JPH0461359B2 - - Google Patents

Description

【発明の詳細な説明】 ［発明の技術分野］ この発明は、単語音声認識装置に関し、特にた
とえば音声によつて種々の機器を制御したり、デ
ータをエントリするための単語音声認識装置に関
する。さらに特定的には、音声の特徴の１つとし
て有声音の周波数スペクトルを用いて認識する単
語音声認識装置に関する。

［従来技術］ 第１図は従来の単語音声認識装置（以下単に認
識装置と称する）の一例を示す概略ブロツク図で
ある。図において、音声入力部１は、図示しない
が、マイクロホン、アンプ、低域通過フイルタな
どを含み、音声を電気信号に変換して入力するも
のである。この音声入力部１の出力は特徴抽出部
２に与えられるとともに、始終端検出回路６に与
えられる。特徴抽出部２は、入力された音声信号
を分析し、音声の特徴パラメータを抽出する。特
徴抽出部２で抽出された音声の特徴パラメータ
は、認識処理部５に与えられる。始終端検出回路
６は、単語音声の始端と終端とを検出する回路で
ある。始終端検出回路６の検出結果は認識処理部
５に与えられる。この認識処理部５は、マイクロ
プロセツサやマイクロコンピユータなどによつて
構成され、音声の認識処理を行なうものである。
この認識処理部５には、入力パターンメモリ３お
よび登録パターンメモリ４が接続される。

上述のような認識装置においては、音声波形を
一定時間のフレームに分割し、そのフレームごと
の周波数スペクトラムを特徴パラメータとして抽
出する。そして、認識処理部５は、登録モードに
おいては、抽出された登録語の特徴パラメータあ
るいは標準音声の特徴パラメータを登録パターン
メモリ４に書込む。すなわち、登録パターンメモ
リ４には、予め複数単語の音声の特徴パラメータ
が記憶される。また、認識処理部５は、音声の認
識モードにおいては、抽出された単語音声の特徴
パラメータを入力パターンメモリ３に書込む。そ
して、この入力パターンメモリ３に記憶された特
徴パラメータと登録パターンメモリ４に記憶され
た複数単語の特徴パラメータとの類似度を順次計
算し、その計算結果に基づいて単語音声の認識を
行なう。

第２図は第１図に示す特徴抽出部２の詳細を示
す回路図である。図において、音声入力部１から
の音声信号は、帯域通過フイルタ２０１−１，２
０１−２…２０１−Ｎに与えられる。これら帯域
通過フイルタは、音声信号波形の特定の周波数成
分を通過させるものである。各帯域通過フイルタ
２０１−１〜２０１−Ｎの出力は、それぞれ平滑
回路２０２−１〜２０２−Ｎに与えられる。各平
滑回路２０２−１〜２０２−Ｎの出力はアナログ
マルチプレクサ２０３に与えられる。このアナロ
グマルチプレクサ２０３は、各平滑回路２０２−
１〜２０２−Ｎの出力を時分割で通過させる回路
である。アナログマルチプレクサ２０３の出力は
Ａ／Ｄ変換回路２０３に与えられ、デイジタルデ
ータに変換されて出力される。

第３図は第２図に示す帯域通過フイルタ２０１
−１〜２０１−Ｎの周波数特性を示す図である。
この第３図に示すように、Ｎ個のフイルタによつ
て、音声波形のすべての周波数成分をほぼ均等に
抽出するように設定されている。この場合、音声
の特徴はＮ個のフイルタによつて抽出された周波
数成分のＮ個の値の大小パターンによつて表現さ
れる。上記Ｎは通常８〜16で、音声波形に雑音が
混入していない場合は比較的良好な音声の特徴パ
ラメータを得ることができる。したがつて、認識
性能も十分満足できるものであつた。しかしなが
ら、音声に工場騒音や他者の話し声などの騒音が
混入している場合には、音声と同時に騒音の周波
数成分も帯域通過フイルタを通過し、特徴パラメ
ータの値に影響を与えることになる。特徴パラメ
ータの抽出精度をスペクトラムの歪で評価するな
らば、従来の認識装置では、入力波形の騒音によ
るスペクトラム歪がそのまま特徴パラメータにも
現われることになる。したがつて、従来の認識装
置は騒音の高い環境で使用した場合、認識性能が
著しく劣化するという欠点があつた。

［発明の概要］ この発明は上述のような従来の認識装置の欠点
を除去するためになされたものであり、特徴抽出
部を音声のピツチに適応したデイジタルフイルタ
を用いて構成することにより、騒音環境下でも優
れた認識性能を持つ音声認識装置を提供すること
を目的としている。

以下、図面に示す実施例とともにこの発明をよ
り具体的に説明する。

［発明の実施例］ 第４図はこの発明の一実施例を示す概略ブロツ
ク図である。図において、音声入力部１０は、マ
イクロホン１１と、マイクロホンアンプ１２と、
AGC回路１３と、Ａ／Ｄ変換回路１４と、波形
メモリ１５とを含む。音声入力部１０の出力は、
レベル計算回路７に与えられるとともに、特徴抽
出部２０に与えられる。レベル計算回路７の出力
は始終端検出回路６に与えられるとともに、認識
処理部５０に与えられる。始終端検出回路６の出
力は認識処理部５０に与えられる。一方、特徴抽
出部２０は、ピツチ周期抽出回路２１と、フイル
タ係数設定回路２２と、デイジタルフイルタ２３
とを含む。ピツチ周期抽出回路２１およびデイジ
タルフイルタ２３には、前述の音声入力部１０の
出力が与えられる。ピツチ周期抽出回路２１の出
力は、認識処理部５０に与えられるとともに、フ
イルタ係数設定回路２２に与えられる。フイルタ
係数設定回路２２の出力はデイジタルフイルタ２
３に与えられる。デイジタルフイルタ２３の出力
は認識処理部５０に与えられる。認識処理部５０
には、第１図の回路と同様の入力パターンメモリ
３および登録パターンメモリ４が接続される。

次に、第４図の実施例の動作を説明する。マイ
クロホン１１で取込んだ音声の入力波形はマイク
ロホンアンプ１２で増幅され、波形の最高値が一
定水準になるようにAGC回路１３で調整されて、
Ａ／Ｄ変換回路１４でサンプリング点ごとにデイ
ジタル数値に変換される。１フレーム分のサンプ
リングデータは波形メモリ１５に一時記憶され
る。レベル計算回路７および特徴抽出部２０は波
形メモリ１５のデータｘ（ｉ）、（ｉ＝１，２，…
If）を用いて以下に示すような処理を行なう。

まず、レベル計算回路７は、次式(1)に示すよう
に、サンプリングデータの自乗和Ｐを計算し、そ
のフレームの電力（パワー）に対応する数値を求
める。

Ｐ＝_If 〓ⁱ⁼¹ ×（ｉ）² …(1) この数値Ｐは認識処理部５０に与えられて、入
力された波形信号が有声音であるか否かの判定に
用いられる。

次に、ピツチ周期抽出回路２１は、次式(2)で示
すように、波形メモリ１５の波形データの自己相
関関数値COR（τ）を計算し、ピツチ周期をピツ
チ周期探索範囲内のうち最大の自己関数値を与え
るτとして求める。

COR（τ）＝_If 〓ⁱ⁼¹ ×（ｉ）・×（ｉ＋τ） …(2) フイルタ係数設定回路２２は、ピツチ周波数
（ピツチ周期の逆数）の整数倍がデイジタルフイ
ルタ２３の共振周波数になるようなフイルタ係数
を発生し、その発生したフイルタ係数をデイジタ
ルフイルタ２３に設定する。なお、このフイルタ
係数設定回路２２は、フイルタ係数テーブルを
ROMなどで構成し、ピツチ周波数およびその整
数倍に対応してROMの内容を検索する手段によ
つて実現される。

第５図は第４図に示すデイジタルフイルタ２３
の一構成例を示すブロツク図である。図において
第４図の波形メモリ１５の出力ｘ（ｉ）は１次差
分回路２３１に与えられる。この１次差分回路２
３１は、たとえば減算器などによつて構成され、
高域周波数を強調するためのものである。１次差
分回路２３１の出力は、２段格子形フイルタ２３
２に与えられる。この２段格子形フイルタ２３２
は、３個の加減算器２３２１〜２３２３と、３個
の乗算器２３２４〜２３２６と、２個の遅延回路
２３２７〜２３２８とを含んで構成される。２段
格子形フイルタ２３２の出力は自乗回路２３３に
与えられる。この自乗回路２３３の出力は積算回
路２３４に与えられる。この積算回路２３４の出
力ｓ（ｎ）がフイルタ出力として認識処理部５０
に与えられる。

次に、上述のデイジタルフイルタ２３の動作に
ついて説明する。第４図の波形メモリ１５に記憶
されたサンプリングデータ×（ｉ）はデイジタル
フイルタの１次差分回路２３１に入力され、ここ
で次式(3)の計算が行なわれる。

Δ×（ｉ）＝×（ｉ）−×（ｉ−１） …(3) １次差分回路２３１の出力△×（ｉ）は２段格
子形フイルタ２３２に与えられる。この２段格子
形フイルタ２３２では、次式(4)〜(7)の逐次計算が
実行される。

y₂（ｉ）＝Δ×（ｉ） ＋K₂（ｎ）・b₂（ｉ−１） …(4) y₁（ｉ）＝y₂（ｉ） ＋K₁（ｎ）・b₁（ｉ−１） …(5) b₂（ｉ）＝b₁（ｉ−１） −K₁（ｎ）・y₁（ｉ） …(6) b₁（ｉ）＝y₁（ｉ） …(7) ２段格子形フイルタ２３２の出力y₁（ｉ）は自乗
回路２３３および積算回路２３４にて次式(8)の演
算が行なわれる。

ｓ（ｎ）＝_If 〓ⁱ⁼¹ y₁（ｉ）・y₁（ｉ） …(8) 以上のごとくして、フイルタ出力ｓ（ｎ）が導
出される。ただし、初期値b₂（１），b₁（１）は０
である。また、ｎはフイルタ係数設定回路２２の
設定したｎ番目の計数値を意味し、これはピツチ
周波数のｎ次調波に対応した計数値でもある。

２段格子形フイルタ２３２は、共振周波数fo、
バンド幅Boの共振特性を有し、フイルタ係数K₁
（ｎ），K₂（ｎ）と共振特性の間に次式(9)，(10)の関
係がある。

K₁（ｎ）≒cos2π（fo／fs） …(9) K₂（ｎ）≒−exp（−2πBo／fs） …(10) 但し、fsはサンプリング周波数である。

K₂（ｎ）≒−１すなわちバンド幅Ｂ。が極めて
小さい場合はＱの高い鋭峰性の第６図に示すよう
な特性を有する。デイジタルフイルタ２３の演算
処理は、所定の次数Ｎまでのフイルタ係数値に対
して同一の波形データｘ（ｉ）についてＮ回実行
され、Ｎ個の出力ｓ（ｎ）（ｎ＝１，２，…Ｎ）を
得る。既に述べたように、フイルタ係数K₁（ｎ），
K₂（ｎ）はフイルタ係数設定回路２２によつてピ
ツチ周波数の調波成分がフイルタの共振周波数に
一致するように設定されるので、フイルタ出力ｓ
（ｎ）は波形データｘ（ｉ）に含まれるピツチ周波
数調波成分のみを抽出した値に対応することにな
る。このフイルタ出力ｓ（ｎ）は第４図に示す認
識処理部５０に与えられて、認識処理のための主
要データとして用いられる。

認識処理部５０はデイジタルフイルタ２３から
与えられる特徴パラメータｓ（ｎ）の振幅、時間
軸の正規化を行なつた後、登録モードにおいては
正規化したスペクトル時系列パターンを登録パタ
ーンメモリ４に書込み、認識モードでは入力パタ
ーンメモリ３に書込む。さらに認識モードでは、
認識処理部５は登録パターンメモリ４の内容と入
力パターンメモリ３の内容との類似度をパターン
マツチングにより計算し認識結果を得る。なお、
音声信号の始終端検出については、始終端検出回
路６がレベル計算回路７の計算するパワーに基づ
いて行なう。これらの動作は、第１図における回
路の動作とほぼ同様である。

次に、第４図に示す実施例の特徴となる機能を
説明する。この実施例の特徴の１つは、デイジタ
ル処理によりフレームごとに波形のレベルを計算
し、音声波形の有意な部分すなわち母音のフレー
ムを検出することである。他の特徴は、係る母音
フレームについてピツチ周期を自己相関法などの
手段により求めることである。さらに他の特徴
は、共振形デイジタルフイルタを設けることによ
つてピツチ周波数の調波成分のみを抽出すること
である。音声波形の一般的な特徴として、母音な
ど有声音はパワーが大きく、高い騒音の混入によ
る音声情報のマスクされる割合が小さい。また、
自己相関法などのピツチ抽出法を用いれば白色性
雑音の混入があつてもピツチ周期の抽出は精度良
く行なえる。また、母音などの有声音はピツチ周
波数の整数倍のところにのみ成分を有する離散ス
ペクトル構造を有し、このスペクトラムのパター
ンが母音の識別に有効な情報となつている。した
がつて、第４図の認識装置の特徴抽出部２０が抽
出するピツチ周波数の整数倍の周波数に共振する
デイジタルフイルタ２３の出力は、母音の特徴を
そのまま表現した特徴パラメータとなつている。
しかも、高い騒音の混入があつても、その騒音の
ほとんどの周波数成分は、デイジタルフイルタ２
３によつて遮断され出力されることがない。した
がつて、入力音声波形が騒音によつて大きなスペ
クトル歪を有したものであつても、特徴パラメー
タは歪を受けることが小さく、認識にとつて有効
な特徴パラメータとすることができる。したがつ
て、第４図の認識装置では、騒音による認識性能
の劣化を極めて小さくでき、認識性能の向上を図
ることができる。

第７図は第４図に示すデイジタルフイルタ２３
の他の構成例を示すブロツク図である。なお、こ
の第７図では以下の点を除いて第５図に示すデイ
ジタルフイルタと同様の構成であり、相当する部
分には同一の参照番号を付しその説明を省略す
る。この実施例は、１次差分回路２３１の前段に
乗算器２３５を設け、音声波形の拡大縮小ができ
ることが特徴である。乗算器２３５を挿入するこ
とにより、前述の第(3)式は次式(11)で示すように
なる。

Δ×（ｉ）＝α｛×（ｉ）−×（ｉ−１）｝ …(11) ここで、αは任意に値を設定できる波形乗算係
数である。音声波形のパワーが大きすぎると、前
述の第(8)式で示す積算結果ｓ（ｎ）がオーバフロ
ーする可能性がある。そこで、波形のパワーが大
きければαを小さくし、パワーが小さければαを
大きくすれば、フイルタ演算のダイナミツクレン
ジが向上する。パワー値はレベル計算回路７が計
算したものを用いることができる。α＝α₁とαが
一定のときフイルタ演算が発散しない保証のある
パワーをP_Hとすると、パワーがP_H以下のときは α＝α₁ …(12) パワーがP_Hを越えるときは α＝α₁√_H …(13) とすればスペクトル演算の発散を防ぐことができ
る。なお、上述の第(13)式においてＰはパワーを
表わす。このαとパワーの関係を第８図に示す。
認識処理部５０はレベル計算回路７からパワーが
与えられると、αの計算を行ない、乗算器２３５
にこのαを設定する。

第９図は第４図に示すデイジタルフイルタ２３
のさらに他の構成例を示すブロツク図である。な
お、第５図に示すデイジタルフイルタと同様の部
分には同一の参照番号を付し、その説明を省略す
る。この実施例は、積算回路２３４の後段に乗算
器２３６を挿入してフイルタの周波数特性の調整
ができることが特徴である。２段格子形フイルタ
２３２のゲインGN（ｎ）は、次式(14)で表わされ
る。

なお、上述の第(14)式においてB₁，B₂は次式(1
５），(16)で表わされるものである。

B₁＝K₁（ｎ）−K₁（ｎ）・K₂（ｎ） B₂＝K₂（ｎ） …(16) フイルタ係数設定回路２２は、K₁（ｎ），K₂
（ｎ）だけでなく、次式(17)で示されるゲイン補
正係数を乗算器２３６に設定する。

Ｇ（ｎ）＝１／（GN²（ｎ）） …(17) このように、乗算器２３６を設け、フイルタ演
算により得たスペクトル値ｓ（ｎ）にＧ（Ｎ）を掛
けることにより、ゲイン一定のフイルタ演算結果
を得ることができる。そして、これにより認識性
能の向上を図ることができる。

なお、以上説明した実施例では、説明の都合上
認識装置を特定話者登録形として説明したが、単
語音声の特徴パラメータを予めROMに記憶して
いる不特定話者の音声認識装置でも実現可能なこ
とは言うまでもない。

また、以上の実施例では、デイジタルフイルタ
の２段格子形フイルタを中心に説明したが、フレ
ームごとに特性を変化することのできるＱの高い
極形のデイジタルフイルタであれば、２段格子形
フイルタでなくてもよい。

また、上述の実施例では、１個のデイジタルフ
イルタに時分割的にフイルタ係数を設定して用い
るようにしたが、複数個のデイジタルフイルタを
並列的に設け、各デイジタルフイルタに同時に異
なるフイルタ係数を設定し、それによつて各デイ
ジタルフイルタの共振周波数がピツチ周波数の整
数倍となるようにしてもよい。

さらに、第７図に示す実施例においては、波形
乗算係数αを音声信号のパワーにより求めたが、
パワー以外にその他音声信号の波形の大きさに対
応する量（たとえばレベル）を計算し、この計算
した量によりαを求めるようにしてもよい。

さらに、第９図に示す実施例においては、フイ
ルタ出力のゲインが完全に一定になるようにゲイ
ン補正係数を定めたが、フイルタ出力のゲインは
完全に一定にならなくともよく、多少のばらつき
があつてもよい。

［発明の効果］ 以上のように、この発明によれば、音声信号の
ピツチ周波数の調波成分のみを特徴パラメータと
して抽出するようにしているので、入力音声信号
は騒音によつて大きなスペクトル歪を有したもの
であつても特徴パラメータは歪を受けることが小
さく、したがつて騒音による認識性能の劣化の極
めて小さい優れた認識装置を得ることができる。

【図面の簡単な説明】

第１図は従来の認識装置の一例を示す概略ブロ
ツク図である。第２図は第１図に示す特徴抽出部
２の詳細を示すブロツク図である。第３図は第２
図に示す帯域通過フイルタ２０１−１〜２０１−
Ｎの周波数特性を示す図である。第４図はこの発
明の一実施例を示す概略ブロツク図である。第５
図は第４図に示すデイジタルフイルタ２３の一構
成例を示すブロツク図である。第６図は第５図に
示す２段格子形フイルタ２３２の周波数特性を示
す図である。第７図は第４図に示すデイジタルフ
イルタ２３の他の構成例を示すブロツク図であ
る。第８図は音声信号のパワーと第７図に示す乗
算器２３５に設定される波形乗算係数αとの関係
を示す図である。第９図は第４図に示すデイジタ
ルフイルタ２３のさらに他の構成例を示すブロツ
ク図である。 図において、３は入力パターンメモリ、４は登
録パターンメモリ、７はレベル計算回路、１０は
音声入力部、２０は特徴抽出部、２１はピツチ周
期抽出回路、２２はフイルタ係数設定回路、２３
はデイジタルフイルタ、５０は認識処理部、２３
２は２段格子形フイルタを示す。

Claims (1)

1. 【特許請求の範囲】 １ 音声を電気信号に変換して入力する音声信号
   入力手段、 前記音声信号入力手段から入力される音声信号
   の波形の特徴パラメータを抽出する特徴抽出手
   段、 前記特徴抽出手段で抽出された認識すべき単語
   音声の特徴パラメータを記憶する入力パターン記
   憶手段、 前記特徴抽出手段で抽出された複数個の単語音
   声の特徴パラメータを予め記憶しておく登録パタ
   ーン記憶手段、および 前記入力パターン記憶手段に記憶された入力音
   声の特徴パラメータと前記登録パターン記憶手段
   に記憶された複数個単語音声の特徴パラメータと
   の類似度を計算し、音声の認識処理を行なう音声
   認識処理手段を備え、 前記特徴抽出手段は、 前記音声信号入力手段から入力される音声信号
   のピツチ周波数を検出する手段と、 設定されるフイルタ係数に応じてその共振周波
   数が変化し、かつ前記音声信号のスペクトラムデ
   ータを前記特徴パラメータとして抽出するデイジ
   タルフイルタと、 前記デイジタルフイルタの共振周波数が前記ピ
   ツチ周波数の整数倍となるように、前記デイジタ
   ルフイルタのフイルタ係数を設定する手段とを含
   む、単語音声認識装置。 ２ 前記デイジタルフイルタは１個設けられ、 前記フイルタ係数設定手段は、前記デイジタル
   フイルタに時分割的に前記フイルタ係数を設定す
   ることを特徴とする、特許請求の範囲第１項記載
   の単語音声認識装置。 ３ 前記デイジタルフイルタは複数個並列的に設
   けられ、 前記フイルタ係数設定手段は、前記並列的に設
   けられた各デイジタルフイルタに異なるフイルタ
   係数を設定することを特徴とする、特許請求の範
   囲第１項記載の単語音声認識装置。 ４ 前記デイジタルフイルタは、入力音声信号の
   レベルに応じて該入力音声信号のレベルを調整す
   る手段をさらに含む、特許請求の範囲第１項ない
   し第３項のいずれかに記載の単語音声認識装置。 ５ 前記デイジタルフイルタは、各共振周波数で
   の出力信号のレベルが一定となるように、共振周
   波数に応じてその出力信号のレベルを調整する手
   段をさらに含む、特許請求の範囲第１項ないし第
   ３項のいずれかに記載の単語音声認識装置。