JPS6086600A - 音声認識方法 - 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
ものがずでに実用化されている。これは！ｇ＆ａｌｌ対
象とする全ての単語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
が発声し艶ときその音響パラメータを検出し、登録され
た各ｔＪＡ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ｆｆｌＩｉ語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も）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ｆｆｉ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ｉａｋ語い数に限界があ
った。

これに対して音韻（日本語でいえばローマ文表記したと
きのＡ、１．Ｕ、Ｅ、Ｏ，に、Ｓ、Ｔ等）あるいは音節
（Ｋ＾、　Ｋｌ、　Ｋｌｌ等）単位での認識を行うこと
が提案されている。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つても、破裂音（Ｋ、
Ｔ、Ｐ等）のように音韻的特徴が非密に短いものを音響
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
で例えば一つの単語について複数の音響パラメータを登
録して返信の音響パラメータを認識する方法や、ＲＬ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
゛ζ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、認識語い数が
極めζ少くなってしまう。

とご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にボずように、［無音−Ｈ−Ａ−１＝無音」
に変化する。これに対して同じ“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
常部の長さは発声ごとに変化し、これによって時間軸の
変動を生じる。ところがこの場合に、各音ｆｉｌ１間の
過渡部（斜線で示す）は比較的時間軸の変動が少いこと
が判明した。

そこで本願発明者は先にこの点に着目して以トのような
装置を提案した。

第２図において、マイクロフォン＋１１に供給された音
声信号がマイクアンプ（２）、５．５ｋｌｌｚ以下のロ
ーパスフィルタ（３）を通じてＡＤ変換回路＋４１に供
給される。またクロック発生器（５）からの１２．５ｋ
ｌｌｚ（８０μｓｅｃ間隔）のサンプリングクロックが
ＡＩ）変換回路（４）に４３（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）・・・　（６３０）に供給され、
人間の聴覚特性に合ゼた周波数メルスケールに応じて例
えば３０の帯域に分割される。この分割された各帯域の
信号がエンファシス回路（７１）、（７２）・・・　（
７３ａ）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（８１）、（８２）
・・・（８ａｏ）に供給されて一極性とされ、ｘｌ／ｌ
／同値回路□）、（９２）・・・　（９３０）に供給さ
れて偵〜士の包絡線が取り出される。

こよによって例えば５．１２ｍ５ｅｃ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）　・・・（
１０３ｏ）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
）・・・　（７ａｏ）での重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 ＵｎｆＴ（↑）　・・・（１１ 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 １０ｇＩＵｎｆＴ（ｆ）１　・・・（２）をスペクトル
パラメータｘａ＞　（ｉ　＝Ｏ＋１・・・２つ）と称す
る。

このスペクトルパラメータＸ巾がｌ１ｉｌｌ　ｔｔｔ的
フーリエ変換（ＤＦＴ）回路（１１）に（ｌ給される。

こごテコのＤＦＴｌｒｔｌｖｐＩ（ＩＩ）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＞　（＋　＝　０＋　１　・
・・Ｍ−１）を２Ｍ−１点の実数対称パラメータとみな
して２Ｍ−２貞のＤＦＴを行う。従って ｍ　＝　Ｑ　、　ｌ　、　・−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 ト」 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バラメークＸ
　（Ｄ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（
Ｐ）　（ｐ　＝　０．１・・・Ｐ−１）とするととなり
、ここでスペクトルバラメークが対称であることを考慮
して ｘ　（１）　＝　ｘ　（２Ｍ−ｉ−２）とおくと、ロー
カルパラメータＴ−（Ｐ）は但し、ｐ＝０．１・・・Ｐ
−１ となる。このようにし“（３（）ワードの信号がＰ（例
えば８）ワードにＩＪＥ　を宿される。

このローカルパラメータＬ　ｆＰ）がメモリ装置（１２
）に（Ｉζ給される。このメモリ装置（１２）は］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
一１ａ次記憶されると共に、ｊ−ｊ４ｓのり［１ツク発
η：器（５）からの５．１２ｍ　ｓｅｃ間隔のフレーム
クロックが供給されて、各行のパラメータが順次横方向
ヘシフトされる。これによってメモリ装置（１２）には
５．１２ｍ５ｅｃ間隔のＰ次元のローカルハラ）　−夕
Ｌ　（ｐ＋が１６フレーム（８１，９２ｍ　ｓｅｃ　）
分記憶され、フレームクロックごとに順次新しいパラメ
ータに中断される。

さらに音声過渡点検出回路（２０）が以］・のように構
成される。すなわち平均値回路（９１）〜（９３ｏ）か
らのそれぞれの帯域の信号の量に応じた信号Ｖ（ｎｌ　
（ｎ　−０，１・・・２９）がバイアス付き対数回ｂ！
３　（２ｂ　）、（２１２）　・・・　（２］３０）に
供給されて ｖ；ｎｌ−ｌｏｇ（Ｖ（ｎ＋＋Ｂ）　−・　・（７）が
形成される。また信号Ｖ　（ｎｌが累算平均回路（２２
）にイＪ（給されて ０ が形成され、この信号■ａが対数回路（２１ｘ）に供給
されて ■′ａ＝　１０ｇ（■ａ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 ｖｆｎ）＝Ｖａ　−Ｖ（ｎ）　Ｈ＋　−＋９１が形成さ
れる。

ここで上述のような信号Ｖ　ｆｎ）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斉次（ｎ−
０，１・・・２９）の変化が間程度となり、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
／１ｔｉＷを行って正規化バラメークＶ　（Ｉｌｌを形
成したごとにより、人力音声のレベルの変化によるパラ
メータＶ　（ｎ）の変動が１ノ１−除される。さらにバ
イアスＢを加算して演算を行ったことにより、１反りに
Ｉ３→■とするとパラメータ■（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１・げろごとができる。

このパラメータＶ　（ｎｌがメモリ装置ｉ’？（２４）
に供給されで２ｗ＋１（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％９回１７３　（２５）
に供給されて 但し　ＧＦｊ　＝　（Ｉ　ｉ　−Ｗ＋　１６１５ｗ　＋
ｔ　ｌが形成され、この信号とパラメータＶ　（Ｉｌｌ
が演析同１１！３　（２６）に供給されζ ・・・　（１１） が形成される。このＴ↑が過渡点検出パラメータであっ
て、この１士がピーク刊別回ｌ／８（２７）に供給され
て、人力音声信号の音ｎ（１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を挾んで前後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＝０、検出フ
レーム数２ｗ＋　１　＝９で上述の検出をｊＴった場合
を示し′ζいる。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−Ｅｌ　ｒｌＥ−４
ＲＪ　ｒＲ→Ｏ」　「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を大きくするごとに
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　ｃｔ）がメモリ装ｆｆ（１２）
に（１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
た時点でメモリ装置（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）にイバ給される
。

この回路（１３）におい゛ζ上述と同様にＤＦＴが行わ
れ、音響パラメータの時系列変化の包銘特４＋１が抽出
される。ごのＤＦＴされた信号の内から０′〜Ｑ−１（
例えばＱ−３）次までのＱ次元の値を取り出す。このＤ
ＦＴ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　＝０
．１−　Ｐ−１）　（ｑ　−０，１−Ｑ−１１が形成さ
れる。ここで、Ｋ　（０，０１は音声波形のパワーを表
現し′ζいるので、パワー正規化のためｐ　−＝　。

のときにＱ＝１〜Ｑとし”ζもよい。

すなわち第４図において、Ａのような入力音声信号（Ｈ
ＡＴ）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
っている。そして例えばｒＨ−ＡＪ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
ファシスされてＥのようになり、メルスケールで圧縮さ
れてＦ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る。

この過渡点パラメータＫ　ＴＰ、　４）がマハラノビス
距１４１＋１　ｗ出回ＩＭ、（１４）に供給されると共
に、メモリ装置ｉ！ｉ′（＋５）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
ビス距離が算出される。ここでクラスタ係数は複数の話
者の発音から上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距離が判定回１ｉ３
（１６）に４５（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’ｌ’ｌＪ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
（白°Å以上）の話者の音声をｉ：１述の装置Ｗ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”４−ようなテー
ブルに分ｌｆｉ　Ｌ、この分類（クラスタ）ごとに統計
解析する。図中＊は無音をネオ。

これらの過渡点パラメータについて、任意のザンブルを
Ｒけ＾（ｒ＝１．２・・・２４）　（ａはクラスタ指標
で例えばａ＝ｌは＊”Ｈ，ａ　−”ｌはＨ−Ａ　ニ対応
する。ｎは話者番号）として、共分散マトリクス Ｅはアンザンブル平均 を組数し、この逆マトリクス Ｂ置−（八％γｔ、Ｓ　・・・　（１３）をめる。

ここで任意の過渡点パラメータＫ　ｒとクラスタａとの
ｌ＋′１！離が、マハラノビス距離（Ｋ　ｒ　Ｒｒ’）
　・＝　（１４） でめられる。

従ってメモリ装置（１５）に上述のＢｆｙ及びＲ冒をめ
て記憶しておくごとにより、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１ｆｆｉ、（１４）から入力音声の過渡
点ごとに各クラスタとの最少距離と過渡点の順位が取り
出される。これらが判定面に！＆（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ｉｌＬ均値による単語距離をめる
。なお過渡点の一部脱落を名慮し、て各単語は脱落を想
定した複数のタイプについて単語距離をめる。ただし過
渡点の順位関係がう一一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ｆＸｉ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。

また過渡点において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。

なお十述の装置において１２０名の話者にて学習を行い
、この１２０名以外の話者に°ζ上述の１２ｍ　Ｍ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。

ざらに上述の例で“はい”のｒ　Ｈ→Ａ」と“８（ハチ
）”のｒＨ→Ａ」は同じクラスタに分類ｒ＋Ｊ能である
。従って認識ずべき百詔の音韻数をαとしてα０２個の
クラスタをあらかじめｎ１算してクラスタ係数をメモリ
装Ｂ（１５）に記憶さセ”ζおけば、種々のｆｆｉ脇の
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
定の単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認識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ＩＪ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、例えばマハラノビス距離の
計算をこれらの全てのクラスタについて行おうとすると
、計算量が棒めて多くなり、実用的ではなかった。

また例えば単音節の認識におい”ζ、最後の母音で過渡
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廂離の最小のも
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 本発明は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′ζ
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、上記過渡点の内
の母音−無音の判定を、その各クラスタ係数との距離及
び上記各クラスタ係数に分類される数に応して行うよう
にしたことを特徴とする音声認識装置であっζ、ごれに
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 とこ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（７）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）〜（６１Ｇ）にイｊ（給され
、商域例の１７〜３０番の（；１・域では信号が差分器
Ｍ３（３］）を通してバンドパスフィルタ（６ｊｖ）〜
（６３０）に供給される。

このエンファシス回１ｉ　（７１において、差分回路（
３１）の特ｉ１１ば Ｖｍ）−Ｘ＋ｎ＋　−Ｘ（ｎ−１１ＨＨ＋　（１５）で
現わされ、この式をＺ変換すると Ｙ（ｎ＋−（１−Ｚ−１）　Ｘ（ｎ）　・・・（１６）
となる。さらにこの回路の伝達関数Ｈ（ｚ）はｌ　Ｈ（
Ｚ）　ｌ’　＝　ｌ　Ｈ（２１・Ｈ（Ｚ−”）　ｌ＝　
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１７番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、１７〜３
０番の帯域で差分とすることにより、第８図に示すよう
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１／ｇ（９ｉ）〜（９３
０）からの信号がノイズ除去回ｌ？ＦＦ（３２ｔ　）　
〜（３２３ｏ）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４１（給さ
れ、この検ｔＪｊ信号が除去回路（３２１）　〜（３２
ａｏ）に供給される。そして除去回ｖＦｒ（３２ｔ　）
〜（３２ａｏ　）に゛Ｃ１無音状恕での信号（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
らを演算して得たイ１４）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よ幻小のとき（）、大の
とき（ｘ−Ｎ）の信号が出力される。ごのイざ号が対数
回路（］（ｈ）〜（］０３ｏ）に供給される。

すなわちノイズ除去回路（３２＋　）〜（３２３ｏ　）
において、−の帯域の除去回路に第９図Ａに小ずような
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によっテｉ４９図Ｂに不ずよう
な信月が出力される。そしてこの場合にノイズレベルが
各帯域ごとに測定されており、ノイズの周波数特性に応
じたノイズ１（、を夫が行われる。

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１１ｉｌ
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
行うこ占ができる。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ｅ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−トずイ〕。

そしてこの装置において、距１ｉｌｌｔＷ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１０図において、ＤＦＴ回路（１３）からの
信号が第１の距離算出回路（４１）に供給され、メモリ
装置ｔ／　（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ｉ￥（５１）には、［＊→■（■は有
音を示す）］「■−■（■は母音を示す）」１’■−”
ｌ’Ｊの３通りクラスタ係数が１！１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）に供給
され、入力された過渡点パラメータが上述の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「＠→＊」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
Ｗ　（５２）からのクラスタ係数との距離が算出される
。

コこテメモリ装ｖ（５２）　ニ４；Ｌ、ｌ’Ａ−”ｋＪ
［→＊」　Ｉ　Ｕ→＊Ｊ　１Ｅ−１−１ｋｌ　＋−０→
＊」　１（９）→＊（■は“ん”′をボす）」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１？１！離が第２の′１１１１１１定
６２）に供給され、人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１１１定される。

さらにこの゛Ｆｉｌ定結果が処理回路（７１）に（Ｊ（
給される。ここでこの回路（７１）におい°ζ母音の総
合’１１１＋定が１Ｔねれる。

すなわち、Ｉ（ｕ−＊Ｊ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ｊ：、ｊ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ｌ
７８（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、１３のような′１′す定結果及び距離が防
出された場合に、ごごでは距離が最短のものは例えばｌ
’　Ｕ　Ｊになっている。

ところがこの場合に判定された数は１Δ」の方が多い。

そしてこのような場合について実験及びシュミレーショ
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ｉＦシいことが判明した。

従ってこの処理回路（７１）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１ｌｌｌｉ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ＩＩ（６１）で分類されたｒ＊−ｃ−＋＞」
及び１■−■」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
れメモリ装置（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ｆ（５３）には、以上の表のよう
なりラスタ係数が、最終母音ごとに分類されて書込まれ
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１０個、濁音・半濁音５個、ｆＡｌ＋
音１１個、及びバズ音の２６個に、［−＊−■」［■→
■」の判定のしにくい破裂音５　＋１１ｉ＋を含めた計
３１個である。

またｒＩＪはｒＡＪよりヤ行、ワ行、ダ行及び拗音を除
いた計１５個である。

以］・ｌ’ＵＪ　ｒＥＪ　ｒＯＪについてもそれぞれ発
音の特性に合せて３０個、１７個、３１個のクラスタで
構成される。なお１−■」はｒ　Ｕ　Ｊに含めである。

またメモリ装ｆｆ１（５４）には、以上の表のようなり
ラスタ係数が、最終母音ごとに分類されて書込まれてい
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、ｒＡＪ２６個、１−ＴＪ
１２個、ｒＵＪ２５個、ｒＥＪ１３個、ｒＯＪ２５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「Ｙ→ＡＪ　ｒＹ　４ＵＪ　ｒ’Ｙ→０」に統合し
てもよい。また破裂音はメモリ装置（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
力に応して、各メモリ装置（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）にイ１（給され、
人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易であり、また最初の３分
類及び母音の判定はクラスフ数が３及び６と少いので、
パラメータの次元数を多くして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、
′＋Ｊ１定の確度をさらに高めることができる。

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
の距離の計算量を少くすることができ、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９図、第６は１〜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
１１図はその説明のための図である。 （１，１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）ハ絶対値回路、（９）は平均値回路、（１０）
は対数回路、（１１）　、（１３）は離散的フーリエ変
換回路、（１２）　。 （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、
（１６）　、（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ｌ１語・単
音節判定回路である。 １′、′Ｉ゛ （（“り５；パ・：

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、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、上記過渡点の内の母音−無音
   の判定を、その各クラスタ係数との距離及び上記各クラ
   スタ係数に分類される数に応じて行うようにしたことを
   特徴とする音声認識装置。