JP2000075893A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 音声データが音声認識を行うのに適切である
か否かを音声認識を行う前に判断することができる使い
勝手の良い音声認識装置を提供する。 【解決手段】 音声メモリ２１から音声データを読み込
んでその復号化処理２２を行い、有音／無音判定処理を
行った後にサンプル絶対値平均値計算処理２３が行われ
る。そして、その音声データのレベルが音声認識を行う
のに適した所定の範囲内であるか否かの判定処理２４を
行い、範囲外である場合には表示２５や音声等によりそ
の旨の警告を行い、ユーザに音声認識処理を行うか否か
を選択させる。ここで音声認識処理が選択された場合
や、上記判定処理２４で範囲内であると判定された場合
には、音声データの音声認識が行われて文字データに変
換され、その認識結果が画面等に表示される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識装置、よ
り詳しくは、記録媒体から音声データを読み出して音声
認識を行う音声認識装置に関する。

【０００２】

【従来の技術】いわゆる音声ワードプロセッサ、あるい
は、口述することにより音声データを入力すると、該音
声データに基づいて自動的に文書を作成し、それを画面
等に表示する、いわゆるディクテーションシステムの実
現は、従来からの音声認識システム開発における一つの
目標であり、現在、活発に研究が進められている。

【０００３】こうした近年の音声認識技術および計算機
技術の進歩に伴って、パーソナルコンピュータにマイク
ロフォンを接続し、このマイクロフォンを用いて入力し
た音声を、該パーソナルコンピュータ上で文書化して画
面に表示させる装置が開発されていて、一般に市販され
ている。

【０００４】一方、従来より、文書を作成するにあた
り、作成したい文書の内容を一旦テープレコーダ等の録
音装置に口述録音して、後で秘書やタイピスト等がその
口述内容を再生しながら、タイプライタやワードプロセ
ッサ等の文書作成装置により文書化する、といった形態
をとることが、テープレコーダ等の録音装置の有効な利
用形態の１つとして一般化している。

【０００５】このような口述録音においては以前から、
録音内容を自動的に文書に変換する技術の実現が強く望
まれている。

【０００６】また、近年のコンピュータ技術やディジタ
ル信号処理技術等の発展により、録音内容をディジタル
データ化して、フラッシュメモリ等の書込み／消去が可
能な記録媒体に記録する、いわやるディジタルレコーダ
が開発されるようになり、さらに、そのディジタル化さ
れた録音内容をパーソナルコンピュータに転送して、該
パーソナルコンピュータにおいて録音内容を再生するこ
とが可能となっている。

【０００７】本出願人は、このようなディジタルレコー
ダから転送された録音データを、パーソナルコンピュー
タ上において簡単な操作で扱うことを可能とする音声デ
ータの処理制御装置を開発しており、特願平９−１４９
７２８号においてその提案を行っている。

【０００８】さらに本出願人は、ディジタル記録された
音声を、上記音声データの処理制御装置から音声認識装
置に渡して音声認識させ、文書として画面に表示させる
ディクテーションシステムを開発しており、特願平９−
１４９７２９号においてその提案を行っている。

【０００９】このようなディクテーションシステムによ
れば、コンピュータの前に座って直接音声入力をする必
要がなく、一旦ディジタルレコーダに録音して、後でコ
ンピュータにその録音データを転送して文書を作成させ
ることが可能となるために、様々な環境下での音声入力
ができるようになるという利点がある。

【００１０】

【発明が解決しようとする課題】ところで、上述したよ
うなディクテーションシステムにおける音声認識処理に
は、不特定話者向け大語彙連続音声認識技術が必要とな
る。しかしながら、現在の不特定話者向け大語彙連続音
声認識技術においては、誤認識のない完璧な認識結果を
得ることは大変に難しく、特に、認識対象の音声中に背
景雑音が混入してしまうと、認識性能が劣化するという
問題がある。このような問題を解決するために様々な提
案がなされているのはよく知られているところである
が、限られた装置構成でこうした問題を払拭するのはや
はり困難といわざるを得ない。

【００１１】このような現状の中で、上述したような、
パーソナルコンピュータにマイクロフォンを接続し、こ
のマイクロフォンを用いて入力した音声を、該パーソナ
ルコンピュータ上で文書化して画面に表示させる装置を
使用する場合にあっては、その場で画面に表示される音
声認識結果を確認して、ユーザの判断で、誤認識が多け
れば、再び音声入力をやり直すといった対応をとること
も可能である。

【００１２】これに対して、上述したような、ディジタ
ル記録された音声データを処理制御装置から音声認識装
置に渡して音声認識をさせ、その認識した結果を文書と
して画面に表示させるディクテーションシステムにおい
ては、すでに記録された音声データが音声認識装置への
入力となるために、大きな背景雑音が混入された状態で
記録された音声データに対して音声認識処理を行うと、
誤認識が多く後で修正することさえも困難な認識結果が
表示されてしまうことがあり、こうした場合には、ユー
ザの判断で再び音声認識処理を実行し直しても、認識結
果が改善される見込みがないという問題がある。

【００１３】上述したようなディクテーションシステム
が本来の目的とするところは、記録された音声データの
内容をより速く、より簡単に文書化すること、すなわち
文書作成支援を行うことにある。記録された音声データ
に対する音声認識処理の結果、誤認識部分がわずかであ
れば、その誤認識部分をキーボードやマウス等を用いて
修正するだけで済むために、その目的を達することがで
きる。しかし、ある程度以上に誤認識部分が増えてしま
うと、修正を行うこと自体が困難となり、結局初めから
タイプし直したほうが速く文書を作成できるということ
になってしまう。こうした音声認識が良好に行われるか
否かは、対象となる音声データを実際に処理して結果を
出してみないと判断することができないために、従来
は、ユーザが大きな不便を感じることになってしまって
いた。

【００１４】本発明は上記事情に鑑みてなされたもので
あり、音声データが音声認識を行うのに適切であるか否
かを音声認識を行う前に判断することができる使い勝手
の良い音声認識装置を提供することを目的としている。

【００１５】

【課題を解決するための手段】上記の目的を達成するた
めに、第１の発明による音声認識装置は、音声データが
記録された記録媒体と、この記録媒体から該音声データ
を読み出す読出手段と、この読出手段により読み出した
音声データのレベルを検出する検出手段と、上記音声デ
ータのレベルが所定の範囲の外である場合にはその旨の
警告を行う警告手段とを備えたものである。

【００１６】また、第２の発明による音声認識装置は、
上記第１の発明による音声認識装置において、上記警告
手段が視覚的な警告を行うものである。

【００１７】さらに、第３の発明による音声認識装置
は、上記第１の発明による音声認識装置において、上記
警告手段が聴覚的な警告を行うものである。

【００１８】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態を説明する。図１から図４は本発明の一実施形
態を示したものであり、図１はディクテーションシステ
ムの全体的な構成を示す図である。

【００１９】このディクテーションシステムは、図１に
示すように、音声を電気信号に変換して音声データ化す
るディジタルレコーダ１と、このディジタルレコーダ１
に着脱可能に装着して用いられるものであって上記音声
データを記録する記録媒体たる小型メモリカード２と、
この小型メモリカード２を後述する読出手段たるＰＣカ
ードスロット２０（図２参照）に挿入して接続可能とす
るためのＰＣカードアダプタ３と、音声認識結果を表示
するとともに必要に応じて警告表示を行う視覚的な警告
手段たるディスプレイ５や入力を行うためのキーボード
６、マウス７等を備え、上記ＰＣカードスロット２０を
介して上記小型メモリカード２から得た音声データに、
制御プログラム８や音声認識プログラム９による処理を
施す音声認識装置としてのパーソナルコンピュータ４と
を有して構成されている。

【００２０】ここに、上記小型メモリカード２として
は、例えばミニチュアカード、コンパクトフラッシュ、
スマートメディア等の切手サイズのものや、あるいはフ
ラッシュメモリカード等のＰＣＭＣＩＡタイプのものな
どが具体的な例として挙げられる。

【００２１】次に、図２は上記パーソナルコンピュータ
４の電気的な構成を示すブロック図である。

【００２２】このパーソナルコンピュータ４は、上記制
御プログラム８に従って音声再生や情報表示等を行い、
また上記音声認識プログラム９に従って文書作成等を行
うとともに、その他の各種プログラムに応じて様々な処
理を行うものであって、読出手段、検出手段、警告手段
を兼ねたＣＰＵ１１と、このＣＰＵ１１の作業領域とな
る記録媒体たるメインメモリ１２と、例えばハードディ
スクやフロッピーディスク等でなり上記制御プログラム
８や音声認識プログラム９が記録されている記録媒体た
る内部記録媒体１３と、各種の外部機器に接続するため
の外部ポート１４と、上記ディスプレイ５を接続するイ
ンターフェース（以下、ＩＦと略す）１５と、上記キー
ボード６やマウス７を接続するＩＦ１６と、音声データ
に基づいて音声を発するとともに必要に応じて警告音を
発する聴覚的な警告手段たるスピーカ１８と、このスピ
ーカ１８を接続するＩＦ１７と、上記ＰＣカードスロッ
ト２０を接続するためのＩＦ１９と、を有して構成され
ていて、上記ＣＰＵ１１、メインメモリ１２、内部記録
媒体１３、外部ポート１４、ＩＦ１５，１６，１７，１
９は、バスを介して互いに接続されている。

【００２３】なお、音声データは、上記ＰＣカードスロ
ット２０を介して小型メモリカードから直接読み込むよ
うにしても良いが、一旦、上記内部記録媒体１３に記録
して、この内部記録媒体１３から読み出すようにしても
良いし、あるいは、ディジタルレコーダ１から通信手段
等を介して直接読み込むようにしても構わない。

【００２４】図３はディクテーションシステムにおいて
音声メモリから音声データを読み出して音声認識すると
きの全体の流れを示す図、図４はディクテーションシス
テムにおける音声認識の処理を示すフローチャートであ
る。

【００２５】図４に示すように、処理を開始すると、上
記小型メモリカード２または上記内部記録媒体１３等の
音声メモリ２１からファイル単位で記録されている音声
データを読み込み（ステップＳ１）、読み込んだ音声デ
ータの復号化処理２２を行う（ステップＳ２）。

【００２６】この復号化処理２２の結果は、図示しない
有音／無音判定処理を行った後にサンプル絶対値平均値
計算処理２３に送られて、サンプリング毎の絶対値の平
均値が計算される（ステップＳ３）。

【００２７】次に、上記サンプル絶対値平均値計算処理
２３を行った音声データが音声認識を行うのに適したレ
ベルであるか否かの判定処理２４を行い（ステップＳ
４）、音声データのレベルが所定の範囲内でない場合に
は、ディスプレイ５に警告表示２５を行い（ステップＳ
５）、ユーザに音声認識処理を行うか否かを選択させる
（ステップＳ６）。

【００２８】ここでユーザが音声認識処理を行わない旨
の指示入力操作を行った場合は、音声認識処理を行うこ
となくこの処理から抜ける。

【００２９】また、上記ステップＳ４の判定処理２４に
おいて音声データのレベルが所定範囲内であると判定さ
れた場合、あるいは上記ステップＳ６においてユーザが
音声認識処理を行う旨の指示入力操作を行った場合に
は、音声認識処理２６に音声データが送られて音声認識
が行われる（ステップＳ７）。

【００３０】そして、この音声認識の結果を文字コード
に変換するなどの処理を行い、変換された文字コードが
出力されて上記ディスプレイ５の画面に認識結果として
表示される（ステップＳ８）。

【００３１】なお、ここでは音声認識結果をディスプレ
イに文字として表示させているが、本発明はこれに限定
されるものではないことはいうまでもない。

【００３２】また上述では、警告はディスプレイに表示
させることにより行っているが、アラーム音や音声等に
よりユーザに聴覚的に警告するものであっても良いし、
視覚的な警告と聴覚的な警告を同時に行っても良い。こ
の場合の聴覚的な警告手段としては、上述したように、
上記スピーカ１８を用いることができる。

【００３３】このような実施形態の音声認識装置によれ
ば、音声データのレベルが所定の範囲内でない場合に
は、該音声データのレベルが音声認識を行うのに適切で
ない旨を予めユーザに告知することができる。これによ
り、実際の音声認識を行うことなく、誤認識が多いか否
かを予想することが可能になり、その後の音声認識を実
行させるか否かをユーザ自身が判断することができるた
めに、使い勝手が向上する。

【００３４】なお、本発明は上述した実施形態に限定さ
れるものではなく、発明の主旨を逸脱しない範囲内にお
いて種々の変形や応用が可能であることは勿論である。

【００３５】［付記］以上詳述したような本発明の上記
実施形態によれば、以下のごとき構成を得ることができ
る。

【００３６】（１） コンピュータによって音声認識を
するための音声認識プログラムを記録した記録媒体であ
って、上記音声認識プログラムは、コンピュータに、音
声データが記録された記録媒体から該音声データを読み
出させ、読み出した音声データのレベルを検出させ、検
出した音声データのレベルが、音声認識を行うのに適切
な所定の範囲の外である場合には、その旨の警告を行わ
せることを特徴とする、音声認識プログラムを記録した
記録媒体。

【００３７】従って、付記（１）に記載の発明によれ
ば、音声データが音声認識を行うのに適切であるか否か
を音声認識を行う前に判断することができ、使い勝手が
向上する。

【００３８】

【発明の効果】以上説明したように請求項１による本発
明の音声認識装置によれば、音声データが所定の範囲内
であるか否かを、音声認識を行う前にユーザが認識する
ことができるために、使い勝手が向上する。

【００３９】また、請求項２による本発明の音声認識装
置によれば、請求項１に記載の発明と同様の効果を奏す
るとともに、視覚により分かり易く警告を認識すること
ができる。

【００４０】さらに、請求項３による本発明の音声認識
装置によれば、請求項１または請求項２に記載の発明と
同様の効果を奏するとともに、聴覚により分かり易く警
告を認識することができる。

【図面の簡単な説明】

【図１】本発明の一実施形態のディクテーションシステ
ムの全体的な構成を示す図。

【図２】上記実施形態のパーソナルコンピュータの電気
的な構成を示すブロック図。

【図３】上記実施形態のディクテーションシステムにお
いて、音声メモリから音声データを読み出して音声認識
するときの全体の流れを示す図。

【図４】上記実施形態のディクテーションシステムにお
ける音声認識の処理を示すフローチャート。

【符号の説明】

２…小型メモリカード（記録媒体） ４…パーソナルコンピュータ（音声認識装置） ５…ディスプレイ（警告手段） １１…ＣＰＵ（読出手段、検出手段、警告手段） １２…メインメモリ（記録媒体） １３…内部記録媒体（記録媒体） １８…スピーカ（警告手段） ２０…ＰＣカードスロット（読出手段） ２１…音声メモリ ２２…復号化処理 ２３…サンプル絶対値平均値計算処理 ２４…判定処理 ２５…表示 ２６…音声認識処理

Claims (3)

【特許請求の範囲】
1. 【請求項１】 音声データが記録された記録媒体と、 この記録媒体から該音声データを読み出す読出手段と、 この読出手段により読み出した音声データのレベルを検
   出する検出手段と、 上記音声データのレベルが所定の範囲の外である場合に
   は、その旨の警告を行う警告手段と、 を具備したことを特徴とする音声認識装置。
2. 【請求項２】 上記警告手段は、視覚的な警告を行うも
   のであることを特徴とする請求項１に記載の音声認識装
   置。
3. 【請求項３】 上記警告手段は、聴覚的な警告を行うも
   のであることを特徴とする請求項１に記載の音声認識装
   置。