音声認識装置、音声認識方法、および音声認識プログラムを記録した記録媒体

トップ :: G 物理学 :: G10 楽器;音響

【発明の名称】	音声認識装置、音声認識方法、および音声認識プログラムを記録した記録媒体
【発明者】	【氏名】中藤良久【氏名】金森丈郎【氏名】河村岳【氏名】芳澤伸一【氏名】山田麻紀
【要約】	【課題】入力音声のスペクトル特徴に応じて、周波数分解能を適応させる音声分析を行い、少ない特徴量でも効率的にスペクトル包絡の特徴を捉える音声認識装置、音声認識方法および音声認識プログラムを記録した記録媒体を提供する。【解決手段】アナログ音声信号を入力し（ステップＳ１０）、増幅し（Ｓ２０）、デジタル音声信号に変換する（Ｓ３０）。次に、フレーム毎に分割し（Ｓ４０）、大局的な周波数的特徴であるスペクトル傾斜を算出する（Ｓ５０）。そして、最適な周波数伸縮係数を求め（Ｓ６０）、周波数分解能を適応的に変化させたスペクトル包絡に対応した、適応線形予測係数を算出する（Ｓ７０）。次に、周波数重みと（Ｓ８０）、周波数軸を補正し（Ｓ９０）、適応線形予測係数を、ケプストラム係数に変換する（Ｓ１００）。次に、ケプストラム係数と複数の標準モデルとの間の類似度を算出し、音声認識結果として出力する（Ｓ１１０）。

【特許請求の範囲】
【請求項１】入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識装置であって、前記入力音声の周波数的特徴に基づいて、その周波数分解能を適応的に変化させた前記スペクトル包絡に対応する特徴量を算出する特徴量算出部と、前記特徴量を用いて、予め設定された複数の標準モデルとの間の類似度を算出し、最も前記類似度が大きい前記モデルを認識する音声認識部とを備える、音声認識装置。
【請求項２】前記特徴量算出部は、前記入力音声の前記周波数的特徴に基づいて、最適な周波数伸縮係数を算出し、前記周波数伸縮係数に基づいて、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項１に記載の音声認識装置。
【請求項３】前記特徴量算出部は、前記周波数的特徴として前記入力音声の大局的な特徴であるスペクトル傾斜を算出し、前記スペクトル傾斜に基づいて、前記周波数伸縮係数を算出する、請求項２に記載の音声認識装置。
【請求項４】前記特徴量算出部は、前記スペクトル傾斜に、さらに人間の聴覚的な性質である聴覚感度特性に対応した周波数上の重み付けを加えて、前記周波数伸縮係数を算出する、請求項３に記載の音声認識装置。
【請求項５】前記特徴量算出部は、前記スペクトル傾斜を、フーリエ変換を用いて算出することを特徴とする、請求項３に記載の音声認識装置。
【請求項６】前記特徴量算出部は、前記スペクトル傾斜を、前記入力音声のスペクトルの傾斜の度合いを表すパラメータの比で算出することを特徴とする、請求項３に記載の音声認識装置。
【請求項７】前記特徴量算出部は、前記パラメータの比として、０次の自己相関係数と１次の自己相関係数との比を用いることを特徴とする、請求項６に記載の音声認識装置。
【請求項８】前記特徴量算出部は、前記スペクトル傾斜を、フォルマント周波数とそのエネルギとを用いて算出することを特徴とする、請求項３に記載の音声認識装置。
【請求項９】前記特徴量算出部は、前記周波数伸縮係数に基づいて線形予測分析を行い、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項２に記載の音声認識装置。
【請求項１０】前記特徴量算出部は、前記周波数伸縮係数に基づいたオールパスフィルタを用いて、前記周波数分解能を適応的に変化させ、前記線形予測分析を行うことを特徴とする、請求項９に記載の音声認識装置。
【請求項１１】前記特徴量算出部は、前記特徴量をさらにケプストラム変換を用いて算出することを特徴とする、請求項９に記載の音声認識装置。
【請求項１２】前記特徴量算出部は、周波数重みを補正し、周波数軸を伸縮し補正した後、前記特徴量をさらにケプストラム変換を用いて算出することを特徴とする、請求項９に記載の音声認識装置。
【請求項１３】前記特徴量算出部は、前記周波数伸縮係数に基づいて周波数伸縮された周波数軸上でフィルタバンク分析を行い、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項２に記載の音声認識装置。
【請求項１４】前記音声認識部は、前記標準モデルを前記特徴量算出部で算出される前記特徴量を用いて予め設定する、請求項１に記載の音声認識装置。
【請求項１５】入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識方法であって、前記入力音声の周波数的特徴に基づいて、その周波数分解能を適応的に変化させた前記スペクトル包絡に対応する特徴量を算出する特徴量算出ステップと、前記特徴量を用いて、予め設定された複数の標準モデルとの間の類似度を算出し、最も前記類似度が大きい前記モデルを認識する音声認識ステップとを備える、音声認識方法。
【請求項１６】前記特徴量算出ステップは、前記入力音声の前記周波数的特徴に基づいて、最適な周波数伸縮係数を算出し、前記周波数伸縮係数に基づいて、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項１５に記載の音声認識方法。
【請求項１７】前記特徴量算出ステップは、前記周波数的特徴として前記入力音声の大局的な特徴であるスペクトル傾斜を算出し、前記スペクトル傾斜に基づいて、前記周波数伸縮係数を算出する、請求項１６に記載の音声認識方法。
【請求項１８】前記特徴量算出ステップは、前記スペクトル傾斜に、さらに人間の聴覚的な性質である聴覚感度特性に対応した周波数上の重み付けを加えて、前記周波数伸縮係数を算出する、請求項１７に記載の音声認識方法。
【請求項１９】前記特徴量算出ステップは、前記スペクトル傾斜を、フーリエ変換を用いて算出することを特徴とする、請求項１７に記載の音声認識方法。
【請求項２０】前記特徴量算出ステップは、前記スペクトル傾斜を、前記入力音声のスペクトルの傾斜の度合いを表すパラメータの比で算出することを特徴とする、請求項１７に記載の音声認識方法。
【請求項２１】前記特徴量算出ステップは、前記パラメータの比として、０次の自己相関係数と１次の自己相関係数との比を用いることを特徴とする、請求項２０に記載の音声認識方法。
【請求項２２】前記特徴量算出ステップは、前記スペクトル傾斜を、フォルマント周波数とそのエネルギとを用いて算出することを特徴とする、請求項１７に記載の音声認識方法。
【請求項２３】前記特徴量算出ステップは、前記周波数伸縮係数に基づいて線形予測分析を行い、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項１６に記載の音声認識方法。
【請求項２４】前記特徴量算出ステップは、前記周波数伸縮係数に基づいたオールパスフィルタを用いて、前記周波数分解能を適応的に変化させ、前記線形予測分析を行うことを特徴とする、請求項２３に記載の音声認識方法。
【請求項２５】前記特徴量算出ステップは、前記特徴量をさらにケプストラム変換を用いて算出することを特徴とする、請求項２３に記載の音声認識方法。
【請求項２６】前記特徴量算出ステップは、周波数重みを補正し、周波数軸を伸縮し補正した後、前記特徴量をさらにケプストラム変換を用いて算出することを特徴とする、請求項２３に記載の音声認識方法。
【請求項２７】前記特徴量算出ステップは、前記周波数伸縮係数に基づいて周波数伸縮された周波数軸上でフィルタバンク分析を行い、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項１６に記載の音声認識方法。
【請求項２８】前記音声認識ステップは、前記標準モデルを前記特徴量算出ステップで算出される前記特徴量を用いて予め設定する、請求項１５に記載の音声認識方法。
【請求項２９】入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識プログラムを記録した記録媒体であって、前記入力音声の周波数的特徴に基づいて、その周波数分解能を適応的に変化させた前記スペクトル包絡に対応する特徴量を算出する特徴量算出ステップと、前記特徴量を用いて、予め設定された複数の標準モデルとの間の類似度を算出し、最も前記類似度が大きい前記モデルを認識する音声認識ステップとを備える、音声認識プログラムを記録した記録媒体。
【請求項３０】前記特徴量算出ステップは、前記入力音声の前記周波数的特徴に基づいて、最適な周波数伸縮係数を算出し、前記周波数伸縮係数に基づいて、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項２９に記載の音声認識プログラムを記録した記録媒体。
【請求項３１】前記特徴量算出ステップは、前記周波数的特徴として前記入力音声の大局的な特徴であるスペクトル傾斜を算出し、前記スペクトル傾斜に基づいて、前記周波数伸縮係数を算出する、請求項３０に記載の音声認識プログラムを記録した記録媒体。
【請求項３２】前記特徴量算出ステップは、前記スペクトル傾斜に、さらに人間の聴覚的な性質である聴覚感度特性に対応した周波数上の重み付けを加えて、前記周波数伸縮係数を算出する、請求項３１に記載の音声認識プログラムを記録した記録媒体。
【請求項３３】前記特徴量算出ステップは、前記スペクトル傾斜を、フーリエ変換を用いて算出することを特徴とする、請求項３１に記載の音声認識プログラムを記録した記録媒体。
【請求項３４】前記特徴量算出ステップは、前記スペクトル傾斜を、前記入力音声のスペクトルの傾斜の度合いを表すパラメータの比で算出することを特徴とする、請求項３１に記載の音声認識プログラムを記録した記録媒体。
【請求項３５】前記特徴量算出ステップは、前記パラメータの比として、０次の自己相関係数と１次の自己相関係数との比を用いることを特徴とする、請求項３４に記載の音声認識プログラムを記録した記録媒体。
【請求項３６】前記特徴量算出ステップは、前記スペクトル傾斜を、フォルマント周波数とそのエネルギとを用いて算出することを特徴とする、請求項３１に記載の音声認識プログラムを記録した記録媒体。
【請求項３７】前記特徴量算出ステップは、前記周波数伸縮係数に基づいて線形予測分析を行い、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項３０に記載の音声認識プログラムを記録した記録媒体。
【請求項３８】前記特徴量算出ステップは、前記周波数伸縮係数に基づいたオールパスフィルタを用いて、前記周波数分解能を適応的に変化させ、前記線形予測分析を行うことを特徴とする、請求項３７に記載の音声認識プログラムを記録した記録媒体。
【請求項３９】前記特徴量算出ステップは、前記特徴量をさらにケプストラム変換を用いて算出することを特徴とする、請求項３７に記載の音声認識プログラムを記録した記録媒体。
【請求項４０】前記特徴量算出ステップは、周波数重みを補正し、周波数軸を伸縮し補正した後、前記特徴量をさらにケプストラム変換を用いて算出することを特徴とする、請求項３７に記載の音声認識プログラムを記録した記録媒体。
【請求項４１】前記特徴量算出部は、前記周波数伸縮係数に基づいて周波数伸縮された周波数軸上でフィルタバンク分析を行い、前記周波数分解能を適応的に変化させた前記スペクトル包絡に対応する前記特徴量を算出する、請求項３０に記載の音声認識装置。
【請求項４２】前記音声認識ステップは、前記標準モデルを前記特徴量算出ステップで算出される前記特徴量を用いて予め設定する、請求項２９に記載の音声認識プログラムを記録した記録媒体。

【発明の詳細な説明】【０００１】
【発明の属する技術分野】本発明は、音声認識に関し、より特定的には入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識方法および音声認識装置に関する。
【０００２】
【従来の技術】従来、音声を機械やコンピュータに自動的に認識させる音声認識は、入力音声と標準モデルとの比較を用いて行われる。この比較方法は、予め基準となる音声データを用いて音韻あるいは単語毎の標準モデルが作成される。そして、入力音声を一定周期毎に抽出した時系列が分解されることによりスペクトル包絡が算出される。次に、上記スペクトル包絡に対応する特徴量が求められ、上記標準モデルとの類似度が計算され、この類似度が最も大きい上記標準モデルに対応する音韻あるいは単語が検出される。入力音声波形そのものを比較しないのは、その情報量が多いことや、入力音声波形の位相情報は伝送系や録音系により変化しやすい等からである。なお、上記標準モデルとの類似度を算出する方法としては、ＨＭＭ（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ：隠れマルコフモデル）やＤＰマッチング（ＤｙｎａｍｉｃＰｒｏｇｒａｍｍｉｎｇＭａｔｃｈｉｎｇ：動的計画法）等が用いられる。
【０００３】上記スペクトル包絡の特徴量を抽出する方法は、様々な方法が考えられているが、その一つとしてケプストラム（Ｃｅｐｓｔｒｕｍ）分析がある。このケプストラム分析は、入力音声信号をＤＦＴ（ＤｉｓｃｒｅｔｅＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ：離散フーリエ変換）やバンドパスフィルタバンク等により一定周期の長さ（以下、フレームとする）毎のパワースペクトルに変換し、このパワースペクトルの対数を逆フーリエ（Ｆｏｕｒｉｅｒ）変換することにより、上記特徴量としてケプストラム係数を算出する。
【０００４】さらに、上記スペクトル包絡の特徴量を抽出する別の方法として、ＬＰＣ（ＬｉｎｅａｒＰｒｅｄｉｃｔｉｖｅＣｏｄｉｎｇ：線形予測符号化）分析がある。このＬＰＣ分析は、入力音声信号の時系列を線形予測分析することによりフレーム毎の線形予測係数に変換する方法である。この線形予測係数からＬＰＣケプストラム係数を算出し、このＬＰＣケプストラム係数を用いて、音声認識を行う。また、上記ＬＰＣケプストラム係数を、メル（ｍｅｌ）スケールの周波数軸上での線形予測分析により算出されるメルＬＰＣケプストラム係数を用いて、音声認識を行う方法もある。
【０００５】
【発明が解決しようとする課題】ところで、上述した音声認識で用いられる上記スペクトル包絡の特徴量を抽出する方法は、入力音声に対する周波数分解能が一定である場合が多く、その場合、少ない特徴量では十分な音声認識ができない場合があった。例えば、上記ケプストラム係数は、ＤＦＴやバンドパスフィルタバンク分析等から求められているが、その周波数分解能は一定である。また、上記ＬＰＣケプストラム係数も、通常の線形予測分析を用いて求められているため、同様にその周波数分解能は一定である。一方、メルスケールの周波数軸上での線形予測分析により算出される上記メルＬＰＣケプストラム係数については、低域側の周波数分解能を固定して向上させているため、高域側の周波数分解能は低下しており、高域側にスペクトル包絡の特徴を持つ音声等に対しては、十分に認識できない場合があった。また、周波数伸縮されたフィルタを用いたメルフィルタバンク分析により求められたメルケプストラム係数を用いる方法もあるが、上記メルＬＰＣケプストラム係数と同様に、高域側の周波数分解能は低下しており、高域側にスペクトル包絡の特徴を持つ音声等に対しては、十分に認識できない場合があった。
【０００６】それ故に、本発明の目的は、入力音声のスペクトルの特徴に応じて、その周波数分解能を適応させる音声分析を行い、少ない特徴量でも効率的にスペクトル包絡の特徴を捉え、少ない処理量で高い認識性能を実現できる音声認識方法および音声認識装置を提供することである。
【０００７】
【課題を解決するための手段および発明の効果】上記目的を達成するために、本発明は、以下に述べるような特徴を有している。第１の発明は、入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識装置であって、入力音声の周波数的特徴に基づいて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する特徴量算出部と、特徴量を用いて、予め設定された複数の標準モデルとの間の類似度を算出し、最も類似度が大きいモデルを認識する音声認識部とを備える。
【０００８】第１の発明によれば、入力音声の周波数的特徴に応じて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出するため、少ない上記特徴量でも効率的に上記スペクトル包絡を捉えることが可能である。さらに、上記特徴量を音声認識に用いることで、従来よりも少ない上記特徴量で高い音声認識性能を実現することができる。
【０００９】第２の発明は、第１の発明に従属する発明であって、特徴量算出部は、入力音声の周波数的特徴に基づいて、最適な周波数伸縮係数を算出し、周波数伸縮係数に基づいて、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００１０】第２の発明によれば、入力音声の周波数的特徴に基づいて、最適な周波数伸縮係数を算出することにより、上記周波数的特徴に合わせた周波数の伸縮を行うことができるので、上記周波数的特徴に合わせてその周波数分解能を上げ、音声分析することができる。
【００１１】第３の発明は、第２の発明に従属する発明であって、特徴量算出部は、周波数的特徴として入力音声の大局的な特徴であるスペクトル傾斜を算出し、スペクトル傾斜に基づいて、周波数伸縮係数を算出する。
【００１２】第３の発明によれば、周波数的特徴として入力音声の大局的な特徴であるスペクトル傾斜を算出することにより、上記入力音声の周波数領域での全体的なエネルギ形状を求めることができるので、上記エネルギピークに合わせた周波数伸縮を行うことができる。
【００１３】第４の発明は、第３の発明に従属する発明であって、特徴量算出部は、スペクトル傾斜に、さらに人間の聴覚的な性質である聴覚感度特性に対応した周波数上の重み付けを加えて、周波数伸縮係数を算出する。
【００１４】第４の発明によれば、人間の聴覚上重要である低い周波数帯域側の周波数分解能を上げて音声分析することを可能とし、第３の発明に人間の聴覚的性質を加えた音声分析を行うことができる。
【００１５】第５の発明は、第３の発明に従属する発明であって、特徴量算出部は、スペクトル傾斜を、フーリエ変換を用いて算出することを特徴とする。
【００１６】第５の発明によれば、フーリエ変換により、上記入力音声を周波数分析した際の周波数領域で最も大きなエネルギを持つ周波数帯域を算出することができ、その中心周波数を用いて、簡単な計算で最適な周波数伸縮係数を求めることができる。
【００１７】第６の発明は、第３の発明に従属する発明であって、特徴量算出部は、スペクトル傾斜を、入力音声のスペクトルの傾斜の度合いを表すパラメータの比で算出することを特徴とする。
【００１８】第６の発明によれば、既に公知である音声スペクトルの傾斜の度合いを表すパラメータの比でスペクトル傾斜を求めるため、上記スペクトル傾斜の算出にあたっては、既に公知のパラメータを利用し容易に算出することができる。
【００１９】第７の発明は、第６の発明に従属する発明であって、特徴量算出部は、パラメータの比として、０次の自己相関係数と１次の自己相関係数との比を用いることを特徴とする。
【００２０】第７の発明によれば、入力音声のスペクトルから、既に公知の方法を用いて０次の自己相関係数と１次の自己相関係数との比を算出するため、容易にスペクトル傾斜を算出することができる。
【００２１】第８の発明は、第３の発明に従属する発明であって、特徴量算出部は、スペクトル傾斜を、フォルマント周波数とそのエネルギとを用いて算出することを特徴とする。
【００２２】第８の発明によれば、入力音声のスペクトルから、既に公知の方法を用いてフォルマント周波数とそのエネルギとを算出した後、上記フォルマント周波数の平均周波数を算出したり、最も上記エネルギが大きい上記フォルマント周波数を抽出したりすることで、容易にスペクトル傾斜を求めることができる。
【００２３】第９の発明は、第２の発明に従属する発明であって、特徴量算出部は、周波数伸縮係数に基づいて線形予測分析を行い、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００２４】第９の発明によれば、線形予測分析により、上記スペクトル包絡に対応した特徴量を算出するため、人間の聴覚の特性とも一致するスペクトルのピークを包絡することができるため、合理的にスペクトル包絡を表すことができる。
【００２５】第１０の発明は、第９の発明に従属する発明であって、特徴量算出部は、周波数伸縮係数に基づいたオールパスフィルタを用いて、周波数分解能を適応的に変化させ、線形予測分析を行うことを特徴とする。
【００２６】第１０の発明によれば、周波数伸縮係数に応じて、オールパスフィルタの周波数特性を設定することにより、周波数分解能を、低域側の周波数分解能を上げたり高域側の周波数分解能を上げたりするように適応的に変化させることができる。
【００２７】第１１の発明は、第９の発明に従属する発明であって、特徴量算出部は、特徴量をさらにケプストラム変換を用いて算出することを特徴とする。
【００２８】第１１の発明によれば、さらにケプストラム変換を用いることにより、容易にスペクトル包絡の特徴量を算出することができる。
【００２９】第１２の発明は、第９の発明に従属する発明であって、特徴量算出部は、周波数重みを補正し、周波数軸を伸縮し補正した後、特徴量をさらにケプストラム変換を用いて算出することを特徴とする。
【００３０】第１２の発明によれば、特徴量算出部で重畳される周波数重みを補正し、周波数軸を伸縮し補正した後、さらにケプストラム変換により特徴量を算出することにより、上記特徴量を従来の方法で算出した特徴量と同様に取り扱うことができる。
【００３１】第１３の発明は、第１の発明に従属する発明であって、特徴量算出部は、周波数伸縮係数に基づいて周波数伸縮された周波数軸上でフィルタバンク分析を行い、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００３２】第１３の発明によれば、周波数伸縮された周波数軸上でフィルタバンク分析を行うため、フィルタバンクを最適に設定することにより、上記周波数に対してリニアな周波数分解能の重み付けだけではなく、特定の周波数帯域に対してその分解能を上げたり、複数の上記周波数帯域に対してその分解能を上げる等、様々な形で重み付けを行うことができる。
【００３３】第１４の発明は、第１の発明に従属する発明であって、音声認識部は、標準モデルを特徴量算出部で算出される特徴量を用いて予め設定する。
【００３４】第１４の発明によれば、標準モデルの特徴量も本発明の音声分析により算出することにより、上記標準モデルも少ない上記特徴量でも効率的に上記スペクトル包絡を捉えることが可能となり、少ない上記特徴量でさらに高い音声認識性能を実現することができる。
【００３５】第１５の発明は、入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識方法であって、入力音声の周波数的特徴に基づいて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する特徴量算出ステップと、特徴量を用いて、予め設定された複数の標準モデルとの間の類似度を算出し、最も類似度が大きいモデルを認識する音声認識ステップとを備える。
【００３６】第１６の発明は、第１５の発明に従属する発明であって、特徴量算出ステップは、入力音声の周波数的特徴に基づいて、最適な周波数伸縮係数を算出し、周波数伸縮係数に基づいて、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００３７】第１７の発明は、第１６の発明に従属する発明であって、特徴量算出ステップは、周波数的特徴として入力音声の大局的な特徴であるスペクトル傾斜を算出し、スペクトル傾斜に基づいて、周波数伸縮係数を算出する。
【００３８】第１８の発明は、第１７の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜に、さらに人間の聴覚的な性質である聴覚感度特性に対応した周波数上の重み付けを加えて、周波数伸縮係数を算出する。
【００３９】第１９の発明は、第１７の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜を、フーリエ変換を用いて算出することを特徴とする。
【００４０】第２０の発明は、第１７の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜を、入力音声のスペクトルの傾斜の度合いを表すパラメータの比で算出することを特徴とする。
【００４１】第２１の発明は、第２０の発明に従属する発明であって、特徴量算出ステップは、パラメータの比として、０次の自己相関係数と１次の自己相関係数との比を用いることを特徴とする。
【００４２】第２２の発明は、第１７の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜を、フォルマント周波数とそのエネルギとを用いて算出することを特徴とする。
【００４３】第２３の発明は、第１６の発明に従属する発明であって、特徴量算出ステップは、周波数伸縮係数に基づいて線形予測分析を行い、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００４４】第２４の発明は、第２３の発明に従属する発明であって、特徴量算出ステップは、周波数伸縮係数に基づいたオールパスフィルタを用いて、周波数分解能を適応的に変化させ、線形予測分析を行うことを特徴とする。
【００４５】第２５の発明は、第２３の発明に従属する発明であって、特徴量算出ステップは、特徴量をさらにケプストラム変換を用いて算出することを特徴とする。
【００４６】第２６の発明は、第２３の発明に従属する発明であって、特徴量算出ステップは、周波数重みを補正し、周波数軸を伸縮し補正した後、特徴量をさらにケプストラム変換を用いて算出することを特徴とする。
【００４７】第２７の発明は、第１６の発明に従属する発明であって、特徴量算出ステップは、周波数伸縮係数に基づいて周波数伸縮された周波数軸上でフィルタバンク分析を行い、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００４８】第２８の発明は、第１５の発明に従属する発明であって、音声認識ステップは、標準モデルを特徴量算出ステップで算出される特徴量を用いて予め設定する。
【００４９】第２９の発明は、入力音声のスペクトル包絡を表す特徴量を用いて認識を行う音声認識プログラムを記録した記録媒体であって、入力音声の周波数的特徴に基づいて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する特徴量算出ステップと、特徴量を用いて、予め設定された複数の標準モデルとの間の類似度を算出し、最も類似度が大きいモデルを認識する音声認識ステップとを備える。
【００５０】第３０の発明は、第２９の発明に従属する発明であって、特徴量算出ステップは、入力音声の周波数的特徴に基づいて、最適な周波数伸縮係数を算出し、周波数伸縮係数に基づいて、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００５１】第３１の発明は、第３０の発明に従属する発明であって、特徴量算出ステップは、周波数的特徴として入力音声の大局的な特徴であるスペクトル傾斜を算出し、スペクトル傾斜に基づいて、周波数伸縮係数を算出する。
【００５２】第３２の発明は、第３１の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜に、さらに人間の聴覚的な性質である聴覚感度特性に対応した周波数上の重み付けを加えて、周波数伸縮係数を算出する。
【００５３】第３３の発明は、第３１の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜を、フーリエ変換を用いて算出することを特徴とする。
【００５４】第３４の発明は、第３１の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜を、入力音声のスペクトルの傾斜の度合いを表すパラメータの比で算出することを特徴とする。
【００５５】第３５の発明は、第３４の発明に従属する発明であって、特徴量算出ステップは、パラメータの比として、０次の自己相関係数と１次の自己相関係数との比を用いることを特徴とする。
【００５６】第３６の発明は、第３１の発明に従属する発明であって、特徴量算出ステップは、スペクトル傾斜を、フォルマント周波数とそのエネルギとを用いて算出することを特徴とする。
【００５７】第３７の発明は、第３０の発明に従属する発明であって、特徴量算出ステップは、周波数伸縮係数に基づいて線形予測分析を行い、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００５８】第３８の発明は、第３７の発明に従属する発明であって、特徴量算出ステップは、周波数伸縮係数に基づいたオールパスフィルタを用いて、周波数分解能を適応的に変化させ、線形予測分析を行うことを特徴とする。
【００５９】第３９の発明は、第３７の発明に従属する発明であって、特徴量算出ステップは、特徴量をさらにケプストラム変換を用いて算出することを特徴とする。
【００６０】第４０の発明は、第３７の発明に従属する発明であって、特徴量算出ステップは、周波数重みを補正し、周波数軸を伸縮し補正した後、特徴量をさらにケプストラム変換を用いて算出することを特徴とする。
【００６１】第４１の発明は、第３０の発明に従属する発明であって、特徴量算出部は、周波数伸縮係数に基づいて周波数伸縮された周波数軸上でフィルタバンク分析を行い、周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出する。
【００６２】第４２の発明は、第２９の発明に従属する発明であって、音声認識ステップは、標準モデルを特徴量算出ステップで算出される特徴量を用いて予め設定する。
【００６３】
【発明の実施の形態】（第１の実施形態）図１～図４は、本発明の第１の実施形態に係る音声認識装置を示す図である。なお、図１は当該音声認識装置の回路ブロック図であり、図２は当該音声認識装置の全体の動作を示すフローチャート、図３は図２で示されたフローチャートのサブルーチンであり、図４はオールパスフィルタの周波数特性図である。以下、図１～図４を参照して、第１の実施形態について説明する。
【００６４】図１において、当該音声認識装置は、音声入力装置１、アンプ２、アナログデジタルコンバータ（以下ＡＤＣと称す）３、ＣＰＵ４、ＲＯＭ５、ＲＡＭ６を備えている。なお、ＣＰＵ４は、デジタルシグナルプロセッサ（ＤＳＰ）でもかまわない。
【００６５】音声入力装置１は、例えばマイクなどで構成され、入力されたアナログ音声信号をアンプ２に送る。アンプ２では、上記アナログ音声信号を増幅し、ＡＤＣ３に出力する。ＡＤＣ３は、増幅された上記アナログ音声信号をデジタル音声信号に変換し、ＣＰＵ４に送る。ＲＯＭ５は、後述する音声分析プログラムや音声標準モデル等を記憶しており、そのプログラムをＲＡＭ６に展開する。また、ＲＡＭ６は、音声分析や音声認識等のワークエリアとして使われる。ＣＰＵ４は、上記デジタル音声信号を音声認識し、結果をディスプレイ（図示せず）等に出力する。
【００６６】次に、当該音声認識装置の全体の動作について、フローチャートを用いて説明する。なお、各ステップの詳細については後述で説明する。図２において、音声入力装置１は、音声をアナログ音声信号として入力し（ステップＳ１０）、アンプ２で、上記アナログ音声信号を増幅する（ステップＳ２０）。次に、ＡＤＣ３は、増幅されたアナログ音声信号をデジタル音声信号に変換する（ステップＳ３０）。そして、ＣＰＵ４は、上記デジタル音声信号を一定周期の長さ（以下フレームとする）毎に分割し（ステップＳ４０）、上記フレーム毎に入力されたデジタル音声信号の大局的な周波数的特徴であるスペクトル傾斜を算出する（ステップＳ５０）。次に、ＣＰＵ４は、ステップＳ５０で算出された上記スペクトル傾斜から、最適な周波数伸縮係数を求める（ステップＳ６０）。そして、ＣＰＵ４は、上記デジタル音声信号とステップＳ６０で算出された上記周波数伸縮係数とに基づいて、周波数分解能を適応的に変化させたスペクトル包絡に対応した線形予測係数（以下、適応線形予測係数とする）を算出する（ステップＳ７０）。次に、ＣＰＵ４は、上記適応線形予測係数に重畳されている周波数重み特性を補正し（ステップＳ８０）、上記適応線形予測係数の周波数軸を補正する（ステップＳ９０）。そして、ＣＰＵ４は、ステップＳ８０およびＳ９０で補正された上記適応線形予測係数を、ケプストラム（Ｃｅｐｓｔｒｕｍ）係数に変換する（ステップＳ１００）。最後に、ＣＰＵ４は、ステップＳ１００で算出された上記ケプストラム係数と、ＲＯＭ５に予め記憶された単語や音韻等の複数の標準モデルとの間の類似度を算出し、最も類似度の大きい単語や音韻を検出し、音声認識結果として出力する（ステップＳ１１０）。
【００６７】次に、ステップＳ５０以降について当該音声認識装置の詳細な動作を説明する。ステップＳ５０では、ＣＰＵ４は、フレーム毎に分解されたデジタル音声信号から、そのフレーム毎の音声の大局的な周波数的特徴であるスペクトル傾斜を算出する。ここで、上記スペクトル傾斜とは、上記フレーム内の周波数領域での全体的なスペクトル形状であり、上記フレーム内の音声信号の時系列を周波数分析することにより求めることができる。例えば、上記スペクトル傾斜は、周波数低域側にエネルギが大きく周波数高域側にエネルギが小さい周波数軸上の右下がりや、逆の右上がりや、ある周波数帯域にエネルギのピークを持った場合等がある。
【００６８】上記スペクトル傾斜を求める方法としては、バンドパスフィルタを用いる方法がある。この方法は、入力されたデジタル音声信号を複数のバンドパスフィルタに通し、各フィルタの出力を分析することにより、各フィルタに対応する周波数帯域のエネルギが算出できるので、上記エネルギから上記スペクトル傾斜を算出することができる。
【００６９】また、上記スペクトル傾斜を求める別の方法として、フーリエ（Ｆｏｕｒｉｅｒ）変換を用いる方法もある。この方法は、入力されたデジタル音声信号の時系列をフーリエ変換することにより上記デジタル音声信号の周波数成分を算出し、各成分の大きさから上記スペクトル傾斜を算出することが可能である。このような方法の他にも、上記スペクトル傾斜を求める方法は考えられるが、ここではどのような方法を用いてもかまわない。
【００７０】次に、ステップＳ６０の動作について説明する。ＣＰＵ４は、上述したステップＳ５０で算出された上記スペクトル傾斜として、ある周波数領域でのスペクトルの傾きｔが与えられた場合、最適周波数伸縮係数αを、変換関数ｆ（ｔ）を用いて次のように算出する。α＝ｆ（ｔ）＋α₀ここで、α₀はバイアス値で、人間の聴覚的な性質である聴覚感度特性に基づいて、低域側の周波数分解能を上げるために設けられた重み付けのための値である。
【００７１】上記変換関数ｆ（ｔ）としては、例えば、最も単純な１次関数として、α＝－ａ・ｔ＋α₀が考えられる。ここで、ａは上記最適周波数伸縮係数αの大きさを制御する感度係数である。
【００７２】一方、上述したステップＳ５０でフーリエ変換等を用いて、上記スペクトル傾斜が周波数成分として算出された場合について説明する。ＣＰＵ４は、ステップＳ５０で、入力されたデジタル音声信号の時系列をフーリエ変換することにより上記デジタル音声信号の周波数成分を算出し、その周波数領域の中で最も大きなエネルギを持つ周波数帯域を算出している。上記周波数帯域の中心周波数をｆとすると、最適周波数伸縮係数αは、 α＝ａ・｛１－（２・ｆ／ｆ_n）｝＋α₀・・・・・・（１）
で算出することができる。ここで、ａは上記最適周波数伸縮係数αの大きさを制御する感度係数で、ｆ_nはナイキスト（Ｎｙｑｕｉｓｔ）周波数である。また、α₀は、前述と同様に、バイアス値で、人間の聴覚的な性質である聴覚感度特性に基づいて、低域側の周波数分解能を上げるために設けられた重み付けのための値である。なお、式（１）を用いて上記最適周波数伸縮係数αを算出する方法の他にも、上記フーリエ変換等によって算出された周波数成分を用いて上記最適周波数伸縮係数αを求める方法は考えられるが、ここではどのような方法を用いてもかまわない。このようにして、ステップＳ６０で、ＣＰＵ４は、最適周波数伸縮係数αを算出する。
【００７３】次に、ステップＳ７０の動作について説明する。なお、図３はステップＳ７０のサブルーチンを示すフローチャートを示し、図４はオールパスフィルタの周波数特性図である。以下、図３および図４を参照して、ステップＳ７０の説明を行う。
【００７４】図３において、ＣＰＵ４は、上記デジタル音声信号を入力信号として、長さＮの有限長波形ｘ（ｎ）｛ｎ＝０、…、Ｎ－１｝を得る（ステップＳ７１）。次に、ＣＰＵ４は、上記入力信号ｘ（ｎ）をｉ段のオールパスフィルターに通す（ステップＳ７２）。ここで、上記オールパスフィルタは、次の式で表される。
【数１】

ただし、ｚは、ｚ変換の演算子を表し、ｚ^-1は単位遅延である。また、αは前述したステップＳ６０で算出された最適周波数伸縮係数である。なお、上記オールパスフィルタで置き換えた予測モデルは、【数２】

を用いる。ここで、【数３】

は適応線形予測係数であり、ｐは上記スペクトル包絡の特徴量の次元数である。
【００７５】図４は、このようにして設定された上記オールパスフィルタの周波数特性図である。図４において、グラフの横軸は変換前の周波数軸で、縦軸は変換後の周波数軸を表している。このグラフは、最適周波数伸縮係数αに応じた変換前後の周波数特性を示しており、α＝－０．５からα＝０．８まで０．１単位で、最適周波数伸縮係数αを変化させた場合の上記周波数特性を示している。図４から、最適周波数伸縮係数αが正の場合、変換後の周波数特性は低周波数帯域が伸び、高周波数帯域が縮んでいることがわかる。また、最適周波数伸縮係数αが負の場合、変換後の周波数特性は高周波数帯域が伸び、低周波数帯域が縮んでいることがわかる。このように、最適周波数伸縮係数αを±１．０の範囲で変化させることにより、上記オールパスフィルタは、最適周波数伸縮係数αが正の場合、低域側の分解能を向上させ、最適周波数伸縮係数αが負の場合、高域側の分解能を向上させる変換を行うことができる。
【００７６】次に、ＣＰＵ４は、上記入力信号ｘ（ｎ）をｉ段の上記オールパスフィルタに通すことにより、出力信号ｙ_i（ｎ）を算出する（ステップＳ７３）。この出力信号ｙ_i（ｎ）は、以下の式で表される。
【数４】

ここで、出力信号ｙ₀（ｎ）は、上記オールパスフィルタを通していない信号を表しているので、ｙ₀（ｎ）＝ｘ（ｎ）・・・・・・（２）
である。
【００７７】次に、ＣＰＵ４は、出力波形ｙ_i（ｎ）の予想値を、線形結合で算出する（ステップＳ７４）。ここで、上記出力波形ｙ_i（ｎ）の予想値は、次の式で表される。
【数５】

【００７８】次に、ＣＰＵ４は、ステップＳ７１で算出された上記予想値と上記デジタル音声信号との誤差を、全２乗予測誤差で評価する（ステップＳ７５）。まず、ＣＰＵ４は、上記入力信号ｘ（ｎ）に対する上記予想値の予測誤差を、無限区間に亘る全２乗予測誤差δで評価する。ここで、説明を簡単にするために、上記式（２）により上記入力信号ｘ（ｎ）をｙ₀（ｎ）に置き換えると、全２乗予測誤差δは、【数６】

で算出される。また、全２乗予測誤差δを最小とする上記適応線形予測係数は、次のような連立方程式で表される。
【数７】

ここで、φ_ijは、無限長波形ｙ_i（ｎ）とｙ_j（ｎ）との共分散であるが、パーセバル（Ｐａｒｓｅｖａｌ）の定理および上記オールパスフィルタをフーリエ変換した周波数軸上の表現を用いることにより、次のような有限回の積和演算で与えられる。
【数８】

ここで、式（４）により、φ_ijは自己相関関数の性質を持っていることが分かるため、φ_ij＝ｒ（ｉ－ｊ）とおくと、全極フィルタ【数９】

の安定性も保証される。
【００７９】次に、ＣＰＵ４は、上記自己相関関数φ_ijを用いて、既に公知のアルゴリズム（例えば、Ｄｕｒｂｉｎの方法）等により、上記連立方程式（３）を解くことにより、上記適応線形予測係数を算出する（ステップＳ７６）。
【００８０】なお、式（４）は、その中辺で示される本来無限回の計算が必要である式が、その右辺で示される有限回の計算で終了する式になるため、膨大な計算量を必要としない。また、この式（４）の計算は、無限回の演算の代わりに有限回の演算で打ち切る処理として従来行われていた波形の打ち切り等の近似を必要とせず、その誤差も発生しない。したがって、本実施形態では、従来の自己相関係数の計算量に対して、数倍の計算量で算出することが可能であり、波形の打ち切り等に伴う誤差を削除することができる。
【００８１】次に、図２における、ステップＳ８０の動作について説明する。ＣＰＵ４は、上記適応線形予測係数に重畳されている周波数重みを除去する（ステップＳ８０）。当該実施形態では、上記適応線形予測係数には、推定スペクトルの周波数重み【数１０】

が重畳されている。ここでは、上記周波数重みを除去するために、ＦＩＲ（ＦｉｎｉｔｅＩｍｐｕｌｓｅＲｅｓｐｏｎｓｅ：有限インパルス応答形）フィルタが用いられる。なお、上記ＦＩＲフィルタの特性は、以下の式で表される。
｜Ｗ（ｚ）・Ｗ（ｚ^-1）｜^-1すなわち、ＣＰＵ４は、上記ＦＩＲフィルタを用いて、上記適応線形予測係数から上記周波数重みを除去し、ステップＳ９０に進む。
【００８２】次に、ＣＰＵ４は、ステップＳ８０で上記周波数重みが除去された適応線形予測係数の周波数軸を補正する（ステップＳ９０）。ここで、上記適応線形予測係数は、上述したステップＳ７０で、その周波数軸が周波数伸縮係数αに応じて伸縮されている。したがって、後述する標準モデルとの類似度を算出するために、ＣＰＵ４は、上記適応線形予測係数の周波数軸を、上記標準モデルの周波数軸と合致するように変換する。すなわち、ＣＰＵ４は、周波数伸縮係数αに応じて伸縮された周波数軸を、一定間隔の周波数軸に変換する。ここでは、上記変換の方法として、既に公知のオッペンハイム（Ｏｐｐｅｎｈｅｉｍ）の漸化式によるメル変換を用いて、周波数軸の正規化を行う。上記変換の周波数伸縮係数α_Cは、次のように求められる。
α_C＝（α_T－α）／（１－α・α_T）
ここで、α_Tは、当該分析手法全体の周波数伸縮の度合いを決定する値で、音声サンプリング周波数に応じた値を設定する。本発明者は、上記サンプリング周波数が８ｋＨｚではα_T＝０．３１、１０ｋＨｚではα_T＝０．３５、１２ｋＨｚではα_T＝０．４１、１６ｋＨｚではα_T＝０．４５に設定し、上記正規化を行っている。
【００８３】次に、ステップＳ１００の動作について説明する。図１において、ＣＰＵ４は、上述したように周波数重みと周波数軸とが補正された適応線形予測係数に対して、ケプストラム変換を行い、適応ＬＰＣ（ＬｉｎｅａｒＰｒｅｄｉｃｔｉｖｅＣｏｄｉｎｇ：線形予測符号化）ケプストラム係数を算出する（ステップＳ１００）。上記適応ＬＰＣケプストラム係数への変換方法は、既に公知であり、ＣＰＵ４は、上記適応線形予測係数を通常の線形予測係数と同じように扱うことにより、上記適応ＬＰＣケプストラム係数に変換することができる。
【００８４】次に、ＣＰＵ４は、算出された上記適応ＬＰＣケプストラム係数と予めＲＯＭ５に記憶された単語や音韻等の複数の標準モデルとの間の類似度を算出することにより、最も類似度の大きい単語や音韻を認識し（ステップＳ１１０）、その結果を音声認識データとして出力する。
【００８５】上記標準モデルを用いた類似度の算出方法としては、既に公知のＨＭＭ（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ：隠れマルコフモデル）やＤＰマッチング（ＤｙｎａｍｉｃＰｒｏｇｒａｍｍｉｎｇＭａｔｃｈｉｎｇ：動的計画法）等を用いる。上記ＨＭＭは、予め個人差による音韻や単語の特徴量の時系列を学習し、入力音声が上記時系列に確率値としてどのくらい近いかを捉えて認識する方法である。なお、当該実施形態では、上記ＨＭＭの特徴量の時系列は、上述した音声分析方法と同様に算出された適応ＬＰＣケプストラム係数を用いて算出され、標準モデルとしてＲＯＭ５に記憶させる。これは、同じ音声分析方法で算出したスペクトル包絡の特徴量同士で類似度を算出することにより、より高い音声認識性能を導くためである。
【００８６】一方、上記ＤＰマッチングは、予め決定した対応付けの規則に従って、音声パターン間の時間軸を整合し、時間的特徴量の時系列を正規化できる手法である。上述同様に、当該実施形態では、上記ＤＰマッチングモデルの特徴量の時系列は、上述した音声分析方法と同様に算出された適応ＬＰＣケプストラム係数を用いて算出され、標準モデルとしてＲＯＭ５に記憶させる。これも、同じ音声分析方法で算出したスペクトル包絡の特徴量同士で類似度を算出することにより、より高い音声認識性能を導くためである。なお、他の上記標準モデルとして、複数の認識対象語彙毎の特徴量の時系列の中の代表的な特徴量の時系列等をモデルとしてもかまわず、当該実施形態では、多種の標準モデルに対応することができる。
【００８７】なお、上記標準モデルとの類似度が低い場合、予め上記最適周波数伸縮係数αを複数用意しておき、最も上記類似度や音声認識率が高くなる最適周波数伸縮係数αを選出する方法を用いることにより、より高い音声認識性能を導くことができる。
【００８８】このように、当該実施形態では、入力音声の周波数的特徴に応じて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出するため、少ない上記特徴量でも効率的に上記スペクトル包絡を捉えることが可能である。さらに、上記特徴量を音声認識に用いることで、従来よりも少ない上記特徴量で高い音声認識性能を実現することができる。
【００８９】なお、当該実施形態では、入力音声から求めた特徴量の時系列として、適応線形予測係数は適応ＬＰＣケプストラム係数に変換されているが、既に公知の手法を用いて、上記適応線形予測係数を適応ＰＡＲＣＯＲ（ＰａｒｔｉａｌＡｕｔｏ－ｃｏｒｒｅｌａｔｉｏｎ：偏自己相関）係数や適応ＬＳＰ（ＬｉｎｅａｒＳｐｅｃｔｒｕｍＰａｉｒ：線スペクトル対）係数に変換し、音声認識に用いてもかまわない。また、上記適応線形予測係数をそのまま音声認識に用いてもかまわない。
【００９０】また、前述したステップＳ７０で算出される上記適応線形予測係数を、既に公知である音声合成や音声符号化等の方法を用いて変換することにより、音声認識だけでなく音声合成や音声符号化等の幅広い分野で用いてもかまわない。従来、主に音声信号の圧縮では、入力された音声信号のフレーム毎に線形予測分析することにより、ＬＰＣ係数やＬＳＰ係数やＰＡＲＣＯＲ係数等のＬＰＣスペクトル成分を表す特徴量を求め、上記特徴量を逆フィルタリングして正規化することにより残差信号を算出している。本発明では、上記適応線形予測係数を、上記同様の既に公知の方法を用いて、時間軸上で入力音声を逆フィルタリング処理することにより、スペクトル包絡成分と残差信号とに分離を行い、ベクトル量子化をすれば、音声信号の圧縮符号化が実現できる。
【００９１】次に、本発明を音声信号の圧縮に用いる方法について、図５を用いて説明する。図５は、上述したステップＳ７０で算出された適応線形予測係数を、量子化し出力するまでのフローチャートである。まず、ＣＰＵ４は、上記適応線形予測係数を用いて、前述したステップＳ９０と同様の方法で上記適応線形予測係数の周波数軸を補正する（ステップＳ２００）。次に、ＣＰＵ４は、入力音声を逆フィルタリング処理し（ステップＳ２１０）、スペクトル包絡成分の正規化を行い残差信号を算出する。そして、ＣＰＵ４は、ステップＳ２１０で算出された上記残差信号を、パワーの最大値あるいは平均値等に基づいて、パワーの正規化を行う（ステップＳ２２０）。最後に、ＣＰＵ４は、上記残差信号を、予め設定された残差コードブックを用いてベクトル量子化し、そのコードを出力する（ステップＳ２３０）。
【００９２】このように、本発明では、上記適応線形予測係数を用いて、入力音声を逆フィルタリング処理して正規化することにより、残差信号を算出する構成としたので、正確に周波数特性信号系列が平坦化され、効率の良い量子化を行うことができる。また、入力音声の周波数的特徴に応じてスペクトル包絡が算出されるため、上記スペクトル包絡を用いることにより、上記特徴を効率よく信号圧縮することができる。なお、当該実施形態の量子化については、既に公知の方法を用いて、上記適応線形予測係数から適応ＰＡＲＣＯＲ係数あるいは適応ＬＳＰ係数を算出し、同様の方法で量子化を行ってもかまわない。
【００９３】（第２の実施形態）前述した第１の実施形態とは異なったスペクトル傾斜のパラメータ算出方法として、第２の実施形態を説明する。図６は、本発明の第２の実施形態に係る音声認識装置の全体の動作を示すフローチャートである。以下、図６を参照して、当該音声認識装置について説明する。なお、当該音声認識装置の回路は、前述した第１の実施形態に係る音声認識装置の回路と同様であるので、説明を省略する。
【００９４】当該音声認識装置の全体の動作について、フローチャートを用いて説明する。図６において、ステップＳ１０～Ｓ４０の動作については、前述の第１の実施形態に係る音声認識装置と同様であるので、同一ステップには同一のステップ符号を付して、その詳細な説明を省略する。
【００９５】ＣＰＵ４は、ステップＳ４０で分割されたデジタル音声信号のフレーム毎に、０次および１次の自己相関関数を求め、その比を算出する（ステップＳ５１）。なお、上記自己相関関数の算出方法は、既に公知である。ここで、フレームｉ毎の上記０次の自己相関関数をｒ_i［０］とし、フレームｉ毎の上記１次の自己相関関数をｒ_i［１］とすると、ＣＰＵ４は、０次と１次との自己相関関数の比を、フレームｉ毎に次のように算出する。
【数１１】

この０次と１次との自己相関関数の比は、フレーム毎の音声の大局的な周波数的特徴である音声スペクトル傾斜の度合いを示している。例えば、上記スペクトル傾斜は、周波数低域側にエネルギが大きく周波数高域側にエネルギが小さい周波数軸上の右下がりや、逆の右上がり等があり、上記自己相関関数の比と相関を持った値である。
【００９６】次に、ＣＰＵ４は、ステップＳ５１で算出された０次と１次との自己相関関数の比から、最適周波数伸縮係数αをフレーム毎に算出する（ステップＳ６１）。この最適周波数伸縮係数αは、ＣＰＵ４により次のように算出される。
【数１２】

ここで、γは上記最適周波数伸縮係数αの大きさを制御する感度係数であり、α₀はバイアス値で、人間の聴覚特性に基づいて低域側の周波数分解能を上げるために設けられている。このようにして、ＣＰＵ４は、最適周波数伸縮係数αを算出し、ステップＳ７０に進む。
【００９７】図６において、ステップＳ７０～Ｓ１１０の動作については、前述の第１の実施形態に係る音声認識装置と同様であるので、同一ステップには同一のステップ符号を付して、その詳細な説明を省略する。
【００９８】このようにして、第２の実施形態では、デジタル音声信号のフレーム毎に、０次および１次の自己相関関数を求め、その比からスペクトル傾斜を算出し、第１の実施形態と同様に音声分析することができる。よって、当該実施形態では、入力音声の周波数的特徴に応じて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出するため、少ない上記特徴量でも効率的に上記スペクトル包絡を捉えることが可能である。さらに、上記特徴量を音声認識に用いることで、従来よりも少ない上記特徴量で高い音声認識性能を実現することができる。
【００９９】なお、第２の実施形態では、音声スペクトルの傾斜の度合いを表すパラメータとして、デジタル音声信号のフレーム毎に、０次および１次の自己相関関数を求め、その比から上記スペクトル傾斜を算出したが、他のパラメータを用いてもかまわない。例えば、２次以上の自己相関係数やケプストラム係数、線形予測係数、ＰＡＲＣＯＲ係数、ＬＳＰ係数、メル線形予測係数、メルＰＡＲＣＯＲ係数、メルＬＳＰ係数、メルＬＰＣケプストラム係数、ＦＦＴ（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ：高速フーリエ変換）ケプストラム係数、ＭＦＣＣ（ＭｅｌＦｒｅｑｕｅｎｃｙＣｅｐｓｔｒｕｍＣｏｅｆｆｃｉｅｎｔ）係数等を上述同様に比を算出することにより、上記スペクトル傾斜を表すパラメータとして用いることができる。
【０１００】また、当該実施形態では、第１の実施形態と同様に、入力音声から求めた特徴量の時系列として、適応線形予測係数は適応ＬＰＣケプストラム係数に変換されているが、既に公知の手法を用いて、上記適応線形予測係数を適応ＰＡＲＣＯＲ係数や適応ＬＳＰ係数に変換し、音声認識に用いてもかまわない。また、上記適応線形予測係数をそのまま音声認識に用いてもかまわない。
【０１０１】さらに、当該実施形態でも第１の実施形態と同様に、前述したステップＳ７０で算出される上記適応線形予測係数を、既に公知である音声合成や音声符号化等の方法を用いて変換することにより、音声認識だけでなく音声合成や音声符号化等の幅広い分野で、本発明を適用することができることは言うまでもない。
【０１０２】（第３の実施形態）前述した第１および第２の実施形態とは異なったスペクトル傾斜のパラメータ算出方法として、第３の実施形態を説明する。図７は、本発明の第３の実施形態に係る音声認識装置の全体の動作を示すフローチャートである。以下、図７を参照して、当該音声認識装置について説明する。なお、当該音声認識装置の回路は、前述した第１の実施形態に係る音声認識装置の回路と同様であるので、説明を省略する。
【０１０３】当該音声認識装置の全体の動作について、フローチャートを用いて説明する。図７において、ステップＳ１０～Ｓ４０の動作については、前述の第１の実施形態に係る音声認識装置と同様であるので、同一ステップには同一のステップ符号を付して、その詳細な説明を省略する。
【０１０４】ＣＰＵ４は、ステップＳ４０で分割されたデジタル音声信号のフレーム毎に、フォルマント（Ｆｏｒｍａｎｔ）周波数とそのエネルギの大きさとを算出する（ステップＳ５２）。なお、上記フォルマント周波数とそのエネルギの大きさとを算出する方法は、既に公知である。このフォルマント周波数とは、音声中の母音等のスペクトルにおいて、ある周波数帯域のみにエネルギのピークを持った周波数であり、特に音声中の母音等でその音韻性を特徴付ける重要なパラメータである。したがって、フォルマント周波数とそのエネルギの大きさとは、音声の大局的な周波数的特徴である音声スペクトルの最も重要な部分を表している。
【０１０５】次に、ＣＰＵ４は、ステップＳ５２で算出されたフォルマント周波数とそのエネルギの大きさとを用いて、フレーム毎に最適周波数伸縮係数αを算出する（ステップＳ６２）。例えば、ＣＰＵ４は、最も上記エネルギが大きい第１フォルマント周波数をｆとし、前述した式（１）に代入することで、最適周波数伸縮係数αを算出する。あるいは、ＣＰＵ４は、ステップＳ５２で算出された第１～第ｎフォルマント周波数を用いて、その平均周波数をｆとして算出し、前述した式（１）に代入することで、最適周波数伸縮係数αを算出してもよい。なお、他の方法で、上記フォルマント周波数とそのエネルギの大きさとを用いた関数により、周波数ｆを算出し、最適周波数伸縮係数αを求めてもかまわない。
【０１０６】図７において、ステップＳ７０～Ｓ１１０の動作については、前述の第１の実施形態に係る音声認識装置と同様であるので、同一ステップには同一のステップ符号を付して、その詳細な説明を省略する。
【０１０７】このようにして、第３の実施形態では、デジタル音声信号のフレーム毎に、フォルマント周波数とそのエネルギの大きさとから最適周波数伸縮係数を算出し、第１の実施形態と同様に音声分析することができる。よって、当該実施形態では、入力音声の周波数的特徴に応じて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出するため、少ない上記特徴量でも効率的に上記スペクトル包絡を捉えることが可能である。さらに、上記特徴量を音声認識に用いることで、従来よりも少ない上記特徴量で高い音声認識性能を実現することができる。
【０１０８】なお、当該実施形態では、第１の実施形態と同様に、入力音声から求めた特徴量の時系列として、適応線形予測係数は適応ＬＰＣケプストラム係数に変換されているが、既に公知の手法を用いて、上記適応線形予測係数を適応ＰＡＲＣＯＲ係数や適応ＬＳＰ係数に変換し、音声認識に用いてもかまわない。また、上記適応線形予測係数をそのまま音声認識に用いてもかまわない。
【０１０９】さらに、当該実施形態でも第１の実施形態と同様に、前述したステップＳ７０で算出される上記適応線形予測係数を、既に公知である音声合成や音声符号化等の方法を用いて変換することにより、音声認識だけでなく音声合成や音声符号化等の幅広い分野で、本発明を適用することができることは言うまでもない。
【０１１０】（第４の実施形態）前述した第１～第３の実施形態で用いた線形予測分析とは異なった分析方法として、第４の実施形態を説明する。図８は、本発明の第４の実施形態に係る音声認識装置の全体の動作を示すフローチャートである。以下、図８を参照して、当該音声認識装置について説明する。なお、当該音声認識装置の回路は、前述した第１の実施形態に係る音声認識装置の回路と同様であるので、説明を省略する。
【０１１１】当該音声認識装置の全体の動作について、フローチャートを用いて説明する。図６において、ステップＳ１０～Ｓ４０の動作については、前述の第１の実施形態に係る音声認識装置と同様であるので、同一ステップには同一のステップ符号を付して、その詳細な説明を省略する。
【０１１２】まず、ＣＰＵ４は、ステップＳ４０で分割されたデジタル音声信号のフレーム毎に、最適周波数伸縮係数αを算出する（ステップＳ５３）。上記最適周波数伸縮係数αの算出方法は、前述した第１～第３の実施形態で上記最適周波数伸縮係数αを算出した方法のいずれでもよく、すなわち、音声を周波数分析した際の周波数領域での全体的な形状であるスペクトル傾斜や、０次および１次の自己相関関数の比、あるいはフォルマント周波数とそのエネルギの大きさ等から算出すればよい。
【０１１３】次に、ＣＰＵ４は、ステップＳ５３で算出した上記最適周波数伸縮係数αに基づいて、最適なフィルタバンクを設定する（ステップＳ５４）。このフィルタバンクとは、周波数軸上を複数のバンドパスフィルタで区分して、それぞれのバンドパスフィルタの出力から入力音声信号のパワースペクトルを求める方法である。従来、上記バンドパスフィルタを設定するときは、周波数軸上を等間隔に区分する方法や、人間の聴覚の特性に応じて設定する臨界帯域フィルタのように周波数軸上を不均一に区分する方法がある。図９は、人間の聴覚の特性に応じて設定した周波数軸上を不均一に区分したフィルタバンクの一例である。図９では、横軸は周波数軸を表し、縦軸は周波数応答を表している。このフィルタバンクは、次式により構成されている。
【数１３】

ここで、Ｍｅｌ（ｆ）は、通常の周波数軸ｆに対して伸縮された周波数軸上での周波数を表している。また、ｂとｆ_bとはそれぞれ定数であり、ｂ＝２５９５ｆ_b＝７００の場合、式（５）はメル周波数軸にほぼ一致する。
【０１１４】当該実施形態では、ステップＳ５３で算出された最適周波数伸縮係数αを変数として、上記定数ｂおよびｆ_bを、ｂ＝Ｂ（α）
ｆ_b＝Ｆ_b（α）
のように最適周波数伸縮係数αの関数として定義することにより、上記最適周波数伸縮係数αに応じた上記フィルタバンクを設定することができる。すなわち、ＣＰＵ４は、まず、周波数軸を等間隔で三角型のフィルタを構成し、そのフィルタの中心周波数と帯域幅とを式（５）で変換することにより、周波数軸を任意に伸縮することが可能となり、周波数分解能を適応的に変化させた上記フィルタバンクを設定することができる。なお、上記フィルタバンクを構成する各フィルタの中心周波数と帯域幅とを、予めテーブルの形で複数設定しておき、上記フィルタバンクを上記最適周波数伸縮係数αによって選択してもかまわない。
【０１１５】次に、ＣＰＵ４は、フィルタバンク分析によりパワースペクトルを算出する（ステップＳ５５）。まず、ＣＰＵ４は、入力音声をフレーム毎にフーリエ変換することにより、上記入力音声から周波数成分を算出し、その後、上記フィルタバンクを用いて各周波数成分の重み付け線形和により、各フィルタからのパワースペクトルを求める。
【０１１６】次に、ＣＰＵ４は、ステップＳ５５で算出されたパワースペクトルに対して、対数的な圧伸処理を行い、対数パワースペクトルを算出する（ステップＳ５６）。この対数的な圧伸処理には、上記パワースペクトルの対数を単純に算出する方法や、上記パワースペクトルのｎ乗根を算出する方法等がある。また、上記圧伸処理は、それらを周波数毎に組み合わせて算出する方法でもかまわない。
【０１１７】図８において、ステップＳ１００～Ｓ１１０の動作については、前述の第１の実施形態に係る音声認識装置と同様であるので、同一ステップには同一のステップ符号を付して、その詳細な説明を省略する。
【０１１８】このようにして、第４の実施形態では、フィルタバンク分析を用いて、第１の実施形態と同様に音声分析することができる。よって、当該実施形態では、入力音声の周波数的特徴に応じて、その周波数分解能を適応的に変化させたスペクトル包絡に対応する特徴量を算出するため、少ない上記特徴量でも効率的に上記スペクトル包絡を捉えることが可能である。また、上記特徴量を音声認識に用いることで、従来よりも少ない上記特徴量で高い音声認識性能を実現することができる。さらに、当該実施形態では、上記周波数的特徴に対してリニアな周波数分解能の重み付けのみではなく、特定の周波数帯域に対してその分解能を上げたり、複数の上記周波数帯域に対してその分解能を上げる等、様々な形で重み付けを行うことができるため、第１～第３の実施形態より高い音声認識性能を実現することができる。
【０１１９】さらに、当該実施形態でも第１の実施形態と同様に、前述したステップＳ５５で算出されるパワースペクトルを、既に公知である音声合成や音声符号化等の方法を用いて変換することにより、音声認識だけでなく音声合成や音声符号化等の幅広い分野で、本発明を適用することができることは言うまでもない。

【出願人】	【識別番号】０００００５８２１【氏名又は名称】松下電器産業株式会社
【出願日】	平成１２年９月１８日（２０００．９．１８）
【代理人】	【識別番号】１０００９８２９１【弁理士】【氏名又は名称】小笠原史朗
【公開番号】	特開２００２－９１４８６（Ｐ２００２－９１４８６Ａ）
【公開日】	平成１４年３月２７日（２００２．３．２７）
【出願番号】	特願２０００－２８２４８０（Ｐ２０００－２８２４８０）