JPS58105295A - 音声標準パタン作成方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 本発明は音声認識装置において、同一カテゴリに属する
複数個の音−バタンを各カテゴリの標準バタンとして設
置する音−標準バタンの作成方法に関する。

不特定話者対象の音声認識装置における標準パタンは、
複数話者の音声の平均バタンか複数個の標準パタ／（マ
ルチテンプレート）で構成されることが多い。従来の標
準バタン作成方法は、上記いずれの方法をとるにしても
、音声の話者の違いによる物理的特徴と音声の無声化な
どによる発話的特徴の違いを区別しないで音声の特徴量
の違いとしてとらえ、平均パタンを作成するか、複数個
の゛標準パタンを配置していた。従って、完全に両者の
％徴を区別して多数話者の音声の特徴を細部にわたって
代表した標準パタンの作成は困難であつ九。

ま九、同一内容の音声パタンを複数個の組に分類する従
来の方法は、単純に音−のスペクトラムなどの視察から
分類したり、各組の初期の代表パタンをもとに類似して
いる音声パタンをその組に割りふるクラスタリング手法
（例えば　ｋ−ｍｅａｎｓ　ｔｔｅｒａｔｔｏｎ法；　
ＩＢ’ＢＢ　’ｒｒａｎｓ　ｏｎＡｃｏｕｓｔ、、３ｐ
ｅｅｃｈ　、　　ａ”ｉｔｄ　Ｓｉｇｎａｌ　ｐｒｏｃ
ｅｓｓｉｎｇ■ＯＬ、　Ａ３８Ｆ−２７，Ｎ（１，、２
、ＡＩ）ｒ、　７９”　　Ｉｎｔｅｒａｃｔｉｖｅ　　
　Ｃ１ｕｓ電ｅｖｉｎｇ　　Ｔｅｃｈｎｉｑｕｅｓｆｏ
ｒ　Ｓｅｌｅｃｔｉｎｇ　　５ｐｅａｋｅｒ　−■ｎｄ
ｅｐｅｎｄｅｎｔＢｅｆｅｒｅｎｃｅ　’ｌ’ｅｍｐｌ
ａｔｅｓ　　ｆｏｒ　　ｌ５ｏｌａｔｅｄＷｏｒｄ　′
ｆＬｅｃｏｇｎ目ｔｏ／３．　Ｅ、Ｌｅｖ　ｔｎｓ　ｔ
ｏｎ　、　Ｌ。

Ｒ，１ｌａｂｉｎｅｒ　　ｅｔ　　ａｌ）などで行って
い九。しかじ１視察からの分類は不確実であり〜はしめ
に代表パタンを設定することを必要とするクラスタリン
グは設定される初期の代表パタンによって大幅に結果が
異なるという問題があつ九。

したがって本発明は上記問題点を解決するためになされ
たもので多数話者の音声を細部にわたって代表する標準
パタンの作成方法及び設定される初期の代表パタンによ
らない確実なりラスタリング手法を提供することを目的
とする。

この目的を達成するために、本発明では第１段として、
発話的に安定している音声を用いて、゛話者の物理的特
徴の違いにもとづく話者の分類をおこない、細部にわた
った音声の特徴を代表する標準パタンの作成を行なう点
に第１の特徴があり、更に、上記分類をおこなう方法と
して、音声の認識の際に使う距離尺度（類似性尺度）を
もとにし、ｔつとも類似している音声の話者から順に同
じ組の話者として分類する階層的なりラスタリングを行
なう点に第２の特徴がある。

以下、本発明の原理を詳細に説明する。

一般に、音声の話者による特徴の違いは、話者の声道や
鼻腔などの音声器官の構造の違いによる話者特有の物理
的特徴と、発声する音声の種類に従い音韻の前後関係（
よって本来の音韻特有の特徴が現わｎるか否かにもとづ
く発話的特徴とがある。

第１図は、話者の音声器官の物理的特徴の違いによる音
声の特徴の違いを表わしたもので、話者Ａ、ＢＯ母音（
ｖｏｗｅｔ）　１　ａ　１　ノｘヘクトル概形である。

横軸は周波数を、縦軸は強度（ｇａｉｎ）を表わしてい
る。スペクトル上のピーク（ホルマント周波数）はその
音韻固有（この場合は母音１ａ１）の特徴を表わす。話
者の物理的特徴の違いは、このホルマント周波数のズレ
（ピークのズレ）と共振の鋭さのちがいおよびスペクト
ル概形の全体的な傾きの違いとして現れてくる。この様
子は話者Ａ（実線）、話者Ｂ（破線）のスペクトル概形
がズしていることから明瞭である。

一方、音声の発話的特徴には音声の前後関係によって、
母音本来の音響的特徴が現れない、いわゆる母音の無声
化現象や鼻音化現象などがある。

無声化現象とは、１ｐｌ＝　　ｌ　’　Ｉｓ　　１ｋｌ
−１ｈ１．ＩＩｌ、１ｃｈｌ　　などの無−子音に１ｉ
１．ｊｕｌの母音がはさまれ、またはその母音で終る場
合、母音の口の構えだけで１１１゜ｌｕＩが有声に響か
ない現象である。第２図は音声ｌ　、１ｃｈｊ　ｌに現
れる無声化現象の例を示している。横軸は周波数、縦軸
は時間（７レーム、１５ミリ秒／ｌフレーム）を表わし
ている。中は無声化していない本来の１１ｃｈｉ　ｌ　
（ｌｃｈｌ　の後のＩＩがはっきりと現われている］で
あり、（１）は無声化し九ｌ　１ｃｈｉ　ｌで１．１　
ｃｈ　ｌの後に本来のＩｊｌのスペクトルは現われてい
ない。

以上のような複雑な特徴を呈する音声を認識しようとす
る場合、物理的特徴と発話的特徴を区別して取り扱う必
要がある。もし、これらの特徴を区別しないで処理し、
同一音声の標準パタンを複数個用意する、いわゆるマル
チテンプレートで音声認識を行うと、これらの特徴が入
り混じってしまう結果、精度の良い標準バタン作成が困
難となる。−例として５０人の話者が発声した音−１１
ｃｈｉ　ｌを上記のようにそのまま平等に６個の組に分
類した結果はつぎのようになる。

ここでＷ、〜Ｗ、　ｉｉ分類されるべき組（クラスタ）
数字は話者番号、○印は女声の話者番号を指示しΔ印は
無−化している音声の話者番号を指示している。話者の
物理的特徴が大きく異なる男声１女声の話者が同−組の
なかに混在し、かつＷ・のように、無声化してない音声
の話者と無声化している音−の話者が混在した分類とな
ってしまう。

本発明は、以上のように物理的特徴と発話的特徴の違い
が混在するのを避けるために、階層的に、１４１段で発
話的に安定している音声（無声化、鼻音化しない音−）
を用いて話者の物理的特徴の違いにもとづく分類をおこ
ない、第２段では分類さｎた各々の話者の組において発
話的特徴の違いにもとづく分類をおこない、かつ、各段
における音声の分類を音声の特徴量が類似しているもの
のなかから順次ひとつの組に分類する、いわゆる初期の
代表バタンによらない自動階層的クラスタリング手法を
用いるものである。

つぎに、階層的クラスタリング手法の原理を詳細に説明
する。まず、クラスタＷ、を次のように要素Ｘ　を用い
て表示する。

”　＝４　”１　　ａ　ｘｌ　　ｍ　”””””　ｐ　
”ｍｌ　　）個体総数Ｎ＝Ｚ　　ｍ但　Ｍ；クラスタ数
ｍｇ 最初に必要な情報は個体ｘｋとｘｌ間の距離（類似度な
ど）ｄ（ＸｋｌＸＪ）であシ、各個体が各クラスタの唯
一の要素となっているＮ個のクラスタの状態から、クラ
スタ間の距離ＤＩＪの最小のものを順にひとつのクラス
タに融合し、これを目標のクラスタ数Ｍになるまで繰り
返す。以上をまとめると次のようになる。

中　各個体間の距離ｄ（ｘｋ、ｘ、）を求める。

（ｉｆ）　　各クラスタ間の距離ＤＩ、　　を次のよう
に定義して求める。

（最大距離］ （平均距離） 頓）　り２スタの融合を行う。

Ｗ儀；Ｗ　１　［Ｊ　Ｗ　３ ＩＶＩ　、所望のクラスタ数になるまで１１）　、　（
ｉｉＤを繰り返す、（但し、繰り返し回数Ｉは、ｉ＜１
（Ｎ−１） たとえば、個体数５の場合、Ｍ＝１にするまでの上記中
〜０１ｌ）のステップは （１）　　個体間の距離を求める。

＝（５）に対して、以 下のように第１回の融 合をおこなう。

（幻　クラスタ間の距離を求める。

Ｄ１１″”５　争Ｄｌｌ＝”　’　ｅ　Ｉ）ｔａ＝　１
０　ｓ　Ｄ１１＝２０、Ｄ、、＝５．Ｄ□冨１．Ｄ、１
＝１３゜Ｄ８４−”　ａ　ＤＪＩ　＝　２　ｐ　ＤＪＩ
　＝　１０Ｑｉ９　　距離が最小となるクラスタＷ、と
Ｗ、の融合をおこなう。

この結果生ずるクラスタの状態： Ｗｔ　＝（ｘ）ｔＷｔ　＝（２ｔ４ＬＷｓ　＝（ａＬ印 ＷＩ＝（５）に対して、以下のように第２図の融合をお
こなう。

（Ｈ）ＤＩ＝１０．Ｄ、、＝１０．Ｄ、、＝２０゜Ｉ）
ｍｓ＝　５　ｅ　Ｉ）ｍｓ＝　１３　ｅ　Ｉ）ｍｓ＝　
２６ｉ０　　距離が最小となるクラスタＷ、とｗ、の融
合をおこなう。

この結果生ずるクラスタの状態； ｗ１＝（ＩＬＷＩ＝（２１４）ｔＷａ＝（ａｓｓ＞Ｋ対
して、以下のように第３回の融合をおこなう。

（Ｍ）　　Ｄ□＝１０．Ｄｌ、＝２０．Ｄ□＝１３（ｉ
ｌ−距離が最小となるクラスタＷ１とＷ、の融合をおこ
なう。

この結果生ずるクラメタの状態： ”’ｓ　＝（１ｔ２ｔ４Ｌ”ｓ　＝（３＊５）に対して
、以下のように第４回の融合をおこなう。

（ＩＩ）　　Ｄｓｓ”　２０ ｏｉＤ　　クラスタＷ、とＷ、の融合をおこなう。

この結果生ずるクラスタの状態： ｗ、＝（１，２，３，４，５）のどとく唯１つのクラス
タに融合さｎ％Ｍ＝１になるから融合の処理を終了する
。

ここで、λラスタに分類した結果の良し悪しの尺度とし
て、次のようにクラスタの紐間平均距離と経内平均距離
との比Ｒを定義する。

μ 但しμ・、＝１　！Ｉ Ｍ　ｓ　　ｍｓ　（ｍ愈−１） この平均値比が大きい程、クラスタ間のオーバラップが
少なく、艮〈分離している。本発明は、この平均値比を
用いて、分噛の良−クラスタ数を決定する方法をも提供
するものである。

第３図は話者の物理的特徴の違いにもとづく分類をおこ
なう第１段に比較的発話的に安定している音声１ｈａｉ
ｌを使って、階層的クラスタリングを行った結果である
。横軸は話者番号、縦軸は融デ 合して行く距離（を縦比）の値を示している。距離が大
きくなるにつれ、最初５０個のクラスタが順次融合して
行って、最終的にはひとつのクラスタになって行く過程
を示しヤいる。この結果、例えば、あわせて３組のクラ
スタを与える融合距離は、１．４付近であり、次のよう
に男９女声の話者がほぼ確実に分類されている。

（０印は女声の話者番号を示す） 次にｗＬ２段として、上記分類によ、って分類され順に
したがって２組に分類した結果は次のようになる。

この結果は前記式（１）と比較して、男９女声話者の分
類、無声化か否かの分類が確実に行われたことと示し、
第１段で話者の物理的特徴ともとづいた分類をおこない
、その後第２段で発話的特徴にもとづいた分類をおこな
う本発明の方法が有効であることを示している。

次に第４−゛を用いて、分類の良いクラスタ数を決定す
る方法を説明する。第４図は、盛０人の話者が発声した
音声に階層的クラスタリングを適用し九時の式シンで足
義される距離比を示している。

横軸はクラスタ数である。音声の特徴量が平面に配置さ
れていると仮定し九場合、平均距離比が２．０以上にな
っていれば実験的にクラスタ間の分離がよくできている
とみなされる。ｌ　ｓａ口１　。

１ｈａｃｈｉ　ｌはクラスタ数２ですでに分離の良−組
分けができているが、一方１ｎｉ　ｌ　、　ｌ　ｒｏｋ
ｕ　ｌに関しては、４個のクラスタが必要となっている
。

従って、距離比を例えば２０とするクラスタの数を求め
ることによって、各音声共通に分離の良いクラスタリン
グが行われることになる。

以下、本発明を実施例を参照して詳細に説明する。第５
図は、本発明を用い喪音声堅識装置の一実施例のブロッ
ク図である。入力音声ｌはサンプｎた後−アナログ−デ
ィジタル変換器（ＡＤＣ）３でディジタル値に変換され
る。その後、特徴バラメータ分析回路４にて、入力音声
のパラメータが求められる。特徴パラメータとしては、
例えば自己相関係数、ｌ、　ｐ　Ｃ（Ｌｉｎｅａｒ　ｐ
ｒｅｄｉｃｔｌｖｅＣｏｅｆｆｉｃｉｅｎｔｓ）分析８
（線形予測分析）結果の各種パラメータ、そしてフィル
タバンク値などを用いることができる。特徴パラメータ
を求めた後、距離計算回路５にて、複数個の音韻標準バ
タンメモリ６から読み込まれた音声の構成要素である音
韻の特徴パラメータと入力音声の特徴バラメニタ元 との距離（例えば（縦比やユークリッド距離など）が求
められる。距離計算回路５は乗算器と加算器あるいは減
算器などで構成される。つぎに％ＤＰマツチング計算回
路７にて、音韻標準バタンとの距離と単語辞書メモリ８
から読み込まれた音声の時間構造を表現する情報を４と
に入力音声と単語辞書を構成する単語との総距離及び時
間構造などが計算された後、単語判定回路９にて総距離
の大小関係が比較され、認識結果１０が出力される。

本発明は音韻標準バタンメモリ６に格納爆ｎている標準
バタンの作成方法を与えるものでおる。

第６図は、本発明による標準バタン作成装置の一実施例
を具体的に示し九ものである。標準パタンを作成するの
に必要な音声データや操作上必要な各種入力パラメータ
などの入力情報６１がＣＲＴ６２やＭ／Ｔ読取読取機上
３入力され、本発明の原理に示した処理がＣＰＵ６４に
て行われる。その処理はＣＲＴ６２、Ｍ／Ｔ読取読取機
上３てＤｉ８Ｋ　メモリ６５を有機的に使って行わｎ、
標準バタン情報がＭ／Ｔ読取読取機上３して出力情報６
６として出力される。

第７図の処理の流れにて、前記ＣＰＵ６４で行われる本
発明の処理を具体的に説明する。まず入力情報として、
話者数Ｎ、単語数工の讐声情報ｆ所望の話者の組数など
が入力さｎ、第１段の話者の分ＩＩＩ（物理的％徴によ
る分類）が些（′較的発話的に安定な単語（たとえば９
１６　ｌ　ｈａｉ　ｌを使って行われる。この分類の手
順は前記本発明の詳細な説明し九階層的クラスタリング
の手順Φ〜６シにて話者の組数が所望の組数Ｍあるいは
式り）で定義嘔れる距離比がαに等しくなるまで行われ
る。その後〜話者の組ごとに各単語において第２段の発
話的特徴による分類が階層的クラスタリングを用いて同
様に行われ、各単語内での組（系列）が決定する。

更に、単語内の各系統の代表バタンから音韻の切シ出し
を行い、全単語にて同様に切り出した後、−組の音韻標
準バタンか求まる。この処理を話者の各組にて行うこと
によシ、複数組の音韻標準バタン（マルチテンプレート
）が決定される。

以上説明したごとく、本発明によれば、音声の特徴に７
’ｔ＆み込みの形で混在している話者の物理的特徴と音
声の発話的特徴とを分離できるので、多数話者の音声を
細部にわたって代表する精度の良い標準バタン作成が可
能になる効果がある。更に、階層的クラスタリングを用
いれば、初期の代表バタンによらない分類が可能になる
効果もある。

【図面の簡単な説明】

第１図は話者の違いによる音声の物理的特徴の違いを示
す母音ＩＪＩＩのスペクトル概形図、第２図は音声の発
話的特徴の違いを示す音声１ｉｃｈ目のスペクトル概形
図、第３図は５０人の話者が発声し友音声１ｈａｊｌに
階層的クラスタリングを適用し九時のクラスタ融合の過
程を示す図、第４図は階層的クラスタリングの際のクラ
スタの精度を表わす尺度であるクラスタの距離比の変化
を示す図、第５図は本発明を用いた音声Ｕ繊装置のブロ
ック図、第６図は本発明による標準バタン作成装置の一
実施例の処理ブロック図、第７図は本発明による標準バ
タン作成処理のフローチャートである。 ｖＪｌ　　　図 ４舎１α１ −　側波数（にＨＥ） （Ｉ）／にｃＬに１ 図 （ｉｔン　／にｃ７Ｌｉ／　　（り良戸イしン部

Claims (1)

1. 【特許請求の範囲】 １、同一カテゴリに属する複数話者による複数個の音−
   パタ／を各カテゴリの標準バタンとして設置する音声標
   準バタン作成方法において、発話的に安定している第１
   の音声バタンを用いて複数話者の物理的特徴の違いにも
   とづいて骸話者を複数の第１の組に分類す為第１のステ
   ップと、上記各カテゴリを代表する音響的特徴を有する
   ＠２の音声パタンを用いて上記分類された各組における
   話者の発話的特徴の違いにもとづいて該各組における話
   者を第２の組に再分類する第２のステップと、該第２の
   ステップにより再分類された各組に属する話者による上
   記第２の音声パタンに対応するバタンをすべて同一カテ
   ゴリに属する音声標準バタンとして該当するカテゴリに
   割当てるｌＩ３のステップとからなることを％像とする
   音声標準バタン作成方法。 ２、上記第１および第２のステップにおける分類はたが
   いに類似している音声バタンを順次同一の組に融合して
   いく階層的クラスタリングによりおこなうことを特徴と
   する特許請求範囲第１項の音声標準バタン作成方法。 ３、上記階層的クラスタリングにより融合される組数は
   分類された各組内における音声バタンどうじの類似度に
   対応する量と分類された複数の組の間における音声バタ
   ンどうしの類似度に対応する量との比により決定するこ
   とを特徴とする特許請求範囲第２項の音声標準バタン作
   成方法。