JPH0376476B2 - - Google Patents

Description

【発明の詳細な説明】 本発明はカナ単音節音声認識技術を用いた音声
認識装置に於ける話者の音声登録方法に関するも
のである。

音声認識装置は様々提案されている音声を認識
する場合その対象により単語認識と単音節認識に
区別される。

単音節認識は音声タイプライタの応用を考えた
場合対象が単音節であることにより原理的には無
限の言語を認識できることとなる。この様な単音
節認識装置については例えば日本音響学会音声研
究会資料番号877−46（1977−12）「単音節音声タ
イプライタ」（北大応用電気研究所）等にも示さ
れている。従来技術として、以下その概略を説明
する。前記単音節タイプライタの構成を簡単のた
めの一部書き直したものを第１図に示す。第１図
においては１はマイクロフオン、２はプリアン
プ、３はフイルターバンクとして知られている16
チヤネルバンドパスフイルタ（以下16CHBPFと
いう。）、４は16チヤネルアナログ・デイジタルコ
ンバータ（以下16CHA／Ｄコンバータという。）
５は対数変換リードオンリメモリ（以下対数変換
ROMという）、６はピツチ抽出器、７はカウン
タ／タイマ、８はマイクロコンピユータ（以下マ
イクロCPUという。）９はマイクロCPUのバスラ
イン（以下BUS LINEという）、１０はリードオ
ンリメモリ（以下ROMという。）、１１はランダ
ムアクセスメモリ（以下RAMという。）、１２は
プロツピデイスクドライブ装置（以下FDDとい
う。）、１３はキヤラクタデイスクプレイ装置（以
下CRTという。）、１４はキーボード入力装置
（以下KBという。）、１５はハードウエア演算器
の如く構成されマイクロフオン１より入力された
音声の内有声音は6dB／OCTで減衰しているた
めこのパワースペクトルを平坦なものとするため
プリアンプ２において6dB／OCTの率で高域を
強調する。その出力を16CHBPF３へ入力し200
〜4.4kHzの周波数を16チヤネル（以下CHと略す）
に分割し、各CH毎にその出力をＡ／Ｄコンバー
タ４へ入力する。Ａ／Ｄコンバータ４にて12bit
のデイジタル量に変換した後対数変換ROM５へ
入力し、８ビツトの対数に変換する。これは人の
聴覚特性が対数的であるためそれを近似するため
と、更には、パワースペクトルの正規化を行なう
とき加減算だけで演算ができるという利点をも考
えた上での処理である。Ａ／Ｄコンバータ４の出
力をマイクロCPUのBUS LINE９を通じてマイ
クロCPU８へ引き込む。前記マイクロCPU８に
は制御用のROM１０、データエリア用のRAM
１１、登録音声等のデータを格納するFDD１２、
音声認識結果を出力表示するCRT１３、マイク
ロCPUに対し手動で入力を行なうためのKB１４
が接続され小型の電子計算機システムが構成され
ている。又、16CHBPF３の出力をピツチ抽出器
６へ入力ピツチ周期毎に16CH Ａ／Ｄコンバー
タをトリガするべく機能する。ピツチ抽出器６に
関する一手法は例えば特開昭54−162405「ピツチ
周波数抽出装置」等で提案されている（この抽出
方法自体は本発明と直接関係しないので詳細な説
明は省く）が、この様な方法によりピツチ周波数
が抽出されるものと考えてよい。ピツチ周波数は
母音又は有声子音の場合存在するが、無声子音の
場合、音源は雑音でありピツチ周波数が存在しな
い。これら無声子音をサンプリングするためにカ
ウンタタイマ７により一定周期例えば1kHzの周
波数で1msec毎にパルスを発生し、16CH Ａ／Ｄ
コンバータ４へ入力する。前記16CH Ａ／Ｄコ
ンバータは、母音又は有声子音の場合はピツチ周
期毎に、無声子音の場合は一定周期毎に
16CHBPF３の出力をサンプリングし、アナログ
−デイジタル変換することにより入力音声波形の
パワースペクトルの包絡特性を得ることができ
る。

以上の様にして得られたデイジタル化された入
力音声波形はパワースペクトルの正規化を施した
後予め特定の話者により登録されている登録音声
波形の夫々のデータとの間で２乗距離を計算す
る。この２乗距離の計算は数千回を必要とし、マ
イクロCPU８で演算していたのでは実時間処理
ができないためハードウエア演算器１５によりハ
ードウエア的に演算を実施している。入力音声波
形と登録音声波形の間で２乗距離を計算し、２乗
距離の最低の値を示した音節が入力音声であると
認識するものである。

以下に認識の手順について更に詳細に説明す
る。

よく知られている様に日本語単音節は子音＋母
音の形で音節が構成され、しかも母音は ア 〔ａ〕 イ 〔ｉ〕 ウ 〔ｕ〕 エ 〔ｅ〕 オ 〔ｏ〕 の発音記号 で表わされる５個と考えてよいため前記５母音に 撥音ン 〔Ｎ〕 が加えた６種に入力単音節を識別し、 しかる後どの子音と組み合わさつた単音節である
かを識別する。

即ち、入力単音節のパワースペクトルがほぼ一
定値となるところを各チヤンネルについて登録音
声波形との間の２乗距離を計算することにより５
母音＋撥音のいずれなのかを決定する。その結果
が５母音の内の１ケの場合次の手順に移るが例え
ば結果が〔ａ〕であつた場合、総認識語数が68単
音節の場合ア行音であるア、カ、サ、タ、ナ、
ハ、マ、ヤ、ラ、ワ、ガ、ダ、バ、パのどの単音
節に相当するかを、入力音声波形と登録音声波形
の間の２乗距離を計算することにより認識し、入
力単音節を特定している。

前記従来の単音節タイプライタにおける音声波
形の登録と識別のブロツク図を第２図に示す。

１６は登録音声波形レジスタ（以下RDSとい
う）、１７は入力音声波形レジスタ（以下EDSと
いう。）、１８は識別回路の如く構成され、第１図
に於いて説明した音声波形の登録と、登録された
登録音声波形と入力音声波形の間の２乗距離の計
算に関して示されている。

予め特定の話者により登録された登録音声波形
は各単音節の波形データが各チヤネル毎、サンプ
ルタイミング順にRDS１６のデイジタル化され
た形で登録され、この後前記特定の話者により発
声された入力音声波形はEDS１７にデイジタル
化された形で格納されEDS１７の内容がRDS１
６のどの単音節かを識別回路１８により識別す
る。

従つて一般に音声認識装置は話者が変るたびに
RDS１６へ格納する登録音声波形を登録しなお
さなければならなかつた。更にカナ単語節認識技
術を用いた音声タイプライタの場合、単語認識装
置の様に認識対象語句が長くないため音声情報量
が少なく、登録の際１度入力するだけではすまず
４〜５度夫々の単音節を入力してそれらの平均を
とつて登録音声波形とする等の手法が必要であつ
た。即ち、68単音節を認識する音声タイプライタ
の場合を考えても、68×４＝272から68×５＝340
回程度単音節を入力しなければならず、音声を登
録するため長時間にわたつて入力するため話者の
疲労が大となり入力音声が最初と最後でかなり異
なり、これらの相加平均をとつてもその話者の特
徴を正しく表現する登録音声波形とはいい難いと
いう大きな欠点があつた。又、これは音声入力時
も同様であり入力する時の話者の状態により常に
同一の発声は期待出来ないため認識率の低下をき
たすという大きな欠点があつた。

本発明の目的は上記の欠点を除去するため登録
音声波形を採取音声波形の相加平均のみに留め
ず、同一音声での相異なる個々の音声波形を何種
か相加平均とともに登録音声波形として登録して
おくことにより話者の発声が変つても対応できる
様にしたものであり以下詳細に説明する。

第３図は本発明の実施例であつて１９は選択登
録音声波形レジスタ（以下SRDSという。）、２０
は選択識別回路（以下SCという。）、２１は平均
化回路であり、SRDS１９は対象音節数68×４ケ
のレジスタより構成され一般的にはSRDS_i-fと表
現し、ｉは音節番号（例えば〔Ka〕はｉ＝６と
なる。）、ｊは同一節内での登録順番号を夫々示
し、SRDS_i-j内にはRDS１６と同様に各単音節の
波形データが各チヤンネル毎、サププルタイミン
グ順にデイジタル化された形で登録されている。

本発明の内容を説明するため以下に登録音声
〔Ka〕を登録する時を例として以下詳細に説明す
る。

登録時、〔Ka〕を発声すると〔Ka〕の波形デ
ータは各チヤンネル毎、サンプルタイミング順に
デイジタル化された形でEDS１７に入力される。

〔Ka〕の音声を最初に発声した時はEDS１７
へ入力されたデータはそのままSRDS１９の
RDS_6-1に格納される。次に〔Ka〕を発声した時
はその音声データはEDS１７へ入力される。
EDS１７へ入力された音声データは〔Ka〕であ
り２回目のデータである為、図示しない制御部に
より以下の様に演算される。即ち、EDS１７の
データとSRDS１９のRDS_6-1のデータがSC２０
で比較され例えばCH0〜CH5の低周波数部と
CH6以上の高周波数部に２分して両データ間に
ある閾値以上の有意差があるかどうかを判定し、
ある閾値以上の有意差があればEDS１７のデー
タはSRDS１９内のRDS_6-1とは別の状態に於け
る〔Ka〕の音声であるということとなるため
EDS１７のデータをSC２０の出力線を通じて
SRDS１９のRDS_6-2へ格納する。

前記ある閾値以上の有意差の有無の演算はSC
２０で行なわれる。ここでSC２０の機能に関し
て説明する。EDS１７及びSRDS１９内のRDS_i-j
内のデータは各チヤンネル毎サンプリングタイミ
ング順に格納されている。EDS１７のデータを
e_chi,t、RDS_i-jのデータをr_chi,tとすると低周波数部
の両データの誤差E_LOWは E_LOW＝₅ 〓ⁱ⁼⁰ _tE 〓^t=0 （e_chi,t−r_chi,t） ここでｔ＝０はEDS１７及びSRDS１９内の
RDS_i-jのデータの子音部の立上り点、t_Eは母音部
の定常部を示す。

同様にして高周波数部の両データの誤差E_HIGH
は E_EIGH＝₁₄ 〓ⁱ⁼⁶ _tE 〓^t=0 （e_chi,t−r_chi,t） で示されE_LOW、E_HIGHいづれかがある閾値以上の
誤差がある場合有意差がありと判定し、登録音声
データとしてRDS_i-j+1レジスタに登録される。

つぎにSC２０により既登録データとの間で有
意差があるかないかとは無関係に平均化回路２１
により、以前の平均化データとEDS１７との間
である重み付けをされた平均値を演算し、その値
を平均化データとして格納する。

即ち、第１回目の〔Ka〕の発声の時には、前
記の如くEDS１７のデータをRDS_6-1へ格納する
だけでなく、平均化データ用レジスタである。
RDS_6-4へも平均化回路２１を通じてそのままの
値で格納する。ついで、第２回目の〔Ka〕の発
声の時にはEDS１７のデータをRDS_6-2へ格納し、
RDS_6-1のデータとEDS１７のデータをある重み
付けで演算し、その結果をRDS_6-4へ格納する。

例えば重み付けを新データに対して20％とする
とRDS_i-4の新しいデータr′_chi-4,tはr′_chi-4,t＝0.8
×
r_chi-4,t＋0.2×e_chi,tである。（r_chi-4,tは新しいデ
ータ
を算出する時既にRDS_i-4に格納されていたデー
タを示す。ただし１回目は除く。） これらの演算はチヤネル毎、サンプルタイミン
グ順に行なわれることはいうまでもない。

次に第３回目の〔Ka〕の発声があると、SC２
０ではSRDS１９内のRDS_6-1及びRDS_6-2とEDS
１７と比較し、E_LOW、E_HIGHいずれかがある閾値
以上の誤差がある場合にRDS_6-3にEDS１７内の
データを格納するとともに平均化回路２１により
前記の方法でRDS_6-4のデータを更新する。

このようにして第３図の場合68音節すべてに対
し、３回ずつ登録を終了すると音声を認識するた
めの準備がととのつたこととなる。

なおこの場合SRDS１９内のRDS_i-jすべてにデ
ータが格納されるとは限らない。即ち、有意差が
前回のデータとの間でない場合そのデータは格納
されない。この場合、複数個の登録データをもつ
必要がないことを意味する。しかしながら音声入
力時誤認識した様な場合その音声をその時点で前
記レジスタに登録することにより発声が変化した
場合に対処することができる。

音声入力時は前記説明の通り先づ５母音に撥音
〔Ｎ〕を加えた６種に入力単音節を識別し、（母音
識別という。）しかる後、例えば母音が〔ａ〕の
場合ア行音であるア、カ、サ、タ、ナ、ハ、マ、
ヤ、ラ、ワ、ガ、ザ、ダ、バ、パの登録音声デー
タであるSRDS１９内のRDS₁、RDS₆、RDS₁₁、
RDS₁₆、RDS₂₁、RDS₂₆、RDS₃₁、RDS₃₆、
RDS₃₉、RDS₄₄、RDS₄₅、RDS₅₀、RDS₅₅、
RDS₅₈、RDS₆₃の各４ケのレジスタ内のデータ計
60ケのデータとEDS１７のデータとの間でチヤ
ネル毎、サンプルタイミング順に誤差を計算し、
その中で誤差量の最小のものを候補音節とし、
SC２０より識別結果出力として送出される。

以上詳細に説明した様に前記実施例では登録音
声形を採取音声波形の重みづけ相加平均と、相異
なる３種の音声波形の形４種の音声波形としたた
め、話者の精神的、肉体的条件により発生音声が
変化しても認識性能が落ることはない。即ち、単
に相異なる複数ケの音声波形を登録波形としたも
のではなく、重みづけ相加平均した音声波形を登
録データとしてもつているためその話者の平均的
な発声を登録データとして保有していることとな
る。一般的にはこの重みづけ相加平均値で認識性
能は十分あげられるが話者が行なう特殊な発声に
は十分でない。これら特殊な発声を自動的に記録
しておきそれを登録データとして認識に用いるこ
とにより十分な音声認識装置とすることができ
る。

前記実施例ではSRDS１９は対象音節数は68、
各音声当り夫々４ケの登録音声パターンをもつと
して説明したが、これらは子音＋母音の形式であ
る単音節に限られるものではなく、第１段階とし
て行なう母音識別のための母音パターンにも適用
可能であることはいうまでもない。

次に対象音節数も68音節に限られるものではな
く拗音を含めた101音節、更にはフアフイ……等
の外来語音声を加えた102音節以上のものにも適
用可能である。

第３に各音節当り登録音声パターンは相加平均
と互いに相異なる３種の音声の計４種を保有する
として説明したがこれらも４種に限られるもので
はなく４種を越えてもよいことはいうまでもな
い。現時点で４種としているのは計算時間とデー
タを保持するレジスタ量のいわゆる計算コストと
認識性能の関係からである。

本発明は単音節音認識という情報量の少ない認
識に対して、登録音声パターンを重みづけした相
加平均値と相違なる複数の音声パターンの両方を
保持することにより、等価的に情報量を増加した
こととなるため認識性能が向上し音声タイプライ
タの実用化に多大な寄与をするものであると信ず
る。

【図面の簡単な説明】

第１図は従来の単音節タイプライタの構成図、
第２図は従来の音声波形の登録と識別のブロツク
図、第３図は本発明の実施例を示すブロツク図で
ある。 １……マイクロフオン、２……プリアンプ、３
……16チヤネルバンドパスフイルタ、４……16チ
ヤネルアナログ・デイジタルコンバータ、５……
対数変換リードオンリメモリ、６……ピツチ抽出
器、７……カウンタ／タイマ、８……マイクロコ
ンピユータ、９……マイクロコンピユータのバス
ライン、１０……リードオンリメモリ、１１……
ランダムアクセスメモリ、１２……フロツピデイ
スクドライブ装置、１３……キヤラクタデイスプ
レイ装置、１４……キーボード入力装置、１５…
…ハードウエア演算器、１６……登録音声波形レ
ジスタ、１７……入力音声波形レジスタ、１８…
…識別回路、１９……選択登録音声波形レジス
タ、２０……選択識別回路、２１……平均化回
路。

Claims (1)

1. 【特許請求の範囲】 １ 入力音声波形データに重みづけをして既登録
   音声波形データとで相加平均を算出し、各音声毎
   にレジスタ群に格納する音声登録方法において、 前記レジスタ群を各音声毎に複数個割り当て
   て、音声入力時に既登録音声波形データと入力音
   声波形データとを比較し誤差量最小の音声を認識
   結果と判断し、前記レジスタ群に格納済みの相加
   平均を更新するとともに、該認識された音声に対
   応する登録音声波形データとの間に特定の差を有
   する入力音声波形データは前記レジスタ群に格納
   して登録音声波形データとすることを特徴とする
   音声登録方法。