JPS6150199A

JPS6150199A - 音声認識装置

Info

Publication number: JPS6150199A
Application number: JP59171623A
Authority: JP
Inventors: 西沢　靖雄
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1984-08-20
Filing date: 1984-08-20
Publication date: 1986-03-12

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】〔発明の利用分野〕本発明は音声認識装置に関するものである。

〔発明の背景〕

近年、各種機器におけるマン・マシンインターフェース
の方法として、音声による入力、出力の重要性が高まっ
ている。

音声は空気中を伝わる弾性波である。音声認識は人間の
可聴範囲である１６ヘルツから２０にヘルツまでの周波
数領域の波動の強度分布とその時間変化のパターンを識
別することである。

現在一般的に使用されている音声認識装置では、あらか
じめ計算機に記憶させたパターン（標準パターン）と、
認識したいパターン（入カバターン）とをパターンマツ
チングによシ照合する方法をとっている。ここに、標準
パターン、入カバターンは、周波数１時間をいくつかの
領域に区分し、音声を時間、周波数に関する強度マツプ
として表わしたものである。パターンマツチングには通
常］）　ｐ　（ｉ）ｙｎａｍｉｃ　ｐｒｏｇｒａｍｍｉ
ｎｇ　）−ｒツチングが用いられる。ＤＰマツチングは
多段決定過程の最適化に使用する、数理計画法の一手法
である。この手法を用い、た音声認識に関する文献を下
記に示す。

参考文献：迫江、「連続発声した単語音声を効率的に認
識する２段ＤＰマツチング」二日経エレクトロニクス、
１９８３年１１月７日号ｐ１７１〜２０８このＤＰマツチングを用いた音声認識法には以下に示す
問題点がある。

ａ）　標準パターンとして、時間９周波数に関するマツ
プを使用するために１データ量が多い。

（２）時間１周波数に関する二次元データのマツチング
であるために、処理時間が長い。

（３）　　データ量が多く、かつ処理時間が長いために
、認識できる語数が制限される。

（４）時間０周波数に関する強度マツプの、大まかな特
徴と、細かな特徴を一括してマツチングしているため、
同じ音声（単語、音素等）でも、話者の違いや、話者の
生理的、心理的状況（かぜをひいている、うわずってい
る等）Ｋよる微妙な違いの影響を受けやすく、認識率が
低い。

〔発明の目的〕

本発明の目的は、上記した従来技術の問題点を解決し、
データ量の少ない、処理時間の短い、認識語数の多い、
認識率の高い音声認識装置を提供することである。

〔発明の実施例〕

以下、実施例によυ本発明の詳細な説明する。

第１図に、本発明の音声認識装置の構成を示す。

本装置においてはまず、入力手段１（マイク）によυ入
力した音声を分析手段２（バンドパスフィルタ）を用い
て周波数領域別のデータに分離し、その時系列データを
記憶手段３上に強度マツプとして貯える。強度マツプは
、時間８周波数領域ごとの音声の強度を表わす２次元配
列データである。

強度マツプの構造を第２図に示す。第２図においてｉ、
ｊはそれぞれ周波数１時間に関する領域番号を示す添字
であシ、周波数領域１１時間領域ｊに属する音声強度を
ａｌｌで表わす。

ついでこの強度マツプを規格化装置４を用いて時間１強
度に関して規格化し、規格化した強度マツプの特徴を特
徴抽出手段５によシ抽出し、この特徴を特徴符号化手段
６によシ符号化する。ここで特徴は、強度分布に一関す
る概略的な特徴から屓次詳細な特徴へとクラスを分類す
る。また、符号化は、分類した各クラスごとの特徴を一
括してビットパターンで表現する。６−１．６−２．・
・・・・・６−ｍはこのようにして得られる、各クラス
ごとの特徴を表わすビット配列である。強度マツプの特
徴抽出とそのクラス分けおよび符号化の例を下記に示す
。

（１）　　クラス−１強度マツプ全体に関する平均および分散を特徴値とする
。強度マツプを第２図のように表現した場合、平均およ
び分散はそれぞれつぎの式％式％ μは音声（単語又は音素）全体としての平均強度を表わ
す。μの値を８つのレベルに分けた場合、この特徴は３
ビツトの０．１パターンで表現できる。σ２は音声全体
としての強度の広がシラ表わす。σ２ｔ−４つのレベル
に分けると、この特徴は２ビツトの０．１パターンで表
わされる。

（２）クラス−２強度マツプを、つぎの式（３）および（４）によシ、時
間１周波数について平均化した量について平均および分
散をとる。

ｔＪ＝　Σａ　１１／　Ｉ　　　　　　　　・・・・・
・・・・・・・（４）ｆ、は音声全体としての、強度の
周波数分布を、またｔｌは、強度の時間変化を表わす。

りぎに時間および周波数をいくつかの領域（２，３・・
・・・・８）に区分し、各領域内でのｆｌ、ｔ、の平均
１分散をとシ、その値に応じてレベル区分する。−例と
して、時間領域区分ｔ−２とした場合の、第１領域、第
２領域での１．の平均はつぎの式（５）で表わされる。

μｍ１”　　Σｉ」／Ｊｔ　　　　　　・・・・・・・
・・・・・（５）ｌ−１ここにＪｌは、領域区分点でアシ、第１領域内のｊの最
大番号である。μｔ１の値を２つのレベルに区分する。

すなわち、あるしきい値よシ大きいか小さいかで区分す
れば、特徴値は１ビツトを用いて、１かＯかのいずれか
で表わされる。

（μｔｌ、μ、２）の組み合せについては、２ビツトに
よシ表現できる。

（３）クラス−３強度マツプを時間１周波数に関していくつかに領域区分
し、各領域内での強度の平均９分散をつぎの式（６）、
　（７）で求める。

ここに、ｋ、ｔは周波数１時間に関する領域番号を表わ
す。また、ｋｌ　＃　ｋｌおよびｔ１ｓｔ２は、各周波
数１時間領域内でのｉ、ｊの最小、最大番号を、Ｋ、Ｌ
は各領域内でのサンプル数である。すなわち、Ｋ＝ｋｚ　　　（ｋｔ−１）Ｌ＝ｔ２　−　（Ａｔ　　−１）例として、時間、波波数領域数をそれぞれ２トシ、μに
４　　の値を２つのレベルに区分すれば、領域数は合計
４となシ、このそれぞれの領域内でのレベル区分を１．
０で表わすことができる。

すなわち、特徴を４ビツトで符号化することができる。

以下、順次特徴データを詳細化し、符号化することによ
り、音声の特徴をクラス分けしてピットパターンで表現
する。

このようにして符号化した音声の特徴を特徴データファ
イル７に登録し、標準パターンとする。

７−１．７−２．・・・・・・７−ｎはそれぞれ特定の
単語又は音素に関する特徴値を符号化したピット配列の
セットである。なお１０は標準パターンを登録する登録
モードと、入カバターンを認識する認識モードとの切替
スイッチである。

認識手段８は、与えられた入カバターンを標準パターン
と比較照合することにより認識し、結果を出力装置９に
出力する。ここで、認識手段８における入カバターンと
標準パターンとの比較照合は概略パターン（先の例にお
けるクラス−１のパターン）から開始し、順次詳細パタ
ーンへと進める。このようにして段階的にパターンを比
較照合することにより、概略的なパターンのみで入力音
声を同定できる場合には、それ以上詳細なパターンを調
べる必要はない。

第３図に認識手段８の内部構成を示す。第３図において
１０は、入力音声のクラス−１の特徴を標準パターンと
比較照合する手段である。１２は検索処理部、１３は判
定処理部、１４はメモリである。検索処理部１２は、特
徴データファイルに格納されたレベル−１データのうち
、特徴符号化手段６よシ転送されるレベル−１データと
一致ｆるものを検索し、そのデータの番号（第１図にお
ける、７−１．７−２、等に対応するインデックス）を
メモリ１４に書き込み、判定処理部１３を起動する。判
定処理部１３はメモリ１４に貯えられたデータ数を調べ
、データ数が０．ｌ、複数のいずれであるかを判定し、
それぞれつぎの処理を実行する。

（１）データ数０特徴データファイルには、人力音声に該当するデータが
ないので、出力装置９に、該当データなしとのメツセー
ジを送る。

（２）データ数１唯−解が得られたものとして、結果を出力装置９に送る
。

（３）複数クラス−１データの比較だけでは、入力音声を特定でき
ないので、クラス−２の比較照合手段１１を起動する。

以上同様にして順次クラス−３，４・・・・・・と特徴
データを詳細化しつつ入力音声を同定するステップを進
める。

このようにして段階的にパターンを比較照合する方法を
とれば、概略的なパターンのみで入力音声を同定できる
場合には、それ以上詳細なノ（ターンを調べる必要がな
い。

以上に述べた、本発明の音声認識装置には以下のントリ
点がある。

（１）　　標準パターンがビットパターンに符号化すれ
ているために、データ量が少ない。

（２）　　入カバターンと１照準パターンとの比較が、
ビット比較のみで可能であり、かつ、上記したように、
概略パターンのみで入力音声を同定できる場合には、そ
れ以上詳細なパターンを調べる必要がないので、処理時
間が短い。

（３）データ量が少なく、かつ処理時間が短いために、
認識語数を多くできる。

（４）音声の大まかな特徴を、細かな特徴から分離し、
クラス分けしてマツチングできるので、話者の違いや、
話者の生理的、心理的状況による微妙な違い（細かな特
徴）の影響を受けにくく、認識率を高くできる。

以上述べたごとく、本発明の音声認識装置によれば、デ
ータ量の少ない、処理時間の短１ハ、認識語数の多い、
認識率の高い音声認識装置を実現することができる。

【図面の簡単な説明】

第１図は本発明の廿声認識装暇の構成図、＠２図は時間
１周波数領域ごとの音声の強度を表わす２次元配列デー
タの説明図、第３図は、第１図における認識手段８の内
部構成を示すブロック図である。第１図において、１は
入力手段、５は％微抽出手段、６は特徴符号化手段、８
は認識手段、９は出力手段である。

Claims

【特許請求の範囲】

１、音声の特徴を、領域区分した時間、周波数領域内で
の平均、分散等の特徴値として抽出する特徴抽出手段と
、上記特徴を詳細度に応じてクラス分け、符号化する特
徴符号化手段と、クラス分け、符号化された特徴データ
を標準パターンとして格納する特徴データファイルと、
入力音声を標準パターンと比較照合することにより認識
する認識手段とを有し、該認識手段において、入力音声
の符号化された特徴データと、特徴データファイル上の
符号化された標準パターンとを、クラスに応じて概略パ
ターンから詳細パターンへと順次比較照合して入力音声
を同定することを特徴とする音声認識装置。