JP3298658B2

JP3298658B2 - 音声認識方式

Info

Publication number: JP3298658B2
Application number: JP09788092A
Authority: JP
Inventors: 良介濱崎; 英樹小島
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 1992-04-17
Filing date: 1992-04-17
Publication date: 2002-07-02
Anticipated expiration: 2017-07-02
Also published as: JPH05297889A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は音声認識方式に関し、特
に、本発明は、予め登録しておいた辞書の各テンプレー
トと入力パターンとのマッチングを行うことにより類似
度または距離を計算して音声の認識を行う音声認識方式
において、辞書側の各テンプレートに認識時の雑音パタ
ーンを足し合わせることにより、高レベルの雑音下にお
ける認識率の向上を図る耐雑音音声認識方式に関するも
のである。

【０００２】

【従来の技術】従来から提案されている耐雑音音声認識
手法として、雑音が重畳されている認識時の音声信号
から、音声区間の前後の雑音区間の雑音成分を取り出
し、パワー・スペクトル次元において、雑音が重畳され
ている音声信号から上記雑音成分を差し引くスペクトル
・サブトラクション法や、上記のようにして取り出さ
れた認識時の雑音パワー・スペクトルを、予め登録して
おいた辞書側の各テンプレートに足し加えるテンプレー
ト・アディション法等があり、従来からその有効性が確
認されている。

【０００３】図９は上記したの手法により雑音処理を
行う音声認識方式を示す図であり、同図において、２０
１は音声入力部、２０２は第１の周波数分析部、２０
２’は第２の周波数分析部、２０４は第１のデータ圧縮
部、２０４’は第２のデータ圧縮部、２０５は辞書、２
０６は雑音付加部、２０７は照合部、２０８は非線形処
理部である。

【０００４】同図において、音声登録時には、音声入力
部２０１より音声信号が入力されると、第１の周波数分
析部２０２において、各周波数または各周波数帯域（以
下チャンネルという）に音声が分析され、各チャンネル
毎に音声のパワー・スペクトルの大きさが出力される。
第１の周波数分析部２０２の出力は、第１のデータ圧縮
部において、対数を計算することにより対数変換され、
辞書２０５にテンプレートとして格納される。

【０００５】また、音声の認識時には、音声入力部２０
１より音声信号が入力されると、上記と同様、第１の周
波数分析部２０２において、各チャンネルについて音声
が分析され、各チャンネル毎に音声のパワー・スペクト
ルの大きさが出力される。第１の周波数分析部２０２の
出力は、第１のデータ圧縮部２０４において、対数を計
算することにより対数変換され照合部２０７に与えられ
る。

【０００６】一方、雑音区間に関しては、音声入力部２
０１より雑音が入力されると第２の周波数分析部２０
２’において、各チャンネルについて雑音が分析され、
雑音付加部２０６に与えられる。また、辞書２０５に格
納されている各テンプレートは、前記したように、登録
時に対数をとって保存してあるので、非線形処理部２０
８において、対数の逆関数である指数関数を用いて音声
パワーの次元に戻して、雑音付加部２０６に与えられ
る。

【０００７】雑音付加部２０６においては、非線形処理
部２０８の出力と第２の周波数分析部２０２’の出力を
足し合わせることにより、辞書に格納されているテンプ
レートに雑音成分を加える。雑音付加部２０６の出力は
第２のデータ圧縮部２０４’において対数がとられ、照
合部２０７に与えられる。照合部２０７においては、第
１のデータ圧縮部２０４の出力である入力音声パターン
と第２のデータ圧縮部２０４’の出力である雑音処理さ
れた辞書側のテンプレートとのマッチングが取られ、認
識結果が出力される。

【０００８】

【発明が解決しようとする課題】上記したの手法にお
いては、入力音声に対して、雑音処理を一度だけ施せば
すむので、処理が簡単であるので良く用いられるが、そ
の反面、雑音成分だけでなく、音声成分まで引いてしま
う欠点がある。また、上記したの手法においては、雑
音成分を引く代わりに辞書側に雑音成分を足しているの
で、本質的でないスペクトル・パターンの変形がない反
面、その雑音処理を辞書のテンプレートの数だけ行う必
要があり、その有効性が示されているにも係わらず、実
用的でなかった。

【０００９】すなわち、図９に示した例においては、辞
書側の各テンプレートを音声パワーの次元に戻すために
非線形処理部２０８における非線形処理を１回行い、照
合のためにデータ圧縮部２０４において、非線形処理を
１回行う必要があり、合わせて、各テンプレートについ
て２回の非線形処理を行う必要がある。従って、辞書が
Ｎ個のテンプレートを持っているとすると、２Ｎ回の非
線形処理とＮ回の足し算が必要であり、処理量が多く、
実時間処理が困難であるという問題点があった。

【００１０】また、従来の音声認識装置においては、次
の理由により、周波数分析された各チャンネルの出力を
対数変換していた。１）感覚の強度が音圧の強度にほぼ比例するというウェ
ーバ・フェヒナの法則に対応していることを考慮してい
る。２）マッチングの時パワー・レベルの低い部分と高い部
分を同じ重みで計算できる。３）ダイナミック・レンジを低下させずにデータ圧縮を
することができる。４）パワーの正規化などの、本来乗除算でしなければな
らないスペクトル変換処理を加減算だけで行うことがで
き、演算速度を上げることができる。

【００１１】しかし、上記１）ないし３）に関しては、
対数と同じ様な特性をした関数であればよいし、また、
４）に関しても、パワーの正規化など乗除算を行う必要
がなければ対数である必要はなく、逆にここであげたよ
うな２つのパワー・スペクトルの和・差の変換値を必要
とする場合には、対数は利点があるとは言えない。本発
明は上記した従来技術の欠点に鑑み発明されたものであ
って、取り出された認識時の雑音パワー・スペクトル
を、予め登録しておいた辞書側の各テンプレートに足し
加えることにより、雑音が重畳された音声を認識するよ
うにした音声認識方式において、対数変換に換え、非線
型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃを用いて変換
することにより、計算量を大幅に削減することができ、
また、高レベル雑音下においても音声を良好に認識する
ことができる音声認識方式を提供することを目的とす
る。

【００１２】

【課題を解決するための手段】図１は本発明の原理図で
ある。本発明は上記課題を解決するため図１のように構
成したものであり、本発明の請求項１の発明は、発生さ
れた音声音響信号を電気信号に変換する音声入力部１
と、音声入力信号を周波数分析し、各分析フレーム毎に
複数チャンネルの分析データからなる入力音声パターン
を出力する第１および第２の周波数分析部２，２’と、
第１および第２周波数分析部２，２’において分析され
た周波数パターンを、非線型変換によってダイナミック
・レンジを保ちながらデータ圧縮する第１および第２の
データ圧縮部４，４’と、学習データから作成されるテ
ンプレートをデータ圧縮後、格納する辞書５と、音声認
識時に、第２のデータ圧縮部４’の出力より得られる雑
音成分をパワー・スペクトルの次元でテンプレートに付
加する雑音付加部６と、第１のデータ圧縮部４において
圧縮された入力音声パターンと雑音付加部６の出力との
照合を行い、両者の間の類似度あるいは距離を演算する
照合部７とを備えた音声認識方式において、第１および
第２のデータ圧縮部４，４’における非線型関数として
下式を用いるとともに、ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃ（ａ，ｂ，ｃは
定数）上記非線型関数の定数ａ，ｂ，ｃを決定する定数決定部
３を設け、上記非線形関数を用いて、第１および第２の
周波数分析部２，２’が出力する周波数パターンを第１
および第２のデータ圧縮部４，４’によりデータ圧縮す
るように構成したものである。

【００１３】請求項２の発明は請求項１の発明におい
て、雑音付加部６において、辞書５から読み出されたテ
ンプレートに、下式により雑音を付加するように構成し
たものである。ｘ３＝（ｘ１−ｃ）・（ｘ２−ｃ）／ｂ＋ｃここで、ｘ１：辞書５から読み出されたテンプレート
の値ｘ２：データ圧縮部４’より得られる雑音成分ｘ３：雑音付加部６の出力請求項３の発明は請求項１または請求項２の発明におい
て、非線型関数ｆ（ｘ）が取り扱うｘの範囲内におい
て、非線型関数ｆ（ｘ）と対数関数ｌｏｇ（ｘ）との最
大誤差が最小になる定数ａ，ｂ，ｃを定めるように構成
したものである。

【００１４】請求項４の発明は請求項１または請求項２
の発明において、非線型関数ｆ（ｘ）が取り扱うｘの範
囲内において、非線型関数ｆ（ｘ）と対数関数ｌｏｇ
（ｘ）との差の絶対値の積分値が最小になる定数ａ，
ｂ，ｃを定めるように構成したものである。請求項５の
発明は請求項１または請求項２の発明において、非線型
関数ｆ（ｘ）が取り扱うｘの範囲内において、非線型関
数ｆ（ｘ）と対数関数ｌｏｇ（ｘ）との２乗誤差の積分
値が最小になる定数ａ，ｂ，ｃを定めるように構成した
ものである。

【００１５】請求項６の発明は請求項１または請求項２
の発明において、非線型関数ｆ（ｘ）が取り扱うｘの範
囲内において、非線型関数ｆ（ｘ）と対数関数ｌｏｇ
（ｘ）とをテイラー展開し、その３項までの各項の係数
どうしが等しいとしたときの定数ａ，ｂ，ｃについての
連立方程式によって定数ａ，ｂ，ｃを決定するように構
成したものである。

【００１６】請求項７の発明は請求項１または請求項２
の発明において、認識結果計数部を設けて照合部７にお
ける認識結果を計数し、その認識率に基づき非線形関数
の定数ａ，ｂ，ｃを変化させ、最適な定数を決定するよ
うに構成したものである。請求項８の発明は請求項１，
２，３，４，５，６または請求項７の発明において、非
線形関数の定数ｃをゼロに設定したものである。

【００１７】請求項９の発明は請求項８の発明におい
て、辞書５から読み出されたテンプレートに、第２のデ
ータ圧縮部４’より得られる雑音成分を乗算することに
より、雑音付加部６の出力を得るように構成したもので
ある。請求項１０の発明は請求項９の発明において、辞
書５にテンプレートを格納する際、非線型関数の定数ｂ
によりテンプレート値を割っておくように構成したもの
である。

【００１８】請求項１１の発明は請求項９の発明におい
て、第１のデータ圧縮部４において圧縮された入力音声
パターンに非線型関数の定数ｂを乗算し、その結果を照
合部７に与えるように構成したものである。請求項１２
の発明は請求項９の発明において、第２のデータ圧縮部
４’において圧縮された雑音パターンを非線型関数の定
数ｂにより除算し、その結果を雑音付加部６に与えるよ
うに構成したものである。

【００１９】

【作用】請求項１ないし請求項２の発明において、音声
の認識時、入力された音声は周波数分析部２により、周
波数分析され、データ圧縮部４において、非線型関数ｆ
（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃによりデータ圧縮が行
われて、照合部７に与えられる。

【００２０】一方、雑音信号は周波数分析部２’により
周波数分析され、データ圧縮部４’において非線型関数
ｆ（ｘ）によりデータ圧縮されて、雑音付加部６に与え
られる。雑音付加部６は、辞書５より読み出されたテン
プレートに圧縮された雑音成分を付加し照合部７に与え
る。

【００２１】照合部７は、雑音付加部６の出力と、デー
タ圧縮部４の出力との間の類似度あるいは距離を演算
し、認識結果を出力する。変換関数として非線型関数ｆ
（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃを用いているので、四
則演算の計算だけでパワー・スペクトル次元の雑音成分
の付加ができ、計算量を大幅に削減することができる。

【００２２】また、請求項３ないし請求項６の手法によ
り非線型関数の定数ａ，ｂ，ｃを定めることにより、非
線型関数ｆ（ｘ）が取り扱うｘの範囲内において、非線
型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃを対数関数に
近似させることができ、対数関数を用いた場合と同様な
特性を得ることができる。さらに、請求項７の発明のよ
うに、認識結果計数部を設けて照合部７における認識結
果を計数し、その認識率に基づき非線形関数の定数ａ，
ｂ，ｃを変化させることにより、照合部７における認識
率が最良になるデータ圧縮を行うことができる。

【００２３】またさらに、請求項８ないし請求項１２の
発明のように、非線形関数の定数ｃをゼロに設定するこ
とにより、データ圧縮部４，４’における定数ｃの加
算、および、雑音付加部６において定数ｃの減算が必要
なくなり、更に計算量が削減され、請求項９の発明のよ
うに、辞書５から読み出されたテンプレートに、第２の
データ圧縮部４’より得られる雑音成分を乗算すること
により、雑音付加部６の出力を得ることが可能となる。

【００２４】なお、定数ｃをゼロに設定しても、２つの
パターンの距離を照合部７において算出する際、２つの
パターンの差を計算する市街地距離では算出された距離
の値には影響しない。また、２つのパターンの２乗差を
計算するユークリット距離でも定数ｃによる絶対値の大
きさの違いは本質的でない。また、請求項１０の発明の
ように、辞書５にテンプレートを格納する際、非線型関
数の定数ｂによりテンプレート値を割っておくように構
成することにより、音声登録時、データ圧縮部４の出力
を定数ｂにより除算する必要があるが、音声認識時、雑
音付加部６においては乗算のみ行えばよく、除算が不必
要なため、音声認識時の計算量をより削減することがで
きる。

【００２５】さらに、請求項１１の発明のように、第１
のデータ圧縮部４において圧縮された入力音声パターン
に非線型関数の定数ｂを乗算し、その結果を照合部７に
与えるように構成することにより、音声認識時、データ
圧縮部４の出力に定数ｂを乗算する必要があるが、雑音
付加部６においては乗算のみ行えばよく、除算が不必要
なため、１回の認識につき、テンプレートの数に対応し
た回数の除算が節約でき、音声認識時の計算量をより削
減することができる。

【００２６】またさらに、請求項１２の発明のように、
第２のデータ圧縮部４’において圧縮された雑音パター
ンを非線型関数の定数ｂにより除算し、その結果を雑音
付加部６に与えるように構成することにより、音声認識
時、データ圧縮部４の出力を定数ｂで除算する必要があ
るが、雑音付加部６においては乗算のみ行えばよく、除
算が不必要なため、１回の認識につき、テンプレートの
数に対応した回数の除算が節約でき、音声認識時の計算
量をより削減することができる。

【００２７】

【実施例】図２は本発明の第１の実施例を示す図であ
り、同図において、１１はアナログ／デジタル変換部、
１２は音声区間検出部、２および２’は第１および第２
の周波数分析部、３は定数決定部、４および４’は第１
および第２のデータ圧縮部、５は辞書、６１は雑音付加
部、７は照合部である。

【００２８】同図において、アナログ／デジタル変換部
１１は音声入力信号をデジタル信号に変換する手段であ
り、その出力は音声区間検出部１２に与えられる。音声
区間検出部１２は入力信号のパワーなどの情報により音
声区間を決定する手段であり、音声区間検出部１２によ
り、入力音声信号の音声区間が検出され、音声区間は第
１の周波数分析部２に与えられる。

【００２９】なお、認識時にワード・スポッティング法
（識別の対象となるパターン信号と、テンプレートを比
較する際、一方の信号を他方の信号に対してずらしてい
き、最もその誤差が小さくなる位置における両者の距離
を求めることにより、識別の対象となるパターン信号と
テンプレート距離を定める手法）を用いる場合には音声
区間検出部１２は必ずしも必要ではない。

【００３０】第１の周波数分析部２および第２の周波数
分析部２’は、音声区間検出部１２の出力である音声信
号と雑音信号の両者に対して周波数分析を行う手段であ
り、例えば、１９チャンネルのバンド・パス・フィルタ
を用いて周波数分析を行い、各チャンネル毎にパワー・
スペクトルの大きさを出力する。第１の周波数分析部２
および第２の周波数分析部２’の出力はデータ圧縮部４
およびデータ圧縮部４’に与えられ、非線型関数ｆ
（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃによりデータ圧縮され
る。また、上記非線型関数の定数ａ，ｂ，ｃは定数決定
部３において決定される。

【００３１】定数決定部３は非線型関数ｆ（ｘ）＝ｂ・
ｅｘｐ（ａｘ）＋ｃが従来用いられてきた対数関数ｇ
（ｘ）＝ｌｏｇｘを近似するように定数ａ，ｂ，ｃを決
定する手段であり、近似の手法としては次の方法等を用
いることができる。ｆ（ｘ）とｇ（ｘ）の最大誤差を最小にするような
定数ａ，ｂ，ｃを決定する方法。ｆ（ｘ）とｇ（ｘ）の差の絶対値の積分値を最小に
するような定数ａ，ｂ，ｃを決定する方法。ｆ（ｘ）とｇ（ｘ）の２乗誤差の積分値を最小にす
るような定数ａ，ｂ，ｃを決定する方法。ｆ（ｘ）とｇ（ｘ）をテイラー展開して、３項まで
の各項の係数どうしが等しいとした時の定数ａ，ｂ，ｃ
による３元連立方程式によって３つの定数を決定する方
法。

【００３２】図３は下式で表される対数関数（ａ）と非
線型関数（ｂ）ないし（ｃ）を示した図である。（ａ）ｆ（ｘ）＝ｌｏｇ（ｘ）（ｂ）ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃ（ｃ＝０の場
合）（ｃ）ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）−ｂｅ^a（（ｂ）
においてｃ＝−ｂｅ^aの場合）同図から明らかなように、定数ａ，ｂ，ｃを選定するこ
とにより、対数関数に近似した非線型関数を得ることが
できる。

【００３３】図２の辞書５には、音声登録時に入力され
たテンプレートが格納されており、音声認識時、辞書５
よりテンプレートが読み出される。雑音付加部６１は辞
書より読み出されたテンプレートに雑音を付加する手段
であり、また、照合部７はデータ圧縮部４が出力する音
声パターン信号との距離を計算し、入力音声の認識結果
を出力する手段である。

【００３４】次に図２の第１の実施例の動作を説明す
る。音声の登録時、音声が入力されると、入力された音
声はアナログ／デジタル変換部１１によりデジタル信号
に変換され音声区間検出部１２により音声区間が検出さ
れる。音声区間検出部１２の出力は周波数分析部２にお
いて、バンド・パス・フィルタにより各チャンネルごと
に音声が分析され、パワー・スペクトルの大きさが出力
される。

【００３５】音声の分析結果は、データ圧縮部４に与え
られ、非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃに
よりデータ圧縮が行われて、テンプレートとして辞書５
に登録される。音声の認識時には、音声が入力される
と、入力された音声はアナログ／デジタル変換部１１に
よりデジタル信号に変換され音声区間検出部１２により
音声区間が検出される。

【００３６】音声区間検出部１２により検出された、雑
音が重畳された音声信号は周波数分析部２により、上記
と同様、周波数分析され、データ圧縮部４において、非
線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃによりデー
タ圧縮が行われて、照合部７に与えられる。一方、雑音
信号は音声区間検出部１２より周波数分析部２’に与え
られ、上記と同様、周波数分析されて、データ圧縮部
４’において非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）
＋ｃによりデータ圧縮が行われて、雑音付加部６１に与
えられる。

【００３７】雑音付加部６１においては、辞書５より読
み出されたテンプレートに圧縮された雑音成分を付加し
照合部７に与える。ここで、ｓを音声のパワー・スペク
トル、ｎを雑音のパワー・スペクトルとし、また上記し
た非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃによる
音声のパワー・スペクトルの変換値をｆ（ｓ）、雑音の
パワー・スペクトルの変換値をｆ（ｎ）とすると、音声
に雑音が重畳されたパワー・スペクトルｓ＋ｎの変換値
ｆ（ｓ＋ｎ）は次式により求めることができる。

【００３８】ｆ（ｎ＋ｓ）＝ｂ・ｅｘｐ（ａｎ＋ａｓ）＋ｃ＝ｂ・ｅｘｐ（ａｎ）・ｅｘｐ（ａｓ）＋ｃ＝〔｛ｂ・ｅｘｐ（ａｎ）＋ｃ｝−ｃ〕・〔｛ｂ・ｅｘｐ（ａｓ）＋ｃ｝−ｃ〕／ｂ＋ｃ＝｛ｆ（ｎ）−ｃ｝・｛ｆ（ｓ）−ｃ｝／ｂ＋ｃしたがって、雑音付加部６１においては、辞書５から読
み出された音声の変換値ｆ（ｓ）から定数ｃを減算する
とともに、データ圧縮部４’の出力である、雑音の変換
値ｆ（ｎ）から定数ｃを減算し、その積を定数ｂで割
り、さらに、定数ｃを加えることにより、雑音が重畳さ
れたパターン信号を求めることができ、この信号は照合
部７に与えられる。

【００３９】照合部７においては、雑音付加部６１の出
力であるテンプレートに認識時の雑音を加えたパターン
信号と、データ圧縮部４の出力である分析後の雑音が重
畳された音声パターンとを、例えば、ＤＰ（ダイナミッ
ク・プログラミング）マッチング手法などを用いてマッ
チングを行い、認識結果を出力する。本実施例において
は、変換関数として非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ
（ａｘ）＋ｃを用いているので、四則演算の計算だけで
パワー・スペクトル次元の雑音成分の付加ができ、図９
に示した従来例のように、１テンプレート当たり２回の
非線型処理を行う必要がなく、計算量を大幅に削減する
ことができる。

【００４０】図４は本発明の第２の実施例を示す図であ
り、同図は、図２に示した第１の実施例に認識結果計数
部９を付加したものであり、その他の構成は図２の実施
例と同一である。同図において、認識結果計数部９は照
合部７における照合結果を計数し、照合部における認識
率が最良になるように、定数決定部３において決定され
る非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃの定数
を変化させる手段である。

【００４１】図２に示した第１の実施例においては、非
線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃの定数を、
対数関数ｇ（ｘ）＝ｌｏｇｘに非線型関数ｆ（ｘ）が近
似するように決定していたが、従来、非線型関数として
対数関数を用いていた根拠は認識率とは厳密な関係はな
く、認識率の点から見ると、対数関数がかならずしも最
良のものとは言えない。

【００４２】逆に、非線型関数ｆ（ｘ）においては、３
つの定数を変えることができるので、これらの定数を本
実施例のように認識率に応じて変えることにより、認識
率が最良になるデータ圧縮を行うことが可能となる。図
５は本発明の第３の実施例であり、本実施例において
は、図２の実施例の第１および第２のデータ圧縮部４、
４’、雑音付加部６１を第１および第２のデータ圧縮部
４２，４２’、雑音付加部６２に変更したものであり、
その他の構成は図２の第１の実施例と同一である。

【００４３】本実施例のデータ圧縮部４２，４２’にお
いては、非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃ
におけるｃの加算がなくなり、また、雑音付加部６２に
おいてはｃの減算がなくなっており、図２の実施例のも
のと比べ更に計算量が削減されている。本実施例のよう
にｃを省略しても、２つのパターンの距離を照合部７に
おいて算出する際、２つのパターンの差を計算している
ため、算出された距離の値には影響しない。

【００４４】例えば、照合部７における、距離尺度とし
て市街地距離を用いるとすると、２つのパターンの距離
は下式のように算出される。｜ｆ（ｘ１）−ｆ（ｘ２）｜＝｜ｂ・ｅｘｐ（ａｘ１）＋ｃ−（ｂ・ｅｘｐ（ａｘ２）＋ｃ）｜＝｜ｂ・ｅｘｐ（ａｘ１）−（ｂ・ｅｘｐ（ａｘ２））｜上記式から明らかなように、距離計算においては、２つ
のパターンの距離はｃに依存しない。

【００４５】図６は本発明の第４の実施例を示す図であ
り、本実施例においては、図５の第３の実施例の雑音付
加部６２を雑音付加部６３に変更するとともに、データ
整合部１０１を付加したものであり、その他の構成は図
５の第３の実施例と同一である。図６において、音声登
録時、データ圧縮部４２の出力はデータ整合部１０１に
おいて、定数ｂで割り算され辞書５にテンプレートとし
て格納される。

【００４６】したがって、前記したように、ｓを音声の
パワー・スペクトル、非線型関数ｆ（ｘ）＝ｂ・ｅｘｐ
（ａｘ）による音声のパワー・スペクトルの変換値をｆ
（ｓ）とすると、辞書５にはｆ（ｓ）／ｂ＝ｅｘｐ（ａ
ｓ）で表されるテンプレートが格納される。そして、音
声認識時、辞書５よりｆ（ｓ）／ｂ＝ｅｘｐ（ａｓ）で
表されるテンプレートが読み出され、雑音付加部６３に
おいて、データ圧縮部４２が出力するｆ（ｎ）＝ｂ・ｅ
ｘｐ（ａｎ）と乗算されるので、雑音付加部６３の出力
は、下式に示すようになる。

【００４７】ｆ（ｎ）・ｆ（ｓ）／ｂ＝ｅｘｐ（ａｓ）・ｂ・ｅｘｐ（ａｎ）＝ｂ・ｅｘｐ（ａｓ＋ａｎ）＝ｆ（ｎ＋ｓ）雑音付加部６３の出力は、照合部７に与えられ、第３の
実施例の場合と同様、データ圧縮部４２の出力との距離
が求められ、認識結果が出力される。本実施例において
は、音声登録時、データ圧縮部４２の出力を定数ｂによ
り除算する必要があるが、音声認識時、雑音付加部６３
においては乗算のみ行えばよく、除算が不必要なため、
音声認識時の計算量をより削減することができる。

【００４８】図７は本発明の第５の実施例を示す図であ
り、本実施例においては、図５の第３の実施例の雑音付
加部６２を雑音付加部６３に変更するとともに、データ
整合部１０２を付加したものであり、その他の構成は図
５の第３の実施例と同一である。図７において、音声認
識時、辞書５よりｆ（ｓ）＝ｂ・ｅｘｐ（ａｓ）に対応
したテンプレートが読み出され、雑音付加部６３におい
て、データ圧縮部４２が出力するｆ（ｎ）＝ｂ・ｅｘｐ
（ａｎ）と乗算され、雑音付加部６３の出力は、下式に
示すようになる。

【００４９】ｆ（ｎ）・ｆ（ｓ）＝ｂ・ｅｘｐ（ａｓ）・ｂ・ｅｘｐ（ａｎ）＝ｂ²・ｅｘｐ（ａｓ＋ａｎ）＝ｂ・ｆ（ｎ＋ｓ）一方、データ圧縮部４２の出力にデータ整合部１０２に
おいて、定数ｂが乗算されるので、データ整合部１０２
の出力はｂ・ｆ（ｎ＋ｓ）となる。雑音付加部６３の出
力は、照合部７に与えられ、第３の実施例の場合と同
様、データ整合部１０２の出力との距離が求められ、認
識結果が出力される。

【００５０】本実施例においては、音声認識時、データ
圧縮部４２の出力に定数ｂを乗算する必要があるが、雑
音付加部６３においては乗算のみ行えばよく、除算が不
必要なため、１回の認識につき、テンプレートの数に対
応した回数の除算が節約でき、音声認識時の計算量をよ
り削減することができる。図８は本発明の第６の実施例
を示す図であり、本実施例においては、図５の第３の実
施例の雑音付加部６２を雑音付加部６３に変更するとと
もに、データ整合部１０３を付加したものであり、その
他の構成は図５の第３の実施例と同一である。

【００５１】図８において、音声認識時、データ圧縮部
４２’の出力ｆ（ｎ）＝ｂ・ｅｘｐ（ａｎ）がデータ整
合部１０３において、定数ｂで除算されてｆ（ｎ）／ｂ
＝ｅｘｐ（ａｎ）が求められ、雑音付加部６３に与えら
れる。雑音付加部６３においては、辞書５より読み出さ
れたｆ（ｓ）＝ｂ・ｅｘｐ（ａｓ）とデータ整合部１０
３が出力するｆ（ｎ）／ｂ＝ｅｘｐ（ａｎ）とが乗算さ
れ、雑音付加部６３の出力は、下式に示すようになる。

【００５２】ｆ（ｎ）・ｆ（ｓ）／ｂ＝ｂ・ｅｘｐ（ａｓ）・ｅｘｐ（ａｎ）＝ｂ・ｅｘｐ（ａｓ＋ａｎ）＝ｆ（ｎ＋ｓ）雑音付加部６３の出力は、照合部７に与えられ、第３の
実施例の場合と同様、データ整合部１０２の出力との距
離が求められ、認識結果が出力される。本実施例におい
ては、音声認識時、データ圧縮部４２の出力を定数ｂで
除算する必要があるが、雑音付加部６３においては乗算
のみ行えばよく、除算が不必要なため、１回の認識につ
き、テンプレートの数に対応した回数の除算が節約で
き、音声認識時の計算量をより削減することができる。

【００５３】

【発明の効果】以上説明したことから明らかなように、
本発明においては、変換関数として非線型関数ｆ（ｘ）
＝ｂ・ｅｘｐ（ａｘ）＋ｃを用いているので、四則演算
の計算だけでパワー・スペクトル次元の雑音成分の付加
ができ、計算量を大幅に削減することができる。

【００５４】また、認識結果計数部を設けて照合部にお
ける認識結果を計数し、その認識率に基づき非線形関数
の定数ａ，ｂ，ｃを変化させることにより、照合部にお
ける認識率が最良になるデータ圧縮を行うことができ
る。さらに、非線形関数の定数ｃをゼロに設定すること
により、データ圧縮部における定数ｃの加算、および、
雑音付加部において定数ｃの減算が必要なくなり、更に
計算量を削減することができる。

【図面の簡単な説明】

【図１】本発明の原理図である。

【図２】本発明の第１の実施例を示す図である。

【図３】対数関数と非線形関数を示す図である。

【図４】本発明の第２の実施例を示す図である。

【図５】本発明の第３の実施例を示す図である。

【図６】本発明の第４の実施例を示す図である。

【図７】本発明の第５の実施例を示す図である。

【図８】本発明の第６の実施例を示す図である。

【図９】従来例を示す図である。

【符号の説明】

１音声入力部２，２’ 周波数分析部３定数決定部４，４’，４２，４２’ データ圧縮部５辞書６，６１，６２，６３雑音付加部７照合部９認識結果計数部１１アナログ／デジタル変換部１２音声区間検出部１０１，１０２，１０３データ整合部

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩＧ１０Ｌ 21/02 (56)参考文献古井貞煕，ディジタル音声処理，日本，東海大学出版会，1985年９月25日, ｐ．99−100 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 15/02 G10L 15/06 G10L 15/10 G10L 21/02 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims

(57)【特許請求の範囲】

【請求項１】発生された音声音響信号を電気信号に変
換する音声入力部(1) と、音声入力信号を周波数分析し、各分析フレーム毎に複数
チャンネルの分析データからなる入力音声パターンを出
力する第１および第２の周波数分析部(2,2')と、第１および第２周波数分析部(2,2')において分析された
周波数パターンを、非線型変換によってダイナミック・
レンジを保ちながらデータ圧縮する第１および第２のデ
ータ圧縮部(4,4')と、学習データから作成されるテンプレートをデータ圧縮
後、格納する辞書(5) と、音声認識時に、第２のデータ圧縮部(4')の出力より得ら
れる雑音成分をパワー・スペクトルの次元でテンプレー
トに付加する雑音付加部(6) と、第１のデータ圧縮部(4) において圧縮された入力音声パ
ターンと雑音付加部(6) の出力との照合を行い、両者の
間の類似度あるいは距離を演算する照合部(7)とを備え
た音声認識方式において、第１および第２のデータ圧縮部(4,4')における非線型関
数として下式を用いるとともに、ｆ（ｘ）＝ｂ・ｅｘｐ（ａｘ）＋ｃ（ａ，ｂ，ｃは
定数）上記非線型関数の定数ａ，ｂ，ｃを決定する定数決定部
(3) を設け、上記非線形関数を用いて、第１および第２の周波数分析
部(2,2')が出力する周波数パターンを第１および第２の
データ圧縮部(4,4')によりデータ圧縮することを特徴と
する音声認識方式。
【請求項２】雑音付加部(6) において、辞書(5) から
読み出されたテンプレートに、下式により雑音を付加す
ることを特徴とする請求項１の音声認識方式。ｘ３＝（ｘ１−ｃ）・（ｘ２−ｃ）／ｂ＋ｃここで、ｘ１：辞書(5) から読み出されたテンプレー
トの値ｘ２：データ圧縮部(4')より得られる雑音成分ｘ３：雑音付加部(6) の出力
【請求項３】非線型関数ｆ（ｘ）が取り扱うｘの範囲
内において、非線型関数ｆ（ｘ）と対数関数ｌｏｇ
（ｘ）との最大誤差が最小になるように定数ａ，ｂ，ｃ
を定めることを特徴とする請求項１または請求項２の音
声認識方式。
【請求項４】非線型関数ｆ（ｘ）が取り扱うｘの範囲
内において、非線型関数ｆ（ｘ）と対数関数ｌｏｇ
（ｘ）との差の絶対値の積分値が最小になるように定数
ａ，ｂ，ｃを定めることを特徴とする請求項１または請
求項２の音声認識方式。
【請求項５】非線型関数ｆ（ｘ）が取り扱うｘの範囲
内において、非線型関数ｆ（ｘ）と対数関数ｌｏｇ
（ｘ）との２乗誤差の積分値が最小になるように定数
ａ，ｂ，ｃを定めることを特徴とする請求項１または請
求項２の音声認識方式。
【請求項６】非線型関数ｆ（ｘ）が取り扱うｘの範囲
内において、非線型関数ｆ（ｘ）と対数関数ｌｏｇ
（ｘ）とをテイラー展開し、その３項までの各項の係数
どうしが等しいとしたときの定数ａ，ｂ，ｃについての
連立方程式によって定数ａ，ｂ，ｃを決定することを特
徴とする請求項１または請求項２の音声認識方式。
【請求項７】認識結果計数部を設けて照合部(7) にお
ける認識結果を計数し、その認識率に基づき非線形関数
の定数ａ，ｂ，ｃを変化させ、最適な定数を決定するこ
とを特徴とする請求項１または請求項２の音声認識装
置。
【請求項８】非線形関数の定数ｃをゼロにすることを
特徴とする請求項１，２，３，４，５，６または請求項
７の音声認識装置。
【請求項９】辞書(5) から読み出されたテンプレート
に、第２のデータ圧縮部(4')より得られる雑音成分を乗
算することにより、雑音付加部(6) の出力を得ることを
特徴とする請求項８の音声認識方式。
【請求項１０】辞書(5) にテンプレートを格納する
際、非線型関数の定数ｂによりテンプレート値を割って
おくことを特徴とする請求項９の音声認識方式。
【請求項１１】第１のデータ圧縮部(4) において圧縮
された入力音声パターンに非線型関数の定数ｂを乗算
し、その結果を照合部(7) に与えることを特徴とする請
求項９の音声認識方式。
【請求項１２】第２のデータ圧縮部(4')において圧縮
された雑音パターンを非線型関数の定数ｂにより除算
し、その結果を雑音付加部(6) に与えることを特徴とす
る請求項９の音声認識方式。