JP2004094077A

JP2004094077A - 音声認識装置及び制御方法並びにプログラム

Info

Publication number: JP2004094077A
Application number: JP2002257500A
Authority: JP
Inventors: Kentaro Nagatomo; 長友　健太郎
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2002-09-03
Filing date: 2002-09-03
Publication date: 2004-03-25

Abstract

【課題】ユーザの音声認識処理の停止指示を適切に処理することによって、ユーザの誤操作による音声の尻切れを低減し、認識精度を向上させるとともに、応答時間が不必要に長くなることを回避する装置及び方法の提供。
【解決手段】マイクロフォンからの音声信号を入力するオーディオ入力部２３０と、音声認識処理を行い認識結果を出力し、始端検出部２２５と終端検出部２２６を有する音声認識処理部２２０と、ユーザによる操作に基づき、音声認識処理の開始と停止を指示する音声認識処理開始・停止指示部２４１と、音声認識処理部２２０による音声認識処理の実行を制御する制御部２１０を備え、停止の指示が入力され際、音声の終端が検出されるまで、音声認識処理部２２０での音声認識処理を続行させ、最長、タイムアウトカウンタ２１１で規定される時間経過した時点で、音声認識処理を停止するように制御する。
【選択図】図２

Description

【０００１】
【発明の属する技術分野】
本発明は音声認識装置及び方法とプログラムに関し、特に、入力音声信号の歪み、頭切れ、尻切れ等を低減し、認識精度の向上を図る装置及び方法とプログラムに関する。
【０００２】
【従来の技術】
近時、計算機の性能向上と携帯端末への需要の高まりによって、音声認識処理を実現可能な高性能のＣＰＵを搭載した携帯端末が登場しつつある。このような機器での音声認識処理においては、従来の計算機では見られない特有の問題が存在する。
【０００３】
第１の問題点として、環境雑音と音声との分離がある。以下に説明する。
【０００４】
携帯端末は、例えば屋外など、環境雑音が比較的大きい状況での利用が想定されている。しかしながら、高雑音環境での認識率は、静かな環境に比べて低い。
【０００５】
音声認識では、一般的に、まず入力音声から発声区間を切り出す処理を行う。雑音が認識性能を劣化させる原因の一つとして、雑音によって、無音区間と発声区間を間違いやすくなることが挙げられる。これは、さらに２つのケースに分けられる。
【０００６】
第１は、無音区間を誤って、発声区間として切り出す場合である。この場合、語頭や語尾の音節を間違えやすくなるが、適切な雑音モデルを用いることで、ある程度、うまく認識することができる。
【０００７】
第２は、真の発声区間の先頭や末尾が、無音区間と間違われて切り捨てられる場合である。このケースでは、誤認識は避けられない。
【０００８】
そこで、入力音声からユーザの発声区間をより正確に切り出すために、発声の開始／終了タイミングを、ボタンのＯＮ（オン）／ＯＦＦ（オフ）等で手動で指示させる手法（「プッシュ・トゥ・トーク」と呼ばれる）が用いられる。
【０００９】
しかしながら、プッシュ・トゥ・トーク方式だけでは、ユーザの誤操作によって、認識性能が大きく劣化することがある。例えば、気の早い（せっかちな）ユーザは、実際に発話が終了するよりも早くボタンをＯＦＦ（発生を終了させる）に設定する傾向がある。この操作が行われると、発声区間の尻切れを起こす。
【００１０】
前述したように、発声区間が欠けた場合の音声認識の性能劣化の程度は、無音区間が多少残る場合よりも、性質が悪い。そして、上記したユーザの誤操作を、ある程度許容するためには、ユーザのボタン操作以外の手法によって、発声の開始／終了タイミングを知る必要がある。
【００１１】
第２の問題点として、ユーザの操作に対する応答時間がある。
【００１２】
プッシュ・トゥ・トーク方式のみの場合、ユーザは、ユーザ自身の誤操作による音声認識の低下をある程度許容し、また操作を改善しようと試みる。その一方、プッシュ・トゥ・トーク方式と同時に、それ以外の手法を併用して、発声の開始／終了タイミングを検出する場合、併用される手法が、音声区間の検出を誤った時、ユーザは、これを機械の不都合と捉える。
【００１３】
かかる事態が生じないように、いかなる音声区間検出手法を併用するにしろ、ユーザのボタン操作に対する応答時間はできるだけ短く保たなければならない。
【００１４】
第３の問題点として、携帯端末の音声入力機能が、必ずしも音声認識に適していないということがある。
【００１５】
携帯端末の音声入力機能は、基本的に、録音機能としての利用を主に想定して、最適化が施されている。例えば、多くの端末が入力音声の自動ゲイン調節機能を具備している。この機能は、背景雑音にあわせて入力ゲインを切替え、録音した音声が聞きとりやすいようにするものである。
【００１６】
しかしながら、自動ゲイン調節機能は音声と背景雑音のパワーの比を動的に変更するため、パワーの比を重要な情報として利用する音声認識処理には適さない。さらに悪いことに、いくつかの携帯端末では、このような自動ゲイン調節機能をオフに設定するオプションがない。
【００１７】
また、携帯端末は、低消費電力化が徹底して図られており、音声入出力ハードウェアは相対的に非力であり、ほとんどの場合、半二重で動作する。音声入力を開始する際に、まず音声出力を停止し、音声入出力ハードウェアの動作モードが、音声入力側に切替えられる。音声入力側への切替えの直後では、音声入出力ハードウェアは、過渡状態に陥り、収束するまでの間に入力された音声は、大きく歪む。録音機能として利用する場合には、これでも十分であるが、音声認識処理には、大きな問題となる。従来技術の問題点をまとめると以下の通りである。
【００１８】
第１の問題点は、プッシュ・トゥ・トーク方式のインターフェイスを採用する場合、ユーザが発話途中で誤ってマイクボタンをオフにしてしまった時に正しい認識結果が得られない、ということである。
【００１９】
その理由は、ユーザがマイクボタンをオフにした時点で、それがユーザの望む動作であるかどうかに関係なく、音声認識処理は、その時点までに入力された音声に対してのみ行われるためである。
【００２０】
第２の問題点は、上記第１の問題点を回避するため、マイクボタンがオフになった場合でも発声が検出されている間は、音声入力を続行するようにした場合、音声入力が停止しなくなる可能性がある、ということである。
【００２１】
その理由は、もともとプッシュ・トゥ・トーク方式が必要とされるような高雑音環境においては、ユーザによる発声の検出が雑音によって十分に機能し得ないことが予測されているために、ユーザの明示的な停止指示で音声認識の停止が行われているが、ユーザの明示的な停止指示を無視した場合、音声入力が停止しないことになるためである。
【００２２】
第３の問題点は、オーディオ入力部の立ち上がり直後に、認識精度が低下する、ということである。
【００２３】
その理由は、マイクロフォンデバイスが立ち上げ直後に、過渡状態に陥り、その間に発声された音声が大きく歪んで入力されるためである。
【００２４】
また、いくつかのデバイスのオーディオ入力部は、周辺の環境雑音とのＳ／Ｎ（信号対雑音）比に従って入力ゲインを自動的に調節する機能を具備している。しかしながら、自動ゲイン調節機能も、正しい発声区間の検出を妨げる一因となり得る。
【００２５】
その理由は、音声の始端／終端の検出には無声区間（環境雑音のみの区間）と有声区間（音声と環境雑音の和の区間）でのパワーの比が重要であり、過渡状態の不安定な波形や、自動ゲイン調節によって無声区間と有声区間のパワー比が変化した場合、発声区間を的確に判断することは、困難となるためである。
【００２６】
なお、音声認識の停止の指示が入力されると、状態情報保持部を参照し、音声認識部が音声認識の処理中である場合には、停止の指示を与えずに、停止フラグをセットし、音声認識部が認識結果を獲得するまで、認識処理の停止を遅延させ、音声認識部が認識結果を獲得すると、獲得した認識結果を出力部に出力して停止フラグを参照し、該停止フラグがセットされている場合に、認識処理を停止することで、入力した音声結果を確実に獲得できるようにした音声認識装置が開示されている（例えば特許文献１参照）。
【００２７】
【特許文献１】
特開２０００−８９７８９号公報（第３頁、第２図）
【００２８】
【発明が解決しようとする課題】
したがって、本発明は、上記問題点に鑑みて創案されたものであって、本発明の目的は、ユーザの音声認識処理の停止指示を適切に処理することによって、ユーザの誤操作による音声の尻切れを低減し、認識精度を向上させるとともに、応答時間が不必要に長くなることを回避する装置及び方法とプログラムを提供することにある。
【００２９】
また本発明の他の目的は、音声入力ハードウェアの過渡状態や自動ゲイン調節による入力波形のパワー比への影響を回避し、認識精度を向上させる装置及び方法を提供することにある。
【００３０】
【課題を解決するための手段】
前記目的を達成する本発明の１つのアスペクトに係る音声認識装置は、音声入力手段から入力された音声の認識処理を行う音声認識手段と、前記音声入力手段から入力された音声の終端を検出する手段と、前記音声の終端を検出する手段によって音声の終端が検出された場合に、前記音声認識処理手段での音声認識処理を停止させるように制御する手段と、を備えている。
【００３１】
かかる構成の本発明によれば、ユーザから音声認識処理を停止する指示を受けても、音声の終端を検出するまで、音声認識処理を継続するように動作するため、ユーザの誤操作による入力信号波形の尻切れを防ぐことができる。
【００３２】
本発明に係る音声認識装置は、他のアスペクトにおいて、音声を入力する音声入力部と、ユーザが音声認識処理の停止を指示する操作を行う入力操作部と、前記音声入力部から入力された音声の認識処理を行う音声認識処理部であって、音声の始端を検出する手段と、音声の終端を検出する手段と、を備えた音声認識処理部と、前記入力操作部から音声認識処理の停止の指示が入力された場合に、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない状態である場合には、前記入力操作部から音声認識処理の停止の指示が入力された時点では前記音声認識処理部での音声認識処理を停止させないように制御する手段と、を含む。
【００３３】
本発明に係る音声認識装置においては、前記入力操作部から音声認識処理の停止の指示が入力された場合、前記音声認識処理の停止の指示が入力された時点から、最長、予め定められた待ち時間が経過するまで音声終端の検出を待機し、前記待ち時間が経過した時点で、音声認識処理を停止するように制御する手段を含む構成としてもよい。
【００３４】
このように、本発明によれば、ユーザの発声の終了を正しく検出できなかった場合でも、システムの応答時間が不必要に長くなるのを回避するための手段として、音声認識処理の停止指示を受けてから一定時間後に音声認識処理を停止するように動作する。
【００３５】
本発明に係る音声認識装置においては、好ましくは、前記待ち時間以内に、前記音声の終端が検出された場合に、前記音声認識処理部での音声認識処理を停止させるように制御する手段を含む。
【００３６】
本発明に係る音声認識装置においては、前記待ち時間を、入力音声のパワーと信号対雑音比のうちの少なくとも１つ、及び／又は、認識可能な語彙の性質に応じて、可変させる手段を含む構成としてもよい。
【００３７】
本発明に係る音声認識装置においては、入力操作部から音声認識処理の停止の指示が入力された場合、音声の終端の検出条件を徐々に緩和していき、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する手段を含む構成としてもよい。
【００３８】
本発明に係る音声認識装置においては、前記待ち時間が経過した時点で、前記音声認識処理を停止した際、ユーザにその旨を通知する手段を含む構成としてもよい。
【００３９】
本発明に係る音声認識装置においては、前記音声入力部は、前記音声認識装置が起動されている間、常時、活性化されている構成としてもよい。
【００４０】
本発明に係る音声認識装置においては、好ましくは、ユーザの発声時よりも前に、前記音声入力部の回路、及び、自動ゲイン調整回路の安定化が行われる構成とされる。
【００４１】
本発明に係る音声認識装置においては、音声認識装置が起動してから終了するまでの間、音声認識処理部が停止している時であっても、常に、オーディオ入力部を作動させておく制御が行われ、オーディオ入力部の立ち上がりの過渡状態による入力音声の歪みや自動ゲイン調節機能による入力音声のＳ／Ｎ比の変動を回避することを可能としている。
【００４２】
本発明に係る方法は、その一つのアスペクトにおいては、音声の認識処理の停止の指示の入力を受けて音声の認識処理の停止を行う音声認識処理部を有する音声認識装置の制御方法において、音声の認識処理の停止の指示が入力された場合に、音声の終端が検出されたときに音声認識処理を停止させるように制御する工程を含む。
【００４３】
本発明に係る方法は、他のアスペクトにおいて、音声を入力する音声入力部と、ユーザが音声認識処理の停止を指示する操作を行う入力操作部と、前記音声入力部から入力された音声の認識処理を行う音声認識処理部と、を有する音声認識装置の制御方法において、前記入力操作部から音声認識処理の停止の指示が入力された場合に、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない状態である場合には、前記入力操作部から音声認識処理の停止の指示が入力された時点では、前記音声認識処理部での音声認識処理を停止させないように制御する工程を含む。
【００４４】
本発明に係る方法においては、前記入力操作部から音声認識処理の停止の指示が入力された場合、前記音声認識処理の停止の指示が入力された時点から、最長、予め定められた待ち時間、音声の終端の検出待ちとし、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する工程を含む。
【００４５】
【発明の実施の形態】
本発明の好適な実施の形態について説明する。本発明の好適な一実施の形態に係る装置は、マイクロフォン（１１０）からの音声信号を入力しデジタル音声信号に変換して出力するオーディオ入力部（２３０）と、オーディオ入力部からの音声を入力して音声認識処理を行い認識結果を出力する音声認識処理部であって、音声の始端と終端を検出する手段（２２５、２２６）を備えた音声認識処理部（２２０）と、音声認識処理の開始と停止をユーザが指示する入力操作部（１２０、２４０）と、音声認識処理部（２２０）による認識結果を出力する出力装置（１３０、２４３）と、ユーザによる前記入力操作部の出力を入力し、ユーザによる入力操作部（１２０）での操作に基づき、音声認識処理の開始と停止を指示する音声認識処理開始・停止指示部（２４１）と、音声認識処理開始・停止指示部（２４１）から通知される音声認識処理の開始と停止のそれぞれの指示を受け、音声認識処理部（２２０）による音声認識処理の実行を制御する制御部（２１０）と、を備えている。
【００４６】
ユーザは、入力操作部（１２０）を操作して音声認識処理を開始させ、認識対象語を発声し、前記発声が終了した後、入力操作部を操作して、音声認識処理を停止させ、音声認識処理開始・停止指示部（２４１）から、音声認識処理の停止の指示が、制御部（２１０）に伝えられる。
【００４７】
制御部（２１０）では、
（ａ）音声認識処理開始・停止指示部（２４１）から音声認識処理の停止の指示を受けた際に、音声認識処理部（２２０）ですでに音声の終端を検出しているか否か調べる処理手段（２１２）と、
（ｂ）調査の結果、音声の始端を検出する手段（２２５）で音声の始端が検出された状態において、音声の終端を検出する手段（２２６）で音声の終端が検出されている場合、音声認識処理部（２２０）に通知して音声認識処理を停止させる処理手段と、
（ｃ）音声認識処理部（２２０）における認識候補の有無により、認識結果の出力するか、または棄却を通知する制御を行う処理手段と、
（ｄ）調査の結果、音声の始端を検出する手段（２２５）で音声の始端が検出された状態において、音声の終端を検出する手段（２２６）で音声終端が検出されていない場合には、タイマー（２１１）を所定の待ち時間に初期設定した上で該タイマー（２１１）による計時を開始させ、音声認識処理部（２２０）を音声の終端の待ち状態に設定し、待ち状態において、音声終端が検出された場合、音声認識処理部（２２０）による音声認識処理を停止させ、認識結果を表示させる制御を行う処理手段と、
（ｅ）音声終端が検出されないまま、タイマー（２１１）でタイムアウトが発生した場合、音声認識処理部（２２０）における音声認識処理を停止させ、入力音声を棄却した旨を、前記ユーザに通知する制御を行う処理手段と、
を備えている。
【００４８】
本発明の一実施の形態において、制御部（２１０）における上記（ａ）乃至（ｅ）の処理手段は、音声認識装置を構成するコンピュータのプログラムで処理・機能が実現される。
【００４９】
本発明の一実施の形態において、タイマー（２１１）のタイムアウト時間を一定時間に固定させず、例えば、入力音声のパワーと信号対雑音比、認識可能な語彙の性質に応じて可変させる構成としてもよい。
【００５０】
本発明の一実施の形態において、入力操作部から音声認識処理の停止の指示が入力された場合、終端検出手段（２２６）における音声の終端の検出条件を徐々に緩和していく制御を行ってもよい。そして、タイマー（２１１）のタイムアウト時間が経過した時点で音声認識処理を停止する。
【００５１】
本発明の一実施の形態において、オーディオ入力部（２３０）は、音声認識装置が起動されている間、常時、活性化されている。すなわち、ユーザの発声時よりも前に、前記音声入力部の回路、及び、自動ゲイン調整回路の安定化が行われる。
【００５２】
本発明に係る方法は、その一実施の形態において、ユーザによる入力操作に基づき、音声入力部からの音声の認識処理の開始及び停止を行う音声認識処理部を有する音声認識装置において、ユーザが音声認識処理の停止を指示した場合、音声の終端が検出されたときに、音声認識処理を停止する工程を含む。
【００５３】
本発明に係る方法は、その一実施の形態において、音声認識処理部における音声認識処理の停止をユーザが指示するための入力操作部を有する音声認識装置の制御方法として、以下のステップａ乃至ｅを含む。
【００５４】
ステップａ：ユーザが入力操作部を操作して音声認識処理の停止を指示した場合に、音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されているか否か判定する。
【００５５】
ステップｂ：上記ステップａの判定の結果、音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されている場合には、音声認識処理部（図２の２２０）での音声認識処理を停止させる。
【００５６】
ステップｃ：上記ステップａの判定の結果、音声認識処理の停止の指示が入力された時点で、音声の始端が検出されている状態であり、且つ、音声の終端が検出されていない場合、予め定められた所定の待ち時間にタイマー（図２のタイムアウトカウンタ２１１）を初期設定し、タイマー（図２の２１１）による計時を開始させ、タイマー（図２の２１１）でタイムアウトが発生するまで、音声の終端の検出の待ち状態とする。
【００５７】
ステップｄ：タイマー（図２の２１１）でタイムアウト発生前に、音声の終端が検出された場合、音声認識処理動作を停止し、認識結果が存在する場合には、認識結果を前記ユーザに通知する。
【００５８】
ステップｅ：タイマー（図２の２１１）でタイムアウト発生時に、なおも、音声の終端が検出されない場合には、音声認識処理動作を停止し、認識棄却通知を、ユーザに行う。
【００５９】
【実施例】
上記した本発明の実施の形態についてさらに詳細に説明すべく、本発明の実施例について図面を参照して詳細に説明する。
【００６０】
図１は、本発明の一実施例の携帯端末装置の外観の概略を示す図である。図１を参照すると、この実施例の携帯端末装置は、マイクロフォン１１０と、スイッチボタン１２０と、ディスプレイ装置１３０とを少なくとも備えている。スイッチボタン１２０は、ユーザが音声認識処理開始と停止を指示するためのスイッチボタンである。ユーザは、スイッチボタン１２０を押下し、押下し続けたままマイクロフォン１１０に向かって発声し、発声が完了した後、直ちに、スイッチボタン１２０の押下を止める。音声認識処理が正しく行われた場合、音声認識結果（テキスト）がディスプレイ装置１３０に反映される。
【００６１】
図２は、図１に示した本発明の一実施例の携帯端末装置における音声認識装置の構成を示す図である。図２を参照すると、本実施例は、制御部２１０と、音声認識処理部２２０と、オーディオ入力部２３０と、ユーザインターフェイス部２４０とを備えている。
【００６２】
制御部２１０は、音声認識処理部２２０の動作を制御する。制御部２１０は、タイムアウトカウンタ（「タイマー」という）２１１、終端検出機能制御部２１２を備えている。タイムアウトカウンタ２１１は、指定された時間を計時すると、制御部２１０のプロセッサ（不図示）に割り込み等でタイムアウトを通知する。終端検出機能制御部２１２は、予め定められた一定時間ごとに音声認識処理部２２０の制御インターフェイス２２２を通じて終端検出部２２６の動作を制御する。なお、必要に応じて、終端検出部２２６の動作の制御としては、音声終端を検出するための条件を、順次、緩和する制御等も行われる。
【００６３】
音声認識処理部２２０は、オーディオ入力部２３０から入力された音声波形をもとに、制御部２１０の制御に従って、音声認識処理を行い、認識結果を、ユーザインターフェイス部２４０に返す。音声認識処理部２２０は、オーディオ入力部２３０からのデジタル音声信号を受けとって蓄積するリングバッファ２２１と、制御インターフェイス２２２と、特徴分析部２２３と、モデルマッチング部２２４と、音声の始端を検出する始端検出部２２５と、音声の終端を検出する終端検出部２２６を備えている。
【００６４】
制御インターフェイス２２２は、制御部２１０からの指示に応じて、特徴分析部２２３と、モデルマッチング部２２４と、始端検出部２２５と、終端検出部２２６の動作を制御する。
【００６５】
特徴分析部２２３は、リングバッファ２２１から入力された音声信号波形の特徴量を抽出する。モデルマッチング部２２４は、特徴分析部２２３で分析され出力される特徴量を受け取り、モデルマッチング部２２４内の記憶装置（不図示）に記憶保持される音響モデル／単語辞書等を参照して照合を行い、音声認識を行う。
【００６６】
始端検出部２２５と、終端検出部２２６は、特徴分析部２２３で分析された特徴量を基に、それぞれ音声始端、音声終端の検出を行う。
【００６７】
リングバッファ（サーキュラーバッファ）２２１は、オーディオ入力部２３０からの音声信号の波形データを一時的に記憶するバッファであり、例えば読み出しポインタで指し示されるアドレスから蓄積データの読み出しが行われ、書き込みポインタで指し示されるアドレスにデータの書き込みが行われ、ポインタが、最終アドレスに達した場合、例えば先頭アドレスに戻るという具合に、サーキュレートする。制御部２１０から音声認識処理の開始の指示が音声認識処理部２２０の制御インターフェイス２２２に転送された場合、特徴分析部２２３は、リングバッファ２２１の読み出しポインタからデータを読み出す。なお、読み出しポインタと書き込みポインタが同一の場合、空である。
【００６８】
オーディオ入力部２３０は、マイクロフォン２４２からのユーザの発声をアナログ信号で入力し、アナログ・デジタル変換したデジタル音声波形として、音声認識処理部２２０に渡す。
【００６９】
オーディオ入力部２３０は、自動ゲイン調節部２３１と、ＡＤコンバータ２３２を備えている。自動ゲイン調節部２３１は、入力音声のパワーに従って、オーディオ入力部２３０の入力ゲインを調節する。ＡＤコンバータ２３２は、自動ゲイン調節部２３１でゲイン調節されたアナログ音声信号をデジタル信号に変換する。オーディオ入力部２３０は、装置がオン時、常時、活性化状態とされている。
【００７０】
ユーザインターフェイス部２４０は、音声認識処理開始／停止指示部２４１と、マイクロフォン２４２と、認識処理結果表示部２４３と、を備えている。
【００７１】
音声認識処理開始／停止指示部２４１は、図１におけるスイッチボタン１２０に相当しており、発声者であるユーザ本人が、音声認識処理の開始または停止を指示するために用いられる。
【００７２】
音声認識処理開始／停止指示部２４１の出力は、制御部２１０に供給され、音声認識処理開始、停止の指示は、制御部２１０に伝えられる。
【００７３】
マイクロフォン２４２は、ユーザの発声を入力し、そのアナログ音声信号をオーディオ入力部２３０に送出する。
【００７４】
認識結果表示部２４３は、ディスプレイ装置（図１の１３０）よりなり、音声認識処理部２２０の出力を表示する。
【００７５】
図３は、本発明の一実施例の動作を説明するためのフローチャートである。図３を参照して、本発明の一実施例の動作について説明する。
【００７６】
ユーザは、携帯端末の音声認識装置を起動する（ステップＡ１）。
【００７７】
音声認識装置の起動を受け、制御部２１０は、オーディオ入力部２３０を用いて、音声波形の取り込みを開始する（ステップＡ２）。オーディオ入力部２３０は、音声認識用に占有される（すなわち、録音等には利用されない）。なお、この時点では、まだ音声認識処理部２２０における音声認識処理動作は、停止しており、特徴分析部２２３及びモデルマッチング部２２４による音声認識処理は行われない。このとき、オーディオ入力部２３０のＡＤコンバータ２３２から出力されるデジタル信号は、リングバッファ２２１に書き込まれていくが、特徴分析部２２３等による読み出しは行われず、バッファが溢れた場合、再び先頭から書き込みが行われる。
【００７８】
次に、ユーザが、スイッチボタン１２０（図１参照）を押下し、音声認識処理開始／停止指示部２４１から、音声認識処理の開始を、制御部２１０に通知する（ステップＡ３）。
【００７９】
制御部２１０は、音声認識処理部２２０を起動させ、音声認識処理部２２０による音声認識処理が開始される（ステップＡ４）。特徴分析部２２３は、リングバッファ２２１の読み出しポインタが示すアドレスからデジタル音声信号を所定数セグメント分、読み出し、特徴パラメータの抽出を行う。
【００８０】
ユーザは、スイッチボタン１２０（図１参照）を押下したまま、認識対象語を発声し（ステップＡ５）、発声が終わった後、速やかに、スイッチボタン１２０を離す。このスイッチボタン１２０の操作を受けて、音声認識処理開始／停止指示部２４１から、音声認識処理の停止の指示が制御部２１０に伝えられ、制御部２１０から、音声認識処理部２２０の動作の停止が指示される（ステップＡ６）。
【００８１】
音声認識処理部２２０における音声認識処理が停止する（ステップＡ７）。
【００８２】
このとき、認識候補単語が得られていれば（ステップＡ８のＹｅｓ）、認識候補単語の結果を、ディスプレイ装置１３０に出力する（ステップＡ９）。
【００８３】
発声の声が小さすぎたり、大きすぎたり、または、音声認識処理部２２０が認識できない発声であった場合、音声認識処理部２２０は、制御部２１０に、認識候補を一つも返さないことがある。この場合、制御部２１０は、当該発声の入力は、棄却されたものと判断し、ディスプレイ装置１３０に、その旨を出力してユーザに通知する（ステップＡ１０）。
【００８４】
ユーザが音声認識機能の利用を終了する場合、オーディオ入力部２３０の占有を解放する（ステップＡ１１）。オーディオ入力部２３０は、録音等に利用可能とされる。
【００８５】
図４は、本発明の一実施例における音声認識処理の停止動作を説明するためのフローチャートである。図４を参照して、本発明の一実施例における音声認識処理の停止動作について説明する。
【００８６】
ユーザが、ストップボタン１２０を離し、音声認識開始／停止指示部２４１によって、音声認識の停止を指示する（ステップＢ１）。
【００８７】
制御部２１０の終端検出機能制御部２１２は、音声認識処理部２２０の終端検出部２２６で音声終端を検出しているか否かを調べる（ステップＢ２）。
【００８８】
音声認識処理部２２０の終端検出部２２６で、すでに音声終端が検出されている場合、制御部２１０は、音声認識処理部２２０に通知して、音声認識処理を停止させ（ステップＢ３）、認識候補の有無により、結果の表示または棄却の通知を行う（ステップＢ５、Ｂ６）。
【００８９】
一方、音声認識処理部２２０の終端検出部２２６で、まだ音声終端が検出されていない場合、制御部２１０の終端検出機能制御部２１２は、音声認識処理部２２０の終端検出部２２６に通知して、音声終端の待ち状態となる。
【００９０】
まず、制御部２１０では、タイムアウトカウンタ２１１を初期化し、あらかじめ定められたタイムアウト時間（タイマー値）をセットする（ステップＢ７）。
【００９１】
ついで、制御部２１０は、音声認識処理部２２０の終端検出部２２６で音声終端が検出されるまで待ち（ステップＢ８）、音声認識処理部２２０の終端検出部２２６で音声終端が検出されたら、音声認識処理部２２０における音声認識処理を停止し、音声認識処理結果を表示する（図４ステップＢ３からＢ６）。
【００９２】
タイムアウトカウンタ２１１のタイムアウト設定時間が経過しても、音声終端が検出されない、すなわち、音声終端を待っている間に、タイムアウトが発生した場合（ステップＢ９のＹｅｓ）、制御部２１０は、音声終端の有無にかかわらず、強制的に、音声認識処理部２２０における音声認識処理を停止し（ステップＢ１０）、入力を棄却したことをユーザに通知する（ステップＢ６）。
【００９３】
本実施例において、タイムアウトカウンタ２１１のタイムアウト設定時間を可変に制御するようにしてもよい。例えば、音声認識処理部２２０で算出された入力音声のパワー値、ＳＮ（信号対雑音）比のうちの少なくとも１つ、及び／又は、認識可能な語彙の性質に応じて、タイムアウトカウンタ２１１のタイムアウト設定時間を可変させるように制御する構成としてもよい。入力音声のパワー値が相対的に高い場合（ＳＮ比が所定値以上の場合）、話者の発声が続くものと予測され、音声終端検出待ち制御用のタイムアウトカウンタ２１１のタイムアウト設定時間は長く設定される。逆に、入力音声のパワー値が相対的に低い場合（ＳＮ比が所定値未満の場合）、発声は終わるか／無いものと予測され、音声終端検出待ち制御用のタイムアウトカウンタ２１１のタイムアウト設定時間は短く設定される。音声認識処理部２２０で認識可能な語彙に応じてタイムアウト設定時間を調整してもよい。例えば語彙が明瞭に認識できる場合、話者の発声はしばらく続くものと予測され、音声終端検出待ち制御用のタイムアウトカウンタ２１１のタイムアウト設定時間は長く設定される。
【００９４】
次に、本発明の一実施例における音声認識処理部２２０の始端検出部２２５、及び終端検出部２２６の処理の一例について説明する。
【００９５】
入力音声波形には、発声部分の直前に一定時間以上の無音部分の存在を前提とする。
【００９６】
入力音声波形を順次監視し、入力音声のパワーあるいはＳＮ比が、予め定められたパワー値、あるいはＳＮ比を上回れば、その時点を音声始端とする。
【００９７】
音声始端を検出したとき、その直前の数フレームの無音部分から、背景音のパワーを求め、音声終端の検出のために用いる閾値を設定する。
【００９８】
入力音声波形を順次監視し、入力音声のパワー値あるいはＳＮ比が、上記閾値を下回れば、その時点で、音声の終端とする。
【００９９】
そして、音声終端を特定した後も、入力音声波形を監視し、予め定められた時間内に、再び、音声始端が検出された場合、先に検出した終端を、キャンセルする。
【０１００】
本実施例において、音声認識処理の停止の指示がなされた場合、終端検出部２２６における音声の終端の検出条件を一定とするのではなく、徐々に、緩和するようにしてもよい。例えば、待ち時間の経過とともに、入力音声のパワー値あるいはＳＮ比と比較される閾値の値を高くすることで、音声の終端の検出条件の緩和が行われる。
【０１０１】
次に、上記した本実施例の作用効果の一例について説明する。図５（Ａ）は、比較例の作用効果を説明するための図であり、図５（Ｂ）は、本発明の作用効果を説明するための図である。
【０１０２】
本発明は、音声認識処理の停止の指示が入力された場合に、該音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声終端が検出されていない状態である場合には、音声認識処理の停止の指示が入力された時点では、音声認識処理部２２０での音声認識処理を停止させないよう制御することを特徴の一つとしている。比較例として、例えば上記特許文献１（特開２０００−８９７８９号公報）に記載された発明では、図５（Ａ）に示すように、音声認識停止指示の後に発声された音声は認識の対象とならない。このため、ユーザの意図に反して、音声認識停止指示が行われた場合（例えばユーザがうっかりしてボタンから指を離すタイミングが早すぎる等）、当該発声が正しく認識されることはほとんどなかった。
【０１０３】
これに対して、本発明によれば、図５（Ｂ）に示すように、音声認識処理の停止の指示が入力された後に発声された音声も認識対象とされる。
【０１０４】
システムの性能調査を行ったところ、あるせっかちな傾向の話者では、ほとんどの発声で尻切れを起こしており、上記比較例の装置では、その認識率（認識成功率）は５０％程度であった。
【０１０５】
これに対して、本発明の音声認識装置では、この話者の認識率は、実に８０％〜１００％に達した。なお、携帯型の情報端末装置に、本発明の音声認識装置を組み込み、鉄道の経路探索の入力として駅名を音声入力で行い、本発明と、本発明の構成を具備しない比較例との認識率を比較した。
【０１０６】
比較例の装置では、尻切れを起こしやすい話者は、意識的にゆっくりとスイッチ操作を行わなければならなかった。本発明を実装した装置では、話者は、例えば、多少ぞんざいにスイッチ操作を行っても認識可能となり、操作性、認識率を向上している。
【０１０７】
また本発明において、タイマー２１１によるタイムアウト発生時、音声終端が検出されていない場合、音声認識処理を停止させる制御を行っている。
【０１０８】
このタイムアウト機能を具備しない場合、雑音を拾って誤動作すると、最悪の場合、音声認識処理はいつまでも停止しないことになる。
【０１０９】
一方、タイムアウト時間の設定が短すぎると、音声認識処理の停止の指示が入力された後に発声された音声の認識率が低下する。タイムアウト時間の設定が長すぎると、ユーザインターフェイスの応答が悪化する。
【０１１０】
本発明の実装において、タイマー２１１のタイムアウト時間は、代表値として３秒に設定されている。このタイムアウト設定値で、声認識処理の停止が指示された後に発声された音声の認識率の低下が回避され、ユーザからレスポンスが悪いというコメントはなかった。
【０１１１】
発声直前に、オーディオ入力部２３０を立ち上げると、過渡的不安定の影響を受け、入力音声に歪みが生じ、そのため音声認識処理部２２０での認識精度が低下する。
【０１１２】
フィードバック制御により増幅器のゲインが可変に自動設定される自動ゲイン調整機能（ＡＧＣ）が具備されているハードウェア構成の場合、発声直前から自動ゲイン調整機能（ＡＧＣ）が効き始めると、発声の直前、直後で、ハードウェアの過渡等により、ゲインが大きくなる異なることがある。
【０１１３】
音声認識処理部２２０は、オーディオ入力部２３０のゲイン設定値を知ることができないため、ゲインが変動すると、実際の入力音声のパワーやＳＮ比を取得することができない。音声の始端検出部２２５、終端検出部２２６における始端、終端の検出は、パワー値とＳＮ比を用いて行われるため、実際の入力音声のパワーやＳＮ比を取得することができないと、音声の始端、終端の検出の精度が低下する。
【０１１４】
オーディオ入力部を常時活性化する構成をとらない場合、音声開始ボタンを押下した直後の発声は、例外なく誤認識される。
【０１１５】
これに対して、本発明によれば、音声開始ボタンを押下した直後の発声も正しく認識される。
【０１１６】
本発明の構成をとらない場合、オーディオ入力部の自動ゲイン調整機能（ＡＧＣ）が活性化されていると、音声の始端、終端をただしく検出できないことが多い。この場合、ユーザが、オーディオ入力部の自動ゲイン調整機能（ＡＧＣ）をオフ状態に切り替える必要があり、不便である。
【０１１７】
また、現行製品のいくつかのものは、オーディオ入力部の自動ゲイン調整機能（ＡＧＣ）のオン及びオフをユーザが設定することはできず、常に、自動ゲイン調整機能はオン状態とされている。この場合、音声の始端、終端の検出精度が低くなる。
【０１１８】
本発明によれば、オーディオ入力部を常時オン状態とすることで、ユーザの発声より可能な限り、早い段階でハードウェアの過渡現象や自動ゲイン調整機能の安定化が行われており、音声認識開始指示の直後には、すでに安定状態に入っている。このため、自動ゲイン調整機能の影響を、音声の始端、終端の検出に支障がでない程度に抑えることができる。
【０１１９】
上記作用効果を奏する本発明の音声認識装置は、例えばＰＤＡ等の携帯型端末に実装して好適とされる。
【０１２０】
以上本発明を上記実施例に即して説明したが、本発明は、上記実施例の構成にのみ限定されるものでなく、本願特許請求の範囲の請求項の発明の範囲内で当業者であればなし得るであろう各種変形、修正を含むことは勿論である。
【０１２１】
【発明の効果】
以上説明したように、本発明によれば、下記記載の効果を奏する。
【０１２２】
本発明の第１の効果は、ユーザが発声中に誤って音声認識処理部に停止を指示した場合でも、それ以降に発声された音声について、認識処理を続行することができる、ということである。
【０１２３】
本発明の第２の効果は、実際にはユーザの発声は終了しているにもかかわらず、誤って音声認識停止指示が無視された場合、少なくとも、一定時間以内に、音声認識処理が終了することを、ユーザに保証することによって、ユーザビリティを向上することができる、ということである。
【０１２４】
本発明の第３の効果は、オーディオ入力部の立ち上がりの過渡的不安定状態を回避することができる、ということである。
【０１２５】
その理由は、音声認識装置が、起動した直後から、終了するまでの間、常に、オーディオ入力部を活性化させているため、音声認識開始指示の直後には、すでに安定状態に入っているためである。
【図面の簡単な説明】
【図１】本発明の一実施例の携帯端末の構成を示す図である。
【図２】本発明の一実施例の携帯端末の構成を示す図である。
【図３】本発明の一実施例の動作を説明するためのフローチャートである。
【図４】本発明の一の実施例における音声認識処理停止の動作を説明するためのフローチャートである。
【図５】（Ａ）、（Ｂ）は、比較例と本発明との音声認識の作用効果の相違点を比較して説明するための図である。
【符号の説明】
１００　携帯端末
１１０、２４２　マイクロフォン
１２０　スイッチボタン
１３０　ディスプレイ装置
２００　音声認識システム
２１０　制御部
２１１　タイムアウトカウンタ
２１２　終端検出機能制御部
２２０　音声認識処理部
２２１　リングバッファ
２２３　特徴分析部
２２４　モデルマッチング部
２２５　始端検出部
２２６　終端検出部
２３０　オーディオ入力部
２３１　自動ゲイン調節部
２４０　ユーザインターフェイス部
２４１　音声認識処理開始／停止指示部
２４３　認識結果表示部

Claims

音声入力手段から入力された音声の認識処理を行う音声認識手段と、
前記音声入力手段から入力された音声の終端を検出する手段と、
前記音声の終端を検出する手段によって音声の終端が検出された場合に、前記音声認識手段による音声認識処理を停止させるように制御する手段と、
を含む、ことを特徴とする音声認識装置。
音声を入力する音声入力部と、
ユーザの所定の操作による、少なくとも音声認識処理の停止の指示を入力する入力操作部と、
前記音声入力部から入力された音声の認識処理を行う音声認識処理部であって、音声の始端を検出する手段と、音声の終端を検出する手段と、を備えた音声認識処理部と、
前記入力操作部から音声認識処理の停止の指示が入力された場合に、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない状態である場合には、前記入力操作部から音声認識処理の停止の指示が入力された時点では、前記音声認識処理部での音声認識処理を停止させないように制御する手段と、
を含む、ことを特徴とする音声認識装置。
前記音声認識処理の停止の指示が入力された場合、前記音声認識処理の停止の指示が入力された時点から、最長、予め定められた待ち時間、音声の終端の検出待ちとし、前記待ち時間が経過した時点で、前記音声認識処理を、停止するように制御する手段を含む、ことを特徴とする請求項２記載の音声認識装置。
前記待ち時間以内に、前記音声の終端が検出された場合に、前記音声認識処理部での音声認識処理を停止させるように制御する手段を含む、ことを特徴とする請求項３記載の音声認識装置。
前記待ち時間を、入力音声のパワー値と信号対雑音比とのうちの少なくとも１つ、及び／又は、認識可能な語彙の性質に応じて、可変させる手段を含む、ことを特徴とする請求項３又は４記載の音声認識装置。
前記入力操作部から音声認識処理の停止の指示が入力された場合、音声の終端の検出条件を徐々に緩和していき、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する手段を含む、ことを特徴とする請求項３乃至５のいずれか一に記載の音声認識装置。
前記待ち時間が経過した時点で、前記音声認識処理を停止した際、ユーザにその旨を通知する手段を含む、ことを特徴とする請求項３乃至６のいずれか一に記載の音声認識装置。
前記音声入力部は、前記音声認識装置が起動されている間、常時、活性化されている、ことを特徴とする請求項２乃至７のいずれか一に記載の音声認識装置。
前記音声入力部のハードウェア回路、及び、前記音声入力部における、入力信号を増幅するゲインを自動調整する自動ゲイン調整器の安定化が、ユーザの発声時よりも前の時点で行われる、ことを特徴とする請求項８記載の音声認識装置。
音声認識処理部における音声認識処理の停止を、ユーザが指示するための入力操作部を有する音声認識装置において、
前記ユーザが前記入力操作部を操作して音声認識処理の停止を指示した場合に、前記音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されているか否か判定する手段と、
前記判定の結果、前記音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されている場合、前記音声認識処理部での音声認識処理を停止させる手段と、
前記判定の結果、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない場合、予め定められた所定の待ち時間に、タイマーを初期設定し、前記タイマーでの計時を開始させ、前記タイマーでタイムアウトが発生するまで、前記音声認識処理部を、音声の終端の検出待ちに設定する手段と、
前記タイマーでタイムアウト発生前に音声の終端が検出された場合、前記音声認識処理部の動作を停止し、認識結果が存在する場合に、認識結果を、前記ユーザに通知する手段と、
前記タイマーでタイムアウト発生時に、なお音声の終端が検出されない場合、前記音声認識処理部の動作を停止し、認識棄却通知を、前記ユーザに行う手段と、
を含む、ことを特徴とする音声認識装置。
マイクロフォンからのアナログ音声信号を入力しデジタル音声信号に変換して出力するオーディオ入力部と、
前記オーディオ入力部から出力されるデジタル音声信号を入力して、前記音声信号の特徴の分析処理とパターン照合処理による音声認識処理を行い認識結果を出力する音声認識処理部であって、音声の始端を検出する始端検出手段と、音声の終端を検出する終端検出手段と、を備えた音声認識処理部と、
音声認識処理の開始及び停止をユーザが指示する入力操作部と、
前記音声認識処理部による認識結果を出力する出力装置と、
ユーザによる前記入力操作部の出力を入力し、前記ユーザによる前記入力操作部での操作に基づき、音声認識処理の開始と停止を指示する音声認識処理開始・停止指示部と、
前記音声認識処理開始・停止指示部から通知される音声認識処理の開始と停止のそれぞれの指示を受け、前記音声認識処理部による音声認識処理の実行を制御する制御部と、
を備え、
ユーザは、前記入力操作部から音声認識処理の開始を指示して、前記音声認識処理開始・停止指示部、及び前記制御部を介して、前記音声認識処理部での音声認識処理を開始させ、認識対象語を発声し、前記発声が終了した後、前記入力操作部から音声認識処理の停止を指示し、前記音声認識処理開始・停止指示部を介して、音声認識処理の停止の指示が前記制御部に伝えられ、
前記制御部は、
タイマーと、
前記音声認識処理開始・停止指示部から音声認識処理の停止の指示を受けた際に、前記終端検出手段ですでに音声の終端を検出しているか否か調べ、前記終端検出手段で前記音声の終端が検出されている場合には、前記音声認識処理部に通知して音声認識処理を停止させる手段と、
前記音声認識処理部における認識候補の有無により、認識結果を出力装置に出力するか、または棄却を通知する制御を行う手段と、
一方、前記音声認識処理開始・停止指示部から音声認識処理の停止の指示を受けた際に、前記始端検出手段で音声の始端が検出されている状態で、前記終端検出手段で音声の終端が検出されていない場合には、前記タイマーを所定の待ち時間に設定した上で起動し、前記音声認識処理部を、音声の終端の検出待ちに設定し、音声の終端の検出待ち状態において、前記終端検出手段で音声の終端が検出された場合、前記音声認識処理部による音声認識処理を停止させ、認識結果を、前記出力装置に出力させる制御を行う手段と、
前記終端検出手段で音声の終端が検出されないまま、前記タイマーでタイムアウトが発生した場合、前記音声認識処理部における音声認識処理を停止させ、入力音声を棄却した旨を、前記ユーザに通知する制御を行う手段と、
を備えている、ことを特徴とする音声認識装置。
前記オーディオ入力部は、音声認識装置が起動されている間、常時、活性化されている、ことを特徴とする請求項１１記載の音声認識装置。
前記オーディオ入力部は、入力音声のパワーに従って、前記入力音声を増幅するゲインを自動調整する自動ゲイン調節器を備えている、ことを特徴とする請求項１１記載の音声認識装置。
音声の認識処理の停止の指示の入力を受けて音声の認識処理の停止を行う音声認識処理部を有する音声認識装置の制御方法において、
音声の認識処理の停止の指示が入力された場合に、音声の終端が検出されたときに、前記音声の認識処理を停止させるように制御する工程を含む、ことを特徴とする音声認識装置の制御方法。
音声を入力する音声入力部と、
ユーザが音声認識処理の停止を指示する操作を行う入力操作部と、
前記音声入力部から入力された音声の認識処理を行う音声認識処理部と、
を有する音声認識装置の制御方法において、
前記入力操作部から音声認識処理の停止の指示が入力された場合に、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない状態である場合には、前記入力操作部から音声認識処理の停止の指示が入力された時点では、前記音声認識処理部での音声認識処理を停止させないように制御する工程を、含む、ことを特徴とする音声認識装置の制御方法。
前記入力操作部から音声認識処理の停止の指示が入力された場合、前記音声認識処理の停止の指示が入力された時点から、最長、予め定められた待ち時間、音声の終端の検出待ちとし、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する工程を含む、ことを特徴とする請求項１５記載の音声認識装置の制御方法。
前記待ち時間以内に、音声の終端が検出された場合に、前記音声認識処理部での音声認識処理を停止させるように制御する工程を含む、ことを特徴とする請求項１６記載の音声認識装置の制御方法。
前記待ち時間を、入力音声のパワーと信号対雑音比のうちの少なくとも１つ、及び／又は、認識可能な語彙の性質に応じて、可変させる工程を含む、ことを特徴とする請求項１６又は１７記載の音声認識装置の制御方法。
前記入力操作部から音声認識処理の停止の指示が入力された場合、音声の終端の検出条件を徐々に緩和していき、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する工程を含む、ことを特徴とする請求項１６乃至８のいずれか一に記載の音声認識装置の制御方法。
前記待ち時間が経過した時点で、前記音声認識処理を停止した際、ユーザにその旨を通知する工程を含む、ことを特徴とする請求項１６乃至１９のいずれか一に記載の音声認識装置の制御方法。
前記音声入力部は、前記音声認識装置が起動されている間、常時、活性化されている、ことを特徴とする請求項１５乃至２０のいずれか一に記載の音声認識装置の制御方法。
ユーザの発声時よりも前に、前記音声入力部のハードウェア回路、及び、前記音声入力部における入力信号を増幅するゲインを自動調整する自動ゲイン調整器の安定化が行われる、ことを特徴とする請求項２１記載の音声認識装置の制御方法。
少なくとも、音声認識処理部における音声認識処理の停止の指示を、ユーザが入力するための入力操作部を有する音声認識装置の制御方法において、
前記ユーザが前記入力操作部を操作して音声認識処理の停止を指示した場合に、前記音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されているか否か判定する工程と、
前記判定の結果、前記音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されている場合、前記音声認識処理部での音声認識処理を停止させる工程と、
前記判定の結果、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない場合には、予め定められた所定の待ち時間に、タイマーを初期設定し、前記タイマーでの計時を開始させ、前記タイマーでタイムアウトが発生するまで、前記音声認識処理部を音声の終端の検出の待ち状態に設定する工程と、
前記タイマーでタイムアウト発生前に、音声の終端が検出された場合、前記音声認識処理部の動作を停止し、認識結果が存在する場合、認識結果を前記ユーザに通知する工程と、
前記タイマーでタイムアウト発生時に、なお音声の終端が検出されない場合、前記音声認識処理部の動作を停止し、認識棄却通知を、前記ユーザに行う工程と、
を含む、ことを特徴とする音声認識装置の制御方法。
音声入力手段から入力された音声の認識処理を行う音声認識手段と、
前記音声入力手段から入力された音声の終端を検出する手段と、を有する音声認識装置を構成するコンピュータに、
音声の終端が検出された場合に、前記音声認識手段による音声認識処理を停止させるように制御する処理を実行させるプログラム。
音声を入力する音声入力部と、
ユーザが音声認識処理の停止を指示する操作を行う入力操作部と、
前記音声入力部から入力された音声の認識処理を行う音声認識処理部であって、音声の始端を検出する手段と、音声の終端を検出する手段と、を備えた音声認識処理部と、
を有する音声認識装置を構成するコンピュータに、
前記入力操作部から音声認識処理の停止の指示が入力された場合に、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出された状態であり、且つ、音声の終端が検出されていない場合には、前記入力操作部から音声認識処理の停止の指示が入力された時点では、前記音声認識処理部での音声認識処理を停止させないように制御する処理を実行させるプログラム。
請求項２５記載のプログラムにおいて、
前記音声認識処理の停止の指示が入力された場合、前記音声認識処理の停止の指示が入力された時点から、最長、予め定められた待ち時間、音声の終端の検出待ちとし、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する処理を、前記コンピュータに実行させるプログラム。
請求項２６記載のプログラムにおいて、
前記待ち時間以内に、前記音声の終端が検出された場合に、前記音声認識処理部での音声認識処理を停止させるように制御する処理を、前記コンピュータに実行させるプログラム。
請求項２６記載のプログラムにおいて、
前記待ち時間を、入力音声のパワーと信号対雑音比のうちの少なくとも１つ、及び／又は、認識可能な語彙の性質に応じて、可変させる処理を、前記コンピュータに実行させるプログラム。
請求項２６記載のプログラムにおいて、
前記音声認識処理の停止の指示が入力された場合、音声の終端の検出条件を徐々に緩和していき、前記待ち時間が経過した時点で、前記音声認識処理を停止するように制御する処理を、前記コンピュータに実行させるプログラム。
請求項２６記載のプログラムにおいて、
前記待ち時間が経過した時点で、前記音声認識処理を停止した際、ユーザにその旨を通知する処理を、前記コンピュータに実行させるプログラム。
少なくとも、音声認識処理部における音声認識処理の停止の指示を、ユーザが入力するための入力操作部を有する音声認識装置を構成するコンピュータに、
前記ユーザが入力操作部を操作して音声認識処理の停止を指示した場合に、前記音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されているか否か判定する処理と、
前記判定の結果、前記音声認識処理の停止の指示が入力された時点で、音声の終端がすでに検出されている場合、前記音声認識処理部での音声認識処理を停止させる処理と、
前記判定の結果、前記音声認識処理の停止の指示が入力された時点で、音声の始端が検出されており、且つ、音声の終端が検出されていない場合、予め定められた所定の待ち時間に、タイマーを初期設定し、前記タイマーでの計時を開始させ、前記タイマーでタイムアウトが発生するまで、前記音声認識処部を、音声の終端の検出待ちに設定する処理と、
前記タイマーでタイムアウト発生前に音声終端が検出された場合、前記音声認識処理部の動作を停止し、認識結果が存在する場合、認識結果を前記ユーザに通知する処理と、
前記タイマーでタイムアウト発生時に、なお音声終端が検出されない場合、前記音声認識処理部の動作を停止し、認識棄却通知を、前記ユーザに行う処理と、
を実行させるプログラム。
請求項１乃至１３のいずれか一に記載の音声認識装置を備えた携帯型情報端末装置。