JPH0990990A - 音声認識のための音響分析方法および装置 - Google Patents

Abstract

(57)【要約】 【課題】 リアルタイムで動作する音声認識装置に導入
することができる実用的な音声認識のための音響分析方
法および装置を提供することにある。 【解決手段】 第Ｍ発声の入力音声の特徴ベクトルは、
特徴ベクトル計算部１で求められ、減算部４と記憶部２
に入力する。平均値計算部３は第Ｍ発声より１発声分早
い第Ｍ−１発声の特徴ベクトルの平均を出力する。減算
部４は、第Ｍ発声の音声の特徴ベクトルから第Ｍ−１発
声の特徴ベクトルの平均を減算し、ケプストラム平均値
正規化されたケプストラムを出力する。パターン比較部
５は該ケプストラム平均値正規化されたケプストラムと
標準パターンとを比較し、認識結果を出力する。この結
果、第Ｍ発声の入力音声をリアルタイムで音声認識する
ことができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は音声認識のための
音響分析方法および装置に関し、特に音声対話システム
に用いて好適な音声認識のための音響分析方法および装
置に関する。

【０００２】

【従来の技術】従来、多くの音声認識装置で用いられて
きたケプストラム等の特徴ベクトルは、電話回線等の系
の周波数特性が和の形で作用するため、学習・登録時の
入力系の周波数特性と、認識時の入力系の周波数特性と
が異なると、音声の認識率が大きく劣化する。例えば、
内線電話で学習したモデルを用いて、該内線電話の音声
と、公衆網経由で該内線に入力したきた音声を認識した
場合、後者の音声の誤認識率は前者のそれに比べて、２
０倍以上であることが実験結果より明らかになってい
る。

【０００３】これに対して、アタル（Atal) によって、
話者認識のために提案されたケプストラム平均値正規化
は、入力音声全体の特徴ベクトルの平均値を各時刻の特
徴ベクトルから減ずるものであり、和の形で作用する周
波数特性の影響をキャンセルすることができる。

【０００４】図４を参照して、従来装置の概要を説明す
る。フレームｘ1 〜ｘN からなる第Ｍ番目の音声入力Ｍ
が特徴ベクトル計算部２１に入力すると、特徴ベクトル
計算部２１は各フレームに対する特徴ベクトルＣM(1)、
ＣM(2)、…、ＣM(N)を求める。これらの特徴ベクトルＣ
M(1)、ＣM(2)、…、ＣM(N)は遅延部２４と記憶部２２に
送られる。記憶部２２は入力音声Ｍ全体の特徴ベクトル
ＣM(1)、ＣM(2)、…、ＣM(N)を記憶する。平均計算部２
３は該記憶部２２に記憶された特徴ベクトルＣM(1)、Ｃ
M(2)、…、ＣM(N)から、下記の式(1) で表されるケプス
トラム平均値を求める。

【０００５】

【数１】 なお、音声のフレームは次のように定義されている。い
ま、図５のａで示されているような音声波形があった場
合、これを例えば２５ｍ秒間隔でかつ１０ｍ秒ずつずら
して区切る。この場合、最初の２５ｍ秒間隔を第１のフ
レームｘ1 、これより１０ｍ秒後の２５ｍ秒間隔を第２
のフレームｘ2 、…と呼ぶ。この場合、フレーム幅は２
５ｍ秒、フレーム周期は１０ｍ秒となる。

【０００６】図４の遅延部２４は、前記記憶部２２と平
均計算部２３による遅延時間以上の時間、特徴ベクトル
計算部２１の出力を遅延する。減算部２５は、下記の式
(2)で表される演算をして、ケプストラム平均値正規化
（以下、ＣＭＮと略す）されたケプストラム＜ＣM(t)＞
を求める。

【０００７】

【数２】 パターン比較部２６は、該ＣＭＮされたケプストラムと
標準パターン蓄積部２７に蓄積された標準パターンとを
比較し、認識結果を出力する。

【０００８】

【発明が解決しようとする課題】上記のことから明らか
なように、前記した従来装置では、前記式(1) で表され
るケプストラム平均値を求めるために、入力音声Ｍの全
フレームに対する特徴ベクトルＣM(1)、ＣM(2)、…、Ｃ
M(N)が必要となる。この結果、パターン比較部１６に入
力されるＣＭＮされたケプストラム＜ＣM(t)＞は、音声
入力Ｍが全部入力を終了するまで計算することができ
ず、パターン比較部２６からの音声の認識結果は、音声
入力Ｍが全部入力を終了した後から出力され始めること
になる。このため、この従来の音響分析装置をリアルタ
イムで動作する実用的な音声認識装置に導入すること
は、実際上できないという問題があった。

【０００９】この発明の目的は、前記した従来装置の問
題点を除去し、リアルタイムで動作する音声認識装置に
導入することができる実用的な音声認識のための音響分
析方法および装置を提供することにある。

【００１０】

【課題を解決するための手段】前記目的を達成するため
に、本発明は、入力音声から特徴ベクトルを求め、該特
徴ベクトルからその平均値を減算して該特徴ベクトルを
正規化するようにする音声認識のための音響分析方法に
おいて、前記特徴ベクトルの平均値を、１発話以上前の
発声データを用いて計算することにより、前記入力音声
の認識結果をリアルタイムで出力できるようにした点に
特徴がある。

【００１１】また、入力音声から特徴ベクトルを計算す
る特徴ベクトル計算部と、該特徴ベクトル計算部で計算
された１発話以上前の発声データの特徴ベクトルから平
均値を計算する平均値計算部と、前記特徴ベクトル計算
部で計算された特徴ベクトルから前記平均値計算部で計
算された平均値を減ずる減算器とを具備した点に特徴が
ある。

【００１２】この発明によれば、系の周波数特性の違い
を正規化するための平均値特徴ベクトルを、利用者から
の認識すべき音声が入力してくる以前に計算しておくこ
とが可能になる。このため、音声入力と同時に平均値正
規化された特徴ベクトルの計算が可能になり、音声入力
が終了してから認識結果を提示するまでに、時間遅れが
ない音声認識を提供することができるようになる。ま
た、この結果、リアルタイムで動作する音声認識装置に
導入することができるようになる。

【００１３】

【発明の実施の形態】以下に、図面を参照して、本発明
を詳細に説明する。まず、本発明の原理を説明する。従
来は、第Ｍ発声の入力音声Ｍに対するＣＭＮされたケプ
ストラム＜ＣM(t)＞を、該入力音声Ｍの特徴ベクトルＣ
M(t)から同じ入力音声Ｍのケプストラム平均値を減じて
求めていたのに対して、本発明の原理は、第Ｍ発声の入
力音声Ｍに対するＣＭＮされたケプストラム＜ＣM(t)＞
を、該入力音声Ｍの特徴ベクトルＣM(t)から、少なくと
も一音声以上前の入力音声（Ｍ−ｎ）（ここに、ｎは正
の整数）のケプストラム平均値を減じて求めるようにし
た点にある。

【００１４】図１は本発明の一実施形態の機能を説明す
るブロック図である。図の特徴ベクトル計算部１、平均
計算部３、減算部４、パターン比較部５および標準パタ
ーン蓄積部６は、それぞれ図４の特徴ベクトル計算部２
１、平均計算部２３、減算部２５、パターン比較部２６
および標準パターン蓄積部２７と同一または同等物であ
る。記憶部２は第Ｍ発声の音声入力Ｍの特徴ベクトルを
記憶する第１の記憶部２ａと第Ｍ−１発声の音声入力
（Ｍ−１）の特徴ベクトルを記憶する第２の記憶部２ｂ
とからなる。減算部４は、音声入力Ｍの特徴ベクトルＣ
M(t)から音声入力（Ｍ−１）のケプストラム平均値を減
じる。この結果、該減算部４から出力される入力音声Ｍ
に対するＣＭＮされたケプストラム＜ＣM(t)＞は、次の
式(3) になる。

【００１５】

【数３】 このように、この実施形態では、入力音声Ｍに対するＣ
ＭＮされたケプストラム＜ＣM(t)＞を、該入力音声Ｍの
特徴ベクトルＣM(t)から、一音声前の入力音声（Ｍ−
１）のケプストラム平均値を減じて求めるようにしてい
るので、従来装置のように遅延部１４を必要としなくな
るから、入力音声Ｍに対して、リアルタイムで音声認識
することができる。また、本発明者は、内線電話経由で
入力された音声により学習したモデルを用い、公衆網経
由で入力された音声を認識した場合に、正規化を行わな
い従来法の場合には認識率が１１．９％であった。ま
た、正規化を行った従来法の場合には認識率が９５．５
％であった。これに対して、本実施形態の方法の場合に
は、９４．８％の認識率が実験的に得られた。このこと
から、本実施形態は、正規化を行った従来法と殆ど同じ
認識率で、かつリアルタイムの音声認識ができることが
確かめられ、音声対話システムに用いると効果的である
ことが分かった。

【００１６】この実施形態を実際の音声対話システムに
用いる具体例として、次のような場合が考えられる。電
話回線を介して利用者からの音声入力があった場合、音
声対話システムは、利用者に、まず認識対象音声とは異
なる、例えば氏名やＩＤ番号等の発声を促す。例えば、
音声対話システムは「お名前をお聞かせ下さい。」と発
声し、利用者が「○○○○です。」と答えると、該音声
対話システムはこの利用者の発声から特徴ベクトルＣ1
(t)を計算し、次いでケプストラム平均値を求め、特徴
ベクトルＣ1(t)から該ケプストラム平均値を減算して、
ＣＭＮされたケプストラム＜ＣM(t)＞を求める。そし
て、パターン比較部で標準パターンと比較し音声認識を
する。次に、音声対話システムは音声認識に基づいて
「○○○○さんですね。」と問い返す。そこで、利用者
から「はい、そうです。」あるいは「いいえ、違いま
す。」等の返答をもらい、以後、利用者と音声対話シス
テム間で、認識対象音声の対話を開始する。

【００１７】本実施形態では、利用者の第１発声である
「○○○○です。」により、特徴ベクトルのケプストラ
ム平均値を求めることができるので、次の第２発声はこ
のケプストラム平均値を用いることにより、リアルタイ
ムで音声認識をすることができる。同様に、利用者の第
３発声は第２発声のケプストラム平均値、第４発声は第
３発声のケプストラム平均値を用いることにより、順次
リアルタイムで音声認識をすることができるようにな
る。

【００１８】次に、本発明の第２の実施形態を、図２を
参照して説明する。この実施形態は、現在の入力音声Ｍ
より以前の所定量の音声入力分から、音声の特徴ベクト
ルの平均値を求めるようにした点に特徴がある。図２に
おいて、記憶部７は第Ｍ発声の音声入力Ｍの特徴ベクト
ルＣM(t)を記憶し、第１の平均計算部８は該音声入力Ｍ
のケプストラム平均値を求める。該音声入力Ｍのケプス
トラム平均値はＦＩＦＯメモリ９に格納される。該ＦＩ
ＦＯメモリ９は過去に入力されたＤ個の発声の音声入力
（Ｍ−Ｄ）〜（Ｍ−１）のケプストラム平均値を記憶し
ている。第２の平均計算部１０は、Ｄ個のケプストラム
平均値を取って、減算部４に出力する。該Ｄ個のケプス
トラム平均値を式で表すと、下記の式(4) のようにな
る。

【００１９】

【数４】 減算部４は、下記の式(5) の演算を行い、入力音声Ｍに
対するＣＭＮされたケプストラム＜ＣM(t)＞を出力す
る。

【００２０】

【数５】 パターン比較部５は、該ＣＭＮされたケプストラムと標
準パターン蓄積部６に蓄積された標準パターンとを比較
し、認識結果を出力する。なお、上記の説明では、第２
の平均計算部１０は第（Ｍ−Ｄ）発声から第（Ｍ−１）
発声までの入力音声の特徴ベクトルの平均値を用いるよ
うにしたが、第１発声から第（Ｍ−１）発声までの全入
力音声の特徴ベクトルの平均値を用いるようにしても良
い。この実施形態によれば、第（Ｍ−Ｄ）発声から第
（Ｍ−１）発声までのＤ個の発声の特徴ベクトルの平均
値からケプストラム平均値を求めているので、ケプスト
ラム平均値の精度が高くなり、その結果音声認識の精度
を向上することができる。

【００２１】次に、本発明の第３の実施形態を、図３を
参照して説明する。この実施形態は、第１発声が入力し
てきた時には端子１１ａに接続され、第２発声以降の入
力時には端子１１ｂに接続される切り替え部１１と、前
記第１発声の特徴ベクトルを記憶する記憶部１２を有し
ている。これら以外の符号は、図１と同一または同等物
を示す。

【００２２】この実施形態において、特徴ベクトル計算
部１に第１発声が入力すると、該特徴ベクトル計算部１
は各フレームに対して特徴ベクトルを計算する。これら
の特徴ベクトルは、切り替え部１１を経て記憶部１２に
蓄積される。平均値計算部３は記憶部１２に記憶された
特徴ベクトルＣ1(1)、Ｃ1(2)、…から平均値を計算し、
その平均値を減算部４に供給する。次に、第２発声が入
力すると、前記切り替え部１１は端子１１ｂ側に切り替
えられる。このため、第２発声の特徴ベクトルＣ2(t)は
減算部４に直接入力する。減算部４は下記の式(6) によ
りＣＭＮされたケプストラム＜ＣM(t)＞を求め、出力す
る。第２発声以降の入力に対しては、該第２発声と同じ
動作が実行される。

【００２３】

【数６】 この実施形態によれば、第１発声を平均値計算用の音声
として使用し、第２発声からは各発声の特徴ベクトルの
平均値を計算することなく第１発声の特徴ベクトルを使
用するようにしているので、簡単な方法と構成で音響分
析を実現することができる。

【００２４】

【発明の効果】以上の説明から明らかなように、この発
明によれば、系の周波数特性の違いを正規化するための
平均値特徴ベクトルを、利用者から音声が入力してくる
以前に計算しておくことが可能であるため、音声入力と
同時に平均値正規化された特徴ベクトルの計算が可能に
なり、音声入力が終了してから認識結果を提示するまで
に、時間遅れがない音声認識を提供することができる。

【００２５】本発明の第１の実施形態の装置と従来装置
とを用いて、実験をしたところ、次のような結果が得ら
れた。すなわち、内線電話経由で入力された音声により
学習したモデルを用い、公衆網経由で入力された音声を
認識した場合、正規化を行わない場合には１１．９％で
あった。また、従来法による正規化を行った場合には９
５．５％、本発明を用いた場合には９４．８％の認識率
が得られた。この実験結果から、本発明によれば、認識
率を低下させることなく、時間遅れなしに音声認識をす
ることができ、リアルタイムで動作する音声対話システ
ムに用いて好適であることがわかる。

【図面の簡単な説明】

【図１】 本発明の第１の実施形態の構成の概要を示す
ブロックである。

【図２】 本発明の第２の実施形態の構成の概要を示す
ブロックである。

【図３】 本発明の第３の実施形態の構成の概要を示す
ブロックである。

【図４】 従来の音響分析装置の構成の概要を示すブロ
ックである。

【図５】 入力音声のフレームの説明図である。

【符号の説明】

１…特徴ベクトル計算部、２…記憶部、３…平均計算
部、４…減算部、５…パターン比較部、６…標準パター
ン蓄積部、７…記憶部、８、１０…平均計算部、９…Ｆ
ＩＦＯ、１１…切り替え部、１２…記憶部。

Claims (5)

【特許請求の範囲】
1. 【請求項１】 入力音声から特徴ベクトルを求め、該特
   徴ベクトルからその平均値を減算して該特徴ベクトルを
   正規化するようにする音声認識のための音響分析方法に
   おいて、 前記特徴ベクトルの平均値を、１発話以上前の発声デー
   タを用いて計算することにより、前記入力音声の認識結
   果をリアルタイムで出力できるようにしたことを特徴と
   する音声認識のための音響分析方法。
2. 【請求項２】 請求項１の音声認識のための音響分析方
   法において、 前記特徴ベクトルの平均値を、１発話前から予め定めら
   れた個数の発話までの発声データを用いて計算するよう
   にしたことを特徴とする音声認識のための音響分析方
   法。
3. 【請求項３】 音声認識のための音響分析装置におい
   て、 入力音声から特徴ベクトルを計算する特徴ベクトル計算
   部と、 該特徴ベクトル計算部で計算された１発話以上前の発声
   データの特徴ベクトルから平均値を計算する平均値計算
   部と、 前記特徴ベクトル計算部で計算された特徴ベクトルから
   前記平均値計算部で計算された平均値を減ずる減算器と
   を具備し、 前記入力音声に対する正規化された特徴ベクトルをリア
   ルタイムで求めるようにしたことを特徴とする音声認識
   のための音響分析装置。
4. 【請求項４】 音声認識のための音響分析装置におい
   て、 入力音声から特徴ベクトルを計算する特徴ベクトル計算
   部と、 該特徴ベクトル計算部で計算された特徴ベクトルから平
   均値を計算する第１の平均値計算部と、 該平均値計算部で計算された平均値を保存する手段と、 １発話以上前の予め定められた個数の前記平均値の平均
   値を求める第２の平均値計算部と、 前記特徴ベクトル計算部で計算された特徴ベクトルから
   前記第２の平均値計算部で計算された平均値を減ずる減
   算器とを具備し、 前記入力音声に対する正規化された特徴ベクトルをリア
   ルタイムで求めるようにしたことを特徴とする音声認識
   のための音響分析装置。
5. 【請求項５】 音声認識のための音響分析装置におい
   て、 入力音声から特徴ベクトルを計算する特徴ベクトル計算
   部と、 該特徴ベクトル計算部で計算された第１番目の発話の発
   声データの特徴ベクトルから平均値を計算する平均値計
   算部と、 前記特徴ベクトル計算部で計算された特徴ベクトルか
   ら、前記平均値計算部で計算された第１番目の発話の発
   声データの特徴ベクトルの平均値を減ずる減算器とを具
   備し、 前記入力音声に対する正規化された特徴ベクトルをリア
   ルタイムで求めるようにしたことを特徴とする音声認識
   のための音響分析装置。