JPH02205898A - 音声認識装置 - 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】 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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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
。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

【図面の簡単な説明】

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

Claims (1)

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。