WO2000072308A1 - Interval normalization device for voice recognition input voice - Google Patents

Description

明細書 音声認識入力音声の音程正規化装置 技術分野

こ の発 明 は、 不特定話者の音声 を認識す る 音声認識装置 にお い て 、 低音の 男性の 声や、 高音の 女性お よ び子供の声 に も 幅広 く 音声認識処理が 可能 な音声認識装置に 関す る も の で あ り 、 さ ら に詳述すれば、 認識対象音声の音程 を 音声 認識装置の標準音声 の音程に合わせ て 正規化す る 入力 音声 音程正規化装置に 関す る 。 景技術

音声 αίέ識技術は近年、 デ ジ タ ル信号処理技術の 向 上 、 お よ び処理 に用 レ、 ら れ る L S I の高性能化かつ低価格化 な ど に よ り 、 民生機器 に数多 く 導入 さ れて 同機器の操作性向 上 に役立 つ て レヽ る 。 音 尸 6¾識装置の基本原理は、 入力 さ れた 音声 を デ ジ タ ル音声信 号 に変換 し 、 そ のデ ジ タ ル音声信号 を あ ら カゝ じ め用 意 さ れた 音声辞書に登録 さ れた標準音声デ — タ と 照合 し て 、 入力 さ れた音声 を認識す る も の で あ る 。 そ の た め 、 標準音声デー タ と 比較 しやすい よ う に 音尸 wi-識 対象で あ る 特定話者に 対 し て 、 特別 な発 尸 方法 を 要求 し た り 、 それ ら 特疋 S舌 ^ の音声 を あ ら カゝ じ め音声認識装置 に登 録 し て お く な ど の対策が と ら れて い る

し か し な が ら 、 民生機器 と し て 音声認識装置 を 用 い る 場 合に 、 話者 を特定すれ ば利便性が著 し く 殺がれ、 そ の商品 価値が 損 な われ る 。 そ の た め に 、 不特定話者に よ り 発生 さ れた音声 を 音声入力 と し て認識 し な ければな ら な レヽ。 言 う ま で も な く 、 不特定話者に よ る 発声 は様 々 で あ る 。 こ の よ う に不特定話者に よ る 変化に 富 んだ発声 に 関 し て 、 音声認 識精度 を損 な わせ る 音声認識阻害要 因 は大 き く 分 け て 、 発 声速度 と 音声音程 と の 二つで あ る 。

第 1 の音声認識阻害要因 で あ る 発声速度 に 関 し て は 、 例 えば、 早 口 の 人 な ど 、 話者に よ っ て 話す速度 に差が あ る こ と で あ る 。 つ ま り 、 音声認識 は 入力 さ れ る 音声 を 、 あ ら か じ め用 意 さ れた音声辞書に登録 さ れた標準速度の 音声 と 比 較す る こ と に よ っ て 実現 さ れ る 。 そ の た め 、 両者 の発声速 度の 差が 一 定以上 に な る と 、 正 し く 比較で き ずに 、 音声認 識 も 不 可能 に な る 。

第 2 の音声認識要因 で あ る 音声音程に 関 し て は 、 男性の 低音の 音声 、 女性や子供に よ る 高音 の音声な ど 、 話者に よ つ て そ の音声の音程に 差が あ る こ と で あ る 。 こ の場合 に も 、 あ ら カゝ じ め 用 意 さ れた音声辞書 に 登録 さ れた音声の音程 と 、 不 特定話者 に よ り 発声 さ れた音声の音程 と の差が 一定 以上 に な る と 、 両音声 を 正 し く 比較で き ずに 、 音声認識 も 不可能 に な る。

図 5 に 、 上述の 問題 を解決す る も の と し て特開 平 9 — 3 2 5 7 9 8 号公報 に提案 さ れて い る 音声認識装置 を示す。 同図 に 示す よ う に 、 音声認識装置 V R A c は、 音声入力部 1 1 1 、 発声速度算 出 部 1 1 2 、 発声速度変換率決定部 1 1 3 、 発声速度変換部 1 1 4 、 お よ び音声認識部 1 1 5 を 含む。 音声入力 部 1 1 1 は、 不特定話者に よ っ て発声 さ れた音 声を 取 り 込んだア ナ 口 グ音声信号 を デ ジ タ ル信号に変換 A / D 変換 し て音声信号 を 生成す る 。 発声速度算 出部 1 1 2 は、 音声信号に基づいて 入力 さ れた 不特定話者の音声の発 声速度 を 算 出す る 。 発声速度変換率決定部 1 1 3 は 、 発声 速度算 出 部 1 1 2 で算 出 さ れた発声速度 を 基準速度 と 比較 し て 、 速度変換率の決定を行な う 。 発声速度変換部 1 1 4 はそ の速度変換率 に基づい て 発声速度 を 変換す る 。 音声認 識部 1 1 5 は、 声速度変換部 1 1 4 に よ っ て速度変換 さ れ た入力 音声信号の 音声認識 を行 う 。

次に 、 音声認識装置 V R A c の動作に つ い て説明 す る 。 不特定話者 に よ り 発声 さ れた音声は、 音声 入力 部 1 1 1 の マ イ ク お よ び増幅器 を経 由 し て 取 り 込 ま れ、 さ ら に A Z D コ ン バー タ に よ り 、 ア ナ 口 グ信号か ら デ ジ タ ル信号に変換 さ れ る 。 発声速度算 出部 1 1 2 は 、 変換 さ れたデ ジ タ ル の 音声信号か ら 入力 音声の一音 を切 り 出す。 そ し て 、 発声速 度算 出 部 1 1 2 は切 り 出 さ れた 一音の切 り 出 し 時間 よ り 、 一音 の発 声速度 を 算 出す る 。

そ こ で 、 発声速度算 出 部 1 1 2 が ー音の切 り 出 し に要す る 所要時間 （以降 、 「 1 音切 出 時間」 と 称す） を T s と し 、 不特定話者が一音 の発声 に要す る 基準時間 （以降、 「 1 音発声基準時間」 と 称す） を T h と す る 。 そ し て 、 発声速 度変換率決定部 1 1 3 において 、 1 音切 出時間 T s お よ び 一音発声基準時間 T h に基づいて 、 1 音発声速度 1 Z T s と 基準一音発声速度 l Z T h と を 比較 し 、 速度変換率 _α を 決定す る 。 速度変換率 α は次式 （ 1 ) に よ っ て 算 出 で き る a = T s / T h · · · · ( l ) 上記 1 式カゝ ら 明 ら かな よ う に 、 1 音切 出 時間 T s 力 S 1 音 発声基準時間 T h よ り 短い、 つ ま り 入力音声の発声速度が 音声認識装置 V R A c に よ っ て 正確に認識で き る 発声速度 に比べて 早い場合 に は、 速度変換率 _a は 1 よ り 小 さ く な る 。 こ の場合 、 入力 音声 の発声速度 を遅 く し てや る 必要が あ る 。 逆 に 1 音切 出 時間 T s 力 1 音発声基準時間 T h よ り 長 い、 つ ま り 入力 音声の発声速度が音声認識装置 V R A c に よ っ て 正確 に認識で き る 発声速度 に 比べて 遅い場合 に は、 速度変換率 _a は 1 よ り 大 き い。 こ の場合、 入力音声の発声 速度 を 早 く し てや る 必要が あ る 。

音声認識装置 V R A c にお い て は 、 速度変換率 a に 基づ いて発声速度変換部 1 1 4 が発声速度が一定に な る よ う に 入力 音声信号の速度変換 し て速度変換入力 音声信号 を 生成 す る 。 音声認識部 1 1 5 は、 速度変換入力 音声信号に 対 し て 音声認識処理 を 施 し て得 ら れた認識結果 を 出 力 す る 。

上述の速度変換 は最近のデ ジ タ ル技術 を使用 す る こ と で 容易 に 実現で き る 。 例 え ば、 入力 音声の発声速度 を 遅 く す る 場合は 、 入力 音声の 一音 と 相 関性 を有す る 母音波形 を 音 声信号に複数個追加 し て 音声信号の発声時間 を 延 ばせば良 い。 ま た 、 入力 音声の発声速度 を速 く す る 場合は、 入力音 声の一音 の母音波形 を複数回 に渡 っ て音声信号か ら 間 引 け ば良 い。

こ の処理は、 話速変換 と 呼ばれ る 入力 音声の音程を 変化 さ せ る こ と な く 話速 を 変換 さ せ る 技術で あ る 。 すな わ ち 、 音声認識において 、 発声速度 に個人差が あ る 不特定話者の う ち 、 特に 早 口 で し ゃ べ る 話者 に よ る 発声 さ れた音声に対 し て話速変換技術を利用 し て 、 早 口 の話者に よ り 発声 さ れ た音声の認識率向上 を 図 る も の で あ る 。

し カゝ し な 力 ら 、 上述の従来の音声認識装置 V R A c にお レ、て は 、 基準一音発声速度 l Z T h に比べて 、 発声速度の 異な る 不特定話者に よ る 音声 に対す る 認識率 を 向 上 さ せ る こ と 、 つ ま り 第 1 の 音声認識阻害要因 に対 し て 効果的で あ る 。 し か し な 力 S ら 、 基準音声 に 対 し て 高低差の あ る 発声音 声、 つ ま り 第 2 の音声認識阻害要因 で あ る 高低差の あ る 発 尸 " 尸 (こ対 し て は 、 認識率の 向 上 は期待で き な い。

詳述すれば、 音声認識装置 V R A c は 、 男性 の低い声、 女性、 お よ び子供の 高 い声な ど の幅広い周 波数 レ ン ジ に対 応で き る が 、 高 い音声認識率 は実現で き な い。 ま た 、 早 口 の場合は、 ゆ つ く り 話 し て も ら う な ど注意 を う な がせば済 む問題で あ る 力 ^s 、 話者に 音色 を 変 え て発声す る こ と を望む の は困難で あ る 。 こ れは 、 話者の喉の形状お よ び大 き さ に よ っ て 、 話者の 基準発声周 波数が 決定 さ れ る 。 つ ま り 、 話 者の喉の形状 を 変 え る こ と はで き な レ、 の で 、 そ の発声音色 も 変 え る こ と は で き な い。

そ の た め 、 音声認識装置 V R A c にお レ、 て は 、 不特定話 者間 の発声 にお け る 音色差に 対 し て も 音声認識率の 向 上 を 図 る に は、 男性の声 、 女性、 お よ び子供の 声な ど音声認識 に必要 な 異な る 音程の標準音 声デー タ を複数持 ち 、 話者の 音色 に応 じ て 、 参照す る 標準音声デー タ を切 り 換 え な けれ ばな ら な レヽ と レヽ ぅ 課題 を 有 し て レ、 る 。 発明 の 開示

本発明 は 、 上記の よ う な 目 的 を達成す る た め に 、 以下 に 述べ る よ う な特徴を 有 し て レ、 る 。

反発 明 の 第 1 の局面 は 、 音声認識標準デー タ に基づいて

、 不特定話者が発声 し た 入力 音声 を認識す る 音声認識装置 に用 い ら れ、 入力音声の 音程 を音声認識標準デー タ の音程 と 所定の 関係 に変換す る 入力 音声音程正規化装置で あ っ て 入力 音声 と 音声認識標準デー タ と の音程差 を 判断す る 音 程差判 断器 と 、

音程差判 断器に よ っ て 判断 さ れた音程差に 基づい て 、 入 力 音声 の 音程が音声認識標準デー タ の音程 と 所定の 関係 に な る よ う に 、 入力音声の周 波数を変換す る 音程変換器 と を 備 え る 。

上述 の よ う に 、 第 1 の 局面 にぉ レ、 て は、 入力 音声の音程 が音声認識標準デー タ の 音程 に合わせて調整 さ れ る の で 、 音声認識率 を 向 上で き る 。

第 2 の 局面 は 、 第 1 の 局面 にお いて 、 入力 音声 を 一時記 憶す る メ モ リ と 、

入力 音声 の一繋が り を メ モ リ か ら 読み出 し て認識対象音 声信号 を 生成す る 読 出制御器 と を さ ら に備 え 、

音程差判断器は、

認識対象音声信号の 周 波数成分 を分析 し て 周 波数成分 信 号 を 生成す る 周波数成分分析器 と 、

周 波数成分信号 に 基づい て 、 認識対象音 声信号の 基本 周 波数 を 求 め る と と も に 、 音声認識標準デー タ と 基本周 波 数の音程差を判定 し て 音程差信号 を 生成す る 音程判定器 と を備 え る 。

上述の よ う に 、 第 2 の 局面 にお い て は、 入力 音声が 1 音 で あ っ て も 良い し 、 数音か ら 成 る 単語で あ っ て も 良い。

第 3 の局面は、 第 2 の 局面 にお い て 、 音程判 定器は認識 対象音声信号の第 1 ホ ル マ ン ト を基本周 波数 と し て求 め 、

5¾ g 象音声信 号の第 1 ホ ル マ ン ト を音声認識標準デー タ の 第 1 ホノレマ ン ト と 比較 し て 、 音程差を判 定す る こ と に よ り 、 認識対象音声が 1 音お よ び複数音の何れで あ っ て も 、 音程差 を安定 し て 判 定 で き る こ と を特徴 と す る 。

上述の よ う に 、 第 3 の 局面 にお い て は、 入力 音声が 1 音 あ る い は数音力ゝ ら 成 る 単語で あ っ て も 、 入力音声単位で周 波数特性の安定 し た第 1 ホ ルマ ン ト で認識標準特性デー タ と の 音程比較 を行 う の で 、 入力 さ れ る 音声の一音切 り 出 し 等 の処理が 不要 と な り 処理が迅速かつ装置構成 を簡略に で さ る 。

第 4 の局面 は 、 第 3 の 局面 にお い て 、 音程変換器は 、 曰 手王 信号に 基づ い て認識対象音声信 号の周 波数が 変 換 さ れ る よ う に 、 メ モ リ の読み出す タ イ ミ ン グ ク ロ ッ ク の 周 波数を決定 し て 読出 ク 口 ッ ク 信号 を 生成す る 読出 ク 口 ッ ク 制御器 と を備 え 、

メ モ リ は m出 ク 口 ッ ク 信号 に 基づい て 、 音声認識標準デ ー タ の音程 と 所定の 関係 の音程 を 有す る よ う に認識対象音 声信 号 を 出力す る こ と を 特徴 と す る 。

上述の よ う に 、 第 4 の 局面 にお い て は 、 メ モ リ の読み 出 し タ イ ミ ン グ を 変 え る こ と に よ っ て認識対象音声信号の波 形特徴 を損な う こ と な く そ の音程を 変 え る こ と が で き る の で、 補間や間 引 き 処理が不要で あ る 。

第 5 の局面 は 、 第 4 の局面 にお け る 入力 音声音程正規化 装置 を備 え る 音声認識装置。

第 6 の局面 は 、 音声認識標準デー タ に基づいて 、 不特定 話者が発声 し た入力 音声 を認識す る 音声認識装置で あ っ て 入力 音声の音程 を 音声認識標準デー タ の音程 と 所定の 関 係 に 変換す る 入力 音声音程正規化装置 と 、

音程 を 変換 さ れた入力 音声 を 音声認識標準デー タ と 比較 し て 、 入力 音声 と 合致す る 音声認識標準テ ー タ を 示す認識 信号 を 生成す る 音声分析器 と を備 え る 。

上述 の よ う に 、 第 6 の局面 にお い て は、 入力 音声の音程 が音声認識標準デー タ の音程に 合わせて調整 さ れ る の で 、 音声認識率 を 向 上で き る 。

第 7 の局 面 は 、 第 6 の局面 に お い て 、 入力 音声 を 一時記 憶す る メ モ リ と 、

入力 音声の一繋が り を メ モ リ か ら 読み出 し て認識対象音 声信 号 を 生成す る 読出制御器 と を さ ら に備 え 、

音程差判断器は、

認識対象音声信号の周波数成分 を 分析 し て周 波数成分 信号 を 生成す る 周波数成分分析器 と 、

周 波数成分信号 に基づい て 、 認識対象音声信号の基本 周 波数 を 求 め る と と も に 、 音声認識標準デー タ と 基本周 波 数の音程差を 判 定 し て 音程差信 号 を 生成す る 音程判 定器 と を備 え る 。

上述の よ う に 、 第 7 の局面 にお い て は、 入力音声が 1 音 で あ っ て も 良 レ、 し 、 数音力ゝ ら 成 る 単語であ っ て も 良 い。

第 8 の局面は 、 第 7 の局面 にお い て 、 音程判 定器は認識 対象音声信号の第 1 ホ ルマ ン ト を 基本周波数 と し て求 め 、 認識対象音声信号の第 1 ホ ル マ ン ト を音声認識標準デー タ の第 1 ホ ル マ ン 卜 と 比較 し て 、 音程差 を判定す る こ と に よ り 、 認識対象音声が 1 音お よ び複数音の何れで あ っ て も 、 音程差を安定 し て判 定で き る こ と を 特徴 と す る 。

上述の よ う に 、 第 8 の 局面 に お い て は、 入力 音声が 1 音 あ る い は数音か ら 成 る 単語で あ っ て も 、 入力 音声 単位で周 波数特性の安定 し た第 1 ホ ル マ ン 卜 で認識標準特性デー タ と の音程比較 を 行 う の で、 入力 さ れ る 音声の一音切 り 出 し 等の処理が 不要 と な り 処理が迅速かつ装置構成 を簡略に で き る 。

第 9 の局面 は 、 第 8 の局面 に お い て 、 音程変換器は、 音程差信 号 に基づい て認識対象音声信号の 周 波数が変 換 さ れ る よ う に 、 メ モ リ の読み 出 す タ イ ミ ン グ ク ロ ッ ク の 周 波数 を 決定 し て 読出 ク 口 ッ ク 信号 を 生成す る 読出 ク 口 ッ ク 制御器 と を備 え 、

メ モ リ は読出 ク 口 ッ ク 信号に 基づいて 、 音声認識標準デ — タ の音程 と 所定の 関係 の音程 を 有す る よ う に認識対象音 声信号 を 出 力す る こ と を特徴 と す る 。

上述の よ う に 、 第 4 の局面 にお い て は、 メ モ リ の読み出 し タ イ ミ ン グ を 変 え る こ と に よ っ て認識対象音声信号の波 形特徴 を 損 な う こ と な く そ の音程 を 変 え る こ と が で き る の で、 補間や間 引 き 処理が 不要で あ る 。 図面 の簡 単な説明

図 1 は 、 本発 明 の実施の形態に かか る 入力 音声正規化装 置を組み込んだ音声認識装置の構成 を示すプ ロ ッ ク 図 であ 、

2 は、 異な る 音程 を 有す る 音声の周 波数 ス ぺ ク ト ルを 示す図 で あ り 、

図 3 は 、 音声波形の時間 変化例お よ びそ れ ら の 間 で行わ れ る 音程変換方法の説明 図 で あ り 、

図 4 は 、 図 1 に示 し た 入力 音声正規化装置の動作 を示す フ 口 — チ ャ ー ト で あ り 、 そ し て 、

5 は 、 従来 の音声認識装置の構成 を示すプ ロ ッ ク 図 で あ る 発明 を 実施す る た め の最良 の形態 本発明 を よ り 詳細 に 説述す る た め に 、 添付の 図 面 に従 つ て こ れ を 説明 す る 。

図 1 を 参照 し て 、 本発 明 の 実施形態 にかか る 入力 音声音 程正規化装置 を組み込ん だ音声認識装置 に つ い て説明 す る 。 音声認識装置 V R A p は 、 A Z D コ ンバー タ 1 、 入力 音 声正規化装置 T r 、 標準音声デー タ 格納器 1 3 、 音声分析 器 1 5 、 お よ び制御器 1 7 を含む。 標準音声デー タ 格納器 1 3 は 、 音声認識の 基準 と な る 音声周 波数成分パ タ ー ン P s f を格納 し 、 所定の タ イ ミ ン グで格納 し て い る 音声周波 数 ノ《 タ ー ン P s f を 出 力 す る 。 なお 、 不特定話者 に よ っ て 発声 さ れ た音声はマ イ ク お よ び増幅器 （図示せず） を経由 して ア ナ ロ グ音声信号 S V a と し て音声認識装置 V R A p に入力 さ れる 。

制御器 1 7 は 、 音声認識装置 V R A p の他の構成要素 1 、 丁 ！： 、 1 3 、 お よ び 1 5 カゝ ら 出力 さ れ る 、 それ ら の動作 状態 を 示す動作状態信号 S s に基づい て それ ら の構成要素

1 、 T r 、 1 3 、 お よ び 1 5 の動作を制御す る 制御信号 S c を 生成 し て 、 音声認識装置 V R A p 全体の動作 を 制御す る。 なお 、 動作状態信号 S s 、 動作状態信号 S c 、 お よ び 制御器 1 7 につ いて公知 の技術で あ る の で、 説明 の簡便化 の た め に 特 に必要の な い限 り は言及 し な い。

A / D コ ンパー タ 1 は 、 入力 さ れた ア ナ ロ グ音声信号 S V a に A Z D 変換処理 を施 し てデジ タ ル音声信号 S V d を 生成 し て 、 入力 音声正規化装置 T r に入力す る 。 入力音声 正規化装置 T r は、 入力 さ れたデ ジ タ ル音声信号 S V d に 基づい て 、 音声認識装置 V R A p の標準音程に合わせて 音 程変換 さ れた音程正規化デ ジ タ ル音声信号 S V c を 生成 し て 、 音声分析器 1 5 に 出 力す る 。 音声分析器 1 5 は 、 標準音声デー タ 格納器 1 3 か ら 読み 出 さ れた音声周 波数パ タ ー ン P s f に基づいて 、 入力 音声正規化装置 T r か ら 音 程正規化デ ジ タ ル音声信号 S v c を分析 し て 、 入力 音声 と 合致す る 音声認識標準デー タ を 示す認識信号 S r c を 出力 す る 。

なお 、 図 1 に示す よ う に 、 入力 音声正規化装置 T r は、 メ モ リ 3 、 読出制御器 5 、 周 波数成分分析器 7 、 音程判定 器 9 、 お よ び読出 ク ロ ッ ク 制御器 1 1 を含む。 メ モ リ 3 は A / D コ ンバー タ 1 か ら 出力 さ れ る デ ジ タ ル音声信号 S v d を 一時的 に保存す る 。 読出制御器 5 は 、 メ モ リ 3 に よ る デ ジ タ ル音声信号 S V d の保存 を 監視す る と と も に読出 制御信号 S r c を 生成 し て 、 保存 さ れたデ ジ タ ル音声信号 S V d の う ち で独立 し た発声 に対応す る も の をデ ジ タ ル音 声信号ュ ニ ッ ト S v u と し て読み 出す よ う に メ モ リ 3 を制 御す る 。

周 波数成分分析器 7 は 、 メ モ リ 3 力 ら 出力 さ れ る デ ジ タ ル音声信号ュ ニ ッ ト S v u に 高速 フ 一 リ ェ変換処理を施 し て 、 周 波数 ス ぺ ク ト ル分析を行 う 。 周 波数成分分析器 7 は 、 デ ジ タ ル音声信 号ュ ニ ッ 卜 S V u の周 波数 ス ぺ ク ト ル分 析結果 に基づレヽ て 、 周 波数成分信号 S f c を 生成す る 。

音程判 定器 9 は 、 周 波数成分分析器 7 か ら 出 力 さ れ る 周 波数成分信号 S f c の第 1 ホ ノレ マ ン ト を抽出 し 、 あ ら カゝ じ め音程判 定器 9 内 に格納 さ れて レヽ る 標準音声 （標準音声デ — タ 格納器 1 3 ) の第 1 ホルマ ン ト に基づ レ、 て 、 入力 音声 ( S V a S V d S v u ) の音程 と 該標準音 声 の音程差 を 求 め る 。 求 め ら れた 音程差に 基づ レ、 て ztr. ί

f 判 定器 9 は さ ら に 入力 音声 （ S V d ^ V a S V U ) の 音程 を どの 程度変換すれば標準音程に 合わせ る こ と が で き る かを示す 音程変換率信号 S c r を 生成す る

読出 ク ロ ッ ク 制御器 1 1 は 音程判 定器 9 カゝ ら 出 力 さ れ る 音程変換率信号 S c r に基づレヽ て 、 メ モ リ 3 に対す る 読 み出 し ク ロ ッ ク 周 波数を制御 し て 読 出 ク ロ ッ ク S e c を生 成す る 。

メ モ リ 3 は 読出 ク ロ ッ ク S c c に規定 さ れ る タ イ ミ ン グで、 保存 さ れて い る デ ジ タ ル音声信号 S V d を 読み 出す こ と に よ っ て 、 デ ジ タ ル音声信号 S V d の音程が標準音声 の音程に合わせて調整 さ れた音程正規化デ ジ タ ル音声信号 S v c を 出力す る 。 つ ま り 、 音程正規化デ ジ タ ル音声信号 S V c は基準音声周 波数成分パ タ ー ン P s f と 所定の音程 関係 を 有す る 。 こ の所定の音程関係 と は、 必ず し も 同 一 を 意味す る も の で な く 、 音声認識装置 V R A p (特に 音声分 析器 1 5 ) の性能 に よ っ て 自 ず と 決ま る 許容範囲 が認め ら れる こ と は言 う ま で も な レ、。

音声分析器 1 5 は 、 メ モ リ 3 か ら 入力 さ れ る 音程正規化 デジ タ ル音声信号 S V c を 分析 し て 、 標準音声デー タ 格納 器 1 3 か ら 読み 出 さ れた基準音声周 波数成分パ タ ー ン P s f で合致す る も の を 示す認識信号 S r c を 出 力 す る 。

次 に 、 図 2 お よ び図 3 を 参照 し て 、 音声認識装置 V R A p の動作の基本原理につ い て説明す る 。

図 2 に 、 周 波数成分分析器 7 に よ る デ ジ タ ル音声信号 S V d に 高速 フ ー リ エ変換 を 施 し た結果得 ら れ る 、 周 波数 ス ベ ク ト ル の例 を 示す。 同 図 に お い て 、 横軸 は周 波数 f を 示 し 、 縦軸 は強度 A を 示 し て い る 。 な お 、 一点鎖線 L 1 はデ ジ タ ル音声信号 S V d が 男性 に よ り 発声 さ れた 音声の代表 的な音 声周 波数ス ぺ ク ト ノレ例 を 示 し 、 破線 L 2 はデ ジ タ ル 音声信 号 S V d が 女性 あ る いは子供に よ り 発声 さ れた音声 の代表的 な音声周 波数ス ぺ ク ト ル例 を示 し て レ、 る 。

そ し て 実線 L s は音声認識用 の標準音声デー タ と し て標 準音声デー タ 格納器 1 3 に格納 さ れて い る 、 音声周 波数 ス ぺ ク ト ル例 を 示 し て レ、 る 。 一般的 に 、 同 じ 音声 （言葉） で も 、 男 性の場合は一 鎖線 L 1 に示す よ う に標準音声 に比 ベて低周 波数領域側 に 周波数 ス ぺ ク ト ルが現れ、 女性 あ る いは子供の場合は破 L 2 に示す よ う に 、 標準音声に比べ て 高周 波数領域側 に 波数ス ぺ ク ト ル が現れ る 。

こ の よ う な周 波数成分の それぞれの基本周 波数で あ る 第 1 ホ ル マ ン ト 周 波数を f 1 、 f 2 、 お よ び f s と す る と 、 こ れ ら の基本周 波数は話者に対 し て概ね一定で あ る 。 こ こ で述べ る 第 1 ホ ノレ マ ン ト 周 波数につ い て簡単に説明す る 。 音声波形 を 時間領域か ら 周 波数領域 に 変換す る と 、 通常 5 k H z 以 下 に母音 の δ哉別 に 大 き な役割 を 占 め る ホ ノレ マ ン ト と 呼ばれ る 4 5 個程度の ピー ク が観測 さ れ る 。 ホ ル マ ン ト は周 波数の低い方 ら 第 1 、 第 2 、 第 3 、 · · · ホ ノレマ ン ト と 名 付 け ら れ る そ し て 、 同一 の話者に よ り 発声 さ れ た音声 の 第 1 ホ ノレマ ン ト は、 一音で あ っ て も 、 複数の音か ら構成 さ れ る 句 で あ て も 概ね一定で あ る 。

こ れ は 、 上述 の如 < 話者の喉の形状お よ び大 き さ に よ つ て 、 話者の声の 基準の発声周 波数が 決定 さ れ る こ と と 同 じ 理由 に よ る 。 つ ま り 上述の よ う な 不特定話者 に よ り 発声 さ れ た 音声の第 1 ホ ル マ ン ト 周 波数 と 標準音声デー タ の 第 1 ホ ノレマ ン ト 周 波数 ス ぺ ク ト ル の差は 、 上述の性差や年齢 差、 さ ら に発声 し た 葉の 内容 に 限 ら ず話者個 人 に対 し て 実質上一定で あ る 。 つ ま り 、 発声 し た音声が 1 音 だ け で あ つ て も 、 数音力、 ら 成 る 単語や句の よ う な音声列 で あ っ て も 、 そ の 音声列の第 1 ホ ル マ ン ト は話者個人 に対 し て 一定で あ る 。

こ の 事実 に基づ い て 、 本発 明 にお い て は周 波数成分信号 S f c に基づいて 、 音程判定器 9 は不特定話者 に よ り 発声 さ れた音声の第 1 ホ ルマ ン ト 周 波数 を求 め て 不特定話者音 声の基本周 波数 f i (以降、 「入力 音声基本周 波数 f i 」 と 称す） を 求 め る 。 そ し て 、 音程判 定器 9 にお いて 、 入力 音声基本周 波数 f i を標準音声デー タ の基本周 波数 f s ( 以降、 「標準音声基本周 波数 f s 」 と 称す） と 比較 し て 、 入力 音声基本周 波数 f i の標準音声基本周 波数 f s に対す る 音程比 C R を 、 以 下 に示す式 （ 2 ) に従 っ て算 出 さ れ る

C R = f s / f i • · · · ( 2 )

上述 の 如 く 、 第 1 ホ ル マ ン ト 周 波数は 、 音響的 に は 、 話 者 の 喉 の形状 （長 さ 、 太 さ ） に よ っ て 一義的 に決 ま る 。 つ ま り 、 男性は喉が長 く 太いの で 、 そ の 音 声 の基本周 波数 f m は標準音声の基本周 波数 f s よ り 低い。 結果 、 音程比 C R は 1 よ り 大 き く な る 。 一方、 高 い女性や子供は喉が短 く 細い の で 、 そ の 基本周 波数 f c は標準の音声の基本周 波数 f s よ り 高 い。 結果 、 音程比 C R は 1 よ り 小 さ く な る 。 こ の よ う な一般的 な傾 向 と と も に 、 話者毎 に音程比 C R は 固 有で あ る 。 さ ら に 、 周 波数成分分析器 7 は音程比 C R の値 を 示 す音程変換率信号 S c r を 生成す る 。

出 ク ロ ッ ク 制御器 1 1 は 、 音程判 定器 9 か ら 出 力 さ れ る 音程変換率信 号 S c r に 基づ い て 、 デ ジ タ ル音声信号 S

V d の サ ン プ リ ン グ タ イ ミ ン グ の C R 倍 の タ イ ミ ン グ で メ モ リ 3 力 ら ァ シ タ ル音声信号 S v d を読み 出す こ と で、 音 程正規化デ ジ タ ル音声信号 S v c を 生成 し て レヽ る 。 こ の よ う な 目 的の た め に 、 メ モ リ 3 は一般 に リ ン グ メ モ リ と 呼ば れ る 循環 メ モ リ で構成 さ れ る 。

音程比 C R が 1 よ り 大 き レヽ 、 つ ま り 入力音声 （ S V d ) の音程が低い場合 は、 サ ンプ リ ン グ ク 口 ッ ク よ り 早レヽ タ イ ミ ン グで 、 メ モ リ 3 か ら デジ タ ル音 信 号 S v d を 読み出 し て音程正規化デ ジ タ ル音声信号 s V c を生成す る 。 一方 、 音程比 C R が 1 よ り 小 さ レヽ 、 つ ま り 入力音声 （ S v d ) の音程力 高 レヽ場合は、 サ ン プ リ ン グ ク 口 ッ ク よ り 遅レ、 タ イ ミ ン グ で、 デ ジ タ ノレ音声信号 S V d を読み出 し て 音程正規 化デ ジ タ ル音声信号 S V c を 生成す る 。

図 3 を 参照 し て 、 音程変換器 9 にお け る 音程変換処理に つレヽ て 、 さ ら に説明す る 。 同 図 にね レ、 て横軸 は時間 t を示 し、 縦軸 は音声 の強度 A を示す。 波形 W S は標準音声デー タ 格納器 1 3 に格納 さ れて い る 音声波形の時間変化例 を示 す。 波形 W L は標準音声デ一 タ に比ベて音程の低い音声波 形 （例 え ば男性の音声） を示 し 、 波形 w H は標準音声デー タ に比 ベ て 音程の 高 い音声波形 (例 え ば女性や子供の音声 ) を示す。 同 図 に おレヽ て 、 波形 W S 、 波形 W L 、 お よ び波 形 W H の 1 周 期 を 、 それぞれ P L 、 P S 、 お よ び P H と 表 し て い る 。 周 期 P L お よ び P H は上述の 入力 音声基本周 波 数 f i の逆数に相 当 し 、 周 期 P S は標準音声基本周 波数 f s の逆数 に相 当 す る

波形 W L を 波形 W S に合わせて 音程変換す る に は、 入力 音声波形 を A Z D 変換す る 時の サ ン プ リ ン グ ク ロ ッ ク よ り 、 速い ( P し / P S 倍） 読み 出 し ク 口 ッ ク で読み 出せば実 現で き る 。 ま た 、 波形 W H を 波形 W S に合わせて 音程変換 する に は 、 入力 音声波形 を A Z D 変換す る 時の サ ンプ リ ン グ ク ロ ッ ク よ り 、 遅 い ( P H P S 倍） 読み出 し ク ロ ッ ク で読み 出せば実現で き る 。 つ ま り 、 み出 し ク ロ ッ ク は 、 上式 （ 2 ) で規定 さ れた音程比 C R に基づいて 、 サ ン プ リ ン グ ク ロ ッ ク を 変換す る こ と で得 ら れ る

こ の よ う に し て 、 デ ジ タ ル音声信号 S V d の音程を標準 音声の 音程 に合わせて 変換 し た音程正規化デジ タ ル音声信 号 S V c 力；得 ら れ る 。 し カゝ し な が ら 、 音程 を 上げ る 場合は 音声波形 の時間軸が 短 く な り 、 音程 を 下が る 場合 は音声波 形の 時間軸が長 く な る の で 、 話速度が 変化 し て し ま う 。 こ れ を 解決す る た め に 、 音程 を 上 げ る 場合 に は母音波形 を 追 加 し 、 音程 を 下 げ る 場合に は母音波形 を 間 引 く こ と に よ り 話速度 を調整で き る が 、 こ の技術は公知 で あ る と と も に 、 本発 明 の 目 的 と す る と こ ろ で は な いの で、 そ の説明 お よ び 図示 を 省 く 。 さ ら に 、 SJCみ出 し ク ロ ッ ク の周 波数変換 も 、 従来カゝ ら 知 ら れて レ、 る マ ス タ一ク ロ ッ ク の 分周 ク ロ ッ ク を 用 いて 容易 に作成で き る 。

次 に 、 図 4 に 示す フ ロ ー チ ヤ ー ト を 参照 し て 、 音声認識 装置 V R A p に組み込 ま れた 入力 音声正規化装置 T r の動 作に つ い て説明 す る 。 音声認識装置 V R A p が駆動 さ れて 、 そ の 音声認識動作が 開始 さ れ る 。

ス テ ッ プ S 2 に お い て 、 マ ィ ク 等の装置 を通 し て 不特定 話者 に よ り 発声 さ れた 音声が ア ナ ロ グ音声信号 S V a と し て A Z D コ ンバー タ 1 に入力 さ れ る 。 そ し て 、 処理は次の ス テ ッ プ S 4 に 進 む。

ス テ ッ プ S 4 に お い て 、 A / D コ ンバー タ 1 は入力 さ れ た ア ナ 口 グ音声信号 S V a を順次 A Z D 変換 し て 、 デ ジ タ ル音声信号 S v d を 生成 して メ モ リ 3 に 出 力す る 。 なお、 上述の ス テ ッ プ S 2 お よ び S 4 は、 話者に よ り 発声 さ れた 音声の入力受付サ ブルーチ ン # 1 0 0 を形成す る 。

ス テ ッ プ S 6 にお い て 、 読出制御器 5 は メ モ リ 3 の入力 状態 を監視 し て 、 話者 に よ る 音声入力 （ア ナ ロ グ音声信号 S V a ) が終了 し た か否かを判断す る 。 こ の判断は、 一例 と し て 、 ア ナ 口 グ音声信号 S V a の 入力 中 断時間 が所定の 閾値に達 し て レ、 る か否かを も っ て な さ れ る 。 そ の他、 話者 が入力 終 了 の 旨 を適 当 な手段 を 用 い て 音声認識装置 V R A p ま た は入力 音声正規化装置 T r に指示す る よ う に構成 し て も 良 い。

話者の発声が継続 し て い る 場合は N o と 判断 さ れて 、 処 理は上述の ス テ ッ プ S 4 に戻 り 、 デ ジ タ ル音声信号 S V d の生成お よ び メ モ リ 3 への入力 が継続 さ れ る 。 そ し て 、 話 者に よ る 一音 ま た は数音か ら 成 る 独立 し た音声列 の ア ナ 口 グ音声信号 S V a の 入力 が終了 し た 時点で Y e s と 判断 さ れて 、 処理は次 の ス テ ッ プ S 8 に進む。

ス テ ッ プ S 8 にお レヽ て 、 読 出 制御器 5 は 、 メ モ リ 3 に記 憶 さ れて い る デ ジ タ ル音声信号 S V d か ら 独立 し た音声列 に対応す る デ ジ タ ル音声信号ュ ニ ッ ト S V u を 読み出 し て 周 波数成分分析器 7 に 出力 さ せ る 。 デ ジ タ ル音声信号ュ ニ ッ ト S v u は、 音声認識装置 V R A p に よ る 音声認識対象 であ る 。 そ し て 、 処理は次の ス テ ッ プ S 1 0 に進む。 なお 、 上述の ス テ ッ プ S 6 お よ び S 8 は 、 話者 に よ り 発声 さ れ た音声の う ち 、 認識対象 と な る 音声 を 取 り 出す認識対象音 声抽出 サ ブルー チ ン # 2 0 0 を 形成す る 。 ス テ ッ プ S 1 0 にお い て 、 周 波数成分分析器 7 は メ モ リ 3 か ら 入力 さ れ る デ ジ タ ル音声信号ュ ニ ッ ト S V u に高速 フ ー リ エ変換処理を施 し て 、 デジ タ ル音声信号ュニ ッ ト S v u の周 波数ス ぺ ク ト ル （図 2 ) の分析 を行 う 。 そ し て 、 処理は次の ス テ ッ プ S 1 2 に進む。

ス テ ッ プ S 1 2 にお い て 、 周 波数成分分析器 7 は 、 図 2 を参照 し て説明 し た よ う に 、 周 波数成分信号 S f c を生成 す る 。 そ し て 、 処理は次の ス テ ッ プ S 1 4 に進む。

ス テ ッ プ S 1 4 において 、 周 波数成分分析器 7 は生成 し た周 波数成分信号 S f c を音程判 定器 9 に 出力 す る 。 そ し て 、 処理は 次の ス テ ッ プ S 1 6 に進む。 なお 、 上述の ス テ ッ プ S 1 0 、 S 1 2 、 お よ び S 1 4 は、 デ ジ タ ル音声信号 ュニ ッ ト S V u の周 波数 ス ぺ ク ト ル分析サ ブル ー チ ン # 3 0 0 を形成す る 。

ス テ ッ プ S 1 6 にお いて 、 音程判定器 9 は周 波数成分分 析器 7 か ら 入力 さ れ る 周 波数成分信号 S f c に基づ レ、 て 、 入力 さ れた音声 （デ ジ タ ル音声信号ユ ニ ッ ト S v u ) の基 本周 波数で あ る 第 1 ホ ルマ ン ト を抽 出す る 。 そ し て 、 処理 は次の ス テ ッ プ S 1 8 に進む。

ス テ ッ プ S 1 8 にお レ、 て 、 音程判定器 9 は ス テ ッ プ S 1 6 で求 め ら れた第 1 ホ ルマ ン ト を 、 標準音声デー タ 格納器 1 3 に格納 さ れて レヽ る 標準音声デー タ の第 1 ホ ルマ ン ト と 比較 し て 、 上記 （ 2 ) 式に従 っ て 、 音程比 C R を 算 出す る 。 そ し て 、 処理は次の ス テ ッ プ S 2 0 に進む。

ス テ ッ プ S 2 0 にお いて は 、 音程判 定器 9 は音程比 C R を表す音程変換率信 号 S c r を 生成 し て 、 読出 ク 口 ッ ク 制 御器 1 1 に 出力す る 。 そ し て 、 処理は次の ス テ ッ プ S 2 2 に進む。 なお、 上述の ス テ ッ プ S 1 6 、 S 1 8 、 お よ び S 2 0 は、 標準音声 に 対す る 入力音声の音程の 高低 を判定す る 音程判 定サブルーチ ン # 4 0 0 を形成す る 。

ス テ ッ プ S 2 2 にお レ、 て 、 読出 ク ロ ッ ク 制御器 1 1 は音 程判定器 9 か ら 出 力 さ れ る 音程変換率信号 S c r に基づい て 、 メ モ リ 3 の読み 出 し タ イ ミ ン グ を 決め る 読出 ク ロ ッ ク S e c を 生成す る 。 そ し て 、 処理は次の ス テ ッ プ S 2 4 に 進む。

ス テ ッ プ S 2 4 にお レ、 て 、 読出 ク ロ ッ ク S c c に基づい て 、 メ モ リ 3 か ら 音程正規化デ ジ タ ル音声信 号 S V c が読 み出 さ れ る 。 なお 、 上述の ス テ ッ プ S 2 2 お よ び S 2 4 は 、 入力 音声の音程正規化サ ブルーチ ン # 5 0 0 を形成す る 上述 の 如 く サ ブ ルー チ ン # 1 0 0 、 # 2 0 0 、 # 3 0 0 、 # 4 0 0 、 お よ び # 5 0 0 の処理 を経て 生成 さ れた音程 正規化デ ジ タ ル音声信 号 S V c は、 音声分析器 1 5 に よ つ て 、 標準音声デー タ 格納器 1 3 に格納 さ れて い る 標準音声 デー タ と 照合 さ れて認識処理 を 受 け る 。 音声分析器 1 5 は さ ら に 、 認識結果 を 示す認識信号 S r c を 生成 し て 出 力す る 。

音程判 定サ ブルー チ ン # 4 0 0 ( S 1 6 ) にお け る 基本 周 波数 （第 1 ホ ル マ ン ト ） 検 出 は 、 一音だ け で も 求 ま る が 、 発声単語全体の 平均値 を と つ て も 良い。 こ れは 、 上述 し た よ う に 、 話者に よ り 発声 さ れた音声 は 1 音 であ っ て も 、 複数音力ゝ ら 成 る 音声 で あ っ て も そ の第 1 ホ ル マ ン ト は話者 毎に概ね一定で あ る カゝ ら で あ る 。

さ ら に 、 音程比 C R は厳 し く 求 め る 必要 は な く 、 音程変 換で通常使用 さ れ る 1 0 0 0 ( セ ン ト ） 単位で近似 し て も 十分 に音程変換の効果 が あ る 。 音声分析器 1 5 は、 こ の よ う に し て音程変換 さ れた音声デ ジ タ ル信号 （音程正規化デ ジ タ ル音声信号 S V c ) を参照す る 標準音声デー タ 格納器 1 3 に格納 さ れて い る 音声認識の 音声周 波数成分パ タ ー ン と 入力 音声周 波数成分パ タ ー ン と の 一致度 を 算 出 し 、 音声 認識分析す る 。

こ の よ う に不特定話者 に よ り 発声 さ れた 入力 音声 を 、 あ ら カゝ じ め 、 格納 さ れた標準音声デー タ の音程に 音程変換す る こ と に よ り 、 標準音声デー タ を複数持つ必要が な く 、 不 特定話者の幅広 い周 波数 レ ン シ に も 対応 で き 、 音声認識率 の 向 上が で き る 。 なお 、 入力音声 （デ ジ タ ル音声信号 S V d ) の音程 を標準音声デー タ の 音程 に 合わせて音程変換す る 代 わ り に 、 標準音声デー タ の音程 を 入力 音声 (テ ジ タ ノレ 音声信号 S V d ) の 音程に 合わせて 音程変換 し て も 良 い。

以 上の よ う に 、 本発 明 の 音 尸 認 !¾.装置は 、 入力 さ れた音 声信 号の周 波数成分 を 分析 し 、 入力 音声 を 音声認識用 の標 準音声デー タ に 音程変換す る こ と で、 話者の音色差に よ る 音声認識率の 向 上 を 図 り 、 し か も 標準音声デー タ を複数持 つ必要が な く 、 メ モ リ 容量を低減で さ る 。 産業上 の利用 可能性

以上 の よ う に 、 こ の発 明 は、 テ レ ビ ジ ョ ン の よ う な 不特定 多数の話者に よ り 発声 さ れた 音声の認識 を 必要 と す る 用 途

io o£ _ ει Is/00 ,3d u

Claims

請求の範囲

1 . 音声認識標準デー タ に基づいて 、 不特定話者が発声 し た入力 音声 を認識す る 音声認識装置 に用 い ら れ、 当 該入力 音声 の音程 を 当 該音声認識標準デー タ の音程 と 所定の 関係 に変換す る 入力音声音程正規化装置で あ っ て 、

前記入力音声 と 前記音声認識標準デー タ と の音程差 を 判断す る 音程差判断手段 と 、

前記音程差判断手段 に よ っ て判断 さ れた音程差 に 基づ い て 、 前記入力音声 の 音程が 前記音声認識標準デー タ の音 程 と 所定の 関係 に な る よ う に 、 当 該入力 音声 の周 波数 を 変 換す る 音程変換手段 と を備 え る 入力 音声音程正規化装置。

2 . 前記入力 音声を 一時記憶す る メ モ リ 手段 と 、

前記入力音声の一繋が り を 前記 メ モ リ 手段か ら 読み出 し て認識対象音声信号 を 生成す る 読出制御手段 と を さ ら に 備 え 、

前記音程差判断手段 は 、

前記認識対象音声信 号の 周 波数成分 を 分析 し て 周 波数 成分信号 を 生成す る 周 波数成分分析手段 と 、

前記周 波数成分信号に基づ い て 、 前記認識対象音声信 号の 基本周 波数 を 求 め る と と も に 、 前記音声認識標準デ一 タ と 当 該基本周 波数の 音程差 を 判 定 し て音程差信号 を 生成 す る 音程判 定手段 と を備 え る 請求項 1 に記載の入力 音声音 程正規化装置。

3 . 前記音程判 定手段 は前記認識対象音声信号の第 1 ホ ル マ ン ト を基本周 波数 と し て 求 め 、 当 該認識対象音声信号の 第 1 ホ ルマ ン ト を前記音声認識標準デー タ の第 1 ホ ルマ ン 卜 と 比較 し て 、 前記音程差を判定す る こ と に よ り 、 前記認 識対象音声が 1 音お よ び複数音の何れで あ っ て も 、 音程差 を 安定 し て 判定で き る こ と を特徴 と す る 請求項 2 に記載の 入力音声音程正規化装置。

4 . 前記音程変換手段は 、

前記音程差信号 に基づい て 前記認識対象音声信号の周 波数が 変換 さ れ る よ う に 、 前記 メ モ リ の読み 出す タ イ ミ ン グ ク 口 ッ ク の周 波数 を 決定 し て 読出 ク 口 ッ ク 信号を 生成す る 読出 ク 口 ッ ク 制御手段 と を備 え 、

前記 メ モ リ は前記読出 ク 口 ッ ク 信号 に 基づい て 、 前記 音声認識標準デー タ の 音程 と 所定の 関係 の 音程を有す る よ う に 前記認識対象音声信号を 出 力 す る こ と を 特徴 と す る 請 求項 3 に記載の入力 音声音程正規化装置。

5 . 請求項 4 に記載の 入力 音声音程正規化装置 を備 え る 音 声認識装置。

6 . 音声認識標準デー タ に 基づ い て 、 不特定話者が発声 し た 入力 音声 を認識す る 音声認識装置 で あ っ て 、

当 該入力 音声の 音程 を 当 該音声認識標準デー タ の音程 と 所定 の 関係 に 変換す る 入力 音声音程正規化装置 と

前記音程を 変換 さ れた入力 音声 を 前記音声認識標準デ ー タ と 比較 し て 、 当 該入力音声 と 合致す る 当 該音声認識標 準テ 一 タ を 示す認識信号を生成す る 音声分析手段 と を備 え る 音声認識装置。

7 . 前記入力 音声 を 一時記憶す る メ モ リ 手段 と 、

前記入力 音声の一繋が り を 前記 メ モ リ 手段か ら 読み出 し て認識対象音声信号 を 生成す る 読出制御手段 と を さ ら に備 え、

前記音程差判断手段は 、

前記認識対象音声信号の周 波数成分を 分析 し て周 波数 成分信号 を 生成す る 周波数成分分析手段 と 、

前記周 波数成分信号に基づ い て 、 前記認識対象音声信 号の基本周 波数 を 求 め る と と も に 、 前記音声認識標準デー タ と 当 該基本周 波数の音程差を 判定 し て音程差信号 を 生成 す る 音程判 定手段 と を備 え る 請求項 6 に記載の音声認識装 置。

8 . 前記音程判 定手段は前記認識対象音声信号の第 1 ホ ル マ ン ト を 基本周 波数 と し て求 め 、 当 該認識対象音声信 号の 第 1 ホ ル マ ン ト を 前記音声認識標準デー タ の第 1 ホ ル マ ン ト と 比較 し て 、 前記音程差を判定す る こ と に よ り 、 前記認 識対象音声が 1 音お よ び複数音 の何れで あ っ て も 、 音程差 を 安定 し て 判 定で き る こ と を 特徴 と す る 請求項 7 に記載の 音声認識装置。

9 . 前記音程変換手段 は 、

前記音程差信 号に基づい て 前記認識対象音声信号の周 波数が 変換 さ れ る よ う に 、 前記 メ モ リ の読み出す タ イ ミ ン グ ク 口 ッ ク の周 波数 を決定 し て読出 ク 口 ッ ク 信号 を 生成す る 読出 ク ロ ッ ク 制御手段 と を備 え 、

前記 メ モ リ は前記読出 ク ロ ッ ク 信号に 基づい て 、 前記 音声認識標準デー タ の音程 と 所定の 関係の 音程を 有す る よ う に前記認識対象音声信号 を 出 力 す る こ と を特徴 と す る ？ 5H 求項 8 に記載の 音声認識装置。