JPS58136097A - 認識パタ−ン照合方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

本発明は音声認識用の認識パターン照合方式に関するも
のである。 従来、音声の白服１認識のための認識パターン照合方式
は種々のものが提案されているが、その内容は認識パタ
ーン自体の内容によって決定でれる。 一般に、音声の自動認識を行うにＦしては、入力音声が
話者の異同を問わず語９句、音韻の長さおよび音量等の
時間変化を伴うものであるため、これらの変什要因があ
っても精度良く入力音声を認識する幻策が要求さｉする
。 そこで、この発明の出願人は最近、スペクトル分析フィ
ルタを用いてサンプリングした各周波数帯域にふ・ける
入力用ンブル情報を入力音声の飴。 句、音韻の長さおよび発声の時間変化、’ｆＬＩｌの時
間変化に関係々〈一定数のセグメントにグｌレープ化し
た士、各セグメントにおける周波数帯域別→ｔサンプル
情報総和を求め、各セグメント内の総和のうち最大値に
対！−２で正規什のための基準数値を与え、他の総和に
は最大総和との比に比例した数値を与えることにより人
力音声のサンプル情報を正規化して認識パターンを作成
する方式を提案している。 一方、入力音声の長さに関係左＜、一定のセグメントに
符号化圧縮する手段は、照合パターンと入力音声の認識
パターンの照合距離計貴に極めて都合よく、容易に行な
えるという優れた長所を持つが、短かい用語でも長い用
語でも同じセクメント数のパターンにｒＴＥｆｌ？ｉさ
れるため短かい音声の入力が長い用語と距離計算で近い
という結果をもたらすことがあり州る。 例えは、「コウーベ」という言葉は、「オ」という母音
が比較的長ぐ発生され、符号化圧縮したパターンに「オ
」のｆｆｔ−ｕ情報が多く含１れることになる。贅だ、
単音の［第１を入力する場合には、言葉が短かいのにか
かわらず、上記の用語と同じ長さのパターンにＥＦ：縮
される結果、類似度か高く々ることがあり得る。そ

【１
．て、本来、「オ」という単音が用語の中にがければ、
「オ」に対する照合パターンは々いので、類似度の近い
用語である「二１ウーベ」が一番近い用語として認識さ
）１．る危険がある。 本発明は以上の点に鑑み、このよう力問題を解決すべく
力された認識パターン照合力式を提供するもので、入力
音声のサンプル引数仙を照合パターン情報の一部に加え
、入力音声との照合側■において選ばれた類似語に対（
７、このサンプル計数値を比較せしめ、許容の範囲内に
あるかどうかを調べ、一定のセグメントに正規什する場
合に発生する異方った長さの用語の不正認識を防止する
ようＫしたものである。 以下、図面に基づき本発明の実施例を詳細に説明する。 まず、本発明の理解を容易にするため、本発明に用いる
認識パターン作成方式について説明する。 第１図はこの認識パターン作成方式を適用した音声自動
認識装置の一笑施例を示すブロック図である。図におい
て、入力音声はマイクロフォンＭＩＣによって収集され
た後、増幅ｉＲＡにより適当なレベルに増幅されてスペ
クトル分析器ＳＡに供給される。このスペクトル分析器
ＳＡは例えば、１６チヤンネルの帯域フィルタＢＰＦ　
１〜ＢＰＦ］６を有し、人力音声はこのスペクトル分析
器ＳＡによって所？周波数帯域別のエネルギー量として
分解される。 ぞして、各帯域フィルタＢＰＦＩ〜ＢＰＦ］６の出力は
それぞ７Ｌ整流器ＲＥＣ１〜ＲＥＣ】ａによって直流信
号に変捗！されてアナ「コグマルチプレクサＭＰを介し
てＡＤ変換器ｋＤｃＶ（供給される。このアナログマル
チプレクヤＭＰは整流器ＲＥＣＩ〜ＲＥＣ１６の出力信
号を時分割でＡＤ変排器ＡＤＣに供給し、ＡＤ変換器Ａ
ＤＣに各帯域別の直流信号を所定時間間隔でサンプリン
グしてディジタル１直に便換させるものである。 これにより、ＡＤ変換器ＡＤＣからは入力音声に含渣れ
る各帯域別のエネルギーを表わすサンプル情報が得られ
る。そして、このサンプル情報は語領域検出器ＤＥＴの
制御によシ原始データメモリＭＥＭに一時記憶される。 との場合、語領域検出器ＤＥＴＭＥＭには語の始まりか
ら終り丑でのサンプル情報が記憶されることになる。 そして、この語領域検出器ＤＥＴは、例えば罰回のサン
プリング時における全帯域のサンプル情報を Ｆｃ＝ｌｆｔ（ｔｃ）、ｆ２（ｔｃ）、・＝・−・　ｆ
＋６（ｔｃ））＝（＋１とし、今回のサンプリング時に
おける全帯域のサンプル情報を ｐＬ＝ｌｆ１（ｔｒ、）、＋２（ｔｂ）・・・・・・　
ｆ゛６（ｔｒ、））　　・・・　（２１とした時、 ｄａ−Σ　ｆｊ（ｔｃ）−ｆｊ（ｔＬｌ　　　−−−−
ｆ３１ｊ＝１ （ｊ＝１，２．・・・・・・・・・・・・　１６’）を
劃算し、ｄｃ　　がある変化限界Ｔを越えている条件（
ｄａ）Ｔ）においては入力音声が持続し”Ｃいるものと
見做し、各ザンプリング動作毎のサンプル情報を原始デ
ータメモＩＪＭＥＭに記憶させるように構成されるもの
である。 原始データメモＩＪＭＥＭに記憶された入力音声のサン
プル情報は、本発明を適用する認識パターン作成方式を
利用ｌ−７／こ認識パターン作成部ＣＰＤにおいて正規
化圧縮処理されて音声認識用の認識パターンに変換され
る。ぞして、この認識パターンは、認識パターンメモリ
ＣＩ）・ＭＥＭに記憶されるが、この稜、照合パターン
メモリＲＦ−ＭＥＭに予め配憶されている複数の飴に関
する照合パターン（す７アレンスパターン）と照合Ｒ５
ＲＥ；　Ｆ　において照合され、入力音声に該当する語
の判定がかされる。 この飴の判定結果の出力部ＯＵＴを介して文字情報等の
形態で出力される。これによって、マイクロフォンＭＩ
Ｃから収集される入力音声の自動認識を行うことができ
る。 さて、詔識バクー７′？／ｌ：成部ＣＰＤは次のように
して認識パターンを作成する３、 壕ず、原始データメモＩＪＭＥＭには、第２図のデータ
マツプに示すように入力音声の時間長に比例して１個の
サンプル情報がスペクトル分析器ＳＡの各周波数帯域別
に？４１られる。々お、第２図において、Ｓ１〜５ｉｋ
ｌザンプリングタイノ・スロットの番号、ｆｒ〜ｆｎ　
（ｎ　：実施例では１６）ｉｌスペクトル分析器ＳＡに
おけるフィルタチャンネル、　（’１３２゜０２８・・
・の数字はサンプル情報を表わし、ている。この場合、
入力音声のサンプリング間Ｉｓ　Ｕ　？１１メｐ’、ｊ
５ｍ８程度に選ばれるが、短い語や単音節の場合に０約
１．（’ｔｏｍ１１程度の発声時間となり、通常使用さ
ｆ＋る語句は約１程度度の発声時間となるだめ、約２０
〜２００個程贋のサンプル情報が得られる。 そこで、このように入力音声の時間長に応じて情報数が
変化するサンプル情報を、入力音白の時間長に関係々〈
正規化するため、ｉ個のサンプリング情報は第３図に示
すように所？数単位で均一にｆｌｌえは８個のセグメン
）Ｔｌ〜Ｔ８にグループ什され、各セグメント内でのサ
ンプル情報の総和が求められる。この場合、セグメント
数は認識精度を勘案して沈黛されるが、飴の長さに関係
＆　＜　一定とすれば照合パターンとの照合処理が簡単
に力る。 ここで、セグメントＴＮ（Ｎ＝１〜８）に、１−、−け
るフィルタチャンネルｆｎ（ｎ””１〜１６）のサンプ
ル情報総和を’１１で表わすと、各セグメン）ＴＪ〜Ｔ
８におけるサンプル情報総和のデータ群Ｆ゛〜Ｆは＼ Ｆ　　−（ｆｌ、第２　、　　・・・・・・・　第１６
）ｐ”　＝　ｌ　ｆ？　、　ｆ：　＃　・・・・・・・
・・ｆｌ：）Ｆ８　＝＝　（ｘ　？、弓、・・・・・・
・・・第１箕）として嵌わすことができる。これにより
、１個のサンプル情報の時間軸上での正規化が行なわれ
たことにかる。 次に、各セグメン）Ｔｌ〜Ｔ８のそれぞれにおいてエネ
ルギーの正規化を行うため、各セグメント内のサンプル
情報総和ｆ　のうち最大値を基準に正規化の数値が各総
和ｆ　に与えられる。この場合の数値は例えば４ビツト
のパイナリテータにより構成され、１０進表示の基準数
値「１５」がげの最大値に対して割当てられ、最大値以
下の総和ｆ　には基準数値に当該総和と最大峠和との比
を乗じた数値「０〜】５」が割当てられる。例えば、セ
グメン）ＴＩにおけるザンフ″ル情報総牙［１のデータ
群Ｆ］の各総和％１．・・・・・・ｆｌｌ　が第３図に
示すようガものでちった場合、最大経１第１１はｆ、１
σ〕ｒ４３２ｊであるからこれに正規化用の基準Ｉ（／
仙１−１５」が割当てら第１る。また、第１４−２５９
　　の総・和テラレ、同様に、ｆ　２−２９１　”　］
　　２９　ノｌｊ第１１ｖ（け「１」の正規化用の数帥
が割当てら１１乙１、と１１．　＋、’（’　、ｉシ、
名セグメントＴ１〜Ｔ８におけるり′ング７１情報総和
のデータ群は基量Ｐ値「１５」に比例し゛ｒ正規化され
たことに々る。この結果、認識パターンメモリＣＰ−Ｍ
ＥＭには、第４図に示すよう彦正却化数値「θ〜１５」
で表わされた認識パターンが？ηられる。 すなわち、入力音声が ８（セグメント）Ｘ１６（フィルタグヤンネル）×４（
ビット）＝５１２　（ビット） に圧縮された認識パターンが伺られる。 このように、ｉ個のサンプル情報をＮ個のセグメントに
グループ化し、各セグメント内の各フィルタチャンネル
別の一＋２ンブル情報の総和を求めることにより、時間
軸−りでの正規化を行い、との往各セグメント内の総和
の最大値を基準にしてエネルギーの正規化を行うことに
より、入力音声の時間長、音量の時間変化に関係なく、
時間軸に泊ったＮセグメントから寿る正規化情報、すガ
わち認識パターンを得るととができる。特に、エネルギ
ー面での正規化により、各セグメントの正月化情報は入
力音声のフォルマント情報をほぼ忠実に反映【７たもの
と々す、人力音声のピッチが若干ずれた。場合でを）つ
てもフォルマントの傾向を調べることによυλ人力音声
該当する語を簡単に判？することができる。さらＦｌこ
のような照合処理は認識パターンのビット長が知いため
、汎用の演算装部を利用して実時間で処理することが可
能に々る。 なお、り上の説明においては、各セグメントの最大総和
を基準として比例的に小さくなる正帰化用の数値を割当
でる場合を例にとって説明したが、照合処理の都合によ
っては比例的に大きく々る正規化用の数＠を割当てるよ
うにしても構わない１、さて、本発明は次のようにして
実施さｉする１、まず、本来「オ」と「コウベ」は詔の
長さに犬き々差があゆ、この差を利用して不正に認識さ
れろことがないようにすることができる。す々わち、「
コウーペ」という用語が）・１／−ニングにより作成さ
れるどき、サンプリングの計嘗値を照合パターンの一部
として記憶しておき、入力音声のサンプリングｎｉ算値
と比較し、許容限度外の用語が誤って認識されることを
防ぐことができる。 本発明は入力音声のサンプル引数値を照合パターン情報
の一部に加え、入力音声との照合帽着において選ばれた
類似語に効１し、このサンプル＝ｔ　ａ値を比較せしめ
、許容の範囲内にあるかどうかを調、べ、一定のセグメ
ントに正炸化する嚇合に発生する異方った長官の用語の
不正認識を防１１−する手段゛を付へするようにしたも
のである。 そして、人力音声は語の始甘りから定ｙノらねた間隔ご
とにサンプリングされ、語の終りｔで続けられる。そし
て、入力音声のサンプリング間隔は、例えば５ｍ−（８
）ごとに行な七・ねるが、この場合、単音の「オ」け平
均値に０・１〜０．１２ＳｅＣ程度の長さと々るので、
サンプリング回数は２０〜２４回位となる。また、言葉
の「コウーベ」の場合には０．４〜０．６（８）位の語
の長官となり、サンプリング回数は８０〜１２０回位と
なる。 そして、人間の発声はその、都度微妙に変化し、長さも
一定では々いが±３０％位の変動幅を交へれば経験上十
分と云える。ここで、言葉「コウーベ」のトレーニング
時のサンプリング回数を第１図に示す照合パターンメモ
リＲＦ−１１Ｍに付加記憶しておき、語［オー１が入力
され、もし照合パターンの距離！１１算が一雇近いとさ
れた場合でも前記サンプリング回数を比較すれば、明ら
かに選別することができる。 いマ、言葉の「コウーベ」のトレーニング時のサンプリ
ング回数ｆ’ｐＪＫとし、入力音声のサンプリング回数
Ｎ×とじ、 １．５Ｎｘ（Ｎｘ（（１，６７Ｎ＋（−−（４）の条件
を満足ず／、かどうかをチェックするようにする。ここ
で、もし、入力音声が単音の「オ」の如き短かいＢ葉の
場合には、入力音声のサンプリング回数ＮＸは２４以下
位であり、トｌ／−ニング時のサンプリング回数ＮＫが
例えば８０としても０．６７Ｘ８０＞５３ であり、明らかに上記（４）式の範囲外とカリ、不正に
認識されるという弊害から救うことができる３゜以上説
明したように、本発明は入力音声のサンプル計数値を照
合パターン情報の一部に加え、入力音声との照合計ａに
おいて選ばれた類似語に対し、このサンプル計数値を比
較せしめ、許容の範囲内にあるかどうかを調べ、異々つ
た長さの用語の不正認識を防止するようにしたものであ
るから、許容限度外の用語が誤って認識されることを防
＋Ｌすることができるので、実用上の効果は極めて大で
ある。

【図面の簡単な説明】

第１図は本発明によＺ）認識パターン照合方式に用いる
認識パターン作成方式の一実施例を示すブロック図、第
２図−第４図は認識パターン作成方法の説明に供するデ
ータマツプである。 ＭＩＣＩｌｌｌｅ・マイクロフォン、ＳＡ・・・φスペ
クトル分析器、ＡＤＣ・・・・ＡＤ変換器、ｒ）ＥＴ・
・・・語領域検出器、ＭＥＭ・・−・原始データメモリ
、ＣＰＤ・・−・認識パターン作成部、ＣＰ・ＭＥＭ−
−−−認識パターンメモリ、ＲＦ−ＭＥＭ−−・・照合
パターンメモｌＪ、ＲＥＦ・・・−照合部。 特許出願人　　株式会社　京三製作煕 代理人　山川数位（（ほか１名） −１へ− ６３９− ＋　−−−−−−Ｓζ

Claims (1)

【特許請求の範囲】
1. 入力音声をスペクトル分析フィルタを用いて所定周波数
   帯域別にサンプリングした彼、そのサンプル情報を入力
   音声の語２句、音韻の長さおよび発声の時間変化、音量
   の時間変化に関係なく一定のセグメントにグループ分け
   した上、各セグメントにおける周波数帯域別サンプル情
   報の総和を求め、その総和のうち最大値に正規化のため
   の基準値を与え、他の総和には前記基漁の数値に比例し
   た数値を与えることにより入力音声のサンプル情報を正
   規化して認識パターンを作成する方式において、前記入
   力音声のサンプル計数値を照合パターン情報の一部に加
   え、入力音声との照合計算において選ばれた類似語に対
   し、このサンプル計数を比較せしめ、許容の範囲にある
   か否かを調べ一定のセグメントに正規化する場合に発生
   する異なった長さの用語の不正認識を防止する手段を付
   与するように１７たことを特徴と」−る認識パターン照
   合方式。