JPH03122699A

JPH03122699A - 雑音除去装置及び該装置を用いた音声認識装置

Info

Publication number: JPH03122699A
Application number: JP26109989A
Authority: JP
Inventors: Takashi Ariyoshi; 有吉　敬
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1989-10-05
Filing date: 1989-10-05
Publication date: 1991-05-24
Anticipated expiration: 2014-03-03
Also published as: JP2863214B2

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】技五分更本発明は、音声認識装置に入力する音声からその音声信
号に混入する周囲雑音の成分の除去技術に関し、周囲の
雑音の大きい環境、例えば、事務所内、自動車内、家庭
内、工場内での音声認識装置に応用して好適なものであ
る。

災米技先音声認識装置に於て、入力した音声に周囲の雑音が混入
した場合、著しく認識率を低下させるので、音声認識装
置の実用化に際して周囲雑音の除去は重要な課題となっ
ている。

そこで、タイムスペクトルパターンを音声の特徴量とし
て用いる音声認識装置に於て、従来より雑音除去技術と
して一般的に行われている方法は、“５ｕｐｐｒｅｓｓ
ｉｏｎ　ｏｆ　Ａｃｏｕｓｔｉｃ　Ｎｏ１ｓｅ　ｉｎ　
ＳｐｅｅｃｈＵｓｉｎｇ　５ｐｅｃｔｒａｌ　５ｕｂｔ
ｒａｃｔｉｏｎ”（Ｓ、Ｆ、Ｂｏｌｌ、　ＩＥＥＥＴｒ
ａｎｓ、　　ＡＳＳＰ−２７，Ｎｏ、２．　ｐｐＨ３−
１２０，１９７９）に代表されるスペクトルサブトラク
ション法である。これは、音声が存在していない区間で
の入力を平均化して雑音のスペクトルとして保持し、音
声区間中に入力された雑音を含む音声のスペクトルから
この雑音のスペクトルを差し引いて音声のスペクトルと
する方法である。しかしながら、この方法は１周囲の雑
音が定常的であることを仮定しており、定常雑音の場合
、または、雑音が小さい場合は効果があるが、比較的大
きなレベルの非定常雑音環境下では雑音の成分を適切に
除去することが出来ないという欠点がある。

一方、２つの入カスベクトルの比を取る方法が。

特開昭６３−２６２６９５号公報等に記載されている。

この方法は、２つの入力手段を用いて雑音を含む音声の
スペクトルと、雑音のスペクトルとを求め、音声が存在
していない区間でこの２つのスペクトルから各帯域毎に
比を雑音伝達系の周波数特性として求めておき、音声区
間中の雑音を含む音声のスペクトルから、雑音のスペク
トルとこの比との積を、差し引いて音声のスペクトルと
するものである。この方法は、非定常雑音下で良好な雑
音成分除去を行い得る長所がある反面、比較的雑音が小
さい時に、２つのスペクトルの比に大きな誤差を生じる
ために、適切な雑音成分除去が行えないという問題点が
ある。

そこで、この２つの長所、短所から、あるしきい値を設
けて周囲の雑音レベルによ？て、この２つの方法を切り
替えて用いる方法が考えられるが。

周囲の雑音レベルがそのしきい値付近にある場合に、各
々の方式の欠点が現れて来るだけでなく。

上記２つの方式が雑音除去して出力する音声のスペクト
ルにパターン上の違いがあるので、発声中に周囲の雑音
レベルが変わり雑音除去方式が切り替わると、その時点
の音声は上記２つの方式により雑音除去された音声のパ
ターンが混在し、極端に認識されにくいという問題点と
、２つの方式の処理を平行して行うので処理量が増加す
るという問題点が新たに生じる。

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、
特に、上述した従来技術の欠点を排除し、周囲の雑音レ
ベルがどの様であっても、また、非定常雑音であっても
、入力された周囲の雑音を含む音声信号から周囲の雑音
成分を除去出来、更に、その雑音除去処理が高速に行わ
れる雑音除去装置、及び、その雑音除去装置を用いた音
声認識装置を実現することを目的とするものである。

癒−一威本発明は、上記目的を達成するために、（１）雑音を含
む音声の特徴量Ｘ　（ｆ）（ｆ＝１．２．、。

ｎ）を求めるための複数個ｎチャンネルから成る第１の
特徴抽出部と、雑音の特徴量Ｎ（ｆ）を求めるための複
数個ｎチャンネルから成る第２の特徴抽出部と、雑音を
含む音声の特徴量Ｘ　（ｆ）から雑音成分を除去するた
めの、上記ｎチャンネル毎の第１の雑音除去変数ｋ　（
ｆ）　、及び、第２の雑音除去変数ｄ　（ｆ）の少なく
とも２組の雑音除去変数を持ち、雑音を含む音声の特徴
量Ｘ　（ｆ）と雑音の特徴量Ｎ　（ｆ）とから、上記雑
音除去変数ｋ　（ｆ）　、及び、ｆ　（ｆ）を決定し、
更に、雑音を含む音声の特徴量Ｘ　（ｆ）と雑音の特徴
量Ｎ（ｆ）と雑音除去変数ｋ　（ｆ）　、及びｄ　（ｆ
）とから、雑音成分を除去した音声の特徴量Ｓ　（ｆ）
を求める雑音除去部とを具備して成り、上記雑音除去部
は、雑音成分を除去した音声の特徴量Ｓ　（ｆ）を求め
るために、雑音を含む音声の特徴ｉＸ　（ｆ）から、雑
音の特徴量Ｎ　（ｆ）と第１の雑音除去変数ｋ　（ｆ）
との積と、第２の雑音除去変数ｄ　（ｆ）とを減じる方
法を用いる雑音除去装置、及び、（２）上記（１）記載
の雑音除去装置と、該雑音除去装置で得られた音声の特
徴量から、音声の入力パターンを作成するパターン作成
部と、予め登録された音声の標準パターンを記憶する標
準パターンメモリと、上記パターン作成部で得られた入
力パターンと上記標準パターンメモリに記憶されている
標準パターンとを用いて認識処理を行う認識部とを具備
して成る音声認識装置を特徴としたものである。以下、
本発明の実施例に基づいて説明する。

第１図は、請求項第１項に記載した雑音除去装置の一実
施例を説明するための構成図で、図中。

１０は第１の特徴量抽出部、２０は第２の特徴量抽出部
、３１は音声区間検出部、３２は雑音除去部で、第１の
特徴量抽出部１０及び第２の特徴量抽出部２０は、それ
ぞれ、マイクアンプ１１゜２１；プリエンファシス回路
１２．２２；バンドパスフィルタバンク１３．２３；Ａ
／Ｄコンバータ１４．２４から成っている。マイクアン
プ１１は、雑音を含む音声を入力するためのマイクから
入力された信号の増幅を行い、プリエンファシス回路１
２は、マイクアンプ１１の出力信号の高域を強調する。

バンドパスフィルタバンク１３は、プリエンファシス回
路１２の出力信号のパワースペクトルを求めるために、
２５０Ｈｚから６３５０ＨｚまでＬＯＧ軸上で等間隔に
配置された中心周波数を持つ１５チヤンネルから成るバ
ンドパスフィルタ、検波器、ローパスフィルタ等で構成
されている。Ａ／Ｄコンバータ１４は、バンドパスフィ
ルタバンク１３の出力をマルチプレクスしてフレーム周
期１０ｍ５毎に出力する。これらマイクアンプ１１．プ
リエンファシス回路１２、バンドパスフィルタバンク１
３、及び、Ａ／Ｄコンバータ１４は雑音を含む音声のパ
ワースペクトルＸ　（ｆ）を抽出するための第１の特徴
量抽出部１０を構成している。

一方、マイクアンプ２１は、周囲の雑音を入力するため
のマイクから入力された信号の増幅を行い、プリエンフ
ァシス回路２２は、マイクアンプ２１の出力信号の高域
を強調し、バンドパスフィルタバンク２３は、プリエン
ファシス回路２２の出力信号のパワースペクトルを求め
るために２５０Ｈｚから６３５０Ｈ２までＬＯＧ軸上で
等間隔に配置された中心周波数を持つ１５チヤンネルか
ら成るバンドパスフィルタ、検波器、ローパスフィルタ
で構成されたフィルタバンクで、Ａ／Ｄコンバータ２４
は、バンドパスフィルタバンクの出力をマルチプレクス
してフレーム周期１０ｍ５毎に出力する。これらマイク
アンプ２１、プリエンファシス回路２２、バンドパスフ
ィルタバンク２３、及び、Ａ／Ｄコンバータ２４は雑音
のパワースペクトルＮ　（ｆ）を抽出するための第２の
特徴量抽出部２０を構成している、音声区間検出部３１は、Ａ／Ｄコンバータ１４とＡ／Ｄ
コンバータ２４がら得られた２つのパワースペクトルＸ
　（ｆ）　、及び、　Ｎ　（ｆ）の時系列。

即ち、タイムスペクトルパターンから音声区間を検出す
る。即ち、しきい値Ｔｈに対して、の区間を音声区間と
する。ここで、Σ　Ｘ　（ｆ）、ΣＮ　（ｆ）の値は、
バンドパスフィルタ１３，２３の他に１５チヤンネルの
帯域全ての信号を透過するフィルタを設けて求めてもよ
い。このしきい値Ｔｈは、周囲の雑音レベルに応じて変
えることが出来る。

雑音除去部３２は、雑音による雑音成分を除去するため
の、１５チヤンネル毎にｋ　（ｆ）、及び、ｄ　（ｆ）
の２組の雑音除去変数（ｆ＝１．２．、、。

１５）を持ち、音声区間検出部３１が音声区間でないと
判断した時に、その時の雑音を含む音声のパワースペク
トルＸｎ（ｆ）と雑音のパワースペクトルＮ　ｎ　（ｆ
）とから、雑音除去変数ｋ　（ｆ）、及び、ｄ　（ｆ）
を下式に従って決定し、順次更新していく。

（添え字ｎは非音声区間を表す。また、定数ＣＯＯであ
る。）ｋ（ｆ）”（（Ｘｎ（ｆ）”−Ｃ”）／　Ｎｎ−（ｆ）
”）”　　　　　（１）ただし　Ｘｎ（ｆ）＞　Ｃの時ｋ（ｆ）＝０　　　　　　　　　　　　　　　　　　　
　　　（２）ただし　Ｘｎ（ｆ）≦Ｃの時ｄ（ｆ）：Ｘｎ（ｆ）　−ｋ（ｆ）・Ｎｎ（ｆ）　　　
　　　　　（３）ここで、Ｘｎ（ｆ）、Ｎ（ｆ）は、音
声区間でない時の数フレームの平均でもよい。この時、
音声のパワースペクトル５ｎ（ｆ）は、５ｎ（ｆ）　＝
　０とする。

雑音除去部３２は、更に、音声区間検出部３１が音声区
間と判断した時に、その時の雑音を含む音声のパワース
ペクトルＸ５（ｆ）、及び、雑音のパワースペクトルＮ
５（ｆ）と雑音除去変数ｋ（ｆ）及びｄ（ｆ）とから音
声のパワースペクトル５ｓ（ｆ）を下式のように求める
。（添え字Ｓは音声区間を表す。）Ｓｓ（ｔ、ｆ）　＝
　Ｘ５（ｆ）　−ｋ（ｆ）　・Ｎ５（ｆ）　−ｄ（ｆ）
　　（４）この時、雑音除去変数ｋ（ｆ）、ｄ（ｆ）は
、更新せず、それまでの値を保持する。

式（１）のＸｎ（ｆ）、　Ｎｎ（ｆ）とｋ　（ｆ）の関
係は、Ｘｎ（ｆ）２−　ｋ（ｆ）２・Ｎｎ（ｆ）”二Ｃ
”で表すことが出来、これをグラフにすると第３図のよ
うな双曲線の一部になる。

、図でも明らかなように１周囲雑音が十分大きい時、即
ち。

Ｘｎ（ｆ）、　Ｎｎ（ｆ）　　＞＞　Ｃの時は。

Ｋ（ｆ）　＝　Ｘｎ（ｆ）　／　Ｎｎ（ｆ）ｄ（ｆ）　
＝　Ｏ（５）となる（正確には近づく）、この時１式（４）は、５ｓ
（ｆ）　＝　ｌ５（ｆ）　−ｋ（ｆ）　・Ｎ５（ｆ）　
　　　　　（６）であり、２つの入力の雑音の比を用い
て雑音を除去する方法と同様になる。その逆に、周囲騒
音が小さいとき、即ち。

Ｘｎ（ｆ）≦Ｃの時は。

ｋ（ｆ）　＝　０ｄ（ｆ）　＝：　Ｘｎ（ｆ）　　　　　　　　　　　　
　　　（７）となり、式（４）は。

５ｓ（ｆ）　＝　Ｘ５（ｆ）　−ｄ（ｆ）　＝Ｘｓ（ｆ
）−Ｘｎ（ｆ）　　　（８）であり、これはスペクトル
サブトラクション法と同様になる。

尚、式（１）〜（４）の演算は、ＬＯＧテーブルと、Ｅ
ＸＰテーブルを参照することにより高速に実行すること
ができる。

また、式（１）は、例えば、ｋ（ｆ）＝（（Ｘｎ（ｆ）”−Ｃｌ２）／　Ｎｎ（ｆ）
”＋Ｃｚ”）　　　（Ｃｘ＋Ｃｚ〉０）Ｘｎ（ｆ）　＞
　Ｃ，の時　（１’）で表わされる双曲線でもよいし、双曲線に限らずこれに
類似する曲線の関係でもよい。

更にこの実施例では、音声区間検出部の結果を用いて、
音声区間中は雑音除去変数ｋ（ｆ）、ｄ　（ｆ）を保持
しているが、雑音除去変数のある程度以上の急激な変化
を許さないという手法を用いるなどすれば、音声区間中
でも雑音除去変数を更新することが出来る。

第２図は、上述のごとき雑音除去装置を用いた請求項２
記載の音声認識装置の一実施例を説明するためのブロッ
ク図で１図中、５０は雑音除去装置部、６０はパターン
作成部、７０は標準パターンメモリ、８０は認識部で、
雑音除去装置部５゜は、上述の雑音除去装置から成り雑
音を含む音声のスペクトルと雑音のスペクトルとから音
声のスペクトルを求める。パターン作成部６０は、雑音
除去装置部５０で得られた音声の特徴量から、音声の入
力パターンを作成する。雑準パターンメモリ７０は、予
め登録された音声の複数個の標準パターンを記憶する。

認識部８ｏは、上記パターン作成部６０で得られた入力
パターンと上記標準パターンメモリ７０に記憶されてい
る標準パターンとを用いて認識処理を行い最も類似度の
高い標準パターンに対応する結果を認識結果として出方
する。

ここで、パターン作成部６０で作成される音声の入力パ
ターンと標準パターンメモリ７ｏに記憶された音声の標
準パターンは、［２値のＴＳＰを用いた単語音声認識シ
ステムの開発」　（安田他、電学論Ｃ，１０８巻ＩＯ号
、ｐｐ８５８−８６５、昭６３）等で公知となっている
バイナリ−タイムスペクトルパターン（Ｂ　ＴＳ　Ｐ）
である、また、認識部８゜で行われる認識処理は、上記
文献等により公知となっているＢＴＳＰ方式の認識処理
である。

尚、これら音声のパターン、及び、認識方式は、ＢＴＳ
Ｐ方式に限らず、他の方式、例えば、ＤＰマツチングを
用いた方式でも実現できる。

効−一二展以上の説明から明らかなように、請求項第１項に記載の
雑音除去装置によると、雑音を含む音声のスペクトルＸ
（ｆ）と雑音のスペクトルＮ　（ｆ）とから式（１）、
　（２）、　（３）で表される２組の雑音除去変数ｋ（
ｆ）、ｄ（ｆ）を用い、式（４）に従って音声のスペク
トル５（ｆ）を求めているので、周囲雑音の小さい場合
には、この場合に適した変数ｄ　（ｆ）が主に雑音成分
を適切に除去し１周囲雑音が大きい場合には、この場合
に適した変数ｋ　（ｆ）が主に雑音成分を適切に除去し
、周囲雑音がそれらの中間の場合には、２つの変数ｋ（
ｆ）、　ｄ（ｆ）が分担して雑音成分を除去するので、
広い範囲のレベルの周囲雑音、及び、非定常な周囲雑音
に対して適切な雑音成分の除去が行える。更に、本発明
のアルゴリズムは、場合分けが少なく処理が単純であり
、プログラム量が少なく、かつ、演算速度が速いという
長所がある。

また、請求項第２項に記載の音声認識装置によると、こ
の音声認識装置は、請求項１記載の雑音除去装置を含ん
でいるので、広い範囲のレベルの周囲雑音、及び、非定
常な周囲雑音の環境下で発声された音声に対して高い音
声認識率を得ることが出来る。更に、！５５項１記載の
雑音除去装置のアルゴリズムはプログラム量が少なく、
かつ、演算速度が速いので、従来認識処理等を実行して
いたＣＯＵ等の処理回路に認識処理等と併せて雑音除去
処理を実行させることも容易であり、雑音除去のための
ハードウェアの増加を極力防ぐことが出来る。

等の利点がある。

【図面の簡単な説明】

第１図は、本発明による雑音除去装置の一実施例を説明
するための構成図、第２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３図は、雑音
成分と雑音除去変数との関係を示すグラフである。１ｏ・・・第１の特徴量抽出部、１１・・・マイクアン
プ、１２・・・プリエンファシス回路、１３・・・バン
ドパスフィルタ、バンク、１４・・・Ａ／Ｄコンバータ
、２０・・・第２の特徴量抽出部、２１・・・マイクア
ンプ、２２・・・プリエンファシス回路、２３・・・バ
ンドパスフィルタバンク、２４・・・Ａ／Ｄコンバータ
、３１・・音声区間検出部、３２・・・雑音除去部、５
ｏ・・・雑音除去装置部、６０・・・パターン作成部、
７０・・・標準パターンメモリ、８０・・・認識部。第１図認識結果

Claims

【特許請求の範囲】１、雑音を含む音声の特徴量Ｘ（ｆ）（ｆ＝１、２、、
、ｎ）を求めるための複数個ｎチャンネルから成る第１
の特徴抽出部と、雑音の特徴量Ｎ（ｆ）を求めるための
複数個ｎチャンネルから成る第２の特徴抽出部と、雑音
を含む音声の特徴量Ｘ（ｆ）から雑音成分を除去するた
めの、上記ｎチャンネル毎の第１の雑音除去変数ｋ（ｆ
）、及び、第２の雑音除去変数ｄ（ｆ）の少なくとも２
組の雑音除去変数を持ち、雑音を含む音声の特徴量Ｘ（
ｆ）と雑音の特徴量Ｎ（ｆ）とから、上記雑音除去変数
ｋ（ｆ）、及び、ｆ（ｆ）を決定し、更に、雑音を含む
音声の特徴量Ｘ（ｆ）と雑音の特徴量Ｎ（ｆ）と雑音除
去変数ｋ（ｆ）、及びｄ（ｆ）とから、雑音成分を除去
した音声の特徴量Ｓ（ｆ）を求める雑音除去部とを具備
して成り、上記雑音除去部は、雑音成分を除去した音声
の特徴量Ｓ（ｆ）を求めるために、雑音を含む音声の特
徴量Ｘ（ｆ）から、雑音の特徴量Ｎ（ｆ）と第１の雑音
除去変数ｋ（ｆ）との積と、第２の雑音除去変数ｄ（ｆ
）とを減じることを特徴とした雑音除去装置。２、請求項１記載の雑音除去装置と、該雑音除去装置で
得られた音声の特徴量から、音声の入力パターンを作成
するパターン作成部と、予め登録された音声の標準パタ
ーンを記憶する標準パターンメモリと、上記パターン作
成部で得られた入力パターンと上記標準パターンメモリ
に記憶されている標準パターンとを用いて認識処理を行
う認識部とを具備して成ることを特徴とする音声認識装
置。