JPH06175681A

JPH06175681A - 音声認識方法

Info

Publication number: JPH06175681A
Application number: JP4331532A
Authority: JP
Inventors: Masakatsu Hoshimi; 昌克星見; Maki Yamada; 麻紀山田; 裕康 ▲桑▼野; Hiroyasu Kuwano; Katsuyuki Futayada; 勝行二矢田
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1992-12-11
Filing date: 1992-12-11
Publication date: 1994-06-24
Anticipated expiration: 2013-05-06
Also published as: JP2746803B2

Abstract

(57)【要約】【目的】音声認識装置において、単純な計算法で高い
認識率が得られ、周囲騒音が混入した場合においても良
好な認識率が確保できることを目的とする。【構成】本発明は複数のフレームで構成される入力ベク
トルと、認識対象音声の部分標準パターンとの部分距離
を事後確率に基づく統計的距離尺度で求めた結果と、単
語長を一定の長さに正規化し、特徴パラメータを時間的
順序に並べて単語標準パターンを作成し、入力音声に対
して基準フレームを端点としそれから時間長Ｎ１および
Ｎ２（Ｎ１＜Ｎ２）の２つの区間を設定して、基準点と
Ｎ１の区間を音声区間の最小値そして基準点とＮ２の区
間を音声区間の最大値と考えて、最小音声区間と最大音
声区間の間に複数の音声区間を仮定し、仮定した音声区
間長を一定時間長に伸縮しながら標準パターンとの照合
を行って距離を求め、これと先程の距離をある一定の重
みで加算して距離を求め最小となる音声名を認識結果と
する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は人間の声を機械に認識さ
せる音声認識方法に関するものである。

【０００２】

【従来の技術】近年、使用者の声を登録することなし
に、誰の声でも認識できる不特定話者用の認識装置が実
用として使われるようになった。不特定話者用の実用的
な方法として、本出願人が、以前に出願した２つの特許
（特開昭61-188599号公報、特開昭62-111293号公報）を
従来例として説明する。特開昭61-188599号公報を第１
の従来例、特開昭62-111293号公報を第２の従来例とす
る。

【０００３】第１の従来例の方法は入力音声の始端、終
端を求めて音声区間を決定し、音声区間を一定時間長に
（Ｉフレーム）に線形伸縮し、これと単語標準パターン
との類似度を統計的距離尺度を用いてパターンマッチン
グをすることによって求め、単語を認識する方法であ
る。単語標準パターンは、認識対象単語を多くの人に発
声させて音声サンプルを収集し、すべての音声サンプル
を一定時間長Ｉフレーム（実施例ではＩ＝１６）に伸縮
し、その後、単語ごとに音声サンプル間の統計量（平均
値ベクトルと共分散行列）を求め、これを加工すること
によって作成している。すなわち、すべての単語標準パ
ターンの時間長は一定（Iフレーム）であり、原則とし
て１単語に対し１標準パターンを用意している。

【０００４】第１の従来例では、パターンマッチングの
前に音声区間を検出する必要があるが、第２の従来例は
音声区間検出を必要としない部分が異なっている。パタ
ーンマッチングによって、ノイズを含む信号の中から音
声の部分を抽出して認識する方法（ワードスポッティン
グ法）を可能とする方法である。すなわち、音声を含む
十分長い入力区間内において、入力区間内に部分領域を
設定し、部分領域を伸縮しながら標準パターンとのマッ
チングを行なう。そして、部分領域を入力区間内で単位
時間ずつシフトして、また同様に標準パターンとのマッ
チングを行なうという操作を設定した入力区間内全域で
行ない、すべてのマッチング計算において距離が最小と
なった単語標準パターン名を認識結果とする。ワードス
ポッティング法を可能にするために、パターンマッチン
グの距離尺度として事後確率に基づく統計的距離尺度を
用いている。

【０００５】

【発明が解決しようとする課題】従来例の方法は、小型
化が可能な実用的な方法であり、特に第２の従来例は、
騒音にも強いことから実用として使われ始めている。

【０００６】しかし、従来例の問題点は、十分な単語認
識率が得られないことである。このため、語彙の数が少
ない用途にならば使うことが出来るが、語彙の数を増や
すと認識率が低下して実用にならなくなってしまう。従
って、従来例の方法では認識装置の用途が限定されてし
まうという課題があった。即ち、従来例において認識率
が十分でない要因は次の２点である。

【０００７】（１）認識対象とする全ての単語長（標準
パターンの時間長）を一定の長さＩフレームにしてい
る。これは、単語固有の時間長の情報を欠落させている
ことになる。

【０００８】（２）入力長をＩフレームに伸縮するので
欠落したり重複するフレームが生じる。前者は情報の欠
落になり、後者は冗長な計算を行なうことになる。そし
てどちらの場合も認識に重要な「近隣フレーム間の時間
的な動き」の情報が欠落してしまう。

【０００９】本発明は上記従来の課題を解決するもの
で、「処理が単純で装置の小型化が可能である」、「方
法が簡単なわりには認識率が高い」、「騒音に対して頑
強である」という従来の長所を生かしながら、従来例よ
りも格段に認識率を向上させる音声認識方法を提供する
ことを目的とするものである。

【００１０】

【課題を解決するための手段】本発明は上記目的を達成
するもので、以下の手段によって上記課題を解決した。

【００１１】まず課題（１）に対しては、単語ごとに標
準時間長Ｉk（k＝1,2,…K；Kは認識対象単語の種類）を
設定し、単語長情報の欠落がないようにした。Ｉkは単
語ごとに多くの発声サンプルを集め、その平均値とし
た。

【００１２】課題（２）に対しては、情報の欠落がない
ように、常に近隣の複数フレームをひとまとめにしたも
のをパラメーターとしてパターンマッチングを行なう。
また、近隣フレーム間の時間的な動きが欠落しないよう
にするために、パターンマッチングに用いる距離尺度に
はフレーム間の相関を含む統計的な距離尺度を用いる。
単語の標準パターンは次のようにして作成した。多くの
人の発声によるデータサンプルの時間長を標準時間長Ｉ
kに揃え、標準時間長の中にいくつかの時間的な基準ポ
イントを設け、基準ポイントの近隣の情報を用いて統計
的に作成したもの（部分パターンと呼ぶ）を基準ポイン
トの数だけ接続して単語kの標準パターンを作成する。
基準ポイントの数は単語ごとに異なるのが普通である。
入力と単語の距離計算は、入力の複数フレームと上記各
基準ポイントに基づく部分パターンとの距離を統計的距
離尺度で求める。そして、入力を１フレームずつシフト
しながら単語全体に対する部分距離の累計を求める。

【００１３】この課題を解決する方法と従来の方法の両
方から得られる距離をある重みで加算しその距離を最小
とする単語を認識結果とする。

【００１４】

【作用】本発明は上記構成によって、不特定話者用の音
声認識に対して高い認識率が得られ、また処理が単純な
ので、信号処理プロセッサ（ＤＳＰ）を用いて、小型で
リアルタイム動作が可能な認識装置を実現することがで
きる。また、ワードスポッティング機能を導入すること
によって、騒音に対して頑強な、実用性の高い認識装置
が実現できる。

【００１５】

【実施例】以下、本発明において２種の実施例について
説明する。第１の実施例は入力音声の始端、終端があら
かじめ検出されている場合における実施例である。この
場合は音声区間でのみパターンマッチングを行なえばよ
い。第２の実施例は入力音声の始端、終端が未知の場合
の実施例である。この場合は入力音声を含む十分広い区
間内を対象として、入力信号と標準パターンのマッチン
グを区間全域にわたって単位時間ずつシフトしながら行
ない、距離が最小となる部分区間を切り出す方法を用い
る。この種の方法を一般的にワードスポッティングと呼
んでいる。

【００１６】（実施例１）まず、第１の実施例について
図１を参照しながら説明する。図１において、距離計算
部１２で求めた距離が従来の方法で得られる距離であ
る。この距離と距離累積部７で求められる距離を判定部
８である重みで加算して得られた距離の中でもっとも小
さい単語を認識結果とする。

【００１７】図１において、音響分析部１は入力信号を
ＡＤ変換して取込み（サンプリング周波数10kHz）、一
定時間長（フレームと呼ぶ。本実施例では10ms)ごとに
分析する。本実施例では線形予測分析（ＬＰＣ分析）を
用いる。特徴パラメータ抽出部２では分析結果に基づい
て、特徴パラメータを抽出する。本実施例では、ＬＰＣ
ケプストラム係数（C₀〜C₁₀）および差分パワー値V₀の
１２個のパラメータを用いている。入力の１フレームあ
たりの特徴パラメータを

【００１８】

【外１】

【００１９】と表すことにすると、特徴パラメータは
（数１）のようになる。

【００２０】

【数１】

【００２１】ただし、jは入力のフレーム番号、pはケプ
ストラム係数の次数である（p＝10）。フレーム同期
信号発生部１３は１０msごとに同期信号を発生する部分
であり、その出力は全てのブロックに入る。即ち、シス
テム全体がフレーム同期信号に同期して作動する。

【００２２】音声区間検出部９は入力信号音声の始端、
終端を検出する部分である。音声区間の検出法は音声の
パワーを用いる方法が簡単で一般的であるが、どのよう
な方法でもよい。本実施例では音声の始端が検出された
時点で認識が始まり、j＝1になる。

【００２３】複数フレームバッファ３は第jフレームの
近隣のフレームの特徴パラメータを統合して、パターン
マッチング（部分マッチング）に用いる入力ベクトルを
形成する部分である。すなわち、第jフレームに相当す
る入力ベクトル

【００２４】

【外２】

【００２５】は、次式で表わされる。

【００２６】

【数２】

【００２７】すなわち、上記入力ベクトルはmフレーム
おきにj−L1〜j＋L2フレームの特徴パラメータを統合し
たベクトルである。L1=L2=3，m=1 とすると上記入力ベ
クトルの次元数は（P+2）×（L1+L2+1）＝12×7＝84と
なる。なお、（数２）ではフレーム間隔mは一定になっ
ているが、必ずしも一定である必要はない。mが可変の
場合は非線形にフレームを間引くことに相当する。

【００２８】部分標準パターン格納部５は、認識対象と
する各単語の標準パターンを、部分パターンの結合とし
て格納してある部分である。ここで、本実施例における
標準パターン作成法を、やや詳細に説明する。

【００２９】話をわかり易くするために、今、認識対象
単語を日本語の数字「イチ」「ニ」「サン」「ヨン」
「ゴ」「ロク」「ナナ」「ハチ」「キュウ」「ゼロ」の
１０種とする。このような例を用いても説明の一般性に
はなんら影響はない。

【００３０】たとえば、「サン」の標準パターンは次の
ような手順で作成する。（１）多数の人（１００名とする）が「サン」と発声し
たデータを用意する。（２）１００名の「サン」の持続時間分布を調べ、１０
０名の平均時間長Ｉ₃を求める。（３）時間長のＩ₃サンプルを１００名の中から探し出
す。複数のサンプルがあった場合はフレームごとに複数
サンプルの平均値を計算する。このように求められた代
表サンプルを（数３）で示す。

【００３１】

【数３】

【００３２】ここで

【００３３】

【外３】

【００３４】は１フレームあたりのパラメータベクトル
であり、（数１）と同様に１１個のＬＰＣケプストラム
係数と差分パワーで構成される。（４）１００名分のサンプルの１つ１つと代表サンプル
との間でパターンマッチングを行ない、代表サンプルと
１００名分の各サンプルとの間の対応関係（最も類似し
たフレーム同士の対応）を求める。距離計算はユークリ
ッド距離を用いる。代表サンプルのiフレームと、ある
サンプルのi’フレームとの距離di,i' は（数４）で表
わされる。

【００３５】

【数４】

【００３６】ここで、tは転置行列であることを表す。
なお、フレーム間の対応関係はダイナミックプログラミ
ングの手法を用いれば効率よく求めることができる。（５）代表サンプルの各フレーム（i＝1〜Ｉ₃）に対応
して、１００名分のサンプルそれぞれから（数２）の形
の部分ベクトルを切出す。簡単化のためL1＝L2＝3、m＝
1 とする。

【００３７】代表サンプルの第iフレームに相当する、
１００名のうちの第n番目のサンプルの部分ベクトルは
以下のようになる。

【００３８】

【数５】

【００３９】ここで、（i）は第n番目のサンプル中、代
表ベクトルの第iフレームに対応するフレームであるこ
とを示す。

【００４０】

【外４】

【００４１】は本実施例では８４次元のベクトルである
（n＝1〜100）。（６）１００名分の上記ベクトルの平均値

【００４２】

【外５】

【００４３】（本例ではｋ＝３；８４次元）と共分散行
列

【００４４】

【外６】

【００４５】（８４×８４次元）を求める（i＝1〜
Ｉ₃）。平均値と共分散行列は標準フレーム長の数Ｉ3だ
け存在することになる（ただし、これらは必ずしも全フ
レームに対して作成する必要はない。間引いて作成して
もよい）。

【００４６】上記（１）〜（６）と同様の手続きで「サ
ン」以外の単語に対しても８４次元のベクトルと共分散
行列を求める。

【００４７】そして、全ての単語に対する１００名分す
べてのサンプルデータに対し、移動平均

【００４８】

【外７】

【００４９】（８４次元）と移動共分散行列

【００５０】

【外８】

【００５１】（８４×８４次元）を求める。これらを周
囲パターンと呼ぶ。次に平均値と共分散を用いて標準パ
ターンを作成する。

【００５２】ａ．（数６）により共分散行列を共通化す
る。

【００５３】

【数６】

【００５４】ここでKは認識対象単語の種類（K＝10）、
Ikは単語k（k＝1,2,…,K）の標準時間長を表す。また、
gは周囲パターンを混入する割合であり通常g＝1 とす
る。

【００５５】b．各単語の部分パターン

【００５６】

【外９】

【００５７】及び

【００５８】

【外１０】

【００５９】を作成する。

【００６０】

【数７】

【００６１】

【数８】

【００６２】これらの式の導出は後述する。図２に標準
パターン作成法の概念図を示す。図２（ａ）は入力信号
が「サン」の場合の音声のパワーパターンを示す。図２
（ｂ）は部分パターンの作成法を概念的に示したもので
ある。音声サンプルの始端と終端の間において、代表サ
ンプルとのフレーム対応を求めて、それによって音声サ
ンプルをＩ₃に分割する。図では代表サンプルとの対応
フレームを（i）で示してある。そして、音声の始端
（i）＝１から終端（i）＝Ｉ₃の各々について、（i）−
L1〜（i）＋L2の区間の１００名分のデータを用いて平
均値と共分散を計算し、部分パターン

【００６３】

【外１１】

【００６４】

【外１２】

【００６５】を求める。従って、単語kの標準パターン
は互にオーバーラップする区間を含むＩk個の部分パタ
ーンを連接して（寄せ集めた）ものになる。図２（ｃ）
は周囲パターンの作成方法を示す。周囲パターンは図の
ようにL1+L2+1フレームの部分区間を１フレームずつシ
フトさせながら平均値と共分散を求める。周囲パターン
作成の範囲は音声区間内のみならず、前後のノイズ区間
も対象としてもよい。後述する第２の実施例では周囲パ
ターンにノイズ区間を含める必要がある。

【００６６】次に部分距離の計算について述べる。上記
のようにしてあらかじめ作成されている各単語の部分標
準パターンと複数フレームバッファ３との間の距離（部
分距離）を部分距離計算部４において計算する。

【００６７】部分距離の計算は（数２）で示す複数フレ
ームの情報を含む入力ベクトルと各単語の部分パターン
との間で、統計的な距離尺度を用いて計算する。単語全
体としての距離は部分パターンとの距離（部分距離と呼
ぶ）を累積して求めることになるので、入力の位置や部
分パターンの違いにかかわらず、距離値が相互に比較で
きる方法で部分距離を計算する必要がある。このために
は、事後確率に基づく距離尺度を用いる必要がある。
（数２）の形式の入力ベクトルを

【００６８】

【外１３】

【００６９】とする（簡単のため当分の間i,jを除いて
記述する）。単語kの部分パターンωkに対する事後確率

【００７０】

【外１４】

【００７１】はベイズ定理を用いて次のようになる。

【００７２】

【数９】

【００７３】右辺第１項は、各単語の出現確率を同じと
考え、定数として取扱う。右辺第２項の事前確率は、パ
ラメータの分布を正規分布と考え、

【００７４】

【数１０】

【００７５】で表わされる。

【００７６】

【外１５】

【００７７】は単語とその周辺情報も含めて、生起し得
る全ての入力条件に対する確率の和であり、パラメータ
がＬＰＣケプストラム係数やバンドパスフィルタ出力の
場合は、正規分布に近い分布形状になると考えることが
できる。

【００７８】

【外１６】

【００７９】が正規分布に従うと仮定し、平均値を

【００８０】

【外１７】

【００８１】、共分散行列を

【００８２】

【外１８】

【００８３】を用いると、（数１１）のようになる。

【００８４】

【数１１】

【００８５】（数１０）、（数１１）を（数９）に代入
し、対数をとって、定数項を省略し、さらに−２倍する
と、次式を得る。

【００８６】

【数１２】

【００８７】この式は、ベイズ距離を事後確率化した式
であり、識別能力は高いが計算量が多いという欠点があ
る。この式を次のようにして線形判別式に展開する。全
ての単語に対する全ての部分パターンそして周囲パター
ンも含めて共分散行列が等しいものと仮定する。このよ
うな仮定のもとに共分散行列を（数６）によって共通化
し、（数１２）の

【００８８】

【外１９】

【００８９】、

【００９０】

【外２０】

【００９１】のかわりに

【００９２】

【外２１】

【００９３】を代入すると、（数１２）の第１項、第２
項は次のように展開できる。

【００９４】

【数１３】

【００９５】

【数１４】

【００９６】（数１３）、（数１４）において

【００９７】

【数１５】

【００９８】

【数１６】

【００９９】である。また、（数１２）の第３項は０に
なる。従って、（数１２）は次のように簡単な一次判別
式になる。

【０１００】

【数１７】

【０１０１】ここで、改めて、入力の第jフレーム成分
（数２）と単語kの第iフレーム成分の部分パターンとの
距離として（数１７）を書き直すと、

【０１０２】

【数１８】

【０１０３】ここで

【０１０４】

【外２２】

【０１０５】は（数７）で、

【０１０６】

【外２３】

【０１０７】は（数８）で与えられる。Ｌki,jは単語k
の第i部分パターンと入力のjフレーム近隣のベクトルの
部分類似度である。

【０１０８】図１において距離累積部７は、各単語に対
する部分距離をｉ＝１〜Ｉkの区間に対して累積し、単
語全体に対する距離を求める部分である。その場合、入
力音声長（Ｊフレーム）を各単語の標準時間長Ｉkに伸
縮しながら累積する必要がある。この計算はダイナミッ
クプログラミングの手法（ＤＰ法）を用いて効率よく計
算できる。

【０１０９】いま、例えば「サン」の累積距離を求める
ことにすると、常にｋ＝３なのでｋを省略して計算式を
説明する。

【０１１０】入力の第ｊフレーム部分と第ｉ番目の部分
パターンとの部分距離Ｌi,jをl（ｉ，ｊ）と表現し、
（ｉ，ｊ）フレームまでの累積距離をｇ（ｉ，ｊ）と表
現することにすると、

【０１１１】

【数１９】

【０１１２】となる。経路判定部６は（数１９）におけ
る３つに経路のうち累積距離が最小になる経路を選択す
る。

【０１１３】図３は、ＤＰ法によって累積距離を求める
方法を図示したものである。図のようにペン型非対称の
パスを用いているが、その他にもいろいろなパスが考え
られる。ＤＰ法の他に線形伸縮法を用いることもできる
し、また隠れマルコフモデルの手法（ＨＭＭ法）を用い
てもよい。

【０１１４】このようにして、逐次、距離を累積してゆ
き、ｉ＝Ｉk，ｊ＝Ｊとなる時点でので累積距離Ｇk（Ｉ
k，Ｊ）を単語ごとに求める。

【０１１５】次に従来法の距離を求める部分（図１の１
０、１１、１２の構成要素）について説明を行う。標準
パターン格納部１１に格納する単語標準パターンの作成
方法について説明を行う。データは上記の方法で使用し
たものと同じものを用いる。単語標準パターンは次のよ
うな手順で作成する。

【０１１６】（１）多数の人（１００名とする）が「サ
ン」と発声したデータを用意する。（２）各データを線形に伸縮を行いＪフレームに正規化
を行う。入力データの長さをＩフレームとし、伸縮後の
第ｊフレームと入力音声の第ｉフレームの関係を（数２
０）に示す。ただし［］は、その数を越えない最大の整
数を表す。実施例ではＪ＝１６としている。

【０１１７】

【数２０】

【０１１８】（３）「サン」の発声データに対して伸縮
後の特徴パラメータを時系列に並べ時系列パターン

【０１１９】

【外２４】

【０１２０】を求める。

【０１２１】

【数２１】

【０１２２】ただし、

【０１２３】

【外２５】

【０１２４】は、「サン」と発声したデータの第ｍ番目
のサンプルで、第ｊフレームの第ｋ次のケプストラム係
数を示す。平均値ベクトルと同様な手順で「サン」の共
分散行列を求める。次に、全音声に共通な共分散行列を
求める。この平均値ベクトルと共分散行列を用いて（数
１７）を求めるのと同様に

【０１２５】

【外２６】

【０１２６】、

【０１２７】

【外２７】

【０１２８】に変換し、標準パターン格納部１１にあら
かじめ格納しておく。入力音声を分析し特徴パラメータ
を求め音声区間を検出する。検出された音声区間に対し
て時間軸正規化部１０で（数２０）を用いてＪフレーム
に線形伸縮する。次に伸縮後の特徴パラメータを時系列
に並べ時系列パターン

【０１２９】

【外２８】

【０１３０】を作成する。いま第ｊフレームの特徴パラ
メータ（ＬＰＣケプストラム係数）を

【０１３１】

【外２９】

【０１３２】とすると

【０１３３】

【外３０】

【０１３４】は次式となる。

【０１３５】

【数２２】

【０１３６】距離計算部１２では入力パターン

【０１３７】

【外３１】

【０１３８】と標準パターン格納部１１に格納されてい
る各音声の標準パターンとの類似度を

【０１３９】

【外３２】

【０１４０】

【外３３】

【０１４１】を用いて次式で求める。

【０１４２】

【数２３】

【０１４３】

【外３４】

【０１４４】をすべての単語に対して計算する。最後
に、判定部８では距離累積部７で求めた距離と距離計算
部１２で求めた距離を各単語毎にある一定の重み

【０１４５】

【外３５】

【０１４６】（実験より求める）で加算して最小値を求
めて、（式２４）により認識結果

【０１４７】

【外３６】

【０１４８】を出力する。

【０１４９】

【数２４】

【０１５０】（実施例２）次に本発明の第２の実施例を
図４によって説明する。第１の実施例では音声区間検出
の後にパータンマッチングを行なったが、第２の実施例
では音声区間検出が不要である。入力信号の中から距離
が最小の部分を切出すことによって単語を認識する方法
であり、「ワードスポッティング法」の１つである。

【０１５１】この方法は「入力信号中に目的の音声が含
まれていれば、その音声の区間において正しい標準パタ
ーンとの距離（累積距離）が最小になる」という考え方
に基づく方法である。したがって、入力音声の前後のノ
イズ区間を含む十分長い入力区間において１フレームず
つシフトしながら、標準パターンとの照合を行なってい
く方法を採る。図４において、図１と同一番号のブロッ
クは同じ機能を持つ。図４が図１と異なる部分は、音声
区間検出部９を有しないことと、距離比較部１６、一時
記憶１５、区間候補設定部１４が存在することである。
以下第１の実施例と異なる部分のみを説明する。

【０１５２】先ず、パターンマッチングが始る時点（ｊ
＝１の時点）が音声の始端よりも前にあり、パターンマ
ッチングが終了する時点（ｊ＝Ｊの時点）が音声の終端
よりも後にある。パターンマチングの終了を検出する方
法はいろいろと考えられるが、本実施例では全ての標準
パターンとの距離が十分大きくなる時点をｊ＝Ｊとして
いる。

【０１５３】標準パターンの作成法は第１の実施例と全
く同じである。ただ、音声サンプルを用いて周囲パター
ンを作成する範囲は音声区間の前後の十分広い区間を用
いる必要がある。その理由は、（数９）の分母項

【０１５４】

【外３７】

【０１５５】は、「パターンマッチングの対象となる全
てのパラメータに対する確率密度である」という定義に
よるものである。

【０１５６】第１の実施例との一番大きな構成上の違い
は、単語ごとの累積距離の大小比較をフレームごとに行
なう点である。

【０１５７】従来の方法を用いる区間候補設定部１４で
は、ある基準フレームを設定しそのフレームを音声区間
の各単語の最小音声区間長Ｎ１（ｋ）と最大音声区間長
Ｎ２（ｋ）を設定する。そして、区間長Ｎ（Ｎ１（ｋ）
≦Ｎ≦Ｎ２（ｋ））に対してそれぞれ音声区間を仮定し
て距離を求め最も距離の小さいものを基準フレームに於
ける単語ｋの距離Ｄk(j)として距離比較部１６におく
る。

【０１５８】距離比較部１６は（数２５）により、入力
の第ｊフレームにおける各単語の累積距離を比較して、
第ｊフレームにおいて累積距離が最小となる単語

【０１５９】

【外３８】

【０１６０】を求める。そして、そのときの最小値も同
時に求めておく。即ち、

【０１６１】

【数２５】

【０１６２】

【数２６】

【０１６３】一時記憶１５にはｊ−１フレームまでに出
現した累積距離の最小値Ｇminと累積距離が最小となっ
た時の標準パターン名ｋが記憶されている。

【０１６４】Ｇminと

【０１６５】

【外３９】

【０１６６】を比較し、

【０１６７】

【外４０】

【０１６８】ならば一時記憶１５はそのままにして、次
のフレーム（ｊ＝ｊ＋１）へ進む。

【０１６９】

【外４１】

【０１７０】ならば、

【０１７１】

【外４２】

【０１７２】として次のフレームへ進む。このように、
一時記憶１５には常にそのフレームまでの最小値と認識
結果が残っていることになる。パターンマッチング範囲
の終端（ｊ＝Ｊ）に達した時、一時記憶１５に記憶され
ている

【０１７３】

【外４３】

【０１７４】が認識結果である。第２の実施例は、騒音
中の発声など、音声区間検出が難しい場合には有効な方
法である。

【０１７５】本実施例の効果を確認するため、男女計１
５０名が発声した１００地名を用いて認識実験を行なっ
た。このうち１００名（男女各５０名）のデータを用い
て標準パターンを作成し、残りの５０名を評価した。評
価条件を（表１）に示し、評価結果を（表２）に示す。

【０１７６】

【表１】

【０１７７】評価は、従来の方法のみを用いた場合、部
分パターンを連接する方法だけを用いた場合、本実施例
のように両方の結果をある重みで加算して最も距離の小
さい単語を認識結果とする場合の結果を示す。

【０１７８】

【表２】

【０１７９】このように本実施例における認識率向上
は、非常に顕著である。

【０１８０】

【発明の効果】本発明は複数のフレームで形成される入
力ベクトルと、単語音声の部分（標準）パターンとの部
分距離を事後確率に基づく統計的距離尺度で求め、フレ
ームをシフトしながら入力ベクトルを更新して各部分ベ
クトルとの間の距離を累積した累積距離と、単語をＪフ
レームに線形に伸縮して作成した標準パターンとのマッ
チングから得られる距離を一定の割合で加算してゆき、
累積距離を最小とする単語を認識結果とする方法に関す
るものである。本発明は２つの方法を併用することによ
って高い認識率が得られることが特長である。単語の誤
り率から考えると部分パターンを連接する方法に比べて
も２％から１．５％へと１／４改善されている。そし
て、計算の方法が単純であるので信号処理プロセッサ
（ＤＳＰ）を用いた小型装置として容易に実現できる。

【０１８１】また、実施例２で示したように、ワードス
ポッティングを行なうことができるので、環境騒音や話
者自身が発する「え〜」，「あ〜」などの不要語が混入
した場合でも良好な認識率が確保できる。

【０１８２】このように本発明は実用上有効な方法であ
り、その効果は大きい。

【図面の簡単な説明】

【図１】本発明の第１の実施例における音声認識方法を
具現化する機能ブロック図

【図２】本発明における標準パターン作成法における部
分パターン、周囲パターン作成法を説明する概念図

【図３】本発明における入力音声と部分パターンを連接
した標準パターンの照合をダイナミックプログラミング
法で計算する方法を示した模式図

【図４】本発明の第２の実施例における音声認識方法を
具現化する機能ブロック図

【符号の説明】

１音響分析部２特徴パラメータ抽出部３複数フレームバッファ４部分距離計算部５部分標準パターン格納部６経路判定部７距離累積部８判定部９音声区間検出部１０時間軸正規化部１１標準パターン格納部１２距離計算部１３フレーム同期信号発生部１４区間候補設定部１５一時記憶１６距離比較部

───────────────────────────────────────────────────── フロントページの続き (72)発明者二矢田勝行神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内

Claims

【特許請求の範囲】

【請求項１】予め多数の人が発声した音声データを用
いて、認識対象音声の一部を表現する部分パターンを認
識対象音声全体をカバーできるように複数種類作成し、
複数種類の部分（標準）パターンを連接して認識対象音
声の標準パターンを構成するという方法で全ての認識対
象音声の標準パターンを作成しておき、入力音声を一定
時間長（フレーム）ごとに分析して特徴パラメータを求
め、複数フレームの特徴パラメータで入力ベクトルを形
成し、入力ベクトルと標準パターンの一部である部分パ
ターンとの部分距離を統計的距離尺度で計算するという
操作を、フレームをシフトしながら次々と形成した入力
ベクトルと前記連接した部分パターンとの間で逐次行な
ってゆき、計算された部分距離を累積することによって
入力音声と標準パターンとの距離を求めた結果と、単語
長をある長さに線形伸縮し特徴パラメータを時間的順序
に並べて単語標準パターンを作成し、入力音声に対して
も同様に時間的に伸縮して入力時系列ベクトルを作成
し、これと音声標準パターンとの距離を統計的距離尺度
を用いて求めた距離とを、ある一定の割合で加算した距
離を求め、入力音声の終了時点で全認識対象単語の標準
パターンに対する距離を相互に比較して距離が最小とな
る標準パターンに対応する音声名を認識結果とすること
を特徴とする音声認識方法。
【請求項２】部分類似度を計算するための部分パター
ンが、複数フレームのデータを用いて作成されており、
フレーム間の相関を包含するものであることを特徴とす
る請求項１記載の音声認識方法。
【請求項３】入力ベクトルと部分パターンとの距離を
計算する統計的距離尺度が、事後確率に基づく距離尺度
であることを特徴とする請求項１記載の音声認識方法。
【請求項４】統計的距離尺度が事後確率に基づく一次
判別式であることを特徴とする請求項１記載の音声認識
方法。
【請求項５】予め多数の人が発声した音声データを用
いて、認識対象音声の一部を表現する部分（標準）パタ
ーンを認識対象音声全体をカバーできるように複数種類
作成し、複数種類の部分パターンを連接して認識対象音
声の標準パターンを構成するという方法で全ての認識対
象音声の標準パターンを作成しておき、入力音声を含む
十分長い入力信号に対して一定時間長（フレーム）ごと
に分析して特徴パラメータを求め、複数フレームの特徴
パラメータで入力ベクトルを形成し、入力ベクトルと標
準パターンの一部である部分パターンとの部分距離を統
計的距離尺度で求めた結果と、単語長を一定の長さに正
規化し、特徴パラメータを時間的順序に並べて単語標準
パターンを作成し、入力音声に対して基準フレームを端
点としそれから時間長Ｎ１およびＮ２（Ｎ１＜Ｎ２）の
２つの区間を設定して、基準点とＮ１の区間を音声区間
の最小値そして基準点とＮ２の区間を音声区間の最大値
と考えて、最小音声区間と最大音声区間の間に複数の音
声区間を仮定し、仮定した音声区間長を一定時間長に伸
縮しながら標準パターンとの照合を行って求めた距離と
を、ある一定の重みで加算して距離を求めるという操作
を、フレームをシフトしながら次々と形成した入力ベク
トルと前記連接した部分パターンとの間で逐次行なって
ゆき、計算された部分距離を累積することによって入力
音声と標準パターンとの距離を求め、１フレームごとに
全認識対象音声の標準パターンに対する距離を相互に比
較して当該フレームの最小距離と距離が最小となる音声
名を求め、それ以前のフレームにおける最小距離と当該
フレームの最小距離を比較して最小距離と対応する音声
名を更新・記憶してゆき、入力信号の終了時点において
記憶されている音声名を認識結果とすることを特徴とす
る音声認識方法。
【請求項６】部分類似度を計算するための部分パター
ンが、複数フレームのデータを用いて作成されており、
フレーム間の相関を包含するものであることを特徴とす
る請求項５記載の音声認識方法。
【請求項７】入力ベクトルと部分パターンとの距離を
計算する統計的距離尺度が、事後確率に基づく距離尺度
であることを特徴とする請求項５記載の音声認識方法。
【請求項８】統計的距離尺度が事後確率に基づく一次
判別式であることを特徴とする請求項５記載の音声認識
方法。