JPH0441357B2 - - Google Patents

Description

【発明の詳細な説明】

本発明は音声認識に関し、新規な方法を提案す
るものである。 音声認識においては、特定話者に対する単語認
識によるものがすでに実用化されている。これは
認識対象とする全ての単語について特定話者にこ
れらを発声させ、バンドパスフイルタバンク等に
よりその音響パラメータを検出して記憶（登録）
しておく。そして特定話者が発声したときその音
響パラメータを検出し、登録された各単語の音響
パラメータと比較し、これらが一致したときその
単語であるとの認識を行う。 このような装置において、話者の発声の時間軸
が登録時と異なつている場合には、一定時間（５
〜20ｍsec）毎に抽出される音響パラメータの時
系列を伸縮して時間軸を整合させる。これによつ
て発声速度の変動に対処させるようにしている。 ところがこの装置の場合、認識対象とする全て
の単語についてその単語の全体の音響パラメータ
をあらかじめ登録格納しておかなければならず、
膨大な記憶容量と演算を必要とする。このため認
識語い数に限界があつた。 これに対して音韻（日本語でいえばローマ字表
記したときのＡ、Ｉ、Ｕ、Ｅ、Ｏ、Ｋ、Ｓ、Ｔ
等）あるいは音節（KA、KI、KU等）単位での
認識を行うことが提案されている。しかしこの場
合に、母音等の準定常部を有する音韻の認識は容
易であつても、破裂音（Ｋ、Ｔ、Ｐ等）のように
音韻的特徴が非常に短いものを音響パラメータの
みで一つの音韻に特定することは極めて困難であ
る。 そこで従来は、各音節ごとに離散的に発音され
た音声を登録し、離散的に発声された音声を単語
認識と同様に時間軸整合させて認識を行つてお
り、特殊な発声を行うために限定された用途でし
か利用できなかつた。 さらに不特定話者を認識対象とした場合には、
音響パラメータに個人差による大きな分散があ
り、上述のように時間軸の整合だけでは認識を行
うことができない。そこで例えば一つの単語につ
いて複数の音響パラメータを登録して近似の音響
パラメータを認識する方法や、単語全体を固定次
元のパラメータに変換し、識別函数によつて判別
する方法が提案されているが、いづれも膨大な記
憶容量を必要としたり、演算量が多く、認識語い
数が極めて少くなつてしまう。 本発明はこのような点にかんがみ、不特定話者
に対しても、容易かつ確実に音声認識を行えるよ
うにした、新規な音声認識方法を提案するもので
ある。以下に図面を参照しながら、本発明の一実
施例について説明しよう。 ところで音韻の発声現象を観察すると、母音や
摩擦音（Ｓ、Ｈ等）等の音韻は長く伸して発声す
ることができる。例えば“はい”という発声を考
えた場合に、この音韻は第１図Ａに示すように、
「無音→Ｈ→Ａ→Ｉ→無音」に変化する。これに
対して同じ“はい”の発声を第１図Ｂのように行
うこともできる。ここでＨ、Ａ、Ｉの準定常部の
長さは発声ごとに変化し、これによつて時間軸の
変動を生じる。ところがこの場合に、各音韻間の
過渡部（斜線で示す）は比較的時間軸の変動が少
いことが判明した。 本願発明者はこの点に着目したものである。 第２図において、マイクロフオン１に供給され
た音声信号がマイクアンプ２、5.5kHz以下のロー
パスフイルタ３を通じてAD変換回路４に供給さ
れる。またクロツク発生器５からの12.5kHz
（80μsec間隔）のサンプリングクロツクがAD変
換回路４に供給され、このタイミングで音声信号
がそれぞれ所定ビツト数（＝１ワード）のデジタ
ル信号に変換される。この変換された音声信号が
５×64ワードのレジスタ６に供給される。またク
ロツク発生器５からの5.12ｍsec間隔のフレーム
クロツクが５進カウンタ７に供給され、このカウ
ント値がレジスタ６に供給されて音声信号が64ワ
ードずつシフトされ、シフトされた４×64ワード
の信号がレジスタ６から取り出される。 このレジスタ６から取り出された４×64＝256
ワードの信号が高速フーリエ変換（FFT）回路
８に供給される。ここでこのFFT回路８におい
て、例えばＴの時間長に含まれるn_f個のサンプリ
ングデータによつて表される波形函数を Un_fＴ（ｔ） ……(1) としたとき、これをフーリエ変換して、 の信号が得られる。 さらにこのFFT回路８からの信号がパワース
ペクトルの検出回路９に供給され、 ｜〓²｜＝U² _1ofT(f)＋U² _2ofT(f) ……(3) のパワースペクトル信号が取り出される。ここで
フーリエ変換された信号は周波数軸上で対称にな
つているので、フーリエ変換によつて取り出され
るn_f個のデータの半分は冗長データである。そこ
で半分のデータを排除して1/2n_f個のデータが取
り出される。すなわち上述のFFT回路８に供給
された256ワードの信号が変換されて128ワードの
パワースペクトル信号が取り出される。 このパワースペクトル信号がエンフアシス回路
１０に供給されて聴感上の補正を行うための重み
付けが行われる。ここで重み付けとしては、例え
ば周波数の高域成分を増強する補正が行われる。 この重み付けされた信号が帯域分割回路１１に
供給され、聴感特性に合せた周波数メルスケール
に応じて例えば32の帯域に分割される。ここでパ
ワースペクトルの分割点と異なる場合にはその信
号が各帯域に按分されてそれぞれの帯域の信号の
量に応じた信号が取り出される。これによつて上
述の128ワードのパワースペクトル信号が、音響
的特徴を保存したまま32ワードに圧縮される。 この信号が対数回路１２に供給され、各信号の
対数値に変換される。これによつて上述のエンフ
アシス回路１０での重み付け等による冗長度が排
除される。ここでこの対数パワースペクトル log｜U² _ofT(f)｜ ……(4) をスペクトルパラメータx_(i)（ｉ＝０、１…31）と
称する。 このスペクトルパラメータx_(i)が離散的フーリ
エ変換（DFT）回路１３に供給される。ここで
このDFT回路１３において、例えば分割された
帯域の数をＭとすると、このＭ次元スペクトルパ
ラメータx_(i)（ｉ＝０、１…Ｍ−１）を2M−１点
の実数対称パラメータとみなして2M−２点の
DFTを行なう。従つて Ｘ(m)＝_2M-3 〓ⁱ⁼⁰ Ｘ(i)W^mi _2M-2 ……(5) 但し

【式】 ｍ＝0.1、……2M−３ となる。さらにこのDFTを行う函数は偶函数と
みなされるため W^mi _2M-2＝cos（2π・ｉ・ｍ／2M−２） ＝cos（π・ｉ・ｍ／Ｍ−１） となり、これらより Ｘ(m)＝_2M-3 〓ⁱ⁼⁰ Ｘ(i)cosπ・ｉ・ｍ／Ｍ−１ ……(6) となる。このDFTによりスペクトルの包絡特性
を表現する音響パラメータが抽出される。 このようにしてDFTされたスペクトラムパラ
メータｘ(i)について、０〜Ｐ−１（例えばＰ＝８）
次までのＰ次元の値を取り出し、これをローカル
パラメータＬ(p)（ｐ＝０、１…Ｐ−１）とすると Ｌ(p)＝_2M-3 〓ⁱ⁼⁰ Ｘ(i)cosπ・ｉ・ｐ／Ｍ−１ ……(7) となり、ここでスペクトルパラメータが対称であ
ることを考慮して Ｘ(i)＝X_(2M-i-2) ……(8) とおくと、ローカルパラメータＬ(p)は Ｌ(p)＝Ｘ（φ）＋_M-2 〓 〓ⁱ⁼¹ Ｘ(i)｛cosπ・ｉ・ｐ／Ｍ−１＋cosπ・（2M−２−
ｉ）・Ｐ／Ｍ−１｝＋X_(M-1)cosπ・ｐ／Ｍ−１……(9)
但し、ｐ＝０、１…Ｐ−１ となる。このようにして32ワードの信号がＰ（例
えば８）ワードに圧縮される。 このローカルパラメータL_(p)がメモリ装置１４
に供給される。このメモリ装置１４は１行Ｐワー
ドの記憶部が例えば16行マトリクス状に配された
もので、ローカルパラメータL_(p)が各次元ごとに
順次記憶されると共に、上述のクロツク発生器５
からの5.12ｍsec間隔のフレームクロツクが供給
されて、各行のパラメータが順次横方向へシフト
される。これによつてメモリ装置１４には5.12ｍ
sec間隔のＰ次元のローカルパラメータL_(p)が16フ
レーム（81.92ｍsec）分記憶され、フレームクロ
ツクごとに順次新しいパラメータに更新される。 さらにエンフアシス回路１０からの重み付けさ
れた信号が帯域分割回路２１に供給され、上述と
同様にメルスケールに応じてＮ（例えば20）の帯
域に分割され、それぞれの帯域の信号の量に応じ
た信号V_(o)（ｎ＝０、１…Ｎ−１）が取り出され
る。この信号がバイアス付き対数回路２２に供給
されて v′_(o)＝log（V_(o)＋Ｂ） ……(10) が形成される。また信号V_(o)が累算回路２３に供
給されて Va＝₂₀ 〓ⁿ⁼¹ V_(o)／20 が形成され、この信号Vaが対数回路２２に供給
されて v′a＝log（Va＋Ｂ） ……(11) が形成される。そしてこれらの信号が演算回路２
４に供給されて v_(o)＝v′a−v′_(o) ……(12) が形成される。 ここで上述のような信号V_(o)を用いることによ
り、この信号は音韻から音韻への変化に対して各
次（ｎ＝０、１…Ｎ−１）の変化が同程度とな
り、音韻の種類による変化量のばらつきを回避で
きる。また対数をとり演算を行つて正規化パラメ
ータv_(o)を形成したことにより、入力音声のレベ
ルの変化によるパラメータv_(o)の変動が排除され
る。さらにバイアスＢを加算して演算を行つたこ
とにより、仮りにＢ→∞とするとパラメータv_(o)
→０となることから明らかなように、入力音声の
微少成分（ノイズ等）に対する感度を下げること
ができる。 このパラメータv_(o)がメモリ装置２５に供給さ
れて2W＋１（例えば９）フレーム分が記憶され
る。この記憶された信号が演算回路２６に供給さ
れて Y_(o)，ｔ＝ min Ｉ∈GF_N｛v_(o)（Ｉ）｝ ……(B) 正し、 GF_N＝｛Ｉ；−ｗ＋ｔ≦Ｉ≦ｗ＋ｔ｝ が形成され、この信号とパラメータｙ（ｎ）が演
算回路２７に供給されて T_(t)＝_N-1 〓ⁿ⁼⁰ _W 〓^I=-W （v_(o)（Ｉ＋ｔ）−Y_o，ｔ） ……(14) が形成される。このT_(t)が過渡点検出パラメータ
であつて、このT_(t)がピーク判別回路２８に供給
されて、入力音声信号の音韻の過渡点が検出され
る。 ここでパラメータT_(t)が、フレームｔを挾んで
前後ｗフレームずつで定義されているので、不要
な凹凸や多極を生じるおそれがない。なお第３図
は例えば“ゼロ”という発音を、サンプリング周
波数12.5kHz、12ビツトデジタルデータとし、
5.12ｍsecフレーム周期で256点のFFTを行い、帯
域数Ｎ＝20、バイアスＢ＝０、検出フレーム数
2w＋１＝９で上述の検出を行つた場合を示して
いる。図中Ａは音声波形、Ｂは音韻、Ｃは検出信
号であつて、「無音→Ｚ」「Ｚ→Ｅ」「Ｅ→Ｒ」「Ｒ
→Ｏ」「Ｏ→無音」の各過渡部で顕著なピークを
発生する。ここで無音部にノイズによる多少の凹
凸が形成されるがこれはバイアスＢを大きくする
ことにより破線図示のように略０になる。 この過渡点検出信号T_(t)がメモリ装置１４に供
給され、この検出信号のタイミングに相当するロ
ーカルパラメータL_(p)が８番目の行にシフトされ
た時点でメモリ装置１４の読み出しが行われる。
ここでメモリ装置１４の読み出しは、各次元Ｐご
とに16フレーム分の信号が横方向に読み出され
る。そして読み出された信号がDFT回路１５に
供給される。 この回路１５において上述と同様にDFTが行
われ、音響パラメータの時系列変化の包絡特性が
抽出される。このDFTされた信号の内から０〜
Ｑ−１（例えばＱ＝３）次までのＱ次元の値を取
り出す。このDFTを各次元Ｐごとに行い、全体
でＰ×Ｑ（＝24）ワードの過渡点パラメータ
K_(p、_q)（ｐ＝０、１…ｐ−１）（ｑ＝０、１…Ｑ
−１）が形成される。ここで、K₍₀、₀₎は音声波
形のパワーを表現しているので、パワー正規化の
ため、ｐ＝０のときにｑ＝１〜Ｑとしてもよい。 すなわち第４図において、Ａのような入力音声
信号（HAI）に対してＢのような過渡点が検出
されている場合は、この信号の全体のパワースペ
クトルはＣのようになつている。そして例えば
「Ｈ→Ａ」の過渡点のパワースペクトルがＤのよ
うであつたとすると、この信号がエンフアシスさ
れてＥのようになり、メルスケールで圧縮されて
Ｆのようになる。この信号がDFTされてＧのよ
うになり、Ｈのように前後の16フレーム分がマト
リクスされ、この信号が順次時間軸ｔ方向に
DFTされて過渡点パラメータK_(p、_q)が形成され
る。 この過渡点パラメータK_(p、_q)がマハラノビス
距離算出回路１６に供給されると共に、メモリ装
置１７からのクラスタ係数が回路１６に供給され
て各クラスタ係数とのマハラノビス距離が算出さ
れる。ここでクラスタ係数は複数の話者の発音が
上述と同様に過渡点パラメータを抽出し、これを
音韻の内容に応じて分類し統計解析して得られた
ものである。 そしてこの算出されたマハラノビス距離が判定
回路１８に供給され、検出された過渡点が、何の
音韻から何の音韻への過渡点であるかが判定さ
れ、出力端子１９に取り出される。 すなわち例えば“はい”“いいえ”“０（ゼロ）”
〜“９（キユウ）”の12単語について、あらかじめ
多数（百人以上）の話者の音声を前述の装置に供
給し、過渡点を検出し過渡点パラメータを抽出す
る。この過渡点パラメータを例えば第５図に示す
ようなテーブルに分類し、この分類（クラスタ）
ごとに統計解析する。図中＊は無音を示す。 これらの過渡点パラメータについて、任意のサ
ンプルをR^(a) _r,o（ｒ＝１、２…24）（ａはクラスタ指
標で例えばａ＝１は＊→Ｈ、ａ＝２はＨ→Ａに対
応する。ｎは話者番号）として、共分散マトリク
ス A^(a) _rs≡Ｅ（R^(a) _r,o−^(a) _r）（R^(a) _s,o−^(a) _s）…
…（15） 但し、 R^(a) _r ＝Ｅ（R^(a) _r,o） Ｅはアンサンブル平均を計数し、この逆マトリ
クス B^(a) _r,s＝（A^(a) _t,u）^-1 _r,s ……(16) を求める。 ここで任意の過渡点パラメータK_rとクラスタ
ａとの距離が、マハラノビスの距離 Ｄ（K_r、ａ）ｄ ≡ 〓^r 〓^s K_r−^(a) _r）・B^(a) _r,s・（K_r−^(a) _s）
……(17) で求められる。 従つてメモリ装置１７に上述のB^(a) _r,s及びR^(a) _rを
求めて記憶しておくことにより、マハラノビス距
離算出回路１６にて入力音声の過渡点パラメータ
とのマハラノビス距離が算出される。 これによつて回路１６から入力音声の過渡点ご
とに各クラスタとの最小距離と過渡点の順位が取
り出される。これらが判定回路１８に供給され、
入力音声が無音になつた時点において認識判定を
行う。例えば各単語ごとに、各過渡点パラメータ
とクラスタとの最小距離の平方根の平均値による
単語距離を求める。なお過渡点の一部脱落を考慮
して各単語は脱落を想定した複数のタイプについ
て単語距離を求める。ただし過渡点の順位関係が
テーブルと異なつているものはリジエクトする。
そしてこの単語距離が最小になる単語を認識判定
する。 こうして音声認識が行われるわけであるが、本
発明によれば音声の過渡点の音韻の変化を検出し
ているので、時間軸の変動がなく、不特定話者に
ついて良好な認識を行うことができる。 また過渡点において上述のようなパラメータの
抽出を行つたことにより、一つの過渡点を例えば
24次元で認識することができ、認識を極めて容易
かつ正確に行うことができる。 なお上述の装置において120名の話者にて学習
を行い、この120名以外の話者にて上述の12単語
について実験を行つた結果、98.2％を平均認識率
が得られた。 さらに上述の例では“はい”の「Ｈ→Ａ」と
“８（ハチ）”の「Ｈ→Ａ」は同じクラスタに分類
可能である。従つて認識すべき言語の音韻数をα
として〓P₂個程度のクラスタをあらかじめ計算し
てクラスタ係数をメモリ装置１７に記憶させてお
けば、種種の単語の認識に適用でき、多くの語い
の認識を容易に行うことができる。

【図面の簡単な説明】

第１図は音声の説明のための図、第２図は本発
明の一例の系統図、第３図〜第５図はその説明の
ための図である。 １はマイクロフオン、３はローパスフイルタ、
４はAD変換回路、５はクロツク発生器、６はレ
ジスタ、７はカウンタ、８は高速フーリエ変換回
路、９はパワースペクトル検出回路、１０はエン
フアシス回路、１１は帯域分割回路、１２は対数
回路、１３，１５は離散的フーリエ変換回路、１
４，１７はメモリ装置、１６はマハラノビス距離
算出回路、１８は判定回路、１９は出力端子、２
１〜２８は過渡点検出のための回路である。

Claims (1)

【特許請求の範囲】
1. １ 無音を含む音韻間の過渡部を検出し、この検
   出された過渡部の音声を所定長抽出してパラメー
   タに変換し、このパラメータを認識基本単位とす
   るようにした音声認識方法。