JP4282704B2

JP4282704B2 - 音声区間検出装置およびプログラム

Info

Publication number: JP4282704B2
Application number: JP2006263113A
Authority: JP
Inventors: 幸一山本; 聡典河村
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2006-09-27
Filing date: 2006-09-27
Publication date: 2009-06-24
Anticipated expiration: 2026-09-27
Also published as: CN101154378A; US8099277B2; JP2008083375A; US20080077400A1

Description

本発明は、入力された音響信号から音声の始端および終端を検出する音声区間検出装置およびプログラムに関する。

従来の音声区間検出方法（音声区間検出装置）では、２０〜４０ｍｓのフレーム毎に抽出した短時間パワー（以後、パワーと呼ぶ。）の包絡の立ち上がり／立ち下がりにより、音声区間の始終端を検出している。そして、このような音声区間の始終端の検出は、特許文献１に記載されているような有限状態オートマトン（ＦＳＡ：Finite State Automaton）を用いて行っている。

特許第３１０５４６５号公報

しかしながら、特許文献１に記載されている有限状態オートマトンによれば、始終端の検出にそれぞれ単一の時間制御パラメータを用いており、音声区間の正しい終端（正解終端）後に雑音が突発的に発生してしまったような場合には、この突発雑音のパワーの影響によって、検出される終端が正解終端より遅れて検出されるという問題が生じている。

なお、この対策としては、終端検出時間を正解終端から突発雑音までの時間長より短くする、という対策が考えられる。しかし、単純に終端検出時間を短くしてしまうと、例えば「さっぽろ」などのように促音を含むような単語を分割した区間として検出してしまう。つまり、語中の無音と発話終了後の無音の区別を行うことが出来ないという問題がある。

本発明は、上記に鑑みてなされたものであって、音声区間の正しい終端（正解終端）後に雑音が突発的に発生してしまったような場合においても、正確な音声終端を検出することを目的とする。

また、本発明は、音声認識の応答性を向上させることを目的とする。

上述した課題を解決し、目的を達成するために、本発明の音声区間検出装置は、入力された音響信号の特徴量を抽出する特徴抽出手段と、前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が始端検出時間長継続した場合に、当該区間の始端を音声区間の始端として検出する始端検出手段と、前記始端検出手段により前記音声区間の始端が検出された後、前記特徴抽出手段で抽出された特徴量が閾値を下回る区間が終端候補検出時間長継続した場合に、当該区間の始端を音声区間の終端候補として検出する終端候補検出手段と、前記終端候補検出手段により音声区間の終端候補が検出された後、終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が所定時間長継続しなかった場合に、当該終端候補を音声区間の終端として確定し、該終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が該所定時間長継続した場合に、前記終端候補を棄却する終端候補確定手段と、を備えた。

また、本発明のプログラムは、コンピュータを、入力された音響信号の特徴量を抽出する特徴抽出手段と、前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が始端検出時間長継続した場合に、当該区間の始端を音声区間の始端として検出する始端検出手段と、前記始端検出手段により前記音声区間の始端が検出された後、前記特徴抽出手段で抽出された特徴量が閾値を下回る区間が終端候補検出時間長継続した場合に、当該区間の始端を音声区間の終端候補として検出する終端候補検出手段と、前記終端候補検出手段により音声区間の終端候補が検出された後、終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が所定時間長継続しなかった場合に、当該終端候補を音声区間の終端として確定し、該終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が該所定時間長継続した場合に、前記終端候補を棄却する終端候補確定手段と、として機能させる。

本発明によれば、音声区間の正しい終端（正解終端）後に雑音が突発的に発生してしまったような場合においても、正確な音声終端を検出することができる、という効果を奏する。

また、本発明によれば、音声認識の応答性を向上させることができる、という効果を奏する。

以下に添付図面を参照して、この発明にかかる音声区間検出装置およびプログラムの最良な実施の形態を詳細に説明する。

［第１の実施の形態］
本発明の第１の実施の形態を図１ないし図４に基づいて説明する。図１は、本発明の第１の実施の形態にかかる音声区間検出装置１のハードウェア構成を示すブロック図である。本実施の形態の音声区間検出装置１は、概略的には、有限状態オートマトン（ＦＳＡ：Finite State Automaton）を用いて音声区間の始終端を検出するものである。

図１に示すように、音声区間検出装置１は、例えばパーソナルコンピュータであり、コンピュータの主要部であって各部を集中的に制御するＣＰＵ（Central Processing Unit）２を備えている。このＣＰＵ２には、ＢＩＯＳなどを記憶した読出し専用メモリであるＲＯＭ（Read Only Memory）３と、各種データを書換え可能に記憶するＲＡＭ（Random Access Memory）４とがバス５で接続されている。

さらにバス５には、各種のプログラム等を格納するＨＤＤ（Hard Disk Drive）６と、配布されたプログラムであるコンピュータソフトウェアを読み取るための機構としてＣＤ（Compact Disc）−ＲＯＭ７を読み取るＣＤ−ＲＯＭドライブ８と、音声区間検出装置１とネットワーク９との通信を司る通信制御装置１０と、各種操作指示を行うキーボードやマウスなどの入力装置１１と、各種情報を表示するＣＲＴ（Cathode Ray Tube）、ＬＣＤ（Liquid Crystal Display）などの表示装置１２とが、図示しないＩ／Ｏを介して接続されている。

ＲＡＭ４は、各種データを書換え可能に記憶する性質を有していることから、ＣＰＵ２の作業エリアとして機能してバッファ等の役割を果たす。

図１に示すＣＤ−ＲＯＭ７は、この発明の記憶媒体を実施するものであり、ＯＳ（Operating System）や各種のプログラムが記憶されている。ＣＰＵ２は、ＣＤ−ＲＯＭ７に記憶されているプログラムをＣＤ−ＲＯＭドライブ８で読み取り、ＨＤＤ６にインストールする。

なお、記憶媒体としては、ＣＤ−ＲＯＭ７のみならず、ＤＶＤなどの各種の光ディスク、各種光磁気ディスク、フレキシブルディスクなどの各種磁気ディスク等、半導体メモリ等の各種方式のメディアを用いることができる。また、通信制御装置１０を介してインターネットなどのネットワーク９からプログラムをダウンロードし、ＨＤＤ６にインストールするようにしてもよい。この場合に、送信側のサーバでプログラムを記憶している記憶装置も、この発明の記憶媒体である。なお、プログラムは、所定のＯＳ（Operating System）上で動作するものであってもよいし、その場合に後述の各種処理の一部の実行をＯＳに肩代わりさせるものであってもよいし、所定のアプリケーションソフトやＯＳなどを構成する一群のプログラムファイルの一部として含まれているものであってもよい。

このシステム全体の動作を制御するＣＰＵ２は、このシステムの主記憶として使用されるＨＤＤ６上にロードされたプログラムに基づいて各種処理を実行する。

次に、音声区間検出装置１のＨＤＤ６にインストールされている各種のプログラムがＣＰＵ２に実行させる機能のうち、本実施の形態の音声区間検出装置１が備える特長的な機能について説明する。

図２は、音声区間検出装置１の機能構成を示すブロック図である。図２に示すように、音声区間検出装置１は、音声区間検出プログラムに従うことにより、所定のサンプリング周波数で入力信号をＡ／Ｄ変換するＡ／Ｄ変換部２１と、Ａ／Ｄ変換部２１から出力されるディジタル信号をフレームに分割するフレーム分割部２２と、フレーム分割部２２で分割されたフレームからパワーを計算する特徴抽出手段である特徴抽出部２３と、特徴抽出部２３で得られたパワーを用いて音声の始終端を検出する有限状態オートマトン（ＦＳＡ）部２４と、ＦＳＡ部２４からの区間情報を用いて音声認識処理を行う音声認識部２５とを備えている。

ＦＳＡ部２４は、特徴抽出部２３で抽出された特徴量が閾値を超えた区間が一定時間継続した場合に、当該区間の始端を音声区間の始端として検出する始端検出手段２４１と、この始端検出手段２４１により音声区間の始端が検出された後、特徴抽出部２３で抽出された特徴量が閾値を下回る区間が一定時間継続した場合に、当該区間の始端を音声区間の終端として検出する終端検出手段２４２と、を備えている。また、終端検出手段２４２は、音声終端の候補点を検出する終端候補検出手段２４３と、この終端候補検出手段２４３で検出された終端候補点を音声終端として確定する終端候補確定手段２４４と、を備えている。

以下、処理の手順について説明する。まず、音声区間検出を行う入力信号がＡ／Ｄ変換部２１によってアナログ信号からディジタル信号に変換される。次に、フレーム分割部２２において、Ａ／Ｄ変換部２１で変換されたディジタル信号を長さ２０〜３０ｍｓ，間隔１０〜２０ｍｓ程度のフレームに分割する。このとき、フレーム化処理を行う窓関数としてハミング窓を用いてもよい。次に、特徴抽出部２３は、フレーム分割部２２で分割された各フレームの音響信号からパワーを抽出する。その後、ＦＳＡ部２４において特徴抽出部２３で抽出した各フレームのパワーを用いて音声の始終端を検出し、検出された区間について音声認識処理を行う。

ここで、ＦＳＡ部２４について詳述する。ＦＳＡ部２４の有限状態オートマトン（ＦＳＡ）は、図３に示すように、雑音状態、始端検出状態、終端候補検出状態、終端候補確定状態の４つの状態を有している。また、ＦＳＡ部２４の有限状態オートマトン（ＦＳＡ）は、音声の始終端の検出に、始端検出時間Ｔ_s、終端候補検出時間Ｔ_e1、終端候補確定時間Ｔ_e2を用いている。このようなＦＳＡ部２４のＦＳＡにおいては、観測されたパワーとあらかじめ設定した閾値との比較により状態間を遷移することになる。

図３に示すＦＳＡは、雑音状態を初期状態としており、入力信号から抽出したパワーが始端検出用の閾値である閾値１以上となった場合、雑音状態から始端検出状態に遷移する。始端検出状態では、パワーが閾値１以上となる区間が第１の時間長である始端検出時間Ｔ_s継続した場合、その区間の始端を音声の始端として確定し、終端候補検出状態に遷移する。ここで、始端検出時間Ｔ_sは、音声以外の突発雑音による誤動作を避けるため、１００ｍｓ程度に設定する。このとき、予め設定したオフセットを加えた位置を最終的な音声の始端位置としてもよい。つまり、オートマトンで検出された始端位置が処理開始位置からＴ秒後であった場合、それに始端オフセットＦ_sを加えたＴ＋Ｆ_s秒後を最終的な始端位置としても良い。始端オフセットＦ_sが負であった場合は過去に遡った位置を、正であった場合は未来に進んだ位置を最終的な音声の始端として確定することになる。音声区間検出を音声認識の前処理として使用する場合、音声区間検出の段階で発声の語頭を取りこぼしてしまうと、その後情報を回復することが出来ずに音声認識性能が劣化してしまう。そこで、始端検出では負のオフセット値を与えることにより、音声の始端を過去方向に広く検出している。これにより、音声始端の取りこぼしを防ぎ、音声認識精度の向上を図ることができる。始端検出状態において、パワーが閾値１を下回った場合には、初期状態である雑音状態に遷移する。以上が音声の始端を検出するための一連の処理である。

次に、音声の終端検出について説明する。終端候補検出状態では、終端検出のための閾値である閾値２を用いてＦＳＡの状態を遷移する。一般に、人の声は発声の後半になるにつれてその大きさは小さくなる。そこで、本実施の形態のように特徴量がパワーである場合には、閾値１＞閾値２のように設定しておくことで、始端および終端検出にとって最適な閾値設定が可能になる。また、その他の閾値の設定方法として、予め固定値で設定しておくのではなく、フレーム毎に適応的に変化させるようにしてもよい。終端候補検出状態では、パワーが閾値２を下回る区間が第２の時間長である終端候補検出時間Ｔ_e1以上継続した場合、その区間の始端を終端候補点とし、終端候補検出状態から終端候補確定状態に遷移する。この場合、候補点が検出された時点で後段の音声認識部２５に終端候補情報を伝達することにより、システム全体の応答性の改善を行うことができる。

終端候補確定状態では、状態遷移後、終端候補点から計測して終端候補確定時間Ｔ_e2経過する間、パワーが閾値２以上となる区間が始端検出時間Ｔ_s継続しなかった場合、終端候補点を音声の終端として確定する。それ以外の場合、つまりパワーが閾値２以上となる区間が始端検出時間Ｔ_s継続した場合は、終端候補検出状態で検出された終端候補点をキャンセルし、終端候補検出状態に遷移する。また、最終的に検出された音声区間長（終端時刻−始端時刻）が予め設定しておいた第３の時間長である最小音声区間長Ｔ_minよりも短かった場合、検出された区間は突発的な雑音である可能性が高いとして、検出された始端および終端位置をキャンセルし、雑音状態に遷移する。これにより、精度向上を図ることができる。発話の最小単位の目安として、最小音声区間長Ｔ_minは２００ｍｓ程度に設定しておく。

上述したように本実施の形態では、音声の終端検出に候補点検出時間および候補点確定時間の２つの時間継続長パラメータを用いている。ここで、終端候補検出状態は、促音などの語中の無音区間を含めて検出することを目的としている。そして、終端候補確定状態において終端候補検出状態で検出された候補点が促音などの語中の無音か発話終了後の無音のどちらかを判定している。

なお、終端候補検出時間Ｔ_e1は語中に含まれる無音区間（促音）以上の長さを目安として１２０ｍｓ程度、また終端候補確定時間Ｔ_e2は発話単位の切れ目を表す長さとして４００ｍｓ程度に設定しておく。

また、終端検出についても始端検出と同様に、終端オフセットＦ_eを加えた位置を最終的な音声終端位置として確定することも可能である。音声区間検出を音声認識の前処理として使用する場合、通常、終端検出には正のオフセット値を与える。これにより、発声語尾の取りこぼしを防ぎ、音声認識精度の向上を図ることができる。

このように本実施の形態によれば、音声の終端検出に候補点検出時間および候補点確定時間の２つの時間継続長パラメータを用いて、音声終端の候補点検出および候補点確定の２つの状態を持つことにより、図４に示すように音声区間の正しい終端（正解終端）後に雑音が突発的に発生してしまったような場合においても、図４に示すような状態遷移により正確な音声終端を検出することができる。つまり、本実施の形態によれば、語中の無音と発話終了後の無音の区別を行うことができる。

このようにして高性能な音声区間検出を実現することにより、例えば音声認識の前処理として使用した場合、音声認識性能を向上させることが可能になる。また、正確な終端検出を行うことにより、音声認識の処理対象となる余計なフレームを削除することが可能になるため、音声の応答速度だけでなく演算量を削減することもできる。

なお、本実施の形態では、フレーム毎の特徴量として短時間パワーを用いているが、これに限るものではなく、その他の特徴量を用いてもよい。例えば、特許文献１では、音声モデルおよび非音声モデルの尤度比を一定時間毎の特徴量として用いている。

［第２の実施の形態］
次に、本発明の第２の実施の形態を図５ないし図７に基づいて説明する。なお、前述した第１の実施の形態と同じ部分は同じ符号で示し説明も省略する。

本実施の形態は、音声の始端検出について候補点検出および候補点確定のように２つの状態を有するようにしたものである。

図５は、本発明の第２の実施の形態の音声区間検出装置１の機能構成を示すブロック図である。図５に示すように、本実施の形態の音声区間検出装置１は、音声区間検出プログラムに従うことにより、所定のサンプリング周波数で入力信号をＡ／Ｄ変換するＡ／Ｄ変換部２１と、Ａ／Ｄ変換部２１から出力されるディジタル信号をフレームに分割するフレーム分割部２２と、フレーム分割部２２で分割されたフレームからパワーを計算する特徴抽出部２３と、特徴抽出部２３で得られたパワーを用いて音声の始終端を検出する有限状態オートマトン（ＦＳＡ）部３０と、ＦＳＡ部３０からの区間情報を用いて音声認識処理を行う音声認識部２５とを備えている。

ＦＳＡ部３０は、特徴抽出部２３で抽出された特徴量が閾値を超えた区間が一定時間継続した場合に、その区間の始端を音声区間の始端として検出する始端検出手段３０１と、この始端検出手段３０１により音声区間の始端が検出された後、特徴抽出部２３で抽出された特徴量が閾値を下回る区間が一定時間継続した場合に、当該区間の始端を音声区間の終端として検出する終端検出手段３０２と、を備えている。また、始端検出手段３０１は、音声始端の候補点を検出する始端候補検出手段３０３と、この始端候補検出手段３０３で検出された始端候補点を音声始端として確定する始端候補確定手段３０４と、を備えている。

以下、処理の手順について説明する。まず、音声区間検出を行う入力信号がＡ／Ｄ変換部２１によってアナログ信号からディジタル信号に変換される。次に、フレーム分割部２２において、Ａ／Ｄ変換部２１で変換されたディジタル信号を長さ２０〜３０ｍｓ，間隔１０〜２０ｍｓ程度のフレームに分割する。このとき、フレーム化処理を行う窓関数としてハミング窓を用いてもよい。次に、特徴抽出部２３は、フレーム分割部２２で分割された各フレームの音響信号からパワーを抽出する。その後、ＦＳＡ部３０において特徴抽出部２３で抽出した各フレームのパワーを用いて音声の始終端を検出し、検出された区間について音声認識処理を行う。

ここで、ＦＳＡ部３０について詳述する。ＦＳＡ部３０の有限状態オートマトン（ＦＳＡ）は、図６に示すように、雑音状態、始端検出状態、終端候補検出状態、終端候補確定状態の４つの状態を有している。また、ＦＳＡ部３０の有限状態オートマトン（ＦＳＡ）は、音声の始終端の検出に、第１の時間長である始端候補検出時間Ｔ_s1、第４の時間長である始端確定時間Ｔ_s2、第２の時間長である終端検出時間Ｔ_eを用いている。このようなＦＳＡ部３０のＦＳＡにおいては、観測されたパワーとあらかじめ設定した閾値との比較により状態間を遷移することになる。

図６に示すＦＳＡは、雑音状態を初期状態としており、入力信号から抽出したパワーが始端検出用の閾値以上となった場合、始端候補検出状態に遷移する。ここで、パワーの閾値はあらかじめ固定値で設定しておくだけでなく、フレーム毎に適応的に変化させてもよい。

始端候補検出状態では、パワーが閾値以上となる区間が始端候補検出時間Ｔ_s1継続した場合、その区間の始端を音声の始端候補点として検出し、始端候補確定状態に遷移する。一方、始端候補検出状態においてパワーが閾値を下回った場合は、初期状態である雑音状態に遷移する。このとき、検出された始端候補点の情報を後段の音声認識部２５に伝達し、始端候補点が検出されたフレームから音声認識処理を開始する。

次に、始端候補確定状態では、パワーが閾値以上となる区間が始端候補点からカウントして始端候補確定時間Ｔ_s2継続した場合、その始端候補点を音声の始端として確定し、終端検出状態に遷移する。一方、始端候補確定状態においてパワーが閾値を下回った場合、検出された始端候補点のキャンセルおよび後段の音声認識処理の停止と初期化を行い、始端候補検出状態に遷移する。ここで、始端候補検出時間Ｔ_s1は、２０ｍｓ程度、始端候補確定時間Ｔ_s2は１００ｍｓ程度に設定する。

上述したように、始端検出について候補点の検出および確定といった構成をとり、候補点が検出された時点で後段の音声認識処理を開始することにより、図７に示すように、従来手法と比較して（Ｔ_s2−Ｔ_s1）ｍｓの応答時間を稼ぐことが可能になる。一般に、音声区間検出は音声認識などの前処理として使用されることが多く、検出された音声区間情報を後段の音声認識部２５に迅速に伝達することができれば、音声認識全体の応答性を向上させることが可能になる。なお、従来手法において始端検出時間Ｔ_sを単純に短くしてしまうと、突発雑音などの影響による始端の誤検出が増加する。

一方、終端検出状態では、パワーが閾値を下回る区間が終端検出時間Ｔ_e継続した場合、その区間の始端を音声の終端として検出し、その情報を後段の音声認識部２５に伝達する。音声認識部２５では、ＦＳＡ部３０で検出された始端から終端までのフレームについて音声認識のための特徴量抽出およびデコーダ処理を行う。

なお、本実施の形態では、始端についてのみ候補点を検出しているが、本発明の第１の実施の形態に示すような手法により終端についても候補点を検出することも可能である。

本発明の第１の実施の形態にかかる音声区間検出装置のハードウェア構成を示すブロック図である。音声区間検出装置の機能構成を示すブロック図である。有限状態オートマトン部の有限状態オートマトンの構成を示す状態遷移図である。観測されたパワー包絡と有限状態オートマトンの状態遷移の例を示すグラフである。本発明の第２の実施の形態の音声区間検出装置の機能構成を示すブロック図である。有限状態オートマトン部の有限状態オートマトンの構成を示す状態遷移図である。観測されたパワー包絡と有限状態オートマトンの状態遷移の例を示すグラフである。

符号の説明

１音声区間検出装置
２３特徴抽出手段
２４１始端検出手段
２４２終端検出手段
２４３終端候補検出手段
２４４終端候補確定手段
３０１始端検出手段
３０２終端検出手段
３０３始端候補検出手段
３０４始端候補確定手段

Claims

入力された音響信号の特徴量を抽出する特徴抽出手段と、
前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が始端検出時間長継続した場合に、当該区間の始端を音声区間の始端として検出する始端検出手段と、
前記始端検出手段により前記音声区間の始端が検出された後、前記特徴抽出手段で抽出された特徴量が閾値を下回る区間が終端候補検出時間長継続した場合に、当該区間の始端を音声区間の終端候補として検出する終端候補検出手段と、
前記終端候補検出手段により音声区間の終端候補が検出された後、終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が所定時間長継続しなかった場合に、当該終端候補を音声区間の終端として確定し、該終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が該所定時間長継続した場合に、前記終端候補を棄却する終端候補確定手段と、
を備えたことを特徴とする音声区間検出装置。
前記始端検出手段は、前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が前記始端検出時間長継続した場合に、当該区間の始端に負のオフセットを加えた位置を音声区間の始端とし、
前記終端候補検出手段は、前記特徴抽出手段で抽出された特徴量が閾値を下回る区間が終端候補検出時間長継続した場合に、当該区間の終端に正のオフセットを加えた位置を音声区間の終端候補とする、
ことを特徴とする請求項１記載の音声区間検出装置。
前記終端候補確定手段における前記所定時間長が前記始端検出時間長と同じ長さである、
ことを特徴とする請求項１または２記載の音声区間検出装置。
前記終端候補検出手段が、前記終端候補確定手段により終端候補が確定される前に該終端候補を音声認識部に伝達する、
ことを特徴とする請求項１ないし３のいずれか一記載の音声区間検出装置。
コンピュータを、
入力された音響信号の特徴量を抽出する特徴抽出手段と、
前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が始端検出時間長継続した場合に、当該区間の始端を音声区間の始端として検出する始端検出手段と、
前記始端検出手段により前記音声区間の始端が検出された後、前記特徴抽出手段で抽出された特徴量が閾値を下回る区間が終端候補検出時間長継続した場合に、当該区間の始端を音声区間の終端候補として検出する終端候補検出手段と、
前記終端候補検出手段により音声区間の終端候補が検出された後、終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が所定時間長継続しなかった場合に、当該終端候補を音声区間の終端として確定し、該終端候補確定時間長経過する前に前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が該所定時間長継続した場合に、前記終端候補を棄却する終端候補確定手段と、
として機能させるためのプログラム。
前記始端検出手段は、前記特徴抽出手段で抽出された特徴量が閾値以上となる区間が前記始端検出時間長継続した場合に、当該区間の始端に負のオフセットを加えた位置を音声区間の始端とし、
前記終端候補検出手段は、前記特徴抽出手段で抽出された特徴量が閾値を下回る区間が終端候補検出時間長継続した場合に、当該区間の終端に正のオフセットを加えた位置を音声区間の終端候補とする、
ことを特徴とする請求項５記載のプログラム。
前記終端候補確定手段における前記所定時間長が前記始端検出時間長と同じ長さである、
ことを特徴とする請求項５または６記載のプログラム。
前記終端候補検出手段が、前記終端候補確定手段により終端候補が確定される前に該終端候補を音声認識部に伝達する、
ことを特徴とする請求項５ないし７のいずれか一記載のプログラム。