JPS63259600A - 連続音声認識方式 - 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】 〔概要〕 文の単位で発声された連続音声を認識する音声認識方式
において、入力された連続音声のピッチパターン（ピン
チ周波数の時系列）と、特定のピッチパターン生成モデ
ルから生成されたピッチバターンとの差が小さくなるよ
うに、該ピンチパターン生成モデルを規定してピッチパ
ラメータを決定し、該決定されたピッチパラメータを使
用して、上記入力された連続音声を、複数個の区間、例
えば、文節に分割して、該分割された文節単位で音声認
識を行うようにしたものである。

〔産業上の利用分野〕

本発明は、文の単位で発声された連続音声を認識する音
声認識方式に関する。

最近の計算機技術と、音声認識技術の進歩に伴って、音
声をデータとしてデータ処理を行う、音声文書システム
（音声ワードプロセッサ）、翻訳電話システム、自然言
語によるデータベース検索システム等の開発が進められ
ている。

従来、ワードプロセッサ等においては、キーボードによ
り、文章を入力していたが、計算機システムに対するデ
ータ入力手段としてのマンマシンインタフェースを改善
する為には、音声による文章入力が要求される。

この場合も、該マンマシンインタフェースヲ更に改善す
る為には、できる限り文の単位で入力できることが望ま
れる。

このようなことから、認識率の高い連続音声認識方式が
必要とされる。

〔従来の技術と発明が解決しようとする問題点〕第４図
は、従来の連続音声認識方式を説明する図であり、（ａ
）は構成例を示し、（ｂ）は入力音声の波形を示してい
る。

従来から連続発声された文の音声認識方式（以下、連続
音声認識方式と云う）は、幾つか提案されているが、そ
の−例を示したものが本図である。

■　先ず、入力音声をパラメータ抽出部７で、フィルタ
バンク　（複数個のバンドパスフィルタ）を通して周波
数分析を行い、周波数成分をパラメータとする時系列デ
ータを抽出する。

■　■で抽出した入力音声のパラメータ時系列の中から
、パラメータの変動の少ない区間をｖＣｖ境界推定部８
で抽出して、ＶＣＶ　（母音−子音−母音）境界の候補
とする。

次に、予め、■と同様の方法で分析し、母音標準パター
ンファイル８ａに登録されている母音標章パターンと、
上記ＶＣＶ境界候補との照合を行い、予め定めである一
定の距離以下で最小の距離となるものを、ＶＣＶ境界と
する。（（ｂ）図参照）この母音標準パターンとの照合
は、子音でも、゛シ゛や、ス”のように、パラメータの
変動の少阜 ないものもあので、これを除く為に行うものである。

■　このようにして、得られたｖＣＶ区間（本図（ｂ）
で、例えば、斜線を施した部分）について、ｖＣｖ照合
照合−９いて、予め、ｖＣｖ標準パターンファイル９ａ
に登録されているｖＣＶ標準パターンと照合する。

但し、（ｂ）図に示されているように、語頭はＣＶであ
り、語尾はＶであるので、このような標準パターンとの
照合も行う。

■　判定部１０において、■の照合で最も距離の短いＶ
ＣＶ候補を認識結果とする。但し、長音は、上記パラメ
ータの変動の少ない区間を抽出する本方式においては、
−音節（母音が主体となる）となる為、該音節の時間長
が一定値以上のときは長音と判定する。

本音声認識方式は、文単位の発声でも、文節単位の発声
でも、適用できるが、文単位の発声のように、ＶＣＶ境
界が多くなると、ＶＣＶ境界候補の抽出時の誤りが増加
し、認識率が低下することになる。２ 従って、このような従来方式においては、認識率から見
て十分満足のいくものでないのが実情であった。

一方、発声単位を単語、或いは文節等の短いものに制限
して音声認識を行う方式では、上記の音声認識方式でも
明らかなように、文単位の発声と比較して高い認識率が
得られる。

本発明は上記従来の欠点に鑑み、従来の音声認識方式に
おいては、単語、或いは、文節単位での音声認識方式で
は高い認識率が得られることに着目して、連続音声認識
において、入力音声のビフチ情報を利用して、入力音声
を文節等の短い単位に分割し、上記従来の音声認識の手
法を用いて高い認識率を達成する連続音声認識方式を提
供することを目的とするものである。

〔問題点を解決するための手段〕

第１図は、本発明の連続音声認識方式の構成例を示した
図である。

本発明においては、 （１）文の単位で発声された連続音声を認識する音声認
識方式であって、 入力音声信号から該入力音声信号のピンチパターンを抽
出する手段１と、 該ピッチパターンから、特定のピンチパターン生成モデ
ルから生成されるピンチパターンとの差が小さくなるよ
うに、該ピンチパターン生成モデルを規定するピッチパ
ラメータを決定する手段２と、 該決定されたピッチパラメータを使用して、上記入力音
声信号を複数個の区間に分割する手段３と、 該分割された音声信号を認識する手段４とを設け、 上記入力された連続音声のピッチパターンのピッチパラ
メータに基づいて、該連続音声を複数個の区間に分割し
、該分割された区間を音声認識するように構成する。

（２）上記入力音声信号を複数個の区間に分割する手段
として、上記ピッチパラメータの内の、正のフレーズ指
令の位置により、句（フレーズ）に分割し、該分割され
た句（フレーズ）の中のアクセント指令の数が１つのと
きには、当該句（フレーズ）をその儘文節とし、該アク
セント指令が２つ以上ある場合には、２番目以降のアク
セント指令の立ち上がりを文節の境界とするように構成
する。

〔作用〕

即ち、本発明によれば、文の単位で発声された連続音声
を認識する音声認識方式において、入力された連続音声
のピッチパターン（ピンチ周波数の時系列）と、特定の
ピッチパターン生成モデルから生成されたピッチパター
ンとの差が小さくなるように、該ピッチパターン生成モ
デルを規定してピッチパラメータを決定し、該決定され
たピッチパラメータを使用して、上記入力された連続音
声を、複数個の区間、例えば、文節に分割して、該分割
された文節単位で音声認識を行うようにしたものである
ので、高精度の連続音声認識が可能になると云う効果が
得られる。

〔実施例〕

以下本発明の実施例を図面によって詳述する。

前述の第１図が本発明の連続音声認識方式の構成例を示
した図であり、第２図はピッチパラメータ決定部の実施
例を示した図であり、第３図は本発明による文節分割方
式を説明する図であり、第１図におけるピッチ抽出部１
．ピッチパラメータ決定部２．音声分割部３が本発明を
実施するのに必要な手段である。尚、全図を通して同じ
符号は同じ対象物を示している。

以下、第１図〜第３図を用いて、本発明の連続音声認識
方式を説明する。

先ず、ピッチ抽出部１において、入力音声からピッチパ
ターンが抽出される。

ここで、ピッチパターンとは、入力音声信号のピッチ周
波数の時系列パターン（第３図（ａ）の点線Ａ参照）で
あり、その抽出方法には、例えば、公知の変形相関法等
、従来から用いられている手法が利用できる。

この変形相関法は、入力音声の線形予測残差の自己相関
から求める方法であって、例えば、「日本音響学会編、
音響工学講座７“音声”中田和男著、コロナ社刊、昭和
５３年７月１５日再版、Ｐ９０〜９３」に、その詳細が
示されている。

次のピッチパラメータ決定部２においては、後述のピッ
チパラメータ生成モデル（例えば、胚崎モデル）に基づ
き、公知のＡ−ｂ−３法（Ａｎａｌｙｓｉｓ　ｂｙ　５
ｙｎｔｈｅｓｉｓ（合成による分析法））によって、最
適なピッチパラメータが決定される。

このピッチパラメータ決定部２での動作を第２図によっ
て、更に詳細に説明する。

本図において、入力ピッチパターンは、上記ピンチ抽出
部１において、入力音声から抽出されたピッチ周波数の
時系列パターンである。

設 初期値快定部２５においては、上記入力ピンチパターン
から、ピンチパターン生成モデル（例えば、藤崎モデル
）のパラメータの初期値を設定し、最適パラメータ決定
部２３へ出力する。

この初期値は、上記のように入力ピッチパターンから決
定しても良いし、予め定めておいても良い。

パラメータ選択部２４は、最初に、この初期パラメータ
値を選択し、ピンチパターン生成部２１に出力する。

このピンチパターン生成部２１は、上記選択されたパラ
メータに基づいて、特定のピッチパターン生成モデル、
例えば、「藤崎モデル」に従って、ピンチパターンを生
成する。

誤差計算部２２においては、入力ピッチパターンと、上
記モデルに基づいて生成されたピッチパターンの誤差を
計算する。

最適パラメータ決定部２３においては、上記計算された
誤差に基づいて、パラメータ選択部２４に対して、前述
のピッチパラメータ生成モデルのパラメータを少し宛変
化させるように指示を与える。

この結果、該パラメータ選択部２４では、前の値と異な
る値をとるパラメータを選択して、ビ・７チパタ一ン生
成部２１に出力する。

この手順を繰り返して、誤差の最も少ない最適なパラメ
ータを決定する。この手法が、前述の八−ｂ−ｓ法であ
る。

このようにして生成されたピンチパターンが、第３図（
ａ）の実線で示したピンチパターンＢである。

上記ピンチパターン生成モデルには、前述のように、良
く知られている「藤崎モデル」がある。

この「藤崎モデル」は、例えば、「“複文の基本周波数
パタンの分析と合成”日本音ツ学会、音声研究会資料、
５８２−４０．廣瀬啓吉、藤崎博也、高橋登（東京大学
、工学部）９社団法人　日本音響学会１９８２年１０月
２５日刊」に詳細に説明されているが、要約すると以下
のようになる。即ち、 「藤崎モデル」では、ピッチ周波数ＦＯ（ｔ）は以下の
ように表される。

ここで、 Ｆｍ１ｎはピ・ノチ周波数の下限値。

■はフレーズ指令の数。

Ｊはアクセント指令の数。

八２、はｉ番目のフレーズ指令の大きさ。

八、、はｊ番目のアクセント指令の大きさ。

Ｔｏ、はｉ番目のフレーズ指令の開始時点。

ＴＩＪはｊ番目のアクセント指令の開始時点。

ＴＺＪはｊ番目のアクセント指令の終了時点。

α、はｉ番目のフレーズ指令に対するフレーズ制御機構
の固有角周波数。

βｊはｉ番目のアクセント指令に対するアクセント制御
機構の固有角周波数。

θはアクセント制御機構のステップ応答関数の上限値。

である。

上記ピッチパターン生成モデルの各パラメータについて
は、全てを変数としても良いし、一部を定数としても良
い。

次の音声分割部３においては、上記ピッチパラメータに
従って、入力音声を文節に分割し、該分割された音声信
号を、文節音声認識部４に出力する。

この音声分割部３での分割方法の一例を第３図を参照し
ながら説明する。

第３図は「朝早くバンガローに電報が届いた」と云う文
の連続音声を分析した結果である。

本図において、（ａ）は自然音声から抽出したピソチパ
ターン（点線）Ａと、前述の「藤崎モデル」を用いて生
成したピッチパターン（実線）Ｂである。但し、一点鎖
線Ｃは、上記「藤崎モデル」におけるフレーズ成分を示
している。

そして、（ｂ）はフレーズ指令、（Ｃ）はアクセント指
令、（ｄ）は自然音声のパワーである。

本発明においては、該入力音声は、正のフレーズ指令の
位置により、句（即ち、フレーズ）に分割する。本例で
は、（ｂ）図から明らかな如く、３分割されることにな
る。

又、該分割された句の中のアクセント指令の数が１つの
ときは、該句をその儘文節とみなし、該アクセント指令
が２つ以上ある場合には、２番目以降のアクセント指令
の立ち上がりを文節の境界とする。

この文節境界の決定後、更に、無音検出や、音声パワー
のディップ検出等を行って該境界位置の微小な修正を行
っても良い。

本図の（ｆ）は、このようにして、文節分割を行った結
果である。

このようにして得られた文節に対して、文節音声認識部
４において、従来の、例えば、パターンマツチ法等を用
いて音声認識を行い、第３図の（ｅ）に示した認識結果
を得ることができる。

このように、本発明は、連続音声認識方式において、発
声単位を単語、或いは文節等の短いものに制限して音声
認識を行うことにより、文単位の発声を直接音声認識す
るのに比較して高い認識率が得られることに着目し、入
力された連続音声のピッチパターンを抽出した後、例え
ば、「藤崎モデル」のようなピッチパターン生成モデル
に基づいて生成したピッチパターンと比較して、該入力
音声のピンチパターンとの誤差が最も小さくなる、８亥
モデルのピッチパラメータを求め、９亥ピンチパラメー
タの内の、例えば、フレーズ指令、アクセント指令等を
用いて、入力音声をフレーズ（句）に分割し、更に文節
に分割して、該分割された文節に対して、通常の音声認
識を行うようにした所に特徴がある。

〔発明の効果〕

以上、詳細に説明したように、本発明の連続音声認識方
式は、文の単位で発声された連続音声を認識する音声認
識方式において、入力された連続音声のピッチパターン
（ピッチ周波数の時系列）と、特定のピッチパターン生
成モデルから生成されたピッチパターンとの差が小さく
なるように、該ピンチパターン生成モデルを規定してビ
ッチバラメ、−夕を決定し、該決定されたピンチパラメ
ータを使用して、上記入力された連続音声を、複数個の
区間、例えば、文節に分割して、該分割された文節単位
で音声認識を行うようにしたものであるので、高精度の
連続音声認識が可能になると云う効果が得られる。

【図面の簡単な説明】

第１図は本発明の連続音声認識方式の構成例を示した図
。 第２図はピッチパラメータ決定部の実施例を示した図。 第３図は本発明による文節分割方式を説明する図。 第４図は従来の連続音声認識方式を説明する閏。 である。 図面において、 １はピッチ抽出部。 ２はピッチパラメータ決定部。 ２１はピッチパターン生成部。 ２２は誤差計算部。 ２３は最適パラメータ決定部。 ２４はパラメータ選択部、２５は初期値設定部。 ３は音声分割部、　　　４は文節音声認識部。 ７はパラメータ抽出部、８はＶＣＶ境界推定部。 ８ａは母音標準パターンファイル。 ９はＶＣＶ照合部。 ９ａはＶＣＶ標準パターンファイル。 １０は判定部、　　　　　　Ａ、Ｂ、Ｃはピッチパター
ン。

Claims (2)

【特許請求の範囲】
1. （１）文の単位で発声された連続音声を認識する音声認
   識方式であって、 入力音声信号から該入力音声信号のピッチパターンを抽
   出する手段（１）と、 該ピッチパターンから、特定のピッチパターン生成モデ
   ルから生成されるピッチパターンとの差が小さくなるよ
   うに、該ピッチパターン生成モデルを規定するピッチパ
   ラメータを決定する手段（２）と、 該決定されたピッチパラメータを使用して、上記入力音
   声信号を複数個の区間に分割する手段（３）と、 該分割された音声信号を認識する手段（４）とを設け、 上記入力された連続音声のピッチパターンのピッチパラ
   メータに基づいて、該連続音声を複数個の区間に分割し
   、該分割された区間を音声認識するようにしたことを特
   徴とする連続音声認識方式。
2. （２）上記入力音声信号を複数個の区間に分割する手段
   として、上記ピッチパラメータの内の、正のフレーズ指
   令の位置により、句（フレーズ）に分割し、該分割され
   た句（フレーズ）の中のアクセント指令の数が１つのと
   きには、当該句（フレーズ）をその儘文節とし、該アク
   セント指令が２つ以上ある場合には、２番目以降のアク
   セント指令の立ち上がりを文節の境界とすることを特徴
   とする特許請求の範囲第１項に記載の連続音声認識方式
   。