JPH06105394B2 - 音声認識方式 - Google Patents
音声認識方式Info
- Publication number
- JPH06105394B2 JPH06105394B2 JP61059505A JP5950586A JPH06105394B2 JP H06105394 B2 JPH06105394 B2 JP H06105394B2 JP 61059505 A JP61059505 A JP 61059505A JP 5950586 A JP5950586 A JP 5950586A JP H06105394 B2 JPH06105394 B2 JP H06105394B2
- Authority
- JP
- Japan
- Prior art keywords
- voice
- candidate
- boundary
- unit
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000002105 tongue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
【発明の詳細な説明】 〔発明の技術分野〕 この発明は、音声認識方式に関する。
〔発明の技術的背景とその問題点〕 音声認識の一般的な構成を第６図に示す。音声信号は帯
域通過フィルタ（BPF）分析、あるいは線形予測（LPC）
分析などにより音響分析部（１）で分析された後、前処
理部（２）で音声区間検出あるいは、振幅の正規化など
の処理が施される。次に、音声認識では、この入力パタ
ーンとあらかじめ登録されている標準パターン（セッ
ト）（４）との類似度（もしくは距離）を計算する方法
「パターン・マッチング法」が採られ（パターン整合部
３）、この結果の大小を判定部（５）で比較した後、認
識結果が出力される。
域通過フィルタ（BPF）分析、あるいは線形予測（LPC）
分析などにより音響分析部（１）で分析された後、前処
理部（２）で音声区間検出あるいは、振幅の正規化など
の処理が施される。次に、音声認識では、この入力パタ
ーンとあらかじめ登録されている標準パターン（セッ
ト）（４）との類似度（もしくは距離）を計算する方法
「パターン・マッチング法」が採られ（パターン整合部
３）、この結果の大小を判定部（５）で比較した後、認
識結果が出力される。
このような音声認識のための処理の中で、「境界の検
出」は、音声が時間と共に変動する信号であり、かつ多
くの背景雑音を伴なうことを考えると、重要な技術要素
と言える。このため、従来の音声認識装置の中において
も、この境界検出の精度向上には多大の努力が払われて
きた。しかし、音声には発声者自身の出す種々の雑音
（舌打ち・息づき・喉鳴り等）や周囲の雑音さらに電話
音声では回線雑音等も重畳している。このため、音声の
始端／終端を一意に決める方法を用いる限り、このよう
な誤りは除くことができない。第７図は、事務所内で女
性が発声した「８（/hat∫i/）」の電話音声をLPC分析
した例である。
出」は、音声が時間と共に変動する信号であり、かつ多
くの背景雑音を伴なうことを考えると、重要な技術要素
と言える。このため、従来の音声認識装置の中において
も、この境界検出の精度向上には多大の努力が払われて
きた。しかし、音声には発声者自身の出す種々の雑音
（舌打ち・息づき・喉鳴り等）や周囲の雑音さらに電話
音声では回線雑音等も重畳している。このため、音声の
始端／終端を一意に決める方法を用いる限り、このよう
な誤りは除くことができない。第７図は、事務所内で女
性が発声した「８（/hat∫i/）」の電話音声をLPC分析
した例である。
図では右側に音声パワーの対数値（logG）をプロットし
ている。従来技術では、背景に他の事務員達の会話が重
畳しているため、本来の「８」の終端B2“82"フレーム
（フレーム番号は図の左側に示す数字）ではなく、“11
0"フレームの位置B1を終端と誤って検出してしまう。
ている。従来技術では、背景に他の事務員達の会話が重
畳しているため、本来の「８」の終端B2“82"フレーム
（フレーム番号は図の左側に示す数字）ではなく、“11
0"フレームの位置B1を終端と誤って検出してしまう。
また、始端／終端を一意に決める方法は他の問題点も有
している。例えば、不特定多数の話者を認識の対象とす
る電話音声認識装置などでは、あらかじめ多数の人の音
声から標準音声辞書を設計することができる。しかる
に、境界を一意に決める場合、例えば「5/g／〕のｇ
のような音声の始点に近い子音の部分は、正確にその先
頭（ｇの前）で始端検出されると限らないため、標準音
声辞書では、子音の先端／子音の途中／母音への渡り部
分……といった種々の変形を含ませないと認識性能を向
上させることができなかった。また、種々の変形を辞書
に含ませざるを得ない結果、認識語索数を増すと（類似
音節列の語が出現してくるため）性能が劣化したり、/g
／と／／の区別がつかない等全般に類似度値が大き
くなり接近する結果、リジェクト能力も低下するという
問題があった。
している。例えば、不特定多数の話者を認識の対象とす
る電話音声認識装置などでは、あらかじめ多数の人の音
声から標準音声辞書を設計することができる。しかる
に、境界を一意に決める場合、例えば「5/g／〕のｇ
のような音声の始点に近い子音の部分は、正確にその先
頭（ｇの前）で始端検出されると限らないため、標準音
声辞書では、子音の先端／子音の途中／母音への渡り部
分……といった種々の変形を含ませないと認識性能を向
上させることができなかった。また、種々の変形を辞書
に含ませざるを得ない結果、認識語索数を増すと（類似
音節列の語が出現してくるため）性能が劣化したり、/g
／と／／の区別がつかない等全般に類似度値が大き
くなり接近する結果、リジェクト能力も低下するという
問題があった。
この発明は、上述した従来方式の欠点を改良したもの
で、背景雑音に強く、かつ正確な音声認識方式を提供す
ることを目的とする。
で、背景雑音に強く、かつ正確な音声認識方式を提供す
ることを目的とする。
本発明は、音声信号を分析処理して特徴パラメータに変
換し、この特徴パラメータからの音声の始端および終端
等の境界候補を探索し、得られた境界候補から音声（存
在）区間を尢度もしくは順番を附してパターン整合部へ
転送し、パターン整合部では、候補を含む音声区間に対
して、各々標準パターン・セットとの類似度（距離）値
を計算し、判定部では、この値｛▲Ｓ(K) 1▼，▲Ｓ(K) 2
▼，…｝，（但し、Ｋはカテゴリ番号でＳ▲Ｓ(K) I▼は
尢度のｌ番目に大きい区間に対する類似度（距離）値を
表わす）から識別判定するようにしたものである。
換し、この特徴パラメータからの音声の始端および終端
等の境界候補を探索し、得られた境界候補から音声（存
在）区間を尢度もしくは順番を附してパターン整合部へ
転送し、パターン整合部では、候補を含む音声区間に対
して、各々標準パターン・セットとの類似度（距離）値
を計算し、判定部では、この値｛▲Ｓ(K) 1▼，▲Ｓ(K) 2
▼，…｝，（但し、Ｋはカテゴリ番号でＳ▲Ｓ(K) I▼は
尢度のｌ番目に大きい区間に対する類似度（距離）値を
表わす）から識別判定するようにしたものである。
かくして本発明によれば、第２図に示した如き雑音の重
畳した音声に対しても、正確な音声境界位置を抽出で
き、また、音声候補区間に尢度を付したことで、その上
位候補のみに対して類似度（距り）計算を行なうこと
で、高速・高精度の音声認識方式を提供することができ
る。
畳した音声に対しても、正確な音声境界位置を抽出で
き、また、音声候補区間に尢度を付したことで、その上
位候補のみに対して類似度（距り）計算を行なうこと
で、高速・高精度の音声認識方式を提供することができ
る。
以下、図面を参照して本発明の一実施例方式につき説明
する。
する。
第１図は、不特定話者用音声認識装置の概略構成図であ
る。
る。
認識に供される入力音声信号は、音響分析部１において
LPC分析が行なわれる。第２図にこの処理を示す。入力
音声信号ｘ（ｔ）は、A/D変換部11を介してディジタル
信号｛ｘｎ｝に変換されて取込まれる。
LPC分析が行なわれる。第２図にこの処理を示す。入力
音声信号ｘ（ｔ）は、A/D変換部11を介してディジタル
信号｛ｘｎ｝に変換されて取込まれる。
高域強調部12は上記ディジタル信号｛ｘｎ｝に対して、 ｘｎ＝ｘｎ−βｘｎ−１ （１） なる高域強調処理を行うものである。尚、係数βは、例
えば（0.9〜1.0）程度の値として選ばれる。またパワー
計算部13は上記ディジタル信号｛ｘｎ｝の音声パワーを
計算しており、そのパワーの変化から後段の処理で入力
音声の境界候補を検出している。
えば（0.9〜1.0）程度の値として選ばれる。またパワー
計算部13は上記ディジタル信号｛ｘｎ｝の音声パワーを
計算しており、そのパワーの変化から後段の処理で入力
音声の境界候補を検出している。
しかして前記高域強調されたディジタル音声信号の系列
は窓関数処理部14に転送され、所定の窓関数Ｗｎ処理が
施される。この窓関数Ｗｎは、例えばハミング窓とし、
その窓の長さをＮとして次のように与えられる。
は窓関数処理部14に転送され、所定の窓関数Ｗｎ処理が
施される。この窓関数Ｗｎは、例えばハミング窓とし、
その窓の長さをＮとして次のように与えられる。
Ｗｎ＝0.54−0.46cos（２πn/N） （２） 但し、ここに示したハミング窓に代えて、ハミング窓や
その他の窓関数を用いることも勿論可能である。
その他の窓関数を用いることも勿論可能である。
しかる後、自己相関計算部15では、上記窓の中に含まれ
る信号について次の（３），（４）式から Ｒｉ＝φｉ／φ０ （４） 各々自己相関係数｛φｉ｝と正規化自己相関係数
｛Ｒｉ｝を計算している。
る信号について次の（３），（４）式から Ｒｉ＝φｉ／φ０ （４） 各々自己相関係数｛φｉ｝と正規化自己相関係数
｛Ｒｉ｝を計算している。
またLPC分析部16は上記正規化自己相互関数｛Ｒｉ｝か
ら次の（５）式に示す漸化式に従って、まずその線形予
測係数｛αｉ｝を求める。係数｛αｉ｝を求める手法に
ついては幾つか提唱されているが、例えば“Durbin"の
繰返し算法によれば、次のように〜の処理を繰返す
ことによって係数｛αｉ｝を順次ｉ＝０〜Ｐ個まで求め
ることができる。
ら次の（５）式に示す漸化式に従って、まずその線形予
測係数｛αｉ｝を求める。係数｛αｉ｝を求める手法に
ついては幾つか提唱されているが、例えば“Durbin"の
繰返し算法によれば、次のように〜の処理を繰返す
ことによって係数｛αｉ｝を順次ｉ＝０〜Ｐ個まで求め
ることができる。
次に、LPC分析部16では線形予測係数｛αｉ｝からLPCメ
ルケプストラム係数｛ＣMi｝を計算する。この計算は次
のようにして行なう。
ルケプストラム係数｛ＣMi｝を計算する。この計算は次
のようにして行なう。
｛αｉ｝からパワースペクトル｛PSｉ｝を求める。
このとき周波数軸をメル尺度（聴覚に対応した尺度）に
変換する。
このとき周波数軸をメル尺度（聴覚に対応した尺度）に
変換する。
但し、ｆｓはサンプリング周波数 第７図の音声分析例は、「８（/hat∫i/）」と発声した
際のこの｛PSi｝を濃淡図形（ソナグラム）で示したも
のである。
際のこの｛PSi｝を濃淡図形（ソナグラム）で示したも
のである。
｛Pi｝からLPCメルケプストラム｛ＣMi｝を求め
る。
る。
,i＝0,1,2,……Ｍ ＊Ｍの値は４〜16 以上述べた如く、第１図の音響処理部１では、音声のパ
ワー列｛Ｐｊ｝およびLPCメルケプストラム系列
｛ＣMij｝が出力される。
ワー列｛Ｐｊ｝およびLPCメルケプストラム系列
｛ＣMij｝が出力される。
次に、前処理部（単語境界候補探索部）２について、第
３図以下を参照して説明する。境界の探索は大きくイ第
一段境界探索部21ロノイズ・レベル計算部22ハ第二段境
界候補探索部23の三つから構成されている。
３図以下を参照して説明する。境界の探索は大きくイ第
一段境界探索部21ロノイズ・レベル計算部22ハ第二段境
界候補探索部23の三つから構成されている。
イ 第一段境界探索部21:この動作を第４図を参照して
説明する。
説明する。
音声の始端は、一定の閾値ＰToを越え（Fo点）、かつそ
のまゝ一定の時間以上継続して越えたときのFo点として
抽出される。また終端は、同様にＰT0以下となった時刻
（Bo）で、その後、閾値を一定フレーム以上越えないと
きのB0点として抽出される。閾値ＰToは、通常、固定値
よりは、無音区間におけるノイズレベルの測定値の２〜
５倍の値として決めることが好ましい。
のまゝ一定の時間以上継続して越えたときのFo点として
抽出される。また終端は、同様にＰT0以下となった時刻
（Bo）で、その後、閾値を一定フレーム以上越えないと
きのB0点として抽出される。閾値ＰToは、通常、固定値
よりは、無音区間におけるノイズレベルの測定値の２〜
５倍の値として決めることが好ましい。
また、この一連の処理は、時間方向に｛Ｐｊ｝を１回走
査しながら行なわれるが、途中、パワーの最大値Ｐmax
とその位置Ｆｘが抽出される。
査しながら行なわれるが、途中、パワーの最大値Ｐmax
とその位置Ｆｘが抽出される。
ロ ノイズレベル計算部32:ここでは、イで求められた
始端／終端の一次候補（Fo,Bo）の前後の複数フレーム
区間例えば（Ｆ−９〜Fo−１），（Bo＋１〜Bo＋９）で
平均的なノイズレベルを計算し、この値を各々ＮＦ,NＢ
とする。
始端／終端の一次候補（Fo,Bo）の前後の複数フレーム
区間例えば（Ｆ−９〜Fo−１），（Bo＋１〜Bo＋９）で
平均的なノイズレベルを計算し、この値を各々ＮＦ,NＢ
とする。
ハ 第二段境界候補探査部33:二次の探索は、パワーが
最大値Ｐmaxをとる位置Ｆｘを起点として（Ｐmax,NＦ,N
Ｂ）から決定される２つの閾値を用いて前後に境界候補
を求める。
最大値Ｐmaxをとる位置Ｆｘを起点として（Ｐmax,NＦ,N
Ｂ）から決定される２つの閾値を用いて前後に境界候補
を求める。
第５図を参照して、始端候補を探索した際の動作を説明
する。
する。
まず、閾値ＰTxおよびＰｖを次のように決定する。ＰTx
は、ＮＦが小さいときあらかじめ決められた一定のレベ
ル（100〜500）が与えられる。またＮＦが大きいとき
は、ＰTx＝ＮＦ×２〜３と与える。Ｐｖは、確実な音声
区間として認定するための閾値で、Ｐｖ＝min（ＰVo,P
max/D）と与えられる。但し、ＰVoは5000〜10000,D＝５
〜20である。
は、ＮＦが小さいときあらかじめ決められた一定のレベ
ル（100〜500）が与えられる。またＮＦが大きいとき
は、ＰTx＝ＮＦ×２〜３と与える。Ｐｖは、確実な音声
区間として認定するための閾値で、Ｐｖ＝min（ＰVo,P
max/D）と与えられる。但し、ＰVoは5000〜10000,D＝５
〜20である。
Ｐmaxを与える点Ｆｘを出発して、フレーム番号が小さ
くなる方向に探索を行ない最初にＰTx以下となる点Ｆ′
がまず境界候補とされる。しかし、この点Ｆ′は、その
後、十分音声区間と認定される区間Ｆｖ（この区間はＰ
ｖを越えた区間で、このフレーム数が一定の（８〜12）
以上のとき音声区間と認定する）があるため、棄却され
る。次にＰTx以下となる点F1が境界候補とされる。さら
に先へ進み、パワーは、ＰTxを一旦Ｆｃフレームだけ越
えた後、再びF2点で閾値以となり、引き続き一定フレー
ム（20〜25）その状態が継続した時点で探索を終える。
F1とF2の尢度は、Ｆｃフレームの区間長とこの区間のレ
ベルから決定される。ここではこのレベルが平均的ノイ
ズレベルに応じて定まる閾値ＰTV＝２×ＰTxを４〜８フ
レーム以上越えた場合に尢度＝１を与え、これ以下で２
〜３フレーム以上のとき尢度＝1/4,これ以下のフレーム
数で尢度＝０とした。また最初に探索された境界候補点
は常に尢度＝1/2とする。尢度０のときは、その区間
は、無視され、処理を続行される。
くなる方向に探索を行ない最初にＰTx以下となる点Ｆ′
がまず境界候補とされる。しかし、この点Ｆ′は、その
後、十分音声区間と認定される区間Ｆｖ（この区間はＰ
ｖを越えた区間で、このフレーム数が一定の（８〜12）
以上のとき音声区間と認定する）があるため、棄却され
る。次にＰTx以下となる点F1が境界候補とされる。さら
に先へ進み、パワーは、ＰTxを一旦Ｆｃフレームだけ越
えた後、再びF2点で閾値以となり、引き続き一定フレー
ム（20〜25）その状態が継続した時点で探索を終える。
F1とF2の尢度は、Ｆｃフレームの区間長とこの区間のレ
ベルから決定される。ここではこのレベルが平均的ノイ
ズレベルに応じて定まる閾値ＰTV＝２×ＰTxを４〜８フ
レーム以上越えた場合に尢度＝１を与え、これ以下で２
〜３フレーム以上のとき尢度＝1/4,これ以下のフレーム
数で尢度＝０とした。また最初に探索された境界候補点
は常に尢度＝1/2とする。尢度０のときは、その区間
は、無視され、処理を続行される。
同様の処理は、後方の境界候補索にも適用され、１又は
複数個の境界値が抽出される。第７図の例では、B1で尢
度＝1/2,B2で尢度＝1/4となる。
複数個の境界値が抽出される。第７図の例では、B1で尢
度＝1/2,B2で尢度＝1/4となる。
順位計算部24では、これらの値から単語区間を検証し、
尢度順にこの値をパターン整合部３へ送る。例えば、終
端候補としてB1（1/2）,B2（1/4），（（ ）内は尢
度）、また始端候補としてF1（1/2）が探索された場
合、区間 の二つの区間が抽出されるが、これらの区間は、一定の
フレーム数（８〜15）以上のもののみが音声区間と検定
され、（F1,B1），（F1,B2）の順に一定の順位までの候
補区間が転送される。また、尢度（の和）が等しい場合
は、始端の尢度が大な方を優先する。パターン整合部３
では、まずLPCメルケプストラム系列｛ＣMij｝に対する
リサンプル処理が行なわれる。具体的には、｛ＣMij｝
の時系列から（F1,B1）に対応する区間を等分割（ここ
では15等分）して、16点を抽出する（｛Ｃ1ij｝,i＝1.1
6,j＝1.16）。例えば第７図のｏ点とする。次に同様に
して（F1,B2）に対応する特徴パラメータを抽出する
（｛Ｃ2ij｝,i＝1.16,j＝1.16）。例えば第７図のＯ点
とする。以下、転送された候補区間に対応する特徴パラ
メータが同様に処理される。
尢度順にこの値をパターン整合部３へ送る。例えば、終
端候補としてB1（1/2）,B2（1/4），（（ ）内は尢
度）、また始端候補としてF1（1/2）が探索された場
合、区間 の二つの区間が抽出されるが、これらの区間は、一定の
フレーム数（８〜15）以上のもののみが音声区間と検定
され、（F1,B1），（F1,B2）の順に一定の順位までの候
補区間が転送される。また、尢度（の和）が等しい場合
は、始端の尢度が大な方を優先する。パターン整合部３
では、まずLPCメルケプストラム系列｛ＣMij｝に対する
リサンプル処理が行なわれる。具体的には、｛ＣMij｝
の時系列から（F1,B1）に対応する区間を等分割（ここ
では15等分）して、16点を抽出する（｛Ｃ1ij｝,i＝1.1
6,j＝1.16）。例えば第７図のｏ点とする。次に同様に
して（F1,B2）に対応する特徴パラメータを抽出する
（｛Ｃ2ij｝,i＝1.16,j＝1.16）。例えば第７図のＯ点
とする。以下、転送された候補区間に対応する特徴パラ
メータが同様に処理される。
次に、｛Ｃ1ij｝と予め登録された各カテゴリの標準パ
ターン・セットとの複合類似度が次式で計算され、その
値（S1 （Ｋ））が判定部５へ送られる。
ターン・セットとの複合類似度が次式で計算され、その
値（S1 （Ｋ））が判定部５へ送られる。
ここで、C1｛Ｃ1ij｝,i＝1.16,j＝1.16 ▲Ｗ(K) ｍ▼＝▲λ(K) ｍ▼／▲λ(K) １▼ ▲λ(K) ｍ▼，▲φ(K) ｍ▼は各々カテゴリＫの共分散行
列をKL展開して求めた固有値，固有ベクトルで、Ｌはそ
の個数、 同様にして、｛Ｃ2ij｝が存在する場合は、複合類似度
が上式でC1→C2として計算され、結果（▲Ｓ(K) ２▼）
が判定部５へ送られる。以下同様な処理により、▲Ｓ
(K) ３▼，▲Ｓ(K) ４▼，…が判定部５へ送られる。
列をKL展開して求めた固有値，固有ベクトルで、Ｌはそ
の個数、 同様にして、｛Ｃ2ij｝が存在する場合は、複合類似度
が上式でC1→C2として計算され、結果（▲Ｓ(K) ２▼）
が判定部５へ送られる。以下同様な処理により、▲Ｓ
(K) ３▼，▲Ｓ(K) ４▼，…が判定部５へ送られる。
判定部５では、｛▲Ｓ(K) １▼，▲Ｓ(K) ２▼，…｝の類
似度値からカテゴリ毎に最大値｛S(K)｝を決定した後、
これを大きい順にソートして、必要な順位まで（例えば
３位まで）の結果を（認識結果として）出力する。
似度値からカテゴリ毎に最大値｛S(K)｝を決定した後、
これを大きい順にソートして、必要な順位まで（例えば
３位まで）の結果を（認識結果として）出力する。
このような一連の処理を行なうことによって、これまで
単語境界検出誤まりとして、誤認識されていた音声が、
正しく認識されるようになった。表１は、1000サンプル
の音声（数字を含む電話音声）を、本発明による単語境
界候補探索によって第１位及び第２位までに入る率を示
したものである。始端・終端は各２個まで候補を許し、
最大４通りの区間が抽出されるが、85％の音声で１通り
しか区間が抽出されず、残りの殆んどで２通りの区間が
抽出され、また４通り抽出された場合でも、尢度をつけ
たことで２位以内に入る例が多かった。
単語境界検出誤まりとして、誤認識されていた音声が、
正しく認識されるようになった。表１は、1000サンプル
の音声（数字を含む電話音声）を、本発明による単語境
界候補探索によって第１位及び第２位までに入る率を示
したものである。始端・終端は各２個まで候補を許し、
最大４通りの区間が抽出されるが、85％の音声で１通り
しか区間が抽出されず、残りの殆んどで２通りの区間が
抽出され、また４通り抽出された場合でも、尢度をつけ
たことで２位以内に入る例が多かった。
表から第２位の尢度までの候補区間を採用することで、
境界の誤判定は0.5％に減っている。同じデータを、従
来の単語境界を一意に決定する方法を用いて単語区間を
切り出した所、2.7％が誤まりであった。一般に、単語
の終りは無声化するものが多く、背景雑音の影響を受け
やすい。そこで特に終端候補を複数許容することにより
正確な認識結果が得られる。
境界の誤判定は0.5％に減っている。同じデータを、従
来の単語境界を一意に決定する方法を用いて単語区間を
切り出した所、2.7％が誤まりであった。一般に、単語
の終りは無声化するものが多く、背景雑音の影響を受け
やすい。そこで特に終端候補を複数許容することにより
正確な認識結果が得られる。
このように本方式によれば、背景雑音等のためにこれま
で救出不可能な単語境界誤まりによる認識エラーを大幅
に救うことができる。
で救出不可能な単語境界誤まりによる認識エラーを大幅
に救うことができる。
また、尢度（これは順番でもよい）を付したことで、２
位（所定数）以内の候補のみ類似度計算することで演算
の低減が可能となり高速・高性能な単語認識方式を形成
できる。
位（所定数）以内の候補のみ類似度計算することで演算
の低減が可能となり高速・高性能な単語認識方式を形成
できる。
尚、本発明は上述した実施例に限定されるものではな
い。実施例では単語音声の認識について説明したが、音
素，音節あるいは文節，文単位の音声認識にもそれらの
境界検出誤まりの低減に適用可能なことは云うまでもな
い。
い。実施例では単語音声の認識について説明したが、音
素，音節あるいは文節，文単位の音声認識にもそれらの
境界検出誤まりの低減に適用可能なことは云うまでもな
い。
その他、音響分析方式，境界検出方法など本発明はその
要旨を逸脱しない範囲で種々変形して実施することがで
きる。
要旨を逸脱しない範囲で種々変形して実施することがで
きる。
第１図は本発明の一実施例の全体ブロック図， 第２図は本発明の一実施例の音響分析部を示すブロック
図， 第３図は本発明の一実施例の前処理部を示すブロック
図， 第４図及び第５図は前処理部による境界検索法を説明す
るための図， 第６図は従来技術を説明するための図， 第７図は女性が発声した「８」の電話音声をLPC分析し
た例を示す図である。 １……音響分析部 ２……前処理部 ３……パターン整合部 ４……標準パターンセット ５……判定部 21……第１段境界探索部 22……前方及び後方ノイズレベル計算部 23……第２段境界候補探索部 24……順位計算部
図， 第３図は本発明の一実施例の前処理部を示すブロック
図， 第４図及び第５図は前処理部による境界検索法を説明す
るための図， 第６図は従来技術を説明するための図， 第７図は女性が発声した「８」の電話音声をLPC分析し
た例を示す図である。 １……音響分析部 ２……前処理部 ３……パターン整合部 ４……標準パターンセット ５……判定部 21……第１段境界探索部 22……前方及び後方ノイズレベル計算部 23……第２段境界候補探索部 24……順位計算部
Claims (1)
- 【請求項１】音声信号を分析処理して特徴パラメータに
変換する手段と、該特徴パラメータから音声の境界候補
を複数探索すると共に、各候補に尢度もしくは順位を付
し、音声区間が複数個抽出されたとき該音声区間候補に
順位を付す手段と、得られた音声候補区間のうち一定の
順位までの区間に対して、予め作成された標準パターン
との類似度もしくは距離値を計算する手段と、得られた
複数候補区間に対する類似度もしくは距離値から音声を
識別判定する手段を有することを特徴とする音声認識方
式。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61059505A JPH06105394B2 (ja) | 1986-03-19 | 1986-03-19 | 音声認識方式 |
| US07/019,781 US4881266A (en) | 1986-03-19 | 1987-02-27 | Speech recognition system |
| DE8787103477T DE3775797D1 (de) | 1986-03-19 | 1987-03-11 | Spracherkennungssystem. |
| EP87103477A EP0237934B1 (en) | 1986-03-19 | 1987-03-11 | Speech recognition system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP61059505A JPH06105394B2 (ja) | 1986-03-19 | 1986-03-19 | 音声認識方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS62217295A JPS62217295A (ja) | 1987-09-24 |
| JPH06105394B2 true JPH06105394B2 (ja) | 1994-12-21 |
Family
ID=13115188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP61059505A Expired - Lifetime JPH06105394B2 (ja) | 1986-03-19 | 1986-03-19 | 音声認識方式 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US4881266A (ja) |
| EP (1) | EP0237934B1 (ja) |
| JP (1) | JPH06105394B2 (ja) |
| DE (1) | DE3775797D1 (ja) |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8613327D0 (en) * | 1986-06-02 | 1986-07-09 | British Telecomm | Speech processor |
| US4803730A (en) * | 1986-10-31 | 1989-02-07 | American Telephone And Telegraph Company, At&T Bell Laboratories | Fast significant sample detection for a pitch detector |
| JPH0296800A (ja) * | 1988-10-03 | 1990-04-09 | Nec Corp | 連続音声認識装置 |
| GB8908205D0 (en) * | 1989-04-12 | 1989-05-24 | Smiths Industries Plc | Speech recognition apparatus and methods |
| JP3004023B2 (ja) * | 1989-11-28 | 2000-01-31 | 株式会社東芝 | 音声認識装置 |
| JP3045510B2 (ja) * | 1989-12-06 | 2000-05-29 | 富士通株式会社 | 音声認識処理装置 |
| CA2042926C (en) * | 1990-05-22 | 1997-02-25 | Ryuhei Fujiwara | Speech recognition method with noise reduction and a system therefor |
| JPH04182700A (ja) * | 1990-11-19 | 1992-06-30 | Nec Corp | 音声認識装置 |
| JP2924555B2 (ja) * | 1992-10-02 | 1999-07-26 | 三菱電機株式会社 | 音声認識の境界推定方法及び音声認識装置 |
| DK46493D0 (da) * | 1993-04-22 | 1993-04-22 | Frank Uldall Leonhard | Metode for signalbehandling til bestemmelse af transientforhold i auditive signaler |
| US5465317A (en) * | 1993-05-18 | 1995-11-07 | International Business Machines Corporation | Speech recognition system with improved rejection of words and sounds not in the system vocabulary |
| JPH07225593A (ja) * | 1994-02-10 | 1995-08-22 | Fuji Xerox Co Ltd | 音処理装置 |
| JP3533696B2 (ja) * | 1994-03-22 | 2004-05-31 | 三菱電機株式会社 | 音声認識の境界推定方法及び音声認識装置 |
| JP3453456B2 (ja) * | 1995-06-19 | 2003-10-06 | キヤノン株式会社 | 状態共有モデルの設計方法及び装置ならびにその状態共有モデルを用いた音声認識方法および装置 |
| US5806022A (en) * | 1995-12-20 | 1998-09-08 | At&T Corp. | Method and system for performing speech recognition |
| JP3535292B2 (ja) * | 1995-12-27 | 2004-06-07 | Ｋｄｄｉ株式会社 | 音声認識システム |
| FR2769118B1 (fr) * | 1997-09-29 | 1999-12-03 | Matra Communication | Procede de reconnaissance de parole |
| US6389397B1 (en) * | 1998-12-23 | 2002-05-14 | Lucent Technologies, Inc. | User identification system using improved voice print identification processing |
| US6324509B1 (en) * | 1999-02-08 | 2001-11-27 | Qualcomm Incorporated | Method and apparatus for accurate endpointing of speech in the presence of noise |
| DE60143506D1 (de) * | 2000-01-27 | 2011-01-05 | Nuance Comm Austria Gmbh | Sprachdetektiongsgerät mit zwei abschaltkriterien |
| JP2002268698A (ja) * | 2001-03-08 | 2002-09-20 | Nec Corp | 音声認識装置と標準パターン作成装置及び方法並びにプログラム |
| US7177810B2 (en) * | 2001-04-10 | 2007-02-13 | Sri International | Method and apparatus for performing prosody-based endpointing of a speech signal |
| US20050165604A1 (en) * | 2002-06-12 | 2005-07-28 | Toshiyuki Hanazawa | Speech recognizing method and device thereof |
| EP1763018B1 (en) * | 2004-07-01 | 2010-01-06 | Nippon Telegraph and Telephone Corporation | System for detection section including particular acoustic signal, method and program thereof |
| JP2007057844A (ja) * | 2005-08-24 | 2007-03-08 | Fujitsu Ltd | 音声認識システムおよび音声処理システム |
| EP1939859A3 (en) | 2006-12-25 | 2013-04-24 | Yamaha Corporation | Sound signal processing apparatus and program |
| US20100283849A1 (en) * | 2008-01-11 | 2010-11-11 | Cory James Stephanson | System and method of environmental monitoring and event detection |
| US8050413B2 (en) * | 2008-01-11 | 2011-11-01 | Graffititech, Inc. | System and method for conditioning a signal received at a MEMS based acquisition device |
| US20090182524A1 (en) * | 2008-01-11 | 2009-07-16 | Cory James Stephanson | System and method of event detection |
| JP2014215877A (ja) * | 2013-04-26 | 2014-11-17 | 株式会社デンソー | 物体検出装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3770892A (en) * | 1972-05-26 | 1973-11-06 | Ibm | Connected word recognition system |
| JPS59121100A (ja) * | 1982-12-28 | 1984-07-12 | 株式会社東芝 | 連続音声認識装置 |
| US4720802A (en) * | 1983-07-26 | 1988-01-19 | Lear Siegler | Noise compensation arrangement |
-
1986
- 1986-03-19 JP JP61059505A patent/JPH06105394B2/ja not_active Expired - Lifetime
-
1987
- 1987-02-27 US US07/019,781 patent/US4881266A/en not_active Expired - Lifetime
- 1987-03-11 DE DE8787103477T patent/DE3775797D1/de not_active Expired - Lifetime
- 1987-03-11 EP EP87103477A patent/EP0237934B1/en not_active Expired
Also Published As
| Publication number | Publication date |
|---|---|
| EP0237934B1 (en) | 1992-01-08 |
| US4881266A (en) | 1989-11-14 |
| DE3775797D1 (de) | 1992-02-20 |
| EP0237934A1 (en) | 1987-09-23 |
| JPS62217295A (ja) | 1987-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH06105394B2 (ja) | 音声認識方式 | |
| US5794196A (en) | Speech recognition system distinguishing dictation from commands by arbitration between continuous speech and isolated word modules | |
| US5611019A (en) | Method and an apparatus for speech detection for determining whether an input signal is speech or nonspeech | |
| US5131043A (en) | Method of and apparatus for speech recognition wherein decisions are made based on phonemes | |
| TWI396184B (zh) | 一種語音辨認所有語言及用語音輸入單字的方法 | |
| US6618702B1 (en) | Method of and device for phone-based speaker recognition | |
| JPH0352640B2 (ja) | ||
| JPS6336676B2 (ja) | ||
| US4769844A (en) | Voice recognition system having a check scheme for registration of reference data | |
| KR101122591B1 (ko) | 핵심어 인식에 의한 음성 인식 장치 및 방법 | |
| EP0430615B1 (en) | Speech recognition system | |
| JP2996019B2 (ja) | 音声認識装置 | |
| KR100391123B1 (ko) | 피치 단위 데이터 분석을 이용한 음성인식 방법 및 시스템 | |
| US5727121A (en) | Sound processing apparatus capable of correct and efficient extraction of significant section data | |
| JP2813209B2 (ja) | 大語彙音声認識装置 | |
| JP2879989B2 (ja) | 音声認識方法 | |
| JP3100180B2 (ja) | 音声認識方法 | |
| Al Hindawi et al. | The exploitation of Multiple Feature Extraction Techniques for Speaker Identification in Emotional States under Disguised Voices | |
| JPH0455518B2 (ja) | ||
| JPH01185599A (ja) | 音声認識装置 | |
| JPH054680B2 (ja) | ||
| JPH0519786A (ja) | 音声認識方法 | |
| Winebarger et al. | Improving SVF with DISTBIC for phoneme segmentation | |
| JPS6411960B2 (ja) | ||
| JPH0316040B2 (ja) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EXPY | Cancellation because of completion of term |