JPS6117196A - 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 本発明は音声を認識する音声認識装置に関する。

背景技術とその問題点 従来、音声の発声速度変動に対処した音声認識装置とし
て例えば特開昭５０−９６１０４号公報に示されるよう
なりＰマツチング処理を行なうようにしたものが提案さ
れている。

先ず、このＤＰマツチング処理にて音声認識を行なうよ
うにした音声認識装置について説明する。

第１図において、（１）は音声信号入力部としてのマイ
クロホンを示し、このマイクロホン（１）からの音声信
号が音響分析部（２）に供給され、この音響分析部（２
）にて音響パラメータ時系列Ｐｉ（ｎｌが得られる。

この音響分析部（２）において例えばバンドパスフィル
タバンクの整流平滑化出力が音響パラメータ時系列Ｐｉ
（ｎｌ　（ｉ　＝　１．・・・・、Ｉ’ｉＩはバンドパ
スフィルタバンクのチャンネル数、ｎ　””’　１　＋
・・・・、Ｎ；Ｎは音声区間判定により切り出されたフ
レーム数である。）として得られる。

この音響分析部（２）の音響パラメータ時系列Ｐｉ（ｎ
ｌがモード切換スイッチ（３）により、登録モードにお
いては認識対象語毎に標準パターンメモリ（４）に格納
され、認識モードにおいてはＤＰマツチング距離計算部
（５）の一端に供給される。又、この認識モードにおい
ては標準パターンメモ１月４）に格納されている標準パ
ターンがＤＰマツチング距離計算部（５）の他端に供給
される。

このＤＰマツチング距離計算部（５）にてその時入力さ
れている音声の音響パラメータ時系列Ｐｉ（ｎ＋よりな
る入力パターンと標準パターンメモリ（４）の標準パタ
ーンとのＤＰマツチング距離計算処理がなされ、このＤ
Ｐマツチング距離計算部（５）のＤＰマツチング距離を
示す距離信号が最小距離判定部（６）に供給され、この
最小距離判定部（６）にて入力パターンに対してＤＰマ
ツチング距離が最小となる標準パターンが判定され、こ
の判定結果より入力音声を示す認識結果が出力端子（７
）に得られる。

ところで、一般に標準パターンメモリ（４）に格納され
る標準パターンのフレーム数Ｎは発声速度変動や単語長
の違いにより異なっている。ＤＰマツチング処理により
この発声速度変動や単語長の違いに対処する為の時間軸
正規化がなされる。

以下、このＤＰマツチング処理について説明する。ここ
で、簡単の為に音響パラメータ時系列Ｐｉ（ｎ）の周波
数軸方向ｉに対応する次元を省略して標準パターンのパ
ラメータ時系列をｂｌ、・・・・。

ｂＮ、入力パターンのパラメータ時系列をａ１＋・・・
・＋　　ａＭとして、端点固定のＤＰ−パスの場合のＤ
Ｐマツチング処理について説明する。

第２図はＤＰマツチング処理の概念図を示し、横軸に入
力パラメータ（Ｍ＝１９）が並べられ、縦軸に標準パラ
メータ（Ｎ＝１２）が並べられ、この第２図に示す（Ｍ
、Ｎ）格子状平面に於ける・点はＭＸＮ個であり、この
各・点に１つの距離が対応する。例えばａ３とｂ５との
距離がａ３から縦に伸した直線と、ｂ５から横に伸した
直線との交点に位置する・に対応する。この場合、距離
として例えばチェビシェフ距離を取れば、ａ３とｂ５と
のチェビシェフ距離ｄ　（３，５）はとなる（この場合
、周波数軸方向ｌに対応する次元を省略しているのでＩ
＝１である。）。そして、端点固定のＤＰ−パスとして
、格子点（ｍ、ｎ）に対してこの格子点（ｍ、ｎ）に結
びつける前の状態として左側の格子点（ｍ−１，ｎ）、
斜め左下側の格子点（ｍ−１，ｎ−１）及び下側の格子
点（ｍ、ｎ−１）の３つ乃だけを許した場合、始点、即
ちａｌとｂｌとのチェビシェフ距離Ｄ１１を示す点■か
ら出発し、パス（経路）として３方向乃を選び、終点、
即ちａＭとｂＮとのチェビシェフ距離ｄ　（Ｍ、　Ｎ）
を示す点■に至るパスで、通過する各格子点の距離の総
和が最小になるものを求め、この距離の総和を入力パラ
メータ数Ｍと標準パラメータ数Ｎとの和より値１を減算
した（Ｍ＋Ｎ−１）にて除算して得られた結果が入力パ
ターンのパラメータ時系列ａ１＋　　・・・・、ａＭと
標準パターンのパラメータ時系列ｂ１＋　　・・・・＋
　　ｂＮとのＤＰマツチング距離となされる。この様な
処理を示す初期条件及び漸化式は 初期条件 ｇ　（１，１）　−ｄ　（Ｌ　　１） 漸化式 と表され、これよりＤＰマツチング距離Ｄ　（Ａ、Ｂ）
は Ｄ　　（Ａ、　　Ｂ）＝ｇ　　（Ｍ、　　Ｎ）／　　（
Ｍ＋Ｎ−１）と表されるｉＭ＋Ｎ−１）でｇ　（Ｍ、Ｎ
）を割っているのは標準パターンのフレーム数Ｎの違い
による距離の値の差を補正するためである。）。

この様な処理により標準パターンの数がＬ個ある場合に
は入力パターンに対するＤＰマツチング距離がＬ個求め
られ、このＬ個のＤＰマツチング距離中最小の距離とな
る標準パターンが認識結果となされる。

この様なりＰマツチング処理による音声認識装置によれ
ば発声速度変動やｌｌＬｉ！長の違いに対処、即ち時間
軸正規化のなされた音声認識を行なうことができる。

然し乍ら、この様なりＰマツチング処理により音声認識
を行なうものにおいては、音声の定常部がＤＰマツチン
グ距離に大きく反映し、部分的に類似しているような語
い間に於いて誤認識し易いということが明らかとなった
。

即ち、音響パラメータ時系列Ｐｉ（ｎｌはそのパラメー
タ空間で軌跡を描くと考えることができる。実際には各
フレームｎのパラメータがパラメータ空間内の１点に対
応することから、点列ではあるが時系列方向に曲線で結
んでいくと始点から終点迄の１つの軌跡が考えられる。

例えば２種類の単語”ＳＡＮ″と”ＨＡＩ″とを登録し
た場合、夫々の標準パターンＡ’、Ｂ’は第３図に示す
如くＳ”、“Ａ”、１Ｎ″、′Ｈ″、“Ａ”、′Ｉ”の
各音韻領域を通過する軌跡を描く。そして、認識モード
で“ＳＡＮ”と発声した場合、全体的にみれば入力パタ
ーンＡに対する標準パターンＢ′の類似する部分は非常
に少ないが、この入力パターンＡの“ＳＡＮ″の“Ａ”
の部分が標準パターンＡ′の”ＳＡＮ”の”Ａ″の部分
より標準パターンＢ′の”ＨＡＩ”の”Ａ”の部分によ
り類似し、且つその部分（準定常部）に点数が多い場合
がある。

ここで、第３図に示す如く入力パターンＡのパラメータ
が全体的には標準パターンＡ′のパラメータに類似し、
部分的には標準パターンＢ′のパラメータに類似する場
合にＤＰマツチング処理により誤認識を招く場合を１次
元パラメータを例に説明する。この場合、第３図に示す
状況、即ち部分的に類似している語い間の関係と同様の
１次５元パラメー多時系列として第４図に示す如き入力
パターンＡ　ｉ　２．４．６．８．８．８．８．６．４
．４．４．６゜８と、第５図に示す如き標準パターンＡ
’ｉ３，５゜７、９．９．９．９．７．５．５．７．９
と、第６図に示す如き標準パターンＢ’　　ｉ　７．６
．６．８．８．８．８．６゜４、４．４とを考える。こ
れら第４図乃至第６図のパターンより明らかな如く入力
パターンＡは標準パターンＡ′と判定されて欲しいパタ
ーンである。

ところが、入力パターンＡに対する標準パターンＡ′及
びＢ′のＤＰマツチング距離を計算すると、入力パター
ンＡは標準パターンＢ′に近いことが示される。

即ち、入力パターンＡに対する標準パターンＡ′のＤＰ
マツチング処理として第２図と同様、第７図に示す如く
横軸に入力パターンＡのパラメータ時系列；　２．４．
６．８．８．８．８．６．４．４．４．６゜８を並べ、
縦軸に標準パターンＡ′のパラメータ時系列；　３．５
．７．９．９．９．９．７．５．５．７．９を並べ、格
子状平面に於ける交点に対応して入力パターンＡの個々
のパラメータに対する標準パターンＡ′の個々のパラメ
ータのチェビシェフ距離を求める。そして、入力パラメ
ータＡのパラメータ時系列の第１番目のパラメータ２と
、標準パラメータＡ′のパラメータ時系列の第１番目の
パラメータ３とのチェビシェフ距離ｄ　（１，１）＝１
の点を始点とし、入力パターンＡのパラメータ時系列の
第１３番目のパラメータ８と、標準パターンＡ′のパラ
メータ時系列の第１２番目のパラメータ９とのチェビシ
ェフ距離ｄ　（１３，１２）　＝　１の点を終点とし、
ＤＰ−パスとして第２図の場合と同様、任意の点に対す
る前の状態としてその任意の点の左側の点、下側の点及
び斜め左下側の点を取ることを許した場合（このパスを
実線矢印にて示す。）、パス上の点はｄ　（１，１）　
−ｄ　（２，２）　−ｄ（３，３）−ａ　　（４，４）
−ｄ　（５，５）−ｄ（６，６）、−ａ　　（７，７）
−ｄ　　（８，８）−ａ（９，９）　　−ｄ　　（１０
，１０）　　−ｄ　　（１１，１０）　　−ｄ（１２，
１０）　　−ｄ　　（１３，１１）　　−ｄ　　（１３
，１２）の１４点であり、その距離の総和は２４であり
、このＤＰマツチング距離Ｄ　（Ａ、Ａ’）はｌである
。

一方、入力パターンＡに対する標準パターンＢ′のＤＰ
マツチング処理を上述第７図に示す場合と同様、第８図
に示す如、く行なう。即ち、入力パターンへの個々のパ
ラメータｉ　２．４．６．８．８．８゜８、６．４．４
．４．６．８に対する標準パターンＢ′の個個のパラメ
ータｉ　７．６．６．８．８．８．８．６゜４、４．４
のチェビシェフ距離を求め、ＤＰ−パスとして任意の点
に対する前の状態としてその任意の点の左側の点、下側
の点及び斜め左下側の点を取ることを許した場合（この
パスを実線矢印にて示す。）、パス上の点はｄ　（１，
１）−ｄ　（２，２）−ｄ　（３，３）　−ｄ　（４，
４）−ｄ　（５，５）−ｄ　（６，６）−ｄ　（７，７
）−ｄ　、（８，８）−ｄ（９，９）　−ｄ　（１０，
１０）　−ｄ　（１１，１１）　＝ｄ（１２，１１）　
−ｄ　（１３，１１）の１３点であり、その距離の総和
は１５であり、このＤＰマツチング距離Ｄ（Ａ、Ｂ’）
は０，６５である。

このＤＰ−パスを３方向角とした結果より明らかな様に
入力パターンＡがそのＤＰマツチング距離の小さな標準
パターンＢ′と判定され、判定されるべき結果が得られ
ない。この様にＤＰマツチング処理においては部分的に
類似しているような語い間に於いて誤認識し易い。

又、ＤＰマツチング処理においては上述した様に標準パ
ターンのフレーム数Ｎが不定であり、しかも入力パター
ンに対して全標準パターンをＤＰマツチング処理する必
要があり、語いが多くなるとそれに伴って演算量が飛躍
的に増加し、標準パターンメモ１月４）の記憶容量や演
算量の点で問題があった。

この為、部分的に類似しているような語い間に於いても
誤認識することが比較的少なく、且つ標準パターンメモ
リ（４）の記憶容量や処理の為の演算量が比較的少ない
音声認山装置として第９図に示す如きものが考えられて
いる。

第９図において、（１）は音声信号入力部としてのマイ
クロホンを示し、このマイクロホンｆｌ）からの音声信
号を音響分析部（２）の増幅器（８）に供給し、この増
幅器（８）の音声信号をカントオフ周波数５．５ＫＨｚ
のローパスフィルタ（９）を介してサンプリング周波数
１２．５ＫＩ（ｚの１２ビツトＡ／Ｄ変換器０［９に供
給し、このＡ／Ｄ変換器α０）のデジタル音声信号を１
５チヤンネルのデジタルバンドパスフィルタバンク（Ｉ
ＩＡ　）　、　　（１１Ｂ　）　、　”、　　（ｌｌｏ
　）に供給する。

この１５チヤンネルのデジタルバンドパスフィルタバン
ク（ＩＩＡ）　、　　（ＩＩＢ）　、　・・・・、　　
（ｌｌｏ）は例えばバターワース４次のデジタルフィル
タにて構成し、２５０Ｈｚから５．５ＫＨｚまでの帯域
が対数軸上で等間隔となるように割り振られている。そ
して、各デジタルバンドパスフィルタ（ＩＩＡ　）　、
　　（ＩＩｇ　）　。

・・・・、（ｌｌｏ）の出力信号を１５チヤンネルの整
流器（１２Ａ　）　、　　（１２ａ　）　、　・・・・
、　　（１２ｏ　）に夫々供給し、これら整流器（１２
Ａ　）　、　　（１２Ｂ　）　、・・・・。

（１２ｏ）の２乗出力を１５チヤンネルのデジタルロー
パスフィルタ（１３Ａ　）　、／（１３ａ　）　、・・
・・、（１３ｏ）に夫々供給する。これらデジタルロー
パスフィルタ（１３ｓ＞　、　　（１３Ｂ）　、　”、
　　（１３ｏ）はカットオフ周波数５２．８ＨｚのＦＩ
Ｒ（有限インパルス応答形）ローパスフィルタにて構成
する。

そして、各デジタルローパスフィルタ（１３＾）。

（１３ｓ）、・・・・、（１３ｏ）の出力信号をサンプ
リング周期５．１２ｍ５のサンプラー（１４）に供給す
る。

このサンプラー（１４）によりデジタルローパスフィル
タ（１３Ａ）　、　　（１３ｓ）　、　・・・・、　　
（１３ｏ）の出力信号をフレーム周期５−１２ｍ５毎に
サンプリングし、このサンプラー（１４）のサンプリン
グ信号を音源情報正規化器（１５）に供給する。この音
源情報正規化器（１５）は認識しようとする音声の話者
による声帯音源特性の違いを除去するものである。

即ち、フレーム周期毎にサンプラー（１４）から供給さ
れるサンプリング信号Ａｓ（ｎｌ　（１−１＋・・・・
。

１５　；　ｎ　：フレーム番号）に対してＡｔ（ｎｌ−
１ｏｇ　（Ａｉ（ｎｌ＋　Ｂ）　　　　　　　・・・（
１１なる対数変換がなされる。このＴｌ１式において、
Ｂはバイアスでノイズレベルが隠れる程度の値を設定す
る。そして、声帯音源特性をｙｉ＝ａ−４十すなる式で
近位する。このａ及びｂの計数は次式により決定される
。

（Ｎ＝１５）　　　　・・・　（２） （Ｎ＝１５）　　　　・・・　（３） そして、音源の正規化されたパラメータをＰｉ（ｎｌと
すると、ａ　（ｎ）　＜　０のときパラメータＰｉ（ｎ
）ハＰｉ’＋ｎ）＝Ａ’１（ｎ）　−（ａ（ｎｉ　ｉ＋
ｂ（ｎ））　　・・・（４１と表わされる。

又、ａ　（ｎｌ≧Ｏのときレベルの正規化のみ行ない、
パラメータＰｉ（ｎ）は ・・・　（５） と表わされる。

この様な処理により声帯音源特性の正規化されたパラメ
ータＰｉ（ｎｌを音声区間内パラメータメモリ（１６）
に供給する。この音声区間内パラメータメモリ　（１６
）は後述する音声区間判定部（１７）からの音声区間判
定信号を受けて声帯音源特性の正規化されたパラメータ
Ｐｌ（ｎｌを音声区間毎に格納する。

一方、Ａ／Ｄ変換器０φのデジタル音声信号を音声区間
判定部（１７）のゼロクロスカウンタ（１８）及びパワ
ー算出器（１９）に夫々供給する。このゼロクロスカウ
ンタ（１８）は５．１２ｍ５毎にその区間の６４点のデ
ジタル音声信号のゼロクロス数をカウントし、そのカウ
ント値を音声区間判定器（２０）の第１の入力端に供給
する。又、パワー算出器（１９）は５．１２ｍ５毎にそ
の区間のデジタル音声信号のパワー、即ち２乗和を求め
、その区間内パワーを示すパワー信号を音声区間判定器
（２０）の第２の入力端に供給する。更に、音源情報正
規化器（１５）の音源正規化情報ａ　（ｎｌ及びｂ　（
ｎｌを音声区間判定器（２０）の第３の入力端に供給す
る。そして、音声区間判定器（２０）においてはゼロク
ロス数、区間内パワー及び音源正規化情報ａ　（ｎｌ、
　　ｂ　（ｎｌを複合的に処理し、無音、無声音及び有
声音の判定処理を行ない、音声区間を決定する。この音
声区間判定器（２０）の音声区間を示す音声区間判定信
号を音声区間判定部（１７）の出力として音声区間内パ
ラメータメモリ　（１６）に供給する。

この音声区間内パラメータメモリ　（１６）に格納され
た音声区間毎に声帯音源特性の正規化された音響パラメ
ータＰｉ（ｎ）をその時系列方向にＮＡＴ（ＮｏｒＩＩ
ｌａｌｉｚａｔｉｏｎ　Ａｌｏｎｇ　Ｔｒａｊｅｃｔｏ
ｒｙ）処理部（２１）に供給する。このＮＡＴ処理部（
２１）は　ＮＡＴ処理として音響パラメータ時系列Ｐｉ
（ｎｌからそのパラメータ空間における軌跡を直線近似
にて推定し、この軌跡に沿って直線補間にて新たな音響
パラメータ時系列Ｑｉ（ロ）を形成する。

ここで、このＮＡＴ処理部（２１）について更に説明す
る。音響パラメータ時系列Ｐｉ（ｎ）　（ｉ　＝　１．
・・・・＋Ｉ；ｎ＝Ｌ・・・・、Ｎ）はそのパラメータ
空間に点列を描く。第１０図に２次元パラメータ空間に
分布する点列の例を示す。この第１０図に示す如く音声
の非定常部の点列は粗に分布し、準定常部は密に分布す
る。この事は完全に定常であればパラメータは変化せず
、その場合には点列はパラメータ空間に停留することか
らも明らかである。

第１１図は第１０図に示す如き点列上に滑らかな曲線よ
りなる軌跡を推定し描いた例を示す。この第１１図に示
す如く点列に対して軌跡を推定できれば、音声の発声速
度変動に対して軌跡は殆ど不変であると考えることがで
きる。何故ならば、音声の発声速度変動による時間長の
違いは殆どが準定常部の時間的伸縮（第１０図に示す如
き点列においては準定常部の点列密度の違いに相当する
。）に起因し、非定常部の時間長の影響は少ないと考え
られるからである。

ＮＡＴ処理部（２１）においてはこの様な音声の売声速
度変動に対する軌跡の不変性に着目して時間軸正規化を
行なう。

即ち、第１に音響パラメータ時系列ＰｉＴｎ）に対して
始点Ｐ　１（１１から終点Ｐｉ（Ｎ）迄を連続曲線で描
いた軌跡を推定し、この軌跡を示す曲線を′Ｐ″１（ｓ
ｌ（０≦Ｓ≦Ｓ）とする。この場合、必ずしもＰｉ（ｏ
ｌ　＝　Ｐｉ（１１。

点列全体を近似的に通過するようなものであれば良い。

第２に推定されたＰｉ（ｓ）から軌跡の長さＳＬを求め
、第１２図に○印にて示す如く軌跡に沿って一定長で新
たな点列をリサンプリングする。例えばＭ点にサンプリ
ングする場合、一定長さ、即ちリサンプリング間隔Ｔ＝
ＳＬ／（Ｍ−１）を基準として軌跡上をリサンプリング
する。このリサンプリングされた点列をＱｉ（ｍ）　（
ｔ　＝Ｌ・・・・＋Ｉ；ｍ＝Ｌ””＋Ｍ）この様にして
得られた新たなパラメータ時系列Ｑｉ（ホ）は軌跡の基
本情報を有しており、しがも音声の発声速度変動に対し
て殆ど不変なパラメータとなる。即ち、新たなパラメー
タ時系列Ｑｉ（ホ）は時間軸正規化がなされたパラメー
タ時系列となる。

この様な処理の為に、音声区間内パラメータメモリ　（
１６）の音響パラメータ時系列Ｐｉ（ｎｌを軌跡長算出
器（２２）に供給する。この軌跡長算出器（２２）は音
響パラメータ時系列ＰｉＴｎ）がそのパラメータ空間に
おいて描く直線近似による軌跡の長さ、即ち軌跡長を算
出するものである。この場合、■次元ベクトルａ（及び
ｂ１間の距離として例えばユークリッド距離Ｄ　　（ａ
ｉ、ｂｉ）をとれば・　・　・　　（６） である。尚、この距離としてはチェビシェフ距離、平方
距離等をとることを可とする。そこで、■次元の音響パ
ラメータ時系列Ｐｉ（ｎｌ　（ｉ＝　Ｌ・・・・、■；
ｎ＝１．・・・・、Ｎ）より、直線近似により軌跡を推
定した場合の時系列方向に隣接するパラメータ間距離Ｓ
　（ｎｌは ５（ｎｌ＝Ｄ　（Ｐｌ　（ｎｌｔ　）　、　ＰＨｎｌ）
　　（ｎ＝１．”・・、　Ｎ−１）・・・　＋？） と表わされる。そして、時系列方向における第１番目の
パラメータＰｉ（１１から第ｎ番目のパラメータＰｉ（
ｎｌ迄の距離ｓｔ、ｔｎ＞は と表わされる。尚、５Ｌ（１１＝　Ｏである。更に、軌
跡長ＳＬは と表わされる。軌跡長算出器（２２）はこの（７）式、
（８）式及び（９）式にて示す信号処理を行なう如くな
す。

この軌跡長算出器（２２）の軌跡長ＳＬを示す軌跡長信
号を補間間隔算出器（２３）に供給する。この補間間隔
算出器（２３）は軌跡に沿って直線補間により新たな点
列をリサンプリングする一定長のりサンプリング間隔Ｔ
を算出するものである。この場合、Ｍ点にリサンプリン
グするとすれば、リサンプリング間隔Ｔは Ｔ＝ＳＬ／（Ｍ−１）　　　　　　　　・・・　αωと
表わされる。補間間隔算出器（２３）はこの０ｆｆ１式
にて示す信号処理を行なう如くなす。

この補間間隔算出器（２３）のりサンプリング間隔Ｔを
示すリサンプリング間隔信号を補間点抽出器（２４）の
一端に供給すると共に音声区間内パラメータメモリ　（
１６）の音響パラメータ時系列Ｐｉ（ｎｌを補間点抽出
器（２４）の他端に供給する。この補間点抽出器（２４
）は音響パラメータ時系列Ｐｉ（ｎｌのそのパラメータ
空間における軌跡例えばパラメータ間を直線近似した軌
跡に沿ってリサンプリング間隔Ｔで新たな点列をリサン
プリングし、この新たな点列より新たな音響パラメータ
時系列Ｑｉ（ホ）を形成するものである。

ここで、この補間点抽出器（２４）における信号処理を
第１３図に示す流れ図に沿って説明する。先ず、ブロッ
ク　（２４ａ　）にてリサンプリング点の時系列方向に
おける番号を示す変数Ｊに値１が設定されると共に音響
パラメータ時系列Ｐｉ（ｎ）の時系列方向における番号
を示す変数ＩＣに値１が設定される。そして、ブロック
（２４ｂ）にて変数Ｊがインクリメントされ、ブロック
（２４ｃ）にてそのときの変数Ｊが（Ｍ−１）以下であ
るかどうかにより、そのときのりサンプリング点の時系
列方向における番号かりサンプリングする必要のある最
後の番号になっていないかどうかを判断し、なっていれ
ばこの補間点抽出器（２４）の信号処理を終了し、なっ
ていなければブロック（２４ｄ）にて第１番目のりサン
プリング点から第５番目のりサンプリング点までのりサ
ンプル距離ＤＬが算出され、ブロック（２４ｅ）にて変
数ＩＣがインクリメントされ、ブロック（２４ｆ）にて
リサンプル距離ＤＬが音響パラメータ時系列Ｐｉ（ｎｌ
の第１番目のパラメータＰｉ（１）から第１Ｃ番目のパ
ラメータＰ　ｉＱＣ）までの距離ＳＬθＣ）よりも小さ
いかどうかにより、そのときのりサン−プリング点が軌
跡上においてそのときのパラメータＰｉ（ＩＧ）よりも
軌跡の始端側に位置するかどうかを判断し、位置してい
なければブロック（２４ｅ）にて変数ＩＣをインクリメ
ントした後再びブロック（２４ｆ）にてリサンプリング
点とパラメータＰｉＱｃ）との軌跡上における位置の比
較をし、リサンプリング点が軌跡上においてパラメータ
Ｐｉ（Ｉｃ）よりも始端側に位置すると判断されたとき
、プロ、り（２４ｇ）にてリサンプリングにより軌跡に
沿う新たな音響パラメータ口ｉＵ）が形成される。即ち
、先ず第３番目のりサンプリング点にょろりサンプル距
離ＤＬからこの第３番目のりサンプリング点よりも始端
側に位置する第（１（ニー１　）番目のパラメータＰｉ
（＋ｃｆｘ）による距離ＳＬ（Ｉｃ−１）を減算して第
（ＩＣ−１）番目のパラメータＰｉ（ＩＣ−１）から第
３番目のりサンプリング点迄の距離ＳＳを求める。次に
、軌跡上においてこの第３番目のりサンプリング点の両
側に位置するパラメータＰｉ（＋ｃ−ｔ）及びパラメー
タＰｉ（ＩＣ＞間の距離Ｓ（＋ｃ−ｔ）　（この距Ｍ！
ｔ　Ｓ　０ｃ−ｔ）は（７）式にて示される信号処理に
て得られる。）にてこの距離ＳＳを除算ＳＳ／　Ｓ　（
＋ｃ−ｚ）　シ、この除算結果ＳＳ／　Ｓ　（＋ｃ、１
）に軌跡上において第３番目のりサンプリング点の両側
に位置するパラメータＰｉ（Ｉｃ）とＰｉＱｃ−ｘ）と
の差（ＰｉＱｃ）−Ｐ　ｔｏｅ　−１）　）を掛算（Ｐ
ｉＱｃ）　−Ｐｉ（＋ｃ−ｔ））　＊　ＳＳ／　Ｓ　Ｑ
ｃ−１）して、軌跡上において第３番目のりサンプリン
グ点のこのリサンプリング点よりも始端側に隣接して位
置する第（ＩＣ−１）番目のパラメータＰｉ（Ｉｃ−１
）からの補間量を算出し、この補間量と第３番目のりサ
ンプリング点よりも始端側に隣接して位置する第（ＩＣ
−１）番目のパラメータＰｉＱｃ−ｔ）とを加算して、
軌跡に沿う新たな音響パラメータＱｉ（Ｊ）が形成され
る。第１４図に２次元の音響パラメータ時系列Ｐ（１）
、　　Ｐ（２１，・・・・、Ｐ（８１に対してパラメー
タ間を直線近似して軌跡を推定し、この軌跡に沿って直
線補間により６点の新たな音響パラメータ時系列Ｑ（１
１，Ｑ（２１，・・・・、Ｑ（６）を形成した例を示す
。

又、このブロック（２４ｇ）においては周波数系列方向
に１次元分（ｉ＝Ｌ・・・・、Ｉ）の信号処理が行なわ
れる。

この様にしてブロック（２４ｂ）乃至（２４ｇ）にであ
る。）を除＜　（Ｍ−２）点のリサンプリングにより新
たな音響パラメータ時系列Ｏ１（ロ）が形成される。

このＮＡＴ処理部（２１）の新たな音響パラメータ時系
列Ｑｉ（２））をモード切換スイッチ（３）により、登
録モードにおいては認識対象語毎に標準パターンメモ１
月４）に格納し、認識モードにおいてはチェビシェフ距
離算出部（２５）の一端に供給する。又、この認識モー
ドにおいては標準パターンメモリ（４）に格納されてい
る標準パターンをチェビシェフ距離算出部（２５）の他
端に供給する。このチェビシェフ距離算出部（２５）に
おいてはその時入力されている音声の時間軸の正規化さ
れた新たな音響パラメータ時系列Ｏ１（ロ））よりなる
入力パターンと、標準パターンメモリ（４）の標準パタ
ーンとのチェビシェフ距離算出処理がなされる。

そして、このチェビシェフ距離を示す距離信号を最小距
離判定部（６）に供給し、この最小距離判定部（６）に
て入力パターンに対するチェビシェフ距離が最小となる
標準パターンが判定され、この判定結果より入力音声を
示す認識結果を出力端子（７）に供給する。

この様にしてなる音声認識装置の動作について説明する
。

マイクロホン（１）の音声信号が音響分析部（２）にて
音声区間毎に声帯音源特性の正規化された音響パラメー
タ時系列Ｐｉ（ｎｌに変換され、この音響パラメータ時
系列Ｐｉ（ｎｌがＮＡＴ処理部（２１）に供給され、こ
のＮＡＴ処理部（２１）にて音響パラメータ時系列Ｐｉ
ｆｎ）からそのパラメータ空間における直線近似による
軌跡が推定され、この軌跡に沿って直線補間され時間軸
正規化のなされた新たな音響パラメータ時系列Ｑｉ（ｍ
）が形成され、登録モードにおいてはこの新たな音響パ
ラメータ時系列Ｑｉ（（ロ）がモード切換スイッチ（３
）を介して標準パターンメモリ（４）に格納される。

又、認識モードにおいては、ＮＡＴ処理部（２１）の新
たな音響パラメータ時系列Ｑｉ（ｍ）がモード切換スイ
ッチ（３）を介してチェビシェフ距離算出部（２５）に
供給されると共に標準パターンメモリ（４）の標準パタ
ーンがチェビシェフ距離算出部（２５）に供給される。

第１５図乃至第１７図に第４図乃至第６図に示す１次元
の入力パターンＡのパラメータ時系列；　２．４．６．
８．８．８．８．６．４．４．４．６．８　、標準パタ
ーンＡ′のパラメータ時系列ｉ　３．５．７．９゜９、
９．９．７．５．５．７．９、標準パターンＢ′のパラ
メータ時系列；　７．６．６．８．８．８．８．６．４
．４゜４をＮＡＴ処理部（２１）にて直線近似にて軌跡
を推定し、リサンプリング点を８点とする処理をした１
次元の入力パターンＡのパラメータ時系列；２．４．６
．８．６．４．６．８、標準パターンＡ′のパラメータ
時系列；　３．５．７．９．７．５．７．９、標準パタ
ーンＢ′のパラメータ時系列；　７．６．７．８゜７、
虐５．４を夫々示す。この場合、音響パラメータ時系列
Ｐｉ（ｎ）からそのパラメータ空間における軌跡を推定
し、この軌跡に沿って新たな音響パラメータ時系列Ｑｉ
（（２）が形成されるので、入力音声を変換した音響パ
ラメータ時系列Ｐｉ（ｎｌ自身により時間軸正規化がな
される。そして、チェビシェフ距離算出部（２５）にお
いて入力パターンＡと標準パターンＡ′との間のチェビ
シェフ距ｊｌｌ１８が算出されると共に入力パターンＡ
と標準パターンＢ′との間のチェビシェフ距１ｉ１１１
６が算出され、これら距離８及び距ｌ１ｉ１１１６を夫
々示す距離信号が最小距離判定部（６）に供給され、こ
の最小距離判定部（６）にて距離８が距離１６よりも小
さいことから標準パターンＡが入力パターンＡ′である
と判定され、この判定結果より入力音声が標準パターン
Ａであることを示す認識結果が出力端子（７）に得られ
る。従って、部分的に類似しているような語い間に於い
ても誤認識することが比較的少ない音声認識を行なうこ
とができる。

ここで、ＮＡＴ処理を行なう音声認識装置とＤＰマツチ
ング処理を行なう音声認識装置との演算量における差異
について説明する。

入力パターンに対する標準パターン１個当たりのＤＰマ
ツチング距離計算部（５）における平均演算量をαとし
、チェビシェフ距離算出部（２５）における平均演算量
をβとし、ＮＡＴ処理部（２１）の平均の演算量をγと
したとき、３個の標準パターンに対するＤＰマツチング
処理による演算量Ｃ１は Ｃ１−α・　Ｊ　　　　　　　　　　　　　・　・　・
　（１１）である。又、３個の標準パターンに対するＮ
ＡＴ処理した場合の演算量Ｃ２は Ｃ２＝β・Ｊ＋γ　　　　　　・・・　（１２）である
。一般に、平均演算量αは平均演算量βに対してα）β
なる関係がある。従って、γ なる関係が成り立つ、即ち認識対象語い数が増加するに
従って演算量Ｃ１は演算量Ｃ２に対してＣ１＞＞Ｃ２な
る関係となり、ＮＡＴ処理を行なう音声認識装置に依れ
ば、演算量を大幅に低減できる。

又、ＮＡＴ処理部（２１）より得られる新たな音響パラ
メータ時系列Ｑｉ（１１１１はその時系列方向において
一定のパラメータ数に設定できるので、標準パターンメ
モ１月４）の記憶領域を有効に利用でき、その記憶容量
を比較的少なくできる。

この様にＮＡＴ処理を行なうようにした音声認識装置に
おいてはＮ’Ａ　Ｔ処理後のマツチング処理として入力
パターンに対する標準パターンのチェビシェフ距離を算
出し、このチェビシェフ距離が最小の値をとる標準パタ
ーンが入力音声であると判定するようにしているのであ
るが、このＮＡＴ処理によれば比較的大きな時間軸変動
は取り除くことができるけれども、依然として比較的小
さな時間軸変動は残っており、入力パターンに対する標
準パターンのチェビシェフ距離算出による単純マツチン
グではこの比較的小さな時間軸変動を取り除くことがで
きないという不都合があった。この為、ＮＡＴ処理した
後にＤＰマツチング処理することが考えられる。然し乍
ら、このＤＰマツチング処理においては、整合窓の処理
と、この整合窓内の各点に対する処理と、パスに対する
重みの処理とが必要であり、時間軸変動を取り除くこと
はできるけれども演算量が比較的多（なるという不都合
があった。

発明の目的 本発明は斯かる点に鑑み比較的少ない演算量で音声の発
声速度変動、音声区間のずれ等による比較的小さな時間
軸変動を取り除くことができる認識率の比較的高いもの
を得ることを目的とする。

発明の概要 本発明は音声信号入力部を有し、この音声信号入力部の
音声信号を音響分析部に供給し、この音響分析部の音響
パラメータ時系列を時間軸伸縮補正部に供給し、この時
間軸伸縮補正部の時間軸伸縮の補正された音響パラメー
タ時系列を大カパタ−ンとしてスイングサーチ部の一端
に供給すると共に標準パターンメモリの標準パターンを
スイングサーチ部の他端に供給し、スイングサーチ部に
て入力パターンと標準パターンとをスイングサーチ処理
して音声信号を認識するようにしたものであり、斯かる
本発明音声認識装置に依れば、比較的少ない演算量で音
声の発声速度変動、音声区間のずれ等による比較的小さ
な時間軸変動を取り除くことができる認識率の比較的高
いものを得ることができる利益がある。

実施例 以下、第１８図及び第１９図を参照しながら本発明音声
認識装置の一実施例について説明しよう。この第１８図
及び第１９図において第１図乃至第１７図と対応する部
分に同一符号を付してその詳細な説明は省略する。

本例においては第１８図に示す如く登録モードにおいて
ＮＡＴ処理部（２１）の新たな音響パラメータ時系列Ｑ
＋（ｍｌ　（ｉ＝１．・・・−、ｌ；　ｍ＝１＋””＋
Ｍ）をモード切換スイッチ（３）を介して標準パターン
メモ１月４）に格納する。又、認識モードにおいてはＮ
ＡＴ処理部（２１）の新たな音響パラメータ時系列旧（
ロ）（ｉ＝１．・−・＋Ｉ；ｍ＝＋１．・−・−、Ｍ）
を入力パターンとしてモード切換スイッチ（３）を介し
てスイングサーチ部（２６）の一端に供給すると共に標
準パターンメモ１月４）の標準パターンをスイングサー
チ部（２６）の他端に供給する。

ここで、このスイングサーチ部（２６）のスイングサー
チ処理について第１９図を参照しながら説明する。この
スイングサーチ部（２６）においては第１９図に示す如
く入力パターンの音響パラメータ時系列１１．・・・・
、ＩＭ　（これら１１．旧・、■門はｉ、即ち周波数系
列を要素とするベクトルであり、ＮＡＴ処理部（２１）
の新たな音響パラメータ時系列Ｑｉ（１１，・・・・ｌ
　Ｑｉ（Ｍ）である。）を横軸に並べ、標準パターンの
音響パラメータ時系列５１．・印。

５Ｍ　（これら５１．・・・・、５Ｍはｉ、即ち周波数
系列を要素とするベクトルであり、大刀パターンとして
の新たな音響パラメータ時系列Ｑｉ（１）　＋　旧・ｔ
Ｑｉ（Ｍ）と同様のパラメータ数を有する。）を縦軸に
並べ、この距離平面における整合窓内の距離Ｄｊｋ、即
ち ・・・　（１４） を算出処理しく但し、本例においてはλ−１のチェビシ
ェフ距離をとるものとする。）、この整合窓内の入力パ
ターンＩｊに対する標準パターン５ｊ−ｉ　、　５ｊ　
、　５ｊ＋ｘの距１ｉ１ｔＤＨ−１，Ｄｊｊ、　Ｄｊｊ
＋ｘの内の最小値距離ＤＭｊ、即ち ＤＭｊ　＝　ｍｉｎ　（Ｄｊｊ−ｒ、　・−＋　ＤｊＬ
　−＋　Ｄｊｊ＋ｒ）を算出処理する如くなし、これら
最小値距１１ｔＯＭｊλＡ パターンに対する標準パターンのスイング距離として算
出処理する如くなす。この第１９図においては整合窓と
してｒ＝ｌの場合を示す。

このスイングサーチ部（２６）のスイングサーチ処理に
よるスイング距離を示す距離信号を最小距離判定部（６
）に供給する。その他音響分析部（２）、ＮＡＴ処理部
（２１）　、標準パターンメモリ（４）等は上述第９図
に示す音声認識装置と同様に構成する。

斯かる本例の音声認識装置の動作について説明する。

マイクロホン（１）の音声信号が音響分析部（２）にて
音声区間毎に声帯音源特性の正規化された音響パラメー
タ時系列Ｐ　ｉ　（ｎ）に変換され、この音響パラメー
タ時系列Ｐ　ｉ　（ｎｌがＮＡＴ処理部（２１）に供給
され、このＮＡＴ処理部（２１）にて音響パラメータ時
系列Ｐｉ（ｎｌからそのパラメータ空間における直線近
似による軌跡が推定され、この軌跡に沿って比較的大き
な時間軸変動が取り除かれた、即ち時間軸正規化のなさ
れた新たな音響パラメータ時系列。ｉに）（ｉ　＝１．
””＋Ｉ；　ｍ＝１．”・・、Ｍ）　カ形成すｆＬ、こ
の新たな音響パラメータ時系列０１例）が登録モードに
おいてはモード切換スイッチ（３）を介して標準パター
ンメモ１月４）に格納される。

又、認識モードにおいては、ＮＡＴ処理部（２１）の新
たな音響パラメータ時系列Ｑｉ（ホ）が入力）＜ターン
としてモード切換スイッチ（３）を介してスイングサー
チ部（２６）に供給されると共に標準パターンメモ１月
４）の標準パターンがスイングサーチ部（２６）に供給
され、このスイングサーチ部（２６）にて（１４）式、
（１５）式及びこれらに関連するスイングサーチ処理が
なされる。この場合、−スイングサーチ部（２６）のス
イングサーチ処理においては第１９図に矢印にて示す如
く整合窓内において最小値距離としてＤｌｌ　Ｄ２３　
　Ｄ３２なるバスを取り得る。

このパスに沿って入力パターンを見るとその音響パラメ
ータ時系列１１１２　　Ｉ３と順次時系列に沿い、この
パスに沿って標準パターンを見るとその音響パラメータ
時系列は５１　５３　５２と時系列に対して１つ前の音
響パラメータ（５３に対する５２）を取る逆向きのバス
を取り得る。音声の発声速度変動、音声区間のずれ等に
よる比較的小さな時間軸変動においてはある部分におい
て比較的小さくではあるがその音響パラメータ時系列に
対して逆転に等しい現象が生じている。従つて、スイン
グサーチ処理によれば音声の発声速度変動、音声区間の
ずれ等による比較的小さな時間軸変動を取り除くことが
できる。

このスイングサーチ部（２６）のスイングサーチ処理に
より得られたスイング距離を示す距離信号が最小距離判
定部（６）にて判定処理され、入力音声を示す標準パタ
ーンが認識結果として出力端子（７）に得られる。この
場合、距離信号が入力パターンと標準パターンとのスイ
ング処理により音声の発声速度変動、音声区間のずれ等
による比較的小さな時間軸変動に対しても対処されてい
るので、その分だけ高い認識率が得られる。

以上述べた如く本例の音声認識装置に依れば、音声信号
入力部としてのマイクロホン（１）を有し、この音声信
号入力部Ｔｌ）の音声信号を音響分析部（２）に供給し
、この音響分析部（２）の音響パラメータ時系列Ｐｉ（
ｎ）を時間軸伸縮補正部としてのＮ、ＡＴ処理部（２１
）に供給し、このＮＡＴ処理部（２１）の時間軸伸縮の
補正された新たな音響パラメータ時系列Ｑｉに）（ｍ＝
１．・・・・、Ｍ）を入力パターンＩｚ、　・・・・、
ＩＩＭとしてスイングサーチ部（２６）の一端に供給す
ると共に標準パターンメモ１月４）の標準パターン５１
．・・・・＋５Ｍをスイングサーチ部（２６）の他端に
供給し、スイングサーチ部（２６）にて入力パターンＮ
ｚ＋　・・・・、ＩＭと標準パターン５１゜・・・・＋
５Ｍとをスイングサーチ処理して音声信号を認識するよ
うにした為、音声の発声速度変動、音声区間のずれ等に
よる比較的小さな時間軸変動を取り除くことができ、認
識率の比較的高いものを得ることができる利益がある。

又、音声の発声速度変動、音声区間のずれ等による比較
的小さな時間軸変動を取り除くにはスイングサーチ処理
における整合窓を比較的小さく設定できるのでＤＰマツ
チング処理を行なう場合に比べて処理の為の演算量を大
幅に少なくできる利益がある。

尚、上述実施例においては時間軸伸縮補正部としてＮＡ
Ｔ処理部（２１）を設けた場合について述べたけれども
、持続時間が所定値となるように入力パターンを時間的
に拡大したり縮小する所謂線形伸縮マツチング部を設け
るようにしても上述実施例と同様の作用効果を得ること
ができることは容易に理解できよう。又、上述実施例に
おいてはスイングサーチ処理の距離平面における整合窓
内の距離Ｄｊｋとして（１４）式に示すλが値１のチェ
ビシェフ距離をとった場合について述べたけれども、そ
の他λ＝２のユークリッド距離等をとっても上述実施例
と同様の作用効果を得ることができることは容易に理解
できよう。更に、本発明は上述実施例に限らず本発明の
要旨を逸脱することなく本の他種々の構成を取り得るこ
とは勿論である。

発明の効果 本発明音声認識装置に依れば、音声信号入力部を有し、
この音声信号入力部の音声信号を音響分析部に供給し、
この音響分析部の音響パラメータ時系列を時間軸伸縮補
正部に供給し、この時間軸伸縮補正部の時間軸伸縮の補
正された音響パラメータ時系列を入力パターンとしてス
イングサーチ部の一端に供給すると共に標準パターンメ
モリの標準パターンをスイングサーチ部の他端に供給し
、スイングサーチ部にて入力パターンと標準バターンと
をスイングサーチ処理して音声信号を認識するようにし
た為、音声の発声速度変動、音声区間のずれ等による比
較的小さな時間軸変動を取り除くことができ、認識率の
比較的高いものを得ることができる利益がある。

【図面の簡単な説明】

第１図はＤＰマツチング処理により音声認識を行なうよ
うにした音声認識装置の例を示す構成図、第２図はＤＰ
マツチング処理の説明に供する概念図、第３図は音響パ
ラメータ空間における軌跡の説明に供する線図、第４図
、第５図及び第６図は夫々１次元の入力パターンＡ、標
準パターンＡ′及び標準パターンＢ′の例を示す線図、
第７図は入力パターンＡのパラメータ時系列と標準パタ
ーンＡ′のバラメーク時系列とのＤＰマツチング処理に
よる時間軸正規化の説明に供する線図、第８図は入力パ
ターンＡのパラメータ時系列と標準パターンＢ′のパラ
メータ時系列とのＤＰマツチング処理による時間軸正規
化の説明に供する線図、第９図はＮＡＴ処理をして音声
認識を行なうようにした音声認識装置の例を示す構成図
、第１０図、第１１図、第１２図及び第１４図は夫々Ｎ
ＡＴ処理部の説明に供する線図、第１３図は補間点抽出
器の説明に供する流れ図、第１５図、第１６図及び第１
７図は夫々ＮＡＴ処理部にてＮＡＴ処理した入力パター
ンＡ、標準パターンＡ′及び標準パターンＢ′の１次元
の音響パラメータ時系列を示す線図、第１８図は本発明
音声認識装置の一実施例を示す構成図、第１９図は第１
８図の説明に供する線図である。 （１）は音声信号入力部としてのマイクロホン、（２）
は音響分析部、（３）はモード切換スイッチ、（４）は
標準パターンメモリ、（６）は最小距離判定部、（ＩＩ
Ａ）。 （ＩＩｓ）、・・・・、（ｌｌｏ）は１５チヤンネルの
デジタルバンドパスフィルタバンク、（１６）は音声区
間内パラメータメモリ、（２１）はＮＡＴ処理部、（２
２）は軌跡長算出器、（２３）は補間間隔算出器、（２
４）は補間点抽出器、（２５）はチェビシェフ距離算出
部、（２６）はスイングサーチ部である。 派　　　　　　　　　　鰹 ロー 昧 第１３図 第１４図 第１８図 ＤＭ＋　ＤＭ２ＤＭ３・　・　・ＤＭシ・　・Ｄｋ＋Ｄ
ＭＭ手続ネｉｔｉ正書 昭和５９年１０月１１日 特許庁長官　　志　賀　　　学　　　殿昭和５９年　特
　許　願　第１３８７８８号３、補正をする者 事件との関係　　　特許出願人 住　所　東京部品用区花品用６丁目７番３５号名称＜２
１８）ソニー株式会社 代表取締役　大　賀　典　雄 ４、代理人 ６、補正により増加する発明の数 （１１明細書中、第１４頁第４行〜第７行（Ｎ＝１５）
　　　　・・・　（２） （Ｎ−１５）　　　　・・・　（３） 」 とあるを下記の通りに訂正する。 （Ｉ　−１５）　　　　・・・　（２）（１＝１５）　
　　　・・・　（３） （２）　１．］、　Ｉｉｑ□１４１．〜□１５イ、　　
　　　　　′・　・　・　　（５） 」 とあるを下記の通りに訂正する。 ・・・　（５） 」 （３）同、第２９頁第１８行〜第１９行、第３０頁第１
行、同頁第１２行〜第１３行、第３１頁第８行、第３６
頁第２行〜第３行、同頁第１０行〜第１１行、第３７頁
第８行及び第３９頁第３行「比較的小さな時間軸変動」
とあるを夫々「比較的小さな時間軸等の変動」に夫々訂
正する。 以上

Claims (1)

【特許請求の範囲】
1. 音声信号入力部を有し、該音声信号入力部の音声信号を
   音響分析部に供給し、該音響分析部の音響パラメータ時
   系列を時間軸伸縮補正部に供給し、該時間軸伸縮補正部
   の時間軸伸縮の補正された音響パラメータ時系列を入力
   パターンとしてスイングサーチ部の一端に供給すると共
   に標準パターンメモリの標準パターンを上記スイングサ
   ーチ部の他端に供給し、上記スイングサーチ部にて上記
   入力パターンと上記標準パターンとをスイングサーチ処
   理して上記音声信号を認識するようにしたことを特徴と
   する音声認識装置。