JPH0968995A

JPH0968995A - 音声認識方法

Info

Publication number: JPH0968995A
Application number: JP7226173A
Authority: JP
Inventors: Maki Yamada; 麻紀山田; Masakatsu Hoshimi; 昌克星見; Tomohiro Konuma; 知浩小沼; Katsuyuki Futayada; 勝行二矢田
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1995-09-04
Filing date: 1995-09-04
Publication date: 1997-03-11
Anticipated expiration: 2015-09-04
Also published as: JP3129164B2

Abstract

(57)【要約】【目的】本発明は音声認識に関するものであり、子音
のように継続長が短くスペクトル変化に特徴のある部分
は時間的に詳細に、母音のように時間的に定常で継続長
の長い部分は時間的に粗く照合することにより情報の冗
長性を省き、認識性能の高い音声認識方法を提供するも
のである。【構成】未知入力音声を音響分析部１でフレームごと
にＬＰＣ分析し、特徴パラメータ抽出部２でＰ個（Ｐは
正の整数）の特徴パラメータをフレームごとに求める。
次に音声区間検出部３で入力音声の始端および終端フレ
ームを音声パワー情報などを用いて検出する。次にＤＰ
照合部５で、入力音声と単音節標準パターンとの距離を
求める。最後に距離比較部６で、ＤＰ照合部５で求めた
距離の中で最小の値をもつ標準パターンに対応する音声
名を認識結果として選択する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は人間の声を機械に認識さ
せる音声認識方法に関するものである。

【０００２】

【従来の技術】近年、使用者の声を登録することなし
に、誰の声でも認識できる不特定話者用の音声認識装置
が実用として使われるようになった。不特定話者用の実
用的な方法として、特許（特開昭６１−１８８５９９号
公報）を従来例として説明する。

【０００３】従来例の方法は入力音声の始端、終端を求
めて音声区間を決定し、音声区間を一定時間長に（Ｊフ
レーム）に線形伸縮し、これと単語標準パターンとの類
似度を統計的距離尺度を用いてパターンマッチングをす
ることによって求め、単語を認識する方法である。

【０００４】以下、従来例について図７、図８を用いて
詳細に説明する。図７は従来例の音声認識方法の処理の
流れを示すフローチャートである。図７において１は音
響分析部、２は特徴パラメータ抽出部、３は音声区間検
出部、１０は時間軸線形正規化部、４は標準パターン格
納部、１１は距離計算部、６は距離比較部である。

【０００５】図７において、入力音声が入力されると音
響分析部１で分析時間（フレームと呼ぶ、本従来例では
１フレーム＝10ms）ごとに線形予測（ＬＰＣ）分析を行
なう。次に、特徴パラメータ抽出部２でＰ個の特徴パラ
メータをフレームごとに求める。特徴パラメータは、Ｌ
ＰＣメルケプストラム係数（本例ではC1〜C9まで9
個）、正規化残差C0、および音声対数パワーの時間差分
値V0を用いる。次に音声区間検出部３で入力音声の始端
フレーム、終端フレームを検出する。音声区間の検出は
音声パワーを用いる方法が一番簡単であるがどのような
方法を用いてもよい。検出された音声区間に対して、入
力音声の特徴パラメータ時系列を時間軸線形正規化部１
０でＪフレームに線形伸縮する。これを概念的に示した
のが図８である。通常、計算量および標準パターンの推
定パラメータ数削減のため、Ｊは実際の単語のフレーム
数よりも小さく取る。これは単語の音声区間全体につい
て等間隔にフレームを間引くことに相当する。検出され
た入力音声区間の始端フレームを１フレーム目、終端フ
レームをＩフレーム目とすると、伸縮後の第ｊフレーム
と入力音声の第ｉフレームの関係は

【０００６】

【数１】

【０００７】となる。ただし、［］はその数を越えない
最大の整数を表す。伸縮後のＪフレーム分の特徴パラメ
ータを時系列に並べ入力時系列パターンＸを作成する。

【０００８】

【数２】

【０００９】この入力時系列パターンＸと標準パターン
格納部４に格納されている認識対象語彙の各々の標準パ
ターンとの距離を距離計算部１１で求める。標準パター
ンの作成方法および距離の求めかたについては後述す
る。最後に距離比較部６で、距離計算部１１で求めた各
々の標準パターンとの距離の中で最小（類似度が最大）
の値をもつ標準パターンに対応する音声名を認識結果と
して選択し、出力する。

【００１０】以下に、単語標準パターンの作成方法、お
よび入力時系列パターンと単語標準パターンとの距離計
算の方法について述べる。

【００１１】ある単語ωnの標準パターンは次のような
手順で作成する。 (1)多数の人（ここでは100名）が単語ωnを発声したM個
の学習用音声データを用意する。 (2)各データを（数１）を用いて線形に伸縮を行ないＪ
フレームに正規化する。(3)第m番目の発声データに対し
て伸縮後の特徴パラメータを時系列に並べ、時系列パタ
ーンＣmを求める。(m=1,...,M) (4)M個の時系列パターンＣm(m=1,...,M)を用いてその統
計量（平均値、共分散）を求めることにより標準パター
ンを作成する。

【００１２】これをN個の認識対象語彙それぞれに対し
て求めておく。第m番目の発声データに対して伸縮後の
特徴パラメータを時系列に並べた時系列パターンＣmは
次のように表される。

【００１３】

【数３】

【００１４】これをM個の学習用音声データについて求
める。時間パターンＣmを一つのベクトルとして扱うこ
とにより、パラメータのフレーム間の相関を考慮するこ
とになる。M個のＪ×Ｐ次元のベクトルＣm（m=1,...,
M）からその平均値ベクトルμおよび共分散行列Ｗを求
める。以下、第n番目の単語ωnに対する平均値ベクトル
をμn、共分散行列をＷnと表記する。

【００１５】入力時系列パターンＸと単語標準パターン
との距離計算は、共分散行列を共通化したベイズ判定に
基づく距離を用いて計算する。

【００１６】ベイズ判定に基づく距離は以下のようにし
て求める。（数２）で表される入力ベクトルＸが観測さ
れたときにそれが単語ωnである確率Ｐ(ωn｜Ｘ)はベイ
ズの定理より

【００１７】

【数４】

【００１８】となる。Ｐ(Ｘ｜ωn)は事前確率で、入力
がカテゴリーωnであったときに入力ベクトルＸが観測
される確率、Ｐ(Ｘ)は生起し得るすべての入力を考えた
場合のベクトルＸが観測される確率である。単語ωnの
出現確率Ｐ(ωn)は各単語同じと仮定して定数とし、入
力Ｘが一定とするとＰ(Ｘ)が定数となるので、事前確率
Ｐ(Ｘ｜ωn)を最大とするカテゴリーωnを判定結果とす
ればよい。

【００１９】パラメータの分布を正規分布と考えると、
事前確率Ｐ(Ｘ｜ωn)は（数５）で表される。

【００２０】

【数５】

【００２１】ここでtは転置行列を表す。両辺の対数を
とって識別に不要な定数項を省略しさらに−２倍すると
次式を得る。

【００２２】

【数６】

【００２３】この式は単語ωnに対するベイズ判定に基
づく距離である。計算量および推定パラメータ数削減の
ため、共分散行列を共通化してこの式を線形一次判別式
に展開する。認識対象語彙の各々の標準パターンの共分
散行列Ｗnを共通化し、Ｗとする。Ｗは次式のようにし
て求める。

【００２４】

【数７】

【００２５】したがって

【００２６】

【数８】

【００２７】とおくことができる。これを（数６）に代
入し識別に不要な定数項を省略すると、

【００２８】

【数９】

【００２９】となり、

【００３０】

【数１０】

【００３１】

【数１１】

【００３２】とおくことにより、

【００３３】

【数１２】

【００３４】のような線形一次判別式になることがわか
る。このようにしてＡn，Ｂnを認識対象語彙の各々に対
して求め、標準パターン格納部に格納しておく。距離計
算部では上式を用いて入力時系列パターンＸと、単語ω
nの標準パターンとの距離Ｌnを求める。

【００３５】

【発明が解決しようとする課題】従来例の方法は、計算
量が少なく実用的な方法である。しかし従来の方法で
は、パラメータの推定精度の面から標準パターンのフレ
ーム数Ｊを大きくすることができず、音声区間全体につ
いて等間隔にフレームを間引いて認識することになる。
このため、子音のように継続長が短く詳細に照合を行な
う必要がある部分の情報が欠落してしまい、十分な音声
認識率が得られないという問題があった。一方、母音の
ように時間的に定常で継続長の長い部分の情報が冗長に
なってしまうという問題があった。

【００３６】また、従来の方法は入力音声と標準パター
ンの照合の距離尺度として、音声全体を一つのベクトル
として一次判別関数で表される統計的距離尺度を用いて
いたため、少ない計算量で認識することができたが、近
年の計算機の急速な高速化にともない、計算量が増えて
も認識性能を向上させる必要性がでてきた。

【００３７】さらに、従来の方法は単語標準パターンを
作成するために、多数の人が発声した学習用音声データ
が必要となるため、認識対象語彙の変更が容易ではない
という問題があった。

【００３８】本発明は上記従来の課題を解決するもの
で、その第一の目的は従来例よりも認識率を向上させる
音声認識方法を提供することである。

【００３９】第二の目的は、識別性能の高い距離尺度を
用いて、さらに認識率を向上させる音声認識方法を提供
することである。

【００４０】第三の目的は、日本語のかな文字表記から
単語標準パターンを作成することができる、認識対象語
彙の変更が容易で高精度な音声認識方法を提供すること
である。

【００４１】

【課題を解決するための手段】本発明では第一に、以下
の手段によって上記課題を解決した。

【００４２】単語音声中の子音部は基準フレームを中心
にフレームを連続にとって標準パターンを作成し、母音
部はフレームを線形に伸縮して標準パターンを作成す
る。認識の際には子音部はフレームを連続に照合し、母
音部はフレームを伸縮させて照合を行なう。このような
フレームの取り方をすることにより音声認識性能を向上
させることができる。

【００４３】計算量および標準パターンの推定パラメー
タ数を増大させないために、入力音声と標準パターンの
照合は、音声全体を一つのベクトルとしてフレーム間相
関を考慮した一次判別関数で表される統計的距離尺度を
用いる。または、計算量は２倍になるが、フレームを独
立に扱い、そのかわりに特徴パラメータの時間変化量で
ある動的特徴パラメータを併用し一次判別関数で表され
る統計的距離尺度を用いる。

【００４４】本発明では第二に、以下の手段によって上
記課題を解決した。第一の手段における入力音声と標準
パターンの照合の距離尺度として二次判別関数で表され
る統計的距離尺度を用いる。ただし特徴パラメータの単
語全体の時系列パターンを一つのベクトルとして標準パ
ターンを作成しようとすると、共分散の推定のために膨
大な学習サンプルが必要となるため、時間パターンをフ
レーム毎に独立のベクトルとして扱う。二次判別関数で
表される統計的距離尺度を用いることによりさらに音声
認識性能を向上させることができる。特徴パラメータの
時間変化量である動的特徴パラメータを併用するとさら
に、音声認識性能を向上させることができる。

【００４５】本発明では第三に、以下の手段によって上
記課題を解決した。音節、ＣＶ（子音＋母音）、ＶＣ
（母音＋子音）、ＶＣＶ（母音＋子音＋母音）、又はＣ
ＶＣ（子音＋母音＋子音）などの単位ごとに第一、第二
の手段と同様に標準パターンを作成しておき、これらを
接続して任意の単語標準パターンを作成し、第一、第二
の手段と同様に認識する。日本語のかな文字表記にした
がって単語標準パターンを作成することができるため、
認識対象語彙の変更を容易にすることができる。

【００４６】

【作用】日本語は子音と母音によって構成される。一般
に、母音部はスペクトルの時間的変化が少なく定常的あ
り、その継続長は発声速度の相違によって伸縮しやすい
という特徴がある。一方、子音部はスペクトルの時間的
変化に音素を識別するための情報があり、その継続長は
比較的短く発声速度が異なっても伸縮しにくいという特
徴がある。

【００４７】本発明は第一に、子音部は基準フレームを
中心にフレームを連続にとり伸縮させずに照合を行な
い、母音部はフレームを伸縮させて照合を行なうことに
よって、子音部の局所的なスペクトルの時間的変化の特
徴と母音部の大局的なスペクトルの特徴を発声速度に影
響されずに適切にとらえることができるようになり、認
識性能が向上する。標準パターンの子音部を連続にとる
かわりに母音部のフレームを少なくすることにより、標
準パターンのフレーム数は増大しない。

【００４８】音声全体を一つのベクトルとしてフレーム
間相関を考慮した一次判別関数で表される統計的距離尺
度を用いると、計算量および推定パラメータ数を増大さ
せずに認識率の向上を図ることができる。フレームを独
立に扱い、そのかわりに特徴パラメータの時間変化量で
ある動的特徴パラメータを併用し一次判別関数で表され
る統計的距離尺度を用いると、計算量は２倍になるが、
認識率の向上を図ることができる。

【００４９】本発明は第二に、入力音声と標準パターン
の照合の際、フレームを独立に扱い二次判別関数で表さ
れる統計的距離尺度を用いることによりさらに音声認識
性能を向上させることができる。特徴パラメータの時間
変化量である動的特徴パラメータを併用すると、フレー
ムを独立に扱うことによって失われた時間変化の特徴量
をとらえることができるようになるため、さらに音声認
識性能を向上させることができる。

【００５０】本発明は第三に、音節、ＣＶ（子音＋母
音）、ＶＣ（母音＋子音）、ＶＣＶ（母音＋子音＋母
音）又はＣＶＣ（子音＋母音＋子音）などの標準パター
ンを接続して任意の単語標準パターンを作成し認識する
ことにより、日本語のかな文字表記にしたがって単語標
準パターンを作成することができるため、認識対象語彙
の変更を容易にすることができる。

【００５１】また、ワードスポッティング機能を導入す
ることによって、騒音に対して頑強な、実用性の高い認
識装置が実現できる。

【００５２】

【実施例】

（実施例１）以下、本発明における第１の実施例につい
て説明する。

【００５３】第１の実施例では、日本語の発声の最小の
単位である音節を単独に発声した単音節を認識対象と
し、音声全体を一つのベクトルとして共分散行列を共通
化したベイズ判定に基づく一次判別関数で表される統計
的距離尺度を用いて入力音声と単音節標準パターンの照
合を行ない認識する音声認識方法について説明する。

【００５４】第１の実施例では未知入力音声の単音節区
間を検出し、これとあらかじめ作成しておいた単音節標
準パターンとの照合を行なうことにより単音節の認識を
行なう。

【００５５】日本語の単音節は子音部とそれにつづく母
音部によって構成される。一般に、母音部はスペクトル
の時間的変化が少なく定常的あり、その継続長は発声速
度の相違によって伸縮しやすいという特徴がある。一
方、子音部はスペクトルの時間的変化に音素を識別する
ための情報があり、その継続長は比較的短く発声速度が
異なっても伸縮しにくいという特徴がある。そこで、子
音部はフレーム（分析時間の単位；本実施例では１フレ
ーム＝10ms）を連続にとり伸縮させずに入力音声と標準
パターンの照合を行ない、母音部はフレームを伸縮させ
て照合を行なう。母音部はスペクトルが定常的であるた
め、隣接した数フレーム分をまとめて１フレームの標準
パターンにしても識別性能の低下は少ない。子音部はフ
レームを連続に密にとるかわりに母音部はフレームを間
引いて疎にとることによって、単音節標準パターン全体
のフレーム数を増大させずに認識率の向上を図ることが
できる。

【００５６】第１の実施例について図１、図２、図３を
参照しながら説明する。図１は第１の実施例の音声認識
方法の処理の流れを示すフローチャートである。図１に
おいて、１は未知入力音声を分析時間（フレーム）ごと
に線形予測（ＬＰＣ）分析する音響分析部、２は特徴パ
ラメータをフレームごとに求める特徴パラメータ抽出
部、３は入力音声の始端フレームおよび終端フレームを
検出する音声区間検出部、４は単音節標準パターンを格
納する標準パターン格納部、５は入力音声と単音節標準
パターンとの距離を求めるＤＰ照合部、６はＤＰ照合部
５で求めた各々の標準パターンとの距離の中で最小（類
似度が最大）の値をもつ標準パターンに対応する音声名
を認識結果とする距離比較部である。

【００５７】次にその動作を説明する。単音節標準パタ
ーンはあらかじめ作成して標準パターン格納部４に格納
しておく。単音節標準パターンの作成方法は後述する。
未知入力音声が入力されると音響分析部１で分析時間
（フレーム）ごとに線形予測（ＬＰＣ）分析を行なう。
次に、特徴パラメータ抽出部２でＰ個（Ｐは正の整数）
の特徴パラメータをフレームごとに求める。特徴パラメ
ータは、ＬＰＣメルケプストラム係数（本例ではC1〜C9
まで9個）、正規化残差C0、および音声対数パワーの時
間差分値V0を用いる。次に音声区間検出部３で入力音声
の始端フレームおよび終端フレームを音声パワー情報な
どを用いて検出する。第１の実施例では音声区間の検出
は音声パワーを用いるがどのような方法を用いてもよ
い。次にＤＰ照合部５で、入力音声の特徴パラメータ時
系列と、標準パターン格納部４に格納されているある単
音節標準パターンとをＤＰ法により動的に照合を行な
い、その単音節標準パターンに対する距離を求める。こ
れを認識対象とする全ての単音節に対して求める。ＤＰ
照合および距離計算の方法は後述する。最後に距離比較
部６で、ＤＰ照合部５で求めた各々の標準パターンとの
距離の中で最小（類似度が最大）の値をもつ標準パター
ンに対応する音声名を認識結果として選択し、出力す
る。

【００５８】以下、単音節標準パターンを作成する方法
について説明する。不特定話者音声認識用の音声標準パ
ターンは、多数の人が発声した学習用音声データを用い
てその統計量（平均値、共分散）を求めることにより作
成する。

【００５９】日本語の単音節は子音部とそれにつづく母
音部によって構成される。単音節標準パターンは、おな
じカテゴリー（単音節）の各学習用音声データから非線
形にフレームを抽出しこれらのフレームの特徴パラメー
タを時系列に並べたベクトルを求め、このベクトルの集
合から作成する。非線形にフレームを抽出する方法は以
下のとおりである。

【００６０】子音はスペクトルの時間的変化に音素を識
別するための情報があり、その継続長は比較的短く発声
速度が異なっても伸縮しにくいという特徴がある。そこ
で子音部については、その子音の特徴を最も表している
時間的な位置を基準フレームとし、学習用音声データか
ら各基準フレームの前後数フレームを連続して抽出す
る。母音部はその連続した時間パターンの終端から、音
声の終端フレームまでの間を線形にフレームを伸縮させ
て抽出する。図２がその概念図を示している。

【００６１】図２において、子音の基準フレームは、子
音ごとに定められている一定の基準に基づいて、目視に
よって学習用音声データに音素ラベル２１としてラベル
付けされている。本実施例では、無声破裂音(/c/,/p/,/
t/,/k/)は破裂フレーム、鼻音(/m/,/n/)および無声摩擦
音(/h/,/s/)は母音へのわたりの部分、有声破裂音(/b/,
/d/,/g/,/r/)は破裂フレーム（バズバーの終端）、/z/
は有声性から無声性へ変わる部分をそれぞれ基準フレー
ムとしている。また単母音（「あ」,「い」,「う」,
「え」,「お」）と半母音（「や」,「ゆ」,「よ」,
「わ」）は語頭の音声パワー２２の立ち上がりのフレー
ムを基準フレームと定義している。そして特徴パラメー
タ時系列２３において、この基準フレームを中心に前L1
フレーム、後L2フレームを連続して抽出する。L1および
L2の値は子音ごとに異なる。L1およびL2は子音を識別す
るために有効なフレームを予備実験により検討して決定
した。さらにこの連続した時間パターンの終端フレーム
から、音節の終端フレームまでの母音部を線形に伸縮し
て抽出することにより、時系列パターンＣｍ２４を作成
する。拗音の/j/は子音から後続母音へのゆっくりとし
たスペクトル遷移に特徴があり発声速度によって伸縮し
やすいため、母音部と同様に線形に伸縮する。

【００６２】ある単音節ωnの標準パターンは次のよう
な手順で作成する。 (1)多数の人（ここでは100名）が単音節ωnを発声したM
個の学習用音声データを用意する。 (2)各データを非線形に伸縮を行ないＪフレームに正規
化する。 (3)第m番目の発声データに対して伸縮後の特徴パラメー
タを時系列に並べ、時系列パターンＣmを求める。(m=
1,...,M) (4)M個の時系列パターンＣm(m=1,...,M)を用いてその統
計量（平均値、共分散）を求めることにより標準パター
ンを作成する。

【００６３】第m番目の学習用音声データから、時系列
パターンＣmを求める方法について述べる。

【００６４】標準パターンのフレーム数をＪフレームと
し、このうちのＬフレーム(L=L1+L2+1)を連続にとると
する。第m番目の学習用音声データの｛基準フレーム−L
1｝フレームを1フレーム目、音声区間の終端フレームを
Ｉフレーム目とすると、このデータの第iフレームと伸
縮後の第jフレームの関係は（数１３）で表される。た
だし、［］はその数を越えない最大の整数を表す。第１
の実施例ではＪ=20、Ｌ=10とする。Ｊはすべての単音節
について同じ値でなければならないが、Ｌは単音節毎に
異なってもよい。

【００６５】

【数１３】

【００６６】伸縮後のＪフレーム分の特徴パラメータを
時系列に並べ時間パターンＣmを作成する。

【００６７】

【数１４】

【００６８】これをM個の学習用音声データについて求
める。時間パターンＣmを一つのベクトルとして扱うこ
とにより、パラメータのフレーム間の相関を考慮するこ
とになる。M個のＪ×Ｐ次元のベクトルＣm（m=1,...,
M）からその平均値ベクトルμおよび共分散行列Ｗを求
める。

【００６９】さらにこれをN個の認識対象とする単音節
に対してそれぞれ求める。以下、第n番目の単音節ωnに
対する平均値ベクトルをμn、共分散行列をＷnと表記す
る。

【００７０】未知入力音声の特徴パラメータの時系列パ
ターンと単音節標準パターンとの距離計算は、共分散行
列を共通化したベイズ判定に基づく距離を用いて計算す
る。

【００７１】ベイズ判定に基づく距離は以下のようにし
て求める。いま、未知入力音声の伸縮後の特徴パラメー
タをＪフレーム分並べてできる入力ベクトルＸを

【００７２】

【数１５】

【００７３】入力ベクトルＸが観測されたときにそれが
単音節ωnである確率Ｐ(ωn｜Ｘ)は、従来例と同様にし
て求められる。ベイズの定理よりＰ(ωn｜Ｘ)は、

【００７４】

【数１６】

【００７５】となる。Ｐ(Ｘ｜ωn)は事前確率で、入力
がカテゴリーωnであったときにベクトルＸが観測され
る確率、Ｐ(Ｘ)は生起し得るすべての入力を考えた場合
のベクトルＸが観測される確率である。単語ωnの出現
確率Ｐ(ωn)は各単語同じと仮定して定数とし、入力Ｘ
が一定とするとＰ(Ｘ)が定数となるので、事前確率Ｐ
(Ｘ｜ωn)を最大とするカテゴリーωnを判定結果とすれ
ばよい。

【００７６】パラメータの分布を正規分布と考えると、
事前確率Ｐ(Ｘ｜ωn)は（数１７）で表される。

【００７７】

【数１７】

【００７８】ここでtは転置行列を表す。両辺の対数を
とって識別に不要な定数項を省略しさらに−２倍すると
次式を得る。

【００７９】

【数１８】

【００８０】この式は単音節ωnに対するベイズ判定に
基づく距離である。ここで、計算量および推定パラメー
タ数削減のため、従来例と同様に共分散行列を共通化し
てこの式を線形判別式に展開する。各単音節標準パター
ンの共分散行列Ｗnを共通化し、Ｗとする。Ｗは次式の
ようにして求める。

【００８１】

【数１９】

【００８２】したがって

【００８３】

【数２０】

【００８４】とおくことができる。これを（数１８）に
代入し識別に不要な定数項を省略すると

【００８５】

【数２１】

【００８６】となり、

【００８７】

【数２２】

【００８８】

【数２３】

【００８９】とおくことにより、

【００９０】

【数２４】

【００９１】のような線形一次判別式になることがわか
る。このようにしてＡn，Ｂnを認識対象とする単音節の
各々に対して求め、標準パターン格納部４に格納してお
く。

【００９２】以下、ＤＰ照合部５で、入力音声と単音節
標準パターンとを、ＤＰ法により動的に時間整合を行な
って照合し、距離を求める方法について詳しく説明す
る。

【００９３】音声区間検出部で検出された音声区間の始
端フレームを第１フレーム、終端フレームを第Ｉフレー
ムとする。入力音声の第ｉフレームの特徴パラメータを
Ｐ個並べたものをｘi

【００９４】

【数２５】

【００９５】とする。そして、入力音声のr(1),r(2),
…,r(j),…,r(J)番目のフレームのｘを並べてＪフレー
ム分の時間パターンＸを作成する。これが入力ベクトル
になる。

【００９６】

【数２６】

【００９７】単音節ωnの標準パターンをＡn，Ｂnと
し、Ａnを

【００９８】

【数２７】

【００９９】と書くとき、入力ベクトルＸと単音節ωn
の標準パターンとの距離Lnは

【０１００】

【数２８】

【０１０１】であるから、

【０１０２】

【数２９】

【０１０３】となる。そこで、Lnが最小となるようなr
(j)をＤＰ法により求めればよい。Lnが最小となるとき
の値をＤＰ法によって以下のような漸化式で求める。

【０１０４】

【数３０】

【０１０５】ただしｍはｍsからｍeまでの整数でｍs,ｍ
eの値は単音節毎、標準パターンのフレームごとに異な
る。j=1からj=Lまでの連続部では

【０１０６】

【数３１】

【０１０７】とし、入力音声を伸縮させず連続的に標準
パターンと照合する。伸縮部のｍs,ｍeの値は、本実施
例ではその単音節の標準パターンが

【０１０８】

【数３２】

【０１０９】の間で伸縮するように決定した。これらの
ＤＰパスを連続部に関しては図３（ａ）に、伸縮部に関
しては図３（ｂ）に示す。

【０１１０】入力音声の終端フレームにおける単音節標
準パターンの最終フレームの累積距離ｇ(I,J)をＢnから
引いたものが、入力ベクトルＸと単音節ωnの標準パタ
ーンとの距離Lnである。

【０１１１】

【数３３】

【０１１２】これをすべての単音節標準パターンについ
て求める。なお、第１の実施例では入力音声の音声区間
を検出してから照合を行なう方法について説明したが、
入力音声の音声区間検出をせず、ノイズを含む全入力音
声区間について、

【０１１３】

【数３４】

【０１１４】で表される漸化式によって連続ＤＰマッチ
ングを行ない、ｇ(i,J)が最小となる入力フレームiを求
め、そのときのフレームをIminとするとき、

【０１１５】

【数３５】

【０１１６】を単音節ωnの標準パターンとの距離とす
ることによって、音声区間を検出しなくても、認識を行
なうことができる。これをワードスポッティングとい
う。

【０１１７】ただし、ワードスポッティングを行なう場
合には事後確率化された距離尺度を用いなければならな
い。その方法は以下のとおりである。（数１６）におい
て、ワードスポッティングを行なう場合には異なった入
力区間における入力Ｘについて比較しなければならない
ため、入力Ｘが一定とはならない。したがってＰ(Ｘ)の
項を考慮した事後確率Ｐ(ωn｜Ｘ)を最大とするカテゴ
リーωnを判定結果とする必要がある。

【０１１８】Ｐ(Ｘ)は生起し得るすべての入力を考えた
場合のベクトルＸが観測される確率である。そこで、事
後確率化のための周囲情報パターンとして、生起し得る
すべての入力についての平均値ベクトルおよび共分散行
列を求めておく。すなわち、認識対象とする全単音節学
習用音声データの特徴パラメータ時系列に対してＪフレ
ームの時間窓を１フレームずつシフトさせながら作成し
たＪフレームの時系列パターンから平均値ベクトルμe
と共分散行列Ｗeを求めておく。ただしノイズを含む区
間から、発声された音声をスポッティングするために
は、事後確率化のため周囲情報パターンにノイズ区間を
含めて作成しておく必要がある。Ｐ(Ｘ)は周囲情報パタ
ーンの平均値ベクトルμe、共分散行列Ｗeから求まる。

【０１１９】パラメータの分布を正規分布と考えると、
事後確率Ｐ(ωn｜Ｘ)は（数３６）で表される。

【０１２０】

【数３６】

【０１２１】ここでtは転置行列を表す。両辺の対数を
とって−２倍すると次式を得る。

【０１２２】

【数３７】

【０１２３】この式は単音節ωnに対する事後確率化し
たベイズ判定に基づく距離である。ここで、計算量およ
び推定パラメータ数削減のため、共分散行列を共通化し
てこの式を線形判別式に展開する。認識対象語彙の各々
の標準パターンの共分散行列Ｗnと周囲情報パターンの
共分散行列Ｗeを共通化し、Ｗとする。Ｗは次式のよう
にして求める。gは周囲情報パターンを混入する割合で
あり、ここではg=Nとする。

【０１２４】

【数３８】

【０１２５】したがって、

【０１２６】

【数３９】

【０１２７】とおくことができる。これを（数３７）に
代入すると

【０１２８】

【数４０】

【０１２９】となり、

【０１３０】

【数４１】

【０１３１】

【数４２】

【０１３２】とおくことにより、

【０１３３】

【数４３】

【０１３４】のような線形一次判別式になることがわか
る。ワードスポッティングを行なう場合には、このよう
にしてＡn，Ｂnを認識対象とする単音節の各々に対して
求め、標準パターン格納部４に格納しておく。

【０１３５】なお、無声摩擦音や、語頭のバズバーなど
のようにスペクトルが定常で発声によって伸縮の激しい
音素については、基準フレームを中心とした連続パター
ンの時間的に前の部分に母音部と同様の線形伸縮するパ
ターンを設けてもよい。

【０１３６】また、第１の実施例では単音節を認識する
場合の例を述べたが、単語認識も同様に行なうことがで
きる。その場合も標準パターンは、子音部は基準フレー
ムを中心に連続に、母音部は線形に伸縮させて全体でＪ
フレームになるように作成する。認識する際には、連続
部は伸縮させないようにしながら第１の実施例と同様に
ＤＰ法により照合を行なう。

【０１３７】（実施例２）以下、本発明における第２の
実施例について説明する。

【０１３８】第２の実施例では、日本語単音節を認識対
象とし、ベイズ判定に基づく二次判別関数で表される統
計的距離尺度を用いて、入力音声と単音節標準パターン
のフレーム毎に得られる特徴パラメータベクトルと動的
特徴パラメータベクトルの照合を行ない認識する音声認
識方法について説明する。

【０１３９】第２の実施例では第１の実施例と同じく未
知入力音声の単音節区間を検出し、これとあらかじめ作
成しておいた単音節標準パターンとの照合を行なうこと
により単音節の認識を行なう。

【０１４０】第２の実施例について図４を参照しながら
説明する。図４は、第２の実施例の処理の流れを示すフ
ローチャートである。

【０１４１】図４において１は未知入力音声をフレーム
ごとにＬＰＣ分析を行なう音響分析部、２は特徴パラメ
ータをフレームごとに求める特徴パラメータ抽出部、７
は特徴パラメータの時間変化量を求める動的特徴パラメ
ータ抽出部、３は入力音声の始終端フレームを検出する
音声区間検出部、４は単音節標準パターンを格納する標
準パターン格納部、５は入力音声と単音節標準パターン
との距離を求めるＤＰ照合部、６はＤＰ照合部５で求め
た距離の中で最小の値をもつ標準パターンに対応する音
声名を認識結果とする距離比較部である。

【０１４２】次にその動作を説明する。単音節標準パタ
ーンはあらかじめ作成して標準パターン格納部４に格納
しておく。単音節標準パターンの作成方法は後述する。
未知入力音声が入力されると音響分析部１でフレームご
とにＬＰＣ分析を行ない、特徴パラメータ抽出部２でＰ
個の特徴パラメータをフレームごとに求める。特徴パラ
メータは第１の実施例と同様である。そして動的特徴パ
ラメータ抽出部７で特徴パラメータの各次元についてそ
の時間変化量である回帰係数をフレーム毎にＰ個求め
る。次に音声区間検出部３で入力音声の始終端フレーム
を検出し、ＤＰ照合部５で、入力音声の特徴パラメータ
時系列と、単音節標準パターンとを二次判別関数で表さ
れる統計的距離尺度を用いてＤＰ法により動的に照合を
行ない、各単音節標準パターンに対する距離を求める。
最後に距離比較部６で、ＤＰ照合部５で求めた各々の標
準パターンとの距離の中で最小の値をもつ標準パターン
に対応する音声名を認識結果として選択し、出力する。

【０１４３】未知入力音声の特徴パラメータの時系列パ
ターンと単音節標準パターンとの距離計算は、ベイズ判
定に基づく距離を用いて計算する。

【０１４４】ベイズ判定に基づく距離は二次判別関数で
あり、計算量が距離を求めるベクトルの次元数の２乗に
比例するため、ベクトルの次元数が大きいと計算量が爆
発的に増大する。また共分散の推定のためには膨大な学
習サンプルが必要となる。そこでベクトルの次元数を減
らす必要がある。第１の実施例では特徴パラメータの単
音節全体の時系列パターンを一つのベクトルとして入力
音声と単音節標準パターンの距離を求めたが、第２の実
施例では、これをフレーム毎に分割して扱う。すなわ
ち、P個の特徴パラメータからなるP次元のベクトルをＪ
フレーム分並べたものを標準パターンとし、それぞれの
フレームと入力音声の対応するフレームとの距離をベイ
ズ判定に基づく距離によって求め、その和を入力音声と
単音節標準パターンとの距離とする。しかしこのように
フレームを独立に扱うと、特徴パラメータの動的な変化
を捉らえることができなくなる。そこで特徴パラメータ
の時間変化量を動的特徴パラメータとして導入する。本
実施例では、あるフレームの前後２フレーム（計５フレ
ーム）分のｐ番目の特徴パラメータの回帰係数をそのフ
レームのｐ番目の動的特徴パラメータとする。動的特徴
パラメータ抽出部７ではフレーム毎にＰ個の動的特徴パ
ラメータを求める。

【０１４５】いま、未知入力音声の第iフレームのP個の
特徴パラメータからなるベクトルを、

【０１４６】

【数４４】

【０１４７】また、P個の動的特徴パラメータからなる
ベクトルを、

【０１４８】

【数４５】

【０１４９】とする。単音節標準パターンは第１の実施
例と同様にして、各学習用音声データを非線形に伸縮を
行なってＪフレームに正規化し、第n番目の単音節ωnに
対する第jフレームの特徴パラメータの平均値ベクトル
μnjおよび共分散行列Ｗnj、動的特徴パラメータの平均
値ベクトル

【０１５０】

【外１】

【０１５１】および共分散行列

【０１５２】

【外２】

【０１５３】を、j=1〜JまでＪフレーム分求め、これら
を標準パターン格納部４に格納しておく。

【０１５４】このとき入力の第iフレームと単音節ωnの
第jフレームのベイズ判定に基づく距離は（数４６）で
表される。

【０１５５】

【数４６】

【０１５６】ここでtは転置行列を表す。単音節ωnに対
する標準パターンの1,2,…,j,…,J番目のフレームと、
入力音声のr(1),r(2),…,r(j),…,r(J)番目のフレーム
がそれぞれ対応するとき、入力音声と単音節ωnとの距
離Ｌnは

【０１５７】

【数４７】

【０１５８】とする。したがって（数４６）（数４７）
より

【０１５９】

【数４８】

【０１６０】となる。そこで、Ｌnが最小となるようなr
(j)をＤＰ法により求めればよい。Ｌnが最小となるとき
の値を第１の実施例と同様に、ＤＰ法によって以下のよ
うな漸化式で求める。

【０１６１】

【数４９】

【０１６２】ただしｍはｍsからｍeまでの整数でｍs,ｍ
eの値は第１の実施例と同様である。連続部では（数３
１）であり伸縮させずに照合を行なう。

【０１６３】入力音声の終端フレームにおける単音節標
準パターンの最終フレームの累積距離ｇ(I,J)が、入力
音声と単音節ωn標準パターンとの距離Ｌnである。

【０１６４】

【数５０】

【０１６５】これをすべての単音節標準パターンについ
て求める。なお、第２の実施例ではフレーム毎に独立に
距離計算を行なうため、標準パターンのフレーム数は、
単音節毎に異なってもよい。その場合、入力音声と単音
節ωnとの距離Ｌnは（数４７）のかわりに

【０１６６】

【数５１】

【０１６７】とする。ここでJnは単音節ωnのフレーム
数である。第２の実施例では、ベイズ判定に基づく距離
を用いているため、従来例に比べ計算量が多い。従来例
および第１の実施例では、音声全体を一つのベクトルと
して共分散行列を共通化したベイズ判定に基づく距離を
用いるため、フレーム数をＪ、フレームあたりのパラメ
ータ数をＰ個とすると、１単音節あたりの積和の計算回
数はＪＰ回である。これはＪ=20、Ｐ=11とすると220回
になる。一方、ベイズ判定に基づく距離ではベクトルの
次元数をＰとすると積和の計算回数はＰ（Ｐ＋３）／２
回である。フレームを独立に扱い特徴パラメータベクト
ルと動的特徴パラメータベクトルを使用する場合、１フ
レームあたりの積和の計算回数はＰ（Ｐ＋３）／２×２
回となるから、ＪフレームではＪＰ（Ｐ＋３）回とな
る。これはＪ=20、Ｐ=11とすると3080回になる。すなわ
ち、第２の実施例の積和計算量は従来例の14倍になる。

【０１６８】なお、第２の実施例では、照合の距離尺度
としてベイズ判定に基づく二次判別関数で表される統計
的距離尺度を用いたが、共分散行列を共通化したベイズ
判定に基づく一次判別関数で表される統計的距離尺度を
用いることもできる。これにより、従来例に比べ計算量
が二倍程度で従来例よりも高い認識率が得られる。

【０１６９】また、第２の実施例では、入力音声と単音
節標準パターンのフレーム毎に得られる特徴パラメータ
ベクトルと動的特徴パラメータベクトルの照合を行ない
認識したが、特徴パラメータベクトルだけを用いてもよ
い。その場合には認識率はやや落ちるが、計算量が半分
ですむというメリットがある。

【０１７０】また、第１の実施例と同様に連続ＤＰマッ
チングを行なうことにより、ワードスポッティングを行
なうことが可能である。ワードスポッティングを行なう
場合、異なる入力区間について比較するため、距離尺度
は事後確率化された距離尺度を用いる必要がある。その
方法は以下のとおりである。

【０１７１】事後確率化のための周囲情報パターンとし
て、生起し得るすべての入力についての平均値ベクトル
および共分散行列を求めておく必要がある。認識対象と
する全単音節学習用音声データの全音声区間に対して作
成した１フレームの特徴パラメータの平均値ベクトルμ
eおよび共分散行列Ｗe、動的特徴パラメータの平均値ベ
クトル

【０１７２】

【外３】

【０１７３】および共分散行列

【０１７４】

【外４】

【０１７５】を求めておき、これらも標準パターンとし
て標準パターン格納部４に格納しておく。ただしノイズ
を含む区間から、発声された音声をスポッティングする
ためには、事後確率化のため周囲情報パターンにノイズ
区間を含めて作成しておく必要がある。

【０１７６】事後確率化されたベイズ判定に基づく距離
は（数５２）で表される。

【０１７７】

【数５２】

【０１７８】したがって、入力音声と単音節ωnとの距
離Ｌnは（数４８）のかわりに（数５３）を用い、ＤＰ
の漸化式は（数４９）のかわりに（数５４）を用いる。

【０１７９】

【数５３】

【０１８０】

【数５４】

【０１８１】（実施例３）以下、本発明における第３の
実施例について説明する。

【０１８２】第３の実施例では、学習用単語音声データ
から音節を切りだし、第２の実施例と同様にしてフレー
ム毎の特徴パラメータベクトルと動的特徴パラメータベ
クトルから音節標準パターンを作成し、これらを連結し
て単語標準パターンを作成して、第２の実施例と同様に
してベイズ判定に基づく二次判別関数で表される統計的
距離尺度を用いて照合を行ない単語を認識する方法につ
いて説明する。

【０１８３】第３の実施例について図５、図６を参照し
ながら説明する。図５は第３の実施例の処理の流れを示
すフローチャートである。

【０１８４】図５において１は未知入力音声をフレーム
ごとにＬＰＣ分析する音響分析部、２は特徴パラメータ
をフレームごとに求める特徴パラメータ抽出部、７は特
徴パラメータの時間変化量を求める動的特徴パラメータ
抽出部、３は入力音声の始終端フレームを検出する音声
区間検出部、８はかな表記単語辞書、９は音節標準パタ
ーンを格納する音節標準パターン格納部、５は入力音声
と各単語標準パターンとの距離を求めるＤＰ照合部、６
はＤＰ照合部５で求めた距離の中で最小（類似度が最
大）の値をもつ標準パターンに対応する音声名を認識結
果とする距離比較部である。

【０１８５】次にその動作を説明する。音節標準パター
ンはあらかじめ作成して音節標準パターン格納部９に格
納しておく。音節標準パターンの作成方法は後述する。
未知入力音声が入力されると音響分析部１でフレームご
とにＬＰＣ分析を行ない、特徴パラメータ抽出部２でＰ
個の特徴パラメータをフレームごとに求める。特徴パラ
メータは第１の実施例と同様である。そして動的特徴パ
ラメータ抽出部７で特徴パラメータの各次元についてそ
の時間変化量である回帰係数をフレーム毎にＰ個求め
る。次に音声区間検出部３で入力音声の始終端フレーム
を検出する。次にかな表記単語辞書８に書かれている単
語のかな文字表記にしたがって、音節標準パターン格納
部９に格納されている音節標準パターンを連結し、単語
標準パターンを作成する。ＤＰ照合部５で、第２の実施
例と同様に入力音声の特徴パラメータ時系列と、各単語
標準パターンとをＤＰ法により動的に照合を行ない、各
単語標準パターンに対する距離を求める。最後に距離比
較部６で、ＤＰ照合部５で求めた各々の標準パターンと
の距離の中で最小（類似度が最大）の値をもつ標準パタ
ーンに対応する音声名を認識結果として選択し、出力す
る。

【０１８６】以下、音節標準パターンを作成する方法に
ついて図６（ａ）を用いて説明する。音韻環境を考慮し
て、音韻バランスが取れた種々の単語セットを多数の人
が発声した音声データを学習用音声データとして用意す
る。学習用音声データにはあらかじめ音節６４の始終端
位置と子音の基準フレームを目視によって音素ラベル６
１としてラベル付けを行なっておく。そして各音節の始
端から終端までの音声データを切りだし、音節毎に、第
２の実施例と同様に子音部は基準フレームを中心に連続
に母音部は線形伸縮させて音節標準パターンの特徴パラ
メータ時系列６３を作成する。無声摩擦音や、語頭のバ
ズバーなどのようにスペクトルが定常で発声によって伸
縮の激しい音素については、基準フレームを中心とした
連続パターンの時間的に前の部分に母音部と同様の線形
伸縮するパターンを設けてもよい。

【０１８７】入力音声を単語標準パターンとＤＰ法によ
り時間伸縮して照合を行なうときも第２の実施例のよう
に、子音部は伸縮させず連続になるようにしながら単語
の始端から終端まで照合を行なう。ＤＰパスは音節毎に
（数３２）で表される範囲に届くようにフレーム毎に変
えてもよいし、音節標準パターンの長さをその音節の平
均継続長の１／２のように音節毎に変えれば伸縮部で一
律にしてもよい。

【０１８８】なお、第３の実施例では音節単位に認識を
するが、ＣＶ（子音＋母音）、ＶＣ（母音＋子音）、Ｖ
ＣＶ（母音＋子音＋母音）又はＣＶＣ（子音＋母音＋子
音）などの音声片を単位としてもよい。その場合も子音
部は基準フレームを中心として連続に照合を行なう。図
６（ｂ）は認識の単位をＣＶ・ＶＣとしたときの切り出
し方の例である。

【０１８９】また、第３の実施例では、照合の距離尺度
としてベイズ判定に基づく二次判別関数で表される統計
的距離尺度を用いたが、共分散行列を共通化したベイズ
判定に基づく一次判別関数で表される統計的距離尺度を
用いることもできる。これにより、少ない計算量で認識
対象語彙の変更が容易な音声認識方法を実現することが
できる。

【０１９０】また、第３の実施例では、入力音声と単音
節標準パターンのフレーム毎に得られる特徴パラメータ
ベクトルと動的特徴パラメータベクトルの照合を行ない
認識したが、特徴パラメータベクトルだけを用いてもよ
い。その場合には認識率はやや落ちるが、計算量が半分
ですむというメリットがある。

【０１９１】また、連続ＤＰマッチングを行なうことに
よって、第１、第２の実施例と同様にして、ワードスポ
ッティングを行なうことも可能である。

【０１９２】第１、第２、第３の実施例の効果を確認す
るため、男女計１５０名が発声した１１０単音節音声お
よび地名１００単語音声を用いて認識実験を行なった。
このうち１００名（男女各５０名）のデータを用いて音
声標準パターンを作成し、残りの５０名のデータを評価
した。

【０１９３】（表１）に評価条件を示す。（表２）に従
来例による110単音節認識率および地名100単語認識率、
第１の実施例による110単音節認識率、第２の実施例に
よる110単音節認識率、第３の実施例による地名100単語
認識率を示す。

【０１９４】

【表１】

【０１９５】

【表２】

【０１９６】（表２）において計算量は、標準パターン
のフレーム数Ｊを20、フレーム毎の特徴パラメータの個
数Ｐを11とした場合の、入力音声と標準パターンの距離
を求める際の積和の演算回数で従来例による方法を１と
したときの比を表している。第３の実施例による方法で
は、地名100単語に出現する音節の総フレーム数分だけ
距離計算を行なえばよいので計算量はそれほど増大しな
い。

【０１９７】このように第１の実施例による方法では、
単音節認識率が従来法の４７．２％に比べ６８．０％
と、計算量や推定パラメータ数を増大させることなく認
識率を向上させることができる。

【０１９８】また第２の実施例による方法では、単音節
認識率が第１の実施例による方法に比べ７５．４％と、
さらに大きく認識率を向上させることができる。

【０１９９】また従来法では認識対象語彙の変更が困難
であったが、第３の実施例による方法では、かな表記か
ら単語標準パターンが作成できるため認識対象語彙の変
更が容易になり、認識率の面でも単語認識率が従来法の
９７．３％から９８．９％に向上した。

【０２００】本実施例はいずれも、ワードスポッティン
グが可能な方法でありワードスポッティングを導入する
ことによって、騒音に対して頑強な、実用性の高い認識
装置が実現できる。

【０２０１】

【発明の効果】本発明は第一に、子音部は基準フレーム
を中心に連続にフレームをとり、母音部は線形伸縮させ
て標準パターンを作成し、認識時には子音部は伸縮させ
ずに照合を行ない、母音部はフレームを伸縮させて照合
を行なうことによって、子音部の局所的なスペクトルの
時間的変化の特徴と母音部の大局的なスペクトルの特徴
を発声速度に影響されずに適切にとらえることができる
ようになるため、認識性能の高い音声認識方法を実現す
ることができる。入力音声と標準パターンの照合に、音
声全体を一つのベクトルとしてフレーム間相関を考慮し
た一次判別関数で表される統計的距離尺度を用いること
により、計算量および標準パターンの推定パラメータ数
を増大させることなく、認識率を向上させることができ
る。また、計算量は２倍になるがフレームを独立に扱
い、そのかわりに特徴パラメータの時間変化量である動
的特徴パラメータを併用し一次判別関数で表される統計
的距離尺度を用いることによっても、認識率を向上させ
ることができる。

【０２０２】本発明は第２に、さらに、時間パターンを
フレーム毎に独立のベクトルとして扱い、二次判別関数
で表される統計的距離尺度を用いることにより、さらに
音声認識性能を向上させることができる。また特徴パラ
メータの時間変化量である動的特徴パラメータを併用す
るとさらに、音声認識性能を向上させることができる。

【０２０３】本発明は第三に、さらに、音節やＣＶ（子
音＋母音）、ＶＣ（母音＋子音）、ＶＣＶ（母音＋子音
＋母音）又はＣＶＣ（子音＋母音＋子音）などの音声片
を組合わせることにより、認識対象語彙の変更が容易で
高精度な音声認識方法を実現することができる。

【０２０４】また、ワードスポッティング機能を導入す
ることによって、騒音に対して頑強な、実用性の高い認
識装置が実現できる。

【０２０５】このように本発明は実用上有効な方法であ
り、その効果は大きい。

【図面の簡単な説明】

【図１】本発明の第１の実施例の処理の流れを示すフロ
ーチャート

【図２】同第１の実施例において標準パターンの作成方
法を説明する概念図

【図３】同第１の実施例におけるＤＰパスを示す図

【図４】同第２の実施例の処理の流れを示すフローチャ
ート

【図５】同第３の実施例の処理の流れを示すフローチャ
ート

【図６】同第３の実施例において標準パターンの作成方
法を説明する概念図

【図７】従来例の処理の流れを示すフローチャート

【図８】従来例において標準パターンの作成方法を説明
する概念図

【符号の説明】

１音響分析部２特徴パラメータ抽出部３音声区間検出部４標準パターン格納部５ＤＰ照合部６距離比較部７動的特徴パラメータ抽出部８かな表記単語辞書９音節標準パターン格納部１０時間軸線形正規化部１１距離計算部

───────────────────────────────────────────────────── フロントページの続き (72)発明者二矢田勝行神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内

Claims

【特許請求の範囲】

【請求項１】入力音声に対してフレームごとにＰ個
（Ｐは正の整数）の特徴パラメータを抽出し、前記入力
音声とあらかじめ作成した単語音声標準パターンとを、
統計的距離尺度を用いて、子音部は伸縮させず母音部は
伸縮することにより時間整合して照合し、入力音声と各
単語音声標準パターンの類似度を求め、前記類似度が最
大となる単語音声標準パターンに対応する単語音声名を
認識結果とすることを特徴とする音声認識方法。
【請求項２】単語音声標準パターンが、認識対象とす
るＮ種（Ｎは正の整数）の単語音声の各々に属する学習
用単語音声データの始端から終端までの間を、子音部は
基準フレームを中心に連続にとり母音部は各々のデータ
の母音区間を線形に伸縮することにより単語全体をＪフ
レーム（Ｊは正の整数）に非線形に伸縮し、各フレーム
ごとにＰ個（Ｐは正の整数）の特徴パラメータを抽出し
て時間的順序に並べて得られるＰ×Ｊ次元のベクトルを
用いて作成したものである請求項１記載の音声認識方
法。
【請求項３】単語音声標準パターンが、認識対象とす
るＮ種（Ｎは正の整数）の単語音声の各々に属する学習
用単語音声データの始端から終端までの間を、子音部は
基準フレームを中心に連続にとり母音部は各々のデータ
の母音区間を線形に伸縮することにより単語全体をＪフ
レーム（Ｊは正の整数）に非線形に伸縮し、各フレーム
ごとにＰ個（Ｐは正の整数）の特徴パラメータを抽出し
て時間的順序に並べて得られるＪ個のＰ次元のベクトル
を用いて作成したものである請求項１記載の音声認識方
法。
【請求項４】入力音声に対しフレームごとにＰ個（Ｐ
は正の整数）の特徴パラメータとその時間変化量である
Ｐ個の動的特徴パラメータを抽出し、入力音声区間とあ
らかじめ作成した単語音声標準パターンとを、統計的距
離尺度を用いて、子音部は伸縮させず母音部は伸縮する
ことにより時間整合して照合し、入力音声と各単語音声
標準パターンの類似度を求め、前記類似度が最大となる
単語音声標準パターンに対応する単語名を認識結果とす
ることを特徴とする音声認識方法。
【請求項５】単語音声標準パターンが、認識対象とす
るＮ種（Ｎは正の整数）の単語音声の各々に属する学習
用単語音声データの始端から終端までの間を、子音部は
基準フレームを中心に連続にとり母音部は各々のデータ
の母音区間を線形に伸縮することにより単語全体をＪフ
レーム（Ｊは正の整数）に非線形に伸縮し、各フレーム
ごとにＰ個（Ｐは正の整数）の特徴パラメータを抽出
し、さらにフレームごとに各特徴パラメータの時間変化
量である動的特徴パラメータをＰ個求め、特徴パラメー
タを時間的順序に並べて得られるＪ個のＰ次元のベクト
ルと動的特徴パラメータを時間的順序に並べて得られる
Ｊ個のＰ次元のベクトルを用いて作成したものである請
求項４記載の音声認識方法。
【請求項６】単語音声標準パターンが、音韻環境を考
慮したＭ種（Ｍは正の整数）の単語セットの学習用音声
データを、音節、（子音＋母音）、（母音＋子音）、
（母音＋子音＋母音）又は（子音＋母音＋子音）などの
音声片単位に切り分け、音声片ごとに、各々に属する学
習用音声片データの始端から終端までの間を、子音部は
基準フレームを中心に連続にとり母音部は各々のデータ
の母音区間を線形に伸縮することにより音声片全体をＪ
フレーム（Ｊは正の整数）に非線形に伸縮し、各フレー
ムごとにＰ個（Ｐは正の整数）の特徴パラメータを抽出
し、特徴パラメータを時間的順序に並べて得られるＪ個
のＰ次元のベクトルを用いて音声片音声標準パターンを
作成し、前記音声片音声標準パターンを認識対象とする
Ｎ種（Ｎは正の整数）の単語の各々の音声片表記列にし
たがって接続することにより作成したものである請求項
１記載の音声認識方法。
【請求項７】単語音声標準パターンが、音韻環境を考
慮したＭ種（Ｍは正の整数）の単語セットの学習用音声
データを、音節、（子音＋母音）、（母音＋子音）、
（母音＋子音＋母音）、又は（子音＋母音＋子音）など
の音声片単位に切り分け、音声片ごとに、各々に属する
学習用音声片データの始端から終端までの間を、子音部
は基準フレームを中心に連続にとり母音部は各々のデー
タの母音区間を線形に伸縮することにより音声片全体を
Ｊフレーム（Ｊは正の整数）に非線形に伸縮し、各フレ
ームごとにＰ個（Ｐは正の整数）の特徴パラメータを抽
出し、さらにフレームごとに各特徴パラメータの時間変
化量である動的特徴パラメータをＰ個求め、特徴パラメ
ータを時間的順序に並べて得られるＪ個のＰ次元のベク
トルと動的特徴パラメータを時間的順序に並べて得られ
るＪ個のＰ次元のベクトルを用いて音声片音声標準パタ
ーンを作成し、前記音声片音声標準パターンを認識対象
とするＮ種（Ｎは正の整数）の単語の各々の音声片表記
列にしたがって接続することにより単語音声標準パター
ンを作成したものである請求項４記載の音声認識方法。
【請求項８】統計的距離尺度が、共分散行列を共通化
したベイズ判定に基づく距離などの一次判別関数で表さ
れることを特徴とする請求項１、２、４、５又は７記載
の音声認識方法。
【請求項９】統計的距離尺度が、ベイズ判定に基づく
距離やマハラノビス距離などの二次判別関数で表される
ことを特徴とする請求項３ないし７のいずれか記載の音
声認識方法。
【請求項１０】日本語の単音節を認識対象とすること
を特徴とする請求項１ないし９のいずれか記載の音声認
識方法。
【請求項１１】母音部は動的計画法（ＤＰ法）より時
間整合して照合することを特徴とする請求項１ないし１
０のいずれか記載の音声認識方法。
【請求項１２】事後確率を基本とした統計的距離尺度
を用いて連続ＤＰマッチングを行なうことにより、未知
入力音声の音声区間検出をせず、ノイズを含む十分に長
い区間から音声の部分を抽出して認識するワードスポッ
ティング機能を持つことを特徴とする請求項１ないし１
１のいずれか記載の音声認識方法。