JPS60262198A - 子音区間検出装置 - 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】 ［産業上の利用分野１ 本発明は音声波形の時間変化に対づる振幅変化に対して
サンプリングやその他の処理を行うことにより、子音区
間に対応する区間を検出して出力する子音区間検出装置
に関する。

［従来の技術］ 従来、この種の子音区間検出！８＠は、まず音声波形の
時間変化に対する振幅の連続変化をサンプリングして複
数の値の列に変換する。次に、このそれぞれの値を２乗
して音声の短時間エネルギーの値の列に変換する。一般
に、音声のエネルギーは母音区間に比較して子音区間は
低くなっているため、次に、複数の閾値を設定しこの短
時間］−ネルキーの値の列か閾値を上下する時点を検出
して子音区間の始端及び終端を決定していた。ここにお
いて非常に重要な意味をもつこの閾値は、音声を入力す
る際の周囲の雑音や共鳴状態の複雑な音Ｗ！環堤等を考
慮して予め設定する必要があった。

しかし、音声を発する人によって音声レベルに個人差か
生じることや一定であることを前提としている雑音レベ
ルに予期しない変動が生じること等により、雑音レベル
と音声レベルとの区別が不可能になる問題点があった。

この問題点を解決するため、ただ単に音声波形の短時間
エネルギーの値の５１１が定められた＠値を上下するこ
との検出によるだけでなく、他の処理との粗み合わせに
よる子音区間の決定か行われていた。他の処理として例
えば、音声波形の符号のみを残して振幅を１ヒツトに量
子化づる雪受差波分析がある。この分析と前記閾値に関
する分析とを組み合わせることによって一時的な増大に
より定常的な音声レベルに達し１＝雑音と音ｐ１との区
別を行っていた。

また、音声波形に対して各種演樟等の多数の処ｉ、　理
を実行し、周波数とエネルギーとの関係をめて周波数ス
ペクトル分析により子音区間を決定することも行われて
いた。

［発明か解決しようとづる問題点１ 音甫の短時間エネルギーの値と予め設定された閾値との
関係の分析にお（プる閾値の設定は、周囲の雑音や共鳴
状態の音響環境等を考慮しなければならず、最適な値を
めるのか非常に勤しい作業であった。また、このように
して様々な条件を検討して設定した閾値も、音声レベル
に個人差かあり、また、音声入力時における話者の動作
や周囲の状況の変化等により予期しない雑音が生じた場
合には不適当な値となってしまい、誤認の原因となって
いた。また、このような雑音の影響を除去するために例
えば零交差分析等の他の分析をイバ用づることが行われ
たが、非常に複雑な処理どなり処理時間の増大につなが
っていた。また、別の手段として音声波形の周波数スペ
クトル分析か行われたが、やはり処理が非常に複雑にな
り、膨大な準の演算を実行する必要を生じるため処理時
間か長かった。従って、倒れの手段も音声認識の実時間
処理にお（ブる一過程としての子音区間検出には時間が
かかり過ぎて満足のいくものではなかった。

［発明の目的］ 本発明の目的は上記従来の問題点を解消し、周囲の雑音
レベルの変動や話者の音声レベルの個人差の影響を受ｔ
ノることなく、しかも簡単な処理により処理時間を極力
抑えた子音区間検出装置を提供づることにある。

［問題点を解決するための手段］ 本発明においでは、人力された音声の短時間エネルギー
の逆数値と短時間エネルギーの１次差分（直との積をと
り、これにより１ｑられた値の列から極大値のうち最大
のものと２番目に大きいものとのそれぞれに対応する時
点をめてこの２つの時点の区間を子音区間として信号を
出力している。

［作用］ まり゛、音声の短時間エネルギーの１次差分値をとるこ
とにより、音声の短時間エネルギーの時間に対する変化
の割合がはっきりしてくる。しかし、Ｃれだけでは、子
音区間の始点と音声が入力される前の雑音とのレベル差
がはっきりせず、子音区間の始点を決定するのは難しい
。ここで、この１次差分値と短時間エネルギーの逆数値
との積をとると、短時間エネルギーの高い区間にお（′
Ｉる変化の割合は低く抑えられ、反対に短時間エネルギ
ーの低い区間、すなわち子音区間にお（プる変化の割合
は増幅されることになる。従って、■音だりのエネルギ
ーの低い状態の部分へ音声の子音のように母音よりもは
るかに低いエネルギーが加わったとしてもやはりこの部
分における全体としての１ネルギーは母音の部分よりも
かなり低い。このｌＣめ、子音のエネルギーか加わるよ
うな小さなエネルギーの変化であっても前記した積をと
れば大きなピーク値として現われる。同様に、エネルギ
ーの低い子音区間からエネルギーの高い母音区間へ移行
する時にも大きなピーク値が現われる。しかし、母音区
間では子音区間に比べ常にエネルギーが高いためエネル
ギーに多少の変化があってもピーク値としては現われな
い。従って、子音区間の始点と終点に対応する時点を簡
単な処理により処理時間を極力抑えて検出することがで
きる。

［実施例］ 以下、第１図乃至第５図を参照して本発明の一実施例を
説明する。

第２図において話者の発音した音声が収音されるマイク
ロフォン１は、増幅器２を介してＡ／Ｄ変換器３に接続
されている。ここで、増幅器２はマイクロフォン１で収
音した音声のレベルを以後の処理に適する１ノベルに増
幅するものである。また、Ａ／Ｄ変換器３は中央処理装
置（以下ＣＰＵと称１）４に接続されている。またＣＰ
Ｕ４には各処理のプログラム等が書き込まれているＲＯ
Ｍ（読み出し専用メモリ）５及びＲＡＭ　（読み出し書
き込み可能なメモリ）６が接続されている。ここで、Ｉ
（△Ｍ６は、Ａ／Ｄ変換器３でサンプリングされた音声
波形の振幅値が次々に書き込まれていく振幅バッファ６
ａ、前記振幅値に基づいて算出された短時間エネルギー
値が書き込まれていくエネルギーバッファ６ｂ、前記短
時間エネルギー１１′　値の逆数値が書き込まれていく
逆数バッファ６Ｃ１前記知時間エネルギー値の１次差分
値が書き込まれていく差分バッフｒ６ｄ及び前記逆数値
と前記１次差分値どの積が書き込まれていく槓バッフｉ
・６０等としてのワーキング用としてはたらくようにな
っている。

上記構成において、次にその動作を話者か日本詔の°°
け″を発音した場合について説明する。

話者が発音した゛け″の音声は、まずマイクロフォン１
で収音され増幅器２で適正なレベルに増幅されＩＣ後、
Ａ／Ｄ変換器３でのサンプリングにより時間変化に対す
る音声波形の振幅の変化を示す複数の値の列としてのデ
ータに変換されてＣＩ’）Ｕ４へ入力される。ここで、
第３図ステップ２１で示ｔ　Ａ　／　Ｄ変換は４ｋｌ−
（Ｚまでの音声波形の情報を得るためにサンプリングの
定理よりサンブリンク周波数を８ｋ　Ｈｚとして行って
いる。従って、音声波形の振幅データが１秒間に８００
０個、古い換えれば１２５マイクロ秒毎に１個の振幅デ
ータか得られ、順次振幅バッファ６ａへ書き込まれてい
く。この各振幅データのうち隣接するものをそれぞれ直
線で結び、横軸に時間、縦軸に電圧をとって図示すると
第１図＜ａ　＞に示づ゛ような波形図となる。また、こ
の△／Ｄ変換は、マイクロフォン１のスイッチがＯＮさ
れたことをＣＰＵ４が検出づることにより開始され、Ｏ
Ｎされている間実行される。従って、波形図には音声区
間の前後に雑音のみの区間か現われている。この１２５
マイクロ秒毎の振幅データのうち１番目の振幅データを
△（ｉ）で表わすことにする。ここで、ｉは１からｎま
での整数であり、ｎは振幅データの総数である。ｊ：た
、ｉが１増加すると時間は１２５マイクロ秒経過する。

次にステップ２２へ進み、ステップ２１で得られた１１
個の振幅データ△（ｉ）のそれぞれを２乗してｎ個の２
乗値Ｓ〈１）の痺出を行い、順次２乗バッファ６ｂへ南
き込んでいく。次にステップ２３へ進み、２乗値５（ｉ
）の６４個毎、すなわち、８ミリ秒ごとの和をとって短
時間エネルギー値［（ｊ）とする。つまり、（４，ｉ と表わされる。ここで、ｊは１から（ｎ／６４）までの
整数をとる。横軸に時間をとり、縦軸に１三（、））を
その最大値を基準にして対数表示すると第１図＜ｂ＞の
ようになる。次にステップ２４へ進み、ステップ２３で
算出した短時間エネルギー値Ｅ（ｊ）の逆数値Ｒ（ｊ　
＞の算出を行い、順次逆数バッファ６ｄへ書き込んでい
く。従って、１番目の逆数値はＦ＜　（ｊ　）　＝１／
Ｅ　（ｊ　＞と表わける。次にステップ２５へ進み、ス
テップ２３で算出した短時間エネルギー値Ｅ（ｊ＞の１
次差分値の算出を行い、順次差分バッファ６ｅへ書き込
んでいく。１次差分値は、隣り合う短時間エネルギー値
Ｅ　（ｊ　）の差をとることにより算出する。従って、
（〕番目の１次差分値はＤ（ｈ＋１＞＝Ｅ（ｈ　＋１　
＞　−Ｅ　（ｈ　）と表わせる。ここで、ｈは１からｊ
のとり得る最大値より１小さい値まで、すなわち、（ｎ
　／６５−１＞までの整数をとる。

横軸に時間をとり、縦軸にこれらの１次差分値Ｄ（ｈ＋
１）をその最大値を基準にして図示すると第１図＜Ｃ＞
のようになる。次にステップ２６へ進み、ステップ２４
で算出したｊか２以上の知時間エネルギー値Ｅ　（ｊ　
）の逆数値Ｒ（ｊ）とステップ２５で算出した短時間エ
ネルギー値Ｅ（ｊ）の１次差分値Ｄ（ｈ＋１）との積を
算出し、順次積バッファ６ｆへ書き込んでいく。従って
、９番目の梢はＰ　（ｇ）＝Ｒ（（＋　＞・Ｄ（ｇ）と
表わされる。ここでｇは２から（ｎ／６５−１）まぐの
整数をどる。横すク１１に時間をとり、縦軸にこれらの
積Ｐ（（１）をその最大値を基準にして図示すると第１
図（ｄ　＞のように°なる。次にステップ２７へ進み、
ステップ２６で算出した積の列において極大値のうち最
大のものＰｌ及び２番目に大きいものＰ２が書き込まれ
ている積バッフ戸のそれぞれのアドレスに対応する時点
ｔ１及びｔ２のデータ信号７を出力する。この２個の時
点により区切られた区間とこれより後の区間とでは、第
１図（ａ　）かられかるように、音声のエネルギーが大
きく異なる。すなわち、前の区間の音声のエネルギーの
１・□　方が後の区間の音声の］エネルギーよりも低く
なっており、この区間が子音区間であることが確認でき
る。また、この区間は、同一の音声のデータから得られ
ＩＣスペクトルダラム（図示していない）において子音
区間と判断される区間ともほぼ一致する。

また、全く同様な処理によって°゛ひ°′及び゛ぶ″と
発音した音声について子音区間を検出した例を第４図及
び第５図にそれぞれ示り。これらの例においても、極大
値のうちの最大なものとシ番目に大きいもの、ずなわち
、Ｐ３．Ｐ４及びＰ５．Ｐ６を検出し、子音区間に対応
する時点ｔ３、［４及びｔ５、ｔ６のデータ信号がそれ
ぞれ出力され、これらの時点により区分された区間は子
音区間となっている。尚、第１図、第４図及び第５図に
おいて１次差分値［）　（ｈ　＋１　）及び積Ｐ（９）
の波形図は＃ｆ徴の顕著な区間以外は省略しである。

［発明の効果］ 以、［に詳述した通り、本発明に係る子音区間検出装置
は、周囲の雑音レベルや音響特性、話者の発音する音声
レベルの個人差等を考虚して閾値を設定するようなこと
は不要であり、また、簡潔な構成による処理で演ｎ量を
減少できる。従って、子音区間を検出づ−るまでの処理
時間を極力短く抑えることが可能である。よって、処理
の結果得られた子音区間の第２及び第３候補等の考ｆｉ
ｌや仙の処理との組み合わせにより、子音区間をより一
層高いＩｉ度で検出ターる場合や音声認識の一過程どし
て応用する場合においても、本発明に係る子音区間検出
装置はもともと処理時間が短いため全体どしての処理時
間の短縮に非常に有効である。

【図面の簡単な説明】

第１図（ａ＞乃至（ｄ　）は゛（プ″と発音した音声に
本発明の一実施例に基づく各処理を実行した結果を示゛
す図、第２図はそのブロック図、第３図はそのフローチ
ャート、第４図（ａ）乃至（ｄ　＞は°゛ひ″と発音し
た音声に各処理を実行した結果を示す図、第５図（ａ）
乃至＜ｄ）は°ぷ″と発音した音声に各処理を実行した
結果を示す図である。 図中、１はマイクロフォン、２は増幅器、３はＡ／Ｄ変
換器、４はＣＰＵ、５はＲＯＭ、６はＲＡＭである。 ８３ 第１図 （ａ） （ｂ） （ｃ） 第２図 ８３９− 第３図 第４図 （Ｃ） （ｄ） 第５ （ａ） （ｂ） ８４１ （Ｃ）

Claims (1)

1. 【特許請求の範囲】 １、音声の時間変化に対づる振幅変化をサンプリングし
   て複数の値の列に変換するザンブリング手段と、 前記複数の値をそれぞれ２乗した値の列に変換する２乗
   変換手段と、 前記２乗した値の列を複数のグループに分割してそれぞ
   れのグループの代表値の列に変換する代表値化手段と、 前記代表値の列を１次差分値の列に変換する１次差分変
   換手段と、 前記２乗した値をそれぞれの逆数値に変換′りる逆数変
   換手段と、 前記１次差分値をそれぞれに対応する前記逆数値に乗じ
   た値を算出する算出手段と、 前記乗じた値のグＪにおいて極大値のうち最大のもの及
   び２番目に大きいもののそれぞれに対応する時点を検出
   して出力するピーク検出手段とを設けたことを特徴とす
   る子音区間検出装置。