JP3205141B2 - 音声分析方式 - Google Patents

音声分析方式

Info

Publication number
JP3205141B2
JP3205141B2 JP24658993A JP24658993A JP3205141B2 JP 3205141 B2 JP3205141 B2 JP 3205141B2 JP 24658993 A JP24658993 A JP 24658993A JP 24658993 A JP24658993 A JP 24658993A JP 3205141 B2 JP3205141 B2 JP 3205141B2
Authority
JP
Japan
Prior art keywords
noise
spectrum
power spectrum
voice
unit
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 - Fee Related
Application number
JP24658993A
Other languages
English (en)
Other versions
JPH07104797A (ja
Inventor
浩明 小窪
明雄 天野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP24658993A priority Critical patent/JP3205141B2/ja
Publication of JPH07104797A publication Critical patent/JPH07104797A/ja
Application granted granted Critical
Publication of JP3205141B2 publication Critical patent/JP3205141B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】本発明は音声認識方式に係り,特
に騒音下でも安定に動作する耐騒音型音声認識方式のた
めに用いる音声分析方式に関する。
【0002】
【従来の技術】音声認識装置を実用化するためには,騒
音下で発声した音声でも正しく認識するような耐騒音化
技術が必要不可欠である。音声認識の分野では,音声に
混入した騒音を除去する手段としてスペクトルサブトラ
クション法が非常に有効な手法として知られている。こ
の手法は入力音声の短時間スペクトルから推定騒音スペ
クトルを差し引くことで騒音成分の除去をおこなう。
【0003】
【発明が解決しようとする課題】スペクトルサブトラク
ション法の欠点は,大きな処理量が必要となることであ
る。従来のスペクトルサブトラクション法ではフレーム
単位 (数十ms) で切り出された波形データを直接フーリ
エ変換してスペクトルを求め,推定騒音スペクトルを差
し引いたのち,再びフーリエ逆変換により波形データに
戻していた。つまり,フレーム毎に2回,256点のFFTの
計算が必要であった(8kHzサンプリング,フレーム周期2
0msの場合)。スペクトルサブトラクション法の処理量の
ほとんどはこのFFT によるスペクトルの計算が占めてい
る。したがって,処理量を余りかけずにスペクトルを計
算することができれば,スペクトルサブトラクションの
処理量を削減することができる。
【0004】本発明の目的は,スペクトルサブトラクシ
ョンを用いた音声分析部の処理量を削減することにあ
る。
【0005】
【課題を解決するための手段】前記課題を解決するため
に,入力音声の短時間分析フレームデータから自己相関
係数を計算する手段と,前記自己相関係数からパワスペ
クトルに変換する手段と,騒音スペクトルを推定する手
段と,前記パワスペクトルからその騒音パワスペクトル
を引き算する手段と,前記騒音スペクトルを引き算され
た前記パワスペクトルを自己相関係数に逆変換する手段
と,前記逆変換された自己相関係数を用いて,LPCパ
ラメータを計算する手段とを設け,前記パワスペクトル
に変換する際の自己相関係数の計算は前記短時間フレー
ムのデータ点数よりも小さい次数で打ち切る。
【0006】
【作用】本発明には数々の変形が考えられるが,その中
で代表的な手段についてその作用を説明する。
【0007】一定時間 (たとえば 20ms) ごとに切りだ
された短時間フレームデータに対して,フレーム毎に自
己相関係数を計算する。この際計算する自己相関係数の
次数を,あらかじめ定めた次数(たとえば20次)で打ち
切る。この自己相関係数に対して,フーリエ変換をおこ
なうことで短時間パワスペクトルを得る。この短時間パ
ワスペクトルに対して,推定騒音スペクトルを引き算す
ることで,スペクトルサブトラクション法による騒音除
去をおこなう。騒音除去されたパワスペクトルはフーリ
エ逆変換することで,再び自己相関係数が得られる。
【0008】フレームデータから直接スペクトルを求め
る場合には,分析フレーム毎にフレームデータの点数
(たとえば160点) 以上の点数 (たとえば256点) のFFTの
計算が必要であった。一方,本発明の場合には,1フレ
ームのデータ数よりも次数の小さい (たとえば20次) 自
己相関係数からパワスペクトルを計算することで,従来
法よりも小さい点数 (たとえば64点) のFFTでパワスペ
クトルを求めることができる。FFTの計算点数をmとする
と,1回のFFTで必要となる複素演算の回数は m・log(m)
に比例するため,従来の手法に比べ大幅に計算量を削減
することができる。
【0009】また,分析部におけるLPCパラメータを用
いた特徴ベクトルの計算は,一般にフレームデータの自
己相関係数を計算して,LPC係数を求める手順 (Levinso
n-Durnbin法) をとっているため,本手法で得られた自
己相関係数を利用して直接LPC係数を求めることができ
る。
【0010】したがって,本発明によれば,音声の特徴
分析において,スペクトルサブトラクション法による騒
音除去の処理量を大幅に削減できることが可能となる。
【0011】
【実施例】以下,本発明の実施例を示す。図1は本発明
の一実施例を説明するための音声認識システムのブロッ
ク図である。図1において,101は音声入力部,10
2はA/D変換部,103はフレーム分割部,104は
音声分析部,105は音声区間検出部,106は標準パ
タン格納部,107は照合部,108は判定部である。
【0012】音声入力部101は音声コマンド等,シス
テムが認識するための音声を入力する部分である。音声
入力部101より入力した音声はA/D変換部102で
量子化された後,フレーム分割部103でフレーム単位
に分割される。フレーム分割部103は音声の特徴量を
分析するための区間を切り出すもので,通常数十 ms程
度の区間を一定間隔で切り出していく。音声分析部10
4はフレーム分割した入力音声から特徴パラメータを計
算する部分である。音声分析部104の詳細については
後で説明する。
【0013】音声区間検出部105は入力信号から音声
区間の検出をおこなう。音声区間の検出については古
井”ディジタル音声処理”(東海大学出版会)などが詳し
い。良く使用される手法としては,例えば,入力信号の
短時間パワを一定時間毎に抽出していき,閾値以上の短
時間パワが一定以上継続したか否かによって音声区間の
検出をおこなう。
【0014】標準パタン格納部106にはあらかじめ計
算しておいた認識対象語彙の特徴ベクトル(標準パタン)
が格納してある。照合部107は,標準パタン格納部1
06に格納されている標準パタンと,音声分析部104
で分析された入力音声の特徴ベクトルとの間で類似度計
算をおこなう。判定部108は,各認識対象語彙のうち
照合部107で計算した類似度が一番高い語彙を認識結
果として出力する。
【0015】次に,音声分析部104について詳細に述
べる。図2は音声分析部104の一実施例を説明するた
めのブロック図である。図2において,201は自己相
関計算部,202はフーリエ変換部,203は騒音除去
部,204は騒音参照用入力部,205はA/D変換
部,206はフレーム分割部,207は自己相関計算
部,208はフーリエ変換部,209は伝達特性補正
部,210はフーリエ逆変換部,211はLPCパラメ
ータ計算部である。
【0016】図1のフレーム分割部103でフレーム単
位に切り出された入力信号 x(n) は,自己相関計算部2
01に入り,次式にもとづき T 次までの自己相関係数
r(n)が求められる。
【0017】
【数1】
【0018】ここで,Nは1フレームのデータ数であ
る。自己相関計算部201で計算する自己相関係数 r
(n) の次数 T の決め方についてはあとで説明する。
【0019】次に,フーリエ変換部202において,自
己相関係数 r(n) のフーリエ変換をおこなう。このとき
数学の定理から,ある信号の自己相関係数のフーリエ変
換はその信号のパワスペクトルに等しいことが証明され
ており(Wiener-Khintchineの定理),フーリエ変換部2
02の出力信号S(n)は入力信号の短時間パワスペクトル
と等しい。つまり,入力信号 x(n) のフーリエ変換を X
(n) とすると,
【0020】
【数2】
【0021】である。
【0022】騒音除去部203は入力信号のパワスペク
トルから推定騒音のパワスペクトルを差し引く働きをす
る。このように,スペクトル上で入力音声から騒音成分
を除去する手法はスペクトルサブトラクション法と呼ば
れ,騒音下における音声認識性能の向上に非常に有効な
手段として知られている。スペクトルサブトラクション
法に関しては,Boll, "Suppression of Acoustic Nois
e in Speech Using Spectral Subtruction" ,IEEE Tran
s. on Acoustics, speech and Signal processing, Vo
l.Assp-27, No.2, April 1979, pp.113-120に詳しい。
いま,入力スペクトルをS(n),推定騒音スペクトルをN
(n)とすると,スペクトルサブトラクションは次式で表
される。
【0023】
【数3】
【0024】ここで,αはサブトラクション係数と呼ば
れている。また,パワスペクトル上でのサブトラクショ
ンの代わりに,振幅スペクトル上でのサブトラクション
をおこなってもよい。
【0025】騒音スペクトルの推定手法に関してはいく
つかの手法が考えられるが,本実施例では,騒音のみが
選択的に入力する場所に騒音参照用入力部204を設け
て騒音スペクトルを推定する。騒音参照用入力部204
より入力した騒音信号は,入力音声信号と同様,A/D
変換部205からフーリエ変換部208に至る過程で騒
音パワスペクトルが求められる。伝達特性補正部209
は図1の音声入力部101と騒音参照用入力部204と
の間の位置関係によって決まる伝達特性のずれを補正す
る。
【0026】騒音除去部203で騒音成分を除去された
入力パワスペクトル S'(n) は,フーリエ逆変換部21
0により再び,自己相関係数 r'(n) に変換される。
【0027】ところで,自己相関係数の0次の項は,分
析区間の短時間パワーに相当するので,図1の音声区間
検出部105ではフーリエ逆変換部210で得られた自
己相関係数の0次の項を用いて音声区間の検出をおこな
うことも可能である。
【0028】LPCパラメータ計算部211は,フーリ
エ逆変換部201により入力した自己相関 r'(n) を使
ってLPC係数を求めたのち,音声の特徴パラメータと
してLPCパラメータを計算する。音声認識において一
般によく用いられる特徴量として,LPCケプストラム
がある。LPCケプストラムはLPC係数から得られる
ケプストラムで,フーリエ変換から得られる通常のケプ
ストラムよりもスペクトルラムのピークを強調した特徴
がある。以下,本実施例の説明では音声の特徴パラメー
タとしてLPCケプストラムを用いることにする。
【0029】図2のLPCパラメータ計算部211でお
こなうLPC係数の計算アルゴリズムの一実施例の処理
フローを図3に示す。LPC係数の計算にはいくつかの
手法が提案されているが,本実施例では Levinson-Durb
in のアルゴリズムを用いている。
【0030】図3において,処理301では初期設定を
設定をおこなう。LPC係数の計算は逐次式で与えられ
ており,処理302では,m−1次のLPC係数からm
次のLPC係数が計算される。
【0031】処理303は次数の判定をおこない,mが
求めたいLPCの次数pに達していない場合には,mを
インクリメントした(304)後,再び処理302に移
り,m次のLPC係数が計算される。一方,次数pに達
した場合には処理305に移り,p次のLPC係数を出
力する。
【0032】p次のLPC係数a(n)が求まると,数4の
再帰式を用いてLPCケプストラムc(n)を得ることがで
きる。
【0033】
【数4】
【0034】以上説明した音声分析部では,図2の自己
相関計算部201でおこなう自己相関係数の計算を,予
め設定した適当な次数 T で打ち切ることで,フーリエ
変換部202での FFT の点数を小さくすることができ
る。例えば,1フレーム分のデータ点数を 160 点とし
たとき (8kHz サンプリングで 20ms),1フレーム分の
データを直接フーリエ変換する場合には 256点の FFT
が必要である。一方,図2の実施例によれば,自己相関
係数の次数 T を20 程度の値に設定することで,スペク
トルを求める際の FFT の点数は 64 点で十分である。F
FTの計算点数をmとすると,1回の FFT で必要となる複
素演算の回数は m・log(m) に比例する。つまり,本実施
例によれば,フレームデータを直接フーリエ変換する方
法に比べ,FFTの複素演算量は約1/5に削減されたこ
とになる。スペクトルサブトラクションの処理量の大部
分はこのスペクトルの計算であるので,本実施例を用い
ることでスペクトルサブトラクションを含めた音声分析
部の処理量を削減することが可能となる。
【0035】ここで,自己相関計算部104で計算する
自己相関の次数の決定法について述べる。自己相関の計
算を途中で打ち切ることは,自己相関係数からスペクト
ルを求める際にラグウインドをかけることに等しい。つ
まり,自己相関の計算次数 Tを小さく設定することは,
スペクトルサブトラクションをおこなう際のスペクトル
の周波数分解能を低下させることに相当する。ところ
で,スペクトルサブトラクションをおこなう際に必要な
周波数分解能は,入力する騒音成分によって異なると考
えられる。例えば,白色雑音のように広帯域にわたって
平坦な周波数特性を持つ騒音には,それほど高い周波数
分解能は必要としない。逆に,特定の周波数帯域にピー
クを持つような騒音に対しては,ピークの形状に応じた
周波数分解能が必要となる。つまり,音声認識システム
が使用される騒音環境に応じて,自己相関係数の最適な
次数 T を設定することが必要となる。
【0036】図4は自己相関係数の次数を決定するため
のフローの一実施例を示す。この実施例では,既知の音
声信号 x(n) と騒音信号 n(n) とを予め重畳した信号
を,図2で説明した分析部で分析し,この分析された分
析パラメータのスペクトル歪を用いて最適な次数 T の
決定をおこなっている。
【0037】図3において,騒音のない音声信号 x(n)
をサンプル音声として用意する(401)。このサンプ
ル音声を図2で説明した分析部で特徴パラメータを求め
る(402)。このとき,騒音のない入力音声に対して
は騒音除去を必要としないので,図2の202から21
0の処理は省略する。ここで求めたLPCケプストラム
をスペクトル歪を計算する際の参照パラメータとする。
【0038】つぎに,サンプル音声 x(n) に既知の騒音
信号 n(n) を重畳して騒音重畳音声x(n)+n(n) を作成す
る(403)。この騒音重畳音声 x(n)+n(n) を入力と
して,LPCケプストラムを求める。このとき,音声分
析部の初期値として自己相関係数の計算次数を設定する
(404)。この音声分析部で計算するLPC係数の次
数をpとすると,LPC係数の計算でP次の自己相関係数
は最低必要となるため,T=p を初期値とする。
【0039】つぎに,図2で説明した音声分析部で入力
した騒音重畳音声の特徴パラメータc'(n) を求める(4
05)。このとき,図2の自己相関計算部201で計算
する自己相関係数の次数はあらかじめ設定した次数 T
で打ち切ることとする。
【0040】406では,402で求めた参照用特徴パ
ラメータを用いて,406で求めた騒音成分を除去した
騒音重畳音声の特徴パラメータの設定した自己相関係数
のスペクトル歪を計算する。LPCケプストラム距離尺
度によるスペクトル歪CDは次式で計算される。
【0041】
【数5】
【0042】ここで,Dは距離尺度をデシベルに変換す
るための定数で,
【0043】
【数6】
【0044】である。
【0045】408では,407で求めたスペクトル歪
と前回 (T=T-1) のスペクトル歪との差をとり,あらか
じめ設定した閾値とを比較する。自己相関係数の打ち切
り次数 T が小さいときには,図2のフーリエ変換部2
02と208で得られるスペクトルの分解能が低いた
め,407で得られるスペクトル歪は大きな値をとる。
そして,T を大きくするにしたがってスペクトル歪は徐
々に小さくなり,一定値に収束する。もし,スペクトル
歪の差が閾値よりも大きい場合には,自己相関係数の打
ち切り次数 T を増やし(409),404からの処理
を繰り返す。
【0046】逆に,スペクトル歪が閾値以下である場合
は,スペクトル歪がほぼ一定値に収束したとして,この
ときの T の値を自己相関係数の打ち切り次数の最適値
として決定する(410)。
【0047】以上説明したアルゴリスムをによって,対
象とする騒音環境に最適な自己相関係数の次数をあらか
じめ求めておくことができる。
【0048】図2の音声分析部は,音声入力部以外に騒
音参照用の入力部を必要とする。ここで,騒音入力部を
必要としない,音声分析部の第二の実施例について説明
する。
【0049】図5は,音声分析部の第二の実施例を説明
するためのブロック図である。図5において,501は
自己相関計算部,502はフーリエ変換部,503は騒
音スペクトル推定部,504は騒音除去部,505はフ
ーリエ逆変換部,506はLPCパラメータ計算部であ
る。
【0050】図1のフレーム分割部103で分割したフ
レームデータは,図2で説明した手順と同様,自己相関
計算部501で自己相関係数を計算した後,フーリエ変
換部502でパワスペクトルに変換される。
【0051】騒音スペクトル推定部503は,騒音スペ
クトルが定常であると仮定し,フーリエ変換部502で
計算された過去のフレームのスペクトルから騒音スペク
トルを推定する。たとえば,過去の複数フレーム分の入
力スペクトルから平均スペクトルを求め,このスペクト
ルを推定騒音スペクトルとする。
【0052】騒音除去部504は,スペクトルサブトラ
クション法により,フーリエ変換部502で計算された
パワスペクトルから騒音成分を除去する。スペクトルサ
ブトラクションには,騒音スペクトル推定部503で推
定された騒音スペクトルを用いる。
【0053】騒音除去部504にて騒音スペクトルを除
去したパワスペクトルはフーリエ逆変換部505で再び
自己相関係数に変換した後,LPCパラメータ計算部で
LPCパラメータを求める。
【0054】図5の第二の実施例でも図2の実施例と同
様,スペクトルを求める際の FFTの点数を小さくするこ
とで,スペクトルサブトラクションを含んだ音声分析部
の処理量を削減することができる。
【0055】
【発明の効果】以上述べてきたように,本発明によれ
ば,分析フレームのデータに対して,予め設定した次数
までの自己相関係数を計算した後,フーリエ変換をおこ
なうことで,FFT の計算点数を小さくすることができ,
スペクトルを求める際の計算量を大幅に削減できる。ス
ペクトルサブトラクションの処理量の大部分はこのスペ
クトル計算にある。したがって,本発明を用いることに
より,スペクトルサブトラクションを用いた音声分析部
の処理量を削減することが可能となる。
【0056】以上の説明では音声認識装置を例にとり説
明してきだが,音声符号化装置等,同様な構造を持つも
のに対しても本発明が適用できることは言うまでもな
い。
【図面の簡単な説明】
【図1】音声認識システムの一実施例を説明するための
ブロック図である。
【図2】音声分析部の一実施例を説明するためのブロッ
ク図である。
【図3】図1のシステムで計算する自己相関係数の次数
を決定するためのアルゴリズムを説明するための図であ
る。
【図4】LPC係数の計算アルゴリズムを説明するため
の図である。
【図5】音声分析部の第二の実施例を説明するためのブ
ロック図である。
【符号の説明】
201,207...自己相関計算部,202,20
8...フーリエ変換部,203...騒音除去部,2
04...騒音参照用入力部,205...A/D変換
部,206...フレーム分割部,209...伝達特
性補正部,210...フーリエ逆変換部,21
1...LPCパラメータ計算部。
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平2−300636(JP,A) 特開 昭61−90200(JP,A) 特開 昭60−195599(JP,A) 特開 平4−245300(JP,A) 特開 平4−184400(JP,A) (58)調査した分野(Int.Cl.7,DB名) G10L 11/00 G10L 15/02 G10L 15/20

Claims (6)

    (57)【特許請求の範囲】
  1. 【請求項1】 音声を入力する手段と、入力した音声を短
    時間のフレームに切り出す手段と、入力音声の短時間分
    析フレームデータに基づき自己相関係数の次数が上記短
    時間分析フレームデータ点数よりも小さくなるような次
    数で計算し上記自己相関係数からパワスペクトルに変換
    する手段と、騒音パワスペクトルを推定する手段と、上
    記パワスペクトルから該騒音パワスペクトルを引き算す
    る手段と、前記騒音パワスペクトルを引き算された前記
    パワスペクトルを自己相関係数に逆変換する手段と、前
    記逆変換された自己相関係数を用いて、LPCパラメー
    タを計算する手段と、 計算された前記分析パラメータとあらかじめ登録してお
    いた音声の分析パラメータとの類似度を求める手段と、
    前記計算された類似度のうち一番大きい類似度を有する
    登録音声を認識結果として出力する手段とを有すること
    を特徴とする音声認識装置。
  2. 【請求項2】 上記次数は、前記LPCパラメータのスペ
    クトル歪みに基づいてあらかじめ設定されていることを
    特徴とする請求項1の音声認識装置。
  3. 【請求項3】 上記次数は、騒音環境に応じて設定される
    ことを特徴とする請求項1の音声認識装置。
  4. 【請求項4】 前記パワスペクトルから推定騒音パワスペ
    クトルを引き算する手段の代わりに、振幅スペクトルか
    ら騒音振幅スペクトルを引き算した後、パワスペクトル
    に逆変換する手段を有することを特徴とする請求項1か
    ら3の何れかの音声認識装置。
  5. 【請求項5】 過去の分析フレームのスペクトルを記憶す
    る手段を設け、前記騒音スペクトルは前記記憶された過
    去のスペクトルより算出することを特徴とする請求項1
    から4の何れかの音声認識装置。
  6. 【請求項6】 前記音声を入力する手段の他に、騒音を入
    力する手段を設け、前記騒音スペクトルは上記騒音を入
    力する手段から得られた情報により算出することを特徴
    とする請求項1から4の何れかの音声認識装置。
JP24658993A 1993-10-01 1993-10-01 音声分析方式 Expired - Fee Related JP3205141B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP24658993A JP3205141B2 (ja) 1993-10-01 1993-10-01 音声分析方式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP24658993A JP3205141B2 (ja) 1993-10-01 1993-10-01 音声分析方式

Publications (2)

Publication Number Publication Date
JPH07104797A JPH07104797A (ja) 1995-04-21
JP3205141B2 true JP3205141B2 (ja) 2001-09-04

Family

ID=17150670

Family Applications (1)

Application Number Title Priority Date Filing Date
JP24658993A Expired - Fee Related JP3205141B2 (ja) 1993-10-01 1993-10-01 音声分析方式

Country Status (1)

Country Link
JP (1) JP3205141B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5413779B2 (ja) * 2010-06-24 2014-02-12 株式会社日立製作所 音響−独自性データベース生成システム、音響データ類似判定システム、音響−独自性データベース生成方法、及び、音響データ類似判定方法

Also Published As

Publication number Publication date
JPH07104797A (ja) 1995-04-21

Similar Documents

Publication Publication Date Title
EP0660300B1 (en) Speech recognition apparatus
US6173258B1 (en) Method for reducing noise distortions in a speech recognition system
JP3451146B2 (ja) スペクトルサブトラクションを用いた雑音除去システムおよび方法
US20060165202A1 (en) Signal processor for robust pattern recognition
US20080208578A1 (en) Robust Speaker-Dependent Speech Recognition System
JP2007523374A (ja) 自動音声認識器のためのトレーニングデータを生成する方法およびシステム
JPH0612089A (ja) 音声認識方法
JP2000172292A (ja) 自動音声認識方法及び装置
KR101892733B1 (ko) 켑스트럼 특징벡터에 기반한 음성인식 장치 및 방법
WO2003094154A1 (en) On-line parametric histogram normalization for noise robust speech recognition
US4937871A (en) Speech recognition device
JP3907194B2 (ja) 音声認識装置、音声認識方法及び音声認識プログラム
JP4705414B2 (ja) 音声認識装置、音声認識方法、音声認識プログラムおよび記録媒体
US20030036902A1 (en) Method and apparatus for recognizing speech in a noisy environment
Erell et al. Filterbank-energy estimation using mixture and Markov models for recognition of noisy speech
JP2836271B2 (ja) 雑音除去装置
EP0474496B1 (en) Speech recognition apparatus
JP3270866B2 (ja) 雑音除去方法および雑音除去装置
JPH10149191A (ja) モデル適応方法、装置およびその記憶媒体
JP3205141B2 (ja) 音声分析方式
KR20050051435A (ko) 잡음 환경에서의 음성 인식을 위한 특징 벡터 추출 장치및 역상관 필터링 방법
JP4325044B2 (ja) 音声認識システム
US7155387B2 (en) Noise spectrum subtraction method and system
US20070124143A1 (en) Adaptation of environment mismatch for speech recognition systems
JPH11327593A (ja) 音声認識システム

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees