JPS6068395A - 音素認識方法 - 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 本発明は音素認識を行なうことを特徴とする音声認識方
法における音素認識方法に関するものである。

従来例の構成とその問題点 近年、不特定話者、多数語を対象とする音声認識に対す
る研究開発が盛んになってきた。音素認識を行なうこと
を特徴とする音声認識方法は・アクセントの違いなどの
話者による変動を受けにくいこと・音声信号を音素系列
という少ない情報量でしかも言語学に対応した信号に変
換するため・３７・−ミ・ 単語辞書の容量が少なくてもよいこと、単語辞書の内容
を容易に作成したり変更したりできることなど不特定話
者、多数語の認識には適した方法である。

この方法における重要なポイントは音素認識を正確に行
なうことである６特に子音のセグメンテーションおよび
認識が技術的に難しい問題点であるＯ 従来から個々の子音または子音グループとしての特徴を
明らかにする研究は数多く行なわれてきたが、音声信号
中から子音のセグメンテーションを行なって音素を特定
する、いわゆる自動認識に対する従来例は多ぐない。従
来例の代表的なものは、スペクトルのローカルピークを
特徴パラメータとして子音認識を行なう方法であり、こ
れは「音声スペクトルの概略形とその動特性を利用した
音声認識システム」三輪他、日本音響学会誌３４（１９
７８）に述べである。しかし、この方法は子音認識率が
十分でない。ここでは、従来例として本出願人が先に出
願した技術を取りあげて特開昭ＧＯ−６８３９５（２） 説明し　その問題点を列挙する。

従来例では、音素のセグメンテーションのために、次の
３種の情報を用いる。

イ、有声・無声・無音判定結果 入力音声をフレームごとに区切り、各７Ｖ−ムに対して
、有声・無声・無音の判定を行ない時系列として表わす
７１フレームは１０ｍ５ｅｃ程度とする。無音−またけ
無声フレームが連続する部分を子音区間とする７ ０、母音・鼻音・無声音の標準パターンによる音素判別
結果 ５母音、鼻音Ｃ／ｍ／、／ｎ／、はつ音をまとめたもの
）、無声音（／Ｓ／、　／ｈ／をまとめたもの〕の７種
の標準パターンを使用して、入力音声をフレームごとに
標準パターンと比較し、類似度が最大となる標準パター
ン名をフレームごとに旬し、時系列として表わす。子音
区間は、鼻音フレームまたは無声フレームが持続する区
間とする。

ハ、パワーデＩツブ ６　ページ フレームごとに音声パワーをめ、こｎｆ時系列として表
わす一子音区間はパワーの凹みが生じる部分（パワーデ
ィ９プ）とする。

以上３種の情報２　ハラメータとして音素のセグメンテ
ーションを行なう６第１図に具体例を示す。

第１図は「ラクダＪ　（／　ｒａｋｕｄａ／　）と発声
した場合の各パラメータの動きを示したものである。

図においてａは手作業によって名前づけした音素、ｂは
′有声Ｖ、無声Ｕ、無音Ｑ判定結果を、Ｃは母音（ム、
Ｉ、ｕ、Ｅ、ｏ）・鼻音Ｎ・無音声Ｓ判定結果をフレー
ムごとに示しである。また、ｄｌｄ音声パワーの時間的
な動きを示したものである。各パラメータにおいて・→
で示す区間が、子音区間として判定された部分で・０は
その判定結果を示したものである。第１図ａは目視によ
ってめたものであるが、ａの子音部分が各パラメータで
検出されていることがわかる。また、各パラメータでめ
た子音区間全総合す九ば、ａの子音区間とほぼ一致して
いる。

次に音素の判別は、子音区間として検出された６ベジ 区間に対し、フレームごとに子音標準パターンと照合す
ることによって行なう、子音標準パターンとしては、 有声子音：／Ｎ／（鼻音）、／Ｂ／（有声破裂音／ｂ／
／ｄ／／ｇ／）、／ｒ／、／Ｙ）／、／ｈ、／Ｃ／Ｌ／
、　１０／、　／ｕ／の後続する／ｈ／　）　、　／ｈ
、／Ｃ／ｆａ、／、　１０／、／１１／が後続する無声
破裂音／ＣＡ／、／に／） 無声子音：／Ｓ／（無声摩擦音／Ｓ／、　１０／　）　
。

／ｈ　２／　（／ａ／、　１０／、　／ｕ／以外の音素
が後続する／ｈ／　）　、　／ｈ　２／　（施／、　１
０／、　／ｕ／以外の音素が後続する無声破裂音／ｐ／
、／ｌ／、／に／　）を用意しておぐ。子音区間に対し
、有声・無声・無音判定結果で有声と判定さ几たフレー
ムには有声子音標準パターンを、無声と判定されたフレ
ームには無声標準パターンを適用し、フレームごとに各
音素の標準パターンに対する類似度をめておく７そして
・子音区間の全フレームに対し、各音素標準パターンに
対する類似度を加えあわせ・その和が最も大きくなる標
準パターンの音素基をその子音７　ベージ゛ 区間の音素判別結果とする。ただし、無音と判定された
フレームに対しては対象としない。！、た標準パターン
／に１／として判別されても／に２／として判別されて
も、それらを同一視して／に／に置きかえる。／に／に
対しても同様である。

第１図８は音素判別結果の例を示したものであり、比較
的良い結果を得ることができることがわかるー 従来例における問題点け、セグメンテーションによって
区間を決めた後、その全区間に対して、フレームごとに
類似度計算を行なう点である。

すなわち、子音区間全体を時間的に静的であると決め込
み、全区間を平等に扱−ていることである。

しかし、母音はともかくとして、子音や半母音は区間内
で時間的に特徴パラメータが変化するものであり、その
変化形態に各音素の特徴が見出される２そして、特徴を
有する部分（特徴部〕は子音や半母音の種類によって異
なっている。たとえば有声、無声破裂音では、破裂付近
に音素を判別するための特徴が集中し、鼻音では後続母
音への特開昭ＧＯ−６８３９５（３） わたりの部分に音素判別のだめの特徴部があり、原音や
半母音では音素区間全体のパラメータの動きが特徴とな
る。

したがって、子音や半母音の判別には、各音素を判別す
るための特徴部を抽出し、特徴部におけるパラメータの
時間的な動きに着目して音素判別を行なう方法が有効で
ある・従来例においてはこのような配慮がなされていな
い。

発明の目的 本発明は従来技術のもつ以上のような欠点を解消するも
ので、音素を先ず音素群に大分類し、次に各音素群の特
徴部を抽出し、特徴部におけるパラメータの時間的な動
きを考慮して音素標準パターンとのマツチングを行なう
ことにより・高い精度で音素を判別する手段を提供する
ものである・発明の構成 本発明は上記目的を達成するもので、音声信号のセグメ
ンテーションを行なって音素区間を定め前記音素区間を
有声破裂音群、無声破裂音群、鼻音群、摩擦音群などの
複数個の音素群として認識９ぺ一部 し、次に前記音素区間中で特徴部（音素の判別に有効な
部分）を自動的に抽出し、前記特徴部に対して前に認識
された音素群に属する個々の音素の標準パターンとの類
似度肝Ｘを行なって音素を判別することを特徴とする音
素８識方法を提供するものである。

実施例の説明 本実施例の概要は以下の通りである。

イ、音素標進パター７の作成 音素をその特徴部の位置によって、次のように音素群と
して大分類する、有声破裂音群（／ｐ／／ｌ／、／に／
、／Ｑ／）、無声破裂音群Ｃ／ｂ／、　／ｄ／。

／ｇ／）、鼻音群（／ｍ／、　／ｎ／、　／　７／　）
　、無声摩擦音群（／Ｓ／、　／ｈ／　）　ただし原音
（／ｒ／）と鼻濁音（／’７／）は有声破裂群、鼻音群
の両方に混入し、有声摩擦音（／Ｚ／）は有声破裂音群
、無声摩擦群に混入する。

各音素群ごとに特徴部を設定し、その特徴部に対して各
音素の音素標準パターンを、あらかじめ作成しておく７
音素標準パターンは、目視１０、、＋、−ジ によって正確にラベル付けした多くのデータを使用して
作成する。また、音素標準パターンの他に、各音素群に
対して、特徴部の周囲情報の標準パターンを１種類作成
しておく。

口、音素の判別 入力音声のセグメンテーションを行ない、音素区間をめ
る。そして音素区間の一部（たとえば端点）′ｆｃ基準
点として設定する。一方、この音素区間が上記イにおけ
る大分類のうち、どの音素群に属するかを決定する。次
に、この決定された音素群に属する標章パターンを音素
区間における特徴部に対して適用して音素の判別を行な
う。ところで・特徴部を自動的にしかも正確にめること
は一般には困難であるため、次のようにする。すなわち
上記の基進点を参照して・多少の幅を持って特徴部の候
補区間をめておき、候補区間の全範囲に対して標章パタ
ーンを適用して各音素との類似度を計算する。

各音素との類似度計算に当っては、音素標準パターンと
未知入力との類似度から・上記イに述１１　べ−〕゛ べた音素群の周囲情報の標準パターンとの類似度を除去
する。このようにすることによって、特徴部の候補区間
のうち特徴部に相当しない部分（すなわち特徴部の周囲
に相当する部分）の情報を除去することができ、正確な
特徴部をとらえて音素の判別を行なうことができる。

以下、子音認ｉｋ例として、本発明の一実施例・を図面
を参照しながら詳細に説明する。

第２図は子音認識の方法を説明するための図である。図
において入力音声信号は、フィルタ分析パワー計算部１
とＬＰＧ分析部２に入る、フィルタ分析・パワー計算部
１では、音声信号を低域。

中域、高域の３チヤンネルの帯域フィルタで周波数分析
を行ない、各チャンネルに対して、１フレーム（１０ｍ
５ｅｃ）ごとにパワー（帯域パワー）全計算する。低域
フィルタは２５０〜６００Ｈ２中域フＩルタは６００〜
１５００Ｈ２，高域フィルタは１５００〜４０００Ｈｚ
程度の帯域を使用している７こ几らの帯域パワーは主に
子音を検出し、子音区間全決定する（子音セグメンテー
ショｇ１開昭ＧＯ−６８３９５（４） ンを行なう）ために使用する。

ＬＰＧ分析部２では入力音声信号に対し、フレームごと
にＬＰＧ分析（線形予測分析）を行なう。

分析フィルタの次数は１５次程度としている。特徴パラ
メータ抽出部３では、ＬＰＧ分析部２の結果から、ＬＰ
Ｇケプストラム係数全計算する・これは周波数スペクト
ルの概形全記述するパラメータであり、不特定話者の音
素認識に対して有効なパラメータである７（二矢田他「
不特定話者の音素認識を目的とした特徴パラメータと距
離尺度の評価」音響学会講論　昭５７年１０月参照）７
母音判別、有声、無声判別部６では、母音・鼻音Ｃ／ｍ
／、／ｎ／、はつ音をまとめたもの）の標準パターンに
対する特徴パラメータの類似度計算全フレームごとに行
ない、最も類似度の高い音素をそのフレームの（母音、
鼻音を対象とした）判別結果として出力する。また同様
に有声・無声標準パターンに対する類似度全計算し、フ
レームごとに有声・無声判別結果を出方する。類似度全
計算する距離尺度としては次のような統計的距離尺度１
３、、・ が有効である。（上記の参考資料）。

入力特徴パラメータ：　Ｋ＝（Ｘｌ、Ｘ２・・・・・・
Ｘｄ）標漁パターン：平均値！Ｉ＝（ｐｌ、μ２・・・
・・・μｄ）ただし、ｄけ次元数である。

とすると、音素ｉに対する距離は次のように定義される
。

ベイズ判定に基づく距離： マハラノビス距離： Ｔ　−１ Ｌｉ＝＝（Ｋ−／／ｉ）＠Σ　・（Ｋ−１１）・・・・
・・・・・式２添字−１は逆行列を・Ｔは転置全表わす
・１４べＳ・ 式１においてはＰｉ全最犬にする音素を、また式２にお
いてはＬｉを最小とする音素を、そのフレームの判別結
果とする。有声・無声判定も同様である。式１９式２に
よって、はぼ同様の結果が得られる。

子音検出部４け、フィルタ分析、パワー計算部１から出
力された帯域パワーの時系列波形からパワーの凹み（パ
ワーディップ）’！ｒ検出し、子音のセグメンテーショ
ンを行なう７また母音判別、有声・無声判別部５で、鼻
音と判別されたフレームまたは無声と判定されたフレー
ムが連続するとき、それらの部分も子音区間としてセグ
メンテーションを行なう。

パワーディップの検出の方法全第３図によって説明する
。第３図ａは帯域パワーの時系列波形で表わしたもので
あり、子音区間に凹みが生じることを示している。ａ全
微分（計算機では差分）するとｂのようになる。ｂにお
いて、最小値から最大値までの区間１に子音区間とする
。またｂの尖頭値間の値ｄをパワーディップの大きさと
定義す１５、ぐ−〕・ る７０け基準点である。

子音大分類部６では子音検出部４にて子音としてセグメ
ンテーションされた部分について、パワーディップの大
きさ全使用して子音を大分類する。

一般に有声子音のスペクトルは低域部に集中するため、
高域パワーの時系列情報により大きなディップが生じや
すい。また無声子音はスペクトルが高域部に集中するの
で、低域パワーにより大きなディ、ブが生じやすい。無
声破裂音は無音から立上がるため、低域パワー、高域パ
ワーの両方に大きなディップが生じる。鼻音は、どちら
にも大きなディップは生じないが、有声音なので、高域
ノくワーのディップの方が大きい。

低域パワーディップの大きさ’ＩＰＬ、高域パワーディ
ップの大きさ全ＰＨとして、ＰＬ　ＰＨ千面上に各子音
群の位置全表示したのが第４図である。

第４図において、ＰＬもＰＨも小さく、シかも鼻音また
は無声としてセグメンテーションされないノζワーディ
ップは付加Ｖとして子音候補から除去する。このように
低域パワーディップ・高域パワーｖｆ開”Ｒ２Ｏ−６８
３９５（５） デ、／−ｙブの大きさに着目することによって、子音を
無声破裂音群内、有声破裂音群■、無声摩擦音群■、褒
音群■に大分類することができる。ただし、／Ｚ／け有
声破裂音群と無声摩擦音群の両方に混入する。これば／
Ｚ／がうなり（バズ）の部分と摩擦の部分の両方の性質
を有する音素であるためである。丑た／γ／と／１７／
け有声破裂音と鼻音の両方に混入する。こ力、らの音素
は前後の母音の影響を強く受け、出現環境によってパワ
ーディップの大きさが異なるためである。

このようにして大分類によって候補全校−た後、次の段
階では子音細分類部７で、各子音群内で細分類を行なう
。子音細分類部７は・各子音群に対応して無声破裂音判
別部８、有声破裂音判別部９、鼻音判別部１０、無声摩
擦音判別部１１によって構成されている。この部分では
特徴パラメータ抽出部３の出力と、音素標準パターンと
の類似度全求め、各音素に対する類似度全比較すること
によって子音全判別する。

無声破裂音、有声破裂音は破裂点から後続母音１７ペー
ジ へ遷移する部分に特徴がある。したがって無声破裂音群
内または有声破裂音群内で細分類を行なうには破裂点付
近の時間的な動きを考慮した類似度計算を行なうことが
必要である。鼻音は母音へのわたりの部分に特徴があり
、この部分の時間的動き全考慮した類似度計算が必要で
ある。原音／ｒ／け区間全体のスペクトル変化と持続時
間に特徴がある。／Ｚ／けバズ部とそれに続（摩擦部を
有することに特徴がある。

このように各子音群によって特徴部には差異があるが、
特徴点を基準とした時間的な動きが重要な情報であるこ
とは共通している。正確に特徴部を自動抽出することは
容易ではない。しかし・各音素群の特徴部がパワーディ
ップの立上り付近であることは経験的にわかっているた
めｔ第３図すに示したようにパワーディップの立上りフ
レームを基準点として、その前後数フレームにわたって
類似度全計算し、類似度が最大となるフレームの値上そ
の音素に対する類似度とする。この部分については後述
する。

１８　く　−・ 次に類似度の計算に関しては、式１寸たは式２全使用し
て、時間的な動き全考慮した類似度を計算する、すなわ
ち、類似度計算に使用するデータとして単一フレームの
特徴パラメータでなぐ、複数フレーム（いまｌフレーム
とする）の特徴ハラメータを使用する。式１またけ式２
で ２　１　ｔ ｌＫ＝（Ｘｂ　Ｘｚ、−Ｘ（１，Ｘ　１．　Ｘｚ　−ｘ
ｄ”−Ｘ　ｔ、　Ｘ２ｍ・・・・・・ｘｄ） １２２２　ｔ　を 汐＝（ｌＪｌ、／／２°＝　１ｄ、　Ａ１．　ｌｒｚ　
＝＃ｒｄ−４１，１１２一＝゛＃　ｄ　） のようにｄＸｄ次元のデータ金剛いる。共分散行列も同
様にｄＸ１次元とする。（複雑になるので記さない）ａ
このように複数フレームのデータ全円いることによって
、パラメータが持つスペクトルの特徴とその時間的な変
動の特徴を同時に音素標準パターンと比較することがで
きる。

次に標準パターンの作成法全述べる。標準パターンは目
視によって音声中から正確に切出した多（のデータ全使
用して作成する。

音素標準パターンは、同一音素の多くのデータ１９　ペ
ー〕！ に対し、特徴部に相当するβフレームのデータ全期り出
してｃｉｘ、ｄ次元の特徴ベクトル全求め、多くのデー
タの平均値と共分散行列をめることによって音素ごとに
作成してお（。

周囲情報の標準パターンは音素群ごとに１種類ずつ作成
する。これは音素群内においては、周囲情報が各音素に
対して共通していることによる。

たとえば、有声破裂音群（／ｂ／、／ｄ／、／ｇ／）に
おいては、特徴部（破裂部）の前には必ずバズ部分が数
フレーム存在し、破裂の後は母音に接続する２周囲情報
の標準パターンは、このようにその音素群に対して普遍
的な周囲の情報を標準パターン化したものである。第６
図にその作成方法を示す。特徴部（図の斜線部）の近傍
に対し、特徴部に比較して時間的に十分長い区間全周囲
情報区間りとして設定する。この区間に対し、図に示す
ように、βフレームの特徴パラメータ（ｄｘ、／次元）
を１フレームずつシフトさせながら全区間にわたって取
り出す。このような手続全同一音素群に属する多くのデ
ータに対して適用し、平均値ベクトルと共分散行列をめ
、これ全周囲情報の標準パターンとする。このように周
囲情報の標准パターンには特徴部のデータも含まれてい
るが、それよりも特徴部の近傍のデータの比重が格段に
太きいものにな−ている。

次に、上記の方法で作成した標準パターン全使用して、
第４図の方法によって音素群に大分類されたデータ全細
分類する具体的な方法を述べる。

なお、今後の説、明では簡単のために式２の距離尺度全
使用し、１つの音素群が２音素（音素１．音素２）で構
成される場合を取りあげる。音素数が増しても考え方は
同様である。

特徴部は前にも述べたように、パワーディップの立上り
フレーム金基漁として、大まかな候補区間金求める。こ
の区間全時間的にｔｌ−ｙｔｚとする・いまＰｉ−間ｔ
における未知λカベクトル（細分類されるべきデータ）
全 Ｉｔ　（ｔ＝ｔ＋〜ｔ２） 音素１の標準パターン（平均値）を６１音素２の標準パ
ターン〔平均値〕全６２２１　、ぐ−ジ・ 周囲情報の標準パターン（平均値）ｉ＃ｚとし、音素１
．音素２および周囲情報の全てに共通な共分散行列をΣ
とする。Σけ各々の共分散行列全平均することによ−て
作成する。

時間ｔにおける未知入力の音素１との類似度　−１ −（ＩＫｔ−１ｅ）−Σ　−（Ｋｔ　−負ｅ）　式３同
様に音素２との距離をＬ２．ｔとすると、　−１ Ｌ２．ｔ＝（ｌＫｔ−６２）・Σ　＠（Ｘｔ−Φ２）　
−１ −（Ｋｔ−ｈａ）　替Σ　−（Ｉｔ−Ｊｅ）　式４とす
る。これらの式の意味するところは、時間ｔにおける未
知入力と音素標章パターンとの類似度から周囲情報に対
する類似度を減じたものを新たに音素との類似度とする
ことである。そして式３および式４の計算ｆ　ｔ　１〜
ｔ２の期間全対象として行ない、Ｌ　１　、　ｔ　＋　
Ｌ　２１　ｔのうち、この期間に最小とな−た方の音素
全認識音素とする。

実際には式３１式４は次のように簡単な式に展開できる
。（導出は略す）、 ２２ベー・ Ｌｌｌｔ二／）Ｌｌ・区ｔ−１１式３１Ｌ　２．　ｔ＝
／Ａ　２−ＩＪＣｔ　−ＩＢ　２　式４′Ａｌ、　／Ａ
２．　ＩＢＩ、　ｌＢ２が周囲情報を含んだ標準パター
ンである。

上記の方法の意味全第６図によって概念的に説明する７ 音素区間が第６図ａＶＣ示す状況において、子音の判別
を行なう場合を考える、この子音の真の特徴部（斜線部
）に対し、特徴部候補区間Ｔが時間ｔ１〜ｔ２としてめ
られたものとする、ｂけ式２によってめた、音素１（実
線）、音素２（斜線）に対する類似度の時間的変動を示
したものである。

Ａ、Ｂ、Ｃけ類似度が極小となる位置を示す。真の特徴
部（Ｂ点）においては音素１の分が音素２よりも小さく
、この子音は音素１として判別されるヘキである。しか
るに、セグメンテーションパラメ〜りによって自動的に
めた特徴部候補区間内においては、音素２がＡ点におい
て最小となるため、このままでは音素２に誤判別さ几て
しまう。

第６図０は未知入力の周囲情報の標準パターンと２３　
ページ の距離を示したものであり、真の特徴部付近で値が大き
くなる。これは、標準パターンが主に周辺の情報によっ
て作成されているためである。第６図ｄけ周囲情報金倉
んだ音素標準パターンとの距離であり、ｂからｃ’ｌ減
じたものと等価である。

ｄではＡ点よりもＢ点の値が小さくなっており・この子
音は正しく音素１として判別されることになる。

このように、本実施例の方法を用いることによって、セ
グメンテーションパラメータでめた大まかな特徴部候補
区間から、正確に真の特徴部を自動的に抽出して音素全
判別することができる。

なお、上記においては式２を基本とするマイラノビス距
離で説明したが、その他の距離においても同様な方法が
使用できる。例えば式１では対数を取ることによって式
２と同様の扱いが可能である。（この場合、距離のかわ
りに尤度が去する）捷た、上記では子音によって説明し
たが、時間的に変動する音素、たとえば半母音に対して
も同様な方法が適用できる。

特開昭ＧＯ−６８３９５（７） このように、大分類にょ−て候補数を絞り、細分類には
自動的に抽出した特徴部を基本として時間的な動きを考
慮した統計的距離尺度で音素全判別する方法は、音素（
特に子音や半母音）の音声学的な性質を利用した合理的
な認識法である。

なお、第２図は説明の都合上、先ずセグメンテーション
を行って基準点全検出して、その後類似度全計算する形
式について述べたが、実際に装置化する場合は・１フレ
ームずつずらせながら、全てのフレームを中心として類
似度の計算全行ないセグメンテーションもこれと並行し
て行なって基準点をめ、基準点に対して類似度全参照し
て音素全分散する形式をとるが本質的には相違はない。

本実施例によ−て、全語中子音（／ｐ／、　／ｌ／／に
／’　／Ｃ，／、　Ａ／、　／ｄ％　／り／、１ｍｌ力
１　／ｒｉ／Ｚ／’；　／ｓｉ、今／）を対象として、
平均約７６．１チの８Ｒ率を得た。データは男女計２０
名がそれぞ几発声した２に単語全使用しており、十分な
信頼性がある・同様の条件で従来法を評価すると、子音
（／γ／、／）／、／ｈ／、／ｓｌ／ｃ／および子音群
２５べ一〕′ （無声破裂音群、有声破裂音群、鼻音群）を対象として
平均認識率が約７２．６％である。従来法では一部の子
音群内での細分化が行なわれていないことを考慮すれば
、本発明による実施例の効果が大きいことがわかる・ また子音の細分類の場合、周囲情報を含まない標準パタ
ーン全使用した場合、語中の有声破裂音（／ｂ／、　／
ｄ／および／／）で７２．７％、語中の鼻音（／ｍａｌ
　／ｎ／および／　／　）　テ８４．１　％　ｆ　ｔｂ
　また・これが周囲情報を含む標準ノくターンを用いた
場合、それぞれ７４．７％、７５．４％に向上する。

特に鼻音群に対して顕著な効果が現わ几ている。

こｆＬは鼻音のバワーデ７フプが不明瞭なため、基準点
が正確に検出できないことによる、発明の効果 以上要するに、本発明は音声信号のセグメンテーション
全行なって音素区間全定め・前記音素区間全有声破裂音
群、無声破裂音群、鼻音群、摩擦２６、−ζ・ 全自動的に抽出し、前記特徴部に対して前に認識された
音素群に属する個々の音素の標準パターンとの類似度計
算全行な−て音素を判別すること全特徴とする音素認識
方法全提供するもので、イ、音声の自動セグメンテーシ
ョン全行って、高い精度で音素を認識することができる
。

口、音素判別に対して有効な部分（特徴部）を自動的に
しかも正確に抽出し、マツチングを行なうことができる
。

ハ、従来、判別が難しいとされていた有声破裂音群内、
無声破裂音群内、鼻音群内の細分類を自動セグメンテー
ションと組合わせて行なうことができる・ 二、パワーデノップという比較的単純なパラメータによ
って、効率よくセグメンテーション子音の大分類、類似
度計算のための基準点を検出することができる。

等の利点を有する。

【図面の簡単な説明】

第１図は従来の音素のセグメンテーションの方２７、、
＋ 法を説明する図、第２図は本発明の一実施例による音素
認識方法を説明するブロック図、第３図は同実施例のパ
ワーディップおよびその大きさを検出する方法を説明す
る図、第４図は同実施例の子音の大分類の方法を概念的
に説明する図、第５図は同実施例の周囲情報標漁パター
ンの作成性全説明する図、第６図は同実施例の特徴部の
検出及び音素判別を行う方法全説明する図である。 １゛−−−−−フィルタ分析・パワー計算部、２・・・
・・・ＬＰＣ分析部、３・・・・・・特徴パラメータ抽
出部、４・・・・・・子音検出部、５・・・・・・母音
判別・有声、無声判別部％６・・・・・・子音大分類部
、７・・・・・・子音細分類部、８・・・・・・無声破
裂音判別部、９・・・・・・有声破裂音判別部・１ｏ・
・・・・・鼻音判別部、１１・・・・・・無声摩擦音判
別部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名、９
２０　箋　！ 第３図 第４図 ｓ ・１・ の 入 き 第５図 第６図

Claims (1)

1. 【特許請求の範囲】 （１）音声信号のセグメンテーションを行なって音素区
   間を定め、前記音素区間を有声破裂音群、無声破裂音群
   、鼻音群、摩擦音群などの複数個の音素群として認識し
   、次に前記音素区間中で特徴部（音素の判別に有効な部
   分）を自動的に抽出し、前記特徴部に対して前に認識さ
   れた音素群に属する個々の音素の標準パターンとの類似
   度計算を行なって音素を判別することを特徴とする音素
   認識方法。 （掲　先ずセグメンテーション用パラメータを使って特
   徴部の候補区間を決め、次にその候補区間に対して・音
   素群の周囲情報を含む音素標準パターンを適用すること
   によって、特徴部の抽出と音素の判別を行なうことを特
   徴とする特許請求の範囲第１項記載の音素認識方法６ （３）音声の高域パワー情報と低域パワー情報の時２ペ
   シ゛ 量的変化によって生ずるパワーのくぼみ（パワーディ・
   ツブ）の大きさを併用して・音素群を認識することを特
   徴とする特許請求の範囲第１項記載の音素認識方法。 （４）標準パターンとの類似度計算を、統計的な距離尺
   度を用い、音素の時間的な動きを含む標鵡パターンを使
   用することを特徴とする特許請求愈 の範囲第１項記載の音声認識方法。