JPS6111799A

JPS6111799A - 音声の特徴抽出方式

Info

Publication number: JPS6111799A
Application number: JP13382984A
Authority: JP
Inventors: 耕市山口
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1984-06-27
Filing date: 1984-06-27
Publication date: 1986-01-20
Also published as: JPH0562759B2

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】く技術分野〉本発明は、音声認識装置において、その特徴抽出部が２
つの帯域ろ波器（ＢＰＦ）で構成されるという簡単な場
合で、音声認識の特徴量として、前記２つのＢＰＦ出力
波形の零交差回数を用いる音声の特徴抽出方式に関する
ものである。

〈従来技術〉音声認識に使用される特徴量、およびそれを用。

いた標準パターンの作成方法については、各種のものが
提案され、開発されている。ここで、特徴量としてよく
知られている零交差回数（以下単にＺＣＣという）を用
い、各母音のスペクトル情報、％ＫｉＩフォルマント（
Ｆ＋）と第２７Ａルマント（Ｆ２）を重視した構成は、
簡易な音声認識装置が得られるものとして注目されてい
る。

さて、ＺＣＣとフィルマント周波数との関連は、従来か
らもさまざまな研究がなされてきている。

しかし、ＢＰＦによってフォルマントの存在領域を限定
しても、そのフォルマントのバント幅や、他のフォルマ
ントの影響を受けて、厳密には対応しないことがしばし
ばある。日本語５母音は、Ｆｌ。

Ｆ２が抽出できれば、かなりよい精度で識別できること
は周知である。しかし上記の理由によって、厳密にＦｌ
　、ＦＱに対応せず、誤認識につながるおそれがある。

また一方、Ｆｌ、Ｆ２には次のような変動要素がある。

例えば、このように２チヤンネルのＢＰＦを用いて、Ｆ
ｌ、Ｆ２を抽出しようとする場合、自弁・藤沢（信学会
論文誌＋９７４／３）では、各ＢＰＦの帯域を、２５０
Ｈｚ−１０（ＩＯＴ（ｚ、　７ＱＯＨｚ−２’ｂＯＯＨ
ｚに設定することを提案している。ところが、Ｆｌ。

Ｆ２の分布は、前後の音韻環境による調音結合や個人差
により大きく変動し、前記の帯域はある特定の人に対し
ては有効に働くが、うまく作用しない人も存在する。

〈発明の目的〉本発明は、上記点に鑑みて、母音のＦｌとＦ２の抽出を
最優先するのではなく、母音の中でｌａｌとｌｉｔが最
も性質の違う対であることに注目し、この距離が最も大
きくなるようにＢＰＦの帯域を設定することにより、従
来の欠点を除去するものである。

〈実施例〉以下図面に従って、本発明方式の一実施例を詳細に説明
する。

第１図は音声認識装置としての回路構成例を示すブロッ
ク図である。図において、Ｉはマイク、２はアンプ、３
は第１帯域ろ波器（ＢＰＦＩ）、４は第２帯域ろ波器（
ＢＰＦ２）、５は第１零交差カウンタ、６は第２零交差
カウンタ、７は認識部である。ここで、第１帯域ろ波器
（ＢＰＦＩ　）８の通過域はＦｌ　１（Ｈｚ）〜Ｆ１ｈ
（Ｈｚ）（低チャンネル、第１フオルマン）Ｆｌ　に対
応）、第２帯域ろ波器（ＢＰＦ２）４０通過域はＦ２　
ｆｌ　（Ｈｚ）−Ｆ２　ｈ　（Ｈｚ）（高チャンネル、
第２フオルマン）Ｆ２に対応）であるとする。

第２図（ａ）（ｂ）の実線はそれぞれ標準的なｌａｌと
ｌｉｔのスペクトル概形を示す。この図から、点線のご
とく２つのＢＰＦｌ、ＢＰＦ２を施せば、この２母音の
分離はほぼ最大となることがわかる。第３図は、これを
わかりやすくするため、ある分析フレーム窓を設けたと
き、各ＢＰＦの出力に対するＺ、　ＣＣの分布を、男女
大勢の音声資料からｌａｌとＩｊ＋の部分のみを切出し
て表わしたものである。横軸（ｚＪりはＢＰＦｌ出力の
ＺＣＣ，縦軸（ｚｈ）はＢＰＦ２出力のＺＣＣをそれぞ
れ周波数に変換した値である。本発明方式の特徴は、こ
の２群間の距離が最大となるように、各ＢＰＦの遮断周
波数を設定することにある。

使凧する距離としては、例えば確率分布間の距離として
よく用いられるＢｈａｔｔａｃｈａｒｙａの距離を採用
することができる。すなわち、２つの母音群Ｐｉ　ｊ［
＝Ｐｒ（Ｚｆｉ＝ｉ　、Ｚｈ＝ｊ）ｌおよびＱｉ　ｊ　
（＝Ｐｒ（Ｚｊ２＝ｉ、Ｚｈ”’ｊ月間の距離ｄ（Ｐ、
Ｑ）は、次のように定義される。

ここで、＋ｒｊ；Ｚｊ２方向の最大値ｎ二ｚｈ方向の最大値Ｐｒ−確率密度関数よって、２群が完全に分離していればｄ（Ｐ、Ｑ）＝１
、完全に一致していれば０となる。

低チャンネルＢＰＦＩの低域側の遮断周波数ＦＩｎは、
ピッチの影響を除くためのもので、２５０＜Ｆｌｆｉ＜
３５０（例えば３００Ｈｚぐらい）が望ましい。また高
チャンネルＢＰＦ２の高域側の遮断周波数Ｆ２ｈは、摩
擦音検出を兼ねて、５０００＜Ｆ２ｈ　（例えば６００
０Ｈｚ〜７０００Ｈｚ）に設定する。つまり、音声認識
装置として、簡単に回路構成にする目的で、高い方のチ
ャンネルＢＰＦ２は摩擦音検出を兼ねさせている。摩擦
音は母音と分離していて、一般にＦ２は１ｏｏＯＨｚ〜
３０００Ｈｚ　に分布するのに対し、摩擦音は３０００
Ｈｚ〜６０００Ｈｚにエネルギーが集中し、ＺＣＣもそ
れに対応した値をとる。

低チャンネルＢＰＦＩの高域側遮断周波数Ｆ１ｈと、高
チャンネルＢＰＦ２’の低域側遮断周波数ｐ２ｘは、大
勢の男女話者の発生した多くの単語音声資料から、Ｉａ
ｌとｌｉｔの部分を対象に分析した結果、＋２００≦Ｆ
１ｈ≦１４００．１１００≦Ｆ２μ≦１３００．ただし
Ｆ２Ｑ＜Ｆ１ｈ　（例えばＢＰＦＩは１３００Ｈｚ、Ｂ
ＰＦ２は１２００Ｈ２）が最適であることが判明した。

すなわち、前記（）内に記した具体例をとると、全体と
して例えば、低チャンネルＢＰＦｌの通過域は８００〜
１８００Ｈｚ、高チャンネルＢＰＦ２の通過域は！２０
０〜６０００Ｈｚに設定すればよい。

なお、本例において、フィルタ回路の簡素化も考慮して
、両チャンネルとも遮断周波数の傾斜特性は±１２ｄＢ
１０ｃｔに固定している。

上述のごとく、本発明による２つのＢＰＦｌ、ＢＰＦ２
は、Ｆｌ　、Ｆ２の抽出を目標に設定されたものでなく
、多人数の音声資料中でｌａＩとＩｉｌの分離が最大と
なるように定めている。従って、どんな人に対しても、
Ｉａｌと１！１は、第３図のｚｉ−ｚｈ平面上でう捷く
識別できる。しかも、他の音韻に対しても、かなりの識
別能力は認められる。第４図に、日本語５母音（ｌａｌ
、ｌｉｌ、＋１１１．１８１．＋０１）　　と摩擦音Ｃ
Ｉ’）の分布図を示しておく。上記により、本発明の方
式によれば、簡易な不特定話者音声認識装置を実現する
ことができる。

ｒ　ｌａｌと１１の分離を最大にすることが、どうして
不特定話者認識において有効なのか」について、今少し
詳しく説明する。

まず、Ｉａｌと１ｇ＋が母音の中で最も性質の違う対で
あることを、調音などの点から述べる。母音は、調音の
位置（舌による声道の狭めの位置）と狭めの度合（主と
して顎の上下による唇の開く具合によって決まる）とに
よって、より詳しくは唇の丸めの有無、張りと緩みなど
を加えて、第５図のように分類される。ただし、図中で
対になっているもの、例えばｉとｙ、ｅとφなどは唇に
よる変形であり、右側が円層の母音である。日本語のＩ
ａｌは図の記号では’＋Ｄ＋８．Ｈに相当するが、図か
らｌａＩとｌｉｌが最も離れた存在であることがわかる
。すなわち、ｌａＩは広い後舌ないし中古母音であるの
に対し、ｌｉｔは狭い前古母音である。

また１０１はＩａＩの近い位置に存在する。

次に周波数領域での差異について述べる。普通、母音に
は数個のフォルマントがあって、周波数の低い方から第
１．第２．・・・フォルマントと呼んでいる。フォルマ
ントは、発声者、性別１年齢などにより、かなり大幅に
変動し、また発話時に前後につなげて発音される音素の
影響を受けて変動する。母音を特徴づけるのは、低次、
特に第１および第２フオルマン）　（Ｆｌ　、Ｆ２　）
である。第６図は、日本語母音のフォルマン）　Ｆｌ　
、Ｆ２を、男女別に発話者や環境の差による大略の範囲
を点線で示したものである。この図から、第２図（ａ）
（ｂ）にそのスペクトル概形を示したように、ｌａｌと
ｆｉｌはＦｌ。

Ｆ２に対応する領域で大きく食い違っていることがわか
る。

以上のことから、不特定話者を対象にして音声認識を行
なう場合、大きな課題の１つである、話者によらず特徴
量が安定している（　ｒｏｂｕｓｔ　ｆｅａｔｕｒｅｓ
である）という条件を満たすためには、母音識別におい
てｌａｌとＩｉｌに着目するのが最も妥当である。つま
り、１ａ１と１１は、その調音様式（第５図参照）の拘
束力が強いため、発話者や環境による変動が少ないと推
定される。事実、ｆｉｌに関しては、従来の研究から５
母音中最も安定した音素であると言われており、またｌ
−１は最も不安定で調音結合の影響を受けやすく、地域
による差も大きいとされている。よって、ｌａｌと１！
１のそれぞれの分布が最もよく分離するように２つのＢ
ＰＦ　ｌ　。

ＢＰＦ２の通過域を設定すれば、特命量として最も安定
なもの（ｒｏｂｕｓｔなもの）が期待できる。

ただし、実際の分析では、５母音中１ａｌと１０１の分
布が非常に重なっていたため、この音素を１つにまとめ
ＩｉｌとｌａＩの分離に着目した。１０１は、第５図、
第６図からもわかるようにｌａＩに近く、ｌｉｔとはか
なシ離れており、ｌａＩと同じ群として扱っても大差が
なく、また本廃明による分離では、同じ群として扱う方
が、よシ安定な特徴量（ｒｏｂｕｓ　ｔｆｅａｔｕｒｅ
ｓ　）形成に役立つ。もちろんこの場合、ＩａＩと１０
１は識別できないことになるが、２チヤンネルのＢＰＦ
という簡易な音声認識装置では、このデメリットは大き
くない。認識対象語いをこのことに注意して選んでやれ
ばよい。

この２チヤンネルＢＰＦ設計法で得られたデータ例を第
７図に示す。

対象とする母音は１ａ１．Ｉｊｌ、ｌｆ’ｇｌ、＋１？
＋（７）４群、ただし上述のとおり、ｌａｌはａとＯを
含ん−でいる。

使用したデータは、男女数十名の発声したいろいろな単
語中の母音定常部である。評価尺度は先に説明した２つ
の分布間のＢｈａｔｔａｃｈａｒｙａ距離を用いており
、第７図中では各組み合わせの上段に記した。下段は、
参考までに２群間の重み付きＥｕｃｌｉｄｉａｎ距離を
示している。ＢＰＦｌの高域側遮断周波数Ｆ１ｈとＢＰ
Ｆ２の低域側遮断周波数Ｆ２ｆｉとの組み合せは、下表
のように９種類である。

（単位　ＫＨｚ）表中の■（ｎ＝１．２．・・・、９）が第７図に図示さ
れ、■の順にデータが載せられている。Δ印はＢｈａｔ
ｔａｃｈａｒｙａ距離の最大値を示す。図かられかる゛
ように、　１２００≦Ｆｉｌｌ≦１４００．１１００≦
Ｆ２Ｒ≦１３００の範囲で、各母音間とも充分な距離を
有している。

特にこの中で、ｌａｌとＩｉｌの分離は■と■の組み合
わせで最大（０，９７）になっている。また最下欄の各
群間の距離の平均をみても、これら組み合わせで最大（
０，７０）となった。しかし、■は■に比べ、ｖ２Ｑを
１００Ｈｚ　低く設定しているため、ＩａＩの抽出にお
いてより安定していると思われる。

なぜなら、ｌａＩの第１．第２７オルマントが１０００
Ｈ２付近に存在しているため、Ｆ２２が低いほどそれを
抽出しやすくなるからである。従って、各遮断周波数Ｆ
１ｈ、Ｆ２ｆｉは上記範囲内であって、かつｐ２ｎ〈Ｆ
１ｈとなるように設定することが望ましい。

なお、上記例において、総合的には■の組み合わせが最
適であった。このとき、１ａ１とＩｉｌの分離が最大で
あるのみならず、平均値が示しているように、他の母音
群間の分離も最大になる。

〈発明の効果〉以上のように本発明によれば、簡単な回路構成で、誤認
識がなく、任意の不特定話者に対しても有効に働き得る
、簡易型音声認識装置の実現に有用な方式が提供できる
。

【図面の簡単な説明】

第１図は本発明の実現回路例を示すブロック図、第２　
ｄ（ａ）（ｂ）はそれぞれ母音１ａＩおよびＩｉｌのス
ペクトル概形と第１図ＢＰＦ特性の関係を示す図、第３
図は母音１ａｌとｌｊ１間の分離特性を説明する図、第
４図は摩擦音および各母音間の分離特性を説明する図、
第５図は調音様式による母音の分類を説明する図、第６
図は日本語母音のフォルマント分布を説明する図、第７
図は本発明方式による距離分析データ例を示す図である
。ｌ・・・マイク、２・・・アンプ、３・・・第１帯域ろ
波器、４・・・第２帯域ろ波器、５・・・第１零交差カ
ウンタ、６・・・第２零交差カウンタ、７・・・認識部
。代理人　弁理士　福　士　愛　彦（他２名）第１図第２図１１′ｉｌ古　　坤古　往古第５図第６図

Claims

【特許請求の範囲】１、入力音声を２つの帯域ろ波器（ＢＰＦ）に通した後
、それぞれの出力波形の一定時間（フレーム）内の零交
差回数を音声認識の特徴量とするものにおいて、前記各ＢＰＦの通過域をＦ＿１ｌ（Ｈｚ）からＦ＿１ｈ
（Ｈｚ）、およびＦ＿２ｌ（Ｈｚ）からＦ＿２ｈ（Ｈｚ
）とおくとき、２５０＜Ｆ＿１ｌ＜３５０、１２００≦
Ｆ＿１ｈ≦１４００、１１００≦Ｆ＿２ｌ≦１３００、
Ｆ＿２ｌ＜Ｆ＿１ｈ、５０００＜Ｆ＿２ｈを満たすよう
に設定してなることを特徴とする音声の特徴抽出方式。