JPH02273798A

JPH02273798A - 話者認識方式

Info

Publication number: JPH02273798A
Application number: JP1096129A
Authority: JP
Inventors: Shingo Nishimura; 新吾西村; Masashi Miyagawa; 宮川　正志; Masayuki Unno; 海野　雅幸; Shigenobu Nonaka; 重信野中
Original assignee: Sekisui Chemical Co Ltd
Current assignee: Sekisui Chemical Co Ltd
Priority date: 1989-04-14
Filing date: 1989-04-14
Publication date: 1990-11-08

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、電気錠、ＩＣカード等のオンライン端末等で
入力音声からその話者を同定又は照合するに好適な話者
認識方式に関する。

［従来の技術］話者認識とは、入力音声からその話者を認識することで
あり、話者同定と話者照合の２つの形態がある。

話者同定とは入力音声が登録話者のうちの誰の声である
かを判定することであり、話者照合とは入力音声が登録
話者の声であると見なせるか否かを判定することである
。

従来の話者認識方式は、例えば特公昭５６−１３９５６
号公報、電子通信学会論文誌７３／１１　Ｖｏｌ、５６
−ＡＮｏ、１１　　（文献１）に記載される如く、以下
の手順による。

■入力音声に含まれる話者に関する特徴量を抽出する。

■予め上記■と同様にして抽出しておいた標準パターン
と上記■で抽出した特徴量との距離を計算する。

■話者同定の場合は、上記距離が最小の標準バターンの
話者を入力音声の話者と判定し、話者照合の場合は、上
記距離に予めしきい値を設定し、距離がその値よりも小
さい場合には、入力音声はその標準パターンの話者によ
るものであると判定する。

この時、特公昭５６−１３９５６号公報では、上記特徴
量として、入力音声から算出したスペクトルパラメータ
間の相関、各パラメータの平均値及び標準偏差を用いる
こととしている。

［発明が解決しようとする課題］然しながら、上記従来の話者認識方式では、以下の問題
点がある。

■標準パターン作成時から時間が経過するにつれ、認識
率が劣化する０例えば文献１に記載の実験結果にあって
は、標準パターン作成時から３ケ月経過により１話者同
定率は１００％から８５％に劣化し、話者照合率は９９
％から９１％に劣化する。

■実時間処理が困難である。即ち、従来の話者認識方式
において一定以上の認識率を確保するためには複雑な特
徴量を用いる必要があるが、複雑な特徴量を抽出するに
は複雑な処理装置が必要であり、処理時間も多大となる
。

本発明は、経時的な認識率の劣化が掻めて少なく、容易
に実時間処理できる話者認識方式を得ることを目的とす
る。

［課題を解決するための手段］請求項１に記載の本発明は、ニューラルネットワークを
用いて入力音声から話者認識する話者認識方式であって
、ニューラルネットワークへの入力として、音声の平均
的な周波数特性、及び平均的なピッチ周波数を用いるよ
うにしたものである。

請求項２に記載の本発明は、前記ニューラルネットワー
クへの入力として、音声の一定時間内における平均的な
周波数特性の時間的変化、及び一定時間内における平均
的なピッチ周波数の時間的変化を用いるようにしたもの
である。

請求項３に記載の本発明は、前記ニューラルネットワー
クが階層的なニューラルネットワークであるようにした
ものである。

尚、音声のピッチ周波数とは、声帯波の繰返し周期（ピ
ッチ周期）の逆数である。

［作用］請求項１に記載の本発明によれば以下の■〜■の作用効
果がある。

■経時的な認識率め劣化が極めて少ない、このことは、
後述する実験結果により確認されていることであるが、
ニューラルネットワークが音声の時期差による変動の影
響を受けにくい構造をとることが可能なためと推定され
る。

■ニューラルネットワークへの入力として、「音声の平
均的な周波数特性、及び平均的なピッチ周波数」を用い
たから、入力を得るための前処理が、従来の複雑な特徴
量抽出に比して、単純となり、この前処理に要する時間
が短くて足りる。

尚、ニューラルネットワークへの入力として、個人差が
ある声帯の基本的なパラメータであるピッチ周波数を付
加したから、特に大人／小人、男性／女性間の話者の認
識率を向上することができる。

■ニューラルネットワークは、原理的に、ネットワーク
全体の演算処理が単純且つ迅速である。

■ニューラルネットワークは、原理的に、それを構成し
ている各ユニットが独立に動作しており、並列的な演算
処理か可能である。従って、演算処理が迅速である。

■上記■〜■により、話者認識処理を複雑な処理装置に
よることなく容易に実時間処理できる。

又、請求項２に記載の本発明によれば上記■〜■の作用
効果に加えて、以下の■の作用効果がある。

■ニューラルネットワークへの入力として、「音声の一
定時間内における平均的な周波数特性の時間的変化、及
び一定時間内における平均的なピッチ周波数の時間的変
化」を用いたから、ニューラルネットワークにおける処
理か単純となり、この処理に要する時間かより短くて足
りる。

又、請求項３に記載の本発明によれば上記■〜■の作用
効果に加えて、以下の■の作用効果がある。

０階層的なニューラルネットワークにあっては、現在、
後述する如くの簡単な学習アルゴリズム（ハックプロパ
ゲーション）か確立されており、高い認識率を実現でき
るニューラルネットワークを容易に形成できる。

［実施例］第１図は本発明が適用された話者認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
バンドパスフィルタの出力を示す模式図、第４図はニュ
ーラルネットワークを示す模式図、第５図は階層的なニ
ューラルネットワークを示す模式図、第６図はユニット
の構造を示す模式図である。

本発明の具体的実施例の説明に先立ち、ニューラルネッ
トワークの構成、学習アルゴリズムについて説明する。

（１）ニューラルネットワークは、その構造から、第４
図（Ａ）に示すＮ層内ネットワークと第４図（Ｂ）に示
す相互結合ネットワークの２種に大別できる。本発明は
、両ネットワークのいずれを用いて構成するものであっ
ても良いが、階層的ネットワークは後述する如くの簡単
な学習アルゴリズムが確立されているためより有用であ
る。

（２）ネットワークの構造階層的ネットワークは、第５図に示す如く、入力層、中
間層、出力層からなる階層構造をとる。

各層は１以上のユニットから構成される。結合は、入力
層→中間層→出力層という前向きの結合たけで、各層内
での結合はない。

（３）ユニットの構造ユニットは第６図に示す如く脳のニューロンのモデル化
であり構造は簡単である。他のユニットから入力を受け
、その総和をとり一定の規則（変換関数）で変換し、結
果を出力する。他のユニットとの結合には、それぞれ結
合の強さを表わす可変の重みを付ける。

（４）学習（パックプロパゲーション）ネットワークの
学習とは、実際の出力を目標値（望ましい出力）に近づ
けることであり、−殻内には第６図に示した各ユニット
の変換関数及び重みを変化させて学習を行なう。

又、学習のアルゴリズムとしては、例えば、Ｒｕｍｅｌ
ｈａｒｔ、　Ｄ、Ｅ、、Ｍｅ（：１ｅｌｌａｎｄ、　Ｊ
、Ｌ、　ａｎｄ　ｔｈｅＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇ
ｒｏｕｐ、　ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢＵＴＥ
ＤＰＲＱＣＥＳＳｌ、ＮＧ、　ｔｈｅ　ＭＩＴ　Ｐｒｅ
ｓｓ、　１９８６．　（文献２）に記載されているパッ
クプロパゲーションを用いることができる。

以下、本発明の具体的な実施例について説明する。尚、
この実施例の認識システム１は、ｎチャンネルのバンド
パスフィルタ１０、ピッチ抽出部１１、平均化回路１５
、ニューラルネットワーク２０、判定回路３０の結合に
て構成される（第１図参照）。

（Ａ）学習単語を「タダイマ」、入力単語を「タダイマ
」とし、入力単語の学習単語に対する時期差はＯ〜３ケ
月とした。

（Ｂ）話者 ■話者同定については、登録話者９名とした。

■話者照合については、登録話者９名、学習詐称者２７
名、未学習詐称者１０名とした。

（Ｃ）前処理 ■入力音声「タダイマ」を、第２図に示す如く、４つの
ブロックに時間的に等分割する。

■音声波形を、第１図に示す如く、複数（ｎ個）（この
実施例ではｎ＝８）チャンネルのバンドパスフィルタ１
０に通し、各ブロック即ち各−定時間毎に第３図（Ａ）
〜（Ｄ）のそれぞれに示す如くの周波数特性を得る。

又、上記バンドパスフィルタ１０による処理と並列的に
、音声波形をピッチ抽出部１１に通し、各ブロック、即
ち各一定時間毎にピッチ周波数を得る。

この時、バンドパスフィルタ１０とピッチ抽出部１１の
各出力は各ブロック毎に平均化回路１５で平均化される
。

（Ｄ）ニューラルネットワークによる処理及び判宇 ■前処理の結果（ブロック毎のバンドパスフィルタ１０
、ピッチ抽出部１１を経た各平均化回路１５の出力）を
、第１図に示す如く、３層の階層的なニューラルネット
ワーク２０に入力する。入力ｌ１１２１は、バンドパス
フィルタ１０による前処理のｎチャンネル、４ブロツク
に対応し、かつピッチ抽出部１１による前処理の１チヤ
ンネル、４ブロツクに対応する、４Ｘ　（ｎ＋１）ユニ
ット（この実施例ではｎ＝８．３６ユニツト）にテ構成
される。出力層２２は、話者同定については各登録話者
に対応する９ユニツト、話者照合については登録話者群
とその他の群とに対応する２ユニツトにて構成される。

■ニューラルネットワーク２０の出力を判定回路３０に
入力し、出力１Ｉ２２の各ユニットの出力値のうち最大
の値を出力したユニットを同定認識部３１、照合認識部
３２のそれぞれにおいて判定し、結果として同定若しく
は照合を行なう。但し、本発明の実施において、ニュー
ラルネットワーク２０の出力は判定回路３０の如くにて
機械的に判定処理されず、ニューラルネットワーク２０
の出力を得た人間の知力にて判定処理されるものであっ
ても良い。

■前述した学習アルゴリズムのパックプロパゲーション
により、入力に対する出力のエラーが一定レベルに収束
するまで３０．０００回学習させ、一定認識率を保証し
得るネットワークを構築する。尚、出力としては、各入
力話者に対応したユニットが「１」、その他が「ｏ」と
なるように学習した。

（Ｅ）実験上記認識システム１を用いて、話者同定と話者照合を実
験した。

（ａ）話者同定入力音声は■登録話者９名の学習直後の「タダイマ」、
■登録話者９名の３ケ月後の「タタイマ」とした。

結果、学習直後の同定率１００％に対し、３ケ月後の同
定率９８％であり、経時的な同定率の劣化か極めて少な
いことが認められた。

（ｂ）話者照合入力音声は■登録話者９名と学習詐称者２７名の学習直
後の「タダイマ」、■登録話者９名と学習詐称者２７名
の３ケ月後の「タダイマ」、■未学習詐称者１０名の「
タダイマ」とした。

結果、学習直後の照合率１００％に対し、３ケ月後の照
合率９９％であり、経時的な照合率の劣化が極めて少な
いことが認められた。

（ｃ）処理速度１回の入力音声「タダイマ」に対し、同定又は照合に要
した時間は１秒以内であり、極めて迅速処理できること
が認められた。

即ち、上記認識システム１にあっては、上記（ａ）、（
ｂ）の結果が示すように認識率か高く、而もその認識率
の経時的な劣化が極めて少ない。

又、上記認識システム１にあっては、上記　（Ｃ）の結
果が示すように話者認識処理を複雑な処理装置によるこ
となく迅速処理でき、容易に実時間処理できる。

尚、本発明の実施において、ニューラルネットワークへ
の入力として、音声の一定時間内における平均的な周波
数特性の時間的変化、及び一定時間内における平均的な
ピッチ周波数の時間的変化を用いるものでなく、単に「
音声の平均的な周波数特性、及び平均的なピッチ周波数
」を用いるものであっても良い。

［発明の効果］以上のように本発明によれば、経時的な認識率の劣化が
極めて少な（、容易に実時間処理できる話者認識方式を
得ることができる。

【図面の簡単な説明】

第１図は本発明が適用された話者認識システムの一例を
示す模式図、第２図は入力音声を示す模式図、第３図は
バンドパスフィルタの出力を示す模式図、第４図はニュ
ーラルネットワークを示す模式図、第５図は階層的なニ
ューラルネットワークを示す模式図、第６図はユニット
の構造を示す模式図である。１・・・認識システム、１０・・・バンドパスフィルタ、１１・・・ピッチ抽出部、１５・・・平均化回路、２ｏ・・・ニューラルネットワーク、２１・・・入力層２２・・・出力層、３０・・・判定回路、３１・・・同定認識部、３２・・・照合認識部。特許出願人　積水化学工業株式会社代表者　　廣１）馨第２図時間第３図（Ａ）（Ｃ）（Ｄ）第４図第５図出カバターン ↑ ↑ 入カバターン第６図ユニノト

Claims

【特許請求の範囲】

（１）ニューラルネットワークを用いて入力音声から話
者認識する話者認識方式であって、ニューラルネットワ
ークへの入力として、音声の平均的な周波数特性、及び
平均的なピッチ周波数を用いる話者認識方式。
（２）前記ニューラルネットワークへの入力として、音
声の一定時間内における平均的な周波数特性の時間的変
化、及び一定時間内における平均的なピッチ周波数の時
間的変化を用いる請求項１記載の話者認識方式。
（３）前記ニューラルネットワークが階層的なニューラ
ルネットワークである請求項１又は２記載の話者認識方
式。