JPH11311992A - 音声認識方法 - Google Patents

Abstract

(57)【要約】 【課題】 高速走行時における認識率を改善する。 【解決手段】 帯域が異なるｍ段のバンドパスフィルタ
１１に既知音声を入力し、ｍ段の各バンドパスフィルタ
出力の一定時間フレーム毎の二乗平均よりなる３次元パ
ターンデータをリファレンスデータとして辞書メモリ１
３に記憶し、入力音声の３次元パターンデータと複数の
既知音声のリファレンスデータとの類似度に基づいて入
力音声を認識する音声認識装置である。音声認識部１４
は、ノイズが大きいほど重みが小さくなるように段方向
の類似度成分に重み付けを行い、重み付けされた類似度
成分の総和を用いて類似度を演算し、類似度が最大のリ
ファレンスデータに応じた既知音声を入力音声であると
認識する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声認識方法に係わ
り、特に、類似度が最大のリファレンスデータに応じた
既知音声を入力音声であると認識する音声認識方法に関
する。

【０００２】

【従来の技術】多数の既知音声のリファレンスデータを
メモリに登録しておき、入力音声の３次元パターンデー
タとリファレンスデータの類似度に基づいて入力音声を
認識する音声認識方法がある。かかる音声認識方法のリ
ファレンス登録モードにおいては、(1) 帯域が異なるｍ
段のバンドパスフィルタに既知音声を入力し、(2) ｍ段
の各バンドパスフィルタ出力の所定時間毎の二乗平均よ
りなる３次元パターンデータに正規化などの加工処理を
施してリファレンスデータを作成し、(3) 同様に多数の
既知音声のリファレンスデータを作成してメモリに登録
する。そして、リファレンスデータ登録後の音声認識モ
ードにおいて、(1) 入力された音声の３次元パターンデ
ータとリファレンスデータの類似度を計算し、(2) 類似
度が最大のリファレンスデータを求め、(3) 該リファレ
ンスデータに応じた既知音声を入力音声であると認識す
る。

【０００３】（ａ）バタワースフィルタバンクを用いた
従来の音声認識装置 ・概略構成 図７は上記従来の音声認識方法を実現する音声認識装置
の概略構成図であり、１は帯域が異なるｍ段のバタワー
ス型のバンドパスフィルタで構成されたフィルタバンク
（バタワースフィルタバンク）、２は既知音声の３次元
パターンデータをリファレンスデータとして作成すると
共に未知音声の３次元パターンデータを作成する処理
部、３は既知音声のリファレンスデータ記憶する辞書メ
モリ、４は音声認識処理を行う音声認識部である。処理
部２は、リファレンスデータ登録モードにおいて、既知
音声がバタワースフィルタバンク１に入力した時、該バ
タワースフィルタバンクの各段出力を所定周波数でサン
プリングする。しかる後、処理部２は段毎にサンプリン
グデータの所定時間フレーム毎の二乗平均を計算し、フ
レーム／段／二乗平均値よりなる３次元パターンデータ
を作成する。ついで、該３次元パターンデータに正規化
などの加工処理を施し、得られたデータをリファレンス
データとして辞書メモリ３に登録する。又、処理部２は
音声認識モードにおいて、未知音声がバタワースフィル
タバンク１に入力した時、既知音声の場合と同様に未知
音声の３次元データを作成し音声認識部４に入力する。
辞書メモリ３は複数の既知音声のリファレンスデータを
記憶し、音声認識部４は、未知入力音声の３次元パター
ンデータとリファレンスデータの類似度を計算し、類似
度が最大のリファレンスデータに応じた既知音声を入力
音声であると認識する。

【０００４】・フィルタバンクの特性 バタワースフィルタバンク１は、式(1)により決定され
る中心周波数f(x)を持つバンドパスフィルタの集まりと
して構成される。 ｆ(x)＝160(10^2.1x−0.8) Hz (1) だたし、０≦ｘ≦１とし、隣接するフィルタの３dB減衰
点が一致するように配置し、フィルタの次数は最低次の
２次とする。また、バタワースフィルタバンクにはプリ
エンファシス(高域強調)の特性がないので、このフィル
タバンクに入力する前に入力音声に伝達関数(1-0.96
z^-1)のプリエンファシスを施している。以上により、第
ｉ段目の中心角周波数ω_iの２次のバタワース型バンド
パスフィルタのアナログ伝達関数Ｂ_2i(s)は次式のよう
になる。

【０００５】 Ｂ_2i(s)=(ω_ia-ω_ib）s/｛ω_iaω_ib+(ω_ia-ω_ib）s+s²｝ (2) ここで、ω_ia、ω_ibはバンドパスフィルタの高域側、低
域側のカットオフ角周波数で、 ω_ia=(ω_i+ω_i-1)/2, ω_ib=(ω_i+ω_i+1)/2 である。上式を双一次変換すれば所望の２次のディジタ
ル伝達関数Ｂ_2i(z)が得られる。

【数１】 ここでa_ia、a_ibはω_ia、ω_ibをプリワープした角周波数
である。本来の角周波数をω、プリワープ後の角周波数
をΩ、システムのサンプリング周波数をf_Sとすると、プ
リワープは下式で行なう。 Ω=tan(ω/2ｆs) (4) バタワースフィルタバンクは、２次のものは式(3)のフ
ィルタを、入力音声に対して段毎に並列に配置すること
により作成する。図７に、これらのフィルタバンクの振
幅特性を、プリエンファシスの特性も加味して０段目か
ら１０段おきに７０段目まで示している。

【０００６】・３次元パターンの作成 まず、音声をバタワースフィルタバンク１に入力し、音
声スペクトルの時間変化を示す３次元パターンデータを
作成する。図８は音声スペクトルの時間変化を取得する
処理の流れを示す説明図である。 フィルタリング 音声をバタワースフィルタバンク１に入力し、各段のフ
ィルタ出力を所定周波数でサンプリングし、サンプリン
グ音声データを並べて図８(a)のような段ｍ、時間ｔの
３次元データＣ(m,t)を得る。

【０００７】時間軸方向へのフレーミング 図８(a)の３次元データは、音声を単にフィルタリング
しただけのものなので、まだ位相情報を含んでおり、デ
ータも正負に激しく変動し、このままでは他のデータと
のマッチングを効率的に取ることができない。また、音
声波形の位相情報は録音系などによって変わりやすい
上、人間による音声の知覚にほとんど寄与しないので、
むしろ取り除いた方が良い。そこで、次式のように30ms
間を1フレームとして1フレーム内の各段のデータの２乗
平均を取って変動を緩やかにし、図８(b)のような段
ｍ、フレームｎの３次元パターンＰ′(m,n)を求める。
なお、フレームは１０msずつシフトさせ、隣接フレーム
は互いに２０ms重なるようにする。

【数２】

【０００８】音声無録音部の削除 音声データ３０ms間を１フレームとしてフレーム内のパ
ワー平均を求める。このフレームを１０msづつシフトさ
せ、短時間パワーの系列を求める。短時間パワーの値が
一定値α以上となるフレームがβ個以上続く点を短時間
パワー系列の先頭フレームから検索し、その検索された
フレームを音声区間の開始点とし、そのフレームに相当
する時間までのデータを音声データから削除する。α、
βの値は経験的に決定する。たとえば、αは、車内ノ
イズが無い時、40km/h時、60km/h時は20000とし、100
km/h時は50000とする。又、βは、いずれの場合も３と
する。また、短時間パワー系列の終端フレームからも同
様の処理を行なって音声区間の終了点を求め、そこから
先のデータを削除する。

【０００９】 各話者間、各フレーム間のパワー差の平滑化 各フレーム内で、次式のようにＰ′_s(n)を基準とした対
数をとって出力値を正規化し、各フレーム間の音声パワ
ー差を平滑化する。この処理により、同時に、各話者間
の音声パワー差も平滑化することになる。なお、Ｐ′
_s(n)は例えば第ｎフレームの各段の最大パワーである。 Ｐ″(m,n)＝10log{Ｐ′(m,n)/Ｐ′_s(n)} (6) 各話者間の発生期間の差の正規化 Ｐ″(m,n)のフレーム数を一定値Ｎに線形伸縮させて正
規化し、図８(c)のような正規化３次元パターンＰ(m,n)
を求める。この処理により各話者間の発声期間の差を正
規化する。Ｎの値は経験的に決定する（例えばＮ＝３０
である)。

【００１０】・３次元パターンを用いた音声認識 次に、以上により作成した３次元パターンデータを用い
た数字音声の認識法を図９〜図１１に従って説明する。 リファレンスデータの作成 図９はリファレンスデータ作成方法の説明図である。０
〜９の各数字音声について、話者１人１個づつの３次元
パターンを用いて、それらの類似度が最大になるように
各データをフレーム方向にシフトした後、全てのデータ
で重なる部分の平均をとることにより、その数字のリフ
ァレンスデータを作成する。この場合、フレーム方向の
シフト量ｓは、最大±1とする。フレーム数Ｎ、段数Ｍ
の２つの３次元パターンP1, P2の類似度ｒ(P1,P2)は以
下の式(7)により計算する。

【数３】 従って、話者が２人の場合には、シフト量を±1以内で
種々変えて(7)式の計算を行い、類似度ｒ(P1,P2)が最大
となるシフト量ｓを求める。このシフト量ｓだけ一方を
シフトした時の３次元パターンP1,P2の対応部分の平均
値をリファレンスデータとする。

【００１１】音声認識 図１０は音声認識方法の説明図である。未知入力音声の
３次元パターンデータを作成し、該３次元パターンデー
タと数字音声０から数字音声９までの１０個のリファレ
ンスデータとの類似度を式(7)より求め、もっとも類似
度の高いリファレンスデータの数字をその未知入力音声
の数字とすることにより音声認識を行なう。この時も、
未知音声データに対して、リファレンスデータをフレー
ム方向に最大±1だけシフトさせ、最も類似度が高かっ
たものをそのデータ間の類似度とする。

【００１２】図１１は音声認識部の詳細構成を含む従来
の音声認識装置の構成図である。１はバタワースフィル
タバンク、２は処理部、３は数字０〜９のリファレンス
データが登録された辞書メモリ、４は音声認識部であ
る。音声認識部４において５₀〜５₉は類似度算出部、６
は最大類似度判定部である。辞書メモリ３に数字０〜９
のリファレンスデータを登録した後に音声認識を行う。
未知音声が入力すると処理部２は未知入力音声の３次元
パターンデータを作成して音声認識部４に出力する。音
声認識部４の類似度算出部５₀〜５₉は該３次元パターン
データと数字音声０〜９までの１０個のリファレンスデ
ータとの類似度を式(7)より算出し、最大類似度判定部
６は最も類似度の高いリファレンスデータの数字を未知
入力音声の数字であると認識して出力する。

【００１３】・従来方法による音声認識の認識率 実験条件 音声認識実験では認識が比較的容易な単語音声を使用し
た。単語としては、基礎的な単語であり、かつ、種々の
応用が考えられる０から９の１０個の数字音声を使用し
た。また、話者は男性のみとし、異性間の音声スペクト
ルの差が認識率に影響を与えないようにした。図１２に
音声認識実験に使用する音声データの詳細を示す。各数
字音声のリファレンスデータは、各話者の１１個の音声
データのうち１つを用いて作成し、残りの１０個の音声
データをその話者の未知音声データとした。よって、未
知音声データは、各数字音声について１０個×３７人で
３７０個となり、数字音声は１０個あるので全体で３７
００個となる。

【００１４】使用したノイズについて ノイズとしては、乾いたアスファルトの路面を時速40km
/h, 60km/h, 100km/hで走行している時に、窓を締め切
った車内で録音したノイズ(以後、これを車内ノイズと
呼ぶ)を使用した。図１３に所定速度における車内ノイ
ズのみのデータから作成した３次元パターンを示し、図
１４にこのパターンをフレーム方向に平均化したものを
示す。図１３や図１４に示す車内ノイズのスペクトル
は、どのフレームにおいてもほぼ同じで、３０段目付近
(１kHz付近)をピークとした山なりのパワー分布をして
いることが分かる。

【００１５】実験結果 バタワースフィルタバンク１（図７）を用いて未知音声
に車内ノイズを付加して音声認識実験を行なった。音声
認識率を図１５に示す。この図１５からもわかるよう
に、走行スピードの増加に応じて車内ノイズも増加する
ため音声認識率が低下しているのがわかる。特に100km/
hノイズ付加時には無雑音、40km/hノイズ、60km/hノイ
ズに比べその認識率の低下の度合いは顕著である。

【００１６】（ｂ）蝸牛フィルタバンクを用いた音声認
識装置 以上はフィルタバンクとしてバタワースフィルタバンク
を用いた従来例であるが、バタワースフィルタバンクの
代わりに蝸牛フィルタバンクを使用する音声認識装置も
提案されている。図１６は蝸牛フィルタバンクを用いた
音声認識装置の概略構成図であり、図７とはバタワース
フィルタバンク１の代わりに蝸牛フィルタバンク１′を
使用する点で異なるだけである。

【００１７】・蝸牛フィルタバンク J.M.Katesにより提案されたディジタル蝸牛モデルは人
間の聴覚末梢系の1つである蝸牛をモデル化したもので
ある（IEEE TRANSACTIONS ON SIGNAL PROCESSING. VOL.
39, NO. 12, DECEMBER 1991およびIEEE TRANSACTIONS O
N SPEECH AND AUDIO PROCESSINGN VOL.1, NO.4, OCTOBE
R 1993)。一般に、蝸牛には周波数解析機能があるとい
われており、Katesの提案したディジタル蝸牛モデルの
中でフィルタバンク部(以後、蝸牛フィルタバンクとい
う)を使用して、音声の周波数解析を行なう。図１７、
図１８は蝸牛フィルタバンクの構成図であり、図１７は
全体(0〜71段)の蝸牛フィルタバンクを示し、図１８は
ｉ番目の逆Ｌ字型蝸牛フィルタを示している。蝸牛フィ
ルタバンクは図１７に示すように、まず、進行波フィル
タＨ_i(z)（ｉ＝0〜71)がカスケードに接続され、その各
段の出力に、速度変換フィルタＴ_i(z)、セカンドフィル
タＦ_i(z)が続く構成となっている。

【００１８】・蝸牛フィルタバンクの振幅特性 図１９は中心周波数１kHzの段における進行波フィルタ
出力の振幅特性と、蝸牛フィルタ全体の出力の振幅特性
を示す。図１９より、進行波フィルタ出力に比べて、蝸
牛フィルタ全体の出力の方が、中心周波数で１９ｄＢ利
得が増加し、逆に、中心周波数から１オクターブ低いと
ころで利得が１２ｄＢ減少し、ノッチが現れている。こ
れはセカンドフィルタの効果であり、蝸牛フィルタバン
クの振幅特性を特徴付けている点である。また、中心周
波数での共振特性がなだらかな山なりになっているのも
特徴の一つである。

【００１９】音声認識に際して、数字音声データを４０
kHzでオーバーサンプリングして蝸牛フィルタバンクに
入力し、１００Hz〜３．３kHzまでの７２段のフィルタ
バンクの出力データを用いて音声認識する。図１６に蝸
牛フィルタバンクの振幅特性を０段目から１０段おきに
７０段目まで示す。図１６より明らかなように、高周波
側のフィルタバンクでは、中心周波数での共振特性も鋭
く、そこより１オクターブ低い周波数でのノッチもはっ
きりと現れているが、低周波側のフィルタバンクほど共
振特性もなだらかになり、ノッチも目立たなくなる。

【００２０】・ 蝸牛フィルタバンクを用いた時の認識
結果 蝸牛フィルタバンク１′（図１６）を用いて未知音声に
車内ノイズを付加して音声認識実験を行なった。音声認
識率を図２０に示す。なお、実験条件、使用した車
内ノイズは図１２、図１３で説明した場合と同じであ
る。図２０からわかるように、バタワースフィルタバン
ク使用の場合と同じように、走行スピードの増加に応じ
て車内ノイズも増加するため音声認識率が低下してるの
がわかる。特に100km/hノイズ付加時には無雑音、40km/
hノイズ、60km/hノイズに比べその認識率の低下の度合
いは顕著である。

【００２１】

【発明が解決しようとする課題】以上のように、従来の
音声認識方法では、走行スピードの増加と共に認識率が
低下し、特に100km/hノイズ付加時における認識率の低
下が著しく、しかも、数字１，２，８の認識率低下が著
しい問題がある。従って、本発明の目的は、高速走行時
における認識率、特に、数字１，２，８の認識率を改善
できる音声認識方法を提供することである。

【００２２】

【課題を解決するための手段】上記課題は本発明によれ
ば、(1) 帯域が異なるｍ段のバンドパスフィルタに既知
音声を入力し、ｍ段の各バンドパスフィルタ出力の一定
時間フレーム毎の二乗平均よりなる３次元パターンデー
タをリファレンスデータとして記憶し、入力音声の３次
元パターンデータと複数の既知音声のリファレンスデー
タとの類似度に基づいて入力音声を認識する音声認識方
法において、(2) フレームｎ、段ｍで特定されるポイン
トにおける類似度算出対象の２つの３次元パターンの値
の差の二乗を類似度成分とし、各ポイントにおける類似
度成分の総和を用いて類似度を求める場合、ノイズの段
方向のレベルを求め、(3) ノイズが大きいほど重みが小
さくなるように段方向の類似度成分に重み付けを行い、
(4) 重み付けされた類似度成分の各ポイントにおける総
和を用いて類似度を演算し、類似度が最大のリファレン
スデータに応じた既知音声を入力音声であると認識する
ことにより達成される。

【００２３】

【発明の実施の形態】（ａ）全体の構成 図１は本発明の音声認識方法を実現する音声認識装置の
構成図で、１１は帯域が異なるｍ段のバタワース型のバ
ンドパスフィルタで構成されたフィルタバンク（バタワ
ースフィルタバンク）、１２は既知音声の３次元パター
ンデータをリファレンスデータとして作成すると共に未
知音声の３次元パターンデータを作成する処理部、１３
は既知音声のリファレンスデータを記憶する辞書メモ
リ、１４は音声認識部で、入力音声の３次元パターンデ
ータとリファレンスデータの類似度を計算し、類似度が
最大のリファレンスデータに応じた既知音声を入力音声
であると認識するもの、１５は類似度算出に際して使用
する重み付け関数ｗ(m)を発生する重み付け関数発生部
である。処理部１２において、１２ａは３次元パターン
生成部、１２ｂは切換部である。音声認識部１４におい
て、２１₀〜２１₉は類似度算出部、２２は最大類似度判
定部である。

【００２４】３次元パターン生成部１２ａは図８に示す
従来方法と同一の手順で入力音声の３次元パターンを生
成する。すなわち、３次元パターン生成部１２ａは、音
声がバタワースフィルタバンク１１に入力すると該バタ
ワースフィルタバンクの各段出力を所定周波数でサンプ
リングし、しかる後、段毎にサンプリングデータの所定
時間フレーム毎の二乗平均を計算し、フレーム／段／二
乗平均値よりなる３次元パターンデータを作成する。つ
いで、該３次元パターンデータに正規化などの加工処理
を施して出力する。切換部１２ｂはリファレンスデータ
登録時、３次元パターン生成部１２ａから出力する３次
元パターンデータをリファレンスデータとして辞書メモ
リ１３に格納し、音声認識時、３次元パターン生成部１
２ａから出力する３次元パターンデータを音声認識部１
４に入力する。

【００２５】辞書メモリ１３は複数の既知音声、例え
ば、数字音声０〜９のリファレンスデータを記憶する。
音声認識部１４の各類似度算出部２１₀〜２１₉は入力音
声の３次元パターンデータと数字音声０〜９のリファレ
ンスデータとの類似度を次式

【数４】 により計算し、最大類似度判定部２２は類似度が最大の
リファレンスデータを求め、該リファレンスデータに応
じた既知音声を入力音声であると認識する。尚、(8)式
においてｗ(m)は重み付け関数である。又、類似度計算
に際して、リファレンスデータを未知音声データに対し
てフレーム方向に最大±1だけシフトさせ、最も類似度
が大きいものをそのデータ間の類似度とする。

【００２６】（ｂ）重み付け関数ｗ(m) 従来は、類似度を(7)式により演算したが高速走行時に
おける音声認識率が低い。そこで、(8)式に示すように
重み付け関数ｗ(m)を導入して車内ノイズが類似度の計
算精度に与える影響を軽減する。すなわち、車内ノイズ
に対するロバスト性を向上させるために、従来の類似度
計算式である(7)式に重み付け関数ｗ(m)を導入する。こ
の重み付け関数により、車内ノイズの影響の大きな段の
類似度を軽く見るようにし、影響の小さな段ほど類似度
を重く見るようにする。重み付け関数ｗ(m)の特性は、
図１４の車内ノイズの特性を考慮し、図２に示すように
両端の段での値が１、３０段目での値が０となるよう
に、かつ、線形に変化するように決定する。すなわち、
重み付け係数発生部１５は図２の実線で示すようにフィ
ルタバンクの段ｍに応じた重み付け関数ｗ(m)を発生し
て音声認識部１４の各類似度算出部２１₀〜２１₉に入力
する。

【００２７】以上より、類似度算出対象の２つの３次元
パターンにおいて、フレーム数ｎ、段数ｍで特定される
ポイントのデータ値P1(m,n), P2(m,n)の差の二乗を類似
度成分とし、各ポイントにおける類似度成分の総和を用
いて類似度を求める場合、ノイズの段方向のレベル特性
（図２の点線）を求め、ノイズが大きいほど重みが小さ
くなるように各ポイントの類似度成分に段ｍに応じた重
み付けを行い（図２実線）、各ポイントにおける重み付
けされた類似度成分の総和を用いて(8)式により類似度
を演算する。

【００２８】（ｃ）音声認識 辞書メモリ１３に数字０〜９のリファレンスデータを登
録した後に音声認識を行う。未知音声が入力すると処理
部１２の３次元パターン生成部１２ａは未知入力音声の
３次元パターンデータを作成して音声認識部１４に入力
する。音声認識部１４の類似度算出部２１₀〜２１₉は重
み関数ｗ(m)を導入した(8)式を用いて、未知入力音声の
３次元パターンデータと数字音声０〜９のトータル１０
個のリファレンスデータとの類似度をそれぞれ算出し、
最大類似度判定部２２は最も類似度の高いリファレンス
データを求め、該リファレンスデータに応じた数字を未
知入力音声の数字であると認識して出力する。

【００２９】（ｄ）実験結果 図１の音声認識装置において、未知音声に車内ノイズを
付加して音声認識実験を行なった結果（音声認識率）を
図３に示す。実験条件、使用した車内ノイズは図１
２、図１３で説明した場合と同じである。又、図１のバ
タワースフィルタバンクの代わりに蝸牛フィルタバンク
を用いた場合の音声認識率を図４に示す。図５及び図６
はフィルタバンクとしてバタワースフィルタバンク及び
蝸牛フィルタバンクを用いたときの重み付けによる認識
率の改善説明図で、100km/hノイズ付加時の数字認識率
を示し、実線は重み付け関数を導入した場合、点線は重
み付け関数を導入しない場合である。

【００３０】図３及び図４の重み付け関数を導入した場
合の音声認識率と図１５及び図２０の導入しない場合の
音声認識率を比較すると、重み付け関数を導入した場合
の方が100km/hノイズ付加時の認識率が向上しているこ
とがわかる。すなわち、100km/hノイズ付加時の認識率
はバタワースフィルタバンクで9.91％改善され、蝸牛フ
ィルタバンクで12.44％改善されている。又、図５及び
図６より、数字音声１はバタワースフィルタバンク(100
km/hノイズ付加時)で51.4%、蝸牛フィルタバンク(100km
/hノイズ付加時)で52.4％と大幅に認識率が改善され、
又、数字音声２，８も大幅に認識率が改善され、重み付
け関数による効能は明らかである。以上では、フィルタ
バンクとしてバタワースフィルタバンク及び蝸牛フィル
タバンクを用いた場合について説明したが、本発明はこ
れらに限定するものではない。以上、本発明を実施例に
より説明したが、本発明は請求の範囲に記載した本発明
の主旨に従い種々の変形が可能であり、本発明はこれら
を排除するものではない。

【００３１】

【発明の効果】以上本発明によれば、ノイズが大きいほ
ど重みが小さくなるように段方向の類似度成分に重み付
けを行い、重み付けされた類似度成分の総和を用いて類
似度を演算するようにしたから、高速走行時における認
識率、特に、数字１，２，８の認識率を改善することが
できる。

【図面の簡単な説明】

【図１】本発明の音声認識装置の構成図である。

【図２】重み付け関数の特性説明図である。

【図３】類似度に重み付けした時の音声認識率説明図表
（バタワースフィルタバンク）である。

【図４】類似度に重み付けした時の音声認識率説明図表
（蝸牛フィルタバンク）である。

【図５】類似度の重み付けによる認識率の改善説明図
（バタワースフィルタバンク）である。

【図６】類似度の重み付けによる認識率の改善説明図
（蝸牛フィルタバンク）である。

【図７】従来の音声認識装置（バタワースフィルタバン
ク使用）の構成図である。

【図８】従来の３次元パターン生成処理説明図である。

【図９】リファレンスデータ作成処理説明図である。

【図１０】音声認識方法説明図である。

【図１１】音声認識部の詳細構成を含む従来の音声認識
装置の構成図である。

【図１２】音声認識に使用するデータの説明図である。

【図１３】車内ノイズの３次元パターン説明図である。

【図１４】フレーム方向に平均化した車内ノイズ説明図
である。

【図１５】バタワースフィルタバンクを用いた従来の音
声認識率説明図表である。

【図１６】従来の音声認識装置（蝸牛フィルタバンク使
用）の構成図である。

【図１７】蝸牛フィルタバンクの構成図である。

【図１８】蝸牛フィルタバンクのブロック図である。

【図１９】１段分の蝸牛フィルタの振幅特性である。

【図２０】蝸牛フィルタバンクを用いた従来の音声認識
率説明図表である。

【符号の説明】

１１・・バタワースフィルタバンク １２・・処理部 １２ａ・・３次元パターン生成部 １２ｂ・・切換部 １３・・辞書メモリ １４・・音声認識部 １５・・重み付け関数発生部 ２１₀〜２１₉・・類似度算出部 ２２・・最大類似度判定部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 帯域が異なるｍ段のバンドパスフィルタ
   に既知音声を入力し、ｍ段の各バンドパスフィルタ出力
   の一定時間フレーム毎の二乗平均よりなる３次元パター
   ンデータをリファレンスデータとして記憶し、入力音声
   の３次元パターンデータと複数の既知音声のリファレン
   スデータとの類似度に基づいて入力音声を認識する音声
   認識方法において、 フレームｎ、段ｍで特定されるポイントにおける類似度
   算出対象の２つの３次元パターンの値の差の二乗を類似
   度成分とし、各ポイントにおける類似度成分の総和を用
   いて類似度を求める場合、ノイズの段方向のレベルを求
   め、ノイズが大きいほど重みが小さくなるように段方向
   の類似度成分に重み付けを行い、重み付けされた類似度
   成分の各ポイントにおける総和を用いて類似度を演算
   し、類似度が最大のリファレンスデータに応じた既知音
   声を入力音声であると認識することを特徴とする音声認
   識方法。