JPH0449952B2

JPH0449952B2 -

Info

Publication number: JPH0449952B2
Application number: JP58222417A
Authority: JP
Inventors: Hideji Morii; Katsuyuki Futayada; Satoshi Fujii
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1983-11-25
Filing date: 1983-11-25
Publication date: 1992-08-12
Also published as: JPS60114900A

Description

【発明の詳細な説明】産業上の利用分野本発明は音声認識装置に用いる有音・無音判定
法に関するものである。

従来例の構成とその問題点有音・無音判定法の従来例としては、信号のエ
ネルギーと零交差回数を用いた方法が知られてい
る。これは、新美康永：音声認識、共立出版
（1979）、あるいは、L.R.Rabiner and M.R.
Sambur：An algorithm for determining the
endpoint of isolated utterances，Bell Syst.
Tech.T.，（1975）に示されている。

以下図面を参照しながら従来例の有音・無音判
定を含む音声区間検出方法について説明する。

第１図は従来例の音声区間検出方法の構成を示
したものである。図において、１は信号エネルギ
ー算出部で10msec区間（以下フレームと記す）
毎の信号エネルギーＥ（ｎ）（ｎはフレーム番号）
を算出する。２は零交差回数算出部でフレーム毎
の零交差回数Nz（ｎ）を算出する。３は音声の始
端、終端候補決定部で信号エネルギーＥ（ｎ）と
２つの閾値E₁、E₂を用いて始端及び終端の候補
点を見つける。４は音声区間決定部で、零交差数
Nz（ｎ）を用いて音声区間の始端及び終端を決定
する。

以上のように構成された音声区間検出方法につ
いて以下その検出方法を説明する。

零交差回数というのは信号の符号のみを残し、
振幅を１ビツトに量子化した零交差波の一定区間
における符号の変化の回数である。この零交差回
数は信号のスペクトル中の優勢な周波数成分とよ
く対応する。第２図は防音室で発声された音声信
号の零交差回数の分布を示したもので上段ａは無
音部分、中段ｂは無声子音、下段ｃは有声音の分
布を表わしている。第２図から分るように高域の
周波数成分が優勢な無声子音では零交差回数は大
きな値となり、無音・有声音では小さな値とな
る。従来の有音・無音判定法はこれを利用し、信
号エネルギーの小さな無声子音の検出精度を上げ
ている。

音声の始端・終端候補決定部３は信号のエネル
ギーレベルにより、確実に音声区間であるという
部分を検出するものである。信号エネルギー算出
部１で計算されたフレーム毎の信号エネルギーＥ
（ｎ）に対し２つの閾値E₁，E₂（E₁＞E₂）を適用
し音声の始端候補n₁、終端候補n₂を求める。これ
は第３図ａの例に示すように、エネルギーの値が
E₂を越え、かつその後E₂以下になることなしに
E₁を越えるとき、音声区間に入つたとみなし、
E₂を越えた点を始端候補n₁とする。終端候補n₂は
時間軸を逆にして、同様の方法で決定する。音声
区間決定部４では、零交差回数算出部２で計算さ
れたフレーム毎の零交差回数Nz（ｎ）と閾値No
を用いて、エネルギーは小さいが零交差回数が大
きい無声子音が先の音声区間候補（n₁、n₂）の外
側にないか検査する。

第３図ｂに示すように始端候補n₁より前の数フ
レームの区間で零交差回数が閾値Noより大とな
るフレームの数を数え、その数が一定値（たとえ
ば３）以上であれば始端候補n₁より前に無声子音
区間があるとみなし最初にNoを越えたフレーム
n₁′に始端を移す。終端についても同様である。
ただ第３図ｂでは終端n₂はもとのままである場合
を示している。このようにして最終的な音声区間
（n₁′、n₂）が決定される。

しかし、上記のように零交差回数を用いた方法
では、エネルギーが小さく零交差回数も小さい有
声子音（例えば／ｂ／，／ｄ／，／ｒ／）などの
脱落を減少することは出来ない。また、零交差回
数は環境騒音の影響を受けやすいため、適応出来
る環境に制限があるなどの欠点を有していた。例
として、第４図に、信号雑音比20dB程度で発声
された（ａ）無音、（ｂ）無声子音、（ｃ）有声音
の例交差回数の分布を示す。第４図によると、無
音部６と無声子音部７での分布の差はほどんどな
い。したがつて、上記のような騒音環境では従来
法は有効に動作しない。

発明の目的本発明は従来技術のもつ以上のような欠点を解
消するもので、検出精度が高く、しかも環境騒音
による性能劣下の少ない有音・無音判定法を提供
するものである。

発明の構成本発明は上記目的を達成するもので、音声を含
む信号のパワースペクトルから、環境騒音学習に
より得られた環境騒音のスペクトル成分があらか
じめ定めた標準環境の雑音のスペクトルと同じに
なるように補正する係数を差し引いたパワースペ
クトルを算出し、第１の方法として前記パラメー
タの和で表わされる信号のエネルギーレベルと閾
値との比較による判定を行い、前記第１の方法に
よる判定が不定のものについて、第２の方法とし
て前記パラメータとあらかじめ標準環境において
多数の話者が発声した音声のうち信号のエネルギ
ーレベルが前記第１の判定方法で不定と判定され
るレベルの区間の無音・無声子音・有声子音のス
ペクトルの統計的分布を表現するように作成され
ている３つの標準パターンとの類似度を統計的距
離尺度を用いて判定を行うことにより有音・無音
の判定を行うことを特徴とする有音・無音判定法
を提供するものである。

実施例の説明以下本発明の一実施例について図面を参照しな
がら説明する。第５図は本発明の一実施例におけ
る音声認識装置の音声区間検出部のブロツク図を
示したものである。第５図において、８はマイ
ク、９は低域（250〜600Hz）、１０は中域（600〜
1500Hz）、１１は高域（1500〜4000Hz）の帯域フ
イルタである。１２は整流平滑部で９，１０，１
１の帯域通過フイルタ群の出力を各帯域毎のパワ
ーに変換する。１３はマルチプレクサで各帯域毎
のパワーを環境騒音学習部１４あるいは環境騒音
除去部１５に時分割で入力するためのものであ
る。１６は信号エネルギーによる判定部であり、
１７のエネルギー閾値メモリの閾値との比較で無
声であるか有音であるかの判定を行なう。１８は
統計的距離尺度による判定部で、１９の標準パタ
ーンメモリにある無音・無声子音と無音・有声子
音の２つの線形判別関数の係数を用い、無音・無
声子音・有声子音のいずれにスペクトルの形状が
最も類似しているかの判定を行なう。なおハード
構成上では第５図における１５〜１９は汎用のマ
イクロプロセツサ１つで構成されている。

以上のように構成された音声区間検出部につい
てその動作を説明する。

まず、標準環境下（たとえば防音室）で発声さ
れた多数話者の音声から帯域通過フイルタ群９，
１０，１１により得られるパワースペクトルの無
音、無声子音、有声子音という３つのクラスの分
布を求める。そして統計処理により無音のパワー
スペクトルの平均値Siと、２つのエネルギー閾値
E₁、E₂を求め第５図のエネルギー閾値メモリ１
７に入れておく。さらに無音と無声子音、無音と
有声子音を分離する２つの線形判別関数の係数で
ある重み係数Ai、平均値LPi（後に詳しく述べる）
を求め第５図の標準パターンメモリ１９に入れて
おく。

次に、使用する環境の騒音を学習する。

環境騒音学習は、音声認識装置の電源が入れら
れたとき、あるいは音声認識装置に環境騒音学習
実行というコマンドが入力されたとき行なわれ
る。

この環境騒音学習は、音声を含まない環境騒音
のみの信号の一定時間（たとえば10秒）における
平均的なスペクトル形状を求めるものである。第
５図のマイク８より入力される騒音のみの信号
は、低域９、中域１０、高域１１の帯域通過フイ
ルタ群と整流平滑部１２により低域、中域、高域
のパワースペクトルに変換されマルチプレクサ１
３を通して環境騒音学習部１４に入力される。環
境騒音学習部１４では低域、中域、高域のパワー
スペクトルの各周波数成分毎の平均値Niを求め
る。さらに、このNiとエネルギー閾値メモリ１
７に入れてある標準環境の無音のパワースペクト
ルの平均値Siとを用いて式(1)より帯域フイルタ毎
の補正係数ai（ｉ＝１〜３）を求める。このaiは
使用環境の騒音のエネルギーレベルを標準環境の
無音のエネルギーレベルに補正する係数であり、
環境騒音学習により得られた騒音の帯域毎のパワ
ーの平均Niとあらかじめ得られている標準環境
の無音の帯域毎パワーの平均Siとの差により求め
られ、環境騒音除去部１５に格納しておく。

ai＝Ni−Si ……式(1) ｉ＝１〜３ ai：帯域フイルタｉの出力パワーの補正係数 Ni：環境騒音の帯域フイルタｉの出力パワー
の平均 Si：標準環境の無音の帯域フイルタｉの出力パ
ワーの平均次に有音・無音判定法について第５図及び第６
図のフローチヤートを参照しながら説明する。

マイク８より入力される音声を含む信号は第５
図の帯域通過フイルタ群９，１０，１１及び整流
平滑部１２により低域・中域・高域の３つの帯域
のパワーPi（ｉ＝１〜３）に変換される。この３
つのパワーPi（ｉ＝１〜３）はマルチプレクサ１
３を通り、１０msec毎（フレーム毎）に環境騒
音除去部１５に入力される。環境騒音除去部１５
では入力されたパワーPiと環境騒音学習で得られ
た補正係数aiを用いて、式(2)に示すように環境騒
音を除去した帯域毎の対数パワーLPiに変換す
る。

LPi＝log₁₀（Pi−ai） ……式(2) ｉ＝１〜３（帯域パワーの種数を表わす）また、式(3)に示す３つの帯域パワーPiの和の対
数をとつた対数全帯域パワーLPWも求める。

LPW＝log₁₀｛₃ 〓ⁱ⁼¹ （Pi−ai）｝ ……式(3) 以上の処理は第６図の処理イ〜ハにあたる。

次にエネルギーによる判定部１６では、式(3)に
より得られた対数全帯域パワーLPWと、閾値メ
モリ１７にある２つのエネルギー閾値E₁，E₂（E₁
＞E₂）との比較により無音・有音の判定を行な
う。

この２つの閾値E₁，E₂は標準環境下で発声さ
れた音声データにより設定されたもので、LPW
＞E₁ならば確実に有音でありLPW＜E₂ならば確
実に無音であるという値に設定されている。した
がつて、エネルギによる判定部１６では、式(4)の
ような判定が行なわれる。

LPW＞E₁ LPW＜E₂ E₂≦LPW≦E₁ならば有音ならば無音ならば不定式(4) これは第６図に示す判定ニ、及びホである。式
(4)において不定と判定されたものは、エネルギー
レベルでは判定出来ないため次段の統計的距離に
よる判定部１８で、スペクトル形状により無音で
あるか有音であるかが判定される。統計的距離に
よる判定部１８では、式(2)により得られるスペク
トルの大まかな形状を示す低域・中域・高域の３
つの帯域の対数パワーLPi（ｉ＝１〜３）をパラ
メータとし、標準パターンメモリ１９にある２つ
の線形判別関数の係数を用い、判別関数の値を計
算する。この２つの線形判別関数は、標準環境下
で発声された多数話者の音声データの無音・無声
子音・有声子音のスペクトルの統計的分布により
設計されたもので１つは無音／無声子音の線形判
別関数であり、もう１つは無音／有声子音の線形
判別関数である。線形判別関数FXは式(5)のよう
に表わされ、 FX＝₃ 〓ⁱ⁼¹ Ai（LPi−LPi） ……式(5) （ただしAiは重み係数、LPiは平均値）重み係数Aiは２つのクラスの最適な判別を行
うように設定され、２つのクラスの級内分散、級
間分散の比であるFisher比の最大化条件から求め
られる。標準パターンメモリ１９には式(5)におけ
る重み係数Aiと平均値LPiが格納されている。ま
た、この２つの線形判別関数は、入力が無音のと
きは負の値をとり、無声子音あるいは有声子音の
場合は正の値をとるように設計してある。したが
つて、この統計的距離による判別部１８では、無
音／無声子音と無音／有声子音の２つの線形判別
関数式(5)を計算し（第６図フローチヤートの処理
ヘ及びチにあたる。）第６図の判定ト及びリに示
すようにいずれか１方でも正の値をとるならば有
音と判定し（第６図処理ヌ）２つとも負の値なら
ば無音と判定する（第６図処理ル）。

このようにして各フレームごとに有音と無音の
判定を行い、得られたフレーム毎の有音／無音の
判定結果は後段の音声認識部（図示せず）に送ら
れ利用される。

本実施例によれば、環境騒音の学習を行ないそ
の騒音のスペクトル成分をあらかじめ定めた標準
環境の雑音のスペクトルと同じになるように補正
することにより、標準環境下で設定された閾値や
線形判別関数をそのまま利用することが出来るよ
うになる。そのため、無声子音や有声子音のよう
にエネルギーレベルの低い音素に対し、線形判別
関数を用いた無音とのスペクトル形状の相異とい
うものが利用出来るため精度の高い有音・無音判
定が実現できる。

第７図は、男性話者が／soba／（「そば」）と
発声した場合（ａ）対数全帯域パワーLPWと
（ｂ）２つの線形判別関数の値FX₁，FX₂を示し
たものである。FX₁（実線）は無音／無声子音を
判別する線形判別関数であり、FX₂（破線）は無
音／有声子音を判別する線形判別関数である。第
７図のLPWは語頭の／ｓ／及び語中の／ｂ／の
一部でE₂より大きくE₁より小さい不定領域の値
を示すが、線形判別関数FX₁，FX₂のいずれかが
正の値を示すため正しく有音と判定される。この
ように本実施例による方法では信号のエネルギー
レベルの小さな無声子音や有声子音も帯域フイル
タ出力というスペクトル情報を用いた線形判別関
数により正しく判定することが出来る。

また、約１秒程度の単語200語の音声データを
用い有音／無音判定実験を行つたところ、96.8％
という高い正解率を得ることが出来た。さらに同
じ音声データにSN比が20dB程度になるようにホ
ワイトノイズを付加し同様の実験を行なつた結果
正解率はほとんど低下せず、環境騒音学習の効果
が有効であることを認識することが出来た。

なお、前記実施例ではエネルギーレベルでは不
定である場合、パワースペクトルの統計的距離尺
度を用いて判定を行なう場合について述べたが、
スペクトル形状の比較で判定するものであつても
もちろん良い。

また統計的距離尺度として線形判別関数を用い
た場合について説明したが統計的距離尺度として
マハラノビス距離、ベイズ判定に基ずく尺度を用
いても良い。

さらに、パワースペクトルを求める方法として
低域・中域・高域の３つの帯域通過フイルタを用
いた場合について説明したが、帯域をより細くし
た帯域通過フイルタ群を用いたり、FFTなどの
スペクトル分析法を用いても良い。

発明の効果以上要するに本発明は音声を含む信号のパワー
スペクトルから、環境騒音学習により得られた環
境騒音のスペクトル成分を除去したパワースペク
トルをパラメータとして用い、第１の方法として
前記パラメータの和で表わされる信号のエネルギ
ーレベルと閾値との比較による判定を行い、前記
第１の方法による判定が不定のものについて、第
２の方法として前記パラメータとあらかじめ標準
環境において多数の話者が発声した音声のうち信
号のエネルギーレベルが前記第１の判定方法で不
定と判定されるレベルの区間の無音・無声子音・
有声子音のスペクトルの統計的分布を表現するよ
うに作成されている３つの標準パターンとの類似
度を統計的距離尺度を用いて判定を行うことによ
り有音・無音の判定を行うことを特徴とする有
音・無音判定法を提供するもので、使用環境の変
化や騒音による性能劣化の少ない、高い精度の判
定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図は従来の有音・無音判定を含む音声区間
検出方法を説明するブロツク図、第２図は信号雑
音比約40dBの場合の零交差回数の頻度分布図、
第３図は音声信号のエネルギー変化と零交差回数
の変化を示す図、第４図は信号雑音比が約20dB
となるようにホワイトノイズが付加された場合の
零交差回数の頻度分布を無音・無声子音・有声子
音に分けて示した図、第５図は本発明の一実施例
における有音・無音判定法を説明するための音声
区間検出部のブロツク図、第６図は本発明の一実
施例における有音・無音判定法のフローチヤー
ト、第７図は本発明の一実施例における判定法の
パワーレベルの変化と２つの線形判別関数の値の
変化を示す図である。８……マイク、９，１０，１１……帯域通過フ
イルタ、１２……整流平滑部、１３……マルチプ
レクサ、１４……環境騒音学習部、１５……環境
騒音除去部、１６……エネルギーによる判定部、
１７……エネルギー閾値メモリ、１８……統計的
距離尺度による判定部、１９……標準パターンメ
モリ。

Claims

【特許請求の範囲】１音声を含む信号のパワースペクトルから、環
境騒音学習により得られた環境騒音のスペクトル
成分があらかじめ定めた標準環境の雑音のスペク
トルと同じになるように補正する係数を差し引い
たパワースペクトルを算出し、第１の方法として
前記パワースペクトルの和で表される信号のエネ
ルギーレベルと閾値との比較による判定を行い、
前記第１の方法による判定が無音であるか有音で
あるか不定の区間について、第２の方法として前
記パワースペクトルとあらかじめ標準環境におい
て多数の話者が発声した音声のうち信号のエネル
ギーレベルが前記第１の判定方法で不定と判定さ
れるレベルの区間の無音・無声子音・有声子音の
スペクトルの統計的分布を表現するように作成さ
れている標準パターンとの類似度を統計的距離尺
度を用いて判定を行うことにより有音・無音の判
定を行うことを特徴とする有音・無音判定法。２統計的距離尺度が線形判別関数、マハラノビ
ス距離、ベイス判定に基づく尺度のいずれかであ
ることを特徴とする特許請求の範囲第１項記載の
有音・無音判定法。