JPS58146000A - 音声認識方法 - 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μ認識に関し、新規な方法を提案するもので
ある。　　　　　　　　　　　　　□音声認識において
は、特定話者に対する単語紹敞によるものが１−゛でに
実用化されてい゛る。これは１緘対象とする全ての単語
について特定話者にこれらを発音させ一バンドパスフィ
ルタバンク勢によりその音響パラメータを検出して°記
憶（登録）しており、、そして特定話者が発声したとき
その音響パラメータを検出し、登録された各単語の音響
パラメータと比較し、これらが一致したときその単語で
あるとの認識を行う。

このよ５な装置において、話者の発声の時間軸が登録時
と異なっている場合には、−走時間（５〜２６ｍｍ）毎
に抽出される音響パラメータの時系列を伸縮して時間軸
を整合させる。これによって発声速度の変動に対処させ
るようにしている２゜ところがこの装置の場合、ｉａ！
織対象とする全ての単語についてその単語の全体の音響
パラメータをあらかじめ登録格納しておかなければなら
ず、膨大な記憶容量と演算を必要とする。このため認識
語い数に限界があった。

これに対して音韻（日本語でいえばローマ字表記したと
きのＡ、　Ｉ、Ｕ、Ｅ、０．に、Ｓ、Ｔ等）あるいは音
節（ＫＡ　、　Ｋｌ　、　ＫＵ等）単位での認識を行う
ことが提案されている。しかしこの場合に、母音等の準
定常部を有する音韻の認識は容易であっても、破裂音（
Ｋ、Ｔ、Ｐ等）のように音韻的特徴が非常に短いものを
音響パラメータのみで一つの音韻に％定することは極め
て困難である。

そこで従来は、各音節ととに離散的に発音された音声を
登−し、離散的に発声された音声を単語ｇＩｔ鰍と同様
に時間軸整合させて認識を行っており、特殊な発声を行
うためＫａ定された用途でしか利用できなかった。

さらに不特定鈷名を認識対象とした場合には、音響パラ
メータに個人差による大きな分散があり、上述のように
時間軸の整合だけでは認識を行うことができない。そこ
で例えば一つの単語について複数の音響パラメータな登
録して近似の音響パラメータを認識する方法や、単語全
体を固定次元のパラメータに変換し、識別函数によって
判別する方法が提案されているが、いずれも膨大な記憶
容量を必要としたり、演算量が多く、認識語い数が極め
て少くなってしまう。

本発明はこのような点にがんがみ、不特定話者に対して
も、容易かつ確実に音声認識を行えるよ５ＫＬ、た、新
規な音声認識方法を提案するものである。以下に図面を
参照しながら、本発明の一集施例について説明しよ５゜ ところで音韻の発声現象を観察すると、母音や摩擦音（
Ｓ、Ｈ勢）等の音韻は長く伸して発声することができる
０例えば°はい”という発声を考えた場合に、この音韻
は第１図ＡＫ示すように、「無音→Ｈ→Ａ→■→無音」
Ｋ資化する。これに対して同じ１はい”の発声を第１１
１ｉＢのように行うこともできる。ここでＨ，Ａ、Ｉの
準定常部の長さは発声ととに変化し、これＫよって時間
軸の変動を生じる。ところがこの場合に、各音韻間の過
渡部（斜線で示す）は比較的時間軸の変動が少いことが
判明した。

本願発明者はこの点に着目したものである。

第２図において、マイクロフォン（１）に供給された音
声信号がマイクアンプ（２）、５．５ｋＨｚ以下のロー
パスフィルタ（３）を通じてＡＤ変換回路（４）に供給
される。またクロック発生器（５）からの１２．５ｋＨ
ｚ　（８０声獣間隔）のサンプリングク四ツクがＡＤ変
換回路（４）に供給され、このタイ建ングで音声信号が
それぞれ所定ビット数（二１ワード）のデジタル信号に
変換される。この変換された音声信号が５×６４ワード
のレジスタ（６）に供給される。またクロック発生機（
５）からの５．１２ｍ５ｅｃ間隔の７レームクロツクが
り進カウンタ（７）に供給され、このカウント値がレジ
スタ（６）Ｋ供給されて音声信号が６４ワードずつシフ
トされ、シフトされた４Ｘ６４ワードの信号がレジスタ
（６）から取り出される。

このレジスタ（６）から堆り出された４　Ｘ　＠４　＝
　２５６ワードの信号が高速フーリエ変換（ＦＦＴ）ｌ
ｉｉｉＱ路（８）Ｋ供給される。ここでとのＦＦ７回路
（８）において、例えばＴの時間長に含まれるａｆ個の
すンプリングデータによって表される波形函数を ＵｍｆＴ　　　（電）　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
・・・・・・（１）としたと鯉、これをフーリエ変換し
【、＝Ｕ１ｎｌＴ（ｆ）　＋　ＪＵｌｎ（Ｔ（ｆ）　　
　　””　（２）の信号が得られる。

さらにと０ＦＦＴ回路（８）からの信号がパワースペク
トルの検出回Ｍ　（９１に供給され、１　ｖ”　１　＝
　ｔ４ｎ（ｔ（ｏ　＋　ｕｒｎ　を丁（ｆ）　　　　　
　　　　　・−・−（３１のパリ−スペクトル信号が取
り出される。ここでフーリエ変換された信号は周波数軸
上で対称になっているので、フーリエ変換によって取り
出されるｎ（個のデータの半分は冗長データである。そ
こで半分のデータを排除して−＞ｙｓｆ個のデータが取
り出される。すなわち上述のＦＦ７回路（８）Ｋ供給さ
れた２５６ワードの信号が変換されて１！！８ワードの
パワースペクトル信号が取り出される。

このパワースペクトル信号がエンファシス回路Ｑｌに供
給されて聴感上の補正を行５ための重み付けが行われる
。ここで重み付けとしては、例えば周波数の＾域成分を
増強する補正が行われる。

この重み付けされた信号が帯域分割回路ａｍ）Ｋ供給さ
れ、聴感特性に合せた周波数メルスケールに応じて例え
ば３２の帯域に分割される。ここでパワースペクトルの
分割点と異なる場合にはその信号が各帯域に按分されて
それぞれの帯域の信号の量に応じた信号が取り出される
。これＫよって上述０１２ｇワードのパワースペクトル
信号が、音響的ａｍを保存したまま３２ワードに圧縮さ
れる。

この信号が対数回路（ｌａＫ供給され、各信号の対数値
に変換される。これによって上述の工／ファシス回路軸
での重み付は等による冗長度が排除される。ここでこの
対数パワースペクトルｔｏｎ　ｚ　Ｉｎ（を山Ｂ　　　
　　　　　　　　・−・−（４）ｔスペクトルパラメー
タＸ（ｉ）　（ｉ＝ｏ、　１・・・・・・３１）と称す
る。

このスペクトルパラメータＸ（凰）が離散的７−リエ羨
換（ＤＦＴ）回路１に供給される。ここでこのＤＦＴＷ
ＡｊｉｌＱ、Ｉにおいて、例えば分割された帯域の数を
Ｍとすると、このＭ次元スペクトルパラメータｘａ＞　
（１＝ｏ、　１−・−・・・Ｍ−１＞を２Ｍ点の実数対
称パラメータとみなしてＤＦＴを行う。従ってｍ−０，
１−−−−−ＩＭ−１ となる。さらにこのＤＦＴを行う函数は偶函数とみなさ
れるため ぎ・１・禦 となり、これらより となる。このＤＦＴ　Ｋよりスペクトルの包絡特性な表
現する音響パラメータが抽出される。

このよ５ＫしてＤＦＴされたスペクトラ人パテメータＸ
（ｉ）にライて、Ｏ〜Ｐ−１１１えばＰ＝８）次＊での
Ｐ次元の値を取り出し、これをローカルパラメータＬ（
ｐ）（ｐ＝”Ｑ＊　１・・−・・Ｐ−１）とすると・・
・・・・（７） となり、ここでスペクトル／（ラメ−タカ一対称である
ことを考慮して ”（１）：”（ｓ）ｉ−ｕ）　　　　　　　　　　　・
・・・・・（８）とおくと、ローカルノ（ラメータＬ（
ｐ）　ｋｔ・・・・・・（９） 但し、ｐ＝ｏ、ｉ・・・・・・Ｐ−１ トｔする。このようＫして３２ワードの信号力ｔＰ（例
えば＄）ワードに圧縮される。

この−一カルパラメータＬ（ｐ）がメモリ装置ａ４に供
給される。このメモリ装置Ｉは１行Ｐワード°の記憶部
が例えば１６行マトリクス状に配されたもの寸、−一カ
ルパラメータＬψ）が各次元ごとに順次記憶されると共
に、上述のクロック発生器（５）力１らの５．１２１１
−間隔のフレームタロツクが供給され【、各行のパラメ
ータが順次横方向ヘシフトされる。

これによってメ毫す装置（１４）Ｋは８．１２ｍｍ間隔
のＰ次元の四−カルパラメータＬψ）が１６フレーム（
８１，Ｈｊｌｌ蟇）分記憶され、フレームターツタごと
に順次新しいパラメータに更新される。

さらにエンファシス關絡鱒からの重み付けされた信号が
帯域分割回路（ｌυに供給され、上述と同様にメルスケ
ールに応じてＮ（例えば２０　）の帯域に分割され、そ
れぞれの帯域の信号の量に応じた信号Ｖｃｎ）（鳳＝０
，１・・−・・Ｎ−１）が取り出される。この信号がパ
イアヌ付１対数−路（２）に供給されてマ伽）寡を軸（
■伽）十Ｂ）　　　　　　　・・−・・ａのが形成され
る。また信号Ｖ（ｎ）が累算回路＠に供給されて ９蟲 て マ暑＝ｊＱ（Ｖａ＋ＩＩ）　　　　　　　　　　　　　
　　　　　　・・−・・収υが形成される。そしてこれ
らの信号が演算回路（２）に供給されて が形成される。

ここで上述のような信号Ｖ（Ｄ）を用いることＫより、
この信号は音韻から音韻への変化に対して各機（１ｍ＝
０，１・・・・・・Ｎ−１）の変化が同程度となり、音
韻の種類による変化量のばらつきを回避″Ｃぎる。

また対数をとり演算を行って正規化パラメータＶ…）を
形成したことにより、入力音声のレベルの変化によるパ
ラメータＶ（ｎ）の変動が排除される。

さらにバイアスＢを加算して演算を行ったことにより、
叡りにＢ→ωとするとパラメータＹ（ｎ）→Ｏとなると
とｆＦｊ）明らかなように、入力音声の微少成分（ノイ
ズ等）に対する感度を下げることができる。

このパラメータＶ（ｎ）がメモリ装置（ハ）に供給され
て２Ｗ＋１（例えば９）フレー・ム１分が記憶される。

この記憶された信号が演算回路（ホ）に供給されてＹｎ
　、　ｓ　＝ム（’Ｉ　（ｎ）　（１））　　　　　　
　・＝　ｔ１３但し、＜３ＦＨ＝　（１；−ｗ＋ｔ≦Ｉ
≦ｗ−４−１）が形成され、この信号とパラメータｙ（
幻が演算回路（財）に供給されて が形成される。このＴ（ｔ）が過渡点検出パラメータで
あって、このＴ（ｔ）がビータ判別回路（２）に供給さ
れて、入力音声信号の音韻の過渡点が検出される。

ここでパラメータＴ（ｔ）が、フレームｔを挾んで前ｖ
ｋＷフレームずつで定義されているので、不要な凹凸や
多極を生じるおそれがない。なおｆｓ３図は例えば１ゼ
ー１とい５発声を、サンプリング周波数１２．５ｋＨＩ
、　１２ビツトデジタルデータとし、５．１２ｍ５ｅｃ
７　Ｖ　−Ａ周期で２！＄６点ｆ）　ＦＦＴを行い、帯
域数Ｎ−２０，バイアスＢ−０．検出フレーム数２Ｗ＋
１＝４で上述の検出を行った場合を示し【いる。図中Ａ
は音声波形、Ｂは音韻、Ｃは検出信号テアッテ、「無音
−＊　Ｚ　Ｊ　　［Ｚ　−４Ｅ　Ｊ　　［Ｅ−＋ＲＪ「
Ｒ→０」　「Ｏ→無音」の舎過渡部で顕著なビータを発
生する。ここで無音部にノイズによる多少の凹凸が形成
されるがこれはバイアスＢを大きくすることにより破ｌ
Ｉｓ図示のよ５ＫｊｌＯになる。

この過渡点検出信号Ｔ（ｔ）がメモリ装置ａ４に供給さ
れ、この検出信号のタイミングに相当するローカルパラ
メータＬ（ｐ）が８番目の行にシフトされた時点でメ毫
り装置１ｉ１（Ｉ４の読み出しが行われる。ここでメ毫
り装置儲荀の読み出しは、各次元Ｐごとに１６フレ一ム
分の信号が横方向に読み出される。モして絖み出された
信号がＤＦＴ回路ａ四に供給される。

この−路ａ！９において上述と同様にＤＦＴが行われ、
音響パラメータの時系列変化の包絡特性が抽出される。

このＤＦＴされた信号の内から０〜Ｑ−１（例えばＱ＝
３）次までのＱ次元の値を取り出す。

このＤＦＴを各次元Ｐごとに行い、全体でＰＸＱ（襲８
４）ワードの過渡点パラメータＫ（Ｐｙ　ｑ　）　（ｐ
”０、１・−・−Ｐ−１’）　）　（ｑ＝Ｑ、　１・−
・・−・Ｑ−１）が形成される。ここで、Ｋ（ｏ、・）
は定数なので、ｐ＝ｏのと＃Ｋｑ＝１〜Ｑとしてもよい
。

すなわち第４図において、Ａのよ５な入力音声信号（Ｈ
ＡＩ）Ｋ対してＢのよ５な過渡点が検出されている場合
に１この信号の全体のパヮース゛ベクトルはＣのようＫ
なっている。そして例えば「Ｈ→Ａ」の過液点のＡワー
スベクトルがＤのようであったとすると、この信号がエ
ンファシスされてＥのよ５になり、メルスケールで圧縮
されてＦのようになる。この信号がＤＦＴされてＧのよ
うになり、Ｈのように前後の１６フレ一五分がマトリク
スされ、この信号が順次時間軸１方向にＤＦＴされて過
渡点パラメータＫ（１）、Ｑ）が形成される。

この過渡点パラメータＫＯ％ψがマハラノビス距離算出
回路−に供給されると共に、メ峰す装置ａηからのクラ
スタ系数が回路軸に供給されて各クラスタ系数とのマハ
ツノビス距離が算出される。ここでクラスタ系数は複数
の話者の発音から上述と同様に過渡点パラメータを抽出
し、これを音韻の内容に応じて分類し統計解析して得ら
れたものである。

そしてこの算出されたマハッノビス距離が判定回路ａ碍
に供給され、検出された過渡点が、何の音韻から何の音
韻への過渡点であるかが判定され一出力端子軸に散り出
される。

すなわち例えば“はい”いい九″＠Ｏ（ゼー）１〜＠會
（キエウ）″の１２単語につ〜・て、あらかじめ多数（
百Å以上）の話者の音声を前述の装置に供給し、過渡点
を検出し過渡点パラメータを抽出する。この過渡点パラ
メータを例えば第５図に示すようなテーブルに＋類し、
この分類（り２スタ）ごとに統計解析する。図中＊は無
音を示す。

これらの過渡点パラメータについて、任意のサンプｈｉ
ａ、”、ｎ　（ｒ＝＝１．？”・２４）　（ａ４！／　
５ｘｌｔＷＩ標で例えばａ＝１は＊　−＊　Ｈ、ｌ　＝
　２はＨ−４ＡＫ対応する。塁は話者番号）として、共
分散マ）９クス 但し、耐”＝Ｅ（Ｒメ？）、） Ｅはアンサンプル平絢 七計数し、この逆マトリクス Ｂご一部（Ａｔｊ”２）ｒ、ｓ、　　　　　　　　　、
　　、　　　　”４Ｇを求める。

ここで任意の過渡点パラメータに、とクラスｊｌｌａと
の距離が、マハラノビスの距離 （Ｋｒ−Ｒｒ））　　　　　　　　　　・・−・・ａ？
）で求められる。

従ってメ毫り装置（ｌηに上述のＢ￥？−及びＲ−ゝを
求めて記憶しておくことｋより、マハッノビス距離算出
回路舖にて入力音声の過渡点パラメータとのマハラノビ
ス距離が算出される。

これによって回路翰から入力音声の過渡点ごとに各クラ
スタとの最小距離と過渡点の順位が取り出される。これ
らが判定回路ａ篩に供給され、入力音声が無音になった
時点Ｋｔ４いて認識判定を行う。

例えば各単語ととに、各過渡点パラメータとクラスタと
の最小距離の平方根の平均値による単語距離を求める。

なお過痕点の一部脱落を考慮して各単語は脱落を想定し
た複数のタイプについて単語距離を求める。ただし過渡
点の順位関係がテーブルと異なっているものはリジェク
トする。そしてこの単語距離が最小になる単語を認識判
定する。

こうして音声認識が行われるわけであるが１本発明によ
れば音声の過渡点の音韻の変化を検出しているので１時
間軸の変動がなく、不特定話者についても良好な認識を
行うことができる。

また過渡点において上述のようなパラメータの抽出を行
ったことＫより、一つの過渡点を例えば２４次元でｆ！
緻することができ、認識を極め【容易かつ正確に行５こ
とがで幹る。

なお上述の装置において１２０名の話者にて学習を行い
、この１２０名以外（／−１話者にて上述の１２単語に
ついて実験を行った結果、９６．５％の平均認識率が得
られた。

さらに上述の例で°はい”の「Ｈ→Ａ」と′６（ハチ）
”の［Ｈ−＊ＡＪは同じクラスタに分麺可能である。従
って認識すべき言語の音韻数をαとして１ｉｅＣ，個の
クラスタをあらかじめ計算してクラスタ係数をメモリ装
置（１７）Ｋ記憶させておけば、種薯の単語のｌｌ！鐵
に適用でき、多くの語いのａ識を容易に行うことができ
る。

【図面の簡単な説明】

第１−は音声の説明のための図、第２図は本発明の一例
の系統図、第３図〜第Ｓ図はその説明の（４）はＡＤ変
変換絡路１５）はり冒ツタ発生器、（６）はレジスタ、
（７）はカウンタ、（８）は高速フーリエ変換回路、（
９）はパワースベタトル検出回路、軸はエン７アシス閏
路、拳ａは帯域分割回路、輪は対数回路、０３、ａ！９
は離散的フーリエ変換−路、Ｉ、叡うはメ峰り装置、輪
はマハラノビス距離算出回路、鱈は判定回路、■は出力
端子、＠ト＠は過渡点検出のための回路である。 手続補正書 昭和５８年　６月　２５日 １、′４３−件の人手 昭和５１年特許願第　２９４７８号 ２、発明の名称　　音声１緘方法 ３、補＋］（をする番 小作とグツ関係　　特許出願人 （ｉ：　ｐＪｉ　　東京部品用区北品用６丁目７番３５
号名＋；）、　ｆ２］８＋　　’ノニー株式会社代表取
締役　大　賀　典　雄 ５、補正命令の１」付　　　昭和　　年　　月　　日１
６、補１１−゛により増加する発明の数７、補　Ｉ！：
、の　＾・］３セ＠細書の尭明の詳細な説明の―（１１
明細書中、第８頁４〜Ｓ　２Ｍ点」とあるをｒ２Ｍ−１
点」と訂正する。 （２１同、同＊１５行［ＤＦＴを行う］とあるをｒ２Ｍ
１点のＤＦＴを行なう」と訂正する。 （３）同、同頁ｌ＠行〜ｔｌ／Ｌ８頁１行ｍ＝０．１−
−−２Ｍ−１とあ６を ｍ−０１ｌ、・・・２Ｍ−３」と訂正する。 （４）　　同、第８頁４〜Ｓ行 ｉ５＋　　！ＩＩＪ、同勇７７丁 １６１　１１１ｊ１同貞１４行〜第９ｊ！ｉ１行とある
Ｙ （７）同、１＆９貞５行 ｒ　Ｘ（＋）　ｘ（ｍＭ−ｉ−ｘ）　　　＝　（８１Ｊ
とあるな［Ｘ（１）　ｘ（黛Ｈ−ｉ−ｓ）　Ｊと訂正す
る。 （８＋　　同、同１４７行 とあるを に・ｐ ＋Ｘ（Ｍ−１３″ｍ、イ」と訂正する。 （９）　　同、＠　１０　ｊｉ　１Ｂ行ｒ　ＪＫＸ回Ｍ
Ｑ３Ｊ　トアルｔ’「累算平均回路の」と訂正する。 αθ　同、同頁１５行 ｕｉｌ　　ｌＷＩ、Ｍ１１ｊｊ１９〜２０行但し、ＧＦ
Ｎ＝（１；−ｗ＋ｔ≦Ｉ≦ｗ＋ｔ）Ｊとあるを但しＧＦ
ｔ−１１；−ｗ＋−ｔ≦Ｉ≦ｗ−＋−ｔ）ｊと訂正する
。 ０３　　同、絡１２貞３行 と訂正する。 Ｑ３　　同、島１３　ｊ８１１６行「定数なので」とあ
るｔ「音声波形のパワーを表現しているので、−（ワー
正規化のためｊと訂正する。 ０４　　同、第１７廁ｌＯ行「９６５チ」とあるを［９
８２剣と釘止する。 以上

Claims (1)

【特許請求の範囲】
1. 入力音声信号な聴感上の処理を施してパワースペクトル
   に変換し、このパワースペクトルを離散的フーリエ変換
   して上記パワースペクトルの包絡特性を表現する音響パ
   ラメータを得、この音響パラメータの時系列を再度離散
   的フーリエ変換して上記音響パラメータの時系列変化の
   包絡特性を抽出し、この抽出されたパラメータによりｇ
   識を行うようにした音声＆！繊方法。