JPS5844500A

JPS5844500A - 音声認識方式

Info

Publication number: JPS5844500A
Application number: JP56144449A
Authority: JP
Inventors: 充宏斗谷; 岩橋　弘幸; 西岡　芳樹
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1981-09-11
Filing date: 1981-09-11
Publication date: 1983-03-15
Also published as: EP0074822A1; JPS634200B2; DE3275779D1; US4516215A; EP0074822B1

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】本発明は短時間自己相関関数を特徴パラメータとする音
声認識方式に関し、特に予備選択方式に特徴を有する音
声認識方式に関する。

音声認識方式において、検出され特徴抽出の行なわれた
単語音声を、登録されている多数の単語の標準パターン
と比較し、ＤＰマツチング法その他の識別方式により認
識することが行なわれる。

その際、多数の単語全てを識別対象として精度よく認識
しようとすると長時間を要することになるので、認識時
間の短縮化を因るためには高速の専用ハードウェアを必
要とし、あるいは認識時間の短かい簡単な識別方式を採
用したり認識語数を制限する必要がある。専用ハードウ
ェアの採用は音声認識装置を高価なものにし、簡単な識
別方式の採用は認識率を低下させ、更に認識語数の制限
は音声認識装置の用途を制限するなどの問題がある。

そこで、ＤＰマツチング法等による認識の前に識別対象
数を制限する、所謂予備選択あるいは前照合が行なわれ
る。

予備選択としては幾つかの方式が知られている。

例えば、単語の長さ、頭部や尾部のスペクトルなどの特
徴パラメータを用いる方式（「単語音声汎用認識装置の
開発」の研究成果報告書く昭和５５年３月発行）、第５
章参照）が報告されているが、この方式は複雑である上
に予備選択のための特徴パラメータを別途作成しなけれ
ばならないので、簡易型の音声認識装置には向かない。

また、他の予備選択として、特徴ベクトル時系列から等
間隔に１０点程度抽出し、これから５０次元程度０パダ
下、７゛クト″を構成し線Ｐてプリングによる照合で識
別対象数を２０％に制限する方式（「大型プロジェクト
パターン情報処理システムの研究開発成果発表会論文集
」（昭和５５年１０月、日本産業技術振興協会発行）第
１５７〜１６５頁参照）が報告されているが、この方式
も簡易型の音声認識装置には向かない。

本発明は上記問題に鑑みてなされたものであって、簡易
な音声認識装置に用いることができるように改良された
予備選択方式を有する音声認識方式を提供するものであ
る。すなわち、本発明は、短時間自己−関関数を特徴パ
ラメータとして単語音声を認識する認識方式であり、そ
の予備選択を最終的認識で用いるデータの一部である短
時間自己相関係数の低次項（１〜３次程度）を用いて行
なう点に特徴を有するものである。

以下、一実施例を示す図面を参照しつつ本発明の詳細な
説明する。

マイクロフォン１から入力した音声信号は増幅器２番、
こより増幅された後、Ａ／Ｄ変換器３によりデジタル信
号に変換され、その後自己相関回路４により自己相関関
数か形成される。この過程までは主としてハードウェア
により行なわれ、音声信号の特徴抽出がなされたことに
なる。

その後、音声区間判定５が行なわれ、時間軸正規化６が
行なわれて所定のフレーム数に伸縮された後、低次の自
己相関関数により標準パターン７との間に線形マツチン
グによる予備選択８が行なわれて識別対象が適当な数に
制限される。その後、予備選択された標準パターンとの
間でＤＰ、マツチング法その他により精密な認識判定９
が行なわれ、認識結果が出力される。音声区間判定５か
ら認識判定９までは主としてソフトウェアにより行なわ
れる。

次に第１図の各過程をより詳細に説明する。

増幅器２では６ｄＢ１０ｃｔの周波数特性をもって増幅
した。これは声帯音源の周波数スペクトルは高周波数域
になる程エネルギーが低下する事実に鑑み、出来るだけ
エネルギーの基準を一定にするための補正である。

アナログ信号である音声信号からデジタル信号への変換
は、Ａ／Ｄ変換器３により行なわれ、通常、音声認識に
おいては８〜２４ＫＨｚでサンプリングされ、各サンプ
ル値は６〜１２ビツトのデジタル信号で表現される。本
実施例ではサンプリング周波数を３ＫＨｚとし、デジタ
ル表現を８ビツトとした。

として演算する。ここでχ（ｎ）はＡ／Ｄ変ｐ！畢３か
ら出力されたサンプル値、ｍは自己相関関数の次数、Ｎ
は１フレー　ムに含まれるサンプル点の数である。ψ（
０）はサンプノ、し値の自乗、即ち音声のパワーを表わ
し、ψ（１）は１次の自己相関関数、ψ（２）。

ψ（３）、・・・はそれぞれ２次、３次、・・・の自己
相関関数を表わす。音声認識では通常、２４次程度以下
の自己相関関数が特徴パラメータとして用いられ、必要
とする次数はサンプリング周波数により変化するが、本
実施例では８次まで求めた。

自己相関関数ψ（ｍ）の計算区間長、即ちフレーム幅は
、Ｎとサンプリング周波数により定まり、通常は８〜３
０ｍ”’、に設定される。本実施例ではＮ＝１２８とし
、サンプリング周波数が８ＫＨｚであるので、フレーム
幅は１６ｒｒＬｓｅｃである。このように計算された０
次から８次までの自己相関関数はそれぞれ１６ビツトの
デジタル値で表現される。このようにして計算される自
己相関関数ψ（ｍ）は入力音声信号の大小により変動す
るので、この影響を除去するため自己相関関数ψ（ｍ）
をψ（０）でとして求まる自己相関係数Ｒ（ｍ）を用い
て以後の予備選択及び認識判定を行なった。

次に、音声区間の判定には種々の方式かあり、如何なる
方式を用いても目的を達成することができるが、本実施
例ではパワーψ（０）のみに基づいて単語の語頭、語尾
を検出８し音声区間を判定した。

語長は適当に設定し、例えばフレーム数で１３〜９６、
時間に換算すると０．２〜１．５秒に設定した。

以上の過程で判定された音声信号には１３フレームから
９６フレームまでの種々の長さのパターンが含まれる。

これらのパターンをそのま、まメモリーに記憶すると、
大きなメモリー容量を必要とするのみならず、非等長パ
ターン間のマツチング処理は複雑になるので、時間軸正
規化を行なう。

時間軸正規化とは、種々の長さのパターンを伸縮して適
当な一定の長さに統一することであり、伸縮方法には種
々のものが考えられ、如何なる方法でも目的を達成しう
るが、本実施例では線形伸縮により１６フレームに正規
化した。

いま、音声と判定された信号のフレーム数がｌであった
とし、その特徴ベクトルヲ１ＩＩ（ｉ）と表わす。

時間軸が正規化されて得られる信号の特徴ベクトルをｂ
　（ｒ）と表わすと、ｂ　（ｒ）とａ（ｉ）との関係を
次の如く設定する。

（１）正規化信号の第１フレーム帽１）はａ（１）と（
２）元の音声信号の残りの（１−１）個のフレームを１
５個の区間に分け、各区間の先頭フレームの特徴ベクト
ルａ（ｉ）と次のフレームの特徴ベクトルａ（１＋１）
との平均を正規化信号のフレームの特徴ベクトルｂここ
で、ｉとｒの関係はとする。

ここで−例として、「東京」と発音された音声信号を時
間軸正規化する場合のフレームの伸縮例を第２図に示す
。「東京」の−声区間は６４０へ・・ζすなわち幅１６
　ｍ５ｅｃのフレームでは４０フレームであった。この
４０フレームを上式により１６フレーム圧縮すると、図
に斜線で示されるフレームが選択され、それらのフレー
ムの特徴ベクトルマ（ｉ）、すなわち自己相関係数と次
のフレニムの特徴ベクトル？（１−）１　）の平均が１
６フレームからなる正規化音声信号の特徴ベクトルｆ（
ｒ）　（ｒ　＝　ｌ〜１６）である。

第３図に、このように時間軸が正規化された音声信号の
第１〜第１６フレームの各フレームでの第１次から第８
次までの自己相関係数の変化を、「東京」と「新横浜」
の音声信号について示した。二予備選択において、本実
施例では上述のようにして得た入力音声信号の自己相関
係数から低次（。

１〜３次程度）の自己相関係数を扇いる。第４図に５種
類の正規化音声信号についての１次の自己　゛相関係数
を時系列に、すなわちフレーム番号順に示した。

予備選択は、このような入力音声信号の低次の　　−自
己相関係数と、登録されている音声信号の低次の自己相
関係数からなる標準パターンとのマツチングにより行な
った。すなわち、１次の自己相関　′係数を用いた例に
ついて示すと、入力音声信号の１番目のフレームの自己
相関係数をｂ　ｒ　（ｒ　）とし、Ｋ番目の標準パター
ンのｒ番目のフレームの自己相関係数をＣｘ１（ｒ）と
して、入力音声信号とに番へ目の標準パターンとの距離ＤＫを１武として求めた。このようにして得られた標準パターンの
数（例えば本実施例では３２個）だけの距離りの中から
、小さいものから順に適当な数（本実施例では１６個）
を選択した。

次に、予備選択された標準パターンの全てについて、入
力音声信号との認識判定を行なった。認識判定の手法と
しては種々の方法を用いることができるが、本実施例と
しては１・次から８次までの自己相関係数を全て用いて
、よく知られたＤＰマツチング法を用いた。

本実施例ではそれぞれ特徴ベクトルの正規化された時系
列として表現された入力音声信号Ｂと、標準パターンＣ
と（７）’ＤＰマツチングを行なった。

ここで、Ｂ　＝　ｂ（１１ｂ（２１”’　ｂ（ｉ）“”　ｂ（Ｉ
ＦｊＩＣｋ　＝　Ｃｋ（１）　Ｃｋ（２１−Ｃｋ（ｊ）
　・”　Ｃｋ（ＩＱと表現される。Ｃｋはに番目の標準
パターンであることを意味する。

整合窓の条件として１ｉ−ｊｌ≦１と設定して、入力音声信号Ｂと標準パターンＣとの距離
の部分襦（ｉ、ｊ）を次のように定義する。

ここで、であり、ｂｍ（りは入力音声信号Ｂのｉ番目のフレーム
のｍ次の自己相関係数、Ｃｋｍ（ｊ）はに番目の標準パ
ターンのｊ番目のフレームのｍ次の自己相関係数である
。

このようにして最小の部分和を与える経路を経−で得ら
れる距離ｇ（１６，１６）は、入力音声信号Ｂとに番目
の標準パターンＣ１との距離に対応する。

予備選択された標準パターン全てについて、上記の如く
距離ｇ　（１６，１６）を求め、そのうちの最小値を与
えた標準パターンを入力音声信号Ｂに対以上詳述した如
く、本発明は最終的な認識で用いるために記憶されてい
るｄ己相関係数を予備選択に用いるものであるので、予
備選択のための特徴パラメータを新たに作成する必要が
なく、簡易型の音声認識装置を構成する上で有効な音声
認識方式である。

【図面の簡単な説明】

第１図は本発明の概略を示すブロック図、第２図は時間
軸正規化の例を示す図、第３図は自己相関係数の次数に
よる変化を示す図、第４図は１次の自己相関係数を示す
図である。１・・・マイクロフォン、２・・・増幅器、３・・・Ａ
／Ｄ変換器、４・・・自己相関回路、５・・・音声区間
判定、６・・・時間軸正規化、７・・・標準パターン、
８・・・予備選択、９・・・認識判定。特許出願人　シャープ株式会社代　理　人　弁理士　前出　葆外２名第３ＩｐＨ第４図フ■−人番号（＊ｍ）

Claims

【特許請求の範囲】

（１）　　入力音声信号の自己相関係数を作成し、音声
区間を判定し、その音声区間め時間軸を正規化した後上
記自己相関係数を特徴パラメータとして標準パターンと
のマツチングにより認識判定を行なう単語音声の認識装
置において、最終的認識判定の前に低次の自己相関係数
による線形のマツチングにより予備選択を行なうことを
特徴とする音声　。認識方式。