JP2000081891A

JP2000081891A - 認識対象音声の入力状態報知方法及び音声認識装置並びに認識対象音声の入力状態報知処理プログラムを記録した記録媒体

Info

Publication number: JP2000081891A
Application number: JP10250139A
Authority: JP
Inventors: Yasunaga Miyazawa; 康永宮沢
Original assignee: Seiko Epson Corp
Current assignee: Seiko Epson Corp
Priority date: 1998-09-03
Filing date: 1998-09-03
Publication date: 2000-03-21
Anticipated expiration: 2018-09-03
Also published as: JP3757638B2; US6338036B1

Abstract

(57)【要約】【課題】認識対象となる音声を装置側に入力する際、
適正な状態で入力されたか否かをユーザに対して簡潔に
報知する。【解決手段】たとえば複数の単語を１つの組として発
話された認識対象音声をディジタル化した音声データと
して出力する音声入力部１１と、その音声データを分析
し音声パワーと特徴データを算出する音声分析部１２
と、この音声分析部１２で得られた音声パワーに基づい
て有効音声区間を検出し、この有効音声区間の時間的長
さと音声パワーの大きさによって、認識対象音声が適正
な状態で入力されたか否かを判断する音声区間検出・判
定部１３と、認識対象音声を認識処理する音声認識処理
部と１４と、認識対象音声が適正であることを示す判断
結果を受けると、当該認識対象音声の入力直後にその認
識対象音声が適正であることを示す情報を出力する情報
出力部１５とを有する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、話者の発話する音
声を認識する際、話者の音声が適正な状態で入力された
か否かを話者に報知するようにした認識対象音声の入力
状態報知方法及びそれを用いた音声認識装置並びに認識
対象音声の入力状態報知処理プログラムを記録した記録
媒体に関する。

【０００２】

【従来の技術】近年、音声認識技術は様々な分野で幅広
く利用されてきている。特に最近では、日用品とも言え
る家電製品や、子供用の玩具にまで用いられている。

【０００３】このように、特定のユーザが対象ではな
く、不特定多数の幅広いユーザが使用すると考えられる
機器に音声認識技術を用いるとなれば、ユーザの発話し
た音声を高い確率で認識できるように、ユーザに対し、
適正な音声の入力の仕方など使い方について分かり易く
ガイドするなどして、使い勝手のよいものとすることが
重要な課題である。

【０００４】たとえば、幅広いユーザを対象とした音声
認識を用いた機器の１つとして最近では音声時計なるも
のが開発されつつある。これは、時計に設けられたボタ
ンなどを押すと、現在の時刻を「何時何分」というよう
に音声で教えてくれるものである。

【０００５】この音声時計は、暗闇の中でも簡単に現在
の時刻を知ることができることから、真夜中に目を覚ま
したとき現在時刻を知りたいときや、夜間に外出中、暗
闇の中で時刻を知るときに便利なものであり、さらに
は、目の不自由な人にとっても大変便利なものとなる。
また、このような音声時計は子供の玩具にも適用される
可能性もある。

【０００６】また、このような音声時計は、時刻を音声
によって出力するだけでなく、現在時刻合わせやアラー
ム時刻の設定なども音声によって行うことができる。た
とえば、現在時刻が午前６時３０分であれば、音声時計
を現在時刻設定モードとして、ユーザが「午前」、「６
時」、「３０分」というように、必要な単語を決められ
た順番に発話する。そして、音声時計側では、ユーザの
発話した音声を認識し、その認識結果に基づいて時刻合
わせ処理を行う。アラーム時刻の設定も同様であり、ア
ラーム時刻設定モードとして希望のアラーム時刻を発話
する。

【０００７】このような操作により時刻合わせが行われ
るが、このとき、ユーザ側からすると、自分の発話した
音声が適正な状態（認識処理を行う上で適正な状態）で
入力されたかどうかが不安となることが多い。

【０００８】これを解消するために、ユーザの発話した
１単語ごとにその単語に対する認識結果を応答しながら
音声入力する方式のものもある。たとえば、前述した発
話内容例においては、ユーザが「午前」と発話し、それ
に対する認識結果として、装置側からは、「午前」とい
う応答が返ってきて、続いて、ユーザが「６時」と発話
すると、装置側からは、「６時」という応答が返り、さ
らに、ユーザが「３０分」と発話すると、装置側から
は、「３０分」という応答が返ってくるというような動
作を行う。なお、この場合、ユーザの発話した音声が不
適切であって、認識ができなかった場合には、装置側か
らの応答がなかったり、「もう一度発話して下さい」と
いった応答がなされるようにすることもできる。

【０００９】このように、ユーザの発話した１単語ごと
にその認識結果を応答したり、認識できなかった場合に
は、それに対する何らかの応答が返ってくるというよう
にすれば、ユーザ側にとっては、自分の発話した内容が
適切であるか否かがわかり、しかも、それがどのように
認識されたかがわかるので安心感が得られ、使い勝手の
よいものとなる。

【００１０】

【発明が解決しようとする課題】しかしながら、前述の
ように、１単語ごとにそれを認識して応答するのでは、
たとえば、時刻合わせというような１つの設定動作を行
わせるために多くの時間を要する問題がある。また、こ
のような音声認識技術を日用品や玩具など低価格が要求
される機器に適用する場合、コストをできる限り低く抑
えることが必要となってくるため、ＣＰＵの処理能力や
メモリの容量には大ききな制約がある。したがって、装
置側ではＣＰＵに大きな負担をかけたり、メモリを多く
使う処理はできるだけ少なくすることが要求される。

【００１１】これに対処するには、前述の時刻合わせを
例に取れば、ユーザが１単語発話するとそれを認識して
その認識結果を応答するというのではなく、ユーザに時
刻合わせに必要な内容として、たとえば、「午前」・
「６時」・「３０分」を１つの組とし、この１つの組を
構成する単語を、１単語ごとに少し間をおきながら断続
的に発話してもらい、その発話内容について音声認識す
るということが考えられる。この場合、１つの組を構成
する複数の単語の１つ１つに対して装置側から、前述し
たような認識結果の応答はないので、確かに、時刻設定
時間は短くできる。

【００１２】しかし、このように複数の単語からなる比
較的長い一連の音声を始めから最後まで発話することに
より装置側に入力する方法では、前述したように、ユー
ザにとっては、自分の発話した１単語ごとの音声が、適
正な状態で入力されたかどうかということが不安となっ
て残る。したがって、ユーザの発話した音声が、機器に
適正な状態で入力されたか否かを、面倒な処理を行う
ことなく、何らかの形でユーザに報知することが必要と
なってくる。

【００１３】そこで本発明は、ユーザの発話した音声に
対し、その音声が音声認識を行う上で適正に入力された
か否かを、簡単な処理を行うだけで、ユーザに報知可
能とし、音声入力操作時の使い勝手を向上させることを
目的としている。

【００１４】

【課題を解決するための手段】前述した目的を達成する
ために、請求項１に記載された認識対象音声の入力状態
報知方法は、話者の発話した認識対象音声の音声波形か
ら得られる音声パワーに基づいて当該認識対象音声に対
する有効音声区間を検出し、この有効音声区間の時間的
な長さと、当該有効音声区間内の音声パワーの大きさに
よって、前記認識対象音声が適正な状態で入力されたか
否かを判断し、適正であると判断した場合には、当該認
識対象音声の入力終了直後に適正であることを示す情報
を発するようにしている。

【００１５】そして、請求項２は請求項１において、前
記適正な状態で入力されたか否かの判定対象となる認識
対象音声は、複数の単語を１つの組として発話される音
声であって、この１つの組を構成するそれぞれの単語に
対するそれぞれの音声間に、各単語の区切りとしての間
を有して発話される音声であるとしている。

【００１６】また、請求項３は請求項２において、前記
適正な状態で入力されたか否かの判定対象となる認識対
象音声が適正であると判断した場合に発せられる情報
は、前記１つの組を構成するそれぞれの単語の区切りと
しての間に瞬時的に出力される信号音、光、音声メッセ
ージ、表示画面上での表示のうちの少なくとも１つとし
ている。

【００１７】さらに、請求項４は請求項２または３にお
いて、前記１つの組を構成する複数の単語は、第１から
第ｎ（ｎは正の整数）までの単語群に属し、発話する順
番は、第１の単語群に属する単語から順に第ｎの単語群
に属する単語までと決められていて、前記有効音声区間
の時間的な長さを判定する基準は、それぞれの単語群ご
とに設定するようにしている。

【００１８】また、請求項５記載の音声認識装置は、話
者の発話した認識対象音声を入力してディジタル化した
音声データとして出力する音声入力手段と、この音声入
力手段から出力された音声データを所定時間ごとに分析
し、所定時間ごとの音声パワーと特徴データを算出する
音声分析手段と、この音声分析手段によって求められた
音声パワーに基づいて当該認識対象音声に対する有効音
声区間を検出し、この有効音声区間の時間的な長さと、
当該有効音声区間内の音声パワーの大きさによって、前
記認識対象音声が適正な状態で入力されたか否かを判断
し、適正であると判断した場合には前記認識対象音声の
入力終了直後に適正であることを示す信号を出力する音
声区間検出・判定手段と、この音声区間検出・判定手段
で得られた前記認識対象音声に対する有効音声区間と前
記音声分析手段で得られた特徴データとに基づいて認識
対象音声を認識処理する音声認識処理手段と、前記認識
結果に対する装置側からの応答および装置側からユーザ
に対する音声メッセージを出力するとともに、前記音声
区間検出・判定手段からの前記認識対象音声が適正であ
ることを示す信号を受けると、当該認識対象音声が適正
であることを示す情報を出力する情報出力手段とを有し
た構成としている。

【００１９】そして、請求項６は請求項５において、前
記適正な状態で入力されたか否かの判定対象となる認識
対象音声は、複数の単語を１つの組として発話される音
声であって、この１つの組を構成するそれぞれの単語に
対するそれぞれの音声間に、各単語の区切りとしての間
を有して発話される音声であるとしている。

【００２０】また、請求項７は請求項６において、前記
適正な状態で入力されたか否かの判定対象となる認識対
象音声が適正であると判断した場合に発せられる情報
は、前記１つの組を構成するそれぞれの単語の区切りと
しての間に瞬時的に出力される信号音、光、音声メッセ
ージ、表示画面上での表示のうちの少なくとも１つとし
ている。

【００２１】さらに、請求項８は請求項６または７にお
いて、前記１つの組を構成する複数の単語は、第１から
第ｎ（ｎは正の整数）までの単語群に属し、発話する順
番は、第１の単語群に属する単語から順に第ｎの単語群
に属する単語までと決められていて、前記有効音声区間
の時間的な長さを判定する基準は、それぞれの単語群ご
とに設定するようにしている。

【００２２】また、請求項９に記載の発明は、話者から
の認識対象音声が入力されると、その認識対象音声が認
識を行う上で適正な状態で入力されたか否かを判定し、
その判定結果を話者に報知する認識対象音声の入力状態
報知処理プログラムを記録した記録媒体であって、その
処理プログラムは、話者の発話した認識対象音声を入力
してディジタル化した音声データとして出力する手順
と、これによって得られた音声データを所定時間ごとに
分析し、所定時間ごとの音声パワーを算出する手順と、
これによって得られた音声パワーに基づいて当該認識対
象音声に対する有効音声区間を検出し、この有効音声区
間の時間的な長さと、当該有効音声区間内の音声パワー
の大きさによって、前記認識対象音声が適正な状態で入
力されたか否かを判断し、適正であると判断した場合に
は前記認識対象音声の入力終了直後に適正であることを
示す信号を出力する手順と、前記認識対象音声が適正で
あることを示す信号を受けると、当該認識対象音声が適
正であることを示す情報を出力する手順とを含むように
している。

【００２３】そして、請求項１０は請求項９において、
前記適正な状態で入力されたか否かの判定対象となる認
識対象音声は、複数の単語を１つの組として発話された
音声であって、この１つの組を構成するそれぞれの単語
に対するそれぞれの音声間に、各単語の区切りとしての
間を有して発話された音声であるとしている。

【００２４】また、請求項１１は請求項１０において、
前記適正な状態で入力されたか否かの判定対象となる認
識対象音声が適正であると判断した場合に発せられる情
報は、前記１つの組を構成するそれぞれの単語の区切り
としての間に瞬時的に出力される信号音、光、音声メッ
セージ、表示画面上での表示の少なくとも１つであると
している。

【００２５】さらに、請求項１２は請求項１０または１
１において、前記１つの組を構成する複数の単語は、第
１から第ｎ（ｎは正の整数）までの単語群に属し、発話
する順番は、第１の単語群に属する単語から順に第ｎの
単語群に属する単語までと決められていて、前記有効音
声区間の時間的な長さを判定する基準は、それぞれの単
語群ごとに設定するようにしている。

【００２６】本発明は、ユーザの入力した認識対象音声
が適正な状態で入力されたか否かを簡単な処理を行うだ
けで話者に報知することを可能とし、使い勝手の向上を
図るものである。これを実現するために、ユーザの発話
した認識対象音声における有効音声区間の時間的な長さ
と、当該有効音声区間内の音声パワーの大きさによっ
て、前記認識対象音声が適正な状態で入力されたか否か
を判断し、適正であると判断した場合には、当該認識対
象音声の入力直後に適正であることを示す情報を発する
ようにしている。これにより、ユーザは自分の発話した
音声が適正な状態で入力されたか否かを簡単に知ること
ができ、音声の入力操作を行う際、ユーザに対し、自分
の入力した音声が本当に適正な状態で入力されたのかど
うかという不安感を与えることがなくなる。

【００２７】また、このような適正な状態で入力された
か否かの判定対象となる認識対象音声は、複数の単語を
１つの組として発話された音声であって、この１つの組
を構成するそれぞれの単語に対するそれぞれの音声間
に、各単語の区切りを示す間を有して発話された音声を
対象としている。たとえば、現在時刻などの時刻設定を
音声により設定可能な時計を例に取れば、「午前」・
「何時」・「何分」というように複数の単語を１つの組
とし、それを構成する各単語間に区切りとしての間をお
きながら断続的に発話される音声を対象としている。

【００２８】このように、複数の単語を１つの組とし
て、各単語間に装置側から認識結果の応答なしに、ユー
ザの発話を一方的に入力する状況にあっては、各単語が
果たして適正な状態（認識を行う上で適正な状態）で入
力されたのかどうかがユーザにとって不安なもとなる。

【００２９】これを解消するために、複数の単語を１つ
の組として発話される状況の場合は、それぞれの単語間
に装置側から何らかの情報を発信することで、ユーザに
安心感を与えることができる。

【００３０】その情報としては、各単語間の区切り時間
内に瞬時的に発せられる信号音（たとえば「ピッ」とい
うような信号音）、発光ダイオード（ＬＥＤ）などによ
り瞬時的に発光する光、音声メッセージ（たとえば「は
い」というようなごく短い音声メッセージ）、液晶ディ
スプレイ（ＬＣＤ）などの表示部を有する装置にあって
は、ＬＣＤ上での「ＯＫ」などの簡単な表示）などが考
えられる。ユーザは、自分の発話した１単語ごとの音声
のあとに、このような簡単な情報が装置側から瞬時的に
発せられることによって、自分の発話した音声が適正な
状態で入力されたことがわかるので、音声入力操作に対
する安心感が得られる。

【００３１】また、１つの組を構成する複数の単語は、
第１から第ｎ（ｎは正の整数）までの単語群に属し、発
話する順番は、まず、第１の単語群に属する単語、次ぎ
に、第２の単語群に属する単語というように順番が決め
られていて、前述した有効音声区間の時間的な長さを判
定する基準は、それぞれの単語群ごとに設定するように
している。これは、各単語群に属する単語の長さ（発話
に必要な時間的長さ）が、単語群間で大きく異なる可能
性があるからである。したがって、有効音声区間の時間
的な長さを判定する基準を、それぞれの単語群ごとに設
定しておくことによって、各単語群に属する単語に対し
適正な有効音声区間の長さの判定が可能となる。

【００３２】また、本発明の音声認識装置は、以上説明
したような認識対象音声の入力状態報知方法を採用する
ことにより、使い勝手をよくすることができ、この種の
機器の取り扱いに不慣れなユーザでも容易に取り扱うこ
とができるようになる。

【００３３】

【発明の実施の形態】以下、本発明の実施の形態を図面
を参照しながら説明する。なお、この実施の形態では、
音声認識技術を用いた機器として前述した音声時計を例
に取り、この音声時計において、午前何時何分というよ
うな時刻合わせをする例について説明する。ここでは、
具体例として、「午前６時３０分」を設定することを考
える。

【００３４】図１は本発明が適用される音声時計の外観
構成を示すものであって、この音声時計は、液晶表示部
など時刻の表示部分を持たない音声メッセージだけの音
声時計であり、筺体１には音声出力手段としてのスピー
カ２とユーザからの音声コマンドが入力されるマイクロ
ホン３が設けられる。さらに、現在時刻合わせを行った
りアラーム時刻合わせを行ったりするときにモード設定
を行うためのモード設定部４、現在時刻を知りたいとき
に押される時刻ボタン５などを少なくとも有している。
これ以外にも、機能によっては様々な構成要素が設けら
れるが、本発明の要旨とは直接関係しない部分の図示お
よびその説明は省略する。

【００３５】このような音声時計は、現在時刻が正確に
合わせられていれば、時刻ボタン５がユーザによって押
されると、その時点の現在時刻として、たとえば、「午
前８時３０分」などと装置側から音声メッセージによる
時刻が出力される。

【００３６】図２はこのような音声時計に用いられる音
声認識装置の構成を示すブロック図であり、音声入力部
１１、音声分析部１２、音声区間検出・判定部１３、音
声認識処理部１４、情報出力部１５、音声認識を行うた
めの音声認識用モデルデータ１６、装置側から発せられ
る様々な情報（認識結果に対応する応答内容や、ユーザ
に問いかけを行う際の音声メッセージ内容、さらには、
話者の発話した音声が適正であると判断されたときに出
力される情報）を出力するための出力用データ１７を有
している。

【００３７】音声入力部１１は、前述したマイクロホン
２や図示されていないアンプ、さらには、図示されてい
ないＡ／Ｄ変換器などを有し、ユーザによって発話され
た音声をマイクロホン２を通して入力し、増幅したのち
Ａ／Ｄ変換を行い、たとえば、８ＫＨｚ、１０bitのデ
ィジタル化された音声データとして出力する。

【００３８】音声分析部１２は、音声入力部１１によっ
て出力された音声データを、たとえば、２０msec程度
（シフト量は１０msec程度）の短時間ごとに音声分析を
行い、その短時間（２０msec程度）ごとに音声パワーと
特徴データ（たとえば、１０次元ＬＰＣケプストラム）
を算出する。

【００３９】音声区間検出・判定部１３は、音声分析部
１２で算出された音声パワーを用いて、有効な音声区間
（有効音声区間という）を検出し、有効音声区間の時間
的な長が予め定めた所定の時間的長さ（Ｌ１，Ｌ２で表
し、Ｌ１＜Ｌ２とする）の範囲内（Ｌ１よりも長く、Ｌ
２よりも短い範囲内）で、音声パワーの最大値がある２
つのしきい値（ｔｈ２，ｔｈ３で表し、ｔｈ２＜ｔｈ３
とする）の範囲内（ｔｈ２よりも大きく、ｔｈ３よりも
小さい範囲内）に入っている場合、その有効音声区間は
正常な範囲内であると判定され、その音声は音声認識を
行う上で適正な状態で入力されたと判断する。そして、
適正であると判断すると前記有効音声区間の終端から一
定時間（Ｌ４とする）後に、当該音声が適正な状態で入
力されたことを示す信号を出力する。

【００４０】なお、ここでいう有効音声区間というの
は、ユーザの音声パワーが、あるしきい値（ｔｈ１とす
る）より大きくなった時点を音声区間の始端として求
め、その後、音声パワーがしきい値ｔｈ１より小さくな
り、かつ、しきい値ｔｈ１より小さくなった時点から予
め定めた所定時間（Ｌ３とする）経過しても再びしきい
値ｔｈ１より大きくならない場合、しきい値ｔｈ１より
小さくなった時点を音声区間の終端として求め、その音
声区間の始端から終端までを有効音声区間という。

【００４１】また、音声認識処理部１４は、検出された
有効音声区間内の特徴データ（音声分析部１２で得られ
た前述の音声特徴データのうち有効音声区間内の特徴デ
ータ）に基づき、音声認識用モデルデータ１６を用いて
音声認識処理を行う。

【００４２】情報出力部１５は、前述したように、認識
結果に対応する応答音声や、ユーザに問いかける内容の
音声メッセージを出力用データ１７を用いて作成して出
力するものであるが、その他に、音声区間検出・判定部
１３から出力された前記適正であることを示す信号を受
け取ると、音声が適正に入力されたことを示す情報（こ
の実施の形態では、「ピッ」という信号音とする）を出
力する。

【００４３】このような構成された音声時計において、
何らかの時刻設定（ここでは現在時刻とする）を行う例
について説明する。ここでは、設定する時刻としては、
前述したように、午前６時３０分であるとする。このと
き、音声時計（装置という）を現在時刻設定モードとす
る。

【００４４】図３（ａ）はユーザの発話した「午前」・
「６時」・「３０分」の音声波形であり、音声入力部１
１によってＡ／Ｄ変換されたあとの出力であるとする。
この図３（ａ）からもわかるように、ある時刻に時刻合
わせをするような場合、たとえば、「午前６時３０分」
という時刻合わせ内容を発話する際、認識率を高くする
ために、時刻合わせ内容を構成する各単語（「午前」・
「６時」・「３０分」）を１単語づつ、各単語間に少し
の間（ΔＴ１，ΔＴ２時間）をおいて発話するようにユ
ーザ側に予め知らせておくとよい結果が得られる。

【００４５】このように、この実施の形態において用い
られる音声は、複数の単語を１つの組として発話される
音声であって、この１つの組を構成するそれぞれの単語
に対するそれぞれの音声間に、各単語の区切りとしての
間を有して断続的に発話される音声であるとする。

【００４６】また、ここでは、現在時刻設定モードであ
り、このような現在時刻設定モード（アラーム時刻設定
モードの場合も同様）のときは、最初に「午前」か「午
後」を発話し、２番目に「何時」、３番目に「何分」と
いうように、発話する順番は決められているものとす
る。また、説明の都合上、最初に発話される部分を第１
の単語群に属する単語、２番目に発話される部分を第２
の単語群に属する単語、３番目に発話される部分を第３
の単語群に属する単語と呼ぶことにする。

【００４７】図３（ａ）に示すような音声データに対
し、音声分析部１２によって、たとえば２０msecごとの
フレームに区切って音声分析を行い、各フレームごとに
音声パワーと特徴データを求める。なお、特徴データは
音声認識処理のときに用いられ、ここで行われるユーザ
の発話した音声が適正であるか否かの判定処理では、音
声パワーを用いる。

【００４８】図３（ｂ）は各フレームごとに求められた
音声パワーを曲線で結んだ音声パワー曲線を示すもので
ある。なお、図３（ａ）では、ユーザが「午前」・「６
時」・「３０分」というように、１つの組を構成する単
語を順番にすべて発話したときに得られる音声データで
あるが、本発明が行う処理は、ユーザが「午前」と発話
すると、その「午前」の発話内容について、適正である
か否かを判定する処理を行い、適正であれば装置側から
「ピッ」という信号音を出し、その後に、ユーザが「６
時」と発話することにより、その「６時」の発話内容に
ついて、適正であるか否かを判定する処理を行い、適正
であれば装置側から「ピッ」という信号音を出し、続い
て、「３０分」と発話することにより、その「３０分」
の発話内容について、適正であるか否かを判定する処理
を行うというように、１つの組を構成するそれぞれの単
語についてその単語が適正な状態で入力されたか否かの
判定処理を行う。以下、それぞれの単語ごとの処理につ
いて詳細に説明するまた、前述の有効音声区間の時間的長さを判定するため
の基準となる時間的長さＬ１とＬ２は、実際には、前述
した第１の単語群、第２の単語群、第３の単語群のそれ
ぞれの単語群ごとに設定されるものである。

【００４９】この単語群とは、この場合、ユーザの発話
する内容は、「午前」、「何時」、「何分」という決め
られたパターンであるので、「午前」の部分に発話され
る単語群を第１の単語群といい、この第１の単語群に属
する単語は、この場合、「午前」の他には「午後」があ
る。また、「何時」の部分に発話される単語群を第２の
単語群といい、この第２の単語群に属する単語は、この
場合、「０時」、「１時」、「２時」など時間の単位を
表す単語である。また、「何分」の部分に発話される単
語群を第３の単語群といい、この第３の単語群に属する
単語は、この場合、「０分」、「１分」、「２分」など
分の単位を表す単語である。しかも、これら第１から第
３の単語群は、最初に第１の単語群（たとえば「午
前」）を発話し、続いて第２の単語群（たとえば「６
時」）を発話し、さらに続いて第３の単語群（たとえば
「３０分」）を発話するというように、発話する順番は
きまっていて、装置側では、その順番に従って、入力さ
れた各単語群に対する認識処理を行うようになってい
る。

【００５０】したがって、前述のＬ１とＬ２は、第１か
ら第３の単語群ごとに設定しておく方がよい結果が得ら
れる。以下、第１の単語群に対して設定される時間的長
さをＬ１１，Ｌ２１（Ｌ１１＜Ｌ２１）とし、第２の単
語群に対して設定される時間的長さをＬ１２，Ｌ２２
（Ｌ１２＜Ｌ２２）とし、第３の単語群に対して設定さ
れる時間的長さをＬ１３，Ｌ２３（Ｌ１３＜Ｌ２３）と
する。

【００５１】まず、ユーザが第１の単語群に属する単語
として「午前」と発話すると、音声分析部１２によっ
て、前述したように、たとえば２０msecごとのフレーム
に区切って音声分析を行い、各フレームごとに音声パワ
ーと特徴データを求める。

【００５２】そして、ユーザの発話した「午前」に対し
て得られた音声パワー曲線から、「午前」に対する音声
データの有効音声区間Ｔ１を求める。

【００５３】まず、予め設定されたしきい値ｔｈ１を基
準にして、ユーザが発話して得られた音声パワーが、最
初にしきい値ｔｈ１を越えた時刻を、「午前」の音声区
間の始端とする。この図３（ｂ）からもわかるように、
時刻ｔ１でしきい値ｔｈ１を越えているので、この時刻
ｔ１を「午前」に対する音声区間の始端とする（始端ｔ
１という）。

【００５４】続いて、「午前」に対する音声パワーが、
しきい値ｔｈ１より小さくなる時刻を調べ、その時刻が
ｔ２であるとする。そして、この時刻ｔ２から予め定め
られたある一定時間Ｌ３が経過したのちにも音声パワー
がしきい値ｔｈ１を再び越えなければ、「午前」に対す
る音声区間ｔ１の終端は、時刻ｔ２であるとする。この
時刻ｔ２を音声区間ｔ１の終端とする（終端ｔ２とい
う）。

【００５５】そして、このように求められた始端ｔ１と
終端ｔ２の間の区間を有効音声区間Ｔ１とし、ｔ１を有
効音声区間Ｔ１の始端とし、ｔ２を有効音声区間Ｔ１の
終端とする。なお、前記一定時間Ｌ３はごく短い時間が
設定され、具体的には、隣接する単語間に存在する単語
間の区切りとしての間の時間ΔＴ１，ΔＴ２よりもきわ
めて短い時間である。

【００５６】このようにして、第１の単語群に属する
「午前」の音声に対する有効音声区間Ｔ１が求められ
る。次に、この有効音声区間Ｔ１の時間的長さと音声パ
ワーが、予め設定された範囲内にあるか否かを判断す
る。

【００５７】つまり、前述したように、有効音声区間Ｔ
１の時間的長さ（時間的長さもＴ１で表す）が予め設定
された時間的長さＬ１１，Ｌ２１に対し、Ｌ１１＜Ｔ１
＜Ｌ２１であって、その有効音声区間Ｔ１内の音声パワ
ーの最大値ｍ１が予め設定されたしきい値ｔｈ２，ｔｈ
３に対し、ｔｈ２＜ｍ１＜ｔｈ３を満たす場合、抽出さ
れた有効音声区間Ｔ１は正常な範囲内にあると判断さ
れ、ユーザの発話した「午前」は音声認識を行う上で適
正な状態で入力されたと判断する。

【００５８】このようにして、第１の単語群に属する
「午前」に対する有効音声区間Ｔ１が所定の範囲内（
Ｌ１１＜Ｔ１＜Ｌ２１で、かつ、ｔｈ２＜ｍ１＜ｔｈ
３）であると判断されると、音声区間検出・判定部１３
は、図３（ｃ）に示すように、その有効音声区間Ｔ１の
終端ｔ２からＬ４時間経過後に、情報出力部１５に対
し、当該音声（この場合「午前」）が適正な状態で入力
された音声であることを示す信号ｓ１を出力する。

【００５９】情報出力部１５はこの信号ｓ１を受ける
と、図３（ｄ）に示すように、予め決められた瞬時的な
情報として信号音を出力する。この信号音は、ユーザの
発話した音声が認識を行うに適正な状態で入力された音
声であることをユーザに対して報知するもので、種々の
報知手段が考えられるが、この実施の形態では、「ピ
ッ」という瞬時的な信号音を出力する。

【００６０】すなわち、ユーザが「午前」と発話してそ
れが適正であると判断されると、ユーザの発話した「午
前」の後につづいて「ピッ」という信号音が装置側から
発せられる。これにより、ユーザは自分の発話した「午
前」という音声が適正な状態で装置側に入力されたとい
うことがわかる。

【００６１】つづいて、ユーザが第２の単語群に属する
「６時」と発話すると、その音声データに対する音声パ
ワー曲線から、「６時」に対する音声データの有効音声
区間Ｔ２を求める。

【００６２】まず、予め設定されたしきい値ｔｈ１を基
準にして、ユーザが発話して得られた音声パワーが、最
初に、このしきい値ｔｈ１を越えた時刻を、「６時」の
音声区間の始点とする。図３（ｂ）からもわかるよう
に、時刻ｔ３でしきい値ｔｈ１を越えているので、この
時刻ｔ３を「６前」に対する音声区間の始端とする（始
端ｔ３という）。

【００６３】続いて、「６時」という単語に対する音声
パワーが、しきい値ｔｈ１より小さくなる時刻を調べ、
その時刻がｔ４であるとする。そして、この時刻ｔ４か
ら予め定められたある一定時間Ｌ３が経過したのちにも
音声パワーがしきい値ｔｈ１を再び越えなければ、「６
時」に対する音声区間Ｔ２の終端は、時刻ｔ４であると
する。この時刻ｔ４を音声区間の終端とする（終端ｔ４
という）。

【００６４】このように求められた始端ｔ３と終端ｔ４
の間の区間を有効音声区間Ｔ２とし、ｔ３を有効音声区
間Ｔ２の始端とし、ｔ４を有効音声区間Ｔ２の終端とす
る。次に、この有効音声区間Ｔ２の時間的長さが、予め
設定された範囲内にあるか否かを判断する。この場合、
Ｌ１２＜Ｔ２＜Ｌ２２か否かを判断する。また、その音
声区間Ｔ２内の音声パワーの最大値ｍ２がしきい値ｔｈ
２，ｔｈ３の範囲内に入っているか否かを判断する。そ
して、これらの条件が成立すると、抽出された有効音声
区間Ｔ２は正常な範囲内にあると判断され、その音声
（この場合、「６時」）は音声認識処理を行う上で適正
に入力されたと判断する。

【００６５】このようにして、第２の単語群に属する
「６時」に対する有効音声区間Ｔ２が正常な範囲内であ
ると判断されると、音声区間検出・判定部１３は、図３
（ｃ）に示すように、その有効音声区間Ｔ２の終端ｔ４
からＬ４時間経過後に、情報出力部１５に対し、当該有
効音声区間Ｔ２が正常な範囲内であったことを示す信号
ｓ２を出力する。

【００６６】情報出力部１５はこの信号ｓ２を受ける
と、図３（ｄ）に示すように、適正であることを示す情
報として、前述したように、「ピッ」という瞬時的な信
号音を出力する。

【００６７】すなわち、ユーザが「午前」に続いて「６
時」と発話し、それが適正であると判断されると、「６
時」の後につづいて「ピッ」という信号音が装置側から
発せられる。これにより、ユーザは自分の発話した「６
時」という音声が装置側に適正な状態で入力されたとい
うことがわかる。

【００６８】続いて、ユーザが第３の単語群に属する
「３０分」と発話すると、その音声データに対する音声
パワー曲線から、「３０分」に対する音声データの有効
音声区間Ｔ３を求める。

【００６９】まず、図３（ｂ）からもわかるように、時
刻ｔ５でしきい値ｔｈ１を越えているので、この時刻ｔ
５を「３０分前」に対する音声区間Ｔ３の始端とする
（始端ｔ５という）。そして、「３０分」という単語に
対する音声パワーが、しきい値ｔｈ１より小さくなる時
刻を調べ、その時刻がｔ６であるとする。この時刻ｔ６
から予め定められたある一定時間Ｌ３が経過したのちに
も音声パワーがしきい値ｔｈ１を再び越えなければ、
「３０分」に対する音声区間の終端は、時刻ｔ６である
とする。この時刻ｔ６を音声区間の終端とする（終端ｔ
６という）。

【００７０】このように求められた始端ｔ５と終端ｔ６
の間の区間を有効音声区間Ｔ３とし、ｔ５を有効音声区
間Ｔ３の始端とし、ｔ６を有効音声区間Ｔ３の終端とす
る。次に、この有効音声区間Ｔ３の時間的長さが、予め
設定された範囲内にあるか否かを判断する。この場合、
Ｌ１３＜Ｔ３＜Ｌ２３か否かを判断する。また、その有
効音声区間Ｔ３内の音声パワーの最大値ｍ３がしきい値
ｔｈ２，ｔｈ３の範囲内に入っているか否かを判断す
る。そして、これらの条件が成立すると、抽出された有
効音声区間Ｔ３は正常な範囲内にあると判断され、その
音声（この場合、「３０分」）が適正な状態で入力され
たと判断する。

【００７１】このようにして、第３の単語群に属する
「３０分」に対する有効音声区間Ｔ３が正常な範囲内で
あると判断されると、音声区間検出・判定部１３は、図
３（ｃ）に示すように、その有効音声区間Ｔ３の終端ｔ
６からＬ４時間経過後に、情報出力部１５に対し、当該
有効音声区間Ｔ３が正常な範囲内であったことを示す信
号ｓ３を出力する。

【００７２】情報出力部１５はこの信号ｓ３を受ける
と、適正であることを示す情報として、前述したよう
に、「ピッ」という瞬時的な信号音を出力する。

【００７３】すなわち、ユーザが「午前」、「６時」に
続いて「３０分」と発話し、それが適正な状態で入力さ
れたと判断されると、「３０分」の後につづいて「ピ
ッ」という信号音が装置側から発せられる。これによ
り、ユーザは自分の発話した「３０分」が装置側に適正
な状態で入力されたと判断できる。

【００７４】このように、ユーザが、「午前」、「６
時」、「３０分」と発話した場合、それぞれの単語に対
する音声が適正な状態で入力されたと判断されると、
「午前」、「ピッ」、「６時」、「ピッ」、「３０
分」、「ピッ」というように、ユーザの発話した音声の
あとに装置側から「ピッ」が応答されるので、ユーザは
それを聞くことにより自分の発話した音声が適正な状態
で入力されたことがわかり、安心感が得られる。

【００７５】なお、前述のＬ３は第１から第３の単語群
において共通の時間として説明したが、これもＬ１，Ｌ
２と同様に、それぞれの単語群ごとに適当な時間を設定
するようにしてもよい。

【００７６】また、ある有効音声区間（有効音声区間Ｔ
１とする）が前述した条件を満たさない例として、図４
（ａ），（ｂ）がある。図４（ａ）は有効音声区間Ｔ１
の２つの最大値ｍ１がしきい値ｔｈ３を越え、しかも、
有効音声区間Ｔ１の時間的長さが、Ｌ１１よりも短い場
合である。また、図４（ｂ）は有効音声区間Ｔ１の最大
値ｍ１がしきい値ｔｈ２より小さく、かつ、有効音声区
間Ｔ１の時間的長さが、Ｌ２１よりも長い場合である。

【００７７】図４（ａ）の例は、ユーザの発話した音声
が強すぎ、しかも、きわめて早口で発話したような例で
あり、このような状態で発話された音声に対しては適正
な音声認識が行えない可能性が高いことから、その入力
音声は適正でないとする。

【００７８】また、図４（ｂ）の例は、ユーザの発話し
た音声が小さすぎ、しかも、きわめて間延びした状態で
発話したような例であり、このような状態で発話された
音声に対しては、適正な音声認識が行えない可能性が高
いことから、その入力音声は適正でないとする。

【００７９】なお、図４（ａ），（ｂ）の例は、共に、
音声パワーと有効音声区間の時間的長さの両方が条件を
満たさない例であるが、音声パワーと有効音声区間の時
間的長さのいずれか一方が条件を満たさない場合でも、
その入力音声は適正でないと判断される。

【００８０】このように、ユーザの発話した音声が適正
な状態で入力されなかったと判断した場合には、「ピ
ッ」という信号音は発しないようにする。これにより、
ユーザは自分の発話した音声が適正ではないということ
を知ることができる。この場合、装置側からの反応が無
音であることから、ユーザは、再度、入力し直すという
ようなことを行う。あるいは、適正な状態で入力がなさ
れなかった場合には、再度、入力し直すことを促す音声
メッセージやその他の信号などでユーザに報知すること
もできる。

【００８１】以上説明したように、この実施の形態は、
装置側に対し、「午前」、「６時」、「３０分」という
ような複数の単語から構成される内容を、１単語発話す
るごとに少し間をおいて次の単語を入力するという断続
的な発話によって音声の入力を行うことで、この入力音
声を認識させて、それに対応する動作（現在時刻設定な
ど）を行わせるような場合を例にしている。

【００８２】この場合、ユーザが、まず、「午前」と発
話すると、その音声データから得られた有効音声区間の
時間的長さと音声パワーとに基づいて、その音声が適正
な状態で入力されたか否かを判定し、適正な音声である
と判定した場合には、適正であることを示す「ピッ」と
いうような瞬時的な信号音を発するようにしている。こ
れにより、ユーザは、自分が発した音声が正常な状態で
入力されたか否かを装置側からの信号音で知ることがで
き、音声入力操作を不安感を抱くことなく行うことがで
きる。

【００８３】このように、本発明は、装置との間で対話
形式で音声を入力する方式でなく、１つの組に存在する
複数の単語を断続的に続けて入力するような場合に特に
有効なものとなる。

【００８４】なお、本発明は以上説明した実施の形態に
限定されるものではなく、本発明の要旨を逸脱しない範
囲で種々変形実施可能となるものである。

【００８５】たとえば、前述の実施の形態では、有効音
声区間が適正か否かの判断条件の一つとして、音声パワ
ーの最大値を用いているが、有効音声区間内の音声パワ
ーの平均値を用いて有効音声区間が適正か否かの判断を
行っても良い。

【００８６】また、前述の実施の形態では、ユーザの発
話した音声が適正であることを示す情報として「ピッ」
というような信号音を用いたが、このような信号音に限
られるものではなく、たとえば、発光ダイオードなどを
点灯させるようにしてもよく、また、「はい」というよ
うな短い音声による応答でであってもよい。さらには、
液晶ディスプレイのような表示部のあるものであれば、
話者の音声入力直後にその音声が適正である場合、その
表示部にたとえば「ＯＫ」というような表示を行うよう
にしてもよい。

【００８７】また、前述の実施の形態では、音声認識技
術を用いた時計における時刻合わせを例にとって説明し
たが、本発明は、時計以外の機器にも適用できることは
勿論である。

【００８８】また、前述の実施の形態では、３つの単語
を１組として入力した例を示したが、１組を構成する単
語数は３つに限られるものでないことは勿論である。

【００８９】また、以上説明した本発明の認識対象音声
の入力状態報知処理を行う処理プログラムは、フロッピ
ィディスク、光ディスク、ハードディスクなどの記録媒
体に記録させておくことができ、本発明はその記録媒体
をも含むものである。また、ネットワークから処理プロ
グラムを得るようにしてもよい。

【００９０】

【発明の効果】以上説明したように本発明によれば、話
者の発話した認識対象音声における有効音声区間の時間
的な長さと、当該有効音声区間内の音声パワーの大きさ
によって、前記認識対象音声が適正な状態で入力された
か否かを判断し、適正であると判断した場合には、当該
認識対象音声の入力直後に適正であることを示す情報を
発するようにしている。これにより、ユーザが装置に対
して音声の入力操作を行う際、自分の入力した音声が本
当に適正な状態で入力されたのかどうかという不安感を
抱くことがなくなり、音声入力を行う際の操作性の向上
を図ることができる。

【００９１】特に、認識対象音声が、複数の単語を１つ
の組として発話される音声であって、このような音声を
入力する際に効果が得られる。たとえば、現在時刻など
の時刻設定を音声により設定可能な時計を例に取れば、
「午前」・「何時」・「何分」というように複数の単語
を１つの組とし、それを構成する各単語間に区切りとし
ての間をおきながら断続的に発話されるような場合であ
る。このように、複数の単語を１つの組としてそれぞれ
の単語が断続的に発話される場合、各単語を発話したあ
とに、装置側から瞬時的に発せられる信号音などが返っ
てくるようにすることで、ユーザは、自分の発話した音
声が適正な状態で入力されたことが即座にわかり、音声
入力操作に対する安心感が得られる。

【００９２】また、ユーザの発話した音声が適正な状態
で入力されことを示す情報として、瞬時的な情報を発す
るだけであるので、たとえば、それぞれの単語を認識し
てその認識結果をそのまま応答するのに比べると、処理
を軽いものとすることができ、処理時間も大幅に短縮す
ることができる。

【００９３】そして、このような認識対象音声の入力状
態報知方法を採用した音声認識装置は、使い勝手のよい
ものとなり、この種の機器の取り扱いに不慣れなユーザ
でも容易に取り扱うことができるようになり、また、全
体的な処理を軽いものとすることができるので、ＣＰＵ
やメモリに低コストなものが使用でき、装置そのものの
価格も低コスト化が図れる。

【図面の簡単な説明】

【図１】本発明の実施に形態に用いられる音声時計の外
観を概略的に示す図。

【図２】図１で示した音声時計に用いられる音声認識装
置部分の概略構成を説明するブロック図である。

【図３】図１で示した音声時計にて時刻設定を行う際の
認識対象音声の入力状態報知処理を説明するタイムチャ
ート。

【図４】本発明の実施の形態における入力音声が適正で
ない例を説明する図。

【符号の説明】

１音声時計の筺体２スピーカ３マイクロホン４モード設定部５時刻ボタン１１音声入力部１２音声分析部１３音声区間検出・判定部１４音声認識処理部１５情報出力部１６音声認識用モデルデータ１７出力用モデルデータ

Claims

【特許請求の範囲】

【請求項１】話者の発話した認識対象音声の音声波形
から得られる音声パワーに基づいて当該認識対象音声に
対する有効音声区間を検出し、この有効音声区間の時間
的な長さと、当該有効音声区間内の音声パワーの大きさ
によって、前記認識対象音声が適正な状態で入力された
か否かを判断し、適正であると判断した場合には、当該
認識対象音声の入力終了直後に適正であることを示す情
報を発することを特徴とする認識対象音声の入力状態報
知方法。
【請求項２】前記適正な状態で入力されたか否かの判
定対象となる認識対象音声は、複数の単語を１つの組と
して発話される音声であって、この１つの組を構成する
それぞれの単語に対するそれぞれの音声間に、各単語の
区切りとしての間を有して発話される音声であることを
特徴とする請求項１記載の認識対象音声の入力状態報知
方法。
【請求項３】前記適正な状態で入力されたか否かの判
定対象となる認識対象音声が適正であると判断した場合
に発せられる情報は、前記１つの組を構成するそれぞれ
の単語の区切りとしての間に瞬時的に出力される信号
音、光、音声メッセージ、表示画面上での表示の少なく
とも１つであることを特徴とする請求項２に記載の認識
対象音声の入力状態報知方法。
【請求項４】前記１つの組を構成する複数の単語は、
第１から第ｎ（ｎは正の整数）までの単語群に属し、発
話する順番は、第１の単語群に属する単語から順に第ｎ
の単語群に属する単語までと決められていて、前記有効
音声区間の時間的な長さを判定する基準は、それぞれの
単語群ごとに設定されることを特徴とする請求項２また
は３記載の認識対象音声の入力状態報知方法。
【請求項５】話者の発話した認識対象音声を入力して
ディジタル化した音声データとして出力する音声入力手
段と、この音声入力手段から出力された音声データを所定時間
ごとに分析し、所定時間ごとの音声パワーと特徴データ
を算出する音声分析手段と、この音声分析手段によって求められた音声パワーに基づ
いて当該認識対象音声に対する有効音声区間を検出し、
この有効音声区間の時間的な長さと、当該有効音声区間
内の音声パワーの大きさによって、前記認識対象音声が
適正な状態で入力されたか否かを判断し、適正であると
判断した場合には前記認識対象音声の入力終了直後に適
正であることを示す信号を出力する音声区間検出・判定
手段と、この音声区間検出・判定手段で得られた前記認識対象音
声に対する有効音声区間と前記音声分析手段で得られた
特徴データとに基づいて認識対象音声を認識処理する音
声認識処理手段と、前記認識結果に対する装置側からの応答および装置側か
らユーザに対する音声メッセージを出力するとともに、
前記音声区間検出・判定手段からの前記認識対象音声が
適正であることを示す信号を受けると、当該認識対象音
声が適正であることを示す情報を出力する情報出力手段
と、を有したことを特徴とする音声認識装置。
【請求項６】前記適正な状態で入力されたか否かの判
定対象となる認識対象音声は、複数の単語を１つの組と
して発話される音声であって、この１つの組を構成する
それぞれの単語に対するそれぞれの音声間に、各単語の
区切りとしての間を有して発話される音声であることを
特徴とする請求項５記載の音声認識装置。
【請求項７】前記適正な状態で入力されたか否かの判
定対象となる認識対象音声が適正であると判断した場合
に発せられる情報は、前記１つの組を構成するそれぞれ
の単語の区切りとしての間に瞬時的に出力される信号
音、光、音声メッセージ、表示画面上での表示の少なく
とも１つであ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１つの組を構成する複数の単語は、
第１から第ｎ（ｎは正の整数）までの単語群に属し、発
話する順番は、第１の単語群に属する単語から順に第ｎ
の単語群に属する単語までと決められていて、前記有効
音声区間の時間的な長さを判定する基準は、それぞれの
単語群ごとに設定されることを特徴とする請求項６また
は７記載の音声認識装置。
【請求項９】話者からの認識対象音声が入力される
と、その認識対象音声が認識を行う上で適正な状態で入
力されたか否かを判定し、その判定結果を話者に報知す
る認識対象音声の入力状態報知処理プログラムを記録し
た記録媒体であって、その処理プログラムは、話者の発話した認識対象音声を入力してディジタル化し
た音声データとして出力する手順と、これによって得られた音声データを所定時間ごとに分析
し、所定時間ごとの音声パワーを算出する手順と、これによって得られた音声パワーに基づいて当該認識対
象音声に対する有効音声区間を検出し、この有効音声区
間の時間的な長さと、当該有効音声区間内の音声パワー
の大きさによって、前記認識対象音声が適正な状態で入
力されたか否かを判断し、適正であると判断した場合に
は前記認識対象音声の入力終了直後に適正であることを
示す信号を出力する手順と、前記認識対象音声が適正であることを示す信号を受ける
と、当該認識対象音声が適正であることを示す情報を出
力する手順と、を含むことを特徴とする認識対象音声の入力状態報知処
理プログラムを記録した記録媒体。
【請求項１０】前記適正な状態で入力されたか否かの
判定対象となる認識対象音声は、複数の単語を１つの組
として発話された音声であって、この１つの組を構成す
るそれぞれの単語に対するそれぞれの音声間に、各単語
の区切りとしての間を有して発話された音声であること
を特徴とする請求項９記載の認識対象音声の入力状態報
知処理プログラムを記録した記録媒体。
【請求項１１】前記適正な状態で入力されたか否かの
判定対象となる認識対象音声が適正であると判断した場
合に発せられる情報は、前記１つの組を構成するそれぞ
れの単語の区切りとしての間に瞬時的に出力される信号
音、光、音声メッセージ、表示画面上での表示の少なく
とも１つであることを特徴とする請求項１０に記載の認
識対象音声の入力状態報知処理プログラムを記録した記
録媒体。
【請求項１２】前記１つの組を構成する複数の単語
は、第１から第ｎ（ｎは正の整数）までの単語群に属
し、発話する順番は、第１の単語群に属する単語から順
に第ｎの単語群に属する単語までと決められていて、前
記有効音声区間の時間的な長さを判定する基準は、それ
ぞれの単語群ごとに設定されることを特徴とする請求項
１０または１１記載の認識対象音声の入力状態報知処理
プログラムを記録した記録媒体。