JP2000214872A - 音声検出装置 - Google Patents

Abstract

(57)【要約】 【課題】 ノイズレベルの影響をうけにくく、入力信号
中の音声区間を安定して検出することが可能な音声検出
装置を実現する。 【解決手段】 ノイズレベル算出部１１は入力信号のノ
イズレベルを算出し、しきい値算出部１２は、ノイズレ
ベルに応じたパワーしきい値、音声検出パラメータのし
きい値、音声開始点補正パラメータを算出する。検出パ
ラメータ算出部１３はパワーの標準偏差等の音声検出パ
ラメータを算出し、音声開始点検出部１４は音声開始点
を検出する。音声開始点補正部１５は音声開始点補正パ
ラメータを用いて音声開始点を補正する。音声検出部１
６は、補正された音声開始点以降の入力信号を対象とし
て、音声検出パラメータしきい値と音声検出パラメータ
を用いて、音声区間の検出をする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識装置や音
声作動型音声記録装置等の前処理として入力信号中の音
声区間を検出する音声検出装置に関する。

【０００２】

【従来の技術】音声認識を行うには、まず入力信号から
実際に人の音声が含まれる音声区間の検出を行う必要が
ある。その後、あらかじめ蓄えている標準モデルとのマ
ッチングを行って音声認識結果を得ることができる。こ
のため、音声区間の検出の正確さが音声の認識率を左右
する。

【０００３】図２は、音声を含む入力信号のパワーの時
間的変動をノイズがある場合とない場合について示して
いる。従来の音声検出装置では、入力信号のパワーがし
きい値を超えている区間が音声区間であると判断してい
た。しきい値は、ノイズのパワーの平均値（ノイズレベ
ル）を数倍した値に設定される。ノイズレベルは、入力
信号のレベルが低く、非音声区間だと考えられる区間の
入力信号をノイズと見なすことにより求めることができ
る。また、入力信号の一定時間内のパワーの標準偏差
（以下、パワーの標準偏差という）を音声区間の検出に
用いる場合もあった。パワーの標準偏差は、パワーの変
動が大きいときには大きくなり、音声が入力され始めた
ときの立ち上がりが顕著であるためである。図３は、パ
ワーの標準偏差の時間的変動をノイズがある場合とない
場合について示している。パワーの標準偏差は、非音声
区間においてはノイズレベルの大小にかかわらず、ほぼ
０である。したがって、入力信号を音声あるいは非音声
であると判定することが、非常に容易である。パワーの
標準偏差を音声区間の検出に用いる時は、しきい値はノ
イズのパワーの標準偏差の平均値を数倍した値に設定さ
れる。

【０００４】

【発明が解決しようとする課題】ところが、従来の音声
検出装置には、以下のような問題があった。

【０００５】パワーを音声区間検出のためのパラメータ
として用いた場合、ノイズレベルが高くなるとそれに従
ってノイズレベルの数倍として設定されるしきい値も高
くなり、検出された音声区間の始端が実際の音声区間の
始端よりも遅れたり、音声区間の検出ができなくなった
りするという問題があった。

【０００６】一方、パワーの標準偏差にも、パワーの値
の大きさに比例して大きくなるという短所があるため、
ノイズレベルが高くなるほどノイズ部分のパワーの標準
偏差が大きくなり、その結果、ノイズ部分のパワーの標
準偏差の平均値を数倍した値として設定されるしきい値
も高くなり、パワーの標準偏差を音声区間検出のパラメ
ータとして用いた場合にも、前述のようにパワーを音声
区間検出のパラメータとして用いた場合の問題が、程度
は小さいながらも生じるという問題があった。

【０００７】また、音声区間の始端が検出された後、パ
ワーは一定値以上あるにもかかわらずパワーの変動が少
ない場合は、パワーの標準偏差が低下して音声区間終端
検出用のしきい値を下回ることがある。このようなと
き、音声区間が終了したものとして誤って判定されると
いう問題がまれにあった。

【０００８】前記問題に鑑み、本発明は、ノイズレベル
の影響を受けにくく、安定した音声区間検出が行える音
声検出装置を提供することを課題とする。

【０００９】

【課題を解決するための手段】前記課題を解決するた
め、請求項１の発明の解決手段は、入力信号中の音声区
間を検出する音声検出装置として、前記入力信号のパワ
ーが一定値以下である区間において、前記入力信号のパ
ワーを平均してノイズレベルを算出するノイズレベル算
出手段と、前記ノイズレベルに基づき、パワーによる音
声開始点の検出に用いるパワーしきい値と、前記パワー
による音声開始点を補正する音声開始点補正パラメータ
と、音声区間の検出に用いる音声検出パラメータしきい
値とを算出するしきい値算出手段と、前記入力信号のパ
ワーから音声検出パラメータを算出する検出パラメータ
算出手段と、前記入力信号のパワーと前記パワーしきい
値とを用いて、前記パワーによる音声開始点を検出する
音声開始点検出手段と、前記音声開始点検出手段で検出
された前記パワーによる音声開始点を前記音声開始点補
正パラメータを用いて補正し、補正された音声開始点を
求める音声開始点補正手段と、前記補正された音声開始
点以降の前記入力信号を対象として、前記音声検出パラ
メータと前記音声検出パラメータしきい値とを用いて音
声区間の検出をする音声検出手段とを備えるものであ
る。

【００１０】請求項１の発明によると、ノイズレベルに
応じて音声開始点の検出、補正をし、かつ補正された音
声開始点を基準点として、音声検出パラメータとノイズ
レベルに応じた音声検出パラメータしきい値を用いて音
声区間の検出をすることにより、ノイズレベルの影響を
受けにくく安定した音声区間検出が可能となる。

【００１１】また、請求項２の発明では、請求項１記載
の音声検出装置において、前記音声検出パラメータは前
記入力信号のパワーの一定時間内の標準偏差であること
としたものである。

【００１２】請求項２の発明によると、ノイズレベルの
大小はパワーの標準偏差にはあまり影響しないため、音
声検出パラメータとしてパワーの標準偏差を用いること
により、ノイズレベルの影響を受けにくく安定した音声
区間検出が可能となる。

【００１３】さらに、請求項３の発明では、請求項１記
載の音声検出装置において、前記音声検出パラメータ
は、前記入力信号のパワーの一定時間内の標準偏差が前
記入力信号のパワーの一定時間内の平均値で正規化され
たものであることとしたものである。

【００１４】請求項３の発明によると、パワーの標準偏
差はパワーの平均値で正規化するとその大きさがパワー
の大きさの影響を受けなくなるため、音声検出パラメー
タとしてパワーの標準偏差をパワーの平均値で正規化し
たものを用いることにより、ノイズレベルの影響を受け
にくく安定した音声区間検出が可能となる。

【００１５】また、請求項４の発明では、請求項１記載
の音声検出装置において、前記音声検出パラメータは、
前記入力信号のパワーと前記入力信号のパワーの一定時
間内の標準偏差とであって、前記入力信号のパワーと前
記標準偏差とが前記しきい値算出手段で求められたそれ
ぞれのしきい値以下にともに低下する場合に音声区間の
終端を検出することとしたものである。

【００１６】請求項４の発明によると、音声検出パラメ
ータとしてパワーとパワーの標準偏差とを併せて用いる
ことにより、入力信号に十分なパワーがあるにもかかわ
らず音声区間の終端が誤って検出されることを防ぐこと
ができる。

【００１７】さらに、請求項５の発明では、請求項１記
載の音声検出装置において、前記音声検出パラメータ
は、前記入力信号のパワーと前記入力信号のパワーの一
定時間内の標準偏差が前記入力信号のパワーの一定時間
内の平均値で正規化されたものとであって、前記入力信
号のパワーと前記正規化された標準偏差とが前記しきい
値算出手段で求められたそれぞれのしきい値以下にとも
に低下する場合に音声区間の終端を検出することとした
ものである。

【００１８】請求項５の発明によると、音声検出パラメ
ータとしてパワーとパワーの標準偏差をパワーの平均値
で正規化したものとを併せて用いることにより、入力信
号に十分なパワーがあるにもかかわらず音声区間の終端
が誤って検出されることを防ぐことができる。

【００１９】また、請求項６の発明では、請求項１記載
の音声検出装置において、前記パワーしきい値は、前記
ノイズレベルを変数とする関数によって求められること
としたものである。

【００２０】請求項６の発明によると、きめ細かくノイ
ズレベルに応じたパワーしきい値を求めることができ
る。

【００２１】また、請求項７の発明では、請求項１記載
の音声検出装置において、前記音声開始点補正パラメー
タは、前記ノイズレベルを変数とする関数によって求め
られることとしたものである。

【００２２】請求項７の発明によると、きめ細かくノイ
ズレベルに応じた音声開始点補正パラメータを求めるこ
とができる。

【００２３】さらに、請求項８の発明では、請求項１記
載の音声検出装置において、前記音声検出パラメータし
きい値は、前記ノイズレベルを変数とする関数によって
求められることとしたものである。

【００２４】請求項８の発明によると、きめ細かくノイ
ズレベルに応じた音声検出パラメータしきい値を求める
ことができる。

【００２５】

【発明の実施の形態】以下、本発明の各実施形態に係る
音声検出装置について、図面を参照しながら説明する。

【００２６】（第１の実施形態）図１は本発明の第１の
実施形態に係る音声検出装置の構成を示している。図１
の音声検出装置は、ノイズレベル算出手段としてのノイ
ズレベル算出部１１と、しきい値算出手段としてのしき
い値算出部１２と、検出パラメータ算出手段としての検
出パラメータ算出部１３と、音声開始点検出手段として
の音声開始点検出部１４と、音声開始点補正手段として
の音声開始点補正部１５と、音声検出手段としての音声
検出部１６と、テーブル１７と、関数１８とを備えてい
る。

【００２７】ノイズレベル算出部１１は、入力された信
号からノイズレベルを算出する。例えば、入力信号のパ
ワーが一定のレベルを下回る状態が一定時間以上続くと
きに、パワーの平均値を算出し、これをノイズレベルと
することができる。

【００２８】しきい値算出部１２は、ノイズレベル算出
部１１で求めたノイズレベルの値に応じて、パワーによ
る音声開始点検出に用いるパワーしきい値ＰＬと、パワ
ーによる音声開始点ＴＰ１を補正する音声開始点補正パ
ラメータＰＡと、音声区間の始端と終端の検出に用いる
音声検出パラメータしきい値とを算出する。ここでは、
音声検出パラメータとしてパワーの標準偏差を用いる場
合を考えることとし、しきい値算出部１２は、音声検出
パラメータしきい値として、音声区間始端検出用にパワ
ーの標準偏差のしきい値Ｄ１と、終端検出用にパワーの
標準偏差のしきい値Ｄ２とを算出する。これらのしきい
値と音声開始点補正パラメータＰＡは、あらかじめ定め
ておいたテーブル１７を参照して、ノイズレベル算出部
１１で求めたノイズレベルに応じて求めることができ
る。図４はテーブル１７の一例を示している。図４で
は、テーブル１７にしきい値係数が設定されている場合
を示しており、各しきい値は、これらのしきい値係数に
ノイズレベルを掛けることにより求められる。もちろ
ん、テーブル１７にしきい値そのものが設定されていて
もよい。

【００２９】また、これらのしきい値と音声開始点補正
パラメータＰＡは、関数１８により求めることもでき
る。図５は、音声検出パラメータとしてのパワーの標準
偏差の音声区間終端検出用しきい値係数と音声開始点補
正パラメータＰＡとを関数１８で求める例を示してい
る。パワーの標準偏差の音声区間終端検出用しきい値Ｄ
２等のしきい値は、求められたしきい値係数にノイズレ
ベルを掛けることにより求められる。ここでは関数の例
として、音声区間終端検出用音声検出パラメータしきい
値係数と音声開始点補正パラメータとをノイズレベルの
１次関数として求める簡単なものを示したが、これに限
らず、ノイズレベルの２次関数等を用いることもでき
る。さらに、ある範囲のノイズレベルごとに離散的な値
をとる関数を用いることもできる。

【００３０】検出パラメータ算出部１３は、パワーと、
音声検出パラメータとしてのパワーの標準偏差とを算出
する。図２はパワーの時間的変化を表すグラフ、図３は
パワーの標準偏差の時間的変化を表すグラフを示してい
る。

【００３１】以上で求められた各しきい値等を用いて、
ノイズを含んだ入力信号から音声区間の検出を行う。

【００３２】図２に示されているように、音声開始点検
出部１４は、パワーがパワーしきい値ＰＬを越えた時点
を音声開始点ＴＰ１とする。また、音声開始点補正部１
５は、音声開始点ＴＰ１から音声開始点補正パラメータ
ＰＡの分だけさかのぼった時点を、補正された音声開始
点Ｔ０とする。この補正された音声開始点Ｔ０を基準点
とし、これより後の入力信号を対象に音声区間の検出を
行う。

【００３３】音声検出部１６は、パワーの標準偏差に基
づいて、音声区間の検出を行う。図３に示されているよ
うに、音声検出部１６は、補正された音声開始点Ｔ０以
後で初めてパワーの標準偏差が音声区間始端検出用のパ
ワーの標準偏差のしきい値Ｄ１を越えた時点を検出し、
これを音声区間の始端ＴＤ１とするとともに、パワーの
標準偏差が音声区間終端検出用のパワーの標準偏差のし
きい値Ｄ２を下回った時点を検出し、これを音声区間の
終端ＴＤ２とする。つまり、音声区間はＴＤ１からＴＤ
２の間であるとして検出される。

【００３４】以上説明したように、第１の実施形態によ
ると、パワーしきい値と、音声開始点補正パラメータ
と、音声検出パラメータとして用いるパワーの標準偏差
のしきい値とをノイズレベルに応じて求めるため、ノイ
ズの影響をあまり受けることなく音声区間の検出を行う
ことができる。

【００３５】（第２の実施形態）本発明の第２の実施形
態は、第１の実施形態における音声検出パラメータとし
て、パワーの標準偏差を一定時間内の平均パワーで割っ
て正規化したものを用いるものである。

【００３６】図１において、しきい値算出部１２は、音
声区間の始端と終端検出用に、平均パワーで正規化され
たパワーの標準偏差のしきい値Ｎ１、Ｎ２を各々求め
る。検出パラメータ算出部１３は、平均パワーで正規化
されたパワーの標準偏差を求める。ノイズレベル算出部
１１、音声開始点検出部１４、音声開始点補正部１５、
音声検出部１６、テーブル１７、関数１８はそれぞれ第
１の実施形態における同一番号の構成物と同じ作用をす
るものである。

【００３７】図６は、平均パワーで正規化されたパワー
の標準偏差の時間的変化を示している。音声検出部１６
は、補正された音声開始点Ｔ０以後で初めて平均パワー
で正規化されたパワーの標準偏差が音声区間始端検出用
のしきい値Ｎ１を越えた時点を検出し、これを音声区間
の始端ＴＮ１とするとともに、平均パワーで正規化され
たパワーの標準偏差が音声区間終端検出用のしきい値Ｎ
２を下回った時点を検出し、これを音声区間の終端ＴＮ
２とする。

【００３８】以上説明したように、第２の実施形態によ
ると、パワーの標準偏差を平均パワーで正規化すること
により、パワーの標準偏差がパワーに対する依存性を持
たなくなるため、ノイズレベルが非常に高い劣悪な環境
下での音声区間検出をより確実に行うことができる。

【００３９】（第３の実施形態）音声区間中であり、入
力信号のパワーが十分あっても、パワーの変動が小さい
ためパワーの標準偏差が小さくなることがあり、音声区
間が終了したものとして誤検出されることがある。この
ような誤検出を防ぐため、本発明の第３の実施形態は、
音声区間終端の検出の際に、第１の実施形態における音
声検出パラメータとして、パワーの標準偏差とともにパ
ワーをも併せて用いるものである。

【００４０】図１において、音声検出部１６は、パワー
の標準偏差がしきい値を下回り、かつ、パワーがしきい
値を下回った場合にのみ、音声区間の終端を検出する。
ノイズレベル算出部１１、しきい値算出部１２、検出パ
ラメータ算出部１３、音声開始点検出部１４、音声開始
点補正部１５、テーブル１７、関数１８はそれぞれ第１
の実施形態における同一番号の構成物と同じ作用をする
ものである。

【００４１】図７は、パワーの標準偏差の時間的変化を
示している。図７において、ＴＤ１はパワーの標準偏差
が増加して音声区間始端検出用しきい値Ｄ１を越える時
点、ＴＤ２とＴＤ３とはパワーの標準偏差が低下して音
声区間終端検出用しきい値Ｄ２を下回る時点である。実
際の音声区間がＴＤ１からＴＤ２である場合であって
も、パワーの変動が小さいためパワーの標準偏差が低下
し、音声区間終端検出用のしきい値Ｄ２を下回った場
合、このしきい値Ｄ２を下回った時点ＴＤ３が音声区間
の終端として誤検出されてしまうのを防ぐため、音声検
出部１６は、パワーの標準偏差が低下して音声区間終端
検出用のしきい値Ｄ２を下回り、かつ、パワーが図２に
おけるパワーしきい値ＰＬを下回った場合にのみ、音声
区間の終端を検出する。

【００４２】なお、音声区間の終端を検出するために、
パワーによる音声開始点検出に用いるパワーしきい値Ｐ
Ｌを用いることとしたが、これの代わりに音声区間終端
検出用のパワーしきい値を別に求めておいて用いてもよ
い。また、音声検出パラメータとして、パワーの標準偏
差を用いず、パワーと、平均パワーで正規化されたパワ
ーの標準偏差とを併せて用いる場合にも同様の効果が得
られる。すなわち、平均パワーで正規化されたパワーの
標準偏差が低下し、図６における音声区間終端検出用の
しきい値Ｎ２を下回り、かつ、パワーが図２におけるパ
ワーしきい値ＰＬを下回った場合にのみ、音声区間の終
端を検出することとしてもよい。

【００４３】以上説明したように、第３の実施形態によ
ると、音声区間終端の検出に入力信号のパワーを併せて
用いることにより、入力信号に十分なパワーがあるにも
かかわらず音声区間の終端が誤って検出されることを防
ぐことができる。

【００４４】

【発明の効果】以上のように、本発明は、パワーしきい
値と、音声開始点補正パラメータと、音声検出パラメー
タしきい値とをノイズレベルに応じて求めるため、ノイ
ズレベルの影響をうけにくく、安定した音声区間検出を
することができる。

【００４５】また、音声検出パラメータとして平均パワ
ーで正規化されたパワーの標準偏差を用いることによ
り、ノイズレベルが非常に高い劣悪な環境下での音声区
間検出をより確実に行うことができる。

【００４６】さらに、音声区間終端の検出に入力信号の
パワーを併せて用いることにより、音声区間の終端が誤
って検出されることを防ぐことができる。

【図面の簡単な説明】

【図１】本発明の実施形態に係る音声検出装置の構成を
示すブロック図である。

【図２】入力信号のパワーの時間的変動とパワーしきい
値とを示すグラフである。

【図３】入力信号の一定時間内のパワーの標準偏差の時
間的変動とそのしきい値とを示すグラフである。

【図４】しきい値算出部で用いられるノイズレベル毎の
各しきい値係数（しきい値）と音声開始点補正パラメー
タとを求めるためのテーブルの一例である。

【図５】しきい値算出部で用いられるノイズレベル毎の
各しきい値係数（しきい値）と音声開始点補正パラメー
タとを求めるための関数の一例である。

【図６】入力信号の一定時間内の平均パワーで正規化さ
れた一定時間内のパワーの標準偏差の時間的変動とその
しきい値とを示すグラフである。

【図７】入力信号の一定時間内のパワーの標準偏差が低
下し、音声区間の終端が誤って検出される場合を示すグ
ラフである。

【符号の説明】

１１ ノイズレベル算出部（ノイズレベル算出手段） １２ しきい値算出部（しきい値算出手段） １３ 検出パラメータ算出部（検出パラメータ算出手
段） １４ 音声開始点検出部（音声開始点検出手段） １５ 音声開始点補正部（音声開始点補正手段） １６ 音声検出部（音声検出手段） １７ テーブル １８ 関数 ＰＬ パワーしきい値 ＴＰ１ パワーによる音声開始点 ＰＡ 音声開始点補正パラメータ Ｔ０ 補正された音声開始点 Ｄ１ 音声区間始端検出用のパワーの標準偏差のしきい
値 Ｄ２ 音声区間終端検出用のパワーの標準偏差のしきい
値 Ｎ１ 音声区間始端検出用の平均パワーで正規化された
パワーの標準偏差のしきい値 Ｎ２ 音声区間終端検出用の平均パワーで正規化された
パワーの標準偏差のしきい値 ＴＤ１、ＴＮ１ 音声区間の始端 ＴＤ２、ＴＮ２ 音声区間の終端 ＴＤ３ 誤って検出された音声区間の終端

───────────────────────────────────────────────────── フロントページの続き (72)発明者 中藤 良久 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 (72)発明者 片山 大朗 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 (72)発明者 芹川 光彦 大阪府門真市大字門真1006番地 松下電器 産業株式会社内 Ｆターム(参考） 5D015 DD04

Claims (8)

【特許請求の範囲】
1. 【請求項１】 入力信号中の音声区間を検出する音声検
   出装置であって、 前記入力信号のパワーが一定値以下である区間におい
   て、前記入力信号のパワーを平均してノイズレベルを算
   出するノイズレベル算出手段と、 前記ノイズレベルに基づき、パワーによる音声開始点の
   検出に用いるパワーしきい値と、前記パワーによる音声
   開始点を補正する音声開始点補正パラメータと、音声区
   間の検出に用いる音声検出パラメータしきい値とを算出
   するしきい値算出手段と、 前記入力信号のパワーから音声検出パラメータを算出す
   る検出パラメータ算出手段と、 前記入力信号のパワーと前記パワーしきい値とを用い
   て、前記パワーによる音声開始点を検出する音声開始点
   検出手段と、 前記音声開始点検出手段で検出された前記パワーによる
   音声開始点を前記音声開始点補正パラメータを用いて補
   正し、補正された音声開始点を求める音声開始点補正手
   段と、 前記補正された音声開始点以降の前記入力信号を対象と
   して、前記音声検出パラメータと前記音声検出パラメー
   タしきい値とを用いて音声区間の検出をする音声検出手
   段とを備えた音声検出装置。
2. 【請求項２】 請求項１記載の音声検出装置において、 前記音声検出パラメータは前記入力信号のパワーの一定
   時間内の標準偏差であることを特徴とする音声検出装
   置。
3. 【請求項３】 請求項１記載の音声検出装置において、 前記音声検出パラメータは、前記入力信号のパワーの一
   定時間内の標準偏差が前記入力信号のパワーの一定時間
   内の平均値で正規化されたものであることを特徴とする
   音声検出装置。
4. 【請求項４】 請求項１記載の音声検出装置において、 前記音声検出パラメータは、前記入力信号のパワーと前
   記入力信号のパワーの一定時間内の標準偏差とであっ
   て、前記入力信号のパワーと前記標準偏差とが前記しき
   い値算出手段で求められたそれぞれのしきい値以下にと
   もに低下する場合に音声区間の終端を検出することを特
   徴とする音声検出装置。
5. 【請求項５】 請求項１記載の音声検出装置において、 前記音声検出パラメータは、前記入力信号のパワーと前
   記入力信号のパワーの一定時間内の標準偏差が前記入力
   信号のパワーの一定時間内の平均値で正規化されたもの
   とであって、前記入力信号のパワーと前記正規化された
   標準偏差とが前記しきい値算出手段で求められたそれぞ
   れのしきい値以下にともに低下する場合に音声区間の終
   端を検出することを特徴とする音声検出装置。
6. 【請求項６】 請求項１記載の音声検出装置において、 前記パワーしきい値は、前記ノイズレベルを変数とする
   関数によって求められることを特徴とする音声検出装
   置。
7. 【請求項７】 請求項１記載の音声検出装置において、 前記音声開始点補正パラメータは、前記ノイズレベルを
   変数とする関数によって求められることを特徴とする音
   声検出装置。
8. 【請求項８】 請求項１記載の音声検出装置において、 前記音声検出パラメータしきい値は、前記ノイズレベル
   を変数とする関数によって求められることを特徴とする
   音声検出装置。