JPS58190998A - 音声認識装置 - 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】 本発明は構成が簡単で安価な音声認識装置に関するもの
である。

近年普及しつつある音声認識装置は多数の帯域フィルタ
その他によるスペクトル分析手段を用いた大規模なもの
が多く、構成が複雑でありコストも高い。一方、認識す
る単語数は少くても、構成が簡単で安価な音声認識装置
に対する需要も多い。

音声認識の基本的な方法は入力音声信号を一定時間毎に
例えばフィルタバンク等を用いて特徴パラメータを抽出
し、前記入力音声信号を特徴パラメータの時系列に変換
し、同様にして認識語☆ｒとして予め特徴パラメータの
時系列として登録されている各標準パターンと比較し、
最も類似度の高い弔語を認識結果とするものである。

このときの重要な問題の一つはパターンマツチングの方
法である。すなわち、同一の話者が同じ単語を発声して
もその音声の持続時間は一定でなく、時間軸の伸縮があ
る。したがって、予め登録しである各標準パターンと入
力単語と比較するとき、標準パターンと入カバターンと
の時間軸上の対応する点をいかに合わせるかが重要な問
題とな疋 る。これを伜確に行う方法としては動的計画法により時
間軸を非線形に伸縮する方法が広く知られている。確か
にこの方法によれば、非常に高い認識率が得られ、現在
のところ最良の方法の−っであると考えられる。しかし
、この方法は処理が複雑であって、４ビット程度のマイ
クロコンピュータで数語程度の認識のみを行うごく簡易
な音声認識装置に適用するには処理時間もかかり過ぎる
し、また、そのような用途には、それ程精密なパターン
マツチング方法は不必要である。

そこで第１図に示すような簡単な構成により、数語程度
の認識のみを行なう装置がある。以下第１図を参照して
、そのような装置の従来例を説明する。

第１図は零交差数をパラメータとする音声認識装置のブ
ロック図である。同図において、１は音声信号入力端子
、２は高域を強調するプリエンファシス回路、３はプリ
エンファシスされた音声信号の一定時間毎の零交差数を
計数して入力音声信号を零交差数の系列に変換する零交
差検出部、４は得られた零交差数系列の長さを一定にし
て前記時間軸の伸縮による影響を取り除く時間軸正規化
部、６は予め認識語常として同様な処理を施こされた各
単語が零交差数の時系列の形で登録されている標準パタ
ーン記憶部、６は時間軸正規化部４の出力と標準パター
ン記憶部６に登録されている標準パターンの各々とのパ
ターンマツチングを行つハターンマッチング部、７はパ
ターンマツチング部６の出力から大刀音声が何であった
かを判定する判定部、９は認識結果の出力端子である。

この方法は入力信号そのものの零交差数のみをパラメー
タとする認識方法であって、これだけでもがなりの認識
を行なうことができるものであるが、やはり類似した音
声には誤認識を注じる。第２図はこのような事情を説明
する波形図である。

第２図１ａｌを入力音声信号波形であるとすると、その
零交差波は第２図ＬＣ）のようになる。明らかにこの場
合は入力音声波（ａ）の１０で示す部分の情報は欠落し
ており、このような微妙な波形上の特徴は入力信号その
ものの零交差をとるのみでは得られない。したがって、
このような波形上の相違による音声はこのような方法で
は識別できないことになる。

一方、第２図（ｂ）は同図（ａ）を微分した波形であシ
、第２図（ｄ）はその零交差波である。この図から明ら
かなように、第２図４ａ）の波形を微分することによっ
て、前記の微妙な波形上の特徴を零交差波に反映させる
ことができるのがわかる。

本発明は上記欠点に鑑み、入力音声信号そのものの零交
差数の系列の他に、入力音声信号の微分信号の零交差数
の系列も用いることにより、認識率を上げるとともに、
例えば４ビット程度のマイクロコンピュータで実現でき
、入力音声信号とその微分信号の零交差数を特徴パラメ
ータとする数単語程度の音声認識を行°うご〈簡易な音
声認識装置に適用して、有効なパターンマツチングを行
なうことができるものである。

以下本発明の一実施例について、図面を参照しながら説
明する。

第３図は本発明の一実施例における音声認識装置のブロ
ック図である。同図において、１は音声信号入力端子、
２は高域を強調するプリエンファシス回路、３１はプリ
エンファシスされた音声信号の一定時間毎の零交差数を
計数し、入力音声信号を零交差数の系列に変換する零交
差検出部、４１は得られた零交差数系列の長さを一定に
して前記時間軸の伸縮による影響を取り除く時間軸正規
化部、６１は予め認識語葉として同様な処理を施こされ
た各単語が時系列の形で登録されている標準パターン記
憶部、６１は時間軸正規化部４１の出力と標卑パターン
記憶部５１に登録されている各々の標準パターンとパタ
ーンマツチングラ行つハターンマッチング部、８はプリ
エンフアシス回路２の出力を微分する微分回路、３２は
微分回路８の微分出力を零交差数の系列に変換する３１
と同様な零交差検出部、４２は零交差検出部３２で得ら
れた零交差数系列の長さを一定にして前記時間軸の伸縮
による影響を取り除く４１と同様な時間軸正規化部、５
２は前記微分信号に対し以上のような処理と同様な処理
が施こされた各単語が時系列の形で登録されている６１
と同様な標準パターン記憶部、６２は時間軸正規化部４
２の出力と標準パターン記憶部６２に登録されている各
々の標準パターンとパターンマツチングを行うパターン
マツチング部、７０はパターンマツチング部６１と６２
の出力から入力音声が何であったあ１を判定する判定部
、９は認識結果の出力端子である。

なお零交差検出部３１．３２は具体的には電圧比較回路
で構成され、一定時間内の入力信号の極性の変化数を計
数し、その数値系列を出力するものである。例えば１０
　ｍ５ｅｃ毎にその時間内における零交差回数を求めれ
ば、音声の場合十分であ　−る。

さて時間軸正規化の最も簡単な方法は線形の伸縮を行う
ことである。本実施例においてはプリエンファシス回路
２の出力（以下第１の信号という）と微分回路８の出力
（以下第２の信号という）のそれぞれに対し前記の如く
求められた１　０　ｒｎｓｅｃ毎の数値列を等間隔でピ
ックアップして一単語当シ３２の数値の列に変換する。

例えば、５００ｍ５ｅｃの音声に対しては、零交差検出
部３１゜３２にて６０の数値の列が得られるが、時間軸
正規化部４１において６０−；１６＝３余り２より３フ
レームおきを２つ、残りを２フレームおきに前記６０の
数値列からピックアップすれば、前記第１の信号に対し
て１６の数値の列が得られ、第２の信号についても同様
に時間軸正規化部４２の出力に１６の数値が得られる。

このようにして、一つの単語が３２次元のベクトルに変
換されることになる。

標準パターン記憶部５１．５２には認識すべき単語に対
して上記と同様な処理をして得られた各単語に対するベ
クトルが予め登録されている。

パターンマツチング部６１．６２の動作は、時間軸正規
化部４１．４２のそれぞれの出力ベクトルと標準パター
ン６１．５２の各ベクトルとの距離をそれぞれ計算する
ものであって、ｉ番目の標準パターンに搦＼し、前記第
１の信号に対するベクトルをｂｊ　−（”ｊ　＋　ｂ２
　＋・・・・・・ｒ　”＋６　）、前記第２の信号に対
するベクトルをｂ□−（ｂｌ、ｂ２．・・・・・・。

”＋６）、時間軸正規化部４１．４２の出力ベクトルを
それぞれ、”−（ａＩ　＋　ａ２１・・・・・＋”＋６
）＋”　＝　（ａ′１＋　；２　＋　　・・・・・Ｉａ
’ｌ）とするとき、等を両者の距離と定義できる。ｄｉ
は前記３２次元ベクトルの間の市街距離、ｄｉは前記３
゛２次元ベクトルの間のユークリッド距離、ｄｉ′は前
記３２次元ベクトルをそれぞれ前記第１の信号と前記第
２の信号の１６次元ベクトルに分け、それぞれの信号に
対するユークリッド距離の和である。

本実施例のような簡易な装置においては、ｄｉ　　を距
離とするのが計算量から言っても実際的である。

判定はｋ）ｉなるすべてのｉに対し、 ｄｋ＜ｃｉｉ を与える標準パターンに対応する単語を認識結果とする
。

以上のようなパターンマツチングにおいて生ずる問題点
について以下述べる。

第４図は″トーキヨウ”という音声を入力した場合の各
フレームにおける零交差回数を図示するものであって、
第４図（ａ）は前記第１の信号に対するもの、第４図ω
は前記第２の信号に対するものである。横軸は前記１６
次元ベクトル各番号を示し、各フレームの生起する順番
に並んでいる。縦軸は各成分の大きさを示し、各フレー
ムに対応する零交差回数セある。実線は１回目に発声し
たとき、破線は２１目に発声したときの結果である。

両者を比較すれば、第４図（ａ）は比較的揃っているが
、第４図（ｂ）は１成分ずれていると見られる。

一般には、第４図（ａ）の場合も１成分ずれることは度
々ある。これは長く発声した場合と短く発声した場合に
す両者とも１６の成分として、それぞれに対して均等な
間隔で数値をピックアップするためにしばしば生ずる現
象である。しかも、本実施例におけるように、前記第１
の信号に対する場合と、前記第２の信号に対する場合と
傾向が必ずしも同じではない場合がある。このようなこ
とが生すると実際には同じ単語を発声しているにもかか
わらず、両者の距離が遠くなってしまい、誤認識の原因
となる。この欠点を補う最も有力な方法は動的計画法に
よシ、時間軸の非線形伸縮を行ってパターンマツチング
を行う方法があるが、前記の如き欠点がある。

そこで本実施例では入カバターンを１成分前後にシフト
してマツチングを行うもので、しかも、前記第１の信号
と前記第２の信号についてそれぞれ別々に距離を求め、
その和によって、この入カバターンと比較の対象となっ
ている標準パターンとの距離とするものである。すなわ
ち、ｉ番目の標準パターンを、前記第１の信号に対する
ものをｂｌ、ｂ２．・・・・・・１ｂｊ６．前記第２の
信号に対するものをｂｌ７　＋　ｂｌ８　＋・・・・・
・、ｂ３２とし、入カバターンを前記第１の信号に対す
るものを”Ｉ　＋　ａ２　ｒ・・・・・。

ａ、６、前記第２の信号に対するものをａ１７　ｓ　”
１８　＋・・・・・・、ａ５２とするとき、 を前記ｉ番目の標準パターンと前記入カバターンとの距
離とするものである。ただし、ｍ１ｎ（）は〔〕内の最
小値のことであシ、右辺第一項にｉ おいてはｂｏ−ｂｌ、ａｏ＝ａ１、右辺第２項において
は”ｌ　６　＝　”＋７　＋’　”＋６　＝　”＋　７
である。すなわち、系列間のパラメータの対応において
、一方をシフトしたとき、系列の両端に存在するパラメ
ータは比較すべき相手がなくなるが、この実施例では、
そのようなとき、頭部のパラメータは２回生ずるものと
し、尾部のはみ出たパラメータは無視している。

第４図の例で実線を標準パターン、破線を入カバターン
としたとき、これを求めてみれば、ｄｉ＝ｍｉｎ　（２
５，７了、８５）　十ｍｉｎ　（３１，２８，５８）＝
　２５　＋　２８ ＝　６３ となる。この場合は前記第１の信号に対してはシフトせ
ず、前記第２の信号に対しては入カバターンを１つ左ヘ
シフトした場合に相当する。

以上のようなマツチング方法によ＃）４ビット程度のマ
イクロコンピュータでも十分な速度で動作するかなシ確
度の高い音声認識装置が実現できたものである。

なお、系列間のパラメータの対応における頭部尾部の前
記実施例のような処理の他に、前記実施例とは逆に、頭
部のはみ出たパラメータは無視し尾部の足らざるパラメ
ータは最後尾のパラメータが２回生ずるとしてもよいし
、はみ出た部分は両方無視し、シフトしない場合も頭部
あるいは尾部のパラメータを無視するようにしてもよい
。あるいは距離を求めるべき両系列間の対応するパラメ
ータのみについて、その対応のさせ方をしたときの各パ
ラメータ間の距離の平均を両系列間の距離とする等種々
前えられる。

さらに、本実施例では、一方のパラメータの系列を＋１
ずらせる場合を述べたが、一般には±にずらせることも
勿論考えられる。しかし、実験の結果では、本実施例の
ような構成においては±１ずらせる場合が最も良い結果
が得られたものである。

以上のように本発明は認識率を上げるとともに、例えば
数単語程度の音声認識を行なう際には４ビット程度のマ
イクロコンピュータを用いて音声認識を行なうことがで
き、その工業的価値は大なるものがある。

【図面の簡単な説明】

第１図は零交差数を特徴パラメータとする従来の音声認
識装置のブロック図、第２図は音声波形図、第３図は本
発明の一実施例における音声認識装置のブロック図、第
４図はパターンマツチング方法を説明する図である。 ８・・・・・微分回路、３１．３２・・・・・・零交差
検出部、４１．４２・・・・・時間軸正規化部、５１．
５２・・・・・・標準ハターン記憶部、６１．６２・・
・・・・パターンマツチング部、７０・・・・・・判定
部。 代理人の氏名　弁理士　中　〆　敏　男　音孔１夕第１
図 第２図 第３図 １

Claims (1)

1. 【特許請求の範囲】 入力音声信号から一定時間毎に第１の零交差数を計数す
   る第１の零交差計数手段と、前記入力音声信号の微分信
   号から一定時間毎に第２の零交差数を計数する第２の零
   交差計数手段と、前記第１の零交差数の系列から一定間
   隔で一定数ｎ（但し、ｎは整数）の零交差数を順次抽出
   するとともに、ｎ個の零交差数の系列ａ１．ａ２．・・
   ・・・・、　ａｎを得る第１の零交差系列手段と、前記
   第２の零交差数の系列から一定間隔で一定数ｎの零交差
   数を順次抽出し、ｎ個の零交差数の系列ａｎ＋＋　ｌ　
   ”ｎ＋２＋・・・・・・。 ａ２ｎを得る第２の零交差系列手段と、認識語粟として
   予め登録されている２ｎ個の零交差数からなる各単語に
   桿応する各標準パター７と、前記入力音声信号から得ら
   れた前記入カバターンａｌ＋ａ２＋・・・＋　”ｎ　＋
   　ａｎ＋＋　１・・・・・・＋ａ２ｎとの距離を求める
   際、比較すべきｉ番目の標準パターンを扇、ｂ２ｉ。 ”ｎ　ｒ　ｂｎ＋１＋　ｌ）ｎ＋２１　”’　”’　＋
   　ｂ２ｎとし、零交差数αと零交差数βに対して両者の
   距離をｄ（α、β）と表すとき、ｄ（ｂｊ　、ａｊ）＋
   　ｄ（ｂｊ−に、ａｊ　）　　＋ｄ（ｂｊ　＋　ａｊ　
   −ｋ　）のｊ　＝　１〜ｎに対するそれぞれの平均値あ
   るいは和の第１の最小値と、ｄ　（弓、　ａｊ　）。 ａ（ｂ）−に、ａ３）、　ｄ（ｂ３　＋ａ３−ｉｃ）の
   ｊ＝ｎ＋１゜〜２ｎに対するそれぞれの平均値あるいは
   和の第２の最小値を求める手段とを備え、前記第１の最
   小値と前記第２の最小値との和を前記ｉ番目の標準パタ
   ーンと前記入カバターンとの距離゛とし、この距離が最
   小となる前記標準パターンに対応する単語を前記入力音
   声の認識結果とするようにしたことを特徴とする音声認
   識装置。