JPS5988797A - 音声認識方式 - 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、あらかじめ用意された枚数紙の標準音声バタ
ンについて入力音声に対する類似度が最」二位のものを
判定・出力する音声認識装置において、入力音声のディ
ジタルデータについて音声認識の演算処理を限られた所
定ビット長で高精度で行い、認識率を向上するだめの音
声認識方式に関するものである。

〔従来技術〕

この種の音声ＸＭ　Ｍ６！装置における従来の音声認識
方式は、入力音声のレベルの高低にかかわらず、そのデ
ィジタルデータを限られた所定ビット長に対して、その
ままセットするようにしていた。

したがって、入力音声が低レベルのときは、そのディジ
タルデータの多くが下位の少数ビットだけのデータとな
るので、音声認識のだめの演算処理結果（主として乗算
結果）が上記所定ビット長の範囲外のものとなシ（いわ
ゆる桁落ち、または切捨てがされ）、演算精度が悪化し
て誤認識となることがあった。

これを防ぐためには、ビット長を相当に大きくしなけれ
はならず、不経済であった。

〔発明の目的〕

本発明の目的は、」二記した従来技術の欠点をなりシ、
入力音声のディジタルデータについて音声認識の演嘗処
理を所定のビー川・長の範囲内で高精度で行い、認識率
を向上することができる経済的な音声認識方式を提供す
ることにある。

〔発明の概要〕

本発明に係る音声認識方式の構成ｄ１、入力音声を所定
の周期でサンプリングし、そのサンプリングデータを所
定ビット長のディジクルデータとし、それを所定数ごと
にまとめて構成した各フレームについて、その特徴抽出
を行って得た特徴データと用意されている複数組の標準
音声バタンデータとのバタンマツチング処理を行い、そ
の類似度が最上位となるものを認識結果として判定・出
力する機能を有する音声認識装置において、入力音声の
ディジタルデータについて、その各フレームごとに当該
ピーク値を検出し、それが所定値よりも低いときは、そ
のピーク値を基準として当該フレー入内の各ディジタル
データを所定ビット長内で正規化し、これに基づいて以
後の音声認識の演算処理をせしめるように制御・処理す
るものである。

これを要するに、」二記のようにディジクルデータを正
規化することにより、低レベルの入力音声の演算結果の
桁落ちをなくシ、所定ビット長で高精度の演算処理をし
て認識率を向」二せしめようとするものである。

〔発明の実施例〕

以下、本発明の実施例を図に基づいて説明する。

第１図は、本発明に係る音声認識方式の一実施例の方式
構成図、第２図は、その処理フローチャー１・である。

ここで、１は、音声入力に係るマイクロフォン、２は、
認識結果表示、音声入力指示に係るスピーカ、３は、認
識結果の確認および繰り返し音声入力の指示に係るコン
ソール部、４は、標準音声バタンメモリ、５は、標準音
声バタン選択部、６は、音声認識部、７は、認識結果表
示、音声入力指示に係る音声合成部、８は、制御部、９
は、認識結果に従って所望のシービス処理をするホスト
装置、１０は、バタンマツチング処理の結果によって人
の 力音声に対する類似度の高いもを判定する判定部、Δ １１は、入力音声から特徴データを抽出する分析部、１
２は、入力音声信号の利得調整・帯域制限を行った後、
そのディジタル変換をする入力部、１３は、ディジタル
変換したサンプリングデータを格納する入力データメモ
リである。

まず、音声認識処理に先立ち、制御部８は、音声入力に
対する準備を入力部１２へ指示するとともに、その時の
認識対象となるべき種類の魯準音声パタンの各組を標準
音声バタンメモリ４から選択するよう標準音声バタン選
択部５に指示する（第２図の処刑２１）。

これらの準備が完了すると、発声者に対して音声入力を
促すべき入力催告メツセージを出力するよう音声合成部
７に指示するので、スピーカ２から上記入力催告メツセ
ージが放声される（同処理２２）。

これより、発声者がマイクロフォン１から音声を入力す
る（同処理２３）。

次に、入力された音声は、所定の周波数（例えば６．８
　ｋ　Ｉ−Ｉ　Ｚ　）でサンプリングされ、そのサンプ
リングデータを所定個数（例えば１０２個）で構成され
るフレーム（例えば１．５　ｍ　Ｓの時間１交）ごとに
所定ビット長（例えば１１−ビット）のディジタルデー
タ形式で入力データメモリ１３へ格納される（同処理２
４）。

入力データメモリ１３へ格納されたサンプリングデータ
の最大値（ピーク値）が所定値より低い場合（例えば、
その有効数字が上記所定ビット長の下位１／２ビット長
部分にしか存在しない場合）、制御部８は、そのピーク
値を基準として（例えば、その有効数字を上記所定ビッ
ト長の最高位部分までシフトして〕、そのフレームの全
ディジタルデータを当該所定ビット数だけ左シフト（ビ
ット調整）をして正規化し、入力データメモリ１３へ再
格納するとともに、シフト数を分析部１１へ伝えるよう
に入力部１２へ指示する（同処理２５）。

分析部１１では、送られてきた音声データを分析し、そ
の特徴データを抽出する。その際、入力時の絶対レベル
の必要なパラメータ（例えば、音声パワー　）に関して
は、その値をシフト数によって調整する（同処理２６）
。

上記の動作を全フレームに関して行なう。

次に、音声認識部６は、標準音声バタンと入力音声との
間でバタンマツチング処理を行い、入力音声と標準音声
バタンとの類似度を判定部１０へ伝える（同処理２７）
。

判定部１０は、類似度が最上位の標準音声・ぐタンを認
識結果として制御部８へ伝える（同処理２８）。

入力音声に対して最も確からしい類似度の値が低く、そ
れを認識結果として出力するのは疑わしいとすべきりジ
ェツトの場合、制御部８は、標準音声バタン選択部５に
対し、今まで選択しているものと同一バタンを選択する
ように指示する（同処理３１）。

次に、制御部８は、音声合成部７に対し、発声者の再発
声を促すメツセージを出力するよう指示する（同処理３
２）。

壕だ、リジェクトではない場合、制御部８は、その認識
結果が正しいものであるか否かを発声者に確認させるだ
めの表示として、確認要求メツセージを音声合成部７か
ら出力させ、それをスピーカ２から放声させる（同処理
２９）。

発声者は、これを聴取して、入力音声が正しく認識され
たのか否かを知り、その旨をコンソール部３から制御部
８へ入力する（同処理３０）。

制御部８への認識結果の正否の確認入力は、必ずしもコ
ンソール部３における操作による必要はなく、マイクロ
フォン１からの確認用音声の入力によってもよいが、そ
の内容は、音声認識が確実に行われるように、簡単で誤
認識しにくいものであることが望ましい。

制御部８は、上記確認情報により、」二連の認識候補が
正しいものであるときは、それを認識結果としてホスト
装置９へ送出し、１つの入力音声に対する処理を終了せ
しめて次の入力に備える。

一方、誤認識であったという確認情報を受けたときは、
制御部８け、リジェクトの場合と同様に、標準音声バタ
ン選択部５に対して同一標準音声バタンを選択するよう
指示するとともに（同処理３１）、４人力の催告メツセ
ージを出力するよう音声合成部７に指示する（同処理３
２）。

以上の動作を正しい認識結果が得られるまで繰り返し、
正しい認識結果が得られたときは、上述のごとくホスト
装置９へ送出して処理を終了する。

このように、ディジタルデータのビット長を増大しなく
とも、低レベルの入力音声データを桁落ちさせることが
なくなるので、高精度の認識演算が可能となって誤認識
の防止となる。

〔発明の効果〕

以上、詳紐に説明したように、本発明によれば、必要最
小限のビット長のディジタルデータによつ−Ｃ高精度の
成算結果が得られるので、この種の音声認識装置の経済
化、認識率向上、サービス性向上に顕著な効果が得られ
る。

【図面の簡単な説明】

第１図は、本発明に係る音声認ｎ、λ方式の一実施（９
） 例の方式構成図、第２図は、その処理フローチャートで
ある。 １・・・マイクロフォン、２・・・スピーカ、３・・・
コンソール部、４・・・標準音声バタンメモリ、５・・
・標準音声バタン選択部、６・・・音声認識部、７・・
・音声合成部、８・・・制御部、９・・・ホスト装置、
１０・・・判定部、１１・・・分析部、１２・・・入力
部、１３・・・入力データメモリ。 代理人　弁理士　福田幸作 （ほか１名） （１０）

Claims (1)

【特許請求の範囲】
1. ■、入力音声を所定の周期でザンプリングし、そのザン
   プリングデータを所定ビット長のディジタルデータとし
   、それを所定数ごとにまとめて構成した各フレームにつ
   いて、その特徴抽出を行って得た特徴データと用意され
   ている複数組の標準音声バタンデータとのバタンマツチ
   ング処理を行い、その類似度が最上位となるものを認識
   結果として判定・出力する機能を有する音声認識装置に
   おいて、入力音声のディジタルデータについて、その各
   フレームごとに当該ピーク値を検出し、それが所定値よ
   りも低いときは、そのピーク値を基準として当該フレー
   ム内の各ディジタルデータを所定ビット長内で正規化し
   、これに基づいて以後の音声認識の演算処理をせしめる
   ように制御・処理することを特徴とする音声認識方式。