JPS63502304A - 高雑音環境における言語認識のためのフレ−ム比較法 - 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】 高雑音環境における言語認識のためのフレーム比較性発明の背景 本発明は、−ｉ的には、音声認識システムにおける言語（ワード）認識の実行に 関するものであり、特に、高雑音存在中の言語（ワード）認識に関する。

音声認識システムにおける長い間の相変らずの問題は、高雑音環境における十分 な性能を達成するのが困難なことである。

音声認識システムは、背景雑音が、認識プロセスの品質を激しく低下することが 多い環境にある。

高雑音環境に対する認識システムの初期進展は、典型的に、頭据えつけ（ｈｅａ ｄ　ｍｏｕｎｔｅｄ）　、または手持ち（ｈａｎｄ−ｈｅｌｄ）マイクロホンを 利用した。そのようなシステムは、口にマイクロホンを近づけて配置することを 要求し、背景騒音問題の克服を試みた。この型のシステムに対しては、この方法 はともかく有効な解決方法であるかも知れないが、頭据えつけ、または手持ちマ イクロホンは、多数のシステムに対し実際的でも満足できるものでもない。

最も望ましい型の認識システムは、手を束縛せずに動作するシステムである。ド ライブ中のように、操縦者が操縦装置を手動操作しなければならない場合には、 手を束縛しないシステムが特に実際的である。このような環境での高背景騒音の ため、音声認識システムは操縦者をマイクロホンの手動操作より解放するととも に、背景騒音より言語を正確に識別する能力がなければならない、この種のシス テムは、操縦者の生産性及び集中力に実質的改善を提供する。

勿論、以前に、高雑音環境における言語認識を正確に達成する試みが行なわれた 。ある方法ではスペクトル減法を使用し、音声より背景騒音の推定を引き算し、 音声を言語テンプレート・メモリに整合した。典型的に、テンプレート・メモリ は等時限（ｅｑｕａｌ　ｔｉｍｅ　１ｎｔｅｒｖａｌ）のフレームに区分される 。同様に入力音声は、マツチング・プロセスが始まる前にフレームに分割される 。入力音声よりの各フレームはそこで、テンプレート・メモリからのフレームと 比較される。整合は、メモリのテンプレートのフレームに対応する入力音声のフ レームのシーケンス（ｓｅｑｕｅｎｃｅ）により描写される。

個々の言語テンプレート・マツチング技術にかかわらず、スペクトル減法は、普 通、テンプレートとマツチングの前に推定背景騒音が入力音声より引き算される のを必要とする。

より好結果の認識システムには、特殊のスペクトル・マツチング技術に背景騒音 を実際に考慮するものもある。しかしながらこれらのシステムはしばしば、音声 を表現する入力フレームと言語テンプレート中のフレームを比較する複雑な方法 を必要とする。そのような複雑性の追加は、かなりおそい認識プロセスとなるか 、または、非常に専門化した高速システムアーキテクチャへ制限される効果とな る。

必要とするものは、背景騒音の存在を補償し、入力フレームと言語テンプレート ・フレームを比較する簡単な方法である。

このような方法は、コンピュータ的に速く、特殊なハードウェア・アーキテクチ ャを要すべきではない。

発明の目的と要約 したがって本発明の口約は、高雑音中の音声認識のため、入力フレームと言語テ ンプレート・フレームを比較し、その結果が高１ｍ精度であり、コンピュータ的 効果である改良された方法を提供することである。

本発明の他の目的は、切り捨て（ｔｒｕｎｃａｔｅｄ）検索技術を含み、限りな い数の言語テンプレート検索技術に使用可能な改良された方法を提供することで ある。

本発明は、高雑音環境における音声認識のため、言語テンプレート・フレームに 入力フレームをマツチングする改良された方法を教示する。本方法は、言語テン プレート・フレーム及び入力フレームの両方を表現するため、スペクトル・チャ ネルの効用を用いる。この方法の特別のステップは、用いられる各チャネルに対 し３つのエネルギー・レベルを決定することを含む。

レベルは、背景騒音エネルギーを表現する第ルベル、入力フレーム・エネルギー を表現する第２レベル、言語テンプレート・フレーム・エネルギーを表現する第 ３レベルを含む、１つ、または、２つのチャネルにおいて第２レベルが第ルベル より小さい時の定数値を含み、各チャネルに数値が割当てられる。

これらの数値は、入力フレームと言語テンプレート・フレーム間の距離計算を形 成するのに使用される。

図面の簡単な説明 第１図は、本発明に関するブロック配置を図示する音声認識システムの構成図で ある。

第２図は、音声認識システムに用いられる言語テンプレートに対する従来技術モ デルを図示したものである。

第３図は、本発明にもとづく、言語テンプレート・フレームに比較されている入 力フレームの例を図示するグラフである。

第４図は、本発明にもとづき、入力フレーム及び言語テンプレート・フレーム間 の距離計算を形成するためのステップを図示する全般的流れ図である。

第５図ａは、第４図に図示されるステップを特に図示する拡大流れ図である。

第５図すは、第５図ａの流れ図の続きである。

好ましい実施例の詳細説明 第１図は本発明に関するブロックを図示する音声認識システムの構成図である。

まず入力音声は音響プロセッサ２により、システムの訓練（ｔｒａｉｎｉｎｇ） のため、即ち、音声語い（ｖｏｃａｂｕｌａｒｙ）の確立のため、チャネル・バ ンク情報に変換される。音響プロセッサは音声をフィルタ・バンク情報に変換す る。フィルタ・バンク情報を形成する１つの方法は、Ｒ，Ｗ、５ｈａｆｅｒ、Ｌ 、Ｒ，Ｒａｂｉｎｅｒおよび。。

Ｈｅｒｒｍａｎｎにｃｉ、す、′音声分析のためのＦＩＲディジタル・フィルタ ・バンク”Ｂａ１ｌシステム技術ジヤーナル、Ｖｏｌ、５４Ｎｏ、３ＰＰ、５３ １−５４４．１９７５年３月に説明されている。

訓練プロセッサ４は、変換音声よりエンドポイント（終点）を検出し、テンプレ ート・メモリ６に記憶のための言語テンプレートを形成する。Ｌ、Ｒ，Ｒａｂｉ ｎｅｒ及びＭ、Ｒ，Ｓａｍｂｕｒが“分離発声のエンドポイント決定のためのア ルゴリズム”Ｂａ１ｌシステム技術ジヤーナル、Ｖｏ　１，５４Ｎｏ。

２、ＰＰ２９７−３１５．１９７５年２月に説明しているような、多くの訓練プ ロセッサがこの口約に使用可能である。

訓練がひとたび完了すれば、訓練プロセッサ４はディスエーブルにされ、システ ムは音声認識のため構成される。音響プロセッサ２によりプロセスされる音声は 、距離計算器１０及び暗騒音推定器８により使用される。背景騒音推定器８は音 声と共に入力される雑音の近似値を計算する。このような推定器は、Ｒｏｂｅｒ ｔＪ、ＭｃＡｕｌａｙ及びＭａｒｉｌｙｎ　Ｌ、Ｍａｌｐａｓｓによる。“ソフ ト−決定抑制フィルタを使用する音声増強”と題する論文、音響、音声及び信号 プロセッシングに関するＩ　ＥＥＥ会報、Ｖｏｌ、ＡＳＳＰ−２８，Ｎｏ、２゜ ＰＰ１３７−１４５．１９８０年４月に説明されている。

距離計算器１０は、音響プロセッサ２からの変換音声、テンプレート・メモリ６ からの言語テンプレート、及び、推定器８からの背景騒音レベルを用い、各入力 フレーム及び言語テンプレートからのフレームの間の、類似点または距離の尺度 を形成する。認識器１２は、比較のために、テンプレート・メモリ６から適当な フレームを、距離計算器１０に供給する。この制御を供給のため使用できる有名 な認識構造は数多くあるが、その１つは、Ｂｒ１ｄｌｅ、Ｂｒｏｗｎ、及び、Ｃ ｈａｍｂｅｒｌａｉｎにより“連続言語認識のためのアルゴリズム”、音響、音 声及び信号プロセに関する１　９８２　Ｉ　ＥＥＥ国際会議会報、ＰＰ８９９− ９０２に説明されている。しかしながら距離計算器１０に計算される距離は、シ ステムにより使用されるどの認識器に対しても重大である。言語テンプレートが 制御され、または、置かれる様式に関係なく、計算距離が正確でなければ、認識 器は言語テンプレートに対する正確な整合を確認することができない。

分語言語（ワード）検索技術の改良は、最近、入力音声発声をマツチングするた め、フレーム毎の仕方で音声テンプレートに対し、一連のフレームとして表現さ れる認識モデルのサイレンス（ｓｉｌｅｎｃｅ）状態を使用する。典型的には音 声認識システムは、ＬＰＣパラメータ、チャネル・バンク情報または線（ライン ）スペクトル対のような特徴データを用い音声発声を表現するであろう。語い（ ｖｏｃａｂｕｌａｒｙ）は、話し言語を言語テンプレートと表現することで形成 される。入力音声フレームが言語テンプレート・フレームと比較される時、距離 計算が形成される。入力言語を表現する１連の入力フレームに比較される多くの 言語（ワード）テンプレートに対し、最小距離計算を持つテンプレートは、通常 入力言語（ワード）がその言語（ワード）テンプレートに整合されることを示す 。

サイレンス状態は典型的言語（ワード）検索技術において、入力フレーム、サイ レンスを示す、適当な距離尺度を用い、言語（ワード）モデルの中のサイレンス フレームとマツチングすることにより使用される。第２図は、初期のサイレンス 状態１３及び終りのサイレンス状態を添えられた言語（ワード）テンプレート・ モデルを図示する。内部状態１４は、前に記憶された現実の言語（ワード）テン プレート・フレームを表わす。サイレンス状態の使用は、高雑音環境で動作する 言語認識システムの性能を非常に増大できる。雑音中では言語−の初期及び／ま たは、終期は、その中に埋もれる可能性がある故に、高雑音中の言語の終点（ｅ ｎｄｐｏｉｎｔｓ）の正確な決定はきわめて困難である。サイレンス状８１３及 び１５は、モデルが比較される話される言語（ワード）の初め及び終りを見つけ る手助けが出来る＊　Ｇ、Ｄ、Ｆｏｒｎｅｙ、Ｊｒ、による”Ｖｉ　ｔｅｒｂｉ アルゴリズム”と題し、ｔＬＷ、１“　び骨”プロセラシン゛に’＊　ＩＥＥＥ ”　Ｖｏｌ、６１．Ｎｏ、３．１９７３年３月の論文に説明されるような、状態 シーケンス推定方法の使用は、言語モデル中のサイレンス状態で、入力言語の初 め及び終りを知る必要なく、デコーディング・プロセスを容易にすることが出来 る。

第２図は、入力フレームを言語（ワード）テンプレートと比較するための多くの 方法に使用可能な１つのモデルを図示する。

しかしながら、用いられる方法の型式に関係なく、フレーム毎の比較技術の使用 は、比較されるフレームの各月にたいし距離計算が形成されることを必要とする 。

使用される方法の型式にかかわらず、この方法は、多くの可能性のある言語テン プレートを識別するため、言語テンプレート検索技術に対し十分正確な距離計算 を形成しなければならない。著しいレベルの背景騒音が存在し、しばしば、それ が言語のレベルを超えても、この方法は、なお識別可能な距離計算を形成できな ければならな°い。

第３図は、本発明によるその様な方法の１例を図示するグラフである。この例で は各フレームは、各“Ｋ”周波数チャネルのエネルギー・レベルに関するチャネ ル・バンク情報を含む。

このチャネルは水平軸上に示される。垂直軸には、相対的な対数大きさ対数大き さ尺度が描かれている。グラフに描かれるのは、３つのエネルギー・レベル１６ ．１８及び２０で、それぞれ、入力フレーム１６、言語テンプレート・フレーム １８及び推定雑音最低限度２０を代表する０点線はバッファ・レベ２し２２を代 表する。バッファ・レベル２２は、特定のチャネルｉの騒音最低限度に定数を加 えたものより決定される。この定数は異なる応用に対して変化するであろうが、 本実施例においては３ｄＢ以上を表わす数値が好ましい、各チャネルｉにおいて 入力フレーム・レベル１６はバッファ・レベル２２と比較される。

入力フレーム・レベル１６がバッファ２２より大きければ、２４、即ち、Ｃ，− １に示される如（、そのチャネルには１０割当てが行なわれる。若し入力フレー ム・チャネルが実質的に雑音最低限度以上であれば、そのチャネルを決定するの に、Ｃ！２４が用いられる。“実質的に３には３ｄＢバツフアと云う。

レベルを相対的類似の大きさに変化するために必要なチャネルのエネルギー正規 化は、後で検討される。しかしながら第３図に図示されるレベルは、本発明の説 明を助けるだけの意味であるのは注意されるべきである。エネルギー正規化後の 実際レベルは、図示されるものとは多分異なるであろう。

正規化の後、入力フレーム・レベル１６がバッファレベル２２より大きい、即ち Ｃ３＝１のチャネルでは、入力フレーム・レベルは言語テンプレート・レベル１ ８より引算される。この例ではチャネル１．２．３及び９でのみＣ，＝１である 故に、減算は４個のみである。各減算を表わす絶対値は部分的距離計算のため蓄 積される。

Ｃ！＝００チャネル、チャネル４−８では、ある数値が割当てられる。この数値 は、言語テンプレート・フレーム１８及び入力フレーム・レベル１６の差に依存 する。言語テンプレート・レベル１８及び入力フレーム・レベル１６の間の差が あらかじめ選択した公称（ｎｏｍｉｎａｌ）差より大きくない場合には、その公 称差はそのチャネルに対する割当て数値となる。そ用いられる。雑音最低限度２ ０に非常に近い入力フレーム・レベルが、実際音声自体より有力な雑音である時 に、これはおきる、すべてのチャネルからの割当て数値の全蓄積は全距離計算の 形成に使用される。この全距離計算は入力フレーム及び言語テンプレート・フレ ーム間の音響的類似性の尺度を表わす。比較的低い全距離計算は、２つの類似音 響フレームを示す。全距離計算の零は完全整合を表示する。

与えられた例と一致する方法を実行することにより、言語テンプレート及び話さ れる言語（ワード）を表現する一連の入力フレームとの間の類似性をを決定する 有効な計算がめられることが出来た。

さて第４図には、上に説明されるフレーム比較方法の全般流れ図が図示される。

流れ図は、入力フレームが背景騒音レベルより著しく大きいエネルギーを持つチ ャネルの決定より開始する。これがブロック３０である。これは、入力フレーム ・レベルよりバッファ・レベルを引算し、その結果を零と比較することで行なわ れる。その差が正の場合には、Ｃ１＝１で、チャネルは著しく背景騒音より大き いと考えられる。

ブロック３４では、どのチャネルに対してもＣ１＝１であるかを決定するテスト が行なわれる。テスト結果が肯定であれば、入力フレーム及び言語テンプレート ・フレーム・エネルギー・レベルの両方に対し正規化がめられる。これがブロッ ク３２である。正規化がめられず、言語テンプレート・エネルギーが入力フレー ムのエネルギーより非常に異なる場合には、それらの間の距離は音響的類似性は 殆ど無いことを示すであろう。

従来技術は典型的に、各特定チャネルの対数エネルギー（Ｉ。

ｇ　ｅｎｅｒｇｙ）よりフレーム中の全チャネルの平均対数エネルギーを引算す ることにより、正規化した。しかしながら、著しい量の背景騒音が存在する時に は、これはあまり良く働かない。入力フレームに著しいエネルギーが存在するチ ャネルのみの平均エネルギー・レベルにもとづく各レベルの正規化により、より 代表的正規化が計算可能である。第３図の例では、これはＣ４＝１の場合である 。

例えば、入力フレーム・エネルギー・レベル、Ｘ、及び、言語テンプレート・フ レーム・エネルギー・レベル、Ｙは、Ｋチャネルで以下のように正規化出来る。

著しいエネルギーがチャネルｉの入力に存在する場合、Ｃ１＝１とする。著しい エネルギーは存在しない場合、Ｃ，＝Ｏとする。そこで各チャネルｉに対し、文 −よ（ＫＸ、”Ｃ，に対しＳｕｍｌ　＝１）／　（ＫＣＩに対し３ｕｍｚ＝１） を減することにより正規化され、同様にＹ、は（ＫＹｉ”−Ｃ８に対しＳｕｍｉ 　＝１）／　（ＫＣ，に対しＳｕｍｚ＝１）を減することにより正規化される。

それ故に平均エネルギーはＣ４＝１を有するチャネルのみより決定される。

単−人力フレームごとに処理される時、いくつかの言語（ワード）テンプレート ・フレームが典型的に比較されるが、大部分の認識器（ｒｅｃｏｇｎｉｚｏｒ） にたいして活性チャネル（Ｃ４＝１）の決定及び入力フレームの正規化は、入力 フレームごとに一回だけ実行されるべきであることは注意されるべきである。

全チャネルが、著しい入力フレーム・エネルギーを持たない、即ち、全チャネル にたいしＣ，＝Ｏであれば、全チャネルにた　２いする数値割当ては同一である 。この割当ては、入力フレーム・レベル及びテンプレート・フレーム・レベルの 間の予期差（ｅｘｐｅｃｔｅｄ　ｄｉｆｆｅｒｅｎｔｉａｌ）を表わし、所定値 である。この予期差を“ｅ″に等しくすれば、Ｋチャネル★ にたいし全距離計算は“Ｋｅ″として容易に計算できる。これはブロック３８に 図示される。

どれかのチャネルが活性的であれば、そのチャネルにたいする正規化入力フレー ム・レベルと正規化言語テンプレート・フレーム・レベルの間の絶対差を示す適 当数値が割当てられる。

これら数値割当ての蓄積が全距離計算器（ＤＩＳＴ）を決定する。これがブロッ ク３６である。著しいエネルギーのないチャネルにたいしては、適当な数値割当 て決定のため追加テストがなされる。これら追加テスト及び割当て数値は、第５ 図ａ、第５図すの流れ図で検討される。

さて第５図ａを参照するに、拡張した第４図の流れが図示される。この拡張流れ 図に用いられる各変数の定義は以下に表記される。

Ｘ＝各チャネルに対する入力フレーム・レベルＹ＝各チャネルに対する言語（ワ ード）テンプレート・フレム・レベル Ｎ−各チャネルに対する推定前景騒音レベルに＝チャネルの総数 ｄ−Ｎ−の上のバッファ差 ｅ＝チャネル距離に対する所定予期値 Ｃ＝入カフレームの各チャネルに対する著しいエネルギーの標識 ｉ−チャネル番号（ナンバー） Ｔ＝入力フレーム・チャネル・レベルを引算した言語テンプレート・フレーム・ チャネル・レベル ＤＩＳＴ＝全距離計算 第４図のブロック３０は第５図のブロック４０より５０に拡張される。各チャネ ルｉにおいて、入力フレームのエネルギー・レベルが推定背景騒音レベルＮより 著しく大きいかどうか定める決定がなされる。これがブロック４２である。これ は、バッファ・レベルを入力フレーム・レベルと比較して行なわれる。

バッファ・レベルは、雑音レベルにバッファ差を加えたものと定義される。入力 フレーム・レベルがバッファ・レベルよす大きいか、または等しければ、それは Ｃ，＝１とセットすることにより示され、これはブロック４４である。入力フレ ーム・レベルがバッファ・レベルより小さければ、それはＣ４＝０とセットする ことにより示される。これはブロック４６である。ブロック４２より４６への手 順は、ブロック４０．４８及び５０により図示の如く、各チャネルに対し繰り返 される。

第４図のブロック３４はこれ以上の拡張を必要としない。入力フレーム・レベル が、どのチャネルで著しいエネルギーを持つか決定するため、テストがなされ、 どのチャネルで０１＝１であるかを表示する。少な（とも１つのチャネルでＣ， ＝１であれば、流れはブロック３２に進む。全チャネルでＣ，＝Ｏであれば、所 定の全距離計算“Ｋ＊ｅ”は距離尺度として割当てられる。これはブロック３８ である。

第５図すにすすみ、第４図のブロック３２はブロック５２より５８へと拡張され る。あらゆるチャネルで入力フレーム・レベル及び言語テンプレート・フレーム ・レベルの両方は、異なるエネルギー・レベルの類似波形とスペクトル的に比較 するため正規化される。ブロック５２．５８及び５９は、各チャネルにおける正 規化を示す。入力フレームは、その平均レベルを入力フレーム・レベルより減す ることにより、各チャネルで正規化される。前に検討されたように、入力フレー ムの平均レベルは、”Ｃ，＝１のチャネル数”で、割算される“Ｃ，＝１のチャ ネル・レベルの和”と決定される。これはブロック５４に図示される。ブロック ５６は言語テンプレート・フレーム・レベルに対する並列正規化を図示する。ど の特定の平均レベルの決定は、入力フレーム・レベルが少しばかりのチャネルで ノマツファ・レベルを超える場合において、残りのチャネルは合成正規化レベル に著しく加重値を与えるべきでないから重要である。若しそれらが合成レベルに 著しい加重値を与えるとすれば、正規化プロセスは、言語エネルギーのみに存在 するより背景騒音により影響されるであろう。

第５図すでは、ブロック３６がブロック６０より７６まで拡張されるのが図示さ れる。各チャネルに適当な数値を割当てるため、２つの尺度（ｍｅａｓｕｒｅｍ ｅｎｔ）かつ（られる。

第１の尺度は、正規化言語テンプレート・フレーム・レベル及び正規化入力フレ ーム・レベルの間の差である。この差は、ブロック６２で知られる如く“Ｔ″と 表示される。Ｔの絶対値は、そのチャネルのＣｉが１であれば、即ち、その入力 フレーム・レベルがバッファ・レベルより大きければ、そのチャネルに割当てら れる値となる。そのＣ１テストはブロック６４に図示され、Ｔの絶対値はブロッ ク６６にて距離計算、ＤＩＳＴに蓄積されるのが図示される。

第２尺度はブロック６８で、バッファ・レベルが入力フレーム・レベルより大き い、即ち、Ｃ，＝Ｏのチャネルに対してのり６８でＴを零と比較し、言語テンプ レート・フレーム・レベルがバッファ・レベルより小さいのが検出できる。これ は、Ｃ６−０であるから、この点では入力フレーム・レベルがバッファ・レベル より小さいと知られている故である。よって、言語テンプレート・レベルが入力 フレーム・レベルより小さければ、つづいて、言語テンプレート・フレームはバ ッファ・レベルより小さいということである。これは重大である°、何故なら、 両レベルがバッファ・レベルより小さければ本当のレベル比較はなされ得ない。

そこで、予期値“ｅ”が割当てられる。全距離計算はブロック７０の蓄積する“ ｅ”で示される。

言語テンプレート・フレーム・レベルがバッファ・レベルより小さいのが検出さ れないと（Ｔｏｏ）、このレベル及び大体バッファ・レベルより小さい入力フレ ーム・レベルの間に、多少正確な尺度がつくられうると信じられる。この尺度が 前に選択した公称差より大きくなければ、この差はそのチャネルにおける割当て 値となる。この値は応用により異なるかもしれないが、この値は値“ｅ”である のが好ましい０尺度が差より大きければ、“ｔ”の値はチャネルに割当てられる 値となる。これはブロック７２に図示され、′ｅ”か“Ｔ″の値のいづれか大き い方が、全距離計算、ＤＩＳＴに蓄積される。この数値割当てプロセス及び蓄積 は、ブロック７０．７４及び７６により示されるように、各チャネルで行なわれ る。これら蓄積値は、話される言語からのフレーム及び潜在的マツチング言語テ ンプレートからのフレームの間の正確な距離尺度を代表する全距離計算、ＤＩＳ Ｔとなる。

バッファ差、ｄ及び所定予期チャネル値、ｅは、他のチャネルに対しては異なる かもしれないことは注意されるべきである。

さらに以上説明の技術は、ブロック６６及び７２に適切な変更をなすことにより 、ユークリッドまたはウェイト付きユークリッド距離尺度で言語に変更されるの も可能である。

この方法は、音声発声の表示にチャネル・バンク型情報を用いるいかなる音声認 識システムにも適用できるが、この方法がトランケート検索技術で使用される時 には問題を生ずる。ビーム・デコーディングのようなトランケート検索技術は、 最良の現在パスに対する蓄積距離のしきい値内に蓄積距離を持つデコーディング ・パスを拡張するのみである。この検索計略は検索時間を短縮し、技術上既知で ある。参考、Ｂ、Ｌｏｗｅｒｒｅ。

Ｈａ　ｒ　ｐ　ｙ　音声認識システム”Ｐｈ、Ｄ、論文、コンピュータ科学部、 Ｃａｒｎｅｇｉｅ−Ｍｅｌ　Ｉｏｎ大学、１９７７゜トランケート検索でこの方 法を用いる時に生ずる問題は、背景騒音レベルに近い入力フレームにおけるエネ ルギー・レベルに関係する。これは、Ｃ１＝ｏを有するチャネルの差によって示 される。そのような入力フレームが多くの音声テンプレート・フレームに比較さ れる時、各結果の全距離計算は非常に類似であるであろう。これは、フレーム間 の識別距離尺度に影響しない。この例では、検索はもはやトランケートされない 。何故なら全部の距離計算はしきい値より小さいであろう。そこで、いかなるデ コーディング・パスも徹底的比較より排除されることは出来ない。

本発明によれば、この問題の１つの解決は、′エネルギーしきい値”と呼ばれる 。この意味でエネルギーしきい値は、言語テンプレートの高エネルギーしきい値 は、言語テンプレートの高エネルギ一部分と、比較的低入力フレーム・エネルギ ーとの整合（ｍａｔｃｈｉｎｇ）を禁止する。入力フレーム・エネルギー、なる べくは全チャネルに対する平均エネルギーが、背景騒音エネルギーよりほんの僅 か大きく、音声テンプレート・フレーム・エネルギーが全音声テンプレートの最 大エネルギーに略々等しければ、入力フレームは言語テンプレート・フレームに 非類憤と考えられるであろう、これは、トランケート検索計略に追加類似度尺度 を提供する。異なる言語テンプレートの各フレームに対する距離計算が識別的で なければ、エネルギーしきい値が使用できる。これは、話される言語からの入力 フレームが比較的低エネルギーで、言語テンプレート・フレームが比較的高エネ ルギーを持てば、マツチング言語テンプレート・フレームに対応できない故であ る。

好ましいエネルギーしきい値テストは、下記の通りである。

言語テンプレート・フレームの平均エネルギーが言語テンプレートの最高エネル ギ−１２ｄＢ以内で、また、入力フレーム平均エネルギーが１谷（ｖａ　１１　 ｅｙ）　”に６ｄＢ加えたものより小さければ、言語テンプレート・フレームは 入力フレームに対応しない。

用語“谷（ｖａｌｌｅｙ）”は、現フレームに関係し、直前に検出され音声の最 低エネルギー・レベルを表わすようにめられる。谷検出器に関するより以上の情 報に対しては、米国特許第４．３７８．６０３号を参照することがよい。

“エネルギーしきい値”と組合せで第５図ａ、第５図すに説明されるフレーム比 較法を使用することにより、このフレーム比較法は限りない数の言語検索技術に おいて使用可能である。

準 特衣昭６３−５０２３０４　（７） 国際調査報告

Claims (10)

【特許請求の範囲】
1. １．チャネル・バンク情報が、フレーム及びテンプレートとして音声を表現する のに用いられ、且つフレームにより表現され、音声認識プロセスの間検索用に記 憶される音声認識システムにおいて、 各チャネルに対し、入力背景騒音エネルギーを代表する第１エネルギー・レベル を決定するステツプ、各チャネルに対し、入力フレーム・エネルギーを代表する 第２エネルギー・レベルを決定するステツプ、各チャネルに対し、テンプレート ・フレーム・エネルギーを代表する第３エネルギー・レベルを検索するステツプ 、各チャネルにおいて、前記第２及び第３エネルギー・レベルの間の差に対応し 、しかも、ある特定のチャネルにおいて、前記第２エネルギー・レベルが前記第 １エネルギー・レベルより小さい時には所定の定数値を含む値を割当てるステツ プ、前記入力フレームと、前記定数値における言語テンプレート・フレームとの 間に距離尺度を発生するステツプ、を具える高雑音環境における言語識別用のフ レーム比較法。
2. ２．前記値は、１チャネルに割当てられる少なくとも１つの所定値を含み、前記 第２、第３エネルギー・レベルは、前記第１エネルギー・レベル以下である前記 請求の範囲第１項記載の高雑音環境における言語識別用のフレーム比較法。
3. ３．前記第２エネルギー・レベルが前記第１エネルギー・レベルより大きいチャ ネルに対する平均にもとづく前記第２エネルギー・レベルを正規化するステツプ を更に具える前記請求の範囲第１項記載の高雑音環境における言語識別用のフレ ーム比較法。
4. ４．チャネル・バンク情報が、フレーム及びテンプレートとして音声を表現する のに用いられ、且つフレームにより表現され、音声認識のトランケートされた検 索プロセスの間検索用に記憶される音声認識システムにおいて、入力背景騒音エ ネルギーを代表する第１エネルギー・レベルを決定するステツプ、 入力フレーム・エネルギーを代表する第２エネルギー・レベルを決定するステツ プ、 テンプレート・フレーム・エネルギーを代表する第３エネルギー・レベルを検索 するステツプ、 前記第３エネルギー・レベルが所定定数より小さい時に、トランケートされた検 索プロセスに対し前記入力フレームと、前記言語テンプレート・フレーム間の類 似性を示し、前記第２エネルギー・レベルを前記第１エネルギー・レベルと比較 するステツプ、 を具える高雑音環境における言語識別用のフレーム比較法。
5. ５．前記第２エネルギー・レベルは、入力フレームの平均チャネル値を表わす前 記請求の範囲第４項記載の高雑音環境における言語識別用のフレーム比較法。
6. ６．チャネル・バンク情報は、フレーム及びテンプレートとして音声を表現する のに用いられ、且つフレームにより表現され、音声認識プロセスの間検索のため 記憶される音声認識システムにおいて、 各チャネルに対する入力背景騒音エネルギーを代表する第１エネルギーを決定す る手段、各チャネルに対する各チャネルに対する入力フレーム・エネルギーを代 表する第２エネルギー・レベルを決定する手段、各チャネルに対するテンプレー ト・フレーム・エネルギーを代表する第３エネルギー・レベルを検索ずる手段、 各チャネルにおける前記第２及び第３エネルギー・レベル間の差に対応し、しか も、ある特定のチャネルにおいて前記第２エネルギー・レベルが前記第１エネル ギー・レベルより小さい時に所定定数を含む手段、 前記値より前記入力フレーム及び前記言語テンプレート・フレーム間の距離尺度 を発生する手段、を具える高雑音環境における言語識別用のフレーム比較装置。
7. ７．前記値は、１チャネルに割当てられる少なくとも１つの所定値を含み、前記 第２、第３エネルギー・レベルは前記第１エネルギー・レベル以下である前記請 求の範囲第６項記載の装置。
8. ８．前記第２エネルギー・レベルは、前記第１エネルギー・レベルより大きいチ ャネルに対する平均に基づいて前記第２エネルギー・レベルを正規化する手段を 更に含む前記請求の範囲第６項記載の装置。
9. ９．チャネル・バンク情報がフレーム及びテンプレートとして音声を表現するの に用いられ、且つフレームにより表現され、音声認識のトランケートされたテン プレート検索プロセスの間検索のため記憶される。音声認識システムにおいて、 入力背景騒音エネルギーを代表する第１エネルギー・レベルを決定する手段、 入力フレーム・エネルギーを代表する第２エネルギー・レベルを決定する手段、 テンプレート・フレーム・エネルギーを代表する第３エネルギー・レベルを検索 する手段、 前記第３エネルギー・レベルが所定定数より小さい時にトランケートされた検索 プロセスに対し前記入力フレーム及び前記言語テンプレート・フレーム間の類似 性を示すように前記第２エネルギー・レベルを前記第１エネルギー・レベルと比 較する手段、 を具える装置。
10. １０．前記第２エネルギー・レベルは入力フレームの平均チャネル値を表わす前 記請求の範囲第９項記載の装置。