JPS6148897A - 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 本発明は音声の内容を自動的に認識するための音声認識
装置に関するものである。

従来例の構成とその問題点 不特定話者を対象とする音声認識においては、性別のち
がい、あるいは年令のちがいにより音声の性質が大きく
異なり、いかに音声の性質を共通化して不特定話者の声
を認識するかが課題となる。

音声を音素単位で認識する場合に、音素標準パタンはこ
れらの性別２年令のちがいにより大きなばらつきがおこ
り、例えば母音／＆／　では男女間にはスペクトル形状
に大きな差がある。

この問題に対処するため、従来は同じ音素に対しても複
数個の標準パタンを用意しておき、入力音声に対し全て
の標準パタンの類似度計算を行い、どの標準パタンに最
も似ているかによって認識を行っている。

しかしこの方法では、用意する標準ノくタンの数が多い
ほどお互いの混同が増加することによって認識性能が低
下し、かつ演算量が膨大となる欠点を有している。

従来の音声認識装置のブロック図の一例を第１図に示す
。まずあらかじめ多数話者の音声データをクラスタリン
グ手法等を用いてグループ分けし、音素あるいは音節の
単位で標準パタン群を作成し、標準パタン格納部１１に
格納しておく。ここでは説明のため標準パタン格納部１
１中の標率ノ＜タン群１は男性のみのデータで、標準パ
タン群２は女性のみのデータとし各群毎に６種類の標準
ノくタンが用意されているとする０ さてマイク１より入力された入力音声はＡＤ変換器２に
よりＡＤ変換された後に一方は信号処理回路３へ送られ
、プリエンファシス、窓計ｊ１行って線形予測分析プロ
セッサ４へ送られる。ＡＤ変換された他方の信号はセグ
メンテーション部６に送られ、ここで帯域パワー計算、
音声区間の検出、有声無声無音判定、子声のセグメンテ
ーシヨンを行い、結果をメインメモリ７に転送する。線
形予測分析プロセッサ４で得７’（ＬＰＣパラメータを
用い、類似度計算部６は次の手順で類似度計算を行う。

まず標準パタン格納部１１に格納された標準パタン群１
の中の標準パタンを類似度計算部６に転送し、フレーム
毎に類似度計算を行い、メインメモリ７に転送する。同
様にして標準パタン群２についても行う。メインプロセ
ッサ８はメインメモリ７を参照しフレーム毎に最も類似
度の高かった標準パタンに相当する音素又は音節を認識
結果として採用し、これとセグメンテーション部６の結
果を用いて音素又は音節の系列を作成する。

そしてでき次系列を単語辞書１２と照合する事によって
単語認識を行い、結果を出力部９に送る〇この従来例の
欠点は、標準パタン格納部１１に格納されている標準パ
タン群全部に対して類似度計算を常に行なわねばならな
いために １　類似度計算部６の計算量が大きなものとなり、高速
演算の要求される高価なものとなる。

２　標準パタン群を複数個用意し、全ての標準パタン群
を対象としてその中で最も類似度の高い音素を認識に用
いる方法であるために、似かよった音素の数が多くなり
、互いの混同が増加することにより認識性能を低下させ
る。

発明の目的 本発明は前記欠点を解消し、未知入力音声を用いてその
音声に最も適した標準パタンを自動選択することにより
、話者に負担をかけることなく不特定話者の音声に対し
て高い信頼度で認識を可能とし、かつ類似度計算の計算
量を大幅に軽減することにより高速処理の可能な音声認
識装置を提供することを目的とする。

発明の構成 本発明は前記目的を達成するために、あらかじめ多数話
者の音声をグループ分けして音声の標準パタンをグルー
プ毎に求めておき、未知音声が入力でれたらその音声の
前記標準パタンに対する類似度を算出し、前記類似度を
用いてグループ毎に未知音声がそのグループに属する信
頼度を算出し、信頼度がある閾値を超えた時点で、閾値
を超えたグループの標準パタンのみを以後の未知入力音
声の認識に使用することを特徴とする音声認識装置に関
するものである。

実施例の説明 本発明は不特定話者の音声を年令や性別に関係なく安定
に認識できることを特徴とする。そのために、音声を認
識するための標準パタンを、男性。

女性、子供、老人・・・・・・というように声の質のち
がいによってグループ分けして作成しておく。実際に入
力される音声はその中のどのグループに属するかは不明
であるが、本方法を用いることによって、入力された音
声を分析し、どのグループに属するかを高い確度で自動
的に決定することができる０ 以下実施例では男性（グループ１）と女性（グループ２
）の２つのグループのみを対象にした場合について説明
する。実施例の音声認識装置の構成図を第２図に示す。

まず標準パタン格納部２５に格納する内容を説明する。

この実施例では、グーープ゛、２ごへに平均値を求め、
グループ全体を対象として共分散行列を求め、これらを
用いて標準パタンである重み係数ａ　ｌ　］　ｌ平均距
離距離を求め標準パタン格納部２Ｓに格納するものであ
る。

まずグループ１の音声における音声ｉのＬＰＣケプスト
ラム係数の平均値を ｍ　、（１）　＝　（−計）、＝ｉミノ）、・・・・・
・、−・（１））ｐ とする。式中（１）はグループ１であることを示し、ｐ
は使用パラメータ数である。標準パタンをフレーム単位
で構成する場合はＬＰＣケプストラム係数め次数をｐと
すると、Ｐ＝ｐとなる。標準バタ、：？をｎフレームの
時間パタンで構成する場合はＰ７；−ｐ　Ｘ　ｎとなる
。

又、グループ２の音声における音素ｉのＬＰＧケプヌト
ラム係数平均値を 町（２）＝　（ｍ１１（２）、ｍｌ、、：２）、８．、
、、、。１す２））とする。これをグループ１とグルー
プ２の各々に対して母音／ａ／、／ｌ／、／ｕ／、／ｅ
／、１０／と鼻音について求め、計１２個とする。

次にグループ１の平均値ｍ　１（１）　とグループ２の
平均値ｍ、（２）を使用しこの１２個の音素に共通の共
分散行列をＲとし、その逆行列をＲ−１とする。

Ｒ−’　ノ（＋　ｌ　］’）　要素をｒｉ　ｊ’　とす
ると、ＬＰＣケプヌトラム係数の１次に対する重み係数
は、グルーグーの音素ｉに対して で求める。又、音素ｉ［対する平均距離をｄ・（１）と
すると、 ｄ、（１）＝、、　、　（１）ｔ　Ｒ−１ｍ、（１）　
　　　　　、、、　、、、（２）で求める。（ｔは転置
行列を表わす。）このａｘ　］（１）、　ｄ　、　（１
）を各音素毎に求め、標準パタン格納部２５の標準パタ
ン群１に格納する。

同様に、グループ２についてｄ　・（２）、１．（２）
を求１１　　　　　　Ｌ め、標準パタン群２に格納する。

なお共分散行列はグループ１，２ごとに求めても良いこ
とはもちろんである。

次に１類似度計算部２４の動作について説明する。未知
入力音声がマイク２０から入力されると、（ここでは［
ハジメＪ　（ｈａ　ｘｉ　ｍｅ　）という音声であった
とする）信号処理回路２２でプリエンファシス、窓計算
を行った後、線形予測分析プロセッサ２３にてＬＰＣケ
プストラムに係数ｃｌ（＋＝１．２．・・・・・・、Ｐ
）が求められる。時間パタンを用いる場合は（ｎフレー
ム）のＣ１〜Ｃｐを並べてＣ１〜Ｃｐ　　とする。類似
度計算部２４は、このＣ］　　と標準パタン切換部２６
を通して送られてきた標準パタンを用いて、類似度計算
を行なう。グループ１の音素ｉＫ対しては類似度伺（１
）はで求める。これをグループ２に対してもで求め、計
１２音素分求めてメインメモリ２７にり伝送する。

セグメンテーション部２６では帯域パワー、有声無声判
定の計算を行い、音声区間の決定と子音区間の検出（こ
こではｈａ　ｚｉ　ｍｅの／ｈ　／　、　／Ｚ／。

／ｍ／）を行い、メインメモリ２７に転送する。

メインプロセッサ２８は、メインメモリ２７に登鍔され
た子音区間と類似度を用いて母音、鼻音区間を決定しく
ここではｈａ　ｚｉ　ｍｅの／ａ／、Ａ／。

／＝Ｑ／、／＠／）、音素中心（中央の位置又は類似度
最大の位置）をＮ個（ここではＮ＝４）求める。

次に選択部２９の動作について説明する。まず前記方法
で求めた４個の音素Ｃ／ａ／、／ｉ／。

／ｍ／、／ｅ／）の音素中心における用意された全音素
Ｃ／−／、／Ｌ／、／ｕ／、／＠／、１０／。

鼻音）に対する最大類似度をグループ毎に求め、グルー
プ１の場合をｔ工（１）、グループ２の場合をｔ・（２
）とする。これをＮ個の音素中心について各々】 求め、グループ毎に類似度の総和をＬ　（１）　、　Ｌ
　（２）とする。

このＬ（１）Ｌ（２）を用いて信頼度Ｒ８を次式で定義
する。

Ｒ（１）＝Ｌ（１）−Ｌ（２）　　　　　　　　　−−
（６）な卦グループが３個以上の場合は各グループにつ
いて類似度の総和を求め、その値の最大なもの二つにつ
いて上記（６）式によυ信頼度Ｒ，（１）を求めれば良
い。

さてこのＲ８（１）が正値であらかじめ定められた閾値
を超えた場合は、使用者の音声はグループ１に檎するも
のと決定する。負値で、その絶対値が閾値を超えた場合
は、使用者の音声はグループ２に属するものと決定する
。いき値を超えることによって決定された後は、選択部
２９は、標準パタン切換部３２に対して、決定されたグ
ループの標準パタンのみを類似度計算部２４に与えるよ
う指示して、動作を終了する。

Ｒｅがいき値を超えなかった場合、選択部２９は標準パ
タン切換部３２に対しグループ１及びグループ２０両方
の標準パタ〜ンを選択するように指示し、さらにメイン
プロセッサ２８に対し、正値の場合はグループ１０類似
度を、負値の場合はグループ２の類似度を音素認識に用
いるよう指示を与える。

従って、メインプロセッサ２８は信頼度１（ｅが閾値を
超えない間は選択部２９の指示に従い、指示された類似
度を用いて音素認識し、結果を単語辞書３ｏと照合する
ことによって単語認識を行い、最も類似度の高かった単
語辞書を認識結果として出力部３１に転送する。

又、信頼度Ｒｅが一値を超えない間は、標準・くタン切
換部２６は選択部２９の指示に従い、標準パタン１，２
を順次転送し、類似度ｉ−１算部２４は標準パタン群１
，２に対する類似度計算をくり返す０従って、この間類
似度計算部２４は類似度計算のための演算量が多いが、
選択部２９の動作を終了した時点より、決定されたグル
ープのみの類似度計算を行えば良くなり、演算量は大幅
に軽減される。又、メインプロセッサ２８は信頼、性の
高い標準パタンを用いて音素認識が得れるようになシ、
単語認識の精度が向上する。

以上述べた実施例においては、信頼度の算出を最大類似
度の和を用いて行っていたが、それ以外に信頼度の算出
を最大類似度を得る回数で行っても良い。類似度計算部
２４で得た類似度の中で、最も類似度の高いものをｔ、
（１）とする。メインプロセッサ２８は選択部２９にｔ
、（１）であったことを知らせる。選択部２９は、ｔ、
（１）はグループ１に属するものとして、回数Ｎ（１）
をカウントアツプする。

ｔ、ｒｚ）が送られてきた場合には、回数Ｎ（２）をカ
ウントアツプする。

信頼度Ｒｅは次式で計算する。

Ｒｅ　（１）＝Ｎ（１ン／Ｎ（２）　　　　　　　　　
　　　　　　　　　　　　　−・・・−−（７）Ｒ、／
２）＝Ｎ（２）７　Ｎ（１）　　　　　　　　　−＝−
（８）このＲｅ（１）、Ｒｅ（２）のいずれかがあらか
じめ定められた閾値を超えたら、それがＲｅ（１）の場
合グループ１に、Ｒｅ””の場合グループ２に決定する
。閾値を超えない間はＮ（１）とＮ（２）を比較し、大
きい方のグループの類似度を音素認識に用いるよう、メ
インメモリ、す２８に指示を与える。

この方法では、最大類似度を得る回数のみを用いるため
、前述の類似変相を用いる方法に比して、石膏等の音声
スペクトルに歪を与える要因に対してより安定である特
長がある。

なおグループが３個以上の場合には回数ρ多いもの二つ
について信頼度Ｒｅを計算すれば良い。

次に標準パタン群の自動選択について第２図のブロック
図及び第３図のフローチャートを用いて説明する。

処理イに示すように任意の言葉、例えば［）・ジメＪ　
（ｈａ　ｚｉ　ｍｅ　）という音声がマイクに入力され
たとする。

かかる音声はＡ／Ｄ変換器２１でＡ／Ｄ変換され（処理
口）、一方は信号処理回路２２へ、他方はセグメンテー
ション部２６へ送られる。信号処理回路２２では処理ハ
に示すようにフレーム毎にプリエンフ７ンス、ハミング
窓による窓計算を行った後、その結果を線形予測分析プ
ロセッサ２３へ送る。線形予測分析プロセッサ２３は線
形予測分析を行なってＬＰＣケプストラム係数Ｃ＝（Ｃ
１゜Ｃ２、・・・・・・！　’　ｊ　＋・・−・・、Ｃ
ｐ）を求め（処理二）、類似度計算部２４へ送る。

一方、セグメンテーション部２６　ハ？Ｗ　域フィルタ
計算を行い（処理ホ）、又線形予測分析プロセッサ２３
で求めたＬＰＣケプストラム係数Ｃを用いて有声無声判
定、音声区間の検出（処理へ）、子音ｈａ　ｚｉ　ｍｅ
の／ｈ／、／Ｚ／、／ｍ／のセグメンテーションおよび
子音判別（処理ト）を行いその結果をメインメモリ２７
に送る（処理テ）。

また選択部２９は標準パタン群１の中に予め準備された
ａ　ｓ　＋　（υ　ｄ、（１１を類似度計算部２４に送
る（処理り）。類似度計算部２４では処理ヌに示すよう
に次式でグループ１の音素ｉに対する類似度（１）を求
める。

類似度はベイズ判定やマハラノビス距離等の統計的距離
尺度に基づくものが好適である。

同様にグループ２についてもｔｌ（２）を求め、これら
をメインメモリ２７に転送する（処理ル）。

メインプロセッサ２８はセグメンテーション結果と、母
音・鼻音に対する類似度を参照して処理オの如く母音・
鼻音部ｈａ　ｚｉ　ｍｅの／ａ／と／ｉ／と／ｍ／と／
ｅ／を決定し、決定した母音、鼻音部の中から、最も母
音又は鼻音らしい中心のフレーム（中央の位置又は類似
度最大の位置）を各母音・鼻音部に対して選び、その位
置情報を選択部２９に与える。

選択部２９は中心フレームのグループ毎の最大類似度を
求め、ざらにその類似変相Ｌ（１）Ｌ（２）を求める。

そして（６）式又は（７）、（８）式を用いて信頼度を
算出し、閾値を越えるか否かの判定を行う（処理力）０
この結果に基づき標準パタン切換部３２は標準パタン格
納部２５内の標準パタン群を選択する。

次に本実施例による音声認識装置の処理の流れを第４図
に示す。最初に音声が入力されたら（判断ツ）音響分析
しく処理ネ）、判断すを経由してセグメンテーション、
類似度計算１を行なう（処理う）。この時は、用意され
た全てのグループの標準パタンに対して類似度計算を行
う。次に、音声中の母音、鼻音の音素中心を抽出し、グ
ループを判別する信頼度を計算する（処理ム）。信頼度
が閾値以下なら（判断つ）、その時点で信頼度の最も高
いグループの類似度を用いて音素認識を行う。閾値以上
なら標準パタン選択終了命令を出しく処理マ）、閾値を
超えたグループの類似度で音素認識を行なう（処理イ）
。音素認識結果を用いて単語認識を行い（処理ヲ）、単
語認識結果を出力して（処理ワ）、再び音声入力待ちに
もどる。

次の音声が入力されたら音響分析の後（処理ネ）標準パ
タン選択終了命令が出されているか否かを調べ（判断す
）、されてなければ最初の音声の場合・と同様な処理を
くり返す。されていれば、すでにグループが決定きれて
いるため、そのグループの１字型パタンのみを用いてセ
グメンテー７ｇノ。

類似度計算２を行い（処理ヤ）、音素認識のルーチンへ
移る。

このように装置としての処理の流れは簡単であり、特に
複雑な演算処理を行うことなく実現できることを特徴と
する。

本実施例の方法で、成人男女１００名を対象に、２１２
単語中の最初の１０単語を用いて、閾値を超えるに必要
な単語数を話者毎に求め、人数を評価した結果を第１表
に示す。

すなわち、４単語まで用いれば１００人中９８人丁で正
しく、グループの判定を行うことができる。

残り２名中１名は、９単語まで必要とするが、正しくグ
ループを判定される。このグループ判定を誤った場合に
は母音・鼻音認識率が８８．４％＝５９．３％と大幅に
低下するため学習単語数を多くとっても誤らないように
することが重要である。

誤った１名は、女性を男性と誤った場合であるが、この
話者は男性の標準パタンを用いても母音、鼻音の認識率
は７８．６％−７５，６％と認識率の低下は極めて少な
い。すなわちこの話者の音声は男性の標準パタンにも合
っており男女の判別を誤っても問題はない。

このように、本実施例を用いれば、高い確度で男女の判
別を行うことが可能となる。

男女２ｏ名を対象に、６母音、鼻音の平均音素認識率を
フレーム単位で評価、比較した結果を第２表に示す。男
女の区別熱は、従来法に述べた、男女別々の標準パタン
を用意し、男女を区別することなく最大類似度を得る標
準パタンを認識結果とするものである。男女の区別布は
本実施例による方法である。各々フレーム認識率を俤で
示し、（）で認識率のバラツキを標準偏差で示す。

従来法に比し、本実施例を用いると認識率が向上し、バ
ラツキも減少する。特に、女性の認識率の向上と、男性
のバラツキの減少に大きな効果があり、本実施例の有効
性を示している。

発明の効果 以上述べたように本発明は、あらかじめ多数話者の音声
をグループ分けして認識のための標準パタンをグループ
毎に作成しておき、未知入力音声を用いてその音声に最
も適した標準パタンを自動選択する機能を持たせること
により、 １　使用者に負担をかけることなく、使用者の声に最も
適した標準パタンを用いて音声を認識することができ、
不特定話者に対して安定した高い精度の認識を実現する
ことができる。

２　使用標準パタンを１組にしぼることにより計算量を
軽減し、処理速度の速い音声認識装置を実現することが
できる。

という利点を有する。

【図面の簡単な説明】

第１図は従来の音声認識装置を示す機能ブロック図、第
２図は本発明の一実施例における音声認識装置を示す機
能ブロック図、第３図は本発明の一実施例における標準
パタン群の自動選択機能を説明するフローチャー　ト、
第４図は本発明の音声認識装置の認識手順の一例を示す
フローチャートである。 ２３・・・・・・線形予測分析プロセッサ、２４・・山
・類似度計算部、２５・・・・・・標準パタン格納部、
２６・・・・・・セグメンテーション部、２８・・・・
メ１ノプロセッサ、２９・・・・・・選択部、３ｏ・・
・・・・単語辞書部、３２・・・・・・標準パタン切換
部。 一式理大の氏名　弁理士　中　尾　敏　男　ほか１名第
１図 、デ 第３図 第　４　区

Claims (4)

【特許請求の範囲】
1. （１）入力音声よりフレーム周期ごとに得られたスペク
   トルまたはそれに類似する情報（以下スペクトル情報と
   記す）を算出する音響分析部と、入力音声の音声区間の
   検出と音素毎のセグメンテーションを行うセグメンテー
   ション部と、多数話者からなる標準音声信号から、性質
   の類似した話者ごとに分類された複数の標準パタン群を
   予め格納する標準パタン格納部と、前記標準パタン格納
   部内の標準パタン群の選択を行う標準パタン切換部と、
   前記標準パタン格納部の標準パタン群と前記スペクトル
   情報とを用いて音素ごとの統計的距離尺度に基づく類似
   度を求める類似度計算部と、前記類似度計算部とセグメ
   ンテーション部の結果から少なくとも母音部を決定し、
   その音素の定常部を示すフレームの位置情報を選択する
   プロセッサ部と、前記プロセッサ部で得られた位置情報
   に対応する、類似度計算部で求めた類似度を用いて、全
   入力音声が用意された標準パタン群に似ている度合の累
   計を標準パタン群ごとに設け、その累計の最も大きい二
   つの標準パタン群についてその差または比を求めて信頼
   度を算出し、前記信頼度がある閾値を超えた場合に前記
   二つの標準パタン群のうちのいずれか一方を選択し、閾
   値を超えない場合には全標準パタン群を順次読み出すよ
   うに前記標準パタン切換部を制御する選択部と、前記標
   準パタン切換部で選択された標準パタン群または累計が
   最大の標準パタン群を用いて前記プロセッサ部で作成さ
   れた音素または音節系列と比較する単語辞書を格納する
   単語辞書部とを具備することを特徴とする音声認識装置
   。
2. （２）統計的距離尺度として、対象とするすべての標準
   パタン群に共通の共分散行列と、各標準パタン群ごとに
   音素列に設けた平均値とを組み合わせたマハラノビス距
   離を用いることを特徴とする特許請求の範囲第１項記載
   の音声認識装置。
3. （３）全入力音声が用意された標準パタン群に似ている
   度合の累計を、最大類似度となる標準パタンの回数また
   は最大類似度の類似度和で求めることを特徴とする特許
   請求の範囲第１項記載の音声認識装置。
4. （４）標準パタン格納部に、少なくとも男声と女声とか
   らなる標準パタン群が格納されていることを特徴とする
   特許請求の範囲第１項記載の音声認識装置。