JPS6329754B2 - - Google Patents

Description

【発明の詳細な説明】 本発明は、音声認識装置に関し、具体的には認
識音声の始端終端検出のレベルを、周囲の背景雑
音の大きさに応じて自動的に変える音声検出方式
を提供するものである。

音声認識技術は、最近のマイクロプロセツサ技
術と結びついて大きく進歩しており、従来よりは
るかに小型で低価格の装置が可能となつている。

第１図は、現存する音声認識装置の一例を示す
ブロツク図を示したものである。これは、特定話
者を対象とした単語単位のパターンマツチング法
による単語音声認識装置であり、使用者は登録モ
ードに於て前もつて制御命令語を登録しておく必
要がある。例えばテレビジヨンの場合であれば、
電源、音量、チヤンネルなどの制御命令語をマイ
クロフオン１を通じて入力する。入力された音声
信号は、増巾器２で増巾された後、帯域フイルタ
３に送られ周波数分析された後、整流・低域フイ
ルタ回路４により振幅包絡が検出される。この信
号の時系列は、各制御命令語に個有の特徴パター
ンとなつており、Ａ／Ｄ変換器６によりデイジタ
ル化されて演算回路７の標準パターンメモリ９に
記憶される。

認識時には、マイクロフオン１から入力される
制御命令語の特徴パターンが入力パターンメモリ
８に導入され、あらかじめ標準パターンメモリ９
に登録されている各制御命令語の特徴パターンと
の類似度が演算回路７の認識回路１０に於て計算
され、最も良く一致するものを認識語として出力
する。ここで用いられる演算回路７はマイクロコ
ンピユータシステムであり、CPU、ROM、
RAM、Ｉ／Ｏポートなどで構成されている。

ところで、此種の音声認識装置において、背景
雑音から音声区間を区別して正しく検出すること
は非常に重要であり、これが正しく行われないと
認識率の低下をもたらす。音声区間を検出する最
も基本的な方法は、一定の検出レベルを設定して
おき、これを越えた部分を音声信号とする方法で
ある。この時の検出レベル（V₀）は、第２図ａ
に示すように、マイクロフオンから入力された音
声を十分に検出でき、かつ背景雑音レベルよりも
高く設定される。しかしながら、背景雑音のレベ
ルは装置の使用環境によつて大きく変化するもの
であり、検出レベル（V₀）を低く設定しておけ
ば、背景雑音レベルが高い場合には、第２図ｂに
例示するように、雑音を音声として検出してしま
い、装置は誤動作をおこす。一方、検出レベル
（V₀）を高く設定しておけば、第２図ｃに例示す
るように、雑音を音声として検出する危険は減る
が、その代わり、音声レベルを高く、即ちたとえ
静かな環境であつても常に大きな声を出す必要が
あり、使用者にとつて大きな負担となる。また、
音声の子音部は情報量が多く、これを正確に検出
することは認識率を高める上で重要であるが、こ
の部分はエネルギーが小さいため、検出レベル
（V₀）を高くしすぎると子音部を見逃す危険が大
きくなる。

このような不都合を防ぐためには、背景雑音に
応じて手動で、あるいは自動的に検出レベルを可
変とすることが考えられる。自動的に検出レベル
を変える最も簡単な方法は、第３図に示すように
音声入力マイクロフオン１とは別に背景雑音検出
用の補助マイクロフオン１１を設け、このマイク
ロフオン１１の出力レベルに応じて音声認識装置
１２に内蔵の音声検出回路１３の検出レベルを変
更するやり方である。しかし、この場合音声入力
マイクロフオン１に入る背景雑音と補助マイクロ
フオン１１に入る背景雑音のレベルが常に等しい
という保証はなく、また第２図ｂに示すような、
背景雑音以外に継続時間の短い衝撃性の雑音が入
つたときには、これによつて検出レベル（V₀）
が一時的に影響されてしまう恐れもある。尚、こ
の第３図に於て１４は増巾器、１５はレベル検出
回路である。

本発明は上述の欠点を解消するもので、マイク
ロフオン１から入力する衝撃性雑音を除いた純粋
の背景雑音のみを検出し、その平均的なレベルに
よつて音声の検出レベルを自動的に調整する方法
を提供するものである。

まず第４図により本発明の原理を説明する。第
４図ａは、次々に音声を入力していくときの音声
の波形図を示している。本発明に於ては、音声区
間と雑音区間を識別するために２段階の検出レベ
ル（V₁）（V₂）を用いる。すなわち、第４図ａの
要部を拡大したｂに示すように、入力信号の振幅
包絡が検出レベル１、２（V₁）（V₂）を越え、次
いで検出レベル２、１（V₂）（V₁）より小さくな
り、かつ検出レベル２（V₂）を越えている時間が
一定値（T₁sec）以上のとき、入力信号は音声で
あるとみなし、検出レベル１（V₁）を越えている
区間を音声区間とする。また検出レベル２（V₂）
を越えている時間が一定値（T₁ses）以下のとき
は、入力信号は衝撃性の雑音であるとみなし、認
識のための計算は行わない。更に音声区間以外
で、入力信号が検出レベル２（V₂）以下となる時
間がT₂sec以上継続したとき、入力信号は背景雑
音であるとみなし、その区間を雑音区間としてい
る。

次に、音声検出レベルの制御について説明す
る。

先ず雑音区間をT₂sec毎の区間に区切り、各区
間での雑音レベルを求める。そして、過去Ｍ個の
区間から平均の雑音レベルを求め、この平均雑音
レベルに対して検出レベル１（V₁）及び２（V₂）
が常に一定の比率を保つように制御する。すなわ
ち、ある時点での検出レベル１（V₁）及び２（V₂）
は、過去の雑音のMT₂secの時間の平均雑音レベ
ルによつて制御されることになる。過去のＭ個の
区間の平均雑音レベルを次々に求めていくこと
は、背景雑音の一種の移動平均をとつていること
になり、求められた平均雑音レベルは背景雑音の
大まかな変化に追従することになる。したがつて
この方法によれば物が落下したときのような衝撃
性の雑音や、電話のベルのような短時間の突発的
な雑音に影響されずに背景雑音のレベルに応じて
音声検出レベルを制御することができる。

次に本発明装置の具体的構成を第５図を参照し
つつ説明する。この第５図に於て、１〜１０は第
１図に示したものと同じで、マイクロフオン、〜
認識回路であり、これ等に依つて音声認識部１６
が構成されている。１７はこの音声認識部１６に
関連して設けられた音声検出部、１８はこの音声
検出部１７に連つた平均雑音レベル検出部であ
る。上記音声検出部１７は音声認識部１６の入力
パターンメモリ８に連つた振巾計算回路２０と、
振巾値メモリ２１と、比較回路２２と、時間長計
数回路２３と、から構成されており、また平均雑
音レベル検出部１８は、平均振巾計算回路２４
と、雑音レベルメモリ２５と、平均雑音レベル計
算回路２６と、検出レベル計算回路２７と、から
成つている。２８は時間長計数回路２３に連つた
アドレス制御回路で、入力パターンメモリ８、標
準パターンメモリ９、振巾値メモリ２１、へのデ
ータの取り込みと転送の制御及び雑音区間が検出
されたときの雑音レベルメモリ２５へのデータの
取り込みと転送の制御を行う。２９はクロツク発
生回路で、アドレス制御回路２８を始め、各構成
回路に必要なクロツクパルスを供給する。

而して音声入力信号はＮ個の帯域フイルタ３に
より周波数分析された後、振幅包絡が検出され、
Ａ／Ｄ変換されて入力パターンメモリ８に記憶さ
れる。例えば、信号のサンプリング周期を10ｍ
sec音声入力時間を最大1.6secとすれば、入力パ
ターンメモリ８には、Ｊ＝160組の分析データが
取り込まれている。分析データの取り込みは常時
行われており、入力パターンメモリ８は循環レズ
スタとして構成されている。音声検出部１７の振
幅計算回路２０は、各サンプリング時点毎の帯域
フイルタ３出力値の総和を計算し、入力信号の振
幅値に相当する量を求める回路である。すなわ
ち、入力パターンメモリ８には、Ｎ個の帯域フイ
ルタ出力f₁…f_NがＪ組取り込まれているが、この
振巾計算回路２０はこれ等の記憶内容からF_j＝_N 〓^n=
１ f^j _oの計算を行い、サンプリング時点ｊでの振幅
値に相当する量F_jを求める。この値は、振幅値メ
モリ２１に取り込まれる。振幅値メモリ２１も入
力パターンメモリ８と同様、循環レジスタとして
構成されている。比較回路２２は、その内部に予
め設定されている検出レベル１（V₁）及び２（V₂）
と振幅値メモリ２１の各データF_jとの大小の比較
を行い、その結果を次の時間長計数回路２３へ出
力する。時間長計数回路２３は、入力信号が検出
レベル１（V₁）及び２（V₂）より大きくかつ検出
レベル２（V₂）を連続して越える時間長を計数
し、その値が（T₁）以上であるとき、検出レベ
ル１（V₁）を越える区間が音声区間であると判定
し、判定信号を次のアドレス制御回路２８へ出力
する。これにより、入力パターンメモリ８へのデ
ータの取り込みは停止され、音声区間のデータが
認識回路１０へ転送される。

認識回路１０は、転送されたデータと標準パタ
ーンメモリ９に記憶されているデータとの間で類
似度の計算を行い、認識結果を出力する。入力パ
ターンメモリ８へのデータの取り込み停止と認識
回路への転送及び標準パターンメモリ９のデータ
の認識回路１０への転送は、時間長計数回路２３
により音声区間であるとの判定信号を受けたアド
レス制御回路２８からのアドレス制御信号により
行われる。

入力信号が検出レベル２（V₂）を連続して越え
る時間長が（T₁）以下のときは、入力信号は衝
撃性雑音であるとみなされてデータの取り込みが
継続され、認識計算は行われない。

次に、比較回路２２及び時間長計数回路２３で
の計算の結果、入力信号が検出レベル２（V₂）を
越えない区間が（T₂）以上継続したとき、その
区間は雑音区間であるとの判定信号が時間長計数
回路２３により出力される。時間長（T₂）の値
は、入力パターンメモリ８の容量の範囲内なら自
由に選ぶことができるが、短すぎれば雑音の瞬時
的な値の影響が強くなるので、第５図の例では
（T₂）を入力パターンメモリ８の容量いつぱい、
すなわち1.6secに選んでいる。平均振幅計算回路
２４は、振幅値メモリ２１に記憶されているＪ個
の振幅値に相当する量F₁…F_jからその平均値Am
＝１／Ｊ_J 〓^j=1 F_jを計算している。Amの値は、入力パ ターンメモリ８へのデータの循環的取り込みに従
つて、サンプリング間隔で時々刻々と変化してい
る。しかし、時間長計数回路２３により入力が雑
音区間であると判定された時点においては、入力
パターンメモリ８には雑音信号のみが記憶されて
おり、Amの値は、（T₂）の雑音区間の平均振幅
となる。時間長計数回路２３から雑音区間である
との判定信号が出力されると、アドレス制御回路
２８は雑音レベルメモリ２５へのアドレス信号を
出力しAmの値が雑音レベルメモリ２５に記憶さ
れる。この雑音レベル２５では、最も古いデータ
が消去され、Amによつて更新される。従つて該
雑音レベルメモリ２５には、過去Ｍ個の雑音区間
の雑音レベルA₁…A_Mが記憶される。平均雑音レ
ベル計算回路２６は、雑音レベルメモリ２５に記
憶されているA₁…A_Mの値から、過去Ｍ個の雑音
区間の平均雑音レベルA₀＝１／Ｍ_M 〓^m=1 Amを計算し、 検出レベル計算回路２７に出力する。検出レベル
計算回路２７は、計算された平均雑音レベルA₀
に基づいて検出レベル１（V₁）及び２（V₂）の設
定値を算出し、比較回路２２へ出力する。平均雑
音レベルA₀に比して、検出レベル１、２（V₁）
（V₂）をどの程度高く設定するか、また検出レベ
ル１と２（V₁）（V₂）の差をどの程度にするかは、
装置の主として音声入力部と分析部の性能に依存
しており、実験的に求められている検出レベル計
算の際の定数として検出レベル計算回路２７に設
定される。また、平均雑音レベルを求める際の雑
音区間の数Ｍは、検出レベル制御の時定数に関係
する値であり、Ｍが小さければ検出レベルの追従
は速く、Ｍが大きければ緩やかとなる。Ｍの値は
背景雑音の性質や雑音区間T₂の長さなどを考慮
して決定される。

以上説明したように、本発明装置は音声区間は
検出レベル１及び２によつて検出され、検出レベ
ル１及び２は過去MT₂secの平均雑音レベルによ
つて制御されることになり、この求められた平均
雑音レベルは、背景雑音の一種の移動平均となつ
ており、突発的な雑音に影響されることなく背景
雑音の大まかな変化に従つて検出レベルを制御す
ることができる。従つて本発明装置によれば背景
雑音によつて装置が誤動作したり、あるいは静か
な環境であるのに使用者に大声を出させて負担を
かけたりすることを防止でき秀れた音声認識装置
を実現することができる。

【図面の簡単な説明】

第１図は帯域フイルタ分析に依る音声認識装置
の構成を示すブロツク図、第２図ａ，ｂ，ｃは音
声信号の検出状態を示す波形図、第３図は現存す
る検出レベルの自動調整機能付音声認識装置の概
略を示すブロツク図、第４図ａ，ｂは本発明装置
に於ける検出レベルの設定状態を示す波形図、第
５図は本発明装置の構成を示すブロツク図であつ
て、７は演算回路、８は入力パターンメモリ、９
は標準パターンメモリ。１０は認識回路、１６は
音声認識部、１７は音声検出部、１８は平均雑音
レベル検出部、を夫々示している。

Claims (1)

【特許請求の範囲】
1. １ 入力音声を電気信号に変換する入力手段と音
   声信号の特徴を抽出する特徴抽出手段と、抽出し
   た音声の特徴パターンを記憶する手段と、該特徴
   パターンと予め登録されている特徴パターンとの
   類似度を計算して入力音声を特定する演算手段と
   から成る音声認識装置であつて、一定時間内の雑
   音レベルを検出する手段、該雑音レベルにより制
   御され、入力信号を検出するレベルを高低２つに
   設定する手段、入力信号が該高検出レベル及び低
   検出レベルを越えている時間を計数する手段、該
   計数手段の出力により前記特徴パターンの記憶手
   段及び雑音レベル検出手段への入力信号の取り込
   みを制御する手段、を備えたことを特徴とする音
   声認識装置。