JPS58211793A - 音声区間検出装置 - 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、人間によって発声された音声を含む音響信号
から、音声区間・非音声区間を自動的に検出する音声区
間検出方法に関するものである。

音声区間検出は音声認識システム、音声合成のための分
析システムあるいは音声の情報圧縮等において不可欠な
ものである。

音声自動認識システムのブロック図を第１図に。

示す。１は音響処理部、２は音声区間検出部、３は認識
部である。音声認識システムでは音声区間検出部３は第
１図に示すように認識部３の前段に位置し、後段の認識
部３の性能が非常に良いものであっても正しく音声区間
を検出することが出来なければ正しい認識結果を得るこ
とが困難となるため、この音声区間検出部の性能の良否
はシステ３　　ベ一二 ム全体に大きく影響する重要なものとなる。

音声区間検出方法の従来例としては、音声信号と非音声
信号（ずなわぢ環境雑音）の信号エネルギーの差に注目
し信号エネルギーの値に適当な閾値を設定し音声区間を
検出するものが多い。また、音声信号のなかでも無声子
音のように信号エネルギーが小さく環境雑音と差のあま
りないものの検出精度を上げるため、信号のある適当な
時間長毎の零交差数の閾値処理を併用する方法もある。

この１９すは「音声認識」新美康永著に述べである。

従来例に見られるような閾値処理による方法では、設定
する閾値が環境によって左右されてしまう。この閾値設
定は実験的に定められる場合が多いが、音声区間を検出
する場合の閾値というものに５、使用する環境の環境雑
音信号と音声信号との間を分離するための閾値であるた
め、使用する環境が変化した場合は閾値を設定しなおさ
なければならず、使用環境の変化に対する適応性に欠け
るという欠点がある。また、使用する環境の環境雑音エ
ネルギーが大きく、しかもその雑音が白色雑音のような
場合は、環境雑音と音声の無声音との間のエネルギー及
び零交差数の差がほとんどなくなるため、従来例では腎
声区間を正しく検出することが出来なくなる。このよう
に従来例による音声区間検出では、使用する環境に制限
があるということと、環境の変化に対し適応しないとい
う欠点がある。

本発明は従来例に見られた欠点を改善した音声区間検出
方法を提供することを目的とするもので環境学習機能を
有する方法である。

環境学習により、環境雑音の平均エネルギーレベルと、
スペクトルの平均的な特徴を表わすＬＰＣケプストラム
係数の平均値ベクトルを求めておく。

次いで、実際に入力された雑音を含む音声信号を学習で
求められた環境雑音平均エネルギーによって、信号レベ
ルに正規化する。また、入力信号のＬＰＣケグストラム
係数と、環境雑音のＬＰＣケプストラム係数とのユーク
リッド距離も求めておく。

旨発明はこのようにして求められた、正規化され５　ベ
ー二′ たエネルギーと、ユークリッド距離の２つのパラメータ
の閾値処理により音声区間検出を行うものである。

本方法により従来例に比較し、使用する環境の変化に対
し著しい改善を得ることが出来る。以下本発明による音
声区間検出方法の詳細な説明を行う。

第２図は本方法による音声区間検出部の大まかな機能ブ
ロック図である。第２図に示すように本方法による音声
区間検出は、使用する特徴パラメータを算出するだめの
音響分析部４と、使用する環境の特性を学習する環境学
習部５と実際に音声区間を検出する音声区間検出部６よ
り構成される。

本発明の音声区間検出法においては、まず予め標準環境
の学習を行う。

この過程は従来例の閾値設定のための作業とほぼ同様で
あり、標準環境の平均エネルギーＥｓ、及び音声、非音
声を分離する２つの信号エネルギーの閾値ＴＪ！：ＩＩ
　”’ｊ！：２という定数を設定するものである。この
過程により求められた定数は、音声区間検出部６に蓄え
られる。従来例では使用する環境６　・−− が犬きく変るたびにこの過程を行なわなければならない
が、本方式は一度’ｒＥ１．　ＴＥ２１　ＥＳ　　とい
う定数が求まれば行う必要はない〇 環境雑音エネルギーが小さく信号雑音化の良好な標準環
境を設定し、その環境雑音信号を、ある適当な時間長（
フレーム長という）毎にエネルギーＥ及び対数エネルギ
ーＥＬを（１）式及び（２）式により求める。

Ｅ　Ｌ　＝　１０　Ｘ　ｔｏｇ　１゜Ｅ　　　　・・・
・・・・・・・（２）あ否一定時間内に求められるＥの
平均値より、標準環境平均エネルギーＥＢを求める。ま
た、ＥＬの平均値と分散よりＥＬがこの値以下ならば非
音、声フレームであるというエネルギー閾値ＴＥ１を設
定する。さらに、標準環境下において多数話者が発声し
た音声信号のうちの無声子音の対数工不ル７ベーー二・ ギーＥＬの平均値及び分散よりＥＬがこの値以上ならば
音声フレームであるというエネルギー閾値ｆＥ２を設定
する。

次に音響分析部について述べる。

マイク等より入力きれ、第１図に示す音響処理部１でＡ
／Ｄ変換を施された音響信号は、第２図の音響分析部４
に送られる。音響分析部４では入力される音響イｇ号を
ある適当なフレーム長毎に分析し、後段の環境学習部５
及び音声検出部６で共１１０に用いられるパラメータを
算出する。算出するパラメータは（１）式で表わされる
信号エネルギーＥと信号のスペクトル上の特徴を表わす
パラメータであるＬＰＣケグストラム係数ベクトルＣで
ある。

ＬＰＣケプストラム係数Ｃの算出法の説明は省略するが
、詳しくはＪ、　Ｌ）、　１ｖｉａｒｋｅｒ　ａｎｄ　
Ａ、ｆ（。

Ｇｒａｙ、　Ｉｒ、　：Ｌｉｎｅａｒ　Ｐｒｅｄｉｃｔ
ｉｏｎ　ｏｆ　５ｐｅｅｃｈ。

Ｓｐｒｉｎｇｅｒ−Ｖｅｒ　Ｌａｇ　（１９７６）に述
べである。

音響分析部４で算出されたパラメータは、本方式による
音声区間検出が動作を開始した一番最初あるいは使用さ
れる環境が大きく変化し、音声区間検出の検出誤りが多
くケった場合、環境学習部５に送られる。このときの入
力音響信号にはご一声信号が含まれず環境雑音信号のみ
である。

環境学習部５では音響分析部４より送られてくるフレー
ム毎のパラメータを１吏って、使用環境の信号エネルギ
ーを標準環境の４．Ｗ号エネルギーレベルに正規化する
ための正規化係数劇ｓと、使用環境雑音の平均的なスペ
クトル特性を表わすＬＰＣケプストラム係数の平均値ベ
クトルＣ８及び距離閾値′ｒＤを算出する。距離閾値Ｔ
ＤというのはＬＰＣケプストラム係数ベクトルＣと平均
値ベクトルＣ８とのユークリッド距離によりそのフレー
ムが音声フレームであるか非音声フレームであるかを判
定するだめの閾値である。

正規化係数ＮＳは次のようにして算出される。

フレーム毎に送られてくる環境雑音エイ・ルギーの平均
値”ｒＪを求めさらに標準環境の学習により予め音声区
間検出部６に蓄えられている標準環境平均エネルギーＥ
ｓにより（３）式により算出する。

ＮＳ”’５−ＥＮ　　　　　　　　−−（３）９　べ−
“・ ま１５、ＬＰＣケプストラム係数の平均値ベクトルＣ８
はフレーム毎に送られてくるＬＰＣケプストラム係数係
数ベクトル者要素毎の平均値を算出することにより求め
られる。さらにこのＣ８と、Ｃ８を算出するために用い
たＬＰＣケプストラム係数係数ベクトル者ユークリッド
距離りをフレーム毎に求めＤの平均値および分散よりユ
ークリッド距離の値がこの値以下であるならば非音声フ
レームであるという閾値ＴＤを算出する。

音声区間検出部６°では音響分析部４より送られてぐる
信号エネルギＥ１及びＬＰＣケプストラム係数係数ベク
トル者環境学習部５で求められた正規化係数Ｎｓ１及び
ＬＰＣケプストラム係数平均値ベクトルＣ８から正規化
信号対数エネルギーＥＮＬとＣ８，０間のユークリッド
距離りを求め、音声信号であるか非畜声信号であるかの
判定を行う。

正規化信号対数エネルギーＥＮＬは（４）式により求め
られる。また、ユークリッド距＃Ｄは（６）式により求
められる。

０ ＥＮＬ＝１０ＸｔＯ（Ｊｌｏ（Ｅ−Ｎｓ）　　　−−−
・（４）よ り　−ｆ（Ｃ−Ｃ５）Ｔ−（Ｕ−しｓ）ｌ　　　−−・
・−（５ン（Ｔコ装置行列を表す） 音声信号であるか非音声信号であるかは以下のようにし
て判定される。

”ｒＪＬ≦ＴＥ１　　非音声 ＴＥ、＜Ｅ、、Ｌ＜ＴＥ２ＡＮＤ　Ｄ＜’ｒＤ　非音声
ＴＥ１くＥＮしくＴＥ２　ＡＮＤＤ＞ＴＤ　音声”　Ｎ
　Ｌ≧ＴＥ２　　音声 この判定法は、信号のエネルギーのみでは音声信号であ
るか非音声であるかあいまいな場合、信号のスペクトル
情報を利用することにより精度の向上を計るという方法
である。寸だ、従来例の零交差数のように信号スペクト
ルの一部の情報ではなく、ＬＰＣケプストラムというス
ペクトル全体の特徴を利用するため雑音のスペクトル変
化に対し性能の低下が少い。

このようにしてフレーム毎に判定された結果は平滑化処
理が施され最終的な音声区間が決定され１１べ− る。

第３図は本方式による音声区間検出回路の機能ブロック
図である。マイク等より入力される音響信号はハ／Ｄ変
換が施され、ある適当なフレーム長毎に信号エネルギー
演算部７、及びＬＰＣケプストラム係数演算部８に送ら
ねる。信号エネルギー演算部７では信号エネルギーＥを
算出し、ＬＰＣケフストラム係数演算部８ではＬＰＣケ
プヌトラム係数ベクトルＣを算出する。算出されたパラ
メータの流れは、環境学習を行うか、音声区間検出を行
うかで異り、この制御はコントロール部９により行われ
る。図で破線は制御線を示す。

環境学習の場合、信号エネルギーＥはマルチプレクサ１
０を通して平均値・分散演算部１１に送られ、平均エネ
ルギーＥＮが算出される。このＥＮはさらに正規化係数
決定部１２に送られ正規化係数ＮＢが決定される。また
ＬＰＣケプストラム係数ベクトルＣはマルチプレクサ１
ｏを通して平均値分散演算部１１に送られるとともに１
．４ＩＦＯバツフア１３に蓄えられる。平均値分散演算
部昭５８−２１１７９３　（′４′）算部１１では平均
値ベクトルＣＢを算出し、ＬＰＣケプストラム係数平均
値ベクトルメモリー１４に送る。このり、Ｐ　Ｃケプス
トラム係数平均値ベクトルメ−ｖ＋）−１４にデータが
格納されると、ＦＩＦＯバッファ１３はマルチプレクサ
１６を通してニーノリノド距離演算部１６にＬＰＣケプ
ストラム係数Ｃを送り、ユークリッド距離りが算出され
る。

算出されたユークリッド距離りはマルチプレクサ１Ｑを
通して平均値分散演算部１１に送られ、平均値及び分散
が算出される。この平均値及び分散値は、閾値ＴＤ決定
部１７に送られ、閾値°ｆＤが決定される。

一方音声区間検出を行う場合、信号エネル、チーＥは正
規化対数エネルギー演算部８に送られて、正規化対数エ
ネルギーＥＮＬに変換され、三値比較部１９に送られる
。また、ＬＰＣケプストラム係数ベクトルＣはマルチプ
レクサ１６を通してニーノリノド距離演算部１６に送ら
れてユークリッド距離りが算出され、その値は二値比較
部２０に送ゆれる。二値比較部１９は正規化対数エネル
ギー１３、−− ＥＮＬと閾値ＴＩ８．１．“ｆＥ２との比較を行う。そ
の結果が”ＮＬ≦ＴＥ１　または”１’ＪＬ≧°１゛Ｅ
２である場合・三値比較部１９０判定結果がマルチプレ
クサ２１を通して平滑処理部２２へ送られる。筐た上述
以外の場合は、二値比較部２ｏによるニークリ、ド距離
りと閾値ＴＤの比較結果がマルチプレクサ２１を曲して
平滑化処理部２２に送られる。平滑化処理部２２はフレ
ーム毎に送られてくる判定結果の平滑化を行い音声区間
を決定し出力する。

第４図は学習によって信号エネルギーを正規化する本発
明の効果を示したものである。第４図のＡは標準環境の
環境雑音対数エネルギー分布（上段）と、その環境下で
発声された音声の無声子音の対数エネルギーの分布（下
段）を示したものである。今、環境が変化して音声の平
均エネルギーと環境雑音のエネルギーの信号雑音化が約
２０ｄＢになった場合の、従来の信号エネルギー分布を
第４図Ｂに、本発明の信号エイ・ルギー分布を第４図Ｃ
に示す。第４図のＢは環境が変化し音声の：毛均エネル
ギーと環境雑音のエネルギーの信号雑４ 音比が約２０　ｄＢとなった場合の環境雑音対数エネル
ギー分布（上段）と、その環境下で尾声された音声の無
声子音の対数エネルギーの分布（下段）である。さらに
第４図のＣは第４図Ｂと同じ環境下のそれぞれの正規化
対数エネルギーの分布を示したものである。図中、破線
は正規分布仮定を施したものである。これらの図より従
来のように正規化を行なわない対数エネルギーでは信号
雑音化が劣下すると環境雑音の対数エネルギーは無声子
音のエネルギーに近づくため、標準環境下で設定した閾
値では分離することが困難になり、閾値を設定しなおさ
なければならなくなる。また、閾値を設定しなおしても
、両者の分布の重なりが大きいため精度が低下するｇこ
れに対し、本発明の場合には正規化対数エネルギーの分
布は標準環境下の対数エネルギーの分布と同じようにな
るため、閾値の変更全行わなくでもよく、また両者の分
布の重なりは、！！４図Ｂより少ないため、環境雑音信
号と音声の無声子音との分離を確実に行うことがＮき、
従来例でよく用いられている対数エネルギ１５ −よりも良い結果が得られる。

第５図は男性話者が発声した「ふた」（ｌｈｕｔａｌ）
という音声の正規化対数エネルギーＡとＬＰＣケプスト
ラム係数の平均値ベクトルとのユークリッド距離Ｂを示
したものである。正規化対数エネルギーのみでは／ｈ／
の始端、／Ｕ／の終端かは参きすしないが、ＬＰＣケプ
ストラム係数のユークリッド距離を用いることにより、
これらあい丑いな部分がはっきりし、検出種度を高める
ことが出来る。

第６図は本発明による音声区間検出法と従来例の信号エ
ネルギーを固定の閾値で判定する音声区間検出法とを比
較したものである。

この図は男性話者１名が発声する２００単語の音声テー
クから求められたもので、発声する環境の信号雑音比が
変化した場合の（６）式で定める識別率を示したもので
ある。一点鎖線は従来例を示し、実線は本発明によるも
のでろる。

特開８ム５８−２１１７９３（５） ・・・・・・・・（６） 従来例による方法では信号雑音比が３ｏｄＢより劣化す
ると識別率は急激に低下し２　ｅ；　ｄＢより劣りする
と全てのフレームを音声フレームと判定してしまうため
識別率は６ｏ％となってしまい音声区間検出不可能とな
る。それに対し本方法では信号雑音比２０ｄＢ程度まで
は識別率はほとんど変化せず、ざらに１ｏｄＢ程度まで
劣下しても識別率９１％という良い値を得ることが出来
、従来例の環境変化に対する適応性という欠点に対し著
しい改善を慢ることが出来る。

以上述べたように、本発明は、あらかじめ、使用する環
境の雑音のエネルギーレベルとスペクトルの学習を行う
ということとスペクトル情報も利用することを特徴とす
る音声区間検出方法である。

学習を行うことによって、雑音を含む入力信号のエネル
ギーレベルを、一定のレベルに正規化することが可能と
なり環境の変化の影響を少なくする１７ベー ことが出来るという特長と、さらにスペクトル情報も利
用するため精度が良い音声区間の検出ができる。

【図面の簡単な説明】 第１図は音声自動認識システムの概略の構成を示すブロ
ック図、第２図は本発明による音声区間検出方法を示す
ブロック図、第３図は本発明によ゛る音声区間検出回路
の機能ブロック図、第４図へ〜Ｃは本発明と従来例の信
号エネルギーの分布の比較図、第６図へ、Ｂは本発明の
実際の音声信号における正規化対数エネルギ〜とユーク
リッド距離を示した図、第６図は環境の信号雑音比の変
化に対する本発明と従来例による変化を示した図である
。 １・・・・・・音響処理部、２・・・・・・音声区間検
出部、３・・・・・・認識部、４・・・・−・Ｋ響分析
部、６・・・・・・環境学習部、６・・・・・・音声区
間検出部、７・・・・・・信号エネルギー演算部、８・
・・・・・ＬＰＣケプストラム係数演算部、９・・・・
・・コントロール部、ｉｏ。 １６２１・・・・・・マルチブレフサ、１１・・・・・
・平１８　： 均値分散演算部′、１２・・：・・・正規化係数決定部
、１３・・−・・・Ｆ、ＩＦＯバッファ、１４・・・・
・・ＬＰＣケプストラム係数平均値ベクトルメモリー、
１６・・−・・ユークリッド距離演算部、１７・・・・
・・閾値決定部、１８・・・・・・正規化対数エネルギ
ー演算部、１９・・・・・・三値比較部、２０・・・・
・・二値比較部、２２・・・・・・平滑化処理部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名第１
凶 第２図　　　　　　ｌ 第４図 正ＫＬ化すけ象工χ・ル千− ５図

Claims (2)

【特許請求の範囲】
1. （１）標準環境における環境雑音の平均エネルギーレベ
   ルから予めエネルギー閾値を設定しておき、環境学習機
   能を用いて、使用される環境の環境雑音の平均エネルギ
   ーレベルを学習し、標準環境及び使用される環境の環境
   雑音の平均エネルギーレベルから正規化係数を求め、前
   記正規化係数により音声入力信号のエネルギーレベルを
   正規化し、前記正規化された音声入力信号のエネルギー
   レベルと前記エネルギー閾値とを用いて音声区間を検出
   することを特徴とする音声区間検出方法。
2. （２）環境学習機能を用いて、使用される環境の環境雑
   音のスペクトル上の特徴を表現するＬＰＣケプストラム
   係数の平均値ベクトルを学習し、前記ＬＰＣケグストラ
   ム係数の平均値ベクトルと音声入力信号より得られるＬ
   ＰＧケプストラム係数ベクトルとのユークリッド距離を
   求め、前記ユーク２　′−〕 リッド距離に基づき距離、閾値を設定し、前記距離閾値
   と正規化係数により正規化された音声入力信号のエネル
   ギーレベルとエネルギー閾値とを用いて音声区間を検出
   することを特徴とする特許請求の範囲第１項記載の音声
   区間検出方法。