JPH0474720B2 - - Google Patents

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は入力音声の音素認識を行ない、その結
果を用いて、音節、単語、文章等を認識する音声
認識方法、特に破裂音を認識する認識方法に関す
るものである。

（従来例の構成とその問題点） 一般に、音声の破裂音を認識する場合、破裂音
の物理的特徴としての破裂時点直前の無音区間を
検出し、それを利用して破裂音を認識する方法が
とられる。第１図は、従来の音声認識装置の破裂
音検出部の構成図である。

以下にその従来例の構成について第１図ととも
に説明する。第１図において１は環境騒音（ノイ
ズ）を検出するノイズレベル検出部であり、この
ノイズレベル検出部１の出力は無音部検出の閾値
設定部２及び音声区間検出部３に入力される。そ
して、閾値設定部２及び音声区間検出部３の各出
力はそれぞれ破裂音の無音区間検出部４に入力さ
れる。

次に上記従来例の動作について第２図を用いて
説明する。第２図は、ある音声区間（フレーム）
における音声パワーを取り出したもので、横軸の
単位は時間（ｔ）、縦軸の単位は音声パワー（例
えばワツト：Ｗ）である。先ず、ノイズレベル検
出部１で発声環境のノイズレベル５を検出する。
このノイズレベル５を用いて、無音区間検出の閾
値設定部２において、閾値６の設定を行なう。同
様にノイズレベル５を利用して、音声区間検出部
３で音声区間（音声区間の始端７、終端８）を検
出する。破裂音の無音区間検出部４においては、
閾値６と音声パワーの谷部の値とを比較して、無
音区間（無音区間の始端９，終端１０）を検出す
る。このようにして、無音区間を検出し、破裂音
を認識することができる。

しかしながら、上記従来方法においては、無音
部のパワーの絶対値を使つた閾値設定がなされて
いるため、調音結合の影響により破裂音の無音区
間の音声パワーが十分に小さくならない場合が発
声するのみでなく、発声音の大小に応じて閾値６
のレベルも変えなければならず、従つて、閾値設
定が複雑になり、無音区間の検出を誤る欠点があ
つた。その具体例を第３図に示す。

第３図は“囲い（KAKOI）”と発声した時の
音声パワーの時間変化を示した図である。／Ｋ／
に挾まれた母音／Ａ／が十分発声し終わらないう
ちに次の／Ｋ／を発音すると、２番目の／Ｋ／の
直前の無音区間１１のパワーが十分下がらないた
め、閾値１２より大きくなり無音区間の検出を誤
る。この現象はとくに早口で発声した場合に多発
する。

（発明の目的） 本発明は、上記従来例の欠点を除去し、音声の
調音結合の影響により、従来検出が困難であつた
破裂音の無音区間の検出を精度を向上させること
を目的とするものである。

（発明の構成） 上記目的を達成するために、本発明の音声認識
方法は、音声区間の音声パワーをその最大値と最
小値の差で正規化し、その正規化音声パワーに対
応して予め設定された値を閾値とし、その閾値を
正規化音声パワーの谷部の値と比較して、破裂時
直前の無音区間を検出することを特徴とするもの
である。

（実施例の説明） 以下、本発明の一実施例について、図面と共に
説明する。第４図は、本発明の一実施例の音声認
識方法を実施する装置の破裂音の無音区間検出部
のブロツク図を示したものである。同図におい
て、１３はノイズレベル検出部であり、このノイ
ズレベル検出部１３の出力を使つて音声区間検出
部１４で音声区間を検出する。音声パワー正規化
部１５では、音声区間検出部１４の出力を用いて
音声パワーの正規化を行ない、破裂音の無音区間
の閾値設定部１６で閾値を設定し、破裂音の無音
区間検出部１７では、その閾値を用いて無音区間
を検出する。

次に、本実施例の動作を、第５図を用いて詳細
に説明する。第５図において、横軸の単位は時間
(t)であり、縦軸の単位は音声パワー(W)及び正規化
音声パワー（無名数）である。まず、ノイズレベ
ル検出部１３でノイズレベルを検出し、そのノイ
ズレベルを使つて、それより音声パワーの大きい
区間を音声区間とし、音声区間検出部１４で検出
する。ここでは、１８を音声区間の始端、１９を
終端としている。

次に、音声パワー正規化部１５において、音声
区間内における音声パワーの最大値（MAX）20
及び最小値（MIN：例えばノイズレベル）21を
検出し、次式に従つて音声パワーの正規化を行
う。

NPW（Ｉ）＝PW（Ｉ）−MIN／MAX−MIN 但し、 PW（Ｉ）：第Ｉフレームの音声パワー MAX：音声区間のパワーの最大値 MIN：音声区間のパワーの最小値 NPW（Ｉ）：第Ｉフレームの正規化音声パワー 即ち、音声パワーPW（Ｉ）からノイズレベル
（MIN21）を引くことにより音声区間の実質的な
音声パワーを取り出し、その実質的音声パワーの
各時点の高さについて、その最大値（MAX20−
MIN21）に対する比を求めれば（正規化すれ
ば）、音声パワーの最大の部分が１となり、最小
の部分が０となる。つまり、発声音の大小に関わ
らず、音声区間における音声パワーの高低を０〜
１の中に収めるものである。

この音声の正規化パワーを用いて破裂音の無音
区間検出のための閾値２２を設定する。従来の場
合は音声レベルそのものを用いるのに対し、本発
明では正規化された値（無名数）を用いる点で大
きく異なる。

破裂音の無音区間検出部１７においては、第５
図における正規化パワーが減少する区間２３と正
規化パワーが急激に上昇する区間２４を検出し無
音区間の候補とする。さらに正規化パワーが、谷
の区間２５で閾値２２より低く、かつ、区間２５
の持続時間長が所定の値より短い場合に区間２５
を破裂音の無音区間として検出する。

本実施例においては、音声のパワーを音声区間
内で正規化しているため、無音区間の検出は音声
区間内のパワーの大きさの比で判断でき、従つ
て、個人差等による発声音の大小に関わらず、閾
値の設定が容易になり、また、調音結合の影響に
より破裂音の破裂直前の無音部のパワーの絶対値
が十分に低くならない場合においても、無音部を
検出できる利点がある。

なお、複数の話者の発声による認識実験におい
て、従来例では破裂音の無音区間の検出が85％で
あるのに対し、本発明の方法を用いることにより
94％に検出率を向上した。

発明の効果 以上説明したように、本発明によれば、破裂音
の無音区間の検出に、音声区間内で正規化したパ
ワーを用いているため、発声音の大小に関わら
ず、閾値の設定が容易になり、また、調音結合に
よつて検出し難い破裂音の無音区間検出を精度よ
く検出できる利点を有する。

【図面の簡単な説明】

第１図は、従来の音声認識装置の破裂音の無音
区間検出部のブロツク図、第２図、第３図は従来
例の動作を説明する図、第４図は本発明の一実施
例における音声認識方法を実施する装置の破裂音
の無音区間検出部のブロツク図、第５図は本発明
の一実施例の動作を説明する図である。 １３……ノイズレベル検出部、１４……音声区
間検出部、１５……音声パワー正規化部、１６…
…無音区間閾値設定部、１７……破裂音の無音区
間検出部。

Claims (1)

【特許請求の範囲】
1. １ 入力音声に対して単位時間毎に分析を行ない
   音素認識を行なつた後に単語音声を認識する方法
   において、破裂音の認識に際し、音声区間のパワ
   ーをその最大値と最小値の差で正規化し、この正
   規化音声パワーに対応して予め設定された値を閾
   値として正規化音声パワーの谷部の値と比較し、
   破裂時点直前の無音区間を検出することを特徴と
   する音声認識方法。