JPS6391700A - 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、日本語等の音声を音節単位に認識して、外
部装置に出力する音声認識装置に関する。

〈従来の技術〉 バズバー部は有声破裂音の音節発声の前に先行して声帯
の振動によって発声される音であり、非常に低周波成分
の強い音であり人間には殆ど聞こえない。したがって、
音声認識装置では上記バズバー部を除去する必要がある
。

従来、音声認識装置では人力された音声を音韻分類する
ことによってバズバー部を判定して、上記バズバー部に
相当する音節情報を除去している。

〈発明が解決しようとする問題点〉 ところが、上記従来の音声認識装置においては、バズバ
ーを強く生じる発声を行う人の場合には、音韻分類では
正確にバズバー部か否かを判定することができない。し
かも、音節区間として切出された特徴パターンは総て有
意味な音節として処理しているので、意図しない音節が
切出されて認識結果として出力することがしばしば発生
し、上・記認識結果を入力する外部装置では入力に手間
取るという問題がある。　　　　　゛ そこでこの発明の目的は、入力されｆ二音声の音節区間
をバズバー部であるか否かを正確に判別して、誤って一
音節として切出されたバズバー部を確実に除去しうる音
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〉 上記目的を達成するために、この発明の音声認識装置は
入力された音声から音節区間抽出部で音節を切出し、こ
の切出された音節の特徴パターンと、メモリに予め記憶
している複数種類の音節の特徴標準パターンとの類似度
計算をＣＰＵで行って、入力された音声を音節単位で認
識する音声認識装置において、上記音節区間抽出部で切
出した音声が、バズバー部であるか否かを、上記音節区
間抽出部で切出された音節区間におけるパターンからの
特徴情報を所定の値と比較して判別し、上記音節がバズ
バー部であると判別したときに、バズバー部を表わす音
節情報を除去する判別除去手段を有することを特徴とし
ている。

く作用〉 音節区間抽出部によって入力された音声から種々の情報
をもとにして音節が切出されると共に、上記切出された
音節区間のパターンから、音節の特徴を表わす特徴情報
が得られる。上記特徴情報はＣＰＵによって所定の値と
比較されることによって、上記音節がバズバー部である
か否かが判別される。

その結果、バズバー部であると判別されたときはその音
節情報は除去され、また、バズバー部でないと判別され
たときは、上記音節の特徴パターンと、メモリに予め記
憶されている複数種類の音節の特徴標準パターンとの類
似度計算が上記ＣＰＵて行なわれることによって、入力
された音声が音節単位でバズバー部の影響を受けること
なく、正確に認識される。

〈実施例〉′ 以下、この発明を図示の実施例により詳細に説明する。

第１図において、■はアナログ入力部であり、連続して
入力された音声を増幅する増幅器（ＡＭＰ）ＩＩとＡＭ
ＰＩＩの出力をディジタル信号に変換するＡ／Ｄ変換器
１２とからなる。２は音声分析部であり、ディジタル信
号化された入力音声を１６ｍ５程度のフレームに分けて
スペクトル分析を行い、８ｍｓ程度の間隔て音節区間抽
出部３に上記人力音声の特徴パターンと音節区間の切出
に必要な情報（例えばパワー、零交差数等）とを転送す
る。上記音節区間抽出部３は上記音声分析部２から転送
される上記音節区間の切出に必要な情報を基に、上記音
声分析部２から転送される特徴パターンから音節を切出
して、この切出した音節の特徴パターン（１音節分）を
特徴パターンメモリ６１に格納する。さらに、上記ＣＰ
Ｕ５とデータを交換しながら、上記切出した音節から特
徴情報を切出して上記特徴パターンメモリ６１１ＣＩ納
して、入力された音声の音節切出しが完了したことをＣ
ＰＵ５に伝達する。

なお、上記特徴情報としては、切出した音節の長さ、切
出した音節と直航の音節との間の無音時間長、切出した
音節の平均パワー、切出した音節の１次の自己相関係数
の平均値、切出した音節と後続する音節との間の無音時
間長、切出した音節の音素系列を用いる。

ここで、上記音声のパワー（Ｐ　Ｗ）および１次自己相
関係数（ｃＢは次のようにして求められる。

すなわち、入力された音声波形は上記Ａ／Ｄ変換器１２
でディジタル値に変換される。このディジタル値の時系
列をＷ（ｉ）とするとＰＷ、ＣＩは夫々、ＰＷ−ｘＷ（
ｉ）ｘＷ（ｉ） ｉ＝１ の式で求められる。ここでＫはｌフレームを構成するデ
ータ数（１６ＫＨｚサンプリングで１フレームを１６ｍ
５とすると２５６となる）である。

パターンメモリ６は、上記音節区間抽出部３によって切
出された音節の一個分の特徴パターン、および上記音節
の特徴情報が記憶されている前述の特徴パターンメモリ
６１と、複数の音節の特徴標準パターンが記憶されてい
る標準パターンメモリ６２とを有している。音素標準パ
ターンメモリ７は、上記標準パターンメモリ６２に記憶
されている上記特徴標学パターンを基にして得られる第
３図に示すような音素標準パターンが記憶されている。

単音節認識部９は、上記ＣＰＵ５からの命令により、上
記パターンメモリ６内の特徴パターンメモリ６１に記憶
されている上記特徴パターンと、標準パターンメモリ６
２に記憶されている上記複数の特徴標準パターンとの間
で類似度計算の一例である距離計算を行うことによって
、入力された音声を認識する。そして、得られた認識結
果は上記ＣＰＵ５に戻され、さらにインターフェース（
Ｉ／Ｆ）部ＩＯを介して外部装置に送出される。

次に、第２図に示すＩ音節の認識処理のフローチャート
により、上記音声認識装置の動作を説明する。

ステップＳＩで、入力された音声の音節が、上記音節区
間抽出部３によって切出されたか否かを判断する。上記
音節区間抽出部３で音節切出しが完了していればステッ
プＳ、に進み、完了していなければ、ステップＳｌに戻
る。

ステップＳ、で、切出した音節の長さく上記パターンメ
モリ６内の特徴パターンメモリ６Ｉに記憶されている、
切出された音節の特徴情報の一つ）と設定値Ｌｌ（２０
フレーム）とを比較する。これは、上記バズバー部は比
較的短いことを利用しており、上記設定値Ｌ１以上であ
れば比較した音節はバズバー部ではないと判断してステ
ップＳ、に進み、設定値Ｌｌよりも小さければステップ
Ｓ３に進む。

ステップＳ３で、切出した音節と直前の音節との間の無
音時間長を設定値Ｌ２（１０フレーム）と比較する。こ
れは、バズバー部を有する有声破裂音は語頭で発生する
ことが多いことを利用しており、設定値し２以下の場合
には上記音節はバズバー部ではないと判断してステップ
Ｓ９に進み、設定値Ｌ２より大きい場合にはステップｓ
４に進む。

ステップＳ４で、切出した音節の平均パワー値と設定値
Ｌ３（４０００Ｘ２５６）とを比較する。

これはバズバー部は母音はど大きなパワーを持っていな
いことを利用しており、上記設定値Ｌ３以上の場合には
上記音節はバズバー部ではないと判断してステップＳ９
に進み、設定値Ｌ３より小さい場合にはステップＳ、に
進む。

ステップＳ、で、上記切出した音節の１次の自己相関係
数ＣＩの平均値と、設定値Ｌ＝１（０，９５）とを比較
する。これはバズバー部は低周波成分が殆どでありＣＩ
はｌに近い値を持っていることを利用しており、上記設
定値し４以下の場合にはバズバー部ではないと判断して
ステップＳ、に進み、設定値Ｌ４より大きい場合にはス
テップＳ８に進む。

ステップＳ８で、切出した音節と後続の音節との間の無
音時間長を設定値Ｌ５（５フレーム）と比較する。これ
は上記音節がバズバー部であれば、バズバー部が終了す
ると直ちに有声破裂の有音音節が開始することを利用し
ており、上記設定値Ｌ５より大きい場合はバズバー部で
はないと判断してステップＳ、に進み、設定値し５以下
の場合にはステップＳ７に進む。

ステップＳ７で、切出された音節の音素系列を求め、そ
の系列の９割以上のフレームが“Ｎｏの音素ラベルであ
るか否かを判定する。９割より小さい場合にはバズバー
部ではないと判断してステップＳ９に進み、９割以上が
音素ラベル°Ｎ゛であれば上記音節はバズバー部である
と判断してステップＳ８に進む。

ここで、上記音素系列は各フレームごとの音素ラベルを
求めることによって得られ、上記音素ラベルは上記音素
標準パターンメモリ７に記憶されている第３図に示す音
素標準パターンと、入力された音節の特徴パターンを基
に得られる第３図に示す人力音素パターンとの距離計算
を各フレームごとに行って、距離が最小（すなわち、マ
ツチング距離）のときの音素ラベルをそのフレームの音
素ラベルとすることによって得られる。すなわち、まず
、上記音素標準パターンと入カバターンとのマツチング
距＃（Ｄｉｓ）を次式で求める。

■ ＣＥ　Ｐ　ｒｅｆ（Ｄ（ｉ））’ ここで、　ｉ：音素の次数、 ｊ：音素の種類（ｊ＝１・・・Ｎ）、 Ｎ：音素の種類の数（定数）、 Ｌ：マツチング計算する次数、 ＣＥＰｉｎ：入力音素パターン（第３図参照）、ＣＥＰ
ｒｅｆ：音素標準パターン（第３図参照）。

また、第３図における音素標準パターン（ＣＥＰ　ｒｅ
ｆ）のＣＥ　Ｐ　ｒｅｆ（Ｄ（０）には各音素を表わす
ラベルが割当てられており、’Ａ’、’Ｉ’、“Ｕｏ、
“Ｅ′。

ｏ′は母音性音を表わすラベルであり、Ｎ°は鼻音外音
を表わすラベルであり、“Ｓ゛は摩擦性音およびノイズ
外音を表わすラベルである。したがって、上記マツチン
グ距離（Ｄｉｓ）が得られたときのｊ（−Ｊ）に対応す
る音素ラベルＰＨが次式で求められる。

ＰＨ＝ＣＥＰｒｅｆ（ＪＸＯ） ここで、 Ｊ：ＤＩＳが得られたときのｊｏ 第２図のステップＳ８で、上記音節区間抽出部２で切出
され、バズバー部であると判定された音節をリジェクト
し、ｌ音節の認識処理は終了する。

ステップＳｇで、上記ＣＰＵ５は上記単音節認識部９に
類似度計算を指示する。上記単音節認識部９は上記パタ
ーンメモリ６内の特徴パターンメモリ６１に記憶されて
いる、入力された音声から切出されて上記ステップＳ、
〜ステップＳ７でバズバー部でないと判定された音節１
個の特徴パターンと、標準パターンメモリ６２に記憶さ
れている複数音節の特徴標準パターンとの間で類似度計
算を行い、上記入力された音声から切出された音節の認
識結果を得る。

ステップＳＩＯで、得られた上記音節単位の認識結果を
上記ＴｌＦ部ＩＯを介して図示しない外部装置に送出し
、ｌ音節の認識処理は終了する。

第４図に上述の音節の認識処理によってバズバー部であ
ると判定されてリジェクトされた音節と、バズバー部で
はないと判定されてリジェクトされなかった音節とを、
上記特徴情報の数例と共に示している。図中最上段より
従来の分類法である音韻分類１本実施例における音素系
列１本実施例におけるパワー曲線１本実施例における１
次の自己相関係数ＣＩの曲線１本実施例におけるバズバ
ー部の判定結果（×・・・バズバー部　○・・・有意味
な音節）を表わしている。第４図より有声破裂音である
「だ」を例に説明すると、「だ」の有音音節部Ｂに先行
して出される音節部Ａは第２図のフローチャートにした
がって説明（第４図に示す以外の特徴情報は省略）する
と、ステップＳ４で１音節区間の平均パワーが上記設定
値Ｌ３より小さく、ステップＳ。

で１音節区間のＣＩの平均が上記設定値Ｌ４よりも大き
く、ステップＳ７で１音節区間の音素系列の９割以上の
フレームが音素ラベル“Ｎｏであり、したがってこの音
節部Ａはバズバー部と判定されリジェクトされる。一方
、音節部ＢはステップＳ４で１音節間の平均パワーは上
記設定値し３以上であり、したがってバズバー部ではな
いと判定されリジェクトされない。他の場合も同様にし
て「と」はステップＳ４で、「あ」はステップＳ４で、
「ん」はステップＳ４で、「と」はステップＳ４で夫々
バズバー部ではないと判定される。

特に、第４図に示されるようにバズバー部と「ん」との
特性は比較的類似しているが、この場合は有声破裂音は
語頭に多く「ん」は語頭にはこない（すなわち、直前の
音節との無音区間の長さがバズバー部は長く「ん」は短
い）点を利用してステップＳ３で判定することができろ
。

本実施例においては上記特徴情報全てを用いてバズバー
部を判別しているが、上記特徴情報のいずれかの組合せ
で判別するようにしてもよい。

〈発明の効果〉 以上より明らかなように、この発明の音声認識装置は、
人力された音声から音節区間抽出部で切出した音節がバ
ズバー部であるか否かを、上記音節区間抽出部で切出し
た音節の特徴情報を所定の値と比較することによって判
別し、上記音節がバズバー部であると判別したときに、
バズバー部を表わす音節情報を除去する判別除去手段を
設けたので、バズバー部を強く生じる発声を行う人の場
合であっても正確にバズバー部を判別除去することがで
き、したがって、有意味な音節のみを切出することかで
きるので、認識性能が向上すると共に、認識結果が入力
される外部装置における入力の操作性が向上する。

【図面の簡単な説明】

第１図はこの発明の音声認識装置のブロック図、第２図
はこの発明の音声認識装置におけるｌ音節の認識処理フ
ローチャート、第３図は音素パターンの１例を示す図、
第４図はこの発明の音声認識装置によるバズパ一部判定
結果の１例を示す説明図である。 ｌ・・・アナログ入力部、２・・・音声分升部、３・・
音節区間抽出部、訃・・ＣＰＵ。 ６・・・パターンメモリ、７・・・音素標準パターンメ
モリ、９・・・単音節認識部。

Claims (2)

【特許請求の範囲】
1. （１）入力された音声から音節区間抽出部で音節を切出
   し、この切出された音節の特徴パターンと、メモリに予
   め記憶している複数種類の音節の特徴標準パターンとの
   類似度計算をＣＰＵで行って、入力された音声を音節単
   位で認識する音声認識装置において、 上記音節区間抽出部で切出した音声が、バズバー部であ
   るか否かを、上記音節区間抽出部で切出された音節区間
   におけるパターンからの特徴情報を所定の値と比較して
   判別し、上記音節がバズバー部であると判別したときに
   、バズバー部を表わす音節情報を除去する判別除去手段
   を有することを特徴とする音声認識装置。
2. （２）上記判別除去手段はバズバー部を除去するための
   音節区間の特徴情報として、切出された音節とその前の
   音節との無音時間長、切出された音節の長さ、切出され
   た音節の平均パワー、切出された音節に後続する音節と
   の無音時間長、切出された音節の１次自己相関係数の平
   均値、切出された音節の音素系列のいずれか、またはそ
   れらの複数の組み合せを用いていることを特徴とする特
   許請求の範囲第１項記載の音声認識装置。