JPS5958498A - 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】 産業上の利用分野 本発明は人間によって発声された音声信号を自動的に認
識する音声認識装置に関するものである。

従来例の構成とその問題点 従来研究あるいは発表されている音声自動認識システム
の動作原理としてはパタンマッチング法が多く採用され
ている。この方法は認識される必要がある全種類の単語
に対して標準パターンをあらかじめ記憶しておき、入力
される未知の入力パターンと比較することによって一致
の度合（以下類似度と呼ぶ）を計算し、最大一致が得ら
れる標準パターンと同一の単語であると判定するもので
ある。このパタンマッチング法では認識されるべき全て
の単語に対して標準パターンを用意しなければならない
ため、発声者が変った場合には新しく標準パターンを入
力して記憶させる必要がある。

従って日本全国の都市名のように数百種類以上の単語を
認識対象とするような場合、全種類の単語を発声して登
録するには膨大な時間と労力を必要とし、又登録に要す
るメモリー容量も膨大になることが予想される。さらに
入カバターンと標準パターンのパタンマッチングに要す
る時間も単語数が多くなると長くなってしまう欠点があ
る。

これに対して、入力と音声を音素単位に分けて音素の組
合せとして認識し（以下音素認識と呼ぶ）音素単位で表
記された単語辞書との類似度を求める方法は単語辞書に
要するメモリー容量が大巾に少なくて済みパタンマッチ
ングに要する時間が短くでき、辞書の内容変更も容易で
あるという特徴を持っている。この方法の例は「音声ス
ペクトルの概略形とその動特性を利用した単語音声認識
システム」三輪他，日本音響学会誌３４（１９７８）に
述べてある。

この方法における学語認識システムのブロック図を第１
図に示す。まず、あらかじめ多数話者の音声を１０ｍｓ
の分析区間毎に音響分析部１によってフィルタバンクを
用いて分析し、得られたスペクトル情報をもとに特徴抽
出部２によって特徴パラメータを求める。この特徴−パ
ラメータから｜ａ｜，｜ｏ｜等の母音や、｜ｍ｜，｜ｂ
｜等の子音に代表される音素毎又は音素グループ毎に標
準パターンを作成して標準パターン登録部５に登録して
おく。次に、入力された不特定話者の音声を同様に分析
区間毎に音響分析部１によって分析し、特徴抽出部２に
よって特徴パラメータを求める。この特徴パラメータと
標準パターン登録部５の標準パターンを用いてセグメン
テーション部３において母音と子音の区切り作業（以下
セグメンテーションと呼ぶ）を行なう。この結果をもと
に音素判別部４において、５の標準パターンと照合する
ことによって、最も類似度の高い標準パターンに該当す
る音素をその区間における音素と決定する。最後に、こ
の結果作成した音素の時系列（以下音素系列と呼ぶ）を
単語認識部６に送り、同様に音素系列で表現された単語
辞書７と最も類似度の大きい項目に該当する単語を認識
結果として出力する。

第２図に従来の音声認識装置のブロック図を示す。マイ
ク２０に入力された音声信号は前処理部２１を経て線形
予測部（ＬＰＣ部）２２に入力され線形予測係数が求め
られる。求められた線形予測係数は帯域フィルタ８に送
られ、２９チヤンネルフイルタ出力（スペクトル）を算
出し、その結果をスペクトルモーメント算出部９に送る
。スペクトルモーメント算出部９にてスペクトルを正規
化し、そのスペクトルパワーをＰｉとし、次に示す（１
），（２）式を用いてスペクトルの低域モーメントＧ，
高域モーメントＨを算出する。スペクトルの低域モーメ
ントＧ，高域モーメントＨは次の式で計算する。

ここでＰｉはｉチャネルにおける正規化したスペクトル
パワーである。その結果をいき値判定部１０に送り、い
き値の判定を行う。

第３図ａに半母音｜ｙ｜についてその判定の仕方を示す
。例として｜ａｙａ｜と発声した場合について説明する
。図において、曲線は前記高域モーメントＨを横軸時間
で示したもので、Ａが極大点Ｂが極小点，Ｃ，Ｄが変曲
点である。ここでＣ〜Ｂ間で前記半母音｜ｙ｜の候補（
ｙで示す）の数があるいき値以上を満足し、Ａ点の値Ｈ
Ａがあるいき値以上を満足し、Ｂ点の値ＨＢがあるいき
値以上を満足し、かつＨＡ−ＨＢがあるいき値以上を満
足するか否かを第２図の第１のいき値判定部１０で決定
する。判定基準となるこれらいき値は多数話者の統計的
データに基づき予め決定しておく。

一方帯域フィルタ８で求めたスペクトルを候補数算出部
１１に転送し、分析区間毎にスペクトルのピークを抽出
し、ピークの周波数位置を、予め多数話者の発声した音
声から求められ、標準パターン登録部１２に登録された
半母音｜ｙ｜の標準パターンにあてはめて半母音候補の
数を数える。

その数を第２のいき値判定部１３に送り、前記第１のい
き値判定部１０と同様の方法で処理する。

もう一つの半母音｜ｗ｜については、第３図すに｜ａｗ
ａ｜と発声した例で示すが、半母音｜ｙ｜と類似の方法
で処理される。図において曲線は前記低域モーメントＧ
を時間軸上に示したもので、Ａが極小点，Ｂが極大点，
Ｃ，Ｄが変曲点である。

ここでＣ〜Ｄ間で前記半母音｜ｗ｜の候補（ｗで示す）
の数がいき値以上を満足することを第１の条件とする。

又この場合、Ａ点の値ＧＡ，Ｂ点の値ＧＢ，ＧＡ−ＧＢ
の値，高域モーメントの極大点Ｅの値ＨＥ，極小点下の
値ＨＦにもいき値を設けてこれらが全て満足するように
第１のいき値判定部１０で判定する。一方第２のいき値
判定部１３には、予め標準パターン登録部１２に登録さ
れた半母音｜ｗ｜の標準パターンを使用して教えられた
半母音候浦の数が転送され、判定される。

次に第１のいき値判定部１０と第２のいき値判定部１３
の結果より音素決定部１４にて音素決定を行う。

この従来の方法は半母音を発声した時に後続母音に向っ
て変化するホルマントの移動をスペクトルモーメントと
いう概念で時間軸上の極大極小変化としてとらえるもの
であり、半母音を比較的よくとらえることができるが、
次のような欠点を有する。

１　２９チャネルの多数の帯域フィルタを要し、かつＧ
Ｈの演算式が複雑である。

２　いき値が多いため、多数回の判定を要する。

３　前記又はｗの候補をスペクトルのピーク周波数によ
って一義的に決めて、その候補の数にいき値を設ける方
法であり、誤差が大きいことにより精度が悪い。

発明の目的 本発明は前記従来法の例で述べた欠点を除去し、半母音
，子音の認識について簡単な構成でかつ単純な処理で精
度の高いセグメンテーションと変素判別を行う音声認識
装置を提供することを目的とする。

発明の構成 本発明は上記目的を達成するために音声入力を分析区間
毎にスペクトル分析し、その時間変化の特徴を算出する
スペクトルモーメント算出部と、あらかじめ求めてある
音素の標準パタンに対する類似度を算出する類似度計算
部と、前記スペクトルモーメント算出部と類似度計算部
で算出された結果を複数次元の音素判別図にあてはめる
ことによって該当する音素か否かを判定する音素判別部
とを少なくとも有するように構成されたもので、帯域フ
ィルタの構成を３チャネル程度にすることによって構成
を簡単化し、かつスペクトルモーメントの演算式を簡略
化し、さらにスペクトルモーメントの極大値と極小値の
差分のみ用いることによって判定を簡単化している。

また、分析区間毎にその音素か否かを決めてその数でそ
の音素に該当するか否かを決定する従来の方法に変えて
、標準パタンに対する類似度を用いることによりパラメ
ータの精度を向上させている。

さらに求めた上記スペクトルモーメントの差分値のみを
使用し、その差分値と類似度を変素判別図にあてはめる
という１回の作業変素判別ができ、多数回の複雑な判定
が不要な構成としている。

実施例の説明 第４図に本発明の音声認識装置の一実施例のブロック図
を示す。

図において２０がマイク、２１が前処理部でＡ／Ｄ変換
とプリエンファシスを行う。１５が３チャネル程度の帯
域フィルタ、１６がスペクトルモーメント算出部、２２
が線形予測部（ＬＰＣ部）１７が類似度計算部、１８が
標準パタン登録部、１９が判別図で構成される音素判定
部である。

本実施例では第２図に示した従来の装置に比べ、いき値
判定部１０，１３をなくし、多チャンネル帯域フィルタ
１５を簡単化し、かつスペクトルモーメント算出部１６
の内容を簡略化し、候補数算出部１１を類似度計算部１
７に置きかえて精度向上をはかつている。

ここでは半母音の具体的な認識を例にとって説明する。

まず標準パターン登録部１８に登録される標準パターン
の作成法について述べる。

あらかじめ多数話者の発声した単語音声を｜ａ｜，｜ｏ
｜等の５母音と鼻音等に、音素毎の区切りとラベル付け
を行っておく。次に前処理部２１及び線形予測部２２に
よりこの単語音声の中で必要とする音楽の区間を１０ｍ
ｓ程度の分析区間毎に次数１５程度の線形予測分析を行
い、ＬＰＣケプストラム係数を算出する。

窒素ｉにおけるＬＰＣケプストラム係数をＣｉ（ｎ）と
すると（ｎは音素ｉの出現番号），ＬＰＣケプストラム
係数の平均値ｍｉは、 ここでＮｉは音素ｉの出現数である。音素ｉのＬＰＣケ
プストラム係数の共分散行列をＷｉとすると、 ここでｔは転置行列であることを示す。

３，４で求められた標準パターンは、標準パターン登録
部１８に登録される。

次にマイク２０から入力された未知な信号について前処
理部２１及び線形予測部２２を用いてＬＰＣケプストラ
ム係数Ｃｘを求める。

入力音声のＬＰＣケプストラム係数Ｃｘの音素ｉに対す
る確率密度関数Ｐｉは次式で表わされる。

ここでｗｉ−１は共分散行列ｗｉの逆行列，Ｌは次数で
ある。５式におけるｍｉ，ｗｉ−１，｜ｗｉ｜が標準パ
タンに相当するものであり、あらかじめ音声毎に求めて
おく。

上記（５）式を用い、類似度計算部１７により各音素毎
にＰｉを求めこれより類似度を求める。

一方これと並行して、入力音声のスペクトル分析を行な
う。分析には３チャネルの帯域フィルタ１５を用い、例
えば低域パワーＰＬを２５０〜６００Ｈｚ，中域パワー
ＰＭを６００〜１５００Ｈｚ，高域パワーＰＨを１５０
０〜４０００Ｈｚのそれぞれの帯域で求める。

これを用いてスペクトルモーメント算出部１６で低域モ
ーメントＧ，中域モーメントＭを次式にて求める。

Ｇ＝２ｌｏｇ１０ＰＭ−ｌｏｇ１０ＰＬ−ｌｏｇ１０Ｐ
Ｈ　（６）Ｍ＝ｌｏｇ１０ＰＭ−ｌｏｇ１０ＰＬ　（７
）Ｇは半母音｜ｙ｜を検出するためのもので、例えば｜
ａｙａ｜と発声した時と、｜ｙ｜の区間で第１ホルマン
トが低域に移動してＰＬが大きくなり、第２ホルマント
は高域に移動することによってＰＨも大きくなり、ＰＭ
は減少し、後続母音によって再びもとの位置にもどるこ
とによりＧは時間的に極小点を形成する。

Ｍは半母音｜ｗ｜を検出するためのもので、例えば｜ａ
ｗａ｜と発声した時に｜ｗ｜の区間で第１ホルマントが
低域に移動してＰＬが大きくなり、第２ホルマントは中
域の中心に移動し、後続母音では第１ホルマントが再び
もとにもどることによりＭが極小点を形成する。

６，７式に基づき、スペクトルモーメント算出部１６で
は、スペクトルモーメントの差分値を求める。

このようにして得られたスペクトルモーメントの差分値
と、前述の類似度を用いて音素判定部１９で音素の判定
を行う。

まず半母音｜ｙ｜の検出について述べる。

第５図は、半母音｜ｙ｜の検出方法を示したもので低域
モーメントＧの極小点Ａにおける値ＧＡと、極大点Ｂに
おける値ＧＢの差ＧＢ−ＧＡをスペクトルモーメント算
出部１６で求め、その結宅を音素判別部１９に転送し、
第６図に示す判別図の横軸にあてはめる。

一方類低度計算部１７により類似度を求める。半母音｜
ｙ｜においては声道形が母音｜ｉ｜又は｜ｅ｜に近くな
るため、５式で求めた類似度を各母音に対してＰＡ，Ｐ
Ｏ，ＰＵ，ＰＩ，ＰＥ，ＰＮ（撥音）とすると、フレー
ム番号ｉでの類似度（ｙｉ）は、で表わされる。

そこで第５図に示す半母音区間に相当するＣ〜Ｄ間の類
似度ｙを８式で求める。

この結果を音素判別部１９に転送し、第６図に示す判別
図の縦軸にあてはめる。

音素判別部１９では第６図に示す判別図を用いスペクト
ルモーメント算出部１６からのモーメントの差分値と、
類似度計算部１７からの上記８式で示される類似度とを
用いて、半母音｜ｙ｜か否かの判定を行う。

同様に、半母音｜ｗ｜の検出方法を第７図に示す。パラ
メータＭはＡ点で極小点、３点で極大点を形成し、ＭＢ
−ＭＡを第８図の判別図横軸にあてはめる。

一方、｜ｗ｜は声道形が母音｜ｏ｜又は母音｜ｕ｜に近
くなるため、類似度（ｗ）を次式で割算する。

（９）式の値を判別図の縦軸にあてはめるこによって半
母音｜ｗ｜か否かを判定する。

このように本実施例では分析区間毎にその音素か否かを
決定してその個数をいき値で判定する従来法に代えて、
標準パタンに対する類似度を用いることにより精度を向
上できる。

また、多数個のいき値による複雑な判定をなくし、求め
たスペクトルモーメント差分値と、類似度を判別図にあ
てはめるのみで音素判別が効率的に行える。

本実施例を成人男子１０名の発声し約２１００単語に適
用した場合、他の音素への付加数を考慮した荷重認識率
は、半母音｜ｙ｜で５１．６％で従来の方法に比して約
１７％上まわる効果がある。

また、半母音｜ｗ｜については荷重認識率４１．０％で
従来の方法と同様の効果を得られる。

本実施例により半母音又は子音の認識を行うと帯域フィ
ルタを３チャネル程度に簡単化すると共にパラメータの
演算を簡略化し、多数のいき値による複雑な判定をなく
して、音素判別図にあてはめる作業１回のみで音素認識
ができる簡単な構成とすることができる。

発明の効果 本発明は音声入力を分析区間毎にスペクトル分析し、そ
の時間変化の特徴を算出するスペクトルモーメント算出
部と、あらかじめ求めてある音素の標準パタンに対する
類似度を算出する類似度計算部と、前記スペクトルモー
メント算出部と類似度計算部で算出された結果を複数次
元の音素判別図にあてはめることによって該当する音素
か否かを判定する音素判別部とを少なくとも有するよう
に構成されたもので、簡単な構成かつ単純な処理で精度
の高いセグメンテーションと音素判別を行うことができ
る利点を有する。

【図面の簡単な説明】

第１図は従来の音声認識システムの機能ブロック図、第
２図は従来の音声認識装置の構成を示すブロック図、第
３図ａは従来法により半母音｜ｙ｜を検出する方法を示
す図、第３図ｂは従来法により半母音｜ｗ｜を検出する
方法を示す図、第４図は本発明の一実施例である音声認
識装置の構成を示すブロック図、第５図は本発明による
半母音｜ｙ｜を検出する方法を示す図、第６図は本発明
による半母音｜ｙ｜の判別図、第７図は本発明による半
母音｜ｗ｜を検出する方法を示す図、第８図は本発明に
よる半母音｜ｗ｜の判別である。 １５……帯域フィルタ、１６……スペクトルモーメント
算出部、１７……類似度計算部、１８……標準パターン
登録部、１９……音素判別部、２０……マイク、２１…
…前処理部、２２……線形予測部。 代理人の氏名　弁理士　中尾　敏男　ほか１名！＠３図 第５図 第６図 （ｉＢ　−（ｘＡ

Claims (1)

【特許請求の範囲】
1. 音声入力を分析区間毎にスペクトル分析し、その時間変
   化の特徴を算出するスペクトルモーメント算出部と、あ
   らかじめ求めてある音素の標準パタンに対する類似度を
   算出する類似度計算部と、前記スペクトルモーメント算
   出部と類似度計算部で算出された結果を複数次元の音素
   判別図にあてはめることによって該当する音素か否かを
   判定する音素判別部とを有する音声認識装置。