JPH01158496A - 音声の特徴抽出方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は音声認識等に利用する音声の特徴抽出方式に関
し、更に詳述すればベクトル場のパターンを利用し、ま
たその方向別にボヵシ処理（ボケ処理ともいう）を施し
て、音声認識に利用する場合は高い認識率を得ることが
できる新規な方式を提供するものである。

〔従来技術〕

音声認識は、一般に、認識させるべき単語がら特徴を抽
出して得た音声の標準パターンを単語夫々に用意してお
き、認識対象として入力された音声から同様にして抽出
した特徴パターンと複数の標準パターンとを整合し、最
も類似性が高い標準パターンを求め、この標準パターン
に係る単語が入力されたものと判定する方式をとってい
る。そして、従来は上記特徴パターンとして、音声信号
を分析して得られる、時間軸を横軸、空間軸を縦軸とす
るスカラー場の時空間パターンそのものを用いていた。

このようなスカラー場の時空間パターンとしては、周波
数を空間軸とするスペクトルが代表的なものであり、こ
の他、ケフレンシーを空間軸とするケプストラム、ＰＡ
ＲＣＯＲ係数、ＬＳＰ係数、声道断面積関数等積々の時
空間パターンが用いられていた。

また、音声認識の分野において解決すべき課題の１つと
して多数話者又は不特定話者への対応があり、これには
１つの単語に多数の標準パターンを用意することで認識
率の向上を図っていた。更に、話者が同一であっても発
音速度が異なることがあり、このような場合にも対応で
きるように時間軸変動を吸収し得るＤＰマツチング法が
開発されていた。

〔発明が解決しようとする課題〕

スカラー場の時空間パターンそのものを特徴として用い
る従来の方式では、大語党又は不特定話者を対象とした
場合、必ずしも十分な認識率が得られておらず、たとえ
、上述の如く１つの単語に多数の標準パターンを用意し
たり、あるいはＤＰマツチング法を用いても、これらは
本格的な解決にはならなかった。

従って、大語党又は不特定話者を対象とした音声認識シ
ステムの実用化が停滞しているのである。

そこで、本発明者の１人は、特開昭６０−５９３９４号
公報及び「スペクトルベクトル場とスペクトルの音声認
識における有効性比較について」電子通信学会論文誌（
Ｄ）　Ｖｏｌ、　Ｊ６９−Ｄ、ｆｌｈｌ　Ｐ１７０４（
１９８６）において、時間−周波数の時空間パターンで
あるスカラー場のスペクトルを空間微分してスペクトル
ベクトル場パターンを得、このパターンを音声の特徴と
して用いる手法を提案した。

過去スペクトルの時空点の偏微分を特徴として用いた研
究はＴ、Ｂ、Ｍａｒｔｉｎによって為され、“Ｐｒａｃ
ｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｓ　ｏｆ　ｖｏｉｃ
ｅ　１ｎｐｕｔ　ｔｏ　ｍａｃｈｉｎｅｓ”　Ｐｒｏｃ
。

ＩＥＥＥ、６４−４（１９７６）に開示されている。し
かしながら、Ｔ、ＢｏＭａｒｔｉｎは時空間パターンｆ
（ｔ、ｘ）からａｆ　（ｔ、ｘ）／９ｔ、Ｊｆ（ｔ、ｘ
）／　；ｌｘを算出し、これによって各フレームについ
ての３２種類の音韻性を識別する関数を構成し、その結
果を３２個の２値で表現したものを単語単位の線形整合
に用いており、上述のスペクトルスカラー場からスペク
トルベクトル場を作成する手法とは異なっていた。

本発明は上述の手法を工学的観点から更に一歩進めて実
用化に適した改良を施した音声の特徴抽出方式を提供す
ることを主な目的とする。

また本発明は人語量を対象とする音声認識、不特定話者
を対象とする音声認識においても高い認識率が得られる
音声の特徴抽出方式を提供することを他の目的としてい
る。

〔課題を解決するための手段〕

本発明の基本的特徴は、音声信号を分析して時間軸と空
間軸とで規定されるスカラー場の時空間パターンを得、
該時空間パターンを用いて音声の特徴を抽出する音声の
特徴抽出方式において、前記時空間パターンを空間微分
することにより空間の各格子点で大きさ及び方向をもつ
ベクトル場パターンに変換し、該ベクトル場パターンの
ベクトルについて、その方向パラメータをＮ値（Ｎ：整
数）に量子化し、この量子化値を同じくするベクトル毎
に各々分離して、そのベクトルの大きさを各格子点の値
とじたＮ個の方向別２次元パターンを作成し、該方向別
２次元パターンの方向別に、時間軸及び／又は空間軸に
関してボカシ処理を施してなるパターンを音声の特徴と
して抽出するにある。

このボカシ処理は、男９女一方の性のみの音声の特徴を
抽出する場合は時間軸に関してのみ行えばよい。

男女両性の音声の特徴を抽出する場合は空間軸について
もボカシ処理を行うが、時間軸に関するボカシ処理を空
間軸に関するボカシ処理よりも積極的に行う。

〔作用〕

入力された音声信号は時間軸と空間軸とで規定されるス
カラー場の時空間パターンからベクトルの方向パラメー
タが量子化され、量子化された方向毎に分離された複数
の方向別２次元パターンに変換される。そしてこの方向
別２次元パターンはボカシ処理を施され方向性パターン
特徴の集積化が行われる。これによって音声の特徴の強
調と安定化が得られる。

この集積化は時空点（ｔ、ｘ）の一種の構造化を行うも
のである。すなわち、この構造化とはＮ枚の方向性パタ
ーンを統合して考えるとき、時空点（ｔ、ｘ）・には最
大Ｎ個のベクトルを付加することである（第６図参照）
。このことによる音声認識における効果は音韻性をより
よく表す特徴の形成とその安定な表現にあり、また音韻
性の特徴がある時空間区間のスペクトルの変化に対応し
ているとする。

この特徴は、まず微視的にスペクトルベクトル場で抽出
され、次に異なった方向区間にあるベクトルが独立した
特徴としてみなされた後にそれらが独立して各時空点に
集積される。方向ごとに独立し、ボカシのマスクパター
ン内で積分するとき、特徴の構造性が保たれたままでよ
り巨視的な特徴（広い時空間領域がつくる音声特徴）が
捉えられる。また、この特徴の集積が時空点（ｔ、ｘ）
ごとに行われるとすると、この音声特徴は特定の時空間
点のみに巨視的な特徴が形成されるのではな（、少しづ
つは異なるが広い（特に時間）領域にわたって安定に形
成されることとなる。

従ってこのボカシ処理による強調、安定化によって音韻
の区別化１話者の正規化が従来よりも高精度で行える。

〔実施例〕

以下本発明をその実施例を示す図面に基づいて詳述する
。

第１図は本発明方式を実施するための装置の構成を示す
ブロック図である。

この実施例では分析部２で音声信号をスペクトル分析し
てスカラー場の時空間パターンとして空間軸を周波数軸
とするスペクトルを用いる。

標準パターン作成のための音声の入力又はＬｙ２ｅｌｔ
対象の音声の入力はマイクロホン等の音声検出器及びＡ
／Ｄ変換器からなる音声入力部１によって行われ、これ
によって得られた音声信号は通過周波数帯域を夫々に異
にする複数チャネル（例えば１０〜３０）のバンドパス
フィルタを並列的に接続してなる分析部２に入力される
。分析部では、分析の結果、時空間パターンが得られ、
このパターンが単語区間切出部３によって認識単位の単
語ごとに区分されて特徴抽出部４へ与えられる。単語区
間切出部３としては従来から知られているものを用いれ
ばよい。

なお周波数帯域ごとに音声信号を分割する分析部２とし
て、以後の説明においては、上記した如くバンドパスフ
ィルタ群を用いることとするが、高速フーリエ変換器を
用いてもよい。

さて本発明方式は次に説明する特徴抽出部によって特徴
づけられる。特徴抽出部４への入カバターンは横軸を時
間軸、縦軸を周波数とする時空間パターンであり、単語
区間切出部３によって切出された第２図に示す時空間パ
ターンをｆ　（ｔ、ｘ）（但しｔはサンプリングの時刻
を示す番号、Ｘはバンドパスフィルタのチャネル番号又
は周波数帯域を特定する番号。１≦ｔ≦Ｔ、１≦Ｘ≦Ｌ
但しＴ、Ｌは夫々ｔ、ｘの最大値）と表す。

単語区間切出部３出力は特徴抽出部４の正規化部４１へ
入力され、正規化部４１は時間軸の線形正規化をする。

これは単語の長短、入力音声の長短等をある程度吸収す
るためであり、時間軸をＴフレームからＭフレーム（例
えば１６〜３２フレ一ム程度）にする。具体的にはＭ≦
Ｔの場合は、正規化した時空間パターンＦ（ｔ、ｘ）は
下記（１１式で求められる。

但し１≦ｔ≦Ｍ そして、ＭＡＴである場合は Ｆ　（ｔ、ｘ）　＝　ｆ　（ｊ、ｘ）　　　・＝（２１
但しｊ＝　（（Ｔ／Ｍ）　　・ｔ〕 但し〔〕はガウス記号を表す。

として１＝１〜Ｍまで計算すればよい。

第３図はこのようにして正規化した時空間パターンＦ（
ｔ、ｘ）を示す。

なお上記実施例は線形正規化の場合であるが、非線形正
規化を行う場合は例えばｆ（ｔ、ｘ）のスペクトルベク
トル場を次に説明するのと同様の方法で求め、このベク
トル場密度を一定とするベクトル場密度イコライゼイシ
ョン等を用いればよい。

正規化した時空間パターンはスペクトルベクトル場抽出
部４２において下記のようにしてスペクトルベクトル場
の抽出が行われる。このスペクトルベクトル場は第１表
に示す如き正規化された時空間パターンの各格子点（ｔ
、　ｘ）の８近傍の値を用いて算出される。

第１表 Ｘ　＝　Ｆ　（ｔ＋１．ｘ＋１）　＋２Ｆ（ｔ＋１．ｘ
）　＋　Ｆ　（ｔ＋１．ｘ−１）−Ｆ　（ｔ−１，ｘ＋
１）　−２Ｐ（ｔ−１，ｘ）　−Ｆ　（ｔ−１，ｘ−１
）　−（３）Ｙ　＝　Ｆ　（ｔ−１，ｘ＋１）　＋２Ｆ
（ｔ、ｘ＋１）　＋　Ｆ　（ｔ＋１．ｘ＋１）−Ｆ（ｔ
−１，ｘ−１）　−２Ｆ（ｔ、ｘ−１）　−Ｆ（ｔ＋１
．ｘ−１）　・・・（４）ｒ＝７Ｘ＋Ｙ　　・・・（５
） θ＝　　ｊａｎ−’　　□　　　　　・・・（６）とし
てＳ（ｒ、　　θ）で示されるのがスペクトルベクトル
場パターンである。

（３）〜（６）式について少し説明を加えるとＸは対象
データの時間軸方向の増分を周波数軸方向に重み付けを
して求めた値であり、時間軸方向の微分値、つまり時間
軸方向の変化指標と言うことができる。

Ｙは同様に周波数軸方向の微分値、つまり周波数軸方向
の変化指標と言うことができる。

これらの２つの指標を直交座標とするベクトル場におい
て、ｒはベクトルの大きさ、θはベクトルの方向を表す
。

次にこのスペクトルベクトル場パターンＳ　（ｒ。

θ）から方向別２次元パターン作成部４３において方向
別２次元パターンが作成される。即ち、先ず、ベクトル
場パターンの全ての格子点のベクトルについて、その方
向パラメータθをＮ値に量子化する。ここでスペクトル
ベクトル場の方向性パターンを作成する場合の最適な量
子化方向数Ｎの決定を考える。文献く“ベクトル場モデ
ルに基づく連続音声のセグメンテーションおよび音韻特
徴の抽出”音響学会音研資、　５８３−１０（１９８３
−５）岡　隆−〉に示されているようにスペクトルベク
トル場がスペクトルパワーの時空間的な定常、増加、減
少の様相を示すことから、これを考慮してＮを第７図（
ａｌ、　（ｂｌ、　（Ｃ１に示すような３つの場合、４
．８．１２にとり認識実験により最適なＮを選ぶことと
する。この図についての説明は後述する。男性１０人を
使用して９人で標準パターンを作り、残り１名を認識す
る実験を１０回繰り返すという話者に関するオープンの
認識実験を行う。特徴パラメータとして方向性パターン
を用いることになるが、それについてのボカシ処理は行
わない。この認識実験でＮが４．８．１２と異なる場合
の認識結果を表５に示す。表２の認識結果から、この認
識条件（男性１０人の発声した５３単語による話者オー
プンによる認識）ではＮを８程度に決めてよいことがわ
かる。

（以下余白） 第２表 第４図はＮ＝８の場合の量子化例を説明するための図で
あり、第３表のようにθとＮは対応する。

第３表 次に全ての格子点のベクトルから、方向の量子化値であ
るＮ値を同じくするベクトルを、Ｎ値毎に分離して各々
取り出し、そのベクトルの大きさを各格子点の値とした
Ｎ個の方向別２次元パターンＨ（ｊ＋Ｘ＋　θ）を作成
する。第５図がこの方向別２次元パターンの模式図であ
って、Ｎの値が該当する位置にのみｒが存在し、他の位
置は０となっている。（３１，（４１式から理解される
ようにＸ、Ｙの算出には８近傍が必要であるので、算出
されるＳ（ｒ、　　θ）は第３図におけるｔ＝１．ｔ＝
Ｍの列、及びｘ＝ｌ、ｘ＝Ｌの行については算出されな
い。

従ってこの方向別２次元パターンＨ（ｔ、ｘ、θ）では
時間軸方向はＭ−２列、周波数軸方向はＬ−２行となる
。

もちろん、Ｎの値は８に限るものではない。

このようにして得た方向別２次元パターンＨ（Ｌ　＋　
Ｘ　＋　θ）を音声認識におけるマツチングパターン情
報として用いてもよいが、本発明方式ではこの方向別２
次元パターンＨ（ｔ、ｘ、θ）をボカシ処理部５に与え
てボカシ処理を施すことでより高い認識率が得られる。

ボカシ処理は、処理対象のパターンを、その位置に応じ
て重みづけした９近傍のマスクパターンを乗することに
より行われ、ボカシ処理後の方向別２次元パターンを Ｈ（ｔ、ｘ、　　ｅ）とすると ・・・（７） として表すことができる。

ここにおいてωＪ　（ｊ・θ〜８）はボカシ処理のマス
クパターンであり、例えば下記（８）　（９１の如き値
を有し、中心のω。が処理対象データの位置に、またω
、〜ω、が８近傍位置のデータに対応する。

“時間 時間 また（αｊ、βｊ）ｊ・０〜８は第４表のとおりである
。

第４表 この（α４．β４）は、ω。を対応させる対象データの
位置、０１〜０日を、対応させる８近傍のデータの位置
を各特定するものである。

（８）、　（９）式の意味する処は時間軸方向のボカシ
処理を周波数軸方向のボカシ処理に比して積極的に行う
にある。

そして男性又は女性の一方の性のみの音声の特徴抽出を
行うのに用いる場合には（８）式のように周波数軸方向
のボカシ処理は行わず、男性１女性の両方の性の音声の
特徴抽出を行う場合は（９）式のように周波数軸方向の
ボカシ処理も少し行う。

ボカシ処理をすることで抽出した特徴はその抽出に用い
た音声固有の特徴の変動が小さくなったものとなる。つ
まり、話者が異なることや、発生速度の異なりによって
生ずる特徴の時空間的変動の安定化が図れるのである。

従ってこれを標準パターンとし、或いは未認識パターン
とする場合には音声認識率の向上が図れるのである。

然るところ方向性特徴は時間区間にわたって集積される
のが基本で、空間区間にわたっての集積は極めて小さい
ものとしなければ音韻性をよく表す特徴を形成しない。

これは、音声の発音器官のもつ生理的な拘束の強さと、
音声の発音における音韻性による動的変化自体の拘束の
強さとの相異に基因する。つまり、前者が後者より強い
ため、同性の間では空間軸内での方向性特徴の伝搬の力
は０に近く、異性間でもそれが０ではないが極めて小さ
いものとなっているからである。

従って、同性の場合は時間軸方向のボカシ処理のみによ
り、また、両性の場合は、時間軸方向のボカシ処理に加
え、周波数軸方向のボカシ処理をわずかに行うのである
。

なおボカシ処理は（７）式に従い複数回反復するのがよ
いが、一方の性のみの場合は（８）式に示されるように
時間軸のみのボカシ効果をもつボカシ処理を４〜８回程
度、両方の性の場合は（９）式に示されるように時間軸
へのボカシの重みの１７４〜１７１０程度の空間軸の重
みを同時にもつ時空間のボカシ処理を、それぞれ、４回
程度繰り返し行うことが適当である。

さて（８）式のマスクパターンを用いて１回ボカシ処理
を行うと、時空間平面の格子点（ｔ、ｘ）には格子点（
ｔ−１，ｘ）及び（ｔ＋１．ｘ）の情報が入ることにな
る。同様に格子点（ｔ−１，ｘ）には（ｔ−２，ｘ）、
（ｔ、ｘ）の情報が、また格子点（ｔ　＋　Ｌｘ）には
（ｔ、ｘ）　、（ｔ＋２．χ）の情報が入ることになる
。第８図はこの様子を模式的に示している。

従って２回目のボカシ処理には格子点（ｔ、ｘ）には格
子点（ｔ−２，ｘ）の元の情報を含む格子点（ｔ−１，
ｘ）の情報及び格子点（ｔ＋２．ｘ）の元の情報を含む
格子点（ｔ＋１．ｘ）の情報がはいってくることになる
。このため４回のボカシ処理を行うと格子点（ｔ−４，
ｘ）〜（ｔ＋４．ｘ）の情報が（ｔ、ｘ）に入ってくる
ことになる。この場合、勿論、各情報には重み付けの係
数が乗算される。

次に示すのは１回のボカシ処理を施すことにより、以上
の如き複数回のボカシ処理と略等価の結果が得られるマ
スクパターンである。このマスクパターンを第９図に示
す。そして前記パターン同様、各格子点の数値とマスク
パターンの数値との積の総和をマスクの数値の総和で除
した値をポカシ処理対象の格子点とするのである。即ち
先の説明のように時間軸についてだけボカシ処理を行う
場合、即ち同性のみを抽出対象とする場合はｍ＝０とし
、例えばｎ＝４とした第１０図の如き重み付けされたマ
スクパターンを用いる。この方式では１回のボカシ処理
を行うことでボカシ処理対象の格子点に左右４格子点の
情報が一度に入り先の方式の４回分のボカシ処理に相当
する効果が得られる。従って演算の高速化又はハードウ
ェアの節減が図れる。更に近似して第１１図の如き重み
付けしない、つまり重み値が総て１のマスクパターンを
用いても略同様の効果が得られ演算が一層簡素化される
。（９）式のように空間軸についてのボカシ処理も行う
場合、つまり男女両性を抽出対象とする場合はｍ≠０、
例えばｍｗｌ、ｎ＝４と゛　し第１２図のような重み付
けされたマスクパターンを用いればよい。この場合も、
近似した第１３図の如き重み付けしない、つまり重み値
が総て１のマスクパターンを用いて、略同様の効果を得
ることができる。更に、空間軸方向においてのみ重み付
けを行った第１４図の如きマスクパターンを用いること
もできる。このマスクパターンでは時間軸方向重み値を
総て１とし、空間軸方向をそれより小さいα、、　＝０
．２５としている。

第１５図は本発明方式を利用した線形マツチングに基づ
いた単語の音声認識装置のブロック図を示し、第１図と
対応する部分は同符号を付している。

分析部２は２０チヤネルのバンドパスフィルタからなり
、正規化部４１は時間軸に関して３２フレーム（フレー
ム間隔８ｍ秒）に線形正規化する。またＮの値は８とす
る。

予め各種単語について抽出した特徴は標準パターンとし
てこれを特定するデータと共に標準パターン格納部６へ
格納される。そして認識の際にはボカシ処理部５出力と
、標準パターン格納部６内の標準パターンの夫々とにつ
き計算部７において相関計算（距離計算でもよい）を行
い、相関値最大（又は距離最小）の標準パターンを特定
するデータを認識結果として出力する。

標準パターンを決定する場合には１つの単語について複
数回の入力を行って前述した如き処理を反復し、その平
均化したものを標準パターン格納部６へ格納する。

いま標準パターンを１　！　（ＬＬ　θ）とする。ここ
に１は単語を特定する番号である。

而して入力音声の認識の際はボカシ処理部５出力Ｈ（ｔ
＋ｘ＋　ｅ）を計算部７に与え、これとｌｌ（ＬＬ　θ
）との相関ρ（１−Ｈ）を（ＪＤ、（転）式に従って計
算する。

そうして最も大きな相関値ρを示したｌｌ（ｊ＋Ｘ＋　
θ）に対応する単語をＣＲＴデイスプレィ等の出力部８
から出力させる。

なお計算部７においては、標準パターンＩｉ　（Ｌｘ、
　θ）を計算しても良い。この計算は下記０階式による
。

Ｄ　（１，８） そして、この距離が最も小さい標準パターンに相当する
単語が入力単語として出力部８から出力される。

なお、上述の実施例では線形整合を行うこととしている
が、本発明方式はＤＰマツチングにも適用できる。

次に本発明の効果について説明する。ベクトル場の方向
別パターンによる認識を行う本発明についてボカシ処理
有と無との場合の夫々につき、線形マツチングによる方
法と、ＤＰマツチングによる方法との合計４とおりの方
法によって音声認識を行い、これを従来のスペクトラム
で認識する場合（線形、　ＤＰマツチングの両方）の結
果と比較した。

なおボカシ処理は（８）、　（９）のパターンによって
いる。

このような認識条件下で以下に記す話者条件でのオープ
ン実験を行った。なお、標準パターンは１単語につき１
つとした。

（ａ）　　男性１０名を使用し、９名で標準パターンを
作り、残り１名を認識する方法を１０名分繰返す。（男
性１０名×５３単語の話者オープン認識実験） （′ｂ）女性１０名を使用し、９名で標準パターンを作
り、残り１名を認識する方法を１０名分繰返す。（女性
１０名×５３単語の話者オープン認識実験） （Ｃ）　　男女１０名を使用し、１９名で標準パターン
を作り、残り１名を認識する方法を２０名分繰返す。（
男女２０名Ｘ５３単語の話者オープン認識実験） 第４表はその結果を示している。

（以　下　余　白） 第４表 （以　下　余　白） 以上の結果からみると本発明による場合はボカシ処理無
しでは従来方法と同等の効果が得られ、またボカシ有の
場合では線形マツチングでも、スペクトラム＋ＤＰマツ
チングの場合と比較して認識率に差がなく、計算時間（
ＣＰＵタイム）については本発明が短く、本発明による
場合はハードウェア化の面で極めて有利である。

〔効果〕

以上のように本発明による場合は不特定男女話者を対象
とする場合の単語認識においてスペクトラムの場合と比
較して高い認識率を示すことが明らかになった。また長
い計算時間を必要とするＤＰマツチングを使用しなくて
も、線形マツチングにより短い時間で同程度の高い認識
率が得られる。

これはハードウェア化の面で極めて有効である等、本発
明は優れた効果を奏する。

【図面の簡単な説明】

第１図は本発明方式を実施するための装置の構成を示す
ブロック図、第２図は時空間パターンの模式図、第３図
は正規化された時空間パターンを示す模式図、第４図は
ベクトル方向量子化の説明図、第５図は方向別２次元パ
ターンの模式図、第６図は時空点表現の説明図、第７図
はベクトル方向量子化の説明図、第８．９図はボカシ処
理の説明図、第１０〜１４図はマスクパターン図、第１
５図は本発明方式を利用した音声認識装置のブロック図
である。 ４・・・特徴抽出部　５・・・ボカシ処理部　４１・・
・正規化部　４２・・・スペクトルベクトル場抽出部　
４３・・・方向別２次元パターン作成部 特　許　出願人　工業技術院長　飯塚　幸三　外１名復
代理人並びに代理人　弁理士　　河　野　登　夫ｌ　　
　　　　　　　　　　　ｔ　　　　　　　　　　　　　
Ｔ時口 第　　２　　図 １　　　　　　　　ｔ　　　　　　　７時− 第　　３　　図 第　　４　　図 時開 第　　５　　図 第６図 第７図 第１０図 第１１図 第１２図 第１３図 第１４図

Claims (1)

1. 【特許請求の範囲】 １、音声信号を分析して時間軸と空間軸とで規定される
   スカラー場の時空間パターンを得、該時空間パターンを
   用いて音声の特徴を抽出する音声の特徴抽出方式におい
   て、前記時空間パターンを空間微分することにより空間
   の各格子点で大きさ及び方向をもつベクトル場パターン
   に変換し、該ベクトル場パターンのベクトルについて、
   その方向パラメータをＮ値（Ｎ：整数）に量子化し、こ
   の量子化値を同じくするベクトル毎に各々分離して、そ
   のベクトルの大きさを各格子点の値としたＮ個の方向別
   ２次元パターンを作成し、該方向別２次元パターンの方
   向別に、時間軸及び／又は空間軸に関してボカシ処理を
   施してなるパターンを音声の特徴として抽出することを
   特徴とする音声の特徴抽出方式。 ２、前記空間軸は周波数軸である請求項１記載の音声の
   特徴抽出方式。 ３、前記ボカシ処理は、男、女一方の性のみの音声の特
   徴抽出の場合、時間軸に関するボカシ処理のみを行う請
   求項１記載の音声の特徴抽出方式。 ４、前記ボカシ処理は、時間軸に関するボカシ処理を空
   間軸に関するボカシ処理よりも積極的に行う請求項１記
   載の音声の特徴抽出方式。 ５、前記空間軸方向のボカシ処理は、男、女両性の音声
   の特徴抽出の場合に、一方の性のみの音声の特徴抽出の
   場合に比してより積極的に行う請求項４記載の音声の特
   徴抽出方式。 ６、前記ボカシ処理は、各方向別２次元パターンの各格
   子点に対し、当該格子点に対応する中心点及びその８近
   傍より成る３×３の予め定められた重み値を有するマス
   クパターンをマスク演算する処理である請求項１記載の
   音声の特徴抽出方式。 ７、前記マスク演算を複数回繰り返す請求項６記載の音
   声の特徴抽出方式。 ８、前記ボカシ処理は、各方向別２次元パターンの各格
   子点に対し、当該格子点に対応する中心点を有すると共
   に当該中心点より時間軸の両方向に各々２格子点分以上
   の広がりをもち、予め定められた重み値を有するマスク
   パターンをマスク演算する処理である請求項１記載の音
   声の特徴抽出方式。 ９、前記重み値が総て“１”である請求項８記載の音声
   の特徴抽出方式。 １０、前記ボカシ処理は、各方向別２次元パターンの各
   格子点に対し、当該格子点に対応する中心点を有すると
   共に当該中心点より時間軸の両方向に各々２格子点分以
   上の広がりをもち、且つ当該中心点より空間軸の両方向
   に各々１格子分以上の広がりをもち、さらに予め定めら
   れた重み値を有するマスクパターンをマスク演算する処
   理である請求項１記載の音声の特徴抽出方式。 １１、前記マスクパターンの時間軸方向の広がりの方が
   空間軸方向の広がりより大きい請求項１０記載の音声の
   特徴抽出方式。 １２、前記マスクパターンの中心点及び時間軸方向の前
   記重み値は総て“１”であり空間軸方向の重み値が“１
   ”より小さい請求項１０記載の音声の特徴抽出方式。