JPS6068393A - 音素判別方法 - 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 本発明は音素認識を行なうことを特徴とする音素認識方
法における音素の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 近年、不特定話者・多数語を対象とする音声認識に対す
る研究開発が盛んになってきた。

音素認識を行なうこと全特徴とする音声認識方法は、ア
クセントの違いなどの話者による変動を受けにくいこと
、音声信号を音素系列という少ない情報量でしかも言語
学に対応した記号に変換するため、単語辞書の容量が少
なくてもよいこと、単語辞書の内容全容易に作成したり
変更したりできること、など不特定話者・多数語の認識
には適３、−ゾ した方法である。この方法における重要なポイントは音
素認識を正確に行なうことである。母音の認識はともか
くとして、子音の認識は従来から技術的に難しい問題と
されてきた。したがって、ここでは主に子音に絞って述
べてゆく。

個々の子音の特徴に関する音声学的な研究は、以前から
数多く行なわれている。しかし、音声信号のセグメンテ
ーションを行なって子音区間全検出して音素を認識する
方法、いわゆる自動認識に対する従来例は多くない。こ
こでは、本出願人を含むグループが先に出願した技術全
従来例として取りあげ、問題点を挙げる。

従来例における音素区間の検出方法を第１図によって説
明する。次の３つの方法を併用している。

イ、音声・無声判定を行ない無声区間全子音区間とする
。第１図（ＩＬ）に示すように、音声を１０ｍ’ｉｅＣ
’程度のフレームに分割し、各フレームに対して有声・
無声判定を行なう。そして無声フレームが連続している
区間を子音区間とする。この方法は無声子音の検出に有
効である。

１１開口ＨＧＯ−６８３９３（２） 口、音声区間の各フレームを６母音と鼻音（／ｍ／。

／ｎ／、はつ音）の標準パターンと比較し、類似度が最
も大きくなる音素をそのフレームの認識結果とする。そ
して、鼻音として認識されたフレームが連続している区
間全子音区間とする（第１図（ｂ））。これは有声子音
のスペクトルが、母音よりも鼻音に近いことを利用した
セグメンテーション方法である。

ハ、音声パワーの時間的な動きからパワーのくぼみ（パ
ワーディラグ）を検出し、ディップ区間を子音区間とす
る（第１図（Ｃ））。これは子音のパワーが母音部のパ
ワーよりも小さいことを利用したセグメンテーション方
法でアル。

このようにして得られた子音区間に対し、従来法では次
のようにして子音全認識していた。第２図によって説明
する。子音区間の全フＬ／−ムを対象として、フレーム
ごとに各子音の標準パターンとの類似度を計算する。図
では音素Ａに対する類似度ｆ　／ａ　、　Ｂに対する類
似度’ｆｘｌｂ、ｃに対する類似度ｋ１．ｃと表わして
いる。類似度は（式１）７！ｊ＝−（Ｘ−μ、）Ｔ・Σ
５１・（χ］附）−Ｋｊ　（式１）たた°し、ｊは音素
名（ａ、ｂ、ｃ・・・・・・）　、　Ｋｊは音素ｊに依
存する定数である。またχは入力特徴パラメータ（Ｌｐ
ｃケグストラム係数）ベクトル、辺は平均値ベクトル（
標準パターン）、Σは共分散行列（標準パターン）であ
る。

そして、全フレームに対する音素Ａ、Ｂ、Ｃ・・・の類
似度和をそれぞれり、Ｌ、　Ｌｂ、　Ｌｏ・・・・・・
とすると、となる。このようにして、類似度和が最大と
なる音素’を認識された音素とする。

上記で説明した従来例の問題は後半の音素判別の部分で
あり、セグメンテーションによって区間を決めた後、そ
の全区間に対して、フレームごとに類似度計算を行なう
点である。

すなわち、子音区間全体全時間的に静的であると決め込
み、全区間を平等に扱っていることである。

６ページ しかし、母音はともかくとして、子音や半母音は区間内
で時間的に特徴パラメータが変化するものであり、その
変化形態に各音素の特徴が見出される。そして、特徴を
有する部分（特徴部）は子音や半母音の種類によって異
なっている。たとえば有声、無声破裂音では、破裂付近
に音素を判別するだめの特徴が集中し、鼻音では後続母
音へのわたりの部分に音素判別のための特徴部があり、
原音や半母音では音素区間全体のパラメータの動きに特
徴がある。

したがって、子音や半母音の判別には、各音素を判別す
るだめの特徴部を正確に抽出し、特徴部におけるパラメ
ータの時間的な動きに着目して音素判別を行なう方法が
有効である。従来例ではこのような配慮がなされていな
い。

発明の目的 本発明は従来技術のもつ以上のような欠点を解消するも
ので、音素の特徴部全正確に抽出し、特徴部におけるパ
ラメータの時間的な動きを含めて音素標準パターンとの
マツチングを行なうことに７ページ より、高い精度で音素全判別する手段を提供することを
目的とするものである。

発明の構成 本発明は上記目的を達成するもので、音素区間で音素の
特徴をよく表現する部分（以下特徴部と記す）に対して
各音素ごとに作成された標準パターン（以下音素標準パ
ターンと記す）と、識別対象とする音素群に関して特徴
部の周囲情報に対して作成された標準パターン（以下周
囲情報標準パターンと記す）を用意し、入力音声のセグ
メンテーションを行なって音素区間中の特徴部候補区間
をめ、前記特徴部候補区間の各時点に対して前記音素標
準パターンと周囲情報標準パターンを適用してパターン
マツチングを行ない、各音素との類似度全特徴部の周囲
の影響全除去した形で特徴部候補区間全域についてめ、
前記特徴部候補区間内におげろ類似度全比較することに
よって音素の判別を行うことを特徴とする音素判別方法
を提供するものである。

実施例の説明 特開昭ＧＯ−６８３９３（３） 以下本発明の一実施例を図面を参照しながら説明する。

本実施例は、各音素の特徴部を目視によって正確に検出
し、多くのデータを使用して、音素標準パターンを予め
作成し、さらに一度に類似度を比較する全ての音素（音
素群に属する音素）を対象にして、特命部の周囲情報の
標準パターンも作成しておき、音素の判別は、先ずセグ
メンテーションパラメータによって特徴部の候補区間金
少し広めに設定し、次に候補区間の全域に対して、各音
素の標準パターンと周囲情報の標準パターンを１フレー
ムずつずらせながら適用して類似度を計算することによ
って、候補区間の中から正確に特徴部を検出するととも
に音素の判別を行なうものである。

先ず標準パターンの作成方法を説明する。音素標準パタ
ーンは、音素ごとに目視によって切出した特徴部につい
て特徴パラメータ全抽出し、多くのデータの平均値と共
分散行列をめることによって作成する。特徴パラメータ
は、線形予測分析９ベージ （ＬＰＧ分析）でめたＬＰＧケプストラム係数全使用し
ている。

いま１フレームあたりの特徴パラメータの数をｄとし、
特徴部のフレーム数をｊとすると、特徴部のパラメータ
系列χは （ｊ）（ｊ）（ｊ） ！１　、　ｘ２−ｘｄ）　（式２） で表わされる。ｘ（ｋ）は特徴部の第にフレームにおけ
るｉ番目のＬＰＧケプヌトラム係数である。

多くのデータに対してパラメータ系列を抽出し、各要素
の平均値ベクトルＬと要素間の共分散行列Σをめ標準パ
ターンとする。

（ｊ）（Ｊ）（ｊ） μｍ、μ２・・・μｄ）（式３） ただしμ年）＝ふｘ（ｋゝ／Ｍ（Ｍはデータ数）ｌ　ｚ
、Ｉ） 共分散行列は複雑なのでここには記さない。このように
本実施例の方法では、複数フレームの特徴パラメータを
使用してすなわちパラメータの時間的動きを考慮して標
準パターン全作成しているの１０、−ジ が特徴である。

次に周囲情報の標準パターン作成方法を説明する。周囲
情報の標準パターンは、音素判別において類似度を相互
に比較する音素群に対して１種を作成する。たとえば、
有声破裂音群（／ｂ／、／（１／。

／ｑ／）に対して１つ、鼻音群（／ｍ／　、　／ｎ／　
、　／１７／）に対して１つ、・・・・・・という割合
である。

周囲情報の標準パターンは、特徴部の周囲の情報の性質
をパターン化したものである。各音素群には、その音素
群に共通の性質がある。たとえば有声破裂音の特徴部は
破裂付近であるが、破裂の前には必ず数フレームのバズ
区間があり、破裂の後は急速に母音に接続する。無声破
裂音では特徴部（破裂付近）の前に無音区間がある。

また鼻音では特徴部（後続母音へのわたりの部分）の前
に定常的な鼻音性フレームが存在する。

周囲情報の標準パターンは、このような音素群に共通な
性質を標準パターン化するものである。

第３図に具体的な作成方法の一例を示す。特徴部（図の
斜線部）に対し、前後に十分な長さの区１１、−ジ 間を設定して周囲情報区間を決める。区間の長さは音素
群ごとに設定する。周囲情報区間りに対して、βフレー
ムずつ区切りなからｄｘβ次元のパラメータ系列を、図
に示すように１フレームずつシフトさせながら、全区間
に対してめる。この操作を音素群に属する全データに対
して適用し、音素標準パターン作成の場合と同様の方法
で、周囲情報に対する標準パターンをめる。このように
すると、特徴部のデータも混入するが、定常性を有する
周囲情報のウェイトが格段に太きいため、問題とならな
い。

次に音素の認識方法を説明する。先ずセグメンテーショ
ンパラメータによって子音区間を決め、子音区間の後端
を基準点として、特徴部の候補区間全多少広めに設定す
る。セグメンテーションパラメータには何を用いてもよ
いが、本実施例では高域、低域のパワーディップ金主に
用い、ディップの立上り部全基準点としている。パワー
ディップがとらえにくい場合、有声・無声判定結果およ
び鼻音性を併用している。

次に、特徴部候補区間から特徴部を検出して音素の判別
を行なう方法全説明する。今後の説明では簡単のために
、音素群が２音素（音素１．音素２）で構成されている
ものとする。音素数が増しても、考え方は同じである。

特徴部候補区間ｔｔ１〜ｔ２とする。い丑、時点１（１
，≦ｔ≦ｔ２）におけろ未知入力ベクトル（判別される
べきデータ）をＸ、とする。χ、は（式２）と同様の形
式である。そして音素１の標準パターン（平均値）ｔｔ
ｕ４．　音素２の標準パターン（平均値）ヲ朽１周囲情
報の標準パターン（平均値）をか。と踵音素１．音素２
および周囲情報の全てに共通な共分散行列をΣとする。

Σは各々の共分散行列を平均することによって作成する
。

時間ｔにおける未知入力の音素１との類似度（距離）を
Ｂ１９．とすると Ｌｌ、ｔ　＝　（Ｘ　ｔ／４１　）Ｔ・Σ４・（Ｘｔ−
汝、）−（Ｘ：ｔ−μ。）・Σ・文、−μ。）（式４）
同様に音素２との距離ｋＬｚ、ｔとすると１３４−ッ Ｂ２．ｔ＝（Ｘｔ１０２　）Ｔ・Ｘ−１・（Ｘｔｔｔ２
　）−（Ｘｔ−μ。）・Σ−’−（Ｘｔ−μ６）（式６
）とする。これらの式の第１項は音素に対するマハラノ
ビス距離、第２項は周囲情報に対するマハラノビス距離
である。したがって、これらの式の意味は、時点ｔにお
ける未知入力と音素標準パターンとの類似度（距離）か
ら周囲情報に対する距離を減じたものを、新たに音素と
の距離とすることである。（式４）および（式６）の計
算ヲｔ１〜ｔ２の期間を対象として行ない、Ｌｌ、ｔ、
Ｂ２．ｔのうち、この期間に最小となった方の音素を認
識音素とする。

実際には（式４）、（式６）は次のように簡単な式に展
開できる（本質的でないので導出は略す）。

Ｌｌ、ｔ−ａ、・ｊＣｔ−β、（式４）′Ｌ２．ｔ＝ｔ
２・Ｊｔ−ｌＢ２（式６〕′ｉｔ、、　Ｌ２＋　ＩＢ、
　、　ＩＢ２’ｅ新たに周囲情報を含んだ標準パターン
とする。

上記の方法の概念的な説明を第４図で行なう。

第４図ｅ）に示す状況において、子音の判別を行１４　
、、　、、。

なう場合を考える。この子音の真の特徴部（斜線部）に
対震特徴部候補区間Ｔがｔ、〜ｔ２としてめられたもの
とする。（ｂ）ｉｌ−１′音素１．音素２に対する距離
の時間的変動をそれぞれ実線と破線で示したものである
。Ａ、Ｂ、Ｃは距離が極小となる位置を示す。真の特徴
部（Ｂ点）においては音素１の分が音素２よりも小さく
、この子音は音素１として判別されるべきである。しか
るに、セグメンテーションパラメータによって自動的に
めた特徴部候補区間内においては、音素２がＡ点におい
て最小となるため、このままでは音素２に誤判別されて
し壕う。第４図（Ｑ）は未知入力の周囲情報の標準パタ
ーンとの距離を示したものであり、真の特徴部付近で値
が大きくなる。これは、標準パターンが主に周辺の情報
によって作成されているためである。第４図（（１）は
周囲情報を含んた゛音素標準パターンとの距離であり、
Φ）から（ｃ）　ｅ減じたものと等価である。（ｄ）で
はＡ点よりもＢ点の値が小さくなっており、この子音は
正しく音素１として判別されることにな、。

１６７゜　、。

このように、本発明の方法を用いることによって、セグ
メンテーションパラメータでめた大まかな特徴部候補区
間から、正確に真の特徴部を抽出して音素全判別するこ
とができる。

なお、上記においてはマハラノビス距離で説明したが、
その他の距離においても考え方は同じである。たとえば
（式１）を使用する場合、距離のかわりに尤度を用い、
極小値のかわりに極大値を使えば工い。また、上記では
子音によって説明したが、時間的に変動する音素、たと
えば半母音に対しても同様な方法が適用できる。

第Ｓ図は本発明の方法を実現するためのブｏ。

り図である。１は特徴パラメータ抽出部で、入力音声の
分析全行なって特徴パラメータを抽出する部分である。

ここではＬＰＧ分析を行なってＬＰＧケプストラム係数
をめ類似度計算部２に送出する。また、特徴パラメータ
抽出部１では入力音声の高域バワート低域ハワーをめて
セグメンテーション部４に送出する。類似度計算部２は
入力パラメータと、特開昭ＧＯ−６８３９３（５） 標準パターン格納部３に格納されている各標準パターン
との距離をフレームごとに計算する。標準パターン格納
部３には音素標準パターン、周囲情報の標準パターンの
他にセグメンテーションに用いる、有声・無音標準パタ
ーンと５母音・鼻音の標準ハターンも格納されている。

セグメンテーション８４では、類似度計算部２から送出
されろ類似度情報と、特徴パラメータ抽出部１から送出
されるパワー情報によって音素区間を決める。音素判別
部６は、音素区間と各音素に対する類似度、周囲情報の
類似度によって特徴部全抽出し、特徴部における音素の
類似度全比較して、音素の判別を行ない、結果を出力す
る。

本実施例によって、語中子音を対象として平均７６．１
％の認識率を得た。従来法で同様の評価を行なうと７２
．６％であった。従来法では一部、子音群として認識し
ているものもあることを考慮すれば、本実施例の効果が
顕著であることがわかる。

使用したデータは男女計２ｏ名が発声した２１２１７、
・　−・ また周囲情報の標準パターンを使用することの効果を調
べるため、有声破裂音と鼻音によって実験を行なった。

その結果、周囲情報の標準パターンを用いない場合には
音声破裂音での認識率が７Ｊ７％、鼻音で６４．１％で
あったのに対し、周囲情報の標準パターンを用いると、
それぞれ７４．７％、７ｅｓ、２％に向上した。特に鼻
音に対して顕著な効果が現われている。これは、鼻音の
パワーディラグが不明瞭なため、音素区間が正確に抽出
できないことが原因である。周囲情報の標準パタ７ンを
導入すると、音素区間が不明確な場合でも、特徴部が正
確に検出でき、認識率が向上することにより、本実施例
の効果が検証できた。

発明の効果 以上型するに本発明は音素区間で音素の特徴をよく表現
する部分（以下特徴部と記す）に対して各音素ごとに作
成された標準パターンと、識別対象とする音素群に関し
て特徴部の周囲情報に対して作成された標準パターンを
用意し、入力音声のセグメンテーション全行なって音素
区間中の特徴１８、・　・・ 部候補区間をめ、前記特徴部候補区間の各時点に対して
前記音素標準パクーンと周囲情報標準パターンを適用し
てパターンマツチング全行ない、各音素との類似度全特
徴部の周囲の影響を除去した形で特徴部候補区間全域に
ついてめ、前記特徴部候補区間内における類似度を比較
することによって音素の判別を行うことを特徴とする音
素判別方法を提供するもので、 イ、音声の自動セグメンテーションを行って、高い精度
で音素を判別することができる。

口、音素標準パターンと周囲情報標準パターンを用いる
ことにより、音素判別に有効な部分（特徴部）全自動的
にしかも正確に抽出し、マツチングを行なうことができ
る。

等の利点を有する。

【図面の簡単な説明】

第１図は従来における音素認識方法を説明する図、第２
図は従来における類似度計算法を説明する図、第３図は
本発明の一実施例におけろ音素判）Ｒ方法の、周囲情報
標準パターンの作成法全説明１９ア。−０゜ する図、第４図は本発明における同方法の、特徴部の検
出及び音素判別を行う方法を説明する図、第６図は本発
明における同方法全具現化するためのブロック図である
。 １・・・・・・特徴パラメータ抽出部、２・・・・・・
類似度計算部、３・・・・・・標準パターン格納部、４
・・・・・・セグメンテーション部、６・・・・・・音
素判別部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名第１
図 第２図 第３図 第４図 勺 りべ 憾

Claims (1)

1. 【特許請求の範囲】 （１）音素区間で音素の特徴をよく表現する部分（以下
   特徴部と記す）に対して各音素ごとに作成された標準パ
   ターン（以下音素標準パターンと記す）と、識別対象と
   する音素群に関して特徴部の周囲情報に対して作成され
   た標準パターン（以下周囲情報標準パターンと記す）を
   用意し、入力音声のセグメンテーション全行なって音素
   区間中の特徴部候補区間をめ、前記特徴部候補区間の各
   時点に対して前記音素標準パターンと周囲情報標準パタ
   ーンを適用してパターンマツチングを行ない、各音素と
   の類似度を特徴部の周囲の影響を除去した形で特徴部候
   補区間全域についてめ、前記特徴部候補区間内における
   類似度を比較することによって音素の判別を行うことを
   特徴とする音素判別方法。 Ｃ２）パターンマツチングにおける距離尺度として、２
   ページ 統計的距離尺度を用いることを特徴とする特許請求の範
   囲第１項記載の音素判別方法。 （３）統計的距離尺度がマハラノビス距離であルコとを
   特徴とする特許請求の範囲第２項記載の音素判別方法。