JPS62201497A - 音声認識方法 - 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】 （産業上の利用分野） この発明は、認識精度の良い音声認識方法に関するもの
である。

（従来の技術） 音声認識を行うための一般的な手法の一部にパタンマツ
チング法を用いる方法がある。

先ず、従来のパタンマツチング法を用いて行う認識方法
について、第５図を参照して説明する。

第５図において、１０は音声入力端子、１１は音声分析
部、１２は区間検出部、１３は人力メモリ部、１４は音
声標準パタンメモリ部、１５は類似度計算部、１６は判
定部、１７は出力端子である。

音声入力端子ｌＯに人力された入力音声は、音声分析部
１１で人力音声の特徴を表す時系列パタン（以下、音声
パタンと称す）に変換される。

この音声パタンは、−例として中心周波数の異なる（こ
の中心周波数毎の番号付を以下チャネルと称′ｆ）Ｐ個
のバンドパスフィルタ群によって抽出された帯域内周波
数成分の、所定の時間間隔Ｔ、（以下、フレームと称す
）における、平均値によって得られるｐ次のベクトルの
時系列パタンとして表現される。

一方、この音声分析部ｌｌにおいて、音声パタンに時間
的に対応する時刻における音声パワー（−例として、あ
る１つのフレームにおける周波数成分の総和を用いる）
を算出する。この音声分析部１１において算出された音
声パタンを入力メモリ部１３に逐次格納するとともに、
音声パワーを区間検出部１２へ出力する。

区間検出部１２では、音声分析部１１からの音声パワー
に基づき、音声区間、すなわち音声の始端及び終端を決
定する。この区間検出部１２で決定された音声の始端お
よび終端間の音声パタンを入力メモリ部１３から入力し
て類似度計算部１５へ出力する。

一方、この類似度計算部１５には音声標準パタンメモリ
部１４から音声標準パタンを別途入力させている。この
音声標準パタンは、認識対象となるカテゴリの特徴を代
表的に表現するための音声パタンであり、予め音声標準
パタンメモリ部１４に格納しておく。

類似度計算部１５では、音声パタンと音声標準パタンと
の間の類似度計算を行う。具体的には音声パタンと音声
標準パタンとの特徴ベクトルの間の距離を求めるという
様な類似度計算（以下、マツチングと称す）が行われる
。

このマツチング方法の例として次の２つがあげられる。

まず、第１例は線形マツチング法とよばれるものである
。例えば、沖研究開発第１１８号Ｖｏ１．４９、ｌ）　
、　５３〜Ｉ）、５８に開示されているように、入力さ
れた音声パタンを時間軸方向に線形伸縮させて発声速度
の違いを吸収し、音声標準パタンと対応づけてマツチン
グを行うものである。

第２例は、ＤＰマツチング法とよばれる非線形マツチン
グである。これは、特公昭５Ｑ−２３！１４１号に開示
されているが、動的計画法を用いて音声パタンと音声標
準パタンを時間軸方向に非線形に対応させ、発声速度の
変動等の歪みを最適化する方法等を用いてマツチングを
行うものである。

この類似度計算部１５から出力されるカテゴリごとの類
似度を用いて、判定部１６では、その最大類似度を与え
る音声標準パタンに与えられるカテゴリ名を認識結果と
して出力端子１７より出力させる。

以上が、従来のパタンマツチング法による音声認識方法
の概略である。

（発明が解決しようとする問題点） この従来のパタンマツチング法は、同一の分析処理を施
した音声パタンと音声標準パタンとの相違を類似度で評
価し、最大の類似度を与える音声標準パタンのカテゴリ
名を認識結果とする方法であった。これは音声パタンと
音声標準パタンが同じカテゴリである場合は、類似度は
大きくなることが期待され、逆に、異なるカテゴリであ
る場合は、類似度は小さくなることが期待されるからで
ある。

しかし、個人差や発声時の周囲の状況等で発声速度に様
々な変動がみられ、同一カテゴリといえども両者の類似
度が大きくなるとはいえない。また、音声は発声速度の
変動に伴い、母音部では大きく伸縮し、子音部ではあま
り伸縮しないため、時間軸方向の線形伸縮では音声パタ
ンと音声標準パタンとの対応がうまくいかない。すなわ
ち、音声パタンの母音部に音声標準パタンの母音部がう
まく対応しなくなる場合が起り、類似度が大きくなると
いえない。

前述のマツチング法の第１例である線形マツチングは、
このような変動に対処するため、１つのカテゴリに対し
て複数の音声標準パタンを用意している。しかし、この
方法では発声速度の変動を予想した多数の音声標準パタ
ンを格納しなければならず、メモリ容量が大きくなる問
題点がある。

マツチング法の第２例のＤＰマツチング法は、この多数
の音声標準パタンをもつ線形マツチングの問題点を解決
するために考えられた方法の１つである。この方法は、
音声の非線形な伸縮を動的計画法を用いて対処しており
、音声標準パタンの数は少なくてすむが、音声パタンと
音声標準パタンとの最適対応づけを決定する処理が複雑
であるため回路規模が大きくなり、装置が大型化すると
いう問題点がある。

この発明は、以上述べた従来用いられている線形マツチ
ング法においては、音声の発声速度の変動に対処するた
めに多数の音声標準パタンをもつ必要があるために大容
量のメモリが必要となるという問題点と、発声の非線形
な伸縮に対処するＤＰマツチング法の処理のｍ雑さのた
め回路規模が大きくなるという問題点とを解決するため
に成されたものである。

従って、この発明の目的は、隣接フレームとのフレーム
間距離累積値を用いた時間軸非線形分割法と、音声標準
パタン数が少なくて済む簡単な線形マツチング法とを用
いることによって、メモリ容量が小さく、処理が簡単な
認識積度の良い音声認識方法を提供することにある。

（問題点を解決するための手段） この目的の達成を図るため、この発明によれば、先ず、
入力音声に対し、周波数分析処理を施し、音声区間を決
定された音声パタンに対し、（ａ）音声の始端フレーム
から終端フレームまでの各フレーム毎にその直萌のフレ
ームとの間でフレーム間圧１ｉｉＩ（スペクトル距１ｆ
！りを算出する。

この場合、隣接するフレーム間での差が小さい周波数成
分については距離値加算を行わないようにすることが好
適である。又、音声パワーが小であるフレームについて
は距離値を相対的に小とする操作を行うことによって距
離値を算出するのが好適である。

（ｂ）次に、始端フレームより、終端フレームまでの各
フレーム毎に、当該フレームまでのフレーム間距離の累
積距離加算値を逐次算出する。

（ｃ）次に、終端フレームの累積距離加算値を所定の分
割数（例えば、８）で等分割し、等分割された分割点で
の累積距離加算値を分割点決定閾値として求める。

（ｄ）次に、累積距離加算値が始端フレームから時間軸
正方向に向って各分割点決定閾値を始めて越えるフレー
ムを分割領域始端フレームとすることで音声パタンを非
線形分割する。

（ｅ）次に、１つの分割領域始端フレームと、分割領域
終端フレームとまでの区間内で代表的なスペクトル例え
ば、当該区間での平均化パタンを全分割領域についてそ
れぞれ求め、予め用意された全ての音声標準パタンとの
類似度を求める。

（「）次に、全ての音声標準パタンの中で最大の類似度
をもつ音声標準パタンに与えられるカテゴリを認識結果
として出力させる。

（イ乍用） このような方法によれば、隣接したフレームとのフレー
ム間距離値を用いて時間軸非線形分割を行い、分割され
た区間内でそれぞれ代表的な音声パタン（スペクトル）
を定めて音声標準パタンとの線形マツチングを行うので
、分割数に対応した数の音声標準パタンで済むため、メ
モリ容量が小さくて済む。又、この方法によれば線形マ
ツチング法を用いているため処理が簡単となる。

（実施例） 以下、図面を参照してこの発明の詳細な説明する。

第１図は、この発明の音声認識方法の実施例の説明に供
するブロック図であり、２０は入力端子、２１は分析部
、２２は区間検出部、２３は人力メモリ部、２４は時間
軸非線形分割部、２５は音声標準パタンメモリ部、２６
は類似度計算部、２７は判定部、２Ｂは出力端子である
。

以下、第１図を参照してこの発明の詳細な説明する。

［１］音声分析及び音声区間検出 入力端子２０より人力された音声は、分析部２１で周波
数分析処理（例えば、バンドパスフィルタ群による分析
）が施され、入力パタンメモリ部２３に音声パタンか格
納され、同時に、区間検出部２２により音声パタンの音
声パワーレベル等を参照しながら音声の音声区間を定め
る始端フレーム、終端フレームが決定され、人力パタン
メモリ部２３に格納される。

［２１時間軸非線形分割 入力パタンメモリ部２３に人力された音声の始端フレー
ムから終端フレームまでのフレーム毎のＢ声パタン、す
なわち音声区間におけるフレーム毎の音声パタンを時間
軸非線形分割部２４へ出力する。

時間軸非線形分割部２４では、入力した音声パタンに対
し、時間軸の非線形分割、すなわち後述の分割領域始端
フレームを求める処理を行う。

第２図は、この時間軸非線形分割処理の動作を示す流れ
図であり、以下のような処理ステップを行う。

■フレーム間距離算出 音声区間内のあるフレームの音声パタンと、このフレー
ムの直前のフレームの音声パタンとの間の距離、すなわ
ちフレーム間圧ｍ＜又はスペクトル距離或はベクトル間
距離ともいう）を音声パワーを加味して算出する。

まず１分析周波数方向チャネル数をＣｌｌＮ０及び、音
声パタンのスペクトル強度をＳ（ｉ、ｊ）　（ｉ　：　
ｆヤネル番号、ｊ：フレーム番号）とすると、音声区間
内のあるフレーム（１番目のフレームとする）における
音声パワーが加味されていないフレーム間圧ｔａ　ＤＳ
Ｔ　（ｊ）は第（＋）式で定義される。

但し、ＳＯＢ　（ｉ）　＜　ＤＴ肝のときＳＵ［ｌ　（
ｉ）　＝　０・・・・・・・・・・・・・・・（２）尚
、ここで５ＯＢ（ｉ）はフレーム間でのスペクトル強度
差であって、ＤＴＩＩＬは閾値である。このとき閾値Ｄ
ＴＩＩＬの値は経験的に設定出来る。

第１式で定義される距離ＤＳＴ（ｊ）は、第２式の条件
を加えることで、音声区間中の母音定常部の如く、スペ
クトル変化が小さい部分で距離値が相対的に小さくなる
ようにしている。

この距離ｏｓＴ（ｊ）に音声パワーｐｏｗ（ｊ）による
パワー加重を行ったものを、あるフレームにおけるフレ
ーム間圧ｆｉ　ＤＳＴＰ　（ｊ）とする。

ＤＳＴＰ　（ｊ）は第（３）式のように定義する。

ＤＳＴＰ（ｊ）　＝ＤＳＴ（ｊ）ｘＰＯＷ（ｊ）／　（
：０ＮＳＴ　−−−−（３）但し、 ＧＯＮＳＴ：正定数 このように、パワー加重を行うことにより、音声区間中
の無音区間（破裂音の直前に発声し、音声パタンのレベ
ルは無音時と同等になり、音声信号の特徴を表わすスペ
クトルは出力されない区間）における距離値が相対的に
小さくなるよう設定する。

（２）　、　（３）式による処理を行うことにより、発
声速度の変動が小さい子音部や非定常部における前記距
離値は相対的に大きくなる。

■累積距離加算値算出 上述の■のステップで求めたフレーム間距離ｏｓＴＰ（
ｊ）の累積距離加算値ＳＵＭ（ｊ）を算出する。この累
積距離加算値ＳＵＭ（ｊ）は第（４）式のように定義さ
れる。

但し、ＳＦＲ：始端フレーム番号 ■フレーム終了確認 前述の■及び■の処理ステップが終端フレームまで終了
したかを確認する。

もし、終端フレームまで終了していない場合は■、■の
処理ステップをくり返し行う。また、終端フレームまで
終了した場合は、次の■の処理ステップへ進む。

以北、■、■及び■の処理ステップにより、始端フレー
ムから終端フレームまで、フレーム番号順に、フレーム
間距離値ＤＳＴＰ　（ｊ）と、その逐次加算である累積
距離加算値ｓＵＭ　（ｊ）が求められる。

■非線形分割 音声区間内のフレームごとに算出された累積距離加算値
ＳＵＭ（ｊ）を用いて、非線形分割処理を行う。

先ず、分割点となるフレームを決定する分割点決定閾値
ＢＴＩＩＬ（ｍ）を求める。この分割点決定閾値ＢＴＩ
ＩＬ（ｍ）を第（５）式のように定義する。

１１ＴＩＩＬ（ｍ）　　＝ＳＵＭ（ＥＦＲ）ｘ　　ｍ／
ＤＩＶ　　−−−−−（５）但し、ＥＦＲ：終端フレー
ム番号、ｍ＝１〜（ＤＩＶ−１）　、　ＤＩＶは非線形
分割を行う分割数で経験的に任意の定数として定めるこ
とが出来る。

そして、 ＳＵＭ（ｊ、）　＜　ＢＴＩＩＬ（ｍ）≦５ＵＮ（九＋
　１）の条件をみたすフレーム番号九が（ｍ＋１）番目
の分割領域始端フレームＯ（ｍ）となる処理を所定の数
の分割領域について行い、所定の分割数の時間軸非線形
分割が終了する。

時間軸非線形分割の処理は、以上■〜■　のステップの
如くである。これらステップの各処理をを第３図及び第
４図を用いて説明する。

第３図は、時間軸非線形分割処理を単語「イチ」を例と
して説明するための説明図で、（八）は入力音声の音声
パワーのグラフ、（ＩＩ）は入力音声に対するフレーム
間圧＠　ＤＳＴＰ　（ｊ）のグラフ、（ｃ）は入力音声
に対する累積距離加算値５ｕＪｊ）のグラフであり、（
Ａ）　、　　（Ｂ）　、　　（ｃ：）ともに横軸はフレ
ーム番号ｊ　（時間軸に対応する）である。−例として
、分割数はＤＩＶ＝８として説明する。

先ず、人力音声は処理ステップ■のフレーム間距離がフ
レームごとに求められる。これを表したのが第３図（Ｂ
）である。ここで、第（２）式の条件を加えているため
、母音定常部や、パワーディップ部（第３図（Ａ）の音
声パワーが０に近い部分）では、フレーム間圧１１１Ｄ
ｓＴＩ’（ｊ）が小さい値をとる。次に、処理ステップ
■のフレームごとの累積距離加算値ＳＵＭ（ｊ）が求め
られると、第３図（ｃ）に示すような曲線となる。Ｉｙ
　ｆｆ定常部やパワーディップ部はフレーム間距離値が
小さいため、その累積加算が少なく、変化がなめらかで
ある。この累積距離加算値ＳＵＭ（ｊ）が終端フレーム
＋；ｐｎまで求められたことが確認されるとくステップ
■）、次のステップ■を行う。

先ず、第（４）式の如く、分割点決定閾値ＢＴＩＩＬ（
ｍ）が求められる。

この分割点決定閾値ＢＴＨＬ（＋ｎ）は、先ず、終端フ
レームＥＦ１１の累積距離加算値ＳＵＭ　（ＥＦＩ（）
を検出し、コノ値ＳＵＭ（ＥＦＲ）を分割数ＤＩＶ（＝
８）　テ割ッテ得られた商にｍ（ｍ＝１〜７）を乗算し
た値が入り、それぞれ第３図（ｃ）のＢＴｌｌＬ（＋）
〜［１ＴＩＩＬ（７）に相当する。

そして、始端フレームより順に、分割点決定閾値ＢＴＩ
ＩＬ（ｍ）と等しいか、または大きい値の累積距離加算
値５ｕｘ（ｊ）をもつ最初のフレーム番号を分割領域始
端フレームロ（＋１）とする。このようにして得られた
、ｌの６値に対する分割領域始端フレームを第３図（八
）に８（＋）〜口（７）としてそれぞれ示しである。ま
た、第４図は、第３図と同様に時間軸非線形分割の処理
を説明するための説明図であるが、第４図では第３図で
あげた「イチ」とは、発声速度が違う「イチ」を例とし
てあげている。時間軸非線形分割処理は第３図を用いて
説明した処理ステップで行われるので、その詳細な説明
を省略するが、この処理により第４図（八）に８（１）
〜Ｂ（７）で示すような分割領域始端フレームが求めら
れる。

以上、説明したように母音定常部やパワーディップ部は
、累積加算値ｓＵＭ（ｊ）が変化が小さくなるような処
理を施したため、分割数ＤＩＶで等分割しても、母音定
常部やパワーディップ部が１つの非線形分割の区間にな
るので、時間軸方向では非線形の分割となり、音声の発
声速度の非線形な伸縮に対応している。

従って、時間軸非線形分割処理で求められた分割領域区
間で音声パタンと＆声標準パタンの対応づけを行えば、
音声標準パタン数の軽減、処理の簡易化が図れる。

［３１類似度計算 時間軸非線形分割部２４より出力された分割領域始端フ
レーム番号は類似度計算部２６に入力され、時間軸非線
形分割の区間ごとに代表的なスペクトル例えば、平均ス
ペクトル、分割区間内で最大の音声パワーを与えるフレ
ームに対応するスペクトル、分割区間内の中心に位置す
るフレームにおけるスペクトル或は、その他分割区間内
で特徴を表しているフレームにおけるスペクトルを求め
、予め用意されている音声標準パタンとの類似度を求め
る。

この類似度計算は、−例として、次の２つの処理ステッ
プより構成される。

■平均スペクトル算出 求められた時間軸非線形分割領域の区間ごとに人力音声
の平均に声パタンを求める。

この平均音声パタン５ＰＣ（ｉ、ｍ）　（ｉ：チャネル
番号、ｍ＝分割点番号）は第（６）式の如く定義される
。

Ｎｌ、、＝Ｂ（ｍ）　−［１（ｍ−１）（但し、Ｂ　（
０）　＝　ＳＦＲ，Ｂ　（Ｄ　ＩＶ）　＝　ＥＦＲ）■
線形マツチング演算 平均スペクトル算出の処理ステップ■による非線形分割
の区間ごとの平均音声パタンと、予め用意された音声標
準パタン部２５に格納された音声標準パタンとの類似度
を計算する。

類似度ｎ　（ｎ）の−例として第（７）式の如く定義さ
れる方法がある。

ｎ＝１−Ｎ（Ｎ：音声標準パタン数） ＳＴＰ（ｉ、ｍ、ｎ）：　ｆｆ声標準パタン出力この第
（７）式で与えられる類似度は、入力音声に対し、予め
用意された音声標準パタンの数だけ算出される。

［４〕判定 類似度計算部２６で算出された音声標準パタンととの類
似度は判定部２７に人力され、ここで認識結果を判定す
る。認識結果は最大類似度の音声標やパタンに与えられ
たカテゴリ名とする。

（発明の効果） 以上、説明したようにこの発明によれば、隣接したフレ
ームとのスペクトル距離値を用いた時間軸非線形分割法
を用いて、音声の発声速度の非線形な伸縮に対応させる
ことによって、線形マツチング処理を簡単にしているた
め、多数の音声標準パタンをもつことで発声速度の変動
を解決する線形マツチングに比べ、音声標準パタン数が
少なくてすみ、よってメモリ容量の軽減が図れる。また
、入力音声と音声標準パタンとの非線形な対応づけを行
うＤＰマツチング法と比べ、処理が簡単であるため、装
置構成の小型化が図れることにより、高性能、低コスト
の音声認識装置の実現が可能となる。

【図面の簡単な説明】

第１図はこの発明の音声認識方法の実施例の説明に供す
るブロック図、 第２図はこの発明の説明に供する時間軸非線形分割処理
の流れ図、 第３図及び第４図は時間軸非線形分割処理の実施例の動
作の説明に供する説明図、 第５図は従来のに声認識方法を説明するだめのブロック
図である。 ２０・・・入力端ｆ、　　　　２１・・・音声分析部２
２・・・区間検出部、　　　２３・・・人力メモリ部２
４・・・時間軸非線形分割部 ２５・・・音声標準パタンメモリ部 ２６・・・類似度計算部、　　２７・・・判定部２８・
・・出力端子。 特許出願人　　　　沖電気工業株式会社Ｘ便キ袖２ 第２図

Claims (5)

【特許請求の範囲】
1. （１）入力音声に対し音声分析処理を行った後検出され
   た音声区間内の音声パタンと、予め用意されている音声
   標準パタンとのパタンマッチングにより音声認識を行う
   に当り、 （ａ）前記音声区間の始端フレームから終端フレームま
   での各フレーム毎に当該フレームの音声パタンと、当該
   フレームの直前フレームの音声パタンとの間のフレーム
   間距離をそれぞれ算出するステップと、 （ｂ）前記始端フレームから終端フレームまでの各フレ
   ーム毎に、該始端フレームからそれぞれのフレームまで
   の前記フレーム間距離を逐次加算して累積距離加算値を
   求めるステップと、 （ｃ）前記終端フレームにおける累積距離加算値を所定
   の分割数で等分割して各分割点の値を分割点決定閾値と
   して求めるステップと、 （ｄ）累積距離加算値が、前記始端フレームより時間軸
   正方向に向って前記各分割点決定閾値を始めて越えるフ
   レームを分割領域始端フレームとする時間軸非線形分割
   を行うステップと、 （ｅ）この非線形に分割された区間毎の代表スペクトル
   と、予め用意された音声標準パタンとの線形マッチング
   で類似度を求めるステップと、 （ｆ）全ての音声標準パタンの中で最大の類似度をもつ
   音声標準パタンのカテゴリ名を認識結果として出力させ
   るステップとを 具えることを特徴とする音声認識方法。
2. （２）前記フレーム間距離の算出は、隣接するフレーム
   間の音声レベルの差が小である周波数成分については距
   離値加算を行わないと共に、音声レベルが小であるフレ
   ームについては距離値を相対的に小とするようにして、
   行うことを特徴とする特許請求の範囲第１項記載の音声
   認識方法。
3. （３）前記代表スペクトルを、分割された区間内におけ
   る平均スペクトルとしたことを特徴とする特許請求の範
   囲第１項記載の音声認識方法。
4. （４）前記代表スペクトルを、分割された区間内におい
   て最大の音声パワーを与えるフレームに対応するスペク
   トルとしたことを特徴とする特許請求の範囲第１項記載
   の音声認識方法。
5. （５）前記代表スペクトルを、分割された区間内の中心
   に位置するフレームにおけるスペクトルとしたことを特
   徴とする特許請求の範囲第１項記載の音声認識方法。