JPH10177400A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 最大エントロピー法を用いた音声認識で、自
己回帰モデルの次数を迅速に決定する。 【解決手段】 マイク１０からの音声信号はＡ／Ｄコン
バータ１２でデジタル信号に変換された後、スペクトル
抽出回路１８及びケプストラム抽出回路２６でスペクト
ル及びケプストラムが抽出される。スペクトル及びケプ
ストラムはそれぞれベクトル量子化回路２０、２８でコ
ード化され、次数決定回路３２に供給される。次数決定
回路３２は、予めスペクトル／ケプストラムと次数との
関係を求めて記憶した変換テーブル３４を参照し、入力
したスペクトル及びケプストラムに対応する次数を読み
出して次数を決定する。決定した次数に基づいて最大エ
ントロピー法演算部３６が演算して特徴量を抽出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声認識装置、特に
最大エントロピー法（以下、ＭＥＭと称する）を用いた
音声認識装置に関する。

【０００２】

【従来の技術】従来より、入力音声のスペクトルを算出
し、予め用意された基準パターンと比較（パターンマッ
チング）することで音声認識を行う技術が知られてい
る。例えば、特開平７−１４６６９８号公報には、騒音
レベルに応じて騒音データベースに格納されている騒音
データを増減調整し、これを音声データベースから出力
された音声データに加算して基準音声パターンを作成
し、入力音声と比較する技術が開示されている。また、
ＬＰＣ（線形予測分析）による音声分析も知られてい
る。

【０００３】一方、音声認識率をより向上させるために
は、より正確に入力音声の特徴量を抽出することが必須
であり、ＦＦＴ等では分解能の点で一定の限界があっ
た。すなわち、ＦＦＴでは分析の対象が１周期以上必要
となり（実際には３〜４周期）、１周期以上ないと欠け
た部分が正しく表現できない問題があり、ＬＰＣではス
ペクトルのエンベロープのピークは正しく表現できる
が、谷間やピッチが表現できず、特に線スペクトルが表
現できない問題があった。

【０００４】そこで、最近は、ＭＥＭを音声認識に応用
することが考えられている。ＭＥＭは、情報エントロピ
ーを最大にするという規範のもとに、有限区間から全体
の信号のスペクトル推定を行う方法であり、スペクトル
の分解能がＦＦＴに比べて高く、また信号の周期に対し
てデータ長が短い場合でもスペクトル推定ができるとい
う特長を有しており、音声認識における特長量抽出の手
法として有望視されている。ＭＥＭを用いた音声認識技
術としては、例えば特開平１−３０２３００号公報に開
示されている。

【０００５】

【発明が解決しようとする課題】しかしながら、ＭＥＭ
を用いて音声認識を行う場合、入力音声信号に自己回帰
モデルを当てはめる際の次数を正確に決定することが困
難で、時間を要するという問題があった。もちろん、自
己回帰モデルの次数をある程度短縮できるアルゴリズム
もいくつか提案されている（例えばLevinsonによる方
法）が、音声認識をリアルタイムで行えるまでの短縮化
には至っていない。

【０００６】本発明は、上記従来技術の有する課題に鑑
みなされたものであり、ＭＥＭを用いた音声認識におい
て、入力音声に当てはめる自己回帰モデルの次数を迅速
かつ正確に決定し、これにより音声認識をリアルタイム
で行うことができるとともに、音声認識率を向上させる
ことができる装置を提供することにある。

【０００７】

【課題を解決するための手段】上記目的を達成するため
に、第１の発明は、ＭＥＭを用いて入力音声信号から特
徴量を抽出し、該特徴量に基づいて音声認識を行う音声
認識装置であって、前記入力音声信号の波形を抽出する
波形抽出手段と、前記ＭＥＭにおける自己回帰モデルの
次数と波形との関係を記憶する記憶手段と、抽出された
波形に対応する次数を前記記憶手段から読み出すことに
より前記入力音声信号の次数を決定する次数決定手段と
を有することを特徴とする。

【０００８】また、第２の発明は、第１の発明におい
て、前記波形は、少なくとも前記入力音声信号のスペク
トル及びケプストラムを含み、前記記憶手段は、ＭＥＭ
における自己回帰モデルの次数とスペクトル並びにケプ
ストラムとの関係を記憶することを特徴とする。

【０００９】また、第３の発明は、第１の発明におい
て、前記波形は、少なくとも前記入力音声信号のケプス
トラムを含み、前記記憶手段は、ＭＥＭにおける自己回
帰モデルの次数とケプストラムの高域成分並びに低域成
分との関係を記憶することを特徴とする。

【００１０】

【発明の実施の形態】以下、図面に基づき本発明の実施
形態について説明する。

【００１１】＜第１実施形態＞図１には、本実施形態の
構成ブロック図が示されている。マイク１０に入力した
音声信号は、Ａ／Ｄコンバータ１２でデジタル信号（例
えばサンプリング周波数１２ｋＨｚ）に変換された後、
時間窓掛け回路１４に供給される。時間窓掛け回路１４
は、入力音声信号からＦＦＴの対象信号を切出すもので
あり、例えば２０〜３０ｍｓｅｃの時間窓が設定され
る。切出された入力音声信号は、Ｌｏｇ｜ＦＦＴ｜回路
１６に供給され、さらにスペクトル抽出回路１８に供給
されてパワースペクトルのエンベロープ（スペクトルを
記述する数値の組）が抽出される。そして、抽出された
スペクトルエンベロープは、さらにベクトル量子化回路
（ＶＱ１）２０に供給される。ベクトル量子化回路（Ｖ
Ｑ１）２０は、入力されたスペクトルエンベロープをコ
ードベクトルに変換するもので、予め用意されたスペク
トルコードブック２２内のコードベクトルと入力スペク
トルエンベロープを比較することで行われる。量子化さ
れた（コード化された）スペクトルエンベロープ、すな
わちスペクトルコードは、次数決定回路３２に供給され
る。なお、スペクトルコードブック２２は、例えば５１
２個のコードベクトルを用意しており、入力スペクトル
を５１２通りに量子化する。

【００１２】一方、Ｌｏｇ｜ＦＦＴ｜回路１６からの出
力信号は、ＦＦＴ回路２４にも供給され、パワースペク
トルの対数のＦＦＴを算出する。パワースペクトラムの
対数のＦＦＴはケプストラムであり、ケプストラム回路
２６でそのピッチが抽出される。抽出されたピッチは、
さらにベクトル量子化回路（ＶＱ２）２８に供給され、
ケプストラムコードブック３０に予め用意されたコード
ベクトルに変換される。量子化されたピッチ、すなわち
ケプストラムコードも、スペクトルコードベクトルと同
様に次数決定回路３２に供給される。なお、ケプストラ
ムコードブック３０は、例えば１２８個のコードベクト
ルを用意しており、入力ケプストラムを１２８通りに量
子化する。次数決定回路３２は、ＭＥＭ法の自己回帰モ
デルの次数を決定するもので、予め用意されたＶＱ１／
ＶＱ２−次数変換テーブル３４を参照して入力されたス
ペクトルコードとケプストラムコードに対応する次数を
読み出して入力音声に対応する次数を決定する。

【００１３】ここで、ＭＥＭ法における自己回帰モデル
の次数について簡単に説明する。ＭＥＭ法において、入
力音声に当てはめる自己回帰モデルは、一般に次式で与
えられる。

【００１４】

【数１】 但し、ｘkは入力音声の時系列データ、ｎkはｘl（ｌ＜
ｋ）とは独立な定常白色雑音、ｍは自己回帰モデルの次
数、ａmiは次数ｍにおける自己回帰係数である。時系列
データｘkの自己相関関数を

【数２】 と表すと、（１）式の両辺にそれぞれｘkを掛けて期待
値をとることにより次式が得られる。

【００１５】

【数３】 同様に、（１）式の両辺にｘk-1、ｘk-2、ｘk-mを掛け
て期待値をとることにより、次の行列方程式が得られ
る。

【００１６】

【数４】 但し、Ｐmは定常白色雑音の分散である。また、Wiener-
Khinchineの公式を用いることで

【数５】 が得られ、この式により自己回帰モデル｛ａk｝とパワ
ースペクトルＳ（ω）の関係が得られる。従って、入力
音声波形から自己相関関数Ｒ0、Ｒ1、Ｒ2・・・を求
め、これを（４）式に代入することで自己回帰係数ａmi
とＰmが推定できる。これらを（５）式に代入すれば、
入力音声信号のパワースペクトルＳ（ω）が得られる。

【００１７】しかしながら、次数ｍにより推定スペクト
ルは大きく変化するため、次数ｍをどのように決定する
かが極めて重要となる。次数決定法はいくつか提案され
ており、その一つとしてＦＰＥ（最終予測誤差）による
決定法がある。ＦＰＥとは、時系列ｘkから次数ｍで推
定した自己回帰係数に対し、次式で定義される統計量で
ある。

【００１８】

【数６】 この推定値は、次式で与えられる。

【００１９】

【数７】 但し、

【数８】 である。このＱmを最小にする次数ｍを自己回帰モデル
の次数ｍとするのである。なお、詳細については、例え
ば「科学計測のための波形データ処理（ＣＱ出版株式会
社）」を参照されたい。

【００２０】このように次数ｍを決定するためには、一
般に連立方程式を解かなければならず、膨大な時間を要
する。従って、単にＭＥＭ法を用いて入力音声を処理す
るのでは、リアルタイムでの音声認識は困難となる。特
に、車両に搭載して搭乗者の音声等を認識しようとする
場合、車載という制限があるため計算機の能力にも限界
があり、リアルタイム処理は極めて困難となる。

【００２１】そこで、本実施形態の次数決定回路３２
は、このような次数決定法を用いることなく、ＶＱ１／
ＶＱ２−次数変換テーブル３４を参照するだけで迅速に
入力音声に対応する次数を決定する。すなわち、ＶＱ１
／ＶＱ２−次数変換テーブルには、スペクトルコードと
ケプストラムコードを変数とする２次元マトリクステー
ブルが用意されており、次数決定回路３２は、単に入力
されたスペクトルコードベクトルとケプストラムコード
ベクトルに対応する次数をテーブルから読み出すことに
より次数を一義的に決定できる。

【００２２】図２には、本実施形態におけるＶＱ１／Ｖ
Ｑ２−次数変換テーブルの内容が示されている。行成分
はスペクトルコードであって、スペクトルコードブック
２２に対応して５１２個あり、列成分はケプストラムコ
ードであって、ケプストラムコードブック３０に対応し
て１２８個ある。従って、例えば入力音声信号のスペク
トルコードがＳu4、ケプストラムコードがＣt2である場
合には、その次数は１２４と直ちに決定することができ
る。このＶＱ１／ＶＱ２−次数変換テーブル３４は、実
際の音声認識を実行する前に予め複数の音声信号サンプ
ルについて求めておけばよく、この変換テーブル３４を
作成するためには任意の次数決定方法を採用することが
できる。

【００２３】なお、自己回帰モデルの次数は入力音声信
号の波形と１：１に対応しており、波形とスペクトルは
１：１に対応するため、スペクトル−次数変換テーブル
のみでも次数を決定することが理論的には可能である。
しかしながら、スペクトルの量子化（クラスタリング）
はエンベロープにより行うので、スペクトルのピッチが
反映されないおそれがある。この場合、実際にはピッチ
が異なる２つの入力音声信号がスペクトルエンベロープ
上は同一となってしまうため、ベクトル量子化されても
同一スペクトルコードと判定されてしまい音声認識に誤
りが生じることになる。本実施形態では、スペクトルの
ピッチをケプストラムを求めることで抽出し、スペクト
ルコードとケプストラムコードの２つのコードで次数を
決定しているため、スペクトル単独で次数を決定する場
合に比べ、入力音声の次数をより正確に決定することが
できる（図２のテーブルにおいて、同一スペクトルコー
ドであってもケプストラムコードが異なれば次数が異な
る点に留意すべきである）。

【００２４】次数決定回路３２で次数が決定されると、
ＭＥＭを実行する処理回路３６に供給される。処理回路
３６では、時間窓掛け回路１４から供給された入力音声
信号を上述した式に従って分析し、特徴抽出回路３８に
供給する。特徴抽出回路３８では、処理回路３６で推定
されたスペクトルに基づいて特徴量を抽出し、認識部４
０に供給してパターンマッチングによる認識が行われ
る。

【００２５】なお、図１において時間窓掛け回路１４か
ら出力されたデジタル音声信号を処理する各回路は、具
体的には変換テーブルをメモリに記憶したマイクロコン
ピュータで構成される。

【００２６】図３には、以上述べた処理のフローチャー
トが示されている。まず、入力音声信号を所定の時間窓
で切出し（Ｓ１０１）、自己回帰モデルの次数が決定さ
れているか否かを判定する（Ｓ１０２）。次数が決定さ
れていない場合には、入力音声信号のスペクトル及びケ
プストラムを算出してその量子化を行い（Ｓ１０３）、
スペクトルコード及びケプストラムコードに対応する次
数を決定する（Ｓ１０４）。この次数決定は、具体的に
は変換テーブルから対応する次数の読出しを意味するこ
とは上述した通りである。次数を決定した後、この次数
を用いてＭＥＭによる分析を行い（Ｓ１０５）、特徴を
抽出して（Ｓ１０６）、パターンマッチングによる単語
認識を行う（Ｓ１０７）。認識結果は、例えば車載のナ
ビゲーション装置等に供給されて目的地設定等に用いら
れる。

【００２７】このように、本実施形態では、ＭＥＭを音
声認識に適用する際にその都度自己回帰モデルの次数を
演算により決定するのではなく、入力音声信号の波形を
特定するものとしてスペクトルとケプストラムに着目
し、予め学習により定めたスペクトル及びケプストラム
と次数との関係をテーブルとして記憶し、このテーブル
を参照することで次数を決定するので、ＭＥＭを用いた
音声認識を迅速かつ正確に行うことができる。

【００２８】なお、高い音声認識率が要求されない場合
や認識すべき音声が限定されている場合等には、本実施
形態においてスペクトルと次数との関係をテーブルとし
て記憶し、これを参照することで入力音声信号の次数を
決定することも可能である。さらに、スペクトルとケプ
ストラムに加え、入力音声信号を特定するための他の物
理量も考慮してテーブルを作成することも可能である。

【００２９】＜第２実施形態＞上述した第１実施形態で
は、スペクトルとケプストラムで入力音声信号を特定し
たが、このスペクトルはエンベロープであり、パワース
ペクトルの低ピッチ成分に相当する。従って、スペクト
ルエンベロープの代わりに、ケプストラムの低ケフレン
シー成分を用いても同様に入力音声信号波形を特定する
ことができる。

【００３０】図４には、本実施形態の構成ブロック図が
示されている。マイク１０に入力した音声信号は、Ａ／
Ｄコンバータ１２でデジタル信号に変換された後、時間
窓掛け回路１４に供給される。時間窓掛け回路１４で切
出された入力音声信号は、Ｌｏｇ｜ＦＦＴ｜回路１６に
供給される。ここで、図１と異なる点は、Ｌｏｇ｜ＦＦ
Ｔ｜回路１６からの信号がスペクトル抽出回路１８やベ
クトル量子化回路（ＶＱ１）２０に供給されず、ケプス
トラム抽出回路２６で抽出された高域成分と低域成分が
ベクトル量子化回路（ＶＱ２）２８でコード化される
点、及び変換テーブルとして高域／低域−次数の関係を
記憶するテーブル３５が用意され、次数決定回路３２は
入力されたケプストラムの高域コードと低域コードに対
応する次数をテーブル３５から読み出して次数を決定す
る点である。高域／低域−次数変換テーブル３５は、第
１実施形態と同様に予め複数の音声信号のケプストラム
の高域成分と低域成分及び任意の方法で定めた次数との
関係を求めておけばよく、具体的には図２のテーブルに
おいて行成分をケプストラムの低域成分のコードとし、
列成分をケプストラムの高域成分のコードとしたテーブ
ルを用意すればよい。

【００３１】なお、本実施形態においても、高い音声認
識率が要求されない場合等にはケプストラムの低域成分
（スペクトルのエンベロープに相当）と次数との関係を
テーブルとして記憶し、ケプストラムの低域成分のみに
基づいて次数を決定することも可能であり、また、ケプ
ストラムの高域成分と低域成分に加え、さらにスペクト
ルを補充的に用いて次数を決定することも可能である。

【００３２】

【発明の効果】以上説明したように、本発明によれば、
ＭＥＭにおける自己回帰モデルの次数を迅速に決定する
ことができるので、ＭＥＭを用いて迅速な音声認識を行
うことができ、かつ、ＭＥＭのもつ優れた分解能により
高い音声認識率を得ることができる。

【図面の簡単な説明】

【図１】 本発明の実施形態の構成ブロック図である。

【図２】 変換テーブルの説明図である。

【図３】 実施形態の処理フローチャートである。

【図４】 本発明の他の実施形態の構成ブロック図であ
る。

【符号の説明】

１０ マイク、１２ Ａ／Ｄコンバータ、１４ 時間窓
掛け回路、１６ Ｌｏｇ｜ＦＦＴ｜回路、１８ スペク
トル抽出回路、２０ ベクトル量子化回路（ＶＱ１）、
２２ スペクトルコードブック、２４ ＦＦＴ回路、２
６ ケプストラム抽出回路、２８ ベクトル量子化回路
（ＶＱ２）、３０ ケプストラムコードブック、３２
次数決定回路、３４ ＶＱ１／ＶＱ２−次数変換テーブ
ル、３５高域／低域−次数変換テーブル、３６ ＭＥＭ
演算回路、３８ 特徴抽出部、４０ 認識部。

Claims (3)

【特許請求の範囲】
1. 【請求項１】 最大エントロピー法を用いて入力音声信
   号から特徴量を抽出し、該特徴量に基づいて音声認識を
   行う音声認識装置であって、 前記入力音声信号の波形を抽出する波形抽出手段と、 前記最大エントロピー法における自己回帰モデルの次数
   と波形との関係を記憶する記憶手段と、 抽出された波形に対応する次数を前記記憶手段から読み
   出すことにより前記入力音声信号の次数を決定する次数
   決定手段と、 を有することを特徴とする音声認識装置。
2. 【請求項２】 前記波形は、少なくとも前記入力音声信
   号のスペクトル及びケプストラムを含み、前記記憶手段
   は、前記最大エントロピー法における自己回帰モデルの
   次数とスペクトル並びにケプストラムとの関係を記憶す
   ることを特徴とする請求項１記載の音声認識装置。
3. 【請求項３】 前記波形は、少なくとも前記入力音声信
   号のケプストラムを含み、前記記憶手段は、前記最大エ
   ントロピー法における自己回帰モデルの次数とケプスト
   ラムの高域成分並びに低域成分との関係を記憶すること
   を特徴とする請求項１記載の音声認識装置。