JPH01169499A - 単語音声区間切出し方式 - 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】 〔概　要〕 単語音声区間切出し方式に関し、 子音が欠落しない単語音声区間切出し方式の提供を目的
とし、 音声の子音パワーを検出する子音パワー検出手段及び母
音パワーを検出する母音パワー検出手段及び、該子音パ
ワー検出手段にて検出した子音パワーを第１の所定レベ
ルと比較し、該母音パワー検出手段にて検出した母音パ
ワーを第２の所定レベルと比較し、何れかが所定レベル
より大きくなった状態が第１の所定時間連続した時の、
所定レベルより大きくなった点を始端とし、始端を検出
した後母音パワーが該第２の所定レベル以下の状態が第
２の所定時間連続した時の該第２の所定レベル以下とな
った点を終端として、単語音声を切出し出力する切出し
手段を設けた構成とする。

〔産業上の利用分野〕

本発明は、単語音声認識装置等における単語音声゛区間
切出し方式の改良に関する。

単語音声認識装置等では、入力する音より単語音声区間
を切出し、辞書に記憶されている単語音声と比較するこ
とで入力する単語音声の認識を行うようにしている。

この場合、第７図に示す如く、母音の第１ホルマント領
域としては０．２ＫＨｚ＝１．１ＫＨｚで、第２ホルマ
ント領域としては０．８ＫＨｚ〜３ＫＨｚであり、母音
の周波数帯域としては０゜２ＫＨｚから３ＫＨｚに渡る
。

一方子音の周波数帯域は母音より高い周波数の部分であ
り、特に摩擦音（ｓ、ｆ）の場合の周波数帯域は第８図
に示す如＜ＩＫＨｚ以上である。

又「さとう」の如く摩擦音と母音が連続する場合は、第
９図に示す如く、先に発生する子音領域でのレベル（音
声周波数帯域の各周波数におけるパワーの和の平均を求
めたもの）は−船釣に低い。

このような場合でも、単語音声区間を切り出すのに子音
を欠落しないことが望まれている。

〔従来の技術〕

単語音声認識装置等で単語音声区間を切り出す為に、単
語音声の始端、終端を求めるのに、従来は、「沖電気研
究開発、第１２８号、ＶＯＬ５２゜Ｎｏ、４の不特定話
者用１０語音声認識ＬＳＩＪに示す如く、以下説明する
方法で行っている。

始端検出の場合、単に音声の有無を検出する為に、音声
周波数帯域の各周波数におけるパワーの和の平均を求め
、これを音声パワーとし、この値が、単に、雑音等と区
別出来る程度に大きい所定レベル以上になった点を始端
とすると、周囲雑音等により一時的に電力が上がった時
誤検出することがあるので、４フレーム（４０ｍｓ）以
上所定レベル以上が連続した時、始めて所定レベルを越
えた点を始端としている。

終端検出の場合は、始端が検出された後、単に該所定レ
ベル以下になった点を終端とすると、単語音声の音素の
間には無音区間があり誤検出することがあるので、所定
レベル以下が８フレーム（８０ｍｓ）以上連続した時、
始めて所定レベル以下になった点を終端としている。

〔発明が解決しようとする問題点〕

しかしながら、摩擦音（調音構成による分類のｆ、ｓ等
）等の子音の場合は、さとう等の如（、続いて母音が発
声される場合が多い。

この場合、先に説明せる如く子音はレベルが低いので、
従来の単に音声の有無を検出する為に、音声周波数帯域
の各周波数におけるパワーの和の平均を求め、これを音
声パワーとし、この値が、単に、雑音等と区別出来る程
度に大きい所定レベル（第９図のａに示す闇値）と比較
する方式では、単語音声の切出し区間より子音が欠落す
ることがおこる問題点がある。

本発明は、単語音声区間を切り出すのに子音が欠落しな
い単語音声区間切出し方式の提供を目的としている。

〔問題点を解決するための手段〕

第１図は本発明の原理ブロック図である。

第１図に示す如く、音声の子音パワーを検出する子音パ
ワー検出手段ｌ及び母音パワーを検出する母音パワー検
出手段２を設ける。

又更に、該子音パワー検出手段１にて検出した子音パワ
ーを子音のを無を判定出来る第１の所定レベルと比較し
、該母音パワー検出手段２にて検出した母音パワーを母
音の有無を判定出来る第２の所定レベルと比較し、何れ
かが所定レベルより大きくなった状態が第１の所定時間
例えば４０ｍａｉｌ続した時の、所定レベルより大きく
なった点を始端とし、始端を検出した後母音パワーが該
第２の所定レベル以下の状態が第２の所定時間例えば２
００ｍｓ連続した時の該第２の所定レベル以下となった
点を終端として、単語音声を切出し出力する切出し手段
３を設けた構成とする。

〔作　用〕

本発明によれば、単語音声区間を切り出すのに、音声周
波数帯域の各周波数におけるパワーの和の平均を求め、
これを音声パワーとし、この値を、単に所定レベルと比
較するのでなく、比較的周波数の低い領域を母音領域と
し、比較的周波数の高い領域（母音の周波数成分を含む
こともある）を子音領域とし、各領域の各周波数におけ
るパワーの和の平均を求め、母音パワー、子音パワーと
し、（こうすると、母音が無く子音のみ有る場合子音パ
ワーとしては、音声周波数帯域の各周波数におけるパワ
ーの和の平均を求め、これを音声パワーとする場合より
大きくなる）以下説明の如くする。

単語音声の子音パワーが、子音の有無を判定する第１の
所定レベルより大きくなるか又は、母音パワーが母音の
有無を判定する第２の所定レベルより大きくなり、大き
くなっている状態が第１の所定時間例えば４０ｍｓ連続
した時、大きくなった点を始端とし、始端を検出してか
ら、単語音声の母音パワーが、母音の有無を判定する第
２の所定レベルより小さい状態が第２の所定時間例えば
２００ｍｓ連続した時、レベルが小さくなった点を終端
として、単語音声区間を切り出している。

即ち、始端を検出するのに、子音パワー、と母音パワー
と分離し、何れかが、所定レベル以上になっていること
が、第１の所定時間連続していることで行っているので
、単語音声区間を切り出すのに子音を欠落することはな
くなる。

〔実施例〕

第２図は本発明の実施例の単語音声区間切出し方式の機
能ブロック図、第３図は１例の音声分析部のブロック図
であり、（Ａ）は回路構成を示し、（Ｂ）はアナログ・
マルチプレクサの出力のフレームを示す。第４図は第２
図の単語音声区間切出し方式の詳細を示すプログラムの
フローチャート、第５図は第３図のバンドパスフィルタ
の特性図を示す。

先に説明せる如く、子音は周波数的特徴として母音に比
し比較的高音にピーク（ホルマント）が表れる。特に摩
擦音は顕著に表れる。

この特徴を利用し、本実施例では、子音のホルマントが
表れ易い、１．３ＫＨｚ〜３．１ＫＨｚの周波数区間の
各周波数におけるパワーの平均を求め、これを子音検出
用パワーとし、母音のホルマントが表れ易い１．３ＫＨ
ｚ以下の周波数区間の各周波数におけるパワーの平均を
求め、これを母音検出用パワーとし、これ等を夫々子音
の有無を検出するレベル、母音の有無を検出するレベル
、（本実施例の第６図の場合は何れも１０とした）と比
較し、何れかが大きくなっているのが４０ｍ５以上連続
している時最初に大きくなった点を始端とする。

そこで、第２図の音声分析部５としては、単語音声認識
装置等に使用する、第３図に示す如きバンドパス群を使
用するものを用いた。

第３図の場合は、第５図のバンドパスフィルタの特性図
に示す如き、中心周波数の異なる８個のバンドパスフィ
ルタ（以下ＢＰＦと称す）２１〜２８により、３００Ｈ
ｚ〜３４００Ｈｚの範囲の音声の周波数成分を検出する
ようにしている。

この場合ＢＰＦ２１〜２４は母音パワー検出用として３
００　Ｈｚ　〜１１００　Ｈｚの周波数範囲の特定周波
数成分のパワーを検出し、ＢＰＦ２５〜２８は子音パワ
ー検出用として１３００Ｈｚ〜３１００Ｈｚの周波数範
囲の特定周波数成分のパワーを検出するようにした。

検出された特定周波数成分のパワーは、整流回路３１〜
３８にて整流され直流となり、サンプル・ホールド回路
４１〜４８にて１０ｍｓ毎に各ＣＨ同時にホールドされ
、アナログ・マルチプレクサ４９にて多重化する。

そうすると、（Ｂ）に示す如き、ＢＰＦ２１〜２８にて
検出した夫々の成分のパワーをＣｌＴｌ−Ｃ１１Ｂとし
たフレームとなる。

この各ＣＩの値をアナログ・ディジタル変換器５０にて
ディジタル値に変換する。

マイクロ・プロセッサ５１はディジタル値に変換された
データを読み込みメモリ５２に記憶する。

尚このマイクロ・プロセッサ５！は、第２図の機能図に
示す、音声分析部５以降の動作もプログラムを用いて以
下に説明する如く行う。

メモリ５２に１０ｍｓ毎に記憶された各ＣＩのデータの
内、ＣＨ１〜ＣＨＡ迄のデータの和の平均を母音検出用
パワー計算部７にて計算し、母音検出用パワーとして始
端終端検出部９に入力し、ＣＨ５〜ＣＨＢ迄のデータの
和の平均を子音検出用パワー計算部６にて計算し、子音
検出用パワーとして始端検出部８に入力する。

始端検出部８では、子音検出用パワー計算部６にて計算
した値が、子音の有無を検出する所定の値ｅｌ（本実施
例の第６図の場合の１０）より４フレーム（４０ｍＳ）
以上連続して大きい時、最初のフレームの番号例えばＳ
ｌを始端終端判定部１０に送る。

又始端終端検出部９では、母音検出用パワー計算部７に
て計算した値が、母音の有無を検出する所定の値ｅ２（
本実施例の第６図の場合の１０）より４フレーム（４０
ｍ　ｓ　）以上連続して大きい時、最初のフレームの番
号例えばＳ２を始端終端判定部ｌＯに送る。

始端終端判定部１０では、フレーム番号Ｓｌ。

Ｓ２の内早い方のフレームを単語音声区間の始端とし音
声区間切出し部１１に送る。

又始端終端検出部９では、母音検出用パワー計算部７に
て計算した値が、母音の有無を検出する所定の値ｅ２よ
り２０フレーム（２００ｍｓ）以上連続して小さい時、
最初のフレームの番号例えば３１０を始端終端判定部１
０に送る。

始端終端判定部１０では、このフレーム番号Ｓ１０は、
始端を検出してから後で送られてきたかどうかを見、後
で送られてきているのでこれを終端と判定し音声区間切
出し部１１に送る。

音声区間切出し部１１では、第３図に示すメモＩＪ５２
に記憶されているフレームの８１を始端とし、Ｓ１０を
終端とし、この間のフレームを単語音声として出力する
。

尚終端検出の時、所定レベルｅ２より小さい時間を２０
フレーム（２００ｍ５）としたのは、単語音声の音素と
音素の間に無音期間があり２ｏフレ一ム位にしないと終
端を誤検出することがあるからである。

次に、第２図の内容を、第４図のプログラムのフローチ
ャートを用いて詳しく説明する。

ステップ１にて、第２図に示す音声分析部５よりの８Ｃ
ＨのＢＰＦの出力データ（第６図のＣＨ２＝ＣＨ８の列
に示す）Ｐｉ（ｉ＝１〜８）を得る。

次は、ステップ２にて、ＣＨＩ〜ＣＨ４のＢＰＦの出力
データ（第６図のＣＨＩ〜ＣＨ４の列に示す）より母音
の平均パワーＰＯＷ１＝１／４Σ４１１ノ Ｐｉを計算し、ステップ３にて、ＣＨ５〜ＣＨ８のＢＰ
Ｆの出力データ（第６図のＣＨ５〜ＣＨ８の列に示す）
より子音の平均パワーＰＯＷ２＝１「 ／４石、Ｐｉを計算し、ステップ４にて、フレーム番号
（第６図のフレーム番号の列に示す）を、次のフレーム
番号とし、ステップ５に進み、始端検出部でなければ、
ステップ６．１０に進む。

ステップ６では、ＰＯＷＩが闇値レベルｅ１（第６図の
場合は１０としである）より大きいか小さいかを比較し
、等しいか小さければ、ステップ７に進み、フレーム数
をカウントするカウンタＣＩの値を０とし■に帰る。

大きければ、ステップ８に進み、カウンタＣ１の値に１
を加え、ステップ９に進み、この値が４より大きいか小
さいかを見、小さければ■に帰り、大きいか等しければ
ステップ１４に進み、今のフレーム番号から４を引いた
番号のフレームを始端フレームとし、ステップ１５にて
始端検出完了として■に帰る。

ステップ１０にては、ＰＯＷ２が閾値レベルｅ２（第６
図の場合は１０としである）より大きいか小さいかを見
、等しいか小さければ、ステップ１１に進み、フレーム
数をカウントするカウンタＣ２の値を０とし■に帰る。

大きければ、ステップ８に進み、カウンタＣ２の値に１
を加え、ステップ１３に進み、この値が４より大きいか
小さいかを見、小さければ■に帰り、大きいか等しけれ
ばステップ１４に進み、今のフレーム番号から４を引い
た番号のフレームを始端フレームとし、ステップ１５に
て始端検出完了として■に帰る。

ステップ５にて始端検出部であれば、ステップ１６に進
み、始端フレームより８ＣＨ分のデータＰｉを順次記録
し、ステップ１７に進む。

ステップ１７ではＰＯＷＩが閾値ｅｌ（第６図の場合は
１０としである）より大きいか小さいかを見、等しいか
大きければ、ステップ１８に進み、フレーム数をカウン
トするカウンタＣ３の値を０とし■に帰る。

小さければ、ステップ１９に進み、カウンタＣ３の値に
１を加え、ステップ２０に進み、この値が２０より大き
いか小さいかを見、小さければ■に帰り、大きいか等し
ければステップ２１に進み、今のフレーム番号から２０
を引いた番号のフレームを終端フレームとし、ステップ
２２にて始端フレームより終端フレーム迄のデータを音
声区間として使用する。

この第４図のステップ１は第２図の音声分析部５の出力
に該当し、ステップ２は第２図の母音検出用計算部７に
該当し、ステップ３は第２図の子音検出用計算部６に該
当し、ステップ１０〜１３は第２図の始端検出部８に該
当し、ステップ６〜９．１６〜２０は第２図の始端終端
検出部９に該当し、ステップ４，１６．２２は第２図の
切出し部１１に該当し、ステップ５，１４，１５．２１
は第２図の始端終端判定部１０に該当する。

このようにして求めた、「さとう」の場合に付き、結果
を示すと第６図に示す如くで、従来の音声区間切出し方
法によるパワーは、第６図のその列に示す如くであり、
本発明の場合の母音切出しパワー、子音切出しパワーも
その列に示す如くであり、子音切出しパワーがフレーム
番号１０Ｇよりより大きい値となっている。

ここで従来の場合の音声検出及び本発明の母音検出、子
音検出の闇値レベルを１０とすると、従来の方法では、
フレーム番号１０８が音声の始端となるも、本発明の方
法では、フレーム番号１０６が音声の始端として検出さ
れ、子音の欠落を防ぐ効果が確認出来る。

尚終端は本発明の場合も、従来の方法の場合も同じフレ
ーム番号の１４８となった。

上記は、母音検出周波数区間として０．３５ＫＨｚ〜１
．１ＫＨｚとし、子音検出区間として１゜３ＫＨｚ〜３
．１ＫＨ２としたが、これに限ることはなく、例えば子
音検出周波数区間を１．３Ｋ）１　ｚ〜１０ＫＨｚ程度
としても良い。

〔発明の効果〕

以上詳細に説明せる如く本発明によれば、単語音声区間
を切り出す時、始端を検出するのに、子音、母音と分け
、何れかが、所定レベル以上となり、これが第１の所定
時間連続していることで行っているので、子音の欠落を
防ぐことが出来る効果がある。

【図面の簡単な説明】

第１図は本発明の原理ブロック図、 第２図は本発明の実施例の単語音声区間切出し方式の機
能ブロック図、 第３図は１例の音声分析部のブロック図、第４図は第２
図の単語音声区間切出し方式の詳細を示すプログラムの
フローチャート、 第５図は第３図のバンドパスフィルタの特性図、第６図
は本発明の実施例の「さとう」の場合の音声区間の切出
しを示す図、 第７図は日本語の母音のホルマント出現領域を示す図、 第８図は１例の摩擦音のスペクトルを示す図、第９図は
１例の子音母音が連続する場合のパワーを示す図である
。 図において、 １は子音パワー検出手段、 ２は母音パワー検出手段、 ３は切出し手段、 ５は音声分析部、 ６は子音検出用パワー計算部、 ７は母音検出用パワー計算部、 ８は始端検出部、 ９は始端終端検出部、 １０は始端終端判定部、 １１は音声区間切出し部、 ２０〜２８はバンドパスフィルタ、 ３０〜３８は整流回路、 ４０〜４８はサンプル・ホールド回路、４９はアナログ
・マルチプレクサ、 ５０はアナログ・ディジタル変換器、 ５１はマイクロ・プロセッサ、 ５２はメモリを示す。

Claims (1)

1. 【特許請求の範囲】 単語音声の始端、終端を求め、単語音声区間を切り出す
   に際し、 音声の子音パワーを検出する子音パワー検出手段（１）
   及び母音パワーを検出する母音パワー検出手段（２）及
   び、 該子音パワー検出手段（１）にて検出した子音パワーを
   第１の所定レベルと比較し、該母音パワー検出手段（２
   ）にて検出した母音パワーを第２の所定レベルと比較し
   、何れかが所定レベルより大きくなった状態が第１の所
   定時間連続した時の、所定レベルより大きくなった点を
   始端とし、始端を検出した後母音パワーが該第２の所定
   レベル以下の状態が第２の所定時間連続した時の該第２
   の所定レベル以下となった点を終端として、単語音声を
   切出し出力する切出し手段（３）を設けたことを特徴と
   する単語音声区間切出し方式。