JPS6350900A - 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、特にパタンマツチング技術を
用いた音声認識装置に関するものである。

（従来の技＃ｒ） 音声認識を行うに際し、入力音声の母音定常部の特徴を
安定及び正確に抽出することは認識性能を向上させるた
めに非常に大切なことである。それは人間が発声する音
声の中で母音定常部が時間的に占める割合が子音又は母
音から母音へ、或は母音から子音等へ遷移する部分であ
る過渡部（非定常部）に比較して大であること、又、継
続時間が比較的大であるので発声タイミング等の影響に
よるバラツキが小さく安定に特徴を抽出することが出来
ることにより、母音定常部の特徴を主体として利用する
認識方式が有効であるという理由による。

従来装置において母音定常部の特徴抽出のために使用し
て有効な技術としてローカルピーク抽出の技術が提案さ
れている。この技術は母音定常部のホルマント周波数帯
域を検出しようとする技術である。

第３図（Ａ）〜（Ｃ）はこの技術を説明するための図で
ある。この技術によれば、Ａ／Ｄ変換された入力音声信
号に対し、中心周波数（各中心周波数に対応するチャネ
ル（中心周波数の番号付け）番号ｋ（ｋは正の整数）が
付しである）の異なるバンドパスフィルタによる周波数
分析及び対数変換を順次に所定の時間間隔（以後フレー
ムと称す）毎に行った後得られた周波数スペクトルを算
出しく第３図（Ａ））、これら周波数スペクトルからこ
れらスペクトルの最小自乗直線を減じてスペクトルの正
規化を行い（第３図（Ｂ））、正規化スペクトルの値が
「０」より大となるチャネルの中で出力信号の値が極大
となるチャネルのローカルピーク値を「１」とし、残り
のチャネルのローカルピーク値を全て「０」と設定する
１ビツト特微量としてローカルピークパタンを抽出して
いる（第３図（Ｃ））。

上記抽出したローカルピークパタンと予め用意されてい
る標準パタンとの類似度計算を行い、認識対象カテゴリ
毎に類似度を算出し、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。

（発明が解決しようとする問題点） ローカルピークは母音定常部のホルマント帯域を安定に
抽出する特徴であり安定性の高い認識を行うことが出来
る。

しかしながら／Ｓ／、／　ｃ　ｈ　／等の摩擦音を一例
とした子音部に関しては特徴を安定に抽出することが難
しい。なぜならばローカルピークは正規化スペクトルが
極大となる帯域を抽出する技術であり、母音定常部にお
いてはホルマント周波数帯域に相当するチャネルにおい
て正規化スペクトルが極大となることにより母音定常部
の主たる特徴であるところのホルマント周波数を安定に
抽出出来るが、一方、摩擦音等の子音部は母音定常部に
おけるホルマント周波数のように特定のチャネル（周波
数帯域）において正規化スペクトルが極大となる性質を
有していないことにより子音部におけるローカルピーク
の出現位置は不安定で一意には定まりにくい。

従って、「イチ」と「シチ」のように母音定常部が両者
とも同等である音声を認識判定する場合、ローカルピー
クだけでは子音部の特徴を安定に抽出出来ないことによ
り両者を正確に識別判定することは難しくなる問題点が
あり、認識性能の低下を招いていた。

この発明は以上述べた問題点を除去し、入力音声の子音
性特徴を抽出し、標準パタンとの類似度演算に使用する
ように構成することにより、認識性能の優れた音声認識
装置を提供することを目的とする。

（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、この発明によれば、入力音
声に対し、音声始端時刻より音声終端時刻まで（音声区
間）における特徴量の時系列パタンを抽出し、この時系
列パタンと予め用意されている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して類似度を算出し
、全ての認識対象カテゴリの中で最大の類似度を有する
カテゴリ名を認識結果とする音声認識装置において、ａ
）複数のチャネル（中心周波数の番号付け）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した後
、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
、 ｂ）音声区間内において、高域及び低域チャネル領域に
おける正規化スペクトル値の大小関係に基づいて、子音
的性質を有すると判定されたフレームにおいては子音性
パタン抽出を行い、子音的性質を有しないと判定された
フレームにおいては子音性パタン抽出を行わない（全て
のチャネル成分において値を「０」とする）処理を逐次
行い子音性パタンを作成する子音性パタン抽出部と、 Ｃ）正規化スペクトルパタンの値が正値かつ極大値とな
るチャネル成分を「１」、その他の全てのチャネル成分
を「０」とする処理を音声区間内の全てのフレームに対
して行いローカルピークパタンを作成するローカルピー
クパタン抽出部と、 ｄ）　ｂ）項で算出した子音性パタンと予め用意されて
いる子音性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子音性類似度を算出する子音性類似
度計算部と、 ｅ）子音性標準パタンの記憶部と、 ｆ）　ｃ）項で算出したローカルピークパタンと予め用
意されているローカルピーク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ローカルピーク類
似度を算出するローカルピーク類似度計算部と、 ｇ）子音性類似度とローカルピーク類似度の両者を参照
して各認識対象カテゴリ毎に総合類似度を算出し、該総
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する判定部と を具えることを特徴とする。

さらに、この発明の実施に当りでは、子音性パタン抽出
部は、音声区間内の全てのフレームに対し、処理を行な
って子音性パタンを作成するため、 ａ）フレームにおける正規化スペクトル値について高域
チャネル領域における正規化スペクトル値が低域チャネ
ル領域における正規化スペクトル値に比較して大である
フレームを子音的性質を有すると判定するフレーム判定
手段と、ｂ）子音的性質を有すると判定した場合、この
フレームにおいて正規化スペクトルの値が所定の閾値よ
り大であるチャネル成分の子音性パタンの値をこのチャ
ネルにおける正規化スペクトルの値とし、その他のチャ
ネル成分の子音性パタンの値を「０」とする第１子音性
パタン値決定手段と、 Ｃ）子音的性質を有すると判定されなかった場合、この
フレームにおける子音性パタンの値は全てのチャネル成
分について「０」とする第２子音性パタン値決定手段と を具えるように構成するのが好適である。

（作用） このように、この発明の音声認識装置によれば、ローカ
ルピーク類似度を判定部に加えると共に、スペクトル正
規化部から得られた正規化スペクトルから、子音性パタ
ン抽出部及び子音性類似度計算部によって順次処理を行
って、高域及び低域チャネル領域における正規化スペク
トル値の大小関係に基づいて得られた子音性フレームの
子音性類似度を得、この子音性類似度を判定部に加え、
よってこの判定部においてローカルピーク類似度と子音
性類似度とを加算した総合類似度を求めて認識を行うの
であるから、正確かつ安定な音声認識を行うことが出来
る。

（実施例） 以下、図面を参照して、この発明の実施例につき説明す
る。

第１図はこの発明の実施例を示すブロック図、第２図（
Ａ）は子音性パタン抽出部の機能ブロック図、第２図（
Ｂ）は子音性パタンの抽出部の動作説明を行うための流
れ図である。第１図及び第２図（Ａ）及び（Ｂ）を用い
てこの発明の音声認識装置の実施例の構成をその動作と
共に説明する。

入力音声Ｄ１は周波数分析部１０へ入力される。

周波数分析部ｌＯは所定の帯域数（以後、帯域の番号付
けをチャネルと称す）のバンドパスフィルタ分析を行い
、ギの出力であるところの周波数スペクトルＤ２を所定
の時間間隔（フレーム）毎に算出し、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
さなどから入力音声の始端時刻と終端時刻とを決定して
始端時刻信号Ｄ３及び終端時刻信号Ｄ４を発生し、両者
をローカルピークパタン抽出部１３及び子音性パタン抽
出部１４へ出力する。スペクトル正規化部１１は周波数
スペクトルから周波数スペクトルの最小自乗直線を差し
引くことにより正規化スペクトルＤ５を算出し、ローカ
ルピークパタン抽出部１３及び子音性パタン抽出部１４
へ出力する。

ローカルピークパタン抽出部１３は、該フレームにおけ
る正規化スペクトルの値が正値となるチャネルの中で正
規化スペクトルの値が極大となるチャネルのローカルピ
ークパタンの値を「１」、他の全てのチャネルのローカ
ルピークパタンの値を「０」とする処理を始端フレーム
から終端フレームまでの全てのフレームに対して逐次行
い、ローカルピークパタンＤ６としてローカルピーク類
似度計算部１５へ出力する。

ローカルピーク類似度計算部１５はローカルピークパタ
ンＤ６と予めローカルピーク標準パタン記憶部１６に記
憶されている全てのローカルピーク標準パタンとの類似
度を計算し、各認識対象カテゴリに対するローカルピー
ク類似度Ｄ８を判定部１９へ出力する。

尚、上述した周波数分析部１０、スペクトル正規化部１
１、音声区間検出部１２、ローカルピークパタン抽出部
１３、ローカルピーク類似度計算部１５、ローカルピー
ク標準パタン記憶部１６及び判定部１９は、既に提案さ
れているローカルピーク抽出技術による音声認識装置の
構成成分であるので、特別の機能を有する場合を除きそ
の詳細な説明は省略する。

この発明の音声認識装置においては、上述したローカル
ピーク類似度Ｄ８の他に子音性類似度を加えて判定部１
９において総合的に類似度を判定するように構成したも
のであるから、子音性パタン抽出部１４、子音性類似度
計算部１７及び判定部１９を以下説明するような動作を
行うように構成する。

子音性パタン抽出部Ｘ４は、第２図の説明の項で後述す
る方法により子音性パタンＤ７を作成し、子音性類似度
計算部１７へ出力するように構成する。

子音性類似度計算部１７は子音性パタンＤ７と予め子音
性標準パタン記憶部１８に記憶されている全ての子音性
標準パタンとの類似度を計算し、各認識対象カテゴリに
対する子音性類似度Ｄ９を判定部１９へ出力するように
構成する。

判定部１９は認識対象カテゴリ毎にローカルピーク類似
度と子音性類似度の総和を算出し、該類似度総和値が全
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ＤＩＯとして出力するように構成する。

ところで、・上述した子音性パタン抽出部１４は、例え
ば、第２図（Ａ）に示すように、子音的性質のフレーム
か否かを判定するフレーム判定手段２０と、子音的性質
のフレームであるときの第１子音性パタン値決定手段２
１と、子音的性質のフレームでないときの第２子音性パ
タン値決定手段２２とを具える。

フレーム判定手段２０では、フレームにおける正規化ス
ペクトル値について高域チャネル領域における正規化ス
ペクトル値が低域チャネル領域における正規化スペクト
ル値に比較して大であるフレームを子音的性質を有する
と判定を行なう。

第１子音性パタン値決定手段２１では、子音的性質を存
すると判定した場合、フレームにおいて正規化スペクト
ルの値が所定の閾値より大であるチャネル成分の子音性
パタンの値をこのチャネルにおける正規化スペクトルの
値とし、その他のチャネル成分の子音性パタンの値を「
０」と決定する。

第２子音性パタン値決定手段２２では、子音的性質を有
すると判定されなかった場合、フレームにおける子音性
パタンの値は全てのチャネル成分について「０」と決定
する。

次に第２図（Ｂ）の流れ図を用いてこの発明の実施例の
一主要部である子音性パタン抽出部１４の動作を詳細に
説明する。尚、以下の説明において処理ステップをＳで
表わして説明する。又、ここで説明する動作の手順は単
なる一好適例であるにすぎず、従ってその他の任意好運
な手順で行っても良い。

始端フレーム番号をＳＦＲ，軒端フレーム番号をＥＦＲ
１正規化スペクトルをＮＳＰ　（ｉ。

ｊ）（ｉ；チャネル番号、ｊ；フレーム番号）、子音性
パタンをＣＭＰ　（ｉ、ｊ）（ｉ　；チャネル番号、ｊ
；フレーム番号）、周波数分析チャネル数をＣＨＮＮＯ
とする。又、子音性パタン抽出を行うフレーム番号をｊ
とする。

先ず、フレーム判定手段２０において、ｊ＝ＳＦＲに初
期設定を行う（Ｓｌ）。

次に、次式により該フレーム（フレーム番号ｊ）におけ
る高域チャネル成分の低域チャネル成分に対する正規化
スペクトル出力の相対的な大きさを算出する（Ｓ２）。

ＬＥ−Ｃ：１１ＮＮＯ／３　、　ＨＳ−２・にＨＮＮＯ
／３程度に設定する。そして、 ＳＵＢ　（ｊ　）＞ＴＨＬＩ　　　　　　条件（Ａ）（
ＴＨＬＩは所定の閾値で０程度に設定する）を満足する
か否かを判定する（Ｓ３）。

次に、第１子音性パタン値決定手段２１では、上記条件
（Ａ）を満足する時すなわち子音的性質を有すると判定
された時、正規化スベク計ル出力ＮＳＰ　（ｉ、ｊ）＞
ＴＨＬ２　　　　条件（Ｂ）（ＴＨＬ２は所定の閾値で
０程度に設定する）を満足するか判定しくＳ４）、条件
（Ｂ）を満足するチャネルにおける子音性パタンの値は
、ＣＭＰ　（ｉ、ｊ）＝ＮＳＰ　（ｉ、ｊ）とする（Ｓ
５）。

上記条件（Ｂ）を満足しないチャネルにおける子音性パ
タンの値は、 ＣＭＰ　（ｉ、ｊ）＝０ とする（Ｓ６）。

一方、第２子音性パタン値決定手段２２では、上記条件
（Ａ）を満足しない時すなわち子音的性質を有すると判
定されなかった時は、該フレームにおける全てのチャネ
ルにおける子音性パタンの値は、 ＣＭＰ　（ｉ、ｊ）−０ とする（Ｓ６）。

第１及び第２子音性パタン値決定手段２１及び２２にお
いて該フレームにおける子音性パタン抽出終了後、フレ
ーム番号ｊに１を加算する（Ｓ７）。

次に全てのフレームについて前述の各処理を終了してい
るかどうかを次の条件で調べ、ｊ≦ＥＦＲ この条件を満足する時は、ステップＳ２からの処理を逐
次繰り返し行い、満足しない時は該入力音声における子
音性パタン抽出を終了する。

次に、第４図及び第５図は発声音が「イチ」及び「シチ
」の場合にローカルピークパタン及び子音性パタンの抽
出結果を主として説明するための図である。

第４図（Ａ）及び第５図（Ａ）は横軸にフレーム番号及
び縦軸に音声パワーを取ってそれぞれ示した「イチ」及
び「シチ」にそれぞれ対応する音声パワー図である。第
４図（Ｂ）及び（Ｃ）、第５図（Ｂ）及び（Ｃ）はそれ
ぞれ「イチ」及び「シチ」に対応するローカルピークパ
タン図及び子音性パタン図であり、それぞれ横軸にフレ
ーム番号及び縦軸にチャネル番号を取って示しである。

さらに、第５図ＣＤ）及び（Ｅ）は「シチ」の子音部に
対応する周波数スペクトル図及び正規化スペクトル図で
あり、横軸にチャネル番号を取って示しである。

第４図（Ａ）に示す「イチ」の発声音に対し、ローカル
ピークパタン抽出部（第１図に１３で示す）で得られた
ローカルピークパタンが「１」である領域は第４図（Ｂ
）に黒い部分で示したように現われる。さらに「イチ」
の発声音に対し、子音性パタン抽出部（Ｚ１図に１４で
示す）で得られた子音性パタンの値か対応するチャネル
番号及びフレーム番号における正規化スペクトルの値と
等しくなる領域を第４図（Ｃ）に黒い部分ＣＯ１で示す
。

一方、第５図（Ａ）に示す発声音「シチ」の場合にはロ
ーカルど−クパタンか「１」となる領域及び子音性パタ
ンの値が対応するチャネル番号及びフレーム番号におけ
る正規化スペクトルの値と等しくなる領域はそれぞれ第
５図（Ｂ）及び（Ｃ）に黒く示した部分ＣＯ２、ＣＯ３
のように現われる。この場合、第５図（八）に示す「シ
チ」の語頭部分のスペクトル出力は第５図（Ｄ）に示す
ように現われ、その正規化スペクトル出力は第５図（Ｅ
）に示すようになり、条件（Ａ）を満足するので子音性
フレームと判定され、さらに、条件（Ｂ）の閾値ＴＨＬ
２をＯとするとＮＳＰ　（ｉ、ｊ）＞ＴＨＬ２を満足し
て子音性パタンの値が対応するチャネル番号及びフレー
ム番号における正規化スペクトルの値と等しくなる領域
はＣ０２で示される。

このように語頭の子音性パタンの相違によって「イチ」
と「シチ」との両者を正確に識別判定出来る。

第６図（Ａ）及び（Ｂ）は子音性パタンの認識への貢献
を示す総合類似度の説明図である。第６図（八）は第４
図（八）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「シチ」に対する総合類似
度を示す図であり、第６図ＣＢ）は第５図（Ａ）の音声
パタンを有する発声音「シチ」のカテゴリ名「イチ」及
びカテゴリ名「シチ」に対する総合類似度を示す図であ
る。これら図においてＺ乙Ｚ７で示す部分はローカルピ
ーク類似度を示し、２で示す部分は子音性類似度を示す
。この第６図（Ａ）からも理解出来るように発声音「イ
チ」の総合類似度と、「シチ」の標準パタンの総合類似
度は大きく異なる。従って、いずれの場合にも子音性パ
タンの相違により両者を正確に識別判定出来る。

（発明の効果） 上述した説明からも明らかなように、この発明の音声認
識装置によれば、母音定常部の特徴を安定に抽出した結
果であるところのローカルピークパタンと、子音部の特
徴を安定に抽出した結果であるところの子音性パタンと
の両者を併せて認識判定を行う方式としたので、子音特
徴も加味した正確かつ安定を音声認識を行なうことが出
来る。

【図面の簡単な説明】

第１図はこの発明の音声認識装置の一実施例を示すブロ
ック図、 第２図（Ａ）はこの発明の子音性パタン抽出部の機能ブ
ロック図、 第２図（Ｂ）は、この発明の子音性パタン抽出部の処理
手順を示す流れ図、 ′ｆｔＪ３図はこの発明の説明に供する従来のローカル
ピークパタン抽出を示す図、 第４図は発声音「イチ」の音声パワーに対するローカル
ピークパタン及び子音性パタンの説明図、 第５図は発声音「シチ」の音声パワーに対するローカル
ピークパタン及び子音性パタンの説明図、 第６図は子音性パタンの認識への貢献を示す総合類似度
の説明図である。 ｉｏ・・・周波数分析部、ＩＩ−・・スペクトル正規化
部１２−・・音声区間検出部 １３・・・ローカルピークパタン抽出部１４・・・子音
性パタン抽出部 １５・・・ローカルピーク類似度計算部１６・・・ロー
カルピーク標準パタン記憶部＋　８−・・子音性標準パ
タン記憶部 １９・・・判定部、　　　　２０・・・フレーム判定手
段２１・・・第１子音性パタン値決定手段２２・・・第
２子音性パタン値決定手段。 く ＼、〆 手音性バクン抽七１．ｔｌイ乍の部しれ図第２図 チャ２ル８号　　　　　　　　　　ｋ （Ｃ）　　　ｏ○０１０００００１０ｏｏｏ＋○Ｏ○ロ
ーカルヒ０−クパタン ローのｊレヒ０−７ｔｉタン算＝説明圓フし一４乙、４
譜−号 ン腎声音ｒイ九の款明図 第４図 ＳＦＲＥＦＲ フＬ−４壱号 フレ４噌号 祭戸皆「ソチ」の説明図 第５図 ４９１者「ンテＪめ３ｂ月図 第５図 ・イテ、　　　　・ンテ、　　　　　口　　子”皆／１
４婁婁イ”版締＠′−頓似度の言児明図 手続補正書 昭和６１年８月２８日

Claims (2)

【特許請求の範囲】
1. （１）入力音声に対し、音声始端時刻より音声終端時刻
   まで（音声区間）における特徴量の時系列パタンを抽出
   し、該時系列パタンと予め用意されている標準パタンと
   の類似度計算を行い、各認識対象カテゴリに対して類似
   度を算出し、全ての認識対象カテゴリの中で最大の類似
   度を有するカテゴリ名を認識結果とする音声認識装置に
   おいて、ａ）複数のチャネル（中心周波数の番号付け）
   による周波数分析、対数変換を行い周波数スペクトルを
   抽出した後、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、 ｂ）音声区間内において、高域及び低域チャネル領域に
   おける正規化スペクトル値の大小関係に基づいて、子音
   的性質を有すると判定されたフレームにおいては子音性
   パタン抽出を行い、子音的性質を有しないと判定された
   フレームにおいては子音性パタン抽出を行わない（全て
   のチャネル成分において値を「０」とする）処理を逐次
   行い子音性パタンを作成する子音性パタン抽出部と、 ｃ）前記正規化スペクトルパタンの値が正値かつ極大値
   となるチャネル成分を「１」、その他の全てのチャネル
   成分を「０」とする処理を音声区間内の全てのフレーム
   に対して行いローカルピークパタンを作成するローカル
   ピークパタン抽出部と、 ｄ）前記ｂ）項で算出した子音性パタンと予め用意され
   ている子音性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子音性類似度を算出する子音性類
   似度計算部と、 ｅ）前記子音性標準パタンの記憶部と、 ｆ）前記ｃ）項で算出したローカルピークと予め用意さ
   れているローカルピーク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ローカルピーク類似度
   を算出するローカルピーク類似度計算部と、 ｇ）前記子音性類似度とローカルピーク類似度の両者を
   参照して各認識対象カテゴリ毎に総合類似度を算出し、
   該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する判定部と を具えることを特徴とする音声認識装置。
2. （２）前記子音性パタン抽出部は、音声区間内の全ての
   フレームに対し、処理を行なって子音性パタンを作成す
   るため、 ａ）該フレームにおける前記正規化スペクトル値につい
   て高域チャネル領域における正規化スペクトル値が低域
   チャネル領域における正規化スペクトル値に比較して大
   であるフレームを子音的性質を有すると判定するフレー
   ム判定手段と、 ｂ）子音的性質を有すると判定した場合、該フレームに
   おいて前記正規化スペクトルの値が所定の閾値より大で
   あるチャネル成分の子音性パタンの値を該チャネルにお
   ける正規化スペクトルの値とし、その他のチャネル成分
   の子音性パタンの値を「０」とする第１子音性パタン値
   決定手段と、 ｃ）子音的性質を有すると判定されなかった場合、該フ
   レームにおける子音性パタンの値は全てのチャネル成分
   について「０」とする第２子音性パタン値決定手段と 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。