JP2014142566A - 音声認識システムおよび音声認識方法 - Google Patents

Abstract

【課題】音声認識に不慣れなユーザであっても、複数の単語を音声入力してＡＮＤ検索しやすくできる「音声認識システムおよび音声認識方法」を提供する。
【解決手段】車載機１００において入力した音声を解析のためにサーバ２００に送信した後も音声入力部１１が音声入力の受付状態を維持し、入力される１以上の音声を随時サーバ２００に送信するようにするとともに、サーバ２００においては、音声認識部２２で一の音声に関する解析が終了する前に車載機１００より次の音声が送信されてきた場合に、音声追加制御部２４が当該次の音声を現在解析中の音声に対する追加音声として扱うように音声認識部２２を制御することにより、複数の単語を断続的に発話することにより途中で音声の解析が開始されてしまった場合であっても、複数の単語によるまとまりを単位とした音声認識を行うことができるようにする。
【選択図】図１

Description

本発明は、音声認識システムおよび音声認識方法に関し、特に、端末で入力された音声の解析をサーバに問い合わせて実行するように成された音声認識システムに用いて好適なものである。

従来、運転者の片手運転等を回避するために、車載機の操作を音声認識により行えるようにしたシステムが提供されている。この音声認識技術を用いれば、運転者は、ハンドルから手を離すことなく車載機の操作を行うことが可能である。一方、最近ではインターネットに接続可能な車載機も提供され、所望のキーワードを入力してインターネット上の情報を検索することも可能となっている。このキーワード入力を音声認識により行うことが可能になされた車載機も存在する。

音声認識システムは通常、ユーザによる音声認識ボタンの押下後に、マイクから入力された発話音声を解析し、当該発話音声との類似度が高い音声パターンを有する単語や熟語等の文字列を音声辞書から抽出するようになされている。上述のようにインターネット上の情報を検索する場合は、発話音声から認識された文字列をキーワードとして用いてインターネット検索を行い、その検索結果を車載機のディスプレイに表示する。複数の単語を発話すれば、複数の単語を音声認識してＡＮＤ検索することも可能である。

なお、特許文献１には、音声認識の結果、複数の単語が抽出され、その中から何れか複数の単語が絞り込み単語として選択された場合、選択された複数の単語を全て含むＡＮＤ検索を行うことが記載されている（段落[００１８]、[００１９]参照）。

しかしながら、既存の音声認識システムでは、複数の単語を音声入力してＡＮＤ検索をするためには、所定のスイッチ操作が不可欠である。また、音声の解析が始まると、追加の単語を入力したくても受け付けてもらえず、一度解析結果が出力されるまではユーザは何もすることができない。つまり、解析が始まった後は、追加の単語を入力してＡＮＤ検索を行うことができなくなってしまう。

これは、例えば音声認識に不慣れなユーザにとっては非常に不便である。すなわち、音声認識に不慣れなユーザは、複数の単語や文節の間を無言の状態で空けすぎてしまう傾向がある。その場合、無言の状態が一定時間続くと、音声認識システムはそれまでに入力された音声の解析を開始し、それ以降の音声入力を受け付けなくなってしまう。そのため、一度解析結果が出力されるまで待って、最初から音声入力をやり直さなければならなくなり、これがユーザビリティに対しての不満にも繋がっている。

ところで、近年では、上述のような音声の解析を車載機からサーバに問い合わせて実行するように成された音声認識システムも提供されている。サーバであれば、車載機が搭載している認識エンジンよりも高性能な認識エンジンを使うことができるので、認識のパフォーマンスが向上する。なお、この種の音声認識システムには、「完全オフボード型」と呼ばれるタイプと、「ハイブリッド型」と呼ばれるタイプとが存在する。

完全オフボード型は、マイクより車載機に入力された音声を全てサーバに送信してサーバのみで解析を行うものである。一方、ハイブリッド型は、マイクより車載機に入力された音声をまずは車載機にて解析する。そして、音声を車載機で解析できなかった場合（発話音声に対応する音声パターンが車載機の音声辞書に登録されていない場合など）に、サーバに問い合わせて音声の解析を実行するものである。

このようにサーバを用いた音声認識システムは、今後主流になっていくと考えられる。その場合、従来の音声認識システムと比べて認識エンジンが高性能化することを謳い文句とすることが明白なだけに、上述したユーザビリティの悪さはこれまで以上に期待外れとなり、ユーザの不満が爆発することが予想される。

特開２０１２−２２２５１号公報

本発明は、このような問題を解決するために成されたものであり、音声認識に不慣れなユーザであっても、複数の単語を音声入力してＡＮＤ検索を行いやすくすることができるようにして、音声認識に関するユーザビリティの向上を図ることを目的とする。

上記した課題を解決するために、本発明では、端末において入力した音声を解析のためにサーバに送信した後も、解析結果がサーバから送られてくるまでは音声入力の受付状態を維持し、その間に入力される１以上の音声を端末からサーバに随時送信するようにする。また、サーバにおいて端末から送られてくる音声を解析して文字列を抽出する音声認識処理を行う際に、一の音声に関する解析が終了する前に端末より次の音声が送信されてきた場合、端末より新たに送信されてきた次の音声を現在解析中の音声に対する追加音声として扱うようにしている。

上記のように構成した本発明によれば、端末からサーバに音声を送信して解析を実行している最中でも端末において次の音声の入力が受け付けられ、入力された次の音声がサーバに送信される。そして、新たに送信された次の音声がサーバにおいて現在解析中の音声に対する追加音声として処理されることとなる。これにより、音声認識に不慣れなユーザが、ある程度の時間間隔を置いて複数の単語を断続的に発話することにより、当該時間間隔の間にサーバにおいて音声の解析が開始されてしまった場合であっても、複数の単語によるまとまりを単位とした音声認識や検索等を行うことができ、音声認識に関するユーザビリティの向上を図ることができる。

第１の実施形態による音声認識システムの構成例を示す図である。 第１の実施形態による音声認識システムを構成する車載機の動作例を示すフローチャートである。 第１の実施形態による音声認識システムを構成するサーバの動作例を示すフローチャートである。 第２の実施形態による音声認識システムの構成例を示す図である。 第３の実施形態による音声認識システムの構成例を示す図である。

（第１の実施形態）
以下、本発明の第１の実施形態を図面に基づいて説明する。図１は、第１の実施形態による音声認識システムの構成例を示す図である。図１に示す音声認識システムは、認識対象の音声を入力する端末としての車載機１００と、音声認識処理を行うサーバ２００とを備え、車載機１００より入力された音声の解析をサーバ２００に問い合わせて実行するようになされている。

第１の実施形態による音声認識システムは、完全オフボード型と呼ばれるタイプを示したものであり、車載機１００において入力された発話音声を全てサーバ２００に送信してサーバ２００で音声認識処理を行い、その認識結果を車載機１００に返信する。また、第１の実施形態では、車載機１００の操作（例えば、車載機１００がナビゲーション装置である場合の目的地設定操作など）を音声入力で行う場合を例として説明する。

図１に示すように、車載機１００は、その機能構成として、音声入力部１１、音声送信部１２、認識結果受信部１３および認識結果処理部１４を備えている。また、サーバ２００は、その機能構成として、音声受信部２１、音声認識部２２、音声辞書２３、音声追加制御部２４および認識結果送信部２５を備えている。

車載機１００の音声入力部１１は、図示しないマイクより認識対象の音声を入力する。第１の実施形態では、音声入力部１１は、ユーザが図示しない発話ボタンを押下してから所定の受付時間（例えば、５秒）の間だけ音声入力の受付状態となり、その受付時間の間にマイクより入力された音声を音声送信部１２に供給する。ここで、音声入力部１１は、入力される音声が有音状態から無音状態に切り替わってから所定時間（例えば、１秒）が経過したときにタイムアウトとし、それまでに入力された音声（有音状態のときの入力音声）を音声送信部１２に供給する。

音声送信部１２は、音声入力部１１より供給された音声をサーバ２００に送信する。なお、車載機１００とサーバ２００との間はインターネット等の通信ネットワークで接続されており、音声送信部１２はこの通信ネットワークを介して入力音声をサーバ２００に送信する。

ここで、音声入力部１１は、音声送信部１２がサーバ２００に音声を送信した後も、発話ボタンが押下されてから受付時間が経過しておらず、かつ、送信した音声の解析結果（第１の実施形態の場合は音声認識結果）がサーバ２００から送られてくるまでは音声入力の受付状態を維持する。音声送信部１２は、このような受付状態の間に音声入力部１１により入力される１以上の音声を随時サーバ２００に送信する。ここでいう１以上の音声とは、音声入力の受付時間の間にタイムアウトを受けながら断続的に入力された音声である。

すなわち、いったんタイムアウトとなって１つの音声が音声送信部１２によりサーバ２００に送信された後も、音声入力の受付時間が経過するまでの間に続けて発話が行われると、音声入力部１１はその発話音声の入力も受け付けて、その入力音声を音声送信部１２がサーバ２００に再送信する。ただし、音声入力部１１は、発話ボタンが押下されてから受付時間が経過する前であっても、音声送信部１２によりサーバ２００に送信された音声の解析結果がサーバ２００から送られてきた時点で、音声入力の受付状態をキャンセルする。

例えば、目的地の住所検索を行うために、ユーザが「福島県いわき市好間工業団地」と音声入力しようとしたとする。このとき、「福島県」・・「いわき市」・・「好間工業団地」のように単語を区切って途中に合間を入れながら断続的に音声入力をすると、まずは「福島県」と発話された時点で（正確にはタイムアウトとなった時点で）その入力音声がサーバ２００に送信され、サーバ２００にて音声認識処理が開始される。

このようにいったんタイムアウトとなった後であっても、音声入力の受付時間が経過しておらず、かつ、「福島県」の解析結果がサーバ２００から返信されてきていなければ、音声入力部１１は音声入力の受付状態を維持し、合間を挟んで次に発話された「いわき市」という音声入力を受け付ける。そして、音声送信部１２は、この「いわき市」という入力音声をサーバ２００に送信する。その後に更に合間を挟んで入力される「好間工業団地」の音声についても同様である。

認識結果受信部１３は、サーバ２００において行われた音声認識の結果をサーバ２００から受信する。すなわち、認識結果受信部１３は、発話音声との類似度が高い音声パターンを有する単語や熟語等の文字列を音声認識の結果としてサーバ２００から受信する。

認識結果処理部１４は、認識結果受信部１３により受信された音声認識の結果を用いて所定の処理を実行する。本実施形態の場合、認識結果処理部１４は、目的地の住所検索を行う際に検索キーワードとして用いる住所を設定する。

サーバ２００の音声受信部２１は、車載機１００の音声送信部１２により送信された音声を受信する。音声認識部２２は、あらかじめ用意された音声辞書２３を用いて、音声受信部２１により受信された音声を解析して当該音声に対応する文字列を抽出する。

すなわち、音声辞書２３は、認識対象単語の文字列とその音声パターンとを対応付けた音響モデルを音声辞書データベースとしてあらかじめ記憶している。音声認識部２２は、音声受信部２１により受信された音声から算出した特徴量と音響モデルの特徴量とを比較して類似度が最も高い音声パターンを検索し、その音声パターンを有する文字列を発話音声の文字列であると認識する。

音声追加制御部２４は、音声認識部２２により一の音声に関する解析が終了する前に、車載機１００より送信されてきた次の音声が音声受信部２１にて受信された場合に、車載機１００より新たに送信されてきた次の音声を、音声認識部２２により現在解析中の音声に対する追加音声として扱うように制御する。

具体的には、音声追加制御部２４は、現在解析中の音声と追加音声とを用いた音声辞書２３のＡＮＤ検索により音声の解析を実行し直すように音声認識部２２を制御する。先に挙げた例において、音声認識部２２が「福島県」という音声を解析している際に次の「いわき市」という音声が音声受信部２１にて受信された場合、音声追加制御部２４は、「福島県」の音声解析を中止し、「いわき市」という音声を追加した「福島県いわき市」という一連の音声について解析を実行し直すように音声認識部２２を制御する。

同様に、「福島県いわき市」という音声を解析している際に次の「好間工業団地」という音声が音声受信部２１にて受信された場合、音声追加制御部２４は、「福島県いわき市」の音声解析を中止し、「好間工業団地」という音声を追加した「福島県いわき市好間工業団地」という一連の音声について解析を実行し直すように音声認識部２２を制御する。

認識結果送信部２５は、音声認識部２２による音声認識の結果、つまり入力音声の音声パターンを有する文字列を車載機１００に送信する。上述したように、車載機１００の認識結果受信部１３は、認識結果送信部２５により送信された認識結果を受信する。そして、認識結果受信部１３は、受信した認識結果を認識結果処理部１４に供給するとともに、認識結果を受信した旨を音声入力部１１に通知する。音声入力部１１は、この通知を受けて、音声入力の受付状態をキャンセルする。

図２および図３は、上記のように構成した第１の実施形態による音声認識システムの動作例を示すフローチャートである。図２は車載機１００の動作例、図３はサーバ２００の動作例を示している。なお、図２に示すフローチャートは、例えば、車載機１００において音声入力の機能を有するメニュー（目的地検索メニューなど）が選択されたときに開始する。一方、図３に示すフローチャートは、サーバ２００の電源がオンになっている限り常時動作している。

まず、車載機１００の動作例を説明する。図２において、音声入力部１１は、図示しない発話ボタンがユーザにより押下されたか否かを判定する（ステップＳ１）。発話ボタンが押下されていない場合、処理はステップＳ１の判定を繰り返す。一方、発話ボタンが押下された場合、音声入力部１１は、音声入力の受付状態に設定し（ステップＳ２）、音声入力が行われたか否かを判定する（ステップＳ３）。そして、音声入力が行われた場合、その入力音声を図示しないメモリに記憶する（ステップＳ４）。

その後、音声入力部１１は、無音状態となってから計測を開始した経過時間によりタイムアウトとなったか否かを判定する（ステップＳ５）。タイムアウトとなっていない場合は、まだ１つの音声の入力を受け付ける状態が続いているので、処理はステップＳ３に戻る。一方、タイムアウトとなった場合は、１つの音声の入力を受け付ける状態が終わったことになる。この場合、音声送信部１２は、ステップＳ４でメモリに記憶された音声をサーバ２００に送信する（ステップＳ６）。このとき、音声送信部１２は、メモリに記憶されている音声を削除する。

その後、音声入力部１１は、発話ボタンが押下されたときに計測を開始した経過時間により音声入力の受付時間が経過したか否かを判定する（ステップＳ７）。音声入力の受付時間がまだ経過していない場合、音声入力部１１は引き続き、サーバ２００から音声認識の結果を認識結果受信部１３にて受信したか否か、つまり、音声認識の結果を受信した旨の通知を認識結果受信部１３から受けたか否かを判定する（ステップＳ８）。

ここで、認識結果受信部１３がサーバ２００から音声認識の結果をまだ受信していない場合は、音声入力部１１による音声入力の受付状態がまだ維持されているので、処理はステップＳ３に戻る。なお、ステップＳ３において音声入力が行われていないと判定された場合、処理はステップＳ７に遷移する。

一方、認識結果受信部１３がサーバ２００から音声認識の結果を受信した場合、認識結果処理部１４は、認識結果受信部１３により受信された音声認識の結果を用いて、車載機１００のメニューで選択された機能の処理を実行する（ステップＳ９）。例えば、認識結果処理部１４は、認識結果受信部１３により受信された音声認識の結果である文字列を、目的地の住所検索を行う際に用いる住所として設定する。

その後、音声入力部１１は、ステップＳ２において最初に設定した音声入力の受付状態をキャンセルする（ステップＳ１０）。なお、ステップＳ７において音声入力の受付時間が経過したと判定された場合もステップＳ１０に遷移し、音声入力の受付状態をキャンセルする。これにより、図２に示すフローチャートの処理を終了する。

次に、サーバ２００の動作例を説明する。図３において、音声受信部２１は、車載機１００から送信されてくる音声を受信したか否かを判定する（ステップＳ１１）。音声を受信していない場合、処理はステップＳ１１の判定を繰り返す。一方、音声受信部２１が車載機１００から音声を受信した場合、音声認識部２２は音声受信部２１にて受信した音声の解析を開始する（ステップＳ１２）。

そして、音声認識部２２は、音声の解析が終了したか否かを判定する（ステップＳ１３）。音声の解析が終了した場合、認識結果送信部２５はその解析による音声認識の結果を車載機１００に送信する（ステップＳ１４）。一方、まだ音声の解析が終了していない場合、音声受信部２１は次の音声を車載機１００から続けて受信したか否かを判定する（ステップＳ１５）。

音声受信部２１が次の音声を受信していない場合、処理はステップＳ１２に戻り、現在実行中の音声の解析を続行する。一方、音声の解析中に次の音声を音声受信部２１が受信した場合、音声追加制御部２４は、現在解析中の音声に対して音声受信部２１が新たに受信した次の音声を追加して音声の解析を実行し直すように音声認識部２２を制御する（ステップＳ１６）。そして、処理はステップＳ１２に戻る。これにより、音声認識部２２は、現在解析中の音声と次の音声とを用いて音声辞書２３をＡＮＤ検索することにより、音声の解析を実行し直す。

その後、音声認識部２２は再実行した音声の解析が終了したか否かを判定し（ステップＳ１３）、終了していなければステップＳ１５に進み、終了していればステップＳ１４に進む。ステップＳ１４において、音声送信部１２は、音声認識部２２により再実行された解析による音声認識の結果を車載機１００に送信する。これにより、図３に示すフローチャートの処理は終了する。

以上詳しく説明したように、第１の実施形態では、車載機１００において入力した音声を解析のためにサーバ２００に送信した後も、解析結果がサーバ２００から送られてくるまでは音声入力の受付状態を維持し、その間に入力される１以上の音声を車載機１００からサーバ２００に随時送信するようにしている。また、サーバ２００において音声を解析して文字列を抽出する音声認識処理を行う際に、一の音声に関する解析が終了する前に車載機１００より次の音声が送信されてきた場合には、車載機１００より新たに送信されてきた次の音声を現在解析中の音声に対する追加音声として扱い、音声辞書２３のＡＮＤ検索を行うようにしている。

このように構成した第１の実施形態によれば、車載機１００からサーバ２００に音声を送信して解析（音声認識）を実行している最中でも車載機１００において次の音声の入力が受け付けられ、入力された次の音声がサーバ２００に送信される。そして、新たに送信された次の音声がサーバ２００において現在解析中の音声に対する追加音声として処理され、音声辞書２３のＡＮＤ検索が実行されることとなる。

これにより、音声認識に不慣れなユーザが、タイムアウト以上の時間間隔を置いて複数の単語を断続的に発話することにより、当該時間間隔の間にサーバ２００において音声の解析が開始されてしまった場合であっても、断続的に発話した複数の単語によるまとまりを単位とした音声認識を行うことができ、音声認識に関するユーザビリティの向上を図ることができる。

（第２の実施形態）
次に、本発明の第２の実施形態を図面に基づいて説明する。図４は、第２の実施形態による音声認識システムの構成例を示す図である。図４に示す音声認識システムも、認識対象の音声を入力する端末としての車載機１００と、音声認識処理を行うサーバ２００とを備え、車載機１００より入力された音声の解析をサーバ２００に問い合わせて実行するようになされている。

第２の実施形態による音声認識システムは、完全オフボード型と呼ばれるタイプを示したものであり、車載機１００において入力された発話音声を全てサーバ２００に送信してサーバ２００で解析を行い、その解析結果を車載機１００に返信する。第２の実施形態では、インターネット上の情報検索を音声入力により行う場合を例として説明する。つまり、サーバ２００において音声認識に加えてインターネット検索を行い、その検索結果を車載機１００に返信するものとする。

図４に示すように、車載機１００は、その機能構成として、音声入力部１１、音声送信部１２、検索結果受信部１３’および検索結果処理部１４’を備えている。また、サーバ２００は、その機能構成として、音声受信部２１、音声認識部２２’、音声辞書２３、音声追加制御部２４’、検索結果送信部２５’および 情報検索部２６を備えている。なお、この図４において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

サーバ２００の音声認識部２２’は、音声受信部２１により受信される１以上の音声に対してそれぞれ音声認識を実行し、その結果抽出される文字列をそれぞれ情報検索部２６に供給する。情報検索部２６は、音声認識部２２’から供給される１以上の文字列を用いてインターネット上の情報を検索する。

音声追加制御部２４’は、音声認識部２２’による音声の解析中に音声受信部２１により次の音声が新たに受信された場合、音声認識部２２’により現在解析中の音声と次の音声（追加音声）とのそれぞれから抽出される文字列を用いたＡＮＤ検索によりインターネット上の情報を検索するように情報検索部２６を制御する。

例えば、ユーザが「宮城県内で買い物ができて夜景がきれいところ」をインターネット検索するために、「宮城」、「買い物」、「夜景」という３つの単語を連続で音声入力しようとしたとする。このとき、「宮城」・・「買い物」・・「夜景」のようにタイムアウトよりも長い合間を入れながらそれぞれの単語を断続的に音声入力すると、まずは「宮城」と発話された時点で（タイムアウトとなった時点で）その入力音声がサーバ２００に送信され、サーバ２００にて音声認識処理が開始される。

このようにいったんタイムアウトとなった後であっても、音声入力の受付時間が経過しておらず、かつ、「宮城」の解析結果（音声認識およびインターネット検索の結果）がサーバ２００から返信されてきていなければ、音声入力部１１は音声入力の受付状態を維持し、タイムアウトを挟んで次に発話された「買い物」という音声入力を受け付ける。そして、音声送信部１２は、この「買い物」という入力音声をサーバ２００に送信する。その後に更にタイムアウトを挟んで入力される「夜景」の音声についても同様である。

この場合、音声認識部２２’は、「宮城」、「買い物」、「夜景」という３つの発話音声のそれぞれから抽出される３つの文字列を情報検索部２６に供給する。情報検索部２６は、この３つの文字列を用いたＡＮＤ検索によりインターネット上の情報を検索し、その結果を検索結果送信部２５’に供給する。検索結果送信部２５’は、情報検索部２６によるインターネット検索の結果を車載機１００に送信する。

車載機１００の検索結果受信部１３’は、検索結果送信部２５’により送信されたインターネットの検索結果を受信する。そして、検索結果受信部１３’は、受信した検索結果を検索結果処理部１４’に供給するとともに、検索結果を受信した旨を音声入力部１１に通知する。音声入力部１１は、この通知を受けて、音声入力の受付状態をキャンセルする。また、検索結果処理部１４’は、検索結果を図示しないディスプレイに表示する等の処理を行う。

このように構成した第２の実施形態によれば、車載機１００からサーバ２００に音声を送信して解析（音声認識およびインターネット検索）を実行している最中でも車載機１００において次の音声の入力が受け付けられ、入力された次の音声がサーバ２００に送信される。そして、新たに送信された次の音声がサーバ２００において現在解析中の音声に対する追加音声として処理され、インターネット上のＡＮＤ検索が実行されることとなる。

これにより、音声認識に不慣れなユーザが、タイムアウト以上の時間間隔を置いて複数の単語を断続的に発話することにより、当該時間間隔の間にサーバ２００において音声の解析が開始されてしまった場合であっても、断続的に発話した複数の単語によるまとまりを単位としたインターネット検索を行うことができ、音声認識を利用したインターネット検索に関するユーザビリティの向上を図ることができる。

（第３の実施形態）
以下、本発明の第３の実施形態を図面に基づいて説明する。図５は、第３の実施形態による音声認識システムの構成例を示す図である。図３に示す音声認識システムも、認識対象の音声を入力する端末としての車載機１００と、音声認識処理を行うサーバ２００とを備え、車載機１００より入力された音声の解析をサーバ２００に問い合わせて実行するようになされている。

第３の実施形態による音声認識システムは、ハイブリッド型と呼ばれるタイプを示したものであり、車載機１００において入力された発話音声をまずは車載機１００にて解析（音声認識）する。そして、発話音声を車載機１００で解析できなかった場合に、サーバ２００に問い合わせて発話音声の解析を実行する。また、第３の実施形態では第１の実施形態と同様に、目的地の住所検索を音声入力で行う場合を例として説明する。

図５に示すように、車載機１００は、その機能構成として、音声入力部１１、音声送信部１２、認識結果受信部１３、認識結果処理部１４、車載側音声認識部１５、車載側音声辞書１６、音声追加制御部１７および送信制御部１８を備えている。また、サーバ２００は、その機能構成として、音声受信部２１、サーバ側音声認識部２２、サーバ側音声辞書２３、音声追加制御部２４および認識結果送信部２５を備えている。なお、この図５において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

車載機１００の車載側音声認識部１５は、あらかじめ用意された車載側音声辞書１６を用いて、音声入力部１１により入力された音声を解析して当該音声に対応する文字列を抽出する。すなわち、車載側音声認識部１５は、音声入力部１１により入力された発話音声から算出した特徴量と車載側音声辞書１６に記憶された音響モデルの特徴量とを比較して類似度が最も高い音声パターンを検索し、その音声パターンを有する文字列を発話音声の文字列であると認識する。

音声追加制御部１７は、音声入力の受付時間内で、かつ、車載側音声認識部１５により一の音声に関する解析が終了する前に、音声入力部１１により次の音声が入力された場合に、当該次の音声を車載側音声認識部１５により現在解析中の音声に対する追加音声として扱うように制御する。具体的には、音声追加制御部１７は、現在解析中の音声と追加音声とを用いた車載側音声辞書１６のＡＮＤ検索により音声の解析を実行し直すように車載側音声認識部１５を制御する。

車載側音声認識部１５による解析の結果、音声入力部１１により入力された音声を認識できた場合、認識結果処理部１４は、その音声認識の結果を用いて所定の処理を実行する。本実施形態の場合、認識結果処理部１４は、車載側音声認識部１５により抽出された文字列を用いて、目的地の住所検索を行う際に検索キーワードとして用いる住所を設定する。

一方、車載側音声認識部１５による解析の結果、音声入力部１１により入力された音声を認識できなかった場合、車載側音声認識部１５はその旨を音声追加制御部１７および送信制御部１８に通知する。送信制御部１８は、この通知を受けて、音声入力部１１により入力された音声をサーバ２００に送信するように音声送信部１２を制御する。

また、音声追加制御部１７は、車載側音声認識部１５により入力音声を認識できなかった場合に、その後に音声入力部１１より入力される音声は追加音声として扱わないように制御する。これにより、送信制御部１８は、その後に音声入力部１１より入力される音声もサーバ２００に送信するように音声送信部１２を制御する。なお、音声送信部１２が音声をサーバ２００に送信した後の処理については、第１の実施形態で説明した通りである。

以上説明したように、音声認識システムをハイブリッド型で構成した第３の実施形態によれば、入力音声の解析（音声認識）を車載機１００自身で実行している最中でも、入力音声を車載機１００からサーバ２００に送信して解析を実行している最中でも、音声入力の受付時間がまだ経過しておらず、かつ、解析結果が出されていない間は車載機１００において次の音声の入力が受け付けられる。そして、新たに入力された次の音声が現在解析中の音声に対する追加音声として処理され、音声辞書のＡＮＤ検索が実行されることとなる。

これにより、音声認識に不慣れなユーザが、タイムアウト以上の時間間隔を置いて複数の単語を断続的に発話することにより、当該時間間隔の間に車載機１００またはサーバ２００において音声の解析が開始されてしまった場合であっても、断続的に発話した複数の単語によるまとまりを単位とした音声認識を行うことができ、音声認識に関するユーザビリティの向上を図ることができる。

なお、第３の実施形態では、第１の実施形態で示した完全オフボード型の音声認識システムをハイブリッド側に変形した構成について説明したが、これと同様に、第２の実施形態で示した完全オフボード型の音声認識システムをハイブリッド側に変形することも可能である。すなわち、車載機１００において入力された発話音声をまずは車載機１００にて音声認識してインターネット検索する。そして、発話音声を車載機１００で認識できなかった場合に、サーバ２００に問い合わせて発話音声の認識およびインターネット検索を実行するようにしてもよい。

また、第１の実施形態と第２の実施形態とを組み合わせて音声認識システムを構成するようにしてもよい。例えば、車載機１００のメニュー操作により、車載機１００の操作（例えば、車載機１００がナビゲーション装置である場合の目的地設定操作など）を行うことが選択された場合には第１の実施形態の機能を適用し、インターネット検索を行うことが選択された場合には第２の実施形態の機能を適用するようにしてもよい。

また、上記第１〜第３の実施形態では、音声入力の受付時間内で、かつ、一の音声に関する解析が終了する前に入力された次の音声を必ず追加音声として扱う例について説明したが、本発明はこれに限定されない。例えば、所定の条件を満たす場合にのみ、新たに入力された次の音声を追加音声として扱うようにしてもよい。

例えば、サーバ２００は、車載機１００より送信されてくる音声の特徴量を検出する特徴量検出部を更に備える。また、音声追加制御部２４，２４’は、特徴量検出部により検出された特徴量が所定の条件を満たす場合は次の音声を追加音声として扱うように制御する。しかし、特徴量が所定の条件を満たさない場合は、一の音声に関する解析が終了する前に車載機１００より次の音声が送信されてきた場合であっても、次の音声を追加音声として扱わないように制御する。

音声認識に不慣れなユーザが発話を行う場合、緊張感から普通の会話時と比べて声のテンションに違いが出る可能性が高い。そこで、緊張時に発話された声のテンションに関する特徴量をあらかじめ求めてサーバ２００に記憶しておく。そして、音声追加制御部２４，２４’は、特徴量検出部により発話音声から検出された特徴量が、サーバ２００にあらかじめ記憶された特徴量と同じかその差が所定値以下である場合は、次の音声を追加音声として扱うように制御する。それ以外の場合は、入力された発話音声は通常の会話によるものと判断し、次の音声を追加音声としては扱わないように制御する。

その他、上記第１〜第３の実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１１ 音声入力部
１２ 音声送信部
１５ 車載側音声認識部
１７ 音声追加制御部
１８ 送信制御部
２２，２２’ 音声認識部
２４，２４’ 音声追加制御部
２６ 情報検索部

Claims (7)

1. 認識対象の音声を入力する端末と、音声認識処理を行うサーバとを備え、上記端末より入力された音声の解析をサーバに問い合わせて実行する機能を有する音声認識システムであって、
   上記端末は、上記認識対象の音声を入力する音声入力部と、
   上記音声入力部により入力された音声を上記サーバに送信する音声送信部とを備え、
   上記音声入力部は、上記音声送信部が上記サーバに音声を送信した後も、当該音声の解析結果が上記サーバから送られてくるまでは音声入力の受付状態を維持し、
   上記音声送信部は、上記音声入力部により入力される１以上の音声を随時上記サーバに送信するようになされており、
   上記サーバは、上記端末より送信されてくる音声を解析して当該音声に対応する文字列を抽出する音声認識部と、
   上記音声認識部により一の音声に関する解析が終了する前に上記端末より次の音声が送信されてきた場合、上記端末より新たに送信されてきた上記次の音声を上記音声認識部により現在解析中の音声に対する追加音声として扱うように制御する音声追加制御部とを備えたことを特徴とする音声認識システム。
2. 上記音声追加制御部は、上記次の音声を上記追加音声として扱う場合、上記現在解析中の音声と上記追加音声とを用いた音声辞書のＡＮＤ検索により音声の解析を実行し直すように上記音声認識部を制御することを特徴とする請求項１に記載の音声認識システム。
3. 上記サーバは、上記音声認識部により抽出された文字列を用いてインターネット上の情報を検索する情報検索部を更に備え、
   上記音声追加制御部は、上記次の音声を上記追加音声として扱う場合、上記音声認識部により上記現在解析中の音声と上記追加音声とのそれぞれから抽出される文字列を用いたＡＮＤ検索により上記インターネット上の情報を検索するように上記情報検索部を制御することを特徴とする請求項１に記載の音声認識システム。
4. 上記端末は、上記音声入力部により入力された音声を解析して当該音声に対応する文字列を抽出する端末側音声認識部と、
   上記端末側音声認識部による解析の結果、上記音声入力部により入力された音声を認識できなかった場合に限り、上記音声入力部により入力された音声を上記サーバに送信するように上記音声送信部を制御する送信制御部とを更に備えたことを特徴とする請求項１に記載の音声認識システム。
5. 上記サーバは、上記端末より送信されてくる音声の特徴量を検出する特徴量検出部を更に備え、
   上記音声追加制御部は、上記特徴量検出部により検出された特徴量が所定の条件を満たすか否かを判定し、上記所定の条件を満たす場合は、上記次の音声を上記追加音声として扱うように制御し、上記所定の条件を満たさない場合は、上記音声認識部により一の音声に関する解析が終了する前に上記端末より上記次の音声が送信されてきた場合であっても、上記次の音声を上記追加音声として扱わないように制御することを特徴とする請求項１に記載の音声認識システム。
6. 認識対象の音声を入力する端末と、音声認識処理を行うサーバとを備えた音声認識システムにおいて、上記端末より入力された音声の解析をサーバに問い合わせて実行するようになされた音声認識方法であって、
   上記端末の音声入力部が、上記認識対象の音声を入力する第１のステップと、
   上記端末の音声送信部が、上記音声入力部により入力された音声を上記サーバに送信する第２のステップと、
   上記サーバの音声認識部が、上記端末より送信されてくる音声を解析して当該音声に対応する文字列を抽出する第３のステップとを有し、
   上記第１のステップでは、上記音声送信部が上記サーバに音声を送信した後も、当該音声の解析結果が上記サーバから送られてくるまでは上記音声入力部による音声入力の受付状態を維持し、
   上記第２のステップでは、上記音声入力部により入力される１以上の音声を随時上記サーバに送信するようになされており、
   上記第３のステップでは、上記音声認識部により一の音声に関する解析が終了する前に上記端末より次の音声が送信されてきた場合、当該次の音声を上記音声認識部により現在解析中の音声に対する追加音声として扱い、上記現在解析中の音声と上記追加音声とを用いた音声辞書のＡＮＤ検索により音声の解析を実行し直すことを特徴とする音声認識方法。
7. 認識対象の音声を入力する端末と、音声認識処理を行うサーバとを備えた音声認識システムにおいて、上記端末より入力された音声の解析をサーバに問い合わせて実行するようになされた音声認識方法であって、
   上記端末の音声入力部が、上記認識対象の音声を入力する第１のステップと、
   上記端末の音声送信部が、上記音声入力部により入力された音声を上記サーバに送信する第２のステップと、
   上記サーバの音声認識部が、上記端末より送信されてくる音声を解析して当該音声に対応する文字列を抽出する第３のステップと、
   上記サーバの情報検索部が、上記音声認識部により抽出された文字列を用いてインターネット上の情報を検索する第４のステップとを有し、
   上記第１のステップでは、上記音声送信部が上記サーバに音声を送信した後も、当該音声の解析結果が上記サーバから送られてくるまでは上記音声入力部による音声入力の受付状態を維持し、
   上記第２のステップでは、上記音声入力部により入力される１以上の音声を随時上記サーバに送信するようになされており、
   上記第３のステップでは、上記現在解析中の音声と上記追加音声とのそれぞれから文字列を抽出し、
   上記第４のステップでは、上記音声認識部により抽出されるそれぞれの文字列を用いたＡＮＤ検索により上記インターネット上の情報を検索することを特徴とする音声認識方法。

Images