JPH1097274A - 話者認識方法及び装置 - Google Patents

Abstract

(57)【要約】 【課題】 音韻の違いに影響されずに、話者認識を精度
良く行うこと。 【解決手段】 線形予測分析の結果から、調音器官の伝
達特性の逆特性を持つ逆フィルタ１２を設定し、この逆
フィルタ１２で入力音声波形をフィルタリングして音源
波形を生成し、得られた音源波形を周波数分析部１４に
通してスペクトル強度パタンを得る。この音源波形のス
ペクトル強度パタンをフィルタバンク１５でｎ個の周波
数帯域Ｆ１〜Ｆｎに分割し、調波構造分析部１６にて、
周波数帯域毎にスペクトル強度の凹凸を表す評価値Ｖ１
〜Ｖｎを算出する。各周波数帯域Ｆｉでの評価値Ｖｉ
を、話者認識での特徴パタンに用いる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音源波形の調波構造
を利用した話者の自動認識に係わるものであり、音声を
用いた話者の同定や認証に利用して有用である。

【０００２】

【従来の技術】電話に代表される通信ネットワーク上で
個人が何らかのサービスを利用しようとする時、多くの
場合、利用者が正当な者であることを認証する必要があ
る。話者の認識は、利用者個人の認証を行うための有力
な手段である。

【０００３】従来の話者認識技術は、発声内容依存型話
者認識と発声内容独立型話者認識との２つに大別され
る。前者は、利用者毎に予め定められた内容を発声し、
発声内容と話者性の２つの観点から話者を認証する。一
方後者は、利用者に任意の内容の発声を行わせるか、も
しくは、発声内容を任意に指定して発声を行わせるなど
により、キーワードを毎回変えることにより録音による
詐称を防ぐことが可能である。

【０００４】ここでは、後者の発声内容独立型話者認識
における従来技術を、図８を参照して説明する。図８
は、発声内容独立型話者認識装置の従来の構成例を示す
（文献：古井著「ディジタル音声処理」（東海大学出版
会）参照）。

【０００５】図８において、４０は特徴抽出部、５０は
切替部、５１はベクトル量子化部、５２は特徴記憶部、
５３はパターン間距離計算部、５４は認識判定部をそれ
ぞれ示す。

【０００６】特徴抽出部４０は入力音声の短時間スペク
トル分析等を行うのもであり、入力音声を連続する例え
ば２０ｍｓ程度の区間に切り出して短時間スペクトル分
析することで得られる音声の短時間スペクトル強度を、
音声のスペクトル特徴パタン１９として、５〜２０ｍｓ
程度毎にベクトル量子化部５１またはパターン間距離計
算部５３に送出する。切替部５０はスペクトル特徴パタ
ン１９を、学習時にはベクトル量子化部５１に、認識時
にはパターン間距離計算部５３に与える。

【０００７】学習時は、ベクトル量子化部５１で、音声
のスペクトル特徴パタン１９を、一人毎に、学習音声全
体に渡り一旦蓄積した後、蓄積されたスペクトル特徴パ
タンの集合からＬＢＧアルゴリズム等を用いて１００個
程度の符号帳（コードブック）を作成する。作成された
符号帳は、話者の特徴として、話者毎に特徴記憶部５２
に蓄積される。

【０００８】認識時は、未知話者の発声から、学習時と
同様に特徴抽出部４０において短時間のスペクトル特徴
パタン１９が計算される。このスペクトル特徴パタン１
９が、パタン間距離計算部５３において、上述の手順に
より作成された話者毎の符号帳を用いて量子化され、且
つ、全ての符号帳に関して量子化に伴い生じた歪みがパ
タン間距離として計算され、認識判定部５４に送られ
る。認識判定部５４では、歪みが最も少ない符号帳に対
応する話者を認識結果として出力する。

【０００９】従来の特徴抽出部４０は、図９に示すよう
に、フレーム化処理部１１と、線形予測分析部１３と、
ＬＰＣケプストラム係数計算部１８からなる。ここで、
ＬＰＣとは線形予測分析を意味する。ケプストラムとは
スペクトラムを対数化し、逆フーリエ変換したものを意
味し、スペクトラムの英語表記Spectrumの一部アルファ
ベットを入れ替えたものCepstrumで表記される。

【００１０】フレーム化処理部１１は入力音声を例えば
２０ｍｓ程度の長さの区間に切り出した後、線形予測分
析部１３に与える。線形予測分析部１３はフレーム化処
理された音声Ｓ［ｎ］を線形予測分析することにより全
極有理スペクトル近似による調音器官の伝達特性ｈ
（ω）を求め、ＬＰＣケプストラム係数計算部１８に与
える。ここで、ｎはフレーム内のサンプル番号を表し、
ωは正規化角周波数を表す。ＬＰＣケプストラム係数計
算部１８は、伝達特性ｈ（ω）を対数化し逆高速フーリ
エ変換を行うことに相当するＬＰＣケプストラム計算処
理により、伝達特性ｈ（ω）をケプストラム係数ｃ
［ｉ］に変換し、スペクトル特徴パタン１９としてベク
トル量子化部５１もしくはパタン間距離計算部５３に出
力する。

【００１１】

【発明が解決しようとする課題】従来は、調音器官の伝
達特性ｈ（ω）のスペクトルパタンが、調音器官の形状
などの個人性を反映するとして、話者認識に用いられて
いる。

【００１２】しかし、その反面、調音器官の伝達特性ｈ
（ω）のスペクトルパタンは、発声する音韻により大き
く変動するという特徴を持っている。その例として、図
４に同一の話者が発声した母音／ａ／と／ｉ／の対数ス
ペクトルを示す。

【００１３】従って、従来の話者認識技術では、音声に
含まれる話者の性質が音韻の違いに大きく影響を受ける
ため、発声内容独立型の話者認識を精度良く行うことが
困難である。

【００１４】そこで本発明は、音韻の違いに影響されず
に、話者認識を精度良く行うことができる方法及び装置
を提供することを課題とする。

【００１５】

【課題を解決するための手段】上記課題を解決するた
め、本発明の話者認識方法は、音声波形から音源波形の
スペクトル強度パタンを得ること、得られた音源波形の
スペクトル強度パタンを複数の周波数帯域に区分するこ
と、各周波数帯域毎に音源波形のスペクトル強度パタン
の凹凸の程度を表す評価値を求めること、及び、求まっ
た複数の周波数帯域における評価値と、予め学習により
得たデータとから話者を認識することを特徴とする。ま
た、本発明の話者認識方法は、前記話者の認識として話
者が特定個人であるか否かを認証すること、或いは、音
声波形の線形予測分析により調音器官の伝達特性を除去
する逆フィルタを設定し、この逆フィルタに音声波形を
通して音源波形を求め、求まった音源波形の周波数分析
により、前記音源波形のスペクトル強度パタンを得るこ
と、或いは、音声波形のケプストラム分析により高次ケ
プストラム係数を求め、求まった高次ケプストラム係数
のフーリエ変換により、前記音源波形のスペクトル強度
パタンを得ることを特徴とする。

【００１６】一方、本発明の話者認識装置は、音声波形
から音源波形のスペクトル強度パタンを得る手段と、得
られた音源波形のスペクトル強度パタンを複数の周波数
帯域に区分する手段と、各周波数帯域毎に音源波形のス
ペクトル強度パタンの凹凸の程度を表す評価値を求める
手段と、求まった複数の周波数帯域における評価値と、
予め学習により得たデータとから話者を認識する手段と
を具備することを特徴とする。

【００１７】

【発明の実施の形態】本発明では音声の発声に伴う声帯
の振動波形である音源波形のスペクトル特徴を用いて話
者認識を行うので、先ず、その原理を説明する。

【００１８】図５及び図６に示すように、同一話者の音
源波形のスペクトル強度パタンの構造は発声内容に依存
せずほぼ一定の形状をしており、且つ、その調波構造は
話者（図５では（ａ）〜（ｄ）の男性４名、図６では
（ａ）〜（ｅ）の女性５名）により異なる。この性質を
利用して、話者認識における特徴パタン間の距離に調波
構造の違いを反映させるため、音源波形のスペクトル強
度パタンを複数の周波数帯域に分割し、各周波数帯域内
でのスペクトル強度パタンの凹凸の大きさを数値化した
値（評価値）を特徴パタンとして用いる。

【００１９】ここで、音源波形のスペクトル強度パタン
の算出としては、図７に示すように、音声波形のスペク
トルパタンＳ（ω）が音源波形のスペクトル強度パタン
（図示せず）と調音器官の伝達特性Ａ（ω）の積で表さ
れることから、音声波形の線形予測分析により調音器官
の伝達特性を除去する逆フィルタを設定し、この逆フィ
ルタに音声波形を通すことにより実現できる。或いは、
音声波形のケプストラム分析により高次ケプストラム係
数を求め、求まった高次ケプストラム係数を高速フーリ
エ変換することによっても実現できる。

【００２０】以下、本発明の実施例を、図１〜図３を参
照して説明する。

【００２１】図１は本発明を適用した話者認識装置の実
施例全体を示し、特徴抽出部１０又は２０と、切替部３
０と、ベクトル量子化部３１と、特徴記憶部３２と、パ
ターン間距離計算部３３と、認識判定部３４からなる。
なお、本実施例では、後述するように、一層の精度向上
のため、音源波形のスペクトル強度パタンを複数の周波
数帯域に区分して求まる帯域毎の評価値を用いた話者認
識と、従来のケプストラム係数を用いた話者認識とを併
用して、話者認識を行うものとしている。

【００２２】詳細は後述するが、特徴抽出部１０は図２
に示すように、フレーム化処理部１１と、逆フィルタ部
１２と、線形予測分析部１３と、ＦＦＴ（高速フーリエ
変換）を用いた周波数分析部１４と、周波数帯域分割用
のフィルタバンク部１５と、評価値算出用の調波構造解
析部１６と、ＬＰＣケプストラム係数計算部１８からな
る。特徴抽出部２０は図３に示すように、フレーム化処
理部１１と、ケプストラム分析部２１と、ＦＦＴ部２２
と、周波数帯域分割用のフィルタバンク部１５と、評価
値算出用の調波構造解析部１６からなる。

【００２３】特徴抽出部１０又は２０は、音声波形を連
続する例えば２０ｍｓ程度の区間に切り出し、これから
音源波形の短時間スペクトル強度パタンを得て、同音源
波形のスペクトル強度パタンを複数の周波数帯域に区分
し、、各周波数帯域毎に音源波形のスペクトル強度パタ
ンの凹凸の程度を表す評価値１７を求め、これを特徴パ
タンとして５〜２０ｍｓ程度毎にベクトル量子化部３１
またはパターン間距離計算部３３に送出する。また、特
徴抽出部１０又は２０は、従来と同様、入力音声を連続
する例えば２０ｍｓ程度の区間に切り出して短時間スペ
クトル分析することにより得られる音声の短時間スペク
トル強度を、従来のスペクトル特徴パタン１９として、
５〜２０ｍｓ程度毎にベクトル量子化部３１またはパタ
ーン間距離計算部３３に送出する。切替部３０は評価値
１７及びスペクトル特徴パタン１９を、学習時にはベク
トル量子化部３１に、認識時にはパターン間距離計算部
３３に与える。

【００２４】学習時は、ベクトル量子化部３１で、周波
数帯域毎の音源波形のスペクトル強度パタンの評価値１
７及び従来のスペクトル特徴パタン１９それぞれを、一
人毎に、学習音声全体に渡り一旦蓄積した後、蓄積され
た評価値１７の集合からＬＢＧアルゴリズム等を用いて
１００個程度の符号帳（コードブック）を作成し、ま
た、蓄積されたスペクトル特徴パタン１９の集合からＬ
ＢＧアルゴリズム等を用いて１００個程度の符号帳（コ
ードブック）を作成する。作成された符号帳は、話者の
特徴として、話者毎に特徴記憶部３２に蓄積される。

【００２５】認識時は、未知話者の発声から、学習時と
同様に特徴抽出部１０は又は２０において周波数帯域毎
の音源波形のスペクトル強度パタンの評価値１７及び従
来の短時間のスペクトル特徴パタン１９が計算される。
これら音源波形のスペクトル強度パタンの評価値１７及
びスペクトル特徴パタン１９が、パタン間距離計算部３
３において、上述の手順により作成された話者毎の符号
帳を用いて量子化され、且つ、全ての符号帳に関して量
子化に伴い生じた歪みがパタン間距離として計算され、
認識判定部３４に送られる。

【００２６】認識判定部３４では、歪みが最も少ない符
号帳に対応する話者を認識結果として出力する。例え
ば、周波数帯域毎の音源波形のスペクトル強度パタンの
評価値１７に関する量子化に伴い生じる歪みと、従来の
短時間のスペクトル特徴パタン１９に関する量子化に伴
い生じる歪みとにそれぞれ係数を掛けて加算するという
線形和を用い、この線形和が最も少ない符号帳に対応す
る話者を認識結果として出力する。

【００２７】次に、図２を参照して、特徴抽出部１０を
説明する。特徴抽出部１０では、フレーム化処理部１１
により入力音声を例えば２０ｍｓ程度の長さの区間に切
り出し、線形予測分析部１３に与える。先ずは、従来と
同じく、線形予測分析部１３は各区間の音声を線形予測
分析することにより全極有理スペクトル近似による調音
器官の伝達特性を求め、ＬＰＣケプストラム係数計算部
１８に与える。ＬＰＣケプストラム係数計算部１８は、
調音器官の伝達特性を対数化し逆フーリエ変換を行うこ
とに相当するＬＰＣケプストラム計算処理により、同伝
達特性をケプストラム係数に変換し、スペクトル特徴パ
タン１９として出力する。

【００２８】更に、特徴抽出部１０では、線形予測残差
を利用して音源波形のスペクトル強度パタンを得る。即
ち、線形予測分析部１３での線形予測分析の結果得られ
る調音器官の伝達特性から、同伝達特性の逆特性を持つ
線形フィルタを逆フィルタ１２として設定し、この逆フ
ィルタ１２で入力音声波形をフィルタリングすることで
音源波形を生成する。得られた音源波形の周波数分析を
周波数分析部１４で行い、音源波形のスペクトル強度パ
タンを得る。この音源波形のＦＦＴを計算する時に、周
波数分解能を十分に確保するために、音源波形に零詰め
を行い、８０００点程度またはそれ以上の分析点数で周
波数分析を行う。次いで、この音源波形のスペクトル強
度パタンをフィルタバンク１５でｎ個の周波数帯域Ｆ１
〜Ｆｎに分割し、調波構造分析部１６に与える。調波構
造分析部１６では、周波数帯域毎にスペクトル強度の凹
凸を表す評価値Ｖ１〜Ｖｎを算出する。なお、フィルタ
バンク１５はｎ個のフィルタからなり、１例として０〜
４ＫＨｚを８個のフィルタで５００Ｈｚ毎の８個の周波
数帯域に分割するが、周波数帯域Ｆ１〜Ｆｎは隣接する
もの同志一部重なっても良く、或いは、離れていても良
い。

【００２９】調波構造分析部１６では、或る周波数帯域
Ｆｉでの評価値Ｖｉとして、与えられた周波数帯域Ｆｉ
におけるスペクトル強度の算術平均（或いは相加平均）
｛Σｆ（ω）｝／Ｎと幾何平均（或いは相乗平均）｛Π
ｆ（ω）｝^1/N の比を計算することで実施した。但し、
ｆ（ω）は周波数ωでのスペクトル強度を表し、Ｎは周
波数帯域Ｆｉ内のスペクトル数を表す。

【００３０】更に具体的には、Ｖｉ＝｛Πｆ（ω）｝
^1/N ／［｛Σｆ（ω）｝／Ｎ］で評価値を計算した。こ
のようにすると、帯域内におけるスペクトル強度パタン
が完全にフラットならば算術平均と幾何平均が等しいた
め評価値は１となり、帯域内のスペクトル強度差が大き
い程、算術平均に較べて幾何平均が小さくなるので、評
価値が小さくなる。つまり、評価値が０〜１の間に収ま
り、結果が良い。

【００３１】上記の実施例装置により、男女１８名の話
者について発声内容独立型の話者認識を行った結果、従
来のケプストラム係数単独での話者認識に較べ、誤り率
が１０％減少した。但し、入力音声のうちサンプリング
等のためにフィルタ処理が加えられる領域（一般的には
高域）はフィルタ処理により音源波形が損なわれていて
誤差の原因になるから、同領域に対応する評価値（具体
的には周波数帯域Ｆｎでの評価値Ｖｎ）は話者認識に用
いなかった。

【００３２】次に、図３を参照して、別の特徴抽出部２
０を説明する。特徴抽出部２０では、フレーム化処理部
１１により入力音声を例えば２０ｍｓ程度の長さの区間
に切り出し、ケプストラム分析部２１に与える。ケプス
トラム分析部２１では、切り出された音声を高速フーリ
エ変換すると共にケプストラム分析してケプストラム係
数を求める。その内、例えば３０次以下の低次のケプス
トラム係数を従来の短時間スペクトル特徴パタン１９と
して出力するが、それより高次のケプストラム係数はＦ
ＦＴ部２２に与える。

【００３３】ＦＦＴ部２２では高次のケプストラム係数
に高速フーリエ変換を施す。すると、音源波形のスペク
トラム強度パタンが得られる。この音源波形のＦＦＴを
計算する時も、周波数分解能を十分に確保するために、
音源波形に零詰めを行い、８０００点程度またはそれ以
上の分析点数で周波数分析を行う。そして、この音源波
形のスペクトル強度パタンをフィルタバンク１５でｎ個
の周波数帯域Ｆ１〜Ｆｎに分割し、調波構造分析部１６
に与える。調波構造分析部１６では、図２の特徴抽出部
１０と同様、周波数帯域毎にスペクトル強度の凹凸を表
す評価値Ｖ１〜Ｖｎを算出する。

【００３４】なお、評価値は周波数帯域毎のスペクトル
強度パタンの凹凸の程度を表すものであれば何でも良
く、例えば、或る周波数帯域Ｆｉでの最大スペクトル強
度ｆ（ω）ｍａｘと最小最大スペクトル強度ｆ（ω）ｍ
ｉｎとの差を、当該周波数帯域Ｆｉでの評価値Ｖｉとす
ることも可能である。また、算術平均を幾何平均で除算
する方法により、例えば、Ｖｉ＝［｛Σｆ（ω）｝／
Ｎ］／｛Πｆ（ω）｝^1/N、或いは、Ｖｉ＝［｛（Σｆ
（ω））／Ｎ｝／｛Πｆ（ω）｝^1/N ］−１等としても
良い。

【００３５】上記実施例では周波数帯域毎に求めた音源
波形のスペクトル強度パタンの凹凸の程度を表す評価値
を、従来法であるケプストラム係数と併用して話者認識
を行っているが、同評価値を単独で学習時はスペクトル
量子化部３１に、認識時にはパタン間距離計算部３３に
送って話者認識処理に用いても良い。あるいは、同評価
値を、ケプストラム係数以外の調音器官の伝達特性の短
時間スペクトルパタンと併用して話者認識を行っても良
い。

【００３６】更に、上記実施例では有声音と無声音とを
区別していないが、有声音と無声音とで別々に音源波形
のスペクトル強度パタンを得て周波数帯域毎の音源波形
のスペクトル強度パタンの凹凸の程度を表す評価値を求
め、有声音と無声音別々の符号帳を作成して話者認識を
行っても良い。

【００３７】また更に、本発明は、或る話者が特定グル
ープ内の誰であるかを認識するためだけでなく、或る話
者が特定グループ内の誰にも該当しないか否かの判定
と、該当する場合は誰であるかの判定とを含めた、いわ
ゆる認証或いは照合に用いることができる。後者の場合
は、電話に代表される通信ネットワーク上で個人が何ら
かのサービスを利用しようとする時、利用者が正当な者
であることを認証或いは照合するのに有用である。

【００３８】

【発明の効果】以上説明したように、本発明によれば、
音韻の違いに影響されずに、話者認識を精度良く行うこ
とができる

【図面の簡単な説明】

【図１】本発明の一実施例に係る話者認識装置全体の構
成を示す図。

【図２】図１中の特徴抽出部１０の構成例を示す図

【図３】図１中の特徴抽出部２０の構成例を示す図

【図４】発声する音韻により調音器官の伝達特性が大き
く変動する様子を示す図。

【図５】男性話者の音源波形のスペクトル強度パタンの
例を示す図。

【図６】女性話者の音源波形のスペクトル強度パタンの
例を示す図。

【図７】音声波形における音源波形のスペクトル強度パ
タンと調音器官の伝達特性との関係を示す図。

【図８】従来の話者認識装置全体の構成を示す図。図。

【図９】図８中の特徴抽出部４０の構成例を示す図。

【符号の説明】

１０、２０ 特徴抽出部 １１ フレーム化処理部 １２ 逆フィルタ部 １３ 線形予測分析部 １４ 周波数分析部 １５ フィルタバンク部 １６ 調波構造解析部 １７ 評価値 １８ ＬＰＣケプストラム係数計算部 １９ ケプストラム係数 ２１ ケプストラム分析部 ２２ ＦＦＴ部 ３０ 切替部 ３１ ベクトル量子化部 ３２ 特徴記憶部 ３３ パタン間距離計算部 ３４ 認識判定部

Claims (5)

【特許請求の範囲】
1. 【請求項１】 音声波形から音源波形のスペクトル強度
   パタンを得ること、得られた音源波形のスペクトル強度
   パタンを複数の周波数帯域に区分すること、各周波数帯
   域毎に音源波形のスペクトル強度パタンの凹凸の程度を
   表す評価値を求めること、及び、求まった複数の周波数
   帯域における評価値と、予め学習により得たデータとか
   ら話者を認識することを特徴とする話者認識方法。
2. 【請求項２】 前記話者の認識として、話者が特定個人
   であるか否かを認証することを特徴とする請求項１に記
   載の話者認識方法。
3. 【請求項３】 音声波形の線形予測分析により調音器官
   の伝達特性を除去する逆フィルタを設定し、この逆フィ
   ルタに音声波形を通して音源波形を求め、求まった音源
   波形の周波数分析により、前記音源波形のスペクトル強
   度パタンを得ることを特徴とする請求項１または請求項
   ２に記載の話者認識方法。
4. 【請求項４】 音声波形のケプストラム分析により高次
   ケプストラム係数を求め、求まった高次ケプストラム係
   数のフーリエ変換により、前記音源波形のスペクトル強
   度パタンを得ることを特徴とする請求項１または請求項
   ２に記載の話者認識方法。
5. 【請求項５】 音声波形から音源波形のスペクトル強度
   パタンを得る手段と、得られた音源波形のスペクトル強
   度パタンを複数の周波数帯域に区分する手段と、各周波
   数帯域毎に音源波形のスペクトル強度パタンの凹凸の程
   度を表す評価値を求める手段と、求まった複数の周波数
   帯域における評価値と、予め学習により得たデータとか
   ら話者を認識する手段とを具備することを特徴とする話
   者認識装置。