JPS58147797A - Voice recognition equipment - 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。(57) [Summary] This bulletin contains application data before electronic filing, so abstract data is not recorded.

Description

【発明の詳細な説明】 本発明は入力された音声信号のスペクトルパターンデー
タと予め登録されている標準音声のスペクトルパターン
データとを照合して音声ケ駆識するようにした音声認識
装置に関するものであり、その目的とするところはヒツ
ト数の少ないＡ／Ｄ変換器を用いることができるように
して安価を音声認識装置ｉｌｔを提供することにある。DETAILED DESCRIPTION OF THE INVENTION The present invention relates to a speech recognition device that recognizes speech by comparing spectral pattern data of an input speech signal with spectral pattern data of standard speech registered in advance. The purpose is to provide an inexpensive speech recognition device ilt that can use an A/D converter with a small number of hits.

従来、この種の音声認識装置は第１図に示すようになっ
ていた。図中、（１）は選択スイッチ（ＩＩ）　Ｋて選
択されるマイク０ホン叫出力あるいはチープレコータ（
１１１’の再生出力のような、を声侶号Ｍが増巾部θ乃
およびエンファシス部−ヲ介して入力されるスペクトル
分析部であり、スペクトル分析部（１）ＶｉＮ個のバン
ドバスフィルタ（１４１）〜（１４Ｎ）と、余波整流１
１（１５Ｊ〜（１５Ｎ）と、０−バスフィルタ（１６ｔ
　）〜（１６Ｎ）とで構成されており、入力された音声
信号■の周波数帯域をＪＳＳトドスフィルタ（１４ｔ）
〜（１４Ｎ）にて対数値の上でほぼ等間隔に複数の同波
数帯域（、Ｒ）（Ｆｓ）・・・・・・（ＦＮ）に分割し
、全８．整流器（１５ｓ）〜（１５Ｎ）およびＯ−パス
フィルタ（１６ｓ）〜（１６１，）にて各周波数帯域（
Ｆｌ）　（Ｆｓ）・・直ＦＮ）の短時間平均パワー（あ
るいは電圧）に対応したアナ０ジ電圧よりなる並列信号
（ａｌ）〜（軸）を出力する。＋２１　ｉｊスペクトル
分析部＋１１から出力される並列信号（１）〜（ａＮ）
を時分割多重化して直列信号（Ａ）Ｋ変換するアナ０ジ
マルチプレクサ、（３）けＡ／Ｄ変換器であり、アナ０
ジマル？プレクサ（２）から出力される直列信号（２）
をＡ／Ｄ変換して入力された音声信号（ロ）のスペクト
ルパターンデータ０を形成する。＋４）Ｖｉ音声区間検
出部Ｏη、振巾正規化部晴、音声登録部す饅、パターン
照合部−および切換スイッチ四〇とで構成される認識部
であり、入力された音声信号（ロ）のスペクトルパター
ンデータ０（以下入力式ターンデータ■と略称する）と
音声登録部ＩＩＩの内部メモリに予め登録されている標
準音声のスペクトルパターンデータ（登録パターンデー
タ）とを照合して音声を認識する。上記認識部＋４１Ｖ
ｉマイクロコンピュータなどを用いたデジタル演算回路
にて形成されており、各回路の動作はソフト化されてい
る。例えば、振巾正規化部鵠における振巾の正規化方法
は以下のようになっている。すなわち、音声信号Ｍの時
点【におけるスペクトル分析部（１）からへ出力される
並列信号（組）〜（ｌＮ）１にそれぞれｘ　ｔ　（ｔ）
　Ｘｔ　（ｔ）　”　ＸＨ（ｔ）とし、スペクトル分析
部（１）出力をベクトルｘ　（ｔ）で表わすと、’ｘ　
（ｔ）＝　ｔ　ｘｔ（ｔ）ｓｔｙ（ｔ）−・−ｘＨ（ｔ
）　）となる。Conventionally, this type of speech recognition device was as shown in FIG. In the figure, (1) is the selection switch (II) that selects the microphone 0 phone shout output or the cheap recorder (
This is a spectrum analysis section in which the voice signal M, such as the reproduced output of 111', is inputted through the amplification section θ and the emphasis section. ) ~ (14N) and aftereffect rectification 1
1 (15J~(15N)) and 0-bus filter (16t
) to (16N), and the frequency band of the input audio signal ■ is filtered by the JSS Todos filter (14t).
~(14N) is divided into a plurality of same wave number bands (,R)(Fs)...(FN) at almost equal intervals on the logarithm value, totaling 8. Each frequency band (
Outputs parallel signals (al) to (axis) consisting of analog 0 voltage corresponding to the short-time average power (or voltage) of (Fs) (Fs) (direct FN). +21 ij Parallel signals (1) to (aN) output from spectrum analysis section +11
(3) A/D converter that time-division multiplexes and converts serial signals (A) to K.
Jimal? Serial signal (2) output from plexer (2)
A/D conversion is performed to form spectral pattern data 0 of the input audio signal (b). +4) This is a recognition unit consisting of a voice section detection unit Oη, an amplitude normalization unit, a voice registration unit, a pattern matching unit, and a changeover switch 40. The voice is recognized by comparing spectral pattern data 0 (hereinafter abbreviated as input type turn data 2) with standard voice spectral pattern data (registered pattern data) registered in advance in the internal memory of the voice registration section III. Above recognition part +41V
It is formed of a digital arithmetic circuit using an i-microcomputer or the like, and the operation of each circuit is softwareized. For example, the amplitude normalization method in the amplitude normalization section is as follows. That is, x t (t) for each of the parallel signals (sets) to (lN) 1 output from the spectrum analyzer (1) to the audio signal M at the time point
Xt (t) ” If XH(t) and the output of the spectrum analysis section (1) is expressed as a vector x (t), 'x
(t)=txt(t)sty(t)−・−xH(t
) ) becomes.

ここに、音声信号（ロ）の振巾が変動した場合にあって
も変動しない正規化ベクトルｔ（ｔ）＃−ｉ？（ｔ）＝
　（）Ｉｓ（ｔ）　ＩＦｇ（ｔ）・・・・・・・・・ｙ
Ｈ（ｔ）　）但し、ｙｌ（ｔ）＝　Ｋ　―−１巡と一一
Σ１ｘｉ（ｔ）１ ｉ＝　＋ 爲＝１．２・・・・・・・・　Ｎ で与えられる。上式におけるＫは精ｆＸを上げるための
係数でに＝２ｐ　（整数化する場合）で表わされる。Here, the normalized vector t(t)#-i? which does not change even if the amplitude of the audio signal (b) changes? (t)=
()Is(t) IFg(t)・・・・・・・・・y
H(t)) However, yl(t)=K--1 round and 11 Σ1xi(t)1 i=+爲=1.2......N. K in the above equation is a coefficient for increasing the precision fX and is expressed as =2p (when converting into an integer).

いま、Ｎ＝８、Ｐ＝４、Ａ／Ｄ変換器（３）のヒツト数
Ｂｔ８とすると、ｙｉ（ｔ）＜　１６であり、ｘ　（ｔ
）　　：　　Ｂ　Ｘ　Ｎ　　＝　６４　（ｂ％目１シ（
１）　　：　　ＰＸＮ　　＝３２．（ｂｉｔｓ）と／）
す、前述した計算式の演算は上記ピット数で行なわれる
ことになる。Now, assuming that N=8, P=4, and the number of hits of A/D converter (3) Bt8, yi(t)<16 and x (t
): B X N = 64 (b% 1st (
1): PXN = 32. (bits) and/)
The above-mentioned calculation formula is calculated using the above-mentioned number of pits.

以下、動作について概説すると、いま、入力された音声
信号υは増巾部０匂にて増巾され、ニジファシス部Ｉに
て高音部が強調されてスペクトル分析ｓ　ｔｉｔに入力
される。スペクトル分析部＋１１では音声（ｉＩｔ号（
財）の周波数帯域を複数の周波数帯域（Ｆｌ）（Ｆｍ）
・・・（ＦＮ）（例えばＮ＝８）に分割し、各周波数帯
域（Ｆ＋）　（Ｆｔ）・・・（ＦＮ）の短時間平均パワ
ーの大小に対応した並列信号（畠１）〜（ｓｈＭ）すな
わちスペクトルパターンを示す信号を形成する。The operation will be summarized below.The input audio signal υ is amplified by the amplifying section 0, the treble part is emphasized by the phasing section I, and the signal is input to the spectrum analysis unit. In the spectrum analysis section +11, audio (iIt number (
Frequency bands (Fl) (Fm)
... (FN) (for example, N = 8), and parallel signals (Hata 1) to (shM ), thus forming a signal exhibiting a spectral pattern.

この並列信号（ａｌ）〜（ｌＮ）　＃ｉアナ０クマルチ
プレクサ（２）にて直列信号（２）に変換されるととも
に、Ａ／Ｄ変換器（３）にてデジタル信号に変換されて
入力バターシヂータ０が形成され、認識部（４）に入力
される。認識部（４）では音声区間検出部（１７）にお
いて無音区間を検出することにより、１個の音韻とみな
される音声区間を検出するとともに、振巾正規化部θ〜
において振巾ｔ　Ｉｌｌ述の方法により正規化する。こ
の正規化された入カバターンデータ０′は切換スイッチ
！２１１により、音声登録部吐に入力するか、パターン
照合部四に入力するかが選択される。These parallel signals (al) to (lN) are converted into a serial signal (2) by the #i analog multiplexer (2), and are also converted into a digital signal by the A/D converter (3), and then sent to the input butter sidue. 0 is formed and input into the recognition unit (4). In the recognition section (4), the speech section detecting section (17) detects a silent section to detect a speech section that is regarded as one phoneme, and the amplitude normalizing section θ~
The amplitude t is normalized using the method described above. This normalized input cover turn data 0' is a changeover switch! 211, it is selected whether to input to the voice registration section or to the pattern matching section 4.

すなわち、音声を標準音声をして登録する場合にけ、切
換スイッチｆ２１）を音声登骨部四側に切換えて入力式
ターンデータ初゛を登録パターンデータとして内部メ℃
すに格納し、一方、音声を標準音声と照合して音声を認
識する場合には、切換スイッチ６！１）をパターン照合
部−側に切換えて、音声登録部−に登録されている複数
の標準音声の登録パターンデータと、入力１〜ターンザ
ータ０′とを照合し、最４類似している標準音声１に認
識出力和とする。In other words, when registering the voice as a standard voice, switch the selector switch f21) to the voice registration section 4 side and input the input type turn data as the registered pattern data to the internal memory.
On the other hand, if you want to recognize the voice by comparing it with the standard voice, switch the selector switch 6! The registered pattern data of the standard speech is compared with the inputs 1 to 0', and the recognized output sum is set to the standard speech 1, which is similar to the standard speech 1 at most.

なお、パターン照合部（４）としてはＤｒマツ予ンジ法
を用いたものが一般的に用いられている。In addition, as the pattern matching section (4), one using the Dr. Matsu Renji method is generally used.

ところで、上記従来例にあっては、Ａ／ＤＲ換器（３）
に入力される直タリ信号Ｑは音声信号的に比例した振巾
を有するアナ０り信号であり、振巾のしベル差が大きい
なめ、Ａ／Ｄ変換器（３）の変換精度を高−くしなけれ
ばならず、そのためＡ／Ｄ変換器（３）としてピット数
の多い高価なものを用いなければならないという問題が
あった。本発明は上記の点をＣｓみて為されたものであ
る。By the way, in the above conventional example, the A/DR converter (3)
The direct tally signal Q input to the input terminal is an analog zero signal with an amplitude proportional to the audio signal, and since the amplitude difference is large, the conversion accuracy of the A/D converter (3) is high. Therefore, there was a problem in that an expensive A/D converter (3) with a large number of pits had to be used. The present invention has been made in consideration of the above points.

以下、実施例の動作について説明する。第２図は本発明
一実施例を示すもので、Ａ／Ｄ変換器（３）の前段に対
数増巾特性を有する０タアンプ（６）を挿入して、アナ
０ジマル予プレクサ（２）から出力される直列信号■の
゛振巾を０クアンプ（１１）にて対数値に変換してＡ／
Ｄ変換器（３）Ｋ入力するようになっている。但し、他
の構成および動作は第１図従来例と全く同様である。The operation of the embodiment will be described below. Fig. 2 shows an embodiment of the present invention, in which a zero-amplifier (6) having logarithmic amplification characteristics is inserted in the front stage of the A/D converter (3), and The amplitude of the output series signal ■ is converted into a logarithmic value using a 0 quad amplifier (11), and A/
D converter (3) is designed to receive K input. However, the other configurations and operations are exactly the same as the conventional example shown in FIG.

いま、実施例にあっては、Ａ／Ｄ変換Ｗｈ１３１　Ｋ入
力される対数変換信号（２）゛は振巾が対数値に変換さ
れたものであって、対数変換信号（へ）′の振巾変化は
音声信号（ロ）の振巾変化に比べて大巾に小さくなる。In the present embodiment, the amplitude of the logarithmically converted signal (2)' inputted to the A/D conversion Wh131K is converted into a logarithmic value, and the amplitude of the logarithmically converted signal (2)' is The change is much smaller than the amplitude change of the audio signal (b).

したがって、Ａ／Ｄ変換器（３）に要求される変換精度
は従来例に比べて低くなり、Ａ／Ｄ変換器（３）として
ピット数の少ない安価なものを用いることができること
になる。なお、音声（特に音韻）の特徴は主に各ネルマ
ント間波数にあり、このホルマント間波数１−判別する
場合、対数特性を有する人間の耳に準じてヤＪ別を行う
のが合理釣であることからしてＡ　、／　Ｄ変換器（３
）の前段で直列（ａ号＾の振巾を対数変換することは音
声の１Ｏζ何ら支障を与えるものではない。Therefore, the conversion accuracy required for the A/D converter (3) is lower than that of the conventional example, and an inexpensive A/D converter (3) with a small number of pits can be used. Note that the characteristics of speech (particularly phonology) are mainly found in the wave number between each formant, and when determining the wave number 1 between formants, it is reasonable to perform Y/J classification according to the human ear, which has logarithmic characteristics. Therefore, A,/D converter (3
) Logarithmically converting the amplitude of the series (a) does not cause any trouble to the 1Oζ of speech.

第３図は他の実施例を示すもので、各周波数帯域（Ｆｌ
）　（Ｆｔ）・・（ＦＮ）の短時間平均パワーを示す０
−バスフィルタ（１６Ｉト（１６ｙ）出方（思１）〜（
ＩＮ）をそれぞれ対数項中する０ジアンプ（５り〜（５
Ｎ）を設けるとともに、さらに相隣接する０クアンプ（
５１）〜（５，）出力を入力上する差動増巾器（６１）
〜（６Ｎ−、）を設け、スペクトル分析部＋１）から出
力される並列信号（ａｔ）〜（鳳、−；）　ｔ−差動増
巾器（６１）〜（６Ｎ、）出力としたものであり、０ク
アンプ（５１）〜（５Ｎ）出力の差ｔ−ａることにより
、相隣接する周波数帯域（Ｆｓ）　（Ｆｔ）、（Ｆｓ）
　（Ｆｓ）・・・における短時間平均パワーの比をとっ
て音声信号（ロ）の振巾（音声の強翁）が変化してもス
ペクトル分析部（１）′から出力される並列信号（１り
′〜（ｌ　Ｎ−、）’が変化しないよう圧して正規化を
行うようにし友ものである。すなわち、音声のスペクト
ル包絡曲線は第４図に示す；ように、強く発声した音声
のもの（図中実線）と、弱く発声した音声のもの（図中
点線）とは曲線を上下に平行移動しただけであり、曲線
の形状は殆んど変化しない。したがって、相隣接する同
波数帯域（Ｆｌ）　（Ｆ、）・・（ＦＮ）の短時間平均
パワ、−に対応する電圧（０−バスフィルタ（１６＋）
〜（１６Ｎ）出力）の対数値の差をとることによって、
音声の強弱に拘らず音声の識別【可能とするいわゆる正
規化が行なわれるわけである。この場合、振巾の正規化
がスペクトル分析部（１）′にて行われるので、認識部
（４）′は第１図従来例における振巾正規化部Ｑ８１が
省略されたものとなっている。FIG. 3 shows another embodiment, in which each frequency band (Fl
) (Ft)...0 indicating the short-term average power of (FN)
-Bass filter (16I to (16y) appearance (thought 1) ~ (
0 diamp (5 ri ~ (5
In addition to providing adjacent 0 quadamps (
51) ~ (5,) Differential amplifier (61) that inputs the output
~(6N-,) is provided, and the parallel signal (at)~(Otori,-;) t-differential amplifier (61) ~(6N,) output is output from the spectrum analysis section +1). Yes, by determining the difference t-a between the outputs of 0 quadamps (51) to (5N), adjacent frequency bands (Fs) (Ft), (Fs)
Even if the amplitude of the audio signal (b) changes by taking the ratio of the short-term average power in (Fs)..., the parallel signal (1) output from the spectrum analyzer (1)' In other words, the spectral envelope curve of the voice is shown in Figure 4; (solid line in the figure) and weakly vocalized voice (dotted line in the figure) are simply vertically shifted parallel curves, and the shape of the curves hardly changes.Therefore, the adjacent same wave number bands ( Fl) (F,)...(FN) short-time average power, voltage corresponding to - (0-bus filter (16+)
~ (16N) output) by taking the difference in logarithm values of
This is what is called normalization, which makes it possible to identify voices regardless of their strength. In this case, since the amplitude normalization is performed in the spectrum analysis section (1)', the recognition section (4)' is the same as the amplitude normalization section Q81 in the conventional example shown in FIG. 1, which is omitted. .

いま、第３図実施例にあっては、アナ０タマルチプレク
サ（！ｌ　１に介してＡ／Ｄ変換器（３）Ｋ入力される
スペクトル分析部（１１の出力（鳳１）〜（ＩＮ−、）
ｌは振巾が対数値化されているので、Ａ／Ｄ変換Ｗ　ｌ
！＋１としてピット数の少ないものを用ｉることがで色
る上、振巾の正規化ｔｏタアンプ（５１）〜（５Ｎ）お
よび差動アンプ（６１）〜（６Ｎ−、）を用いてハード
的に行っているので、ソフト的に振巾の正規化を行って
いる従来例に比べてデータ処理が速くなり、音声の認識
速度を速くで籾ることになる。In the embodiment shown in FIG. 3, the outputs of the spectrum analyzer (11) to (IN- ,)
Since the amplitude of l is expressed as a logarithm, A/D conversion W l
! It is possible to use a device with a small number of pits as the +1, and it is also possible to use a hardware-based Since the amplitude is normalized using software, data processing is faster than the conventional example in which the amplitude is normalized using software, and the speech recognition speed is increased.

第５図は他の音声認識装置を示すもので、０−バスフィ
ルタ（１ｉ）　〜（１６Ｎ）出力（ａｔ）　（ａｔ）・
・・（１，）を入力とする差動増巾器（６１）〜（６Ｎ
−、）を設けたスペクトル分析部＋１ｒから相隣接する
一波数帯域（Ｆｌ）　（Ｆ２）・・・（ＦＮ）における
短時間平均パワーの差に対応する電ｌ：Ｅｔ有する並列
信号（ｍ　ｔ　１’〜（ＩＮ−、）“を出力するように
なっている。第６図は音声のスペクトル分布の一例であ
り、相隣接する周波数帯域（Ｆｌ）　（Ｆり・・（ＦＮ
）　Ｋおける短時間平均パワーに対応する０−ノ〜スフ
イルタ（１６ｓ）〜（１６Ｎ）の出力電圧（ａｔ）　（
ｍｓ）、（ａｔ）　（ａｓ）・・の差すなわちスペクト
ル分析部（１どの出力（ａｌ）“（む）“・・・け元の
出力電圧（１）　（ｍｅ）・・よりも明らかに小さくな
る。したがって、Ａ／Ｄ変換器（３）とじで従来例、よ
りも少ないヒツト数のもの管用いることができることに
なる。但し、第５図の音声認識装置にあっては、音声を
登録した時の発声強度と略同−の発声強度の音声が認識
できることになる。なお認識部（４）′に振巾正規化部
α樽を設けても良い。Figure 5 shows another speech recognition device, in which 0-bus filters (1i) to (16N) output (at) (at)
...Differential amplifier (61) to (6N
-, ) from the spectrum analyzer +1r equipped with a parallel signal (m t 1 '~(IN-,)'' is output. Figure 6 shows an example of the spectral distribution of audio, showing adjacent frequency bands (Fl) (Fri... (FN
) The output voltage (at) of the 0-noise filter (16s) to (16N) corresponding to the short-time average power at K (
ms), (at) (as)..., that is, the spectrum analysis section (1) which output (al) "(mu)"...is clearly smaller than the original output voltage (1) (me)... Therefore, with the A/D converter (3), it is possible to use a tube with a smaller number of hits than in the conventional example.However, in the voice recognition device shown in Fig. It is possible to recognize a voice having a utterance intensity that is approximately the same as the utterance intensity at the time.An amplitude normalization section α barrel may be provided in the recognition section (4)'.

本発明は上述のように構成されており、音声信号の同波
数帯域を複数に分割した各周波数帯域の短時間平均パワ
ーに対応する電圧よりなるスペクトル分析品出力が０タ
アンプにより対数変換されてＡ／Ｄ変換器に入力される
ようになっているので、Ａ／Ｄ変換器に入力される信号
の振巾が小さくなり、Ａ／Ｄ変換器として少ないピット
数のものを用いることができ、安価な音声認識装置を提
供する仁とがで睡るという利点がある。The present invention is configured as described above, and the spectrum analysis product output consisting of the voltage corresponding to the short-time average power of each frequency band obtained by dividing the same wave number band of the audio signal into a plurality of frequency bands is logarithmically converted by the zero amplifier. Since the signal is input to the A/D converter, the amplitude of the signal input to the A/D converter is small, and an A/D converter with a small number of pits can be used, making it inexpensive. It has the advantage of providing a voice recognition device that is easy to use.

【図面の簡単な説明】 第１図は従来例のブロック回路図、第２図は本発明一実
施例のブロック回路図、第３図は同上の他の実施例のブ
ロック回路図、第４図は同上の動作説明図、第５図は他
の音声認識装置のブロック回路図、第６図は同上の動作
説明図である。 （１）はスペクトル分析部、（２）はアナ０タマルチプ
レクサ、１ｓｉｔｔＡ／Ｄ変換器、（４）Ｆｉ認識部、
（５）は０ジアンプである。 代理人　弁理士　　石　１）長　七[Brief Description of the Drawings] Fig. 1 is a block circuit diagram of a conventional example, Fig. 2 is a block circuit diagram of an embodiment of the present invention, Fig. 3 is a block circuit diagram of another embodiment of the same, and Fig. 4 5 is a block circuit diagram of another speech recognition device, and FIG. 6 is an explanatory diagram of the same operation. (1) Spectrum analysis section, (2) Analog multiplexer, 1sitt A/D converter, (4) Fi recognition section,
(5) is 0 diamp. Agent Patent Attorney Ishi 1) Choshichi

Claims (1)

【特許請求の範囲】[Claims] ｍ　　入力さ、れる音声信号の同波数帯域を複数の周波
数帯域に分割して各周波数帯域内の短時間平均パワーの
大小に対応した並列信号を出力するスペクトル分析部と
、上記並列信号を直列信号に変換するアナログマルチプ
レクサと鳥アナＤ′）マルチづレクサ出力をＡ／Ｄ変換
して入力された音声信号のスペクトルパターンデータを
形成するんΦ変換器と、該スペクトルパターンデータと
予め登録されている標準音声のスペクトル式ターンデー
タとを照合して音声ｔ−ｉ識する駆識部とよりなる音声
認識装置において、Ａ／Ｄ変換器の前段ＫＯジアンプを
設けて成ることを特徴とする音声認識装置。m. A spectrum analysis unit that divides the same wave number band of the input audio signal into multiple frequency bands and outputs a parallel signal corresponding to the magnitude of the short-time average power in each frequency band, and converts the parallel signal into a serial signal. An analog multiplexer that converts the data into spectral pattern data and a Φ converter that A/D converts the output of the multiplexer to form spectral pattern data of the input audio signal, and a Φ converter that converts the spectral pattern data into spectral pattern data registered in advance. A speech recognition device comprising a recognition unit that identifies speech t-i by comparing it with spectral turn data of standard speech, characterized in that the speech recognition device is provided with a KO diamplifier at the front stage of an A/D converter. .