JPS5979295A - 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】 〔発明の利用分野〕 本発明は音声認識装置において、同一カテゴリに属する
複数個の音声パタン全容カテゴリの標準バタンとして設
置する峰声標準パタンの作成方法に関するもので、さら
に具体的には本発明者らにより特願昭５６−２０３７３
１　号で提案された方法の改良に関する。

〔従来技術〕

不特定話者対象の音声認識装置における標準バタンは、
多数の話者の音声を細部にわたって代表したものである
ことが望ましい。この様な標準バタンを作成するには、
音声の話者特有の−ｍ埋的肋。

徴と音声特有の音響的特徴（いずれも音声の９　敵の中
に畳み込まれて人っている。）と全区別して第１段で話
者の物理的特徴の違いによる話者の分類をした後、第２
段で音声特有の音響的特徴から多数話者の音声を細部に
わたって代表した標準バタンを取シ出す事が必要である
。

従来の話者の分類方法は無声化や外音化の起こらない発
話的に安定している音声を用いて行う方法（特願昭５６
−２０３７３１号）や音声の基本周波数（ピッチ）情報
の違いに着目して行う方法などがあった。しかし、前者
の方法は、発話的に安定している音声が時間構造を含む
事から話者の物理的特徴全完全に分類するには至らず、
また後者の方法は、ピンチ情報の抽出が難しくかつ抽出
誤りが多いことなどから実用には供しないという問題が
あり、音声の特徴を細部にわたって代表した標ｉｆ／ｌ
バタンの作成は困難であった。

また、同一内容の音声バタン全複数個の組に分類する従
来の方法は、単純に音声のスペクトラムなどの祝祭から
分類したり、各組の初期の代表バタンケもとに類似して
いる音声バタンをその、岨に割りふるクラスタリング手
法（例えばに−ｍｅ、１ｎｓｊｔｅｒａｔｉｏｎ　　法
　；　　ＩＥＥＥ　　Ｔｒａｎｓ　、　ｏｎ　　７Ｘｃ
ｏｕｓｔ　、　。

５ｐｅｅｃｈ、　ａｎｄ　ＳｉｇｎａＩｐｒｏｃｅｓｓ
ｉｎｇ、　ＶＯｌ、ＡＳＳＰ−２７，Ａ２．　Ａｐｒ　
’７９．　”　Ｉｎｔｅｒａｃｔｉｖｅ　ＣＩｕｓｌｅ
ｒｉｎｇＴｅｃｈｎｉｑｕｅｓ　ｆｏｒ　Ｓｅｌｅｃｔ
ｉｎｇ　５ｐｅａｋｅｒ　−Ｊｎｄｅｐｅｎｄｅｎｔ　
１ｅｆｅｒｅｎｃｅ　’［”ｅｍｐｌａｔｅｓ　−ｆｏ
ｒＩｓｏｌａｔｅｄ　ｗｏｒａ　Ｂｅｃｏｇｎｉｔｉｏ
ｎｕＳ、Ｆ４．ｚｙｉｎｓｉｏｎｅｔａｌ）などで行っ
ていた。しかし、視堅からの分類は不確芙であり、はじ
めから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バタンによって大幅に効
果が２Ｊ４なるという問題があった。

〔発明の目的〕

本発明は上記問題点全解決するためになされたもので多
数話者の音声ケ乳１部にわたって代表する標準バタンの
作成方法及び設短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全提供することを目的とする。

〔発明の総括〕

この目的全達成するために、本発明では第１ステツプと
して多数話者の発声した音声から、話者特有の物理的特
徴を安定にかつ満遍なく表わしている５母音を取り出し
、５母音の特徴の違いにもとづく話者の分類を行い、第
２ステツプとして、　　　　・分類された各々の話者の
組において、発話的特徴の違いにもとづく分類を行い、
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、もつとも類似している音声の話者か
らｊ−に同じ組の話者として分類するいわゆる初期の代
表パタンによらない自動階層的クラスタリング手法なう
点に第２の特徴がある。

〔発明の実施例〕

まず、本発明の原理を詳細に説明する。

一般に、１千声の特徴は発声した音声の内容を表わす片
開特有の音響的特徴と話者の口腔や鼻ｊ疫などのに声器
官の構造の違いによる話者特有の物理的ｔ１°ケ徴とが
ある。

第１図は、音声の２大特徴でおる音韻特有なものと話者
待４］なものと金表わしたもので、話者Ａ、１３元辺の
１υｉ、：（ｖｏＷｅｌ）ｌａｌ、　ｌｉｔのスペクト
ル概形テする。スペクトル上のピークにその音韻固有の
ｔ１ヶ徴（ホルマント周波数、周波数の低いほうから第
１．ε１）２・・・・・・ホルマントと呼んでいる）を
示し、母■・１ａ１と１１日ケど音韻特有の音響的性：
？４（ｋ表わしている。一方、音声器官の物理的特徴の
違いによる話者肴イ１の特徴は、上記ホルマント周波数
のズレ（ピークのズレ）と共振の鋭さの違いおよびスペ
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＋！ｉりのスペク
トル概形がズして（八ることから明瞭であろう。

前記ホルマントは時に母音（日本語ではｌａ＋’＋ｕ、
ｅ、ｏｌ　の５つ）を特徴づけるものであシ、声帯が周
期的に開閉することにより生じた振動波が音源となり、
口腔と鼻腔の形によって決まる共鳴特性によって変形さ
れて、母音の４１Ｘ類によりＬ侍’；ｊｌの周波数成分
が強調された結果である。第２図は、母音１ａｌと子音
１ｓＩとのスペクトラム概形を示したもので、母＝　ｌ
　ａ　ｌのホルマントに比べて子音＋３１のホルマント
は明確には現われていない。第３図は、第１ホルマント
全４黄ｉ和、第２ポルマントを縦軸にして５母音別に表
わしたものであるＣＰＩ　　Ｆ２図）。この図では、男
・女声の代表νりを記号別に示すとともに、話者や環境
の塵による変動の範囲を点線で示している。５母音の範
囲にはかなりの重複が見られるが、男・女声のｆ／ＩＪ
のように話者特有の変動は５母音の相対的関係を保持し
たまま平行移動するのが通例である。

このような仮雑な特徴を呈する音声を認識しようとする
場合（４１斤に不特定多数の話者の音声）、話名］ｔ４
１の相徴の変動を補正するか、似かよっている話者の組
ごとに標準音声を複数個用意することが必要となってく
る。しかし、前者の話者間の変動全補正することは未だ
理論的には亢奮に解明されておらず、後右の方法が唯一
の手段となっているのが現状である。従って、音声の特
徴が似ている話者の組の分類手段が望まれることになる
。

このような現状にたいし、本発明では〔発明の概友〕で
述べた通り、第１ステツプと第２ステツプによる分類を
おこなってから、いわゆる初期の代表パタンによらない
自動階層的クラスタリングをおこなう。

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、を次のように費素ｘ　ｉｌｌ
　＊用いて表示する。

Ｗ　、　−（ｘ、Ｉｌｌ　、　ｘ、１１．　、、、、、
、、、、、　Ｘ　、、Ｉ（ｌｌ　）１１６１　庫略、ｉ
　１Ｎ　＝Σ＋ｎ、ＭＨ；７ラスタＭ最初に必要な情報
は個体ｘｋとＸ２間の距離（類似度など）ｄ（Ｘｋ、ｘ
Ｌ）であり、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ＤＩ
、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ｃｉ、Ｍｖｃなるまで繰り返す。以上
をまとめると次のようになる。

（１）　　各個体間の距離ｄ　（ｘｋ、ＸＬ）’（ｉ＝
求める。

（１１）各クラスタ間の距Ｉｆ［ＩＤｔ」’（ｉ＝次の
ように定義して求める。

又は　　　Ｄ＋１＝　ａＶ　（ｄ　（ｘｋ（１１，ｘＬ
（月に＋ｔ （平均距離） （１１０クラスタの融合を行う。

翰　所望のクラスフ数になるまで（１１）、（曲を繰り
返す。（但し、繰り返し回数１は、１≦Ｉ＜Ｎ−１）た
とえば、個体数５の場合、Ｍ−１にするまでの上記（１
）〜（Ｉｌｉ）のステップは（１）個体間の距１）ｊ（
Ｅ　ｆｆ：求める。

初Ｊυ」のクラスタ状態’　ｗ＋　””（Ｉ　Ｌ　ｗ２
−（２ＬＷＳ　−（３）　＋　Ｗ４−（４）　。

ＷＳ−（Ｓ）　　に対して、以 下のように第１回の融合 をおこなう。

（ＩＩ）クラスタ間の距離を求める。

１）＋２−−５　、　Ｄｌｓ”’１０　、　Ｄ１４＝　
１０　、　ＤＩ！ｌ”２０　、１）２３＝５　、　Ｄ、
、＝＝ｌ　、　Ｄ２６＝１３　、：Ｄ３＜＝４　、　Ｄ
！５＝２　、　Ｄ＜５−＝１０（曲　距離が最小となる
クラスタｗ２とＷ、の融合をおこなう。

この結果生ずるクラスタの状態： ＷＩ　−（１）　ｒ　Ｗ２　””（２＋　４　Ｌ　Ｗｓ
　−（３Ｌ　Ｗ、−（５）に対して、以下のように第２
回のＦａ！に合をおこなう。

（１υ　Ｄ＋　２　＝１０．　Ｄ＋　ｓ＝１０．　Ｄ＋
　＊”’２０．　Ｄｚｓ　＝５．　Ｉ）２５　””１３
、　Ｄ３．　＝２ （曲　距離が最／Ｊ−となるクラスタｗ３とＷ、の融・
ａをおこなう。

この結果生ずるクラスタの状態： ｗ、　−（１）、　ｗ２＝（２１４Ｌ　ｗ、＝（３１５
）　　に対して、以下のように第３回の融８−ヲおこな
う。

（Ｉｔ）　　Ｄ＋ｔ”１０．Ｄ＋５−２０．Ｄｚ３＝１
３０１１）距離が最小となるクラスタｗ、とｗ２の融合
をおこなう。

この結果生ずるクラスタの状態： ＷＩ　−（Ｌ　２＋　４Ｌ　ＷＳ　−（３＋　５　）に
対して、以下のように第４回の融合金おこなう。

（ｆｆ）　　Ｄ＋　ｓ　−＝　２０ ０１０　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　）のごとく唯一
つのクラスタに融合され、Ｍ＝ＩＫなるから融合の処理
を終了する。

ここで、ク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Ｒ０を定義する。

　　ｔ 　　ｔ この平均匝比が大きい程、クラスタ間のオーバラップが
少なく、良く分離している。木兄、明け、この平均（直
比を用いて、分離の良いクラスタ数を決定する方法をも
提供するものである。

本発明の第１ステツプで用いる発話者の５　ｆｄ叶間の
違いは、谷々５母廿間の距離（あるいは類似度）の和と
して次のよりに定義する。

話者Ａの５母音の特徴量　ＸＳ・Ｘｚ・Ｘ乙ｘ：、ｘ含
話者Ｂの　　　　　　　Ｘ、、Ｘｌ、Ｘｕ、Ｘ、、Ｘ。

話者ＡとＢとの５母音間の距Ｉｔｊｉ￥、　Ｄ＾ＢＤＡ
Ｂ−ｄ（Ｘｌ：、Ｘｌ：）十ｄ（Ｘ↑＋　ｘ？）　＋ｄ
（ＸＣ＋　ｘｕ）＋ｄ（Ｘｚ、ＸＳ）＋ｄ（ｘｏ、Ｘｏ
）・・・・川・・（２）但しｄ　−（ＸＡ、　ｘ　Ｂ　
）はＸＡとＸｌｌとの距離各話者の５母音は発話的に特
徴が安定している単語から切シ出した。具体的には、音
声１ｂａｉｌがらｌ　ａ＋と＋ｉ＋、１ｋｙｕｌからＩ
ｌｌ、１自ｅ１からｌｅｔ、ｌｏｗａｒｉｉがらｌｏｔ
’！ｒ取り出した。第４図は、５０人の話者（番号１〜
５０で示す）の５母音の距離をもとに、階層的クラスタ
リングの手順にて話者の分類ヲ行った結果である。横軸
は話者番号、縦軸は融合して行く距離（尤度比）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イ゛ｊって、上佼長的にはひとつ
のクラスタになって行く過程を示している。この結果、
例えば４組のクラスタは融合距Ｐｉｌ１１．０付近で、
次のように男、女声の話者がほぼ確実に分類されている
。

Ｗ＋　−（２＋　３＋　４＋　９．＠、　１２．１３．
１７．１８．１９゜２２、３３．３７．３８．３９．４
０．４１．４２゜４３） Ｗ２　＝＋２３．２４．２５．２Ｇ、　２９．３０．３
１．３２）・・−（■・７・０・＠・（換・′専（畔抄
・■・■・（す） ｗ、−（■・■・■・［相］・０・■・Ｏ・（廊（鉛・
Ｏ・吟５０） （０印は女声の話者蚕゛号を示す。） 第５図は不発り」の処理により、複数の標準バタン全作
成して認識実験全行った結果である。入力音声は１００
人の１０数字である。（ａ）は入力音声が同性の組にて
認識された割合（同性識別率）を示しており、ｌ持願昭
５６−２０３７３１号の方・法（ｌｈａｉ１全使って話
者を分類）よりも本発明による方法の方が同性識別率が
良く、話者の分類が良好に行われている。（ｂ）は各入
力音声の認識率を示してお９、本発明による方法の結果
が良好であることがわかる。

次に第６図を用いて、分類の良いクラスフ数ケ決定する
方法を説明する。第６図は、２０人の話者が発声した音
声に階層的クラスタリング全適用した時の式（１）で定
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
れていると仮定した場合、平均比ｈｌ＃比が２．０以上
になっていれは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。１ｓａＪ。

ｌ　ｈａｅｈｉ　ｌはクラスタ数２ですでに分離の良い
組分けができているが、一方１ｎｉｊ、　１ｒｏｋｕｌ
に関し又は、４個のクラスタが必装となっている。従っ
て、距離比を例えｉ、−１：２．　Ｏとするクラスタの
数を求めるコトによって、各音り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。

つぎに、本発明の具体的実施例を詳訓に説明する。第７
図は、本発明を用いた音声認識装置の一実施例のブロッ
ク図である。入力音声７１はザンプリングされる際の折
り返し雑發を除去するために、低域ｐ波器（ＬＰＦ’Ｊ
７２で高域周波数をカットきれた後、アナログ−ディジ
タル変換器（ＡＤＣ）７３でディジタル直に変換される
。その後、特徴パラメータ分析回路７４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、
例えば自己イ１」関係数、線形予測分析（ＬＰＣ分析：
Ｌｉｒｃａｒ　ｐｒｅｄｉｃｔｉｖｅ　Ｃｏｅｆｆｉｃ
ｉｅｎｔｓ）結果の各４ｉしく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１’ｉ１１．計算回路７５にて、話者の組
に対応したａ数個の片開標準バタンイモリフ６から読み
込まれた音ノ！ｊの構成要素である音韻の特徴パラメー
タと人力１、ｆ　１！：ｊの特徴パラメータとの距ＮＬ
（例えば尤度比やユークリッド距離など）が求められる
。距離計算回路７５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７５
にて、音韻標準バタンとの距離と単語辞、書メモリ７８
から読み込まれた音声の時間構造を表現する情報をもと
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７９にて総距
離の大小関係が比軟され、認識結果７１０が出力される
。本発明は音韻標準バタンメモリ７６に格納されている
標準バタンの作成方法を与えるものである。

第８（２）は、本発明による標準バタン作成装置の一実
施？Ｉｌヲ具体的に示したものである。標準バタンを作
成するのに必俄な音声データや操作上必我な各種入力パ
ラメータなどの入力情報８１がＣＩＬ’ｌ’８２やＭ／
Ｔ読取Ｉａ８３から入力され、本発明の原理に示した処
理がＣＰＵ８４にてイｉわれる。その処理はＣＲＴ８２
　、　Ｍ　／　Ｔ　ｗｅｔ取磯８３そしてＤ　Ｉ　Ｓ　
Ｋメモリ８５を有機的に使ってイーｒわれ、標準バタン
１Ｗ報がＭ／Ｔ抗取イ残８３を介して出力佇ｆ報８６と
して出力される。

第９図の処理の流れにて、前記ＣＰＵ８４で行われる本
発明の処理について具体的に説明する。

まず入力情報として、話者数Ｎ１単飴数工の音声情報や
所望の話者の組数Ｍなどが入力され、第１段の話者の分
類が５母音の特徴の違いを使って行われる。この分類の
手順は各話者の発声した発話的に安定している単語から
５母音を取シ出しく５１８Ｊ８−セグメンテーション）
、５母音間の距離を前記式（２）から計ｐ−する。その
後階層的クラスタリングの手順にて話者の組数がＨｒ望
の組数Ｍになるように行われる。第２段では、話者の組
ごとに各単　・詔において発話的特徴による分類が行わ
れ、単語の系列の組が決定する。更に、単語の各系列の
代表バタン金相いて、最終的に複数組の標準バタン（マ
ルチテンプレート）が決定される。本実施例では、代表
バタンから音韻を切り出し、音韻標準バタンの作成全行
っているが、単語音声単位の標準バタンなどの作成も可
能になることは言′）までもない。

〔発明の効果〕

以上６兄明したごとく、本発明によれば、音声の特徴に
たた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、多数話者の分類が′
＃度艮く行われ、従って多数話者の音声を細部にわたっ
て代表する漂準パタンの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ることにより、初期
の代表バタンによらない分類かり龍になる効果もある。

【図面の簡単な説明】

第１図は音韻特有なものと話者荷重なものと金表わす母
音１ａｌと＋ｒ＋のスペクトル、政形図、第２図は母音
と子音との特徴の差を衣わす、１υｉイｌａｌと子音１
ｓＩのスペクトル概形図、４３１ｓｌは話者による５母
音の第１、第２ホルマント分布を示す図、第４図は、５
０人の発声したミルから５母音を取り出し、１昔層的ク
ラスタリング全通用した時のクラスタ融合の過程を示す
図、第５図は本発明全適用して標準パタンを作成し、認
識実験を行った結果を示す図、第６図は除屑的クラスタ
リングの際のクラスタの梢ＩＬ　ｆ　ｆｉわす尺度であ
るクラスタの距離比の変化を示す図、第７図は本発明を
用いた音声認識装置のブロック構成図、第８図は本発明
による標準バタン作成装置の一実施１タリの処理ブロッ
ク図、第９図は本発明にょる標皓バタン作成処理の７０
−チャートでるる。 ６・・・音韻標準バタンメモリ。 第　１　図 （１）　　母も　　ｌａｌ 彫度数（Ｋｌ−ＩＺ） （１１）　　　母盾　ｆｉｌ 周抜数（ドＨ２） χ　２　図 周う皮１≦タミ〔卜ζＨｚｌ Ｘ　Ｓ　　図 入力前ｐ 第　６　図 →クラス７妻（

Claims (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声パタ
   ンを各カテゴリの標準ノくタンとして設置する音声標準
   バタン作成方法において、５母音の特徴の違いにもとづ
   いて複数話者を複数の第１の組に分類する第１のステッ
   プと、上記各カテコ゛りごとに上記分類された第１の各
   組に属する話者を発話的特徴の違いにもとづいて第、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
   により肖分耕された第２の骨組を代表する上記音声ノく
   タンに対応するパタンをず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第３の
   ステップとからなること全特徴とする旨声標卓ノくタン
   作成方法。