JPS5958497A - 音素認識法 - 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】 産業上の利用分野 本発明は人間によって発声された音声化けを自動的に認
識するだめの、音声自動認識・／ステムにおける音素認
識法に関するものである。

従来例の構成とその問題点 人間によって発声された音声を自動的に認識する音声自
動認識装置は人間から電子割算磯や各種機械へデータや
命令を鳥える手段として非常に有効と考えられる。

従来研究あるいは発表されている音声自動認識システム
の動作原理としてはバタンマツチング法が多く採用され
ている３、この方法は認識さ牙する必要がある全種類の
右記に対して標準パターンあらかじめ記憶しておき、入
力される未知の入カバターンと比較することによって一
致の度合（以下類似度と呼ぶ）を言」算し、最大一致か
得ら才するｔ、Ｈｌ：（準パターンと同一の単語である
と判定するものである。このバタンマツチング法では認
識されるべき全ての単語に対して標準パターンを用意し
なけ）−シばならない／こめ、発声者が変つ／と」２１
合には新らしく標準パターン全入力して記憶させる必９
１．１がある。。

従って日本全国の都市名のようしこ１２’ｌ　ｉ’Ｔ　
Ｆｎ類以にの１１を詔を認識対象とするようなｉ混合、
全（Φ類の中ａ１′；を発声して登録するには膨大な時
間と労カイｉ−″必四とし、又登録に要するメモリー容
ｉ７４も膨ｋ　（１（−ｆ３ツ、ことが予想される。さ
らに入カバターンと（シ１“ｊｆｉ、ｈ、ｙｚパターン
バタンマツチングに・皮する時間も’ｌ”　１ｉｌｉ数
か多くなると長くなってし−まう欠点か７（す／１、。

これに対して、入力音声を音素？）１−位に分１ｄで１
′？素の組合せとして認識しく以下と１素紹識と吋ふ）
音素単位で表記された単語辞書との類イ」月Ｗ４−・求
める方法は単語辞書に要するメモリー容１１１か火ｉｔ
に少なくて済みバタンマツチングにＪ、Ｑ−Ｊ−、／、
、　ｌＩ冒［１ｊか’ｔ：’、）くでき、故実の内容変
更も容易で；（す／・という！１′１長を持っている。

この方法の例は［７’ｒ、）！・スーくりトルの概略形
とその動特性を利用し／ｒ．単ｉｉｒＦ　’？η声認識
／ステムー１三輪他，日本音響学会に！：３４（１９７
８）に述べである，。

この方法における単語認識システムのフローを第１図に
示す。１ず、あらかじめ多数話者の音声を１０ｍｓの分
析区間毎に音響分析部１によ−・てフィルタバンクを用
いて分析し、得らノまたスペクトル メータを求める。この特徴パラメータから／ａ／。

１０／等の母音や，／ｍ／，／ｂ／等の子音に代表され
る音素毎又は音素グループ毎に標準パターンヲ作成して
標準パターン登録部６（／Ｃ登録し２ておく。。

次に、入力された不１１１定話者の音声を、同様に分析
区間ｆｎに音響分析部１によって分析し、ｊ１’．’ｊ
徴抽出部２によって特徴パラメータを求める。、この特
徴パラメータと標準パターン登録部５の（；ｐ準バクー
ンｋ）月いてセグメンデーヅヨン’ＲＢ　３　（ｔこよ
、・いてｔυ音と子音の区切り作業（以下セグメンーア
ーノ９ンと呼ぶ）を行なう２、この結果をもとに、７”
ｒ，二４：’，判別部４において標準パターン登録部５
の４，ＨＶ４準パターンと照合することによって、最も
耕似度の高い標準パターンに該当する音素をその区間し
こおける音素と決定する４。

最後に、この結果作成した音素の時系列（以下音素系列
と呼ぶ）を単語認識部６に送り、同様に音素系列て表現
さｆ］た単語辞書７と最も類似度の大きい項目に該当す
る単語を認識結果としてｌＪｊ力する。

以十述べた単語認識システムのフロー（ｌこおいて音素
判別部４はその中心をなすものである，、？Ｃの部分に
」：って音素の名前を決定するため、音素系列はこの時
点でほぼ決定され、後段においてその内容を修復するこ
とは致しい。従−）てこの部分で音素判別を誤った場合
には単語認識Ｎ＜：Ｓ　６［において全く関係のない単
語辞書と類似することによって認識単語を誤ってし寸う
危険性か人きくなる１。

オず、従来の音素判別の方法石−次にｊ１５へる。第１
図の音響分析部１において）ｒルタバンつてあらかしめ
多数話者の音声をスペクトル分析し、特徴抽出部２でス
ペクトルのピークイ「求め、音素毎にスペクトルピーク
の周波数分イ１ｊケ求める３、これを第２図に示すよう
に、横ｉｌＩｌｌ＋　（／Ｃ第１のピーク。

！ｉ，Ｙ輔に第２のピークを配置したγＮ素ｔｌｌ別ｌ
ツｌと１〜で寸とめ、標準パターンとする。しかる後に
、入力された話者の音声について前記方法と同様に周波
数スペクトルのピーク周波数を求め、第２図ヴ用″τ素
判別図にピーク周波数をあてはめることによー。

て分析区間毎に音素名を決定し、−音素区間で最も数の
多かった音素名をその区間における音素と決定する方法
である。

この方法はスペクトルのピークにのみ’ｊＨ　［ｉｌす
るためアルコリズムとしては簡１％であるか、ピーク周
波数の似かよった音素間てｄ−それらのＩ’ｌｌ別か知
しく、音素認識率を低−ドさせてし甘う欠点かあったａ
（ｌｌ′に子音においては／ｎ／，／ｂ／，／ｒ／のよ
うにピーク周波数の似かよった音素の区別か報（シ、く
お〃いの混同か非常に大きい欠点かぁー・た１、これら
の音素を区別するためにはスベク］・ルのピーク１／こ
着目するのみでなく、スペクトル全体の形：ｌＩり（′
こ着目しなけれは区別することはできない１。

発明の目的　゛ 本発明は一ｌｘ記欠点を解消し、音素認識イ・−の大幅
向上をはかった音素認識法呑−Ｉ）、１供することを・
ｌ・１的とする，Ｊ 発明つ褐へ・ 本発明は上記目的を達成するために、寸ずあらかじめ多
数話者の発声した音′ｆｉ；データに目視によって音素
名のラベル伺けをしておき、次にこの音声データを線形
予測分析することに、Ｌ−・てＬＰＣケプストラム係数
を求め、この係数の多次ノ１〕面規分布を仮定して標準
パターンを作成する１、この係数は音声信号のスペクト
ル包絡を表わすパラメータで、スペクトル全体の概略形
を・保１旨７でぃ／）３゜次に入力音声について線形予
測り）イＩｉ　Ｌ−１ＬＰＧり一ブストラム係数を求め
てｉｉＪ記標ベイパクーノと照合するようにしたもので
、従来の方法の、１−うにスー（りトルのピークのみで
は区別のできなか、／、冒’′ｌ”！’、を、ピーク以
外の情報にも着１゛１ず／′、）ことＩ／（−，１：　
・−Ｃ分離することが可能となり、？：ｒ’　；（’１
ｊ。ＩＪ識（、ろ友１：°１゛１に１古Ｊ−Ｊ二できる
。。

実施例の説明 第３図に本発明の音素認識法イτ・Ｊ＋、体化する１゛
１声自動認識システムの構成の一実ｈｆｕ例イ「小ず３
゜マイク２０から入った音声信−弓ｉ１、Ａ　、／　Ｄ
変換部２１で１２ｋｔ（ｚザンプリングされ１２ビ、ｌ
にＡ／Ｄ変換する。これを信号処理回路２２て６　ｄ　
Ｂ／　、４クターブのプリエンファシスおよび２０　ｍ
　ｓのハミング窓をかけ、１０ｍ５毎’ｔｃ　線形予測
分析プロセッサ２３にてＬＰＣケプストラム係数を９出
する３、このＬＰＣケプストラム係数で標準パターンメ
モリ２５に登録した標準パターンに対する確率密度関数
又は尤度をマトリクス刷算機２４Ｖこて言１算し結果を
メモリ２了に転送する。一方、パワー泪ａ音１（３０（
７こて音声のパワーを計算し、メモリ２７に転送する。

メインプロセッサ２６でｄ］メモリ２７のデータを用い
てセグメンテーションと名素ｆ、ｌＩ別を行ない、音素
系列を単語辞引２８と照合することによって最も類イ」
）１度の大きい浄語名を認識結宋とし２てＩ１０部２９
ｐこ出力する３、次に本発明に係る１ｌｌ−素認識法の
実ｈ［１１例についで第３図を参照にしｋ・がら詳しく
説明する。

−まず標準パターンの作成方法（・でついて述へる。

あらかじめ多数話者の発声した多数のｒｌ、−，７７ｉ
音声を／ａ／、１０／等の旬１°ｉ　＋／ｍ／、／ｂ／
等の有声子音。

／Ｓ／ＪＶ等の無声ｒ音のような７゛７素に分け、音素
の区切りとラベル伺けを行ってγ冒ｌ・データを作成し
ておく。この音声データを用い、信シＪ″処：１７１！
　１ｉｊｌ路２２及び線形予測分析プロセッーリ２３し
く−より必要とする音素の区間を１０ｍ５程度の分４１
区間毎に次数１５程度の線形予測分析を１Ｊい線形予測
係数を求める６、この線形予測係数からンｌＵｉ化式に
よりＬＰＣケプストラム係数を算出する６、音素ｌにお
けるＬＰＣケプストラム係数をＣよ（ｎ）とすると（ｎ
は音素ｉの出現番号）、ＬＰＣケプストラム係数の平均
値ｍ・　は ここでＮ１　は音素ｉの出現数である。

音素１のＬＰＣケプストラム係数の共分散行列ここでｔ
（／ｉ転置行列であることを示す、。

標準パターンとしては有声と無声、又は有音と無声の同
居しない音素として次のものについて多次元正規分布を
仮定し」二記１，２式、１．す求め標準パターンメモリ
２５に登録しておく。

〔１〕　母音／ａ／、１０／、／ｕ／、／ｉ／、／ｅ／
、／Ｓ／（無声音） 〔２〕　　有声子音／Ｎ／（鼻音）、／Ｂ／（イｉ′Ｉ
′Ａ破裂音）　？　／ｒ／＋／Ｄ／、／ｈ１／　（／ａ
／、１０／。

／ｕ汐つ後続する／ｈ／）／に、／（／ａ／Ｔ１０／。

／ｕ／の後続する／に／） 〔３〕　　無声子音／Ｓ／（無声摩擦音）　＋　／ｈ７
Ｃ／ａ／。

１０／、／ｕ／以外の後続する／ｈ／）、外、／（／ａ
／、１０／、／ｕ／以外の後続する／に／）（ＩＪ、（
２Ｊ式による標準パターン作成には多数話者の音声デー
タにラベル付けした各音素の全区間を使用する。従って
この標準パターンｉＪ−話者の個人差を吸収して不特定
話者に対応できると共に、同−音素内の時間変動を吸収
できる特長も（＋！ｆｉえている。

しかし同−音素内で有声、無声の両方あるいは有音、無
音の両方を持つ等の変動要因の大きい音素は多次元正規
分布を仮定することができないので標準パターンから除
く。。

次にマイク２０から入力さ、１１−だ未知な音声信号に
ついて、信号処理回路２２及び線形予測分析プロセツサ
２３を使用してＬＰＣり゛ブストラム係数Ｃｘを求め、
７トリツクス言１算機２４に転送し、予め求めて標準パ
ターンメモリ２５に収納しである標準パターンｍ工、Ｗ
エ　を用いで、ＬＰＣケプストラム係数Ｃｘ　の音素Ｃ
ｘの音素ｉの４′７’！準パターンに対する確率密度関
係Ｐ□を求め、メモリ２７に記憶する。

未知な音声のＬＰＣケプストラム係数Ｃの音素１の標準
パターンに対する確率密度１′）ｊ数Ｐ１←］、３Ｗｆ
　　（Ｃｘ−ｍ、）］　　　　　　　　　”””（’＝
９ここでｗＨは共分散行列Ｗ□　の逆行列、　Ｌ　ｉ１
ｇＬＰｃケプストラム係数の次数であ２）。

一方パワー割算部３０によりセグメンテーション用パラ
メータを割算しメモリ２７に転」４する。

メインプロセノザ２６でセグメンテーション用パラメー
タを用いて子音区間の確率密度の総和を割算するととも
に有声無声判定及び有音無音”ｇｌＪ定を行いその結果
をメモリ２７に転送する。。

次にメモリ２Ｙより上ＮＩＬ結果を読み出し、メインプ
ロセソザ２６により子音を決定し音素系列をつくるＬ、 その結果と単語辞書２８を、照合し、最も類似度の高い
単語を認識結果としてＩ１０部２９に出力する。

第４図はある成人男子の発声した／ＲＡ　Ｋ　Ｕ　Ｄ　
Ａ／という単語を音素認識した例で、横軸はパラメータ
の種類を表わす、Ａはあらかじめ目視によ−）て分析区
間毎に音素名のラベルイ」けをしたものである。

Ｂは母音の標準パターンに対する事後確率を求めて示し
たもので、同様にＣは子音の標１９−パターンに対する
事後確率を示しだものであＺ）、、Ｄ４．ｌ雪′＜声パ
ワーの時間変化を示したもので、ｌｉＪ音と子音の境界
を決定するセグメンテーションに使用する。

ｌＳ＜無音声であることを示す、、Ｅｉ７ｊ、Ｂの結果
より最も確率の高か−、たけ音を分析区間４Ｕに示した
もの、Ｆは母音の認識結果を小し／４もの、Ｈｌ：　Ｃ
の結果より最も確率の高かった千７′４．　ｆ、’　、
ｊ（）ｉ区間４υに示したものである。又、Ｇｆｄ−音
声が有声音の場合はｖ９無声音の場合し、１］ｕ、無声
音の１易合＆：ｌ：Ｑで示したものである。捷ずり、Ｅ
、Ｇのパラメータを用いて母音と子音の境界を決定し７
、’ｌ”　）ｉｒＦ／ＲＡＫＵＤＡ／の子音／Ｒ／、／
に／＋／Ｄｙの領域を決、定する。決定した／Ｒｆｉ）
区間中−〇’−，ｒｉ’ｒ　４図Ｃに示す子音の標準パ
ターンに７・１する＠Ｉ率の総１ｌＶｌｌを標準パター
ン毎に計算すると／ｒ　７ｊ／）　標７（（パターンに
対する確率の総和が最も太きかつブｒ−こと苓−°ン」
、し、これを認識結果としてＩに示す３．同様しこ／Ｄ
／ｌＪ）区間中で確率の総和の最も大きい標準パターン
ル佃／てあり、これを認識結果として工に示Ｊ−４゜子
音／に、４ｄ、その区間中で有音部（無γ？以外のとこ
ろ）における標準パターン／に１／又は／に２／に対す
る確率が最も高いことと、無音の存在（Ｑで示す）より
、無声破裂音／Ｐ／　として認識し、とれを工に示す。

このように、本実施例はあらかじめ子音に相当する区間
をセグメンテーションした後、そのｒ、　、’ｇ区間Ｖ
こおける各様べｆ２パターンに対する確率の総和が最も
大きい音素しこ相当するものを認識音素とすることを基
本とする。１これに、音素の＋Φ類によ−・て無音の存
在、無声音の存在、子音の１．１続時間を併用して音素
判別を行なう。本実施例に、１゜・いてＬＰＣケプスト
ラム係数を出い、スペクＩ・ルのピークのみでなく、ス
ペクトル全体の形状ＶＣｋ目することと、各標準パター
ンに対する類似度か確率で表示できる点か従来と大きく
異なり、スベク［・ルのピーク周波数の似かよった子音
間の［メ別かしやすく、又認識した音素のイご軸度を表
わすことも可能である。。

これに対して従来の方法ではスペクトルのピークのみに
落目するため、その（ｊＪかｌ、−１たｊ’７（、’、
、　（例えば／ｎ／と／ｂ／、／ｒ／）ｆ：区別するこ
としよしはしは難しかった。例えば第４図の語頭／　ｒ
／−ｉスペクトルのピークのみで判別することに１−難
しい理由により、従来は認識する方法かなく、／Ｎ／又
は／Ｂ／としていた。又、第４図の語中の音素／に／に
おいては、その区間中の無音の存在と有音部の持続時間
のみで決定するため、同様に無音の存在し得る音素／Ｃ
，，／＋／／ｂ／としばしば誤る欠点を持っていた。。

第４図は本実施例によってこれらの欠点を解決した結果
を示している。

以上を甘とめると、本実施例による音素認識法の特長は
次の通りである。

（１）ＬＰＣケプストラムの多次元正規分布を仮定した
音素標準パターンを、多数話者の多敬音声ザンプルにあ
らかじめ音素のラベルイ・］けをして、全てのサンプル
点で作成する／こめ、話者の個人差と同一音素の時間変
動を吸収できる４、（２）ＬＰＣケプストラム係数がス
ペクトル包絡の概略形を表わす特徴量であるため、これ
を用いると、従来のスペクトルのピークのみに着目する
方法に比べ、スペクトルのピークの類似し／こ異音素間
の分離がし易い。。

（３）　　従来法の、一つの音素区間に」、・け２．第
１候補音素数の最も多いものを認識結果とす／、方法に
比し、一つの音素区間における各様７（Ｑパターンに対
する確率の総和の最も大きいものを認識結果とする本実
施例の方か、音素判別のだめの数値の精度が高い。

第５図は語頭子音の認識法を従来の方法と本実施例によ
る方法で比較したもので１１か本実施例による方法の場
合を、１２は従来の方法の場合を示す。

従来の方法では全く認識のできなかった子音／ｒ／。

／２乃二認識できるようになり、／ｂ／＋／ｄ／ｙ／ｑ
／の認識法か大きく向上していることかわがる１゜又、
無声破裂音／ｐ／、／ｌ／、／に／がいずれも向上して
いる。１３は本実施例による甲−均認識法、１４は従来
の方法による平均認識法を示し、５７係から７５％へと
大きく向上し本実施例による認識法の効果の犬なること
を示しててる３３ 第６図は語中子音の認識法を従来の方法と本実施例によ
る方法で比較したもので、１６か本実施例による場合を
、１６が従来の方法の駆１合を示す、。

従来の方法では全く認識のできなか−った／り／か標準
パターンを設けることにより６２％認識できるようにな
り、寸だ、／Ｚ／や／ｂ／、／〔ｌ／に効果の大きいこ
とがわかる３、無声子音も全て向１．シフ、標準パター
ン／に／を設けｊｔコとｔ／Ｃ，１：す！４Ｊｖｒ　／
ＫＪ　に’いて効果の大きいことを示している１、１７
は本実施例での平均認識率を、１８は従来の力〜、での
平均認識法を示し、７６係から８７係・Ｉ−入きく向Ｉ
し、本実施例の有効性を示している４゜発明の効果 以上述べたように本発明は、あらかしめ多数話者の発声
した音声を適度な分析時０４目＋ｊに線形予測分析し、
求めたＬＰＣケブストラノ、係数の多次元正規分布を仮
定した子音の音素又Ｑ］、ど１素グループ毎の標準パタ
ーンを作成しておき、次Ｖこ、不特定話者の発声した入
力音声を同様に線形予測分析し、求めたＬＰＣケプスト
ラム係数の前記標準パターンに対する確率密度又は尤度
とセグメンテーションのための特徴パラメータを求め、
まず特徴パラメータによって子音のセグメンテーション
を行なっプｊ後、その区間の中で前記確率密度又Ｕｒ尤
度に相当する値の総和の最も大きくなる音素をその区間
における音素を決定し、さらに」−記総和値ＶＣ無音の
存在５音素の接続時間等を組合ぜて音素の最終決定を行
うようにしたもので従来の方法に比して音素認識法を大
幅に向上し、高１４１．能の？１つ１語１：！ヒ識シス
テムを実現することができる利点を有する。

【図面の簡単な説明】

第１図は従来の音声認識／ステムのフローを示す図、第
２図は従来方法における子音認識のための音素判別図、
第３図は本発明の音素認識法を用いた音声認識装置の全
体構成の一例を示すブロック図、第４図は本発明の一実
施例でΔうる７ｊ？素認識の例を示した図、第５図は語
頭子音の認識率を本発明と従来例を比較して示す図、第
６図に１、語中子音の認識率を、本発明と従来例を比較
しで示す図である。 ２０・・・・・マイク、２１・・・・・Ａ／Ｄ　　変換
？り１へ２２・・・・信号処理回路、２３・・・・・線
形予測分析プロセツサ、２４・・・・・マトリックス網
算機、２５・・・・標準パターンメモリ、２６・・・・
メインプロセツサ、２７・・・・・・メモリ、２８・・
・・・・単語辞書、２９・・・・・Ｉ１０部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名第１
図 入り肯声 読・轍蹄果

Claims (1)

【特許請求の範囲】
1. 予め多数話者の音声を適度な分析時間毎に線形予測分析
   してＬＰＣケプストラム係数を求め、子音の音素又は音
   素グループ毎に、ＬＰＣケプストラム係数の多次元正規
   分布を仮定した標準パターンを作成しておき、入力音声
   について同様に線形予測分析して求めたＬＰＣケプスト
   ラム係数の前記標準パターンに対する確認密度又Ｕ１、
   先度を分析区間毎に算出し、さらに有声無声判定と有音
   無音判定を行い、セグメンテーションにより求められノ
   こ子音それぞれについて、音素の始端から終端寸での区
   間の前記確率密度又は先度の総和の最大となる１；１素
   を選択し、前記確率密度又は尤度の総和の最大と々る音
   素に、音素の４′−１ｊ゛続時間、有声、無声、無音の
   存在からなる項目のうちの少なくとも一項を組合わせる
   ことにより子音の音素名を決定することを將徴とする音
   素認識法３゜