JPH02205898A - 音声認識装置 - Google Patents
音声認識装置Info
- Publication number
- JPH02205898A JPH02205898A JP1026078A JP2607889A JPH02205898A JP H02205898 A JPH02205898 A JP H02205898A JP 1026078 A JP1026078 A JP 1026078A JP 2607889 A JP2607889 A JP 2607889A JP H02205898 A JPH02205898 A JP H02205898A
- Authority
- JP
- Japan
- Prior art keywords
- voice
- speech
- detected
- section
- recognition device
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 24
- 238000001228 spectrum Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
14分立
本発明は、音声認識装置に関する。
良米伎亙
音声認識装置の研究が活発に行なわれており、特定話者
や不特定話者等の方式がある。いずれの方式にしても、
音声区間が正しく切り出せることが正しい認識のための
必須の条件である。音声区間の切り出し方は、特公昭6
2−50837号公報に記載のものが知られている。こ
れは、閾値Aの決め方が重要で、低く設定するとM音に
よって信号のエネルギーが閾値を越え、音声区間切り出
し部で音声検出信号を出してしまう。一方、閾値Aを高
く設定すると、音声の冒頭が欠落してしまうことになる
。これを防ぐために、例えば、特開昭57−17719
7号公報や58−076899号公報等があり、これは
周囲の雑音のレベルによって閾値Aをどのように設定す
るかを示しているもので、前記の様な不具合が発生しに
くい閾値Aを決める訳であるが、雑音のレベルは時々刻
々と変化しているものであり、場合によっては雑音レベ
ルが変らなくとも発声者の声の大きさが小さくなってし
まえば正確な切り出しが8来な−くなってしまう欠点が
ある。
や不特定話者等の方式がある。いずれの方式にしても、
音声区間が正しく切り出せることが正しい認識のための
必須の条件である。音声区間の切り出し方は、特公昭6
2−50837号公報に記載のものが知られている。こ
れは、閾値Aの決め方が重要で、低く設定するとM音に
よって信号のエネルギーが閾値を越え、音声区間切り出
し部で音声検出信号を出してしまう。一方、閾値Aを高
く設定すると、音声の冒頭が欠落してしまうことになる
。これを防ぐために、例えば、特開昭57−17719
7号公報や58−076899号公報等があり、これは
周囲の雑音のレベルによって閾値Aをどのように設定す
るかを示しているもので、前記の様な不具合が発生しに
くい閾値Aを決める訳であるが、雑音のレベルは時々刻
々と変化しているものであり、場合によっては雑音レベ
ルが変らなくとも発声者の声の大きさが小さくなってし
まえば正確な切り出しが8来な−くなってしまう欠点が
ある。
又、他の方法として、特開昭57−148799号公報
のように、音声のエネルギーだけでなく音韻系列を分析
して正確な区間を切り出すものもあるが、音韻の分類と
いう厄介な演算をしなければならない。更に、特開昭5
8−56588号公報に示されているように、上記方法
で音声区間の始端を検出後、始点よりも50m%前へも
どす方法がある。これは声が小さく閾値が高い時に欠落
しやすい部分を補うものであるが、この50m秒の中に
は、必ずしも音声が含まれているとはIIjlらない。
のように、音声のエネルギーだけでなく音韻系列を分析
して正確な区間を切り出すものもあるが、音韻の分類と
いう厄介な演算をしなければならない。更に、特開昭5
8−56588号公報に示されているように、上記方法
で音声区間の始端を検出後、始点よりも50m%前へも
どす方法がある。これは声が小さく閾値が高い時に欠落
しやすい部分を補うものであるが、この50m秒の中に
は、必ずしも音声が含まれているとはIIjlらない。
ここに音声が含まれていない場合又は雑音が入っている
場合には認識精度を落とす欠点がある。
場合には認識精度を落とす欠点がある。
また、上記閾値Aを用いた場合の欠点を補うものとして
、第10図のようなものがある。これは音声区間内のエ
ネルギーを積分し、それを音声区間の時間長によって正
規化した結果がある値より大きければ良く、小さければ
使用者に声を大きく発声するように指示するものである
。しかしながら、第11図(a)のようなエネルギーの
小さい部分を持つ言葉と、そうでない第11図(b)の
ような言葉ではエネルギーの時間平均だけでは扱いにく
いという問題があった。例えば第11図(a)は「スト
ップ」のような単語では促音が含まれるため、大きい声
でしゃべっているのに声を大きくせよという指示が出た
り、一方、r目ノのような単語では第11図(b)のよ
うなタイプで。
、第10図のようなものがある。これは音声区間内のエ
ネルギーを積分し、それを音声区間の時間長によって正
規化した結果がある値より大きければ良く、小さければ
使用者に声を大きく発声するように指示するものである
。しかしながら、第11図(a)のようなエネルギーの
小さい部分を持つ言葉と、そうでない第11図(b)の
ような言葉ではエネルギーの時間平均だけでは扱いにく
いという問題があった。例えば第11図(a)は「スト
ップ」のような単語では促音が含まれるため、大きい声
でしゃべっているのに声を大きくせよという指示が出た
り、一方、r目ノのような単語では第11図(b)のよ
うなタイプで。
声が小さくて子音の/ m /が検出できなくても母音
/e/は/m/に比べて大きなエネルギーを持っている
ため音声区間の平均は閾値Aを下らないことが多く、そ
のため検出エラーを生じやすいという欠点があった。
/e/は/m/に比べて大きなエネルギーを持っている
ため音声区間の平均は閾値Aを下らないことが多く、そ
のため検出エラーを生じやすいという欠点があった。
且−一匁
本発明は、上述のごとき実情に鑑みてなされたもので、
音声の始端が発声者の声の大小にかかわらず正確に検出
されるようにしたもので、また、正しい音声区間の検出
を可能にするもので、その結果、認a!精度の高い音声
認識装置を提供することを目的としてなされたものであ
る。
音声の始端が発声者の声の大小にかかわらず正確に検出
されるようにしたもので、また、正しい音声区間の検出
を可能にするもので、その結果、認a!精度の高い音声
認識装置を提供することを目的としてなされたものであ
る。
復−一双
本発明は、上記目的を達成するために、音声を電気信号
に変換する音響−電気変換器により変換された信号から
音声に係る部分を抽出する音声区間検出部と、検出され
た信号を用いて音声を認識する認識部とを有する音声認
識装置において、音声区間の始点が検出された時点より
前へ音声の始点をずらすようにしたこと、更に、始点を
ずらした後に、音声区間検出部が検出した始点とずらし
て作った始点との間の信号を分析し、その分析結果に応
じて後の始点を移動させること、或いは。
に変換する音響−電気変換器により変換された信号から
音声に係る部分を抽出する音声区間検出部と、検出され
た信号を用いて音声を認識する認識部とを有する音声認
識装置において、音声区間の始点が検出された時点より
前へ音声の始点をずらすようにしたこと、更に、始点を
ずらした後に、音声区間検出部が検出した始点とずらし
て作った始点との間の信号を分析し、その分析結果に応
じて後の始点を移動させること、或いは。
音声を電気信号に変換する音響−[成度換器により変換
された信号から音声に係る部分を抽出する音声区間検出
部と、検出された信号を用いて音声を認識する認識部と
を有する音声認識装置において、音声区間検出部が検出
した音声の始点より一定時間航へ始点をずらし、該ずら
した区間内を分析しその区間の始点以外の部分に無音部
が検出された時、音声の始点をこの無音部の最後尾へ移
動させること、或いは、音声を電気信号に変換する音響
−電気変換器により変換された信号から音声に係る部分
を抽出する音声区間検出部と、検出された信号を用いて
音声を認識する認識部とを有する音声認識装置において
、音声区間検出部で検出された音声始点より前にデータ
を分析し、その分析結果に応じて使用者の発声の仕方を
指示するようにしたこと、或いは、マイクから入力され
た音声を補正し分析する補正・分析手段と、この分析に
より特徴量を抽出する抽出手段と、該特徴量を用いてす
でに登録されている辞書パターンに対して未知入力を認
識する認識手段と、前記特徴量又はその他の特徴量を用
いて発声された音声の音声区間の検出手段とを有する音
声認識装置において、音声の始端が決定された時点でそ
の始端から過去の特徴量を検索し、ある条件のもとに始
端を過去の点に戻して始端を補正すること、更に、固定
長のレジスタ群を有し、始端が決定されるまでそのレジ
スタをリング状に使用してデータを蓄積し、実時11で
決定された始端から過去の複数フレームを検索してデー
タを付加すること、更に、レジスタの値が存在する点を
始端としてデータを付加することを特徴としたものであ
る。以下1本発明の実施例に基づいて説明する。
された信号から音声に係る部分を抽出する音声区間検出
部と、検出された信号を用いて音声を認識する認識部と
を有する音声認識装置において、音声区間検出部が検出
した音声の始点より一定時間航へ始点をずらし、該ずら
した区間内を分析しその区間の始点以外の部分に無音部
が検出された時、音声の始点をこの無音部の最後尾へ移
動させること、或いは、音声を電気信号に変換する音響
−電気変換器により変換された信号から音声に係る部分
を抽出する音声区間検出部と、検出された信号を用いて
音声を認識する認識部とを有する音声認識装置において
、音声区間検出部で検出された音声始点より前にデータ
を分析し、その分析結果に応じて使用者の発声の仕方を
指示するようにしたこと、或いは、マイクから入力され
た音声を補正し分析する補正・分析手段と、この分析に
より特徴量を抽出する抽出手段と、該特徴量を用いてす
でに登録されている辞書パターンに対して未知入力を認
識する認識手段と、前記特徴量又はその他の特徴量を用
いて発声された音声の音声区間の検出手段とを有する音
声認識装置において、音声の始端が決定された時点でそ
の始端から過去の特徴量を検索し、ある条件のもとに始
端を過去の点に戻して始端を補正すること、更に、固定
長のレジスタ群を有し、始端が決定されるまでそのレジ
スタをリング状に使用してデータを蓄積し、実時11で
決定された始端から過去の複数フレームを検索してデー
タを付加すること、更に、レジスタの値が存在する点を
始端としてデータを付加することを特徴としたものであ
る。以下1本発明の実施例に基づいて説明する。
まず、第5図は、通常のパターンマツチングを利用した
音声認識装置のブロック図で、マイク12からの信号は
、音声区間検出部13でその音声区U■が検出され、マ
イクからの音声パターンと標4パターン15とが認識部
14において認識される。
音声認識装置のブロック図で、マイク12からの信号は
、音声区間検出部13でその音声区U■が検出され、マ
イクからの音声パターンと標4パターン15とが認識部
14において認識される。
第1図は、本発明による音声認識装置の一実施例を説明
するための祷成図で、同図は、第5図における音声区間
検出部の構成を示したもので1図中、1はマイク、2は
A/D変換部、3は第1のメモリー、4はエネルギー検
出部、5はレジスター 6は比較器、7は閾値A、8は
エネルギー検出部、9は比較器、10は閾値B、11は
結合部である。最初に音声を電気信号に変換する音響−
電気変換器により変換された信号から音声に係る部分を
抽出、する音声区間検出部と、検出された信号を用いて
音声を認識する認識部とを有する音声認識装置において
、音声区間の始点が検出された時点より前へ音声の始点
をずらすようにした点について以下に説明する。
するための祷成図で、同図は、第5図における音声区間
検出部の構成を示したもので1図中、1はマイク、2は
A/D変換部、3は第1のメモリー、4はエネルギー検
出部、5はレジスター 6は比較器、7は閾値A、8は
エネルギー検出部、9は比較器、10は閾値B、11は
結合部である。最初に音声を電気信号に変換する音響−
電気変換器により変換された信号から音声に係る部分を
抽出、する音声区間検出部と、検出された信号を用いて
音声を認識する認識部とを有する音声認識装置において
、音声区間の始点が検出された時点より前へ音声の始点
をずらすようにした点について以下に説明する。
マイク1からの信号をA/D変換器2でA/D変換して
順に第1のメモリー3に書き込んで行く。
順に第1のメモリー3に書き込んで行く。
この時あらかじめ特徴量に変換してから書き込んでも良
いし、書き込んだものを読み出して変換しても良い。こ
こで言う特徴量とはスペクトルやLPC等の分析結果を
指しており、その種類は特に限定するものではない。第
1のメモリー3には時間の経過に従って順にずらしなが
ら書き込み、端まで一杯になった時に再度先頭へ戻るよ
うなものである。メモリーに書き込むと同時にその信号
のエネルギーを検出して音声区間の検出を行なう。
いし、書き込んだものを読み出して変換しても良い。こ
こで言う特徴量とはスペクトルやLPC等の分析結果を
指しており、その種類は特に限定するものではない。第
1のメモリー3には時間の経過に従って順にずらしなが
ら書き込み、端まで一杯になった時に再度先頭へ戻るよ
うなものである。メモリーに書き込むと同時にその信号
のエネルギーを検出して音声区間の検出を行なう。
音声区間の検出方法は、第6図に示すような音声のエネ
ルギーの大きさから周囲のバックグラウンドノイズと分
けるものが一般的である。この方法では音声が入力され
るまえにノイズレベルのエネルギー閾値Aを決めておき
、その閾値Aよりも大きな音が入力された時点から閾値
Aより下がるまでを音声区間とするものである。これが
考え方の基本であるが、雑音と区別するためいろいろの
改良がなされている。また、特徴量としては特定のもの
を利用する必要はなく、もっとも−収約なパワースペク
トルやLPG、更にはケプストラムなど、どれを用いて
も良い。この中からパワースペクトルを例にあげると、
入力された音声をバンドパスフィルタ群に印加せしめれ
ば実現出来、バンドパスフィルタの特性をどのように選
ぶかで自由に分析のしかたが変えられる。
ルギーの大きさから周囲のバックグラウンドノイズと分
けるものが一般的である。この方法では音声が入力され
るまえにノイズレベルのエネルギー閾値Aを決めておき
、その閾値Aよりも大きな音が入力された時点から閾値
Aより下がるまでを音声区間とするものである。これが
考え方の基本であるが、雑音と区別するためいろいろの
改良がなされている。また、特徴量としては特定のもの
を利用する必要はなく、もっとも−収約なパワースペク
トルやLPG、更にはケプストラムなど、どれを用いて
も良い。この中からパワースペクトルを例にあげると、
入力された音声をバンドパスフィルタ群に印加せしめれ
ば実現出来、バンドパスフィルタの特性をどのように選
ぶかで自由に分析のしかたが変えられる。
次に、第7図の波形に従って説明する。図示した音声波
形が入力された時、まずエネルギーが計算され、閾値A
と比較してこれより大きい時に音声区間が始ったとして
レジスターに検出された音声が格納される。仮りに、第
1のメモリーにLoom秒分のデータが格納されるとす
ると、第7図のaからdまでのデータを持っていること
になる。そこでCにあった音声の始点をa−Cの間ずら
すようにする。ただし、aに移動すると、8〜6間の余
分が音声の冒頭に添付してしまう。特に、第8図の母音
のようなエネルギー波形にこの100m秒をつぎ足すと
、その100m秒の中は殆ど不要なデータになってしま
う。そこで、始点をずらした後に、音声区間検出部が検
出した始点(前の始点)と、ずらして作った始点(後の
始点)の間の信号を分析し、その分析結果に応じて後の
始点を移動させるようにした。この分析の例としてa−
cのエネルギーを着目するようにしたのが第1図の実施
例である。第1のメモリー3に保持されているa ”
Qのデータのエネルギーを検出し。
形が入力された時、まずエネルギーが計算され、閾値A
と比較してこれより大きい時に音声区間が始ったとして
レジスターに検出された音声が格納される。仮りに、第
1のメモリーにLoom秒分のデータが格納されるとす
ると、第7図のaからdまでのデータを持っていること
になる。そこでCにあった音声の始点をa−Cの間ずら
すようにする。ただし、aに移動すると、8〜6間の余
分が音声の冒頭に添付してしまう。特に、第8図の母音
のようなエネルギー波形にこの100m秒をつぎ足すと
、その100m秒の中は殆ど不要なデータになってしま
う。そこで、始点をずらした後に、音声区間検出部が検
出した始点(前の始点)と、ずらして作った始点(後の
始点)の間の信号を分析し、その分析結果に応じて後の
始点を移動させるようにした。この分析の例としてa−
cのエネルギーを着目するようにしたのが第1図の実施
例である。第1のメモリー3に保持されているa ”
Qのデータのエネルギーを検出し。
閾値Bと比較する。閾値Bは言うまでもなく閾値A>閾
値Bでなければならない。閾値BはOであっても良い5
比較器9で閾値Bを越えた時点へ音声の始端を移動する
と、第7図ではb−dまでの正しい音声区間を検出する
ことができる上に、第8図のような波形であっても正し
く検出できる。
値Bでなければならない。閾値BはOであっても良い5
比較器9で閾値Bを越えた時点へ音声の始端を移動する
と、第7図ではb−dまでの正しい音声区間を検出する
ことができる上に、第8図のような波形であっても正し
く検出できる。
当然ながらこの方法を音声の終端に適用しても良い。又
、100m秒のバッファも限定したものではなく更に短
くても良い。第7図でいうならこのように検出したb
” cの部分を通常の方法で検出したc = dの部分
に結合することによってb−dの正しい音声となる。こ
れを認識部へ転送し認識を行なう。認識方法は特に限定
するものではなくDPマツチング等の周知の方法を用い
れば良い。
、100m秒のバッファも限定したものではなく更に短
くても良い。第7図でいうならこのように検出したb
” cの部分を通常の方法で検出したc = dの部分
に結合することによってb−dの正しい音声となる。こ
れを認識部へ転送し認識を行なう。認識方法は特に限定
するものではなくDPマツチング等の周知の方法を用い
れば良い。
また、第1図は実質上、エネルギー検出部を二つに分け
て示したが、一つで両方を兼ねることも可能であるし、
閾値も両値を持たずに、例えば、B=A15のように決
めても良い。更に、ここではa−cのデータの分析の方
法としてエネルギーを示したが、パワースペクトルの差
分を取るなど他の方法を利用することによっても実行可
能である。
て示したが、一つで両方を兼ねることも可能であるし、
閾値も両値を持たずに、例えば、B=A15のように決
めても良い。更に、ここではa−cのデータの分析の方
法としてエネルギーを示したが、パワースペクトルの差
分を取るなど他の方法を利用することによっても実行可
能である。
次に、本発明の他の実施例について、第2図に基づいて
説明する。図中、16は第2のメモリ、17はクリア部
、その他第1図の場合と同様の作用をする部分1〜11
は、第1図の場合と同一の参照番号が付しである。
説明する。図中、16は第2のメモリ、17はクリア部
、その他第1図の場合と同様の作用をする部分1〜11
は、第1図の場合と同一の参照番号が付しである。
第2図は、音声を電気信号に変換する音響−電気変換器
により変換された信号から音声に係る部分を抽出する音
声区間検出部と、検出された信号を用いて音声を認識す
る認識部とを有する音声認識装置において、音声区間検
出部が検出し、た音声の始点より一定時間前へ始点をず
らし、該ずらした区間内を分析しその区間の始点以外の
部分に無音部が検出された時、音声の始点をこの無音部
の最後尾へ移動させるようにしたものである。マイク1
から入力された音声信号或いは音声信号を特徴量に変換
したものを第1のメモリー3へ記録して行く。第1のメ
モリー3では、各タイミングに出力される1個又は複数
のデータを順に記録できるようなもので、例えば100
m秒分のデータが一時的)こ格納できるものであれば良
い。100m秒分′Mき込み終ると再び先頭からその上
へ次のデータを書き込み直す。又、第1のメモリー3に
書くと同時に各タイミングのエネルギーを求め、それが
閾値Aより大きいかどうかを第1の比較器6で比較し、
大きいと音声スタートの信号をレジスタ5へ送ってA/
D変換したデータをとり込み始める。次に、第1のメモ
リー3の中に格納されている100m秒のデータの冒頭
からエネルギーを求め閾値Bと第2の比較器9で比較し
、閾値Bより小さければ無視し大きければ第2のメモリ
ー16を書き込む。ここでその後、閾値Bより小さなエ
ネルギーの部分があるとクリア機能17で第2のメモリ
ー16の内容を全てクリアし、以下同様のくり返しとな
る。100m秒のデータをチエツクし終った後、第2の
メモリー16にデータがあれば、これをレジスタ5内に
格納されているデータの冒頭に結合して音声データとし
、認識部へ転送する。これを波形で説明すると、第9図
のようになる。通常の方法で検出される音声区間では先
頭の音韻が欠落する。そこで先頭100m秒前のデータ
までとったとすると、口唇の開閉前等のノイズが一緒に
音声として含まれてしまうことがある。そこでこのLo
om秒分のエネルギーを再度チエツクし、先にみつかっ
ている音声区間と連続している部分を残して他を捨てる
。これにより、正しい音声区間を検出できる。この効果
を得るためには当然閾値A>閾値Bでなければならない
。
により変換された信号から音声に係る部分を抽出する音
声区間検出部と、検出された信号を用いて音声を認識す
る認識部とを有する音声認識装置において、音声区間検
出部が検出し、た音声の始点より一定時間前へ始点をず
らし、該ずらした区間内を分析しその区間の始点以外の
部分に無音部が検出された時、音声の始点をこの無音部
の最後尾へ移動させるようにしたものである。マイク1
から入力された音声信号或いは音声信号を特徴量に変換
したものを第1のメモリー3へ記録して行く。第1のメ
モリー3では、各タイミングに出力される1個又は複数
のデータを順に記録できるようなもので、例えば100
m秒分のデータが一時的)こ格納できるものであれば良
い。100m秒分′Mき込み終ると再び先頭からその上
へ次のデータを書き込み直す。又、第1のメモリー3に
書くと同時に各タイミングのエネルギーを求め、それが
閾値Aより大きいかどうかを第1の比較器6で比較し、
大きいと音声スタートの信号をレジスタ5へ送ってA/
D変換したデータをとり込み始める。次に、第1のメモ
リー3の中に格納されている100m秒のデータの冒頭
からエネルギーを求め閾値Bと第2の比較器9で比較し
、閾値Bより小さければ無視し大きければ第2のメモリ
ー16を書き込む。ここでその後、閾値Bより小さなエ
ネルギーの部分があるとクリア機能17で第2のメモリ
ー16の内容を全てクリアし、以下同様のくり返しとな
る。100m秒のデータをチエツクし終った後、第2の
メモリー16にデータがあれば、これをレジスタ5内に
格納されているデータの冒頭に結合して音声データとし
、認識部へ転送する。これを波形で説明すると、第9図
のようになる。通常の方法で検出される音声区間では先
頭の音韻が欠落する。そこで先頭100m秒前のデータ
までとったとすると、口唇の開閉前等のノイズが一緒に
音声として含まれてしまうことがある。そこでこのLo
om秒分のエネルギーを再度チエツクし、先にみつかっ
ている音声区間と連続している部分を残して他を捨てる
。これにより、正しい音声区間を検出できる。この効果
を得るためには当然閾値A>閾値Bでなければならない
。
この方法は、音声の冒頭で説明したが、音声の終端に適
用することもできる。また、100m秒のメモリーも限
定するものではなく、更に短くシても良い。また認識方
法は特に限定するものではなく、Ou述したDPマツチ
ング等の周知の方法を用いれば良い。このような技術内
容は、例えば「音声認識」 (新美著、井守出版)等に
詳しく記載されている。
用することもできる。また、100m秒のメモリーも限
定するものではなく、更に短くシても良い。また認識方
法は特に限定するものではなく、Ou述したDPマツチ
ング等の周知の方法を用いれば良い。このような技術内
容は、例えば「音声認識」 (新美著、井守出版)等に
詳しく記載されている。
また、第2図は第1図の場合と同様に便宜上、エネルギ
ー検出部を二つに分けて示したが、一つで両方を兼ねる
ことも可能であるし、 I!I値も両値を持たずに5例
えばB=A15のように決めても良い。更に、ここでは
、a −Cのデータの分析の方法としてエネルギーを示
したが、パワースペクトルの差分を取るなど他の方法を
利用することによっても実行可能である。
ー検出部を二つに分けて示したが、一つで両方を兼ねる
ことも可能であるし、 I!I値も両値を持たずに5例
えばB=A15のように決めても良い。更に、ここでは
、a −Cのデータの分析の方法としてエネルギーを示
したが、パワースペクトルの差分を取るなど他の方法を
利用することによっても実行可能である。
更に、本発明による他の実施例を第3図に基づいて説明
する。図中、18は表示部で、その他第1図の場合と同
様の作用をする部分1〜10は、第1図の場合と同一の
参照番号が付しである。この実施例では、音声の立ち上
りがあまり急峻ではなく、特に先頭音が子音である場合
はなだらかな立ち上りをするため、この部分が正確に検
出できないことに着目してなされている。音声を電気信
号に変換する音響−電気変換器により変換された信号か
ら音声に係る部分を抽出する音声区間検出部と、検出さ
れた信号を用いて音声を認識する認識部とを有する音声
認識装置において、音声区間検出部で検出された音声始
点より前のデータを分析し、その分析結果に応じて使用
者の発声の仕方を指示するようにした。
する。図中、18は表示部で、その他第1図の場合と同
様の作用をする部分1〜10は、第1図の場合と同一の
参照番号が付しである。この実施例では、音声の立ち上
りがあまり急峻ではなく、特に先頭音が子音である場合
はなだらかな立ち上りをするため、この部分が正確に検
出できないことに着目してなされている。音声を電気信
号に変換する音響−電気変換器により変換された信号か
ら音声に係る部分を抽出する音声区間検出部と、検出さ
れた信号を用いて音声を認識する認識部とを有する音声
認識装置において、音声区間検出部で検出された音声始
点より前のデータを分析し、その分析結果に応じて使用
者の発声の仕方を指示するようにした。
マイク1からの音声はA/D変換器2でデジタル信号に
変換される。この場合、あらかじめ特徴量に変換してお
いてA/D変換するのが望ましい。
変換される。この場合、あらかじめ特徴量に変換してお
いてA/D変換するのが望ましい。
このデータは第1のメモリー3にサンプル時間毎にj頃
に記録されるとともにエネルギーの検出が行なおれる。
に記録されるとともにエネルギーの検出が行なおれる。
このエネルギーは閾値Aと第1の比較器6で比較され、
これより大なる時点で音声のスタートとみなされる。つ
まり、この部分は第6図に示す音声区間の検出を行なっ
ている訳であるが。
これより大なる時点で音声のスタートとみなされる。つ
まり、この部分は第6図に示す音声区間の検出を行なっ
ている訳であるが。
閾値Aよりもエネルギーが大きくなった時点で、その少
し前のデータまで第1のメモリー3の中に記憶されてい
ることになる。第1のメモリー3に0.1秒分のデータ
が記録できるとすると、音声の立ち上りの瞬間にはその
0.1秒前のデータまで持っていることになる。そこで
、この0.1秒分のエネルギーを分析し、決められた閾
値Bよりも大きければ、本来音声区間として検出すべき
ものが声が小さくエネルギーが小さくなったため、検出
誤りを引き起こしていると考え、「声を大きく」とのメ
ツセージを表示部18で表示するようにする。又、閾値
Bよりも小さいと、正確に立ち上りを検出しているとし
て、何も表示しない。或いは「良好」の旨を表示する。
し前のデータまで第1のメモリー3の中に記憶されてい
ることになる。第1のメモリー3に0.1秒分のデータ
が記録できるとすると、音声の立ち上りの瞬間にはその
0.1秒前のデータまで持っていることになる。そこで
、この0.1秒分のエネルギーを分析し、決められた閾
値Bよりも大きければ、本来音声区間として検出すべき
ものが声が小さくエネルギーが小さくなったため、検出
誤りを引き起こしていると考え、「声を大きく」とのメ
ツセージを表示部18で表示するようにする。又、閾値
Bよりも小さいと、正確に立ち上りを検出しているとし
て、何も表示しない。或いは「良好」の旨を表示する。
ここで、閾値Bの決め方であるが、0.1秒分全体を比
較する場合なら、Al1の0.1秒分のエネルギー程度
に設定すれば良いし、各時焦毎の比較ならばA/2程度
の値にすれば良い。これを第5図の音声区間検出部に組
み入れることで、本発明の認識装置は動作する。この場
合の認識部の方式は特に限定するものではない。又、J
fA$パターンは特定話者方式の時には登録するルーチ
ンが必要である。第5図図では、不特定語者等を考えて
省略しである。
較する場合なら、Al1の0.1秒分のエネルギー程度
に設定すれば良いし、各時焦毎の比較ならばA/2程度
の値にすれば良い。これを第5図の音声区間検出部に組
み入れることで、本発明の認識装置は動作する。この場
合の認識部の方式は特に限定するものではない。又、J
fA$パターンは特定話者方式の時には登録するルーチ
ンが必要である。第5図図では、不特定語者等を考えて
省略しである。
更に、本発明による他の実施例を第4図に基づいて説明
する。19は特徴抽出部、20はレジスタ群(レジスタ
制御部)、21は内容チエツク部、22はリングカウン
タ、23はデータ転送制御部、24は始端検出部、25
は始@補正部、26は入力データバッファ、27はパタ
ーン照合部、28はIff害テンプレート、29は結果
出力部である。
する。19は特徴抽出部、20はレジスタ群(レジスタ
制御部)、21は内容チエツク部、22はリングカウン
タ、23はデータ転送制御部、24は始端検出部、25
は始@補正部、26は入力データバッファ、27はパタ
ーン照合部、28はIff害テンプレート、29は結果
出力部である。
まず第7図に示す様に、音声区間を求める場合に音声の
特徴量1例えばパワースペクトラムやLPCケプストラ
ム等に基づいである閾値Aと比較して、それより大なる
部分を音声区間として検出する。しかしながら、閾値A
tJ、音声の大きさや周囲騒音に対して一定であると検
出が難しくなるため。
特徴量1例えばパワースペクトラムやLPCケプストラ
ム等に基づいである閾値Aと比較して、それより大なる
部分を音声区間として検出する。しかしながら、閾値A
tJ、音声の大きさや周囲騒音に対して一定であると検
出が難しくなるため。
一般には、可変に設定する場合が多い。従って、inH
の子音部などは、声の小さい場合や周囲騒音が大きい場
合には閾値Aの影響で検出できない。
の子音部などは、声の小さい場合や周囲騒音が大きい場
合には閾値Aの影響で検出できない。
そのため、始端をb点に動かす事によりその↓響を小さ
くする。又、音声認識装置においては、般に音声発声終
了までデータを取り込み、その後に照合を行うものより
、データ入力と並行して照合演算を行う(例えば、DP
マツチングやBTSP方式における予備選択)ものが多
く、音声区間の検出も実時間で行う必要がある。しかし
ながら。
くする。又、音声認識装置においては、般に音声発声終
了までデータを取り込み、その後に照合を行うものより
、データ入力と並行して照合演算を行う(例えば、DP
マツチングやBTSP方式における予備選択)ものが多
く、音声区間の検出も実時間で行う必要がある。しかし
ながら。
時間的に過去へ逆上ることは難かしく、実際にはレジス
タ群を用いて過去のデータをafAする。
タ群を用いて過去のデータをafAする。
あるサンプル周期で(例えば、10rns、20m s
)人力される未知f声の特8!l量が特徴抽出部19
で求められ、音声の始端が検出されるまでは、特徴デー
タは逐次レジスタ群20に蓄積される。
)人力される未知f声の特8!l量が特徴抽出部19
で求められ、音声の始端が検出されるまでは、特徴デー
タは逐次レジスタ群20に蓄積される。
レジスタ群20は定められたnフレーム長の長さで、そ
の入力にはリングカウンタ22の値をポインタとしてO
f 1# 21 ”’F n、o、it 2+ ”’1
1−1.n、O,・・とデータをレジスタ制御部20に
よりi!制御される。一方、IAi端検出部24におい
て始端が検出された時点で、同様にリングカウンタ22
の指す位置から指定されたmフレームの位置から過去n
フレームを植成することにより、始端検出と同時に補正
がかかり、はぼ実時間で照合可能となる。
の入力にはリングカウンタ22の値をポインタとしてO
f 1# 21 ”’F n、o、it 2+ ”’1
1−1.n、O,・・とデータをレジスタ制御部20に
よりi!制御される。一方、IAi端検出部24におい
て始端が検出された時点で、同様にリングカウンタ22
の指す位置から指定されたmフレームの位置から過去n
フレームを植成することにより、始端検出と同時に補正
がかかり、はぼ実時間で照合可能となる。
次に、始端の補正は、そのリングカウンタ22によって
示されたレジスタ群20の値を逆方向に検索し、0デー
タとなる直前のフレームが真の始端になる。この様にし
てJ、J+られたポインタに従って、入カバソファに真
の始端から現在のポインタまでを入力バッファに転送し
、その後は再びサンプル周期に従ったデータ入力を実時
1fJで処理する。
示されたレジスタ群20の値を逆方向に検索し、0デー
タとなる直前のフレームが真の始端になる。この様にし
てJ、J+られたポインタに従って、入カバソファに真
の始端から現在のポインタまでを入力バッファに転送し
、その後は再びサンプル周期に従ったデータ入力を実時
1fJで処理する。
助□來
以上の説明から明らかなように、本発明によると、発声
者の音声の大小にかかわらず正しい音声区間の検出が可
能となったため、音声認識装置の認識率を向上させるこ
とができ、その補正を実時間で行える。
者の音声の大小にかかわらず正しい音声区間の検出が可
能となったため、音声認識装置の認識率を向上させるこ
とができ、その補正を実時間で行える。
また、音声のレベルの大小にかかわらず、正確に区間の
検出が出来るようになった。特に本発明はパIが小さく
唇の開閉音を発声しやすいような人に対し有効で高い認
識精度が実現できるようになった。
検出が出来るようになった。特に本発明はパIが小さく
唇の開閉音を発声しやすいような人に対し有効で高い認
識精度が実現できるようになった。
また、lJlさい声でしゃべった時には、発声された言
葉によらず正確にそ九以後の発声を大きくするよう指示
することが出来る。又、周辺のSl音と共に閾値Aが変
動するような場合には、騒音が大きく、閾値Aが上昇す
ると更に大きな声で発声する様、指示が出されることに
なる。これによって、音声の始端、終端は正確に検出さ
れるようになり、その結果、認識精度を良くすることが
できる。
葉によらず正確にそ九以後の発声を大きくするよう指示
することが出来る。又、周辺のSl音と共に閾値Aが変
動するような場合には、騒音が大きく、閾値Aが上昇す
ると更に大きな声で発声する様、指示が出されることに
なる。これによって、音声の始端、終端は正確に検出さ
れるようになり、その結果、認識精度を良くすることが
できる。
第1図は、本発明による音声認識装置の一実施例を説明
するための構成図、第2図は、他の実施例を示す構成図
、第3図は、更に他の実施例を示す構成図、第4図は、
更に他の実施例を示す構成図、第5図は、通常のパター
ンマツチングを利用した音声認識装置のブロック図、第
6図は、音声区Eの検出方法を説明するための図、第7
図〜第9図は、音声波形に対する閾値と音声区間を示す
図、第10図は、音声区間の検出方法の従来例を示す図
、第11図(a)、(b)は、エネルギー分布の異なる
音声に対する音声区間の検出方法の従来例を示す図であ
る。 1・・・マイク、2・・・Δ/D変換部、3 第1のメ
モリ、4,8・・・エネルギー検出部、5・・レジスタ
ー6.9・・・比較器、7・・・閾値A、10・・閾値
B、11・・・結合部、16・・・第2のメモリ、17
・・クリアブ、18・・・表示部。 第 図 第 図 認忌邪へ 第 〆 第 図 認@結果 第 図 第 図
するための構成図、第2図は、他の実施例を示す構成図
、第3図は、更に他の実施例を示す構成図、第4図は、
更に他の実施例を示す構成図、第5図は、通常のパター
ンマツチングを利用した音声認識装置のブロック図、第
6図は、音声区Eの検出方法を説明するための図、第7
図〜第9図は、音声波形に対する閾値と音声区間を示す
図、第10図は、音声区間の検出方法の従来例を示す図
、第11図(a)、(b)は、エネルギー分布の異なる
音声に対する音声区間の検出方法の従来例を示す図であ
る。 1・・・マイク、2・・・Δ/D変換部、3 第1のメ
モリ、4,8・・・エネルギー検出部、5・・レジスタ
ー6.9・・・比較器、7・・・閾値A、10・・閾値
B、11・・・結合部、16・・・第2のメモリ、17
・・クリアブ、18・・・表示部。 第 図 第 図 認忌邪へ 第 〆 第 図 認@結果 第 図 第 図
Claims (1)
- 【特許請求の範囲】 1、音声を電気信号に変換する音響−電気変換器により
変換された信号から音声に係る部分を抽出する音声区間
検出部と、検出された信号を用いて音声を認識する認識
部とを有する音声認識装置において、音声区間の始点が
検出された時点より前へ音声の始点をずらすようにした
ことを特徴とする音声認識装置。 2、音声を電気信号に変換する音響−電気変換器により
変換された信号から音声に係る部分を抽出する音声区間
検出部と、検出された信号を用いて音声を認識する認識
部とを有する音声認識装置において、音声区間検出部が
検出した音声の始点より一定時間前へ始点をずらし、該
ずらした区間内を分析しその区間の始点以外の部分に無
音部が検出された時、音声の始点をこの無音部の最後尾
へ移動させることを特徴とする音声認識装置。 3、音声を電気信号に変換する音響−電気変換器により
変換された信号から音声に係る部分を抽出する音声区間
検出部と、検出された信号を用いて音声を認識する認識
部とを有する音声認識装置において、音声区間検出部で
検出された音声始点より前にデータを分析し、その分析
結果に応じて使用者の発声の仕方を指示するようにした
ことを特徴とする音声認識装置。 4、マイクから入力された音声を補正し分析する補正・
分析手段と、この分析により特徴量を抽出する抽出手段
と、該特徴量を用いてすでに登録されている辞書パター
ンに対して未知入力を認識する認識手段と、前記特徴量
又はその他の特徴量を用いて発声された音声の音声区間
の検出手段とを有する音声認識装置において、音声の始
端が決定された時点でその始端から過去の特徴量を検索
し、ある条件のもとに始端を過去の点に戻して始端を補
正することを特徴とする音声認識装置。 5、固定長のレジスタ群を有し、始端が決定されるまで
そのレジスタをリング状に使用してデータを蓄積し、実
時間で決定された始端から過去の複数フレームを検索し
てデータを付加することを特徴とする請求項4記載の音
声認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP01026078A JP3125928B2 (ja) | 1989-02-03 | 1989-02-03 | 音声認識装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP01026078A JP3125928B2 (ja) | 1989-02-03 | 1989-02-03 | 音声認識装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH02205898A true JPH02205898A (ja) | 1990-08-15 |
JP3125928B2 JP3125928B2 (ja) | 2001-01-22 |
Family
ID=12183607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP01026078A Expired - Lifetime JP3125928B2 (ja) | 1989-02-03 | 1989-02-03 | 音声認識装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3125928B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06507507A (ja) * | 1992-02-28 | 1994-08-25 | ジュンカ、ジャン、クロード | 音声信号中の独立単語境界決定方法 |
-
1989
- 1989-02-03 JP JP01026078A patent/JP3125928B2/ja not_active Expired - Lifetime
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06507507A (ja) * | 1992-02-28 | 1994-08-25 | ジュンカ、ジャン、クロード | 音声信号中の独立単語境界決定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3125928B2 (ja) | 2001-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3180655B2 (ja) | パターンマッチングによる単語音声認識方法及びその方法を実施する装置 | |
KR910002198B1 (ko) | 음성인식방법과 그 장치 | |
US10410623B2 (en) | Method and system for generating advanced feature discrimination vectors for use in speech recognition | |
US6553342B1 (en) | Tone based speech recognition | |
JPH0990974A (ja) | 信号処理方法 | |
JPS6383799A (ja) | 連続音声認識方式 | |
Zolnay et al. | Extraction methods of voicing feature for robust speech recognition. | |
JPS6138479B2 (ja) | ||
JP2745562B2 (ja) | ノイズ適応形音声認識装置 | |
JP2002189487A (ja) | 音声認識装置および音声認識方法 | |
JPH0558553B2 (ja) | ||
JPH07191696A (ja) | 音声認識装置 | |
JPH02205898A (ja) | 音声認識装置 | |
JPS63165900A (ja) | 会話音声認識方式 | |
KR20020063665A (ko) | 피치 단위 데이터 분석을 이용한 음성인식 방법 및 시스템 | |
JP2813209B2 (ja) | 大語彙音声認識装置 | |
JP3110025B2 (ja) | 発声変形検出装置 | |
KR20080065775A (ko) | 구화 교육용 발성 시각화 시스템 | |
JP2760096B2 (ja) | 音声認識方式 | |
JP3049711B2 (ja) | 音声処理装置 | |
JP2578771B2 (ja) | 音声認識装置 | |
JPS6227798A (ja) | 音声認識装置 | |
JPH0640274B2 (ja) | 音声認識装置 | |
JPS6352200A (ja) | 音声認識装置 | |
JPH0887292A (ja) | 単語音声認識装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071102 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081102 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081102 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091102 Year of fee payment: 9 |
|
EXPY | Cancellation because of completion of term | ||
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091102 Year of fee payment: 9 |