JPS60262199A - 母音区間検出装置 - 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】 ［産業上の利用分野１ 本発明は音声波形の時間変化に対する振幅変化に対して
サンプリングやその他の処理を行うことにより、母音区
間に対応する区間を検出して出力する母音区間検出装置
に関Ｊる。

［従来の技術］ 従来、この種の母音区間検出装置は、まず音声波形の時
間変化に対する振幅の連続変化をサンプリングして複数
の値の列に変換づる。次に、このそれぞれの値を２乗し
て音声の短時間エネルギーの値の列に変換する。一般に
、音声のエネルーＶ−は母音区間に比較して子音区間は
低くなっているため、次に、複数の閾値を設定してこの
短時間エネルギーの値の列が閾値を上下する時点を検出
して母音区間の始端及び終端を決定していた。ここにお
いて非常に重要な意味をもつこの閾値は、予め音声を入
力する際の周囲の雑音や共鳴状態の複雑な音響環境等を
考慮して設定する必要があった。

しかし、一定であることを前提としている雑音１ノベル
に予期しない変動が生じること等により、雑音レベルと
音声レベルとの区別が不可能になる問題点があった。

この問題点を解決するため、ただ単に音声波形の短時間
エネルギーの値の列が定められた閾値を上下することの
検出によるだけでなく、他の処理との組み合わせによる
母音区間の決定が行なわれていた。他の処理としＣ例え
ば、音声波形の符号のみを残して振幅を１ビツトに量子
化する雪女差波分析がある。この分析と前記１！ｌ値に
関する分析とを組み合わせることによって一時的な増大
により定常的な音声レベルに達した雑音と音声との区別
を行っていた。

また、音声波形に対して各種演算等の多数の処理を実行
し、周波数とエネルギーとの関係をめて周波数スペクト
ル分析により母音区間を決定することも行われていた。

［発明が解決しようと覆る問題点］ 音声の短時間エネルギーの値と予め設定されＩこ閾値と
の関係の分析における閾値の設定は、周囲の雑音や共鳴
状態の音響環境等を考慮しなければならず、最適な値を
めるのが非常に難しい作業であった。まＩこ、このよう
にして様々な条件を検問して設定した閾値も、音声入力
時にお（プる話各の動作や周囲の状況の変化等により予
期しない雑音が混入した場合には不適当な値どなってし
まい、誤認の原因どなっていた。また、このような雑音
の影響を除去するために例えば雪女差波分析等の他の分
析を併用することが行われたが、非常に複１１な処理ど
なり処理時間の増大につながっていた。

また、別の手段として音声波形の周波数スペクトル分析
が行われたが、やはり処理が非常に複雑になり、膨大な
量の演算を実行する必要を生じるため処理時間が長かっ
た。従って、何れの手段も音声認識の実時間処理に６け
る一過程としての母音区間検出には時間がかかり過ぎて
満足のいくものではなかった。また、一般に日本語の“
′ば″という発音のように子音区間から母音区間への移
行部にバーストのような現象が生じる場合は、音声のエ
ネルギーが子音区間から母音区間へか【）て単調増加を
するとは限らず、一旦減少した後再び増加するといった
ことが起こり得る。特にこのような＼ 発音に対しては、そのエネルギーと予め定めた閾値どの
上下関係により中純に母音区間を決定するのは非常に不
都合なことであつＩこ。

［発明の目的］ 本発明の目的は上記従来の問題点を解消し、バースト等
を含む音声のようにエネルギーに逆転が生じたり、予期
し得ない雑音が一時的に混入したりしても、これらのエ
ネルギーの変動の影響を極力低く抑え、しかも簡潔な短
時間の処理により母音区間を検出することのできる母音
区間検出装置を提供することにある。

［問題点を解決するための手段］ 本発明においては、入力されＩこ音声の前記短時間エネ
ルギーの値の列を一部重複する値を含む複数のフレーム
に区分してそのそれぞｌ’ｔのフレームを代表するフレ
ーム値を設定し、次にこのフレーム値の列が所定の値以
」二である区間に対応するデータ信号を母音区間として
出力している。

［作用］ 短時間エネルギーの値の列を一部重複する値を含む複数
のフレームに区分してそのそれぞれのフレームを代表り
−るフレーム値を設定することにより、バーストや予期
しない短時間の雑音の混入等の影響による短時間エネル
ギーの急激な変化、例えば子音区間から母音区間へかけ
ての短時間エネルギーの逆転等の変化が吸収される１、
しかし、子音区間と母音区間とにおける音声のエネルギ
ーの差は十分に現われるため、闇値を設定しにの闇値と
フレーム値との関係を判断することにより、演算量も少
なく短い処理時間で容易に母音区間を検出することがで
きる。

［実施例］ 以下、第１図乃至第５図を参照し−Ｃ本発明の一実施例
を説明する。

第２図において膠者の発音し／ｊ音声が収音されるマイ
クロフォン１は、増幅器２を介してへ／Ｄ変換器３に接
続されている。ここで、増幅器２はマイクロフォン１で
収音した音声のレベルを以後の処理に適するレベルに増
幅するものである。また、Ａ／Ｄ変換器３は中央処理装
置（以下ＣＩ−’　ＬＪと称す）４に接続されでいる。

またＣＰＬＩ＝ｌＩには各処理のプログラム等が書き込
まれているＲＯＭ（読み出し専用メモリ）５及びＲＡＭ
（読み出し円き込み可能なメモリ）６が接続されている
。ここで、ＲＡＭ６は、Ａ／Ｄ変換器３でサンプリング
された音声波形の振幅値が次々に書き込まれていく振幅
バッファ５ａ、前記振幅値に基づいて算出された短時間
エネルギー値が書き込まれていくエネルギーバッファ６
ｂ、前記短時間エネルギー値に基づいて算出されたフレ
ーム値が出き込まれていくフレームバッファ６Ｃ等とし
てのワーキング用としてはたらくようになっている。

上記構成にｄ３いて、次にその動作を話者が日本語の゛
ばパを発音し／ｊ場合に′ついて説明づ゛る。

話者が発音した°゛ば″の音声は、まずマイクロフォン
１で収音され増幅器２で適止なレベルに増幅された後、
Ａ／Ｄ変換器３でのサンプリングにより時間変化に対す
る音声波形の振幅の変化を示１　す複数の値の列として
のデータに変換されてＣＰＵ４へ入力される。ここで、
第１図ステップ２１で示すＡ／Ｄ変換は４ｋ　Ｈｚまで
の音声波形の情報を冑るためにサンプリングの定押より
ザンブリング周波数を８ｋｌ−１２として行っている。

従って、音声波形の振幅データが１秒間に８０００個、
言い換えれば１２５マイクロ秒毎に１個の振幅データが
得られ、順次振幅バッファ６ａへ書き込まれていく。口
の各振幅データのうち隣接するものをそれぞれ直線で結
び、横軸に時間、縦軸に電圧をとって図示すると第３図
（ａ　）に示すような波形図となる。また、このＡ／Ｄ
変換は、マイクロフォン１のスイッチがＯＮされたこと
をＣＰＵ４が検出することにより開始され、ＯＮされて
いる間実行される。従って、波形図には音声区間の前後
に雑音のみの区間が現われている。この１２５マイクロ
秒ごとの振幅データのうち１番目の振幅データをＡ　（
ｑ　）で表わすことにする。ここで、ｑは１からｎまで
の整数であり、ｎは振幅データの総数である。また、ｑ
が１増加すると時間は１２５マイクロ秒経過する。次に
ステップ２２へ進み、ステップ２１で得られたｎ個の振
幅データ△（ｑ　）のそれぞれを２乗してｎ個の２乗値
５（ｑ）の算出を（うい、順次２乗バッノア６ｂへＶ〕
き込んＣいく。次にステップ２３へ進み、２乗値５（（
１）の６４個毎、ダなわら、８ミリ秒ごとの和をとって
短時間エネルギー値Ｅ（ｊ）とする。つまり、と表わさ
れる。ここＣ１ｊは１から（ｎ／６４）までの整数をど
る。横軸に時間をとり、縦軸にＥく、ｊ）をその最大値
を基準にして対数表示すると第３３図（１））のように
なる。次にステップ２４へ進み、ステップ２３で算出し
た短時間エネルギーＩＵＥ（ｊ＞の列を隣り合うフレー
ム同志で３個の短時間エネルギー値Ｅ（ｊ）が重複する
ようにフレーム化し、での−でれぞれのフレームにおい
τり、１１時間エネルギー値Ｆ　（ｊ　）の和を算出し
てこれをそのフレームのフレーム＋１ｔＪＦ（ｔ）とす
る。これを式で表わすと、 ここで１は１から（’＋１．／６４−３　）までの整数
をどる。横軸に時間、縦軸にこのフレーム値Ｆ（［）の
列をその最大値を基準に正規化したものをとって図示す
ると、第３図（Ｃ）のようになる。次にステップ２５へ
進み、フレーム値１＝（ｔ）の列が予め設定してあった
閾値Ｔ＝０．３を上回る時点ｔ１および閾値Ｔ＝０．３
を下回る時点ｔ２に対応するデータ信号７を出力する。

この２個の時点により区切られた区間とこれより前の区
間とでは、第３図（ａ　）かられかるように、音声のエ
ネルギーが大きく異なる。すなわち、後の区間の音声の
エネルギーの方が前の区間の音声のエネルギーよりも高
くなっており、この区間が母音区間であることが確認で
きる。また、この区間は、同一の音声のデータから得ら
れたスペクトルグラム（図示していない）において母音
区間と判断される区間ともほぼ一致する。また、全く同
様な処理によって゛き″及び゛ず″と発音した音声につ
いて母音区間を検出した例を第４図及び第５図にそれぞ
れ示す。これらの例においてもフレーム値Ｆ（ｔ）の列
が閾値ｒ＝０．３を上回るＩｆ”ｊ　１７ｉ　Ｌ３　、
１’、ｓ及び閾値Ｔ＝０．３をト回る時点ｔ４．　ｔｓ
に対応するデータ信号が出力され、これらの時点により
区分された区間はやはり母音区間どなっている。

１発明の効果］ 以上に詳述した通り、本発明に係る母音区間検出’Ａ’
ＰＩは、周囲の雑音レベルや音響特性に一時的変動が起
きる場合、また、パーストを含む日本語のパば′の発音
のように時間に対する音声のエネルギーの変化に逆転を
生じる場合等においてもこれらの変化の影響を極めて低
く抑えることができるため、音声のｌ」音区間のエネル
ギーの閾値を容易に設定することができる。また、簡紫
な構成による処理で演算用を少なくできるため、母音区
間を検出するまでの処理時間を極力短く抑えることが可
ａ−Ｃある。従って、他の処理との絹み合わせににり母
音区間をより一層高い精度で検出する場］・□　合や音
１識の一過程として応用する場合においても、本発明に
係る母音区間検出装置はもともと処理時間が知いため全
体としての処理時間の短縮に非常に有効である。まｌ：
、ｐ本的に、音声のエネルギーの変化に注目した処理を
行っているため、母音区間の検出に限らず、例えば１゛
っの母音にＪ３けるエネルギーの変化の解析や、音声の
エネルギーが大きく変化する調音結合部等の検出にも容
易に応用することが可能である。

【図面の簡単な説明】

第１図は本発明の一実施例のフローヂ１ｙ　−、ｌ−１
第２図はそのブロック図、第３図（ａ　）乃至（Ｇ　）
は゛ば”°と発音した音声に各処理を実行しｉ＝結果を
示す図、第４図（ａ　）乃至（Ｃ）はパぎ″と発音した
音声に各処理を実行した結果を示す図、第５図（ａ　）
乃至（Ｃ）は′ず″と発音した音声に各処理を実行した
結果を示す図である。 図中、１はマイクロフォン、２は増幅器、３はＡ／Ｄ変
換器、４はＣＰＵ、５はＲＯＭ、６は１くＡＭである。 特許出願人 ブラザー工業株式会社 取締役社長　河嶋勝二 第１図 第２図 第３図 （Ｃ） 第４図

Claims (1)

1. 【特許請求の範囲】 １、音声の時間変化に対する振幅変化をリンブリングし
   て複数の値の列に変換するサンプリング手段と、 前記複数の値をそれぞれ２乗した値の列に変換する２条
   変換手段と、 前記２乗した値の列を一部重複する値を含むフレームに
   区分づるフレーム化手段と、 前記各フレームを代表するフレーム値を設定するフレー
   ム値設定手段と、 前記フレーム値の列が所定の値以上である区間に対応す
   るデータ信号を母音区間として出ツノするデータ信号出
   力手段とを有することを特徴とする母音区間検出装置。