JPS6310839B2

JPS6310839B2 -

Info

Publication number: JPS6310839B2
Application number: JP57102518A
Authority: JP
Inventors: Hisayo Kusuhara; Hidekazu Tsuboka; Kazuaki Mayumi
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1982-06-14
Filing date: 1982-06-14
Publication date: 1988-03-09
Also published as: JPS58217995A

Description

【発明の詳細な説明】本発明は入力音声信号から一定時間毎に抽出し
た特徴パラメータからｍ個の新たなパラメータ系
列を求め、これに基づいて入力音声信号を認識す
る単語音声認識装置に関し、その目的は認識率の
向上を図ることにある。

従来、音声認識方法の一つとして音声波形の零
交差情報を用いるものがある。第１図はこの零交
差情報を用いた場合の単語音声認識装置の構成を
示す。第１図では、マイクロホン１から入力され
た音声信号はプリアンプ２によつて増幅された
後、ピツチ成分除去のためのハイパスフイルタ３
に入力され、このハイパスフイルタ３の出力は入
力音声信号の平均値をゼロレベルに調整するため
のオフセツト調整部４を介してコンパレータ５お
よび６に入力される。コンパレータ５は音声信号
の平均レベルより所定量だけ偏倚した基準値と音
声信号を比較するもので、例えばコンパレータに
ヒステリシスを持たせたり、コンパレータの基準
電圧を入力信号の平均値（零レベル）からずらせ
ることで構成され、ノイズを主として含む小振幅
の信号に対しては応動しないよう構成され、これ
によつて音声区間が検出される。一方、前記コン
パレータ６にはヒステリシスを持たせず基準電圧
を入力信号の平均値と一致させられている。コン
パレータ５および６の出力はそれぞれマイクロコ
ンピユータ７の入力端子および割込み入力端子に
入力される。マイクロコンピユータ７は、全体価
格をできるだけ安価にするため、通常４ビツト程
度のものが用いられる。８はRAMで、マイクロ
コンピユータ７内のRAM容量が小さい場合に外
付けされるものである。

この第１図の動作を詳細に説明する。マイクロ
コンピユータ７はコンパレータ５からの入力を逐
次読込み、入力の状態が変化するごとにカウント
用に割当てられたメモリの内容を１つ増加させ
る。この間、コンパレータ６からの入力がハイレ
ベルからローレベルに変化するごとに割込みが発
生し、割込み処理ルーチン内でコンパレータ６の
カウント用に割当てられたメモリの内容が１つ増
加させられる。更に、所定時間（例えば10ｍsec）
ごとにタイマ割込みを発生させることにより、10
ｍsec（これを１フレームとする）中のコンパレー
タ５および６の出力状態の変化回数が得られる。
前述のようにコンパレータ５は主としてノイズか
らなる小振幅の信号には応動しないように構成し
ているので、コンパレータ５の出力状態は音声区
間のフレームでは変化するが、音声のないフレー
ムでは変化しないと考えられる。したがつて、コ
ンパレータ５の出力状態の変化回数が零でないフ
レームが所定数以上続いた場合に、そこを音声区
間と判定し、この間のコンパレータ６の出力状態
の変化回数（以下、零交差数と呼ぶ）が逐次メモ
リに書込まれる。音声区間が終わると、前記メモ
リに書込まれている音声区間の零交差数から等間
隔に所定数（例えば16フレーム分）をサンプルす
る。この様子を第２図に示す。入力音声波形１１
に対し、１フレームごとの零交差数１２がメモリ
に書き込まれている。このうち16フレーム分がサ
ンプルされ、16コの零交差数の列１３となる。い
ま、音声区間をｎフレームとすると、サンプルさ
れるフレームは、１、〓ｎ／16」＋１、〓2n／
16」＋１、……、〓15n／16」＋１番めのフレーム
である。（〓」はガウス記号である）例えば、
音声区間が50フレームの場合は、１、４、７、
10、13、16、19、22、26、……、47番めのフレー
ムがサンプルされる。

１単語につき、この16コの零交差数を用いて認
識を行なう。まず、認識すべき単語の各々につい
て16コの零交差数をメモリに登録する。この登録
されたものを標準パターンと呼ぶ。登録は、スイ
ツチ入力により登録モードである旨をマイクロコ
ンピユータ７に入力した後、マイクロホン１から
単語を順に発声することによつてなされる。登録
が終了すると、スイツチ入力によりモードを認識
にした後、マイクロホン１から音声を入力する。
入力音声から得られた16コの零交差数のｉ番目の
値をS_i〔但し、ｉ＝１、……、16〕、標準パターン
のｊ番目に登録した単語のｉ番目の値をT_ji〔但
し、ｉ＝１、……、16、ｊ＝１、……、ｗ（ｗは
登録語数）〕とするとき、入力音声とｊ番めの登
録単語との間の距離D_jをD_j＝₁₆ 〓ⁱ⁼¹ ｜T_ji−S_i｜とす
る。各標準パターンに対してD_jを計算し、D_jの
最小値を与える標準パターンに対応する単語を認
識結果とする。このような従来装置は、比較的ノ
イズの影響を受けやすいため、母音などのように
フレームごとの零交差数の変化が少ない部分にお
いても、あるフレームだけ特に零交差数が多くな
つたりすることがある。第３図ａ，ｂにその例を
示す。この(a)はある単語中の母音「オ」の部分の
１フレームごとの零交差数を示し、(b)はこれをグ
ラフ化したものである。零交差数はほぼ同じ値を
とつているが、フレームＡのみ値が大きくなつて
いる。これはこのフレームＡにおいてノイズの影
響が大きかつたものと考えられる。零交差数から
16コをサンプルする際、たまたまフレームＡのよ
うな部分が取られると、単語の特徴が損われて誤
認識につながる場合がある。例えば第３図ａの10
コの零交差数から４コをサンプルする時、前記と
同様の方法でサンプルすると、サンプルフレーム
は１、〓10/4」＋１、〓20/4」＋１、〓30/4」＋１
番目、すなわち、１、３、６、８番号フレームで
ある。したがつて、サンプルデータは第４図ａの
ようになり、これをグラフ化すると、第４図ｂと
なる。第３図のｂと第４図のｂとを比較すると、
サンプルによつてフレーム２１の部分が強調され
ていることがわかる。このように極端に値の歪ん
だサンプルデータが取られると誤認識につながり
やすい。

本発明は入力音声信号から一定時間毎に特徴パ
ラメータを抽出し前記入力音声信号を上記特徴パ
ラメータの系列に変換する変換手段と、上記特徴
パラメータの系列から隣り合う所定数の複数パラ
メータの組を一定間隔で一定組ｍだけ抽出し各組
についてそれを構成するパラメータの平均あるい
は和を求め新たにｍ個のパラメータ系列（a₁、a₂
……、a_n）を生成する生成手段と、登録用入力
音声信号が入力されたときに上記生成手段により
生成されたｍ個の特徴パラメータ系列を標準パタ
ーンとしてメモリに登録する登録手段と、認識用
入力音声信号が入力されたときに上記生成手段に
より生成されたｍ個のパラメータ系列と上記登録
手段によつて登録された標準パターンの各々とを
比較し認識する比較手段とを設けたことを特徴と
し、入力音声信号の特徴パラメータ系列から隣り
合う所定数の複数パラメータの組を一定間隔で一
定組だけ抽出して各組のパラメータの平均または
和を求め、これを標準パターンとのサンプルデー
タとするため、サンプルデータに及ぼすノイズの
影響を軽減することができ、認識率を向上させる
ことができる効果が得られる。

以下、本発明の一実施例を第５図〜第８図に基
づいて説明する。なお、第１図〜第４図と同様の
ものには同一符号を付けてその説明を省く。４１
はコンパレータ５の出力により零交差数をカウン
トする第１のカウンタ、４２はコンパレータ６の
出力により零交差数をカウントする第２のカウン
タ、４３は第１のカウンタ４１のカウント値に従
つて音声区間を検出する音声区間検出部、４４は
第１、第２のカウンタ４１，４２、音声区間検出
部４３、および次に述べる書込み部４５を制御す
るタイマー、４６はメモリである。書込み部４５
は第２のカウンタ４２のカウント値をメモリ４６
に書き込むよう作用する。４７は書込み部４５に
よつて書込まれたフレーム数からサンプルすべき
フレームの番号を求めるサンプルフレーム演算
部、４８はサンプルフレーム演算部４７によつて
求められたフレーム番号に基づいてメモリ４６か
らデータを読み出しサンプルデータ系列を生成す
るサンプルデータ生成部、４９はサンプルデータ
生成部４８の出力を標準パターンとして登録する
標準パターンメモリ、５０はサンプルデータ生成
部４８の出力と標準パターンメモリ４９に登録さ
れている標準パターンの各々とを比較し認識する
比較部、５１は認識結果出力部である。

次に動作を説明する。マイクロホン１から入力
された音声はプリアンプ２によつて増幅され、ピ
ツチ成分除去のためのハイパスフイルタ３、入力
音声信号の平均値をゼロレベルに調整するための
オフセツト調整部４を介してコンパレータ５およ
び６に入力される。コンパレータ(5)は音声信号の
平均レベルより所定量だけ偏倚した基準値とオフ
セツト調整部４の出力を比較し、コンパレータ６
はゼロレベルとオフセツト調整部４の出力を比較
する。第１のカウンタ４１はコンパレータ５の出
力状態の変化回数をカウントするが、この時、所
定時間〔たとえば10ｍsecとし、これを１フレー
ムとする〕ごとにタイマー４４によつて割込みが
かけられる。タイマ割込みがかかると、第１のカ
ウンタ４１のカウント値が音声区間検出部４３に
出力され、第１のカウンタ４１は零にリセツトさ
れる。音声区間検出部４３は、第１のカウンタ４
１から出力されたカウント値が所定フレーム（た
とえば５フレーム）以上連続して零でない場合
に、音声区間が始まつたと判定する。また、音声
区間が始まつた後、第１のカウンタ４１から出力
されたカウント値が所定フレーム（たとえば30フ
レーム）以上連続して零となつた場合には音声区
間が終了したと判定する。

一方、第２のカウンタ４２はコンパレータ６の
出力状態の変化回数をカウントするが、この時、
上記と同様に所定時間ごとにタイマー４４によつ
て、割込みがかかる。タイマー割込みがかかる
と、第２のカウンタ４２の出力が書込み部分４５
に出力され、第２のカウンタ４２を零にリセツト
する。書込み部４５は音声区間検出部４３から音
声区間か否かの情報を取り込み、音声区間である
場合には第２のカウンタ４２から出力されたカウ
ント値をメモリ４６に書込む。

音声区間検出部４３によつて音声区間終了と判
定されて書込み部４５によるメモリ４６への書込
みが終了すると、音声区間としてメモリ４６へ書
込まれたデータのフレーム数がサンプルフレーム
演算部４７に出力される。サンプルフレーム演算
部４７は、メモリ４６に書込まれたデータから所
定数〔例えば16個〕をサンプルするためのサンプ
ルすべきフレーム番号を演算する。サンプルすべ
きフレーム番号の演算方法としては、たとえば以
下のような方法を用いる。いま、音声区間として
メモリ４６へ書込まれたデータのフレーム数をｎ
とし、サンプルすべきデータ数を16個とする。こ
の時ｊ番目にサンプルすべきフレーム番号N_jを、 N_j＝〓（ｊ−１）・ｎ／16」＋１但し、〓」はガウス記号とする。上式は、メ
モリ４６に書込まれたデータから等間隔に16個を
サンプルする場合のサンプルすべきフレーム番号
を与えるものである。

サンプルデータ生成部４８は、サンプルフレー
ム演算部４７で求められたサンプルすべきフレー
ム番号に従つてメモリ４６からデータを読み出
し、サンプルデータ系列を生成する。なお、この
サンプルデータ生成部４８の動作については後で
詳細に述べる。上記の動作により、メモリ４６に
書込まれたデータは、例えば16フレーム分のデー
タ系列に圧縮される。

登録時には、上記の圧縮されたデータ系列は標
準パターンメモリ４９に登録される。また、認識
時には、上記の圧縮されたデータ系列は比較部５
０に出力される。登録、認識のモード切替は、た
とえば外部からのスイツチ入力によつてなされ
る。

比較部５０は、サンプルデータ生成部４８から
入力された圧縮されたデータ系列と、標準パター
ンメモリ４９に登録されている標準パターンの
各々とを比較して認識する。比較方法としては、
たとえば次のようなものが考えられる。

いま、サンプルデータ生成部４８から入力され
たデータ系列を（S₁、……、S₁₆）とする。一方、
一つの標準パターンとして登録されているデータ
系列を（T₁、……、T₁₆）とする。この時上記２
つのデータ系列間の距離ＤをＤ＝₁₆ 〓ⁱ⁼¹ ｜T_i−S_i｜とする。上記の距離Ｄをすべての標準パターンに
対して求め、距離Ｄの最小値を与える標準パター
ンに対応する単語を認識結果とする。認識結果出
力部５１は比較器５０によつて認識された結果を
出力する。

次にサンプルデータ生成部４８の動作を第６図
によつて説明する。第６図において、N_jはサン
プルフレーム演算部４７で求められたｊ番目にサ
ンプルすべきフレームの番号、a_jは生成されるサ
ンプルデータ系列のｊ番目の値である。ここで、
サンプルデータ系列として16個のデータ系列を生
成するものとする。まずN_j番目のフレームデー
タd₁をメモリ４６から読み込み６１、続いて１つ
の次のフレーム、すなわちN_j＋１番目のフレー
ムのデータd₂をメモリ４６から読み込む６２。次
にデータd₁とd₂の和を求め、これをサンプルデー
タ系列のｊ番目の値a_jとする６３。この６１〜６
３の動作を16回繰り返すことにより16個のサンプ
ルデータ系列が生成される。

上記の動作の結果生成されるサンプルデータ系
列の様子を第７図に示す。入力音声波形３１に対
し、１フレームごとの零交差数３２の系列がメモ
リ４６に書込まれている。この零交差数３２の系
列から圧縮された16個のサンプルデータ系列３３
が生成されるが、データ系列３３の１番目の値
は、メモリ４６に書込まれている零交差数３２の
系列の１フレーム目と２フレーム目のデータの和
である。また、サンプルデータ系列３３の２番目
の値は上記零交差数３２の系列の〓ｎ／16」＋１
フレーム目と〓ｎ／16」＋２フレーム目のデータ
の和である。以下同様にしてサンプルデータ系列
３３が生成される。

サンプルデータ生成部４８を上記のように動作
させることにより、従来例で述べたように零交差
数がノイズによつて歪んでいるフレームをサンプ
ルフレームとした場合でも、次のフレームの零交
差数との和をとることにより、サンプルデータの
歪みを軽減することができる。

例えば第３図ａの10個の零交差数から前記と同
様にして４個をサンプルし、前記の操作を行うと
第８図ａとなり、これをグラフ化すると第８図ｂ
となり、第４図ｂと第８図ｂとを比較することに
よりフレームＡのデータが及ぼす影響がが改善さ
れていることがわかる。

上記実施例において特徴パラメータは、零交差
数としたが、勿論、他の特徴パラメータに対して
も本発明を適用できることは明らかである。

上記実施例では、２個の複数パラメータの組を
一定間隔で一定組だけ抽出したが、これは２個の
複数パラメータの組に限定されるものでなく所定
数の複数パラメータの組を一定間隔で一定組だけ
抽出すればよく、各組を構成するパラメータの和
をとつて新たなｍ個のパラメータ系列にするとし
たが、これは和をとらずに平均をとるようにして
もよい。

以上説明のように本発明によると、入力音声信
号の特徴パラメータ系列から隣り合う所定数の複
数パラメータの組を一定間隔で一定組ｍだけ抽出
して各組についてそれを構成するパラメータの平
均あるいは和を求めて新たなｍ個パラメータ系列
を生成する生成手段を設け、この生成手段から得
られるｍ個のパラメータ系列と標準パターンとを
比較して認識するため、サンプルデータとしてサ
ンプルフレームのデータだけでなくその前後の数
フレームのデータも用いることができ、ノイズに
よるサンプルデータの歪みを軽減でき、従来に比
べて認識率が大幅に向上するものである。

【図面の簡単な説明】

第１図は従来の単語音声認識装置の構成図、第
２図は従来のサンプリング方法の説明図、第３図
ａ，ｂおよび第４図ａ，ｂは従来例における欠点
を説明するための説明図、第５図は本発明の単語
音声認識装置の一実施例の構成図、第６図および
第７図は第５図におけるサンプルデータ生成部の
動作の説明図、第８図は第５図におけるサンプル
データ作製の説明図である。１……マイクロホン、４……オフセツト調整
部、５，６……コンパレータ、３１……入力音声
信号、３２……１フレームごとの零交差数、３３
……サンプルデータ系列、４１，４２……第１、
第２のカウンタ、４３……音声区間検出部、４４
……タイマー、４５……書込み部、４６……メモ
リ、４７……サンプルフレーム演算部、４８……
サンプルデータ生成部、４９……標準パターンメ
モリ、５０……比較部。

Claims

【特許請求の範囲】

１入力音声信号から一定時間毎に特徴パラメー
タを抽出し前記入力音声信号を上記特徴パラメー
タの系列に変換する変換手段と、上記特徴パラメ
ータの系列から隣り合う所定数の複数パラメータ
の組を一定間隔で一定組ｍだけ抽出し各組につい
てそれを構成するパラメータの平均あるいは和を
求め新たにｍ個のパラメータ系列（a₁、a₂、…
…、a_n）を生成する生成手段と、登録用入力音
声信号が入力されたときに上記生成手段により生
成されたｍ個の特徴パラメータ系列を標準パター
ンとしてメモリに登録する登録手段と、認識用入
力音声信号が入力されたときに上記生成手段によ
り生成されたｍ個のパラメータ系列と上記登録手
段によつて登録された標準パターンの各々とを比
較し認識する比較手段とを設けた単語音声認識装
置。