JPS5936759B2 - 音声認識方法 - Google Patents

Description

【発明の詳細な説明】 本発明は、音声認識方法、特にパラメータを抽出して単
語音声の認識を行なう音声認識装置において、少なくと
も音声区間であること、高レベル区間または低レベル区
間であること、スペクトルの定常性があること、更には
パラメータＭｌ，Ｍ２を抽出してそのパラメータに定常
性があることを夫々検出して例えば母音区間と子音区間
とに区別するようにし該区別された区間を利用して照合
を容易に行ない得るようにした音声認識方法に関するも
のである。

音声認識方法において各音素に対応するパラメータを抽
出して認識が行なわれるが、この種の認識方法において
処理速度を向上しつつ認識の信頼性を確保するために、
入力音声中の音素を比較的高い信頼度で認識可能な第１
群の音素（例えば母音の如き音素）とそれ以外の第２群
の音素とに分け、先ず第１群の音素記号列にもとずいて
入力単語の認識を行ない、第１群の音素記号列のみでは
区別し得ない複数の単語が存在する場合、それらを相互
に区別するに必要な第２群の音素中の認識限界音素をパ
ラメータの形のままで照合することが考慮された。

しかし、上記方法を採用するに当つては入力音声から各
音素区間を正しく抽出することが必要であり、更には第
１群の音素（以下簡単のため母音と称す）区間と第２群
の音素（以下簡単のため子音と称す）区間とを区別する
ことが必要である。

また上記の如く子音をパラメータの形で照合するための
有効な方法を開発することが必要となる。本発明は上記
の点を解決することを目的としており、本発明の音声認
識方法は音声信号の周波数分析結果を利用して少なくと
も母音と半母音と子音とに対応する各音素に対するパラ
メータを抽出し音声認識を行なう音声認識装置において
、音声区間検出手段、高レベル区間または低レベル区間
検出手段、およびスペクトルが予め定められた一定時間
以上定常であることを検出するスペクトル定常性検出手
段をそなえ、少なくとも上記３つの検出手段の出力にも
とずいて入力音声区間を各音素区間に区分せしめると共
に、区分された音素の始点と終点と当該音素の照合中心
点とを決定するタイミング決定手段をそなえ、上記少な
くとも子音に関して先に登録された音素パラメータと未
知入力音声における音素パラメータとを上記照合中心点
が相互に一致するよう対応付けを行ない、該対応付けを
行なつた状態で両者の照合をとるようにしたことを特徴
とし、第１ホルマント周波数および第２ホルマント周波
数に相当する量Ｍ１およびＭ２を抽出する抽出手段およ
びこれらのパラメータＭｌ，Ｍ２を使つてパラメータ定
常区間検出手段を構成し、予め定めた音素区間の補正を
行なうことを特徴としている。以下図面を参照しつつ説
明する。第１図は本発明の音声認識方法の主要部の一実
施例構成、第２図は各音素の特性をまとめて表わした説
明図、第３図Ａ，Ｂは本発明により区別される母音区間
と子音区間とを説明する説明図、第４図Ａ，Ｂ，Ｃ，Ｄ
は本発明によるパラメータ・レベルでの照合態様を説明
する説明図を示す。

第１図において、１は第１ホルマント周波数に相当する
量Ｍ１および第２ホルマント周波数に相当する量Ｍ２を
抽出するＭｌ，Ｍ，抽出部、２はパラメータ定常性検出
量ＳＭを抽出するＳＭ抽出部、３はパラメータ定常性検
出部、４はスペクトル定常性検出量Ｓｓを抽出するＳｓ
抽出部、５はスベクトル定常性検出部、６は複数の各フ
イルタからの出力の和Ｐｗ即ちパワーを抽出するＰｗ抽
出部、７は高レベル区間を検出する高レベル区間検出部
、８は音声区間を検出する音声区間検出部、９は音声終
端検出部で音声の終端を検出するもの、１０はパラメー
タＸｌ，Ｘ２抽出部、１１は母音区間検出部、１２は子
音区間検出部、１３は母音パラメータ抽出部、１４は子
音パラメータ抽出部を夫々表わしている。今Ｎチヤネル
のフイルタからの出力が導びかれるものとするとき、Ｍ
ｌ，Ｍ２抽出部１は、上記出力を利用して母音の認識に
有効な少数のパラメータを得るために、第１ホルマント
周波数および第２ホルマント周波数に相当する量Ｍｌ，
Ｍ２を抽出するようにする。

この抽出には次の式が利用される。

ここでＰｉ（Ｔｎ）は例えば１０ｍｓｅｃ毎の時点Ｔｎ
でサンプルされたｉ番目のフイルタ・チヤンネルの出力
であり、Ｗｉｊはのの荷重、Ｆｉはその中心周波数を表
わしている。なお荷重Ｗｉｊは、ホルマント周波数既知
の合成音のフイルタ出力から、求めた量Ｍｌ，Ｍ２がボ
ルマント周波数に一致するように実験的に決定される。
ＳＭ抽出部２は母音区間の検出の指標となるパラメータ
定常性を検出する量ＳＭを抽出するもので、いわぱ所定
のサンプリングの間にわたつて量ＭｌおよびＭ。を調べ
てゆく。量ＳＭは次式で定義 ．される。パラメーータ
定常性検出部３は、上記ＳＭ抽出部２によつて抽出され
た量ＳＭを順次検討してゆき、量ＳＭが予め定めた閾値
以下で、かつ予め定めた時間持続するときその区間にス
ペクトル定常性があつたものとして出力を発する。

Ｓｓ抽出部４はフイルタ群からの各出力から次式即ち、
で定義された量Ｓｓを抽出するものである。

スペクトル定常性検出部５は、上記Ｓｓ抽出部４によつ
て抽出された量Ｓｓを順次に検討してゆき、量Ｓｓが予
め定めた閾値以下で、かつ予め定めた時間持続するとき
その区間にスペクトル定常 １性があつたものとして出
力を発する。Ｐｗ抽出部６は各フイルタ出力の和を抽出
するもので、ｉ番目のフイルタ・チヤネルの出力をＰｉ
とするとき、あるサンプリング時点Ｔｎにおけるパワー
Ｐｗ（Ｔｎ）は次式で決定される。

即ち ２高レベル区間検出部Ｔは、音声のパワーが高レ
ベルであるか否かを検出するもので、上記Ｐｗ抽出部６
からの出力Ｐｗが次式即ちを満足するとき、その区間が
高レベル区間であるとみなすようにしている。

なお上記（５）式においてＰｍａｘはある単語区間中に
おけるパワーＰｗの最 ．大値を表わし、パワーＰｗが
該最大値Ｐｍａｘのα大〕をこえていることを検出して
いるものと考えてよい。音声区間検出部８は、音声が存
在するか否かを検出するもので上記出力Ｐｗが予め定め
た閾値を超えている区間を音声区間とみなすようにして
いる。

終端検出部９は、単語の終端を検出するもので、該終端
を検出した後につれにつづく処理が行なわれる。

第２図は各音素がもつ特性をまとめて示している。

図から明らかな如く母音及び母音連続音声はスペクトル
定常性をもち、かつ高レベル音である。そして母音区間
を決定するにはさらに上述のパラメータ定常性を用いる
ことも可能である。このことから、第１図図示の如く母
音区間検出部１１は次の条件のもとで母音区間を決定す
る。即ち、ハ 音声区間である。２）かつ高レベル区間
である。

３）かつスペクトル定常性がある。

４）かつパラメータ定常性がある。

上記に対して半母音および子音においては、１）音声区
間である。

ことを条件とし、 ２）スペクトル定常性がないかまたは高レベルでないか
のいずれかである。

このことから、第１図図示の如く子音区間検出部１２に
対して各検出部５，１，８，９の出力が供給され、これ
により該子音区間検出部１２は子音区間を決定する。

今第３図図示の如く単語「 ＫＯＳＡＩＮ」が発声され
各フイルタ群からの出力の和Ｐｗが第３図Ａ図示の如き
時間経過をとつたとする。

このとき、第１図図示の各検出部３，５，１，８，９に
よつて第３図Ｂに示す如く母音区間と子音区間とが夫夫
検出される。上述の如く決定された母音区間は、第１図
図示母音区間検出部１１から、母音パラメータ抽出部１
３に指示される。

該母音パラメータ抽出部１３は、Ｍｌ，Ｍ２抽出部１か
らのホルマント周波数に相当する量を上記区間によつて
区分して次段に供給する。該次段以後の構成は省略した
が、次段以降ではまず抽出部１３からの出力と標準母音
の同様な出力とが照合され、上記抽出部１３からの出力
が母音１ａ１，Ｉｉ１，１ｕ１，Ｉｅ１，１０１のいず
れに属するかが決定され、更に後段において母音の時系
列即ち母音記号列がつくられるものと考えてよい。また
上述の如く決定された子音区間は、第１図図示の子音区
間検出部１２から、子音パラメータ抽出部１４に指示さ
れる。該子音パラメータ抽出部１４は、後述する如くＸ
１およびＸ２抽出部１０からの出力を上記区間によつて
区分して次段に供給する。該次段以後の構成は省略した
が、次段以降では抽出された子音パラメータは該パラメ
ータの形のままで登録され、また先に登録されたパラメ
ータと照合されるものと考えてよい。Ｘ１およびＸ２抽
出部１０は夫々有声子音相互の分離と無声子音相互の分
離とを行ない得るようにするパラメータＸ１およびＸ２
を抽出する。

そして該パラメータＸ１（Ｔｎ）はで定義され、上記ベ
クトルα１＝（Ａｌｌ，ａｌ２・・・，ＡｌＮ）はフイ
ルタ群の出力によつて得られる多元空間内に例えば有声
子音の標本群をその上に写像した場合、各子音相互の分
離が最大となるように定められる。

即ちパラメータＸ１（Ｔｎ）は有声子音相互の分離を行
ない得るものとなる。またパラメータＸ２（Ｔｎ）はで
定義され、ベクトルα２＝（ＡＺｌ，ａ２２２゜゜，ａ
２Ｎ）は同様に例えば無声子音の標本群に関して相互の
分離を最大にするように定められる。

即ちパラメータＸ２（Ｔｎ）は無声子音相互の分離を行
ない得るものとなる。本発明の場合、第１図図示の子音
パラメータ抽出部１４の後段において、先に登録されて
いる認識限界子音区間と未知入力音声中の認識限界子音
区間とがパラメータＸ１およびＸ，と、未知入力音声か
ら抽出された連続パラメータＸ１およびＸ２とを用いて
直接照合される。

第４図はそのための照合の態様を説明する説明図を示し
ている。

今、先に登録されている子音パラメータＸ１およびＸ２
とが、第４図Ａ図示の如きタイミングにおいて図示の如
きレベルをそなえていたとし、未知入力音声から抽出さ
れたパラメータＸ１およびＸ２とが、第４図Ｂ図示の如
きタイミングにおいて図示の如きレベルをそなえていた
とする。なお図中Ｔｓ，ｔｓ５は当該音素に対応する子
音区間の始点を示し、Ｔｅ，ｔｅ′は同区間の終点を示
し、Ｔｃ，ｔ♂はその区間の照合中心点を示している。
第４図Ｃ図示の如く、例えば子音区間内において、パワ
ーの急変成いは最小時点として指定する両者のパラメー
タの照合中心点ＴｃとＴｃ′とが一致するようにタイミ
ングあわせを行ない、その上で両者の照合をとるように
する。

この照合方式を採用することにより、照合中心点Ｔｃ（
又はＴｃりから前後所定範囲内において照合を行なうだ
けで、両者の一致、不一致を簡単に決定することが可能
になる。上記タイミングあわせを行なうための構成は、
点Ｔｓ，ｔｓ′，Ｔｃ，ｔｃ′，Ｔｅ，ｔｅ′が夫々決
定されれば第４図Ａ図示のパラメータおよび／または第
４図Ｂ図示のパラメータを時遅れ手段に導びくことによ
つて容易に達成できる。なお登録された子音区間と未知
入力音声の子音区間との間の照合をパラメータ空間上で
より正確に行なうには、パラメータ空間内の２種のパタ
ン間の類似度を定義し上記２種の子音区間の時間軸に非
線形な伸縮を施して得られる類似度の最大値を利用する
、いわゆる時間軸正規化の手法「ＶｅｌｉｃｈｋＯ，Ｖ
．Ｍ．ａｎｄＺａｇＯｒｕｉｋＯ，Ｎ．Ｇ．：１１Ａｕ
ｔ０ｍａｔｉｃＲｅｃ０ｇｎｉｔ１０ｎ０ｆ２００Ｗ０
ｒｄｓ，！１１Ｎｔ．Ｊ．Ｍａｎ−ＭａｃｈｉｎｅＳｔ
ｕｄｉｅｓ，２，２２３−２３４（１９７０）」を使用
できる。

以上説明したごとく本発明によれば発声された登録単語
音声を比較的高信頼度で認識可能な音素の区間と、その
他の音素の区間とに区別し、上記区間の特徴を有効に表
わす複数のパラメータを定義し、それを組合せた最適な
論理構成を用いて正確に上記音素区間の区別を行なうこ
とを可能とする。

さらに登録された認識限界子音と未知入力音声の認識限
界子音との照合を連続パラメータのレベルで行う場合、
照合中心点を設けることによつて正確さを損うことなく
、前記文献に示される従来の方法に比べ照合時間を大巾
に短縮することを可能とする。

【図面の簡単な説明】

第１図は本発明の音声認識方法の主要部の一実施例構成
、第２図は各音素の特性をまとめて表わした説明図、第
３図は本発明により区別される母音区間と子音区間とを
説明する説明図、第４図Ａ，Ｂ，Ｃは本発明によるパラ
メータ・レベルでの照合の態様を説明する説明図を示す
。 第１図中、１はＭｌ，Ｍ２抽出部、３はパラメ一夕定常
性検出部、５はスペクトル定常性検出部、Ｔは高レベル
音区間検出部、８は音声区間検出部、９は終端検出部、
１１は母音区間検出部、１２は子音区間検出部、第４図
においてＴｓは音素の始点、Ｔｅは終点、Ｔｃは照合中
心点を夫々表わす。

Claims (1)

1. 【特許請求の範囲】 １ 音声信号の周波数分析結果を利用して少なくとも母
   音と半母音と子音とに対応する各音素に対するパラメー
   タを抽出し音声認識を行なう音声認識装置において、音
   声区間検出手段、高レベル区間または低レベル区間検出
   手段、およびスペクトルが予め定められた一定時間以上
   定常であることを検出するスペクトル定常性検出手段を
   そなえ、少なくとも上記３つの検出手段の出力にもとず
   いて入力音声区間を各音素区間に区分せしめると共に、
   区分された音素の始点と終点と当該音素の照合中心点と
   を決定するタイミング決定手段をそなえ、上記少なくと
   も子音に関して先に登録された音素パラメータと未知入
   力音声における音素パラメータとを上記照合中心点が相
   互に一致するよう対応付けを行ない、該対応付けを行な
   つた状態で両者の照合をとるようにしたことを特徴とす
   る音声認識方法。 ２ 音声信号の周波数分析結果を利用して各音素に対す
   るパラメータを抽出し音声認識を行なう音声認識装置に
   おいて、音声区間検出手段、高レベル区間または低レベ
   ル区間検出手段、およびスペクトルが予め定められた一
   定時間以上定常であることを検出するスペクトル定常性
   検出手段をそなえ、少なくとも上記３つの検出手段の出
   力にもとずいて入力音声区間を各音素区間に区分せしめ
   ると共に、第１ホルマント周波数および第２ホルマント
   周波数に相当する量Ｍ＿１およびＭ＿２を抽出する抽出
   手段およびこれらのパラメータＭ＿１、Ｍ＿２を使つて
   パラメータ定常区間検出手段を構成し、予め定めた音素
   区間の補正を行ない、更に、区分された音素の始点と終
   点と当該音素の照合中心点とを決定するタイミング決定
   手段をそなえ、少なくとも子音に関して先に登録された
   音素パラメータと未知入力音声における音素パラメータ
   とを上記照合中心点が相互に一致するよう対応付けを行
   ない、該対応付けを行なつた状態で両者の照合をとるよ
   うにしたことを特徴とする音声認識方法。