JPS60164800A - 音声認識装置 - 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】 産業上の利用分野 本発明は、音節を予め登録しておき、連続発声して入力
された単語または文節を、単語辞書を用いて認識する音
声認識装置に関する。

従来例の構成とその問題点 人間にとって最も自然な情報発生手段である音声が、人
間−機械系の入力手段として使用できれば、その効果は
非常に大きい。

従来、音声認識装置としては特定話者登録方式によるも
のが実用化されている。即ち、認識装置を使用しようと
する話者が、予め、認識すべきすべての単語を自分の声
で特徴ベクトルの系列に変換し単語辞書に標準バ〉−ン
として登録しておき、認識時に発声された音声を、同様
に特徴ベクトルの系列に変換し、前□記単語辞書中のど
の単語に最も近いかを予め定められた規則によって計算
し、　・最も類似している単語を認識結果とするもので
ある。

ところが、この方法によると、認識単語数が少いときは
良いが、数百、数千単語といったように増加してくると
、主として次の三つの問題が無視し得なくなる。

（１）登録時における話者の負担が著しく増大する。

（２）認識時に発声された音声と標準ノくターンとの類
似度あるいは距離を計算するのに要する時間が著しく増
大し、認識装置の応答速度が遅くなる。

（３）前記単語辞書のために要するメモリが非常に大き
くなる。

以上の欠点を回避するための方法として認識の単位を子
音＋母音および母音の単音節（以後それぞれＣＶ、Ｖで
表す。Ｃは子音、■は母音を意味する。）とする方法が
ある。即ち、標準パターンとして単音節を特徴ベクトル
の系列として登録しておき、認識時に特徴ベクトルの系
列に変換された入力音声を、前記単音節の標準パターン
とマツチングすることにより、単音節の系列に変換する
ものである。日本語の場合、単音節はたかだか１０１種
類であり、単音節は仮名文字に対応しているから、この
方法によれば、日本語の任意の単語あるいは文章を単音
節列に変換する（認識する）ことができ、前記（１）〜
（３）の問題はすべて解決されることになる。しかし、
この場合の問題として調音結合とセグメンテーションが
ある。調音結合は、音節を連続して発声すると各音節は
前後の音節の影響を受け、スペクトル構造が前後に接続
される音節によって変化する現象である。セグメンテー
ションは、連続して発声された音声を単音節単位に区切
ることであるが、これを確実に行う決定的な方法は未だ
見出されていない。この２つの問題を解決するために、
現在のところ各単音節を区切って、発声することが行わ
れておシ、実用化されている装置もある。

しかし、単音節を離散的に発声するのは不自然であシ、
話者に緊張を強いるものである。

発明の目的 本発明は、認識されるべき単語または文節に対し、それ
らの数が多い場合でも小形低価格かつ標準パターンの登
録操作が簡単であって、認識精度および処理速度の向上
が可能な音声認識装置を実現することを目的とする。

発明の構成 本発明は、Ｖ、ＣＶ、、ＶＶ、、、ＶＣＶ等の音節を予
め登嘩しておき、これらを連続発声して入力された単語
または文節を、単語辞書を用いて、これら音節列として
認識するものであって、その構成は、入力音声信号を特
徴ベクトル、の系列に変換する特徴抽出手段と、前記入
力音声信号の定常点を抽出する定常点伸出手段と、これ
ら定常点の種々の組合せに関して選ばれた入カバターン
の部分パターン表、ｖ、ｃｖ、ｖｖ、ｖｃｖ　（ｖＨ母
音、６６゜ ０は子音）等のそれぞれの音節に対応する標準パターン
とのマツチングを行って距離（または類似度）を計算す
るための音節マツチング手段と、認識されるべき各単語
または文節に対して、それらによって指定される音節名
の系列に対応するように前記入カバターンの部分パター
ンを重複区間がなく連続するように最適に定めることに
より、その各部分パターンとその部分パターンの前記音
節名に対し、前記音節マツチング手段により得られてい
る距離（または類似度）の総和を最小（または最大）と
なし、得られる最小値（または最大値）を各単語または
文節に対する入カバターンの距離（または類似度）とし
て出力する単語マツチング手段と、この単語マツチング
手段によって各単語または文節に対して計算される距離
（または類似度）が最小（または最大）となる単語また
は文節を判定して認識結果として出力する判定手段とか
ら構成される。

実施例の説明 以後、「単語」という言葉は「文節」という言７、　− 葉も代表するものとする。また、「類似度」は「距離」
で代表して説明する。即ち、距離が小さいとけ類似度が
大きいということである。

第１図は本発明の実施例である。１は音声信号入力端子
、２は特徴抽出部であって、例えば２゜チャネルのフィ
ルタバンクを用い、１フレームを１０ｍ５ｅｃとすれば
、その出力には１０ｍ５ｅＣ毎に２０個の数値（特徴ベ
クトル）が得られる。即ち入力音声信号は特徴ベクトル
の系列Ａ＝ａ、１　、　ａ２　。

・・・・・・ａＩに変換される。ａｉは第ｉフレームで
得られる特徴ベクトル、■は入力音声のフレーム数であ
る。３は電力計算部であって、第ｉフレームの電力をｐ
ｌ　とすれば、フレーム毎にｐｉ＝ｍ５ワζ”””　”
　ｉ　ｖ’１　が計算される。ここに、”　ｉ−（”　
ｉｌ　＋ａｉ２＋・・・・・・＋　”ｉｐ）である。４
は音声区間検出部であって、とのｐ、の変化パターンか
ら入力音声信号の始終端を検出する。即ち、無音、有音
を判別する閾値を定め、この閾値以上の区間が予め定め
た一定期間以上続いたとき、との閾値を越えた時点を音
声の開始時点とし、この閾値以下の期間が予め定めたあ
る一定期間以上続いたとき、この閾値以下となった時点
を音声の終端とする等の方法が可能である。６はバッフ
ァメモリで、入力音声信号を音声区間検出部４によって
検出される始端から終端まで一時的に記憶するものであ
る。６は定常点検出部で、バッファメモリ５の内容を読
み出し、定常点を検出するものである。定常点の検出は
、例えば、各フレームに対シテ前後数フレームのスペク
トルの分散を計算し、これが最小となるフレームとして
検出できる。即ち、第ｉフレームにおけるこの分散をａ
ｉ　とすると入カバターンＡ−ａ　１　＋　ａ　２・・
・・・・ａｉ・・・・・・ａＩ。

ａｉ”（”ｉｌｌ”ｉ２＋・・・・・・ｒ　”ｉ　ｙ　
）に対し、として与えられる。７は促音判定結果記憶部
であって、音声区間検出部４で検出された無音区間から
促音と判定される部分を記憶するものである。

促音の検出は、前記定義に基づく無音期間の時間長によ
って判定される。例えば、この期間が１００ｍ５ｅｃ〜
２５０ｍ５ｅｃを促音とする等である。８は音節標準パ
ターン記憶部であって、ｖ、ｃｖ、ｖｖ。

ＶＣＶ等の音節に対する特徴ベクトルの系列をＶ。

Ｃ■については語頭から母音定常部まで、ｖｖ。

ＶＣＶについては先行母音の定常部から後続母音の定常
部まで標準パターンとして予め話者が発声し登録してお
く。９は音節パターン比較部であって、定常点検出部７
で検出された第ｍ定常点と第ｐ定常点（ｐ＞ｍ　）のｍ
、ｐに関する種々の組合せに対し、第ｍ定常点から第ｐ
定常点までの対応する入カバターンをバッファメモリ６
から読み出した入カバターンの部分パターンＡ（ｍ、ｐ
）、！：、前記音節標準パターン記憶部８に記憶されて
いる各音節標準パターンとのマツチングを行うものであ
る。マツチングは周知のＤＰマツチングで行うことが可
能である。即ち、前記部分パターンＡ　（ｍ　。

１０１＜、　。

ｐ　）　ト標準バター　：ｙＢ”　ト（７Ｄ距離ｑｎｃ
　Ｒ、Ｓｎ）　ハ次の漸化式を解くことによってまる。

ｎは標準パターンの音節番号である。

初期値　ｇｎ（１，１）＝ｄｎ（１，１）ここで、ｒは
部分パターンＡ（ｍ、ｐ）の開始フレームを１として数
えた部分パターンＡ（ｍ、ｐ）のフレーム番号、Ｓは標
準パターンＢｎの開始フレームから数えたフレーム番号
、Ｒは部分パターンＡ（ｍ、ｐ）のフレーム数、３ｎは
標準パターンＢｎのフレーム数、ｄｎ（ｒ、ｓ＋）は部
分パターンＡ　（ｍ　。

ｐ）のｆｇｒフレームと標準パターンＢｎの第８フレー
ムとの距離であって、ユークリッド距離、市街地距離等
周知のものが用いられる。部分パターンＡ（ｍ、ｐ）と
標準パターンＢｎの距離は従って、ｑｎ（Ｒ，Ｓｎ）　
トナル。？ニーｈヲＤｎ（ｍ　：　ｐ　）　トｆｔ　（
’。

１１゜ 即ち、Ｄ”（ｍ：ｐ）は、入カバターンの第ｍ番の定常
点から第２番の定常点捷での部分パターンＡ（ｍ、ｐ）
と、ＶＣＶ音節標準パターンとの距離である。１０は距
離記憶部であって、音節パターン比較部９で、ｍ、ｐの
種々の組合せに対して得られた距離Ｄ”（ｍ：ｐ）のそ
れぞれを記憶する。

１１は単語辞書であって、認識すべき単語がそれぞれ音
節記号列の形で記憶されている。１２は単語間距離計算
部であって、単語辞書１１の各単語に対し、前記距離記
憶部１０を参照して、その単語によって指定される音節
列に対応するように前記入カバターンの部分パターンを
重複区間がなく連続するように最適に定めることにより
、その各部分パターンとその部分パターンの前記音節名
に対し、前記距離記憶部１ｏに記憶されている距離の総
和を最小となし、得られる最小値を各単語に対する入カ
バターンの距離として算出する。この計算は動的計画法
により容易に実行することができる。以下にその詳細を
述べる。

第を番の単語をｗｆｈし、単語Ｗ′！を構成する音節数
が町であるとする。また、促音も一つの音節とする例え
ば「オオサカ」という単語は１０／１０ｏ／／　ｏ　ｓ
　ａ　／／　ａ　ｋ　ａ　／のように４つの音節から成
るからＸ□−４であシ、「サラポロ」という単語は／ｓ
　ａ／／・／／ｐ　ｏ／１０　ｒ　ｏ／のようになるか
らＸ□−４である（／・／は無音を意味する）。いま、
入カバターンを単語Ｗとマツチングする場合を考える。

単語Ｗによって指定される音節名の第１番までの系列に
対応するように部分パターンＡ　（ｍ　。

ｐ）を入カバターンの第に定常点まで重複区間がなく連
続するように最適に定めることにより、各部分パターン
とその部分パターンの前記音節名に対し、前記距離記憶
部１ｏに記憶されている距離の総和を最小となしたとき
の最小値をＤ体）とすれば、動的計画法の原理により、
次式が成立する。

Ｄ’：、（ｋｃ）＝ｍＭ〔Ｄニー１（ｍ）＋Ｄ”（ｍ：
ｋ）〕・−−−−−（１）ただし、１くｚくｋ　、Ｘ＝
１（７）ときｍ＝ｏ、ｘ”５１のときＸ　−１＜ｍ＜、
ｋ　−１、Ｉ％：（ｏ）−〇である。ｎは単語Ｗ〜第１
音節を表す番号であって、単語ｗ％第１３． １番の音節が促音であって、入力音声の第ｍ、第に定常
点の間に促音がない、前記第１番の音節が促音でなく、
入力音声の第ｍ、第に定常点の間に促音がある、の何れ
かが成立するときはＤｎ（ｍ　：　ｋ　）−■であると
する。また、前記第１番の音節が促音であって、入力音
声の第ｍ、第に定常点の間にも促音が検出されるときは
、Ｄ”（ｍ　：　ｋ　）はこの促、良の直後から第に定
常点までの入カバターンと、第ｎ音節標準パターンとの
距離であシ、第ｎ音節がｖｃｖまたはｖｖのときはＤ”
（ｍ　：　ｋ　）−（資）である。

第２図は単語間距離計算部１２の詳細を示す図である。

破線内部が単語間距離計算部１２であって、第１図と番
号を同じくするブロックは第１図のものと同じである。

１２０はｔカウンタであって、ｔ＝１．２．・・・・・
・、Ｌを出力し、単語辞書１１に対し、単語ｗ’を指定
するもので、認識動作を始める前にリセットされる。１
２２はＩカウンタであって、ｘ−１，２，・・・・・・
、　ＸＪを出力し、単語Ｗ′を構成する音節系列の音節
を指定する。１２１はにカウンタであって、ｋ＝１．２
．・・・・・・、Ｋを出力し、１４、・ヮ 入カバターンの第に定常点を指示するものである。

１２３ｉ１Ｈｍカウンタであって、ｍ＝！−１，・・・
・・・。

ｋ−１を出力し、入カバターンの第ｍ定常点を指示する
ものである。１２０〜１２３のカウンタは認識動作を始
める前にリセットされ、ｌ＝１．に＝１　、ｘ＝１．ｍ
＝ｏから計数を開始する。ｍカウンタ１２３はに−１ま
で計数するとキャリー信号を出力し、Ｘカウンタ１２２
は１つカウントアツプする。ｘ　）　ｋのときはｍ＝に
−１を保ったままキャリー信号を出力する。Ｘカウンタ
１２２は、Ｘｔ−ｉｌで計数するとキャリー信号を出し
、ｋカウンタ１２１は１つカウントアツプする。Ｋは入
カバターンの定常点の総数であって、定常点検出部６か
ら読み出され、ｋカウンタ１２１はｋまでカウントアツ
プするとキャリー信号を出し、ｔカウンタ１２０は１つ
カウントアツプする。

ｌカウンタ１２中の出力ｔによって指定された単語−の
Ｘカウンタ１２２の出力！によって指定された音節ｎが
単語辞書１１から出力される。促音判定結果記憶部７か
らは、ｋカウンタ１２１の１６ 出力にと、ｍカウンタ１２３の出力ｍによって指定され
る定常点が読み出される。距離記憶部１゜では、音節ｎ
の標準パターンと入カバターンの部分パターンＡ（ｍ、
ｋ）との距離Ｄｎ（ｍ：ｋ）が既に計算され記憶されて
いるはずであるから、距離記憶部１ｏからこのＤｎ（ｍ
　：　ｋ　）が読み出される。

１２４は累積距離記憶部であって、漸化式１において既
に計算流の累積距離Ｄ’ｔ　（ｍ　’　）を記憶してい
る。１２６は漸化式計算部であって、累積距離記憶部１
２４から読み出したり、’−１（ｍ）と距離記憶部１０
から読み出したＤｎ（ｍ：ｋ）からＤ４−１（ｍ　）＋
Ｄｎ（ｍ：ｋ）を計算し、ｍ１ｃ）い−ｃの最小値Ｄ＞
）を算出するものである。各に、７について計算された
Ｄ’（ｋ）は再び累積距離記憶部１２４に記憶される。

以上の動作がｋ　＝　Ｋ　、　ｘ　＝　Ｘｔまで行われ
ると、って指定される音節列に対応するように、入カバ
ターンの部分パターンを重複区間がなく連続するように
、その各部分パターンとその部分パターンの前記音節基
に対し前記距離記憶部１ｏに記憶されている距離の総和
を最小となすという意味で最適化した結果得られた前記
距離の総和の最小値である。１３は単語判定部であって
、７＝１．２゜・・・・・・、Ｌについて以上の処理を
行った結果得られ、る認識結果とするものである。

第３図は単語判定部１３の詳細を説明する図である。ｔ
カウンタ１２０がカウントアツプし、単語辞書１１の全
ての単語との照合が完了すると、端子１３４を通じてｔ
カウンタ１３３はリセットされ、計数を始め、累積距離
記憶部１２４からＤ幻（Ｋ　）を読み出す。１３０は比
較部であって、累積距離記憶部１２４から読み出された
入力音声モリ１３１に蓄えられている累積距離Ｄ〜、　
（Ｋ　）と比較し、小さい方の値をバッファメモリ１６
１に記憶する。もし、ρξ（Ｋ）＜Ｄ澁；、（Ｋ）であ
れば、１７゜ そのときのｔカウンタ１３３の計数値が単語番号記憶部
１３２に記憶される。このようにして、単語番号記憶部
１３２には、ｔカウンタ１３３の計数値をｔとするとき
、ｔ＝１〜ｔにおいて、Ｄ４．（Ｋ）を最小にするｔの
値が記憶されることになる。ｔ＝Ｌとなると、ｔカウン
タ１３３はキャリーを出力し、単語番号記憶部１３２の
内容を読み出し、出力端子１４には認識された単語に対
応する単語の番号が出力される。

発明の効果 本発明によれば、単音節を連続して発声した場合でも、
定常点を抽出し、入力部分パターンと■。

ｃｖ、ｖｃｖ、ｖｖ等の音節標準パターンとマツチング
するようにしたので、比較照合すべき単語と音節標準パ
ターンを限定することができ、認識率、照合速度におい
て大幅な改善が得られる。

【図面の簡単な説明】

第１図は本発明の一実施例の構成を示すブロック図、第
２図、第３図は前記実施例の要部の構成の詳細を説明す
るブロック図である。 １８・、−１ １・・・・・・音声信号入力端子、２・・・・・・特徴
抽出部、３・・・・・・電力計算部、４・・・・・・音
声区間検出部、６・・・・・・バッファメモリ、６・・
・・・・定常点検出部、７・・・・・・促音判定結果記
憶部、８・・・・・・音節標準パターン記憶部、９・・
・・・・音節パターン比較部、１０・・・・・・距離記
憶部、１１・・・・・・単語辞書、１２・・・・・・単
語間距離計算部、１３・・・・・・単語判定部、１４・
・・・・・認識結果出力端子。

Claims (1)

1. 【特許請求の範囲】 入力音声信号を特徴ベクトルの系列に変換する特徴抽出
   手段と、前記入力音声信号の定常点を抽出する定常点抽
   出手段と、これら定常点の種々の組合せに関して選ばれ
   た入カバターンの部分パターンと、Ｖ、ＣＶ、ＶＶ、Ｖ
   ＣＶ（Ｖは母音、Ｃは子音）等のそれぞれの音節に対応
   する標準ノくターントノマツチングを行って距離（また
   は類似度）を計算するための音節マツチング手段と、認
   識されるべき各単語または文節に対して、それらによっ
   て指定される音節名の系列に対応するように前記入カバ
   ターンの部分パターンを重複区間がなく連続するように
   最適に定めることにより、その各部分パターンとその部
   分パターンの前記音節名に対し、前記音節マツチング手
   段により得られている距離（または類似度）の総和を最
   小（または最大）となし、得られる最小値（または最大
   値）を２・・ン 各単語または文節に対する入カバターンの距離（または
   類似度）として出力する単語マツチング名 手段と、この単語マツチング手段によっ１語または文節
   に対して計算される距離（または類似度）が最小（また
   は最大）となる単語または文節を判定して認識結果とし
   て出力する判定手段とを備えたことを特徴とする音声認
   識装置。