JP5151102B2 - 音声認証装置、音声認証方法およびプログラム - Google Patents

Description

本発明は、音声を利用した認証の技術に関する。

正当な利用者から事前に採取された音声（以下「登録音声」という）の特徴量と認証の対象者（以下「被認証者」という）から採取された音声（以下「認証音声」という）の特徴量との距離を閾値と比較することで被認証者の正当性を判別する音声認証の技術が従来から提案されている。また、特許文献１には、認証の目的や必要な精度に応じて閾値を変更する構成が開示されている。
特開２００３−２４８６６１号公報

図８は、音声認証の評価に使用されるグラフである。同図におけるＦＲＲ（False Rejection Rate）は、被認証者が正当な利用者であるにも拘わらず認証で正当性が否定される確率（本人拒否率）を意味し、ＦＡＲ（False Acceptance Rate）は、被認証者が正当な利用者ではないにも拘わらず認証で正当性が肯定される確率（他人受入率）を意味する。同図から理解されるように、認証に使用される閾値を図８の数値ａに設定すれば、不当な被認証者が拒否される確度を充分に高水準に維持しながら、正当な利用者が拒否される可能性は充分に低減される。

しかし、認証音声の特性は認証時に周囲で発生している音声（以下「認証時雑音」という）に影響されるから、認証音声と登録音声との距離は認証時雑音に応じて変動する。したがって、ＦＲＲやＦＡＲの各々の曲線は、認証時雑音の特性に応じて横軸（距離）に沿って平行に移動する。そして、例えば図８に実線で図示されたＦＡＲが破線Ｌ1に変動した場合には、他人の正当性が誤認される確率が上昇（すなわち認証の精度が低下）し、図８のＦＲＲが破線Ｌ2に変動した場合には正当な利用者の認証が拒絶される確率が上昇（すなわち利便性が低下）する。すなわち、従来の音声認証においては、認証時雑音の特性に応じて認証の精度と利便性との均衡が崩れるという問題がある。

特許文献１のように認証の目的や必要な精度に応じて閾値を変更しても以上の問題は何ら解決しない。また、携帯電話機に代表される可搬型の電子機器で認証を実行する場合には電子機器の使用される環境に応じて認証時雑音の特性が多様に変化するから、以上の問題は特に深刻化する。このような事情に鑑みて、本発明は、認証時雑音に拘わらず認証の精度と利便性との均衡を維持するという課題の解決を目的としている。

以上の課題を解決するために、本発明のひとつの形態に係る音声認証装置は、認証時に被認証者の周囲に発生する認証時雑音の特性を分析する特性分析手段と、予め登録された登録音声とその登録時の登録時雑音との音量比（例えば図４の音量比EN_SN）に対して、特性分析手段が分析した認証時雑音の特性に応じた関係を満たす変数（例えば図４の閾値ＴＨ）と、所定の閾値との差分値となるように、第１補正値（例えば図１の補正値Ａa）を設定する第１設定手段（例えば図１の設定部５１）と、登録音声と被認証者から採取された認証音声との特徴量の類否を示す指標値（例えば図１の距離Ｄ0）を第１設定手段が設定した第１補正値に基づいて補正する補正手段と、補正手段による補正後の指標値と所定の閾値との比較によって被認証者を認証する判定部とを具備する。以上の態様によれば、登録音声と認証音声との類否を示す指標値が認証時雑音の特性に応じて補正されたうえで所定の閾値と比較されるから、認証時雑音に拘わらず認証の精度と利便性との均衡を維持することが可能である。なお、所定の閾値は固定値および可変値の何れでもよい。

本発明の好適な態様において、第１設定手段は、認証時雑音の特性に対応した直線または曲線に沿うように登録音声と登録時雑音との音量比に応じて変化する変数と、所定の閾値との差分値となるように、認証時雑音と登録音声および登録時雑音の音量比とに応じて第１補正値を決定する。さらに詳述すると、第１設定手段は、認証音声および認証時雑音の音量比（例えば音量比V_SN）と登録音声および登録時雑音の音量比との差分値（例えば図４のDIF_SN1〜DIF_SN3）に応じた直線または曲線に沿うように登録音声と登録時雑音との音量比に応じて変化する変数と、所定の閾値との差分値となるように、当該差分値と登録音声および登録時雑音との音量比とに応じて第１補正値を決定する。以上の態様によれば、登録時雑音や認証時雑音の特性に拘わらず簡易な処理によって認証の精度と利便性との均衡を維持することが可能となる。なお、第１設定手段は、登録時雑音および登録音声の音量比と認証時雑音（より詳細には認証時雑音および認証音声の音量比と登録時雑音および登録音声の音量比との相違）と第１補正値との関係を定義するテーブルに基づいて第１補正値を設定してもよいし、これらの数値の関係を表現する数式を利用した演算によって第１補正値を算定してもよい。テーブルや数式の内容は、例えば利用者からの指示に応じて適宜に変更され得る。

本発明のひとつの態様に係る音声認証装置は、認証時雑音と登録時雑音との相違（例えば図６の相関値NOISE_DIF）に応じて第２補正値（例えば図１の補正値Ａb）を設定する第２設定手段（例えば図１の設定部５２）を具備し、補正手段は、指標値を、第１補正値および第２補正値に応じた数値に補正する。以上の態様によれば、実際の認証時における認証時雑音と登録時雑音との相関が、登録時雑音および登録音声の音量比と第１補正値との関係を決定するときに想定した認証時雑音と登録時雑音との相関とは相違する場合であっても、認証時雑音と登録時雑音との相違に応じた第２補正値に基づいて指標値を補正することで認証の精度と利便性との均衡を有効に維持することが可能となる。なお、第２設定手段は、認証時雑音および登録時雑音の相違と第２補正値との関係を定義するテーブルに基づいて第２補正値を設定してもよいし、この関係を表現する数式を利用した演算によって第２補正値を算定してもよい。テーブルや数式の内容は、例えば利用者からの指示に応じて適宜に変更され得る。

本発明のひとつの態様に係る音声認証装置は、認証音声または登録音声の時間長（例えば図７の発声長EN_SPEECH_LENや発声長V_SPEECH_LEN）に応じて第３補正値（例えば図１の補正値Ａc）を設定する第３設定手段（例えば図１の設定部５３）を具備し、補正手段は、指標値を、第１補正値および第３補正値に応じた数値に補正する。以上の態様によれば、実際の登録音声や認証音声の発声長が、登録時雑音および登録音声の音量比と第１補正値との関係を決定するときに想定した発声長とは相違する場合であっても、認証音声や登録音声に応じた第３補正値に基づいて指標値を補正することで認証の精度と利便性との均衡を有効に維持することが可能となる。なお、第３設定手段は、認証音声または登録音声の時間長と第３補正値との関係を定義するテーブルに基づいて第３補正値を設定してもよいし、この関係を表現する数式を利用した演算によって第３補正値を算定してもよい。テーブルや数式の内容は、例えば利用者からの指示に応じて適宜に変更され得る。

なお、指標値の補正に使用される補正値を決定するときに基準となる変数は、認証時雑音と登録時雑音との相違や認証音声または登録音声の時間長に限定されない。例えば、登録音声や認証音声のうち有声音と無声音との時間長の比率に応じて補正値を設定する設定手段、または、登録音声や認証音声の音節の個数に応じて補正値を設定する設定手段をさらに設置してもよい。何れの態様においても、以上と同様に、テーブルや数式に応じて補正値を決定する構成や、テーブルや数式の内容が可変とされた構成が採用される。

本発明は、以上の各態様に係る音声認証装置の動作方法（音声認証方法）としても特定される。本発明のひとつの態様に係る音声認証方法は、認証時に被認証者の周囲に発生する認証時雑音の特性を分析し、予め登録された登録音声とその登録時の登録時雑音との音量比に対して、分析した認証時雑音の特性に応じた関係を満たす変数と、所定の閾値との差分値となるように、第１補正値を設定し、登録音声と被認証者から採取された認証音声との特徴量の類否を示す指標値を設定した第１補正値に基づいて補正し、補正後の指標値と所定の閾値との比較によって被認証者を認証する。以上の方法によれば、本発明に係る音声認証装置と同様の作用および効果が奏される。

以上の各態様に係る音声認証装置は、各処理に専用されるＤＳＰ（Digital Signal Processor）などのハードウェア（電子回路）によって実現されるほか、ＣＰＵ（Central Processing Unit）などの汎用の演算処理装置とプログラムとの協働によっても実現される。本発明に係るプログラムは、コンピュータに、認証時に被認証者の周囲に発生する認証時雑音の特性を分析する特性分析処理と、予め登録された登録音声とその登録時の登録時雑音との音量比に対して、特性分析処理で分析した認証時雑音の特性に応じた関係を満たす変数と、所定の閾値との差分値となるように、第１補正値を設定する第１設定処理と、登録音声と被認証者から採取された認証音声との特徴量の類否を示す指標値を第１設定処理で設定した第１補正値に基づいて補正する補正処理と、補正処理後の指標値と所定の閾値との比較によって被認証者を認証する判定処理とを実行させる内容である。以上のプログラムによっても、以上の各態様に係る音声認証装置と同様の作用および効果が奏される。なお、本発明のプログラムは、ＣＤ−ＲＯＭなど可搬型の記録媒体に格納された形態で利用者に提供されてコンピュータにインストールされるほか、ネットワークを介した配信の形態でサーバ装置から提供されてコンピュータにインストールされる。

＜Ａ：音声認証装置の構成＞
図１は、本発明のひとつの形態に係る音声認証装置の構成を示すブロック図である。音声認証装置１００は、被認証者が特定の言葉を発声したときの音声に基づいて被認証者の正当性（予め登録された正規の利用者であるか否か）を判定する装置であり、携帯電話機や情報処理装置など各種の電子機器に搭載される。図１に図示された特性分析部２０や認証部４０や補正値制御部５０は、例えばＣＰＵなどの演算処理装置がプログラムを実行することで実現されてもよいし、ＤＳＰなどのハードウェア回路によって実現されてもよい。

音声認証装置１００の動作は初期登録と認証とに区分される。初期登録は、正当な利用者が発声した音声（登録音声）を認証に先立って登録する動作である。認証は、登録音声と被認証者が発声した音声（認証音声）との照合によって被認証者の正当性を判定する動作である。操作部１０は、利用者によって操作される複数の操作子を含む。利用者は、操作部１０を適宜に操作することで初期登録や認証の開始を音声認証装置１００に指示することができる。

図１の入力部１５および特性分析部２０は、認証時には、認証音声や音声認証装置１００の周囲の雑音（認証時雑音）の特性を検出するために使用され、初期登録時には、同図に破線Ｒで図示されるように、登録音声や音声認証装置１００の周囲の雑音（登録時雑音）の特性を検出するために使用される。

入力部１５は、周囲の音響（音声および雑音）に応じた音響信号Ｓを生成する収音機器である。図２に例示されるように、音響信号Ｓは、非発声区間Ｐ1と発声区間Ｐ2とに区分される。発声区間Ｐ2は、初期登録に際して正当な利用者が登録音声を発声した区間や認証に際して被認証者が認証音声を発声した区間である。一方、非発声区間Ｐ1は、登録音声や認証音声が発声されない区間である。音声認証装置１００が設置された環境には各種の雑音が発生し得るから、非発声区間Ｐ1においても完全な無音（音響信号Ｓの振幅がゼロ）ではなく、登録時雑音や認証時雑音が入力部１５によって収音される。

入力部１５が生成した音響信号Ｓは図１の特性分析部２０に供給される。特性分析部２０は、入力部１５が採取した音響を分析する手段であり、区間検出部２２と切換部２３と雑音分析部２５と音声分析部２６と特徴分析部２８とを含む。区間検出部２２は、非発声区間Ｐ1と発声区間Ｐ2とを区分する。例えば、区間検出部２２は、音響信号Ｓの振幅が不連続に増減した時点を非発声区間Ｐ1と発声区間Ｐ2との境界として検出する。なお、非発声区間Ｐ1と発声区間Ｐ2との区分には公知の様々な技術が採用される。

切換部２３は、入力部１５が生成した音響信号Ｓの供給先を選択的に切換える手段である。音響信号Ｓのうち区間検出部２２が非発声区間Ｐ1と認定した区間は雑音分析部２５に供給され、区間検出部２２が発声区間Ｐ2と認定した区間は音声分析部２６と特徴分析部２８とに供給される。

雑音分析部２５は、非発声区間Ｐ1の音響信号Ｓに基づいて登録時雑音や認証時雑音の特性を分析する手段である。本形態の雑音分析部２５は、非発声区間Ｐ1内において周期的に音響信号Ｓの特性を分析する。そして、操作部１０に対する操作に応じて初期登録または認証の開始が指示されると、雑音分析部２５は、図２に示すように、当該指示の時点から所定の時間長だけ手前の時点までの区間（以下「検出区間」という）Ｐにおける分析の結果を登録時雑音や認証時雑音の特性として確定する。なお、以下の説明において、登録時雑音や登録音声に関連する事項は「EN（enroll）」を含む符号で指示され、認証時雑音や認証音声に関連する事項は「V（verify）」を含む符号で指示される。

図１に示すように、本形態の雑音分析部２５は、初期登録時には、登録時雑音について周波数特性EN_NOISE_FCと雑音レベルEN_NOISE_LEVELとを算定し、認証時には、認証時雑音について周波数特性V_NOISE_FCと雑音レベルV_NOISE_LEVELとを算定する。雑音レベル（EN_NOISE_LEVEL，V_NOISE_LEVEL）は、非発声区間Ｐ1内の検出区間Ｐにおける音響信号Ｓのうち所定の周波数帯域に属する成分の強度（音圧）の平均値である。周波数特性（EN_NOISE_FC，V_NOISE_FC）は、検出区間Ｐの音響信号Ｓを複数の周波数帯域に区分したときの各成分の強度を示す情報である。したがって、雑音分析部２５は、例えば各々の通過帯域が相違する複数のバンドパスフィルタ（フィルタバンク）を含む。ただし、周波数特性（EN_NOISE_FC，V_NOISE_FC）は登録時雑音や認証時雑音の特性を反映した情報であれば足りる。例えば、雑音分析部２５は、ＦＦＴ（Fast Fourier Transform）処理などの周波数分析によって周波数スペクトルを周波数特性（EN_NOISE_FC，V_NOISE_FC）として算定する手段であってもよい。

音声分析部２６は、発声区間Ｐ2の音響信号Ｓに基づいて登録音声や認証音声の特性を分析する。本形態の音声分析部２６は、初期登録時には、登録音声について発声レベルEN_SPEECH_LEVELと発声長EN_SPEECH_LENとを算定し、認証時には、認証音声について発声レベルV_SPEECH_LEVELと発声長V_SPEECH_LENとを算定する。発声レベル（EN_SPEECH_LEVEL，V_SPEECH_LEVEL）は、発声区間Ｐ2内の音響信号Ｓのうち所定の周波数帯域に属する成分の強度の平均値である。発声長（EN_SPEECH_LEN，V_SPEECH_LEN）は発声区間Ｐ2の時間長（すなわち発声が継続される時間長）を示す。音響信号Ｓの振幅が急峻に増大する時点（発声区間Ｐ2の始点）から音響信号Ｓの振幅が急峻に減少する時点（発声区間Ｐ2の終点）までの時間長が発声長（EN_SPEECH_LEN，V_SPEECH_LEN）として検出される。

特徴分析部２８は、登録音声や認証音声の特徴を分析する手段である。本形態の特徴分析部２８は、初期登録時には登録音声の特徴量EN_DATAを算定し、認証時には認証音声の特徴量V_DATAを算定する。特徴量（EN_DATA，V_DATA）は、発声区間Ｐ2内の音響信号Ｓから算定されるケプストラムの時系列的なベクトル列である。したがって、周波数分析（例えばＦＦＴ処理）を含む各種の演算を実行する手段が特徴分析部２８として好適に採用される。

記憶装置３２は、認証に使用される各種の情報を記憶する手段である。例えば図１に図示されるように、記憶装置３２は、特性分析部２０が登録音声および登録時雑音について特定した各種の情報を認証用の辞書として記憶する。すなわち、雑音分析部２５が特定した周波数特性EN_NOISE_FCおよび雑音レベルEN_NOISE_LEVELと、音声分析部２６が特定した発声レベルEN_SPEECH_LEVELおよび発声長EN_SPEECH_LENと、特徴分析部２８が特定した特徴量EN_DATAとが、認証に先立って記憶装置３２に格納される。記憶装置３２は、音声認証装置１００に固定的に設置された機器であっても、音声認証装置１００に対して自在に着脱される可搬型の機器（メモリ）であってもよい。

認証部４０は、登録音声と認証音声との照合によって被認証者の正当性を認証する手段であり、距離算定部４２と補正部４４と判定部４６とを含む。距離算定部４２は、特徴分析部２８が認証音声について生成した特徴量V_DATAと記憶装置３２に記憶された特徴量EN_DATAとの距離Ｄ0を算定する。距離Ｄ0の算定には、特徴量EN_DATAおよびV_DATAの各々のベクトル列について相互間の正規化距離を算定するＤＰマッチングなど各種のパターンマッチング技術が利用される。距離Ｄ0が小さいほど認証音声は登録音声に類似する（すなわち被認証者が正当な利用者である可能性が高い）。

補正部４４は、距離算定部４２が算定した距離Ｄ0を補正値Ａ（Ａa，Ａb，Ａc）に基づいて補正する手段である。本形態の補正部４４は、補正値制御部５０が設定する補正値Ａa，ＡbおよびＡcの各々を距離Ｄ0から減算することで補正後の距離Ｄ1を算定する。

判定部４６は、補正部４４による補正後の距離Ｄ1を閾値ＴＨ0と比較することで被認証者の正当性を認証する。すなわち、判定部４６は、距離Ｄ1が閾値ＴＨ0を下回る場合（すなわち登録音声と認証音声とが類似する場合）には被認証者の正当性を肯定し、距離Ｄ1が閾値ＴＨ0を上回る場合（すなわち登録音声と認証音声とが乖離する場合）には被認証者の正当性を否定する。閾値ＴＨ0は予め定められた固定値である。判定部４６による判定の結果は出力部６０から出力される。例えば、認証の結果を画像として出力する表示機器や認証の結果を音声で出力する放音装置が出力部６０として好適に採用される。

補正値制御部５０は、補正部４４による補正に使用される補正値Ａ（Ａa，Ａb，Ａc）を設定する手段であり、設定部５１，５２および５３を含む。設定部５１は、特性分析部２０が初期登録時および認証時に生成した情報に基づいて補正値Ａaを設定する。設定部５２は、認証時雑音と登録時雑音との特性の相違に応じて補正値Ａbを設定する。設定部５３は、初期登録時の発声長EN_SPEECH_LENに応じて補正値Ａcを設定する。なお、補正値制御部５０の具体的な動作については後述する。図１の記憶部３５は、各補正値Ａの設定のために補正値制御部５０が使用するテーブルを格納する。なお、記憶装置３２内の特定の記憶領域を記憶部３５として利用してもよい。

＜Ｂ：音声認証装置の動作＞
次に、認証時において補正値制御部５０が補正値Ａa，ＡbおよびＡcを設定する処理を中心に音声認証装置１００の具体的な動作を説明する。補正値制御部５０は、認証の必要な時機が到来するたびに図３の処理を実行する。認証が必要な時機としては、例えば、音声認証装置１００を搭載した電子機器が電源の投入を契機として動作を開始する時機や、電子機器が所定の動作（例えば特定の情報に対するアクセス）を開始する時機がある。認証が開始すると、被認証者は、操作部１０を操作することで発声の開始を指示したうえで入力部１５に対して所定の言葉を発声する。雑音分析部２５は、操作部１０への操作の時機を終点とする検出区間Ｐの音響信号Ｓから周波数特性V_NOISE_FCおよび雑音レベルV_NOISE_LEVELを特定するとともに、これに続く発声区間Ｐ2の音響信号Ｓから発声レベルV_SPEECH_LEVELおよび発声長V_SPEECH_LENを特定する。

図３に示すように、補正値制御部５０は、登録音声と登録時雑音との音量比EN_SNを算定する（ステップＳ10）。音量比EN_SNは、記憶装置３２に格納された発声レベルEN_SPEECH_LEVELと雑音レベルEN_NOISE_LEVELとの相対比であり、例えば以下の式(1)で算定される。
EN_SN＝log(EN_SPEECH_LEVEL／EN_NOISE_LEVEL) ……(1)

次に、補正値制御部５０は、認証音声と認証時雑音との音量比V_SNを算定する（ステップＳ11）。音量比V_SNは、雑音分析部２５から供給される雑音レベルV_NOISE_LEVELと音声分析部２６から供給される発声レベルV_SPEECH_LEVELとの相対比であり、音量比EN_SNと同様に以下の式(2)で算定される。
V_SN＝log(V_SPEECH_LEVEL／V_NOISE_LEVEL) ……(2)

次のステップＳ12において、補正値制御部５０は、ステップＳ10で算定した初期登録時の音量比EN_SNとステップＳ11で算定した今回の認証時の音量比V_SNとの差分値（以下「音量比差分値」という）DIF_SNを算定する（DIF_SN＝V_SN−EN_SN）。さらに、補正値制御部５０は、登録時雑音と認証時雑音との特性の相関（例えばスペクトル形状の類否）を示す相関値NOISE_DIFを算定する（ステップＳ13）。相関値NOISE_DIFは、例えば以下の式(3)で算定される。

式(3)における数値EN_MAG(i)は、複数の周波数帯域のうち変数ｉで指定される周波数帯域における登録時雑音の強度であり、数値EN_MAG(i)から減算される数値EN_MAG_AVEは、変数ｉで指定される周波数帯域における登録時雑音の強度の平均値である。同様に、数値V_MAG(i)は、変数ｉで指定される周波数帯域における認証時雑音の強度であり、数値V_MAG_AVEは当該周波数帯域における認証時雑音の強度の平均値である。したがって、登録時雑音と認証時雑音とが完全に合致する場合には相関値NOISE_DIFが「１」となり、両雑音の特性の相違が拡大するほど相関値NOISE_DIFは減少していく（−１≦NOISE_DIF≦１）。

次に、補正値制御部５０の設定部５１は、ステップＳ10で算定された音量比EN_SNとステップＳ12で算定された音量比差分値DIF_SNとに基づいて補正値Ａaを設定する（ステップＳ14）。音量比EN_SNおよび音量比差分値DIF_SNと補正値Ａaとの関係は以下のように選定される。

いま、距離算定部４２が算定した距離Ｄ0と閾値ＴＨとの大小に応じて被認証者の正当性を認証する場合を想定する。本願の発明者による試験によれば、認証の精度を高水準に維持するための閾値ＴＨは、音量比EN_SNと音量比差分値DIF_SNとに対して所定の関係を満たすという知見を得るに至った。すなわち、図４に示すように、音量比EN_SNの数値（登録時雑音と登録音声との音量比）を変化させた各ケースにおいて認証の精度が所期の条件を満たす（例えばＦＲＲやＦＡＲの双方が所期値を下回る）ように閾値ＴＨを設定し、横軸を音量比EN_SNとしたうえで各音量比EN_SNに対応した閾値ＴＨを縦軸にプロットして統計的に処理すると、各点は音量比差分値DIF_SNに応じた直線上に分布する傾向がある。例えば、音量比差分値DIF_SNを数値DIF_SN1に設定した場合、所期の条件を満たす閾値ＴＨは、音量比EN_SNに対して当該数値DIF_SN1に応じた態様（傾斜および切片）の直線に沿って変化する。また、図４に示すように、音量比EN_SNや音量比差分値DIF_SN（DIF_SN1＞DIF_SN2＞DIF_SN3）が増加するほど、認証を所期の精度に維持するための閾値ＴＨは増加する。

したがって、ステップＳ10で算定された音量比EN_SNに対し、ステップＳ12で算定された音量比差分値DIF_SNに対応した直線の関係を満たすように閾値ＴＨを設定すれば、認証を所期の精度に維持することが可能である。例えば、音量比EN_SNが図４の数値ＳＮaと算定された場合、音量比差分値DIF_SNが数値DIF_SN1であれば閾値ＴＨを数値ＴＨaに設定し、音量比差分値DIF_SNが数値DIF_SN2であれば閾値ＴＨを数値ＴＨbに設定すればよい。

認証に際しては距離と閾値との大小が判定されるから、距離Ｄ0と比較される閾値ＴＨを所定量だけ変化させる処理は、閾値ＴＨを数値ＴＨ0に固定したうえで距離Ｄ0を所定量（Ａa）だけ補正する処理と等価である。そこで本形態の設定部５１は、音量比EN_SNに対して音量比差分値DIF_SNに応じた直線の関係を満たす閾値ＴＨと予め定められた閾値ＴＨ0との差分値を補正値Ａaとして設定する。すなわち、例えばステップＳ10で音量比EN_SNが数値ＳＮaと算定されたとすれば、図４のように、ステップＳ12で数値DIF_SN1が算定された場合には数値ＴＨaと閾値ＴＨ0との差分値ａ1が補正値Ａaとして設定され、ステップＳ12で数値DIF_SN2が算定された場合には数値ＴＨbと閾値ＴＨ0との差分値ａ2が補正値Ａaとして設定される。以上のように設定された補正値Ａaを距離Ｄ0から減算する処理を経て算定された距離Ｄ1が判定部４６にて閾値ＴＨ0と比較されるから、本形態による認証は所期の精度に維持される。

さらに具体的に説明すると、本形態の設定部５１は、以上の条件を満たすように作成されたテーブルに基づいて音量比EN_SNおよび音量比差分値DIF_SNから補正値Ａaを決定する。図５は、ステップＳ14にて使用されるテーブルの内容を示す概念図である。同図に示すように、別個の音量比差分値DIF_SN（DIF_SN1，DIF_SN2，DIF_SN3，……）に対応した複数のテーブルが記憶部３５に格納される。各テーブルにおいては、相互に図４の関係を満たす音量比EN_SNと補正値Ａaとが対応づけられる。すなわち、ひとつの音量比差分値DIF_SNのテーブルにおいては、補正値Ａaに閾値ＴＨ0を加算した閾値ＴＨと音量比EN_SNとが当該音量比差分値DIF_SNに応じた直線の関係を満たすように、音量比EN_SNと補正値Ａaとが対応づけられている。

ステップＳ14において、設定部５１は、ステップＳ12で算定された音量比差分値DIF_SNに対応したひとつのテーブルを検索し、ここで検索したテーブルのうちステップＳ10で算定された音量比EN_SNに対応づけられた補正値Ａaを補正部４４に出力する。また、ステップＳ12で算定された音量比差分値DIF_SNに対応したテーブルが存在しない場合、設定部５１は、当該音量比差分値DIF_SNの前後の音量比差分値DIF_SNに対応する各テーブルから音量比EN_SNに応じた補正値Ａaを特定し、各補正値Ａaの補間によって、実際に補正部４４の補正に適用される補正値Ａaを算定する。したがって、例えば図４の数値DIF_SN1と数値DIF_SN2との中間の数値がステップＳ12で算定された場合には、数値DIF_SN1に対応した補正値Ａa（数値ａ1）と数値DIF_SN2に対応した補正値Ａa（数値ａ2）との中間値が補正値Ａaとして算定される。

ところで、図４に例示した閾値ＴＨと音量比EN_SNおよび音量比差分値DIF_SNとの関係は、例えば登録時雑音と認証時雑音との特性が同等であることを前提として決定される。しかし、実際には登録時雑音と認証時雑音との特性は相違する場合が多い。そこで、設定部５２は、登録時雑音と認証時雑音との相関値NOISE_DIFに応じて距離Ｄ0が補正されるように補正値Ａbを算定する（ステップＳ15）。補正部４４は補正値Ａbを距離Ｄ0から減算する。

図６は、相関値NOISE_DIFと補正値Ａbとの関係を示すグラフである。式(3)で算定される相関値NOISE_DIFは、登録時雑音と認証時雑音との相関に応じて「−１」から「１」までの範囲内で変動し、双方の雑音の特性が完全に合致する場合には「１」となる。登録時雑音と認証時雑音との関係が図４の関係の決定時と同等である（本形態では双方の雑音が合致する）ならば、相関値NOISE_DIFに応じて距離Ｄ0を補正する必要はない。一方、登録時雑音と認証時雑音との関係が図４の関係の決定時から乖離するほど距離Ｄ0を大きく補正すべきである。したがって、設定部５２は、図６に示すように、相関値NOISE_DIFが「１」である場合に補正値Ａbをゼロに設定する（補正なし）とともに、相関値NOISE_DIFが「１」よりも小さいほど大きい数値となるように補正値Ａbを設定する。より具体的には、以上の関係を満たす相関値NOISE_DIFと補正値Ａbとが対応づけられたテーブルが記憶部３５に格納され、設定部５２はこのテーブルに基づいて補正値Ａbを決定する。

また、図４に示した音量比EN_SNおよび音量比差分値DIF_SNと閾値ＴＨとの関係は、例えば登録音声を所定の時間長Ｌ0にわたって継続させた場合に採取されたデータに基づいて決定される。しかし、実際の初期登録における登録音声の発声長EN_SPEECH_LENは区々である。そこで、設定部５３は、発声長EN_SPEECH_LENに応じて距離Ｄ0が補正されるように補正値Ａcを算定する（ステップＳ16）。補正部４４は補正値Ａcを距離Ｄ0から減算する。

図７は、発声長EN_SPEECH_LENと補正値Ａcとの関係を示すグラフである。発声長EN_SPEECH_LENが図４の関係の決定時における時間長Ｌ0と同等であるならば、発声長EN_SPEECH_LENに応じて距離Ｄ0を補正する必要はない。したがって、記憶装置３２に格納された発声長EN_SPEECH_LENが時間長Ｌ0と同等である場合、設定部５３は補正値Ａcをゼロに設定する。また、発声長EN_SPEECH_LENが長いほど登録音声の発声が安定するから、特徴量EN_DATAは正当な利用者本来の基本的な声質を忠実に反映したものとなって距離Ｄ0の正確性が向上する。したがって、他人の正当性が認証される可能性を低減するという観点から閾値ＴＨ0を距離Ｄ0に対して相対的に低下させても、正当な利用者を拒絶する可能性が不当に上昇することはない。

そこで、設定部５３は、発声長EN_SPEECH_LENが時間長Ｌ0よりも長い場合には当該発声長EN_SPEECH_LENに応じた負数を補正値Ａcとして選定する。補正部４４は補正値Ａcを距離Ｄ0から減算するから、補正値Ａcが負数であれば補正後の距離Ｄ1は距離Ｄ0よりも大きくなる。すなわち、閾値ＴＨ0は距離Ｄ0に対して相対的に低下するから、他人の正当性が誤認される可能性は低減される。また、これとは逆に発声長EN_SPEECH_LENが時間長Ｌ0よりも短い場合、設定部５３は、当該発声長EN_SPEECH_LENに応じた正数を補正値Ａcとして選定する。設定部５３は、例えば発声長EN_SPEECH_LENと補正値Ａcとが対応づけられたテーブルに基づいて補正値Ａcを決定する。

以上に説明したように、本形態においては、認証時雑音と認証音声との関係（V_SN）や登録時雑音と登録音声との関係（EN_SN）に応じて距離Ｄ0が補正されるから、認証時雑音や登録時雑音の特性に拘わらず認証を所望の精度に維持することが可能である。すなわち、認証時雑音や登録時雑音に影響されることなく、利便性の向上（ＦＲＲの低下）と認証の高精度化（ＦＡＲの低下）を両立することが可能である。

本実施形態においては特に、所期の条件を満たす閾値ＴＨと音量比EN_SNとが音量比差分値DIF_SNに応じた直線の関係にあるという知見に基づいて補正値Ａaが補正される。したがって、補正値Ａaの設定に必要な変数の個数を充分に削減しながら最適な補正値Ａaを高精度に特定できるという利点がある。さらに、相関値NOISE_DIFや発声長EN_SPEECH_LENに応じて距離Ｄ0が補正されるから、初期登録時や認証時における音声認証装置１００の環境を忠実に反映した高精度な認証が実現される。

＜Ｃ：変形例＞
以上の各形態には様々な変形を加えることができる。具体的な変形の態様を例示すれば以下の通りである。なお、以下の各態様を適宜に組み合わせてもよい。

（１）変形例１
以上の形態においては記憶部３５に格納されたテーブルが利用される構成を例示したが、所定の演算式を利用した演算処理によって補正値Ａ（Ａa，Ａb，Ａc）が算定される構成としてもよい。例えば、音量比差分値DIF_SNに応じた直線（音量比EN_SNと閾値ＴＨとの関係を定義する図４の各直線）を表す複数の数式が記憶部３５に格納され、設定部５１は、ステップＳ１2で算定された音量比差分値DIF_SNに応じた数式にステップＳ10で算定された音量比EN_SNを代入することで閾値ＴＨを演算し、当該閾値ＴＨから閾値ＴＨ0を減算することで補正値Ａaを算定する。また、相関値NOISE_DIFと補正値Ａbとの関係を表わす数式に基づいて設定部５２が補正値Ａbを算定する構成や、発声長EN_SPEECH_LENと補正値Ａcとの関係を表わす数式に基づいて設定部５３が補正値Ａcを算定する構成も採用される。

（２）変形例２
距離Ｄ0の補正の程度を決定する変数は相関値NOISE_DIFや発声長EN_SPEECH_LENに限定されない。例えば、発声長EN_SPEECH_LENに応じて補正値Ａbを設定する構成に代えて、またはこの構成とともに、認証音声の発声長V_SPEECH_LENに応じて補正値Ａbを算定する構成や、発声長EN_SPEECH_LENと発声長V_SPEECH_LENとの平均値に応じて補正値Ａbを算定する構成を採用してもよい。例えば、発声長EN_SPEECH_LENと補正値Ａbとの関係と同様に、発声長V_SPEECH_LENが長いほど補正後の距離Ｄ1が増加するように補正値Ａbが設定される。

また、以上に列挙した以外の変数に基づいて補正値制御部５０が補正値を決定する構成も採用される。例えば、登録音声や認証音声（発声区間Ｐ2）のうち有声音と無声音との時間長の比率に応じて補正値を設定してもよい。有声音の比率が高いほど特徴量（EN_DATA，V_DATA）は発声者の声質を忠実に反映した数値となるから距離Ｄ0の正確性は向上する。したがって、距離Ｄ1を距離Ｄ0から増加させてもＦＲＲが不当に上昇することはない。そこで、登録音声や認証音声のうち有声音の比率が高いほど距離Ｄ1が増加するように補正値を設定する構成が採用される。また、登録音声や認証音声において音節（モーラ）の個数が多いほど距離Ｄ0の正確性は向上するから、例えば登録音声や認証音声の音節数が多いほど距離Ｄ1が増加するように補正値を設定する構成としてもよい。

（３）変形例３
各変数と補正値との関係が可変である構成も採用される。例えば、操作部１０の操作に応じてテーブルを更新することで音量比EN_SNや音量比差分値DIF_SNと補正値Ａaとの関係が変更される構成としてもよい。同様に、相関値NOISE_DIFに対応した補正値Ａbや発声長EN_SPEECH_LENに応じた補正値Ａcは操作部１０に対する操作に応じて変更され得る。これらの構成によれば、利用者の要求に応じた認証を実現することが可能となる。また、変形例１に例示したように数式の演算によって補正値Ａ（Ａa，Ａb，Ａc）が算定される構成においては、数式の内容（例えば各変数の係数）が操作部１０に対する操作に応じて変更されるようにしてもよい。

（４）変形例４
以上の形態においては距離Ｄ0（補正後の距離Ｄ1）が認証に利用される構成を例示したが、登録音声と認証音声との類似度の指標となる数値は距離Ｄ0に限定されない。例えば、登録音声と認証音声とで特性が接近するほど数値が増加する性質の変数（指標値）に基づいて認証が実行される構成も採用される。この構成においては、各変数に対する補正値Ａ（Ａa，Ａb，Ａc）の大小が以上の形態とは逆転する。例えば、補正値Ａaは、図４とは逆に、音量比EN_SNが増加するほど減少する。

（５）変形例５
以上の形態においては３種類の補正値Ａa，ＡbおよびＡcが個別に補正部４４に出力される構成を例示したが、補正値Ａa，ＡbおよびＡcの加算値が補正値制御部５０から補正部４４に出力される構成としてもよい。また、補正部４４が距離Ｄ0を補正するための演算の内容は適宜に変更される。例えば、補正値Ａ（Ａa，Ａb，Ａc）を補正部４４が距離Ｄ0に加算または乗算する構成も採用される。補正値Ａの加算によって距離Ｄ1が算定される構成においては、各補正値Ａの符号が図１の構成から反転する。

（６）変形例６
以上の形態においては音量比EN_SNに応じて直線的に変化する変数（閾値）ＴＨと所定の閾値ＴＨ0との差分値が補正値Ａaとして算定される構成を例示したが、音量比EN_SNと閾値ＴＨとの関係は適宜に変更される。例えば、音量比EN_SNと閾値ＴＨとが音量比差分値DIF_SNに応じた曲線の関係を満たすように（すなわち、音量比EN_SNに対し、音量比差分値DIF_SNに応じた曲線に沿って閾値ＴＨが変化するように）、音量比EN_SNと音量比差分値DIF_SNとに応じて閾値ＴＨが特定され、当該閾値ＴＨと閾値ＴＨ0との差分値を補正値Ａaとする構成も採用される。以上のように、音量比EN_SNと閾値ＴＨとが認証時雑音に応じて異なる関係（典型的には音量比差分値DIF_SNに応じた直線的または曲線的な関係）となるように閾値ＴＨが設定されれば足り、ひとつの音量比差分値DIF_SNに対応した音量比EN_SNと閾値ＴＨとの具体的な関係は、例えば各変数の関係を導出するための試験の結果やこの結果に対する統計的な処理の如何に応じて適宜に変更される。したがって、本発明の好適な態様における補正値Ａaは、音量比EN_SNとの間で認証時雑音に応じた関係を満たす閾値ＴＨと所定の閾値ＴＨ0との差分値となるように選定されればよい。

（７）変形例７
以上の形態においては正当な利用者と他人との区別に音声認証装置１００が利用される場合を例示したが、正当な利用者の発声に基づいて事前に登録されたパスワードと認証音声から特定されるパスワードとの合致を判定する音声パスワード認証にも以上の形態に係る音声認証装置１００を利用することが可能である。

本発明のひとつの形態に係る音声認証装置の構成を示すブロック図である。 入力部が生成する音響信号の波形図である。 補正値制御部による処理の流れを示すフローチャートである。 音量比EN_SNおよび音量比差分値DIF_SNと補正値Ａaとの関係を示すグラフである。 補正値Ａaの決定に使用されるテーブルの内容を示す概念図である。 相関値NOISE_DIFと補正値Ａbとの関係を示すグラフである。 発声長EN_SPEECH_LENと補正値Ａcとの関係を示すグラフである。 閾値とＦＡＲおよびＦＲＲとの関係を示すグラフである。

符号の説明

１００……音声認証装置、１０……操作部、１５……入力部、２０……特性分析部、２２……区間検出部、２３……切換部、２５……雑音分析部、２６……音声分析部、２８……特徴分析部、３２……記憶装置、３５……記憶部、４０……認証部、４２……距離算定部、４４……補正部、４６……判定部、５０……補正値制御部、５１，５２，５３……設定部、６０……出力部。

Claims (7)

1. 認証時に被認証者の周囲に発生する認証時雑音の特性を分析する特性分析手段と、
   予め登録された登録音声とその登録時の登録時雑音との音量比に対して、前記特性分析手段が分析した認証時雑音に応じた関係を満たす変数と、所定の閾値との差分値となるように、第１補正値を設定する第１設定手段と、
   前記登録音声と被認証者から採取された認証音声との特徴量の類否を示す指標値を前記第１設定手段が設定した第１補正値に基づいて補正する補正手段と、
   前記補正手段による補正後の指標値と前記所定の閾値との比較によって被認証者を認証する判定部と
   を具備する音声認証装置。
2. 前記第１設定手段は、前記認証時雑音の特性に対応した直線または曲線に沿うように前記登録音声と前記登録時雑音との音量比に応じて変化する変数と、前記所定の閾値との差分値となるように、前記認証時雑音と前記登録音声および前記登録時雑音の音量比とに応じて第１補正値を決定する
   請求項１に記載の音声認証装置。
3. 前記第１設定手段は、前記認証音声および前記認証時雑音の音量比と前記登録音声および前記登録時雑音の音量比との差分値に応じた直線または曲線に沿うように前記登録音声と前記登録時雑音との音量比に応じて変化する変数と、前記所定の閾値との差分値となるように、前記差分値と前記登録音声および前記登録時雑音との音量比とに応じて第１補正値を決定する
   請求項２に記載の音声認証装置。
4. 前記認証時雑音と前記登録時雑音との相違に応じて第２補正値を設定する第２設定手段を具備し、
   前記補正手段は、前記指標値を、前記第１補正値および前記第２補正値に応じた数値に補正する
   請求項１から請求項３の何れかに記載の音声認証装置。
5. 前記認証音声または前記登録音声の時間長に応じて第３補正値を設定する第３設定手段を具備し、
   前記補正手段は、前記指標値を、前記第１補正値および前記第３補正値に応じた数値に補正する
   請求項１から請求項４の何れかに記載の音声認証装置。
6. 認証時に被認証者の周囲に発生する認証時雑音の特性を分析し、
   予め登録された登録音声とその登録時の登録時雑音との音量比に対して、前記分析した認証時雑音の特性に応じた関係を満たす変数と、所定の閾値との差分値となるように、第１補正値を設定し、
   前記登録音声と被認証者から採取された認証音声との特徴量の類否を示す指標値を前記設定した第１補正値に基づいて補正し、
   前記補正後の指標値と前記所定の閾値との比較によって被認証者を認証する
   音声認証方法。
7. コンピュータに、
   認証時に被認証者の周囲に発生する認証時雑音の特性を分析する特性分析処理と、
   予め登録された登録音声とその登録時の登録時雑音との音量比に対して、前記特性分析処理で分析した認証時雑音の特性に応じた関係を満たす変数と、所定の閾値との差分値となるように、第１補正値を設定する第１設定処理と、
   前記登録音声と被認証者から採取された認証音声との特徴量の類否を示す指標値を前記第１設定処理で設定した第１補正値に基づいて補正する補正処理と、
   前記補正処理後の指標値と前記所定の閾値との比較によって被認証者を認証する判定処理と
   を実行させるプログラム。

Images