JPS6258518B2 - - Google Patents

Description

【発明の詳細な説明】

本発明は、音声認識における前処理方法に関
し、特に音韻形認識における大分類的処理方法に
関する。 音声を音韻記号系列へ変換した後で単語等の適
当な区分で音声認識する形式の音韻形認識におい
ては、一般に、母音と子音との大分類を先行さ
せ、次いで母音と子音とを並列的に、或いは直列
的に細分類する。 また、音韻抽出は、一般に、ホルマントに相当
する特徴を抽出して各音韻に対してその特徴の出
現頻度を調べおき、未知音声の各標本毎に、音韻
と特徴との対応づけによつて行われる。ホルマン
トに相当する特徴の抽出は、音声をスペクトル分
折して得られたスペクトル情報から短区間パワー
スペクトルが極大点となる周波数を求める方法等
が一般的である。 音声認識における音韻は、大略、言語学上の音
韻と対応づけられるが、音声認識特有の音韻もあ
り、特に無音（無音部とはイチ等の発声でイ→チ
の間で音声の一瞬とぎれる部分をいう）は音声認
識上の有効な音韻となり、或いは音韻セグメンテ
ーシヨンの手段となる。 無音部の判定は、母音部と子音部とを大分類す
る前処理段階で行うのが適当である。この無音部
の分類は、従来、音声入力時の雑音レベルを検出
し、この検出量に基づいた閾値によつて判定され
ていた。しかしながら、音声区間内の無音区間に
おいては、残存呼気や発声の切れの悪さに基づく
残存パワーが存在する場合も多く、周囲雑音レベ
ルのみに基づく方法によつては、精度よく無音部
を抽出できない欠点があつた。 本発明は、音声区間の音声パワーを直接測定す
ることによつて無音部を判定するものであり、そ
の目的は認識率の向上にある。 第１図は、本発明の第１の実施例であつて、１
は音声信号入力端子、１０は周波数分析部、２０
はスペクトルデータ正規化部、３０は音韻分類計
算部である。マイク等により電気信号に変換され
た音声信号は音声信号入力端子１から周波数分析
部１０に送出され、短区間パワースペクトル情報
の検出が行われる。 周波数分析部１０の詳細ブロツク図を第２図に
示す。１００は前置増幅器、１０１−１〜１０１
−ｎはバンドパスフイルタ群、１０２−１〜１０
２−ｎは全波整流器群、１０３−１〜１０３−ｎ
はローパスフイルタ群、１０４はアナログマルチ
プレクサ回路、１０５はAD変換部、１０６は対
数変換部で、バンドパスフイルタ群の各中心周波
数は対数目盛で周波数の低い方から等間隔に配置
されていて、AD変換出力はリードオンメモリで
構成された対数変換部１０６で対数に変換され
る。標本化周期は10msで10ms毎に各バンドパス
フイルタの出力がスペクトルデータ正規化部２０
に転送される。スペクトルデータ正規化部２０で
は標本化周期でデータを受け取る毎に以下の計算
を行う。スペクトルデータ正規化部２０へのデー
タをxi（ｉはフイルタ番号で、ｉ＝１，２，…，
ｎ）とする。音帯音源特性を(1)式の一次関数でモ
デル化する。 yi＝ａ・ｉ＋ｂ (1) 音帯音源特性を表わすyiを入力データxiの最小
二乗近似直線とすると、(1)式の係数ａ，ｂは(2)式
を最小とするものを求めることによつて決定され
る。 すなわち、∂ｅ／∂ａ＝０，∂ｅ／∂ａ＝０と
してａ，ｂを計算すると(3)，(4)式となる。 正規化後のxiをxi^*とすると(5)式で表わされ
る。 xi^*＝xi−yi (5) 但し、yi＜０の場合はyi＝０とする。 なお、音帯音源特性の一次関数モデル化につい
ては、通信学会、信学技報vol79No.141「非線形ス
ペクトルマツチングによる単語音声認識の一方
式」を参照されたい。 入力データの平均値を、正規化データの加算
値をｓとすると、(6)，(7)式で表わされる。 以上のように、スペクトルデータ正規化部２０
では、(3)，(6)，(7)式のａ，，ｓを標本化データ
毎に計算してその時系列データを作成する。第
３，４図にスペクトルデータ正規化部２０の詳細
ブロツク図を示す。 第３図にて、３００は入力端子、３０１はバツ
フアメモリ、３０２はカウンタ、３０３，３０
６，３１１は乗算器、３０４，３０９は加算器、
３０８は減算器、３０５，３１０，３１４，３１
５はレジスタ、３０７，３１２，３２１はマルチ
プレクサ、３１３，３１４は除算器、３１６，３
１７，３１９，３２０は出力端子である。(3)，(4)
にて、ｎ及び分子の

【式】

【式】及び分 母は全て定数である。従つて、まず(3)式の計算に
て、分子はバツフアメモリ３０１に、一標本点の
ｎ個（ｎはフイルタ個数）のデータが格納された
時点で実行される。バツフアメモリ３０１を順次
読み出して第１項の

【式】の演算がカウ ンタ３０２、加算器３０４、レジスタ３０５の部
分で実行されると共に第２項

【式】の演算が 加算器３０９、減算器３１０で実行され、マルチ
プレクサ３０７及び３１２で定数ｎ及びΣｉが
各々選択されて乗算器３０６，３１１で乗算がさ
らに減算器３０８にて第１項と第２項の減算が実
行される。次に定数C₁がマルチプレクサ３２１
で選択され除算器３１３の除数入力となり、除算
が実行され係数ａがレジスタ３１４に格納され
る。(4)式の係数ｂも同様の演算であり、マルチプ
レクサ３０７，３１２，３２１で選択される定数
が各々Σｉ，Σi²，C₂となる点が異なり、係数ｂ
はレジスタ３１５に格納される。 但し、

【式】

係数ａ，ｂが求まると、次に第４図の部分にて
(5)式の演算が実行される。 第４図にて、３５０はカウンタ、３５１は乗算
器、３５２，３５７は加算器、３５３はマルチプ
レクサ、３５４は制御線、３５５は減算器、３５
６は絶対値回路、３５８はレジスタ、３５９は出
力端子である。第４図にて、端子３１６に係数ａ
が、端子３１７に係数ｂが出力されると、第３図
のバツフアメモリ３０１を順次読み出し、(5)式及
び(7)式の演算を行う。但し、加算器３５２の出力
（ａ・ｉ＋ｂ）の極性がマルチプレクサ３５３の
制御線３５４となつていて、極性が負の場合にマ
ルチプレクサの入力０が出力される。又、平均値
は第３図にて、除算器３１８で計算されてい
る。 以上説明したように、スペクトルデータ正規化
部２０にて、順次各標本点の係数ａ，，ｓが計
算され、音韻分類計算部３０に送出される。 次に音韻分類計算部３０の動作を説明するが、
その前に実際の装置では音声区間の検出が行われ
る。これは、マイク等から入力された信号に対
し、発声された音声の時間軸上の始端と終端を決
定することであるが、簡単には等のデータに対
しある閾値以上の区間を求め、その始端と終端に
て決定する方法がとられているが、詳細説明は省
略する。音韻分類計算部３０では、入力される係
数ａ、平均値、加算値ｓを順次格納する。これ
らの時系列をａ(k)，(k)，ｓ(k)とする。 まず、平均値系列(k)に対し、始端から時系列
方向に終端まで(8)式の計算を行い、Δ(k)が最初
にｘ(k)＜Cx（定数）を満足する標本番号ｋを
ksとし、最後にｘ(k)Δ(k)＞Cxを満足する標
本番号ｋをkeとする。 Δ(k)＝（ｋ＋１）−(k) (8) 次に再び平均値系列(k)に対してksからkeま
で順次参照して平均値系列(k)の最小値Vmin＝
｛（ks），（ks＋１），…，（ke）｝を求め
る。一定比率Cxよりも小さい始端付近の領域
と、一定比率Cxよりも小さい終端付近の領域を
除いた対象領域において最小値Vminを求める。
なお、ks，keが検出されない場合は子韻部の検
出を行う。VminCmin（定数）の場合は無音部
は無しとするが、Vmin＜Cminの場合は(9)式で無
音判定の閾値を決定する。 Cthv＝Vmin＋α（定数） (9) 但し、Cthvβ（定数）の場合はCthv＝β、
あるいはCthγ（定数）の場合はCthv＝γとす
る。（γαβである）。α，β，γの代表的値
は、音声パワーを２５６レベルで量子化した場
合、α＝16、β＝90、γ＝64である。 このようにして決めたCthvを用いてもう一度
(k)をｋ＝ksからkeまで(10)式を計算する。 (k)Cthv …(10) (10)式を満足するｋが無音部である。 次に子音部の検出を行う。子音部はその周辺で
パワーが小さくなることに着目して、平均値系列
(k)の始端から終端まで(11)，(12)式を計算し、パワ
ーの凹部を検出する。 Δｆ(k)＝（ｋ＋Δｋ）−(k) (11) Δｂ(k)＝（ｋ−Δｋ）−(k) (12) Δｆ(k)CthvかつΔｂ(k)Cthvかつ(k)
＞Cthvを満足する標本番号ｋが子韻部である。
但し、ΔｋはΔｋ１の定数。Δｋは標本化周期
で異なるが、あまり時間軸の精度を上げると細か
い凹凸を検出するので30〜80ms程度に合わせる
のが良い。 又、摩擦音等ではスペクトルの傾きが正の極性
を示すことに着目してａ(k)Ca（定数）で、か
つ無音部でない場合、標本番号ｋを子音部とする
処理を並列的に設ける。 又、鼻音部等は子音のホルマントが強く出ない
点に着目して、ｓ(k)Cb（定数）で、かつ無音
部でない場合、ｋを子音部とする処理を並列的に
設ける。 以上、無音部、子音部と判定された標本番号ｋ
を除いた部分を母音部とする。 第５図に、音韻分類計算部３０のブロツク図を
示す。４００は(k)、４０１はａ(k)、４０２はｓ
(k)のデータを格納したバツフアメモリ、４０３，
４１１はマルチプレクサ、４０４はレジスタ、４
０５は減算器、４０６，４０９，４１２は比較
器、４０７は制御部、４０８，４１３は制御部か
らの信号線、４０９は比較器４０６の出力信号
線、４１０は加算器である。 第５図にて、まず音韻分類制御部４０７がバツ
フアメモリ４００を順次読み出し、レジスタ４０
４の出力と減算を行い、結果を比較器４０６にて
制御部４０７からの信号線４０８にて送られた定
数Cxと比較を行う。レジスタ４０４の出力は一
つの平均値(k)がバツフアメモリ４００から読み
出された時点で直前の平均値（ｋ−１）の値が
格納されていて(8)式の計算を行つている。比較器
４０６の出力は信号線４０９を通して音韻分類制
御部４０７に送出され、音韻制御部４０７にて始
終端ks，keが検出される。次に音韻制御部４０
７はバツフアメモリ４００を始端ksから終keま
で順次読み出し、同じ回路系でVminを検出す
る。但し、音韻分類制御部４０７から信号線４０
８には“０”が送出され、最小値検出が実行さ
れ、レジスタ４０５には最終的にVminが格納さ
れる。最小値が検出されると音韻分類制御部４０
７はデータ線４０８を介して閾値Cminを送出し
てVminとの比較が実行される。Vmin＜Cminの
場合、レジスタ４０４の出力と定数αの加算結果
と定数β及びγとの比較が、加算器４１０、マル
チプレクサ４１１、比較器４１２で実行され、結
果が音韻分類制御部４０７に送出され、音韻分類
制御部４０７ではその結果からCthvを決定し、
データ線４１３を通してCthvが送出され、バツ
フアメモリ４００をksからkeまで順次読み出
し、比較器４１４で比較して無音部の決定を行
う。 次に、子音部の決定は、音韻分類制御部４０７
にてバツフアメモリ４００を始端から順次(11)，(12)
式の演算を行うように読み出し、Δｆ(k)あるい
はΔｂ(k)を順次レジスタ４０５に格納しつつ、
信号線４０８を介して定数Cthvを送出して比較
し、同時に信号線４１３にてCthvを送出し、比
較器４１４にて平均値系列(k)との比較を行い、
子音部の決定を行う。又、同様にバツフアメモリ
４０１，４０２を順次読み出し、信号線４１３に
て各々定数Ca，Cbを送出して比較器４１４で比
較することにより子音部が完全に決定される。 この実施例では、無音部の検出をある閾値以下
に無条件に定めず、各標本点の平均値の増減を
調べ、音声区間の始端、終端付近に観察される発
声の影響による低パワー領域（が小さい領域）
を除外して、検出領域を定め、検出領域内で最小
値を調べ、最小値にて閾値を補正して再び検出領
域内での無音部を検出するようにしている為、周
囲雑音あるいは発声等にる悪影響を除去すること
ができる。 又、スペクトル傾斜、ホルマント等の影響によ
るスペクトルの最小二乗直線からの誤差あるいは
極小点を検出することにより子音部を精確に決定
することができる。音韻抽出の精度を高める利点
があると共に音声認識の特徴として用いることも
できる。 以上の説明から明らかなように、本発明では子
音部の大分類に先行して無音部を決定しているた
め、子音部が正確に決定でき、認識率を向上させ
ることができる。

【図面の簡単な説明】

第１図は、本発明の概略図、第２図は、周波数
分析部のブロツク図、第３，４図は、スペクトル
データ正規化部のブロツク図、第５図は、音韻分
類計算部のブロツク図ある。 １……音声入力端子、１０……周波数分析部、
２０……スペクトルデータ正規化部、３０……音
韻分類計算部、１００……前置増幅器、１０１−
１，１０１−２，…，１０１−ｎ……バンドパス
フイルタ群、１０２−１，１０２−２，…，１０
２−ｎ……全波整流器群、１０３−１，１０３−
２，…，１０３−ｎ……ローパスフイルタ群、１
０４……アナログマルチプレクサ回路、１０５…
…AD変換部、１０６……対数変換部、３００…
…入力端子、３０１……バツフアメモリ、３０２
……カウンタ、３０３，３０６，３１１……乗算
器、３０４，３０９……加算器、３０８……減算
器、３０５，３１０，３１４，３１５……レジス
タ、３０７，３１２，３２１……マルチプレク
サ、３１３，３１４……除算器、３１６，３１
７，３１９，３２０……出力端子、３５０……カ
ウンタ、３５１……乗算器、３５２，３５７……
加算器、３５３……マルチプレクサ、３５４……
制御線、３５５……減算器、３５６……絶対値回
路、３５８……レジスタ、３５９……出力端子、
４００，４０１，４０２……バツフアメモリ、４
０３，４１１……マルチプレクサ、４０４……レ
ジスタ、４０５……減算器、４０６，４０９，４
１２……比較器、４０７……制御部、４０８，４
０９，４１３……信号線、４１０……加算器。

Claims (1)

【特許請求の範囲】
1. １ 音声区間の始端付近における音声パワーの増
   加率が一定比率よりも小さい領域及び音声区間の
   終端付近における音声パワーの減少率が一定比率
   よりも小さい領域を除いた対象領域を決定し、こ
   の対象領域内で音声パワーの最小値を検出し、こ
   の最小値と予め定められた値との加算値及び予め
   定められた最小値並びに予め定められた最大値の
   いずれかによつて閾値を形定し、前記対象領域に
   おいて音声パワーが当該閾値よりも小さい音声標
   本を無音部として分類し、その後母音部と子音部
   とを分類することを特徴とした音声認識前処理方
   法。