JPS6067996A - 音声認識方法 - 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】 産業上の利用分野 本発明は人間の声によって発声された音声信号を自動的
に認識するため、音声認識方法に関するものである。

従来例の構成とその問題点 音声を自動的に認識する音声認識装置は人間から電子計
算機や各種機械へデータや命令を与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認識装置の動作原
理としてはパタンマッチング法が多く採用されている。

この方法は認識される必要がある全種類の単語に対して
標準パタンをあらかじめ記憶しておき、入力される未知
の入力パタ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）を計算し、最大一致が得られる標準パタ
ンと同一の単語であると判定するものである。このパタ
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
標準パタンを用意しなければならないため、発声者が変
った場合には新しく標準パタンを入力して記憶させる必
要がある。従って数百種類以上の単語を認識対象とする
ような場合、全種類の単語を発声して登録するには時間
と労力を必要とし、又登録に要するメモリー容量も膨大
になることが予想される。さらに入力パタンと標準パタ
ンのパタンマツチングに要する時間も単語数が多くなる
と長くなってしまう欠点がある。

これに対して、入力音声を音素単位に分けて音素の組合
せとして認識し（以下音素認識と呼ぶ）音素単位で表記
された単語辞書との類似度をめる方法は単語辞書に要す
るメモリー容量が大巾に少なくて済み、パタンマツチン
グに要する時間が短く及辞書の内容変更も容易であると
いう特長を持っている。例えば「赤い」という発声は／
ａ／，／ｋ／，／ｉ／という三つの音素を組合せてＡＫ
ＡＩという極めて簡単な形式で表現できるため、不特定
話者で多数語の音声に対処することが容易である。

第１図に音素認識を行うことを特徴とする音声認識方式
のブロック図を示す。マイク等で入力された音声は音響
分析部１によって分析を行なう。

分析方法としては帯域フィルタ群や線形予測分析を用い
、フレーム周期（１０ｍｓ程度）毎にスペクトル情報を
得る。音素判別部２では、音響分析部１で得たスペクト
ル情報を用い、標準パターン格納部３のデータによって
フレーム毎の音素判別を行なう。標準パタン格納部３に
格納された標準パターンは、あらかじめ多数話者の音声
より音素毎にめておく。セグメンテーション部４では、
音響分析部１の分析出力をもとに音声区間の検出と音素
毎の境界決定（以下セグメンテーションと呼ぶ）を行う
。音素認識部５ではセグメンテーション部４と音素判別
部２の結果をもとに１つの音素区間毎に何という音素で
あるかを決定する作業を行う。この結果として音素の系
列が完成する。

単語認識部６では、この音素系列を、同様に音素系列で
表記された単語辞書７と照合し、最も類似度の高い単語
を認識結果として出力する。

前記方法で不特定話者を対象とする場合に最も重要な点
は、高い音声認識精度を、どういう話者、環境に対して
も安定して得ることである。又、そのために話者に負担
をかけすぎたり音声認識装置にした場合に高価な部分を
要するようであってはならない。

しかし従来発表又は試作されている音声認識装置は前記
条件が不十分であるという欠点があった。

従来例として、予測残差を対象とする方式（鹿野、好田
「会話音声中の母音認識を目的としたＬＰＣ距離尺度の
評価」電子通信学会誌８０／５，ＶＯＬＪ−６３Ｄ、Ｎ
ｏ．５参照）では、あらかじめ多数話者の音声より線形
予測分析によって音素ｉの最尤パラメータＡｉｊ（ｊ＝
１，２，……，ｐ）（ｐは分析次数）をめておき、予測
残差を次式でめる。

ここでＳｊは未知な入力音声からめた自己相関係数であ
る。この予測残差Ｎｉを、対象とする音素毎にめこれを
距離尺度として、Ｎｉが最少となる音素を判別結果とす
る。

しかしこの方法は音素の標準パタンに相当する最尤パラ
メータＡｉｊが単なる平均値であるため、たとえ使用者
にあわせてＡｉｊを作り直すという学習機能を設けたと
しても、調音結合による発声の変動に対処することがで
きず、認識率が低いという欠点があった。

又、母音、半母音等の音素をフレーム単位の標準パタン
で判別し、判別結果の組合せとしてセグメンテーション
、音素認識をするために、時間的な動きを十分にとらえ
きれず、認識精度がさがらない欠点があった。

発明の目的 本発明は前記欠点を解消し、不特定話者に対処するとと
もに、話者、言葉のちがいに影響されることなく安定に
、高い音声認識精度を得ることのできる音声認識方法を
提供することを目的とする。

発明の構成 本発明は上記目的を達成するもので、多数話者の音声か
ら、複数個のフレームの周波数スペクトルよりなる標準
パタンを音素ごとに作成し、前記標準パタンと未知音声
のスペクトルまたはそれに類似する情報とを用いてマハ
ラノビスの汎距離に基づいてめた類似度または音素系列
により音声認識を行うことを特徴とする音声認識方法を
提供するものである。

実施例の説明 本発明の音声認識方法は、母音と半母音、又は母音同志
のスペクトルの時間−周波数特性に相異のあることを利
用するものである。

母音と半母音の認識法を例に説明する。

第２図（Ａ）にＯＯＳＡＭＡと発声したときの母音／ａ
／のスペクトルを、第２図（Ｂ）にＹＡＳＵＭＯＮＯと
発声したときの半母音／ｊａ／のスペクトルを示す。縦
軸は周波数を表わし、横軸は時間をフレームで表わす。

また横軸はスペクトル強度を同時に表わす。スペクトル
の右方向のピークがホルマントを表わし、ホルマントの
動きを破線で示す。

（Ａ）と（Ｂ）とを比較すると、母音と半母音の違いは
音素のはじまりから母音（この場合／ａ／）の中心（図
■で示す。）へ向って移動するホルマントの動きが異な
ることである。すなわち／ａ／は音素中心までの時間が
６フレームであるのに対し、／ｊａ／は１０フレームで
ある。またホルマントの位置が／ａ／は６００〜１００
０Ｈｚの間にあるのに対し、／ｊａ／は２５０〜１００
０Ｈｚの間に広く存在する。

この傾向は母音間においても同様である。

例えば／ａ／と／ｏ／を比較しても、その中心へ向かう
、又中心から離れる時のスペクトル変化の状態は異なる
。

本発明はこの現象に着目し、母音や半母音の標準パタン
を複数個のフレームの周波数スペクトルにて構成し、従
来のフレーム単位で音素を区別する方法に比し、／ａ／
、／ｉ／、／ｕ／、／ｅ／、／ｏ／、／ｊａ／、／ｊｕ
／、／ｊｏ／等の音素同志の区別を精度良く実現しよう
とするものである。

このような２次元パタンに統計的距離を適用する場合、
これらの音素の持続時間が長いという理由によりパラメ
ータの数が多くなり、ベイズ判定のようなマトリクス演
算を要する方法では計算量が膨大になるため実用的でな
い。

したがって本発明では統計的距離としてマハラノビスの
汎距離を利用するもので、マハラノビスの汎距離も通常
はマトリクス演算を要するが、対象とする音素間の分数
が大きくちがわない場合には共分数行列を共通化するこ
とができ、一次元の少ない計算でマハラノビスの汎距離
をめることができる。

上記考え方に基づき本発明に係る音声認識方法の一実施
例を第３図により説明する。

まず、標準パタン作成のための多数話者の音素ｉに相当
する音声を入力し、ブロック１１にてスペクトル情報と
して分析次数Ｐでフレーム数ｎ個の複数の周波数スペク
トルからなるＬＰＣケプストラム係数の２次元配列 をめる。これをブロック１２にて一定元の配列ｘｉｊに
変換する。

ｘｉｊ＝（ｃｉ１１，ｃｉ１２，…，ｃｉ１ｐ，ｃｉ２
１，…，ｃｉ２ｐ，ｃｉｎ１，…，ｃｉｎｐこのｘｉｊ
を用いてブロック１３にて音素ｉの標準パタンを作成す
る。以上を各音素毎に行なう。

次に学習の必要がある場合には、ブロック１４にて使用
者の音声を学習し、上記標準パタンの修正を行なう。学
習の工程は必要に応じて設ければ良い。

これに対し、未知音声をブロック１５にて分析して分析
次数Ｐでフレーム数ｎ個からなるＬＰＣケプストラム係
数の２次元配列Ｃｊｋをめる。

これをブロック１６にて１次元配列Ｘｊに変換する。

ｘｊ＝（ｃ１１，ｃ１２，……，ｃｉｐ，ｃ２ｐ，……
ｃ２ｐ，ｃｎ１，……ｃｎｐ）このｘｊと標準パタンを
用いて、ブロック１７にて各音素毎に、マハラノピスの
汎距離に基づく類似度をめ、判別する。

上記考え方に基づき、一例として学習がある場合の母音
、半母音の標準パタン作成の手順を第４図に示す。音素
ｉに相当する入力音声をブロック２１にて線形予測分析
し、標準パタンとして使用すべきｎ個のＬＰＣケプスト
ラム係数のＣｉｊ１からＣ１ｊｐまでを周波数軸として
２次元パタンを構成する。ｉは音素の種類を、ｊはフレ
ームの順番 を表わす。ｐは分析次数である。次にブロ
ック２２にてパラメータを並べかえて ｘｉｊ＝（ｃｉ１１，ｃｉ１２，……，ｃｉ１ｐ，ｃｉ
２１，……ｃｉ３１，……ｃｉｎ１，ｃｉｎｐ） とする。

さらにブロック２３にて多数の音声によるｘｉｊを集計
し、ｘｉｊの平均値をｍｉｊ（ｊはパラメータの順番を
表わし、最大はＭ＝ｎ×ｐ）とする。ブロツク２４でめ
る共分散行列は音素の種類にかかわらず共通とし、Ｗで
表わす。ブロック２６にてＷの逆行列をＷ−１とし、（
ｊ、ｊ′）要素をブロック２６にてσｊｊ′とすると、
音素ｉのｊ番目のパラメータに対する判別係数ａｉｊは
ブロック２７にて で表わすことができる。

一方、音素によって決まる定数ｄｉはブロック２８にて ｄｉ＝■ｉｔｗ−１■ｉ　（２） でめることができる。ここで■ｉはｍｉｊのベクトルを
、ｔは転置行列を表わす。

以上によりめたａｉｊ，ｄｉを音素標準パタンとしてブ
ロック２９に示す係数メモリに蓄える。

又、ブロック２３でめた平均値ｍｉｊとブロック２５で
めた逆行列Ｗ−１は学習に使用するため、ブロック３０
に示す学習部に蓄える。

以上のようにして作成された標準パタンは学習により修
正される。しかる後未知の入力音声と前記修正後の標準
パラメータよりマハラノビス汎距離に基づく類似度を用
いて音素判別される。

入力されたパラメータ情報ｘｊ＝（ｘ１，ｘ２，……ｘ
ｎ）の音素ｉの分布に対するマハラノビス距離Ｄｉ２は で表わされる。

ｔは転置行列を表わす。

（３）式の第１項は音素の種類に依存しないため、類似
度Ｌｉを簡易的に で表わすことができる。（４）式の第２項は音素の種類
によって決まる定数であり、これをｄｉで表わすと、類
似度Ｌｉは でめることができる。ここでａｉｊ，ｄｉは標準パタン
としてすでにめたものを使用する。

実際の学習がある場合の認識手順を第６図に示す装置の
ブロック図を用いて説明する。まず第４図に述べた手順
で作成された標準パタンａｉｊ，ｄｉを係数メモリ３１
に蓄えておく。又、■ｉ，ｗ−１を学習部３２に蓄えて
おく。

次に学習による標準パタンの修正について述べる。

すなわち使用者に母音、半母音をマイク３３に向って発
声させ、Ａ／Ｄ変換器３４でＡ／Ｄ変換し、信号処理回
路３６でハミング窓をかけ、プリエンファシスを行なう
。線形予測分析プロセッサ３６にてＬＰＣケプストラム
係数をめ、係数の並べかえを行なって■ｉとし学習部３
２に転送する。この場合必要に応じて帯域フィルタ３９
からのパラメータ情報を使用することもある。さらに■
１は判別フィルタ３７にも転送する。判別フィルタ３７
は、係数メモリ３１の標準パタンによって前記（６）式
に示した類似度Ｌ１をめる。

これをメインメモリ３８に転送する。一方、帯域フィル
タ３９にてセグメンテーションのだめのパラメータ（帯
域パワーおよび全パワー）をめ、メインメモリ３８に転
送する。判別フィルタ３７の結果と帯域フィルタ３９の
結果からメインプロセッサ４０にて、学習すべき時間軸
上の位置を決定し、出力部４１を通して学習部３２に指
定してやる。学習部３２は蓄えである平均値■ｉ、共分
散逆行列ｗ−１を用いて次の手順で標準パタンの話者適
合を行なう請求める平均値を■ｉとすると、■ｉ′＝（
ｗ■ｉ＋■ｉ）／（ｗ＋１）　（６）となる。ここでＷ
は重み係数である。

この■ｉを用い、適合すべきａ′ｉｊは（１）式により
、となる。

又、適合すべきｄｉ′は（２）式によりｄ′ｉ＝■′ｉ
ｔｗ−１■′ｉ　（８）となり、このａ′ｉｊ、ｄ′ｉ
を話者適合した標準バタンとして係数メモリ３１を書き
換える。

以上で学習を終了し、実際の音声の認識を次の手順で行
う。

入力された音声をＡＤ変換器３４、信号処理回路３５を
経て線形予測分析プロセッサ３６で線形予測分析してＬ
ＰＣケプストラム係数をめ、これを並べかえて系列、Ｘ
ｊをめる。このＸｊと係数メモリ３１に格納されている
修正済の標準バタンａ′ｉｊ、ｄ′ｉとを用い、判別フ
ィルタ３７にて類似度Ｌｉを次式で計算する。

このＬｉと、帯域フィルタ３９の結果をメインメモリ３
８に転送する。メインプロセッサ４０はこれらのデータ
によって音声区間の検出、セグメンテーション、音素認
識を行ない、音素系列を作成する。この音素系列を、同
様に音素系列で表記された単語辞書メモリ４２と照合し
、最も類似度の大きい単語名を認識結果として出力部４
１に出力する。

以上述べたように、本方法は音素認識を基本とする音声
認識性能において、音素の標準パタンを複数個のフレー
ムの周波数スペクトルで構成することによって音素の特
徴を十分にとらえ、さらに学習によって音素標準パタン
を自動作成して話者適合させ、高い音声認識性能を持た
せることができる。又、マハラノビス汎距離を距離尺度
として使用し、さらに簡易化をはかったため音素の類似
度計算および学習のだめの演算は簡単であり、高い演算
精度を持つ計算回路を要することなく実現することがで
きる。

第６図は成人女子１０人を対象として、母音。

鼻音の認識率を従来のフレーム単位で音素判別を行う方
法で学習のない場合５１、学習のある場合６２と本実施
例の方法５３とを比較したものである。フレーム単位で
の判別でも学習すればかなり改善されるが本実施例ほど
の効果はない。

このように標準パタンを複数個のフレームの周波数スペ
クトルで構成することによって全ての話者に対して顕著
に改善され、平均で誤り率は６．７％となり、フレーム
単位の判別で学習ありの場合５２の７０％に圧縮されて
いる。

第７図は半母音の認識率について、従来のフレーム単位
の判別で学習ありの場合６１と本実施例の方法６２とを
比較したものである。従来法で認識すると平均で６８．
５％しかできなかったものが、本実施例を用いると８４
．４％に向上した。認識率は１５・９％向上し、誤り率
は棒に減少できる。

まとめると、本実施例による特徴は次の通りである。

（１）音素の標準パタンを複数個のフレームの周波数ス
ペクトルで構成することにより、高い音素認識率を得る
ことができる。

（２）学習によって音素標準パタンを自動作成し、話者
適合させることにより、従来認識できなかった話者（た
とえば第６図の話者ＹＭ、ＹＩ）に対しても精度の良い
音素認識ができる。

（３）（１）、（２）の 効果により、高性能の音声認
識装置を構成することができ、高い単語認識率が期待で
きる。

なお前記実施例は学習のある場合について述べたが、本
発明の特徴は複数個のフレームの周波数スペクトルから
なる標準パタンを構成し、マハラノビスの汎距離に基づ
いて類似度を算出するところにあるので、学習しない場
合においても良好な音素認識率を得ることができる。又
、本方法によシ少ない演算量で音素判別することができ
、装置化も容易である。

また、上記本実施例ではスペクトル情報（スペクトルま
たはそれに類似する情報）としてＬＰＣケプヌトラム係
数の場合について述べたが、フィルタ群によるスペクト
ル情報、ＬＰＣ分析におけるパーコール係数等を用いて
も良い。

発明の効果 以上要するに本発明は多数話者の音声から、複数個のフ
レームの周波数スペクトルよりなる標準パタンを音素ご
とに作成し、前記標準パタンと未知音声のスペクトルま
たはそれに類似する情報とを用いてマハラノビスの汎距
離に基づいてめた類似度または音素系列により音声認識
を行なうことを特徴とする音声認識方法を提供するもの
で、極めて高い音素認識率を得ることができ、性能の秀
れた音声認識装置を実限することができる。

【図面の簡単な説明】

第１図は音素認識を基本とする従来の音声認識方法のブ
ロック図、第２図は本発明の方法に係わるスペクトルパ
タンの例を示す図、第３図は本発明の一実施例による音
声認識方法を示すブロック図、第４図は本発明の標準パ
タンの作成法を示すブロック図、第６図は本発明の音声
認識方法を具眼化する音声認識装置の一構成例を示すブ
ロック図、第６図及び第７図は本実−施例の効果を話者
毎の音声認識率で示した図である。 ３１……係数メモリ、３２……学習部、３６……線形予
測分析プロセッサ、３７……判別フィルタ、３８……メ
インメモリ、３９……帯域フィルタ、４０……メインプ
ロセッサ、４１……出力部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名第２
図 （八） ！＠３図 ｎ果 第４図 第５図 ９ 手続補正書 昭和５９年７月／／１３ 特許庁長官殿　１祁モ 昭和６８年１．１′許願第１７５３０４　号２発明の名
称 音声認識方法 ３補正をする者 事イｉとの関係　ｑ１′　許　出　願　人任　所　大阪
府門真市大字門真１００６番地名　称　（５８２）松下
電器産業株式会社代表者　山　下　俊　彦 ４代理人　〒５７１ 住　所　大阪府門真市大字門真１００６番地松下電器産
業株式会社内 明　細　書 １、発明の名称 音声認識方法 ２、特許請求の範囲 （１）　多数話者の音声から、複数個のフレームのスペ
クトル又はそれに類似する情報よりなる標準バタンを音
素ごとに作成し、前記標準パタンと未知音声の複数個の
フレームのスペクトル捷だｋＪ、それに類似する情報と
を用いてマハラノビスの汎距離に基づいてめた類似度ま
たは音素系列に」こり音声認識を行うことを特徴とする
音声認識方法。 （→　標準パタンを学習により修正することを特徴とす
る特許請求の範囲第１項記載の音声認識方法。 ３、発明の詳細な説明 産業上の利用分野 本発明は人間の声によって発声された音声信号を自動的
に認識するため、音声認識方法に関するものである。 従来例の構成とその問題点 音声を自動的に認識する音声認識装置は人間がら電子側
算機や各種機械へデータや命令を与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認識装置の動作原
理としてはパタンマツチング法が多く採用されている。 この方法は認識される必要がある全種類の単語に対して
標準パタンをあらかじめ記憶しておき、入力される未知
の入力パタ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）を計算し、最大一致が得られる標準パタ
ンと同一の単語であると判定するものである。このパタ
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
標準パタンを用意しなければならないため、発声者が変
った場合には新しく標準パタンを入力して記憶させる必
要がある。従って数百種類以上の単語を認識対象とする
ような場合、全種類の単語を発声して登録するには時間
と労力を必要とし又登録に要するメモリー容量も膨大に
なることが予想される。さらに入力パタンと標準パタン
のバタンマツチングに要する時間も単語数が多くなると
長くなってしまう欠点がある。 これに対して、入力音声を音素単位Ｖこ分けて音素の組
合せとして認識しく以下音素認識と呼ぶ）音素単位で表
記された単語辞書との類似度をめる方法は単語辞書に要
するメモリー容１１１：が大ｒｌＪに少なくて済み、パ
タンマツチングに要する時間が短く及辞書の内容変更も
毬易であるという特長を持っている。例えば「赤い」と
いう発声は／ａ／。 ／に／、／Ｖ　という三つの音素を組合せてＡＫＡＩと
いう極めて簡単な形式で表現できるため、不特定話者で
多数語の音声に対処することが容易である０ 第１図に音素認識を行うことを特徴とする音声認識方式
のブロック図を示す０マイク等で入力された音声は音響
分析部１１１１Ｃよって分析を行なう。 分析方法としては帯域フィルタ群や線形予測分析を用い
、フレーム周期（１０ｍＳ程度）毎にスペクトル情報を
得る。音素判別部２では、音響分析部１で得たスペクト
ル情報を用い、標準パターン格納部３のデータによって
フレーム毎の音素判別を行なう。標準パタン格納部３に
格納された標準パターンは、あらかじめ多数話者の音声
より音素毎にめておく。セグメンテーション部４では、
音響分析部１の分析出力をもとに音声区間の検出と音素
毎の境界決定（以下セグメンテーションと呼ぶ）を行う
。音素認識部５ではセグメンテーション部４と音素判別
部２の結果をもとに１つの音素区間毎に何という音素で
あるかを決定する作業を行う。この結果として音素の系
列が完成する。 単語認識部６では、この音素系列を、同様に音素系列で
表記された単語辞書７と照合し、最も類似度の高い単語
を認識結果として出力する。 前記方法で不特定話者を対象とする場合に最も重要な点
は、高い音声認識精度を、どういう話者、環境に対して
も安定して得ることである０又、そのために話者に負担
をかけすぎたり音声認識装置にした場合に高価な部分を
要するようであってはならない。 しかし従来発表又は試作されている音声認識装置は前記
条件が不十分であるという欠点があった。 従来例として、予測残差を対象とする方式（鹿野。 好田「会話音声中の母音認識を目的としたＬＰＧ距離尺
度の評価」電子通信学会誌８０１５゜ＶＯＬＪ−６３Ｄ
　、＆５参照）”’ＣＴＩ：、アラかシメ多数話者の音
声より線形予測分析によってγｉ−素ｉの最尤パラメー
タＡｉｌ　（ｊ　＝　１　、２　、……ｔｐ）（ｐは分
析次数）をめておき、予測残差を次式ここでＳｊ　は未
知な入力音声からめた自己相関係数である。この予測残
差Ｎ、　を、対象とする音素毎にめこれを距離尺度とし
て、Ｎ、が最少となる音素を判別結果とする〇 【７かしこの方法は音素の標準パタンに相当する最尤パ
ラメータＡ、が単なる平均値であるため、たとえ使用者
にあわせてＡｉｊを作り直すという学習機能を設けたと
しても、調音結合による発声の変動に対処することがで
きず、認識率が低いという欲点があった。 又、母音、半母音等の音素をフレーム単位の標準パタン
で判別し、判別結果の組合せとしてセグメンテーション
、音素認識をするために、時間的な動きを十分にとらえ
きれず、認識精度がさがらない欠点があった。 発明の目的 本発明は前記欠点を解消し、不特定話者に対処するとと
もに、話者、言葉のちがいに影響されることなく安定に
、高い音声認識精度を得ることのできる音声認識方法を
提供することを目的とする。 発明の構成 本発明戦」二記目的を達成するもので、多数話者の音声
から、複数個のフレームのスペクトル又はそれに類似す
る情報°よりなる標準パタンを音素ごとに作成し、前記
標準パタンと未知音声の複数個のフレームのスペクトル
またはそれに類似する情報とを用いてマハラノビスの汎
距離に基づいてめた類似度または音素系列により音声認
識を行うことを特徴とする音声認識方法を提供するもの
である。 実施例の説明 本発明の音声認識方法は、母音と半母音、又は母音同志
のスペクトルの時間−周波数特性に相異のあることを利
用するものである。 母音と半母音の認識法を例に説明する。 第２図（春に００ＳＡＭＡと発声したときの母音／−１
のスペクトルを、第２図（均にＹＡＳＵＭＯＮＯと発声
したときの半母音／ｊ−／のスペクトルを示す。縦軸は
周波数を表わし、横軸は時間を１０ｍ５単位のフレーム
で表わす。また横軸はスペクトル強度を同時に表わす。 スペクトルの右方向のピークがホルマントを表わし、ホ
ルマントの動きを破線で示す。 （八と（均とを比較すると、母音と半母音の違いは音素
のはじまりから母音（この場合／ａ／）の中心（１囚で
示す。）へ向って移動するホルマントの動きが異なるこ
とである。すなわち／ａ／は音素中心までの時間が６フ
レームであるのに対し、／ｉ−／は１０フレームである
。またホルマントの位置が／−／は６ｏＯ〜１０ｏＯＨ
２の間にあるのに対し、／ｊ−／は２５０〜１０００　
Ｈｚ　の間に広く存在する。 この傾向は母音間においても同様である。 例えば／−／と１０／を比較しても、その中心へ向かう
、又中心から離れる時のスペクトル変化の状態は異なる
。 本発明はこの現象に着目し、母音や半母音の標準パタン
を複数個のフレームの周波数スペクトルにて構成し、従
来のフレーム単位で音素を区別する方法に比し、／−／
、／ｉ／、／ｕ／、／ｅ／。 １０／、／ｊａ／、／ｉｕ／、／１０／等の音素同志の
区別を精度良く実現しようとするものである０ このような２次元パタンに続開的距離を適用する場合、
これらの音素の持続時間が長いという理由によりパラメ
ータの数が多くなり、ベイズ判定のようなマドリスク演
算を要する方法では計算量が膨大になるため実用的でな
い。 したがって本発明では統計的距離としてマハラノビスの
汎距離を利用するもので、マハラノビスの汎距離も通常
はマトリクス演算を要するが、対象とする音素間の分散
が大きくちがわない場合には共分散行列を共通化するこ
とができ、−次元の少ない計算でマハラノビスの汎−距
離をめることができる。 上記考え方に基づき本発明に係る音声認識方法の一実施
例を第３図により説明する。 まず、標準パタン作成のだめの多数話者の音素ｉに相当
する音声を入力し、ブロック１１にてスペクトル情報と
して分析次数ｐでフレーム数ｎ個の複数の周波数スペク
トルからなるＬＰＣケプストラム係数の２次元配列 をめる。これをブロック１２にて一次元の配列Ｘ　ｉ　
Ｈに変換する。 ｘ　ｉ　５＝　（Ｃ１１１，Ｃ１１２，−”’　、Ｃ１
１ｐ、Ｃ１２１、−−−、Ｃ，２ｐ。 Ｃ，ｎｌ、　・、　、　Ｃ，ｎｐ） このＸ・・を用いてブロック１３にて音素ｉの標準１ パタンを作成する。以上を各音素毎に行なう。 次に学習の必要がある場合には、ブロック１４にて使用
者の音声を学習し、上記標準パタンの修正を行なう。学
習の工程は必要に応じて設ければ良い０ これに対し、未知音声をブロック１６にて分析して分析
次数ｐでフレーム数ｎ個からなるＬＰＣケプストラム係
数の２次元配列Ｃｊｋをめる。 これをブロック１６にて１次元配列Ｘｉ　に−変換する
０ ！ｉ□（０１１？ＣＩ　２９　”””νＣ１ｐｔＣ２１
ｔ　”””　ｔ　Ｃ２ｐｔＣｎ１．……Ｃｎｐ） このＸｓ　と標準パタンを用いて、ブロック１７にて各
音素毎に、マハラノビスの汎距離に基づく類似度をめ、
判別する。 上記考え方に基づき、−例として学習がある場合の母音
、半母音の標準パタン作成の手順を第４図に示す。音素
ｌに相当する入力音声をブロック２１にて線形予測分析
し、標準パタンとして使用すべきｎ個のＬＰＧケダスト
ラム係数のＣ１ｊ１からＣｔｉｐまでを周波数軸として
２次元パタンを構成するＯｌは音素の種類を、ｊはフレ
ームの順番を表わす。ｐは分析次数である０次にブロッ
ク２２にてパラメータを並べかえて Ｘｉ、＝（Ｃ１１１，Ｃ１１２，−−−−−−、Ｃｔ１
ｐｔＣｔ２；１．”’−−−ｃｉ３１．．．゛−ｃ、ｎ
１．ｃ、ｎｐ）とする。 さらにブロック２３にて多数の音声によるＸ　ｉ　）を
集計し、Ｘ　ｔ　５の平均値をｍ、（ｔはパラメータの
順番を表わし、最大はＭ＝ｎＸｐ）とする０ブロツク２
４でめる共分散行列は音素の種類にかかわらず共通とし
、Ｗで表わす。ブロック２６にてＷの逆行列を■−１と
し、（＋ｔ＋’）要素をブロック２６にてσｊ１′とす
ると、音素１０１番目のパラメータに対する判別係数ａ
ｉ＋はブロック２７にて で表わすことができる。 一方、音楽によって決まる定数ｄ、はブロック２８にて ｄｌ−ｒｍ、　Ｗ″″　ｍ、　（Ｊ でめることができる。ここでｍｉはｍｌｉのベクトルを
、ｔは転置行列を表わす。 以上によりめたａ　１　］　ｔ　ｄ　ｔを音素標準パタ
ンとしてブロック２９に示す係数メモリに蓄える。 又、ブロック２３でめた平均値Ｘｎ１Ｊとブロック２６
でめた逆行列Ｗ−１は学習に使用するため、ブロック３
０に示す学習部に蓄える。 以上のようにして作成された標準パタンは学習により修
正される。しかる後未知の大刀音声と前記修正後の標準
パラメータよりマハラノビス汎距離に基づく類似度を用
いて音素判別される。 入力されたパラメータ”ｉ　”　（ｘ、Ｆ”２　ｔ　”
−Ｘｎ）の音素ｉの分布に対するマハラノビス距離Ｄｉ
２はで表わされる。 ｔは転置行列を表わす。 （３）式の第１項は音素の種類に依存しないため、類似
度り工を簡易的に で表わすことができる。（に）式の第２項は音素の種類
によって決まる定数であり、これをｄｉで表わすと、類
似度Ｌｉは Ｌｉ−、Σ　２Ｌｉｊ”ｊ　’ｉ　（６）コー１ でめることができる。ここでａｉｊ、ａｉは標準バタン
としてすでにめたものを使用する。 実際の学習がある場合の認識手順を第６図に示す装置の
ブロック図を用いて説明する。まず第４図に述べた手順
で作成された標準パタンａｉｊ　ｙｄｉ孤係数メモリ３
１に蓄えておく。又、ｎ、ｗ’を学習部３２に蓄えてお
く。 次に学習による標準パタンの修正について述べる０ すなわち使用者に母音、半母音をマイク３３に向って発
声させ、Ａ／Ｄ変換器３４でＡ／Ｄ変換し、信号処理回
路３５でハミング窓をかけ、プリエンファシスを行なう
。線形予測分析プロセッサ３６にてＬＰＣケプストラム
係数をめ、係数の並べかえを行なってに、とし学習部３
２に転送する。この場合必要に応じて帯域フィルタ３９
からのパラメータ情報を使用することもある。さらにｇ
ｉは判別フィルタ３７にも転送する。類似度計算部３７
は、係数メモリ３１の標準パタンによって前記（＠式に
示した類似度Ｌｉ　をめる。 これをメインメモリ３８に転送する。一方、帯域フィル
タ３９にてセグメンテーションのだめのパラメータ（帯
域パワーおよび全パワー）をめ、メインメモリ３８に転
送する。類似度計算部３７の結果と帯域フィルタ３９の
結果からメインプロセッサ４０にて、学習すべき時間軸
上の位置を決定し、出力部４１を通して学習部３２に指
定してやる。学習部３２は蓄えである平均値ｌ”、ｉ　
ｒ共分散逆行列１ｙ１を用いて次の手順で標準パタンの
話者適合を行なう請求める平均値をＩｍｉとすると、＋
ｍ、／　＝（Ｗ１ｍｉ＋Ｊ４’）／（Ｗ＋１　）　（６
）となる。ここでＷは重み係数である。 このｍｉを用い、適合すべきａ′ｉｊは（１）式により
、崎ｊ−２，Σ　σｊｊ’ｍ’、ｚ　（７）コ　＝１　
ｌコ となる。 又、適合すべきｄｉｒは（２）式によりｄ’−−＋ｍ’
・ｔｙ　’　ｔｍ’・（８）１１　１ となり、このａ／、ｊＩ　ｄ’ｌを話者適合した標準パ
タンとして係数メモリ３１を書き換える。 以上で学習を終了し、実際の音声の認識を次の手順で行
う。 入力された音声をムＤ変換器３４、信号処理回路３６を
経て線形予測分析プロセッサ３６で線形予測分析してＬ
ＰＧケプストラム係数をめ、これを並べかえて系列ｘｊ
　をめる。この１ｊ　と係数メモリ３１に格納されてい
る修正済の標準パタンａ／ｉ５．，３／、とを用い、判
別フィルタ３７にて類似度り、を次式で計算する。 このＬｉ　と、帯域フィルタ３９の結果をメインメモリ
３８に転送する。メインプロセッザ４０はこれらのデー
タによって音声区間の検出、セグメンテーション、音素
認識を行ない、音素系列を作成する。この音素系列を、
同様に音素系列で表記された単語辞書メモリ４２と照合
し、最も類似度の大きい単語名を認識結果として出力部
４１に出力する。 以上述べたように、本方法は音素認識を基本とする音声
認識方法において、音素の標準パタンを複数個のフレー
ムの周波数スペクトルで構成することによって音素の特
徴を十分にとらえ、さらに学習によって音素標準パタン
を自動作成して話者適合させ、高い音声認識性能を持た
せることができる。又、マハラノビス汎距離を距離尺度
とじて使用し、さらに簡易化をはかったため音素の類似
度計算および学習のための演算は簡単であり、高い演算
精度を持つ計算回路を要することなく実現することがで
きる。 第６図は成人女子１０人を対象とｊ−て、母音。 鼻音の認識率を従来のフレーム単位で音素判別を行う方
法で学習のない場合６１、学習のある場合５２と本実施
例の方法５３とを比較したものである。フレーム単位で
の判別でも学習すればがなり改善されるが本実施例はど
の効果はない。 このように標準パターンを複数個のフレームの周波数ス
ペクトルで構成することによって全ての話者に対して顕
著に改善され、平均で誤り率は６．７チとなり、フレー
ム単位の判別で学習ありの場合５２の７０％に圧縮され
ている。 第７図は半母音の認識率について、従来のフレーム単位
の判別で学習ありの場合６１と本実施例の方法６２とを
比較したものである。従来法で認識すると平均で６８．
６％しかできなかったものが、茶実施例を用いると８４
．４％に向上した。認識率は１５．９％向上し、誤り率
は％に減少できる。 まとめると、本実施例による特徴は次の通りである。 （１）音素の標準パタンを複数個のフレームのスペクト
ル又はそれに類似する情報を用いて構成することにより
、高い音素認識率を得ることができる。 （功　学習によって１等・素標準パタン全自動作成し、
話者適合させることにより、従来認識できなかった話者
（たとえば第６図の話者ＹＭ、ＹＩ）に対しても精度の
良い音素認識ができる。 （ｎ　（１）、（２５の効果により、高性能の音声認識
装置を構成することができ、高い単語認識率が期待でき
る。 なお前記実施例は学習のある場合について述べたが、本
発明の特徴は複数個のフレームのスペクトル又はそれに
類似する情報からなる標準パタンを構成し、マハラノビ
スの汎距離に基づいて類似度を算出するところにあるの
で、学習しない場合においても良好な音素認識率を得る
ことができる。 又、本方法により少ない演算量で音素判別することがで
き、装置化も容易である。 また、上記実施例ではスペクトル情報（スペクトルまた
はそれに類似する情報）としてＬＰＣケプストラム係数
の場合について述べたが、フィルタ群による周波数スペ
クトル、Ｌ　Ｐ　Ｇ分析におけるパーコール係数等を用
いても良い。 発明の効果 以上要するに本発明は多数話者の音声から、複数個のフ
レームのスペクトル又はそれに類似する情報よりなる標
準パタンを音素ごとに作成し、前記標準パタンと未知音
声のスペクトル寸たはそれに類似する情報とを用いてマ
ハラノビスの汎距離に基づいてめた類似度または音素系
列によりｆｆ声認識を行なうことを特徴とする音声認識
方法を提供するもので、極めて高い音素認識率を得るこ
とができ、性能の秀れた音声認識装置を実現することが
できる。 ４、図面の簡単な説明 第１図は音素認識を基本とする従来の冨声認識方法のブ
ロック図、第２図は本発明の方法に係わるスペクトルパ
タンの例を示す図、第３図は本発明の一実施例による音
声認識方法を示すブロック図、第４図は本発明の標準パ
タンの作成法を示すブロック図、第５図は本発明の音声
認識方法を具眼化する音声認識装置の一構成例を示すブ
ロック図、第６図及び第７図は本実施例の効果を話者毎
の音声認識率で示した図である〜 ３１……係数メモリ、３２……学習部、３θ…・・線形
予測分析プロセンサ、３７……類似度計算部、３８……
メインメモリ、３９……帯域フィルタ、４０……メイン
プロセッサ、４１……出力部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名第５
図

Claims (2)

【特許請求の範囲】
1. （１）多数話者の音声から、複数個のフレームの周波数
   スペクトルよりなる標準パタンを音素ごとに作成し、前
   記標準パタンと未知音声のスペクトルまたはそれに類似
   する情報とを用いてマハラノビスの汎距離に基づいてめ
   た類似度または音素系列により音声認識を行うことを特
   徴とする音声認識方法。
2. （２）標準パターンを学習により修正することを特徴と
   する特許請求の範囲第１項記載の音声認識方法。