JPH0632008B2

JPH0632008B2 - 音声認識装置

Info

Publication number: JPH0632008B2
Application number: JP60015846A
Authority: JP
Inventors: 雅男渡; 曜一郎佐古; 誠赤羽; 篤信平岩
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 1985-01-30
Filing date: 1985-01-30
Publication date: 1994-04-27
Anticipated expiration: 2009-04-27
Also published as: JPS61174600A

Description

【発明の詳細な説明】以下この順序でこの発明を説明する。

Ａ産業上の利用分野Ｂ発明の概要Ｃ従来の技術Ｄ発明が解決しようとする問題点Ｅ問題点を解決するための手段（第１図）Ｆ作用（第２図）Ｇ実施例Ｇ１音響分析回路の説明（第３図）Ｇ２時間正規化処理の説明（第３図，第４図，第５図）Ｇ３パターンマッチング処理の説明（第３図）Ｈ発明の効果Ａ産業上の利用分野この発明は、前もって作成し記憶してある認識対象語の
標準パターンと、認識したい語の入力パターンとのパタ
ーンマッチングを行うことによりなす音声認識装置に関
する。

Ｂ発明の概要この発明はパターンマッチングにより音声認識をなす装
置において、そのマッチングをとるパターンとして、入
力音声信号の音声区間で音響分析して得た音響パラメー
タ時系列がそのパラメータ空間で描く軌跡を推定しその
軌跡を所定間隔で再サンプリングして得た新たな認識パ
ラメータを用いるとともに、軌跡を推定するとき常に無
音部から軌跡が始まるようにし、かつ、新たな認識パラ
メータ時系列もこの無音部から始まるようにして、入力
信号から音声区間を判定するときのずれがあっても、認
識パラメータ時系列にはその影響が殆んどないようにし
たものである。

Ｃ従来の技術音声は時間軸に沿って変化する現象で、スペクトラム・
パターンが刻々と変化するように音声を発声することに
よって固有の単語や言葉が生まれる。この人間が発声す
る単語や言葉を自動認識する技術が音声認識であるが、
人間の聴覚機能に匹適するような音声認識を実現するこ
とは現在のところ至難のことである。このため、現在実
用化されている音声認識の殆んどは、一定の使用条件の
下で、認識対象単語の標準パターンと入力パターンとの
パターンマッチングを行なうことによりなす方法であ
る。

第６図はこの音声認識装置の概要を説明するための図
で、マイクロホン(1)よりの音声入力が音響分析回路(2)
に供給される。この音響分析回路(2)では入力音声パタ
ーンの特徴を表わす音響パラメータが抽出される。この
音響パラメータを抽出する音響分析の方法は種々考えら
れるが、例えばその一例としてバンドパスフィルタと整
流回路を１チャンネルとし、このようなチャンネルを通
過帯域を変えて複数個並べ、このバンドパスフィルタ群
の出力としてスペクトラム・パターンの時間変化を抽出
する方法が知られている。この場合、音響パラメータは
その時系列Pi(n)（ｉ＝１，２・・・Ｉ；Ｉは例えばバ
ンドパスフィルタのチャンネル数、ｎ＝１，２・・・
Ｎ；Ｎは音声区間判定により判定された区間において認
識に利用されるフレーム数）で表わすことができる。

この音響分析回路(2)よりの音響パラメータ時系列Pi(n)
は、例えばスイッチからなるモード切換回路(3)に供給
される。この回路(3)のスイッチが端子Ａ側に切り換え
られるときは登録モード時で、音響パラメータ時系列Pi
(n)が認識パラメータとして標準パターンメモリ(4)にス
トアされる。つまり、音声認識に先だって話者の音声パ
ターンが標準パターンとしてこのメモリ(4)に記憶され
る。なお、この登録時、発声速度変動や単語長の違いに
より一般に各登録標準パターンのフレーム数は異なって
いる。

一方、このスイッチ(3)が端子Ｂ側に切り換えられると
きは認識モード時である。そして、この認識モード時
は、音響分析回路(2)からのそのときの入力音声の音響
パラメータ時系列が入力音声パターンメモリ(5)に供給
されて一時ストアされる。そしてこの入力パターンと標
準パターンメモリ(4)から読み出された複数の認識対象
単語の標準パターンのそれぞれとの違いの大きさが距離
算出回路(6)にて計算され、そのうち入力パターンと標
準パターンとの差が最小の認識対象単語が最小値判定回
路(7)にて検出され、これにて入力された単語が認識さ
れる。

このように、登録された標準パターンと入力パターンの
パターンマッチング処理により入力音声の認識を行なう
ものがあるが、この場合に同じ単語を同じように発声し
てもそのスペクトラムパターンは時間軸方向にずれたり
伸縮したりすることを考慮しなければならない。すなわ
ち、例えば「ハイ」という単語を認識する場合、標準パ
ターンが「ハイ」で登録されているとき、入力音声が
「ハーイ」と時間軸方向に伸びてしまった場合、これは
距離が大きく違い、全く違った単語とされてしまい、正
しい認識ができない。このため、音声認識のパターンマ
ッチングでは、この時間軸方向のずれ、伸縮を補正する
時間正規化の処理を行なう必要があり、また、この時間
正規化は認識精度を向上させるための重要な処理であ
る。

この時間正規化の一方法としてＤＰ(Dynamic Programmi
ng)マッチングと呼ばれる手法がある（例えば特開昭５
０−９６１０４号公報参照）。

このＤＰマッチングの手法は次のように説明できる。

入力パターンＡを次のように表現する。

Ａ＝ａ_１ａ_２・・・ａ_ｋ・・・ａ_ｋ (1) ここでａ_ｋは時刻ｋにおける音声の特徴を表す量で特徴
ベクトルと呼び、ａ_ｋ＝（ａ_ｋ１，ａ_ｋ２，‥‥ａ_ｋｑ‥‥ａ_ｋＱ）(2) で表わされる。Ｑはベクトルの次数で、音響分析にバン
ドパスフィルタ群を使用したときはそのチャンネル数に
相等する。

同様に特定の単語の標準パターンをＢとし、次のように
表わす。

Ｂ＝ｂ_１ｂ_２‥‥ｂ_ｌ‥‥ｂ_Ｌ (3) ｂ_ｌ＝（ｂ_ｌ１，ｂ_ｌ２，‥‥ｂ_ｌｑ，‥‥ｂ_ｌｑ） (4) 音声パターンの時間正規化は第７図に示すように入力パ
ターンＡと標準パターンＢの時間軸ｋとｌの間に写像操
作を行うものとみることができる。

この写像を関数ｌ＝ｌ(k) (5) と表現し、歪関数と呼ぶ。この歪関数がわかれば標準パ
ターンＢの時間軸をこれによって変換し、入力パターン
Ａの時間軸ｋにそろえることができる。換言すれば、こ
の歪関数によりパターンＢは、入力パターンの時間軸ｋ
にそろえられたパターンＢ′に変換される。

ここで、Ｂ′＝ｂ_l(1)ｂ_l(2)‥‥ｂ_l(k)‥‥ｂ_l(k) (6) である。

この歪関数は未知であるが、この歪関数の最適条件から
求めることができる。すなわち、一方のパターン例えば
標準パターンを人工的に歪ませて他方のパターン（入力
パターン）に最も類似するようにする（距離を最小にす
る）と、元の歪はなくなり、最適な歪関数が求まり、写
像パターンＢ′が求まる。

ＤＰマッチングは、この原理を実行するための手法であ
り、歪関数に次のような制約を与えて、写像パターン
Ｂ′を得るものである。

(i) ｌ(k)は近似的に単調増加関数 (ii) ｌ(k)は近似的に連続関数 (iii)ｌ(k)はｋの近傍の値をとる。

マッチング処理の結果として必要なものは、標準パター
ンと入力パターン間の距離で、で表わされる。ここで‖ ‖は二つのベクトルの距離
を示す。この距離の最小のものが標準パターンＢと入力
パターンＡを最適に時間正規化し、時間歪を除去したう
えでの両パターンの差を表わす量Ｄ（Ａ，Ｂ）であり、で定義できる。

したがって、登録された標準パターンが複数あるとき
は、各標準パターンと入力パターンとの量Ｄ（Ａ，Ｂ）
を求め、その量Ｄ（Ａ，Ｂ）が最小になる標準パターン
とマッチングしたと判定する。

以上のように、ＤＰマッチングは時間軸のずれを考慮し
た多数の標準パターンを用意しておくのではなく、歪関
数によって多数の時間を正規化した標準パターンを生成
し、これと入力パターンとの距離を求め、その最小値の
ものを検知することにより、音声認識をするものであ
る。

ところで、以上のようなＤＰマッチングの手法を用いる
場合、登録される標準パターンのフレーム数は不定であ
り、しかも全登録標準パターンと入力パターンとのＤＰ
マッチング処理をする必要があり、語彙が多くなると演
算量が飛躍的に増加する欠点がある。

また、ＤＰマッチングは、定常部（スペクトラムパター
ンの時間変化のない部分）を重視したマッチング方式で
あるので部分的類似パターン間で誤認識を生じる可能性
があった。

このような欠点を生じない時間正規化の手法を本出願人
は先に提案した（例えば特願昭５９−１０６１７７
号）。

すなわち、音響パラメータ時系列Pi(n)は、そのパラメ
ータ空間を考えた場合、点列を描く。例えば認識対象単
語が「ＨＡＩ」であるとき音響分析バンドパスフィルタ
の数が２個で、 Pi(n)＝（Ｐ_１Ｐ_２）であれば、入力音声の音響パラメータ時系列はその２次
元パラメータ空間には第８図に示すような点列を描く。
この図から明らかなように音声の非足常部の点列は粗に
布し、準定常部は密に分布する。このことは完全に音声
が定常であればパラメータは変化せず、その場合には点
列はパラメータ空間において一点に停留することとなる
ことから明らかであろう。

そして、以上のことから、音声の発声速度変動による時
間軸方向のずれは殆んどが準定常部の点列密度の違いに
起因し、非定常部の時間長の影響は少ないと考えられ
る。そこで、この入力パラメータ時系列Pi(n)の点列か
ら第９図に示すように点列全体を近似的に通過するよう
な連続曲線で描いた軌跡を推定すれば、この軌跡は音声
の発声速度変動に対して殆んど不変であることがわか
る。

このことから、出願人は、次のような時間軸正規化方法
を提案した。すなわち、先ず入力パラメータの時系列Pi
(n)の始端Pi(1)から終端Pi_(N)までを連続曲線で描いた軌跡を推定し、この推定した曲線から軌跡の長さＳを求める。そして第１０図に示すよう
にこの軌跡に沿って所定長Ｔで再サンプリングする。例
えばＭ個の点に再サンプリングする場合、Ｔ＝Ｓ／（Ｍ−１） (9) の長さを基準として軌跡を再サンプリングする。この再
サンプリングされた点列を描くパラメータ時系列をQi
(m)（ｉ＝１，２‥‥Ｉ，ｍ＝１，２‥‥Ｍ）とすれ
ば、このパラメータ時系列Qi(m)は軌跡の基本情報を有
しており、しかも音声の発声速度変動に対して殆んど不
変なパラメータである。つまり、時間軸が正規化された
認識パラメータ時系列である。

したがって、このパラメータ時系列Qi(m)を標準パター
ンとして登録しておくとともに、入力パターンもこのパ
ラメータ時系列Qi(m)として得、このパラメータ時系列Q
i(m)により両パターン間の距離を求め、その距離が最小
であるものを検知して音声認識を行うようにすれば、時
間軸方向のずれが正規化されて除去された状態で音声認
識が常になされる。

そして、この処理方法によれば、登録時の発声速度変動
や単語長の違いに関係なく認識パラメータ時系列Qi(m)
のフレーム数は常にＭであり、その上認識パラメータ時
系列Qi(m)は時間正規化されているので、入力パターン
と登録標準パターンとの距離の演算は最も単純なチェビ
シェフ距離を求める演算でも良好な効果が期待できる。

また、以上の方法は音声の非定常部をより重視した時間
正規化の手法であり、ＤＰマッチング処理のような部分
的類似パターン間の誤認識が少なくなる。

さらに、発声速度の変動情報は正規化パラメータ時系列
Qi(m)には含まれず、このためパラメータ空間に配位す
るパラメータ遷移構造のグローバルな特徴等の扱いが容
易となり、不特定話者認識に対しても有効な各種方法の
適用が可能となる。

なお、以下、この時間正規化の処理をＮＡＴ(Normaliza
tion Along Trajectory)処理と呼ぶ。

Ｄ発明が解決しようとする問題点以上のＮＡＴ処理は、単語が発声されている音声区間内
の情報に対して行なわれるのは当然である。ところで、
この音声区間の判定は入力音声パワーとゼロクロス点の
数から従来一般に行なっているので、同じ単語を発声速
度変動なしに発声したとしても音声の発声者により音声
区間と判定される区間は異なることが多い。このことは
音響パラメータ時系列の始点Pi(1)、さらに終端Pi_(N)が
異なることになり、これから当然のように推定される軌
跡も変わってしまうことになる。特に始端Pi(1)が異な
ればすべてその後も異なってしまうことになるので、パ
ターンのずれは恒久的になり音声認識の正確度が損われ
る。

Ｅ問題点を解決するための手段第１図はこの発明による音声認識装置の基本的構成の一
例を示す図で第６図と対応する部分には同一符号を付
す。

この例の場合、音響分析回路(2)はバンドパスフィルタ
群を用いたものが用いられる。すなわち、マイクロホン
(1)からの音声信号はＡ／Ｄコンバータ(21)に供給され
てデジタル信号に変換され、このデジタル信号がデジタ
ルバンドパスフィルタ群(22)に供給されて複数の周波数
成分からなる信号に変換される。このバンドパスフィル
タ群(22)出力は特徴抽出回路(23)に供給される。Ａ／Ｄ
コンバータ(21)よりのデジタル音声信号は、また、音声
区間判定回路(25)に供給されて、マイクロホン(1)に音
声入力がなされた区間が判定され、その判定出力が特徴
抽出回路(23)に供給される。

特徴抽出回路(23)では、この音声判定区間においてバン
ドパスフィルタ群(22)の出力から音響パラメータ時系列
Pi(n)が作成され、これが音響分析回路(2)の出力とされ
る。この音声判定区間内における音響パラメータ時系列
Pi(n)の無音付加回路(8)に供給されて、音響パラメータ
時系列の始点Pi(1)の前に無音のときの音響パラメータ
が付加される。また、この例では終点Pi(N)の後にも無
音のときの音響パラメータが付加される。

この無音付加回路(8)の出力はＮＡＴ処理回路(9)に供給
されて、始点Pi(1)の前と終点Pi_(N)の後に無音のパラメ
ータが付加された状態の音響パラメータ時系列Pi(n)′
から前述したようにその音響パラメータ空間における軌
跡が推定され、この軌跡に基づいて新たな認識パラメー
タ時系列Qi(m)が形成される。

そして、このパラメータ時系列Qi(m)がモード切換回路
(3)を通じて、登録モード時は標準パターンメモリ(4)に
ストアされて登録され、認識モード時は距離算出回路
(6)に供給されて、標準パターンメモリ(4)からの複数の
登録標準パターンとの距離が計算され、その計算結果の
最小の標準パターンが最小値判定回路(7)にて判定さ
れ、その判定出力が認識出力とされる。

なお、実際的にはＮＡＴ処理はマイクロコンピュータを
用いて行なうもので、この場合無音付加回路(8)は特に
設けず、音声判定区間内の音響パラメータ時系列Pi(n)
から軌跡を推定する際、パラメータ時系列Pi(n)の始点P
i(1)を軌跡の始点とせず、必ず無音を始点として推定す
るようにしてもよい。終端Pi_(N)についても同様にでき
る。

Ｆ作用以上の構成によれば、ＮＡＴ処理回路(9)において、推
定される軌跡は必ず始点が無音から始まり、またこの例
では無音で終わるので第２図で実線(10)で示すような軌
跡を描く。そして、この軌跡から認識パラメータ時系列
Qi(m)が作成される。

したがって、音声区間判定回路(24)において判定される
区間は、同一単語であり、かつ、発声速度変動がなかっ
たとしても入力音声の大きさ等により常に定まった音声
区間とはならず、Pi(n)はその区間のずれに影響される
が、軌跡が常に無音部から始まるように推定されるの
で、作成された認識パラメータ時系列Qi(m)には、この
音声判定区間のずれの影響が生じない。

Ｇ実施例第３図はこの発明による音声認識装置の一実施例で、こ
の例は音響分析に１５チャンネルのバンドパスフィルタ
群を用いた場合である。

Ｇ１音響分析回路(2)の説明すなわち、音響分析回路(2)においては、マイクロホン
(1)からの音声信号がアンプ(211)及び帯域制限用のロー
パスフィルタ(212)を介してＡ／Ｄコンバータ(213)に供
給され、例えば１２．５kHzのサンプリング周波数で１
２ビットのデジタル音声信号に変換される。このデジタ
ル音声信号は、１５チャンネルのバンドパスフィルタバ
ンク(22)の各チャンネルのデジタルバンドパスフィルタ
(221₀)，(221₁)，‥‥，(221₁₄)に供給される。このデ
ジタルバンドパスフィルタ(221₀)，(221₁)，‥‥，(221
₁₄)は例えばバターワース４次のデジタルフィルタにて
構成され、２５０Hzから５．５KHzまでの帯域が対数軸
上で等間隔で分割された各帯域が各フィルタの通過帯域
となるようにされている。そして、各デジタルバンドパ
スフィルタ(221₀)，(221₁)，‥‥，(221₁₄)の出力信号
はそれぞれ整流回路(222₀)，(222₁)，‥‥，(222₁₄)に
供給され、これら整流回路(222₀)，(222₁)，‥‥(22
2₁₄)の出力はそれぞれデジタルローパスフィルタ(22
3₀)，(223₁)，‥‥，(223₁₄)に供給される。これらデジ
タルローパスフィルタ(223₀)，(223₁)，‥‥，(223₁₄)
は例えばカットオフ周波数５２．８HzのＦＩＲローパス
フィルタにて構成される。

音響分析回路(2)の出力である各デジタルローパスフィ
ルタ(223₀)，(223₁)，‥‥，(223₁₄)の出力信号は特徴
抽出回路(23)を構成するサンプラー(231)に供給され
る。このサンプラー(231)ではデジタルローパスフィル
タ(223₀)，(223₁)，‥‥，(223₁₄)の出力信号をフレー
ム周期５．１２msec毎にサンプリングする。したがっ
て、これよりはサンプル時系列Ai(n)（ｉ＝１，２，‥
‥１５；ｎはフレーム番号でｎ＝１，２，‥‥，Ｎ）が
得られる。

このサンプラー(231)からの出力、つまりサンプル時系
列Ai(n)は音源情報正規化回路(232)に供給され、これに
て認識しようとする音声の話者による声帯音源特性の違
いが除去される。こうして音源特性の違いが正規化され
て除去されて音響パラメータ時系列Pi(n)がこの音源情
報正規化回路(232)より得られる。そして、このパラメ
ータ時系列Pi(n)が音声区間内パラメータメモリ(233)に
供給される。この音声区間内パラメータメモリ(233)で
は音声区間判定回路(24)からの音声区間判定信号を受け
て音源特性の正規化されたパラメータPi(n)が判定さた
音声区間毎にストアされる。

音声区間判定回路(24)はゼロクロスカウンタ(241)とパ
ワー算出回路(242)と音声区間決定回路(243)とからな
り、Ａ／Ｄコンバータ(213)よりのデジタル音声信号が
ゼロクロスカウンタ(241)及びパワー算出回路(242)に供
給される。ゼロクロスカウンタ(241)では１フレーム周
期５．１２msec毎に、この１フレーム周期内の６４サン
プルのデジタル音声信号のゼロクロス数をカウントし、
そのカウント値が音声区間決定回路(243)の第１の入力
端に供給される。パワー算出回路(242)では１フレーム
周期毎にこの１フレーム周期内のデジタル音声信号のパ
ワー、すなわち２乗和が求められ、その出力パワー信号
が音声区間決定回路(243)の第２の入力端に供給され
る。音声区間決定回路(243)には、さらに、その第３の
入力端に音源情報正規化回路(232)よりの音源正規化情
報が供給される。そして、この音声区間決定回路(243)
においてはゼロクロス数、区間内パワー及び音源正規化
情報が複合的に処理され、無音、無声音及び有声音の判
定処理が行なわれ、音声区間が決定される。

この音声区間決定回路(243)よりの判定された音声区間
を示す音声区間判定信号は音声区間判定回路(24)の出力
として音声区間内パラメータメモリ(233)に供給され
る。

こうして、判定音声区間内においてメモリ(233)にスト
アされた音響パラメータ時系列Pi(n)は無音付加回路(8)
を介してＮＡＴ処理回路(9)に供給される。

Ｇ２時間正規化処理の説明無音付加回路(8)ではパラメータ時系列Pi(n)の始点Pi
(1)の前と終点Pi_(N)の後に、予め用意された無音を音響
分析したときのパラメータを付加する。この無音付加処
理は、メモリ(233)に無音を音響分析したときのパラメ
ータを予めストアしておき、メモリ(233)からパラメー
タ時系列Pi(n)を読み出すとき、これに先だって先ず、
その無音のパラメータを読み出し、次いでパラメータ時
系列Pi(n)を読み出し、最後に再び無音のパラメータを
読み出すようにしてもよい。また、以下に述べるＮＡＴ
処理における軌跡長の算出及び認識パラメータQi(m)の
抽出時に、必ず無音を始点として演算処理するようにし
てもよい。

ＮＡＴ処理回路(9)は軌跡長算出回路(91)と補間間隔算
出回路(92)と補間点抽出回路(93)からなる。

無音付加回路(8)からの無音から開始するパラメータ時
系列Pi(n)′（ｉ＝１，２，‥‥１５；ｎ＝０，１，
２，‥‥，Ｎ，Ｎ＋１）は軌跡長算出回路(91)に供給さ
れる。ここでPi(o)′＝Pi_(N+1)′＝０である。この軌跡
長算出回路(91)においては音響パラメータ時系列Pi
(n)′がそのパラメータ空間において第４図に示すよう
に描く直線近似による軌跡の長さを算出する。

この場合、Ｉ次元ベクトルａ_ｉ及びｂ_ｉ間のユークリッ
ド距離Ｄ（ａ_ｉｂ_ｉ）はである。そこで、１次元の音響パラメータ時系列Pi
(n)′より、直線近似により軌跡を推定した場合の時系
列方向に隣接するパラメータ間距離S(n)はS(n)＝Ｄ（Pi
（ｎ＋１）′，Pi(n)′）（ｎ＝０，１，‥‥，Ｎ）・・・(11) と表わされる。そして、時系列方向における第１番目の
パラメータPi(o)′から第ｎ番目のパラメータPi(n)迄の
距離SL(n)はと表わされる。なお、SL(1)＝０である。

そして、全軌跡長SLはと表わされる。軌跡長算出回路(91)はこの(11)式、(12)
式及び(13)にて示す信号処理を行なう。

この軌跡長算出回路(91)にて求められた軌跡長SLを示す
信号は補間間隔算出回路(92)に供給される。この補間間
隔算出回路(92)では軌跡に沿って再サンプリングすると
きの再サンプリング間隔Ｔを算出する。

この場合、Ｍ点に再サンプリングするとすれば、再サン
プリング間隔ＴはＴ＝SL／（Ｍ−１）・・・(14) として求められる。

この補間間隔算出回路(92)よりの再サンプリング間隔Ｔ
を示す信号は補間点抽出回路(93)に供給される。また、
無音付加回路(8)よりの音響パラメータ時系列Pi(n)′
も、また、この補間点抽出回路(93)に供給される。この
補間点抽出回路(93)は音響パラメータ時系列Pi(n)′の
そのパラメータ空間における軌跡、例えばパラメータ間
を直線近似した軌跡に沿って第４図において〇にて示す
ように再サンプリング間隔Ｔで再サンプリングし、この
サンプリングにより得た新たな点列より認識パラメータ
時系列Qi(m)を形成する。

ここで、この補間点抽出回路(93)においては第５図に示
すフローチャートに従った処理がなされ、認識パラメー
タ時系列Qi(m)が形成される。

先ず、ステップ〔101〕にて再サンプリング点の時系列
方向における番号を示す変数Ｊに値１が設定されると共
に音響パラメータ時系列Pi(n)′のフレーム番号を示す
変数ICに値０が設定され、イニシャライズされる。次に
ステップ〔102〕にて変数Ｊがインクリメントされ、ス
テップ〔103〕にてそのときの変数Ｊが（Ｍ−１）以下
であるかどうかが判別されることにより、そのときの再
サンプリング点の時系列方向における番号がリサンプリ
ングする必要のある最後の番号になっているかどうかを
判断する。最後の番号であればステップ〔104〕に進
み、再サンプリングは終了する。

最後の番号でなければステップ〔105〕にて第１番目の
再サンプリング点（これは必ず無音の部分である。）か
ら第Ｊ番目の再サンプリング点までの再サンプリング距
離DLが算出される。次にステップ〔106〕に進み変数IC
がインクリメントされる。次にステップ〔107〕にて再
サンプル距離DLが音響パラメータ時系列Pi(n)′の第１
番目のパラメータPi(O)から第IC番目のパラメータPi
_(IC)′までの距離SL_(IC)よりも小さいかどうかにより、
そのときの再サンプリング点が軌跡上においてそのとき
のパラメータPi_(IC _′ ₎よりも軌跡の始点側に位置するか
どうかが判断され、始点側に位置していなければステッ
プ〔106〕に戻り変数ICをインクリメントした後再びス
テップ〔107〕にて再サンプリング点とパラメータPi_(IC
_′ ₎との軌跡上における位置の比較をし、再サンプリン
グ点が軌跡上においてパラメータPi_(IC)よりも始点側に
位置すると判断されたとき、ステップ〔108〕に進み認
識パラメータPi_(J)が形成される。

即ち、第Ｊ番目の再サンプリング点による再サンプリン
グ距離DLからこの第Ｊ番目の再サンプリング点よりも始
点側に位置する第(IC-1)番目のパラメータPi_(IC-1)′に
よる距離SL_(IC-1)を減算して第(IC-1)番目のパラメータ
Pi_(IC-1)′から第Ｊ番目の再サンプリング点迄の距離SS
を求める。次に、軌跡上においてこの第Ｊ番目の再サン
プリング点の両側に位置するパラメータPi_(IC-1)′及び
パラメータPi_(IC _′ ₎間の距離Ｓ(n)（この距離Ｓ(n)は(1
1)式にて示される信号処理にて得られる。）にてこの距
離SSを除算し、この除算結果SS／S_(IC-1)に軌跡上にお
いて第Ｊ番目の再サンプリング点の両側に位置するパラ
メータPi_(IC)とPi_(IC-1)との差（Pi_(lC)−Pi_(lC-1)）を
掛算して、軌跡上において第Ｊ番目の再サンプリング点
のこの再サンプリング点よりも始点側に隣接して位置す
る第(IC-1)番目のパラメータPi_(IC-1)′からの補間量を
算出し、この補間量と第Ｊ番目の再サンプリング点より
も始点側に隣接して位置する第(IC-1)番目のパラメータ
Pi_(IC-1)′とを加算して、軌跡に沿う新たな認識パラメ
ータQi_(J)が形成される。

このようにして始点及び終点（これらはQi(1)＝である。）を除く（Ｍ−２）点の再サンプリングにより
認識パラメータ時系列Qi(m)が形成される。

Ｇ３パターンマッチング処理の説明このＮＡＴ処理回路(9)よりの認識パラメータ時系列Qi
(m)はモード切換(3)により、登録モードにおいては認識
対象語毎に標準パターンメモリ(4)にストアされる。ま
た、認識モードにおいては距離算出回路(6)に供給さ
れ、標準パターンメモリ(4)よりの標準パターンのパラ
メータ時系列との距離の算出がなされる。この場合の距
離は例えば簡易的なチェビシェフ距離として算出され
る。この距離算出回路(6)よりの各標準パターンと入力
パターンとの距離の算出出力は最小値判定回路(7)に供
給され、距離算出値が最小となる標準パターンが判定さ
れ、この判定結果により入力音声の認識結果が出力端(7
0)に得られる。

Ｈ発明の効果この発明によれば、ＮＡＴ処理のときに推定する軌跡は
必ず無音から開始し、この無音から再サンプルするよう
にしたので、音声信号判定区間のずれの影響はこの軌跡
から得る再サンプルデータ、つまり認識パラメータ時系
列Qi(m)には殆んどない。したがって、パターンマッチ
ングによる認識は良好に行なえる。

【図面の簡単な説明】

第１図はこの発明装置の一実施例のブロック図、第２図
はその説明のための図、第３図はこの発明装置の具体的
一実施例のブロック図、第４図はその説明のための図、
第５図はその要部の動作の説明のためのフローチャート
を示す図、第６図は音声認識装置の基本構成を示すブロ
ック図、第７図はＤＰマッチングを説明するための図、
第８図〜第１０図はＮＡＴ処理を説明するための図であ
る。 (2)は音響分析回路、(4)は標準パターンメモリ、(6)は
標準パターンと入力パターンとの距離算出回路、(7)は
最小値判定回路、(9)はＮＡＴ処理回路である。

───────────────────────────────────────────────────── フロントページの続き (72)発明者平岩篤信東京都品川区北品川６丁目７番35号ソニー株式会社内 (56)参考文献日本音響学会講演論文集昭和59年10月１−９−９Ｐ．17−18

Claims

【特許請求の範囲】

【請求項１】入力音声信号の音声区間を判定する音声区
間判定手段と、この音声区間判定手段にて判定された音
声区間内で音響パラメータ時系列を得る特徴抽出手段
と、この特徴抽出手段よりの音響パラメータ時系列がパ
ラメータ空間で描く軌跡を推定しこの軌跡に沿って再サ
ンプリングを行なうことにより認識パラメータ時系列を
得る処理手段と、認識対象語の標準パターンの認識パラ
メータ時系列がストアされている標準パターンメモリ
と、上記処理手段よりの入力パターンの認識パラメータ
時系列と上記標準パターンメモリからの標準パターンの
認識パラメータ時系列との差を算出する距離算出手段
と、この距離算出手段で、算出された値の最小のものを
検知して認識出力を得る最小値判定手段とを有し、上記処理手段においては、上記判定された音声区間内の
パラメータに拘わらず、常に無音から軌跡が始まるよう
に推定され、かつ、上記再サンプリングもこの無音から
常になされて上記認識パラメータが形成されるようにな
された音声認識装置。