JPS5999500A - 音声認識方法 - Google Patents
音声認識方法Info
- Publication number
- JPS5999500A JPS5999500A JP57210433A JP21043382A JPS5999500A JP S5999500 A JPS5999500 A JP S5999500A JP 57210433 A JP57210433 A JP 57210433A JP 21043382 A JP21043382 A JP 21043382A JP S5999500 A JPS5999500 A JP S5999500A
- Authority
- JP
- Japan
- Prior art keywords
- distance
- speech
- input
- feature vector
- representative feature
- 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.)
- Pending
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】
この発明は、特徴時系列のマツチングに基づく音声認識
方法に関し、特に標準ノくターンと入力音声との２つの
時系列間の距離計算量を大幅に減らそうとするものであ
る。
方法に関し、特に標準ノくターンと入力音声との２つの
時系列間の距離計算量を大幅に減らそうとするものであ
る。
〈従来技術〉
入力音声と音声標準ノくターンの時系列をそのままマツ
チングする方式（以後、直接マツチング法と呼ぶ）によ
る音声認識方式が広く用いられている。この方式では、
２つの時系列のフレーム間の距離計算量が膨大、となる
ため、通常１００単語以下の特定話者の認識方式に用い
られるに過ぎない。
チングする方式（以後、直接マツチング法と呼ぶ）によ
る音声認識方式が広く用いられている。この方式では、
２つの時系列のフレーム間の距離計算量が膨大、となる
ため、通常１００単語以下の特定話者の認識方式に用い
られるに過ぎない。
またこの方式では、フレーム間の距離計算量カニ音声標
準パターン数に比例して増大するため、大語いを特徴と
する特定話者音声認識方式や、単語単位のマルチテンプ
レート法による不特定話者単語音声認識方式には適して
いない。
準パターン数に比例して増大するため、大語いを特徴と
する特定話者音声認識方式や、単語単位のマルチテンプ
レート法による不特定話者単語音声認識方式には適して
いない。
音声標準パターンを有限個の音韻または擬音韻（ベクト
ルと呼ぶ）の番号系列で表しておき、入力音声の時系列
のフレームと上記のベクトルとの間の距離を計算するこ
とによね、距離計算量を肖１ｊ滅する方式（ＳＰＬＩＴ
法と呼ぶ）がある。この方式は音声標準パターンのフレ
ームだけを有限個のベクトルで表わしくこの手法をベク
トル量子化と呼ぶ）、入力音声に対してはフレームをそ
のまま用いる手法である。この方式では入力音声のフレ
ーム数をＭとし、ベクトルの数をＮとすると、距離計算
の量はＩＶＩ Ｘ Ｎ回必要となる。また、入力音声に
対してはベクトル量子化せず、一方、音声標準パターン
に対してはベクトル量子化をするため、入力音声と音声
標準パターンとの取り扱いが対称ではないという問題点
ももっている。
ルと呼ぶ）の番号系列で表しておき、入力音声の時系列
のフレームと上記のベクトルとの間の距離を計算するこ
とによね、距離計算量を肖１ｊ滅する方式（ＳＰＬＩＴ
法と呼ぶ）がある。この方式は音声標準パターンのフレ
ームだけを有限個のベクトルで表わしくこの手法をベク
トル量子化と呼ぶ）、入力音声に対してはフレームをそ
のまま用いる手法である。この方式では入力音声のフレ
ーム数をＭとし、ベクトルの数をＮとすると、距離計算
の量はＩＶＩ Ｘ Ｎ回必要となる。また、入力音声に
対してはベクトル量子化せず、一方、音声標準パターン
に対してはベクトル量子化をするため、入力音声と音声
標準パターンとの取り扱いが対称ではないという問題点
ももっている。
〈発明の概要〉
この発明は入力音声も音声標準パターンもベクトル量子
化することによシ、入力音声と音声標準パターンの取シ
扱いが対称になり、かつ、距離計算の量を従来の方法よ
シも減らすことができ、更に入力音声をフレームごとに
、ベクトルのどれかに強制的に割シ当てることによシ、
ある種のスペクトル歪の正規化効果をもつようにするも
のである。
化することによシ、入力音声と音声標準パターンの取シ
扱いが対称になり、かつ、距離計算の量を従来の方法よ
シも減らすことができ、更に入力音声をフレームごとに
、ベクトルのどれかに強制的に割シ当てることによシ、
ある種のスペクトル歪の正規化効果をもつようにするも
のである。
〈実施例〉
第１図はこの発明による音声認識方法の実施例を示し、
入力端子１１よシ入力された音声信号は特徴パラメータ
抽出部１２で８ＫＨ２ごとにディジタル信号に変換され
、更に一定のフレーム周期（例えば１６ｍ５ｅｃ）ごと
にディジタルフィルタによ、るバンドパスエネルギーを
計算したり、ＬＰＣ分析を行ったシする。これら各フレ
ームごとの抽出さ′れた特徴パラメータはベクトル督、
予信による符号化部１３で、そのフレームのスペクトル
に近いベクトルに符号化される。この符号化方法として
は入力音声の各フレームごとの特徴ベクトルと、予め用
意されたすべての代表ベクトルとの距離を計算して符号
化する全数探索符号化法（ＦｕｌｌＳｅａｒｃｈ Ｃｏ
ｄｉｎｇ、Ｆ Ｓ Ｃ法と記す）や、２分岐水による符
号化法（Ｂｉｎａｒｙ Ｔｒｅｅ Ｃｏｄｉｎｇ ＋
Ｂ Ｔ Ｃ法と記す）などが存在する。これらの手法に
ついては例えば米国雑誌ＩＥＥＥ、Ｃ０Ｍ−２８，ｐｐ
８４−９５（１９８０−０１） 、 Ｙ 、 Ｌｉｎｄ
ｅ等の” Ａｎ Ａｌｇｏｒｉｔｈｍｆｏｒ Ｖｅｃｔ
ｏｒ Ｑｕａｎｔｉｚｅｒ Ｄｅｓｉｇｎ”を参照され
たい。
入力端子１１よシ入力された音声信号は特徴パラメータ
抽出部１２で８ＫＨ２ごとにディジタル信号に変換され
、更に一定のフレーム周期（例えば１６ｍ５ｅｃ）ごと
にディジタルフィルタによ、るバンドパスエネルギーを
計算したり、ＬＰＣ分析を行ったシする。これら各フレ
ームごとの抽出さ′れた特徴パラメータはベクトル督、
予信による符号化部１３で、そのフレームのスペクトル
に近いベクトルに符号化される。この符号化方法として
は入力音声の各フレームごとの特徴ベクトルと、予め用
意されたすべての代表ベクトルとの距離を計算して符号
化する全数探索符号化法（ＦｕｌｌＳｅａｒｃｈ Ｃｏ
ｄｉｎｇ、Ｆ Ｓ Ｃ法と記す）や、２分岐水による符
号化法（Ｂｉｎａｒｙ Ｔｒｅｅ Ｃｏｄｉｎｇ ＋
Ｂ Ｔ Ｃ法と記す）などが存在する。これらの手法に
ついては例えば米国雑誌ＩＥＥＥ、Ｃ０Ｍ−２８，ｐｐ
８４−９５（１９８０−０１） 、 Ｙ 、 Ｌｉｎｄ
ｅ等の” Ａｎ Ａｌｇｏｒｉｔｈｍｆｏｒ Ｖｅｃｔ
ｏｒ Ｑｕａｎｔｉｚｅｒ Ｄｅｓｉｇｎ”を参照され
たい。
ＢＴＣ法の場合には、ベクトル量子化による符号化部１
３での入力音声のフレームあたりの距離計算回数は、ベ
クトル数を２ 個とすると、２ｍ回となり、５ＰＬＩＴ
法の２回よシ大幅に減らすことができる。まだ、符号化
部１３にスペクトル歪の正規化機能を加えることも可能
である。
３での入力音声のフレームあたりの距離計算回数は、ベ
クトル数を２ 個とすると、２ｍ回となり、５ＰＬＩＴ
法の２回よシ大幅に減らすことができる。まだ、符号化
部１３にスペクトル歪の正規化機能を加えることも可能
である。
これら入力音声のベクトル量子化部の一実施例を第２図
に示す。この実施例では距離尺度としてＬＰＣ分析に基
づ＜ Ｗ Ｌ Ｒ（Ｗｅｉｇｈｔｅｄ Ｌｉｋｅｌｉｈ
。
に示す。この実施例では距離尺度としてＬＰＣ分析に基
づ＜ Ｗ Ｌ Ｒ（Ｗｅｉｇｈｔｅｄ Ｌｉｋｅｌｉｈ
。
−ｏｄ Ｒａｔｉｏ ）尺度を用い、ベクトル量子化の
手法として全数探索符号化を取シあげる。入力音声はＡ
Ｄ変換部１４で、高域強調された後、４ＫＨｚの低域通
過フィルタに通し、更に８ＫＨｚでサンプリングされて
ディジタル信号に変換される。このディジタル信号は自
己相関分析部１５で１６’ｍ５ｅｃをフレーム周期とし
、３２ｍ５ｅｃのハミング窓をかけ、１０次の自己相関
分析が行われる。その後ＬＰＣ分析部１６で前記自己相
関係数から１０次のＬＰＣ分析を行い、線型予測係数が
求められる。この線型予測係数から１６次までのＬＰ、
Ｃヶプヌトラム係数及び１６次までのＬＰＣ相関係数が
特徴パラメータ計算部１７で計算される。
手法として全数探索符号化を取シあげる。入力音声はＡ
Ｄ変換部１４で、高域強調された後、４ＫＨｚの低域通
過フィルタに通し、更に８ＫＨｚでサンプリングされて
ディジタル信号に変換される。このディジタル信号は自
己相関分析部１５で１６’ｍ５ｅｃをフレーム周期とし
、３２ｍ５ｅｃのハミング窓をかけ、１０次の自己相関
分析が行われる。その後ＬＰＣ分析部１６で前記自己相
関係数から１０次のＬＰＣ分析を行い、線型予測係数が
求められる。この線型予測係数から１６次までのＬＰ、
Ｃヶプヌトラム係数及び１６次までのＬＰＣ相関係数が
特徴パラメータ計算部１７で計算される。
このフレームごとに計算されたＬＰＣケプストラム係数
とＬＰＣ相関係数は入力音声の特徴ベクトルとして、こ
れと記憶部１８にあらがじめ蓄えられている代表特徴ベ
クトルとの距離がＷＩ、Ｒ尺度で距離計算部１９で計算
される。これら代表層徴ベクトルもＬＰＣケプストラム
係数とＬＰＣ相関係数の形で蓄えられている。代表特徴
ベクトルのうちＷＬＲ尺度で入力ベクトルにもっとも近
い代表特徴ベクトル番号が最小距離ベクトル抽出部２１
から出力される。
とＬＰＣ相関係数は入力音声の特徴ベクトルとして、こ
れと記憶部１８にあらがじめ蓄えられている代表特徴ベ
クトルとの距離がＷＩ、Ｒ尺度で距離計算部１９で計算
される。これら代表層徴ベクトルもＬＰＣケプストラム
係数とＬＰＣ相関係数の形で蓄えられている。代表特徴
ベクトルのうちＷＬＲ尺度で入力ベクトルにもっとも近
い代表特徴ベクトル番号が最小距離ベクトル抽出部２１
から出力される。
第１図の説明に戻ってＤＰマツチング部２２では、距離
マトリックス記憶部２３にあらかじめ蓄エラれている代
表特徴ベクトル間の距離マトリックス［）＝（ｄｉｊ）
を用いて入力音声の代表特徴ベクトル番号（ｉ）と、標
準パターン記憶部２４に記憶すしている標準パターンの
代表特徴ベクトル番号（ｊ）とのＷＬＲ尺度の距離ｄｉ
ｊをそのたびごとに計算することなしに、距離マトリッ
クスＤの要素（’＋Ｊ）を検索してｄｉｊを求め、この
距離値ｄｉｊを用いてＤＰマツチングを実行し、入力音
声と標準パターンとの距離を計算する。
マトリックス記憶部２３にあらかじめ蓄エラれている代
表特徴ベクトル間の距離マトリックス［）＝（ｄｉｊ）
を用いて入力音声の代表特徴ベクトル番号（ｉ）と、標
準パターン記憶部２４に記憶すしている標準パターンの
代表特徴ベクトル番号（ｊ）とのＷＬＲ尺度の距離ｄｉ
ｊをそのたびごとに計算することなしに、距離マトリッ
クスＤの要素（’＋Ｊ）を検索してｄｉｊを求め、この
距離値ｄｉｊを用いてＤＰマツチングを実行し、入力音
声と標準パターンとの距離を計算する。
つまシ従来においては単語入力音声の特徴ベクトルの時
系列と、単語標準音声の特徴ベクトルの時系列との時間
正規化パターンマツチングを、これら両時系列の特徴ベ
クトル間の距離を要素とする距離マトリックスを作って
行っていた。しかしこの発明では入力音声の特徴ベクト
ルの時系列は代表特徴ベクトル番号に変換され、標準音
声も代表特徴ベクトル番号として記憶されてあシ、代表
特徴ベクトルは有限個、例えば５１２個であシ、この５
１２個の特徴ベクトル間の各距離を予め計算して、例え
ば読出し専用メモリの距離マトリックス記憶部２３に記
憶しておく。従ってＤＰマツチング部２２での入力音声
特徴ベクトル番号系列と、標準音声特徴ベクトル番号系
列との距離マトリックスの各要素を、距離マトリックス
記憶部２３を索引することによシ、いちいち計算するこ
となく直ちに得ることができる。
系列と、単語標準音声の特徴ベクトルの時系列との時間
正規化パターンマツチングを、これら両時系列の特徴ベ
クトル間の距離を要素とする距離マトリックスを作って
行っていた。しかしこの発明では入力音声の特徴ベクト
ルの時系列は代表特徴ベクトル番号に変換され、標準音
声も代表特徴ベクトル番号として記憶されてあシ、代表
特徴ベクトルは有限個、例えば５１２個であシ、この５
１２個の特徴ベクトル間の各距離を予め計算して、例え
ば読出し専用メモリの距離マトリックス記憶部２３に記
憶しておく。従ってＤＰマツチング部２２での入力音声
特徴ベクトル番号系列と、標準音声特徴ベクトル番号系
列との距離マトリックスの各要素を、距離マトリックス
記憶部２３を索引することによシ、いちいち計算するこ
となく直ちに得ることができる。
このＤＰマツチング部２２で入力音声とすべての標準音
声との距離が計算され、その最小のものが単語決定部２
５で決定され、対応する標準音声の単語名が出力端子２
６に出力される。
声との距離が計算され、その最小のものが単語決定部２
５で決定され、対応する標準音声の単語名が出力端子２
６に出力される。
上記の実施例ではＬＰＣ分析に基づいてＷＬＲ尺度及び
全数探索符号化法によシベクトル量子化を行ったが、距
離尺度としてＬＰＣケプストラム距離、最大スペクトル
距離、相関距離を用いても同様に実施できる。また、Ｌ
ＰＣ分析のかわシにバンドパスフィルターの出力を用い
ても同様にして実行できることは言うまでもない。また
、入力音声のベクトル符号化の手法として全数探索符号
化法（ＦＳＣ）のかわシに２分岐木による符号化法（Ｂ
ＴＣ）を用いても同様に実現できる。更に例えば５１２
個の代表特徴ベクトルに対し、３２個の中間ベクトルを
選定し、各代表特徴ベクトルに対し、第１番目に近い中
間ベクトルと第２番目に近い中間ベクトルを求めて、こ
れら二つの中間ベクトルのラベル格報を各代表特徴ベク
トルに付けておき、入力特徴ベクトルと前記各中間ベク
トルとの距離を計算し、最も近い中間ベクトルを求め、
その中間ベクトルのラベルが与えられているすべての代
表特徴ベクトルと入力特徴ベクトルとの距離を計算し、
その最も小さいものの代表特徴ベクトルの番号を入力特
徴ベクトルの符号化出力とすることもできる。この場合
は計算量をＦＳＣ法よシも大幅に減少でき、かつ歪の値
をＦＳＣ法にはソ等しくすることができる。
全数探索符号化法によシベクトル量子化を行ったが、距
離尺度としてＬＰＣケプストラム距離、最大スペクトル
距離、相関距離を用いても同様に実施できる。また、Ｌ
ＰＣ分析のかわシにバンドパスフィルターの出力を用い
ても同様にして実行できることは言うまでもない。また
、入力音声のベクトル符号化の手法として全数探索符号
化法（ＦＳＣ）のかわシに２分岐木による符号化法（Ｂ
ＴＣ）を用いても同様に実現できる。更に例えば５１２
個の代表特徴ベクトルに対し、３２個の中間ベクトルを
選定し、各代表特徴ベクトルに対し、第１番目に近い中
間ベクトルと第２番目に近い中間ベクトルを求めて、こ
れら二つの中間ベクトルのラベル格報を各代表特徴ベク
トルに付けておき、入力特徴ベクトルと前記各中間ベク
トルとの距離を計算し、最も近い中間ベクトルを求め、
その中間ベクトルのラベルが与えられているすべての代
表特徴ベクトルと入力特徴ベクトルとの距離を計算し、
その最も小さいものの代表特徴ベクトルの番号を入力特
徴ベクトルの符号化出力とすることもできる。この場合
は計算量をＦＳＣ法よシも大幅に減少でき、かつ歪の値
をＦＳＣ法にはソ等しくすることができる。
〈効 果〉
この発明の認識方法を、前述の５ＰＬＩＴ法及びＦｕｌ
ｌ Ｍａｔｃｈｉｎｇ法を取シあげ、単語音声認識実験
による評価を行う。認識対象′は、男性４名が発声した
日本の６４１都市名音声データである。距離を計算する
ために、ＷＬＲ尺度及びＰＷＬＲ尺度〔電子通信学会部
門別全国大会ｓａ−６（１９８２−０８）相用等”ベク
トル量子化と音声認識への適用″′参照〕を取υ上げる
。ＤＰマツチングの手法としては、Ｓｔａｇｇｅｒｅｄ
Ａｒｒａｙ Ｄ Ｐ 〔日本音響学会音声研究会資料
Ｓ ８２−１５ （１９８２−０６）鹿野等” Ｓｔａ
ｇｇｅｒｅｄ Ａｒｒａｙ Ｄ Ｐ マツチング″参照
〕を用いる。この発明のベクトル量子化による符号化法
として、ＦＳＣ法とＢＴＣ法をとＤ’６げる。これらの
方式の入力音声１フレーム当りの距離計算の回数を表１
に示す。
ｌ Ｍａｔｃｈｉｎｇ法を取シあげ、単語音声認識実験
による評価を行う。認識対象′は、男性４名が発声した
日本の６４１都市名音声データである。距離を計算する
ために、ＷＬＲ尺度及びＰＷＬＲ尺度〔電子通信学会部
門別全国大会ｓａ−６（１９８２−０８）相用等”ベク
トル量子化と音声認識への適用″′参照〕を取υ上げる
。ＤＰマツチングの手法としては、Ｓｔａｇｇｅｒｅｄ
Ａｒｒａｙ Ｄ Ｐ 〔日本音響学会音声研究会資料
Ｓ ８２−１５ （１９８２−０６）鹿野等” Ｓｔａ
ｇｇｅｒｅｄ Ａｒｒａｙ Ｄ Ｐ マツチング″参照
〕を用いる。この発明のベクトル量子化による符号化法
として、ＦＳＣ法とＢＴＣ法をとＤ’６げる。これらの
方式の入力音声１フレーム当りの距離計算の回数を表１
に示す。
これらの方式の認識性能を表２に示す。
表 ２
この実験からも、ＢＴＣ法を用いたこの発明の方法では
、５ＰＬＩＴ法に比べて距離計算の量が、１６／２５６
〜１ ｓ、、”ｓ １２に減シ、認識性能もそれ嫌ど劣
化しないことがわかる。
、５ＰＬＩＴ法に比べて距離計算の量が、１６／２５６
〜１ ｓ、、”ｓ １２に減シ、認識性能もそれ嫌ど劣
化しないことがわかる。
以上述べたように、この発明によればスペクトル間の距
離計算量を減らすことができ、認識装置の計算量を減ら
すことができる。かつ、比較的高い認識性能も達成する
ことができる。
離計算量を減らすことができ、認識装置の計算量を減ら
すことができる。かつ、比較的高い認識性能も達成する
ことができる。
なお第１図及び第２図における各ブロックは機能的に表
わしたものであって、これらをハードウェアとして構成
してもよく、一部又は全部を電子計算機で処理する構成
としてもよい。
わしたものであって、これらをハードウェアとして構成
してもよく、一部又は全部を電子計算機で処理する構成
としてもよい。
第１図はこの発明による音声認識方法の実施例を示すブ
ロック図、第２図は例えばＷＬＲ尺度と全数探索符号化
を用いた場合の入力音声をベクトル量子化する構成例を
示すブロック図である。 １１：入力端子、１２：特徴パラメータ抽出部、１３：
ベクトル量子化による符号化部、２２：ＤＰマツチング
部、２３：距離マトリックス記憶部、２４：単語音声標
準パターン記憶部、２５：単語決定部。 特許出願人 日本電信電話公社 代理人 草野 卓
ロック図、第２図は例えばＷＬＲ尺度と全数探索符号化
を用いた場合の入力音声をベクトル量子化する構成例を
示すブロック図である。 １１：入力端子、１２：特徴パラメータ抽出部、１３：
ベクトル量子化による符号化部、２２：ＤＰマツチング
部、２３：距離マトリックス記憶部、２４：単語音声標
準パターン記憶部、２５：単語決定部。 特許出願人 日本電信電話公社 代理人 草野 卓
Claims (1)
- （１）認識対象単語の音声標準パターンを、それぞれ代
表特徴ベクトル番号の時系列として記憶する標準パター
ン記憶部と、上記すべての代表特徴ベクトル間の距離を
表わす距離マトリックスを記憶する距離マトリックス記
憶部とを用い、入力音声時系列を表わす各特徴ベクトル
を、有限個の代表特徴ベクトル間 代表特徴ベクトル番号の時系列に変換するステップと、
その変換された入力音声の代表特徴ベクトル番号の時系
列と上記標準パターン記憶部の標準パターンの代表特徴
ベクトル番号の時系列との距離を、上記距離マトリック
スを用いて計算するステップと、その計算された入力音
声及び標準パターン間の距離をもとにその入力音声の単
語を決定するステップとを有する音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57210433A JPS5999500A (ja) | 1982-11-29 | 1982-11-29 | 音声認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP57210433A JPS5999500A (ja) | 1982-11-29 | 1982-11-29 | 音声認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPS5999500A true JPS5999500A (ja) | 1984-06-08 |
Family
ID=16589237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP57210433A Pending JPS5999500A (ja) | 1982-11-29 | 1982-11-29 | 音声認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS5999500A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60237496A (ja) * | 1984-05-10 | 1985-11-26 | 株式会社リコー | 音声認識方法及びその装置 |
| JPS64996A (en) * | 1987-06-24 | 1989-01-05 | A T R Jido Honyaku Denwa Kenkyusho:Kk | Voice recognition system using vector quantization |
| WO2007015489A1 (ja) * | 2005-08-01 | 2007-02-08 | Kyushu Institute Of Technology | 音声検索装置及び音声検索方法 |
-
1982
- 1982-11-29 JP JP57210433A patent/JPS5999500A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60237496A (ja) * | 1984-05-10 | 1985-11-26 | 株式会社リコー | 音声認識方法及びその装置 |
| JPS64996A (en) * | 1987-06-24 | 1989-01-05 | A T R Jido Honyaku Denwa Kenkyusho:Kk | Voice recognition system using vector quantization |
| WO2007015489A1 (ja) * | 2005-08-01 | 2007-02-08 | Kyushu Institute Of Technology | 音声検索装置及び音声検索方法 |
| JP4961565B2 (ja) * | 2005-08-01 | 2012-06-27 | 国立大学法人九州工業大学 | 音声検索装置及び音声検索方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4720863A (en) | Method and apparatus for text-independent speaker recognition | |
| US5056150A (en) | Method and apparatus for real time speech recognition with and without speaker dependency | |
| Buzo et al. | Speech coding based upon vector quantization | |
| US5353408A (en) | Noise suppressor | |
| AU5958599A (en) | Automatic speech/speaker recognition over digital wireless channels | |
| KR100298300B1 (ko) | 포만트유사도측정에의한피솔라를이용한음성파형부호화방식 | |
| JPS634200B2 (ja) | ||
| JP2004523788A (ja) | 音声認識モデルの効率的な記憶のためのシステムおよび方法 | |
| JPH01997A (ja) | ベクトル量子化を用いた音声認識方式 | |
| Yuan et al. | Binary quantization of feature vectors for robust text-independent speaker identification | |
| US5943647A (en) | Speech recognition based on HMMs | |
| JP2006171751A (ja) | 音声符号化装置及び方法 | |
| JPH01996A (ja) | ベクトル量子化を用いた音声認識方式 | |
| JPH01998A (ja) | スペクトログラムの正規化方法 | |
| US7298783B2 (en) | Method of compressing sounds in mobile terminals | |
| JPS5999500A (ja) | 音声認識方法 | |
| KR100901640B1 (ko) | 음성 인식을 위한 음성 특징 벡터 양자화에 있어 비균일표본을 기반으로 하는 학습 데이터 선정 방법 | |
| JP3088163B2 (ja) | Ｌｓｐ係数の量子化方法 | |
| JP2709926B2 (ja) | 声質変換方法 | |
| JPH10254473A (ja) | 音声変換方法及び音声変換装置 | |
| JPH07111456A (ja) | 音声圧縮方法および装置 | |
| JPH04369698A (ja) | 音声認識方式 | |
| JPS5999496A (ja) | ベクトル量子化法 | |
| JPH08123490A (ja) | スペクトル包絡量子化装置 | |
| KR100701253B1 (ko) | 이동통신 환경 하에서의 서버 기반 음성 인식을 위한음성부호화 방법 및 장치 |