JPS6146999A - 音声始端決定装置 - 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］ 本発明は音声波形の時間変化に対づ゛る振幅変化に対し
てサンプリングやその他の処理を行なうことにより音声
区間の始端に対応する時点を検出して出力する音声始端
決定装置に関する。

〔従来技術］ 従来、この種の音声始端決定装置は、まず音声波形の時
間変化に対する撮幅の連続変化をサンプリングして複数
の値の列に変換し、次に、このそれぞれの値を２乗して
音声の短時間エネルギーの値の列に変換する。次に、こ
の短時間エネルギーの値の列において、音声の短時間エ
ネルギーの下限に対応するように予め設定した閾値を上
回る区間を検出し、これを音声区間としていた。

［発明が解決しようとする問題点］ 一般に音声の短時間エネルギーは一つの音声区間であっ
てもなめらかに増減するとは限らず、例えばバースト（
１）ｕｒｓｔ　）のように徐々に増加しつつあったもの
が突然非常に低いレベルまで減少した後再び高いレベル
まで増加するといったことが起こり得る。

このため、音声の短時間エネルギーが複数回にわたって
予め設定してあった閾値を上下することになり、どの区
間を音声区間の始端とするかを一程的に決定してしまう
と正確な音声区間の始端を検出することができない場合
もあり不都合であった。

また、音声入力時における話者の動１ヤや周囲の状況の
変化等により予期しない雑音が音声区間の前後に混入し
た場合は、音声区刑外であるのにもかかわらず短時間エ
ネルギーが閾値を越えることも起こり得るため、やはり
正確な音声区間の始端を検出するのに障害となっていた
。

［発明の目的］ 本発明の目的は上記従来の問題点を解消し、バースト等
を含む音声のように短時間エネルギーに不規則な逆転が
生じたり、予期し得ない雑音が一時的に混入したりして
も、これらのエネルギーの変動の影響を極力低く抑え、
しかも簡潔な短時間の処理により音声区間の始端を検出
することのできる音声始端決定装置を提供することにあ
る。

ｃ問題点を解決するための手段］ 本発明においては、入力された音声の前記短時間エネル
ギーの値の列が所定時間以上連続して第１の閾値を越え
る高エネルギー区間が検出された場合、この高エネルギ
ー区間の存在する時点より以前において前記短時間エネ
ルギーの値の列が前記第１の閾値以下に設定された第２
の閾値を下回る時点を検出し、これらの時点をそれぞれ
始端検出開始時点、終端検圧開始時点として設定する。

次に、前記始端検出開始時点より所定時間だけ時間的に
遡った時点を始端検出区間とし、この区間における前記
短時間エネルギーの値の平均値を算出してこれを第３の
閾値として設定する。次に、前記短時間エネルギーの値
の列が以後再び前記第２の閾値を上回ることなく前記第
３の閾値を下回る時点の検出を前記始端検出区間に限定
して行い、この時点を音声区間の始端として出力する。

［作用］ まず、第１の閾値により前記高エネルギー区間の存在を
確認することにより、音声が通常有する所定レベル以上
のエネルギーの所定時間以上の持続がないような、言い
換えれば、雑音のレベルが一時的に高くなったのに過ぎ
ない区間は、音声区間ではないとして初めから除外して
いる。また、第２の閾値を再び越えることなく、始端検
出区間における短時間エネルギーの値の列の平均値を算
出して設定した第３の閾値を下回る時点を音声区間の９
ｆ５端とすることにより、音声区間内であるのにもかか
わらず、音声の短時間エネルギーが一時的に雑音のみの
区間と同じレベルまで低下した時点を始端とする誤認を
抑えている。また、第３の閾値は、前述したように、処
理を実行する毎に新たに設定されており、音声を発する
話者の個人差や周囲の音響環境の変動等による処理への
影響を低く抑えている。また、始端検出区間を設定して
始端を検出するための処理を実行する範囲を限定してお
り、音声区間外の雑音レベルの変動による音声区間の始
端の誤認を抑えている。

［実施例］ 以下、第１図乃至第５図を参照して本Ｒ明の一実施例を
説明する。

第２図において、話者の発音した音声が収音されるマイ
クロフォン１は、増幅器２を介してＡ／Ｄ変換器３に接
続されている。ここで、増幅器２はマイクロフォン１で
収音した音声のレベルを以後の処理に適するレベルに増
幅するものである。

また、Ａ／Ｄ変換器３は中央処理装置（以下ＯＰＵと称
す）４に接続されている。また、Ｃ，ＰＵ４には各処理
のプログラム等がｍぎ込まれているＲＯＭ（ｉｌみ出し
専用メモリ）５及びＲＡＭ　（Ｍみ出し囚き込み可能な
メモリ）６が接続されている。

ここで、ＲＡＭ６は、Ａ／Ｄ変換器３でサンプリングさ
れた音声波形の振幅値が次々に書き込まれていく振幅バ
ッファ６ａ、前記振幅値の２乗値が書き込まれていく２
乗バッファ６ｂ、前記２乗値に基づいて算出された短時
間エネルギー値が閤き込まれていくエネルギーバッファ
５ｃ、前記短時間エネルギー値が予め設定されている第
１の閾値を下回る２個の時点が書き込まれる第１１！Ｉ
値バッファ６ｄ、前記２個の時点間より時間的に遡る方
向及び時間的に経過する方向のそれぞれに向って最初に
第２の閾値を下回るそれぞれの時点が書き込まれる第２
閾値バッファ６ｅ、始端検出区間における短時間エネル
ギー値が書き込まれる平均値バッファ６１等としてのワ
ーキング用としてはたらくようになっている。

上記構成において、次にその動作を話者が日本語の°か
″を発音した場合について説明する。話者が発音した゛
が″の音声は、まずマイクロフォン１で収音され増幅器
２で適正なレベルに増幅された棲、Ａ／Ｄ変換器３での
サンプリングにより時間変化に対する音声波形の振幅の
変化を示す複数の値の列としてのデータに変換されてＣ
ＰＵ４へ入力される。ここで、第１図ステップ２１で示
ｔＡ／Ｄ変換は４ＫＨ２までの音声波形の情報を得るた
めにサンプリングの定理よりサンプリング周波数を８Ｋ
Ｈｚとして行っている。従って、音声波形の振幅データ
が１秒間に８０００個、言い換えれば１２５マイクロ秒
毎に１個の振幅データが得られ、順次振幅バッファ６ａ
へ書き込まれていく。この各振幅データのうち隣接する
ものをそれぞれ直線で結び、横軸に時間、縦軸に電圧を
とって図示すると第３図＜ａ＞に示すような波形図とな
る。また、このＡ／Ｄ変換は、マイクロフォン１のスイ
ッチがＯＮされたことをＣＰＵ４が検出することにより
開始され、ＯＮされている間実行される。従って、波形
図には音声区間の前後に雑音のみの区間が現われている
。この１２５マイクロ秒毎の振幅データのうちｑ番目の
振幅データをＡ（Ｑ）で表わすことにする。ここで、ｑ
は１からｎまでの整数であり、ｎは振幅データの総数で
ある。また、ｑが１増加すると時間は１２５マイクロ秒
経過する。

次にステップ２２へ進み、ステップ２１で得られたｎ個
の振幅データＡ（Ｑ）のそれぞれを２乗してｎ個の２＠
値５（Ｑ）の算出を行い、順次２乗バッフ７６ｂへ日き
込んでいく。これを式にすると、 ５（Ｑ）−Ａ（Ｑ＞と表わされる。

次にステップ２３へ進み、２乗１ｉ１Ｓ（ｑ）の６４個
毎、すなわち、８ミリ秒毎の和をとり、その区間の中央
の短時間エネルギー１ｉ１Ｅ（ｊ＞としてエネルギーバ
ッフ７６０へ順次書き込んでいく。

これを式にすると、 ｊ と表わされる。ここで、ｊは１から（ｎ／６４）までの
整数をとる。また、前記各短時間エネルギー値Ｅ（ｊ）
の時点に対応させて前記エネルギーバッファ６Ｃのアド
レスを設定し、前記短時間エネルギーＷＥ　（ｊ　）を
指定すれば対応する時点がわかるようになっている。横
軸に時間をとり、縦軸に前記短時間エネルギー値Ｅ　（
ｊ　）をその最大値を基準にして表示すると第３図（ｂ
）のようになる。同図において、前後の低レベル区間は
音声以外の周囲の雑音等の区間であり、もつと時間的に
遡ったり又は８ｉＩ間経過方向へ進んだりして図示され
ていない区間においても音声が入力されていなければ、
ｍ音レベルの変動により多少の上下はあるもののほぼ同
程度の低レベルがそのまま継続している。

次にステップ２４へ進み、ステップ２３で篩用した短時
間エネルギー値Ｅ（ｊ＞の列において、予め設定しであ
る第１のｒｌＡ値Ｔ１−０．１を所定時間以上、本実施
例では１２０ミリ秒以上上回っている区間、すなわち、
第３図（ｂ）において区間ｔ１〜（２の検出を行い、こ
の区間を高エネルギー区間として２個の時点ｔ１．ｔ２
を第１閾値バツフア６ｄへ８き込む。ここで、第３図＜
１）　）に破線で示しである第１の閾値Ｔ１は、一般に
各音声が通常上記所定時間以上維持する前記高エネルギ
ー区間における短時間エネルギー値の下限に対応する値
となっている。

次にステップ２５へ進み、時点ｔ１から時間的に遡って
行き最初に予め設定され、第３図（ｂ）に破線で示しで
ある第２の閾値Ｔ２−０．００４を下回る時点、すなわ
ち、音声区間の始端検出開始時点ｔ３、及び時点ｔ２か
ら時間経過方向へ行き前記第２のＩＪ（ＩＩＩを最初に
下回る時点、すなわち音声区間の終端検出開始時点ｔ４
を第２閾値バツフア６ｅへ書き込む。ここで、第２のｒ
ＡｌａＴ２は、音声区間外においては雑音のレベルが多
少変動してもその短時間エネルギーがこの第２の閾値Ｔ
２を上回ることのないように、音声区間の短時間エネル
ギーの下限値よりやや高く設定しである。

次に、ステップ２６へ進み、前記始端検出開始時点【３
からこの始端検出開始時点し３より所定時間、本実施例
では１４０ミリ秒だけ時間的に遡った時点までをｔｉ３
端検出区間とし、この区間における前記短時間エネルギ
ー値の平均値Ｔ３を算出して平均値バッファ６ｆへ書き
込みこの平均値を第３の閾値Ｔ３として設定する。

次に、ステップ２７へ進み、前記始端検出区間において
、時間的に遡る方向に向って前記短時間エネルギー値が
以後再び前記第２のＩＨＵＴ２を上回ることなくステッ
プ２６において設定され、第３図（ｂ）に破線で示した
第３の閾値Ｔ３を下回る時点ｔ５を検出し、この時点ｔ
５に対応するデータ信号を音声区間の始端として出力す
る。また、終端検出開始時点ｔ４から時間経過方向へ所
定時間、本実ＦＭ＠では１４０ミリ秒だけ経過した時点
までの区間に限定して、時間経過方向に向って以後再び
前記第２の閾値を上回ることなく前記第３の閾値を下回
る時点ｔ６を検出して時点ｔ６に対応するデータ信号を
音声区間の終端として出力する。ステップ２６及び２７
における所定時間は、その時間内に必ず音声区間の始端
又は終端を含むことができるように長めに設定しである
。このようにして音声区間Ｖｌ　（ｔ　５〜ｔ６）が検
出され、この区間は第３図（ａ　）に示されている時間
と音声の振幅との関係を表わす図から判断される音声区
間ともほぼ一致している。

また、日本語の°゛ば″及び“ば″と発音された音声に
対して上述したのと同様な処理を実行した結果を第４図
及び第５図に示す。これらの例においても第３図に示し
た場合と同様に音声区間■２及び３が検出されている。

［発明の効果］ 以上に詳；ホした通り、本弁明に係る音声始端決定装置
は、音声のエネルギーを所定時間ごとの代表値で表ねり
ことにより得られた短時間エネルギーが、例えばバース
トのように音声区間内にＪ５いて一時的に雑音のみの区
間と同じレベルまで低下するようなことがめっても、こ
の影響による音声区間の始端の誤認を簡単な構成により
抑えることができる。また、音声が通常有する所定レベ
ル以上のエネルギーが所定時間以上持続しないような、
言い換えれば、雑音のレベルが一時的に高くなったのに
過ぎないような区間は音声区間ではないとして初めから
各処理の対象から除外しており、また、バースト等のた
めに音声のエネルギーの変動が特に複雑になる音声区間
の前半区間において音声区間の始端を検出する処理の実
行範囲を限定している。従って、音声区間とは無関係な
区間に対してまでも音声区間の始端検出の処理を実行し
て処理時間を増大させてしまうことを防止できるばかり
でなく、音声区間外にあける雑音レベルの変動の影響を
受けて音声区間の始端検出に誤りが発生することの防止
もできる。また、音声区間にあけるエネルギーの下限値
に対応する閾値は、それぞれの音声毎にそのエネルギー
に対応した閾値を新たに設定しているので、周囲の音′
！ｙ：環境の変化や話者の個人差による音声のエネルギ
ーの変動の影響を抑えて安定した音声区間の始端検出を
行うことができる。

【図面の簡単な説明】

第１図は本弁明の一実施例のフローヂＶ−ト、第２図は
そのブロック図、第３図（ａ　）及び（ｂ）は°°が″
と発音した音声に各処理を実行した結果を示す図、第４
図＜ａ　＞及び（ｂ）は°°ばパと発音した音声に各処
理を実行した結果を示す図、第５図（ａ　）及び（ｂ）
は°゛ば″と発音した音声に各処理を実行した結果を示
す図である。 図中、１はマイクロフォン、２は増幅器、３はＡ／Ｄ変
換器、４はＣＰＬＩ、５はＲＯＭ、６はＲＡＭである。

Claims (1)

1. 【特許請求の範囲】 １、音声の時間変化に対する振幅変化をサンプリングし
   て複数の値の列に変換するサンプリング手段と、 前記複数の値をそれぞれ２乗した値の列に変換する２乗
   変換手段と、 前記２乗した値の列を複数のグループに分割してそれぞ
   れのグループの代表値の列に変換する代表値化手段と、 前記代表値の列が所定時間以上連続して第１の閾値を越
   える高エネルギー区間を検出する高エネルギー区間検出
   手段と、 前記高エネルギー区間の存在する時点より以前で前記代
   表値の列が前記第１の閾値以下に設定された第２の閾値
   を下回る時点を検出する手段と、前記代表値の列が前記
   第２の閾値を下回る時点から所定時間遡った時点までを
   始端検出区間として設定する手段と、 前記始端検出区間における前記代表値の列の平均値を算
   出して第３の閾値として設定する閾値設定手段と、 前記代表値の列が再び前記第２の閾値を越えることなく
   前記第３の閾値を下回る時点の検出を前記始端検出区間
   内に限定して時間的に遡る方向へ向って行い、検出した
   時点のデータ信号を音声区間の始端として出力する始端
   出力手段と、 を備えることを特徴とする音声始端決定装置。