JPS63236098A - ラベリングシステム - 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〕 不特定話者・大語量を対象とした連続音声認識の研究及
び認識装置の開発には、音声データベースの構築が必要
であり、その構築には、ラベリングシステムが必要とな
る。本発明はそのラベリングシステムに関するものであ
る。

〔従来の技術〕

従来からの特定話者認識や限定単語認識装置の作成には
、大量データを扱う音声データベースの必要性が無かっ
た。このため、音声データのラベリングは音声の専門的
な知識のある者により、時間をかけて含入りに手動にて
行われていた。このラベリングに使用されるラベルには
、従来、音声における言語的な最小単位である音素を用
いるものが多い。

〔発明が解決しようとしている問題点〕ところで、不特
定話者・大語案を対象とした連続音声認識の研究及び認
識装置の開発は、近年、急激に盛んになってきたもので
ある。

しかし、前述した様にラベリングを手作業で行った場合
、以下に示す二つの大きな問題がある。

１）作業時間の問題 不特定話者用に信頼度の高い標準パタンを作成し、高精
度の音声認識を実現するためには、大量の音声データと
ラベルデータを有する音声データベースが必要である。

従来は、音声のラベリングは音声の専門的な知識のある
者により、時間をかけて含入りに行われていたが、不特
定話者認識用の大量の音声データのラベリングは、手動
によるラベリングでは実際問題として非現実的である。

２）人手により生ずる問題 ラベリングを行う人の音声に対する専門的な知識の量に
よりラベリング精度が左右される。同一個人でも時間の
経過とともにラベリングの基準点が異ってくる。明らか
な人為的なミスが生ずる。

又、前述した様に、現在のところ一般的に、ラベルとし
ては音素が用いられている。しかし、音素は音声におけ
る言語的な最小単位であるため音響的特徴を充分に表わ
すことが出来ない。このため音素を単位とした標準パタ
ーンにより音声認識を行っても充分に高い認識率は期待
できない、という欠点があった。

〔問題点を解決するための手段（及び作用）〕以上の点
に鑑みて、本発明ではラベリングシステムに自動ラベリ
ング部を導入した。ラベリングを自動化することで、作
業時間短縮・人手による手間・曖昧性などの問題を解決
する。

又、音素より更に細かい単位のラベルである音響境界ラ
ベルを用いることにより音響的特徴を音素ラベルより更
によく表わすことが出来るようにした。ある音素内でも
幾つかのスペクトルパターンに時間的に分けられたり、
同じ音素でも音韻環境により全（異なったスペクトルパ
ターンを持つ。

ここにおける音響的特徴とは音韻を考慮したパワーやス
ペクトルの変化等により決定する特徴である。

〔作用〕

これにより音素を単位とした標準パターンによる音声認
識を行うより、音素より更に細か（音響的特徴を更によ
く表わすことができる音響境界ラベルという単位を設定
し、その単位とした標準パターンによる音声認識を行う
方が高い認識率が期待できる。

〔実施例〕

以下、図面を参照し、本願発明について詳細に説明する
。まず自動ラベリングについて説明する。

〔自動ラベリング〕

自動ラベリング手法について述べる。本手法には、 ■任意の文節・単語・単音節のラベリングが可能。

■不特定話者のラベリングが可能。

■音素より更に細かい単位である音響境界ラベル（Ａｃ
ｏｕｓｔｉｃ　Ｂｏｕｎｄａｒｙ　Ｌａｂｅｌ、　ＡＢ
Ｌ）によるラベリングが可能。

などの特徴を有する。

ラベリングの特徴として、一般に不特定話者を対象とす
るが話者はランダムに入れ換わるということはデータベ
ースの性質からして普通はありえない。つまり、同じ話
者の発生がしばらく続（わけである。このため話者が変
わるごとに、標準パターンを入れ換えたり、話者の音声
を学習することにより話者への適応などの方法により、
不特定話者への対応が可能となってくる。標準パターン
を入れ換える方法とか同じ学習でも教師付き学習の場合
は、やはりあらかじめラベリングデータが必要なので初
めての話者には対応しに（い。これに対し、教師なし学
習ではその必要がない。本アルゴリズムではこの教師な
し学習による話者への適応化と統計的な手法の利用によ
り不特定話者に対応している。また、現在行われている
ラベリングは、はとんど音素によるラベリングであるが
、ここでは認識率向上を考えて、音素より、細かい単位
であるＡＢＬによってラベリングを行う。ラベリング手
法の特徴としては、始めからＡＢＬによってラベリング
をしてしまうわけではな（、一旦音素によりラベリング
を行った後に、その音素によるラベリング情報を基にし
て、ＡＢＬによるラベリングを行う２段階方式を用いて
いる。以下、ＡＢＬの基準点・音素のラベリング、ＡＢ
Ｌのラベリングの手段の順に説明する。

〔音響境界ラベル（ＡＢＬ）の基準点〕現在のところ、
一般にラベルとしては、音素が用いられている。しかし
、音素では音声中の音響的特徴を正確に表現しきれない
。なぜならば、音素とは文章・文・文節・単語・音節・
音素とくる言語学的な最小単位であって、直接音響的な
特徴と結びつくものではない。例えば、同じ「ざ」打音
の音素／Ｚ／でも、バズ（ｂｕｚｚ　；のどのうなり）
部が見られるものと、見られないものが存在する（第３
図参照）。これらのものをひとまとめにして音素として
扱っているので、標準パターンを設計する際サンプルの
分散が大きく、これが誤認識につながることが多かった
。また、音素ラベルのサンプルの分散が大きくなる他の
原因としては、音響的な環境を表わせないことも挙げら
れる。

これは、例えば同じ／に／の音でも、後続母音の違うも
のではそのスペクトルは一般に異なったものとなる。ラ
ベルとしては、このような環境の違いも表わせるものが
望ましい。このように、細かい単位による認識を目指し
、音素より細かいラベルによってラベリングすることに
した。

ラベルに用いられる記号は参考表１に示す通りである。

この記号を２種類組み合せることにより、各ラベルを表
現する。このラベルを音響境界ラベル（ＡＢＬ）と呼ぶ
ことにする。ラベルの種類は、約３００　ｉｔ類である
。このラベルの基準点の詳細を参考表２に示す。

実際にこのラベルを用いて、「−水彩」という単語のラ
ベリングした例を第４図に示す。ここで同じ記号の組み
合せ、例えば［ｕ］　［ｓＳ］　［−一］は定常的特徴
を表わすラベルを、異なる記号の例［＝Ｉ］［ＱＰ］な
どは過渡的な特徴を表わすラベルである。

〔音素ラベリング（第１次ラベリング）　（３３））第
１次ラベリングの音素ラベリング手段についてのべる。

音素の検出が基本的には線形判別関数を用いる。また母
音に関しては不特定話者に対応するために、判別関数の
重み係数の学習を行って話者への適応化を図る。この音
素ラベリングの結果は、ＡＢＬラベリングのための補助
的な情報として用いることを目的とする。

音素のラベリングは、音素存在区間・音素検出・音素ラ
ベリングの手順で行い、以下その説明をする。

（音素存在区間の推定（Ｓ６）） 単語や文節を発生した場合の一般的な性質として、−発
声内でのモーラ継続時間（モーラ基）は、語頭で短（、
語尾で長くなる傾向がある。この伸縮が線形に変化する
と仮定すると、−発声の継続時間とモーラ数から、各モ
ーラの時間的な存在位置を推定することができる。この
場合各モーラ長は次式で表わされる。

ｔｉ　ｔ−（Ｌ／ｎ）　［Ｒｍｉｎ＋（Ｒｍａｘ−Ｒｒ
ｍｎ）　ｘ　（ｉ−１）／（ｎ−１）］　・・−・・・
■但し、ｎニー発声内のモーラ数 Ｌニー発声の継続時間 ２ｍ１０＝最小変化率 Ｒｍａｘ：最大変化率 Ａｉ　　：４番目のモーラ基（ｉ−１，２，・・・、ｎ
）Ｌ　／　ｎは平均モーラ基と呼ばれ、単語内のｌモー
ラの平均的な長さを与えるものである。語頭では平均モ
ーラ基のＲｍｉｎ倍、語尾ではＲｍａｘ倍だけ伸縮する
。

ラベリングにおいては、発生された内容は既知のもので
あり、音素記号系列によって与えられている。これによ
り発生に用いられた音素記号の種類と前後関係が分かる
ので、モーラの伸縮も考えたうえで大まかな音素の存在
範囲を推定することができる。

（推定区間内における音素の検出（Ｓ７））音素推定区
間内で、その音素が有すると思われる特徴を抽出し、も
し、その特徴が現われていれば、現われた所にその音素
が存在すると判定する。

この判定はフレーム毎に行われる。

音素の特徴抽出は基本的には線形判別関数で行う。例外
として、 ■母音は、個人によって音響的特徴の変動が大きいので
個人性の学習を行い、各話者に適応した。

これにより、不特定話者に対応したラベリングが可能と
なる。学習方法としては、パーセプトロン学習を用いる
。

■無音・流台・無声摩擦は、ＶＵＳ　（有声／無声／無
音）判定に基づいて検出する。

■摩擦音／Ｚ／ｈ／については、ＶＵＳ判定・判別関数
・対数スペクトルパワーの方法の組み合せで求める。

（音素ラベリング（Ｓ８）） 得られた音素存在フレームの記号と音素系列とのＤＰ−
マツチングを行い各フレームの音素レベルのラベリング
をする。本方式のＤＰマツチングは記号間で距離を決定
する記号レベルのＤＰマツチングである。

［ＡＢＬのラベリング（第２次ラベリング）　（Ｓ４）
）音響境界ラベル（ＡＦＬ）のラベリングの手段を述べ
る。ＡＢＬは音素ラベリングの結果をトップダウン情報
として用いてラベリングを行う。ラベルの位置決めの基
本的な特徴量としては、セグメント特徴を用いる。

ＡＢＬのラベリングはセグメント特徴の検出、セグメン
ト特徴の選択・正規化・ラベル区間の決定・ラベル位置
の決定の順に行い、以下その説明をする。

（セグメント特徴の検出（Ｓ９）） セグメント特徴の検出には、周波数情報と時間情報を同
時に表現できるスペクトルの時間変化パターン（Ｔ　ｉ
　ｍ　ｅ　　Ｓ　ｐ　ｅ　ｃ　ｔ　ｒ　ｕ　ｍ　　Ｐ　
ａ　ｔ　ｔ　ｅ　ｒ　ｎ　、　Ｔ　Ｓ　Ｐ　）を用いる
。ただし、このままでは、標準パタンの次元数が非常に
大きなものとなるので、計算量・安定性を考えた特徴の
圧縮を行う。特徴圧縮の方法としては、Ｋ−Ｌ　（Ｋａ
ｒｈｕｎｅｎ−Ｌｏｅｖｅ）展開を用いる。更に、各フ
レームの相互の尤度を比較するため、事後確率を求める
ことにより、時軸方向に対する尤度の正規化を行う。

（トップダウン情報を用いたセグメント特徴の選択・正
規化（ＳＩＯ）） 入力されたデータに対して、フレーム毎にセグメント特
徴が検出されるが、非常に付加が多い。ラベリングの場
合入力音素記号列（セグメント特徴記号列）は、あらか
じめ分っているため、セグメント特徴の選択が可能とな
る。また記号の位置については、前述の１次ラベリング
の結果を用いれば、大まかなところを決めることができ
る。ここにおいて、音素ラベリングの結果をトップダウ
ン情報として用いてセグメント特徴の選択を行い、選択
された結果をフレーム毎に正規化する。

（ＤＰマツチングによるラベル存在区間の決定）選択・
正規化されたセグメント特徴は、はぼ、セグメンテーシ
ョンされた状態で現われる。つまり、特徴から特徴への
遷移がはっきりしている。そこで、この結果と、入力音
系列をセグメント特徴の記号列に展開し、この記号列と
選択されたセグメントのＤＰによるマツチングを行い１
フレーム毎にセグメント特徴の記号のラベルを付ける。

（ラベル位置の決定） ＡＢＬの位置は、マハラノビス距離、■ＵＳ（有声／無
声／無音）判定、パワーなどのパラメータにより、一番
最もらしいところに決定し、セグメント特徴の記号を基
にＡＢＬラベルを自動的に生成する。

以上詳述した様に、ＡＢＬ基準点、音素ラベリング、Ａ
ＢＬラベリングの３つの手段を用いて自動ラベリングを
実現する。

次に、図面を参照し、更に詳細に説明する。

第１図は本発明適用のラベリングシステムの概略図であ
る。第１図の１は、音声データベース部で、音素表記さ
れた単語・文節などの単語辞書ファイル２と発話された
データに音響処理を施した音声データファイル３と音声
データのラベリング結果を格納するラベルファイル４の
三つのファイルより構成される。出力部５は、音声デー
タベース部ｌのデータをラベリングをする際、使用する
各パラメータの動きやラベリング結果を表示するための
ものである。６はラベリングするための各コマンドを入
力する入力部、７は入力されたコマンドを解釈するユー
ザインタフェース部、８は、データベースの管理を行う
データマネージメント部、自動ラベリング部９、手動ラ
ベリング部１０で構成されるラベリング部１１を有する
ラベリングシステムである。

以上の構成の元で第２図はラベリングシステムの操作手
順の概略を示す図である。ラベリングシステムは太き（
は二つの手順に別れ、まず音声データベースより音声デ
ータと発声データの音素記号列を入力し、自動ラベリン
グ部にて自動ラベリングを行９てから（Ｓｌ）、手動ラ
ベリング部にて手動ラベリングによる修正を行う（Ｓ２
）。

自動ラベリング部は、二段階に分かれており第１段階の
音素ラベリング部（第１次ラベリング）Ｓ３と第２段階
の音響境界ラベリング（ＡＢＬラベリング）部（第２次
ラベリング）Ｓ４から成る。

音素ラベリング部は、話者が指定されるとその話者の母
音の学習を母音の判別関数に対して行なう（Ｓ５）。音
声データベースより音声データと発声データの音素記号
列から、−発声内のモーラ長の伸縮を線形に伸縮すると
仮定し、大まかな音素の存在範囲の推定を音素区間推定
にて行ない（Ｓ６）、推定した音素の存在範囲内におい
て分析フレーム毎に各パラメータ（主に判別関数の出力
結果）により推定された音素の存在可能性を示す記号系
列を音素検出にて求め（Ｓ７）、その記号系列と発声リ
ストの音素記号列とのＤＰ−ｍａｔｃｈｉｎｇにより分
析フレーム毎に、音素のラベリングを行なう（Ｓ８）。

音響境界ラベリング（ＡＢＬラベリング）部（第２次ラ
ベリング）Ｓ４は、セグメント特徴のＴＳＰパターンを
用いた標準パターンで分析フレーム毎に、ＴＳＰパター
ンを計算し、セグメント特徴の検出を行う（Ｓ９）。検
出されたセグメント特徴に音素ラベリング部の結果をｔ
ｏｐ−ｄｏｗｎの情報として用い、セグメント特徴の選
択と正規化を分析フレーム毎に行い（ＳＩＯ）、その結
果と単語辞書の音素記号列から作成されるセグメント特
徴記号列とのＤＰ−ｍａｔｃｈｉｎｇにより、音響境界
ラベルとその位置を決定する音響境界ラベリング（ＡＢ
Ｌラベリング）を行う（Ｓｌｌ）。手動ラベリング部は
、自動ラベリング部の結果を手動により修正を行うもの
である（５１２）。

【音素ラベリング部（Ｓ３）］ （母音の学習（Ｓ５）） 前述しました母音の学習（Ｓ５）は以下の手順で行う。

１）母音学習フレームの自動検出 学習用データとして次の発声リストを用意した。

・アカサタナハマヤラワ／ａｋａｓａｔａｎａｈａｍａ
ｙａｒａｗａ／拳イキシチニヒミイリイ／ｉｋｉｓｉｃ
ｉｎｉｈｉｍｉｉｒｉｉ／・ウクスツヌフムユルウ／ｕ
ｋｕｓｕｃｕｎｕｈｕｍｕｙｕｒｕｕ／・エケセテネへ
メエレエ／ｅｋｅｓｅｔｅｎｅｈｅｍｅｅｒｅｅ／・オ
コソトノホモヨロヲ１０ｋｏｓｏｔｏｎｏｈｏｍｏｙｏ
ｒｏｗｏ／これらのデータは１種類の母音しかないし、
母音が規則的に入っているので母音区間を検出し易い。

これらのデータから母音区間を自動的に検出し、母音の
学習データとして用いる。母音の検出は、まず数フレー
ムにわたるパワーの局所的最大値を母音の中心フレーム
として、そのフレームのスペクトルとその近隣のフレー
ムとのスペクトル距離を求め、その差がある閾値内にあ
るフレームを学習サンプルのフレームとする。閾値は中
心フレームから離れるほどきびしい値をとるように設定
した。

２）学習法 ■）で自動的に切り出した母音の学習データを用いてパ
ーセプトロン学習と呼ばれている誤り訂正学習法で母音
の学習を行う。

［音素存在区間の推定（Ｓ６）コ モーラ長は前述の式■で表わされる。この式をグラフで
示すと第５図のようになる。

音素の存在範囲を推定するアルゴリズムは以下のように
なる。

■前述のモーラ長推定アルゴリズムにより、各モーラの
位置と長さを決定する。

■各モーラ内の音素数で、モーラ内での各音素の位置と
長さを決定する。これを厳密予測区間とする。

■上記の厳密予測区間では、区間予測誤りの危険性が大
きいため、厳密予測区間のＡ長のゆるめを、各区間の前
後に置いて、音素存在可能な推定区間とする。第６図に
／　ｋ　ｙ　ａ　ｎ　ｏ　Ｎ　／という単語における区
間推定の例を示す。

［推定区間内における音素の検出（Ｓ７）］各音素での
特徴抽出・判定方法を以下にまとめて示す。

［母音］　／　ａ　ｉ　ｕ　ｅ　ｏ　／母音の判定は話
者毎に学習した５母音の判別関数の出力を用いる。判定
はフレーム毎に行い、出力が正値であるフレームは、そ
の母音が存在すると判定する。

［半母音］　／ｊ、ｗ／ 特に、存在を判定する特徴を抽出することができないの
でこの判定は行わない。

［鼻部］　Ｎ、ｍ、ｎ／　［有声破裂音コ／　ｂ　、　
ｄ　、　ｇ　、　（ｖ　）　／［無声破裂音］　／ｐ、
ｔ、に／ 各音素グループ用の判別関数を用いて、出力が正値のフ
レームに各音素が存在すると判定する。

［無音］／Ｑ／ ＶＵＳ判定において無音と判定されたフレームに無音の
音素が存在するとする。

［流台］／ｒ／ 低域／高域のパワー比がある閾値を越えたフレームを／
ｒ／の音素が存在すると判定する。

［無声摩擦音］　／ｓ、ｃ、（ｆ）　／ｖＵＳ判定によ
り無声（Ｕ）と判定されたフレームに無声摩擦音が存在
すると判定する。

［その他］　／Ｚ／、／ｈ／ ／Ｚ／・／ｈ／は有声と判定されたり、無声と判定され
たりするため、無声と判定された場合は、前後の母音と
区別できるため、そのフレームに／Ｚ／または／ｈ／が
存在すると判定できるが、有声の場合は、前後の母音と
の区別が難しい。このため、推定区間が全て有声と判定
された場合は摩擦性の判別関数の推定区間内の最大値を
捜したり、推定区間内の対数スペクトルパワーの極小値
を求め、その近傍に／Ｚ／や／ｈ／が存在すると仮定す
る。

以上の方法で各音素の推定区間内の音素存在フレームを
判定し、特徴抽出できないフレームは、どの音素とも判
定できないと見なす。第７図に各判別関数の出力の動き
、ＶＵＳ判定及び音素存在判定の結果の例を示す。

［音素のラベリング（Ｓ８）］ ＤＰの計算の漸化式を以下に示す。

・・・・・・・・・・・・・・・・・■但し、 ｄ　（ｉ、ｊ）　：　’番目の音素記号とｊ番目のデー
タとの得点 ｇ　（ｉ、Ｄ　：累積得点 ＰＩ、Ｐ２　：状態に応じたペナルティを課す関数ＤＰ
のパスを第８図に示す。

ＤＰに用いられる得点ｄ　（ｉ、Ｄは、一般的に使用さ
れる類似度ではなく、記号と記号のマツチングにより決
定する得点法を用いた。ｄ　（ｉ、ｊ）は入力音素記号
列のｉ番目の音素記号と入力データのｊ番目に存在する
可能性のある音素記号によって決まる得点である。ｄ　
（ｉ、Ｄは得点テーブルを参照することにより決定され
る。

ＰＩ、Ｐ２は、状態に応じてペナルティを返す関数であ
る。以下にその規則を記す。

Ｐｌ：音素に応じて、その音素の継続長より短かい場合
、加点し、長すぎるときは減点する。

Ｐ２：前の音素の継続長が短かい場合は減点し長すぎる
場合は加点する。

ＰＩ、Ｐ２いずれの音素種類により点数が異なる。

以上により、ＤＰのパスはＰＩ、Ｐ２のペナルティの値
により、状態に応じて選択的に選らばれることになる。

ＤＰの窓かけは、前述したモーラ長の変化に基づいて推
定した音素存在区間に基づいて決定する。ＤＰの窓がけ
の範囲は、推定音素存在区間とその前後に、推定区間長
の外の長さを加えた区間により構成される。又、本来の
推定区間内のＤＰマツチングの得点ｄ　（ｉ、Ｄは１倍
し、前後に加える区間には、ｄ　（ｉ、Ｄで決定する得
点の％の得点を与えるようにし、本来の区間に重みをつ
けた。

【音響境界（ＡＢＬ）ラベリング部（Ｓ４）］（セグメ
ント特徴検出（Ｓ９）） セグメント特徴検出の構成図を第９図に示す。またセグ
メント特徴の検出例を第１０図に示す。

（トップダウン情報を用いたセグメント特徴の選択・正
規化（ＳＩＯ）） セグメント特徴の選択は、以下の要領で行う。（第ｉフ
レームのセグメント特徴の選択を行う場合）■音素ラベ
リング部の音素ラベルのｉフレームの音素記号及び、ｉ
フレームから前後にそれぞれ±１５フレームに存在する
音素記号を捜しに行く。

■この音素記号がｉフレームも含めて前方向・後方向に
それぞれ３音素記号、計５個（最大候補数）まで捜す。

但し、音素記号が無音・無声音と有声音とのグループか
ら他のグループに移ったら、その方向における候補はそ
こで打ち切る（移った音素は候補に入れる）。

■■によって選ばれた音素記号をセグメント特徴の候補
に展開する。

■■で選択されたｉフレームのセグメント特徴の出力で
ある事後確率の値を選らばれたものはそのまま、選ばれ
なかったものは０を代入する。

■選らばれたセグメント特徴の事後確率が最大を与える
ものを１とするように正規化する。

第１０図に選択されたセグメント特徴の例を示す。

このようにセグメント特徴を選択することにより、ラベ
ルのための特徴がはっきりすることができる。

［ＤＰマツチングによるラベリング存在区間の決定（Ｓ
ｌｌ）］ 各音素は、参考表３を基にセグメント特徴記号列に展開
される。展開されたセグメント特徴記号列と選択された
セグメント特徴のＤＰ−ｍａｔｃｈｉｎｇは以下の漸化
式で行う（両端固定）。

・・・・・・・・・・・・・■ 但し、ｄ　（１１ｊ）　：　ｉフレームの選択されたセ
グメント特徴の記号列と、ｉフレームの 展開されたセグメント特徴記号 列の類似度 ｇ　（ｉ、Ｄ　：累積した類似度 Ｐ：　　　　ペナルティ この時のＤＰのパスを第１１図に示す。ＤＰパスは非対
称型になっている。ここでパス■はその特徴の継続を、
パス■は次の特徴への遷移を、パス■は特徴の脱落を表
わす。ただし、脱落が許されるのはバス音／＊／と無音
／Ｑ／のみである。また、。

ペナルティＰは／＊／では０、／Ｑ／では小さい負の数
を、その他は非常に大きい負の数をペナルティとして与
えた。

ＤＰの窓としては、音素ラベリング部の出力結果である
音素ラベルより、各音素の始端・終端を捜し、それぞれ
に±１５フレームのゆとりをもたせた範囲の窓をかける
。また、類似度は、選択され・正規化されたセグメント
特徴の値に更に、そのフレームが音素のラベルの該当音
素区間に入っている場合は１倍、入っていない場合１倍
と重みをかけて求める。

〔ラベルポイントの決定〕

ラベルポイントは以下のようにして定める。

［母音・撥音・鼻音定常部］ 連続して、同じセグメント特徴の記号でラベルされた母
音・撥音・鼻音においては、その特徴のマハラノビス距
離が最大となるポイントの値を求める。その値をＶＡＬ
とすると、このラベル区間においてＶＡＬ／ＴＨ（ＴＨ
は成る値）が閾値より大きい値をとるフレームを定常フ
レームと判定する。

［半母音］ ラベルされている区間のマハラノビス距離が最大となる
ポイントを変化最大フレームとする。

［鼻音出わたり・有声破裂音］ マハラノビス距離の最大を与えるポイントに定める。

［無声破裂音］ 無音区間から有音区間に移ったポイントとする。

［無音部］ ＶＵＳ判定が無音（Ｓ）であるフレーム。

［流台］ ラベル区間においてパワーの値が最小となるポイント。

［バズ部］　（ＢＵＺＺ） ラベル区間において選択されたセグメント特徴にバズが
最大値を与えるフレーム。

［有声・無声摩擦音］ 連続して同じセグメント特徴の記号でラベルされた摩擦
音においては、その特徴のマハラノビス距離が最大とな
るポイントを求め、その値をＶＡＬとする。このラベル
区間においてＶＡＬ／ＴＨＲ（ＴＨＲはある値）がある
閾値より大きい値をとるフレームを定常フレームと判定
する。

［無声化母音・無声化拗音コ 母音及び拗音／ｊ／はＶＵＳが無声（Ｕ）と判定された
フレームは小文字（無声化母音のラベル）に変更する。

以上の処理を行った後に、定常的な特徴についてはスム
ージングを行い、各特徴の区間が定まった後、それぞれ
のポイントの特徴に応じて参考表２に示す音響境界ラベ
ル（ＡＢＬ）を付ける。第１２図に自動ラベル（音素及
びＡＢＬ）と手動ラベルの例を示す。

〔発明の効果〕

本発明によりラベリングを手作業で行った場合に生じる
〔ｌ〕作業時間の問題〔２〕入手により生じる問題や音
素が音声における言語的な最小単位であるため音響的特
徴を充分に表わすことが出来ないという問題を解決し、
音素より更に細か（音響的特徴を音素ラベルより更によ
く表わすことができる音響境界ラベルを単位とした標準
パターンによる音声認識を行う方が音素を単位とした標
準パターンによる音声認識を行うよりも、高い認識率が
期待できる。更に、音響境界ラベルが２つの音素の組み
合せによる正書法であるため、単語辞書の登録・追加・
変更が容易である。

【図面の簡単な説明】

第１図はラベリングシステムの概略図 第２図は操作手順の説明図 第３図は同一話者における音素／Ｚ／の音響的特徴の変
動の例を示す図 第４図はＡＢＬのラベルの例を示す口 笛５図はモーラ長の推定方法を示す図 第６図は音素区間推定の例を示す図 第７図は音素の検出例を示す図 第８図はＤＰパス（音素用）を示す図 第９図はセグメント特徴検出法の構成図第１Ｏ図はセグ
メント特徴の検出及び選択例を示す図 第１１図はＤＰパス（ＡＢＬ用）を示す口笛１２図はラ
ベリングの例を示す図 １１・・・ラベリング部 １２・・・データベース部 入力＠？テ°゛−夕 操イ１Ｆ手円狗の貌日月 第２図 ｂｕｚｚ’；ｒし　　　　　　　　　　→フレーム、同
−規Ａ耐ｌ：３１する酩／ｚノの音響台Ｕ乍遣奪Ｃχ屹
動の例第３図 嘉　　　　　　　ＡＢムのラベ゛ツノの４列第４図 損）６図　　　色ノに四囲キ負ビカーのイグ１］−。 第８図　ＤＰパス（音卑用） 七グ又ント的敬倹比法の鳩成図 夕Ｊ ｍ−１−ｌ −組層 １１声晰致の纒穐 〔２）次の特徴Ｎの遣ネタ ＣＣ−−−

Claims (1)

1. 【特許請求の範囲】 １）発生されたデータに音響処理を施した音声データフ
   ァイルを有した音声データベース部、 上記音声データベース部に記憶された音声データに対し
   て、分析フレーム毎に音素のラベリングを行う音素ラベ
   リング部と、この音素ラベリング部の結果をＴｏｐ−ｄ
   ｏｗｎの情報として用いて、音素より更に細かいラベル
   のラベリングを行う音響境界ラベリング部の二段階のラ
   ベリング部により、音素より細かいラベリング（音響境
   界ラベリング）を行うことを特徴とするラベリングシス
   テム。 ２）音声における言語的な最小単位である音素よりも、
   音響的特徴を充分に表わすことができる、音素より更に
   細かい単位（以下音響境界ラベル、ＡＢＬと呼ぶ）のラ
   ベルを音響的特徴の変化する位置に決定する手段を有す
   ることを特徴とする自動ラベリング部を有する特許請求
   の範囲第１項記載のラベリングシステム。 ３）統計的手法を用いて設計した一段目の音素ラベリン
   グ部では判別関数を、二段目の音響境界ラベリング部で
   は時間周波数パターン（ＴＳＰ）を用いたベース判定を
   、それぞれ用いたことを特徴とする特許請求の範囲第１
   項記載のラベリングシステム。 ４）音素の自動ラベリングを行う際、母音の判定に用い
   る個人別の母音判別関数学習部を有することを特徴とす
   る特許請求の範囲第３項記載のラベリングシステム。 ５）音素の自動ラベリングを行う際、この一発声内のモ
   ーラ長の伸縮を線形に伸縮すると仮定し、音声データの
   音素記号列により、大まかな音素の存在の範囲を推定し
   たうえで、推定した音素の存在範囲内において、分析フ
   レーム毎に各パラメータにより推定された音素の存在可
   能性を示す記号系列を求め、その記号系列と単語辞書の
   音素記号列とのＤＰ−ｍａｔｃｈｉｎｇにより、分析フ
   レーム毎に音素のラベリングを行うことを特徴とする音
   素ラベリング部を有する特許請求の範囲第３項記載のラ
   ベリングシステム。 ６）分析フレーム毎に各パラメータにより推定された音
   素の存在可能性を示す記号系列と単語辞書の音素記号列
   とのＤＰ−ｍａｔｃｈｉｎｇを行う際に、モーラ長によ
   る大まかな音素の存在範囲をそのまま用いてＤＰ−窓幅
   とする方法を有する音素ラベリング部を有する特許請求
   の範囲第５項記載のラベリングシステム。 ７）分析フレーム毎に、ＴＳＰのパターンを計算し、セ
   グメント特徴の検出を行い、音素ラベリング部の結果を
   ｔｏｐ−ｄｏｗｎの情報として用い、セグメント特徴の
   選択を行った後に、その選択されたセグメント特徴の正
   規化及び重み掛けを分析フレーム毎に行い、その結果及
   び単語辞書の音素記号列から作成するセグメント特徴記
   号列とのＤＰ−ｍａｔｃｈｉｎｇにより各セグメント特
   徴の位置を決定した後、マハラノビス距離やパワーなど
   により音響境界ラベル及びその位置を決定することを特
   徴とする音響境界ラベリング部を有する特許請求の範囲
   第３項記載のラベリングシステム。 ８）選択・正規化されたセグメント特徴の結果と単語辞
   書の音素記号列から作成するセグメント特徴記号列との
   ＤＰ−ｍａｔｃｈｉｎｇを行う際に、音素ラベリング部
   の情報を用いてＤＰ−窓幅を決定する方法を有する音響
   境界ラベリング部を有する特許請求の範囲第７項記載の
   ラベリングシステム。