JPS63123100A - 音声認識方法 - Google Patents
音声認識方法Info
- Publication number
- JPS63123100A JPS63123100A JP61269116A JP26911686A JPS63123100A JP S63123100 A JPS63123100 A JP S63123100A JP 61269116 A JP61269116 A JP 61269116A JP 26911686 A JP26911686 A JP 26911686A JP S63123100 A JPS63123100 A JP S63123100A
- Authority
- JP
- Japan
- Prior art keywords
- word
- recognition
- similarity
- section
- speech
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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。
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
本発明は人間の声を機械に認識させる音声認識方法に関
するものである。
するものである。
従来の技術
単語音声認識装置は近年、能力も大きくなり、小型低価
格化も進んでいるため、しだいに普及するようになって
きた。しかし、使用できる語常数３べ一／ の制限、使用環境の制限や、余計な言葉を言ってはなら
ないなど、いろいろな使用上の制限があるため、決して
使い易い装置ではない。特に、不特定話者用の装置では
、これらの使用上の制限を知らない人も装置を使うこと
になる。このため、不特定話者用の単語音声認識装置を
音声応答装置と組合わせて用い、質問応答形式のシステ
ム構成にするのが一般的である。すなわち、ユーザの発
声内容を音声応答装置から発するガイド音声によって誘
導することにより、装置の使用上の制限を意識しなくて
も使えるように配慮する。
格化も進んでいるため、しだいに普及するようになって
きた。しかし、使用できる語常数３べ一／ の制限、使用環境の制限や、余計な言葉を言ってはなら
ないなど、いろいろな使用上の制限があるため、決して
使い易い装置ではない。特に、不特定話者用の装置では
、これらの使用上の制限を知らない人も装置を使うこと
になる。このため、不特定話者用の単語音声認識装置を
音声応答装置と組合わせて用い、質問応答形式のシステ
ム構成にするのが一般的である。すなわち、ユーザの発
声内容を音声応答装置から発するガイド音声によって誘
導することにより、装置の使用上の制限を意識しなくて
も使えるように配慮する。
たとえば、士数字と「ハイ」、「イイエ」の１２単語を
認識対象とする装置を用いて列車の切符を予約する場合
は次のようになる。
認識対象とする装置を用いて列車の切符を予約する場合
は次のようになる。
例１：
装置：切符が何枚必要でしょうか。数字でお答え下さい
。
。
ユーザ：４（ヨン）
装置：新幹線の切符４枚ですね。
ユーザ゛はい。
第４図は現在用いられている不特定話者用の認識応答シ
ステムの機能ブロック図（従来例）である。ホスト計算
機５１のタスクが起動されると、音声合成部５２からガ
イド音声が出力される。ガイド音声の指示に従って、ユ
ーザが発声すると、それが音声認識部５０で認識され、
認識結果をホスト計算機５１へ送出する。ホスト計算機
５１では、ユーザの意図を解して応答文を作成し、音声
合成部５２から応答音声を出力する。ユーザはそれによ
って次の発声を行なう・・・・・・・・・というような
手順で、タスクを遂行してゆく。
ステムの機能ブロック図（従来例）である。ホスト計算
機５１のタスクが起動されると、音声合成部５２からガ
イド音声が出力される。ガイド音声の指示に従って、ユ
ーザが発声すると、それが音声認識部５０で認識され、
認識結果をホスト計算機５１へ送出する。ホスト計算機
５１では、ユーザの意図を解して応答文を作成し、音声
合成部５２から応答音声を出力する。ユーザはそれによ
って次の発声を行なう・・・・・・・・・というような
手順で、タスクを遂行してゆく。
音声認識部５０では次のようにして認識処理が行なわれ
る。先ず音響分析部５３でフィルタ分析、ＬＰＧ分析や
パワー計算などが行なわれ、パラメータが抽出される。
る。先ず音響分析部５３でフィルタ分析、ＬＰＧ分析や
パワー計算などが行なわれ、パラメータが抽出される。
音声区間検出部５４では、音響分析結果を用いて、入力
音声の音声区間が検出される。類似度計算部５５では、
音声区間内に含まれるパラメータと、標準パターン部５
６に格納５べ一／゛ されている各音声の標準パターンとの類似度の計算を行
ない、最も類似度が高い標準パターンに対応する言葉を
認識結果とする。
音声の音声区間が検出される。類似度計算部５５では、
音声区間内に含まれるパラメータと、標準パターン部５
６に格納５べ一／゛ されている各音声の標準パターンとの類似度の計算を行
ない、最も類似度が高い標準パターンに対応する言葉を
認識結果とする。
発明が解決しようとする問題点
上記のように質問応答形式で用いれば、音声認識装置に
ある程度理解がある人ならば使用できる。
ある程度理解がある人ならば使用できる。
しかし、音声認識装置の制限を全く知らない人は、必ず
しも予期した表現で返答するとは限らない。
しも予期した表現で返答するとは限らない。
たとえば上記例１の場合、ユーザは下線のように返答す
るかも知れない。
るかも知れない。
例２：
装置：切符が何枚必要でしょうか。数字でお答え下さい
。
。
装置：新幹線の切符４まいですね。
■ユーザ：はい、そうです。
例２のユーザの返答■、■は、会話では自然に用いられ
る表現であるが、単語音声を対象とする音声認識では、
このような文音声の認識はできないのでリジェクトされ
るか、認識誤まりを生じる６ベー／ 場合が多い。すなわち、従来の単語音声認識装置では、
例１のように決められた表現で返答する必要があり、は
んの少しの表現の変形も許されない。
る表現であるが、単語音声を対象とする音声認識では、
このような文音声の認識はできないのでリジェクトされ
るか、認識誤まりを生じる６ベー／ 場合が多い。すなわち、従来の単語音声認識装置では、
例１のように決められた表現で返答する必要があり、は
んの少しの表現の変形も許されない。
これは使用上、非常に大きな制約であり、音声認識装置
の使用分野を狭める大きな原因となっている。
の使用分野を狭める大きな原因となっている。
本発明は、かかる従来例の問題点を解決し、単語音声認
識装置の使用上の制限を緩和しようとするものである。
識装置の使用上の制限を緩和しようとするものである。
すなわち、入力音声の表現の中に認識対象とする表現以
外の多少の余分な部分があった場合においても、正しく
認識できる手段を提供することによって、装置の使用上
の制限を緩和することを目的とする。
外の多少の余分な部分があった場合においても、正しく
認識できる手段を提供することによって、装置の使用上
の制限を緩和することを目的とする。
問題点を解決するための手段
本発明は上記目的を達成するものであり、その技術的手
段は、騒音や不要な音声を含む入力信号を分析して入力
パラメータ時系列に変換し、入力パラメータ時系列の部
分区間と、あらかじめ作成してある認識対象単語の標準
パターンとの類似度計算を、部分区間を入力パラメータ
時系列の最初７ヘーノ から最後まで単位区間ずつシフｌ−Ｌながら連続的に行
ない、類似度が大きくなる認識単語候補区間を１つまた
は複数切り出して、その区間に対応する単語名を認識単
語候補とし、一方、別に入力信号からピッチ周波数とそ
の時間的変化パターンを連続的に求めておき、前記認識
単語候補区間またはその近傍におけるピッチ周波数の大
きさやその変化パターンを用いて、前記認識単語候補の
うちから認識単語を決定することを特徴とする音声認識
方法にある。
段は、騒音や不要な音声を含む入力信号を分析して入力
パラメータ時系列に変換し、入力パラメータ時系列の部
分区間と、あらかじめ作成してある認識対象単語の標準
パターンとの類似度計算を、部分区間を入力パラメータ
時系列の最初７ヘーノ から最後まで単位区間ずつシフｌ−Ｌながら連続的に行
ない、類似度が大きくなる認識単語候補区間を１つまた
は複数切り出して、その区間に対応する単語名を認識単
語候補とし、一方、別に入力信号からピッチ周波数とそ
の時間的変化パターンを連続的に求めておき、前記認識
単語候補区間またはその近傍におけるピッチ周波数の大
きさやその変化パターンを用いて、前記認識単語候補の
うちから認識単語を決定することを特徴とする音声認識
方法にある。
作 用
本発明は音声区間全体を１つの単語と見做さず、認識対
象単語を含む十分に広い区間（認識対象単語の他にその
前後の余分な８葉や音声の前後のノイズを含む）から、
パターンマツチングによる類似度の値とピッチ周波数の
大きさ、動きを用いて、認識対象単語のみを切出して認
識する。すなわち、前記の認識対象単語を含む十分広い
区間の一部に対して、認識対象単語の標準パターンの各
々との類似度を計算し、次に単位区間ずつずらせて同様
に類似度を計算する・・・・・・というように区間の全
域に対して各々の標準パターンとの類似度の動きを求め
る。そして、類似度が大きい区間（複数でもよい）を求
める。次に類似度が大きい区間のピッチ周波数を参照し
、ピッチ周波数がその区間の周囲よりも安定して高い値
を示している場合のみ、その区間を認識対象単語の区間
として認識する。
象単語を含む十分に広い区間（認識対象単語の他にその
前後の余分な８葉や音声の前後のノイズを含む）から、
パターンマツチングによる類似度の値とピッチ周波数の
大きさ、動きを用いて、認識対象単語のみを切出して認
識する。すなわち、前記の認識対象単語を含む十分広い
区間の一部に対して、認識対象単語の標準パターンの各
々との類似度を計算し、次に単位区間ずつずらせて同様
に類似度を計算する・・・・・・というように区間の全
域に対して各々の標準パターンとの類似度の動きを求め
る。そして、類似度が大きい区間（複数でもよい）を求
める。次に類似度が大きい区間のピッチ周波数を参照し
、ピッチ周波数がその区間の周囲よりも安定して高い値
を示している場合のみ、その区間を認識対象単語の区間
として認識する。
ピッチ周波数が周囲よりも安定して高くない場合は、そ
の区間は棄却する。このようにして、認識対象単語の部
分のみをスポツティングして認識する方法を用いること
によって、余計な言葉や騒音を含む入力に対しても、正
しい認識結果を得ることができ、単語音声認識装置を使
用する上での制約を緩和し、使い易い音声認識応答シス
テムを実現できるようになる。またそれによって、装置
に不慣れな人でも使うことができるようになり音声認識
装置の用途の拡大を図ることができる。
の区間は棄却する。このようにして、認識対象単語の部
分のみをスポツティングして認識する方法を用いること
によって、余計な言葉や騒音を含む入力に対しても、正
しい認識結果を得ることができ、単語音声認識装置を使
用する上での制約を緩和し、使い易い音声認識応答シス
テムを実現できるようになる。またそれによって、装置
に不慣れな人でも使うことができるようになり音声認識
装置の用途の拡大を図ることができる。
実施例
以下、本発明の実施例について説明する。
本発明はパターンマツチングによって発声され９ヘー。
た音声中からキーワードを切出しくワードスポツティン
グ）、それをピッチ周波数の変化パターンを用いて検証
することによって認識する方法である。ワードスポツテ
ィングは、各々の単語標準パターンを入力音声の全域に
わたって走査させながら類似度計算を行ない、類似度の
大きくなる区間とその時の単語名を抽出する方法である
。しかし、類似度最大として抽出された単語が必ずしも
正解とは限らないので、ある基準を設け、基準を満たす
複数の候補を抽出しておく。そして、それらの候補の中
から、ピッチ周波数の変化パターンと類似度値を用いて
、１つの単語に絞ってゆく。
グ）、それをピッチ周波数の変化パターンを用いて検証
することによって認識する方法である。ワードスポツテ
ィングは、各々の単語標準パターンを入力音声の全域に
わたって走査させながら類似度計算を行ない、類似度の
大きくなる区間とその時の単語名を抽出する方法である
。しかし、類似度最大として抽出された単語が必ずしも
正解とは限らないので、ある基準を設け、基準を満たす
複数の候補を抽出しておく。そして、それらの候補の中
から、ピッチ周波数の変化パターンと類似度値を用いて
、１つの単語に絞ってゆく。
ピッチ周波数を用いるのは、人間は重要な言葉の部分で
は、その他の部分よりは誦い周波数でしかもはっきりと
発声するという事実を利用するためである。特に会話で
は、音声分析の経験上、その傾向が強い。例２のような
質問応答文では、重要な単語（キーワード）が認識対象
単語であるから、ピッチ周波数を用いれば、認識対象単
語の存在する位置を決めることが可能である。
は、その他の部分よりは誦い周波数でしかもはっきりと
発声するという事実を利用するためである。特に会話で
は、音声分析の経験上、その傾向が強い。例２のような
質問応答文では、重要な単語（キーワード）が認識対象
単語であるから、ピッチ周波数を用いれば、認識対象単
語の存在する位置を決めることが可能である。
１０へ−７
第１図は、このような考え方に基づく本発明の一実施例
における音声認識方法を利用し認識応答システムの機能
ブロック図である。図中、ホスト計算機５１および音声
合成部５２０機能は従来例と全く同じであるので、音声
認識部６の内容のみについて説明する。
における音声認識方法を利用し認識応答システムの機能
ブロック図である。図中、ホスト計算機５１および音声
合成部５２０機能は従来例と全く同じであるので、音声
認識部６の内容のみについて説明する。
入力音声は音響分析部１によって分析区間（フレーム）
に区分され、フレームごとにＬＰＧ分析されて、ＬＰＧ
ケプストラム係数が抽出される。
に区分され、フレームごとにＬＰＧ分析されて、ＬＰＧ
ケプストラム係数が抽出される。
サンプリング周波数は８にＨｚ、フレーム周期は１０ｍ
５ｅｃ１ 分析の窓長は２０ ｎ５ｅｃのハミング窓を
用いている。ＬＰＧ分析の次数は１０次、ＬＰＧケプス
トラムは５次（０１〜Ｃｓ）の係数と、パワー項ＣＯを
用いている。ピッチ抽出部４では、フレームごとにピッ
チ周波数を求め、その値を一定期間蓄積する。ピッチ抽
出の方法はいろいろあるが、最も簡単な波形相関法を用
いている。人力信号をｘｌとすると相関関数ンτは １１ ｌ＼−／ Ｖτが最大となる場合のτを仝とすると、ピッチ周波数
は ｆｏ＝８０００／４ （２）で
求められる。
５ｅｃ１ 分析の窓長は２０ ｎ５ｅｃのハミング窓を
用いている。ＬＰＧ分析の次数は１０次、ＬＰＧケプス
トラムは５次（０１〜Ｃｓ）の係数と、パワー項ＣＯを
用いている。ピッチ抽出部４では、フレームごとにピッ
チ周波数を求め、その値を一定期間蓄積する。ピッチ抽
出の方法はいろいろあるが、最も簡単な波形相関法を用
いている。人力信号をｘｌとすると相関関数ンτは １１ ｌ＼−／ Ｖτが最大となる場合のτを仝とすると、ピッチ周波数
は ｆｏ＝８０００／４ （２）で
求められる。
類似度計算部２は入力パラメータ（ＬＰＣケプストラム
係数）と単語標準パターン部３の各単語の標準パターン
を遂次比較してゆき、類似度が大きい部分を単語として
切り出して蓄積しておく。
係数）と単語標準パターン部３の各単語の標準パターン
を遂次比較してゆき、類似度が大きい部分を単語として
切り出して蓄積しておく。
類似度計算は音声が存在するところは勿論のこと、前後
のノイズ区間を含む十分広い区間で行ない、音声区間の
検出を不要としている。
のノイズ区間を含む十分広い区間で行ない、音声区間の
検出を不要としている。
次に類似度計算によってノイズや音声の中から単語をス
ポツティングする方法を説明する。
ポツティングする方法を説明する。
マス、パターンマツチングに用いている距離尺度（統計
的距離尺度）について説明する。
的距離尺度）について説明する。
入力単語音声長を一定長Ｊフレームに線形伸縮し、１フ
レームあたりのパラメータベクトルを帽とすると、入カ
ベクトルＡは次のようになる。ただしｔは転置を表す。
レームあたりのパラメータベクトルを帽とすると、入カ
ベクトルＡは次のようになる。ただしｔは転置を表す。
／Ａｔ−（＆ｔ、Ｍｔ、 ・＝−、ａｔ）ここで、各１
ｊはｐ次元のベクトルである。
ｊはｐ次元のベクトルである。
単語ωｎ（ｎ＝１．２．・・・、Ｎ）の標準パターンと
して、平均値ベクトルをＩｌ ｎ Ｎ共分散行列を＼Ｗ
ｎとすると、事後確率Ｐ（ωｎｌ／Ａ）を最大とする単
語を認識結果とすればよい。
して、平均値ベクトルをＩｌ ｎ Ｎ共分散行列を＼Ｗ
ｎとすると、事後確率Ｐ（ωｎｌ／Ａ）を最大とする単
語を認識結果とすればよい。
ベイズの定理より
Ｐ（ωｎ１／Ａ）−Ｐ（ωｎ）・Ｐ（ＡＩωｎ）／Ｐ（
／Ａ）（３）右辺第１項のＰ（ωｎ）は定数と見なせる
。正規分布を仮定すると、第２項は Ｐ（ＩＡｌωｎ）−（２π）］＼Ｗｉ１− ｅｘｐ （
−１／２ （／Ａ−７ｔｔｎ ）ｔＷ ｎ （Ａ＃／
）ｎ ）） （４）分母項Ｐ（／Ａ）は入力パラメー
タが同一ならば定、数と見做せるが、異なる入力に対し
て相互比較するときは、定数にならない。ここでは、Ｐ
（／Ａ ）が平均値ｊｌｎ ｚ共分散行列ＩＷ ｎの
正規分布に従うものと仮定する。
／Ａ）（３）右辺第１項のＰ（ωｎ）は定数と見なせる
。正規分布を仮定すると、第２項は Ｐ（ＩＡｌωｎ）−（２π）］＼Ｗｉ１− ｅｘｐ （
−１／２ （／Ａ−７ｔｔｎ ）ｔＷ ｎ （Ａ＃／
）ｎ ）） （４）分母項Ｐ（／Ａ）は入力パラメー
タが同一ならば定、数と見做せるが、異なる入力に対し
て相互比較するときは、定数にならない。ここでは、Ｐ
（／Ａ ）が平均値ｊｌｎ ｚ共分散行列ＩＷ ｎの
正規分布に従うものと仮定する。
Ｐ（／Ａ）−（２π）１＼Ｗム１
°ｅｘｐ（−１／２（／Ａ−Ｉｌａ）ｔｔＷ ａ（／Ａ
−Ｉｌａ）） （５）１３ へ−ン （１）の対数をとり、定数項を省略して、これをＭｎと
置くと、 Ｍｎ＝（／Ａ−／／１ｎ）ｔ％ｗ ｎ（Ａ、、ｙｌｎ）
−（Ａ−７７１ａ）’ＩＷ ａ（Ａ−＃ａ）＋ｌｏｇ
１ｌＷｎ ｌｌ−１ｏ ｌｌｗａ ｌ
（６）ここで、ｌＷｎ 、 ｌＷａを全て共通と置き）
Ｗとする。
−Ｉｌａ）） （５）１３ へ−ン （１）の対数をとり、定数項を省略して、これをＭｎと
置くと、 Ｍｎ＝（／Ａ−／／１ｎ）ｔ％ｗ ｎ（Ａ、、ｙｌｎ）
−（Ａ−７７１ａ）’ＩＷ ａ（Ａ−＃ａ）＋ｌｏｇ
１ｌＷｎ ｌｌ−１ｏ ｌｌｗａ ｌ
（６）ここで、ｌＷｎ 、 ｌＷａを全て共通と置き）
Ｗとする。
すなわち、
ＩＷ−（ｔｗ、 十Ｗ２ ＋・・・・・・＋ＩＷ ｎ
＋ＩＷ ａ ） ／ （Ｎ ＋１ ） （７）とし
て（４）式を展開すると、 Ｍｎ ＝（ｐｎ −ＩＥ ｎ −／Ａ
（８）ただし、 ＩＥｎ＝２（Ｗ −／ｌｌｎ −ＩＷ ・／／ｌａ
） （９）Ｃｎ−ｐｎ’ｌＷ’７１ｎ−Ｐａ
−ＩＷ −／ｌｌａ （１０）（８）式は計算量が
少ない１次判別式である。ここで、（８）式を次のよう
に変形する。
＋ＩＷ ａ ） ／ （Ｎ ＋１ ） （７）とし
て（４）式を展開すると、 Ｍｎ ＝（ｐｎ −ＩＥ ｎ −／Ａ
（８）ただし、 ＩＥｎ＝２（Ｗ −／ｌｌｎ −ＩＷ ・／／ｌａ
） （９）Ｃｎ−ｐｎ’ｌＷ’７１ｎ−Ｐａ
−ＩＷ −／ｌｌａ （１０）（８）式は計算量が
少ない１次判別式である。ここで、（８）式を次のよう
に変形する。
すなわち、Ｍｎはフレームごとの部分類似度ｄ Ｊ ＝
＠ｔｊ Ｈａ（Ｊの８回の加算と１回の減算で求められ
る。
＠ｔｊ Ｈａ（Ｊの８回の加算と１回の減算で求められ
る。
次に、上記の距離尺度を用いて、音声をスポソテ１４ペ
ー／゛ イングして認識する方法と、計算量の削減法について説
明する。
ー／゛ イングして認識する方法と、計算量の削減法について説
明する。
ワードスポツティングは認識すべき音声を確実に含む十
分長い区間を対象として、この中に基準点ｉを設定し、
ｉを基準として種々の部分区間を考え、各部分区間に対
して各単語との類似度を（１１）式によって求め、全て
の部分区間を通して類似度が大きくなる単語を基準点１
に対する認識結果とすればよい。そして、１を１〜１の
範囲で単位区間ずつ進めて同様の操作を行なってゆけば
よい。本実施例では、類似度が３位以内に入る単語と、
その区間を求めている。
分長い区間を対象として、この中に基準点ｉを設定し、
ｉを基準として種々の部分区間を考え、各部分区間に対
して各単語との類似度を（１１）式によって求め、全て
の部分区間を通して類似度が大きくなる単語を基準点１
に対する認識結果とすればよい。そして、１を１〜１の
範囲で単位区間ずつ進めて同様の操作を行なってゆけば
よい。本実施例では、類似度が３位以内に入る単語と、
その区間を求めている。
この類似度計算をそのまま実行すると計算量が膨大とな
るが、単語の持続時間を考慮して部分区間長を制限し、
また計算の途中で部分類似度ｄ１を共通に利用すること
によって、大幅に計算量を削減できる。第２図はその方
法の説明図である。
るが、単語の持続時間を考慮して部分区間長を制限し、
また計算の途中で部分類似度ｄ１を共通に利用すること
によって、大幅に計算量を削減できる。第２図はその方
法の説明図である。
入力と単語ｎの照合を行う場合、部分区間長で（４１＜
４＜４２）を標準パターン長Ｊに線形伸縮し、フレーム
ごとに終端固定で類似度を計算して１５ヘー。
４＜４２）を標準パターン長Ｊに線形伸縮し、フレーム
ごとに終端固定で類似度を計算して１５ヘー。
いく様子を示している。類似度はＱＲ上の点Ｔから出発
してＰで終るルートに沿って（１１）式で計算される。
してＰで終るルートに沿って（１１）式で計算される。
したがって、１フレームあたりの類似度計算は全てΔＰ
ＱＲ内で行われる。ところで（１１）式のａＩＪは、区
間長４を伸縮した後の第ｊフレーム成分なので、対応す
る入力フレームｉ゛が存在する。そこで入カベクトルを
用いて、ｄｊを次のように表現できる。
ＱＲ内で行われる。ところで（１１）式のａＩＪは、区
間長４を伸縮した後の第ｊフレーム成分なので、対応す
る入力フレームｉ゛が存在する。そこで入カベクトルを
用いて、ｄｊを次のように表現できる。
ｄ （ｉ’、 Ｊ ）＝＠ｔｊ−ｊ＋ｉ
（１２）ただし、ｉ’ −ｉ −ｒ ｋ （Ｊ） ＋
１ （１３）ここで、ｒｋ（ｊ）は単語長にとＪ
の線形伸縮を関係づける関数である。したがって、入力
の各フレームとεｊとの部分類似度が予め求められてい
れば、（１１）式はｉ“の関係を有する部分類似度を選
択して加算することによって簡単に計算できる。ところ
で、ΔＰＱＲは１フレームごとに右へ移動するので、ｐ
ｓ上で［株］ｊとａ′１ｉ の部分類似度を計算して
、それをΔＰＱＳに相当する分だけメモリにＩｓし、フ
レームごとにシフトするように構成しておけば、必要な
類似度は全てメモリ内にあるので、部分類似度を求める
演算が大幅に省略でき、計算量が非常に少なくなる。
（１２）ただし、ｉ’ −ｉ −ｒ ｋ （Ｊ） ＋
１ （１３）ここで、ｒｋ（ｊ）は単語長にとＪ
の線形伸縮を関係づける関数である。したがって、入力
の各フレームとεｊとの部分類似度が予め求められてい
れば、（１１）式はｉ“の関係を有する部分類似度を選
択して加算することによって簡単に計算できる。ところ
で、ΔＰＱＲは１フレームごとに右へ移動するので、ｐ
ｓ上で［株］ｊとａ′１ｉ の部分類似度を計算して
、それをΔＰＱＳに相当する分だけメモリにＩｓし、フ
レームごとにシフトするように構成しておけば、必要な
類似度は全てメモリ内にあるので、部分類似度を求める
演算が大幅に省略でき、計算量が非常に少なくなる。
判断部５では、類似度計算部２で切り出された区間（本
実施例では３つ）に対して、ピッチ抽出部４で抽出した
ピッチ周波数の変化パターン（時間的にスムージングし
てある）を適用して、認識単語を１つに絞る。すなオつ
ち、前記切り出された区間において、 （１） ピッチ周波数が全区間を通じて最も高い部分
が含まれていれば、その区間に対応する単語を認識結果
とする。
実施例では３つ）に対して、ピッチ抽出部４で抽出した
ピッチ周波数の変化パターン（時間的にスムージングし
てある）を適用して、認識単語を１つに絞る。すなオつ
ち、前記切り出された区間において、 （１） ピッチ周波数が全区間を通じて最も高い部分
が含まれていれば、その区間に対応する単語を認識結果
とする。
（２） （１）に該当する区間がない場合、ピッチ周
波数の動きが区間内で凸状になっている区間があり、６
ピッチ周波数が十分高い（凸状の山のピークが２番目）
ならば、その区間に対応する単語を認識結果とする。
波数の動きが区間内で凸状になっている区間があり、６
ピッチ周波数が十分高い（凸状の山のピークが２番目）
ならば、その区間に対応する単語を認識結果とする。
（３） （１）または（２）に該当する区間が複数存
在するときは、類似度が高い方を優先する。また該当す
る区間がない場合は、リジェクトとじて扱う。
在するときは、類似度が高い方を優先する。また該当す
る区間がない場合は、リジェクトとじて扱う。
次に第３図を用いて、以上の説明を具体例で示１７ べ
−２ す。第３図において、（ａ）は発声内容を時間に対応し
て示したものであり、例２の■「ええと、４枚です」を
用いる。（ｂ）、 （Ｃ）はそれぞれパワーおよびピッ
チ周波数の時間的な動きを示している。太線３１の部分
で、ピッチ周波数が山を形成し、また山の部分で全域を
通じて最大値になっている。（ｄ）は各標準パターンに
対する類似度の時間的な動きであり、太線３２〜３４の
部分が類似度計算部２で切り出された区間である（第２
図で説明した方法によれば、区間の最後尾に類似度が大
きい部分が位置するので、第３図でもそのように表現し
てある）。
−２ す。第３図において、（ａ）は発声内容を時間に対応し
て示したものであり、例２の■「ええと、４枚です」を
用いる。（ｂ）、 （Ｃ）はそれぞれパワーおよびピッ
チ周波数の時間的な動きを示している。太線３１の部分
で、ピッチ周波数が山を形成し、また山の部分で全域を
通じて最大値になっている。（ｄ）は各標準パターンに
対する類似度の時間的な動きであり、太線３２〜３４の
部分が類似度計算部２で切り出された区間である（第２
図で説明した方法によれば、区間の最後尾に類似度が大
きい部分が位置するので、第３図でもそのように表現し
てある）。
これら３つの区間のそれぞれに対して、前記の２つの条
件（１）、 （２）をあてはめる。先ず、３４はピッチ
周波数が最大でもなく、また動きが凸状でないので、却
下する。３２．３３はピッチがどちらも凸状であるが、
３３の区間でピッチ周波数が最大なので、３３に対応す
る単語「ヨシ」を認識結果とする。このようにして、余
分な言葉や周囲ノイズの中から、正しい認識結果を得る
ことができ１８へ一／ る。
件（１）、 （２）をあてはめる。先ず、３４はピッチ
周波数が最大でもなく、また動きが凸状でないので、却
下する。３２．３３はピッチがどちらも凸状であるが、
３３の区間でピッチ周波数が最大なので、３３に対応す
る単語「ヨシ」を認識結果とする。このようにして、余
分な言葉や周囲ノイズの中から、正しい認識結果を得る
ことができ１８へ一／ る。
このように、本実施例の方法を用いれば、ノイズ中や簡
単な文音声の中から、正しく目的の単語をスポツティン
グできる。そして、あらかじめ音声区間を検出する必要
がないので、処理が単純である。しかも、類似度計算に
要する計算量が少ないので、ハード化が実に容易である
。
単な文音声の中から、正しく目的の単語をスポツティン
グできる。そして、あらかじめ音声区間を検出する必要
がないので、処理が単純である。しかも、類似度計算に
要する計算量が少ないので、ハード化が実に容易である
。
発明の効果
以上要するに本発明は、連続線形伸縮照合法により入力
音声中から認識単語候補とそれらの区間を切り出し、一
方ピッチ周波数とその変化パターンを求めておき、認識
単語候補区間内でピッチ周波数が十分高く、またその変
化パターンが凸状であるとき、認識単語を特定するもの
で、従来の装置が非常に静かな環境で用いなければなら
ず、使用者は必要な言葉以外を喋ってはならないという
、使用上の制限を緩和し、単語音声認識装置の使途の拡
大と普及に貢献できる利点を有する。
音声中から認識単語候補とそれらの区間を切り出し、一
方ピッチ周波数とその変化パターンを求めておき、認識
単語候補区間内でピッチ周波数が十分高く、またその変
化パターンが凸状であるとき、認識単語を特定するもの
で、従来の装置が非常に静かな環境で用いなければなら
ず、使用者は必要な言葉以外を喋ってはならないという
、使用上の制限を緩和し、単語音声認識装置の使途の拡
大と普及に貢献できる利点を有する。
第１図は本発明の一実施例における音声認識方１９ペー
／ 法を具現化する認識、応答システムの機能ブロック図、
第２図は本実施例において、入力音声と単語標準パター
ンの類似度計算の方法を説明する概念図、第３図（、）
〜（ｄ）は本実施例の認識方法を具体的な例で説明する
概念図、第４図は従来の音声認識方法を用いた認識応答
システムのブロック図である。 １・・・・・・音響分析部、２・・・・・・類似度計算
部、３・・・・・・単語標準パターン部、４・・・・・
・ピッチ抽出部、５・・・・・・判断部。 代理人の氏名 弁理士 中 尾 敏 男 ほか１名第２
図 汁ヌの 第３図 ［１ □ □吋ｒれ
／ 法を具現化する認識、応答システムの機能ブロック図、
第２図は本実施例において、入力音声と単語標準パター
ンの類似度計算の方法を説明する概念図、第３図（、）
〜（ｄ）は本実施例の認識方法を具体的な例で説明する
概念図、第４図は従来の音声認識方法を用いた認識応答
システムのブロック図である。 １・・・・・・音響分析部、２・・・・・・類似度計算
部、３・・・・・・単語標準パターン部、４・・・・・
・ピッチ抽出部、５・・・・・・判断部。 代理人の氏名 弁理士 中 尾 敏 男 ほか１名第２
図 汁ヌの 第３図 ［１ □ □吋ｒれ
Claims (3)
- （１）騒音や不要な音声を含む入力信号を分析して入力
パラメータ時系列に変換し、入力パラメータ時系列の部
分区間と、あらかじめ作成してある認識対象単語の標準
パターンとの類似度計算を、部分区間を入力パラメータ
時系列の最初から最後まで単位区間ずつシフトしながら
連続的に行ない、類似度が大きくなる認識単語候補区間
を１つまたは複数切り出して、その区間に対応する単語
名を認識単語候補とし、一方、別に入力信号からピッチ
周波数とその時間的変化パターンを連続的に求めておき
、前記認識単語候補区間またはその近傍におけるピッチ
周波数の大きさやその変化パターンを用いて、前記認識
単語候補のうちから認識単語を決定することを特徴とす
る音声認識方法。 - （２）入力パラメータ時系列と標準パターンの類似度計
算法として、入力パラメータの時間長を標準パターンの
時間長に線形に伸縮して、事後確率化した統計的距離尺
度を用いて計算する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）認識単語候補のうちから認識単語を決定する方法
として、認識単語候補区間において、ピッチ周波数が入
力信号区間全体の中で、安定して最大またはそれに準ず
る値を取る場合、または、認識単語候補区間において、
ピッチ周波数の変化パターンが凸状になる場合に対して
、その認識単語候補区間に対応する単語を認識単語とす
る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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61269116A JP2710045B2 (ja) | 1986-11-12 | 1986-11-12 | 音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61269116A JP2710045B2 (ja) | 1986-11-12 | 1986-11-12 | 音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS63123100A true JPS63123100A (ja) | 1988-05-26 |
| JP2710045B2 JP2710045B2 (ja) | 1998-02-10 |
Family
ID=17467897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP61269116A Expired - Fee Related JP2710045B2 (ja) | 1986-11-12 | 1986-11-12 | 音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2710045B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003280678A (ja) * | 2002-03-20 | 2003-10-02 | Asahi Kasei Corp | 音声認識装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3180655B2 (ja) | 1995-06-19 | 2001-06-25 | 日本電信電話株式会社 | パターンマッチングによる単語音声認識方法及びその方法を実施する装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59143200A (ja) * | 1983-02-04 | 1984-08-16 | 株式会社日立製作所 | 連続音声認識装置 |
| JPS6073595A (ja) * | 1983-09-29 | 1985-04-25 | 富士通株式会社 | 音声入力装置 |
| JPS60217395A (ja) * | 1984-04-13 | 1985-10-30 | 株式会社東芝 | 音声による危機状態の検出装置 |
-
1986
- 1986-11-12 JP JP61269116A patent/JP2710045B2/ja not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59143200A (ja) * | 1983-02-04 | 1984-08-16 | 株式会社日立製作所 | 連続音声認識装置 |
| JPS6073595A (ja) * | 1983-09-29 | 1985-04-25 | 富士通株式会社 | 音声入力装置 |
| JPS60217395A (ja) * | 1984-04-13 | 1985-10-30 | 株式会社東芝 | 音声による危機状態の検出装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003280678A (ja) * | 2002-03-20 | 2003-10-02 | Asahi Kasei Corp | 音声認識装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2710045B2 (ja) | 1998-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20250201267A1 (en) | Method and apparatus for emotion recognition in real-time based on multimodal | |
| CN108305634B (zh) | 解码方法、解码器及存储介质 | |
| US10027662B1 (en) | Dynamic user authentication | |
| JP3162994B2 (ja) | 音声のワードを認識する方法及び音声のワードを識別するシステム | |
| US20110077943A1 (en) | System for generating language model, method of generating language model, and program for language model generation | |
| US20020184024A1 (en) | Speech recognition for recognizing speaker-independent, continuous speech | |
| Quan et al. | Reduce the dimensions of emotional features by principal component analysis for speech emotion recognition | |
| JP2006215499A (ja) | 音声処理装置 | |
| Jeyalakshmi et al. | HMM and K-NN based automatic musical instrument recognition | |
| JP3444108B2 (ja) | 音声認識装置 | |
| JPS63123100A (ja) | 音声認識方法 | |
| JP4987530B2 (ja) | 音声認識辞書作成装置および音声認識装置 | |
| JP2853418B2 (ja) | 音声認識方法 | |
| Benati et al. | Spoken term detection based on acoustic speech segmentation | |
| JP2010072446A (ja) | 調音特徴抽出装置、調音特徴抽出方法、及び調音特徴抽出プログラム | |
| JPH0968995A (ja) | 音声認識方法 | |
| Hsiao et al. | The CMU-interACT 2008 Mandarin transcription system. | |
| JPH08314490A (ja) | ワードスポッティング型音声認識方法と装置 | |
| JP3110025B2 (ja) | 発声変形検出装置 | |
| Dass | The Comparative Analysis of Speech Processing Techniques at Different Stages | |
| Laszko | Word detection in recorded speech using textual queries | |
| Gulzar et al. | An improved endpoint detection algorithm using bit wise approach for isolated, spoken paired and Hindi hybrid paired words | |
| JPH1097269A (ja) | 音声検出装置及び方法 | |
| Hong et al. | Speaker Change Detection Using Ensemble Prediction in Conversations | |
| JP2002341891A (ja) | 音声認識装置および音声認識方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |