JPH0944181A - 音声認識方法及び装置 - Google Patents

Abstract

(57)【要約】 【課題】 音声の基本的な周波数、或は発生スピードに
よる影響を無くして、高精度に音声を認識できる音声認
識方法及び装置を提供する。 【解決手段】 音声入力部１０１より、所定のフレーズ
を含む音声信号を入力し、その入力された音声信号を検
波回路１０４で検波し、ＬＰＦ１０５で高周波ノイズを
除去する。コンパレータ１０６は、このノイズが除去さ
れた信号と所定電圧レベルとを比較し、その信号が閾値
電圧以下の無音部分等に相当するパルス信号１２３を出
力する。このパルス信号１２３はｎ進カウンタ１０７で
計数され、そのカウンタ１０７よりのキャリイ信号１２
４を計数部１０８で計数する。こうして計数部１０８で
計数された数値に基づいて、音声認識部１１１が、所定
のフレーズの音声が何回入力されたか、或は所定のフレ
ーズが入力されたかを認識することができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、所定のフレーズで
入力される音声信号を認識する音声認識方法及び装置に
関するものである。

【０００２】

【従来の技術】連続して音声を認識する音声認識システ
ムとして、単語音声の短時間スペクトルの時系列そのも
のを標準パターンとして登録し、入力音声の短時間スペ
クトルの時系列と、登録されている標準パターンとのマ
ッチングにより類似度を計算して認識する方法、或は音
素の短時間スペクトルを標準パターンとして登録し、単
語辞書には各単語を音素記号系列で登録しておき、入力
された音声の短時間スペクトルの時系列を一旦標準パタ
ーンを用いて認識し、その音素認識結果と単語辞書の音
素記号系列との間で単語の類似度を求めて認識を行う方
法などが知られている。又更には、単語音声の確率モデ
ルを用いたＨＭＭ（隠れマルコフモデル）による音声認
識方法などが知られている。

【０００３】

【発明が解決しようとする課題】しかしながら上述した
音声認識方法は、それを実現するために大がかりで、し
かも高速な装置等が必要となる。

【０００４】例えば、ある決まった単語或はフレーズ、
例えば「はい」又は「いいえ」のいずれかが音声として
入力されることが予めわかっているような場合、その入
力された音声が、その予め定められている音声のいずれ
に相当するか、即ち、「はい」か「いいえ」のいずれで
あるかだけを判別したい場合がある。又、単にある決め
られたフレーズが、音声で何回入力されたかを知りたい
場合などがある。その様な場合に、前述したような複雑
で大がかりなシステムでなく、より簡易なシステムで、
そのような音声を認識できるのが望ましい。

【０００５】本発明は上記従来例に鑑みてなされたもの
で、不特定話者に対しても、高精度に音声を認識できる
音声認識方法及び装置を提供することを目的とする。

【０００６】又、本発明の目的は、音声の基本的な周波
数、或は発生スピードによる影響を無くして、高精度に
音声を認識できる音声認識方法及び装置を提供すること
にある。

【０００７】本発明の目的は、特定の話者に対応させて
無音部分の回数を記憶しておき、その記憶されている回
数に応じて所定フレーズの音声が入力されたか否かを判
別できる音声認識方法及び装置を提供することにある。

【０００８】又本発明は、音声信号に含まれるノイズな
どの影響を少なくして、より正確に音声を認識できる音
声認識方法及び装置を提供することにある。

【０００９】又本発明の他の目的は、音声信号の個人差
による影響を無くして音声認識できる音声認識方法及び
装置を提供することにある。

【００１０】

【課題を解決するための手段】上記目的を達成するため
に本発明の音声認識装置は以下のような構成を備える。
即ち、所定のフレーズを含む音声を入力して識別する音
声認識装置であって、入力された音声信号レベルが所定
電圧レベル以下か否かを判断する判断手段と、前記判断
手段により前記所定電圧レベル以下と判断された信号数
を計数する計数手段と、前記計数手段により計数された
計数値に基づいて前記所定のフレーズが入力されたこと
を識別する識別手段とを有することを特徴とする。

【００１１】上記目的を達成するために本発明の音声認
識方法は以下のような工程を備える。即ち、所定のフレ
ーズを含む音声を入力して識別する音声認識方法であっ
て、入力された音声信号レベルが所定電圧レベル以下か
否かを判断する工程と、前記所定電圧レベル以下と判断
された信号数を計数する工程と、その計数された計数値
に基づいて前記所定のフレーズが入力された回数を識別
する工程とを有する。

【００１２】

【実施の形態】本発明の好適な実施の形態によれば、前
記計数手段は、前記所定のフレーズに含まれる前記所定
レベル以下の音声信号の数（ｎ）を計数するｎ進カウン
タと、前記ｎ進カウンタより出力されるキャリイ信号の
数を計数するカウンタとを有する。

【００１３】また他の好適な実施の形態によれば、前記
判断手段は、入力される音声信号を検波してピーク値の
包絡線に相当する信号を求める検波手段と、前記検波手
段により検波された信号と所定電圧レベルの信号とを比
較する比較手段とを備える。また他の好適な実施の形態
によれば、前記識別手段は、前記所定のフレーズが入力
された回数を識別する。

【００１４】更に好適な実施の形態によれば、前記識別
手段は、入力された音声信号が前記所定のフレーズか否
かを識別する。

【００１５】また本発明の好適な実施の形態によれば、
特定の話者に対応して前記所定のフレーズに含まれる前
記所定レベル以下の音声信号の数（ｎ）を記憶する記憶
手段を更に有し、前記ｎ進カウンタは、前記音声信号の
数（ｎ）を計数するとキャリ信号を出力する。

【００１６】更に他の好適な実施の形態によれば、前記
判断手段は、入力される音声信号を検波してピーク値の
包絡線に相当する信号を求める検波手段と、前記検波手
段により検波された信号の絶対値を求める絶対値手段
と、前記絶対値手段により得られた信号と所定電圧レベ
ルの信号とを比較する比較手段とを備える。

【００１７】以下、添付図面を参照して本発明の好適な
実施の形態を詳細に説明する。

【００１８】［第１の実施の形態］図１は、本発明の第
１の実施の形態である音声認識装置の構成を示すブロッ
ク図である。

【００１９】図１において、１０１は音声信号を入力す
る、例えばマイクロフォン等を備えた音声入力部で、こ
の音声入力部１０１より入力された音声信号は、自動レ
ベル調整(ALC:Auto Level Control)回路１０２で、その
信号レベルが調整されて増幅器１０３に出力される。増
幅器１０３は、このＡＬＣ１０２よりの信号を増幅し
て、後段の処理で必要な振幅の信号１２０に変換して出
力している。１０４は検波回路で、増幅器１０３で増幅
された信号１２０をＡＭ復調し、信号１２０のピーク値
の包絡線に相当する出力電圧の信号を出力している。１
０５は低域通過フィルタ（ＬＰＦ）で、検波された信号
の高周波ノイズ成分を除去した信号１２１を得ている。
１０６はコンパレータ（比較器）で、信号１２１と閾値
電圧信号１２２の信号レベル同士を比較し、信号１２１
の信号レベルが閾値信号１２２の電圧レベル以上のとき
にパルス信号１２３を出力している。

【００２０】１０７はｎ進カウンタで、音声判別部１１
０が音声であると判断している（音声識別信号１２５が
オン）ときにのみ、パルス信号１２３の立上がりを計数
している。そして、この計数値が“ｎ”以上になるとキ
ャリイ信号１２４を出力するとともに、その計数値を
“０”にリセットしている。１０８は計数部で、ｎ進カ
ウンタ１０７よりのキャリイ信号１２４が入力されるた
びに計数値をカウントアップし、そのカウントした計数
値を表示部１０９に出力して表示している。音声判別部
１１０は、増幅器１０３により増幅された音声信号１２
０を入力し、音声と周囲の雑音或は機械音等とを判別し
て、音声信号の部分でのみｎ進カウンタ１０７を動作さ
せるように音声識別信号１２５をオンにして出力し、ｎ
進カウンタ１０７による計数動作をイネーブルにしてい
る。尚、この音声判別部１１０としては、例えば市販の
簡易型音声認識用ＬＳＩ等を用いても良く、或は人声の
周波数帯である７０〜４００Ｈｚの周波数帯の信号の有
無を検出して判別しても良い。また、入力音声が雑音や
周囲音の無い環境であれば、このような音声判別部１１
０を省略しても良い。１１１は音声認識部で、計数部１
０８で計数された回数に基づいて、その入力された音声
を認識する。

【００２１】以上の構成に基づく第１の実施の形態の音
声認識装置の動作を、図２の信号波形例を参照して詳し
く説明する。

【００２２】ｎ進カウンタ１０７にセットされる数値ｎ
は、ある決まったフレーズ中に表れる無声音部、無音
部、息継ぎ部等の発生回数に相当している。いま、図２
に示すように、増幅器１０３を通して信号１２０が得ら
れ、その信号１２０が検波回路１０４、ＬＰＦ１０５を
通して信号１２１として得られたとする。ここで図２に
示すように、音声信号１２０における無音部、無声音
部、息継ぎ部は、一般に音量（音圧）が低い（小さい）
ので、コンパレータ１０６で所定の電圧値と比較するこ
とにより、その無音部分等を判別している。即ち、コン
パレータ１０６は、検波回路１０４で検波され、高周波
ノイズ成分が除去された信号１２１と閾値電圧１２２と
を比較し、信号１２１の信号レベルが閾値電圧１２２以
上のときにハイレベルとなるパルス信号１２３を出力す
る。このようにして、あるフレーズの音声信号に含まれ
る無音部分等を検出している。

【００２３】具体的に説明すると、例えばあるフレーズ
「ありがとうございます」を発生するとき、そのフレー
ズに何回、無音部等が含まれているかが予め解ってい
て、その無音部分の回数を、例えば“１０”とする。こ
の場合、ｎ進カウンタ１０７は１０進カウンタとなる。
そして音声入力部１０１より、「ありがとうございま
す」というフレーズが１回だけ入力されると、１０進カ
ウンタ１０７は１０回の無音部等を検出して計数部１０
８にキャリイ信号１２４を出力する。これにより、「あ
りがとうございます」というフレーズが１回だけ入力さ
れたことが判別できる。このように計数部１０８により
計数された値により、ある決められたフレーズが、何回
連続して入力されたかを判別することができる。

【００２４】又、音声入力部１０１より入力される音声
が予め、例えば「はい」或は「いいえ」のいずれかであ
ることが解っているとき、ｎ進カウンタ１０７に、例え
ば「はい」に対応する無音部等の発生回数をセットして
おき、その回数だけ無音部等が検出できたときは音声認
識部１１１で、その入力された音声が「はい」であると
判断し、そうでないときは入力された音声が「いいえ」
であると判断することができる。こうして音声認識部１
１１で認識された結果は、表示部１０９に出力されて表
示される。

【００２５】以上説明したように第１の実施の形態によ
れば、簡単な回路構成で、ある予め決まったフレーズが
何回入力されたかをように検出することができる。又、
予め候補として挙げられているフレーズが入力されたか
どうかも判別することができる。

【００２６】図３及び図４は、本発明の第１の実施の形
態の音声認識装置における認識処理を示すフローチャー
トである。

【００２７】まずステップＳ１で、カウンタ１を“０”
にリセットし、ステップＳ２で、音声入力部１０１より
音響信号（音声を含む信号）が入力される。ステップＳ
３では、音声判別部１１０で、その入力した信号が音声
信号かどうかを調べ、音声信号であればステップＳ４に
進み、無音部等を検出したかどうかをみる。無音部等を
検出するとステップＳ５に進んでカウンタ１を＋１し、
そのカウンタ１の計数値が諸定数に達したか否かをみ
る。ステップＳ３で音声信号でない時、或はステップＳ
４で無音部等でない時、またステップＳ６で所定数（こ
こでは“ｎ”）に達していないときはステップＳ９に進
んで、音声入力部１０１よりの音響信号の入力が終了し
たかを調べる。音響信号入力が終了していない時はステ
ップＳ２に戻り、入力が終了すると処理を終了する。

【００２８】一方、ステップＳ６で、カウンタ１の計数
値が所定数に達するとステップＳ７に進み、カウンタ１
を“０”にリセットし、カウンタ２を＋１する。そして
ステップＳ８に進み、カウンタ２の計数値を表示部１０
９に表示してステップＳ９に進む。

【００２９】図４は更に、カウンタ２の計数値に基づい
て、その入力された音声信号がいずれに該当するかを判
別する音声認識部１１１の処理を示すフローチャートで
ある。

【００３０】この処理は図３のステップＳ９で、音声信
号の入力が終了することによりステップＳ１１に進み、
カウンタ２の計数値を読取る。次にステップＳ１２に進
み、その計数値が所定の数と一致するか、例えば前述し
た「はい」と「いいえ」が入力される場合に、その計数
値が例えば“１０”であるかどうかを判断し、“１０”
であればステップＳ１３に進み、その入力されたフレー
ズが「はい」であると判断する。そしてステップＳ１４
に進み、その判断された結果を表示部１０９に表示す
る。又、一致しないときはステップＳ１５に進み、前述
の場合は「いいえ」であると判定するか、或は識別でき
ない旨を表示部１０９に表示する。

【００３１】［第２の実施の形態］図５は本発明の第２
の実施の形態の音声認識装置の概略構成を示すブロック
図で、前述の第１図と共通する部分は同じ番号で示し、
それらの説明を省略する。

【００３２】この第２の実施の形態は、検出した１フレ
ーズ中に含まれる無音部等の回数が、各個人によって大
きく異なる場合、その計数値に誤差が生じて、正確にそ
の回数を計数できなくなることに鑑みて成されたもの
で、各個人毎に、あるフレーズにおける無音部の発生回
数を記憶しておき、その記憶された発生回数に基づい
て、そのフレーズの入力回数を計数するものである。

【００３３】図５において、ある特定の話者が、ある決
まったフレーズを発生する音声信号を入力する。カウン
タ３０２は、その時のコンパレータ１０６の出力パルス
１２３を入力し、カウントスタート信号３０４によりそ
のパルス数の計数を開始し、カウンタストップ信号３０
５により、その計数動作を停止する。こうして計数され
た計数値はメモリ３０３に送られて、その話者に対応す
る計数値として記憶される。そして、その話者による音
声入力が行われる際には、このメモリ３０３に記憶され
た値３１０をカウンタ３０１に出力してロードする。こ
うして音声認識処理の前処理が終了する。

【００３４】ここで、その話者が音声入力部１０１よ
り、その決められたフレーズの音声を入力すると、カウ
ンタ３０１は、コンパレータ１０６より入力されるパル
ス信号１２３の立上がりで、その計数値をカウントダウ
ンし、そのプリセットされた計数値分のパルス数を計数
すると、キャリイ（アンダーフロー）信号１２４を出力
する。こうして計数部１０８は、その話者が予め定めら
れたフレーズを発生するごとに、その計数値を＋１し、
その結果を表示部１０９に出力して表示する。

【００３５】このように第２の実施の形態によれば、あ
る特定の話者による、特定のフレーズの入力回数を正確
に測定することができる。又、このような特定の話者に
よリ入力される音声を、正確に識別することができる。

【００３６】尚、この第２の実施の形態の場合は、図３
のステップＳ１で、カウンタ３０１にメモリ３０３の値
をプリセットし、ステップＳ５でカウンタ３０１の値を
−１し、更にステップＳ７で、カウンタ３０１にメモリ
３０３の値をプリセットすることにより実現できる。

【００３７】［第３の実施の形態］図６は本発明の第３
の実施の形態の音声認識装置の構成を示すブロック図
で、前述の図面と共通する部分は同じ番号で示し、それ
らの説明を省略する。

【００３８】この第４の実施の形態の回路構成におい
て、ＬＰＦ１０５とコンパレータ１０６との間に微分回
路４０１が設けられている点が異なっている。

【００３９】この微分回路４０１の役割を図７の波形図
を参照して詳しく説明する。

【００４０】図７（Ａ）は、微分回路４０１の入力信号
を示し、この微分回路４０１が存在しないときには、こ
の信号波形がそのままコンパレータ１０６に入力される
ことになる。これに対し図７（Ｂ）は、微分回路４０１
の出力信号波形を示している。

【００４１】これら図７（Ａ）（Ｂ）を比較すると、５
０１で示された音声信号部分に、少し音圧レベルの低い
箇所が存在している。この微分回路４０１が設けられて
いない場合は、この音圧レベルの低下は閾値電圧以下で
ないため、コンパレータ１０６の出力には表れない。し
かしながら、図６の回路によれば、微分回路４０１がそ
の音声信号レベルの変動を検知して、５０２で示される
ような波形の信号を出力するため、コンパレータ１０６
の出力信号４０２には、その音圧レベルが低下した部分
に応じたパルス信号が出力される。

【００４２】これにより、ノイズに埋もれた音声信号、
個人差による短い無音部分、更には発声速度が速いため
に無音部等が短くなっている場合などでも、その無音部
分などを正確に判別でき、正確にその音声信号の特徴を
抽出することができる。

【００４３】又、この微分回路による微分をより高次に
することにより、更に精度を高めることができる。

【００４４】［第４の実施の形態］図８は本発明の第４
の実施の形態の音声認識装置の構成を示すブロック図
で、前述の実施の形態の構成と共通する部分は同じ番号
で示しそれらの説明を省略する。

【００４５】この第４の実施の形態では、増幅器１０３
と検波回路１０４との間に絶対値回路６０１が設けられ
ている点が異なっている。

【００４６】図９は、この絶対値回路６０１による利点
を説明するための波形図で、図９（Ａ）は、増幅器１０
３の出力信号波形の一例を示している。また図９（Ｂ）
は、図９（Ａ）の信号を入力した時の絶対値回路６０１
の出力信号の一例を示している。

【００４７】また、図９（Ｃ）は、絶対回路６０１が存
在しない時、即ち、図９（Ａ）で示された信号に対する
検波回路１０４の出力信号の波形例を示し、図９（Ｄ）
は、絶対値回路６０１が存在するときの検波回路１０４
の出力信号波形例を示している。

【００４８】これら図９（Ａ）（Ｂ）とを比較すると明
らかなように、７０１で示される負の極性で出力された
音声信号部分が、絶対値回路６０１が存在しないときに
は音声信号無しと判断されたのに対し、絶対値回路６０
１によりその負の極性部分が正極性に変換されるため、
図９（Ｄ）で示すように、７０１の部分に対応して検波
回路１０４の出力信号が得られている。

【００４９】このように第４の実施の形態によれば、絶
対値回路６０１を挿入することにより、音声があるにも
かかわらず無音部等と判定してしまう誤認識を軽減でき
る。これは特に、発音の形態により、音声信号を表わす
電気信号の極性が一方向に偏る傾向がある場合などに有
効である。

【００５０】尚、以上の説明では、各実施の形態をそれ
ぞれ独立に説明したが、本発明はこれら各実施の形態を
適宜組み合わせることにより構成されてもよい。

【００５１】

【発明の効果】以上説明したように本発明によれば、不
特定話者に対しても、高速かつ高精度に音声を認識でき
る効果がある。

【００５２】又、本発明によれば、音声の基本的な周波
数、或は発生スピードによる影響を無くして、高速かつ
高精度に音声を認識できるという効果がある。

【００５３】また本発明によれば、特定の話者に対応さ
せて無音部分の回数を記憶しておき、その記憶されてい
る回数に応じて所定フレーズの音声が入力されたか否か
を判別できる効果がある。

【００５４】また更に本発明によれば、音声信号に含ま
れるノイズなどの影響を少なくして、より正確に音声を
認識できるという効果がある。

【００５５】又本発明によれば、音声信号の個人差によ
る影響を無くして音声認識できるという効果がある。

【００５６】

【図面の簡単な説明】

【図１】本発明の第１の実施の形態の音声認識装置の構
成を示すブロック図である。

【図２】第１の実施の形態の増幅器の出力信号、及びＬ
ＰＦの出力信号の波形例を示す図である。

【図３】本発明の実施の形態の音声認識装置による処理
を示すフローチャートである。

【図４】本発明の実施の形態の音声認識装置による処理
を示すフローチャートである。

【図５】本発明の第２の実施の形態の音声認識装置の構
成を示すブロック図である。

【図６】本発明の第３の実施の形態の音声認識装置の構
成を示すブロック図である。

【図７】第３の実施の形態の微分回路の入力及び出力信
号の波形例を示す図である。

【図８】本発明の第４の実施の形態の音声認識装置の構
成を示すブロック図である。

【図９】第４の実施の形態の絶対値回路の入力及び出力
信号、及び検波回路の出力信号の波形例を示す図であ
る。

【符号の説明】

１０１ 音声入力部 １０２ 自動レベルコントローラ（ＡＬＣ） １０３ 増幅器 １０４ 検波回路 １０５ ＬＰＦ １０６ コンパレータ １０７ ｎ進カウンタ １０８ 計数部 １０９ 表示部 １１０ 音声判別部 １１１ 音声認識部 ３０１，３０２ カウンタ ３０３ メモリ ４０１ 微分回路 ６０１ 絶対値回路

Claims (5)

【特許請求の範囲】
1. 【請求項１】 所定のフレーズを含む音声を入力して識
   別する音声認識装置であって、 入力された音声信号レベルが所定電圧レベル以下か否か
   を判断する判断手段と、 前記判断手段により前記所定電圧レベル以下と判断され
   た信号数を計数する計数手段と、 前記計数手段により計数された計数値に基づいて前記所
   定のフレーズが入力されたことを識別する識別手段と、
   を有することを特徴とする音声認識装置。
2. 【請求項２】 入力される音響信号が音声信号であるか
   否かを判別する判別手段を更に有し、前記計数手段は前
   記判別手段により音声信号と判別された信号を計数する
   ことを特徴とする請求項１に記載の音声認識装置。
3. 【請求項３】 前記判断手段は、入力される音声信号を
   検波してピーク値の包絡線に相当する信号を求める検波
   手段と、前記検波手段により検波された信号の微分波形
   を求める微分手段、もしくは前記検波手段により検波さ
   れた信号の絶対値を求める絶対値手段と、前記微分手段
   もしくは前記絶対値手段の出力信号と所定電圧レベルの
   信号とを比較する比較手段とを備えることを特徴とする
   請求項１乃至２のいずれか１項に記載の音声認識装置。
4. 【請求項４】 所定のフレーズを含む音声を入力して識
   別する音声認識方法であって、 入力された音声信号レベルが所定電圧レベル以下か否か
   を判断する工程と、 前記所定電圧レベル以下と判断された信号数を計数する
   工程と、 その計数された計数値に基づいて前記所定のフレーズが
   入力された回数を識別する工程と、を有することを特徴
   とする音声認識方法。
5. 【請求項５】 所定のフレーズを含む音声を入力して識
   別する音声認識方法であって、 入力された音声信号レベルが所定電圧レベル以下か否か
   を判断する工程と、 前記所定電圧レベル以下と判断された信号数を計数する
   工程と、 その計数された計数値に基づいて前記所定のフレーズが
   入力されたか否かを識別する工程と、を有することを特
   徴とする音声認識方法。