JPH0876789A - 不特定話者単語音声認識システムおよび不特定話者単語音声認識方法 - Google Patents
不特定話者単語音声認識システムおよび不特定話者単語音声認識方法Info
- Publication number
- JPH0876789A JPH0876789A JP6209794A JP20979494A JPH0876789A JP H0876789 A JPH0876789 A JP H0876789A JP 6209794 A JP6209794 A JP 6209794A JP 20979494 A JP20979494 A JP 20979494A JP H0876789 A JPH0876789 A JP H0876789A
- Authority
- JP
- Japan
- Prior art keywords
- pitch
- unit
- section
- dictionary
- voice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
(57)【要約】
【目的】高精度で少ない演算量とメモリサイズで音声を
認識できる携帯電話など好適な不特定話者単語音声認識
システムを提供することを目的とする。 【構成】本発明は、入力された音声のピッチおよびＬＳ
Ｐパラメータを音声認識に用いる。パワー／ＬＳＰ／ピ
ッチ検出部１２でパワー、ＬＳＰパラメータ、ピッチを
検出し、第１のマッチング部１５でピッチによる単語の
予備選択が行われここで発声のバリエーションを軽減す
る。次に第２のマッチング部１７でＬＳＰパラメータに
よりマッチングを行い単語を決定する。
認識できる携帯電話など好適な不特定話者単語音声認識
システムを提供することを目的とする。 【構成】本発明は、入力された音声のピッチおよびＬＳ
Ｐパラメータを音声認識に用いる。パワー／ＬＳＰ／ピ
ッチ検出部１２でパワー、ＬＳＰパラメータ、ピッチを
検出し、第１のマッチング部１５でピッチによる単語の
予備選択が行われここで発声のバリエーションを軽減す
る。次に第２のマッチング部１７でＬＳＰパラメータに
よりマッチングを行い単語を決定する。
Description
【０００１】
【産業上の利用分野】本発明は例えば携帯電話などの音
声ダイアル等に用いられる不特定話者単語音声認識シス
テムに関する。
声ダイアル等に用いられる不特定話者単語音声認識シス
テムに関する。
【０００２】
【従来の技術】従来より単語音声認識システムについて
多数の研究がなされている。一般に、単語音声認識シス
テムは、辞書内に蓄積されている参照パターンと入力パ
ターンとを比較することによって音声の認識がなされ、
最もマッチングがとれたものが話された単語とみなされ
る。しかし、同じ単語でも話し方によってはその速さや
長さが異なる（すなわちバリエーションがある）ことか
ら、認識精度の向上には様々な困難がある。現在までに
開発されたシステムは、話者を特定した単語音声認識シ
ステムと話者を特定しない単語音声認識システムがあ
り、話者を特定しない単語音声認識システムの一例が古
井貞 著，東海大学出版会，『ディジタルテクノロジー
シリーズ ディジタル音声処理』の P185 〜P187に記
載されている。図３はこの文献に記載された不特定話者
単語音声認識システムを示すブロック図である。図３の
システムはマルチテンプレート方式と呼ばれる方式によ
るもので、この方式では良好な認識精度を得るには各単
語毎に１２個の参照用のテンプレートが必要であること
が明らかになっている。したがって、この方法では、各
単語毎の参照用のテンプレートの数が増加すると、演算
量とメモリサイズが増大してしまうという欠点があっ
た。もしデバイスのサイズや複雑さに制限がなければこ
の方法でも問題はないが、携帯電話などのような小型で
低消費電力が要求されるものにこの種の単語認識システ
ムを採用しようとした場合、演算量とメモリサイズが大
きな問題となる。
多数の研究がなされている。一般に、単語音声認識シス
テムは、辞書内に蓄積されている参照パターンと入力パ
ターンとを比較することによって音声の認識がなされ、
最もマッチングがとれたものが話された単語とみなされ
る。しかし、同じ単語でも話し方によってはその速さや
長さが異なる（すなわちバリエーションがある）ことか
ら、認識精度の向上には様々な困難がある。現在までに
開発されたシステムは、話者を特定した単語音声認識シ
ステムと話者を特定しない単語音声認識システムがあ
り、話者を特定しない単語音声認識システムの一例が古
井貞 著，東海大学出版会，『ディジタルテクノロジー
シリーズ ディジタル音声処理』の P185 〜P187に記
載されている。図３はこの文献に記載された不特定話者
単語音声認識システムを示すブロック図である。図３の
システムはマルチテンプレート方式と呼ばれる方式によ
るもので、この方式では良好な認識精度を得るには各単
語毎に１２個の参照用のテンプレートが必要であること
が明らかになっている。したがって、この方法では、各
単語毎の参照用のテンプレートの数が増加すると、演算
量とメモリサイズが増大してしまうという欠点があっ
た。もしデバイスのサイズや複雑さに制限がなければこ
の方法でも問題はないが、携帯電話などのような小型で
低消費電力が要求されるものにこの種の単語認識システ
ムを採用しようとした場合、演算量とメモリサイズが大
きな問題となる。
【０００３】
【発明が解決しようとする課題】上述したように従来の
不特定話者単語音声認識システムは演算量とメモリサイ
ズが大きく、小型で低消費電力が要求される携帯電話な
どには不向きであった。本発明は上記した問題点を考慮
してなされたもので、合理的な認識精度を保ちながら少
ない演算量とメモリサイズで音声を認識できる携帯電話
など好適な不特定話者単語音声認識システムを提供する
ことを目的とする。
不特定話者単語音声認識システムは演算量とメモリサイ
ズが大きく、小型で低消費電力が要求される携帯電話な
どには不向きであった。本発明は上記した問題点を考慮
してなされたもので、合理的な認識精度を保ちながら少
ない演算量とメモリサイズで音声を認識できる携帯電話
など好適な不特定話者単語音声認識システムを提供する
ことを目的とする。
【０００４】
【課題を解決するための手段】上記課題を解決するため
に本発明は、デジタル化された入力音声のパワー、ＬＳ
Ｐパラメータ、およびピッチを検出するパワー／ＬＳＰ
／ピッチ検出部と、検出された前記入力音声の発声の開
始と終了のポイントを検出する音声区間検出部と、前記
音声区間検出部で検出された発声の開始から終了までの
区間内に検出された前記パワー、ＬＳＰパラメータ、お
よびピッチを所定のサンプリング周期でサンプリングす
るサンプリング部と、前記サンプリング部でサンプリン
グされたピッチを蓄積する第１の辞書部と、前記サンプ
リング部でサンプリングされた前記ＬＳＰパラメータを
蓄積する第２の辞書部と、前記サンプリング部からの出
力と前記第１の辞書部に蓄積されたピッチとを比較して
単語を認識する第１のマッチング部と、前記第１のマッ
チング部の認識結果と前記第２の辞書部に蓄積されたＬ
ＳＰパラメータとを比較して単語を認識する第２のマッ
チング部とを具備する。
に本発明は、デジタル化された入力音声のパワー、ＬＳ
Ｐパラメータ、およびピッチを検出するパワー／ＬＳＰ
／ピッチ検出部と、検出された前記入力音声の発声の開
始と終了のポイントを検出する音声区間検出部と、前記
音声区間検出部で検出された発声の開始から終了までの
区間内に検出された前記パワー、ＬＳＰパラメータ、お
よびピッチを所定のサンプリング周期でサンプリングす
るサンプリング部と、前記サンプリング部でサンプリン
グされたピッチを蓄積する第１の辞書部と、前記サンプ
リング部でサンプリングされた前記ＬＳＰパラメータを
蓄積する第２の辞書部と、前記サンプリング部からの出
力と前記第１の辞書部に蓄積されたピッチとを比較して
単語を認識する第１のマッチング部と、前記第１のマッ
チング部の認識結果と前記第２の辞書部に蓄積されたＬ
ＳＰパラメータとを比較して単語を認識する第２のマッ
チング部とを具備する。
【０００５】さらに本発明の方法はデジタル化された入
力音声のパワー、ＬＳＰパラメータ、およびピッチを検
出するステップと、検出された前記入力音声の発声の開
始と終了のポイントを検出するステップと、前記音声区
間検出部で検出された発声の開始から終了までの区間内
に検出された前記パワー、ＬＳＰパラメータ、およびピ
ッチを所定のサンプリング周期でサンプリングするステ
ップと、サンプリングされたピッチを第１の辞書部に蓄
積するステップと、前記サンプリングされた前記ＬＳＰ
パラメータを第２の辞書部に蓄積するステップと、前記
サンプリングの結果と前記第１の辞書部に蓄積されたピ
ッチとを比較して単語を認識するステップと、この認識
結果と前記第２の辞書部に蓄積されたＬＳＰパラメータ
とを比較して単語を認識するステップよりなる。
力音声のパワー、ＬＳＰパラメータ、およびピッチを検
出するステップと、検出された前記入力音声の発声の開
始と終了のポイントを検出するステップと、前記音声区
間検出部で検出された発声の開始から終了までの区間内
に検出された前記パワー、ＬＳＰパラメータ、およびピ
ッチを所定のサンプリング周期でサンプリングするステ
ップと、サンプリングされたピッチを第１の辞書部に蓄
積するステップと、前記サンプリングされた前記ＬＳＰ
パラメータを第２の辞書部に蓄積するステップと、前記
サンプリングの結果と前記第１の辞書部に蓄積されたピ
ッチとを比較して単語を認識するステップと、この認識
結果と前記第２の辞書部に蓄積されたＬＳＰパラメータ
とを比較して単語を認識するステップよりなる。
【０００６】
【作用】上記した構成にあっては、入力された音声のピ
ッチおよびＬＳＰパラメータを音声認識に用いている。
最初のピッチの比較で単語の予備選択が行われ、発声の
バリエーションを軽減している。これにより次のＬＳＰ
パラメータによる比較でのマッチング回数を減らすこと
ができるので、より精度が高く、少ない演算量とメモリ
サイズで音声を認識することができる。
ッチおよびＬＳＰパラメータを音声認識に用いている。
最初のピッチの比較で単語の予備選択が行われ、発声の
バリエーションを軽減している。これにより次のＬＳＰ
パラメータによる比較でのマッチング回数を減らすこと
ができるので、より精度が高く、少ない演算量とメモリ
サイズで音声を認識することができる。
【０００７】
【実施例】本発明の実施例を図面を参照して説明する。
図１は本発明の不特定話者単語音声認識システムの実施
例の構成を示すブロック図である。図１において、１０
はアナログ音声をデジタル信号に変換するアナログ／デ
ジタル変換器、１１は入力された信号の高周波領域を強
調する前処理部、１２は後述する音声信号のパワー，Ｌ
ＳＰ（Line Spectrum Pair）パラメータ、およびピッチ
を検出するパワー／ＬＳＰ／ピッチ検出部、１３は入力
された音声の開始と終了のそれぞれの時点を検出する音
声区間検出部、１４は音声区間検出部１３で検出された
発声の開始から終了までの区間内を所定のサンプリング
周期でサンプリングするサンプリング部、１６はサンプ
リング部１４でサンプリングされたピッチを蓄積する第
１の辞書部、１８はリサンプリング部１４でサンプリン
グされたＬＳＰパラメータを蓄積する第２の辞書部、１
５はサンプリング部１４からの出力と第１の辞書部１６
に蓄積されたピッチとを比較して単語を認識する第１の
マッチング部、１７は第１のマッチング部１５の認識結
果と第２の辞書部１８に蓄積されたＬＳＰパラメータと
を比較して単語を認識する第２のマッチング部、１９は
外部からの入力に応じて、トレーニング処理（図１にお
いてＭＯＤＥ＝１で示す）と認識処理（図１においてＭ
ＯＤＥ＝２で示す）の切り替えを行うモード切り替え部
をそれぞれ示す。
図１は本発明の不特定話者単語音声認識システムの実施
例の構成を示すブロック図である。図１において、１０
はアナログ音声をデジタル信号に変換するアナログ／デ
ジタル変換器、１１は入力された信号の高周波領域を強
調する前処理部、１２は後述する音声信号のパワー，Ｌ
ＳＰ（Line Spectrum Pair）パラメータ、およびピッチ
を検出するパワー／ＬＳＰ／ピッチ検出部、１３は入力
された音声の開始と終了のそれぞれの時点を検出する音
声区間検出部、１４は音声区間検出部１３で検出された
発声の開始から終了までの区間内を所定のサンプリング
周期でサンプリングするサンプリング部、１６はサンプ
リング部１４でサンプリングされたピッチを蓄積する第
１の辞書部、１８はリサンプリング部１４でサンプリン
グされたＬＳＰパラメータを蓄積する第２の辞書部、１
５はサンプリング部１４からの出力と第１の辞書部１６
に蓄積されたピッチとを比較して単語を認識する第１の
マッチング部、１７は第１のマッチング部１５の認識結
果と第２の辞書部１８に蓄積されたＬＳＰパラメータと
を比較して単語を認識する第２のマッチング部、１９は
外部からの入力に応じて、トレーニング処理（図１にお
いてＭＯＤＥ＝１で示す）と認識処理（図１においてＭ
ＯＤＥ＝２で示す）の切り替えを行うモード切り替え部
をそれぞれ示す。
【０００８】次に、各部の動作について説明するが、動
作説明の前にシステムの入力である音声について説明す
る。システムに入力される音声は声帯の振動により生成
される。通常の呼吸のときは声帯の間隔は大きく開いて
いるが、声を出そうとするとき声帯が接近し、この間を
肺からの空気が通り抜けようとするため、空気流と声帯
の相互作用により、声帯が周期的に開いたり閉じたりし
て、ほぼ規則的な空気の断続が生ずる。この流量の変化
は、非対称三角波で近似することができる、これが耳に
聞こえる音声の音源となる。声帯の緊張が大きく、かつ
肺からの空気圧が高いと、声帯の開閉周期、すなわち振
動周期が短くなって、音源の音の高さが高くなり、逆の
ときは低くなる。これがピッチに対応する。この声帯の
振動を伴う音を有声音（voiced sound）、伴わない音を
無声音（unvoiced sound）と呼ぶ。有声音はピッチを有
する音であるが、無声音は周期がなくピッチ値は０であ
り、本システムでは広帯域ノイズとして扱われる。した
がって、ピッチの大きさはどの話者でも、その値が０の
ときは無声音、０でない場合は有声音となる。たとえ
ば、暴風、くしゃみ、せきなどはピッチを持たない無声
音として扱われる。したがって、ピッチを基準として音
声を認識する場合これらの無声音は除外されるので、誤
認識がなくなる。本発明ではこの特性を利用しており、
このことが、より精度の高いロバスト的な認識を可能に
し、認識精度を保ちながら認識をトレーニングされてい
ない話者にまで広げることを可能にする。さらに、本発
明では使用する周波数領域におけるＬＳＰパラメータを
認識に用いている。このＬＳＰパラメータは音声を特徴
づけるホルマント周波数の近似として用いられる。この
ホルマント周波数は話者の発声を特徴づける声道に大き
く依存し、最初のピッチによる予備選択で候補が絞られ
ているので、認識精度が向上する。
作説明の前にシステムの入力である音声について説明す
る。システムに入力される音声は声帯の振動により生成
される。通常の呼吸のときは声帯の間隔は大きく開いて
いるが、声を出そうとするとき声帯が接近し、この間を
肺からの空気が通り抜けようとするため、空気流と声帯
の相互作用により、声帯が周期的に開いたり閉じたりし
て、ほぼ規則的な空気の断続が生ずる。この流量の変化
は、非対称三角波で近似することができる、これが耳に
聞こえる音声の音源となる。声帯の緊張が大きく、かつ
肺からの空気圧が高いと、声帯の開閉周期、すなわち振
動周期が短くなって、音源の音の高さが高くなり、逆の
ときは低くなる。これがピッチに対応する。この声帯の
振動を伴う音を有声音（voiced sound）、伴わない音を
無声音（unvoiced sound）と呼ぶ。有声音はピッチを有
する音であるが、無声音は周期がなくピッチ値は０であ
り、本システムでは広帯域ノイズとして扱われる。した
がって、ピッチの大きさはどの話者でも、その値が０の
ときは無声音、０でない場合は有声音となる。たとえ
ば、暴風、くしゃみ、せきなどはピッチを持たない無声
音として扱われる。したがって、ピッチを基準として音
声を認識する場合これらの無声音は除外されるので、誤
認識がなくなる。本発明ではこの特性を利用しており、
このことが、より精度の高いロバスト的な認識を可能に
し、認識精度を保ちながら認識をトレーニングされてい
ない話者にまで広げることを可能にする。さらに、本発
明では使用する周波数領域におけるＬＳＰパラメータを
認識に用いている。このＬＳＰパラメータは音声を特徴
づけるホルマント周波数の近似として用いられる。この
ホルマント周波数は話者の発声を特徴づける声道に大き
く依存し、最初のピッチによる予備選択で候補が絞られ
ているので、認識精度が向上する。
【０００９】図１において、上述したメカニズムで生成
された音声はアナログ／デジタル変換器１０に入力さ
れ、デジタル信号に変換される。デジタル化された音声
は前処理部１１でその高周波領域が強調される。次にパ
ワー／ＬＳＰ／ピッチ検出部１２で入力音声のパワー，
ＬＳＰパラメーター，ピッチを得る。ここではあらかじ
め決められた長さのフレーム単位で各値が検出される。
ピッチおよびＬＳＰパラメーターは入力された順番にバ
ッファの中に蓄積される。次に、検出されたパワーの値
を用いて音声の開始と終了のポイントが音声区間検出部
１３で検出される。音声区間検出部１３では前記パワー
と所定のスレショルドの比較がなされ、このスレショル
ドを越えた点が開始と終了のポイントと見做している。
本発明ではこの音声区間を１フレームとしている。
された音声はアナログ／デジタル変換器１０に入力さ
れ、デジタル信号に変換される。デジタル化された音声
は前処理部１１でその高周波領域が強調される。次にパ
ワー／ＬＳＰ／ピッチ検出部１２で入力音声のパワー，
ＬＳＰパラメーター，ピッチを得る。ここではあらかじ
め決められた長さのフレーム単位で各値が検出される。
ピッチおよびＬＳＰパラメーターは入力された順番にバ
ッファの中に蓄積される。次に、検出されたパワーの値
を用いて音声の開始と終了のポイントが音声区間検出部
１３で検出される。音声区間検出部１３では前記パワー
と所定のスレショルドの比較がなされ、このスレショル
ドを越えた点が開始と終了のポイントと見做している。
本発明ではこの音声区間を１フレームとしている。
【００１０】次に、サンプリング部１４において、音声
区間検出部１３で検出された発声の開始から終了までの
区間内のピッチとＬＳＰパラメータが所定のサンプリン
グ周期でサンプリングされる。これは発声の長さ、速さ
などが個人により異なる（例えば同じ「１（イチ）」と
発音する場合でも個人あるいは場合によって発声の長
さ，速さが異なる）ことを考慮し、この発声の個人差に
伴う計算の複雑さを最小にするために行われるものであ
る。すなわち、開始／終了のポイントの中のフレーム化
されたパラメータをあらかじめ決められた数に固定し、
このフレーム化されたパラメータのサンプル数と後述す
る辞書部でのサンプル数とを同じにしてバリエーション
を軽減している。（この処理をリサンプリングと称す
る） 次に外部からの入力によりモードがトレーニングモード
となっている場合は、トレーニングスイッチ１９は図１
のＭＯＤＥ＝１側つまり辞書部側に切り替わり、ピッチ
およびＬＳＰパラメータがそれぞれ第１の辞書部１６お
よび第２の辞書部１８に入力され、リファレンスデータ
として蓄積される。一方、モードが認識モードとなって
いる場合はトレーニングスイッチ１９は図１のＭＯＤＥ
＝２側つまり比較部側に切り替わる。第１のマッチング
部１５では入力されたピッチと第１の辞書部１６に蓄積
されたリファレンスデータとの類似性が比較される。こ
の比較は例えば両者のデータの排他的論理和をとること
に比較できる。あるいは両者のハミング距離の計算によ
っても比較可能である。この場合、最小のハミング距離
を得たものが最も可能性の高い候補と見做される。
区間検出部１３で検出された発声の開始から終了までの
区間内のピッチとＬＳＰパラメータが所定のサンプリン
グ周期でサンプリングされる。これは発声の長さ、速さ
などが個人により異なる（例えば同じ「１（イチ）」と
発音する場合でも個人あるいは場合によって発声の長
さ，速さが異なる）ことを考慮し、この発声の個人差に
伴う計算の複雑さを最小にするために行われるものであ
る。すなわち、開始／終了のポイントの中のフレーム化
されたパラメータをあらかじめ決められた数に固定し、
このフレーム化されたパラメータのサンプル数と後述す
る辞書部でのサンプル数とを同じにしてバリエーション
を軽減している。（この処理をリサンプリングと称す
る） 次に外部からの入力によりモードがトレーニングモード
となっている場合は、トレーニングスイッチ１９は図１
のＭＯＤＥ＝１側つまり辞書部側に切り替わり、ピッチ
およびＬＳＰパラメータがそれぞれ第１の辞書部１６お
よび第２の辞書部１８に入力され、リファレンスデータ
として蓄積される。一方、モードが認識モードとなって
いる場合はトレーニングスイッチ１９は図１のＭＯＤＥ
＝２側つまり比較部側に切り替わる。第１のマッチング
部１５では入力されたピッチと第１の辞書部１６に蓄積
されたリファレンスデータとの類似性が比較される。こ
の比較は例えば両者のデータの排他的論理和をとること
に比較できる。あるいは両者のハミング距離の計算によ
っても比較可能である。この場合、最小のハミング距離
を得たものが最も可能性の高い候補と見做される。
【００１１】なお、ピッチの値は前述したように、有声
音と無声音の違いによりバイナリ値で表現することがで
きる。図２にその例を示す。図２では発声の開始点から
終了点までを１６個サンプリングしており、有声音の場
合は１、無声音の場合は０で表される。この例では有声
音の場合は１としたが、必ずしも１でなくてもよくピッ
チ値を多重値としてもよい。ピッチの値が少ないとバリ
エーションを許すので比較すべき候補が多くなる。一
方、ピッチの値が多い場合はその値によって予備選択を
行っているので比較すべき候補の数は少なくなる。
音と無声音の違いによりバイナリ値で表現することがで
きる。図２にその例を示す。図２では発声の開始点から
終了点までを１６個サンプリングしており、有声音の場
合は１、無声音の場合は０で表される。この例では有声
音の場合は１としたが、必ずしも１でなくてもよくピッ
チ値を多重値としてもよい。ピッチの値が少ないとバリ
エーションを許すので比較すべき候補が多くなる。一
方、ピッチの値が多い場合はその値によって予備選択を
行っているので比較すべき候補の数は少なくなる。
【００１２】第１のマッチング部１５で比較されたたの
ち、第２のマッチング部１７でＬＳＰパラメータの比較
がなされる。例えば、ひとケタの数字の認識を例にとる
と、第１のマッチング部１５では第１の辞書部１６に蓄
積された１０コ（０から９まで）のリファレンスと比較
が行われ、第２のマッチング部１７ではより絞られた例
えば３コ程度の第２の辞書部１８に蓄積されたリファレ
ンスとの比較がなされ、最終的な認識の結果が得られ
る。
ち、第２のマッチング部１７でＬＳＰパラメータの比較
がなされる。例えば、ひとケタの数字の認識を例にとる
と、第１のマッチング部１５では第１の辞書部１６に蓄
積された１０コ（０から９まで）のリファレンスと比較
が行われ、第２のマッチング部１７ではより絞られた例
えば３コ程度の第２の辞書部１８に蓄積されたリファレ
ンスとの比較がなされ、最終的な認識の結果が得られ
る。
【００１３】上述したように本発明の不特定話者単語音
声認識システムにあっては、入力された音声のピッチお
よびＬＳＰパラメータを音声認識に用いている。そして
最初のピッチの比較で単語の予備選択が行われ、発声の
バリエーションを軽減している。これにより次のＬＳＰ
パラメータによる比較でのマッチング回数を減らすこと
ができるので、より精度が高く、少ない演算量とメモリ
サイズで音声を認識することができる。
声認識システムにあっては、入力された音声のピッチお
よびＬＳＰパラメータを音声認識に用いている。そして
最初のピッチの比較で単語の予備選択が行われ、発声の
バリエーションを軽減している。これにより次のＬＳＰ
パラメータによる比較でのマッチング回数を減らすこと
ができるので、より精度が高く、少ない演算量とメモリ
サイズで音声を認識することができる。
【００１４】本発明は上記した実施例に限定されるもの
ではなく、例えばリサンプリングにおけるサンプリング
周期や、ピッチ値など適用分野に応じて種々の変形が可
能である。
ではなく、例えばリサンプリングにおけるサンプリング
周期や、ピッチ値など適用分野に応じて種々の変形が可
能である。
【００１５】
【発明の効果】上述したように、本発明は、精度が高く
少ない演算量とメモリサイズで音声を認識することがで
きる。
少ない演算量とメモリサイズで音声を認識することがで
きる。
【図１】本発明の不特定話者単語音声認識システムの実
施例の構成を示すブロック図である。
施例の構成を示すブロック図である。
【図２】図１の実施例におけるピッチ値を示す図であ
る。
る。
【図３】従来の不特定話者単語音声認識システムの一例
を示すブロック図である。
を示すブロック図である。
１０…アナログ／デジタル変換器、１１…前処理部、１
２…パワー／ＬＳＰ／ピッチ検出部、１３…音声区間検
出部、１４…リサンプリング部、１５…第１のマッチン
グ部、１６…第１の辞書部、１７…第２のマッチング
部、１８…第２の辞書部、１９…モード切り替え部。
２…パワー／ＬＳＰ／ピッチ検出部、１３…音声区間検
出部、１４…リサンプリング部、１５…第１のマッチン
グ部、１６…第１の辞書部、１７…第２のマッチング
部、１８…第２の辞書部、１９…モード切り替え部。
Claims (4)
- 【請求項１】デジタル化された入力音声のパワー、ＬＳ
Ｐパラメータ、およびピッチを検出するパワー／ＬＳＰ
／ピッチ検出部と、検出された前記入力音声の発声の開
始と終了のポイントを検出する音声区間検出部と、前記
音声区間検出部で検出された発声の開始から終了までの
区間内に検出された前記パワー、ＬＳＰパラメータ、お
よびピッチを所定のサンプリング周期でサンプリングす
るサンプリング部と、前記サンプリング部でサンプリン
グされたピッチを蓄積する第１の辞書部と、前記サンプ
リング部でサンプリングされた前記ＬＳＰパラメータを
蓄積する第２の辞書部と、前記サンプリング部からの出
力と前記第１の辞書部に蓄積されたピッチとを比較して
単語を認識する第１のマッチング部と、前記第１のマッ
チング部の認識結果と前記第２の辞書部に蓄積されたＬ
ＳＰパラメータとを比較して単語を認識する第２のマッ
チング部とを具備したことを特徴とする不特定話者単語
音声認識システム。 - 【請求項２】前記ピッチの値は、入力が有音の場合はバ
イナリ値“１”であり、無音の場合はバイナリ値“０”
であることを特徴とする請求項１記載の不特定話者単語
音声認識システム。 - 【請求項３】前記第１のマッチング部では前記サンプリ
ング部からの出力値と前記第１の辞書部に蓄積されたピ
ッチの値との比較はハミング距離の計算結果に基づくこ
とを特徴とする請求項１記載の不特定話者単語音声認識
システム。 - 【請求項４】デジタル化された入力音声のパワー、ＬＳ
Ｐパラメータ、およびピッチを検出するステップと、検
出された前記入力音声の発声の開始と終了のポイントを
検出するステップと、前記音声区間検出部で検出された
発声の開始から終了までの区間に検出された前記パワ
ー、ＬＳＰパラメータ、およびピッチを所定のサンプリ
ング周期でサンプリングするステップと、サンプリング
されたピッチを第１の辞書部に蓄積するステップと、前
記サンプリングされた前記ＬＳＰパラメータを第２の辞
書部に蓄積するステップと、前記サンプリングの結果と
前記第１の辞書部に蓄積されたピッチとを比較して単語
を認識するステップと、この認識結果と前記第２の辞書
部に蓄積されたＬＳＰパラメータとを比較して単語を認
識するステップとを具備したことを特徴とする不特定話
者単語音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6209794A JPH0876789A (ja) | 1994-09-02 | 1994-09-02 | 不特定話者単語音声認識システムおよび不特定話者単語音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6209794A JPH0876789A (ja) | 1994-09-02 | 1994-09-02 | 不特定話者単語音声認識システムおよび不特定話者単語音声認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0876789A true JPH0876789A (ja) | 1996-03-22 |
Family
ID=16578707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6209794A Pending JPH0876789A (ja) | 1994-09-02 | 1994-09-02 | 不特定話者単語音声認識システムおよび不特定話者単語音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0876789A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0838805A3 (en) * | 1996-10-28 | 1998-12-23 | Nec Corporation | Speech recognition apparatus using pitch intensity information |
-
1994
- 1994-09-02 JP JP6209794A patent/JPH0876789A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0838805A3 (en) * | 1996-10-28 | 1998-12-23 | Nec Corporation | Speech recognition apparatus using pitch intensity information |
| US5907826A (en) * | 1996-10-28 | 1999-05-25 | Nec Corporation | Speaker-independent speech recognition using vowel/consonant segmentation based on pitch intensity values |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110364143B (zh) | 语音唤醒方法、装置及其智能电子设备 | |
| US5692104A (en) | Method and apparatus for detecting end points of speech activity | |
| JP3180655B2 (ja) | パターンマッチングによる単語音声認識方法及びその方法を実施する装置 | |
| TWI396184B (zh) | 一種語音辨認所有語言及用語音輸入單字的方法 | |
| US7089184B2 (en) | Speech recognition for recognizing speaker-independent, continuous speech | |
| TW201830377A (zh) | 一種語音端點檢測方法及語音辨識方法 | |
| CN102982811A (zh) | 一种基于实时解码的语音端点检测方法 | |
| JPS62217295A (ja) | 音声認識方式 | |
| JPS5870299A (ja) | 音声信号の判定法及び解析装置 | |
| CN112750445B (zh) | 语音转换方法、装置和系统及存储介质 | |
| JPH10254475A (ja) | 音声認識方法 | |
| JP2996019B2 (ja) | 音声認識装置 | |
| CN1957397A (zh) | 声音识别装置和声音识别方法 | |
| JP4461557B2 (ja) | 音声認識方法および音声認識装置 | |
| JP2745562B2 (ja) | ノイズ適応形音声認識装置 | |
| JPH0876789A (ja) | 不特定話者単語音声認識システムおよび不特定話者単語音声認識方法 | |
| JPH0950288A (ja) | 音声認識装置及び音声認識方法 | |
| JP3428805B2 (ja) | 音声認識のための音声区間始端補正方法及び装置並びに音声認識方法 | |
| Sudhakar et al. | Automatic speech segmentation to improve speech synthesis performance | |
| JP2813209B2 (ja) | 大語彙音声認識装置 | |
| JPH0774960B2 (ja) | テンプレ−ト連鎖モデルを使用するキ−ワ−ド認識方法およびシステム | |
| CN119763617B (zh) | 有效语音检测方法及装置 | |
| JP3125928B2 (ja) | 音声認識装置 | |
| JPH0997095A (ja) | 音声認識装置 | |
| JP2506730B2 (ja) | 音声認識方法 |