JPH11311999A

JPH11311999A - 音声認識方法

Info

Publication number: JPH11311999A
Application number: JP12018598A
Authority: JP
Inventors: Seiichiro Hanya; 精一郎半谷
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 1998-04-30
Filing date: 1998-04-30
Publication date: 1999-11-09

Abstract

(57)【要約】【課題】音声認識率を向上する。【解決手段】帯域が異なるｍ段の蝸牛フィルタバンク
１１に音声を入力し、処理部１２はｍ段の各蝸牛フィル
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
を作成し、該３次元パターンの段方向隣接データの差分
を計算し、差分値よりなる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１３に記憶する。音声
認識部１４は入力音声の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。

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、バンドパスフィルタとして蝸牛フィルタバン
クを使用し、蝸牛フィルタバンクの出力電力差の時間方
向パターンを用いて音声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、(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】・概略構成図１４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は既知音声のリフ
ァレンスデータを作成すると共に音声認識処理を行う処
理部、３は多数の既知音声のリファレンスデータを記憶
するメモリ、４は認識された音声を出力する認識音声出
力部である。処理部２は、リファレンスデータ作成に際
して、(1) 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サ
ンプリングし、(2) 各段のサンプリングデータの所定時
間毎の二乗平均よりなる３次元パターンデータを作成
し、(3) 該３次元パターンデータに正規化などの加工処
理を施してリファレンスデータを作成し、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３に記
憶する。又、処理部２は音声認識に際して、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１４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１５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１５(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１５(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１５(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maxレンジに対し
て3.35％のレベルとし、100km/h時はmaxレンジに対し
て8.35％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１５(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＝３
０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１６、図１７に従って説明す
る。リファレンスデータの作成図１６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１７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】・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１８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。

【００１３】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１９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
２０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１９や図２０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。

【００１４】実験結果バタワースフィルタバンク１（図１４）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２１に示す。この図２１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。

【００１５】

【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、又、数字１，２，８の認識率低下が著しい
問題がある。以上から本発明の目的は、音声認識率を向
上できる音声認識方法を提供することである。本発明の
別の目的は、走行スピードの増加に伴う音声認識率の低
下を抑えることができる音声認識方法を提供することで
ある。

【００１６】

【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所定
時間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、多数の既知音声のリファレンスデ
ータを作成して記憶し、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において、(2) 前記３次元パター
ンデータの段方向における隣接データ間の差分を計算
し、該差分値よりなる３次元パターンデータをリファレ
ンスデータとし、(3) 入力音声の３次元パターンデータ
と既知音声のリファレンスデータの類似度を計算し、
(4) 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。
又、バンドパスフィルタとして蝸牛フィルタを用いるこ
とにより、音声認識率を向上することができる。

【００１７】

【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段の蝸牛フィルタで構
成されたフィルタバンク（蝸牛フィルタバンク）、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は音声認識処理を行う
音声認識部である。処理部１２において、１２ａは３次
元パターン生成部、１２ｂはメモリ、１２ｃは差分処理
部、１２ｄは切換部である。

【００１８】３次元パターン生成部１２ａは音声が蝸牛
フィルタバンク１１に入力した時、該蝸牛フィルタバン
クの各段出力を所定周波数でサンプリングし、各段のサ
ンプリングデータの所定時間毎の二乗平均で３次元パタ
ーンデータを作成し、しかる後、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メモリ１２ｂに格納
する。差分処理部１２ｃはメモリ１２ｂに記憶されてい
る３次元パターンデータの段方向の各隣接データの差分
を計算し、該差分値よりなる３次元パターンデータを出
力する。切換部１２ｄはリファレンスデータ登録時に、
差分処理部１２ｃ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
声認識時に、差分処理部１２ｃから出力する３次元パタ
ーンデータを音声認識部１４に入力する。辞書メモリ
１３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１４は、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。

【００１９】（ｂ）ディジタル蝸牛モデル・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、本発明者は蝸牛の特性をモデル化しそれを
音声認識に応用することを考えた。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２、図３は蝸牛フィルタバンクの構成図
であり、図２は全体(0〜71段)の蝸牛フィルタバンクを
示し、図３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２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。

【００２０】・進行波フィルタ進行波フィルタ部は、蝸牛内部の基底膜の振動をモデル
化したものであり、このフィルタ部は、複数の不連続な
区画に分割される。その各々の区画は、対応する蝸牛各
部を通り抜ける進行波でモデル化される。進行波は、蝸
牛の入口から先端に向けて進行する。つまり、これは高
周波部から低周波部に向かうことに対応する。図３に示
すように、ｉ段目ローパスフィルタをＨ_i(z)とすると、
その位置における正味進行波動作は次式のようになる。

【数４】また、i段目における、中心角周波数ω_iのアナログ伝達
関数Ｈ_i(s)は以下のようになる。

【００２１】

【数５】なお、出来るだけ群遅延増大を防ぎつつ、希望通りの周
波数応答を得るために、μ=0.5 及び b=0.5 とする。そ
して、式(9)を双一次変換することにより、以下のよう
なディジタルフィルタの伝達関数Ｈ_i(z)を得る。

【数６】ここで、a_iは、双一次変換による変換誤差を補正するた
めに、アナログフィルタの中心角周波数ω_iを式(4)によ
りプリワープした角周波数である。

【００２２】このフィルタカスケードの伝達関数がもつ
応答特性は、各区画のフィルタに対するＱ値の選び方に
依存する。そこで、このフィルタでは、後で述べる速度
変換フィルタＴi(z)とセカンドフィルタＦi(z)を組み合
わせたとき、高周波において聴覚の同調曲線のチップ/
テイル比が55〜60dBとなるように最大利得を選択した。
このように利得を設定するには、蝸牛の入り口からの距
離にしたがって、最大Ｑ_iを0.28(100Hz)から0.45(10kH
z)へと線形に変化させる。これは、周波数が増加するに
つれてＱ値を増加させるためである。また、進行波フィ
ルタＨi(z)の各区画の中心周波数は、蝸牛内の距離にし
たがって等間隔に配置される。よって、この中心周波数
は、メル周波数軸上にほぼ等間隔に並ぶことになる。こ
の中心周波数のマッピングは、Libermanの猫の周波数マ
ップに基づいている。猫のマップは、およそ96Hzから60
kHzまでに及んでいる。ディジタル蝸牛モデルも、Liber
manが使用したのと同じ機能的依存を仮定しているが、
周波数レンジは、32Hzから20kHzの範囲に修正した。蝸
牛の距離を0≦ｘ≦1(1が蝸牛の入口側)に正規化した関
数で配置される周波数マッピングは、次式で与えられ
る。 f(x)＝160(10^2.1X−0.8) Hz (11)

【００２３】・速度変換フィルタ進行波フィルタＨi(z)の出力は、蝸牛内部を通過する進
行波の圧力に相当するものであるが、セカンドフィルタ
Ｆi(z)への入力はその速度でなければならない。そこ
で、速度変換フィルタＴi(z)により、圧力を速度に変換
する。速度変換フィルタＴi(z)は、その区画の進行波フ
ィルタＨi(z)の中心周波数より２オクターブ低い遮断周
波数を持つ１極ハイパスフィルタでモデル化される。以
下にｉ段目における、中心各周波数a_iの伝達関数Ｔ_i(z)
を示す。

【数７】

【００２４】・セカンドフィルタ進行波では、蝸牛のメカニズムを完全に模倣することが
できない。KiangとMoxonらによる同調曲線の測定などか
ら、その周波数応答には中心周波数から約１オクターブ
低いところでノッチが観測される。この特性を、セカン
ドフィルタＦi(z)によりモデル化している。ｉ段目にお
けるアナログセカンドフィルタの伝達関数は次式で与え
られる。

【数８】ここで、ω_i0とＱ_i0は零点における共振周波数とＱであ
る。また、ω_iPとＱ_iPは極における共振周波数とＱであ
る。

【００２５】このアナログ伝達関数は、双一次変換で次
式のディジタルフィルタへと変換される。

【数９】ここでb_i0とb_iPはそれぞれ零点と極におけるプリワープ
された周波数である。先の蝸牛における振幅応答の観測
データに基づけば、極の周波数はその区画の中心周波数
に設定され、そして零点の周波数はその区画の中心周波
数から約１オクターブ低い周波数、つまり、 b_i0＝b_iP／２ (15) と設定される。

【００２６】共振の鋭さについても、測定データと一致
するように次式で設定される。Ｑ_i0＝２Ｑ_ip(16) これにより、ディジタルフィルタの利得はω=0において
１となるように調整される。また、この設定にすればセ
カンドフィルタＦi(z)は低域で群遅延がゼロとなる。セ
カンドフィルタのＱは、周波数が高くなるにつれ増加傾
向を示す。この振舞をモデル化すると、セカンドフィル
タの最大Ｑは次式のように周波数ｆの関数で表される。Ｑ_ip＝ρ(f)＝1.5(1＋f) ただし、fはkHz (17)

【００２７】・蝸牛フィルタバンクの振幅特性図４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４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。これが
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。Katesの蝸牛モデルでは、サンプリング
周波数を４０kHzとし、１００Hz〜１６kHzまでの周波数
帯を１１２個のフィルタを用いてカバーしている。とこ
ろが、効果の検証に用いた数字音声データは、サンプリ
ング周波数は１０kHzであり、アンチエイリアシングフ
ィルタにより３．４kHzに帯域制限されているものであ
る。そこで、数字音声データを４０kHzにオーバーサン
プリングした後に蝸牛フィルタバンクに入力し、１００
Hz〜３．３kHzまでの７２段のフィルタバンクの出力デ
ータのみを使うこととした。それゆえ、これ以降は、中
心周波数３．３kHzの段を０段目とし、100Hzの段を７１
段目とする。

【００２８】図１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１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。これも蝸牛フィルタバンクの特徴であ
り、フィルタのＱ値を周波数の増加に合わせて大きくし
ている効果である。また、１００Hz〜１kHz程度の範囲
内では、各フィルタバンク間の振幅が約６dB/octの傾き
をもって増加している。この特性により、入力音声スペ
クトルにプリエンファシス(高域強調)をかける効果が得
られる。

【００２９】（ｃ）３次元パターンの作成処理図５は本発明の３次元パターン作成処理の説明図であ
る。３次元パターン生成部１２ａ（図１）は、従来例で
説明した方法に従って３次元パターン（従来のリファレ
ンスデータ）Ｐ(m、n)を作成してメモリ１２ｂに記憶す
る。しかる後、差分処理部１２ｃは段方向における隣接
データ（パワー）の差分を計算し、該差分値よりなる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１３に記憶する。すなわち、差分処理部１２ｃは３
次元パターンＰ(m、n)に次式Ｐ_d(m,n）＝Ｐ(m＋1,n)−Ｐ(m,n) (18) による段方向への差分処理を施し、得られた差分値Ｐ
_d(m,n）をリファレンスデータとして辞書メモリ１３に
記憶する。図６は蝸牛フィルタ／３次元パターン生成部
／差分処理部の関連図で、１１は蝸牛フィルタバンク、
１２ａは蝸牛フィルタバンクの各段出力信号の二乗平均
(電力値の平均)を出力する３次元パターン発生部、１２
ｃは(18)式により段方向における隣接データ(電力値)の
差分を計算する差分処理部である。

【００３０】（ｄ）音声認識図７は音声認識部１４（図１）の構成図であり、１１は
蝸牛フィルタバンク、１２は処理部、１３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、１４は
音声認識部である。音声認識部１４において１５₀〜１
５₉は類似度算出部、１６は最大類似度判定部である。
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、差分処理部１２ｃは段
方向における隣接データの差分を計算し、該差分値より
なる３次元パターンデータを音声認識部１４に出力す
る。音声認識部１４の類似度算出部１５₀〜１５₉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１６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。

【００３１】（ｅ）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１１を用いた音声認識処理を、式(1
8)の差分処理を施した３次元パターンデータを使用した
場合と、差分処理を施さない３次元パターンデータを使
用した場合について行った。実験条件、使用した車
内ノイズは図１８、図１９で説明した場合と同じであ
る。ただし、いずれの場合にもリファレンスデータには
車内ノイズは付加していない。図８は差分処理無しの音
声認識率、図９は差分処理有りの音声認識率、図１０は
100km/hノイズ付加時における両者の数字認識率を示す
グラフである。差分処理を施した時と施さなかった時の
認識率を100km/hノイズ付加時について比較すると、図
８〜図１０より、差分処理を施した時の方が数字全体で
13.81%認識率が良いことが分かる。又、数字音声別にみ
ても、差分処理を施した方が認識率が良い数字の方が多
いことが分かる。特に、車内ノイズの付加による認識率
の低下が激しい数字１，２，８の認識率も、図１０よ
り、差分処理を施した時の方が、施さなかった時に比べ
て27.6%〜43.5%も良いことが分かる。このことから、差
分処理を施した方が施さない時より認識率が良く、さら
に、各数字音声毎の認識率の差も小さくなり、車内ノイ
ズに対するロバスト性が増すことが分かる。

【００３２】又、図２１のバタワースフィルタバンクを
用いて差分処理を施さない場合と図９の蝸牛フィルタバ
ンクを用いて差分処理を施した場合とを比較しても、差
分処理を施した方が認識率が向上する。差分処理を施す
ことにより認識率が向上する理由を、差分処理を施さな
かった時は誤認識したが、施すことにより正しく認識さ
れた音声に注目し、その音声データとリファレンスデー
タの３次元パターンを例にとり説明する。図１１は差分
処理を施さずに誤認識した場合の３次元パターン説明図
で、数字４の未知音声を３と誤って認識した場合であ
る。（ａ）は数字４の未知音声データ、（ｂ）は数字３
のリファレンスデータ、（ｃ）は数字４のリファレンス
データの３次元パターンである。図１２は図１１の各３
次元パターンに差分処理を施したもので、図１１、図１
２は共に白黒階調表示であり、３次元パターンのパワー
の大きさを階調度で表している。

【００３３】図１１(a)の未知音声データは数字４のデ
ータであるが、図１１(b)の数字３のデータとして誤認
識された。しかし、フレーム０〜１０のＹ字型部分にお
ける３次元パターンの山谷形状に注目して図１１を観察
すると、(a)の３次元パターンは、(b)より(c)の３次元
パターンに近似しているといえる。そこで、スペクトル
包絡などの輪郭の強調に役立つ差分処理を図１１の各３
次元パターンの段方向に施すと、図１２に示すように、
(a)の３次元パターンは、(b)より(c)の３次元パターン
との類似度のほうがより高まり、これにより認識率が向
上する。

【００３４】（ｆ）バタワースフィルタバンクを用いた時の認識結果バタワースフィルタバンクを用いて差分処理を施した時
と施さなかった時の認識率をそれぞれ図１３（ａ），
（ｂ）に示す。この結果からも分ように差分処理による
効果はバタワースフィルタバンクの時には得られない。
このことからも、差分処理は蝸牛モデルフィルタバンク
と組み合わせて初めてその効果を発揮するといえる。た
だし、差分処理の効果はバタワースフィルタバンクでは
得られなかったが別のバンドパスフィルタに適用すれば
効果が得られる可能性がある。従って、本発明は蝸牛モ
デルフィルタバンクに限らない。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。

【００３５】

【発明の効果】以上本発明によれば、３次元パターンデ
ータの段方向における隣接データの差分を計算し、該差
分値よりなる３次元パターンデータをリファレンスデー
タとし、入力音声の３次元パターンデータと既知音声の
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
と認識するようにしたから、音声認識率を向上すること
ができる。又、本発明によれば、蝸牛フィルタバンク出
力より得られる３次元パターンデータに差分処理を施す
ことにより音声認識率をより改善することができる。す
なわち、差分処理による効果はバタワースフィルタバン
クでは得られず、ディジタル蝸牛モデルの蝸牛フィルタ
バンク出力に適用して初めて所望の効果が得られるもの
である。バタワースフィルタバンクでは差分処理を行な
う行なわないに関わらず100km/hノイズ付加時に認識率
が80%以下になってしまうが蝸牛フィルタバンクの出力
に差分処理を施した時の結果は87.32%となりバタワース
フィルタバンクに比べて約10%近く認識率が向上してお
り雑音に対するロバスト性にも優れているという効果が
得られる。

【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】蝸牛フィルタバンクの構成図である。

【図３】蝸牛フィルタバンクのブロック図である。

【図４】１段分の蝸牛フィルタの振幅特性である。

【図５】本発明の３次元パターン作成処理説明図であ
る。

【図６】蝸牛フィルタバンク、３次元パターン生成部、
差分処理部の関連図である。

【図７】音声認識部の構成図である。

【図８】差分処理無しの音声認識率説明図表である。

【図９】差分処理有りの音声認識率説明図表である。

【図１０】蝸牛フィルタバンクで100Km/hのノイズ付加
時における音声認識率説明図である。

【図１１】差分処理を施さずに誤認識した場合の３次元
パターン説明図である。

【図１２】差分処理を施して正しく認識した３次元パタ
ーン説明図である。

【図１３】バタワースフィルタバンクで差分処理無し、
差分処理有りの場合の音声認識率説明図表である。

【図１４】従来の音声認識方法を実現する音声認識装置
の概略構成図である。

【図１５】従来の３次元パターン生成処理説明図であ
る。

【図１６】リファレンスデータ作成処理説明図である。

【図１７】音声認識方法説明図である。

【図１８】音声認識に使用するデータの説明図である。

【図１９】車内ノイズの３次元パターン説明図である。

【図２０】フレーム方向に平均化した車内ノイズ説明図
である。

【図２１】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。

【符号の説明】

１１・・蝸牛フィルタバンク１２・・処理部１２ａ・・３次元パターン生成部１２ｂ・・メモリ１２ｃ・・差分処理部１２ｄ・・切換部１３・・辞書メモリ１４・・音声認識部

Claims

【特許請求の範囲】

【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
の所定時間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、多数の既知音声のリファレ
ンスデータを作成して記憶し、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において、前記３次元パターンデータの段方向における隣接データ
間の差分を計算し、該差分値よりなる３次元パターンデ
ータをリファレンスデータとし、入力音声の３次元パターンデータと既知音声のリファレ
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ことを特徴とする音声認識方
法。
【請求項２】前記バンドパスフィルタは蝸牛フィルタ
であることを特徴とする請求項１記載の音声認識方法。