JPS61186998A - 音声の区分化方法 - 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】 本発明は、音響音声信号を、各信号がＮ個の連続する時
間間隔の任意の時間間隔１（１は１からＮまでの数）に
関連するＮ個の信号に変換する音声の区分化方法に関す
るものである。また、本発明は前記方法を実施する装置
に関するものでもある。

この種の方法および／または装置は音声を構成する区分
（ｓｅｇｍｅｎｔ）　（の範囲）を決めるために使用す
る。これら区分とは、例えば半音節、音素または２重音
の形態の音である。

かかる処理の目的は、例えば認識手順を得られた結果に
適用し得るようにすることである。この場合には単語若
しくは音声認識を表わす。前記認識手順とは、得られた
区分の音の基本パターンと比較することを意味する。こ
の区分と音の基本パターンとが十分に一致する場合には
、その区分は君忍識される。

他の可能性として、得られた区分を用いて、全て異る音
を全て収集し、後にこの収集した音により、人工的に音
声合成を行なうことができる。このことは、例えばビー
・ニー・ジー　エルセンドールン等による「エクスプロ
ーリング　ザ　ポッシビリティーズ　オブ　スピーチ　
シンセシスウィズ　ダルヒ　ダイフｔ　−７Ｊ　（Ｂ、
　Ａ、Ｇ、Ｅｌｓｅｎｄ−ｏｏｒｎ、　Ｊ、’ｔ　Ｈａ
ｒｔ：　Ｅｘｐｌｏｒｉｎｇ　ｔｈｅ　ｐｏｓｓｉｂｉ
ｌｉｔｉｅｓｏｆ　　５ｐｅｅｃｈ　　５ｙｎｔｈｅｓ
ｉｓ　　ｗｉｔｈ　　Ｄｕｔｃｈ　　ｄｉｐｈｏｎｅｓ
、　　　ＩＰＯＡｎｎｕａｌ　Ｐｒｏｇｒｅｓｓ　Ｒｅ
ｐｏｒｔ　ｎｏ、　１７．１９８２．　ｐｐ、６３−５
．）を参照のこと。現在までのところ１つの言語に対す
る２重音の収集（又はライブラリー）は、熟練した音声
学者により手作業で行われており、その完成には約１年
間の月日がかかる。

２重音の収集を行うための装置は、エム・ステラによる
「フアプリケーション　セミ・オートマチック　デ　デ
ィクショネーアズ　デ　ダイフ、１−−　：／　Ｊ　（
Ｍ、　５ｔｅｌ　ｌａ：　Ｆａｂｒｉｃａｔｉｏｎ　ｓ
ｅｍｉ−ａｕｔｏｍａｔｉ−ｑｕｅ　ｄｅ　ｄｉｃｔｉ
ｏｎｎａｉｒｅｓ　ｄｅ　ｄｉｐｈｏｎｅｓ、　Ｒｅｃ
ｈｅｒｃｈｅ／Ａｃｏｕｓｔｉｑｕｅ、　Ｃｅｎｔｒｅ
　Ｎａｔｉｏｎａｌ　ｄ’Ｂｔｕｄｅｓ　ｄｅ　Ｔｅｌ
ｅ−ｃｏｍｍｕｎｉｃａｔｉｏｎ、　ｖｏｌ、■、　１
９８２／８３．　ｐｐ、　５３−６３．）から既知であ
る。このセミ・オートマチックな方法によって、２重音
の７２％だけを有効に区切って、その後結果を相互に関
連するように補正する必要がある。

また、見い出すべき音の基本パターンいわゆる半音節に
基づく区分化方法がエル・アール・ラビネル等による「
ア　ブーツトラッピング　トレーニング　テクニック　
フォー　オブテイニングデミシラブル　リフエレンス　
パターンズＪ（Ｌ、Ｒ。

Ｒａｂｉｎｅｒ、　Ａ、Ｂ、Ｒｏｓｅｎｂｅｒｇ、　Ｊ
、Ｇ、Ｗｉｌｐｏｎ、　Ｔ８Ｍ、Ｚａｍｐ−１ｎ１：＾
ｂｏｏｔｓｔｒａｐｐｉｎｇ　ｔｒａｉｎｉｎｇ　　ｔ
ｅｃｈｎｉｑｕｅ　ｆｏｒｏｂｔａｉｎｉｎｇ　　ｄｅ
ｍｉｓｙｌｌａｂｌｅ　　ｒｅｆｅｒｅｎｃｅ　　ｐａ
ｔｔｅｒｅｎｓ。

Ｊ、　Ａｃｏｕｓｔ、Ｓｏｃ、　Ａｍｅｒｉｃａ、　７
Ｈ６）、　Ｊｕｎｅ　１９８２．　ｐｐ。

１５８８−９５．　）　に記載されている。

斯る方法の欠点は、正確な基本パターンを得ようとする
場合に、斯る基本パターンををするライブラリーの構成
に多大な時間を要することである。

これは既知の方法で２重音のライブラリーを構成するた
めに現在必要とされる時間と同程の時間となることもあ
る。その理由は、主に、このようなライブラリーに対す
る基本パターンの数が極めておおく、即ちオランダ語に
ついて約ｉｏ、　ｏｏｏ個の半音節および１８００個の
２重音があるからである。

ビー・ニス・アタルによる「エフィシエントコーディン
グ　オブ　ＬＰＣパラメータ　バイ　テンポラル　デコ
ンポジションＪ　（Ｂ、Ｓ、Ａｔａｌ：　Ｅｆｆｉｃ−
ｉｅｎｔ　ｃｏｏｄｉｎｇ　ｏｆ　ＬＰＣ−ｐａｒａｍ
ｅｔｅｒｓ　ｂｙ　ｔｅｍｐｏｒａｌｄｅｃｏｍｐｏｓ
ｉｔｉｏｎ、Ｐｒｏｃ、　ｏｆ　ｔｈｅ　ｒｃＡｓｓＰ
　’８３（Ｂｏｓｔｏｎ）、　ｐｐ、８１−４．）　　
にも区分化（セグメンテーション）の方法を記載してい
る。しかし、この方法には、見出された区分の数が一定
でなく、得られた区分が何れの音に属するかを決められ
ないという欠点がある。

本発明の目的は、より正確に機能し、それによって、例
えば２重音の収集が短時間で得られる音声の区分化（セ
グメンテーション）方法を提供せんとするにある。

この目的のため、本発明は、音響音声信号を、各信号が
Ｎ個の連続する時間間隔の任意の時間間隔ｌ（ｌは１か
らＮまでの数）に関連するＮ個の信号に変換して音声を
区分化するに当たり、ｉの或る値に対しｊの値がａｉ　
　（ａｉ　＜ｉ）からす、（ｂ、＞ｉ）までの値である
場合に、時間間隔ｉに関連する信号と、時間間隔」に関
連する信号との一致の程度を表わす量である関数ｃｉｊ
を導出し、 時間間隔の通し番号ｌに関連し、音声信号の複数の部分
の境界を形成し、その一部分内に位置する時間間隔に関
連する曲線ｃｉ、１が少なくともほぼ一致する、これら
ｌの値を決定するようにしたことを特徴とする。ｉの値
は、発声音の間の複数の時間点に相当し、区分の境界を
示す。これらｌの値を、関数ｄｉについて負から正への
Ｚ軸交差点に少なくともほぼ一致するものに決める場合
には、音素の境界を得ることができる。したがって、区
分は音素となる。このような区分は、フォルマントおよ
び帯域幅のような音声パラメータはこの区分内でほとん
ど一定である。、 音素は、単語が変わるとその意味が変わる１つの単語に
おける最小ユニットとして、定義することができる。２
重音は１つの単語の２個の隣接する音素間の遷移を表わ
す。２重音の導出方法は、上記方法で得られた音素に基
づいて、のちに記載する。

補正関数には関数ＣＩＪを採用することができる。

この関数は、等しい時間間隔、換言すると１＝」に対し
て値１を有し、その値は、時間間隔ｌおよび」での音の
間の差が大きくなるにつれて減少する。

ａｔ及びす、は、関数ＣＬｊが基準値Ｃｒ　に等しい場
合のｉの値に等しくすることができる。この基準値は、
Ｐく１（例えばＰが０．８に等しい）の場合における関
数Ｃ１Ｊの最大値のＰ倍に等しくすることかできる。こ
の結果として、発声音の対応する区分は相互に影響しな
い。これは、一つの区分の中間点ｍ、の決定が、発声音
の後又は前の他の対応する区分の存在により影響されな
い（換言すれば、妨害されない）ことを意味する。

Ｎ個の時間間隔において音響音声信号の周波数スペクト
ルを、Ｎ個の信号に対し、とることができる。その他の
可能性として、Ｎ個の信号に対するＮ個の時間間隔にお
ける音響音声信号のスペクトルエンベロープを取ること
がある。例えばＬＰＧ分析により、スペクトルエンベロ
ープを得る方法は、ジエー・ディー・マーケル及びニー
・エッチ・グレイによる「リニア　プレディクション　
オブ　スピーチＪ　（Ｊ、Ｄ、Ｍａｒｋｅｌ、　Ａ、ｆ
ｌ、Ｇｒａｙ、　Ｌｉｎｅａｒｐｒｅｄｉｃｔｉｏｎ　
ｏｆ　５ｐｅｅｃｈ、Ｓｐｒｉｎｇｅｒ　Ｖｅｒｌａｇ
　１９７６、）から既知である。関数ＣｉＪの導出にス
ペクトルエンベロープを使用することによって、実際の
周波数スペクトルそれ自体に存在するピッチの影響を圧
縮する利点を有する。

これがため、上記方法によって、音声信号をさらに再分
割した区分とし、この区分の境界が１の値により決定さ
れ、この値は区分の時間軸に沿う境界を順次に示す。

２重音のライブラリーの導出は、まず最初の音声信号か
らの音素の形態の区分を決定し、次いで、かくして得ら
れた音素から２重音を取り出すことによって達成するこ
ともできる。この目的のため、それ自体既知であり、取
り出すべき多数の２重音を含む発声音に、上記区分手順
を施す。次に曲線ｄｌ＝ｍｔ−ｉにおいて負から正への
Ｚ軸受差点を取る場合には、既知の発声音を構成する複
数の音素の、音素境界に相当する区分境界を得るように
する。この区分手順によって、発声音の音素と同数の、
発声音の区分を決定し得るようにする。

この場合に、何れの区分が何れの音素に一致するかを正
確に示すことができる。しかし、区分手順によって発声
音を構成する音素の数より正確に多いか又は少ない区分
を形成する場合もある。これらの場合は何れの区分が何
れの音素に対応するかは直ちに明らかにはならない。

上記の場合に、特別な割り当て手順を必要とし、これに
より第１の場合（音素より区分が多い場合）には１個以
上の境界を削除することを必要とし、第２の場合（音素
より区分が少ない場合）には１個以上の境界を追加する
ことを必要とする。これを達成すべく、既知の発声音の
音声信号を、例えば音素から形成される音声区分に区分
するに当たり、既知の時間整合（ｔｉｍｅ　ａｌｉｇｎ
ｍｅｎｔ）により、発声音を構成する音の一連の基本パ
ターンと、発声音の音声信号との間で最大の一致が得ら
れるようにし、上記前を１の値により区分される音声区
分に割り当てて、音の境界と対応する音声区分とが最良
の一致となるようにする。区分が音素よりも多い場合に
は発声音の何れかの個所に、１つの音素に対し音素が位
置する２つの隣接区分が存在し得るようになる。これら
２個の区分の間の境界を決めるｌの値は、省略される。

区分より音素が多い場合には、発声音の何れかの個所に
、１つの区分に対向して位置する２個の隣接する音素が
存在し得るようになる。この場合には、２個の音素の間
の境界に相当するｌの値を追加することにより、当該区
分を分離する。

区分が音素とちょうど同数である場合には、関数ｄｉか
ら得られるｉの値は維持される。

この音素について得られたｌの値から出発し、２重音境
界を、変換規則を使用することにより、決め得るように
する。

このように音素の境界からの導出を経て２重音境界（従
って２重音）を決める理由は、音素の基本パターンが上
記時間整合に使用され得るからである。したがって、オ
ランダ語については約４０個の音素のみが存在し、従っ
て、これは５０個の基本パターンを取り出して記憶する
必要があり、これを有効に且つ迅速に行なうことができ
ることを意味する。

さらに、音素境界が一連の音素の基本パターンを用いて
、音声信号の上記時間整合から簡単に得られないことが
問題となる。その理由は、このような方法が、特に音声
の調音結合および偶発変動に極めて影響を受けやすいか
らである。この結果、極めて不正確な音素境界が得られ
、従って２重音境界又は２重音の導出を良好に行なうこ
とはできない。

これがため上記時間整合は区分を音素に割当て、必要に
より境界を追加又は削除するために用いられるだけであ
る。

音声信号又は発声音を区分（例えば音素）に細分割する
ことを、発声音の認識に使用することもできる。この目
的のため、本発明の方法は未知の発声音の音声信号を認
識するために、各区分を既知の音の基本パターンと比較
しこの音をこの区分および音の間の一致の程度が最大と
なる区分に割り当てるようにした。これは、特に、発声
音が音素の形態の複数の区分に区切られる場合に適用さ
れる。

この場合に、さらに４０個の音素の基本パターンを記憶
し、未知の発声音の区分の各々を最大で４０個の基本パ
ターンと比較する必要がある。比較の結果、最大の一致
が得られると、一連の基本パターンによって何れの音素
から既知の発声音が構成されるかを示すことができる。

又、本発明は、音響音声信号に相当する電気信号を受信
する入力端子と、該入力端子に供給される入力端子およ
び出力端子を有する第１装置とを備え、該第１装置では
Ｎ個の信号を得、これらＮ個の信号をその出力側に供給
するようにして本発明方法を実施する装置において、 さらに、前記第１装置の出力側に結合される入力端子と
、出力端子とを有し、時間間隔ｌおよびＪに関連する信
号から連続する間隔１に対する関数ｃｉｊを得るととも
にその出力側に関数ｃｉｊを供給する第２装置と、 第２装置の出力側に結合される入力端子と、出力端子と
を有し、１区分内にある時間間隔に関連する曲線ＣＩＪ
が少なくともほぼ一致する音声信号の複数の部分の境界
を形成する間隔１の値を決定する副装置とを具えるよう
にしたことを特徴とする。これと関連して前記副装置は
、 前記副装置の入力端に結合される入力端子と、出力端子
とを有し、各間隔ｌに対する関連する関数Ｃｔｊの中間
値ｍ１を得るとともにその出力側に中間値ｍｉを供給す
る第３装置と、 前記第３装置の出力側に結合される入力端子と、前記副
装置の出力側に結合される出力端子とを有し、関数ｄｉ
における零細交差点に少なくともほぼ一致する間隔ｌの
値を取り出すと共にこれらｌの値をその出力に供給する
第４装置とを具えるようにしたことを特徴とすることが
できる。この装置によって、音声信号の、音声パラメー
タがほぼ一定となる複数の区分への区分化を達成するこ
とができる。■の値は、連続した数の時間間隔の形態で
区分の相互の境界を示す。したがって、これら１の値は
音声信号（発声音）中の時間の諸点に相当する。

第４装置が関数ｄｉ（ｄｔ＝ｍ＋　　　１）における負
から正への零細交差点に少なくともほぼ相当する間隔ｌ
の値を決定するようにする。

この場合の複数の区分は音素の形態である。

既知の発声音を、例えば音素の形態の区分に区分化する
方法の実施に使用する装置は、さらに、音の基本パター
ンを記憶するメモリと、メモリの出力側に結合される第
１入力端子、第１装置の出力側に結合される第２入力端
子および出力端子を有する第５装置とを具え、該第５装
置は既知の時間整合により、既知の発声音を構成する音
の一連の基本パターンと発声音の音声信号との一致の程
度が最大となるようにするとともに、このようにして得
られた境界をその出力側に供給し、さらに、前記第４装
置の出力側に結合される第１入力端子、前記第５装置の
出力側に結合される第２入力端子および出力端子を有す
る結合装置を具え、前記第５装置は音を間隔ｌの値によ
り区切られる区分に割り当てて、そのため音の境界およ
びそれと対応する区分が極めて良好な一致を示すように
する。

結合装置は、１の値の数が対応する音より多いか或いは
少ない場合に１個以上の１の値を追加および省略すると
ともに、ｌの値の変化される群又は変化されない群をそ
の出力側に供給するようにすることができる。この結果
として、４０〜５０個のみの基本パターンから出発し、
或る特定の音素を第ｊ装置で得られた区分の各々に割り
当て、更に、区分の数が、既知の発声音の構成され音素
の数より少ないか又は多い場合には補正を行なうことが
できる。

２重音を得るために、音声区分化装置は、結合装置の出
力側に結合された入力端子及び出力端子を有する第６装
置を具え、該第６装置は結合装置の１の値から音の境界
へ向かって動き出ｒとともに変換規則を用いて、２重音
境界を得て、これら２重音境界をその出力側に供給する
ようにすることができる。

また、未知の発声音の音声信号を認識し得るようにする
ため、装置は、さらに、既知の音の基本パターンを格納
するメモリと、該メモリの出力側に結合された第１入力
端子、第４装置の出力側に結合された第２入力端子及び
第１装置の出力側に結合された第３入力端子並びに出力
端子を有する第５装置とを具え、該第５装置は各区分を
既知の音の基本パターンと比較し、この区分および音の
一致の程度が最大となる区分に前記音を割り当て、各々
がこの割り当てた区分と最大限に一致するこれら音の一
連の基本パターンに関係する情報をその出力側に供給。

図面につき本発明を説明する。

第１図は本発明の方法を実施する装置の第１実施例を示
す図である。この装置は２重音収集を行うために使用さ
れる。この目的のため、熟練した話者がマイクロホン１
を経て装置に向けて、既知の音声を発声する。発声を行
う場合には、話者が一定の速さで話すようにする。この
話す速さは、遅速のない速度とする必要がある。さらに
、好適には話者は固定ピッチで話す必要がある。一般に
２重音収集を得るため使用される発声音は、例えば単語
”ｎｅｎｏｏｎｅ”のような意味のない単語とする。

この単語は音素”ｎ″１．１１　ｅＩＩ　、　Ｌｒ　ｎ
″ｒ、　ｔｒｏｏｎ、　ｕｎｎ及び′ｅ”から構成され
ている。この単語から、２重音“ｎｅ″′。

”ｅｎ″’、　”ｎｏｏ’″、　”ｏｏｎ”及び’ｎｅ
”を導出することができる。２重音は２個の音素の遷移
を示すことから、音素より２重音の方が多いことは明ら
かである。

例えばオランダ語の場合、約４０乃至５０個の音素に対
して約１８００個の２重音が存在する。マイクロホン１
を、入力端子２を経てアナログ−デジタル変換２刹３に
結合する。変換器において、電気信号はサンプリング周
波数約ＩＱｋＨｚでサンプリングされ、デジタル化され
る。音声の情報は主に５　ｋＨｚ以下の周波数範囲にあ
るため、１０ｋｔｌｚのサンプリング周波数が好適とな
る。第３ａ図は、アナログ−デジタル変換器３の出力側
に現われる単語”　ｎ　ｅ　ｎ　ｏ　ｏ　ｎ　ｅ　”の
デジタル化された時間信号を示す。このＡ／Ｄ変換器３
の出力側に第１装置４の入力端５を結合する。この第１
装置４によってＮ個の信号Ｓ＋（ｆ）（１く１≦Ｎ）が
得られるようにする。これらＮ個の信号は、第３ａ図の
時間信号をＮ個の時間間隔に分割するとともに、例えば
各時間間隔に対して適切な時間間隔の発声音の周波数ス
ペクトルを取ることにより、得られる。

池の手段として、適切な時間間隔の発声音のスペクトル
エンベロープを取るようにする。この目的のためＬＰＧ
分析が使用される。従って、長さ１０ｍ５の時間間隔を
取るものとすると、関連するスペクトルエンベロープは
１００サンプリングより或る時間信号から計算される。

第４図には音声信号の第１の５ｉ’＋ｉ′１ｍｓに対す
る、第１の５０個のスペクトルエンベロープＳ＋（ｆ）
を示す。

第５図には、発声音の周波数スペクトルを時間間＠ｉの
曲線Ｓｔ　’　（ｆ）で示す。このスペクトルは高速フ
ーリエ変換により得られる。この曲線ｓ＋　’　（ｆ）
の主な特徴は、そのピークがｆ＝ｆｏおよびその倍数の
個所にあることである。周波数ｆ０は音声信号のピッチ
を示す。曲線Ｓ＋（ｆ）　は多数のｄ６に亘って上方に
推移するＬＰＧ分析により得られたスペクトルエンベロ
ープを示す。この曲線の周波数ｆ、、　ｆ２．　ｆ、お
よびｆ４におけるピークは、第１の４個のフォルマント
を示す。実際には、直列接続された複数（この場合４個
）の２次フィルタから構成される一個のフィルタの全パ
ラメータは、ＬＰＧ技術で決められる。したがって、関
連のパラメータは（上記フォルマント周波数に対応する
）フィルタの共鳴周波数および帯域幅である（フォグテ
ア　（Ｖｏｇｔｅｎ）の論文（Ｌ、　ＬｏＭ、Ｖｏｇｔ
ｅｎ：　Ａｎａｌｙｓｅ。

ｚｕｉｎｉｇｅ　ｃｏｄｅｒｉｎｇ　ｅｎ　ｒｅｓｙｎ
ｔｈｅｓｅ　ｖａｎ　ｓｐｒａａｋ−ｇｅｌｕｉｄｉ　
Ｔｈｅｓｉｓ、　Ｔｅｃｈｎｉｓｃｈｅ　Ｈｏｇｅｓｃ
ｈｏｏｌ　Ｅｉｎｄｈｏｖｅｎ１９８３、　）、特に、
目２．１参照のこと）。

したがって、これらパラメータを用いることによりその
後の音声を同期化することができる。

“エムイーニー８０００　　ボイス　シンセサイザー、
プリシシプルズアンド　インターフェーシング（ＭＢＡ
　３ＱＱＱ　Ｖｏｉｃｅ　５ｙｎｔｅｈｓｉｚｅｒ、　
ｐｒｉｎｃｉｐｌｅｓ　ａｎｄｉｎｔｅｒｆａｃｉｎｇ
、　Ｐｈ１ｌｉｐｓ’Ｅ１ｃｏｍａ　ｐｕｂｌｉｃａｔ
ｉｏｎ　ｎｏ、ｌｏｔ、）の特に第２〜４頁の題名“プ
リンシブルズオブ　フォルマント　スピーチ　シンセシ
ス”の節参照のこと）。

第２装置７の入力端子８を第１装置４の出力端子６に結
合する。第１装置４によりその出力端子６に現われたＮ
個の信号ｓｔ　（ｆ）　（第４図参照）を用いて、第２
装置７の各時間間隔ｉに亘り関数ｃｉｊを導出する。こ
こにＪはａｌからす、　（ａ、＜ｉ、ｂｌ＜ｉ）までの
範囲である。第６図は斯る関数ＣＩＪの曲線を示し、第
７図は複数の連続する時間間隔ｌに対する曲線ｃｉｊを
示し、ここにＣ１Ｊは以下の式により計算される。

および 式（２）から明らかなように、Ｊ＝ｉのときにはｃｉｊ
は値１を有する（第６図参照）。曲線ＣＩＪは時間間隔
ｌおよび時間間隔」に対するスペクトルエンベロープの
一致の程度を示す。第７図から明らかなように、時間間
隔１０〜１７に対するスペクトルエンベロープは、包括
的に、互いに共通点が多い。同様のことが、時間間隔１
９〜２７についても言える。このことは、第４図からも
無理なく理解できるであろう。これらは、スピーチ信号
の部分であり、この部分において、次々と同じような状
態の部分へ変移されるスペクトルエンベロープは極めて
似ている。これがため、各部分は、斯る部分中、フォル
マントおよびそれらと関連する帯域幅のような、上記パ
ラメータがほとんど時間的に一定であることを示してい
る。

第３装置１０の入力端子を第２装置７の出力端子９に結
合する。第３装置１０は、第２装置７から曲線Ｃｔ、＋
を受け、各時間間隔に関連する曲線Ｃ１，に対し、例え
ば、次式 に従って、この曲線の中点ｍ＋を決定する。

値ａｉおよびｂｉを任意に選ぶことができる。

」の値をこれらａｉおよび５口こするのが好適であり、
この場合、Ｃ＋、　ａｔ　＝Ｃｔ、　ｔ］ｔ　＝Ｃｒ　
　（第６図参照）となり、ここにおいてＣｒはＰ−ｃｔ
　ｔに等しい（ＣｉＩは曲線Ｃ１Ｊの最大値であり、こ
の例では１に等しい）。さらに、Ｐは０．８または０．
９に等しくするのが好適である。これらｊの値をａｔお
よびｂｌ　と選定することにより、１からＮまでの数に
ついて、即ち全ての発声音にわたって、式（３）による
積分を行なう場合よりも、ｍｉ値の決定が正確となる。

このような場合において、発声音の、その中点が決定さ
れた区域と相似の他のほぼ同一状態の区域は、その中点
の決定を妨害する。

例えば、単語”ｎｅｎｏｏｎｅ”において、はとんど一
定の区域が、音素ｒ＊　ｎｎに対応して３回発声する。

したがって、中点ｍ１を真中のｎ″の一定区域に決定す
る場合には、積分領域は、他の音素パｎ′″の一つがそ
の範囲に収まるので、そんなに広くとる必要がない。

各時間間隔に対する中点ｍｉ　に対応するｊ値は第７図
の垂線で示される。この図から明らかなように、静止区
域内の中点ｍｉ　は、実際にＩＱ＜ｉ＜１７および２０
＜　ｉ　＜２７に対して変化しない。

第４装置１３の入力端子１４を第３装置１０の出力端子
１２に結合する。第４装置１３では、ブロック１５にお
いて第３装置１０で得られたデータから変数ｄ１を決め
る。

関数ｄ１　に対して、 ｄ１＝ｍｌ−ｉ　　　　　　（４） が得られる。

第７図において、各時間間Ｖ！ｉＩ＋の関数ｄｉは夏お
よびｍ、間の水平接続線により示される。その上、第３
ｂ図ではｉの関数として曲線ｄ１　を示している。関数
ｄｉの正から負へ変化する零細交差点は、関連する静止
部の中点ｍ、に少なくともほぼ一致する。負から正へ変
化する、１１〜１Ｍにより示される零細交差点によって
静止区域（音素）間の遷移の位置を得られる。これら零
細交差点は第４装置１３のブロック１６において決めら
れる。

第３ｂ図と第３Ｃ図とから、第１および最後の区分Ｓｌ
は発声音の直前及び直後の黙音と一致する。次に、単語
”ｎｅｎｏｏｎｅ″′を構成する６個の音素に正確に一
致する６個の区分がまだ残されている。したがって、適
切な音素をこれら６個の区分に直接割り当てることがで
きる。

上記割り当て手順を用いることにより、時には、発声音
を構成する音素の数より多いか又は少ない区分を得るこ
ともある。この場合において、特定の音素を１つの区分
に直接割り当てることはできない。これらの場合も音素
を区分に正確に割り当辱るようにするため、装置はさら
にメモ１Ｊ１８を備えるこのメモリには、各音素Ｘに対
し、音素の基本パターン並びに最小および最大の音素の
持続時間り、ａｌｎ及びｔ８．。８）を記憶する。この
基本パターンは、フォルマント値及びそれと関係する帯
域幅から構成される。これら値から出発してスペクトル
エンベロープＳ（「）を、第５図に示すようなＬＰＣ分
析により計算することができる。このスペクトルエンベ
ロープは特定の音素Ｘと関連するエンベロープであり、
以後Ｓ、、（ｆ）で示すこととする。

式（１）及び（２）から類推して、間隔ｌの時間信号の
スペクトルエンベローフト音素Ｘのスペクトルエンベロ
ープの一致を示す変数ＣＩ、　ｐＨが得られる。

これは第５装置１９内で行なわれる。この目的のため、
この第５装置には、これに、エンベロープｓ、Ｘ（ｆ）
が得られる基本パターンを供給するメモリ１８に結合さ
れる第１入力端子２０と、時間間隔ｌと関連するエンベ
ロープＳｒ　（ｆ）を供給する第１装置４の出力端子６
に結合される第２入力端子とを設ける。この第５装置１
９において、変数Ｃ＋＋ＩＩＮを得、発声音および一連
の音素の基本パターンの間で時間整合を行なって、両信
号間の一致の程度が最大となるようにする。第８ａ図は
、第８ｂ図に示される発声音“’ｎｅｎｏｏｎｅ”に対
するこの時間整合した結果を示す。第８ａ図において、
ｘ＝ｌは発声音の前の無音を表わし、Ｘ＝２は音素１１
　ｎ＋１に対応し、ｘ＝３は音素”ｅ”　、ｘ　＝　４
は音素”ｎ”　、　ｘ　＝　５は音素１１００１１、Ｘ
＝６は音素”ｎ”　、ｘ　＝　７は音素ＩＩ　ｅＩＩ、
およびｘ＝８は無音に夫々対応する。

これは既知の発声音に関連するため、どΦ音素が存在す
るか、どの順序でこれら音素が発声するかは既知である
。従って境界ｌ、′〜１７′　のみを決めるだけでよい
。

これら境界は以下のようにして決めることができる。第
１０図において、時間を連続な時間間隔の数１で示され
る水平軸に沿ってプロットする。この場合にもｌはｌ＜
ｉ＜Ｎとする。次に（基本パターン）の音素ｐＩ−ｐ、
ｌを垂直軸に沿ってプロットする。音素に含められる発
声音の前および後が無音の場合にはＸは８に等しい。音
素ｐ８は、時間間隔（ｌｘ−ｌ　’　＋１）からＩＸ′
までに配置される。

Ｃ１＋ｐ’の値はグラフの左下から右上に向かう線１上
に常にプロットされる。

今、１．’（１≦ｘ＜Ｘ）を、以下の関数（ただしｉ０
／＝Ｑおよびｉ、’−Ｎ）が最大となるように決める。

この上記関数を最大にするには、１．′にｊＸ＋＋ａｉ
ｎ≦１Ｍ’１）ｌ−ｌ′≦ｔＮ＋ｌ１ｌａ）１のような
状態が課される場合の動的計画法により実効される。

動的計画法は、それ自体既存の技術であり、アール・ベ
ルマンの［ダイナミック　プログラミングＪ　（ＲｏＢ
ｅｌｌｍａｎ：　Ｄｙｎａｍｉｃ　ｐｒｏｇｒａｍｍｉ
ｎｇ　ＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ、　Ｐｒ１ｎｃ
ｅｔｏｎ　Ｎｅｗ　Ｊｅｒｓｅｙ、　　１９５７．）お
よびネイによる刊行物の［ダイナミック　プログラミン
グ　アズ　ア　テクニク　フォー　パターン　リコグニ
ッションＪ　（Ｈ，Ｍｅｙ：　Ｄｙｎａｍｉｃ　ｐｒｏ
ｇｒａｍｍｉｎｇａｓ　ａ　ｔｅｃｈｎｉｑｕｅ　ｆｏ
ｒ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ　Ｐｒｏ
ｃ。

ｏｆ　ｔｈｅ　６ｔｈ　Ｉｎｔ、　　Ｃｏｎｆ、　　ｏ
ｎ　Ｐａｔ、ｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ。

Ｍｕｎｔｃｈ　（ＯＨ）、　　Ｏｃｔ、　　１９−２２
．　１９８２．　Ｉ）ｌ）、　　１１１９−２５．）を
参照されたい。全ての境界１１′から１７′　までを上
記文献記載の方法により決める。次に、区分半速から得
られる境界Ｉｌ乃至Ｉ７、および時間整合から得られる
境界１１′　乃至１７′　を、結合装置２３に供給する
。この目的のため、結合装置２３の第１入力端子２４を
第４装置１３の出力端子１７に結合し、第２入力端子２
５を第５装置１９の出力端子２２に結合する。

この結合装置２３は、時間整合および第５装置１９（第
８ａ図参照）により得られる音素を、第４装置１３にお
ける区分化方法により得られ、ｌの値により区分けされ
る区分に、割り当てるために備えており、このため音素
の境界およびそれに応じた区分は極めて良好に一致する
。

第８ａおよび８ａ図から明らかなように、境界１１およ
び１１′　はともにグループをなす。同様のことは境界
１２および’２’　、１３およびＩ３’　、＋４および
１４′、１５および’Ｓ’　、＋６およびＩ６’　、Ｉ
Ｔおよび１７′　についても当てはめられる。これがた
め、この場合に結合装置２３はその出力端子に１．乃至
１□の値を出力する。

この区分化手順は、例えば、発声音を構成する音素の数
より少ない区分を出力する場合もある。

このことは、第９ａおよび９ｂ図に示されている。第９
ａ図は区分化手順の結果を示している。境界１、乃至１
４を、図示されいない曲線ｄｉから得られるが、発声音
は６個の音素により構成される。次に時間整合の方法か
ら第９ｂ図に示すような境界１．′　乃至１５′　を得
る。ここには曲線Ｃ＋＋ＰＭは図示していない。これか
ら、境界１１および’ｌ’　、＋２および１゜′、１３
および１．′、並びに１．および１５′　の間に一致が
見られることが胡らかである。この場合に１３′　に応
じた余分の境界が結合装置２３により加えられる。

他に、区分化手順により発声音を構成する音素の数より
多い区分を出力する可能性もある。これは第９Ｃおよび
９ａ図に示されている。第９ｃ図は、区分化手順の結果
を示し、そこには５個の境界ｌｌ乃至Ｉ５がある。第９
ｄ図は、時間整合の結果である４個の境界ＩＩ′乃至！
４′　を示している。これから境界１．および１１’　
、’２および’２’　、’４および１３′　、並びに１
５および１４′　の間に一致が見られることが明らかで
ある。この場合において、境界１３は結合装置により省
略される。

したがって、前段の装置により得られ且つ訂正された境
界は第６装置２７に供給される。この第６装置２７は、
結合装置２３により得られた境界ｌから出発し、表１に
与えられるような変換規則を用い、２重音境界ｇ＋乃至
ｇ８を決める。表Ｉは最も重要且つ共通に発生する２重
音に対する変換規則だけを示している。ｇｌおよび８２
間に位置する２重音は、無音からｎ″への遷移を表わし
、同様にｇ２およびｇ３間に位置する２重音は’　ｎ　
ｅ　”への遷移を表わし、（以下略記すると）ｇ３およ
び８４間は”　ｅ　ｎ　”への遷移、ｇ４およびｇ５の
間は’ｎｏｏ”への遷移、ｇ５およびｇ６の間は“’ｏ
ｏｎ’″への遷移、ｇ６およびｇ７の間は”ｎｅ″′へ
の遷移、並びにｇ７およびｇ８の間は′ｅ″′から無音
への遷移をそれぞれ表わしている。表１のＮｏ、３１か
ら明らかなように、２重音境界ｇ２＋　ｇ＜およびｇ６
が境界ｊ　ｌｌ　　＋２：　＋３、ｌ、および’Ｓ＋　
　’６により限定された区分の中点に存在する（必要が
ある）。表■のＮｏ、１２から明らかなように、２重音
境界ｇ３およびｇ７が境界１２および１６の夫々の後に
６時間間隔を取る必要がある。表ＩのＮ００８から明ら
かなように、２重音境界ｇ、が境界１．のｌ軸に沿って
６時間間隔後に位置し、表１のＮｏ、１７から明らかな
ように、２重音境界ｇ、およびｇ８は第１および最後の
区分の中間に存在する必要がある。

表１のＮｏ、１９からＮｏ、２４までの音素は破裂音で
あり、２つの部分から或る。第１の部分は破裂前の無音
に相当する。第２の部分はそれ自体破裂であり、表にお
いてパバース）’（ｂｕｒｓｔ）　　′と称している。

上記区分化手順は、一般に、これら音素を２部分に相当
する２つの区分に区分化するものである。

この関連する２重音境界は、破裂に相当する区分の始点
の前にある１時間間隔に表１により選定される。

“声門閉鎖音軸Ｉｏｔｔａｌ　５ｔｏｐ）”は、例えば
、すでに記した音声同期装置”ＭＥＡ　８０００”の名
称を発音する場合のような個々に離れた文字の間に挿入
された無音に相当する。

さら）ご、最も重要なドイツ語および英語の２重音を得
るための変換規則は、表■および表■に示される。

上記方法により得られた２重音は、次に、２重音のライ
ブラリィの形成のだ杓メモリ３０に格納される。この目
的のため、メモリ３０の２つの入力端子を、第１装置４
の出力端子６および第６装置２７の出力端子２９に結合
する。メモリ３０では、各２重音および２重音の境界ｇ
内に存在する各時間間隔に対して、 ・上記４個（又は５個）の７オルマントおよびそれと関
連する帯域幅、 ・音の強さに結びつく振幅パラメータ（第１装置でも得
られる）、 ・有声−無声音の判定（例えば、第１装置４内でも１尋
られる周期的信号か又は雑音影信号かどうかの判定） を格納する。この情報について、その後総合音声を達成
することができる（フォグテンの論文参照）。

第２図は本発明の装置の第２の実施例を示している。こ
の装置は、未知の発声音の認識のため使用される。これ
ら第１および２図におい゛Ｃ同一・つ）素子には同一の
符号付す。未知の発声音がマイクロホン１に人力され、
Ａ／（１変換器３でデジタル信号に変換される第１装置
４は関数Ｓ、（ｆ）を出力する（第４図参照）。第２装
置７は関数Ｃｉｊを決定する（第７図参照）。次に第３
装置１０は中間値ｍ１を決定する（第７図参照）。第４
装置は曲線ｄ１および値ｊ　＋＋　・・・、１．４を決
定する（第３図参照）。

以上から、未知の発声音を構成する区分に含まれる音素
の多くの基本パターンに、原則として、相当する多数の
区分が得られる。この目的のため、メモリ１８は全ての
音素の基本パターンを内部に有している。各区分を音素
の基本パターンと比較し、その音素を、区分と音節との
一致の程度が最大となる１区分に割り当てる第５装置３
１を備える。この目的のため、第５装置は、メモリに結
合される第１入力端子３２、第４装置の出力端子１７に
結合される第２入力端子３３、第１装置の出力端子６に
結合される第３入力端子３５、並びに出力端子３４を有
する。この出力端子３４には、音素が割り当てられる区
分に一致する程度が最大であることを夫々示すこれら音
素の一連の基本パターンに関する情報が現われる。これ
がため、未知の発声音が認識される。

区分の基本パターンとの比較は、例えば、以下のように
して行なわれる。

曲線Ｃ＋＋ＰＭを各区分およびある特定の音素Ｘの基本
パターンに対して、計算する。発声音および発声音にお
いて実際に発音される音素Ｘの基本ｉ４ターンからの区
分に対して、例えば１３′　および１４′の間の曲線に
より第８ａ図に示すような曲線［：＋＋ｐＸを得る。こ
れに対し、境界が１３′　および１４′　にあれば、必
らず曲線ｄｉから得られる１３および１．に存在するこ
とを加える必要がある。これがため、音素の基本パター
ンと第４装置１３から（尋られた１の値、即ち１１乃至
１Ｍにより区分された区分との間で比較が行なわれる。

発声音の区分と他の基本パターンとの比較において、さ
らに低い値を有する曲線ＣＩ、　Ｐイが得られる。次に
、（区分にわたって積分された）ＣＬ、、イが最大値を
有する音素Ｘは区分に割り当てられる。

したがって、例えば ＩＪ！＋ｌ　　　ＩＪＬ　　　１１ を決め、ここに１１および１゜１は区分の下側境界およ
び上側境界である。そして音素ＸはＯイが最大１直とな
る前記区分に割り当てられる。

この手順を各区分に対して適用する場合には、発声音を
構成する一連の結合音素を最終的に得ることができる。

したがって、発声音が認識される。

本発明は図示の実施例に限定されるものではなく、本発
明の要旨を変更することなく種々の変更を加え得ること
はもちろんである。

３９ｆｔｈｉｓｓ

【図面の簡単な説明】

第１図は本発明方法の実施に使用する装置の１例を示す
ブロック回路図、 第２図は上記装置の他の例を示すブロック回路図、 第３図はその第３ａ図において、時間の関数である発声
音の電気信号を示し、その第３ｂ図において区分手順に
て得られた曲線ｄｉを示し、その第３Ｃ図において得ら
れた区分に属すると考えられる音素を示す説明図、 第４図は第３ａ図から連続する時間間隔ｉ（１≦ｉ≦Ｎ
）に対する音声信号のＮ個のスペクトルエンベロープを
示す特性図、 第５図は或る特定の時間間隔における音声信号の周波数
スペクトル及びそれと関連する周波数スペクトルエンベ
ロープを示す特性図、 第６図は或る特性の時間間隔１（１≦」≦Ｎ）に対する
関数Ｃ１Ｊを示す特性図、 第７図は一連の時間間隔ｌに対する関数ｃｉｊを示す特
性図、 第８図はその第８ａ図において関数ＣＩ＋　ｐｘを示し
その第８ｂ図において発声音の最初の時間信号を示し、
その第８Ｃ図において２重音境界９および区分境界ｌを
含む関数ｄｉを示す特性図、 第９図１ま第９ａ及び９ｂ図において追加の区分境界の
追加を示し、その第９０及び９ｄ図において、区分境界
の省略を示す特性図、 第１Ｏ図は発声音及び音素の基本パターン間の時間整合
を示す説明図である。 １・・・マイクロホン　　３・・・Ａ／Ｄ変換器４・・
・第１装置　　　　７・・・第２装置１０・・・第３装
置　　　　１３・・・第４装置１８、３０・・・メモ’
Ｊ　　　　１９．３１・・・第５装置２３・・・結合装
置　　　　２７・・・第６装置ＦＩＧ、Ｉ ＦＩＯ，２ −ロ　　　　　　　　　ロ　　　　　Ｑ−ｍ−−＋（ｋ
Ｈｚｌ ＦＩＧ、９ ＦＩＧ、１０ ローＮ円ぐい■トロ■ローＮ円ぐ一■トｆ−−−−−−
ＦＦ−−−ＮＮＮＮＮＮＮＮ鴫−一）５　　　　　　　
　　　　　　　　　　　喝−邑・−

Claims (1)

1. 【特許請求の範囲】 １、音響音声信号を、各信号がＮ個の連続する時間間隔
   の任意の時間間隔ｉ（ｉは１からＮまでの数）に関連す
   るＮ個の信号に変換して音声を区分化するに当たり、 ｉの或る値に対しｊの値がａ＿ｉ（ａ＿ｉ＜ｉ）からｂ
   ＿ｉ（ｂ＿ｉ＞ｉ）までの値である場合に、時間間隔ｉ
   に関連する信号と、時間間隔ｊに関連する信号との一致
   の程度を表わす量である関数ｃ＿ｉ＿ｊを導出し、 時間間隔の通し番号ｉに関連し、音声信号の複数の部分
   の境界を形成し、その一部分内に位置する時間間隔に関
   連する曲線ｃ＿ｉ＿ｊが少なくともほぼ一致する、これ
   らｉの値を決定するようにしたことを特徴とする音声の
   区分化方法。 ２、各時間間隔ｉに対して、この時間間隔ｉに関連する
   関数ｃ＿ｉ＿ｊの中間値ｍ＿ｉを決定し、前記ｉの値に
   対して、前記中間値と当該時 間間隔ｉの通し番号との差を示す関数ｄ＿ｉにおける同
   一符号を有する零軸交差点に少なくともほぼ一致するｉ
   の値をとるようにしたことを特徴とする特許請求の範囲
   第１項記載の音声の区分化方法。 ３、関数ｄ＿ｉ（ｄ＿ｉ＝ｍ＿ｉ−ｉ）における負から
   正への零軸交差点に少なくともほぼ一致するｉの値を決
   定するようにしたことを特徴とする特許請求の範囲第２
   項記載の音声の区分化方法。 ４、ａ＿ｉおよびｂ＿ｉを、関数ｃ＿ｉ＿ｊが基準値ｃ
   ｒに等しい場合のｉの値に等しくするようにしたことを
   特徴とする特許請求の範囲第２項又は第３項に記載の音
   声の区分化方法。 ５、前記基準値を、ｐ＜１、好ましくはｐが０．８に等
   しい場合の、関数ｃ＿ｉ＿ｊの最大値のｐ倍に等しくす
   るようにしたことを特徴とする特許請求の範囲第４項記
   載の音声の区分化方法。 ６、Ｎ個の時間間隔において音響音声信号の周波数スペ
   クトルをＮ個の信号に対して得るようにしたことを特徴
   とする特許請求の範囲第２項又は第３項に記載の音声の
   区分化方法。 ７、Ｎ個の時間間隔において音響音声信号のスペクトル
   エンベロープを、Ｎ個の信号に対して得るようにしたこ
   とを特徴とする特許請求の範囲第２項又は第３項に記載
   の音声の区分化方法。 ８、既知の発声音の音声信号を、例えば音素から形成さ
   れる音声区分に区分するに当たり、既知の時間整合（ｔ
   ｉｍｅ　ａｌｉｇｎｍｅｎｔ）により、発声音を構成す
   る音の一連の基本パターンと、発声音の音声信号との間
   で最大の一致が得られるようにし、上記音をｉの値によ
   り区分される音声区分に割り当てて、音の境界と対応す
   る音声区分とが最良の一致となるようにしたことを特徴
   とする特許請求の範囲第１項乃至第３項の何れか１項に
   記載の音声の区分化方法。 ９、１つの音を２個の隣接する区分に割り当てる場合に
   、これら２個の隣接する区分間の境界に対するｉの値を
   省略し、２個の音を１つの区分に割り当てる場合に、２
   個の音の間の境界をｉの値のグループに加えるようにし
   たことを特徴とする特許請求の範囲第８項記載の音声の
   区分化方法。 １０、前記ｉの値のグループから出発し、変換規則を用
   いることにより、２重音の境界を得るようにしたことを
   特徴とする特許請求の範囲第９項記載の音声の区分化方
   法。 １１、未知の発声音の音声信号を認識するために、各区
   分を既知の音の基本パターンと比較しこの音をこの区分
   および音の間の一致の程度が最大となる区分に割り当て
   るようにしたことを特徴とする特許請求の範囲第１項乃
   至第３項の何れか１項に記載の音声の区分化方法。 １２、音響音声信号に相当する電気信号を受信する入力
   端子と、該入力端子に供給される入力端子および出力端
   子を有する第１装置とを備え、該第１装置ではＮ個の信
   号を得、これらＮ個の信号をその出力側に供給するよう
   にして本発明方法を実施する装置において、 さらに、前記第１装置の出力側に結合される入力端子と
   、出力端子とを有し、時間間隔ｉおよびｊに関連する信
   号から連続する間隔ｉに対する関数ｃ＿ｉ＿ｊを得ると
   ともにその出力側に関数ｃ＿ｉ＿ｊを供給する第２装置
   と、第２装置の出力側に結合される入力端子と、出力端
   子とを有し、１区分内にある時間間隔に関連する曲線ｃ
   ＿ｉ＿ｊが少なくともほぼ一致する音声信号の複数の部
   分の境界を形成する間隔ｉの値を決定する副装置とを具
   えるようにしたことを特徴とする音声区分化装置。 １３、特許請求の範囲第２項記載の方法を実施する装置
   において、前記副装置は、 前記副装置の入力側に結合される入力端子と、出力端子
   とを有し、各間隔ｉに対する関連する関数ｃ＿ｉ＿ｊの
   中間値ｍ＿ｉを得るとともにその出力側に中間値ｍ＿ｉ
   を供給する第３装置と、 前記第３装置の出力側に結合される入力端子と、前記副
   装置の出力側に結合される出力端子とを有し、関数ｄ＿
   ｉにおける零軸交差点に少なくともほぼ一致する間隔ｉ
   の値を取り出すと共にこれらｉの値をその出力に供給す
   る第４装置とを具えるようにしたことを特徴とする特許
   請求の範囲第１２項記載の音声区分化装置。 １４、特許請求の範囲第３項記載の方法を実施する装置
   において、前記第４装置が関数ｄ＿ｉ（ｄ＿ｉ＝ｍ＿ｉ
   −ｉ）における負から正への零軸交差点に少なくともほ
   ぼ相当する間隔ｉの値を決定するようにしたことを特徴
   とする特許請求の範囲第１３項記載の音声区分化装置。 １５、特許請求の範囲第７項記載の方法を実施する装置
   において、前記第１装置がＮ個の時間間隔における音響
   音声信号のスペクトルエンベロープの形でＮ個の信号を
   取り出すようにしたことを特徴とする特許請求の範囲第
   １３項記載の音声区分化装置。 １６、特許請求の範囲第８項記載の方法を実施する装置
   において、さらに、音の基本パターンを記憶するメモリ
   と、メモリの出力側に結合される第１入力端子、第１装
   置の出力側に結合される第２入力端子および出力端子を
   有する第５装置とを具え、該第５装置は既知の時間整合
   により、既知の発声音を構成する音の一連の基本パター
   ンと発声音の音声信号との一致の程度が最大となるよう
   にするとともに、このようにして得られた境界をその出
   力側に供給し、さらに、前記第４装置の出力側に結合さ
   れる第１入力端子、前記第５装置の出力側に結合される
   第２入力端子および出力端子を有する結合装置を具え、
   前記第５装置は音を間隔ｉの値により区切られる区分に
   割り当てて、そのため音の境界およびそれと対応する区
   分が極めて良好な一致を示すようにしたことを特徴とす
   る特許請求の範囲第１３項乃至第１５項の何れか１項に
   記載の音声区分化装置。 １７、前記結合装置は、ｉの値の数が対応する音より多
   いか或いは少ない場合に１個以上のｉの値を追加および
   省略するとともに、ｉの値の変化される群又は変化され
   ない群をその出力側に供給するようにしたことを特徴と
   する特許請求の範囲第１６項記載の音声区分化装置。 １８、前記音声区分化装置は、結合装置の出力側に結合
   された入力端子及び出力端子を有する第６装置を具え、
   該第６装置は結合装置のｉの値から音の境界へ向かって
   動き出すとともに変換規則を用いて、２重音境界を得て
   、これら２重音境界をその出力側に供給するようにした
   ことを特徴とする特許請求の範囲第１７項記載の音声区
   分化装置。 １９、特許請求の範囲第１１項記載の方法を実施する装
   置において、該装置は、さらに、既知の音の基本パター
   ンを格納するメモリと、該メモリの出力側に結合された
   第１入力端子、第４装置の出力側に結合された第２入力
   端子及び第１装置の出力側に結合された第３入力端子並
   びに出力端子を有する第５装置とを具え、該第５装置は
   各区分を既知の音の基本パターンと比較し、この区分お
   よび音の一致の程度が最大となる区分に前記音を割り当
   て、各々がこの割り当てた区分と最大限に一致するこれ
   ら音の一連の基本パターンに関係する情報をその出力側
   に供給するようにしたことを特徴とする特許請求の範囲
   第１３項又は第１４項記載の音声区分化装置。