JPS60166998A - 単語音声認識装置 - 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】 ［発明の技術分野］ この発明は単語音声ｍ＊＠置に関し、特に、音声の特徴
抽出をピッチの定数倍の共振周波数を有するディジタル
フィルタで行なうようなピッチ適応型の単語音声認識装
置における特徴パラメータ抽出方法の改良に関する。

［従来技術］ 第１図は従来のピッチ適応式単語音声認＊ｉｉｎの電気
的構成を示すブロック図である。まず、第１図を参照し
て従来の単語音声認識装置の構成について説明する。第
１図においで、マイクロホン１１から入力された音声信
号は、マイクロホンアンプ１２に入力されて増幅された
後、ＡＧＣ回路１３に与えられる。ＡＧＣ回路１３は、
人力信号の大きさが変動１ノでも、一定出力が得られる
ように、その内部に設けられた増幅器の利得を自動的に
制御するものである。ＡＧＣ回路１３の出力は、Ａ／Ｄ
変換回路１４に与えられ、ディジタル信号に変換される
。Ａ／Ｄ変換回路１４の出力は、波形メモリ１５に与え
られる。この波形メモリ１５は、１フレームの入力波形
データを一時記憶するものである。波形メモリ１５の出
力は特徴抽出部２に与えられる。

特徴抽出部２はピッチ周期抽出回路２１とフィルタ係数
設定回路２２とディジタルフィルタ２３とレベル計算回
路２５と始終端検出回路６を含む。

ピッチ周期抽出回路２１は波形メモリ１５に一時記憶さ
れた１フレームの入力音声波形におけるピッチ周波数を
抽出するものである。フィルタ係数設定回路２２はピッ
チ周期抽出回路２１によって抽出された入力音声波形の
ピッチ周波数に基づいて、フィルタの共振周波数がピッ
チ周波数の整数倍となるようにフィルタ係数を設定する
ためのものである。ディジタルフィルタ２３はフィルタ
係数設定回路２１で設定されたフィルタ係数に応じてフ
ィルタ係数を決定する。レベル計算回路２５は波形メモ
リ１５に一時記憶された入力音声波形レベルを計算する
ものである。このレベル計算回路２５の出力は認識処理
部５と始終端検出回路６とに与えられる。始終端検出回
路６はレベル計算−回路２５で計算されたレベルを用い
て入力音声信号の始終端を検出するものである。

認識処理部５に関連して設けられる入カバターンメモリ
３は特徴抽出部２で分析された音声の特徴パラメータを
一時記憶するものである。また、登録パターンメモリ４
は登録時に分析抽出された登録語の特徴パラメータある
いは標準音声の特徴パラメータを記憶して、認識処理部
５に与えるためのものである。認識処理部５は入カバタ
ーンメモリ３に記憶された特徴パラメータと登録パター
ンメモリ４に予め登録されている特徴パラメータとを用
いて認識処理を行なう。なお、認識処理部５はたとえば
マイクロプロセッサを中心にして構成される。

上述の第１図に示した単語音声認識装置においては、音
声波形を一定時間のフレームに分割し、フレームごとに
ピッチ周波数の整数倍における周波数スペクトラムを特
徴パラメータとして抽出する。！！２！識処理時には、
登録単語と入力単語のフレーム間における音韻の差異を
表わす数値として、比較すべきフレーム間の距離が特徴
パラメータを用いて計算され、この値を使用してマツチ
ング処理が行なわれる。

第２図は第１図に示した認識処理部５に含まれる距離計
算部の構成を示すブロック図である。第２図において、
距離計算部５１は入カバターンメモリに記憶されている
分析された音声の特徴パラメータと、登録パターンメモ
リ４に記憶されている標準音声の特徴パラメータにおけ
るフレーム間の距離を計算するものである。この距離計
算部５１はパラメータ一時記憶メモリ５１１と５１２と
チェビシェフか離計算回路５１３とを含む。パラメータ
一時記憶メモリ５１１は入カバターンメモリに記憶され
ている１フレ一ム分の特徴パラメータを一時記憶するも
のであり、パラメータ一時記憶メモリ５１２は登録パタ
ーンメモリに記憶されている１フレ一ム分の特徴パラメ
ータを一時記憶するものである。そして、チェビシェフ
距離計算回路５１３はパラメータ一時記憶メモリ５１１
に一時記憶した内容と、パラメータ一時記憶メモリ５１
２に一時記憶した内容とのチェビシェフ距離を計算する
ものである。チェビシェフ距離計算回路５１３によって
計算されたチェビシェフ距離はマツチング処理部５２に
与えられ、マツチング処理部５２は入カバターンメモリ
３に記憶している分析された音声のＩｓパラメータと標
準音声の特徴パラメータとのマツチングを行なう。

次に、第１図および第２図を参照して従来の単語音声認
識装置における動作について説明する。

マイクロホン１１で取込まれた音声信号はマイクロホン
アンプ１２によって増幅されてＡＧＣ回路１３に与えら
れる。ＡＧＣ回路１３は音声信号の入力波形のＭ高値が
一定水準となるように調整し、Ａ／Ｄ変挽変格回路１４
える。Ａ／Ｄ変換回路１４は所定のサンプリング点ごと
に入力波形をディジタル信号にコード化する。１フレ一
ム分のサンプリングデータは波形メモリ１５に与えられ
て−・時記憶される。波形メモリ１５に記憶された波形
データはレベル計算回路２５とピッチ周期抽出回路２１
に入力される。レベル計算回路２５は波形メモリ１５か
ら与えられた波形データのレベルを計算し、その計算結
果を認識処理部５と始終端検出回路６とに与える。

始終端検出回路６はレベル計算回路２５からの計算結果
に基づいて、音声信号の入力波形の始端と終端とを検出
して音声信号区間の判定を行ない、その判定結果をＷＸ
ｍ処理部５に与える。ピッチ周期抽出回路２１は波形メ
モリ１５から与えられた波形データに基づいて、そのピ
ッチ周期を抽出して認識処理部５とフィルタ係数設定回
路２２とに与える。フィルタ係数設定回路２２はピッチ
周期抽出回路２１が計算したピッチ周期に基づいて、デ
ィジタルフィルタ２３がピッチ周波数の整数倍における
共振周波数をもつようにフィルタ係数をディジタルフィ
ルタ２３に設定する。ディジタルフィルタ２３は、フィ
ルタ係数設定回路２２によって設定されたフィルタ係数
に基づいて、波形メモリ１５から与えられた波形データ
における１フレ一ム分の周波数スペクトラムを計算する
。

上述の一連の動作により、特徴抽出部２は１単語分の特
徴パラメータとして、ピッチ周波数時系列［ｆ、７Ｆ、
スペクトラム時系列パターン［ＯＨｅｌ、（ｉ−ｉ、２
・・弓）、（＋ａ−１，２・・・Ｍ）。

（１分析［８のフレーム数１Ｍニスペクトラム分析のた
めのフィルタの個数）を得る。このようにして得られた
１単語分の特徴パラメータは登録モードにおいては登録
パターンメモリ４に記憶され、認識モードにおいては入
カバターンメモリ３に記憶した後、認識処理部５がパタ
ーンマツチングの手法により認識処理を行なう。

認識処理部５は第２図に示すように、入カバターンと登
録パターンとのフレーム間における距離を計算する距離
計算部５１を有するが、入カバターーンメモリ３に＆！
憶されている特徴パラメータをＣｆ）ｔ　］、［ａ＋□
〕とし、登録パターンメモリ４に記憶されているマツチ
ングを行なうためのテンプレートの特徴パラメータをピ
ッチ周波数時系列［ｆ、ｊ］、スペクトラム時系列パタ
ーン［ｂｊう］。

（Ｊ−１，２，・・・、Ｊ）とすると、入カバターンの
フレーム１と登録パターンのフレームｊとの距離ｄ　（
＋、、＋）は ｄ（１，ｊ）−Σｌ　ａ：ｗ、　−ｂ、１．、、　ｌ　
”−（１）−為１ となる。この計算を行なうために、マツチング処理部５
２が入カバターンメモリ３と登録パターンメモリ４とに
制御信号を与えると、入カバターンメモリ３からＪｌ　
、　ｓｗ　（５ず１．．２・・・ａ＋、ｖｌ）がパラメ
ータ一時記憶メモリ５１１に与えられ、登録パターンメ
モリ４からｂＪ−（１）ｊ＋　、　ｂ；ｚ、・・・。

ｂ、４）がパラメータ一時記憶メモリ５１２に与えられ
た後、チェビシェフ距離計算回路５１３が前述の第（１
）式の計算を行なって、ｄ（１，Ｊ）をめる。距離計算
回路５１が計算したｄ　（１゜Ｊ）を用いてマツチング
処理部５２は周知のパターンマツチングの手法を用いて
マツチング処理を行なう。そして、入カバターンと登録
パターンとのマツチング距離がめられ、最小のマツチン
グ距離を持つ登録パターンが認識結果として選ばれる。

従来の単語音声認識装置は上述のごとく構成されている
ため、第２図に示したＩ　ＮＨＫ　Ｉの場合、ＩＥｌ、
ＩＥｌ、ＩＥＩの音韻だけを取出すことになり、１ｃｈ
１周辺にパワーレベルの小さい区間が存在する情報が失
われることになり、認識性能を下げるという欠点があっ
た。

［発明の概要］ それゆえに、この発明の主たる目的は、無音フレームを
検出する無音フレーム検出手段を設け、無音フレームが
検出する無音区間の中央位置を検出し、そのフレームを
単語音声の特徴として選択することにより、認識性能の
優れた単語音声認識装置を提供することを目的とする。

この発明の上述の目的およびその他の目的と特徴は以下
に図面を参照して行なう詳細な説明から一層明らかとな
ろう。

［発明の実施例］ 第３図はこの発明の一実施例を示すブロック図である。

この第３図に示した実流例は、音声レベルの小さい無音
フレームを検出するための無音フレーム検出回路２５と
、無音フレーム検出回路２５の検出出力に基づいて無音
区間の中心フレームを選択するフレーム選択回路２６を
設けた以外は前述の第１図と同じである。

次に、動作について説明する。単語音声が入力されて、
フレーム選択回路２４が単語の特徴となる音韻フレーム
１１＋　、ｉ−１，２，・・・、ＪＣを選択するまでは
前述の第１図に示した従来の単語音声認識装置と同じで
ある。次に、無音フレーム検出回路２５は単語内におけ
る無音フレームの検出を行なう。この実施例では、Ｐ（
ｉ）≦Ｐ＋にであるフレームｉを無音フレームどして検
出する（第２図に示した例では１．≦１≦１□）。フレ
ーム選択回路２６は連続して続く無音フレーム区間Ｎ０
ＶＪ＝＋　２−＋　＋　−１−１が予め設定された無音
区間検出のための１ノぎい（ＩＮＯＶｔｈより大きい場
合、フレームｎ、；−（ｉ□−１＋）／２、ただし割り
切れない場合はｎｊ　＝　（１２１１＋１）／２を無音
フレームの代表として選択し、無音フレームであるとい
う情報と無音フレーム区間Ｎ０Ｖ＝　とスペクトルパタ
ーンＣ（Ｊ、ｍ）−ａ（ｎ、＋１１）、Ｊ−１，２，・
・・、ＪＮ　（ＪＮはフレーム選択回路２６が選択した
無音フレーム数）が単語の代表音韻として抽出される。

上述のごとくしてフレーム選択回路２４が選択したスペ
クトルパターンｂ　（１，１）、）　−ｉ。

２、・・・、ＪＣはフレーム選択回路２６の選択したス
ペクトルパターンｃ（Ｊ、ｓ）、Ｊ−１，２゜・・・、
ＪＮとともに、フレーム番号順に並べられ、スペクトル
パターンｒ　（＋、１１）、＋−１，２゜・・・、ＪＣ
＋ＪＮ、ｌｌ−１，２，・・・２Ｍとして、無音有音情
報ＶＮ　（ｉ　）　（有声音のときＶＮ（１）＝０１無
音のときＶＮ　（ｉ　）−ＮＯＶ＋　）が、単語の特徴
となる特徴パラメータとして、登録時にはＩ１０インタ
ーフェイス３３を介して登録パターンメモリ３４に記憶
され、認識時には入カバターンメモリ３５に記憶される
。認識処理における距離尺度は、有声音間では前述の第
（１）式を用い、無音と有声音の場合は、 ｄ　（１、Ｊ　）＝Ｄｖｕ　＋ＷＶＮ　ＸＶＮ　（１）
・・・（２） を用いる。但し、これは入カバターンのフレーム１の方
が無音の場合の距離計算式であり、登録パターンのフレ
ームｊの方が無音の場合は、ｄ　（ｉ　、Ｊ　）＝Ｄｖ
Ｎ　＋ＷＶＮ　ＸＶＮＴ　（Ｊ　）・・・　（３） を用いる。

ここで、ＤｖＮは無音フレームと有声音フレーム間の距
離を決めている定数であり、ＷＶＮは重み係数であり、
　ＶＮＴ　（Ｊ　）は登録パターンのフレームＪの無音
有音情報である。なお、無音フレームと無音フレームと
の間の距離は、 ｄ　（ｉ　、　ｊ　）＝ＤＭｎ−ＷＶＮ　Ｘ　（ＶＮ　
（１）＋ＶＮＴ　（ｊ　）　） ・・・（４） を用いる。ここで、ＤＭＮは無音フレーム間の距離を決
めている定数であり、ＷＭＮは重み係数である。上述の
距離計算は距離針環回路３６が行ない、この距離を用い
ることによって前述の第１図に示した単語音声認識装置
と同様の認識処理を行なう。

なお、上述の実施例では、スペクトルパターンをディジ
タルフィルタ２２で抽出するようにしたが、アナログフ
ィルタであっても差支えない。

また、上述の実施例では、説明の都合上ｗｉ語音痺認ａ
！装電を特定話者登録型として説明したが、単語音声の
特徴パラメータを予めＲＯＭに記憶している不特定話者
用の単關召声認識装置であっても実現可能なことは言う
麟でもない。

［発明の効果］ 以上のように、この発明によれば、単語内に長い無音区
間が存在する場合、無音情報を有効に単語の特徴どして
使用するようにしたので、認識処理時間を短縮化できし
かもＯ識性蛯の良好な単語音声認識装置を構成すること
ができる。

【図面の簡単な説明】

第１図は従来の甲語音粛認識装置の構成を示すブロック
図である。第２図はＩ　Ｎ　Ｉ−Ｉ　Ｋ　＋と発声した
場合のパワー波形を示す図である。第３図はこの発明の
一実施例を示すブロック図である。 図において、１０はマイクロホン、１１はマイクロホン
アンプ、１２は低域通過フィルタ、１３はＡ／Ｄ変換器
、１４は波形メモリ、２０はレベル計１１回路、２１は
始終端検出−路、２２はディ９．２４．２６はフレーム
選択回路、２５は無音フレーム検出回路、３ｏは制御回
路、３１はＣＦｘ Ｕ１３４は登録パターンメモリ、３５は入゛カバターン
メモリ、３６は距離計算回路を示す。 代理人　大　岩　増　雄 第２図 手続補正書（自発） １．事件の表示　特願昭　５９−２３２８６号２８発明
の名称 単語音声認識装置 ３、補正をする者 代表者片山仁へ部 ４、代理人 ５、補正の対象 明細−の発明の詳細な説明の欄および図面６、補正の内
容 （１）　明細書第３頁第５行ないし第１０頁第１６行の
［［従来技術］・・・選ばれる。」を下記の文章に訂正
する。 記 ［従来技術］ 第１図は従来の単語音声認識装置における電気的構成を
示す概略ブロック図である。まず、第１図を参照して、
従来の＊ａ音声ｍｌ！装置の構成について説明する。マ
イクロホン１０から入力された音声信号は、マイクロホ
ンアンプ１１に入力されて増幅された後、低域通過フィ
ルタ１２に与えられる。低域通過フィルタ１２は入力さ
れた音声信号の入力波形のうち、音響信号帯域だけを通
過させてＡ／Ｄ変換器１３に与える。Ａ／Ｄ変換器１３
は、入力された音声信号をディジタル信号に直換し、波
形メモリ１４に与えて波形データを一時記憶させる。波
形メモリ１４で一時記憶された波形データは、レベル計
算回路２ｏとディジタルフィルタ２２とに与えられる。 レベル計算回路２０は与えられた波形データに基づいて
、波形のエネルギに相当する値を計算し、その計算結果
を始終端検出回路２１と特徴パラメータ記憶メモリ２３
とに与える。 一方、ディジタルフィルタ２２は、波形メモリ１４から
の波形データを受取って、スペクトルパターンを抽出し
、それを特徴パラメータ記憶メモリ２３に与える。特徴
パラメータ記憶メモリ２３は、始終端検出回路２１によ
って検出された始端から終端までの特徴パラメータを一
時記憶する。 特徴パラメータ記憶メモリ２３に記憶された特徴パラメ
ータはフレーム選択回路２４に与えられる。 フレーム選択回路２４は特徴パラメータ記憶メモリ２３
から読出された特徴パラメータのうち、単語の特徴とな
る音韻フレームだけを選択し、■１０インターフェイス
３３を介して、その音韻フレームをＣＰＬＩ３１に与え
る。 ＣＰＵ３１は、プログラムメモリ３２に予め記憶されて
いるプログラムに基づいて、ｍｌｌ処理などを行なう。 ＣＰＬＩ３１に関連して、登録パターンメモリ３４と、
入カッ（ターンメモリ３５と、距離計算回路３６とが設
けられる。登録パターンメモリ３４は、登録時に分析抽
出された認識対象である登録後の特徴パラメータを記憶
する。また、入カバターンメモリ３５は、認識時に分析
抽出された入力音声の特徴パラメータを記憶する。距離
計算回路３６は、ｍｌＩ処理時に特徴パラメータ間の距
離を計算するものである。なお、前述の始終端検出回路
２１と、特徴パラメータ記憶メモリ２３と、フレーム選
択回路２４と、ＣＰＵ３１は制御回路３０によって制御
される。 第２図は第１図に示した従来の単語音声ｍｌＩ装置にお
いて、ｌ　ＮＨＫ　ｌと発声した場合のパワー波形を示
す図である。次に、第１１！ｌおよび第２図を参照して
、従来の単語音声認識装置の動作について説明する。 第１図に示した単語音声ｍ１ｍ＠置においては、入力さ
れた音声波形を一定時間のフレームに分割し、そのフレ
ームごとの周波数スペクトラムなどを特徴パラメータと
して抽出する。フレーム周期は、音声発生のメカニズム
から判断して、通常１０ないし２０■ｓｅｃであり、１
単語の音声波形はかなり多くのフレーム数から成立って
いる。 マイクロホン１０から入力された音声は、マイクロホン
アンプ１１．低域通過フィルタ１２．Ａ／Ｄ変換器１３
を介して１フレ一ム分のデータが波形メモリ１４に記憶
される。レベル計算回路２０はフレームごとに波形メモ
リ１４に記憶されている波形データをもとにして、エネ
ルギに相当するパワーを計拝し、そのパワー値を始終端
検出回路２１と特徴パラメータ記憶メモリ２３に与える
。 一方、ディジタルフィルタ２２は、チャネルフィルタを
構成していて、フレームごとに波形メモリ１４に記憶し
ている波形データを用いて、スペクトルパターンをめ、
特徴パラメータ記憶メモリ２３に出力する。特徴パラメ
ータ記憶メモリ２３は、始終端検出回路２１の始端検出
信号を受けて、特徴パラメータの記憶を開始し、始終端
検出回路２１からの始終端検出信号を受けて記憶を終了
する。 このとき、特徴パラメータ記憶メモリ２３は、全フレー
ムのパワー情報Ｐ（１）とスペクトル情報ａ　（１、ｌ
　）、　Ｉ　−１，２，−ＪＭ、　ｌ−１゜２、・・・
Ｍ　（ＪＭは入力した１！１１のフレーム数０Ｍはディ
ジタルフィルタ２２のチャネル数である。）を記憶して
いる。ところが、これら全フレームの特徴パラメータを
登録パターンや入カバターンとして用いて認識処理を行
なうと、メモリ量の増大やｍ識処理時間の増大を招くた
め、単語の特徴となる音韻フレームだけの特徴パラメー
タを用いるために、フレーム選択回路２４を設けている
。 第２図はｌ　ＮＨＫ　Ｉと発声した場合のパワー波形を
示したものであるが、フレーム選択回路２４は、たとえ
ば予め定められたパワーのしきい値Ｐｔｈ以上のパワー
極大フレーム、フレームに、に−絃、ｌ　＋に２　＊・
・・ｋ３ｃ　（Ｊｃ−選択フレーム数）を選択し、フレ
ームに１のスペクトルパターンｂ　（１゜１）−ａ　（
ｋ、、ｌ）、ｌ−１，２１−、ＪＯを入力早開の特徴と
して取出す。スペクトルパターンｂ（１，ｉ）は、Ｉ１
０インターフＩイス３３を通して、登録時には登録パタ
ーンメモリ３４に記憶され、ＲＷｉＡ時には入カバター
ンメモリ３５に記憶される。ｍ識処理はＣＰＵ３１が周
知のパターンマツチングの手法を用いて行なうが、登録
パターンのスペクトルパターンをｂ　Ｔ　（Ｊ　、　ｙ
ａ　）　、　Ｊ−１，２，・・・ｊｃＴ（ＪｃＴは登録
パターンの選択フレーム数）とすると、入カバターンの
フレーム１と登録パターンのフレームＪとの音韻の差異
を表ねり距離ｄ（ｉ、ｊ）は距離計算回路３６が次の第
（１）式に示すような距離を計算する。 （１（１，Ｊ＞　−Σ　ｌｂ（＋、　鵬　）　−ｂ　Ｔ
　（Ｊ　。 −）　１　・・・　（１） この距離を用いることにより、各登録パターンと入カバ
ターンとの認識距離を計算し、最も近い距離を持つ登録
パターンがｇ＊結果として選ばれる。 （２）　明細書第１２頁第７行のｒＰ（＋）≦Ｐ＋ｋ　
ＪをｒＰ（１）≦ｐｔｈＪに訂正する。 （３）　図面の第３図を別紙のとおり。

Claims (2)

【特許請求の範囲】
1. （１）　＊ｍ音声を電気信号に変換するための音声入力
   手段、 前記音声入力手段出力に基づいて、入力された単語音声
   の特徴を抽出する特徴抽出手段、前記入力された単語音
   声のエネルギに相当する値を検出するしノベル検出手段
   、 前記レベル検出手段出力に応じて、単語音声の代表とな
   る有声音区間の中心位置を検出する第１のフレーム選択
   手段、 前記入力された単語音声の始終端を検出するための始終
   端検出手段、 前記入力された単語音声の特徴パラメータを記憶する入
   カバターン記憶手段、 認識対象となる複数個の単語音声の特徴ノ（ラメータを
   予め記憶する登録パターン記憶ｉ段、および 前記入カバターン記憶手段に記憶している特徴パラメー
   タと前記登録パターン記憶手段に記憶している特徴パラ
   メータとの類似度を計算し＼てａｍ処理を行なう認識処
   理手段を備えた単語音声認識装置において、さらに 音声レベルの小さい無音フレームを検出するための無音
   フレーム検出手段と、 前記無音フレーム検出手段の出力に基づいて、無音区間
   の中心となるフレームを選択する第２のフレーム選択手
   段とを備えたことを特徴とする、単語音声認識装置。
2. （２）　前記認識処理手段は、フレーム間の音蟻の差異
   に基づいて、有声音フレーム間の距離。 有声音フレームと無音フレームの距離ならびに無音フレ
   ームと無音フレーム間との距離を異なる距離尺度で針幹
   プるようにした、特許請求の範囲第１項記載の申開音声
   認識装置。