JPS61203497A - 音声認識方式 - 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） 本発明は、音声認識方式に関し、特に精度良く音声区間
の検出を行う音声区間検出に関するものである。

（従来の技術） 従来の音声認識装置のブロック図を第７図に示す。同図
において、１は信号入力端子、２は周波数分析部、３は
音声取込制御部、４は取込開始信号、５は音声区間検出
部、６は取込終了信号、７は始端・終端情報、８は認識
部、９は出力端子の如く構成されておシ、以下各部の説
明をする。

周波数分析部２は、第８図に示す如く構成されておシ、
入力音声信号１１は前置増幅器１２によ・シ適当なレベ
ルに増幅され、約２００　Ｈｚから６０００Ｈｚまでを
対数尺度で等間隔に分割されたＮ個のバンドパスフィル
タ群１３、全波整流器群１４、およびローパスフィルタ
群１５により分析され、さらに、あらかじめ定められた
時間周期（以後サンプル周期と記す）毎にマルチプレク
サ１６を順次切り換えながらＡＤ変換器１７によって量
子化され、サンプル周期毎にＮ個の分析結果１８を出力
する。

音声取込制御部３は、取込開始信号４を受信したのち、
周波数分析部２の分析結果１８を音声区間検出部５およ
び認識部８へ一定時間、または確かに音声の入力が終了
したと判断するまで出力する。音声の入力終了の判断法
としては、たとえば、各サンプル周期毎のＮ個のデータ
の平均値（以後フレームパワーと記す）を利用して、フ
レームパワーがあらかじめ設定された閾値を越えるもの
が、ある一定数存在したのち、閾値を越えないものが連
続一定数続いたとき音声の入力が終了したと判断する方
法がある。

音声区間検出部５におけるブロック図を第９図に示す。

同図において、１８は分析結果、２１はパラメータ演算
部、６は取込終了信号、２２はブロック化部、２３は音
声区間判定部、７は始端終端情報の如く構成され、以下
詳細に説明する。

ノクラメータ演算部２１は、分析結果１８から音声区間
検出に使用する（１）式で定義されるノ４ラメータを求
める部分である。

Ｐｊ＝ａｊ８ｘｊｅ僧−１＋（１） ただしａｊ；第ｊ番目の分析結果のスペクトル傾斜 マツ；第ｊ番目の分析結果の平均値 また、スペクトル傾斜Ｊすなわち最小２乗近似直線の傾
きは、第ｊ番目のＮ個の分析結果をＸ　ｉ　ｊとすると
（ｉ；Ｎ分割されたバンドパスフィルタ。

群の周波数の低いものから順に付けられた番号）。

ａｊは（２）式によって求められる。

置き換えることができ、（２）式は（３）式に変形され
る。

ことができる。

また、Ｘｊは、ΣＸｉｊをＮで除すことによって得ら１
≠１ れる。第１０図は、Ｐｊを演算するブロック図であシ、
以下同図に従って説明する。

第ｊ番目のＮ個の分析結果ｘ　ｉｊ（１＝１１２　ｇ　
＝・Ｎ　）が順番に出力されるものとすると、加算器１
０１およびレジスタ１０２によってＸ・・の累積Σｘｉ
ｊ１コ　　　　　　　１＝１ をレジスタ１０２にセットすることができ、その結果を
乗算器１０３と除算器１０６に出力される。

値を求め、加算器１０５の一方に入力される。また、−
Ｘｉｊのデータ出力と同期して働くカウンタ１０７の出
力と、ｘｉｊとの積１−ｘｌｊを乗算器１０８によって
求め、乗算器１０８の出力に接続されている加算器１０
９と、さらにそれに接続されている′シフタ１１°によ
・て、Ｅ、！　’　Ｘｉｊを求めることができる。レジ
スタ１１０の出力Σｔ”ｘｉｊは乗算ｉ＝１ 器１１１の一方の入力に接続されており、乗算器１１１
の他方の入力にはＮがセットされていて、乗算器１１１
ではＮ・Σ１”Ｘｉｊが演算され、加算器１厘１ １０５のもう一方に入力される。加算器１０５で１１２
に接続されている。除算器１１２では、第ｊ番目のサン
プルデータのスペクトル傾斜ａｊを求められ、その結果
は乗算器１１３の一方の入力と′６・また除算器１０６
７は・　、Ｅ、Ｘ　ｉ　ｊを８で除すことによって杓が
求められ、その結果は乗算器１１３の他方の入力となシ
、乗算器１１３によってＰ・（＝ａｊ−″ｘ　ｊ）を求
めることができる。以上の演算をサンプル周期毎に行な
って、各サンプル時のＰｊＯ値を全て演算することがで
きる。

ブロック化部２２は、パラメータ演算部２１の結果Ｐｊ
を取込終了信号６を検出するまで受は取り、取込終了信
号６を検出後、音声のブロック化（音声であると思われ
る部分のかだまりの検出）を行なう部分で、第１１図に
ブロック図を示し、同図に従って説明する。

ノクラメータ演算部２１の各サンプル周期毎のＰｊは、
順次Ｐｊやラメータメモリ２００に格納されているので
、それを順番に読取し絶対値回路２０１によって絶対値
化され、ＩＦｊＩを比較器２０２の一方に入力する。比
較器２０２の他方の入力には、ＩＰｊＩの閾値ＰＴＨが
セットされている。比較器２０２では、ＩＰｊｌ≧ＰＴ
Ｈのときにはα出力に、ＩｐｊＩ　＜ＰＴＩ（のときに
はβ出力にそれぞれ有意信号を出力する。

カウンタ２０３は、ＩＰｊｌ≧ＰＴＨのときカウントア
ツプし、１Ｐｊ１＜ＰＴａのときクリアされるようにな
っておシ、１ｐｊＩ≧ＰＴＨとなる連続量をカウントす
る。また、カウンタ２０３の出力は、常にレジスタ２０
４にセットされている。レジスタ２０４にセットされて
いる値（ＩＰｊＩ≧ＰＴＨである連続数）は、比較器２
０５に入力され、比較器２０５の他方の入力にはＫがセ
ットされておシ、１ｐｊＩ≧ＰＴＨである連続量（以下
ブロック長と記す）かに以上のとき、比較器２０５の出
力Ｃに有意信号が出力される。

ブロック長がＫ（Ｋ≧２の自然数）以上（Ｃ信号出力時
）で、かつ、比較器２０２のβ出力（１Ｐｊｌ　＜ＰＴ
Ｈ）が表われたタイミングをＡＮＤ回路２０６によって
捕える。カウンタ２０７は、ＡＮＤ回路２０６の出力か
ら出力までのＰｊを読み出した量を数えるもので、減算
器２０８によってカウンタ２０７の出力からレジスタ２
０４の結果（ブロック長）を差し引くことにより、ブロ
ック間の距離（時間）を求めることができる。またカウ
ンタ２０９は、Ｐｊの読出しと同期してカウントしてお
シ、減算器２１０によってカウンタ２０９の結果からレ
ジスタ２０４の出力（ブロック長）を引くことによって
、当該ブロックの先頭を求められる。

加算器２１１とレジスタ２１２によりＩＰｊｌ≧ＰＴＨ
の部分の累積を求め、ブロックの大きさを表わすＳＲな
るものを求め、ＡＮＤ回路２０６の信号を検出したとき
、レジスタ２１３にセットすると同時に、レジスタ２１
３・の出力（以下ブロック量と記す）、減算器２１０の
出力（ブロック先頭情報）、レジスタ２０４の出力（ブ
ロック長）、および減算器２０８の出力（ブロック間距
離）をブロックテーブル２１４に登録する。このように
して取込んだ量全てについてブロック化が行なうことが
できる。

音゛声区間判定部２３は、ブロック化部２２で得られた
ブロックテーブル２１４から、次のようにして音声区間
の判定を行なっていた。すなわち、ブロック量の最大値
となるブロックを検出し、それを音声区間の中心として
前後のブロックについて、ブロック間距離が一定値以下
であれば当該プログクも音声区間に含めるという方法で
、音声区間の判定を行なっていた。

認識部８は、音声取込制御部３に取込開始信号を送ると
ともに、音声取込制御部３からの分析結果を格納してお
き、さらに音声区間検出部５からの始端終端情報７を受
けると、あらかじめ用意されている内容既知の標準パタ
ーンとの類似度演算を行ない、最も類似度の高い標準パ
ターンと同一内容の音声が入力されたと判断し、その結
果を出力する。

（発明が解決しようとする問題点） しかしながら、上記従来の技術における音声区間検出で
は、次のような問題点があった。

入力音声の強弱によりスベクトル傾斜＆ｊが変化するた
め、不安定碌ノ９ラメータすなわち、Ｐｊが不安定なｉ
Ｊ？ラメータである。また、スペクトル傾斜ａｊは、音
韻、話者による変化とともにマイクの特性等によって往
々にして、音声部においても０に近い値を取り、結果と
してＰｊもＯに近い値となシ。

ブロック化を誤まる。更に、ノイズが大きい場合、ノイ
ズとの区別（特に子音）がっけにくい。

具体例を第１２図（、）乃至（ｃ）に示す。同図におい
て、ＴＨＬ　１は従来の音声区間検出レベルであシ、Ｔ
ＨＬ　２はＴＨＬ　１よりもレベルを下げた時の閾値レ
ベルである。単語の中には発声のしかた（例えば声が小
さい、息に近い）は無声化を起こしやすいものがある。

例えば、第１２図（、）の「イチ」などは特に「イ」の
部分が無声化を起こし易く、ブロック化を誤まり、閾値
レベルがＴＨＬ　１の区間判定では「チ」の部しか検出
されない場合が多い。そこで「イ」のようにレベルが低
いために脱落してしまうカテゴリに対して第１２図（ｂ
）に示すように全体のＴＨＬ　２　マで閾値を下げるこ
とによって、区間判定を正確に行えるが、逆に下げた改
とにより、第１２図（、）に示すようにこれまで通シの
閾値で問題なく区間検出が行われていた「ゴ」のような
カテゴリが、本来検出されるべき位置よりも余分なノイ
ズの部分をも音声区間として検出してしまうという欠点
があった。

本発明は以上の問題に対して改良を図ることにより、音
声区間をより精度よく行ない誤認識をなくして認識率の
向上をはかることのできる音声認識方式を提供すること
を目的とする。

（問題点を解決するための手段） 本発明は前記問題点を解決するために、入力音声信号を
周波数分析する周波数分析手段と、該手段の分析結果を
対数変換する対数変換手段と、該手段に接続されるスペ
クトル変換手段及び音声区間決定手段と、前記スペクト
ル変換手段に接続され前記音声区間決定手段から与えら
れる始端及び終端の間で一定のデータ長に再サングルし
て入カバターンを作成する再サンプル手段と、該手段か
らの入力・ぐターンと予め設定された標準パターンとの
距離演算を行なう距離演算手段と、該手段の演算結果か
ら距離最小の認識カテカリを判定する判定手段とを有す
る音声認識、方式において、エラーを起こす確率の高い
特定のカテゴリの組合わせを設定するコンフユージヨン
テーブルを設ケ、前記判定手段は距離最小の認識カテゴ
リと前記コンフユージヨンテーブルの特定のカテゴリと
を比較して、該当するカテゴリがある場合は前記音声区
間決定手段に閾値レベルを基準レベルより低くして再度
音声区間の決定を行なうように指示し、音声区間決定手
段は低レベルで音声区間を決定するものである。

好ましくは、前記音声区間決定手段は、前記対数変換手
段の出力データから得られるノクワー情報の音声区間を
記憶する音声区間記憶手段と、該手段の音声区間内で音
声ツクターンからノイズノ４　ターンを差し引いたパワ
ーを演算する演算手段と、該手段からのノ平ワー情報と
第２の閾値とを比較するコトにヨシ音声区間フラッグを
求めてスムージングを行なうスムージング手段と、該手
段からの音・声区間フラッグと第３の閾値を比較するこ
とにより音声ブロック候補を求める手段と、該手段から
の音声ブロック候補を用いて最大ブ四ツクテーブルを参
照しながら音声区間を決定する音声区間決定手段とから
構成されるものである。

（作用） 周波数分析手段は入力音声信号を周波数分析するように
働き、対数変換手段は分析結果を対数変換するように働
く。スペクトル変換手段は対数変換データを正規化する
ように働き、音声区間決定部は対数変換データから音声
の始端及び終端を決定するように働く。再サンプル手段
は始端から終端までの正規化データを再サンプル（時間
軸の正規化）を行って入力Ａターンを作成するように働
く。

距離演算手段は入カッ９ターンと標準ノ４？ターンとの
距離演算を行うように働く。判定手段は演算結果から距
離最小の認識力テコ°りを判定するように働く。また、
判定手段は認識カテゴリがコンフユージヨンテーブルに
設定された特定のカテゴリに該当するか否かを判定し、
次のように働く。該当しない場合は認識カテゴリを認識
結果として出力する。該当する場合は一度″目の基準レ
ベルより低くして再度音声区間を決定するように音声区
間決定手段に指示する。音声区間決定手段は低レベルで
音声区間の決定を再度行なう。

従って、前記従来技術の問題点が解決できるの゛である
。

（ニジＴ−倉自） （実施例） 第１図は本発明の実施例を示すブロック図である。同図
において、１００は入力端子、２００は周波数分析部、
３００は対数変換部、４００は音声区間予備決定部、５
００は音声区間メモリ部、６００は音声区間決定部、７
００はスペクトル変換部、８００は再サンプル部、９０
０は距離演算部、１０００は標準パターンメモリ、１１
００は判定部、１２００は出力端子、１３００はコンフ
ユージヨンテーブル、１４００は再切シ出し信号である
。

このような構成において、入力端子１００から入力され
る入力音声信号は、周波数分析部２００に入力され、複
数の周波数帯域に対応した量子化信号Ｕ（ｉ、ｊ）とし
て、周波数分析され、対数変換部３００に送られる。

対数変換部３００では、第（４）式の計算が行なわれる
。周波数分析データをＵ（ｉ、ｊ）とする。

Ｕ（ｉ、ｊ）　　ｉ　＝　１〜１９．ｊ＝１〜ω０≦Ｕ
（ｉ、ｊ）≦２０４７ 対数変換データをＶ（ｉ、ｊ）とする。

ｖ（ｉ、ｊ）　　ｉ＝ｌ〜１９．Ｊ＝ｌ〜ａＱここでｉ
は周波数（１〜１９　ａｈ　）を示し、ｊは時間（１〜
ωフレーム）を示す。また、前処理部からの入力データ
をＵ（ｉ、ｊ）とする。

Ｕ（ｉ、ｊ）　　ｉ　＝　１〜１９．ｊ＝１〜の０≦Ｕ
（ｉ、ｊ）≦２０４７ 対数変換ピット数をＮＢとする。ここではＮｕ；８であ
る。

対数変換部３００で対数変換されたデータＶ（ｉ、ｊ）
は音声区間予備決定部４００及びスペクトル変換部７０
０に送られる。

音声区間予備決定部４００では第２図に示すフローチャ
ートの手順、で処理を行なう。入力・母ターンノハワー
ＰＯｗ（ｊ）及ヒ入カッ母ターンの１０フレームの・ぐ
ワーＰＯＷＩＯ（ト）を、それぞれ第（５）式及び第（
６）式で計算する（ステップの、■）。

に＝（ｊ−１）／１０＋１ 但し、ｊ＝（ｋ−１）傘１０＋１とする。

ノイズレベルは第（７）式で決定する（ステップ■）ノ
イズ／ペル測定区間をに＝に１〜に２とした時、但し、
ｋ２＝に、＋２とする ここで切シ出しスライスレベルＬ１を Ｌｌ　＝＝　ＮＬＥＶＥＬ＋ＬＯ とする（ステップ■）。はじめてＰＯＷＩＯ（ｋ、）が
Ｌｌよりも大きくＰ□１０　（ｋ、＋　１　）がＬｌよ
りも大きい点に３から４０フレーム逆のほったフレーム
ｊ、をｊｌ　＝　（ｋｓ−１）中１０＋１−４０とする
（ステップ■、■）。仮の音声始端フレーム５ＴＦＲ１
を ５ＴＦＲ１＝　ＭＡＸ　（ｊ　、　１　）とする（ステ
ップの）０ 終端検出はに４かに２＋１よりも大きく、かつＰＯＷＩ
Ｏ（ｋ４）がＬｌよりも小さいか等しくなった時に、仮
の音声終端フレームＥＤＦＲ１をＥＤＦＲ１＝（ｋ４−
１）傘１０−１＋９とする（ステップ■、■、　ｃｏ）
。

このようにして求められた仮の音声始端フレーム５ＴＦ
Ｒ１及び仮の音声終端フレームＥＤＦＲ１は一端、音声
区間メモリ部５００に格納され、続いて音声区間決定部
６００へ送られる。

音声区間決定部６００では第３図に示すフローチャート
の手順で音声区間を決定する。

対数変換部３００より計算された対数変換データＶ（ｉ
、ｊ）より、ノイズａｅ　ｐ　−ｙ　ＮＰＡＴ（ｉ）を
計算する（ステプｆ（Ｄ）。但し、ノイズレベル測定区
間をに＝に、〜に２とした時、ｊｌ及びｊ３の値を第（
８）式において計算する。

ノイズパターン％ＦＡＴ（ｉ）を求める式を第（９）式
に示す。

ｊ　＝　５ＴＦＲ１〜ＥＤＦＲ１ 次に、第（９）式より求まったＮｐＡＴ（ｉ）を用い、
ノイズパターンを差し引いたパワーの計算を第６１式に
より行なう（ステラｆΦ）。

第６１式より求まったＰ　（ｊ）はＰ／ぐラメータメモ
リに格納する（ステップ０）。格納されたＰ　（ｊ）は
次の第ａ傘式の比較を行なう。

第ａ力式において、スライスレベルＬ２がＰ　（ｊ）よ
りも大きい場合は、ＦＬＡＧ（ｊ）　＝　０とする。ま
たＬ２がＰ　（ｊ）よりも等しいか小さい場合はＦＬＡ
Ｇ（ｊ）＝１とする（ステプ７°＠ｌ）。第（ロ）式に
おいて決定されたＦＬＡＧ（ｊ）の値は、Ｆ’ＬＡＧへ
格納され、ＦＬＡＧ（ｊ）の値に応じて、スムージング
１又はスムージング２へ逆；５れる（ステップ０）。

スムージング１ではＦＬＡＧ（ｊ）＝　Ｏの場合の操作
を行ないｐＬＡｃ（ｊ−１）＝Ｏであシ、ＦＬＡＧ　（
ｊ＋１　）　＝　０である時はＦＬＡＧ（ｊ）　＝　Ｏ
とする（ステラｆ［株］）。またスムージング２では、
　ＦＬＡＧ（ｊ）＝　１の場合の操作を行ないＦＬＡＧ
　（ｊ−１）　＝　１であシ、ＦＬＡＧ　（ｊ＋１　）
　＝　１である時は、ＦＬＡｃ（ｊ）　＝　１とする（
ステップＯ）。

次に、ＦＬＡＧ（ｊ）＝　１が４フレ一ム以上連続し、
そのＰＯＷＩ（イ）がスライスレベルＬ３よりも、大き
いか等しい場合のものをブロックとする（ステップ釦。

ブロック数をＢＬＫＳとし、ブロックｔの先頭フレーム
をＳ（イ）、ブロックｔの最終フレームをＥ（イ）とす
る。ブロックｔのノイズノやターンを差し引いたノぐワ
ー゛Ｐ（ｊ）の加算値は、第（２）式により求められる
。

ブロックｔのフレーム数は第（至）式にょシ求められる
。

Ｆ　Ｒ１（Ａ＝　Ｅ（４−５（ｔ）＋　１　　　　　　
　　　・・・・・・α埠また、前ブロック（ｔ−１）と
の間隔は第００式により求められる。

ＦＲ２（４）＝　５Ｃ１）−Ｅ（ｔ−１）　　　　　　
・・・・・・α→ここでＬｌを音声先頭ブロック、ｔ２
を音声最終ブロックとして、音声先頭ブロックＬ１につ
いては、第００式の条件を満たしている限りり、＝＝：
ｔ、−１とする。

ＦＲ２（ｔｌ）≦ＭＩＮ（ＰＯＷＩ　（ｔｌ−１）／ｓ
ｃ１＋ｓｃ２，５Ｃ３）　　・・・α→また音声最終ブ
ロックｔ２については、第６９式の条件を満たしている
限ｐ　ｔ２＝ｔ２＋１とする。

Ｆ’Ｒ（ｔ２＋１　）≦ＭＩＮ（ＰＯＷＩ（ｔ２＋１）
／ＳＣ１＋ＳＣ２，５Ｃ３）　−αＱここでＳＣ１〜Ｓ
Ｃ３は実験的に決められた定数であり、５Ｃ１＝１６　
、５Ｃ２＝８　、８Ｃ３＝３０である。

以上の式より、最大ブロックを中心に前後のブロックを
音声区間のブロックとして取シ込むかどうかの判定を行
ない、音声区間として採用する。

次に、このようにして決定された音声区間ブロック候補
（音声先頭ブロックｔ１、音声最終ブロックｔ２　）を
用い、最大ブロック（ＭＡＸＢＬＸ　）テーブルを参照
して音声区間の決定を行なう（ステップｅ）。

音声区間決定に用いる認識語の最大ブロック数のテーブ
ルＭＡＸＢＬＫテーブルを説明する。

最大ブロック数ＭＡＸＢＬＫＯ例を第４図に示す。左側
がカテコゝす（１６語）を示し、右側は、予め発声デー
タから求めた各カテゴリの最大ブロック数を示す。これ
らの認識語セットの中で最大のＭＡＸＢＬＫを選ぶ。例
えば認識語の中に「モーイチド」を含むならＭＡＸＢＬ
Ｋ　＝　３とする。

ＢＬＫＳ≦ＭＡＸＢＬＫ とする時、すなわちブロック数ＢＬＫＳが最大ブロック
数ＭＡＸＢＬＫよりも小さいか等しい場合であればすべ
てのブロックを音声区間とする。逆にＢＬＫＳ　）　Ｍ
ＡＸＢＬＫ とする時、すなわちブロック数ＢＬＫが最大ブロック数
ＭＡＸＢＬＫよりも大きい場合の例を第５図に示す。

同図は音声区間のブロックの組み合わせを示す図であっ
て、ブロック数ＢＬＫＳ　＝　３である。対象とするカ
テゴリの最大ブロック数ＭＡＸＢＬＫ　＝　２であれば
■又は■の組み合わせが考えられる。■及び■のブロッ
クの組み合わせの各々のノクワーＰＰ（イ）を求めた後
ＰＰの比較を行ない、ブロックのパワーｐｐ（ｚ）が最
大となるブロックの組合せを音声区間とする。

ブロックの・ぐワーｐｐ（４は第α乃式により求められ
る。

ｔ＝１〜ＢＬＫＳ−ＭＡＸＢＬＫ＋　１第αり式より求
められた５（ｔｌ）は音声先頭ブロックであり、Ｅ（ｔ
２）は音声最終ブロックとなり、音声始端フレーム５Ｔ
ＦＲは ５ＴＦＲ＝　Ｓ　ＣＬ、） また音声終端フレームＥＤＦＲは ＥＤＦＲ＝　Ｅ（ｔ２） となる。また、入カッ９ターンフレーム数ＩＦＲは次の
第Ｃ１１１式で表わされる。

ＩＦＲ＝　ＥＤＦＲ−５ＴＦＲ＋　１　　　　　　　・
・・・・・α梓処理終了の判定は、音声最終ブロックｔ
２が以下の第（至）式の条件を全て満たした時、処理を
終了とする。

すなわち、Ｌｌかに４　＋　ｋ４　＋　１　ｒ　ｋ４　
＋　２　＋　ｋ４　＋　３　＋に４＋４．のいずれに対
しても大きいか等しい場合は、処理終了となる。

また第（至）式の条件が満たされなかった場合は、認識
を打ち切り ＰＯＷｌｏ（ｋ４）≦Ｌ１ すなわちＬｌが大きいか等しくなる次のに４の値を求め
る。

このように決定された音声区間５ＴＦＲ及び、ＥＤＦＲ
は、スペクトル変換部７００から送られるＷ（ｉ　、　
ｊ　）と同時に再サンプル部８００に送られる。再サン
グル部８００では、音声の時間軸の正規化が行われる。

時間軸正規化の方法は、従来公知の技術であり、ＩＪ　
ニアマツチング方法では、音声区間を認識装置の条件に
よって定められた一定数に時間的に等間隔に分割、再サ
ンプルする方法である。そして、距離演算部９００にお
いて、同様に作成された標準・やターンメモリ１０００
の出力との距離演算を行ないその結果を判定部１１００
に送る。

さて、１６語のカテゴリの中には、認識を行なうと、エ
ラーの起こる確率の高い入力・ぐターンと標準／ｌター
ンの組み合わせが見られる。この原因としてはスペクト
ルノＪ？ターンが明らかに似ているということも考えら
れるが、音声区間メモリ部によるエラーが多くを占めて
いる。例えば入力Ａ？ターンが「イチ」の場合、「二」
にエラーを起こし易い。これは「イチ」の「イ」が無声
化をしたか、あるいは声が小さいので従来の音声区間決
定方式では、「イチ」の「チ」の部分しか検出されない
。

要するに「イチ」と発声すれば本来ブロック数は２つ検
出されるが１つしか検出されずＫ「イチ」が「二」に誤
まるような場合が多いのである。

第６図に示すコンフユージヨンテーブルには、前述した
例に上げたようなエラーを起こす確率の高い組み合わせ
を持っている。

判定部１１００に送られた距離演算結果は、コンフユー
ジヨンテーブル１３００との比較を行ない、テーブル内
の組み合わせに該当したものがなければ、そのまま出力
端子１２００に出力する。

そして、判定部１１００に送られた結果がコンフユージ
ヨンテーブル１３００との比較を行ない、該ツク検出さ
れず、レベルを下げることによって、検出される可能性
もあるので、再び切シ出し信号１４００が音声区間メモ
リ部５００へ戻る。

音声区間メモリ部５００には、音声区間予備決定部４０
０で既に検出部の従来の音声区間決定レベルで検出され
た音声区間が格納されている。判定部１１００から音声
区間メモリ部５００に戻った結果は音声区間メモリ部５
００に格納されている従来の音声区間検出レベルを基準
として、それより閾値レベル（スライスレベル）を下げ
て再度音声区間決定を行なう。そして、低レベルの閾値
で検出された結果をもって第３図に示す一連の処理を音
声区間決定部６００において行なう。第３図； の詳細説明は前述したので、ここでは省略する。

そして、音声区間決定部６００において、ブロック数Ｂ
ＬＫＳの検出された数が一度目に検出した際の数と異な
った場合は、スペクトル変換部７００でスペクトル変換
、そして再サンプル部８００で再サンプルを行なった後
、距離演算部９００において、コンフユージヨンテーブ
ル上で該当している組み合わせのカテゴリのみと再度距
離演算を行ない、その結果を判定部１１００に送シ最終
結果として出力端子１２００へ出力する。

（発明の効果） 以上、詳細に説明したように、本発明によれば音声区間
検出の際、無声化等による原因で音声区間検出誤りが特
に多いカテゴリに対して、閾値の設定を２段階以上のレ
ベルで行うととＫより、音声区間検出をより精度よく行
うことが出来、音声認識装置の認識性能を向上するのに
効果がある。

【図面の簡単な説明】

第１図は本発明の一実施例を示すブロック図、第２図は
音声区間予備決定部の処理手順を示すフローチャート、
第３図は音声区間決定部の処理手順を示すフローチャー
ト、第４図は音声区間のブロックの最大ブロック数を示
す図、第５図は音声区間のブロックの組合せを示す図、
第６図はコンフユージヨンテーブルの内容を示す図、第
７図は従来の音声認識装置のブロック図、第８図は第７
図の周波数分析部の詳細ブロック図、第９図は第７図の
音声区間検出部のブロック図、第１０図は第９図のＡ？
ラメータ演算部の詳細ブロック図、第１１図は第９図の
ブロック化部の詳細図、第１２図は音声区間判定の説明
図である。 １・・・入力端子、２・・・周波数分析部、３・・・音
声取込制御部、４・・・取込開始信号、５・・・音声区
間検出部、６・・・取込終了信号、７・・・始端、終端
情報、８・・・認識部、９・・・出力端子、１１・・・
入力音声信号、１２・・・前置増幅器、１３・・・パン
ドックスフィルタ群、１４・・・全波整流器群、１５・
・・ローＡ’スフィルタ群、１６・・・マルチプレクサ
、１７・・・ＡＤ変換器、１８・・・分析結果、２１・
・・Ａ’ラメータ演算部、２２・・・プロック化部、２
３・・・音声区間判定部、１０１゜１０５，１０９・・
・加算器、１０２．１１０・・・レジスタ、１０３，１
０８，１１１，１１３・・・乗算器、１０４・・・補数
器、１０６，１１２・・・除算器、１０７・・・カウン
タ、２００・・・ｐ　Ａ？ラメータメモリ、２０１・・
・絶対値回路、２０２，２０５・・・比較器、２０３゜
２０７．２０９・・・カウンタ、２１４，２１２゜２１
３・・・レジスタ、２０６・・・ＡＮＤ回路、２０８゜
２１０・・・減算器、２１１・・・加算器、２１４・・
・ブロックテーブル、１００・・・入力端子、２００・
・・周波数分析部、３００・・・対数変換部、４００・
・・音声区間予備決定部、５００・・・音声区間メモリ
部、６００・・・音声区間決定部、７００・・・スイク
トル変換部、ＳＯＯ・・・再サンプル部、９００・・・
距離演算部、１０００・・・標準パターンメモリ、１１
００・・・判定部、１２００・・・出力端子、１３００
・・・コンフユージ１ノテーブル、１４００・・・再切
シ出し信号。 特許出願人　沖電気工業株式会社 特許出願代理人　弁理士山本恵− 芥２凹 奉３コ 本４図 嶌５凹 ココ一■−−− 箪、７図 ＃ε回 本ｑ凹

Claims (2)

【特許請求の範囲】
1. （１）入力音声信号を周波数分析する周波数分析手段と
   、該手段の分析結果を対数変換する対数変換手段と、該
   手段に接続されるスペクトル変換手段及び音声区間決定
   手段と、前記スペクトル変換手段に接続され前記音声区
   間決定手段から与えられる始端及び終端の間で一定のデ
   ータ長に再サンプルして入力パターンを作成する再サン
   プル手段と、該手段からの入力パターンと予め設定され
   た標準パターンとの距離演算を行なう距離演算手段と、
   該手段の演算結果から距離最小の認識カテゴリを判定す
   る判定手段とを有する音声認識方式において、エラーを
   起こす確率の高い特定のカテゴリの組合わせを設定する
   コンフュージョンテーブルを設け、前記判定手段は距離
   最小の認識カテゴリと前記コンフュージョンテーブルの
   特定のカテゴリとを比較して、該当するカテゴリがある
   場合は前記音声区間決定手段に閾値レベルを基準レベル
   より低くして再度音声区間の決定を行なうように指示し
   、音声区間決定手段は低レベルで音声区間を決定するこ
   とを特徴とする音声認識方式。
2. （２）前記音声区間決定手段は、前記対数変換手段の出
   力データから得られるパワー情報と第１の閾値とを比較
   することにより音声区間の予備決定を行う音声区間予備
   決定手段と、該手段からの音声区間を記憶する音声区間
   記憶手段と、該手段の音声区間内で音声パターンからノ
   イズパターンを差し引いたパワーを演算する演算手段と
   、該手段からのパワー情報と第２の閾値とを比較するこ
   とにより音声区間フラッグを求めてスムージングを行な
   うスムージング手段と、該手段からの音声区間フラッグ
   と第３の閾値を比較することにより音声ブロック候補を
   求める手段と、該手段からの音声ブロック候補を用いて
   最大ブロックテーブルを参照しながら音声区間を決定す
   る音声区間決定手段とから構成されることを特徴とする
   特許請求の範囲第１項記載の音声認識方式。