JPH03179499A - 単語音声認識装置 - 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】 産業上の利用分野 本発明は、音声ダイヤル方式等に利用する単語音声認識
装置に関する。

従来の技術 従来の単語音声認識装置として、第２図に示すような構
成が知られている。第２図において、５１は音声信号入
力用のマイクロホン、５２はマイクロホン５１から出力
された音声のアナログ信号をデジタル信号に変換するＡ
／Ｄ変換器、５３はＡ／Ｄ変換器５２でデジタル信号に
変換された音声信号を音響分析して音声認識パラメータ
を得る認識パラメータ抽出部、５４はＡ／Ｄ変換器５２
でデジタル信号に変換された音声信号を音響分析して音
声合戊パラメータを得る合成パラメータ抽出部、５５は
Ａ／Ｄ変換器５２でデジタル信号に変換された音声信号
から発声された音声の始端と終端を検出する音声区間検
出部、５６はＮ単語針の音声合成パラメータを格納する
メモリ、５７はＮ単語針の音声認識パラメータを音声認
識参照用として格納するメモリ、５８はメモリ制御部で
あり、音声区間検出部５５の検出結果をもとに認識パラ
メータ抽出部５３、合成パラメータ抽出部５４の出力デ
ータを認識パラメータ格納メモリ５７、合成パラメータ
格納メモリ５６に格納し、また、各格納メモリ５７．５
６に格納しているデータを読み出す。５９は音声認識の
マツチング部であり、認識パラメータ抽出部５３からの
音声認識パラメータの時系列データと、認識パラメータ
格納メモリ５７に格納されている音声認識パラメータの
時系列データとのマツチングを行なう。６０はマツチン
グ部５９の出力をもとに認識結果、すなわち、合成パラ
メータ格納メモリ５６から音声合成パラメータの時系列
データを出力する認識結果出力部、６１は認識結果出力
部６０の出力をもとにデジタル値の音声信号を生成する
音声合成部、６２は音声合成部６１から出力された音声
合成デジタル信号をアナログ信号に変換するＤ／Ａ変換
器、６３はＤ／Ａ変換器６２で変換された音声合成信号
を増幅する増幅器、６４は増幅器６３で増幅された音声
合成信号をもとに音声波を出力するスピーカー　６５．
６６はそれぞれＡ／Ｄ変換器５２と合成パラメータ抽出
部５４の間、メモリ制御部５８とマツチング部５９の間
に設けられ、音声登録モードと音声認識モードを切り替
えるスイッチである。

以上の構成において、以下、その動作について説明する
。

まず、スイッチ６５．６６を接点ａ側に切り替え、音声
登録モードにする。そして、マイクロホン５１から音声
を入力すると、その音声信号はＡ／Ｄ変換器５２でデジ
タル信号に変換される。この音声デジタル信号は認識パ
ラメータ抽出部５３および合成パラメータ抽出部５４で
それぞれ単位時間毎に音響分析が施されて特徴抽出が行
なわれ、音声認識パラメータおよび音声合成パラメータ
が時系列データとして生成され、メモリ制御部５８に出
力される。一方、上記時系列データと同期し、音声区間
検出部５５において、上記音声のデジタル信号をもとに
、その音声の始端と終端が検出される。メモリ制御部５
８では、上記音声の始端と終端の値を用い、音声認識パ
ラメータおよび音声合成パラメータの時系列データの始
端から終端までの値を認識パラメータ格納メモリ５７お
よび合成パラメータ格納メモリ５６に格納する。以上の
動作を各単語毎に繰り返し、Ｎ単語針の音声認識パラメ
ータおよび音声合成パラメータをそれぞれ格納メモリ５
７．５６に格納する。

次に、スイッチ６５．６６を接点す側に切り替え、音声
認識モードにする。そして、マイクロホン５１から音声
を入力すると、その音声信号はＡ／Ｄ変換器５２でデジ
タル信号に変換され、認識パラメータ抽出部５３および
音声区間検出部５５に入り、入力した音声信号の始端と
終端に対応して音声認識パラメータの時系列データが生
成され、メモリ制御部５８に入力される。メモリ制御部
５８は上記音声認識パラメータの時系列データと、認識
パラメータ格納メモリ５７に予め格納しである各々の単
語の音声認識パラメータの時系列データとの距離計算を
マツチング部５９で行なわせ、各単語毎の距離を求める
。認識結果出力部６０では、得られた各単語毎の距離が
最小の単語を選び、合成パラメータ格納メモリ５６から
上記単語に対応する音声合成パラメータの時系列データ
をメモリ制御部５８を通して音声合成部６１に出力する
。音声合成部６１は、入力された音声合成パラメータの
時系列データからデジタル値の音声信号を生成する。こ
のようにして得られたデジタル値の音声信号をＤ／Ａ変
換器６２でアナログ信号に変換し、増幅器６３で増幅し
、スピーカ６４から音声波として認識結果を出力する。

このように、従来の単語音声認識装置でも、音声認識結
果を予め登録時に生成した音声合成パラメータを使用す
ることにより、スピーカ６４から出力される合成音声に
より確認することができる。

発明が解決しようとする課題 しかしながら、上記従来例の単語音声認識装置では、音
声登録時の入力音声レベルが各単語毎に異なるため、音
声認識結果としての合成音声の信号レベルが各単語毎に
大きく異なり、認識結果を確認することができないとい
う課題があった。

本発明は、このような従来の課題を解決するものであり
、音声認識結果としての合成音声の信号レベルを各単語
毎にほぼ等しくすることができ、音声認識結果を容易に
、かつ確実に確認することができるようにした単語音声
認識装置を提供することを目的とするものである。

課題を解決するための手段 上記目的を遠戚するための本発明の技術的解決手段は、
入力された各単語音声に対し、予め音声の特徴抽出を行
ない、音声認識パラメータ、音声合成パラメータをそれ
ぞれ抽出する手段および音声レベルの大小範囲を符号化
する手段と、抽出された音声認識パラメータ、音声合成
ハラメータ、符号化された音声レベルの大小範囲を格納
するメモリと、音声認識時に入力された音声から上記音
声認識パラメータ抽出手段で抽出された音声認識パラメ
ータおよび予め上記格納メモリに格納されている各単語
の音声認識パラメータを用いて認識を行ない、認識結果
として予め上記格納メモリに格納されている音声合成パ
ラメータを出力すると共に、予め上記格納メモリに格納
され、上記認識した単語に対応した音声レベルの大小範
囲を示す符号を出力する手段と、出力された音声合成パ
ラメータから音声信号を合成する手段と、出力された音
声レベルの大小範囲を示す符号をもとに上記合成されて
出力される音声信号を他単語との出力レベル差が最小と
なるように制御する手段を備えたものである。

作用 したがって、本発明によれば、入力された各単語音声に
対し、抽出手段で予め音声の特徴抽出を行ない、音声認
識パラメータおよび音声合成パラメータを抽出して格納
メモリに格納し、符号化手段で入力音声レベルの大小範
囲を符号化して格納メモリに格納し、音声認識時に入力
された音声から抽出手段で抽出された音声認識パラメー
タおよび予め格納メモリに格納しである各単語の音声認
識パラメータを用いて認識を行ない、認識結果として予
め格納メモリに格納しである音声合成パラメータを出力
すると共に、予め格納メモリに格納し、認識した単語に
対応した音声レベルの大小範囲を示す符号を出力し、音
声合成パラメータをもとに音声信号を合成する際、音声
レベルの大小範囲を示す符号をもとに他単語との出力レ
ベル差が最小となるように制御することができる。

実施例 以下、本発明の実施例について図面を参照しながら説明
する。

第１図は本発明の一実施例における単語音声認識装置を
示す概略ブロック図である。

第１図において、１は音声信号入力用のマイクロホン、
２はマイクロホン１から出力された音声のアナログ信号
をデジタル信号に変換するＡ／Ｄ変換器、３はＡ／Ｄ変
換器２でデジタル信号に変換された音声信号を音響分析
して音声認識パラメータを得る認識パラメータ抽出部、
４はＡ／Ｄ変換器２でデジタル信号に変換された音声信
号を音響分析して音声合成パラメータを得る合成パラメ
ータ抽出部、５はＡ／Ｄ変換器２でデジタル信号に変換
された音声信号から音声レベルの大小範囲として、音声
パワーの最大値と平均値を符号化して求める音声パワー
レベル符号化部、６はＡ／Ｄ変換器２でデジタル信号に
変換された音声信号から発声された音声の始端と終端を
検出する音声区間検出部、７はＮ単語分の音声合成パラ
メータを格納するメモリ、８はＮ単語針の音声認識パラ
メータを音声認識参照用として格納するメモリ、９はＮ
単語針の音声パワーの最大値と平均値を格納するメモリ
、１０はメモリ制御部であり、音声区間検出部６の検出
結果をもとに認識パラメータ抽出部３、合成パラメータ
抽出部４、音声パワーレベル符号化部５の出力データを
各格納メモリ８．７．９に格納し、また、各格納メモリ
８．７．９に格納しているデータを読み出す。１１は音
声認識のマツチング部であり、認識パラメータ抽出部３
からの音声認識パラメータの時系列データと、認識パラ
メータ格納メモリ８に格納されている音声認識パラメー
タの時系列データとのマツチングを行なう。１２はマツ
チング部１１の出力をもとに認識結果、すなわち、合成
パラメータ格納メモリ７から音声合成パラメータの時系
列データを出力し、かつパワーレベル符号格納メモリ９
から認識した単語に対応した音声パワーの最大値と平均
値を出力する認識結果出力部、１３は認識結果出力部１
２から出力された音声合成パラメータの時系列データを
もとにデジタル値の音声信号を生成する音声合成部、１
４は音声合成部１３から出力された音声合成デジタル信
号をアナログ信号に変換するＤ／Ａ変換器、１５はＤ／
Ａ変換器１４で変換された音声合成信号を基準レベルに
対して一定にするためのアラティネタ−１６は認識結果
出力部１２から出力された音声パワーの最大値と平均値
をもとにアラティネタ−１５を制御する音声パワー制御
部、１７は基準レベルに対して一定にされた音声合成信
号を増幅する増幅器、１８は増幅器１７で増幅された音
声合成信号をもとに音声波を出力するスピーカー１９．
２０．２１はそれぞれＡ／Ｄ変換器２と合成パラメータ
抽出部４および音声パワーレベル符号化部４の間、メモ
リ制御部１０とマツチング部１１の間、メモリ制御部１
０と認識結果出力部１２の間に設けられ、音声登録モー
ドと音声認識モードを切り替えるスイッチである。

以上の構成において、以下、その動作について説明する
。

まず、スイッチ１９．２０．２１を接点ａ側に切り替え
、音声登録モードにする。そして、マイクロホン１から
音声を入力すると、その音声信号はＡ／Ｄ変換器２でデ
ジタル信号に変換される。この音声のデジタル信号は認
識パラメータ抽出部３および合成パラメータ抽出部４で
それぞれ単位時間毎に音響分析が施されて音声の特徴抽
出が行なわれ、音声認識および音声合成パラメータが時
系列データとして生成され、メモリ制御部１０に出力さ
れる。一方、上記時系列データと同期し、音声区間検出
部６において、上記音声のデジタル信号をもとに、その
音声の始端と終端が検出される。また、音声パワーレベ
ル符号化部５において、上記検出された音声の始端、終
端間の音声パワーの最大値と平均値が求められ、メモリ
制御部１０に出力される。メモリ制御部１０は上記音声
の始端と終端の値を用い、音声認識パラメータの時系列
データの始端から終端までの値、音声合成パラメータの
時系列データの始端から終端までの値、音声パワーの最
大値と平均値をそれぞれ認識パラメータ格納メモリ８、
合成パラメータ格納メモリ７、パワーレベル符号格納メ
モリ９に格納する。

以上の動作を各単語毎に繰り返し、Ｎ単語針の音声認識
パラメータ、合成パラメータ、音声パワーの最大値と平
均値を求め、それぞれ格納メモリ８．７．９に格納する
。

次に、スイッチ１９．２０．２１を接点す側に切り替え
、音声認識モードにする。そして、マイクロホン１から
音声を入力すると、その音声信号はＡ／Ｄ変換器２でデ
ジタル信号に変換され、認識パラメータ抽出部３および
音声区間検出部６に入り、入力した音声信号の始端と終
端に対応して音声認識パラメータの時系列データが生成
され、メモリ制御部１０に入力される。メモリ制御部１
０は上記音声認識パラメータの時系列データと、認識パ
ラメータ格納メモリ８に予め格納しである各々の単語の
音声認識パラメータの時系列データとの距離計算をマツ
チング部１１で行なわせ、各単語毎の距離を求める。認
識結果出力部１２では、得られた各単語毎の距離が最小
の単語を選び、合成パラメータ格納メモリ７から上記単
語に対応する音声合成パラメータの時系列データをメモ
リ制御部１０を通して音声合成部１３に出力する。音声
合成部１３では、入力された音声合成パラメータの時系
列データからデジタル値の音声信号を生成する。このよ
うにして得られたデジタル値の音声信号をＤ／Ａ変換器
１４でアナログ信号に変換する。一方、認識結果出力部
１２はパワーレベル符号格納メモリ９から認識した単語
に対応した音声パワーの最大値と平均値をメモリ制御部
１０を通して音声パワー制御部１６に入力する。音声パ
ワー制御部１６では、入力された値をもとに基準レベル
に対して音声出力が一定になるようアラティネタ−１５
を調整する。基準レベルに対して一定にされた音声合成
信号を増幅器１７で増幅し、スピーカ１８から音声波と
して認識結果を出力する。したがって、音声認識時に各
単語毎の合成音声レベルの差を最小にすることができ、
音声認識結果を容易に、かつ確実に確認することができ
る。

発明の効果 以上述べたように本発明によれば、入力された各単語音
声に対し、抽出手段で予め音声の特徴抽出を行ない、音
声認識パラメータおよび音声合成パラメータを抽出して
格納メモリに格納し、符号化手段で入力音声レベルの大
小範囲を符号化して格納メモリに格納し、音声認識時に
入力された音声から抽出手段で抽出された音声認識パラ
メータおよび予め格納メモリに格納しである各単語の音
声認識パラメータを用いて認識を行ない、認識結果とし
て予め格納メモリに格納しである音声合成パラメータを
出力すると共に、予め格納メモリに格納し、認識した単
語に対応した音声レベルの大小範囲を示す符号を出力し
、音声合成パラメータをもとに音声信号を合成する際、
音声レベルの大小範囲を示す符号をもとに他単語との出
力レベル差が最小となるように制御することができる。

このように、音声認識時、認識結果を確認するための各
単語の合成音声出力レベル差を最小にすることができる
ので、音声認識結果を容易に、かつ確実にすることがで
きる。

【図面の簡単な説明】

第１図は本発明の一実施例における単語音声認識装置を
示す概略ブロック図、第２図は従来の単語音声認識装置
を示す概略ブロック図である。 １・・・マイクロホン、３・・・認識パラメータ抽出部
、４・・・合成パラメータ抽出部、５・・・音声パワー
レベル符号化部、６・・・音声区間検出部、７・・・合
成パラメータ格納メモリ、８・・・認識パラメータ格納
メモリ、９・・・パワーレベル符号格納メモリ、１０・
・・メモリ制御部、１１・・・マツチング部、１２・・
・認識結果出力部、１３・・・音声合成部、１５・・・
アラティネタ−１６・・・音声ハワー制御部。

Claims (1)

【特許請求の範囲】
1. 入力された各単語音声に対し、予め音声の特徴抽出を行
   ない、音声認識パラメータ、音声合成パラメータをそれ
   ぞれ抽出する手段および音声レベルの大小範囲を符号化
   する手段と、抽出された音声認識パラメータ、音声合成
   パラメータ、符号化された音声レベルの大小範囲を格納
   するメモリと、音声認識時に入力された音声から上記音
   声認識パラメータ抽出手段で抽出された音声認識パラメ
   ータおよび予め上記格納メモリに格納されている各単語
   の音声認識パラメータを用いて認識を行ない、認識結果
   として予め上記格納メモリに格納されている音声合成パ
   ラメータを出力すると共に、予め上記格納メモリに格納
   され、上記認識した単語に対応した音声レベルの大小範
   囲を示す符号を出力する手段と、出力された音声合成パ
   ラメータから音声信号を合成する手段と、出力された音
   声レベルの大小範囲を示す符号をもとに上記合成されて
   出力される音声信号を他単語との出力レベル差が最小に
   なるよう制御する手段を備えたことを特徴とする単語音
   声認識装置。