JPS6069695A - 語頭子音のセグメンテ−ション法 - 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、音声認識装置等に使用される語頭子音のセグ
メンテーション法に関するものである。

従来例の構成とその問題点 従来研究されあるいは発表されている音声認識システム
の動作原理としてはバタンマツチング法が多く採用され
ている。この方法は認識される必要がある全種類の単語
に対して標準パターンをあらかしめ記憶しておき、入力
される未知の入カッくターンと比較することによって一
致の度合（以下類似度と呼ぶ）を計算し、最大類似度が
得られる標準パターンと同一の単語であると判定するも
のである。このバタンマツチング法では認識されるべき
全ての単語に対して標準パターンを用意しなければなら
ないため、発声者が変わった場合には新しく標準パター
ンを入力して記憶させる必要がある。従って日本全国の
都市名のように数百種類以上の単語を認識対象とするよ
うな場合、全種類の単語を発声して登録するには膨大な
時間と労力を必要とし、又登録に要するメモリ容量も膨
大になることが予想される。さらに入カッくターンと標
準パターンのバタンマツチングに要する時間も咽語数が
多くなると長くなってしまう欠点がある。

これに対して、入力音声を音素単位に分けて音素の組合
せとして認識しく以下音素認識と呼ぶ）音素単位で表記
された単語辞書との類似度をめる方法は単語辞書に要す
るメモリ容量が大巾に少なくて済みバタンマツチングに
要する時間が短かくでき、辞書の内容変更も容易である
という特長を持っている。この方法の例は「音声スペク
トルの概略形とその動特性を利用した単語音声認識シス
テム」三輪他、日本音響学会誌３４（１９７８）に述べ
である。

この方法における単語認識システムのブロック図を第１
図に示す。甘ず、あらかじめ多数話者の音声を１０ｍ５
の分析区間毎に音響分析部１によってフィルタを用いて
分析し、得られたスペクトル情報をもとに特徴抽出部２
によって特徴パラメータをめる。この特徴パラメータか
ら／ａ／。

１０／等の母音や、／ｎ／、／ｂ／等の子音に代表され
る音素毎又は音素グループ毎に標準パターンを作成して
標準パターン登録部３に登録しておく。次に、入力され
た不特定話者の音声を、同様に分析区間毎に音響分析部
１によって分析し、特徴抽出部２によって特徴パラメー
タをめる。この特徴パラメータと標準パターン登録部３
の標準パターンを用いてセグメンテーション部４におい
てセグメンテーションを行なう。この結果をもと３の標
準パターンと照合することによって、最も類似度の高い
標準パターンに該当する音素をその区間における音素と
決定する。最後に、この結果作成１〜だ音素の時系列（
以下音素系列と呼ぶ）を単語認識部６に送り、同様に音
素系列で表現さハた単語辞書７と最も類似度の大きい項
目に該当する単語を認識結果として出力する。

次にセグメンテーション部４における語頭子音のセグメ
ンテーション法について述べる。

従来、語頭子音のセグメンテーション法としては、語頭
の有声子音のスペクトルが鼻音のスペクトルに類似して
いることを利用して、フレーム毎にｑ母音と鼻音で音素
認識を行ない擲音／Ｎ／の音素認識の結果の有無によっ
て判定していた。例えば、語頭の７ｍ、／はフレーム毎
に音素認識を行なうと／ＮＮＮＮＡＡＡＡ／という音素
系列として現われることがしばしばあり、この中で／Ｎ
ＮＮＮ／の部分を有声子音とすることにより、／ｍ／と
／ｉ／を区別する方法をとっていた。

また、語頭の短い無声Ｐ音の存在はスペクトルの傾きが
顕著に変動する現象を見つけることによって子音を区別
していた。例えば語頭の／ｐａ／ｉｄ／ｐ／から／ａ／
へ移る部分でスペクトルの傾きが急激に変化することが
しばしばあるために、それを使って／ｐ／と／＆／を区
別する方法をとっていた。

しかし、上記方法では必ずしも子音の存在をとらえるこ
とが出来ず、しばしば語頭子音を見過ごしたり（以下子
音の脱落と呼ぶ）、語頭は母音で始まるけれど子音区間
とする誤り（以下子音の付加と呼ぶ）が多い。それは、
有声子音の中て／ｒ／。

／ｂ／、／ｄ／等の子音は必ずしも鼻音性を示さないか
らである。まだ、／Ｔ）／、／ｌ／等の持続時間の短い
無声子音は必ず１７もスペクトルの傾きの顕著な時間変
化を現わすとは限らないからである。

発明の目的 本発明は上記欠点を解消するもので、語頭子音の脱落と
付加の少ない精度の良い語頭子音のセグメンテーション
法を提供することを目的とする。

発明の構成 本発明は上記目的を達成するもので語頭から最初に母音
スペクトルが時間的に安定して現われる７１’−１４−
Ｊｌフレームとし、この基檗フレームのスペクトル・パ
ターンと語頭から基準フレームまでの各フレームのスペ
クトル・パターンとを比較することによって語頭子音の
セグメンテーションを精度良く行なうものである。

実施例の説明 本発明の語頭子音のセグメンテーション法の実施例を以
下に示す。

本実施例において、スペクトル・パターンの特徴を表わ
すパラメータとしてＬＰＣケプストラム係数０１〜Ｃｎ
（ただし、ｎは正の整数）を用いる。

母音スペクトルが時間的に安定して現われる基準フレー
ム（本実施例では１フレ一ムヲ１０ｍ５ｅｃとする）の
選び方として、以下に述べる４つの方法を用いる。

まず、低域、高域パワー情報を使用する第１の基準アレ
ーン、検出法について述べる。

本実施例で低域パワーと高域パワーを併用するのは有声
子音は高域パワーに、無声子音は低域パワーに特徴が現
われやすいためである。

低域パワーは音声信号を低域の帯域フィルタに通しフレ
ーム毎にパワー値をめそれを平滑化して得る。又、高域
パワーは高域の帯域フィルタによって同様にして得る。

第２図には、低域−だは高域パワーの語頭における時間
的変化の例を示している。

語頭が主に破裂性の子音で始まる時、パワー値の時間的
変化をプロットすると第２図のａのようになる。これは
破裂性のためにパワーが急激に立」−がり、後続の母音
との渡りの部分においてａのように凹状になるからであ
る。

ｂはａのパワーの時間的変化の値を微分したものである
。Ｐ１〜Ｐ３はａの変曲点のフレーム番号を示している
。ここでは音声区間の始まるフレーム番号を１にしてい
る。ここで、ａ、ｂのようにＰｌ、Ｐ３の微分値が正、
Ｐ２の微分値が負、かつＰ　３（ｒｎ　（ｒｎはフレー
ム番号を示すいき値）を謂足する時、（Ｐ３＋ａ）フレ
ーム（本実施例では、母音の持続時間を考慮してａ−３
フレームとした）を基準フレームとする。

次に、語頭における鼻音性を使用する第２の基準フレー
ム検出法について述べる。

本実施例の音素認識は、各フレーム毎に行なう。

フレーム毎の音素認識はＬＰＣケプストラム係数を用い
て、あらかじめ用意しである各音素の標準パターンとの
比較によって行なう。標準パターンとしては５母音（／
ａ／、／ｉ／、／ｕ／、／ｅ／、１０／）、鼻音（／Ｎ
／で表わす）を用いた。

このようにして、各フレーム毎に類似度の最も大きい音
素（第１候補音素）をめる。フレーム毎の第１候補音素
をフレーム番号の順に並べた系列を第１候補音素時系列
とする。

上記第１候補音素時系列を語頭から１１＠に見た時、／
Ｎ／が連続してｄ１フレーム現われた時、語頭から（ｄ
１＋ａ）フレーム目を基準フレームとする。

例えば、／ｍａ／をフレーム毎に音素認識した時、音素
認識結果が第３図のようになったとすると、／Ｎ／が５
フレーム連続しているので（Ｓ＋ａ）フレーム目を基準
フレームとする。

次に、無声子音性を使用する第３の基準フレーム検出法
について述べる。

本実施例において無声子音性としては、フレーム毎の有
声、無声判定結果を用いる。語頭から無声判定がｄ２フ
レーム連続する時、語頭から（ｄ２＋ａ　）フレーム目
を基準フレームとする。

最後に、第４の方法について述べる。

この方法は比較的持続時間の短かい子音を対象とするた
めに、基準フレームを語頭からｄ３フレーム目（本実施
例ではｄ３−７）と固定して決定する方法である。

本実施例は第１〜第４の基準フレーム検出法をこの順序
で適用し、基準フレームが検出された時には以降の方法
を適用しないようにしたものである。ただこれら第１〜
第４の基準フレーム検出法の上記順序に限定されるもの
でなく任意の順序で適用することも可能で、またそれぞ
れ単独に適用して本基準フレームがめれば良い。

このようにしてめられ基準フレームにと語頭から基準フ
レームまでのスペクトル・パターンを比較することによ
って語頭子音のセグメンテーションを行なう。

ある２フレ一ム間のスペクトル・パターンを比較する方
法として（１）式を用いる。

（１〉式において、Ｃｚ（ｉ）は語頭からｉフレーム目
におけるｔ番目のＬＰＣケプトラム係数を表わしている
。同様にＣｚ（ｉ）はｊフレーム目におけるｔ番目のＬ
ＰＣケプストラム係数を表わしている。ｆ（ｉ、ｉ）の
値が大きいほど２つのフレームのスペクトル・パターン
が異なっていることになる。

この（１）式を用いて基準フレームにと語頭から基準フ
レームまでの各フレームトｔ７）ｆ　（ｉ　、　ｋ　）
（ただし、１≦ｉ≦に−１）を計算し、最大値を１□８
の値があるいき値より大きいか小さいかによって：ｉ？
ｒ　１１４子音の有無を判定する。この方法で検出され
た場合、語頭子音区間としてはｆｃｉ、ｋ）の値の変化
が一番大きいフレームまでを子音区間とする。

第４図に例を示す。横軸は語頭のフレーム番号を１とし
た時の時間軸、縦軸はフレーム番号ｋを基準とした時の
ｆ（ｉ、ｋ）（ただし１≦ｉ≦に−１）の値を表わして
いる。図においてｆ　（ｉ　、ｋ）の最大値ｆｍ６ｚ　
＝　ｆ　（’　＋　ｋ）の値が、いき値θよりも大きい
ため語頭子音を検出したことになり、語頭子音の区間と
してはｆ（ｉ、ｋ）の変化が最も大きいフレーム番号３
までとし、１〜３フレームまでを語頭子音区間としてセ
グメンテーションを行なう。

本実施例と従来法について、男性１０名がそれぞれ２１
２単語を発声したデータ（約２１００単語）を用いて比
較を行なった。

表に従来の方法による語頭子音の検出率と本実施例の方
法を用いた語頭子音の検出率を示している。

表に示したように語順子音検出率が従来と比べて平均で
８５％から９６％へと向上している。

また、語頭は母音で始まるけれど誤って子音であると判
定する（子音付加）割合は従来例では２４％であったが
、本実施例の方法では約２０％へと減少している。

以下余白 発明の効果 以上のように本発明は、語順から最初に母音スペクトル
が時間的に安定して現われるアレーン、を基準フレーム
としてめ、この基準フレームのスペクトル・パターンと
、語順から基準フレームまでの各フレームのスペクトル
・パターンとを比較することによって語頭子音の検出と
セグメンテーションを行うことを特徴とする語頭子音の
セグメンテーション法を提供するもので、語頭子音検出
率及び母音に対する子音の付加率を著しく向上させるこ
とができ、精度の高い語頭子音のセグメンテーションが
行える利点を有する。

【図面の簡単な説明】

第１図は従来の音声認識システムのブロック図、第２図
は本発明の一実施例における語頭子音のセ、グメンテー
ション法のパワー情報による基準フレーム検出法を示す
図、第３図は本発明の同法の音素認識結果による基準フ
レーム検出法を示す図、第４図は本発明の同法の基準フ
レームのスペクトル・パターンと語頭から基準フレーム
までの各スクトル・パターンとの比較結果を示す図であ
る。 １・・・・音響分析部、２・・・・・・特徴抽出部、３
・・・・・・標準パターン登録部、４・・・・・・セグ
メンテーション部、５・・・・音素判別部、６・・・・
・・単語認識部、了・・・・・・単語辞書。 代理人の氏名　弁理士中　尾　敏　男　ほか１名第１図 簡頚ａ采 第２図 ３図 （５十〇−フフレーム ／ ４図 Ｉ　Ｕ　粘

Claims (1)

【特許請求の範囲】
1. 語頭から最初に母音スペクトルが時間的に安定して現わ
   れるフレームを基準フレームとし、この基準フレームの
   スペクトル・パターンと語頭から基準フレームまでの各
   フレームのスペクトル・バ頭子音のセグメンテーション
   法。