JP2002297188A - 音声編集装置及び音声編集プログラム - Google Patents

Abstract

(57)【要約】 【課題】 編集対象の音声波形に加え、そこに含まれる
各音声部分の音声内容を画面表示することにより、音声
編集の効率を高める。 【解決手段】 音声編集画面において、編集対象となる
音声の波形４８を表示するとともに、そこに含まれる各
音声部分３６，３８，４０に対応づけて、認識結果表示
枠４２，４４，４６をそれぞれ表示し、その中に各音声
部分３６，３８，４０に対する音声認識の結果の全部又
は一部を表示する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声編集装置及び
音声編集プログラムに関し、特に、編集対象となる音声
の波形とともに、各音声部分の内容を画面表示すること
により、音声の編集効率を向上させる技術に関する。

【０００２】

【従来の技術】音楽、会話、アニメーションやゲームに
おける台詞等は、録音スタジオ等で収録された後、ディ
ジタルデータ化され、音声編集プログラムによって編集
・加工されることが多い。音声編集プログラムでは、デ
ィジタル形式の音声データ（波形データ）に基づいて、
収録音声の波形をコンピュータディスプレイに表示する
ようになっており、編集者は、表示画面上で波形位置
（音声タイミング）又は波形範囲（音声区間）をマウス
等のポインティングデバイスで指定して、その指定した
波形位置以降の収録音声、又は波形範囲の収録音声を音
声出力させることができるようになっている。そして、
波形の内容（音声内容）を適宜確認しながら、任意の波
形位置又は波形範囲をマウス等で指定し、さらにカッ
ト、コピー、ペースト、各種サウンドエフェクト付加等
の編集方法を指定することにより、収録音声の編集作業
を進めるようになっている。

【０００３】

【発明が解決しようとする課題】しかしながら、上記従
来の音声編集プログラムでは、表示画面上で波形の位置
又は範囲を指定して、指定位置からの音声内容、又は指
定範囲の音声内容をいちいち耳で確認しなければならな
いので、編集効率が悪いという問題がある。

【０００４】本発明は上記課題に鑑みてなされたもので
あって、その目的は、波形に加え、その各部の音声内容
を画面表示することにより、音声編集の効率を高めるこ
とができる音声編集装置及び音声編集プログラムを提供
することにある。

【０００５】

【課題を解決するための手段】上記課題を解決するため
に、本発明に係る音声編集装置は、音声の波形を表示す
る波形表示手段と、前記波形に含まれる音声部分を判断
する音声部分判断手段と、前記波形に含まれる各音声部
分の内容の少なくとも一部を表す文字又は文字列を生成
する文字列生成手段と、前記波形に含まれる各音声部分
に対応づけて、その音声部分の内容の少なくとも一部を
表す前記文字又は文字列を表示する文字列表示手段と、
を含むことを特徴とする。

【０００６】本発明では、音声の波形が表示されるとと
もに、その波形に含まれる各音声部分に対応づけて、そ
の音声部分の内容の少なくとも一部を表す文字又は文字
列が表示される。文字又は文字列は、例えば公知の音声
認識技術により生成可能であり、波形に含まれる各音声
部分も、例えば公知の音声認識技術により判断可能であ
る。本発明によれば、編集者は、音声の波形のみなら
ず、その波形に含まれる各音声部分の内容を目で確認で
きるようになり、音声編集の効率を高めることができ
る。

【０００７】また、本発明の一態様においては、前記波
形に含まれる各音声部分を、他の部分と区別して表示す
る音声部分区別表示手段をさらに含む。こうすれば、編
集者は編集箇所を容易に確認できるようになる。

【０００８】また、本発明の一態様においては、前記文
字列表示手段は、前記波形に含まれる各音声部分の表示
位置に基づき、その音声部分の内容の少なくとも一部を
表す前記文字又は文字列の表示位置を決定する。こうす
れば、各音声部分の表示位置に対応する位置にその内容
の少なくとも一部を表す文字又は文字列が表示されるよ
うになるので、さらに編集効率を高めることができる。

【０００９】また、本発明の一態様においては、前記文
字列生成手段は、前記波形に含まれる各音声部分の全内
容を表す文字列のうち、最初の文字以外から、前記文字
列表示手段により表示する文字又は文字列から省略する
文字を選出する省略文字選出手段を含む。こうすれば、
ある音声部分に対応づけて、その音声部分の全内容を表
す文字列を表示する余裕がない場合に、一部を省略して
表示できるようになる。このとき、各音声部分に対応づ
けて表示される前記文字又は文字列が、その音声部分の
全内容を表す文字列の最初の文字を少なくとも含むよう
になるため、編集者は文字列を見て簡単に各音声部分の
内容を判断できるようになる。

【００１０】この態様では、前記省略文字選出手段は、
前記波形に含まれる各音声部分の全内容を表す文字列の
うち、最初の文字及び最後の文字以外から、前記文字列
表示手段により表示する文字又は文字列から省略する文
字を選出するようにしてもよい。こうすれば、各音声部
分に対応づけて表示される前記文字又は文字列が、その
音声部分の全内容を表す文字列の最初の文字と最後の文
字の双方を少なくとも含むようになるため、編集者は文
字列を見て、さらに簡単に各音声部分の内容を判断でき
るようになる。

【００１１】また、本発明の一態様では、前記波形に含
まれる各音声部分の表示上の長さに基づいて、その音声
部分の内容の少なくとも一部を表す前記文字又は文字列
を表示するときのフォントサイズを制御するフォントサ
イズ制御手段をさらに含む。こうすれば、例えばある音
声部分が短く表示されるときに、それに応じてフォント
サイズを小さくすること等ができるようになる。

【００１２】また、本発明の一態様では、前記波形に含
まれる各音声部分の全内容を表す文字又は文字列の文字
数に基づいて、その音声部分の内容の少なくとも一部を
表す前記文字又は文字列を表示するときのフォントサイ
ズを制御するフォントサイズ制御手段をさらに含む。こ
うすれば、例えば前記波形に含まれる各音声部分の全内
容を表す文字又は文字列の文字数が多い場合に、それに
応じてフォントサイズを小さくすること等ができるよう
になる。

【００１３】また、本発明に係る音声編集プログラム
は、音声の波形を表示するステップと、前記波形に含ま
れる音声部分を判断するステップと、前記波形に含まれ
る各音声部分の内容の少なくとも一部を表す文字又は文
字列を生成するステップと、前記波形に含まれる各音声
部分に対応づけて、その音声部分の内容の少なくとも一
部を表す前記文字又は文字列を表示するステップと、を
コンピュータに実行させるためのものである。

【００１４】本発明では、音声の波形が表示されるとと
もに、その波形に含まれる各音声部分に対応づけて、そ
の音声部分の内容の少なくとも一部を表す文字又は文字
列が表示される。文字又は文字列は、例えば公知の音声
認識技術により生成可能であり、波形に含まれる各音声
部分も、例えば公知の音声認識技術により判断可能であ
る。本発明によれば、編集者は、音声の波形のみなら
ず、その波形に含まれる各音声部分の内容を目で確認で
きるようになり、音声編集の効率を高めることができ
る。

【００１５】

【発明の実施の形態】以下、本発明の好適な実施の形態
について図面に基づき詳細に説明する。

【００１６】図１は、本発明の一実施の形態に係る音声
編集装置として動作するコンピュータシステムの構成を
示す図である。同図に示すコンピュータシステム１０で
は、ＣＰＵ（中央処理装置）１４と、画像処理部１６
と、モニタ１８と、ハードディスク記憶装置１９と、Ｒ
ＡＭ（ランダムアクセスメモリ）２０と、ＲＯＭ（リー
ドオンリメモリ）２２と、入出力インタフェース２４，
２８とが、バス１２により相互にデータ授受可能に接続
されている。また、入出力インタフェース２４にはメデ
ィア読み取り装置２６が接続され、入出力インタフェー
ス２８には入力装置３０が接続されている。

【００１７】ＣＰＵ１４は、メディア読み取り装置２６
から供給されるプログラムを実行し、コンピュータシス
テム１０の各部を制御するものであり、画像処理部１６
はＣＰＵ１４からの制御に従って画像データを生成し、
それを所定タイミングでビデオ信号に変換し、モニタ１
８に出力するものである。モニタ１８は、ＣＲＴやＬＣ
Ｄ等により構成される表示装置である。ハードディスク
記憶装置は、メディア読み取り装置２６により読み取ら
れるプログラム等のデータをインストールしたり、ＣＰ
Ｕ１４の作業用として利用したりされる記憶デバイスで
ある。ＲＡＭ２０は、ＣＰＵ１４の作業用として用いら
れる記憶デバイスである。ＲＯＭ２２には、ＢＩＯＳ
（Basic Input Output System）等のデータが記憶され
る。

【００１８】入出力インタフェース２４は、ＣＰＵ１４
とメディア読み取り装置２６との間でなされるデータ授
受を中継するものであり、入出力インタフェース２８は
ＣＰＵ１４と入力装置３０との間でなされるデータ授受
を中継するものである。バス１２は、システム各部の間
でなされるデータ及びアドレスの授受に用いられる。

【００１９】メディア読み取り装置２６は、ＦＤ（フロ
ッピー（登録商標）ディスク）、ＭＯディスク（光磁気
ディスク）、ＣＤ（コンパクトディスク）−ＲＯＭ、Ｄ
ＶＤ（ディジタルビデオディスク）等の情報記憶媒体か
らプログラム等のデータを読み取る装置である。なお、
ここでは情報記憶媒体からプログラムを供給するものと
するが、コンピュータシステム１０にデータ通信のため
のデバイスを接続し、インターネット等の通信ネットワ
ークを介してプログラムを供給するようにしてもよい。

【００２０】入力装置３０は、例えばキーボード等の文
字入力デバイス、マウス等のポインティングデバイス、
音声編集の対象である音声を入力するためのマイク等を
含む。マイクから入力された音声はディジタル化され、
波形データファイルとしてハードディスク記憶装置１９
に記憶される。その他、予め他の装置で編集対象となる
音声をディジタル化して、波形データファイルとして情
報記憶媒体に記憶し、それをメディア読み取り装置２６
で読み取って、ハードディスク記憶装置１９に記憶して
おくようにしてもよい。或いは、インターネット等の通
信ネットワークを介してコンピュータシステムに波形デ
ータファイルを供給し、ハードディスク記憶装置１９に
記憶しておくようにしてもよい。

【００２１】かかる構成を有するコンピュータシステム
１０に、ＣＤ−ＲＯＭやＤＶＤ等の情報記憶媒体から音
声編集プログラムが供給され、それがハードディスク記
憶装置１９にインストールされることにより、同コンピ
ュータシステム１０が音声編集装置として機能する。

【００２２】図２は、コンピュータシステム１０で音声
編集プログラムを起動した場合に、モニタ１８で表示さ
れる音声編集（波形編集）画面の一例を示している。同
図に示す音声編集画面は、例えばＧＵＩ（Graphic User
Interface）をコンピュータシステム１０で採用した場
合には、１つのウィンドウとしてモニタ１８に表示され
るものである。同図に示すように、音声編集画面では、
画面上方に編集対象である音声の波形４８が表示され
る。同図に示す波形４８は、横軸を時間軸とし、縦軸を
振幅（波高値）として収録音声を示したものであり、３
つの音声部分３６，３８，４０が含まれている。

【００２３】ここで、音声部分とは、ノイズでない音声
に係る波形部分、つまり音声認識処理により音声が認識
される波形部分をいう。各音声部分３６，３８，４０の
開始位置（タイミング）は開始タイミング指示線３２に
より示され、終了位置（タイミング）は終了タイミング
指示線３４により示されている。

【００２４】音声部分３６，３８，４０からは、音声認
識処理により、認識結果表示枠４２，４４，４６の中に
表示される文字列がそれぞれ認識されている。ここで、
認識結果表示枠４２，４４，４６の枠線のうち、左側の
縦線は開始タイミング指示線３４と同一線上に配置され
るようになっており、右側の縦線は終了タイミング指示
線３４と同一線上に配置されるようになっている。こう
して、各音声部分３６，３８，４０に対応づけて、認識
結果表示枠４２，４４，４６がそれぞれ表示され、それ
らの枠内に各音声部分３６，３８，４０の音声認識結果
である文字列がそれぞれ表示されるようになっている。

【００２５】また、同図に示す音声編集画面では、波形
４８に３つの音声部分３６，３８，４０しか含まれてい
ないように見える、表示縮尺を変更することによって波
形４８の時間軸方向の拡縮が可能であり、表示縮尺を小
さくすることで図３に示すように他の音声部分３５，４
１、及びそれらに対応する認識結果表示枠４３，４７も
音声編集画面に現れるようになる。

【００２６】なお、図２及び図３に示す音声編集画面で
は、図示を省略するが、波形４８の振幅や時間を示す目
盛りや、音声編集の為の各種ツールを編集者が選択する
ためのツールバーやメニューも表される。

【００２７】図４は、音声編集プログラムの一部であ
る、編集画面表示ルーチンを示すフロー図である。音声
編集プログラムには、同編集画面表示ルーチンの他、同
ルーチンにより表示される波形４８を編集者の指示に基
づいて編集するための各種編集ルーチンも含まれる。

【００２８】同図に示すように、編集画面表示ルーチン
では、まず波形ファイル名、表示範囲、縮尺、フォント
サイズｚが取得される（Ｓ１０１）。波形ファイル名
は、編集対象である音声を収録した波形ファイルの名称
（必要に応じてパスも）であり、例えば編集者がメニュ
ー画面においてマウス等の入力装置３０で指定すること
により、或いはファイル名をキーボード等の入力装置３
０から入力すること等により、この波形ファイル名が取
得される。表示範囲は、編集対象である音声のうち編集
画面に波形４８を表示する範囲であり、例えば一旦波形
４８をモニタ１８に表示させた上で、マウス等の入力装
置３０で横スクロールさせ、或いはＧＵＩにおけるウィ
ンドウサイズを変更させて、編集者に表示範囲を指示さ
せることにより、この表示範囲が取得される。縮尺は、
波形４８の表示縮尺であり、例えばキーボードや等の入
力装置３０による拡大指示又は縮小処理等により、この
縮尺が取得される。フォントサイズｚは、認識結果表示
枠４２，４３，４４，４６，４７等の中に音声認識結果
たる文字列を表示するときに使用するフォントの大きさ
（ここでは特に、１文字を表示するために必要な正方形
の表示領域の一辺の長さ（ピクセル）をいう。）であ
り、例えば編集者がメニュー画面においてマウス等の入
力装置３０で指定することにより、或いはフォントサイ
ズｚをキーボード等の入力装置３０から入力すること等
により、このフォントサイズｚが取得される。

【００２９】次に、Ｓ１０１で取得された波形ファイル
名を有する波形ファイルがハードディスク記憶装置１９
から読み出され（Ｓ１０２）、それに基づいてＳ１０１
で取得された表示範囲の波形４８がＲＡＭ２０又は画像
処理部１６に含まれるＶＲＡＭに描画される（Ｓ１０
３）。続いて、Ｓ１０２で読み出された波形ファイルに
対して音声認識処理が施され、波形４８に含まれる各音
声部分が特定され、それらの認識結果である文字列が生
成される（Ｓ１０４）。そして、表示範囲のフレーズ数
Ｆ、フレーズ位置（Ｐｓ_ｉ，Ｐｅｉ）、フレーズ文字数
ｙ_ｉ（ｉ＝１〜Ｆ）がＲＡＭ２０に格納される（Ｓ１０
５）ここで、フレーズ数Ｆは表示範囲における音声部分
の数であり、フレーズ位置Ｐｓ_ｉは音声編集画面におけ
るｉ番目の音声部分の開始位置（ｘ座標（水平位置））
であり、フレーズ位置Ｐｅ_ｉは音声編集画面におけるｉ
番目の音声部分の終了位置（ｘ座標（水平位置））であ
る。また、フレーズ文字数ｙ_ｉはｉ番目の音声部分に対
する認識結果の文字数である。その後、フレーズ位置Ｐ
ｅ_ｉからフレーズ位置Ｐｓ_ｉが減算され、これによりフ
レーズ長ｘ_ｉが算出される（Ｓ１０６）。フレーズ長ｘ
_ｉは、音声編集画面におけるｉ番目の音声部分の横方向
（時間軸方向）の長さ（ピクセル数）を表す。Ｓ１０５
及びＳ１０６の結果、ＲＡＭ２０には図５に示すテーブ
ルが用意されることになる。

【００３０】次に、音声部分を指定する変数ｉを１に設
定し（Ｓ１０７）、フレーズ長ｘ_ｉがフォントサイズｚ
よりも小さいかどうかを判断する（Ｓ１０８）。フレー
ズ長ｘ_ｉがフォントサイズｚよりも小さい場合には、音
声部分の直下の表示領域に認識結果表示枠を収めきれな
い場合であり、例外文字描画処理が実行される（Ｓ１１
０）。例外文字描画処理は図７に示される処理である。
一方、フレーズ長ｘ_ｉがフォントサイズｚ以上である場
合には、音声部分の直下の表示領域に認識結果表示枠を
描画できる場合であり、通常文字描画処理が実行される
（Ｓ１０９）。通常文字描画処理は図６に示される。例
外文字描画処理及び通常文字描画処理は、共にｉ番目の
音声部分の下方に認識結果表示枠を描画するとともに、
その中に認識結果である文字列を描画する処理である。

【００３１】通常文字描画処理（Ｓ１０９）又は例外文
字描画処理（Ｓ１１０）が実行された後、変数ｉがフレ
ーズ数Ｆに達したかどうかが判断され（Ｓ１１１）、達
していなければ変数ｉに１が加算され、次の音声部分に
対してＳ１０８からＳ１１１までの処理が再び実行され
る。こうして、変数ｉが１からＦまで順に増加し、それ
ぞれの変数ｉについてＳ１０８からＳ１１１までの処理
が実行されると、それまでに描画された音声編集画面が
モニタ１８により表示される（Ｓ１１３）。例えば音声
編集画面がＲＡＭ２０に描画された場合には、ＣＰＵ１
４はそれを画像処理部１６に転送すると、それが所定タ
イミングでモニタ１８に出力され、音声編集画面が表示
される。

【００３２】以上のようにして、音声編集画面として、
波形４８を表示するとともに、各音声部分の下方に認識
結果表示枠及び認識結果を表示することができる。

【００３３】図６は、通常文字描画ルーチンを示す図で
ある。同図に示すように、通常文字描画ルーチンでは、
まず次式（１）を満足する行数ｎが決定される（Ｓ２０
１）。

【００３４】

【数１】 ｘ_ｉ×（ｎ−１）＜ｙ_ｉ×ｚ≦ｘ_ｉ×ｎ …（１）

【００３５】次に、行数ｎが最大行数Ｎ以下であるかが
判断される（Ｓ２０２）。行数ｎが最大行数Ｎ以下の場
合、ｉ番目の音声部分（フレーズ）の下に縦ｚ×ｎドッ
ト、横ｘｉドットの認識結果表示枠が描画される（Ｓ２
０３）。このとき、認識結果表示枠の左上隅のｘ座標
（水平座標）がｉ番目の音声部分のフレーズ（開始）位
置Ｐｓ_ｉとなるように描画する。また、併せて開始タイ
ミング指示線３２及び終了タイミング指示線３４を描画
する。このとき、開始タイミング指示線３２は、フレー
ズ（開始）位置Ｐｓ_ｉで波形４８のゼロ振幅ラインと交
差するよう描画される。また、終了タイミング指示線３
４は、フレーズ（終了）タイミングＰｅ_ｉで波形４８の
ゼロ振幅ラインと交差するよう描画される。その後、認
識結果表示枠の中にＳ１０４で得られたｉ番目の音声部
分についての認識結果をフォントサイズｚで描画する
（Ｓ２０４）。

【００３６】一方、行数ｎが最大行数Ｎよりも大きい場
合、ｉ番目の音声部分の下に縦ｚ×Ｎドット、横ｘ_ｉド
ットの認識結果表示枠が描画される（Ｓ２０５）。この
とき認識結果表示枠の左上隅のｘ座標（水平座標）がｉ
番目の音声部分のフレーズ（開始）位置Ｐｓ_ｉとなるよ
うに描画する。また、併せて開始タイミング指示線３２
及び終了タイミング指示線３４を描画する。そして、Ｓ
１０４で得られたｉ番目の音声部分についての認識結果
である文字列のうち、音声編集画面への表示を省略する
文字を決定する（Ｓ２０６）。具体的には、次式（２）
で示される省略文字個数ａ_ｉを算出し、認識結果である
文字列のうち、先頭文字及び末尾文字を除き、ａ_ｉ個の
連続する文字を省略文字として選び出す。ここで、ｉｎ
ｔ（）は括弧内の数値を整数化する関数である。また、
第２項は認識結果表示枠で表示可能な文字数を表し、第
３項は省略文字が存在する記号（例えば「…」等）を埋
めるための文字数を１つ用意するために設けられてい
る。

【００３７】

【数２】 ａ_ｉ＝ｙｉ−ｉｎｔ（ｘ_ｉ／ｚ）×Ｎ＋１ …（２）

【００３８】そして、省略文字として選出されなかった
文字を、Ｓ２０５で描画した認識結果表示枠の中にフォ
ントサイズｚで描画する（Ｓ２０７）。このとき、省略
文字が元々存在していた部分には、例えば「…」や
「〜」等、文字が省略されていることを表す記号を表示
するようにすれば好適である。

【００３９】以上のようにすれば、音声部分の直下に、
開始タイミング指示線３２と左側の枠線が一致するとと
もに、終了タイミング指示線３４と右側の枠線が一致す
るよう、認識結果表示枠を表示し、その中に認識結果で
ある文字列の一部又は全部を表示することができる。こ
のとき、認識結果である文字列を一部省略して音声編集
画面に表示する場合でも、先頭文字及び末尾文字は省略
されないようにしたので、編集者は容易に音声部分の内
容を判断できるようになる。

【００４０】次に、図７は、例外文字描画ルーチンを示
す図である。同図に示すように、例外文字描画ルーチン
では、まず次式（３）が満足されるかが判断される（Ｓ
３０１）。

【００４１】

【数３】 Ｐｓ_ｉ＋ｚ＞Ｐｓ_ｉ＋１ …（３）

【００４２】上式（３）が満足される場合、音声部分の
下側にフォントサイズｚで文字を描画すると、右隣の音
声部分の直下に及んでしまい、そこには該音声部分に対
する認識結果を描画できなくなってしまうことから、例
外文字描画ルーチン及びその親プロセスである編集画面
表示ルーチンを中断し、例えばフォントサイズｚ、表示
範囲、縮尺の変更を編集者に促すメッセージを表示す
る。

【００４３】一方、上式（３）が満足されない場合、次
に行数ｎが最大行数Ｎ以下であるかが判断される（Ｓ３
０２）。行数ｎが最大行数Ｎ以下の場合、ｉ番目の音声
部分（フレーズ）の下に縦ｚ×ｎドット、横ｚドットの
認識結果表示枠が描画される（Ｓ３０３）。このとき、
認識結果表示枠の左上隅のｘ座標（水平座標）がｉ番目
の音声部分のフレーズ（開始）位置Ｐｓ_ｉとなるように
描画する。また、併せて開始タイミング指示線３２及び
終了タイミング指示線３４を描画する。その後、認識結
果表示枠の中にＳ１０４で得られたｉ番目の音声部分に
ついての認識結果をフォントサイズｚで描画する（Ｓ３
０４）。ここでは、認識結果が縦書き表示されることに
なる。

【００４４】一方、行数ｎが最大行数Ｎよりも大きい場
合、ｉ番目の音声部分のの下に縦ｚ×Ｎドット、横ｚド
ットの認識結果表示枠が描画される（Ｓ３０５）。この
とき認識結果表示枠の左上隅のｘ座標（水平座標）がｉ
番目の音声部分のフレーズ（開始）位置Ｐｓ_ｉとなるよ
うに描画する。また、併せて開始タイミング指示線３２
及び終了タイミング指示線３４を描画する。そして、Ｓ
１０４で得られたｉ番目の音声部分についての認識結果
である文字列のうち、音声編集画面への表示を省略する
文字を決定する（Ｓ３０６）。具体的には、上式（２）
で示される省略文字個数ａ_ｉを算出し、認識結果である
文字列のうち、先頭文字及び末尾文字を除き、ａ_ｉ個の
連続する文字を省略文字として選び出す。

【００４５】そして、省略文字として選出されなかった
文字を、Ｓ３０５で描画した認識結果表示枠の中にフォ
ントサイズｚで描画する（Ｓ３０７）。このとき、省略
文字が元々存在していた部分には、例えば「…」や
「〜」等、文字が省略されていることを表す記号を表示
するようにすれば好適である。

【００４６】以上のようにすれば、音声部分の下方に、
開始タイミング指示線３２と左側の枠線が一致するよう
認識結果表示枠を表示し、その中に認識結果である文字
列の一部又は全部を表示することができる。このとき、
認識結果表示枠の右側の枠線（縦線）は終了タイミング
指示線３４よりも右側に表されることになるが、右隣の
音声部分の認識結果表示枠が表示されるべき部分に、そ
の枠線が入り込んでしまう場合には、処理が中断される
ようになる。

【００４７】以上説明した音声編集装置（音声編集プロ
グラム）によれば、音声編集画面に波形４８が表示され
るとともに、音声部分３５，３６，３８，４０，４１等
が、開始タイミング指示線３２、終了タイミング指示線
３４、或いは認識結果表示枠４２，４３，４４，４６，
４７等の枠線により、他の部分（非音声部分）と区画さ
れて表されるので、編集者は一見しただけで波形４８に
含まれる音声部分を把握することができる。また、各音
声部分３５，３６，３８，４０，４１等に対応づけて、
認識結果表示枠４２，４３，４４，４６，４７等が表示
され、その内部に各音声部分３５，３６，３８，４０，
４１等の認識結果の全部又は一部が表示されるので、編
集者は一見しただけで波形４８に含まれる各音声部分が
どのような内容のものかを判断することができ、音声編
集の効率を格段に向上させることができる。

【００４８】なお、本発明は以上の実施の形態に限定さ
れるものではない。

【００４９】例えば、以上の説明では、図７のＳ３０１
の処理において、認識結果表示枠が干渉すると判断され
る場合に、処理を中断するようにしたが、当該音声部分
に対する認識結果表示枠及び認識結果の表示を省略し
て、処理を続行するようにしてもよい。このとき、マウ
ス等のポインティングデバイスで音声部分を指定した場
合に、その部分に関する認識結果が表示されるようにす
ることが望ましい。或いは、認識結果表示枠が干渉する
と判断される場合に、その部分のフォントサイズを小さ
なものに変更するようにしてもよい。すなわち、音声部
分の表示上の長さ（時間軸方向の長さ）に応じて、その
音声部分に対する認識結果を表示するときのフォントサ
イズを制御すれば、他の音声部分に対する認識結果を表
示する領域との干渉を無くすことができる。

【００５０】このように、音声認識処理による認識結果
たる文字列を表示するのに、フォントサイズを固定する
必要はなく、この他、例えば各音声部分に対する認識結
果の文字数に基づいてフォントサイズを制御するように
してもよい。例えば、ある音声部分に対する認識結果に
ついて、その文字数が多い場合、フォントサイズを小さ
くして編集画面の一覧性を向上させるようにすればよ
い。逆に、別の音声部分に対する認識結果については、
その文字数が少ない場合、フォントサイズを大きくして
視認性を向上させるようにすればよい。

【００５１】また、波形４８に含まれる各音声部分を他
の部分と区別して表示するには、開始タイミング指示線
３２、終了タイミング指示線３４、認識結果表示枠４
２，４３，４４，４６，４７等を利用する他、例えば各
音声部分を他の部分と違う色で表示したり、各音声部分
の背景を他の部分の背景と異ならせたりする等でもよ
い。

【００５２】また、音声編集画面は図２及び図３に示す
ものに限らず、様々なパターンを採用することができ
る。例えば、図８に示すように、各音声部分に吹き出し
を設定し、その中に各音声部分に対する認識結果の全部
又は一部を表示するようにしてもよい。また、図９に示
すように、各音声部分を囲む領域を他の領域と区別して
表示するとともに、いずれかの音声部分を囲む領域がマ
ウス等のポインティングデバイスで指定された場合に、
ウィンドウにその音声部分に対する認識結果の全部又は
一部が表示されるようにしてもよい。

【００５３】

【発明の効果】以上説明したように、本発明によれば、
音声の波形を表示するとともに、そこに含まれる各音声
部分に対応づけて、その音声部分の内容の少なくとも一
部を表す文字列を表示するようにしたので、音声の波形
のみならず、その波形に含まれる各音声部分の内容を目
で確認できるようになり、音声編集の効率を高めること
ができる。

【図面の簡単な説明】

【図１】 本発明の実施の形態に係る音声編集装置とし
て機能するコンピュータシステムの構成を示す図であ
る。

【図２】 音声編集画面の一例を示す図である。

【図３】 図２とは波形表示縮尺が異なる音声編集画面
の一例を示す図である。

【図４】 音声編集画面表示ルーチンを説明するフロー
図である。

【図５】 音声編集画面表示ルーチンにおいて生成され
るテーブルを示す図である。

【図６】 通常文字描画ルーチンを説明するフロー図で
ある。

【図７】 例外文字描画ルーチンを説明するフロー図で
ある。

【図８】 音声編集画面の変形例を示す図である。

【図９】 音声変種画面の他の変形例を示す図である。

【符号の説明】

１０ コンピュータシステム、１２ バス、１４ ＣＰ
Ｕ、１６ 画像処理部、１８ モニタ、１９ ハードデ
ィスク記憶装置、２０ ＲＡＭ、２２ ＲＯＭ、２４，
２８ 入出力インタフェース、２６ メディア読み取り
装置、３０ 入力装置、３２ （音声部分の）開始タイ
ミング指示線、３４ （音声部分の）終了タイミング指
示線、３５，３６，３８，４０，４１ 音声部分、４
２，４３，４４，４６，４７ 認識結果表示枠。

Claims (8)

【特許請求の範囲】
1. 【請求項１】 音声の波形を表示する波形表示手段と、 前記波形に含まれる音声部分を判断する音声部分判断手
   段と、 前記波形に含まれる各音声部分の内容の少なくとも一部
   を表す文字又は文字列を生成する文字列生成手段と、 前記波形に含まれる各音声部分に対応づけて、その音声
   部分の内容の少なくとも一部を表す前記文字又は文字列
   を表示する文字列表示手段と、 を含むことを特徴とする音声編集装置。
2. 【請求項２】 請求項１に記載の音声編集装置におい
   て、 前記波形に含まれる各音声部分を、他の部分と区別して
   表示する音声部分区別表示手段をさらに含むことを特徴
   とする音声編集装置。
3. 【請求項３】 請求項１又は２に記載の音声編集装置に
   おいて、 前記文字列表示手段は、前記波形に含まれる各音声部分
   の表示位置に基づき、その音声部分の内容の少なくとも
   一部を表す前記文字又は文字列の表示位置を決定するこ
   とを特徴とする音声編集装置。
4. 【請求項４】 請求項１乃至３のいずれかに記載の音声
   編集装置において、 前記文字列生成手段は、前記波形に含まれる各音声部分
   の全内容を表す文字列のうち、最初の文字以外から、前
   記文字列表示手段により表示する文字列から省略する文
   字を選出する省略文字選出手段を含むことを特徴とする
   音声編集装置。
5. 【請求項５】 請求項４に記載の音声編集装置におい
   て、 前記省略文字選出手段は、前記波形に含まれる各音声部
   分の全内容を表す文字列のうち、最初の文字及び最後の
   文字以外から、前記文字列表示手段により表示する文字
   列から省略する文字を選出することを特徴とする音声編
   集装置。
6. 【請求項６】 請求項１乃至５のいずれかに記載の音声
   編集装置において、 前記波形に含まれる各音声部分の表示上の長さに基づい
   て、その音声部分の内容の少なくとも一部を表す前記文
   字又は文字列を表示するときのフォントサイズを制御す
   るフォントサイズ制御手段をさらに含むことを特徴とす
   る音声編集装置。
7. 【請求項７】 請求項１乃至６のいずれかに記載の音声
   編集装置において、 前記波形に含まれる各音声部分の全内容を表す文字又は
   文字列の文字数に基づいて、その音声部分の内容の少な
   くとも一部を表す前記文字又は文字列を表示するときの
   フォントサイズを制御するフォントサイズ制御手段をさ
   らに含むことを特徴とする音声編集装置。
8. 【請求項８】 音声の波形を表示するステップと、 前記波形に含まれる音声部分を判断するステップと、 前記波形に含まれる各音声部分の内容の少なくとも一部
   を表す文字又は文字列を生成するステップと、 前記波形に含まれる各音声部分に対応づけて、その音声
   部分の内容の少なくとも一部を表す前記文字又は文字列
   を表示するステップと、 をコンピュータに実行させるための音声編集プログラ
   ム。