JPS5958495A - 音声セグメンテ−シヨン法 - Google Patents
音声セグメンテ−シヨン法Info
- Publication number
- JPS5958495A JPS5958495A JP57171631A JP17163182A JPS5958495A JP S5958495 A JPS5958495 A JP S5958495A JP 57171631 A JP57171631 A JP 57171631A JP 17163182 A JP17163182 A JP 17163182A JP S5958495 A JPS5958495 A JP S5958495A
- Authority
- JP
- Japan
- Prior art keywords
- power
- consonant
- dip
- frequency
- interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
産業上の利用分野
本発明は音声認識における音声セグメンテーンヨン法に
関するものである。
関するものである。
従来例の構成とその問題点
従来研究あるいは発表されている音声自動認識システム
の動作原理としてはバタンマツチング法が多く採用され
ている。この方法は認識される必要がある全種類の単語
に対して標準パターンをあらかじめΔｔ１憶しておき、
入力される未知の入カバターンと比較することによって
一致の度合（以下類似度と呼ぶ）を削算し、最大一致が
得られる標準パターンと同一の単語であると判定するも
のである。このバタンマツチング法では認識されるへき
全ての単語に対して標準パターンを月１意しなければな
らないため、発声者か変っ／；−場合にＱよ新しく標準
パターン全入力して記憶さぜる必要かある。
の動作原理としてはバタンマツチング法が多く採用され
ている。この方法は認識される必要がある全種類の単語
に対して標準パターンをあらかじめΔｔ１憶しておき、
入力される未知の入カバターンと比較することによって
一致の度合（以下類似度と呼ぶ）を削算し、最大一致が
得られる標準パターンと同一の単語であると判定するも
のである。このバタンマツチング法では認識されるへき
全ての単語に対して標準パターンを月１意しなければな
らないため、発声者か変っ／；−場合にＱよ新しく標準
パターン全入力して記憶さぜる必要かある。
従って日本全国の都市名のように数ｉ′−ｉ’ ＸΦ類
以−にの単語を認識対象とするような場合、全種類の！
１′１語全発声して公録するには膨大な時間と労力を必
要とし、寸だ登録に要するメモリー容計も膨大になるこ
とが予想される。さらに人カバターンと標準パターンの
バタンマツチングに四する肋間も単語数が多くなると長
くなってし」−う欠点かある。
以−にの単語を認識対象とするような場合、全種類の！
１′１語全発声して公録するには膨大な時間と労力を必
要とし、寸だ登録に要するメモリー容計も膨大になるこ
とが予想される。さらに人カバターンと標準パターンの
バタンマツチングに四する肋間も単語数が多くなると長
くなってし」−う欠点かある。
これに対して、入力廿声を名素ｉＩ’−（＼日（＝分け
て音素の組合せとして認識しく以下音素認識と呼ぶ）音
素単位で表記された弔語辞ｐ；との類イ」月Ｊ」−を求
める方法は栄８語辞９４に要するメモリー呑：１１か火
１１Ｊ（′に少なくて済みバタンマツチング（／（７四
する１１．ｌ、間かｌＪ、’、ｒくでき、辞宵の内容変
更も容易てあ２）という′（冒、２る二持っている。こ
の方法の１列ｋｌ、Ｉ’：’Ｖ＋’・スペクトルの概、
略取とその動特性を利用し／３−中詰：ＸＩ：・１．Ｉ
？識／スデム」三輪他２日本１イ響学会誌３４（１９７
８）に、１２Ｂべである。
て音素の組合せとして認識しく以下音素認識と呼ぶ）音
素単位で表記された弔語辞ｐ；との類イ」月Ｊ」−を求
める方法は栄８語辞９４に要するメモリー呑：１１か火
１１Ｊ（′に少なくて済みバタンマツチング（／（７四
する１１．ｌ、間かｌＪ、’、ｒくでき、辞宵の内容変
更も容易てあ２）という′（冒、２る二持っている。こ
の方法の１列ｋｌ、Ｉ’：’Ｖ＋’・スペクトルの概、
略取とその動特性を利用し／３−中詰：ＸＩ：・１．Ｉ
？識／スデム」三輪他２日本１イ響学会誌３４（１９７
８）に、１２Ｂべである。
この方法における単語認識／スデノ、のブ「１ツク図を
第１図に示す。まず、あらかしに′）多数話者の音声を
１０ｍ５の分析区間毎に？ｒ’ ｊｌ（’ ３） Ａｉ
ｌ：％ １によってフィルタバンクを用いて分）ｌＪ丁
シ、得１．れ／こスペクトル情報をもとに特徴抽出７′
１１Ｓ２によ−って！Ｉソ徴パラメータを求める。この
特徴パラメータからｌａｌ 、ｌｏｌ等の母音や、１ｍ
ｌ、ｌｂｌ等の子音に代表される音素毎又は音素グルー
プ毎に標準パターンを作成して標準パターン登録部５に
登録して尤・〈０次に、入力された不ｌ（〒定厚１者の
宵月う・を、同様に分析区間４σに音響分析部１によっ
て分析し、！１イ徴抽出部２によって特徴パラメータを
求める。この！Ｌ４ｊ徴パラメータと・標準パターン登
録部５の（；１“Ｌ９−パターンを・〕［］いてセクメ
ンブー／−３７部３に４．・いてｆＪ音と了＝音の区切
り作業（以−ト、セグメンテーションと呼ぶ）を行なう
。この結果不二もとに、’ｔ”；素判別部４において、
（：’：’、 ＋Ｉ７−パターン登蕾、’ｒ”ｒｌＩ
５の標準パターンとｊｌ（１合することによって、〕′
ｌ伐も力゛目ＪＪ５．段の高い（票弗パターンに該当す
る音素をぞの区間Ｖこおける音素と決定する。最後に、
この結果ｆ／１成り。
第１図に示す。まず、あらかしに′）多数話者の音声を
１０ｍ５の分析区間毎に？ｒ’ ｊｌ（’ ３） Ａｉ
ｌ：％ １によってフィルタバンクを用いて分）ｌＪ丁
シ、得１．れ／こスペクトル情報をもとに特徴抽出７′
１１Ｓ２によ−って！Ｉソ徴パラメータを求める。この
特徴パラメータからｌａｌ 、ｌｏｌ等の母音や、１ｍ
ｌ、ｌｂｌ等の子音に代表される音素毎又は音素グルー
プ毎に標準パターンを作成して標準パターン登録部５に
登録して尤・〈０次に、入力された不ｌ（〒定厚１者の
宵月う・を、同様に分析区間４σに音響分析部１によっ
て分析し、！１イ徴抽出部２によって特徴パラメータを
求める。この！Ｌ４ｊ徴パラメータと・標準パターン登
録部５の（；１“Ｌ９−パターンを・〕［］いてセクメ
ンブー／−３７部３に４．・いてｆＪ音と了＝音の区切
り作業（以−ト、セグメンテーションと呼ぶ）を行なう
。この結果不二もとに、’ｔ”；素判別部４において、
（：’：’、 ＋Ｉ７−パターン登蕾、’ｒ”ｒｌＩ
５の標準パターンとｊｌ（１合することによって、〕′
ｌ伐も力゛目ＪＪ５．段の高い（票弗パターンに該当す
る音素をぞの区間Ｖこおける音素と決定する。最後に、
この結果ｆ／１成り。
／Ｃ音素の時系列（以下音素系列と叶ふ）で？）１語五
μ識都６に送り、同様に１４素系列で表Ｊ」Ｌさ７１ま
た弔詔辞居７と最も類似１すの大きい項［１（・・二、
該当Ｉ゛るＩ′１１語を・認識結果として出力する○ 以」二の全体の動作かられかるように、セグメンテ＝ゾ
タン部３においてセグメンテーションヲ誤っ／ぐ場合に
―、あるべき音素を見過こしてし・１−）たり（音素の
脱落）、実際には８素のないところに別の音素が入り込
んでし−まう（音素のイス］加）ことになる。これ１つ
の誤りを発生した場合、単語を音素系列で表現した時に
音素の脱落−やｆてｊ加によって全く関係のない他の単
語に似かまってし寸うこと（・（よって誤認識してし脣
う危険ｆｉ＋−が高くなる。
μ識都６に送り、同様に１４素系列で表Ｊ」Ｌさ７１ま
た弔詔辞居７と最も類似１すの大きい項［１（・・二、
該当Ｉ゛るＩ′１１語を・認識結果として出力する○ 以」二の全体の動作かられかるように、セグメンテ＝ゾ
タン部３においてセグメンテーションヲ誤っ／ぐ場合に
―、あるべき音素を見過こしてし・１−）たり（音素の
脱落）、実際には８素のないところに別の音素が入り込
んでし−まう（音素のイス］加）ことになる。これ１つ
の誤りを発生した場合、単語を音素系列で表現した時に
音素の脱落−やｆてｊ加によって全く関係のない他の単
語に似かまってし寸うこと（・（よって誤認識してし脣
う危険ｆｉ＋−が高くなる。
このように、音素認識を基本に１１１語ん１′シ識をイ
■う方法においてセグメンテーションは最も中波な作業
であり、セグメンテーションの１清＋Ｔ’二５でよって
屯詔認識／スデムのＩＩｔ能は太きく〕１゛イ、される
。ところで従来、セグメンテーションを行なう／と−め
のパラメータとして、冨−声信号の全帯域のスペクトル
のパワー情報の時間的な動きを利用し、第２図に示１″
ようにバ１ノーディップの存在によってセグメンテーシ
ョンを行なっていた。すなわち、Ｒノ？１都のパワーか
子音部のパワーよりも大きいことを利用して、ディップ
の大きさＤか、１シり値θＤ よりも大きい（Ｄ＞θＤ
）部分を子音区間としてい／こ。この方法において、次
の２つの問題点かあ一ノだ。
■う方法においてセグメンテーションは最も中波な作業
であり、セグメンテーションの１清＋Ｔ’二５でよって
屯詔認識／スデムのＩＩｔ能は太きく〕１゛イ、される
。ところで従来、セグメンテーションを行なう／と−め
のパラメータとして、冨−声信号の全帯域のスペクトル
のパワー情報の時間的な動きを利用し、第２図に示１″
ようにバ１ノーディップの存在によってセグメンテーシ
ョンを行なっていた。すなわち、Ｒノ？１都のパワーか
子音部のパワーよりも大きいことを利用して、ディップ
の大きさＤか、１シり値θＤ よりも大きい（Ｄ＞θＤ
）部分を子音区間としてい／こ。この方法において、次
の２つの問題点かあ一ノだ。
（１）全帯域の情報ではディップの存在か明らかでない
音素があり、精度か良くない。、（特にｌｒ１＋１！７
１．ｌｂｌ、１ｍｌ、ｌｎｌ＆と）（２）ティップの大
きさＤはノｆ右のＢＪ音のパワーとの差で表現される。
音素があり、精度か良くない。、（特にｌｒ１＋１！７
１．ｌｂｌ、１ｍｌ、ｌｎｌ＆と）（２）ティップの大
きさＤはノｆ右のＢＪ音のパワーとの差で表現される。
し／こかって母音区間におけるパワーの動きが単純でな
い」−合には、ディップの大きさを直接求めることは難
し７い。
い」−合には、ディップの大きさを直接求めることは難
し７い。
発明の目的
本発明はとわらの問題点を角イ決するもので、単語中の
セグメンテーションを精度良くイ１うことをに１的とす
る○ 発明の構成 ［１本語（ｄ’、ｆＪ音と子音が交ＪＴに組合わせし〕
わて中詰や文章が構成されているのが普通であり、揉音
を除く子音と他の子冨−が連続することはない。したが
って、日本語音声を認識する場合、ｌｉ、子音と子音を
精度よく分離することかでき、Ｉ］ば、言、３識率の向
」二に大きく貢献する。本発明はセグメンテーションを
行ったＶ）に用いる情報として、音声スペクトルの低域
パワーと品域パワーとを併用し１、各々の時間的な動き
によって生ずるバ１ノ〜ディツノ゛を使１利して頂音区
間を精度良く倹１ｉ Ｌ、ｍ語中のセグメンテーション
のオ青度の向−七をはかったものである。
セグメンテーションを精度良くイ１うことをに１的とす
る○ 発明の構成 ［１本語（ｄ’、ｆＪ音と子音が交ＪＴに組合わせし〕
わて中詰や文章が構成されているのが普通であり、揉音
を除く子音と他の子冨−が連続することはない。したが
って、日本語音声を認識する場合、ｌｉ、子音と子音を
精度よく分離することかでき、Ｉ］ば、言、３識率の向
」二に大きく貢献する。本発明はセグメンテーションを
行ったＶ）に用いる情報として、音声スペクトルの低域
パワーと品域パワーとを併用し１、各々の時間的な動き
によって生ずるバ１ノ〜ディツノ゛を使１利して頂音区
間を精度良く倹１ｉ Ｌ、ｍ語中のセグメンテーション
のオ青度の向−七をはかったものである。
実施例
第３図は代表的な音素のスペクトルパターンを表わした
ものである。（ａ） 幻、５４−Ｕニーｔ”ｉ 、（ｂ
）！ｑｌ、病→′１．イ・ｆ声破裂音のうなりの部分、
（ｃ）は無声了合である。
ものである。（ａ） 幻、５４−Ｕニーｔ”ｉ 、（ｂ
）！ｑｌ、病→′１．イ・ｆ声破裂音のうなりの部分、
（ｃ）は無声了合である。
これらの図から明らかなように、（ａ）は比１１咬的中
域部にパワーが集寸り、（ｂ）は低域７１１夕に集中（
７、（Ｃ）ｉ、高域部に集中（−でいる。こわ２らの他
に流ｉ″１１ｒ１やル）！蜀音１〃１のように、スペク
トルが１市？糸のｉ°１素に大きく影響される音素もあ
る。こ７１．１９の］′１．ｊ＋’ｉ介ら慮すると、Ｉ
υ音７祥（ａ）と（ｂ）のグループのイＪノ：・−Ｊ′
１１を区別するにに１、高域部分のパワーの大きさがイ
Ｊ効であり、Ｊυ前音群ａ）と（ｃ）の子音グループ４
・１メ別するにＵ↓低域部分のパワーの大きさがイＪ効
で４うろことがわかる。
域部にパワーが集寸り、（ｂ）は低域７１１夕に集中（
７、（Ｃ）ｉ、高域部に集中（−でいる。こわ２らの他
に流ｉ″１１ｒ１やル）！蜀音１〃１のように、スペク
トルが１市？糸のｉ°１素に大きく影響される音素もあ
る。こ７１．１９の］′１．ｊ＋’ｉ介ら慮すると、Ｉ
υ音７祥（ａ）と（ｂ）のグループのイＪノ：・−Ｊ′
１１を区別するにに１、高域部分のパワーの大きさがイ
Ｊ効であり、Ｊυ前音群ａ）と（ｃ）の子音グループ４
・１メ別するにＵ↓低域部分のパワーの大きさがイＪ効
で４うろことがわかる。
以」二の知見に基づき本実施例に１３・いてｃｌ：セグ
メンデーション用パラメータとして、低域ｒ’ｉＢ分の
情報ニついて’ｄ、２５０Ｈ２−６００Ｈ２のバンドパ
スフィルタの出力を平滑化して求めた低域パワーを使用
し、高域部分の情報について（Ｉｉｌ ５００Ｈ２−４
０００Ｈｚのバンドパスフィルタの出方’ｌ： ５Ｆ；
’／：’Ｊ化し２て求め／辷高域パワーを使用してい
る。本実施例のごとく低域パワーと高域パワーを併用す
ることにより、全域パワーのみを用いたｖ′を米例に比
較して、Ｒに１ｍｌ 、 ｌｎｌ 、 Ｉｊｌ 、 ｌ
ｒｌ 、ｌｈｌ 、１７．１に対して大きなパワーディ
ップを得ることができ、検出４４度が向上した。
メンデーション用パラメータとして、低域ｒ’ｉＢ分の
情報ニついて’ｄ、２５０Ｈ２−６００Ｈ２のバンドパ
スフィルタの出力を平滑化して求めた低域パワーを使用
し、高域部分の情報について（Ｉｉｌ ５００Ｈ２−４
０００Ｈｚのバンドパスフィルタの出方’ｌ： ５Ｆ；
’／：’Ｊ化し２て求め／辷高域パワーを使用してい
る。本実施例のごとく低域パワーと高域パワーを併用す
ることにより、全域パワーのみを用いたｖ′を米例に比
較して、Ｒに１ｍｌ 、 ｌｎｌ 、 Ｉｊｌ 、 ｌ
ｒｌ 、ｌｈｌ 、１７．１に対して大きなパワーディ
ップを得ることができ、検出４４度が向上した。
ところでパワーディップの大きさの絶ス・」値をａ１算
するためには、ディップの前後の広範囲な・ｌ”ｉ’ｉ
報をイ吏月Ｊしなくてはならないグこめ、ｉｌＬ米法で
に１１丁にきが複雑となり、検出誤りも多くなる。本実
施例では、発声機構の制約全考慮した、簡便で′４ｔ’
ｆ度の良いディップ検出ｌ／、： ％：抹川用た。
するためには、ディップの前後の広範囲な・ｌ”ｉ’ｉ
報をイ吏月Ｊしなくてはならないグこめ、ｉｌＬ米法で
に１１丁にきが複雑となり、検出誤りも多くなる。本実
施例では、発声機構の制約全考慮した、簡便で′４ｔ’
ｆ度の良いディップ検出ｌ／、： ％：抹川用た。
音声の発声＆−ｊ１、呼気全制御する肺や気管、イＪ声
Ｍを発する声帯置°冒′Ｋｌを決定する調音ｚｇ官なと
の筋肉の動きの複合によるものである。し／こか−〕で
賛意パワーの動き（ｒ［：発声器官の筋肉の動き（／こ
」、−７て制約を受ける。このため、＞Ｚ ｊ”’・パ
ワーの１１４．凹曲な変化速度は、破裂音などの動きの
速いイ、の、半イＪｇなど緩やかなものもあるか、一定
のＦｌｌ’４四内に納且つて（−よう。したがって、ウ
−゛７「ノブの大きさ金、単位時間内のパワーの変化；
１１とり、−Ｃ置きかえても実用上は問題ない。以−ト
この、Ｌ′）−４−考え方に基いたディップ検出法を具
体的に述へる。
Ｍを発する声帯置°冒′Ｋｌを決定する調音ｚｇ官なと
の筋肉の動きの複合によるものである。し／こか−〕で
賛意パワーの動き（ｒ［：発声器官の筋肉の動き（／こ
」、−７て制約を受ける。このため、＞Ｚ ｊ”’・パ
ワーの１１４．凹曲な変化速度は、破裂音などの動きの
速いイ、の、半イＪｇなど緩やかなものもあるか、一定
のＦｌｌ’４四内に納且つて（−よう。したがって、ウ
−゛７「ノブの大きさ金、単位時間内のパワーの変化；
１１とり、−Ｃ置きかえても実用上は問題ない。以−ト
この、Ｌ′）−４−考え方に基いたディップ検出法を具
体的に述へる。
第４図はその方？ｂｋ説明したものである。パワー情報
はダ・Ｊ数変換されたものを用いフレームごとに（１フ
レームは１ｏ ｍ５ｅｃ ） ｉｌ算する。第１フレー
ム（ｉ＝１〜１ｍａＸ Ｉ ｉｍａＸ ｔ’ｊ、ｉ′
？声［区間のＰ ｉ：ｊ、（フレーム）における対数パ
ワー・［＾報をＰ （ｉ）とする。第４図（ａ）−１対
数パワー情報Ｐ（１）の時間的な動きの例をＩＪ音、子
音、 ＩＵ音という系列で図示し／こものである。この
図には子音区間の大きなディップの他に、パワーの細か
いゆらきによる小さなデ、ｆツノか小グ１、している。
はダ・Ｊ数変換されたものを用いフレームごとに（１フ
レームは１ｏ ｍ５ｅｃ ） ｉｌ算する。第１フレー
ム（ｉ＝１〜１ｍａＸ Ｉ ｉｍａＸ ｔ’ｊ、ｉ′
？声［区間のＰ ｉ：ｊ、（フレーム）における対数パ
ワー・［＾報をＰ （ｉ）とする。第４図（ａ）−１対
数パワー情報Ｐ（１）の時間的な動きの例をＩＪ音、子
音、 ＩＵ音という系列で図示し／こものである。この
図には子音区間の大きなディップの他に、パワーの細か
いゆらきによる小さなデ、ｆツノか小グ１、している。
前に述べ／・二」こうに氷＋１１かいディップは発声に
必要な筋肉の動き（ｌこよるものではないので平滑化に
よって除去する。除去され／ζものを第４図（ｂ）に示
す。平滑後のパワー情報Ｐ （ｉ）は Ｐ（ｉ）＝ＩＰ（ｉ １）＋２ＸＰ（ｉ）」−Ｐ（ｉ→
１）ｌ／４とする０次に平滑１茨のパワー情報の差分値
ＰＤ を次式Ｑてよって旧９し、パワー情報の１１．５
量的変化を求める（第４図（Ｃ））。
必要な筋肉の動き（ｌこよるものではないので平滑化に
よって除去する。除去され／ζものを第４図（ｂ）に示
す。平滑後のパワー情報Ｐ （ｉ）は Ｐ（ｉ）＝ＩＰ（ｉ １）＋２ＸＰ（ｉ）」−Ｐ（ｉ→
１）ｌ／４とする０次に平滑１茨のパワー情報の差分値
ＰＤ を次式Ｑてよって旧９し、パワー情報の１１．５
量的変化を求める（第４図（Ｃ））。
ＰＤ（ｉ）＝Ｐ（ｉ＋１ ）−Ｐ（ｉ−１）すなわち
ＰＤは２ Ｑ ｍ賃（ごとの変化量の時間的な動８’１
ｉｌ−表わしている。ＰＤハパワーディノプの下かりの
変曲線で最小値となり、立−にかりの変曲点で最大値と
なる。前述の理由によって、ディップの太きさはＰＤの
最大値と最小値の間の大きさＰで置きかえる。斗たディ
ップのｊ”Ｊ’ Ｉｉ ｌｋ’７間←Ｊ、Ｐｐの最小値
から最大敏”よでの時間りとする。
ＰＤは２ Ｑ ｍ賃（ごとの変化量の時間的な動８’１
ｉｌ−表わしている。ＰＤハパワーディノプの下かりの
変曲線で最小値となり、立−にかりの変曲点で最大値と
なる。前述の理由によって、ディップの太きさはＰＤの
最大値と最小値の間の大きさＰで置きかえる。斗たディ
ップのｊ”Ｊ’ Ｉｉ ｌｋ’７間←Ｊ、Ｐｐの最小値
から最大敏”よでの時間りとする。
パワー・Ｉｉ’ｉ報として前Ｖこ述べ／Ｃ低域情報（Ｐ
Ｌ）と高域情報（ＰＲ）の両方を使ｊ［１シ、その各々
に対して第４図て説明し／上方法を適用すると、低域・
ｌ’ｉ’３１１４によるディップと高域情報Ｃ（よるデ
、イノゾをイー１１それ求めることができる。こｆ’Ｌ
”）のディップのうちＬ≦ＬｍａＸの条件金ｉ’ｉ！
ｒｊ足するもののみＪ′？）候補とする。一般Ｖζ子冨
区間は１８１やｕ′ｖｉ′を除くと１００ｍＳＣＣ（Ｌ
ｍａｘ＝１５）以−トであるので、このような条イ′４
を入れている。Ｉｓ１や税音Ｑ」、他の方／去で検出す
ることができる。
Ｌ）と高域情報（ＰＲ）の両方を使ｊ［１シ、その各々
に対して第４図て説明し／上方法を適用すると、低域・
ｌ’ｉ’３１１４によるディップと高域情報Ｃ（よるデ
、イノゾをイー１１それ求めることができる。こｆ’Ｌ
”）のディップのうちＬ≦ＬｍａＸの条件金ｉ’ｉ！
ｒｊ足するもののみＪ′？）候補とする。一般Ｖζ子冨
区間は１８１やｕ′ｖｉ′を除くと１００ｍＳＣＣ（Ｌ
ｍａｘ＝１５）以−トであるので、このような条イ′４
を入れている。Ｉｓ１や税音Ｑ」、他の方／去で検出す
ることができる。
子音候補とし２て求められ／こ名声１ス間Ｋ（寸、低域
情報（ＰＬ）のみで求められたもの、晶域４゛７〕報（
ＰＨ）のみて求められグζものがある。寸だこれらの子
音候補区間には、本当の子音区間と−そつでないもの（
−ｊＺ８の付７Ｊ１１ ）の２種類か混るしている。次
に子音候補区間から子音区間と子音の付）ｎ２分離する
方法を述へる。
情報（ＰＬ）のみで求められたもの、晶域４゛７〕報（
ＰＨ）のみて求められグζものがある。寸だこれらの子
音候補区間には、本当の子音区間と−そつでないもの（
−ｊＺ８の付７Ｊ１１ ）の２種類か混るしている。次
に子音候補区間から子音区間と子音の付）ｎ２分離する
方法を述へる。
低域情報ＰＬ および高域情報ＰＨて求められたディッ
プの変化分の太ささをそれぞれＰＩ、ｐｈ とする。統
計的に、本当の丁−音区間ｔａｔ、ｊ’、 ７：；のイ
・１加に比−＼るとディップが顕著に現わＩＪＩる／こ
め、’９ｙ、ｐＨの両方せたばどちらか一方か大きな飴
と４二るｏ ／（−とえ１４７−ｒ ２哲１ｂｌｌＪ、
９℃、ｐｈともに人さ４°１１自。に石、す、ｌｈｌは
ｐｌのみ人きくなり、捷／３−巨１１１ ＆Ｌ円、のツ
ノ・入きくなる。一方、子音の千」加によるデ、ｆツノ
にＪｌしては、ｐα、ｐｈともに比較的小さｈ−値とな
る。こＪｌらの特徴を考慮して、子音とイ；］加’ｄ：
４１’ｆ Ｉ及、１．＜、しかも効率的に判別するた
めにはｐＱ −ｐｈ’ｙン： （Ｂ旧′（二おける判別
図を使用する。
プの変化分の太ささをそれぞれＰＩ、ｐｈ とする。統
計的に、本当の丁−音区間ｔａｔ、ｊ’、 ７：；のイ
・１加に比−＼るとディップが顕著に現わＩＪＩる／こ
め、’９ｙ、ｐＨの両方せたばどちらか一方か大きな飴
と４二るｏ ／（−とえ１４７−ｒ ２哲１ｂｌｌＪ、
９℃、ｐｈともに人さ４°１１自。に石、す、ｌｈｌは
ｐｌのみ人きくなり、捷／３−巨１１１ ＆Ｌ円、のツ
ノ・入きくなる。一方、子音の千」加によるデ、ｆツノ
にＪｌしては、ｐα、ｐｈともに比較的小さｈ−値とな
る。こＪｌらの特徴を考慮して、子音とイ；］加’ｄ：
４１’ｆ Ｉ及、１．＜、しかも効率的に判別するた
めにはｐＱ −ｐｈ’ｙン： （Ｂ旧′（二おける判別
図を使用する。
第６図は判別図の例である。図において斜線ｒ＜Ｉｓの
内側がｆａｔ ７Ｊ１１、外佃が子音の領域である。／
こたし２耽、ｐｈは整数に直して正規化しである。’ｔ
’！Ｉ別図はセグメンテー／ヨンをあらかじめ目視によ
って１１なっであるデータを多数使用して、子音と１７
でｊｌ−しく認識さｉする確率と付加の確率の両方を考
慮することによって結果か最適になるように決定し／Ｃ
ものである。
内側がｆａｔ ７Ｊ１１、外佃が子音の領域である。／
こたし２耽、ｐｈは整数に直して正規化しである。’ｔ
’！Ｉ別図はセグメンテー／ヨンをあらかじめ目視によ
って１１なっであるデータを多数使用して、子音と１７
でｊｌ−しく認識さｉする確率と付加の確率の両方を考
慮することによって結果か最適になるように決定し／Ｃ
ものである。
次に判別図を使用して子音区間を決定ず２）方法を第６
図に示した例によって説明１゛る。第６図（ａ）は門の
ディップのみ現われた場合てあり、大きさはｐｐ、 ＝
１０である。これを第５図の判別図（ハ）二１箇川す
ると、（１０，０）←１゛旧加の領域であるか１）、子
７４区間とはならない。（ｂ） ｆｌ：ｉｐρ−７，ｐ
ｈ−８であり、子音領域に位置する。この場合、Ｐｐ、
Ｉ）ｈの両方の区間の論理和の部分を子音区間とする（
ｉ′ｌ素によっては論理和としない場合もある）。、（
Ｃ）（ｒｌ：ｐｂしか存在しない区間のＩＺＩＩであり
、（０，１２）は゛ｒ１１別図上で子音領域に位置する
。ζ−の場合はＰｈの区間をその寸ｔＴ−音区間とする
。（ｄ） ）：ｌ’、 Ｐ ｐ、 ＋ ｐｂ両方にデ、
イソブが存在するが、判別図上て伺加の領域Ｖζ位置す
るので、付加として処理する０男女１０名それそＩＩが
発声した２ １２１１札：１′ｔを使ＩＴｉ Ｌテ、本
実ｈ１ｕ ５１Ｊ ノＰＦ価’ｌ−？−Ｊ ｌ ＝ｉ
ｌ〈： ｃ、（二（１） ｊ１′＋、 、ｉｉ 七ノド
は、目視によってあらかじめｆ、 ７’？、 １７間に
ラベル（＝Ｊけしである評価用のセットて・Ｆ）７．
、不実施ｆ列全適用した時の結果とラベルを化ｉｊ９
（、−ｒ、１１シ〈セグメンテー／ヨンが行なわわて割
合に、１：つて評価した。その結束（正答率）を・以下
い二示す。
図に示した例によって説明１゛る。第６図（ａ）は門の
ディップのみ現われた場合てあり、大きさはｐｐ、 ＝
１０である。これを第５図の判別図（ハ）二１箇川す
ると、（１０，０）←１゛旧加の領域であるか１）、子
７４区間とはならない。（ｂ） ｆｌ：ｉｐρ−７，ｐ
ｈ−８であり、子音領域に位置する。この場合、Ｐｐ、
Ｉ）ｈの両方の区間の論理和の部分を子音区間とする（
ｉ′ｌ素によっては論理和としない場合もある）。、（
Ｃ）（ｒｌ：ｐｂしか存在しない区間のＩＺＩＩであり
、（０，１２）は゛ｒ１１別図上で子音領域に位置する
。ζ−の場合はＰｈの区間をその寸ｔＴ−音区間とする
。（ｄ） ）：ｌ’、 Ｐ ｐ、 ＋ ｐｂ両方にデ、
イソブが存在するが、判別図上て伺加の領域Ｖζ位置す
るので、付加として処理する０男女１０名それそＩＩが
発声した２ １２１１札：１′ｔを使ＩＴｉ Ｌテ、本
実ｈ１ｕ ５１Ｊ ノＰＦ価’ｌ−？−Ｊ ｌ ＝ｉ
ｌ〈： ｃ、（二（１） ｊ１′＋、 、ｉｉ 七ノド
は、目視によってあらかじめｆ、 ７’？、 １７間に
ラベル（＝Ｊけしである評価用のセットて・Ｆ）７．
、不実施ｆ列全適用した時の結果とラベルを化ｉｊ９
（、−ｒ、１１シ〈セグメンテー／ヨンが行なわわて割
合に、１：つて評価した。その結束（正答率）を・以下
い二示す。
１ｒｌ：９４．７％ 、 １ｈｌ ：９４．８％ 、ｌ
ｚｌ ：９８．７％。
ｚｌ ：９８．７％。
１ｂｊ：９（ａ６係、ｌｄｌ：９９．７係、１？Ｊ１：
９１．３係。
９１．３係。
１ｍｌ ：８６７％ 、ｌｎｌ ：８６．７％一方、旬
昔区間に誤寸って子音がイ・］加する確率（イ月）用率
）は６．９係であるＯ この結果を従来の方法（全帯域スペクトル−を使い、１
炭値でディップを検出する方法）に比較すると、ｌｒｌ
、ｌｈｌ 、ｌ／７ １で数％ 、ｌｂｌ 、ｌｄｌ
で約１％向」ニしている。寸だ１ｍｌ 、ｌｎｌは全帯
域パワーでは、ティップの検出かできないのｉｌ（二比
し本実施例では検出ｉｉ１能である。会］加率ｔ」、、
（・暮、ぼ同じである。
昔区間に誤寸って子音がイ・］加する確率（イ月）用率
）は６．９係であるＯ この結果を従来の方法（全帯域スペクトル−を使い、１
炭値でディップを検出する方法）に比較すると、ｌｒｌ
、ｌｈｌ 、ｌ／７ １で数％ 、ｌｂｌ 、ｌｄｌ
で約１％向」ニしている。寸だ１ｍｌ 、ｌｎｌは全帯
域パワーでは、ティップの検出かできないのｉｌ（二比
し本実施例では検出ｉｉ１能である。会］加率ｔ」、、
（・暮、ぼ同じである。
このように水火ｈｆｉｉ例に１２、従来検出が知しいと
されていた語中の子音（特に（ｒｌ，ＩＩＪｌ，ｌｈｌ
ｆｒ．と）のセクノンテ−７ヨンを高い精度で行なうこ
とを可能とするものである。
されていた語中の子音（特に（ｒｌ，ＩＩＪｌ，ｌｈｌ
ｆｒ．と）のセクノンテ−７ヨンを高い精度で行なうこ
とを可能とするものである。
発明の効果
」ン、−に述へたよう（５（′本発明に」、７１ば、〕
ぐラメークとして、低域パワー１１’ｉ報と高域パＩノ
ー・ｉｉＩ置′１シの両方を用いることによってセグメ
ンテーションｌｌ′ｉ’ｉ度か向上する。
ぐラメークとして、低域パワー１１’ｉ報と高域パＩノ
ー・ｉｉＩ置′１シの両方を用いることによってセグメ
ンテーションｌｌ′ｉ’ｉ度か向上する。
件だパワーディップの１１゛ｊ間的動きと１冒：：Ｉｌ
） ｌ’１１間イオ１１用することによって、ディップ
の育作毛−ｆ７＋ｉ 狛に検出することかできる０ さらに低域および尚域両方のバワーブｆノブの動きの大
きさを用い、それを判別図に適）１１することｙｃよっ
て、肩５１埃よく子音＝の存在を検出することができる
。
） ｌ’１１間イオ１１用することによって、ディップ
の育作毛−ｆ７＋ｉ 狛に検出することかできる０ さらに低域および尚域両方のバワーブｆノブの動きの大
きさを用い、それを判別図に適）１１することｙｃよっ
て、肩５１埃よく子音＝の存在を検出することができる
。
第１図は従来の音声認識システトのブｒｉ 、、り図、
のスペクトルの例を示した図、第４図（ａ）〜（Ｃ）
ｆｄ： ｉ＜発明によってパワーディップを検出する方
法を説明する図、第６図は低域パワーディノブと高域／
々ワーｊ・イノブの各々の大きさに、しって子音と付加
を判別するための判別図、第６図は子音区間を決定する
方法の一例全示した図である。 代理人の氏名 弁理士 中 尾 敏 リＪ ほか１名第
１図 Ｖ議胎足 第２図 ３図 囚波数 肩ｌｊｔ他 第４図 第５図
のスペクトルの例を示した図、第４図（ａ）〜（Ｃ）
ｆｄ： ｉ＜発明によってパワーディップを検出する方
法を説明する図、第６図は低域パワーディノブと高域／
々ワーｊ・イノブの各々の大きさに、しって子音と付加
を判別するための判別図、第６図は子音区間を決定する
方法の一例全示した図である。 代理人の氏名 弁理士 中 尾 敏 リＪ ほか１名第
１図 Ｖ議胎足 第２図 ３図 囚波数 肩ｌｊｔ他 第４図 第５図
Claims (2)
- （１）音声認識におけるセグメンテーションを行うため
に用いる情報として、音声スペクトルの低域パワーと高
域パワーを併用し、前記それぞれの・々ワーの時間的な
動きによって生ずるパワーディップを使用して子音候補
区間を検出し、１）ｉｌ記イ音候補区間のなかから子音
区間ｋＷ（Ａ出することを特徴とする音声セグメンテー
ション法。 - （２）低域パワー、高域パワーそれぞれの時間的な変化
率を求め、前期時間的な変化率の極太値、４ケ小値及び
その間の時間長により子音候補を検出し、前記子音候補
について極太値と極小値間の値をパワーディップの大き
さと見なし、前記低域・２ワー、高域パワーそれぞれの
パワーディップの大きさ全二次元の判別図に適用してイ
音候袖区間から子音区間を検出することを特徴とする特
￥１請求の範囲第１項記載の音声セグメンテーンヨン法
０
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57171631A JPS5958495A (ja) | 1982-09-29 | 1982-09-29 | 音声セグメンテ−シヨン法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57171631A JPS5958495A (ja) | 1982-09-29 | 1982-09-29 | 音声セグメンテ−シヨン法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPS5958495A true JPS5958495A (ja) | 1984-04-04 |
| JPH0114600B2 JPH0114600B2 (ja) | 1989-03-13 |
Family
ID=15926763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP57171631A Granted JPS5958495A (ja) | 1982-09-29 | 1982-09-29 | 音声セグメンテ−シヨン法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS5958495A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6350900A (ja) * | 1986-08-21 | 1988-03-03 | 沖電気工業株式会社 | 音声認識装置 |
-
1982
- 1982-09-29 JP JP57171631A patent/JPS5958495A/ja active Granted
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6350900A (ja) * | 1986-08-21 | 1988-03-03 | 沖電気工業株式会社 | 音声認識装置 |
| JPH0558557B2 (ja) * | 1986-08-21 | 1993-08-26 | Oki Electric Ind Co Ltd |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0114600B2 (ja) | 1989-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moro-Velazquez et al. | Analysis of speaker recognition methodologies and the influence of kinetic changes to automatically detect Parkinson's Disease | |
| Ali et al. | Innovative method for unsupervised voice activity detection and classification of audio segments | |
| JPS59226400A (ja) | 音声認識装置 | |
| Samantaray et al. | A novel approach of speech emotion recognition with prosody, quality and derived features using SVM classifier for a class of North-Eastern Languages | |
| CN110570876A (zh) | 歌声合成方法、装置、计算机设备和存储介质 | |
| Devi et al. | Speaker emotion recognition based on speech features and classification techniques | |
| CN111445900A (zh) | 一种语音识别的前端处理方法、装置及终端设备 | |
| Mahdavi et al. | Persian accents identification using modeling of speech articulatory features | |
| CN113782032B (zh) | 一种声纹识别方法及相关装置 | |
| Mohammed et al. | Automatic speech recognition of pathological voice | |
| Feraru et al. | Comparative analysis between SROL-Romanian database and Emo-German database | |
| Hasija et al. | Recognition of Children Punjabi Speech using Tonal Non-Tonal Classifier | |
| JPS5958495A (ja) | 音声セグメンテ−シヨン法 | |
| Gao | Audio deepfake detection based on differences in human and machine generated speech | |
| Sahoo et al. | Detection of speech-based physical load using transfer learning approach | |
| Laleye et al. | Automatic text-independent syllable segmentation using singularity exponents and rényi entropy | |
| Cheng et al. | Comparative performance study of several pitch detection algorithms | |
| Peretta | A novel word boundary detector based on the teager energy operator for automatic speech recognition | |
| Wolf | Acoustic measurements for speaker recognition | |
| JPH07210197A (ja) | 話者識別方法 | |
| Ye | Efficient Approaches for Voice Change and Voice Conversion Systems | |
| JPS63161499A (ja) | 音声認識装置 | |
| CN117877482A (zh) | 一种基于人脸唇动语音分离的声纹识别方法及装置 | |
| JPS60164800A (ja) | 音声認識装置 | |
| JPS6069694A (ja) | 語頭子音のセグメンテ−ション法 |