JPH0632011B2 - 音声認識装置 - Google Patents

Description

【発明の詳細な説明】 以下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 Ｇ 実施例 Ｇ１ 音響分析回路の説明（第２図） Ｇ２ 時間正規化処理の説明 （第２図，第３図） Ｇ３ パターンマッチング処理の説明（第２図） Ｇ４ デジタルフィルタ（８）の説明（第４図〜第９
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音声認識を行なう装置
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、音響パラメータ時系列の信
号をローパスフィルタを通すことにより、入力音声の定
常部にゆらぎ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敵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１０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
おいて認識の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Ｐ
ｉ（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
ものであるが、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
Ｐｒｏｇｒａｍｍｉｎｇ）マッチングと呼ばれる手法が
ある（例えば特開昭５０−９６１０４号公報参照）。

この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、この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用バンドパスフ
ィルタの数が２個で、 Ｐｉ（ｎ）＝（Ｐ_１ Ｐ_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１１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定常部の点列は
粗に分布し、準定常部が密に分布する。この場合、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
になるが、人間は同じ音を発生しても、音声のゆらぎの
ため完全な定常にはならず、図のように準定常部とし
て、ゆらぎの影響がでる。

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１２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Ｐ
ｉ（ｎ）の始端Ｐｉ（ｌ）から終端Ｐｉ（Ｎ）までを連
続曲線 で描いた軌跡を推定する。この場合、この軌跡の推定は
例えば音響パラメータ時系列を第１３図に示すように直
線近似することによって行なう。この推定した曲線 から軌跡の長さＳを求める。そして第１３図において〇
印で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）・・・（１） 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＝２，２・・・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Ｑｉ（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して除去された
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、以上のような時間正規化の処理をＮＡＴ
（Ｎｏｒｍａｌｉｚａｔｉｏｎ Ａｌｏｎｇ Ｔｒａｊ
ｅｃｔｏｒｙ）処理と呼ぶ。

Ｄ 発明が解決しようとする問題点 上述したように、入力音声はモノトーンであっても音響
分析回路よりの音響パラメータＰｉ（ｎ）は定常状態に
はならず、第１１図のようにゆらぐ。このため、ＮＡＴ
処理において軌跡を推稚するときこのゆらぎの影響を受
ける。例えば第１３図のように直線補間したときは、こ
のゆらぎの大きさがそのまま軌跡長に関与する。このた
め、正規化された認識パラメータ時系列Ｑｉ（ｎ）にこ
のゆらぎによる誤差が生じ、音声認識率の低下につなが
る欠点がある。

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１０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は変換される。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）はローパスフィルタ特性を有するデジタルフィル
タ（８）に供給される。このデジタルフィルタ（８）の
フィルタ特性は、原理的には音響分析回路（２）のバン
ドパスフィルタ群の出力帯域の０．３倍まで通すもので
あればよい。このデジタルフィルタ（８）の出力として
は定常部のゆらぎが抑圧された音響パラメータ時系列Ｐ
ｉ（ｎ）′が得られ、これがＮＡＴ処理回路（９）に供
給される。

このＮＡＴ処理回路（９）においては音響パラメータ時
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、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Ｐｉ（１）′を軌
跡の始点とせず、図の例のように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 音響分析回路（２）からの音響パラメータ時系列Ｐｉ
（ｎ）はローパスフィルタ特性を有するデジタルフィル
タ（８）を通って定常部のゆらぎが軽減されたものにさ
れる。そしてこれがＮＡＴ処理回路（９）に供給されて
軌跡推定に供されるので、軌跡に対するゆらぎの影響は
抑圧され、新たな認識パラメータ時系列Ｑｉ（ｎ）とし
て音声の認識率の向上が期待できるものが得られる。

Ｇ 実施例 第２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１６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１２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（２２１_１），（２２
１_２），・・・・，（２２１_１６）に供給される。この
デジタルバンドパスフィルタ（２２１_１），（２２
１_２），・・・・，（２２１_１６）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（２２１
_１），（２２１_２），・・・・，（２２１_１６）の出力
信号はそれぞれ整流回路（２２１_１），（２２２_２），
・・・・，（２２１_１６）に供給され、これら整流回路
（２２２_１），，（２２２_２），・・・・，（２２２
_１６）の出力はそれぞれデジタルローパスフィルタ（２
２３_１），（２２３_２），・・・・，（２２３_１６）に
供給される。これらデジタルローパスフィルタ（２２３
_１），（２２３_２），・・・・…，（２２３_１６）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（２２３_１），（２２３_２），・・・・，（２２
３_１６）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（２２
３_１），（２２３_２），・・・・，（２２３_１６）の出
力信号をフレーム周期５．１２ｍｅｓｃ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，・・・・１６；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。

即ち、フレーム周期毎にサンプラー（２３１）から供給
されるサンプラ時系列Ａｉ（ｎ）に対して ｉ（ｎ）＝ｌｏｇ（Ａｉ（ｎ）＋Ｂ）・・・（２） なる対数変換がなされる。この（１）式において、Ｂは
バイアスでノイズレベルが隠れる程度の値を設定する。

そして、声帯音源特性をｙｉ＝ａ・ｉ＋ｂなる式で近似
すると、このａ及びｂの係数は次式により決定される。

そして、音源の正規化されたパラメータをＰｉ（ｎ）と
すると、ａ（ｎ）＜０のときパラメータＰｉ（ｎ）は Ｐｉ（ｎ）＝ｉ（ｎ）−｛ａ（ｎ）・ｉ＋ｂ（ｎ）｝
・・・（５） と表される。

又、ａ（ｎ）≧０のときレベルの正規化のみ行ない、パ
ラメータＰｉ（ｎ）は と表される。

こうして声帯音源特性の違いが正規化されて除去された
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。

この音響パラメータ時系列Ｐｉ（ｎ）はデジタルフィル
タ（８）に供給される。このデジタルフィルタ（８）は
後述するようにローパスフィルタ特性を有する補間フィ
ルタで、この補間フィルタ（８）のローパスフィルタ特
性によって後段のＮＡＴ処理回路（９）において推定さ
れる軌跡の定常部でのゆらぎを除去するようにするとと
もに、音響パラメータＰｉ（ｎ）を補間し、より正確な
軌跡の推定を行なえるようにするものである。補間は音
響パラメータＰｉ（ｎ）の各々のデータ間に「０」のデ
ータを（Ｐ−１）個挿入した後、ＦＩＲフィルタリング
を行ってなし、これによりデータ数がＰ倍に増えた音響
パラメータＰｉ（ｎ）′がこれより得られる。

こうして、データサンプル数がＰ倍に増やされ、またロ
ーパスフィルタ特性により定常部のゆらぎの除去された
音響パラメータＰｉ（ｎ）′は音声区間内パラメータメ
モリ（２００）に供給される。この音声区間内パラメー
タメモリ（２００）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、パラメータＰｉ（ｎ）
が、判定され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（２４
１）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５．１２ｍｓｅ
ｃ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（２
４）の出力として音声区間内パラメータメモリ（２０
０）に供給される。

こうして、判定音声区間内においてメモリ（２００）に
ストアされた音響パラメータ時系列Ｐｉ（ｎ）′はＮＡ
Ｔ処理回路（９）に供給される。

Ｇ２ 時間正規化処理の説明 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。

パラメータメモリ（２００）からのパラメータ時系列Ｐ
ｉ（ｎ）′（ｉ＝１，２，・・・・，１６；ｎ＝１，
２，・・・・，Ｎ）は軌跡長算出回路（９１）に供給さ
れる。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
て前述の第１３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_ｉ，ｂ_ｉ）は である。そこで、Ｉ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＝１，・・・・，Ｎ）・・・（８） 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（１）′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）・・・（１１） 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、パラメータメモリ（２００）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１３図において〇印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、そのサンプリン
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３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１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〔１０
７〕にて再サンプル距離ＤＬが音響パラメータ時系列Ｐ
ｉ（ｎ）′の第１番目のパラメータＰｉ（ｌ）′から第
ＩＣ番目のパラメータＰｉ_{（ｌＣ′）}までの距離ＳＬ
_{（ｌＣ′）}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_{（ｌＣ′）}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〔１
０６〕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
_{（ｌＣ′）}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_{（ｌＣ′）}
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Ｑｉ_（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
_{（ｌＣ−１）}′による距離ＳＬ_{（ｌＣ−１）}を減算して
第（ＩＣ−１）番目のパラメータＰｉ_{（ｌＣ−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_{（ｌＣ−１）}′及びパ
ラメータＰｉ_{（ｌＣ′）}間の距離Ｓ（ｎ）（この距離Ｓ
（ｎ）は（１１）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、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_{（ｌＣ′）}とＰｉ
_{（ｌＣ−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_{（ｌＣ−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
_{（ｌＣ−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（これらはそれぞれ無音で
あるときは 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）はモード切換スイッチ（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（７０）に得られ
る。

Ｇ４ 補間フィルタ（８）の説明 第４図は補間フィルタ（８）の構成の一例を示すもの
で、各チャンネルのパラメータＰ_１（ｎ），Ｐ
_２（ｎ），・・・・，Ｐ_１６（ｎ）のそれぞれに対して
データ間に０データを詰める零データ挿入回路（８
１_１）（８１_２）・・・・（８１_１６）とＦＩＲフィル
タ（８２_１）（８２_２）・・・・（８２_１６）が設けら
れる。

零データ挿入回路（８１_１）〜（８１_１６）において
は、第５図Ａに示すように隣接パラメータＰｉ（ｋ）と
Ｐｉ（ｋ＋１）との間に〇印で示す０データがＰ−１個
例えば３個挿入される。

したがって、零データ挿入回路（８１ｉ）からは、 Ｐｉ（ｎ）′＝〔Ｐｉ（０），φ，φ，φ，Ｐｉ
（１），φ，φ，φ，Ｐｉ（２）・・・・〕 なるパラメータ時系列Ｐｉ（ｎ）′が得られる。すなわ
ち、このパラメータ時系列Ｐｉ（ｎ）′はパラメータ時
系列Ｐｉ（ｎ）に対しサンプルデータ数がＰ＝４倍に増
えたものとなる。

この新たなパラメータ時系列Ｐｉ（ｎ）′はＦＩＲフィ
ルタ（８２_１）〜（８２_１６）のそれぞれに供給され
る。

このＦＩＲフィルタ（８２_１）〜（８２_１６）のそれぞ
れは例えば第６図のように構成される。

すなわち、同図において、（８２０）は入力端子、ま
た、（８２１_１）（８２１_２）・・・・（８２１_Ｊ）は
それぞれ単位時間分の遅延素子で、この例では単位時間
はフレーム周期の１／４（＝１／ｐ）とされる。また、
（８２２_０）（８２２_１）（８２２_２）・・・・（８２
２_Ｊ）は乗算器で、それぞれ入力端（８２０）に得られ
るデータ、遅延素子（８２１_１）（８２１_２）・・・
・，（８２１_Ｊ）の出力に得られるデータをフィルタ係
数αｊ（ｊ＝０，１，２・・・・，Ｊ）倍する。そし
て、これら乗算器（８２２_０）〜（８２２_Ｊ）の各出力
は加算回路（８２３）に供給され、その加算出力が出力
端子（８２４）に得られる。したがって、この出力端子
（８２４）には、パラメータデータＰｉ（ｋ）とＰｉ
（ｋ＋１）との間に、それぞれＦＩＲフィルタリング処
理により第５図Ｂで●印で示すように入力パラメータＰ
ｉ（ｎ）から３個のサンプルデータがそれぞれ補間され
た状態の出力が得られる。すなわち、４倍にパラメータ
数が増やされたパラメータ時系列Ｐ_１（ｎ）′，Ｐ
_２（ｎ）・・・・Ｐ_１６（ｎ）′がそれぞれ得られ、こ
れがパラメータメモリ（２００）に記憶されこれに基づ
いてＮＡＴ処理がなされる。

そして、この場合のＦＩＲフィルタ（８２_１）〜（８２
_１６）のそれぞれの乗算器（８２２_０）〜（８２２_Ｊ）
の乗算係数α_ｊを選定することにより、ＦＩＲフィルタ
（８２_１）〜（８２_１６）のそれぞれはローパスフィル
タ特性を有するようにされている。しかも、α_０＝
α_Ｊ，α_１＝α_Ｊ−１，α_２＝α_Ｊ−２・・・・と選定
されて、位相特性がリニアであり、群遅延特性が全周波
数について一定となるようにされている。

このときのローパスフィルタ特性は第７図に示す通り
で、カットオフ周波数は、π／２Ｐ×β（０＜β≦１）
とされ、β＝１のときはローパスフィルタ特性なしであ
り、βが０に近づくにつれてローパスフィルタ特性が急
になる。つまり、ローパスフィルタによる通過帯域が
〔０，Ω／２×β〕となる。Ωは元のパラメータ時系列
Ｐｉ（ｎ）のサンプリング周波数である。

以上のようにして、補間フィルタ（８）により、パラメ
ータ時系列Ｐｉ（ｎ）は処理されて、データ数は増加さ
せられるとともにローパスフィルタを通されることによ
って定常部でのゆらぎが消失せしめられる。

したがって、これにより音声認識率の向上が期待でき
る。

例えば、Ｉ＝１６、Ｐ＝４、ローパスフィルタの次数を
１２９次、β＝０．４としたとき、（図中実線で示す）
と、β＝１（ローパスフィルタスルー）としたとき（図
中破線で示す）との認識率の違いを第８図に示す。ま
た、第１チャンネルの音響パラメータ時系列Ｐｉ（ｎ）
をこのローパスフィルタを通さなかったときと、通した
ときの出力変化を第９図Ａ及びＢに示す。

第８図から明らかなように、ＮＡＴ処理のみをした場合
に比べて登録人数９名、発声回数（登録回数）３回で、
最高認識率として９６．２４％に対し９７．４５％が得
られ、１．２１％の認識率の向上が得られた。

なお、これは、ローパスフィルタ特性により軌跡のゆら
ぎの影響を除去したことのみでなく、補間によりＮＡＴ
処理回路（９）の入力データ数が多くなり、ＮＡＴ処理
での補間による誤差が小さくなったことにも起因するも
のである。

Ｈ 発明の効果 以上のように、この発明によれば、ＮＡＴ処理をする前
に、ローパスフィルタを設け、音響分析回路よりの音響
パラメータ出力の高域成分をカットしたことにより、音
響パラメータ出力の定常部でのゆらぎが除去される。こ
れによりＮＡＴ処理回路での軌跡の推定に誤差が少なく
なり、これにより作成する認識パラメータ時系列の誤差
も小さくなり、音声認識率が向上するものである。

【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
はこの発明装置の具体的一実施例のブロック図、第３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４図及び第６図はその要部回路の一例の構成を示
すブロック図、第５図及び第７図〜第９図はその説明の
ための図、第１０図は音声認識装置の基本構成を示すブ
ロック図、第１１図〜第１３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、（８）はデジタルフィル
タ、（９）はＮＡＴ処理回路である。

フロントページの続き (72)発明者 赤羽 誠 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内 (72)発明者 渡 雅男 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 １−９−９ Ｐ．17−18

Claims (1)

【特許請求の範囲】
1. 【請求項１】入力音声信号の音響パラメータ時系列を得
   る音声分析手段と、この音響分析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時間正規
   化された認識パラメータ時系列を得る時間正規化手段
   と、認識対象語の標準パターンの認識パラメータ時系列
   が記憶されている標準パターンメモリと、上記時間正規
   化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、 上記音響分析手段よりの音響パラメータ時系列をローパ
   スフィルタを通じて上記時間正規化手段に供給して上記
   軌跡の準定常部におけるゆらぎの影響を除去するように
   した音声認識装置。