させてセグ
メンテーションおよび子音細分類認識結果を得る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、音声認識におけるセグ
メンテーション方法に関する。

【０００２】

【従来の技術】音声認識を音素単位で行う場合、入力音
声を母音または子音といった音素に区切るセグメンテー
ションを行う必要があり、例えば特開昭５９−５８４９
６号に示す方法が知られている。このセグメンテーショ
ン方法は、日本語が子音と母音との組み合わせで構成さ
れていることに注目して、母音区間と子音区間とを区別
して音素を認識しようとしたものである。音素の認識は
フレームと呼ばれるごく短時間（例えば１０ｍｓ）毎に
行われ、フレーム毎に音素が並べられた音素列が生成さ
れる。また母音区間と子音区間とは、音声スペクトルの
低域パワーおよび高域パワーの時間的な動きによって生
ずるパワーディップ情報ならびにフレーム毎の有声無声
判定の結果等から区別され、子音区間を取り出す方法が
とられている。そして区別された子音区間および母音区
間における音素の認識は、予め音素の標準パターンを定
めておき、その標準パターンに応じた音素を決定してい
る。

【０００３】

【発明が解決しようとする課題】しかしながらこのよう
な従来の方法であると特に子音区間の音素を正確に決定
することが難しく、これを正確に認識するためには膨大
な計算量となってしまう問題がある。これは大別して以
下の２つの理由による。

【０００４】第１に、音素の音響的特徴は、音素の定常
部以外にも前後の音素によって特徴が変形（調音変形）
している過渡部にも存在する。すなわち１つの音素内
に、複数の音響的特徴が存在するのが普通である。また
前後の音素の種類によっても調音変化のしかたが違うこ
とから、前後音素の全ての組み合せについて標準特徴パ
ターンを用意すれば、原理的には認識率が上昇する。し
かし前後音素の種類によって変化のしかたも違うため、
複数の音響的特徴の１つの音素標準パターンとして用意
し抽出するのは計算量が増えてしまう。すなわち標準特
徴パターン作成に必要な音声データ量やメモリ容量も著
しく大きくなり実現が困難である。

【０００５】第２に、実際の発声では母音が無声化する
ことがあり、子音が連続した場合、２つの子音区間が１
つの子音区間として誤認識されてしまう恐れがある。例
えば、／ｓｉｋｉ／の／ｉ／が無声化して／ｓｋｉ／と
発声されると、／ｓ／と／ｋ／とは分割されず、／ｓｉ
／または／ｋｉ／と誤認識されてしまうことになる。

【０００６】本発明はこのような課題を解決するために
なされたものであり、少ない計算量で、特に子音区間を
正確に認識することを可能とする音声セグメンテーショ
ン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】かかる目的を達成するた
めに本発明は、図１に例示する通り以下の構成を採用し
ている。入力音声を所定のフレーム周期毎に分析してフ
レーム毎の特徴パラメータを求めて特徴パラメータ時系
列を生成し、該特徴パラメータ時系列をフレーム単位で
ずらしながら所定数フレーム毎の音響的特徴から大分類
音素を識別して大分類音素列を生成し、該大分類音素列
の内、同じ大分類音素が予め定められた数以上連続する
区間を１つの大分類音素区間として大分類音素区間列を
生成し、該大分類音素区間列の連続する大分類音素区間
を予め定められた大分類音素の組み合せに対応させて音
素を決定することを特徴とする音声セグメンテーション
方法を要旨とする。

【０００８】

【作用】本発明の音声セグメンテーション方法によれ
ば、入力音声を所定のフレーム周期毎に分析してフレー
ム毎の特徴パラメータを求めて特徴パラメータ時系列を
生成し、その特徴パラメータ時系列をフレーム単位でず
らしながら所定数フレーム毎の音響的特徴から大分類音
素を識別して大分類音素列を生成し、その大分類音素列
の内、同じ大分類音素が予め定められた数以上連続する
区間を１つの大分類音素区間として大分類音素区間列を
生成し、その大分類音素区間列の隣接する大分類音素区
間を予め定められた大分類音素の組み合せに対応させて
音素を決定する。

【０００９】すなわちフレーム単位で決定した音素を基
にセグメンテーションするのではなく、まず、所定数フ
レーム毎の音響的特徴から大分類音素を識別して大分類
音素列を生成する。そして音素の決定は、予め定められ
た大分類音素の組み合せに対応させて行われる。大分類
音素による分類は、細分類の音素に比較して数は少ない
ので認識するための計算量が少なくて済む。加えて、特
に発声における子音の音響的特徴は大分類音素の組み合
せで認識することができるため、細分類の音素の組み合
せを用いなくても、正確に子音区間を認識することがで
きる。この場合も大分類音素の組み合せは、細分類の音
素の組み合せに比較して数が少ないので計算量が少なく
て済む。

【００１０】ここで大分類音素は、表１に示すように、
母音・無声摩擦性子音・無声破裂性子音・有声摩擦性子
音・有声破裂性子音・鼻音性子音・無声（各々Ｖ・Ｓ・
Ｐ・Ｂ・Ｚ・Ｍ・Ｕに対応している）に区別される。

【００１１】

【表１】

【００１２】この中でも特に子音（Ｐ・Ｓ・Ｂ・Ｚ・
Ｍ）については、発声の際にいくつかの組み合せに該当
する特徴が現れることが実験的にわかっており、大分類
音素の組み合せとして予め定めておくことができる。

【００１３】

【実施例】以下本発明の実施例について図面に基づき詳
細に説明する。図２は本発明の一実施例における音声セ
グメンテーション方法を実現する構成を示すブロック図
である。

【００１４】音響分析部１０は、マイクなどを通じて入
力される音声をフィルタに通してＡ／Ｄ変換する電気回
路である。特徴パラメータ抽出部１２は、Ａ／Ｄ変換さ
れた入力音声を所定のフレーム周期毎に分析してフレー
ム毎の特徴パラメータ（本実施例ではＬＰＣケプストラ
ム係数）を求めて特徴パラメータ時系列を生成する論理
回路である。大分類音素識別部１４（実施例ではニュー
ラルネット）は、特徴パラメータ時系列をフレーム単位
でずらしながら所定数フレーム毎の音響的特徴から大分
類音素を識別して大分類音素列を生成する論理回路であ
る。子音細分類音素認識部１６は、大分類音素列に予め
用意された大分類音素組み合せ表１６ａ（表２）を対応
させてセグメンテーションおよび子音細分類認識結果を
得る論理回路である。最終的な認識結果は細分類の音素
列としてディスプレイなどに出力される。特徴パラメー
タ抽出部１２、大分類音素識別部１４および子音細分類
音素認識部１６は、計算機上でソフトウエア処理により
実現してもよい。なおこれらの処理を実現する回路構成
等については音声処理の分野で周知であるため詳細な説
明は省略する。

【００１５】次に入力音声をセグメンテーションする処
理を図３ないし図６に基づきさらに詳しく説明する。図
３は音声を入力して大分類音素列２２を求めるまでの処
理過程を示している。まず最初に、音声認識等のため音
声信号のセグメンテーションを行おうとする者が、例え
ば日本語の音声信号を音響分析部１０に入力する。そし
て音響分析部１０では入力音声がフィルタに通されＡ／
Ｄ変換される。

【００１６】音響分析部１０でディジタル化された音声
信号は、次に、特徴パラメータ抽出部１２でフレームの
分析長毎に認識に必要な特徴パラメータ時系列２０で表
される音声信号に変換される。特徴パラメータ抽出部１
２としてはさまざまなものがありどのような構成を採用
してもよいが、本実施例ではＬＰＣケプストラム係数を
算出するものとした。以下この算出手順について説明す
る。

【００１７】まず最初に１フレーム１０ｍｓｅｃ周期毎
に２０ｍｓｅｃの区間幅で１５次のＬＰＣ（線形予測）
分析を行い、線形予測係数α1，α2，・・・，α15と残
差パワーＥを求める。そして、これよりパワー項Ｃ0 を
含むケプストラム係数Ｃｎ（０≦ｎ≦１５）を以下に示
す数式により算出する。

【００１８】

【数１】

【００１９】続いて、この１６個のケプストラム係数Ｃ
ｎを−１から＋１の範囲内に正規化して特徴パラメータ
Ｐｎを求め、この特徴パラメータＰｎをフレームｆ毎に
求めた特徴パラメータＰnf時系列を得る。こうして求め
た特徴パラメータＰnf時系列を求めたフレームｆの所定
フレーム数分Ｐnf-m（またはＰnf）をニューラルネット
ワーク１４に入力し、その出力として０Vf，ＯSf，・・
・，ＯUfを得る。

【００２０】ここで、ニューラルネットワーク１４は、
図４に示すような多層パーセプトロン型ニューラルネッ
トワークで入力層１４ａは所定フレーム数分の特徴パラ
メータ数に等しいニューロン数よりなり中間１層１４
ｂ，中間２層１４ｃ，出力層１４ｄの４層構造で、多層
ニューロンは前後層のニューロンと全結合した構造を有
している。この際、ニューラルネットワーク１４には、
表１に基づく音響的特徴から大分類音素を識別するよう
に、学習および認識させている。

【００２１】この結果、図３に示すような大分類音素列
２２が得られる。図５および図６は、子音細分類音素認
識部１６により実行される処理を示しており、大分類音
素列２２からセグメンテーションを行う処理過程を示し
ている。まず大分類音素列２２の内で、同じ大分類音素
が２以上連続する区間を１つの大分類音素区間としてま
とめ、大分類音素区間列２４（第１セグメンテーション
結果）を生成する（ステップ１１０）。また大分類音素
は、母音（Ｖ）とそれ以外の非母音（Ｐ・Ｓ・Ｂ・Ｚ・
Ｍ・Ｕ）とに分類される。

【００２２】次に、大分類音素区間列２４から次に示す
表２に該当する大分類音素の組み合せに該当する非母音
の区間を１つの子音区間としてまとめ、第２セグメンテ
ーション結果２６を得る（ステップ１２０）。

【００２３】

【表２】

【００２４】ここで、表２に基づいて大分類音素の組み
合せについて説明する。子音の細分類音素の組み合せ
は、大分類音素の組み合せ（単一の大分類音素も組み合
せの１つと考える）によって特徴付けられることがわか
っている。例えば、ｓａ、ｓｉ、ｓｕ、ｓｅ、ｓｏの”
ｓ”、あるいは、ｈａ、ｈｉ、ｈｕ、ｈｅ、ｈｏの”
ｈ”は、本来、無声摩擦性（Ｓ）であるが、前の音素が
母音などの有声音の場合、その影響で”ｓ”あるいは”
ｈ”への遷移の途中に有声摩擦性（Ｚ）の特徴が現れ
る。また”ｓ”は次の音素が”ｉ”あるいは”ｕ”であ
る場合、その影響で”ｓ”への遷移の途中に無声破裂性
（Ｐ）の特徴が現れる。

【００２５】またｋａ、ｋｉ、ｋｕ、ｋｅ、ｋｏの”
ｋ”、あるいは、ｔａ、ｔｉ、ｔｕ、ｔｅ、ｔｏの”
ｔ”は、本来、無声破裂性（Ｐ）であるが、次の音素
が”ｉ”あるいは”ｕ”である場合、その影響で”ｋ”
あるいは”ｔ”から”ｉ”あるいは”ｕ”への遷移の途
中に無声摩擦性（Ｓ）の特徴が現れる。またｂａ、ｂ
ｉ、ｂｕ、ｂｅ、ｂｏの”ｂ”、ｄａ、ｄｉ、ｄｕ、ｄ
ｅ、ｄｏの”ｄ”、あるいは、ｇａ、ｇｉ、ｇｕ、ｇ
ｅ、ｇｏの”ｇ”は、本来、有声破裂性（Ｂ）である
が、日本語の発声では前の音素が母音などの有声音の場
合、その影響で”ｂ”、”ｄ”あるいは”ｇ”への遷移
の途中に鼻音性（Ｍ）の特徴が現れる。

【００２６】ここに示した組み合せは一例であり、これ
ら以外にも音響的特徴を示すものであればどのような組
み合せを用いてもよい。図６に示す実施例では、鼻音性
（Ｍ）に有声破裂性（Ｂ）が時系列として連続してお
り、前の音素が母音（Ｖ）で有声音であることから、”
ｂ”、”ｄ”あるいは”ｇ”の１つの音素に該当すると
して１つの子音区間としてまとめる。 同様に無声破裂
性（Ｐ）に無声摩擦性が時系列として連続しており、”
ｓ”、”ｋ”あるいは”ｔ”の１つの音素に該当すると
して１つの子音区間としてまとめる。 次に、大分類音
素区間の内で１フレーム以下の区間を後の大分類音素区
間に含めることで第３セグメンテーション結果２８を得
る（ステップ１３０）。これは非常に短い区間で認識さ
れた大分類音素は、過渡区間あるいは単発的なノイズで
あると考えられるからである。本実施例では１フレーム
以下を後の大分類音素区間に含めるものとしたが、これ
はフレームの周期によってはそれ以上のフレーム長であ
ってもよいし、前の大分類音素区間に含めるものとして
もよい。

【００２７】図６に示す実施例では、１フレーム長で有
声破裂性（Ｂ）が認識されていたがこれは後の有声摩擦
性（Ｚ）の区間に含められる。また、その結果、ＺとＰ
Ｓの２つの子音区間が連続する。すなわち、ＺとＰＳと
の間には本来発声されるべき母音が、発声時に無声化し
ていたことも検出できる。

【００２８】以上のセグメンテーション処理によって得
られた第３セグメンテーション結果２８から各大分類音
素に対応する細分類の音素を決定すればよい。最終的な
細分類の音素はディスプレイなどに出力される。以上説
明した通り本実施例の音声セグメンテーション方法によ
れば、少ない計算量で、特に子音区間を正確に認識する
ことが可能となる。

【００２９】すなわち本実施例では、大分類音素の識別
にニューラルネットワーク１４を用いているが、ニュー
ラルネットでは、学習させる情報量が多ければ多い程、
学習に時間がかかりニューラルネットを構成するニュー
ロン数も多く必要になる。ニューロン数が多くなれば、
それに従って演算回数が多くなる。この点で、本実施例
では大分類音素を音響的特徴に対応させて学習および認
識させているので、子音の細分類を学習および認識させ
る場合に比較して、ニューロン数も少なくて済み、認識
に必要な演算回数も少なくなる。このことに対応して、
大分類音素の組み合せは、細分類の音素の組み合せに比
較して数が少なくなるので、音響的特徴を認識して正確
に子音区間を認識するためにも計算量が少なくて済む。

【００３０】さらに、ＬＰＣケプストラム係数を特徴パ
ラメータとする特徴パラメータ時系列のデータ量につい
て次のことがわかっている。各音響的特徴の情報は、１
５次までのＬＰＣケプストラム係数Ｃｎで十分に含まれ
るが、複数の音響的特徴を含んだ音素の情報は、２１次
までのＬＰＣケプストラム係数Ｃｎが必要となる。その
ため本実施例のように、音響的特徴を学習させれば、特
徴パラメータ時系列は１５次までのＬＰＣケプストラム
係数の時系列で済み学習量が少なくなる。

【００３１】また本実施例の方法では、音響的特徴から
大分類音素を認識して大分類音素の組み合せに対応させ
て音素を決定しているので、特に日本語の音声処理に
て、正確に識別するのが難しい子音区間を、正確にセグ
メンテーションして音素を決定することが可能となる。

【００３２】なお以上に示した実施例の他にも、例え
ば、短いフレーム長に対応する区間を前または後の区間
に含める処理（ステップ１２０）は、同じ大分類音素を
まとめる処理（ステップ１１０）の前にしてもよいし、
予め定められた大分類音素の組み合せに該当する非母音
区間を１つの子音区間としてまとめる処理（ステップ１
２０）の前に実行してもよい。

【００３３】また本実施例では、連続する大分類音素と
して特に子音が連続する場合で、前の音素が有声音、ま
たは後の音素が”ｉ”または”ｕ”の場合の実施例を示
したが、これは母音を含めて他の組み合せを用いること
も考えられる。なお大分類音素列が生成されれた後の処
理は計算量もそれほど多くならないため、必ずしも論理
回路やソフトウエア処理により実行されなくてもよい。
特に、子音細分類音素認識部１６が実行するセグメンテ
ーション処理（図５）は、それほど複雑な処理が含まれ
ないため部分的に人が計算することもできる。

【００３４】また特徴パラメータ時系列の生成は、必ず
しもＬＰＣケプストラム係数を算出するものである必要
はなく、大分類音素列の生成も必ずしもニューラルネッ
トワークを用いるものである必要はない。これらの処理
には他の周知の技術を採用することができる。

【００３５】

【発明の効果】以上説明した通り本発明の音声セグメン
テーション方法によれば、予め定められた大分類音素の
組み合せに対応させて音素を決定しているので、少ない
計算量で、特に子音区間を正確に認識することが可能と
なる。

【図面の簡単な説明】

【図１】 本発明の構成例示図である。

【図２】 実施例の構成ブロック図である。

【図３】 実施例の処理過程を示す第１説明図であ
る。

【図４】 実施例のニューラルネットワークを示す説
明図である。

【図５】 実施例の子音細分類音素認識部が実行する
フローチャートである。

【図６】 実施例の処理過程を示す第２説明図であ
る。

【符号の説明】

１０・・・音響分析部、１２・・・特徴パラメータ抽出
部、１４・・・大分類音素識別部（ニューラルネットワ
ーク）、１６・・・子音細分類音素認識部、１６ａ・・
・大分類音素組み合せ表、２０・・・特徴パラメータ時
系列、２２・・・大分類音素列、２４・・・大分類音素
区間列（第１セグメンテーション結果）、２６・・・第
２セグメンテーション結果、２８・・・第３セグメンテ
ーション結果

フロントページの続き (72)発明者 加藤 利文 愛知県刈谷市昭和町１丁目１番地 日本電 装株式会社内

Claims (2)

【特許請求の範囲】
1. 【請求項１】 入力音声を所定のフレーム周期毎に分析
   してフレーム毎の特徴パラメータを求めて特徴パラメー
   タ時系列を生成し、 該特徴パラメータ時系列をフレーム単位でずらしながら
   所定数フレーム毎の音響的特徴から大分類音素を識別し
   て大分類音素列を生成し、 該大分類音素列の内、同じ大分類音素が予め定められた
   数以上連続する区間を１つの大分類音素区間として大分
   類音素区間列を生成し、 該大分類音素区間列の連続する大分類音素区間を予め定
   められた大分類音素の組み合せに対応させて音素を決定
   することを特徴とする音声セグメンテーション方法。
2. 【請求項２】 上記大分類音素は母音または非母音に区
   別され、上記予め定められた大分類音素の組み合せに該
   当する非母音の区間を１つの子音区間とするとともに、
   大分類音素区間の内で所定のフレーム長より短い区間は
   該区間の前または後の大分類音素区間に含めることを特
   徴とする請求項１記載の音声セグメンテーション方法。