JPS6129517B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は、声音認識装置の改良に関するもので
ある。

声音認識装置は、計算機へのデータ入力手段と
して、また各種機械への指令手段として有用であ
ると考えられている。

近年では、例えば、Proceedings of the
IEEE，Vol.64，No.４（APRIL1976）のP487〜
P501に“Practical Application of Voice Input
to Machines”と題して発表された論文に記載さ
れる如く、荷物の自動区分機械への行先情報入力
手段として、また自動車工場等における検査デー
タを計算機に入力する手段として、実際に利用さ
れるようになつた。

音声認識装置を利用することによつて得られる
利点として、手や足を使つて作業しながら情報入
力ができるということが言われている。たしか
に、音声認識装置の操作には口しか使用しないの
で手や足は他の目的に使用できる。また、無線マ
イクロホンを使用すると、動きまわりながらでも
音声認識装置を使用できる。これらの利点はタイ
プライタのように固定していて、しかも手によつ
て操作される入力手段によつては得ることができ
ない音声認識装置独特のものである。

しかし、作業をしながら音声データを入力しよ
うとすると、自然、呼吸音が高くなり認識装置の
動作に悪影響を与える。すなわち、音声認識装置
ではマイクロホンにより採集され、かつ電気信号
に変換された音声信号波の振幅レベルを検定して
音声の検出を行なつている。通常は振幅レベルが
ある閾値より高い区間が音声区間として検出され
認識処理される。もし呼吸音が極めて高くなると
振幅レベルが閾値を越えて音声として検出される
事態が生じる。かくして誤検出された呼吸音が音
声でないとして棄却されれば問題ないが、誤まつ
て何らかの有意な単語（以下有意音声と称する）
に識別されてしまう可能性もある。このような誤
動作が有害であることは明らかである。

このような呼吸音に限らず通常の周囲雑音も同
様に認識装置の誤動作を引き越し有害である。

本発明の目的は呼吸音や周囲雑音によつて誤動
作を生じることの少ない音声認識装置を実現し提
供することにある。

本発明による音声認識装置は入力信号波を検定
して音声候補区間を検出する音声検出部と、検出
された音声候補区間内の信号を識別するための識
別部と、前記音声候補区間内に有音声区間が存在
するか否かを判定し、有音声区間が存在するとき
には前記音声候補区間が真の音声区間であり、有
音声区間が存在しないときにはこの音声候補区間
は音声区間でないことを意味する信号を前記識別
部に対して発生する手段とより構成される。

ここに有音声とは声帯の振動波に声道が励振さ
れて発声される音声であり、通常に発声される母
音や鼻音はすべて有音声である。これに対して声
道中における空気流の摩擦や破裂等によつて励起
され、声帯の振動を伴なわない音声は無音声と呼
ばれる。

数字や地名、人名などの有意な単語にはすべて
母音が含まれている。それゆえ通常の音声信号に
は必ず有音声区間が含まれる。他方、呼吸音は口
喉や鼻道の内部での空気流摩擦によつて生じるも
のであるから、本質的に無音声である。それゆ
え、音声候補区間内に有音声区間が存在するか否
かを判定することによつて有意な音声であるか呼
吸音であるかを区別することができる。すなわ
ち、本発明によると呼吸音によつて誤動作するこ
とのない安定な音声認識装置を実現できる。

有音声は声帯の振動によつて励起されるもので
あるからそのスペクトラムは第１図に示すように
声帯振動周波数を基本周波数（ピツチ周波数と呼
ばれる）とする高調波音構成を有する。また、こ
の事実に対応して有音声の短時間自己相関々数は
第２図のように声帯振動周期、すなわとピツチ周
期に対応して比較的強いピークを有する。通常の
室内雑音は無相関に近いゆえ高調波音構成を示さ
ず、自己相関関数には顕著なピークは観測されな
い。すなわち、無相関な周囲雑音は無音声として
の性質が強いので有意な音声とは区別できる。モ
ータの回転によつて励起される音のように、高調
波音構成を有する周囲雑音も存在する。このよう
な周囲雑音もある程度は有意音声信号と区別でき
る。すなわち、通常の発声ではピツチ周波数は
100〜350Hzの範囲内にあることが知られている。
それゆえ、入力される信号のピツチ周波数がこの
範囲に無いかぎり、これは通常の意味での有音声
とは異なるからである。かくの如く、本発明によ
ると周囲雑音によつて誤動作することの少ない音
声認識装置が実現できる。

第３図は本発明による音声認識装置の一実施例
を示すブロツク図である。音声検出部１は入力さ
れる信号波Ｓの振幅レベルがあらかじめ定められ
る閾値よりも高い区間を音声候補区間として検出
する。この音声候補区間内では検出信号ｋが１に
セツトされ、音声候補区間が終ると検出信号ｋは
０にリセツトされる。

識別部２は入力される信号波Ｓの音声候補区間
すなわち検出信号ｋが１である区間を識別し、識
別結果を決定する。この識別部２における識別原
理としては種々のものが提案されているが、それ
らのいずれであつても本発明の原理は適用可能で
ある。一例としては公知のパタンマツチング法が
考えられる。すなわち、あらかじめ認識されるべ
き単語セツトを定め、個々の単語を適当なパラメ
タによつて記述したものを標準パタンとして記憶
しておく。音声候補区間が検出され、入力される
とそれをパラメタ記述し、入力パタンとする。こ
の入力パタンと前記標準パタンとの比較、すなわ
ちパタンマツチングを行なつて最大一致が得られ
る標準パタンを定めることによつて入力パタンは
この標準パタンと同一単語であると決定する。こ
の識別部２の具体的構成は本発明の主張する権利
範囲と直接関係しないので省略する。

有音声区間検出部３は入力信号波Ｓの音声候補
区間すなわち検出信号ｋが１である区間に有音声
が存在するか否かを検定し、存在する場合には確
認信号ｐを１とし、存在しない場合にはｐ＝０と
する。

有音声検出の原理としては種々の方法が知られ
ている。第４図には一例として自己相間法にもと
づく有音声区間検出部３の構成を示すブロツク図
である。音声候補区間検出部１よりの検出信号ｋ
が０から１に立上つた時点でフリツプフロツプ１
３は０にリセツトされる。入力信号波Ｓは350Hz
の遮断周波数を有するローパスフイルタ１０によ
つてローパスされ、自己相関器１１に入力され
る。自己相関器１１では入力される信号の短時間
自己相関々数を計算する。ここに短時間自己相
関々数は次のように定義される。

φ（ｔ，τ）＝∫^ｔ _ｔ−△Ｓ（ｔ） ・Ｓ（ｔ−τ）dt (1) ただし、Ｓ（ｔ）は時刻ｔにおける入力信号波
の値、△は積分時間長を与える。τは遅延時間を
与える。ピツチ周波数は通常100Hz〜350Hz程度で
あるのでピツチ周期は2.9ms〜10msである。それ
ゆえ、(1)式の短時間自己相関々数は 2.9≦τ≦10（ms） (2) の範囲の遅延τに関して計算される。この短時間
自己相関々数は、すべての時刻ｔ（実際には時間
標本点）で計算され、信号ｘとしピーク検出部１
２へ送られる。いま、時刻ｔにおいて、信号ｘと
して出力される短時間自己相関々数φ（ｔ，τ）
が第５図の如くであるとする。ピーク検出部１２
では遅延時間τが(2)式の範囲で、短時間自己相関
値φ（ｔ，τ）があらかじめ定められた閾値θよ
り大となるピークが存在するか否かを検定する。
存在する場合にはピーク検出信号ｍとしてパルス
を発生する。このパルスによつてフリツプフロツ
プ１３は１にセツトされる。それゆえ音声候補区
間内に有声音部分が１ケ所でも存在するとフリツ
プフロツプ１３の出力、すなわち確認信号ｐは１
となる。逆に前記短時間自己相関々数値φ（ｔ，
τ）が閾値θを越えないならば、ピーク検出信号
ｍのパルスは発声されないからフリツプフロツプ
１３は０のままである。それゆえ音声候補区間が
終了して検出信号が０になつた時点では、この音
声候補区間内に有声音部分があればフリツプフロ
ツプ１３はセツトされており確認信号ｍは１であ
る。有声音部分が無かつた場合にはフリツプフロ
ツプ１３はリセツトされたままで、確認信号ｍは
０である。かくして第４図に示した有声音区間検
出部の動作が明らかにされた。

第３図の識別部１３は、音声候補区間が終了
し、前記検出信号ｋが０になつて後、確認信号ｐ
を受けとる。ｐ＝１ならば、この音声候補区間は
有意な音声であつたとして識別結果を信号ｒとし
て出力する。ｐ＝０ならばこの音声候補区間は呼
吸音等の雑音であつたとしてリジエクトを意味す
るコードを信号ｒとして出力する。かくして第３
図に示した音声認識装置の動作が明らかにされ
た。

検出信号ｋと認識装置の動作、および確認信号
ｒ等の時間的相互関係としては第６図に示す２種
の処理方法が考えられる。第６図ａのタイムチヤ
ートによると、音声候補区間が検出され検出信号
ｋが１になると同時に識別部は識別のための処理
を行なう。音声候補区間が終了し、かつ認識動作
が終了した時点で（確認信号ｐは１とする）識別
結果は信号ｒとして出力される。同図ｂのタイム
チヤートによると、音声候補区間が終了し、検出
信号ｋが０となつた時点で確認信号ｐが１である
ならば、始めて識別処理が行なわれ、識別処理が
終了次第識別結果ｒが出力される。音声候補区間
が終了した時点でｐが０であるならば識別処理は
行なわれない。

ａの方式では識別処理のための時間が比較的長
くとれるので低速な演算回路によつて実行できる
という利点がある。

ｂの方式では、音声が終了した後で速やかに認
識結果を出力する必要がある場合には識別のため
に許される時間が短かいので高速な演算回路によ
つて識別部を構成する必要がある。しかし、確認
信号ｐが０、すなわちこの音声候補区間が有意音
声でないと判定された時は識別部は動作する必要
が無い。この空時間を利用して識別部を複数の認
識装置の間で多重利用できるという利点がある。

以上、本発明の原理を実施例をもとに説明した
が、これらの記載は本発明の範囲を限定するもの
ではない。特に、有声音区間検出部の構成は第４
図の例に限定されるものではない。例えば、ピツ
チが存在する帯域（100Hz〜350Hz）のスペクトラ
ムパワーと全帯域（例えば100Hz〜6000Hz）のス
ペクトラムパワーの比によつて有声／無声を判定
することができる。フイルターバンク分析を利用
した音声認識装置では、この方法による方が装置
を簡単化できる。また、ある音声候補区間が有意
音声でないと判定された時の識別結果出力法とし
ては、(1)なんら信号を出力しない、(2)リジエクト
を意味するコードを出力する、の２種が考えられ
るが、いずれの場合も本発明の範囲に含まれるも
のである。

【図面の簡単な説明】

第１図は、有声音のスペクトラム構成を説明す
るための図、第２図は有声音の短時間自己相関々
数を例示するための図、第３図は本発明による声
音認識装置の一構成例を示すブロツク図、第４図
は有声音区間検出部の一構成例を示すためのブロ
ツク図、第５図は第４図におけるピーク検出部１
２の動作を説明するための波形図、第６図は本発
明による装置の動作を説明するための波形図であ
る。 図において、１は音声検出部、２は識別部、３
は有声音区間検出部、１０はローパスフイルタ、
１１は自己相関器、１２はピーク検出部、１３は
フリツプフロツプを示す。

Claims (1)

【特許請求の範囲】
1. １ 入力信号波を検定して音声候補区間を検出す
   るための音声検出部と、この音声候補区間内に有
   声音区間が存在するか否かを判定し、その結果を
   確認信号として出力する機能を有する有声音区間
   検出部と、前記音声候補区間内の信号を音声とし
   て識別する機能とともに前記有声音区間検出部よ
   りの確認信号にもとづいて有声音区間が存在しな
   いときは識別結果を棄却する機能を有することを
   特徴とする声音認識装置。