JPH096388A

JPH096388A - 音声認識装置

Info

Publication number: JPH096388A
Application number: JP8147357A
Authority: JP
Inventors: Hans Kalveram; カルヴェラムハンス
Original assignee: Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 1995-06-10
Filing date: 1996-06-10
Publication date: 1997-01-10
Anticipated expiration: 2016-06-10
Also published as: DE19521258A1; EP0747880A2; EP0747880B1; US5864804A; JP3869888B2; DE59607861D1; EP0747880A3

Abstract

(57)【要約】【課題】エラーが最小限に抑えられた音声認識を確実
に行わせる音声認識装置を提供することである。【解決手段】規準スペクトル値（ｙｄ）からなる規準
ベクトル（ｙ）を記憶するためのメモリユニット（８）
を有し、前記規準ベクトル（ｙ）にはインデックス
（ｊ）が配属されており、該インデックスは規準音声信
号のスペクトルに相応するものであり、インデックス
（ｊ）に配属された比較ベクトル（ｙ’）を、規準ベク
トル（ｙ）および第２のスペクトルベクトル（ｎ）から
形成するための手段（９）を有し、比較ベクトル
（ｙ’）の少なくとも１つを第２のスペクトルベクトル
（ｎ）に連続的に適合され、さらに、比較ベクトル
（ｙ’）を第１のスペクトルベクトル（ｘ）と比較する
ことにより、インデックス（ｊ）を選択するための手段
（１０、１１）が設けられている

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ノイズ信号の重畳
された音声信号を受信するための音声認識装置に関す
る。

【０００２】

【従来の技術】発声された音声の自動認識は多数の適用
事例に利用できる。その際、受信した音声信号に重畳さ
れた妨害ノイズによって、音声認識に悪影響の及ぼされ
ることが多い。このことで音声認識におけるエラーレー
トが高まってしまう。妨害ノイズはたとえば、音声認識
装置を有する機器の周囲に存在する妨害源によって発生
される。

【０００３】また、電話回線と接続されている通信ター
ミナルに音声認識装置を用いた場合には、ラインエコー
によってもこの種のノイズ信号が形成される可能性があ
る。ドイツ連邦共和国特許出願第４４２７１２４．７号
明細書によれば、音声アナウンスを発生させかつ音声信
号を認識する手段を有する通信装置が公知である。音声
アナウンスおよび音声認識手段によって、遠隔地の加入
者との通信が行われる。この場合、遠隔地の加入者への
伝送に際して音声アナウンスが反射することにより不所
望なエコーが発生し、これによって遠隔地の加入者から
の音声信号の認識に悪影響が及ぼされる。音声認識にお
いてエラーレートを低減するためのエコー補償はスペク
トル領域で行われ、その際、通信機器における受信信号
の短期間のスペクトル値と推定されたエコーの短期間の
スペクトル値との差が形成される。エコーの短期間のス
ペクトル値を推定するために、通信機器の送信信号（音
声アナウンス）の短期間のスペクトル値が求められて、
それに対し適応形の重み付けが加えられる。そしてエコ
ー作用の抑圧された差分スペクトル値が音声認識手段に
より評価される。

【０００４】

【発明が解決しようとする課題】本発明の課題は、エラ
ーが最小限に抑えられた音声認識を確実に行わせる音声
認識装置を提供することにある。

【０００５】

【課題を解決するための手段】上記課題は、第１のスペ
クトル値を送出するための第１のスペクトル分析手段を
有し、前記第１のスペクトル値は、妨害された音声信号
から導出され、第１のスペクトルベクトルに統合される
ものであり、ノイズ信号の推定値を送出するための手段
を有し、前記ノイズ信号推定値から第２のスペクトル値
を形成するための第２のスペクトル分析手段を有し、前
記第２のスペクトル値は、第２のスペクトルベクトルに
統合されており、規準スペクトル値からなる規準ベクト
ルを記憶するためのメモリユニットを有し、前記規準ベ
クトルにはインデックスが配属されており、該インデッ
クスは規準音声信号のスペクトルに相応するものであ
り、インデックスに配属された比較ベクトルを、規準ベ
クトルおよび第２のスペクトルベクトルから形成するた
めの手段を有し、比較ベクトルの少なくとも１つを第２
のスペクトルベクトルに連続的に適合され、さらに、比
較ベクトルを第１のスペクトルベクトルと比較すること
により、インデックスを選択するための手段が設けられ
ているように構成して解決される。

【０００６】

【発明の実施の形態】ノイズ信号の推定値には、目下の
ノイズ信号に関する付加的な情報が含まれている。これ
はたとえば、ノイズ信号を発するノイズ源の近くに配置
された付加的なマイクロフォンを用いることで捕捉さ
れ、このことで音声信号から十分に分離されたノイズ信
号を用いることができ、推定することができる。ノイズ
信号が既知の音声信号（たとえば留守番電話機に記憶さ
れている音声アナウンスまたは車両内での音楽再生）の
エコーであるならば、エコーを発生させたもとの音声信
号から、伝達関数の推定によりノイズ信号を求めること
ができる。基準ベクトルと第２のスペクトルベクトル
（ノイズベクトル）から導出された比較ベクトルの連続
的な整合により、エラーが最小限に抑えられた音声認識
が確実に行われるようになり、その際、順次連続して選
択される指標は音声信号休止を伴う音声信号波形に対応
し、したがって個々の音声認識の結果を表す。この音声
認識装置は信号プロセッサを用いて実現すると有利であ
り、それによって音声認識装置のための信号処理がプロ
グラミング制御されて実行される。

【０００７】比較はたとえば次のようにして行われる。
すなわち、第１のスペクトルベクトルと比較ベクトルと
の間の距離が形成され、これは第１のスペクトルベクト
ルと比較ベクトルとの類似性を表す尺度を成すものであ
って、その際、距離が小さければ類似性が高いことにな
る。この場合、複数の比較ベクトルが１つの指標に対応
づけられるものとすれば、比較ベクトルのための所定の
重み付け係数を導入することで音声認識結果が改善され
る。指標の選択に際して、結果として距離が最小化され
るような指標が選択され、この場合、たとえば総和距離
の最小化が行われるようにして選択される。基準ベクト
ルは、音声認識装置の稼働開始前に求められメモリユニ
ットに格納された基準音声信号のスペクトルに対応す
る。本発明による特徴を備えた音声認識装置は音声認識
に関して、音声信号に重畳されるノイズ信号に対しロバ
ストな特性を有している。その際、システムの周囲から
の妨害ノイズも効果的に補償されるし、たとえば電話回
線中の反射により生じるような持続的ないしは大きな遅
延を伴って到来しノイズ信号として作用するエコー信号
も、効果的に補償される。

【０００８】ノイズ信号の推定値はたとえば、付随する
ノイズ信号源の近くでノイズ信号を別個に捕捉すること
により導出できる。この目的で、ノイズ信号源の近くに
マイクロフォンが配置される。音声信号または別の音響
信号のエコーであれば、ノイズ信号として到来するエコ
ーの構造は既知である。このことをノイズ信号の推定値
の形成に利用する。また、これらの構成の組み合わせも
可能である。

【０００９】本発明の１つの実施形態によれば、それぞ
れ１つの指標に対し、その指標のための比較ベクトルの
相応の個数を形成するために、少なくとも１つの基準ベ
クトルと１つまたは複数の順次連続する第２のスペクト
ルベクトルが割り当てられ、第１のスペクトルベクトル
との比較に際して、個々の比較ベクトルの評価が重み付
け係数と個々のベクトル距離との加算により行われ、こ
のような実施形態によってきわめて信頼性の高い音声認
識結果が得られる。

【００１０】有利にはこの音声認識装置は、音響経路を
介して伝送される音声認識装置を含む機器の近くのユー
ザによる音声信号を認識するために用いられ、その際、
この音声認識装置は機器の部分的な機能を制御するため
に用いられる。たとえば車両内の無線受信機の機能また
は車両の他の機器における機能を制御するために、この
音声認識装置を用いることができる。また、通信機器の
部分的な機能を制御するために用いられ電話回線を介し
て伝送される音声信号を認識するために、この音声認識
装置を使用することができ、たとえばライン接続された
電話端末、移動電話機あるいは留守番電話機に適用する
ことができる。これら両方の実施構成すなわち近くの加
入者ないしは遠隔地の加入者の音声信号の音声認識は、
それぞれ別個にも利用できるしそれらを組み合わせても
利用できる。

【００１１】さらにこの音声認識装置を種々の複数の機
器の制御にも使用できる。また、口述記録機における適
用も有利である。

【００１２】次に、図面を参照して本発明の実施例につ
いて詳細に説明する。

【００１３】

【実施例】図１に示されている本発明による音声認識装
置１は、妨害を受けた音声信号Ｘ（ｔ）を受信する受信
分岐２を有しており、この音声信号Ｘ（ｔ）は、妨害を
受けていない音声信号Ｓ（ｔ）とノイズ信号Ｎ（ｔ）と
から加算的に合成されたものである。第２の受信分岐３
を介して音声認識装置１へノイズ信号源の信号を表す信
号Ｎ￣（ｔ）が供給され、この信号Ｎ￣（ｔ）によって
ノイズ信号Ｎ（ｔ）が引き起こされる。ノイズ信号Ｎ
（ｔ）と信号Ｎ￣（ｔ）との関係は１つの伝達関数によ
り作り出されるものであり、この伝達関数によってノイ
ズ信号源から受信分岐２の入力側に配置された受信手段
への伝送経路が記述される。その際、この受信手段は妨
害を受けた音声信号Ｘ（ｔ）を供給する。

【００１４】音声認識装置１が留守番電話機内に統合さ
れていて、ノイズ信号Ｎ（ｔ）が、留守番電話機におけ
る遠隔問い合わせにあたり電話回線中の音声アナウンス
の反射により生じるラインエコーである場合、信号Ｎ￣
（ｔ）は留守番電話機内に記憶されている音声アナウン
スにより定まり、これを利用できる。また、音声認識装
置１が車両で用いられる機器内に統合されていて、ノイ
ズ信号Ｎ（ｔ）が走行時の騒音により引き起こされると
みなされるならば、認識すべき音声信号Ｓ（ｔ）とはほ
とんど無関係に妨害ノイズを検出する車両内の付加的な
マイクロフォンを用いて走行時の騒音を捕捉すること
で、信号Ｎ￣（ｔ）が得られる。この場合、音声アナウ
ンスがユーザガイドに用いられるところでは、信号Ｎ￣
（ｔ）は機器ユーザ向けの音声アナウンスの音響エコー
を表す可能性もある。ここではいずれにしても、音響エ
コーとその他の妨害ノイズ（たとえば車両騒音）とが別
個に記録されるようにした、信号Ｎ￣（ｔ）のマルチチ
ャネル記録が有利である。

【００１５】ノイズ信号源と受信分岐２の受信手段との
間の既述の伝達関数に整合される適応形フィルタ４によ
り、信号Ｎ￣（ｔ）からノイズ信号推定値Ｎ＾（ｔ）が
形成され、このノイズ信号推定値Ｎ＾（ｔ）はノイズ信
号Ｎ（ｔ）に対する近似として用いられる。適応形フィ
ルタ４は受信分岐２と結合されていて、信号Ｘ（ｔ）が
ノイズ信号Ｎ（ｔ）だけから成る音声休止中、すでに存
在している信号Ｎ￣（ｔ）およびＸ（ｔ）＝Ｎ（ｔ）か
らそのまま得られる既述の伝達関数に応じて、適応形フ
ィルタ４が調整される。

【００１６】減算手段５により、妨害を受けた音声信号
Ｘ（ｔ）からノイズ信号推定値Ｎ＾（ｔ）が減算され、
音声信号Ｓ（ｔ）を近似的に表す音声信号推定値Ｘ＾
（ｔ）＝Ｘ（ｔ）−Ｎ＾（ｔ）が形成される。このよう
にして、信号Ｘ（ｔ）に含まれているノイズ信号Ｎ
（ｔ）をすでに部分的に補償することができる。

【００１７】機能ブロック６により、推定された音声信
号Ｘ＾（ｔ）に対してかけられた短期間スペクトル分析
がまとめられる。この場合、サンプル値として用いられ
る時間信号Ｘ＾（ｔ）が一定長のタイムスロットに分け
られる。次に、スペクトル変換たとえばフーリエ変換に
よって出力密度スペクトルが算出される。このようにし
て得られたスペクトル値はサブサンプリングされて、そ
れらの個数が低減される。特別な実施形態によれば、得
られたサンプリング値が対数化され、続いてそれらに対
し高域通過フィルタリング処理がなされる。このことは
ヨーロッパ特許出願公開第０５０８５４７号公報に詳細
に述べられている。この場合、受信分岐２で受信された
妨害を受けた音声信号Ｘ＾は、振幅周波数および変調と
はほとんど無関係になる。このようにして機能ブロック
６は音声信号推定値Ｘ＾（ｔ）から、Ｄ個の成分ないし
スペクトル値ｘｄ（ｉ）（ｄ＝１，２，．．．，Ｄ）を
有する第１のスペクトルベクトルｘ（ｉ）を生成する。
ここでｉは、短期間スペクトル分析に基づくＸ＾（ｔ）
のタイムスロットを表す。

【００１８】時間信号を表すノイズ信号推定値Ｎ＾
（ｔ）は機能ブロック７へ供給され、このブロックは機
能ブロック６のように短期間スペクトル分析を行い、Ｄ
個の成分ｎｄ（ｉ）（ｄ＝１，２，．．．，Ｄ）を有す
るスペクトルベクトルｎ（ｉ）を生成する。音声認識装
置１は信号プロセッサを用いて実現するのが有利であ
る。この場合、機能ブロック６，７によりまとめられる
両方のスペクトル変換は順次連続して実施される。

【００１９】メモリ８には基準ベクトルｙ（ｊ，ｍ）が
記憶されており（ｊ＝１，２，．．．；ｍ＝１，
２，．．．，Ｍ）、これらの基準ベクトルは１つの基準
音声信号の短期間スペクトルによりそれぞれ形成され
る。付加的な指標ｊ＝０に対し音声休止が割り当てられ
ている。対応する基準ベクトルはやはりメモリ８に格納
されている。１つの基準音声信号は、指標ｊで記述され
る１つのワードセクションを成している。また、Ｍによ
り基準ベクトルの個数つまり基準音声信号の個数が表さ
れ、これらは１つのワードセクションまたは音声休止を
記述するために用いられる。種々の話し手のタイプが用
いられる場合、１つの特定のワードセクションに対しそ
れぞれ異なる基準音声信号が生じる。種々の妨害源形式
を考慮することで、音声休止に対しそれぞれ異なる基準
音声信号が生じる。Ｍが１よりも大きければ重み付け係
数ｇ（ｊ，ｍ）によって、個々の比較ベクトルがｊ個の
付随のワードセクションまたは付随する音声休止の記述
にどの程度適しているかが表される。これらの重み付け
係数の適用法については後述する。基準ベクトルｙ
（ｊ，ｍ）を形成するために、個々の音声認識の適用事
例に必要な基準音声信号が音声認識装置の稼働開始前に
記録され、それらに対して機能ブロック６，７の処理に
よる短期間スペクトル分析がかけられる。そして平均値
形成により得られたスペクトルベクトルが基準ベクトル
ｙ（ｊ，ｍ）としてメモリユニット８に格納される。

【００２０】図２の場合、本発明による音声認識装置１
は、車両における機器１７用の対話制御形ユーザインタ
ーフェースの１つの構成部分である。機器１７はたとえ
ば移動電話機、交通情報システムまたは無線受信機であ
る。機器１７の機能の少なくとも一部分は音声認識装置
の音声認識結果Ｅにより制御され、たとえば移動電話機
に統合されているならば音声認識結果Ｅによって相手先
の電話番号が発せられる。音声認識装置１の受信分岐２
は、車両のドライバに対し配向されたマイクロフォン１
２と接続されており、ドライバの音声信号を受信するた
めに用いられる。第２の受信分岐３は３つの受信経路３
ａ，３ｂ，３ｃにより構成されている。受信経路３ａと
３ｂを介して、音声増幅器１５からスピーカ装置１４へ
伝送されるステレオ音声信号が信号Ｎ￣_１（ｔ）および
Ｎ￣_２（ｔ）として音声認識装置へマルチチャネル形式
で導かれる。これらの信号Ｎ￣_１（ｔ）およびＮ￣
_２（ｔ）は、それらがスピーカ１４によって発せられた
後で受信分岐２の受信信号Ｘ（ｔ）へ妨害を及ぼし、車
両のドライバの音声信号に重畳される。さらにこの場
合、付加的なマイクロフォン１３が設けられており、こ
のマイクロフォンは妨害ノイズを捕捉するために用いら
れ、そのマイクロフォン信号は信号Ｎ￣_３（ｔ）として
受信経路３ｃへ導かれる。この特別な事例では受信経路
３ｃにおいて３つの受信経路３ａ，３ｂ，３ｃを介し
て、それぞれ１つのノイズ信号源の信号に対応する異な
る複数の信号Ｎ￣_１（ｔ），Ｎ￣_２（ｔ）およびＮ￣_３
（ｔ）が受信されるので、これらの信号をコスト的に有
利に処理するために図１による音声処理システムにおい
て、適応形フィルタ４および減算手段５を省略するかな
いしは減算手段５による減算を省略するよう変形でき
る。信号Ｎ￣_１（ｔ），Ｎ￣_２（ｔ）およびＮ￣
_３（ｔ）の処理については、図４を説明する際に詳細に
説明する。

【００２１】対話式制御装置１６により、音声認識装置
１の認識結果Ｅに依存して車両のドライバへのリターン
メッセージとして音声アナウンスが発せられ、さらにこ
の装置１６により、車両のドライバとの対話中にたとえ
ば音声増幅器１５のミューティング回路も制御される。

【００２２】図１による音声認識装置のその他の動作モ
ードについては多数の変形実施例がある。次に、図３を
参照しながら第１の変形実施例について詳細に説明す
る。

【００２３】この第１の変形実施例の場合、Ｍ＝１にセ
ットされ、つまり各指標ｊに対して正確に１つの基準ベ
クトルｙ（ｊ）が割り当てられる。したがって、図３の
縦座標上に表されたダイアグラムにプロットされている
１つの指標ｊに対し、正確に１つの基準ベクトルｙ
（ｊ）が割り当てられる。この場合、メモリ８により基
準ベクトルｙ（ｊ）が機能ブロック９へ伝送され、この
機能ブロック９は各基準ベクトルｙ（ｊ）と第２のスペ
クトルベクトルｎ（ｉ）から比較ベクトルｙ’（ｉ，
ｊ）を形成するために用いられる。各指標ｊに対し時点
ｉで１つの比較ベクトルｙ’（ｉ，ｊ）が割り当てられ
る。図３による変形実施例では、音声休止を記述する比
較ベクトルｙ’（ｉ，０）だけが継続的に第２のスペク
トルベクトルｎ（ｉ）に整合される。比較ベクトルｙ’
（ｉ，０）は、ｙ’（ｉ，０）＝ｎ’（ｉ）＝ａ．ｎ（ｉ）により求められ、ここでａは一定の所定の係数を表し、
これによって減算手段５を用いたノイズ信号推定値Ｎ＾
（ｔ）の減算によるノイズ信号Ｎ（ｔ）の減衰が表され
る。したがって音声信号推定値Ｘ＾（ｔ）には、妨害を
受けた音声信号Ｘ（ｔ）よりも係数ａだけ減衰されたノ
イズ信号成分が含まれている。減算手段５による差の形
成を省略した場合、係数ａは値ａ＝１をとる。このよう
な省略を行っても音声認識装置１はまだ機能を果たせる
が、減算手段５による差の形成により音声認識結果は改
善される。係数ａは経験的に求めることができ、音声認
識装置１の使用条件に依存するものである。対数化され
たスペクトル値を用いる場合、ｙ’（ｉ，０）＝ｎ’
（ｉ）はｌｎ（ａ）をｎ（ｉ）の成分と加算することに
より形成される。すべてについてｊ＞０であれば、ｙ’（ｉ，ｊ）＝ｙ’（ｊ）＝ｙ（ｊ）が成り立つ。

【００２４】したがって比較ベクトルｙ’（ｉ，ｊ）は
時間とは無関係であり、つまり時間変数ｉには依存せ
ず、基準ベクトルｙ（ｊ）に等しい。

【００２５】比較ユニット１０において、機能ブロック
９から供給された比較ベクトルｙ’（ｉ，ｊ）および第
２のスペクトルベクトルｘ（ｉ）から、

【００２６】

【数１】

【００２７】にしたがって距離ｄ（ｉ，ｊ）が形成され
る。ここでｘｄ（ｉ）とｙｄ’（ｉ）は、第１のスペク
トルベクトルｘ（ｉ）と比較ベクトルｙ’（ｉ，ｊ）の
成分を表す。値ｐはこの実施例ではｐ＝１にセットされ
るが、ｐ＝２とした距離算出も可能である。すべての指
標ｊについて各サンプリング時点ｉごとに距離が形成さ
れる。これらは第１のスペクトルベクトルｘ（ｉ）と比
較ベクトルｙ’（ｉ，ｊ）との間の類似性を表す尺度を
成し、この場合、各ベクトル間の類似性は距離が小さく
なるにつれて増大する。図３では、比較ユニット１０へ
供給される第１のスペクトルベクトルｘ（ｉ）は、ダイ
アグラムの横座標にプロットされたサンプリング時点ｉ
に対応づけられている。

【００２８】機能ブロック１１により、比較ユニット１
０において求められた距離ｄ（ｉ，ｊ）の評価が行われ
る。各サンプリング時点ｉごとに各指標ｊに対しそれぞ
れ所属の距離が求められる。この評価はたとえば（ヴィ
タビ・アルゴリズムとも呼ばれる）ダイナミックプログ
ラミング方式により行われ、これについてはたとえばＩ
ＥＥＥＴｒａｎｓａｃｔｉｏｎｏｎＡｃｏｕｓｔ
ｉｃｓ，Ｓｐｅｅｃｈ，ａｎｄＳｉｇｎａｌＰ
ｒｏｃｅｓｓｉｎｇ，ＡＳＳＰ−３２（１９８４）
におけるＨ．Ｎｅｙによる論文の第２６３頁〜２
７１頁に記載されている。距離ｄ（ｉ，ｊ）を評価する
ためのさらに別の可能性として、Ｈｉｄｄｅｎ−Ｍａｒ
ｋｏｖモデルを用いることが挙げられ、そこにおいて
ヴィタビ・アルゴリズムまたはその他の最適化アルゴリ
ズムが適用される。この場合、図３によるダイアグラム
ｊ（ｉ）において、結果として最小の総和距離となる経
路が求められる。

【００２９】図３による実施例では、音声認識装置１の
語彙の中にはたとえば単語”ｓｔｏｐ”が含まれてお
り、この単語の音形が基準ベクトルｙ（１）〜ｙ（４）
により表されている。音声認識装置は対話形システムの
一部分を成し、このシステムはまずはじめに単語”ｓｔ
ｏｐ”をアナウンスＮ￣（ｔ）として送出する。このア
ナウンスによりノイズ信号として作用するエコー信号Ｎ
（ｔ）が生じ、これは受信分岐２により受信される信号
Ｘ（ｔ）の構成部分となる（最初の”ｓｔｏｐ”がＸ
（ｔ）に入る）。図３の場合、エコー遅延時間は無視で
きる程度に小さいものとしている。次に単語”ｓｔｏ
ｐ”が発声されて、音声認識装置１の受信分岐２により
認識すべき音声信号Ｓ（ｔ）として記録される。音声信
号Ｓ（ｔ）は信号Ｘ（ｔ）の一部分を成すにすぎず、Ｓ
（ｔ）とは無関係に生成される信号Ｎ￣（ｔ）の一部分
ではない。図３には、個々の文字が繰り返されることで
発声速度の変化している様子が示されている。ここに図
示されている各単語の構成部分（文字）とスペクトルベ
クトルｘ（ｉ）との対応づけは、必ずしも行う必要はな
い。また、長かったり短かったりする単語の構成部分
も、基本的にそれぞれ１つのスペクトルベクトルｘ
（ｉ）によって記述できる。

【００３０】共に距離マトリクスを形成する距離ｄ
（ｉ，ｊ）を計算する際には、機能ブロック６により形
成された第１のスペクトルベクトルｘ（ｉ）が比較ベク
トルｙ’（ｉ，ｊ）と比較される。ここでｙ’（ｉ，
０）＝ｎ’（ｉ）はノイズエコー信号Ｎ（ｔ）を反映す
る。これにより、信号Ｘ（ｔ）の第１のワード（ノイズ
エコー信号に相応する）に対して、インデックスｊ＝０
に対する特に小さな距離が得られる。

【００３１】この実施例ではノイズエコー信号は識別語
彙にも含まれるから、規準ベクトルのシーケンスｙ
（１），ｙ（２），ｙ（３），ｙ（３），ｙ（４）、な
いし適合された比較ベクトルのシーケンスｙ’（ｉ，
１），ｙ’（ｉ，２），ｙ’（ｉ，３），ｙ’（ｉ，
３），ｙ（ｉ，４）により表すことができる。これは図
３に破線で示されている。にもかかわらず、サンプリン
グ時点ｉ＝１からｉ＝６に対する経路はインデックスｊ
＝０に留まる。これは、破線の経路ではワード“ストッ
プ”の一般的表現がこのワードの固有の発音と比較さ
れ、一方ｊ＝０に対してはこのような発音変化が比較を
損ない、距離の増大することがあるからである。

【００３２】これに対して、音声信号Ｓ（ｔ）、すなわ
ち識別すべき有用信号を表す振動Ｘ（ｔ）の第２のワー
ドは、シーケンスｙ（１），ｙ（１），ｙ（２），ｙ
（３），ｙ（４）との比較で小さなディスタンスｄ
（ｉ，ｊ）しか示さない。これはベクトルｎ’（ｉ）が
この領域では音声休止を表すからである。

【００３３】このようにして機能ブロック１１は、図３
に示された所属経路ｊ（ｉ）を送出する。この所属経路
は、信号Ｘ（ｔ）のエコー（第１の“ストップ”）の間
は信号Ｘ（ｔ）における音声休止を表し、実際に発声さ
れたワード（第２の“ストップ”）の間は識別されたワ
ードを表す。この所属経路ｊ（ｉ）は機能ブロック１１
から送出された識別結果Ｅに相応する。

【００３４】ノイズ信号Ｎ（ｔ）としての音声信号は、
例えば対話システムでのエコーとして発生する。この音
声信号は通有情の音声認識装置に対しては特に問題とな
る。なぜならこの信号は有用信号Ｓ（ｔ）がない場合で
は強く減衰しても、ワードを機能ブロック１１から送出
された識別結果Ｅに簡単にワードを間違って挿入してし
まい、エラー経路ｊ（ｉ）となるからである。このこと
は本発明の音声認識装置により回避される。

【００３５】ノイズ信号Ｎ￣（ｔ）および有用信号（音
声信号）Ｓ（ｔ）が同時に発生する場合、有用信号休止
に相応する規準ベクトルｙ（０）だけを置換するのでは
十分でない。むしろすべての規準ベクトルｙ（ｊ）を適
合しなければならない。このことは図３には示されてい
ない。

【００３６】適合された比較ベクトルは次式にしたがっ
て形成される。

【００３７】ｙ’（ｉ，ｊ）＝ｙ（ｊ）＋ｎ’（ｉ）対数スペクトル値を使用する場合には、適合された比較
ベクトルの成分は次式にしたがって計算される。

【００３８】ｙｄ’（ｉ，ｊ）＝ｌｎ（ｅｘｐ（ｙｄ
（ｊ））＋ｅｘｐ（ｎｄ’（ｉ））計算コストを低減するために、この成分は次式により近
似される。

【００３９】ｙｄ’（ｉ，ｊ）＝ｍａｘ（ｙｄ（ｊ），
ｎｄ’（ｉ））この手段により、音声情報の掩蔽がモデル化される。な
ぜなら、インデックスｊおよび周波数バンドｄに対して
記憶されたスペクトル値ｙｄ（ｊ）が瞬時のノイズ信号
スペクトルｎｄ’（ｉ）により、後者の方が大きい値を
有する場合に置換されるからである。このようにして、
音声情報の瞬時の隠蔽部分がノイズ信号Ｎ￣（ｔ）ない
しＮ（ｔ）により比較の際に考慮され、これにより個々
の発音が完全にバックグランドノイズの中で行われて
も、ワードの識別が可能となる。

【００４０】ハイパスフィルタリングされたスペクトル
値が規準ベクトルの成分として使用される場合には、隠
蔽を上に述べたようにパワー付加により計算することは
できない。この場合に対しては本発明は変形される。以
下それを説明する。

【００４１】音声信号推定値Ｘ＾（ｔ）におけるノイズ
信号パワーがノイズ信号成分Ｎ（ｔ）のパワーに対し
て、すべての周波数帯域で均一に一定の係数ａだけ減衰
されていない場合には、音声認識装置１は最適の音声識
別結果を得るために変形しなければならない。とくに、
時間領域で動作する適合係数４が省略される場合には、
ｎ’（ｉ）はスペクトルベクトルｎ（ｉ）に依存するだ
けでなく、ノイズ信号源と受信経路２との間の伝送関数
に所属するパルス応答の持続時間に相応して、複数のス
ペクトルベクトルｎ（ｉ−ｒ）にも依存する。ここでｒ
＝０、１、…、Ｒ。

【００４２】この考察から本発明は次のように変形され
る。すなわち、機能ブロック９により比較ベクトルｙ’
（ｉ，ｊ）次のように形成されるのである。すなわち、
各サンプリング時点ｉに対する１つのインデックスｊ
に、少なくとも１つの規準ベクトルｙ（ｊ，ｍ）と、付
加的に１つまたは複数の順次連続する第２のスペクトル
ベクトルｎ（ｉ−ｒ）を配属するのである。図４の所属
の実施例では、各インデックスｊに対して１つの規準ベ
クトルｙ（ｉ）と２つの順次連続する第２のスペクトル
ベクトルｎ（ｉ−１）およびｎ（ｉ）が比較ベクトル
ｙ’（ｉ，ｊ，ｍ）として設けられている。ただし、ｍ
＝−Ｒ、…、Ｍ＝−１、０、１、（Ｍ＝１，Ｒ＝１）。

【００４３】以下のことが当てはまる。

【００４４】ｙ’（ｉ，ｊ，−１）＝ｎ（ｉ−１）ｙ’（ｉ，ｊ，０）＝ｎ（ｉ）ｙ’（ｉ，ｊ，１）＝ｙ（ｊ）このために、機能ブロック９にはスペクトルベクトルｎ
（ｉ−１）が中間記憶される。重み付け係数ｇ（ｉ，
ｊ，ｍ）（ただしｍ＝−Ｒ，…、Ｍ）により、ｎ（ｉ）
ないしｎ（ｉ−ｒ）により表されるノイズの隠蔽がイン
デックスｊに相応する基準語の部分によって行われるこ
とが予想されるか否かが考慮される。この予想は、２つ
の信号が各時点で付加されるなら、一般的に一方の信号
は他方の信号をほぼ隠蔽し、したがってスペクトルベク
トルは実質的に２つの信号のどちらかに相応する、とい
う過程に基づくものである。Ｍ＞１に対しては（すなわ
ち複数の規準ベクトルが１つのインデックスｊに配属さ
れる）、相応の重み付け係数ｇ（ｉ，ｊ，ｍ）が、相応
する適用例において同じインデックスｊを有する一方の
規準ベクトルが他方の規準ベクトルと比較して、音声信
号を表すのにより適切であるか否かを示す。

【００４５】このようにして形成された、比較ベクトル
における時間依存量により、またこれを機能ブロック９
から比較ユニット１０に送出することにより、比較ユニ
ット１０により検出すべきディスタンスとして次のもの
が得られる。

【００４６】

【数２】

【００４７】重み付け係数ｇ（ｉ，ｊ，ｍ）はまず粗く
評価される。上にすでに述べたように、ｐは１に設定す
ることができ、ｐ＝２も可能である。別の距離計算では
わずかな付加コストしか必要としない。なぜなら、付加
項が重み付け係数ｇ（ｉ，ｊ，−ｒ）によりｊだけに依
存することができ、ｘ（ｉ）とノイズベクトルｎ（ｉ）
からｎ（ｉ−Ｎ）までの距離は各時点ｉごとに一度計算
すればよいからである。付加項とは、ｒが伝搬変数とし
て現れる項をいう。

【００４８】距離ｄ（ｉ，ｊ）の検出は、変形実施例に
したがって次のように行われる。すなわち、比較ユニッ
ト１０によりスペクトルベクトルｘ（ｉ）とこれら３つ
のベクトル間の部分距離がそれぞれ重み付け係数ｇ
（ｉ，ｊ，ｍ）により加算され、引き続き最小値が選択
されるようにして行われる。この実施例では、メモリ８
にファイルされた規準ベクトルｙ（ｊ）に相応するすべ
ての時間不変比較ベクトルｙ’（ｉ，ｊ，１）に対し
て、重み付け係数ｇ（ｉ，ｊ，１）として値ゼロが設定
される。ノイズ信号Ｎ￣（ｔ）にエコー遅延に関する知
識が仮定されなければｇ（ｉ，ｊ，−１）＝ｇ（ｉ，
ｊ，０）が良好な音声識別結果を得るための式である。

【００４９】重み付け係数ｇ（ｉ，ｊ，ｍ）はとくに、
純粋なノイズ信号（Ｘ（ｔ）＝Ｎ（ｔ））の場合に、休
止状態ｊ＝０が優先されることを保証しなければならな
い。このことは、ｊ≧１に対してｇ（ｉ，ｊ，０）＞ｇ
（ｉ，０，０）の重み付け係数が設定される場合に達成
される。このことは図４に、相応する比較ベクトルｎ
（ｉ）またはｎ（ｉ−１）の下線によって示されてい
る。

【００５０】相対的に信号パワーが大きく、確実に識別
できる言語音、例えば母音に対しては、重み付け係数ｇ
（ｉ，ｊ，０）をｊ≧１に対して特に大きく選択するこ
とができる。なぜなら、所属のワードの識別はこのよう
な言語音がノイズ信号Ｎ（ｔ）により隠蔽されない場合
だけ考慮されるからである。このようにして重み付け係
数ｇ（ｉ，ｊ，ｍ）のインデックスｊへの依存性によ
り、個々のワード区間の隠蔽またはノイズ信号Ｎ（ｔ）
による隠蔽を勘案すべきか否かが表される。このことは
特に休止状態に対して当てはまる。

【００５１】図４では、図３と同じ信号が基礎となって
いる。ここでは特にエコー信号、第１の“ストップ”の
エコー遅延が信号Ｘ（ｔ）において信号Ｎ￣（ｔ）に対
して考慮される。ほぼ１つのサンプリング間隔のエコー
遅延が示されている。このエコー遅延にかかわらず、音
声認識装置１は正しい識別結果Ｅを送出する。音声識別
の際の脱落エラーの危険性は非常に小さい。なぜなら、
それぞれ個々のスペクトルベクトルｘ（ｉ）はＲ＋１ノ
イズベクトル（第２のスペクトルベクトル）と、すなわ
ちノイズ信号Ｎ￣（ｔ）ないしＮ（ｔ）の非常に短い区
間と付加的に比較されるだけであるからである。

【００５２】図２に示したマルチチャネル・ノイズ信号
の場合は、信号Ｎ￣_１（ｔ），Ｎ￣_２（ｔ）およびＮ￣
_３（ｔ）はこの場合、直接ノイズ信号推定値として機能
ブロック７のスペクトル分析手段により第２のスペクト
ルベクトルｎ_１（ｉ），ｎ_２（ｉ）およびｎ_３（ｉ）に
さらに処理される。ここで時間変数ｉの値に対して、３
つのスペクトルベクトルｎ_１（ｉ），ｎ_２（ｉ）および
ｎ_３（ｉ）からのセット、例えば時間的に順次連続する
２つのスペクトルベクトル（ｎ（ｉ−１）およびｎ
（ｉ））のセットが、受信分岐路３が１つだけの受信経
路からなる（図４参照）場合に、各インデックスｊに配
属される。数式の組み合わせは、複数の受信経路も、各
インデックスに対して時間的に順次連続する複数のスペ
クトルベクトルも考慮されるように行われる。この組み
合わせも有利な実施例あり、例えば時間変数ｉの値に対
するインデックスｊに、２つのスペクトルベクトルｎ_１
（ｉ−１），ｎ_１（ｉ），ｎ_２（ｉ−１），ｎ
_２（ｉ），ｎ_３（ｉ−１）およびｎ_３（ｉ）からのそれ
ぞれ１つのセットが配属される。

【００５３】とくにエコー伝搬時間が大きい場合は、信
号Ｘ＾（ｔ）におけるノイズ信号の抑圧は適応形フィル
タ４の精度に依存する。この要求は比較ベクトルを機能
ブロック９で連続的に適合することにより格段に低減さ
れる。ここに述べたすべての変形実施例で、適応形フィ
ルタ４を省略することができる。減算手段５による差形
成はすでに上に述べたのと同じように必ずしも必要では
ない。

【００５４】本発明の音声認識装置１により、次のよう
な適用例に対して信頼性の高い音声識別が実現される。
すなわち、例えば自動車で使用される移動電話または無
線受信機での使用、および「電話を介して通信する呼び
かけ応答または自動案内装置での使用の際に、機器の音
声制御が行われるような適用例で実現される。

【００５５】自動車で使用される移動電話または無線受
信機では、使用者に音響ユーザーインターフェースを介
して出力される音声の音響エコーがノイズ信号として発
声する。自動車の無線受信機では、使用者の音声信号の
識別が無線送信の出力（例えば音楽）により障害を受け
ることもある。遠距離通話中に音声信号により制御可能
な呼びかけ応答機の場合、ラインエコーがノイズ信号と
して発生する。このラインエコーは呼びかけ応答機の声
の反射によって使用者への伝送の際に生じるものであ
る。自動案内装置の場合は、呼びかけ応答機と同じよう
に音声に起因するラインエコーがノイズ信号として発生
する。このようなラインエコーがこのような機器での音
声識別に障害的な影響を与えることが本発明の音声認識
装置によって最小の程度となる。

【００５６】さらに音声認識装置１により、自動車の部
分機能の音声制御を実現することができる。例えば、窓
開閉を制御することができる。また口述記録機の音声識
別の際のエラー率を低減することができる。この口述記
録機は発声された音声を直接テキストに変換するもので
あり、本発明の音声認識装置を使用することができる。

【００５７】前記の音声認識装置ではノイズ成分および
有用信号成分の推定を省略しており、有用信号またはノ
イズ信号としてそれぞれ受信された信号の個々の時間間
隔の解釈を最終的な識別決定と関連して行っているの
で、音声認識装置はノイズ信号に対して非常に頑強であ
る。

【００５８】音声認識装置で付加的に必要な計算コスト
はわずかである。したがって、音声認識装置は、識別可
能な語数の大きな語彙を有する適用例にも、相応に語彙
容量が小さい適用例にも使用することができる。

【００５９】

【数３】

【図面の簡単な説明】

【図１】本発明の音声認識装置のブロック回路図であ
る。

【図２】対話型ユーザーインターフェースを拡張し、本
発明の音声認識装置を有する構成のブロック回路図であ
る。

【図３】音声識別の時間経過を示す線図である。

【図４】音声識別の時間経過を示す線図である。

【符号の説明】

１音声認識装置２第１の受信分岐３第２の受信分岐４適応形フィルタ

Claims

【特許請求の範囲】

【請求項１】ノイズ信号（Ｎ）の重畳された音声信号
（Ｓ）を受信するための音声認識装置において、第１のスペクトル値（ｘｄ）を送出するための第１のス
ペクトル分析手段（６）を有し、前記第１のスペクトル値は、妨害された音声信号（Ｘ）
から導出され、第１のスペクトルベクトル（ｘ）に統合
されるものであり、ノイズ信号（Ｎ）の推定値（Ｎ＾）を送出するための手
段（３、４）を有し、前記ノイズ信号推定値（Ｎ＾）から第２のスペクトル値
を形成するための第２のスペクトル分析手段（７）を有
し、前記第２のスペクトル値は、第２のスペクトルベクトル
（ｎ）に統合されており、規準スペクトル値（ｙｄ）からなる規準ベクトル（ｙ）
を記憶するためのメモリユニット（８）を有し、前記規準ベクトル（ｙ）にはインデックス（ｊ）が配属
されており、該インデックスは規準音声信号のスペクト
ルに相応するものであり、インデックス（ｊ）に配属された比較ベクトル（ｙ’）
を、規準ベクトル（ｙ）および第２のスペクトルベクト
ル（ｎ）から形成するための手段（９）を有し、比較ベクトル（ｙ’）の少なくとも１つを第２のスペク
トルベクトル（ｎ）に連続的に適合され、さらに、比較ベクトル（ｙ’）を第１のスペクトルベク
トル（ｘ）と比較することにより、インデックス（ｊ）
を選択するための手段（１０、１１）が設けられてい
る、ことを特徴とする音声認識装置。
【請求項２】ノイズ信号（Ｎ）の推定値（Ｎ＾）を形
成するため、ノイズ信号（Ｎ）を所属のノイズ信号源の
近傍で記録する、請求項１記載の音声認識装置。
【請求項３】ノイズ信号（Ｎ）の推定値（Ｎ＾）を形
成するため、既知のオーディオ信号のエコーをシミュレ
ートする、請求項１または２記載の音声認識装置。
【請求項４】ノイズ信号源の信号（Ｎ￣）をフィルタ
リングして、ノイズ信号（Ｎ）の推定値（Ｎ＾）を形成
するための適応形フィルタ（４）が設けられており、さらに、形成された推定値（Ｎ￣）を妨害を受けた音声
信号（Ｘ）から減算するための手段（５）が設けられて
いる、請求項１から３までのいずれか１項記載の音声認
識装置。
【請求項５】音声信号休止（ｊ＝０）に相応する比較
ベクトル（ｙ’）を、それぞれ存在する第２のスペクト
ルベクトル（ｎ）により連続的に置換する、請求項１か
ら４までのいずれか１項記載の音声認識装置。
【請求項６】すべての比較ベクトル（ｙ’）をそれぞ
れ存在する第２のスペクトルベクトル（ｎ）に適応す
る、請求項１から４までのいずれか１項記載の音声認識
装置。
【請求項７】それぞれのインデックス（ｊ）に規準ベ
クトル（ｙ）および１つまたは複数の順次連続する第２
のスペクトルベクトル（ｎ（ｉ），ｎ（ｉ−１），…）
を、当該インデックス（ｊ）に対して相応する数の比較
ベクトル（ｙ’）を配属し、第１のスペクトルベクトル（ｘ）との比較の際に、個々
の比較ベクトル（ｙ’）の評価を、評価数（ｇ）をそれ
ぞれのベクトル距離に加算することによって行う、請求
項１から４までのいずれか１項記載の音声認識装置。
【請求項８】音響経路で通信機器まで伝送される使用
者の音声信号を識別し、通信機器の部分機能を識別され
た音声信号に従って制御する、請求項１から７までのい
ずれか１項記載の音声認識装置。
【請求項９】遠距離通話網を介して通信機器に伝送さ
れる音声信号を識別し、通信機器の部分機能を制御す
る、請求項１から８までのいずれか１項記載の音声認識
装置。
【請求項１０】通信機器として移動電話を使用する、
請求項８または９記載の音声認識装置。
【請求項１１】通信機器として呼びかけ応答機を使用
する、請求項８または９記載の音声認識装置。
【請求項１２】自動車の無線受信機の部分機能を制御
する、請求項１から７までのいずれか１項記載の音声認
識装置。
【請求項１３】自動車の部分機能の制御に用いる、請
求項１から７までのいずれか１項記載の音声認識装置。
【請求項１４】当該電気機器または他の電気機器の部
分機能を、音声認識装置の識別された音声信号に依存し
て制御する、請求項１から１３までのいずれか１項記載
の音声認識装置。