JPS63183499A - 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） 本発明は、音声波形より文字データを抽出する音声認識
装置に関する。

（従来技術とその問題点〉 従来、入力音声のセグメンテーションを行なった後に音
声認識を行なう種々の方式が例えば下記文献パ新美康永
著「音声認識」　（共立出版）″等により知られている
。

一方、パーセプトロンあるいはそれに類似した素子を階
層的に結合してネットワークを構成しテキスト−音素変
換を行なう方式が、テランス・ジエイ・セジョノスキ−
（Ｔｅｒｒｅｎｃｅ　Ｊ、　Ｓｅｊｎｏｗｓｋｉ　）及
びチャールズ・アール・ローゼンバーグ（Ｃｈａｒｌｅ
ｓ　Ｒ，Ｒｏｓｅｎｂｅｒｇ）著の技術論文”ＮＥＴｔ
ａｌｋ：八ＰａｒａｌｌｅｌＮｅｔｗｏｒｋｔｈａｔＬ
ｅａｒｎｓｔｏＲｅａｄＡｌｏｕｄ　　″　　（丁ｈｅ
　　Ｊｏｈｎｓ　　Ｈｏｐｋｉｎｓ　　Ｌｌｎｉｖｅｒ
ｓｉｔｙＬｌｅｃｔｒｉｃａｌ　Ｅｐｇｉｎｅｅｒｉｎ
ｇ　ａｎｄ　ＣｏｒＩｌｐｕｔｅｒ　５ｃｉｅｎｃｅｔ
ｅｃｈｎｉｃａｌ　Ｒｅｐｏｒｔ　ＪＨＵ／ＥＥＣ８−
８６１０１）等の文献により知られている。

しかしながら、前者の音声認識方式は複雑なセグメンテ
ーションアルゴリズムを必要とし、且つセグメンテーシ
ョンアルゴリズムに必要な知識を獲得することが困難で
あるという欠点があった。

一方、後者のテキスト−音素変換方式は比教的単純な回
路構成で実現できるとともに学習を行なうことにより前
記変換に必要な知識を比較的容易に獲得できる長所があ
る。そこで、後者の如き方式を前者の音声認識に応用す
ることが考えられるが、後者の方式は時間軸方向に対す
る処理が十分考慮されておらず適用が困難であった。

（問題点を解決するための手段） 前述の問題点を解決するために本願発明が提供する音声
認識装置は、音声の知覚または生成の過程に対応して設
けられた階層毎に各階層内の状態に対応して予め用意さ
れたセグメンテーションデータに従って制御される複数
個のインバースフィルタと、前記各階層内の状態に対応
して予め用意された重み係数に従って下層の前記インバ
ースフィルタの出力値の荷重和を算出し上層の前記イン
バースフィルタの入力とする手段とを有することを特徴
とする。

（作用） 人間の音声の知覚（生成）過程は、文字列の処理等を行
なう言語レベルの処理、音素レベルの処理、調音器官の
制御に対応した調音レベルの処理等の階層構造を持って
いることが知られている。

また各階層は複数個の状態を有しており、文字列レベル
では例えば日本語の場合「あ］、「い」。

「か」、「さ」等の文字に対応する状態が、音素レベル
では’ＰＪ、ｒｊ、、’ｋＪ、’ＳＪ。

’ａ」、　　「ｆＪ、’ｙ」等の音素に対応する状態が
、調音レベルでは「有声」、「無声」。

「鼻音」、「破裂」、「唇音」、「歯ぐき音」等の調音
状態が考えられる。

以上述べたような階Ｎ構造は比教的単純な構造を持ち直
観的にも分り易く音声認識システムを構築する上でも有
用である。音声波形を文字列に変換する音声認識処理を
行なう為には入力音声をセグメンテーションする処理と
、各セグメントが前記各階層のどの状態に対応するかを
推定する必要がある。一般に、各階層における一つの状
態が他の状態に移行する際にはその状態を表わすパラメ
ータ値が特有の時間変化をするなめ、前記パラメータの
Ｐｒ間突変化特性調べればセグメンテーションが可能と
なる。本発明においては前記状態に特有の時間変化特性
をインバースフィルタを用いて評価しセグメンテーショ
ン情報を得ることができる。前記インバースフィルタを
制御する各状態に固有の係数値（セグメンテーションデ
ータ）は、例えば実際の音声波形データと正解データを
与えて学習させることにより得ることができる。

前記状態を表わすパラメータとしては例えば、前記下層
の複数個のインバースフィルタの出力値の荷重和（線形
結合）を用いることができる。この際、前記状態に対す
る荷重和の荷重値（重み係数）は実際の音声データと正
解データを与えて学習することにより得ることができる
。

（実施例） 次に図面を参照して本発明を一層詳しく説明するう第１
図は本発明の一実施例を示すブロック図である。

第１図において、まず音声波形が音源パラメータ抽出回
路１およびホルマントパラメータ抽出回路２に入力され
る。音源パラメータ抽出回Ｆ！＠１は前記音声波形から
有声／無声データ、ピッチデータ８振中データ等の音源
パラメータ値を抽出し調音レベルの荷重和回路１１．１
２．１３に出力する。一方、ホルマントパラメータ抽出
回路２は前記音声波形からホルマントパラメータ値を抽
出し、調音レベルの荷重和回路１１．１２．１３に出力
する。調音レベルの荷重和回路１１．１２．１３は前記
音源パラメータ値およびホルマントパラメータ値にそれ
ぞれの荷重和回路毎に予め定められた荷重をかけた後に
、対応する調音レベルのインバースフィルタ１４゜１５
、１６に出力する。調音レベルのインバースフィルタ１
４．１５．１６は予め各インバースフィルタ毎に定めら
れた係数に従って、対応する前記調音レベルの荷重和回
路の出力に対してインバースフィルタリングを行ない音
素レベルの荷重和回路２１．２２゜２３に出力する。

音素レベルの荷重和回路２１．２２．２３は前記調音レ
ベルのインバースフィルタの出力に対して各荷重和回路
毎に予め定められた荷重をかけた後に加算を行ない総和
を対応する音素レベルのインバースフィルタ２４．２５
．２６に出力する。音素レベルのインバースフィルタ２
４．２５．２６は、予め各インバースフィルタ毎に定め
られた係数に従って対応する前記音素レベルの荷重和回
路の出力に対してインバースフィルタリングを行ない文
字レベルの荷重和回！３１．３２．３３に出力する。

文字レベルの荷重和回路３１．３２．３３は前記音素レ
ベルのインバースフィルタの出力に対して、各荷重和回
路毎に予め定められた荷重をかけた後に加算を行ない総
和を対応する文字レベルのインバースフィルタ３４．３
５．３６に出力する９文字レベルのインバースフィルタ
３４．３５．３６は予め各インバースフィルタ毎に定め
られた係数に従って対応する前記文字レベルの荷重和回
路の出力に対してインバースフィルタリングを行ないＲ
ＩＭ文字検出回＃Ｉ４１に出力する。最適文字検出回路
４１は前記文字レベルのインバースフィルタの出力値を
比較し最小値に対応する文字を出力する。

第２図は第１図において用いられているインバースフィ
ルタの構成例を示すブロック図である。

まず入力端子５１を介して該レベルにおける前記荷重和
回路の出力値１０１が加算回路５２に入力される。加算
回路５２は荷重回路５６．５７．５８の出力値と前記荷
重和回路の出力値１０１を加算し総和を遅延回路５３に
出力する。遅延回路５３．５４．５５は該入力に対して
該レベルにおいて定められた単位時間たけ遅延を行なう
。荷重回路５６．５７．５８は対応する前記遅延回路の
出力に対して各インバースフィルタ毎に予め定められた
前記係数を用いて荷重をがけ加算回路５２に出力する。

遅延回路５５の出力１０９はインバースフィルタの出力
値として出力端子５９を介して出力される。

以上の説明においては、インバースフィルタとして第２
図に示されるような巡回型のフィルタを用いたが、一般
に時間遅れ要素を含むフィルタを用いれば各状態のパラ
メータ値の時間変化パターンを調べることができ同様の
効果が得られることは明らかである。

（発明の効果） 以上述べた如く本発明によればセグメンテーションデー
タに従って制御されるインバースフィルタを用いること
により比較的単純な回路構成でセグメンテーションおよ
び状態認識を行ない音声認識を行なうことが可能となる
。

【図面の簡単な説明】 第１図は本発明の一実施例を示すブロック図、第２図は
その実施例で用いるインバースフィルタを示すブロック
図である。

Claims (1)

【特許請求の範囲】
1. 音声の知覚または生成の過程に対応して設けられた階層
   毎に各階層内の状態に対応して予め用意されたセグメン
   テーションデータに従って制御される複数個のインバー
   スフィルタと、前記各階層内の状態に対応して予め用意
   された重み係数に従って下層の前記インバースフィルタ
   の出力値の荷重和を算出し上層の前記インバースフィル
   タの入力とする手段とを有することを特徴とする音声認
   識装置。