JPS58193595A - 電話情報入力装置 - 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】 本発明は電話による情報の入力、とくに音声社識を利用
した情報入力装置に係９、特にその機能を押しボタン０
１号による入力の併用にも拡大するのに好適表音声認識
装置の構成に関する。

従来の電話機による情報の入力手段には次の２つがある
。ｌ）押しボタン信号入力（以下ＰＢ大入力略す）、２
）音声ａｌｌ入力（以下音声入力と略す）。

１）　は音声帯域正弦ｆｆ２周波（高域、低域各１周波
）の組み合せによる人工的な信号で、現在規格を統一さ
れて使用されているものは低域４周波、高域４周波の組
み合せで原理的に１６種類の情報上入力することができ
る（松坂、上原、矢谷：押しボタンダイヤル電話用信号
方式二日本電信電話公社電気通信研究所研究実用化報告
１７−１１゜Ｐ２４１Ｊ１８和４３年１１月参照）。

この１）の方法によれば情報は確実に入力できるが、情
報をすべて数字コードに変換して入力しなければならず
、また押しボタン電話機が使えないところでは情報を入
力することができない。

２）は音声認識によって、音声の１まで情報を［接入力
しようとするもので、便利ではめるが、常に確実、正確
に情報が入力できるとは限らない（長島、中津：ｔＳ単
位の憚準バタン？用いた実時間単＠音声認識装置、日本
音響学会音声研究会資料、８７８−２２．ｘ９！Ｉ９．
渡辺、亘理、千葉他；不特定話者用音声認識装置５Ｒ−
１０００シリーズ、日本音響喜合講演論文集、３−１−
２４゜１９８１年５月） 本発明の目的は、従来の音声認識装置の構成を基本とし
、これにごくわずかの追加を行うことによって、あらか
じめ音声信号かＰＢ倍信号がわからなくても、それぞれ
認識が行なわれ、そのことによって音声とＰＢ倍信号自
由に併用して使用でき、電話機による情報入力の機能を
拡大する手段を提供することにある。

１ず、従来の電話情報入力用音声認識システムの構成を
第１図に示す。

第１図において、加入者電話機１１から交換機１２を通
った音声信号１２１は音声認識部１３に入力され、業務
処理部１４からの認識要求信号１４１を受けてその認識
処理をおこなう。主業務処理部１４では、ｕｉｌ＆結果
を確認するためにＶ識完了信号１４２を受けて音声出力
部１５に出力要求信号１５１を送出し、音声出力の終了
を出力要求信号１５２により確認する。

一方、交換機１２からの応答信号１２２を受けて発信制
御部１６から出力された応答信号１６１が主業務処理部
１４に入力されると、電文処理部１７にたいして送信要
求信号１４３が送出さ扛る。

これを受けた電文処理部１７は通信制御部１８にたいし
、送信要求信号１７１を送ることによりリレーコンピュ
ータ１９から発せられ通信制御部１８を通った電文１８
１を受信して発信制御部１６にたいし発信要求信号１７
２を送り信号１６２を発信させる。

第２図は第１図における音声認識部１３のブロック構成
を示す。

第２図（ｂ）で示す波形のへ力音声２０（ｉｃｈｉ）か
ら音声分析部２１において抽出された特徴パラメータの
系列２１１と音素標準パターンメモリ２２中に格納され
ている例えば１６組の音Ｘ（ａ。

ム、・・・・・・、ナト）の特徴パラメータ（最尤スペ
クトルパラメータ、ＬＰＣケプストラム係数など）との
距離が距離計算部２３において計算される。

距離計算部２３から出力された距離の系列２３１と単語
辞書メモリ２４中に格納されている標準単語（たとえば
、単語番号１，２．・・・・・・に対応してそれぞれ音
素記号系列ム＊ｃｈｉ、ｎｉ、・・・・・・などで表わ
される単語）との非線形マツチング演舞がＤＰマツチン
グ部２５においておこなわれ、その結果得られた距離和
２５１の大きさにもとづいて単語判定部２６で入力音声
の判定がおこなわれ、認識結果２７が出力される。

このし繊処理の特徴は、電話人力された不特定話者の音
声綾織ｉ、１６組の音素標準パターンによるフレーム別
認識をおこなう第１段と、フレーム別認識の結果と音素
記号系列単語辞書とのＤＰマツチング全おこなう第２段
とからなる２段のバタン整合に分解し、第１段では音素
標準バタンにたいして話者の音声波形における音響的な
特性にもとづいて１６組のクラスタリング（組み合け）
をおこない、第２段では１つの単語に対して複数個の音
素記号系列単語辞薔をもうけて、発話の変化、たとえば
母音の無声化や鼻音化、に対処していることである。本
方式はこの２段処理によって「−桁の数字音（０〜９の
１０語月および、「はい」、「いいえ」、「どうぞ」、
「もう一度」、「はりゆう（保留）」、［とりけしく取
り消し）」の６飴を含む１６飴に対して６２０名の男女
による認識結果の一例を表１に示す（を電公社通信研究
所発表）。

表１　男女別の誤り率〔％〕 なお、表１で距離尺度としてとられているのは、を声認
識のための特徴として吠われるパラメータの一例であり
、このいづれを用いても誤り率はほとんど差のないこと
をあられしている。

この方式のもう一つの％徴は、１６組に分類８れた多数
の（最大４０個程度）音素標準パターンとの整付によっ
て、フレーム別に音素系列を認識し、その結果と単語音
素系列との比較によって単語を認識するに当って、その
処理量を軽減し、実時間認識を可能にするため、そのフ
レーム別音素１ｇ１ｌｌ第３図（ａ）に示すように２段
に分けて階層的に行っていることである。す力わち、１
６組のバタンの中、男声の代表として作られている例え
ば第１の組と、女声の代表として作られている例えば第
１６の組との２＠の標準パターンで、まず第１段の認識
を行い、その中で整合度の良いものＮ飴をえらび、その
Ｎ梧に対象を限定し、改めて上記１６組の音素標準パタ
ーンのすべてを便って再認ｗ＃、を行う。Ｎの数として
は第３図（ｂ）に示す実験結果からＮ＝４にとれば、譲
認識による訓りが少なく、処理ｔ（計算量）も少なくて
すむことがわかる。ここで計算量の比率とは、 結果的に１６語に対して１６語×１６語＝２５６組ＸＩ
Ｆｉ（７）処理ｅ、２組Ｘ　１６１１＋　１６組ｘ４語
＝９６組Ｘ語の処理に軽減している。

さて通常のＰＢ倍信号、いわゆるＰＢ信号受信器で検出
される。通常の使い方では情報を入力する信号の形式が
ＰＢ倍信号あるか音声信号であるかはあらかじめ決まっ
ており、分離して行なわれる。例えば通常の１史い力で
はＰＢ倍信号情報センターへのアプローチに使われ、第
１図における発信制御部１３で受信検出される。

本発明のポイントはすでに述べた第１図の音声認識部１
３へ、音素および単語の１個としてＰＢ倍信号加え、音
声認識と全く同じ形式でＰＢ倍信号検出することに半っ
て、音声とＰＢ倍信号情報入力手段として併用してもよ
いようにしようとするるものである。ただし音声信号と
ＰＢ倍信号同時共存は仮定しない。

まず簡単に、１６組の音素バタンのすべてと総当りでフ
レーム別音素醪識が行なわれる場合を考える。このとき
は１６組の各組に１個、あわせて１６種のＰＢ倍信号擬
音素樟準として割り肖て、その検出に必要な特徴パター
ンを音素標準パターンメモリに記憶させておけばよい。

ＰＢ倍信号対応する単語辞書としては、受信検出しなけ
ればならないとされている時間以上（たとえば現行規定
によれば４０ミリ秒以上）同一のＰＢ倍信号対する擬音
素標準が維持するという条件を満足するように構成すれ
ばよい。

次に最初２個の代表クラスターによって第１段目の認識
が行なわれるという階層処理の場合に＃ｉ次のように考
える。

１）第１段目の認識でＰＢ倍信号あることを検出する。

２）第１段目認識でＦＢ傷信号検出された場合第２段目
でそのいづれであるかを認識する。

以下さらに具体的に説明する。

音韻認識において、ＬＰＣ（脚形予測）分析にもとづい
てｔ度比による整合をとる場合について考える。

０．３ｋＨｚから３．４　ｋ　Ｈｚまでに帯域制限され
た音声信号に対して、通常ｐ＝１０次の分析が行なわれ
る。

この分析の結果、原理的にはｐ／２個のスペクトルの共
撮周波数いわゆるホルマント周波数が指定される。すな
わちｐ＝１０の場合、５個の周波数を指定することがで
きる。この５個の周波数を、低、高の画周波数帯に、第
４図に示すように割り当てｔば、１６個の周波数の中の
任貴の６個をカバーするように設定することかで傘、２
組によって任意の１２個をカバーするようにすることが
できる。

第４図において、１，２，３，４．５はす１クラスタの
割り当て周波数を示し、Ｉ、ＩＩ、Ｉ、ＩＶ。

■は＋１ｂクラスタの割り当て周波数を示す。

ＰＢ倍信号しては、１６個の中から実際には１０数字と
制御用に２個（たとえば畳印とφ印）が用いられるのが
普通であり、１２個を検出できればよい。日本国内では
低域は４周波（６９７゜７７０．８５２．９４１Ｈ２）
であるが、高域は３周波（１２０９，１３３６，１４９
７Ｈ２）Ｌか使っていない。

これらを横用するパラメータは次式から導出することが
できる。

指定周波数を（ｆｔ　　）＝（ｆｓ　＃’＊　、ｆｓ　
。

ｆａ　−ｆｓ　　）とするとき ここでＴはサンプリング周期、ｂｌけｆｌの共損帯域幅
であり、ＰＢ倍信号場合、許容信号周波数変動幅は±２
０％と規定されているがらＪ＝ｆ＠×４％程度にとれば
よい。

これから （Ｚ−β１）　　（Ｚ　　　／１）（Ｚ−β雪）（Ｚ−
７＊　　＋（Ｚ−β６）（Ｚ−β、）　・曲曲曲・・・
・曲（１）のｌＯ次方程式を作り、それを ｚＩ０＋ａ、ｚ’　＋ａ、　ｚ’　＋−曲−＋α、Ｚ＋
α、。

・・・・・・・・・・・・　Ｃ） とおいて（１）式と（２）式のＺの等べき係数をα１９
、・・・・・・α１゜　とおけば、（α８．・・団・α
、。）が求められる。

音韻標準バタンとして使われる逆スペクトル係数は、こ
のαの系列にα。とじた１を加えた系列の相関係数とし
て、 八〇＝１＋α１′＋α、！＋　・・・・・・・・・　＋
α１ｏ！Ａ、　＝α１＋αｌ”ｌ＋α、α、＋・曲・・
・・＋α。α、。

Ａ、　＝α。＋α、α、。

ＡＩＯ：ｄＩＯ と求めらｎる。

φ２からφ１５までのクラスタに記憶される音素パラメ
ータは、現実の個々のＰＢ倍信号−Ｌ　ＰＧ分析するこ
とによって求めることができる。

なお実際には１２個のＰＢ信号全すべて対象とする必要
はなく、第４図にその１例を示すように、ナｌクラスタ
によって６種類、ナ１６クラスタによって６種類が指定
されるから、この６種類についてのみ第２段の認識実験
を行えばよい。

本発明の一実施例を第２図を用いて説明する。

入力音声２０（擬似音声波形としてＰＢ倍信号あること
もある）は音声分析部２１で相関係数（ｒ　、　＜ｘ）
）の算出とＬＰＣ（線形予測）分析がさ１（、残差嘴力
Ｅ。Ｘが計算される。

次に距離計算部２３で各フレーム毎に音素標準パタ７（
Ａ＋”））、ｊ　：０〜１０．ｎ＝１〜８と入力Ｘ（Ｄ
相関Ｑｉｌｌ　（ｒ　Ｉ”’）、　ｉ　＝　０〜Ｉ　Ｏ
とＥｏによって次式によって尤度比が計算される。

・・・・・・・・・・・・・・・　（３）このり、”ｉ
尺度とする入方ｆ木系列マトリックスと音素記号系列単
語辞書との間でＤＰマツチングによる整合がとられ、最
適整合のものがＵＲ結果として出力される。その場合、
すでに説明したよう［１６組の音韻クラスタにおいて、
代表的な２つ、たとえば÷１（男声代表）とす１６（女
声代表）のみを用いた第１段のｖ！識が行なわれ、候補
単語がＮ個にしぼられる。このとき、ナ１とす１６のク
ラスターに追加きれたＰＢ信号検出用のバタンによって
第１候補がＰＢ倍信号あると検出されたときは、Ｎ個の
候補として、１２種類のＰＢ倍信号中の６個を候補とし
て第２段目の開繊を行う。その他は従来の音声認識と全
く同じである。

この場合、個別ＰＢ倍信号対応する擬似音素ノ（タンを
２組から１５組に１個づつ加えないで、第１７組として
ＰＢ倍信号のクラスタ全構成すれば、第一段目でＰＢ倍
信号して検出され念ときは、このクラスタについてのみ
フレーム別音素認識を行えばよいように構成することも
できる。

また一般に行なわれている単語レベルでの複数標準バタ
ンによる音声認識においては、ＰＢ倍信号対してＩｄ１
６組クラヌクラスター総当明した一段目の認識のみでよ
いことは自明である。

以上駿明したように本発明によれば、音声とＰＢ倍信号
何ら区別することなく電話による情報入力手段として利
用することができ、音声入力の簡便さとＰＢ大入力確実
さの特色を活かした情報入力が可能となる。

たとえば、音声によっては比較的長く、文脈効果の利用
しゃすい制ａｔｉ詰のみを入力し、短かくて文脈効果の
利用しえない数字データはＰＢ大入力するといった使い
方も可能となる。

あるいＦｉＰＢ電話機を利用できる人には確実なＰＢ人
力を、利用できない人には音声入力を使うシステムをサ
ービスすることもできる。

【図面の簡単な説明】

第１図は従来音声認識応答システムの構成図、第２図は
その音声認識部の説明図、第３図は実際に行なわれてい
る階層認識処理の説明図、第４図はＰＢ信号検出用擬似
音韻パタンによる検出可能領域の説明図である。 第　１　　回 ￥Ｊ　Ｚ　図 （ＡＪ （ｔλ ＋　　２−−−−−一−−−−／／ 第　３Ｉ２１ ４ｔ〕山１ｔｈｆ友　　Ｎ 冨　　４　　図 ｒ−−−−’−−−−−コ イ色Ｖ氏メ≧１メＩ廻牧

Claims (1)

【特許請求の範囲】
1. １、話者別に分類でれ九複数組の音素標準ノくタンと認
   識すべき単語に対応した！素系列単語辞書とを有する音
   声認識装置において、押しボタン信号の有無を横用する
   逢めの第１の擬＊ｆ素ノ（タンを音素標準パタンの特定
   の組の中に有し、残りの組内に個々の押ボタン信号を認
   識するための第２の擬似ｆ累バタｙを持ち、第１および
   第２の擬似音素パタンに対応した擬似音素系列単語辞書
   を設けたことを特徴とする電話情報入力装置。