話者認証確認方法及び装置
【課題】話者登録認証方法を提供する。
【解決手段】話者によって発話されるパスワードを含む音声を入力し、入力音声から音響特徴ベクトルシーケンスを抽出し、抽出音響特徴ベクトルシーケンスと登録話者によって登録された話者テンプレートとをDTW整合し、DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算し、小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換し、複数の非線形変換局部距離に基づいてDTW整合点数を算出し、入力音声が前記登録話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する。
【解決手段】話者によって発話されるパスワードを含む音声を入力し、入力音声から音響特徴ベクトルシーケンスを抽出し、抽出音響特徴ベクトルシーケンスと登録話者によって登録された話者テンプレートとをDTW整合し、DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算し、小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換し、複数の非線形変換局部距離に基づいてDTW整合点数を算出し、入力音声が前記登録話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、情報処理技術、特に話者認証技術に関する。
【背景技術】
【０００２】
彼又は彼女が話すときの各話者の発音特徴を用いて、異なる話者が認識でき、話者認証を行う。論文：”Speaker recognition using hidden Markov models, dynamic time warping and vector quantisation” written by K. Yu, J. Mason, J. Oglesby (Vision, Image and Signal Processing, IEE Proceedings, Vol. 142, Oct. 1995, pp. 313-18)では、共通に使用される３種類の話者識別エンジン技術、即ちHMM(Hidden Markov Model)、DTW(Dynamic Timing Warping)及びVQ(Vector Quantization)が紹介されている。
【０００３】
一般的に、話者認証システムは２つの段階、即ち登録及び確認を含む。登録の段階では、話者（クライアント）の話者テンプレートは話者によって発話されるパスワードを含む音声に従って生成され、確認の段階では、試験音声が話者によって発話される同じパスワードを含む音声であるかどうかを話者テンプレートに従って決定される。特に、DTWアルゴリズムは通常、確認の段階において使用され、試験音声の音響特徴ベクトルシーケンスと話者テンプレートをDTW整合して整合点数を得る。整合点数は登録段階で得られる識別閾値と比較され、試験音声が話者によって発話される同じパスワードを含む音声であるかどうかを決定する。DTWアルゴリズムでは、試験音声の音響特徴ベクトルシーケンスと話者テンプレートとの全体的な整合点数を計算する共通の方法が最適整合パスに沿った全ての局部距離を直接に合算することである。しかしながら、クライアントの試行中に整合誤りにより幾つかの大きな局部距離がしばしば存在する。これはクライアントを詐欺者と区別することを困難にする可能性がある。
【０００４】
フレームレベル確認に基づく話者確認システムは文献：X. Wen及びR. Liu著作“Enhancing the stability of speaker verification with compressed templates”, ISCSLP2002, pp. 111-114 (2002)に記載されている。ファジー論理に基づく音声認識システムは文献：P. Mills及びJ. Bowles著作“Fuzzy logic enhanced symmetric dynamic programming for speech recognition”, Fuzzy systems, proceedings of the Fifth IEEE International Conference on, Vol. 3, pp. 2013-2019 (1996)に記載されている。これら２つの方法の概念はDTMアルゴリズムの局部距離に変換を適用することである。しかし、これら２つの方法はパラメータに反応し、適正なパラメータが各テンプレートに対して設定されるときだけ有効となるよう立証される。
【発明の開示】
【発明が解決しようとする課題】
【０００５】
従来技術の上記問題を解決するために、本発明は話者認証確認方法及び装置を提供する。
【課題を解決するための手段】
【０００６】
本発明の一態様によると、話者によって発話されるパスワードを含む音声を入力し、前記入力音声から音響特徴ベクトルシーケンスを抽出し、前記抽出音響特徴ベクトルシーケンスと登録話者によって登録された話者テンプレートとをDTW整合し、DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算し、小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換し、前記複数の非線形変換局部距離に基づいてDTW整合点数（DTW-matching scores）を算出し、前記入力音声が前記登録話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する話者登録認証方法が提供される。
【０００７】
本発明の他の態様によると、話者によって発話されるパスワードを含む音声を入力する音声入力ユニットと、前記入力音声から音響特徴ベクトルシーケンスを抽出する音響特徴ベクトルシーケンス抽出機と、前記抽出音響特徴ベクトルシーケンスと登録話者によって登録された話者テンプレートとをDTW整合するDTW整合ユニットと、DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算する局部距離計算機と、小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換する局部距離非線形変換ユニットと、前記複数の非線形変換局部距離に基づいてDTW整合点数を算出する整合点数計算機と、前記入力音声が前記登録話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する比較ユニットと、を具備する話者登録認証装置が提供される。
【発明を実施するための最良の形態】
【０００８】
次に、本発明の好適実施形態の詳細説明を図面と関連して行う。
【０００９】
図１は本発明の実施形態に従った話者認証確認方法を示すフローチャートである。次に、図面と関連して実施形態を説明する。
【００１０】
図１に示すように、最初、ステップ１において、パスワードを含む音声が確認を必要とするクライアントによって入力される。但し、パスワードは登録段階において確認のためにクライアントによって設定される特定用語又は音韻シーケンスである。
【００１１】
次に、ステップ１０５において、音響特徴ベクトルシーケンスは入力音声から抽出される。発明は音響特徴を表す方法に特別な限定を持たなく、それは話者の個人的音声特徴を表すことができる限り、例えば、MFCC (Mel-scale Frequency Cepstral Coefficients：メルスケール周波数ケプストル係数), LPCC (Linear Predictive Cepstrum Coefficient：線形予測ケプストラム係数)又はエネルギ、基本音周波数又はウェーブレット解析（wavelet analysis）に基づいて得られる他の係数であってもよい。しかしながら、それは登録段階で音響特徴を表すために使用される方法と対応するはずである。
【００１２】
次に、ステップ１１０において、最適整合経路は抽出音響特徴ベクトルシーケンス及び登録済み話者によって登録された話者テンプレートをＤＴＷ整合することによって得られる。特に、図２は入力サンプルと参照テンプレートとのＤＴＷ整合の一例を示している。図２に示すように、水平軸は話者テンプレートのフレームを表し、垂直軸は入力音声のフレームを表す。ＤＴＷ整合が行われると、発話テンプレートの各フレームと入力音声の対応するフレーム及びその近接フレームとの間の局部距離が算出され、最小局部距離を持つ入力音声のフレームは話者テンプレートのフレームに対応するフレームとして選択される。このステップは入力音声の全てのフレームの各々が話者テンプレートの対応フレームを見つけられるまで繰り返され、それにより最適整合経路が得られる。
【００１３】
この実施形態の話者テンプレートは話者認証登録方法によって生成される話者テンプレートであり、これはパスワード音声及び識別閾値に対応する少なくとも音響特徴を含む。話者認証登録プロセスを簡単に説明する。先ず、話者によって発話されるパスワードを含む音声が入力される。次に、音響特徴が入力パスワード音声から抽出される。この後、話者テンプレートが生成される。話者テンプレートは話者テンプレートの品質を向上するために訓練用の多数の音声で作られる。それから、第２訓練用音声がＤＴＷ方法によって処理テンプレートと並べられ、そして新テンプレートが２つの音声の対応する特徴ベクトルの平均によって生成される。それから、第３訓練用音声がＤＴＷ方法によって新テンプレートと並べられる。上記プロセスは全ての音声が単一テンプレートにマージ（統合）されるまで、即ち、所謂テンプレートマージングが行われるまで繰り返される。テンプレートマージングについては、文献：W. H. Abdulla, D. Chow及びG. Sin著“Cross-words reference template for DTW-based speech recognition systems” (IEEE TENCON 2003, pp. 1576-1579)を参照できる。
【００１４】
更に、話者認証登録段階では、話者テンプレートに含まれる識別閾値が次の方法で決定できる。最初に、話者及び他人のＤＴＷ整合点数の２つの分布が話者及び他人によって発話された同じパスワードをそれぞれ含む２つの大きな音声データセットを収集し、２つの音声データセットを訓練済み話者テンプレートとそれぞれＤＴＷ整合することによって得られる。この結果、話者テンプレート用識別閾値が少なくとも次の３つの方法で推定できる。
【００１５】
ａ）識別閾値を２つの分布曲線の交差点、即ち、FAR(False Accept Rate：誤り受理率)及びFRR (False Reject Rate：誤り拒否率)の合計が最小となる箇所に設定する。
【００１６】
ｂ）識別閾値をEER (Equal Error Rate：等誤り率)に対応する値に設定する。又は
ｃ）識別閾値を、誤り受理率を所望値（例えば、０．１％）にする値に設定する。
【００１７】
図１に戻り、ステップ１１５において、ＤＴＷ整合済み音響特徴ベクトルと話者テンプレートとの各局部距離が計算される。即ち、入力音声と図２の最適整合経路の話者テンプレートの対応するフレーム間の局部距離が計算される。
【００１８】
次に、ステップ１２０において、計算された各局部距離は小さい局部距離に多くの重みを与えるために非線形変換される。この実施形態では、非線形変換は図３に示すように関数S=exp(-d/para)を用いて行われる。図３では、水平軸が局部距離ｄを表し、垂直軸が関数Ｓの値を表す。この実施形態の非線形変換式では、ｄは局部距離であり、paraは非線形変換のパラメータである。このパラメータは関数の曲線の形状を調整するために使用できる。
【００１９】
ある応用例では、paraはテンプレートから独立してもよい、即ち、それは定数である。更に、それはテンプレート依存（又はテンプレート固有）であってもよく、即ち、各テンプレートは固定パラメータを有し、例えば、テンプレートの識別閾値はparaとして使用してもよく、又はそれはテンプレート依存及びフレーム依存であってもよい、即ち各テンプレートの各フレームは分離パラメータである。
【００２０】
テンプレート依存パラメータは話者テンプレートの識別閾値を計算する上記方法によって得てもよい。
【００２１】
フレーム依存パラメータはフレーム毎に別々に統計データを作ることを除いて話者テンプレートの識別閾値を計算する同じ方法によって得てもよい。特に、話者及び他人の各フレームのＤＴＷ整合点数の２つの分布は話者によって発話され及び他人によって発話された同じパスワードを含む２セットの音声データを収集し、訓練済み話者テンプレートを持つ２セットの音声データをそれぞれＤＴＷ整合することによって得られる。その結果、フレーム依存パラメータは少なくとも次の３つの方法によって推定できる。
【００２２】
ａ）フレーム依存パラメータを話者及び他人の各フレームの２つの分布曲線の交差点、即ち、FAR (誤り受理率)及びFRR(誤り拒否率)が最小である箇所に設定する。
【００２３】
ｂ）フレーム依存パラメータをEER(等誤り率)に対応する値に設定する。
【００２４】
ｃ）フレーム依存パラメータを、誤り受理率を所望値（例えば０．１％）にする値に設定する。
【００２５】
むろん、例えば、４をパラメータに加算して、即ち、S = exp(-d/(para+4))によって最適性能を達成するために各種非線形変換関数に従って適正に調整できる。
【００２６】
更に、発明の非線形変換関数はS=exp(-d / para)に制限されない。第３導関数が(0,∞)の範囲で負となる全ての変換関数は上述の目標「全ての状況において小さな局部距離に多くの重みを与える」、例えば、S=ln(d / para), S=arctan(d/para), S=para/d及びその入れ子結合（nested combination）,例えば、S = arctan(exp(-d/para))又はその拡張、例えば、S=pow(exp(-d/para),2)などを達成できる。
【００２７】
次に、ステップ１２５において、ＤＴＷ整合点数が非線形変換された上記局部距離の各々に従って計算される。特に、整合点数は非線形変換されていた全ての局部距離を合算することによって得られる。
【００２８】
次に、ステップ１３０では、上述したＤＴＷ整合点数が話者テンプレートに設定された識別閾値より小さいかどうかを決定する。それがyesであれば、同じ話者によって発話された同じパスワードがステップ１３５にて確認されると言う確認が成功する。noであれば、確認はステップ１４０において不成功となる。
【００２９】
上記説明を通して、本実施形態に従った話者認証確認方法が採用されれば、グローバル整合距離が計算されるときに非線形変換によって小さい局部距離に多くの重みが与えることができ、それによってパラメータに感知しない。また、変換は定数パラメータが全てのテンプレートに対して設定されるときでも有効にできる。更に、テンプレート依存パラメータが使用されたならば、変換は上述した２つの先の方法よりも性能が良くなる。更に、フレーム依存パラメータも使用でき、それによってシステム性能が更に高めることができる。
【００３０】
本発明の同じ概念に基づいて、図４はこの発明の実施形態に従った話者認証確認装置を示すブロック図である。この実施形態は上述した実施形態と同じ内容を適宜省略して、図４と関連して以下に説明する。
【００３１】
図４に示すように、この実施形態の話者認証確認装置２００は話者によって発話されるパスワードを含む音声を入力するよう構成される音声入力ユニット２０１と、入力音声から音響特徴ベクトルシーケンスを抽出するよう構成される音響特徴ベクトルシーケンス抽出機２０２と、抽出音響特徴ベクトルシーケンスと登録済み話者によって登録される話者テンプレートとをＤＴＷ整合するよう構成されるＤＴＷ整合ユニット２０３と、ＤＴＷ整合済み音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算するよう構成される局部距離計算機２０４と、小さい局部距離に多くの重みを与えるため各算出局部距離を非線形変換するよう構成される局部距離非線形変換ユニット２０５と、非線形変換された複数の局部距離に基づいてＤＴＷ整合点数を計算するよう構成される整合点数計算機２０６と、入力音声が登録済み話者によって発話されるパスワードを含む音声であるかを決定するため所定の識別閾値と整合点数とを比較するよう構成される比較ユニット２０７により構成される。
【００３２】
この実施形態では、話者テンプレートは話者認証登録方法を使用して生成され、音響特徴と登録中に使用されるパスワード音声のための識別閾値とを含む。この実施形態の話者認証確認装置２００は比較ユニット２０７にて比較し、入力音声は整合点数計算機２０６によって算出されるＤＴＷ整合点数が所定の識別閾値より小さければ、登録話者によって発話されたパスワードを含む音声であることを決定し、そうでなければ、証明は失敗として決定される。
【００３３】
この実施形態の話者認証確認装置２００及びその構成要素は特別に設計された回路又はチップによって実現でき、汎用コンピュータ（プロセッサ）で対応するプログラムを実施することによっても実現できる。更に、この実施形態の話者認証確認装置２００は図１と関連して上述した実施形態の話者認証確認方法を動作的に実現できる。
【００３４】
本発明の同じ概念に基づいて、図５は本発明の実施形態に従った話者認証システムを示すブロック図である。この実施形態は上記実施形態の同じ内容を適宜省略して図５と関連していかに説明する。
【００３５】
図５に示すように、この実施形態の話者認証システムは話者認証登録装置３００でできる登録装置３００と、上記実施形態で説明した話者認証確認装置２００でできる確認装置２００によって構成される。登録装置３００によって生成される話者テンプレートはネットワーク、内部チャンネル、ディスク又は他の記録メディアのような任意の通信手段を介して確認装置２００に転送される。
【００３６】
故に、この実施形態の話者認証システムが採用されると、非線形変換整合点数が一般の方法よりも区別できる。それにより、システム性能が著しく改善できる。更に、上述したようにテンプレート依存パラメータを使用するだけよりもフレーム依存パラメータを使用することによってよりよい性能を達成することができる。
【００３７】
話者認証確認方法及び装置並びに話者認証システムはいくつかの実施形態で詳細に説明したけれども、これら上述した実施形態は網羅的でない。当業者は本発明の精神及び範囲内で種々変更及び変形できる。故に、本発明はこれら実施形態に限定されなく、むしろ、本発明の範囲は特許請求の範囲によって規定されるだけである。
【図面の簡単な説明】
【００３８】
【図１】本発明の一実施形態に従った話者認証確認方法を示すフローチャートである。
【図２】入力サンプルと参照テンプレートとのDTW整合の一例を示す。
【図３】非線形変換曲線の一例を示す。
【図４】本発明の実施形態に従った話者認証確認装置を示すブロック図である。
【図５】本発明の実施形態に従った話者認証システムを示すブロック図である。
【技術分野】
【０００１】
本発明は、情報処理技術、特に話者認証技術に関する。
【背景技術】
【０００２】
彼又は彼女が話すときの各話者の発音特徴を用いて、異なる話者が認識でき、話者認証を行う。論文：”Speaker recognition using hidden Markov models, dynamic time warping and vector quantisation” written by K. Yu, J. Mason, J. Oglesby (Vision, Image and Signal Processing, IEE Proceedings, Vol. 142, Oct. 1995, pp. 313-18)では、共通に使用される３種類の話者識別エンジン技術、即ちHMM(Hidden Markov Model)、DTW(Dynamic Timing Warping)及びVQ(Vector Quantization)が紹介されている。
【０００３】
一般的に、話者認証システムは２つの段階、即ち登録及び確認を含む。登録の段階では、話者（クライアント）の話者テンプレートは話者によって発話されるパスワードを含む音声に従って生成され、確認の段階では、試験音声が話者によって発話される同じパスワードを含む音声であるかどうかを話者テンプレートに従って決定される。特に、DTWアルゴリズムは通常、確認の段階において使用され、試験音声の音響特徴ベクトルシーケンスと話者テンプレートをDTW整合して整合点数を得る。整合点数は登録段階で得られる識別閾値と比較され、試験音声が話者によって発話される同じパスワードを含む音声であるかどうかを決定する。DTWアルゴリズムでは、試験音声の音響特徴ベクトルシーケンスと話者テンプレートとの全体的な整合点数を計算する共通の方法が最適整合パスに沿った全ての局部距離を直接に合算することである。しかしながら、クライアントの試行中に整合誤りにより幾つかの大きな局部距離がしばしば存在する。これはクライアントを詐欺者と区別することを困難にする可能性がある。
【０００４】
フレームレベル確認に基づく話者確認システムは文献：X. Wen及びR. Liu著作“Enhancing the stability of speaker verification with compressed templates”, ISCSLP2002, pp. 111-114 (2002)に記載されている。ファジー論理に基づく音声認識システムは文献：P. Mills及びJ. Bowles著作“Fuzzy logic enhanced symmetric dynamic programming for speech recognition”, Fuzzy systems, proceedings of the Fifth IEEE International Conference on, Vol. 3, pp. 2013-2019 (1996)に記載されている。これら２つの方法の概念はDTMアルゴリズムの局部距離に変換を適用することである。しかし、これら２つの方法はパラメータに反応し、適正なパラメータが各テンプレートに対して設定されるときだけ有効となるよう立証される。
【発明の開示】
【発明が解決しようとする課題】
【０００５】
従来技術の上記問題を解決するために、本発明は話者認証確認方法及び装置を提供する。
【課題を解決するための手段】
【０００６】
本発明の一態様によると、話者によって発話されるパスワードを含む音声を入力し、前記入力音声から音響特徴ベクトルシーケンスを抽出し、前記抽出音響特徴ベクトルシーケンスと登録話者によって登録された話者テンプレートとをDTW整合し、DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算し、小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換し、前記複数の非線形変換局部距離に基づいてDTW整合点数（DTW-matching scores）を算出し、前記入力音声が前記登録話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する話者登録認証方法が提供される。
【０００７】
本発明の他の態様によると、話者によって発話されるパスワードを含む音声を入力する音声入力ユニットと、前記入力音声から音響特徴ベクトルシーケンスを抽出する音響特徴ベクトルシーケンス抽出機と、前記抽出音響特徴ベクトルシーケンスと登録話者によって登録された話者テンプレートとをDTW整合するDTW整合ユニットと、DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算する局部距離計算機と、小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換する局部距離非線形変換ユニットと、前記複数の非線形変換局部距離に基づいてDTW整合点数を算出する整合点数計算機と、前記入力音声が前記登録話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する比較ユニットと、を具備する話者登録認証装置が提供される。
【発明を実施するための最良の形態】
【０００８】
次に、本発明の好適実施形態の詳細説明を図面と関連して行う。
【０００９】
図１は本発明の実施形態に従った話者認証確認方法を示すフローチャートである。次に、図面と関連して実施形態を説明する。
【００１０】
図１に示すように、最初、ステップ１において、パスワードを含む音声が確認を必要とするクライアントによって入力される。但し、パスワードは登録段階において確認のためにクライアントによって設定される特定用語又は音韻シーケンスである。
【００１１】
次に、ステップ１０５において、音響特徴ベクトルシーケンスは入力音声から抽出される。発明は音響特徴を表す方法に特別な限定を持たなく、それは話者の個人的音声特徴を表すことができる限り、例えば、MFCC (Mel-scale Frequency Cepstral Coefficients：メルスケール周波数ケプストル係数), LPCC (Linear Predictive Cepstrum Coefficient：線形予測ケプストラム係数)又はエネルギ、基本音周波数又はウェーブレット解析（wavelet analysis）に基づいて得られる他の係数であってもよい。しかしながら、それは登録段階で音響特徴を表すために使用される方法と対応するはずである。
【００１２】
次に、ステップ１１０において、最適整合経路は抽出音響特徴ベクトルシーケンス及び登録済み話者によって登録された話者テンプレートをＤＴＷ整合することによって得られる。特に、図２は入力サンプルと参照テンプレートとのＤＴＷ整合の一例を示している。図２に示すように、水平軸は話者テンプレートのフレームを表し、垂直軸は入力音声のフレームを表す。ＤＴＷ整合が行われると、発話テンプレートの各フレームと入力音声の対応するフレーム及びその近接フレームとの間の局部距離が算出され、最小局部距離を持つ入力音声のフレームは話者テンプレートのフレームに対応するフレームとして選択される。このステップは入力音声の全てのフレームの各々が話者テンプレートの対応フレームを見つけられるまで繰り返され、それにより最適整合経路が得られる。
【００１３】
この実施形態の話者テンプレートは話者認証登録方法によって生成される話者テンプレートであり、これはパスワード音声及び識別閾値に対応する少なくとも音響特徴を含む。話者認証登録プロセスを簡単に説明する。先ず、話者によって発話されるパスワードを含む音声が入力される。次に、音響特徴が入力パスワード音声から抽出される。この後、話者テンプレートが生成される。話者テンプレートは話者テンプレートの品質を向上するために訓練用の多数の音声で作られる。それから、第２訓練用音声がＤＴＷ方法によって処理テンプレートと並べられ、そして新テンプレートが２つの音声の対応する特徴ベクトルの平均によって生成される。それから、第３訓練用音声がＤＴＷ方法によって新テンプレートと並べられる。上記プロセスは全ての音声が単一テンプレートにマージ（統合）されるまで、即ち、所謂テンプレートマージングが行われるまで繰り返される。テンプレートマージングについては、文献：W. H. Abdulla, D. Chow及びG. Sin著“Cross-words reference template for DTW-based speech recognition systems” (IEEE TENCON 2003, pp. 1576-1579)を参照できる。
【００１４】
更に、話者認証登録段階では、話者テンプレートに含まれる識別閾値が次の方法で決定できる。最初に、話者及び他人のＤＴＷ整合点数の２つの分布が話者及び他人によって発話された同じパスワードをそれぞれ含む２つの大きな音声データセットを収集し、２つの音声データセットを訓練済み話者テンプレートとそれぞれＤＴＷ整合することによって得られる。この結果、話者テンプレート用識別閾値が少なくとも次の３つの方法で推定できる。
【００１５】
ａ）識別閾値を２つの分布曲線の交差点、即ち、FAR(False Accept Rate：誤り受理率)及びFRR (False Reject Rate：誤り拒否率)の合計が最小となる箇所に設定する。
【００１６】
ｂ）識別閾値をEER (Equal Error Rate：等誤り率)に対応する値に設定する。又は
ｃ）識別閾値を、誤り受理率を所望値（例えば、０．１％）にする値に設定する。
【００１７】
図１に戻り、ステップ１１５において、ＤＴＷ整合済み音響特徴ベクトルと話者テンプレートとの各局部距離が計算される。即ち、入力音声と図２の最適整合経路の話者テンプレートの対応するフレーム間の局部距離が計算される。
【００１８】
次に、ステップ１２０において、計算された各局部距離は小さい局部距離に多くの重みを与えるために非線形変換される。この実施形態では、非線形変換は図３に示すように関数S=exp(-d/para)を用いて行われる。図３では、水平軸が局部距離ｄを表し、垂直軸が関数Ｓの値を表す。この実施形態の非線形変換式では、ｄは局部距離であり、paraは非線形変換のパラメータである。このパラメータは関数の曲線の形状を調整するために使用できる。
【００１９】
ある応用例では、paraはテンプレートから独立してもよい、即ち、それは定数である。更に、それはテンプレート依存（又はテンプレート固有）であってもよく、即ち、各テンプレートは固定パラメータを有し、例えば、テンプレートの識別閾値はparaとして使用してもよく、又はそれはテンプレート依存及びフレーム依存であってもよい、即ち各テンプレートの各フレームは分離パラメータである。
【００２０】
テンプレート依存パラメータは話者テンプレートの識別閾値を計算する上記方法によって得てもよい。
【００２１】
フレーム依存パラメータはフレーム毎に別々に統計データを作ることを除いて話者テンプレートの識別閾値を計算する同じ方法によって得てもよい。特に、話者及び他人の各フレームのＤＴＷ整合点数の２つの分布は話者によって発話され及び他人によって発話された同じパスワードを含む２セットの音声データを収集し、訓練済み話者テンプレートを持つ２セットの音声データをそれぞれＤＴＷ整合することによって得られる。その結果、フレーム依存パラメータは少なくとも次の３つの方法によって推定できる。
【００２２】
ａ）フレーム依存パラメータを話者及び他人の各フレームの２つの分布曲線の交差点、即ち、FAR (誤り受理率)及びFRR(誤り拒否率)が最小である箇所に設定する。
【００２３】
ｂ）フレーム依存パラメータをEER(等誤り率)に対応する値に設定する。
【００２４】
ｃ）フレーム依存パラメータを、誤り受理率を所望値（例えば０．１％）にする値に設定する。
【００２５】
むろん、例えば、４をパラメータに加算して、即ち、S = exp(-d/(para+4))によって最適性能を達成するために各種非線形変換関数に従って適正に調整できる。
【００２６】
更に、発明の非線形変換関数はS=exp(-d / para)に制限されない。第３導関数が(0,∞)の範囲で負となる全ての変換関数は上述の目標「全ての状況において小さな局部距離に多くの重みを与える」、例えば、S=ln(d / para), S=arctan(d/para), S=para/d及びその入れ子結合（nested combination）,例えば、S = arctan(exp(-d/para))又はその拡張、例えば、S=pow(exp(-d/para),2)などを達成できる。
【００２７】
次に、ステップ１２５において、ＤＴＷ整合点数が非線形変換された上記局部距離の各々に従って計算される。特に、整合点数は非線形変換されていた全ての局部距離を合算することによって得られる。
【００２８】
次に、ステップ１３０では、上述したＤＴＷ整合点数が話者テンプレートに設定された識別閾値より小さいかどうかを決定する。それがyesであれば、同じ話者によって発話された同じパスワードがステップ１３５にて確認されると言う確認が成功する。noであれば、確認はステップ１４０において不成功となる。
【００２９】
上記説明を通して、本実施形態に従った話者認証確認方法が採用されれば、グローバル整合距離が計算されるときに非線形変換によって小さい局部距離に多くの重みが与えることができ、それによってパラメータに感知しない。また、変換は定数パラメータが全てのテンプレートに対して設定されるときでも有効にできる。更に、テンプレート依存パラメータが使用されたならば、変換は上述した２つの先の方法よりも性能が良くなる。更に、フレーム依存パラメータも使用でき、それによってシステム性能が更に高めることができる。
【００３０】
本発明の同じ概念に基づいて、図４はこの発明の実施形態に従った話者認証確認装置を示すブロック図である。この実施形態は上述した実施形態と同じ内容を適宜省略して、図４と関連して以下に説明する。
【００３１】
図４に示すように、この実施形態の話者認証確認装置２００は話者によって発話されるパスワードを含む音声を入力するよう構成される音声入力ユニット２０１と、入力音声から音響特徴ベクトルシーケンスを抽出するよう構成される音響特徴ベクトルシーケンス抽出機２０２と、抽出音響特徴ベクトルシーケンスと登録済み話者によって登録される話者テンプレートとをＤＴＷ整合するよう構成されるＤＴＷ整合ユニット２０３と、ＤＴＷ整合済み音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算するよう構成される局部距離計算機２０４と、小さい局部距離に多くの重みを与えるため各算出局部距離を非線形変換するよう構成される局部距離非線形変換ユニット２０５と、非線形変換された複数の局部距離に基づいてＤＴＷ整合点数を計算するよう構成される整合点数計算機２０６と、入力音声が登録済み話者によって発話されるパスワードを含む音声であるかを決定するため所定の識別閾値と整合点数とを比較するよう構成される比較ユニット２０７により構成される。
【００３２】
この実施形態では、話者テンプレートは話者認証登録方法を使用して生成され、音響特徴と登録中に使用されるパスワード音声のための識別閾値とを含む。この実施形態の話者認証確認装置２００は比較ユニット２０７にて比較し、入力音声は整合点数計算機２０６によって算出されるＤＴＷ整合点数が所定の識別閾値より小さければ、登録話者によって発話されたパスワードを含む音声であることを決定し、そうでなければ、証明は失敗として決定される。
【００３３】
この実施形態の話者認証確認装置２００及びその構成要素は特別に設計された回路又はチップによって実現でき、汎用コンピュータ（プロセッサ）で対応するプログラムを実施することによっても実現できる。更に、この実施形態の話者認証確認装置２００は図１と関連して上述した実施形態の話者認証確認方法を動作的に実現できる。
【００３４】
本発明の同じ概念に基づいて、図５は本発明の実施形態に従った話者認証システムを示すブロック図である。この実施形態は上記実施形態の同じ内容を適宜省略して図５と関連していかに説明する。
【００３５】
図５に示すように、この実施形態の話者認証システムは話者認証登録装置３００でできる登録装置３００と、上記実施形態で説明した話者認証確認装置２００でできる確認装置２００によって構成される。登録装置３００によって生成される話者テンプレートはネットワーク、内部チャンネル、ディスク又は他の記録メディアのような任意の通信手段を介して確認装置２００に転送される。
【００３６】
故に、この実施形態の話者認証システムが採用されると、非線形変換整合点数が一般の方法よりも区別できる。それにより、システム性能が著しく改善できる。更に、上述したようにテンプレート依存パラメータを使用するだけよりもフレーム依存パラメータを使用することによってよりよい性能を達成することができる。
【００３７】
話者認証確認方法及び装置並びに話者認証システムはいくつかの実施形態で詳細に説明したけれども、これら上述した実施形態は網羅的でない。当業者は本発明の精神及び範囲内で種々変更及び変形できる。故に、本発明はこれら実施形態に限定されなく、むしろ、本発明の範囲は特許請求の範囲によって規定されるだけである。
【図面の簡単な説明】
【００３８】
【図１】本発明の一実施形態に従った話者認証確認方法を示すフローチャートである。
【図２】入力サンプルと参照テンプレートとのDTW整合の一例を示す。
【図３】非線形変換曲線の一例を示す。
【図４】本発明の実施形態に従った話者認証確認装置を示すブロック図である。
【図５】本発明の実施形態に従った話者認証システムを示すブロック図である。
【特許請求の範囲】
【請求項１】
話者によって発話されるパスワードを含む音声を入力すること、
前記入力音声から音響特徴ベクトルシーケンスを抽出すること、
前記抽出音響特徴ベクトルシーケンスと登録済み話者によって登録された話者テンプレートとをDTW整合すること、
DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算すること、
小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換すること、
前記複数の非線形変換局部距離に基づいてDTW整合点数を算出すること、
前記入力音声が前記登録済み話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較すること、
を含む話者認証登録方法。
【請求項２】
算出された前記各局部距離を非線形変換するステップはその第３導関数が（０，∞）の範囲で負である関数を用いて行われる、請求項１の話者認証確認方法。
【請求項３】
前記関数はexp(-d/para), ln(d/para), arctan(d/para), d/para及びそれらの組み合わせの任意の１つであり、但し、ｄは局部距離であり、paraはパラメータである、請求項２に記載の話者認証確認方法。
【請求項４】
前記パラメータは定数である、請求項３に記載の話者認証確認方法。
【請求項５】
前記パラメータは前記話者テンプレートに依存するパラメータである、請求項３に記載の話者認証確認方法。
【請求項６】
前記話者テンプレートに依存するパラメータは前記識別閾値である、請求項３に記載の話者認証確認方法。
【請求項７】
前記パラメータはフレームに依存するパラメータである、請求項３に記載の話者認証確認方法。
【請求項８】
フレームに依存する前記パラメータは登録処理中にフレーム毎に別々に計算することによって算出される、請求項３に記載の話者認証確認方法。
【請求項９】
話者によって発話されるパスワードを含む音声を入力する音声入力ユニットと、
前記入力音声から音響特徴ベクトルシーケンスを抽出する音響特徴ベクトルシーケンス抽出機と、
前記抽出音響特徴ベクトルシーケンスと登録済み話者によって登録された話者テンプレートとをDTW整合するDTW整合ユニットと、
DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算する局部距離計算器と、
小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換する局部距離非線形変換ユニットと、
前記複数の非線形変換局部距離に基づいてDTW整合点数を算出する整合点数計算器と、
前記入力音声が前記登録済み話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する比較ユニットと、
を具備する話者認証確認装置。
【請求項１０】
請求項９に従った話者認証確認装置を具備する話者認証システム。
【請求項１】
話者によって発話されるパスワードを含む音声を入力すること、
前記入力音声から音響特徴ベクトルシーケンスを抽出すること、
前記抽出音響特徴ベクトルシーケンスと登録済み話者によって登録された話者テンプレートとをDTW整合すること、
DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算すること、
小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換すること、
前記複数の非線形変換局部距離に基づいてDTW整合点数を算出すること、
前記入力音声が前記登録済み話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較すること、
を含む話者認証登録方法。
【請求項２】
算出された前記各局部距離を非線形変換するステップはその第３導関数が（０，∞）の範囲で負である関数を用いて行われる、請求項１の話者認証確認方法。
【請求項３】
前記関数はexp(-d/para), ln(d/para), arctan(d/para), d/para及びそれらの組み合わせの任意の１つであり、但し、ｄは局部距離であり、paraはパラメータである、請求項２に記載の話者認証確認方法。
【請求項４】
前記パラメータは定数である、請求項３に記載の話者認証確認方法。
【請求項５】
前記パラメータは前記話者テンプレートに依存するパラメータである、請求項３に記載の話者認証確認方法。
【請求項６】
前記話者テンプレートに依存するパラメータは前記識別閾値である、請求項３に記載の話者認証確認方法。
【請求項７】
前記パラメータはフレームに依存するパラメータである、請求項３に記載の話者認証確認方法。
【請求項８】
フレームに依存する前記パラメータは登録処理中にフレーム毎に別々に計算することによって算出される、請求項３に記載の話者認証確認方法。
【請求項９】
話者によって発話されるパスワードを含む音声を入力する音声入力ユニットと、
前記入力音声から音響特徴ベクトルシーケンスを抽出する音響特徴ベクトルシーケンス抽出機と、
前記抽出音響特徴ベクトルシーケンスと登録済み話者によって登録された話者テンプレートとをDTW整合するDTW整合ユニットと、
DTM整合の音響特徴ベクトルシーケンスと話者テンプレートとの複数の局部距離の各々を計算する局部距離計算器と、
小さい局部距離に多くの重みを与えるために算出された前記各局部距離を非線形変換する局部距離非線形変換ユニットと、
前記複数の非線形変換局部距離に基づいてDTW整合点数を算出する整合点数計算器と、
前記入力音声が前記登録済み話者によって発話されたパスワードであるかを決定するため前記整合点数を所定の識別閾値と比較する比較ユニットと、
を具備する話者認証確認装置。
【請求項１０】
請求項９に従った話者認証確認装置を具備する話者認証システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２００７−２７９７４２（Ｐ２００７−２７９７４２Ａ）
【公開日】平成１９年１０月２５日（２００７．１０．２５）
【国際特許分類】
【外国語出願】
【出願番号】特願２００７−９９９４６（Ｐ２００７−９９９４６）
【出願日】平成１９年４月６日（２００７．４．６）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
【公開日】平成１９年１０月２５日（２００７．１０．２５）
【国際特許分類】
【出願番号】特願２００７−９９９４６（Ｐ２００７−９９９４６）
【出願日】平成１９年４月６日（２００７．４．６）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]