JPH04212199A - 標準パターン登録方法 - 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】

【０００１】

【技術分野】本発明は、標準パターン登録方式、より詳
細には音声認識のパターン照合に関するものである。

【０００２】

【従来技術】現在の音声認識装置は、パターンマッチン
グ方式を利用するものが主流であり、あらかじめ登録さ
れた標準パターンと、入力された未知の音声パターンを
比較して、最も類似した標準パターンのカテゴリーを認
識結果として出力するものである。

【０００３】図７は、従来の音声パターン照合方法の一
例を説明するための図で、図中、１はマイクロフォン、
２はマイクアンプ、３は特徴変換部、４はＡ／Ｄ変換部
、５は切換えスイッチ、６は標準パターン格納部、７は
照合部、８は最大類似度検出部、９は認識結果出力部で
、まず、切換えスイッチ５を標準パターン登録側（ａ側
）にしておき、マイク１から音声を入力する。マイク１
で電気信号に変換された音声は、マイクアンプ２で増幅
され、特徴変換部３により特徴変換されるが、利用され
る特徴量としてはスペクトル他いくつか知られている。 それを離散量に直し標準パターンとして標準パターン格
納部６に格納する。認識時は、スイッチを照合側（ｂ側
）へ倒して行なう。登録時と同様に音声のパターンを作
り、あらかじめ登録しておいたすべての標準パターンと
照合し、類似性の一番高いパターンを見つけ、それを認
識結果とするものである。

【０００４】このような認識方式の詳細や、特徴量につ
いては、例えば新美著「音声認識」等に書かれており、
周知であるので、ここでのこれ以上の説明は省略する。 このなかで、パターンの照合に際して、パターンの変動
をどの様に対策するかと言う問題がある。特に、この変
動は時間的なものが大きく、発声の速度等の影響がでる
。この対策は２つあり、１つはＤＰマッチングに代表さ
れる非線形照合で、照合する２つのパターンの類似性を
見ながら、その類似性が最大になるようにダイナミック
に２つのパターンを対応づけるもの、もう１つは、類似
性のチェックなどせずに時間長を均等にデータ挿入、間
引きによって一致させてから両者を比較する線形照合す
るものである。前者が計算量が多い代りに、精度が良く
、後者は計算量が非常に少ないというメリットがある。 特に、後者の場合、全てのパターンを一定長にして置く
事で、入力された音声のパターンを一度長さ合せしてし
まうと、照合に際して、パターン伸縮をする必要がない
と言う特徴がある。この方法では、音声パターンが完全
で、欠落や付加が無い時にはかなり有効であるが、しか
し、音声は非線形な伸縮をしているものであり、それを
線形伸縮で間に合わせている為、音声パターンに欠落や
付加があると、照合精度は非常に悪いものになってしま
う。

【０００５】図８は、音声のエネルギーの時間変化を示
す図で、この図に従って説明すると、図に示すごとく、
同じ「ｓｔａｆｆ」という音声パターンがあるとき、正
常なもの同士を線形に伸縮して比較する場合には、（ａ
）に示すように、両者の誤差を小さくすることができる
が、（ｂ）に示すように、音声区間検出に失敗して、一
方のパターンの／ｆ／が欠落した「ｓｔａ」だったりす
ると、同じパターンでありながら、音声の末尾付近で違
う音同士が対応づいてしまい、両パターンの差は著しく
大きくなる。ここに例として挙げた「ｓｔａｆｆ」の／
ｆ／のように、発声されるエネルギーの小さな子音は、
音声区間の検出がうまく行かないことが多く、上記の問
題は非常によく起こることである。非線形伸縮を用いた
パターン照合法では端点フリーにするものがあり、／ｆ
／が欠けていながら、精度の良いマッチングができる。 ただし、この非線形伸縮を用いた方法では、先に述べた
ように計算量が多い事に変りはない。

【０００６】また、この対策のひとつとして、欠落等が
生じる等、不安定な音声の標準パターンにマークをつけ
ておいて、入力された音声に不安定な部分がある場合に
は、標準パターンの不安定な部分をつけたままで、入力
された音声に不安定な部分が無い時には、全ての標準パ
ターンから不安定部を取除いて照合するものがある。し
かしながら、この方法では、入力のパターンによって標
準パターンを変化させるものであるから、照合時に毎回
標準パターンを修正しなければならないという欠点があ
る。

【０００７】

【目的】本発明は、上述のごとき従来技術の欠点に鑑み
てなされたものであり、特に、音声区間の検出がうまく
行かなかった場合にも、計算量の少ない線形伸縮法によ
って、正しい照合ができることを目的としてなされたも
のである。

【０００８】

【構成】本発明は、上記目的を達成するために、音声信
号から特徴量を取り出し特徴パターンとなして照合する
音声パターンマッチング方式において、音声の冒頭また
は末尾に音声のエネルギーが母音のそれよりも低く、か
つスペクトル成分が高域に集中している部分を見出し、
全体のパターンを定められた長さに変換すると共に、該
エネルギーが母音のそれよりも低く、かつスペクトル成
分が高域に集中している部分を取除いた残りのパターン
を定められた長さに変換して標準パターンとしたことを
特徴としたものである。以下、本発明の実施例に基いて
説明する。

【０００９】図１は、本発明の一実施例を説明するため
のフローチャート、図２は、図１に示したフローチャー
トを実現するためのブロック図で、図中、１０は伸縮部
、１１はパワー計算部、１２は比較部、１３は高域スペ
クトル計算部、１４は比較部、１５は伸縮部、１６はメ
モリー、１７，１８は閾値、１９はパターン整形部、２
０は伸縮部で、その他、図６に示した従来技術と同様の
作用をする部分には、図６の場合と同一の参照番号が付
してある。而して、本発明では音声区間検出がしにくい
子音エネルギーが比較的小さく、周波数成分が高域に集
中しやすいことに注目してなされたものであり、音声信
号から特徴量を取り出し特徴パターンとなして照合する
音声パターンマッチング方式において、音声の冒頭、ま
たは末尾に音声のエネルギーが母音のそれよりも低く、
かつ、スペクトル成分が高域に集中している部分を見出
し、全体のパターンを定められた長さに変換すると共に
、該エネルギーが母音のそれよりも低く、かつ、スペク
トル成分が高域に集中している部分を取除いた残りのパ
ターンを定められた長さに変換して標準パターンとする
ようにしたものである。

【００１０】図１は、上記本発明の方式をフローチャー
トにて示したもので、以下、このフローチャートに基い
て説明する。まず、音声の登録に関して説明すると、通
常通り、音声全体を一定の長さにしておいて、標準パタ
ーンとして登録したあと、その音声の冒頭または末尾に
特定部（つまり、エネルギーが低く、かつスペクトル成
分が高域に集中している部分）があるかどうかをみる。 音声のエネルギーは、一定値より下がるかどうかで決め
られ、この一定値は、母音が入力された時のエネルギー
値から１／５程度の値に決める。また、周波数の集中は
色々な調べかたが考えられるが、例えば、分析周波数帯
域を２つに分け、高域に低域の何倍かの成分が存在して
いる時とか、スペクトル分布の周波数軸方向へのフィッ
ト直線を引いて、この傾きが負の場合とかで判断する事
ができる。このような音声冒頭や末尾にエネルギーが小
さく、周波数成分が高域に集中している部分がなければ
、この音声の登録が終り、ある場合は、それが冒頭か、
末尾かによって、つまり、前記の／ｆ／のような欠落し
やすい音が、音声のどこに付いているかを調べておく。 次に、あらかじめ、これを欠落させたパターンを併せて
作る。つまり、音声冒頭に欠落しやすい音が付いている
時は、エネルギーが小さく、周波数成分が高域に集中し
ている部分から末尾までを取除いた残りを一定長にして
おいて登録する。

【００１１】一方、認識の時には、入力音声を定められ
た一定の長さにして、登録されたすべての標準パターン
と照合する。もし、入力の音声の冒頭、末尾の子音等が
落ちている時には、あらかじめ登録されている欠落音声
パターンと照合できるから、認識の精度を向上させる事
ができる。

【００１２】図２は、上記本発明を実現する為のブロッ
ク図で、マイク１からの音声を、特徴変換して離散量に
なおすところまでは、図６に示した従来技術と同じであ
る。はじめに登録について説明する。スイッチ５を登録
側（ａ側）に倒しておき、音声信号をパワー計算するた
めのパワー計算部１１へ入れる。ここでパワーが一定値
より低い部分が有るか、有るならそれは周波数成分が高
域に集中しているかどうかを、さらにその位置は冒頭か
、末尾かを調べておく。次の伸縮部で、パターン全体の
長さを一定の長さに伸縮して、標準パターン格納部（メ
モリー）１６へ登録しておく。もし、パワーが一定値よ
り低く、周波数成分が高域に集中している部分が存在し
たなら、パターン整形部にて、図１のフローチャートで
示したように、先端、あるいは末尾までを除去し、再度
伸縮部で整形されたパターンを一定長にした後に、標準
パターン格納部へ登録しておく。こうして登録すべき音
声を標準パターン格納部に登録し終わると、スイッチ５
を認識側（ｂ側）に倒し、認識する。認識は、登録と同
様に特徴パターンになおした後、伸縮部１０にて一定長
にして照合する。この伸縮部も登録時と同じ機能をもて
ば良くて、図では別に記載されているが、同じものでよ
い。照合部７では特に照合方法を限定するものではなく
、市街地距離によってパターン相互の差を求める方法で
も良いし、ベクトル間の内積による類似性を計算するの
も良い。未知入力のパターンと各標準パターンとの類似
性、または誤差をそれぞれ求めておく。最大類似度検出
部８では、最も大きな類似性を示した標準パターンを見
つけだし、その名前または、それを表わす記号等を認識
結果として出力する。この方法によると、あらかじめ音
声の一部が欠落した音声パターンも一定長にて登録して
ある為、入力の音声の冒頭、末尾の子音等が落ちている
時にはこのパターンと照合できるから伸縮するものに比
べて演算量は少なく、認識の精度を向上させる事ができ
る。

【００１３】図３は、図１の動作をマイクロコンピュー
タでハード的に行うための図で、あらかじめ、レジスタ
２８に何種類かの長さに正規化された音声の標準パター
ンがロードされているものとして説明をする。認識させ
るべき未知の音声がマイク１から入力され、マイクアン
プ２で増幅された後、バンドパスフィルタバンク３でい
くつかの周波数（例えば１５コ）に分析される。その結
果をＡ／Ｄ変換器４で１２ビット程度に量子化し、その
データを用いて音声区間の検出２１を行なう。検出され
た音声に係る部分をレジスタ２２に格納する。音声区間
検出のしかたは新美著「音声認識」（共立出版）Ｐ６８
に示されている。この音声区間の検出を含め、これ以後
の動作はマイクロコンピュータのソフトウェアで行なう
ため、レジスタ以外にハードウェアを持たないのが多い
が、図ではその動作をハード的に示す。レジスタ２３に
は正規化すべき何種類かのフレーム長が登録されている
。音声区間を検出した際に発生する入力音声のフレーム
長を比較器２４に送り、レジスタ２３の内容と比較する
。レジスタ２３の中から一番近いフレーム長をひとつ、
またはふたつ選び出し、レジスタ２２と比較器２７へフ
レーム長の信号として送る。レジスタ２２では送られて
来た信号をもとに、レジスタ内のコピーで決められたフ
レーム長にする。図４にコピーの際のレジスタの動作を
示す。

【００１４】図４において、仮に未知の音声長が１１で
、これがレジスタ２２に格納されているとする。これを
１１＋２フレームに伸張しなければならない場合（ａ）
、入力のフレーム長を、挿入するフレーム数＋１で割っ
て挿入部分を決めるのが簡単である。この場合、１１／
３でその時の整数が１１′であったとする。まず、１１
番目のデータを１１＋２番目へ、１１−１番目のデータ
を１１＋１番目へとコピーを繰返してゆく。ただし、２
１１′のデータは２１１′＋１と２１１′＋２フレーム
目の両方にコピーする。その後、１１′−１番目を１１
′番目へとコピーを繰返し、１１′を１１′＋１番目へ
コピーしたところで動作は終了する。次に、１１を１１
−２フレームにする場合を示す（ｂ）。先程とは逆に番
号の若い方から始め、まず、１１′＋１番目のデータを
１１′番目へコピーする。１１′＋ｎを１１′＋ｎ−１
へとコピーを繰返し、２１１′に達した時、２１１′＋
２をコピーする。それ以降は２１１′＋ｎを２１１′＋
ｎ−２へコピーをくりかえして、１１分が終われば完了
である。以上の動作は２フレームの加減で説明したが、
これ以外のフレーム長でも同様である。

【００１５】パターン長が決められた長さになれば、次
に２値化する。しかし、一般の方法では２値化の必要の
ないものが多い。これは文献（オーム社応用ファジイシ
ステム入門）に述べた方法で認識するためである。２値
化は１フレームごとに比較器２５によっておこなう。レ
ジスタ２２から１フレームの全データの合計を３ビット
シフトして、つまり１／８にして送られ、閾値に格納さ
れる。その後、この閾値とそのフレームの各値を比較し
、閾値よりも大なる時１、その他を０として２値化し、
再びレジスタ２２へ保存しておく。レジスタ２８の内容
はあらかじめ０クリアしておきレジスタ２２内のパター
ンとレジスタ２８の内容を加算器２７で加算してその結
果をレジスタ２８に戻す。これは１つの単語について何
回か発声してそれらの平均したパターンを標準パターン
として登録するためのもので、もし、平均する必要がな
い時はレジスタ２２の内容をそのまま標準パターンとし
てレジスタ２８に登録すれば良い。ここでは３回発声し
たものを登録するものとして説明する。まず、すべて０
のパターンと第１回の発声で作ったパターンを加算して
、レジスタ２８に格納しておき、第２回目の発声で第１
回目と同様のパターンを作り、再度レジスタ２８の内容
（第１回目の発声パターン）と加算してレジスタ２８へ
もどす。第３回目の発声も同様に加算してレジスタ２８
へもどし、その結果を辞書部であるレジスタ２８へ書込
む。これと同時に本発明を適用し、図３に述べたような
やりかたで、音声の先端または終端近くにエネルギーが
小さく、高い周波数成分のみをもつ部分があるかどうか
を調べる。あった場合、その部分を取除いて残りの部分
を決められた長さに変換する。加算の必要が有る時は、
取除いた部分同士、取除かない部分同士を加算する。パ
ターンが不足する場合はさらに発声を促すか、特定のパ
ターンに重みを付けて平均しても良い。このようにして
必要な単語の全てを登録し終わったあと、レジスタ２８
の標準パターンはフロッピ・ディスク４２等に書込んで
電源が切れても内容が保存できるようにしておく。

【００１６】ここで、本発明に関する処理をする。図３
では、音声中にエネルギーが小さくかつスペクトルが高
域に集中している部分を探している。バンドパス・フィ
ルタ３は１５個で成立っており、最低周波数が２５０Ｈ
ｚ、最高が６５００Ｈｚで１／３ｏｃｔ．で並んでいる
ものとする。Ａ／Ｄ変換した後フィルタの低域から１１
番目まではΣ３１で、１２番目から１５番目はΣ３２で
合計して両合計を比較する。Σ３２の出力が大きければ
比較器３３は１を出力する。一方、Σ３１とΣ３２の和
、つまり加算器３４の出力である音声のエネルギーが閾
値３５に決められた値より小さければ比較器３６も１を
出力し、そうでない時は０を出力する。比較器３３，３
６の信号の積が１のときは、レジスタ３７に一時的に格
納されている未知音声のパターンはレジスタ２２へ転送
され、以降は、図７と同じ動作をして認識結果を得る。

【００１７】比較器２４、レジスタ２２では先に照合し
たパターンと同じ処理をし、照合した後、先にレジスタ
４３に格納されている類似度の後へ今回計算した類似度
を続けて書込む。最後は先に述べた例と同じ様に最大の
類似度を得た単語を調べてその名前を出力する。但し、
この時レジスタ４３に書込まれているすべての類似度値
に対してその最大値を求める。

【００１８】図５は、音声認識のフローを示す図、図６
は、図５に示したフローをコンピュータで、ハード的に
行うための図で、以下、図３と異なる部分のみを説明す
る。レジスタ２２で２値化パターンを作るまでは同じで
ある。通常照合の仕方は次の様なものである。比較器４
０では、レジスタ４１の辞書部から送られる１単語づつ
のフレーム長を入力音声のフレーム長と比較し、同じ値
であった時だけ、辞書のパターンを照合部へロードしな
おし、レジスタ２２のパターンと照合、類似度を計算し
てレジスタ４３に書込む。ただし、レジスタ４３はあら
かじめ０クリアされているものとし、フレーム長が違っ
て照合しなかったものは類似度０となるように配慮され
ている。こうして辞書部に登録したパターンの終わりを
示すエンド信号がでるまでこれを繰返す。それが終了す
ると、レジスタ４３の先頭の類似度値をレジスタ４５に
移し、レジスタ４３の２番目以降の類似度値とレジスタ
４５の値を比較器４４で比較してレジスタ４５よりも大
きな値があった時この値をレジスタ４５へ書込む。以後
、新しく書込まれた値とレジスタ４３の類似度値を順に
比べ、これをくりかえす。ただし、これも図３と同様、
すべてこの動作はプログラムでコントロールされるもの
で、マイコンで動かすものである。

【００１９】

【効果】以上の説明から明らかなように、本発明による
と音声区間の検出がうまく行かなかった場合にも、照合
的に伸縮することなく、正しい照合ができる。

【図面の簡単な説明】

【図１】　　本発明による音声登録の一実施例を説明す
るためのフローチャートである。

【図２】　　図１に示した音声登録を実現するためのブ
ロック図である。

【図３】　　図１をマイクロコンピュータでハード的に
実現するための図である。

【図４】　　フレームの伸縮を説明するための図である
。

【図５】　　音声認識のフローチャートを示す図である
。

【図６】　　図５をマイクロコンピュータでハード的に
実現するための図である。

【図７】　　一般のパターンマッチングの説明図である
。

【図８】　　弱い子音が検出された場合の対応づけと検
出できなかった場合の対応づけを説明するための図であ
る。

【符号の説明】

１…マイクロフォン、２…マイクアンプ、３…特徴変換
部、４…Ａ／Ｄ変換部、５…スイッチ、６…標準パター
ン格納部、７…照合部、８…最大類似度検出部、９…認
識結果出力部、１０…伸縮部、１１…パワー計算部、１
２…比較部、１３…高域スペクトル計算部、１４…比較
部、１５…伸縮部、１６…メモリ、１７，１８…閾値、
１９…パターン整形部、２０…伸縮部、２１…音声区間
検出器、２２，２３，２８，３０，３２，３９，４１…
レジスタ、２４，２５，２７，３１，３５，３８…比較
器、２６，３７…閾値、２９…照合部、３６，４０…加
算部、４２…フロッピ・ディスク。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　音声信号から特徴量を取り出して特徴
   パターンを生成し、該特徴パターンを標準パターンと照
   合する音声パターンマッチング方式において、音声の冒
   頭または末尾に音声のエネルギーが母音のそれよりも低
   くかつスペクトル成分が高域に集中している部分を見出
   し、全体のパターンを定められた長さに変換すると共に
   、該エネルギーが母音のそれよりも低くかつスペクトル
   成分が高域に集中している部分を取除いた残りのパター
   ンを定められた長さに変換して標準パターンとする標準
   パターン登録方式。