JPH1138991A - 装着形マイクロホンを用いた音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 騒音環境下における音声認識性能を、発声者
の自由度を制限することなく、また装置増大させること
なく達成することである。 【解決手段】 気導マイクロホン２０１で受音した音響
記号から特徴パラメータを抽出し、骨導マイクロホン２
０６で受音した音響信号から音声区間に関する情報を抽
出し、一方あらかじめ別に受音した音響信号からあらか
じめ定めた単位で抽出され音声パターン辞書メモリ２１
２に記憶された特徴パラメータと前記気導マイクロホン
２０１の音響信号から得られた特徴パラメータとの間の
類似度をパターン照合部２１３で算出して、一番類似度
の高い特徴パラメータに対応するデータを認識結果とし
て出力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、騒音環境下でも認
識性能の高い装着形マイクロホンを用いた音声認識装置
に関するものである。

【０００２】

【従来の技術】音声認識装置において、入力された音声
信号から音声区間の情報を正確に抽出して利用すること
は、音声認識性能の向上のために重要である。いま、簡
易な単語音声認識装置を例にとれば、発声された音声の
区間（開始点から終了点まで）を正しく検出する必要が
ある。なぜならば音声区間の正しい検出が行われない
と、あらかじめ辞書に音声パターンとして登録されてい
る単語と同一の単語を発声したとしても、語頭あるいは
語尾の欠落等により、同一の音声パターンとしてではな
く、その他の単語の音声パターンとして誤認識されてし
まう可能性が高まるためである。ところで、音声区間検
出精度を低下させる大きな要因として、種々の環境騒音
があげられる。具体的には、空調機のダクトノイズ，ド
アの開閉音など、様々である。この中で、空調機のダク
トノイズは、その音質，パワーともに長時間にわたり変
化が少ない。一方、ドアの開閉音は短時間内で消失する
ため、その間の音質，パワーの変化が大きい。

【０００３】従来より、騒音環境下における音声認識性
能を向上させる技術として、音声入力を許可する前に予
め周囲騒音のパワーを測定し、その値を用いてしきい値
を設定しておき、その後に音声入力を許可する方法がと
られていた。その一例として、単語音声認識装置の構成
を図４を用いて説明する。

【０００４】図４で、１０１は音響信号受音用のマイク
ロホン、１０２はアナログ／デジタル変換部、１０３は
サンプリングデータバッファ、１０４は特徴パラメータ
抽出部、１０５は特徴パラメータバッファ、１０６はパ
ワー算出部、１０７は音声区間検出部、１０８は信号路
切替器、１０９は音声パターン辞書メモリ、１１０はパ
ターン照合部、１１１は認識結果出力部である。

【０００５】次に、図４の動作について説明する。動作
を機能的に大きく分けると、音声が未入力の状態での騒
音レベルを測定して、音声区間検出のしきい値を決定す
る「騒音測定」、認識対象とすべき単語を発声し、抽出
された音声パターンを音声パターン辞書メモリに登録す
る「音声登録」、および発声された音声と既登録の辞書
中の音声パターンとを照合し、その結果を出力する「音
声認識」とからなる。

【０００６】（１）騒音測定 マイクロホン１０１で受音されたアナログ信号は、アナ
ログ／デジタル変換部１０２で適切な周波数でサンプリ
ングされ、デジタル信号に変換される。ここで、適切な
周波数とは、音声認識処理に必要となる音声の特徴を損
なわない周波数であり、通常は８キロヘルツから１２キ
ロヘルツに設定される。次に、デジタル信号はサンプリ
ングデータバッファ１０３に逐次格納される。サンプリ
ングデータバッファ１０３に記憶されたデータは、２０
ないし３０ミリ秒毎の単位で逐次処理される。この２０
ないし３０ミリ秒の期間をフレームと称する。パワー算
出部１０６では、フレーム毎に音響パワーが算出され、
パワー値が音声区間検出部１０７に入力される。音声区
間検出部１０７では、フレーム毎に算出されるパワーを
適切なフレーム数にわたって累積加算し、さらにフレー
ム当たりの平均値を算出する。ここで適切な定数を加算
した値を、音声区間検出のためのしきい値とする。

【０００７】（２）音声登録 騒音測定が終了した時点で音声入力が可能となる。マイ
クロホン１０１で受音されたアナログ信号は、アナログ
／デジタル変換部１０２でデジタル信号に変換され、サ
ンプリングデータバッファ１０３に逐次格納される。サ
ンプリングデータバッファ１０３に２０ないし３０ミリ
秒分のデータが格納される毎に、すなわちフレーム毎に
パワー算出部１０６によりデータのパワーが、また特徴
パラメータ抽出部１０４により特徴パラメータが算出さ
れる。特徴パラメータは、特徴パラメータバッファ１０
５に逐次格納される。音声区間検出部１０７により、パ
ワー値の系列をラベル系列に変換する。ここでしきい値
を複数設定し、よってラベルも複数種類あってもよい。
次に、ラベル系列の遷移状態により、音声の開始フレー
ムおよび終了フレームを検出する。音声登録時には、信
号路切替器１０８は特徴パラメータバッファ１０５から
音声パターン辞書メモリ１０９に接続される。ここで検
出された音声開始フレームから音声終了フレームまでに
相当する特徴パラメータを特徴パラメータバッファ１０
５から信号路切替器１０８を経由して音声パターン辞書
メモリ１０９に転送することにより、音声パターンとし
て登録することができる。

【０００８】なお、上記パワー値は、具体的には１６ビ
ット程度のデジタルデータである。ただし音声区間検出
の判定のためには１６ビットもの精度は必要ないため、
これをデータの値に応じて数個の数字や記号に変換す
る。「ラベル」とは、変換された数字や記号と同じ意味
である。

【０００９】具体的な変換方法の一例を以下に示す。

【００１０】 Ｐ＝パワー値（例えば１６ビットのデータ）、 Ｐ１＝ラベルへ変換するためのしきい値１、 Ｐ２＝ラベルへ変換するためのしきい値２で、Ｐ１＜
Ｐ、 Ｌ０＝ラベル０（例えば“０”）、 Ｌ１＝ラベル１（例えば“１”）、 Ｌ２＝ラベル２（例えば“２”） としたとき、Ｐ＜Ｐ１ならば、ラベルはＬ０、Ｐ１≦Ｐ
＜Ｐ２ならば、ラベルはＬ１、Ｐ２≦Ｐならば、ラベル
はＬ２となる。

【００１１】こうすることにより、フレーム毎に算出さ
れるパワー値系列をラベル系列に変換することができ
る。

【００１２】（３）音声認識 マイクロホン１０１から特徴パラメータバッファ１０５
までの構成は音声登録時と同一であるため、動作も同一
となる。音声認識時には信号路切替器１０８はパターン
照合部１１０に接続される。マイクロホン１０１で受音
されたアナログ信号は、上記（２）音声登録と同一の処
理により、フレーム毎に計算された特徴パラメータ系列
として、特徴パラメータバッファ１０５に格納される。
また、パワー算出部１０６でフレーム毎に算出されたパ
ワーの系列に基づいて、音声区間検出部１０７では音声
開始フレームおよび音声終了フレームが決定される。音
声パターン辞書メモリ１０９には、上記（２）に述べた
ように、認識対象となる各単語についての音声開始フレ
ームから音声終了フレームまでの特徴パラメータが登録
されている。したがって、パターン照合部１１０への入
力パターンとして、特徴パラメータバッファ１０５中の
音声開始フレームから音声終了フレームまでの特徴パラ
メータを与え、参照用パターンとして、音声パターン辞
書メモリ１０９に格納された音声パラメータを単語毎に
順次与えることにより、両パターンの照合を順次行うこ
とができる。入力パターンと参照パターンとの照合結果
は、距離値により出力される。距離値が大きいほど、両
パターンの相違度が大きいことを意味する。各参照パタ
ーン毎に入力パターンとの距離値を算出し、すべての距
離値の中で最小となる距離値に対応する参照パターン名
が認識結果として出力される。

【００１３】

【発明が解決しようとする課題】以上、従来の単語音声
認識装置の構成例を説明したが、あらかじめ測定された
騒音レベルに基づいて決定されるしきい値という判定基
準を用いることにより、音響パワーの絶対値に基づいて
音声区間を判定する必要がなくなるため、周囲騒音を音
声と判定する誤りが減少し、その結果音声区間検出性能
が向上する。ところで、音声測定に基づいて決定したし
きい値を用いた音声区間検出方法では、音声以外の騒音
等のパワーレベルが、検出したい音声のパワーレベルと
同等に近くなるような条件下では、音声入力中であるに
もかかわらず受音される信号のパワーレベルがしきい値
を越えない状態が生じ、その結果、正確な音声区間検出
が困難になる。また、前述の空調ダクトノイズのように
パワーの変化が少ない騒音を測定してしきい値を決定し
た後に、ドアの開閉音のような短時間でパワーの大きく
変化する騒音が入力される場合には、この部分が音声区
間と誤判定されて取り込まれることになり、その結果、
音声認識誤りを誘発することになる。

【００１４】騒音下の音声区間検出精度を向上させるた
めの別の技術として、２個のマイクロホンで各々受音し
た音響信号のパワー情報に基づいて、音声区間検出を行
う方法がある。すなわち、音声信号の受音を目的とした
第１のマイクロホンと、騒音の受音を目的とした第２の
マイクロホンを設置し、音声入力のない状態での各々の
騒音パワーを測定し、両者の差分値を求め、この値に適
切な定数を加算した値をしきい値とする。次に、音声入
力可とした時点以降に各受音した音響信号のパワーをフ
レーム毎に測定し、両者の差分値を求め、差分値としき
い値との比較により音声区間を判定する方法である。こ
の方法を用いるための理想的な条件は、双方のマイクロ
ホンにおいて常に等しい騒音が受音され、また、第２の
マイクロホンへは発声者の音声信号の差分は小さくなる
が、同時に音声信号の差分も小さくなる。逆に、２個の
マイクロホンを離して設置すると、音声信号の差分を大
きくすることができるが、同時に騒音信号の差分や音響
的性質の相違も増大する。また、２個のマイクロホンを
離して設置するためには、発声者とマイクロホンとの適
切な位置関係を考える必要があり、設置場所や発声者の
自由度を制限することになる。

【００１５】本発明は、騒音環境下における音声認識性
能の向上を、発声者の自由度を制限することなく、また
装置規模を増大させることなく達成することを目的とす
るものである。

【００１６】

【課題を解決するための手段】本発明にかかる装着形マ
イクロホンを用いた音声認識装置は、発声者の発する音
声信号のうち、空気中を伝搬する音響信号を受信する第
１の受音手段と、前記発声者の発する音声信号のうち頭
骨を伝搬する音響信号を受音する第２の受音手段と、前
記第１の受音手段により受音した信号から特徴パラメー
タを抽出する特徴パラメータ抽出手段と、前記第２の受
音手段により受音した信号から音声区間に関する情報を
抽出する音声区間検出手段と、抽出された特徴パラメー
タを一時的に記憶する特徴パラメータ記憶手段と、あら
かじめ別に受音した音響信号からあらかじめ定めた単位
で抽出された特徴パラメータを音声辞書として記憶する
音声辞書記憶手段と、前記特徴パラメータ記憶手段に一
時的に記憶された特徴パラメータと、前記音声辞書記憶
手段にあらかじめ音声辞書として記憶された複数の単語
などの特徴パラメータとの間の類似度を算出する類似度
算出手段とを有し、算出された類似度の情報を用いて、
特徴パラメータに対応する単語名などのデータを認識結
果として出力するものである。

【００１７】また、第１の受音手段により受音した信号
から音声区間に関する情報を抽出する音声区間検出手段
と、前記第１，第２の受音手段によりそれぞれ抽出した
音声区間に関する情報のうちいずれを使用するかを判定
する判定手段を備えたものである。

【００１８】

【発明の実施の形態】そこで本発明では、通常のマイク
ロホン（以下、これを気導マイクロホンと称す）と、骨
導マイクロホンを併用し、両者で受音した信号を用いて
騒音下での音声区間検出精度を向上させ、その結果、認
識性能の高い音声認識装置を構成する。

【００１９】以上の構成により、発声者の自由度を制限
することなく、また、装置規模を増大させることなく、
騒音環境下における音声認識性能を向上させる。

【００２０】

【実施例】本発明の一実施例として単語音声認識装置の
構成を、図面を用いて説明する。図１は、本発明の一実
施例の構成を示すブロック図であり、２０１は気導マイ
クロホン（第１の受音手段）、２０２はアナログ／デジ
タル変換部、２０３はサンプリングデータバッファ、２
０４は特徴パラメータ抽出部（特徴パラメータ抽出手
段）、２０５は特徴パラメータバッファ（特徴パラメー
タ記憶手段）、２０６は骨導マイクロホン（第２の受音
手段）、２０７はアナログ／デジタル変換部、２０８は
サンプリングデータバッファ、２０９はパワー算出部、
２１０は音声区間検出部（音声区間検出手段）、２１１
は信号路切替器、２１２は音声パターン辞書メモリ（音
声辞書記憶手段）、２１３はパターン照合部（類似度算
出手段）、２１４は認識結果出力部である。

【００２１】ここで気導マイクロホン２０１および骨導
マイクロホン２０６について説明する。

【００２２】気導マイクロホン２０１および骨導マイク
ロホン２０６は、例えば『青木茂明，三橋和正，西野
豊．“耐騒音形小形通話ユニットの検討”日本音響学会
平成９年度春季研究発表会講演論文集３−３−１５．
Ｐ．５５５〜５５６．平成９年３月』の文献の図１に示
されるように、外耳に装着可能な一体型の構造として実
現することが可能である。すなわち、マイクロホンユニ
ットの一部を外耳に挿入して装着することにより、骨導
マイクロホン２０６は、外耳の接触部分から骨導信号を
ピックアップする。一方、ユニットの外側には気導マイ
クロホン２０１を配置することにより、空間を伝搬する
発声者の音響信号を受音することができる。

【００２３】気導マイクロホン２０１の利点は、広い周
波数帯域にわたって感度が良いことである。このため、
音声認識に必要な８キロヘルツないし１２キロヘルツの
帯域の音響信号を大変良好に受音することができる。一
方、音声と同一周波数帯域の騒音信号も音声信号と区別
なく受音するため、高騒音下での音声区間検出が困難に
なるという欠点をもつ。一方、骨導マイクロホン２０６
には加速度ピックアップを用いているため、周波数帯域
が狭く、音声の高域周波数成分の減衰が大きいため、単
独で音声認識に用いると性能が低下する。その反面、外
部からの空気中を伝搬する騒音成分の影響が小さいとい
う利点を有する。

【００２４】次に、図１の本実施例の動作について説明
する。動作を機能的に大きく分けると、図１の例と同様
に、音声が未入力の状態でのレベルを測定して、音声区
間検出のしきい値を決定する「騒音測定」、認識対象と
すべき単語の音声パターンを辞書メモリに登録する「音
声登録」、および、発声されたパターンと既登録の辞書
中の音声パターンとを照合し、その結果を出力する「音
声認識」となる。ここで、図４の従来例との相違は、騒
音測定，音声登録，音声認識の各処理で必要となる音声
パワー算出を、骨導マイクロホン２０６による受音信号
を用いて行う点である。

【００２５】（１１）騒音測定 骨導マイクロホン２０６で受音されたアナログ信号は、
アナログ／デジタル変換部２０７で適切な周波数でサン
プリングされ、デジタル信号に変換される。ここで、適
切な周波数とは、骨導マイクロホン２０６により受音可
能な周波数帯域の上限までをカバーする周波数である。
通常、骨導マイクロホン２０６の受音周波数帯域の上限
は気導マイクロホン２０１より低いため、従ってサンプ
リング周波数を低減させることができる。次に、デジタ
ル信号はサンプリングデータバッファ２０８に逐次格納
される。サンプリングバッファ２０８に２０ないし３０
ミリ秒、すなわち１フレーム分の信号が格納される毎
に、パワー算出部２０９において信号パワーが算出され
る。フレーム毎に算出されたパワーを適切なフレーム数
にわたって累積加算し、さらにフレーム当たりの平均値
を計算する。ここで適切なフレーム数とは、通常４ない
し１６程度である。算出された平均パワーに適切な定数
を加算することにより、音声区間検出のためのしきい値
とする。

【００２６】（１２）音声登録 騒音測定が終了した時点で音声入力が可能となる。骨導
マイクロホン２０６で受音された信号は、アナログ／デ
ジタル変換部２０７でデジタル信号に変換され、サンプ
リングデータバッファ２０８に逐次格納される。パワー
算出部２０９では１フレーム毎に信号のパワーが算出さ
れ、音声区間検出部２１０に送られる。音声区間検出部
２１０では、フレーム毎に算出されるパワーと、事前に
設定されたしきい値とを比較することにより、パワー値
の系列を例えばラベル系列に変換する。ここでしきい値
を複数設定し、よってラベルも複数種類あってもよい。
次に、ラベル系列の遷移状態により、音声の開始フレー
ムおよび終了フレームを決定することができる。

【００２７】一方、気導マイクロホン２０１で受音され
たアナログ信号は、アナログ／デジタル変換部２０２に
おいて適切な周波数でデジタル信号に変換され、サンプ
リングデータバッファ２０３に逐次格納される。ここ
で、適切な周波数とは、音声認識処理に必要となる音声
の特徴を損なわない周波数であり、通常は８キロヘルツ
から１２キロヘルツに設定される。サンプリングデータ
バッファ２０３に２０ないし３０ミリ秒分のデータが格
納される毎に、すなわちフレーム毎に、データの特徴パ
ラメータが計算される。特徴パラメータは、特徴パラメ
ータバッファ２０５に逐次格納される。音声登録時に
は、信号路切替器２１１は特徴パラメータバッファ２０
５から音声パターン辞書メモリ２１２に接続される。こ
こで、音声区間検出部２１０で検出された音声開始フレ
ームと音声終了フレーム情報に基づき、当該範囲の音声
特徴パラメータを特徴パラメータバッファ２０５から信
号路切替器２１１を経由して音声パターン辞書メモリ２
１２に転送することにより、音声パターンとして登録す
ることができる。ここで注意すべきことは、前述の骨導
信号を用いてパワーを算出するフレームと、特徴パラメ
ータを算出するフレームとの間の同期を取ることであ
る。具体的には、アナログ／デジタル変換器２０２と２
０７の双方のサンプリングクロックの同期を取ることに
より、容易に実現することができる。

【００２８】（１３）音声認識 図１の構成において、気導マイクロホン２０１から特徴
パラメータバッファ２０５までの構成は音声登録時と同
一であるため、動作も同一となる。音声認識時には信号
路切替器２１１はパターン照合部２１３に接続される。
気導マイクロホン２０１で受音されたアナログ信号は、
上記（１２）音声登録で述べたものと同一の処理によ
り、フレーム毎に算出された特徴パラメータとして特徴
パラメータバッファ２０５に格納される。また、音声開
始フレームおよび音声終了フレームは、音声区間検出部
２１０により決定される。一方、音声パターン辞書メモ
リ２１２には、上記（１２）音声登録で述べたように、
認識対象となる各単語の音声開始フレームから音声終了
フレームまでの特徴パラメータが登録されている。した
がってパターン照合部２１３へのパラメータとして、特
徴パラメータバッファ２０５中の音声開始フレームから
音声終了フレームまでのパラメータを与え、参照用パタ
ーンとして、音声パターン辞書メモリ２１２に格納され
た音声パラメータを単語毎に順次与えることにより、両
パターンの照合を行うことができる。その結果、入力パ
ターンと参照パターンとの照合結果が、距離値により出
力される。距離値が大きいほど、両パターンの相違が大
きいことを意味する。各参照パターン毎にパターンとの
距離値を算出し、すべての距離値の中で最小となる距離
値に対応する参照パターン名が認識結果となる。

【００２９】次に、本発明の作用効果について以下に説
明する。図３（ａ）および図３（ｂ）は、気導マイクロ
ホン２０１、および骨導マイクロホン２０６で同時に受
音した音声信号からそれぞれ音声区間検出を行った例で
ある。図３（ａ）は、騒音下で発声された単語音声を気
導マイクロホンで受音し、音声区間を検出した例であ
り、３０１は音響パワーを示す座標軸（対数座標）、３
０２はフレーム信号を示す座標、３０３はフレーム番
号、３０４は音声未入力時に測定した音響パワーの値に
基づいてあらかじめ決定したしきい値、３０５はフレー
ム毎に算出された音響パワーの系列、３０６は検出され
た音声開始フレーム、３０７は検出された音声終了フレ
ームを示す。図３（ｂ）は、騒音下で発生された単語音
声を骨導マイクロホンで受音し、音声区間を検出した例
であり、３０８は音響パワーを示す座標軸（対数座
標）、３０９はフレーム番号を示す座標軸、３１０はフ
レーム番号、３１１は音声未入力時に測定した音響パワ
ーの値に基づいてあらかじめ決定したしきい値、３１２
はフレーム毎に算出された音響パワーの系列、３１３は
検出された音声開始フレーム、３１４は検出された音声
終了フレームを示す。

【００３０】図３（ａ）と図３（ｂ）を比較して明らか
なように、図３（ａ）では気導マイクロホンで受音した
騒音信号の中に音声信号がほとんど埋もれ、視察では音
声区間の検出が困難であるのに対し、図３（ｂ）では騒
音はほとんど受音されず、その結果、音声信号区間が視
察でもはっきりと区別できる。実際、図３（ｂ）では音
声区間が正しく検出されているのに対し、図３（ａ）で
は音声の開始区間と終了区間が正しく検出できていな
い。さらに、図３（ｂ）では、しきい値３１１が多少変
動しても同一の音声区間が検出されるのに対し、図３
（ａ）では、しきい値３０４のわずかな変動によっても
検出される音声区間が大きく異なり、場合によっては音
声区間が未検出となることもある。

【００３１】次に、騒音下での単語音声認識性能を比較
することにより、骨導マイクロホン２０６の効果を述べ
る。騒音環境下で、図４に示した従来装置の構成と、図
１に示した本発明装置の構成での単語音声認識性能の比
較を行った。単語は日本人姓の中から、人口順に上位２
０姓を選んだ。発声は、予め定めた騒音環境下で、音声
パターン登録用，認識評価用にそれぞれ１回ずつ発声し
た。ここで、発声毎のばらつきをなくすために、気導マ
イクロホン２０１と骨導マイクロホン２０６からは同時
に収録した。男性３名についての音声認識率の平均値
は、騒音が６４デシベル（Ａ），７４デシベル（Ａ），
８４デシベル（Ａ）のピンクノイズをラウドスピーカよ
り発生させた場合に、図４の構成ではそれぞれ６５％，
２５％，８．３％であったのに対し、図１の構成ではそ
れぞれ９３．３％，９０．０％，６８．３％であった。
両者の性能比較より、図１の効果は明らかである。

【００３２】一方、騒音のない環境での同様の実験条件
での音声認識率は、図４の場合では９５．０％、図１の
場合では８８．３％であった。これは、騒音のない環境
では気導マイクロホン２０１の音声からも正確に音声区
間検出ができるのに対し、骨導マイクロホン２０６の音
声では、その周波数帯域の制限により、音声区間開始直
後の子音部分、あるいは音声区間終了部分付近の無声子
音化した部分の検出誤りが生じているためと考えられ
る。騒音のない環境での音声認識性能も併せて向上させ
るためには、騒音測定で得られる騒音パワーの値によ
り、気導マイクロホン２０１で受音した信号から抽出さ
れた音声区間の情報と、骨導マイクロホン２０６で受音
した信号から抽出された音声区間の情報を選択的に利用
すればよい。そのような実施例を次に示す。

【００３３】図２は、本発明の第２の実施例の構成を示
すブロック図である。この図において、図１の実施例と
相違するところはパワー算出部２１５，音声区間検出部
（音声区間検出手段）２１６および判定部（判定手段）
２１７を追加している点である。この実施例では気導マ
イクロホン２０１から受音した信号からもパワー算出部
２１５と音声区間検出部２１６により音声区間に関する
情報を検出し、判定部２１７において骨導マイクロホン
２０６の系統の音声区間検出部２１０の出力を使用する
か、気導マイクロホン２０１の系統の音声区間検出部２
１６の出力を用いるか判定し、よりよい方を特徴パラメ
ータバッファ２０５に送る。その後の処理は図１の実施
例の場合と同じであるので、説明は省略する。

【００３４】

【発明の効果】以上説明したように、本発明は、発声者
の発する音声信号のうち、空気中を伝搬する音響信号を
受信する第１の受音手段と、前記発声者の発する音声信
号のうち頭骨を伝搬する音響信号を受音する第２の受音
手段と、前記第１の受音手段により受音した信号から特
徴パラメータを抽出する特徴パラメータ抽出手段と、前
記第２の受音手段により受音した信号から音声区間に関
する情報を抽出する音声区間検出手段と、抽出された特
徴パラメータを一時的に記憶する特徴パラメータ記憶手
段と、あらかじめ別に受音した音響信号からあらかじめ
定めた単位で抽出された特徴パラメータを音声辞書とし
て記憶する音声辞書記憶手段と、前記特徴パラメータ記
憶手段に一時的に記憶された特徴パラメータと、前記音
声辞書記憶手段にあらかじめ音声辞書として記憶された
複数の単語などの特徴パラメータとの間の類似度を算出
する類似度算出手段とを有し、算出された類似度の情報
を用いて、特徴パラメータに対応する単語名などのデー
タを認識結果として出力するようにしたので、外耳に装
着可能な一体型の気導マイクロホン・骨導マイクロホン
ユニットにより、騒音環境下での音声認識の向上を、発
声者の自由度を制限することなく、また装置規模を増大
させることなく達成できることが明らかとなった。

【００３５】さらに、本発明は前記第１の受音手段によ
り受音した信号から音声区間に関する情報を抽出する音
声区間検出手段と、前記第１，第２の受音手段によりそ
れぞれ抽出した音声区間に関する情報のうちいずれを使
用するかを判定する判定手段を備えたので、音声区間の
情報を選択的に利用することで、より正確な音声認識を
行うことができる。

【図面の簡単な説明】

【図１】本発明の一実施例の構成を示すブロック図であ
る。

【図２】本発明の他の実施例の構成を示すブロック図で
ある。

【図３】図３（ａ）は、騒音下で発声された単語音声を
気導マイクロホンで受音し、音声区間を検出した例を示
す図であり、図３（ｂ）は、騒音下で発声された単語音
声を骨導マイクロホンで受音し、音声区間を検出した例
を示す図である。

【図４】従来の音声認識装置の一例の構成を示すブロッ
ク図である。

【符号の説明】

２０１ 気導マイクロホン ２０２ アナログ／デジタル変換部 ２０３ サンプリングデータバッファ ２０４ 特徴パラメータ抽出部 ２０５ 特徴パラメータバッファ ２０６ 骨導マイクロホン ２０７ アナログ／デジタル変換部 ２０８ サンプリングデータバッファ ２０９ パワー算出部 ２１０ 音声区間検出部 ２１１ 信号路切替器 ２１２ 音声パターン辞書メモリ ２１３ パターン照合部 ２１４ 認識結果出力部 ２１５ パワー算出部 ２１６ 音声区間検出部 ２１７ 判定部 ３０１ 座標軸（対数座標） ３０２ 座標軸 ３０３ フレーム番号 ３０４ しきい値 ３０５ 音響パワー ３０６ 音声開始フレーム ３０７ 音声終了フレーム ３０８ 座標軸（対数座標） ３０９ 座標 ３１０ フレーム番号 ３１１ しきい値 ３１２ 音響パワー ３１３ 音声開始フレーム ３１４ 音声終了フレーム

Claims (2)

【特許請求の範囲】
1. 【請求項１】 発声者の発する音声信号のうち、空気中
   を伝搬する音響信号を受信する第１の受音手段と、前記
   発声者の発する音声信号のうち頭骨を伝搬する音響信号
   を受音する第２の受音手段と、前記第１の受音手段によ
   り受音した信号から特徴パラメータを抽出する特徴パラ
   メータ抽出手段と、前記第２の受音手段により受音した
   信号から音声区間に関する情報を抽出する音声区間検出
   手段と、抽出された特徴パラメータを一時的に記憶する
   特徴パラメータ記憶手段と、あらかじめ別に受音した音
   響信号からあらかじめ定めた単位で抽出された特徴パラ
   メータを音声辞書として記憶する音声辞書記憶手段と、
   前記特徴パラメータ記憶手段に一時的に記憶された特徴
   パラメータと、前記音声辞書記憶手段にあらかじめ音声
   辞書として記憶された複数の単語などの特徴パラメータ
   との間の類似度を算出する類似度算出手段とを有し、算
   出された類似度の情報を用いて、特徴パラメータに対応
   する単語名などのデータを認識結果として出力すること
   を特徴とする装着形マイクロホンを用いた音声認識装
   置。
2. 【請求項２】 前記請求項１に記載の音声認識装置にお
   いて、前記第１の受音手段により受音した信号から音声
   区間に関する情報を抽出する音声区間検出手段と、前記
   第１，第２の受音手段によりそれぞれ抽出した音声区間
   に関する情報のうちいずれを使用するかを判定する判定
   手段を備えたことを特徴とする装着形マイクロホンを用
   いた音声認識装置。