[go: up one dir, main page]

JP3006677B2 - 音声認識装置 - Google Patents

音声認識装置

Info

Publication number
JP3006677B2
JP3006677B2 JP8284827A JP28482796A JP3006677B2 JP 3006677 B2 JP3006677 B2 JP 3006677B2 JP 8284827 A JP8284827 A JP 8284827A JP 28482796 A JP28482796 A JP 28482796A JP 3006677 B2 JP3006677 B2 JP 3006677B2
Authority
JP
Japan
Prior art keywords
pitch
intensity
speech recognition
feature vector
extraction unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP8284827A
Other languages
English (en)
Other versions
JPH10133693A (ja
Inventor
啓三郎 ▲高▼木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP8284827A priority Critical patent/JP3006677B2/ja
Priority to US08/959,464 priority patent/US5907826A/en
Priority to DE69720134T priority patent/DE69720134T2/de
Priority to EP97118746A priority patent/EP0838805B1/en
Publication of JPH10133693A publication Critical patent/JPH10133693A/ja
Application granted granted Critical
Publication of JP3006677B2 publication Critical patent/JP3006677B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1807—Speech classification or search using natural language modelling using prosody or stress
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Telephonic Communication Services (AREA)

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は音声認識装置に関
し、特に基本周波数成分の強度情報を利用する音声認識
技術に関する。
【０００２】
【従来の技術】音声認識技術においては、一般に入力音
声を一定の時間間隔で移動する分析窓（フレーム）内の
波形を短時間分析して特徴ベクトルに変換し、入力音声
全体を特徴ベクトルの時系列信号として捉え、マッチン
グを行なう方式が主流である。この特徴ベクトルとして
用いられているものはこれまで種々のものが提案されて
いる。ここではその全てを説明することは出来ないが、
例えば代表的なものとして、ケプストラム分析、スペク
トル分析、パワーなどが挙げられる。
【０００３】従来、音声認識の性能向上を目的として、
基本周波数（以下、ピッチと称す）情報を特徴ベクトル
の一部に用いる方式がある。この方式は、例えば図４の
ような構成となっている。すなわち、入力音声は特徴抽
出部４１にて、通常の音声認識に使用されていた特徴ベ
クトル（例えば、ケプストラムなど）に変換される。入
力音声はまた、ピッチ抽出部４２にてピッチ周波数また
はその時間的な変化量に変換され、特徴抽出部４１の出
力した特徴ベクトルと併せて認識のための特徴ベクトル
として出力される。認識部４３は、特徴抽出部４１及び
ピッチ抽出部４２の出力した特徴ベクトルを用い、予め
同一の特徴ベクトル構成で分析された標準パタンとのマ
ッチングを行ない、最も確からしいものを認識結果とし
て出力する。
【０００４】この種の音声認識装置は、ピッチ情報を特
徴ベクトルの一部として含むことにより、マッチング時
に起こる母音／子音（有声／無声）のセグメンテーショ
ン誤りを回避し、より高性能な認識装置を提供すること
を目的としている。すなわち、音声の母音は声門の開閉
によって起こるパルス性音源によって声道が駆動され、
発せられるため明確な周期構造を持ち、これがピッチと
して観測される。
【０００５】一方、子音（特に、無声子音）は声門以外
の非周期的な音源によるため明確な周期構造を持たず、
明確なピッチが観測されない。このような理由から、ピ
ッチ情報を用いることにより母音部と子音部のマッチン
グ誤りを低減することが可能となっている。
【０００６】また、この種の音声認識装置の他の目的と
して、中国語などの声調言語（ｔｏｎａｌ ｌａｎｇｕ
ａｇｅ）におけるピッチパターン識別を行なうことが挙
げられるが、本発明の課題とは異なるため詳述しない。
【０００７】
【発明が解決しようとする課題】しかしながら、従来の
ピッチ情報を用いた音声認識装置においては、ピッチに
関する周波数情報を直接利用するか、もしくは周波数情
報の変化量として利用していた。ピッチの周波数情報を
直接用いた場合は、男性／女性によって大きく異なるこ
とは勿論、個人差が大きい。また、同一個人においても
体調、心理的な影響に左右され易いため不安定であり、
音声認識装置にとつてはいたずらに擾乱を増すだけであ
り、有効なパラメータとはなり得ていない。特に、個人
差が大きいことから、不特定話者音声認識のパラメータ
には不向きな特徴ベクトルとなっている。
【０００８】また、ピッチの周波数情報の変化量を用い
た場合においても依然個人差、地域差が大きい。例え
ば、同一発声内容であっても方言の違いなどにより、ピ
ッチがあまり変化しないものや、大きく変化する場合な
ど様々である。この傾向はピッチの周波数情報の変化量
においてもそのまま現れ、個人差、地域差を多く含んだ
パラメータとなり、不特定話者音声認識にとっては有益
なパラメータとはなっていなかった。
【０００９】本発明は上述の問題を解決するものであ
り、その課題は、個人差、地域差などの影響を受け易い
ピッチ周波数情報は用いず、より個人差、地域差を含ま
ないピッチの強度情報、ピッチの強度情報の変化量を用
いることにより、不特定話者音声認識装置に好適な特徴
ベクトルを構成し、同時に有声／無声のセグメンテーシ
ョン誤りを低減させた高性能な音声認識装置を提供する
ことにある。
【００１０】
【課題を解決するための手段】本発明による第１の音声
認識装置は、入力音声の基本周波数成分の強度を抽出す
るピッチ強度抽出部（図１の１２）と、特徴ベクトルの
一部または全部がピッチ強度抽出部が抽出したピッチ強
度であって、当該特徴ベクトルを用いて音声認識を行な
う認識部（図１の１３）とを有することを特徴とする。
【００１１】本発明による第２の音声認識装置は、入力
音声の基本周波数成分の強度の時間変化量を抽出するピ
ッチ強度変化量抽出部（図２の２２）と、特徴ベクトル
の一部または全部がピッチ強度変化量抽出部の抽出した
ピッチ強度変化量であって、当該特徴ベクトルを用いて
音声認識を行なう認識部（図２の２３）とを有すること
を特徴とする。
【００１２】本発明による第３の音声認識装置は、入力
音声の基本周波数成分の強度を抽出するピッチ強度抽出
部（図３の３２）と、入力音声の基本周波数成分の強度
の時間変化量を抽出するピッチ強度変化量抽出部（図３
の３３）と、特徴ベクトルの一部または全部が前記ピッ
チ強度抽出部の抽出したピッチ強度及び前記ピッチ強度
変化量抽出部の抽出したピッチ強度変化量であって、当
該特徴ベクトルを用いて音声認識を行なう認識部（図３
の３４）とを有することを特徴とする。
【００１３】本発明による第４の音声認識装置は、上記
第１〜第３のいずれかの音声認識装置において、そのピ
ッチ強度が、ケプストラムの全ケフレンシまたは予め制
限されたケフレンシ範囲の中の最大値であることを特徴
とする。
【００１４】本発明による第５の音声認識装置は、上記
第１〜第３のいずれかの音声認識装置において、そのピ
ッチ強度が、自己相関係数の全時間または予め制限され
た時間範囲の中の最大値またはその対数であることを特
徴とする。
【００１５】本発明による第６の音声認識装置は、本発
明の第４の音声認識装置において、その最大値が、フレ
ーム方向とケフレンシ方向の２次元パタンに対してピー
ク強調を行なう２次元フィルタを施した後に求められる
ことを特徴とする。
【００１６】本発明による第７の音声認識装置は、本発
明の第５の音声認識装置において、その最大値が、フレ
ーム方向と自己相関係数の時間方向の２次元パタンに対
してピーク強調を行なう２次元フィルタを施した後に求
められることを特徴とする。
【００１７】
【作用】本発明は、音声認識の特徴ベクトルとしてピッ
チ情報を併用することにより、認識時のセグメンテーシ
ョン誤りを低減し、高性能な音声認識装置を提供するも
のである。すなわち、音声の母音は声門の開閉によって
起こるパルス性音源によって声道が駆動され、発せられ
るため明確な周期構造を持ち、これがピッチとして観測
される。一方、子音（特に、無声子音）は声門以外の非
周期的な音源によるため明確な周期構造を持たず、明確
なピッチが観測されない。このような理由から、ピッチ
情報を用いることにより母音部と子音部のマッチング誤
りを低減することが可能となる。
【００１８】図５は、本発明の音声認識装置に用いられ
るピッチ強度について、例えば／はい／という発声の時
間的な変化の一例を示す図である。／はい／という発声
は、無声子音／ｈ／と母音／ａ／及び／ｉ／から構成さ
れており、／ｈ／の部位及び音声がない時間位置におい
ては明確なピッチが観測出来ないため低い値となる。一
方、母音／ａ／及び／ｉ／は明確なピッチが観測され、
高いピッチ強度となって現れる。このようなことから、
ピッチ強度情報は、母音などの有声部位を示す良好なパ
ラメータとなっており、音声認識の特徴ベクトルとして
優れているものである。
【００１９】一方、図６は、従来の音声認識装置に用い
られるピッチ周波数情報を、同じ／はい／の音声につい
ての時間的な変化の一例を示す。すなわち、図６では、
音声以外の部分や、無声子音／ｈ／など明確にピッチが
観測されない部分が多く存在し、その部分については、
抽出したピッチ周波数はランダムな形状を示すことが多
く、安定していない。つまり、図６においては信頼でき
る部分は／ａ／及び／ｉ／の部分だけであり、それ以外
は不要な部分である。例えば、この問題に対して、ピッ
チの強度を用いた閾値判定ロジックなどを用いて信頼で
きる区間のみを抽出することも考えられるが、そもそも
そのような判定には誤りを含んでおり、その誤りゆえに
ピッチ周波数情報全体の信頼性が低下することになる。
また、ピッチ周波数が正確に切り出された／ａ／及び／
ｉ／の部分についても、その周波数情報自体は個人差が
大きく、そのような値を音声認識のための特徴ベクトル
として用いることは、いたずらに擾乱を増やすだけで性
能向上には寄与しない。
【００２０】以上のように、本発明のピッチ強度は原理
的にピッチ性（どれだけピッチが存在するか）の大小を
連続値として表現しており、雑音や無声音は小さな値を
とり、有声音は大きな値をとるため、雑音や無声音で不
安定な振舞いをすることがなく安定している。
【００２１】また、ピッチ周波数のように個人差にはそ
れほど影響を受けないため不特定話者を対象とした音声
認識においても高い性能を有する。さらに、従来のピッ
チ周波数を用いた場合における閾値判定などを一切必要
としないので、信頼性が低下することがないという利点
を有している。
【００２２】
【発明の実施の形態】以下、図１〜図３を参照しながら
本発明の実施の形態について説明する。図１は本発明に
よる第１の音声認識装置の実施の形態のブロック図であ
る。この音声認識装置は、特徴ベクトルを抽出する特徴
抽出部１１と、入力音声の基本周波数成分の強度を抽出
するピッチ強度抽出部１２と、特徴ベクトルの一部また
は全部がピッチ強度抽出部１２の抽出したピッチ強度で
あって、この特徴ベクトルを用いて音声認識を行なう認
識部１３とで構成される。特徴抽出部１１は、ピッチ強
度抽出部１２の出力するピッチ強度と他の音声認識のた
めの特徴ベクトルとを併用して特徴ベクトルとする場合
には、他の音声認識のための特徴ベクトルを出力する。
【００２３】入力音声は、ピッチ強度抽出部１２にてピ
ッチ強度に変換される。ピッチ強度は、従来、種々のピ
ッチ抽出手法が提案されており、それらのうちのいずれ
かを用いて計算される。このピッチ抽出手法としては例
えば、Ｌ．Ｒ．Ｒａｂｉｎａｒ，Ｒ．Ｗ．Ｓｃｈａｆｅ
ｒ（鈴木久喜訳）：”音声のディジタル信号処理”、コ
ロナ社、下巻、ｐｐ．７３−７５（昭和５８年初版）．
（以下、引用文献１とする）に述べられている高調波積
スペクトルのピッチ成分の強度やその対数強度、あるい
は引用文献１のｐｐ．１３５−１４０に述べられている
ケプストラムのピーク位置の強度を用いたり、また自己
相関係数のピッチ位置の強度やその対数を用いることが
出来る。
【００２４】認識部１３は、ピッチ強度抽出部１２にて
抽出されたピッチ強度と特徴抽出部１１にて抽出された
音声認識のための他の特徴ベクトルとを用いて、音声認
識を行なう。音声認識のための特徴ベクトルとして用い
られているものは、これまで種々のものが公知となって
おり、ここではその全てを説明することは出来ないが、
例えば代表的なものとしてケプストラム、スペクトル、
パワー、及びこれらの時間変化量などが挙げられる。こ
の他、音声認識に用いることの出来る特徴ベクトルであ
ればどのようなものでも利用可能である。
【００２５】また、音声認識のアルゴリズムにおいて
も、これまで種々のものが公知となっており、その全て
を示すことは行なわないが、その代表的なものとしてＤ
Ｐマッチング、ＨＭＭ、ニューラルネットなどがあげら
れる。この他、音声認識のための認識処理を行なう方法
であればどのような方法も利用可能である。
【００２６】図２は本発明による第２の音声認識装置の
実施の形態のブロック図である。この音声認識装置は、
特徴抽出部２１と、入力音声の基本周波数成分の強度の
変化量を抽出するピッチ強度変化量抽出部２２と、特徴
ベクトルの一部または全部がピッチ強度変化量抽出部２
２の抽出したピッチ強度の変化量であって、この特徴ベ
クトルを用いて音声認識を行なう認識部２３とで構成さ
れる。特徴抽出部２１は、ピッチ強度変化量抽出部２２
の出力するピッチ強度と他の音声認識のための特徴ベク
トルとを併用して特徴ベクトルとする場合には、他の音
声認識のための特徴ベクトルを出力する。
【００２７】入力音声は、ピッチ強度変化量抽出部２２
にてピッチ強度変化量に変換される。ピッチ強度に限ら
ずこれまで変化量を求めるアルゴリズムとしては、従
来、種々の方式が公知となっている。例えば、ピッチ強
度がＰ（ｔ）であるとき、線形回帰係数を用いた変化量
ΔＰ（ｔ）は例えば、下記の式（１）で計算される。
【００２８】
【数１】 ここで、Ｍは注目する回帰窓幅である。この他、時間的
な変化を示す量（動的特徴量）であればどのようなもの
でも利用可能である。また、動的特徴を求める計算式を
任意のｎ回繰り返し適応することにより、ｎ次の変化量
を求めて用いることも可能である。ピッチ変化量を用い
ることで、ピッチ強度が安定な部分は変化量が小さく、
逆にピッチ強度が変化する部位で変化量が大きくなる。
このため、有声音と無声音との境界や、無音から有声音
への境界部分で値が大きくなり、この部位のセグメンテ
ーション誤りが低減し、音声認識にとって有効なパラメ
ータとなっている。
【００２９】図３は本発明による第３の音声認識装置の
実施の形態のブロック図である。この音声認識装置は、
特徴抽出部３１と、入力音声の基本周波数成分の強度を
抽出するピッチ強度抽出部３２と、入力音声の基本周波
数成分の強度の変化量を抽出するピッチ強度変化量抽出
部３３と、特徴ベクトルの一部または全部がピッチ強度
抽出部３２の抽出したピッチ強度及びピッチ強度変化量
抽出部３３の抽出したピッチ強度の変化量であって、こ
の特徴ベクトルを用いて音声認識を行なう認識部３４と
で構成される。特徴抽出部３１は、ピッチ強度抽出部３
２及びピッチ強度変化量抽出部３３の出力する特徴ベク
トルと他の音声認識のための特徴ベクトルとを併用して
特徴ベクトルとする場合には、他の音声認識のための特
徴ベクトルを出力する。
【００３０】入力音声は、ピッチ強度抽出部３２にてピ
ッチ強度に変換される。また、同時にピッチ強度変化量
抽出部３３にてピッチ強度変化量に変換される。認識部
３４は、ピッチ強度抽出部３２及びピッチ強度変化量抽
出部３３の出力する特徴ベクトルを用いて音声認識を行
なう。なお、ピッチ強度変化量抽出部３３において用い
るピッチ強度がピッチ強度抽出部３２で抽出されたピッ
チ強度と同一の計算方法で求められる場合は、ピッチ強
度抽出部３２の出力を用いてピッチ強度変化量抽出部３
３を構成することも可能である。
【００３１】本発明による第４の音声認識装置は、上記
第１〜第３の音声認識装置に適用され、ピッチ強度とし
てケプストラムを用いた場合について、ケプストラムの
最大値をもつケフレンシ成分の最大値そのものをそのま
まピッチ強度とする点に特徴を有している。なお、最大
値探索を行なうケフレンシ範囲を事前に制限しおくこと
も可能である。
【００３２】本発明による第５の音声認識装置は、上記
第１〜第３の音声認識装置に適用され、自己相関係数を
用いた場合の自己相関係数の最大値またはその対数をそ
のままピッチ強度とする点に特徴を有している。なお、
最大値探索を行なう自己相関係数の範囲を事前に制限し
おくことも可能である。
【００３３】本発明による第６の音声認識装置は、上記
第４の音声認識装置において、ピッチ強度としてケプス
トラムを用いた場合について、最大値が、フレーム方向
とケフレンシ方向の２次元パタンに対してピーク強調を
行なう２次元フィルタを施した後に求められる点に特徴
を有する。この機能を実現する２次元フィルタとして
は、例えばガウシアンフィルタが可能である。その一例
として、下記の式（２）のような３×３の次元数を持つ
フィルタＤを用いた場合について考える。
【００３４】
【数２】 ２次元のケプストラムをＣ（ｉ，ｊ）（ｉ：時間方向、
ｊ：ケフレンシ方向）とし、上記Ｄを作用させてピーク
強調したケプストラムＸ（ｉ，ｊ）は、下記の式（３）
で計算される。
【００３５】
【数３】 ピッチ強度はこの強調処理を施した後の結果Ｘ（ｉ，
ｊ）に対して求められる。このような処理を行なうこと
で、大きな値が点（ｉ，ｊ）に隣接して存在する場合に
はその値が重み付きで加味されるため、ピークが強調さ
れることになる。なおここでは、２次元フィルタとして
３×３の大きさのものを用いて説明したが、この他、種
々の大きさのものが利用可能である。また、強調処理だ
けでなくスムージング効果を持つものも利用可能であ
る。
【００３６】本発明による第７の音声認識装置は、上記
第６の音声認識装置と同様の効果を自己相関係数を用い
た場合について実現するようにした点に特徴を有する。
【００３７】
【発明の効果】以上の説明から明らかなように、本発明
のピッチ強度を用いた音声認識装置によれば、個人差及
び地域差の大きな周波数情報は用いず、比較的個人差の
少ないピッチ強度情報を用いることで、不特定話者音声
認識装置に好適な特徴ベクトルを構成し、同時に有声／
無声のセグメンテーション誤りを低減させた高性能な音
声認識装置を提供可能となった。
【００３８】また、別の効果としては、ピッチ強度の変
化量を用いることで、有声音と無声音との境界や、無音
から有声音への境界部分で値が大きくなり、この部位の
セグメンテーション誤りが低減化され、ひいてはより高
性能な音声認識装置の提供が可能となった。
【図面の簡単な説明】
【図１】本発明による音声認識装置の第１の実施の形態
を示すブロック図である。
【図２】本発明による音声認識装置の第２の実施の形態
を示すブロック図である。
【図３】本発明による音声認識装置の第３の実施の形態
を示すブロック図である。
【図４】従来の音声認識装置の一例を示すブロック図で
ある。
【図５】本発明による音声認識装置において用いるピッ
チ強度を示す図である。
【図６】従来の音声認識装置において用いるピッチ周波
数を示す図である。
【符号の説明】
１１，２１，３１，４１ 特徴抽出部 １２，３２ ピッチ強度抽出部 ２２，３３ ピッチ強度変化量抽出部 １３，２３，３４，４３ 認識部
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平９−16094（ＪＰ，Ａ) 特開 平６−242792（ＪＰ，Ａ) 特開 昭63−5400（ＪＰ，Ａ) 特開 平４−227338（ＪＰ，Ａ) 特開 平４−342298（ＪＰ，Ａ) Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥ ＥＥ 15ｔｈ ｔｈｅ Ａｎｎｕａｌ Ｎｏｒｔｈｅａｓｔ Ｂｉｏｎｅｇｉｎ ｅｅｒｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ, 1989，”Ｅｖａｌｕａｔｉｏｎ ｏｆ Ａｃｏｕｓｔｉｃ Ｃｏｒｒｅｌａｔｅ ｓ ｏｆ Ｓｐｅｅｃｈ ｕｎｄｅｒ Ｓｔｒｅｓｓ ｆｏｒ Ｒｏｂｕｓｔ Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｔｉｏ ｎ”，ｐ．31−32，1989 (58)調査した分野(Int.Cl.7，ＤＢ名) G10L 3/00 - 9/20 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (7)

    (57)【特許請求の範囲】
  1. 【請求項１】 入力音声の基本周波数成分の強度を抽出
    するピッチ強度抽出部と、特徴ベクトルの一部または全
    部が前記ピッチ強度抽出部の抽出したピッチ強度であっ
    て、当該特徴ベクトルを用いて音声認識を行なう認識部
    とを有することを特徴とする音声認識装置。
  2. 【請求項２】 入力音声の基本周波数成分の強度の時間
    変化量を抽出するピッチ強度変化量抽出部と、特徴ベク
    トルの一部または全部が前記ピッチ強度変化量抽出部の
    抽出したピッチ強度変化量であって、当該特徴ベクトル
    を用いて音声認識を行なう認識部とを有することを特徴
    とする音声認識装置。
  3. 【請求項３】 入力音声の基本周波数成分の強度を抽出
    するピッチ強度抽出部と、入力音声の基本周波数成分の
    強度の時間変化量を抽出するピッチ強度変化量抽出部
    と、特徴ベクトルの一部または全部が前記ピッチ強度抽
    出部の抽出したピッチ強度及び前記ピッチ強度変化量抽
    出部の抽出したピッチ強度変化量であって、当該特徴ベ
    クトルを用いて音声認識を行なう認識部とを有すること
    を特徴とする音声認識装置。
  4. 【請求項４】 前記ピッチ強度は、ケプストラムの全ケ
    フレンシまたは予め制限されたケフレンシ範囲の中の最
    大値であることを特徴とする請求項１〜３のいずれかに
    記載の音声認識装置。
  5. 【請求項５】 前記ピッチ強度は、自己相関係数の全時
    間または予め制限された時間範囲の中の最大値またはそ
    の対数であることを特徴とする請求項１〜３のいずれか
    に記載の音声認識装置。
  6. 【請求項６】 前記最大値は、フレーム方向とケフレン
    シ方向の２次元パタンに対してピーク強調を行なう２次
    元フィルタを施した後に求めることを特徴とする請求項
    ４記載の音声認識装置。
  7. 【請求項７】 前記最大値は、フレーム方向と自己相関
    係数の時間方向の２次元パタンに対してピーク強調を行
    なう２次元フィルタを施した後に求めることを特徴とす
    る請求項５記載の音声認識装置。
JP8284827A 1996-10-28 1996-10-28 音声認識装置 Expired - Fee Related JP3006677B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP8284827A JP3006677B2 (ja) 1996-10-28 1996-10-28 音声認識装置
US08/959,464 US5907826A (en) 1996-10-28 1997-10-28 Speaker-independent speech recognition using vowel/consonant segmentation based on pitch intensity values
DE69720134T DE69720134T2 (de) 1996-10-28 1997-10-28 Spracherkenner unter Verwendung von Grundfrequenzintensitätsdaten
EP97118746A EP0838805B1 (en) 1996-10-28 1997-10-28 Speech recognition apparatus using pitch intensity information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP8284827A JP3006677B2 (ja) 1996-10-28 1996-10-28 音声認識装置

Publications (2)

Publication Number Publication Date
JPH10133693A JPH10133693A (ja) 1998-05-22
JP3006677B2 true JP3006677B2 (ja) 2000-02-07

Family

ID=17683529

Family Applications (1)

Application Number Title Priority Date Filing Date
JP8284827A Expired - Fee Related JP3006677B2 (ja) 1996-10-28 1996-10-28 音声認識装置

Country Status (4)

Country Link
US (1) US5907826A (ja)
EP (1) EP0838805B1 (ja)
JP (1) JP3006677B2 (ja)
DE (1) DE69720134T2 (ja)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6202046B1 (en) * 1997-01-23 2001-03-13 Kabushiki Kaisha Toshiba Background noise/speech classification method
US6795807B1 (en) 1999-08-17 2004-09-21 David R. Baraff Method and means for creating prosody in speech regeneration for laryngectomees
EP1145225A1 (en) * 1999-11-11 2001-10-17 Koninklijke Philips Electronics N.V. Tone features for speech recognition
US7043430B1 (en) * 1999-11-23 2006-05-09 Infotalk Corporation Limitied System and method for speech recognition using tonal modeling
JP4054507B2 (ja) * 2000-03-31 2008-02-27 キヤノン株式会社 音声情報処理方法および装置および記憶媒体
TW521266B (en) * 2000-07-13 2003-02-21 Verbaltek Inc Perceptual phonetic feature speech recognition system and method
US7233899B2 (en) * 2001-03-12 2007-06-19 Fain Vitaliy S Speech recognition system using normalized voiced segment spectrogram analysis
KR20030060593A (ko) * 2002-01-10 2003-07-16 주식회사 현대오토넷 피치값을 이용한 음성 인식 방법
KR100533601B1 (ko) * 2002-12-05 2005-12-06 베스티안파트너스(주) 휴대전화의 화자독립형 음성인식을 위한 성별 구분방법
JP4447857B2 (ja) * 2003-06-20 2010-04-07 株式会社エヌ・ティ・ティ・ドコモ 音声検出装置
KR100571831B1 (ko) * 2004-02-10 2006-04-17 삼성전자주식회사 음성 식별 장치 및 방법
JP4264841B2 (ja) * 2006-12-01 2009-05-20 ソニー株式会社 音声認識装置および音声認識方法、並びに、プログラム
JP4882899B2 (ja) 2007-07-25 2012-02-22 ソニー株式会社 音声解析装置、および音声解析方法、並びにコンピュータ・プログラム
CN101785051B (zh) * 2007-08-22 2012-09-05 日本电气株式会社 语音识别装置和语音识别方法
JP5495858B2 (ja) * 2010-03-02 2014-05-21 三菱電機株式会社 音楽音響信号のピッチ推定装置及び方法
US8725498B1 (en) * 2012-06-20 2014-05-13 Google Inc. Mobile speech recognition with explicit tone features
JP6546070B2 (ja) * 2015-11-10 2019-07-17 日本電信電話株式会社 音響モデル学習装置、音声認識装置、音響モデル学習方法、音声認識方法、およびプログラム
JP6943158B2 (ja) * 2017-11-28 2021-09-29 トヨタ自動車株式会社 応答文生成装置、方法及びプログラム並びに音声対話システム
CN110648686B (zh) * 2018-06-27 2023-06-23 达发科技股份有限公司 调整语音频率的方法及其声音播放装置
CN109036408A (zh) * 2018-08-23 2018-12-18 重庆加河科技有限公司 一种用于vr展示教学的语音识别控制设备及控制方法
CN109448749B (zh) * 2018-12-19 2022-02-15 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4667340A (en) * 1983-04-13 1987-05-19 Texas Instruments Incorporated Voice messaging system with pitch-congruent baseband coding
DE69132659T2 (de) * 1990-05-28 2002-05-02 Matsushita Electric Industrial Co., Ltd. Vorrichtung zur Sprachsignalverarbeitung für die Bestimmung eines Sprachsignals in einem verrauschten Sprachsignal
US5657418A (en) * 1991-09-05 1997-08-12 Motorola, Inc. Provision of speech coder gain information using multiple coding modes
FI92535C (fi) * 1992-02-14 1994-11-25 Nokia Mobile Phones Ltd Kohinan vaimennusjärjestelmä puhesignaaleille
JP3450411B2 (ja) * 1994-03-22 2003-09-22 キヤノン株式会社 音声情報処理方法及び装置
JPH0876789A (ja) * 1994-09-02 1996-03-22 Toshiba Corp 不特定話者単語音声認識システムおよび不特定話者単語音声認識方法
JP3591068B2 (ja) * 1995-06-30 2004-11-17 ソニー株式会社 音声信号の雑音低減方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ １５ｔｈ ｔｈｅ Ａｎｎｕａｌ Ｎｏｒｔｈｅａｓｔ Ｂｉｏｎｅｇｉｎｅｅｒｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ，１９８９，"Ｅｖａｌｕａｔｉｏｎ ｏｆ Ａｃｏｕｓｔｉｃ Ｃｏｒｒｅｌａｔｅｓ ｏｆ Ｓｐｅｅｃｈ ｕｎｄｅｒ Ｓｔｒｅｓｓ ｆｏｒ Ｒｏｂｕｓｔ Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｔｉｏｎ"，ｐ．３１−３２，１９８９

Also Published As

Publication number Publication date
DE69720134D1 (de) 2003-04-30
EP0838805B1 (en) 2003-03-26
JPH10133693A (ja) 1998-05-22
DE69720134T2 (de) 2003-12-04
EP0838805A2 (en) 1998-04-29
EP0838805A3 (en) 1998-12-23
US5907826A (en) 1999-05-25

Similar Documents

Publication Publication Date Title
JP3006677B2 (ja) 音声認識装置
JP5723923B2 (ja) 音声特徴量抽出装置、及び音声特徴量抽出プログラム
JP5282523B2 (ja) 基本周波数抽出方法、基本周波数抽出装置、およびプログラム
Hasija et al. Recognition of children Punjabi speech using tonal non-tonal classifier
Korkmaz et al. Classification of Turkish vowels based on formant frequencies
KR100897555B1 (ko) 음성 특징벡터 추출장치 및 방법과 이를 채용하는음성인식시스템 및 방법
JP7159655B2 (ja) 感情推定システムおよびプログラム
JP2006171750A (ja) 音声認識のための特徴ベクトル抽出方法
Shukla et al. Spectral slope based analysis and classification of stressed speech
JP2010217502A (ja) 発話意図情報検出装置及びコンピュータプログラム
Hidayat et al. Speech recognition of KV-patterned Indonesian syllable using MFCC, wavelet and HMM
Revathy et al. Performance comparison of speaker and emotion recognition
Narendra et al. Automatic detection of creaky voice using epoch parameters.
Sarma et al. Consonant-vowel unit recognition using dominant aperiodic and transition region detection
Zbancioc et al. Emotion recognition for romanian language using mfsc images with deep-learning neural networks
Joseph et al. Indian accent detection using dynamic time warping
Sudhakar et al. Automatic speech segmentation to improve speech synthesis performance
Thirumuru et al. Application of non-negative frequency-weighted energy operator for vowel region detection
JPS5972500A (ja) 音声認識方式
Shome et al. Non-negative frequency-weighted energy-based speech quality estimation for different modes and quality of speech
Singh et al. A comparative study on feature extraction techniques for language identification
JP2879989B2 (ja) 音声認識方法
Mengistu et al. Text independent Amharic language dialect recognition: A hybrid approach of VQ and GMM
TWI395200B (zh) 一種不用樣本能辨認所有語言的辨認方法
JP2006215228A (ja) 音声信号分析方法およびこの分析方法を実施する装置、この音声信号分析装置を用いた音声認識装置、この分析方法を実行するプログラムおよびその記憶媒体

Legal Events

Date Code Title Description
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 19991027

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20071126

Year of fee payment: 8

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20081126

Year of fee payment: 9

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20081126

Year of fee payment: 9

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20091126

Year of fee payment: 10

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20091126

Year of fee payment: 10

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20101126

Year of fee payment: 11

LAPS Cancellation because of no payment of annual fees