JPS6198400A - 音声信号正規化方法 - 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】 Ａ、産業上の利用分野 本発明は音声を認識する際の音声信号の正規化、特に正
規化された音声における無音スペクトルに歪みが生じな
いように音声信号を正規化する方法に係る。

Ｂ、開示の概要 本発明は音声認識プロセスに先行して音声信号を正規化
する方法および装置を開示する。準備手順では、音声を
６１周波数帯に分割してサンプリングし、周波数帯ごと
に振幅度数分布を作成する。

これらの度数分布から低い百分順位振幅値Ｐ（ｌｏ）お
よび高い百分順位振幅値Ｐ（ｈｉ）ｉ周波数帯ごとに取
出し、後に参照するために記憶する。実際に正規化する
動作では、認識しようとする音声信号も準備手順の場合
と同じ周波数帯に分割し、各周波数帯の連続する入力振
幅値Ａ（ｉｎ）および、それぞれの周波数帯の百分順位
振幅値から出力振幅値Ａ（ｏｕｔ）を次式： によシ計算する。

Ｃ０従来の技術 音声認識システムでは、音声信号を正規化し、これによ
シ未知の音声情報と、記憶されている音声パターンすな
わち音声モデルとをうまく比較できるようにすることが
重要である。そして同一の語または文がそれぞれの話し
手によって異なった音声になったり、同じ話し手が同一
の語または文を話しても時が異なれば異なった音声にな
ったシすることによって生じる振幅すなわちエネルギの
１　　　　　　変動を取除くか、もしくは少なくとも減
少させな、１ 望 ければならない。

このような話し手による相違、および同じ話し手でも話
す度に生じる差異に共通する原因は、母音の声門波形の
変化および高周波摩擦音エネルギの変化であることが知
られている。このような変動は音声信号を適切に濾波し
、正規化することによシ避けることができる。

シルバーマン他の論文”パラメトｌ）ツク有利による音
声スペクトル分析システム”、音響、音声および信号処
理に関するｒＥＥＥ会報（Ｈ，Ｆ。

Ｓｉｌｖｅｒｍａｎ　　ｅｔ　　ａｌ、、、”Ａ　Ｐａ
ｒａｍｅｔｒｉｃａｌｌｙＣｏｎｔｒｏｌｌｅｄ　　５
ｐｅｃｔｒａｌ　　ＡｎａｌｙｓｉｓＳｙｓｔｅｍ　　
ｆｏｒ　　５ｐｅｅｃｈ”、、ＩＥＥＥＴｒａｎａａｃ
ｔｉｏｕｓ　　ｏｕ　　Ａｃｏｕｓｔｉｃｓ、５ｐｅｅ
ｃｈａｎｄ　　Ｓｉｇｎｏｌ　　Ｐｒｏｃｅｓｓｉｎｇ
、Ｖｏｌ、ＡＳＳＰ−２２、、’ＮＯ，５，０ｃｔｏｂ
ｅｒ　１９７４．ＰＰ、３６２−３８１）は、振幅較正
すなわち正規化について記載している。この論文は、前
述の音声信号の変動を正規化するのに、長期間の音声ス
ペクトルに整合６Ｆ″１形７４　／ｌ／　：″１７］ｆ
６Ａ力音声０濾波　　　　　１を示唆している。この方
法における問題点は、このようなフィルタでは、母音お
よび摩擦音のスペクトルは正規化されるが、無音スペク
トルに歪みを生じることである。この論文には、音声信
号処理で無音をどのように扱うかについても簡単に述べ
られているが、正規化中に生じる無音スペクトルの歪み
を避ける方法は扱われていない。

米国特許第４０６０６９４号でも、入力音声信号の音圧
レベルの正規化について開示しているが、音声信号に無
音期間が存在することによシ生じる問題は扱ってはいな
い。

Ｄ１発明が解決しようとする問題点 従って、本発明の目的は、音声認識プロセスに先行して
音声の変動を除去または減小する音声信号正規化の方法
を提供することである。

また、本発明の目的は、音声信号の無暗スペクトルの歪
みを避ける正規化方法を提供することである。

更に、本発明の目的は、無音スペクトルの歪みを避けつ
つ、比較的簡単で、しかもかなシ効果的に正規化を達成
する音声信号正規化方法を提供することである。

Ｅ０問題点を解決するための手段 本発明の音声正規化方法では、最初に、それぞれの周波
数帯の振幅度数分布を作成し、次いで、周波数帯ごとの
度数分布から一対の特定の百分順位振幅値を取出し、こ
れらの一対の百分順位振幅値により、入力音声信号の振
幅値を実際に正規化する。

本発明の実施例では、音声信号を正規化するのに望まし
い値として第５および第９５百分順位振幅値を選択して
かな９の改良が図られているが、もちろん他の値、例え
ば下限として３％または６チ、上限として９７チの百分
順位振幅値を使用することも可能である。

また本発明の実施例では、−人の話し手がサンプル用の
テキストを読み、それを１分間隔で分析し、全部で３１
周波数帯の百分順位の振幅値のセットを作成しているが
、このようなセットを正規化に使用する場合、この−人
の話し手の音声の変動を、認識プロセスに先行して除去
することができる。しかしながら、数名の話し手の音声
を同じ／ステムで認識しなければならない場合、周波数
帯ごとの百分順位振幅値Ｐ（０５）およびＰ（９５）の
セットを、話し手ごとにそれぞれ１分間のサンプル音声
により生成しなければならない。

本発明、特に度数分布の作成、百分順位振幅値の取出し
、および所定の百分順位振幅値による、認厭しようとす
る音声の振幅値の実際の正規化のそれぞれの機能は、ハ
ードウェアまだはンフトウエアで実現することができる
。これは設計上の選択の問題であり、所要の速度、シス
テムの他の部分の機能の多重使用の可能性等による。い
ずれにしても、本発明の適用により、すぐれた性能が得
られる。　　。

Ｆ、実施例 （Ｆｌ、　　百分順位正規化の原理 ）゛　　　　　　音声認識手順で処理するのに先行して
音声信号を正規化する際、長期間の音声スペクトルに整
合するようにしか音声信号が濾波されなかった場合に、
無音スペクトルの歪みが生じないようにするため、音声
信号は下記のように処理する。

最初に、１人の話し手のそれぞれの音声信号の振幅度数
分布を、周波数帯ごとに作成する。次に、周波数帯ごと
に５％の百分順位振幅値Ｐ（０５）、および９５％の百
分順位振幅値Ｐ（９５）を前記度数分布から取出す。実
際に認識しようとする音声信号の振幅は周波数帯ごとに
次式により正規化する。

この正規化プロセスの重要な点は、このプロセスにより
生じる音声信号の長期間スペクトルがＰ（９５）の振幅
値で与えられ、無音スペクトルがＰ（０５）の振幅値で
与えられることである。正規化された後、すべての音声
は同じ無音スペクトルおよび長期間スペクトルを持つこ
とになる。　　　　　　　１Ｆ　２．　　実施例の説明
（第１図、第２Ａ図、第２Ｂ図） 第１図は、本発明により音声信号を正規化する手順を構
成するブロック図で、最初の準備段階に用いる共通部分
、最初の百分順位振幅値の生成にしか用いないもう１つ
の部分、および実際に正規化するのに用いる更にもう１
つの部分からなる。

音声信号を周波数帯に分割する共通部分この部分はセク
ション１１．１３および１５からなる。セクション１１
では、入力された音声信号が通常の方法で前濾波、サン
プリングおよびデ　′イジタル化される。その結果得ら
れたディジタル値は直ちにセク７ヨン１３で記憶され、
セクション１６からブロックごとに取出される。セクシ
ョン１５は、（サンプリングされディジタル化された）
音声信号を６１のチャンネルすなわち周波数帯に分割す
るフィルタバンクを表す。本実施例では、２００Ｈｚ〜
１０００Ｈｚの範囲の等しい帯域幅が８、更に、ＩＫＨ
ｚ　よシも高い範囲の対数スケール−の帯域が２３ある
。もちろん、周波数帯の数および帯域幅の分布は適切に
変更することが可能である。

こうして、６１０個々の周波数帯の音声信号が使用可能
になる。ディジタル化された信号を複数の周波数帯に分
割する標準的な手順は公知である。

セクショ／１５のフィルタバンクは後に第４図と関連し
て説明する。

実際に正規化を行う前に、認識しようとする音声をサン
プリング間隔ごとに分析し、百分順位振幅値を取出すだ
め、セクション１９．２１．および２３からなる部分が
設けられている。

セラフ３フ１９０度数分布作成器は、音声信号の周波数
帯ごとに、１分間隔で振幅度数分布を作成する。度数分
布は周波数帯ごとに１つずつ用意される。これは、それ
ぞれの周波数帯の振幅値が複数のレベルすなわち個々の
振幅範囲にどのようにどのように分布しているかを示す
。本実施例では、全振幅範囲は、−２０ｄＢ〜７０ｄＢ
の範囲で１ｄＢ間隔に９０分割されている。

第２Ａ図は３１周波数帯の場合の代表的な度数分布を示
し、第２Ｂ図はこの度数分布の振幅レベルと度数すなわ
ちカウントとの関係を示す。１分間の評価間隔で、例え
ば％！５ｄＢの振幅では６２Ｄサンプル、５［）ｄＢの
振幅では１２６０サンプルが分布していることが第２Ｂ
図に示されている。

これらの度数分布作成の詳細は、後に第５Ａ図および第
５Ｂ図に関連して説明する。

第１図のセクション２１では、作成された度数分布から
周波数分布から周波数帯とと忙百分順位振幅値Ｐ（０５
）およびＰ（９５）が取出される。

周波数帯ごとに、Ｐ（０５）は分布しているすべての振
幅値の５チだけがこの値よりも小さく、　　ｐ（９５）
は同様に、分布しているすべての振幅値１　　　　　　
５％９け”″″イ直Ｘ″′太き″。？″″す・５；・；
　　　　　　　出された３１の百分順位振幅値の対はセ
クション２ろで記憶され、後に参照値として使用可能に
なるようにセクション２６から線２５に出力される。

代表的な百分順位振幅値の例を下記：（示すチャネル　
４°Ｐ（０５）＝−４ｄＢ　　ｐ（９ｓ）−５５ｄＢチ
ヤネル１ｏ　：　ｐ（ｏｓ）＝−６ｄＢ　ｐ（９ｓ）＝
４７ａＢチャネル２０　：　Ｐ（０５）＝−４ｄＢ　　
Ｐ（９５）＝４６ｄＢ更に百分順位振幅値の取出しの詳
細についても、後に第６図に関連して説明する。

認識しようとする音声信号の正規化 セクション２７（第１図）は実際に正規化する動作を行
う部分である。セクション２７は、線１７から周波線帯
ごとの音声信号振幅値Ａ（ｉｎ）の連続ストリームを受
取り、線２５からあらかじめ生成されたすべての周波数
帯の百分順位振幅値を受取る。セクション２７は、周波
数帯ご七に正規化された出力振幅値Ａ　（ｏｕｔ　）を
次式により計算する。

Ｐ（９５）−Ｐ（０５） セクション２７を実現する回路は後に第７Ａ図および第
７Ｂ図に関連して説明する。

正規化された振幅値Ａ　（ｏｕｔ　）は、セクション２
９の音声認識装置に直接供給するか、または中間的に記
憶して後に参照することができる。

Ｆ３、特定のセクションの説明（第３図〜第７Ｂ図） 第３図は、音声信号を３１周波数帯に分割するフィルタ
バンク（セクション１５）の詳細を示す。

ユニット３３は、入力信号スペクトルを後の処理により
よく適合させる所望のウィンドウ機能〔本実施例ではカ
イザ（Ｋａｉｓｅｒ）　　ウィンドウ〕を含む。ユニッ
ト３３に供給された４００点のディジタル音声サンプル
値を有するブロックは、ブロックの大きさを変えずにそ
の値を変更され、ユニット３５に送られる。ウィンドウ
動作は前述のシルバーマン他の論文に記載されているの
で詳細な説明は省略する。

ユニット６５では、ユニット３３で値が変更された４０
０点のディジタル音声サンプル値をブロックごとに高速
フーリエ変換（ＦＦＴ　）する。ユニット６５は、周波
数帯の異なる２０口の振幅値を１つのブロックとして出
力する。これらの値はフィルタバンク（ユニット６７）
に転送され、ユニット５７は入力音声信号をスペクトル
分析し、３１周波数帯の振幅値を生成する。フィルタバ
ンクの機能は次式によシ表示される。

高速フーリエ変換はオツペン・・イム２よびンエー・・
の著書゛ディジタル信号処理”（Ａ、ＶＯｐｐｅｎｈｅ
ｉｍ　　ａｎｄ　　Ｒ，Ｗ、５ｃｈｏｆ’ｅｒ、”Ｄｉ
ｇｉｔｏｌＳｉｇｎｏｌ　　Ｐｒｏｃｅｓｓｉｎｇ”、
Ｐｒｅｎｔｉｃｅ−；Ｈｏ１ｌ、Ｅｎｇｌｅｗｏｏｄ　
　Ｃ１１ｆｆｓ、Ｎ、Ｊ、１９８３）に記載され、代表
的なフィルタバンクの実現は、クラットの論文″ディジ
タルフィルタバンクによるスペクトル整合”　（Ｄ、Ｈ
，に１ａｔｔ、”Ａ　ＤｉｇｉｔｏｌＦｉｌｔｅｒ　　
Ｂａｎｋ　　ｆＯｒ　　５ｐｅｃｔｒａｌ　Ｍａｔｃｈ
ｉｎｇ、”Ｃｏｎｆｅｒｅｕｃｅ　　Ｒｅｃｏｒｄ　　
ｏｆ　　ｔｈｅ　　１　９７６ＴＥＥＥ　　　Ｉｎｔｅ
ｒｎａｔｉｏｕａｌＣｏｎｆｅｒｅｎｃｅｏｎ　　Ａｃ
ｏｕｓｔｉｃ、５ｐｅｅｃｂ　　ａｎｄ　　Ｓｉｇｎａ
ｌＰｒｏｃｅｓｓｉｎｇ　）　　の５７３〜５７６頁に
説明されているので、ユニット３５および３７の詳細な
説明は省略する。

周波数帯ｌごとの連続する出力値Ａ（ｉ）は、００１秒
間秒間上れぞれの周波数帯のエネルギの犬きさを表す。

これらの値は、度数分布および百分順位振幅値の生成な
らびに正規化動作の入力としで使用される。

第４図、度数分布作成手順の流れ図である。Ａ（］）は
所定の時間間隔の周波数帯ｌの振幅、ＢＩＮ（ｊ）　　
はレベルＪの低い方の境界の振幅、Ｃ０ＵＮＴＣＢｒＮ
（ＤＥ　はＬ／　６／Ｌ−ｊ　（７）累計″′ハト１ １　　　　　である。６１周波数帯の各々について、ｋ
個（本実施例ではに−９０である）の計数用ビンＢ丁Ｎ
（ｊ）　　が設けられている。す々わち、ビンの各々は
個々のにレベルの振幅の甲の１つのＢ　Ｉ　Ｎ　（Ｊ）
を表わし、それぞれのＢ　Ｉ　Ｎ　（Ｊ）　　がらＢＩ
Ｎ（ｊ　＋　１　）までの範囲のレベルに分類される振
幅値Ａ　（ｉ）　　の発生をカウントする。ステップ１
２０は、入力値Ａ（ｉ）　　と、連続するレベル値ＢＩ
Ｎ（Ｄ　　とを比較する。この場合、比較は最も低い値
から開始され、Ａ（ｉ）　　がＢ　Ｉ　Ｎ　（ｊ）　　
の値を越えるまで、ステップ１５０でＢＩＮ（ｊ−１）
のカウント値Ｃ０ＵＮＴ［Ｂ　ＩＮ（ｊ−１））を１増
加する。

第５図および第５Ｂ図は度数分布発生器を実現する論理
回路である。セクション１９の度数分布作成器は３１周
波数帯の各々の度数分布作成モジュール４１を有する。

度数分布作成モジュール４１は第５Ａ図に示すようにに
個の論理／計数回路４３　（Ｄ　　からなる。ｋ＝９０
の振幅レベルを仮定すると、３１周波数帯の各々につい
て９ｏの論理／計数回路４３（Ｄ　　が設けられる。連
続する　　　　　　１周波数帯の値Ａ（ｉ）　　はすべ
ての論理／計数回路４３　（Ｄ　　に並列に供給され、
このような度数分布カウント値ごとに、レベルカウント
値Ｈ（Ｊ）が１増加する。

第５Ｂ図は１つの論理／計数回路４３（Ｊ）の詳細を示
す。この回路は、ＢＩＮ（ｊ）とＢＩＮ（ｊ＋１　）の
レベル境界値の間に位置するＡ（ｉ）値をカウントする
。比較器４５（ＣＩ）の出力は、Ａ　（ｉ）＞＝ＢＩ　
Ｎ　（ｊ）　ノ場合１になり、比較５４７（Ｃ２）に続
くインバータ４９　（Ｎ）の出力はＡ　（ｉ）（Ｂ　Ｉ
　Ｎ　（ｊ　＋１　）の場合１になる。

Ａ　Ｎ　Ｄゲート５１はこれらの２つの入力が１の場合
、計数パルスをカウンタ（ｊ）　５５に供給し、カウン
タ（ｊ）５３はレベルカランＨＨ（Ｊ）を出力する。

第６図は度数分布から百分順位振幅値Ｐ（０５）および
Ｐ（９５）を取出す手順の流れ図である。

これは第１図のセクション２１の動作に相当する。

３１周波数帯の各々について別個に取出しが行われる。

ＴＣは周波数帯１の度数分布の振幅カウントの合計数、
Ｌ５は５％百分順位のカウント、Ｌ９５は９５％百分順
位のカウント、Ｐ（０５）は５％百分順位振幅値、ｐ（
９５）は９５％百分順位振幅値、ＡＣＣはＪレベルまで
の全レベルの度数分布の振幅カウントの累計である。

最初に、ステップ２００でにレベルのカウント値Ｈ（ｊ
）　　の総和をとってＴＣを計算する。次に、ステップ
２１０で度数分布の境界カウントＬ５およびＬ９５をそ
れぞれＴＣの５％および９５％として計算し、Ｊおよび
ＡＣＣを０に初期設定する。

ステップ２２０でＪを１増分し、ＡＣＣの値をＨ（Ｊ）
増加する。ステップ２６０で下位の境界カウントＬ５と
累計カラン）ＡＣＣを比較する。最初、０に初期設定さ
れたＡＣＣは、Ｊの値が１増分するごとにＨ（ｊ）の値
が加算される。この動作はＡＣＣがＬ５よりも大きくな
るまで反復される。

ＡＣＣがＬ５よりも大きくなる、すなわち５％百分順位
振幅レベルに達すると、ステップ２４０でＢＩＮ（ｊ）
はＰ（０５）の値になる。次にステンプ２５０で、引続
きＪを１増分し、ＡＣＣの値をＨ（ｊ）増加する。この
動作はＡＣＣがＬ９５よりも大きくなるまで反復される
。ステップ２６Ｑで、上位の境界カウントＬ９５とＡＣ
Ｃを比較する。

ＡＣＣ）Ｌ９５１１７）場合、すなわちＡＣＣが９５％
百分順位振幅レベルに達すると、ステップ２７０でＢＩ
Ｎ（ｊ）はＰ（９５）の値になる。Ｐ（０５）およびＰ
（９５）の値は第１図のセクション２３で記憶される。

正規化回路 第７Ａ図および第７Ｂ図は、第１図のセクション２７の
正規化動作の詳細を部分的に示す。前に・　説明したよ
うに、セクション２７は線１７がら３１周波数帯の連続
する振幅値Ａ　（ｊ）を受取ム線２５から３１チヤンネ
ルの百分順位振幅値Ｐ（。

］　　　　　　　５）およびＰ（９５）を受取る。セク
ション２７（）　　　　　　　は３１の演算モジュール
５５を含む。各々の演算モジュール５５ば１つの周波数
帯の振幅値を正規化する。第７Ｂ図はこのような正規化
モジュール５５の１つである。正規化モジュール５５は
、減算器５７、減算／反転器５９および乗算器６６を含
む。減算器５７は、連続するそれぞれの値Ａ（１ｎ）か
ら、記憶されている百分順位振幅値Ｐ（０５）を引く。

減算／反転器５９は、Ｐ（９５）からｐ（ｏ５）を引き
、その結果の逆数の値を計算して線６１から取出すこと
ができる。もちろん、この値はあらかじめ計算され、記
憶される。

なぜなら、百分順位振幅値は、再計算されるまでは変更
されないからである。乗算器６３は、減算器５７の出力
と、線６１からの値との積を計算し、次式による所望の
値Ａ　（ｏｕｔ）を、Ａ　（ｉ）が入力されるごとに出
力する。

Ｇ９発明の効果 本発明の方法により、音声認識システムで必要なステッ
プに比較的少数のステップを追加して正規化を行い、そ
のシステムにおける認識結果を大幅に改善することがで
きる。　　−

【図面の簡単な説明】

第１図は本発明による音声正規化手順の、特定の百分順
位振幅値の生成および実際の正規化を含む構成のブロッ
ク図、第２Ａ図は第１図による構成から得られた度数分
布の例を示す図、第２Ｂ図は振幅レベルとカウント値と
の関係を示す図、第６図は音声信号を３１周波数帯に分
割するフィルタバンクのブロック図、第４図は度数分布
作成手順の流れ図、第５Ａ図および第５Ｂ図は度数分布
作成ルーチンを実現する論理回路、第６図は度数分布か
ら特定の百分順位振幅値を取出す手順の流れ図、第７Ａ
図および第７Ｂ図はあらかじめ作成された百分順位振幅
値により実際の音声信号正規化を実現する演算回路の部
分を示す図である。 ４１・・・・度数分布作成モジュール、４３・・　論理
／計数回路、５５・・・・演算モジュール、５７・・・
・減算器、５９・・・・減算／反転器、６３・・・乗算
器。 出願人インタ廿カナノｕ　”　ヒ’ｆ（ｚス・マンーン
ズ・コーポレーション復代理人　弁理士　　澤　　　１
）　　俊　　　夫ン七′、１し 音声正規先手ｉ１１頁の尖施例 振幅（ｄＢ） 冷鳩表貢勺ｆＪ’度牧今イ巨 ！２ＡｖＡ。 第２Ｂ図 代表的な度数分布の振幅レベルとカウレトの肉係ｌυリ テ゛イジ゛クツし音声 サンプＪレ フイＬタバレクの詳細 第３図 １　　　　　　　周ｉ数裕ｉの度数分布作成第４図 度数分布作成モソエー肛 ｊｉ５Ａ図 論理／計数回路カ詳細　　　　　　　　　　　　　　（
ｊ１５Ｂ図 百分類イ立取已り 第６図 正規化回路の詳細 ！７Ａ図 正規、化モジューＪし 第７Ｂ図

Claims (1)

1. 【特許請求の範囲】 ワードを、連続する音声ストリームの形式で受取り、該
   ストリームを処理して周波数帯ごとに振幅度数分布を作
   成し、認識プロセスを実行するシステムにおいて、無音
   スペクトルに歪みを正じない音声信号正規化方法であっ
   て、 周波数帯ごとに、 （ａ）振幅度数分布を作成し、 （ｂ）低い百分順位の境界を決めるＰ（ｌｏ）および高
   い百分順位の境界を決める振幅Ｐ（ｈｉ）を取出し、 （ｃ）音声信号の入力振幅Ａ（ｉｎ）を正規化して出力
   信号振幅： Ａ（ｏｕｔ）＝（Ａ（ｉｎ）−Ｐ（ｌｏ））／（Ｐ（ｈ
   ｉ）−Ｐ（ｌｎ））を得る ことを特徴とする音声信号正規化方法。