JPS6180298A - 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５明は音声認識装置に関する。

従来例の構成とその問題点 人間にとって最も自然な情報発生手段である音声が、人
間−機械系の入力手段として使用できれば、その効果は
非常に大きい。

従来、音声認識装置としては特定話者登録方式によるも
のが実用化されている。即ち、認識装置を使用しようと
する話者が、予め、認識すべきすべての単語を自分の声
で特徴ベクトルの系列に変換し単語辞書に標準パターン
として登録しておき、認識時に発声された音声を、同様
に特徴ベクトルの系列に変換し、前記単語辞書中のどの
単語に最も近いかを予め定められた規則によって計算し
、最も類似している単語を認識結果とするものである。

ところが、この方法によると、認識単語数が少いときは
良いが、数百、数千単語といったように増加してくると
、主として次の三つの問題が無視し得なくなる。

（１）登録時における話者の負担が著しく増大する。

（２）認識時に発声された音声と標準パターンとの類似
度あるいは距離を計算するのに要する時間が著しく増大
し、認識装置の応答速度が遅く々る。

（３）前記単語辞書のために要するメモリが非常に大き
くなる。

以上の欠点を回避するだめの方法として認識の単位を子
音士母音および母音の単音節（以後それぞれＣＶ、Ｖで
表す。Ｃは子音、■は母音を意味する。）とする方法が
ある。即ち、標準パターンとして単音節を特徴ベクトル
の系列として登録しておき、認識時に特徴ベクトルの系
列に変換された入力音声を、前記単音節の標準パターン
とマツチングすることにより、単音節の系列に変換する
ものである。日本語の場合、単音節はたかだか１０１種
類であり、単音節は仮名文字に対応しているから、この
方法によれば、日本語の任意の単語あるいは文章を単音
節列に変換する（認識する）ことができ、前記（１）〜
（３）の問題はすべて解決されることになる。しかし、
この場合の問題として調音結合とセフメン１チージヨン
がある。調音結合は、音節を連続して発声すると各音節
は前後の音節の影響を受け、スペクトル構造が前後に接
続される音節によって変化する現象である。セグメンテ
ーションは、連続して発声された音声を単音節単位に区
切ることであるが、これを確実に行う決定的な方法は未
だ見出されていない。この２つの問題を解決するために
、現在のところ各単音節を区切って、発声することが行
われており、実用化されている装置もある。

第１図は学音節音声認識をパターンマツチングで行う装
置の一般的な補正である。１０１は音声信号の入力端子
である。１０２は特徴抽出部であって、入力音声信号を
、フィルタバンクやＦＦＴ。

ＬＰＣなどにより分析し、数ミリ秒毎に特徴ベクベき単
音節音声を同様な手段によって特徴ベクトルの系列に変
換したものを各音節に対する標準パターンＲｎ−ｂ？、
す・・・・・・ｂｎＩ・・・・・・ｂｔｎ（ただし、ｎ
−１，２，・・・・・・、Ｎ：Ｎは標準パターンの数）
として記憶する部分である。１０４はパターン比較部で
あって、特徴抽出部１０２の出力である入力パターンＡ
と、標準パターン記憶部１０３に記憶されている夫々の
標準パターンＲｎ　を比較し、両者の距離Ｄ（Ａ、　　
Ｒｎ）を算出する。１０５は判定部であって、ｎ＝　ａ
ｒｃ４ｍｉｎ　（Ｄ　（Ａ、　Ｒｎ）　〕により、入入
力ターンに最も近い標準パターンＲｎを判定する。

ｚ＝ａｒｇｍｉｎ［ｆ（ｚ）：］はｆ　（Ｚ）を最小に
する２を２とするという意味である。１０６は判定結果
を単音節認識結果として出力する出力端子である。パタ
ーン比較部１０４におけるパターン比較は、動的計画法
を用いた所謂ＤＰマツチングや線形シフトマツチング等
がよく用いられる。また、先ず母音を認識して候補母音
段を決定してから、その母音段に属する標準パターンを
用いて子音部を認識することにより、認識率とマツチン
グの速度を向上させているのが一般的である。

しかし、単音節音声は、持続時間が短かく、「シ」、「
チ」等子音部の微妙な差によって区別しなければならな
いものが多く、単語音声のように高い認識率を得るのが
困難である。

この問題を解決するために、単語辞書を用いる方法が考
えられている。第２図はその例である。

同図において、第１図と同一の番号を付したブロックは
、第１図と同一の動作を行う。１０７は単語辞書で、認
識すべき単語ＷＱ（、／＝１．２．・・・・・・。

Ｌ：Ｌは登録単語数）が単音節に対応する記号列が−ｓ
”、ｓ”・・・・・・８隻・・・・・・Ｓ、”１（ＳＭ
は単語−のに番目の音節）として記憶されている。１０
８は単語比較部であって、入力単音節列Ｔ−Ａ１．Ａ２
・・・・・・Ａｍ・・・・・・ＡＭ（Ｍは入力単語の音
節数）であるとき、入力単語の音節数に等しい音節数の
単語辞書１０７に記憶されているｗ”　−ｓ’４’　、
　ｓ”、’・・・・・・５１５Ｉ′（−′は音節数Ｍの
単語）に対し、パターン比較部１０４で算出された距離
Ｄ　（Ａｍ、　Ｓ五’）から各ｌ′について を算出する。１０９は判定部であって、なる↑・を求め
、−′を認識単語と判定する。

１１０は認識された単語を出力する出力端子である。

以−ヒのように、単語辞書の知識を用いれば音節のみで
なくその絹合せである単語全体としての妥当性を考慮す
ることになるので、認識率は向上する。まだワードプロ
セッサへの入力を考えるとき、前記単語辞書は仮名漢字
変換を行うだめの辞書を共用することができ、単語辞書
は音声認識用として特別に準備する必要はない。

しかし、単語辞書の単語数は通常３万以上にもおよび、
単語比較部１０８における計算量が無視できなくなる。

前以って母音系列を認識して最終的に照合すべき単語を
限定することによってこの問題を解決する装置が特願昭
５８−１４３１８１号明細書に述べられている。

即ち、入力音声信号を特徴ベクトルの系列に変換する手
段と、入力音声信号を音節毎に区切る手段と、前記特徴
ベクトルの系列から前記各音節の後続母音を認識する手
段と、前記後続母音列と同じ後続母音列を有する単語あ
るいは文節の音節列を記号列として得る手段と、前記記
号列と前記入力音声信号から得られた音節列とをマツチ
ングする手段と、このマツチングの結果、前記入力音声
信号に最も近い前記単語あるいは文節を前記入力音声に
対応する認識結果と判定する判定手段とを備えた音声認
識装置である。

このようにすると、例えば、４音節の単語の場合、母音
の出現確率が等しいとすれば、ある特定の母音列の生ず
る確率は（１／ｓ）’＝１／６２５となり４音節の単語
１万語あるとすれば、ある特定の母音列に対応する４音
節語は１６語となり、実際に比較計算をしなければなら
ない単語は激減する。余裕をみて、第２候補の母音を勘
定に入れるとしても（２１５）、１／３９となり、同様
に４音節の単語が１万語あるとすれば、比較計算をすべ
き４音節語は２６６語となり、大幅に減少する。さらに
促音や撥音も上記母音同様に処理することにすれば、さ
らに比較計算を減少させることができる。これ１゜ ら旬音や促音、撥音等の認識１ｄはぼ完全に行われるの
で、計算量の減少のみでなく認識率自体も向上する。

以上の方法は、各単音節を離散的に（区切って）発声す
る場合にはそのまま適用できるが、単音節の離散発声に
より日本語の文章を入力するのは、話者によって緊張を
強いるものであり、連続発声により入力できることが望
ましい。

連続発声された場合でも、各単音節をその音声から分離
することができれば、前記の方法を適用することは可能
である。しかしながら、連続的に発声された音声から各
音節の区切りの検出を高糖発明の目的 本発明は、単語または文節の単位で連続発声された音声
を認識する音声認識装置に関し、より詳細には、単語辞
書とのマツチングの速度を向上せしめることを目的とす
る。

発明の構成 本発明は、連続して発声された音節列に対しても、前記
従来例と同様に認識すべき単語を構成する各音節の後続
母音列を先ず認識し、最終的にマツチングすべき単語の
候補を絞り、認識処理の速度を」二げると共に認識率の
向上も果さんとするものであって、入力音声信号を特徴
ベクトルの系列に変換する特徴抽出手段と、前記入力音
声信号の定常点を抽出する定常点抽出手段と、抽出され
たそれぞれの定常点を母音と見做して、母音標準パター
ンと比較などして前記定常点の特徴ベクトルの各標準パ
ターンに対する距離または類似度を算出し、その距離ま
たは類似度に基づいて前記各定常点の母音認識を行う母
音認識手段と、前記母音認識手段で得られた母音系列の
うち前記各母音認識結果がもつ前記距離捷だは類似度と
距離または類似度に関して予め定めた閾値とを比較して
、距離が閾値よりも小、または類似度が閾値が大なる母
音認識結果のみを出力する閾値判別手段と、単語辞書の
マツチングすべき単語または文節を構成する後続母音列
のうち、前記閾値判別手段で得られるｔＵ音音列列含む
単語１ｆｒｌＪ：文節を構成すを後続母音系列を予備選
択する旬刊系列予備選択手段と、前記母音認識手段で得
られた前記距離または類似度に基づいて、前記母音系列
予備選択手段で得られた母音系列と前記定常点の特徴ベ
クトル列との比較を行い、両者の系列としての距離また
は類似度を算出して、その結果距離が最小（類似度が最
大）となる母音系列を見出すと共に前記定常点のうち各
母音に対応する定常点を判定する母音定常部判定手段と
、この母音列に対応する各単語またＩＩ−ｊｉ文節に対
応するＶ、ＣＶ、ＶＶ、ＶＣＶ（■は母音、Ｃは子音）
等の音節標準パターンの結合と前記入力パターンとの距
離捷たは類似度を算出して得られる距離の最小値（類似
度の最大値）を与える単語１だは文節を認識結果として
判定する判定手段とを含むものである。

実殉例の説明 以後、「単語」という言葉は１文節」という言葉も代表
するものとする。−１だ、「類似度」は「距離」で説明
する。即ち、距離が最小とは類似度が最大ということで
ある。

発声された単語音声からその単語を構成する各単音節の
境界を精度よく検出するのは大変困難であるが、本発明
の基本的な原理はスペクトルの定常な点の検出はほぼ確
実に行うことができ、各母音の中心フレームは必ずスペ
クトルの定常点付近にあるということ、まだ各母音の認
識は必ずしも完全ではないが、かなり高精度で認識でき
るという事実に基づいている。

入力音声パターンにおいて定常となり得る点くフレーム
）は、母音、有声子音、摩擦子音その他であるが、各母
音の中心フレームは、はぼ確実にこの定常点に含まれて
いると見做して差支えはない。そこでどの定常点が母音
として最も妥当で距離が予め定めた閾値よりも小さい母
音については、それらの結果を正解母音であると見做し
て、単語辞書の各単語に対応した母音系列のうちから、
前記正解母音の系列を含む前記母音系列のみを予棚選択
して母音系列の候補を絞り、前記予備選択された母音系
列と前記定常点に対応する特徴ベクトルを母音として認
識した結果得られる母音系列との距離を周知のＤＰマツ
チングにより求め、最も距離的に小さい母音系列を入力
単語音声の母音系列とし、このとき得られるマツチング
経路上で、前記旬刊系列標準パターンのそれぞれの母音
に対応する前記定常点をその母音に対する定常点とすれ
ばよい。このようにすることによって、前記母音以外の
定常点は排除され、入力パターンに対する正しい母音系
列を決定することができる。このようにして入力パター
ンに対応する母音系列が得られると、単語を構成する単
音節の後続母音の系列が前記入力パターンに対応する母
音系列に等しい単語が最終的な認識候補単語として選ば
れるのであって、前記説明によりその数は大幅に減少す
る。この選ばれた単語について次のようなマツチングを
行う。

チングすべき単語はｗ”−ｃｊｖ１ｃｊｖ２・・・・・
・Ｃ４ｖＭである。ただしＣ譬　は、第１単語を構成す
る第１番の単音節の子音であって、ｃ８ｖ、が単母音の
場合ハＣ♀■、−ｖ１．マタ■、Ｃ仏ｖ、＋１力２重母
音ノ場合ハｖｔ　Ｃｙ＋１”ｉ＋１　＝ｖ、　”ｉ＋１
　テ表現ｔ　ルモ（’）　（！：　スる。このとき、入
力パターンと単語Ｗ”とのマツチングは次のようにして
行うことができる。即ち、前記の如くして求められたｉ
番目の母音中心フレームからｉ＋１番目の母音中心フレ
ームの入力パターンの部分パターンをＡ（ｉ、　　ｉ＋
１）（ただしＡ（ｏ、１）は語頭から１番目の定常点ま
での入力パターンの部分パターンとする）、前記４番目
の単語Ｗ”のｉ番目の母音を先行母音とし、ｉ＋１番目
の母音を後続母音とし、ｉ番目とｉ＋１番目の母音で挾
まれる子音ＣＬ１　を先行母音と後続母音で挾捷れる子
音とするＶＣＶ音節標準パターンをＢ”（ｉ、ｉ＋ｉ）
（ただし、Ｂ（ｏ、１）は前記単語の１番目のＣＶまた
は■音節標準パターンとする）とし、前記部分パターン
Ａ（ｉ、ｉ＋１）と前記標準パターンＢ”（ｉ、ｔ＋１
）　との距離をＤ（Ａ（ｉ、ｉ＋１）、Ｂ　　（ｉ＋ｉ
＋１））とすれば、入力パターンＴと単語がの距離ＤＷ
（Ｔ、Ｗ”）をＤＷ（Ｔ　、Ｗ”　）−ｒ　Ｄ　（Ａ（
ｉ　、ｉ＋１　）、Ｂｆｌ（ｉ　、ｉ＋１　）　）ｉ−
０ で定義し、 ′−°′テ”ｎ　（Ｄｗ　（Ｔ・Ｗ））オオや、工おＪ
軸ユ、よよオ、、。資、０ここで、Ｄ（Ａ（ｉ、ｉ＋１
）、Ｂ（ｔ、ｉ＋１））は入力パターンの部分パターン
と各音節を構成する特徴ベクトルの系列同志の距離とし
て周知のＤＰマツチングにより計算される。

以上の原理に基づく本発明の一実施例を図面と共に説明
する。

第３図は本発明の一実施例を示すブロック図である。１
は音声信号の入力端子、２は特徴抽出部であって、例え
ば２ｏチヤネルのフィルタパンクを用い、１フレームを
１０ｍ５ｅｃとすれば、その出力には１０ｍ５ｅｃ毎に
２０個の数値（特徴ベク！トル）が得られる。３は振幅
正規化部であ−て、１７、 入力音声信号のレベル変動の影響を除去するために、前
記特徴ベクトルの絶対値を一定の値にする為のものであ
る。例えば入力の第ｉフレームがａｉ−（ａｉ１＋”ｉ
２＋・・・・・・＋ａｉｎ）　　であるとすれば、正規
化後のベクトルａ・　は、 に−１昌ａ、”＋ａ、、、”＋丁−二７７−　と置けば
、→　　　　　　　　　　　　　　　　　　”１ｎａｉ
′−（−［、］ｃ、・・・・・・、−７−）等とするこ
とができる。４は定常点抽出部であって、入力の特徴ベ
クトルの系列から入力音声信号のスペクトルの定常なフ
レームを抽出するものである。これはフレーム毎に前後
数フレームのスペクトルの分散ヲ求め、この分散が極小
になるフレームとして検出できる。即ち、各フレームに
対し前後Ｎフレームについて分散σ１を求める場合は、
第ｉフレームの特徴ベクトルを前記ａｉ　とすれば、の
ように定義することができる。

６は母音標準パターン記憶部であって、各母音（撥音も
含む）に対応する特徴ベクトル（スペクトル）が記憶さ
れている。これは予め話者が発声した母音音声に特徴抽
出部２及び振幅正規化部３での処理を施した後、その定
常部の特徴ベクトルを抽出したものである。６は母音認
識部であって、入力音声パターンのそれぞれの定常フレ
ームの特る母音を母音認識結果として記憶する。ベクト
ル間距離としては周知のユークリッド距離、市街地距離
等が使用され得る。第４図はこの母音認識の様子を示し
ている。ｂ１〜ｂ６は母音／ａ／〜／Ｎ／に対応する特
徴ベクトル、１〜ｆは入力音声の定常点に対し語頭側か
ら順次付された番号、ｄ（ｉ、’ｊ）は母音標準パター
ンｂ、　　と第１番の定常フレ・− レタムの特徴づクトルとのベクトル間距離であって、例
えば、定常点１の欄においてｄ（１，ｓ）が最小であれ
ば定常点１は／ｕ／と認識される。７は母音系列辞書で
あって、単語辞書を構成する各単語の単音節の後続母音
の系列が記憶されている。

例工ば、「オオサカ」「トヨナカ」「ヨコノ・マ」等の
単語に対する母音系列は１０／１０／／ａ／／ａ／であ
る。８は閾値判別部であって、前記母音認識結果のもつ
前記ベクトル間距離と予め定めた閾値とを比較して、前
記ベクトル間距離が閾値よりも小さい前記母音認識結果
のみを予備選択部９に送出する。例えば前記の例で、母
音系列１０／１０／／　−／／　−／のもつ前記ベクト
ル間距離をそれぞれｄ（１１５）ｌ　ｄ（２１５）ｔ　
ｄ（３，１）ｌ　ｄ（４１１）とし、ｄ（２，ｃｓ）と
ｄ（３，１）が閾値δよりも小さく、ｄ（１，５）とｄ
（４，ｅｉ）が閾値δよりも大きいとすれば、前記ベク
トル間距離ｄ（２゜６）とｄ（３，１）に対応した母音
１０／と／ａ／が、この順序で予備選択部９に送出され
る。９は予備選択部９であって、前記閾値判別手段８か
ら語辞書のマツチングすべき単語を構成する単音節の後
続母音系列から予備選択する。例えば、前記の例で、母
音系列１０／と／−／をこの順序で含む母音系列、例え
ば、１０／１０／／ａ／／ａ／（オオサカ等）、／ａ／
／−／１０／／ａ／　（タカ才力等）や１０／／ａ／１
０／／ａ／／ｉ／　（）マコマイ等）等の母音系列が予
備選択され、／Ｌ／／−／／ｉ／／ｕ／／ｉ／／ｕ／（
キタキュウシュウ等）等の母音系列は除外される。１０
は母音系列間距離計算部であって、前記予備選択部９で
予備選択された母音系列と前記定常点フレームに対応す
る母音系列との距離をＤＰマツチングにより求める。

第６図は、その様子を説明する図であって、ｂは「ヨコ
ハマ」と発声した場合の電力波形と各音韻との対応を示
し、「。」は定常点を示している。

この例では母音部は必ず定常となっており有声子音／ｍ
／も定常点となっており、母音として、例えば／ｕ／と
して認識されている。ａはこの定常はＤＰマツチングを
行う際のマツチング経路の拘束条件の例を示す。マツチ
ング経路の荷重和が入力パターンの定常点数のみに依存
するようにすれば、（イ）に対する漸化式は 初期値　（Ｊ（１１１）−ｄ’　（１１１）（ロ）に対
する漸化式は 初期値　ｑ（１，１）−ｄ′（１，１）で表わされる。

ｄ’（ｉ、ｊ）は入力音声の第ｉ定常点の母音認識結果
をＶｔ　＋　　マツチングすべき母音２２、 する特徴ベクトルｂｖ、との距離として定義できる。

あるいは簡単には、Ｖ　１−Ｖ　ｉのときｄ’（ｉ、ｊ
）＝１゜Ｖｉ笑ｖ３のときは”（’＋１）−〇と定義で
きる。

（イ）は入力音声の定常点が最大２つ連続して飛ばして
マツチングされ得ることを意味し、（ロ）はさらに標準
パターンの特徴ベクトルが一つ飛ばしてマツチングされ
得ることを意味している。即ち、（イ）は母音でない定
常点が最大２つ連続して挿入される場合を許し、（ロ）
は加うるに母音として検出されるべき定常点が１つ脱落
する場合を許すということである。また、前記漸化式に
おいて、ｃｙ（ｉ、５）は格子点（ｉ、Ｎまでの始点（
１，１）から最適の（ｃｒ（ｉ、ｉ）の最小値を与える
）マツチング経路に沿う累積距離である。（イ）、（ロ
）は単に経路制限条件の一例に過ぎず、他にも種々前え
られ得るのであって、本例は本発明を限定するものでは
ない。結局、前記定常点母音系列と母音辞書の母音系列
との距離は、定常点の数を■、マツチングする母音系列
の母音数を工とするとｑ（Ｉ、Ｊ）′ｊ−ｊ）ｒ与えら
れる。

ａは「ヨコハマ」と発声した入力音声の定常点列と母音
系列１０／１０／／ａ／／ａ／をマツチングする場合の
一例であって、（１ｏｏ）は選ばれた経路で、有声子音
／ｍ／の飛ばされている様子が示されている。この経路
が求まれば、入力音声の各定常点が如何なる母音と見做
すべきか決定できる。１１は以上のようにして求められ
た各母音列に対するｑ（Ｉ＋’）のうち最小値を与える
母音列を判定し記憶する母音系列判定・記憶部である。

１２は判定された母音系列に対応して入力音声の定常フ
レームの位置を記憶する母音定常フレーム記憶部である
。１３は単語辞書であって認識すべき単語が記憶されて
いる。１４は電力計算部であって、入力音声信号の電力
を求める。１６は音声区間検出部であって、入力音声電
力の大きさから入力単語音声の始端、終端を検出する。

１６はバッファメモリであって振幅正規化部３で振幅正
規化された入力音声パターンを前記音声区間検出部１６
の出力に従って前記始端から終端まで一時的って、Ｖ、
ＣＶについては語頭から後続母音の定常部まで、ＶＶ、
ＶＣＶについては先行母音の定常部か後続母音の定常部
まで、それぞれ対応する特徴ベクトルの系列を記憶して
いる。この特徴ベクトルは予め話者の発声したＶ、　　
ＣＶ、　Ｖ　Ｖ、　ＶＣＶ音声に特徴抽出部２．振幅正
規化部３で行うのと同様な処理を行って得られたもので
ある。１８は単語辞書１３で指定される前記音節標準パ
ターンのそれぞれと、バッファメモリ１６の入力音声パ
ターンとのＤＰマツチングを、母音定常部記憶部１２に
記憶されている入力音声パターンのフレームを始端ある
いは終端としてマツチングする単語間距離計算部である
。即ち、前記１０〃ｏ／／／ａ／／ａ／の母音系列に対
しては「オオサカ」「ヨコハマ」「トヨナカ」等の学語
とマツチングすることになるが、例えば、「ヨコハマ」
とマツチングするときは、音節標準パターン記憶部１７
に対しては、／ｙ　ｏ　／／　ｏ　ｋ　ｏ／１０　ｈ　
ａ　／／ａ　ｍ　ａ／なる音節に対する標準パターンが
選択され、バッファメモリ１６の出力の始端から第１の
定常点までは／ｙＯ／の標準パターンと、第１の定常点
から第２の定常点までは１０　ｋ　ｏ　／の標準パター
ンと、第２の定常点から第３の定常点までは１０　ｈ　
ａ　／の標準パターンと、第３の定常点から第４の定常
点までは／ａｍａ／の標準パターンとマツチングするこ
とになる。第６図はこの様子を例示するものである。

ａは入力パターンの定常点から定常点までと、標準パタ
ーンとのマツチングの様子を示しており、横軸は入力パ
ターン、縦軸は標準パターンである。

１０１は入力パターンの電力を示し、１００は標準パタ
ーンの電力を示す。

１０２．１０３は入力パターンの定常点を示す。

前記「ヨコハマ」とマツチングする例では、１０２を第
２の定常点、１０３を第３の定常点とすれば、１００は
１０　ｈ　ａ　／に対する標準パターンということにな
る。１０４はマツチング経路である。ｂはマツチング経
路の拘束条件の例である経路上に示した数字はその経路
に沿う重みであり本例では荷２６、（ 次のようになる。

Ｃ１ｎ（１１１）＝ｄｎ（１１１） Ｄ（Ａ（ｉ　＋　ｉ＋１）、ＢＱ（ｔ　＋　ｉ＋１））
＝ｑｎ（Ｐ＋ｏｎ）ただし、Ａ　（ｉ　、　ｉ＋１　）
、　　Ｂ’（ｉ　、　ｉ＋１　）は前記記法に従い、ｐ
は入力パターンの部分パターンＡ（ｉ、Ｌ＋１）の定常
点ｉのフレームを１とするときのフレーム番号、ｑは標
準パターンＢμ（ｉ、ｉ＋１）のフレーム番号、ＰはＡ
（ｉ、ｉ＋１）のフレーム数。

ＱｎはＢ！ｌ（ｉ　、　ｉ＋１　）のフレーム数、ｎは
Ｂ”（ｉ。

ｉ＋１）に対応する標準パターンの番号１　　ｄｎ（Ｐ
Ｉｑ）はＡ（ｉ、ｉ＋１）の第ｐフレームの特徴ベクト
ルと、Ｂ′！（ｉ、ｉ＋１）の第ｑフレームの特徴ベク
トルとのベクトル間距離である。ここに示した漸化式も
一例にすぎず、他にも種々考えられるのであ離Ｄ（Ａ（
ｉ、ｉ＋１）、Ｂ　　（ｉ、ｔ＋１）から単語ＷαＱ　
　　　・ に対する入力パターンＴの距離 が求められる。１は判定部であって、以上の如く求めら
れたＤｗ（Ｔ、Ｗ’）のｌに関する最小値ｌを求め、Ｗ
↑を認識結果とするものである。２０は出力端子である
。次に語中に促音を含む場合について説明する。

音声区間検出部１６は、音声区間を検出すると共に促音
の検出も行う。即ち、無音が例えば２５０ｍ　ｓ　ｅ　
ｃ以上続けば入力音声が終了したと見做し、無音区間が
１００　ｍ５ｅｃ　−２５０ｍ５ｅｃのときは促音と見
做すことができる。促音を検出することによって、マツ
チングすべき単語辞書の単語をさらに限定することがで
き、信頼性および処理速度の向上をはかることができる
。即ち、母音系列辞書は促音を含んだ形で構成されてお
り、促音が検き母音列として選ばれる。母音系列判定記
憶部１１では促音を含んだ形で最適にマツチングされる
母音系列が記憶される。従って、単眼辞書１３における
単語は、促音を含んだ形での母音系列で限定される単語
が最終的に単語間距離計算部１８でマツチングされる対
象となる単語として選ばれる。

単語間距離計算部１８では、促音が検出される毎に語頭
あるいは一つ前の促音終了後のフレームからのＤＰマツ
チングを行う。第７図はその具体例であって、発声した
音声の電力波形を示す。２００は語頭、２０１は第１の
定常点、２０２は促音の開始、２０３は促音の終了、２
０４は第２の定常点、２０６は第３の定常点、２０６は
語尾のそれぞれフレームである。この場合、母音系列判
定記憶部１１には前記説明に従って、／ａ、／／Ｑ〃０
〃ｕ／が記憶されているものとする（／Ｑ／は促音を示
す記号）。このとき単語辞書１３で選ばれる単語は「サ
ラトウ」「ナツトクコ等である。

「サラトウ」とマツチングする場合は、２００パターン
とのマツチング距離と、２０３〜２０４の入力パターン
と’／　ｔ　ｏ／に対応する」／　ｔ　ｏ　／に対応す
る標準パターンとのマツチング距離と、２０４〜２０６
の入力パターンと１０　ｔ　ｏ／に対応する標準パター
ンとのマツチング距離の和を以て、単語「サラトウ」と
入力音声ノ々ターンとのマ・ノチング距離とする。

促音の検出を行うと共に無音を検出して、この無音に対
しても促音に対して行ったのと同様の処理を行うことも
できる。即ち、無音、有音の判定の為の閾値を適当に選
べば、無声破裂音／ｐ／／ｌ／／に／の前には必ず無音
となるようにすることができる。このようにすればさら
に単語を限定することができる。例えば、前記の例にお
いて、２０７〜２０８が無音であって、促音でない（例
えば無音区間が１００　ｍ５ｅｃ以下）であるとすれば
、その直後は無声破裂音として単語「サラトウ」はマツ
チングの対象から排除される。マツチングは無ットク」
はマツチングの対象単語であるが、この単語とマツチン
グする場合は、入力パターンの２００〜２０１と／ｎａ
／に対応する標準パターン。

入力パターンの２０３〜２０４と／ｌＯ／に対応する標
準パターン、入力パターン２０８〜２０６と／ｋ　ｕ／
に対応する標準パターンとのそれぞれのマツチング距離
の和を以て単語「サラトウ」と入力音声パターンとのマ
ツチング距離とすれば良い。

さらに、例えば無声摩擦音の検出等より多くの、各単語
についての属性を検出すれば、マツチングすべき候補単
語をさらに限定でき、処理速度の向上、認識率の改善等
が可能である。これをなすには第３図において単語特徴
抽出部２１を付加すればよい。例えば無声摩擦音を抽出
することにすれば、前記の例のように母音列が／ａ／／
Ｑ／１０／／ｕ／で語頭と１０〃Ｏ／の間に摩擦音／％
／があることを単語特徴抽出部２１が検出したとすれば
、母音系列判定記憶部１１には／％／／−／／Ｑ／／係
〃０／トウ」「ナットク」等はマツチングの対象から除
かれる。

々お、本実施例では、母音系列を一つのみ選ぶようにし
て説明したが、母音認識部６における母音の認識誤りに
対処するため、母音認識結果のうち、距離の大きな（す
なわち閾値を越える）部分については、認識結果も−通
りではなく、第ｎ候補まで選ぶこともできる。また、母
音系列の判定についても、最適のもののみでなく、複数
候補選ぶことができるのはもちろんである。

発明の効果 本発明によれば、単音節を連続して発声した場合でも、
母音定常部を効率的にしかも適切に抽出することにより
、比較照合すべき単語と音節標準パターンを限定するこ
とができ、認識率、照合速度において大幅々改善が得ら
れるものである。

【図面の簡単な説明】

第１図は従来の単音節音声認識装置を示すプロ音声認識
装置を示すブロック図、第４図〜第７図は本発明装置の
一部の動作を説明する説明図である。 １・・・・・・音声信号入力端子、２・・・・・・特徴
抽出部、３・・・・・・振幅正規化部、４・・・・・・
定常点抽出部、５・・・・・・母音標準パターン記憶部
、６・・・・・・母音認識部、７・・・・・・母音系列
辞書、８・・・・・閾値判定部、９・・・・・予備選択
部、１ｏ・・・・・・母音系列間距離計算部、１１・・
・・・・母音系列判定記憶部、１２・・・・・・母音定
常部記憶部、１３・・・・・・単語辞書、１４・・・・
・・電力計算部、１５・・・・・・音声区間検出部、１
６・・・・・・バッファメモリ、１７・・・・・・音節
標準パターン記憶部、１８・・・・・・単語間圧に＃ｌ
　ｇ−１算部、１９・・・・・・判定部、２ｏ・・・・
・・認識結果出力端子、２１・・・・・・単語特徴抽出
部。 代理人の氏名　弁理士　中　尾　敏　男　ほか１名第４
図 第５図

Claims (1)

【特許請求の範囲】
1. 入力音声信号を特徴ベクトルの系列に変換する特徴抽出
   手段と、前記入力音声信号の定常点を抽出する定常点抽
   出手段と、抽出されたそれぞれの前記定常点を母音と見
   做して母音認識を行う母音認識手段と、前記母音認識手
   段で得られた母音系列のうち各母音認識結果がもつ距離
   または類似度と距離または類似度に関して予め定めた閾
   値と比較して、距離が閾値よりも小、あるいは類似度が
   閾値よりも大なる母音認識結果のみを出力する閾値判別
   手段と、前記閾値判別手段で得られる母音系列に基づい
   て、単語辞書のマッチングすべき単語または文節を構成
   する単音節の後続母音系列を予備選択する母音系列予備
   選択手段と、前記母音系列予備選択手段で予備選択され
   た母音系列と前記母音認識手段で得られた母音系列との
   比較を行い、両者の系列としての距離または類似度を算
   出する母音系列間距離算出手段と、前記母音系列間距離
   算出手段による算出の結果最も距離的に小さくなる（類
   似度の大きくなる）母音系列を見出すと共に前記定常点
   のうち各母音に対応する定常点を判定する母音定常点部
   判定手段と、前記母音定常部判定手段で判定した母音系
   列に対応する各単語または文節に対応するＶ、ＣＶ、Ｖ
   Ｖ、ＶＣＶ（Ｖは母音、Ｃは子音）等の音節標準パター
   ンの結合と前記入力パターンとの距離を算出する単語間
   距離計算手段と、前記単語距離計算手段により算出され
   る距離の最小値（類似度の最大値）を与える単語または
   文節を認識結果として判定する判定手段とを具備するこ
   とを特徴とする音声認識装置。