JPH05134697A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 話者の変化（人物の違いや同一人物の体調の
変化）に容易に応じられ、しかも認識率が高い、ＢＰＦ
バンクを用いた音声認識装置を実現する。 【構成】 ＢＰＦバンク３を構成するＢＰＦ３１〜３ｎ
として少なくとも中心周波数を可変できるものを適用す
る。フィルタ特性更新部７ａが、話者に応じて（人物の
違い、又は、同一人物の体調等の違いに応じて）、ＢＰ
Ｆ３１〜３ｎのフィルタ特性を最適化する。その後に、
音声認識処理を行なう。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、入力音声の分析手段と
してバンドパスフィルタバンクを用いる音声認識装置に
関する。

【０００２】

【従来の技術】音声認識装置としては、周知のように、
特定話者音声認識装置と不特定話者音声認識装置とがあ
る。特定話者音声認識装置は、周知のように、認識対象
者の音声の特徴パラメータパターンを予め登録してお
き、認識処理時に入力音声から得られた特徴パラメータ
パターンと予め登録された特徴パラメータパターンとを
照合することで入力音声の内容を特定するものである。
不特定話者音声認識装置は、多くの発声者からの音声か
ら標準的な特徴パラメータパターンを作成しておき、認
識処理時に入力音声から得られた特徴パラメータパター
ンと標準的な特徴パラメータパターンとを照合すること
で入力音声の内容を特定するものである。

【０００３】従来の音声認識装置における入力音声の分
析方法として、バンドパスフィルタ（以下、ＢＰＦと略
す）バンクを用いるものがある。これは、図２に示すよ
うに、人間の聴覚特性を考慮して周波数の対数軸上に等
間隔に複数チャネルのＢＰＦを設けたものであり、その
各チャネルのＢＰＦ出力を基に、上述したように用いる
音声の特徴パラメータパターンを作成している。

【０００４】なお、ＢＰＦバンクを用いる方法は、入力
音声のスペクトル包絡の概略を比較的少ない計算量で得
ることができるので、小規模のハードウェアで構成され
る音声認識装置で多く用いられている。

【０００５】

【発明が解決しようとする課題】ところで、従来のＢＰ
Ｆバンクでは、その各チャネルの中心周波数間にある程
度の間隔があるために、入力音声の完全なスペクトル包
絡を得ることができない。そのため、不特定話者音声認
識装置のようないろいろな話者を対象とする場合に、話
者の年齢や性別によるホルマント周波数のずれ等の個人
差を敏感に感知することができず、結果的に十分な認識
率を得ることができない話者が存在することになる。

【０００６】このような不具合を回避しようとすると、
ＢＰＦバンクの間隔を狭くしてチャネル数を増やすとい
う方法が考えられるが、チャネル数を増やすだけ比例的
に演算量が増えるため、余り現実的な方法ではない。す
なわち、音声の分析方法としてＢＰＦバンクを用いる音
声認識装置は、その構成の簡単化を意図しているもので
あり、演算構成が複雑になることはＢＰＦバンクを用い
ている意図に反するものである。

【０００７】また、従来の不特定話者音声認識装置は、
上述した認識率の問題のために、認識できる単語数が少
ない数に限定されていることが多い。

【０００８】他方、特定話者音声認識装置は、不特定話
者音声認識装置に比べて認識率は高い。しかしながら、
特定話者音声認識装置の場合、認識処理に先立ち、認識
対象者の音声の特徴パラメータパターンを登録する処理
が必要であり、これに多くの操作を伴う。また、この音
声認識装置を利用する認識対象者を変更しようとする毎
に、登録操作をやり直すことが必要となり、実際上、利
用者はある一人に限定される。

【０００９】さらに、特定話者音声認識装置であって
も、特定話者のその日の体調等によって、ホルマント周
波数が普段からずれて認識率が低くなることもある。

【００１０】本発明は、以上の点を考慮してなされたも
のであり、従来の不特定話者音声認識装置及び特定話者
音声認識装置の利点を合せ持つ、すなわち、話者の変化
（人物の変化や同一人物の体調等の変化）に容易に応じ
られる、しかも、高い認識率が得られる音声認識装置を
提供しようとするものである。

【００１１】

【課題を解決するための手段】かかる課題を解決するた
め、本発明においては、入力音声の分析手段としてバン
ドパスフィルタバンクを用いている音声認識装置を以下
のように構成した。

【００１２】すなわち、バンドパスフィルタバンクの各
バンドパスフィルタとして、少なくとも中心周波数を変
化できるものを適用すると共に、予め格納されている所
定の特徴パラメータパターンと、この所定の特徴パラメ
ータパターンに対応した入力音声から得られた特徴パラ
メータパターンとに基づいて、各バンドパスフィルタの
中心周波数を最適化するフィルタ特性更新手段を設け
た。

【００１３】

【作用】本発明は、話者の変化（人物の変化や同一人物
の体調の変化）に応じられるように、バンドパスフィル
タバンクを構成する各バンドパスフィルタとして、少な
くとも中心周波数を変化できるものを適用することとし
た。そして、フィルタ特性更新手段が、予め格納されて
いる所定の特徴パラメータパターンと、この所定の特徴
パラメータパターンに対応した入力音声から得られた特
徴パラメータパターンとに基づいて、各バンドパスフィ
ルタの中心周波数を最適化する。このように、話者の変
化に応じて最適化されたバンドパスフィルタバンクを用
いて音声認識を行なう。

【００１４】

【実施例】以下、本発明の一実施例を図面を参照しなが
ら詳述する。ここで、図１がこの実施例の全体構成を示
すものである。

【００１５】この実施例の音声認識装置１０は、図１に
示すように、前処理部１、アナログ／デジタル変換部
２、ＢＰＦバンク３、特徴量抽出部４、標準パターンメ
モリ５、照合演算部６及び制御部７から構成されてい
る。

【００１６】前処理部１は、図示しないマイクロフォン
等から入力された音声信号に含まれている不要周波数帯
域のカットやゲインの調整等を行ない、処理後の音声信
号をアナログ／デジタル変換部２に与える。

【００１７】アナログ／デジタル変換部２は、この音声
信号を所定のサンプリング周期で量子化してＢＰＦバン
ク３に与える。なお、後述するフィルタ特性更新モード
において、入力音声データを格納するメモリを内蔵して
いる。

【００１８】ＢＰＦバンク３は、通過帯域（中心周波
数）が可変型のｎ個のＢＰＦ３１〜３ｎからなるチャネ
ル数がｎのものである。各ＢＰＦ３１、３２、…、３ｎ
の中心周波数は、通過帯域の無制御状態（デフォルト状
態）で、対数軸上で等間隔になるように選定されてい
る。各ＢＰＦ３１、３２、…、３ｎによって濾波され
た、入力音声の各周波数成分は特徴量抽出部４に与えら
れる。

【００１９】特徴量抽出部４は、各チャネルの濾波信号
に基づいて、入力音声信号の特徴パラメータパターン
（例えば２乗和）を生成するものであり、生成した特徴
パラメータパターンを照合演算部６に与える。

【００２０】標準パターンメモリ５には、リファレンス
用の標準特徴パラメータパターンが格納されており、格
納している標準特徴パラメータパターンを照合演算部６
に与える。この実施例の場合、標準パターンメモリ５に
格納されている標準特徴パラメータパターンは、従来の
不特定話者音声認識装置と同様に、多数の発声者の特徴
パラメータパターンの平均的なものである。

【００２１】照合演算部６は、特徴量抽出部４の出力で
ある特徴パラメータパターンと、標準パターンメモリ５
に格納されている標準特徴パラメータパターンとを、Ｄ
Ｐマッチング法等で照合して各チャネル毎の類似度を算
出し、その結果を制御部７に通知する。

【００２２】制御部７は、当該装置全体の制御を行なう
ものであり、外部から指示されたモード信号によって制
御内容を切り替える。ここで、制御モードとしては、音
声認識モードと、フィルタ特性更新モードとがある。音
声認識モードにおいては、制御部７は、照合演算部６か
ら与えられた照合結果情報に基づいて認識内容（単語や
音節等）を決定し、その認識内容を上位装置（例えば音
声認識ワードプロセッサであればワードプロセッサ処理
本体）に与える。また、フィルタ特性更新モードであれ
ば、制御部７が内蔵するフィルタ特性更新部７ａは、後
述するようなＢＰＦバンク３の各チャネルの中心周波数
の更新動作を行なう。

【００２３】図３は、上述したＢＰＦ３ｉ（ｉは１、
２、…、ｎ）の詳細構成例を示すものである。このＢＰ
Ｆ３ｉは、いわゆる漸化型ＩＩＲフィルタの直接型構成
法に従うものであり、複数（図示のものは４個）の単位
遅延素子Ｔ１〜Ｔ４と、単位遅延素子数より１だけ多い
可変係数乗算器Ｋ１〜Ｋ５（なお、乗算係数をｋ１〜ｋ
５とする）と、総和器Σとから構成されている。このＢ
ＰＦ３ｉの中心周波数や遮断周波数は乗算係数ｋ１〜ｋ
５によって定まり、上述したフィルタ特性更新部７ａ
は、これら乗算係数ｋ１〜ｋ５を変化させることでＢＰ
Ｆ３ｉの中心周波数や遮断周波数を変化させる。

【００２４】この実施例の場合、中心周波数の変化を特
に意図したものである。図４は、ある２個のチャネルに
ついて、フィルタ特性の変化を示したものであり、フィ
ルタ特性更新部７ａによる更新処理によって、フィルタ
特性は図４に示すように変化する。

【００２５】この実施例の場合、フィルタ特性更新部７
ａは、最小２乗法（ＬＭＳ法）に従って各ＢＰＦ３ｉの
フィルタ特性を更新する。すなわち、チャネルｉについ
ての照合演算部６の照合結果である類似度の２乗和が最
小となるように、ＢＰＦ３ｉのフィルタ特性を変更す
る。

【００２６】次に、利用者（話者）の操作手順及び当該
音声認識装置１０の処理手順を説明する。

【００２７】当該音声認識装置１０をこれから利用しよ
うとする話者は、図示しない操作入力手段を用いて、フ
ィルタ特性更新モードを指示する。このとき、制御部７
は、まず、各ＢＰＦ３１、３２、…、３ｎをデフォルト
状態にする。その後、制御部７は、標準パターンメモリ
５を所定の標準特徴パラメータパターンだけを出力させ
る状態に制御し、また、図示しない表示装置等によって
この標準特徴パラメータパターンに対応した音声を発す
ることを促す。

【００２８】これに応じて、話者が図示しないマイクロ
フォンに音声を発すると、前処理部１、アナログ／デジ
タル変換部２、デフォルト状態のＢＰＦバンク３、特徴
量抽出部４によって順次処理され、入力音声に応じた特
徴パラメータパターンが照合演算部６に与えられる。な
お、この際入力された音声情報は、アナログ／デジタル
変換部２に内蔵するメモリに格納される。

【００２９】このフィルタ特性更新モードにおいては、
照合演算部６は、入力音声に応じた特徴パラメータパタ
ーンを、上述した所定の標準特徴パラメータパターンと
だけ照合処理し、各チャネルの類似度を制御部７に与え
る。制御部７は、各チャネル毎に類似度の２乗和を求
め、内部に記憶する。

【００３０】次に、制御部７は、各ＢＰＦ３１、３２、
…、３ｎのフィルタ特性（中心周波数）を所定単位分だ
け変更させる。その後、アナログ／デジタル変換部２に
格納されていた入力音声情報をＢＰＦバンク３に出力さ
せる。このときも、入力音声は上述と同様にして処理さ
れ、更新されたフィルタ特性に係る各チャネルの類似度
に対する２乗和が制御部７に記憶される。

【００３１】このような各ＢＰＦ３１、３２、…、３ｎ
のフィルタ特性（中心周波数）を所定単位分だけ変更さ
せて行なう２乗和の獲得処理を繰返し行なう。各ＢＰＦ
３１、３２、…、３ｎのフィルタ特性の可変可能範囲の
全域に対してこのような処理を終了すると、格納してい
る２乗和が最小のフィルタ特性を各ＢＰＦ３１、３２、
…、３ｎを求める。

【００３２】そして、制御部７は各ＢＰＦ３１、３２、
…、３ｎのフィルタ特性をこの求めたフィルタ特性に固
定する。そして、制御部７は、例えば図示しない表示装
置によって、フィルタ特性の更新処理が終了したこと、
すなわち、認識させたい音声の入力を行なっても良いこ
とを報知する。また、標準パターンメモリ５を、任意の
標準特徴パラメータパターンが出力できる状態に戻す。

【００３３】この実施例の音声認識装置１０に対して、
認識させたい音声を入力する操作及びそれに対する音声
認識装置１０内の処理は、従来の不特定話者音声認識装
置と同様であるので、その説明は省略する。

【００３４】従って、上述した実施例によれば、この音
声認識装置１０を利用したい話者は、自己の音声につい
ての特徴パラメータパターンを登録する必要がなく、単
にフィルタ特性の更新操作を実行すれば良く、従来の特
定話者音声認識装置に比較して操作性が良好なものとな
る。登録に供する入力音声量（例えば単語数）は、フィ
ルタ特性の最適化に必要な入力音声量より格段的に多
い。

【００３５】また、このようなフィルタ特性の更新処理
によって、認識対象の話者が変更できるので、不特定話
者音声認識装置として利用できる。しかも、フィルタ特
性が話者毎に最適化されており、ＢＰＦを増加させるこ
となく従来の不特定話者音声認識装置より認識率を高く
することができる。

【００３６】以上のような効果が得られるにも拘らず、
新たな構成はフィルタ特性更新部７ａだけであり、ＢＰ
Ｆバンク３を利用した当該音声認識装置１０の構成の簡
単化を維持できる。

【００３７】なお、上記実施例においては、標準パター
ンメモリ５に対する登録が不要なものを示したが、標準
パターンメモリ５に対する登録を要する特定話者音声認
識装置に本発明を適用しても良い。特定話者が認識処理
を起動する前に、フィルタ特性の更新処理を起動した場
合には、登録時の特定話者の体調と現在の体調との相違
を、フィルタ特性の更新が補償して認識率を高めること
ができる。

【００３８】また、上記実施例においては、ＢＰＦ３ｉ
としていわゆる漸化型ＩＩＲフィルタの直接型構成法に
従うものを示したが、ＢＰＦ３ｉの具体的構成はこれに
限定されるものではない。

【００３９】さらに、上記実施例においては、フィルタ
特性の最適化を最小２乗法に従い実行するものを示した
が、他の方法（例えば学習同定法）によって最適化を行
なうようにしても良い。

【００４０】

【発明の効果】以上のように、本発明によれば、ＢＰＦ
バンクを構成するＢＰＦとして少なくとも中心周波数を
可変できるものを適用し、話者に応じて（人物の違い、
又は、同一人物の体調等の違いに応じて）ＢＰＦのフィ
ルタ特性を最適化して認識処理するようにしたので、話
者の変化に容易に応じられる、しかも、高い認識率が得
られる音声認識装置を実現できる。

【図面の簡単な説明】

【図１】実施例の全体構成を示すブロック図である。

【図２】従来のＢＰＦバンクの各チャネルの周波数間の
関係を示す特性図である。

【図３】上記実施例のＢＰＦの詳細構成例を示すブロッ
ク図である。

【図４】ＢＰＦのフィルタ特性の可変の様子を示す説明
図である。

【符号の説明】

３…ＢＰＦバンク（バンドパスフィルタバンク）、３１
〜３ｎ…ＢＰＦ（バンドパスフィルタ）、４…特徴量抽
出部、５…標準パターンメモリ、６…照合演算部、７…
制御部、７ａ…フィルタ特性更新部。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 入力音声の分析手段としてバンドパスフ
   ィルタバンクを用いている音声認識装置において、 上記バンドパスフィルタバンクの各バンドパスフィルタ
   として、少なくとも中心周波数を変化できるものを適用
   すると共に、 予め格納されている所定の特徴パラメータパターンと、
   この所定の特徴パラメータパターンに対応した入力音声
   から得られた特徴パラメータパターンとに基づいて、上
   記各バンドパスフィルタの中心周波数を最適化するフィ
   ルタ特性更新手段を設けたことを特徴とする音声認識装
   置。