JPS62254197A - 音声認識方式 - 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、音声入力方式に係り、特に音声高能率伝送と
共通の音声分析手段を有するのに好適な音声認識方式に
関する。

〔従来の技術〕

従来、高能率音声符号化装置の音声分析と、音声認識装
置の音声分析は、例えば、特公昭４９−１８００７号や
、中角、板弁「個人差の種々の学習機能をもつ実時間単
語音声識別システム」信学論誌、Ｊ６０−Ｄ、６．１９
７８のように一般には独立に開発されているか、あるい
は前者の手法として元々開発された線形予測技術の一部
を変形して後者に用いる場合が多く、分析の実態や得ら
れる情報も形式が異なっていたり、一部の情報を利用す
るのみの場合が多い。このため両者用に兼用でき、かつ
得られた情報を両者で十分有効活用するようには配慮さ
れていなかった。

〔発明が解決しようとする問題点〕

上記従来技術は音声高能率伝送と音声認識装置の音声分
析手段の共用については何ら配慮されておらず、装置の
経済性が問題であった。

本発明の目的は、すでに発明者の一人が主発明者となっ
ている高品質高能率音声符号化方式（特願昭６Ｏ−２０
１５４２）の分析部をそのまま用いて、高性能の音声認
識結果を得ることのできる手段を提供することにある。

また、本発明のもう一つの目的は、本発明と同一の発明
者がすぐに発明者として出願している特願昭６０−９３
６１１　ｒ文字音声通信方式及び装置」の一つの高性能
な実現手段を提供することにある。

さらに、本発明の第三の目的は、従来の手段では安定に
処理出来なかった音声認識情報であるホルマントとピッ
チを安定かつ有効に利用する手段を実現し、高性能な音
声認識を実現することにある。

〔問題点を解決するための手段〕 上記目的は、前記高品質高能率音声符号化方式の符号化
部出力結果に対し、音声に関する知識を利用した補正処
理および、標準パターンとのマツチング等の従来の音声
認識技術とにより達成される。

〔作用〕

前記高品質高能率音声符号化方式の音声分析部の出力は
スペクトル情報（たとえば線形予測係数やＰＡＲＣＯＲ
係数など）、音源波形情報（たとえば予測残差波形など
）、音源波形パワ、音源ピッチ周波数又は周期（周期時
の有無の情報を含む）の各情報を出力し、これに基づき
、各ベクトル、コード・ブックと照合して、ベクトル・
コードに符号化する。この出力は符号化装置として使用
する場合、そのまま使用することができる。

音声認識部では、上記出力情報をもとにホルマント及び
ピッチ情報を先ず求めておくと音韻認識の性能向上に非
常に有効である。ホルマントの値及びその時間的変化は
音韻がなにであるかを判定する上で非常に重要な情報を
有することは広く知られている。また、ピッチ周波数の
時間的変化は、特に類似した無声子音と有声子音（たと
えばｋとｇ、ｔとｄｙＰとｂなど）の正則に大きな効果
があることが合成実験から知られているが、認識に直接
利用した例は、その安定な抽出が困難なためか、はとん
どない。本発明では、分析・符号化にベクトル量子化方
式を取っている利点を利用し、了め各ベクトルコードに
対したホルマント周波数及びピッチ周波数候補を複数個
安定に抽出し、表などの形で用意できるようにしたこと
により、音声入力毎の抽出の手間と抽出の不安定性の問
題を解決した。

以上の結果得られる、スペクトル情報、ホルマント情報
、ピッチ情報を利用することにより、従来主にスペクト
ルに情報のみを用いて来た方式に比し、大幅に認識性能
を向上させることが出来る。

〔実施例〕

以下、本発明の一実施例を図を用いて説明する。

第１図は高能率音声符号化装置と音声認識装置を有する
通信端末の構成を説明するブロック図である。第１図に
おいて、入力音声１は高能率音声符号化部２において符
号化され、その出力である符号化音声４は、伝送として
用いられる場合は、そのまま符号化音声インターフェー
ス７を経て回線９へ出力され、データ端末入力用に音声
認識入力として用いる場合は、音声認識部３の入力に用
いられると共にメモリ１．３に記録される。認識結果を
確認する際、本メモリより高能率音声符号化部１１に転
送再生することにより読み合せが可能となる。高能率符
号化されているためメモリ容易は小さくて良い。認識結
果はデータ端末部５に送られ、通常のキー人力データと
同様に取り扱かわれ、データとして伝送される場合はモ
デム６、スイッチ部１０、回線インターフェース８を経
て回線９に送出される。回線９から入力される符号化音
声は回線インターフェース８、符号化音声インターフェ
ースを経て高能率音声復合化部１１にて音声１２に復号
化され、出力される。

次に本発明の中心部分となる高能率音声符号化部２と認
識部３の実施例を図をもって説明する。

第２図は高能率音声符号化部の構成を説明するブロック
図である。

第２図において、入力源音声１はＡ／Ｄ変換部２０１に
よりデジタル信号化され、入力バッファ２０２に送られ
る。バッファ２０２は二面バッファ構造となっており、
一定長の音声の符号化処理中、次の入力音声を途切れる
ことなく保持できる構造となっている。バッファ２０２
中の音声は一定区間長毎に取り出され、スペクｌ〜ル・
ベクトル・コード選択部２０５、ピッチ抽出部２０６、
残差波形抽出部２０９に送られる。

スペクトル・ベクトル・コード選択部２０５は、すでに
良く知られている線形予測分析により線形・　予測分析
を行ない、得られた予測係数とスペクトル・ベクトル・
コード・ブック２０４中のスペクトル情報と順次マツチ
ングさせ、最も類似度の高いスペクトルを選択し、その
コードを出力する。

この手順は通常の音声認識装置と同様に構成することが
できる。

選択されたスペクトル・ベクトル・コードはピッチ決定
部２０７及びコード編集・送出部２０３に送られ、対応
するスペクトル情報は残差波形抽出部２０９に送られる
。

ピッチ抽出部２０６は、すでに良く知られているＡＭＤ
Ｆ法や自己相関法で簡単に構成することができる。

ピッチ決定部２０７はスペクトル・ベクトル・コードが
指定するピッチの範囲をピッチ範囲指定データ・メモリ
２０８より取り出し、ピッチ抽出部２０６の出力ピッチ
候補からピッチ周波数を選択、決定し、コード編集・送
出部２１３及び残差波形コード選択部２１０に送る。

残差波形抽出部２０９は通常の線形予測逆フィルタから
なり、スペクトル・ベクトル・コード選択部で選択され
たコードに対応するスペクトル情報をスペクトル・ベク
トル・コード・ブロックより取り出し逆フィルタに設定
し、バッファ２０２中の対応する入力音声原波形を入力
し、残差波形を抽出する。ここでは、もちろんスペクト
ル抽出７一 部２０３で得たスペクトル情報を用いてもよい。

抽出された残差波形は残差波形ベクトル・コード・選択
部２１０と残差振幅抽出部２１２に送られる。残業振幅
抽出部２１２は残差波形の平均振幅を求め、残差波形ベ
クトル・コード選択部２１０とコード編集・送出部２１
３に送る。

残差波形ベクトル・コード選択部２１０では、スペクト
ル・ベクトル・コードとピッチ周波数にもとすき、候補
となる残差波形ベクトルを残差波形ベクトル・コード・
ブック２１１より取り出し、残差波形抽出部２０９より
送られた残差波形とマツチングを取り、最も良く合った
残差波形ベクトル・コードを決定する。この際、両者を
比較するため、残差振幅情報を利用し、振幅を正規化し
て行なう。選択された残差波形ベクトル・コードはコー
ド編集・送出部２１３に送られる。

コード編集・送出部２１３は、スペクトル・ベクトル・
コード、残差波形ベクトル・コード、ピッチ周期、残差
振幅の各コードを編集し符号化音声４として送出する。

なお、次の認識部へは、編集しないで、そのまま各コー
ド又は原データを送る方が、認識部の処理は容易であが
、図面等が複雑になるため、本実施例の説明では編集し
たものが送られ、認識部で再分解されるがごとく、図面
上取り扱うが、本発明の主旨に対しては、なんら本質的
ではなく、どちらでも良いことは言うまでもない。

第３図は音声認識部を説明するブロック図である。

高能率音声符号化部でコード化された符号化音声４はコ
ード解読部３０１で各コードに分解され（前述の通りこ
の処理は本質的でない）、ピッチ情報はピッチ補正部３
０２に送られ、また各情報はマツチング部３０５及びホ
ルマント決定部３０６に送られる。

本実施例に示したピッチ抽出法は、スペクトル情報を利
用したピッチ範囲が指定されたものの中からピッチ情報
を抽出しているため、通常のピッチ抽出法によるものよ
り安定に抽出されているが、入力時の環境雑音等の影響
で誤抽出される可能性もあるので、ピッチ補正部３０２
で、前後のピッチ情報と比較し、音声学上あり得ないよ
うな不連続性が検出される場合は、直前に入力されたピ
ッチ情報から外挿した値に修正を行なう。最も簡単な補
正は−データ前の値に置き換えるものである。

このようにして補正されたピッチ情報は標準パターン選
択部３０４及びマツチング補正部３０８に送られる。

本実施例における音声認識部はマルチ・テンプレート方
式による不特定話者連続音声認識方式となっており、標
準パターン・メモリには一つの認識カテゴリーに対し、
複数個の標準パターンが用意されている。各標準パター
ンは声の高さの類似した話者グループ毎に関連付けられ
ており、入力されたピッチ情報に従って、使用される標
準パターンの組が１組ないし複数組選択され、認識性能
向上と共にマツチング処理量低減の効果が上るように構
成されている。標準パターン選択部３０３は入力された
ピッチ情報の平均値を求める機能を有し、話者の平均的
声の高さを検出する。入力されたピッチ周波数をｆｔ、
平均ピッチｆいαを１より小さい定数として ｆｔ＝αＸｆｔ４＋（１−α）ｘｆｔ、　　　（ｔ）と
すればよい。αは実効的に平均を取る範囲を定める時定
数的係数である。

標準パターン・メモリ３０４には標準パターンがスペク
トル・コード、の時系列で記録されており、入力音声の
スペクトル・コードと、距離テーブル３１０を参照しな
がら時々刻々の距離を計算し、連続ＤＰマツチング法で
連続的に入カバターンと標準パターンが比較され認識候
補が出力されて行く。連続ＤＰの具体的手順は、公知の
手法を用いることができる（たとえばＡ、Ｉｃｈｉｋａ
ｗａ　ｅｔ　ａｌ。

“Ｃｏｎｃｅｐｔｕａｌ　ＳｙｓｔｅｍＤｅｓｉｇｎ　
ｏｆ　ａ　ＣｏｎｔｉｎｕｏｕｓＳｐｅｅｈ　Ｒｅｃｏ
ｇｎｉｔｉｏｎ　ｏｆ　ＩＣＡ　Ｓ　Ｓ　Ｐ　８１．１
９８１）。

ホルマント決定部３０６では、入力されるスペクトル・
コードをキーとして、予め用意されているホルマント・
テーブルより第１〜第３ホルマント周波数を複数候補取
り出す。一般にホルマントを実時間で正確に分析・抽出
することは困難であるが、本方式ではスペクトル・コー
ドに対応するホルマントの値を予め正確に求め、テーブ
ルに登録しておくことが可能である。但し、環境雑音な
どのため、一時的にスペクトルに乱れるなどの現実的問
題が生じるため、ホルマント・テーブルには、第２．第
３のホルマント候補を予め用意し、前後の連続性を考慮
して、その中から最も妥当なものを選択する。たとえば
、入カスベクトル・コードの対応するｎ次ホルマントの
値がＦ’ｎ、ｔ、予測されるホルマントの値をＦ　ｎ　
＋’　ｔとして Ｆｎ、ｔ”ａＩＦｎ、ｔ−１＋８２Ｆｎ、ｔ−２ここで
ａｉ＋　８２は実験的に定められた予測係数 として、ホルマント・テーブル３０７より与えられる候
補の中から最もＦｎ、ｔに近いものをＦｎ、ｔとする。

Ｆｎ、ｔと候補が一定以上離れている場合は、雑音等に
よる乱れと見なして、Ｆｎ、ｔｔｉ−Ｆｎ、ｔと見なす
。このようにして、連続で安定なホルマント周波数を得
ることができる。ここで、ピッチ情報が周期的か非周期
的かによりこれらの制御を変え、より正確にすることは
当然可能である。

標準パターン・メモリ３０４の各標準パターンには、単
にスペクトル・コードの時系列だけでなく、ピッチ周期
の動きが上昇か下降か、第ｎホルマントの動きは上昇か
下降かという情報も併せ有しており、マツチング補正部
３０８はピッチ補正部３０２及び又はホルマント決定部
３０６の出力と、これらの情報の一致度を検定し、マツ
チング部３０５の出力を修正する。たとえばマツチング
部の出力を膜層Ｄ、ピッチング及びホルマントの動きの
一致度をＷＰとＷＦとして修正されたマツチング値Ｄ′
を Ｄ’＝ＷＰＸＷＦＸＤ とする。ＷＰとＷＦは傾向が逆の場合は１．５、その他
の場合は１．０などの値を与える（マツチング尺度が距
離ではなく、相関や類似度の場合は重みの付は方が逆に
なるなど、尺度の性格で重みの値や付加の形式が異なる
のは言うまでもない）。

このようにして補正されたマツチング結果を判定部３０
９相互に比較することにより、正確な認識結果を得るこ
とができる。

〔発明の効果〕

以上説明したごとく、本発明によれば、高性能の音声認
識を行なう手段が得られるだけでなく、高能率音声符号
化伝送方式と共通の音声分析・符号化を行なうことが可
能となり、両機能を有する端末等では分析部及び符号化
部を共有することが可能となるので、小型かつ経済的装
置を実現する等の効果がある。

４、発明の詳細な説明 第１図は通信端末構成図、第２図は高能率音声符号化部
を示す図、第３図は音声認識部を示す図である。

に入力音声、２：音能率音声符号化部、３：音声認識部
、４：符号化音声、５：データ端末部、６：モデム、７
：符号化音声インターフェース、８：回線インターフェ
ース、９：回線、１０：スイッチ部、１１：高能率音声
復号化部、１２：復号化音声、１３：メモリ、 ２０３ニスベクトル抽出部、２０４ニスベクトル・ベク
トル・コード・ブック、２０５ニスベクトル・ベクトル
・コード選択部、２０６：ピッチ抽出部、２０７：ピッ
チ決定部、２０８：ピッチ範囲指定データ・メモリ、３
０１：コード解読部、３０２：ピッチ補正部、３０３：
標準パターン選択部、３０４：標準パターン・メモリ、
３０５：マツチング部、３０６：ホルマント決定部、３
０７：ホルマント・テーブル、３０８：マツチング補正
部、３１０：距離テーブル。

、、ｃ＞ 々　　　　　　外 ヘ　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　す七 ・２與 参りジ ； へ　　　　　　　　　　　　　　し 即 々　　　　　ミ　　　　　　　　　吠 へ　　　　　　　　　　　　　〜　　　　　　　　　　
　　　　　　　　　　　　阿　　埠−一二ｆ偽 座収戚＾ 塁≧６二−ト °　　　　″′Ｙショ へ　　　　　　　　　　　　　　　　　　　　　　　。

「ソ、　、　　　　、 ｑ町　・　　　　　　及　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　１　（３ベ−ＮＮへ
へ へ ？！ 粧 々　　　　　　、Ｌよ 々ｔＳ　１”１ （羽２．−２ ′　　　　　　　　　ドＩ 電　　乞軸式 ％式％

Claims (1)

1. 【特許請求の範囲】 １、音声信号を入力する手段と、上記入力された信号を
   分析し符号化する手段と、上記分析結果又は／及び、符
   号化情報に基づき上記入力音声を認識する音声認識手段
   と、上記符号化情報又は上記認識情報を送信する手段と
   を有する音声認識方式において、上記符号化手段は、ピ
   ッチ情報により標準パターンの組を選択することを特徴
   とする音認識方式。 ２、特許請求の範囲第１項の音声認識方式において、上
   記符号化手段は、上記入力音声と上記標準パターンのピ
   ッチの動きの一致の度合を評価し、認識結果を修正する
   手段と有していることを特徴とする音声認識方式。 ３、特許請求の範囲第１項の音声認識方式において、上
   記音声認識手段は、スペクトルコードに従ってホルマン
   ト情報を得る手段を有していることを特徴とする音声認
   識方式。