JP3983421B2 - 音声認識装置 - Google Patents
音声認識装置 Download PDFInfo
- Publication number
- JP3983421B2 JP3983421B2 JP16580799A JP16580799A JP3983421B2 JP 3983421 B2 JP3983421 B2 JP 3983421B2 JP 16580799 A JP16580799 A JP 16580799A JP 16580799 A JP16580799 A JP 16580799A JP 3983421 B2 JP3983421 B2 JP 3983421B2
- Authority
- JP
- Japan
- Prior art keywords
- speech
- voice
- recognition
- detection
- section
- 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
Images
Description
【０００１】
【発明の属する技術分野】
この発明は、音声信号の始終端を検出する音声認識装置に関するものである。
【０００２】
【従来の技術】
図１８は例えば特公平７−５４４３４号公報に示された従来の音声認識装置を示す構成図であり、図において、１は入力音声のＳ／Ｎを測定するＳ／Ｎ測定手段、２は入力音声のパワーを求めるパワー分析手段、３はＳ／Ｎ測定手段１によって測定されたＳ／Ｎが低い場合には雑音レベルに一定値を加えた値を閾値として設定し、また、Ｓ／Ｎが高い場合には入力音声の最大パワーより一定値を引いた値を閾値として設定するパワー閾値決定手段、４はパワー分析手段２によって求められたパワーに対し、パワー閾値決定手段３によって決定された閾値を用いて入力音声の音声区間の検出を行う音声区間検出手段、５は音声区間検出手段４によって検出された入力音声の音声区間に対して音声認識を行い音声認識結果を出力する音声認識手段である。
【０００３】
次に動作について説明する。
このような音声認識装置は、例えば、マイクロホンなどから入力された入力音声の意味を認識して、その認識した意味に基づいて処理を行う装置に適用されるものであり、この音声認識装置での音声入力は、不規則的に短時間に行われる場合が多いので、音声が入力されたと判断される音声区間についてのみ、音声認識処理を行うことにより、音声認識処理の負荷を低減するものである。
図１８において、Ｓ／Ｎ測定手段１は、マイクロホンなどからの入力音声のＳ／Ｎを測定し、パワー分析手段２は、入力音声のパワーを求める。そして、パワー閾値決定手段３は、Ｓ／Ｎ測定手段１によって測定されたＳ／Ｎが低い場合にはその雑音レベルに、例えば、５ｄＢなどの一定値を加えた値を閾値として設定し、また、Ｓ／Ｎが高い場合にはその入力音声の最大パワーより例えば、４０ｄＢなどの一定値を引いた値を閾値として設定する。
音声区間検出手段４は、パワー分析手段２によって求められたパワーに対し、パワー閾値決定手段３によって決定された閾値以上の音声区間があれば、その入力音声の音声区間を検出する。音声認識手段５は、音声区間検出手段４によって検出された入力音声の音声区間に対して音声認識を行い、その音声認識結果を出力する。
【０００４】
【発明が解決しようとする課題】
従来の音声認識装置は以上のように構成されているので、Ｓ／Ｎが低い場合に雑音レベルから一定値を加えた値を閾値として設定し、また、Ｓ／Ｎが高い場合にピーク値から一定値を引いた値を閾値として設定していた。
このような、Ｓ／Ｎの高低に応じた閾値は、例えば、放送用スタジオなどの良い音声認識環境で用いる場合では予め相対的に高く設定され、逆に、工事現場などの悪い音声認識環境で用いる場合では予め相対的に低く設定されるものである。
したがって、良い音声認識環境において、Ｓ／Ｎが低い入力音声に対して、雑音レベルから一定値を加えた値を閾値として設定した時には、その設定された閾値が相対的に高く設定されるので、Ｓ／Ｎが低い音声に対する音声区間の検出感度が落ちてしまい、逆に、悪い音声認識環境において、Ｓ／Ｎが高い入力音声に対して、ピーク値から一定値を引いた値を閾値として設定した時には、その設定された閾値が相対的に低く設定されるので、Ｓ／Ｎの高い音声においては発声前後の口唇雑音や、呼気音などの付帯雑音を拾いやすくなり音声区間の検出感度が高くなり過ぎる課題があった。
また、音声区間の検出において、入力音声が一定閾値以上であり、かつ一定時間以上継続した場合に音声区間であると判断するなど、時間長閾値を併用して検出する方式を用いる場合に、検出に用いられる閾値およびＳ／Ｎの変化に伴い、判定に用いるための最適な時間長閾値を変化させなくてはならず、その時間長閾値の設定が難しくなるなどの課題があった。
【０００５】
この発明は上記のような課題を解決するためになされたもので、各Ｓ／Ｎに応じた最適な閾値を用いることにより、Ｓ／Ｎに影響されずに音声区間の検出精度を高める音声認識装置を得ることを目的とする。
【０００６】
【課題を解決するための手段】
この発明に係る音声認識装置は、検出アルゴリズムおよびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段と、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から検出アルゴリズムおよびパラメータ閾値のセットを選択する検出アルゴリズム選択手段と、選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段と、パラメータ分析手段によって求められたパラメータに対し、選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段とを備えたものである。
【０００７】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から複数の検出アルゴリズム、および複数のパラメータ閾値のセットを選択し、複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、複数のパラメータに対し、複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、検出された入力音声の複数の音声区間に対して音声認識を行い、音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段を備えたものである。
【０００８】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【０００９】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【００１０】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【００１１】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【００１２】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段に対して、音声区間としての採用／非採用を指定する外部入力手段を備えたものである。
【００１３】
【発明の実施の形態】
以下、この発明の実施の一形態を説明する。
実施の形態１．
図１はこの発明の実施の形態１による音声認識装置を示す構成図であり、図において、１１は入力音声のＳ／Ｎを測定するＳ／Ｎ測定手段、１２は入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段、１３は音声区間検出に用いられるパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶したパラメータ閾値記憶手段、１４はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じてパラメータ閾値記憶手段１３に記憶されたパラメータ閾値のセットを選択するパラメータ閾値選択手段、１５はパラメータ分析手段１２によって求められたパラメータに対し、パラメータ閾値選択手段１４によって選択されたパラメータ閾値のセットを用いて音声区間検出を行う音声区間検出手段、１６は音声区間検出手段１５によって検出された入力音声の音声区間に対して音声認識を行い音声認識結果を出力する音声認識手段である。
【００１４】
次に動作について説明する。
このような音声認識装置は、例えば、マイクロホンなどから入力された入力音声の意味を認識して、その認識した意味に基づいて処理を行う装置に適用されるものであり、この音声認識装置での音声入力は、不規則的に短時間に行われる場合が多いので、音声が入力されたと判断される音声区間についてのみ、音声認識処理を行うことにより、音声認識処理の負荷を低減するものである。
図２はパラメータ分析手段の処理を示す説明図であり、パラメータ分析手段１２では、図２のように入力された音声のサンプルデータに対して、一定周期毎のフレーム周期に、音声波形一定長のフレーム長毎のサンプルデータを切り出し、音声の分析を行う。時刻ｉのフレームでの特徴ベクトルをＶ（ｉ）とし、この実施の形態１においては、その特徴ベクトルＶ（ｉ）は、その特徴ベクトルＶ（ｉ）から求められ、音声認識手段１６で音声認識に用いられる認識用特徴量ｖ（ｉ，０），ｖ（ｉ，１），・・・と、さらに、その特徴ベクトルＶ（ｉ）から求められ、音声区間検出手段１５で用いられるパラメータＰ（ｉ）とを含むものとする。
ここで、この実施の形態１では、パラメータＰ（ｉ）を短時間平均パワーとすれば、時刻ｉに対応するその短時間平均パワーＰ（ｉ）は以下の式（１）のように求めることができる。
【００１５】
【数１】
【００１６】
ここで、ｎｓｍｐはフレーム内に含まれているサンプルデータ数、ｓｍｐ（ｊ）はフレームの先頭からｊ番目のサンプルデータの値である。
【００１７】
Ｓ／Ｎ測定手段１１では、入力音声のＳ／Ｎを求める。
図３はＳ／Ｎ測定手段の処理を示す説明図であり、Ｓ／Ｎ測定に用いる短時間平均パワーＰ（ｔ）をパラメータ分析手段１２での特徴量の演算と同様に、フレーム単位毎に短時間平均パワーＰ（ｔ）を求める。そして、求められた短時間平均パワーＰ（ｔ）の時系列のうち、一定閾値（Ｐｔｈ）以下の短時間平均パワーの内の最新一定時間分（Ｎｐ）のモードを雑音のパワー（Ｐｎ）とする。次に、求められた雑音のパワーから一定閾値（Ｐｔｈ２）以上の値を持つ短時間平均パワーＰ（ｔ）の最新一定時間（Ｎｐ２）分の平均値を音声のパワー（Ｐｖ）とする。この、音声のパワー（Ｐｖ）と雑音のパワー（Ｐｎ）との差（Ｐｖ−Ｐｎ）をＳ／Ｎ（Ｐｓｎ）とする。
【００１８】
パラメータ閾値記憶手段１３は、音声区間検出に用いられる閾値を記憶したものであり、音声のＳ／Ｎ毎に区分して予め最適な閾値を記憶したものである。
図４はパラメータ閾値記憶手段に記憶されたテーブルを示す概念図であり、例えば、この図４に示すように、テーブルによって各Ｓ／Ｎ毎に区分して音声区間検出に用いられる閾値の値を予め記憶している。
【００１９】
パラメータ閾値選択手段１４では、Ｓ／Ｎ測定手段１１によって求められた入力音声のＳ／Ｎに応じて、パラメータ閾値記憶手段１３からそのＳ／Ｎに相当する閾値を選択する。例えば、Ｓ／Ｎ測定手段１１によって測定された入力音声のＳ／Ｎが３０ｄＢであった場合、図４中のＩＤ＝２の列の閾値が選択される。すなわち、パワー閾値１＝１０ｄＢ、パワー閾値２＝１３ｄＢ、パワー閾値３＝２０ｄＢ、時間閾値１＝５０ｍｓｅｃ、時間閾値２＝１５０ｍｓｅｃ、時間閾値３＝３５０ｍｓｅｃが選択される。
【００２０】
音声区間検出手段１５では、パラメータ閾値選択手段１４によって選択された閾値と、パラメータ分析手段１２によって求められたパラメータとから音声区間検出する。
図５は音声区間検出手段の処理を示す説明図であり、例として閾値による音声区間の検出例を示す。ＴＨ１＝ノイズパワー＋パワー閾値１、ＴＨ２＝ノイズパワー＋パワー閾値２、ＴＨ３＝ノイズパワー＋パワー閾値３とする。
ここで、ノイズパワーは、パラメータ分析手段１２によって出力された短時間平均パワーの時系列から、一定閾値以下の短時間平均パワーの内の最新一定時間分の平均値とする。また、この実施の形態１のように、音声区間検出手段１５にに用いられるパラメータが、Ｓ／Ｎ測定手段１１によって用いられた短時間平均パワーと同じものである場合は、Ｓ／Ｎ測定手段１１によって求められた雑音パワーを用いても良い。
【００２１】
音声区間検出は以下のように行う。
Ｓｔｅｐ１ 時刻Ｔ１でパワーがＴＨ１以上になりＴＨ１以下にならないままＴＨ２を越えた後、時刻Ｔ２でＴＨ１以下になった場合、Ｔ２−Ｔ１が時間閾値１以上であれば、Ｔ１からＴ２を音声区間として検出し、Ｔ１を始端（ＳＰ）、Ｔ２を終端（ＥＰ）とし、Ｓｔｅｐ２へ。パワーがＴＨ２以上にならないままＴＨ１以下になった場合、および、ＴＨ２を越えてもＴ１からＴ２までの時間がＴＨ２未満であった場合は、その区間は音声区間として検出せずに、Ｓｔｅｐ１を操り返す。
Ｓｔｅｐ２ ＥＰ検出後、パワーがＴＨ１以上となりそのままパワーがＴＨ１以下にならずにＴＨ２を越えた後、ＴＨ１以下になった時、パワーがＴＨ１以上となった時刻をＴ３、パワーがＴＨ１以下となった時刻をＴ４とする。ＥＰから時刻Ｔ３までの時間が時間閾値２以下かつ、時刻Ｔ３から時刻Ｔ４までの時間が時間閾値１以上の場合、Ｔ１を始端（ＳＰ）、Ｔ４を新たに終端（ＥＰ）とし、Ｓｔｅｐ２を繰り返す。上記の条件に合う、Ｔ３，Ｔ４が検出されなかった場合はＳｔｅｐ３へ。
Ｓｔｅｐ３ ＳＰからＥＰまでの時間が時間閾値Ｔ３以上かつ、ＳＰからＥＰまでの間のパワーの最大値がパワー閾値３以上の場合、ＳＰからＥＰまでを音声区間として採用。この条件を満たさない場合は音声区間として採用しない。
【００２２】
音声認識手段１６では、音声区間検出手段１５によって検出された入力音声を用いて音声認識を行い、認識結果を出力する。
【００２３】
以上のように、この実施の形態１によれば、パラメータ閾値のセットをＳ／Ｎ毎に区分して複数個記憶しておき、入力音声のＳ／Ｎに応じて、そのＳ／Ｎに最適なパラメータ閾値のセットを選択することで音声の入力環境に影響されず、最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
【００２４】
実施の形態２．
図６はこの発明の実施の形態２による音声認識装置を示す構成図であり、図において、１７は音声区間検出に用いられるパラメータ閾値のセットの変更量をＳ／Ｎ毎に区分して記憶したパラメータ閾値変更量記憶手段、１８はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じてパラメータ閾値変更量記憶手段１７に記憶されたパラメータ閾値のセットの変更量を選択し、その選択した変更量に基づいてパラメータ閾値のセットを標準値から変更するパラメータ閾値変更手段である。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００２５】
次に動作について説明する。
パラメータ閾値変更量記憶手段１７は、音声区間検出に用いられるパラメータ閾値の変更量を記憶したものであり、パラメータ閾値に対していくつかのグループに分け、各グループ毎にパラメータ閾値変更手段１８が予め記憶している標準値からどの程度変更させるかを音声のＳ／Ｎ毎に記憶したものである。
図７はパラメータ閾値変更量記憶手段に記憶されたテーブルを示す概念図であり、例えば、この図７に示すように、各Ｓ／Ｎ毎に検出に用いられるパラメータ閾値の閾値変更量を記憶している。この図７中のパワー関連閾値変更量は、実施の形態１で説明した音声区間検出手段１５で用いているパワー閾値１、パワー閾値２、パワー閾値３に対する変更量である。
【００２６】
パラメータ閾値変更手段１８は、求められた入力音声のＳ／ＮからそのＳ／Ｎに相当するパラメータ閾値の変更量を、パラメータ閾値変更量記憶手段１７から読み出し、パラメータ閾値変更手段１８が予め記憶している標準値から変更する。例えば、標準閾値がパワー閾値１＝８、パワー閾値２＝１０、パワー閾値３＝１２、時間閾値１＝４０ｍｓｅｃ、時間閾値２＝１３０ｍｓｅｃ、時間閾値３＝４００ｍｓｅｃでＳ／Ｎ＝３０ｄＢの場合、図７のＩＤ＝２（Ｓ／Ｎ＝２５〜４０ｄＢ）の列が選択され、パワー閾値１＝８＋３＝１１、パワー閾値２＝１０＋３＝１３、パワー閾値３＝１２＋３＝１５、時間閾値１＝４０ｍｓｅｃ×１．２＝４８ｍｓｅｃ、時間閾値２＝１３０ｍｓｅｃ×１．２＝１５６ｍｓｅｃ、時間閾値３＝４００ｍｓｅｃ×０．９＝３６０ｍｓｅｃのように変更を行う。
Ｓ／Ｎ測定手段１１、パラメータ分析手段１２、音声区間検出手段１５、および音声認識手段１６の動作は実施の形態１と同様である。
【００２７】
以上のように、この実施の形態２によれば、入力音声のＳ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を変更することにより、音声の入力環境に影響されず最適な音声区間の検出ができ、認識率を向上させることができる。また、パラメータ閾値をいくつかのグループに分け、その変更量を記憶させておくことにより、パラメータ閾値の種類が増えた際にもパラメータ閾値の変更に用いられる記憶量を低減することができる効果がある。
【００２８】
実施の形態３．
図８はこの発明の実施の形態３による音声認識装置を示す構成図であり、図において、１９はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じてパラメータ閾値のセットを算出するパラメータ閾値算出手段である。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００２９】
次に動作について説明する。
パラメータ閾値算出手段１９は、Ｓ／Ｎ測定手段１１によって求められたＳ／Ｎに応じて、予め定められた数式によりパラメータ閾値のセットを算出するものであり、例えば、Ｓ／Ｎ測定手段１１によって求められたＳ／Ｎの値をＰｓｎとすると、
パワー閾値１＝ｍｉｎ（ｍａｘ（ ５，（Ｐｓｎ−５）／２ ），２０）
パワー閾値２＝ｍｉｎ（ｍａｘ（ ７，（Ｐｓｎ−５）／１．５），３０）
パワー閾値３＝ｍｉｎ（ｍａｘ（ １０，（Ｐｓｎ−８） ），４０）
時間閾値１ ＝ｍｉｎ（ｍａｘ（ ２５，（１５＋Ｐｓｎ ） ，６０）
時間閾値２ ＝ｍｉｎ（ｍａｘ（１２０，（１００＋Ｐｓｎ×２），１８０）
時間閾値３ ＝ｍｉｎ（ｍａｘ（３５０，（５００−Ｐｓｎ×８），５００）
のような式によりパラメータ閾値のセットを算出する。
例えば、Ｓ／Ｎ＝２５の場合、パワー閾値１＝１０、パワー閾値２＝１３．３、パワー閾値３＝１７、時間閾値１＝４０、時間閾値２＝１５０、および時間閾値３＝３５０のようになる。
Ｓ／Ｎ測定手段１１、パラメータ分析手段１２、音声区間検出手段１５、および音声認識手段１６の動作は、実施の形態１と同様である。
【００３０】
以上のように、この実施の形態３によれば、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値のセットを細かく算出することができ、音声の入力環境に影響されず最適な音声区間検出ができ、認識率を向上させることができる効果がある。
【００３１】
実施の形態４．
図９はこの発明の実施の形態４による音声認識装置を示す構成図であり、図において、２０は入力音声のパラメータの検出手法、および音声区間の検出手法からなる検出アルゴリズム、およびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段、２１はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段２０から検出アルゴリズム、およびパラメータ閾値のセットを選択する検出アルゴリズム選択手段、２２は検出アルゴリズム選択手段２１によって選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段、２３はパラメータ分析手段２２によって求められたパラメータに対し、検出アルゴリズム選択手段２１によって選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段である。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００３２】
次に動作について説明する。
検出アルゴリズム記憶手段２０は、Ｓ／Ｎ毎に用いられる検出アルゴリズム、およびパラメータ閾値のセットを記憶したものであり、例えば、
検出アルゴリズムに関しては、
Ｓ／Ｎが１０ｄＢ未満の場合は、認識用特徴量と雑音のコードブックとの距離、および認識用特徴量と音声との距離値により検出を行う。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満の場合は、スペクトルトラクション後の入力音声の短時間平均パワーにより検出を行う。
Ｓ／Ｎが２０ｄＢ以上の場合は、入力音声の短時間平均パワーにより検出を行う。
閾値に関しては、
Ｓ／Ｎが１０ｄＢ未満での閾値は、ｓｅｔ１を使用する。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満での閾値は、ｓｅｔ２を使用する。
Ｓ／Ｎが２０ｄＢ以上で３０ｄＢ未満での閾値は、ｓｅｔ３を使用する。
Ｓ／Ｎが３０ｄＢ以上で４０ｄＢ未満での閾値は、ｓｅｔ４を使用する。
Ｓ／Ｎが４０ｄＢ以上での閾値は、ｓｅｔ５を使用する。
但し、
ｓｅｔ１：｛ｄｉｓ＿Ｑ＝２．３，ｄｉｓ＿Ｖ＝１．０，ｄｉｓ＿Ｘ＝２．１，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０｝
ｓｅｔ２：｛ｓｓｐｗｒ１＝６．０，ｓｓｐｗｒ２＝１０．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
ｓｅｔ３：｛ｐｗｒ１＝１０．０，ｐｗｒ２＝１２．０，ｐｗｒ３＝１５．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
ｓｅｔ４：｛ｐｗｒ１＝１２．０，ｐｗｒ２＝１５．０，ｐｗｒ３＝２０．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
ｓｅｔ５：｛ｐｗｒ１＝１５．０，ｐｗｒ２＝２０．０，ｐｗｒ３＝２５．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
のように定めておく。
ここで、ｓｅｔ１のｄｉｓ＿Ｑ，ｄｉｓ＿Ｖ，ｄｉｓ＿Ｘはコードブックと認識用特徴量との距離値に関する閾値、ｓｅｔ２のｓｓｐｗ１，ｓｓｐｗｒ２，ｓｓｐｗｒ３はスペクトルサブトラクション後の入力音声の短時間平均パワーに関する閾値である。
【００３３】
検出アルゴリズム選択手段２１は、Ｓ／Ｎ測定手段１１によって求められたＳ／Ｎに応じて、検出アルゴリズム記憶手段２０から音声区間検出に用いるために使用される検出アルゴリズム、およびパラメータ閾値のセットを選択する。
【００３４】
パラメータ分析手段２２では、検出アルゴリズム選択手段２１によって選択された検出アルゴリズムに対応して、入力音声を分析する。
即ち、Ｓ／Ｎが１０ｄＢ未満の場合は、パラメータ分析手段ａを用い、入力音声の音声認識用特徴量、雑音コードブックと認識用特徴量との距離値、音声コードブックと入力音声との距離値を出力する。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満の場合は、パラメータ分析手段ｂを用い、入力音声の音声認識用特徴量と入力音声にバンドパスフィルタをかけた後の短時間平均パワーを出力する。
Ｓ／Ｎが２０ｄＢ以上の場合は、パラメータ分析手段ｃを用い、入力音声の音声の認識用特徴量と入力音声の短時間平均パワーを出力する。
【００３５】
音声区間検出手段２３は、パラメータ分析手段２２によって求められたパラメータに対し、検出アルゴリズム選択手段２１によって選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う。
即ち、Ｓ／Ｎが１０ｄＢ未満の場合は、パラメータ分析手段ａによって求められたパラメータに対して、パラメータ閾値のｓｅｔ１を用いて音声区間の検出を行う。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満の場合は、パラメータ分析手段ｂによって求められたパラメータに対して、パラメータ閾値のｓｅｔ２を用いて音声区間の検出を行う。
Ｓ／Ｎが２０ｄＢ以上の場合は、パラメータ分析手段ｃによって求められたパラメータに対して、パラメータ閾値のｓｅｔ３からｓｅｔ５のうちのいずれか選択されたｓｅｔを用いて音声区間の検出を行う。
Ｓ／Ｎ測定手段１１、および音声認識手段１６の動作は、実施の形態１と同様である。
【００３６】
以上のように、この実施の形態４によれば、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
【００３７】
実施の形態５．
図１０はこの発明の実施の形態５による音声認識装置を示す構成図であり、図において、２５は音声認識手段２４によって音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段である。
なお、検出アルゴリズム選択手段２１は、検出アルゴリズム記憶手段２０から複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを選択し、パラメータ分析手段２２は、複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、音声区間検出手段２３は、複数のパラメータに対し、複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、音声認識手段２４は、入力音声の複数の音声区間に対してそれぞれ音声認識を行うものである。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００３８】
次に動作について説明する。
実施の形態４とは異なり、検出アルゴリズム選択手段２１は、検出アルゴリズム記憶手段２０から複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを選択可能にする。
例えば、検出アルゴリズム記憶手段２０に以下のように記憶されているものとする。
Ｓ／Ｎが１５ｄＢ未満では、認識用特徴量と雑音のコードブックとの距離値、および認識用特徴量と音声との距離値により検出を行い、パラメータ閾値は、Ｓｅｔ１を使用する。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満では、スペクトルサブトラクション後の入力音声の短時間平均パワーにより検出を行い、パラメータ閾値はＳｅｔ２を使用する。
Ｓ／Ｎが１５ｄＢ以上で３０ｄＢ未満では、入力音声の短時間平均パワーにより検出を行い、パラメータ閾値はｓｅｔ３を使用する。
Ｓ／Ｎが２５ｄＢ以上で４０ｄＢ未満では、入力音声の短時間平均パワーにより検出を行い、パラメータ閾値はｓｅｔ４を使用する。
Ｓ／Ｎが３５ｄＢ以上では、パラメータ閾値はｓｅｔ５を使用する。
但し、ｓｅｔ１〜ｓｅｔ５のパラメータ閾値は、実施の形態４に示したものと同一とする。
以上のように検出アルゴリズム記憶手段２０に記憶されている場合に、Ｓ／Ｎ測定手段１１によって、Ｓ／Ｎ＝１２ｄＢと求められた場合には、検出アルゴリズム選択手段２１は、検出アルゴリズム記憶手段２０から、パラメータ閾値をｓｅｔ１として、検出アルゴリズムを認識用特徴量と雑音のコードブックとの距離値、および認識用特徴量と音声との距離値により検出とするを選択すると共に、パラメータ閾値をｓｅｔ２として、検出アルゴリズムをスペクトルサブトラクション後の入力音声の短時間平均パワーにより検出とするを選択する。
【００３９】
パラメータ分析手段２２は、検出アルゴリズム選択手段２１によって選択された複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、音声区間検出手段２３は、パラメータ分析手段２２によって求められた複数のパラメータに対し、検出アルゴリズム選択手段２１によって選択された複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、音声認識手段２４は、音声区間検出手段２３によって検出された入力音声の複数の音声区間に対してそれぞれ音声認識を行う。
さらに、認識結果選択手段２５は、音声認識手段２４によって音声認識された複数の認識結果の尤度を比較し、一番尤度の高い認識結果を最終的な認識結果として選択し出力する。
【００４０】
以上のように、この実施の形態５によれば、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
また、検出アルゴリズム、およびパラメータ閾値の切り替わる近辺の不安定さを取り除くことができる効果がある。
【００４１】
実施の形態６．
図１１はこの発明の実施の形態６による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段２６は、音声区間検出手段２７により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００４２】
次に動作について説明する。
図１２はＳ／Ｎ測定手段の処理を示す説明図であり、図に示すように、Ｓ／Ｎ測定手段２６は、音声区間検出手段２７により検出された音声区間に関する情報を入力し、過去に検出された音声区間がＮｓ個を越えた場合は、検出された音声区間のうち最新のＮｓ個分の音声区間のピークパワーの平均値を音声パワーとする。また、過去に検出された音声区間の数がＮｓ個未満の場合は、その平均値を音声パワーとし、過去に検出された音声区間の数がＮｓ＿ｍｉｎ個未満の場合は、初期値を音声パワーとして用いる。
また、過去の一定閾値以下のパワーＮｐ時間分のモードを雑音のパワーとして用いる。一定閾値以下のパワーがＮｐ時間未満の場合はその最頻値を用いる。以上のようにして求められた音声パワーと雑音のパワーとの差分を入力音声のＳ／Ｎとする。
なお、音声区間のピークパワーの代わりに音声区間内の平均値、あるいは、音声区間内の雑音レベルより一定閾値以上の値を持つパワーの平均値を音声パワーとしても良い。また、雑音レベルは音声区間外の一定時間の平均値でも良い。
その他、パラメータ分析手段１２、パラメータ閾値記憶手段１３、パラメータ閾値選択手段１４、および音声認識手段１６の動作は、実施の形態１と同様である。
【００４３】
以上のように、この実施の形態６によれば、音声区間検出手段２７により検出された音声区間に応じてＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００４４】
実施の形態７．
図１３はこの発明の実施の形態７による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段２８は、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態５と同一なので重複する説明を省略する。
【００４５】
次に動作について説明する。
Ｓ／Ｎ測定手段２８では、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間に応じて入力音声のＳ／Ｎを測定するものである。
その測定方法は、実施の形態６と同様である。
その他、検出アルゴリズム記憶手段２０、検出アルゴリズム選択手段２１、パラメータ分析手段２２、および音声認識手段２４の動作は、実施の形態５と同様である。
【００４６】
以上のように、この実施の形態７によれば、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間に応じてＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００４７】
実施の形態８．
図１４はこの発明の実施の形態８による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段３１は、音声区間検出手段２７により検出された音声区間と音声認識手段３２による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態６と同一なので重複する説明を省略する。
【００４８】
次に動作について説明する。
Ｓ／Ｎ測定手段３１では、雑音レベルを測定するために用いる雑音区間の時間をＮｐ、音声区間の数の最小値をＮｓ＿ｍｉｎ、通常Ｎｓ個とする。この場合、以下のような方法でＳ／Ｎを測定する。
図１５はＳ／Ｎ測定手段の処理を示す説明図であり、図において、過去に検出された音声区間のうち、認識結果の尤度が一定値以上となった音声区間の数がＮｓ個を越えた場合は、その尤度が一定以上の音声区間のうち最新のＮｓ個分の区間のピークパワーの平均値を音声パワーとする。
過去に検出された尤度が一定以上の音声区間の数がＮｓ個未満の場合は、その平均値を音声パワーとし、過去に検出された尤度が一定以上の音声区間の数がＮｓ＿ｍｉｎ個未満の場合は、初期値を音声パワーとして用いる。
また、過去の一定閾値以下のパワーＮｐ時間分のモードを雑音のパワーとして用いる。一定閾値以下のパワーがＮｐ時間未満の場合は、その最頻値を用いる。
以上のようにして求めた音声パワーと雑音のパワーとの差分を入力音声のＳ／Ｎとする。
なお、音声区間のピークパワーの代わりに音声区間内の平均値、あるいは、音声区間内の雑音レベルより一定閾値以上の値を持つパワーの平均値を音声パワーとしても良い。また、雑音レベルは音声区間外の一定時間の平均値でも良い。
その他、パラメータ分析手段１２、パラメータ閾値記憶手段１３、パラメータ閾値選択手段１４、および音声区間検出手段２７の動作は、実施の形態６と同様である。
【００４９】
以上のように、この実施の形態８によれば、音声区間検出手段２７により検出された音声区間のうち、音声認識手段３２による一定値以上の尤度を有する認識結果に応じた音声区間に応じてＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００５０】
実施の形態９．
図１６はこの発明の実施の形態９による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段３３は、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間と音声認識手段３４による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態７と同一なので重複する説明を省略する。
【００５１】
次に動作について説明する。
Ｓ／Ｎ測定手段３３では、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間と音声認識手段３４による認識結果の尤度に応じて入力音声のＳ／Ｎを測定するものである。
その測定方法は、実施の形態８と同様である。
その他、検出アルゴリズム記憶手段２０、検出アルゴリズム選択手段２１、パラメータ分析手段２２、および音声区間検出手段２９の動作は、実施の形態７と同様である。
【００５２】
以上のように、この実施の形態９によれば、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間と音声認識手段３４による認識結果の尤度に応じて入力音声のＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００５３】
実施の形態１０．
図１７はこの発明の実施の形態１０による音声認識装置を示す構成図であり、図において、３５はＳ／Ｎ測定手段３１に対して、音声区間としての採用／非採用を指定する外部入力手段である。
その他の構成は、実施の形態８と同一なので重複する説明を省略する。
【００５４】
次に動作について説明する。
外部入力手段３５では、認識を行った音声区間をＳ／Ｎ測定手段３１で使用するか、使用しないかを明示的に与えるものである。例えば、電話回線の音声認識などで、音声認識と同時にプッシュボタン認識を行い、プッシュボタン認識で結果が出力された場合には、その区間は音声認識結果にかかわらずＳ／Ｎ測定手段３１で使用しないようにする。
Ｓ／Ｎ測定手段３１では、過去に検出された音声区間のうち、認識結果の尤度が一定値以上かつ外部入力手段３５により非採用とならなかった音声区間、および外部入力手段３５により採用となった音声区間をＳ／Ｎ判定に用いる音声区間とする。
その他の動作は、実施の形態８と同一である。
【００５５】
以上のように、この実施の形態１０によれば、外部入力手段３５により、Ｓ／Ｎ測定手段３１に対して、音声区間としての採用／非採用を指定するようにしたので、外部から現在の入力の正／誤を入力することができ、アプリケーション側からのチェックを行うことが可能となり、より高い精度でのＳ／Ｎの測定ができ、認識率を向上させることができる効果がある。
【００５６】
【発明の効果】
以上のように、この発明によれば、検出アルゴリズムおよびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段と、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から検出アルゴリズムおよびパラメータ閾値のセットを選択する検出アルゴリズム選択手段と、選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段と、パラメータ分析手段によって求められたパラメータに対し、選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段とを備えるように構成したので、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
【００５７】
さらに、この発明によれば、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から複数の検出アルゴリズム、および複数のパラメータ閾値のセットを選択し、複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、複数のパラメータに対し、複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、検出された入力音声の複数の音声区間に対して音声認識を行い、音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段を備えるように構成したので、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
また、検出アルゴリズム、およびパラメータ閾値の切り替わる近辺の不安定さを取り除くことができる効果がある。
【００５８】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００５９】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００６０】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００６１】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００６２】
さらに、この発明によれば、Ｓ／Ｎ測定手段に対して、音声区間としての採用／非採用を指定する外部入力手段を備えるように構成したので、外部から現在の入力の正／誤を入力することができ、アプリケーション側からのチェックを行うことが可能となり、より高い精度でのＳ／Ｎの測定ができ、認識率を向上させることができる効果がある。
【図面の簡単な説明】
【図１】 この発明の実施の形態１による音声認識装置を示す構成図である。
【図２】 パラメータ分析手段の処理を示す説明図である。
【図３】 Ｓ／Ｎ測定手段の処理を示す説明図である。
【図４】 パラメータ閾値記憶手段に記憶されたテーブルを示す概念図である。
【図５】 音声区間検出手段の処理を示す説明図である。
【図６】 この発明の実施の形態２による音声認識装置を示す構成図である。
【図７】 パラメータ閾値変更量記憶手段に記憶されたテーブルを示す概念図である。
【図８】 この発明の実施の形態３による音声認識装置を示す構成図である。
【図９】 この発明の実施の形態４による音声認識装置を示す構成図である。
【図１０】 この発明の実施の形態５による音声認識装置を示す構成図である。
【図１１】 この発明の実施の形態６による音声認識装置を示す構成図である。
【図１２】 Ｓ／Ｎ測定手段の処理を示す説明図である。
【図１３】 この発明の実施の形態７による音声認識装置を示す構成図である。
【図１４】 この発明の実施の形態８による音声認識装置を示す構成図である。
【図１５】 Ｓ／Ｎ測定手段の処理を示す説明図である。
【図１６】 この発明の実施の形態９による音声認識装置を示す構成図である。
【図１７】 この発明の実施の形態１０による音声認識装置を示す構成図である。
【図１８】 従来の音声認識装置を示す構成図である。
【符号の説明】
１１，２６，２８，３１，３３ Ｓ／Ｎ測定手段、１２，２２ パラメータ分析手段、１３ パラメータ閾値記憶手段、１４ パラメータ閾値選択手段、１５，２３，２７，２９ 音声区間検出手段、１６，２４，３２，３４ 音声認識手段、１７ パラメータ閾値変更量記憶手段、１８ パラメータ閾値変更手段、１９ パラメータ閾値算出手段、２０ 検出アルゴリズム記憶手段、２１ 検出アルゴリズム選択手段、２５，３０ 認識結果選択手段、３５ 外部入力手段。
【発明の属する技術分野】
この発明は、音声信号の始終端を検出する音声認識装置に関するものである。
【０００２】
【従来の技術】
図１８は例えば特公平７−５４４３４号公報に示された従来の音声認識装置を示す構成図であり、図において、１は入力音声のＳ／Ｎを測定するＳ／Ｎ測定手段、２は入力音声のパワーを求めるパワー分析手段、３はＳ／Ｎ測定手段１によって測定されたＳ／Ｎが低い場合には雑音レベルに一定値を加えた値を閾値として設定し、また、Ｓ／Ｎが高い場合には入力音声の最大パワーより一定値を引いた値を閾値として設定するパワー閾値決定手段、４はパワー分析手段２によって求められたパワーに対し、パワー閾値決定手段３によって決定された閾値を用いて入力音声の音声区間の検出を行う音声区間検出手段、５は音声区間検出手段４によって検出された入力音声の音声区間に対して音声認識を行い音声認識結果を出力する音声認識手段である。
【０００３】
次に動作について説明する。
このような音声認識装置は、例えば、マイクロホンなどから入力された入力音声の意味を認識して、その認識した意味に基づいて処理を行う装置に適用されるものであり、この音声認識装置での音声入力は、不規則的に短時間に行われる場合が多いので、音声が入力されたと判断される音声区間についてのみ、音声認識処理を行うことにより、音声認識処理の負荷を低減するものである。
図１８において、Ｓ／Ｎ測定手段１は、マイクロホンなどからの入力音声のＳ／Ｎを測定し、パワー分析手段２は、入力音声のパワーを求める。そして、パワー閾値決定手段３は、Ｓ／Ｎ測定手段１によって測定されたＳ／Ｎが低い場合にはその雑音レベルに、例えば、５ｄＢなどの一定値を加えた値を閾値として設定し、また、Ｓ／Ｎが高い場合にはその入力音声の最大パワーより例えば、４０ｄＢなどの一定値を引いた値を閾値として設定する。
音声区間検出手段４は、パワー分析手段２によって求められたパワーに対し、パワー閾値決定手段３によって決定された閾値以上の音声区間があれば、その入力音声の音声区間を検出する。音声認識手段５は、音声区間検出手段４によって検出された入力音声の音声区間に対して音声認識を行い、その音声認識結果を出力する。
【０００４】
【発明が解決しようとする課題】
従来の音声認識装置は以上のように構成されているので、Ｓ／Ｎが低い場合に雑音レベルから一定値を加えた値を閾値として設定し、また、Ｓ／Ｎが高い場合にピーク値から一定値を引いた値を閾値として設定していた。
このような、Ｓ／Ｎの高低に応じた閾値は、例えば、放送用スタジオなどの良い音声認識環境で用いる場合では予め相対的に高く設定され、逆に、工事現場などの悪い音声認識環境で用いる場合では予め相対的に低く設定されるものである。
したがって、良い音声認識環境において、Ｓ／Ｎが低い入力音声に対して、雑音レベルから一定値を加えた値を閾値として設定した時には、その設定された閾値が相対的に高く設定されるので、Ｓ／Ｎが低い音声に対する音声区間の検出感度が落ちてしまい、逆に、悪い音声認識環境において、Ｓ／Ｎが高い入力音声に対して、ピーク値から一定値を引いた値を閾値として設定した時には、その設定された閾値が相対的に低く設定されるので、Ｓ／Ｎの高い音声においては発声前後の口唇雑音や、呼気音などの付帯雑音を拾いやすくなり音声区間の検出感度が高くなり過ぎる課題があった。
また、音声区間の検出において、入力音声が一定閾値以上であり、かつ一定時間以上継続した場合に音声区間であると判断するなど、時間長閾値を併用して検出する方式を用いる場合に、検出に用いられる閾値およびＳ／Ｎの変化に伴い、判定に用いるための最適な時間長閾値を変化させなくてはならず、その時間長閾値の設定が難しくなるなどの課題があった。
【０００５】
この発明は上記のような課題を解決するためになされたもので、各Ｓ／Ｎに応じた最適な閾値を用いることにより、Ｓ／Ｎに影響されずに音声区間の検出精度を高める音声認識装置を得ることを目的とする。
【０００６】
【課題を解決するための手段】
この発明に係る音声認識装置は、検出アルゴリズムおよびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段と、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から検出アルゴリズムおよびパラメータ閾値のセットを選択する検出アルゴリズム選択手段と、選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段と、パラメータ分析手段によって求められたパラメータに対し、選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段とを備えたものである。
【０００７】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から複数の検出アルゴリズム、および複数のパラメータ閾値のセットを選択し、複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、複数のパラメータに対し、複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、検出された入力音声の複数の音声区間に対して音声認識を行い、音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段を備えたものである。
【０００８】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【０００９】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【００１０】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【００１１】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するようにしたものである。
【００１２】
この発明に係る音声認識装置は、Ｓ／Ｎ測定手段に対して、音声区間としての採用／非採用を指定する外部入力手段を備えたものである。
【００１３】
【発明の実施の形態】
以下、この発明の実施の一形態を説明する。
実施の形態１．
図１はこの発明の実施の形態１による音声認識装置を示す構成図であり、図において、１１は入力音声のＳ／Ｎを測定するＳ／Ｎ測定手段、１２は入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段、１３は音声区間検出に用いられるパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶したパラメータ閾値記憶手段、１４はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じてパラメータ閾値記憶手段１３に記憶されたパラメータ閾値のセットを選択するパラメータ閾値選択手段、１５はパラメータ分析手段１２によって求められたパラメータに対し、パラメータ閾値選択手段１４によって選択されたパラメータ閾値のセットを用いて音声区間検出を行う音声区間検出手段、１６は音声区間検出手段１５によって検出された入力音声の音声区間に対して音声認識を行い音声認識結果を出力する音声認識手段である。
【００１４】
次に動作について説明する。
このような音声認識装置は、例えば、マイクロホンなどから入力された入力音声の意味を認識して、その認識した意味に基づいて処理を行う装置に適用されるものであり、この音声認識装置での音声入力は、不規則的に短時間に行われる場合が多いので、音声が入力されたと判断される音声区間についてのみ、音声認識処理を行うことにより、音声認識処理の負荷を低減するものである。
図２はパラメータ分析手段の処理を示す説明図であり、パラメータ分析手段１２では、図２のように入力された音声のサンプルデータに対して、一定周期毎のフレーム周期に、音声波形一定長のフレーム長毎のサンプルデータを切り出し、音声の分析を行う。時刻ｉのフレームでの特徴ベクトルをＶ（ｉ）とし、この実施の形態１においては、その特徴ベクトルＶ（ｉ）は、その特徴ベクトルＶ（ｉ）から求められ、音声認識手段１６で音声認識に用いられる認識用特徴量ｖ（ｉ，０），ｖ（ｉ，１），・・・と、さらに、その特徴ベクトルＶ（ｉ）から求められ、音声区間検出手段１５で用いられるパラメータＰ（ｉ）とを含むものとする。
ここで、この実施の形態１では、パラメータＰ（ｉ）を短時間平均パワーとすれば、時刻ｉに対応するその短時間平均パワーＰ（ｉ）は以下の式（１）のように求めることができる。
【００１５】
【数１】
ここで、ｎｓｍｐはフレーム内に含まれているサンプルデータ数、ｓｍｐ（ｊ）はフレームの先頭からｊ番目のサンプルデータの値である。
【００１７】
Ｓ／Ｎ測定手段１１では、入力音声のＳ／Ｎを求める。
図３はＳ／Ｎ測定手段の処理を示す説明図であり、Ｓ／Ｎ測定に用いる短時間平均パワーＰ（ｔ）をパラメータ分析手段１２での特徴量の演算と同様に、フレーム単位毎に短時間平均パワーＰ（ｔ）を求める。そして、求められた短時間平均パワーＰ（ｔ）の時系列のうち、一定閾値（Ｐｔｈ）以下の短時間平均パワーの内の最新一定時間分（Ｎｐ）のモードを雑音のパワー（Ｐｎ）とする。次に、求められた雑音のパワーから一定閾値（Ｐｔｈ２）以上の値を持つ短時間平均パワーＰ（ｔ）の最新一定時間（Ｎｐ２）分の平均値を音声のパワー（Ｐｖ）とする。この、音声のパワー（Ｐｖ）と雑音のパワー（Ｐｎ）との差（Ｐｖ−Ｐｎ）をＳ／Ｎ（Ｐｓｎ）とする。
【００１８】
パラメータ閾値記憶手段１３は、音声区間検出に用いられる閾値を記憶したものであり、音声のＳ／Ｎ毎に区分して予め最適な閾値を記憶したものである。
図４はパラメータ閾値記憶手段に記憶されたテーブルを示す概念図であり、例えば、この図４に示すように、テーブルによって各Ｓ／Ｎ毎に区分して音声区間検出に用いられる閾値の値を予め記憶している。
【００１９】
パラメータ閾値選択手段１４では、Ｓ／Ｎ測定手段１１によって求められた入力音声のＳ／Ｎに応じて、パラメータ閾値記憶手段１３からそのＳ／Ｎに相当する閾値を選択する。例えば、Ｓ／Ｎ測定手段１１によって測定された入力音声のＳ／Ｎが３０ｄＢであった場合、図４中のＩＤ＝２の列の閾値が選択される。すなわち、パワー閾値１＝１０ｄＢ、パワー閾値２＝１３ｄＢ、パワー閾値３＝２０ｄＢ、時間閾値１＝５０ｍｓｅｃ、時間閾値２＝１５０ｍｓｅｃ、時間閾値３＝３５０ｍｓｅｃが選択される。
【００２０】
音声区間検出手段１５では、パラメータ閾値選択手段１４によって選択された閾値と、パラメータ分析手段１２によって求められたパラメータとから音声区間検出する。
図５は音声区間検出手段の処理を示す説明図であり、例として閾値による音声区間の検出例を示す。ＴＨ１＝ノイズパワー＋パワー閾値１、ＴＨ２＝ノイズパワー＋パワー閾値２、ＴＨ３＝ノイズパワー＋パワー閾値３とする。
ここで、ノイズパワーは、パラメータ分析手段１２によって出力された短時間平均パワーの時系列から、一定閾値以下の短時間平均パワーの内の最新一定時間分の平均値とする。また、この実施の形態１のように、音声区間検出手段１５にに用いられるパラメータが、Ｓ／Ｎ測定手段１１によって用いられた短時間平均パワーと同じものである場合は、Ｓ／Ｎ測定手段１１によって求められた雑音パワーを用いても良い。
【００２１】
音声区間検出は以下のように行う。
Ｓｔｅｐ１ 時刻Ｔ１でパワーがＴＨ１以上になりＴＨ１以下にならないままＴＨ２を越えた後、時刻Ｔ２でＴＨ１以下になった場合、Ｔ２−Ｔ１が時間閾値１以上であれば、Ｔ１からＴ２を音声区間として検出し、Ｔ１を始端（ＳＰ）、Ｔ２を終端（ＥＰ）とし、Ｓｔｅｐ２へ。パワーがＴＨ２以上にならないままＴＨ１以下になった場合、および、ＴＨ２を越えてもＴ１からＴ２までの時間がＴＨ２未満であった場合は、その区間は音声区間として検出せずに、Ｓｔｅｐ１を操り返す。
Ｓｔｅｐ２ ＥＰ検出後、パワーがＴＨ１以上となりそのままパワーがＴＨ１以下にならずにＴＨ２を越えた後、ＴＨ１以下になった時、パワーがＴＨ１以上となった時刻をＴ３、パワーがＴＨ１以下となった時刻をＴ４とする。ＥＰから時刻Ｔ３までの時間が時間閾値２以下かつ、時刻Ｔ３から時刻Ｔ４までの時間が時間閾値１以上の場合、Ｔ１を始端（ＳＰ）、Ｔ４を新たに終端（ＥＰ）とし、Ｓｔｅｐ２を繰り返す。上記の条件に合う、Ｔ３，Ｔ４が検出されなかった場合はＳｔｅｐ３へ。
Ｓｔｅｐ３ ＳＰからＥＰまでの時間が時間閾値Ｔ３以上かつ、ＳＰからＥＰまでの間のパワーの最大値がパワー閾値３以上の場合、ＳＰからＥＰまでを音声区間として採用。この条件を満たさない場合は音声区間として採用しない。
【００２２】
音声認識手段１６では、音声区間検出手段１５によって検出された入力音声を用いて音声認識を行い、認識結果を出力する。
【００２３】
以上のように、この実施の形態１によれば、パラメータ閾値のセットをＳ／Ｎ毎に区分して複数個記憶しておき、入力音声のＳ／Ｎに応じて、そのＳ／Ｎに最適なパラメータ閾値のセットを選択することで音声の入力環境に影響されず、最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
【００２４】
実施の形態２．
図６はこの発明の実施の形態２による音声認識装置を示す構成図であり、図において、１７は音声区間検出に用いられるパラメータ閾値のセットの変更量をＳ／Ｎ毎に区分して記憶したパラメータ閾値変更量記憶手段、１８はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じてパラメータ閾値変更量記憶手段１７に記憶されたパラメータ閾値のセットの変更量を選択し、その選択した変更量に基づいてパラメータ閾値のセットを標準値から変更するパラメータ閾値変更手段である。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００２５】
次に動作について説明する。
パラメータ閾値変更量記憶手段１７は、音声区間検出に用いられるパラメータ閾値の変更量を記憶したものであり、パラメータ閾値に対していくつかのグループに分け、各グループ毎にパラメータ閾値変更手段１８が予め記憶している標準値からどの程度変更させるかを音声のＳ／Ｎ毎に記憶したものである。
図７はパラメータ閾値変更量記憶手段に記憶されたテーブルを示す概念図であり、例えば、この図７に示すように、各Ｓ／Ｎ毎に検出に用いられるパラメータ閾値の閾値変更量を記憶している。この図７中のパワー関連閾値変更量は、実施の形態１で説明した音声区間検出手段１５で用いているパワー閾値１、パワー閾値２、パワー閾値３に対する変更量である。
【００２６】
パラメータ閾値変更手段１８は、求められた入力音声のＳ／ＮからそのＳ／Ｎに相当するパラメータ閾値の変更量を、パラメータ閾値変更量記憶手段１７から読み出し、パラメータ閾値変更手段１８が予め記憶している標準値から変更する。例えば、標準閾値がパワー閾値１＝８、パワー閾値２＝１０、パワー閾値３＝１２、時間閾値１＝４０ｍｓｅｃ、時間閾値２＝１３０ｍｓｅｃ、時間閾値３＝４００ｍｓｅｃでＳ／Ｎ＝３０ｄＢの場合、図７のＩＤ＝２（Ｓ／Ｎ＝２５〜４０ｄＢ）の列が選択され、パワー閾値１＝８＋３＝１１、パワー閾値２＝１０＋３＝１３、パワー閾値３＝１２＋３＝１５、時間閾値１＝４０ｍｓｅｃ×１．２＝４８ｍｓｅｃ、時間閾値２＝１３０ｍｓｅｃ×１．２＝１５６ｍｓｅｃ、時間閾値３＝４００ｍｓｅｃ×０．９＝３６０ｍｓｅｃのように変更を行う。
Ｓ／Ｎ測定手段１１、パラメータ分析手段１２、音声区間検出手段１５、および音声認識手段１６の動作は実施の形態１と同様である。
【００２７】
以上のように、この実施の形態２によれば、入力音声のＳ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を変更することにより、音声の入力環境に影響されず最適な音声区間の検出ができ、認識率を向上させることができる。また、パラメータ閾値をいくつかのグループに分け、その変更量を記憶させておくことにより、パラメータ閾値の種類が増えた際にもパラメータ閾値の変更に用いられる記憶量を低減することができる効果がある。
【００２８】
実施の形態３．
図８はこの発明の実施の形態３による音声認識装置を示す構成図であり、図において、１９はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じてパラメータ閾値のセットを算出するパラメータ閾値算出手段である。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００２９】
次に動作について説明する。
パラメータ閾値算出手段１９は、Ｓ／Ｎ測定手段１１によって求められたＳ／Ｎに応じて、予め定められた数式によりパラメータ閾値のセットを算出するものであり、例えば、Ｓ／Ｎ測定手段１１によって求められたＳ／Ｎの値をＰｓｎとすると、
パワー閾値１＝ｍｉｎ（ｍａｘ（ ５，（Ｐｓｎ−５）／２ ），２０）
パワー閾値２＝ｍｉｎ（ｍａｘ（ ７，（Ｐｓｎ−５）／１．５），３０）
パワー閾値３＝ｍｉｎ（ｍａｘ（ １０，（Ｐｓｎ−８） ），４０）
時間閾値１ ＝ｍｉｎ（ｍａｘ（ ２５，（１５＋Ｐｓｎ ） ，６０）
時間閾値２ ＝ｍｉｎ（ｍａｘ（１２０，（１００＋Ｐｓｎ×２），１８０）
時間閾値３ ＝ｍｉｎ（ｍａｘ（３５０，（５００−Ｐｓｎ×８），５００）
のような式によりパラメータ閾値のセットを算出する。
例えば、Ｓ／Ｎ＝２５の場合、パワー閾値１＝１０、パワー閾値２＝１３．３、パワー閾値３＝１７、時間閾値１＝４０、時間閾値２＝１５０、および時間閾値３＝３５０のようになる。
Ｓ／Ｎ測定手段１１、パラメータ分析手段１２、音声区間検出手段１５、および音声認識手段１６の動作は、実施の形態１と同様である。
【００３０】
以上のように、この実施の形態３によれば、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値のセットを細かく算出することができ、音声の入力環境に影響されず最適な音声区間検出ができ、認識率を向上させることができる効果がある。
【００３１】
実施の形態４．
図９はこの発明の実施の形態４による音声認識装置を示す構成図であり、図において、２０は入力音声のパラメータの検出手法、および音声区間の検出手法からなる検出アルゴリズム、およびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段、２１はＳ／Ｎ測定手段１１によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段２０から検出アルゴリズム、およびパラメータ閾値のセットを選択する検出アルゴリズム選択手段、２２は検出アルゴリズム選択手段２１によって選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段、２３はパラメータ分析手段２２によって求められたパラメータに対し、検出アルゴリズム選択手段２１によって選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段である。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００３２】
次に動作について説明する。
検出アルゴリズム記憶手段２０は、Ｓ／Ｎ毎に用いられる検出アルゴリズム、およびパラメータ閾値のセットを記憶したものであり、例えば、
検出アルゴリズムに関しては、
Ｓ／Ｎが１０ｄＢ未満の場合は、認識用特徴量と雑音のコードブックとの距離、および認識用特徴量と音声との距離値により検出を行う。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満の場合は、スペクトルトラクション後の入力音声の短時間平均パワーにより検出を行う。
Ｓ／Ｎが２０ｄＢ以上の場合は、入力音声の短時間平均パワーにより検出を行う。
閾値に関しては、
Ｓ／Ｎが１０ｄＢ未満での閾値は、ｓｅｔ１を使用する。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満での閾値は、ｓｅｔ２を使用する。
Ｓ／Ｎが２０ｄＢ以上で３０ｄＢ未満での閾値は、ｓｅｔ３を使用する。
Ｓ／Ｎが３０ｄＢ以上で４０ｄＢ未満での閾値は、ｓｅｔ４を使用する。
Ｓ／Ｎが４０ｄＢ以上での閾値は、ｓｅｔ５を使用する。
但し、
ｓｅｔ１：｛ｄｉｓ＿Ｑ＝２．３，ｄｉｓ＿Ｖ＝１．０，ｄｉｓ＿Ｘ＝２．１，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０｝
ｓｅｔ２：｛ｓｓｐｗｒ１＝６．０，ｓｓｐｗｒ２＝１０．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
ｓｅｔ３：｛ｐｗｒ１＝１０．０，ｐｗｒ２＝１２．０，ｐｗｒ３＝１５．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
ｓｅｔ４：｛ｐｗｒ１＝１２．０，ｐｗｒ２＝１５．０，ｐｗｒ３＝２０．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
ｓｅｔ５：｛ｐｗｒ１＝１５．０，ｐｗｒ２＝２０．０，ｐｗｒ３＝２５．０，ｔｉｍｅ１＝１２０，ｔｉｍｅ２＝２３０，ｔｉｍｅ３＝４５０｝
のように定めておく。
ここで、ｓｅｔ１のｄｉｓ＿Ｑ，ｄｉｓ＿Ｖ，ｄｉｓ＿Ｘはコードブックと認識用特徴量との距離値に関する閾値、ｓｅｔ２のｓｓｐｗ１，ｓｓｐｗｒ２，ｓｓｐｗｒ３はスペクトルサブトラクション後の入力音声の短時間平均パワーに関する閾値である。
【００３３】
検出アルゴリズム選択手段２１は、Ｓ／Ｎ測定手段１１によって求められたＳ／Ｎに応じて、検出アルゴリズム記憶手段２０から音声区間検出に用いるために使用される検出アルゴリズム、およびパラメータ閾値のセットを選択する。
【００３４】
パラメータ分析手段２２では、検出アルゴリズム選択手段２１によって選択された検出アルゴリズムに対応して、入力音声を分析する。
即ち、Ｓ／Ｎが１０ｄＢ未満の場合は、パラメータ分析手段ａを用い、入力音声の音声認識用特徴量、雑音コードブックと認識用特徴量との距離値、音声コードブックと入力音声との距離値を出力する。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満の場合は、パラメータ分析手段ｂを用い、入力音声の音声認識用特徴量と入力音声にバンドパスフィルタをかけた後の短時間平均パワーを出力する。
Ｓ／Ｎが２０ｄＢ以上の場合は、パラメータ分析手段ｃを用い、入力音声の音声の認識用特徴量と入力音声の短時間平均パワーを出力する。
【００３５】
音声区間検出手段２３は、パラメータ分析手段２２によって求められたパラメータに対し、検出アルゴリズム選択手段２１によって選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う。
即ち、Ｓ／Ｎが１０ｄＢ未満の場合は、パラメータ分析手段ａによって求められたパラメータに対して、パラメータ閾値のｓｅｔ１を用いて音声区間の検出を行う。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満の場合は、パラメータ分析手段ｂによって求められたパラメータに対して、パラメータ閾値のｓｅｔ２を用いて音声区間の検出を行う。
Ｓ／Ｎが２０ｄＢ以上の場合は、パラメータ分析手段ｃによって求められたパラメータに対して、パラメータ閾値のｓｅｔ３からｓｅｔ５のうちのいずれか選択されたｓｅｔを用いて音声区間の検出を行う。
Ｓ／Ｎ測定手段１１、および音声認識手段１６の動作は、実施の形態１と同様である。
【００３６】
以上のように、この実施の形態４によれば、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
【００３７】
実施の形態５．
図１０はこの発明の実施の形態５による音声認識装置を示す構成図であり、図において、２５は音声認識手段２４によって音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段である。
なお、検出アルゴリズム選択手段２１は、検出アルゴリズム記憶手段２０から複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを選択し、パラメータ分析手段２２は、複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、音声区間検出手段２３は、複数のパラメータに対し、複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、音声認識手段２４は、入力音声の複数の音声区間に対してそれぞれ音声認識を行うものである。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００３８】
次に動作について説明する。
実施の形態４とは異なり、検出アルゴリズム選択手段２１は、検出アルゴリズム記憶手段２０から複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを選択可能にする。
例えば、検出アルゴリズム記憶手段２０に以下のように記憶されているものとする。
Ｓ／Ｎが１５ｄＢ未満では、認識用特徴量と雑音のコードブックとの距離値、および認識用特徴量と音声との距離値により検出を行い、パラメータ閾値は、Ｓｅｔ１を使用する。
Ｓ／Ｎが１０ｄＢ以上で２０ｄＢ未満では、スペクトルサブトラクション後の入力音声の短時間平均パワーにより検出を行い、パラメータ閾値はＳｅｔ２を使用する。
Ｓ／Ｎが１５ｄＢ以上で３０ｄＢ未満では、入力音声の短時間平均パワーにより検出を行い、パラメータ閾値はｓｅｔ３を使用する。
Ｓ／Ｎが２５ｄＢ以上で４０ｄＢ未満では、入力音声の短時間平均パワーにより検出を行い、パラメータ閾値はｓｅｔ４を使用する。
Ｓ／Ｎが３５ｄＢ以上では、パラメータ閾値はｓｅｔ５を使用する。
但し、ｓｅｔ１〜ｓｅｔ５のパラメータ閾値は、実施の形態４に示したものと同一とする。
以上のように検出アルゴリズム記憶手段２０に記憶されている場合に、Ｓ／Ｎ測定手段１１によって、Ｓ／Ｎ＝１２ｄＢと求められた場合には、検出アルゴリズム選択手段２１は、検出アルゴリズム記憶手段２０から、パラメータ閾値をｓｅｔ１として、検出アルゴリズムを認識用特徴量と雑音のコードブックとの距離値、および認識用特徴量と音声との距離値により検出とするを選択すると共に、パラメータ閾値をｓｅｔ２として、検出アルゴリズムをスペクトルサブトラクション後の入力音声の短時間平均パワーにより検出とするを選択する。
【００３９】
パラメータ分析手段２２は、検出アルゴリズム選択手段２１によって選択された複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、音声区間検出手段２３は、パラメータ分析手段２２によって求められた複数のパラメータに対し、検出アルゴリズム選択手段２１によって選択された複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、音声認識手段２４は、音声区間検出手段２３によって検出された入力音声の複数の音声区間に対してそれぞれ音声認識を行う。
さらに、認識結果選択手段２５は、音声認識手段２４によって音声認識された複数の認識結果の尤度を比較し、一番尤度の高い認識結果を最終的な認識結果として選択し出力する。
【００４０】
以上のように、この実施の形態５によれば、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
また、検出アルゴリズム、およびパラメータ閾値の切り替わる近辺の不安定さを取り除くことができる効果がある。
【００４１】
実施の形態６．
図１１はこの発明の実施の形態６による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段２６は、音声区間検出手段２７により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態１と同一なので重複する説明を省略する。
【００４２】
次に動作について説明する。
図１２はＳ／Ｎ測定手段の処理を示す説明図であり、図に示すように、Ｓ／Ｎ測定手段２６は、音声区間検出手段２７により検出された音声区間に関する情報を入力し、過去に検出された音声区間がＮｓ個を越えた場合は、検出された音声区間のうち最新のＮｓ個分の音声区間のピークパワーの平均値を音声パワーとする。また、過去に検出された音声区間の数がＮｓ個未満の場合は、その平均値を音声パワーとし、過去に検出された音声区間の数がＮｓ＿ｍｉｎ個未満の場合は、初期値を音声パワーとして用いる。
また、過去の一定閾値以下のパワーＮｐ時間分のモードを雑音のパワーとして用いる。一定閾値以下のパワーがＮｐ時間未満の場合はその最頻値を用いる。以上のようにして求められた音声パワーと雑音のパワーとの差分を入力音声のＳ／Ｎとする。
なお、音声区間のピークパワーの代わりに音声区間内の平均値、あるいは、音声区間内の雑音レベルより一定閾値以上の値を持つパワーの平均値を音声パワーとしても良い。また、雑音レベルは音声区間外の一定時間の平均値でも良い。
その他、パラメータ分析手段１２、パラメータ閾値記憶手段１３、パラメータ閾値選択手段１４、および音声認識手段１６の動作は、実施の形態１と同様である。
【００４３】
以上のように、この実施の形態６によれば、音声区間検出手段２７により検出された音声区間に応じてＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００４４】
実施の形態７．
図１３はこの発明の実施の形態７による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段２８は、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態５と同一なので重複する説明を省略する。
【００４５】
次に動作について説明する。
Ｓ／Ｎ測定手段２８では、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間に応じて入力音声のＳ／Ｎを測定するものである。
その測定方法は、実施の形態６と同様である。
その他、検出アルゴリズム記憶手段２０、検出アルゴリズム選択手段２１、パラメータ分析手段２２、および音声認識手段２４の動作は、実施の形態５と同様である。
【００４６】
以上のように、この実施の形態７によれば、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間に応じてＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００４７】
実施の形態８．
図１４はこの発明の実施の形態８による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段３１は、音声区間検出手段２７により検出された音声区間と音声認識手段３２による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態６と同一なので重複する説明を省略する。
【００４８】
次に動作について説明する。
Ｓ／Ｎ測定手段３１では、雑音レベルを測定するために用いる雑音区間の時間をＮｐ、音声区間の数の最小値をＮｓ＿ｍｉｎ、通常Ｎｓ個とする。この場合、以下のような方法でＳ／Ｎを測定する。
図１５はＳ／Ｎ測定手段の処理を示す説明図であり、図において、過去に検出された音声区間のうち、認識結果の尤度が一定値以上となった音声区間の数がＮｓ個を越えた場合は、その尤度が一定以上の音声区間のうち最新のＮｓ個分の区間のピークパワーの平均値を音声パワーとする。
過去に検出された尤度が一定以上の音声区間の数がＮｓ個未満の場合は、その平均値を音声パワーとし、過去に検出された尤度が一定以上の音声区間の数がＮｓ＿ｍｉｎ個未満の場合は、初期値を音声パワーとして用いる。
また、過去の一定閾値以下のパワーＮｐ時間分のモードを雑音のパワーとして用いる。一定閾値以下のパワーがＮｐ時間未満の場合は、その最頻値を用いる。
以上のようにして求めた音声パワーと雑音のパワーとの差分を入力音声のＳ／Ｎとする。
なお、音声区間のピークパワーの代わりに音声区間内の平均値、あるいは、音声区間内の雑音レベルより一定閾値以上の値を持つパワーの平均値を音声パワーとしても良い。また、雑音レベルは音声区間外の一定時間の平均値でも良い。
その他、パラメータ分析手段１２、パラメータ閾値記憶手段１３、パラメータ閾値選択手段１４、および音声区間検出手段２７の動作は、実施の形態６と同様である。
【００４９】
以上のように、この実施の形態８によれば、音声区間検出手段２７により検出された音声区間のうち、音声認識手段３２による一定値以上の尤度を有する認識結果に応じた音声区間に応じてＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００５０】
実施の形態９．
図１６はこの発明の実施の形態９による音声認識装置を示す構成図であり、図において、Ｓ／Ｎ測定手段３３は、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間と音声認識手段３４による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するものである。
その他の構成は、実施の形態７と同一なので重複する説明を省略する。
【００５１】
次に動作について説明する。
Ｓ／Ｎ測定手段３３では、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間と音声認識手段３４による認識結果の尤度に応じて入力音声のＳ／Ｎを測定するものである。
その測定方法は、実施の形態８と同様である。
その他、検出アルゴリズム記憶手段２０、検出アルゴリズム選択手段２１、パラメータ分析手段２２、および音声区間検出手段２９の動作は、実施の形態７と同様である。
【００５２】
以上のように、この実施の形態９によれば、音声区間検出手段２９により検出された音声区間のうちの認識結果選択手段３０により選択された認識結果に対応する音声区間と音声認識手段３４による認識結果の尤度に応じて入力音声のＳ／Ｎを測定することにより、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００５３】
実施の形態１０．
図１７はこの発明の実施の形態１０による音声認識装置を示す構成図であり、図において、３５はＳ／Ｎ測定手段３１に対して、音声区間としての採用／非採用を指定する外部入力手段である。
その他の構成は、実施の形態８と同一なので重複する説明を省略する。
【００５４】
次に動作について説明する。
外部入力手段３５では、認識を行った音声区間をＳ／Ｎ測定手段３１で使用するか、使用しないかを明示的に与えるものである。例えば、電話回線の音声認識などで、音声認識と同時にプッシュボタン認識を行い、プッシュボタン認識で結果が出力された場合には、その区間は音声認識結果にかかわらずＳ／Ｎ測定手段３１で使用しないようにする。
Ｓ／Ｎ測定手段３１では、過去に検出された音声区間のうち、認識結果の尤度が一定値以上かつ外部入力手段３５により非採用とならなかった音声区間、および外部入力手段３５により採用となった音声区間をＳ／Ｎ判定に用いる音声区間とする。
その他の動作は、実施の形態８と同一である。
【００５５】
以上のように、この実施の形態１０によれば、外部入力手段３５により、Ｓ／Ｎ測定手段３１に対して、音声区間としての採用／非採用を指定するようにしたので、外部から現在の入力の正／誤を入力することができ、アプリケーション側からのチェックを行うことが可能となり、より高い精度でのＳ／Ｎの測定ができ、認識率を向上させることができる効果がある。
【００５６】
【発明の効果】
以上のように、この発明によれば、検出アルゴリズムおよびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段と、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から検出アルゴリズムおよびパラメータ閾値のセットを選択する検出アルゴリズム選択手段と、選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段と、パラメータ分析手段によって求められたパラメータに対し、選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段とを備えるように構成したので、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
【００５７】
さらに、この発明によれば、Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて検出アルゴリズム記憶手段から複数の検出アルゴリズム、および複数のパラメータ閾値のセットを選択し、複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求め、複数のパラメータに対し、複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行い、検出された入力音声の複数の音声区間に対して音声認識を行い、音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段を備えるように構成したので、Ｓ／Ｎに応じてそのＳ／Ｎに最適なパラメータ閾値を細かく設定できると共に、各Ｓ／Ｎの音声を検出するのに最適な検出アルゴリズムを使用することができ、音声の入力環境に影響されずに最適な音声区間の検出ができ、認識率を向上させることができる効果がある。
また、検出アルゴリズム、およびパラメータ閾値の切り替わる近辺の不安定さを取り除くことができる効果がある。
【００５８】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００５９】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００６０】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００６１】
さらに、この発明によれば、Ｓ／Ｎ測定手段において、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定するように構成したので、認識対象以外の音声、例えば、別の人と会話している音声や、外部雑音などによりＳ／Ｎの測定を誤ることが減り、Ｓ／Ｎの測定精度が高くなり、音声区間検出の精度も上がるため、認識率を向上させることができる効果がある。
【００６２】
さらに、この発明によれば、Ｓ／Ｎ測定手段に対して、音声区間としての採用／非採用を指定する外部入力手段を備えるように構成したので、外部から現在の入力の正／誤を入力することができ、アプリケーション側からのチェックを行うことが可能となり、より高い精度でのＳ／Ｎの測定ができ、認識率を向上させることができる効果がある。
【図面の簡単な説明】
【図１】 この発明の実施の形態１による音声認識装置を示す構成図である。
【図２】 パラメータ分析手段の処理を示す説明図である。
【図３】 Ｓ／Ｎ測定手段の処理を示す説明図である。
【図４】 パラメータ閾値記憶手段に記憶されたテーブルを示す概念図である。
【図５】 音声区間検出手段の処理を示す説明図である。
【図６】 この発明の実施の形態２による音声認識装置を示す構成図である。
【図７】 パラメータ閾値変更量記憶手段に記憶されたテーブルを示す概念図である。
【図８】 この発明の実施の形態３による音声認識装置を示す構成図である。
【図９】 この発明の実施の形態４による音声認識装置を示す構成図である。
【図１０】 この発明の実施の形態５による音声認識装置を示す構成図である。
【図１１】 この発明の実施の形態６による音声認識装置を示す構成図である。
【図１２】 Ｓ／Ｎ測定手段の処理を示す説明図である。
【図１３】 この発明の実施の形態７による音声認識装置を示す構成図である。
【図１４】 この発明の実施の形態８による音声認識装置を示す構成図である。
【図１５】 Ｓ／Ｎ測定手段の処理を示す説明図である。
【図１６】 この発明の実施の形態９による音声認識装置を示す構成図である。
【図１７】 この発明の実施の形態１０による音声認識装置を示す構成図である。
【図１８】 従来の音声認識装置を示す構成図である。
【符号の説明】
１１，２６，２８，３１，３３ Ｓ／Ｎ測定手段、１２，２２ パラメータ分析手段、１３ パラメータ閾値記憶手段、１４ パラメータ閾値選択手段、１５，２３，２７，２９ 音声区間検出手段、１６，２４，３２，３４ 音声認識手段、１７ パラメータ閾値変更量記憶手段、１８ パラメータ閾値変更手段、１９ パラメータ閾値算出手段、２０ 検出アルゴリズム記憶手段、２１ 検出アルゴリズム選択手段、２５，３０ 認識結果選択手段、３５ 外部入力手段。
Claims (7)
- 入力音声のＳ／Ｎを測定するＳ／Ｎ測定手段と、入力音声のパラメータの検出手法、および音声区間の検出手法からなる検出アルゴリズム、およびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段と、上記Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて上記検出アルゴリズム記憶手段から検出アルゴリズム、およびパラメータ閾値のセットを選択する検出アルゴリズム選択手段と、上記検出アルゴリズム選択手段によって選択された検出アルゴリズムに応じて入力音声から音声区間検出に用いられるパラメータを求めるパラメータ分析手段と、上記パラメータ分析手段によって求められたパラメータに対し、上記検出アルゴリズム選択手段によって選択された検出アルゴリズムおよびパラメータ閾値のセットを用いて音声区間の検出を行う音声区間検出手段と、上記音声区間検出手段によって検出された入力音声の音声区間に対して音声認識を行い、その認識結果を出力する音声認識手段とを備えた音声認識装置。
- 入力音声のＳ／Ｎを測定するＳ／Ｎ測定手段と、入力音声のパラメータの検出手法、および音声区間の検出手法からなる検出アルゴリズム、およびパラメータ閾値のセットをＳ／Ｎ毎に区分して記憶した検出アルゴリズム記憶手段と、上記Ｓ／Ｎ測定手段によって求められたＳ／Ｎに応じて上記検出アルゴリズム記憶手段から複数の検出アルゴリズム、および複数のパラメータ閾値のセットを選択する検出アルゴリズム選択手段と、上記検出アルゴリズム選択手段によって選択された複数の検出アルゴリズムに応じて入力音声から音声区間検出に用いられる複数のパラメータを求めるパラメータ分析手段と、上記パラメータ分析手段によって求められた複数のパラメータに対し、上記検出アルゴリズム選択手段によって選択された複数の検出アルゴリズムおよび複数のパラメータ閾値のセットを用いて複数の音声区間の検出を行う音声区間検出手段と、上記音声区間検出手段によって検出された入力音声の複数の音声区間に対して音声認識を行い、それら複数の認識結果を出力する音声認識手段と、上記音声認識手段によって音声認識された複数の認識結果のうち尤度に応じて選択して１つの認識結果を出力する認識結果選択手段とを備えた音声認識装置。
- Ｓ／Ｎ測定手段は、音声区間検出手段により検出された音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定することを特徴とする請求項１記載の音声認識装置。
- Ｓ／Ｎ測定手段は、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定することを特徴とする請求項２記載の音声認識装置。
- Ｓ／Ｎ測定手段は、音声区間検出手段により検出された音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定することを特徴とする請求項１記載の音声認識装置。
- Ｓ／Ｎ測定手段は、音声区間検出手段により検出された音声区間のうちの認識結果選択手段により選択された認識結果に対応する音声区間と音声認識手段による認識結果の尤度に応じて音声パワーを求め、その求めた音声パワーに応じて入力音声のＳ／Ｎを測定することを特徴とする請求項２記載の音声認識装置。
- Ｓ／Ｎ測定手段に対して、音声区間としての採用／非採用を指定する外部入力手段を備えたことを特徴とする請求項３から請求項６のうちのいずれか１項記載の音声認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16580799A JP3983421B2 (ja) | 1999-06-11 | 1999-06-11 | 音声認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16580799A JP3983421B2 (ja) | 1999-06-11 | 1999-06-11 | 音声認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000352987A JP2000352987A (ja) | 2000-12-19 |
| JP3983421B2 true JP3983421B2 (ja) | 2007-09-26 |
Family
ID=15819380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16580799A Expired - Lifetime JP3983421B2 (ja) | 1999-06-11 | 1999-06-11 | 音声認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3983421B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7219062B2 (en) * | 2002-01-30 | 2007-05-15 | Koninklijke Philips Electronics N.V. | Speech activity detection using acoustic and facial characteristics in an automatic speech recognition system |
| JP4601970B2 (ja) * | 2004-01-28 | 2010-12-22 | 株式会社エヌ・ティ・ティ・ドコモ | 有音無音判定装置および有音無音判定方法 |
| JP4490090B2 (ja) | 2003-12-25 | 2010-06-23 | 株式会社エヌ・ティ・ティ・ドコモ | 有音無音判定装置および有音無音判定方法 |
-
1999
- 1999-06-11 JP JP16580799A patent/JP3983421B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000352987A (ja) | 2000-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moattar et al. | A simple but efficient real-time voice activity detection algorithm | |
| US5819217A (en) | Method and system for differentiating between speech and noise | |
| EP3252771B1 (en) | A method and an apparatus for performing a voice activity detection | |
| CN109545188A (zh) | 一种实时语音端点检测方法及装置 | |
| WO2010070840A1 (ja) | 音声検出装置、音声検出プログラムおよびパラメータ調整方法 | |
| JP2002366174A (ja) | Ｇ．７２９の付属書ｂに準拠した音声アクティビティ検出回路を収束させるための方法 | |
| JPH0222398B2 (ja) | ||
| JP3105465B2 (ja) | 音声区間検出方法 | |
| JP5234117B2 (ja) | 音声検出装置、音声検出プログラムおよびパラメータ調整方法 | |
| GB2347252A (en) | Voice recognition system | |
| JP3983421B2 (ja) | 音声認識装置 | |
| JPWO2003107326A1 (ja) | 音声認識方法及びその装置 | |
| US7292974B2 (en) | Method for recognizing speech with noise-dependent variance normalization | |
| JP2000250568A (ja) | 音声区間検出装置 | |
| US6539350B1 (en) | Method and circuit arrangement for speech level measurement in a speech signal processing system | |
| JP3091537B2 (ja) | 音声パターン作成方法 | |
| JP2589468B2 (ja) | 音声認識装置 | |
| JPH056193A (ja) | 音声区間検出方式及び音声認識装置 | |
| JP3328642B2 (ja) | 音声判別装置及び音声判別方法 | |
| JP3484559B2 (ja) | 音声認識装置および音声認識方法 | |
| JP4360527B2 (ja) | ピッチ検出方法 | |
| KR100345402B1 (ko) | 피치 정보를 이용한 실시간 음성 검출 장치 및 그 방법 | |
| JPH10301593A (ja) | 音声区間検出方法およびその装置 | |
| JP2001022368A (ja) | 音声判別装置及び音声判別方法 | |
| JP3026855B2 (ja) | 音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040924 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060904 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060912 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061110 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070227 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070403 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070605 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070704 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100713 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 3983421 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100713 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110713 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110713 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120713 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120713 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130713 Year of fee payment: 6 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |