JPH0552515B2 - - Google Patents
Info
- Publication number
- JPH0552515B2 JPH0552515B2 JP19209483A JP19209483A JPH0552515B2 JP H0552515 B2 JPH0552515 B2 JP H0552515B2 JP 19209483 A JP19209483 A JP 19209483A JP 19209483 A JP19209483 A JP 19209483A JP H0552515 B2 JPH0552515 B2 JP H0552515B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- supplied
- signal
- circuit
- transition point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 230000007704 transition Effects 0.000 claims description 26
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Description
【発明の詳細な説明】
産業上の利用分野
本発明は不特定話者を対象とした音声認識装置
に関する。
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。
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。
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を必要とする。このため認
識語い数に限界があつた。
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文表
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。
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。
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
数が極めて少くなつてしまう。
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）等の音韻は長く伸して発声す
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。
摩擦音（Ｓ，Ｈ等）等の音韻は長く伸して発声す
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。
そこで本願発明者は先にこの点に着目して以下
のような装置を提案した。
のような装置を提案した。
第２図において、マイクロフオン１に供給され
た音声信号がマイクアンプ２、5.5kHz以下のロー
パスフイルタ３を通じてAD変換回路４に供給さ
れる。またクロツク発生器５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４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。
た音声信号がマイクアンプ２、5.5kHz以下のロー
パスフイルタ３を通じてAD変換回路４に供給さ
れる。またクロツク発生器５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４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。
このデジタル信号が、周波数分析用のバンドパ
スフイルタ６1，６2……６30に供給され、人間の
聴覚特性に合せた周波数メルスケールに応じて例
えば30の帯域に分割される。この分割された各帯
域の信号がエンフアシス回路７1，７2……７30に
供給され、人間の聴覚特性に合せた高域増強が行
われる。この信号が絶対値回路８1，８2……８30
に供給されて一極性とされ、平均値回路９1，９2
……９30に供給されて信号の包絡線が取り出され
る。
スフイルタ６1，６2……６30に供給され、人間の
聴覚特性に合せた周波数メルスケールに応じて例
えば30の帯域に分割される。この分割された各帯
域の信号がエンフアシス回路７1，７2……７30に
供給され、人間の聴覚特性に合せた高域増強が行
われる。この信号が絶対値回路８1，８2……８30
に供給されて一極性とされ、平均値回路９1，９2
……９30に供給されて信号の包絡線が取り出され
る。
この信号が対数回路１０1，１０2……１０30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７1，７2……７30
での重み付け等による冗長度が排除される。ここ
で、例えばＴの時間長に含まれるnf個のサンプリ
ングデータによつて表される波形函数を UnfT(t) ……(1) としたとき、これを周波数分析して、対数を取つ
た対数パワースペクトル log｜U2nfT(f)｜ ……(2) をスペクトルパラメータx(i)（ｉ＝０，１……29）
と称する。
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７1，７2……７30
での重み付け等による冗長度が排除される。ここ
で、例えばＴの時間長に含まれるnf個のサンプリ
ングデータによつて表される波形函数を UnfT(t) ……(1) としたとき、これを周波数分析して、対数を取つ
た対数パワースペクトル log｜U2nfT(f)｜ ……(2) をスペクトルパラメータx(i)（ｉ＝０，１……29）
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１１に供給される。ここで
このDFT回路１１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)Wmi 2M-2 ……(3) 但しWmi 2M-2＝ｅ−ｊ（2π・ｉ・ｍ／2M−２） ｍ＝０，１，……2M−３ 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 Wmi 2M-2＝cos2π・ｉ・ｍ／2M−２ ＝cosπ・ｉ・ｍ／Ｍ−１ となり、これらより X(n)＝2M-3 〓i=0 x(i) cosπ・ｉ・ｍ／Ｍ−１ ……(4) 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。
エ変換（DFT）回路１１に供給される。ここで
このDFT回路１１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)Wmi 2M-2 ……(3) 但しWmi 2M-2＝ｅ−ｊ（2π・ｉ・ｍ／2M−２） ｍ＝０，１，……2M−３ 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 Wmi 2M-2＝cos2π・ｉ・ｍ／2M−２ ＝cosπ・ｉ・ｍ／Ｍ−１ となり、これらより X(n)＝2M-3 〓i=0 x(i) cosπ・ｉ・ｍ／Ｍ−１ ……(4) 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されたスペクトラムパラ
メータx(i)について、０〜Ｐ−１（例えばＰ＝８）
次までのＰ次元の値を取り出し、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) cosπ・ｉ・ｐ／Ｍ−１ ……(5) 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） とおくと、ローカルパラメータL(p)は L(p)＝x(〓)＋M-2 〓 〓i=1 x(i)｛cosπ・ｉ・ｍ／Ｍ−１＋cosπ・（2M−２−
ｉ）・ｐ／Ｍ−１｝ ＋x(M-1)cosπ・ｐ／Ｍ−１ ……(6) 但し、ｐ＝０，１……Ｐ−１ となる。このようにして30ワードの信号がＰ（例
えば８）ワードに圧縮される。
メータx(i)について、０〜Ｐ−１（例えばＰ＝８）
次までのＰ次元の値を取り出し、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) cosπ・ｉ・ｐ／Ｍ−１ ……(5) 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） とおくと、ローカルパラメータL(p)は L(p)＝x(〓)＋M-2 〓 〓i=1 x(i)｛cosπ・ｉ・ｍ／Ｍ−１＋cosπ・（2M−２−
ｉ）・ｐ／Ｍ−１｝ ＋x(M-1)cosπ・ｐ／Ｍ−１ ……(6) 但し、ｐ＝０，１……Ｐ−１ となる。このようにして30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１２に
供給される。このメモリ装置１２は１行Ｐワード
の記憶部が例えば83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５か
らの0.96m sec間隔の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１２には0.96m sec間隔の
Ｐ次元のローカルパラメータL(p)が83ポイント
（79.68m sec）分記憶され、クロツクごとに順次
新しいパラメータに更新される。
供給される。このメモリ装置１２は１行Ｐワード
の記憶部が例えば83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５か
らの0.96m sec間隔の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１２には0.96m sec間隔の
Ｐ次元のローカルパラメータL(p)が83ポイント
（79.68m sec）分記憶され、クロツクごとに順次
新しいパラメータに更新される。
さらに音声過渡点検出回路２０が以下のように
構成される。すなわち平均値回路９1〜９30から
のそれぞれの帯域の信号の量に応じた信号V(o)
（ｎ＝０，１……29）がバイアス付き対数回路２
１1，２１2……２１30に供給されて v′(o)＝log（V(o)＋Ｂ） ……(7) が形成される。また信号V(o)が累算平均回路２２
に供給されて Va＝30 〓n=1 V(o)／30 が形成され、この信号Vaが対数回路２１ｘに供
給されて v′a＝log（Va＋Ｂ） ……(8) が形成される。そしてこれらの信号が演算回路２
３に供給されて v(o)＝v′a−v′(o) ……(9) が形成される。
構成される。すなわち平均値回路９1〜９30から
のそれぞれの帯域の信号の量に応じた信号V(o)
（ｎ＝０，１……29）がバイアス付き対数回路２
１1，２１2……２１30に供給されて v′(o)＝log（V(o)＋Ｂ） ……(7) が形成される。また信号V(o)が累算平均回路２２
に供給されて Va＝30 〓n=1 V(o)／30 が形成され、この信号Vaが対数回路２１ｘに供
給されて v′a＝log（Va＋Ｂ） ……(8) が形成される。そしてこれらの信号が演算回路２
３に供給されて v(o)＝v′a−v′(o) ……(9) 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……29）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、仮りにＢ→∞とするとパラメータv(o)→０
となることから明らかなように、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。
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……29）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、仮りにＢ→∞とするとパラメータv(o)→０
となることから明らかなように、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２４に供給さ
れて2w＋１（例えば57）ポイント分が記憶され
る。この記憶された信号が演算回路２５に供給さ
れて Yn，ｔ＝minＩ∈GFt ｛v(o)（Ｉ）｝ ……(10) 但し GFt＝｛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２６に供給されて T(t)＝N-1 〓n=0 W 〓I=-w （v(o)（Ｉ＋ｔ）−Yn，ｔ）
……(11) が形成される。このTtが過渡点検出パラメータ
であつて、このTtがピーク判別回路２７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。
れて2w＋１（例えば57）ポイント分が記憶され
る。この記憶された信号が演算回路２５に供給さ
れて Yn，ｔ＝minＩ∈GFt ｛v(o)（Ｉ）｝ ……(10) 但し GFt＝｛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２６に供給されて T(t)＝N-1 〓n=0 W 〓I=-w （v(o)（Ｉ＋ｔ）−Yn，ｔ）
……(11) が形成される。このTtが過渡点検出パラメータ
であつて、このTtがピーク判別回路２７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Ttが、ポイントｔを挾んで
前後ｗポイント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”という発声を、サンプリング周
波数12.5kHz、12ビツトデジタルデータとし、ポ
イント間隔＝0.96m sec、帯域数Ｎ＝30、バイア
スＢ＝０、検出ポイント数2W＋１＝57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。
前後ｗポイント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”という発声を、サンプリング周
波数12.5kHz、12ビツトデジタルデータとし、ポ
イント間隔＝0.96m sec、帯域数Ｎ＝30、バイア
スＢ＝０、検出ポイント数2W＋１＝57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)がメモリ装置１２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42番目の行にシフトされ
た時点でメモリ装置１２の読み出しが行われる。
ここでメモリ装置１２の読み出しは、各次元Ｐご
とに83ポイント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１３に
供給される。
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42番目の行にシフトされ
た時点でメモリ装置１２の読み出しが行われる。
ここでメモリ装置１２の読み出しは、各次元Ｐご
とに83ポイント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１３に
供給される。
この回路１３において上述と同様にDFTが行
われ、音響パラメータの時系列変化の包絡特性が
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。ここで、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。
われ、音響パラメータの時系列変化の包絡特性が
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。ここで、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
リツクスされ、この信号が順次時間軸ｔ方向に
DFTされて過渡点パラメータK(p,q)が形成される。
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
リツクスされ、この信号が順次時間軸ｔ方向に
DFTされて過渡点パラメータK(p,q)が形成される。
この過渡点パラメータK(p,q)がマハラノビス距
離算出回路１４に供給されると共に、メモリ装置
１５からのクラスタ係数が回路１４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。
離算出回路１４に供給されると共に、メモリ装置
１５からのクラスタ係数が回路１４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１６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１７に取り出される。
回路１６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１７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。
〜“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) ro（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) rs≡Ｅ（R(a) r,o−(a) r）（R(a) s,o−(a) s
）……(12) 但し、 (a) r＝Ｅ（R(a) r,o） Ｅはアンサンブル平均 を計数し、この逆マトリクス B(a) r,s＝（A(a) tu）-1 r,s ……(13) を求める。
ンプルをR(a) ro（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) rs≡Ｅ（R(a) r,o−(a) r）（R(a) s,o−(a) s
）……(12) 但し、 (a) r＝Ｅ（R(a) r,o） Ｅはアンサンブル平均 を計数し、この逆マトリクス B(a) r,s＝（A(a) tu）-1 r,s ……(13) を求める。
ここで任意の過渡点パラメータKrとクラスタ
ａとの距離か、マハラノビス距離 Ｄ（Kr，ａ）≡ｄ 〓r 〓s （Kr−(a) r）・B(a) r,s・（Kr−(a) s） ……(14) で求められる。
ａとの距離か、マハラノビス距離 Ｄ（Kr，ａ）≡ｄ 〓r 〓s （Kr−(a) r）・B(a) r,s・（Kr−(a) s） ……(14) で求められる。
従つてメモリ装置１５に上述のB(a) r,s及びR(a) r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１４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。
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１４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。
これによつて回路１４から入力音声の過渡点ご
とに各クラスタとの最少距離と過渡点の順位が取
り出される。これらが判定回路１６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
とクラスタとの最少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少になる単語を認識判定
する。
とに各クラスタとの最少距離と過渡点の順位が取
り出される。これらが判定回路１６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
とクラスタとの最少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少になる単語を認識判定
する。
このようにして音声認識が行われるわけである
が、この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。
が、この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。
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。
なお上述の装置において120名の話者にて学習
を行い、この120名以外の話者にて上述の12単語
について実験を行つた結果、98.2％の平均認識率
が得られた。
を行い、この120名以外の話者にて上述の12単語
について実験を行つた結果、98.2％の平均認識率
が得られた。
さらに上述の例で“はい”の「Ｈ→Ａ」と“８
（ハチ）”の「Ｈ→Ａ」は同じクラスタに分類可能
である。従つて認識すべき言語の音韻数をαとし
てαC2個のクラスタをあらかじめ計算してクラス
タ係数をメモリ装置１５に記憶させておけば、
種々の単語の認識に適用でき、多くの語いの認識
を容易に行うことができる。
（ハチ）”の「Ｈ→Ａ」は同じクラスタに分類可能
である。従つて認識すべき言語の音韻数をαとし
てαC2個のクラスタをあらかじめ計算してクラス
タ係数をメモリ装置１５に記憶させておけば、
種々の単語の認識に適用でき、多くの語いの認識
を容易に行うことができる。
ところがこの装置において、過渡点パラメータ
とクラスタ係数との比較を、上述の（14）式のよ
うなマハラノビス距離で行つていた場合に、この
式は平均からの偏差の２次形式で表わされるの
で、過渡点パラメータ（ベクトル）に応じて ０≦Ｄ（Kr，ａ）＜∞ の値を取り得る。
とクラスタ係数との比較を、上述の（14）式のよ
うなマハラノビス距離で行つていた場合に、この
式は平均からの偏差の２次形式で表わされるの
で、過渡点パラメータ（ベクトル）に応じて ０≦Ｄ（Kr，ａ）＜∞ の値を取り得る。
このため例えば単音節認識を行う場合に、各過
渡点の値の取り扱いが困難になり、これによつて
単音節の認識率が低下してしまう欠点があつた。
渡点の値の取り扱いが困難になり、これによつて
単音節の認識率が低下してしまう欠点があつた。
発明の目的
本発明はこのような点にかんがみ、良好な音声
認識が行えるようにするものである。
認識が行えるようにするものである。
発明の概要
本発明は、入力音声信号の無音を含む音韻間の
過渡点を検出し、この検出された過渡点の音声を
所定長抽出してパラメータに変換し、この過渡点
パラメータ及びクラスタ係数に基づいて音声の認
識を行うようにした音声認識方法において、上記
過渡点パラメータと各クラスタ係数とのマハラノ
ビス距離を、条件付確率を用いて正規化すること
を特徴とする音声認識方法であつて、これによれ
ばで良好な音声認識を行うことができる。
過渡点を検出し、この検出された過渡点の音声を
所定長抽出してパラメータに変換し、この過渡点
パラメータ及びクラスタ係数に基づいて音声の認
識を行うようにした音声認識方法において、上記
過渡点パラメータと各クラスタ係数とのマハラノ
ビス距離を、条件付確率を用いて正規化すること
を特徴とする音声認識方法であつて、これによれ
ばで良好な音声認識を行うことができる。
実施例
ところで以下の実施例では次のような回路を使
用する。すなわち第６図において、バンドパスフ
イルタ６1〜６30の前段にエンフアシス回路７が
設けられる。そしてこのエンフアシス回路７にお
いて、例えば低域側の１〜16番の帯域では信号が
無補正でバンドパスフイルタ６1〜６16に供給さ
れ、高域側の17〜30番の帯域では信号が差分回路
３１を通じてバンドパスフイルタ６17〜６30に供
給される。
用する。すなわち第６図において、バンドパスフ
イルタ６1〜６30の前段にエンフアシス回路７が
設けられる。そしてこのエンフアシス回路７にお
いて、例えば低域側の１〜16番の帯域では信号が
無補正でバンドパスフイルタ６1〜６16に供給さ
れ、高域側の17〜30番の帯域では信号が差分回路
３１を通じてバンドパスフイルタ６17〜６30に供
給される。
このエンフアシス回路７において、差分回路３
１の特性は y(o)＝x(o)−x(o-1) ……(15) で現わされ、この式をＺ変換すると Y(o)＝（１−Z-1）X(o) ……(16) となる。さらにこの回路の伝達関数H(z)は ｜H(z)｜2＝｜H(z)
１の特性は y(o)＝x(o)−x(o-1) ……(15) で現わされ、この式をＺ変換すると Y(o)＝（１−Z-1）X(o) ……(16) となる。さらにこの回路の伝達関数H(z)は ｜H(z)｜2＝｜H(z)
Claims (1)
- 【特許請求の範囲】 １ 入力音声信号の無音を含む音韻間の過渡点を
検出し、この検出された過渡点の音声を所定長抽
出してパラメータに変換し、この過渡点パラメー
タ及びクラスタ係数に基づいて音声の認識を行う
ようにした音声認識方法において、 上記過渡点パラメータと各クラスタ係数とのマ
ハラノビス距離を、条件付確率を用いて正規化す
ることを特徴とする音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19209483A JPS6084000A (ja) | 1983-10-14 | 1983-10-14 | 音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19209483A JPS6084000A (ja) | 1983-10-14 | 1983-10-14 | 音声認識方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS6084000A JPS6084000A (ja) | 1985-05-13 |
| JPH0552515B2 true JPH0552515B2 (ja) | 1993-08-05 |
Family
ID=16285545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP19209483A Granted JPS6084000A (ja) | 1983-10-14 | 1983-10-14 | 音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS6084000A (ja) |
-
1983
- 1983-10-14 JP JP19209483A patent/JPS6084000A/ja active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPS6084000A (ja) | 1985-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0441356B2 (ja) | ||
| Vergin et al. | Generalized mel frequency cepstral coefficients for large-vocabulary speaker-independent continuous-speech recognition | |
| JPH0990974A (ja) | 信号処理方法 | |
| JPH0441357B2 (ja) | ||
| JPH0552515B2 (ja) | ||
| JPH0552509B2 (ja) | ||
| Zouhir et al. | Speech Signals Parameterization Based on Auditory Filter Modeling | |
| JPH0552510B2 (ja) | ||
| JPH0552512B2 (ja) | ||
| JPH0546558B2 (ja) | ||
| Singh et al. | A novel algorithm using MFCC and ERB gammatone filters in speech recognition | |
| JPH0546559B2 (ja) | ||
| JPH0552511B2 (ja) | ||
| Tabassum et al. | Speaker independent speech recognition of isolated words in room environment | |
| JPS6069697A (ja) | 音声認識装置 | |
| JPH0546560B2 (ja) | ||
| JPS6086599A (ja) | 音声認識装置 | |
| JPH0246960B2 (ja) | ||
| Fathoni et al. | Optimization of Feature Extraction in Indonesian Speech Recognition Using PCA and SVM Classification | |
| JPS6069696A (ja) | 音声認識装置 | |
| JPH09160585A (ja) | 音声認識装置および音声認識方法 | |
| Rahali et al. | Robust Features for Impulsive Noisy Speech Recognition Using Relative Spectral Analysis | |
| JPH0451039B2 (ja) | ||
| Hassan et al. | Gender factor suppression for Bangla ASR | |
| JPH0469800B2 (ja) |