JPS5880697A - 音声認識方式 - 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】 この発明は音声認識方式、４１Ｉに登鍮方式の単語音声
認識１１ｊ＃に用いて好適な音声認識方式に関する・ 一般に登最方式の単語音声認識装置は、−一に用いる音
声単位４１ＫＩＩ準パターンを予め登−しておき、入力
音声パターンと壱登鐘標準パターンとの比較を行い、入
力音声パターンと比較して整置の最も棗い標準パターン
の単一をもって一識細果と判定するもので、これには通
常ＩＩ形伸縮パターンマツチングの手法が用いられてい
る。この線形伸縮パターンマツチングは、長さの異なる
二つのパターン、例えば登−用音声パターンとｉｔ識期
用入力音声パターン線形伸ａｔによって同じ長さにした
後、両者間の簡単な距離計算を行うものである。

ところで、このような線形伸縮による単純なパターンマ
ツチングを用いた従来装置の場合、上述の如く１つの登
録用音声パターンに対して１つのｇｙａ用入力音声パタ
ー／だけでマツチングをとっているので、音声区間の始
め又は終りの音韻が無声子音等の場合、音声区間の切り
出し位置が、同様の発生においても安定せず、これによ
って生じるパターン間のずれが吸収できないために、ｌ
ｉ織性能の劣化を生じると云う不都合があった。

この発明は、斯る点Ｖｃｆ１１みてなされたもので、簡
単な線形伸縮によるパターンマツチング方式等を採用す
る場合に、音声区間の切り出しの不確定性に起因する認
識性能の劣化を防止することができる音声ｉ！繊方式を
提供するものである。

以下、この発明の一実施例を１１１図乃至第５図に基づ
いて詳しく説明する。

先ず、第１図及び第２図を用いてこの発明の基本原理を
説明する。第１図Ａ＃／Ｃ示すような音声信号８１　に
おいて、音声区間を切り出し、例えば各２５ｍ５毎ｋｌ
Ｆ＃微パラメータを求め、ｌ〜ＮＦ番目のフレームから
成るデータＤｌを得る。この特徴パラメータとしては例
え）ｆ　ｔｓｏＨｚ〜４ｋＨｚの８チヤンネルのスペク
トルデータな考えると、このときのデータ量は８チヤン
ネルｘＮＦ（フレーム数）となる、従って、例えば１秒
の音声データでは８チヤンネルＸ４Ｇセグメント、１．
５秒では８チヤンネルＸ６Ｇセグメントと入力された音
声の時間長によってセグメント数（フレーム数）すなわ
ちデータ量が違って来る。

そこで、入力された音声の時間長に無関係に音声の比較
を行うために１フレーム数の異なる調々の音声を全て、
−１時間軸を線形に伸縮させるＣとｋよって、第１図Ｂ
ｉ示すように音声区間を時間方向に１ｇのセグメントの
データＤ！に正規化する。

なお第１＠ＩＢにおいて、８２は信号Ｓｓ　Ｖｃ対応し
た線形伸縮後における音声信号を表わしている。そして
この時間軸の正規化に際しては、元のデータＤ１の最初
と最後のフレームすなわち第１番目と１ｇＮＦｌ目のフ
レームは、そのまま正規化デ、−タＤ２の纂ｌと第１６
のセグメントに夫々保存し、第ｉｌｌと第ＮＦ＠目の間
の各７レームは線形に補正−して各セグメントのｍｖ得
るようにする。

次に上述の如（１６儒のセグメントＫＩＩｉｌ形伸縮さ
れた音声信号のうち、先ず畳縁用音声パターンに付いて
は、第２図Ａ）（示すように最初と最後のセグメントを
除いたＦ２〜Ｆ５の１４個のセグメントから成るデータ
Ｄａ　ｌ（よって構成する。これに対し、認識用入力音
声パターンとしては、第２図Ｂ乃至Ｄ）（示すようなｌ
セグメントずつシフトした３檜のデー！Ｄ４〜Ｄ藝を考
える。すなわち第１番目のデータＤ４は菖２図ＢＫ示す
ようｌ（Ｆｔ’〜Ｆ１４′の１４個のセグメントから成
り、ｇｚ＊目のデーｆｉ　Ｄｓ　ハ第２ｍＣ１Ｃ示すよ
うにＦ２’　〜Ｆｔ　ｓ’の１４個のセグメントから成
り、！３番目のデータＤ・はＩｌ！２　ｍｌ　Ｄ　Ｋ示
ｊ　１５　Ｋ　Ｆｍ’　〜Ｆｔ＠’カラＪｉＥ　６６そ
してこれ等３個の認識用入力音声パターンと登録用音声
パターンに付いて、次のような距離計算を行う。

Ｄａｙ　＝　ＪＩＸｊ　ｊ　−Ｙｉｊ　　　　・・・・
”””　（１）Ｊ 上記（１）式においてＸは畳縁用音声パターンのデータ
、Ｙは認識用入力音声パターンのデータ、１はｉ番目の
セグメント、ｊは１番目のチャンネルを夫に＠わしてい
る。

上記（１）弐に基づいて求めた畳縁用音声パターンに対
する３個の各認識用入力音声パターンの距−のうち、最
小の距離をｌａ！識用入用入力音声パターン録用音声バ
ター／との距離とする。つまり、距離膓αが最小となる
登録用音声パターンのデータな、ｖ！繊吊用人力音声パ
ターンデータに対する認識結果とする。

更Ｋｇ＠の閾値−を設け、最小の距離ＤｘＹ（ｍｉｎ）
虻ＤｘＹ（ｍｌｎ）＜−のときは認識結果は有効、取ｙ
（ｍｉｎ）〉θのときＫは除去とするようＫしてもよい
。

このように、この発明では単一の登鎌用音声ノ（ターン
と、このパターンに対して時間的に所定長シフトした複
数個のｇｍ用入力音声パターンとを拳法比較して両者の
距離を求め、その求められた距−のうち最小のものを認
識用入力音声パターンのデータに対する認識結果とする
ようＫしたので、従来音声区間の切り出しの不確定性に
起因する認識性能の劣化が防止されることになる。

第３図はこの発明を実施する場合に用いて好適な異体的
回路構成の一例を示すものである。同図において、（１
）はマイクロホン、（２）は増幅器、（３）はＡＧＣ回
路、（４１）〜（４８）は８チヤ／ネルに対応し【設け
られた帯域フィルタであって、これ等の各帯域フィ゛ル
タは第４図に示すように単峰特性のフィルタからなり、
例えば１５０Ｈ！〜４ｋｌ−１ｇを８チヤンネルに分割
し、各フィルタの周波数特性がピークの３ｄＢおちの腿
で交わるように設定されている。

（５１）〜（５魯）は整流・積分回路、（６）はマルチ
プレクサ、（７）はアナログ／ディジタル変換１！（以
下、Ａ／Ｄ変換器と云う）　、　（８）はマイクロコン
ピュータであって、このマイクロコンピュータ（８）は
人出力回路（８ｍ）、中央処理回路（ＣＰＵ）（ｓｂ）
、音声ｕｅｉｉ＋のプログラムを内蔵するＲ　ＯＭ　（
８Ｃ）、ＲＡＭ（８ｄ）を有する。また、（９）は登録
用スイッチ及び認識用スイッチを含むリセットスイッチ
回路、ａ・は表示器である。

マイクロホン（１）より入力された音声信号は、増幅器
（２）で増幅されてＡＧＣ回路（３）に供給され、ここ
でそのＡＧＣ効果により全体のレベルを掬える。

ＡＧＣ回路（３）の出力信号は第４図に示す周波数特性
をもって配設された帯１フィルタ（４１）〜（匂）Ｋよ
り周波数毎に配分され、更に夫々対応する整流・積分部
ＩＩ（５ｔ）〜（５８）で半波整流された後積分され、
もって出力側には夫々各帯域のスペクトル値が得られる
。

、整流・積分回路（５１）〜（５Ｉ）の出力信号は、Ｃ
ＰＵ（ｓｂ）　Ｋより制御されているマルチプレクサ（
６）に供給される。そしてこのマ、４．．．チプレタ？
（６）で選択された各チャンネルに対応する信号がＡ／
Ｄ変換器（ηに供給されて２５ｍ５毎ＫＪｌ［次ディジ
タル信号に変換される。

Ａ／Ｄ変換器（力からのディジタルデータはマイクロコ
ンピュータ（８）Ｋ供給され、ここで第１図及び第２Ｆ
ＩＪＫ関連して上述したような信号処理が行われる。

ＲＯＭ（８ｄ）Ｋ内蔵されている音声ｍ識プログラムは
、主としてメインルーチンとサブルーチンである音声入
力ルーチンとから成っている。

音声入力ルーチンは音声’に一８チャンネルのスペクト
ルデータとし−て、Ａ　／　Ｄ変換器（７）から入力バ
ッファに取り入れ、レベルの圧縮、時間軸の正規化を行
い８Ｘ１ｇバイトの特徴パターンを得る。レベルの圧縮
を行うには、８５図に示すように、　１フレーム（２５
ｍ５　）の８チャンネル分のデータ値の比率に基づいて
θ〜７の８個のレベル（３ビツト）Ｋ量子化する。異体
的には各チャンネルのスペクトル値引の平均のに、つま
り ！′別／３２　　　　　　　・・・・・・・・・・（２
）鳳 を量子化幅、として各チャンネルの値をＯ〜７０値に設
定し直す・これＫよって、音声の振幅（強弱）の影響を
取り除き、同時にビットの圧縮を果している。また時間
軸の正規化は第１図で説明したように行えばよい、この
結果、これらのプｇセスな経ることＫより、ｌっの単語
音声は８チヤンネルＸ１６セグメントのマトリクス状の
データとして得られる。

更にここで、ＣＰＵ　（８ｂ）　Ｋよる整流・積分回路
（５１）〜（５Ｉ）、マルチプレクず（６）及びＡ／Ｄ
変換器（７）の制御を詳述するに、先ずＣＰ　Ｕ　（８
ｂ）からの制御信号によりｌフレームの始めに全チャン
ネルの整流・積分回路（５１）〜（５８）の積分部の放
電スイッチ（図示せず）を所定時間例えば０．６ｍ−オ
ンして放電する０次にマルチプレクサ（６）のＩＮＨＩ
ＢＩＴ端子をセットし、１フレームの関すなわち２５ｍ
５その状態を保持する。この間はマルチプレクサ（６）
はどのチャンネルも後段につながず、各チャンネルの整
流・積分回路（５１）〜（５８）は対応する帯域フィル
タ（４１）〜（４畠）の出力を積分している。そして２
１１ｍ１４１ｉｃマルチプレクサ（６）のセレクｌコー
ドを先ずθにセットし、ＩＩＥＩチャンネルすなわち帯
域フィルタ（４１）の系を後段につなぐようになす、そ
して少しおいてからＡ／Ｄ変換Ｉ！１（７）に動作開瞼
指令をＣＰ　Ｕ　（ｓｂ）より与えてＡ　／、　Ｄ変換
を行い、そのデータを入力バッファに記憶する。

次にマルチプレクサ（６）の七しクトコードを１にセッ
トし、同様にしてＩＩ！２チャンネルのデータを入力バ
ッファに記憶する。この動作を＠８チャンネルまで同様
に繰り返えし行うと、バッファ上で上述のビット圧縮等
を行った後、また放電スイッチがオンになる。これを１
フレームとして音声区間のデータが８次元の時系列デー
タとしてバッファに記憶されてゆく。

また、メインルーチンでは電源オンと同時に、先ず初期
条件の設定を行い、リセットスイッチ回路（９）内の登
録用スイッチ又は認識用スイッチを検出する。これ等の
スイッチのいずれかがオンになるととＫよって、夫々対
応するモードすなわち登録モード又は認識モードとなる
。

登録モードではｌ単語、１回分の音声の登録を行う、先
ず、音声入力ルーチンで、上述した８×１６バイトの特
徴パターンとしてバッファに音声が入力される。このデ
ータは現在の登録番号に相当す７るＲ　Ａ　Ｍ　（８ｄ
）内の脊骨用のメモリに移される。このときに、上述の
如く１データは既に有効ビットが３ビツトとされている
ので、１バイトに２データ（ｌデータ４ビツト）パック
して記憶する。よって警鐘用のメモリに占める１音声デ
ータの量は、この場合６４バイトとなる。メモリにデー
タが移されると現在の登録番号を表示器顛に出力して始
めのスイッチ入力待機の状ｍに戻る。

そして登録を何語分か行う場合は、ｌ単語の登録が終っ
た後に続けて登録用スイッチをオンするととＫよって次
の登録番号に相当するメモリに対応する音声が登録され
る。

一方認識モードでは入力した音声パターンな既に登録さ
れている音声パターンと比較して識別する。先ず、音声
人カルーチクチ、入力した音声が特徴パターンとしてバ
ッファに記憶される。これを第２図に関連して上述した
パターンマツチングによって各登録データとの距離計算
を行い、比較及び閾値判定で登録した音声パターンのう
ちの１つに識別するか、或いはどれでもないと云うこと
で除去するようＫする。そして最後にこの結果を表示器
（ＩＧＫ出力し、例えば認識した登録番号かＦ（除去）
の符号で表示させ、再度最初のスイッチ入力待機の状１
１に戻る。

上述の如くこの発明によれば、単一の登録用音声パター
ンと、この登録用音声パターンに対して時間的に所定長
シフトした複数個のＩｉｌ繊用入用入力音声パターン順
次比較して両者の距離を求め、その最少値をもって登録
用音声パターンと認識用入力音声パターンの距離とする
、つまり距離が最小となる登録用音声バターｙｖ％　＆
！識用入カバター／に対する認識結果とするようにした
ので、音声区間の切り出しの不確定性に起因する認識性
能の劣化を防止でき、ハードウェア上の規模を何等質え
ることなく音声認識装置のｉＩ繊性能の向上を計ること
かできる。

なお、上述の実施例では、音響特徴量な取り出すのに、
　　１５０Ｈｚ　〜４ｋＨｚを８帯埴に分割した２５ｍ
ａ毎のスペクトルデータなチャンネル間で正規化し、３
ビツトに量子化する場合に付いて説明したが、仁れらの
数値は例示的なものであり、これＫよってとの発明が何
部制限されるものではない。

【図面の簡単な説明】

第１図及び第２図はこの発明の基本原理の説明に供する
ためり線図、第３ｍはこの発明の一実施例を示す回路構
成図、第４１１１及び第５図は第３１１１１の動作説明
に供するための１１図である。 （１）は！イクロホン、（４１）〜（４−）は帯域フィ
ルタ、（５ｓ）〜（５ｓ）は整流・積分回路、（６）は
！ルチプレクサ、（７）はアナログ／ディジタル変換器
、（８）はマイクロコンピュータである。 第１１′ ｒ、′”；　　７　１．１ 手続補正書 １．　’ＪＧ件の表示 昭和Ｓ・年特許願第　＄７８７１参　　号２・発明”　
名称　　音声■織方式 ３、補ＩＦをする若 ・１′、−件との関係　　　特許出願人６、補ＩＦによ
り増加する発明の数 （１）　　１！１１１書中、籐４頁Ｓ〜６行の「補正」
を「補間」と訂正する。 （２）　　同、１ｓｌｓ買３行の（１賦童下記の如く訂
正す−る。 Ｄｘｒ　＝　Ｊ　ｌＸ１ｊ　−Ｙｉｊ　Ｉ　　　　−−
−−−（ｔ）（３）−画中、１１ＩＳ−を別紙のとおり
に訂正する。 以上

Claims (1)

1. 【特許請求の範囲】 単一の登録用音声パターンと、該登録用音声バター／に
   対し【時間的に所走長シフトした複数個の認識用入力音
   声パターンとを順次比較しズ距離を求め、ｗ！ｊＩｌｌ
   ｉが最小となる上記登鍮用音声パターンを上記ＩＩ認識
   用入力音声パターン１ｌｌｌ繊細果とするようにしたこ
   とを轡徴とする音声認識方式。