JPS6350897A - 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） この発明は音声認識装置、特にマツチング技術を用いた
音声認識装置に関するものである。

（従来の技術） 音声認識を行う一般的な技術として以下に述べるスペク
トルマツチング技術がある。先ず、この発明の説明に先
立ち、第５図及び第６図を用いて従来提案されているス
ペクトルマツチング技術を用いた音声認識装置につき簡
単な説明を行う。

Ａ／Ｄ変換された人力音声信号Ｄ１は周波数分析部１０
へ入力される。周波数分析部１０はこの入力信号旧に対
し入力中心周波数の異なる（中心周波数の番号付けを以
後チャネルと称す）バンドパスフィルタによる周波数分
析及び対数変換を行った周波数スペクトルＤ２を所定の
時間間隔（以後フレームと称する。）毎に算出しく第６
図（Ａ））、スペクトル正規化部１１及び音声区間検出
部１２へ出力する。

音声区間検出部１２は周波数スペクトルＤ２の値の大き
さなどから始端時刻と終端時刻とを決定し始端時刻信号
Ｄ３及び終端時刻信号Ｄ４をスペクトル正規化部＋１へ
出力する。

スペクトル正規化部１１は周波数スペクトルＤ２からス
ペクトルの最小自乗直線を減じ正規化スペクトル（第６
図（Ａ）及び（Ｂ））とする処理を始端時刻から終端時
刻まで行い正規化スペクトルパタンＤ５としてスペクト
ル類似度計算部１３へ出力する。

上記処理を所定の時間間隔（フレーム）毎に音声始端時
刻から音声終端時刻まで繰り返し行う。

次にスペクトル類似度計算部１３は正規化スペクトルパ
タンＤ５と予めスペクトル標準パタン記憶部１４に格納
して用意されている全ての標準パタンとの類似度を算出
し、各認識対象カテゴリに対するスペクトル類似度Ｄ６
を判定部１５へ出力する。

判定部１５は全ての標準パタンの中で最大の類似度を与
える標準パタンか属するカテゴリ名を認識結果として出
力する。

以上述べた音声認識装置におけるスペクトルマツチング
技術によれば、スペクトル正規化を行うことにより話者
の相違により発生する声帯音源特性の相違を吸収するこ
とが出来、不特定話者が発声する音声の認識に対して有
効である。

（発明が解決しようとする問題点） しかしながら、このスペクトルマツチング技術によれば
スペクトル正規化は人力音声のレベルとは無関係にスペ
クトルの形状を抽出する手法であるので、スペクトル正
規化を行うことにより入力音声のレベル情報は失われる
。従って入力音声中に無音区間が存在する音声と人力音
声中に無音区間が存在しない音声との間で両者のスペク
トル形状の類似性が高い場合において両者を識別し正確
に認識結果を出力することが難しくなる問題点があった
。例えば「イチ」と「二」の２種類の音声を考えた場合
に、両者の母音定常部間のスペクトル形状は類似性が高
く「イチ」において「チ」の直前に発生する無音区間（
入力信号レベルは周囲雑音と同等であり、この区間にお
けるスペクトル正規化出力は該音声入力中における周囲
雑音スベクトルと同等のものとなる）のスペクトル正規
化出力が「二」のスペクトル正規化出力と類似性が高い
場合には両者を識別判定することは不可能となる。

このように、従来提案さ九た音声認識装置は上述した問
題点に起因して音声認識性能の低下を招いていた。

この発明の目的は以上述べた問題点を除去し、入力音声
のジベル情報を加味した特徴を抽出し、標準パタンとの
類似度演算に使用する構成と成すことにより、認識性能
の優れた音声認識装置を提供することにある。

（問題点を解決するための手段） この目的の達成を図るため、この発明の音声認識装置に
よれば、 ａ）音声区間内の各フレーム（所定の時間間隔単位）に
ついて入力音声レベルの最大値との大小比較により無音
区間フレームの判定を行い、この無音区間フレームにお
ける人力音声レベルの人力音声レベル最大値に対する相
対的レベル低下量を算出してこの相対的レベル低下量を
無音区間フレームにおけるレベル低下量パタンとして抽
出するレベル低下量パタン算出部と、 ｂ）レベル低下量標準パタンを予め読み出し自在に格納
したレベル低下量標準パタン記憶部と、Ｃ）レベル低下
量パタンと、レベル低下量標準パタンとの類似度計算を
行い、各認識対象カテゴリに対するレベル低下量類似度
を算出するレベル低下量類似度算出部とを設ける。

ｄ）そして、さらにこのスペクトル類似度とレベル低下
量類似度の両者を参照することにより各認識対象カテゴ
リ毎に総合類似度を算出し、この総合類似度が全ての認
識対象カテゴリの中で最大となるカテゴリ名を認識結果
として出力するように構成した判定部を具えている。

この発明の実施に当っては、好ましくはこのレベル低下
量パタン算出部には、無音区間フレーム判定手段と、レ
ベル低下量抽出手段とを設けるのが良い。

この無音区間フレーム判定手段は、音声入力中における
フレーム毎に、該フレームにおける入力音声レベルが音
声始端フレームから該フレームまでにおける入力音声レ
ベル最大値の１７Ｎ以下であるときに該フレームを無音
区間フレームと判定する処理を音声終端フレームまで繰
り返し行う機能を有するのが好適である。

さらにレベル低下量抽出手段は、音声終端検出後、無音
区間フレームについて各チャネル毎に音声区間における
人力音声レベル最大値から該無音区間フレーム及び該チ
ャネルにおけるスペクトル値を差し引いた値を音声区間
における入力音声レベル最大値で正規化した値を該無音
区間フレーム及び該チャネルにおけるレベル低下量とし
て算出する処理を無音区間フレームと判定されたフレー
ム全てに対して行いレベル低下量パタンを作成すると共
に、無音区間フレームと判定されなかったフレームにつ
いては該フレームの全チャネルのレベル低下量は「０」
とする機能を有するのが良い。

（作用） このように、この発明の音声認識装置によれば、従来の
識別判定に用いらねているスペクトル類似度の他に、同
一音声区間内におけるスペクトル変化量を表わす特徴量
であって、しかもジベル情報を取り入れたレベル低下量
類似度を加えた総合類似度で識別判定を行うので、正確
かつ安定な認識が可能となる。

（実施例） 以下、図面を参照してこの発明の音声認識装置の一実施
例につき説明する。

第１図はこの発明の一実施例を示す機能ブロック図、第
２図（Ａ）はこの発明の一生要部を構成するレベル低下
量計算部の一例を示す機能ブロック図及び第２図ＣＢ＞
は第２図（八）のレベル低下量計算部の動作手順を説明
するための流れ図である。

第１図及び第２図（Ａ）及び（Ｂ）を用いてこの発明の
動作説明を行うが、第５図に示した構成成分に対応する
構成成分については同一符号を付して示し、その詳細な
説明は、特に相違する場合を除き、省略する。

この発明の実施例の音声認識装置によれば、第５図に示
した従来提案されている構成成分の他に、発声音の特徴
であるレベル情報、特にレベル低下量標準パタンを予め
読み出し自在に記憶させであるレベル低下量標準パタン
記憶部１７と、レベル低下量パタン及びレベル低下量標
準パタンの類似度を計算するレベル低下量類似度計算部
１８とを設けると共に、判定部を総合類似度で認識判定
出来る判定部１９として構成している。

このレベル低下量計算部１６には、音声区間検出部１２
から始端時刻信号Ｄ３、終端時刻信号Ｄ４及び人力音声
レベル信号Ｄ８が供給されると共に、周波数分析部１０
から周波数スペクトルＤ２が供給される。

尚、この音声区間検出部１２は通常レベル抽出部（図示
せず）を備えていてフレーム毎の入力信号レベル（−例
としてＡ／Ｄ変換出力の１フレ一ム時間内における絶対
値総和）を算出し入力音声レベル信号Ｄ８を出力する構
成となっている。

このレベル低下量計算部１６は第２図ＣＢ）の説明の項
で後述する手法によりレベル低下量パタンＤ９を算出し
、レベル低下量類似度計算部１８へ出力する。

このレベル低下量類似度計算部１８はレベル低下量パタ
ンＤ９と予めレベル低下量標準パタン記憶部１７に記憶
されている全てのレベル低下量標準パタンＤＩＯとの類
似度を計算し、各認識対象カテゴリに対するレベル低下
量類似度Ｄｌｌを判定部１９へ出力する。

判定部１９は認識対象カテゴリ毎にスペクトル類似度Ｄ
６とレベル低下量類似度Ｄ１１の総和を算出し、註類似
度総和値か全ての認識対象カテゴリの中で最大となるカ
テゴリ名を認識結果０１２として出力する。

次に第２図（Ａ）及び（Ｂ）の機能ブロック図及び動作
の流れ図によりレベル低下量計算部１６の動作説明を詳
細に行う。この実施例では第２図（Ａ）に示すように、
レベル低下量計算部１６は無音区間フレーム判定手段２
０と、レベル低下量パタン抽出手段とを具えている。そ
して、これら手段２０及び２１による処理手順につき第
２図（Ｂ）を参照して以下説明する。尚、以下の説明に
おいて、処理ステップをＳで表わす。

（Ｉ）４１１Ｅ”区Ｉｕ７レー１！＋　　　　（７２図
（Ａ）ｋ：２１で示す） フレーム毎に（以後、処理中のフレーム番号をｊとする
）音声区間検出部１２より始端時刻信号Ｄ３が決定され
入力されているか否かを判定しくＳ　１　）　、信号入
力後始端フレーム番号５ＦＲ＝ｊとして以下の処理を行
う。

音声入力中におけるフレーム毎に、このフレームにおけ
る人力音声レベルＬＩＮ（ｊ）、（但しｊはフレーム番
号）を算出する（Ｓ２）。次に１フレ一ム分の入力音声
レベルＬＩＮ（ｊ）を人力し、始端フレームから信号入
力中のフレームまでにおける入力音声レベルの最大値を
求め、これをＭＡＸＬとする（Ｓ３）。

次に、最大値ＭＡＸＬをＮで除算したＭＡＸＬ／Ｎを求
め、このフレームにおける入力音声レベルＬＩＮ（ｊ）
が下記の条件 ＬｘＮ（ｊ）　≦ＭＡＸＬ／Ｎ （Ｎは経験によって定まる所定の正定数で通常２〜３程
度に設定される） を満足するか否かを判定する（Ｓ４）。

この条件を満足する場合には該フレームを無音区間フレ
ームと判定しくＳ５）てからステップＳ６へ移り、一方
この条件を満足しない場合はそのままステップＳ６へ移
る。

ステップＳ６において音声区間検出部１２より終端検出
を意味する終端時刻信号Ｄ４が人力されているか否かを
判定し、入力されていない場合はステップＳ２より処理
を繰り返し行い、入力されている場合は終端フレーム番
号ＥＦＲ＝ｊとしてステップＳ７へ移り、レベル低下量
パタンの作成を開始する。

（ＩＩ）抄立四口１ユむｎ（第２図（Ａ）に２１で示す
） ステップＳ７においてフレーム番号ＦＲを始端フレーム
番号ＳＦＲに初期化する。

フレーム番号ＰＲが無音区間フレームと判定されたか否
かを判定しくＳ８）、各々の場合に対して以下のように
レベル低下量パタンＬＤＰ（ｉ。

ＦＲ）（但しｉ：チャネル番号）を算出する。

（イ）無音区間フレームと判定された場合レベル低下量
パタンＬＤＰ　（ｉ、ＦＲ）は入力音声レベル最大値Ｍ
ＡＸＬからこの無音区間フレーム及びこのチャネルにお
ける周波数スペクトル値５ＰＥＣ（ｉ、ＦＲ）（但し、
これはチャネル番号ｉ、フレーム番号ＦＲにおける周波
数スペクトル）を差し引いた値を、この最大値ＭＡＸＬ
で除算した値（正規化した値ンであり、 ＬＤＰ　（ｉ　、　ＦＲ）　−（ＭＡＸＬ−５ＰＥＣ（
ｉ　、　ＦＲ）　）　／ＭＡＸＬで与えられる。尚、こ
のレベル低下量パタンＬＤＰ　（ｉ、ＦＲ）として上式
の右辺に適当な定数ＣＩ（但し、Ｃ１：正の任意の定数
で設計に応じて大きさが決まる。）を乗算させた値とし
ても良い。

上式により人力音声の最大レベルよりの該無音区間フレ
ーム及び該チャネルにおける周波数スペクトルの相対的
低下量が算出される（Ｓ９）。

（ロ）無音区間フレームと判定されなかった場合全ての
チャネルに対して、 ＬＤＰ　（ｉ、ＦＲ）＝０ 、とする（ＳＩＯ）。

次に、フレーム番号ＦＲを１加算しく５ｌｌ）、終端フ
レーム番号ＥＦＲとの大小比較、ＦＲ＞ＥＦＲ を行い（５１２）、この条件を満足しない場合はステッ
プＳ８よりの動作を繰り返し行い、満足する場合はレベ
ル低下量パタンの作成を終了し、よってレベル低下量パ
タンＤ９を抽出する。

几λ孤辺１旦 第３図（Ａ）は発声音「イチ」及び第３図　（Ｂ）は「
二」の時間軸に対するレベル変動を表した図である。

これら図から理解出来るように、第３図（八）に示した
「イ」に対するＡ領域、「チ」に対するＣ領域及び第３
図ＣＢ）に示した「二」は、音声レベルが高く無音区間
でないが、第３図（Ａ）の「イ」と「チ」の中間の領域
Ｂは無音区間と判定される領域であり、該領域における
周囲雑音スペクトルが母音「イ」のスペクトルと類似性
が高い場合にスペクトル類似度のみによる識別判定は難
しいが、この発明によるレベル低下量類似度は両者の間
で明白な相違があるので両類似度を併用することにより
正確な認識処理が行われる。

第４図は、判定部Ｉ９における発声音の音声パタンと、
この発声音に類似する音声の標準パタンとの総合類似度
を説明する図であり、第４図（Ａ）は第３図（Ａ）の音
声パタンを有する発声音「イチ」のカテゴリ名「イチ」
及びカテゴリ名「二」に対する総合類似度を表わし、第
４図（Ｂ）は第３図（Ｂ）の音声パタンを有する発声音
「二」のカテゴリ名「イチ」及びカテゴリ名「二」に対
する総合類似度を表わしている。尚、図中２コはスペク
トル変化量類似度Ｄｌｌを表わし、Ｗはスペクトル類似
度Ｄ６をそれぞれ表わしている。

これら図から理解出来るように、発声音「イチ」及び「
二Ｊのそれぞれの特徴量であるレベル低下量類似度が対
比されるべき「二」及び「イチ」の標準パタンのレベル
低下量類似度よりも大きいため、「イチ」及び「二」の
発声音の音声パタンと標準パタンとてスペクトル類似度
に差が無くても、スペクトル類似度との併用により正確
な認識処理を行なうことか出来る。

この発明は、上述した実施例にのみ限定されるものでは
なく、多くの変形又は変更を行ない得ること明らかであ
る。例えば、レベル低下量計算部１６の各機能手段は何
ら実施例で説明したものに限定されるものではない。又
、これら機能手段で行なわれる動作手順も上述した実ｈ
ｈ例に限定されるものではない。

更に、レベル低下量類似度計算部１８及びレベル低下量
標準パタン記憶部１７については詳細な説明を省略した
が、これらはスペクトル類似度計算部１３及びスペクト
ル標準パタン記憶部１４と同様にして構成出来る。

又、第１図に示した音声認識装置の動作は、メモリ、制
御部、その他の通常の電子回路等を用いて構成したマイ
クロコンピュータ−等によってソフト的に処理すること
が出来る。

（発明の効果） 以上詳細に説明したようにこの発明では正規化スペクト
ルの類似度とレベル低下量類似度を用いて認識判定を行
う認識方式としたので、レベル情報を加味した正確かつ
安定な認識が可能となり認識性能の優れた音声認識装置
の実現が期待出来る。

【図面の簡単な説明】

第１図はこの発明の音声認識方式の一実施例を示す機能
ブロック図、 第２図（Ａ）はこの発明のレベル低下量計算部の一実施
例を示す機能ブロック図、 第２図（Ｂ）はこの発明のレベル低下量パタン抽出の処
理手段を示す動作の流れ図、 第３図（Ａ）及び（Ｂ）はこの発明の説明に供する発声
音「イチ」及び「二」のレベル変動をそれぞれ示す図、 第４図はこの発明のレベル低下量類似度の認識への貢献
を示す図、 第５図は従来の音声認識装置を示す機能ブロック図、 第６図はスペクトルマツチング技術の説明図である。 ＩＯ・・・・周波数分析部、１１・・・・スペクトル正
規化部１２・・・・音声区間検出部 １３・・・・スペクトル類似度計算部 １４・・・・スペクトル標準パタン記憶部１６・・・・
レベル低下量計算部 １７・・・・レベル低下量標準パタン記憶部１８・・・
・レベル低下量類似度計算部１９・・・・判定部 ２０・・・・無音区間フレーム判定手段２１・・・・レ
ベル低下量パタン抽出手段。 特　許　出　願　人　　　沖電気工業株式会社く △　：　　　Ｂ　　　Ｉ　　　Ｇ イ　　　　　　　　　　　　　　　　　　　　　　　　
チ二 ４ｉｐ−奮の　しへ゛ル竜重カ囚 第３図 ュ　　　　　［１レヘ゛ルイへ下量喚ｉ令４軛名〜判１
双厖の畜え１力 第４図 チャネＪし８号　　　　　　　　　　　　　ｋスベクト
ルマソテシク゛才支マネ“〒の畜光明図第６図 手続補正書 昭和６１年８月２８日 昭和６１年８月２１８提出の特許願（６）２発明の名称 音声認識装置 ３補正をする者 事件との関係　　特許出願人 住所（〒−１０５） 東京都港区虎ノ門１丁目７番丁２号 名称（０２９）沖電気工業株式会社 代表者　橋本　南海男 ４代理人　〒１７０　　　ｆｆｉ　　（９８８）５５６
３住所　東京都豊島区東池袋１丁目２０番地５６補正の
対象 明細書の特許請求の範囲の欄、発明の詳細な説明の欄及
び図面 ７補正の内容　　別紙の通り （１）明細書、特許請求の範囲を次の通り訂正する。 ｒ２、特許請求の範囲 （１）人力音声に対し複数のチャネルによる周波数分析
、対数変換を行い周波数スペクトルを抽出する周波数分
析部と、 前記周波数スペクトルに基づいて音声区間を検出する音
声区間検出部と、 前記周波数スペクトル及び音声区間に基づいて前記周波
数スペクトルに文して　帯３′２、牲且辺工及化上丘ユ
犬正規化スペクトルパタンを算出するスペクトル正規化
部と、 スペクトル標準パタンを予め格納したスペクトル標準パ
タン記憶部と、 前記正規化スペクトルパタン及びスペクトル標準パタン
の類似度計算を行い各認識対象カテゴリに対するスペク
トル類似度を算出するスペクトル類似度計算部と、 全ての認識対象カテゴリの中で最大の類似度を与えるカ
テゴリ名を認識結果として出力する判定部と を具える音声認識装置において、 ａ）音声区間内の各フレームについて人力音声レベルの
最大値との大小比較により無音区間フレームの判定を行
い、該無音区間フレームにおける入力音声レベルの該人
力音声レベル最大値に対する相対的レベル低下量を算出
して該無音区間フレームにおけるレベル低下量パタンと
して抽出するレベル低下量パタン算出部と、 ｂ）レベル低下量標準パタンを予め格納したレベル低下
量標準パタン記憶部と、 Ｃ）レベル低下量パタンと、レベル低下ｆｆ１ｍ準パタ
ンとの類似度計算を行い、各認識対象カテゴリに対する
レベル低下量類似度を算出するレベル低下量類似度算出
部と を具え、 ｄ）前記判定部における最大の類似度を前記スペクトル
類似度とレベル低下量類似度の両者を参照することによ
り各認識対象カテゴリ毎に算出された総合類似度のうち
最大の総合類似度としたことを特徴とする音声認識装置
。 （２）前記レベル低下量パタン算出部は、ａ）音声入力
中におけるフレーム毎に該フレームにおける人力音声レ
ベルを算出し、 該フレームにおける入力音声レベルが音声始端フレーム
から該フレームまでにおける入力音声レベル最大値の１
７Ｎ以下であるときに該フレームを無音区間フレームと
判定する処理を音声始端フレームから音声終端フレーム
まで繰り返し行う音声区間フレーム判定手段と、 ｂ）音声終端検出後、無音区間フレームについて各チャ
ネル毎に、前記入力音声レベル最大値から該無音区間フ
レーム及び該チャネルにおける周波数スペクトル値を差
し引いた値を前記入力音声レベル最大値で正規化した値
を該無音区間フレーム及び該チャネルにおけるレベル低
下量とし、前記無音区間フレームと判定されなかったフ
レームについては該フレームの全チャネルのレベル低下
量は「０」とするレベル低下量パタン抽出手段とを具え
ることを特徴とする特許請求の範囲第１項に記載の音声
認識装置。」 （２）明細書、第５頁第６行の「最小自乗直線」をｒ最
小自乗近似直線」と訂正する。 （３）図面の第６図（Ａ）を、添付の訂正図の通り訂正
する。

Claims (2)

【特許請求の範囲】
1. （１）入力音声に対し複数のチャネルによる周波数分析
   、対数変換を行い周波数スペクトルを抽出する周波数分
   析部と、 前記周波数スペクトルに基づいて音声区間を検出する音
   声区間検出部と、 前記周波数スペクトル及び音声区間に基づいて前記周波
   数スペクトルの最小自乗直線により正規化した正規化ス
   ペクトルパタンを算出するスペクトル正規化部と、 スペクトル標準パタンを予め格納したスペクトル標準パ
   タン記憶部と、 前記正規化スペクトルパタン及びスペクトル標準パタン
   の類似度計算を行い各認識対象カテゴリに対するスペク
   トル類似度を算出するスペクトル類似度計算部と、 全ての認識対象カテゴリの中で最大の類似度を与えるカ
   テゴリ名を認識結果として出力する判定部と を具える音声認識装置において、 ａ）音声区間内の各フレームについて入力音声レベルの
   最大値との大小比較により無音区間フレームの判定を行
   い、該無音区間フレームにおける入力音声レベルの該入
   力音声レベル最大値に対する相対的レベル低下量を算出
   して該無音区間フレームにおけるレベル低下量パタンと
   して抽出するレベル低下量パタン算出部と、 ｂ）レベル低下量標準パタンを予め格納したレベル低下
   量標準パタン記憶部と、 ｃ）レベル低下量パタンと、レベル低下量標準パタンと
   の類似度計算を行い、各認識対象カテゴリに対するレベ
   ル低下量類似度を算出するレベル低下量類似度算出部と を具え、 ｄ）前記判定部における最大の類似度を前記スペクトル
   類似度とレベル低下量類似度の両者を参照することによ
   り各認識対象カテゴリ毎に算出された総合類似度のうち
   最大の総合類似度としたことを特徴とする音声認識装置
   。
2. （２）前記レベル低下量パタン算出部は、 ａ）音声入力中におけるフレーム毎に該フレームにおけ
   る入力音声レベルを算出し、 該フレームにおける入力音声レベルが音声始端フレーム
   から該フレームまでにおける入力音声レベル最大値の１
   ／Ｎ以下であるときに該フレームを無音区間フレームと
   判定する処理を音声始端フレームから音声終端フレーム
   まで繰り返し行う音声区間フレーム判定手段と、 ｂ）音声終端検出後、無音区間フレームについて各チャ
   ネル毎に、前記入力音声レベル最大値から該無音区間フ
   レーム及び該チャネルにおける周波数スペクトル値を差
   し引いた値を前記入力音声レベル最大値で正規化した値
   を該無音区間フレーム及び該チャネルにおけるレベル低
   下量とし、前記無音区間フレームと判定されなかったフ
   レームについては該フレームの全チャネルのレベル低下
   量は「０」とするレベル低下量パタン抽出手段とを具え
   ることを特徴とする特許請求の範囲第１項に記載の音声
   認識装置。