JPS6290000A - 音声認識においてホルマント周波数を利用するための方法 - 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〉 本発明は音声認識技術に関し、さらに詳しくは、音声認
識技術におけるホルマント周波数の利用に関する。

〈従来技術及び問題点〉 音声認識技術は、確実な前進を続けてきたが、機械によ
って適正な音声認識を行うことは、いまだに現実とかけ
離れたゴールのままである。音声のある種の特性を有効
に認識するために、今まで多数の技術が開発されてきた
が、非常に有用でかつ正確な認識、特に不特定話者の音
声認識を行うことは、はとんど実現されていない。これ
は主として、音声信号の統語をとっても、広範囲にわた
る話者によるばらつきがある為である。このようなばら
つきにもかかわらず、我々人間は、非常に良好な音声認
識が可能である。これは、ゆがみや雑音、話し手の違い
による変化によっても比較的一定している音声のモデル
周波数を、人間の知覚は、感じとることができるからで
ある。一方、現在の機械技術では、スペクトル振幅を主
たる距離尺度として不変的に使用し、これに基づいて音
声認識を行っている。しかしながら、ゆがみや雑音及び
話し手の違いによる変化がファクターとなる為、このよ
うなスペクトル振幅の測定は、音声認識を行う上できび
しい制約がある。

人間の声道は、可変の共振器と同様に動作するので音声
信号は、音声科学者によって専門用語で一般にホルマン
ト又はホルマント周波数とよばれるモデル周波数を含ん
でいる。音声認識のために適当な測定を行うのにホルマ
ント周波数の分析を行う必要があることは、音声科学の
分野では古くから知られている。しかしながら、多数の
科学者における主流の意見によれば、このようなホルマ
ント周波数を適当な高い信頼性で決定することは非常に
困難であるため、ホルマント周波数を使って機械で音声
認識を行うのは、実際的ではないと考えられている。従
って、ホルマント周波数を用いる先の試みは、しばしば
、音声認識を行う上での不正確さが問題となった。

く問題点を解決する為の手段〉 本発明に従うと正確な音声認識にホルマント周波数が使
用されるように、非常に高い信頼性でポルマント周波数
を選択し、又は決定する方法及び装置が提供される。

本発明に従うと、仮説検定の統計原理を用いて音声認識
に使うホルマント周波数の決定を可能にする。本発明は
、絶対的な意味でホルマント周波数を決定しようとせず
に、認識の仮説をテストしてゆくことに関連してホルマ
ント周波数の決定を集結させてゆく。

本発明に従うと、ホルマント周波数の候補の組が認識の
仮説と関係なく決定される。故に、ホルマント周波数の
候補は存在しろるホルマントの選択候補を全て含む。参
照データの各フレーム毎に参照フレームのホルマントと
最も良く一致する最適なホルマント周波数候補が決定さ
れる。適当なホルマント候補が決定された後で、標準の
判断実行（デシジョンメーキング）技術を使用して、音
声認識決定を行う。

本発明の他の特記すべき特徴としては、音声データの各
フレームに関する全てのホルマント周波数候補が、線形
予測符号化の多項式を使用して決定される。参照データ
の各々のフレームについて、ホルマント周波数候補のう
ち、参照ホルマントと最も良く一致する最適な選択候補
が決定される。

好ましい実施例において、ホルマント周波数は、ｆｆ１
０１（メル）周波数とｊ２０ｇ（対数）帯域を用いて表
現され、他の特徴の１つとしてｌｏｇピッチ周波数を含
み、これらのデータは、多塵がウス確率変数としてモデ
ル化される。試験を行うトークン（トレーニングトーク
ン）の集合から概算された共分散行列が関数の尤度計算
に使用される。存在しうるホルマント周波数候補の集合
が全てについて網羅的に評価され、観測したデータの尤
度を最大にする集合が選択される。適当なホルマン１〜
周波数１侯補が選択された侵に、標準の時間軸整合（タ
イムアライメント）及びデシジョンメーキング技術を使
って、特定の音声認識の決定を行う。

例えば、ホルマン［・周波数や帯域幅等の特徴に基づい
て、フレーム誤差が計算され、最適の時間軸整合の決定
にダイナミックプログラミングを用いて、種々の認識仮
説に対する決定関数がだされる。

〈実施例〉 第１ａ図乃至第１ｅ図は、単Ｒｔ　ｒｃｈａｒｒ　　（
ひやかず［ｔｆｅｉｒ　］　）　Ｊを発音した５つの異
なる音声のスペクトログラムを示す。既知の通り、スペ
クトログラムは時間対音声周波数で・構成を示し、グラ
フの強度は音声信号の振幅として表現される。

第１ａ図乃至第１ｅ図で示す最大周波数は、約４ｋｌｌ
ｚで、図で示すタイムスケールは、１〜１７２秒である
。第１ａ図乃至第１ｅ図の５つのスペクトログラムは５
つの異なる音声から生成されたものであるから、図から
明らかなように、その結果も極めて相違する。これは、
人間の声道の形状、大きさには、種々の相違があり、従
って、違う人間は、各々、異なる周波数の出力を発する
ためである。

各々のスペクトログラムの最初の部分は、区域１０によ
って示され、これはローマ字で［ｃｈＪの発音を表現す
る。この文字ｒｃｈＪは、乱流によって発生されるもの
で有声コードの動作で発生するものではない無音声であ
るので、ここから抽出するホルマント周波数の決定は異
なる。スペクトログラムの部分１２は、有声音ｒａ　Ｊ
を含んでいる。

単語のこの部分は有声音で、話し手の口の形によって決
まる特定の共振器によって決定されるがらモデル又はホ
ルマント周波数は、各々のスペクトログラムについて生
成される。スベクトログラムの最後の部分は参照番号１
４で図示され、この部分は、ローマ字「「ｆ」の発音を
示すもので、話し手は、一般に有声コード動作で発生し
ないので、はっきりとしたホルマント周波数が生成され
ないのがわかる。

各々の第１ａ図乃至第１ｅ図の部分１２に示すホルマン
ト周波数は、音声認識に非常に有用な貴重な情報を含ん
でいる。第１図を参照することによって、特定の音声の
発生を示す為に記憶されている音声信号と比較する上で
非常に有効な、それ自体特有の「印（シグネチャ、特徴
、署名）」を各スペクトログラムが作り出していること
がわかる。

しかしながら、ホルマント周波数に含まれる情報を利用
するためには、とのホルマント周波数が含まれているか
について非常に正確に予測する必要がある。これは非常
に困難なプロセスであるとともに、比較を行う為に誤っ
たホルマント周波数がとりあげられた場合、誤った結果
がでてしまう。

第１ａ図を参照すると、例えば、部分１２には、５つの
存在しうるホルマン１−周波数が決定されることがわか
る。例えば、グラフ中、矢印１６−２４で示す部分が、
一般に、モデル又はホルマント周波数として決定される
周波数の水平方向延長部分を示している。５つのモデル
周波数１６−２４のうち、３つの顕著なホルマント周波
数を確定的に決定することは非常に困難である。このよ
うな決定は、第１ａ乃至ｅ図に示す各々のスペクトログ
ラムについて行う必要があり、決定及びその結果は、各
々のスペクトログラム毎に異なる。

本発明の目的は、上述の決定を非常に高い信頼性で行う
ことを可能とすることである。

第２図は、第１ａ図に示すスペクトログラムの部分を周
波数に対する振幅として表わしたグラフである。第２図
から、５つのはっきりとしたビークが存在し、各々のビ
ークが第１ａ図に示す存在しうるホルマント周波数の１
つに相当することが示される。例えば、ビーク２６は、
グラフの区域１６に相当し、ビーク２８は、グラフの区
域１８に相当し、ビーク３０は、グラフの区域２ｏに相
当し、それ以外も同様である。第２図は、音声認識に使
う３つの低次ホルマント周波数を決定する困難さを示す
ものである。

本発明は、低次のホルマントを絶対的意味で決定しよう
とするものではなく、認識仮説を検定してゆくことと関
連してホルマント周波数が決定されるものである。まず
、認識仮説とは独立に、ホルマント周波数候補の相が決
定される。故に、候補は、存在しうるホルマント周波数
の選択候補を全て含み、第２図に示す場合では、５つの
ポルマント周波数候補２６−３４の全てを含む。参照デ
ータの各々の規定されたフレームに関し、参照フレーム
のホルマントと最も良く一致するホルマント周波数候補
の最適選択候補が決定される。−担、各フレーム毎の適
当なホルマント周波数候補が決定されると、標準の時間
軸整合技術やデシジョンメーキング技術が行われて、音
声認識が実現される。

第３図は、本発明に従って音声認識にホルマント周波数
を用いるシステムを図示する。ＳＴとして示す音声信号
は、ブリプロセッサ３６に与えられる。音声信号は各フ
レームの数列の形式で表わされ、各フレームは、２０又
は３０ミリ秒の長さ等の所定期間を持っている。各フレ
ームに含まれるデータは、本発明に従って分析され、従
来通りの方法でシステムに登録され、記憶されることに
よって予め入力されている参照データと比較する為に使
用される。

従来通り登録され、記憶されている参照データに関する
さらに詳しい説明は、１９８３年１月２８日に出願され
、本願出願人に譲渡された係属中の米国特許出願連続番
号箱４６１，８８４＠に記述されており、ここに参考と
して示す。例えば、本発明のシステムは、１０単語のボ
キャブラリ（語い）を認識する為に使用される。１ｏ単
語は、音によって本発明のシステムで記録され、処理さ
れ、記憶されて、本発明に従って、処理された音声信号
との比較が行われる。好ましい実施例にお【Ｊるブリブ
ロレッυ３６は線形予測旬月化多項式の複素根をホルマ
ント周波数候補として使用する。

各フレームについてのホルマント周波数候補の組を形成
する全ての複素根は、ブリプロセッサ３６から最適ホル
マント選択器３８へと与えられる。

好ましい実施例では、ホルマントは、ｍｅｔ周波数とｌ
Ｏｏ帯域幅からなる項として示される。１０ｇピッチ周
波数もまた、ホルマント周波数候補の最適な選択候補を
選ぶ選択器３８によって特徴の１つとして使用される。

選択器３８から結果として出力されるデータは比較器４
ｏに与えられ、比較器はこのデータと予め記憶されてい
る音声参照データと比較する。

比較器４０は、選択器３８と共に反復的プロセスを行い
、記憶された参照ホルマントと最も類似性を示すポルマ
ントを候補の中から選択する。比較器４０からの出力は
ダイナミックワーブ操作システム４２に与えられ、ダイ
ナミックワーブ操作システム４２が動作し、参照ベクト
ルと入力信号ベクトルの間の最小誤差を決定し、これに
よって最低な累積誤差を持つ経路を決定する。最適に整
合されたベクトル仮説は、ダイナミックタイムワーブ操
作システム４２から高品質レベル認識論理４４に与えら
れ、この高品質レベル認識論理４４は、従来のタイムア
ライメント及びデシジョンメーキング技術を用いて動作
し、認識したものとして単重を断定できるか否かを決定
する。システム４２及び認Ｒ論理４４に関するこれ以上
の説明は、前記係属中の米国特許出願連続番号 第４６１，８８４号に記述されている。

ブリプロセッサ３６についてざらに詳しく説明すると、
線形予測符号化（ＬＰＧ）多項式の処理はブリプロごツ
サ３６で実行される。このＬＰＧ多項式アルゴリズムは
、人間の音声を周期的又は確率入力を持つ時変再帰型、
Ｎ極フィルタとしてモデル化し、Ｎ極を持つフィルタと
して動作する。

好ましい実施例では、多項式がさらに、変形ベアストウ
根の解法を使って因数分解される。この解法では多項式
が音声の線形予測モデルを表わし、大部分の根が単位円
付近に存在する複素共役根であると仮定している。次に
、結果として得た複素共役極は周波数及び帯域幅に変換
され、特定の音声信号フレームに関する全ての存在しう
るホルマント周波数の形式で音声信号を表わす。第２図
に示す信号の場合、５つ全てのホルマント周波数２６−
３４が、最適ホルマント選択器３８に送られる。

ブリプロセッサ３６によって行われるＬＰＧ操作は、適
当なプログラムが行われたデジタルプロセッサによって
実行することができ、例えば、前述の係続中の米国特許
出願連続番号 第４６１．８８４号に記載されるシステムと同様のもの
が使用可能である。ブリプロセッサ３６で実際に有効に
動作することがわかっているプログラムは、以下に示す
フォートランプログラム原語で規定される。

づ　　　！Ｊ ｉｆ　（ｎｏｒｄｅｒ、　ｌｅ、２）　ｔｈｅｎ　５ｋ
ｉｐ　Ｂａｉｒｓｔｏｗ　ｐｒｏｃｅｄｕｒｅ　ａｎｄ
　ｗｒａｐ　ｕｐＦ（１，ｎｆａｃｔｏｒ）　＝　ａｗ
（２）／ａｗ（１）ｉｆ　（ｎｏｒｄｅｒ、ｅｑ、２）
　ｔｈｅｎＦ（２、ｎｆａｃｔｏｒ）　　　　　−ａｗ
（３）／ａｗ（１）１ｓｅ Ｆ（２，ｎｆａｃｔｏｒ）　＝　０．０ｎｄｉｆ ＣＯＮＶＥＲＧＥＤ　＝　、　ｔｒｕｅ。

ｅｔｕｒｎ ｅｌｓｅ　　　　　　ｄｏ　ａａｒｒｓｔｏｗ’ｓ　ｐ
ｒｏｃｅｄｕｒｅｄｏ　４　ｎｔｒＶ＝１．Ｎ　　ｔｒ
Ｖ　ｔｏ　Ｏｅｔ　Ｃ０ｎＶｅｒＱＥｉｎＣｅ　ｗｉｔ
ｈ　ＶａｒｉｏｕｓＳｔａｒｔｉｎｇ　ｐｏｉｎｔｓ ｃａｌｌ　ｄｏｕｂｌｅ　（ｆｓｔａｒｔ（１，ｎｔｒ
ｙ）、　Ｆ（１，ｎｆａｃｔｏｒ）、　４）ｃａｌｌ　
ＢＡＩＲ３ｍＷ　（ａｗ、　ｎｏｒｄｅｒ、　Ｆ（１，
ｎｆａｃｔｏｒ）、　Ｃ０ＮＶＥＲＧＥＤ）ｉｆ　（Ｃ
ＯＮＶＥＲＧＥＤ）　ｏｏ　ｔｏ　３４　　　ｃｏｎｔ
ｉｎｕｅ ｅｔｕｒｎ ａｎｄ　１ｆ ３ｃｏｎｔｉｎｕｅ ｅｔｕｒｎ 上述のＬＰＧ多項式は、変形ベアストウ根の解法を用い
て因数分解される。この解決は、フォトランプログラム
原語で定義される以下のプログラムによって行われる。

比較器４０に関連する最適ホルマント選択器３８はホル
マント周波数候補から参照ホルマントと一致する又は最
も類似性を示すようなホルマントを選択しなければなら
ない。これは、反復プロセスである。例えば、第２図を
参照すると、低次の３つのホルマント周波数候補２６．
２８．３０が考慮され、次にポルマント周波数候補２６
゜２８．３２が考慮され、次にホルマント周波数候補２
６，２８．３４が考慮され、以下も同様である。この反
復プロセスは、この工程によって３つのホルマント周波
数の適当な組合せを全て考慮されるまでくり返される。

３つのホルマント周波数を含む組合せのそれぞれの選択
候補について、入力ベクトルと参照ベクトルとの間の距
離が決定され、最短距離が決定される。選択的に、Δベ
クトルの線形変換を行って最も参照ホルマントと類似づ
るホルマント周波数を提供するようにしてもよい。上記
候補を考慮してゆくプロセスは、第３図の比較器４０に
おいて距離計算の複数の組合せ１ｘ−ｒｌ　１から１ｘ
−ｒ、ｌとして図示される。

比較器４０は、フレーム内の入力データを参照データと
比較する。各々のフレームについて、比較器４０によっ
てＮ個の距離測度が発生され、本実施例では、毎秒５Ｏ
Ｎの距離測度が発生され、最初の音声入力信号において
毎秒８０００個のυンブルを使用する。ダイナミックタ
イムワープ操作装＠４２の出力は、ボキャブラリーに含
まれるＭ個の単語に相当するＮ個の誤差を発生する。

本実施例では、参照データの各々のフレームに関し、ホ
ルマント周波数はｍｅ１周波数と１０ｇ帯域幅の形式で
表示される。さらに、１０ｇピッチ周波数も決定を行う
為の特徴の１つとして加えられる。

このデータは、多塵ガウス確率変数としてモデル化され
る。試験を行うトークンから各フレームに関し推定され
た共分散行列が、ざらに関数の尤度を計算する際に使用
される。

本発明に従った選択及び比較プロセスは、適当なデジタ
ルプロセッサで以下に示すフォートランプログラム原語
で表わすプログラムによって実行される。

サブルーチン　Ｆ１４ＴＨＡＰ４　　（ＰＣｌｊｌＮ、
　Ｈ［ＬｊＮ、　ＬＢＷ−ＩＮ。

このサブルーチンは、ピッチ周期の対数を最適ホルマン
トのマツピングを決定する為に使用する特徴ベクトルの
一構成要素として含ｌυでいる。このサブルーチンは、
２次因子としてでなくｍａ１周波数と帯域幅を入力とし
て受けとり、マツピング出力を順序づけられた２次因子
の陽集合というよりむしろホルマントの候補のインデク
ス（指数）の形式で表わして出力する。各参照フレーム
に特有の距離が正規化される。各参照フレームに関する
共分散行列がプリロードさ机るように初期化エントリ一
点が提供される。

このサブルーチンシよ、検索する周波数範囲を限定する
ことによって処理速度を上げることができる。入力と参
照ｍｅ１周波数の間の最大誤差が限定され（故に入力と
参照周波数の比率を大まかに限定することによって）、
この方法は、適当な入力ホルマント候補に限界を確定す
る。このサブルーチンは、参照ホルマントを入力ホルマ
ントにマツピングする。適当なマツピングが行われた入
力データが出力され、ホルマントのマツピングに使われ
る最適マツピング誤差はリターンされる。このマツピン
グは、全ての存在しうる対応を検査してデータの尤度を
最大にする対応を一つ選択することによって実行される
。尤度関数は、ホルマン１−を基礎とする母音認識から
決定されるホルマント共分散行列を使って計算される。

このザブルーチンは、以下に示す。

’Ｒ− 々　　　　　　　　　　　　　　　　　　　　　々＜　
　　　　　　　　　　　　　　　　　　　　ヨ　　　　
。

＝　　　　　　　　　　　ロ 〉　　　　　　　　　　　　　　　　　　　　　　マ≧ ｍ−。

５ｕｂｒｏｕｔｉｎｅ　ＦＨＴ−ＣＯＶＩＮＶ　（ＣＯ
Ｖ、　Ｎ０ＩＨ，ＩＮＶＣＯＶ）ｐａｒａｍｅｔｅｒ　
　（ｍａｘｆｍｔｓ＝４．　　ｍａｘｄｉｍ　　＝１＋
２＊ｍａｘｆｍｔｓ）ｉｎｔｅ（ｌｅｒ＊２　ＮＤＩＨ ｒｅａｌ＊４　Ｃ０Ｖ（ＮＯＩＨ＊（ＮＤＩＨ＋１）／
２）、　　ＩＮＶＣＯＶ（ｍａｘｄｉｍ、ｍａｘｄｉｍ
）ｒｅａｌ＊４　ｅｉｇｖａｌ（ｍａｘｄｉｍ）、　ｅ
ｉｇｖｅｃ（ｍａｘｄｉｍ、ｍａｘｄｉｍ）。

ｗｏｒｋ（ｍａｘｄｉｍ本（ｍａｘｄｉｍ＋３）／２）
ｃａｌｌ　ＥＩＧＲ３（ＣＯＶ、　ＭＯＴＭ、　２．　
ｅｉｏｖａｌ、　ｅｉｑｖｅｃ、　ｍａｘｄｉｍ、　ｗ
ｏｒｋ、　１ｅｒｒｏｒ）：ｆ　　（ｉｅｒｒｏｒ、ｎ
ｅ、０　　　、ｏｒ、ｗｏｒｋ（１）、ｇｔ、１．０）
ｔｙｐｅ　本。

’ｅｒｒｏｒ：’、　１ｅｒｒｏｒ、　ｗｏｒｋ（１）
ｄｏ　ｉ＝１．ＮＤＩＭ ｉｆ　（ｅｉｇｖａｌ（ｉ）、　Ｉｅ、０．０）　５Ｔ
ＯＰ１　　　　　　　　　　　　　　’ｃｏｖａｒ　　
　ｎｏｔ　　　ｐｏｓｉｔｉｖｅ　　　ｄｅｆｉｎｉｔ
ｅ−ＦＨＴ−ＣＯν１１４Ｖ　　iＦ）ｌＴＨＡＰ４）
’ ｄｏ　ｊ＝１．Ｎｆ）ＩＮ ｃｉｊ　＝　０．０ ｄｏ　ｋ＝１．ＮＤＩＭ ｃｉｊ　＝ ｃｉｊ＋ｅｉｇｖｅｃ（ｉ、ｋ）＊ｅｔｇｖｅｃｌ、ｋ
）／ｅｉｇｖａｌ（ｋ）ｅｎｄ　ｄ。

ＩＮＶＣＯＶ（ｉ、ｊ）　＝　ｃｉｊ ｅｎｄ　ｄ。

ｅｎｄ　ｄ。

ｔｙｐｅ　９９．　ＩＮＶＣＯＶ ｆｏｒｍａｔ　（／（１ｘ、＜ＮＤＩＨ＞ｆ９．４））
ｒｅｔｕｒｎ　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
１ｎｄ 第２図を参照して本発明を用いる場合、例えば正しいホ
ルマント周波数は、３つの低次のホルマント周波数とし
て周波数２６．２８．３２が決定されつる。これらの３
つの低次のホルマント周波数はダイナミックワーブ操作
システム４２及び高品質レベル認識論理システム４４で
使用され、参照データと比較されて非常に正確な音声認
識を行うことができる。

ダイナミックタイムワーブ操作システム４２の出力は、
最適に整合するベクトル仮設を含み、こｈは、高品質レ
ベル認識システムで使用され、特？単語の認識をしたと
断定できる程度、仮設が良「であるか否かを決定する。

本発明を使用し、第１及び２図を参照すると、高品質レ
ベル認識論理４４は、第１ａ図において信号ＳＴで図示
される善意の示す単語が「ｃｈａＨ（ひやか（゛）」で
あることを決定する。

一般的なＬＰＧ分析及びＬＰＧパラメータ抽出り為の種
々の方法に関する従来技術は、一般に知られるマーケル
とグレイ著「音声の線形予測」（１９７６）及びラビネ
ーとシエーファー著［音声信号のデジタル処理Ｊ　　（
１９７８）及びこの中で参考文献として記載される文献
を含む数々の参考文献に記載され、これらはこの中でも
参考として用いである。本発明は、多数の市販されるデ
ジタルプロセッサを使って実施され、操作されうるが、
技術は、ハードウェアで実現できることは明らかである
。

故に、非常に高い信頼性を持つ音声認識を行う上で使用
されるホルマント周波数を非常に正確に決定する技術が
本発明によって提供されることは明らかである。音声信
号の各フレームに関し存在しうる全でのホルマント周波
数候補がこの技術によって生成され、所定の参照基準に
従って各フレームの最適ホルマント周波数が選択される
。本発明は、多数の仮設のもとに多数の測定を行うこと
が必要であり、従って追加の操作及び予め開発すべき技
術が必要となる。しかしながら、多数の必要な針筒を、
クラスター分析を用いることで減らすことができる。本
発明の操作で使用されるフレームの数が増加すると、処
理速度を短縮する可能性は増加する。

本発明の実施例につき詳細に説明してぎたが、特許請求
の範囲に記載される本発明の技術思想を離れない限り、
梯々の変更、改変、変形が可能であることは当業者に明
らかである。

尚、本発明の主な実施態様は、以下の通りである。

（１）　　音声信号の各フレームに対し存在しうる全で
のホルマント周波数候補を発生し、 所定の参照籾準に従って各フレームに関する最適ホルマ
ント周波数を選択する工程 を含む音声信号の一連のフレームにおいてホルマント周
波数を検出する方法。

（２）　　？８２数の参照フレームのホルマント周波数
を記憶し、 認識したい音声信号の各々のフレームに関する複数のホ
ルマン１−周波数候補を発生し、所定の基準に従って記
憶されるホルマント周波数と最も良く一致する最適ホル
マント周波数を上記記憶されたホルマント周波数候補か
ら選択し、選択された最適ポルマント周波数に応答して
音声信号を認識する工程を含む ホルマント周波数を用いて一連のフレームに組織された
音声信号を認識する方法。

（３）　　上記ホルマント周波数候補の全ての存在し。

つる選択的候補が生成される第２項の方法。

（４）　　上記選択を行う工程では、上記ホルマント周
波数候補の生成に線形予測符号化法を用いる第２項の方
法。

（５）　　ベアストウアルゴリズムで上記線形予測符号
化法の出力を因数分解する工程を含む第４項の方法。

（６）　　上記選択を行う工程が上記所定の基準に応じ
て音声信号のピッチ周波数を利用する第２項の方法。

（７）　　上記選択を行う工程が 上記ホルマント周波数候補をｎｅｔ周波数とλ０９帯域
幅で表示した信号を発生し、 上記表示信号を多塵ガウス確率変数としてモデル化する
工程を含む第７項の方法。

（８）　　共分散行列を用いて最も良く一致することを
示す尤度関数を計算する工程を含む第７項の方法。

（９）　　音声信号の各フレームに関し、全ての存在し
うるホルマント周波数候補を生成する手段と所定の参照
Ｑに従って各フレームに関し最適ホルマン［−周波数を
選択する手段 を含む一連のフレームに組織した音声信号のホルマント
周波数を検出するシステム。

（１０）複数のホルマント周波数の参照フレームを記憶
する手段と 上記ホルマント周波数候補から、各フレームに関し上記
記憶されたホルマント周波数と最も良く一致する最適ホ
ルマント周波数を選択する選択手段と ト記選択された最適ホルマント周波数に応答して上記音
声信号を認識する手段と をさらに有する第９項のシステム。

（１１）上記選択手段が線形予測符号化法を用いて上記
ホルマント周波数候補を生成する第１０項のシステム。

（１２）ベアストウアルゴリズムで上記線形予測符号化
出力を因数分解する手段をさらに含む第１１項のシステ
ム。

（１３）上記選択手段が上記所定の基準に応じて音声信
号のピッチ周波数を利用する第１０項のシステム。

（１４）上記ホルマント周波数候補をｍｅ１周波数とｐ
、　ｏｏｉ域幅で表示したものを発生する手段と上記表
示を多塵ガウス確率変数としてモデル化する手段とを有
する第１１項のシステム。

（１５）共分散行列を用いて最もよく一致することを示
す尤度関数を計算する手段とを有する第１４項のシステ
ム。

【図面の簡単な説明】

第１ａ図乃至第１ｅ図は、単語［’ｃｈａｆｆ　Ｊを異
なる５人の話者で発生された音声のスペクトログラムを
示す図、第２１は、第１ａ図のスペクトログラムの一部
分を周波数に対し振幅を示すグラフ、第３図は本発明を
使って音声認識を行う装置の好ましい実施例のブロック
図である。 ３６　ブリプロセッサ ３８　最適ホルマン１〜周波数選択器 ４０　比較器 ４２　ダイナミックタイムワーブ操作装置４４　高品質
レベル認識論理

Claims (1)

【特許請求の範囲】
1. （１）音声信号の各フレームに対し存在しうる全てのホ
   ルマント周波数候補を発生し、 所定の参照基準に従つて各フレームに関する最適ホルマ
   ント周波数を選択する工程 を含む音声信号の一連のフレームにおいてホルマント周
   波数を検出する方法。