JPH0823757B2 - 音声の区分化方法 - Google Patents

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は、音響音声信号を、各信号がＮ個の連続する
時間間隔の任意の時間間隔ｉ（ｉは１からＮまでの数）
に関連するＮ個の信号に変換する音声の区分化方法に関
するものである。また、本発明は前記方法を実施する装
置に関するものでもある。

（従来の技術） この種の方法および／または装置は音声を構成する区
分（segment）（の範囲）を決めるために使用する。こ
れら区分とは、例えば半音節、音素または２重音の形態
の音である。

かかる処理の目的は、例えば認識手順を得られた結果
に適用し得るようにすることである。この場合には単語
若しくは音声認識を表わす。前記認識手順とは、得られ
た区分を音の基本パターンと比較することを意味する。
この区分と音の基本パターンとが十分に一致する場合に
は、その区分は認識される。

他の可能性として、得られた区分を用いて、全て異る
音（例えば二重音）を全て収集し、後にこの収集した音
により、人工的に音声合成を行なうことができる。この
ことは、例えばビー・エー・ジー エルセンドールン等
による「エクスプローリング ザ ポッシビリティーズ
オブ スピーチ シンセシス ウィズ ダルヒ ダイ
フォーン」（B.A.G. Elsendoorn, J.'t Hart: Explorin
g the possibilities of speech synthesis with Dutch
diphones, IPO Annual Progress Report no. 17,1982,
pp.63−5.）を参照のこと。現在までのところ１つの言
語に対する２重音の収集（又はライブラリー）は、熟練
した音声学者により手作業で行われており、その完成に
は約１年間の月日がかかる。

２重音の収集を行うための装置は、エム・ステラによ
る「ファブリケーション セミ・オートマティーク デ
ディクショネーアズ デ ダイフォーン」（M.Stell
a: Fabrication semi−automatique de dictionnaires
de diphones. Recherche/Acoustique, Centre National
d'Etudes de Telecommunication, vol. VII, 1982/83,
pp. 53−63.）から既知である。このセミ・オートマチ
ックな方法によって、２重音の72％だけを有効に区切っ
て、その後結果を相互に関連するように補正する必要が
ある。

また、見出すべき音の基本パターン、いわゆる半音節
に基づく区分化方法がエル・アール・ラビネル等による
「ア ブーツトラッピング トレーニング テクニック
フォー オブティニング デミシラブル リフェレン
ス パターンズ」（L.R.Rabiner, A.E.Rosenberg, J.G.
Wilpon, T.M.Zampini: A bootstrapping training tech
nique for obtaining demisyllable reference pattere
ns. J.Acoust.Soc. America, 71（６）, June 1982, p
p.1588−95.）に記載されている。

斯る方法の欠点は、正確な基本パターンを得ようとす
る場合に、斯る基本パターンを有するライブラリーの構
成に多大な時間を要することである。これは既知の方法
で２重音のライブラリーを構成するために現在必要とさ
れる時間と同程の時間となることもある。その理由は、
主に、このようなライブラリーに対する基本パターンの
数が極めて多く、即ちオランダ語について約10,000個の
半音節および1800個の２重音があるからである。

ビー・エス・アタルによる「エフィシェント コーデ
ィング オブ LPC パラメータズ バイテンポラル デ
コンポジション」（B.S. Atal: Efficient cooding of
LPC−parameters by temporal decomposition. Proc. o
f the ICASSP '83（Boston）, PP.81−4.）にも区分化
（セグメンテーション）の方法を記載している。しか
し、この方法には、見出された区分の数が一定でなく、
得られた区分が何れの音に属するかを決められないとい
う欠点がある。

（発明が解決しようとする課題） 本発明の目的は、より正確に機能し、それによって、
例えば２重音の収集が短時間で得られる音声の区分化
（セグメンテーション）方法を提供せんとするにある。

（課題を解決するための手段） この目的のため、本発明は、音響音声信号を、各信号
がＮ個の連続する時間間隔の任意の時間間隔ｉ（ｉは１
からＮまでの数）に関連するＮ個の信号に変換して音声
を区分化するに当たり、 ｉの或る値に対しｊの値がa_i（a_i＜ｉ）からb_i（b_i＞
ｉ）までの値である場合に、時間間隔ｉに関連する信号
と、時間間隔ｊに関連する信号との一致の程度を表わす
量である関数c_ijを連続する各時間間隔ｉに対して導出
し、 時間間隔の通し番号ｉに関連し、音声信号の複数の部
分の境界を形成し、その一部分内に位置する時間間隔に
関連する曲線c_ijが少なくともほぼ一致する、これらｉ
の値を決定するようにしている。これらの値ｉは、例え
ば、各時間間隔ｉに対して、この時間間隔ｉに関連する
関数c_ijの中間値m_iを決定し、前記ｉの値に対して、前
記中間値m_iと当該時間間隔ｉの通し番号との差を示す関
数d_iにおける同一符号を有する零軸交差点に少なくとも
ほぼ一致するｉの値をとるようにしたと言う事実によっ
て、決定され得る。ｉの値は、発声音の間の複数の時間
点に相当し、区分の境界を示す。これらｉの値を、関数
d_iについて負から正への零軸交差点に少なくともほぼ一
致するものに決める場合には、音素の境界を得ることが
できる。従って、区分は音素となる。このような区分
は、フォルマントおよび帯域幅のような音声パラメータ
はこの区分内でほとんど一定である。

音素は、単語が変わるとその意味が変わる１つの単語
における最小ユニットとして、定義することができる。
２重音は１つの単語の２個の隣接する音素間の遷移を表
わす。２重音の導出方法は、上記方法で得られた音素に
基づいて、のちに記載する。

補正関数には関数c_ijを採用することができる。この
関数は、等しい時間間隔、換言するとｉ＝ｊに対して値
１を有し、その値は、時間間隔ｉおよびｊでの音の間の
差が大きくなるにつれて減少する。

a_i及びb_iは、関数c_ijが基準値c_rに等しい場合のｉの
値に等しくすることができる。この基準値は、Ｐ＜１
（例えばＰが0.8に等しい）の場合における関数c_ijの最
大値のＰ倍に等しくすることができる。この結果とし
て、発声音の対応する区分は相互に影響しない。これ
は、一つの区分の中間点m_iの決定が、発声音の後又は前
の他の対応する区分の存在により影響されない（換言す
れば、妨害されない）ことを意味する。

Ｎ個の時間間隔において音響音声信号の周波数スペク
トルを、Ｎ個の信号に対し、とることができる。その他
の可能性として、Ｎ個の信号に対するＮ個の時間間隔に
おける音響音声信号のスペクトルエンベロープを取るこ
とがある。例えばLPC分析により、スペクトルエンベロ
ープを得る方法は、ジェー・ディー・マーケル及びエー
・エッチ・グレイによる「リニア プレディクション
オブ スピーチ」（J.D.Markel, A.H.Gray, Linear pre
diction of speech. Springer Verlag 1976.）から本質
的に既知である。関数c_ijの導出にスペクトルエンベロ
ープを使用することによって、実際の周波数スペクトル
それ自体に存在するピッチの影響を抑制する利点を有す
る。

これがため、上記方法によって、音声信号をさらに再
分割した区分とし、この区分の境界がｉの値により決定
され、この値は区分の時間軸に沿う境界を順次に示す。

２重音のライブラリーの導出は、まず最初に音声信号
からの音素の形態の区分を決定し、次いで、かくして得
られた音素から２重音を取り出すことによって達成する
こともできる。この目的のため、それ自体既知であり、
取り出すべき多数の２重音を含む発声音に、上記区分手
順を施す。次に曲線d_i＝m_i−ｉにおいて負から正への零
軸交差点を取る場合には、既知の発声音を構成する複数
の音素の、音素境界に相当する区分境界を得るようにす
る。この区分手順によって、発声音の音素と同数の、発
声音の区分を決定し得るようにする。この場合に、何れ
の区分が何れの音素に一致するかを正確に示すことがで
きる。しかし、区分手順によって発声音を構成する音素
の数より正確に多いか又は少ない区分を形成する場合も
ある。これらの場合は何れの区分が何れの音素に対応す
るかは直ちに明らかにはならない。

上記の場合に、特別な割り当て手順を必要とし、これ
により第１の場合（音素より区分が多い場合）には１個
以上の境界を削減することを必要とし、第２の場合（音
素より区分が少ない場合）には１個以上の境界を追加す
ることを必要とする。これを達成すべく、既知の発声音
の音声信号を、例えば音素から形成される音声区分に区
分する方法は、既知の時間整合（time alignment）によ
り、発声音を構成する音の一連の基本パターンと、発声
音の音声信号との間で最大の一致が得られるようにし、
上記音をｉの値により区分される音声区分に割り当て
て、音の境界と対応する音声区分とが最良の一致となる
ようにしている。区分が音素よりも多い場合には発声音
の何れかの個所に、１つの音素に対し音素が位置する２
つの隣接区分が存在し得るようになる。これら２個の区
分の間の境界を決めるｉの値は、省略される。区分より
音素が多い場合には、発声音の何れかの個所に、１つの
区分に対向して位置する２個の隣接する音素が存在し得
るようになる。この場合には、２個の音素の間の境界に
相当するｉの値を追加することにより、当該区分を分離
する。

区分が音素とちょうど同数である場合には、関数d_iか
ら得られるｉの値は維持される。

この音素について得られたｉの値から出発し、２重音
境界を、変換規則を使用することにより、決め得るよう
にする。

このように音素の境界からの導出を経て２重音境界
（従って２重音）を決める理由は、音素の基本パターン
が上記時間整合に使用され得るからである。したがっ
て、オランダ語については約40個の音素のみが存在し、
従って、これは50個の基本パターンを取り出して記憶す
る必要があり、これを有効に且つ迅速に行なうことがで
きることを意味する。

さらに、音素境界が一連の音素の基本パターンを用い
て、音声信号の上記時間整合から簡単に得られないこと
が問題となる。その理由は、このような方法が、特に音
声の調音結合および偶発変動に極めて影響を受けやすい
からである。この結果、極めて不正確な音素境界が得ら
れ、従って２重音境界又は２重音の導出を良好に行なう
ことはできない。

これがため上記時間整合は区分を音素に割当て、必要
により境界を追加又は削除するために用いられるだけで
ある。

音声信号又は発声音を区分（例えば音素）に細分割す
ることを、発声音の認識に使用することもできる。この
目的のため、本発明の方法は未知の発声音の音声信号を
認識するために、各区分を既知の音の基本パターンと比
較しこの音をこの区分および音の間の一致の程度が最大
となる区分に割り当てるようにしている。これは、特
に、発声音が音素の形態の複数の区分に区切られる場合
に適用される。

この場合に、さらに40個の音素の基本パターンを記憶
し、未知の発声音の区分の各々を最大で40個の基本パタ
ーンと比較する必要がある。比較の結果、最大の一致が
得られると、一連の基本パターンによって何れの音素か
らその未知の発声音が構成されるかを示すことができ
る。

又、本発明は、音響音声信号に相当する電気信号を受
信する入力端子と、該入力端子に供給される入力端子お
よび出力端子を有する第１装置とを備え、該第１装置で
はＮ個の信号を得、これらＮ個の信号をその出力側に供
給するようにして本発明方法を実施する装置において、 さらに、前記第１装置の出力側に結合される入力端子
と、出力端子とを有し、時間間隔ｉおよびｊに関連する
信号から連続する間隔ｉに対する関数c_ijを得るととも
にその出力側に関数c_ijを供給する第２装置と、 第２装置の出力側に結合される入力端子と、出力端子
とを有し、１区分内にある時間間隔に関連する曲線c_ij
が少なくともほぼ一致する音声信号の複数の部分の境界
を形成する間隔ｉの値を決定する副装置とを見えるよう
にしている。これと関連して前記副装置は、 前記副装置の入力側に結合される入力端子と、出力端
子とを有し、各間隔ｉに対する関連する関数c_ijの中間
値m_iを得るとともにその出力側に中間値m_iを供給する第
３装置と、 前記第３装置の出力側に結合される入力端子と、前記
副装置の出力側に結合される出力端子とを有し、関数d_i
における零軸交差点に少なくともほぼ一致する間隔ｉの
値を取り出すと共にこれらｉの値をその出力に供給する
第４装置とを具えるようにすることができる。この装置
によって、音声信号の、音声パラメータがほぼ一定とな
る複数の区分への区分化を達成することができる。ｉの
値は、連続した数の時間間隔の形態で区分の相互の境界
を示す。したがって、これらｉの値は音声信号（発声
音）中の時間の諸点に相当する。

第４装置がさらに関数d_i（d_i＝m_i−ｉ）における負か
ら正への零軸交差点に少なくともほぼ相当する間隔ｉの
値を決定するようにする。

この場合の複数の区分は音素の形態である。

既知の発声音を、例えば音素の形態の音の区分に区分
化する方法の実施に使用する装置は、さらに、音の基本
パターンを記憶するメモリと、メモリの出力側に結合さ
れる第１入力端子、第１装置の出力側に結合される第２
入力端子および出力端子を有する第５装置とを具え、該
第５装置は既知の時間整合により、既知の発声音を構成
する音の一連の基本パターンと発声音の音声信号との一
致の程度が最大となるようにするとともに、このように
して得られた境界をその出力側に供給し、さらに、前記
第４装置の出力側に結合される第１入力端子、前記第５
装置の出力側に結合される第２入力端子および出力端子
を有する結合装置を具え、前記第５装置は音を間隔ｉの
値により区切られる区分に割り当てて、そのため音の境
界およびそれと対応する区分が極めて良好な一致を示す
ようにすることができる。これに関連して前記結合装置
は、さらに、ｉの値の数が対応する音より多いか或いは
少ない場合に１個以上のｉの値を追加および省略すると
ともに、ｉの値の変化される群又は変化されない群をそ
の出力側に供給するようにすることができる。この結果
として、40個のみの中だけの基本パターンから出発し且
つ複数の音素に対して、或る特定の音素を第４装置で得
られた区分の各々に割り当てることができ、更に、区分
の数が、既知の発声音の構成される音素の数より少ない
か又は多い場合には補正を行なうことができる。

２重音を得るために、音声区分化装置は更に、結合装
置の出力側に結合された入力端子及び出力端子を有する
第６装置を具え、該第６装置は結合装置のｉの値から音
の境界へ向かって動き出すとともに変換規則を用いて、
２重音境界を得て、これら２重音境界をその出力側に供
給するようにすることができる。

また、未知の発声音の音声信号を認識し得るようにす
るため、装置は、さらに、既知の音の基本パターンを格
納するメモリと、該メモリの出力側に結合された第１入
力端子、第４装置の出力側に結合された第２入力端子及
び第１装置の出力側に結合された第３入力端子並びに出
力端子を有する第５装置とを具え、該第５装置は各区分
を既知の音の基本パターンと比較し、この区分および音
の一致の程度が最大となる区分に前記音を割り当て、各
々がこの割り当てた区分と最大限に一致するこれら音の
一連の基本パターンに関係する情報をその出力側に供給
するようにすることができる。

（実施例） 以下図面につき本発明を説明する。

第１図は本発明の方法を実施する装置の第１実施例を
示す図である。この装置は２重音収集を行うために使用
される。この目的のため、熟練した話者がマイクロホン
１を経て装置に向けて、既知の音声を発声する。発声を
行う場合には、話者が一定の速さで話すようにする。こ
の話す速さは、遅速のない速度とする必要がある。さら
に、好適には話者は固定ピッチで話す必要がある。一般
に２重音収集を得るため使用される発声音は、例えば単
語“nenoone"のような意味のない単語とする。この単語
は音素“n",“e",“n",“oo",“n"及び“e"から構成さ
れている。この単語から、２重音“ne",“en",“noo",
“oon"及び“ne"を導出することができる。実際には２
重音は２個の音素を遷移を示すことから、音素より２重
音の方が多いことは明らかである。例えばオランダ後の
場合、約40乃至50個の音素に対して約1800個の２重音が
存在する。音声入力装置であるマイクロホン１を、入力
端子２を経てアナログ−デジタル変換器３に結合する。
アナログ−デジタル変換器３は音声をディジタル信号の
系列として発生する変換器である。変換器において、電
子信号はサンプリング周波数約10kHzでサンプリングさ
れ、デジタル化される。音声の情報は主に5kHz以下の周
波数範囲にあるため、10kHzのサンプリング周波数が好
適となる。第3a図は、アナログ−デジタル変換器３の出
力側に現われる単語“nenoone"のデジタル化された時間
信号を示す。このA/D変換器３の出力速に第１装置４の
入力側５を結合する。この第１装置４によって、Ｎ個の
音声信号の時間変形スペクトルの特性関数信号S_i（ｆ）
（１≦ｉ≦Ｎ）が得られるようにする。これらＮ個の信
号は、第3a図の時間信号をＮ個の時間間隔に分割すると
ともに、例えば各時間間隔に対して適切な時間間隔の発
声音の周波数スペクトルを取ることにより、得られる。

他の手段として、適切な時間間隔の発声音のスペクト
ルエンベロープを取るようにする。この目的のためLPC
分析が使用される。従って、長さ10msの時間間隔を取る
ものとすると、関連するスペクトルエンベロープは100
サンプリングより成る時間信号から計算される。第４図
には音声信号の第１の500msに対する、第１の50個のス
ペクトルエンベロープS_i（ｆ）を示す。

第５図には、発声音の周波数スペクトルを時間間隔ｉ
の曲線S_i′（ｆ）で示す。このスペクトルは高速フーリ
エ変換により得られる。この曲線S_i′（ｆ）の主な特徴
は、そのピークがｆ＝f_oおよびその倍数の個所にあるこ
とである。周波数f_oは音声信号のピッチを示す。曲線S_i
（ｆ）は多数のdBに亘って上方に推移するLPC分析によ
り得られたスペクトルエンベロープを示す。この曲線の
周波数f₁，f₂，f₃およびf₄におけるピークは、第１の４
個のフォルマントを示す。実際には、直列接続された複
数（この場合４個）の２次フィルタから構成される一個
のフィルタの全パラメータは、LPC技術で決められる。
したがって、関連のパラメータは（上記フォルマント周
波数に対応する）フィルタの共鳴周波数および帯域幅で
ある（フォグテン（Vogten）の論文（L.L.M.Vogten: An
alyse,zuinige codering en resynthese van spraakgel
uid.Thesis,Technische Hogeschool Eindhoven 198
3.）、特に、§2.1参照のこと）。

したがって、これらパラメータを用いることによりそ
の後の音声を合成することができる。“エムイーエー80
00 ボイス シンセサイザー、プリンシプルズ アンド
インターフェーシング”（MEA 8000 Voice syntehsiz
er, principles and interfacing. Philips'Elcoma pub
lication no.101.）の特に第２〜４頁に記載の題名“プ
リンシプルズオブ フォルマント スピーチ シンセシ
ス”（Principles of formant speech synthesis）の節
参照のこと。

第２装置７の入力端子８を第１装置４の出力端子６に
結合する。第１装置４によりその出力端子６に現われた
Ｎ個の信号S_i（ｆ）（第４図参照）を用いて、第２装置
７で各時間間隔ｉに亘り正規化された相関関数c_ijを導
出する。ここにｊはa_iからb_i（a_i＜i,b_i＞ｉ）までの範
囲である。第６図はかかる関数c_ijの曲線を示し、第７
図は複数の連続する時間間隔ｉに対する曲線c_ijを示
し、ここにc_ijは以下の式により計算される。

および 式（２）から明らかなように、ｊ＝ｉのときにはc_ij
は値１を有する（第６図参照）。曲線c_ijは時間間隔ｉ
および時間間隔ｊに対するスペクトルエンベロープの一
致の程度を示す。第７図から明らかなように、時間間隔
10〜17に対するスペクトルエンベロープは、包括的に、
互いに共通点が多い。同様のことが、時間間隔19〜27に
ついても言える。このことは、第４図から無理なく理解
できるであろう。これらは、スピーチ信号の部分であ
り、この部分において、次々と同じような状態の部分へ
変移されるスペクトルエンベロープは相互に極めて似て
いる。これがため、各部分は、かかる部分中、フォルマ
ントおよびそれらと関連する帯域幅のような、上記パラ
メータがほとんど時間的に一定であることを示してい
る。

第３装置10の入力端子11を第２装置７の出力端子９に
結合する。第３装置10は、第２装置７から曲線c_ijを受
け、各時間間隔に関連する曲線c_ijに対し、例えば、次
式 に従って、この曲線の中点m_iを決定する。

値a_iおよびb_iを合理的に任意に選ぶことができる。ｊ
の値をこれらa_iおよびb_iにするのが好適であり、この場
合、C_i，a_i＝C_i，b_i＝C_r（第６図参照）となり、ここに
おいてC_rはＰ・c_ijに等しい（c_ijは曲線cijの最大値で
あり、この例では１に等しい）。さらに、Ｐは0.8また
は0.9に等しくするのが好適である。これらｊの値をa_i
およびb_iと選定することにより、１からＮまでの数につ
いて、即ち全ての発声音にわたって、式（３）による積
分を行なう場合よりも、m_i値の決定が正確となる。この
ような場合において、発声音の、その中点が決定された
区域と相似の他のほぼ同一状態の区域は、その中点の決
定を妨害する。例えば、単語“nenoone"において、ほと
んど一定の区域が、音素“n"に対応して３回発生する。
したがって、中点m_iを真中の“n"の一定区域に決定する
場合には、積分領域は、他の音素“n"の一つがその範囲
に収まるので、そんなに広くとる必要がない。

各時間間隔に対する中点m_iに対応するｊ値は第７図の
垂線で示される。この図から明らかなように、10＜ｉ＜
17および20＜ｉ＜27での静止区域内の中点m_iは、実際に
次のｉに対して変化しない。

第４装置13の入力端子14を第３装置10の出力端子12に
結合する。第４装置13では、ブロック15において第３装
置10で得られたデータから変数d_iを決める。

関数d_iに対して、 d_i＝m_i−ｉ （４） が得られる。

第７図において、各時間間隔ｉの関数d_iはｉおよびm_i間
の水平接続線により示される。その上、第3b図ではｉの
関数として曲線d_iを示している。関数d_iの正から負へ変
化する零軸交差点は、関連する静止部の中点m_iに少なく
ともほぼ一致する。負から正へ変化する、包括的にi₁〜
i_Mにより示される零軸交差点によって静止区域（音素）
間の遷移の位置を得られる。これら零軸交差点は第４装
置13のブロック16において決められる。

第3b図と第3c図とから、第１および最後の区分SIは発
声音の直前及び直後の黙音と一致する。次に、単語“ne
noone"を構成する６個の音素に正確に一致する６個の区
分がまた残されている。したがって、適切な音素をこれ
ら６個の区分に直接割り当てることができる。

上記割り当て手順を用いることにより、時には、発声
音を構成する音素の数より多いか又は少ない区分を得る
こともある。この場合において、特定の音素を１つの区
分に直接割り当てることはできない。これらの場合も音
素を区分に正確に割り当得るようにするため、装置はさ
らにメモリ18を備える。このメモリには、各音素ｘに対
し、音素の基本パターン並びに最小および最大の音素の
持続時間（t_x,min及びt_x,max）を記憶する。この基本パ
ターンは、フォルマント値及びそれと関係する帯域幅か
ら構成される。これら値から出発してスペクトルエンベ
ロープＳ（ｆ）を、第５図に示すようなLPC分析により
計算することができる。このスペクトルエンベロープは
特定の音素ｘと関連するエンベロープであり、以後S_px
（ｆ）で示すこととする。

式（１）及び（２）から類推して、間隔ｉの時間信号
のスペクトルエンベロープと音素ｘのスペクトルエンベ
ロープの一致を示す変数C_i,pxが得られる。これは第５
装置19内で行なわれる。この目的のため、この第５装置
には、これに、エンベロープS_px（ｆ）が得られる基本
パターンを供給するメモリ18に結合される第１入力端子
20と、時間間隔ｉと関連するエンベロープS_i（ｆ）を供
給する第１装置４の出力端子６に結合される第２入力端
子21とを設ける。この第５装置19において、変数C_i,px
を得、発声音および一連の音素の基本パターンの間で時
間整合を行なって、両信号間の一致の程度が最大となる
ようにする。第8a図は、第8b図に示される発声音“neno
one"に対するこの時間整合した結果を示す。第8a図にお
いて、ｘ＝１は発声音の前の無音を表し、ｘ＝２は音素
“n"に対応し、ｘ＝３は音素“e"に、ｘ＝４は再び音素
“n"に、ｘ＝５は音素“oo"に、ｘ＝６は音素“n"、ｘ
＝７は再び音素“e"に、およびｘ＝８は無音にそれぞれ
対応する。

これは既知の発声音に関連するため、どの音素が存在
するか、どの順序でこれら音素が発生しなければならな
いかは既知である。従って境界i₁′〜i₇′のみを決める
だけでよい。

これら境界は以下のようにして決めることができる。
第10図において、時間を連続な時間間隔の数ｉで示され
る水平軸に沿ってプロットする。この場合にもｉは１≦
ｉ≦Ｎとする。次に（基本パターン）の音素p₁〜p_xを垂
直軸に沿ってプロットする。音素に含められる発声音の
前および後が無音の場合にはＸは８に等しい。音素p
_xは、時間間隔（i_x-1′＋１）からi_x′までに配置され
る。C_i,pxの値はグラフの左下から右上に向かう線１上
に常にプロットされる。

今、i_x′（１≦ｘ≦Ｘ）を、以下の関数 が最大となるように決める。上記関数を最大にするに
は、i_x′にt_x,min≦i_x′−i_x-1′≦t_x,maxのような状態
が課される場合の動的計画法により実行される。

動的計画法は、それ自体既存の技術であり、アール・
ベルマンの「ダイナミック プログラミング」（R.Bell
man:Dynamic programming University Press, Princeto
n New Jersey, 1957.）およびネイによる刊行物の「ダ
イナミック プログラミング アズ ア テクニク フ
ォー パターン リコグニッション」（H.Ney: Dynamic
programming as a technique for pattern recognitio
n Proc.of the 6th Int. Conf. on Pattern recognitio
n, Munich （DE）, Oct. 19−22, 1982, pp. 1119−2
5.）を参照されたい。全ての境界i₁′からi₇′までを上
記文献記載の方法により決める。次に、区分手順から得
られる境界i₁乃至i₇、および時間整合から得られる境界
i₁′乃至i₇′を、結合装置23に供給する。この目的のた
め、結合装置23の第１入力端子24を第４装置13の出力端
子17に結合し、第２入力端子25を第５装置19の出力端子
22に結合する。

この結合装置23は、時間整合および第５装置19（第8a
図参照）により得られる音素を、第４装置13における区
分化方法により得られ、ｉの値により区分けされる区分
（第3a図及びその同じ曲線を表示している第8c図参照）
に、割り当てるために備えており、このため音素の境界
およびそれに応じた区分は極めて良好に一致する。

第8aおよび8c図から明らかなように、境界i₁および
i₁′はともにグループをなす。同様のことは境界i₂およ
びi₂′、i₃およびi₃′、i₄およびi₄′、i₅およびi₅′、
i₆およびi₆′、i₇およびi₇′についても当てはめられ
る。これがため、この場合に結合装置23はその出力端子
にi₁乃至i₇の値を出力する。

この区分化手順は、例えば、発声音を構成する音素の
数より少ない区分を出力する場合もある。このことは、
第9aおよび第9b図に示されている。第9a図は区分化手順
の結果を示している。境界i₁乃至i₄を、図示されいない
曲線d_iから得られるが、発声音は６個の音素により構成
される。次に時間整合の方法から第9b図に示すような境
界i₁′乃至i₅′を得る。ここには曲線C_i,pxは図示して
いない。これから、境界i₁およびi₁′、i₂およびi₂′、
i₃およびi₄′並びにi₄およびi₅′の間に一致が見られる
ことが明らかである。この場合にi₃′に応じた余分の境
界が結合装置23により加えられる。

他に、区分化手順により発声音を構成する音素の数より
多い区分を出力する可能性もある。これは第9cおよび9d
図に示されている。第9c図は、区分化手順の結果を示
し、そこには５個の境界i₁乃至i₅がある。第9d図は、時
間整合の結果である４個の境界i₁′乃至i₄′を示してい
る。これから境界i₁およびi₁′、i₂およびi₂′、i₄およ
びi₃′、並びにi₅およびi₄′の間に一致が見られること
が明らかである。この場合において、境界i₃は結合装置
により省略される。

したがって、前段の装置により得られ且つ訂正された
境界は、もし必要ならば、結合装置23の出力端子26から
第６装置27の入力端子28に供給される。この第６装置27
は、結合装置23により得られた境界ｉから出発し、表Ｉ
に与えられるような変換規則を用い、２重音境界g₁乃至
g₈を決める（第8b図及び第8c図参照）。表Ｉは最も重要
且つ共通に発生する２重音に対する変換規則だけを示し
ている。g₁およびg₂間に位置する２重音は、無音から
“n"への遷移を表わし、同様にg₂およびg₃間に位置する
２重音は“ne"への遷移を表わし、（以下略記すると）g
₃およびg₄間は“en"への遷移、g₄およびg₅の間は“noo"
への遷移、g₅およびg₆の間は“oon"への遷移、g₆および
g₇の間は“ne"への遷移、並びにg₇およびg₈の間は“e"
から無音への遷移をそれぞれ表わしている。表ＩのNo.3
1から明らかなように、２重音境界g₂，g₄およびg₆が境
界i₁，i₂；i₃，i₄およびi₅，i₆により限定された区分の
中点に存在する（必要がある）。表ＩのNo.12から明ら
かなように、２重音境界g₃およびg₇が境界i₂およびi₆の
夫々の後に６時間間隔を取る必要がある。表ＩのNo.8か
ら明らかなように、２重音境界g₅が境界i₄のｉ軸に沿っ
て６時間間隔後に位置し、表ＩのNo.17から明らかなよ
うに、２重音境界g₁およびg₈は第１および最後の区分の
中間に存在する必要がある。

表ＩのNo.19からNo.24までの音素は破裂音であり、２
つの部分から成る。第１の部分は破裂前の無音に相当す
る。第２の部分はそれ自体破裂であり、表において“バ
ースト（burst）”と称している。上記区分手順は、一
般に、これら音素を２部分に相当する２つの区分に区分
化するものである。

この関連する２重音境界は、破裂に相当する区分の始
点の前にある１時間間隔に表Ｉより選定される。

“声門閉鎖音（glottal stop）”は、例えば、すでに記
した音声合成装置“MEA 8000"の名称を発音する場合の
ような個々に離れた文字の発音の間に挿入された無音に
相当する。

さらに、最も重要なドイツ語および英語の２重音を得
るための変換規則は、表IIおよび表IIIに示される。

上記方法により得られた２重音は、次に、２重音のラ
イブラリィの形成のためメモリ30に格納される。この目
的のため、メモリ30の２つの入力端子を、第１装置４の
出力端子６および第６装置27の出力端子29に結合する。
メモリ30では、各２重音および２重音の境界ｇ内に存在
する各時間間隔に対して、 ・上記４個（又は５個）のフォルマントおよびそれと関
連する帯域幅、 ・音の強さに結びつく振幅パラメータ（第１装置４でも
得られる）、 ・音声−無声音の判定（すなわち、第１装置４内でも得
られる周期的信号か又は雑音形信号かどうかの判定） を格納する。この情報について、その後合成音声を達成
することができる（フォグテンの論文参照）。

第２図は本発明の装置の第２の実施例を示している。
この装置は、未知の発声音の認識のため使用される。こ
れら第１および２図において同一の素子には同一の符号
を付す。未知の発声音がマイクロホン１に入力され、A/
D変換器３でデジタル信号に変換される。第１装置４は
関数S_i（ｆ）を出力する（第４図参照）。第２装置７は
関数c_ijを決定する（第７図参照）。次に第３装置10は
中間値m_iを決定する（第７図参照）。第４装置13は曲線
d_iおよび値i₁，…，i_Mを決定する（第３図参照）。

以上から、未知の発声音を構成する区分に含まれる音
素の多くの基本パターンに、原則として、相当する多数
の区分が得られる。この目的のため、メモリ18は全ての
音素の基本パターンを内部に有している。各区分を音素
の基本パターンと比較し、その音素を、この区分とその
音素との一致の程度が最大となる１区分に割り当てる第
５装置31を備える。この目的のため、第５装置は、メモ
リに結合される第１入力端子32、第４装置の出力端子17
に結合される第２入力端子33、第１装置の出力端子６に
結合される第３入力端子35、並びに出力端子34を有す
る。この出力端子34には、音素が割り当てられる区分に
一致する程度が最大であることを夫々示すこれら音素の
一連の基本パターンに関する情報が現われる。これがた
め、未知の発声音が認識される。

区分の基本パターンとの比較は、例えば、以下のよう
にして行なわれる。

曲線C_i,pxを各区分およびある特定の音素ｘの基本パ
ターンに対して、計算する。発声音および発声音におい
て実際に発音される音素ｘの基本パターンからの区分に
対して、例えばi₃′およびi₄′の間の曲線により第8a図
に示すような曲線C_i,pxを得る。これに対し、境界が
i₃′およびi₄′には存在し得ないが、曲線d_iから得られ
るi₃およびi₄には存在し得ることを加える必要がある。
これがため、音素の基本パターンと第４装置13から得ら
れたｉの値、即ちi₁乃至i_Mにより区分された区分との間
で比較が行なわれる。

発声音の区分と他の基本パターンとの比較において、
さらに低い値を有する曲線C_i,pxが得られる。次に、
（区分にわたって積分された）C_i,pxが最大値を有する
音素ｘは区分に割り当てられる。したがって、例えば を決め、ここにi₁およびi_L+1は区分の下側境界および上
側境界である。そして音素ｘは0_xが最大値となる前記区
分に割り当てられる。

この手順を各区分に対して適用する場合には、発声音
を構成する一連の結合音素を最終的に得ることができ
る。したがって、発声音が認識される。

本発明は図示の実施例に限定されるものではなく、本
発明の要旨を変更することなく種々の変更を加え得るこ
とはもちろんである。

【図面の簡単な説明】

第１図は本発明方法の実施に使用する装置の１例を示す
ブロック回路図、 第２図は上記装置の他の例を示すブロック回路図、 第３図はその第3a図において、時間の関数である発声音
の電気信号を示し、その第3b図において区分手順にて得
られた曲線d_iを示し、その第3c図において得られた区分
に属すると考えられる音素を示す説明図、 第４図は第3a図から連続する時間間隔ｉ（１≦ｉ≦Ｎ）
に対する音声信号のＮ個のスペクトルエンベロープを示
す特性図、 第５図は或る特定の時間間隔における音声信号の周波数
スペクトル及びそれと関連する周波数スペクトルエンベ
ロープを示す特性図、 第６図は或る特性の時間間隔ｉ（１≦ｊ≦Ｎ）に対する
関数c_ijを示す特性図、 第７図は一連の時間間隔ｉに対する関数c_ijを示す特性
図、 第８図はその第8a図において関数C_i,pxを示しその第8b
図において発声音の最初の時間信号を示し、その第8c図
において２重音境界ｇおよび区分境界ｉを含む関数d_iを
示す特性図、 第９図は第9a及び9b図において追加の区分境界の追加を
示し、その第9c及び9d図において、区分境界の省略を示
す特性図、 第10図は発声音及び音素の基本パターン間の時間整合を
示す説明図である。 １…マイクロホン、３…A/D変換器 ４…第１装置、７…第２装置 10…第３装置、13…第４装置 18,30…メモリ、19,31…第５装置 23…結合装置、27…第６装置

Claims (3)

【特許請求の範囲】
1. 【請求項１】音声の区分化方法であって、該方法は、 − 一連の標準長さ間隔（ｉ）の各々における音声信号
   から個別のスペクトルの特性関数（S_i（ｆ））を導出す
   るステップと、 − 該特性関数各々に対して、前及び後の前記間隔にお
   ける該特性関数の有限長の系列に関して正規化された相
   関関数（c_ij）を生成するステップと、 − 該相関関数各々に対して、該相関関数の中心点
   （m_i）を求め、該中心点が対応する前記相関関数が最大
   値をとる点（第６図のｉ）と実質的に一致する時点を求
   めるステップと、 − その時点を音声の区分点とするステップと、 を具えたことを特徴とする音声の区分化方法。
2. 【請求項２】特許請求の範囲第１項記載の音声の区分化
   方法において、前記区分化は２重音のためのものであ
   り、前記区分化点は、中心点の位置が相対的に定常であ
   り、かつ中心点から前記最大値をとる点を引いた値が正
   から負へ変わるものである音声の区分化方法。
3. 【請求項３】特許請求の範囲第１項記載の音声の区分化
   方法において、前記中心点を決定する前に、前記相関関
   数を予め定められた１未満の値c_rで切り捨てるステップ
   を含む音声の区分化方法。