JPH026079B2 - - Google Patents

Description

【発明の詳細な説明】

産業上の利用分野 本発明は、音声認識装置等に使用される語頭子
音のセグメンテーシヨン法に関するものである。 従来例の構成とその問題点 従来研究されあるいは発表されている音声認識
システムの動作原理としてはパタンマツチング法
が多く採用されている。この方法は認識される必
要がある全種類の単語に対して標準パターンをあ
らかじめ記憶しておき、入力される未知の入力パ
ターンと比較することによつて一致の度合（以下
類似度と呼ぶ）を計算し、最大類似度が得られる
標準パターンと同一の単語であると判定するもの
である。このパタンマツチング法では認識される
べき全ての単語に対して標準パターンを用意しな
ければならないため、発声者が変わつた場合には
新しく標準パターンを入力して記憶させる必要が
ある。従つて日本全国の都市名のように数百種類
以上の単語を認識対象とするような場合、全種類
の単語を発声して登録するには膨大な時間と労力
を必要とし、又登録に要するメモリ容量も膨大に
なることが予想される。さらに入力パターンと標
準パターンのパタンマツチングに要する時間も単
語数が多くなると長くなつてしまう欠点がある。 これに対して、入力音声を音素単位に分けて音
素の組合せとして認識し（以下音素認識と呼ぶ）
音素単位で表記された単語辞書との類似度を求め
る方法は単語辞書に要するメモリ容量が大巾に少
なくて済みパタンマツチングに要する時間が短か
くでき、辞書の内容変更も容易であるという特長
を持つている。この方法の例は「音声スペクトル
の概略形とその動特性を利用した単語音声認識シ
ステム」三輪他、日本音響学会誌34（1978）に述
べてある。 この方法における単語認識システムのブロツク
図を第１図に示す。まず、あらかじめ多数話者の
音声を10msの分析区間毎に音響分析部１によつ
てフイルタを用いて分析し、得られたスペクトル
情報をもとに特徴抽出部２によつて特徴パラメー
タを求める。この特徴パラメータから／ａ／、／
Ｏ／等の母音や、／ｎ／、／ｂ／等の子音に代表
される音素毎又は音素グループ毎に標準パターン
を作成して標準パターン登録部３に登録してお
く。次に、入力された不特定話者の音声を、同様
に分析区間毎に音響分析部１によつて分析し、特
徴抽出部２によつて特徴パラメータを求める。こ
の特徴パラメータと標準パターン登録部３の標準
パターンを用いてセグメンテーシヨン部４におい
てセグメンテーシヨンを行なう。この結果をもと
に、音素判別部５において、標準パターン登録部
３の標準パターンと照合することによつて、最も
類似度の高い標準パターンに該当する音素をその
区間における音素と決定する。最後に、この結果
作成した音素の時系列（以下音素系列と呼ぶ）を
単語認識部６に送り、同様に音素系列で表現され
た単語辞書７と最も類似度の大きい項目に該当す
る単語を認識結果として出力する。 次にセグメンテーシヨン部４における語頭子音
のセグメンテーシヨン法について述べる。 従来、語頭子音のセグメンテーシヨン法として
は、語頭の有声子音のスペクトルが鼻音のスペク
トルに類似していることを利用して、フレーム毎
に５母音と鼻音で音素認識を行ない鼻音／Ｎ／の
音素認識の結果の有無によつて判定していた。例
えば、語頭の／ma／はフレーム毎に音素認識を
行なうと／NNNNAAAA／という音素系列とし
て現われることがしばしばあり、この中で／
NNNN／の部分を有声子音とすることによ
り、／ｍ／と／ｉ／を区別する方法をとつてい
た。 また、語頭の短い無声子音の存在はスペクトル
の傾きが顕著に変動する現象を見つけることによ
つて子音を区別していた。例えば語頭の／pa／
は／ｐ／から／ａ／へ移る部分でスペクトルの傾
きが急激に変化することがしばしばあるために、
それを使つて／ｐ／と／ａ／を区別する方法をと
つていた。 しかし、上記方法では必ずしも子音の存在をと
らえることが出来ず、しばしば語頭子音を見過ご
したり（以下子音の脱落と呼ぶ）、語頭は母音で
始まるけれど子音区間とする誤り（以下子音の付
加と呼ぶ）が多い。それは、有声子音の中で／
ｒ／、／ｂ／、／ｄ／等の子音は必ずしも鼻音性
を示さないからである。また、／ｐ／、／ｔ／等
の持続時間の短い無声子音は必ずしもスペクトル
の傾きの顕著な時間変化を現わすとは限らないか
らである。 発明の目的 本発明は上記欠点を解消するもので、語頭子音
の脱落と付加の少ない精度の良い語頭子音のセグ
メンテーシヨン法を提供することを目的とする。 発明の構成 本発明は上記目的を達成するもので語頭から最
初に母音スペクトルが時間的に安定して現われる
フレームを基準フレームとし、この基準フレーム
のスペクトル・パターンと語頭から基準フレーム
までの各フレームのスペクトル・パターンとを比
較することによつて語頭子音のセグメンテーシヨ
ンを精度良く行なうものである。 実施例の説明 本発明の語頭子音のセグメンテーシヨン法の実
施例を以下に示す。 本実施例において、スペクトル・パターンの特
徴を表わすパラメータとしてLPCケプストラム
係数C₁〜C_o（ただし、ｎは正の整数）を用いる。
母音スペクトルが時間的に安定して現われる基準
フレーム（本実施例では１フレームを10ｍsecと
する）の選び方として、以下に述べる４つの方法
を用いる。 まず、低域、高域パワー情報を使用する第１の
基準フレーム検出法について述べる。 本実施例で低域パワーと高域パワーを併用する
のは有声子音は高域パワーに、無声子音は低域パ
ワーに特徴が現われやすいためである。 低域パワーは音声信号を低域の帯域フイルタに
通しフレーム毎にパワー値を求めそれを平滑化し
て得る。又、高域パワーは高域の帯域フイルタに
よつて同様にして得る。 第２図には、低域または高域パワーの語頭にお
ける時間的変化の例を示している。 語頭が主に破裂性の子音で始まる時、パワー値
の時間的変化をプロツトすると第２図のａのよう
になる。これは破裂性のためにパワーが急激に立
上がり、後続の母音との渡りの部分においてａの
ように凹状になるからである。 ｂはａのパワーの時間的変化の値を微分したも
のである。P₁〜P₃はａの変曲点のフレーム番号
を示している。ここでは音声区間の始まるフレー
ム番号を１にしている。ここで、ａ、ｂのように
P₁、P₃の微分値が正、P₂の微分値が負、かつP₃
＜ｍ（ｍはフレーム番号を示すいき値）を満足す
る時、（P₃＋ａ）フレーム（本実施例では、母音
の持続時間を考慮してａ＝３フレームとした）を
基準フレームとする。 次に、語頭における鼻音性を使用する第２の基
準フレーム検出法について述べる。 本実施例の音素認識は、各フレーム毎に行な
う。フレーム毎の音素認識はLPCケプストラム
係数を用いて、あらかじめ用意してある各音素の
標準パターンとの比較によつて行なう。標準パタ
ーンとしては５母音（／ａ／、／ｉ／、／
ｕ／、／ｅ／、／ｏ／）、鼻音（／Ｎ／で表わす）
を用いた。このようにして、各フレーム毎に類似
度の最も大きい音素（第１候補音素）を求める。
フレーム毎の第１候補音素をフレーム番号の順に
並べた系列を第１候補音素時系列とする。 上記第１候補音素時系列を語頭から順に見た
時、／Ｎ／が連続してd₁フレーム現われた時、語
頭から（d₁＋ａ）フレーム目を基準フレームとす
る。例えば、／ma／をフレーム毎に音素認識し
た時、音素認識結果が第３図のようになつたとす
ると、／Ｎ／が５フレーム連続しているので（５
＋ａ）フレーム目を基準フレームとする。 次に、無声子音性を使用する第３の基準フレー
ム検出法について述べる。 本実施例において無声子音性としては、フレー
ム毎の音声、無声判定結果を用いる。語頭から無
声判定がd₂フレーム連続する時、語頭から（d₂＋
ａ）フレーム目を基準フレームとする。 最後に、第４の方法について述べる。 この方法は比較的持続時間の短かい子音を対象
とするために、基準フレームを語頭からd₃フレー
ム目（本実施例ではd₃＝７）と固定して決定する
方法である。 本実施例は第１〜第４の基準フレーム検出法を
この順序で適用し、基準フレームが検出された時
には以降の方法を適用しないようにしたものであ
る。ただこれら第１〜第４の基準フレーム検出法
の上記順序に限定されるものでなく任意の順序で
適用することも可能で、またそれぞれ単独に適用
しても基準フレームが求めれば良い。 このようにして求められ基準フレームｋと語頭
から基準フレームまでのスペクトル・パターンを
比較することによつて語頭子音のセグメンテーシ
ヨンを行なう。 ある２フレーム間のスペクトル・パターンを比
較する方法として(1)式を用いる。 ｆ（ｉ、ｊ）＝_o 〓^l=1 （Cl(i)−Cl(j)） ………(1) (1)式において、Cl(i)は語頭からｉフレーム目に
おけるｌ番目のLPCケプトラム係数を表わして
いる。同様にCl(j)はｊフレーム目におけるｌ番目
のLPCケプストラム係数を表わしている。ｆ
（ｉ、ｊ）の値が大きいほど２つのフレームのス
ペクトル・パターンが異なつていることになる。 この(1)式を用いて基準フレームｋと語頭から基
準フレームまでの各フレームとのｆ（ｉ、ｋ）（た
だし、１≦ｉ≦ｋ−１）を計算し、最大値を
fmaxの値があるいき値より大きいか小さいかに
よつて語頭子音の有無を判定する。この方法で検
出された場合、語頭子音区間としてはｆ（ｉ、ｋ）
の値の変化が一番大きいフレームまでを子音区間
とする。 第４図に例を示す。横軸は語頭のフレーム番号
を１とした時の時間軸、縦軸はフレーム番号ｋを
基準とした時のｆ（ｉ、ｋ）（ただし１≦ｉ≦ｋ−
１）の値を表わしている。図においてｆ（ｉ、ｋ）
の最大値fmax＝ｆ（１、ｋ）の値が、いき値θよ
りも大きいため語頭子音を検出したことになり、
語頭子音の区間としてはｆ（ｉ、ｋ）の変化が最
も大きいフレーム番号３までとし、１〜３フレー
ムまでを語頭子音区間としてセグメンテーシヨン
を行なう。 本実施例と従来法について、男性10名がそれぞ
れ212単語を発声したデータ（約2100単語）を用
いて比較を行なつた。 表に従来の方法による語頭子音の検出率と本実
施例の方法を用いた語頭子音の検出率を示してい
る。 表に示したように語頭子音検出率が従来と比べ
て平均で85％から96％へと向上している。 また、語頭は母音で始まるけれど誤つて子音で
あると判定する（子音付加）割合は従来例では24
％であつたが、本実施例の方法では約20％へと減
少している。

【表】 発明の効果 以上のように本発明は、語頭から最初に母音ス
ペクトルが時間的に安定して現われるフレームを
基準フレームとして求め、この基準フレームのス
ペクトル・パターンと、語頭から基準フレームま
での各フレームのスペクトル・パターンとを比較
することによつて語頭子音の検出とセグメンテー
シヨンを行うことを特徴とする語頭子音のセグメ
ンテーシヨン法を提供するもので、語頭子音検出
率及び母音に対する子音の付加率を著しく向上さ
せることができ、精度の高い語頭子音のセグメン
テーシヨンが行える利点を有する。

【図面の簡単な説明】

第１図は従来の音声認識システムのブロツク
図、第２図は本発明の一実施例における語頭子音
のセグメンテーシヨン法のパワー情報による基準
フレーム検出法を示す図、第３図は本発明の同法
の音素認識結果による基準フレーム検出法を示す
図、第４図は本発明の同法の基準フレームのスペ
クトル・パターンと語頭から基準フレームまでの
各スクトル・パターンとの比較結果を示す図であ
る。 １……音響分析部、２……特徴抽出部、３……
標準パターン登録部、４……セグメンテーシヨン
部、５……音素判別部、６……単語認識部、７…
…単語辞書。

Claims (1)

【特許請求の範囲】
1. １ 語頭から最初に母音スペクトルが時間的に安
   定して現われるフレームを基準フレームとし、こ
   の基準フレームのスペクトル・パターンと語頭か
   ら基準フレームまでの各フレームのスペクトル・
   パターンとを比較することによつて語頭子音の検
   出とセグメンテーシヨンを行うことを特徴とする
   語頭子音のセグメンテーシヨン法。