JPS6048040B2 - 音声認識における個人差の学習処理方法 - Google Patents

Description

【発明の詳細な説明】 本発明は、音声認識における個人差の学習処理方法、
特に音声の機械認識装置において、音声波の個人差に適
応した標準パターンを、少数の学習用単語（学習サンプ
ル）から能率よく作成する音声認識のための学習方法に
関するものである。

一般に、発声された音声の意味内容を機械的にフ認識
する場合には、入力音声を適当な形式で表現し、その音
声と予め蓄えられている標準パターンとの間の類似度を
測り、その程度に応じて入力音声の内容を判定している
。また、入力音声および標準パターンを表現する形式と
しては、一般に、周波数スペクトル、またはそれと類似
なものが用いられるが、同じ内容あるいは同じ言葉を発
声しても、発声者によつて周波数スペクトルが異なつて
いるため、全ての発声者に共通の標準パターンを用いて
入力音声との類似度を測つたのでは、高い精度で入力音
声の内容を認識することはできない。従つて、従来の方
法では、発声者が変わるたびごとに、定められた学習サ
ンプルとして、すべての認識対象単語を発声してもらつ
て標準パターンを作り直したり、認識対象のうちの一部
の単語を発声してもらつて、学習サンプルに含まれなか
つた音韻の標準パターンを、多次元の変換公式により推
定するという方法がとられて来た。しかしながらこれら
の方法では、認識の対象となる発声内容の範囲が例えば
数百単語程度に拡大してくると、それにつれて標準パタ
ーンの種類が多くなり、そのすべての単語を発声して標
準パターンを作りなおすのは大変な手間と時間を要し、
そのうちのある部分を発声して、その発声音声（学習サ
ンプル）に含まれなかつた音韻の標準パターンを推定す
る方法では、発声内容が全認識対象に対して偏つている
ための影響を除去しえないため、高い精度で入力音声の
内容を認識することはできな、かつた。この欠点は、音
声の機械認識装置を実用的なものとする上で、非常に大
きな制約となつている。本発明は、上記従来例の欠点を
解消するために、認識対象のうちの一部の学習サンプル
から、ｊそれらに含まれる音韻の標準パターンを仮りに
作成し、この値をもとにして、学習サンプルに含まれる
音韻と含まれない音韻との両者について、認識対象のす
べての単語を学習サンプルとして用いたときに得られる
標準パターンに相当する値を計３算して、各音韻の標準
パターンとするように改良した音声認識のための学習方
法を提供することを目的としている。

以下図面により、実施例を詳細に説明する。図は本発明
の一実施例を示したもので、１は音４．声信号入力端子
、２は低域通過フィルタ、３はアナログ−ディジタル変
換回路、４は自己相関係数計算回路、５は音韻区間区分
化回路、６は区分内自己相関係数平均化回路であつて同
一区分内の自己相関係数を平均化するもの、７はスイッ
チ、８ａ，８ｂはスイッチ７の端子、９は自己相関係数
全単語平均化回路であつて全単語から抽出された同一音
韻に対応する自己相関係数について平均化を行なうもの
、１０は平均相関係数蓄積部、１１は対数断面積比計算
回路、１２は全単語学習対数断面積比蓄積部、１３は自
己相関係数部分単語平均化回路であつて予め定められた
個数の単語即ち部分単語から抽出された同一音韻に対応
する自己フ相関係数について平均化を行なうもの、１４
は平均相関係数蓄積部、１５は対数断面積比計算回路、
１６は部分単語学習対数断面積比蓄積部、１７は自己相
関係数平均化回路てあつてすべての発声者から抽出され
た同一音韻に対する自己相関係・数について平均化を行
なうもの、１８は対数断面積比計算回路、１９は平均対
数断面積比蓄積部、２０はスイッチ、２１ａ，２１ｂは
スイッチ２０の端子、２２は正規行列計算回路、２３は
正規方程式計算回路、２４は変換公式蓄積部、２５は標
準パターン計算回路、２６は最尤スペクトルパラメータ
計算回路、２７は標準パターン蓄積部、２８は重み蓄積
部を表わす。

次にこの実施例の動作を説明する。

まずスイッチ２０を端子２１ａに接続し、標準パターン
蓄積部２７には、各音韻の標準パターンとして、経験的
、あるいはある特定の発声者の音声を分析して計算され
た適切な値を蓄えておく。そこで、学習サンプルとして
認識対象のすべての単語を、あらかじめ定められた順序
で発声する。このアナログ波形を音声信号入力端子１に
入力する。このアナログ音声は、低域通過フィルタで例
えば３．４ＫＨｚ以上の高い周波数成分が除去され、ア
ナログ−ディジタル変換回路３で、例えば８ＫＨｚ１１
１ビットで標本化および量子化され、ディジタル波形に
変換されたのち、自己相関係数計算回路４で、例えば１
５ｍｓなどの周期で一定の時間長の区間が切り出され、
例えば１欧までの有限次元までの自己相関係数が計算さ
れる。切り出された区間内のｔ番目の時点（１くｔ＜Ｎ
．Ｎは切り出した長さに相当する標本点数）の音声波形
をＸｔであられすとき、τ次の自己相関係数は次の式で
定義される。 λＴ−ー音韻区間区分化回路５で
は、この自己相関係数と、標準パターン蓄積部２７に蓄
えられている各音韻の標準パターンとを用いて、各音韻
の尤度が計算され、その値に応じて発声された音声を各
音韻区間に区分化する。

音韻ｊの標準パターン（最尤スペクトルパラメータ）を
Ａｊ（７）（イ）くτくτ．Ｎａｘ）であられすとき、
音韻ｊの尤度は次の式で定義される。 τ−１ こうして区分化された各音韻区間の相関係数は、次の区
分内自己相関係数平均化回路６に送られ、各音韻区間ご
とに平均の相関係数が計算される。

スイッチ７は、はじめ端子８ａに接続しておき、各音韻
区間の平均相関係数は自己相関係数全単語平均化回路９
に送られて、各音韻ごとに、すべての認識対象単語から
抽出された平均の相関係数が計算される。この値は平均
相関係数蓄積部１０に蓄えられる。つぎに、いま発声さ
れている単語が、のちに認識対象単語の一部として学習
に用いられるもの（学習用単語）であれば、スイッチ７
は端子８ｂに接続されて、各音韻区間の平均相関係数は
自己相関係数部分単語平均化回路１３に送られ、各音韻
ごとに、学習用単語から抽出された平均の相関係数が計
算される。この値は平均相関係数蓄積部１４に蓄えられ
る。定められた順序ですべての学習サンプルの発声が行
われ、終了すると、平均相関係数蓄積部１０の内容は、
対数断面積比計算回路１１で対数断面積比の値に変換さ
れ、全単語学習対数断面積比蓄積部１２に蓄えられる。

同様に、平均相関係数蓄積部１４の内容は、対数断面積
比計算回路１５で対数断面積比の値に変換され、部分単
語学習対数断面積比蓄積部１６に蓄えられる。以上の操
作は、定められた多数の、たとえば３０名程度の発声者
について繰返され、平均相関係数蓄積部１０、全単語学
習対数断面積比蓄積部１２、および部分単語学習対鰺断
面積比蓄積部１６には、それぞれの発声者に関する値が
別々に蓄えられる。

あらかじめ定められたすべての発声者の発声が終了する
と、平均相関係数蓄積部１０に蓄えられていたそれぞれ
の発声者の各音韻の平均相関係数の値は自己相関係数平
均化回路１７に送られ、各音韻ごとに、すべての発声者
についての平均相関係数が計算される。この値は、対数
断面積比計算回路１８で対数断面積比の値に変換され、
平均対数断面積比蓄積部１９に蓄えられる。つぎに、す
べての音韻のすべての全単語学習対数面積比を、部分単
語学習で得られたすべての音韻のすべての対数断面積比
の線形結合て推定する変換公式を得るため、全単語学習
対数断面積比蓄積部１２の内容と部分単語学習対数断面
積比蓄積部１５の内容とは、正規行列計算回路２２に送
られ、両者の蓄積部に蓄えられている音韻間のすべての
組合せについてそれぞれ正規行列の計算が行われる。前
者の蓄積部に蓄えられている音韻１のＳ番目の成分（１
くＳくτ．．ＡＯ）と、後者の蓄積部に蓄えられている
音韻ｊに関する正規行列ΦＩ，５の要素φ，，ｓ（Ｍ．
．ｎ）、（イ）くｍくτＭａｘｌＯくｎくτ．．Ａｘ＋
１）は、次式て定義される。ただし、Ｚｊｌ（ｍ）は話
者１による音韻ｊの対数断面積比のｍ番目の成分を示し
、Ｚ，，（０）＝１である。） この正規行列は、音韻
１（７）Ｓ番目の成分Ｚｌｌ（Ｓ）を、部分単語学習対
数断面積比蓄積部１６に蓄えられている音韻ｊの成分Ｚ
，ｌ（ｍ）（イ）くｍくτＭａｘ）から変換して求める
公式を導出するためのＢｎ．（Ｓ）を決定する連立一次
方程式の係数行列である。

そして、Ｂ．ｎ（Ｓ）はこの正規行列の要素φＩ，ｓ（
Ｍ．．ｎ）を係数とする連立一次方程式で決定される。

正規行列の値は正規方程式計算回路２３に送られ、上記
φ，，ｓ（Ｍ．ｎ）を係数とする連立一次方程式の解演
算が行われる。

この解演算には、掃き出し法などが用いられる。この結
果として得られる解を、ここではＢｍ（Ｓ）、（０くｍ
くτＭａ，，）とあられす。１番目からγＭａｘ番目ま
でのすべての次数とすべての音韻の組合せについて以上
の演算が行われ、これらの結果は変換公式蓄積部２４に
蓄えられる。

同時にＺｌｌ（Ｓ）に対する（Ｚｉｌ（ｍ））（イ）く
ｍくτＭａ、）の寄与率が計算され、重み蓄積部２８に
蓄えられる。

寄与率Ｗｉｊ（Ｓ）は次の式で定義される。ただし７１
（Ｓ）は、Ｚｌｌ（Ｓ）のすべての発声者に関する平均
値である。

つぎに以上の処理に用いられなかつた新しい発声者の声
の特徴を学習する際には、スイッチ７を端子８ｂに接続
するとともに、スイッチ２０を端子２１ｂに接続してお
き、発声者には、認識対象単語のうちの一部の学習用単
語を、上述の処理の場合と同じ決められた順序で発声し
てもらう。

この音声波は上述と同様に音声信号入力端子１に入力さ
れ、低域通過フ・ｒルタ２、アナログ−デイジ．タル変
換回路３、自己相関係数計算回路４を経て、自己相関係
数の時系列に変換される。さらに音韻区間区分化回路５
により、各音韻区間に区分化され、区分内自己相関係数
平均化回路６により、各音韻区間の平均相関係数が計算
される。こ５の値は自己相関係数部分単語平均化回路１
３に送られて、各音韻ごとに、すべての学習用単語にお
ける平均の相関係数が計算される。この値はいつたん平
均相関係数蓄積部１４に蓄えられ、すべての学習用単語
の発声が終了すると、対数断面積比４計算回路１５で、
対数断面積比の値に変換され、部分単語学習対数断面積
比蓄積部１６に蓄えら゛れる。この値はつぎに標準パタ
ーン計算回路２５に送られ、同時に変換公式蓄積部２４
の内容、平均対数断面積比蓄積部１９の内容、および重
み蓄積部２８の内容が送り込まれて、ここで各音韻の対
数断面積のすべての成分について、認識対象のすべての
単語を発声したときに得られる値に相当する値が計算さ
れる。この計算には次の式が用いられる。
＼ Ａ
−１目ただし、Ｚｊｌは目的として
いる話者１の音韻１の対数断面積比ベクトル（Ｚｌｌ＝
（Ｚｌｌ（１）、Ｚｌｌ（２）、 、Ｚｉｌ（γＭａ．
））″）、Ｚｉｌは部分単語学習対数７断面積比蓄積部
１６に蓄えられている話者１の音韻ｊの対数断面積比ベ
クトル、ΩＬは学習用単語に含まれる音韻の集合、ψＩ
ｊは、すべての単語を発声したときの音韻１と、学習用
単語のみを発声したときの音韻ｊの組合せについて、音
韻１の対ノ数断面積比の１番目からτ、３０番目までの
成分に対する変換公式を順に並べて行列としたもの、ｒ
は重みで、経験的にたとえば０．５のような値を用いる
。

Ｙｉｌとしては、音韻１あるいはそれに類似した音韻が
ΩＬに含まれていれば、部分単語学習対数断面積比蓄積
部１６に蓄えられているその音韻の対数断面積比の値を
用い、含まれていなければ、平均対数断面積比蓄積部１
９に蓄えられている多数の発声者について平均化された
音韻１の対数断面積比の値を用いる。上記（７）式は２
つの項からなつている。

第１項は、変換行列ψＩｊを用いて、学習用単語から抽
出された種々の音韻の対数断面積比Ｚ』と、推定すべき
各音韻の対数断面積比Ｚｌｌを関連づける項であるが、
単に各音韻による推定値の平均としてＺｌｌを推定する
のてはなく、推定の信頼度に対応する寄与率Ｗｉｊ（ベ
クトル）による重みつき平均を行うことによつて推定値
の信頼度を高めている。第２項は第１項の推定誤差によ
る極端な推定値の変動を避けるため、学習用単語から直
接的に抽出された当該音韻の対数断面積比または多数発
声者の平均値と、第１項の推定値との重みつき平均を計
算することによつて、推定値の安定化をはかるものてあ
る。こうして計算された発声者１の音韻１の標準パター
ンＺｊｌの値は、最尤スペクトルパラメータ計算回路２
６に送られ、最尤スペクトルパラメータの値に変換され
る。

最尤スペクトルパラメータの値を計算するには、対数断
面積比をパーコール（ＰＡＲＣＯＲ）係数に変換し、こ
れを線形予測係数に変換し、この積和をもとめることに
よつて得ることができ、この方法の詳細は文献（１）な
どに述べられている。文献（１）板倉：音声の特徴パラ
メータによる通信、昭和４７年度電気四学会連合大会、
２１９各音韻の最尤スペクトルパラメータは、単語音声
認識のための標準パターンとして、標準パターン蓄積部
２７に蓄えられる。

このような構造になつているので、音韻などを単位とす
る標準パターンを、少数の学習用単語から抽出された音
韻の対数断面積比の値にもとづいて、認識対象のすべて
の単語を発声したときに得られる値に近い値として発声
者に適応化することができるため、極めて能率よく、し
かも高い認識率で音声の機械認識を行うことが可能とな
る。以上説明したように、本発明によれば、少数の学習
用単語を発声したときの各音韻のスペクトル（対数断面
積比）と、認識対象のすべての単語を発声したときの各
音韻の平均的なスペクトル（対数断面積比）との間の一
般的関係を変換公式として用意し、少数の学習用単語を
発声したときに得られる各音韻のスペクトルにこの変換
公式を適用した値を各音韻の標準パターンとして用いる
ため、多数の語曇を対象とした音声認識においても、少
数の学習用単語を用いて高い認識率を得ることができ、
極めて使いやすく安価な音声信号認識装置を提供するこ
とができるので、本発明は非常に有用性のある音声認識
における個人差の学習方法を提供することができる。

【図面の簡単な説明】

図は、本発明の実施例のブロック図である。 １・・・・・・音声入力端子、２・・・・・・低域通過
フィルタ、３・・・・・・アナログ−ディジタル変換器
、４・・・自己相関係数計算回路、５・・・・・・音韻
区間区分化回路、６・・・・・・区分内自己相関係数平
均化回路、７・・・・・スイッチ、８ａ，８ｂ・・・・
スイッチ端子、９・・・・・・自己相関係数全単語平均
化回路、１０・・・・・・平均相関係数蓄積部、１１・
・・・・・対数断面積比計算回路、１２・・・・・・全
単語学習対数断面積比蓄積部、１３・・・・・・自己相
関係数部分単語平均化回路、１４・・・・・・平均相関
係数蓄積部、１５・・・・・対数断面積比計・算回路、
１６・・・・・・部分単語学習対数断面積比蓄積部、１
７・・・・・・自己相関係数平均化回路、１８・・・対
数断面積比計算回路、１９・・・・・・平均対数断面積
比蓄積部、２０・・・・スイッチ、２１ａ，２１ｂ・・
・・スイッチ端子、２２・・・・・正規行列計算回路、
２３・・・・・・正規方程式計算回路、２４・・・・・
・変換公式蓄積部、２５・・・・・・標準パターン計算
回路、２６・・最尤スペクトルパラメータ計算回路、２
７・・・・・・標準パターン蓄積部、２８・・・・・・
重み蓄積部。

Claims (1)

【特許請求の範囲】
1. １ 音声波から有限次数までの自己相関係数を計算する
   手段と、音声波を種々の音韻区間に区分する手段と、各
   区分内における自己相関係数を平均化する手段と、それ
   を蓄える蓄積部と、各音韻について認識対象のすべての
   単語における自己相関係数の平均値を計算する手段と、
   それらを蓄える蓄積部と、認識対象語彙の一部の学習用
   単語に含まれる各音韻について自己相関係数の平均値を
   計算する手段と、それらを蓄える蓄積部と、これらの平
   均化された自己相関係数を対数断面積比に変換する手段
   と、すべての認識対象単語について平均化された相関係
   数から変換された対数断面積比と認識対象の一部の学習
   用単語について平均化された相関係数から変換された対
   数断面積比との数値的関係をすべての音韻の組合せにつ
   いて多次元の変換公式として計算する手段と、この変換
   公式を蓄える蓄積部と、この変換公式を用いて認識対象
   の一部の学習用単語について平均化された相関係数から
   変換された対数断面積比の値にもとずきすべての認識対
   象単語について平均化された相関係数から変換された対
   数断面積比に相当する値を計算する手段とを有し、上記
   の変換公式を計算するのに用いなかつた新しい話者が認
   識対象の一部の学習用単語を発声したときに、この音声
   波から種々の音韻のこれらの単語における平均相関係数
   を計算し、この値を対数断面積比に変換し、この値と上
   記の変換公式とを用いて、学習用単語に含まれた音韻と
   含まれなかつた音韻との両者について、すべての認識対
   象単語について平均化された相関係数から変換された対
   数断面積比に相当する値を計算することにより、音韻を
   単位とする標準パターンを個人差に適応して作成するこ
   とを特徴とする音声認識における個人差の学習処理方法
   。