JPS6317499A - 単語音声認識方式 - 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】 〔概要〕 予め、登録単語音声パタンを持ち、入力された音声を認
識するときには、該未知の入力単語の音声パタンと、上
記登録単語音声パタン群とのパタン間距離を求め、最小
距離を与える登録単語音声パタンの単語を認識結果とす
る単語音声認識方式において、標準となる音声パタンの
登録時点に入力された音声が、予め、単語毎に定めた特
徴を有しているかどうかを判定する手段を設けることに
より、高品質の標準の音声パタンを登録するようにした
ものである。

〔産業上の利用分野〕

本発明は、予め、登録単語音声パタンを持ち・入力され
た音声を認識するときには、該未知の入力単語の音声パ
タンと、上記登録単語音声パタン群とのパタン間距離を
求め、最小距離を与える登録単語音声パタンの単語を認
識結果とする単語音声認識方式に係り、特に、予め、複
数個の標準となる音声パタンを登録する方式に関する。

一般に、日本語を発声する場合、例えば、　（キ）（り
）（シ）（ス）（チ）（ツ）（ヒ）（））（ピ）（プ）
（シュ）等、（ｋ）　（ｇ）　（ｔ）　（ｈ）　（ｐ）
の子音を持つ音節（拍）の次に（ｉ）　（ｕ）の母音が
続く場合、該母音の口構えだけで、実際に（ｉ）　（ｕ
）が有声にひびかない現象があり、「母音の無声化」と
呼ばれている。

（１日本語発声アクセント辞典Ｊ　ＮＩＩＫ　編参照）
このような、無声化し易い音節が、単語中の先頭、若し
くは語尾にある場合、一般の音声認識処理において実行
されている音声区間検出処理では、該無声化部分が脱落
することが多く、標準となる音声パタンの登録時におい
て、該無声化部分が脱落した音声パタンを登録する場合
がある。

又、発声者が間違って発声した場合、誤った音声パタン
か登録されてしまうことがある。

こうした事情から、品質の良い標準音声パタンを登録す
る方式が求められていた。

〔従来の技術〕

第３図は、従来の標準音声パタンの登録方式を説明する
図である。

先ず、マイクから入力された音声は、パラメータ抽出部
１において、該音声パタンの特徴を表す認識パラメータ
を抽出する。

この認識パラメータの抽出においては、例えば、曹域通
過フィルタ群を使用した［ＩＰＦ分析やく線形予測分析
（ＬＰＧ）等の方法が知られている。

上記ＢＰＦ分析においては、マイクから入力された音声
を、特定の標本化周期（例えば、１８ｍ５）でサンプリ
ングした音声エネルギーのスペクトラム強度をディジタ
ル化したものを認識パラメータとする。

該抽出された認識パラメータは、次の区間検出部２にお
いて、真に音声が存在する区間を検出し、その部分のＬ
ＬＩＩパラメータを、パタンマツチングを行う為のデー
タとする。

具体的には、例えば、上記パラメータ抽出部で作成した
入力音声の認識パラメータに基づいて、音声パワーを計
算し、該音声パワーを、ある特定の閾値でチェ７りし、
該閾値より大きい部分を音声存在区間とするようにする
。

又、該区間の検出精度を上げる為に、音声パワー闇値以
外に、ゼロクロスや、自己相関等の他のパラメータを組
み合わせて行う等、種々の方法があるが、基本的には、
一度該区間検出方法を決定すると、途中で変更すること
なく、同じ手法で区間検出を行っていた。

そして、該区間検出の結果に対しては何等のチェックを
行うことなく、標準の音声パタンとして音声辞書（登録
パタン群）６に登録していた。

図示していない、単語音声認識装置においては、同じ手
法によって取り出された未知の入力単語１２声パタンと
、上記予め、登録されている音声辞書（登録パタン群）
６から、標準音声パタンを順次取り出したものとを、例
えば、パタン・マツチング法によって照合し、両者の距
離を算出し、最小距離の標準音声パタンを検出して認識
結果としていた。

〔発明が解決しようとする問題点〕

前述のように、一般には、単語中の音節には、無声化し
易い音節がある。寧ろ、無声化しないと、不自然に聞こ
える場合もある。

このような無声化音節が、入力された音声の単語中の先
頭、或いは語尾にある場合、従来のような一律の標準音
声パタン登録の為の区間検出処理においては、該無声化
音節が脱落することが多く、該脱落を防ごうとして、音
声パワーの閾値を下げる等すると、該脱落は防げるが、
代わりに雑音が付加し易くなると云う問題があった。

このようにして、登録時の区間検出で脱落、付加が生じ
た標準音声単語については、認識時には、通常同じ脱落
、付加が生じないので、殆どが棄却されるか、誤認識さ
れると云う問題が発生していた。

又、登録時に、人間が間違った単語を発声して登録され
た場合にも、認識時の棄却、誤認識の原因になっていた
。

本発明は上記従来の欠点に鑑み、標準音声パタンを登録
するときに、それぞれの登録単語、又は登録単音節には
、該単語、又は単音節に特有の特徴があることに着目し
、該特徴が区間検出で得られた音声パタンに無い場合に
は、区間検出に失敗した可能性が高いとして、該音声パ
タンを棄却し、該標準音声辞書に登録される音声パタン
の品質を向上させる方法を提供することを目的とするも
のである。

〔問題点を解決するための手段〕

第１図は本発明の音声パタン登録方式の構成例を示した
図である。

本発明においては、例えば、認識対象の単語の中で、該
単語の先頭部分には、高域成分の強い区間があるものや
、前述の無声化によって、単語の終端部分に同じように
高域成分の強い区間があるものがある。又、通常の発声
では、単語の時間長が、例えば、１秒以上になるものが
あること等に着目して、かかる事前に分かる特ｍ（３ａ
、４ａ、５ａ）が、実際に入力され、区間検出部２で区
間検出された結果の単語音声パタン中に存在しなければ
、該区間検出に失敗しているか、或いは発声のミスであ
る可能性が非常に強いと認識して、その単語音声パタン
を棄却し、単語パタン辞書に品質の悪いパタンか入らな
いように、上記特徴を判定する手段３．４．５を設ける
ように構成する。

〔作用〕

即ち、本発明によれば、予め、登録単語音声パタン、又
は登録単音節パタンを持ち、入力された音声を認識する
ときには、該未知の入力単語、又は単音節の音声パタン
と、上記登録単語パタン群とのパタン間距離を求め、最
小距離を与える登録単語パタンの単語等を認識結果とす
る単語音声認識方式において、標準となる音声パタンの
登録時点に入力された音声が、予め、単語毎に定めた特
徴を有しているかどうかを判定する手段を設けることに
より、高品質の標準の音声パタンを登録するようにした
ものであるので、区間検出後の登録誤りが減少し、認識
性能が向上する効果がある。

〔実施例〕

以下本発明の実施例を図面によって詳述する。

前述の第１図が本発明の音声パタン登録方式の構成例を
示した図であり、第２図は標準音声パタンの登録手順の
一例を示した図であり、第１図の単語毎に設定される特
徴設定部３ａ〜５ａ、及び該各特徴に対応して設けられ
ている特徴判定部（判定部１〜ｎ）　３〜５が本発明を
実施するのに必要な手段である。尚、全図を通して、同
じ符号は同じ対象物を示している。

以下、第１図、第２図によって、本発明の音声パタンの
登録方式を説明する。

本発明を実施しても、標準となる音声・をマイクで受け
て、パラメータ抽出２区間検出を行う処理は、特に従来
方式と変わることはないので、ここでは省略し、区間検
出をした結果に対して、各単語が持っている上記特徴を
判定し、登録パタンの品質を向上させる処理を中心に説
明する。

前述のように、認識対象の単語の中には、該単語の先頭
部分に、高域成分の強い区間があるものや、母音の無声
化によって、単語の終端部分に同じように高域成分の強
い区間があるものがある。

又、通常の発声では、単語の時間長が、例えば、１秒以
上になるものがある。

具体例でいえば、［ａｏｍｏｒｉ　　（青森）」と云う
単語音声の中に、高域が強い区間が３フレ一ム以上あれ
ば棄却する。

「ａｉｃｈｉ　　（愛知）」と云う単語音声の区間の最
後の部分に、高域の成分が強い区間が、例えば、０．１
秒以上継続していなければ棄却する。

１’−５ａｐｐｏｒｏ　（札幌）」と云う単語音声の区
間の先頭の部分に、高域の成分が強い区間が０゜１秒以
上継続していなければ棄却する。更に、この単語区間中
に、音声パワーの弱い部分が存在しないと棄却する。

又、ｒｋｉ　ｔａｋｙｕｕｓｙｕｕ　（北九州）」と云
う単語音声については、区間長として、１秒から２秒の
間になければ棄却する。

本発明においては、このような、各単語毎に持っている
特徴を捕らえて、第１図に示したように、特徴設定部３
ａ〜５ａを設け、各単語毎に、該特徴設定部３ａ〜５ａ
から、該単語に対応した特徴を抽出し、区間検出部２か
ら取り出された単語音声について、特徴判定部３〜５に
おいて順次判定を行い、全ての特徴について問題のない
単語のパタンのみを登録パタンとして、登録パタン群２
に格納していく。

実際には、第２図に示した会話形式の登録動作を行うこ
とにより、上記棄却率を減少させることができる。

勿論、該単語に対する登録パタンか未だ一個もない場合
には、再度同じ単語を発声して、上記登録作業をやり直
せば良いことは云う迄もないことである。

上記に示した、各単語に特有な特徴は、認識対象の単語
が最初から決まっていて変更がない、もしくは変更が少
ない場合には、人間が決めて設定しても良いが、変更が
多い場合には、自動生成するのが効果的である。

上記特徴を自動生成する一つの例は、音声認識装置内に
用意された単語の表記テーブルから、公知の無声化規則
（例えば、［日本語発音アクセント辞典Ｊ　ＮＩＩＫ　
ｍ“共通語の発音で注意すべきことがら”参照）を使用
して、該単語の先頭１語尾で無声化する音節を検出し、
その部分に対して、高域成分が、特定の闇値を越える区
間が０．１秒以上なければ棄却するようにすれば良い。

このように、本発明は、標準音声パタン登録時に、例え
ば、各単語毎に予め定めた特徴が、区間検出処理で得ら
れた単語音声のパタンに無い場合には、該区間検出に失
敗した可能性が高いと認識して、その単語音声パタンを
棄却し、再度同じ単語を発声させるようにして、品質の
良い標準音声パタンを生成するようにした所に特徴があ
る。

尚、本方式は、登録パタンか単音節の場合にも適用でき
ることは云う迄もないことである。この場合の、上記特
徴の設定は事前設定でも構わない。

〔発明の効果〕

以上、詳細に説明したように、本発明の単語音声認識方
式は、予め、例えば、登録単語音声パタンを持ち、入力
された音声を認識するときには、該未知の入力単語の音
声パタンと、上記登録単語音声パタン群とのパタン間距
離を求め、最小距離を与える登録単語音声パタンの単語
を認識結果とする単語音声認識方式において、標準とな
る音声パタンの登録時点に入力された音声が、予め、単
語毎に定めた特徴を有しているかどうかを判定する手段
を設けることにより、高品質の標準の音声パタンを登録
するようにしたものであるので、区間検出後の登録誤り
が減少し、認識性能が向上する効果がある。

【図面の簡単な説明】

第１図は本発明の音声パタン登録方式の構成例を示した
図。 第２図は本発明の標準音声パタンの登録手順の一例を示
した図。 第３図は従来の標準音声パタンの登録方式を説明する図
。 である。 図面において、 １はパラメータ抽出部、２は区間検出部。 ３〜５は特徴判定部（判定部１〜３）。 ３８〜５ａは特徴設定部、　６は登録パタン群。 をそれぞれ示す。

Claims (3)

【特許請求の範囲】
1. （１）予め、登録単語音声パタンを持ち、入力された音
   声を認識するときには、該未知の入力単語、又は単音節
   の音声パタンと、上記登録単語音声パタン群とのパタン
   間距離を求め、最小距離を与える登録単語音声パタンの
   単語、又は単音節を認識結果とする単語音声認識方式で
   あって、 該登録時点において、入力された音声が、予め単語毎、
   又は単音節毎に定めた特徴（３ａ，４ａ，５ａ）を有し
   ているかどうかを判定する手段（３，４，５）を設け、
   該手段（３，４，５）によって該特徴を有していないこ
   とが判定された場合には、該単語、又は単音節の音声パ
   タンの登録を棄却することを特徴とする単語音声認識方
   式。
2. （２）上記、予め、単語毎、又は単音節毎に定める特徴
   （３ａ，４ａ，５ａ）を、少なくとも、キー入力によっ
   て、人手で設定することを特徴とする特許請求の範囲第
   １項に記載の単語音声認識方式。
3. （３）上記、予め、単語毎、又は単音節毎に定める特徴
   （３ａ，４ａ，５ａ）を、特定の規則によって、自動的
   に生成することを特徴とすに特許請求の範囲第１項に記
   載の単語音声認識方式。