JP2007256689A - 音声の類似度の評価を行う方法および装置 - Google Patents

Abstract

【課題】 音声の類似度の評価の精度を高める。
【解決手段】 周波数分析部５１および帯域別エンベロープ生成部５２は、周波数軸上において間を空けて並んだ複数の帯域に各々属する各成分を入力音声から抽出し、それらのエンベロープＥ−ｉ（ｉ＝１〜Ｎ）を出力する。相関値算出部５３は、ｊ＝１〜Ｎ、ｋ＝１〜Ｎの範囲内の全ての（ｊ，ｋ）の組み合わせについて、Ｅ−ｊおよびＥ−ｋ間の相関値ａｊｋを算出し、これらを要素とする帯域間相関行列を出力する。この帯域間相関行列を音声の特徴量として使用し、音声の類似度を評価する。
【選択図】図２

Description

この発明は、いわゆる帯域間相関行列を利用して音声の類似度の評価を行う技術並びにこの技術を利用した話者認証および話者識別の技術に関する。

話者認証および話者識別においては、話者が発する音声と予め特定の話者から得られた音声とがどの程度類似しているかの評価が必要となる。このような音声の類似度を評価するために一般的に行われるのは、比較対象である音声の特徴を何らか手段により数量化して特徴量とし、各音声から得られる各特徴量を比較することにより音声の類似度を評価するという手法である。非特許文献１は、このような音声の特徴量として、帯域間相関行列を利用し、話者識別を行う技術を開示している。この帯域間相関行列は、帯域分割された音声の各成分のエンベロープの帯域間の相関値を要素とする行列である。複数の話者の音声から各々得られる帯域間相関行列の内容は、各話者の発話内容の影響をあまり受けず、話者自体に依存する。そして、話者が同じであれば、発話内容によらず類似した内容の帯域間相関行列が得られる。従って、この帯域間相関行列を音声の特徴量として用いることにより、話者認証や話者識別を行うことができる。
２００２年３月の電子情報通信学会における風間道子、東山三樹夫、山崎芳男による発表論文「包絡線の帯域間相関行列を用いた話者識別」

ところで、上述した非特許文献１に開示の技術において用いられる帯域間相関行列は、周波数軸上において隣接する帯域間における音声の成分のエンベロープの相関値を要素として多数含んでいる。しかし、どの話者であっても、周波数軸上において隣接する帯域における音声の成分のエンベロープの相関値は高くなる。このように、非特許文献１において用いられていた帯域間相関行列は、個人差の現れない要素を含んだものであり、この点が音声の類似度の評価の精度を劣化させる原因となっていた。

この発明は、以上説明した事情に鑑みてなされたものであり、音声の特徴量に話者の個人差を強く反映させ、音声の類似度の評価の精度を高めることを可能にする技術的手段を提供することを目的としている。

この発明では、周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を、比較対象である２つの音声について生成する。そして、これらの帯域間相関行列を用いて音声の類似度を算出する。なお、このようにする代わりに、周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を、比較対象である２つの音声について生成し、これらの各帯域間相関行列から、所定行数間隔かつ所定列数間隔で並んだ各要素を各々抽出して小行列を各々構成し、各小行列を用いて音声の類似度を算出してもよい。
この発明によれば、類似度の算出に用いられる両帯域間相関行列は、個人差の現れない要素が排除された内容となっている。従って、この帯域間相関行列を用いることにより、音声の類似度の評価の精度を高めることができる。
この発明による音声の類似度の評価の技術が具現される典型例として、例えば話者認証や話者識別がある。その詳細は以下に掲げる「発明を実施するための最良の形態」において明らかにされる。

以下、図面を参照し、この発明の実施の形態を説明する。
＜第１実施形態＞
図１はこの発明の一実施形態である話者認証装置の構成を示すブロック図である。この話者認証装置は、大別して、登録部１０と、テンプレートＤＢ（データベース）２０と、認証部３０とにより構成されている。

登録部１０の構成は次の通りである。まず、ＩＤ入力部１１は、あるサービスを受けることについて正当な権原を有するユーザのＩＤを受け取る装置であり、キーボード等により構成されている。音声入力部１２は、上記正当な権原を有するユーザの音声を受け取る装置であり、例えばマイクロホンとこのマイクロホンから出力されるアナログ音声信号をデジタル形式の音声データに変換するＡ／Ｄ変換器により構成されている。発話区間検出部１３は、音声入力部１２から出力される音声データのレベルを監視し、レベルが閾値以上である発話区間内の音声データを通過させる装置である。

特徴量抽出部１４は、発話区間検出部１３を通過した発話区間の音声データから特徴量を抽出する装置である。本実施形態では、ユーザ毎に、複数種類の文章を発話させ、特徴量抽出部１４は、各文章の音声から特徴量を各々抽出する。登録情報作成部１５は、それらの特徴量を平均化した特徴量をＩＤ入力部１１が受け取ったユーザＩＤと対応付け、登録情報としてテンプレートＤＢ２０に登録する。

認証部３０の構成は次の通りである。まず、ＩＤ入力部３１は、認証対象であるユーザのＩＤを受け取る装置であり、キーボード等により構成されている。音声入力部３２は、認証対象であるユーザの音声を受け取る装置であり、音声入力部１２と同様、マイクロホンとＡ／Ｄ変換器等により構成されている。音声入力部３２の後段には発話区間検出部１３と同様な発話区間検出部３３が設けられている。

特徴量抽出部３４は、特徴量抽出部１４と同様な抽出方法により、発話区間検出部３３を通過した音声データから特徴量を抽出する装置である。登録情報選択部３５は、ＩＤ入力部３１が受け取ったユーザのＩＤに対応付けられた特徴量をテンプレートＤＢ２０から読み出し、所定の閾値とともに出力する装置である。

特徴量比較部３６は、特徴量抽出部３４により抽出された特徴量と登録情報選択部３５により読み出された特徴量とを比較し、比較結果として、両特徴量が表す音声の類似度を出力する装置である。認証結果出力部３７は、特徴量比較部３６から出力される類似度と登録情報選択部３５から出力される閾値とを比較することにより、音声入力部３２が受け取った音声の発生元であるユーザがＩＤ入力部３１が受け取ったＩＤに対応したユーザであるか否かの認証を行い、認証結果を出力する装置である。

本実施形態の特徴は、特徴量抽出部１４および３４の構成、これらにより抽出される特徴量である帯域間相関行列の内容並びに特徴量比較部３６において行われる特徴量の比較方法にある。

特徴量抽出部１４および３４は、いずれも図２に示す帯域間相関行列生成部を有している。周波数分析部５１は、一定時間長のフレーム単位で、発話区間検出部１３または３３を通過した音声データにＦＦＴ（高速フーリエ変換）を施し、ＦＦＴにより得られる振幅スペクトルを出力する。

帯域別エンベロープ生成部５２は、周波数軸上において間を空けて並んだ複数の帯域に各々属する各成分を周波数分析部５１のＦＦＴ結果から抽出し、各帯域に属する音声の各成分のエンベロープを生成する装置である。さらに詳述すると、帯域別エンベロープ生成部５２は、次の処理を行う。まず、フレーム毎に、周波数分析部５１から得られる振幅スペクトルの中から、図３に示すように、周波数軸上において間を空けて並んだ第１帯域〜第Ｎ帯域に各々属するものを抽出し、ｄＢ値の形式に変換する。そして、第１帯域〜第Ｎ帯域の各々について、フレーム毎に得られるｄＢ値表現の振幅スペクトルの推移を求めて、第１帯域〜第Ｎ帯域に各々属する音声の成分のエンベロープＥ−ｉ（ｉ＝１〜Ｎ）を出力する。なお、帯域別の音声成分のエンベロープＥ−ｉ（ｉ＝１〜Ｎ）は、通過帯域の異なった複数のＢＰＦ（バンドパスフィルタ）からなるフィルタバンクにより入力音声の帯域分割を行い、このフィルタバンクを通過した各帯域の信号に半波整流および平滑化等の処理を施すことにより求めてもよい。

相関値算出部５３は、ｊ＝１〜Ｎ、ｋ＝１〜Ｎの範囲内における全ての（ｊ，ｋ）の組み合わせについて、第ｊ帯域のエンベロープＥ−ｊおよび第ｋ帯域のエンベロープＥ−ｋ間の相関値ａｊｋを算出し、相関値ａｊｋ（ｊ＝１〜Ｎ、ｋ＝１〜Ｎ）を要素とするＮ行Ｎ列の帯域間相関行列を出力する。
以上が特徴量抽出部１４および３４の構成並びにこれらにより抽出される帯域間相関行列の内容の詳細である。

特徴量比較部３６は、以上説明した帯域間相関行列同士の比較を行い、比較対象である各帯域間相関行列の抽出元である各音声の類似度を算出する。ある好ましい態様において、特徴量比較部３６は、比較対象である２つの帯域間相関行列について、例えば列毎に両帯域間相関行列の要素間の相関値を求め、全列についての相関値の平均値を類似度として出力する。他の好ましい態様において、特徴量比較部３６は、比較対象である２つの帯域間相関行列をＡおよびＢとした場合、下記式（１）に従って類似度Ｄを算出する。
Ｄ＝√（ｔｒａｃｅ（ＡＢ^−１）・ｔｒａｃｅ（ＢＡ^−１）） ………（１）
ただし、上記式（１）において、ｔｒａｃｅ（）は、括弧内の正方行列の対角線要素の和を意味する。

図４は本実施形態において行われる認証処理を示すフローチャートである。あるユーザの認証処理においては、まず、ＩＤ入力部３１によりそのユーザのＩＤが取得されるとともに、同ユーザの発話区間内の音声データが音声入力部３２および発話区間検出部３３により取得される（ステップＳ１１）。

次に特徴量抽出部３４により、ステップＳ１１において取得された音声データから帯域間相関行列Ａが生成され（ステップＳ１２）、登録情報選択部３５によりステップＳ１１において取得されたＩＤに対応付けられた帯域間相関行列ＢがテンプレートＤＢ２０から読み出される（ステップＳ１３）。

そして、特徴量比較部３６は、帯域間相関行列ＡおよびＢに基づいて音声の類似度Ｄを算出し（ステップＳ１４）、認証結果出力部３７はこの類似度Ｄと閾値とを比較する（ステップＳ１５）。そして、認証結果出力部３７は、類似度Ｄが閾値以上であれば、話者であるユーザはユーザＩＤに対応した本人であると判断し（ステップＳ１６）、そうでない場合は詐称者であると判断し（ステップＳ１７）、その判断結果を出力する。

以上説明した本実施形態において、特徴量比較部３６において比較される２つの帯域間相関行列は、周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とするものである。従来技術の下では、話者毎に、周波数軸上において隙間なく並んだ帯域間における音声の成分のエンベロープを要素とする帯域間相関行列を求め、特徴量として利用した。しかし、隣り合った帯域間では、どの話者でも音声の成分のエンベロープの相関値が高くなる。この意味において、従来技術において用いられていた帯域間相関行列は、個人差の現れない要素を含んだものであったと言える。しかし、本実施形態において比較対象となる帯域間相関行列は、個人差の現れない要素が排除された内容となっている。従って、本実施形態によれば、帯域間相関行列の比較の際に、個人差を際立たせ、認証の精度を向上させることができるという効果がある。

＜第２実施形態＞
本実施形態も、上記第１実施形態と同様、話者認証装置に関するものである。本実施形態による話者認証装置は上記第１実施形態のものと基本的に同様な構成を有する。本実施形態と上記第１実施形態との相違は、特徴量抽出部１４および３４における帯域間相関行列の生成方法並びに特徴量比較部３６における帯域間相関行列の比較方法にある。

本実施形態において、特徴量抽出部１４および３４は、前掲図３に示したような間の空いた第１帯域〜第Ｎ帯域ではなく、周波数軸上において隙間なく並んだ第１帯域〜第２Ｎ帯域に属する成分のエンベロープＥｉ（ｉ＝１〜２Ｎ）を、発話区間検出部１３または３３を通過した音声データから生成し、これらのエンベロープＥｉ（ｉ＝１〜２Ｎ）に基づいて帯域間相関行列（２Ｎ×２Ｎ行列）を生成する。

そして、特徴量比較部３６は、比較対象である２つの帯域間相関行列において、所定行数間隔かつ所定列数間隔で並んだ各要素を各々抽出して小行列を各々構成し、各小行列同士を比較することにより音声の類似度を算出する。図５はその例を示している。この例では、比較対象である２個の帯域間相関行列（２Ｎ×２Ｎ行列）から偶数列の要素および偶数行の要素を間引いて、小行列（Ｎ×Ｎ行列）を構成し、それらの比較により音声の類似度を算出する。

この場合において、比較対象である小行列（Ｎ×Ｎ行列）の各要素は、周波数軸上において間を空けて並んだＮ個の帯域間における音声の成分のエンベロープの相関値となる。
従って、本実施形態においても上記第１実施形態と同様な効果が得られる。

＜第３実施形態＞
図６はこの発明の一実施形態である話者識別装置の構成を示すブロック図である。この話者識別装置は、上記第１実施形態（図１）のものと同様な登録部１０とテンプレートＤＢ２０を有するとともに、識別部４０を有する。

識別部４０の構成は次の通りである。まず、音声入力部４１は、識別対象であるユーザから音声を受け取り、音声データを出力する装置である。発話区間検出部４２は、音声入力部４１が出力する音声データのうち発話区間のものを検出して出力する装置である。特徴量抽出部４３は、発話区間検出部４２を通過した音声データから特徴量を抽出する装置である。特徴量比較部４４は、特徴量抽出部４３により抽出された特徴量をテンプレートＤＢ２０に登録された各ユーザの特徴量と比較し、比較結果を示す類似度を出力する装置である。そして、識別結果出力部４５は、テンプレートＤＢ２０に登録された各ユーザの特徴量の中から特徴量抽出部４３により抽出された特徴量との類似度が最も高いものを選択し、その特徴量に対応付けられたユーザのＩＤを出力する装置である。

本実施形態における特徴量抽出部１４および４３の構成、これらにより抽出される特徴量である帯域間相関行列の内容並びに特徴量比較部４４において行われる特徴量の比較方法は、上記第１実施形態または第２実施形態において説明した通りである。

図７は本実施形態において行われる認証処理を示すフローチャートである。あるユーザの識別処理においては、まず、識別対象であるユーザの発話区間内の音声データが音声入力部４１および発話区間検出部４２により取得される（ステップＳ２１）。

次に特徴量抽出部４３により、ステップＳ２１において取得された音声データから帯域間相関行列Ａが生成される（ステップＳ２２）。また、このとき、識別結果出力部４５は、最大類似度Ｄｍａｘを０に初期化する。

そして、テンプレートＤＢ２０に登録された帯域間相関行列の個数がＭであるとした場合、本実施形態では、ｉ＝１〜Ｍまでの各ｉについて、ステップＳ２３〜Ｓ２８のループ処理を繰り返し実行する。

まず、特徴量比較部４４は、テンプレートＤＢ２０からｉ番目のユーザの帯域間相関行列Ｂｉを読み出す（ステップＳ２４）。次に特徴量比較部４４は、ステップＳ２２において得られた帯域間相関行列ＡとステップＳ２４において読み出された帯域間相関行列Ｂｉとの類似度Ｄを算出する（ステップＳ２５）。ここで、特徴量である帯域間相関行列ＡおよびＢｉが上記第１実施形態に開示されたような周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とするものである場合、このステップＳ２５では帯域間相関行列Ａと帯域間相関行列Ｂｉをそのまま用いて類似度Ｄを算出する。これに対し、帯域間相関行列ＡおよびＢｉが周波数軸上において間を空けないで並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とするものである場合、このステップＳ２５では、上記第２実施形態において開示したように、帯域間相関行列ＡおよびＢｉの各々について行の間引きおよび列の間引きを行って小行列を各々構成し、これらの小行列を用いて類似度Ｄを算出する。そして、識別結果出力部４５は、このようにして得られた類似度Ｄを最大類似度Ｄｍａｘと比較し（ステップＳ２６）、Ｄ＞Ｄｍａｘである場合に限り、Ｄｍａｘ＝Ｄとするとともにｉｍａｘ＝ｉとする（ステップＳ２７）。

以上の処理がｉ＝１〜Ｍまでの各ｉについて繰り返される結果、テンプレートＤＢ２０内のＭ個の帯域間相関行列Ｂｉ（ｉ＝１〜Ｍ）のうち入力音声から得られた帯域間相関行列Ａとの相関値が最も高い帯域間相関行列Ｂｉｍａｘのインデックスｉｍａｘが得られる。識別結果出力部４５は、このインデックスｉｍａｘに対応付けられたユーザＩＤであるＩＤｉｍａｘを識別結果として出力する（ステップＳ２９）。

以上が本実施形態の動作である。本実施形態においても上記第１実施形態および第２実施形態と同様な効果が得られる。

＜第４実施形態＞
上記第２実施形態において特徴量比較部３６は、比較対象である２つの帯域間相関行列の各々から１種類の抽出方法（例えば奇数列および奇数行の間引き、あるいは偶数列かつ偶数行の要素の抽出）により各１種類の小行列を抽出し、各小行列同士を比較することにより音声の類似度を算出した。しかし、２つの帯域間相関行列の各々から小行列を抽出する方法は１種類ではない。本実施形態において特徴量比較部３６は、比較対象である２つの音声について得られた各帯域間相関行列から、異なった複数種類の抽出方法により複数種類の小行列を各々抽出する。そして、比較対象である２つの音声の帯域間相関行列から同一の抽出方法により各々抽出された２つの小行列間の類似度を算出する処理を複数種類の抽出方法の各々について実行する。そして、各抽出方法について得られた小行列間の類似度の総合的な評価（例えば各類似度の平均）を行うことにより比較対象である２つの音声の類似度を算出するのである。本実施形態による類似度の評価方法は、上記第１および２実施形態において示したような話者認証システムに用いてもよいし、上記第３実施形態において示したような話者識別システムに用いてもよい。

図８は本実施形態において特徴量比較部３６により行われる類似度の算出処理の例を示している。この例において、特徴量比較部３６は、次の４種類の抽出方法により、テンプレートＤＢ２０から読み出された帯域間相関行列と入力音声の帯域間相関行列の各々から小行列を抽出する。
（ａ）奇数列かつ奇数行の要素の抽出
（ｂ）偶数列かつ偶数行の要素の抽出
（ｃ）偶数列かつ奇数行の要素の抽出
（ｄ）奇数列かつ偶数行の要素の抽出

特徴量比較部３６は、このようにして２つの帯域間相関行列から４種類の抽出方法により各々抽出された各小行列のうち同一抽出方法により抽出された小行列同士を比較し、各小行列間の類似度を算出する。この結果、４種類の類似度が得られる。特徴量比較部３６は、この４種類の類似度の例えば平均値を求め、これを比較対象である２つの音声の最終的な類似度とするのである。この方法では、上記第２実施形態に比べ、類似度の評価がより正確なものになることが期待される。

なお、以上説明した例では、元の帯域間相関行列において連続した２行２列の各要素の中から１つの要素を抽出することにより４種類の小行列を構成したが、２行２列以外のｍ行ｍ列（ｍ＞２）の各要素の中から１つの要素を抽出する方法により小行列を構成してもよい。例えば連続した３行３列の各要素から１つの要素を抽出した場合には、９種類の小行列を元の帯域間相関行列から抽出することができる。この場合、入力音声の帯域間相関行列から抽出された９種類の小行列と、テンプレートＤＢ２０の帯域間相関行列から抽出された９種類の小行列を同一種類の抽出方法により得られたもの同士比較し、各小行列間の類似度の例えば平均値を音声の類似度とすればよい。

＜各実施形態の効果の確認＞
本願発明者らは、上記各実施形態の効果を確認するため、上記第３実施形態（図６）のような話者識別システムを構成し、これによる話者識別実験を行った。この実験に当たり、男性２５人のグループ、女性２８人のグループの各人から音声を採取して帯域間相関行列を生成し、上述したテンプレートＤＢ２０を予め作成した。なお、この帯域間相関行列の生成の際、特徴量抽出部１４では、ＦＦＴではなく、ＬＰＦおよび複数のＢＰＦからなるフィルタバンクにより各帯域別の音声信号のエンベロープを求めた。特徴量抽出部４３による入力音声の帯域間相関行列の生成方法も同様である。そして、実験では、男性、女性のグループ毎に、グループ内の任意の者の音声を音声入力部４１に与えて話者識別を行わせ、識別結果の正答率である識別率を求めた。その際、特徴量比較部４４において比較対象である２つの帯域間相関行列から類似度の算出に用いる小行列を得る際の間引き間隔を変化させ、これに対する識別率の依存性を求めた。

図９は男性２５名についての識別率の間引き間隔に対する依存性を示すものであり、図１０は男性２８名についての識別率の間引き間隔に対する依存性を示すものある。これらの図において、間引き間隔０の場合の識別率は、特徴量比較部４４に入力音声の帯域間相関行列およびテンプレートＤＢ２０の帯域間相関行列の間引きを行わせず、各帯域間相関行列間の類似度を出力させた場合における話者識別の識別率である。また、間引き間隔１の場合の識別率は、特徴量比較部４４に１列おきかつ１行おきの帯域間相関行列の間引きを行わせ、比較対象である２つの音声間の類似度を出力させた場合に得られた識別率である。なお、上記第４実施形態において説明したように、元の帯域間相関行列から１列おきかつ１行おきの間引きにより小行列を得る方法は４通りあるので、特徴量比較部３４では、上記の（ａ）、（ｂ）の方法により、２つの帯域間相関行列から小行列を各々求めて小行列間の類似度を求め、これらの類似度の平均値を最終的な音声間の類似度としている。同様に、間引き間隔ｋの場合の識別率は、特徴量比較部４４にｋ列おきかつｋ行おきの帯域間相関行列の間引きを行わせて、比較対象である２つの音声間の類似度を算出させた場合に得られた識別率である。

これらの図に示すように、実験結果は、比較対象である音声の帯域間相関行列をそのまま用いて音声の類似度を算出させるよりも、帯域間相関行列について行および列の間引きを行って音声の類似度の算出を行わせた方が話者の識別率が向上することを示している。

以上、この発明の各種の実施形態について説明したが、この発明にはこれ以外にも他の実施形態が考えられる。例えば次の通りである。
（１）上記第１実施形態において、第１帯域〜第Ｎ帯域の各々の幅と、各帯域の間隔は等しくてもよく、異なっていてもよい。
（２）上記第２実施形態では、周波数軸上において隙間なく並んだ複数の帯域間における音声の成分のエンベロープを入力音声から求め、これらのエンベロープの帯域間における相関値を要素とする帯域間相関行列を特徴量として使用した。しかし、帯域間相関行列の元となる音声の成分のエンベロープは、必ずしも周波数軸上において隙間なく並んだ複数の帯域におけるものである必要はなく、隙間を空けて並んだ複数の帯域における音声の成分であってもよい。
（３）上記第１実施形態および第２実施形態における話者認証装置では、認証部３０とは別の装置として登録部１０が設けられているが、認証部３０に登録部１０の機能を併せ持たせ、ユーザが認証に用いる自分の音声の帯域間相関行列を認証部３０を介してテンプレートＤＢ２０に登録し得るように構成してもよい。上記第３実施形態における話者識別装置も同様であり、識別部４０に登録部１０の機能を併せ持たせてもよい。

この発明の第１実施形態である話者認証装置の構成を示すブロック図である。 同実施形態において特徴量抽出部として用いられる帯域間相関行列生成部の構成を示すブロック図である。 同実施形態において音声の成分の抽出を行うＮ個の帯域を示す図である。 同実施形態において行われる認証処理を示すフローチャートである。 この発明の第２実施形態における帯域間相関行列の比較方法を説明する図である。 この発明の第３実施形態である話者識別装置の構成を示すブロック図である。 同実施形態において行われる識別処理を示すフローチャートである。 この発明の第４実施形態において特徴量比較部により行われる類似度の算出処理を示す図である。 この発明の各実施形態の効果を示す図である。 この発明の各実施形態の効果を示す図である。

符号の説明

１０……登録部、２０……テンプレートＤＢ、３０……認証部、４０……識別部、１２，３２，４１……音声入力部、１１，３１……ＩＤ入力部、１３，３３，４２……発話区間検出部、１４，３４，４３……特徴量抽出部、１５……登録情報作成部、３５……登録情報選択部、３６，４４……特徴量比較部、３７……認証結果出力部、４５……識別結果出力部。

Claims (9)

1. 周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を入力音声から生成する帯域間相関行列生成過程と、
   比較対象である２つの音声について前記帯域間相関行列生成過程により得られた各帯域間相関行列を用いて音声の類似度を算出する類似度算出過程と
   を具備することを特徴とする音声の類似度評価方法。
2. 周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を入力音声から生成する帯域間相関行列生成過程と、
   比較対象である２つの音声について前記帯域間相関行列生成過程により得られた各帯域間相関行列から、所定行数間隔かつ所定列数間隔で並んだ各要素を各々抽出して小行列を各々構成し、各小行列を用いて音声の類似度を算出する類似度算出過程と
   を具備することを特徴とする音声の類似度評価方法。
3. 周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を入力音声から生成する帯域間相関行列生成手段と、
   比較対象である２つの音声について前記帯域間相関行列生成手段により得られた各帯域間相関行列を用いて音声の類似度を算出する類似度算出手段と
   を具備することを特徴とする音声の類似度評価装置。
4. 周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を入力音声から生成する帯域間相関行列生成手段と、
   比較対象である２つの音声について前記帯域間相関行列生成手段により得られた各帯域間相関行列から、所定行数間隔かつ所定列数間隔で並んだ各要素を各々抽出して小行列を各々構成し、各小行列同士を用いて音声の類似度を算出する類似度算出手段と
   を具備することを特徴とする音声の類似度評価装置。
5. 前記類似度算出手段は、比較対象である２つの音声について得られた各帯域間相関行列から、異なった複数種類の抽出方法により複数種類の前記小行列を各々抽出し、比較対象である２つの音声の帯域間相関行列から同一の抽出方法により各々抽出された２つの小行列間の類似度を算出する処理を前記複数種類の抽出方法の各々について実行し、各抽出方法について得られた小行列間の類似度の総合的な評価を行うことにより前記比較対象である２つの音声の類似度を算出することを特徴とする請求項４に記載の音声の類似度評価装置。
6. １または複数のユーザから得られた各音声の特徴量として、周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列をユーザのＩＤに対応付けて記憶するデータベースと、
   認証対象であるユーザのＩＤを受け取るＩＤ入力部と、
   前記認証対象であるユーザの音声を受け取る音声入力部と、
   周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を前記音声入力部が受け取った音声から生成する特徴量抽出部と、
   前記ＩＤ入力部が受け取ったユーザのＩＤに対応付けられた帯域間相関行列を前記データベースから読み出す登録情報選択部と、
   前記特徴量抽出部により生成された帯域間相関行列と前記登録情報選択部により読み出された帯域間相関行列とから音声の類似度を算出する特徴量比較部と、
   前記特徴量比較部により算出された音声の類似度に基づいて前記音声入力部が受け取った音声の発生元であるユーザが前記ＩＤ入力部が受け取ったＩＤに対応したユーザであるか否かの認証を行い、認証結果を出力する認証結果出力部と
   を具備することを特徴とする話者認証装置。
7. １または複数のユーザから得られた各音声の特徴量として、周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列をユーザのＩＤに対応付けて記憶するデータベースと、
   認証対象であるユーザのＩＤを受け取るＩＤ入力部と、
   前記認証対象であるユーザの音声を受け取る音声入力部と、
   周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を前記音声入力部が受け取った音声から生成する特徴量抽出部と、
   前記ＩＤ入力部が受け取ったユーザのＩＤに対応付けられた帯域間相関行列を前記データベースから読み出す登録情報選択部と、
   前記特徴量抽出部により生成された帯域間相関行列と前記登録情報選択部により読み出された帯域間相関行列の各々から、所定行数間隔かつ所定列数間隔で並んだ各要素を各々抽出して小行列を各々構成し、各小行列を用いて音声の類似度を算出する特徴量比較部と、
   前記特徴量比較部により算出された音声の類似度に基づき、前記音声入力部が受け取った音声の発生元であるユーザが前記ＩＤ入力部が受け取ったＩＤに対応したユーザであるか否かの認証を行い、認証結果を出力する認証結果出力部と
   を具備することを特徴とする話者認証装置。
8. １または複数のユーザから得られた各音声の特徴量として、周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列をユーザのＩＤに対応付けて記憶するデータベースと、
   識別対象であるユーザの音声を受け取る音声入力部と、
   周波数軸上において間を空けて並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を前記音声入力部が受け取った音声から生成する特徴量抽出部と、
   前記特徴量抽出部により生成された帯域間相関行列と前記データベースに記憶された各帯域間相関行列の各々との各類似度を各々算出する特徴量比較部と、
   前記特徴量比較部により算出された各類似度に基づき、前記データベースに記憶された各帯域間相関行列の中から前記特徴量抽出部により生成された帯域間相関行列と最も類似するものを選択し、選択した帯域間相関行列に対応付けられたＩＤを出力する識別結果出力部と
   を具備することを特徴とする話者識別装置。
9. １または複数のユーザから得られた各音声の特徴量として、周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列をユーザのＩＤに対応付けて記憶するデータベースと、
   識別対象であるユーザの音声を受け取る音声入力部と、
   周波数軸上において並んだ複数の帯域間における音声の成分のエンベロープの相関値を要素とする帯域間相関行列を前記音声入力部が受け取った音声から生成する特徴量抽出部と、
   前記特徴量抽出部により生成された帯域間相関行列および前記データベースに記憶された各帯域間相関行列の各々から、所定行数間隔かつ所定列数間隔で並んだ各要素を各々抽出して小行列を各々構成し、前記特徴量抽出部により生成された帯域間相関行列から得られた小行列と前記データベースに記憶された各帯域間相関行列から得られた各小行列との各類似度を各々算出する特徴量比較部と、
   前記特徴量比較部により算出された各類似度に基づき、前記データベースに記憶された各帯域間相関行列の中から前記特徴量抽出部により生成された帯域間相関行列と最も類似するものを選択し、選択した帯域間相関行列に対応付けられたＩＤを出力する識別結果出力部と
   を具備することを特徴とする話者識別装置。

Images