WO2003107326A1 - 音声認識方法及びその装置 - Google Patents

Description

明 細 書

音声認識方法及びその装置 技術分野

本発明は、 騒音下の認識性能を改善する音声認識方法及 びその装置に関するものである。 背景技術

音声認識は、 入力信号のパワーを予め設定した閾値と比 較して閾値以上の区間を音声区間として検出し、 予め用意 してある標準パターンとパターンマッチングを行う こ とに よってなされる。

しかし騒音下では、 騒音のパワーレベルが前記閾値を越 えるこ とがあるため、 音声区間検出を誤るこ ととなり、 誤 認識の原因となるという問題点があった。 そのための対策 として、 音声区間の始端と終端を一意に定めず、 始端と終 端の取り得る組み合わせの全ての区間に対してパターンマ ツチングを行う端点フ リーと呼ばれる認識方法がある。 し かし全ての区間に対してパターンマッチングを行う と 「東 大阪（ひがしおおさか）」 という発声が 「大阪（おおさか）」 と 認識される等の部分マッチングによる誤認識が問題となる , これを低減するため、 従来から始端と終端の取り得る組 み合わせの範囲を制限する、 すなわち端点フ リーの範囲を 制限する技術がある。 この技術の一例として特開昭 6 3 - 3 0 0 2 9 5がある。

図 5は、 特開昭 6 3 - 3 0 0 2 9 5記載の音声認識装置 の一構成例を示すブロ ック図である。 本例では、 特定話者 の単語認識を行う場合を説明する。 信号の入力端 1から入 力信号 2を入力'すると、分析手段 3は入力信号 2を A/D変 換し、 フ レームと呼ぶ短い時間区間ごとに分割して、 各フ レームごとに音響分析を行い、 各フ レームごとに特徴べク トル X(t) = 1 ,2 ,3，... , ）の時系列 4、 およびパワー P(t)と 零交差回数 Z (t) (t二 1，2，3，... ,T)の時系列 5を計算して出力 する。 こ こで Τ は、 入力信号 2の全フ レーム数である。 特 徴べク トル X(t)は、例えば LPC分析によって得られる LPC ケプス トラムとする。 零交差回数 z(t)は、 有声音区間の検 出に用いる。 すなわち有声音は低周波数成分にパワーが集 中するため、 零交差回数 z(t)は少ないので、 本例では後述 するよう に、 音声パワーが所定値以上でかつ零交差回数 z(t)が少ない区間を有声音であるとみなしている。

有声音決定手段 7 は、 入力信号のパワー: P(t)と零交差回 数 Z(t) (t= l ,2，3 , ...，T)の時系列 5 とを入力として、 図 6 に 示すよう に、 音声パワーが予め定めた閾値を上回るフ レー ムを音声区間の始端 PB、 閾値を下回るフ レームを音声区 間の終端端 PE として検出する。 また検出した音声区間内 で、 零交差回数 Z(t)が予め定めた閾値未満となるフレーム を有声音区間の始端 ZB、 閾値以上となるフレームを有声 音区間の終端 ZE と して検出する。

そして、 前記音声区間の始端 PB から有声音区間の始端 ZB までの区間を、 始端フ リ 一区間 Bfree = {PB , B}として 決定する。 こ,こで： PBは、 始端フ リー区間の先頭フレーム、 ZB は始端フ リ ー区間の最終フ レームである。 また有声音 区間の終端 ZE から音声区間の終端 PE までの区間を、 終 端フ リー区間 Efree二 {ZE, PE}として決定する。 ここで ZE は、 終端フ リ ー区間の先頭フレーム、 PE は終端フ リー区 間の最終フ レームである。

有声音決定手段 7 は、 前記始端フ リ ー区間 Bむ ee={PB， ZB}と終端フ リ一区間 Efree={ZE, PE}を端点フ リ一区間情 報 8 として出力する。

照合手段 6 は、 特徴べク トルの時系列 4 と、 端点フ リ一 区間情報 8である始端フ リ一区間 Bfree={PB ,ZB}と、 終端 フ リ一区間 Efree = {ZE ,PE}とを入力として、 始端フ リー区 間と終端フ リ一区間内の全ての始終端の組み合わせで、 標 準パターンメ モ リ 9 に格納されている標準パターン 1 0 と、 例えば DP マッチングによるパターンマッチングを行い、 距離値が最小のものを認識結果とする。 なお、 標準パター ンメモリ 9 には、 予め認識対象とする各単語の標準パター ン REF(i)，（i= l，2，3，... ,K)として、 各単語の特徴べク トルの 時系列が格納されているものとする。 ここで Kは、 標準パ タ ー ン の数であ る 。 特徴べ ク ト ル X(t)は 、 例え ば LPC(Linear Predictive Coding)分析によ っ て得られる LPCケプス トラムとする。

以上述べたよう に、 従来技術では検出された音声区間と 有声音区間の間に正しい音声区間の始終端が存在すると仮 定して、 端点フ リ一区間を制限している。 しかし非定常騷 音の種類は様々で、 自動車内騷音のよう に、 スペク トルの 低域にパワーが集中している騷音では零交差回数が少ない ため、 有声音区間と判定される危険性が大きい。 騒音が有 声音と判定された場合には、 騒音区間を含めてパターンマ ツチングを行うため、 誤認識の原因となる。

この発明は上記課題を解決をするためになされたもので、 正確な判定が困難な有声音お間の判定を必要とせず、 効率 的に端点フ リー区間を制限して、 音声認識精度を改善する 音声認識装置を提供するこ とを目的とする。 発明の開示

第 1 の発明に係る音声認識方法は、 入力音声を音響分析 しこの入力信号についてパワーを出力する分析ステップと、 前記パワーが所定の閾値を連続して超える区間を山区間と して検出し、 パワーが最大となる山区間を最大山区間とし て、 その最大山区間が前記閾値を下回る点以前に始端フ リ —区間が存在すると仮定し、 前記最大山区間が前記閾値を 上回る点以降に終端フ リ一区間が存在すると仮定して始端 フ リ ー区間と終端フ リ ー区間の組み合わせを出力する端点 フリ ー区間決定ステップと、 前記組み合わせの始端フ リー 区間と終端フ リ ー区間により特定されるパター ンと標準パ ターンとのパターンマッチングを行う照合ステップとを備 えたものである。

第 2の発明に係る音声認識方法は、前記照合ステツプが、 前記端点フ リ一区間が出力するすべての始端フ リー区間と 終端フ リー区間の組み合わせにより特定される各パタ一ン と標準パターンとのパターンマッチングを行う構成とされ たものである。

第 3の発明に係る音声認識方法は、 前記端点フ リ一区間 決定ステツプが、 検出された前記山区間のう ち、 パワーの 累積が最大となる山区間を最大山区間とする構成とされた ものである。

第 4の発明に係る音声認識方法は、前記分析ステツプが、 検出点毎にパワーを出力し、 前記端点フ リ ー区間決定手段 が、 検出された前記山区間のう ち、 前記検出点毎のパワー のう ち上位の所定の個数の検出点のパワーの和が最大とな る山区間を最大山区間とする構成とされたものである。 第 5の発明に係る音声認識方法は、 前記端点フ リ一区間 決定ステップが、 前記最大山区間以前の山区間が前記閾値 を上回る点の近傍に前記始端フ リ ー区間が存在すると仮 ¾ し、 前記最大山区間以後の山区間が前記閾値を下回る点の 近傍に前記終端フ リ ー区間が存在する と仮定する構成とさ れたものである。

第 6の発明に係る音声認識方法は、 前記端点フ リー区間 決定ステップが、 前記始端フ リ ー区間が存在すると仮定す る範囲の幅と前記終端フ リー区間が存在すると仮定する範 囲の幅とを、各山区間毎に異なる構成とされたものである。 第 7の発明に係る音声認識方法は、前記分析ステツプが、 フ レーム毎にパワーを出力し、 前記端点フ リ ー区間決定手 段が、 パワーが前記閾値を下回るフ レームを前記閾値を下 回る点とし、 パワーが前記閾値を上回るフ レームを前記閾 値を上回る点とする構成とされたものである。

第 8の発明に係る音声認識装置は、 入力音声を音響分析 しこの入力信号についてパワーを出力する分析手段と、 前 記パワーが所定の閾値を連続して超える区間を山区間とし て検出し、パワーが最大となる山区間を最大山区間として、' その最大山区間が前記閾値を下回る点以前に始端フ リ ー区 間が存在すると仮定し、 前記最大山区間が前記閾値を上回 る点以降に終端フ リ一区間が存在する と仮定して始端フ リ 一区間と終端フ リー区間の組み合わせを出力する端点フ リ 一区間決定手段と、 前記組み合わせの始端フ リー区間と終 端フ リー区間により特定されるパターンと標準パターンと のパターンマッチングを行う照合手段とを備えたものであ る o

第 9の発明に係る音声認識装置は、 前記照合手段が、 前記 端点フ リ ー区間が出力するすべての始端フ リ 一区間と終端 フ リ 一区間の組み合わせにより特定される各パターンと標 準パター ンとのパターンマッチングを行う構成とされたも のである。

第 1 0の発明に係る音声認識装置は、 前記端点フ リ一区間 決定手段が、 検出された前記山区間のうち、 パワーの累積 が最大となる山区間を最大山区間とする構成とされたもの である。

第 1 1 の発明に係る音声認識装置は、 前記分析手段が、 検 出点毎にパワーを出力し、前記端点フ リ一区間決定手段が、 検出された前記山区間のう ち、 前記検出点毎のパワーのう ち上位の所定の個数の検出点のパワーの和が最大となる山 区間を最大山区間とする構成とされたものである。

第 1 2 の発明に係る音声認識装置は、 前記端点フ リ ー区間 決定手段が、 前記最大山区間以前の山区間が前記閾値を上 回る点の近傍に前記始端フ リー区間が存在すると仮定し、 前記最大山区間以後の山区間が前記閾値を下回る点の近傍 に前記終端フ リ ー区間が存在すると仮定する構成とされた ものである。

第 1 3の発明に係る音声認識装置は、 前記端点フ リ ー区間 決定手段が、 前記始端フ リ一区間が存在すると仮定する範 囲の幅と前記終端フ リー区間が存在すると仮定する範囲の 幅とを、 各山区間毎に異なる構成とされたものである。 第 1 4の発明に係る音声認識装置は、 前記分析手段が、 フ レーム毎にパワーを出力し、 前記端点フリ一区間決定手段 が、 パワーが前記閾値を下回るフ レームを前記閾値を下回 る点とし、 パワーが前記閾値を上回るフレームを前記閾値 を上回る点とする構成とされたものである。 図面の簡単な説明

図 1 は本発明の実施例 1 と実施例 2 による音声認識装置 の構成図、

図 2は本発明の実施例 1 の始端フ リ ー区間と終端フ リ ー 区間の決定方法の説明図、

図 3は本発明の実施例 2の始端フ リー区間と終端フ リー 区間の決定方法の説明図、 '

図 4は本発明の実施例 2の始端フ リ一区間と終端フ リ一 区間の決定方法の説明図、

図 5は従来の技術による音声認識装置の構成図、 図 6は従来の技術による始端フ リー区間と終端フ リー区 間の決定方法の説明図である。 発明を実施するための最良の形態

実施例 1 .

図 1 は、 本発明に係る実施例 1の音声認識装置の構成を 示すブロ ック図である。 同図において、 1 は信号の入力を 行う信号入力端、 2は信号入力端 1 によって入力された入 力信号、 3は入力信号 2について音響分析を行う分析手段、 4は分析手段 3 によって算出される入力信号の特徴べク ト ルの時系列、 5 は分析手段 3 によって算出される入力信号 のパヮ一の時系列、 6 は入力信号のパヮ一の時系列 5 に基 づいて端点フ リ一区間を決定する端点フ リ ー区間決定手段、 8は端点フ リー区間決定手段 6 によって出力される端点フ リ一区間情報、 9 は音声認識のための照合処理において用 いられる標準パタ一ンを記憶する標準パターンメ モリ、 1 0は音声認識のための照合処理において用いられる標準パ ターン、 1 1 は各単語の標準パターンとのパターンマッチ ングを行う照合手段である。

本実施例では、 特定話者の単語認識を行う場合を説明す る。 標準パターンメ モ リ 9 には、 予め認識対象とする各単 語の標準パターン REF(i), (i=l ,2 ,3,...,K)として、 各単語の 特徴ベク トルの時系列が格納されているものとする。 ここ で； は、 標準パターンの数である。 特徴べク トル x(t)は、 例えば LPC分析によって得られる LPCケプス トラムとす る o

次に動作について説明する。 信号入力端 1から入力信号 2を入力すると、分析手段 3は入力信号 2を A/D変換した 後、 短い時間区間ごとにフ レームと呼ばれる単位に分割し て、 各フレームごとに音響分析を行ってそのフレームの特 徵ベク トル X(t) =1,2,3，..., ）の時系列 4、 およびパワー P(t) (t=l,2，3,...,T)の時系列 5を計算して出力する。 ここ で、 T は入力信号 2の全フ レーム数である。 特徴べク トル X(t)は、 例えば LPC (線形予測）分析によって得られる LPC ケプス トラムとする。 ハ°ヮ一 P(t)は、 例えばフレーム内の 入力信号のディ ジタル値を 2乗和して対数をとることによ つて得られる。

端点フ リ 一区間決定手段 6 は、 入力信号のパワー P(t) (t=l，2，3,...，T)を入力として、 図 2に示すよう に、 パワーが 予め定めた閾値を越えたフレームが所定数以上連続する区 間を、 山区間 H(i)={B(i), E(i)}(i=l，2，3，...N)として検出す る。 ここで、 B(i)は山区間の始端、 すなわちパワーが前記 閾値を越えたフ レームである。 また、 E(i)は山区間の終端、 すなわちパワーが前記閾値未満となったフレームである。 N は検出された山区間の個数である。 図 2の例では、 N=3 である。

次に、 端点フ リー区間決定手段 6は、 （1 )式あるいは（2) 式によって、 各山区間 PH(i) = {B(i), E(i)Ki=l,2，3,...N)のパ ヮ一強度 PK(i)(i=l，2，3，...N)を計算し、（3 )式にしたがって パワー強度が最大の山をパワー強度最大山区間 PH(I)とし て検出する。（ 2 )式において、 t(i,j)は各山区間 PH(i)= (i)， E(i)}の区間内のフレームで、 ノ ヮ一が； j番目に大きいフレ ームとする。 したがって、 t(i，l)は、 山区間 PH(i)内でパヮ —が最大のフレームとなる。 このこ とより、 （2 )式は、 各 山区間について、当該区間内でパワーが大きい上位 M個の パワー値を用いてパワー強度を計算しているこ とになる。 一方（1 )式は、 各山区間について、 当該区間内の全パワー の和としてパワー強度を計算している。（1 )、 （2 )式のいず れを用いるかについては、 音声認識装置の使用時に想定さ れる環境騒音の種類や認識対象とする音声によって、 選択 すればよい。

PK(i) = P(t), ( i=l, 2, 3， .."Λ ( 1)

t=B(i)

M

PK(i) =∑P(t(i, j')), {i=l, 2, 3, ...,N) (2)

l =a rgm ax( i)PR (ι) (3) 本実施例では、 パワー強度最大山区間は音声である と仮 定するので、 例えばパワーの山の継続時間は短いが、 瞬間 的な信号パワーが大き く なるスパイク状の騒音では（ 1 )式 を用い、 逆にパワーの山の継続時間は長いが、 フ レーム毎 のパワーは大き く ない騒音では（2 )式を用いるこ とにより 騷音区間がパワー強度最大山区間とならないよう にするこ とができる。

次に端点フ リ一区間決定手段 6 は、（4 )、 （5 )式にしたが つて最初の山区間の始端 B 1 から、 パワー強度最大山区間 の始端 B (I)までの区間に、 始端マ一ジン bm l， bm2を加え た区間を、 始端フ リ 一区間 BF={bfL , bfil}として決定する。 ここで、 bfL は始端フ リ ー区間の先頭フ レーム、 bfR は始 端フ リ ー区間の最終フ レームであり、 また始端マ一ジン bm l , bm2 は、 予め定めた 0以上の定数である。 bfL = B(I) -bml (4) bfR = B(I) +bm2 (5) 次に（6 )、 （7 )式にしたがって、端点フ リ ー区間決定手段 6は最後の山区間の終端 E (N)から、パワー強度最大山区間 の始端 E (I)までの区間に、 終端マ一ジン em l， em2を加え た区間を、 終端フリ一区間 EF = {efL， efR}として決定する。 ここで、 efL は終端フリ ー区間の先頭フレーム、 efR は終 端フ リー区間の最終フレームである。 終端マージン em l , em2 は、 予め定めた 0以上の定数である。 以上の処理によ り決定された始端フ リ一区間 BF と終端フ リ一区間を図 2 に示す。 efl. = E(I) - eml (6) efR = E(N) + bm2 (7) 端点フ リ ー区間決定手段 6 は、 前記始端フ リ ー区間 BF={bfL , bfR}と終端フ リー区間 EF = {efL, efH}を、 端点フ リー区間情報 8 として出力する。

照合手段 1 1 は、 特徴べク トルの時系列 4 と、 端点フ リ —区間情報 8による始端フ リ一区間 BF={bfL， bfR}と終端 フ リー区間 EF = {efL， efR}とを入力として、 始端フ リー区 間と終端フ リ一区間内の全ての始終端の組み合わせで標準 パターンメモリ 9に格納されている各単語の標準パターン 1 0である REF(i)とパターンマッチングを行う。この処理 を標準パターン REF(i) (i=l ,2 , 3，...，K)の全てに対して順 次行い、 これら全ての始終端の組み合わせと標準パターン との照合処理の結果、 最も差異の小さい標準パターンを認 1 結果 1 2 として出力する。 パターンマッチングの方法と しては、 例えば DPマッチングを用いる。

以上説明したとおり、本実施例は騒音下において、「パヮ —強度'最大の山は背景騒音ではなく、 認識対象とする音声 あるいはその一部である」 という仮定に基づいて、

(1) パワー強度最大の山の区間内には、 始端マ一ジン bm2 と終端マージン em l以上の端点フ リー区間を設定しない (2) 端点フ リーは、 パワー最大の山の跨がない、 すなわち パワー強度最大の山の後方には、始端フ リ一区間を含めず、 ハ°ヮ一強度最大の山の前方には終端フ リ一区間を含めない こ とに基づいて端点フ リ一区間を制限する ものである。 騷音下では、 人間の発声は大き く なるこ とが知られてお り、 殆どの騒音下で前記仮定が成立する。 本実施例による 音声認識装置は、 この仮定に基づく こ とにより、 正確な判 定が困難な有声音区間の判定を必要とせず、 効率的に端点 フ リ一区間が音声の内部に極力含まれないよう に制限する こ とによって、 部分マッチングによる誤認識を低減するこ とができる。

なお本実施例では、パターンマッチングの方法として DP マッチングを用いたが、 HMM (Hidden Markov Mo del)等の 他のパターンマッチング方法に対しても同様の効果が得ら れる。 また連続音声認識や、 不特定話者の単語認識や連続 音声においても同様の効果が得られる。 実施例 2 .

次に本発明の別の実施例に係る音声認識装置について説 明する。 本実施例による音声認識装置では、 端点フ リー区 間決定手段 6の動作を以下のよう に変更する。 すなわち、 まず端点フ リ一区間決定手段 6は、 入力信号のパワー P(t) (t=l，2，3，...，T)を入力として、実施例 1 と同様の動作によつ て、 パワーが予め定めた閾値を越えたフレームが所定数以 上連続する山区間 PH(i) = {B(i), E(i)}(i=l,2,3,...N)と、 パヮ —強度最大山区間 PH(I)を検出する。 次に、 パワー強度最 大山区間 PH(I)、 およびそれに先行する各山区間の始端 B(i), (i=l,2，3,...N)の前後に始端マ一ジン T ml, bm2を加え た 区 間 を 、 始 端 フ リ ー 区 間 BF(i)={bfL(i), bfR(i)} (i=l，2，...,I)とする。 こ こで、 bfL(i)は i 番目の始端フ リ ー 区間の先頭フ レームであり、 （8)式によって求める。 また bfR(i)は i番目の始端フ リー区間の最終フレームであって、 (9)式によつて求める。 始端マ一ジン bmL(i)， bmR(i)は、 予 め定めた 0以上の定数である。 bfL(i) = B(i)-bmL(i), (i=l,2,3，...，N) (8) bfR(i) = B(i)+bmR(i), (i=l，2,3，...，N) (9) 次に（1 0 )、（ 1 1 )式にしたがって、パワー強度最大山区 間 PH(I)、 およびそれに後続する各山区間の終端 E(i), (i=I，I+l，...，N)の前後に終端マージン eml, em2を加えた区 間を、 終端フ リ一区間 EF(i) = {efL(i), efR(i)} (i=l,2,...,N- 1+1)とする。 こ こで、 e£L(i)は i番目の終端フ リー区間の先 頭フレーム、 efR(i)は i番目の終 ¾フ リ一区間の最終フレー ムである。 始端マージン emL(i), emR(i)は、 予め定めた 0 以上の定数である。 以上の処理により決定された始端フ リ 一区間と終端フ リ ー区間を図 3 に示す。 β (ί) = E(/ -1+ - emL(i), {ϊ=1,2,3,...,Ν-Ι+ϊ) (10) efR(i) = E(J + emR(i), ( =1,2,3,...，N- 1+ϊ) (11) なお、 前記始端マ一ジン bmL(i)と bmR(i)は、 始端フ リ —区間 BF(i)ごとに異なる値に設定してもよいし、 共通の 値としてもよい。

始端フ リー区間を大き くすると、 始端の検出誤りには強 く なるが、 部分マッチングの危険性が大き く なるという ト レー ドォフの関係にある。 1番目の始端フ リ一区間 BF1の 左側のマ一ジン bfLl は、 音声の外側へのフ リ ー区間であ るため、 値を大き く しても、 部分マッチングの危険性はそ れほど増加しない。 しかし、 1番目の始端フ リー区間 BF1 の右側と 2番目以降の始端フ リ一区間は、 音声区間内であ る可能性があり、 始端マージン bmL(i)と bm;R(i)の値を大 き く設定すると、 部分マッチングの可能性が増す。

そこで、 2番目以降の始端フ リー区間の左右両側の始端 マ一ジンと、 1番目の始端フ リー区間の右側の始端マージ ンとを、 1番目以降の始端フ リー区間の左側の始端マージ ンより も小さな値若しく は 0 とすると、 内側でのフ リー区 間が小さ く なる、 あるいは 0 となり、 部分マッチングを抑 える効果がある。

同様に、 前記終端マージン emL(i)と emR(i)は、 終端フ リ 一区間 EF(i)ごとに異なる値に設定してもよいし、 共通 の値としてもよい。

最後の終端フ リ 一区間 EF(N-I+ 1)の右側のマー ジ ン efR(N-I+ l)は、 音声の外側へのフ リー区間であるため、 値 を大き く しても部分マッチングの危険性はそれほど大き く ならない。 しかし、 最後の終端フ リ一区間の左側と最後以 外の終端フ リ一区間は音声区間内である可能性があるため、 終端マ一ジン emL(i)と emR(i)の値を大き く設定すると部 分マッチングの可能性が増す。

そこで、 最後以外の終端フ リー区間の左右両側の終端マ —ジンと最後の終端フ リー区間の左側とを、 最後の終端フ リ 一区間の右側のマ一ジンより も小さな値若しく は 0 とす るこ とにより、 内側でのフ リー区間が小さ く なる、 あるい は 0 となり、 部分マッチングを抑える効果がある。

図 4 に、 始端マ一ジンを 2番目以降の始端フ リー区間の 左右両側の始端マ一ジンと、 1番目の始端フ リー区間の右 側の始端マージンを 0 とし、 また終端マージンを最後以外 の終端フ リ一区間の左右両側の終端マージンと、 最後の終 端フ リー区間の左側の終端マ一ジンを 0 とした場合を示す。

照合手段 1 0は、 特徴べク トルの時系列 4 と、 端点フ リ —区間情報 8である始端フ リ一区間 BF(i) = {bfL(i) , bfR(i)} (i=l，2，...,I)と、 終端フ リ 一 区間 EF(i) = {efL(i) , efR(i)} =1,2 , · . ·，Ν-Ι+ 1)とを入力として、始端フ リ一区間と終端フ リ一区間内の全ての始終端の組み合わせにより、 標準パ夕 —ンメモリ 9 に格納されている各単語の標準パターン 1 0 である EF(i)とパターンマッチングを行う。この処理を標 準パタ―ン REF(i) ,(i=l，2 , 3，... ,K)の全てに対して順次行い、 距離値が最小のものを認識結果 1 2 として出力する。 パタ —ンマッチングとしては、例えば DPマッチングを用いる。 実際の非定常騒音下では、 音声の始端と終端でパワーの 山の立上り と山の終端が観察されるこ とが多いので、 本実 施例に係る音声認識装置によれば、 実施の形態 1で説明し た端点フ リ一区間の制限に加え、 始端のフ リ一区間はパヮ 一の山の立上り前後の区間、 終端のフ リー区間はパワーの 山の終端の前後の区間に制限するこ とによって、 さ らに部 分マッチングによる誤認識を低減することができる。 産業上の利用の可能性

本発明は上記のよう に構成されているので、 正確な判定 が困難な有声音区間の判定を必要とせず、 効率的に端点フ リ ー区間が音声の内部に極力含まれないよう に制限するこ とによって、 部分マッチングによる誤認識を低減するこ と が可能となる。

また本発明は上記のよう に構成されているので、 全ての 始終端の組み合わせの中から、 標準パターンと最も差異の 小さい始終端の組み合わせを選択するこ とのが可能となる。

また本発明は上記のよう に構成されているので、 パワー の山の継続時間は短いが、 瞬間的な信号パワーが大き く な るスパイク状の騒音が発生しう る環境下での音声認識を効 率的に行う こ とが可能となる。

また本発明は上記のよう に構成されているので、 パワー の山の継続時間は長いが、 パワーの極大値は大き くない騷 音が発生しう る環境下での音声認識を効率的に行うこ とが 可能となる。

また本発明は上記のよう に構成されているので、 始端と 終端の検出誤りを少な くするこ とが可能となる。

また本発明は上記のよう に構成されているので、 始端と 終端と検出誤りを少な く しつつ、 部分マッチングの危険性 も抑えるこ とが可能となる。

また本発明は上記のよう に構成されているので、 フ レー ム単位で音響分析を行う音声認識装置に適用することが可 能となる。

Claims

請 求 の 範 囲

1 . 入力音声を音響分析しこの入力信号についてパワー を出力する分析ステツプと、

前記パワーが所定の閾値を連続して超える区間を山区間と して検出し、 パワーが最大となる山区間を最大山区間とし て、 その最大山区間が前記閾値を下回る点以前に始端フ リ 一区間が存在すると仮定し、 前記最大山区間が前記閾値を 上回る点以降に終端フ リ一区間が存在すると仮定して始端 フ リ ー区間と終端フ リ ー区間の組み合わせを出力する端点 フ リ ー区間決定ステップと、

前記組み合わせの始端フ リ ー区間と終端フ リ ー区間により 特定されるパターンと標準パターンとのパターンマツチン グを行う照合ステップとを備えたこ とを特徴とする音声認 識方法。 '

2 . 前記端点フ リー区間決定ステップは、 始端フ リ ー区 間と終端フ リー区間の組み合わせを複数出力し、 前記照合 ステツプは、 前記端点フ リ一区間決定ステップが出力する すべての始端フ リ一区間と終端フ リ一区間の組み合わせに より特定される各パターンと標準パターンとのパターンマ ツチングを行う構成とされたこ とを特徴とする請求の範囲 第 1項記載の音声認識方法。

3 . 前記端点フ リー区間決定ステップは、 検出された前 記山区間のう ち、 パワーの累積が最大となる山区間を最大 山区間とする構成とされたこ とを特徴とする請求の範囲第 1項乃至請求の範囲第 2項のいずれか一記載の音声認識方 法 o

4 . 前記分析ステップは、 検出点毎にパワーを出力し、 前記端点フ リー区間決定手段は、 検出された前記山区間の うち、 前記検出点毎のパワーのう ち上位の所定の個数の検 出点のパワーの和が最大となる山区間を最大山区間とする 構成とされたこ とを特徴とする請求の範囲第 1項乃至請求 の範囲第 2項のいずれか一記載の音声認識方法。

5 . 前記端点フ リー区間決定ステップは、 前記最大山区 間以前の山区間が前記閾値を上回る点の近傍に前記始端フ リ一区間が存在すると仮定し、 前記最大山区間以後の山区 間が前記閾値を下回る点の近傍に前記終端フ リ一区間が存 在すると仮定する構成とされたこ とを特徴とする請求の範 囲第 1項乃至請求の範囲第 4項のいずれか一記載の音声認 識方法。

6 . 前記端点フ リー区間決定ステップは、 前記始端フ リ 一区間が存在すると仮定する範囲の幅と前記終端フ リー区 間が存在すると仮定する範囲の幅とを、 各山区間毎に異な る構成とされたこ とを特徴とする請求の範囲第 1項乃至請 求の範囲第 4項のいずれか一記載の音声認識方法。

7 . 前記分析ステップは、 フ レーム毎にパワーを出力し、 前記端点フ リ一区間決定手段は、 パワーが前記閾値を下回 るフ レームを前記閾値を下回る点とし、 パワーが前記閾値 を上回るフ レームを前記閾値を上回る点とする構成とされ たこ とを特徴とする請求の範囲第 1項乃至請求の範囲第 6 項のいずれか一記載の音声認識方法。

8 . 入力音声を音響分析しこの入力信号についてパワー を出力する分析手段と、

前記パヮ一が所定の閾値を連続して超える区間を山区間と して検出し、 パ'ヮ一が最大となる山区間を最大山区間とし て、 その最大山区間が前記閾値を下回る点以前に始端フ リ —区間が存在すると仮定し、 前記最大山区間が前記閾値を 上回る点以降に終端フ リ一区間が存在すると仮定して始端 フ リ 一区間と終端フ リ ー区間の組み合わせを出力する端点 フ リ ー区間決定手段と、

前記組み合わせの始端フ リ一区間と終端フ リ一区間により 特定されるパターンと標準パタ一ンとのパターンマツチン グを行う照合手段とを備えたこ とを特徴とする音声認識装 o

9 . 前記端点フ リ一区間決定手段は、 始端フ リ一区間と 終端フ リ ー区間の組み合わせを複数出力し、 前記照合手段 は、 前記端点フ リ ー区間決定手段が出力するすべての始端 フ リー区間と終端フ リ ー区間の組み合わせにより特定され る各パターンと標準パターンとのパターンマッチングを行 う構成とされたこ とを特徴とする請求の範囲第 8項記載の 音声認識装置。

1 0 . 前記端点フ リ 一区間決定手段は、 検出された前記 山区間のうち、 パワーの累積が最大となる山区間を最大山 区間とする構成とされたこ とを特徴とする請求の範囲第 8 項乃至請求の範囲第 9項のいずれか一記載の音声認識装置。

1 1 . 前記分析手段は、 検出点毎にパワーを出力し、 前記端点フリー区間決定手段は、 検出された前記山区間の うち、 前記検出点毎のパワーのう ち上位の所定の個数の検 出点のパワーの和が最大となる山区間を最大山区間とする 構成とされたこ とを特徴とする請求の範囲第 8項乃至請求 の範囲第 9項のいずれか一記載の音声認識装置。

1 2 . 前記端点フ リー区間決定手段は、 前記最大山区間 以前の山区間が前記閾値を上回る点の近傍に前記始端フ リ —区間が存在すると仮定し、 前記最大山区間以後の山区間 が前記閾値を下回る点の近傍に前記終端フ リ—区間が存在 すると仮定する構成とされたこ とを特徴とする請求の範囲 第 8項乃至請求の範囲第 1 1項のいずれか一記載の音声認

1 3 . 前記端点フ リ一区間決定手段は、 前記始端フ リ一 区間が存在すると仮定する範囲の幅と前記終端フ リ一区間 が存在すると仮定する範囲の幅とを、 各山区間毎に異なる 構成とされたこ とを特徴とする請求の範囲第 8項乃至請求 の範囲第 1 1項のいずれか一記載の音声認識装置。

1 4 . 前記分析手段は、 フ レーム毎にパワーを出力し、 前記端点フ リ ー区間決定手段は、 パワーが前記閾値を下回 るフ レームを前記閾値を下回る点とし、 パワーが前記閾値 を上回るフ レームを前記閾値を上回る点とする構成とされ たこ.とを特徴とする請求の範囲第 8項乃至請求の範囲第 1 3項のいずれか一記載の音声認識装置。