JPH0449953B2 - - Google Patents

Description

【発明の詳細な説明】 産業上の利用分野 本発明は、音節を単位として連続発声された単
語、文節および文章等を認識する音声認識装置に
関する。

従来例の構成とその問題点 従来の連続音声認識装置等における、無音区間
検出方式は主として、音声区間を検出する目的の
ために行なわれていたので、一定の低いレベル以
下のフレームが長く連続している区間を検出して
おり、語中の無音区間を検出してセグメンテーシ
ヨンの考え方としているものは、ほとんど無かつ
た。そして、やや認識精度を高める装置において
は、無音区間の検出処理も行なわれていたが、単
に一定のレベル以下の連続フレームを検出してい
るに過ぎなかつた。しかしこのような処理では、
検出レベルが一定であるため、例えば／ASA／
の子音Ｓの所で無音区間が検出されたり、発声レ
ベルの強弱によつて破裂音／ｐ／，／ｔ／，／
ｋ／，／ｂ／，／ｄ／，／ｇ／の前に無音が検出
されなかつたりして検出精度に問題があり、無音
区間によるセグメンテーシヨンがあいまいである
ためにかえつて認識率を低下させる原因となつて
いた。

発明の目的 本発明は上記問題点に鑑み、不要な子音区間を
無音区間として誤検出することなく、また発声レ
ベルの強弱の影響を受けることのない、簡単な構
成の音声認識装置を提供することを目的とする。

発明の構成 本発明は、入力音声を特徴ベクトル｛x_ti｝と
電力｛P_ti｝の時系列に変換したものと、各フレ
ーム毎の母音識別結果から、母音定常部中心
｛iv₁，iv₂，iv₃……iv_N｝を検出しておき、隣接す
る母音定常部中心間の範囲｛〔iv₁，iv₂〕，〔iv₂，
iv₃〕，……，〔iv_N-1，iv_N〕｝において、各々の母
音定常部中心間の範囲｛〔iv_j-1，iv_j〕｝で、前も
つて定められた電力レベルの國値｛θ_pz｝、前の母
音定常部中心のレベル｛Ｐ（iv_j-1）｝に一定比率
｛C_z<₁｝を乗じた電力レベル、および後の母音定
常部中心のレベル｛Ｐ（iv_j）｝に一定比率
｛C_z<₁｝を乗じた電力レベルの３つの電力レベル
の最大値｛max｛θ_pz，Ｐ（iv_j-1），Ｐ（iv_j）｝｝を
無
音検出レベルとし、その母音定常中心間の範囲で
上記無音検出レベル以下の連続フレームを無音区
間として検出し、同様の処理を母音定常部中心間
の範囲を順次シフトして行い、入力音声中の無音
区間を検出することにより、簡単な構成で不要な
子音区間を無音区間と誤検出することなく、また
発声レベルの変動も受けない、無音区間検出装置
の実用化を図るものである。

実施例の説明 本発明の具体的な実施例の構成を以下に説明す
る。

第１図は、本発明の一実施例における音声認識
装置の構成を示しており、入力部はＡ／Ｄ変換器
１、電力系列変換手段２、特徴系列変換手段３か
らなる。４は、入力音声の電力系列によつて長い
無音を検出して音声区間を検出する音声区間検出
手段である。６は、入力音声のピーク電力を検出
するピーク電力検出手段６ａと特徴ベクトル系列
のベクトル毎に母音識別を行う母音識別手段６ｂ
からなり、ピーク電力の前後のフレームにおける
母音識別結果の同一母音中心から、母音定常部中
心を検出する母音定常部中心検出手段である。５
は、母音定常部中心検出手段６で検出された隣接
する母音定常部中心間の範囲において、前もつて
定められたレベル、前の母音定常部中心のレベル
に一定の比率を乗じたレベル、および後の母音定
常部中心のレベルに一定の比率を乗じたレベルの
３つのレベルの最大値以下のレベルの連続フレー
ムによつて無音区間を検出する無音区間検出手段
である。７は、特徴ベクトルの形でCV音節７ａ
もしくは、V₁CV₂音節７ｂの単位で記憶する標
準パターン記憶部である。８は、平均発声長
｛Ｌ｝フレーム分だけ、特徴ベクトルの系列を記
憶する特徴系列記憶部である。９は、特徴系列記
憶部８における、語頭４ａもしくは無音区間終了
５ｂから平均発声長｛Ｌ｝フレーム以内の母音定
常部中心６ｃまでの区間にはCV標準パターン７
ａとパタンマツチング行ない、平均発声長｛Ｌ｝
フレーム以内の母音定常部中心６ｃから母音定常
部中心６ｃの区間の場合には、V₁CV₂標準パタ
ーン７ｂとパタンマツチングを行うパタンマツチ
ング手段である。１０は、音声区間検出手段４、
無音区間検出手段５、母音定常部中心検出手段
６、特徴系列記憶部８、およびパタンマツチング
手段９を全体的に制御して入力音声の母音定常部
中心母に語頭や無音区間の情報を使用して、CV
音節とV₁CV₂音節とのパタンマツチング結果を
接続して、CV音節のストリングスとして認識結
果を出力する総合制御手段である。

ここで無音区間検出手段の詳細な説明を以下に
行なう。

第２図、第３図は、上記実施例の無音区間検出
手段の具体的ブロツク図および動作を説明する原
理図であり、第２図において無音区間検出手段５
は、平均発声長｛Ｌ｝フレーム分の電力系列を記
憶する電力系記憶手段５ｃ、母音定常部中心検出
手段６によつて検出される母音定常部中心｛iv_j｝
と、前の母音定常部中心｛iv_j-1｝の範囲で、前
もつて定められた電力レベル｛θ_pz｝５C₃、前の
母音定常部中心の電力レベルＰ（iv_j-1）５C₂に一
定比率C_zを乗じたレベル、および後の母音定常部
中心の電力レベルＰ（iv_j）５C₁に一定比率C_zを乗
じたレベルの３つのレベルの最大値を決定する最
大レベル検出手段５ｄ、および最大レベル検出手
段５ｄで決定された無音区間検出レベル５d₁と前
の母音定常部中心｛iv_j-1｝と後の母音定常部中
心｛iv_j｝の間の範囲の電力値系列と比較して、
無音区間検出レベル５d₁以下の連続フレームの開
始フレームと終了フレームを各々無音区開始５
ａ、無音区間終了５ｂとして出力する電力レベル
比較手段５ｅより成る。

第２図に示した無音区間検出手段５の動作説明
を第３図を用いて以下に行なう。

第３図において、入力音声ｖは／ヒバリが／と
発声されたことを示しており、母音定常部中心検
出手段６が母音定常部中心｛iv₂｝を検出すると、
電力系列記憶手段５ｃに記憶された前の母音定常
部中心｛iv₁｝における電力レベルＰ（iv₁）５C₂
および後の母音定常部中心｛iv₂｝における電力
レベルＰ（iv₂）５C₁に一定比率｛C_z<₁｝を乗じ
たもの｛Ｐ（iv₁）＊C_z，Ｐ（iv₂）＊C_z｝と、前も
つて定めた電力レベル｛θ_pz｝５c₃の最大値
（LP₁₂＝max｛θ_pz，Ｐ（iv₁）＊C_z，Ｐ（iv₂）＊C_z｝
）
を最大レベル検出手段５ｄによつて決定し、前の
母音定常部中心｛iv₁｝と後の母音定常部中心
｛iv₂｝の範囲内で最大値｛LP₁₂｝以下となる連続
フレームを検出するが、iv₁ｉiv₂の範囲で検
出されないならば、無音区間ナシとする。同様の
処理を母音定常部中心｛iv₃｝が検出された場合
にも行う。このとき、LP₂₃＝max｛θ_pz，Ｐ（iv₂）
＊C_z）である。しかし、次に、LP₃₄＝max｛θ_pz，
Ｐ（iv₃）＊C_z，Ｐ（iv₄）＊C_z｝により、母音定常
部中心｛iv₄｝が検出された場合のように無音区
間｛i_ss1〜i_SE1）が検出されると、無音区間開始
｛i_ss1｝５ａ、無音区間終了｛i_SE1｝５ｂとして出
力する。

第４図は第１図に示した連続音声認識装置の動
作原理を示しおり、同図において、入力声ｖ
が、／ヒバリが空に／と発声されたことを示して
おり語頭４ａ〜語尾４ｂは、音声区間検出手段４
によつて検出される。母音定常部中心検出手段６
は電力レベルと各フレームの母音識別結果から、
母音定常部中心〔iv₁，iv₂，……，iv₇〕１３を検
出する。

母声定常部中心｛iv_j｝が検出されるごとに１
つの前の母音定常部中心｛iv_j-1｝との間に無音
区間が存在するか否を無音区間検出手段５によつ
て判定し、存在する場合は無音区間｛i_ss1〜i_SE1，
i_ss2〜i_SE2｝として検出する。

また母音定常部中心｛iv_j｝が検出されると、
｛iv_j｝から平均発声長｛Ｌ｝フレームＦ手前に、
語頭４ａもしくは、無音区間終了５ｂ｛i_SE1，i_SE2）
が検出されているならば、語頭もしくは無音区間
終了から｛iv_j｝までの区間に対して、CV標準パ
ターン７ａとパタンマツチン手段９によつてマツ
チングを行ない認識結果とする。

｛iv_j｝から平均発声長｛Ｌ｝フレームＦ手前
に語頭も無音区間も検出されないならば、平均発
声長｛Ｌ｝フレームＦ手前まで含まれる母音定常
部中心｛iv_j-P｝から｛iv_j｝をVCVマツチング区
間として、母音定常部中心の組合せ｛〔iv_j-P，
iv_j〕〔iv_j-p+1，iv_j〕……〔iv_j-1，iv_j〕｝の区間に
対して、VCV標準パタン７ｂとパタンマツチン
グ手段９によつてマツチングを行い、最適なマツ
チング範囲としCV認識結果とする。図中、
CVT₁，CVT₂，CVT₃はCVマツチング区間を、
VCVT₁，VCVT₂はVCVマツチング区間を
NVT₁，NVT₂は無音区間をそれぞれ示す。

総合制御手段１０は、語尾４ｂが検出されると
最終母音定常部中心１３｛iv₇｝から語頭４ａ方
向に母音定常部中心をバツクトレースする。つま
り｛iv₇｝では｛iv₆｝が最適区間で認識結果は
〔AN_i〕、同様に｛iv₆｝は｛iv₅｝で〔ORA〕、
｛iv₅｝では無音区間終了｛iSE｝が最適範囲で、
認識結果は〔SO〕、｛iv₃｝は｛iv₂｝で〔ARi〕、
｛iv₂｝では｛iv₁｝で〔iBA〕、｛iv₁｝では語頭４
ａが最適範囲で〔Hi〕が認識されていたとする
と、総合制御手段１０は、認識結果として、
「HiBARi GA SORANi」を出力する。

発明の効果 本発明は、入力音声の特徴ベクトルと、電力値
の系列から、母音定常部中心｛iv₁，iv₂，……，
iv_N｝を検出しておき、隣接する母音定常部中心
間の範囲｛〔iv₁，iv₂〕〔iv₂，iv₃〕……〔iv_N-1，
iv_N｝において、各々の母音定常部中心の範囲
｛〔iv_j-1，iv_j〕｝で、前もつて定めた電力レベル
｛θ_pz｝、前の母音定常部中心レベル｛Ｐ（iv_j-1）｝
に比率｛C_z<₁｝を乗じたレベル後の母音定常部
中心レベル｛Ｐ（iv_j）｝に比率｛C_z<₁｝を乗じた
レベルの最大値を無音検出レベルとして、上記の
範囲｛〔iv_j-1iv_j｝中での電力レベヌが連続して無
音検出レベル以下となる区間を無音区間とし同様
の処理を母音定常部中心間の範囲を順次移動して
入力音声中の無音区間を検出することによつて、
簡単な構成で、不要な区間の検出誤りを起こさず
また、発声レベルの変動も受けない、無音区間検
出装置の実用化を可能に出来る。

【図面の簡単な説明】

第１図は本発明の一実施例における音声認識装
置のブロツク図、第２図は同実施例における無音
区間検出手段を示すブロツク図、第３図は第２図
の動作を説明する原理図、第４図は第１図に示し
た装置の動作を説明する原理図である。 １……Ａ／Ｄ変換器、２……電力系列変換手
段、３……特徴系列変換手段、４……音声区間検
出手段、５……無音区間検出手段、６……母音定
常部中心検出手段、７……標準パターン記憶部、
８……特徴系列記憶部、９……パターンマツチン
グ手段、１０……総合制御手段、５ｃ……電力系
列記憶手段、５ｄ……最大レベル検出手段、５ｅ
……電力レベル比較手段。

Claims (1)

【特許請求の範囲】
1. １ 入力音声を特徴ベクトルの時系列に変換する
   特徴系列変換手段、前記入力音声を電力値の時系
   列に変換する電力系列変換手段、前記電力値の時
   系列が所定のレベル以上の連続フレーム内で前記
   特徴ベクトルの母音識別結果が同一で連続するフ
   レームの中心を母音定常部中心として検出する母
   音定常部中心検出手段と、前記母音定常中心検出
   手段で検出した隣接する母音定常部中心の間の範
   囲において、予め定められた電力レベルの閾値
   と、前の母音定常部中心のレベルに一定比率を乗
   じた電力レベルと、後の母音定常部中心のレベル
   に一定比率を乗じた電力レベルとの３つのレベル
   の最大値を無音検出レベルとして検出する最大レ
   ベル検出手段と、前記隣接した母音定常部中心の
   範囲で、前記無音検出レベル以下の連続フレーム
   を無音区間として検出する電力レベル比較手段と
   を備えたことを特徴とする音声認識装置。