JPS60138599A - 音声区間検出装置 - 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】 〔発明の技術分野〕 本発明は、音声認識システムに使用される音声区間検出
装置に関する。

〔発明の技術的背景とその問題点〕

一般的に、音声認識システムには大別して、音声信号を
音韻系列に変換した後予め用意された標準音韻系列と照
合する方式及び直接照合方式の２つの方式がある。直接
照合方式は、音声区間全体の特徴パラメータ系列を適渦
なアルゴリズムによシ圧縮して音声パターンを抽出し、
予め登録された標準パターンとのパターンマツチング法
等によシ音声認識を行なう方式である。

上記のような直接照合方式では、音声入力信号に対する
音声区間の検出が重要な要因の一つであシ、正確に抽出
する必要がある。ところで、音声区間の検出では、音声
入力信号のレベルと比較して背景雑音レベルが非常に低
い場合、即ち信号対雑音（ＶＮ　）比が例えば３０　ｄ
Ｂ以上の場合には正確な検出が可能である。この場合、
従来では音声入力信号のエネルギーにおいて所定の閾値
を用いて音声区間の始端及び終端を検出する方式が知ら
れている。しかしながら、背景雑音のレベルが大きい場
合には、従来のエネルギーによる検出方式では正確な音
声区間の検出は不可能である。

このため、従来では音声入力信号のエネルギー及び音声
信号から得られる他の情報（倒えば零又差数）を併用す
る音声区間の検出方式が用いられている。この方式によ
れば、雑音と同レベルの弱い犀擦音などを検出できるな
ど検出精度をおる程度間めることはできるが、Ｓ／Ｎ比
が小さい場合には雑音部の除去が困難であシ、検出精度
は低下する欠点があった。

〔発明の自重〕 本発明は上記の事情に鑑みてなされたもので、その目的
性、音声入力信号において音声信号と背景雑音を確実に
識別して音声認識対象となる音声区間を高精度に検出す
ることができる音声区間検出装置を提供することにある
。

〔発明の概要〕

本発明では、前書処理手段により作成される音声入力信
号に対する周波数スペクトルパラメータ情報をフレーム
毎に順次格納する・ぐラフアメモリが設けられる。この
・々ラフアメモリに格納された周波数スペクトルパラメ
ータ情報は、候補点検出手段に送られる。この候補点検
出手段は、周波数スペクトルパラメータ情報に応じたエ
ネルギー時系列データをめ、そのエネルギー時系列デー
タの各時点での値と予め設定されるエネルギー閾値とを
比較することによシ音声区間の始端および終端の各候補
点を検出する。

一方、類似度計算回路はバッファメモリ内の周波数スペ
クトルパラメータ情報及び予め登録された母音標準ツク
ターンとの類似度を算出し、その算出結果に基づいた類
似度時系列データを作成する。そして音声区間検出手段
によシ、上記類似度時系列データ及、び各候補点に基づ
いてｆ声区間の始端および終端を決定するデータが出力
されるように構成されている。

これによシ、音声入力信号のエネルギー及び短時間スペ
クトルの母音性情報を併用して、音声区間を高精度に抽
出できるものである。

〔発明の実施例〕

以下図面を参照して本発明の一実施例について説明する
。第１図は一実施例に係わる音声区間検出装置の構成を
示すブロック図である。第１図において、音響処理部１
０は音声入力信号Ｉを周波数分析して、フレーム毎に周
波数スペクトルパラメータ情報（デジタル情報）Ｐｉを
作成してバッファメモリ１１に出力する。マイクロプロ
セッサ（ＣＰＵ　）　１２　ｉｔ、バッファメモリ１１
に格納されたパラメータ情報Ｐｉを読出して、低域の！
チャネル（例えば３００〜８００Ｈｚの帯域に相当する
チャネル数）のスペクトルパラメータの和（エネルギー
）ＬＰＷ（ｉ）を算出する。

そして、予め設定されるエネルギー閾値（第２図のＥ１
〜Ｅ３　）に基づいて、音声区間の始端及び終端の各候
補点ｉｓｏ　、　ｉｅｏを検出してワークメモリ１３に
格納する。

一方、類似度計算回路１４は、バッファメモリ１１内の
パラメータ情報Ｐｉに対して短時間スペクトルパターン
の標準母音スペクトルノリーンに基づいた類似度値を算
出し、類似度時系列データをＣＰＵ　１２へ出力する。

標準母廿スペクトルパターンは標準パターンメモリ１５
に格納されている。ＣＰＵ　１２は、類似度計算回路１
４から送られる類似度時系列ｒ−夕をワークメモリ１３
に格納し、この類似度時系列データ及び上記各候補点ｉ
ｉｏ　、　ｉｅｏに基づいて音声区間の始端及び終端を
決定するデータｉｓ　、　ｉｅを出力する。

上記のような構成の音声区間検出装置において、第２図
を参照して一実施例に係わる動作を説明する。先ず、音
声は通常母音部と子音部に大きく分けられる。母音部は
、音響伝達系である声道が声帯音源によシ励振されるこ
とによって発声されるため、各母音固有のスペクトル構
造を有している。このため、各母音間の識別が比軟的容
易である。また母音部はエネルギーが大きいという特性
を有している。

音声入力信号工が音響処理部１０に与えられると、この
音響処理部１０からフレーム（一定時間間隔からなるフ
レーム周期）毎の周波数スペクトルパラメータ情報（以
下単にスペクトルパラメータと称する）Ｐｌが出力され
、バッファメモリ１１に格納される。バッファメモリ１
１には、通常最新フレームのスペクトルノヤラメータ格
納領域の先頭番地を示すポインタが設けられている。次
に、ＣＰＵ１２は、ポインタに応じて最新フレームのス
ペクトルパラメータｐｔをバッファメモリ１１から読出
し、上記のような低域のｌチャネルのスペクトルｉ＜？
ラメータの和（エネルギー）　ＬＰＷ（１）を算出する
。ここで、ｌはフレーム番号を示す。ＣＰＵ　１２は、
バッファメモリ１１内のスペクトルパラメータをポイン
タに従って先頭から順に読出し、第２図に示すようなエ
ネルギー時系列データＬＰＷ　（１）を算出する。そし
て、ＬＰＷ　（ｉ）が予め設定された始端の低域エネル
ギーの１段目の閾値Ｅ０を越える点ｉｓｏを検出する。

その後、ＬＰ’Ｗ（ｉ）が閾値８１未満になることなく
、予め設定された２段目の閾値Ｅ２を越えたならば、そ
のｉｓｏを音声区間の始端の候補点とする。ここで、ｔ
、ｐｗ　（ｔ）が閾値Ｅ１を越えた後、閾値Ｅ２を越え
る前に８１未満となった場合にはｉｓｏをクリアし、改
めて次に閾値Ｅ１を越える点を探すことになる。またＣ
ＰＵ　１２　ｆｉ、低域エネ／ｌ／　キー　ＬＰＷ　（
ｉ）にオイテ、第２図に示すような予め設定された終端
の低域エネルギー閾値Ｅ３を下まわる点１ｅｏを検出し
、終端の候補点とする。

一方、類似度計算回路１４はＣＰＵ　１２の制御によシ
、バッファメモリ１１から出力されるスペクトルノやラ
メータの標準ノリーンメモリ１５内の母音標準パターン
に対する類似度値Ｓｖ、ｊ　Ｑ）を算出してワークメモ
リ１３に格納することになる。ここで、類似度値Ｓｖｊ
　（ｉ）は、第２図に示すように始端候補点ｉｇｏに対
して１ｓｏ−θ８〜ｉａｏ＋θＢの範囲のスペクトルパ
ラメータに相当する値である。θＳは例えば５０〜７０
　ｍ５ｅｃに相当するフレーム数とする。ところで、母
音標準パターンは、単独に発声された母音（ア、イ。

つ、工、オ）の定常部（フレーム）のスペクトルパター
ンである。ＣＰＵ１２は、ワークメモリ１３から上記類
似度値Ｓｖｊ　（ｉ）を読出し、以下のような条件式（
１）〜（３）を満たすフレームｉ及び母音ｊが存在すれ
ば候補点１ｓｏを真の始端を決定するデータ１ｇとして
出力する。

Ｓｖｊ　（ｉ）　＝　０　・・・（１）Ｓｖｊ”（ｉ）
＜　０　・・・（２） ＳｖＪ　（ｉ）　）　Ｔｓｊ　−（３）ここで、条件式
（１）は時間軸方向の一階微分演算結果であシ、条件式
（２）は２階微分演算結果を示す。また、Ｔａｊは母音
に対する類似度閾値である。上記条件式（１）〜（３）
を満足するフレームｉ及び母音ｊが存在しない場合には
、ｉｓｏを雑音による偽の始端候補点としてクリアする
。そして、次の候補点１ｉｏ＋１に基づいて上記のよう
な動作が再度行なわれる。

一方、ＣＰＵ　１２は終端の候補点ｉｏｏにおいて、ｒ
　１ｅｏ（１≦ｉｅｏ　＋Ｎａ　ｊについてｒ　ＬＰＷ
　（ｉ）＜　Ｅ　Ｌｌであれば、ｒ　ｉｅｏ　１＝　ｉ
ｓ　Ｊとなるｉｅを真の終端ｉｅとして出力する。但し
Ｊ　ｔｅａ≦ｉ　ｆ＜１　ｅｏ　＋Ｎｅ、Ｊで「ｍａｘ
　（Ｓｖｊ（ｌｆ）））Ｔｅｊ　Ｊの条件式を満足する
フレームｌ及び母音ｊが存在する場合には、ｉｆを終端
１ｅとする。ここで、Ｔｅｊは母音に対する類似度閾値
である。また、Ｓｖｊ　（ｉ）がｉｅｏ〜ｉｅ。

十Ｎｏで「ＬＰＷ　（ｉ）≧Ｅｓ　Ｊとなれば、ｉｅｏ
をクリアして、改めてｒ　ＬＰＷ　（ｉ）　＜　Ｅ３Ｊ
となるような候補点を探し、再度上記のような検出動作
が行なわれる。

このようにして、音声入力信号のフレーム毎のスペクト
ルパタ−ンにおいて始端の候補点ｉｓｏ及び母音標準・
母ターンに対する類似度値Ｓｖｊ　（ｉ）をめ、音声区
間の始端を決定するｒ−タｉｓを検出できる。この場合
、孤立発声された母音データから作成された標準パター
ンとの類似度値をフレーム毎に算出したＳｖｊ　（１）
は、第２図に示すように複雑な変化を示す。即ち、子音
部や無晋区間では、Ｓｖｊは全体的に低い値となる。そ
して、母音の定常部ではその母音の標準・母ターンに対
する類似度値は高いピークを示し、それ以外の類似度値
は低い値となる。したがって、低域エネルギーＬＰＷ　
（りに応じて検出された始端候補点が１８頭の母音部が
否かを調べるためには、始端候補点ｉａｏの近辺１ｓｏ
−θｓＡ−ｉ　ｓ　ｏ十θＢにある母音の標準）４ター
ンに対する類似度値のピークが存在するか否かを調べれ
ばよい。

さらに、終端の候補点ｉｅｏ及び母音標準パターンに対
する類似度値に基ついて音声区間の終端を決定するデー
タｉｇを検出できる。この場合、終端の検出とは無声化
語尾の検出と関係している。語尾が無声化するのは、語
尾に無声子音（ｐ＋　ｔ　、　ｋ　、　ｓｈ　、　ａｈ
等）がきた場合でろ、るが、無声化と有声の相違はその
子音特有の声道形の変化の後に声帯音源の励振による母
音部が続くか否かにある。語尾が無声化した場合には、
声帯音源による励振はないが、声道形は後続母音に対す
る特有の形状になっており、声道中の狭めで発生する乱
気流による雑音源を音源として音声が発声される。した
がって雑音源のスペクトルが白色とすれば、無声化れ８
尾のスペクトルはその声道形に対応する母音のスペクト
ルと同じ様相を程する。このため、母音標準１？ターン
との類似度値は、おる特定の母音に対して高い値を示す
。そこで、ＬＰＷ（ｉ）によシ検出された絡端候補点１
ｅｏより後続のフレームについて母音標準パターンとの
類似度値を計算する。この結果、類似度値が上記閾値Ｔ
ｅｊを越えるフレームが存在する場合には、語尾が無声
化しているものとして、終端候補点ｌｅａを変更し、そ
うでない、鵠合にはその候補点１ｅｏを音声区間の終端
ｉｅとするものである。

なお、上記実施例において短時間スペクトルの母音性を
表わすパラメータとして標準母音パ以上詳述したように
本発明によれば、音声区間検出用のパラメータとして音
声入力信号のエネルギー及び短時間スペクトルの母音類
似度を併用することによシ、音声信号と背景雑音を確実
に識別して、音声区間の始端及び終端を検出できる。し
たがって、音声区間を高精度に検出することができ、結
果的に音声認識の精度を高めることができるものである
。

【図面の簡単な説明】

第１図は本発明の一実施例に係わる音声区間検出装置の
構成を示すブロック図、菓２図は第１図の音声区間検出
装置の動作を説明するための図である。 １０・・・音響処理部、１１・・・バッファメモリ、１
２・・・ＣＰＵ、１３・・・ワークメモリ、１４・・・
類似度計算回路、１５・・・標準ｉ４ターンメモリ。

Claims (1)

【特許請求の範囲】
1. 音声入力信号を周波数分析しフレーム毎に周波数スペク
   トルノぐ２メータ情報を出力する音響処理手段と、上記
   音響処理手段から出力される上記周波数スイクトル／Ｊ
   ？ラメータ情報をフレーム毎に順次格納するバッファメ
   モリと、上記バッファメモリに格納された周波数スペク
   トル・臂うメータ情報に応じたエネルギー時系列データ
   をめそのエネルギー時系列データの各時点での値と予め
   設定されるエネルギー閾値とを比較することによシ音声
   区間の始端および終端の各候補点を検出する候補点検出
   手段と、上記バッファメモリに格納された周波数スペク
   トルパラメータ情報と予め登録された母音標準Ａ’ター
   ンとの類似度を算出しその算出結果に基づいた類似度時
   系列データを出力する類似度計算手段と、上記候補点検
   出手段で検出された上記各候補点及び上記類似度計算手
   段から出力される上記類似度時系列データに基づいて音
   声区間の始端および終端を決定するデータを出力する音
   声区間検出手段とを具備してなることを特許とする音声
   区間検出装置。