JPS6068396A - 音素分類方法 - 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声認識方
法における音素分類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
を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。

単記辞書の容量が少なくてもよいこと、単語辞書の内容
を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。特に子音のセグメンテーションおよび
認識が技術的に難しい問題点であるＯ 従来から個々の子音または子音グループとしての特徴を
明らかにする研究は数多く行なわれてきたが、音声信号
中から子音のセグメンテーションを行なって音素を特定
する。いわゆる自動認識に対する従来例は多くない。従
来例の代表的なものは、スペクトルのローカル・ピーク
を特徴パラメータとして子音認識を行なう方法であり、
これは「音声スペクトルの概略形とその動特性を利用し
た音声認識システム」三輪他１日本音響学会誌３４（１
９７８）に述べである。しかし、この方法は子音認識率
が十分でない。ここでは−従来例として本出願人が先に
出願した技術を取りあげて説明し、その問題点を列挙す
る。

従来例では一音素のセグメンテーションのために、次の
３種の情報を用いる。

イ、有声・無声・無音判定結果 入力音声をフレームごとに区切り一各フレームに対して
、有声・無声・無音の判定を行ない。

時系列として表わす。１フレームは１０ｍ５ｅｃ程度と
する。無音または無声フレームが連続する部分を子音区
間とする。

口、母音・鼻音・無声音の標準パターンによる音素判別
結果 ６母音・鼻音（／ｍ／、／ｎ／、はつ音をまとめたもの
）、無声音（／Ｓ／、／ｈ／をまとめたもの）の７種の
標準パターンを使用して、入力音声をフレームごとに標
準パターンと比較し、類似度が最大となる標準パターン
塩をフレームごとに付し１時系列として表わす。子音区
間は、鼻音フレームまたは無声フレームが持続する区間
とする。

ハ、パワーディップ フレームごとに音声パワーをめ、これを時系列として表
わす。子音区間はパワーの凹みが生じる部分（パワーデ
ィップ）とする。

以上３種の情報をパラメータとして音素のセグメンテー
ションを行なう。第１図に具体例を示す。

第１図は「ラクダＪ　（／ｒａｋｕｄａ／）　と発声し
た場合の各パラメータの動きを示したものである。

図において（ａ）は手作業によって名前づけした音素。

０））は有声（ｖ）・無声（ｕ）・無音（Ｑ）判定結果
を−（Ｃ）は母音（Ａ、Ｉ、Ｕ、Ｅ、Ｏ）・鼻音Ｃ）・
無声音（Ｓ）判定結果をフレームごとに示しである。ま
た（ｄ）は音声パワーの時間的な動きを示したものであ
る。各パラメータにおいて、→で示す区間が、子音区間
として判定された部分で、（θ）はその判定結果を示し
たものである。第１図（ａ）は目視によってめたもので
あるが、（ａ）の子音部分が各パラメータで検出されて
いることがわかる。また、各パラメータでめた子音区間
を総合すれば−（２Ｌ）の子音区間とほぼ一致している
。

次に音素の判別は、子音区間として検出された区間に対
し一フレームごとに子音標準パターンと照合することに
よって行なう。子音標準パターンとしては 有声子音：／Ｎ／（鼻音）、／Ｂ／（有声破裂６・〒う
・ 音／ｂ／、／（１／、／ｇ／）、／ｒ／。

／’ｌ／　、／ｈ１／（／ａ／、１０／　、／ｕ／の後
続する／ｈ／）、／に１／（／ａ／。

１０／、／ＩＩ／が後続する無声破裂音／ｐ／。

／ｌ、／、／に／） 無声子音：／Ｓ／（無声摩擦音／Ｓ／、／Ｃ／）。

／ｈ２／（／ｉＬ／、１０／、／ｕ／以外の音素が後続
する／ｈ／）、／に２／（／ａ／。

１０／、／ＩＩ／以外の音素が後続する無声破裂音／ｐ
／、／ｌ／、／に／） を用意しておく。子音区間に対し、有声・無声・無音判
定結果で有声と判定されたフレームには有声子音標準パ
ターンを、無声と判定されたフレームＶＣｎｌｌｊＥ、
Ｐ４４準ハターンを適用し、フレームごとに各音素の標
準パターンに対する類似度をめておく。そして子音区間
の全フレームに対し一各音素標準パターンに対する類似
度を加えあわせ、その和が最も大きくなる標準パターン
の音素名をその子音区間の音素判別結果とする。ただし
、無音と判定されたフレームに対しては対象としない。

捷た標準パターン／に１／として判別されても／に２／
として判別されても、それらを同一視して／に／に置き
かえる。／ｈ／に対しても同様である。

第１図（８）は音素判別結果の例を示したものであり、
比較的良い結果を得ることができることがわかる。

しか１７．従来法は次に述べる理由によって一十分な音
素判別結果を得ることができない。

４１時間的な動きを考慮していない 母音と異なり、子音は特徴パラメータの時間的な動きに
特徴がある。従来法では、フレームごとの音素判別を基
本としており、フレーム間でのパラメータの動きを考慮
していない。大分類が十分に行なわれていない。

口、子音は母音に比べて種類が多く−シかもお互いに類
似した特徴を有するものが多い。したがって−子音を適
当なパラメータでいくつかのクラスに分類して、一度に
マツチングする音素の種類を絞った方が良い結果が期待
できる。従来法では、有声子音と無声子音の２つのクラ
スに大分類しているが−この程度では不十分である。

ハ９％徴点をとらえていない 子音は種類によって一特徴点が異々っている。

たとえば破裂子音では破裂点に特徴が集中し、鼻音では
後続母音へのわたりの部分に特徴が集中している。従来
例では、子音区間内のフレームを一律に取扱って類似度
の和で音素判別を行なっており、各子音に対する特徴点
が考慮されていない。したがって精密な判別を行ない得
ないため、有声破裂音間、無声破裂音間、鼻音間の判別
が行なわれていない（たとえば−／ｂ／。

／６／、／ｇ／をまとめて／Ｂ／で代表している）。

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、子音の大分類を正確に行ない一各子音の特徴点に
着目し、特徴点付近のパラメータの時間的左動きを考慮
して子音標準パターンとのマツチングを行なうことによ
り一高い精度で子音全判別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、音声パワー情報の
時間的変化によって生じるパワーのくぼみ（パワーディ
ップ）の大きさによって音素を複数の音素群に大分類し
１次に大分類された音素群内の音素を対象として、パワ
ーディップの位置を基準点として入力音声の特徴パラメ
ータと標準パターンとの類似度を統計的距離尺度によっ
て計算して音素群をさらに細分類することを特徴とする
音素分類方法を提供するものである０ 実施例の説明 本発明の特徴は。

イ、音声スペクトルの高域パワーと低域パワー情報の時
間的な動きから、パワーディップを検出し、子音の検出
を行なう。次に、子音部における高域パワー、低域パワ
ーの各々のパワーディップの大きさをめ、これらを使用
して、子音を無声破裂音群（／ｐ／、／ｌ／。

／に／、１０／’）、有声破裂音群（／ｂ／。

１０　、。

／″７ ／（１／、／ｇ／）、鼻音群（／ｍ／、／ｎ／）。

無声摩擦音群Ｃ／ｆ３／、／ｈ／）に大分類する。ただ
し、原音／ｒ／と鼻濁音／ｙ／は有声破裂音群、鼻音群
の両方に混入し、有声摩擦音／Ｚ／は有声破裂音、無声
摩擦音群に混入する。

ロ、無声破裂音群、有声破裂音群、鼻音群の各クラスに
対して高域パワーディップ、低域パワーディップの立上
り点（有声破裂音群、鼻音群に対しては後続母音へのわ
たり部分に大体対応し、無声破裂音群では破裂部分に対
応する）を特徴点とし、その付近を対象としてパラメー
タの時間的な動きを考慮した標準パターンとの類似度を
統計的距離尺度によってめ、これらの子音群内を個々の
音素に細分類する。

ハ、特徴点の異なる子音または子音群を次々と除去して
ゆき１階層的に子音を判別してゆ〈０ことにあり、以下
実施例について図面を参照しながら説明する。

１１　。　２、 第２図は本発明の音素分類方法を説明するためのブロッ
ク図である。図において入力音声信号は−フィルタ分析
、パワー計算部１とＬＰＧ分析分析部上る。フィルタ分
析、パワー計算部１では一音声信号を低域、中域、高域
の３チヤンネルの帯域フィルタで周波数分析を行ない、
各チャンネルに対して一１アレーンー　（１ｏｍｓａｃ
）ごとにパワー（帯域パワー）を計算する。低域フィル
タｆｉ　２５０〜６００ｔ（ｚ、中域フィルタは６ｏ○
〜１６０ｏ１１Ｚ。

高域フィルタは１６ｏＯ〜４０ｏＯＩＩＺ程度の帯域を
使用している。これらの帯域パワーは王に子音を検出し
、子音区間を決定する（子音セグメンテーションを行な
う）ために使用する。

ＬＰＧ分析分析部上入力音声信号に対し、フレームごと
にＬＰＧ分析（線形予測分析）を行なう。

分析フィルタの次数は１６次程度としている。特徴パラ
メータ抽出部３では−Ｌｐｃ分析部２の結果から−ＬＰ
Ｃケプストラム係数を計算する。これは周波数スペクト
ルの概形を記述するパラメータであり一不特定話者の音
素認識に対して有効なパラメータである（二矢田他「不
特定話者の音素認識を目的とした特徴パラメータと距離
尺度の評価」音響学会講論昭和６７年１０月参照）。母
音判別、有声・無声判別部５では、母音・鼻音（／Ｔｎ
／、／ｎ／、はつ音をまとめたもの）の標準パターンに
対する特徴パラメータの類似度計算をフレームごとに行
ない、最も類似度の高い音素をそのフレームの（母音、
鼻音を対象とした）判別結果として出力する。また同様
に有声・無声標準パターンに対する類似度を計算し一フ
レームごとに有声・無声判別結果を出力する。類似度を
計算する距離尺度としては次のような統計的距離尺度が
有効である。（上記の参考資料参照）。

入力特徴パラメータ：Ｘ−（Ｘｌ、Ｘ２・・・・・・・
・・Ｘａ）標準パターン：平均値ｈ−Ｃμｍ、μ２・・
・・・・・・−・・・μｄ）１３、、、、 ただし−ｄは次元数である。

とすると、音素ｉに対する距離は次のように定義される
。

ベイズ判定に基づく距離： （Ｋ−βｉＮ・・・・・・・・・・・−・・・・・−・
−・・・・・・（式１）マハラノビス距離： Ｌｉ−（Ｋ−Ｌｉ）・Σ　・（Ｋ−Ｌｉ）・・・・・・
（式２）添字−１は逆行列を、Ｔは転置を表わ すＯ （式１）においてはＰｉを最大にする音素を。

また（式２）においてはＬｉを最小とする音素を。

そのフレームの判別結果とする。有声・無声判定も同様
である。（式１）、（式２）によって、はぼ同様の結果
が得られる。

子音検出部４は、フィルタ分析、パワー計算部１４、・
二・ １から出力された帯域パワーの時系列波形からパワーの
凹み（パワーディップ）を検出し、子音のセグメンテー
ションを行なう。また母音判別、有声・無声判別部５で
、鼻音と判別されたフレームまたは無声と判定されたフ
レームが連続するとき。

それらの部分も子音区間としてセグメンテーションを行
なう。

パワーディップの検出の方法を第３図によって説明する
。第３図（ａ）は帯域パワーの時系列波形を表わしたも
のであり、子音区間に凹みが生じることを示している。

（ａ）を微分（計算機では差分）すると０１））のよう
になる。（ｂ）において、最小値から最大値までの区間
ｌを子音区間とする。また（ｂ）の尖頭値間の値ｄをパ
ワーディップの大きさと定義する。０は基準点である。

子音大分類部６では子音検出部４にて子音としてセグメ
ンテーションされた部分について、パワーディップの大
きさを使用して子音を大分類する。

一般に有声子音のスペクトルは低域部に集中するため、
高域パワーの時系列情報により大きなディツブが生じや
すい。また無声子音はスペクトルが高域部に集中するの
で一低域パワーにより大きなディップが生じやすい。無
声破裂音は無音から立上がるため、低域パワー、高域パ
ワーの両方に大きなディップが生じる。鼻音は、どちら
にも大きなディップは生じないが、有声音なので、高域
パワーのディップの方が大きい。

低域パワーディップの大きさをＰＬ、高域パワーディッ
プの大きさをｐ、とじて、ＰＬ−ＰＨ平面上に各子音群
の位置を表示したのが第４図である。

第４図において＋　ＰＬもＰＨも小さく、シかも鼻音ま
たは無声としてセグメンテーションされないパワーディ
ップは付加Ｖとして子音候補から除去する。このように
低域パワーディップ、高域パワーディップの大きさに着
目することによって一子音を無声破裂音群１．有声破裂
音群■、無声摩擦音群■、鼻音群■に大分類することが
できる。ただし、／２／は有声破裂音群と無声摩擦音群
の両方に混入する。これは／Ｚ／がうなり（バズ）の部
分と摩擦の部分の両方の性質を有する音素であるためで
ある。また／ｒ／と／ｙ／は有声破裂音と鼻音の両方に
混入する。これらの音素は前後の母音の影響を強く受け
、出現環境によってパワーディップの大きさが異なるた
めである。

このようにして大分類によって候補を絞った後。

次の段階では子音細分類部７で一各子音群内で細分類を
行なう。子音細分類部７は、各子音群に対応して無声破
裂音判別部８．有声破裂音判別部９゜鼻音判別部１０．
無声摩擦音判別部１１によって構成されている。この部
分では特徴パラメータ抽出部３の出力と一音素標準パタ
ーンとの類似度をめ、各音素に対する類似度を比較する
ことによって子音を判別する。

無声破裂音、有声破裂音は破裂点から後続母音へ遷移す
る部分に特徴がある。したがって無声破裂音群内または
有声破裂音群内で細分類を行なうには破裂点付近の時間
的な動きを考慮した類似度計算を行なうことが必要であ
る。鼻音は母音へのわたりの部分に特徴があり−この部
分の時間的動きを考慮した類似度計算が必要である。流
量Ａ／１７５　〕・ は区間全体のスペクトル変化と持続時間に特徴がある。

／Ｚ／はバズ部とそれに続く摩擦部を有することに特徴
がある。

このように各子音群によって特徴点には差異があるが、
特徴点を基準とした時間的な動きが重要な情報であるこ
とは共通している。正確な特徴点を見出すことは重要で
あるが、自動抽出を行なう場合は必ずしも正確に見つか
らない。しかし−各音素群の特徴点がパワーディップの
立上り付近であることは経験的にわかっているため一第
３図中）に示したようにパワーディップの立上りフレー
ムを基準点として、その前後数フレームにわたって類似
度を計算し、類似度が最大となるフレームの値をその音
素に対する類似度とする。

次に類似度の計算に関しては、（式１）または（式２）
を使用して１時間的な動きを考慮した類似度を計算する
。すなわち、類似度計算に使用するデータとして単一フ
レームの特徴パラメータでなく、複数フレーム（いｔＡ
フレームとする）の特徴パラメータを使用する。（式１
）または（式１Ｂ、、、。

２）で ニー（ｘ（１）、Ｘ（↓）、　、、、、、、　ｘｑ）、
　岬、　ｘ（ｙ、、、、、、　ｘＢ）、、−ｘ（？　、
　Ｘ（：　、　、、、　、８．ｘｉ　）、　−（、（＋
＋　、　清）　、　、、、、、、　Ｊ＋　、　、、（：
）　、　、％）、、、　、、、　、５＋、、、　、、。

μマ、μ（夕、・・・・・・μざ） のようにｄｘ１次元のデータを用いる。共分散行列も同
様にｄＸ／次元とする（複雑になるので記さない）。標
準パターンは視察によって定めた特徴点を中心として切
出した多くの音素を使用して。

あらかじめめておいたものを使用する。このように、複
数フレームのデータを用いることによって、特徴パラメ
ータの類似度とその時間的な動きの類似度を統計的距離
尺度によって一度に計算することができる。

このように、大分類によって候補数を絞り、＃１分類に
は特徴点を基本として時間的な動きを考慮した統計的距
離尺度で子音を判別する方法は、子音の性質を利用した
合理的な子音認識法である。

なお＋　／ｚ／、／ｒ／、／ｙ／は複数の子音群に混入
し、特徴点が他の子音とは異なる場合があ１９・・　ミ
・ る。このような場合−これらの音素を細分類の前に除去
しておくことも可能である０この実施例を第６図に示す
。図は第２図の子音細分類部７の部分を中心に示し、無
声摩擦音群、有声破裂音群から有声摩擦音／Ｚ／を分離
する場合を示したものである。

前にも述べたように昨／はバズとそれに続く摩擦性が特
徴であるので１時間的な動きを考慮すれば有声破裂音や
無声摩擦音と区別できる。第６図において、子音大分類
部６で無声摩擦音群、有声破裂音群として分類された子
音に対し、有声摩擦音判別部１２によって、これらの子
音群からＮのみを除去する。除去の方法Ｖｉ一時間的な
動きを考慮した／Ｚ／の標準パターンと、／２／以外の
標準パターンによって、基準点付近で類似度を計算する
方法による。／Ｚ／を除去した後、有声破裂音群は有声
破裂音判別部８へ無声摩擦音は無声摩擦音判別部１１へ
入力される○ 同様に第６図は有声破裂音群に含まれる／ｒ／と／ｙ／
を除去する方法を示したもので１図は第２図の有声破裂
音判別部９の部分を示している。

有声破裂音／ｂ／、／（１／の特徴が破裂点にあるのに
対し、／ｒ／や／ｙ／は子音区間全体のスペクトルの動
きが特徴である。したがって、これらを−律に分離する
よりも階層的に分離した方が良い結果が得られる。第６
図において／ｒ／、／ｙ／分離部１３は、／ｒ／の標準
パターン、／ｙ／の標準パターンおよび／ｂ／、／ｄ／
をいっしょにした標準パターンの３種によって特徴パラ
メータの類似度°を計算し、／ｒ／と／ｙ／を分離する
部分である。これらの標準パターンは／ｒ／と４ヅを分
離するために最適なフレーム長に設定してあり、基準点
を中心に、最適な場所で類似度計算を行なう。／ｂ／、
／Ｃ１／判別部１４は破裂点付近に対して適当なフレー
ム長を対象にして類似度計算を行ない、／ｂ／と／ｄ／
を判別する。

第６図、第６図によって説明したように判別対象とする
音素の性質によって最適々標準パターン（フレーム長、
パラメータの個数）を用意し、これを、基準点を参照し
て判別に最適な部分に適用２１、、：。

して類似度を計算する方法を用い−この方法を次々と適
用して子音を細分類してゆく階層的子音認識法を用いる
と、精密な子音分類を行なうことができる。

なお、第２図は説明の都合上、先ずセグメンテークヨン
を行って基準点を検出して、その後類似度を計算する形
式について述べたが、実際に装置化する場合は、１フレ
ームずつずらせながら、全てのフレームを中心として類
似度の計算を行ない一セグメンテーションもこれと並行
して行なって基準点をめ、基準点に対して類似度を参照
して音素を分類する形式をとるが本質的には相違はない
。

本実施例によって、全語中子音（／　ｐ／　、／ｒ−／
。

／ｌｃ／、／ｃ／、／ｂ／、／ｄ／、／ｙ／、／ｍ／。

／ｎ／、／ｒ／、／Ｚ／、／ｇ／、／’Ｐｉ／）を対象
として平均約７６％の認識率を得た。データは男女計２
ｏ名がそれぞれ発声した２１２単語を使用しており、十
分々信頼性がある。同様の条件で従来法を評価すると、
子音（／ｒ／、／ｙ／。

／ｈ／、／Ｓ／、／Ｃ／および子音群（無声破裂２２　
１、 １Ｆ 音群、有声破裂音群、鼻音群）を対象として平均認識率
が約７２．５％である。従来法では一部の子音群内での
細分化が行なわれていないことを考慮すれば、実施例の
効果が大きいことがわかる。

なお本実施例では主に語中子音を対象として説明を行な
ったが１語頭子音に対しても同様の方法を用いることが
できる。

また、大分類のために高域パワーと低域パワーのみの情
報を使用して説明したが、この部分に対して細分類と同
様の方法を併用できる。す人わち第４図において、あい
まいな領域（たとえば鼻音群■と有声破裂音群■の境界
など）に対しては。

有声破裂音群の標準パターンと鼻音群の標準パターンに
よって再分類を行ない、これとパワーディップによる分
類結果を併用して大分類の精度をさらに高めることも可
能である。

発明の効果 以上要するに本発明は音声パワー情報の時間的変化によ
って生じるパワーのくぼみ（パワーディップ）の大きさ
によって音素を複数の音素群に大分類し１次に大分類さ
れた音素群内の音素を対象トシテ、パワーデ、（ツブの
位置を基準点として入力音声の特徴パラメータと標準パ
ターンとの類似度を統計的距離尺度によって計算して音
素群をさらに細分類することを特徴とする音素分類方法
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なって−高い精
度で子音を認識することができる。

ロ、従来−判別が難しいとされていた有声破裂音群内、
無声破裂音群内、鼻音群内の細分類を自動セグメンテー
ションと組合わせて行なうことができる。

ハ、パワーディップという比較的単純なパラメータによ
って、効率よくセグメンテーション、子音の大分類、類
似度計算のための基準点を検出することができる。

等の利点を有する。

【図面の簡単な説明】

第１図は従来の音素のセグメンテーションの方法を説明
する図、第２図は本発明の一実施例による音素分類方法
を説明するブロック図、第３図は同実施例のパワーディ
ップおよびその大きさを検出する方法を説明する図、第
４図は同実施例の子音の大分類の方法を概念的に説明す
る図、第６図は本発明の他の実施例による音素分類方法
を示し有声摩擦音を分離する方法を説明するブロック図
、第６図は本発明の同方法における原音と鼻濁音を分離
する方法を説明する図である。 １・・・・・・フィルタ分析・パワー計算部、２・・・
・・・・・・ＬＰＣ分析部、３・・・・・・特徴パラメ
ータ抽出部、４・・・・・・子音検出部、６・・・・・
・母音判別・有声無声判別部、６・・・・・・子音大分
前部、７・・・・・・子音細分類部。 ８・・・・・・無声破裂音判別部、９・・・・・・有声
破裂音判別部−１０・・・・・・鼻音判別部、１１・・
・・・・無声摩擦音判別部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名２図

Claims (3)

【特許請求の範囲】
1. （１）音声パワー情報の時間的変化によって生じるパワ
   ーのくぼみ（パワーディップ）の大きさによって音素を
   複数の音素群に大分類し１次に大分類された音素群内の
   音素を対象として、パワーディップの位置を基準点とし
   て入力音声の特徴パラメータと標準パターンとの類似度
   を統計的距離尺度によって計算して音素群をさらに細分
   類することを特徴とする音素分類方法。
2. （２）音声パワー情報として高域パワーと低域パワーを
   用い、それらのパワーディップの大きさを併用して音素
   を音素群に大分類することを特徴とする特許請求の範囲
   第１項記載の音素分類方法。
3. （３）統計的距離尺度に用いる標準パターンとして音素
   の時間的な動きを考慮した標準パターンを用いることを
   特徴とする特許請求の範囲第１項２、、 記載の音素分類方法。 （７＋）各音素の時間変動と特徴点の相異に着目して。 音素の細分類を階層的に行なうことを特徴とする特許請
   求の範囲第１項記載の音素分類方法。