JPH03280099A - 話者照合方式 - 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、予め登録しておいた音声特徴パターンと人
力された音声特徴パターンとを比較することによって話
者を確実に照合するための話者照合方式に関する。

（従来の技術） 話者照合の研究は古くから行なわれており、様々な方式
か提案されている。代表的な方式としてはＢＰＦ（Ｂａ
ｎｄ　Ｐａ５ｓ　Ｆｉｌｔｅｒ）分析による音声パター
ンのパターン間の類似度をＤＰマツチング等の処理によ
って求め、この類似度に基ついて判定を行なうものがあ
る。ＢＰＦ分析は音声を通過周波数帯域の異なる複数個
のＢＰＦに並列に通し、各出力を全波整流後にＬＰＦに
よって平滑化し、ある時間間隔でＡ／Ｄ変換することに
よってそのパターンを得る。ＤＰマツチングは２つのパ
ターン間の距離がてきるだけ小さくなるように、非線形
にパターン長を合せるための効率的な方法である。ＢＰ
Ｆ分析、　ＤＰマツチングについては、例えば新美康末
著共立出版発行の「音声開織」に詳しく説明されている
。

（発明が解決しようとする課題） 上述の方式では、特徴としてＢＰＦ分析パターンそのも
のを用いているため、データ量が非常に多くなる欠点か
ある。たとえばＢＰＦ数１数個５個Ａ／Ｄ周期１０ｍｓ
で１秒長の音声を分析すると、そのデータ量は１０００
／１０　Ｘ１５−１５００個にもなってしまう。

この発明は上述のような事情より成されたものであり、
この発明の目的は、５母音との距離パターンに関する特
徴量から有効性を考慮して選択したものを利用すること
によって全体のデータ量を少なくしており、少ないデー
タ量でも話者を確実に照合するための話者照合方式を提
供することにある。

発明の構成： （課題を解決するための手段） この発明は話者照合方式に関するものて、この発明の上
記目的は、話者に予め５母音を発声させて５母音パター
ンを一旦作成すると共に、前記５母音以外の言葉を発声
させて前記５母音パターンとの距離を求め、特徴量の中
から有効なものを選択し、前記選択された特徴量を前記
話者の標準パターンとして登録しておき、照合時には前
記登録時と同一の５母音以外の言葉を発声させて、前記
登録された標準パターンとの類似度により話者を照合す
るようにすることによって達成される。

（作用） この発明は、より少ないデータで高い話者照合能力を得
るために開発されたもので、より個人性を持つ特徴量を
選択して使用することにより、従来方式に比べ１／１０
以下のデータ量で照合可能となっている。この発明では
、特に特定の話者に予め５母音と５母音以外の言葉を発
声させて特徴量を計算し、有効性を考慮した上て特徴量
を選択し、それを標準パターンとして登録しておき、照
合時に５母音以外の言葉を発声させて特徴量を計算し、
この特徴量から得られるパターンと標準パターンとを比
較して話者照合を行なうようにしている。

（実施例）第１図はこの発明の動作例を示しており、最
初に登録モートか照合モートかを判断するが（ステップ
５１）　、先ず登録モートについて説明する。

先ず５母音の音声を人力する回数を数えるパラメータｍ
を°゛０”としくステップＳ２）、その後に話者が５母
音”　ａ　　〜“°０”を孤立発声しくステップＳ３）
、発声された５母音の音声について各母音毎に音響分析
を行なう（ステップ５４）。この音響分析は音声信号を
Ａ／Ｄ変換した音声データをＬＰＣ（Ｌｉｎｅａｒ　Ｐ
ｌａｎｎｉｎｇ　Ｃｏｅｆｆｉｃｉｅｎｔ）分析するも
のであり、ＬＰＧ分析に関しては中田和男著　総合電子
出版発行の「音声の合成と認識」に詳細に説明されてお
り、この手法を用いるものである。

すなわち、第２図に示すように音声波形を適当なサンプ
リング時間でＡ／Ｄ変換し、音声区間を切り圧し、たと
えばフレームシフト１０ｍ５．　　フレーム長３０ｍ５
でフレーム単位に分割し、各フレーム内データに対して
ハミング窓をかけ合せてフレーム両端の部分の周波数の
歪をなくし、その後に適応１次長段逆フィルタ（演算し
て求めたもの）を通して音源特性によるものを除去し、
声道特性のみとした後にＬＰＧ分析を行なう。

データパターンは第３図のような形となる。但し、ここ
ては、ａｌ、は第１フレーム、第ｊ次ＬＰＧ係数を、ｎ
は分析次数をそれぞれ示す。第４図（Ａ）　はハミング
窓をかけ合せた後の特性を示し、同図（Ｂ）　　は同図
（Ａ）を逆フィルタを通した後の特性を示している。逆
フィルタすることによりスペクトルか平坦化される。さ
らに、定常部（初めと終りの部分を除いた部分）のＬＰ
Ｇ時系列を第３図に示す如く平均し、先す°゛ａ”の母
音パターンを作成する。“ｉ′°〜“ｏ　”についても
同様にＬＰＧ分析を行ない、５母音のパターンを作成す
る。

この音響分析の後、パラメータｍが所定数Ｍになってい
るか否かを判断しくステップ５５）ｍ＝Ｍとなるまでパ
ラメータｍをカウントアツプして（ステップＳ６）、上
記ステップＳ３にリターンして上記動作を繰り返す。そ
して、ｍ＝Ｍとなった場合にはＭ回のパターンを平均し
、５母音パターンとしてメモリに記憶しくステップＳ７
）音声人力の回数を数えるためのパラメータρを“０゛
としくステップＳ８）、所定の文章、卑語等を発声する
（ステップ５１０）。なお、後述する平均ピッチ、平均
逆フイルタ係数は５母音パターンとしてはメモリに記憶
しない。

この発声された音声に対して、先ず上述したと同様な音
響分析を行ない（ステップ５ｌｌ）、逆フイルタ係数を
求め、その逆フィルタを通した後にＬＰＧ係数の時系列
を求め、更にピッチの時系列を求める。ピッチ（声の高
さ）は元のデータそのものから直接求めるよりも、ＬＰ
Ｇで予測したものと実際のデータとの差を一旦求め、こ
の残差からピッチの時系列を求めた方が簡単である。そ
して、音響分析のデータを基に特！！！！量の計算を行
なう（ステップ５１２）。この特微量の計算は、平均ピ
ッチ（声の高さ）、平均ＬＰＧ係数（声道の平均的な特
性）、平均逆フイルタ係数（音源の平均的な特性）及び
ＬＰＧパターンでの５母音との距離に関する各種特ｉｔ
を求めるものである。ＬＰＧ係数、ピッチ及び逆フイル
タ係数のフレーム毎の値と、平均ＬＰＧ係数、平均ピッ
チ及び平均逆フイルタ係数との関係は第５図に示されて
おり、また、ＬＰＧパターンでの５母音との距離は第６
図で示されるようなマトリクスデータとなる。母音“°
ｉ°。

との距離はブロックＳＣＩで表わされるか、例えは母音
”　ａ　”　との距離パターンｄａＪは下式で計算され
る。

α□、第Ｊフレーム第に次のＬＰＣ係数α、：母音“ａ
”の第に次ＬＰＣ係数 ｄａｄ：第Ｊフレーム母音“ａ”とのパターン距離 また、５母音との距離に関する特微量の項目内容は第７
図に示されており、次に第７図の上段（各母音毎）につ
いては母音”ａ”について、下段（各母音間）について
は母音”ａ”及び°ｌの場合について、 その計算式を以下に示す。

名句 音毎の音声区間全体の分散値ｂｕｎｔは、第ｉフレーム
の との足巨離 正ト Σ　ｄａｔ／ｎ の平均 フレーム数 である。

また、 各母音間の音声区間全体の相関係 数ｒは、 ：　　ｄａｉ とｄｌｌ の共分散 である。

そして、 距離和ｄｉｓｔは、 である。更に、第ｊセグメントについて各母音毎の分散
値ｂｕｎｓｊ、平均値ａｖｅｓｊ　、各母音間の距離の
分散値ｄｉｓ−ｂｕｎｊ、距離の平均値ｄｉｓ−ａｖｅ
ｊは次のように計算する。

ｂｕｎｓｊ−Σ　（ｄ、１ ａｖｅｓｊ）　２／（ｍ −ｎ＋＋１） ・・・（５） ＶｅＳＪ− Σ　ｄａ＋／（ｍ ｍ＋１） ・・・・・・（６） （第Ｊセグメントに第ｍ〜第ｍ フ レームか含まれる場合） ｏｓ ｂｕｎｊ＝、Ｉ：、　（ｃｏ−ｄｉｓｉ−ｄｉｓａｖｅ
ｊ）　２／　（ｍ’−ｍ＋１） ＣＯＪＩＳＪ−（ｄａｉ−ｄｌｉ）２ ａ とｄ ・・・・・・（７） １の距離 １ｓ ａｖｅｊ−、Ｘ：、ｃｏ−ｄｉｓｉ／　（ｍ−ｍ＋１） ・・・・・・（８） 第８図は’ｎａｍａｅ　”を発声した場合について、Ｌ
ＰＧパターンでの５母音パターンとの距離を示している
。特性ＤＳＬは母音”ａ”との距離を、特性ＤＳ２は母
音゛１゛°との距離を、特性ＤＳ３は母音Ｕ”との距離
を、特性ＤＳ４は母音”ｅ”との距離を、特性ＤＳ５は
母音“０”との距離をそれぞれ示しており、母音部で該
当母音との距離か小さく５木がバラバラの場合は発声が
明瞭てあり、５木とも比較的大きく同しような値を有す
る場合には発声が不明瞭であると言える。

第７図の各特徴について関係を示したのか第９図（Ａ）
　、　（Ｂ）であり、同図（Ａ）は第８図の中から２木
の特性を取り出したものである。また、第９図（Ａ）　
、　（Ｂ）の縦の実線はセグメントの境界を示している
。フレーム（時間）に対して母音“ａ　”との距離は第
９図ｉＡ）の特性Ａで示され、母音°“どの距離は特性
Ｂで示されるとすると、母音ａ”と母音“１°゛との母
音間の距離和（ｄｉｓｔ）は斜線部Ｃで示される。距１
ｌｉＢの起伏は距１ｌｌＡのそれより急峻であるため、
音声区間全体での分散値（ｂｕｎｔ）か大きくなる。図
中Ｘ印は各母音毎の音声区間全体での最小値（ｍｉｎｔ
）を、・印はセグメントでの最小値（ｍｉｎｓ）を、横
線はセグメントでの平均（ｉ（ａｖｅｓ）をそれぞれ示
している。そして、母音ａ”との距離及び母音゛ｉ”と
の距離の間の距離は第９図（Ｂ）のように表わされ、各
セグメントでの平均値（ｄｉｓ−ａｖｅ）は横線のよう
に、最小値（ｄｉｓ−ｍｉｎ）は＊印となる。

但し、セグメントは母音定常部とその間及び始端、終端
とし、５母音との距離パターンを利用し、発声内容を考
慮してトップダウンで行なう。

たとえば”ｎａｍａｅ　”を発声した場合、最初のａ”
のセグメントを見付けるには、先ず存在候補区間（“ｎ
ａｍａｅ　”の場合は全長の１／３より前）で“ａ”と
の距離の最小値を見付け、しきい値をその最小値×定数
とし、しきい値以下の区間の長さがセグメント長の範囲
内（発声する言葉により予め決められている範囲、たと
えば１０〜２０フレーム）になるように定数の値を調整
してセグメントを求める。

このような特徴量の計算を行なった後、パラメータρか
所定数りどなるまで上記ステップ５１０にリターンして
同様な動作を繰返しくステップ５１３．５１４）、ｕ＝
Ｌとなった時に特徴量の選択を行なう（ステップ５１５
）。すなわち、話者１発声音毎に第７図の中から有効な
ものを１０個選択する。有効性の評価は、次式で示され
るＦ比の大小で判断する。

・・・・・・・・・（９） 但し、 μｉ：話者ｉの分布の中心 μｍ−ΣＸ＋ｒ／Ｌ ｌｊ 、話者ｌの第ｊ番目のデータ ■ 二話者数 り 、データ数 本人分布の広がりか小さく各話者分布か離れているほと
分離状態が良く、話者間分散か大きく話者的分散が小さ
いほどＦ比は大きくて有効となる。

さらに、話者発声音によらない共通のものとして、平均
ピッチ、平均ＬＰＧ係数（３〜８次）、平均逆フイルタ
係数（１〜３次）の計１０個を採用する。すなわち、照
合のための特徴量の数は本実施例では２０個である。な
お、第７図に示すような５母音パターンとの距離に関す
る各種特徴量の中からＦ比の大きいものから少なくとも
１０個とれは、話者照合に非常に有効となることか実験
により確かめられたので１０個選択しているか、照合演
算処理時間によってはもう少し選択数を増加させても良
い。

このような特徴量の選択の後に選択した特徴量のＬ個平
均をとり、標準パターンとしてメモリに登録する（ステ
ップ５１６）。ただし、上述したＦ比の計算には本人以
外ので一夕か必要であるため、この登録の前には、比較
すべき登録者以外のデータをある程度収集する必要があ
る。

上述のような登録モートの後に、話者の照合を行なう場
合は次のように行なう。すなわち、先ず登録時に用いた
所定の文章を言葉で発声しくステップ５２０）、この入
力された音声に対して上述したような音響分析（ステッ
プ５２１）及び登録時に選択した特徴量の計算（ステッ
プ５２２）を行ない、その後に平均ピッチによる判定を
行なう（ステップ５２３）、平均ピッチによる判定は、
標準パターンでの平均ピッチに対しである範囲内にある
かどうかで判定する。すなわち、この判定で ｆｏｒｅｒ　　Ｘ　（１−α）≦ｆｏｉｎ≦ｆＯｒ、、
ｆ　　Ｘ　（１◆　α）・・・−・・（ｌＯ） ｆｏｒｅｆ：標準パターンの平均ピッチｆｏｉ。二人力
音声の平均ピッチ の場合にはＯＫとなる。平均ピッチによる判定の後に、
重み付き距離による判定を行なう（ステップ５２４）。

この重み付き距離による判定は、平均ピッチ以外の１９
種の特徴量の有効性に応した重み付き距離と、 しきい値との大小比較を下式に従って行なう。

ｄｉｓ・Σ　賀 （ａ −ｂ＋）２　　　（１−１９） ・・・・・・（１１） ｗｌ　　第ｉ特徴の重み（＝Ｆ比） ａｌ、標準パターンの第ｉ特徴の値 ｂ１　　人カバターンの第１特徴の値 ｄｌｓ≦ｄｔｓ。中ＯＫ ｄ　＋　、　＞　ｄ　、　ｓＯ＝＞　Ｎ　Ｇ上述のよう
な平均ピッチによる判定か０にであり、重み付き距離に
よる判定かＯＫの場合には、話者が’Ｊｌ　＆ｔ＝者と
同一であるとしてアクセプトしくステップ５２５）、い
ずれかがＮＧの場合にはりジェツトとなる（ステップ５
２６）。

発明の効果： 以上のようにこの発明の話者照合方式によれば、５母音
パターンとの距離パターンに関する特徴量から有効なも
のを選択して使用しているため、ψないデータ量でしか
も話者の照合を確実に行なうことか可能となる。

【図面の簡単な説明】

第１図はこの発明の動作例を示すフローチャート、第２
図及び第３図はＬＰＧ分析を説明するための図、第４図
（八）　、　ＣＢ）　は逆フィルタの関係を説明するた
めの図、第５図は特徴量の内容を示す図、第６図及び第
８図は５母音との距離パターンを示す図、第７図は特徴
量の内容を示す図、第９図（Ａ）　、　（Ｂ）は特徴量
を説明するための図である。

Claims (1)

【特許請求の範囲】
1. １、話者に予め５母音を発声させて５母音パターンを一
   旦作成すると共に、前記５母音以外の言葉を発声させて
   前記５母音パターンとの距離を求め、特徴量の中から有
   効なものを選択し、前記選択された特徴量を前記話者の
   標準パターンとして登録しておき、照合時には前記登録
   時と同一の５母音以外の言葉を発声させ、前記登録され
   た標準パターンとの類似度により話者を照合するように
   したことを特徴とする話者照合方式。