JPS62206595A - 音声標準パタン作成方法 - 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） この発明は認識率向上をはかるための音声標準パタンを
作成する方法に関するものである。 （従来の技術） 音声認識を行うには、 ■音声を複数のバンドパスフィルタに通すことで得られ
る周波数成分時系列パタンである音声パタンと、 ■同一の周波数分析処理を行って予め用意されている時
系列パタンである音声標準パタンとか必要である。 これら音声パタンと音声標準パタンとを時間的に線形も
しくは非線形にマツチングを行わせて累積距離値を求め
、最小の累積距離値を与える音声標準パタンを認識結果
とすることで音声認識を行っている。 従って、音声標準パタンの良し悪しは、認識結果に大き
な影響を事える。 ここで、音声標準パタンを作成するために用いられる音
声パタンを学習パタンと定義する。 従来より、音声標準パタン作成方法として。 同一カテゴリの多数の学習パタンのすべてを平均化して
音声標準パタンとする方法がある。 （発明が解決しようとする問題点） しかし、全ての学習パタンを対象とする従来の音声標準
パタン作成方法では、同一カテゴリの各学習パタンで構
成される特徴空間上で、他の多数の学習パタンとはかけ
離れた位置に存在する学習パタンをも含めて音声標準パ
タンの作成を行っていた。 これがため、作成された音声標準パタンは、この特徴空
間上で本来位置すべき大多数の学習パタンか存在する領
域の中心付近の位置よりずれた位置に存在するため、認
識率の向上を効果的に図れないという問題点があった。 この発明の目的は、効果的な音声標準パタンか作成され
ないという問題点を解決し、認識率の向上を図れる音声
標準パタンの作成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、この発明では次のような手
段をとる。 （イ）先ず、音声標準パタンを作成するために、多数の
話者より音声パタンを収集する。この収集された音声パ
タンを初期の学習パタンとする。 （０）学習パタンをもとに１カテゴリ１パタンの割合で
カテゴリ分の音声標準パタンを作成する。 音声標準パタンの作成に当って、先ず、同一カテゴリの
複数の学習パタンの各学習パタンに対し他の学習パタン
との距離の累積値として定めた相互類似度を求める。こ
の相互類似度のうち、予め設定してある閾値以下の学習
パタンを類似した学習パタンとして選択する。これによ
り得られた学習パタンを以下作成パタンと称する。 次に、得られた作成パタンを平均化して音声標準パタン
を作成する。 （ハ）前述の（ロ）の処理で作成された音声標準パタン
と学習パタンとの累積距離値を求める線形マツチングを
行う、この線形マツチング処理は全ての学習パタンにつ
いて行つ。 （ニ）前述の（ハ）の線形マツチング処理の結果をもと
に、学習パタンのカテゴリと、最小累積距離値を手える
音声標準パタンのカテゴリとが不一致である誤認識とな
った学習パタンを選択する。 （ホ）前述の（ニ）の処理の結果で、誤認識となった学
習パタンか選択されていればこれらの誤認識した学習パ
タンを次の学習パタンとして前述の（Ｑ）以下の処理で
新しい音声標準パタン作成を続ける。又、誤認識の学習
パタンかなければ、音声標準パタンの作成を終了する。 （作用） このように構成すれば、同一カテゴリの多数の学習パタ
ンから、これら学習パタン間の相互類似度をもとにして
、類似したパタンのみを作成パタンとして選択して特徴
のかけ離れた学習パタンを除去し、得られた作成パタン
により音声標準パタンを作成する。 その後、作成された音声標準パタンと、学習パタンとの
線形マツチングを行って学習パタンのカテゴリと最小累
積距離を与える音声標準パタンのカテゴリが不一致であ
る誤認識する学習パタンを選択し、誤認識となった学習
パタンか存在するカテゴリを対象として、前述の選択さ
れた誤認識する学習パタンから再度類似した学習パタン
を作成パタンとして選択し、得られた作成パタンにより
２つ目以降の新しい音声標準パタンを作成する。 従って認識精度の良い音声標準パタンを作成出来、また
音声認識時に少ない音声標準パタン数で艮好な認識率を
得る。 （実施例） 以下、図面を参照してこの発明による音声標準パタン作
成方法の実施例につき説明する。 第１図は、この発明の説明に供する音声標準パタン作成
処理の流れ図であり、以下に説明する［１１〜［５］の
各処理ステップより構成される。 尚、以下の説明において処理ステップをＳで表わす。 ［１１音声パタン収集及び作成（Ｓｌ）認識対象とする
に個のカテゴリについてそれぞれＮ大分の音声を収集し
く但し、に、Ｎは任意の正の整数とする）、これら音声
に周波数分析及びスペクトル正規化処理（参考文献：沖
研究開発１２２　Ｖｏｌ、５１　Ｎｏ、Ｉ　Ｐ、７〜Ｐ
、１２）を施して音声パタンを作成する。 この処理を施して作成された音声パタンを初期の学習パ
タンとして、次の処理ステップへ移る。 ［２］音声標準パタン作成（Ｓ２） 学習パタンを対象として、１カテゴリに１パタンずつカ
テゴリ分の音声標準パタンを作成する。 この音声標準パタン作成処理ステップは、第２図に示す
ような次の■〜■の各処理ステップで構成される。 第２図は音声標準パタン作成処理の流れ図である。 ■相互距離演算（Ｓ２１） 同一カテゴリに属する学習パタン間の相互距離を求める
。この相互距離は次のように定義する。 すなわち、ｎ１番目の学習パタンのスペクトル正規化後
の出力をＷｎ＋（ｉ、ｊ＋）とし、ｎ２番目の学習パタ
ンのスペクトル正規化後の出力をＷｎ？（ｉ、ｊｌ）　
　（但し、ｉはチャネル番号、ｊｌ。 ｊｌはフレーム番号）とすると。 ２つの学習パタン間の相互距１１ｄｎ＋ｎ２は次式（１
）により算出する。 ｊ；＝　（Ｌ２／３２　）　Ｘ　ｊ２ ｒｌｌ≠ｎ２かつｎｌ、！＋２≦Ｎに（Ｎには同一カテ
ゴリ内に属する学習パタンのパタン数）である。 （１）式では学習パタンのフレーム長を３２フレームに
正規化して相互距離を求めている。 ■作成パタン選択（Ｓ２２） 前述の処理ステップ（Ｓ２１）で求めた相互距離をもと
に、同一カテゴリ内の学習パタンの相互類似度を求め、
求められた相互類似度をもとに作成パタンを選択する。 先ず、同一カテゴリ内の学習パタンについてｎ１番目の
学習パタンの相互類似度ＤＨを求める。ここで相互類似
度Ｄｎｌ　は次の（２）式の通りに定義する。 但し、ｎｌ＝　１．　２．　３　＊　１１　＠ＮＫ、且
つｎ１≠ｎ２であり、ＮＫは同一カテゴリ内の学習パタ
ンのパタン数である。 前述の（２）式で定義した相互類似度はカテゴリにおけ
る自分以外の学習パタンとの距離関係を示すものである
。従って、（２）式で定義される相互類似度は、全ての
学習パタンに対して求められるので、全部でＮに個求め
られる。 次に（２）式で求められた相互類似度を、予め経験的に
設定されている相互類似度の閾値と比較する。そして相
互類似度がこの閾値以下である学習パタンを作成パタン
として選択する。 次に、第３図を参照してこの作成パタン選択動作につき
説明する。 第３図は作成パタン選択動作の説明図である。 第３図（Ａ）は、特徴空間内である１つのカテゴリ内の
学習パタンＡ−Ｈの相互類似度の分布（図中、分布をＸ
印で示す）を示す、又、第３図（Ｂ）は学習パタンＡ−
Ｈの相互類似度のヒストグラムであり、横軸に学習パタ
ン軸及び縦軸に相互類似度の値をとってそれぞれ示して
ある。第３図（Ａ）において曲線工で囲まれた領域は音
声標準パタン作成のための１カテゴリの学習パタンの分
布領域であり、破線曲線■で囲まれた領域は相互類似度
が閾値よりも小さい学習パタンの分布領域である。 既に説明したように、作成パタンは予め設定されている
相互類似度の閾値Ｄｔｈと比較することによって選択さ
れる。第３図（Ａ）及び（Ｂ）に示す例では、閾値Ｄｔ
ｈより大きい相互類似度の値をもつ学習パタンＬ、Ｍ、
Ｎは作成パタンより除外され、閾値Ｄｔｈより小さい相
互類似度の値をもつ学習パタンＡ、Ｂ、Ｃ，Ｄ、Ｅ、Ｆ
、Ｇ、Ｈ，Ｉ、Ｊ、Ｋが作成パタンとなる。 相互類似度が大きいことは、その学習パタンか全ての学
習パタンにより構成される特徴空間の分布の中心付近に
存在する他の多数の学習パタンよりも、かけ離れた位置
に存在することを示す０例えば第３図（Ａ）に示すよう
に、相互類似度の大きい値をもつ学習パタンＬ、Ｍ、Ｎ
は分布領域■の他の多数の学習パタンとは、かけ離れた
位置に存在する。 既に説明したように、全ての学習パタンを音声標準パタ
ンの作成に用いると、他の多数の学習パタンから、かけ
離れた位置に存在する少数の学習パタンの影響により、
学習パタンか属するカテゴリが本来存在すべき特徴空間
上の位置からずれた位置に音声標準パタンか作成され、
認識率の向上につながらない、このため、特徴の違う学
習パタンを除外し、互いに類似した特徴をもつ学習パタ
ンを作成パタンとして選択している。 ■音声標準パタン作成（Ｓ２３） 前述のステップ（Ｓ２２）で求められた作成パタンを平
均化して音声標準パタンを作成する。 ■カテゴリ終了確認（Ｓ２４） 前述のステップ■〜■の処理でｌカテゴリ内で１つの音
声標準パタンか作成される。しかし、この音声標準パタ
ン作成は、与えられたカテゴリ分行わなければならない
ので、全ての与えられたカテゴリの音声標準パタンの作
成が終了したかを確認する。終了していなければ音声標
準パタンか作成されていないカテゴリに対して、前述の
■〜■の処理を行う、全てのカテゴリに対し、音声標準
パタン作成が終了しているならば第１図で示した次のス
テップ［３１の処理へ移る。

【３］線形マツチング（Ｓ３） 前述のステップ（Ｓ２）で作成された音声標準パタンと
学習パタンとの累積距離を求める線形マツチング演算を
行う、この累積圧ｌｌＭｎは次の定義に従って求められ
る。１つの学習パタンの正規化出力Ｗ　（ｉ、ｊ＋）と
音声標準パタン５ｎ（ｉ、ｊｚ）　（ｉはチャネル番号
、ｊ＋、ｊｚはフレーム番号、ｎは音声標準パタン数）
との累積圧ｌｌｌＭｎは。 とする、Ｌは学習パタンのフレーム長、ＳＬは音声標準
パタンのフレーム長、〔〕はガウス記号である。 （３）式は音声標準パタンのフレームを学習パタンのフ
レーム長に合わせて、線形伸縮して累積距離を求めるも
のである。 ［４］　パタン選択（Ｓ４） このステップでは、前述の処理ステップで行われた線形
マツチングをもとに、新たな音声標準パタンを作成する
ために、誤認識した学習パタンを選択する。 このため先ず、処理ステップ（Ｓ２）で作成された音声
標準パタンと学習パタンのカテゴリとの線形マツチング
（Ｓ３）の結果、最小となる累積圧ＩＩＩｉＭｎを与え
る音声標準パタンのカテゴリが不一致、すなわち誤認識
した場合、その不一致の学習パタンを次の音声標準パタ
ン作成用の学習パタンとして改めて登録し、そして、こ
の誤認識した学習パタンのカテゴリを登録しておく処理
を行う。 以上、説明した処理は認識率向上のために効果的な音声
標準パタンを作成する一手法である。 第４図は処理ステップ【４】　で行われるパタン選択に
ついての概念を説明するための図である。第４図は特徴
空間内でのパタン分布を示し１曲線Ｉはある１つのカテ
ゴリの音声標準パタン作成時の初期学習パタン（収集パ
タンともいう〕の分布領域、曲線■は音声標準パタンの
作成パタンの分布領域及び曲線ｍは次の音声標準パタン
の作成に用いる学習パタンの分布領域である。又、Δｌ
は上述した１つのカテゴリに対して得られた第１の音声
標準パタンであり、ム２．ム３はそれぞれ他のカテゴリ
に対して得られた第１の音声標準パタンをそれぞれ示し
ている。 前述した線形マツチング処理（Ｓ３）では、認識対象と
するカテゴリ全ての音声標準パタン（Δ１゜ム２．ム３
・・・で示す）と学習パタン（×で示す）との位置関係
が考慮される。従って、第４図にＡで示したパタンの様
に、音声標準パタンの作成パタンであるのに、他カテゴ
リの音声標準パタンの位置により誤認識してしまうもの
（領域■とｍに含まれている〕や、図中８で示すように
、音声標準パタンの作成パタンではないが、他カテゴリ
の音声標準パタンとも距離が離れているため、誤認識し
ないですむ場合（領域Ｉ内であって、領域■及びｍ外に
ある）などが考えられる。 前者を含め誤認識するパタンは他カテゴリとの境界付近
に分布しているため、その誤認識を防ぐために境界付近
で音声標準パタンを作成する必要があるが、逆に後者の
ようなパタンは音声標準パタン作成の必要はない。 認識率の向上を図るためには誤認識を防ぐような音声標
準パタンを作成することが有効であるため、線形マツチ
ングを行って、誤認識する学習パタンの選択を行ってい
る。 ［５１カテゴリ確認 音声標準パタン作成の処理を続けるか、終了するかの確
認を行う。 前述の処理ステップ（Ｓ４）を行った結果、誤認識をお
こした学習パタンか存在するカテゴリについて（Ｓ２）
〜（Ｓ４）のステップの処理をくり返し行い。 別の新たな音声標準パタンを作成する。 このように、順次に新たな音声標準パタンを作成してい
って、最終的に誤認識をおこした学習パタンか存在する
カテゴリが存在しなくなった時、音声標準パタン作成の
処理を終了する。尚、この音声標準パタン作成処理は一
回だけのこともあり、上述したように誤認識をおこす学
習パタンが無くなるまで繰返し作成される場合もある。 以上、この発明の音声標準パタン作成方法を第１図の処
理の流れ図に沿って説明したが、次にこの発明の音声標
準パタン作成方法を実施するための音声標準パタン作成
装置の一実施例につき第５図のブロック図を参照して説
明する。 図示の実施例では、マイクロホン２１、ローパスフィル
タ（ＬＰＦ）２２、Ａ／Ｄ変換器２３からなる音声入力
部と、データファイル作成時に用いるグラフィックディ
スプレイ（ＧＤ）２４と、スピーカ２５、増幅器（ＡＭ
Ｐ）２Ｂ及びＤ／Ａ変換器２７からなる音声出力部と、
入力データを格納する音声入力チータフアイル２８と、
バンドパスフィルタ（Ｂ　Ｐ　Ｆ）出力データファイル
２９と、音声標準パタンデータファイル３０と、中央処
理装置（ｃＰＵ）及びメモリからなるプロセッサ３１と
、音声標準パタン作成条件の入力を行うキーボード３２
と、データバス３３とから構成される。 先ず、音声パタンの収集について説明する。 音声パタンの収集はキーボード３２を操作しプロセッサ
３１の制御によって行う、キーボード３２で音声データ
入力のモードを指定する。そして、認識対象のカテゴリ
の音声を順次にＪ！Ｉ続して話者よりマイクロホン２１
から入力させる。入力された音声は、ＬＰＦ２２を通り
、Ａ／Ｄ変換器２３によってディジタル化されたＰＣＭ
データとなり、このＰＣＭデータを音声パタンデータと
してプロセッサ３１のメモリに格納する。 次に、キーボード３２で音声データファイル作成モード
を指定する。指定すると、プロセッサの制御によってプ
ロセッサ３１のメモリに格納されている音声パタンの波
形、パワー等のデータがＧＤ２４のディスプレイ上に表
示される０表示された音声パタンの音声を聞くとき（雑
音が入っていないか等を確認するため）は、キーボード
３２より音声出力モードを指定すると、必要な音声パタ
ンデータがプロセッサ３１のメモリよりＤ／Ａ変換器２
７を通しＡ　Ｍ　Ｐ　２Ｂを通すスピーカ２５に入力さ
れ、音声がデカされる。 ＧＤ２４上に表示された音声パタンは！！して入力され
ているので、キーボード３２を操作してプロセッサ３１
で制御しながら音声パタンを１カテゴリずつに区分して
音声入力データ（ＰＣＭデータ）ファイル２日に格納す
る。 以上の操作をくり返し、多数の話者の入力音声パタンの
データファイルを作成する。 次に、音声入力データ（ＰＣＭデータ）ファイル２Ｂノ
デーデをプロセッサ３１の演算処理でＢＰＦ田カデカデ
ータ換する。変換されたＢＰＦ出力データはＢＰＦ出力
データファイル２９に格納される。 以上の操作で、音声パタンデータの収集が行われ、第１
図に示した処理の流れ図のステップ（Ｓｌ）における音
声パタンか作成される。 次に、音声標準パタンの作成処理（Ｓ２　、　Ｓ２１〜
Ｓ２りは、すべてプロセッサ３１の演算処理で行われる
。 第１図の流れ図の処理ステップ（Ｓ２）〜（Ｓ５）で示
される動作は次の通りである。 キーボード３２より、ＢＰＦ出力データファイル２９内
のＢＰＦデータを指定し、これをプロセッサ３１のメモ
リに格納し、プロセッサ３１の演算処理でスペクトル正
規化を行い学習パタンとなる。このプロセッサ３１に格
納された学習パタンより、相互類似度を求め、予め設定
されたカテゴリごとの相互類似度の閾値をもとに作成パ
タンを選択し、この作成パタンより音声標準パタンをｌ
カテゴリにつＳ１パタンの割合で作成する°処理を与え
られたカテゴリ分行う。 この音声標準パタンはプロセッサ３１のメモリの学習パ
タンとは別の場所に格納される。 次に、音声標準パタンと学習パタンとの線形マツチング
を行い、正解となった学習パタン、すなわち学習パタン
のカテゴリが一致したものをプロセッサ３１のメモリ内
に格納されている学習パタンの領域から消すことで実質
的には第１図の流れ図の処理ステップ（４）における処
理を行っている。 そして、プロセッサ３１のメモリ内に学習パタンか存在
すれば、その学習パタンに与えられたカテゴリに対する
音声標準パタンの作成を続け、プロセッサ３１のメモリ
内に学習パタンか存在しなければ、音声標準パタン作成
を終了し、プロセッサ３１のメモリ内に格納されている
音声標準パタンは、音ＰｅＲ準パタンデータファイル３
０へ格納される。 このような処理を経てこの発明における音声標準パタン
か作成される。 （発明の効果） 上述した説明からも明らかなように、この発明によれば
、カテゴリごとに求めた学習パタン間の相互類似度に基
づいて特徴のかけ離れた学習パタンの除去を行って、音
声標準パタンを作成するため、認識精度のよい音声標準
パタンか作成できる。 又１作成した音声標準パタンと学習パタンとの線形マツ
チングを行って、学習パタンのカテゴリと最小累積距離
を与える音声標準パタンのカテゴリが不一致の学習パタ
ンを選択し、それをもとに音声標準パタン作成をくり返
すので、他カテゴリに誤認識されやすい音声パタンの認
識が正しく行える音声標準パタンか作成され、認識率向
上の効果がある。 又、誤認識をおこさないために必要な音声標準パタンを
作成するので、少ない音声標準パタン数で艮好な認識率
を得ることができる。

【図面の簡単な説明】

第１図はこの発明における音声標準パタン作成方法の流
れ図、 第２図は音声標準パタン作成処理の流れ図、第３図は作
成パタンの選択を説明するために示した図で、第３図（
Ａ）は１つのカテゴリにおける学習パタンの相互類似度
の分布を示した図及び第３図（Ｂ）は相互類似度のヒス
トグラム、第４図はパタン選択の説明図、 第５図はこの発明を実施するための音声標準パタン作成
装置の一実施例を示すブロック図である。 ２１・・・マイクロホン ２２・・・ローパスフィルタ（ＬＰＦ）２３・・・Ａ／
Ｄ変換器 ２４・・・グラフィックディスプレイ（Ｇ　Ｄ）２５・
・・スピーカ、２６・・・増幅器（ＡＭＰ）２７・・・
Ｄ／Ａ変換器 ２日・・・音声入力データファイル ２８・・・バンドパスフィルタ（Ｂ　Ｐ　Ｆ）３０・・
・音声標準パタンデータファイル３１・・・プロセッサ
、　　　３２・・・キーボード３３・・・デτタバス。 特許出願人　　　　沖電気工業株式会社本９互妾勇イエ
大屋のタトヤ ・Ｂ） 茅！Ｉ表＠制（環のこストク°う４ イ乍戚ハ０タン遇Ｌｖ−１カイ乍の盲艙明困△ｔ：Ｍｆ
の古Ｐｊｔ！ｆｌｈマクン ム２．ム３：セ力デコ゛りの第１の−ｔＰオ系準パタン
パクン直ヂ尺の説ｐ月困 第４図

Claims (1)

【特許請求の範囲】
1. （１）音声パタンと音声標準パタンとを時間的に線形も
   しくは非線形にマッチングさせて累積距離値を求め、最
   小の累積距離値を与える音声標準パタンのカテゴリを認
   識結果とする音声認識処理に用いられる音声標準パタン
   の作成に当り、 （ａ）同一カテゴリの複数の学習パタンの各学習パタン
   に対し他の学習パタンとの距離の累積値として定めた相
   互類似度を算出し、予め設定してある相互類似度の閾値
   以下の相互類似度をもつ学習パタンを作成パタンとして
   選択し、該作成パタンを平均化することによって音声標
   準パタン作成対象のカテゴリ毎に１パタンの割合で音声
   標準パタンを作成する処理ステップと、 （ｂ）全ての学習パタンについて、作成された全ての音
   声標準パタンとある１つの学習パタンとの累積距離値を
   求める線形マッチングの処理ステップと、 （ｃ）前記（ｂ）の処理ステップの線形マッチングの結
   果をもとに、最小の累積距離値をもつ音声標準パタンの
   カテゴリと学習パタンのカテゴリとが不一致である誤認
   識となった学習パタンを選択する処理ステップと を有し、 （ｄ）誤認識となった学習パタンが存在するカテゴリ毎
   に、誤認識となった学習パタンについて前記（ａ）〜（
   ｃ）の処理ステップを、誤認識となった学習パタンが存
   在するカテゴリが存在しなくなるまで、繰返し行うこと を特徴とする音声標準パタン作成方法。