JPS61176996A - 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】 以下の順序でこの発明を説明する。

Ａ　産業上の利用分野 Ｂ　発明の概要 Ｃ従来の技術 Ｄ　発明が解決しようとする問題点 Ｅ　問題点を解決するための手段 Ｆ　作用 Ｇ　実施例 Ｇｌ　　音響分析回路の説明（第１図）０２　時間正規
化拠理の説明（第１図。

第２図、第３図） Ｇ３　パターンマツチング処理の説明（第１図）Ｈ発明
の効果 Ａ　産業上の利用分野 この発明は、前もって作成し記憶しである認識対象語の
標準パターンと、認識したい語の入力パターンとのパタ
ーンマツチングを行うことによりなす音声認識装置に関
する。

Ｂ　発明の概要 この発明はパターンマツチングにより音声認識をなす装
置において、そのマツチングをとるパターンとして、入
力音声信号の音声区間で音響分析して得た音響パターン
時系列がそのパラメータ空間で描く軌跡を推定しその軌
跡を所定間隔で再サンプリングして得た新たな認識パラ
メータを用いるものであって、この認識パラメータを得
る再サンプリングの間隔を推定した執ｒａ長に応じて変
え、ザンプル点数を軌跡長に応じて可変するようにした
もので、軌跡の変化に応じた十分な情報が得られるよう
にして認識精度を向上させるようにしたものである。

Ｃ従来の技術 音声は時間軸に沿って変化する現象で、スペクトラム・
パターンが刻々と変化するように音声を発声することに
よって固有の単語や言葉が生まれる。この人間が発声す
る単語や言葉を自動認識する技術が音声認識であるが、
人間の聴覚機能に匹敵するような音声認識を実現するこ
とは現在のところ至難のことである。このため、現在実
用化されている音声認識の殆んどは、一定の使用条件の
下で、認識対象単語の標準パターンと入力パターンとの
パターンマツチングを行なうことによりなす方法である
。

第４図はこの音声認識装置の概要を説明するための図で
、マイクロホン（１）よりの音声入力が音響分析回路（
２）に供給される。この音響分析回路（２）では入力音
声パターンの特徴を表わす音響パラメータが抽出される
。この音響パラメータを抽出する音響分析の方法は種々
考えられるが、例えばその−例としてバンドパスフィル
タと整流回路を１チヤンネルとし、このようなチャンネ
ルを通過帯域を変えて複数個並べ、このバンドパスフィ
ルタ群の出力としてスペクトラム・パターンの時間変化
を抽出する方法が知られている。この場合、音響パラメ
ータはその時系列Ｐｉ（ｎ）　（ｉ　＝　１．　２・・
・１．１は例えばバンドパスフィルタのチャンネル数、
ｎ＝１．２・・・ＮＵＮは音声区間判定により判定され
た区間において認識に利用されるフレーム数）で表わす
ことができる。

この音響分析回路（２）よりの音響パラメータ時系列ｆ
’１（ｎ）は、例えばスイッチからなるモード切換回路
（３）に供給される。この回路（３）のスイッチが端子
Ａ側に切り換えられるときは登録モード時で、音響パラ
メータ時系列ｐｔ（ｎ）が認識パラメータとして標準パ
ターンメモリ（４）にストアされる。つまり、音声認識
に先だって話者の音声パターンが標準パターンとしてこ
のメモ１月４）に記憶される。なお、この登録時、発声
速度変動や単語長の違いにより一般に各登録標準パター
ンのフレーム数は異なっている。

一方、このスイッチ（３）が端子Ｂ側に切り換えられる
ときは認識モード時である。そして、この認識モード時
は、音響分析回路（２）からのそのときの入力音声の音
響パラメータ時系列が入力音声パターンメモ１月５）に
供給されて一時スドアされる。そしてこの入力パターン
と標準パターンメモ１月４）から読み出された複数の認
識対象単語の標準パターンのそれぞれとの違いの大きさ
が距離算出回路（６）にて計算され、そのうち入力パタ
ーンと標準パターンとの差が最小の認識対象単語が最小
値判定回路（７）にて検出され、これにて入力された単
語が認識される。

このように、登録された標準パターンと入力パターンの
パターンマツチング処理により入力音声の認識を行なう
ものであるが、この場合に同じ単語を同じように発声し
てもそのスペクトラムパターンは時間軸方向にずれたり
伸縮したりすることを考慮しなければならない。すなわ
ち、例えば「ハイ」という単語を認識する場合、標準パ
ターンが「ハイ」で登録されているとき、入力音声が「
ハーイ」と時間軸方向に伸びてしまった場合、これは距
離が大きく違い、全く違った単語とされてしまい、正し
い認識ができない。このため、音声ｉｙ１　識のパター
ンマツチングでは、この時間軸方向のずれ、伸縮を補正
する時間正規化の処理を行なう必要があり、また、この
時間正規化は認識精度を向上させるための重要な処理で
ある。

この時間正規化の一方法としてＤ　Ｐ　（Ｄｙｎａｍｉ
ｃＰｒｏｇｒａｍｍｉｎｇ　）マツチングと呼ばれる手
法がある（例えば特開昭５０−９６１０４号公報参照）
。

このＤＰマツチングの手法は次のように説明できる。

入力パターンＡを次のように表現する。

Ａ＝ａｔ　ａ２・・’ａｊ　　ＨＨ・ａＫ　　　　　　
（１１ここでａｋは時刻ｋにおける音声の特徴を表す量
で特徴ベクトルと呼び、 ａｋ＝　（ａｋｘ、　　ａｋ２＋　””ａｋ’ｌ””ａ
ｋＱ）（２）で表わされる。Ｑぼベクトルの次数で、音
響分析にバンドパスフィルタ群を使用したときはそのチ
ャンネル数に相等する。

同様に特定の単語の標準パターンをＢとし、次のように
表わす。

Ｂ＝ｂ、ｂ２　　・・・・ｂ！　・・・・ｂ　Ｌ　　　
　　　　　　　　（３１ｂｇ　　＝　　（ｂＩｌｔ、　
　ｂｎ２．　　・・・・ｂＲ９＋　　・・・・ｂ２α）
（４）音声パターンの時間正規化は第５図に示すように
入力パターンＡと標準パターンＢの時間軸にとβの間に
写像操作を行うものとみることができる。

この写像を関数 １　＝　１　（ｋ）　　　　　　　　　　　（５１と表
現し、歪関数と呼ぶ。この歪関数がわかれば標準パター
ンＢの時間軸をこれによって変換し、入力パターンＡの
時間軸ｋにそろえることができる。換言すれば、この歪
関数によりパターンＢは、入力パターンＡの時間軸ｋに
そろえられたパターンＢ′に変換される。

ここで、 Ｂ’　　＝ｂＩ２　Ｉυｂ１１（２１”’°ｂｊｌ［翫
）８°°　ｂ、、リ　　　（６）である。

この歪関数は未知であるが、この歪関数の最適条件から
求めることができる。すなわち、一方のパターン例えば
標準パターンを人工的に歪ませて他方のパターン（入力
パターン）に最も類似するようにする（距離を最小にす
る）と、元の歪はなくなり、最適な歪関数が求まり、写
像パターンＢ′が求まる。

ＤＰマツチングは、この原理を実行するための手法であ
り、歪関数に次のような制約を与えて、写像パターンＢ
′を得るものである。

（ｉ）Ｉｌ（ｋｌは近似的に単調増加関数（ｉｉ）ｌｋ
）は近似的に連続関数 （ｉｉｉ）ｊ！（ｋ）はｋの近傍の値をとる。

マツチング処理の結果として必要なものは、標準パター
ンと入力パターン間の距離で、で表わされる。ここで１
１１１は二つのベクトルの距離を示す。この距離の最小
のものが標準パターンＢと入力パターンＡを最適に時間
正規化し、時間歪を除去したうえでの両パターンの差を
表ねす量Ｄ　（Ａ、　Ｂ）であり、 声認識のパターンマツチングでは、この時間軸方向のず
れ、伸縮を補正する時間正規化の処理を行なう必要があ
り、また、この時間正規化は認識精度を向上させるため
の重要な処理である。

この時間正規化の一方法としてＤＰ　（Ｄｙｎａｍｉｃ
Ｐｒｏｇｒａｎｕｗｉｎｇ　）マツチングと呼ばれる手
法がある（例えば特開昭５０−９６１０４号公報参照）
。

このＤＰマツチングの手法は次のように説明できる。

入力パターンＡを次のように表現する。

Ａ＝ａ１　ａ２　−　ａｋ　−０−ａＨ（１）ここでａ
ｋは時刻ｋにおける音声の特徴を表す量で特徴ベクトル
と呼び、 ａｋ　”　（ａｋｔ＋　　ａｋ２＋　””ａｋＱｏｌｏ
ａｂｃｉ）　　　（２）で表わされる。Ｑはベクトルの
次数で、音響分析にバンドパスフィルタ群を使用したと
きはそのチャンネル数に相等する。

同様に特定の単語の標準パターンをＢとし、次のように
表わす。

Ｂ＝ｂ、ｂ、・・・・ｂ、・・・・ｂ　Ｌ　　　　　　
　　（３）ｂＩｌ　−（ｂａｌ、　　ｂｇ２．　　・・
・・ｂＮＱ、　　・・・・ｂ　ｇｏ　）　　　（４１音
声パターンの時間正規化は第５図に示すように入力パタ
ーンＡと標準パターンＢの時間軸にとｌの間に写像操作
を行うものとみることができる。

この写像を関数 １＝ｌｌ（幻　　　　　　　　　　（５）と表現し、歪
関数と呼ぶ。この歪関数がわかれば標準パターンＢの時
間軸をこれによって変換し、入力パターンＡの時間軸ｋ
にそろえることができる。換言すれば、この歪関数によ
りパターンＢは、入力パターンへの時間軸ｋにそろえら
れたパターンＢ′に変換される。

ここで、 Ｂ’　　＝ｂｎ　ｃｕｂｔｔ　［２）・・・’ｂｌｌ（
ｋ）・・・・ｂ　Ｉｌｌ　（Ｘ）　　　（６］である。

この歪関数は未知であるが、この歪関数の最適条件から
求めることができる。すなわち、一方のパターン例えば
標準パターンを人工的に歪ませて他方のパターン（入力
パターン）に最も類似するようにする（距離を最小にす
る）と、元の歪はなくなり、最適な歪関数が求まり、写
像パターンＢ′が求まる。

ＤＰマツチングは、この原理を実行するための手法であ
り、歪関数に次のような制約を与えて、写像パターンＢ
′を得るものである。

（ｉ）ｊ！（ｋｌは近似的に単調増加関数（ｉｉ）ｊ！
（ｋ）は近似的に連続関数（ｉｉｉ　）　１　（ｋ）は
ｋの近傍の値をとる。

マツチング処理の結果として必要なものは、標準パター
ンと入力パターン間の距離で、で表わされる。ここで１
１１１は二つのベクトルの距離を示す。この距離の最小
のものが標準パターンＢと入力パターンＡを最適に時間
正規化し、時間歪を除去したうえでの両パターンの差を
表わす量Ｄ　（Ａ、Ｂ）であり、 で定義できる。

したがって、登録された標準パターンが複数あるときは
、各標準パターンと入力パターンとの量Ｄ　（Ａ、Ｂ）
を求め、その量Ｄ　（Ａ、Ｂ）が最小になる標準パター
ンとマツチングしたと判定する。

以上のように、ＤＰマツチングは時間軸のずれを考慮し
た多数の標準パターンを用意しておくのではなく、歪関
数によって多数の時間を正規化した標準パターンを生成
し、これと入力パターンとの距離を求め、その最小値の
ものを検知することにより、音声認識をするものである
。

ところで、以上のようなりＰマツチングの手法を用いる
場合、登録される標準パターンのフレーム数は不定であ
り、しかも全登録標準パターンと入力パターンとのＤＰ
マツチング処理をする必要があり、語霊が多くなると演
算量が飛躍的に増加する欠点がある。

また、ＤＰマツチングは、定常部（スペクトラムパター
ンの時間変化のない部分）を重視したマツチング方式で
あるので部分的類似パターン間で誤認識を生じる可能性
があった。

このような欠点を生じない時間正規化の手法を本出願人
は先に提案した（例えば特願昭５９−１０６１７７号）
。

すなわち、音響パラメータ時系列Ｐｉ（ｎｌは、そのパ
ラメータ空間を考えた場合、点列を描く。例えば認識対
象単語がｒＴ（ＡＩＪであるとき音響分析用バンドパス
フィルタの数が２個で、 Ｐｉ（ｎ）＝　（Ｐｉ　　Ｐ２　） であれば、入力音声の音響パラメータ時系列はその２次
元パラメータ空間には第６図に示すような点列を描く。

この図から明らかなように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。このことは完全に音
声が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おいて一点に停留することとな
ることから明らかであろう。

そして、以上のことから、音声の発声速度変動による時
間軸方向のずれは殆んどが準定常部の点列密度の違いに
起因し、非定常部の時間長の影響は少ないと考えられる
。そこで、この入力パラメータ時系列Ｐｉ（ｎ）の点列
から第７図に示すように点列全体を近似的に通過するよ
うな連続曲線で描いた軌跡を推定すれば、この軌跡は音
声の発声速度変動に対して殆んど不変であることがわか
る。

このことから、出願人は、次のような時間軸正規化方法
を提案した。すなわち、先ず入力パラメータの時系列ｐ
ｉ（ｎ）の始端Ｐｉ（１）から終端Ｐｉ（）Ｊ）までを
連続曲線ｆ’１（１９）で描いた軌跡を推定し、この推
定した曲線ｆ”ＬＳ）から軌跡の長さＳを求める。そし
て第８図に示すようにこの軌跡に沿って所定長Ｔで再サ
ンプリングする。例えばＭ個の点に再サンプリングする
場合、 Ｔ＝　Ｓ／　　（Ｍ−１）　　　　　　　　　　　（９
１の長さを基準として軌跡を再サンプリングする。

この再サンプリングされた点列を描くパラメータ時系列
をＱｉ（ｍ）（ｉ＝１．２・・・　１．ｍ＝１．２−・
・Ｍ）とすれば、このパラメータ時系列Ｑｉ（（２）は
軌跡の基本情報を有しており、しかも音声の発声速度変
動に対して殆んど不変なパラメータである。

つまり、時間軸が正規化された認識パラメータ時系列で
ある。

したがって、このパラメータ時系列Ｑｉ（ｆｌｌ）を標
準パターンとして登録しておくとともに、人カバターン
もこのパラメータ時系列ＱＨｍとして得、このパラメー
タ時系列旧（ｍ）により両パターン間の距離を求め、そ
の距離が最小であるものを検知して音声認識を行うよう
にすれば、時間軸方向のずれが正規化されて除去された
状態で音声認識が常になされる。

そして、この処理方法によれば、登録時の発声速度変動
や単語長の違いに関係なく認識パラメータ時系列Ｑｉｆ
ｆｎ）のフレーム数は常にＭであり、その上認識パラメ
ータ時系列Ｑｉ（ｍ）は時間正規化されているので、入
力パターンと登録標準パターンとの距離の演算は最も単
純なチェビシェフ距離を求める演算でも良好な効果が期
待できる。

また、以上の方法は音声の非定常部をより重視した時間
正規化の手法であり、ＤＰマツチング処理のような部分
的類似パターン間の誤認識が少なくなる。

さらに、発声速度の変動情報は正規化パラメータ時系列
Ｑｉ（ｍ）には含まれず、このためパラメータ空間に配
位するパラメータ遷移構造のグローバルな特徴等の扱い
が容易となり、不特定話者認識に対しても有効な各種方
法の通用が可能となる。

なお、以下、この時間正規化の処理をＮＡＴ（Ｎｏｒｍ
ａｌｉｚａｔｉｏｎ　Ａｌｏｎｇ　Ｔｒａｊｅｃｔｏｒ
ｙ）処理と呼ぶ。

Ｄ　発明が解決しようとする問題点 以上述べたＮＡＴ処理においては、認識パラメータ口１
（（２）を形成するとき、フレーム数をＭで一定にする
べく、推定した軌跡の軌跡長Ｓをフレーム数Ｍで除した
値Ｔの間隔で再サンプルを行うようにしている。

ところが、このようにフレーム数が一定で再サンプリン
グ点数が軌跡長に関係なく一定である場合には、第９図
のような例えば「あ」というような単音節の場合の単純
な軌跡に対し、第１０図に示すような例えば「北海道」
というように音節数が多い場合の複雑な軌跡を考えると
、フレーム数が少ないと第９図のような単音節の軌跡を
表わすパラメータの抽出はできるが、第１０図のような
多音節の軌跡を表わすパラメータとしてはフレーム数つ
まりサンプル数が少なすぎてしまい、軌跡の特徴を示す
パラメータとしては不十分である。逆に、フレーム数が
多いと、多音節の場合はよいが、単音節の場合には、不
必要にフレーム数が多くなる欠点となる。

Ｅ　問題点を解決するための手段 この発明は、入力音声信号の音声区間を判定する音声区
間判定手段（２４）と、この音声区間判定手段（２４）
にて判定された音声区間内で音響パラメータ時系列を得
る特徴抽出手段（２３）と、この特徴抽出手段（２３）
よりの音響パラメータ時系列がパラメータ空間で描く軌
跡を推定しこの軌跡を求める演算手段（８１）と、この
演算手段により求められた軌跡長に応じたサンプル間隔
で再サンプルを行なうことにより認識パラメータ時系列
を得る処理手段（８２）　　（８３）と、認識対象語の
標準パターンの認識パラメータ時系列がストアされてい
る標準パターンメモ１月４）と、上記処理手段（８２）
（８３）よりの入力パターンの認識パラメータ時系列と
上記標準パターンメモリで４）からの標準パターンの認
識パラメータ時系列との差を算出する距離算出手段（６
）と、この距離算出手段（６）で、算出された値の最小
のものを検知して認識出力を得る最小値判定手段（７）
とからなる。

Ｆ　作用 ＮＡＴ処理において、軌跡長に応じて再サンプリング間
隔が変えられる。したがって、軌跡長に応じて再サンプ
ル数が変わり、単純な軌跡、複雑な軌跡のそれぞれに対
応したサンプル数となり、情報が軌跡を再現するのに不
十分ということはなくなる。

Ｇ　実施例 第１図はこの発明による音声認識装置の一実施例で、こ
の例は音響分析にＩ５チャンネルのバンドパスフィルタ
群を用いた場合である。

Ｇｌ　　音響分析回路（２）の説明 すなわち、音響分析回路値）においては、マイクロホン
（１）からの音声信号がアンプ（２１１）及び帯域制限
用のローパスフィルタ（２１２）を介してＡ／Ｄコンバ
ータ（２１３）　に供給され、例えば１２．５ｋＨｚの
サンプリング周波数で１２ビツトのデジタル音声信号に
変換される。このデジタル音声信号は、１５チヤンネル
のバンドパスフィルタバンク（２２）の各チャンネルの
デジタルバンドパスフィルタ　（２２１ｏ　）　　、　
　（２２１１）　　、　”、　　（２２１１４）に供給
される。このデジタルバンドパスフィルタ（２２ｉ　ｏ
　）　、　　（２２１ｔ　）　　、　”・・、　　（２
２１１４）は例えばバターワース４次のデジタルフィル
タにて構成され、２５０Ｈｚから５．５ＫＨｚまでの帯
域が対数軸上で等間隔で分割された各帯域が各フィルタ
の通過帯域となるようにされている。そして、各デジタ
ルバンドパスフィルタ（２２１ｏ　）　、　　（２２１
１）　。

・・・・、　　（２２１１４）の出力信号はそれぞれ整
流回路（２２２ｏ　）　、　　（２２２１）　、・・・
・、　　（２２２１４）に供給され、これら整流回路（
２２２ｏ　）　、’　（２２２１）　。

・・・・（２２２１４）の出力はそれぞれデジタルロー
パスフィルタ（２２３ｏ　）　、　　（２２３１）　、
・・・・。

（２２３１４）に供給される。これらデジタルローパス
フィルタ（２２３ｏ　）　、　　（２２３１）　、・・
・・。

（２２３１４）は例えばカットオフ周波数５２．８Ｈｚ
のＦＩＲローパスフィルタにて構成される。

音響分析回路（２）の出力である各デジタルローパスフ
ィルタ（２２３ｏ　）　、　　（２２３１）　、・・・
・。

（２２３１４）の出力信号は特徴抽出回路（２３）を構
成するサンプラー（２３１’）に供給される。このサン
プラー（２３１）ではデジタルローパスフィルタ（２２
３ｏ　）　、（２２３ｔ　）　、・・・・、　　（２２
３１４）の出力信号をフレーム周期５．１２ｍ５ｅｃ毎
にサンプリングする。したがって、これよりはサンプル
時系列へ１（ｎｌ　（ｉ　＝　１．　２．　　”１５；
　ｎはフレーム番号でｎ”１＋　　２．　　・・・・、
Ｎ）が得られる。

このサンプラー（２３１）からの出力、つまりサンプル
時系列Ａｉ（ｎｌは音源情報正規化回路（２３２”）に
供給され、これにて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が除去される。こうして音源特性の
違いが正規化されて除去されて音響パラメータ時系列Ｐ
ｉ（ｎｌがこの音源情報正規化回路（２３２）より得ら
れる。そして、このパラメータ時系列Ｐｉ（ｎ）が音声
区間内パラメータメモリ　（２３３）に供給される。こ
の音声区間内パラメータメモリ（２３３）では音声区間
判定回路（２４）からの音声区間判定信号を受けて音源
特性の正規化されたパラメータＰ　１（ｎ）が判定さた
音声区間毎にストアされる。

音声区間判定回路（２４）’はゼロクロスカウンタ（２
４１）とパワー算出回路（２４２）と音声区間決定回路
（２４３）とからなり、Ａ／Ｄコンバータ（２１３）よ
りのデジタル音声信号がゼロクロスカウンタ（２４１）
及びパワー算出回路（２４２）に供給される。ゼロクロ
スカウンタ（２４１）ではｌフレーム周期５．１２ｍ５
ｅｃ毎に、この１フレ一ム周期内の６４サンプルのデジ
タル音声信号のゼロクロス数をカウントし、そのカウン
ト値が音声区間決定回路（２４３）の第１の入力端に供
給される。パワー算出回路（２４２）では１フレ一ム周
期毎にこの１フレ一ム周期内のデジタル音声信号のパワ
ー、すなわち２乗和が求められ、その出力パワー信号が
音声区間決定回路（２４３）の第２の入力端に供給され
る。音声区間決定回路（２４３）には、さらに、その第
３の入力端に音源情報正規化回路（２３２）よりの音源
正規化情報が供給される。そして、この音声区間決定回
路（２４３）においてはゼロクロス数、区間内パワー及
び音源正規化情報が複合的に処理され、無音、無声音及
び有声音の判定処理が行なわれ、音声区間が決定される
。

この音声区間決定器（２４３）よりの判定された音声区
間を示す音声区間判定信号は音声区間判定回路（２４）
の出力として音声区間内パラメータメモリ　（２３３）
に供給される。

こうして、判定音声区間内においてメモリ　（２３３”
）にストアされた音響パラメータ時系列Ｐｉ（ｎ）は読
み出されて第１のＮＡＴ処理回路（８）に供給される。

６２　時間正規化処理の説明 この第１のＮＡＴ処理回路（８）は軌跡長算出回路（８
１）と補間間隔算出回路（８２）と補間点抽出回路（８
３）からなる。

メモリ　（２２３）より読み出されたパラメータ時系列
Ｐｉ（ｎ）は軌跡長算出回路（８１）に供給される。

この軌跡長算出回路（８１）においては音響パラメータ
時系列Ｐｉ（ｎｌがそのパラメータ空間において第２図
に示すように描く直線近似による軌跡の長さ、。

即ち軌跡長を算出する。

この場合、Ｉ次元ベクトルａＬ及びｂ【間のユークリッ
ド距離Ｄ（ａｔ、ｔｚ）は Ｐｉ（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　（ｎ）は５
（ｎｌ＝　Ｄ　（Ｐｉ　（ｎ　＋１　）　、　Ｐｉ（ｎ
））（ｎ−１，・・・・、Ｎ）　　　　　　・・・　（
１１）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（１）から第ｎ番目のパラメータ
Ｐｉ（ｎｌ迄の距離５Ｌ（ｎｌは と表わされる。なお、５Ｌ（１）　＝　Ｏである。

そして、全軌跡長ＳＬ１は と表わされる。軌跡長算出回路（８１）はこの（１１）
式、（１２）式及び（１３）にて示す信号処理を行なう
。

この軌跡長算出回路（８１）にて求められた軌跡長ＳＬ
Ｉを示す信号は補間間隔算出回路（８２）に供給される
。この補間間隔算出回路（８２）では軌跡に沿って再サ
ンプリングするときの再サンプリング間隔Ｔ１を算出す
る。

この場合、このサンプリング間隔Ｔ１は軌跡長算出回路
（８１）において算出された軌跡長ｄに応じて変えられ
る。そして、この例ではサンプリング間隔Ｔ１は次のよ
うにして定められる。

すなわち、軌跡長ｄに対して先ず再サンプル点数ｐが定
められる。そして、この４値ｄとｐとが連動して変わる
ようにされる。この値ｄに対するｐの値は実験によって
最適な値が定められる。例えば単語長０．５秒くらいで
ｄ　＝　１００であるときはｐ＝３０．　ｄ　＝２００
のときはｐ＝４５．ｄ＝５０のときはｐ＝２０というよ
うに定められる。

そして、サンプリング間隔Ｔ１は、 ＴＩ　＝ＳＬｔ　／　（ｐｌ）　　　　　　　　　・・
・　（１４）として求められる。

この補間間隔算出回路（８２）よりのサンプリング間隔
Ｔ１を示す信号は補間点抽出回路（８３）に供給される
とともにメモリ　（２３３）よりの音響パラメータ時系
列Ｐｉ（ｎｌも、また、この補間点抽出回路（８３）に
供給される。この補間点抽出回路（８３）では音響パラ
メータ時系列Ｐｉ（ｎｌのそのパラメータ空間における
パラメータ間を直線近似した軌跡に沿って、第２図にお
いて○印にて示すようにサンプリング間隔ＴＩで再サン
プリングがなされ、これにて得られた点列より新たな音
響パラメータ時系列Ｒｉ（ρ）が形成される。

前述もしたように、このパラメータ時系列Ｒｉ（ｐｉは
フレーム数ｐが軌跡長に応じて可変されたもので、軌跡
の特徴を十分に表わし得るものであり、しかも時間軸方
向の正規化もほぼなされている。

この音響パラメータ時系列Ｒｉ（ρ）を標準パターンメ
モ１月４）に登録しておくとともに、パターンマツチン
グに用いてももちろんよい。その場合には、この時系列
Ｒｉ（ｐｉをＤＰマツチング処理するようにしてもよい
。

しかし、ＤＰマツチング処理をしたのでは、ＮＡＴ処理
の効果が半減する。そこで、この例では、この新たな音
響パラメータ時系列Ｒ４（ｐｉは第２のＮＡＴ処理回路
（９）に供給され、ＮＡＴ処理の特長が生かされるよう
にされている。

すなわち、第２のＮＡＴ処理回路（９）は軌跡長算出回
路（９１）と補間間隔算出回路（９２）と補間点抽出回
路（９３）からなり、音響パラメータ時系列Ｒｉｆｐ）
は軌跡長算出回路（９１）に供給される。この軌跡長算
出回路（９１）においても回路（８１）と同様にして、
音３パラメータ時系列Ｒ１（Ｉｌｌ）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ＳＬ２が算
出される。

この軌跡長算出回路（９１）にて求められた軌跡長ＳＬ
２を示す信号は補間間隔算出回路（９２）に供給され、
再サンプリング間隔Ｔ２が算出される。

この場合、この第２のＮＡＴ処理においてはフレーム数
は単語長つまり軌跡長に関係なく一定で、例えばＭ点に
再サンプリングするとすれば、再サンプリング間隔Ｔ２
は Ｔ２　＝　５１．２　／　（Ｍ　−１）　　　　　　　
　　・・・　（Ｉ５）として求められる。

この補間間隔算出回路（９２）よりの再サンプリング間
隔Ｔ２を示す信号は補間点抽出回路（９３）に供給され
る。また、補間点抽出回路（８３）よりの音響パラメー
タ時系列Ｒｉ（＋））も、また、この補間点抽出回路（
９３）に供給される。この補間点抽出回路（９３）は音
響パラメータ時系列Ｒ３（Ｐ）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
沿って再サンプリング間隔Ｔ２で再サンプリングし、こ
のサンプリングにより得た新たな点列より認識パラメー
タ時系列Ｑｉ（ホ）を形成する。

ここで、補間点抽出回路（８３）及び（９３）において
は第３図に示すフローチャートに従った処理がなされ、
それぞれパラメータ時系列Ｒｉ（１）ｌ及び旧（ｍｌが
形成される。

第３図では音響パラメータ時系列Ｐｉ（ｎ）から新たな
音響パラメータ時系列Ｒｉ（＋））を形成する場合につ
いて説明するが、Ｒｉ（Ｐ）から認識パラメータ時系列
旧（ｍｌを得る場合も全く同様になされる。

先ず、ステップ（１０１）にて再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ｌが設定されると
共に音響パラメータ時系列Ｐｉ（ｎ）のフレーム番号を
示す変数ＩＣに値１が設定され、イニシャライズされる
。次にステップ（１０２）にて変数Ｊがインクリメント
され、ステップ（１０３）にてそのときの変数Ｊが（Ｐ
−１）以下であるかどうかが判別されることにより、そ
のときの再サンプリング点の時系列方向における番号が
再サンプリングする必要のある最後の番号になっていな
いかどうかを判断する。最後の番号であればステップ（
１０４）に進み、再サンプルは終了する。

最後の番号でなければステップ（１０５）にて第１番目
の再サンプリング点から第３番目の再サンプリング点ま
での再サンプリング距離ＤＬが算出される。次にステッ
プ（１０６）に進み変数ＩＣがインクリメントされる。

次にステップ（１０７）にて再サンプル距離ＤＬが音響
パラメータ時系列Ｐｉ（ｎ）の第１番目のパラメータＰ
ｉ（１）から第１Ｃ番目のパラメータＰ　ｉｏｃ　）ま
での距離ＳＬ＋Ｉｃ）よりも小さいかどうかにより、そ
のときの再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Ｐ　ｒ（Ｉｃ　＋　よりも軌跡の始点側に位
置するかどうかが判断され、始点側に位置していなけれ
ばステップ（１０６）に戻り変数ＩＣをインクリメント
した後再びステップ（１０７）にて再サンプリング点と
パラメータＰ　ｉｏｃ　ｒ　　との軌跡上における位置
の比較をし、再サンプリング点が軌跡上においてパラメ
ータＰ　ｔｏｅ　）よりも始点側に位置すると判断され
たとき、ステップ［１０Ｂ）に進み認識パラメータＲｉ
σ、が形成される。

即ち、第５番目の再サンプリング点による再サンプリン
グ距％ｉＤＬからこの第５番目の再サンプリング点より
も始点側に位置する第（ＩＣ−１）番目のパラメータＰ
　ｉ＋＋ｃ−１１による距離Ｓ　Ｌ（Ｉｃ−１１を減算
して第（ＩＣ−１）番目のパラメータＰ　ｔｏｅ−１）
から第５番目の再ザンプリング点迄の距ＭＳＳを求める
。次に、軌跡上においてこの第５番目の再サンプリング
点の両側に位置するパラメータＰ　ｉ　ｕｃ−ｏ及びパ
ラメータＰｉｏｃ＋間の距離Ｓ（ｎ＞（この距％！ｉ　
Ｓ　（ｎｌは（１１）式にて示される信号処理にて得ら
れる。）にてこの距離ＳＳを除算し、この除算結果ＳＳ
／　Ｓ　ｏｃ−ｕに軌跡上において第５番目の再サンプ
リング点の両側に位置するパラメータＰ　ｉｏｃ　）と
Ｐ　１（Ｉｃ−１１との差を掛算して、軌跡上において
第５番目の再サンプリング点のこの再サンプリング点よ
りも始点側に隣接して位置する第（ＩＣ−１）番目のパ
ラメータＰ　ｉ　（ＩＧ　−４＋からの補間量を算出し
、この補間量と第５番目の再サンプリング点よりも始点
側に隣接して位置する第ＮＣ−１）番目のパラメータＰ
　ｉｏｃ　−ｕ　’とを加算して、軌跡に沿う新たな音
響パラメータＲｉ＋ｙ＋が形成される。

このようにして始点及び終点（これらはＲｉ（ｌｌ＝ｆ
Ｑ（０１＝　Ｏ、Ｒｔ（ｐｉ　＝　ｆ’ｉ（ｓ＋である
。）を除＜　　（Ｐ−２）点の再サンプリングにより認
識パラメータ字形列Ｒｉ（Ｉｌｌが形成される。

なお、軌跡の推定及び再サンプリングをするときに、必
ず無音から開始するようにすれば、音声区間判定回路（
２４）での判定区間にずれがあってもそのずれの軌跡及
び再サンプリングへの影響はほとんどなくなる。この場
合に、軌跡の終点及び再サンプリングの終点も無音部に
なるようにしてもよい。

Ｇ３　パターンマツチング処理の説明 この第２のＳＡＴ処理回路（９）よりの認識パラメータ
時系列Ｑｉ（ホ）は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）にストアされる。また、認識モードにおいては
距離算出回路（６）に供給され、標準パターンメモ１月
４）よりの標準パターンのパラメータ時系列との距離の
算出がなされる。この場合の距離は例えば簡易的なチェ
ビシェフ距離として算出される。この距離算出回路（６
）よりの各標準パターンと入力パターンとの距離の算出
出力は最小値判定回路（７）に供給され、距離算出値が
最小となる標準パターンが判定され、この判定結果によ
り入力音声の認識結果が出力端（７０）に得られる。

Ｈ発明の効果 この・発明においてはＮＡＴ処理において、再サンプリ
ングのサンプル間隔を音響パラメータ時系列が描く軌跡
の軌跡長に応じて変えるようにしたので、単語長の長短
、つまり音節数の多少の違いによる認識率の劣化を防止
することができる。

【図面の簡単な説明】

第１図はこの発明装置の一実施例のブロック図、第２図
はその説明のための図、第３図はその要部の動作の説明
のためのフローチャートを示す図、第４図は音声認識装
置の基本構成を示すブロック図、第５図はＤＰマツチン
グを説明するための図、第６図〜第８図はＮＡＴ処理を
説明するための図、第９図及び第１Ｏ図はそれぞれ単音
節及び多音節の場合にパラメータ時系列が描く軌跡の例
を示す図である。 （２）は音響分析回路、（４）は標準パターンメモリ、
（６）は標準パターンと入力パターンとの距離算出回路
、（７）は最小値判定回路、（８）は第１のＮＡＴ処理
回路、（９）は第２のＮＡＴ処理回路である。 第４図 歪量か：１（Ａ）によ３鋳藺正蟻化勇設哨団第５図 第７図 第８図 単者酔の軌跡の８−１１ホ１閏 第９図 第１０図

Claims (1)

1. 【特許請求の範囲】 （ａ）入力音声信号の音声区間を判定する音声区間判定
   手段と、 （ｂ）この音声区間判定手段にて判定された音声区間内
   で音響パラメータ時系列を得る特徴抽出手段と、 （ｃ）この特徴抽出手段よりの音響パラメータ時系列が
   パラメータ空間で描く軌跡を推定しこの軌跡を求める演
   算手段と、 （ｄ）この演算手段により求められた軌跡長に応じたサ
   ンプル間隔で再サンプルを行なうことにより認識パラメ
   ータ時系列を得る処理手段と、 （ｅ）認識対象語の標準パターンの認識パラメータ時系
   列がストアされている標準パターンメモリと、（ｆ）上
   記処理手段よりの入力パターンの認識パラメータ時系列
   と上記標準パターンメモリからの標準パターンの認識パ
   ラメータ時系列との差を算出する距離算出手段と、 （ｇ）この距離算出手段で、算出された値の最小のもの
   を検知して認識出力を得る最小値判定手段とからなる音
   声認識装置。