JP2006113298A - オーディオ信号分析方法、その方法を用いたオーディオ信号認識方法、オーディオ信号区間検出方法、それらの装置、プログラムおよびその記録媒体 - Google Patents

Abstract

【課題】雑音などに対し実環境における十分な頑健性を得る。
【解決手段】オーディオ信号をフィルタ処理して複数の帯域に分割し、各帯域の基本周期を推定し、周期性成分と非周期性成分とに分離してその周期成分パワーを抽出し、その抽出した周期成分パワーをヒストグラムなどの方法で正規化した上でエントロピーを求め、オーディオ信号の特徴パラメータとしてパターン識別、音声区間検出などに使用することで実環境における頑健性を得る。
【選択図】図７

Description

この発明は、音声信号や音楽信号などのオーディオ信号の特徴表現を抽出するオーディオ信号分析方法、その方法を用いたオーディオ信号認識方法やオーディオ信号区間検出方法、それらの装置、プログラムおよびその記録媒体に関する。

音声認識装置においては、音声特徴表現抽出のための音声信号分析が行われる。頑健性の高い、つまり雑音に影響され難い音声特徴抽出法として、音声信号の周期的な成分と非周期的な成分を分離してそれらを連結して出力する音声信号分析方法がある（非特許文献１参照）。この従来の音声信号分析方法を実行する装置の機能構成例を図１に、その処理手順を図２にそれぞれ示す。この信号分析手段１０は帯域通過フィルタバンク１１と、音声波形切出手段１２と、周期推定手段１３と、櫛型フィルタ１４と、パワー算出手段１５Ｆ及び１５Ａと、減算手段１６と、離散コサイン変換手段１７Ｐ及び１７Ａと、ベクトル連結手段１８とを備える。

入力端子１００より信号分析手段１０へ入力される音声信号は、例えば１６，０００Ｈｚのサンプリングレートでサンプリングされ、その各サンプルがデジタル値に変換された離散音声信号である。
帯域通過フィルタバンク１１では、複数の帯域通過デジタルフィルタ１１_１，…，１１_Ｂを用いて、入力された離散音声信号を帯域分割して出力する（ステップＳ１）。ここで用いられる帯域通過フィルタバンク１１は、例えば聴知覚の特性に基づく、等価矩形帯域幅の大きさに対応した中心周波数を持つガンマトーンフィルタバンクを用いるとよい（M.Slaney,“An Efficient Implementation of the Patterson-Holdsworth Auditory Filter Bank,”Apple Computer Technical Report ♯35,1993）。このガンマトーンフィルタバンクでは、帯域通過フィルタ１１_ｂ（ｂ＝１，…，Ｂ）であるガンマトーンフィルタを、通過帯域が重なり合うように、かつそれぞれのフィルタの中心周波数が等価矩形帯域幅の大きさ（おおよそ対数スケール）に従うように、例えば２４帯域分用意する。このフィルタバンク１１の各フィルタの周波数特性の例を図３に示す。図３には複数の帯域通過フィルタ１１_１，…，１１₂₄（ガンマトーンフィルタ）の周波数特性が同時に示されている。入力である離散音声信号をフィルタバンク１１中のそれぞれの帯域通過フィルタ１１_１，…，１１_Ｂでフィルタ処理した結果としてフィルタ数Ｂだけの離散信号が帯域通過フィルタバンク１１から出力される。帯域通過フィルタバンク１１の入力信号と出力信号の例として、帯域通過フィルタ１１_ｂとして図３に示した２４個のフィルタ特性のうちの３つの特性をそれぞれもつガンマトーンフィルタを用いた場合を図４に示す。図４Ａは入力離散音声信号の時間的変化を示す波形を示し、図４Ｂは中心周波数がｆ_c1，ｆ_c2及びｆ_c3の帯域通過フィルタ１１_ｂの各周波数特性をそれぞれ示し、図４Ｃはこれら３つの帯域通過フィルタの各出力信号波形をそれぞれ示す。

音声波形切出手段１２は、帯域通過フィルタバンク１１の各帯域通過フィルタ１１_１，…，１１_Ｂの出力信号から例えば時間軸方向に１０ｍｓづつ移動しながら、３０ｍｓの時間長の信号を各切出部１２_１，…，１２_Ｂでそれぞれ切り出す（ステップＳ２）。例えば４８０サンプル点（１６，０００Ｈｚ×３０ｍｓ）の離散信号を１６０サンプル点（１６，０００Ｈｚ×１０ｍｓ）づつ移動しながら切り出した信号が音声波形切出手段１２の切出部１２_１，…，１２_Ｂから出力される。つまり各帯域通過フィルタ１１_１，…，１１_Ｂよりの各帯域信号が分析区間（フレーム）ごとに分割される。

周期推定手段１３は音声波形切出手段１２の各切出部１２_１，…，１２_Ｂよりの出力信号を入力とし、その各分析区間の各出力信号の周期性の周期を周期推定部１３_１，…，１３_Ｂでそれぞれ推定する（ステップＳ３）。この周期性の推定には例えば基本周波数抽出法の一つである自己相関法（W.Hess,“Pitch determination of speech signals,”Springer-Verlag,New York,1983）を用いる。自己相関法では、まず入力信号の自己相関関数係数を求める。入力信号の全サンプル点数（１分析区間のサンプル点数）をＮ、ｊ番目のサンプル点の信号の振幅をｓ_ｊとすると、入力信号の自己相関関数係数ａｃ_ｉは以下の式に従って求まる。

ａｃ_ｉ＝（１／Ｎ）Σ_j=1 ^N-1-iｓ_ｊｓ_i+j ， ｉ＝１，…，Ｎ
図５Ａに入力信号波形の例を、図５Ｂにこの自己相関関数係数をそれぞれ示す。次に、この自己相関関数係数におけるｉの一定の探索範囲内、例えば８０≦ｉ≦２００（サンプリング周波数１６，０００Ｈｚの場合の８０Ｈｚから２００Ｈｚの周期に該当）の範囲内においてａｃ_ｉが最大となるｉを検出する。その結果得られたｉをｎとする。このｎは入力信号の探索範囲において最も支配的な周期性成分の周期長を表し、入力信号が単一の完全な周期信号（例えば正弦波）の場合にはその周期長に相当する値になる。周期推定手段１３の各周期推定部１３_１，…，１３_Ｂから各推定周期ｎが出力される。

櫛型フィルタ１４は周期推定手段１３で得られた周期に基づいた離散櫛型フィルタを設定し、音声波形切出手段１２の出力信号をフィルタ処理する（ステップＳ４）。ここで用いる離散櫛型フィルタの周波数特性は、例えば周期推定手段１３の出力周期ｎに対し、ｚ領域表現で次式とされる。
Ｈ（ｚ）＝１−ｚ^-n
音声波形切出手段１２の出力信号をこの離散櫛型フィルタによってフィルタ処理することで得られる出力信号は、その櫛型フィルタの周波数特性における零点に相当する部分（基本周波数成分とその整数倍の周波数成分）のパワーが抑圧された離散信号となる。各周期推定部１３_ｂ（ｂ＝１，…，Ｂ）で推定された周期ｎは櫛型フィルタ１４の対応するフィルタ部１４ｂに設定され、各切出部１２_ｂよりの分析区間ごとの帯域離散音声信号が対応するフィルタ部１４_ｂに入力される。図４に示した帯域通過周波数特性中から選んだ３個と帯域通過フィルタの出力信号を音声波形切出手段１２によりそれぞれ切り出した信号波形例を図６Ａに、これら信号からそれぞれ推定された周期に設定された離散櫛型フィルタのそれぞれの周波数特性を図６Ｂに、その各フィルタ処理された各出力信号を図６Ｃにそれぞれ示す。

パワー算出手段１５Ｆの各計算部１５Ｆ_ｂは音声波形切出手段１２の各切出部１２_ｂの出力信号のパワーを計算し、パワー算出手段１５Ａの各計算部１５Ａ_ｂは櫛型フィルタ１４の各フィルタ部１４_ｂの出力信号のパワーを計算する（ステップＳ５）。各計算部１５Ｆ_ｂ及び１５Ａ_ｂでのパワーの計算Ｗは例えば次式に示す二乗和を行う。ここで、ｓ_ｊは入力離散信号のサンプル点ｊにおける振幅を、Ｎは入力信号の全サンプル点数をそれぞれ表す。
Ｗ＝Σ_j=1 ^Nｓ_j ²
減算手段１６の各減算部１６_ｂでは、パワー算出手段１５Ｆの各計算部１５Ｆ_ｂの出力パワー値、つまり音声波形切出手段１２の切出部１２_ｂの出力信号のパワー値ＷＰ_ｂから、対応するパワー算出手段１５Ａの計算部１５Ａ_ｂの出力パワー値、つまり切出部１２_ｂの出力に対応する櫛型フィルタ１４のフィルタ部１４_ｂの出力信号から算出されたパワー値ＷＡ_ｂを減算する（ステップＳ６）。この結果、各減算部１６_ｂから櫛型フィルタ手段１４の各フィルタ部１４_ｂによって抑圧された周波数成分のパワー値（power_sp）、すなわち各帯域離散音声信号の周期成分パワー値ＷＰ_ｂを求めることができる。この減算操作を次式に示す。

ＷＰ_ｂ＝ＷＦ_ｂ−ＷＡ_ｂ
周期成分パワーベクトル化手段２０Ｐは各周期成分パワーＷＰ_ｂが入力され、これらをその対応帯域通過フィルタ１１_ｂ（ｂ＝１，…，Ｂ）の中心周波数順に整列したベクトルとし、非周期成分パワーベクトル化手段２０Ａは同様に各非周期成分パワーＷＡ_ｂをベクトルとする（ステップＳ７）。離散コサイン変換手段１７Ｐでは、周期成分パワーベクトルに対しその対数値を取って離散コサイン変換を行う（この離散コサイン変換については例えば非特許文献２、1４頁参照）。同様に離散コサイン変換手段１７Ａは非周期成パワーベクトルを離散コサイン変換する（ステップＳ８）。例えば２４帯域分の帯域通過フィルタ１１_ｂを用いた場合、ＷＰ_ｂおよびＷＡ_ｂはそれぞれ２４通り算出される。これらをそれぞれ対応する帯域通過フィルタの中心周波数順に整列し、それぞれ２４次元のベクトルとして扱う。その各ベクトルに対し、離散コサイン変換を例えば下記の式に従って行う。

ここで、ｐ_ｊは対応する帯域通過フィルタの中心周波数順に整列されたＷＰ_ｂまたはＷＡ_ｂによって構成されるＢ次元ベクトルのｊ番目の要素（パワー値）を表し、ｃ_ｉは離散コサイン変換後に得られるＢ次元ベクトルＣのｉ番目の離散コサイン係数を表す。ｃ_ｉはｉ＝１，…，Ｂのすべてについて求める。離散コサイン変換手段１７Ｐ及び１７Ａでは、ＷＰ_ｂおよびＷＡ_ｂそれぞれから得られる離散コサイン係数ｃ_iPおよびｃ_iAを出力とする。
ベクトル連結手段１８は、離散コサイン変換手段１７Ｐおよび１７Ａの出力であるＷＰ_ｂおよびＷＡ_ｂに対応するそれぞれＮ次元の離散コサイン係数ｃ_iPおよびｃ_iAを入力とし、それぞれの一部または全体を連結して一連のベクトルＣ＝（ｃ_１，ｃ_２，…，ｃ_ｋ）として出力する（ステップＳ９）。例えばＷＰ_ｂおよびＷＡ_ｂそれぞれの２４次元の離散コサイン係数ｃ_iPおよびｃ_iAが入力とされた場合、それぞれ次数の低い方から１２次元の係数を連結して一連の２４次元ベクトルとして出力する。この分析方法を用いた場合、雑音下での音声認識において所定の頑健性が得られる。

音声信号の周期的な成分と非周期的な成分を分離することなく、音声特徴表現を抽出する音声分析方法として広く知られているＬＰＣケプストラムやＭＦＣＣなどは、フォルマントと呼ばれる音声信号の共振点の位置や、それをよく表現するスペクトルの概形に基づいた表現を用いている（非特許文献２、４〜１５頁参照）。
Kentaro Ishizuka,Noboru Miyazaki,"Speech feature extractionmethod representing periodicity and aperiodicity in sub bands for robust speechrecognition ,"Proceedings of the 29th International Conference on Acoustics, Speech,and Signal Processing,Vol.1,pp.141-144,2004. 鹿野清宏，伊藤克亘，河原達也，武田一哉，山本幹雄 編著，"音声認識システム"，オーム社，２００１，４〜１５頁

非特許文献１に示す音声信号を周期性と非周期性との２つの成分に分離して特徴パラメータを抽出する方法は、雑音などの加法性歪や乗法性歪などの外部変動要因および音声に内在する変動要因に対し、十分な頑健性が得られない問題がある。非特許文献２に示す技術は、いずれもパワースペクトルの形状に基づいた手法のため、非特許文献１に示す技術に比べ一層頑健性に劣る。
音声信号のみならず、音楽信号などの周期性成分と非周期性成分とが混在する音響信号の特徴を表現するパラメータの分析においても、非特許文献１、２の各方法を個別に適用しても、同様の問題が生じる。なお、音声信号および音楽信号などの周期性成分と非周期性成分とが混在する信号をオーディオ信号と総称する。

この発明の目的は、雑音などの加法性歪や乗法性歪などの外部変動要因および音声に内在する変動要因などに対し、実環境における十分な頑健性が得られるオーディオ信号分析方法、その方法を用いたオーディオ信号認識方法やオーディオ信号区間検出方法、その装置、プログラムおよびその記録媒体を提供することにある。

この発明によればオーディオ信号を周期性成分と非周期性成分とに分離してその周期成分パワーを抽出し、その抽出した周期成分パワーをヒストグラムなどの方法で正規化した上でエントロピーを求めオーディオ信号の特徴パラメータとする。

この構成によれば周期性特徴から導き出されたヒストグラムなどの正規化手法およびそのエントロピー値は、雑音などの騒乱要因に対して頑健な性質を持つため、外部変動要因や内部変動要因などに対し実環境における頑健性を得ることができる。

以下にこの発明の実施形態を図面を参照して説明するが、図１およびこれから説明する各図中の対応する部分は同一参照番号を付けて重複説明を省略する。また、以下の説明はオーディオ信号として音声信号にこの発明を適用した場合である。
［第１実施形態］
この発明ではオーディオ信号を周期性成分と非周期性成分とに分離して周期成分パワーを抽出し、その抽出した周期成分パワーをヒストグラムなどの方法で正規化した上で求めたエントロピー値を出力するオーディオ信号分析を行う。第１実施形態では、周期成分パワーを求める方法として周期成分を抑圧する櫛型フィルタを用いて非周期成分パワーと帯域信号パワーとを求めた上で、上記帯域信号パワー値から上記非周期成分パワー値を減算することで周期成分パワーを求める形態である。図７にその機能構成例を図８に処理手順の例をそれぞれ示す。この信号分析手段１０は、正規化手段２１の具体的な実現例としてヒストグラム生成手段２１Ａを備え、エントロピー計算手段２２を具備する。

図１、図２に示した内容と重複する機能の説明では、具体的な実現方法の説明は省略する。入力端子１００より信号分析手段１０へ入力される音声信号は、帯域通過フィルタバンク１１で帯域分割され（ステップＳ１１）、音声波形切出手段１２で分析区間（フレーム）ごとに分割され（ステップＳ１２）、周期推定手段１３で各分析区間の各出力信号の周期性の周期が推定される（ステップＳ１３）。帯域ごとに推定された周期が各帯域の基本周期である。
櫛型フィルタ１４では、周期推定手段１３で得られた周期（基本周期）に基づいて音声波形切出手段１２の出力信号をフィルタ処理する（ステップＳ１４）。ここで用いる櫛型フィルタは基本周期成分を抑圧する周波数特性を有する。例えば図６に示した櫛型フィルタを用いれば、周波数特性における零点に相当する部分（基本周波数成分とその整数倍の周波数成分）のパワーが抑圧された離散信号が出力される。

パワー算出手段１５Ｆの各計算部１５Ｆ_ｂは音声波形切出手段１２の各切出部１２_ｂの出力信号のパワーを計算し、パワー算出手段１５Ａの各計算部１５Ａ_ｂは櫛型フィルタ１４の各フィルタ部１４_ｂの出力信号のパワーを計算する（ステップＳ１５）。
減算手段１６の各減算部１６_ｂでは、パワー算出手段１５Ｆの各計算部１５Ｆ_ｂの出力パワー値、つまり各帯域信号パワーＷＰ_ｂから、対応するパワー算出手段１５Ａの計算部１５Ａ_ｂの出力パワー値、つまり非周期成分パワーＷＡ_ｂを減算する（ステップＳ１６）。この結果、各帯域の周期成分パワー値ＷＰ_ｂを求めることができる。

正規化手段２１では、ヒストグラム生成手段２１Ａにより正規化された周期成分パワーを求める（ステップ１７）。具体的には、減算手段１２の各減算部１６_ｂからの出力である
各帯域の周期成分パワー値ＷＰ_ｂと周期推定手段１３の各周期推定部１３_ｂからの出力である各帯域の基本周期の情報を用いて、例えば以下のようなヒストグラムＨ（ｎ）を計算することにより正規化された周期成分パワーを求めることができる。

ここで、ｐ（ｉ）はｉ番目の帯域通過フィルタ１１_ｉに対応する帯域の周期成分パワーである。また、δは例えばｉ番目の帯域通過フィルタ１１_ｉに対応する帯域の基本周期（周期推定手段１３の周期推定部１３_ｉの出力）をｎ（ｉ）とした場合に、次式で示される値をとる。

ヒストグラム生成手段２１Ａにより求められたヒストグラムを全てのｎについて合計した値は１となる性質を有しており、周期成分パワーが正規化されたことが分かる。図１１にヒストグラム生成手段２１Ａにより生成されたヒストグラムの例を示す。
なお、正規化手段２１では、パワーを用いない以下のような方法もあり得る。

エントロピー計算手段２２では、正規化手段２１からの出力を確率密度関数とみなしてそのエントロピーを求める（ステップＳ１８）。例えば上記ヒストグラムＨ（ｎ）のｎがａ≦ｎ≦ｂの値をとるとき、エントロピーＥは次式で求められる。

このエントロピーＥは、音声信号が全周波数帯域に渡って同じ周期信号の性質を持っている場合は小さくなり、異なる場合は大きくなる。すなわち、音声信号の周期性の度合いを計量する指標となる。エントロピー値の音声信号に対する時間的な変化の例を図１２に示す。エントロピー計算手段２２で求められるエントロピーＥが信号分析手段１０の出力となる。
なお、エントロピー計算部２２ａからの出力は、音声波形切出手段１２が実行されるごとに出力可能であり、エントロピー計算部２２ａからの出力をさらに時間的に正規化する方法もある。例えば次式で求められる時間正規化されたエントロピーＮＥ_ｉをエントロピー計算手段２２の出力、つまり信号分析手段１０の出力とする方法もある。

ただし、Ｅ_ｉはｉ番目のエントロピー計算部２２ａの出力、ｍａｘ（Ｅ）はエントロピー計算部２２ａの出力の最大値、ｍｉｎ（Ｅ）はエントロピー計算部２２ａの出力の最小値である。
［変形実施形態］
変形例では、周期成分パワーを求める方法として周期成分を透過する櫛型フィルタを用いて周期成分パワーを求める形態である。図９にその機能構成例を図１０に処理手順の例をそれぞれ示す。

図１、図２に示した内容と重複する機能の説明では、具体的な実現方法の説明は省略する。入力端子１００より信号分析手段１０へ入力される音声信号は、帯域通過フィルタバンク１１で帯域分割され（ステップＳ２１）、音声波形切出手段１２で分析区間（フレーム）ごとに分割され（ステップＳ２２）、周期推定手段１３で各分析区間の各出力信号の周期性の周期が推定される（ステップＳ２３）。帯域ごとに推定された周期が各帯域の基本周期である。
櫛型フィルタ１４’では、周期推定手段１３で得られた周期（基本周期）に基づいて音声波形切出手段１２の出力信号をフィルタ処理する（ステップＳ２４）。ここで用いる櫛型フィルタは基本周期成分を透過する周波数特性を有する。例えば以下のような周波数特性を持つ櫛型フィルタを用いてもよい。

パワー算出手段１５Ｐの各計算部１５Ｐ_ｂは音声波形切出手段１２の各切出部１２_ｂの出力信号のパワーを計算する（ステップＳ２５）。この結果、各帯域の周期成分パワー値ＷＰ_ｂを求めることができる。
正規化手段２１、エントロピー計算手段２２は、第１実施形態と同じ機能構成であり、エントロピー計算手段２２で求められるエントロピーＥが信号分析手段１０の出力となる。
［第２実施形態］
この発明では、第１実施形態又はその変形実施形態の音声信号分析手段１０の出力を音声特徴パラメータＥとし、音声有無判断手段７１により音声区間、非音声区間の検出を行う。図１３にその機能構成例を示す。

入力された音声信号は音声信号分析部１０で分析され、エントロピー値が出力される。このエントロピー値を音声特徴パラメータＥとする。音声判断手段７１では、例えば、母音は全周波数帯域に渡って同じ周波数信号を持つ傾向にあることを利用し、事前に閾値Ｔを設定しておく比較部７１Ａを用い、Ｅ＜Ｔならば音声区間、Ｅ≧Ｔならば非音声区間と判断する。音声有無判断手段７１の判断結果が、音声信号区間検出手段の出力となる。
［第３実施形態］
この発明では、第１実施形態又はその変形実施形態の音声信号分析手段１０の出力を音声特徴パラメータＥとし、音声パターン識別手段８１により音声認識を行う。図１４にその機能構成例を示す。

入力された音声信号は音声信号分析部１０で分析され、エントロピー値が出力される。このエントロピー値を音声特徴パラメータＥとし、音声パターン識別手段８１に入力する。音声パターン識別手段８１では、事前に音声特徴パラメータＥを学習し、学習データ格納部８１ｂに格納しておく。そして、音声特徴パラメータＥが入力されると、音声パターン識別器８１ａで学習データ格納部８１ｂから供給される学習データと比較し、音声認識結果を出力する。この音声パターン識別手段８１からの出力が、音声認識手段８０の出力となる。

なお、本発明により計算される音声特徴パラメータは、ＬＰＣやＭＦＣＣなどの他の音声特徴パラメータ（非特許文献２参照）と並列に利用してもよい。
［第４実施形態］
この発明では、第１実施形態又はその変形実施形態の音声信号分析手段１０の出力を音声特徴パラメータＥとし、音声有無判断手段７１による音声区間、非音声区間の検出結果を利用して、音声パターン識別手段８１により音声認識を行う。図１５にその機能構成例を示す。

入力された音声信号は音声信号分析部１０で分析され、エントロピー値が出力される。このエントロピー値を音声特徴パラメータＥとし、音声有無判断手段７１と音声パターン識別手段８１に入力する。音声判断手段７１では、第２実施形態で示した方法により音声区間を検出し、結果を音声パターン識別手段８１に入力する。
音声パターン識別手段８１では、音声がある区間だけ第３実施形態で示した方法により特徴パラメータの学習や音声認識を行う。音声有無判断手段７１の結果を利用することで、連続した音声信号入力に対して、音声パターン識別を開始するタイミングや終了するタイミングを学習時と認識時でそろえることが期待できる。
［実験例］
以下にこの発明の効果を示すために、この発明による音声信号分析方法によって得られた音声特徴パラメータを用いた音声認識装置と、［背景技術］項に記載の非特許文献１に示す音声認識装置（単に従来装置という）の、雑音下での数字認識における音声認識精度を比較のために行った実験を説明する。

この実験は第３実施形態の音声認識手段８０を用いて、第１実施形態に示した音声分析手段１０の効果を明らかにするために行った。この実験には、（社）情報処理学会 音声言語情報処理研究会 雑音下音声認識評価ワーキンググループ 雑音下音声認識評価環境（ＡＵＲＯＲＡ−２Ｊ）を利用した。両手法とも２４チャネルのガンマトーンフィルタバンクを帯域通過フィルタバンク１１として用い音声波形切出手段１２での音声波形の切出しは２５ｍｓ長で１０ｍｓごとに行い、周期成分パワーＷＰ_ｂおよび非周期成分パワーＷＡ_ｂに対応する離散コサイン変換後の係数ベクトルはそれぞれ１２次元、他に入力信号全体のパワーを表すパワー値、あわせて２５次元、本発明による音声特徴パラメータを利用する場合はさらに１次元増えて２６次元のベクトルを特徴ベクトルとして用い、その動的特徴であるΔパラメータとΔΔパラメータを、ΔＭＦＣＣ，ΔΔＭＦＣＣ，Δパワー，ΔΔパワーを求める方法（非特許文献２、１３頁参照）と同様にして求め、その結果７５次元（従来装置）または７８次元（本発明）のベクトルを特徴パラメータとして用いた。

音声パターン識別部８１ａでの学習処理には１６状態２４ガウス分布混合の数字ＨＭＭを用い、前記ＡＵＲＯＲＡ−２Ｊに付属する学習音声データ中の８，４４０発話の雑音が混入した数字読み上げ学習音声データとＨＭＭ学習用スクリプト（学習プログラム）とを用いＨＭＭ学習を行った。また、同様にＡＵＲＯＲＡ−２Ｊに付属する評価データにおいて雑音下での数字読み上げ音声のうち強い加法性歪を伴う自動車中雑音が音声と同じパワーで重畳されている評価データ（信号対雑音比０ｄＢ、１，００１発話）を用い雑音下での数字認識精度の評価を行った。

認識精度の結果を図１６に示す。図１６に示されたとおり、本発明による音声信号分析方法によって生成された音声特徴パラメータを用いた場合の音声認識精度が従来手法よりも高く、実環境での音声認識での頑健性が向上することが分かる。

非特許文献１の技術を説明するための音声信号分析装置の機能構成を示すブロック図。 図１に示した装置の処理手順を示す流れ図。 ガンマトーンフィルタバンクの周波数特性の例を示す図。 Ａは入力音声波形例を、Ｂは３つのガンマトーンフィルタの特性例を、Ｃはその各フィルタの出力信号をそれぞれ示す図である。 Ａは切り出された音声波形例を、Ｂはその自己相関関数をそれぞれ示す図である。 Ａは３つの櫛型フィルタの入力信号例を、Ｂは上記櫛型フィルタの周波数特性例を、Ｃはその各出力信号の例をそれぞれ示す図である。 第１実施形態の装置の機能構成例を示すブロック図。 第１実施形態の分析方法の手順を示す流れ図。 変形実施形態の装置の機能構成例を示すブロック図。 変形実施形態の分析方法の手順を示す流れ図。 ヒストグラムの例を示す図。 エントロピー値の時間変動の例を示す図。 第２実施形態のオーディオ信号区間検出装置の機能構成例を示すブロック図。 第３実施形態のオーディオ信号認識装置の機能構成例を示すブロック図。 第４実施形態のオーディオ信号認識装置の機能構成例を示すブロック図。 ＡＵＲＯＲＡ−２Ｊを用いて評価した本発明の効果を明らかにするための認識結果。

Claims (20)

1. 入力オーディオ信号をフィルタ処理して複数の帯域信号に分割し、
   上記各帯域信号に含まれる基本周期を推定し、
   上記各帯域信号を各基本周期に基づき櫛型フィルタで阻止又は通過の一方のフィルタ処理をしてその帯域信号に含まれる周期成分又は非周期成分を得、
   各帯域の周期成分のパワーを計算し、
   上記各帯域の周期成分パワー値を正規化し、
   上記正規化された周期成分パワー値のエントロピー値を得る
   ことを特徴とするオーディオ信号分析方法。
2. 請求項１記載の方法において、
   上記各帯域の周期成分パワー値の正規化方法として、上記各帯域の周期成分パワー値のヒストグラムを計算する
   ことを特徴とするオーディオ信号分析方法。
3. 入力オーディオ信号をフィルタ処理して複数の帯域信号に分割する帯域通過フィルタバンクと、
   上記各帯域信号に含まれる基本周期を推定する基本周期推定部と、
   上記各基本周期がそれぞれ設定され、その各帯域信号を阻止及び通過の一方のフィルタ処理をしてその帯域信号に含まれる周期成分又は非周期成分の対応する一方を出力する櫛型フィルタと、
   各帯域の周期成分のパワーを計算するパワー計算手段と、
   上記各帯域の周期成分パワー値を正規化する手段と、
   上記正規化された周期成分パワー値のエントロピー値を得る手段と、
   を具備するオーディオ信号分析装置。
4. 請求項３記載の装置において、
   上記各帯域の周期成分パワー値を正規化する手段として、上記各帯域の周期成分パワー値のヒストグラムを計算する手段と
   を具備することを特徴とするオーディオ信号分析装置。
5. 請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
   オーディオ信号の有無を判断する
   ことを特徴とするオーディオ信号区間検出方法。
6. 入力オーディオ信号から請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
   閾値と比較することでオーディオ信号の有無を判断する
   ことを特徴とするオーディオ信号区間検出方法。
7. 請求項３又は４記載のオーディオ信号分析手段と
   オーディオ信号有無判断手段と
   を具備することを特徴とするオーディオ信号区間検出装置。
8. 請求項３又は４記載のオーディオ信号分析手段と、
   上記オーディオ信号分析部から得られた入力オーディオ信号のエントロピー値と閾値とを比較する手段と
   を具備するオーディオ信号区間検出装置。
9. 請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
   オーディオ信号パターンを識別する
   ことを特徴とするオーディオ信号認識方法。
10. 事前に学習のために請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
    学習データとして上記エントロピー値を格納し、
    入力オーディオ信号から請求項１又は２のオーディオ信号分析方法によるエントロピー値を得、
    上記学習データのエントロピー値と入力オーディオ信号のエントロピー値とを比較する
    ことを特徴とするオーディオ信号認識方法。
11. 請求項３又は４記載のオーディオ信号分析手段と、
    オーディオ信号パターン識別手段と
    を具備することを特徴とするオーディオ信号認識装置。
12. 請求項３又は４記載のオーディオ信号分析手段と、
    学習データとして上記オーディオ信号分析手段から事前に得たエントロピー値を蓄積する蓄積手段と、
    上記オーディオ信号分析手段から得られた入力オーディオ信号のエントロピー値と蓄積された学習データであるエントロピー値とを比較する手段と
    を具備するオーディオ信号認識装置。
13. 請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
    オーディオ信号の有無を判断し、
    オーディオ信号パターンを識別する
    ことを特徴とするオーディオ信号認識方法。
14. 入力オーディオ信号から請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
    閾値と比較することでオーディオ信号の有無を判断し、
    オーディオ信号パターンを識別する
    ことを特徴とするオーディオ信号認識方法。
15. 事前に学習のため請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
    学習データとして上記エントロピー値を格納し、
    入力オーディオ信号から請求項１又は２記載のオーディオ信号分析方法によりエントロピー値を得、
    入力オーディオ信号の有無を判断し、
    上記学習データのエントロピー値と入力オーディオ信号のエントロピー値とを比較する
    ことを特徴とするオーディオ信号認識方法。
16. 請求項３又は４記載のオーディオ信号分析手段と
    オーディオ信号有無判断手段と
    オーディオ信号パターン識別手段と
    を具備することを特徴とするオーディオ信号認識装置。
17. 請求項３又は４記載のオーディオ信号分析手段と
    上記オーディオ信号分析手段から得られた入力オーディオ信号のエントロピー値と閾値とを比較する手段と
    オーディオ信号パターン識別手段と
    を具備することを特徴とするオーディオ信号認識装置。
18. 請求項３又は４記載のオーディオ信号分析手段と
    オーディオ信号有無判断手段と
    学習データとして上記オーディオ信号分析手段から事前に得たエントロピー値を蓄積する蓄積手段と、
    上記オーディオ信号分析手段から得られた入力オーディオ信号のエントロピー値と蓄積された学習データであるエントロピー値とを比較する手段と
    を具備するオーディオ信号認識装置。
19. コンピュータを、請求項３、４、７、８、１１、１２、１６〜１８のいずれかに記載した装置として機能させるプログラム。
20. 請求項１９に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。
    

Images