JPS6165300A - 音声信号処理回路 - 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】 〔発明の利用分野〕 本発明は音声信号処理回路に係り、騒音レベルを自動追
従し、周囲の騒音レベルの大きさに応じて音声検出レベ
ルを変えｆ　ｆｉｆｆｉな音声区間を検出する回路を提
供することにある。

〔発明の背景〕

音声を自動認識したりｐ＾ｒｆ編集により音声を再生し
たりする場合、人ＪＪ　ＪＥＴ号の中から音声の存在す
る区間だけを自動的に求める必要がある。

ｒ″？声検出の一般的な方法としては入力言号の短区間
パワーを求め、これが所定の閾値を超えた１く間を音声
区間、それ以外の区間を無音区間とする方法がある。と
ころが種々の騒音環境下では騒音レベルが異なったり変
動も生ずる。このヨウＬ　”＋、ｉｉ　Ｍレベルが変４
σ７１．た場、＋１、例えば固定閾値で判定すると、騒
音と音１１１を分離し騒音に重畳された音声だけを正確
に検出することは難しい。

そこで次に考えられるのが浮動閾値法で、背景１１所音
レベルを演出しこれをもとに音声検出閾値を変える方法
である。背景騒音レベルを自動検出する方法としては、
例えば特開昭５７−１４４５９７１ｊ公報がある。この
方式は、音声部分を含む音点信号波形を入力バッファメ
モリに一旦記憶し、この中から背景騒音レベルを推定し
ていた。そしてこれに基づいて入カバソファメモリの入
力信号波形を再度判定して音声部分を検出していた。騒
音エネルギレベルの推定は、音声信号波形の短区間エネ
ルギレベルに対してその累積度数をヒストグラムとして
求め、この最大反故の示すエネルギレベルを急音レベル
とした。この方式は音声を含む入力波形全体から背景騒
音レベルを推定しているため、騒音レベルの変動には強
い反面・バッファメモリが必要であり、また背景騒音レ
ベルを推定したあと、バッファメモリの波形を再度判定
しているために実時間処理が困蝿となり、後読の音声認
識等の処理が大幅に遅れるという問題があった。

〔発明の目的〕

本発明の目的は上述の従来技゛術の問題点に鑑みてなさ
れたもので、騒音レベルをリアルタイムで自動検出し、
騒音に重畳された音声を正確に検出可能な回路を提供す
ることにある。

〔発明の概要〕

この目的を達成するために、本発明においては人力信号
の短区間エネルギを利用し、この、＜ワーレベルに対応
する累４ヒｊ度数をヒストグラムとして求め、ヒストグ
ラムの最大頻度のパワーレベルを騒音平均レベルとして
検出するように１７、さらに累積度数を求める際に所定
値を超えたときに累積度数が負値にならない範囲ですべ
ての累積度数を減じ、常に所定値を超えないようにする
。これは騒音パワーが定常であるかぎりある範囲におさ
まっているのに対して音声部分は種々のレベルをとるこ
とを利用したもので、また過去のパワーレベルから騒音
レベルを遂次推定しているため実時間での音声検出が可
ＭＦとなる。

〔発明の実施例〕

以下、本発明を実施例により説明する。第１図は特定話
者の音声認識装償の例である。最初に登録記動によりそ
の話者の音声を標準音声記憶部に登録する。登録する場
合も人力信号波形から音声の部分を自動的に検出する必
要がある。

まずマイク等からの入力音声信号が入力部１に。

取込よれた炭、分析部２では周波数スペクトル。

分解して認識の基になる特徴パラメータと、音声検出の
基になる音声使用パラメータを出力する。さらに詳細に
は、人力部１で人力音声信号の中１））ら音声帯域の信
号だけを取出すためＧこ５．６ＫＨｚの低域通過フィル
タ？ａし、その後８　Ｋ　Ｈｚでサンプリングし、アナ
ログテイジタル変換によって１２ビツトのディジタル音
声信号にして分析部２に送る。分析部２では人力部１か
らの音声信号を１６個の帯域通過フィルタにより周波数
スペクトル分解し、低域通過フィルタで平滑化した後、
例えば２０ｍ５１３ｃ間隔でサンプリングして１６個の
特徴パラメータを出力する。また分析部２では入力部１
からの音声信号を２０ｍ５ｅｃに区切り、この間の短区
間エネルギを計にスし、対数変換した後、音声検出パラ
メータとして出力する。この２０ｍ５ｅｃの時間単位は
特徴パラメータ、音声検出パラメータが分析部２から出
力されるタイミングであり、また分析の基本単位でもあ
りフレームと呼ぶ。騒音レベル検出部５ではフレーム単
位の音声パワーを入力し、後述する本特許方式により、
累４１１された過去の音声パワーと併用して騒音レベル
をフレーム単位に推定する。音声検出部４＆まこの１掻
音推定レベルと音声パワーの両方を用いてそのフレーム
音声がＵ音か無音かを判定する。有音／無音の判別は１
ｉ；Ｉｉ騒音レベルもとに一定レベル高いところに音１
１１９出「、ｊ値を設定し、この閾値を超えるかどうか
で行なう。つぎにこの情報を用いて音声区間を検出する
。１尚去からの・ｆｆ音断続時間を調べ、所定時間を超
えたときにそれご音声とみなす。

さらに無音区間が所定時間以上続いたときに音声が終了
したとしてその有音区間を音声区間として標準音声記憶
部６に出力する。標準音声記憶部６では分析部２からの
特徴パラメータ分フレーム単位に入力し、音声検出部４
からの音声区間でゲートして音声区間内の特徴パラメー
タだけを記憶する。以上がび録作業である。このように
してあらかじめ決められた音声を登録したあと認識フェ
ーズに入る。認識起動が照合部５と標準音声記憶部乙に
入ると、入力信号を分析し、登録と同様に騒音レベル検
出および音声検出を行なう。照合部５では入力信号を分
析した特徴パラメータと音声区間情報を取込み、有効な
音声区間の特徴パラメータを照合対象とする。そして標
準音声記憶部６カ）らすでに登録されている音声を順次
入力し、人力音声との比軟照合により最良の標準音声の
名称を認識結果として出力する。以上が認識の流れであ
る。このように実時間で騒音レベルおよび音声検出を行
なっているため、音声区間の始端が検出されたときから
照合処理を並列して進めることができ、認識処理が極め
て速くなる。

第２図に本特許を用いた音声分析、合成の例を示す。分
析起動により入力音声を圧縮して記憶するが為この場合
も入力信号波形から音声の部分を自動的に検出する必要
がある。マイク等からの入力音声信号が入力部１に取込
まれ１第１図と同様に１２ビツトの１１”　ＣＭ化され
たディジタル信号が出力され、分４ｊ？　＋’Ａ　２で
は音声検出のための音声パワーを騒音レベル検出部６に
出力する。また分析部２は過応形苓分Ｐ（１！Ｍ（ＡＤ
ＰＯＭと呼ぶ）により４ビツトに圧縮し、４ビツトの波
形データを圧縮部７に出力する。騒音レベル演出部３で
は２０ｍ５θＣのフレーム単位に音声パワーを入力し、
騒音レベルを推定した後、音声検出部４で音声パワーと
併用して有効な音声区間を検出し、その区間位１１を圧
縮部７に出力する。圧縮部７では音声検出部４からの音
声区間情報にもとづき４ビツト化された音声波形をさら
に圧縮する。圧縮は力■音区間で行なう。

ｉｆ声区間の中にも有音区間と音声情報が含まれていな
い無音区間があり、この無音区間を削除して無音区間の
長さだけを記憶させるものである。記憶させる音声は単
１ｆ１）でも文章でもかまわない。文章の場合には文淋
終丁条件を例えば１秒とし、１秒無音がつづくとき文章
終了とみなすようにすればよい。この圧縮されたｐ　ａ
　Ｍ波形データは記憶部８にラベルを付けて録音される
。録音が終了すると合成起動によりいつでも。

元の波形に復元できる。いま記憶部８に合成部。

動とともに音声の種類が人力されると、記憶部ではその
音声が記憶されているアドレスを調べてそこからの圧縮
された２０Ｍ波形データを伸、　長・合成部９に送る。

伸長・合成部９ではＡＤＰＣＭＩＩＥ縮とは逆の伸長処
理を施すとともに、削除し詰められている無音区間を復
元しもとの波形に戻して出力する。以上が音声分析・合
成の流れで、分析して圧縮録音する際に実時間で騒音レ
ベル検出および音声検出を行なっている。

つぎに本発明の騒音レベル検出部３における騒音レベル
の推定方法の一実施例について詳述する。第４図にフロ
ーチャートを、第３図には騒音レベルの推定のための波
杉図を示す。まず分析部２から送られてくる音声パワー
のレベルに対応した累積度数を＋１カウントアツプし、
ヒストグラムを修正する。これはフレーム時間単位に行
なわれる。しがしカウントアツプし続けると累積度数は
やがてオーバーフローする。

そこで所定量Ｏ以下になるように制限を付け１もし度数
が０以上になったときにはすべての累１ｆ１度微を一１
カウントダウンする。但しカウントダウンによって負値
になるときにはゼロにリセットし、常に度数がＯ−ａの
中にあるようにコントロールする。騒音レベルの推定は
、累積度数の最大値を検出し、これに相当する音声パワ
ーで行なうことができる。このように累積度す々をフン
トロールすればオーバーフローラ防りことばかりでなく
、騒音レベルが変化しても累（０度数の最大部分がやが
て現在の騒音レベルのところに移り正しく騒音レベルを
追従することができる。この様子を第３図に示す。横軸
が時間、縦軸が音声パワーレベルを表わす。ｔ＝Ｑです
べての累積度数をゼロにリセットしておく。

Ａ点でのヒストグラムは第３１Ｊ（Ａ）のようになる。

縦軸が音声パワーレベル、横軸はこれに対する累積度数
を表わしている。背景δ音に吋して音声パワーは分散し
ており、ｈ′５音レベしＰ、７・が王しく推定できる。

したがって音声検出閾値も正しく設定でき、これにより
正確な音声区間が得られる。音声１を分析録音する場合
音声検出閾値がさらに重要となる。録音対象は音声区間
であるが、音声検出閾値を下回っている無音部分につい
ては前述のように削除する。これにより有効な音声のみ
を圧縮録音することが可能となる。

Ｂ点のヒストグラム（Ｂ）では音声部分がゼロになって
いる。これは背景騒音レベルが所定量０に達し、他の度
近を減少させていったためである。

しかし負値になることはない。Ｂ点から曙音レベルが下
がっている。騒音推定レベルＰ１■と音声検出閾値はと
もにしばらくは前値のままであるが、０時点ではヒスト
グラム（ａ）をみると前の騒音レベルと今の邸音レベル
の累積度数が一致しており、ここで始めて騒音レベルが
正しく求まる。前の音声検出閾値では音声２を検出する
ことはできないが、このように騒音レベルを自動追従し
て補正することにより正しく検出できる。

なおり点のヒストグラム（１））をみるとわかるように
前の騒音レベルＰＶの累（゛？１度数が減少しており自
動追従している様子がわかる。

尚、本発明は上記実施例に限定されるものではない０本
実施例では音声検出パラメータに短区間音声エネルどの
対：”’ｔ　ｆ＋αを用いたが、エネルギをそのまま用
いてもよく、また音声パワーの池に高域成分と低域成分
の比率を表わした高域２／低域パワー比とを組合わける
こともでき、この場合、エネルギの小さいｘＩ（声音声
も容易に検出できるようになる。この騒音の高域／低域
パワー比は音声パワーと同様の方法でヒストグラムによ
り推定することができる。

〔発明の効果〕

本発明によれば、騒−１１変動に関する問題が解決され
、いかなる騒音環境下でもその騒音レベルを自動追従し
ていくことができ、重畳された音声も正確に検出再記と
なり、音声認識、分析合成等にその実用点利点は極めて
大きい。

【図面の簡単な説明】

第１図は本発明を用いた音声認識ブロック図、第２ニス
は本発明を用いた音声分析・訃成ブロック図、第３図は
第１１ス、第２図の音声検出の例を示す図、第４図は第
１図、窮２図の騒音レベル検出フローチャートであるＯ Ｐ・・・短区間音声パワー 珈・・・背景騒音推定レベル Ｓ・・・累積度数 代理人弁理士　、・、１．（１（ｉｉ　　明　夫第　　
１　聞 ＄ｚ図 本 分ｌ夷勅 ＄４図

Claims (1)

【特許請求の範囲】
1. １、音声入力信号から短区間音声パワーを抽出する手段
   と、抽出した音声パワーから背景騒音レベルを推定する
   騒音レベル検出手段と、該騒音レベルと音声パワーとか
   ら音声区間を検出する音声検出手段とから成る音声信号
   処理回路において、該騒音レベル検出手段は、該騒音パ
   ワーレベルに対する頻度をヒストグラムとして求めて、
   該ヒストグラムにおける最大頻度のパワーレベルを騒音
   レベルと推定するようにし、ヒストグラム計算の際にそ
   の累積度数が所定量を超えたときにすべての累積度数を
   減じ、累積度数が負値の場合にゼロにリセットして度数
   を正値で所定量以内におさえたことを特徴とする音声信
   号処理回路。