JPH1195785A - 音声区間検出方式 - Google Patents

Abstract

(57)【要約】 【課題】 音声の途中で入力パワー値が小さくなってい
る入力音声や、残留音及び雑音の混入した入力音声に対
しても音声区間を安定かつ正確に検出することが可能な
音声区間検出方式を提供すること。 【解決手段】 入力信号はパワー計算部２で入力パワー
値に変換され、仮音声区間検出用閾値設定部４にて音声
入力時の雑音パワー値から仮音声区間検出用パワー閾値
を設定し、仮音声区間検出部６にて前記入力パワー値と
前記パワー閾値との大小比較により始端及び仮終端を検
出する。終端検出用閾値設定部８にて音声区間の入力パ
ワー値における重心以降の最大パワー値と音声区間直後
の雑音パワー値から終端検出用パワー閾値を設定し、終
端検出部８にて前記入力パワー値が前記終端検出用パワ
ー閾値より初めて小さくなる時刻を終端とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識装置にお
ける音声区間検出方式に関するものである。

【０００２】

【従来の技術】音声認識の技術は、優れたマンマシン・
インターフェースを実現する上での重要な役割を担って
いる。この音声認識において、その認識精度を高める上
での重要な前処理として音声区間検出処理があり、従来
より種々の研究・開発が行われている。

【０００３】例えば、従来、一般的に行われてきた音声
区間検出処理においては、図４に示すように、入力信号
の入力パワー値を時間ｔの関数Ｐ（ｔ）とした時、音声
信号を入力した時の雑音パワー値Ｎからパワー閾値Ｌを
設定する。その閾値Ｌと比較して入力パワー値Ｐ（ｔ）
が大である状態（Ｐ（ｔ）＞Ｌ）が一定時間、即ち、始
端決定最低継続時間ＴＳ以上継続した時、この継続時間
ＴＳの開始時刻を音声区間の始端とする。その後、入力
パワー値Ｐ（ｔ）がその閾値Ｌと比較して小である状態
（Ｐ（ｔ）≦Ｌ）が一定時間すなわち終端決定継続時間
ＴＥ以上継続した時、この継続時間ＴＥの開始時刻を音
声区間の終端とするという判定方法により音声区間の決
定を行なっていた。

【０００４】ここで、雑音パワー値Ｎとしては音声信号
の入力中でないと想定される時刻ｔ０から予め定められ
た長さの雑音測定時間間隔ＴＮにおける入力パワー値Ｐ
（ｔ）の平均値とする。また、パワー閾値Ｌとしては雑
音パワー値Ｎに予め定められた定数Ｃ０を加算した値と
するのが一般的な方法であった。

【０００５】この方法によれば、図４においてパワー閾
値Ｌと入力パワー値Ｐ（ｔ）とが一致する時刻をｔ１、
ｔ２、ｔ３、ｔ４とすると、入力パワー値Ｐ（ｔ）がこ
のパワー閾値Ｌを前述の継続時間ＴＳ以上超える区間の
開始点、例えば、時刻ｔ３を音声区間の始端と決定して
いる。

【０００６】次に、パワー閾値Ｌを前述の継続時間ＴＥ
以上の間下回る区間の開始点、例えば、時刻ｔ４をその
音声区間の終端と決定している。

【０００７】

【発明が解決しようとする課題】しかしながら、前記従
来例において終端決定最低継続時間ＴＥを短く設定した
場合に、音声の途中で入力パワー値が小さくなっている
入力音声に対しては、音声区間の終端が音声の途中に来
てしまうという問題点がある。一方、終端決定最低継続
時間ＴＥを長く設定した場合に、音声発生終了直後に発
生する呼吸音等の残留音及び雑音の影響による終端決定
時刻の遅延が起こる等の問題点もある。

【０００８】本発明は、上述した問題点を解決するため
になされたものであり、音声の途中で入力パワー値が小
さくなっている入力音声や、残留音及び雑音の混入した
入力音声に対しても音声区間を安定かつ正確に検出する
ことが可能な音声区間検出方式を提供することを目的と
する。

【０００９】

【課題を解決するための手段】この目的を達成するため
に本発明の音声区間検出方式は、音声等の入力信号に対
して入力パワー値を計算するパワー計算手段と、そのパ
ワー計算手段により計算された入力パワー値を経時的に
記憶する記憶手段と、音声信号の入力中でないと想定さ
れる時刻以前の所定の時間期間における前記入力信号の
入力パワー値の平均値を雑音平均パワー値として算出す
る雑音平均パワー値算出手段と、前記雑音平均パワー値
を基準として仮音声区間検出用閾値を算出する仮音声区
間検出用閾値算出手段と、前記入力パワー値が前記仮音
声区間検出用閾値よりも大きくなった時刻を音声区間の
始端とし、且つ前記入力パワー値が前記閾値よりも小さ
くなった時刻を音声区間の仮終端として仮音声区間を検
出する仮音声区間検出手段と、その仮音声区間検出手段
により検出された仮音声区間における入力パワー値の最
大値を示す時刻を基準として、その時刻の前後の所定の
時間期間における入力パワー値の重心の時刻を算出する
重心算出手段と、前記仮終端以降の所定の時間期間にお
ける入力パワー値の平均値を終端検出用雑音パワー値と
して算出する終端検出用雑音パワー値算出手段と、前記
重心の時刻以降における入力パワー値の最大値と、前記
終端検出用雑音パワー値とから、終端検出用パワー閾値
を設定する終端検出用閾値設定手段と、前記重心の時刻
以降において入力パワー値が最大となる時刻から前記仮
終端の時刻までの時間期間において、前記入力パワー値
が前記終端検出用閾値よりも小さくなった時刻を真の終
端として検出する終端検出手段とを備えている。

【００１０】従って、パワー計算手段は、音声等の入力
信号に対して入力パワー値を計算し、記憶手段は、前記
パワー計算手段により計算された入力パワー値を経時的
に記憶し、雑音平均パワー値算出手段は、音声信号の入
力中でないと想定される時刻以前の所定の時間期間にお
ける前記入力信号の入力パワー値の平均値を雑音平均パ
ワー値として算出し、仮音声区間検出用閾値算出手段
は、前記雑音平均パワー値を基準として仮音声区間検出
用閾値を算出し、仮音声区間検出手段は、前記入力パワ
ー値が前記仮音声区間検出用閾値よりも大きくなった時
刻を音声区間の始端とし、且つ前記入力パワー値が前記
閾値よりも小さくなった時刻を音声区間の仮終端として
仮音声区間を検出し、重心算出手段は、その仮音声区間
検出手段により検出された仮音声区間における入力パワ
ー値の最大値を示す時刻を基準として、その時刻の前後
の所定の時間期間における入力パワー値の重心の時刻を
算出し、終端検出用雑音パワー値算出手段は、前記仮終
端以降の所定の時間期間における入力パワー値の平均値
を終端検出用雑音パワー値として算出し、終端検出用閾
値設定手段は、前記重心の時刻以降における入力パワー
値の最大値と、前記終端検出用雑音パワー値とから、終
端検出用パワー閾値を設定し、終端検出手段は、前記重
心の時刻以降において入力パワー値が最大となる時刻か
ら前記仮終端の時刻までの時間期間において、前記入力
パワー値が前記終端検出用閾値よりも小さくなった時刻
を真の終端として検出する。

【００１１】よって、音声区間及びその後ろの一定期間
の入力パワー値を考慮して音声の終端を決定しているの
で、音声の途中で入力パワー値が小さくなっている入力
音声や、残留音及び雑音の混入した入力音声に対して音
声区間を安定、且つ正確に検出することができる。

【００１２】

【発明の実施の形態】以下、本発明の音声区間検出方式
を具体化した実施の形態について図面を参照して説明す
る。

【００１３】図１は、音声認識装置の一部を構成する音
声区間検出部の構成を示すブロック図である。

【００１４】前記音声区間検出部は、パワー計算部２、
仮音声区間検出用閾値設定部４、仮音声区間検出部６、
パワー記憶部８、終端検出用閾値設定部１０、終端検出
部１２及び制御部１４から構成されている。尚、パワー
計算部２が本発明のパワー計算手段を、仮音声区間検出
用閾値設定部４が雑音平均パワー値算出手段、及び仮音
声区間検出用閾値算出手段を、仮音声区間検出部６が仮
音声区間検出手段を、パワー記憶部８が記憶手段を、終
端検出用閾値設定部１０が重心算出手段、終端検出用雑
音パワー値算出手段、及び終端検出用閾値設定手段を、
終端検出部１２が終端検出手段を、それぞれ構成するも
のである。

【００１５】次に、本実施の形態の動作について、図２
のフローチャートを参照して説明する。尚、以下の説明
において、フローチャートの処理ステップをＳで表す。

【００１６】まず、処理をスタートさせる（Ｓ２）。

【００１７】次に、入力信号をパワー計算部２に入力
し、そのパワー値の計算を行なって入力パワー値に変換
する（Ｓ４）。この入力パワー信号の入力パワー値を時
間ｔの関数Ｐ（ｔ）とし、図３に実線で示す。尚、入力
パワー値とは、入力信号の大きさを表す値であり、具体
的には、例えば、１０ｍｓｅｃ毎にある時刻ｔから３０
ｍｓｅｃの範囲において、信号値にハミング窓をかけ合
わせそれぞれの２乗を算出し、各算出結果の総和の対数
を取ったものをパワー値とする等、公知の計算方法によ
り算出される。

【００１８】次に、この入力パワー信号を仮音声区間検
出用閾値設定部４、仮音声区間検出部６及びパワー記憶
部８へ出力する。制御部１４は、音声信号の入力中でな
いと想定される時刻において仮音声区間検出用閾値設定
部４へ仮音声区間検出用閾値設定司令信号を出力する。
仮音声区間検出用閾値設定部４は、仮音声区間検出用閾
値設定司令信号が入力された時刻ｔ０より予め定められ
た時間期間ＴＳＮだけ入力パワー信号を受け取り、この
時間期間における入力パワー値Ｐ（ｔ）の平均値を次式
により雑音パワー値ＮＳと設定する。

【００１９】

【数１】

【００２０】そして、この雑音パワー値ＮＳに対して予
め学習して定められた正の定数Ｃ０を加算した値を、次
式に示すように、仮音声区間検出用パワー閾値Ｌとして
設定する（Ｓ６）。

【００２１】

【数２】

【００２２】次に、このパワー閾値Ｌを仮音声区間検出
部６に送ると共に、仮音声区間検出用閾値設定終了信号
を制御部１４へ送る。制御部１４は、この仮音声区間検
出用閾値設定終了信号が供給されると、仮音声区間検出
部６へ仮音声検出司令信号を出力する。仮音声区間検出
部６は、仮音声区間検出司令信号の受信後、入力パワー
信号、仮音声区間検出用パワー閾値Ｌを入力として仮音
声区間の検出を開始し、始端と仮終端とを検出する（Ｓ
８）。

【００２３】具体的には、この始端時刻ｔ１の検出処理
においては、入力パワー値Ｐ（ｔ）が時間の経過により
仮音声区間検出用パワー閾値Ｌと一致した時刻ｔ１から
この入力パワー値Ｐ（ｔ）が、学習により予め定められ
た始端決定最低継続時間ＴＳ以上、このパワー閾値Ｌよ
り大きな値となっている時、この継続時間ＴＳの前述の
開始時刻ｔ１を音声区間の始端と決定する。

【００２４】また、仮終端の検出処理においては、入力
パワー値Ｐ（ｔ）が始端検出後、パワー閾値Ｌと一致し
た時刻ｔ３からこの入力パワー値Ｐ（ｔ）が、学習によ
り予め定められた仮終端決定最低継続時間ＴＫＥ以上、
このパワー閾値Ｌを下回る値となっている時、この継続
時間ＴＫＥの前述の開始時刻ｔ２を仮音声区間の仮終端
と決定する。

【００２５】このようにして検出された始端時刻ｔ１の
信号をパワー記憶部８、終端検出部１２及び制御部１４
へ出力すると共に、検出された仮終端時刻ｔ２の信号を
パワー記憶部８、終端検出用閾値設定部１０、終端検出
部１２及び制御部１４へ出力する。

【００２６】パワー記憶部８には始端時刻ｔ１と仮終端
時刻ｔ２のそれぞれの信号が入力する。始端時刻信号が
入力されると、始端時刻ｔ１から入力パワー信号の入力
パワー値Ｐ（ｔ）の記憶を開始し、この入力パワー値の
記憶を仮終端時刻ｔ２から予め学習によって定められた
所定時間を経過する時刻まで継続して行なう。

【００２７】制御部１４は、仮音声区間検出部６からの
仮終端時刻ｔ２の信号を受信した後、終端検出用閾値設
定司令信号を終端検出用閾値設定部１０へ出力する。

【００２８】終端検出用閾値設定部１０は、制御部１４
からの終端検出用閾値設定司令信号を受け取った後、仮
終端時刻ｔ２から時間軸正の方向へ予め定められた終端
検出用雑音測定時間ＴＥＮ分の入力パワー値Ｐ（ｔ）を
終端検出用雑音パワー信号としてパワー記憶部８から受
け取る。そして、この雑音測定時間ＴＥＮでの入力パワ
ー値Ｐ（ｔ）の平均値を、次式に示すように、終端検出
用雑音パワー値ＮＥと設定する。

【００２９】

【数３】

【００３０】次に、始端時刻ｔ１から仮終端時刻ｔ２ま
での入力パワー値Ｐ（ｔ）をパワー記憶部８より受け取
り、この区間において最大入力パワー値Ｐ１となる時刻
ｔ３を求める。そして、時刻ｔ３の前後のある一定区間
ＴＪ（例えば、ＴＪ＝２００ｍｓｅｃ）において入力パ
ワー値Ｐ（ｔ）の重心となる時刻ｔ４を求める。尚、入
力パワー値Ｐ（ｔ）の重心となる時刻ｔ４とは、入力パ
ワー値Ｐ（ｔ）の積分値が、対象となる全時間区間にお
ける積分値の２分の１に達する時刻を意味する。即ち、
時刻ｔ４が入力パワー値Ｐ（ｔ）の重心となる時刻であ
る場合、次式の関係が成り立つ。

【００３１】

【数４】

【００３２】時刻ｔ４から時間軸正の方向へ入力パワー
値Ｐ（ｔ）を調べていき、最大入力パワー値Ｐ２及びそ
の時刻ｔ５を求める。最大入力パワー値Ｐ２及び終端検
出用雑音パワー値ＮＥから終端検出用パワー閾値ＬＥを
設定する。終端検出用パワー閾値ＬＥは前記最大入力パ
ワー値Ｐ２から終端検出用雑音パワー値ＮＥを減算した
値に予め定められた正定数Ｃ１を乗算し、その積に終端
検出用雑音パワー値ＮＥを加算して設定する。このパワ
ー閾値ＬＥは次式で表される（Ｓ１０）。

【００３３】

【数５】

【００３４】次に、時刻ｔ５から時間軸正の方向へ入力
パワー値Ｐ（ｔ）と終端検出用パワー閾値ＬＥとの大小
比較を行ない入力パワー値Ｐ（ｔ）が終端検出パワー値
ＬＥよりも初めて小となる時刻ｔ６を真の終端時刻とし
て検出する（Ｓ１２）。

【００３５】このようにして決定された終端時刻ｔ６の
信号を、制御部１４へ出力してこの音声区間検出の処理
を終了する（Ｓ１４）。

【００３６】このように前記実施の形態によれば、従来
のものとは異なり、音声の途中で入力パワー値が小さく
なっている入力音声や、残留音及び雑音の混入した入力
音声に対して音声区間を安定かつ正確に検出することが
できる。

【００３７】尚、本発明は以上詳述した実施の形態に限
定されるものではなく、その要旨を逸脱しない範囲にお
いて、種々の変更を加えることができる。

【００３８】例えば、前記実施の形態においては、仮音
声区間検出処理において仮音声区間検出用の閾値をＬと
設定しているが、始端と仮終端検出において別々に設定
してもよい。

【００３９】

【発明の効果】以上説明したことから明らかなように、
本発明の音声区間検出方式は、音声等の入力信号に対し
て入力パワー値を計算するパワー計算手段と、そのパワ
ー計算手段により計算された入力パワー値を経時的に記
憶する記憶手段と、音声信号の入力中でないと想定され
る時刻以前の所定の時間期間における前記入力信号の入
力パワー値の平均値を雑音平均パワー値として算出する
雑音平均パワー値算出手段と、前記雑音平均パワー値を
基準として仮音声区間検出用閾値を算出する仮音声区間
検出用閾値算出手段と、前記入力パワー値が前記仮音声
区間検出用閾値よりも大きくなった時刻を音声区間の始
端とし、且つ前記入力パワー値が前記閾値よりも小さく
なった時刻を音声区間の仮終端として仮音声区間を検出
する仮音声区間検出手段と、その仮音声区間検出手段に
より検出された仮音声区間における入力パワー値の最大
値を示す時刻を基準として、その時刻の前後の所定の時
間期間における入力パワー値の重心の時刻を算出する重
心算出手段と、前記仮終端以降の所定の時間期間におけ
る入力パワー値の平均値を終端検出用雑音パワー値とし
て算出する終端検出用雑音パワー値算出手段と、前記重
心の時刻以降における入力パワー値の最大値と、前記終
端検出用雑音パワー値とから、終端検出用パワー閾値を
設定する終端検出用閾値設定手段と、前記重心の時刻以
降において入力パワー値が最大となる時刻から前記仮終
端の時刻までの時間期間において、前記入力パワー値が
前記終端検出用閾値よりも小さくなった時刻を真の終端
として検出する終端検出手段とを備えているので、音声
区間及びその後ろの一定期間の入力パワー値を考慮して
音声の終端を決定しているので、音声の途中で入力パワ
ー値が小さくなっている入力音声や、残留音及び雑音の
混入した入力音声に対しても音声区間を安定、且つ正確
に検出することができ、音声認識装置における認識性能
を向上させることができる。

【図面の簡単な説明】

【図１】本発明の実施の形態の音声区間検出部の構成を
示すブロック図である。

【図２】本実施の形態の音声区間検出処理の処理手順を
示すフローチャートである。

【図３】本実施の形態の音声区間検出処理を説明する説
明図である。

【図４】従来の音声区間検出処理を説明する説明図であ
る。

【符号の説明】

２ パワー計算部 ４ 仮音声区間検出用閾値設定部 ６ 仮音声区間検出部 ８ パワー記憶部 １０ 終端検出用閾値設定部 １２ 終端検出部 １４ 制御部

Claims (1)

【特許請求の範囲】
1. 【請求項１】 音声等の入力信号に対して入力パワー値
   を計算するパワー計算手段と、 そのパワー計算手段により計算された入力パワー値を経
   時的に記憶する記憶手段と、 音声信号の入力中でないと想定される時刻以前の所定の
   時間期間における前記入力信号の入力パワー値の平均値
   を雑音平均パワー値として算出する雑音平均パワー値算
   出手段と、 前記雑音平均パワー値を基準として仮音声区間検出用閾
   値を算出する仮音声区間検出用閾値算出手段と、 前記入力パワー値が前記仮音声区間検出用閾値よりも大
   きくなった時刻を音声区間の始端とし、且つ前記入力パ
   ワー値が前記閾値よりも小さくなった時刻を音声区間の
   仮終端として仮音声区間を検出する仮音声区間検出手段
   と、 その仮音声区間検出手段により検出された仮音声区間に
   おける入力パワー値の最大値を示す時刻を基準として、
   その時刻の前後の所定の時間期間における入力パワー値
   の重心の時刻を算出する重心算出手段と、 前記仮終端以降の所定の時間期間における入力パワー値
   の平均値を終端検出用雑音パワー値として算出する終端
   検出用雑音パワー値算出手段と、 前記重心の時刻以降における入力パワー値の最大値と、
   前記終端検出用雑音パワー値とから、終端検出用パワー
   閾値を設定する終端検出用閾値設定手段と、 前記重心の時刻以降において入力パワー値が最大となる
   時刻から前記仮終端の時刻までの時間期間において、前
   記入力パワー値が前記終端検出用閾値よりも小さくなっ
   た時刻を真の終端として検出する終端検出手段とを備え
   たことを特徴とする音声区間検出方式。