JP2002116797A

JP2002116797A - 音声処理装置、音声処理方法及び記憶媒体

Info

Publication number: JP2002116797A
Application number: JP2000311098A
Authority: JP
Inventors: Kenichi Fujii; 憲一藤井; Shiro Ito; 史朗伊藤; Takanari Ueda; 隆也上田; Yuji Ikeda; 裕治池田
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2000-10-11
Filing date: 2000-10-11
Publication date: 2002-04-19

Abstract

(57)【要約】【課題】ネットワークに接続された複数の音声認識装
置を利用して高精度な音声認識を効率的に行う。【解決手段】通信端末装置１０１は、ネットワーク１
０４に接続された高精度な音声認識装置１０２又は１０
３を指定する指定情報をユーザが発声した音声の中から
検出する。指定情報が検出された場合には、検出された
指定情報に対応する音声認識装置１０２又は１０３を用
いてユーザが発声した音声を音声認識する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ネットワークに接
続された複数の音声認識装置を利用する音声処理装置、
音声処理方法及び記憶媒体に関する。

【０００２】

【従来の技術】近年、人間が発声した音声を所定の規則
に従って電子計算機上で認識する技術（所謂、音声認識
技術）が実用化されている。更に、近年では、この音声
認識技術を用いて、従来手動で電子計算機に入力してい
たコマンドや文字情報を音声で入力する技術が開発され
ている。

【０００３】

【発明が解決しようとする課題】しかしながら、音声認
識は比較的計算量の多い処理であるので、ユーザが発声
した全ての音声を実時間で認識するためには高価で高性
能な電子計算機が必要となる。そのため、このような音
声認識をモバイルコンピュータや携帯電話等の小型で安
価な携帯端末装置に適用することは困難であるという問
題があった。

【０００４】本発明は前述の問題に鑑みてなされたもの
であり、ネットワークに接続された複数の音声認識装置
を利用して高精度な音声認識を効率的に行うことを目的
とする。

【０００５】

【課題を解決するための手段】本発明の音声処理装置
は、音声を入力する音声入力手段と、ネットワークに接
続された複数の音声認識装置の中の一つを指定する指定
情報を前記音声入力手段に入力された音声から検出する
検出手段と、前記検出手段で検出された指定情報に対応
する音声認識装置を用いて前記音声入力手段に入力され
た音声を音声認識する音声認識手段とを有することを特
徴とする。

【０００６】また、本発明の音声処理方法は、音声を入
力する音声入力工程と、ネットワークに接続された複数
の音声認識装置の中の一つを指定する指定情報を前記音
声入力工程で入力された音声から検出する検出工程と、
前記検出工程で検出された指定情報に対応する音声認識
装置を用いて前記音声入力工程で入力された音声を音声
認識する音声認識工程とを有することを特徴とする。

【０００７】また、本発明の記憶媒体は、上記音声処理
方法を実現するためのプログラムを記憶したことを特徴
とする。

【０００８】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態を詳細に説明する。図１は、本実施の形態に係
る音声認識システムの基本構成を示す図である。

【０００９】図１において、１０１はモバイルコンピュ
ータや携帯電話等の通信端末装置であり、小語彙辞書を
持つ音声認識プログラムを内蔵する。１０２及び１０３
は大語彙辞書を持つ高性能な音声認識装置であり、それ
ぞれ採用する文法規則が異なる。１０４はインターネッ
ト，移動体通信網等のネットワークである。

【００１０】通信端末装置１０１は、演算量が少なく安
価で簡易な音声認識装置であり、主に「戻る（モド
ル）」，「進む（ススム）」等の単純で短い単語を簡易
に音声認識する機能を有する。これに対して、音声認識
装置１０２及び１０３は、演算量が多く高価で高精度な
音声認識装置であり、主に住所，氏名等の複雑で長い連
続文を高精度に音声認識する機能を有する。このよう
に、本実施の形態の音声認識システムでは、音声認識の
機能を分散化することによって、ユーザに提供する情報
端末装置の認識効率を落とすことなく安価に構成し、利
便性や携帯性を高めている。

【００１１】通信端末装置１０１と音声認識装置１０２
及び１０３とは、ネットワーク１０４を介してデータ通
信可能である。通信端末装置１０１に入力されたユーザ
の音声は、ユーザがキーワードで指定する音声認識装置
１０２又は１０３に伝送される。本実施例では、音声認
識装置１０２を指定するキーワードを「入力１（ニュウ
リョクイチ）」とし、音声認識装置１０３を指定するキ
ーワードを「入力２（ニュウリョクニ）」とする。音声
認識装置１０２又は１０３は、通信端末装置１０１から
の音声（キーワードの部分を除く）を音声認識し、音声
認識によって得られた文字列を通信端末装置１０１に返
信する。

【００１２】次に、図２を用いて、本実施の形態に係る
通信端末装置１０１の構成を説明する。

【００１３】図２において、２０１は制御部、２０２は
記憶部、２０３は通信部、２０４は音声入力部、２０５
は操作部、２０６は音声出力部、２０７は表示部であ
る。また、２０８はアプリケーションプログラム、２０
９は音声認識プログラム、２１０はユーザインタフェー
ス制御プログラム、２１１はキーワード登録部である。

【００１４】制御部２０１は、ワークメモリやマイクロ
コンピュータ等から構成され、記憶部２０２に記憶され
たアプリケーションプログラム２０８，音声認識プログ
ラム２０９及びユーザインタフェース制御プログラム２
１０を読み出して実行する。

【００１５】記憶部２０２は、磁気ディスク、光ディス
ク、ハードディスク装置等の記憶媒体から構成され、ア
プリケーションプログラム２０８，音声認識プログラム
２０９，ユーザインタフェース制御プログラム２１０及
びキーワード登録部２１１を所定の領域に記憶する。通
信部２０３は、ネットワーク１０４に接続された音声認
識装置１０２及び１０３とデータ通信を行う。

【００１６】音声入力部２０４は、マイクロフォン等か
ら構成され、ユーザが発声した音声を入力する。操作部
２０５は、キーボード，マウス，タッチパネル，ジョイ
スティック，ペン，タブレット等から構成され、アプリ
ケーションプログラム２０８のグラフィカルユーザイン
タフェースを操作する。

【００１７】音声出力部２０６は、スピーカやヘッドフ
ォン等から構成される。表示部２０７は、液晶ディスプ
レイ等の表示器から構成され、アプリケーションプログ
ラム２０８のグラフィカルユーザインタフェースを表示
する。

【００１８】アプリケーションプログラム２０８は、ネ
ットワーク１０４上の情報（ホームページや各種のデー
タファイル等のウェブコンテンツ）を閲覧するためのウ
ェブブラウザの機能とこの機能を操作するためのグラフ
ィカルユーザインタフェースを有する。音声認識プログ
ラム２０９は、主に「戻る（モドル）」，「進む（スス
ム）」等の単純で短い単語を簡易に音声認識する機能を
有するプログラムである。ユーザインタフェース制御プ
ログラム２１０は、音声認識プログラム２０９を用いて
音声認識して得た文字列を所定のコマンドに変換してア
プリケーションプログラム２０８に入力したり、音声認
識装置１０２又は１０３を用いて音声認識して得た文字
列をアプリケーションプログラム２０８に入力したりす
る。キーワード登録部２１１は、ネットワーク１０４に
接続された音声認識装置１０２及び１０３を指定するた
めのキーワードを登録する。

【００１９】次に、図３を参照しながら、本実施の形態
に係る通信端末装置１０１が音声認識装置１０２及び１
０３を指定するキーワードを登録する手順を説明する。
この手順は、制御部２０１が記憶部２０２に記憶された
ユーザインタフェース制御プログラム２１０に従って実
行する。

【００２０】ステップＳ３０１において、制御部２０１
は、表示部２０７を用いてキーワードの登録されていな
い音声認識装置をユーザに通知する。ユーザは、操作部
２０５を用いて音声認識装置１０２又は１０３を指定す
るキーワードを入力する。本実施例では、音声認識装置
１０２を指定するキーワードを「入力１（ニュウリョク
イチ）」とし、音声認識装置１０３を指定するキーワー
ドを「入力２（ニュウリョクニ）」とする。

【００２１】ステップＳ３０２において、制御部２０１
は、音声認識装置１０２又は１０３を指定するキーワー
ドをキーワード登録部２１１に登録する。ステップＳ３
０３において、制御部２０１は、音声認識装置１０２及
び１０３のキーワードを登録したか否かを判定する。全
ての音声認識装置のキーワードを登録した場合には登録
の処理を終了する。

【００２２】次に、図４を参照しながら、本実施の形態
に係る通信端末装置１０１が、ネットワーク１０４に接
続された音声認識装置１０２又は１０３を用いて、入力
音声を音声認識する手順を説明する。この手順は、制御
部２０１が記憶部２０２に記憶されたユーザインタフェ
ース制御プログラム２１０に従って実行する。

【００２３】ステップＳ４０１において、制御部２０１
は、音声入力部２０４に入力されたユーザの音声を音声
認識プログラム２０９に入力する。本実施の形態では、
外部の音声認識装置１０２又は１０３を用いて音声認識
を行う場合には、認識対象となる文字列を発声する前に
必ずキーワードを発声するようにする。例えば、音声認
識装置１０２を用いて音声認識を行う場合、ユーザは
「ニュウリョクイチ（ポーズ）カワサキシ」と発声す
る。このように構成することにより、ユーザとってはど
の音声認識装置を使用したいかを意識して選択すること
ができ、通信端末装置１０１にとってはキーワードの検
出が容易となり、検出処理の高速化を図ることができ
る。

【００２４】ステップＳ４０２において、制御部２０１
は音声認識プログラム２０９を用いてステップＳ４０１
で入力された音声を簡易に音声認識し、認識した文字列
からキーワード登録部２１１に登録されたキーワードを
検出する。

【００２５】ステップＳ４０３において、制御部２０１
は、ステップＳ４０３でキーワードが検出された否かを
判定する。検出された場合にはステップＳ４０４に進
み、検出されなかった場合にはステップＳ４０７に進
む。例えば、ユーザが「ニュウリョクイチ（ポーズ）カ
ワサキシナカハラクイマイカミマチキヤノンコスギジギ
ョウショ」と発声した場合には、音声認識装置１０２を
指定するキーワード「ニュウリョクイチ」が検出される
ので、ステップＳ４０４に進む。また例えば、ユーザが
「モドル」や「ススム」と発声した場合には、キーワー
ド登録部２１１に登録されたキーワードは検出されない
ので、ステップＳ４０７に進む。

【００２６】ステップＳ４０４において、制御部２０１
は、ステップＳ４０２で検出されたキーワードに対応す
る音声認識装置１０２又は１０３を選択する。つまり、
通信端末装置１０１は、キーワード登録部２１１に登録
されたキーワードが検出された場合には、ネットワーク
１０４に接続された複数の音声認識装置の中の一つを選
択して音声認識を行う。従って、ユーザが「ニュウリョ
クイチ（ポーズ）カワサキシナカハラクイマイカミマチ
キヤノンコスギジギョウショ」と発声した場合には、音
声認識装置１０２を選択する。

【００２７】ステップＳ４０５において、制御部２０１
は、ステップＳ４０３で選択された音声認識装置１０２
又は１０３にステップＳ４０１で入力された音声（但
し、キーワードの部分を除く）を送信する。このよう
に、キーワードの部分を除いた音声を送信することによ
り、通信効率を高め、音声認識装置１０２及び１０３が
不要な音声認識を行うことを防止する。音声認識装置１
０２又は１０３は、通信端末装置１０１からの音声を音
声認識し、認識した文字列を通信端末装置１０１に返信
する。ユーザが「ニュウリョクイチ（ポーズ）カワサキ
シナカハラクイマイカミマチキヤノンコスギジギョウシ
ョ」と発声した場合、音声認識装置１０２は、文字列
「川崎市中原区今井上町キヤノン小杉事業所」を音声認
識し、この文字列を通信端末装置１０１に返信する。

【００２８】ステップＳ４０６において、制御部２０１
は、音声認識装置１０２又は１０３で認識された文字列
をアプリケーションプログラム２０８に入力する。アプ
リケーションプログラム２０８は、入力された文字列を
表示部２０７に表示されたグラフィカルユーザインタフ
ェース上の予め選択された入力フィールドに出力する。

【００２９】一方、ステップＳ４０７において、制御部
２０１は、音声認識プログラム２０９を用いてステップ
Ｓ４０１で入力された音声の音声認識を行う。つまり、
通信端末装置１０１は、キーワード登録部２１１に登録
されたキーワードが検出されなかった場合には、内部の
音声認識プログラム２０９を用いて自動的に音声認識を
行う。従って、ユーザが「モドル」や「ススム」と発声
した場合には、キーワードは検出されないので音声認識
プログラム２０９を用いて自動的に音声認識し、文字列
「戻る」や「進む」を得る。

【００３０】ステップＳ４０８において、制御部２０１
は、音声認識プログラム２０９で認識された文字列を所
定のコマンドに変換し、変換されたコマンドをアプリケ
ーションプログラム２０８に入力する。例えば、文字列
「戻る」は、現在閲覧中のページを一つ前に戻すという
意味のコマンドに変換され、文字列「進む」は、現在閲
覧中のページを一つ前に進めるという意味のコマンドに
変換される。アプリケーションプログラム２０８は、入
力されたコマンドに対応する処理を実行し、実行された
結果を表示部２０７に表示する。

【００３１】以上説明したように、本実施の形態によれ
ば、演算量が少なく安価で簡易な音声認識についてはユ
ーザに提供する通信端末装置で実行し、演算量が多く高
価で高精度な音声認識についてはネットワークに接続さ
れた複数の音声認識装置の何れかで実行するので、ユー
ザに提供する通信端末装置を、認識効率を落とすことな
く安価に構成することができる。

【００３２】また、本実施の形態によれば、ネットワー
クに接続された複数の高精度な音声認識装置の一つをユ
ーザが発声するキーワードによって指定できるので、手
による煩雑な操作を削減することができる。また、専用
の操作ボタン等を設けなくてもよくなるため、ユーザに
提供する通信端末装置を小型に構成することができる。
特に、モバイルコンピュータや携帯電話等の携帯端末装
置では、利便性や携帯性を高めることができる。

【００３３】また、本実施の形態によれば、入力音声に
キーワードが含まれているか否かに応じて入力音声の内
部の音声認識プログラムで認識するか、外部の音声認識
装置で認識するかを簡単に判別することができる。

【００３４】本実施の形態では、ネットワーク１０４に
接続された２つの音声認識装置１０２及び１０３を用い
て音声認識システムを構成する例について説明したが、
本発明はこのような構成に限るものではない。２つ以上
の音声認識装置を用いて音声認識システムを構成するこ
とも可能である。この場合、ユーザは各音声認識装置を
指定するキーワードをキーワード登録部２１１に登録す
る。これらの音声認識装置を利用する場合にはキーワー
ド登録部２１１に登録されたキーワードを発声する。ま
た、複数の異なる音声認識ユニットを有する音声認識装
置を用いて音声認識システムを構成することも可能であ
る。この場合、ユーザは１つの装置が有する複数の異な
る音声認識ユニットの夫々を指定するキーワードをキー
ワード登録部２１１に登録する。これらの音声認識ユニ
ットを利用する場合にはキーワード登録部２１１に登録
されたキーワードを発声する。

【００３５】（その他の実施の形態）本発明は、上記実
施の形態に限るものではなく、様々な形態で実施するこ
とができる。

【００３６】例えば、制御部２０１が読み出したユーザ
インタフェース制御プログラム２１０の指示に基づき、
制御部２０１上で稼働しているＯＳ（オペレーティング
システム）などが上記実施の形態の処理の一部または全
部を行い、その処理によって上記実施の形態が実現され
る場合にも本発明は適用可能である。

【００３７】また、記憶部２０２から読み出されたユー
ザインタフェース制御プログラム２１０が、情報端末装
置１０１に接続された機能拡張ユニットに備わるメモリ
に書き込まれた後、そのプログラム２１０の指示に基づ
いてその機能拡張ユニットに備わる制御部などが実際の
処理の一部または全部を行い、その処理によって上記実
施の形態が実現される場合にも本発明は適用可能であ
る。

【００３８】

【発明の効果】以上説明したように、本発明によれば、
ネットワークに接続された複数の音声認識装置を利用し
て高精度な音声認識を効率的に行うことができる。

【図面の簡単な説明】

【図１】本実施の形態に係る音声認識システムの構成を
示す図である。

【図２】本実施の形態に係る通信端末装置の構成を示す
ブロック図である。

【図３】本実施の形態に係る通信端末装置がキーワード
を登録する手順を説明するフローチャートである。

【図４】本実施の形態に係る通信端末装置が入力音声を
音声認識する手順を説明するフローチャートである。

【符号の説明】

１０１通信端末装置１０２，１０３音声認識装置１０４ネットワーク２０１制御部２０２記憶部２０３通信部２０４音声入力部２０５操作部２０６音声出力部２０７表示部２０８アプリケーションプログラム２０９音声認識プログラム２１０ユーザインタフェース制御プログラム２１１キーワード登録部

───────────────────────────────────────────────────── フロントページの続き (72)発明者上田隆也東京都大田区下丸子３丁目30番２号キヤノン株式会社内 (72)発明者池田裕治東京都大田区下丸子３丁目30番２号キヤノン株式会社内Ｆターム(参考） 5D015 AA04 BB01 KK01 KK02 LL02 LL05 LL10

Claims

【特許請求の範囲】

【請求項１】音声を入力する音声入力手段と、ネットワークに接続された複数の音声認識装置の中の一
つを指定する指定情報を前記音声入力手段に入力された
音声から検出する検出手段と、前記検出手段で検出された指定情報に対応する音声認識
装置を用いて前記音声入力手段に入力された音声を音声
認識する音声認識手段とを有することを特徴とする音声
処理装置。
【請求項２】前記音声認識手段は更に、前記指定情報
が検出されなかった場合には、前記複数の音声認識装置
を用いることなく前記音声入力手段に入力された音声を
音声認識することを特徴とする請求項１に記載の音声処
理装置。
【請求項３】音声を入力する音声入力工程と、ネットワークに接続された複数の音声認識装置の中の一
つを指定する指定情報を前記音声入力工程で入力された
音声から検出する検出工程と、前記検出工程で検出された指定情報に対応する音声認識
装置を用いて前記音声入力工程で入力された音声を音声
認識する音声認識工程とを有することを特徴とする音声
処理方法。
【請求項４】前記音声認識工程は更に、前記指定情報
が検出されなかった場合には、前記複数の音声認識装置
を用いることなく前記音声入力工程で入力された音声を
音声認識することを特徴とする請求項３に記載の音声処
理方法。
【請求項５】請求項３または４に記載の音声処理方法
を実現するためのプログラムを記憶したこと特徴とする
記憶媒体。