JP2002108392A - 音声認証装置、音声認証方法、及び音声認証処理プログラムを記憶した記憶媒体 - Google Patents

Abstract

(57)【要約】 【課題】本人照合を音声データにより行う音声認証装置
で、登録音声と照合音声との発声速度にばらつきがある
場合でも、照合率の高い話者照合を行うこと。 【解決手段】登録話者と照合話者によりそれぞれその登
録時と照合時において発声入力される音声信号データ
を、何れも一定時間間隔毎のフレーム(Frame)に区切っ
てそのエネルギ(Energy)を計算し、平均エネルギ値より
大きいフレームのみを音声部分として取り出してＦＦＴ
により周波数スペクトルを時系列に並べたサウンドスペ
クトログラムの２次元画像に変換する。そして登録音声
画像上に配置したテンプレートｔｉ内の画像について照
合音声画像上での最大相関係数が得られる画像位置Ｔｉ
を検出し、各画像位置の相違Δｉから登録音声と照合音
声との同一性を判定するので、登録時と照合時とでその
音声発声速度が異なっても、音声部分のみを取り出した
登録画像と照合画像間で確実な話者照合が行える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、例えば本人照合を
音声データにより行うための音声認証装置、音声認証方
法、及び音声認証処理プログラムを記憶した記憶媒体に
関する。

【０００２】

【従来の技術】一般に、本人照合を音声により行う話者
照合においては、照合する音声信号と登録されている音
声信号とを直接比較することは能率的ではないので、周
波数スペクトル等の音響パラメータに変換してから比較
を行う。なお、音響パラメータとしては、他に、基本周
波数（ピッチ周波数），音声エネルギー，ホルマント周
波数，零交差数等がある。

【０００３】これらの音響パラメータは、音韻性情報を
第一義的に、個人性情報を第二義的に含むものであるた
め、話者照合を行う際、照合率を向上させるためには、
さらに音響パラメータから話者固有の新たな特徴量を作
成して比較する必要がある。

【０００４】ここで、先願の話者照合方法として、特願
平１１−２９９７４５号がある。

【０００５】この方法は、入力された音声信号を、所定
時間単位毎のフレームに分割し、そのフレーム毎に周波
数スペクトルを計算し、周波数スペクトルの時系列分布
（以下、サウンドスペクトログラムと呼称する）に変換
し、登録されているサウンドスペクトログラムとの類似
度を判定し、本人の同一性を判断するものである。

【０００６】

【発明が解決しようとする課題】しかし、先願の話者照
合方法では、照合すべき所定の言葉の話者による発声速
度のばらつきが考慮されていないため、同じ言葉であっ
ても、例えば登録音声データとして普通の速度で話され
たものが採用され、照合音声データがゆっくり又は速い
速度で話されたものである場合、登録音声と照合音声と
でサウンドスペクトログラムとして音声データが現れる
時間軸上の位置や幅が異なってしまい、照合困難になる
問題がある。

【０００７】このため、先願の話者照合方法を用いた音
声認証装置では、登録話者の言葉の発声速度に対し略同
一の速度で照合話者が言葉を発声しなければならない。

【０００８】本発明は、前記のような問題に鑑みてなさ
れたもので、登録音声と照合音声との発声速度にばらつ
きがある場合でも、照合率の高い話者照合を行うことが
可能になる音声認証装置、音声認証方法、及び音声認証
処理プログラムを記憶した記憶媒体を提供することを目
的とする。

【０００９】

【課題を解決するための手段】すなわち、本発明の請求
項１に係る音声認証装置は、登録話者の音声と照合話者
の音声とを照合して認証する音声認証装置であって、音
声信号を入力する音声信号入力手段と、この音声信号入
力手段により入力された音声信号の音声部分を取り出す
音声部分取り出し手段と、この音声部分取り出し手段に
より取り出された音声信号の音声部分を２次元画像に変
換するデータ変換手段と、このデータ変換手段により変
換された登録話者の音声部分に対応する２次元画像を記
憶する登録話者情報記憶手段と、この登録話者情報記憶
手段に記憶された登録音声の２次元画像に対し前記デー
タ変換手段により変換された照合話者の音声部分に対応
する２次元画像を比較して、前記登録話者の音声信号と
照合話者の音声信号との同一性を判定する照合判定手段
とを備えたことを特徴とする。

【００１０】また、本発明の請求項２に係る音声認証装
置は、前記請求項１に係る音声認証装置にあって、前記
音声部分取り出し手段は、前記音声信号入力手段により
入力された音声信号の一定区間毎のエネルギを算出する
エネルギ算出手段と、このエネルギ算出手段により算出
された音声信号の一定区間毎のエネルギ値に基づいた所
定の閾値を算出する閾値算出手段と、この閾値算出手段
により算出された所定の閾値より大きなエネルギ値を有
する前記音声信号の区間を音声部分として選択する区間
選択手段とを備えていることを特徴とする。

【００１１】このような本発明に係る音声認証装置で
は、登録話者の音声と照合話者の音声とを照合して認証
するにあたり、まず、入力された音声信号の音声部分の
みが取り出される。そして、この音声部分の取り出しに
より取り出された音声信号の音声部分は２次元画像に変
換され、このデータ変換により変換された登録話者の音
声部分に対応する２次元画像は登録話者情報記憶手段に
記憶され、この記憶された登録音声の２次元画像に対し
前記データ変換により変換された照合話者の音声部分に
対応する２次元画像が比較されて、前記登録話者の音声
信号と照合話者の音声信号との同一性が判定されるの
で、登録話者と照合話者間でその音声発声速度がばらつ
いても、その音声部分のみ取り出されて画像化された登
録：照合の各画像間での比較により、確実な音声照合が
行えることになる。

【００１２】

【発明の実施の形態】以下図面により本発明の実施の形
態について説明する。

【００１３】（第１実施形態）図１は、本発明の実施形
態に係る音声認証装置の電子回路の構成を示すブロック
図である。

【００１４】この音声認証装置は、制御部（ＣＰＵ）１
１、記憶装置１２、ＲＡＭ１３、音声入力装置１４、表
示部１５、入力部１６、記憶媒体読み取り部１８、伝送
制御部１９より構成され、バス１７を介して相互に接続
されている。

【００１５】制御部（ＣＰＵ）１１は、入力部１２から
の入力信号に応じて、記憶装置１２に予め記憶されてい
る制御プログラム、あるいはフロッピディスクＦＤなど
の外部記憶媒体１８ａからフロッピディスクドライブＦ
ＤＤなどの記憶媒体読み取り部１８を介して記憶装置１
２に読み込まれた音声登録照合処理プログラム、あるい
は外部のコンピュータ端末（プログラムサーバ２１Ａ）
の記憶装置２２Ａから通信ネットワーク２０を経由し伝
送制御部１９を介して記憶装置１２に読み込まれた音声
登録照合処理プログラムを起動させ、ＲＡＭ１３をワー
クメモリとして回路各部の動作を制御する。

【００１６】記憶装置１２は、半導体メモリのＲＯＭや
ハードディスク装置（ＨＤ）等で構成され、この記憶装
置１２には、音声を入力しその入力された音声データを
登録する処理を行うのと共に、この登録された音声デー
タに対し新たに入力された音声データを照合し、その同
一性を判定する処理を行うための音声登録照合処理プロ
グラムが記憶され、また、この音声登録照合処理に従っ
て入力された登録すべき音声データが、その音声部分の
み取り出されサウンドスペクトログラムに変換されて２
次元のデータ（Ａ）として記憶され登録される。これら
の制御プログラムは、本認証装置の電源投入直後に制御
部（ＣＰＵ）１１により読み出されて起動される。

【００１７】ＲＡＭ１３は、前述の制御プログラムを実
行する際に制御部（ＣＰＵ）１１が使用するワークメモ
リである。

【００１８】音声入力装置１４は、被験者の登録音声信
号や照合音声信号を取得するための装置であり、例えば
マイクロフォンとオーディオアンプなどである。

【００１９】表示部１５は、登録音声データと照合音声
データとの照合の判定結果を表示する、例えばＣＲＴや
液晶などといったディスプレイ装置である。

【００２０】入力部１６は、本認証装置の使用者が音声
信号の取得指示や後述の音声照合処理の開始を制御部
（ＣＰＵ）１１に指示するための、例えばキーボード装
置などの入力装置である。

【００２１】図２は前記音声認証装置のＲＡＭ１３に確
保されるデータメモリを示す図である。

【００２２】ＲＡＭ１３には、入力音声データメモリ１
３ａ、照合音声データメモリ１３ｂ、登録音声テンプレ
ートメモリ１３ｃ、登録音声テンプレート位置メモリ１
３ｄ、照合音声検出位置メモリ１３ｅ、判定結果メモリ
１３ｆなどが確保される。

【００２３】入力音声データメモリ１３ａには、音声入
力装置１４により入力された被験者（登録話者あるいは
照合話者）の音声信号データが一時記憶される。

【００２４】照合音声データメモリ１３ｂには、前記入
力音声データメモリ１３ａに一時記憶された照合話者の
音声データが、その音声部分のみ取り出されサウンドス
ペクトログラムに変換されて２次元のデータ（Ｂ）とし
て一時記憶され、前記記憶装置１２に登録された登録音
声の音声部分サウンドスペクトログラム（Ａ）との照合
によりその同一性が判定される。

【００２５】登録音声テンプレートメモリ１３ｃには、
記憶装置１２に記憶されている登録音声データ（Ａ）の
任意の位置に対して定義されて配置される複数の矩形領
域のテンプレートｔｉ［ｉ＝１〜ｍ：ｍ≧２の整数（こ
の場合ｍ＝５：図９（ａ）参照）］それぞれの範囲内の
登録音声部分画像が抽出されて記憶される。

【００２６】登録音声テンプレート位置メモリ１３ｄに
は、前記記憶装置１２に記憶された登録音声データ
（Ａ）に対し定義された複数の矩形領域であるテンプレ
ート（ｔｉ）それぞれの定義位置を示す座標データ（Ｘ
ｉ，Ｙｉ）が記憶される。

【００２７】照合音声検出位置メモリ１３ｅには、前記
登録音声テンプレートメモリ１３ｃに記憶された複数の
テンプレート（ｔｉ）に対応する各登録音声部分画像と
最大の相関係数が算出される前記照合音声データメモリ
１３ｂ内の照合音声データ（Ｂ）上での複数の矩形領域
Ｔｉ［ｉ＝１〜ｍ：ｍ≧２の整数（この場合ｍ＝５：図
１０（ｂ）参照）］が検出され、この照合音声データ
（Ｂ）上での複数の検出矩形領域Ｔｉそれぞれの位置を
示す座標データ（ＸＴｉ，ＹＴｉ）が記憶される。

【００２８】判定結果メモリ１３ｆには、前記登録音声
テンプレート位置メモリ１３ｄに記憶された登録音声デ
ータ（Ａ）に対しての複数のテンプレート位置（Ｘｉ，
Ｙｉ）の相互位置関係［テンプレートｔ１に対するｔ
２，ｔ３，…，ｔ５それぞれとの位置関係］と、前記照
合音声検出位置メモリ１３ｅに記憶された照合音声デー
タ（Ｂ）上での複数の検出矩形領域位置（ＸＴｉ，ＹＴ
ｉ）の相互位置関係［検出領域Ｔ１に対するＴ２，Ｔ
３，…，Ｔ５それぞれとの位置関係］との各対応テンプ
レート毎の相違（Δｉ：Δ２，Δ３，…，Δ５）の大き
さに基づき、所定閾値との大小比較により登録音声デー
タと照合音声データとの同一性が判定されその評価結果
（同一／同一でない）が記憶される。

【００２９】図３は前記音声認証装置の音声登録照合処
理プログラムの実行に伴う動作機能の構成を示すブロッ
ク図である。

【００３０】この音声認証装置における動作機能の機能
ブロックでは、前記図１における電子回路の対応構成部
分を括弧書きの符号にして示す。

【００３１】音声信号データ入力部２１は、マイクロフ
ォンなどを用いて登録すべき音声や照合すべき音声を電
気信号に変換して入力するもので、この音声信号データ
入力部２１により入力された登録音声あるいは照合音声
の音声信号データは、音声部分取り出し部２２に与えら
れる。

【００３２】音声部分取り出し部２２は、前記音声信号
データ入力部２１から入力された登録音声あるいは照合
音声の音声信号データを、所定時間単位毎のフレーム(F
rame)に区切り、そのフレーム区間毎にエネルギ(Energ
y)を計算すると共に、当該各区間エネルギの平均値を求
め、このエネルギ平均値より大きいエネルギを持つフレ
ーム区間を音声部分として取り出すもので、この音声部
分取り出し部２２により取り出された登録音声あるいは
照合音声の音声信号データは、サウンドスペクトログラ
ム変換処理部２３に与えられる。

【００３３】ここで、前記音声部分取り出し部２２にお
ける音声信号データの取り出し手順について説明する。

【００３４】まず、音声信号データ入力部２１により入
力された音声信号データの各フレーム(Frame)に対し、
そのｉ番目のフレーム（音声サンプル）をＸｉ、全フレ
ーム数をｎとすると、当該ｉ番目のフレームにおけるエ
ネルギ(Energy)は、次式により計算される。

【００３５】

【数１】

【００３６】すると、全フレーム（１〜ｎ）の各エネル
ギ(Energy)間での平均値が求められ、この平均エネルギ
値よりも大きいエネルギ値を持つフレームのみが、音声
部分として取り出される。

【００３７】すなわち、ノイズの少ない環境下では、音
声部分のみにエネルギ(Energy)が集中しているため、こ
の平均エネルギ値より大きいフレーム区間を音声部分と
して取り出すことができる。この場合、エネルギのあま
り無い音声部分が削られてしまうことも考えられるが、
このような低エネルギ部分はノイズの影響を受け易く、
また、情報量も少ないのでカットされても問題はない。

【００３８】そして、この音声部分取り出し部２２によ
り取り出された登録音声あるいは照合音声の音声信号デ
ータが、サウンドスペクトログラム変換処理部２３に与
えられる。

【００３９】サウンドスペクトログラム変換処理部２３
は、前記音声部分取り出し部２２から与えられた登録音
声あるいは照合音声の音声部分の音声信号データを高速
フーリエ変換（ＦＦＴ：Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔ
ｒａｎｓｆｏｒｍ）し、時間対周波数の座標軸上で、周
波数成分の多いところほど白く少ないところほど黒くな
るように、周波数スペクトルの時系列分布を濃度として
表した２次元の画像データ（サウンドスペクトログラ
ム）に変換するもので（図４参照）、この入力音声の音
声部分をＦＦＴしたサウンドスペクトログラム画像の時
間軸方向の左右には、ある程度の幅（例えば１００dots
分）の空白データ（“０”データ）が入れられる。

【００４０】図４は前記音声認証装置のサウンドスペク
トログラム変換処理部２３における音声部分取り出し後
の音声信号データからのサウンドスペクトログラムデー
タへの変換状態を示す図である。

【００４１】図５は前記音声認証装置の音声部分取り出
し部２２において音声部分取り出し処理を受けた場合の
入力音声のサウンドスペクトログラム変換状態を示す図
であり、同図（Ａ）は被験者により普通の発声速度で入
力された音声「さっぽろ」のサウンドスペクトログラム
を示す図、同図（Ｂ）は被験者によりゆっくりの発声速
度で入力された音声「さっぽろ」のサウンドスペクトロ
グラムを示す図である。

【００４２】図６は前記音声認証装置の音声部分取り出
し部２２において音声部分取り出し処理を受けない場合
の入力音声のサウンドスペクトログラム変換状態を示す
図であり、同図（Ａ）は被験者により普通の発声速度で
入力された音声「さっぽろ」のサウンドスペクトログラ
ムを示す図、同図（Ｂ）は被験者によりゆっくりの発声
速度で入力された音声「さっぽろ」のサウンドスペクト
ログラムを示す図である。

【００４３】すなわち、図５に示すように、音声部分取
り出し部２２において音声部分取り出し処理を受けた場
合の入力音声のサウンドスペクトログラムでは、普通の
速度で発声入力したサウンドスペクトログラムと、ゆっ
くりした速度で発声入力したサウンドスペクトログラム
の何れにあっても、その言葉「さっぽろ」の発声に対応
した音声部分のみが時間軸方向に集約されて発声速度の
ばらつきが矯正解消されているのに対し、図６に示すよ
うに、音声部分取り出し部２２において音声部分取り出
し処理を受けない場合の入力音声のサウンドスペクトロ
グラムでは、普通の速度で発声入力したサウンドスペク
トログラムと、ゆっくりした速度で発声入力したサウン
ドスペクトログラムの何れにあっても、その発声速度の
ばらつきに応じた音声部分がそのまま時間軸方向にずれ
て現れる。従って、登録音声と照合音声とでそのスペク
トログラム画像の同一性を見る話者音声照合では、前記
音声部分の取り出しにより登録話者と照合話者間での発
声速度のばらつき補正を行い、サウンドスペクトログラ
ムに変換するのが非常に効果的である。

【００４４】このように、サウンドスペクトログラム変
換処理部２３により変換された登録音声あるいは照合音
声の音声部分のサウンドスペクトログラムは、登録音声
の場合は登録話者情報記憶部２４に与えられ、照合音声
の場合は照合処理部２５の最大相関領域検出処理部２７
に与えられる。

【００４５】登録話者情報記憶部２４には、前記音声部
分取り出し部２２を通して音声部分のみ取り出され、サ
ウンドスペクトログラム変換処理部２３によりサウンド
スペクトログラムに変換された登録音声のデータが記憶
されて登録される。

【００４６】照合処理部２５のテンプレート配置処理部
２６は、前記登録話者情報記憶部２４に記憶登録された
登録音声のサウンドスペクトログラムに対し、任意の大
きさの複数の矩形領域（テンプレート）を任意の位置に
定義して配置するもので（図９参照）、このテンプレー
ト配置処理部２６において配置された複数の矩形領域の
それぞれに対応する範囲の２次元データは、最大相関領
域検出処理部２７に与えられる。

【００４７】最大相関領域検出処理部２７は、前記テン
プレート配置処理部２６から与えられる登録音声サウン
ドスペクトログラム上の複数の矩形領域のそれぞれに対
応する範囲の２次元データに対し、前記サウンドスペク
トログラム変換処理部２３から与えられる照合音声の音
声部分のサウンドスペクトログラム上で最大の相関関係
を有する複数の領域（最大相関領域）を検出するもので
（図１０参照）、前記テンプレート配置処理部２６によ
り登録音声サウンドスペクトログラム上に配置された複
数の矩形領域それぞれの位置を示す座標データと、この
最大相関領域検出処理部２７により検出された複数の最
大相関領域それぞれの位置を示す座標データとが、照合
判定処理部２８に与えられる。

【００４８】照合判定処理部２８は、前記テンプレート
配置処理部２６から与えられた登録音声サウンドスペク
トログラム上での複数の矩形領域それぞれの位置を示す
座標データと、前記最大相関領域検出処理部２７により
検出された複数の最大相関領域それぞれの位置を示す座
標データとに基づき、登録音声サウンドスペクトログラ
ムにおける矩形領域の配置位置分布（相互位置関係）と
照合音声サウンドスペクトログラムにおける検出領域の
位置分布（相互位置関係）とを比較し、その相違から登
録音声と照合音声との類似度を判定して同一性を評価す
るもので、この照合判定処理部２８により得られた登録
音声と照合音声との同一性の判定評価結果は、照合結果
表示部２９に与えられて表示される。

【００４９】次に、前記構成による音声認証装置の動作
について説明する。

【００５０】図７は前記音声認証装置の音声登録照合処
理を示すフローチャートである。

【００５１】図８は前記音声認証装置の音声登録照合処
理に伴う第１実施形態のサウンドスペクトログラム生成
処理を示すフローチャートである。

【００５２】図９は前記音声認証装置の音声登録照合処
理に伴う音声部分のみ取り出した登録音声スペクトログ
ラムと照合音声スペクトログラムとの対比及び登録音声
スペクトログラムに対するテンプレートの配置状態を示
す図である。

【００５３】図１０は前記音声認証装置の音声登録照合
処理に伴う音声部分のみ取り出した登録音声スペクトロ
グラム上でのテンプレート領域の配置位置分布と照合音
声スペクトログラム上での最大相関領域の検出位置分布
との対比状態を示す図である。

【００５４】この音声認証装置を本人認証装置として利
用する場合に、まず、この本人認証装置にて本人照合を
行うべき登録話者の音声信号データが、音声信号データ
入力部２１により入力される（ステップＳ１）。

【００５５】すると、サウンドスペクトログラム生成処
理（ステップＳＡ）へ移行され、この入力された登録音
声信号データは、音声部分取り出し部２２において、そ
の音声部分のみ取り出され、サウンドスペクトログラム
変換処理部２３において、周波数スペクトルの時系列デ
ータＡに変換される。

【００５６】つまり、音声信号データ入力部２１から音
声部分取り出し部２２に入力された登録音声信号データ
の各フレーム(Frame)に対し、そのｉ番目のフレーム
（音声サンプル）をＸｉ、全フレーム数をｎとして、当
該各ｉ番目のフレームにおけるエネルギ(Energy)が順次
前記式により計算される（ステップＡ１）。そして、全
フレーム（１〜ｎ）の各エネルギ(Energy)間での平均値
が求められ（ステップＡ２）、この平均エネルギ値より
も大きいエネルギ値を持つフレームのみが、音声部分と
して取り出される（ステップＡ３）。

【００５７】すると、この音声部分取り出し部２２によ
り取り出された登録音声の音声部分に対応する音声信号
データが、サウンドスペクトログラム変換処理部２３に
与えられ、このサウンドスペクトログラム変換処理部２
３において、図９（ａ）に示すように、ＦＦＴにより周
波数スペクトルの時系列データＡ（以下、サウンドスペ
クトログラムＡと呼称する）に変換される（ステップＡ
４）。

【００５８】このサウンドスペクトログラム変換処理部
２３において施される音声信号データからのサウンドス
ペクトログラムへの変換処理は、音声信号データｄ
（ｎ）を、所定時間単位毎（標本点数Ｎ）のフレームに
切り出して、前記音声部分取り出し部２２により取り出
された音声部分の各フレームについて、切り出したデー
タ系列ｄ_Ｎ（ｎ）に窓関数としてハミング窓関数ｗ
_Ｈ（ｎ）を乗じ、これに対して高速フーリエ変換（ＦＦ
Ｔ）を施して周波数スペクトルＳ（ｆ）を算出し、この
フレーム毎に算出した周波数スペクトルＳ（ｆ）を時系
列に並べて、横軸が時間、縦軸が周波数で表されるサウ
ンドスペクトログラムＳ（ｎ，ｆ）に変換する。但し、
スペクトル値は、対数をとり最大値２５５で正規化した
値である。即ち、このサウンドスペクトログラムは、多
階調の２次元データ、つまり、多階調の画像データとし
ての側面を持っており、本実施形態では、サウンドスペ
クトログラムを多階調の声紋画像として話者照合に適用
する。なお、この入力音声の音声部分をＦＦＴしたサウ
ンドスペクトログラム画像の時間軸方向の左右には、あ
る程度の幅（例えば１００dots分）の空白データ
（“０”データ）が入れられる（ステップＡ４）。

【００５９】以下、サウンドスペクトログラムを多階調
の画像データと見なして、画像データ、画素データの単
語を使用する。

【００６０】前記サウンドスペクトログラム変換処理部
２３により変換された登録話者の音声部分に対応するサ
ウンドスペクトログラム画像Ａは、登録話者の特徴量と
して登録話者情報記憶部２４に記憶されて登録される
（ステップＳ２→Ｓ３）。

【００６１】一方、この本人認証装置にて本人照合を行
うべき照合話者の音声信号データが、音声信号データ入
力部２１により入力されると（ステップＳ１）、この入
力された照合音声信号データも、前記同様に音声部分取
り出し部２２を介してその音声部分のみ取り出された
後、サウンドスペクトログラム変換処理部２３におい
て、図９（ｂ）に示すように、サウンドスペクトログラ
ムＢ（ｎ，ｆ）（以下、Ｂと呼称する）に変換され（ス
テップＳＡ（Ａ１〜Ａ４））、照合音声データメモリ１
３ｂに記憶される（ステップＳ３→Ｓ４）。

【００６２】すると、照合処理部２５内のテンプレート
配置処理部２６において、前記登録話者情報記憶部２４
に登録されている登録音声のサウンドスペクトログラム
Ａが読み出され、図１０（ａ）に示すように、当該サウ
ンドスペクトログラムＡ内に複数の矩形領域のテンプレ
ートｔｉ［ｉ＝１〜ｍ：ｍ≧２の整数］が定義されて配
置される（ステップＳ５）。

【００６３】すると、照合処理部２５内の最大相関領域
検出処理部２７において、前記登録音声のサウンドスペ
クトログラムＡ内に定義された各テンプレートｔｉに相
当するテンプレートが、前記照合音声のサウンドスペク
トログラムＢ上で水平方向及び垂直方向に１画素ずつラ
スター走査されながら、順次該テンプレートｔｉ内の全
ての画素データとそれに対応する照合音声のサウンドス
ペクトログラムＢ内の画素データとを用いた相関係数が
計算される。そして、その相関係数が最大となる照合音
声のサウンドスペクトログラムＢ内の領域Ｔｉが、図１
０（ｂ）に示すように検出される（ステップＳ６，Ｓ
７）。なお、相関係数の算出については後述する。

【００６４】この登録音声のサウンドスペクトログラム
Ａ内に定義した各テンプレートｔｉの画像データを基準
とする照合音声のサウンドスペクトログラムＢ上での最
大相関係数の算出及びその領域Ｔｉの検出は、各テンプ
レートｔｉ毎に順次行われ（ステップＳ６〜Ｓ８）、全
てのテンプレートｔｉにそれぞれ最大の相関係数を有す
る照合音声のサウンドスペクトログラムＢ上の各領域Ｔ
ｉが検出されたと判断されると、照合処理部２５内の照
合判定処理部２８において、図１０に示すように、前記
登録音声のサウンドスペクトログラムＡ内に配置した各
テンプレート領域｛ｔｉ｝の分布（位置関係）と照合音
声のサウンドスペクトログラムＢから検出した各領域
｛Ｔｉ｝の分布（位置関係）とがそのそれぞれの座標デ
ータに基づいて比較照合され同一性が評価される（ステ
ップＳ８→Ｓ９）。

【００６５】以下、具体的な例を説明する。

【００６６】登録音声のサウンドスペクトログラムＡ内
に配置した矩形領域ｔ１と照合音声のサウンドスペクト
ログラムＢ上から検出された矩形領域Ｔ１の画像上の位
置を特定する基準となる座標、例えば両矩形の左上端の
頂点の座標を取得し、それぞれｔ１（Ｘ１，Ｙ１）、Ｔ
１（ＸＴ１，ＹＴ１）としてＲＡＭ１３の所定の領域
（１３ｄ，１３ｅ）にそれぞれ記憶させる。

【００６７】次に、登録音声のサウンドスペクトログラ
ムＡに、前記矩形領域ｔ１の各頂点が中心となるような
矩形領域ｔ２〜ｔ５を定義する。なお、ここで定義する
矩形領域の配置は任意であり、また、この矩形領域の数
も４個に限定されるものではなく、要求される音声照合
の照合精度が得られる限り任意でよい。また、ここで定
義する矩形領域の大きさも同様に任意でよい。

【００６８】そして、矩形領域Ｔ１の検出と同様に、矩
形領域ｔ２〜ｔ５の１つずつ（以下、ｔｉ（ｉ＝２，
３，４，５）と代表して示す）において、矩形領域ｔｉ
と同一の大きさの矩形領域を照合音声のサウンドスペク
トログラムＢ上に設定し、その矩形領域を画素単位で２
次元的に移動させ、その矩形領域と矩形領域ｔｉとの間
の相関係数を移動の度に算出する。その結果、最大の相
関係数が得られたときの位置の矩形領域を矩形領域Ｔｉ
とし、矩形領域ｔｉと矩形領域Ｔｉとの画像上の位置を
特定する基準となる座標、例えば両矩形の左上端の頂点
の座標を取得し、それぞれｔｉ（Ｘｉ，Ｙｉ）、Ｔｉ
（ＸＴｉ，ＹＴｉ）としてＲＡＭ１３の所定の領域（１
３ｄ，１３ｅ）にそれぞれ記憶させる。

【００６９】その後、ｔ１とｔｉとの相対距離と、Ｔ１
とＴｉとの相対距離との違いΔｉを、次式に基づいて全
てのｉ（＝２，３，４，５）について算出する。

【００７０】

【数２】

【００７１】そして、算出された全てのΔｉが所定値内
に収まるか否かを判定し、全てが収まれば登録音声と照
合音声とは一致すると判定し、一方、そうでない場合に
は登録音声と照合音声とは一致しないと判定し、判定結
果を照合結果表示部２９によって表示させる。なお、こ
こで用いられる所定値は、例えば、複数人より取得した
サウンドスペクトログラムの画像データよりΔｉを実際
に計算し、その計算結果の分布に基づいて所望の照合精
度が得られる値とする。

【００７２】これにより、登録音声信号データａ（ｎ）
を登録した登録話者に対して照合音声信号データｂ
（ｎ）を入力した未知話者が同一性を有するかが評価さ
れ、その評価結果が表示される。

【００７３】なお、前記音声登録照合処理においては、
ｔ１、Ｔ１、ｔ２〜ｔ５、Ｔ２〜Ｔ５の各領域を矩形領
域としていたが、これらの領域の形状は矩形に限らず、
任意でよい。また、ｔ１とＴ１、及びｔ２〜ｔ５とＴ２
〜Ｔ５の大きさ・形状は同一であることが望ましいが、
多少の違いがあったとしても、要求される音声照合の照
合精度が得られる限り許容できる。

【００７４】また、照合判定においては、前述した処理
におけるΔｉを評価する方法の他に、例えばｔｉを頂点
として形成される図形とＴｉを頂点として形成される図
形との、形状、あるいは面積の違いに基づく判定など、
様々な方法を採用することも可能である。

【００７５】次に、前記音声登録照合処理において用い
られる相関係数の算出について説明する。なお、ここで
は、矩形領域Ａと矩形領域Ｂとの間の相関係数の算出に
ついて説明する。

【００７６】まず、矩形領域Ａと矩形領域Ｂのそれぞれ
に含まれる画素をそれぞれ、Ａ（ｉ、ｊ）、Ｂ（ｍ、
ｎ）とする。但し、矩形領域Ａと矩形領域Ｂのそれぞれ
に含まれる画素の総数は等しくする。また、これらの画
素についての濃淡を示す多階調値である信号強度をそれ
ぞれＸ_ij、Ｙ_mnとする。

【００７７】これらの信号強度を一般化してＺpqと表し
たとき、以下の式を定義する。

【００７８】

【数３】

【００７９】上式において、Ｎはその矩形領域に含まれ
る画素の総数を示す。また、上式において、Σはその矩
形領域に含まれる画素の全てについての総和であること
を示す。つまり、上式はその矩形領域に含まれる画素に
ついての信号強度の平均値を示すものである。

【００８０】次に、以下の式を更に定義する。

【００８１】

【数４】

【００８２】上式はその矩形領域に含まれる画素につい
ての信号強度の２乗平均値を示すものである。

【００８３】ここで、矩形領域Ａと矩形領域Ｂとの間の
相関係数Ｃ_ABは、前述の式の定義を用いて表される次式
により算出できる。

【００８４】

【数５】

【００８５】上式を用いて領域間の相関係数を算出す
る。

【００８６】なお、上式による相関係数の算出において
は、矩形領域内の全ての画素の信号強度を用いて算出す
る代わりに、例えば、その矩形領域内の任意の１列の線
上に並ぶ画素のみを用いての算出、その矩形領域内の一
部の領域に含まれる画素のみを用いての算出、あるい
は、その矩形領域内から任意に間引いて選択した画素の
みを用いての算出であっても、要求される音声照合の照
合精度が得られるのであれば問題はない。このような算
出手法を用いると、相関係数算出の対象とする画素数が
減少するので計算量が削減されるので、有益である。ま
た、他の相関係数の算出法を前述の音声登録照合処理に
採用してもよい。

【００８７】したがって、前記構成の第１実施形態の音
声認証装置によれば、登録話者と照合話者によりそれぞ
れその登録時と照合時において発声入力される音声信号
データを、何れも一定時間間隔毎のフレーム(Frame)に
区切ってそのエネルギ(Energy)を計算し、平均エネルギ
値より大きいフレームのみを音声部分として取り出し
て、ＦＦＴにより周波数スペクトルを時系列に並べたサ
ウンドスペクトログラムの２次元画像に変換し、登録音
声のサウンドスペクトログラム画像は登録話者情報記憶
部２４に登録する。そして、この登録音声のサウンドス
ペクトログラム上の任意位置に配置したテンプレートｔ
ｉ内の画像について、照合音声のサウンドスペクトログ
ラム上での最大相関係数が得られる画像位置Ｔｉを検出
し、各画像位置の相違Δｉから登録音声と照合音声との
同一性を判定するので、登録時と照合時とでその話者に
よる音声発声の速度が異なっても、その音声部分のみを
取り出して画像化した登録画像と照合画像間で確実な話
者照合を行うことができ、登録話者と照合話者との音声
入力時における発声速度のばらつきがその照合・認証に
与える悪影響を大幅に軽減できるようになる。

【００８８】また、前記音声部分のみを取り出した登録
話者と照合話者それぞれのサウンドスペクトログラム画
像には、その時間軸方向の両側に所定幅の空白領域を入
れるようにしたので、登録画像の照合画像上での最大相
関係数算出時において無関係な画像部分で相関検出が成
されるのを防止することができる。

【００８９】なお、前記第１実施形態におけるサウンド
スペクトログラム生成処理では、入力音声信号の各フレ
ーム(Frame)について、それぞれそのままエネルギ(Ener
gy)を計算し、その平均エネルギ値より大きいフレーム
区間を音声部分として取り出してサウンドスペクトログ
ラムの２次元画像に変換する構成としたが、次の第２実
施形態におけるサウンドスペクトログラム生成処理にお
いて説明するように、入力音声信号のある一定の低帯域
部分を除去した後にエネルギ(Energy)の計算による音声
部分の取り出しを行い、ノイズの乗りやすい低域部分を
除いたより正確な音声部分の２次元画像化を図る構成と
してもよい。

【００９０】（第２実施形態）図１１は前記音声認証装
置の音声登録照合処理に伴う第２実施形態のサウンドス
ペクトログラム生成処理を示すフローチャートである。

【００９１】この第２実施形態のサウンドスペクトログ
ラム生成処理では、まず、登録話者あるいは照合話者の
入力音声信号における一定時間間隔毎の各フレーム(Fra
me)に対してＦＦＴが掛けられ（ステップａ１）、低域
のデータ部分が除去されてエネルギ(Energy)が算出され
る（ステップａ２）。

【００９２】この場合、前記入力音声信号のＦＦＴ後の
低域データの除去とそのエネルギ(Energy)の算出は、次
のように行われる。

【００９３】すなわち、入力音声信号の各フレーム(Fra
me)にＦＦＴを掛けた結果、ｉ番目の周波数の実数値を
Ｒｉ、虚数値をＩｉとし、ｉは小さいほど低周波数であ
るとするとき、全体の周波数帯域数をｎ、除去したい周
波数帯域をｊ番目以下の帯域とすると、フレーム(Fram
e)のエネルギは次式により算出される。

【００９４】

【数６】

【００９５】例えば、ＦＦＴを５１２サンプルで掛ける
と、周波数帯域は２５６個になる。入力音声信号を１１
ｋHzでサンプリングするとき、元々５．５ｋHzまでの周
波数が表されているので、１つの帯域は５．５ｋHz／２
５６＝２１．５Hzの幅を持つことになる。通常のオフィ
ス環境下などでは、２００Hz以下程度にノイズが多く現
れるので、低域側１０帯域を除去すれば、２１５Hz以下
が除去されることになり、ノイズの影響が抑えられる。
この場合、ｊ＝１０、ｎ＝２５５（ｉが０から始まると
き）となる。

【００９６】こうして全てのフレーム(Frame)について
一定以下の低帯域を除去したエネルギ(Energy)が算出さ
れると、次にその平均値が求められ（ステップａ３）、
この平均エネルギ値より大きいエネルギ値を持つフレー
ム(Frame)のＦＦＴデータに対してのみ、時系列順に並
べられたサウンドスペクトログラムの２次元画像が生成
される（ステップａ４）。

【００９７】よって、前記構成による音声認証装置の音
声登録照合処理に伴う第２実施形態のサウンドスペクト
ログラム生成処理によれば、登録音声と照合音声それぞ
れの音声信号から、ノイズの乗りやすい低域部分が除去
されたより正確な音声部分が取り出されてサウンドスペ
クトログラムの２次元画像が生成され、この正確な音声
部分に対応する登録画像と照合画像との比較からその同
一性が判定されるので、登録話者と照合話者との音声入
力時における発声速度のばらつきに悪影響を受けない、
より確実な話者照合を行うことができる。

【００９８】なお、この第２実施形態におけるサウンド
スペクトログラム生成処理では、入力音声信号をまずＦ
ＦＴした後に、低帯域を除いたデータについてエネルギ
(Energy)を計算し、音声部分を取り出した２次元画像化
を図っているが、入力音声信号をまずハイパスフィルタ
に通しその低帯域信号を予め除去してから、前記第１実
施形態におけるサウンドスペクトログラム生成処理と同
様に、各フレーム(Frame)のエネルギ(Energy)を計算し
て音声部分を取り出し、ＦＦＴを掛けて２次元画像化を
図ってもよい。

【００９９】なお、前記各実施形態において、入力音声
信号が一定時間間隔毎に区切られた各フレーム(Frame)
は、その対象となる音声サンプルが重なっていてもよ
い。

【０１００】また、前記各実施形態のサウンドスペクト
ログラム変換処理部２３における変換処理では、窓関数
としてハミング窓を適用したが、これに代えて、ハニン
グ窓または方形窓を窓関数として適用してもよい。

【０１０１】なお、前記各実施形態において記載した手
法、すなわち、図７のフローチャートに示す音声登録照
合処理、図８のフローチャートに示す音声登録照合処理
に伴う第１実施形態のサウンドスペクトログラム生成処
理、図１１のフローチャートに示す音声登録照合処理に
伴う第２実施形態のサウンドスペクトログラム生成処理
等の各手法は、何れもコンピュータに実行させることが
できるプログラムとして、メモリカード（ＲＯＭカー
ド、ＲＡＭカード等）、磁気ディスク（フロッピディス
ク、ハードディスク等）、光ディスク（ＣＤ−ＲＯＭ、
ＤＶＤ等）、半導体メモリ等の外部記憶媒体１８ａに格
納して配布することができる。そして、コンピュータ
は、この外部記憶媒体１８ａに記憶されたプログラムを
記憶装置１２に読み込み、この読み込んだプログラムに
よって動作が制御されることにより、前記各実施形態に
おいて説明した登録音声と照合音声との音声部分の取り
出し・照合、及びその同一性の評価判定機能を実現し、
前述した手法による同様の処理を実行することができ
る。

【０１０２】また、前記各手法を実現するためのプログ
ラムのデータは、プログラムコードの形態としてネット
ワーク２０上を伝送させることができ、このネットワー
ク２０に接続されたコンピュータ端末のプログラムサー
バ２１Ａから前記のプログラムデータを取り込み、前述
した登録音声と照合音声との音声部分の取り出し・照
合、及びその同一性の評価判定機能を実現することもで
きる。

【０１０３】なお、本願発明は、前記各実施形態に限定
されるものではなく、実施段階ではその要旨を逸脱しな
い範囲で種々に変形することが可能である。さらに、前
記各実施形態には種々の段階の発明が含まれており、開
示される複数の構成要件における適宜な組み合わせによ
り種々の発明が抽出され得る。例えば、ある実施形態に
示される全構成要件から幾つかの構成要件が削除された
り、一つの実施形態に示される幾つかの構成要件と他の
実施形態に示される幾つかの構成要件が組み合わされて
も、発明が解決しようとする課題の欄で述べた課題が解
決でき、発明の効果の欄で述べられている効果が得られ
る場合には、この構成要件が削除されたり組み合わされ
た構成が発明として抽出され得るものである。

【０１０４】

【発明の効果】以上のように、本発明に係る音声認証装
置によれば、登録話者の音声と照合話者の音声とを照合
して認証するにあたり、まず、入力された音声信号の音
声部分のみが取り出される。そして、この音声部分の取
り出しにより取り出された音声信号の音声部分は２次元
画像に変換され、このデータ変換により変換された登録
話者の音声部分に対応する２次元画像は登録話者情報記
憶手段に記憶され、この記憶された登録音声の２次元画
像に対し前記データ変換により変換された照合話者の音
声部分に対応する２次元画像が比較されて、前記登録話
者の音声信号と照合話者の音声信号との同一性が判定さ
れるので、登録話者と照合話者間でその音声発声速度が
ばらついても、その音声部分のみ取り出されて画像化さ
れた登録：照合の各画像間での比較により、確実な音声
照合が行えるようになる。

【０１０５】よって、登録音声と照合音声との発声速度
にばらつきがある場合でも、照合率の高い話者照合を行
うことが可能になる。

【図面の簡単な説明】

【図１】本発明の実施形態に係る音声認証装置の電子回
路の構成を示すブロック図。

【図２】前記音声認証装置のＲＡＭに確保されるデータ
メモリを示す図。

【図３】前記音声認証装置の音声登録照合処理プログラ
ムの実行に伴う動作機能の構成を示すブロック図。

【図４】前記音声認証装置のサウンドスペクトログラム
変換処理部における音声部分取り出し後の音声信号デー
タからのサウンドスペクトログラムデータへの変換状態
を示す図。

【図５】前記音声認証装置の音声部分取り出し部におい
て音声部分取り出し処理を受けた場合の入力音声のサウ
ンドスペクトログラム変換状態を示す図であり、同図
（Ａ）は被験者により普通の発声速度で入力された音声
「さっぽろ」のサウンドスペクトログラムを示す図、同
図（Ｂ）は被験者によりゆっくりの発声速度で入力され
た音声「さっぽろ」のサウンドスペクトログラムを示す
図。

【図６】前記音声認証装置の音声部分取り出し部におい
て音声部分取り出し処理を受けない場合の入力音声のサ
ウンドスペクトログラム変換状態を示す図であり、同図
（Ａ）は被験者により普通の発声速度で入力された音声
「さっぽろ」のサウンドスペクトログラムを示す図、同
図（Ｂ）は被験者によりゆっくりの発声速度で入力され
た音声「さっぽろ」のサウンドスペクトログラムを示す
図。

【図７】前記音声認証装置の音声登録照合処理を示すフ
ローチャート。

【図８】前記音声認証装置の音声登録照合処理に伴う第
１実施形態のサウンドスペクトログラム生成処理を示す
フローチャート。

【図９】前記音声認証装置の音声登録照合処理に伴う音
声部分のみ取り出した登録音声スペクトログラムと照合
音声スペクトログラムとの対比及び登録音声スペクトロ
グラムに対するテンプレートの配置状態を示す図。

【図１０】前記音声認証装置の音声登録照合処理に伴う
音声部分のみ取り出した登録音声スペクトログラム上で
のテンプレート領域の配置位置分布と照合音声スペクト
ログラム上での最大相関領域の検出位置分布との対比状
態を示す図。

【図１１】前記音声認証装置の音声登録照合処理に伴う
第２実施形態のサウンドスペクトログラム生成処理を示
すフローチャート。

【符号の説明】

１１ …制御部（ＣＰＵ） １２ …記憶装置 １３ …ＲＡＭ １３ａ…入力音声データメモリ １３ｂ…照合音声データメモリ １３ｃ…登録音声テンプレートメモリ １３ｄ…登録音声テンプレート位置メモリ １３ｅ…照合音声検出位置メモリ １３ｆ…判定結果メモリ １４ …音声入力装置 １５ …表示部 １６ …入力部 １７ …バス １８ …記憶媒体読み取り部 １８ａ…外部記憶媒体 １９ …伝送制御部 ２０ …ネットワーク ２１Ａ…プログラムサーバ（外部のコンピュータ端末） ２２Ａ…外部端末の記憶装置 ２１ …音声信号データ入力部 ２２ …音声部分取り出し部 ２３ …サウンドスペクトログラム変換処理部 ２４ …登録話者情報記憶部 ２５ …照合処理部 ２６ …テンプレート配置処理部 ２７ …最大相関領域検出処理部 ２８ …照合判定処理部 ２９ …照合結果表示部 ｔｉ …登録音声スペクトログラムＡのテンプレート Ｔｉ …照合音声スペクトログラムＢの最大相関領域

Claims (8)

【特許請求の範囲】
1. 【請求項１】 登録話者の音声と照合話者の音声とを照
   合して認証する音声認証装置であって、 音声信号を入力する音声信号入力手段と、 この音声信号入力手段により入力された音声信号の音声
   部分を取り出す音声部分取り出し手段と、 この音声部分取り出し手段により取り出された音声信号
   の音声部分を２次元画像に変換するデータ変換手段と、 このデータ変換手段により変換された登録話者の音声部
   分に対応する２次元画像を記憶する登録話者情報記憶手
   段と、 この登録話者情報記憶手段に記憶された登録音声の２次
   元画像に対し前記データ変換手段により変換された照合
   話者の音声部分に対応する２次元画像を比較して、前記
   登録話者の音声信号と照合話者の音声信号との同一性を
   判定する照合判定手段と、を備えたことを特徴とする音
   声認証装置。
2. 【請求項２】 前記音声部分取り出し手段は、 前記音声信号入力手段により入力された音声信号の一定
   区間毎のエネルギを算出するエネルギ算出手段と、 このエネルギ算出手段により算出された音声信号の一定
   区間毎のエネルギ値に基づいた所定の閾値を算出する閾
   値算出手段と、 この閾値算出手段により算出された所定の閾値より大き
   なエネルギ値を有する前記音声信号の区間を音声部分と
   して選択する区間選択手段と、を備えていることを特徴
   とする請求項１に記載の音声認証装置。
3. 【請求項３】 前記音声部分取り出し手段は、前記音声
   信号入力手段により入力された音声信号の予め指定され
   た低域部分を除いた音声部分を取り出すことを特徴とす
   る請求項１又は請求項２に記載の音声認証装置。
4. 【請求項４】 前記データ変換手段は、前記音声部分取
   り出し手段により取り出された音声部分の音声信号を、
   高速フーリエ変換により周波数スペクトルの時系列分布
   にした多階調の２次元画像に変換し、 この２次元画像の時間軸方向の前後一定の領域に空白の
   画像を入れてなることを特徴とする請求項１乃至請求項
   ３の何れか１項に記載の音声認証装置。
5. 【請求項５】 登録話者の音声と照合話者の音声とを照
   合して認証する音声認証方法であって、 音声信号を入力する音声信号入力ステップと、 この音声信号入力ステップにより入力された音声信号の
   音声部分を取り出す音声部分取り出しステップと、 この音声部分取り出しステップにより取り出された音声
   信号の音声部分を２次元画像に変換するデータ変換ステ
   ップと、 このデータ変換ステップにより変換された登録話者の音
   声部分に対応する２次元画像を記憶する登録話者情報記
   憶ステップと、 この登録話者情報記憶ステップにより記憶された登録音
   声の２次元画像に対し前記データ変換ステップにより変
   換された照合話者の音声部分に対応する２次元画像を比
   較して、前記登録話者の音声信号と照合話者の音声信号
   との同一性を判定する照合判定ステップと、からなるこ
   とを特徴とする音声認証方法。
6. 【請求項６】 前記音声部分取り出しステップは、 前記音声信号入力ステップにより入力された音声信号の
   一定区間毎のエネルギを算出するエネルギ算出ステップ
   と、 このエネルギ算出ステップにより算出された音声信号の
   一定区間毎のエネルギ値に基づいた所定の閾値を算出す
   る閾値算出ステップと、 この閾値算出ステップにより算出された所定の閾値より
   大きなエネルギ値を有する前記音声信号の区間を音声部
   分として選択する区間選択ステップと、を備えているこ
   とを特徴とする請求項５に記載の音声認証方法。
7. 【請求項７】 コンピュータを制御して登録話者の音声
   と照合話者の音声とを照合して認証するための音声認証
   処理プログラムを記憶した記憶媒体であって、 前記コンピュータを制御して、 音声信号を入力し、 この音声入力により入力された音声信号の音声部分を取
   り出し、 この音声部分の取り出しにより取り出された音声信号の
   音声部分を２次元画像に変換し、 このデータ変換により変換された登録話者の音声部分に
   対応する２次元画像を記憶し、 この登録話者の情報記憶により記憶された登録音声の２
   次元画像に対し前記データ変換により変換された照合話
   者の音声部分に対応する２次元画像を比較して、前記登
   録話者の音声信号と照合話者の音声信号との同一性を判
   定する、ように機能させることを特徴とするコンピュー
   タ読み込み可能な音声認証処理プログラムを記憶した記
   憶媒体。
8. 【請求項８】 前記音声部分の取り出しは、前記コンピ
   ュータを制御して、 前記音声入力により入力された音声信号の一定区間毎の
   エネルギを算出し、 このエネルギ算出により算出された音声信号の一定区間
   毎のエネルギ値に基づいた所定の閾値を算出し、 この閾値算出により算出された所定の閾値より大きなエ
   ネルギ値を有する前記音声信号の区間を音声部分として
   選択する、ように機能させることを特徴とする請求項７
   に記載のコンピュータ読み込み可能な音声認証処理プロ
   グラムを記憶した記憶媒体。