JPS6086599A - 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 本発明は不特定話者を対象とした音声認識装置に関する
。

背景技術とその問題点 音声認識においては、特定話者に対する単語認識による
ものがすでに実用化されている。これは認識対象とする
全°この単暗について特定話者にこれらを発音させ、バ
ンドパスフィルタバンク等によりその音響パラメータを
検出して記憶（登録）しておく。そして特定話者が発声
したときその音響パラメータを検出し、登録された各単
語の音響パラメータと比較し、これらが一致したときそ
の１譜であるとの認識を行う。

このような装置において、話者の発声の時間軸が登録時
と異なっている場合には、一定時間（５〜２０ｍ　ｓｅ
ｃ　）毎に抽出される音響パラメータの時系列を伸縮し
て時間軸を整合させる。これによって発声速度の変動に
対°処させるようにしている。

ところがこの装置の場合、認識対象とする全ての単語に
ついてその単語の全体の音響パラメータをあらかじめ登
録格納しておかなければならず、膨大な記憶容量と演算
を必要とする。このため認識語い数に限界があった。

これに対して音韻（Ｂ＊語でいえばローマ文表記したと
きのＡ、ｒ、Ｕ、Ｅ’、Ｏ，に、Ｓ、Ｔ等）あるいは音
節（Ｋへ、　Ｋｌ、　１等）単位での認識を行うことが
提案されＣいる。しかしこの場合に、母音等の準定常部
を有する音韻の認識は容易であっても、破裂音（Ｋ、Ｔ
、Ｐ等）のように音韻的特徴が非常に短いものを音響パ
ラメータのみで一つの音韻に特定することは極めて困難
である。

さらに不特定話者を認識対象とした場合には、音響パラ
メータに個人差による大きな分散があり、上述のように
時間軸の整合だけでは認識を行うことができない。そこ
で例えば一つのｆａ倍について複数の音響パラメータを
登録して近似の音響パラメータを認識する方法や、単語
全体を固定次元のパラメータに変換し、識別函数によっ
て判別する方法が提案されているが、いずれも膨大な記
憶容量を必要としたり、演算量が多く、認ｔｌｉｋ語い
数が極めて少くなってしまう。

ところで音韻の発声現象を観察すると、母音や摩擦音（
Ｓ、Ｈ等）等の音韻は長く伸して発声することができる
。例えば“はい”という発声を考えた場合に、この音韻
は第１図Ａに示すように、「無音→Ｈ→Ａ→■→無音」
に変化する。ごれに対して同じ“はい”の発声を第１図
Ｂのように行うこともできる。ここでＨ，Ａ、Ｉの準定
當部の１閂ざは発声ごとに変化し、これによりで時間軸
の変動を生じる。ところがこの場合に、各音ｆｉｌ１間
の過渡部（斜線で不ず）は比較的時間軸の変動が少いこ
とが判明した。

そこで本顧発明者は先にこの点に着目して以下のような
装置を提案した。

第２図において、マイクロフォンＴｌｌに供給された音
声信号がマイクアンプ＋２１．５．５ｋｌｌｚ以下のロ
ーパスフィルタ（３）を通じてＡＤ変換１ｆ’！ｌ路（
４）にイハ給される。またクロック発生器（５）からの
１２．５ｋｌｌｚ（８０μｓｅｃ間隔）のサンプリング
クロックがＡＤ変換回路（４）に供給され、このタイミ
ングで音声信号がそれぞれ所定ビット数（＝１ワード）
のデジタル信号に変換される。

このデジタル信号が、周波数分析用のバンドパスフィル
タ（６１）、（６２）・・・　（６３ｏ）に供給され、
人間の聴覚特性に合せた周波数メルスケールに応じζ例
えば３ｏの帯域に分割される。ごの分割された各帯域の
信号がエンファシス回路（７１）、（７２）・・・　（
７ｓｏ）に供給され、人間の聴覚特性に合せた高域増強
が行われる。この信号が絶対値回路（８五）、（８２）
・・・（８ａｏ）に供給されて一極性とされ、平均値回
路（９１）、（９２）・・・　（９３（１）に供給され
て信号の包絡線が取り出される。

こよによって例えば５．１２ｍ　ｓｅｃ間の２５６ワー
ドのデジタル信号が、音響的特徴を保存したまま３０ワ
ードに圧縮される。

この信号が対数回路（１０１）、（１０２）　・・・（
１０３０）に供給され、各信号の対数値に変換される。

これによって上述のエンファシス回路（７１）（７２）
　・・・　（７＊ｏ）での霜み付は等による冗長度が排
除される。ここで、例えばＴの時間長に含まれるｎ１個
のサンプリングデータによって表される波形函数を ＵｎｆＴｃ↑）　・・・Ｃ１） としたとき、これを周波数分析して、対数を取った対数
パワースペクトル １ａｇｌ　Ｕ’ｎ　ｆ　Ｔｅａ　ｌ　・・−＋２１をス
ペクトルパラメータＸ山（ｉ＝０．１・・・２９）と称
する。

このスペクＩ・ルパラメータＸ巾が離散的フーリエ変換
（ＤＦＴ）回路（１１）にＵｔ給される。こごでこのＤ
ＦＴＩｉ！回路（１１）において、例えば分割された帯
域の数をＭとすると、このＭ次元スペクトルパラメータ
ｘ＜ｉ＞　（ｉ　＝０．１　・＝　Ｍ−１）を２Ｍ−１
点の実数対称パラメータとみなして２Ｍ−２ａのＤＦＴ
を行う。従って ｍ＝０．１．・・・　２Ｍ−３ となる。さらにこのＤＦＴを行う函数は偶函数とみなさ
れるため π・１−ｍ Ｍ−１ となり、これらより となる。このＤＦＴによりスペクトルの包絡特性を表現
する音響パラメータが抽出される。

このようにしてＤＦＴされたスペクトラムパラメータＸ
　（＋）について、Ｏ〜Ｐ−１（例えばＰ−８）次まで
のＰ次元の値を取り出し、これをローカルパラメータＬ
ＴＰ）　（ｐ−０，１・Ｐ−１）とするととなり、ここ
でスペクトルパラメータが対称であることを考慮して ｘ（１）＝ｘ　（２Ｍ−３−２） とおくと、ローカルパラメータＬ　ＴＰ）は但し、ｐ＝
ｏ、ｉ・・・Ｐ−１ となる。このようにして３０ワードの信号がＰ（例えば
８）ワードに圧縮される。

このローカルパラメータＬ　（Ｐ）がメモリ装Ｗ（１２
）に供給される。このメモリ装置（１２）は１行Ｐワー
ドの記憶部が例えば１６行マトリクス状に配されたもの
で、ローカルパラメータＬ　（Ｐ）が各次元ごとに順次
記憶されると共に、上述のクロック発生器（５）からの
５．１２ｍ５ｅｃ間隔のフレームクロックが（Ｉｔ給さ
れて、各行のパラメータが順次横方向ヘシフトされる。

これによっ′ζメそり装Ｗ（１２）には５．１２ｍ５ｅ
ｃ間隔のＰ次元のローカルパラメータＬ（ρ）が１６フ
レーム（旧、０２　ｍ　ｓｅｃ　）分記憶され、フレー
ムクロックごとに粕次新しいパラメータに更新される。

さらに音声過渡点検出回路（２０）が以トのように構成
される。すなわち平均値回路（９１）〜（９３０）から
のそれぞれの帯域の信号の量に応じた信号Ｖ（ｎ）（ｎ
　＝　Ｏ＋１・・・２９）がバイアス付き対数回１１１
ｒ　（２１＋　）、（２１２）　・・・（２１ａｏ）に
供給されて ｖ２ｎ）＝　ｌｏｇ　（Ｖ（＋ｎ＋Ｂ）　・・・（７１
が形成される。また信号Ｖ　（ｎ）が界算平均回路（２
２）にイハ給されて ０ が形成され、この信号Ｖａが対数回路（２１ｘ）に供給
されて ｖ′ａ−ｌｏｇ（Ｖａ十Ｂ）　・・・（８）が形成され
る。そしてこれらの信号が演算回路（２３）に供給され
て Ｖａｎ＝Ｖ’ａ　−ｖ？ｍ　・・−＋９１が形成される
。

ここで」二連のような信号Ｖ　（ｎ）を用いることによ
り、この信号は音韻から音韻への変化に対して６次（ｎ
＝０．１・・・２９）の変化が同程度となり、音韻の種
類による変化量のばらつきを回避できる。また対数をと
り演算を行って正規化パラメータＶ　（Ｉｌｌを形成し
たことにより、入力音声のレベルの変化によるパラメー
タＶ　（ｎｌの変動が排除される。さらにバイアスＢを
加算して演算を行−７たごとにより、仮りにＢ−（ト）
とするとパラメータＶ　（ｎ）→０となることから明ら
かなように、入力音声の微少成分（ノイズ等）に対する
感度を十げることができる。

このパラメータＶ　（ｎ）がメモリ装置（２４）に供給
されて２ｗ４１（例えば９）フレーム分が記憶される。

この記憶された信号が演算回ＩＭ（２５）に（Ｊｊ給さ
れて 但し　ＧＦｔ　＝　（１；　−Ｗ＋　ｔ≦■≦ｗ＋ｔｌ
が形成され、この信号とパラメータＶ　（ｎｌが演算回
路（２６）に供給されて ・・・　（１１） が形成される。このＴｊが過渡点検出パラメータであっ
て、このＴ＋がピーク判別回路（２７）に（共給されて
、人力音声信号の音韻の過渡点が検出される。

ここでパラメータＴｊが、フレームｔを挾んで前ｆｉ　
ｗフレームずつで定義されているので、不要な凹凸や多
極を生じるおそれがない。なお第３図は例えば“ゼロ”
という発声を、サンプリング周波数１２．５ｋＨｚ　、
　１２ビツトデジタルデータとし、フレーム周期”　５
．１２ｍ　ｓｅｃ　、帯域数Ｎ−３０、バイアスＢ＝Ｏ
１検出フレーム数２賀＋１＝９で上述の検出を行った場
合を示している０図中Ａは音声波形、Ｂは音韻、Ｃは検
出信号であって、「無音→Ｚ」ｒＺ−４ＥＪ　ｒＥ−Ｒ
Ｊ　Ｉ−Ｒ→０」「０→無音」の各過渡部で顕著なピー
クを発生ずる。ここで無音部にノイズによる多少の凹凸
が形成されるがこれはバ・イアスＢを大きくすることに
より破線図示のように略０になる。

この過渡点検出信号Ｔ　（ｔ）がメモリ装置（１２）に
供給され、この検出信号のタイミングに相当するローカ
ルパラメータＬ　（Ｐ）が８番目の行にシフトされた時
点でメモリ装ｗ（１２）の読み出しが行われる。ここで
メモリ装Ｗ（１２）の読み出しは、各次元Ｐごとに１６
フレ一ム分の信号が横方向に読み出される。そして読み
出された信号がＤＦＴ回路（１３）に供給される。

この回Ｉ！５（１３）において」１述と同様にＤＦＴが
行われ、音響パラメータの時系列変化の包絡特性が抽出
される。このＤＦＴされた信号の内から０〜Ｑ−１（例
えばＱ−３）次までのＱ次元の値を皐り出す。このＤＦ
Ｔを斉次７ＣＰごとに行い、全体でＰＸＱ（＝２４）ワ
ードの過渡点パラメータに＋ｐ、ｑ＋　）　（ｐ　＝　
（Ｌｌ・・・Ｐ−１）　（ｑ＝ｏ、１・・・０−１）が
形成される。ごごで、Ｋ　（０，０）は音声波形のパワ
ーを表現しているので、パワー正規化のためｐ＝。

のときにｑ＝ｔ〜Ｑとしてもよい。

すなわち第４図におい°（、Ａのような人力音声信号（
ＨＡＴ）に対してＢのような過渡点が検出されている場
合に、この信号の全体のパワースペクトルはＣのように
なっζいる。そして例えば１’Ｈ→Ａ」の過渡点のパワ
ースペクトルがＤのようであったとすると、この信号が
エンファシスされζＥのようになり、メルスケールで圧
縮されζＦのようになる。この信号がＤＦＴされてＧの
ようになり、Ｈのように前後の１６フレ一ム分がマトリ
ックスされ、この信号が順次時間軸を方向にＤＦＴされ
て過渡点パラメータＫ　（Ｐ、　ｑ＞が形成される。

この過渡点パラメータＫ　ｆＰ、　Ｑ）がマハラノビス
距離算出回路（１４）に供給されると共に、メモリ装置
（１５）からのクラスタ係数が回路（１４）に供給、さ
れて各クラスタ係数とのマハラノピス距離が算出される
。ここでクラスタ係数は複数の話者の発音から−Ｌ述と
同様に過渡点パラメータを抽出し、これを音韻の内容に
応じて分類し統計解析して得られたものである。

そしてこの算出されたマハラノビスｌＡｉ　Ｉｔが！ｐ
１定回路（１６）に供給され、検出された過渡点が何の
音韻から何の音韻への過渡点であるかが判定され、出力
端子（１７）に取り出される。

すなわち例えば“はい″“いいえ”０　（ゼロ）”〜“
９　（キュウ）”の１２ｍ語について、あらかじめ多数
（百Å以上）の話者の音声を前述の装置に供給し、過渡
点を検出し過渡点パラメータを抽出する。この過渡点パ
ラメータを例えば第５図に示すようなテーブルに分址し
、この分類（クラスタ）ごとに統計解析する。図中＊は
無音を示すにれらの過渡点パラメータについて、任意の
サンプルをＲｒＡ（ｒ＝１．２・・・２４）　（ａはク
ラスタ指標で例えばａ＝ｌは＊−１（、ａ＝２はＨ−Ａ
に対応する。ｎは話者番号）として、共分散マトリクス Ｅはアンサンプル平均 を計数し、この逆マトリクス Ｂｆｉ＝　（Ａ！？ａ）−４，ｓ　・・・（１３）をめ
る。

ここで任意の過渡点パラメータＫｒとクラスタａとの距
離が、マハラノビス距離 ｒ　５ （Ｋｒ　ＲＰ）　−（１４） でめられる。

従ってメモリ装置（１５）に上述の３　占及びＲｓａｌ
をめて記憶しておくことにより、マハラノビス距離算出
回路（１４）にて入力音声の過渡点パラメータとのマハ
ラノビス距離が算出される。

これによって回路（１４）から入力音声の過渡点ごとに
各クラスタとの最少ｖｔ！離と過渡点の順位が取り出さ
れる。これらが判定回路（１６）に供給され、入力音声
が無音になった時点において認識判定を行う。例えば各
単語ごとに、各過渡点パラメータとクラスタとの最少距
離の平方根の平均値による単語距離をめる。なお過渡点
の一部脱落を考慮して各単語は脱落を想定した複数のタ
イプについてＩＢ語距離をめる。ただし過渡点の順位関
係がテーブルと異なっているものはリジェクトする。そ
してこの単語距離が最少になる単語を認識判定する。

このようにして音声認識が行われるわけであるが、この
装置によれば音声の過渡点の音韻の変化を検出している
ので、時間軸の変動がなく、不特定話者についても良好
な認識を行うことができる。

また過渡点におい“ζ上述のようなパラメータの抽出を
行ったことにより、一つの過渡点を例えば２４次元で認
識することができ、認識を極めて容易かつ正確に行うこ
とができる。

なお上述の装置において１２０名の話者に°ζ学習を行
い、この１２０名以外の話者にて上述の１２車！ｈにつ
いて実験を行った結果、９８．２％の平均認識率が得ら
れた。

さらに上述の例で“はい”の１−Ｈ−＋ＡＪと“８（ハ
チ）　”のｒＨ−ＡＪは同じクラスタに分Ｉｆｆ　ｒｒ
Ｊ能である。従っ゛ζ認織ずべきＦｔ語の音韻数をαと
してａｃ２ｔ１Ｍのクラスタをあらかじめｉｔ　Ｗし゛
ζクラスタ係数をメモリ装置（１５）に記憶させておけ
ば、種々のｌ！語の認識に適用でき、多くの語いの認識
を容易に行うことができる。

ところで上述の例では、“はい”°、“いいえ”等の特
定のＩ！語について認識を行ったが、これをさらに一般
の音声にて例えば単音節ごとにＬｇｍすることも可能で
ある。

しかしながらその場合に、人間の発音における音韻の数
は多く、従って過渡点のクラスタも１００〜２００と極
めて多くなる。このため、例えばマノ＼ラノビス距離の
１算をこれらの全てのクラスタについて行おうとすると
、針算量が極めて多くなり、実用的ではなかった。

また例えば単音節の認識において、最後の母音−無音を
見た場合に、音声レベルのゆれ等によって過渡点が複数
発生し、さらにこの場合の母音がそれぞれ異なることが
ある。その場合にマハラノビス距離の最小のものが必ら
ずしもそのときの音韻とは限らないことが判明した。

発明の目的 本発明ばこのような点にかんがみ、簡単な構成で良好な
音声認識が行えるようにするものである。

発明の概要 本発明は、無音を含む音韻間の過渡部を検出する手段を
有し、この検出された過渡部の音声を所定長抽出してパ
ラメータに変換し、このパラメータを認識基本単位とす
るようにした音声認識装置において、上記過渡点を、ま
ず無音−有音、子音−母音、母音−無音の３つのクラス
につい°ζ判定し、次に上記母音→無音についてその母
音をＦｌ定し、しかる後に１−記無音→イイ音及び子音
−母音を上記判定された母音に基づい°ζ判定するよう
にしたことを特徴とする音声認識装置であって、これに
よれば簡単な構成で良好な音声認識を行うことができる
。

実施例 とごろで以下の実施例では次のような装置が使用される
。すなわち第６図において、バンドパスフィルタ（６１
）〜（６ａｏ）の前段にエンファシス回路（７）が設け
られる。そしてこのエンファシス回路（ηにおいて、例
えば低域側の１〜１６番の帯域では信号が無補正でバン
ドパスフィルタ（６１）〜（６１１１）に供給され、ｌ
８Ｉｉｉ３ｉ側の１７〜３０番の帯域では信号が差分回
路（３１）を通じ゛ζバンドパスフィルタ　（６１？）
〜（６３ｏ）に供給される。

このエンフチシス回路（７）において、差分回路（３１
）の特性は ｙＣｎ）＝ｘ（ｎｌ　Ｘ＜ｎ−１＋　中−・（１５）で
現わされ、この式をＺ変換すると Ｙ＋ｎ＋＝　（１−Ｚ−”　）　Ｘ（ｎ）・・・（１６
）となる。さらにこの回路の伝達関数Ｈ（Ｚ）はｌ　Ｈ
（Ｚ）　Ｐ　＝　ｌ　Ｈ（２ヒＨ＜ｚ−Ｓ　１＝　ｌ　
２−２　ｃｏｓωＴ’ｌ　・・（１７）となり、第７図
に示すように低域側で小、高域側で大となる特性となっ
ている。そしてこの伝達関数が１となるのは、角周波数
ωがπ／２となる点である。一方上述のメルスケールで
３０の帯域に分割した場合に、角周波数ωがπ／２の点
は、１６番と１７６の帯域の間になっている。そこで上
述のように１〜１６番の帯域で無補正、１７〜３０番の
帯域で差分とすることにより、第８図にネオように人間
の聴覚特性に合せた高域増強を行うことができる。

またそれぞれの帯域の平均値回路（９１）〜（９ｉｏ）
からの信号がノイズ除去回路（３２１）〜（３２３０）
に供給される。一方ＡＤ変換回路（４）からの信号が無
音状態の検出回路（３３）に（（（給され、この検出信
号が除去回路（３２１）〜（３２ａｏ　）に（ハ給され
る。そして除去回路（３２１）〜（３２ａｏ　）にて、
無音状態での信号（ノイズ）が測定され、この平均値（
またはピーク値あるいはこれらを演算し”ζ得た値）を
スレショルドレベルＮとして、入力信号Ｘがこのレベル
Ｎより小のとき０、大のとき（ｘ−Ｎ）の信号が出力さ
れる。この信号が対数回路（１０＋　）〜（１０ａｏ）
に供給される。

すなわらノイズ除去回路（３２□）〜（３２３０）にお
いて、−の帯域の除去回路に第９図Ａに示すような信号
が供給されている場合に、検出回路（３３）にて無音部
が検出され、この部分の信号の例えば平均値からなるス
レショルドレベルＮによっ゛ζζ第９ロＢ示ずような信
号が出力される。そし°ζこの場合にノイズレベルが各
帯域ごとに測定され′（おり、ノイズの周波数特性に応
じたノイズ除去が行われる。

他は第２図と同様に構成される。

この装置によれば乗算器を用いずに簡単な差分回路のみ
で人間の聴覚特性に合せた良好なエンファシスを行うこ
とができる。またソフトウェアで処理する場合にも演算
量を少なくすることができる。

さらにノイズの周波数特性に応じたノイズ除去を行うこ
とができ、パラメータの精度が極めて向上する。

そしてこの装置において、ＩＯ！離算出回路（１４）及
び判定回路（１６）が以下のように構成される。

すなわち第１θ図において、ＤＦＴＩ！！回路（１３）
からの信号が第１の距離算出回路（４１）にイ」（給さ
れ、メモリ装Ｗ（５１）からのクラスタ係数との距離が
算出される。

ここでメモリ装置（５１）には、１＊−■（■ば有音を
示す）」「■−０（■は母音を示す）」Ｉｆ−’＊Ｊの
３通りクラスタ係数が書込まれている。なお単音節はこ
の３通りの過渡点で形成されている。

さらに算出された距離が第１の判定回路（６１）に（ハ
給され、人力された過渡点パラメータがｌ一連の３通り
のクラスタごとに分類される。

この分類されたパラメータの内のｒ　＜ｍ　−＊　Ｊの
パラメータが第２の距離算出回路（４２）に供給され、
メモリ装Ｗｔ　（５２）からのクラスタ係数との距離が
算出される。

コ、：　テ）　％　ＩＪ装置ｉ￥（５２）ニは、１−Ａ
−＊ｊｌ’１→＊」　「Ｕ→＊」　「Ｅ→＊」　１０→
＊」　［０→＊（０は“ん”をネオ）」の６通りのクラ
スタ係数が書込まれている。

さらに算出された距離が第２の′ｔ’ｌｌ定回路（６２
）に供給され、入力されたパラメータが６通りのクラス
タのどれに相当するか判定される。

さらにこの判定結果が処理回路（７１）にイ」（給され
る。ここでこの回路（７１）において母音の総合判定が
行われる。

すなわち、１■→＊」の過渡点において、いわゆるふか
れ等のノイズ的成分によって、過渡点が複数検出される
場合があり、その場合にたまたま他のクラスタに近いパ
ラメータが出るおそれがある。そこで処理回路（７１）
において、算出された距離と共にその数が総合判定され
る。すなわち例えば第１１図へのような過渡点検出で、
Ｂのような判定結果及び距離が算出された場合に、ここ
では距離が最短のものは例えばｒＵＪになっている。

ところがこの場合に判定された数はｒＡＪＯ方が多い。

そしてこのような場合について実験及びシュミレーシラ
ンを行った結果、このような場合には一般的に多くある
方が正しいことが判明した。

従ってこの処理回路（７Ｉ）においては、例えば過渡点
パラメータの多数決による判定を行う。なお多数決で同
数の場合や、極端に距離が異なる場合には、これらの距
離を勘案するようにしてもよい。

このようにして最終母音の判定が行われる。

また判定回路（６１）で分類された「＊→■」及び１０
−■」の過渡点パラメータが、第３及び第４の距離算出
回路（４３）　、（４４）に供給され、それぞれメモリ
装Ｎ、　（５３）　、（５４）からのクラスタ係数との
距離が算出される。

ここでまずメモリ装置（５３）には、以１・の表のよう
なりラスタ係数が、最終母音ごとに分類されて■込まれ
ている。

ここで例えば最終母音ｒＡＪに分類されるクラスタは、
５０音表のア段のＩ　０１１Ｍ、濁音・半濁音５　（Ｉ
Ｎ、１ν１音１音間１及びバズ音の２６個に、１°＊→
■」　「■−■」の判定のしにくい破裂音５１１ｈ１を
含めた計３１個である。

またＩＩＪばＩＡＪよりヤ行、ワ行、ダ行及び拗音を除
いた１１５個である。　。

以下ｒＵＪ　ｒＥＪ　ｒＯＪについ”ζもそれぞれ発音
の特１１１に合せ”ζ３０個、１７（ｌム１．３１１１
Ｍのクラスタで構成される。なお「■」は１−Ｕ」に含
めである。

またメモリ装置（５４）には、以ｌ・の表のよ・）なり
ラスタ係数が、最終母音ごとに分類され′ζ吉込まれて
いる。

ごこでも、上述のメモリ装置（５３）の場合と同様に、
それぞれ発音の特性に合せて、Ｉ　Ａ　Ｊ　２６１１６
１、ｒｌＪ１２個、Ｉ−ＵＪ２５個、ｒ’ＥＪ１３個、
Ｉ’０Ｊ２５個のクラスタに分類して書込まれている。

なお拗音はそれぞれをｒＹ−４Ａｌ　１−Ｙ−４ＵＪ　
Ｉ−Ｙ−ＯＪに統合してもよい。また破裂音はメモリ装
ｆｉｌｉ！（５３）と同じものが繰り返り設けられてい
る。

そして上述の処理回路（７１）からの最終母音の判定出
力に応じて、各メモリ装＊　（５３）　、（５４）の対
応する母音の部分のみが算出回路（４３）。

（４４）に供給されて、距離の算出が行われる。

さらに算出された距離が、それぞれ第３、第４の判定回
路（６３）　、（６４）に供給され、人力されたパラメ
ータがそれぞれのクラスタのどれに相当するか判定され
る。

これらの判定結果及び判定回路（６２）からの判定結果
が、単語・単音節の判定回路（８１）に供給され、入力
された音声の単語・単音節が識別される。

こうしてこの装置において音声認識が行われるわけであ
るが、この装置によれば、まず過渡点を３種類に分類し
、次に最終母音を判定している。

ここで一般に母音の検出は容呂であり、また最初の３分
頬及び母音の判定はクラスタ数が３及び６と少いので、
パラメータの次元数を多くシ゛ζ極めて精確な判定を行
うことができる。

また最終母音が複数検出された場合に、これを距離及び
個数にて総合判定することにより、判定の確度をさらに
ａＩめることかできる。

そしてこの判定された最終母音によって、それ以前の過
渡点の検出のクラスタを制限することにより、これらの
距離の針算量を少（することができ、容易に実施できる
ようになると共に、精度を高めることもできる。

発明の効果 本発明によれば、簡単な構成で良好な音声認識が行える
ようになった。

【図面の簡単な説明】

第１図は音声の説明のための図、第２図〜第５図は従来
の装置の説明のための図、第６図〜第９図は本発明の説
明のための図、第１０図は本発明の一例の系統図、第１
１図はその説明のための図である。 ＋１１はマイクロフォン、（３）はローパスフィルタ、
（４）はＡＤ変換回路、（５）はクロック発生器、（６
）はバンドパスフィルタ、（７）はエンファシス回路、
（８）は絶対値回路、＋９１は平均値回路、＋ｌＯ１は
対数回路、（１１）　、（１３）は離散的フーリエ変換
回路、（＋２）　。 （１５）　、（５１）〜（５４）はメモリ装置、（１４
）　。 （４１）〜（４４）はマハラノビス距離算出回路、（１
６）　、（６１）〜（６４）は判定回路、（１７）は出
力端子、（２０）は過渡点検出回路、（３１）は差分回
路、（３２）はノイズ除去回路、（３３）は無音部検出
回路、（７１）は処理回路、（８１）は単語・単音節判
定回路である。

Claims (1)

【特許請求の範囲】
1. 無音を含む音韻間の過渡部を検出する手段を有し、にの
   検出された過渡部の音声を所定長抽出し°Ｃパラメータ
   に変換し、このパラメータを認ｔｌｌｌｌ基本単位とす
   るようにした音声認識装置において、上記過渡点を、ま
   ず無音−有音、子音−母音、母音榊無音の３つのクラス
   について判定し、次に上記母音−無音についてその母音
   を判定し、しかる後に上記無音−有音及び子音−母音を
   上記判定された母音に基づいて判定するようにしたこと
   を特徴と−ｒる音声認識装置。