JPS61123892A - 音声認識装置 - 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） この発明は音が未知である未知音声データと音声が既知
である既知音声データを照合して未知音声データの音を
決定する音声認識装置に係り、詳しくはそれぞれ時間の
経過に対応して多数個の値が列をなしてなる１つの音の
未知音声データ及び既知音声データをそれぞれ予め定め
た区間データに区切りその両区間を互いに、照合するこ
とによってその未知音声データの音を決定する音声認識
装置に関するものである。

（従来技術） 従来、この種の音声認識装置は音が未知である未知音声
データと音が既知である既知音声データとを照合して未
知音声データの音を決定する方式として、まず、未知音
声データと既知音声データとを比較するための照合区間
を単音節（子音、母音）ごとに区切（単音節切り出し）
り設定し、つぎに、動的計画法（ＤＰ法；Ｄｙｎａｍｉ
ｃ　　Ｐｒｏｇｒａｍｍｉ　ｎｇ）を応用して時間軸の
整合を行なった後、その互いに照合する照合区間におけ
る類似度の基準として、例えば、ＷＬＲ（Ｗｅｉｇｈｔ
ｅｄ　　１ｉｋｅｌｉｈｏｏｄ　　ＲａｔｉＯ）距離を
算出していた。

そして、そのＷＬＲ距離を伯の既知音声データについて
も同様に算出し、その算出した各ＷＬＲ距離の最も短い
距離の既知音声データの音を当該未知音声データのもの
であると判断して未知音を決定するようにしていた。

従って、精度の高い音声認識を行なう上で前記未知音声
データの単音節（子音、母音）の照合区間を正確に切り
出し選定することが非常に重要となっていた。

（発明が解決しようとする問題点） ところが、認識率の高い音声認識を行なう上で前記未知
音声データ及び既知音声データの照合区間の切り出しが
非常に重要な要素となっているにもかかわらず、子音及
び母音区間の境界付近は極めて複雑であり、単純に一義
的に各区間を決定することはできない。従って、実際に
はその音声データの音の特徴が良く現れている最適な照
合区間を設定することは非常に難しく、精度の高い照合
が望めないのが現状であった。

（発明の目的） この発明は前記問題点を解決するためになされたもので
あって、その目的は照合区間の切り出し　　１゛の精度
を上げることなく認識率の向上を図ることができる音声
認識装置を提供するにある。

（問題点を解決するための手段） 第１図は本発明の全体構成を示すブロック図であって、
本発明の音声認識装置は未知音声データ及び既知音声デ
ータのうち一方の音声データに第１の照合区間を設定す
る第１の照合区間設定手段１０１と、前記２つの音声デ
ータのうち他方の音声データに前記第１の照合区間より
長い区間を有する第２の照合区間を設定する第２の照合
区間設定１０２と、前記第１の照合区間と等しい長さを
有し互いに位置の異なる対象区間を第２の照合区間にお
いて順次設定する対生区間設定手段１０３と、前記第１
の照合区間に対する前記各対象区間において対応するそ
れぞれの時点の値の距離に基づいた代表値を前記各対象
区間毎に算出する代表値算出手段１０４と、前記各代表
値のうち前記距離が最も短いことを示す代表値を前記第
１の照合区間と前記第２の照合区間との間の基準値とし
て設定する基準１直設定手段１０５とを有し、１つの前
記未知音声データについて複数の前記既知音声データに
対する前記基準１直をそれぞれ算出しその基準値に基づ
いて未知音声データの音を決定する。

（作用） 音が未知である未知音声データ及び音がわかっている既
知音声データのうち一方を入力する第１の照合区間設定
手段１０１はその入力された音声データに第１の照合区
間を設定する。音が未知である未知音声データ及び予め
音がわかっている既知音声データのうち他方の音声デー
タを入力する第２の照合区間設定手段１０２はその入力
された音声データに前記第１の照合区間より長い区間と
なる第２の照合区間を設定する。対象区間設定手段１０
３は前記第２の照合区間設定手段１０２にて設定された
第２の照合区間において前記第１の照合区間と等しい長
さを有し互いに位置の異なる対象区間を順次設定する。

そして、代表値算出手段１０４は前記第１の照合区間設
定手段１０１で設定した一方の音声データの第１の照合
区間と前記対象区間設定手段１０３で設定した他方の音
声データの第２の照合区間における各対象区間において
対応するそれぞれの時点の値の距離に基づいた代表面を
その各対象区間毎に算出する。

基準値設定手段１０５は前記代表値算出手段１０４で算
出した各対象区間毎に算出した各代表値の中から前記距
離が最も短い値を示す代表値を前記第１の照合区間と第
２の照合区間における基準値として設定する。

そして、１つの未知音声データについて、このように設
定した既知音声データに対する前記基準値を池の複数の
既知音声データに対してもその基準値をそれぞれ算出し
、そのそれぞれの基準値に基づいて未知音声データの音
を決定するようにしたものである。

（実施例） 以下、この発明を具体化した好適な一実施例を図面に従
って説明する。

第２図はこの発明を具体化した音声認識装置の電気ブロ
ック回路図を示し、マイクロホン１はそのスイッチがオ
ンされることにより、音声入力の開始を示す信号を後記
するＣＰＵ４に出力するようになっている。そして、話
者の発音した音声を集音し、その集音した音声信号を増
幅器２にて以後の処理に適するレベルに増幅した後次段
のＡ／Ｄ変換器３に出力する。そして、Ａ／Ｄ変換器３
はこの所定のレベルに増幅された音声信号を４に１−１
ｚまでの音声波形の情報を得るために８ＫＨｚのサンプ
リング周波数でサンプリングしその時刻における振幅レ
ベルを量子化してなる離散１ｇ号に変換して中央処理装
置（以下、ＣＰＵという）４に出力するようになってい
る。

ＣＰＩＪ４は読み出し専用のメモリ（ＲＯＭ）よりなる
プログラムメモリ５に記憶された制御プログラムに従っ
て動作され、そのプログラムに従って各演算処理動作に
よって得られた各演算処理結果を読み出し及び書き込み
可能なメモリ（ＲＡＭ）よりなるワークメモリ６に一時
記憶するようになっている。　　　　　　　　　　　　
　　　　　　　　　−前記プログラムメモリ５は制御プ
ログラムの他にマイクロホン１から入力された未知の音
声を認識する処理に使用するための多数個の既知音声の
離散信号データ（既知音声が８ＫＨ２でサンプリングさ
れ、その時刻における振幅レベルを量子化してなるデー
タ）が予め記憶されている。

又、前記ワークメモリ６は多数の記憶領域を有し、振幅
記憶領域６ａ、２乗記憶領域６ｂ、エネルギー記憶領域
６Ｃ１未知音声及び既知音声データ記憶領域６ｄ、６ｅ
、第１及び第２の照合区間記憶領域６ｆ、６ｃｘ、対象
区間記憶領域、６ｈ、平均値記憶領域６１、基準値記憶
領域６ｊ等を有している。

前記ＣＰｔＪ４は前記Ａ／Ｄ変換器３から出力されてく
る未知音声の振幅レベルが量子化された離散信号を離散
信号データどして前記ワークメモリ６の振幅記憶領域６
ａに順次記憶していく。従って、ＣＰＵ４はサンプリン
グされた音声波形の離散信号７”　−タラ１秒１’Ｊ１
．：８００Ｃ）ｌ［！ａ　（１２５？イクロ秒毎に１個
）振幅記憶領域６ａに記憶させていくことになる 又、ＣＰＵ４はこの離散信号データを２乗しその２乗値
を前記２乗記憶領域６ｂに順次記憶させる。そして、Ｃ
ＰＵ４はこの２乗値の６４個（８ミリ秒）ごとの和を順
次とることにより短時間エネルギー値を算出しその短時
間エネルギー値を前記ワークメモリ６のエネルギー記憶
領域６Ｃに順次書き込んで行く。

尚、前記短時間エネルギー値は時間を横軸にし、この短
時間エネルギー値を縦軸にしその最大値を基準にして表
わせば第３図に示すようになる。

一方、ＣＰＩＪ４は前記プログラムメモリ５から既知音
声の離散信号データを読み出し、前記未知音声の場合と
同様にその離散信号データに基づいて２乗値、短時間エ
ネルギー値を算出し、既知音声用の記憶領域へやはり前
記未知音声の場合と同様に順次書き込んでいく。

又、ＣＰＵ４は未知音声及び既知音声のそれぞれの離散
信号データに対し、まず、１次差分値をとって高域強調
し、続いて各処理のためのフレームのその切り出し点に
おける不連続性の影響によるスペクトル漏れを低減する
ためにハミング窓（ウィンド）関数を１フレーム毎に乗
じる。ここで、フレーム長は３２ミリ秒であり、隣接す
るフレームは８ミリ秒ずつ時間的に移動している。

次に、自己相関分析により１０次の自己相関係数を算出
し、ラグ窓（ウィンド）関数を乗じてスペクトルの局部
的な鋭いピークを抑えて平滑化する。

そして、このラグ窓関数を乗じた自己相関係数を用いて
線形予測分析（ＬＰＧ分析）をして１０次の線形予測係
数を求め、これら値に基づいてＷ。

ＬＲ粗距離算出のために２４次のＬＰＧ相関係数、２４
次のＬＰＣケプストラムを算出し当該マイクロホン１で
集音した１つの未知音声に対する未知音声データ及び既
知音声データとして未知音声データ記憶領域６ｄ及び既
知音声データ記憶領域６ｅにそれぞれに記憶するように
なっている。

又、ＣＰＵ４はこの作成した未知音声データの子音と既
知音声データの子音とを照合するための未知音声データ
における未知側照合区間×（第６図参照）と既知音声デ
ータの既知側照合区間Ｙ（第５図参照）を切り出し設定
するようになっている。

この設定では、未知音声データの場合、前述した未知音
声の短時間エネルギー値の列において音声が発せられる
前の雑音のみの区間のレベルの２倍のレベルＥ１に達す
る時点ｔ１からその音声の短時間エネルギー値の最大値
の３０％のレベルＥ２に達する時点ｔ２までを未知側子
音照合区間Ｘとしている。

又、既知音声データの既知側照合区間Ｙの設定について
は、まず、前記未知音声の場合と同様に、既知側照合区
間Ｙの終＠（右端）を求める。次に前記未知音声の未知
側照合区間Ｘのフレーム数を算出しその未知側照合区間
Ｘのフレーム数より４フレーム多い区間となるように前
記終端を基点に時間的に遡って既知側照合区間Ｙの始端
（左端）を決めている。

既知側照合区間Ｙを設定すると、ＣＰＬＪ４は前　　ｅ
記既知音声データの既知側照合区間Ｙにおいて未知側照
合区間×と等しい長さを有し互いに位置の異なる対象区
間としての複数個の既知側対象区間ｙｎ　　（実施例で
はｎは１から５までの整数をとる）を順次設定する機能
を有している。従って、第６図に示すように未知側照合
区間Ｘに対する複数個の既知側対象区間ｙ１〜ｙ５が設
定されることになる。

尚、第４図乃至第６図には説明の都合上、離散信号デー
タを示したが、照合に使用する各区間のデータは前記処
理動作により得られた未知及び既知音声データである。

ＣＰｔＪ４はこの未知側対象区間Ｘに対して複数個の既
知側対象区間ｙ１〜ｙ５を設定すると、その未知側対象
区間Ｘに対する各既知側対象区間ｙｎ毎に対応する各フ
レーム毎にＷＬＲ距離を算出するとともに、その１つの
既知側対象区間毎に求められたＷＬＲｆｌ！離の平均値
Ｐ（ｒｌ）を代表値として算出し平均値記憶領域６１に
記憶するようになっている。

そして、ＣＰＩＪ４はこの未知側対象区間Ｘに対して各
対象区間ｙｎ毎に算出した平均値Ｐ　（ｎ＞の内から最
小の平均値を求めて基準値Ｚ　（ｍ）とし、基準値記憶
領域６ｊに記憶する。

ここで、ｍは１からプログラムメモリ５に予め離散信号
データの形で記憶されている既知音声の総数までの整数
をとり、各既知音声にそれぞれ対応している。

そして、ＣＰｔＪ４はその既知音声データに対する基準
値Ｚ　（ｍ）を選定すると、次の新たな既知音声の離散
信号データをプログラムメモリ５から読み出し、前記各
処理により折たな既知音声データを算出して新たな既知
音声データと前記未知音声データにおける基準値Ｚ　（
ｍ＞を前記と同様に算出するようになっている。

そして、この未知音声データに対するプログラムメモリ
５に記憶した全ての既知音声の離散信号データを読み出
し算出した既知音声データについて基準値Ｚ　（ｍ）を
算出すると、ＣＰｔＪ４は全ての既知音声について算出
した各基準値Ｚ　（ｍ）の中から最小の基準値を選定し
、その選定した最小の基準値Ｚ　（ｍ＞の得られた既知
音声の子音をこの未知音声データの子音と決定するよう
になっている。

次に上記のように構成した音声の認識装置の作用につい
て説明する。

今、話者が１つの音を発すると、マイクロホン１にてそ
の音が集音される。そして、その音声信号は増幅器２及
びＡ／Ｄ変換器３を介して８ＫＨ２でナンプリングされ
振幅レベルが量子化されたｌ１ｉ１ｒｌｌ信号に変換さ
れてＣＰＵ４に出力される。

ＣＰＵ４は離散信号を離散信号データとして順次ワーク
メモリ６の振幅記憶領域６ａに記憶するとともに、その
＃１１１ｗ１．信号データを２乗してその２乗値をワー
クメモリ６の２乗記憶領域６ｂに順次記憶させる。次に
ＣＰＵ４はこの２乗値に基づいて短時間エネルギー値を
算出し、その短時間エネルギー値を前記ワークメモリ６
のエネルギー記憶順１＊６ｃに記憶させる。又、離散信
号データに対して自己相関分析、線形予測分析等を行な
い、ＬＰＣ相関係数、ＬＰＧケプヌトラムよりなる未知
音声データを作成する（ステップ１）。

このように、未知音声データを作成すると、次にＣ−Ｐ
　Ｕ　４はこの未知音声データの未知側照合区間Ｘを設
定して切り出すとともに、その未知側照合区間Ｘのフレ
ーム数を算出する（ステップ２゜３〉。

次に、ＣＰＵ４はプログラムメモリ５に記憶さ。

れた多数個の既知音声の離散信号データの中から第１の
既知音声の離散信号データを読み出すくステップ４）６ 次に、未知音声データの場合と同様に当該既知音声にお
ける短時間エネルギーの算出及゛び算出した短時間エネ
ルギーの所定記憶領域への記憶やＬＰＣ相関係数、ＬＰ
Ｇケブヌトラムよりなる既知音声データの作成を行なう
（ステップ５）。

次に、ＣＰＵ４は前記作成した既知音声データの既知側
照合区間Ｙを未知側照合区間Ｘのフレーム数より４フレ
ーム多い長さとなるように設定する（ステップ６）。Ｃ
ＰｔＪ４はこの既知側照合区　　　会（間Ｙにおいて、
第６図に示すように前記未知側照合区間Ｘと等しい長さ
を有し互いに位置の異なる複数個の未知側対象区間ｙ１
〜ｙ５を複数個順次設定する（ステップ７）。

次に、ＣＰＵ４はこの未知側照合区間Ｘに対する最初の
既知側対象区間ｙ１との間で対応するフレーム毎にＷＬ
Ｒ距離を算出しくステップ８）、その距離の平均１直Ｐ
（１）を算出し、ワークメモリ６の平均値記憶領域６１
に記憶する（ステップ９）。

ＣＰｔＪ４は未知側照合区間Ｘと最初の既知側対象区間
ｙ１におけるＷＬＲ距離の平均値Ｐ（１）の算出が終了
すると、このＷＬＲ距離の算出が未知側照合区間Ｘに対
する最後の既知側対象区間ｙ５における平均値Ｐ（５）
の算出が行なわれたかどうかチェックするくステップ１
０）。

そして、この場合にはまだ最初の既知側対象区間ｙ１な
ので、ＣＰＵ４は次の既知側対象区間ｙ２の既知音声デ
ータを読み出し未知側照合区間Ｘの未知音声データとの
間でＷＬＲ距離を算出しくステップ１１．８＞、前記同
様にその距離の平均値Ｐ（２）を算出する（ステップ９
）。

そして、以後同様にＣＰＵ４は既知側対象区間ｙ５まで
の各ＷＬＲ距離の平均値Ｐ（ｎ）をそれぞれ算出し前記
ワークメモリ６の平均１直記憶領域６１に記憶する。

全ての既知側対象区間ｙ１〜ｙ５についての平均値Ｐ（
ｎ）の算出が終了すると・、ＣＰＵ４はこの算出した未
知側照合区間Ｘにおける各既知側対象区間ｙ１〜ｙ５の
平均値Ｐ（１）〜Ｐ（５）の中から最も小さな値を当該
未知音声データに対する第１の既知音声データの基準値
ｚ（１）として選定しワークメモリ６の基準値記憶領域
６ｊに記憶する（ステップ１２）。

未知音声データに対する第１の既知音声データの基準値
ｚ（１）の選定が終了すると、ＣＰｔＪ４はプログラム
メモリ５にまだ読み出されていない既知音声の離散信号
データがあるかどうかをチェック（ステップ１３）した
後、次の新たな第２の既知音声の離散信号データをプロ
グラムメモリ５から読み出すくステップ１４）。

そして、前記と同様にして既知音声データにおける基準
値Ｚ（２）を前記と同様に設定する。このような処理動
作をプログラムメモリ５に記憶されている全ての既知音
声について行なう。

そして、ＣＰＩＪ４が全ての既知音声データについて基
準値Ｚ（ｍ）を設定すると、ＣＰＵ４はその各基準ＩＢ
の中から最小１直の基準値Ｚ　（ｍンを求めてその最小
の基準値Ｚ　（ｍ＞が得られた既知音声の子音を当該未
知音声の子音とＣＰＵ４は決定する（ステップ１５）。

このように、本実施例においては未知音声デー　□りの
未知側照合区間Ｘに対して既知音声データの前記未知側
照合区間Ｘより長い既知側照合区間Ｙを設定するととも
に、同既知側照合区間Ｙにおいて未知側照合区間Ｘと同
じ長さで異なる位置に対象区間ｙ１〜ｙ５を設定し、未
知側照合区間Ｘに対して既知音声データの各対象区間ｙ
ｎ毎にそれぞれ平均値Ｐ　（ｎ）を算出して、その各平
均値Ｐ（ｎ）の中から基準値Ｚ　（ｍ＞を設定するよう
にしたので、未知音声データ及び既知音声データの両照
合区間を正確に設定する必要がなくラフに設定でき照合
区間の設定の精度に影響を受けることなく音声の認識率
の向上を図ることができる。

なお、前記実施例では未知側照合区間を既知側照合区間
より長く設定し、１つの未知側照合区間に対して既知側
対象区間を順次設定し平均値を算出したが、これを反対
にして１つの既知側照合区間に対して未知側の対象区間
を順次設定し平均値を算出して基準値を求めて音声認識
を行なうようにしてもよい。又、前記実施例では各音声
データの子音区間を照合区間とする場合について説明し
たが、これを母音区間として応用してもよい。又、子音
区間を照合区間とした場合であっても、母音については
その前半を子音区間と同様なものとみなして照合区間と
すれば、同様な処理による認識が可能となる。

（発明の効果） 以上詳述したように、この発明によれば未知音声データ
及び既知音声データの照合区間の切り出　　６゛しの精
度を上げることなく認識率の向上を図ることができる効
果を有する。

【図面の簡単な説明】

第１図は本発明の構成を示す番中ブロック図、示す図、
第４図は未知側照合区間を示す図、第５図は既知側照合
区間を示す図、第６図は未知側照合区間と既知音声の対
象区間の関係を示す説明図、第７図はこの音声の認識装
置の作用を説明するためのフローチャートである。 図中、１はマイクロホン、２は増幅器、３はＡ／Ｄ変換
器、４はＣＰＵ、５はプログラムメモリ、６はワークメ
モリ、１０１は第１の照合区間設定手段、１０２は第２
の照合区間設定手段、１０３は対象区間設定ｆ：段、１
０４は代表値算出手段、１０５は基準値設定手段である
。 特許出願人　　　　ブラザー工業株式会社代　理　人　
　　　弁理士　　恩１）博宣第２図 第８図

Claims (1)

1. 【特許請求の範囲】 １、音が未知である未知音声データと音が既知である既
   知音声データとを照合して未知音声データの音を決定す
   る音声認識装置において、 前記未知音声データ及び前記既知音声データの２つの音
   声データのうち一方の音声データに第１の照合区間（Ｘ
   ）を設定する手段（１０１）と、前記２つの音声データ
   のうち他方の音声データに前記第１の照合区間（Ｘ）よ
   り長い区間を有する第２の照合区間（Ｙ）を設定する手
   段（１０２）と、 前記第１の照合区間（Ｘ）と等しい長さを有し互いに位
   置の異なる対象区間（ｙｎ）を第２の照合区間（Ｙ）に
   おいて順次設定する手段（１０３）と、 前記第１の照合区間（Ｘ）及び前記各対象区間（ｙｎ）
   において対応するそれぞれの時点の値の距離に基づいた
   代表値（Ｐ（ｎ））を前記各対象区間（ｙｎ）毎に算出
   する手段（１０４）と、前記各代表値（Ｐ（ｎ））のう
   ち前記距離が最も短いことを示す代表値（Ｐ（ｎ））を
   前記第１の照合区間（Ｘ）と前記第２の照合区間（Ｙ）
   との間の基準値（Ｚ（ｍ））として設定する手段（１０
   ５）と を有し、 １つの前記未知音声データについて複数の前記既知音声
   データに対する前記基準値（Ｚ（ｍ））をそれぞれ算出
   し、前記基準値（Ｚ（ｍ））に基づいて未知音声データ
   の音を決定することを特徴とする音声認識装置。