JPH0634176B2 - 音声セグメンテ−シヨン装置 - Google Patents

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は音声認識技術における音声セグメンテーション
装置に関し、特に音素のような細かい認識単位を用いて
音声の認識を行なう装置に適用される音声セグメンテー
ション装置に関する。

（従来の技術） 音素を単位として認識を行ない方法は、単語の標準パタ
ンを用意する必要がなく、大語彙認識に適していること
から、従来から多くの認識方法が試みられている。この
ような方法のうち、最も一般的な方法は、音素の標準パ
タンを利用してべクトルの時系列とし表された入力音声
と音素記号の系列として表された単語辞書とのマッチン
グを行なう方法である。

（発明が解決しようとする問題点） 音素の特徴はベクトルとして表された標準パタンとして
の記述の他に、各種の音響パラメータ上での局部的な特
徴によっても記述できる。このような局部的な特徴表現
は標準パタンによる記述では必ずしも表現されないもの
である。標準パタンにはエネルギーの急激な変化やエネ
ルギーの山や谷の存在、スペクトルの急激な変化など音
素特有の、あるいは音素変化に特有の現象についての情
報が必ずしも含まれていない。このため、音素標準パタ
ンによる音素認識の性能は不十分なものであった。本発
明は、音素あるいは音素変化に特有の現象を考慮するこ
とにより、音素標準パタンを用いたマッチングの高精度
化、すなわち、高精度の音素セグメンテーション手段を
実現するものである。

本発明はこのような高精度のセグメンテーション手段を
提供することにより音素単位の認識を可能ならしめ、単
語を単位とした認識では実施不能であった大語彙認識を
実現することを目的としている。

（問題点を解決するための手段） 前述の問題点を解決するために本発明が提供する手段
は、入力音声を既知の音素列に区分する音声セグメンテ
ーション装置であって、ベクトルの系列として表される
入力音声パタンＡ＝｛ａ（ｊ）｝を記憶する入力パタン
記憶部と、ベクトルとして表される音素標準パタンの組
Ｂ＝｛ｂ（ｋ，ｎ），ｎ＝１，…，Ｎ（ｋ），ｋ＝１，
…，Ｋ｝を記憶する標準パタン記憶部と、入力パタンＡ
の各時刻のベクトルａ（ｊ）の音素カテゴリｋに対する
類似性を示す尺度としてａ（ｊ）と標準パタンの組Ｂの
各ベクトルとの距離から音素カテゴリｋに対するフレー
ム距離ｄ（ｋ，ｊ）を算出する距離算出部と、音素から
音素への境界点で現われる音響的特徴を各音素対につい
て記述した音素境界特徴記述テーブルと、入力の全区間
にわたって各音素に対応する区間でのフレーム距離を累
積した量（Ｄ）に、各音素境界点において前記音素境界
特徴記述テーブルにより指定された特徴が存在する確度
をペナルティとして表した量（Ｐ）を加えた量（Ｄ＋
Ｐ）が最小となるように区間を分割する手段とを有する
ことを特徴とする。

（作用） 入力音声のペクトル系列をＡ＝｛ａ（ｊ），ｊ＝１，
…，ｊ｝で表すとする。また、音素標準パタンの組をＢ
＝｛ｂ（ｋ，ｎ）｝とする。ここでｋは音素のカテゴリ
番号を表す。ｋ＝１，…，Ｋである。ｎは各カテゴリ複
数個の標準パタンが存在することを意味し、ｎ＝１，
…，Ｎ（ｋ）である。

入力の各フレームｊにおける各音素カテゴリｋに対する
フレーム距離は、複数の標準パタンが存在する場合の最
近隣法を用いれば d(k,j)＝min[dist(a(j),b(k,n)]（１） より計算される。ここでｄｉｓｔ（・，・）は２つのベ
クトルの距離を表すものであり、ユークリッド距離、市
街距離等任意のものを用いることができる。

音素標準パタンを用いて入力を既知の音素列に区分する
方法として、次に示す動的計画法による方法を利用する
ことができる。音素列の長さをＭとし、ｍ番目の音素に
対するフレーム距離をｄ（ｍ，ｊ）とすると、フレーム
距離を入力の全区間にわたって累積した量を最小にする
区分を次に漸化式より求めることができる。

初期条件 g(0,0)＝0,g(0,j)＝∞;j≠0 （２） 漸化式 N(m,j)＝上の式を満足する ｍ′ ｇ（ｍ，ｊ）は距離の累積量、Ｎ（ｍ，ｊ）は最適経過
を示すバックポインタのためのバッファである。終端に
おけるＮ（ｍ，ｊ）からポインタをたどることにより最
適経路すなわち最適な区分が求められる。

本発明では、音素から音素への変化、すなわち音素境界
における局部的な特徴を利用したセグメンテーションを
実行するため、音素境界特徴記述テーブルと呼ばれるデ
ータを新たに導入する。

Ｔ＝｛ｔ（ｋ１，ｋ２）｝ ここで、ｔは音素ｋ１から音素ｋ２への音素境界で観測
される特徴を表し、ｋ１，ｋ２の各組合わせについて与
えられる。

上記のテーブルによって指定された特徴が存在しない場
合にはペナルティが与えられるよう（２）の漸化式のか
わりに次の漸化式を用いることができる。

ここでＰ［ｔ，ｊ］は特徴ｔがフレームｊに存在する場
合には値０、そうでない場合にはあらかじめ決められた
ペナルティ値となる関数である。

第１図は本発明による音素セグメンテーションの原理を
示したものである。図は単語／ｓａＮ／の場合を示す
が、２つの音素境界ｓ−ａならびにａ−Ｎに対して、音
素境界特徴記述テーブルは次のように記述されていると
する。

t(/s/,/a/)＝“低域エネルギー変化の極大” t(/a/,/N/)＝“スペクトル変化の極大” 各フレームでこれらの特徴が存在するかどうかが調べら
れ、図に示すペナルティ値系列ｐ（ｍ，ｊ）が得られ
る。結局、ペナルティ値が０となるところが音素境界と
なるように前記の漸化式計算により音素セグメンテーシ
ョンが行なわれる。

（実施例） 第２図は本発明を実現した装置の一実施例を示すブロッ
ク図である。入力パタン記憶部１、音素標準パタン記憶
部２にはそれぞれ入力パタンＡ、音素標準パタンの組Ｂ
が格納される。また、音素列記憶部３には入力音声の音
素列記述が、テーブル記憶部４には音素境界特徴テーブ
ルがそれぞれ格納される。５は距離計算部であり、
（１）式の計算が行なわれ、距離値｛ｄ（ｋ，ｊ）｝が
出力され、距離バッファ６に格納される。７は局部特徴
抽出部であり、全帯域エネルギー、帯域制限エネルギ
ー、スペクトル変化等の極大、極小となるフレームが抽
出され、特徴バッファ８に格納される。９は漸化式計算
部であり、（３）式の漸化式計算を、距離バッファ６お
よび特徴バッファ８から読み出された距離および特徴を
用いて実行し、得られた距離累積量ｇ、最適経路のトレ
ースバック用のポインタ値Ｎ、ペナルティ値ｐをそれぞ
れバッファ10,11,12に書込む。この動作がｊ＝１からｊ
＝Ｊまで繰り返され、最終的にｊ＝Ｊの時点でトレース
バック部13はバッファ11の内容を読み出しセグメンテー
ション結果を出力する。

（発明の効果） 以上に述べたように、本発明によれば、音素標準パタン
を用いた動的計画法によるセグメンテーションにおい
て、標準パタンには必ずしも十分に記述されていない音
素の局部的な特徴情報を利用することが可能となるの
で、高精度の音素セグメンテーションを実現することが
できる。本発明は音素を認識単位とした大語彙認識の実
現に供することが可能である。

【図面の簡単な説明】

第１図は本発明の原理を説明する図、第２図は本発明に
よる一実施例を示すブロック図である。 図において、１，２，３，４は記憶部、５は距離計算
部、６，８，10,11,12はバッファ、７は局部特徴抽出
部、９は漸化式計算部、13はトレースバック部である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】入力音声を既知の音素列に区分する音声セ
   グメンテーション装置において、ベクトルの系列として
   表される入力音声パタンＡ＝｛ａ（ｊ）｝を記憶する入
   力パタン記憶部と、ベクトルとして表される音素標準パ
   タンの組Ｂ＝｛ｂ（ｋ，ｎ），ｎ＝１，…，Ｎ（ｋ），
   ｋ＝１，…，Ｋ｝を記憶する標準パタン記憶部と、入力
   パタンＡの各時刻のベクトルａ（ｊ）の音素カテゴリｋ
   に対する類似性を示す尺度としてａ（ｊ）と標準パタン
   の組Ｂの各ベクトルとの距離から音素カテゴリｋに対す
   るフレーム距離ｄ（ｋ，ｊ）を算出する距離算出部と、
   音素から音素への境界点で現われる音響的特徴を各音素
   対について記述した音素境界特徴記述テーブルと、入力
   の全区間にわたって各音素に対応する区間でのフレーム
   距離を累積した量（Ｄ）に、各音素境界点において前記
   音素境界特徴記述テーブルにより指定された特徴が存在
   する確度をペナルティとして表した量（Ｐ）を加えた量
   （Ｄ＋Ｐ）が最小となるように区間を分割する手段とを
   有することを特徴とする音声セグメンテーション装置。