JP4745837B2 - 音響分析装置及びコンピュータプログラム、音声認識システム - Google Patents

Description

本発明は、音声認識用の音響分析装置及びコンピュータプログラム、音声認識システムに関する。

近年、音声認識により情報提供を行うサービスシステムが普及してきている。その音声認識システムの音声認識性能は、音声入力用マイクの周辺の背景雑音が大きい環境において著しく劣化する。そのために背景雑音による性能劣化を抑えるための雑音抑圧手法が従来より提案されている。一般的な雑音抑圧手法では、入力信号から雑音成分を推定し、その推定結果に基づいて入力信号から雑音成分を除去しているが、雑音は常に変動しているために、雑音抑圧後の音声が不自然に聞こえる場合がある。これを音声の歪みとよぶ。音声の歪みは音声認識システムの音声認識性能に悪影響を与える。このため例えば特許文献１記載の従来技術では、信号対雑音比（ＳＮＲ）が低い場合には雑音区間の推定が難しいので雑音抑圧を停止し、ＳＮＲが高い場合にのみ雑音抑圧を行うようにしている。

また、サーバ・クライアント型の音声認識システムにおける通信量削減のための分散型音声認識（ＤＳＲ）用の符号化方式として、欧州電気通信標準化機構（European Telecommunications Standards institute：ＥＴＳＩ）により、雑音抑圧のない符号化方式（ＥＳ２０１１０８）と、雑音抑圧付きの符号化方式（ＥＳ２０２０５０）とが規格化されている。
再表０１／０２４１６７号公報

通常、音声認識システムにおいては、音声入力用マイクの周辺の背景雑音が大きいときには、雑音抑圧の適用により、音声認識性能は向上する。しかしながら、背景雑音が小さいときに雑音抑圧を適用すると、かえって音声認識性能が低下する場合がある。

また、雑音抑圧付きの符号化方式（ＥＳ２０２０５０）は、ＳＮＲが低いときには、雑音抑圧の効果により、雑音抑圧のない符号化方式（ＥＳ２０１１０８）よりも音声認識性能が向上する。しかしながら、ＳＮＲが高いときには、雑音抑圧の影響により、かえって雑音抑圧のない符号化方式（ＥＳ２０１１０８）よりも音声認識性能が悪くなる。

したがって、上述した特許文献１記載の従来技術のように、雑音区間の推定が難しいという理由から、ＳＮＲの低い場合には雑音抑圧を行わず、ＳＮＲの高い場合にのみ雑音抑圧を行うというのは、音声認識性能の向上という観点からは好ましくない。

本発明は、このような事情を考慮してなされたもので、その目的は、雑音抑圧ありの音響特徴量抽出と、雑音抑圧なしの音響特徴量抽出とを効果的に使い分けることができるようにすることにより、音声認識性能の向上を図ることのできる音響分析装置及び音声認識システムを提供することにある。

また、本発明の他の目的は、本発明の音響分析装置をコンピュータを利用して実現するためのコンピュータプログラムを提供することにある。

上記の課題を解決するために、本発明に係る音響分析装置は、音声認識用の音響分析装置において、話者に発声を促すタイミングに基づき、音声入力手段からの入力信号の中から発声区間の前記入力信号と非発声区間の前記入力信号とを区別して記憶するバッファ手段と、前記バッファ手段に記憶されている非発声区間の前記入力信号に基づき、背景雑音の大きさが所定レベル以上であるか判定する判定手段と、前記入力信号に含まれる雑音成分を抑圧する雑音抑圧手段と、前記判定手段の判定結果に応じて、前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から、若しくは、雑音成分が抑圧されていない前記入力信号から、音響特徴量を抽出する分析手段と、を備え、前記分析手段は、背景雑音の大きさが所定レベル以上である場合には前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から音響特徴量を抽出し、それ以外の場合には雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出することを特徴とする。

本発明に係る音響分析装置は、音声認識用の音響分析装置において、音声入力手段からの入力信号に基づき、信号対雑音比が所定レベル未満であるか判定する判定手段と、前記入力信号に含まれる雑音成分を抑圧する雑音抑圧手段と、前記判定手段の判定結果に応じて、前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から、若しくは、雑音成分が抑圧されていない前記入力信号から、音響特徴量を抽出する分析手段と、を備えたことを特徴とする。

本発明に係る音響分析装置においては、前記分析手段は、信号対雑音比が所定レベル未満である場合には前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から音響特徴量を抽出し、それ以外の場合には雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出することを特徴とする。

本発明に係る音響分析装置においては、前記分析手段は、雑音成分が抑圧された前記入力信号から音響特徴量を抽出するときに専用の第１の音響特徴量抽出演算手段と、雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出するときに専用の第２の音響特徴量抽出演算手段と、を有することを特徴とする。

本発明に係る音響分析装置においては、話者に発声を促すタイミングに基づき、発声区間の前記入力信号と非発声区間の前記入力信号とを区別して記憶するバッファ手段を備えたことを特徴とする。

本発明に係る音声認識システムは、前述の音響分析装置を備えたことを特徴とする。

本発明に係る音声認識システムは、音声認識サーバ装置と通信回線を介して接続されるクライアント装置に、前述の音響分析装置を備えたことを特徴とする。

本発明に係るコンピュータプログラムは、音声認識用の音響分析を行うためのコンピュータプログラムであって、話者に発声を促すタイミングに基づき、音声入力手段からの入力信号の中から発声区間の前記入力信号と非発声区間の前記入力信号とを区別してバッファ手段に記憶させる切替制御機能と、前記バッファ手段に記憶されている非発声区間の前記入力信号に基づき、背景雑音の大きさが所定レベル以上であるか判定する判定機能と、前記入力信号に含まれる雑音成分を抑圧する雑音抑圧機能と、前記判定手段の判定結果に応じて、前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から、若しくは、雑音成分が抑圧されていない前記入力信号から、音響特徴量を抽出する分析機能と、をコンピュータに実現させるコンピュータプログラムであり、前記分析機能は、背景雑音の大きさが所定レベル以上である場合には前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から音響特徴量を抽出し、それ以外の場合には雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出することを特徴とする。

本発明に係るコンピュータプログラムは、音声認識用の音響分析を行うためのコンピュータプログラムであって、音声入力手段からの入力信号に基づき、信号対雑音比が所定レベル未満であるか判定する判定機能と、前記入力信号に含まれる雑音成分を抑圧する雑音抑圧機能と、前記判定手段の判定結果に応じて、前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から、若しくは、雑音成分が抑圧されていない前記入力信号から、音響特徴量を抽出する分析機能と、をコンピュータに実現させることを特徴とする。
これにより、前述の音響分析装置がコンピュータを利用して実現できるようになる。

本発明によれば、雑音抑圧ありの音響特徴量抽出と、雑音抑圧なしの音響特徴量抽出とを効果的に使い分けすることができる。これにより、音声認識システムの音声認識性能を向上させることが可能になる。

以下、図面を参照し、本発明の各実施形態について説明する。

［第１の実施形態］
図１は、本発明の第１の実施形態に係る音響分析装置１の構成を示すブロック図である。図１において、音響分析装置１は、切替部１１、背景雑音バッファ１２、入力音声バッファ１３、切替制御部１４、判定部１５、雑音抑圧部１６、音響特徴量抽出部１７ａ、１７ｂ、及び切替部１８−１、１８−２を有する。

音響分析装置１には、マイク入力信号が入力される。マイク入力信号は、話者が発声した音声を入力するためのマイクにより入力される信号である。マイク入力信号には、話者の音声とともにマイクで集音された背景雑音が含まれる。

また、音響分析装置１には、発声指示タイミング信号が入力される。発声指示タイミング信号は、話者に対して音声認識入力用の音声の発声を促すタイミングを示す信号である。発声指示タイミング信号が示すタイミングの後に（具体的には数百ミリ秒後に）、話者に対して発声を促す例えば画面表示、電子音出力等が行われる。話者はその画面表示、電子音出力等に従って発声する。

切替部１１は、マイク入力信号を記憶するバッファの切り替えを行う。背景雑音バッファ１２は、話者の音声を含まないマイク入力信号を記憶するためのバッファである。入力音声バッファ１３は、話者の音声を含むマイク入力信号を記憶するためのバッファである。

切替制御部１４は、発声指示タイミング信号に基づき、切替部１１の制御を行う。切替制御部１４は、発声指示タイミング信号が入力されると、先ず、切替部１１に対して、マイク入力信号の出力先を背景雑音バッファ１２に切り替えるように指示する。次いで、その発声指示タイミング信号が示すタイミングの後に（具体的には数百ミリ秒後であり、この時点で話者に対して発声を促す画面表示等が行われる）、マイク入力信号の出力先を入力音声バッファ１３に切り替えるように指示する。これにより、まだ話者が発声していないときの発声前のマイク入力信号は背景雑音バッファ１２に記憶され、その後、話者に対して発声を促す画面表示等が行われてからの話者が発声した音声を含むマイク入力信号は入力音声バッファ１３に記憶される。この結果、背景雑音バッファ１２には、話者の音声を含まない背景雑音のみのマイク入力信号が記憶されることになる。なお、切替制御部１４は、話者の発声終了のタイミングに応じて、切替部１１に入力音声バッファ１３への出力を停止するように指示する。話者の発声終了のタイミングとしては、例えば、マイク入力信号が背景雑音に基づいた所定レベル以下になり数百ミリ秒〜数秒間経過した時点、所定時間のタイムアウト時点などが挙げられる。

本実施形態では、音声認識システムに特有の「話者に発声を促すタイミング」を雑音区間の判別に活用することを着想し、雑音区間と非雑音区間とを区別してマイク入力信号をそれぞれ別のバッファに記憶するように構成している。つまり、話者に発声を促すタイミングに基づき、非発声区間のマイク入力信号については背景雑音バッファ１２に記憶し、発声区間のマイク入力信号については入力音声バッファ１３に記憶する。これにより、ＳＮＲの低い場合においても、雑音区間と非雑音区間とを判別し、雑音区間のマイク入力信号については背景雑音バッファ１２に、非雑音区間のマイク入力信号についてはマイク入力信号に、それぞれ記憶することができる。

判定部１５は、背景雑音バッファ１２に記憶されているマイク入力信号に基づき、背景雑音の大きさが所定レベル以上であるか判定する。この判定処理では、背景雑音バッファ１２に記憶されているマイク入力信号の電力レベルを背景雑音レベルとして算出し、この算出した背景雑音レベルを所定レベルと比較する。判定部１５は、この比較結果を切替部１８−１、１８−２に出力する。

上記判定部１５が判定に用いる背景雑音バッファ１２には非発声区間のマイク入力信号が入力されている。これにより、話者の音声を含まない非発声区間のマイク入力信号に基づいて背景雑音の大きさの判定が行われるので、その判定精度はよい。

切替部１８−１、１８−２は、判定部１５の比較結果に応じて、入出力接続の切替を連動して行う。つまり、切替部１８−１が入力音声バッファ１３の出力と音響特徴量抽出部１７ａの入力とを接続するときには、切替部１８−２は音響特徴量抽出部１７ａの出力を自己の出力とする。一方、切替部１８−１が入力音声バッファ１３の出力と雑音抑圧部１６の入力とを接続するときには、切替部１８−２は音響特徴量抽出部１７ｂの出力を自己の出力とする。また、音響特徴量抽出部１７ａと、雑音抑圧部１６及び音響特徴量抽出部１７ｂの組とは、切替部１８−１、１８−２により選択されている一方のみが動作する。

音響特徴量抽出部１７ａは、入力音声バッファ１３からマイク入力信号を読み出し、読み出したマイク入力信号から音響特徴量を抽出する演算を行なう。この音響特徴量抽出部１７ａとしては、例えばＥＴＳＩ規格の雑音抑圧のない符号化方式（ＥＳ２０１１０８）が利用できる。音響特徴量抽出部１７ａは、抽出結果の音響特徴量を切替部１８−２に出力する。

雑音抑圧部１６は、入力音声バッファ１３からマイク入力信号を読み出し、読み出したマイク入力信号から雑音成分を抑圧する。この雑音抑圧後のマイク入力信号は、音響特徴量抽出部１７ｂに出力される。

音響特徴量抽出部１７ｂは、雑音抑圧部１６から入力される雑音抑圧後のマイク入力信号から音響特徴量を抽出する演算を行なう。この音響特徴量抽出部１７ｂとしては、例えばＥＴＳＩ規格の雑音抑圧付きの符号化方式（ＥＳ２０２０５０）が利用できる。なお、ＥＴＳＩでは、雑音抑圧及び符号化方式の両方を「ＥＳ２０２０５０」で規格化している。音響特徴量抽出部１７ｂは、抽出結果の音響特徴量を切替部１８−２に出力する。

切替部１８−２は、判定部１５の判定結果に応じて、音響特徴量抽出部１７ａからの音声特徴量を出力するか、若しくは、音響特徴量抽出部１７ｂからの音声特徴量を出力するか、を切り替える（このとき切替部１８−１も連動して入力音声バッファ１３の出力の接続先を切り替える）。この切替では、背景雑音の大きさが所定レベル以上である場合には、音響特徴量抽出部１７ｂで抽出された音声特徴量、つまり、雑音成分が抑圧されたマイク入力信号から抽出された音響特徴量を出力する。それ以外の場合、つまり背景雑音の大きさが所定レベル未満である場合には、音響特徴量抽出部１７ａで抽出された音声特徴量、つまり、雑音成分が抑圧されていないマイク入力信号から抽出された音響特徴量を出力する。切替部１８−２から出力された音響特徴量は、本音響分析装置１の出力として音声認識処理に用いられる。

これにより、マイク周辺の背景雑音が大きいときには、雑音抑圧を適用して抽出された音響特徴量を用いることにより、音声認識性能を向上させることができる。一方、背景雑音が小さいときには、雑音抑圧を適用せずに抽出された音響特徴量を用いることにより、音声認識性能の低下を回避することができる。このように本実施形態によれば、背景雑音レベルに応じて、雑音抑圧ありの音響特徴量抽出と、雑音抑圧なしの音響特徴量抽出とを効果的に使い分けすることができる。これにより、音声認識性能の向上に寄与することが可能になる。

［第２の実施形態］
図２は、本発明の第２の実施形態に係る音響分析装置１の構成を示すブロック図である。この図２において図１の各部に対応する部分には同一の符号を付け、その説明を省略する。
第２の実施形態では、信号対雑音比（ＳＮＲ）に基づいて、雑音抑圧ありの音響特徴量抽出を行うか、若しくは、雑音抑圧なしの音響特徴量抽出を行うか、を判定する。

図２において、判定部１５ａは、背景雑音バッファ１２に記憶されているマイク入力信号と、入力音声バッファ１３に記憶されているマイク入力信号とに基づき、ＳＮＲが所定レベル未満であるか判定する。この判定処理では、入力音声バッファ１３に記憶されているマイク入力信号の電力レベルを信号レベルとして算出し、背景雑音バッファ１２に記憶されているマイク入力信号の電力レベルを雑音レベルとして算出し、それら信号レベルと雑音レベルからＳＮＲを算出する。そして、その算出したＳＮＲを所定レベルと比較する。判定部１５ａは、この比較結果を切替部１８ａ−１、１８ａ−２に出力する。

上記判定部１５ａが判定に用いる背景雑音バッファ１２には非発声区間のマイク入力信号が入力されており、また、入力音声バッファ１３には発声区間のマイク入力信号が入力されている。これにより、話者の音声を含まない非発声区間のマイク入力信号から雑音レベルを算出し、話者の音声を含む発声区間のマイク入力信号から信号レベルを算出することができるので、判定対象のＳＮＲは精度よく算出され、その結果、ＳＮＲの判定精度はよいものとなる。

切替部１８ａ−１、１８ａ−２は、図１の切替部１８−１、１８−２と同様に、判定部１５ａの比較結果に応じて、入出力接続の切替を連動して行う。また、音響特徴量抽出部１７ａと、雑音抑圧部１６及び音響特徴量抽出部１７ｂの組とは、切替部１８ａ−１、１８ａ−２により選択されている一方のみが動作する。

切替部１８ａ−２は、判定部１５ａの判定結果に応じて、音響特徴量抽出部１７ａからの音声特徴量を出力するか、若しくは、音響特徴量抽出部１７ｂからの音声特徴量を出力するか、を切り替える（このとき切替部１８ａ−１も連動して入力音声バッファ１３の出力の接続先を切り替える）。この切替では、ＳＮＲが所定レベル未満である場合には音響特徴量抽出部１７ｂで抽出された音声特徴量、つまり、雑音成分が抑圧されたマイク入力信号から抽出された音響特徴量を出力する。それ以外の場合、つまりＳＮＲが所定レベル以上である場合には、音響特徴量抽出部１７ａで抽出された音声特徴量、つまり、雑音成分が抑圧されていないマイク入力信号から抽出された音響特徴量を出力する。切替部１８ａ−２から出力された音響特徴量は、本音響分析装置１の出力として音声認識処理に用いられる。

これにより、ＳＮＲが低いときには、雑音抑圧を適用して抽出された音響特徴量を用いることにより、音声認識性能を向上させることができる。一方、ＳＮＲが高いときには、雑音抑圧を適用せずに抽出された音響特徴量を用いることにより、音声認識性能の低下を回避することができる。このように本実施形態によれば、ＳＮＲに応じて、雑音抑圧ありの音響特徴量抽出と、雑音抑圧なしの音響特徴量抽出とを効果的に使い分けすることができる。これにより、音声認識性能の向上に寄与することが可能になる。

次に、上述した各実施形態に係る音響分析装置１を適用した音声認識システムの実施例を説明する。

図３は、本発明に係る音響分析装置１を適用した音声認識システムの一実施例である。図３に示される実施例１では、音声認識システムを単独の装置で実現している。

図３において、音声認識装置１００は、本発明に係る音響分析装置１と、マイク１０１と、音声認識部１０２と、制御部１０３と、表示部１０４とを有する。マイク１０１から入力されたマイク入力信号は音響分析装置１に入力される。音響分析装置１は、そのマイク入力信号から音声特徴量を抽出し、抽出した音声特徴量を音声認識部１０２に出力する。音声認識部１０２は、その音声特徴量に基づき、音声認識処理を行う。その音声認識結果は、制御部１０３に出力される。制御部１０３は、音声認識結果を表示部１０４で表示させる。

また、制御部１０３は音声認識の実行制御を行う。その実行制御では、話者に対する発声の指示を行う。例えば、表示部１０４でのプロンプト表示により、話者に発声の開始を合図する。そのプロンプト表示を行うタイミングは、発声指示タイミング信号により、音響分析装置１に通知される。

本実施例１は、携帯型、据置き型のいずれのタイプの音声認識装置にも適用可能である。

図４は、本発明に係る音響分析装置１を適用した音声認識システムの他の実施例である。この図４において図３の各部に対応する部分には同一の符号を付け、その説明を省略する。図４に示される実施例２では、サーバ・クライアント型の音声認識システムを実現している。

図４において、クライアント装置２００は、通信部２０１を有し、通信回線２２０を介して音声認識サーバ２１０とデータを送受信する。通信部２０１は、音響分析装置１で抽出された音声特徴量を音声認識サーバ２１０に送信して、音声認識要求を行う。音声認識サーバ２１０は、その音声認識要求に応じて、クライアント装置２００から送られた音声特徴量に基づき、音声認識処理を行う。その音声認識結果は、通信回線２２０を介してクライアント装置２００に送信される。クライアント装置２００では、通信部２０１が音声認識サーバ２１０からの音声認識結果を受信し、該音声認識結果を制御部に出力する。制御部１０３は、音声認識結果を表示部１０４で表示させる。

本実施例２は、携帯型、据置き型のいずれのタイプの音声認識装置にも適用可能であるが、特に携帯通信端末のように十分な処理能力を確保することの難しい装置に適用する場合に有用である。

上述したように本発明の実施形態によれば、雑音抑圧ありの音響特徴量抽出と、雑音抑圧なしの音響特徴量抽出とを効果的に使い分けすることができる。これにより、音声認識システムの音声認識性能を向上させることが可能になるという優れた効果が得られる。

なお、図１又は図２に示す音響分析装置１の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより音響分析処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

以上、本発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。

本発明の第１の実施形態に係る音響分析装置１の構成を示すブロック図である。 本発明の第２の実施形態に係る音響分析装置１の構成を示すブロック図である。 本発明に係る音響分析装置１を適用した音声認識システムの一実施例を示すブロック図である。 本発明に係る音響分析装置１を適用した音声認識システムの他の実施例を示すブロック図である。

符号の説明

１…音響分析装置、１１…切替部（バッファ手段）、１２…背景雑音バッファ（バッファ手段）、１３…入力音声バッファ（バッファ手段）、１４…切替制御部（バッファ手段）、１５，１５ａ…判定部、１６…雑音抑圧部、１７ａ、１７ｂ…音響特徴量抽出部（分析手段）、１８−１〜２，１８ａ−１〜２…切替部（分析手段）、１００…音声認識装置、１０１…マイク（音声入力手段）、１０２…音声認識部、１０３…制御部、１０４…表示部、２００…クライアント装置、２０１…通信部、２１０…音声認識サーバ、２２０…通信回線

Claims (5)

1. 音声認識用の音響分析装置において、
   話者に発声を促すタイミングに基づき、音声入力手段からの入力信号の中から発声区間の前記入力信号と非発声区間の前記入力信号とを区別して記憶するバッファ手段と、
   前記バッファ手段に記憶されている非発声区間の前記入力信号に基づき、背景雑音の大きさが所定レベル以上であるか判定する判定手段と、
   前記入力信号に含まれる雑音成分を抑圧する雑音抑圧手段と、
   前記判定手段の判定結果に応じて、前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から、若しくは、雑音成分が抑圧されていない前記入力信号から、音響特徴量を抽出する分析手段と、を備え、
   前記分析手段は、背景雑音の大きさが所定レベル以上である場合には前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から音響特徴量を抽出し、それ以外の場合には雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出することを特徴とする音響分析装置。
2. 前記分析手段は、
   雑音成分が抑圧された前記入力信号から音響特徴量を抽出するときに専用の第１の音響特徴量抽出演算手段と、
   雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出するときに専用の第２の音響特徴量抽出演算手段と、
   を有することを特徴とする請求項１に記載の音響分析装置。
3. 請求項１又は２に記載の音響分析装置を備えたことを特徴とする音声認識システム。
4. 音声認識サーバ装置と通信回線を介して接続されるクライアント装置に、請求項１又は２に記載の音響分析装置を備えたことを特徴とする音声認識システム。
5. 音声認識用の音響分析を行うためのコンピュータプログラムであって、
   話者に発声を促すタイミングに基づき、音声入力手段からの入力信号の中から発声区間の前記入力信号と非発声区間の前記入力信号とを区別してバッファ手段に記憶させる切替制御機能と、
   前記バッファ手段に記憶されている非発声区間の前記入力信号に基づき、背景雑音の大きさが所定レベル以上であるか判定する判定機能と、
   前記入力信号に含まれる雑音成分を抑圧する雑音抑圧機能と、
   前記判定手段の判定結果に応じて、前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から、若しくは、雑音成分が抑圧されていない前記入力信号から、音響特徴量を抽出する分析機能と、をコンピュータに実現させるコンピュータプログラムであり、
   前記分析機能は、背景雑音の大きさが所定レベル以上である場合には前記雑音抑圧手段により雑音成分が抑圧された前記入力信号から音響特徴量を抽出し、それ以外の場合には雑音成分が抑圧されていない前記入力信号から音響特徴量を抽出することを特徴とするコンピュータプログラム。

Images