JPS6258515B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は、音声認識装置における前処理方法、
特に音声波形の分析、圧縮を行う為の前処理方法
に関するものである。

音声認識装置は、大きく分けて、下記の２つの
部分から成る。

(イ) 音声の特徴パラメータを抽出する分析部。

(ロ) 抽出された特徴パラメータ時系列と、予じめ
登録された特徴パラメータ時系列との類似度
（あるいは非類似度）を求め、その判定を行な
い、認識結果を得るマツチング部。

(イ)の分析部においては、従来、音声波形の分析
の周期（フレーム周期）を数msec〜数十msec程
度で行なつている。

これは、音声の定常的な部分（母音部等）にお
いては、フレーム周期は数十msec程度で十分で
あることと、フレーム周期を短かくするにつれ
て、特徴パラメータ時系列のデータ量が増大し、
装置の巨大化、そして上記(ロ)のマツチング部にお
ける処理時間の増大を招く為、フレーム周期を数
msec以下にするのは、経済性の点で問題がある
こと、等の理由による。

しかしながら、従来のように、フレーム周期を
数msec〜数十msec程度で分析を行なつた場合、
子音部のような変化の激しい部分においては、分
析フレーム周期が、音声の変化に十分追従できる
程短かくない為、音声のどの時点から分析を行な
うかによつて、得られる特徴パラメータに違いが
出て、特徴パラメータが不安定となる欠点を持つ
ていた。

例えば、単音節の「ハ」と「カ」、又は、単語
の「橋（ハシ）」と「菓（カシ）」のように、お互
いに良く似た特徴パラメータ時系列を持つ音声
（語音の子音「ｈ」と「ｋ」は調音点の同じよう
な子音で、又、語頭子音部以後は、同じ音声であ
る）の認識を行う場合、上述のごとく、子音部の
特徴パラメータ時系列が不安定な為、特に調音点
の同じような子音の判別が困難となり、音声認識
装置の信頼性低下の原因となつていた。

子音部のような変化の激しい部分においても認
識に十分な、安定した特徴パラメータを得るに
は、音声の変化に十分追従し得るフレーム周期で
分析を行なえば良いわけであるが、この場合に
は、前述のように、装置の巨大化、処理時間の増
大を招く欠点があつた。

本発明の目的は、上述の点を鑑みて、装置の巨
大化、処理時間の増大を招くことなく音声認識装
置の信頼性向上に寄与する前処理方法を提供する
ことにある。

このような目的を達成する為に、本発明におい
ては、子音部のような変化の激しい部分において
も、安定した特徴パラメータが得られるように、
入力音声を分析する際、分析基準点を検出し、そ
の分析基準点から分析を行なうことを特徴とす
る。

以下、第１図を参照して、本発明の原理を説明
する。

第１図１は、音声信号の１例を示したもので、
子音部及び子音から母音定常部への渡りの部分に
おいては、音声波形に対する窓の位置によつて、
得られる特徴パラメータが異なるのは明らかであ
り、第１図２の窓位置で分析された特徴パラメー
タ時系列を持つ登録パターンと、第１図３の窓位
置で分析された特徴パラメータ時系列を持つ入力
パターンとのマツチングを行なつた場合、類似度
が小さくなり、他の音声と誤認識し易くなる。

ここで、説明の便宜上、1msec毎にサンプリン
グされた、音声のフイルタバンク出力値に、各チ
ヤンネル毎に窓長Ｗ_L＝16msec、フレーム周期
（窓周期）Ｗ_T＝8msecの窓を掛けて得られる平滑
化された周波数成分を特徴パラメータとした場合
を一例にとつて、以下の説明を行なう。

時刻ｔにおける各チヤンネルのフイルタバンク
出力値をベクトルｊ_t、各チヤンネルのフイルタ
バンク出力値の総和、すなわちパワーをｐ_tで表
わす。

ｊ_t＝（ｊ_t1，ｊ_t2，……，ｊ_tN） (1) ｔ＝０，１，２，……，Ｔ (3) ｎ＝１，２，………，Ｎ (4) ここで、ｊ_toは、時刻ｔにおける第ｎ番目のチ
ヤンネルのフイルタバンク出力値を表わす。

又、フイルタバンク出力値ｊ_tの時系列をＪで
パワーｐ_tの時系列をＰで表わす。

Ｊ＝j₀，j₁，……，ｊ_T (5) Ｐ＝p₀，p₁，……，ｐ_T (6) 又、パワー時系列Ｐに、窓長16msecの窓を掛
けて得られる平滑パワーをｐ_t′で表わす。

ここで、w₀，w₁，……，w₁₅は窓係数である。

パワーｐ_tが、しきい値TH_cを越えた時刻Ｃを
音声検出点とする。

pc≧TH_c (8) ｔ＝ｃより、第１図４のように窓位置を移動
し、(5)式に従つて、順次、平滑パワーｐ_c′，ｐ_c
′_−１，……を求めてゆき、平滑パワーがしきい値
TH_b以下となる時刻ｂを決定する。

ｐ_b′≦TH_b (9) 第１図５に、その様子を示す。

時刻ｂを分析基準点とし、(10)式に従つて特徴パ
ラメータ時系列Ｋを得る。

ｕ＝０，１，２，……，Ｕ (11) ｔ＝ａ＋8u (12) ａ＝bMOD8 (13) ｋ_u＝（ｋ_u1，ｋ_u2，……，ｋ_uN (14) Ｋ＝k₀，k₁，……，ｋ_u） (15) ここで、ｋ_uoは、時刻ｕにおける第ｎ番目のチ
ヤンネルの特徴パラメータである。

このようにして得られた特徴パラメータ時系列
Ｋは、(9)式のｐ_b′＝TH_bなる条件により、窓位置
が一定となり、変化の激しい子音部においても安
定したものとなる。

第１図６に、時刻ｂを基準とした時の窓位置を
示す。

以下、本発明を実施例を参照して詳細に説明す
る。

第３図は、本発明による前処理方法を実現する
回路の一実施例を示すブロツク構成図であり、又
第２図は、第３図における本発明の回路を含む、
単音節音声認識システムの一実施例を示すブロツ
ク構成図で、第３図に記載された部分には、同一
番号を付してある。

音声は、マイクロホン１を通して電気信号に変
換され、前置増幅器２で増幅され、プリエンフア
シス回路３にて高域強調される。

さらに、フイルターバンク４にてＮチヤンネル
に分解された各周波数成分は、アナログマルチプ
レクサ５において順次選択され、Ａ／Ｄ変換器６
にてデジタル信号に変換され、フイルタバンク出
力値ｊ_tとなる。

1msec毎に得られるフイルタバンク出力値ｊ_t
は、入力バツフア７に送られると同時に、加算累
積器８により(2)式の演算が実行され、パワーｐ_t
が、パワーバツフア９に送られる。

又、同時に、パワーｐ_tは、音声検出部１１に
送られ、しきい値TH_cと比較され、ｐ_c≧TH_cと
なる時刻ｔ＝ｃが検出される。

音声検出部１１は、しきい値TH_cが格納されて
いるレジスタと、比較器で構成され、加算累積器
８から送られてくるパワーｐ_tとレジスタに格納
されているしきい値TH_cが比較器で順次比較さ
れ、時刻ｔ＝ｃが検出される。

時刻ｔ＝ｃの前後、各々ある一定時間（ｔ＝０
〜Ｔ）のフイルタバンク出力値時系列Ｊの、入力
バツフア７への格納が終了すると、分析基準点検
出部１０では(7)式の演算が実行されさらに、得ら
れた平滑パワーｐ_t′がしきい値TH_bと比較され、
ｐ_b′＝TH_bとなる時刻ｔ＝ｂが検出される。

分析基準点検出部１０は、第３図のように構成
される。

窓係数メモリ１０１には、窓係数w₀〜w₁₅が格
納されており、乗算加算器１０２においてパワー
バツフア９より送られてくるパワーｐ_tと窓係数
w₀〜w₁₅の演算が(7)式に従つて実行され、得られ
た平滑パワーｐ_t′が比較器１０４において、しき
い値レジスタ１０３に格納されているしきい値
TH_bと比較されｐ_t′≦TH_bとなる時刻ｔ＝ｂが検
出される。

分析基準点ｔ＝ｂを基準として、(10)式の演算
が、平滑部１２で実行され、特徴パラメータ時系
列Ｋが特徴パラメータバツフア１３に格納され
る。

平滑部１２は、第３図のように構成され、窓係
数メモリ１２１には、窓係数w₀〜w₁₅が格納され
ている。乗算加算器１２２において入力バツフア
７より送られてくるフイルタバンク出力値ｊ_toと
窓係数w₀〜w₁₅の演算が(10)式に従つて実行され、
結果は特徴パラメータバツフア１３に送られる。

特徴パラメータバツフア１３に格納された特徴
パラメータ時系列Ｋは、正規化部１４で正規化さ
れ、出力バツフア１５へ送られる。

出力バツフア１５に格納された正規化データ
は、認識部１８へ入力される。一方、音声の正規
化された登録パターンメモリ１６より順次、認識
部１８へ入力され、認識部１８において類似度が
演算されて、認識が行なわれ、認識結果が端子１
９に出力される。

制御部１８は、１〜１７の各部の制御を行な
う。

尚、第３図において、窓係数メモリ１０１と１
２１、及び乗算加算器１０２と１２２を、別個に
設けているが、時分割的に使用することにより、
共有化してもよい。

又、上述の実施例では、単音節音声認識装置を
例にあげて説明を行なつたが、それに限定される
ものではなく、単語音声認識装置等、音声認識装
置一般に対しても、本発明を適用できることは、
明らかである。

以上述べたように、本発明の前処理方法によつ
て得られる音声の特徴パラメータ時系列は、変化
の激しい子音部においても安定したものとなり、
分析フレーム周期を短かくした場合に比較し、装
置の巨大化、処理時間の増大を招くこと無く、認
識の信頼性を向上させる効果があり有効である。

上記の効果は、上記前処理方法を組み入れた単
音節音声認識装置において、認識率が向上したと
いう結果からも実証されている。

【図面の簡単な説明】

第１図は、本発明の一実施例の考え方を説明す
る図、第２図は本発明の前処理法を用いた単音節
認識装置の一構成例を示すブロツク図、第３図は
本発明の前処理法を実現する回路の一実施例を示
すブロツク図である。 １：マイクロフオン、２：前置増幅器、３：プ
リエンフアシス回路、４：フイルターバンク、
５：アナログマルチプレクサ、６：Ａ／Ｄ変換
器、７：入力バツフア、８：加算累積器、９：パ
ワーバツフア、１７：分析基準点検出部、１１：
音声検出部、１２：平滑部、１３：特徴パラメー
タバツフア、１４：正規化部、１５：出力バツフ
ア、１６：登録パターンメモリ、１７：認識部、
１８：制御部、１９：出力端子。

Claims (1)

【特許請求の範囲】
1. １ 入力音声を分析して得られるｎ次元の特徴パ
   ラメータ時系列と、予じめ登録されたｎ次元の特
   徴パラメータ時系列とを比較演算して、入力音声
   の認識を行う音声認識装置において、入力音声を
   フイルターバンクにて複数の周波数成分に分解
   し、各々の周波数成分の総和すなわちパワーがあ
   るしきい値を越える時刻を音声検出点とし、さら
   にパワーに対して時間方向を逆にさかのぼつて窓
   をかけてゆき、得られる平滑パワーがあるしきい
   値以下となる時刻を分析基準点とし、その分析基
   準点から各周波数成分毎に窓をかけ、ｎ次元の特
   徴パラメータ時系列を得ることを特徴とした、前
   処理方法。