JPS6273299A

JPS6273299A - 音声認識方式

Info

Publication number: JPS6273299A
Application number: JP21341885A
Authority: JP
Inventors: 森戸　誠; 田部井　幸雄; 山田　興三
Original assignee: Oki Electric Industry Co Ltd
Current assignee: Oki Electric Industry Co Ltd
Priority date: 1985-09-26
Filing date: 1985-09-26
Publication date: 1987-04-03

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）この発明は認識精度の良い音声認識方式に関する。

（従来の技術）従来より、情報及び通信機器の入力の効十化、システム
機能の向上等を図る目的のため、音声認識に関しての研
究開発が進められている。この音声認識を行う一般的な
方法にパタンマツチング法がある。

先ず、この発明の説明に先立ち、第６図を参照して従来
のパタンマツチング法につき説明する。

第６図において、ｌＯは音声入力端子、１１は音声分析
部、１２は区間検出部、１３は入力メモリ部、１４は比
較パタンメモリ部、１５は類似度計算部、１６は判定部
、１７は出力端子である。

この従来の認識方式においては、音声入力端子１０に入
力した入力音声を音声分析部１１において特徴を表わす
ベクトルの時系列パタン（以下、音声パタンと称する）
に変換する。この音声パタンは、一般に、中心周波数の
異る２個のバンドパスフィルタ群によって抽出された帯
域内周波数成分を時間間隔ＴＯ（例えば８ミリ秒）毎に
標本化（以下、サンプリングと称する）することによっ
て得ている。一方、この音声分析部１１において、音声
パタンに対応する時間点における音声１ノクワーを算出
する。この音声分析部１１において算出された音声パタ
ンを入力メモリ部１３に逐次格納すると共に、音声パワ
ーを区間検出部１２へ出力する。

区間検出部１２では、音声分析部１１からの音声パワー
に基づき、音声区間すなわち音声の始端及び終端を決定
する。この音声パワーによる音声の始端及び終端の決定
アルゴリズムについては、特願昭５９−１０８６６８号
に開示されているような複雑なアルゴリズム、音声パワ
ーが閾値以上となった時点を音声の始端、閾値未満とな
った時点を音声の終端と考える簡易なアルゴリズムその
他のアルゴリズム等があり、いずれかの適切なアルゴリ
ズムで区間検出を行っている。この区間検出部１２で決
定された始端及び終端間の音声パタンを入力メモリ部か
ら読出して類似度計算部１５へ送る。一方、この類似度
計算部１５には比較パタンメモリ１４から比較パタンを
別途入力させている。この比較パタンは認識対象となる
単語（以後カテゴリと称する）に対し音声パタンと同一
な音声分析処理を施したベクトルの時系列パタンであり
、予め比較パタンメモリ部１４に格納しておく。

この格納に当り、比較パタンを作成するが、その作成は
認識目的によって異る０例えば、話者を限定した認識方
式の場合には、限定された話者が発声した音声を周波数
分析部１１を用いて又はこれと同等な音声分析処理を施
して得られた音声パタンを比較パタンとして比較パタン
メモリ部１４に格納する。

類似度計算部１５では、音声パタンと比較パタンとの間
の類似度計算を行う、この類似度計算には例えば文献（
「沖電気研究開発１１８号」、４８、（３）（昭和５７
年１２月）第５３頁〜第５８頁）に開示されている重み
付は線形マツチング法と呼ばれている方法又はその他の
適切な方法を用いている。

この類似度計算部１５から出力されるカテゴリ毎の類似
度を用いて１判定部１６では、その最大類似度を与える
比較パタンに与えられたカテゴリ名を認識結果として出
力する。

以上が従来のパタンマツチング法による音声認識方式の
概略である。

（発明が解決しようとする問題点）上述した従来の認識方式は、音声のスペクトルの形状を
与える音声パタンと、予め同一分析処理によって算出さ
れた比較パタンとの相違を類似度という尺度から評価し
、最大の類似度を与える比較パタンのカテゴリ名を認識
結果とする方法であった。従って、音声パタンのカテゴ
リと比較パタンのカテゴリとが同じ場合はその類似度は
大きく、異なる場合にはその類似度は小さくなるもので
あった・しかしながら、音声のスペクトルの形状が音声以外の要
因例えば外部の雑音により歪んだ場合にはたとえ同一カ
テゴリといえどもその両者の類似度が大きくなるとはい
えなくなる。

また、従来の認識方式では、演算処理に時間が掛り、し
かも、大きな記憶容量を必要とするので、これを実施す
る装置の構造が大型となるという問題点があった。

この発明の目的はこのような従来の問題点に鑑み、雑音
環境下でも認識精度の良い音声認識方式を提供すること
にある。

この発明の他の目的は、装置として構成する場合、構造
が筒中かつ小型となるように、演算処理速度が速く、し
かも、記憶容量が小さくて済む音声認識方式を提供する
ことにある。

（問題点を解決するための手段）上述した目的の達成を図るため、この発明の音声認識方
式においては次のような手段を採る。

（ａ）先ず、入力音声の周波数成分を複数のバンドパス
フィルタによって抽出し、その出力を一定時間間隔Ｔｏ
（音声フレームと称する）で標本化して特徴ベクトルを
算出する。

（ｂ）また、予め雑音のみと分っている所定の雑音区間
における特徴ベクトルを時間平均して得られる雑音パタ
ンを算出する。

（Ｃ）この雑音パタン抽出以後は特徴ベクトルから雑音
パタンを減じて音声特徴ベクトルを算出する。

（ｄ）音声フレームイσに前述の音声特徴ベクトルから
最小二乗近似直線を算出し、この最小二乗近似直線を基
準にして周波数軸方向で極大となるチャネルに対応する
成分を１にして得られるローカルピークベクトルを算出
する。

（ｅ）この音声特徴ベクトルから当該音声フレームにお
けるフレーム電力を算出し、このフレーム電力の始端と
終端とを算出する。

（ｆ）この始端から終端までの音声フレーム毎に算出さ
れたローカルピークベクトルを一定音声フレーム長にな
るように時間軸線形伸縮する。

（ｇ）登録処理時に認識対象語の音声毎に対し、入力音
声に対して行われる前述の（ａ）〜（ｆ）項の各処理に
対応する処理を行って比較パタンを作成する（登録処理
と称する）。

（ｈ）認識処理後に発声した音声に対して前述の（ａ）
〜（ｆ）項までの処理によって求められた入力パタンと
比較パタンとの間で線型なマツチング処理を行って比較
パタンと入力パタンとのパタン類似度を算出する。

（ｉ）こめ比較パタン毎に算出されるパタン類似度の中
で最大の類似度を与える比較パタンに付加されたカテゴ
リ名を認識結果とする処理を行う。

以上のようにして、入力音声を認識した結果が得られる
。

上述した（ａ）　、　（ｂ）　、　（ｃ）項の処理は高
雑音化における入力に対して音声のみを抽出するための
処理であり、かつ、高雑音下において困難とされている
（ｅ）項の音声区間検出処理を容易ならしめる処理であ
る。

また、（ｄ）項によって算出したローカルピークベクト
ルを（ｈ）項、（ｉ）項の類似度算出に用いることによ
り高雑音環境下における認識性能を向上させている。そ
れは、従来のようなスペクトルの形状を与えるベクトル
を類似度算出に用いずに、音声スペクトルのピークを与
える位置によって算出されるローカルピークベクトルを
類似度算出に用いているからである。従って、雑音が混
入した場合、スペクトルの形状は大きく変わるがスペク
トルのピークの位置は変わらないことに基づいている。

（作用）次に、この発明の作用につき説明する。

この発明の音声認識方式を達成するための機能は第１図
に示す各処理部によって構成される。

以下、その詳細な処理につき説明する。

音声はマイクロフォンを通じて電気信号に変換し、増幅
器（図示せず）、ローパスフィルタ（図示せず）を経て
Ａ／Ｄ変換器（図示せず）に送り、そこで例えば８３マ
イクロ秒毎に標本化（サンプリング）した後、入力端子
２１に入力させる。

以下、前述の各項につき説明する。

［（ａ）項の特徴ベクトル算出処理］入力端子２１に入力した音声のデータの周波数分析を特
徴ベクトル算出部２２によって行い、音声フレーム時系
列の特徴ベクトルに変換する。

この特徴ベクトル算出部２２には、周波数分析のための
、第２図に示すような夫々中心周波数が異なる特性を個
々に有する複数のバンドパスフィルタと、ローパスフィ
ルタと、音声フレーム毎にサンプリングを行うサンプリ
ング手段（それぞれ図に示していない）とを具えている
。

各バンドフィルタによって音声からその中心周波数の成
分のみを抽出する。このようにして各バンドフィルタに
よって分けられたデータの系列をチャネルと称する。各
チャネル毎のバンドパスの出力に対して絶対値化演算を
施した後、ローパスフィルタに入力させる。各チャネル
毎のローパスフィルタ出力をサンプリング手段によって
音声フレームの周期毎に再サンプルして特徴ベクトルの
成分を得る。

今ｉ番目の音声フレームにおけるにチャネルのにローパスフィルタの出力をａｌ　　とすると、ｉ番目の
音声フレームにおける特徴ベクトルａｉ　　はａ＝（ａ
ｌ、ａ！’、−、ａＬ・＝、ａ”ＩＬ　　　　　　　ｌ
　　　　　ｌと表現することが出来る。ここで、Ｋはチャネル数であ
る。

［（ｂ）項の雑音パタン算出処理］この処理は雑音パタン算出部２３で行う。雑音のみが入
力されていて音声が入力されていない区間を例えば連続
して１０音声フレーム（音声フレーム数は木質ではない
）設定し、これを雑音期間と称する。

雑音区間の特徴ベクトルは雑音のスペクトル形状を表わ
すもので、これを特に雑音ベクトルと称し、町　と表現
するつところで、雑音区間内における雑音のスペクトルの平均
値をによって算出し、この平均値を雑音パタンと称する。

雑音パタンＮの成分をＮｋ　　とすると。

叶＝　（Ｎｌ　、　Ｎ２．・・　Ｈｋ、・・・　ＨＫ　
Ｈとなる。

［（Ｃ）項の音声特徴ベクトル算出処理］この処理を音
声特徴ベクトル算出部２４で行う。

雑音区間以降、すなわち雑音パタン算出以降は特徴ベク
トル算出部２２から出力される特徴ベクトルａ１　　か
ら雑音パタン算出部２３からの雑音パタンＮを減じ、音
声特徴ベクトルわ’　　”　　’　　ｂ＞　　、　ｂ＞　　＋　　”’
　　＋　　ｂし　”’　　＋　　”’　　１を次式によ
って算出する。

この処理部２４における処理は高雑音環境化における音
声認識の性能を向上するための手法であり、雑音が比較
的に定常的に続いている場合に効果を発揮する。

［（ｄ）項のローカルピークベクトル算出処理］この処
理をローカルビーク算出部２５で行う。

音声特徴ベクトル算出部２４から送出される音声特徴ベ
クトルＴｏｉ　　をローカルピークベクトル算出部２５
においてローカルピークベクトル町　に変換する。

この変換処理につき第３図（Ａ）〜（Ｃ）を参照して説
明する。

音声特徴ベクトルＴｏｊ　　の各成分す、は次式により
対数変換される。

第３図（Ａ）にこの音声特徴ベクトル成分の対数変換Ｘ
１（ｋ）の例を示し、横軸にチャネル番号ｋを及び縦軸
にＸｌ　　（ｋ）をそれぞれプロットして示す、この図
により、ｉ番目の音声フレームにおける音声の対数スペ
クトルの形状が表わされている。

次に、次式によって学えられる最小二乗近似直線を用いて正規化を行う。

Ｚｔ　（ｋ）　＝　ｘ、　（ｋ）　−Ｙｌ　（ｋ）＝　
ｘｉ（ｋ）　−ｕ、（ｋ）−ｋ　−ｖｉ（ｋ）　　　　
　　（５１この正規化された音声特徴ベクトル成分ｚ１
　（ｋ）の例を第３図（８）に示す、第３図（Ｂ）にお
いて横軸にチャネル番号を及び縦軸にｚ４　（ｋ）をそ
れぞれプロットして示す。

次に、次式（８）のような判断に基づいて、このｚｉ（
ｋ）を用いてローカルピークベクトルＥｉを算出する。

この（６）式の判断条件を満たすｋに対してはｒ−ゝ＝
１．満たさないｋに対してはｒ−＝ｏなる１　　　　　
　　　　　　　　　　　　　　　　　　　　　　。

値を成分として有するベクトルｒＩＦ１　＝（ｒ！ｒ’、・”＋ｒト・”＋４１１’　　　
１を算出する。このベクトルｒｉ　　をローカルピークベ
クトルと称する。このローカルピークベクトルｒｉ　　
の例を第３図（Ｃ）に示す。

［（ｅ）項の音声区間検出処理］この処理を音声区間検出部２６で行う。

音声フレーム毎に音声特徴ベクトル算出部２４より算出
される音声特徴ベクトル帆　を用いて、当該音声フレー
ムのフレーム電力Ｐｉ　　を　算　出　する。

音声区間検出部２Ｂにおいては、音声特徴ベクトルＩｂ
ｉ　　から得られたフレーム電力Ｐｉ　　を用いて音声
区間検出を行う。

音声区間検出のアルゴリズムについては前述したように
各種のものが提案されているが、この発明はそのアルゴ
リズム自体を目的とするものではなく、音声区間検出に
特徴ベクトルａｉ　から雑音パタンＮを減じて得られた
音声特徴ベクトルｌｂｉを用いることを目的としている
ため、ここでは説明の便宜上、フレーム電力Ｐ、が定め
られた閾値Ｐｓ以上となった音声フレームを音声の始端
Ｉ５　　、音声の始端からフレーム電力Ｐ、が閾値Ｐｓ
未満となった音声フレームを音声の終端Ｉ６と考える。

第４図（Ａ）及び（Ｂ）は入力音声を「サラポロ」とし
、これに雑音として自動車騒音を付加してＳ／Ｎを１０
ｄＢとした場合のフレーム電力特性を示す、第４図（Ａ
）は無雑音環境下において音声特徴ベクトルＴｏｉ　か
ら算出したフレーム電力Ｐｉであり、（Ｂ）図は雑音環
境下において、同様な手法により特徴ベクトルａｉ　　
から算出したフレーム電力Ｐｉ′である。それぞれ横軸
に時間を及び縦軸にフレーム電力をプロットして示しで
ある。

第４図（Ａ）及び（Ｂ）から理解出来るように、雑音パ
タンを減じている音声特徴ベクトルＴｏｉ　　から得ら
れるフレーム電力Ｐｉ　　の変化は、音声の発せられて
いる区間と、音声の発せられていない区間との明確な区
別を有している。そのため、雑音環境下においても音声
区間検出が容易に行える。

［（「）項の線形伸縮処理］この処理を線形伸縮部２７で行う、音声区間検出部２８
により検出された始端Ｉ５　　と終端Ｉε　との間のロ
ーカルピークベクトルを一定音声フレーム長に時間軸線
形伸縮する。この線形伸縮部２７における伸縮処理は主
として後述する線形マツチングを行い易くするためであ
り、その他に後述する比較パタンをメモリ内に格納する
際の領域管理を容易にするための処理である。

次に１時間軸線形伸縮の方法について説明する。ここで
は説明のために３２音声フレームに線形伸縮する場合を
考える。始端を■ｓ　　とし終端を■、とし、線形伸縮
後の音声フレーム番号をｉ′（ｉ’＝１〜３２）とし、
線形伸縮前の音声フレーム番号ｉをの式から算出し、線形伸縮前ｉ番目の音声フレームにお
けるローカルピークベクトル曵　を線形伸縮後ｉ′番目
の音声フレームにおけるローカルピークベクトルｒ、′
とする。ただしく８）式において、〔〕はガウス記号を
表わす。

結果として、始端から終端までのローカルピークベクト
ル列１工ｓ１工ｓ＋１°”　’ｉ　”’　”Ｅ−１”Ｅは線
形伸縮されて ’１　’２　””　ｉ　””　８１　　’８２なるベク
トル列となる。

以後、特にことわりがない限り線形伸縮後の音声フレー
ムの番号付けで話を進める。

［（ｇ）項の比較パタン算出及び格納処理］この処理を
比較パタン格納部２８で行う。

話者を限定する特定話者認識方式においては、認識対象
となる単語（以下、カテゴリと称する）を予め発声し、
その単語を表現するためのパタン（比較パタンと称する
）を予め格納しておく必要がある。比較パタン格納部２
８では、このような比較パタンか格納されている。以下
、この比較パタンの作成方法につき説明する。この比較
パタンを作成する処理を登録処理と称する。

ここで説明のためカテゴリの数をＭ個とする。

また、同一カテゴリを数回発声し、それぞれのパタンの
平均をとることにより比較パタンを作成する方法もある
が、この例では一回のカテゴリの発声に対して比較パタ
ンを作成するものとする。

比較パタンを作成するために用いられる音声を学習音声
と称する。

今、ディジタル化されたｍ番目の学習音声を入力端子２
１から特徴ベクトル算出部２２へと送り学習音声の特徴
ベクトルを算出する。一方、雑音ノくタン算出部２３に
は、前もって学習音声が入力されていないときの雑音パ
タンか抽出されている。従って、音声特徴ベクトル算出
部２４において、特徴ベクトル算出部２２からの特徴ベ
クトルから雑音ノくタン算出部２３からの雑音パタンを
減算し、学習音声の音声特徴ベクトルを算出する。

次に、この音声特徴ベクトルをローカルピークベクトル
算出部２５においてローカルピークベクトルに変更する
。

一方、音声区間検出部２６において、学習音声の電力を
計算し、始端及び終端を検出する。

次に、線形伸縮部２７において、時間的線形伸縮処理が
施され、３２フレーム長のローカルピークベクトル列に
変換される。この学習音声のローカルピークベクトルを
特に比較ローカルピークベクトルと称し、これを□Ｓｊ
　　で表わす。

ｍ５ｊ＝（ｍｓ、　ｌ　ｍｓ、　ｌ　”’　＋　ｍｓ、
　Ｉ　・・・ｒ　ｍｓ、　１また、比較ローカルピーク
ベクトルのベクトル列によって表わされるパタンをＳア
と表わし、これを比較パタンと称する。

各カテゴリ名毎の比較パタンＳユを対応するカテゴリ名
Ｃ□と一緒に比較パタン格納部２８に格納する。

既に説明したように、線形伸縮処理によって比較パタン
Ｓ７．Ｉの大きさは一定となっているため、複数個の比
較パタンを格納する際のメモリのアドレス管理が極めて
容易となる。

［（ｈ）項の線形マツチング］この処理を線形マツチング部２９で行う。

上述したような比較パタンを作成する登録処理に対して
、認識動作を行うときの処理を認識処理と称する。そこ
で、認識処理時に入力される音声を入力音声と称する。

この入力音声の音声区間も音声区間検出部２６で算出さ
れる。

また、入力音声に対しても前述した（ａ）項から（ｆ）
項と同一・又は類似の処理を行ってローカルピークベク
トルｌｒ４　　（入力ローカルピークベクトルと称する
）を求める。

このようにして、始端から終端まで入力ローカルピーク
ベクトルの時系列によって表現される入力音声のパタン
を入力パタンと称し、これをＲで表現する。

また、既に説明したように、ｍ番目の比較パタンＳｍ　
が始端から終端までの時系列として表現され、比較パタ
ン格納部２８に格納されている。

次に、入力パタンＲと、比較パタンＳｍ　　との類似性
を算出する処理につき説明する。

パタンの類似性を算出する方法としては非線形なりＰマ
ツチング法などがあるが、この発明では処理の簡易な線
形マツチングで行う。

３２個の入力ローカルピークベクトル町　によって表わ
されている入力パタンＲと、３２個の比較ローカルピー
クベクトル−３によって表わされている比較パタンＳＴ
ｌ　との間のパタン類似度り、をで定義する。ここで、右肩添字ｔはベクトルの転置を表
わす。

［（ｉ）項の判定処理］この処理を判定処理部３０で行う、各カテゴリ毎に求ま
るパタン類似度り開　により最大値判定を行う。

最大値を与える比較パタンの番号ｍ％４ｇに対応するカ
テゴリ名Ｃｍ、ａｘを認識結果として出力端子３１から
出力させる。

以上説明したところからも明らかなように、この発明の
音声認識方式においては、入力音声から雑音パタンを除
去した音声特徴ベクトルを用いてフレーム電力を算出し
、音声区間検出を行っているため、第４図（Ａ）及び（
Ｂ）に示した、音声特徴ベクトルにより算出したフレー
ム電力η　及び無処理の特徴ベクトルにより算出したフ
レーム電力ＰＩ′の比較からも明らかなように、音声区
間検出誤りが少ない、このように４、雑音環境下におい
ても入力音声を高精度で認識することが出来る。

さらに、音声特徴ベクトルから算出したローカルピーク
ベクトルを用いてパタン類似度算出処理を行っているた
め、演算処理が極めて簡易である。

ざらに、比較パタンに関しても比較ローカルピークベク
トルを用いているため、その記憶容量を極めて少なくす
ることが出来、従って、上述した演算処理の簡易化と合
せて音声認識システムの小型化を図れる。

（実施例）以下、この発明の実施例につき第５図を参照して説明す
る。

第５図はこの発明の音声認識方式の一実施例を実施する
ための具体的な回路構成を示すブロック図である。

第５図において、４１はマイクロフォン、４２は音声信
号を増幅するための増幅器、４３はローパスフィルタ、
４４は音声をディジタル信号に変換するＡ／Ｄ変換器、
４５は特徴ベクトルを算出する信号処理プロセッサ、４
８はプロセッサ、４７はプロセッサのプログラムが格納
されているプログラムメモリ、４８は比較パタンを格納
するための比較パタンメモリ、４９は作業メモリ、５０
は雑音パタンを格納するための雑音パタンメモリ、５１
は認識結果を外部に出力するためのインタフェースであ
る。ただし、それぞれの構成要素間には厳密な意味では
インタフェース回路が必要であるが、ここではこれを省
略する。

止血り盈太ヱ！１１１次に、この第５図を参照してこの発明の音声認識方式の
一例を説明する。

マイクロフォン４１からの入力音声を増幅器４２で増幅
した後、ローパスフィルタ（ＬＰＦ）４３においてその
低周波数成分を除去する。

次に、低周波成分が除去された入力音声をＡ／Ｄ変換器
４４によって例えば１２ｋＨｚのサンプリング周波数で
１２ビツトにサンプリングする。前述のローパスフィル
タ４３での処理はこのサンプリングのために必要な処理
で、従って、このフィルタとしては例えば５ｋＨｚの遮
断周波数をもつ減衰４８　ｄ　Ｂ　／　ｏ　ｃ　ｔのロ
ーパスフィルタを用いる。

Ａ／Ｄ変換器４４によってサンプリングされた音声のデ
ィジタルデータを信号処理プロセッサ４５によって、特
徴ベクトルに変換する。この信号処理プロセッサ４５と
して例えばＴＩ社製の３２０１０を用いることが出来る
。

プロセッサ４６は音声フレーム周期毎に信号処理プロセ
ッサ４５から出力される特徴ベクトルを用いて処理を行
うが、その処理の内容は ■　登録処理 ■　認識処理とに分けられる。以下、これらの処理についてそれぞれ
説明をする。

［登録処理］この処理は次の処理に分けられる。

雑音パタンの算出処理音声特徴ベクトルの算出処理比較ローカルピークベクトル算出処理音声区間検出処理線形伸縮及び比較パタン格納処理以下、これらの各処理につき説明する。

（雑音パタン算出処理）登録処理のため、例えば、１０音声フレームを雑音区間
と定める。このとき、話者は発声しないで、まわりの雑
音のみをマイクロフォン４１から入力するようにする。

この雑音入力を信号経路（４２，４３，４４）を経て信
号処理プロセッサ４５に送り、これより雑音ベクトルを
生じさせ、この雑音ベクトルを作業メモリ４８に逐次格
納する。このメモリ４８にｌＯ音声フレーム分の雑音ベ
クトルが格納されると、これら雑音ベクトルを平均化し
てその平均値を雑音パタンメモリ５０に格納する。

（音声特徴ベクトル算出処理）雑音区間終了後、信号処理プロセッサ４５から入力され
る特徴ベクトルから雑音パタンメモリ５０中の雑音パタ
ンを減じることによって、音声特徴ベクトルを算出し、
これを作業メモリ４８内に格納する。

この処理は音声フレーム周期毎に行われるが、音声区間
検出処理によって始端が検出されるまでの音声特徴ベク
トルは不必要であり、従って、作業メモリ４９を効果的
に使用するためには適当に捨てていく。

（比較ローカルピークベクトルの算出処理）作業メモリ
４９に格納されている音声特徴ベクトルを、前述した（
ｄ）項の処理により、比較ローカルピークベクトルに変
換して作業メモリ４９に格納する。この処理も、音声フ
レーム周期毎に行われる。また、始端検出以前の比較ロ
ーカルピークベクトルも適宜に捨てていく。

（音声区間検出処理）作業メモリ４８に格納されている音声特徴ベクトルから
フレーム電力を算出する。

このフレーム電力と閾値とを比較しながら音声の始端と
終端とを決定する。

（線形伸縮及び比較パタン格納処理）作業メモリ４８に格納されている比較ローカルピークベ
クトルのうち始端から終端までの比較ローカルピークベ
クトルを、（ｆ）項の処理により時間的線形伸縮して比
較パタンメモリ４８に格納する。

以−ヒ説明した登録処理による比較パタンの作成方法は
１つの比較パタンを１つの学習音声から作成しているが
、認識性能をあげるためには同−力テゴリの複数回の学
習音声から比較パタンを作成するのが良いとされている
。この場合、複数回の発声により作成された比較パタン
を１つに平均化し、比較パタンとする方法、それぞれ比
較パタンを全て持つ方法、その他の種々の方式が考えら
れるが、この発明の木質でないため詳細な説明は省略す
る。

［認識処理］この処理はさらに次の処理に分けられる。

雑音パタンの算出処理音声特徴ベクトルの算出処理入力ローカルピークベクトルの算出処理音声区間検出処
理線形伸縮処理パタン類似度算出処理判定処理（ｌ音パタンの算出処理）登録時と認定時とでは雑音の状況が変化していることも
考えられるため、雑音パタンの算出を再度行う。

この雑音パタンの算出に関しては単語入力の曲毎に行う
のが良いが、単語の入力速度が遅くなったり或いは雑音
測定中に発声し易いなどの点から、特に特別な雑音区間
を適宜設けてその区間で雑音パタンを測定する方が現実
的であろう。

登録時と同様に、あるｌＯ音声フレームを雑音区間と定
め、このとき話者は発声しないようにする。この状態で
、まわりからの雑音のみをマイクロフォン４１から入力
させて、前述と同様に信号処理プロセッサ４５に送り、
これより生ずる雑音ベクトルを作業メモリ４８に逐次格
納する。１０￥ｆ声フレ一ム分の雑音ベクトルを格納し
たとき、これら雑音ベクトルの平均を取って、この平均
雑音ベクトルを雑音パタンメモリ５０に格納する。

（音声特徴ベクトル抽出処理）雑音区間終了後から音声特徴ベクトルの算出は新しい雑
音パタンを用いて行われる。

信号処理プロセッサ４５から入力される特徴ベクトルか
ら雑音パタンメモリ５０に格納されている雑音パタンを
減じることによって音声特徴ベクトルを算出し、これを
作業メモリ４９に格納する。この処理は音声フレーム周
期毎に行われる。また、後述する始端検出以前の音声特
徴ベクトルは不必要であるため適宜捨てていく。

（入力ローカルピークベクトル算出処理）作業メモリ４
８に格納されている音声特徴ベクトルを前述した（ｄ）
項の処理により入力ローカルピークベクトルに変換して
作業メモリ４９に格納する。

この処理も音声フレーム周期毎に行われる。また、始端
検出以前の入力ローカルピークベクトルも適宜捨ててい
く。

（音声区間検出処理）作業メモリ４９に格納された音声特徴ベクトルからフレ
ーム電力Ｐｉ　　を算出する。このフレーム電力Ｐｉ　
　と閾値とを比較しながら音声の始端及び終端を決定す
る。

（線形伸縮処理）作業メモリ４８に格納されている始端から終端までの入
力ローカルピークベクトルを（ｆ）項の処理により時間
的線形伸縮し１作業メモリ４９に格納する。

（パタン類似度算出処理）作業メモリ４９に格納されている３２個の入力ローカル
ピークベクトルと、比較パタンメモリ４８に格納されて
いるカテゴリ毎３２個の比較ローカルピークベクトルと
の間で、前述した（ｈ）項におけるパタン類似度算出処
理（線形マツチング）を行い、その結果としてＤＴｎ　
を作業メモリ４８に格納する。

（判定処理）作業メモリ４９に格納されているパタン類似度り電を用
いて、前述した（ｉ）項における判定処理を行って、そ
の結果として得られたカテゴリ名Ｃｍ％ａ、をインタフ
ェース５１に通して外部に出力させる。

（発明の効果）上述した説明からも明らかなように、この発明によれば
、次のような効果が得られる。

■入力に対して雑音パタンを除去した音声特徴ベクトル
を用いてフレーム電力を算出し音声区間検出を行ってい
るため、音声区間検出誤りが少なく、従って、雑音環境
下においても入力音声の認識精度が従来よりも向上する
。

■音声特徴ベクトルから算出されたローカルピークベク
トルを用いてパタン類似度算出処理を行っているため、
この発明の音声認識方式を実施する際の演算処理が極め
て蒲易となる。

■比較パタンに関しても比較ローカルピークベクトルを
用いているため、その記憶容量は極めて小さい、従って
、上述した■の効果と合せて、この発明の認識方式を実
施するための装置の構造が簡単かつ小型となる。

【図面の簡単な説明】

第１図はこの発明の音声認識方式の認識処理を説明する
ためのブロック図。第２図は音声分析処理に用いるバンドパスフィルタの特
性を示す図、第３図はローカルピークベクトル算出を説明するための
説明図、第４図はフレーム電力の様子を示す図、第５図はこの発
明の実施例を示すブロック図、第６図は従来の音声認識
方式を説明するためのブロック図である。２１・・・入力端子、　　　　２２・・・特徴ベクトル
算出部２３・・・雑音パタン算出部２４・・・音声特徴ベクトル算出部２５・・・ローカルピークベクトル算出部２６・・・音
声区間検出部２７・・・線形伸縮部２８・・・比較パタン格納部２８・・・線形マツチング部３０・・・判定部、　　　　　３１・・・出力端子４１
・・・マイクロフォン、４２・・・増幅器４３・・・ロ
ーパスフィルタ、４４・・・Ａ／Ｄ変換器４５・・・信
号処理プロセッサ４６・・・プロセッサ、　　　４７・・・プログラムメ
モリ４８・・・比較パタンメモリ、４９・・・作業メモ
リ５０・・・雑音パタンメモリ５１・・・インタフェース。手続補正書昭和６１年６月２５日

Claims

【特許請求の範囲】

（１）（ａ）入力音声を周波数分析し、該入力音声の周
波数成分のベクトルである特徴ベクトルを音声フレーム
と称する一定時間間隔で算出する処理と、（ｂ）予め雑音のみと分かっている所定の雑音区間にお
ける前記特徴ベクトルを時間平均して得られる雑音パタ
ンを算出する処理と、（ｃ）前記音声フレーム毎に算出される前記特徴ベクト
ルから前記雑音パタンを減じて音声特徴ベクトルを算出
する処理と、（ｄ）前記音声フレーム毎に、前記音声特徴ベクトルか
ら最小二乗近似直線を算出し、最小二乗近似直線を基準
にして周波数方向で極大となるチャネルに対応する成分
を１にしかつその他の成分は０にして得られるローカル
ピークベクトルを算出する処理と、（ｅ）前記音声特徴ベクトルから当該音声フレームにお
けるフレーム電力を算出し、前記フレーム電力を用いて
音声の始端と終端とを検出する処理と、（ｆ）前記始端から前記終端までの前記音声フレーム毎
に算出されたローカルピークベクトルを一定音声フレー
ム長に時間軸線形伸縮する処理と、（ｇ）予め認識対象
語毎に一回もしくは複数回の発声の学習音声に対し前記
（ａ）項から（ｆ）項までの処理と同一又は類似した処
理によって比較パタンを算出し、該比較パタンを格納す
る処理と、（ｈ）認識させようとする入力音声に対して
前記（ａ）項から（ｆ）項までの処理により求めた入力
パタンと前記比較パタンとの間で非線形なマッチング処
理を行うことにより、前記入力パタンと比較パタンとの
間のパタン類似度を算出する処理と、（ｉ）前記比較パ
タン毎に算出されるパタン類似度の中で最大を与える比
較パタンに付加されたカテゴリ名を結果として出力する
処理とを具えることを特徴とする音声認識方式。