JP2518940B2 - 話者照合システム - Google Patents
話者照合システムInfo
- Publication number
- JP2518940B2 JP2518940B2 JP1316074A JP31607489A JP2518940B2 JP 2518940 B2 JP2518940 B2 JP 2518940B2 JP 1316074 A JP1316074 A JP 1316074A JP 31607489 A JP31607489 A JP 31607489A JP 2518940 B2 JP2518940 B2 JP 2518940B2
- Authority
- JP
- Japan
- Prior art keywords
- speaker
- unit
- layer
- neural network
- units
- 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.)
- Expired - Lifetime
Links
Description
【発明の詳細な説明】 ［産業上の利用分野］ 本発明は話者照合システムに関する。
［従来の技術］ 本出願人は、ニューラルネットワークを用いた話者照
合システムを提案している（音響講論２−６−４、PP.5
3−54、1989.3）。即ち、この話者照合システムにあっ
ては、話者の音声が入力される入力ユニットを備えると
ともに、各登録話者に対応する各出力ユニットを備えて
構成されるニューラルネットワークを用いることとして
いる。
合システムを提案している（音響講論２−６−４、PP.5
3−54、1989.3）。即ち、この話者照合システムにあっ
ては、話者の音声が入力される入力ユニットを備えると
ともに、各登録話者に対応する各出力ユニットを備えて
構成されるニューラルネットワークを用いることとして
いる。
この時、登録話者の音声に対しては対応する出力ユニ
ットの出力値が１、その他の出力ユニットの出力値が０
となり、非登録話者の音声に対してはすべての出力ユニ
ットの出力値が０となるように、ニューラルネットワー
クの重みと変換関数を学習する。
ットの出力値が１、その他の出力ユニットの出力値が０
となり、非登録話者の音声に対してはすべての出力ユニ
ットの出力値が０となるように、ニューラルネットワー
クの重みと変換関数を学習する。
そして、学習済みのニューラルネットワークに音声パ
ターンを入力し、その出力パターン（各出力ユニットの
出力値の組）をしきい値θと比較し、今回話者が登録話
者か否かを判定する。例えば、１つの出力ユニットの出
力値がθ以上であり、その他の出力ユニットの出力値が
（１−θ）以下であれば登録話者、それ以外の場合には
非登録話者と判定するものである。
ターンを入力し、その出力パターン（各出力ユニットの
出力値の組）をしきい値θと比較し、今回話者が登録話
者か否かを判定する。例えば、１つの出力ユニットの出
力値がθ以上であり、その他の出力ユニットの出力値が
（１−θ）以下であれば登録話者、それ以外の場合には
非登録話者と判定するものである。
［発明が解決しようとする課題］ 然しながら、従来技術にあっては、例えば話者Ａの発
声が不安定で、今回話者Ａであるにもかかわらず、Ａに
対応する出力ユニットの出力値がしきい値θより小さ
く、誤照合する場合がある。
声が不安定で、今回話者Ａであるにもかかわらず、Ａに
対応する出力ユニットの出力値がしきい値θより小さ
く、誤照合する場合がある。
これは、登録話者に共通のしきい値θが話者Ａに対し
ては大きすぎるためである。
ては大きすぎるためである。
本発明は、ニューラルネットワークを用いる話者照合
システムにおいて、照合率を向上することを目的とす
る。
システムにおいて、照合率を向上することを目的とす
る。
［課題を解決するための手段］ 請求項１に記載の本発明は、話者照合システムにおい
て、話者の音声が入力される入力ユニットを備えるとと
もに、各登録話者に対応する各出力ユニットを備えて構
成される照合ニューラルネットワークと、照合ニューラ
ルネットワークの出力が入力されるように該照合ニュー
ラルネットワークの各出力ユニットに対応する各入力ユ
ニットを備えるとともに、今回の話者が登録話者群と非
登録話者群のいずれに属するかの判定用出力値を出力す
る出力ユニットを備えて構成される判定ニューラルネッ
トワークとを有してなり、判定ニューラルネットワーク
は各登録話者毎に、当該登録話者判定用しきい値θｘを
備え、かつそれらしきい値θｘを学習するように構成さ
れてなるようにしたものである。
て、話者の音声が入力される入力ユニットを備えるとと
もに、各登録話者に対応する各出力ユニットを備えて構
成される照合ニューラルネットワークと、照合ニューラ
ルネットワークの出力が入力されるように該照合ニュー
ラルネットワークの各出力ユニットに対応する各入力ユ
ニットを備えるとともに、今回の話者が登録話者群と非
登録話者群のいずれに属するかの判定用出力値を出力す
る出力ユニットを備えて構成される判定ニューラルネッ
トワークとを有してなり、判定ニューラルネットワーク
は各登録話者毎に、当該登録話者判定用しきい値θｘを
備え、かつそれらしきい値θｘを学習するように構成さ
れてなるようにしたものである。
請求項２に記載の本発明は、前記判定ニューラルネッ
トワークが、各登録話者毎に、当該登録話者判定用しき
い値θｘを備えることに加え、当該登録話者でないこと
の判定用しきい値θｙを備え、かつそれらしきい値θ
ｘ、θｙを学習するように構成されてなるようにしたも
のである。
トワークが、各登録話者毎に、当該登録話者判定用しき
い値θｘを備えることに加え、当該登録話者でないこと
の判定用しきい値θｙを備え、かつそれらしきい値θ
ｘ、θｙを学習するように構成されてなるようにしたも
のである。
請求項３に記載の本発明は、前記判定ニューラルネッ
トワークが、４層の階層的ニューラルネットワークから
なり、第１層と第３層は各登録話者毎に１ユニットづつ
対応するだけのユニット数を備え、第２層は各登録話者
毎に２ユニットづつ対応するように第１層のユニット数
の２倍のユニット数を備え、第４層は単一ユニットを備
えて構成され、第１層の各ユニットは第２層の２つのユ
ニットのそれぞれと重み“1"又は“−1"にて結合し、第
２層の各ユニットの内、（ａ）第１層のユニットとの結
合の重みが“1"のものは当該ユニットと同一の登録話者
に対応する第３層のユニットとのみ重み“1"にて、
（ｂ）第１層のユニットとの結合の重みが“−1"のもの
はその他の登録話者に対応する第３層の他のすべてのユ
ニットと重み“1"にて、それぞれ結合し、第３層の各ユ
ニットは第４層の単一ユニットと重み“1"で結合して構
成され、更に、各登録話者に２ユニットづつ対応する第
２層の各ユニットの変換関数を、当該登録話者判定用し
きい値θｘと、当該登録話者でないことの判定用しきい
値θｙのそれぞれに対応させて構成したものである。
トワークが、４層の階層的ニューラルネットワークから
なり、第１層と第３層は各登録話者毎に１ユニットづつ
対応するだけのユニット数を備え、第２層は各登録話者
毎に２ユニットづつ対応するように第１層のユニット数
の２倍のユニット数を備え、第４層は単一ユニットを備
えて構成され、第１層の各ユニットは第２層の２つのユ
ニットのそれぞれと重み“1"又は“−1"にて結合し、第
２層の各ユニットの内、（ａ）第１層のユニットとの結
合の重みが“1"のものは当該ユニットと同一の登録話者
に対応する第３層のユニットとのみ重み“1"にて、
（ｂ）第１層のユニットとの結合の重みが“−1"のもの
はその他の登録話者に対応する第３層の他のすべてのユ
ニットと重み“1"にて、それぞれ結合し、第３層の各ユ
ニットは第４層の単一ユニットと重み“1"で結合して構
成され、更に、各登録話者に２ユニットづつ対応する第
２層の各ユニットの変換関数を、当該登録話者判定用し
きい値θｘと、当該登録話者でないことの判定用しきい
値θｙのそれぞれに対応させて構成したものである。
請求項４に記載の本発明は、前記照合ニューラルネッ
トワークへの入力として、 音声の周波数特性の時間的変化、 音声の平均的な線形予測係数、 音声の平均的なPARCOR係数、 音声の平均的な周波数特性、及びピッチ周波数、 高域強調を施された音声波形の平均的な周波数特性、
並びに 音声の平均的な周波数特性 のうちの１つ以上を使用するようにしたものである。
トワークへの入力として、 音声の周波数特性の時間的変化、 音声の平均的な線形予測係数、 音声の平均的なPARCOR係数、 音声の平均的な周波数特性、及びピッチ周波数、 高域強調を施された音声波形の平均的な周波数特性、
並びに 音声の平均的な周波数特性 のうちの１つ以上を使用するようにしたものである。
［作用］ 請求項１〜３のそれぞれに記載の本発明によれば、下
記の作用効果がある。
記の作用効果がある。
判定ニューラルネットワークが話者間の出力パターン
の差異（例えば話者Ａの出力パターンの変動が他の話者
に比して大きい等）を反映した構造になるため、照合率
が向上する。
の差異（例えば話者Ａの出力パターンの変動が他の話者
に比して大きい等）を反映した構造になるため、照合率
が向上する。
請求項４に記載の本発明によれば、下記の作用があ
る。
る。
照合ニューラルネットワークへの入力として、請求項
４に記載の〜の各要素のうちの１つ以上を用いるか
ら、入力を得るための前処理が単純となり、この前処理
に要する時間が短くて足りるため、話者照合システムを
複雑な処理装置によることなく容易に実時間処理でき
る。
４に記載の〜の各要素のうちの１つ以上を用いるか
ら、入力を得るための前処理が単純となり、この前処理
に要する時間が短くて足りるため、話者照合システムを
複雑な処理装置によることなく容易に実時間処理でき
る。
［実施例］ 第１図は本発明の話者照合システムの一例を示す模式
図、第２図は前処理部の一例を示す模式図、第３図は入
力音声を示す模式図、第４図はバンドパスフィルタの出
力を示す模式図、第５図はニューラルネットワークを示
す模式図、第６図は階層的なニューラルネットワークを
示す模式図、第７図はユニットの構造を示す模式図、第
８図は判定ニューラルネットワークの一例を示す模式図
である。
図、第２図は前処理部の一例を示す模式図、第３図は入
力音声を示す模式図、第４図はバンドパスフィルタの出
力を示す模式図、第５図はニューラルネットワークを示
す模式図、第６図は階層的なニューラルネットワークを
示す模式図、第７図はユニットの構造を示す模式図、第
８図は判定ニューラルネットワークの一例を示す模式図
である。
本発明の具体的実施例の説明に先立ち、ニューラルネ
ットワークの構成、学習アルゴリズムについて説明す
る。
ットワークの構成、学習アルゴリズムについて説明す
る。
（１）ニューラルネットワークは、その構造から、第５
図（Ａ）に示す階層的ネットワークと第５図（Ｂ）に示
す相互結合ネットワークの２種に大別できる。本発明
は、両ネットワークのいずれを用いて構成するものであ
っても良いが、階層的ネットワークは後述する如くの簡
単な学習アルゴリズムが確立されているためより有用で
ある。
図（Ａ）に示す階層的ネットワークと第５図（Ｂ）に示
す相互結合ネットワークの２種に大別できる。本発明
は、両ネットワークのいずれを用いて構成するものであ
っても良いが、階層的ネットワークは後述する如くの簡
単な学習アルゴリズムが確立されているためより有用で
ある。
（２）ネットワークの構造 階層的ネットワークは、第６図に示す如く、入力層、
中間層、出力層からなる階層構造をとる。各層は１以上
のユニットから構成される。結合は、入力層→中間層→
出力層という前向きの結合だけで、各層内での結合はな
い。
中間層、出力層からなる階層構造をとる。各層は１以上
のユニットから構成される。結合は、入力層→中間層→
出力層という前向きの結合だけで、各層内での結合はな
い。
（３）ユニットの構造 ユニットは第７図に示す如く脳のニューロンのモデル
化であり構造は簡単である。他のユニットから入力を受
け、その総和をとり一定の規則（変換関数）で変換し、
結果を出力する。他のユニットとの結合には、それぞれ
結合の強さを表わす可変の重みを付ける。
化であり構造は簡単である。他のユニットから入力を受
け、その総和をとり一定の規則（変換関数）で変換し、
結果を出力する。他のユニットとの結合には、それぞれ
結合の強さを表わす可変の重みを付ける。
（４）学習（バックプロパゲーション） ネットワークの学習とは、実際の出力を目標値（望ま
しい出力）に近づけることであり、一般的には第７図に
示した各ユニットの変換関数及び重みを変化させて学習
を行なう。
しい出力）に近づけることであり、一般的には第７図に
示した各ユニットの変換関数及び重みを変化させて学習
を行なう。
又、学習アルゴリズムとしては、例えば、Rumelhart,
D.E.,McClelland,J.L.and the PDP Research Group,PAR
ALLEL DISTRIBUTED PROCESSING,the MIT Press,1986.に
記載されているバックプロパゲーションを用いることが
できる。
D.E.,McClelland,J.L.and the PDP Research Group,PAR
ALLEL DISTRIBUTED PROCESSING,the MIT Press,1986.に
記載されているバックプロパゲーションを用いることが
できる。
以下、本発明の実施例について説明する。
本発明の話者照合システム１は、第１図に示す如く、
音声入力部10、前処理部20、照合ニューラルネットワー
ク30、判定ニューラルネットワーク40の結合からなる。
音声入力部10、前処理部20、照合ニューラルネットワー
ク30、判定ニューラルネットワーク40の結合からなる。
（１）前処理部 前処理部20は、入力音声に簡単な前処理を施し、照合
ニューラルネットワーク30の入力を得る。
ニューラルネットワーク30の入力を得る。
尚、本発明の実施においては、ニューラルネットワー
クへの入力として、 音声の周波数特性の時間的変化、 音声の平均的な線形予測係数、 音声の平均的なPARCOR係数、 音声の平均的な周波数特性、及びピッチ周波数、 高域強調を施された音声波形の平均的な周波数特性、
並びに 音声の平均的な周波数特性 のうちの１つ以上を使用できる。
クへの入力として、 音声の周波数特性の時間的変化、 音声の平均的な線形予測係数、 音声の平均的なPARCOR係数、 音声の平均的な周波数特性、及びピッチ周波数、 高域強調を施された音声波形の平均的な周波数特性、
並びに 音声の平均的な周波数特性 のうちの１つ以上を使用できる。
そして、上記の要素は「音声の一定時間内における
平均的な周波数特性の時間的変化」、上記の要素は
「音声の一定時間内における平均的な線形予測係数の時
間的変化」、上記の要素は「音声の一定時間内におけ
る平均的なPARCOR係数の時間的変化」、上記の要素は
「音声の一定時間内における平均的な周波数特性、及び
ピッチ周波数の時間的変化」、上記の要素は、「高域
強調を施された音声波形の一定時間内における平均的な
周波数特性の時間的変化」として用いることができる。
平均的な周波数特性の時間的変化」、上記の要素は
「音声の一定時間内における平均的な線形予測係数の時
間的変化」、上記の要素は「音声の一定時間内におけ
る平均的なPARCOR係数の時間的変化」、上記の要素は
「音声の一定時間内における平均的な周波数特性、及び
ピッチ周波数の時間的変化」、上記の要素は、「高域
強調を施された音声波形の一定時間内における平均的な
周波数特性の時間的変化」として用いることができる。
尚、上記の線形予測係数は、以下の如く定義され
る。
る。
即ち、音声波形のサンプル値｛χｎ｝の間には、一般
に高い近接相関があることが知られている。そこで次の
ような線形予測が可能であると仮定する。
に高い近接相関があることが知られている。そこで次の
ような線形予測が可能であると仮定する。
ここで、χt:時刻ｔにおける音声波形のサンプル値、
｛αｉ｝（ｉ＝1,…,p）：（ｐ次の）線形予測係数 さて、本発明の実施においては、線形予測誤差εｔの
２乗平均値が最小となるように線形予測係数｛αｉ｝を
求める。
｛αｉ｝（ｉ＝1,…,p）：（ｐ次の）線形予測係数 さて、本発明の実施においては、線形予測誤差εｔの
２乗平均値が最小となるように線形予測係数｛αｉ｝を
求める。
具体的には（εｔ）２を求め、その時間平均を（▲
▼）２と表わして、 とおくことによって、次の式から｛αｉ｝が求められ
る。
▼）２と表わして、 とおくことによって、次の式から｛αｉ｝が求められ
る。
又、上記のPARCOR係数は以下の如く定義される。
即ち、［kn］（ｎ＝1,…,p）を（ｐ次の）PARCOR係数
（偏自己相関係数）とする時、PARCOR係数kn+1は、線形
予測による前向き残差εt (f)と後向き残差εt-(n+1) (b)
間の正規化相関係数として、次の式によって定義され
る。
（偏自己相関係数）とする時、PARCOR係数kn+1は、線形
予測による前向き残差εt (f)と後向き残差εt-(n+1) (b)
間の正規化相関係数として、次の式によって定義され
る。
ここで、 ｛αｉ｝：前向き予測係数、 ｛βｊ｝：後向き予測係数 又、上記の音声ピッチ周波数とは、音声波の繰り返
し周期（ピッチ周期）の逆数である。尚、ニューラルネ
ットワークへの入力として、個人差がある声帯の基本的
なパラメータであるピッチ周波数を付加したから、特に
大人／小人、男性／女性間の話者の認識率を向上するこ
とができる。
し周期（ピッチ周期）の逆数である。尚、ニューラルネ
ットワークへの入力として、個人差がある声帯の基本的
なパラメータであるピッチ周波数を付加したから、特に
大人／小人、男性／女性間の話者の認識率を向上するこ
とができる。
又、上記の高域強調とは、音声波形のスペクトルに
平均的な傾きを補償して、低域にエネルギが集中するこ
とを防止することである。然るに、音声波形のスペクト
ルの平均的な傾きは話者に共通のものであり、話者の認
識には無関係である。ところが、このスペクトルの平均
的な傾きが補償されていない音声波形をそのままニュー
ラルネットワークへ入力する場合には、ニューラルネッ
トワークが学習する時にスペクトルの平均的な傾きの特
徴の方を抽出してしまい、話者の認識に必要なスペクト
ルの山と谷を抽出するのに時間がかかる。これに対し、
ニューラルネットワークへの入力を高域強調する場合に
は、話者に共通で、認識には無関係でありながら、学習
に影響を及ぼすスペクトルの平均的な傾きを補償できる
ため、学習速度が速くなるのである。
平均的な傾きを補償して、低域にエネルギが集中するこ
とを防止することである。然るに、音声波形のスペクト
ルの平均的な傾きは話者に共通のものであり、話者の認
識には無関係である。ところが、このスペクトルの平均
的な傾きが補償されていない音声波形をそのままニュー
ラルネットワークへ入力する場合には、ニューラルネッ
トワークが学習する時にスペクトルの平均的な傾きの特
徴の方を抽出してしまい、話者の認識に必要なスペクト
ルの山と谷を抽出するのに時間がかかる。これに対し、
ニューラルネットワークへの入力を高域強調する場合に
は、話者に共通で、認識には無関係でありながら、学習
に影響を及ぼすスペクトルの平均的な傾きを補償できる
ため、学習速度が速くなるのである。
（２）照合ニューラルネットワーク 構造 階層的なニューラルネットワークからなる。
入力ユニットには音声入力部10から話者の音声が入力
される。
される。
出力ユニットは各登録話者に対応して設けられる。
学習 目標値は、登録話者については対応する出力ユニッ
トの出力値を１、その他の出力値を０とし、非登録話
者については、全出力ユニットの出力値を０とする。
トの出力値を１、その他の出力値を０とし、非登録話
者については、全出力ユニットの出力値を０とする。
（ａ）登録話者の音声に前処理部20による前処理を施
し、照合ニューラルネットワーク30に入力する。目標値
に近づくように照合ニューラルネットワーク30の重みと
変換関数を修正する。
し、照合ニューラルネットワーク30に入力する。目標値
に近づくように照合ニューラルネットワーク30の重みと
変換関数を修正する。
（ｂ）非登録話者の音声に前処理部20による前処理を施
し、照合ニューラルネットワーク30に入力する。目標値
に近づくように照合ニューラルネットワーク30の重みと
変換関数を修正する。
し、照合ニューラルネットワーク30に入力する。目標値
に近づくように照合ニューラルネットワーク30の重みと
変換関数を修正する。
（ａ）、（ｂ）を目標値と出力ユニットの出力値の誤
差が、十分に小さな値（例えば、１×10-4）になるまで
繰り返す。
差が、十分に小さな値（例えば、１×10-4）になるまで
繰り返す。
（３）判定ニューラルネットワーク 構造 登録話者数が２名（照合ニューラルネットワークの出
力ユニット数は２）の場合について、判定ニューラルネ
ットワークの構造を説明する（第８図参照）。
力ユニット数は２）の場合について、判定ニューラルネ
ットワークの構造を説明する（第８図参照）。
判定ニューラルネットワーク40は４層の階層的ネット
ワークで、すべての結合は固定（学習により修正しない
こと）（必要であれば、第３層、第４層の変換関数も固
定化）し、第２層の変換関数ｆ（ｘ）のしきい値θのみ
学習する。
ワークで、すべての結合は固定（学習により修正しない
こと）（必要であれば、第３層、第４層の変換関数も固
定化）し、第２層の変換関数ｆ（ｘ）のしきい値θのみ
学習する。
各層のユニット数は、 第１層のユニット数＝照合ニューラルネットワークの
出力ユニット数（＝登録話者数） 第２層のユニット数＝（第１層のユニット数）×２ 第３層のユニット数＝第１層のユニット数 第４層のユニット数＝１ とする。即ち、第１層の第３層は各登録話者毎に１ユニ
ットづつ対応するだけのユニット数を備え、第２層は各
登録話者毎に２ユニットづつ対応するように第１層のユ
ニット数の２倍のユニット数を備え、第４層は単一ユニ
ットを備えて構成される。
出力ユニット数（＝登録話者数） 第２層のユニット数＝（第１層のユニット数）×２ 第３層のユニット数＝第１層のユニット数 第４層のユニット数＝１ とする。即ち、第１層の第３層は各登録話者毎に１ユニ
ットづつ対応するだけのユニット数を備え、第２層は各
登録話者毎に２ユニットづつ対応するように第１層のユ
ニット数の２倍のユニット数を備え、第４層は単一ユニ
ットを備えて構成される。
第８図において、実線の結合は重み１、破線の結合は
重み（−１）で固定する。即ち、第１層の各ユニット
は、第２層の２つのユニットのそれぞれと重み１又は
（−１）にて結合し、第２層の各ユニットのうち、
（ａ）第１層のユニットとの結合の重みが１のものは当
該ユニットと同一の登録話者に対応する第３層のユニッ
トとの重み１にて、（ｂ）第１層のユニットとの結合の
重みが（−１）のものはその他の登録話者に対応する第
３層の他のすべてのユニットと重み１にて、それぞれ結
合し、第３層の各ユニットは第４層の単一ユニットと重
み１で結合して構成される。
重み（−１）で固定する。即ち、第１層の各ユニット
は、第２層の２つのユニットのそれぞれと重み１又は
（−１）にて結合し、第２層の各ユニットのうち、
（ａ）第１層のユニットとの結合の重みが１のものは当
該ユニットと同一の登録話者に対応する第３層のユニッ
トとの重み１にて、（ｂ）第１層のユニットとの結合の
重みが（−１）のものはその他の登録話者に対応する第
３層の他のすべてのユニットと重み１にて、それぞれ結
合し、第３層の各ユニットは第４層の単一ユニットと重
み１で結合して構成される。
第２層の各ユニット、、、の変換関数ｆ
（ｘ）の各しきい値をθ１、θ２、θ３、θ４とする
と、ユニットは第１層の登録話者Ａに対応するユニッ
トＡの出力値がθ１（例えば、0.9）より大きい時に活
性化（ユニットの出力値が大きくなることであり、１に
近い値を出力する）し（第７図参照）、ユニットは第
１層のユニットＡの出力値がθ２（例えば、0.1）より
小さい時に活性化する。θ１は従来の技術で述べた判定
条件のしきい値θに相当し、θ２はしきい値（１−θ）
に相当する。即ち、各登録話者に２ユニットづつ対応す
る第２層の各ユニットの変換関数は、当該登録話者判定
用しきい値θ１と、当該登録話者でないことの判定用し
きい値θ２のそれぞれに対応して構成される。
（ｘ）の各しきい値をθ１、θ２、θ３、θ４とする
と、ユニットは第１層の登録話者Ａに対応するユニッ
トＡの出力値がθ１（例えば、0.9）より大きい時に活
性化（ユニットの出力値が大きくなることであり、１に
近い値を出力する）し（第７図参照）、ユニットは第
１層のユニットＡの出力値がθ２（例えば、0.1）より
小さい時に活性化する。θ１は従来の技術で述べた判定
条件のしきい値θに相当し、θ２はしきい値（１−θ）
に相当する。即ち、各登録話者に２ユニットづつ対応す
る第２層の各ユニットの変換関数は、当該登録話者判定
用しきい値θ１と、当該登録話者でないことの判定用し
きい値θ２のそれぞれに対応して構成される。
第３層のユニットＡは第２層のユニット、がとも
に活性化した時（第１層のユニットＡの出力がθ１大き
く、かつユニットＢの出力がθ２より小さい時−論理
積）活性化する。第３層のユニットの変換関数は、例え
ば1.5に固定する。
に活性化した時（第１層のユニットＡの出力がθ１大き
く、かつユニットＢの出力がθ２より小さい時−論理
積）活性化する。第３層のユニットの変換関数は、例え
ば1.5に固定する。
第４層のユニットは、第３層のいずれかのユニットが
活性化した時（論理和）活性化する。第４層のユニット
の変換関数は、例えば0.8に固定する。
活性化した時（論理和）活性化する。第４層のユニット
の変換関数は、例えば0.8に固定する。
学習 目標値は、登録話者については（１）、非登録話
者については（０）とする。
者については（０）とする。
（ａ）登録話者の音声に対する照合ニューラルネットワ
ーク30の出力パターンを判定ニューラルネットワーク40
に入力する。目標値に近づくように判定ニューラルネッ
トワーク40の変換関数（しきい値θ１、θ２、…に対応
する第２層の変換関数）を修正する。
ーク30の出力パターンを判定ニューラルネットワーク40
に入力する。目標値に近づくように判定ニューラルネッ
トワーク40の変換関数（しきい値θ１、θ２、…に対応
する第２層の変換関数）を修正する。
（ｂ）非登録話者の音声に対する照合ニューラルネット
ワーク30の出力パターンを判定ニューラルネットワーク
40に入力する。目標値に近づくように判定ニューラルネ
ットワークの変換関数（しきい値θ１、θ２…に対応す
る第２層の変換関数）を修正する。
ワーク30の出力パターンを判定ニューラルネットワーク
40に入力する。目標値に近づくように判定ニューラルネ
ットワークの変換関数（しきい値θ１、θ２…に対応す
る第２層の変換関数）を修正する。
（ａ）、（ｂ）を目標値と出力ユニットの出力値の誤
差が十分に小さな値（例えば、１×10-4）になるまで繰
り返す。
差が十分に小さな値（例えば、１×10-4）になるまで繰
り返す。
学習終了後の評価 登録話者及び非登録話者の学習に使ったものと同じ単
語を発声してもらい評価した。
語を発声してもらい評価した。
判定ニューラルネットワーク40の出力ユニットの値が
ある値（例えば0.5）より大きい場合、登録話者と判定
する。
ある値（例えば0.5）より大きい場合、登録話者と判定
する。
以下、上記話者照合システム１の具体的実施結果につ
いて説明する。
いて説明する。
A.音声試料 音声入力部10に入力する音声を「tadaima」とする。
照合ニューラルネットワーク学習用、判定ニューラル
ネットワーク学習用、評価用としてそれぞれ供した登録
話者数、非登録話者数、各話者のサンプル数（発声回
数）は表１の通りとした。
ネットワーク学習用、評価用としてそれぞれ供した登録
話者数、非登録話者数、各話者のサンプル数（発声回
数）は表１の通りとした。
B.前処理 前処理部20として、第２図に示す如くの、ローパスフ
ィルタ21、バンドパスフィルタ22、平均化回路23の結合
からなるものを用いた。
ィルタ21、バンドパスフィルタ22、平均化回路23の結合
からなるものを用いた。
入力音声の音声信号の高域の雑音成分を、ローパスフ
ィルタ21にてカットする。そして、この入力音声を第３
図に示す如く、４つのブロックに時間的に等分割する。
ィルタ21にてカットする。そして、この入力音声を第３
図に示す如く、４つのブロックに時間的に等分割する。
音声波形を、第２図に示す如く、複数（ｎ個）チャン
ネルのバンドパスフィルタ22に通し、各ブロック即ち各
一定時間毎に第４図（Ａ）〜（Ｄ）のそれぞれに示す如
くの周波数特性を得る。
ネルのバンドパスフィルタ22に通し、各ブロック即ち各
一定時間毎に第４図（Ａ）〜（Ｄ）のそれぞれに示す如
くの周波数特性を得る。
この時、バンドパスフィルタ22の出力信号は、平均化
回路23にて、各ブロック毎、即ち一定時間で平均化され
る。
回路23にて、各ブロック毎、即ち一定時間で平均化され
る。
以上の前処理により、「音声の一定時間内における平
均的な周波数特性の時間的変化」が得られる。
均的な周波数特性の時間的変化」が得られる。
尚、バンドパスフィルタ22の作動条件は表２の通りと
した。
した。
C.照合ニューラルネットワーク ３層パーセプトロン型とした。
入力ユニット数は前処理の４ブロック、16チャンネル
に対応する64とした。
に対応する64とした。
中間ユニット数は30とした。出力ユニット数は登録話
者５名に対応する５とした。
者５名に対応する５とした。
学習はバックプロパゲーションにより行なった。
D.判定ニューラルネットワーク 第１層、第３層のユニット数は登録話者５名に対応す
る５とした。
る５とした。
第２層のユニット数は10、第４層のユニット数は１と
した。
した。
第３層のユニットの変換関数のしきい値（第７図にお
いてユニットの出力値ｆ（ｘ）が0.5になるｘの値）は
4.5とした。
いてユニットの出力値ｆ（ｘ）が0.5になるｘの値）は
4.5とした。
第４層のユニットの変換関数のしきい値は0.8とし
た。
た。
学習はバックプロパゲーションにより行なった。
E.実験結果 照合ニューラルネットワークのみによる登録話者の照
合率は、93.1％であった。
合率は、93.1％であった。
これに対し、本発明の如く、照合ニューラルネットワ
ークと判定ニューラルネットワークとを用いた際の、登
録話者の照合率は93.7％であった。
ークと判定ニューラルネットワークとを用いた際の、登
録話者の照合率は93.7％であった。
［発明の効果］ 以上のように、本発明によれば、ニューラルネットワ
ークを用いる話者認識システムにおいて、照合率を向上
することができる。
ークを用いる話者認識システムにおいて、照合率を向上
することができる。
第１図は本発明の話者照合システムの一例を示す模式
図、第２図は前処理部の一例を示す模式図、第３図は入
力音声を示す模式図、第４図はバンドパスフィルタの出
力を示す模式図、第５図はニューラルネットワークを示
す模式図、第６図は階層的なニューラルネットワークを
示す模式図、第７図はユニットの構造を示す模式図、第
８図は判定ニューラルネットワークの一例を示す模式図
である。 10……音声入力部、 20……前処理部、 30……照合ニューラルネットワーク、 40……判定ニューラルネットワーク。
図、第２図は前処理部の一例を示す模式図、第３図は入
力音声を示す模式図、第４図はバンドパスフィルタの出
力を示す模式図、第５図はニューラルネットワークを示
す模式図、第６図は階層的なニューラルネットワークを
示す模式図、第７図はユニットの構造を示す模式図、第
８図は判定ニューラルネットワークの一例を示す模式図
である。 10……音声入力部、 20……前処理部、 30……照合ニューラルネットワーク、 40……判定ニューラルネットワーク。
Claims (4)
- 【請求項１】話者の音声が入力される入力ユニットを備
えるとともに、各登録話者に対応する各出力ユニットを
備えて構成される照合ニューラルネットワークと、照合
ニューラルネットワークの出力が入力されるように該照
合ニューラルネットワークの各出力ユニットに対応する
各入力ユニットを備えるとともに、今回の話者が登録話
者群と非登録話者群のいずれに属するかの判定用出力値
を出力する出力ユニットを備えて構成される判定ニュー
ラルネットワークとを有してなり、判定ニューラルネッ
トワークは各登録話者毎に、当該登録話者判定用しきい
値θｘを備え、かつそれらしきい値θｘを学習するよう
に構成されてなる話者照合システム。 - 【請求項２】前記判定ニューラルネットワークが、各登
録話者毎に、当該登録話者判定用しきい値θｘを備える
ことに加え、当該登録話者でないことの判定用しきい値
θｙを備え、かつそれらしきい値θｘ、θｙを学習する
ように構成されてなる請求項１記載の話者照合システ
ム。 - 【請求項３】前記判定ニューラルネットワークが、４層
の階層的ニューラルネットワークからなり、第１層と第
３層は各登録話者毎に１ユニットづつ対応するだけのユ
ニット数を備え、第２層は各登録話者毎に２ユニットづ
つ対応するように第１層のユニット数の２倍のユニット
数を備え、第４層は単一ユニットを備えて構成され、第
１層の各ユニットは第２層の２つのユニットのそれぞれ
と重み“1"又は“−1"にて結合し、第２層の各ユニット
の内、（ａ）第１層のユニットとの結合の重みが“1"の
ものは当該ユニットと同一の登録話者に対応する第３層
のユニットとのみ重み“1"にて、（ｂ）第１層のユニッ
トとの結合の重みが“−1"のものはその他の登録話者に
対応する第３層の他のすべてのユニットと重み“1"に
て、それぞれ結合し、第３層の各ユニットは第４層の単
一ユニットと重み“1"で結合して構成され、更に、各登
録話者に２ユニットづつ対応する第２層の各ユニットの
変換関数を、当該登録話者判定用しきい値θｘと、当該
登録話者でないことの判定用しきい値θｙのそれぞれに
対応させて構成した請求項２記載の話者照合システム。 - 【請求項４】前記照合ニューラルネットワークへの入力
として、 音声の周波数特性の時間的変化、 音声の平均的な線形予測係数、 音声の平均的なPARCOR係数、 音声の平均的な周波数特性、及びピッチ周波数、 高域強調を施された音声波形の平均的な周波数特性、
並びに 音声の平均的な周波数特性 のうちの１つ以上を使用する請求項１〜３のいずれかに
記載の話者照合システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1316074A JP2518940B2 (ja) | 1989-12-04 | 1989-12-04 | 話者照合システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1316074A JP2518940B2 (ja) | 1989-12-04 | 1989-12-04 | 話者照合システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH03175500A JPH03175500A (ja) | 1991-07-30 |
| JP2518940B2 true JP2518940B2 (ja) | 1996-07-31 |
Family
ID=18072967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1316074A Expired - Lifetime JP2518940B2 (ja) | 1989-12-04 | 1989-12-04 | 話者照合システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2518940B2 (ja) |
-
1989
- 1989-12-04 JP JP1316074A patent/JP2518940B2/ja not_active Expired - Lifetime
Non-Patent Citations (2)
| Title |
|---|
| テレビジョン学会技術報告（平成元年６月）Ｖｏｌ．１３，Ｎｏ．３３，Ｐ．１９−２４ |
| 日本音響学会講演論文集（平成元年３月）２−６−４，ｐ．５３−５４ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH03175500A (ja) | 1991-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5461697A (en) | Speaker recognition system using neural network | |
| CN112581979A (zh) | 一种基于语谱图的语音情绪识别方法 | |
| KR100306848B1 (ko) | 신경회로망을 이용한 선택적 주의집중 방법 | |
| AU685626B2 (en) | Speech-recognition system utilizing neural networks and method of using same | |
| CN108538301B (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
| JP2518940B2 (ja) | 話者照合システム | |
| JPH0540497A (ja) | 話者適応音声認識装置 | |
| JP2559506B2 (ja) | 話者照合システム | |
| Bharath et al. | Development of robust VAD schemes for Voice Operated Switch application in aircrafts: Comparison of real-time VAD schemes which are based on Linear Energy-based Detector, Fuzzy Logic and Artificial Neural Networks | |
| Dash et al. | Robust multiclass ECG arrhythmia detection using balanced trained neural network | |
| JP2518939B2 (ja) | 話者照合システム | |
| JP2510301B2 (ja) | 話者認識システム | |
| EP0369485B1 (en) | Speaker recognition system | |
| JP2543603B2 (ja) | 単語認識システム | |
| KR950013117B1 (ko) | 시간 지연 신경 회로망을 이용한 한국어 고립 단어 인식 시스템 | |
| JPH05143094A (ja) | 話者認識システム | |
| JPH02289899A (ja) | 音声検出方式 | |
| JPH05257496A (ja) | 単語認識方式 | |
| JPH05181500A (ja) | 単語認識システム | |
| JPH04294445A (ja) | パターン認識方式 | |
| Poluzzi et al. | Neuro-fuzzy filtering techniques for automatic speech recognition enhancement | |
| JPH03111898A (ja) | 音声検出方式 | |
| JPH05119799A (ja) | 話者認識方式 | |
| JPH0415700A (ja) | 話者認識システム | |
| JPH0415695A (ja) | 単語認識システム |