JP2668877B2 - 音源正規化方法 - Google Patents

Description

【発明の詳細な説明】 〔産業上の利用分野〕 この発明は、例えば、不特定話者を対象とする音声認
識装置の認識処理に用いられる音源正規化方法に関す
る。 〔発明の概要〕 この発明は、例えば、不特定話者を対象とする音声認
識装置の認識処理に用いられる音源正規化方法におい
て、周波数分析により得られる各チャンネルの出力値か
らパワーの平均値を減算してスペクトルエンベロープを
平行移動させ、略々中央となるチャンネルにおいて出力
値が略々０となるような形として、スペクトルエンベロ
ープの近似直線の傾きを加減算だけで算出し、この算出
された近似直線の傾きのみで容易に、然も、効率的に音
源正規化処理を行えるようにしたものである。 〔従来の技術〕 従来の不特定話者を対象とする音声認識装置では、標
準パターンを登録した話者以外の不特定な話者の音声に
関しても十分に認識処理が行えるようになされている。 これらの音声認識装置においては、認識率を向上させ
るために、何らかの方法で話者の個人差等による周波数
スペクトルの全体的な傾向及びバラツキを正規化するこ
とが必要とされている。一般的な正規化手法としては、
例えば、最小二乗法等で周波数スペクトルのエンベロー
プを一次関数で推定して正規化する手法が知られてい
る。 例えば、入力音声を周波数分析して得られる時系列上
の１フレーム分のデータによる一例としてのスペクトル
エンベロープを第３図に示す。第３図は、横軸を周波数
（チャンネル）とし、縦軸をレベルとしたもので、第３
図において32で示される破線がエンベロープを示し、破
線32上の各点が周波数分析部からの各出力値を示してい
る。 このようなスペクトルエンベロープに対して正規化処
理を行う場合には、先ず、破線32上の各出力値に対して
誤差の二乗和が最小となる直線を推定する。つまり、周
波数分析部のチャンネル数をｎとし、各チャンネルから
の出力値をx_i（ｉ＝１……ｎ）とすると、第３図におい
て31で示される最小二乗近似直線は、 ｙ＝ai＋b,（ｉ＝１……ｎ） ……（１） となり、この時、出力値x_iに対応する直線31上の各点の
誤差の二乗和ｆ（x_i）は、 となる。この誤差の二乗和ｆ（x_i）を最小とする傾きａ
及び切片ｂによって最小二乗近似直線31が決定される。 実際に傾きａ及び切片ｂを算出する場合には、 の関係が成り立つため、傾きａ及び切片ｂが で求められ、上記（４）式における _ｉの項を算出することで傾きａ及び切片ｂが定められ
る。得られた最小二乗近似直線31に基づいて各出力値x_i
が正規化される。即ち、正規化された出力値を_ｉとす
ると_ｉが_ｉ ＝x_i−（ai＋ｂ） ……（５） により算出され、この減算処理により話者の個人差等に
よるスペクトルの全体的な傾向及びバラツキが平坦化さ
れる。 〔発明が解決しようとする問題点〕 しかしながら、前述した従来の最小二乗法を用いた正
規化方法においては、最小二乗近似直線の傾きａと切片
ｂとを求めなければならず、更に、それらの計算処理の
過程において複数回の乗算を実行しなければならない。
このため、計算処理のソフトウェアのステップ数が増大
し、処理時間が長くなる問題点もあった。 従って、この発明の目的は、近似直線に基づいて容易
に然も効率的に周波数スペクトルの傾向を正規化するこ
とができる音源正規化方法を提供することにある。 〔問題点を解決するための手段〕 この発明では、１チャンネルから中央までのチャンネ
ルまでのパワーの和P₁と中央以上のチャンネルからｎチ
ャンネルまでのパワーの和P₂と全体のパワーの和（P₁＋
P₂）からパワーの平均値ｍを求めるステップと、各チャ
ンネルの出力値からパワーの平均値ｍを減算して_ｉを
求めるステップと、平均値のパワーが減算された出力値
_ｉのパワーの和と等しいパワーの和を有するような近
似直線の傾きａを求めるステップと、ｎチャンネル分の
正規化値_ｉを_ｉ ＝_ｉ−ａ｛ｉ−（ｎ＋１）/2｝ ……（９） により求めるステップとにより正規化処理がなされる。 〔作用〕 周波数分析により得られる各チャンネルの出力値x_iか
らパワーの平均値ｍが求められ、各チャンネルの出力値
x_iからパワーの平均値ｍが減算されて初期的な正規化値
_ｉが算出される。この減算処理により、１個のフレー
ムのスペクトルエンベロープが平行移動されて略々中央
に位置するチャンネルにおいて出力値が略々０とされ、
初期的な正規化値_ｉにより描かれるエンベロープの近
似直線が ｙ＝ａ｛ｉ−（ｎ＋１）/2｝ （n:チャンネル数,i:チャンネル番号１≦ｉ≦ｎ） ……（８） とされ、近似直線の傾きａが１チャンネルから略々中央
となるチャンネルまでのパワーの和P₁と略々中央となる
チャンネルからｎチャンネルまでのパワーの和P₂とを用
いて により加減算のみで算出される。得られた近似直線の傾
きａにより最終的な正規化処理なされ、正規化値_ｉが_ｉ ＝_ｉ−ａ｛ｉ−（ｎ＋１）/2｝ ＝x_i−ｍ−ａ｛ｉ−（ｎ＋１）/2｝ （ｉ＝1,……ｎ） ……（９） により算出される。 〔実施例〕 a,音声認識装置の構成とその処理の流れ 以下、この発明の一実施例を図面を参照して説明す
る。第２図は、音声認識装置においてなされる処理の流
れの一例を概念的に示したもので、この発明は、第２図
において15で示される音源正規化処理に係わるものであ
る。 第２図において、11で示される部分が入力系を示して
いる。入力系11において、音声認識処理に必要とされる
前処理が行われる。例えば、入力音声がマイクロホンを
介してアンプに供給され、入力音声信号が増幅されてロ
ーパスフィルタに供給される。ローパスフィルタにおい
て認識処理に必要とされる帯域に入力音声信号が制限さ
れる。そして、入力音声が所定のサンプリング周波数で
アナログ−ディジタル変換される。入力系11からのディ
ジタルの音声信号が分析系12に供給される。 分析系12は、例えば、ｎ個のバンドパスフィルタから
成るディジタルバンドパスフィルタバンク等により構成
されており、分析系12において、入力音声信号に対する
周波数分析がなされる。例えば、ディジタルバンドパス
フィルタバンクの各通過帯域の中心周波数は、対数軸上
で等間隔となるように割り振られており、このディジタ
ルバンドパスフィルタバンクに入力音声信号を供給して
得られるｎチャンネルの出力の夫々が２乗され、更に、
平均化されてパワースペクトルとされる。従って、音声
信号が対数軸上で等間隔となるｎチャンネルのパワース
ペクトルの大きさによって表現される。そして、単位時
間（フレーム周期）毎にｎチャンネルのパワースペクト
ルを示すデータ列が１個のフレームとして出力される。
即ち、フレーム周期毎に音声信号がｎ次元ベクトルによ
り表現されるパラメータとして切り出され、認識処理系
13に供給される。 認識処理系13は、例えば、特徴量抽出器，音声区間判
定器，音源正規化器，リジェクト判定器,NAT処理部，マ
ッチング判定部等により構成されている。尚、認識処理
系13においてなされる第２図において破線で囲まれた部
分に関しては、フレーム単位での処理がなされる。 先ず、分析系12からの各フレームのｎチャンネルのパ
ワースペクトルに対してパラメータ変換処理14がなさ
れ、例えば、パワースペクトルが対数変換されて対数パ
ワースペクトルとされる。そして、音源正規化処理15,
音声区間判定処理16,特徴量抽出処理17の各処理が行わ
れる。 音源正規化器において、各フレーム毎にスペクトルエ
ンベロープに対する近似直線が推定され、この近似直線
により音源正規化処理15がなされる。この発明の音源正
規化方法においては、近似直線の傾きが加減算のみで算
出され、近似直線の切片成分を算出することなく、音源
正規化処理15がなされる。 また、特徴量抽出器において、特徴量抽出処理17がな
される。例えば、フレーム単位で入力音声信号のゼロク
ロス数がカウントされ、カウント値が求められると共
に、各フレームにおける入力音声信号のパワー、即ち、
２乗和が求められる。それと共に、各フレームの音素
性、即ち、スペクトルエンベロープの形状の特徴等が検
出される。これらの処理により得られた特徴量を示すデ
ータが新たにパラメータとして各フレームに付加され
る。 更に、音声区間判定器においてゼロクロス数のカウン
ト値，各フレームのパワー及び音源正規化情報に基づい
て複合的な音声区間判定処理16がなされ、例えば、無
音，無声音及び有声音の判定が行われて音声区間が決定
される。 この時、リジェクト判定器において、周囲ノイズ等と
入力音声とを区別するために、リジェクト処理21がなさ
れる。例えば、各フレームのパワーのレベルが所定のし
きい値と比較され、所定のしきい値より大とされる時に
は、音声が入力されたとして音声区間判定処理16及び特
徴量抽出処理17がなされ、所定のしきい値より小とされ
る時には、周囲ノイズ等と判断されて棄却され、無効入
力とされる。 音声区間判定処理16により決定された音声区間に対応
したフレームのみが有効とされて特徴パターンが形成さ
れ、この特徴パターンに対してNAT（Normalization Al
ong Trajectory）処理18がなされる。即ち、特徴ベク
トル（バラメータの個数に対応するものでＮ個のパラメ
ータで表される場合にはＮ次元ベクトル）空間上におけ
る時系列軌跡に沿って正規化処理がなされ、特徴パター
ンが時間軸方向に圧縮（若しくは伸長）される。例え
ば、特徴パターンを構成する隣り合うフレーム間のフレ
ーム間距離が計算され、更に、フレーム間距離の総和が
求められて特徴パターンの始端フレームから終端フレー
ムまでの軌跡長が求められる。そして、特徴パターンの
持つ特徴を抽出するのに必要とされる所定の分割数でも
って軌跡長が等分割され、分割点に対応して近接存在す
るフルームのみが抽出されて話者の音声の発生速度変動
に影響されることがないように時間軸が正規化される。 NAT処理18がなされた特徴パターンに対して２ビット
化処理19がなされ、例えば、特徴パターンを構成する各
フレームの各データが２ビットされてデータ量が圧縮さ
れる。 予め登録されてなる標準パターンと入力された音声の
特徴パターンとの間において、マッチング処理20がなさ
れ、例えば、比較の対象として選択される全ての標準パ
ターンとの間においてパターンマッチングがなされる。
例えば、特徴パターンを構成するフレームと標準パター
ンを構成するフレームとの間において、フレーム間距離
が求められ、その総和がマッチング距離とされる。 この時、リジェクト判定器においてリジェクト処理21
がなされる。例えば、各標準パターンとの間において算
出されたマッチング距離が所定のしきい値と比較され、
所定のしきい値より大とされるものに関しては、該当し
ないとして棄却される。そして、判定処理22がなされ、
所定のしきい値より小とされたマッチング距離のうちで
最小となるものが判断され、マッチング距離が最小とな
る標準パターンに対応する単語が認識結果とされる。 b,音源正規化処理の説明 前述した音源正規化処理について第１図Ａ〜Ｃを参照
して説明する。尚、第１図Ａ〜Ｃの夫々は、横軸が周波
数（チャンネル）を示し、縦軸がパワースペクトルのレ
ベルを示している。 例えば、入力音声を周波数分析して得られる時系列上
の１フレーム分のデータによる一例としてのスペクトル
エンベロープを第１図Ａに示す。第１図Ａにおいて１で
示される実線がスペクトルエンベロープを示し、実線上
の各点が周波数分析して得られる各チャンネル（例えば
チャンネル数をｎとするとｎ＝16）の出力値を示してい
る。また、第１図Ａにおいて1aで示される実線がスペク
トルエンベロープ１に対する近似直線である。 第１図Ａにおけるスペクトルエンベロープ１上の各点
のパワーの平均値ｍは、各チャンネルの出力値をx_iとす
ると、 により算出される。この平均値ｍを用いて下記（７）式
に示す処理がなされる。つまり、各チャンネルの出力値
x_iからパワーの平均値ｍが減算されて初期的な正規化値
_ｉが算出される。_ｉ ＝x_i−ｍ（ｉ−1,……ｎ） ……（７） 上記（７）式に示す処理により、スペクトルエンベロ
ープ１及び近似直線1aが第１図Ａに示すように平行移動
され、実線２及び2aに示すものとされる。この時の近似
直線2aは、略々中央となる位置のチャンネルにおいてｘ
軸と交差するため、 ｙ＝ａ｛ｉ−（ｎ＋１）/2｝ （n:チャンネル数,i:チャンネル番号１≦ｉ≦ｎ） ……（８） と仮定することができる。このため、最終的な正規化値
_ｉが_ｉ ＝_ｉ−ａ｛ｉ−（ｎ＋１）/2｝ ＝x_i−ｍ−ａ｛ｉ−（ｎ＋１）/2｝ （ｉ＝1,……ｎ） ……（９） によって算出することができる。 例えば、上記（９）式によって正規化された各チャン
ネルの出力値_ｉが第１図Ｂにおいて３の破線で示すよ
うなエンベロープを描くものとする。このエンベロープ
３により形成される斜線の領域４の面積をS1とすると、
面積S1は、により算出される。また、前述の（８）式を満足する第
１図Ｃにおいて５の実線で示す近似直線により形成され
る斜線の領域６の面積をS2とすると、面積S2は、 により算出される。これらの面積S1とS2とが等しいと仮
定することができ、近似直線５の傾きａが により算出される。 上記（12）式の右辺の分母は、チャンネル数ｎが固定
であるため、定数となる。従って、近似直線の傾きａ
は、１チャンネルから略々中央に位置するチャンネルま
での前半部におえる出力値の和P₁と、略々中央に位置す
るチャンネルからｎチャンネルまでの後半部における出
力値の和P₂との差の定数倍で算出される。 即ち、各チャンネルの出力に対して乗算を行うことな
く、加減算のみで近似直線の傾きａを求めることがで
き、下記（９）′式により最終的な正規化値_ｉが算出
される。 実際の計算においては、分析系12のチャンネル数が偶
数（ｎ＝2m）とされているか奇数（ｎ＝2m＋１）とされ
ているかによって計算処理が若干異なるもので、夫々の
場合について以下に示す。 ｉ）チャンネル数ｎが偶数とされ、（ｎ＝2m,m＝1,2,…
…）の場合 （前記（９）′式の右辺の第２項の分母）が ∴ 2m² _ｉ＝2m² _ｉ−2ki＋（2m＋１）ｋ ∴ S_{1 １}＝S_{i ｉ}−S₂i＋S₃となる。 尚、S₁＝2m², S₃＝（2m＋１）ｋである。 ii）チャンネル数ｎが奇数とされ、（ｎ＝2m＋1,m＝1,
2,……）の場合 （前記（９）′式の右辺の第２項の分母）が ∴ ｍ（ｍ＋１）_ｉ＝ｍ（ｍ＋１）_ｉ−ｋ′ｉ＋
ｋ′（ｍ＋１） ∴ S₁′_ｉ＝S₁′_ｉ−S₂′ｉ＋S₃′とされる。 尚、S₁′＝ｍ（ｍ＋１） S₃′＝（ｍ＋１）ｋ′である。 尚、チャンネル数ｎが偶数（ｎ＝2m）の場合及び奇数
（ｎ＝2m＋１）の場合の両者共に、S₁（又はS₁′）×
_ｉの形とされて正規化値_ｉが定数倍されるが、認識処
理においては、相対比較であるため、何ら認識率に影響
を与えることがなく、S₁（又はS₁′）×_ｉは、_ｉの
定数倍と、S₃（又はS₃′）との和から逐次S₂（又は
S₂′）だけ減算した形で算出される。 また、チャンネル数が奇数（ｎ＝2m＋１）とされる時
には、１チャンネルから（ｍ＋１）チャンネルまでの前
半部として出力の和P₁を算出すると共に、（ｍ＋２）チ
ャンネルからｎチャンネルまでを後半部として出力の和
P₂を算出して正規化する場合について説明したが、チャ
ンネル数が奇数の時には、中央に位置する（ｍ＋１）チ
ャンネルの出力値を両者の計算に用いるようにして出力
の和P₁,P₂を求めても良く、また、中央に位置する（ｍ
＋１）チャンネルの出力値を無視した形で出力の和P₁,P
₂を求めるようにしても良い。 〔発明の効果〕 この発明では、周波数分析により得られる各チャンネ
ルの出力値x_iからパワーの平均値ｍが求められ、各チャ
ンネルの出力値x_iからパワーの平均値ｍが減算されて初
期的な正規化処理がなされる。この初期的な正規化によ
り、１個のフレームのスペクトルエンベロープが平行移
動されて略々中央に位置するチャンネルにおいて出力値
が略々０とされ、近似直線の傾きａが１チャンネルから
略々中央となるチャンネルまでのパワーの和P₁と略々中
央となるチャンネルからｎチャンネルまでのパワーの和
P₂とを用いた加減算のみの式により算出される。得られ
た近似直線線の傾きａにより最終的な正規化処理がなさ
れる。 従って、この発明に依れば、従来の最小二乗法を用い
た正規化処理に必要であった切片ｂを算出することな
く、傾きａのみにより容易に然も効率的に周波数スペク
トルの傾向を正規化することができる。 また、この発明に依れば、正規化処理に用いられる近
似直線の傾きａを加減算のみにより算出することがで
き、更に、効率的に周波数スペクトルの傾向を正規化す
ることができる。 尚、１個のフレームに対する従来の最小二乗法を用い
た正規化処理と、この発明における正規化処理との演算
量の比較を参考のために記す。 最小二乗法を用いて正規化処理を行う場合には、前記
（４）式に示すように、 ｉ×x_i,（ｉ＝1,……ｎ） ……（14） なる乗算をｎ回実行し、更に、 Σｉ×Σx_i ……（15） なる乗算を１回実行して傾きａ及び切片ｂを決定する。
そして、正規化値を算出する段階で ａ×ｉ ……（16） なる乗算をｎ回実行することが必要とされる。 一方、この発明の正規化処理に依れば、加減算のみに
より算出される傾きａのみで正規化が行われるため、上
記（14）式及び（15）式に相当する乗算が不必要とさ
れ、上記（16）式に相当する。 ａ×｛ｉ−（ｎ＋１）/2｝ なる乗算をｎ回のみ実行することで、正規化値を得るこ
とができ、極めて効率的に処理される。

【図面の簡単な説明】 第１図Ａ〜Ｃはこの発明の一実施例の説明に用いる略線
図、第２図は音声認識装置の説明に用いる一例としての
概念図、第３図は従来の音源正規化方法の説明に用いる
略線図である。

Claims (1)

1. (57)【特許請求の範囲】 １．１チャンネルから中央までのチャンネルまでのパワ
   ーの和P₁と中央以上のチャンネルからｎチャンネルまで
   のパワーの和P₂と全体のパワーの和（P₁＋P₂）からパワ
   ーの平均値ｍを求めるステップと、 各チャンネルの出力値から上記パワーの平均値ｍを減算
   して_ｉを求めるステップと、 上記平均値のパワーが減算された出力値_ｉのパワーの
   和と等しいパワーの和を有するような近似直線の傾きａ
   を求めるステップと、 下記（９）式に従ってｎチャンネル分の正規化値_ｉを
   求めるステップと、 からなることを特徴とする音源正規化方法。_ｉ ＝_ｉ−ａ｛ｉ−（ｎ＋１）/2｝ ……（９）