JPH0462398B2 - - Google Patents

Description

【発明の詳細な説明】 発明の背景 発明の技術分野 本発明は入力アナログ音声信号をデイジタル音
声信号に変換する手段と、規則的に繰り返し発生
する瞬時にこれら瞬時に先行する音声信号セグメ
ントにおける整流した音声信号の平均値を求める
ための平均値決定手段とを具え、斯くして決定し
た平均値を、無声音セグメントと有声音セグメン
トとを区別するための目安とする音声分析システ
ムに関するものである。

従来技術の説明 このような音声分析システムは一般にボコーダ
の分野で知られている。一例として文献： 「Proceedings of the IEEE」Vol.63，No.４，
April 1975，第662〜677頁を参照することが出来
る。この文献によれば、波形強度とか、平均の大
きさとも称される上述した平均値のような音声信
号のエネルギー関数は、有音声セグメントと無声
音のセグメントと区別するための良好な目安とな
ると記載されている。しかしながら、これに基づ
く有声−無声音の判定は実際には或る範囲内の値
の波形強度では信頼できないことが判つた。

さらにまた上記文献には、基本的にピツチ検出
器は有声−無声音（Ｖ／Ｕ）の判定をし、しかも
有声音の期間中は、ピツチ周期を測定する装置で
あると記載されている。しかしながら、ピツチア
ルゴリズムには、音声の有声音セグメントの期間
中におけるピツチ周期だけを求めて有声−無声音
の判定は別の技術に頼るようにしたものもある。
この点については、文献：IEEE Transaction
on Acoustics，Speech and Signal Processing，
Vol.AssP−24，No.５，October 1976，第399〜
418頁の記載を参照されたい。

この後者の文献には、自己相関関数、零交差計
数、トレーニング・セツトを使用するパターン認
識技術に基づくか、又は数個のピツチ検出器間で
の一致の度合に基づく数種の有声−無声音検出ア
ルゴリズムが記載されている。これらの検出アル
ゴリズムは入力として実際には全音声帯域中の音
声信号の時間範囲又は周波数範囲のデータを使用
しているのに対し、ピツチ周期の検出に対しては
一般に低域フイルタにてろ波した音声信号のデー
タを使用している。

発明の概要 本発明の目的は、上述した音声分析システムに
おいて、入力として一般にピツチ周期を検出する
のに使用されるデータと同じデータ、すなわち低
域フイルタでろ波したデータ、約200〜800Hzの周
波数範囲内の音声信号のデータを使用する、信頼
性の高い方法、すなわち平均の大きさに基づいて
有声−無声音の検出を行なう方法を提供すること
にある。

この目的の達成を図るため、本発明は冒頭にて
述べた音声分析システムにおいて、当該システム
がさらに、有音声の期間を指示すべくセツトでき
ると共に無声音、または音声のない期間を指示す
べくリセツトできる双安定インジケータと、下記
の工程を含むプロセスを実行すべくプログラム化
したプログラマブル計算手段とを具え、前記工程
を： (1) 各セグメント（１番目）に対し、約200〜800
Hzの低周波帯域における該セグメントに関連す
る整流した音声信号の平均値（Ｍ（Ｉ））を求め
る工程； (2) ｋを所定の数とする場合に、ｎ＝Ｉ，Ｉ−
１，……Ｉ＋１−ｋのセグメントの平均値Ｍ
（ｎ）が、ｎの値の増加により所定の乗算フア
クタよりも大きなフアクタで単調に増加し、か
つ前記平均値Ｍ（Ｉ）が前記適応しきい値AT
（Ｉ−１）以上となる場合に、前記双安定イン
ジケータをセツトする工程； (3) 前記平均値Ｍ（Ｉ）が最大値VM（Ｉ−１）の
所定数分の１よりも小さいが、平均値Ｍ（Ｉ）
が所定のしきい値よりも小さい場合に前記双安
定インジケータをリセツトする工程； (4) 前記双安定インジケータがセツトされる場合
に、各セグメントおよび多数の先行セグメント
に対して、ｎ＝Ｉ，Ｉ−１，……，Ｉ＋１−ｍ
で、ｍをセグメントＩとセグメントＩ＝１−ｍ
との間では前記双安定インジケータの状態が変
化しないような値とする平均値Ｍ（ｎ）の最大
値（VM（Ｉ））を求める工程； (5) 前記双安定インジケータがセツトされる場合
に、適応しきい値AT（Ｉ）を最大値VM（Ｉ）
の何分の１かに等しく設定し、かつ前記双安定
インジケータがリセツトされる場合には、前記
適応しきい値AT（Ｉ）を前記AT（Ｉ−１）の
何分の１かに等しく設定することにより各セグ
メントに対する適応しきい値（AT（Ｉ））を決
定する工程； としたことを特徴とする。

上記発明による音声分析システムにおける計算
プロセスの各工程(2)〜(5)に対応する部分を後に説
明する第２図に一点鎖線で囲んで同一符号にて示
してある。

この方法によれば、最新のものを含む順次の平
均値（これは波形強度と称される）が、実際には
３とし得る所定の乗算フアクタより大きいフアク
タで、単調に増加する場合で、しかも最新の波形
強度が所定のしきい値を越える場合に、無声−有
声音の判定をする。音声では、ほぼ常に、有声音
の始めに上述した強度の増加が見られる。しかし
ながら、無声破裂音でも帯域幅に制限があるにも
かかわらず、同様に波形強度が強力に増大するこ
ともある。

実際、ある無声破裂音はそれらのエネルギーの
ほとんどが800Hzより大きいために有効に除去さ
れるが、200〜800Hzの帯域内にある他の無声破裂
音の波形強度は著しく高くなる。適応しきい値は
無声破裂音による波形強度の増加と有声音の冒頭
部による波形強度の増加とを区別する。適応しき
い値は最初は、以前の有声音の最大波形強度に比
例させるので、粗い音声レベルに追従することに
なる。無声音では、適応しきい値は大きな時定数
で減衰する。この時定数は、流暢な話し方の２つ
の有声音間では、適応しきい値が殆ど一定とな
り、中間の無声破裂音が有声音として検出されな
いように選定する必要がある。しかしながら、音
声がはつきりととぎれた後はこの適応しきい値が
充分に減衰して、これに続く低レベルの有声音の
検出を可能ならしめるようにする必要がある。こ
の場合、時定数が大き過ぎると、有声音の冒頭部
が誤つて除去されてしまうことになる。この時定
数は例えば数秒とするのが好適である。

有声−無声音の転換部は或るしきい値によつて
規定され、その大きさは現時点の有声音の音声に
おける最大波形強度の何分の１かの大きさとす
る。波形強度がこのしきい値より小さくなると直
ちに有声−無声音の転換部が判定される。

安全策として大きな固定のしきい値を使用す
る。波形強度がこのしきい値を越えた場合には、
このセグメントは有声音として直接類別される。
このしきい値の値は波形強度が取り得る最大の波
形強度に関連するものであり、実際には最大波形
強度の10％程度とし得る。

これに加えて、所定の低い値のしきい値も使用
する。このしきい値を越えない波形強度のセグメ
ントは無声音として直接類別される。この低レベ
ルのしきい値の値は波形強度が取り得る最大の波
形強度に関連し、実際にはその値を最大波形強度
の0.4％程度とし得る。

そこで、本発明の好適例では、前記計算プロセ
スが： (A) 前記平均値Ｍ（Ｉ）が相対的に高い固定のし
きい値を越える場合には前記双安定インジケー
タをセツトする工程； (B) 前記平均値Ｍ（Ｉ）が相対的に低い固定のし
きい値を越えない場合には、前記双安定インジ
ケータをリセツトする工程； を含むようにする。これらの各工程(A)及び(B)に対
応する部分を第２図にそれぞれＡ及びＢにて示し
てある。

異なるタイプのボコーダにおける順次のセグメ
ント間の時間遅れは通常10ms〜30msである。信
頼出来る判定を行なうための有声−無声音検出器
で観測すべき最小時間間隔は40〜50msとすべき
である。最小時間遅れは10msと推測されるので、
６個（ｋ＝６）の順次のセグメントを観測するこ
とで全ての実際の場合を充分に網羅することが出
来る。

実施例の説明 第１図に流れ図をもつて示す本発明による音声
分析システムにおいては、音声信号をアナログ形
態で入力１０に供給する。この音声信号をブロツ
ク１１で示すアナログ−デイジタル変換操作（演
算処理）部に入力信号として供給する。この変換
操作部のサンプリング速度は8kHzで、精度は12
ビツト／サンプルとする。出力１２に現われるデ
イジタル・サンプルをブロツク１３で示すよう
な、周波数帯域が約200〜800Hzのデイジタル・フ
イルタリング操作部に供給する。ブロツク１５で
示す次の操作部では、出力１４に現われるろ波し
たサンプルの絶対値を求める。

次いで、出力１６に現われる32msの絶対値を
ブロツク１７で示すセグメント・バツフア操作部
によつて蓄積する。この蓄積セグメントは256個
の音声サンプルの絶対値で構成される。

この実施例では、256個の絶対値から成る全セ
グメントが出力１８に10msの間隔で現われる。
この各10msの各期間中に80個の新規のサンプル
の絶対値をブロツク１７の操作によつて蓄積し、
80個の最も古い絶対値を廃棄する。上記間隔は
10ms以外の値とすることができ、例えばボコー
ダにこのシステムを用いるように約10ms〜30ms
の範囲内の値とすることができる。その後この出
力１８に現われるサンプルの絶対値に対しブロツ
ク１９で示すように平均化操作を行い、各セグメ
ントにおける絶対値の平均値を求める。この場
合、１番目のセグメントに対する平均値をＭ（Ｉ）
で示し、この平均値を約200〜800Hzの当該周波数
範囲における音声セグメントの平均の大きさ又は
波形強度とも称する。

次に出力２０に10msの間隔で現われる波形強
度Ｍ（Ｉ）をブロツク２１及び２２で処理する。

ブロツク２１では、最終セグメントを含む一連
のセグメントの波形強度が所定のフアクタより大
きなフアクタによつて単調に増大するかどうかを
測定する。この実施例では、６個のセグメントを
考慮し、フアクタを３とする。また、波形強度が
適応（アダプテイブ）しきい値を越えるかどうか
も測定する。この適応しきい値は、先行する有声
音の期間における最大波形強度の所定数分の１の
値とするか、又は無声音の期間中には時間と共に
減衰する値とする。安全策として大きな固定のし
きい値を使用する。波形強度がこの値を越える場
合に、セグメントは有声音として直接類別され
る。

ブロツク２１の条件が満たされると、双安定イ
ンジケータ２３がセツトされ、その真の出力Ｑに
有声音の期間であることが示される。

ブロツク２２では、波形強度が現在の有声音の
期間における最大波形強度の所定数分の１のしき
い値より低くなるか、又は小さな固定しきい値よ
り低くなるかどうかを検出する。これら条件が満
たされる場合には、双安定インジケータ２３はリ
セツトされ、偽の出力Ｑに無声音の期間であるこ
とが示される。

ブロツク１７及び１９の操作に代わつて、出力
１６に現われる絶対値に対しブロツク２４で示す
ような、約０〜50Hzの範囲でのサンプリング速度
低減操作と組合せて、フイルタリング操作を実行
することもできる。好ましくはこのサンプリング
速度を100Hzに低減する。このサンプリング速度
低減操作部２４の出力は前と同様に10msの間隔
で現われる平均値Ｍ（Ｉ）である。

第１図に従うプロセスにおける所定の操作は汎
用デイジタル・コンピユータを適切にプログラミ
ングすることによつて満足させることができる。
ブロツク２１及び２２の操作を実行するためのコ
ンピユータ・プログラムの流れ図を第２図に示
す。このプログラムに対する入力は連続する音声
セグメントの波形強度を表わす平均値Ｍ（Ｉ）で
形成する。

この図において、Ｉはセグメント番号を表し、
ATは適応しきい値を表し、VMは連続する有声
音のセグメントの最大強度を表し、VUVは出力
パラメータを表していて、このVUVは有声音の
場合には１に等しく、かつ無声音の場合には０に
等しい。このパラメータは第１図につき既に説明
した双安定インジケータ２３の状態に対応する。

この流れ図については敢えて説明するまでもな
く当業者には容易に理解出来るものである。図中
のコメントC1〜C5について説明すると次の通り
である。

コメントC1：平均値Ｍ（Ｉ）が最後の５つのセグ
メントＩ，Ｉ−１，……Ｉ−５にわたつて３倍よ
りも大きく単調に増加するかどうかを検出する。

コメントC2：Ｍ（Ｉ）が先に設定した最大強度
VM（Ｉ−１）の所定数分の１（1/8）よりも小さ
い場合には、双安定インジケータをリセツトする
（VUV＝０）。

コメントC3：上述した双安定インジケータ２３
の状態に対応するVUV（Ｉ）を出力させる。

コメントC4：適応しきい値を決定する。

コメントC5：大きい固定のしきい値を3072の値
に固定し、小さい固定のしきい値を128の値に固
定すること。

本発明による音声分析システムは第３図に示す
ハードウエアで実施することができる。このハー
ドウエアは −Ａ／Ｄ変換器３０（第１図のブロツク１１に
対応する） −デイジタル・フイルタ３１（第１図のブロツ
ク１３に対応する） −セグメント・バツフア３２（第１図のブロツ
ク１７に対応する） −マイクロ・コンピユータ３３（第１図のブロ
ツく１９，２１及び２２に対応する） −双安定インジケータ３４（第１図のブロツク
２３に対応する） を具えている。

ブロツク１９の機能、すなわち一連の絶対値の
平均値を求める機能はコンピユータ３３を適切に
プログラミングすることによつて実行出来る。適
切なプログラムの流れ図は当業者が容易に案出で
きるものである。ブロツク１５の機能は、符号／
大きさ表記法を用いる場合にはセグメント・バツ
フア３２の入力において符号ビツトを除去するこ
とによつて実行し得、又はコンピユータ３３を適
切にプログラミングすることによつてこのプロセ
スの後の段階において実行し得る。

【図面の簡単な説明】

第１図は本発明による音声分析システムの順次
の操作過程を示す流れ図、第２図は第１図による
プロセスにおける所定の操作を実行するために使
用されるコンピユータ・プログラムを示す流れ
図、第３図は本発明による音声分析システムを実
施するための電子装置を示す略線的ブロツク図で
ある。 １０……音声信号入力部、１１……アナログ−
デイジタル変換操作部、１２，１４，１６，１
８，２０……出力、１３……デイジタル・フイル
タリング操作部、１５……絶対値検出操作部、１
７……セグメント・バツフア操作部、１９……平
均化操作部、２１……単調増加測定操作部、２２
……波形強度が小さい固定しきい値より低いかど
うかを検出する操作部、２３……双安定インジケ
ータ、３０……Ａ／Ｄ変換器、３１……デイジタ
ル・フイルタ、３２……セグメント・バツフア、
３３……マイクロ・コンピユータ、３４……双安
定インジケータ。

Claims (1)

1. 【特許請求の範囲】 １ 入力アナログ音声信号をデイジタル音声信号
   に変換する手段と、規則的に繰り返し発生する瞬
   時にこれら瞬時に先行する音声セグメントにおけ
   る整流した音声信号の平均値を求めるための平均
   値決定手段とを具え、かくして決定した平均値
   を、無声音セグメントと有音声セグメントとを区
   別するための目安とする音声分析システムにおい
   て、当該システムがさらに、有音声の期間を指示
   すべくセツトできると共に無声音、または音声の
   ない期間を指示すべくリセツトできる双安定イン
   ジケータと、下記の工程を含むプロセスを実行す
   べくプログラム化したプログラマブル計算手段と
   を具え、前記工程を： (1) 各セグメント（１番目）に対し、約200〜800
   Hzの低周波帯域における該セグメントに関連す
   る整流した音声信号の平均値（Ｍ（Ｉ））を求め
   る工程； (2) ｋを所定の数とする場合に、ｎ＝Ｉ，Ｉ−
   １，……Ｉ＋１−ｋのセグメントの平均値Ｍ
   （ｎ）が、ｎの値の増加により所定の乗算フア
   クタよりも大きなフアクタで単調に増加し、か
   つ前記平均値Ｍ（Ｉ）が前記適応しきい値AT
   （Ｉ−１）以上となる場合に、前記双安定イン
   ジケータをセツトする工程； (3) 前記平均値Ｍ（Ｉ）が最大値VM（Ｉ−１）の
   所定数分の１よりも小さいが、平均値Ｍ（Ｉ）
   が所定のしきい値よりも小さい場合に前記双安
   定インジケータをリセツトする工程； (4) 前記双安定インジケータがセツトされる場合
   に、各セグメントおよび多数の先行セグメント
   に対して、ｎ＝Ｉ，Ｉ−１，……，Ｉ＋１−ｍ
   で、ｍをセグメントＩとセグメントＩ＝１−ｍ
   との間では前記双安定インジケータの状態が変
   化しないような値とする平均値Ｍ（ｎ）の最大
   値（VM（Ｉ））を求める工程； (5) 前記双安定インジケータがセツトされる場合
   に、適応しきい値AT（Ｉ）を最大値VM（Ｉ）
   の何分の１かに等しく設定し、かつ前記双安定
   インジケータがリセツトされる場合には、前記
   適応しきい値AT（Ｉ）を前記AT（Ｉ−１）の
   何分の１かに等しく設定することにより各セグ
   メントに対する適応しきい値（AT（Ｉ））を決
   定する工程； としたことを特徴とする音声分析システム。 ２ 前記プロセスが： (A) 前記平均値Ｍ（Ｉ）が相対的に高い固定のし
   きい値を越える場合には前記双安定インジケー
   タをセツトする工程； (B) 前記平均値Ｍ（Ｉ）が相対的に低い固定のし
   きい値を越えない場合には、前記双安定インジ
   ケータをリセツトする工程； を含むようにしたことを特徴とする特許請求の範
   囲第１項に記載の音声分析システム。