JPH04301697A - 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】

【０００１】

【産業上の利用分野】本発明は、音声認識装置に関し、
特に、人間の発声した音声を識別し、それを機械の制御
信号，キー入力信号，文字データ信号等に変換する音声
認識装置に関するものである。この音声認識装置は、電
話機への番号入力，ワードプロセッサへの文書入力，事
務用機や大型機械等のオペレーション指示入力など、種
々の情報入力機器に適用することができる。

【０００２】

【従来の技術】従来における音声認識装置の構成の一例
を図３により説明する。この音声認識装置は、操作指示
を合成音声により行い、音声入力を行う話者が合成音声
の操作指示に従って入力する音声の発声を行い、入力さ
れた音声を認識する音声認識装置となっている。図３に
おいて、３１はマイクロホン、３２はアナログ／デジタ
ル変換部（Ａ／Ｄ変換部）、３３は特徴抽出部、３４は
パターン照合部、３５は音声合成部、３６はデジタル／
アナログ変換部（Ｄ／Ａ変換部）、３７はスピーカ、ま
た、３８は音声認識装置の全体の制御を行う制御部であ
る。

【０００３】音声認識装置の動作の概要を説明する。こ
の音声認識装置では、まず、制御部３８が、音声入力を
行う話者への操作指示を合成音声による音声出力により
行うため、音声合成部３５に対して、音声合成で出力す
る操作指示の合成データを出力すると、音声合成部３５
が音声合成を行い、Ｄ／Ａ変換部３６により、合成され
たデジタル信号の合成音声をアナログ電気信号に変換さ
れて、スピーカ３７により合成音声が出力される。これ
により、音声入力を行う話者が合成音声の操作指示に従
って音声入力を行うため、マイクロホン３１に対して音
声を発生する。話者の発生した入力音声がマイクロホン
３１に入力されると、入力音声はマイクロホン３１によ
りアナログ電気信号となってＡ／Ｄ変換部３２に供給さ
れる。Ａ／Ｄ変換部３２は入力音声のアナログ電気信号
をデジタル信号に変換する。デジタル信号に変換された
入力音声のデジタル信号は、特徴抽出部３３に入力され
、特徴抽出部３３が入力された入力音声のデジタル信号
から音声認識のための特徴量を抽出する。抽出した特徴
量は特徴抽出部３３からパターン照合部３４に加えられ
るので、パターン照合部３４において、予め登録された
音声パターンと入力音声の特徴量のパターンデータとの
間でパターン照合を行い、音声認識処理を行う。この結
果、認識された判定結果信号は制御部３８に加えられ、
制御部３８は、判定結果信号を予め定められたプログラ
ム内容により各種制御用の指示データに用いる。

【０００４】

【発明が解決しようとする課題】このような音声認識装
置で用いるマイクロホン３１は、口から距離を数センチ
ほど離して使用する接話型と、数十センチほど離して使
用するハンズフリー型とがあるが、話者の自由度はハン
ズフリー型の方がはるかに大きい。ただし、ハンズフリ
ー型の欠点は、操作指示用スピータから出力される合成
音声が、空間を伝播してマイクロホンに入力されるため
、この合成音声の音圧レベルと話者の発した音声の音圧
レベルの差が小さいと、操作指示音声と話者の音声とを
誤認識する可能性が極めて大きいことである。このため
、常時、音声認識可能状態としないで、音声認識装置の
パターン照合部などの稼働を制御して、話者の音声入力
がある時のみに音声認識可能状態とし、誤認識しないよ
うにする。

【０００５】このような音声認識装置の動作の制御は、
制御部３８が音声合成部３５に対して信号線ａを通して
音声出力命令を発した後、音声合成部３５から信号線ｂ
を通して送られる音声出力終了信号を監視することより
行う。制御部３８は信号線ｂの音声出力終了信号を受信
した後、信号線ｃを通してパターン照合部に音声認識命
令を与える。

【０００６】この方法によると、正しく音声が認識され
るためには、話者は操作指示音声の終了後に発声を開始
する必要があり、人間同士の通常の対話に比ベて、不自
然なものとなる。また、情報のやりとりにかかる時間も
増大するという問題がある。

【０００７】本発明の目的は、合成音声によって操作指
示を与える音声認識装置において、スピーカから空間を
伝播してマイクロホンに回り込む操作指示音声に対して
誤認識することなく、また、操作指示音声に話者の音声
が重畳する場合でも認識率の低下を引き起こすことのな
い音声認識装置を提供することにある。

【０００８】

【課題を解決するための手段】上記の目的を達成するた
め、本発明の音声認識装置は、音声入力用マイクロホン
と、該マイクロホンからの電気信号をディジタル信号に
変換するアナログ／デジタル変換部と、デジタル化され
た音声の時系列信号から特徴量を抽出する特徴抽出部と
、予め登録された音声パターンと入力音声の特徴量との
間でパターン照合を行うパターン照合部と、操作指示用
合成音声パラメータをデジタル音声信号として出力する
音声合成部と、該デジタル音声信号をアナログ電気信号
に変換するデジタル／アナログ変換部と、該アナログ電
気信号を出力するスピーカ部と、前記パターン照合部，
音声合成部，および全体の制御を行う制御部と、前記ア
ナログ／デジタル変換部の出力信号および音声合成部の
出力信号を入力とし、アナログ／デジタル変換部の出力
信号中に重畳する音声合成部の出力信号を消去した信号
を特徴抽出部に出力するエコー消去部とを有することを
特徴とする。

【０００９】ここでの音声認識装置は、更に、アナログ
／デジタル変換部の出力信号を入力とし、該出力信号が
所定レベルを越えたことを判定した時に、音声始端検出
信号を出力する音声始端判定部を有することを特徴とす
る。

【００１０】

【作用】これによれば、音声認識装置には、音声入力用
マイクロホンと、アナログ／デジタル変換部と、特徴抽
出部と、パターン照合部と、音声合成部と、デジタル／
アナログ変換部と、制御部と、エコー消去部とが備えら
れる。音声入力用マイクロホンからの電気信号をアナロ
グ／デジタル変換部がディジタル信号に変換し、デジタ
ル化された音声の時系列信号から、特徴抽出部が、音声
認識のための特徴量を抽出する。抽出された特徴量は、
パターン照合部が予め登録された音声パターンと入力音
声の特徴量との間でパターン照合を行う。そして、パタ
ーン照合部の音声認識結果信号が出力される。これらの
一連の音声認識の動作は制御部の制御により行なわれる
。制御部はパターン照合部，音声合成部，および全体の
制御を行う部分であり、制御部の制御によって、音声合
成部が操作指示用合成音声パラメータをデジタル音声信
号として出力し、該デジタル音声信号をデジタル／アナ
ログ変換部がアナログ電気信号に変換し、スピーカ部が
該アナログ電気信号を出力する。ここには、更にエコー
消去部が設けられており、エコー消去部は、アナログ／
デジタル変換部の出力信号および音声合成部の出力信号
を入力とし、アナログ／デジタル変換部の出力信号中に
重畳する音声合成部の出力信号を消去した信号を特徴抽
出部に出力する。

【００１１】このため、合成音声によって操作指示を与
える音声認識装置は、エコー消去部の動作により、スピ
ーカから空間を伝播してマイクロホンに回り込む操作指
示音声が重畳される雑音成分を消去することができ、操
作指示音声に話者の音声が重畳する場合でも認識率の低
下を引き起こすことがない。

【００１２】また、ここでの音声認識装置には、更に音
声始端判定部を有しており、この音声始端判定部は、ア
ナログ／デジタル変換部の出力信号を入力とし、該出力
信号が所定レベルを越えたことを判定した時に音声始端
検出信号を出力する。この音声始端検出信号を用いて、
制御部が音声認識可／不可を制御することにより音声入
力がされない間の雑音分の間の音声認識を行うことなく
、音声認識の誤認識を避けることができる。

【００１３】

【実施例】図１は本発明の一実施例にかかる音声認識装
置の要部の構成を示すブロック図である。図１において
、１はマイクロホン、２はアナログ／デジタル変換部（
Ａ／Ｄ変換部）、３は特徴抽出部、４はパターン照合部
、５は音声合成部、６はデジタル／アナログ変換部（Ｄ
／Ａ変換部）、７はスピーカ、８は制御部である。 また、１１はエコー消去部、１２は音声始端判定部であ
る。エコー消去部１１にはＡ／Ｄ変換部２の出力および
音声合成部５の出力が入力され、その出力は特徴抽出部
３に入力される。音声始端判定部１２は、信号線１３に
よりＡ／Ｄ変換部２からの出力を入力し、該入力信号の
パワー（音圧レベル信号）を測定することによって、入
力音声の始端を判定する。音声始端判定結果は、信号線
１５によりエコー消去部１１に入力される。

【００１４】音声認識装置では、制御部８の制御により
音声合成部５を制御して、操作指示を合成音声により行
い、音声入力を行う話者が合成音声の操作指示に従って
入力する音声の発声を行い、入力された音声を認識する
。このため、まず、制御部８が、音声合成部５に対して
、音声合成出力する操作指示の合成データを出力すると
、音声合成部５が音声合成を行い、Ｄ／Ａ変換部６によ
り、合成されたデジタル信号の合成音声をアナログ電気
信号に変換して、スピーカ７により合成音声を出力する
。これにより、音声入力を行う話者が合成音声の操作指
示に従って音声入力を行うため、マイクロホン１から音
声を入力する。話者からの入力音声がマイクロホン１に
入力されると、入力音声はマイクロホン１によりアナロ
グ電気信号となってＡ／Ｄ変換部２に供給される。Ａ／
Ｄ変換部２は入力音声のアナログ電気信号をデジタル信
号に変換する。デジタル信号に変換された入力音声のデ
ジタル信号は、エコー消去部１１に入力される。エコー
消去部１１には、音声合成部５からデジタル信号の合成
音声が入力されており、デジタル信号の入力音声に中に
重畳する合成音声の信号を消去して、特徴抽出部３に音
声信号に出力する。すなわち、エコー消去部１１は、ス
ピーカ７から空間を伝播してマイクロホン１に回り込む
操作指示音声が重畳される雑音成分を消去する。エコー
消去部１１からエコー消去を行った音声信号は特徴抽出
部３に入力され、特徴抽出部３が入力された入力音声の
デジタル信号から音声認識のための特徴量を抽出する。 抽出した特徴量は特徴抽出部３からパターン照合部４に
加えられるので、パターン照合部４において、予め登録
された音声パターンと入力音声の特徴量のパターンデー
タとの間でパターン照合を行い、音声認識処理を行う。 この結果、認識された判定結果信号は制御部８に加えら
れ、制御部８は、判定結果信号を予め定められたプログ
ラム内容により各種制御用の指示データなどに用いる。

【００１５】また、音声始端判定部１２は、信号線１３
によりＡ／Ｄ変換部２からの信号出力を受けて、該信号
出力のパワー（音圧レベル信号）を測定することにより
、入力音声の始端を判定する。この場合、音声合成部５
が合成音声を出力している時には、この合成音声出力信
号を信号線１６により受けて、入力音声判定の基準レベ
ルを変動させる。これらより、精度よく、入力音声の始
端判定を行う、始端判定結果は、信号線１５によりエコ
ー消去部１１に入力され、また、信号線１７により制御
部８に入力される。エコー消去部１１および制御部８が
それぞれの動作の制御に用いる。

【００１６】（ａ）エコー消去部の学習話者の入力音声
に操作指示音声が重畳した場合でも、操作指示音声が重
畳しない場合と同等の音声認識性能を維持するためには
、エコー消去部１１がスピーカ７から空間を伝播してマ
イクロホン１に回り込む信号成分を効率的に消去し、し
かも入力音声信号に歪み等を与えないことが必要である
。このようなエコー消去部１１の学習法としては例えば
、学習同定法がよく知られている（例えば、文献「板倉
，西川；“学習同定法を用いたエコーキャンセラのエコ
ー打ち消し特性について”，電子通信学会論文誌，Ｖｏ
ｌ．　Ｊ６０−Ａ，　Ｎｏ．　１１，　１９７７年１１
月」を参照できる）。この学習同定法では、話者の入力
音声がない状態で、スピーカ７から操作指示音声を出力
することにより、空間伝播により残響を含んだ信号がマ
イクロホン１より入力し、この信号と音声合成部５から
信号線１４による直接の出力信号を入力することによっ
て、エコー消去部のフィルタ係数を学習させる。

【００１７】（ｂ）音声始端判定部の学習図２は音声始
端判定部の構成を示すブロック図である。 図２において、１２は音声始端判定部、２０はパワー測
定部、２１はパワー差分算出部、２２は差分系列メモリ
、２３はアドレカウンタ、２４は比較部、２５は閾値判
定部、２６はオア回路（ＯＲ回路）である。音声始端判
定部１２においてもパワー差分算出の基準値レベルおよ
び判定の閾値レベルを定めるための学習を行う。

【００１８】操作指示音声パワーの差分系列の学習は、
操作指示音声のみがある状態で、マイクロホン１からＡ
／Ｄ変換部２を通して入力される音声パワーをパワー測
定部２０で測定し、その差分の系列をパワー差分算出部
２４で算出して、差分系列メモリ２２に格納する。アド
レスカウンタ２３は差分系列メモリ２２に各々の差分値
を格納する際の系列アドレスを発生する。この差分の算
出の際に、適切な平滑化を行うことにより背景雑音の影
響を除去することができる。

【００１９】すなわち、音声合成部５から操作指示音声
の出力を開始すると同時に、その開始信号によりアドレ
スカウンタ２３をカウントアップして、音声パワーの測
定を開始し、パワー差分算出部２１からの差分値を差分
系列メモリ２２に格納し、差分系列メモリ２２には、操
作指示音声の開始時点からの差分系列を格納する。例え
ば、音声合成部５から音声信号の出力を開始した場合、
パワー差分算出のために必要な一定の遅延時間の経過後
、差分系列メモリ２２の書き込み用アドレスを発生する
アドレスカウンタ２３に信号線１６を通してパルスを送
出することにより、差分系列メモリ２２のアドレスカウ
ンタ２３の値を初期化する。操作指示音声が何種類か存
在する場合には、各々の操作指示音声に対応した音声パ
ワー差分系列を記憶し、記憶した各々の音声パワー差分
系列を、それぞれの操作指示音声の出力時の音声始端判
定の際に用いる。

【００２０】（ｃ）音声入力時の動作 ところで空間伝播特性は常時変動するため、エコー消去
部１１は常時学習状態としておくほうが、高いエコー消
去量を得ることができる。しかし、話者の入力音声があ
る場合には、エコー消去部１１が学習停止状態とする必
要がある。このため、次のような第１の方法または第２
の方法の２とおりの方法で動作させる。

【００２１】第１の方法では、前述の（ａ）のような学
習を行って、エコー消去部１１のフィルタ系数を学習さ
せ、学習が完了すると、それ以後は学習は行なわない。 そして、話者が入力する可能性がある場合には常に学習
停止状態にしておく。

【００２２】第２の方法では、操作指示音声の出力開始
後、話者の音声入力が開始されるまでの時間で、エコー
消去部１１のフィルタ係数を学習させ、それ以後は学習
を停止する。すなわち、話者が操作音声を聞いてから、
それに反応して発声を開始するまで、少なくても１秒程
度は必要である。したがって、操作指示音声出力の開始
後の５００ミリ秒程度はエコー消去部１１のフィルタ係
数を学習させ、それ以後は学習を停止するようにすれば
よい。

【００２３】次に、音声始端判定部１２を用いて、話者
の入力音声の始端を判定し、エコー消去部１１の学習を
停止させる方法について説明する。音声始端判定部１２
の学習が完了している状態において、音声合成部５から
操作指示音声を出力する場合に、信号線１６を通してフ
レームパルスを音声始端判定部１２に送出する。音声始
端判定部１２内には、図２に示すように、アドレスカウ
ンタ２３が設けられており、その値は予め該当する操作
指示音声に対応する音声パワー差分系列を格納する差分
系列メモリ２２の先頭メモリを指している。そして、ア
ドレスカウンタ２３は、信号線１６より入力されるフレ
ームパルスに同期してカウントアップする。比較部２４
には、参照入力としてアドレスカウンタ２３で示された
アドレスの差分系列メモリ２２の内容が入力される。ま
た、比較部２４の観測入力側は、パワー差分算出部２１
からの出力が入力される。これにより、比較部２４から
はフレーム周期毎に参照入力値と観測入力値との差が出
力され、その差出力が閾値判定部２５に入力される。閾
値判定部２５では入力値が所定の閾値を越えた場合に、
話者の入力音声ありと判定し、信号線１５を通して、判
定出力パルスをエコー消去部１１に送出する。判定出力
パルスは同時にオア回路２６に入力される。エコー消去
部１１は、この判定出力パルスを受信すると、学習を停
止して、フィルタ係数を固定する。

【００２４】以上の動作により、エコー消去部１１から
は操作指示音声成分を除去した入力音声成分のみが、次
段の特徴抽出部３に送られることになる。また、判定出
力パルスを受けたオア回路２６からは信号線１７を通し
て制御部に当該判定出力パルスが送出される。信号線１
７からの判定出力パルスにより、制御部８は「音声入力
あり」と判断し、パターン照合部４に認識命令を送出す
る。

【００２５】ところで、操作音声指示がない場合の音声
入力については、予めパワー測定部２０で測定した背景
雑音レベルと、フレーム毎に測定される信号パワーレベ
ルの比をパワー差分算出部２１で求めることによって音
声始端を検出することができる。音声始端と判定されれ
ば、判定出力パルスをオア回路２６に入力する。判定出
力パルスはオア回路２６を介して信号線１７により制御
部８に入力される。制御部８は信号線１７からの判定出
力パルスがあれば「入力音声あり」と判断し、パターン
照合部４に認識命令を送出する。なお、音声の始端情報
を必要としないワードスポッティング形のパターン照合
部を持つ場合には、上述の動作を行う必要はない。

【００２６】以上に説明した本実施例の音声認識装置に
よる音声認識実験の結果を説明すると次のような結果と
なった。認識実験は次のように行った、まず、男性３名
が各々１００単語を２回発声し、第１回目の発声により
単語登録パターンを作成した。第２回目の発声は、操作
指示音声「都市名を発声して下さい」の「発声して下さ
い」の部分に重畳するように発声された。背景雑音は高
速道路を走行する乗用車のノイズである。マイクロホン
は運転席側のサンバイザに設置し、スピーカは運転席と
助手席との間のコンソールボックス付近に設置した。背
景雑音レベルは約６６ｄＢ（Ａ）で、話者と音声指示音
声とのレベル差は約５．７ｄＢであった。認識実験の結
果、エコー消去部を動作させない場合には８６．０％で
あった認識率が、エコー消去部を動作させた場合には９
６．０％となった。ただし、この実験では、操作指示音
声の「都市名を」の部分でエコー消去部を学習させ、そ
の後はエコー消去部のフィルタ係数を固定する方法とし
た。

【００２７】エコー消去部を利用せずに、音声始端判定
部のみを用いて、操作指示音声出力中に音声入力があっ
た場合には、上述の判定結果に基づいて操作指示音声を
停止する方法とすればよいが、この場合には、雑音が入
力された場合に音声と誤認識を起こし、操作指示音声が
中断してしまう可能性があり、マンマシンインタフェー
スの点で好ましくない。したがって、この場合にもエコ
ー消去部を利用することにより、誤って操作指示音声を
中断させるという問題点を解決することができる。

【００２８】

【発明の効果】以上に説明したように、本発明の音声認
識装置によれば、入力音声に入り込む操作指示音声，背
景雑音などが有効に除去でき、音声認識性能が向上する
効果がある。

【図面の簡単な説明】

【図１】図１は本発明の一実施例にかかる音声認識装置
の構成を示すブロック図である。

【図２】図２は音声始端判定部の構成を示すブロック図
である。

【図３】図３は従来の音声認識装置の構成例を示すブロ
ック図である。

【符号の説明】

１…マイクロホン、２…アナログ／デジタル変換部（Ａ
／Ｄ変換部）、３…特徴抽出部、４…パターン照合部、
５…音声合成部、６…デジタル／アナログ変換部（Ｄ／
Ａ変換部）、７…スピーカ、８…制御部、１１…エコー
消去部、１２…音声始端判定部、２０…パワー測定部、
２１…パワー差分算出部、２２…差分系列メモリ、２３
…アドレカウンタ、２４…比較部、２５…閾値判定部、
２６…オア回路、３１…マイクロホン、３２…アナログ
／デジタル変換部（Ａ／Ｄ変換部）３３…特徴抽出部、
３４…パターン照合部、３５…音声合成部、３６…デジ
タル／アナログ変換部（Ｄ／Ａ変換部）、３７…スピー
カ、３８…制御部

Claims (2)

【特許請求の範囲】
1. 【請求項１】　　音声入力用マイクロホンと、該マイク
   ロホンからの電気信号をディジタル信号に変換するアナ
   ログ／デジタル変換部と、デジタル化された音声の時系
   列信号から特徴量を抽出する特徴抽出部と、予め登録さ
   れた音声パターンと入力音声の特徴量との間でパターン
   照合を行うパターン照合部と、操作指示用合成音声パラ
   メータをデジタル音声信号として出力する音声合成部と
   、該デジタル音声信号をアナログ電気信号に変換するデ
   ジタル／アナログ変換部と、該アナログ電気信号を出力
   するスピーカ部と、前記パターン照合部，音声合成部，
   および全体の制御を行う制御部と、前記アナログ／デジ
   タル変換部の出力信号および音声合成部の出力信号を入
   力とし、アナログ／デジタル変換部の出力信号中に重畳
   する音声合成部の出力信号を消去した信号を特徴抽出部
   に出力するエコー消去部とを有することを特徴とする音
   声認識装置。
2. 【請求項２】　　請求項１に記載の音声認識装置におい
   て、更に、アナログ／デジタル変換部の出力信号を入力
   とし、該出力信号が所定レベルを越えたことを判定した
   時に、音声始端検出信号を出力する音声始端判定部を有
   することを特徴とする音声認識装置。