JPH03274099A - 音声認識装置 - 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】 挟先分立 本発明は、音声認識装置、より詳細には、高雑音環境で
の音声認識に於ける雑音除去技術に関し、例えば、自動
車内での、ダイヤリング、オーディオ機器の制御、ニア
コンディショナーの制御、ナビゲーションシステムの制
御等のための音声認識装置に応用して好適なものであり
、更には、家庭内、事務所内などでも応用可能なもので
ある。

ｋ来枝先 近年、音声による情報入力手段が注目を集めているが、
自動車内においても、自動車電話の発呼。

オーディオ機器の制御、ニアコンディショナーの制御、
ナビゲーションシステムの制御等のための音声認識技術
を応用することが考えられている。

しかしながら、自動車内の音声認識は、エンジン音、タ
イヤの走行音、あるいは、ラジオ、ステレオの再生音が
雑音として音声信号に混入することと、運転中に接話型
マイクなどの口との距離の近いマイクが装着できないた
め、音声信号とノイズとの比、即ち、Ｓ／Ｎが悪いこと
が問題となり、雑音除去技術が不可欠なものとなってい
る。

従来の音声認識における雑音除去技術としては。

Ｓ、Ｆ、Ｂｏｌｌをはじめとするスペクトラルサブトラ
クション法、Ｂ、　Ｉｉｄｒｏｗをはじめとするアダプ
ティブノイズキャンセリング等がある。

しかしながら、スペクトラルサブトラクション法は、時
間非定常な雑音に弱く、例えば、ラジオ、ステレオの再
生音（音声や楽音）のように、音声帯域で時間非定常な
雑音が大きい場合は、まず、音声区間検出も十分にでき
ず、音声区間検出ができたとしても、推定雑音成分量が
実際の雑音成分と異なるという欠点がある。また、アダ
プティブノイズキャンセリングは、２人力、即ち、２本
のマイクを用いた場合、複数の雑音源からの合成された
雑音に対してうまく対応ができないという欠点があり、
であるからといって、マイクの本数をいたずらに増やし
ても、信号処理の量が膨大になり、かつ、コスト高にな
り実用化が困難になるという欠点がある。

また、ラジオ、ステレオなどのスピーカから再生される
音（音声認識装置にとっては雑音）に関しては、マイク
からの入力から、スピーカに送られる信号に適当なゲイ
ンをかけたものを差し引く方法も考えられるが、スピー
カからマイクまでの遅延や、周囲の反射音があるために
、時間波形上で単純に両者の差を取っても効果は期待で
きない。

且−一」岬 本発明は、上述のごとき従来技術の欠点に鑑み成された
もので、特に、音声を入力するためのマイク付近で発生
する音声帯域で、かつ、時間非定常性の強いラジオ、ス
テレオなどの再生音が雑音として音声信号に重畳してい
ても、適切にこの雑音を除去し、このような雑音環境下
での良好な音声認識を実現することを目的としてなされ
たものである。

代−一一腹 本発明は、上記目的を達成するために、（１）マイクか
ら入力される雑音を含む音声の特徴量を抽出する第１の
特徴量抽出部と、上記マイクの周囲に置かれたスピーカ
から再生されるためのスピーカ再生用信号を用いてスピ
ーカ再生用信号による雑音の特徴量を抽出する第２の特
徴量抽出部と、上記第１の特徴量抽出部で抽出された特
徴量から上記第２の特徴量抽出部で抽出された特徴量を
除去した特′ｅｌｉ量を生成する第１の雑音除去部と、
上記第１の雑音除去部で生成された特徴量から音声区間
を検出する音声区間検出部と、上記音声区間検出部で検
出された非音声区間における上記第１の雑音除去部で生
成された特徴量からスピーカ再生用信号による雑音以外
の雑音の推定値を求め、更に、上記音声区間検出部で検
出された音声区間における上記第１の雑音除去部で生成
された特徴量から上記スピーカ再生用信号による雑音以
外の雑音の推定値を除去し、音声の特徴量を生成する第
２の雑音除去部と、上記第２の雑音除去部で生成された
音声の特徴量から入力された音声の入力パターンを生成
する入力パターン生成部と、音声の標準パターンを記憶
する標準パターンメモリと、上記入力パターン生成部で
生成された入力パターンと上記標準パターンメモリに記
憶された標準パターンとで認識処理を行う認識部とを具
備して成ることを特徴としたものであり、更には、（２
）上記（１）の音声認識装置において、上記第２の特徴
抽出部は、マイクの周囲に置かれたスピーカから再生さ
れるための上記スピーカ再生用信号に。

上記スピーカと上記マイクとの予め定められた位置関係
で予め測定された上記スピーカ再生用信号と上記マイク
から入力される信号間の伝達関数に相当する処理を行っ
た信弼の特ｙｌｌ量をスピーカ再生用信号による雑音の
特徴量とすることを特徴とするものであり、更には、（
３）上記（１）又は（２）の音声認識装置において、上
記マイクの周囲に置かれたスピーカが複数個ある場合に
、それぞれのスピーカから再生するためのスピーカ再生
用信号に、上記それぞれのスピーカと上記マイクとの予
め定められた位置関係で予め測定された上記それぞれの
スピーカ再生用信号と上記マイクから入力される信号間
の伝達関数に相馬するそれぞれの処理を行った信号をす
べて加算した信号の特徴量をスピーカ再生用信号による
雑音の特徴量とすることを特徴としたものである。以下
１本発明の実施例に基づいて説明する。

第１図は１本発明の一実施例を説明するための構成図で
、図中、１はマイク、２はマイク１の周囲に置かれたス
ピーカ、１０はマイク１から入力された雑音を含む音声
の特徴量を抽出する第１の特徴量抽出部、２０はスピー
カ再生用信号による雑音の特徴量を抽出する第２の特徴
量抽出部、３０は第１の雑音除去部、４０は音声区間検
出部、５０は雑音推定部、６０は第２の雑音除去部。

７０は入力パターン生成部、８０は標準パターンメモリ
、９０は認識部で、請求項第１項及び第２項に記載の発
明は、マイク１から入力される雑音を含む音声の特徴量
を抽出する第１の特徴量抽出部１０と、上記マイクエの
周囲に置かれたスピーカ２から再生されるためのスピー
カ再生用信号を用いてスピーカ再生用信号による雑音の
特徴量を抽出する第２の特徴量抽出部２０と、上記第↓
の特徴量抽出部１０で抽出された特徴量から上記第２の
特ｒＪＩｌ量抽出部２０で抽出された特徴量を除去した
特徴量を生成する第１の雑音除去部３０と、上記第１の
雑音除去部で生成された特徴量から音声区間を検出する
音声区間検出部４０と、上記音声区間検出部４０で検出
された非音声区間における上記第１の雑音除去部３０で
生成された特徴量からスピーカ再生用信号による雑音以
外の雑音の推定値を雑音推定部５０にて推定し、て求め
、更に、上記音声区間検出部４０で検出された音声区間
における上記第１の雑音除去部３０で生成された特徴量
から上記スピーカ再生用信号による雑音以外の雑音の推
定値を除去し、音声の特徴量を生成する第２の雑音除去
部６０と、上記第２の雑音除去部６０で生成された音声
の特徴量から入力された音声の入力パターンを生成する
入力パターン生成部７０と、音声の標準パターンを記憶
する標準パターンメモリ８０と、上記入力パターン生成
部で生成された入力パターン７０と上記標準パターンメ
モリ８０に記憶された標準パターンとで認識処理を行う
認識部９０から戊っている。

更に詳細に説明すると、第１の特徴量抽出部１０は、自
動車内に設置され音声を入力するためのマイク１から入
力される雑音を含む音声の特徴量を抽出するもので、マ
イクアンプ１１は、増幅を行ない、プリエンファシス１
２は、高域を強調し、バンドパスフィルタバンク１３は
、２５０１１ｚから６．３５ＫＩｌｚまで対数軸上で等
間隔に配置された１５個の周波数を中心周波数とするバ
ンドパスフィルタ群と、その各帯域毎の整流器、ローパ
スフィルタから成り、これにより入力音声のスペクトル
を求める。マルチプレクサ１４は、上記の各帯域のデー
タを切り替え、Ａ／Ｄコンバータ１５は、ｉｏｍｓのサ
ンプリング周期で各帯域毎のデータをデジタル化する。

従って、第１の特徴量抽出部１０に入力された信号は、
マイクアンプ１１、プリエンファシス１２、バンドパス
フィルタバンク１３、マルチプレクサ１４、Ａ／Ｄコン
バータ１５を経て、雑音を含む音声のタイムスペクトル
パターンＸ（ｔ、ｆ）（ここで、ｔは時間軸、ｆは周波
数軸である）となる。また、第２の特徴量抽出部２０は
、マイク１の周囲に置かれたスピーカ２から再生される
ためのスピーカ再生用信号を用いてスピーカ再生用信号
による雑音の特徴量を抽出するもので、プリエンファシ
ス２２は、プリエンファシス１２と同様に高域を強調し
、バンドパスフィルタバンク２３は、バンドパスフィル
タバンク１３と同様にしてスピーカ再生用信号のスペク
トルを求め、マルチプレクサ２４は、マルチプレクサ１
４と同様にして各帯域のデータを切り換え、Ａ／Ｄコン
バータ２５は、Ａ／Ｄコンノく一タ１５と同様にして各
帯域毎のデータをデジタル化する。第２の特徴量抽出部
２０に入力された信号は、プリエンファシス２２．バン
ドパスフィルタバンク２３．マルチプレクサ２４、Ａ／
Ｄコンバータ２５を経て、スピーカ再生用信号ののタイ
ムスペクトルパターンＮ（ｔ、ｆ）となる。更に、例え
ば、このスピーカ再生用信号のタイムスペクトルパター
ンＮ（ｔ、ｆ）と、予め測定され伝達関数メモリ２８に
記憶されたスピーカ２とマイク１間の伝達関数Ｈ（ｆ）
との積Ｎ（ｔ、、ｆ）・Ｈ（ｆ）が乗算器２７で計算さ
れ、スピーカ再生用信号による雑音のタイムスペクトル
パターン Ｎ１（ｔ、ｆ）＝Ｎ（ｔ、ｆ）・Ｈ（ｆ）となる。なお
、スピーカ２とマイク１間の伝達関数Ｈ（ｆ）は、第２
の特徴量抽出部２０に入力されるスピーカ再生用信号に
インパルス信号を与えて、スピーカ２を介して再生され
た音をマイク１から収音して得られるインパルス応答を
フーリエ変換すれば予め求めることができるし、ホワイ
ト・ノイズの再生、周波数スイープ信号を再生して求め
ることもできる。

第１の雑音除去部３０は、第ｉの特徴量抽出部１０で抽
出された雑音を含む音声のタイムスペクトルパターンＸ
（ｔ、ｆ）から第２の特徴量抽出部２０で抽出されたス
ピーカ再生用信号による雑音のタイムスペクトルパター
ンＮ１（ｔ、ｆ）を減じ、雑音を含む音声信号からスピ
ーカ再生用信号による雑音を除去したタイムスペクトル
パターンｘ１（ｔ、ｆ）＝ｘ（ｔ、ｆ）−Ｎ１．（ｔ、
ｆ）を生成する。

音声区間検出部４０は、第１の雑音除去部３０で生成さ
れた雑音を含む音声信号からスピーカ再生用信号による
雑音を除去したタイムスペクトルパターンＸＩ（ｔ、ｆ
）から音声区間を検出する。

ここで用いられる音声区間検出の方法は、タイムスペク
トルパターンＸ１（ｔ、ｆ）の各フレームにおける合計 ５ Σ　ＸＩ（ｔ、ｆ） ｆ＝１ が、予め定められたしきい値を越えた区間を音声区間と
する。

第２の雑音除去部６０は、音声区間検出部４０で検出さ
れた音声区間における第１の雑音除去部３０で生成され
た雑音を含む音声信号からスピーカ再生用信号による雑
音を除去したタイムスペクトルパターンＸ　１ｓ（ｔ、
ｆ）　（添え字Ｓは、音声区間を表す）から更にスピー
カ再生用信号による雑音以外の雑音のタイムスペクトル
パターンＮ　２　（ｔ、ｆ）を雑音推定部５０で推定し
て減じて、音声のタイムスペクトルパターン Ｓ　（ｔ、ｆ）　＝　Ｘ　１．ｓ（ｔ、ｆ）　−Ｎ　２
（ｔ、ｆ）を生成する。ここで、スピーカ再生用信号に
よる雑音以外の雑音のタイムスペクトルパターンＮ２（
ｔｌｆ）は、公知のスペクトルサブトラクションｌムに
従って、音声区間でない時の第１の雑音除去部３０の出
力Ｘ１ｎ（ｔ、ｆ）の複数フレームの平均を雑音推定部
５０にて推定して充てる（添え字ｎは、非音声区間を表
す）。

入力パターン生成部７０は、第２の雑音除去部６０で生
成された音声の特徴量から公知のＢＴＳＰ　（Ｂｉｎａ
ｒｙ　Ｔｉ＋ｉｅ　Ｓｐｅｃｔｒｕｍ　Ｐａｔｔｅｒｎ
）音声認識方式の音声パターン生成法に従って入力され
た音声の入力パターンを生成する。

標準パターンメモリ８０は、公知のＢＴＳＰ音声認識方
式の標準パターン形式になっている音声の標準パターン
を記憶する。

認識部９０は、入力パターン生成部７０で生成された入
力パターンと上記標準パターンメモリ８０に記憶された
標準パターンとで公知のＢＴＳＰ音声認識方式の認識処
理に従って認識処理を行う。

尚、以上に示した実施例で用いた手段以外に、音声区間
検出部４０の音声区間検出法、第２の雑音除去部６０の
雑音除去法、入力パターン生成部７０のパターン生成法
、標準パターンメモリ８０のパターン形式、認識部９０
の認識処理などに公知の方法を用いても本発明を実施す
ることができる。

また、バンドパスフィルタバンク１３．２３は。

ＦＦＴなどのデジタル信号処理と置き換えても良く、ま
た、Ａ／Ｄコンバータ１５と２５は、時分割処理によっ
て共有することも可能である。

第２図は、第１図に示した実施例を、スピーカが複数個
ある場合に対応するために拡張した実施例の構成図で、
図示のように、スピーカの数が例えば２個の場合、第２
の特徴量抽出部２０ａ、２０ｂも２個で、スピーカ２８
．２ｂから再生されるためのそれぞれのスピーカ再生用
信号を入力し、バンドパスフィルタ２３ａ、２３ｂで得
られるこれらのスピーカ再生用信号のタイムスペクトル
パターンＮａ（ｔ、ｆ）　ｔ　Ｎｂ（ｔ、ｆ）と、予め
測定されたスピーカ２ａ、２ｂとマイク１間の伝達関数
Ｈａ（ｆ）。

）Ｉｂ（ｆ）のそれぞれの積が乗算器２７ａ、２７ｂで
求められ、これらの積の総和が加算器２９でスピーカ再
生用信号による雑音のタイムスペクトルパターン Ｎ　１（ｔ、ｆ）　＝　Ｎａ（ｔ、ｆ）・Ｈａ（ｆ）　
＋　Ｎｂ（ｔ、ｆｌ　Ｈｂ（ｆ）となる。これ以降の処
理は、第１図に示した実施例と同じである。また、スピ
ーカの個数が３個以上でも同様な手法で実現できる。

羞−一果 以上の説明から明らかなように、請求項第１項の発明に
よると、第■の雑音除去部３０において、雑音を含む音
声の特徴量から音声帯域でしかも時間非定常性の強いス
ピーカ再生用信号による雑音の特徴量を除去してから、
音声区間検出部４０において音声区間を検出するので、
スピーカ再生音以外の雑音１例えば自動車内では、エン
ジン音、タイヤの走行音、例えば家庭内、事務所内では
、Ｉｔ　ｏ　ｔ　ｈノイズに代表されるような雑音とい
ったいずれも低域（１００Ｈｚから数１００Ｈｚ程度）
でしかも時間定常性の強い雑音が主な雑音から音声区間
を検出するので検出精度が向上し、結果として高雑音下
の音声の認識率が改善される。

また、請求項第２項の発明によれば、第２の特徴量抽出
部２０が、マイクの周囲に置かれたスピーカから再生さ
れるための上記スピーカ再生用信号に、上記スピーカと
上記マイクとの予め定められた位置関係で予め測定され
た上記スピーカと上記マイク間のインパルス応答に相当
する処理を行った信号の特徴量をスピーカ再生用信号に
よる雑音の特徴量とし、第１の雑音除去部３０が、雑音
を含む音声の特徴量からスピーカ再生用信号による雑音
の特徴量を除去するので、スピーカ再生用信号による雑
音の成分を正確に除去できるので、結果として高雑音下
の音声の認識率が改善される。

また、請求項第３項の発明によれば、マイク１の周囲に
置かれたスピーカ２が複数個ある場合にも、第２の特徴
量抽出部２０ａ、２０ｂ１０．。

が、それぞれのスピーカ２ａ、２ｂ１８８．とマイク１
との予め定められた位置関係で予め測定されたそれぞれ
のスピーカ２ａ、２ｂ１９１．とマイク１間の伝達関数
に相当するそれぞれの処理を乗算器２７ａ、２７ｂ１０
０．で行った信号をすべて加算器２９で加算した信号の
特徴量をスピーカ再生用信号による雑音の特徴量とし、
第１の雑音除去部３０が、雑音を含む音声の特徴量から
スピーカ再生用信号による雑音の特［を除去するので、
スピーカ２が複数個ある場合にも、スピーカ再生用信号
による雑音の成分を正確に除去でき、結果として高雑音
下の音声の認識率が改善される。

【図面の簡単な説明】

第１図は、請求項第１項及び第２項に記載した発明の一
実施例を説明するための構成図、第２図は、請求項第３
項に記載した発明の一実施例を説明するための構成図で
ある。 １・・・マイク、２．２ａ、２ｂ・・・スピーカ、１０
・・第１の特徴量抽出部、２０，２０ａ、２０ｂ・・・
第２の特徴量抽出部、１１・・・マイクアンプ、１２゜
２２．２２ａ、２２ｂ・・・プリエンファシス回路、１
３．２３，２３ａ、２３ｂ−バンドパスフィルタバンク
、１４、２４、２４　ａ　、　２４　ｂ　・＝マルチプ
レクサ、１５，２５，２５ａ、２５ｂ＝Ａ／Ｄコンバー
タ、２７、２７　ａ　、　２７　ｂ　−・−乗算器。 ２８．２８ａ、２８ｂ・・・伝達関数メモリ、２９・・
・加算器、３０・・・第１の雑音除去部、４０・・・音
声区間検出部、５０・・・雑音推定部、６０・・・第２
の雑音除去部、７０・・・入力パターン生成部、８０・
・・標準パターンメモリ、９０・・・認識部。 認謁目活来

Claims (1)

1. 【特許請求の範囲】 １、マイクから入力される雑音を含む音声の特徴量を抽
   出する第１の特徴量抽出部と、上記マイクの周囲に置か
   れたスピーカから再生されるためのスピーカ再生用信号
   を用いてスピーカ再生用信号による雑音の特徴量を抽出
   する第２の特徴量抽出部と、上記第１の特徴量抽出部で
   抽出された特徴量から上記第２の特徴量抽出部で抽出さ
   れた特徴量を除去した特徴量を生成する第１の雑音除去
   部と、上記第１の雑音除去部で生成された特徴量から音
   声区間を検出する音声区間検出部と、上記音声区間検出
   部で検出された非音声区間における上記第１の雑音除去
   部で生成された特徴量からスピーカ再生用信号による雑
   音以外の雑音の推定値を求め、更に、上記音声区間検出
   部で検出された音声区間における上記第１の雑音除去部
   で生成された特徴量から上記スピーカ再生用信号による
   雑音以外の雑音の推定値を除去し、音声の特徴量を生成
   する第２の雑音除去部と、上記第２の雑音除去部で生成
   された音声の特徴量から入力された音声の入力パターン
   を生成する入力パターン生成部と、音声の標準パターン
   を記憶する標準パターンメモリと、上記入力パターン生
   成部で生成された入力パターンと上記標準パターンメモ
   リに記憶された標準パターンとで認識処理を行う認識部
   とを具備して成ることを特徴とした音声認識装置。 ２、上記第２の特徴抽出部は、マイクの周囲に置かれた
   スピーカから再生されるための上記スピーカ再生用信号
   に、上記スピーカと上記マイクとの予め定められた位置
   関係で予め測定された上記スピーカ再生用信号と上記マ
   イクから入力される信号間の伝達関数に相当する処理を
   行った信号の特徴量をスピーカ再生用信号による雑音の
   特徴量とすることを特徴とした請求項第１項に記載の音
   声認識装置。 ３、上記マイクの周囲に置かれたスピーカが複数個ある
   場合に、それぞれのスピーカから再生するためのスピー
   カ再生用信号に、上記それぞれのスピーカと上記マイク
   との予め定められた位置関係で予め測定された上記それ
   ぞれのスピーカ再生用信号と上記マイクから入力される
   信号間の伝達関数に相当するそれぞれの処理を行った信
   号をすべて加算した信号の特徴量をスピーカ再生用信号
   による雑音の特徴量とすることを特徴とした請求項第１
   項又は第２項に記載の音声認識装置。