JP2011221544A - 2つのスイッチオフ規準を持つ音声検出装置 - Google Patents
2つのスイッチオフ規準を持つ音声検出装置 Download PDFInfo
- Publication number
- JP2011221544A JP2011221544A JP2011122008A JP2011122008A JP2011221544A JP 2011221544 A JP2011221544 A JP 2011221544A JP 2011122008 A JP2011122008 A JP 2011122008A JP 2011122008 A JP2011122008 A JP 2011122008A JP 2011221544 A JP2011221544 A JP 2011221544A
- Authority
- JP
- Japan
- Prior art keywords
- switch
- detection information
- signal
- voice
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 150
- 230000010365 information processing Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 102100033270 Cyclin-dependent kinase inhibitor 1 Human genes 0.000 description 2
- 101000944380 Homo sapiens Cyclin-dependent kinase inhibitor 1 Proteins 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100528972 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RPD3 gene Proteins 0.000 description 1
- 101100183412 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SIN4 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L2025/783—Detection of presence or absence of voice signals based on threshold decision
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Circuit For Audible Band Transducer (AREA)
- User Interface Of Digital Computer (AREA)
- Machine Translation (AREA)
- Time-Division Multiplex Systems (AREA)
Abstract
【課題】十分に良好な信号対雑音比を有する音声信号を検出すると共に、音声タイムスロットを決定する。
【解決手段】受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するスイッチオン閾検出器11と、受信信号のエネルギ量が第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するスイッチオフ閾検出器12と、第1スイッチオフ期間の間に第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の生成を終了させる情報処理手段13とを含む。該情報処理手段は、第2スイッチオフ期間の間第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間第1検出情報が入力されなかった場合にも音声検出情報の送出を追加的に終了させるように構成され、第3スイッチオフ期間の開始は第1検出情報が入力されなくなった後に第2検出情報が最初に入力される時として決定される。
【選択図】図1
【解決手段】受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するスイッチオン閾検出器11と、受信信号のエネルギ量が第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するスイッチオフ閾検出器12と、第1スイッチオフ期間の間に第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の生成を終了させる情報処理手段13とを含む。該情報処理手段は、第2スイッチオフ期間の間第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間第1検出情報が入力されなかった場合にも音声検出情報の送出を追加的に終了させるように構成され、第3スイッチオフ期間の開始は第1検出情報が入力されなくなった後に第2検出情報が最初に入力される時として決定される。
【選択図】図1
Description
本発明は、請求項1の導入部に記載したような音声検出(speech detection)装置、請求項5の導入部に記載したような受信信号における十分に良好な信号対雑音比を持つ音声信号を検出する音声検出方法、及び請求項8の導入部に記載したようなコンピュータプログラム製品に関する。
上記のような音声検出装置、上記のような音声検出方法及び上記のようなコンピュータプログラム製品は、1998年から本出願人により“フリースピーチ98”と呼ばれるコンピュータプログラムとして販売されている音声認識装置の一部として知られている。コンピュータが上記コンピュータプログラム“フリースピーチ98”を実行し、ユーザが該コンピュータに接続されたマイクロフォンに対して文を口述すると、上記既知の音声認識装置の音声認識手段により認識された該文が上記コンピュータに接続されたモニタ上に表示される。口述の間、ユーザはマイクロフォンに向かって時には滑らかに話し、また時には短い休止を伴いながら話す。ユーザは、時には、マイクロフォンを口から過度に遠くで保持し、これにより該マイクロフォンにより発生される電気マイクロフォン信号の信号対雑音比が悪くなる。従って、所謂音声タイムスロットの間においては、上記マイクロフォン信号はユーザにより話された文に対応する音声信号を含み、所謂休止タイムスロットの間では上記マイクロフォン信号は音声信号を含まないか又は信号対雑音比が劣る音声信号を含むことになる。
上記既知の音声認識装置の音声検出装置には、上記マイクロフォンにより受信信号として又は該受信信号を表す受信データとして送出されるマイクロフォン信号を供給することができる。音声検出装置は、受信信号における音声信号の開始及び終了を検出して、対応する音声タイムスロットを決定する。音声検出装置は音声タイムスロットの間において音声認識手段に音声検出情報を供給し、該音声認識手段は音声タイムスロットの間にマイクロフォンから送出されるマイクロフォン信号のみを処理する。
受信信号における音声信号を検出するために、上記既知の音声検出装置はスイッチオン閾検出器及びスイッチオフ閾検出器を含み、これら検出器は入力信号のエネルギ量(energy content)を第1及び第2エネルギ閾値と比較するが、ここで第1エネルギ閾値は第2エネルギ閾値より高い。受信信号のエネルギ量が第1エネルギ閾値を越えると、上記スイッチオン閾検出器が第1検出情報を発生し、受信信号のエネルギ量が第2エネルギ閾値に達しないと、スイッチオフ閾検出器が第2検出情報を発生する。
音声タイムスロットを決定するために、上記音声検出装置は上記検出情報を入力し且つ処理する情報処理手段を含んでいる。音声タイムスロットのスイッチオンの規準として第1検出情報の発生が検出され、その後音声タイムスロットの開始は上記情報処理手段により、上記スイッチオン規準が満たされる240ms前として決定される。第1スイッチオフ期間の間の第2検出情報の中断のない発生は音声タイムスロットのスイッチオフの規準として検出され、その後、音声タイムスロットの終了は上記情報処理手段により上記スイッチオフ規準が満たされた時として決定される。
音声タイムスロットを決定するために、上記音声検出装置は上記検出情報を入力し且つ処理する情報処理手段を含んでいる。音声タイムスロットのスイッチオンの規準として第1検出情報の発生が検出され、その後音声タイムスロットの開始は上記情報処理手段により、上記スイッチオン規準が満たされる240ms前として決定される。第1スイッチオフ期間の間の第2検出情報の中断のない発生は音声タイムスロットのスイッチオフの規準として検出され、その後、音声タイムスロットの終了は上記情報処理手段により上記スイッチオフ規準が満たされた時として決定される。
上記既知の音声検出装置、既知の音声検出方法及び既知のコンピュータプログラムは、受信信号のスイッチオフ規準が、該受信信号のエネルギ量が第2エネルギ閾値周辺で変化する場合に満たされないという欠点を有している。斯様な受信信号は、例えばユーザが電話の会話のために口述を中断し、マイクロフォンを机の上に置いたような場合に、音声認識装置に供給される。この電話の会話の間にユーザにより又は室内の他の者により、マイクロフォンから遠く離れた位置で話される言葉は、低い信号対雑音比を持つ音声信号を時々含むようなマイクロフォン信号として該マイクロフォンに供給される。この低い信号対雑音比を持つ音声信号を伴う受信信号は、音声認識装置により音声認識に適した音声信号として誤って検出される。何故なら、音声タイムスロットが当該音声検出装置により終了されていないからである。このようにして、認識されるために供給されたものでは全くない音声信号が、音声認識手段により、上記の低い信号対雑音比による当該音声認識装置の悪い認識率で処理され、殆どの場合誤った文が認識される。
本発明の目的は、上述したような問題を取り除き、冒頭で述べたような形式の音声検出装置、音声検出方法及びコンピュータプログラム製品であって、音声タイムスロットを高信頼度で終了させるために第2スイッチオフ規準が設けられたような音声検出装置、音声検出方法及びコンピュータプログラム製品を提供することにある。この目的は、上記のような音声検出装置によれば請求項1の特徴部の対策により達成され、上記のような音声検出方法によれば請求項5の特徴部の対策により達成され、上記のようなコンピュータプログラム製品によれば請求項8の特徴部の対策により達成される。
これによれば、情報処理手段において、第2スイッチオフ期間の間の第1検出情報の中断されない欠落が音声タイムスロットを終了させる第2スイッチオフ規準として検出され、その後、該音声タイムスロットの終了が上記情報処理手段により該第2スイッチオフ規準が満たされるかに応じて決定されるようになる。この第2スイッチオフ規準に加えて、又は該規準の代わりに、上記情報処理手段は第3スイッチオフ規準も検証することができ、該第3スイッチオフ規準によれば、第1検出情報が受信されなくなった後第2検出情報が最初に入力されてから第3スイッチオフ期間の間に該第1検出情報が入力されなかったかが判定される。
上記第2及び/又は第3スイッチオフ規準に依存して音声タイムスロットを終了させることは、例えば、上述したような作業状況が発生し、受信信号が前記閾の周辺で変化するような場合においても、良好な信号対雑音比を有する1つの音声信号のみが音声認識装置により音声認識のために高信頼度で使用されるという利点を提供する。
請求項2に記載の対策によれば高信頼度の第2スイッチオフ規準が得られ、請求項3に記載の対策によれば音声タイムスロット用の高信頼度のスイッチオン規準が得られる。請求項4に記載の対策は、スイッチオン閾検出器及びスイッチオフ閾検出器のエネルギ閾値を受信信号におけるエネルギ量に適応させるので、良好な信号対雑音比を持つ音声信号の検出が改善される。
以下、本発明を図に示す2つの実施例を参照して説明するが、本発明は、これら実施例に限定されるものではない。
図1は、コンピュータプログラム製品をロードすることが可能な内部メモリを有するコンピュータを示し、該プログラム製品はソフトウェアコード部を有すると共に音声認識ソフトウェアにより形成されている。該コンピュータ1が音声認識ソフトウェアを処理する場合、該コンピュータ1は音声信号に割り当てられるべき文章情報を認識する音声認識装置を形成する。
該コンピュータ1のオーディオポート2にはマイクロフォン3を接続することができ、該マイクロフォンにはユーザが文又は命令を口述することができ、該マイクロフォンによりマイクロフォン信号MSをコンピュータ1に供給することができる。マイクロフォン3に向かって、ユーザは時には文を滑らかに話し、時には短い休止を伴って文を話す。ユーザは時にはマイクロフォン3を口から遠くに離して保持し、その場合には、該マイクロフォンにより送出されるマイクロフォン信号MSの信号対雑音比は相対的に悪くなる。従って、所謂音声タイムスロットTSの間ではマイクロフォン信号MSはユーザにより話された文に対応する音声信号SSを含み、所謂休止タイムスロットTPにおいては音声信号SSを含まないか又は音声認識装置により処理されるのには適さない、劣った信号対雑音比の音声信号SSを含むことになる。マイクロフォン3によりオーディオポート2を介してコンピュータ1に供給される斯様なマイクロフォン信号MSは、入力信号としてコンピュータ1へ、従って当該音声認識装置へ処理されるべく供給することができる。図2Aは斯様なマイクロフォン信号を時間の関数として示すが、該信号に関しては後に更に説明する。
コンピュータ1のモニタポート4にはモニタ5を接続することができ、該モニタにより当該音声認識装置により認識された文TXを表示することができる。この目的のため、認識された文を表すテキスト情報TIをモニタポート4からモニタ5に伝送することができる。
前記マイクロフォン信号MSはオーディオポート2からA/D変換器6に供給することができる。該A/D変換器6は、通常知られているように、該A/D変換器6に供給される上記マイクロフォン信号MSをデジタル化するように構成されている。A/D変換器6は、マイクロフォン信号MSに含まれるユーザにより話された文の情報を含む受信データEDを生成することができる。
当該音声認識装置は、更に、A/D変換器6により送出される上記受信データEDを供給することが可能な記憶手段7を含んでいる。コンピュータ1における該記憶装置7は、ハードディスクにより形成され、該ハードディスクに供給される受信データEDを記憶するように構成されている。該記憶手段7に供給された受信データEDは、音声検出情報SDIが入力された場合にのみ永久に記憶されるが、これについては後述する。
当該音声認識装置は更に音声検出装置8を含み、該音声検出装置にもA/D変換器6により送出される受信データEDを供給することができる。該音声検出装置8は受信データEDを評価することによりタイムスロットを検出するように構成され、該タイムスロットの間においては上記マイクロフォン信号MSは十分に良好な信号対雑音比を有するような音声信号SSを含む。このようなタイムスロットが検出された場合、音声検出装置8は適切な音声タイムスロットTSを決定するが、これについては後に詳述する。
更に、当該音声認識装置は上記マイクロフォン信号MSのうちの音声タイムスロットTSの間に受信された部分のみを評価する。何故なら、マイクロフォン信号MSのこれらの部分のみが、ユーザにより話された文の正しく評価することができる情報を含むからである。音声タイムスロットTSを特徴付けるために、音声検出装置8は音声検出情報SDIを記憶手段7に供給し、該記憶手段は結果としてユーザにより話された文の、当該音声認識装置により正しく評価することができる情報を含む受信データEDのみを記憶する。
コンピュータ1により形成される当該音声認識装置は、更に、音声認識手段9を含み、該音声認識手段により音声認識方法が実行されて、記憶手段7に記憶された受信データEDを評価する。この目的のため、音声認識手段9により記憶手段7に対して活性化情報AIを供給して、記憶手段7に永久的に記憶された受信データEDの送出を可能にする。音声認識手段9のような斯かる音声認識手段の構成及び動作方法、並びに音声認識手段9において実行されるような音声認識方法のステップは、長く知られており、例えば文献国際特許公開公報WO99/35640等に開示されている。
ユーザがマイクロフォン3に向かって文を話すと、例えば図2Aに示すようなマイクロフォン信号MSがコンピュータ1により形成された当該音声認識装置に供給される。図2Aに示すマイクロフォン信号MSは、時間区間として、第1音声信号SS1、第2音声信号SS2、第3音声信号SS3及びノイズ信号RSを含んでいる。第3音声信号SS3は、雑音信号RSと比較して、比較的低いエネルギ量を有している。何故なら、ユーザが該文を話した際にマイクロフォン3を口から過度に離して保持したからである。従って、第3音声信号SS3の信号対雑音比は劣り、それ故、該第3音声信号は音声処理手段9で正しく処理するには不適である。
音声検出装置8の目的は、マイクロフォン信号MSが第1音声信号SS1及び第2音声信号SS2を含むような音声タイムスロットTSを決定して、これら音声信号SS1及びSS2に含まれる情報を音声認識手段9が処理するのを可能にすることである。残りのタイムスロットは音声検出装置8により、マイクロフォン信号MSがノイズ信号RS及び第3音声信号SS3を含む休止タイムスロットPSとして決定されるべきである。音声検出装置8により決定された休止タイムスロットPSの間においては、音声検出装置8により記憶手段7には何の音声検出情報SDIも供給されない。
この目的を達成するため、音声検出装置8は、エネルギ平均化手段10、スイッチオン閾検出器11、スイッチオフ閾検出器12及び情報処理手段13を含んでいる。A/D変換器6により送出することができる受信データEDは、エネルギ決定手段10に供給することができる。該エネルギ決定手段10は、評価タイムスロット毎に、受信データEDの評価によりマイクロフォンMSに含まれるエネルギ量を決定する。ここでは、評価タイムスロットは20ミリ秒である。受信データEDはデジタルドメインで評価される。これはアナログドメインではマイクロフォン信号MSの二乗及び該二乗されたマイクロフォン信号の各評価タイムスロットにわたる積分に相当するであろうのと同様である。専門家は、斯様なデジタルドメインでのデータの評価には長い間馴染みがある。斯様にして決定されたエネルギ情報EIはエネルギ決定手段10によりスイッチオン閾検出器11及びスイッチオフ閾検出器12に供給することができるが、該情報はマイクロフォン信号MSのエネルギ量を特徴付けている。
図2Bは、エネルギ決定手段10により決定された図2Aに示すマイクロフォン信号MSのエネルギ情報EIを時間の関数として示している。マイクロフォン信号MSに含まれる音声信号SS1及びSS2がノイズ信号RS及び第3音声信号SS3より大きなエネルギ量を含むことを検出することができ、その結果、これら音声信号SS1及びSS2の検出がエネルギ情報EIの評価により可能となる。
この目的のため、スイッチオン閾検出器11は、該スイッチオン閾検出器11に供給されるエネルギ情報EIの値を、図2Bに示すような当該スイッチオン閾検出器11に記憶された第1エネルギ閾値ES1と連続的に比較する。スイッチオン閾検出器11は、マイクロフォン信号MSのエネルギ量が第1エネルギ閾値ES1より大きい場合に第1検出情報DI1を生成するように構成されている。図2Aに示すマイクロフォン信号MSが当該音声認識装置により受信された場合に上記スイッチオン閾検出器11により生成される第1検出情報DI1の時間の関数としての波形が、図2Cに示されている。
更に、スイッチオフ閾検出器12は、該スイッチオフ閾検出器12に供給されるエネルギ情報EIの値を、図2Bに示すような当該スイッチオフ閾検出器12に記憶された第2エネルギ閾値ES2と連続的に比較する。スイッチオフ閾検出器12は、マイクロフォン信号MSのエネルギ量が第2エネルギ閾値ES2より小さい場合に第2検出情報DI2を送出するように構成されている。図2Aに示すマイクロフォン信号MSが当該音声認識装置により受信された場合に上記スイッチオフ閾検出器12により送出される第2検出情報DI2の時間の関数としての波形が、図2Dに示されている。
情報処理装置13には、第1検出情報DI1と第2検出情報DI2とを供給することができる。該情報処理装置13は、該装置に供給される上記検出情報DI1及びDI2を評価し、音声タイムスロットTSを決定し、及び決定された音声タイムスロットTSの間に音声検出情報SDIを送出するように構成されている。
以下においては、本発明の第1実施例による情報処理手段13の動作方法が例示として説明される。該例によれば、情報処理手段13は図2C及び図2Dに示す検出情報DI1及びDI2を評価し、その後該情報処理装置13により、図2Eに波形が時間の関数として表されたような音声検出情報SDIが送出される。
時点t1から、情報処理手段13は第1検出情報DI1を入力し、時点t2において情報処理手段13は、第1検出情報DI1がスイッチオン期間TEにわたり入力されたことを確定する。結果として、スイッチオン規準が第1音声タイムスロットに関して満足されるが、これが音声検出情報SDI1により特徴付けられている。該第1音声タイムスロットの開始は、該情報処理手段13により、上記時点t1より進み期間TVだけ早い時点t3において定められる。
上記スイッチオン期間TEの間待つことは、例えばマイクロフォン3を机の上に置く場合に発生し得るような、短い大きい雑音のマイクロフォン信号MSの短い大振幅が当該情報処理手段13により誤って音声信号SSとして検出されることがないという利点を提供する。第1音声タイムスロットの始点を上記進み期間TVだけ進めて配置することにより、マイクロフォン信号MSにおいて検出された第1音声信号SS1の受信データEDが、第1エネルギ閾値ES1に到達する前に、記憶手段7に記憶され、後に音声認識手段9により更に処理されるという利点が得られる。これにより、全ての第1音声信号SS1の受信データEDが記憶されると共に、該第1音声信号SS1の開始が音声認識手段9による処理から失われることがなくなる。上述した2つの対策は、当該音声認識装置の認識率を有利に改善する。
スイッチオン規準が満足された後に、上記進み期間TV及びスイッチオン期間TEだけ進められた受信データEDの記憶に届くよう、記憶手段7に供給される受信データEDは、常に、該記憶手段7の受信バッファに記憶される。進み期間TV及びスイッチオン期間TEの間に、予想される受信データEDは上記受信バッファに短期間記憶することができ、次いで、該データEDは、スイッチオン規準が満たされる時点t2において記憶手段7に永久的に記憶することができる。
情報処理手段13は時点t4において該第1音声タイムスロットの終了を決定するようになっており、その際、該第1音声タイムスロットは音声期間TS1を有するようになる。時点t4において第1スイッチオフ規準が満足されるが、該規準によれば第1スイッチオフ期間TA1にわたり第2検出情報DI2が情報処理手段13により中断無く入力されねばならない。図2Eに示すように、時点t3から時点t4まで、記憶されるべき第1音声信号SS1の受信データEDに対して、音声検出情報SDI1が記憶手段7に供給される。
第1音声タイムスロットの終了の上述したような方法による決定は、音声信号SSのエネルギ量が短期間に非常に小さい場合に、第1音声タイムスロットが誤って早く終了されて、該第1音声信号SS1の最後の部分の受信データEDが音声認識手段9に処理されるべく供給されなくなることがないであろうという利点を提供する。音声信号SSの斯様な短い非常に小さなエネルギ量は、“t”又は“p”のような子音が発音される場合、及びマイクロフォン信号MSの短い中断がある場合等に発生し得る。
図2の実施例によれば、情報処理手段13は、第1休止期間TP1の後、第1音声タイムスロットに関して上述したのと同様にして、時点t5を第2音声タイムスロットの開始と判定する。該第2音声タイムスロットの間、マイクロフォン信号MSは第2音声信号SS2を含み、該第2音声信号には第3音声信号SS3が後続する。第3音声信号SS3のエネルギ量は第2エネルギ閾値ES2付近で変化し、その際、第1スイッチオフ期間TA1より短い期間TKの間だけ第2検出情報DI2が入力される。従って、第3音声信号SS3の間では第1スイッチオフ規準は満たされず、結果として第2音声タイムスロットは情報処理手段13により終了されないであろう。
本発明の第1実施例による情報処理手段13は、ここで、第2スイッチオフ規準が満たされるかを判定するように構成されている。該第2スイッチオフ規準は、第2スイッチオフ期間TA2の間に第1検出情報DI1が入力されなかった場合に満たされる。時点t6以降、情報処理手段13は、最早、第1検出情報DI1を入力することはなく、その結果、情報処理手段13は時点t7において該第2スイッチオフ規準の存在を確定する。図2Eに示すように、時点t5から時点t7までの第2音声タイムスロットTS2の間、第2の音声検出情報SDI2が記憶手段7に供給されて、時点t5以降第2音声信号SS2の受信データEDを記憶する。
結果として、ノイズ信号RSのみ又は悪い信号対雑音比を持つ第3音声信号SS3のみを含むマイクロフォン信号MSの受信データEDは音声認識手段9に供給されず、これにより該音声認識手段9による誤った文の認識が防止されるという利点が得られる。
以下においては、本発明による追加の対策及びそれらの利点を、本発明の第2実施例を参照して説明する。該第2実施例による音声検出装置は、上記第1実施例による図1に示した音声検出装置8に相当するが、該第2実施例による情報処理手段は第1スイッチオフ規準又は第3スイッチオフ規準が満たされるかを検証するように構成されている。第3スイッチオフ規準は、第3スイッチオフ期間TA3の間に第1検出情報DI1が入力されなかった場合に満たされるが、該第3スイッチオフ期間TA3の開始は、第1検出情報DI1が無くなった後、次いで第2検出情報DI2が入力された場合に検出される。
以下においては、本発明の第2実施例による情報処理手段の動作方法が例示により説明される。この例によれば、図2Aに示すマイクロフォン信号MSが当該音声認識装置に供給され、図2C及び2Dに示す検出情報DI1及びDI2が上記情報処理手段により評価される。該第2実施例に基づく情報処理手段による評価の結果、該情報処理手段は、図2Fに示すようなパターンの音声検出情報SDIを記憶手段7に供給する。
当該情報処理手段は、第3音声期間TS3を持つ第3の音声検出情報SDI3により特徴付けられ、本発明の第1実施例による前記第1音声タイムスロットに相当するような第3音声タイムスロットを決定する。この第3音声タイムスロットの開始は前記スイッチオン規準により決定され、該第3音声タイムスロットの終了は前記第1スイッチオフ規準により決定される。第2休止期間TP2の後、該第2実施例による情報処理手段は、上記スイッチオン規準が満たされる時点t5において第4音声タイムスロットの開始を決定する。
時点t6以降では、当該情報処理手段は、最早、第1検出情報DI1を入力せず、時点t8において、第1検出情報DI1が無くなった後の第2検出情報DI2を入力する。時点t9において、当該情報処理手段は、時点t8から第3スイッチオフ期間TA3にわたって第1検出情報DI1が入力されず、従って第3スイッチオフ規準が満たされたことを確定する。続いて、該時点t9において、当該情報処理手段は音声期間TS4を持つ第4音声タイムスロットの終了を決定する。この第4音声タイムスロットを特徴付けるため、第4の音声検出情報SDI4が記憶手段7に供給される。
このようにして、該第2実施例による情報処理手段により第3スイッチオフ規準が判定されるという事実は、ノイズ信号RSのみ又は悪い信号対雑音比を持つ第3音声信号SS3のみを含むマイクロフォン信号MSの受信データEDが音声認識手段9に供給されず、これにより該音声認識手段9による誤った文の認識が防止されるという利点を提供する。
音声検出情報SDIが前記スイッチオン閾検出器及びスイッチオフ閾検出器に供給されるようにすることが考えられる。その場合、これら閾検出器は、休止タイムスロットTPにおけるエネルギ情報EIを評価して、休止タイムスロットTPの間においてマイクロフォン信号MSに含まれるノイズ信号RSのエネルギ量に対する第1及び第2エネルギ閾値を適応化するように構成することができる。
これは、当該音声検出装置が、例えば大きな背景雑音の結果として口述の間にノイズ信号RSのエネルギ量が変化するような場合にも、良好な信号対雑音比を持つ音声信号SSのみを検出するようになるという利点を提供することができる。
本発明による音声検出装置には、アナログ信号を処理する手段を設けることもできることができることが分かる。その場合、前記エネルギ決定手段はアナログ受信信号を二乗すると共に該信号を前記評価タイムスロットにわたり積分し、且つ、斯様にして決定されたアナログエネルギ信号を2つの比較器に供給する。この場合、これら比較器は上記スイッチオン閾検出器及びスイッチオフ閾検出器を構成することになる。
本発明による音声検出装置は、マイクロフォン信号を磁気テープカセット又はハードディスク上に記録する口述記録器(ディクテーションマシン)に組み込み、口述記録の音声により制御される自動起動及び自動停止を可能にするようにすることも考えられる。
また、本発明による音声検出装置は、音声入力により起動及び停止される他のマシンに設けることも考えられる。斯様なマシンは、例えば、移動電話である。
いくつかの態様を記載しておく。
〔態様1〕受信信号における十分に良好な信号対雑音比を有する音声信号を検出すると共に、音声タイムスロットを決定する音声検出装置であって、該音声検出装置は、
前記受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するスイッチオン閾検出器と、
前記受信信号のエネルギ量が前記第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するスイッチオフ閾検出器と、
前記第1検出情報及び第2検出情報を入力及び処理し、第1スイッチオフ期間の間に前記第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の送出を終了させる情報処理手段と、
を含むような音声検出装置において、
前記情報処理手段は、第2スイッチオフ期間の間前記第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間前記第1検出情報が入力されなかった場合にも前記音声検出情報の送出を追加的に終了させるように構成され、前記第3スイッチオフ期間の開始は前記第1検出情報が入力されなくなった後に前記第2検出情報が最初に入力される時として決定されることを特徴とする音声検出装置。
〔態様2〕態様1に記載の音声検出装置において、前記情報処理手段においては前記第1スイッチオフ期間が前記第2スイッチオフ期間及び/又は前記第3スイッチオフ期間よりも短いことを特徴とする音声検出装置。
〔態様3〕態様1に記載の音声検出装置において、前記スイッチオン閾検出器は、前記受信信号のエネルギ量が少なくとも1つのスイッチオン期間の間前記第1エネルギ閾値より大きい場合に前記第1検出情報を生成するように構成されていることを特徴とする音声検出装置。
〔態様4〕態様1に記載の音声検出装置において、当該音声検出装置が、前記第1エネルギ閾値及び/又は第2エネルギ閾値を前記受信信号に含まれるノイズ信号のエネルギ量に適応化させるように構成されていることを特徴とする音声検出装置。
〔態様5〕受信信号における十分に良好な信号対雑音比を有する音声信号を検出すると共に、音声タイムスロットを決定する音声検出方法であって、該音声検出方法は、
前記受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するステップと、
前記受信信号のエネルギ量が前記第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するステップと、
前記第1検出情報及び第2検出情報を入力及び処理するステップと、
第1スイッチオフ期間の間に前記第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の送出を終了させるステップと、
を有するような音声検出方法において、
前記終了させるステップは、第2スイッチオフ期間の間前記第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間前記第1検出情報が入力されなかった場合にも前記音声検出情報の送出が追加的に終了されるように構成され、前記第3スイッチオフ期間の開始は前記第1検出情報が入力されなくなった後に前記第2検出情報が最初に入力される時として決定されることを特徴とする音声検出方法。
〔態様6〕態様5に記載の音声検出方法において、前記第1検出情報は、前記受信信号のエネルギ量が少なくとも1つのスイッチオン期間の間前記第1エネルギ閾値より大きくなるまで送出されないことを特徴とする音声検出方法。
〔態様7〕態様5に記載の音声検出方法において、前記第1エネルギ閾値及び/又は第2エネルギ閾値が、前記受信信号に含まれるノイズ信号のエネルギ量に適応化されることを特徴とする音声検出方法。
〔態様8〕デジタルコンピュータの内部メモリに直接ロードすることができると共に、ソフトウェアコード部を含むようなコンピュータプログラムにおいて、該コンピュータプログラムが前記デジタルコンピュータ上で実行された場合に、態様5に記載の音声検出方法の前記各ステップが前記デジタルコンピュータにより実行されることを特徴とするコンピュータプログラム。
〔態様9〕態様8に記載のコンピュータプログラムが記憶されている、コンピュータにより読み取ることが可能な媒体。
〔態様1〕受信信号における十分に良好な信号対雑音比を有する音声信号を検出すると共に、音声タイムスロットを決定する音声検出装置であって、該音声検出装置は、
前記受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するスイッチオン閾検出器と、
前記受信信号のエネルギ量が前記第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するスイッチオフ閾検出器と、
前記第1検出情報及び第2検出情報を入力及び処理し、第1スイッチオフ期間の間に前記第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の送出を終了させる情報処理手段と、
を含むような音声検出装置において、
前記情報処理手段は、第2スイッチオフ期間の間前記第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間前記第1検出情報が入力されなかった場合にも前記音声検出情報の送出を追加的に終了させるように構成され、前記第3スイッチオフ期間の開始は前記第1検出情報が入力されなくなった後に前記第2検出情報が最初に入力される時として決定されることを特徴とする音声検出装置。
〔態様2〕態様1に記載の音声検出装置において、前記情報処理手段においては前記第1スイッチオフ期間が前記第2スイッチオフ期間及び/又は前記第3スイッチオフ期間よりも短いことを特徴とする音声検出装置。
〔態様3〕態様1に記載の音声検出装置において、前記スイッチオン閾検出器は、前記受信信号のエネルギ量が少なくとも1つのスイッチオン期間の間前記第1エネルギ閾値より大きい場合に前記第1検出情報を生成するように構成されていることを特徴とする音声検出装置。
〔態様4〕態様1に記載の音声検出装置において、当該音声検出装置が、前記第1エネルギ閾値及び/又は第2エネルギ閾値を前記受信信号に含まれるノイズ信号のエネルギ量に適応化させるように構成されていることを特徴とする音声検出装置。
〔態様5〕受信信号における十分に良好な信号対雑音比を有する音声信号を検出すると共に、音声タイムスロットを決定する音声検出方法であって、該音声検出方法は、
前記受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するステップと、
前記受信信号のエネルギ量が前記第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するステップと、
前記第1検出情報及び第2検出情報を入力及び処理するステップと、
第1スイッチオフ期間の間に前記第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の送出を終了させるステップと、
を有するような音声検出方法において、
前記終了させるステップは、第2スイッチオフ期間の間前記第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間前記第1検出情報が入力されなかった場合にも前記音声検出情報の送出が追加的に終了されるように構成され、前記第3スイッチオフ期間の開始は前記第1検出情報が入力されなくなった後に前記第2検出情報が最初に入力される時として決定されることを特徴とする音声検出方法。
〔態様6〕態様5に記載の音声検出方法において、前記第1検出情報は、前記受信信号のエネルギ量が少なくとも1つのスイッチオン期間の間前記第1エネルギ閾値より大きくなるまで送出されないことを特徴とする音声検出方法。
〔態様7〕態様5に記載の音声検出方法において、前記第1エネルギ閾値及び/又は第2エネルギ閾値が、前記受信信号に含まれるノイズ信号のエネルギ量に適応化されることを特徴とする音声検出方法。
〔態様8〕デジタルコンピュータの内部メモリに直接ロードすることができると共に、ソフトウェアコード部を含むようなコンピュータプログラムにおいて、該コンピュータプログラムが前記デジタルコンピュータ上で実行された場合に、態様5に記載の音声検出方法の前記各ステップが前記デジタルコンピュータにより実行されることを特徴とするコンピュータプログラム。
〔態様9〕態様8に記載のコンピュータプログラムが記憶されている、コンピュータにより読み取ることが可能な媒体。
Claims (1)
- 受信信号における十分に良好な信号対雑音比を有する音声信号を検出すると共に、音声タイムスロットを決定する音声検出装置であって、該音声検出装置は、
前記受信信号のエネルギ量が第1エネルギ閾値を越える場合に第1検出情報を送出するスイッチオン閾検出器と、
前記受信信号のエネルギ量が前記第1エネルギ閾値より小さな第2エネルギ閾値に満たない場合に第2検出情報を送出するスイッチオフ閾検出器と、
前記第1検出情報及び第2検出情報を入力及び処理し、第1スイッチオフ期間の間に前記第2検出情報が入力された場合に音声タイムスロットを特徴付ける音声検出情報の送出を終了させる情報処理手段と、
を含むような音声検出装置において、
前記情報処理手段は、第2スイッチオフ期間の間前記第1検出情報が入力されなかった場合、及び/又は第3スイッチオフ期間の間前記第1検出情報が入力されなかった場合にも前記音声検出情報の送出を追加的に終了させるように構成され、前記第3スイッチオフ期間の開始は前記第1検出情報が入力されなくなった後に前記第2検出情報が最初に入力される時として決定されることを特徴とする音声検出装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP00890026 | 2000-01-27 | ||
EP00890026.8 | 2000-01-27 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001555084A Division JP4810044B2 (ja) | 2000-01-27 | 2001-01-10 | 2つのスイッチオフ規準を持つ音声検出装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011221544A true JP2011221544A (ja) | 2011-11-04 |
Family
ID=8175896
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001555084A Expired - Fee Related JP4810044B2 (ja) | 2000-01-27 | 2001-01-10 | 2つのスイッチオフ規準を持つ音声検出装置 |
JP2011122008A Pending JP2011221544A (ja) | 2000-01-27 | 2011-05-31 | 2つのスイッチオフ規準を持つ音声検出装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2001555084A Expired - Fee Related JP4810044B2 (ja) | 2000-01-27 | 2001-01-10 | 2つのスイッチオフ規準を持つ音声検出装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US6662156B2 (ja) |
EP (1) | EP1171869B1 (ja) |
JP (2) | JP4810044B2 (ja) |
AT (1) | ATE489702T1 (ja) |
DE (1) | DE60143506D1 (ja) |
WO (1) | WO2001056015A1 (ja) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002005537A1 (en) * | 2000-06-29 | 2002-01-17 | Koninklijke Philips Electronics N.V. | Speech quality estimation for off-line speech recognition |
DE10251113A1 (de) * | 2002-11-02 | 2004-05-19 | Philips Intellectual Property & Standards Gmbh | Verfahren zum Betrieb eines Spracherkennungssystems |
GB0414711D0 (en) * | 2004-07-01 | 2004-08-04 | Ibm | Method and arrangment for speech recognition |
US8094790B2 (en) | 2005-05-18 | 2012-01-10 | Mattersight Corporation | Method and software for training a customer service representative by analysis of a telephonic interaction between a customer and a contact center |
US7995717B2 (en) | 2005-05-18 | 2011-08-09 | Mattersight Corporation | Method and system for analyzing separated voice data of a telephonic communication between a customer and a contact center by applying a psychological behavioral model thereto |
US8094803B2 (en) | 2005-05-18 | 2012-01-10 | Mattersight Corporation | Method and system for analyzing separated voice data of a telephonic communication between a customer and a contact center by applying a psychological behavioral model thereto |
US20070067270A1 (en) * | 2005-09-21 | 2007-03-22 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Searching for possible restricted content related to electronic communications |
US20070067719A1 (en) * | 2005-09-21 | 2007-03-22 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Identifying possible restricted content in electronic communications |
US20070067850A1 (en) * | 2005-09-21 | 2007-03-22 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Multiple versions of electronic communications |
MX2009001087A (es) * | 2006-08-04 | 2009-04-28 | Jps Communications Inc | Reconocimiento de modulacion de voz en un adaptador de radio a sip. |
US8023639B2 (en) | 2007-03-30 | 2011-09-20 | Mattersight Corporation | Method and system determining the complexity of a telephonic communication received by a contact center |
US8718262B2 (en) | 2007-03-30 | 2014-05-06 | Mattersight Corporation | Method and system for automatically routing a telephonic communication base on analytic attributes associated with prior telephonic communication |
US7869586B2 (en) | 2007-03-30 | 2011-01-11 | Eloyalty Corporation | Method and system for aggregating and analyzing data relating to a plurality of interactions between a customer and a contact center and generating business process analytics |
US10419611B2 (en) | 2007-09-28 | 2019-09-17 | Mattersight Corporation | System and methods for determining trends in electronic communications |
KR101992676B1 (ko) * | 2012-07-26 | 2019-06-25 | 삼성전자주식회사 | 영상 인식을 이용하여 음성 인식을 하는 방법 및 장치 |
US9191510B2 (en) | 2013-03-14 | 2015-11-17 | Mattersight Corporation | Methods and system for analyzing multichannel electronic communication data |
US10832005B1 (en) | 2013-11-21 | 2020-11-10 | Soundhound, Inc. | Parsing to determine interruptible state in an utterance by detecting pause duration and complete sentences |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3909532A (en) | 1974-03-29 | 1975-09-30 | Bell Telephone Labor Inc | Apparatus and method for determining the beginning and the end of a speech utterance |
US4008375A (en) * | 1975-08-21 | 1977-02-15 | Communications Satellite Corporation (Comsat) | Digital voice switch for single or multiple channel applications |
US4277645A (en) * | 1980-01-25 | 1981-07-07 | Bell Telephone Laboratories, Incorporated | Multiple variable threshold speech detector |
JPS5862699A (ja) * | 1981-10-09 | 1983-04-14 | シャープ株式会社 | 音声認識装置 |
JPS5876899A (ja) * | 1981-10-31 | 1983-05-10 | 株式会社東芝 | 音声区間検出装置 |
JPS61259296A (ja) * | 1985-05-14 | 1986-11-17 | 沖電気工業株式会社 | 音声区間検出方式 |
JPH06105394B2 (ja) * | 1986-03-19 | 1994-12-21 | 株式会社東芝 | 音声認識方式 |
JPH0740200B2 (ja) * | 1986-04-08 | 1995-05-01 | 沖電気工業株式会社 | 音声区間検出方法 |
JPS63226698A (ja) * | 1987-03-16 | 1988-09-21 | 沖電気工業株式会社 | 不特定話者電話音声認識装置 |
JPS63298298A (ja) * | 1987-05-29 | 1988-12-06 | 沖電気工業株式会社 | 音声認識装置の音声区間検出方式 |
JPH03182799A (ja) * | 1989-12-13 | 1991-08-08 | Mitsubishi Electric Corp | 音声情報記録装置 |
US5657422A (en) * | 1994-01-28 | 1997-08-12 | Lucent Technologies Inc. | Voice activity detection driven noise remediator |
JPH1195785A (ja) * | 1997-09-19 | 1999-04-09 | Brother Ind Ltd | 音声区間検出方式 |
ATE254327T1 (de) | 1997-12-30 | 2003-11-15 | Koninkl Philips Electronics Nv | Spracherkennungsvorrichtung unter verwendung eines befehlslexikons |
-
2001
- 2001-01-10 EP EP01909592A patent/EP1171869B1/en not_active Expired - Lifetime
- 2001-01-10 WO PCT/EP2001/000193 patent/WO2001056015A1/en active Application Filing
- 2001-01-10 AT AT01909592T patent/ATE489702T1/de not_active IP Right Cessation
- 2001-01-10 DE DE60143506T patent/DE60143506D1/de not_active Expired - Lifetime
- 2001-01-10 JP JP2001555084A patent/JP4810044B2/ja not_active Expired - Fee Related
- 2001-01-24 US US09/768,561 patent/US6662156B2/en not_active Expired - Lifetime
-
2011
- 2011-05-31 JP JP2011122008A patent/JP2011221544A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2001056015A1 (en) | 2001-08-02 |
JP4810044B2 (ja) | 2011-11-09 |
DE60143506D1 (de) | 2011-01-05 |
ATE489702T1 (de) | 2010-12-15 |
JP2003521006A (ja) | 2003-07-08 |
EP1171869B1 (en) | 2010-11-24 |
EP1171869A1 (en) | 2002-01-16 |
US6662156B2 (en) | 2003-12-09 |
US20010012996A1 (en) | 2001-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011221544A (ja) | 2つのスイッチオフ規準を持つ音声検出装置 | |
US10586534B1 (en) | Voice-controlled device control using acoustic echo cancellation statistics | |
US9154848B2 (en) | Television apparatus and a remote operation apparatus | |
EP1472679B1 (en) | Audio visual detection of voice activity for speech recognition system | |
US7885818B2 (en) | Controlling an apparatus based on speech | |
EP0757342B1 (en) | User selectable multiple threshold criteria for voice recognition | |
US20210067854A1 (en) | Capturing and processing sound signals | |
US20060247927A1 (en) | Controlling an output while receiving a user input | |
JP4682700B2 (ja) | 音声認識装置 | |
US20090207763A1 (en) | Voice switching for voice communication on computers | |
GB2422279A (en) | Determining Pattern End-Point in an Input Signal | |
JP4678773B2 (ja) | 音声入力評価装置 | |
EP2540133B1 (en) | Switching off dtx for music | |
JP5187584B2 (ja) | 入力音声評価装置、入力音声の評価方法および評価プログラム | |
US20040121812A1 (en) | Method of performing speech recognition in a mobile title line communication device | |
US20130151248A1 (en) | Apparatus, System, and Method For Distinguishing Voice in a Communication Stream | |
CN110570881A (zh) | 在传真透传模式下切回语音模式方法、装置、设备及介质 | |
JP4739023B2 (ja) | デジタル音声信号におけるクリッキングノイズ検出 | |
US20090313010A1 (en) | Automatic playback of a speech segment for media devices capable of pausing a media stream in response to environmental cues | |
JP2754960B2 (ja) | 音声認識装置 | |
KR100217734B1 (ko) | 음성인식 전화기에서 잡음에 따른 음성 인식 레벨 조절장치 및 방법 | |
JP7131362B2 (ja) | 制御装置、音声対話装置及びプログラム | |
JP6526496B2 (ja) | 音声制御装置 | |
CN112328201A (zh) | 音频路径切换方法 | |
CN118120214A (zh) | 终端、处理方法、通信系统、程序以及记录介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A072 | Dismissal of procedure [no reply to invitation to correct request for examination] |
Free format text: JAPANESE INTERMEDIATE CODE: A073 Effective date: 20121106 |