JPH0469800B2 - - Google Patents

Description

【発明の詳細な説明】 〔発明の技術分野〕 本発明は入力音声の音素や単語等を高精度に認
識することのできる実用性の高い音声認識装置に
関する。

〔発明の技術的背景〕

近時、電子技術の進歩に伴つて種々の音声認識
装置が開発され、例えば特定話者を対象とした単
語音声認識では認識対象が数百単語程度であつて
も相当高い認識率が得られるようになつてきた。
また不特定話者を対象とする単語音声認識にあつ
ても、数十単語程度の認識が可能となつてきてい
る。

然し乍ら、大語彙単語や速読発声された音声を
認識対象とする場合、単語単位での学習や、認識
対象とする語彙の変更が困難である。この為、先
ず入力音声の構成要素である音節や音素レベルで
の認識処理を行い、しかるのち言語情報と単語辞
書を利用した認識処理を行う方式を採用すべきで
あると考えられている。このような方式を採用す
れば、音素を認識の基本単位とすることによつ
て、約20種類程度の音素認識結果を利用し、単語
音声のみならず連続発声された音声をも認識可能
となることが知られている。そして、このような
場合には、その認識性能が、音素の認識率に強く
依存することから、前述した音声の分析とその音
素認識を如何に精度良く、且つ効率良く行うかが
重要な課題となつている。

〔背景技術の問題点〕

ところで音声の構成要素である音素（音韻）
は、その発声機構の違いによつて種々に分類する
ことができる。即ち、音素は先ず母音と子音とに
大別される。そして、上記子音は、有声・無声、
調音位置、調音形式等によつて分類される。そし
て、上記音素のうち母音は定常的であり、且つ持
続時間が長いと云う性質を有する。また子音の持
続時間が短いと云う性質がある。例えば無声破裂
音（ｐ，ｔ，ｋ）は音声変化が速く、且つ持続時
間が短い。そしてその特徴は破裂時点で現われる
と云う性質を有している。

然し乍ら、従来の音声認識にあつては、上述し
た各音素の性質を考慮することなしに、入力音声
を一定の分析時間長で、且つ一定の分析フレーム
周期で分析し、これによつて得られた特徴パラメ
ータを用いて認識処理を行つている。この為、母
音を認識するに際しては、その分析時間長が短い
ので離散的フーリエ変換等によるスペクトル分析
では周波数分解能が悪くなり、また声帯音源のピ
ツチ周波数の影響を受けて分析結果が不安定化
し、その誤認識が生じ易いと云う問題があつた。
一方、前述した無声破裂音（ｐ，ｔ，ｋ）等の変
化の速い子音に関しては、分析時間長、およびそ
の分析フレーム長が長過ぎる為、分析によつて得
られた特徴パラメータから、上記子音の変化に関
する重要な情報が他の情報に埋もれてしまう不具
合があつた。

また音素認識を行うことなしに、単語全体のパ
ターン照合を利用する単語音声認識方式もある
が、認識対象とする語彙が増大すると、その認識
対象中に類似する単語が多くなる為、それらの識
別が困難になると云う問題があつた。またこのよ
うな認識方式にあつても、分析時間長およびその
分析フレーム周期を一定にして入力音声の特徴パ
ラメータを抽出しているので、単語音声特徴ベク
トルが不安定となつたり、或いは顕著な特徴が現
われ難いと云う不具合があつた。

〔発明の目的〕

本発明はこのような事情を考慮してなされたも
ので、その目的とするところは、入力音声を構成
する音素の特徴を効果的に利用して、簡易に且つ
高精度に音素や単語等を認識することのできる実
用性の高い音声認識装置を提供することにある。

〔発明の概要〕

本発明は分析時間長および分析フレーム周期を
それぞれ異ならせた複数の分析時間毎に入力音声
の特徴パラメータの時系列を求め、これらの特徴
パラメータの時系列の一部を音声特徴ベクトルと
して抽出してパターン照合による音声認識を行う
ようにしたものである。

即ち、入力音声に対して例えばデイジタル信号
処理によつて音声分析を行う場合、その分析時間
長Ｔと分析フレーム周期Ｆとを変化させた複数の
分析時間（T₁，F₁）（T₂，F₂）（T₃，F₃）〜毎
に、デイジタル帯域フイルタ群、離散的フーリエ
変換（DFT），ケプストラム分析、線形予測分析
（LPC）等によつて前記入力音声の特徴パラメー
タの時系列X₁，X₂，X₃〜を求め、これらの特徴
パラメータの時系列X₁，X₂，X₃〜の部分系列
P_1i，P_2i，P_3i〜（ｉ＝１，２，３〜Ｎ）をその音
声特徴ベクトルとして抽出して、予め準備された
音声カテゴリ辞書との間で類似度、例えば距離や
尤度を計算して音素、音節、単語、文章等の入力
音声を認識するようにしたものである。尚、前記
特徴パラメータの時系列X₁，X₂，X₃〜をアナロ
グ処理によつても求めることが可能なことは云う
までもない。

〔発明の効果〕

かくして本発明によれば、入力音声の特徴ベク
トルの時系列が分析時間長およびその分析フレー
ム周期を異ならせた複数の分析時間毎に求められ
るので、母音のような比較的安定で且つ定常的な
音素の認識に関しては分析時間長と分析フレーム
周期を長くした分析処理により求められた特徴パ
ラメータの時系列を特徴ベクトルとして用い、こ
れを効果的に、且つ精度良く認識することが可能
となる。また変化が速く、非定常的な性質を有す
る破裂性子音等の音素に関しては、分析時間長お
よび分析フレーム周期の短い分析で求められた特
徴パラメータの時系列を特徴ベクトルとして用い
ることによつて、これを簡易に、且つ高精度に認
識することが可能となる。このようにして、個個
の性質を考慮してそれぞれ認識された音素の情
報、つまり音素の時系列パターンと音声カテゴリ
辞書とをパターン照合することにより、ここに入
力音声を効果的に認識することが可能となる。

また上述したように分析時間を変化させて入力
音声の特徴パラメータの時系列を得るので、母音
の分析精度の向上を図り、母音を重視した認識が
可能となる。また子音の特徴を良く抽出すること
ができるので、子音の異なる類似単語間の識別を
容易ならしめる。従つて、異なる分析時間毎に求
められる複数種の特徴ベクトルを有効に利用し
て、簡易で精度の高い認識を行い得、実用上絶大
なる効果が奏せられる。つまり、音声を構成する
音素の性質を有効に利用した高精度な音声認識が
可能となる。

〔発明の実施例〕

以下、図面を参照して本発明の実施例につき説
明する。

第１図は音素を認識処理の基本単位とする実施
例装置の概略構成図である。入力音声は、分析時
間長および分析フレーム周期を異にする第１およ
び第２の分析回路１，２にそれぞれ入力され、そ
の定められた分析時間毎に分析されて特徴パラメ
ータが抽出される。これらの分析回路１，２は後
述する第２図乃至第５図に示す如く構成されるも
ので、前記入力音声に対して、デイジタル帯域フ
イルタ処理、離散的フーリエ変換処理、ケプスト
ラム分析処理、線形予測分析処理、アナログ帯域
フイルタ処理等を施して、該入力音声の特徴パラ
メータの時系列を求めるものである。これらの分
析回路１，２でそれぞれ求められた特徴パラメー
タの時系列は、音素特徴ベクトルメモリに一時的
に記憶されたのち、その一部が特徴ベクトルとし
て読出されて類似度計算回路３，４にそれぞれ与
えられる。類似度計算回路３は、前記分析回路１
で求められた例えば分析時間長が20mS、フレー
ム周期が10mSからなる長い分析時間における特
徴ベクトルから、音素辞書５との照合、つまり類
似度計算を行つて母音等の定常的で安定な性質を
有する音素を認識している。また他方の類似度計
算回路４は、前記分析回路２で例えば分析時間長
が10mS、フレーム周期が5mSからなる短い分析
時間毎に求められた特徴ベクトルから、音素辞書
６との照合により、つまり類似度計算によつて、
子音等の変化の速い音素の認識を行つている。そ
して、これらの類似度計算回路３，４にてそれぞ
れ求められた音素認識結果の時系列、即ち母音音
素パターンおよび子音音素パターンは、例えばそ
の類似度値を含む音素記号の列として音素パター
ンメモリ７に格納され、合成される。

しかるのち、音素パターンメモリ７に得られた
入力音声に対する音素パターンは照合回路８に与
えられ、例えば単語の標準音素パターンを登録し
てなる音声カテゴリ辞書９との間で類似度計算さ
れて、音声認識されるものとなつている。

即ち、本装置にあつては分析回路１において分
析時間長Ｔとそのフレーム周期Ｆとが長い分析時
間にて求められた入力音声の特徴パラメータの時
系列によつて、入力音声の定常的な性質を有する
母音等の音素が効果的に認識される。また分析時
間長Ｔとフレーム周期Ｆを短く設定した分析回路
２において、入力音声の変化に対して敏感な分析
により求めた特徴パラメータの時系列によつて、
入力音声の変化の速い子音等の音素を効果的に求
めることが可能となる。そして、これらのそれぞ
れ求められた母音および子音の音素の時系列から
なる音素パターンを用いて入力音声の全体を認識
するので、その認識精度を十分に高くすることが
可能となる。また上述した認識処理はシンプルで
あり、従つて実用的利点も大きい。

さて、前述した分析回路１，２は、例えば次の
ように構成することができる。第２図はデイジタ
ル帯域フイルタ群による周波数分析による特徴パ
ラメータの抽出を行う分析回路の構成図である。
この回路は、入力音声をＡ／Ｄ変換器１１を介し
て例えば100μS毎にデイジタル信号変換し、これ
を並列的に設けられた複数の帯域フイルタ
（DBPF）１２に入力して16チヤンネルの周波数
成分にそれぞれ分離する。しかるのち、これらの
各チヤンネル出力を２乗回路１３に入力してその
パワーを求める。しかるのち、これらのパワー成
分を第１の低域フイルタ（LPF）14群、および
第２のLPF15群に入力してそれぞれ平滑化処理
し、その音素特徴パラメータを求めてメモリ１
６，１７に格納する如く構成される。

ここで前記第１のLPF14群は、分析時間長
（積分時間）を24mSとし、フレーム周期8mS毎に
特徴パラメータx_iを抽出するものであり、また第
２のLPF15群は、分析時間長を8mSとして、フ
レーム周期8mS毎に特徴パラメータy_iを抽出する
ものとなつている。このようにして求められた特
徴パラメータx_iの時系列が前記母音等の音素の認
識に用いられ、また特徴パラメータy_iの時系列が
子音等の音素の認識に用いられる。

このような構成の分析回路によれば、その帯域
フイルタ１２の構成を同じくし、或いは共通に用
いた上で、LPF１４，１５の平滑フレーム長
（積分時間）を変化させるだけで、時間長の異な
る特徴パラメータx_i，y_iを得ることができる。し
かもこの場合には、分析処理の計算量がさほど増
大することがなく、回路構成上経済的であり、実
用上有利である。また上記LPF１４，１５のフ
レーム周期を8mS，4mSと別個に定めることも効
果的である。

また分析回路１，２をアナログ帯域フイルタ群
を用いて構成する場合には、第３図に示すように
すればよい。即ち入力音声を16チヤンネルのアナ
ログ帯域フイルタ（BPF）21群を通したのち２
乗回路22群に入力してパワーを求める。しかるの
ち、その出力をアナログ低域フイルタLPF２３，
２４を介して波したのち、Ａ／Ｄ変換器25，26
群を介してデイジタル変換してメモリ１６，１７
にその特徴パラメータx_i，y_iを格納するようにす
ればよい。この場合、前記LPF２３の時定数を
例えば30mSと長く設定し、標本化周期を15mSと
するＡ／Ｄ変換器２５を介してデイジタル変換し
て、母音等の音素の認識に適した特徴パラメータ
x_iを得るようにする。そして、LPF２４について
はその時定数を例えば10mSと短く設定し、Ａ／
Ｄ変換器２６の標本化周期を例えば5mSとするこ
とによつて、子音等の音素の認識に適した特徴パ
ラメータを得るようにすればよい。

このように分析回路を構成しても、BPF２１
を共用できるもので、回路の大きさをさほど増大
させることなしに特徴パラメータ抽出性能の向上
を図ることができる。また経済的であり、効率的
である。また、本実施例は、スイツチドキヤパシ
ターフイルタを用いても実現できる。

また第４図はケプストラム分析処理を適用して
構成される分析回路の例を示すものである。この
場合にはＡ／Ｄ変換器１１を介して入力された入
力音声を２系統に分け、例えば24mSのハニング
窓を設けた時間窓回路３１と、12mSのハニング
窓を設けた時間窓回路３２に供給する。しかるの
ち、これらの時間窓でそれぞれ切出された信号
を、離散的フーリエ変換器（DFT）３３，３４
に入力してスペクトル変換し、その出力を絶対値
回路３５，３６、および対数変換回路（LOG）
３７，３８を通したのち、離散的逆フーリエ変換
器（IDFT）３９，４０にてケプストラム変換す
る。これによつてIDFT３９の出力に時間窓
24mSの信号に対するケプストラムが得られ、そ
の上位16個のケプストラムパラメータを音素特徴
パラメータc_iとして抽出する。またIDFT４０に
は、時間窓12mSの信号に対するケプストラムが
得られ、その上位16個のケプストラムパラメータ
を音素特徴パラメータc′_iとする。そして、これら
をメモリ１６，１７にそれぞれ格納し、上記特徴
パラメータc_iの時系列が母音等の音素認識に、ま
た特徴パラメータc′_iの時系列が子音等の音素認識
に用いられる。このようにして、分析時間窓を変
えてケプストラム処理することによつても、母音
の特徴を反映した特徴パラメータc_iの時系列と、
子音の特徴を反映した特徴パラメータc′_iに時系列
とをそれぞれ得ることができる。

また第５図は、先に説明したデイジタル帯域フ
イルタ群を用いた分析回路の変形例を示すもので
あり、LPF１５の出力を所定数ずつ加算器
（ADD）１８に入力し、その和を求めて４チヤン
ネルの特徴パラメータy_iを求め、これをメモリ１
９に格納するようにしたものである。即ち、この
例は、母音等の定常的音素を認識する為の特徴パ
ラメータとして、フレーム数「１」とし、周波数
方向16次としたものを求めている。また変化の速
い子音等の音素を認識する為の特徴パラメータと
して、フレーム数を４フレームと長くし、周波数
方向には４次としたものを求めている。このよう
に、子音認識用の特徴パラメータの周波数分解能
を悪くしても、その特徴ベクトルは４フレームに
亘つて、変化に対して敏感なものとなつているの
で、子音等の認識に十分に供することが可能であ
る。また母音認識用の特徴パラメータは１フレー
ム分しか求められないが、その性質が定常的であ
ることから周波数分解能を十分高くしておくだけ
で十分にその目的が達成される。従つて、第２図
に示す回路よりも、その構成を大幅に簡略化し得
ると云う効果が奏せられる。また、本実施例の一
変形例として、LPF１４を使用せずに、LPF１
５の出力を複数フレーム分加算してメモリ１６に
転送することも可能である。

このように分析回路１，２はその一部を共用す
る等して、比較的簡単に構成することができる。
そして、この場合の分析時間長Ｔやフレーム周期
Ｆ等は、前述したLPFの時定数や時間窓の長さ、
Ａ／Ｄ変換器のサンプリング速度等を変化させる
ことにより、簡易に変えることができる。そし
て、音素の性質に応じた特徴パラメータを簡易
に、且つ効果的に得ることができる。

以上、音素を認識処理に基本単位とする実施例
について説明したが、本発明は単語単位の照合を
行う音声認識装置としても実施することができ
る。第６図はその概略構成図であり、分析回路
１，２は前記第２図に示されるような16チヤンネ
ル型デイジタル帯域フイルタ群等によつて構成さ
れる。この場合、分析回路１では、例えば分析時
間長が30mS、フレーム周期が15mSの分析処理に
より、定常的な特徴パラメータの時系列が求めら
れる。また分析回路２では分析時間長が10mS、
フレーム周期が5mSの分析処理により、音声の変
化に敏感な特徴パラメータの時系列が求められ
る。このような特徴パラメータの時系列に対して
リサンプル回路４１，４２では、前記入力音声の
パワー情報から求められる音声の始端フレームか
ら終端フレームに亘つて等間隔にリサンプルし、
例えば周波数方向16次元、時間軸方向16次元の計
256次元の時間・周波数パターンを求めている。
これらの時間・周波数パターンが、単語特徴ベク
トルメモリ４３，４４にそれぞれ格納される。

これらの時間・周波数パターンは、それぞれの
分析処理時の分析時間長およびフレーム周期の異
なりによつて異つたものとなつている。そして、
ベクトルメモリ４３に得られるパターンは、ベク
トルメモリ４４に得られるパターンに比して時間
軸方向の分解能が悪く、所謂ボケたパターンとな
つているが、逆に安定なものとなつている。この
ようにして求められた時間・周波数パターンに対
して、類似度計算回路４５，４６では、単語辞書
４７，４８との間で類似度計算を行つて、その単
語類似度を求めている。尚、ここで用いられる類
似度計算法としては、複合類似度法や、マハラノ
ビス距離等の統計的尺度を用いることが有用であ
る。

しかるのち、これらの異なる特徴ベクトルを用
いて求められた各単語カテゴリに対する類似度値
と、類似度差とを用いて総合判定回路４９によ
り、その単語が総合的に評価され、認識される。
尚、この場合、前記分析時間長とフレーム時間長
を長くして求めた安定な単語特徴ベクトルに基づ
いて得た類似度結果を、単語カテゴリに対する大
分類処理に使用し、また分析時間長とフレーム時
間長を短くした単語特徴ベクトルに基づいて得た
類似度結果を、類似単語間の識別に使用すること
が望ましい。また、本実施例の複数種の照合処理
は、階層的に行うことも可能である。

尚、この単語照合に用いる分析回路１，２とし
て、前述した第３図乃至第５図に示されるような
アナログ帯域フイルタ、ケプストラム分析、離散
的フーリエ変換等を用いた分析回路を採用するこ
とも勿論可能である。

以上説明したように本発明によれば、音声を構
成する音素が有する特徴を十分有効に利用して音
声を認識するので、高精度な認識結果を得ること
ができる。しかも、簡易な処理によつて効果的に
認識結果を得ることができ、その実用的利点は絶
大である。

尚、本発明は上記実施例に限定されるものでは
ない。例えば分析時間長とフレーム周期は、入力
音声の仕様に応じて定めればよいものであつて、
上記分析時間長とフレーム周期とによつて定めら
れる分析時間の数も複数であればよい。要するに
本発明はその要旨を逸脱しない範囲で種々変形し
て実施することができる。

【図面の簡単な説明】

第１図は本発明の一実施例の概略構成図、第２
図乃至第５図はそれぞれ分析回路の構成例を示す
図、第６図は本発明の別の実施例を示す概略構成
図である。 １，２……分析回路、３，４……類似度計算回
路、５，６……音素辞書、７……音素パターンメ
モリ、８……照合回路、９……音声カテゴリ辞
書、１１……Ａ／Ｄ変換器、１２……DBPF、１
３……２乗回路、１４，１５……LPF、１６，
１７，１９……特徴ベクトルメモリ、２１……
BPF、２２……２乗回路、２３，２４……LPF、
２５，２６……Ａ／Ｄ変換器、３１，３２……時
間窓回路、３３，３４……DFT、３５，３６…
…絶対値回路、３７，３８……対数変換回路、３
９，４０……IDFT、４１，４２……リサンプル
回路、４３，４４……単語特徴ベクトルメモリ、
４５，４６……類似度計算回路、４７，４８……
単語辞書、４９……総合判定回路。

Claims (1)

1. 【特許請求の範囲】 １ 分析時間長および分析フレーム周期をそれぞ
   れ異ならせて定められた複数の分析時間毎に入力
   音声を分析して該入力音声の特徴パラメータの時
   系列をそれぞれ求める手段と、これらの各特徴パ
   ラメータの時系列の部分系列をそれぞれ音声特徴
   ベクトルとして抽出し、これらの各音声特徴ベク
   トルと予め登録された音声カテゴリ辞書とをそれ
   ぞれパターン照合する手段とを具備し、 分析時間長および分析フレーム周期を短く設定
   して分析された入力音声の特徴パラメータから求
   められた特徴ベクトルを変化の早い音素の認識に
   用いると共に、分析時間長および分析フレーム周
   期を長く設定して分析された入力音声の特徴パラ
   メータから求められた特徴ベクトルを変化の遅い
   音素の認識に用いることを特徴とする音声認識装
   置。 ２ 入力音声の特徴パラメータの時系列を得る手
   段は、上記入力音声を分析する一連の分析処理過
   程で得られる同一途中結果に対して異なるサンプ
   リング処理を施して、分析時間長および分析フレ
   ーム周期を異にする分析時間毎の特徴パラメータ
   の時系列をそれぞれ得るものである特許請求の範
   囲第１項記載の音声認識装置。