JPH0887292A - 単語音声認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は、不特定話者の類似単語を、高速か
つ高精度に識別できるようにした単語音声認識装置を提
供することを目的とする。 【構成】 本発明の特徴は、発話された音声を検知し音
声信号として入力する音声入力手段１１と、入力された
音声信号の波形に基づいて、特徴パラメ−タの時系列に
変換する音響分析手段１２と、特徴パラメータの時系列
から、スペクトルの変化量のノルムが極大および極小と
なる特徴的な時点を検出して、特徴点時系列を抽出する
特徴点抽出手段１３と、予め単語音声の学習サンプルデ
−タから作成した単語標準パタ−ンを格納する単語標準
パタ−ン格納手段１４と、前記抽出された特徴点時系列
と単語標準パタ−ンの類似度を計算する単語照合手段１
５と、単語類似度から認識結果を出力する判定手段１６
とを具備した単語音声認識装置にある。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、単語音声認識装置に係
り、特に識別能力を劣化させることなく不特定話者の単
語音声認識に際して、類似単語に対する識別能力を向上
させるようにした単語音声認識装置に関する。

【０００２】

【従来の技術】不特定話者の単語音声認識では、個人差
によるスペクトル変動および時間長変動を、いかに吸収
するかが、大きな課題である。この課題に対して、スペ
クトル変動は標準パタ−ンの複数化、時間長変動はＤＰ
マッチング（ＤＰ：Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｉ
ｎｇ）でそれぞれ吸収するという手法が、従来より用い
られている。

【０００３】図５に従来の単語音声認識装置の概要を示
す。この装置では、発話された音声は、音声入力部１か
ら入力され、音声信号として音響分析部２に与えられ
る。音響分析部２では、音声の特徴パラメ−タが計算さ
れ、入力パタ−ンとして得られる。

【０００４】一方、単語標準パタ−ン格納部３には、予
め登録された単語毎に、学習サンプルデ−タからクラス
タリングの手法によつて得られた複数の単語標準パタ−
ンが格納されており、単語照合部４において、上記入力
パタ−ンと上記単語標準パタ−ンとのＤＰマッチングに
より類似度計算を行い、判定部５において、類似度から
単語の認識結果を判定していた。

【０００５】

【発明が解決しようとする課題】ところが、この種の装
置では、認識対象語彙の増加および不特定話者への対応
といった場合、単語標準パターンが増加する。

【０００６】そこで計算量を少なくし、不特定話者の音
声の認識に適する単語音声認識方式を提供すべく、入力
音声の特徴パラメータの時系列と、特徴点検出用音声パ
ターンとを動的計画法を用いたマッチングにより入力音
声の特徴点の位置を検出し、その検出された特徴点にお
ける入力音声の特徴パターンと標準特徴パターンとを照
合して入力音声を特徴パターンの記号系列に変換する様
式が提案されている（特開昭５９−７７５００）。すな
わち、この装置では、照合時のＤＰマッチングの回数を
削減するため、ＤＰマッチングを特徴点の位置合わせの
みに利用し、ＤＰマッチングで詳細な照合は行わず、位
置合わせで得られた特徴点の識別によって詳細な照合を
行うようになっている。従って、多数話者に対応するに
は複数の標準パターンによって特徴点の位置合わせをす
る必要があり、ＤＰマッチングの処理量の増大は免れ得
ないという問題がある。

【０００７】このように従来の装置では、単語照合部に
おけるＤＰマッチングの計算量が増加し、認識処理に要
する時間が長いという問題があつた。

【０００８】本発明は、前記実情に鑑みてなされたもの
で、不特定話者の類似単語を、高速かつ高精度に識別で
きるようにした単語音声認識装置を提供することを目的
とする。

【０００９】

【課題を解決するための手段】本発明の単語音声認識装
置は、発話された音声を検知し音声信号として入力する
音声入力手段と、入力された音声信号の波形に基づい
て、特徴パラメ−タの時系列に変換する音響分析手段
と、特徴パラメータの時系列から、スペクトルの変化量
のノルムが極大および極小となる特徴的な時点を検出し
て、特徴点時系列を抽出する特徴点抽出手段と、予め単
語音声の学習サンプルデ−タから作成した単語標準パタ
−ンを格納する単語標準パタ−ン格納手段と、前記抽出
された特徴点時系列と単語標準パタ−ンの類似度を計算
する単語照合手段と、単語類似度から認識結果を出力す
る判定手段とを具備したことを特徴とする。（ここでノ
ルムとは絶対値の和をいう。） すなわち本発明では、音韻情報を損失することなく、特
徴的なフレームを特徴点として抽出し、いわゆる間引き
処理によりこれを照合するようにしている。そしてこの
抽出にあたっては、音声データを特徴空間上の軌跡とし
てとらえ、定常部の静的情報（空間の位置……スペクト
ル特徴量）と、過渡部の動的情報（空間から空間への移
動……スペクトル変化特徴量）と、定常性および過渡性
（一定の空間での継続性……スペクトル変化量：スペク
トル変化特徴量の絶対値の和（ノルム））との３つを特
徴パラメータとして用い、このノルムの極大および極小
を検出し、この時点を特徴点とし、特徴点のみのパラメ
ータを抽出し、これらの特徴パラメータで構成される特
徴点の時系列で音声データを近似する。そしてこれらの
特徴的なフレームのみをＤＰマッチングにより照合す
る。

【００１０】音響分析手段において、望ましくは、時系
列の変換に用いられる特徴パラメータを、ＬＰＣケプス
トラム係数、ＬＰＣケプストラム係数の時間変化量（Δ
ケプストラム）およびΔケプストラムのノルムすなわち
動的尺度の３つとする。そして、特徴点抽出手段は、前
記ＬＰＣケプストラム係数、ＬＰＣケプストラム係数の
時間変化量（Δケプストラム）およびΔケプストラムの
ノルムから、ノルムの極大値および極小値をとる時点を
特徴点とし、この特徴点における、特徴パラメータを抽
出する。

【００１１】

【作用】この装置では、発話された音声を検出して入力
し、入力された音声を分析して特徴パラメ−タの時系列
に変換するに際し、特徴パラメータの時系列から特徴的
な時点を検出して、特徴点時系列を抽出し、これと単語
標準パタ−ンとを比較して類似度を計算するようにして
いるため、処理量が削減されるとともに、標準パターン
に必要な記憶容量の削減を行うことができる。また、こ
の装置では単語毎に切る必要がなく連続ＤＰマッチング
が可能であるため、連続音声への適用が容易である。本
発明の装置によれば、このようにして、音韻情報を損失
することなく、特徴点を適格に抽出し、高速で高精度の
認識を行うことが可能となる。

【００１２】また望ましくは、特徴パラメータとして、
ＬＰＣケプストラム係数、ＬＰＣケプストラム係数の時
間変化量（Δケプストラム）およびΔケプストラムのノ
ルム（動的尺度）を用いる。ここで、動的尺度の極大は
過渡部の動的情報に相当し、また、極小は定常部の静的
情報に相当するため、この動的尺度の極大および極小を
特徴点として抽出することにより、音韻情報を維持し、
最も特徴的な部分データのみを取り出すことができ、少
ないデータ処理で適格な出力を得ることが可能となり、
より高精度の認識を行うことが可能となる。

【００１３】また、特徴パラメータとしては、ＬＰＣケ
プストラム係数、ＬＰＣケプストラム係数の時間変化量
（Δケプストラム）およびΔケプストラムのノルム（動
的尺度）を用いるほか、同様に、他のスペクトル、スペ
クトルの時間変化、その変化量の絶対値の和という関係
をもつ３つを用いるようにすればよい。例えばこのスペ
クトルとしては、バンドパスフィルタの出力によるも
の、ＦＦＴ分析の出力によるもの等を用いればよい。

【００１４】そして、抽出された特徴パラメータ系列
と、単語標準パターンとの類似度を比較するＤＰマッチ
ングを行い、類似度を演算し、最も類似している標準パ
ターンを決定して、認識結果を出力するようにしている
ため、高速で高精度の音声認識が可能となる。

【００１５】

【実施例】次に、本発明の実施例について図面を参照し
つつ詳細に説明する。

【００１６】図１は、本発明の一実施例を示す概略ブロ
ック図である。この装置は、特徴パラメータとして、Ｌ
ＰＣケプストラム係数、ＬＰＣケプストラム係数の時間
変化量（Δケプストラム）およびΔケプストラムのノル
ム（動的尺度）を用い、この動的尺度の極大および極小
を特徴点として抽出する特徴点抽出部１３を配設したこ
とを特徴とするものである。そしてまた、単語標準パタ
−ン格納部１４は、あらかじめ多数話者の発話した単語
音声の学習サンプルデータから、同様の手法で動的尺度
の極大および極小を、特徴点として抽出したものを、す
べての単語について作成し、これを標準パターンとし
て、格納している。他の部分については図５に示した従
来例の装置と同様に構成されている。

【００１７】すなわち、この装置は、音声を検出して音
声信号として出力するように、マイクロフォン等で構成
された音声入力部１１と、この音声信号から特徴パラメ
ータを抽出する音響分析部１２と、抽出された特徴パラ
メータから、動的尺度の極大および極小を求め、これを
抽出する特徴点抽出部１３と、単語標準パターン格納部
１４と、特徴点抽出部１３で抽出されたその時点のパラ
メータ時系列（特徴点）と単語標準パターン格納部１４
の格納データとを照合し類似度を求める単語照合部１５
と、単語照合部１５で得られた単語類似度から入力され
た単語音声を判定し、認識結果を出力する判定部１６と
から構成されている。

【００１８】ここで単語標準パターン格納部１４は、あ
らかじめ発話された単語音声の学習サンプルデータか
ら、上述の特徴点抽出の手法で作成された標準パターン
が格納されている。

【００１９】次に本発明の一実施例の音声認識装置の具
体的な動作について説明する。

【００２０】音声入力部１１は、発話された音声を検出
して音声信号として、音響分析部１２に与える。そし
て、音響分析部１２は、与えられた音声信号から、特徴
パラメ−タを抽出する。これは、与えられた音声信号に
対し、線形予測分析、ケプストラム分析などを施すこと
により、図２に示すような入力音声の特徴パラメ−タ時
系列を求めるものである。図２は、「取り次ぎ（とりつ
ぎ）」と発話された単語音声に対する音響分析部１２の
出力例である。抽出するパラメ−タは、線形予測モデル
によるケプストラム係数（ＬＰＣケプストラム係数）、
ＬＰＣケプストラム係数の各次元毎の回帰係数であるΔ
ＬＰＣケプストラム係数、およびΔＬＰＣケプストラム
係数のノルムに相当する動的尺度である。図２におい
て、ＬＰＣケプストラム係数はスペクトル強度に変換し
て表示している。これらの特徴パラメ−タ時系列は、特
徴点抽出部１３に出力される。

【００２１】図３は、特徴点抽出部１３の処理を説明す
るための説明図である。特徴パラメータ時系列は、代表
してＬＰＣケプストラム係数から変換したスペクトグラ
ムを表示している。特徴点抽出部１３は、まずこれらの
特徴パラメータらのうち、動的尺度に注目し、この動的
尺度の極大および極小となる時点を検出する。図３にお
いて、極大となる時点は音声中の過渡部で、破裂音であ
る／ｔ／などの子音部や、／ｒ／と／ｉ／などの音素間
遷移部の位置である。また、極小となる時点は音声中の
定常部で、／ｉ／などの母音部や、／ｔｓ／の摩擦音な
ど時間的に継続する子音部の位置である。従って、動的
尺度の極小および極大値となる時点は、音素あるいは音
素間遷移部で、音韻情報を残す位置である。この時点を
特徴点として、特徴点パラメータ時系列から特徴点のみ
のパラメータを抽出して特徴点時系列を構成する。特徴
点として抽出する特徴パラメータは、ＬＰＣケプストラ
ム係数、ΔＬＰＣケプストラム係数およびΔＬＰＣケプ
ストラム係数のノルムである。そしてこの特徴点時系列
は、単語照合部１５に与えられる。

【００２２】一方、単語標準パタ−ン格納部１４は、あ
らかじめ多数話者の発話した単語音声の学習サンプルデ
ータから、上述の特徴点抽出の手法で、すべての単語に
ついてＬＰＣケプストラム係数、ΔＬＰＣケプストラム
係数およびΔＬＰＣケプストラム係数の動的尺度を得、
この動的尺度の極大および極小を抽出し、これを標準パ
ターンとして格納することによって得られる。

【００２３】そして単語照合部１５では、特徴点時系列
パターンと単語標準パターンとのＤＰマッチングを行
い、単語類似度を出力する。図４(a) および(b) に、こ
のＤＰマッチングに際して必要となる、計算量の比較を
示す。図４(a) および(b) はそれぞれ、従来の方式にお
けるＤＰ計算量と本発明の方式におけるＤＰ計算量とを
示し、この図においてＤＰ計算量は、整合窓内の面積に
相当する。これらの比較から本発明によれば大幅に計算
量が低減されることがわかる。

【００２４】このようにして演算がなされ、単語照合部
１５でえられた単語類似度は、判定部１６に出力され
る。

【００２５】そして判定部１６は、全単語のなかで、単
語類似度が最大となる単語を選択し、しきい値から結果
の判断を行う。このようにして、高速でかつ高精度の音
声認識を行うことが可能となる。

【００２６】なお、本発明は、趣旨を逸脱しない範囲で
適宜変形可能であり、例えばオンライン手書き文字認識
など、種々の分野で適用可能である。

【００２７】

【発明の効果】以上説明してきたように、本発明によれ
ば、発話された音声の特徴的な時点のみのパラメータ時
系列をＤＰマッチングで扱うことにより、大語彙あるい
は不特定話者の音声認識において認識能力を劣化させる
ことなく、認識速度を向上させることができる。

【図面の簡単な説明】

【図１】本発明の一実施例の概略ブロツク図

【図２】本発明の一実施例における音響分析部１２の出
力例を示す図

【図３】本発明の一実施例における特徴点抽出部１３の
出力例を示す図

【図４】従来方式と本発明とのＤＰ計算量の比較図

【図５】従来の単語音声認識装置を示す概略ブロツク図

【符号の説明】

１ 音声入力部 ２ 音響分析部 ３ 単語標準パタ−ン格納部 ４ 単語照合部 ５ 判定部 １１ 音声入力部 １２ 音響分析部 １３ 特徴点抽出部 １４ 単語標準パターン格納部 １５ 単語照合部 １６ 判定部

Claims (2)

【特許請求の範囲】
1. 【請求項１】 発話された音声を検知し、音声信号パタ
   ーンとして入力する音声入力手段と、 入力された音声信号パターンの波形に基づいて、特徴パ
   ラメ−タの時系列に変換する音響分析手段と、 特徴パラメータの時系列から、スペクトルの変化量のノ
   ルムが極大および極小となる時点を特徴点として検出
   し、特徴点時系列を抽出する特徴点抽出手段と、 あらかじめ、単語音声の学習サンプルデ−タから作成し
   た単語標準パタ−ンを格納する単語標準パタ−ン格納手
   段と、 抽出された特徴点時系列と単語標準パタ−ンの類似度を
   計算する単語照合手段と、 前記単語照合手段で得られた単語類似度から認識結果を
   出力する判定手段とを具備したことを特徴とする単語音
   声認識装置。
2. 【請求項２】 前記音響分析手段は、特徴パラメータと
   して、ＬＰＣケプストラム係数、ＬＰＣケプストラム係
   数の時間変化量（Δケプストラム）およびΔケプストラ
   ムのノルムを用いるように構成されていることを特徴と
   する請求項１記載の単語音声認識装置。