JPH06222788A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 入力された音声の初期部分に雑音が含まれる
ような場合にも、この音声を正確に認識することができ
る音声認識装置を開発すること。 【構成】 入力された音声信号を登録部メモリ１９の音
声辞書信号に対してフレ−ム順序でシフトさせると共
に、シフト毎に上記両信号から内積を算出する。そし
て、内積が最大となるシフト状態を検出し、検出したシ
フト状態で音声辞書信号の開始点に相当する音声信号の
フレ−ム位置を音声区間の始端と決定する始端決定手段
２１が備えてある。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、入力される音声を電
気的に認識する音声認識装置に関し、具体的には、認識
するに必要な音声の初期に雑音がある場合でも安定して
マツチング処理することができる音声認識装置である。

【０００２】

【従来の技術】図６は音声認識装置の従来例を示すブロ
ツク図である。この音声認識装置は、音声をマイクロフ
ォン１１に入力させることにより、その音声信号がアナ
ログ信号として増幅器１２を介して所定の音声帯域を通
過させる音声帯域フィルタ１３に入力する。

【０００３】この音声帯域フィルタ１３は、ロ−パスフ
ィルタによって構成され、その出力信号をＡ／Ｄ変換器
１４に入力する。

【０００４】Ａ／Ｄ変換器１４は一定時間間隔で音声信
号をデジタル変換しパラメ−タ抽出部１５に入力する。
なお、パラメ−タ抽出部１５は音声辞書作成部１６、比
較部１７と共にＣＰＵ１８に設けられている。

【０００５】パラメ−タ抽出部１５は、いくつかの周波
数成分を抜き出し、複数のタイムスペクトラムパタ−ン
を抽出する。また、各フレ−ムの和を音声のパワ−レベ
ルとする。図７にパラメ−タ抽出部１５の出力信号形成
を示す。この図７には、スペクトラムを３チャンネルに
分けたスペクトラム信号と音声信号（これらの総和に相
当する）とを直列伝送する例を示している。さらに、各
フレ−ムを検出値（しきい値）と比較して音声の始端と
終端とを検出し、音声区間を定める。例えば、音声信号
のパワ−レベルが３フレ−ム連続して検出値を越えた場
合はその第１フレ−ムを音声始端とし、また、音声信号
のパワ−レベルが２０フレ−ム連続して検出値以下とな
った場合はその第１フレ−ムを音声終端として検出す
る。

【０００６】このように抽出されたスペクトラム信号は
比較部１７によって、呼出し状態にある登録部メモリ１
９に登録されている音声辞書信号中の各スペクトラム信
号とマッチングされ、これらの一致度が高いときに音声
認識信号２０が出力される。

【０００７】なお、登録部メモリ１９には、認識するに
必要な全単語が登録されたもの、認識するに必要な単語
を音素単位で表記した単語辞書として登録されたもの、
また、認識するに必要な単語を音節を単位として登録さ
れたものなどがあり、これらのパワ−レベルが図７に示
すようなスペクトラム毎に記憶されると共に、音声信号
のパワ−レベルも記憶される。比較部１７ではこのよう
に登録されている音声辞書信号にしたがってマッチング
が行なわれる。

【０００８】なお、登録部メモリ１９に音声辞書信号を
登録する場合は、辞書登録モ−ドに切換えた状態で、す
なわち、登録部メモリ１９を書込み状態にして上記同様
に音声入力する。この音声入力でパラメ−タ抽出部１５
が特徴抽出した音声信号を出力し、この音声信号が音声
辞書作成部１６により処理されると共にアドレス指定さ
れ、登録部メモリ１９の所定のアドレスに登録される。

【０００９】

【発明が解決しようとする課題】上記した音声認識装置
では、上記したように予め定めた一定の検出値を設け、
音声信号のパワ−レベルがその検出値より大きくなる区
間を検出して音声区間としている。

【００１０】このため、認識するに必要な音声入力の直
前に雑音が入力した場合には、図８に示したように、時
間Ｔ₁に発生した雑音信号に続いて時間Ｔ₂の音声信号Ｂ
が取り込まれる。このことから、雑音信号と一連となつ
た音声信号Ｂと音声辞書信号Ａの各スペクトラム信号が
比較される。

【００１１】この結果、音声信号Ｂが雑音信号の発生時
間Ｔ₁だけずれて音声辞書信号Ａと比較されることにな
り、音声信号Ｂと音声辞書信号Ａとが一致している場合
でも、「一致」の音声認識ができないと言う問題があ
る。

【００１２】本発明は上記した実情にかんがみ、音声入
力の直前に雑音入力があっても安定したマッチングを行
なうようにした音声認識装置を開発することを目的とす
る。

【００１３】

【課題を解決するための手段】上記した目的を達成する
ため、本発明では、入力された音声信号を所定の音声区
間で検出し、音声区間の音声信号より抽出したパラメ−
タと予め登録された音声辞書信号とをマッチングさせて
音声認識する音声認識装置において、音声辞書信号を同
じ時間間隔で細分化して多数のフレ−ムとし、音声辞書
信号に対し音声信号をフレ−ムの順序に沿って順次シフ
トする手段と、シフト毎に両信号レベルから内積を求
め、内積が最大となるシフト状態を検出する手段と、検
出されたシフト状態で音声辞書信号の開始点に合わせた
音声信号の開始点を決定する手段とからなる音声区間の
始端決定手段を設け、音声信号のパラメ−タを上記した
開始点より音声辞書信号とマッチングさせて音声認識す
る構成としたことを特徴とする音声認識装置を提案す
る。

【００１４】

【作用】この発明の音声認識装置は、音声区間の始端決
定手段により音声信号の開始点を決定する。

【００１５】つまり、音声信号を音声辞書信号に対し、
フレ−ムに沿って順次シフトさせると共に、シフト毎に
これら両信号レベルから内積を求める。

【００１６】そして、両信号の内積が最大となるシフト
状態で音声信号のパラメ−タと音声辞書信号とが最も整
合するから、このシフト状態における音声辞書信号の初
段フレ−ムに相当する音声信号のフレ−ム位置を音声区
間の始端として定める。

【００１７】音声区間の始端をこのように定めた後マッ
チングに移るから、音声信号のパラメ−タが正確に音声
辞書信号と比較され、音声認識装置が安定したものとな
る。

【００１８】

【実施例】次に本発明の一実施例について図面に沿って
説明する。図１は本発明を実施した音声認識装置のブロ
ック図を示す。なお、この実施例では、パラメ−タ抽出
部１５と比較部１７との間に音声区間の始端決定部２１
を設けたことが特徴となっており、その他の構成は図６
に示す従来の音声認識装置と同構成である。

【００１９】音声区間の始端決定部２１は、音声辞書信
号に対し、入力された音声信号をフレ−ム順序でシフト
させて、これら信号レベルから内積を求める手段を備え
ている。

【００２０】すなわち、登録部メモリ１９より読み出し
た音声信号に相当する音声辞書信号Ａを図２（Ａ）に示
した如く、Ａ₁、Ａ₂、Ａ₃・・・・・・Ａｎの間隔でフ
レ−ム化する。なお、このフレ−ムＡ₁、Ａ₂、Ａ₃・・
・・・・・Ａｎは等間隔としてある。

【００２１】また、パラメ−タ抽出部１５より出力され
た音声信号Ｂは、図２（Ｂ）の如く、Ｂ₁、Ｂ₂、Ｂ₃・
・・・・・・Ｂｍのようにフレ−ム化する。なお、この
フレ−ムＢ₁、Ｂ₂、Ｂ₃・・・・・・・Ｂｍは時間的に
等間隔で、音声辞書信号Ａのフレ−ムＡ₁、Ａ₂、Ａ₃・
・・・・・・Ａｎと同じフレ−ム周期となっている。ま
た、この図に示したフレ−ムＢ₁〜Ｂ₃の部分は雑音信号
を示し、フレ−ムＢ₄〜Ｂｍの部分は実音声信号を示し
ている。

【００２２】そして、上記始端決定部２１が音声辞書信
号Ａに対して音声信号Ｂをフレ−ム順序にしたがってシ
フトさせ、シフト毎に両信号レベルから内積を算出す
る。

【００２３】すなわち、音声入力されると、その音声信
号Ｂの第１フレ−ムＢ₁を音声辞書信号Ａのフレ−ムに
したがってシフトさせる。この場合、第１フレ−ムＢ₁
がフレ−ムＡ₁にシフトされると、両信号レベルから内
積Ｃ₁が算出される。すなわち、Ｃ₁＝Ａ₁×Ｂ₁＋Ａ₂＋
Ｂ₂＋・・・・・・・＋Ａｎ×Ｂｍとなる。この第２フ
レ−ムのＢ₂がフレ−ムＡ₁にシフトされると、同様に両
信号レベルから内積Ｃ₂が算出される。すなわち、Ｃ₂＝
Ａ₁×Ｂ₂＋Ａ₂＋Ｂ₃＋・・・・・・・＋Ａｎ×Ｂｍ＋１
となる。このように、第１フレ−ムＢ₁が音声辞書信号
Ａのフレ−ムＡ₁、Ａ₂、Ａ₃・・・・・・Ａｎを順次シ
フトする間に各々のシフト位置で内積が算出される。続
いて送られる第３フレ−ムＢ₃についても同様にシフト
され、第３フレ−ムＢ₃が音声辞書信号Ａのフレ−ムＡ₁
のシフト位置で内積が算出される。以下同様に１フレ−
ムずつシフトさせながら内積を算出する。

【００２４】上記した始端決定部２１は、上記のように
音声信号Ｂをシフトさせて内積を算出した後に、内積が
最大となるシフト状態を検出する。すなわち、内積が最
大となるのは、音声信号Ｂが最も大きいレベルとなるフ
レ−ムＢｉが音声辞書信号Ａの最も大きいレベルのフレ
−ムＡ₄にシフトされたときとなるから、このシフト状
態を検出することになる。

【００２５】実際には、音声辞書信号Ａと音声信号Ｂは
多次元のベクトルとして考えることができるから、これ
ら信号Ａ、Ｂの内積を算出し、その相関値を求めて内積
が最大となるシフト状態を検出する。

【００２６】このようにシフト状態を検出すると、音声
辞書信号Ａに対して音声信号Ｂの実音声信号（フレ−ム
Ｂ₄〜Ｂｍ部分）が図３に示したようになり、実音声信
号の時間ずれが最も少ない整合した状態となる。

【００２７】始端決定部２１は、上記のように内積が最
大となるシフト状態を検出したとき、音声辞書信号Ａの
第１フレ−ムＡ₁に相当する音声信号Ｂのフレ−ムを検
出し、このフレ−ム位置を音声区間の始端として決定す
る。この実施例ではフレ−ムＢ₄が始端として決定され
る。

【００２８】上記のようにして音声区間の始端が決定さ
れた後は、従来例と同様にして音声信号Ｂのスペクトラ
ム信号が比較部１７によってマッチングされ、その音声
信号と音声辞書信号Ａの各スペクトラム信号の一致度が
高いときに音声認識信号２０が出力れる。

【００２９】図４は上記した始端決定部２１の動作を示
すフロ−チャ−トである。このフロ−チャ−トより分か
る如く、まず、最大内積値ｊとシフト数カウンタＫを０
にする。次にＫを１に設定し、内積を求める。該内積値
が最大内積値より多きければ該内積値をｊとする。Ｋ＝
ｎでなければフレ−ムシフトして、同様の動作を繰り返
す。Ｋがシフトｎに等しくなると終了し、そのときの内
積値が最大内積値ｊである。また、最大内積値ｊが得ら
れた時点のＫが最適なシフト数ｎになる。

【００３０】図５は上記した始端決定部２１を備える音
声認識装置の動作を示したフロ−チャ−トである。既に
説明したように、音声が入力されると、その音声信号が
増幅器１２、音声帯域フィルタ１３、Ａ／Ｄ変換器１４
を経てパラメ−タ抽出部１５に入力する。（ステップＳ
Ｔ１０１、ＳＴ１０２）

【００３１】パラメ−タ抽出部１５では、入力した音声
信号から音声区間の仮りの始端（第１フレ−ムＢ₁に相
当する位置）と終端（フレ−ムＢｍに相当する位置）を
定めると共に、音声の特徴を抽出した音声信号Ｂを出力
する。（ステップＳＴ１０３）

【００３２】このように出力された音声信号Ｂは始端決
定部２１に送られ、フレ−ムのシフトと内積の算出によ
って、音声辞書信号Ａとの関係で内積が最大となるシフ
ト状態が検出され、このシフト状態より音声区間の始端
（フレ−ムＢ₄）を決定する。（ステップＳＴ１０４、
ＳＴ１０５）

【００３３】その後は、音声信号Ｂの各スペクトラム信
号が比較部１７によって音声辞書信号Ａの各スペクトラ
ム信号と比較され、その一致度の判定が行なわれ、一致
度が高いときに音声認識信号２０が出力される。（ステ
ップＳＴ１０６、ＳＴ１０７）

【００３４】以上本発明の一実施例について説明した
が、音声信号Ｂをシフトさせるに当っては、必ずしも音
声辞書信号Ａの第１フレ−ムＡ₁より行なう必要がな
い。これら信号Ａ、Ｂが整合するフレ−ムのシフト位置
は大体に想定することができるから、音声辞書信号Ａの
適度なフレ−ム位置よりシフトを開始させる構成とし、
シフトと内積の算出に要する時間を短縮させることがで
きる。

【００３５】また、音声信号Ｂを音声辞書信号Ａのフレ
−ムＡ₁からフレ−ムＡｎに向かってシフトさせる実施
例について説明したが、この逆にフレ−ムＡｎからフレ
−ムＡ₁に向かってシフトさせても同様に実施すること
ができる。

【００３６】

【発明の効果】上記した通り、本発明に係る音声認識装
置は、初期部分に雑音がある音声が入力された場合で
も、雑音信号を除いた実音声信号が音声辞書信号と比較
されるため、音声信号の時間ずれがなく、マツチングが
正確となり、安定した音声認識を行なう音声認識装置と
なる。

【００３７】また、本発明は従来の音声認識装置に始端
決定手段のみを備えて実施できるので、実用化に優れた
音声認識装置となる。

【図面の簡単な説明】

【図１】本発明の一実施例を示した音声認識装置のブロ
ック図である。

【図２】図２（Ａ）は音声辞書信号のフレ−ム化を説明
するための波形図である。図２（Ｂ）は入力される音声
の音声信号のフレ−ム化を説明するための波形図であ
る。

【図３】音声区間の始端を決定する動作を説明するため
の波形図である。

【図４】始端決定部の動作を説明するためのフロ−チャ
−トである。

【図５】上記実施例の音声認識装置の動作を示したフロ
−チャ−トである。

【図６】従来例として示した音声認識装置のブロツク図
である。

【図７】パラメ−タ抽出部の出力信号形成を示す図であ
る。

【図８】従来の音声認識装置で行なわれる音声信号と音
声辞書信号のマッチングを説明するための波形図であ
る。

【符号の説明】

１１ マイクロフォン １２ 増幅器 １３ 音声帯域フィルタ １４ Ａ／Ｄ変換器 １５ パラメ−タ抽出部 １６ 辞書作成部 １７ 比較部 １８ ＣＰＵ １９ 登録部メモリ ２０ 音声認識信号 ２１ 音声区間の始端決定部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 入力された音声信号を所定の音声区間で
   検出し、音声区間の音声信号より抽出したパラメ−タと
   予め登録された音声辞書信号とをマッチングさせて音声
   認識する音声認識装置において、音声辞書信号を同じ時
   間間隔で細分化して多数のフレ−ムとし、音声辞書信号
   に対し音声信号をフレ−ムの順序に沿って順次シフトす
   る手段と、シフト毎に両信号レベルから内積を求め、内
   積が最大となるシフト状態を検出する手段と、検出され
   たシフト状態で音声辞書信号の開始点に合わせた音声信
   号の開始点を決定する手段とからなる音声区間の始端決
   定手段を設け、音声信号のパラメ−タを上記した開始点
   より音声辞書信号とマッチングさせて音声認識する構成
   としたことを特徴とする音声認識装置。