JPH0546560B2 - - Google Patents

Description

【発明の詳細な説明】

産業上の利用分野 本発明は音声認識に使用するデータを作成する
音声認識データ作成方法に関する。 背景技術とその問題点 音声認識においては、特定話者に対する単語認
識によるものがすでに実用化されている。これは
認識対象とする全ての単語について特定話者にこ
れらを発音させ、バンドパスフイルタバンク等に
よりその音響パラメータを検出して記憶（登録）
しておく。そして特定話者が発声したときその音
響パラメータを検出し、登録された各単語の音響
パラメータと比較し、これらが一致したときその
単語であるとの認識を行う。 このような装置において、話者の発声の時間軸
が登録時と異なつている場合には、一定時間（５
〜20ｍsec）毎に抽出される音響パラメータの時
系列を伸縮して時間軸を整合させる。これによつ
て発声速度の変動に対処させるようにしている。 ところがこの装置の場合、認識対象とする全て
の単語についてその単語の全体の音響パラメータ
をあらかじめ登録格納しておかなければならず、
膨大な記憶容量と演算とを必要とする。このため
認識語い数に限界があつた。 これに対して音韻（日本語でいえばローマ字表
記したときのＡ，Ｉ，Ｕ，Ｅ，Ｏ，Ｋ，Ｓ，Ｔ
等）あるいは音節（KA，KI，KU等）単位での
認識を行うことが提案されている。しかしこの場
合に、母音等の準定常部を有する音韻の認識は容
易であつても、破裂音（Ｋ，Ｔ，Ｐ等）のように
音韻的特徴が非常に短いものを音響パラメータの
みで一つの音韻に特定することは極めて困難であ
る。 そこで従来は、各音節ごとに離散的に発音され
た音声を登録し、離散的に発声された音声を単語
認識と同様に時間軸整合させて認識を行つてお
り、特殊な発声を行うために限定された用途でし
か利用できなかつた。 さらに不特定話者を認識対象とした場合には、
音響パラメータに個人差による大きな分散があ
り、上述のように時間軸の整合だけでは認識を行
うことができない。そこで例えば一つの単語につ
いて複数の音響パラメータを登録して近似の音響
パラメータを認識する方法や、単語全体を固定次
元のパラメータに変換し、識別函数によつて判別
する方法が提案されているが、いずれも膨大な記
憶容量を必要としたり、演算量が多く、認識語い
数が極めて少なくなつてしまう。 ところで音韻の発声現象を観察すると、母音や
摩擦音（Ｓ，Ｈ等）の音韻は長く伸ばして発声す
ることができる。例えば“はい”という発声を考
えた場合に、この音韻は第１図Ａに示すように、
「無音→Ｈ→Ａ→Ｉ→無音」に変化する。これに
対して同じ“はい”の発声を第１図Ｂのように行
うこともできる。ここでＨ，Ａ，Ｉの準定常部の
長さは発声ごとに変化し、これによつて時間軸の
変動を生じる。ところがこの場合に、各音韻間の
過渡部（斜線で示す）は比較的時間軸の変動が少
いことが判明した。 この為、この音韻間の過渡部に着目して不特定
話者に対しても良好に音声認識を行えるようにし
た第２図乃至第５図に示す如き音声認識装置が提
案されている。以下、この第２図乃至第５図に示
す音声認識装置について説明する。 第２図において、１は音響分析部を示し、この
音響分析部１は音声信号を音響パラメータ時系列
に変換するものである。マイクロフオン２に供給
された音声信号がマイクアンプ３、5.5kHz以下の
ローパスフイルタ４を通じてAD変換回路５に供
給される。またクロツク発生器６からの12.5kHz
（80μsec間隔）のサンプリングクロツクがAD変
換回路５に供給され、このタイミングで音声信号
がそれぞれ所定ビツト数（＝１ワード）のデジタ
ル信号に変換される。この変換された音声信号が
５×64ワードのレジスタ７に供給される。またク
ロツク発生器６からの5.12ｍsec間隔のフレーム
クロツクが５進カウンタ８に供給され、このカウ
ント値がレジスタ７に供給されて音声信号が64ワ
ードずつシフトされ、シフトされた４×64ワード
の信号がレジスタ７から取り出される。 このレジスタ７から取り出された４×64＝256
ワードの信号が高速フーリエ変換（FFT）回路
９に供給される。ここでこのFFT回路９におい
て、例えばＴの時間長に含まれるn_f個のサンプリ
ングデータによつて表される波形函数を Un_fT_(t) ……(1) としたとき、これをフーリエ変換して、 〓n_fＴ(f)＝∫Ｔ／２ −Ｔ／２Un_fＴ(f)e^-2〓^jftdt ≡U₁n_fＴ(f)＋jU₂n_fＴ(f) ……(2) の信号が得られる。 さらにこのFFT回路９からの信号がパワーペ
クトルの検出回路１０に供給され、 ｜〓２｜＝U₁n_fＴ(f)²＋U₂n_fＴ(f)² ……(3) のパワースペクトル信号が取り出される。ここで
フーリエ変換された信号は周波数軸上で対称にな
つているので、フーリエ変換によつて取り出され
るn_f個のデータの半分は冗長データである。そこ
で半分のデータを排除して1/2n_f個のデータが取
り出される。すなわち上述のFFT回路９に供給
された256ワードの信号が変換されて128ワードの
パワースペクトル信号が取り出される。 このパワースペクトル信号がエンフアシス回路
１１に供給されて聴感上の補正を行うための重み
付けが行われる。ここで重み付けとしては、例え
ば周波数の高域成分を増強する補正が行われる。 この様にして音声分析部１において、音声信号
の音響パラメータ時系列として重み付けされたパ
ワースペクトル信号が得られる。そして、この音
声分析部１からの重み付けされたパワースペクト
ル信号が過渡パラメータ抽出部１２及び過渡点検
出部１３に夫々供給される。この過渡パラメータ
抽出部１２は音声分析部１からの音声信号の音響
パラメータ時系列から音声信号の音韻的特徴を保
持した低次の過渡点パラメータを抽出するもので
あり、また過渡点検出部１３は音声分析部１から
の音声信号の音響パラメータ時系列から音声信号
の過渡点を検出して過渡点検出信号を発生するも
のであり、この過渡点検出部１３からの過渡点検
出信号が過渡パラメータ抽出部１２に供給され、
過渡パラメータ抽出部１２において過渡点におけ
る音声信号の音韻的特徴を保持した低次の過渡点
パラメータが抽出される。 以下、これら過渡パラメータ抽出部１２及び過
渡点検出部１３について説明する。 音声分析部１のエンフアシス回路１１からの重
み付けされたパワースペクトル信号が帯域分割回
路１４に供給され、聴感特性に合わせて周波数メ
ルスケールに応じて例えば32の帯域に分割され
る。ここでパワースペクトルの分割点と異なる場
合にはその信号が各帯域に按分されてそれぞれの
帯域の信号の量に応じた信号が取り出される。 これによつて上述の128ワードのパワースペク
トル信号が、音響的特徴を保持したまま32ワード
に圧縮される。 この信号が対数回路１５に供給され、各信号の
対数値に変換される。これによつて上述のエンフ
アシス回路１１での重み付け等による冗長度が排
除される。ここでこの対数パワースペクトル log｜U²n_fＴ(f)｜ ……(4) をスペクトルパラメータx_(i)（ｉ＝０，１…31）と
称する。 このスペクトルパラメータx_(i)が離散的フーリ
エ変換（DFT）回路１６に供給される。ここで
このDFT回路１６において、例えば分割された
帯域の数をＭとすると、このＭ次元スペクトルパ
ラメータx_(i)（ｉ＝０，１…Ｍ−１）を2M−１点
の実数対称パラメータとみなして2M−２点の
DFTを行う。従つて X_(n)＝_2M-3 〓ⁱ⁼⁰ x_(i)・W^mi _2M-2 ……(5) 但し、

【式】 となる。さらにこのDFTを行う函数は偶函数と
みなされるため W^mi _2M-2＝cos（２〓・ｉ・ｍ／2M−２） ＝cos〓・ｉ・ｍ／Ｍ−１ となり、これらより X_(n)＝_2M-3 〓ⁱ⁼⁰ x_(i)cos〓・ｉ・ｍ／Ｍ−１ ……(6) となる。このDFTによりスペクトルの包絡特性
を表現する音響パラメータが抽出される。 このようにしてDFTされたスペクトルパラメ
ータx_(i)について、低次元で各音韻の変化例えば
Ｈ→Ａ，Ａ→Ｉ等間を分離性の良いパラメータに
圧縮するための周波数軸方向における32ワードか
らなる信号からDFTにより０〜Ｐ−１（例えばＰ
＝８）次までの低次成分であるＰ次元の値が取り
出され、これをローカルパラメータL_(p)（ｐ＝０，
１…Ｐ−１）とすると L_(p)＝_2M-3 〓ⁱ⁼⁰ x_(i)cos〓・ｉ・ｐ／Ｍ−１ ……(7) となり、ここでスペクトルパラメータが対称であ
ることを考慮して x_(i)＝ｘ（2M−ｉ−２） ……(8) とおくと、ローカルパラメータL_(p)は L_(p)＝x_(p)＋_M-2 〓ⁱ⁼¹ x_(i)｛cos〓・ｉ・ｐ／Ｍ−１ ＋cos〓・（2M−ｉ−２）・ｐ／Ｍ−１｝ ＋x_(M-1)cos〓・ｐ／Ｍ−１ ……(9) 但し、ｐ＝０，１…Ｐ−１ となされる。このようにして周波数軸方向におけ
る32ワードの信号がＰ（例えば８）ワードに圧縮
される。 このローカルパラメータL_(p)がメモリ装置１７
に供給される。このメモリ装置１７は１行Ｐワー
ドの記憶部が例えば16行マトリクス状に配された
もので、ローカルパラメータL_(p)が各次元ごとに
順次記憶されると共に、上述のクロツク発生器６
からの5.12ｍsec間隔のフレームクロツクが供給
されて、各行のパラメータが順次横方向へシフト
される。これによつてメモリ装置１７には5.12ｍ
sec間隔のＰ次元のローカルパラメータL_(p)が16フ
レーム（81.92ｍsec）分記憶され、フレームクロ
ツクごとに順次新しいパラメータに更新される。 一方、音声分析部１のエンフアシス回路１１か
らの重み付けされた信号が過渡点検出部１３の帯
域分割回路１８に供給され、上述と同様にメルス
ケールに応じてＮ（例えば20）の帯域に分割され、
それぞれの帯域の信号の量に応じた信号V_(o)（ｎ
＝０，１…Ｎ−１）が取り出される。この信号が
バイアス付き対数回路１９に供給されて v′_(o)＝log（V_(o)＋Ｂ） ……(10) が形成される。また信号V_(o)が累算回路２０に供
給されて V_a＝₂₀ 〓ⁿ⁼¹ V_(o)／20 が形成され、この信号V_aが対数回路１９に供給
されて v′_a＝log（V_a＋Ｂ） ……(11) が形成される。そしてこれらの信号が演算回路２
１に供給されて v_(o)＝v′_a−v′_(o) ……(12) が形成される。 ここで上述のような信号v_(o)を用いることによ
り、この信号は音韻から音韻への変化に対して各
次（ｎ＝０，１…Ｎ−１）の変化が同程度とな
り、音韻の種類による変化量のばらつきを回避で
きる。また対数をとり演算を行つて正規化パラメ
ータv_(o)を形成したことにより、入力音声のレベ
ルの変化によるパラメータv_(o)の変動が排除され
る。さらにバイアスＢを加算して演算を行つたこ
とにより、仮にＢ→∞とするとパラメータv_(o)→
０となることから明かなように、入力音声の微少
成分（ノイズ等）に対する感度を下げることがで
きる。 このパラメータv_(o)がメモリ装置２２に供給さ
れて2w＋１（例えば９）フレーム分が記憶され
る。この記憶された信号が演算回路２３に供給さ
れて Y_o,t＝ min^I ∈^GFN｛υ_(o)(I)｝ ……(13) 但し、GF_N＝｛Ｉ；−ｗ＋ｔ≦Ｉ≦ｗ＋ｔ｝ が形成され、この信号とパラメータv_(o)が演算回
路２４に供給されて T(t)＝_N-1 〓^N=0 _w 〓^I=-w （v_(o)（Ｉ＋ｔ）−Y_o,t） ……(14) が形成される。このT_(t)が過渡点検出パラメータ
であつて、このＴ（ｔ）がピーク判別回路２５に
供給されて、入力音声信号の音韻の過渡点が検出
される。 ここでパラメータT_(t)が、フレームｔを挟んで
前後ｗフレームずつで定義されているので、不要
な凹凸や多極を生じるおそれがない。なお第３図
は例えば“ゼロ”とい発声を、サンプリング周波
数12.5kHz、12ビツトデジタルデータとし、5.12
ｍsecフレーム周期で256点のFFTを行い、帯域
数Ｎ＝20、バイアスＢ＝０、検出フレーム数2w
＋１＝９で上述の検出を行つた場合を示してい
る。図中Ａは音声波形、Ｂは音韻、Ｃは検出信号
であつて、「無音→Ｚ」「Ｚ→Ｅ」「Ｅ→Ｒ」「Ｒ→
Ｏ」「Ｏ→無音」の各過渡部で顕著なピークを発
生する。ここで無音部にノイズによる多少の凹凸
が形成されるがこれはバイアスＢを大きくするこ
とにより破線図示のように略０になる。 この過渡点検出信号T_(t)が過渡パラメータ抽出
部１２のメモリ装置１７に供給され、この検出信
号のタイミングに相当するローカルパラメータ
L_(p)が８番目の行にシフトされた時点でメモリ装
置１７の読み出しが行われる。ここでメモリ装置
１７の読み出しは、各次元Ｐごとに16フレーム分
の信号が横方向に読み出される。そして読み出さ
れた信号がDFT回路２６に供給される。 このDFT回路２６において上述と同様にDFT
が行われ、音響パラメータ時系列の時間的変化の
包絡特性が抽出される。このDFTされた信号の
内から０〜Ｑ−１（例えばＱ＝３）次までのＱ次
元の値を取り出す。このDFTを各次元Ｐごとに
行い、全体でＰ×Ｑ（＝24）ワードの過渡点パラ
メータK_(p,q)（ｐ＝０，１…Ｐ−１）（ｑ＝０，１
…Ｑ−１）が形成される。K_(0,0)は音声波形のパ
ワーを表現しているのでパワー正規化のためｐ＝
０のときにｑ＝１〜Ｑとしてもよい。 すなわち第４図において、Ａのような入力音声
信号（HAI）に対してＢのような過渡点が検出
されている場合に、この信号の全体のパワースペ
クトルはＣのようになつている。そして例えば
「Ｈ→Ａ」の過渡点のパワースペクトルがＤのよ
うであつたとすると、この信号がエンフアシスさ
れてＥのようになり、メルスケールで圧縮されて
Ｆのようになる。この信号がDFTされてＧのよ
うになり、Ｈのように前後の16フレーム分がマト
リクスされ、この信号が順次時間軸ｔ方向に
DFTされて例えば24（＝８×３）の過渡点パラメ
ータK_(p,q)が形成される。 この様にして得られた過渡パラメータ抽出部１
２からの過渡点パラメータK_(p,q)が音声判定部２
７に供給され、この音声判定部２７において音声
信号の認識判定がなされる。以下、この音声判定
部２７について説明する。 過渡パラメータ抽出部１２のDFT回路２６か
らの過渡点パラメータK_(p,q)が音声判定部２７の
マハラノビス距離算出回路２８に供給されると共
に、メモリ装置２９からのクラスタ係数がマハラ
ノビス距離算出回路２８に供給されて各クラスタ
係数とのマハラノビス距離が算出される。ここで
クラスタ係数は複数の話者の発音から上述と同様
に過渡点パラメータを抽出し、これを音韻の内容
に応じて分類し統計解析して得られたものであ
る。 そしてこの算出されたマハラノビス距離が判定
回路３０に供給され、検出された過渡点が、何の
音韻から何の音韻への過渡点であるかが判定さ
れ、出力端子３１に取り出される。 すなわち例えば“はい”“いいえ”“０（ゼロ）”
〜“９（キユウ）”の12単語について、あらかじめ
多数（百人以上）の話者の音声を前述の装置に供
給し、過渡点を検出し過渡点パラメータを抽出す
る。この過渡点パラメータを例えば第５図に示す
ようなテーブルに分類し、この分類（クラスタ）
ごとに統計解析する。図中＊は無音を示す。 これらの過渡点パラメータについて、任意のサ
ンプルをＲ(a) ｒ，ｎ（ｒ＝１，２…24）（ａはクラ
スタ指標で例えばａ＝１は＊→Ｈ，ａ＝２はＨ→
Ａに対応する。ｎは話者番号）として、共分散マ
トリクス Ａ(a) ｒ，ｓ≡Ｅ（Ｒ(a) ｒ，ｎ−_r ^(a)）（Ｒ(a) ｓ，ｎ−_s ^(a)） ……(16) 但し、_s ^(a)＝Ｅ（Ｒ(a) ｒ，ｎ） Ｅはアンサンブル平均 を計算し、この逆マトリクス Ｂ(a) ｒ，ｓ＝（Ａ(a) ｔ，ｕ）^-1 _r,s ……(17) を求める。 ここで任意の過渡点パラメータK_rとクラスタ
ａとの距離が、マハラノビスの距離 Ｄ（K_r,ａ）_d ≡ 〓^r 〓^s （K_r−Ｒ_r ^(a)）・Ｂ(a) ｒ，ｓ・（K_r−_s ^(a)） ……(18) で求められる。 従つて、メモリ装置２９に上述のＢ(a) ｒ，ｓ及び
R_r ^(a)を求めて記憶しておくことにより、マハラノ
ビス距離算出回路２８にて入力音声の過渡点パラ
メータとのマハラノビス距離が算出される。 これによつてマハラノビス距離算出回路２８か
ら入力音声の過渡点ごとに各クラスタとの最小距
離と過渡点の順位が取り出される。これらが判定
回路３０に供給され、入力音声が無声になつた時
点において認識判定を行う。例えば各単語ごと
に、各過渡点パラメータとクラスタとの最小距離
の平方根の平均値による単語距離を求める。なお
過渡点の一部脱落を考慮して各単語は脱落を想定
した複数のタイプについて単語距離を求める。た
だし過渡点の順位関係がテーブルと異なつている
ものはリジエクトする。そしてこの単語距離が最
小になる単語を認識判定する。 こうして音声認識が行われるわけであるが、斯
かる構成よりなる音声認識装置によれば音声の過
渡点の音韻の変化を検出しているので、時間軸の
変動がなく、不特定話者についても良好な認識を
行うことができる。 また過渡点において上述のようなパラメータの
抽出を行つたことにより、一つの過渡点を例えば
24次元で認識することができ、認識を極めて容易
かつ正確に行うことができる。 ところで、この様にしてなる音声認識装置のメ
モリ装置２９に記憶しておく音声認識データを作
成するには、音声分析部１、過渡点検出部１３及
び過渡パラメータ抽出部１２により音韻間の過渡
点における過渡点パラメータを抽出し、これを音
韻の内容に応じて分類し統計解析してクラスタ係
数を得るのであるが、この場合過渡点検出信号
（波形）とパラメータとをテイスプレイし視察に
より観測して対応づけを行つている為ばらつきが
大きく、又例えば「KA」という音節に対して過
渡点検出信号が第６図Ａに示す如く音韻間で１
つ、全体で３つのピークを生じるべきところが、
同図Ｂに示す如く４つのピークを生じたり、同図
Ｃに示す如く２つのピークしか得られなかつたり
同図Ｄに示す如くピークは３つあるけれども１箇
所の音韻間に２つと偏つていたりして、判断等に
手数がかかる等の不都合があつた。又、これを自
動化しようとすると不要な組み合わせに対する演
算を必要としたりしてかなり演算時間がかかつて
しまうという不都合があつた。 発明の目的 本発明は斯かる点に鑑み演算時間の短縮及び信
頼性向上を計ろうとするものである。 発明の概要 本発明の音声認識データ作成方法は、音声信号
より音響パラメータ時系列を得、該音響パラメー
タ時系列から過渡点検出信号を検出し、該過渡点
検出信号のピーク位置と強度とより過渡部の種類
を識別するようにしたことを特徴とするものであ
る。 実施例 以下、第７図乃至第９図を参照しながら本発明
音声認識データ作成方法の一実施例について説明
しよう。この第７図乃至第９図において第１図乃
至第６図と対応する部分に同一符号を付してその
詳細な説明は省略する。 本例においては過渡点検出部１３のピーク判別
回路２５からの過渡点検出信号T_(t)をプリクラス
タリング回路３２に供給する。このプリクラスタ
リング回路３２は過渡点検出信号T_(t)のピーク値
とそれに対応するフレーム番号とより本来あるべ
き過渡点検出信号T_(t)のピーク位置を判別し検出
して過渡点検出信号及びクラスタリング信号を形
成する。ここでこのプリクラスタリング回路３２
について更に説明する。 まず、音声信号が「Ａ」「Ｉ」「Ｕ」「Ｅ」「Ｏ」
「Ｎ」の母音又はＮの音韻である場合、第８図に
示すフローチヤートの如く、ブロツク８ａにて本
来あるべき過渡点の数２が変数ｉに設定され、ブ
ロツク８ｂにて過渡点検出信号T_(t)のピーク点の
個数N_pが２以上であるかどうかが判別され、２
以上でない場合は本来あるべき過渡点に対応する
ピーク点が不足していることが検出され、ブロツ
ク８ｃにてパラメータの分類（クラスタリング）
ができない処理がなされる。又、ピーク点の個数
N_pが２以上である場合は、過渡点検出信号T_(t)の
ピーク点をピーク値の大きさの降順に並べた時の
１番大きなピーク値のフレーム番号（以下、降順
ｉ（この場合は１）番目のフレーム番号という。）
と降順２番目のフレーム番号との差の絶対値が所
定数ａフレーム以下であるかどうかによりピーク
点とピーク点との間隔がａフレーム以下すなわち
１箇所の音韻間にこれらのピーク点が位置するか
どうかが判別され、ａフレーム以下である（位置
する）場合ブロツク８ｅにて変数ｉに「１」が加
えられ、再びブロツク８ｂ及び８ｄにて上述の処
理がなされる。又、ａ以下でない（１箇所の音韻
間にこれらのピーク点が位置しない）場合ブロツ
ク８ｆにて降順１番目のフレーム番号が降順３番
目のフレーム番号より小さいかどうかが判別さ
れ、小さい場合にはブロツク８ｇにて降順１番目
のフレームが「＊→母音（又はＮ）」に対応し、
降順３番目のフレームが「母音（又はＮ）→＊」
に対応することを示す過渡点検出信号及びクラス
タリング信号が形成される。又小さくない場合に
はこれとは逆にブロツク８ｈにて降順３番目のフ
レームが「＊→母音（又はＮ）」に対応し、降順
１番目のフレームが「母音（又はＮ）→＊」に対
応することを示す過渡点検出信号及びクラスタリ
ング信号が形成される。 次に、音声信号が「Ｋ」「Ｔ」「Ｈ」「Ｐ」と母
音との組み合わせされた音節である場合、第９図
に示すフローチヤートの如く、ブロツク９ａにて
ピーク点の個数N_pが本来あるべき音韻間の数３
以上あるかどうかが判別され、３以上ない場合更
にブロツク９ｂにて２番目のピーク点のフレーム
番号から１番目のピーク点のフレーム番号を引い
たフレーム数が所定数a₁フレーム以上大きいかど
うかにより、１番目及び３番目のピーク点が１箇
所の音韻間に位置していないかどうかが判別さ
れ、a₁フレーム以上大きい（音韻間毎にピーク点
が位置している）とき、「＊→子音」に対応する
ピーク点はなく、１番目のピーク点のフレームが
「子音→母音」に対応し、２番目のピーク点のフ
レームが「母音→＊」に対応することを示す過渡
点検出信号及びクラスタリング信号が形成され
る。又、a₁フレーム以上大きくない（１箇所の音
韻間にピーク点が偏つて位置している）とき、ブ
ロツク９ｄにてパラメータの分類ができない処理
がなされる。 そして、ブロツク９ａにてピーク点の個数N_p
が３以上あることが判別された過渡点検出信号
T_(t)がブロツク９ｅにて１番目のピーク点のピー
ク値が相対的に２番目のピーク点のピーク値より
も所定値a₂以上大きく且つ絶対的に所定値a₃以上
大きいかどうかが判別され、これを満たすときブ
ロツク９ｆにて変数ｉに値２が設定され、ブロツ
ク９ｇにて変数ｉ（＝２）がピーク点の個数N_p以
下であるかどうか判別され、N_p以下である場合
ブロツク９ｈにて降順１番目のフレーム番号と降
順ｉ（この場合２）番目のフレーム番号との差の
絶対値が所定値a₄以下であるかどうかにより、ピ
ーク点とピーク点との間隔がa₄フレーム以下即ち
１箇所の音韻間にこれらのピーク点が位置するか
が判別され、a₄フレーム以下である（位置する）
場合変数ｉに「１」が加えられ、再びブロツク９
ｇ及び９ｈにて上述の処理がなされ、ブロツク９
ｇにて変数ｉがピーク点の個数N_pを越えたこと
が検出されるとブロツク９ｊにてパラメータの分
類ができない処理がなされる。又、ブロツク９ｈ
にてa₄フレーム以下でない（降順１番目及び３番
目のフレームが１箇所の音韻間に位置してない）
場合、ブロツク９ｋにて降順１番目のフレーム番
号が降順３番目のフレーム番号より小さいかどう
かが判別され、小さい場合にはブロツク９ｌにて
「＊→子音」に対応するピーク点はなく降順１番
目のフレームが「子音→母音」に対応し、降順３
番目のフレームが「母音→＊」に対応することを
示す過渡点検出信号及びクラスタリング信号が形
成される。又、ブロツク９ｋにて小さくない場合
はこれとは逆にブロツク９ｍにて「＊→子音」に
対応するピーク点はなく、降順３番目のフレーム
が「子音→母音」に対応し、降順１番目のフレー
ムが「母音→＊」に対応することを示す過渡点検
出信号及びクラスタリング信号が形成される。 そして又、ブロツク９ｅにて条件が満たされな
い場合ブロツク９ｎにて降順１番目のフレーム番
号と１番目のピーク点のフレーム番号とが等しく
ないかどうかにより、１番目のピーク点が１番大
きなピーク値をとらないかどうかが判別され、と
らない場合ブロツク９ｏおて変数ｉに値２が設定
され、ブロツク９ｐにてピーク点の個数N_pが２
以上であるかどうかが判別され、N_pが２以上で
ある場合ブロツク９ｑにて降順ｉ（この場合２）
番目のフレーム番号が１番目のピーク点のフレー
ム番号に等しくないかどうかにより降順ｉ番目の
フレームが１番目のピーク点のフレームでないか
どうかが判別され、等しくない場合ブロツク９ｒ
にて変数ｉに「１」が加えられ、再びブロツク９
ｐ及び９ｑにて上述の処理がなされ、ブロツク９
ｐにて変数ｉがN_p以下でない場合ブロツク９ｓ
にてパラメータの分類ができない処理がなされ
る。又、ブロツク９ｑにて等しくない場合ブロツ
ク９ｔにて降順１番目のフレーム番号と降順ｉ
（例えば４）番目のフレーム番号との差の絶対値
が所定数a₅フレーム以下であるかどうかによりピ
ーク点とピーク点との間隔a₅フレーム以下即ち１
箇所の音韻間にこれらのピーク点が位置するかど
うかが判別され、a₅フレーム以下である（位置す
る）場合ブロツク９ｒにて変数ｉに「１」が加え
られ再びブロツク９ｐ，９ｑ及び９ｔにて上述の
処理がなされ、ブロツク９ｔにてa₅フレーム以下
でない場合ブロツク９ｕにて降順１番目のフレー
ム番号が降順ｉ（例えば５）番目のフレーム番号
より小さいかどうかが判別され、小さい場合には
ブロツク９ｖにて１番目のピーク点のフレームが
「＊→子音」に対応し、降順１番目のフレームが
「子音→母音」に対応し、降順５番目のフレーム
が「母音→＊」に対応することを示す過渡点検出
信号及びクラスタリング信号が形成される。又、
ブロツク９ｕにて小さい場合、ブロツク９ｗにて
１番目のピーク点のフレームが「＊→子音」に対
応し、降順５番目のフレームが「子音→母音」に
対応し、降順１番目のフレームが「母音→＊」に
対応することを示す過渡点検出信号及びクラスタ
リング信号が形成される。 そして更に、ブロツク９ｎにて条件が満たされ
ない場合ブロツク９ｘにて変数ｉに値３が設定さ
れブロツク９ｙにてピーク点の個数N_pが変数ｉ
以上であるかどうか判別され、ｉ以上である場合
ブロツク９ｚにて降順２番目のフレーム番号と降
順ｉ（この場合３）番目のフレーム番号との差の
絶対値が所定数a₆フレーム以下であるかどうかに
よりピーク点とピーク点との間隔がa₆フレーム以
下即ち１箇所の音韻間にこれらのピーク点が位置
するかどうかが判別され、a₆フレーム以下である
（位置する）場合ブロツク９αにて変数ｉに１が
加えられ、再びブロツク９ｙ及び９ｚにて上述の
処理がなされ、ブロツク９ｙにて変数ｉがN_p以
下でない場合ブロツク９βにてパラメータの分類
ができない処理がなされる。又、ブロツク９ｚに
てa₆フレーム以下でない場合ブロツク９γにて降
順２番目のフレーム番号が降順ｉ（例えば５）番
目のフレーム番号より小さいかどうかが判別さ
れ、小さい場合にはブロツク９δにて１番目のピ
ーク点のフレームが「＊→子音」に対応し、降順
２番目のフレームが「子音→母音」に対応し、降
順５番目のフレームが「母音→＊」に対応するこ
とを示す過渡点検出信号及びクラスタリング信号
が形成される。又、ブロツク９γにて小さくない
場合、ブロツク９εにて１番目のピーク点のフレ
ームが「＊→子音」に対応し、降順５番目のフレ
ームが「子音→母音」に対応し、降順２番目のフ
レームが「母音→＊」に対応することを示す過渡
点検出信号及びクラスタリング信号が形成され
る。 このプリクラスタリング回路３２からの過渡点
検出信号を過渡パラメータ抽出部１２のメモリ装
置１７に供給する。又、過渡パラメータ抽出部１
２のDFT回路２６からの過渡点パラメータK_(p,q)
をデータ集積部３３のメモリ装置３４に供給す
る。一方、プリクラスタリング回路３２からのク
ラスタリング信号をメモリ装置３４のアドレスを
指定するメモリ制御回路３５に供給し、このメモ
リ制御回路３５からの制御信号をメモリ装置３４
に供給する。この場合、メモリ制御回路３５はク
ラスタリング信号に応じて第５図に示すようなテ
ーブルに応じて過渡点パラメータが分類されるよ
うにメモリ装置３４のアドレスを指定する。その
他音声分析部１、過渡パラメータ抽出部１２及び
過渡点検出部１３は第２図に示すものと同様に構
成する。 斯かる構成によれば、音声分析部１にて音声信
号が音響パラメータ時系列に変換され、過渡点検
出部１３にてこの音響パラメータ時系列が処理さ
れピーク判別回路２５からの過渡点検出信号T_(t)
が得られこの過渡点検出信号T_(t)がプリクラスタ
リング回路３２により処理され、過渡点検出信号
T_(t)のピーク値とそれに対応するフレーム番号と
より本来あるべき過渡点検出信号及びクラスタリ
ング信号が形成される。そして、このプリクラス
タリング回路３２からの過渡点検出信号が過渡パ
ラメータ抽出部１２に供給され、この過渡パラメ
ータ抽出部１２において音響パラメータ時系列か
ら音韻間の過渡点における過渡点パラメータ
K_(p,q)が抽出され、この過渡点パラメータK_(p,q)が
データ集積部３３のメモリ装置３４に順次記憶さ
れる。このとき、プリクラスタリング回路３２か
らのクラスタリング信号に応じてメモリ制御回路
３５がメモリ装置３４のアドレスを指定し、メモ
リ装置３４に記憶される過渡点パラメータK_(p,q)
が無音及び音韻に応じて分類される。 以上述べた如く本例によれば、音声信号より音
響パラメータ時系列を得、この音響パラメータ時
系列から過渡点検出信号を得て、この過渡点検出
信号のピーク値とそれに対応するフレーム番号と
より無音及び音韻を分類するようにした為、音声
認識データを作成するのに、過渡点検出信号T_(t)
と過渡点パラメータとを自動で音韻の内容に応じ
て分類できるので、視察で行なう場合に比べて信
頼性の向上が計れると共に、演算時間の短縮を計
ることができる。 尚、本発明は上述の母音及び子音に限らずその
他の子音及びこの子音と母音との組み合わされた
音節に対しても本発明の要旨を逸脱することなく
その他種々の構成を取ることは勿論である。 発明の効果 本発明音声認識データ作成方法によれば、音声
信号より音響パラメータ時系列を得、この音響パ
ラメータ時系列のピーク位置と強度とより無音及
び音韻を分類するようにした為、信頼性向上及び
演算時間の短縮を計ることができる。

【図面の簡単な説明】

第１図、第３図、第４図、第５図及び第６図は
音声認識装置の例の説明に供する線図、第２図は
音声認識装置の例を示す構成図、第７図は本発明
音声認識データ作成方法の一実施例を示す構成
図、第８図及び第９図は夫々第７図の説明に供す
る線図である。 １は音声分析部、１２は過渡パラメータ抽出
部、１３は過渡点検出部、３２はプリクラスタリ
ング回路、３３はデータ集積部、３４はメモリ装
置、３５はメモリ制御回路がある。

Claims (1)

【特許請求の範囲】
1. １ 音声信号より音響パラメータ時系列を得、該
   音響パラメータ時系列から過渡点検出信号を検出
   し、該過渡点検出信号のピーク位置と強度とより
   過渡部の種類を識別するようにしたことを特徴と
   する音声認識データ作成方法。