JP2000338995A - 音声認識装置及び音声認識用プログラムを記録したコンピュータ読み取り可能な記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】特別なボタンスイッチ操作を行わなくても、話
者が所定の動きをするだけで、音声入力動作の開始な
ど、音声認識に関する処理の開始を指示することができ
るようにする。 【解決手段】位置検出部１１により話者の体の所定部位
の位置を検出し、その検出位置が、設定された位置条件
に合致した場合に、音声入力制御部１２から音声入力部
１３に音声入力制御指令を送って、当該音声入力部１３
による音声入力動作を開始させる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、話者が発する音声
を認識する音声認識装置に係り、特に話者の動きを検出
するユーザインタフェースを備えた音声認識装置及び当
該インタフェースを利用した音声認識用プログラムを記
録したコンピュータ読み取り可能な記録媒体に関する。

【０００２】

【従来の技術】話者が発する音声を認識する音声認識装
置では、その認識性能向上のために、話者が発声するタ
イミングを検出することが重要である。そこで近年の音
声認識装置（を搭載した電子機器）では、音声の入力開
始など、音声認識に関する処理の開始を、話者自身が当
該装置に指示するための例えばボタンスイッチを備え、
このボタンスイッチがオン操作されたのを検出すること
で、音声入力を開始するなど、音声認識に関する処理を
開始するようになっている。

【０００３】

【発明が解決しようとする課題】近年、音声認識装置は
種々の用途に応用されるようになってきている。その結
果、音声認識装置の用途によっては、ボタンスイッチの
使用がシステムの構築を困難にする場合が生じるように
なった。例えば、音声認識機能が付加されたカーナビゲ
ーション装置では、使い勝手と安全面からも、運転者は
極力ボタン操作等から解放されることが好ましく、上記
ボタンスイッチに代わる指示手段が望まれる。

【０００４】本発明は上記事情を考慮してなされたもの
でその目的は、特別なボタンスイッチ操作を行わなくて
も、話者が所定の動きをするだけで、認識性能の向上に
必要な音声の入力開始など、音声認識に関する処理の開
始を指示することができ、もって種々の用途に応用でき
る使い勝手の良い音声認識装置及び音声認識用プログラ
ムを記録したコンピュータ読み取り可能な記録媒体を提
供することにある。

【０００５】

【課題を解決するための手段】本発明は、話者が発する
音声を認識する音声認識装置において、話者の動きを検
出する動き検出手段と、この動作検出手段の動き検出結
果が所定の条件を満たした場合に、音声入力の動作開始
を決定して対応する制御指令を発する制御手段と、この
制御手段から出力される制御指令に基づき、音声を入力
して対応する音声データを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る音声データを音響分析し
て特徴パラメータ系列を出力する音声処理手段と、この
音声処理手段から出力される特徴パラメータ系列と予め
用意されている音声モデルとを照合することで認識結果
を取得する音声認識手段とを備えたことを特徴とする。

【０００６】このように、音声入力手段の動作を、動作
検出手段により検出される話者の動き（アクション）に
応じて制御することで、話者によるボタンスイッチ等の
操作を必要とせずに、入力音声データの始まりを絞り込
むことができ、使い勝手の良い音声認識装置が実現可能
となる。

【０００７】また、上記制御手段に代えて、動作検出手
段の動き検出結果が所定の条件を満たした場合に、音声
処理の動作開始を決定して対応する音声処理制御指令を
発する制御手段を用い、この音声処理制御指令に基づき
音声処理手段での上記動作が開始される構成とすること
も可能である。

【０００８】このように、音声処理手段の動作を、動作
検出手段により検出される話者の動き（アクション）に
応じて制御することでも、話者によるボタンスイッチ等
の操作を必要とせずに、入力音声データの始まりを絞り
込むことができ、使い勝手の良い音声認識装置が実現可
能となる。

【０００９】また、上記制御手段に代えて、動作検出手
段の動き検出結果が所定の条件を満たした場合に、音声
認識の動作開始を決定して対応する音声認識制御指令を
発する制御手段を用い、この音声認識制御指令に基づき
音声認識手段での上記動作が開始される構成とすること
も可能である。

【００１０】このように、音声認識手段の動作を、動作
検出手段により検出される話者の動き（アクション）に
応じて制御することでも、話者によるボタンスイッチ等
の操作を必要とせずに、入力音声データの始まりを絞り
込むことができ、使い勝手の良い音声認識装置が実現可
能となる。

【００１１】ここで、上記動作検出手段として、話者の
動きを当該話者の体の所定部位の位置により検出する位
置検出手段、または話者の動きを当該話者の体の任意の
部位の加速度により検出する加速度検出手段、または話
者の動きを当該話者の体の任意の部位の傾きにより検出
する傾き検出手段を用いることにより、話者は、自身の
体の所定部位を、上記条件（判定のための位置条件）に
合致する位置に動かすとか、体の任意の部位を、上記条
件（判定のための加速度条件）に合致する加速度で動か
すとか、体の任意の部位を、上記条件（判定のための傾
き条件）に合致する傾き（傾斜角）に傾けるとかするだ
けで、上記音声入力等の動作開始の指示を与えることが
できる。

【００１２】また、上記動作検出手段を、上記位置検出
手段、加速度検出手段及び傾き検出手段のうちの少なく
とも２つで構成し、それに対応した少なくとも２つの判
定条件（複合条件）を用いて、制御手段による条件判定
を行うならば、話者の無意識の動きが偶然に設定条件に
合致して音声入力等の動作が開始される不具合を解消で
きる。

【００１３】また、外部からの操作により任意の上記条
件を設定登録するための動作登録手段を付加するなら
ば、条件の設定変更が任意に行えるようになることか
ら、利用者にとって使いやすい条件にチューニングで
き、一層使い勝手の良い音声認識装置が実現可能とな
る。

【００１４】また、上記制御手段から出力される制御指
令に基づき、話者の動きが所定の条件を満たした旨、つ
まり話者の動きに基づく音声入力等の音声認識に関する
動作を開始した旨を当該話者に報知する報知手段を付加
するならば、話者は、自身の動きで音声認識に関する動
作の開始を指示した場合に、その指示が装置側で正しく
検出されたか否かを確認することができる。ここで、上
記報知手段に、音出力、光出力、振動出力、または上記
音声入力手段から出力される音声データに基づく音声出
力の少なくとも１つの機能を持たせるならば、話者への
報知を効果的に行える。

【００１５】なお、本発明は方法に係る発明としても成
立する。また、本発明は、コンピュータに当該発明に相
当する手順を実行させるための（或いはコンピュータを
当該発明に相当する手段として機能させるための、或い
はコンピュータに当該発明に相当する機能を実現させる
ための）音声認識用プログラムを記録したコンピュータ
読み取り可能な記録媒体としても成立する。

【００１６】

【発明の実施の形態】以下、本発明の実施の形態につき
図面を参照して説明する。

【００１７】［第１の実施形態］図１は本発明の第１の
実施形態に係る音声認識装置の構成を示すブロック図で
ある。同図において、位置検出部１１は、話者の体の所
定部位の位置を常時検出するもので、例えば話者を撮影
して画像情報を取得する撮像装置としてのＣＣＤカメラ
１１ａと、このＣＣＤカメラ１１ａから出力される画像
情報に基づく画像認識処理を行うことで、話者の所定部
位の位置を検出する画像処理プロセッサ１１ｂとから構
成される。

【００１８】ここで、話者の画像から上記所定部位の位
置を検出するには、当該画像から、話者の体の基準とな
る部位、例えば脇の下と、所定部位（例えば左手の人差
し指の先端、左の手首、左足のつま先など）を検出し、
その基準部位に対する所定部位の例えば２次元空間上の
相対位置を求めればよい。なお、基準部位には、話者の
体の部位に代えて静止物体の所定部分を用いてもよく、
図１の音声認識装置が（車両に搭載された）カーナビゲ
ーション装置に適用された例であれば、当該カーナビゲ
ーション装置、或いはハンドルの所定部分を用いてもよ
い。

【００１９】位置検出部１１により検出された話者の所
定部位の位置を表す位置データは音声入力制御部１２に
渡される。音声入力制御部１２は位置検出部１１から渡
される位置データを、位置登録部１６により設定登録さ
れている位置データ（登録位置データ、位置条件デー
タ）と比較して、話者の体の所定部位が位置条件データ
の示す位置を基準とする一定の範囲（許容範囲）内に入
ったか否かを判定する。

【００２０】ここでは、位置条件データとして、話者が
左手の人差し指の先端を唇の位置に持ってきた場合の、
脇の下を基準とする当該人差し指の先端の位置を示す位
置データが設定されているものとする。また、上記許容
範囲（Δｘ，Δｙ）の情報は、基準位置を示す位置条件
データに付されていても、位置条件データから独立に管
理されていても構わない。

【００２１】音声入力制御部１２は、話者の体の所定部
位が位置条件データの示す位置を基準とする一定の範囲
（許容範囲）内に入ったものと判定した場合、つまり話
者が体の所定部位を基準位置に移動した結果、位置条件
（動作判定条件）に合致したと判定した場合、話者から
音声入力の動作開始が指示されたものと判断する。この
場合、音声入力制御部１２は音声入力部１３に対して特
定の制御指令（音声入力制御指令）を出力する。

【００２２】音声入力部１３は、周知のように、マイク
ロホン（図示せず）を使用して、話者が発する音声を入
力して電気信号（音声信号）に変換し、更にＡ／Ｄ（ア
ナログ／ディジタル）変換により音声データ（ディジタ
ル音声信号）を取得する。但し音声入力部１３は、上記
の動作（音声入力動作）を、音声入力制御部１２から音
声入力制御指令を受けることで開始する。

【００２３】音声入力部１３は、音声入力制御部１２か
らの音声入力制御指令に応じて音声入力動作を開始する
と、以後、その入力動作で取得した音声データを音声処
理部１４に出力する。

【００２４】音声処理部１４は、音声入力部１３から出
力される音声データを分析して、周知の特徴パラメータ
系列に変換する。音声認識に使用される代表的な特徴パ
ラメータとして、バンドパスフィルタまたはフーリエ変
換によって求めることができるパワースペクトラムや、
ＬＰＣ（線形予測）分析によって求められるケプストラ
ム係数などがよく知られている。但し、本実施形態で
は、使用する特徴パラメータの種類は問わない。

【００２５】音声処理部１４が取得した入力音声（に対
応する音声データ）の特徴パラメータ系列は音声認識部
１５に出力される。音声認識部１５は、音声処理部１４
から特徴パラメータ系列を受け取ると、当該特徴パラメ
ータ系列を予め用意されている各音声モデル（認識対象
の各特徴パラメータ系列）と照合することで、各音声モ
デルとの類似度或いは距離を算出し、認識結果を取得す
る。ここで、音声認識部１５で適用可能な音声認識の方
法としては、音声モデルを特徴パラメータ系列で表現し
ておき、ＤＰ（動的）計画法で音声モデルの特徴パラメ
ータ系列と、入力音声の特徴パラメータ系列との距離を
求める方法や、ＨＭＭ（隠れマルコフモデル）を用いて
音声モデルを表現しておき、入力音声の特徴パラメータ
系列が入力されたときの各音声モデルの確率を計算する
方法などが広く知られている。但し、音声認識部１５で
実際に適用する方法は特に問わない。

【００２６】このように本実施形態においては、音声入
力部１３の動作を、位置検出部１１で検出される話者の
体の所定部位の位置に応じて制御することで、更に具体
的に述べるならば、話者の体の所定部位が基準位置に移
動した結果、設定された位置条件（動作判定条件）に合
致したと判定して、音声入力部１３の動作を制御するこ
とで、入力音声データの始まりを絞り込むことができ、
使い勝手の良い音声認識装置が実現可能となる。

【００２７】さて本実施形態では、上記の位置条件（動
作判定条件、位置条件データ、登録位置データ）が、利
用者の操作により位置登録部１６から任意に設定登録・
変更登録できるようになっている。このように、位置条
件（動作判定条件）が任意に変更登録可能とすること
で、利用者にとって使いやすい条件にチューニングでき
るため、一層使い勝手の良い音声認識装置が実現可能と
なる。

【００２８】（１ａ）第１の実施形態の第１の変形例 次に、上記第１の実施形態に係る音声認識装置の第１の
変形例について図２のブロック構成図を参照して説明す
る。なお、図１と同一部分には同一符号を付してある。

【００２９】図２の構成が図１の構成と異なる点は、図
１中の音声入力制御部１２に代えて音声処理制御部２２
を、音声入力部１３に代えて音声入力部２３を、そして
音声処理部１４に代えて音声処理部２４を用いているこ
とである。

【００３０】音声入力部２３の特徴は、図１中の音声入
力部１３と異なって常時音声入力動作を行う点にある。
次に音声処理制御部２２は、位置検出部１１から渡され
る位置データを、位置登録部１６により設定登録されて
いる位置データ（登録位置データ、位置条件データ）と
比較して、話者の体の所定部位が位置条件データの示す
位置を基準とする一定の範囲（許容範囲）内に入ったか
否かを判定する点では、図１中の音声入力制御部１２と
同様である。音声処理制御部２２の特徴は、話者が体の
所定部位を基準位置に移動した結果、設定された位置条
件（動作判定条件）に合致したと判定した場合に、話者
から音声処理の動作開始が指示されたものと判断して、
音声処理部２４に対して特定の制御指令（音声処理制御
指令）を出力する点にある。

【００３１】音声処理部２４は、この音声処理制御部２
２からの音声処理制御指令に応じて図１中の音声処理部
１４が行ったのと同様の音声処理動作を開始し、音声入
力部２３から出力される音声データを特徴パラメータ系
列に変換して音声認識部１５に出力する。この音声認識
部１５での音声認識動作は、図１の構成と同様である。

【００３２】このように本変形例においては、音声処理
部２４の動作を、位置検出部１１で検出される話者の体
の所定部位の位置に応じて制御することで、入力音声デ
ータの始まりを絞り込むことができ、使い勝手の良い音
声認識装置が実現可能となる。

【００３３】（１ｂ）第１の実施形態の第２の変形例 次に、上記第１の実施形態に係る音声認識装置の第２の
変形例について図３のブロック構成図を参照して説明す
る。なお、図１または図２と同一部分には同一符号を付
してある。

【００３４】図３の構成が図１の構成と異なる点は、図
１中の音声入力制御部１２に代えて音声認識制御部３２
を、音声入力部１３に代えて（図２の構成で適用した）
音声入力部２３を、そして音声認識部１５に代えて音声
認識部３５を用いていることである。

【００３５】音声認識制御部３２は、位置検出部１１か
ら渡される位置データを、位置登録部１６により設定登
録されている位置データ（登録位置データ、位置条件デ
ータ）と比較して、話者の体の所定部位が位置条件デー
タの示す位置を基準とする一定の範囲（許容範囲）内に
入ったか否かを判定する点では、図１中の音声入力制御
部１２と同様である。音声認識制御部３２の特徴は、話
者が体の所定部位を基準位置に移動した結果、設定され
た位置条件（動作判定条件）に合致したと判定した場合
に、話者から音声認識の動作開始が指示されたものと判
断して、音声認識部３５に対して特定の制御指令（音声
認識制御指令）を出力する点にある。

【００３６】音声認識部３５は、この音声認識制御部３
２からの音声認識制御指令に応じて図１中の音声認識部
１５が行ったのと同様の音声認識動作を開始し、音声処
理部１４から出力される特徴パラメータ系列を予め用意
されている各音声モデル（認識対象の各特徴パラメータ
系列）と照合することで、各音声モデルとの類似度或い
は距離を算出し、認識結果を取得する。

【００３７】このように本変形例においては、音声認識
部３５の動作を、位置検出部１１で検出される話者の体
の所定部位の位置に応じて制御することで、入力音声デ
ータの始まりを絞り込むことができ、使い勝手の良い音
声認識装置が実現可能となる。

【００３８】以上に述べた図１乃至図３の構成の音声認
識装置では、位置登録部１６が設けられているものとし
て説明したが、当該位置登録部１６は必ずしも必要でな
く、特定の位置条件が制御部（音声入力制御部１２、音
声処理制御部２２、音声認識制御部３２）に予め設定登
録されているものであっても構わない。

【００３９】［第２の実施形態］図４は本発明の第２の
実施形態に係る音声認識装置の構成を示すブロック図で
ある。本実施形態の特徴は、前記第１の実施形態が、話
者による、音声の入力開始など、音声認識に関する処理
の開始の指示動作を、話者の体の部位の位置により判定
していたのに対し、話者の体の部位の加速度により判定
するようにした点にある。

【００４０】図４の音声認識装置は、加速度検出部４
１、音声入力制御部４２、音声入力部４３、音声処理部
４４、音声認識部４５及び加速度登録部４６から構成さ
れている。

【００４１】図４の構成が図１の構成と異なるのは、図
１中の位置検出部１１に代えて加速度検出部４１が、音
声入力制御部１２に代えて音声入力制御部４２が、位置
登録部１６に代えて加速度登録部４６が用いられている
点である。図４中の他の構成要素、即ち音声入力部４
３、音声処理部４４、音声認識部４５は、図１中の音声
入力部１３、音声処理部１４、音声認識部１５と同様で
ある。

【００４２】加速度検出部４１は、加速度センサを用い
て構成されており、話者の体の任意の部位（腕、手首、
首、耳、頭、足など）に装着して使用されることで、当
該部位の加速度を常時検出する。

【００４３】加速度検出部４１により検出された話者の
任意の部位の加速度を表すデータ（加速度データ）は音
声入力制御部４２に渡される。音声入力制御部４２は加
速度検出部４１から渡される加速度データを、加速度登
録部４６により設定登録されている加速度データ（登録
加速度データ、加速度条件データ）と比較して、話者の
体の任意の部位の加速度が加速度条件データの示す加速
度を基準とする一定の範囲（許容範囲）内に入ったか否
かを判定する。

【００４４】音声入力制御部４２は、話者の体の任意の
部位の加速度が加速度条件データの示す加速度を基準と
する一定の範囲（許容範囲）内に入ったものと判定した
場合、つまり話者が（加速度検出部４１を装着した）体
の任意の部位を基準加速度で動かした結果、加速度条件
（動作判定条件）に合致したと判定した場合、話者から
音声入力の動作開始が指示されたものと判断する。この
場合、音声入力制御部４２は音声入力部４３に対して特
定の制御指令（音声入力制御指令）を出力する。

【００４５】音声入力部４３は、音声入力制御部４２か
らの音声入力制御指令に応じて（図１の構成における音
声入力部１３と同様に）音声入力動作を開始し、以後、
その入力動作で取得した音声データを音声処理部４４に
出力する。以降の音声処理部４４、音声認識部４５の動
作は、前記した図１中の音声処理部１４、音声認識部１
５の動作と同様であるため、説明を省略する。

【００４６】以上に述べたように本実施形態において
は、音声入力部４３の動作を、加速度検出部４１で検出
される話者の体の任意の部位の加速度に応じて制御する
ことで、更に具体的に述べるならば、話者が体の任意の
部位を基準加速度で動かした結果、設定された加速度条
件（動作判定条件）に合致したと判定して、音声入力部
４３の動作を制御することで、入力音声データの始まり
を絞り込むことができ、使い勝手の良い音声認識装置が
実現可能となる。

【００４７】しかも本実施形態では、上記の加速度条件
（動作判定条件、加速度条件データ、登録加速度デー
タ）が、利用者の操作により加速度登録部４６から任意
に設定登録・変更登録できるようになっている。このよ
うに、加速度条件（動作判定条件）が任意に変更登録可
能とすることで、利用者にとって使いやすい条件にチュ
ーニングできるため、一層使い勝手の良い音声認識装置
が実現可能となる。

【００４８】（２ａ）第２の実施形態の第１の変形例 次に、上記第２の実施形態に係る音声認識装置の第１の
変形例について図５のブロック構成図を参照して説明す
る。なお、図４と同一部分には同一符号を付してある。

【００４９】図５の構成が図４の構成と異なる点は、図
４中の音声入力制御部４２に代えて音声処理制御部５２
を、音声入力部４３に代えて音声入力部５３を、そして
音声処理部４４に代えて音声処理部５４を用いているこ
とである。

【００５０】音声入力部５３は、図４中の音声入力部４
３と異なって（図２中の音声入力部２３と同様に）常時
音声入力動作を行う。音声処理制御部５２は、加速度検
出部４１から渡される加速度データを、加速度登録部４
６により設定登録されている加速度データ（登録加速度
データ、加速度条件データ）と比較して、話者の体の任
意の部位の加速度が加速度条件データの示す加速度を基
準とする一定の範囲（許容範囲）内に入ったか否かを判
定する点では、図４中の音声入力制御部４２と同様であ
る。音声処理制御部５２の特徴は、話者が体の任意の部
位を基準加速度で動かした結果、設定された加速度条件
（動作判定条件）に合致したと判定した場合に、話者か
ら音声処理の動作開始が指示されたものと判断して、音
声処理部５４に対して特定の制御指令（音声処理制御指
令）を出力する点にある。

【００５１】音声処理部５４は、この音声処理制御部５
２からの音声処理制御指令に応じて図１中の音声処理部
１４が行ったのと同様の音声処理動作を開始し、音声入
力部５３から出力される音声データを特徴パラメータ系
列に変換して音声認識部４５に出力する。この音声認識
部４５での音声認識動作は、図１中の音声認識部１５と
同様である。

【００５２】このように本変形例においては、音声処理
部５４の動作を、加速度検出部４１で検出される話者の
体の任意の部位の加速度に応じて制御することで、入力
音声データの始まりを絞り込むことができ、使い勝手の
良い音声認識装置が実現可能となる。

【００５３】（２ｂ）第２の実施形態の第２の変形例 次に、上記第２の実施形態に係る音声認識装置の第２の
変形例について図６のブロック構成図を参照して説明す
る。なお、図４または図５と同一部分には同一符号を付
してある。

【００５４】図６の構成が図４の構成と異なる点は、図
４中の音声入力制御部４２に代えて音声認識制御部６２
を、音声入力部４３に代えて音声入力部５３を、そして
音声認識部４５に代えて音声認識部６５を用いているこ
とである。

【００５５】音声認識制御部６２は、加速度検出部４１
から渡される加速度データを、加速度登録部４６により
設定登録されている加速度データ（登録加速度データ、
加速度条件データ）と比較して、話者の体の任意の部位
の加速度が加速度条件データの示す加速度を基準とする
一定の範囲（許容範囲）内に入ったか否かを判定する点
では、図４中の音声入力制御部４２と同様である。音声
認識制御部６２の特徴は、話者が体の任意の部位を基準
加速度で動かした結果、設定された加速度条件（動作判
定条件）に合致したと判定した場合に、話者から音声認
識の動作開始が指示されたものと判断して、音声認識部
６５に対して特定の制御指令（音声認識制御指令）を出
力する点にある。

【００５６】音声認識部６５は、この音声認識制御部６
２からの音声認識制御指令に応じて図１中の音声認識部
１５が行ったのと同様の音声認識動作を開始し、音声処
理部４４から出力される特徴パラメータ系列を予め用意
されている各音声モデル（認識対象の各特徴パラメータ
系列）と照合することで、各音声モデルとの類似度或い
は距離を算出し、認識結果を取得する。

【００５７】このように本変形例においては、音声認識
部６５の動作を、加速度検出部４１で検出される話者の
体の任意の部位の加速度に応じて制御することで、入力
音声データの始まりを絞り込むことができ、使い勝手の
良い音声認識装置が実現可能となる。

【００５８】以上に述べた図４乃至図６の構成の音声認
識装置では、加速度登録部４６が設けられているものと
して説明したが、当該加速度登録部４６は必ずしも必要
でなく、特定の加速度条件が制御部（音声入力制御部４
２、音声処理制御部５２、音声認識制御部６２）に予め
設定登録されているものであっても構わない。

【００５９】［第３の実施形態］図７は本発明の第３の
実施形態に係る音声認識装置の構成を示すブロック図で
ある。本実施形態の特徴は、前記第１、第２の実施形態
が、話者による、音声の入力開始など、音声認識に関す
る処理の開始の指示動作を、話者の体の部位の位置、加
速度により判定していたのに対し、話者の体の部位の傾
きにより判定するようにした点にある。

【００６０】図７の音声認識装置は、傾き検出部７１、
音声入力制御部７２、音声入力部７３、音声処理部７
４、音声認識部７５及び傾き登録部７６から構成されて
いる。

【００６１】図７の構成が図１の構成と異なるのは、図
１中の位置検出部１１に代えて傾き検出部７１が、音声
入力制御部１２に代えて音声入力制御部７２が、位置登
録部１６に代えて傾き登録部７６が用いられている点で
ある。図７中の他の構成要素、即ち音声入力部７３、音
声処理部７４、音声認識部７５は、図１中の音声入力部
１３、音声処理部１４、音声認識部１５と同様である。

【００６２】傾き検出部７１は、２軸または３軸の傾斜
角センサを用いて構成されており、話者の体の任意の部
位（腕、手首、首、耳、頭、足など）に装着して使用さ
れることで、当該部位の傾き（２次元または３次元の傾
き）を常時検出する。

【００６３】傾き検出部７１により検出された話者の任
意の部位の傾き（傾斜角）を表すデータ（傾きデータ）
は音声入力制御部７２に渡される。音声入力制御部７２
は傾き検出部７１から渡される傾きデータを、傾き登録
部７６により設定登録されている傾きデータ（登録傾き
データ、傾き条件データ）と比較して、話者の体の任意
の部位の傾きが傾き条件データの示す傾きを基準とする
一定の範囲（許容範囲）内に入ったか否かを判定する。

【００６４】音声入力制御部７２は、話者の体の任意の
部位の傾きが傾き条件データの示す傾きを基準とする一
定の範囲（許容範囲）内に入ったものと判定した場合、
つまり話者が（傾き検出部７１を装着した）体の任意の
部位を基準の傾きに一致するように傾けた結果、傾き条
件（動作判定条件）に合致したと判定した場合、話者か
ら音声入力の動作開始が指示されたものと判断する。こ
の場合、音声入力制御部７２は音声入力部７３に対して
特定の制御指令（音声入力制御指令）を出力する。

【００６５】音声入力部７３は、音声入力制御部７２か
らの音声入力制御指令に応じて（図１の構成における音
声入力部１３と同様に）音声入力動作を開始し、以後、
その入力動作で取得した音声データを音声処理部７４に
出力する。以降の音声処理部７４、音声認識部７５の動
作は、前記した図１中の音声処理部１４、音声認識部１
５の動作と同様であるため、説明を省略する。

【００６６】以上に述べたように本実施形態において
は、音声入力部７３の動作を、傾き検出部７１で検出さ
れる話者の体の任意の部位の傾きに応じて制御すること
で、更に具体的に述べるならば、話者が体の任意の部位
を基準の傾斜角に一致するように傾けた結果、設定され
た傾き条件（動作判定条件）に合致したと判定して、音
声入力部７３の動作を制御することで、入力音声データ
の始まりを絞り込むことができ、使い勝手の良い音声認
識装置が実現可能となる。

【００６７】しかも本実施形態では、上記の傾き条件
（動作判定条件、傾き条件データ、登録傾きデータ）
が、利用者の操作により傾き登録部７６から任意に設定
登録・変更登録できるようになっている。このように、
傾き条件（動作判定条件）が任意に変更登録可能とする
ことで、利用者にとって使いやすい条件にチューニング
できるため、一層使い勝手の良い音声認識装置が実現可
能となる。

【００６８】（３ａ）第３の実施形態の第１の変形例 次に、上記第３の実施形態に係る音声認識装置の第１の
変形例について図８のブロック構成図を参照して説明す
る。なお、図７と同一部分には同一符号を付してある。

【００６９】図８の構成が図７の構成と異なる点は、図
７中の音声入力制御部７２に代えて音声処理制御部８２
を、音声入力部７３に代えて音声入力部８３を、そして
音声処理部７４に代えて音声処理部８４を用いているこ
とである。

【００７０】音声入力部８３は、図７中の音声入力部７
３と異なって（図２中の音声入力部２３と同様に）常時
音声入力動作を行う。音声処理制御部８２は、傾き検出
部７１から渡される傾きデータを、傾き登録部７６によ
り設定登録されている傾きデータ（登録傾きデータ、傾
き条件データ）と比較して、話者の体の任意の部位の傾
きが傾き条件データの示す傾きを基準とする一定の範囲
（許容範囲）内に入ったか否かを判定する点では、図７
中の音声入力制御部７２と同様である。音声処理制御部
８２の特徴は、話者が体の任意の部位を基準の傾きに傾
けた結果、設定された傾き条件（動作判定条件）に合致
したと判定した場合に、話者から音声処理の動作開始が
指示されたものと判断して、音声処理部８４に対して特
定の制御指令（音声処理制御指令）を出力する点にあ
る。

【００７１】音声処理部８４は、この音声処理制御部８
２からの音声処理制御指令に応じて図１中の音声処理部
１４が行ったのと同様の音声処理動作を開始し、音声入
力部８３から出力される音声データを特徴パラメータ系
列に変換して音声認識部７５に出力する。この音声認識
部７５での音声認識動作は、図１中の音声認識部１５と
同様である。

【００７２】このように本変形例においては、音声処理
部８４の動作を、傾き検出部７１で検出される話者の体
の任意の部位の傾きに応じて制御することで、入力音声
データの始まりを絞り込むことができ、使い勝手の良い
音声認識装置が実現可能となる。

【００７３】（３ｂ）第３の実施形態の第２の変形例 次に、上記第３の実施形態に係る音声認識装置の第２の
変形例について図９のブロック構成図を参照して説明す
る。なお、図９と同一部分には同一符号を付してある。

【００７４】図９の構成が図７の構成と異なる点は、図
７中の音声入力制御部７２に代えて音声認識制御部９２
を、音声入力部７３に代えて音声入力部８３を、そして
音声認識部７５に代えて音声認識部９５を用いているこ
とである。

【００７５】音声入力部８３は、図７中の音声入力部７
３と異なって（図２中の音声入力部２３と同様に）常時
音声入力動作を行う。音声認識制御部９２は、傾き検出
部７１から渡される傾きデータを、傾き登録部７６によ
り設定登録されている傾きデータ（登録傾きデータ、傾
き条件データ）と比較して、話者の体の任意の部位の傾
きが傾き条件データの示す傾きを基準とする一定の範囲
（許容範囲）内に入ったか否かを判定する点では、図７
中の音声入力制御部７２と同様である。音声認識制御部
９２の特徴は、話者が体の任意の部位を基準の傾きに傾
けた結果、設定された傾き条件（動作判定条件）に合致
したと判定した場合に、話者から音声認識の動作開始が
指示されたものと判断して、音声認識部９５に対して特
定の制御指令（音声認識制御指令）を出力する点にあ
る。

【００７６】音声認識部９５は、この音声認識制御部９
２からの音声認識制御指令に応じて図１中の音声認識部
１５が行ったのと同様の音声認識動作を開始し、音声処
理部７４から出力される特徴パラメータ系列を予め用意
されている各音声モデル（認識対象の各特徴パラメータ
系列）と照合することで、各音声モデルとの類似度或い
は距離を算出し、認識結果を取得する。

【００７７】このように本変形例においては、音声認識
部９５の動作を、傾き検出部７１で検出される話者の体
の任意の部位の傾きに応じて制御することで、入力音声
データの始まりを絞り込むことができ、使い勝手の良い
音声認識装置が実現可能となる。

【００７８】以上に述べた図７乃至図９の構成の音声認
識装置では、傾き登録部７６が設けられているものとし
て説明したが、当該傾き登録部７６は必ずしも必要でな
く、特定の傾き条件が制御部（音声入力制御部７２、音
声処理制御部８２、音声認識制御部９２）に予め設定登
録されているものであっても構わない。

【００７９】（４ａ）第１乃至第３の実施形態に共通の
第１の変形例 前記第１、第２、第３の実施形態では、話者の体の所定
部位の位置、任意の部位の加速度、または任意の部位の
傾きが、設定された唯一の条件である位置、加速度、ま
たは傾きの条件に合致した場合に制御指令（音声入力制
御指令、音声処理制御指令、または音声認識制御指令）
が出力されるものとして説明した。しかし、位置、加速
度、または傾きのうちの１つだけに基づく動作判定で
は、話者の無意識の動作が偶然に設定条件に合致するこ
とがあり得る。そこで、位置、加速度、または傾きのう
ちの少なくとも２つに基づく動作判定を行うようにする
とよい。

【００８０】図１０に、位置、加速度及び傾きの３つに
基づく動作判定を実現する要部のブロック構成図を示
す。なお、図１乃至図９と同一部分には同一符号を付し
てある。同図において、動作検出部１０１は話者の動き
を検出するためのものであり、位置検出部１１、加速度
検出部４１及び傾き検出部７１から構成される。ここ
で、加速度検出部４１及び傾き検出部７１は、同一筐体
（例えば、手首に装着して用いられる時計状のケース）
内に実装することが可能である。

【００８１】さて、動作検出部１０１内の位置検出部１
１により検出される話者の所定部位の位置を表す位置デ
ータ、加速度検出部４１により検出される話者の任意の
部位の加速度を表す加速度データ、及び傾き検出部７１
により検出される話者の任意の部位の傾きを表す傾きデ
ータは、いずれも制御部１０２に出力される。

【００８２】制御部１０２には、動作登録部１０３によ
り、位置、加速度及び傾きの３つについて条件の設定登
録がなされているものとする。この場合、制御部１０２
は、位置検出部１１により検出された（話者の体の所定
部位の）位置が位置条件に合致し、且つ加速度検出部４
１により検出された（話者の体の任意の部位の）加速度
が加速度条件に合致し、且つ傾き検出部７１により検出
された（話者の体の任意の部位の）傾きが傾き条件に合
致する場合にのみ、制御指令（音声入力制御指令、音声
処理制御指令、または音声認識制御指令）を出力する。

【００８３】なお、動作検出部１０１が、位置検出部１
１、加速度検出部４１及び傾き検出部７１のうちの任意
の２つから構成されるものであっても構わない。また、
動作登録部１０３は必ずしも必要ない。

【００８４】（４ｂ）第１乃至第３の実施形態に共通の
第２の変形例 前記第１、第２、第３の実施形態では、話者が、音声の
入力開始など、音声認識に関する処理の開始を音声認識
装置に対して指示するための動き（アクション）を行っ
た場合に、その話者の指示動作を装置側で正しく検出し
て、指示された音声認識に関する処理を開始したか否か
を、話者は確認することができない。

【００８５】そこで、図１１（ａ）に示すように、図１
乃至図９の構成の音声認識装置に、音声入力制御部（１
２，４２，７２）からの音声入力制御指令、音声処理制
御部（２２，５２，８２）からの音声処理制御指令、ま
たは音声認識制御部（３２，６２，９２）からの音声認
識制御指令に応じて、話者に対する確認のための音（確
認音）を出力する確認音出力部１１１を追加するとよ
い。

【００８６】また、図１１（ｂ）に示すように、確認音
出力部１１１に代えて、話者に対する確認のための光
（確認光）を出力する確認光出力部１１２を用いてもよ
い。

【００８７】また、図１１（ｃ）に示すように、確認音
出力部１１１に代えて、話者に対する確認のための振動
（確認振動）を発生する確認振動出力部１１３を用いて
もよい。

【００８８】更に、図１１（ｃ）に示すように、音声入
力部（１３，２３，４３，５３，７３，８３）から出力
さるれ音声データに基づく音声出力を行う音声出力部１
１６を用いてもよい。この場合、音声入力部からの音声
データをその出力順に一時格納するバッファ（音声バッ
ファ）１１４と、上記制御指令（音声入力制御指令、音
声処理制御指令、または音声認識制御指令）に応じて、
そのタイミング以降に音声バッファ１１４に格納された
音声データを音声出力部１１６に出力する音声出力制御
部１１５を設けるとよい。

【００８９】なお、以上の実施形態における音声認識装
置の各機能、即ち制御機能（音声入力制御機能、音声処
理制御機能、または音声認識制御機能）、音声入力機
能、音声処理機能、音声認識機能等は、ソフトウェアと
しても実現可能である。

【００９０】また、本実施形態は、コンピュータに音声
認識に関する所定の手順を実行させるための（或いはコ
ンピュータを音声認識に関する所定の手段として機能さ
せるための、或いはコンピュータに音声認識に関する所
定の機能を実現させるための）音声認識用プログラムを
記録したコンピュータ読み取り可能なＣＤ−ＲＯＭ等の
記録媒体として実施することもできる。また、このプロ
グラムが通信媒体を介してダウンロードされるものであ
っても構わない。

【００９１】

【発明の効果】以上詳述したように本発明によれば、音
声入力動作等、音声認識に関する動作の開始を、話者の
動き（アクション）に応じて制御するようにしたので、
話者によるボタンスイッチ等の操作を必要とせずに、入
力音声データの始まりを絞り込むことができ、使い勝手
の良い音声認識が実現可能となる。

【図面の簡単な説明】

【図１】本発明の第１の実施形態に係る音声認識装置の
構成を示すブロック図。

【図２】同第１の実施形態に係る音声認識装置の第１の
変形例を示すブロック構成図。

【図３】同第１の実施形態に係る音声認識装置の第２の
変形例を示すブロック構成図。

【図４】本発明の第２の実施形態に係る音声認識装置の
構成を示すブロック図。

【図５】同第２の実施形態に係る音声認識装置の第１の
変形例を示すブロック構成図。

【図６】同第２の実施形態に係る音声認識装置の第２の
変形例を示すブロック構成図。

【図７】本発明の第３の実施形態に係る音声認識装置の
構成を示すブロック図。

【図８】同第３の実施形態に係る音声認識装置の第１の
変形例を示すブロック構成図。

【図９】同第３の実施形態に係る音声認識装置の第２の
変形例を示すブロック構成図。

【図１０】上記各実施形態に共通の第１の変形例を示す
要部のブロック構成図。

【図１１】上記各実施形態に共通の第２の変形例を示す
要部のブロック構成図。

【符号の説明】

１１…位置検出部（動作検出手段） １２，４２，７２…音声入力制御部（制御手段） １３，２３，４３，５３，７３，８３…音声入力部 １４，２４，４４，５４，７４，８４…音声処理部 １５，３５，４５，６５，７５，９５…音声認識部 １６…位置登録部（動作登録手段） ２２，５２，８２…音声処理制御部（制御手段） ３２，６２，９２…音声認識制御部（制御手段） ４１…加速度検出部（動作検出手段） ４６…加速度登録部（動作登録手段） ７１…傾き検出部（動作検出手段） ７６…傾き登録部（動作登録手段） １０１…動作検出部 １０２…制御部 １０３…動作登録部 １１１…確認音出力部 １１２…確認光出力部 １１３…確認振動出力部 １１４…音声バッファ １１５…音声出力制御部 １１６…音声出力部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 橋爪 裕一 東京都青梅市新町３丁目３番地の１ 東芝 コンピュ―タエンジニアリング株式会社内 (72)発明者 山本 琢己 東京都青梅市新町３丁目３番地の１ 東芝 コンピュ―タエンジニアリング株式会社内 Ｆターム(参考） 5D015 HH00 KK01 LL10

Claims (13)

【特許請求の範囲】
1. 【請求項１】 話者が発する音声を認識する音声認識装
   置において、 話者の動きを検出する動作検出手段と、 前記動作検出手段の動き検出結果が所定の条件を満たし
   た場合に、音声入力の動作開始を決定して対応する制御
   指令を発する制御手段と、 前記制御手段から出力される前記制御指令に基づき、音
   声を入力して対応する音声データを出力する音声入力手
   段と、 前記音声入力手段から出力される音声データを音響分析
   して特徴パラメータ系列を出力する音声処理手段と、 前記音声処理手段から出力される特徴パラメータ系列と
   予め用意されている音声モデルとを照合することで認識
   結果を取得する音声認識手段とを具備することを特徴と
   する音声認識装置。
2. 【請求項２】 話者が発する音声を認識する音声認識装
   置において、 話者の動きを検出する動作検出手段と、 前記動作検出手段の動き検出結果が所定の条件を満たし
   た場合に、音声処理の動作開始を決定して対応する音声
   処理制御指令を発する制御手段と、 音声を入力して対応する音声データを出力する音声入力
   手段と、 前記制御手段から出力される前記音声処理制御指令に基
   づき、前記音声入力手段から出力される音声データを音
   響分析して特徴パラメータ系列を出力する音声処理手段
   と、 前記音声処理手段から出力される特徴パラメータ系列と
   予め用意されている音声モデルとを照合することで認識
   結果を取得する音声認識手段とを具備することを特徴と
   する音声認識装置。
3. 【請求項３】 話者が発する音声を認識する音声認識装
   置において、 話者の動きを検出する動作検出手段と、 前記動作検出手段の動き検出結果が所定の条件を満たし
   た場合に、音声認識の動作開始を決定して対応する音声
   認識制御指令を発する制御手段と、 音声を入力して対応する音声データを出力する音声入力
   手段と、 前記音声入力手段から出力される音声データを音響分析
   して特徴パラメータ系列を出力する音声処理手段と、 前記制御手段から出力される前記音声認識制御指令に基
   づき、前記音声処理手段から出力される特徴パラメータ
   系列と予め用意されている音声モデルとを照合すること
   で認識結果を取得する音声認識手段とを具備することを
   特徴とする音声認識装置。
4. 【請求項４】 前記動作検出手段が、前記話者の動きを
   当該話者の体の所定部位の位置により検出する位置検出
   手段であることを特徴とする請求項１乃至請求項３のい
   ずれかに記載の音声認識装置。
5. 【請求項５】 前記動作検出手段が、前記話者の動きを
   当該話者の体の任意の部位の加速度により検出する加速
   度検出手段であることを特徴とする請求項１乃至請求項
   ３のいずれかに記載の音声認識装置。
6. 【請求項６】 前記動作検出手段が、前記話者の動きを
   当該話者の体の任意の部位の傾きにより検出する傾き検
   出手段であることを特徴とする請求項１乃至請求項３の
   いずれかに記載の音声認識装置。
7. 【請求項７】 前記動作検出手段は、前記話者の動き
   を、当該話者の体の所定部位の位置により検出する位置
   検出手段、当該話者の体の任意の部位の加速度により検
   出する加速度検出手段、及び当該話者の体の任意の部位
   の傾きにより検出する傾き検出手段のうちの少なくとも
   ２つの検出手段を有しており、 前記制御手段は、前記動作検出手段が有する前記少なく
   とも２つの検出手段の検出結果と、当該少なくとも２つ
   の検出手段により検出される動きに関する所定の条件と
   を比較することで、前記動作検出手段の動作検出結果が
   当該条件を満たしたか否かを判定することを特徴とする
   請求項１乃至請求項３のいずれかに記載の音声認識装
   置。
8. 【請求項８】 外部からの操作により任意の前記条件を
   設定登録するための動作登録手段を更に具備することを
   特徴とする請求項１乃至請求項３のいずれかに記載の音
   声認識装置。
9. 【請求項９】 前記制御手段から出力される前記制御指
   令に基づき、前記話者の動きが所定の条件を満たした旨
   を当該話者に報知する報知手段を更に具備することを特
   徴とする請求項１乃至請求項３のいずれかに記載の音声
   認識装置。
10. 【請求項１０】 前記報知手段は、音出力、光出力、振
    動出力、または前記音声入力手段から出力される音声デ
    ータに基づく音声出力の少なくとも１つにより前記話者
    への報知を行うことを特徴とする請求項１乃至請求項３
    のいずれかに記載の音声認識装置。
11. 【請求項１１】 コンピュータに、 話者の動きを検出する動作検出手段の動き検出結果を監
    視して、前記動き検出結果が所定の条件を満たしたか否
    かを判定する動作判定ステップと、 前記動作判定ステップで前記動き検出結果が所定の条件
    を満たしたことが判定された場合に、音声入力の動作開
    始を決定して対応する制御指令を発する制御ステップ
    と、 前記制御指令に基づいて音声入力動作を開始し、音声を
    入力して対応する音声データを出力する音声入力ステッ
    プと、 前記音声入力ステップで出力される音声データを音響分
    析して特徴パラメータ系列を出力する音声処理ステップ
    と、 前記音声処理ステップで出力される特徴パラメータ系列
    と予め用意されている音声モデルとを照合することで認
    識結果を取得する音声認識ステップとを実行させるため
    の音声認識用プログラムを記録したコンピュータ読み取
    り可能な記録媒体。
12. 【請求項１２】 コンピュータに、 話者の動きを検出する動作検出手段の動き検出結果を監
    視して、前記動き検出結果が所定の条件を満たしたか否
    かを判定する動作判定ステップと、 前記動作判定ステップで前記動き検出結果が所定の条件
    を満たしたことが判定された場合に、音声処理の動作開
    始を決定して対応する制御指令を発する制御ステップ
    と、 音声を入力して対応する音声データを出力する音声入力
    ステップと、 前記制御指令に基づき音声処理動作を開始し、前記音声
    入力ステップで出力される音声データを音響分析して特
    徴パラメータ系列を出力する音声処理ステップと、 前記音声処理ステップで出力される特徴パラメータ系列
    と予め用意されている音声モデルとを照合することで認
    識結果を取得する音声認識ステップとを実行させるため
    の音声認識用プログラムを記録したコンピュータ読み取
    り可能な記録媒体。
13. 【請求項１３】 コンピュータに、 話者の動きを検出する動作検出手段の動き検出結果を監
    視して、前記動き検出結果が所定の条件を満たしたか否
    かを判定する動作判定ステップと、 前記動作判定ステップで前記動き検出結果が所定の条件
    を満たしたことが判定された場合に、音声処理の動作開
    始を決定して対応する制御指令を発する制御ステップ
    と、 音声を入力して対応する音声データを出力する音声入力
    ステップと、 前記音声入力ステップで出力される音声データを音響分
    析して特徴パラメータ系列を出力する音声処理ステップ
    と、 前記制御指令に基づき音声認識動作を開始し、前記音声
    処理ステップで出力される特徴パラメータ系列と予め用
    意されている音声モデルとを照合することで認識結果を
    取得する音声認識ステップとを実行させるための音声認
    識用プログラムを記録したコンピュータ読み取り可能な
    記録媒体。