JP4201470B2 - 音声認識システム - Google Patents
音声認識システム Download PDFInfo
- Publication number
- JP4201470B2 JP4201470B2 JP2000277024A JP2000277024A JP4201470B2 JP 4201470 B2 JP4201470 B2 JP 4201470B2 JP 2000277024 A JP2000277024 A JP 2000277024A JP 2000277024 A JP2000277024 A JP 2000277024A JP 4201470 B2 JP4201470 B2 JP 4201470B2
- Authority
- JP
- Japan
- Prior art keywords
- speech
- inner product
- determination
- unit
- residual power
- 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
Links
- 239000013598 vector Substances 0.000 claims description 76
- 238000004364 calculation method Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 description 49
- 238000001228 spectrum Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 4
- 101000685663 Homo sapiens Sodium/nucleoside cotransporter 1 Proteins 0.000 description 3
- 101000821827 Homo sapiens Sodium/nucleoside cotransporter 2 Proteins 0.000 description 3
- 102100023116 Sodium/nucleoside cotransporter 1 Human genes 0.000 description 3
- 102100021541 Sodium/nucleoside cotransporter 2 Human genes 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003672 processing 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
- Machine Translation (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、音声認識システムに関し、特に音声区間の検出の精度向上を図った音声認識システムに関する。
【０００２】
【従来の技術】
音声認識システムでは、例えば雑音等のある環境下で発話された音声をそのまま音声認識した場合、雑音等の影響によって音声認識率の低下を招くことから、音声認識を行うためにはまず音声区間を正しく検出することが重要な課題となっている。
【０００３】
従来、残差パワー法又は部分空間法を用いて音声区間の検出を行う音声認識システムが知られている。
【０００４】
図６は、残差パワー法を用いた従来の音声認識システムの構成を示している。この音声認識システムは、隠れマルコフモデル（Hidden Markov Model：ＨＭＭ）を用いて単語やサブワード（音素、音節等）単位の音響モデル（音声ＨＭＭ）を作成しておき、認識すべき音声が発話されると、その入力音声のスペクトルの時系列である観測値系列を生成して、観測値系列と音声ＨＭＭとを照合し、最大尤度を与える音声ＨＭＭを選んでこれを認識結果として出力する。
【０００５】
より具体的には、音声データベースに実験的に収集して記憶しておいた大量の音声データＳmを所定期間（１０〜２０msec程度）のフレーム単位に区分けし、各フレーム単位のデータを順次にケプストラム（Cepstrum）演算することにより、ケプストラムの時系列を求め、更にこのケプストラムの時系列を音声の特徴量として学習処理し、音響モデル（音声ＨＭＭ）のパラメータに反映させることで、単語やサブワード単位の音声ＨＭＭを作成している。
【０００６】
実際に発話がなされると、入力音声データＳaを上記同様のフレーム単位に区分けして入力する。そして、残差パワー法を適用して構成された音声区間検出部が、各フレーム単位の入力音声データに基づいて音声区間τを検出すると共に、検出した音声区間τ内の入力音声データＳvcを切り出し、その入力音声データＳvcのケプストラムの時系列である観測値系列と音声ＨＭＭとを単語やサブワード単位で照合することで、音声認識が行われている。
【０００７】
ここで、音声区間検出部は、ＬＰＣ分析部１、閾値生成部２、比較部３、切替え部４，５を備えて構成されている。
【０００８】
ＬＰＣ分析部１は、フレーム単位の入力音声データＳaに対して線形予測（linear predictive coding：ＬＰＣ）分析を行うことで予測残差パワーεを求め、切替え部４は、例えば発話者が発話開始スイッチ（図示省略）をオン操作してから実際に発話するまでの所定期間（非音声期間）内では、予測残差パワーεを閾値生成部２へ供給し、非音声期間の経過後は、予測残差パワーεを比較部３へ供給するようになっている。
【０００９】
閾値生成部２は、非音声期間内に生じる予測残差パワーεの時間平均値ε’を求めると共に、予め決められている所定値αを加算することによって閾値ＴＨＤ（＝ε’＋α）を求め、その閾値ＴＨＤを比較部３に供給する。
【００１０】
比較部３は、非音声期間の経過後に切替え部４を介して供給される予測残差パワーεと閾値ＴＨＤとを比較し、ＴＨＤ≦εとなったときには音声区間と判定して切替え部５をオン（導通）、ＴＨＤ＞εとなったときには非音声区間と判定して切替え部５をオフ（非導通）にする。
【００１１】
切替え部５は、比較部３による制御に従って上記のオン／オフ動作を行う。これにより、音声区間と判定された期間では、入力音声データＳaから認識対象とすべき入力音声データＳvcがフレーム単位で切り出され、その入力音声データＳvcに基づいて上記のケプストラム演算が行われることで、音声ＨＭＭと照合させるための観測値系列が生成される。
【００１２】
このように、残差パワー法を用いて音声区間の検出を行う従来の音声認識システムでは、非音声期間に生じる予測残差パワーεの時間平均値ε’に基づいて音声区間を検出するための閾値ＴＨＤを決めておき、非音声期間の経過後に入力される入力音声データＳaの予測残差パワーεが閾値ＴＨＤより大きな値になるか否かを判定することで、音声区間の検出を行っている。
【００１３】
図７は、部分空間法を用いた音声区間検出部の構成を示している。この音声区間検出部は、予め大量の音声データから学習した音声の特徴を表す空間（部分空間）に入力音声の特徴ベクトルを射影し、射影量が大きくなるときを音声区間と判定することとしている。
【００１４】
つまり、予め実験的に収集した学習用の音声データ（学習データ）Ｓmを所定のフレーム単位で音響分析し、Ｍ次元の特徴ベクトルｘn＝〔ｘn1 ｘn2 ｘn3 …ｘnM〕Tを求めている。ここで、変数Ｍはベクトルの次元数、変数ｎはフレーム番号（ｎ≦Ｎ）、符号Ｔは転置を表している。
【００１５】
このＭ次元の特徴ベクトルｘnから次式（１）で表される相関行列Ｒを求め、更に、次式（２）を解くことで相関行列Ｒを固有値展開し、Ｍ個の固有値λkと固有値ベクトルｖkを求めている。
【００１６】
【数１】
【数２】
【００１７】
次に、固有値の大きいものからｍ個（ｍ＜Ｍ）の固有ベクトルｖ1，ｖ2，…，ｖmを選び出し、それらを列ベクトルとする行列Ｖ＝〔ｖ1，ｖ2，…，ｖm〕を求めている。すなわち、ｍ個の固有ベクトルｖ1，ｖ2，…，ｖmが張る空間が、学習よって求まる音声の特徴を最も良く表す部分空間であるものと推定している。
【００１８】
次に、次式（３）に基づいて射影行列Ｐを求めている。
【数３】
【００１９】
こうして射影行列Ｐを予め求めておき、実際に発話によって入力音声データＳaが入力されると、学習データＳmに対する処理と同様に、所定のフレーム単位で音響分析することで入力音声データＳaの特徴ベクトルａを求め、上記射影行列Ｐと特徴ベクトルａの積を求めることで、次式（４）で表される射影ベクトルＰａの２乗ノルム‖Ｐａ‖2を求める。
【００２０】
【数４】
【００２１】
尚、ここでは、射影行列のべき等性ＰTＰ＝Ｐが用いられている。
そして、予め決められた閾値θと上記の２乗ノルムを比較し、θ＜‖Ｐａ‖2となった場合には音声区間であると判定し、その音声区間内の入力音声データＳaを切り出し、その切り出した音声データＳvcに基づいて音声認識を行うようになっている。
【００２２】
【発明が解決しようとする課題】
しかしながら、上記従来の残差パワー法を用いた音声区間の検出では、ＳＮ比が低くなると、雑音と本来の音声の予測残差パワーの差が小さくなり、音声区間の検出精度が低下するという問題があった。特に、パワーの小さな無声音の区間検出が困難となるという問題があった。
【００２３】
また、上記従来の部分空間法を用いた音声区間の検出法は、音声（有声音と無声音）と雑音のスペクトルの差異に着目してなされたものであるが、それらのスペクトルの差異が明確に識別できないことから、音声区間の検出精度の向上が図れなくなる等の問題があった。
【００２４】
具体的に、図８（ａ）〜（ｃ）に基づいて、自動車の車室内で発話される音声を音声認識する場合の部分空間法の問題点を述べると、次のような問題点があった。尚、図８（ａ）は、代表的な有声音「ア」「イ」「ウ」「エ」「オ」のスペクトル包絡、図８（ｂ）は、代表的な複数種類の無声音のスペクトル包絡、図８（ｃ）は、エンジン排気量の異なる複数の自動車の車室内で生じた各走行雑音のスペクトル包絡を示している。
【００２５】
これらのスペクトル包絡から解るように、有声音と走行雑音のスペクトルは類似しているため、有声音と走行雑音の識別が困難になるという問題があった。
【００２６】
更に、母音、子音等によって特徴ベクトルのノルムが変化してしまい、射影前のベクトルの大きさが小さければ、いくらそのベクトルが部分空間にマッチしていたとしても、射影後のベクトルのノルムは小さくなってしまう。子音は特に特徴ベクトルのノルムが小さいため、音声区間として検出されなくなるという問題があった。
更に又、有声音のスペクトルは低周波域で大きく、無声音のスペクトルは高周波域で大きくなる。このため有声音と無声音を一緒に学習する従来の手法では、適切な部分空間を得ることが困難になるという問題があった。
【００２７】
本発明は上記従来の問題点を克服し、音声区間の検出精度の向上を図った音声認識システムを提供することを目的とする。
【００３０】
【課題を解決するための手段】
上記目的を達成するため請求項１に記載の発明は、音声認識の対象とする音声の区間を検出する音声区間検出手段を備えた音声認識システムであって、前記音声区間検出手段は、前記データベースに記憶されている無声音のデータに基づいて、予め無声音の特徴を学習ベクトルとして生成する学習ベクトル生成手段と、非音声期間内に生じる入力音声の線形予測残差パワーに基づいて、音声と雑音とを識別するための閾値を生成する閾値生成手段と、発話によって生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上となるときを音声区間と判定する内積値判定手段と、前記発話によって生じる入力音声の線形予測残差パワーが前記閾値生成手段で生成された閾値より大きくなるときを音声区間と判定する線形予測残差パワー判定手段と、前記内積値判定手段と線形予測残差パワー判定手段で判定される音声区間を、前記音声の区間として決定する音声区間決定手段と、を備え、前記音声区間決定手段により決定される音声の区間における前記入力音声を音声認識の対象とすること、を特徴とする。
【００３１】
かかる構成によると、無声音に基づいて予め作成しておいた学習ベクトルと実際の発話によって生じる入力音声の特徴ベクトルとの内積を求め、得られた内積値が所定の閾値より大きくなるときを主として無声音の区間と判定する。また、非音声期間の予測残差パワーに基づいて求めた閾値と実際の発話によって生じる入力音声の予測残差パワーとを比較し、その閾値より予測残差パワーが大きくなるときを主として有声音の区間と判定する。そして、これらの判定結果に基づいて入力音声の音声区間を設定することにより、音声認識の対象とすべき音声を適切に求める。
【００３２】
また、請求項２に記載の発明は、請求項１に記載の音声認識システムであって、更に、前記非音声期間内に生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上になると、前記内積値判定手段の判定処理を停止させる誤判定制御手段を備え、音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、を特徴とする。
【００３３】
かかる構成によると、実際に発話のなされる以前の非音声期間、すなわち背景音だけが生じている期間に得られる特徴ベクトルと学習ベクトルの内積を求め、その内積値が所定の閾値以上になるときには、内積値判定手段の判定処理を停止させる。これにより、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下において、背景音を子音として誤検出する事象を回避する。
【００３４】
また、請求項３に記載の発明は、請求項１に記載の音声認識システムであって、更に、前記非音声期間内によって生じる入力音声の線形予測残差パワーを演算する演算手段と、前記演算手段が演算した前記線形予測残差パワーが所定値以下になると、前記内積値判定手段の判定処理を停止させる誤判定制御手段と、を備え、音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、を特徴とする。
【００３５】
かかる構成によると、実際に発話のなされる以前の非音声期間、すなわち背景音だけが生じている期間に得られる予測残差パワーが所定値以下になるときには、線形予測残差パワー判定手段の判定処理を停止させる。これにより、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下において、背景音を子音として誤検出する事象を回避する。
【００３６】
また、請求項４に記載の発明は、請求項１に記載の音声認識システムであって、更に、前記非音声期間内によって生じる入力音声の線形予測残差パワーを演算する演算手段と、前記非音声期間内に生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上になるとき、または、前記非音声期間内に生じる入力音声の線形予測残差パワーが所定値以下になるときに、前記内積値判定手段の判定処理を停止させる誤判定制御手段と、を備え、音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、を特徴とする。
【００３７】
かかる構成によると、実際に発話のなされる以前の非音声期間、すなわち背景音だけが生じている期間に得られる特徴ベクトルと上記学習ベクトルの内積の値が所定値以上になるとき、または、非音声期間内に生じる入力音声の予測残差パワーが所定値以下になるときには、内積値判定手段の判定処理を停止させる。これにより、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下において背景音を子音として誤検出する事象を回避する。
【００３８】
【発明の実施の形態】
以下、本発明の実施の形態を図面を参照して説明する。尚、図１は本発明の音声認識システムの第１の実施の形態の構成を示すブロック図、図２は第２の実施の形態の構成を示すブロック図、図３は第３の実施の形態の構成を示すブロック図、図４は第４の実施の形態の構成を示すブロック図である。
【００３９】
（第１の実施の形態）
本実施形態は、代表例として、音声認識の処理をＨＭＭ法によって行う音声認識システムであり、その音声認識処理のために音声の切り出しを行う手段を備えた音声認識システムである。
【００４０】
図１において、本実施形態の音声認識システムには、隠れマルコフモデルを用いて作成された単語やサブワード単位の音響モデル（音声ＨＭＭ）１０と、認識部１１と、ケプストラム演算部１２とが備えられ、ケプストラム演算部１２で生成される入力音声のケプストラムの時系列である観測値系列と音声ＨＭＭ１０とを認識部１１が照合し、最大尤度を与える音声ＨＭＭを選んでこれを認識結果として出力する。
【００４１】
すなわち、実験的に収集し音声データベース６に記憶した音声データＳmをフレーム化部７が所定のフレーム単位に区分けし、フレーム単位の音声データをケプストラム演算部８が順次にケプストラム演算することにより、ケプストラムの時系列を求め、更にこのケプストラムの時系列を音声の特徴量として学習部９が学習処理することにより、単語やサブワード単位の音声ＨＭＭ１０が予め作成されている。
【００４２】
そして、後述の音声区間の検出によって切り出される実際の入力音声データＳvcをケプストラム演算部１２がケプストラム演算することによって上記の観測値系列を生成し、認識部１１がその観測値系列と音声ＨＭＭ１０とを単語やサブワード単位で照合することにより、音声認識を行うようになっている。
【００４３】
更に、本音声認識システムには、実際に発話された音声（入力音声）Ｓaの音声区間を検出し、音声認識対象としての上記入力音声データＳvcを切り出すための音声区間検出部が備えられ、音声区間検出部は、第１の検出部１００、第２の検出部２００、音声区間決定部３００、及び音声切り出し部４００を備えて構成されている。
【００４４】
ここで、第１の検出部１００には、予め実験的に収集した音声の無声音部分のデータ（無声音データ）Ｓcを記憶する無声音データベース１３と、ＬＰＣケプストラム演算部１４と、学習ベクトル生成部１５が備えられている。
【００４５】
ＬＰＣケプストラム演算部１４は、無声音データベース１３中の無声音データＳcを所定のフレーム単位でＬＰＣ分析することにより、ケプストラム領域でのＭ次元特徴ベクトルｃn＝〔ｃn1，ｃn2，…，ｃnM〕Tを求める。
【００４６】
学習ベクトル生成部１５は、Ｍ次元の特徴ベクトルｃnから次式（５）で表される相関行列Ｒを求め、更に相関行列Ｒを固有値展開することにより、Ｍ個の固有値λkと固有ベクトルｖkを求めた後、Ｍ個の固有値λkのうちの最大固有値に対応する固有ベクトルを学習ベクトルＶとする。尚、次式（５）中、変数ｎはフレーム番号、Ｔは転置を表している。
【００４７】
【数５】
【００４８】
こうして、ＬＰＣケプストラム演算部１４と学習ベクトル生成部１５の処理を行うと、無声音の特徴を良く表した学習ベクトルＶを求めることができる。ちなみに、図５は、学習ベクトルＶから求めたスペクトル包絡を示している。次数はＬＰＣ分析次数（３次、８次、１６次）である。図５に示すスペクトル包絡は、図８（ｂ）に示した実際の無声音のスペクトル包絡に極めて類似することから、無声音の特徴を良く表した学習ベクトルＶを求めることができることが確認された。
【００４９】
更に第１の検出部１００には、実際に発話された入力音声のデータＳaを上記同様のフレーム単位に区分けして出力するフレーム化部１６と、フレーム単位の入力音声データＳafをＬＰＣ分析することにより、ケプストラム領域でのＭ次元の特徴ベクトルＡと予測残差パワーεとを求めるＬＰＣケプストラム演算部１７と、学習ベクトルＶと特徴ベクトルＡの内積ＶTＡを求める内積演算部１８と、内積ＶTＡを所定の閾値θと比較し、θ≦ＶTＡのときに音声区間と判定する第１の閾値判定部１９が備えられており、第１の閾値判定部１９の判定結果Ｄ１を音声区間決定部３００に供給するようになっている。
【００５０】
尚、内積ＶTＡは学習ベクトルＶと特徴ベクトルＡの方向情報を保持したスカラー量、すなわち正又は負値となるスカラー量であり、特徴ベクトルＡが学習ベクトルＶと同じ方向の場合には正値（０≦ＶTＡ）、特徴ベクトルＡが学習ベクトルＶと逆方向の場合には負値（０＞ＶTＡ）となる。かかる関係から、本実施形態では、θ＝０としている。
【００５１】
第２の検出部２００は、閾値生成部２０と第２の閾値判定部２１を備えて構成されている。
【００５２】
閾値生成部２０は、本音声認識システムに備えられている発話開始スイッチ（図示省略）を発話者がオン操作して、実際に発話を開始するまでの所定期間（非音声期間）内に、ＬＰＣケプストラム演算部１７で求められる予測残差パワーεの時間平均値ε’を求めると共に、予め決められた所定値αを時間平均値ε’に加算することによって閾値ＴＨＤ（＝ε’＋α）を求める。
【００５３】
第２の閾値判定部２１は、非音声期間の経過後、ＬＰＣケプストラム演算部１７で求められる予測残差パワーεと閾値ＴＨＤとを比較し、ＴＨＤ≦εとなったときを音声区間と判定し、その判定結果Ｄ２を音声区間決定部３００に供給する。
【００５４】
音声区間決定部３００は、第１の検出部１００から判定結果Ｄ１が供給されるときと、第２の検出部２００から判定結果Ｄ２が供給されるときを、入力音声Ｓaの音声区間τと決定する。すなわち、θ≦ＶTＡ又はＴＨＤ≦εのいずれか一方の条件が満足されるときを音声区間τと決定し、更に非音声区間に挟まれた時間的に短い音声区間を非音声区間に変更し、音声区間に挟まれた時間的に短い非音声区間を音声区間に変更し、その決定結果Ｄ３を音声切り出し部４００に供給する。
【００５５】
音声切り出し部４００は、上記の決定結果Ｄ３に基づいて、フレーム化部１６より供給されるフレーム単位の入力音声データＳafから、認識対象とする入力音声データＳvcをフレーム単位で切り出してケプストラム演算部１２へ供給する。
【００５６】
そして、ケプストラム演算部１２は、フレーム単位で切り出された入力音声データＳvcからケプストラム領域での観測値系列を生成し、更に認識部１１が観測値系列と音声ＨＭＭ１０との照合を行うことで、音声認識の処理を行う。
【００５７】
このように本実施形態の音声認識システムによれば、第１の検出部１００が無声音の音声区間を正しく検出し、第２の検出部１００が有声音の音声区間を正しく検出することになる。
【００５８】
すなわち、第１の検出部１００は、学習用の無声音データＳcに基づいて予め作成しておいた無声音の学習ベクトルＶと実際の発話によって生じる入力音声データＳaの特徴ベクトルとの内積を求め、得られた内積値が閾値θ＝０より大きな値（すなわち、正値）となったときを主として入力音声データＳa中の無声音の区間と判断することになる。第２の検出部２００は、予め非音声期間の予測残差パワーに基づいて求めた閾値ＴＨＤと実際の発話によって生じる入力音声データＳaの予測残差パワーεとを比較し、ＴＨＤ≦εとなったときを主として入力音声データＳa中の有声音の区間と判断することになる。
【００５９】
すなわち、第１の検出部１００の処理を行うと、比較的パワーの小さな無声音を高精度で検出することが可能となり、第２の検出部２００の処理によると、比較的パワーの大きな有声音を高精度で検出することが可能となる。
【００６０】
そして、音声区間決定部が第１，第２の検出部１００，２００の判定結果Ｄ１，Ｄ２に基づいて音声区間（有声音又は無声音の区間）を最終的に決定し、その決定結果Ｄ３に基づいて、音声認識の対象とすべき入力音声データＤvcを切り出すので、音声認識の精度向上を図ることができる。
【００６１】
尚、図１に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００６２】
しかし、本発明はこれに限定されるものではない。内積部１８と閾値判定部１９によって音声区間の判断を行う第１の検出部１００を備えておき、第２の検出部２００を省略する構成とし、音声区間決定部３００は判定結果Ｄ１に基づいて音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００６３】
（第２の実施の形態）
次に、第２の実施形態の音声認識システムを図２に基づいて説明する。尚、図２中、図１と同一又は相当する部分を同一符号で示している。
【００６４】
図２において、第１の実施形態との相違点を述べると、本実施形態の音声認識システムには、内積演算部２２と第３の閾値判定部２３とを有する誤判定制御部５００が設けられている。
【００６５】
内積演算部２２は、本音声認識システムに備えられている発話開始スイッチ（図示省略）を発話者がオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が求めた特徴ベクトルＡと、学習ベクトル生成部１５が予め求めた無声音の学習ベクトルＶとの内積を求める。すなわち、実際に発話が行われる以前の非音声期間内に、学習ベクトルＶと特徴ベクトルＡとの内積ＶTＡを求める。
【００６６】
第３の閾値判定部２３は、予め決められている閾値θ’（＝０）と内積演算部２２が求めた内積ＶTＡとを比較し、１フレームでもθ’＜ＶTＡとなった場合には、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴを供給する。すなわち、第３の閾値判定部２３は、非音声期間内に求められた学習ベクトルＶと特徴ベクトルＡとの内積ＶTＡが、閾値θ’より大きな値（正値）となった場合には、非音声期間の経過後に発話者が実際に発話しても、内積演算部１８に内積演算の処理を行わせないようになっている。
【００６７】
この結果、内積演算部１８が制御信号ＣＮＴに従って内積演算の処理を停止すると、第１の閾値判定部１９も音声区間の検出処理を実質的に停止し、判定結果Ｄ１が音声区間決定部３００に供給されなくなる。つまり、音声区間決定部３００は、第２の検出部２００から供給される判定結果Ｄ２に基づいて、音声区間を最終的に判定する。
【００６８】
かかる構成を有する本実施形態によれば次の効果が得られる。第１の検出部１００は、無声音のスペクトルは高周波域で高くなり、背景雑音のスペクトルは低周波域で高くなるという両者の特徴を識別することを前提として音声区間の検出を行うものである。したがって、上記の誤判定制御部５００を備えることなく、第１の検出部１００だけで内積演算の処理をした場合でも、例えば自動車の車室内等においてＳＮ比が低く走行雑音が支配的な背景下では、音声区間の検出精度の向上を図ることができる。
【００６９】
しかし、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下では、内積演算部１８のみの処理では雑音区間を音声区間と誤判定する可能性が高くなるという問題を生じる。
【００７０】
これに対し、誤判定制御部５００では、内積演算部２２が実際に発話のなされる以前の非音声期間、すなわち背景雑音だけが生じている期間に得られる特徴ベクトルＡと無声音の学習ベクトルＶとの内積ＶTＡを求め、第３の閾値判定部２３がθ’＜ＶTＡの関係が成立するか否か調べることで背景雑音のスペクトルが高域で高くなっているか否かを判定し、背景雑音のスペクトルが高域で高くなっていると判定したときには、第１の内積演算部１８の処理を停止させるようにしている。
【００７１】
したがって、誤判定制御部５００を備えた本実施形態によれば、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下では、例えば、子音の検出誤り（誤検出）を生じるような事象を回避することができるという効果が得られ、ひいては、音声認識率を向上させるように音声区間の検出を行うことが可能となる。
【００７２】
尚、図２に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００７３】
しかし、本発明はこれに限定されるものではない。第２の検出部２００を省略することにし、音声区間決定部３００は、第１の検出部１００と誤判定制御部５００によって求められる判定結果Ｄ１に基づいて、音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００７４】
（第３の実施の形態）
次に、第３の実施形態の音声認識システムを図３に基づいて説明する。尚、図３中、図２と同一又は相当する部分を同一符号で示している。
【００７５】
図３に示す本実施形態と図２に示した第２の実施形態との相違点を述べると、第２の実施形態の音声認識システムでは、図２に示したように、学習ベクトルＶと実際に発話がなされる前の非音声期間内にＬＰＣケプストラム演算部１７が求めた特徴ベクトルＡとの内積ＶTＡを求め、その内積がθ’＜ＶTＡのときには、内積演算部１８の処理を停止することで、音声区間の誤判定を回避することとしている。
【００７６】
これに対し本実施形態では、図３に示すように、誤判定制御部６００が備えられており、実際に発話がなされる前の非音声期間内にＬＰＣケプストラム演算部１７が求めた予測残差パワーεに基づいて、誤判定制御部６００内の第３の閾値判定部２４が音声区間の誤判定を回避するための判定処理を行い、制御信号ＣＮＴに基づいて第１の内積演算部１８を制御する構成となっている。
【００７７】
すなわち、第３の閾値判定部２４は、発話者が発話開始スイッチ（図示省略）をオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が背景音の予測残差パワーεを求めると、その予測残差パワーεの時間平均値ε’を求め、時間平均値ε’と予め決められている閾値ＴＨＤ’とを比較し、ε’＜ＴＨＤ’のときには、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴを供給する。つまり、第３の閾値判定部２４は、ε’＜ＴＨＤ’となった場合には、非音声期間の経過後に発話者が実際に発話しても、内積演算部１８に内積演算の処理を行わせないようになっている。
【００７８】
尚、比較的静寂な環境下で得られる予測残差パワーε0を基準（０ｄＢ）とし、それより０ｄＢ〜５０ｄＢ高い値を上記の閾値ＴＨＤ’に設定している。
【００７９】
かかる構成を有する本実施形態によっても、上記第２の実施形態と同様に、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下でも、音声区間の検出精度の維持を実現することができ、ひいては、音声認識率を向上させるように音声区間の検出を行うことが可能となる。
【００８０】
尚、図３に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００８１】
しかし、本発明はこれに限定されるものではない。第２の検出部２００を省略することにし、音声区間決定部３００は、第１の検出部１００と誤判定制御部６００によって求められる判定結果Ｄ１に基づいて、音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００８２】
（第４の実施の形態）
次に、第４の実施形態の音声認識システムを図４に基づいて説明する。尚、図４中、図２と同一又は相当する部分を同一符号で示している。
【００８３】
図４に示す本実施形態は、上記第２の実施形態（図２参照）に示した誤判定制御部５００と第３の実施形態（図３参照）に示した誤判定制御部６００との機能を併せ持った誤判定制御部７００が設けられており、この誤判定制御部７００は、内積演算部２５と、閾値判定部２６，２８と、切替え判定部２７を備えて構成されている。
【００８４】
内積演算部２５は、本音声認識システムに備えられている発話開始スイッチ（図示省略）を発話者がオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が求めた特徴ベクトルＡと、学習ベクトル生成部１５が予め求めた無声音の学習ベクトルＶとの内積ＶTＡを求める。
【００８５】
閾値判定部２６は、予め決められている閾値θ’（＝０）と内積演算部２５が求めた内積ＶTＡとを比較し、１フレームでもθ’＜ＶTＡとなった場合には、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴ１を生成して出力する。
【００８６】
閾値判定部２８は、発話者が発話開始スイッチ（図示省略）をオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が背景音の予測残差パワーεを求めると、その予測残差パワーεの時間平均値ε’を求め、時間平均値ε’と予め決められている閾値ＴＨＤ’とを比較し、ε’＜ＴＨＤ’のときには、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴ２を生成して出力する。
【００８７】
切替え判定部２７は、閾値判定部２６，２７から上記制御信号ＣＮＴ１，ＣＮＴ２のいずれか一方が供給されると、それらの制御信号ＣＮＴ１又はＣＮＴ２を制御信号ＣＮＴとして第１の内積演算部１８に供給することにより、内積演算の処理を停止させる。
【００８８】
したがって、非音声期間内に求められた学習ベクトルＶと特徴ベクトルＡとの内積ＶTＡが、１フレームでもθ’＜ＶTＡとなった場合、または、非音声期間内に求められた予測残差パワーεの時間平均値ε’が、ε’＜ＴＨＤ’となった場合には、非音声期間の経過後に発話者が実際に発話しても、内積演算部１８に内積演算の処理を行わせないようになっている。
【００８９】
尚、比較的静寂な環境下で得られる予測残差パワーε0を基準（０ｄＢ）とし、それより０ｄＢ〜５０ｄＢ高い値を上記の閾値ＴＨＤ’に設定している。また、閾値θ’は、θ’＝０に設定されている。
【００９０】
かかる構成を有する本実施形態によっても、上記第２，第３の実施形態と同様に、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下では、音声認識率を向上させるように音声区間の検出を行うことが可能となるという効果が得られる。
【００９１】
尚、図４に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００９２】
しかし、本発明はこれに限定されるものではない。第２の検出部２００を省略することにし、音声区間決定部３００は、第１の検出部１００と誤判定制御部７００によって求められる判定結果Ｄ１に基づいて、音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００９３】
尚、以上に説明した第１〜第４の実施形態の音声認識システムでは、図１中の構成要素８〜１２に示すように、音声認識の処理を行う際、音の特性をマルコフモデルで記述する方法（すなわち、ＨＭＭ法）を用いている。
【００９４】
しかし、上記の各構成要素１００，２００，３００，４００，５００，６００，７００によって構成されている各実施形態の音声切り出し手段、すなわち、入力音声データＳafから認識対象とする入力音声データＳvcをフレーム単位で切り出すための手段は、ＨＭＭ法にのみ適応可能というものではなく、他の音声認識の処理方法にも適用することができる。例えば、動的計画法（dynamic programming：ＤＰ）を適用したＤＰマッチング法にも適用することが可能である。
【００９５】
【発明の効果】
以上説明したように本発明の音声認識システムによれば、無声音に基づいて予め作成しておいた学習ベクトルと実際の発話によって生じる入力音声の特徴ベクトルとの内積の値が所定の閾値より大きくなるとき、又は、非音声期間の予測残差パワーに基づいて求めた閾値と実際の発話によって生じる入力音声の予測残差パワーとを比較しその閾値より予測残差パワーが大きくなるときの何れかの場合を声音区間とすることとしたので、音声認識の対象とすべき有声音と無声音を適切に求めることができる。
【００９６】
また、非音声期間内に生じる背景音の特徴ベクトルと学習ベクトルの内積の値が所定値以上になる場合、又は、非音声期間内に生じる入力音声の線形予測残差パワーが所定値以下になる場合、又は、これら両者の場合に、入力音声の特徴ベクトルとの内積の値に基づいて音声区間の検出を行わず、実際の発話によって生じる入力音声の予測残差パワーが所定閾値より大きくなるときを声音区間とすることとしたので、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下での音声区間の検出精度を向上させることができる。
【図面の簡単な説明】
【図１】第１の実施形態の音声認識システムの構成を示すブロック図である。
【図２】第２の実施形態の音声認識システムの構成を示すブロック図である。
【図３】第３の実施形態の音声認識システムの構成を示すブロック図である。
【図４】第４の実施形態の音声認識システムの構成を示すブロック図である。
【図５】無音声データの学習ベクトルから求めたスペクトル包絡を示す特性図である。
【図６】従来の残差パワー法を適用した音声区間検出部の構成を示すブロック図である。
【図７】従来の部分空間法を適用した音声区間検出部の構成を示すブロック図である。
【図８】音声と走行雑音のスペクトル包絡を示す特性図である。
【符号の説明】
１３…無声音データベース
１４，１７…ＬＰＣケプストラム演算部
１５…学習ベクトル生成部
１６…フレーム化部
１８，２２，２５…内積演算部
１９，２１，２３，２４，２６，２８…閾値判定部
２０…閾値生成部
２７…切替え判定部
１００…第１の検出部
２００…第２の検出部
３００…音声区間決定部
４００…音声切り出し部
５００，６００，７００…誤判定制御部
【発明の属する技術分野】
本発明は、音声認識システムに関し、特に音声区間の検出の精度向上を図った音声認識システムに関する。
【０００２】
【従来の技術】
音声認識システムでは、例えば雑音等のある環境下で発話された音声をそのまま音声認識した場合、雑音等の影響によって音声認識率の低下を招くことから、音声認識を行うためにはまず音声区間を正しく検出することが重要な課題となっている。
【０００３】
従来、残差パワー法又は部分空間法を用いて音声区間の検出を行う音声認識システムが知られている。
【０００４】
図６は、残差パワー法を用いた従来の音声認識システムの構成を示している。この音声認識システムは、隠れマルコフモデル（Hidden Markov Model：ＨＭＭ）を用いて単語やサブワード（音素、音節等）単位の音響モデル（音声ＨＭＭ）を作成しておき、認識すべき音声が発話されると、その入力音声のスペクトルの時系列である観測値系列を生成して、観測値系列と音声ＨＭＭとを照合し、最大尤度を与える音声ＨＭＭを選んでこれを認識結果として出力する。
【０００５】
より具体的には、音声データベースに実験的に収集して記憶しておいた大量の音声データＳmを所定期間（１０〜２０msec程度）のフレーム単位に区分けし、各フレーム単位のデータを順次にケプストラム（Cepstrum）演算することにより、ケプストラムの時系列を求め、更にこのケプストラムの時系列を音声の特徴量として学習処理し、音響モデル（音声ＨＭＭ）のパラメータに反映させることで、単語やサブワード単位の音声ＨＭＭを作成している。
【０００６】
実際に発話がなされると、入力音声データＳaを上記同様のフレーム単位に区分けして入力する。そして、残差パワー法を適用して構成された音声区間検出部が、各フレーム単位の入力音声データに基づいて音声区間τを検出すると共に、検出した音声区間τ内の入力音声データＳvcを切り出し、その入力音声データＳvcのケプストラムの時系列である観測値系列と音声ＨＭＭとを単語やサブワード単位で照合することで、音声認識が行われている。
【０００７】
ここで、音声区間検出部は、ＬＰＣ分析部１、閾値生成部２、比較部３、切替え部４，５を備えて構成されている。
【０００８】
ＬＰＣ分析部１は、フレーム単位の入力音声データＳaに対して線形予測（linear predictive coding：ＬＰＣ）分析を行うことで予測残差パワーεを求め、切替え部４は、例えば発話者が発話開始スイッチ（図示省略）をオン操作してから実際に発話するまでの所定期間（非音声期間）内では、予測残差パワーεを閾値生成部２へ供給し、非音声期間の経過後は、予測残差パワーεを比較部３へ供給するようになっている。
【０００９】
閾値生成部２は、非音声期間内に生じる予測残差パワーεの時間平均値ε’を求めると共に、予め決められている所定値αを加算することによって閾値ＴＨＤ（＝ε’＋α）を求め、その閾値ＴＨＤを比較部３に供給する。
【００１０】
比較部３は、非音声期間の経過後に切替え部４を介して供給される予測残差パワーεと閾値ＴＨＤとを比較し、ＴＨＤ≦εとなったときには音声区間と判定して切替え部５をオン（導通）、ＴＨＤ＞εとなったときには非音声区間と判定して切替え部５をオフ（非導通）にする。
【００１１】
切替え部５は、比較部３による制御に従って上記のオン／オフ動作を行う。これにより、音声区間と判定された期間では、入力音声データＳaから認識対象とすべき入力音声データＳvcがフレーム単位で切り出され、その入力音声データＳvcに基づいて上記のケプストラム演算が行われることで、音声ＨＭＭと照合させるための観測値系列が生成される。
【００１２】
このように、残差パワー法を用いて音声区間の検出を行う従来の音声認識システムでは、非音声期間に生じる予測残差パワーεの時間平均値ε’に基づいて音声区間を検出するための閾値ＴＨＤを決めておき、非音声期間の経過後に入力される入力音声データＳaの予測残差パワーεが閾値ＴＨＤより大きな値になるか否かを判定することで、音声区間の検出を行っている。
【００１３】
図７は、部分空間法を用いた音声区間検出部の構成を示している。この音声区間検出部は、予め大量の音声データから学習した音声の特徴を表す空間（部分空間）に入力音声の特徴ベクトルを射影し、射影量が大きくなるときを音声区間と判定することとしている。
【００１４】
つまり、予め実験的に収集した学習用の音声データ（学習データ）Ｓmを所定のフレーム単位で音響分析し、Ｍ次元の特徴ベクトルｘn＝〔ｘn1 ｘn2 ｘn3 …ｘnM〕Tを求めている。ここで、変数Ｍはベクトルの次元数、変数ｎはフレーム番号（ｎ≦Ｎ）、符号Ｔは転置を表している。
【００１５】
このＭ次元の特徴ベクトルｘnから次式（１）で表される相関行列Ｒを求め、更に、次式（２）を解くことで相関行列Ｒを固有値展開し、Ｍ個の固有値λkと固有値ベクトルｖkを求めている。
【００１６】
【数１】
次に、固有値の大きいものからｍ個（ｍ＜Ｍ）の固有ベクトルｖ1，ｖ2，…，ｖmを選び出し、それらを列ベクトルとする行列Ｖ＝〔ｖ1，ｖ2，…，ｖm〕を求めている。すなわち、ｍ個の固有ベクトルｖ1，ｖ2，…，ｖmが張る空間が、学習よって求まる音声の特徴を最も良く表す部分空間であるものと推定している。
【００１８】
次に、次式（３）に基づいて射影行列Ｐを求めている。
【数３】
こうして射影行列Ｐを予め求めておき、実際に発話によって入力音声データＳaが入力されると、学習データＳmに対する処理と同様に、所定のフレーム単位で音響分析することで入力音声データＳaの特徴ベクトルａを求め、上記射影行列Ｐと特徴ベクトルａの積を求めることで、次式（４）で表される射影ベクトルＰａの２乗ノルム‖Ｐａ‖2を求める。
【００２０】
【数４】
尚、ここでは、射影行列のべき等性ＰTＰ＝Ｐが用いられている。
そして、予め決められた閾値θと上記の２乗ノルムを比較し、θ＜‖Ｐａ‖2となった場合には音声区間であると判定し、その音声区間内の入力音声データＳaを切り出し、その切り出した音声データＳvcに基づいて音声認識を行うようになっている。
【００２２】
【発明が解決しようとする課題】
しかしながら、上記従来の残差パワー法を用いた音声区間の検出では、ＳＮ比が低くなると、雑音と本来の音声の予測残差パワーの差が小さくなり、音声区間の検出精度が低下するという問題があった。特に、パワーの小さな無声音の区間検出が困難となるという問題があった。
【００２３】
また、上記従来の部分空間法を用いた音声区間の検出法は、音声（有声音と無声音）と雑音のスペクトルの差異に着目してなされたものであるが、それらのスペクトルの差異が明確に識別できないことから、音声区間の検出精度の向上が図れなくなる等の問題があった。
【００２４】
具体的に、図８（ａ）〜（ｃ）に基づいて、自動車の車室内で発話される音声を音声認識する場合の部分空間法の問題点を述べると、次のような問題点があった。尚、図８（ａ）は、代表的な有声音「ア」「イ」「ウ」「エ」「オ」のスペクトル包絡、図８（ｂ）は、代表的な複数種類の無声音のスペクトル包絡、図８（ｃ）は、エンジン排気量の異なる複数の自動車の車室内で生じた各走行雑音のスペクトル包絡を示している。
【００２５】
これらのスペクトル包絡から解るように、有声音と走行雑音のスペクトルは類似しているため、有声音と走行雑音の識別が困難になるという問題があった。
【００２６】
更に、母音、子音等によって特徴ベクトルのノルムが変化してしまい、射影前のベクトルの大きさが小さければ、いくらそのベクトルが部分空間にマッチしていたとしても、射影後のベクトルのノルムは小さくなってしまう。子音は特に特徴ベクトルのノルムが小さいため、音声区間として検出されなくなるという問題があった。
更に又、有声音のスペクトルは低周波域で大きく、無声音のスペクトルは高周波域で大きくなる。このため有声音と無声音を一緒に学習する従来の手法では、適切な部分空間を得ることが困難になるという問題があった。
【００２７】
本発明は上記従来の問題点を克服し、音声区間の検出精度の向上を図った音声認識システムを提供することを目的とする。
【００３０】
【課題を解決するための手段】
上記目的を達成するため請求項１に記載の発明は、音声認識の対象とする音声の区間を検出する音声区間検出手段を備えた音声認識システムであって、前記音声区間検出手段は、前記データベースに記憶されている無声音のデータに基づいて、予め無声音の特徴を学習ベクトルとして生成する学習ベクトル生成手段と、非音声期間内に生じる入力音声の線形予測残差パワーに基づいて、音声と雑音とを識別するための閾値を生成する閾値生成手段と、発話によって生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上となるときを音声区間と判定する内積値判定手段と、前記発話によって生じる入力音声の線形予測残差パワーが前記閾値生成手段で生成された閾値より大きくなるときを音声区間と判定する線形予測残差パワー判定手段と、前記内積値判定手段と線形予測残差パワー判定手段で判定される音声区間を、前記音声の区間として決定する音声区間決定手段と、を備え、前記音声区間決定手段により決定される音声の区間における前記入力音声を音声認識の対象とすること、を特徴とする。
【００３１】
かかる構成によると、無声音に基づいて予め作成しておいた学習ベクトルと実際の発話によって生じる入力音声の特徴ベクトルとの内積を求め、得られた内積値が所定の閾値より大きくなるときを主として無声音の区間と判定する。また、非音声期間の予測残差パワーに基づいて求めた閾値と実際の発話によって生じる入力音声の予測残差パワーとを比較し、その閾値より予測残差パワーが大きくなるときを主として有声音の区間と判定する。そして、これらの判定結果に基づいて入力音声の音声区間を設定することにより、音声認識の対象とすべき音声を適切に求める。
【００３２】
また、請求項２に記載の発明は、請求項１に記載の音声認識システムであって、更に、前記非音声期間内に生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上になると、前記内積値判定手段の判定処理を停止させる誤判定制御手段を備え、音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、を特徴とする。
【００３３】
かかる構成によると、実際に発話のなされる以前の非音声期間、すなわち背景音だけが生じている期間に得られる特徴ベクトルと学習ベクトルの内積を求め、その内積値が所定の閾値以上になるときには、内積値判定手段の判定処理を停止させる。これにより、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下において、背景音を子音として誤検出する事象を回避する。
【００３４】
また、請求項３に記載の発明は、請求項１に記載の音声認識システムであって、更に、前記非音声期間内によって生じる入力音声の線形予測残差パワーを演算する演算手段と、前記演算手段が演算した前記線形予測残差パワーが所定値以下になると、前記内積値判定手段の判定処理を停止させる誤判定制御手段と、を備え、音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、を特徴とする。
【００３５】
かかる構成によると、実際に発話のなされる以前の非音声期間、すなわち背景音だけが生じている期間に得られる予測残差パワーが所定値以下になるときには、線形予測残差パワー判定手段の判定処理を停止させる。これにより、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下において、背景音を子音として誤検出する事象を回避する。
【００３６】
また、請求項４に記載の発明は、請求項１に記載の音声認識システムであって、更に、前記非音声期間内によって生じる入力音声の線形予測残差パワーを演算する演算手段と、前記非音声期間内に生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上になるとき、または、前記非音声期間内に生じる入力音声の線形予測残差パワーが所定値以下になるときに、前記内積値判定手段の判定処理を停止させる誤判定制御手段と、を備え、音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、を特徴とする。
【００３７】
かかる構成によると、実際に発話のなされる以前の非音声期間、すなわち背景音だけが生じている期間に得られる特徴ベクトルと上記学習ベクトルの内積の値が所定値以上になるとき、または、非音声期間内に生じる入力音声の予測残差パワーが所定値以下になるときには、内積値判定手段の判定処理を停止させる。これにより、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下において背景音を子音として誤検出する事象を回避する。
【００３８】
【発明の実施の形態】
以下、本発明の実施の形態を図面を参照して説明する。尚、図１は本発明の音声認識システムの第１の実施の形態の構成を示すブロック図、図２は第２の実施の形態の構成を示すブロック図、図３は第３の実施の形態の構成を示すブロック図、図４は第４の実施の形態の構成を示すブロック図である。
【００３９】
（第１の実施の形態）
本実施形態は、代表例として、音声認識の処理をＨＭＭ法によって行う音声認識システムであり、その音声認識処理のために音声の切り出しを行う手段を備えた音声認識システムである。
【００４０】
図１において、本実施形態の音声認識システムには、隠れマルコフモデルを用いて作成された単語やサブワード単位の音響モデル（音声ＨＭＭ）１０と、認識部１１と、ケプストラム演算部１２とが備えられ、ケプストラム演算部１２で生成される入力音声のケプストラムの時系列である観測値系列と音声ＨＭＭ１０とを認識部１１が照合し、最大尤度を与える音声ＨＭＭを選んでこれを認識結果として出力する。
【００４１】
すなわち、実験的に収集し音声データベース６に記憶した音声データＳmをフレーム化部７が所定のフレーム単位に区分けし、フレーム単位の音声データをケプストラム演算部８が順次にケプストラム演算することにより、ケプストラムの時系列を求め、更にこのケプストラムの時系列を音声の特徴量として学習部９が学習処理することにより、単語やサブワード単位の音声ＨＭＭ１０が予め作成されている。
【００４２】
そして、後述の音声区間の検出によって切り出される実際の入力音声データＳvcをケプストラム演算部１２がケプストラム演算することによって上記の観測値系列を生成し、認識部１１がその観測値系列と音声ＨＭＭ１０とを単語やサブワード単位で照合することにより、音声認識を行うようになっている。
【００４３】
更に、本音声認識システムには、実際に発話された音声（入力音声）Ｓaの音声区間を検出し、音声認識対象としての上記入力音声データＳvcを切り出すための音声区間検出部が備えられ、音声区間検出部は、第１の検出部１００、第２の検出部２００、音声区間決定部３００、及び音声切り出し部４００を備えて構成されている。
【００４４】
ここで、第１の検出部１００には、予め実験的に収集した音声の無声音部分のデータ（無声音データ）Ｓcを記憶する無声音データベース１３と、ＬＰＣケプストラム演算部１４と、学習ベクトル生成部１５が備えられている。
【００４５】
ＬＰＣケプストラム演算部１４は、無声音データベース１３中の無声音データＳcを所定のフレーム単位でＬＰＣ分析することにより、ケプストラム領域でのＭ次元特徴ベクトルｃn＝〔ｃn1，ｃn2，…，ｃnM〕Tを求める。
【００４６】
学習ベクトル生成部１５は、Ｍ次元の特徴ベクトルｃnから次式（５）で表される相関行列Ｒを求め、更に相関行列Ｒを固有値展開することにより、Ｍ個の固有値λkと固有ベクトルｖkを求めた後、Ｍ個の固有値λkのうちの最大固有値に対応する固有ベクトルを学習ベクトルＶとする。尚、次式（５）中、変数ｎはフレーム番号、Ｔは転置を表している。
【００４７】
【数５】
こうして、ＬＰＣケプストラム演算部１４と学習ベクトル生成部１５の処理を行うと、無声音の特徴を良く表した学習ベクトルＶを求めることができる。ちなみに、図５は、学習ベクトルＶから求めたスペクトル包絡を示している。次数はＬＰＣ分析次数（３次、８次、１６次）である。図５に示すスペクトル包絡は、図８（ｂ）に示した実際の無声音のスペクトル包絡に極めて類似することから、無声音の特徴を良く表した学習ベクトルＶを求めることができることが確認された。
【００４９】
更に第１の検出部１００には、実際に発話された入力音声のデータＳaを上記同様のフレーム単位に区分けして出力するフレーム化部１６と、フレーム単位の入力音声データＳafをＬＰＣ分析することにより、ケプストラム領域でのＭ次元の特徴ベクトルＡと予測残差パワーεとを求めるＬＰＣケプストラム演算部１７と、学習ベクトルＶと特徴ベクトルＡの内積ＶTＡを求める内積演算部１８と、内積ＶTＡを所定の閾値θと比較し、θ≦ＶTＡのときに音声区間と判定する第１の閾値判定部１９が備えられており、第１の閾値判定部１９の判定結果Ｄ１を音声区間決定部３００に供給するようになっている。
【００５０】
尚、内積ＶTＡは学習ベクトルＶと特徴ベクトルＡの方向情報を保持したスカラー量、すなわち正又は負値となるスカラー量であり、特徴ベクトルＡが学習ベクトルＶと同じ方向の場合には正値（０≦ＶTＡ）、特徴ベクトルＡが学習ベクトルＶと逆方向の場合には負値（０＞ＶTＡ）となる。かかる関係から、本実施形態では、θ＝０としている。
【００５１】
第２の検出部２００は、閾値生成部２０と第２の閾値判定部２１を備えて構成されている。
【００５２】
閾値生成部２０は、本音声認識システムに備えられている発話開始スイッチ（図示省略）を発話者がオン操作して、実際に発話を開始するまでの所定期間（非音声期間）内に、ＬＰＣケプストラム演算部１７で求められる予測残差パワーεの時間平均値ε’を求めると共に、予め決められた所定値αを時間平均値ε’に加算することによって閾値ＴＨＤ（＝ε’＋α）を求める。
【００５３】
第２の閾値判定部２１は、非音声期間の経過後、ＬＰＣケプストラム演算部１７で求められる予測残差パワーεと閾値ＴＨＤとを比較し、ＴＨＤ≦εとなったときを音声区間と判定し、その判定結果Ｄ２を音声区間決定部３００に供給する。
【００５４】
音声区間決定部３００は、第１の検出部１００から判定結果Ｄ１が供給されるときと、第２の検出部２００から判定結果Ｄ２が供給されるときを、入力音声Ｓaの音声区間τと決定する。すなわち、θ≦ＶTＡ又はＴＨＤ≦εのいずれか一方の条件が満足されるときを音声区間τと決定し、更に非音声区間に挟まれた時間的に短い音声区間を非音声区間に変更し、音声区間に挟まれた時間的に短い非音声区間を音声区間に変更し、その決定結果Ｄ３を音声切り出し部４００に供給する。
【００５５】
音声切り出し部４００は、上記の決定結果Ｄ３に基づいて、フレーム化部１６より供給されるフレーム単位の入力音声データＳafから、認識対象とする入力音声データＳvcをフレーム単位で切り出してケプストラム演算部１２へ供給する。
【００５６】
そして、ケプストラム演算部１２は、フレーム単位で切り出された入力音声データＳvcからケプストラム領域での観測値系列を生成し、更に認識部１１が観測値系列と音声ＨＭＭ１０との照合を行うことで、音声認識の処理を行う。
【００５７】
このように本実施形態の音声認識システムによれば、第１の検出部１００が無声音の音声区間を正しく検出し、第２の検出部１００が有声音の音声区間を正しく検出することになる。
【００５８】
すなわち、第１の検出部１００は、学習用の無声音データＳcに基づいて予め作成しておいた無声音の学習ベクトルＶと実際の発話によって生じる入力音声データＳaの特徴ベクトルとの内積を求め、得られた内積値が閾値θ＝０より大きな値（すなわち、正値）となったときを主として入力音声データＳa中の無声音の区間と判断することになる。第２の検出部２００は、予め非音声期間の予測残差パワーに基づいて求めた閾値ＴＨＤと実際の発話によって生じる入力音声データＳaの予測残差パワーεとを比較し、ＴＨＤ≦εとなったときを主として入力音声データＳa中の有声音の区間と判断することになる。
【００５９】
すなわち、第１の検出部１００の処理を行うと、比較的パワーの小さな無声音を高精度で検出することが可能となり、第２の検出部２００の処理によると、比較的パワーの大きな有声音を高精度で検出することが可能となる。
【００６０】
そして、音声区間決定部が第１，第２の検出部１００，２００の判定結果Ｄ１，Ｄ２に基づいて音声区間（有声音又は無声音の区間）を最終的に決定し、その決定結果Ｄ３に基づいて、音声認識の対象とすべき入力音声データＤvcを切り出すので、音声認識の精度向上を図ることができる。
【００６１】
尚、図１に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００６２】
しかし、本発明はこれに限定されるものではない。内積部１８と閾値判定部１９によって音声区間の判断を行う第１の検出部１００を備えておき、第２の検出部２００を省略する構成とし、音声区間決定部３００は判定結果Ｄ１に基づいて音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００６３】
（第２の実施の形態）
次に、第２の実施形態の音声認識システムを図２に基づいて説明する。尚、図２中、図１と同一又は相当する部分を同一符号で示している。
【００６４】
図２において、第１の実施形態との相違点を述べると、本実施形態の音声認識システムには、内積演算部２２と第３の閾値判定部２３とを有する誤判定制御部５００が設けられている。
【００６５】
内積演算部２２は、本音声認識システムに備えられている発話開始スイッチ（図示省略）を発話者がオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が求めた特徴ベクトルＡと、学習ベクトル生成部１５が予め求めた無声音の学習ベクトルＶとの内積を求める。すなわち、実際に発話が行われる以前の非音声期間内に、学習ベクトルＶと特徴ベクトルＡとの内積ＶTＡを求める。
【００６６】
第３の閾値判定部２３は、予め決められている閾値θ’（＝０）と内積演算部２２が求めた内積ＶTＡとを比較し、１フレームでもθ’＜ＶTＡとなった場合には、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴを供給する。すなわち、第３の閾値判定部２３は、非音声期間内に求められた学習ベクトルＶと特徴ベクトルＡとの内積ＶTＡが、閾値θ’より大きな値（正値）となった場合には、非音声期間の経過後に発話者が実際に発話しても、内積演算部１８に内積演算の処理を行わせないようになっている。
【００６７】
この結果、内積演算部１８が制御信号ＣＮＴに従って内積演算の処理を停止すると、第１の閾値判定部１９も音声区間の検出処理を実質的に停止し、判定結果Ｄ１が音声区間決定部３００に供給されなくなる。つまり、音声区間決定部３００は、第２の検出部２００から供給される判定結果Ｄ２に基づいて、音声区間を最終的に判定する。
【００６８】
かかる構成を有する本実施形態によれば次の効果が得られる。第１の検出部１００は、無声音のスペクトルは高周波域で高くなり、背景雑音のスペクトルは低周波域で高くなるという両者の特徴を識別することを前提として音声区間の検出を行うものである。したがって、上記の誤判定制御部５００を備えることなく、第１の検出部１００だけで内積演算の処理をした場合でも、例えば自動車の車室内等においてＳＮ比が低く走行雑音が支配的な背景下では、音声区間の検出精度の向上を図ることができる。
【００６９】
しかし、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下では、内積演算部１８のみの処理では雑音区間を音声区間と誤判定する可能性が高くなるという問題を生じる。
【００７０】
これに対し、誤判定制御部５００では、内積演算部２２が実際に発話のなされる以前の非音声期間、すなわち背景雑音だけが生じている期間に得られる特徴ベクトルＡと無声音の学習ベクトルＶとの内積ＶTＡを求め、第３の閾値判定部２３がθ’＜ＶTＡの関係が成立するか否か調べることで背景雑音のスペクトルが高域で高くなっているか否かを判定し、背景雑音のスペクトルが高域で高くなっていると判定したときには、第１の内積演算部１８の処理を停止させるようにしている。
【００７１】
したがって、誤判定制御部５００を備えた本実施形態によれば、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下では、例えば、子音の検出誤り（誤検出）を生じるような事象を回避することができるという効果が得られ、ひいては、音声認識率を向上させるように音声区間の検出を行うことが可能となる。
【００７２】
尚、図２に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００７３】
しかし、本発明はこれに限定されるものではない。第２の検出部２００を省略することにし、音声区間決定部３００は、第１の検出部１００と誤判定制御部５００によって求められる判定結果Ｄ１に基づいて、音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００７４】
（第３の実施の形態）
次に、第３の実施形態の音声認識システムを図３に基づいて説明する。尚、図３中、図２と同一又は相当する部分を同一符号で示している。
【００７５】
図３に示す本実施形態と図２に示した第２の実施形態との相違点を述べると、第２の実施形態の音声認識システムでは、図２に示したように、学習ベクトルＶと実際に発話がなされる前の非音声期間内にＬＰＣケプストラム演算部１７が求めた特徴ベクトルＡとの内積ＶTＡを求め、その内積がθ’＜ＶTＡのときには、内積演算部１８の処理を停止することで、音声区間の誤判定を回避することとしている。
【００７６】
これに対し本実施形態では、図３に示すように、誤判定制御部６００が備えられており、実際に発話がなされる前の非音声期間内にＬＰＣケプストラム演算部１７が求めた予測残差パワーεに基づいて、誤判定制御部６００内の第３の閾値判定部２４が音声区間の誤判定を回避するための判定処理を行い、制御信号ＣＮＴに基づいて第１の内積演算部１８を制御する構成となっている。
【００７７】
すなわち、第３の閾値判定部２４は、発話者が発話開始スイッチ（図示省略）をオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が背景音の予測残差パワーεを求めると、その予測残差パワーεの時間平均値ε’を求め、時間平均値ε’と予め決められている閾値ＴＨＤ’とを比較し、ε’＜ＴＨＤ’のときには、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴを供給する。つまり、第３の閾値判定部２４は、ε’＜ＴＨＤ’となった場合には、非音声期間の経過後に発話者が実際に発話しても、内積演算部１８に内積演算の処理を行わせないようになっている。
【００７８】
尚、比較的静寂な環境下で得られる予測残差パワーε0を基準（０ｄＢ）とし、それより０ｄＢ〜５０ｄＢ高い値を上記の閾値ＴＨＤ’に設定している。
【００７９】
かかる構成を有する本実施形態によっても、上記第２の実施形態と同様に、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下でも、音声区間の検出精度の維持を実現することができ、ひいては、音声認識率を向上させるように音声区間の検出を行うことが可能となる。
【００８０】
尚、図３に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００８１】
しかし、本発明はこれに限定されるものではない。第２の検出部２００を省略することにし、音声区間決定部３００は、第１の検出部１００と誤判定制御部６００によって求められる判定結果Ｄ１に基づいて、音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００８２】
（第４の実施の形態）
次に、第４の実施形態の音声認識システムを図４に基づいて説明する。尚、図４中、図２と同一又は相当する部分を同一符号で示している。
【００８３】
図４に示す本実施形態は、上記第２の実施形態（図２参照）に示した誤判定制御部５００と第３の実施形態（図３参照）に示した誤判定制御部６００との機能を併せ持った誤判定制御部７００が設けられており、この誤判定制御部７００は、内積演算部２５と、閾値判定部２６，２８と、切替え判定部２７を備えて構成されている。
【００８４】
内積演算部２５は、本音声認識システムに備えられている発話開始スイッチ（図示省略）を発話者がオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が求めた特徴ベクトルＡと、学習ベクトル生成部１５が予め求めた無声音の学習ベクトルＶとの内積ＶTＡを求める。
【００８５】
閾値判定部２６は、予め決められている閾値θ’（＝０）と内積演算部２５が求めた内積ＶTＡとを比較し、１フレームでもθ’＜ＶTＡとなった場合には、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴ１を生成して出力する。
【００８６】
閾値判定部２８は、発話者が発話開始スイッチ（図示省略）をオン操作して実際に発話を開始するまでの非音声期間内に、ＬＰＣケプストラム演算部１７が背景音の予測残差パワーεを求めると、その予測残差パワーεの時間平均値ε’を求め、時間平均値ε’と予め決められている閾値ＴＨＤ’とを比較し、ε’＜ＴＨＤ’のときには、内積演算部１８に対して内積演算を停止させるための制御信号ＣＮＴ２を生成して出力する。
【００８７】
切替え判定部２７は、閾値判定部２６，２７から上記制御信号ＣＮＴ１，ＣＮＴ２のいずれか一方が供給されると、それらの制御信号ＣＮＴ１又はＣＮＴ２を制御信号ＣＮＴとして第１の内積演算部１８に供給することにより、内積演算の処理を停止させる。
【００８８】
したがって、非音声期間内に求められた学習ベクトルＶと特徴ベクトルＡとの内積ＶTＡが、１フレームでもθ’＜ＶTＡとなった場合、または、非音声期間内に求められた予測残差パワーεの時間平均値ε’が、ε’＜ＴＨＤ’となった場合には、非音声期間の経過後に発話者が実際に発話しても、内積演算部１８に内積演算の処理を行わせないようになっている。
【００８９】
尚、比較的静寂な環境下で得られる予測残差パワーε0を基準（０ｄＢ）とし、それより０ｄＢ〜５０ｄＢ高い値を上記の閾値ＴＨＤ’に設定している。また、閾値θ’は、θ’＝０に設定されている。
【００９０】
かかる構成を有する本実施形態によっても、上記第２，第３の実施形態と同様に、ＳＮ比が高くなって背景雑音のスペクトルが高域で高くなるような背景下では、音声認識率を向上させるように音声区間の検出を行うことが可能となるという効果が得られる。
【００９１】
尚、図４に示した本実施形態の構成では、閾値判定部１９の判定結果Ｄ１と閾値判定部２１の判定結果Ｄ２に基づいて、音声区間決定部３００が音声区間を示す決定結果Ｄ３を出力するようになっている。
【００９２】
しかし、本発明はこれに限定されるものではない。第２の検出部２００を省略することにし、音声区間決定部３００は、第１の検出部１００と誤判定制御部７００によって求められる判定結果Ｄ１に基づいて、音声区間を示す決定結果Ｄ３を出力するようにしてもよい。
【００９３】
尚、以上に説明した第１〜第４の実施形態の音声認識システムでは、図１中の構成要素８〜１２に示すように、音声認識の処理を行う際、音の特性をマルコフモデルで記述する方法（すなわち、ＨＭＭ法）を用いている。
【００９４】
しかし、上記の各構成要素１００，２００，３００，４００，５００，６００，７００によって構成されている各実施形態の音声切り出し手段、すなわち、入力音声データＳafから認識対象とする入力音声データＳvcをフレーム単位で切り出すための手段は、ＨＭＭ法にのみ適応可能というものではなく、他の音声認識の処理方法にも適用することができる。例えば、動的計画法（dynamic programming：ＤＰ）を適用したＤＰマッチング法にも適用することが可能である。
【００９５】
【発明の効果】
以上説明したように本発明の音声認識システムによれば、無声音に基づいて予め作成しておいた学習ベクトルと実際の発話によって生じる入力音声の特徴ベクトルとの内積の値が所定の閾値より大きくなるとき、又は、非音声期間の予測残差パワーに基づいて求めた閾値と実際の発話によって生じる入力音声の予測残差パワーとを比較しその閾値より予測残差パワーが大きくなるときの何れかの場合を声音区間とすることとしたので、音声認識の対象とすべき有声音と無声音を適切に求めることができる。
【００９６】
また、非音声期間内に生じる背景音の特徴ベクトルと学習ベクトルの内積の値が所定値以上になる場合、又は、非音声期間内に生じる入力音声の線形予測残差パワーが所定値以下になる場合、又は、これら両者の場合に、入力音声の特徴ベクトルとの内積の値に基づいて音声区間の検出を行わず、実際の発話によって生じる入力音声の予測残差パワーが所定閾値より大きくなるときを声音区間とすることとしたので、ＳＮ比が高くなって背景音のスペクトルが高域で高くなるような背景下での音声区間の検出精度を向上させることができる。
【図面の簡単な説明】
【図１】第１の実施形態の音声認識システムの構成を示すブロック図である。
【図２】第２の実施形態の音声認識システムの構成を示すブロック図である。
【図３】第３の実施形態の音声認識システムの構成を示すブロック図である。
【図４】第４の実施形態の音声認識システムの構成を示すブロック図である。
【図５】無音声データの学習ベクトルから求めたスペクトル包絡を示す特性図である。
【図６】従来の残差パワー法を適用した音声区間検出部の構成を示すブロック図である。
【図７】従来の部分空間法を適用した音声区間検出部の構成を示すブロック図である。
【図８】音声と走行雑音のスペクトル包絡を示す特性図である。
【符号の説明】
１３…無声音データベース
１４，１７…ＬＰＣケプストラム演算部
１５…学習ベクトル生成部
１６…フレーム化部
１８，２２，２５…内積演算部
１９，２１，２３，２４，２６，２８…閾値判定部
２０…閾値生成部
２７…切替え判定部
１００…第１の検出部
２００…第２の検出部
３００…音声区間決定部
４００…音声切り出し部
５００，６００，７００…誤判定制御部
Claims (4)
- 音声認識の対象とする音声の区間を検出する音声区間検出手段を備えた音声認識システムであって、
前記音声区間検出手段は、
データベースに記憶されている無声音のデータに基づいて、予め無声音の特徴を学習ベクトルとして生成する学習ベクトル生成手段と、
非音声期間内に生じる入力音声の線形予測残差パワーに基づいて、音声と雑音とを識別するための閾値を生成する閾値生成手段と、
発話によって生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上となるときを音声区間と判定する内積値判定手段と、
前記発話によって生じる入力音声の線形予測残差パワーが前記閾値生成手段で生成された閾値より大きくなるときを音声区間と判定する線形予測残差パワー判定手段と、
前記内積値判定手段と線形予測残差パワー判定手段で判定される音声区間を、前記音声の区間として決定する音声区間決定手段と、
を備え、
前記音声区間決定手段により決定される音声の区間における前記入力音声を音声認識の対象とすること、
を特徴とする音声認識システム。 - 更に、前記非音声期間内に生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上になると、前記内積値判定手段の判定処理を停止させる誤判定制御手段を備え、
音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、
を特徴とする請求項１に記載の音声認識システム。 - 更に、前記非音声期間内によって生じる入力音声の線形予測残差パワーを演算する演算手段と、
前記演算手段が演算した前記線形予測残差パワーが所定値以下になると、前記内積値判定手段の判定処理を停止させる誤判定制御手段と、
を備え、
音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、
を特徴とする請求項１に記載の音声認識システム。 - 更に、前記非音声期間内によって生じる入力音声の線形予測残差パワーを演算する演算手段と、
前記非音声期間内に生じる入力音声の特徴ベクトルと前記学習ベクトルとの内積値を演算し、その内積値が所定値以上になるとき、または、前記非音声期間内に生じる入力音声の線形予測残差パワーが所定値以下になるときに、前記内積値判定手段の判定処理を停止させる誤判定制御手段と、
を備え、
音声区間決定手段は、前記誤判定制御手段により前記内積演算手段が停止されて前記音声区間の判定が停止された場合、前記線形予測残差パワー判定手段によって判定された音声区間を前記音声の区間として決定すること、
を特徴とする請求項１に記載の音声認識システム。
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000277024A JP4201470B2 (ja) | 2000-09-12 | 2000-09-12 | 音声認識システム |
| US09/948,762 US20020049592A1 (en) | 2000-09-12 | 2001-09-10 | Voice recognition system |
| DE60142729T DE60142729D1 (de) | 2000-09-12 | 2001-09-10 | Spracherkennungssystem |
| EP01307684A EP1189200B1 (en) | 2000-09-12 | 2001-09-10 | Voice recognition system |
| CNB011328746A CN1152366C (zh) | 2000-09-12 | 2001-09-12 | 声音识别系统 |
| US10/995,509 US20050091053A1 (en) | 2000-09-12 | 2004-11-24 | Voice recognition system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000277024A JP4201470B2 (ja) | 2000-09-12 | 2000-09-12 | 音声認識システム |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2002091467A JP2002091467A (ja) | 2002-03-27 |
| JP2002091467A5 JP2002091467A5 (ja) | 2005-10-27 |
| JP4201470B2 true JP4201470B2 (ja) | 2008-12-24 |
Family
ID=18762410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000277024A Expired - Fee Related JP4201470B2 (ja) | 2000-09-12 | 2000-09-12 | 音声認識システム |
Country Status (5)
| Country | Link |
|---|---|
| US (2) | US20020049592A1 (ja) |
| EP (1) | EP1189200B1 (ja) |
| JP (1) | JP4201470B2 (ja) |
| CN (1) | CN1152366C (ja) |
| DE (1) | DE60142729D1 (ja) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI114358B (fi) * | 2002-05-29 | 2004-09-30 | Nokia Corp | Menetelmä digitaalisessa verkkojärjestelmässä päätelaitteen lähetyksen ohjaamiseksi |
| US20050010413A1 (en) * | 2003-05-23 | 2005-01-13 | Norsworthy Jon Byron | Voice emulation and synthesis process |
| US20050058978A1 (en) * | 2003-09-12 | 2005-03-17 | Benevento Francis A. | Individualized learning system |
| KR100717396B1 (ko) | 2006-02-09 | 2007-05-11 | 삼성전자주식회사 | 로컬 스펙트럴 정보를 이용하여 음성 인식을 위한 유성음을판단하는 방법 및 장치 |
| JP4973731B2 (ja) * | 2007-07-09 | 2012-07-11 | 富士通株式会社 | 音声認識装置、音声認識方法、および、音声認識プログラム |
| US20090030676A1 (en) * | 2007-07-26 | 2009-01-29 | Creative Technology Ltd | Method of deriving a compressed acoustic model for speech recognition |
| KR100930060B1 (ko) * | 2008-01-09 | 2009-12-08 | 성균관대학교산학협력단 | 신호 검출 방법, 장치 및 그 방법을 실행하는 프로그램이기록된 기록매체 |
| JP5385810B2 (ja) * | 2010-02-04 | 2014-01-08 | 日本電信電話株式会社 | 線形分類モデルに基づく音響モデルパラメータ学習方法とその装置、音素重み付き有限状態変換器生成方法とその装置、それらのプログラム |
| KR102238979B1 (ko) * | 2013-11-15 | 2021-04-12 | 현대모비스 주식회사 | 음성 인식을 위한 전처리 장치 및 그 방법 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4592086A (en) * | 1981-12-09 | 1986-05-27 | Nippon Electric Co., Ltd. | Continuous speech recognition system |
| JPS58143394A (ja) * | 1982-02-19 | 1983-08-25 | 株式会社日立製作所 | 音声区間の検出・分類方式 |
| EP0127718B1 (fr) * | 1983-06-07 | 1987-03-18 | International Business Machines Corporation | Procédé de détection d'activité dans un système de transmission de la voix |
| JPS62169199A (ja) * | 1986-01-22 | 1987-07-25 | 株式会社デンソー | 音声認識装置 |
| US5276765A (en) * | 1988-03-11 | 1994-01-04 | British Telecommunications Public Limited Company | Voice activity detection |
| US5159637A (en) * | 1988-07-27 | 1992-10-27 | Fujitsu Limited | Speech word recognizing apparatus using information indicative of the relative significance of speech features |
| EP0381507A3 (en) * | 1989-02-02 | 1991-04-24 | Kabushiki Kaisha Toshiba | Silence/non-silence discrimination apparatus |
| JP3002204B2 (ja) * | 1989-03-13 | 2000-01-24 | 株式会社東芝 | 時系列信号認識装置 |
| JPH06332492A (ja) * | 1993-05-19 | 1994-12-02 | Matsushita Electric Ind Co Ltd | 音声検出方法および検出装置 |
| IN184794B (ja) * | 1993-09-14 | 2000-09-30 | British Telecomm | |
| WO1996034382A1 (en) * | 1995-04-28 | 1996-10-31 | Northern Telecom Limited | Methods and apparatus for distinguishing speech intervals from noise intervals in audio signals |
| US6084967A (en) * | 1997-10-29 | 2000-07-04 | Motorola, Inc. | Radio telecommunication device and method of authenticating a user with a voice authentication token |
| EP0953971A1 (en) * | 1998-05-01 | 1999-11-03 | Entropic Cambridge Research Laboratory Ltd. | Speech recognition system and method |
| US6615170B1 (en) * | 2000-03-07 | 2003-09-02 | International Business Machines Corporation | Model-based voice activity detection system and method using a log-likelihood ratio and pitch |
| US6542869B1 (en) * | 2000-05-11 | 2003-04-01 | Fuji Xerox Co., Ltd. | Method for automatic analysis of audio including music and speech |
-
2000
- 2000-09-12 JP JP2000277024A patent/JP4201470B2/ja not_active Expired - Fee Related
-
2001
- 2001-09-10 EP EP01307684A patent/EP1189200B1/en not_active Expired - Lifetime
- 2001-09-10 US US09/948,762 patent/US20020049592A1/en not_active Abandoned
- 2001-09-10 DE DE60142729T patent/DE60142729D1/de not_active Expired - Lifetime
- 2001-09-12 CN CNB011328746A patent/CN1152366C/zh not_active Expired - Fee Related
-
2004
- 2004-11-24 US US10/995,509 patent/US20050091053A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20050091053A1 (en) | 2005-04-28 |
| JP2002091467A (ja) | 2002-03-27 |
| CN1152366C (zh) | 2004-06-02 |
| DE60142729D1 (de) | 2010-09-16 |
| CN1343966A (zh) | 2002-04-10 |
| EP1189200A1 (en) | 2002-03-20 |
| US20020049592A1 (en) | 2002-04-25 |
| EP1189200B1 (en) | 2010-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11996097B2 (en) | Multilingual wakeword detection | |
| US8532991B2 (en) | Speech models generated using competitive training, asymmetric training, and data boosting | |
| JP4355322B2 (ja) | フレーム別に重み付けされたキーワードモデルの信頼度に基づく音声認識方法、及びその方法を用いた装置 | |
| EP2048655B1 (en) | Context sensitive multi-stage speech recognition | |
| JP4911034B2 (ja) | 音声判別システム、音声判別方法及び音声判別用プログラム | |
| JP4224250B2 (ja) | 音声認識装置、音声認識方法および音声認識プログラム | |
| JP4340685B2 (ja) | 音声認識装置及び音声認識方法 | |
| WO2010128560A1 (ja) | 音声認識装置、音声認識方法、及び音声認識プログラム | |
| JP4201470B2 (ja) | 音声認識システム | |
| JP3069531B2 (ja) | 音声認識方法 | |
| JP4201471B2 (ja) | 音声認識システム | |
| US11282495B2 (en) | Speech processing using embedding data | |
| JP2797861B2 (ja) | 音声検出方法および音声検出装置 | |
| JPH08211897A (ja) | 音声認識装置 | |
| EP1063634A2 (en) | System for recognizing utterances alternately spoken by plural speakers with an improved recognition accuracy | |
| US20090254335A1 (en) | Multilingual weighted codebooks | |
| JP2001175276A (ja) | 音声認識装置及び記録媒体 | |
| JP3457578B2 (ja) | 音声合成を用いた音声認識装置および音声認識方法 | |
| JP2798919B2 (ja) | 音声区間検出方式 | |
| Takahashi et al. | Isolated word recognition using pitch pattern information | |
| Herbig et al. | Adaptive systems for unsupervised speaker tracking and speech recognition | |
| JPH0635495A (ja) | 音声認識装置 | |
| JPH0713590A (ja) | 音声認識方式 | |
| JPH11288293A (ja) | 音声認識装置および記憶媒体 | |
| JPH0220900A (ja) | 音素判別方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050721 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050721 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080205 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080215 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080415 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080711 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080901 |
|
| 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: 20080930 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081007 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111017 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |