JPH04130499A - 音声のセグメンテーション方法 - Google Patents
音声のセグメンテーション方法Info
- Publication number
- JPH04130499A JPH04130499A JP2252992A JP25299290A JPH04130499A JP H04130499 A JPH04130499 A JP H04130499A JP 2252992 A JP2252992 A JP 2252992A JP 25299290 A JP25299290 A JP 25299290A JP H04130499 A JPH04130499 A JP H04130499A
- Authority
- JP
- Japan
- Prior art keywords
- lpc
- lpc cepstrum
- segmentation
- cepstrum
- change rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000001755 vocal effect Effects 0.000 abstract 2
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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。
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）
本発明は連続して発生する音声信号を音節や音韻に区分
する音声のセグメンテーション方法に関する。
する音声のセグメンテーション方法に関する。
（従来の技術）
セグメンテーションの方法としては、多くの方式が提案
されているが、従来から広く用いられてきた方法として
は、音声パワーに着目する方法で、音声信号のパワーが
単音節ごとに大きな値をもっているので、パワーの極小
となる時間点に挟まれた１個の極大値を持つ区間を１個
の音節または音韻区間として検出する方法である。
されているが、従来から広く用いられてきた方法として
は、音声パワーに着目する方法で、音声信号のパワーが
単音節ごとに大きな値をもっているので、パワーの極小
となる時間点に挟まれた１個の極大値を持つ区間を１個
の音節または音韻区間として検出する方法である。
この方法は例えば「コンピュータ音声処理、安居院猛、
中島正之著、秋葉出版、１９８６年６月、頁１７５」に
開示されている。
中島正之著、秋葉出版、１９８６年６月、頁１７５」に
開示されている。
（発明が解決しようとする課題）
しかしこの音声パワーに着目する方法では、音声パワー
という尺度に対してセグメンテーションを行っているた
め、セグメンテーション結果が音声パワーに依存したも
のとなる。一般に音声パヮ−は個人差により大きく異な
り、また同一人物でも音声パワーは一定でないことを考
慮すると、安定したセグメンテーションを行うためには
個人差によらない尺度を用いてセグメンテーションを行
う必要がある。さらに音声パワーという尺度によってセ
グメンテーションを行った場合、母音や有声子音等の比
較的音声パワーが大きな音節または音韻に対しては有効
にセグメンテーションができるが、／ｓ／、／ｌ ｈ／
に代表される無声摩擦音に対しては、音声パワーが小さ
いためセグメンテーションが不完全となるという問題が
ある。
という尺度に対してセグメンテーションを行っているた
め、セグメンテーション結果が音声パワーに依存したも
のとなる。一般に音声パヮ−は個人差により大きく異な
り、また同一人物でも音声パワーは一定でないことを考
慮すると、安定したセグメンテーションを行うためには
個人差によらない尺度を用いてセグメンテーションを行
う必要がある。さらに音声パワーという尺度によってセ
グメンテーションを行った場合、母音や有声子音等の比
較的音声パワーが大きな音節または音韻に対しては有効
にセグメンテーションができるが、／ｓ／、／ｌ ｈ／
に代表される無声摩擦音に対しては、音声パワーが小さ
いためセグメンテーションが不完全となるという問題が
ある。
本発明は上述した問題点すなわちセグメンテーション結
果が個人差に依存したり無声摩擦音に対してセグメンテ
ーションが不完全であるという点を解消するためになさ
れたもので、音声パワーに依存せず音節または音韻を完
全に区分することの出来る音声のセグメンテーション方
法を提供することを目的とする。
果が個人差に依存したり無声摩擦音に対してセグメンテ
ーションが不完全であるという点を解消するためになさ
れたもので、音声パワーに依存せず音節または音韻を完
全に区分することの出来る音声のセグメンテーション方
法を提供することを目的とする。
（ＩＩ［を解決するための手段）
本発明のセグメンテーション方法は、入力音声データの
各フレームに線形予測分析を行い、ＬＰＣ係数を算出し
、算出されたＬ Ｐ Ｇ係数に基づいてＬＰＣケプスト
ラムを算出し、隣接するフレーム間での前記ＬＰＣケプ
ストラムの変化量を算出し、前記ＬＰＣケプストラムの
変化量が一定の閾値以上で極大となる時、隣接する２つ
の極大値区間を１単位の音節または音韻区間として検出
するようにしたものである。
各フレームに線形予測分析を行い、ＬＰＣ係数を算出し
、算出されたＬ Ｐ Ｇ係数に基づいてＬＰＣケプスト
ラムを算出し、隣接するフレーム間での前記ＬＰＣケプ
ストラムの変化量を算出し、前記ＬＰＣケプストラムの
変化量が一定の閾値以上で極大となる時、隣接する２つ
の極大値区間を１単位の音節または音韻区間として検出
するようにしたものである。
（作用）
本発明では音声パワーの尺度に代えて、ＬＰＣケプスト
ラム変化量という尺度を用いてセグメンテーションをお
こなっている。このＬＰＣケプストラム変化量という尺
度は音声信号のスペクトル形状の時間変化を記述するも
のであり、音声のスペクトル構造が音節または音韻ごと
に異なる点に着目している。したがって無声摩擦音であ
っても音節または音韻毎にスペクトル変化が表れるため
完全なセグメンテーションを行うことができる。
ラム変化量という尺度を用いてセグメンテーションをお
こなっている。このＬＰＣケプストラム変化量という尺
度は音声信号のスペクトル形状の時間変化を記述するも
のであり、音声のスペクトル構造が音節または音韻ごと
に異なる点に着目している。したがって無声摩擦音であ
っても音節または音韻毎にスペクトル変化が表れるため
完全なセグメンテーションを行うことができる。
また音声信号のスペクトル形状の時間変化は音声パワー
に依存しないため個人差によらない完全なセグメンテー
ションが可能である。
に依存しないため個人差によらない完全なセグメンテー
ションが可能である。
（実施例）
第２図は本発明の一実施例にかかるセグメンテーション
方法を実施するための装置の概略構成を示したブロック
図である０本発明を実施するためには入力信号ｌからＬ
ＰＣ係数を算出するための算出手段２と、ＬＰＣケプス
トラム算出手段３と、ＬＰＣケプストラム変化量算出手
段４と、音節または音韻区間検出手段５とを必要とし、
これら一連の手段２〜５を経て検出信号出力６を得るこ
とが出来る。入力信号１は２例えばサンプリング周波数
８ＫＨｚでＡ／Ｄ変換された音声信号Ｘ（ｎ）、ｎ＝ｏ
、±Δｔ、±２Δｔ、±３Δｔ。
方法を実施するための装置の概略構成を示したブロック
図である０本発明を実施するためには入力信号ｌからＬ
ＰＣ係数を算出するための算出手段２と、ＬＰＣケプス
トラム算出手段３と、ＬＰＣケプストラム変化量算出手
段４と、音節または音韻区間検出手段５とを必要とし、
これら一連の手段２〜５を経て検出信号出力６を得るこ
とが出来る。入力信号１は２例えばサンプリング周波数
８ＫＨｚでＡ／Ｄ変換された音声信号Ｘ（ｎ）、ｎ＝ｏ
、±Δｔ、±２Δｔ、±３Δｔ。
・・で、Δｔ ＝１／８０００ （ｓｅｅ ）となって
いるものと仮定する。ＬＰＣ係数算出手段２はこの入力
信号ｘ （ｎ）に対して、分析フレーム長Ｎサンプル、
分析フレーム周期Ｔ■ｓｅｃでｍ次の線形予測分析を行
い、ＬＰＣ係数を決定する。
いるものと仮定する。ＬＰＣ係数算出手段２はこの入力
信号ｘ （ｎ）に対して、分析フレーム長Ｎサンプル、
分析フレーム周期Ｔ■ｓｅｃでｍ次の線形予測分析を行
い、ＬＰＣ係数を決定する。
なお線形予測分析法には、入力信号１に関する相関関数
の定義の仕方に応じて、自己相関法や共分散法、さらに
最大エントロピー法等があるが、どの分析方法によって
もＬＰＣ係数の算出は可能である。ここでは最大エント
ロピー法を用いてＬＰＣ係数を算出するものとし、ＬＰ
Ｃ係数をａ。
の定義の仕方に応じて、自己相関法や共分散法、さらに
最大エントロピー法等があるが、どの分析方法によって
もＬＰＣ係数の算出は可能である。ここでは最大エント
ロピー法を用いてＬＰＣ係数を算出するものとし、ＬＰ
Ｃ係数をａ。
、人力信号をｘ （ｎ）とすれば１両者は次式で関係づ
けられる。
けられる。
ｘ（ｎ）＝Σａ、ｘ （ｎ−ｉ） （１）１
＠ ここでｍは最大予測次数である。
＠ ここでｍは最大予測次数である。
ＬＰＣケプストラム算出手段３はＬＲＣ係数算出手段２
で得られたＬＰＣ係数に基づいて次式にしたがってＬＰ
Ｃケプストラム係数を算出する。
で得られたＬＰＣ係数に基づいて次式にしたがってＬＰ
Ｃケプストラム係数を算出する。
ここでＣ３はＬＰＣケプストラム係数で、１≦ｉ≦ｍで
ある。
ある。
ついでＬＰＣケプストラム変化量算出手段４によりＬＰ
Ｃケプストラム変化量を算出する。ＬＰＣケプストラム
変化量は、分析フレーム間のＬＰＣ係数の変化量を次式
により定義し、その値を算出するものである。
Ｃケプストラム変化量を算出する。ＬＰＣケプストラム
変化量は、分析フレーム間のＬＰＣ係数の変化量を次式
により定義し、その値を算出するものである。
ここでＣＩ（・）は時刻ｎで分析したＬＰＣケプストラ
ム、Ｃ，ｉ″′ＴＩは直前のフレームで分析したＬＰＣ
ケプストラムである。
ム、Ｃ，ｉ″′ＴＩは直前のフレームで分析したＬＰＣ
ケプストラムである。
ついで音節または音韻区間検出手段５は、ＬＰＣケプス
トラム変化量検出手段４で算出したＬＰＣケプストラム
変化量を時系列信号とみなし、ＬＰＣケプストラム変化
量が一定の閾値以上で極大値となる区間を音節または音
韻区間として検出し、セグメンテーションを行って、こ
れを検出信号６として出力する。得られた検出信号６は
図示しないマツチング装置に送り出され、そこであらか
じめ記憶されている基準パターンとの類似度が演算され
、もっとも類似しているパターンをその音節または音韻
として出力する。
トラム変化量検出手段４で算出したＬＰＣケプストラム
変化量を時系列信号とみなし、ＬＰＣケプストラム変化
量が一定の閾値以上で極大値となる区間を音節または音
韻区間として検出し、セグメンテーションを行って、こ
れを検出信号６として出力する。得られた検出信号６は
図示しないマツチング装置に送り出され、そこであらか
じめ記憶されている基準パターンとの類似度が演算され
、もっとも類似しているパターンをその音節または音韻
として出力する。
第１図は、音節または音韻区間の検出方法を示す説明図
である。横軸は時間、縦軸はＬＰＣケプストラム変化量
の値をそれぞれ示している。ここでＬＰＣケプス１−ラ
ム変化量δＣ０１，がある閾値δＣｏ以上で極大値を持
つ時刻を検出し、隣接する２つの極大値で挟まれた区間
を１単位の音節または音韻区間として検出する。
である。横軸は時間、縦軸はＬＰＣケプストラム変化量
の値をそれぞれ示している。ここでＬＰＣケプス１−ラ
ム変化量δＣ０１，がある閾値δＣｏ以上で極大値を持
つ時刻を検出し、隣接する２つの極大値で挟まれた区間
を１単位の音節または音韻区間として検出する。
第３図は入力単語「あさひ」に対するセグメンテーショ
ン結果を平均パワーを用いる従来の方法と対比して示し
た図である。図より明らかなようにＬＰＣケプストラム
変化量が閾値６００以上で極大値を持つ点が６箇所あり
、ａ−ｓ−ａ−ｈ−１という５つの音節または音韻区間
にセグメンテーションされていることがわかる。一方従
来の音声パワーによるセグメンテーション方法では、無
声摩擦音／ ｓ ／の区間にパワーの極大値が見られず
、セグメンテーションが不完全であることがわかる。
ン結果を平均パワーを用いる従来の方法と対比して示し
た図である。図より明らかなようにＬＰＣケプストラム
変化量が閾値６００以上で極大値を持つ点が６箇所あり
、ａ−ｓ−ａ−ｈ−１という５つの音節または音韻区間
にセグメンテーションされていることがわかる。一方従
来の音声パワーによるセグメンテーション方法では、無
声摩擦音／ ｓ ／の区間にパワーの極大値が見られず
、セグメンテーションが不完全であることがわかる。
［発明の効果］
以上実施例に基づいて説明したように、本発明ではＬＰ
Ｃケプストラム変化量を用いてセグメンテーションを行
っている。このＬＰＣケプストラム変化量という尺度は
音声信号のスペクトル形状の時間変化を記述したもので
、音声のスペクトル構造が音節または音韻ごとに異なる
点に着目している。したがって音声パワーに依存せずし
かも無声摩擦音においても、完全に音節又は音韻単位で
のセグメンテーションが可能となる。
Ｃケプストラム変化量を用いてセグメンテーションを行
っている。このＬＰＣケプストラム変化量という尺度は
音声信号のスペクトル形状の時間変化を記述したもので
、音声のスペクトル構造が音節または音韻ごとに異なる
点に着目している。したがって音声パワーに依存せずし
かも無声摩擦音においても、完全に音節又は音韻単位で
のセグメンテーションが可能となる。
第１図は本発明によるセグメンテーション方法にしたが
った音節または音韻区間の検出方法の説明図、第２図は
本発明の一実施例にかかるセグメンテーション方法を実
施するための装置の概略構成を示したブロック図、第３
図は本発明によるセグメンテーション結果の一例を示す
図である。 図において、１・・・・・・入力信号、２・・・・・・
ＬＰＣ係数算出手段、３・・・・・・ＬＰＣケプストラ
ム算出手段、４・・・・・・ＬＰＣケプストラム変化量
算出手段、５・・・・・・音節または音韻区間検出手段
、６・・・・・・検出信号出力。 δ Ｃ０，。 ・・・・・・ＬＰＣケプストラム変化量δ Ｃ０ −・・・・・ＬＰＣケプストラム変化量の閾値。
った音節または音韻区間の検出方法の説明図、第２図は
本発明の一実施例にかかるセグメンテーション方法を実
施するための装置の概略構成を示したブロック図、第３
図は本発明によるセグメンテーション結果の一例を示す
図である。 図において、１・・・・・・入力信号、２・・・・・・
ＬＰＣ係数算出手段、３・・・・・・ＬＰＣケプストラ
ム算出手段、４・・・・・・ＬＰＣケプストラム変化量
算出手段、５・・・・・・音節または音韻区間検出手段
、６・・・・・・検出信号出力。 δ Ｃ０，。 ・・・・・・ＬＰＣケプストラム変化量δ Ｃ０ −・・・・・ＬＰＣケプストラム変化量の閾値。
Claims (1)
- 【特許請求の範囲】 音声信号を音節や音韻に区分する音声のセグメンテーシ
ョン方法において、 （１）入力音声データの各フレームに線形予測分析を行
いＬＰＣ係数を算出する第１の工程と、（２）算出され
たＬＰＣ係数に基づいてＬＰＣケプストラムを算出する
第２の工程と、 （３）隣接するフレーム間での前記ＬＰＣケプストラム
の変化量を算出する第３の工程と、（４）前記ＬＰＣケ
プストラムの変化量が一定の閾値以上で極大となる時、
隣接する２つの極大値区間を１単位の音節または音韻区
間として検出する第４の工程と、 を有することを特徴とする音声のセグメンテーシヨン方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2252992A JPH04130499A (ja) | 1990-09-21 | 1990-09-21 | 音声のセグメンテーション方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2252992A JPH04130499A (ja) | 1990-09-21 | 1990-09-21 | 音声のセグメンテーション方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04130499A true JPH04130499A (ja) | 1992-05-01 |
Family
ID=17244996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2252992A Pending JPH04130499A (ja) | 1990-09-21 | 1990-09-21 | 音声のセグメンテーション方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04130499A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0764937A2 (en) * | 1995-09-25 | 1997-03-26 | Nippon Telegraph And Telephone Corporation | Method for speech detection in a high-noise environment |
| JP2002287785A (ja) * | 2001-03-28 | 2002-10-04 | Nec Corp | 音声セグメンテーション装置及びその方法並びにその制御プログラム |
| JP2009020459A (ja) * | 2007-07-13 | 2009-01-29 | Yamaha Corp | 音声処理装置およびプログラム |
-
1990
- 1990-09-21 JP JP2252992A patent/JPH04130499A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0764937A2 (en) * | 1995-09-25 | 1997-03-26 | Nippon Telegraph And Telephone Corporation | Method for speech detection in a high-noise environment |
| EP0764937A3 (en) * | 1995-09-25 | 1998-06-17 | Nippon Telegraph And Telephone Corporation | Method for speech detection in a high-noise environment |
| JP2002287785A (ja) * | 2001-03-28 | 2002-10-04 | Nec Corp | 音声セグメンテーション装置及びその方法並びにその制御プログラム |
| JP2009020459A (ja) * | 2007-07-13 | 2009-01-29 | Yamaha Corp | 音声処理装置およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Drugman et al. | Glottal source processing: From analysis to applications | |
| Wallen et al. | A screening test for speech pathology assessment using objective quality measures | |
| Dissen et al. | Formant Estimation and Tracking Using Deep Learning. | |
| Tamburini | Prosodic prominence detection in speech | |
| JP3673507B2 (ja) | 音声波形の特徴を高い信頼性で示す部分を決定するための装置およびプログラム、音声信号の特徴を高い信頼性で示す部分を決定するための装置およびプログラム、ならびに擬似音節核抽出装置およびプログラム | |
| Afroz et al. | Recognition and classification of pauses in stuttered speech using acoustic features | |
| Ramteke et al. | Phoneme boundary detection from speech: A rule based approach | |
| Cordeiro et al. | Spectral envelope first peak and periodic component in pathological voices: A spectral analysis | |
| Korkmaz et al. | Classification of Turkish vowels based on formant frequencies | |
| KR100738332B1 (ko) | 성대신호 인식 장치 및 그 방법 | |
| Cherif et al. | Pitch detection and formant analysis of Arabic speech processing | |
| Narendra et al. | Generation of creaky voice for improving the quality of HMM-based speech synthesis | |
| Yadav et al. | Epoch detection from emotional speech signal using zero time windowing | |
| Karabetsos et al. | One-class classification for spectral join cost calculation in unit selection speech synthesis | |
| Papakyritsis | Acoustic phonetics for the speech clinician | |
| Chen et al. | Pitch marking based on an adaptable filter and a peak-valley estimation method | |
| Jayasankar et al. | Automatic continuous speech segmentation to improve Tamil text-to-speech synthesis | |
| JPH04130499A (ja) | 音声のセグメンテーション方法 | |
| Mathad et al. | Vowel onset point based screening of misarticulated stops in cleft lip and palate speech | |
| Thirumuru et al. | Application of non-negative frequency-weighted energy operator for vowel region detection | |
| Sawusch | Acoustic analysis and synthesis of speech | |
| Mittal et al. | An impulse sequence representation of the excitation source characteristics of nonverbal speech sounds | |
| Tripathi et al. | VOP detection for read and conversation speech using CWT coefficients and phone boundaries | |
| Feng et al. | The Research of Forensic Voiceprint Identification Based on WMFCC | |
| CN113436649B (zh) | 一种语音情感标定辅助方法及系统 |