JP2000310993A

JP2000310993A - 音声検出装置

Info

Publication number: JP2000310993A
Application number: JP11121457A
Authority: JP
Inventors: Ikuo Fujita; 育雄藤田
Original assignee: Pioneer Electronic Corp
Current assignee: Pioneer Corp
Priority date: 1999-04-28
Filing date: 1999-04-28
Publication date: 2000-11-07

Abstract

(57)【要約】【課題】雑音の無い音声信号を検出・抽出して音声認識
する。【解決手段】マイクロフォン２で集音し、対数パワー
演算部４が音声データＤｉに基づいて対数パワーＰ
（ｔ）を生成する。音声区間決定部５が、周囲環境の雑
音レベルより高レベルの第１の閾値と、雑音レベルより
若干高く且つ第１の閾値より低レベルの第２の閾値に基
づいて対数パワーＰ（ｔ）のレベルを比較し、第２の閾
値より高レベルの対数パワーＰ（ｔ）のうち、時間的に
連続して第１の閾値より高レベルに変化する対数パワー
Ｐ（ｔ）が得られたときの音声データＤｉを発話音声と
して検出する。そして、特徴抽出部６が、発話音声とし
て検出された音声データＤｉに基づいて特徴抽出を行
い、特徴ベクトルＶ（ｔ）のデータを記憶部７に記憶さ
せ、更に、音声認識部８が、特徴ベクトルＶ（ｔ）のデ
ータに基づいて音声認識し、その認識結果ＤＪを信号処
理部９へ出力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、発話された音声を
検出し雑音を除去して抽出する音声検出装置に関する。

【０００２】

【従来の技術】近年、高速な信号処理を可能とする集積
回路装置が開発され、かかる集積回路装置を用いた音声
認識システムが電子機器に適用されつつある。一般の音
声認識システムでは、発話された音声の特徴を特徴抽出
し、その抽出した特徴情報に基づいて語彙を認識するこ
とで、所謂音声認識が行われている。ここで、音声認識
率を高めるために、各種の文献において様々な音声認識
アルゴリズムが開示されているが、これらのアルゴリズ
ムを適用するための前提として、発話された音声を忠実
に検出し、且つ雑音を取り除いて抽出する必要がある。
また、話者に対してリアルタイムの応答を可能にするマ
ンマシンシステムを実現する場合には、音声を高速に検
出して抽出する必要がある。

【０００３】図８は、従来の音声検出方法を示した模式
図である。同図（ａ）において、発話された音声（以
下、単に音声という）をマイクロフォンで集音し、これ
によって得られる電気信号（音声信号）を所定周期毎に
積算すると共に、その積算値の対数を求めることによ
り、音声信号の上記所定期間毎における対数パワーＰ
（ｔ）を生成している。

【０００４】そして、上記所定周期毎に生成される対数
パワーＰ（ｔ）の変化を所定の閾値ＴＨＤと比較し、対
数パワーＰ（ｔ）のレベルが閾値ＴＨＤより大きくなる
区間を音声区間、閾値ＴＨＤより低レベルとなる区間を
雑音区間と判定することにより、音声成分と雑音成分を
判別し、音声区間内の音声信号のみを発話された音声成
分として抽出している。

【０００５】すなわち、集音によって得られる音声信号
のうち、対数パワーＰ（ｔ）のレベルが閾値ＴＨＤより
高くなった区間において得られる音声信号を真の音声成
分として判別し、対数パワーＰ（ｔ）のレベルが閾値Ｔ
ＨＤより低くなった区間において得られる音声信号は雑
音成分であるとして除去するようにしていた。

【０００６】

【発明が解決しようとする課題】しかしながら、上記従
来の音声検出方法では、音声成分と雑音成分との判別精
度が十分ではなかった。このため、音声成分を忠実に検
出して抽出することが困難であった。

【０００７】例えば図８（ｂ）に示すように、閾値ＴＨ
Ｄを低く設定して音声区間の開始時点ｔsと終了時点ｔe
の間隔を広げるようにすると、音声成分の欠落を回避す
ることに寄与することになるが、その反面で、雑音を含
んだ対数パワーＰ（ｔ）の判定基準が下がることになっ
てしまうため、音声信号中の雑音を音声成分と誤判定し
て抽出してしまうという問題があった。

【０００８】一方、図８（ｃ）に示すように、音声信号
中の雑音を誤って抽出するのを回避するために閾値ＴＨ
Ｄを高くすると、音声区間（音声の切り出し区間）が狭
まってしまうため、音声信号中の必要な音声成分を忠実
に抽出できなくなるという問題があった。

【０００９】本発明は上記従来の問題点を克服するため
になされたものであり、雑音を除去して音声成分を精度
よく検出・抽出すると共に、検出と抽出を高速に行う音
声検出装置を提供することを目的とする。

【００１０】

【課題を解決するための手段】上記目的を達成するため
本発明は、音を音声信号に変換して出力する音検知手段
と、上記音声信号の電力成分信号を生成する電力変換手
段と、所定レベルよの第１の閾値と、上記第１の閾値よ
り低レベルの第２の閾値に基づいて上記電力成分信号の
レベルを比較し、上記第２の閾値より高レベルの電力成
分信号を検出すると、上記音声信号のうち、時間的に連
続して第１の閾値より高レベルに変化する音声信号を発
話音声として検出して抽出する音声区間決定手段と、上
記音声区間決定手段において発話音声として検出される
上記音声信号に基づいて音声の特徴情報を抽出する特徴
抽出手段とを具備する構成とした。

【００１１】かかる構成によると、電力成分信号が第２
の閾値より低レベルとなった場合には、その電力成分信
号を生成するための元になった音声信号を雑音として除
去し、電力成分信号が第２の閾値より高レベル又は第１
の閾値より高レベルとなった場合には、その電力成分信
号を生成するための元になる音声信号を発話された音声
成分として検出して抽出する。

【００１２】ここで、電力成分信号が第２の閾値より高
レベルとなった後に再び第２の閾値より低レベルとなっ
た場合には、そのときの音声信号は雑音として除去す
る。すなわち、第２の閾値より高レベルとなった電力成
分信号が時間的に連続して第１の閾値より高レベルとな
った場合に、その連続した時間範囲内の音声信号を本来
の発話音声として検出して抽出する。そして、本来の発
話音声として検出・抽出された音声信号に基づいて、特
徴抽出手段が音声の特徴情報を抽出する。

【００１３】また、上記特徴抽出手段が抽出する上記特
徴情報を記憶する記憶手段を備え、上記音声区間決定部
は、上記記憶手段に記憶された特徴情報のうち、上記電
力成分信号のレベルが上記第１の閾値を最初に超えた時
点より前の所定時点以降の特徴情報を、上記発話音声の
特徴情報として設定する構成とした。

【００１４】かかる構成によれば、第２の閾値より高レ
ベルとなった電力成分信号中に第２の閾値より高レベル
の雑音が含まれていて、その雑音の含まれた電力成分信
号が第２の閾値より低レベルにならないまま時間的に連
続して第１の閾値より高レベルとなった場合を検出す
る。そして、電力成分信号が第１の閾値より最初に高レ
ベルとなった時点を基準として、それより以前の所定時
点以降の音声信号を最終的に発話信号とする。この結
果、発話音声の前縁に雑音が混入する場合でも、雑音の
混入を最小限度に抑えて、本来の発話音声を抽出するこ
とができる。

【００１５】また、上記特徴抽出手段が抽出する上記特
徴情報を記憶する記憶手段を備え、上記音声区間決定部
は、上記記憶手段に記憶された特徴情報のうち、上記電
力成分信号のレベルが上記第１の閾値を最初に下回った
時点より以後の所定時点より前の特徴情報を、最終的に
上記発話音声の特徴情報として設定する構成とした。

【００１６】かかる構成によれば、第１の閾値より高レ
ベルとなった電力成分信号が再び第１の閾値より低レベ
ル（但し、第２の閾値より高レベル）となった場合にお
いて、そのときの音声信号に雑音が混入した場合を検出
する。そして、電力成分信号が第１の閾値より最初に低
レベルとなった時点を基準として、それより以降の所定
時点を設定して、その時点より前の音声信号を最終的に
発話信号とする。この結果、発話音声の後縁に雑音が混
入する場合でも、雑音の混入を最小限度に抑えて、本来
の発話音声を抽出する。

【００１７】また、上記特徴抽出手段が抽出する上記特
徴情報を記憶する記憶手段を備え、上記音声区間決定部
は、上記記憶手段に記憶された上記特徴情報のうち、上
記電力成分信号のレベルが上記第１の閾値を最初に超え
た時点より前の所定時点以降の特徴情報であって、且つ
上記電力成分信号のレベルが上記第１の閾値を最初に下
回った時点より以後の所定時点より前の特徴情報を、最
終的に上記発話音声の特徴情報として設定する構成とし
た。

【００１８】かかる構成によれば、話者の発声による音
声信号の前縁と後縁に雑音が混入した場合を検出し、雑
音の混入を最小限度に抑えて音声信号を抽出する。

【００１９】また、上記発話音声の特徴情報に基づいて
音声認識を行う音声認識手段を備える構成とした。ま
た、上記音声区間決定手段は、予め決められた所定周期
に同期して上記電力成分信号を生成し、上記音声認識手
段は、上記音声区間決定手段が上記発話音声の特徴情報
を設定するのに同期して、上記音声認識を行う構成とし
た。これらの構成によれば、発話音声の特徴情報を抽出
する度に音声認識が行われる。これによって、高速の音
声認識を可能にする。

【００２０】

【発明の実施の形態】以下、本発明の実施の形態を図１
ないし図８を参照して説明する。尚、一実施形態とし
て、音響機器やＧＰＳ（Global Positioning System）
航法を用いた車載用ナビゲーションシステム等において
音声操作を可能にする音声検出装置について説明する。

【００２１】（第１の実施の形態）図１は、本実施形態
の音声検出装置１の構成を示すブロック図である。本音
声検出装置１は、集音用のマイクロフォン２、前置処理
部３、対数パワー演算部４、音声区間決定部５、特徴抽
出部６、記憶部７及び音声認識部８を備えて構成されて
いる。音声認識部８が、認識結果を上記音響機器等を操
作するための信号処理部９へ出力するようになってい
る。尚、対数パワー演算部４と音声区間決定部５と特徴
抽出部６及び音声認識部８は、予め設定されたシステム
プログラムに従って動作するディジタリシグナルプロセ
ッサ（Digital signal Processor：ＤＳＰ）によって形
成されている。

【００２２】ここで、前置処理部３は、マイクロフォン
２から出力される電気信号（生の音声信号）を信号処理
可能なレベルに増幅して出力するプリアンプと、プリア
ンプから出力される上記音声信号のうち音声帯域（例え
ば、５０Ｈｚ〜４ｋＨｚの範囲）内の周波数成分を通過
させるバンドパスフィルタと、バンドパスフィルタを通
過した音声信号をナイキスト周波数以上のサンプリング
周波数ｆ（例えば、ｆ≒１１．０２５ｋＨｚ）に同期し
てディジタルの音声データＤｉに変換するＡ／Ｄ変換器
が備えられ、この音声データＤｉが対数パワー演算部４
に供給されている。

【００２３】対数パワー演算部４は、サンプリング周期
δＴ（＝１／ｆ）に同期して生じる音声データＤｉを所
定の期間Ｔｓ（例えば、１０ｍｓｅｃ）毎に積算し、そ
の積算値を対数演算することによって、上記音声信号の
所定期間Ｔｓ毎の対数パワーＰ（ｔ）を電力成分信号と
して生成して出力する。この期間Ｔｓをフレーム期間と
呼ぶこととし、次数（１）に示されるように、各フレー
ム期間Ｔｓ内で得られるＴｓ×ｆ個（整数個）の音声デ
ータＤｉの２乗加算値の対数値を、各フレーム期間Ｔｓ
における対数パワーＰ（ｔ）としている。

【００２４】

【数１】

【００２５】尚、対数パワーＰ（ｔ）の符号ｔは、各フ
レーム期間Ｔｓの時間経過方向における順番１，２，３
…等を示す整数の係数である。

【００２６】音声区間決定部５は、対数パワーＰ（ｔ）
中に含まれる雑音成分の対数パワーと音声成分の対数パ
ワー（以下、雑音成分のパワーを雑音パワー、音声成分
のパワーを音声パワーという）とを２個の閾値ＴＨＤ
１，ＴＨＤ２に基づいて判別する。そして、その判別結
果を特徴抽出部６に供給することにより、音声パワーの
生じるフレーム期間Ｔｓと雑音パワーの生じるフレーム
期間Ｔｓを知らせる。また、各フレーム周期Ｔｓにおい
て生成される各対数パワーＰ（ｔ）のデータを、後述す
る記憶部７の所定記憶領域に記憶させるようになってい
る。

【００２７】特徴抽出部６は、音声区間決定部５からの
上記判定結果に基づいて、音声パワーの生じるフレーム
期間Ｔｓ内に存在するＴｓ×ｆ個の音声データＤｉを抽
出し（切り出し）、これらの音声データＤｉを信号処理
することによって音声成分の特徴抽出を行う。尚、本実
施形態では、線形予測法の一つであるＬＰＣケプストラ
ム（Linear Predictive coding Cepstrum）法に基づい
て特徴抽出を行っている。つまり、２０次元程度の線形
係数を有するディジタルフィルタによって予め設定して
おいた音声生成モデルに音声データＤｉを導入し、その
線形結合で予測される２０次元程度のベクトル成分を、
音声成分のスペクトル包絡の特徴データ（以下、特徴ベ
クトルという）Ｖ（ｔ）として特徴抽出している。そし
て、この特徴ベクトルＶ（ｔ）を各フレーム期間Ｔｓに
同期して記憶部７へ供給する。

【００２８】また、雑音パワーの生じるフレーム期間Ｔ
ｓ内に存在するＴｓ×ｆ個の音声データＤｉについては
上記の切り出し処理を停止すると共に、上記の特徴抽出
の処理も停止する。したがって、雑音成分の発生期間で
は、特徴ベクトルＶ（ｔ）を出力しないようになってい
る。

【００２９】つまり、音声区間決定部５が対数パワーＰ
（ｔ）に基づいて音声成分の発生区間を判別すると、そ
の判別結果に基づいて特徴抽出部６が特徴ベクトルＶ
（ｔ）を生成して出力し、音声区間決定部５が対数パワ
ーＰ（ｔ）に基づいて雑音成分の発生区間を判別する
と、その判別結果に基づいて特徴抽出部６が特徴ベクト
ルＶ（ｔ）を生成しないことにしているので、記憶部７
には、音声成分の特徴ベクトルＶ（ｔ）だけが供給さ
れ、雑音成分は供給されないようになっている。

【００３０】記憶部７は、再記憶可能なランダムアクセ
スメモリ（ＲＡＭ）と、照合データが予め記憶された読
み出し専用メモリ（ＲＯＭ）を備えて構成されている。

【００３１】上記のＲＡＭには、特徴抽出部６からフレ
ーム周期Ｔｓに同期して転送されてくる特徴ベクトルＶ
（ｔ）を順番に記憶する記憶領域ＭＥＭと、音声認識処
理の際に各種データを一時的に格納したり、上記の対数
パワーＰ（ｔ）のデータを記憶するための作業領域等が
割り当てられている。

【００３２】上記のＲＯＭには、認識結果を照合するた
めの複数の語彙情報が照合データとして予め記憶されて
いる。例えば、話者が音声操作を行うための「スイッチ
オン」「スイッチオフ」「再生開始」「停止」等の各種
の語彙情報が記憶されている。また、本音声記憶装置１
が車載用ナビゲーシンシステムに適用される場合には、
地名や駅名等の地理に関する語彙情報も記憶されてい
る。

【００３３】音声認識部８は、ＲＡＭ中の憶領域ＭＥＭ
に記憶される特徴ベクトルＶ（ｔ）とＲＯＭ中の照合デ
ータとを照合することにより、発話された音声の音声情
報を認識する。そして、その認識結果のデータＤＪを信
号処理部９へ出力する。

【００３４】次に、かかる構成を有する音声検出装置１
の詳細な動作を図２に示すフローチャートと図４に示す
波形図及び図５に示すメモリマップを参照して説明す
る。尚、図４は、対数パワーＰ（ｔ）の変化を模式的に
示し、図５は記憶領域ＭＥＭのメモリマップを示してい
る。

【００３５】図２において、音声検出装置１が起動する
と、話者による発話の有無に拘わらず、マイクロフォン
２が集音を開始する（ステップＳ１００）。そして、マ
イクロフォン２からの音声信号を前置処理部３が音声デ
ータＤｉに変換し、更に対数パワー演算部４がフレーム
周期Ｔｓ毎に対数パワーＰ（ｔ）を生成して音声区間決
定部５に供給する。

【００３６】音声区間決定部５は、ステップＳ１０２，
Ｓ１０４において、話者による音声認識開始の指示がな
されるまで、各フレーム周期Ｔｓ毎の対数パワーＰ
（ｔ）を周囲環境の雑音レベルとして逐一計測する。そ
して、各対数パワーＰ（ｔ）を基準として、それより僅
かに高いレベルを第２の閾値ＴＨＤ２、更に、閾値ＴＨ
Ｄ２を基準としてそれより高い所定レベルを第１の閾値
ＴＨＤ１とすると共に、新たな対数パワーＰ（ｔ）が供
給される度に、第１，第２の閾値ＴＨＤ１，ＴＨＤ２を
更新する。

【００３７】尚、対数パワーＰ（ｔ）に対する第１，第
２の閾値ＴＨＤ１，ＴＨＤ２の設定値は、マイクロフォ
ン２や前置処理部３の電気特性を考慮して予め実験的に
決められている。具体例として、閾値ＴＨＤ２は対数パ
ワーＰ（ｔ）より５ｄＢ程度高く、閾値ＴＨＤ１は対数
パワーＰ（ｔ）より１０ｄＢ程度高く設定することとし
ている。

【００３８】音声認識開始の指示がなされると（ステッ
プＳ１０４）、最新に求められた第１，第２の閾値ＴＨ
Ｄ１，ＴＨＤ２を確定して、音声認識処理を開始する
（ステップＳ１０６）。

【００３９】次に、ステップＳ１０８において、音声区
間決定部５が、サンプリング周期δＴ毎に入力する対数
パワーＰ（ｔ）の順番を規定するための係数（正の整
数）ｔと、記憶領域ＭＥＭのアドレスを規定するための
係数（正の整数）ｋとを、ｔ＝１、ｋ＝１に設定する。
これにより、記憶領域ＭＥＭの先頭アドレスが指定され
る。

【００４０】次に、音声区間決定部５が、対数パワー演
算部４からの対数パワーＰ（ｔ）を入力し（ステップＳ
１１０）、対数パワーＰ（ｔ）の値と第２の閾値ＴＨＤ
２とを比較する（Ｓ１１２）。

【００４１】ここで、Ｐ（ｔ）＜ＴＨＤ２の場合（「Ｙ
ＥＳ」の場合）には、係数ｔを１カウントアップした後
（ステップＳ１１３）、ステップＳ１１０に戻って次の
対数パワーＰ（ｔ）を入力する。一方、Ｐ（ｔ）≧ＴＨ
Ｄ２の場合（「ＮＯ」の場合）には、ステップＳ１１４
へ移行する。すなわち、ステップＳ１１０〜Ｓ１１２に
より、未だ話者が発話していないときに生じる対数パワ
ーＰ（ｔ）を処理対象から除外している。

【００４２】次に、ステップＳ１１４において、上記入
力した対数パワーＰ（ｔ）を第１の閾値ＴＨＤ１と比較
する。ここで、Ｐ（ｔ）＜ＴＨＤ１のとき（「ＮＯ」の
とき）には、ステップＳ１１６に移行して、対数パワー
Ｐ（ｔ）を第２の閾値ＴＨＤ２と比較する。

【００４３】ステップＳ１１６において、Ｐ（ｔ）≧Ｔ
ＨＤ２の場合（「ＹＥＳ」の場合）にはステップＳ１１
７に移行する。ここで、特徴抽出部６が、Ｐ（ｔ）≧Ｔ
ＨＤ２の条件に該当するフレーム期間Ｔｓ内の音声デー
タＤｉに基づいて特徴ベクトルＶ（ｔ）を演算し、その
特徴ベクトルＶ（ｔ）を記憶領域ＭＥＭ（ｋ）に記憶さ
せる（ステップＳ１１８）。すなわち、最初に第２の閾
値ＴＨＤ２を超えた対数パワーＰ（ｔ）に該当するフレ
ーム期間Ｔｓでの特徴ベクトルＶ（１）が先頭アドレス
の記憶領域ＭＥＭ（１）に記憶される。

【００４４】次に、係数ｔ，ｋをそれぞれ１カウントア
ップし（ステップＳ１２０）、次の対数パワーＰ（ｔ）
を入力した後（ステップＳ１２２）、ステップＳ１１４
〜Ｓ１２２の処理を繰り返す。これにより、フレーム期
間Ｔｓ毎に求まる特徴ベクトルＶ（ｔ）が記憶領域ＭＥ
Ｍ（ｋ）に記憶される。

【００４５】ただし、このステップＳ１１４〜Ｓ１２２
の繰り返し処理の途中に、ステップＳ１２２において第
２の閾値ＴＨＤ２より低レベルの対数パワーＰ（ｔ）を
入力した場合には、ステップＳ１１６において、Ｐ
（ｔ）＜ＴＨＤ２と判定することになる。つまり、雑音
成分を判定することになり、ステップＳ１１６の判定
「ＮＯ」を通ってステップＳ１２４に移行し、係数ｔを
１カウントアップすると共に、係数ｋを１にリセットし
た後、ステップＳ１１０からの処理を実質的に再開す
る。

【００４６】このように、ステップＳ１０８〜Ｓ１２４
の処理を行うと、第２の閾値ＴＨＤ２より高レベルの対
数パワーＰ（ｔ）を入力した場合であっても、第１の閾
値ＴＨＤ１より高レベルの対数パワーＰ（ｔ）を入力す
る以前に、第２の閾値ＴＨＤ２より低レベルの対数パワ
ーＰ（ｔ）を再び入力した場合には、図４中の期間τ_ns
で示すように、記憶領域ＭＥＭ（ｋ）中の全ての特徴ベ
クトルＶ（ｔ）を雑音に基づいて生成されたものである
と判定して、これらの特徴ベクトルＶ（ｔ）を全て消去
する。この結果、雑音を適切に除去することができる。

【００４７】また、上記のステップＳ１１４〜Ｓ１２２
の処理を繰り返す間に、ステップＳ１１６において雑音
が判定されずに、第１の閾値ＴＨＤ１より高レベルの対
数パワー（ｔ）を入力した場合（第１の場合という）
や、上記のステップＳ１１０からの実質的な処理の再開
後に、ステップＳ１１６において雑音有りの判定がなさ
れずに、第１の閾値ＴＨＤ１より高レベルの対数パワー
Ｐ（ｔ）を入力した場合（第２の場合という）には、ス
テップＳ１１４において、この対数パワーＰ（ｔ）を、
Ｐ（ｔ）≧ＴＨＤ１として判定（「ＹＥＳ」と判定）す
ることになる。そして、「ＹＥＳ」と判定すると、ステ
ップＳ１２６の処理に移行する。

【００４８】このように、上記の第１，第２の場合を伴
ってステップＳ１２６の処理に移行することになると、
それまでの処理によって、例えば図４中の「音声切り出
し区間」の開始時点Ａから途中の時点Ｂまでの特徴ベク
トルＶ（ｔ）が記憶領域ＭＥＭ（ｋ）の先頭アドレスか
ら順番に記憶されることになる。

【００４９】更に、開始時点Ａは話者が発話した時点に
なることから、音声成分を欠落することなく抽出して記
憶領域ＭＥＭ（ｋ）に記憶することができる。更に、こ
れら記憶された全ての特徴ベクトルＶ（ｔ）は、周囲環
境における平均的な雑音レベルより高く、且つ期間τ_ns
に示した比較的高レベルの雑音も含んでいないため、雑
音を含まないデータとなる。

【００５０】尚、ステップＳ１１４において最初に第１
の閾値ＴＨＤ１より高いと判定した対数パワーＰ（ｔ）
が第ｎ番目のものであった場合には、図５のメモリマッ
プに示すように、第１番目から第ｎ−１番目のアドレス
の特徴ベクトルＶ（１）〜Ｖ（ｎ−１）が、ＴＨＤ２≦
Ｐ（ｔ）＜ＴＨＤ１の条件を満足するデータになる。

【００５１】次に、ステップＳ１２６に移行すると、対
数パワーＰ（ｔ）を第２の閾値ＴＨＤ２と比較する。こ
こで、Ｐ（ｔ）≧ＴＨＤ２の場合（「ＹＥＳ」の場合）
には、ステップＳ１２７に移行して、特徴抽出部６が、
Ｐ（ｔ）≧ＴＨＤ２の条件に該当するフレーム期間Ｔｓ
内の音声データＤｉに基づいて第ｎ番目の特徴ベクトル
Ｖ（ｔ）を演算する。次に、ステップＳ１２８に移行し
て、上記のｔ＝ｎ番目の特徴ベクトルＶ（ｎ）を、図５
に示すようにｋ＝ｎ番目のアドレスの記憶領域ＭＥＭ
（ｎ）に記憶する。

【００５２】次に、ステップＳ１３０において係数ｔ，
ｋをそれぞれ１カウントアップし、更にステップＳ１３
２において次の対数パワーＰ（ｔ）を入力した後、ステ
ップＳ１２６に戻ってステップＳ１２６〜Ｓ１３２の処
理を繰り返す。

【００５３】このようにステップＳ１２６〜Ｓ１３２の
処理を繰り返すと、図４に示した時点Ｂから終端時点Ｄ
までの期間内に求められた特徴ベクトルＶ（ｎ）〜Ｖ
（ｎ＋Ｎ）が、図５に示す記憶領域ＭＥＭ（ｎ）〜ＭＥ
Ｍ（ｎ＋Ｎ）に順番に記憶される。そして、記憶領域Ｍ
ＥＭ（ｎ＋Ｎ）の特徴ベクトルＶ（ｎ＋Ｎ）は、ステッ
プＳ１２６において最後にＰ（ｔ）≧ＴＨＤ２と判定さ
れたときのデータとなる。したがって、特徴ベクトルＶ
（１）〜Ｖ（ｎ＋Ｎ）には雑音成分が含まれないことに
なる。

【００５４】次に、ステップＳ１３４において、音声認
識部８が、記憶領域ＭＥＭ（１）〜ＭＥＭ（ｎ＋Ｎ）に
記憶した特徴データＶ（１）〜Ｖ（ｎ＋Ｎ）の総数とサ
ンプリング周期δＴに基づいて音声切り出し区間の時間
間隔を確定した後、ステップＳ１３６及びＳ１３８にお
いて、特徴ベクトルＶ（１）〜Ｖ（ｎ＋Ｎ）とＲＯＭ中
の照合データとを照合することにより、話者の発声した
言葉の意味を認識する。

【００５５】次に、その認識結果のデータＤＪを信号処
理部９へ出力して、音声認識処理を終了する。尚、一の
音声認識処理を終了すると、再びステップＳ１００に戻
って上記同様の処理を繰り返すようになっている。

【００５６】以上に述べたように本実施形態によれば、
周囲環境の平均的な雑音レベルより若干高レベルに設定
した第２の閾値ＴＨＤ２と、第２の閾値ＴＨＤ２より高
レベルの第１の閾値ＴＨＤ１を基準として、対数パワー
Ｐ（ｔ）中の雑音と本来の音声成分を判別するようにし
たので、音声成分を高精度で抽出することができる。

【００５７】また、短時間のフレーム期間Ｔｓ毎に特徴
ベクトルＶ（ｔ）を抽出するので、リアルタイムで音声
認識することが可能となり、マンマシンシステムへの適
用が可能である。

【００５８】（第２の実施の形態）次に、図６に示すフ
ローチャートを参照して第２の実施形態を説明する。
尚、本実施形態の音声検出装置は、図１に示した構成と
同様であるので、構成についての説明を省略する。ま
た、図６において、図２と同一又は相当する動作ステッ
プについては同一の符号を付して示している。

【００５９】本実施形態と第１の実施形態との差異を述
べると、本実施形態は、図６中のステップＳ１１８とＳ
１２０の間にステップＳ１１９ａ及びＳ１１９ｂを設け
ると共に、ステップＳ１２８とＳ１３０の間にステップ
Ｓ１２９ａ及びＳ１２９ｂを設けた点にある。

【００６０】まず、第１の実施形態で説明したように、
ステップＳ１１８において、特徴ベクトルＶ（ｔ）を記
憶領域ＭＥＭ（ｋ）に記憶すると、次に、ステップＳ１
１９ａ，Ｓ１９ｂにおいて、今までに記憶領域ＭＥＭ
（ｋ）に記憶された全ての特徴ベクトルＶ（ｔ）とＲＯ
Ｍ中の照合データとを照合して音声認識を行い、その認
識結果のデータＤＪを信号処理部９に出力する。その
後、係数ｔ，ｋをそれぞれ１カウントアップし（ステッ
プＳ１２０）、更に次の対数パワーＰ（ｔ）を入力して
から（ステップＳ１２２）、ステップＳ１１４に移行す
る。

【００６１】更に、第１の実施形態で説明したように、
ステップＳ１２８において、特徴ベクトルＶ（ｔ）を記
憶領域ＭＥＭ（ｋ）に記憶すると、次に、ステップＳ１
２９ａ，Ｓ１２９ｂにおいて、今までに記憶領域ＭＥＭ
（ｋ）に記憶された全ての特徴ベクトルＶ（ｔ）とＲＯ
Ｍ中の照合データとを照合して音声認識を行い、その認
識結果のデータＤＪを信号処理部９に出力する。その
後、係数ｔ，ｋをそれぞれ１カウントアップし（ステッ
プＳ１３０）、更に次の対数パワーＰ（ｔ）を入力して
から（ステップＳ１３２）、ステップＳ１２６に移行す
る。

【００６２】このように、記憶領域ＭＥＭ（ｋ）に特徴
ベクトル（ｔ）を記憶する度に、照合データとの照合に
よって音声認識を行うので、ステップＳ１２６において
音声成分の終端を検出した時点で、音声認識が完了す
る。

【００６３】例えば、話者が「目黒駅へ行きたい」と発
声した場合に、ステップＳ１１９ａ，Ｓ１１９ｂとＳ１
１９ａ，Ｓ１１９ｂにおいて、「め」「ぐ」「ろ」
「え」「き」「へ」「い」「き」「た」「い」という語
を順番に認識することになり、処理が「終了」となった
時点で、話者の発声した言葉の意味が確定する。この結
果、本実施形態によれば、極めて高速に音声成分の検出
と抽出及び音声認識を行うことができる。

【００６４】（第３の実施の形態）次に、図７に示すフ
ローチャートと図８に示す波形図を参照して第３の実施
形態を説明する。尚、本実施形態の音声検出装置は、図
１に示した構成と同様であるので、構成についての説明
を省略する。また、図７において、図２と同一又は相当
する動作ステップについては同一の符号を付して示して
いる。更に、図８は図４に対応付けて示した波形図であ
る。

【００６５】本実施形態と第１の実施形態との差異を述
べると、本実施形態は、図７中のステップＳ１１４とＳ
１２６の間にステップＳ１２５を設けると共に、ステッ
プＳ１３２からステップＳ１２６に戻る経路中にステッ
プＳ１３３ａとＳ１３３ｂを設けた点にある。更に、ス
テップＳ１２６とＳ１３６の間に、ステップＳ１３５ａ
とＳ１３５ｂを設けた点を特徴としている。

【００６６】まず、第１の実施形態で説明したように、
ステップＳ１１４において第１の閾値ＴＨＤ１より高レ
ベルの対数パワーＰ（ｔ）を判定すると、ステップＳ１
２５において、この対数パワーＰ（ｔ）のデータと、そ
の順番ｔをフラグデータFORWARDとしてＲＡＭ中の作業
領域に記憶した後、ステップＳ１２６の処理に移行す
る。したがって、図８に示す時点Ｂで検出した対数パワ
ーＰ（ｔ）と、その順番ｔをフラグデータFORWARDとし
て記憶することになる。

【００６７】更に、図４中のステップＳ１３３ａでは、
音声区間決定部５が、現時点ｔよりも１つ前の時点ｔ−
１においてＲＡＭ中の作業領域に記憶させた対数パワー
Ｐ（ｔ−１）を読み出して、その対数パワーＰ（ｔ−
１）と第１の閾値ＴＨＤ１とを比較する。ここで、Ｐ
（ｔ−１）≧ＴＨＤ１の場合（「ＹＥＳ」の場合）に
は、ステップＳ１３３ｂにおいて、その時点ｔ−１に相
当する順番ｔ−１をフラグデータBACKWARDとしてＲＡＭ
中の作業領域に記憶させた後、ステップＳ１２６の処理
に移行する。一方、Ｐ（ｔ−１）＜ＴＨＤ１の場合
（「ＮＯ」の場合）には、フラグデータBACKWARDを設定
することなく、ステップＳ１２６の処理に移行する。

【００６８】かかる処理を行うと、図４中に示した時点
Ｃ、すなわち対数パワーＰ（ｔ）が再び第１の閾値ＴＨ
Ｄ１より低レベルになった時の１つ前の時点Ｃにおける
対数パワーＰ（ｔ−１）の順番ｔ−１をフラグデータBA
CKWARDとして記憶することになる。

【００６９】そして、ステップＳ１２６からステップＳ
１３５ａに処理が移ると、ステップＳ１３５ａでは、フ
ラグデータFORWARDから所定値（正の整数値）τaを減算
し、その減算結果（＝FORWARD−τa）を音声成分の推定
開始時点ｔａとする。更に、フラグデータBACKWARDから
所定値（正の整数値）τdを減算し、その減算結果（＝B
ACKWARD−τd）を音声成分の推定終了時点ｔｄとする。

【００７０】ここで、所定値τa，τdは共に、閾値ＴＨ
Ｄ２より高レベルの対数パワーＰ（ｔ）のみを対象にし
て決めている。

【００７１】次に、ステップＳ１３５ｂでは、図８に示
すように、推定開始時点ｔａから推定終了時点ｔｄ間で
の期間を最終切り出し区間Ｔｃと確定する。そして、ス
テップＳ１３６において、最終切り出し区間Ｔｃ内に該
当する特徴ベクトルＶ（ｔ）を記憶領域ＭＥＭ（ｋ）か
ら読み出して照合データと照合した後、ステップＳ１３
８において話者の発声した意味を認識し、更に、ステッ
プＳ１４０において、その認識結果のデータＤＪを信号
処理部９へ出力する。

【００７２】このように、第１の閾値ＴＨＤ１より高レ
ベルの対数パワーＰ（ｔ）が得られた最初の時点FORWAR
Dと終了時点BACKWARDを基準にして、所定値τa，τdの
区間分広げた区間を最終切り出し区間Ｔｃとして求め、
この区間Ｔｃ内の特徴ベクトルＶ（ｔ）を抽出して音声
認識をすると次の効果が得られる。

【００７３】図８において、閾値ＴＨＤ２より高レベル
の雑音が閾値ＴＨＤ２より低くならずに閾値ＴＨＤ１に
なった場合には、この雑音を音声成分の対数パワーＰ
（ｔ）と判定してし、雑音による特徴ベクトルが記憶領
域ＭＥＭに記憶される。しかし、時点FORWARDに基づい
て求めた推定開始時点ｔａを基準として、それ以降の対
数パワーＰ（ｔ）を音声成分のパワーとして判定するの
で、雑音による特徴ベクトルを音声認識の対象から除外
することができ、雑音成分の混入を最小限に抑えること
ができる。

【００７４】更に、図８中の時点Ｄの近傍において、閾
値ＴＨＤ２より高レベルの雑音が混入する場合にも、こ
の雑音を音声成分の対数パワーＰ（ｔ）として判定し、
雑音による特徴ベクトルが記憶領域ＭＥＭに記憶され
る。しかし、時点BACKWARDに基づいて求めた推定終了時
点ｔｄを基準として、それ以前の対数パワーＰ（ｔ）を
音声成分とするので、雑音による特徴ベクトルを音声認
識の対象から除外することができ、雑音成分の混入を最
小限に抑えることができる。

【００７５】このように本実施形態によれば、雑音の多
い周囲環境であっても、雑音の混入を最小限に抑制し
て、音声認識率を高めることができる。特に、実用に即
応した音声検出及び抽出が可能となる。

【００７６】

【発明の効果】以上説明したように本発明によれば、音
声信号から生成される電力成分信号のレベルを、第１の
閾値と、第１の閾値より低レベルの第２の閾値とに基づ
いて比較し、電力成分信号のうち第２の閾値より高レベ
ルで且つ時間的に連続して第１の閾値より高レベルに変
化する電力成分信号が生じる期間を検出して、その期間
中の音声信号を発話音声として検出して抽出することと
したので、雑音の混入を抑えることができると共に、発
話音声を忠実に検出して抽出することができる。

【００７７】また、音声信号のうち、第１の閾値を超え
る電力成分信号の前縁部分若しくは後縁部分、又は前縁
部分及び後縁部分より所定期間幅拡大した範囲内に存在
する音声信号を、最終的な発話音声の音声信号としたの
で、雑音が生じた場合でも高い精度で本体の発話音声を
検出して抽出することができる。

【００７８】また、上記音声区間決定手段が上記発話音
声の音声信号を抽出するのに同期して、その抽出された
音声信号に基づいて特徴抽出手段が音声の特徴抽出を行
うようにしたので、高速の音声認識を行うことができ
る。

【図面の簡単な説明】

【図１】本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】第１の実施形態における動作を説明するための
フローチャートである。

【図３】対数パワーの生成方法を説明するための波形図
である。

【図４】対数パワーの時間的変化を模式的に示した波形
図である。

【図５】記憶部のメモリマップを示す説明図である。

【図６】第２の実施形態における動作を説明するための
フローチャートである。

【図７】第３の実施形態における動作を説明するための
フローチャートである。

【図８】第３の実施形態における対数パワーの時間的変
化を模式的に示した波形図である。

【図９】従来技術の問題点を説明するための波形図であ
る。

【符号の説明】

１…音声検出装置２…マイクロフォン３…前置処理部４…対数パワー演算部５…音声区間決定部６…特徴抽出部７…記憶部８…音声認識部ＲＡＭ…再記憶可能メモリＲＯＭ…読み出し専用メモリ

Claims

【特許請求の範囲】

【請求項１】音を音声信号に変換して出力する音検知
手段と、前記音声信号の電力成分信号を生成する電力変換手段
と、所定レベルよの第１の閾値と、前記第１の閾値より低レ
ベルの第２の閾値に基づいて前記電力成分信号のレベル
を比較し、前記第２の閾値より高レベルの電力成分信号
を検出すると、前記音声信号のうち、時間的に連続して
第１の閾値より高レベルに変化する音声信号を発話音声
として検出して抽出する音声区間決定手段と、前記音声区間決定手段において発話音声として検出され
る前記音声信号に基づいて音声の特徴情報を抽出する特
徴抽出手段とを具備することを特徴とする音声検出装
置。
【請求項２】前記第１の閾値は、周囲環境の雑音レベ
ルより高レベル、前記第２の閾値は、前記雑音レベルよ
り若干高く且つ前記第１の閾値より低レベルに設定され
ることを特徴とする請求項１に記載の音声検出装置。
【請求項３】前記特徴抽出手段が抽出する前記特徴情
報を記憶する記憶手段を備え、前記音声区間決定部は、前記記憶手段に記憶された特徴
情報のうち、前記電力成分信号のレベルが前記第１の閾
値を最初に超えた時点より前の所定時点以降の特徴情報
を、前記発話音声の特徴情報とすることを特徴とする請
求項１又は２に記載の音声検出装置。
【請求項４】前記特徴抽出手段が抽出する前記特徴情
報を記憶する記憶手段を備え、前記音声区間決定部は、前記記憶手段に記憶された特徴
情報のうち、前記電力成分信号のレベルが前記第１の閾
値を最初に下回った時点より以後の所定時点より前の特
徴情報を、最終的に前記発話音声の特徴情報とすること
を特徴とする請求項１又は２に記載の音声検出装置。
【請求項５】前記特徴抽出手段が抽出する前記特徴情
報を記憶する記憶手段を備え、前記音声区間決定部は、前記記憶手段に記憶された前記
特徴情報のうち、前記電力成分信号のレベルが前記第１
の閾値を最初に超えた時点より前の所定時点以降の特徴
情報であって、且つ前記電力成分信号のレベルが前記第
１の閾値を最初に下回った時点より以後の所定時点より
前の特徴情報を、最終的に前記発話音声の特徴情報とす
ることを特徴とする請求項１又は２に記載の音声検出装
置。
【請求項６】前記発話音声の特徴情報に基づいて音声
認識を行う音声認識手段を備えることを特徴とする請求
項１〜５のいずれか１項に記載の音声検出装置。
【請求項７】前記音声区間決定手段は、予め決められ
た所定周期に同期して前記電力成分信号を生成し、前記
音声認識手段は、前記音声区間決定手段が前記発話音声
の特徴情報を設定するのに同期して、前記音声認識を行
うことを特徴とする請求項６に記載の音声検出装置。