JPH0752357B2 - 音声データ蓄積装置 - Google Patents

Description

【発明の詳細な説明】 「産業上の利用分野」 この発明は例えば音声蓄積サービスに用いられ、音声デ
ータを蓄積し、編集し、出力する音声データ蓄積装置に
関し、音声を読点と読点間毎にセグメント化する部分に
係わる。

「従来の技術」 音声データ蓄積装置として第４図に示すものが考えられ
る。すなわち音声入力装置11より入力された音声データ
を符号器12により符号化すると共に、入力された音声デ
ータを音声仮セグメント化回路13により、句点に相当す
る無音時間よりも充分短い時間（例えば400m sec）をし
きい値として仮セグメント化する。その後、タイマ14を
参照して、時刻情報付加回路15により仮セグメントごと
に時刻情報を付加し、ファイルメモリ16に蓄積する。出
力時には、ファイルメモリ16からバッファメモリ17に移
された音声データをタイマ14により時間監視し、仮セグ
メントごとに付加された時刻情報に基づいて復号器18に
より復号化し、音声出力装置19に出力する。

第５図は音声データ21〜23（それぞれ音声仮セグメント
１（AS1）〜３（AS3）に対応）が存在する時系列例を示
す。第６図は蓄積音声データの構造例を示す。同図にお
いて24〜26はタイムテーブルにかかれた仮セグメント対
応のセグメント情報を示しており、時刻情報と仮セグメ
ントデータの格納アドレスとよりなる。27〜29は符号化
された音声仮セグメントデータを示している。蓄積方式
としては、第５図中の音声データ例の場合は、第６図に
示すとおり、音声仮セグメントの時刻情報24〜26とその
音声仮セグメント27〜29の格納アドレスとをタイムテー
ブルとして、音声データ27〜29とは独立に管理する。出
力時には、タイムテーブルに従って、音声データを一仮
セグメントずつ出力する。

音声のセグメント化は、あるしきい値を設け、無音時間
がそのしきい値を超えたか否かにより判定し行うもので
あるが、従来の音声蓄積システムにおけるセグメント化
はデータの圧縮を目的とし、音声が不自然にならない程
度の長さのしきい値を設けていたため、一セグメントあ
たりの時間長が極めて短く、編集に適した単位であると
考えられる「文章を読んだ場合の、文に相当する長さ」
にセグメント化できず、そのセグメント化法を編集に用
いると編集効率の低下を招くという問題があった。また
セグメント化しきい値を固定的に定めると、個人差を吸
収できず、編集効率が低下するという欠点があった。

この発明の目的はいったん蓄積した読点と句点間または
句点と句点間に相当する単位の音声データに対し、蓄積
後の後処理として、その音声データを読点と読点間毎に
セグメント化する手段をもつ音声データ蓄積装置を提供
することにある。

「問題点を解決するための手段」 この発明の音声データ蓄積装置においては、蓄積された
音声データ間の無音時間分布が測定され、その測定した
無音時間分布にほぼ400ミリ秒〜ほぼ１秒間に極小値が
あれば、その極小値をとる時間をしきい値とし、極小値
がなければ１秒程度に予め決定した一定時間がしきい値
とされ、そのしきい値を用いて音声データのセグメント
化が行われる。

このようにすることにより一つの文章が小さくセグメン
ト化されるおそれがなく編集が容易になるようにセグメ
ント化され、しかも個人差が吸収される。

「実施例」 第１図はこの発明の実施例を示し、第４図と対応する部
分には同一番号を付けてあり、第４図に示した装置に対
し、破線で囲まれた音声データセグメント化部30が付加
されている。ファイルメモリ16に蓄積された音声データ
は第６図に示した構造をもっている。音声の本セグメン
ト化を行うにあたり、まずファイルメモリ16よりとりだ
した音声データに対して、無音時間分布測定回路31によ
り、仮セグメント間の無音時間分布が測定され、例えば
第２図に示す測定結果が得られる。その測定結果を基
に、読点に相当する無音時間の分布と句点に相当する無
音時間の分布との間に出現する極小値である時間的に小
さい方から第二の極小値をとる時間を本セグメント化し
きい値探索回路32によりさがし、その時間をもってセグ
メント化しきい値とする。音声データ編集時には、本セ
グメント化回路33によりそのしきい値以下の無音時間で
区切られる仮セグメント同士は、同一の本セグメント
に、そのしきい値を超える無音時間で区切られる仮セグ
メント同士は、別個の本セグメントに属するものと判定
し、音声を本セグメント化し、本セグメント単に編集を
行う。

第４図、第１図の装置を用いて音声のセグメント化を行
う際のセグメント化結果を比較すると、例えば「我輩は
猫である。」という文を読んだ場合、第４図の装置によ
ると、「我輩は」、「猫」、「である。」のように、本
来一つであるべきセグメントが複数に分割される可能性
が高いのに対し、第１図の装置によると、「我輩は猫で
ある。」のように、入力された音声データ対応に、編集
に適した文の単位でセグメント化される可能性が高くな
る。

セグメント化しきい値とセグメント誤認識率との関係は
第３図に示すようになる。第２図と第３図とから無音時
間分布において時間的に小さい方から第２番目に極小値
をとる時間をセグメント化のためのしきい値に用いれば
セグメント誤認識の発声もほぼ最小となることがわか
る。

なお第２図、第３図からしきい値の決定を次のようにし
てもよい。400m sec〜1secに無音時間分布において極小
値があればその極小値をとる時間をしきい値とし、極小
値がなければ1secをしきい値としてもよい。

「発明の効果」 以上述べたようにこの発明によれば無音時間分布からし
きい値を決めるため、システム利用者対応に文単位に音
声をセグメントすることができ、個人差を吸収し、編集
が容易になるように音声データをセグメント化すること
ができる。

【図面の簡単な説明】

第１図はこの発明の実施例を示す機能ブロック図、第２
図は無音時間分布図、第３図は音声セグメントの誤認識
率を示す図、第４図は提案されている音声データ蓄積装
置を示す機能ブロック図、第５図は音声データの時系列
例を示す図、第６図は蓄積音声データの構造例を示す図
である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】音声データを蓄積し、編集し、出力する音
   声データ蓄積装置において、 上記蓄積された音声データ間の無音時間分布を測定する
   手段と、 その測定した無音時間分布に、ほぼ400ミリ秒〜ほぼ１
   秒間に極小値があれば、その極小値をとる時間をしきい
   値とし、極小値がなければ１秒程度に予め決定した一定
   時間をしきい値とする手段と、 そのしきい値を用いて上記音声データを読点と読点間毎
   にセグメント化を行い、このセグメント化された音声デ
   ータを編集単位とする手段とを具備することを特徴とす
   る音声データ蓄積装置。