JPH02232696A - 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】 ［発明の目的］ （産業上の利用分野） この発明は音声信号に含まれる情報の認識を行う音声認
識装置に関する。

（従来の技術） 音声認識のアルゴリズムは多種にわたり、実際、認識対
象の発声単位のすべての種類において性能を良好にする
には装置の大型化、コスト高はまぬがれない。そこで、
従来では使用目的に応じて認識語数、話者などの面で許
容できる制約を導入し、その条件のもとて最適の認識方
式が選択され、装置化されてきた。

第４図は従来の音声認工装置の構成を示すブロック図で
ある。音響分析部Ｈに入力された音声は帯域フィルタに
より、短時間スペクトルによる所定時間毎の分析が行わ
れ、特徴パラメタとして抽出される。この音響分肝部Ｈ
の出力に対し、切換＄１１　ａｍ部１２及び切換回路１
３．　１４で制御される認謙部１５．認鷹部ｌ６が設置
されており、どちらか最適な認識システムが選択され、
入力音声の認識が行われるようになっている。

上記認識部■５は例えば、発声者が変わるたびに音声の
標準パタンを登録し直す必要がある特定話者用の認識部
である。特定発声者、固６名詞等に対する認識はこの認
１部１５で行われるようになっており、登録変更可能な
標準パタンメモリＩ７がＲＡ　Ｍ　（　ｒａｎｄｏｍ　
ａｃｃｅｓｓ　＊ｃｓｏｒｙ）等により構成され、その
メモリデータが上記認識部１５に呼出されて、上記分析
された人力音声との類似度計算処理が行われる。この認
識部Ｉ５での認ぷアルゴリズムとしては、ＤＰマッチン
グ法（　Ｄ　Ｔ　Ｗ　：　ｄｙｎａｔｘｌｃ　ｔａｍｅ
Ｖａｒｌ）１ｎｇ）が適用されており、マッチングｆｆ
ｉ（距Ｍ）が計算され、最ら距離の小さい標準パタンの
カテゴリが認識結果として出力される。

他方、上記認１部１Ｇは例えば、誰もが使用する汎用的
な３Ｂｆａを登録変更不可能な標準パタンとして備えた
不特定話者用の認識部である。数字等、特定汎用語量に
対する認識はこの認識部１Ｇで行われるようになってお
り、登録変更不可能な標準パタンメモリ１８がＲ　Ｏ　
Ｍ　（　ｒｅａｄ　ｏｎｌｙ　ｍｅｍｏｒｙ）等により
構成され、そのメモリデータが上記認識部１６に呼出さ
れて、上記分析された入力音声との類似度計算処理が行
われる。この認識部１Ｂでの認エアルゴリズムとしては
、識別関数法による識別が適用されており、類似度コ１
算値が最も大きな標準パタンのカテゴリが認識結果とし
て出力される。

上；己認３部１５．　１８のように、用途に応じて複数
の認一部を切換える切換方式については、特開昭４９−
３５０７号公報に記載されているように、それぞれの２
．：Ｊ部における認識結果によって論理判断が行われ、
この判断のもとに切換制御部１２による制御で最適な認
識結果がｉリられるようにしている。

しかし、上記のような構成では用途に応じた認識部１５
．　１６を鑓えなければならない。また、切換回路１３
．　１４及び切換のための切換制御部ｌ２も必要であり
、装置の複雑化に伴い、大型化、コストが上昇する等の
欠点があった。

（発明が解決しようとする課題） このように従来では、特定話者及び不特定話者等、話者
、発声様式に関して異なった種類の制約があるものに対
して音声認識の性能向上を図るには上記それぞれの種類
に応じたアルゴリズムを持つ認識部を備えなければなら
ず、装置の複雑化に伴う大型化、コスト上昇を招くとい
う欠点がある。

この発明は上記のような事情を考慮してなされたもので
あり、その目的は、話者、発声様式に関して異なった種
類の制約があっても、音声認識性能を劣化させずに、装
置の小型化、低コスト化が図れる音声認識装置を提倶す
ることにある。

〔発明の構成コ （課題を解決するための手段） この発明の音声認識装置は入力された音声から特徴パラ
メータを抽出する音響分析手段と、話者、発声様式等に
関して異なった種類の制約を有する音声標準パタンを記
憶する制約別音声標準パタン記憶手段と、上記ｇ響分析
手段で得られた分析パタンと上記制約別音声標学パタン
記憶手段による音声標準パタンそれぞれとの類似度計算
を共通の認識アルゴリズムを用いて行う類似度計算手段
とから構成される。

（作用） 特定話者、不特定話者等のそれぞれの音声の種別に対応
して用意された音声標準パタンは共通の類似度計算部に
よって、音響分析部からの出力信号と類似度計算される
。この類似度計算部により最適な２２データが出力され
る。

（実施例） 以下、図面を参照してこの発明を実施例により説明する
。

第１図はこの発明に係る音声認識装置の基本構成を示す
ブロック図である。認識対象となる音声は音響分析部１
に入力され、音響分析が行われる。

音響分析部１からの分析結果は類似度計算部２に入力さ
れる。この類似度計算部２では、話者、発声様式等に関
して異なった種類の制約がある音声漂僧パタン、例えば
特定話と、固ａ名調等、登録変更を要する語量を対象と
した登録変更可能な標準パタンメモリ３−１、及び不特
定：舌者、数字等、汎用語量を対象とした登録変更不可
能なｔ１準パタンメモリ３〜２の両漂準パタンメモリの
各データが順次人力され、上記音響分析部１から出力さ
れる分析パタンとの類似度計算が共通の認識アルゴリズ
ムで行われ、最適な認虚結果が得られる。

第２図はこの発明の具体的な一実施例による構成のブロ
ック図である。以下、この発明のシステムを実現するた
め、各ブロックの構成について説明する。図において、
音響分析部１から出力された分担パタンは、認識モード
もしくは登録モードにされるように切換回路４が設けら
れている。また、切換回路４によって登録モードにされ
た時は上記分析パタンは標準パタン作成部５を介して上
記登録変更可能な標準パタンメモリ３−１に記憶される
。そして、切換回路４によって認識モードにされた時は
上記第１図と同様に類似度計算部２では両Ｊ！準パタン
メモリ３−１．３−２のメモリデータが順次人力され、
上記音響分析部１がら出力される分析パタンとの類似度
計算が共通の認識アルゴリズムで行われ、最適な認識結
果が得られる。

上記音響分析部１では、入力音声が数十ｍｓの適当な分
析窓長での短時間スペクトル分析により、スペクトルパ
ラメータの時系列に変換される。

上記スペクトル分析には、通常帯域フィルタ（　Ｂ　Ｐ
　Ｆ　：　ｂａｎｄ　　ｐａｓｓ　　Ｎｉｔｅｒ）　、
線形予測分析（　Ｌ　Ｐ　Ｃ　：　Ｉｌｎｅａｒ　　ｐ
ｒｅｄｌｃｔｌｖｅ　　ｅｏｄｌｎｇ）のいずれかが用
いられる。これによるスペクトルパラメータには、帯域
フィルタ分析の場合ではフィルタ出力の特徴ベクトルが
用いられ、線形予測分析の場合ではＬＰＣケブストラム
等、各社のＬＰＧスベクトルが用いられる。

上９紀切換Ｈ路４において、登録モードに設定された場
合、上記ＴＦｆ％１分析部１からの分析パタンは標準パ
タン作成部５に入力される。ここでは、例えば第３図に
示すような微分一直文化フィルタ法が適用される。すな
わち、音響分析部１から出力されるΔ声の特徴バラメタ
は登録用学習パタンとして時間軸で平滑され、第１軸が
生成される。また、時間．軸の一次歳分と第１軸との再
直交化で第２軸が生成される。また、時間軸上の二次微
分と上記２輔との再直交化で第３軸が生成される。さら
に、上記登録用学習パタンと上記３軸とのＧＳ（　ｇｒ
ａｍ−ｓｃｈａｉｄｔ）直交化により４軸が生成される
。

この方法は日本身響学会講演論文集の１９８７年１０月
号３７ページに記載されている、「１−５−１９　微分
一直交化フィルタを用いた特定話者単語音声認識方式」
からの引用である。

このようにして導出された標準パタンは、登録変更可能
な標準パタンメモリ３−１に記憶される。

他ｈ″、誰もが使用する数字等、汎用的な語量を登録麦
更不ｉ−＋Ｊ能な漂準パタンメモリ３−２として備えた
不特定話者用の漂準パタンの作成では、例えば次のよう
な方法が適用される。まず、各単語ごとに多数話者のス
ペクトル系列を分類（クラスタ化）し、各クラスタの中
心もしくは各クラスタに属する音声の災均スペクトル系
列を標準パタン（マルチテンプレート）として蓄える。

上記各標準パタンメモリ３−１　，３−２はソレぞれＲ
　Ａ　Ｍ　（　ｒａｎｄｏａ　ａｃｃｅｓｓ　ｍｅｍｏ
ｒｙ）　、Ｒ　Ｏ　Ｍ（　ｒｅａｄ　ｏｎｌｙ　ｍｅｍ
ｏｒｙ）等により構成される。マタ、これら共通の記憶
媒体としてＦ　Ｄ　ｃｒｌｏｐｐｙｄｉｓｋ）やＨ　Ｄ
　（ｈａｒｄ　ｄｌｓｋ）等の外部記憶装置があり、フ
ァイルすることにより、繰り返し利用できる。

上記切換回路４において、認識モードに設定された場合
、上記音響分析部１からの分折パタンは類似度計算部２
に人力される。これにより、各標準パタンメモリ３−１
．３−２のメモリデータがこの類似度計算部２に順次呼
出されて、分析された入力音声との類似度計算処理が行
われる。

上記類似度計算部２における類似度計算の一実施例とし
て、複合類似度法があげられる。すなわち、入力音声の
分析パタンデータＸに対し、標準パタンデータをＩＦｇ
とすれば、類似度Ｓは次式で与えられる。

Ｓ一Σ　（ｘ，　　Ｖｓ）２　／Ｉｔｘｌｌ　２　１１
１Ｆ＋　　ＩＮ・・・（１） 二二で、腸は打切り面数であり、第３図において４軸ま
で求めているのでｓ−４となる。なお、打切り面数一は
４以外でも良い。上記（１）式で求められる類似度Ｓの
うち最も大きな値をとるカテゴリを認識結果とする。

上記構成によれば、話も、発声様式等に関して異なった
Ｆ！ｉ類の制約を有する各種音声標準パタンに対して入
力音声との類似度計算が共通の類似度計算部で行えるた
め、装置が小型化し、簡素化され、コスト低減が図れる
。また、上記標準パタン作成部５で行う微分一直交化フ
ィルタを用い方式は、少ない学習サンプルで高い性能が
得られ、しかも複合類似度法の認識アルゴリズムをその
まま利用できる点、また、登録変更不内Ｉ能な標準パタ
ンメモリ３−２における各種標準パタン作成方法は、幅
広く複合類似度法の認識アルゴリズムとのマッチングが
良いことから、共通の類似度計算部２を設定したことに
より、音声認識性能が劣化することはない。

なお、上記実施例における各ブロックにおいて示した標
準パタンの作成方法、分類は多種に渡り、特に限定はし
ないものとし、また、類似度計算方法も各捕標準パタン
か共通な計算方法で類似度が判定できれば良い。

〔発明の効果〕

以上説明したように、話者、発声様式に関して異なった
種類の制約があっても、音声認識性能を劣化させずに、
装置の小型化、低コスト化が図れる音声認識装置が提供
できる。

【図面の簡単な説明】

第１図はこの発明による構成のブロック図、第２図はこ
の発明の具体的実施例の構成によるブロック図、第３図
は第２図中の一部の動作を説明するためのブロック図、
第４図は従来の音声認識装置の構成を示すブロック図で
ある。 １・・・音替分析部、２・・・類似度計算部、３−１・
・・登録変更可能なｍｆパタンメモリ、 ３−２・・・登録変更不可能な標準パタンメモリ、４・
・・切換回路、５・・・標準パタン作成部。 第１図 出願人代理人　弁理士　鈴江武彦 第２図

Claims (2)

【特許請求の範囲】
1. （１）入力された音声から特徴パラメータを抽出する音
   響分析手段と、 話者、発声様式等に関して異なった種類の制約を有する
   音声標準パタンを記憶する制約別音声標準パタン記憶手
   段と、 上記音響分析手段で得られた分析パタンと上記制約別音
   声標準パタン記憶手段による音声標準パタンそれぞれと
   の類似度計算を共通の認識アルゴリズムを用いて行う類
   似度計算手段と を具備したことを特徴とした音声認識装置。
2. （２）入力された音声から特徴パラメータを抽出する音
   響分析手段と、 特定話者を対象として作成される登録変更可能な音声標
   準パタンを記憶する第１の音声標準パタン記憶手段と、 不特定話者を対象として作成される登録変更不可能な音
   声標準パタンを記憶する第２の音声標準パタン記憶手段
   と、 上記音響分析手段で得られた分析パタンと上記第１、第
   ２の音声標準パタン記憶手段で得られる音声標準パタン
   それぞれとの類似度計算を共通の認識アルゴリズムを用
   いて行う類似度計算手段とを具備したことを特徴とした
   音声認識装置。