JP2003044085A - コマンド入力機能つきディクテーション装置 - Google Patents
コマンド入力機能つきディクテーション装置Info
- Publication number
- JP2003044085A JP2003044085A JP2001228465A JP2001228465A JP2003044085A JP 2003044085 A JP2003044085 A JP 2003044085A JP 2001228465 A JP2001228465 A JP 2001228465A JP 2001228465 A JP2001228465 A JP 2001228465A JP 2003044085 A JP2003044085 A JP 2003044085A
- Authority
- JP
- Japan
- Prior art keywords
- command
- score
- text
- input
- word string
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
(57)【要約】
【課題】ディクテーション装置において、音声によるテ
キスト入力中に、使用者がキー等によるモード切替えを
行ったり入力のタイミングを意識したりすることなく、
音声によるコマンド入力を可能とする。 【解決手段】テキスト認識部とコマンド認識部は同時に
入力音声を受け付け、それぞれ認識結果としてのテキス
トあるいはコマンドとともにスコアを出力する。スコア
比較部は、このスコアを比較することにより、テキスト
かコマンドかを選択する。比較に用いるスコアとして
は、照合スコア、照合スコアのうち音響モデルにかかわ
る音響スコア、あるいはそれらを入力音声の長さで正規
化したものを用いることができ、比較の際に必要に応じ
てペナルティ値によりスコアを補正することにより、コ
マンドが誤ってテキスト認識結果として判定される可能
性を低減する。
キスト入力中に、使用者がキー等によるモード切替えを
行ったり入力のタイミングを意識したりすることなく、
音声によるコマンド入力を可能とする。 【解決手段】テキスト認識部とコマンド認識部は同時に
入力音声を受け付け、それぞれ認識結果としてのテキス
トあるいはコマンドとともにスコアを出力する。スコア
比較部は、このスコアを比較することにより、テキスト
かコマンドかを選択する。比較に用いるスコアとして
は、照合スコア、照合スコアのうち音響モデルにかかわ
る音響スコア、あるいはそれらを入力音声の長さで正規
化したものを用いることができ、比較の際に必要に応じ
てペナルティ値によりスコアを補正することにより、コ
マンドが誤ってテキスト認識結果として判定される可能
性を低減する。
Description
【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明はコマンド入力機能つ
きディクテーション装置に関し、特に、音声入力でテキ
ストとコマンドとを作成するコマンド入力機能つきディ
クテーション装置に関する。
きディクテーション装置に関し、特に、音声入力でテキ
ストとコマンドとを作成するコマンド入力機能つきディ
クテーション装置に関する。
【０００２】
【従来の技術】近年、大語彙連続音声認識技術を利用
し、音声で任意のテキストを入力するディクテーション
装置が実用化されている。ディクテーション装置では、
テキスト入力だけでなく、テキスト編集などの機能も必
要であり、これらも音声によるコマンド入力で行えるこ
とが望ましい。この場合、音声入力がテキスト入力なの
かコマンド入力なのかを判断する必要が生じる。簡単な
のは、事前にキーやスイッチなどでテキスト入力かコマ
ンド入力かを切り替える方法であるが、使用者は音声入
力とキーやスイッチによる操作を併用しなければなら
ず、わずらわしい。
し、音声で任意のテキストを入力するディクテーション
装置が実用化されている。ディクテーション装置では、
テキスト入力だけでなく、テキスト編集などの機能も必
要であり、これらも音声によるコマンド入力で行えるこ
とが望ましい。この場合、音声入力がテキスト入力なの
かコマンド入力なのかを判断する必要が生じる。簡単な
のは、事前にキーやスイッチなどでテキスト入力かコマ
ンド入力かを切り替える方法であるが、使用者は音声入
力とキーやスイッチによる操作を併用しなければなら
ず、わずらわしい。
【０００３】これに対し、キーやスイッチによる切り替
えが不要な装置としては、特開２０００−０２００９２
号公報に記載されているディクテーション装置があり、
一定時間音声が入力されないとコマンド音声のみを受け
付けるように制御する装置が開示されている。
えが不要な装置としては、特開２０００−０２００９２
号公報に記載されているディクテーション装置があり、
一定時間音声が入力されないとコマンド音声のみを受け
付けるように制御する装置が開示されている。
【０００４】また、第二の従来の装置としては、特開２
０００−０７６２４１号公報に記載されている音声認識
装置があり、テキスト入力が開始されてから所定時間以
内に発声された場合に、コマンド入力として扱う装置が
開示されている。
０００−０７６２４１号公報に記載されている音声認識
装置があり、テキスト入力が開始されてから所定時間以
内に発声された場合に、コマンド入力として扱う装置が
開示されている。
【０００５】さらに、第三の従来の装置としては、特開
平６−１３０９９０号公報に記載されている音声認識装
置があり、テキスト入力用とコマンド入力用にそれぞれ
マイクロフォンを用意し、使用者がどちらのマイクロフ
ォンに向かって入力したかをパワー情報をもとに判定す
ることにより、テキスト入力として扱うかコマンド入力
として扱うかを制御する装置が開示されている。
平６−１３０９９０号公報に記載されている音声認識装
置があり、テキスト入力用とコマンド入力用にそれぞれ
マイクロフォンを用意し、使用者がどちらのマイクロフ
ォンに向かって入力したかをパワー情報をもとに判定す
ることにより、テキスト入力として扱うかコマンド入力
として扱うかを制御する装置が開示されている。
【０００６】
【発明が解決しようとする課題】従来提案されている上
記の３つの装置のうち、特開２０００−０２００９２号
公報、特開２０００−０７６２４１号公報に開示されて
いる装置に関しては、発声のタイミングを利用して判定
しているため、使用者がタイミングを意識する必要があ
り、またタイミングが合わないと正しく判定できない。
記の３つの装置のうち、特開２０００−０２００９２号
公報、特開２０００−０７６２４１号公報に開示されて
いる装置に関しては、発声のタイミングを利用して判定
しているため、使用者がタイミングを意識する必要があ
り、またタイミングが合わないと正しく判定できない。
【０００７】また、特開平６−１３０９９０号公報は、
使用者がテキスト入力かコマンド入力かに応じて入力す
るマイクロフォンを変えなければならないわずらわしさ
がある上、複数マイクロフォンを用意する必要があるた
めにコストがかかるという問題もある。
使用者がテキスト入力かコマンド入力かに応じて入力す
るマイクロフォンを変えなければならないわずらわしさ
がある上、複数マイクロフォンを用意する必要があるた
めにコストがかかるという問題もある。
【０００８】本発明の目的は、複数のマイクロフォンを
用意したり、使用者が発声のタイミングを意識したりす
ることなく、またキーやスイッチによるモード切り替え
を行う必要なく、テキスト入力中に音声によるコマンド
入力を行うことのできるディクテーション装置を提供す
ることにある。
用意したり、使用者が発声のタイミングを意識したりす
ることなく、またキーやスイッチによるモード切り替え
を行う必要なく、テキスト入力中に音声によるコマンド
入力を行うことのできるディクテーション装置を提供す
ることにある。
【０００９】テキスト認識部とコマンド認識部は同時に
入力音声を受け付け、それぞれ認識結果としてのテキス
トあるいはコマンドとともにスコアを出力する。スコア
比較部は、スコアを比較することにより、テキストかコ
マンドかを選択する。比較に用いるスコアとしては、照
合スコア、照合スコアのうち音響モデルにかかわる音響
スコア、あるいはそれらを入力音声の長さで正規化した
ものを用いることができ、比較の際に必要に応じてペナ
ルティ値によりスコアを補正することにより、コマンド
が誤ってテキスト認識結果として判定される可能性を低
減する。
入力音声を受け付け、それぞれ認識結果としてのテキス
トあるいはコマンドとともにスコアを出力する。スコア
比較部は、スコアを比較することにより、テキストかコ
マンドかを選択する。比較に用いるスコアとしては、照
合スコア、照合スコアのうち音響モデルにかかわる音響
スコア、あるいはそれらを入力音声の長さで正規化した
ものを用いることができ、比較の際に必要に応じてペナ
ルティ値によりスコアを補正することにより、コマンド
が誤ってテキスト認識結果として判定される可能性を低
減する。
【００１０】
【課題を解決するための手段】本発明の第１の実施の形
態は、入力音声をテキストに変換しスコアとともに出力
するテキスト認識部と、前記入力音声をコマンド認識用
の文法を参照してコマンドに変換しスコアとともに出力
するコマンド認識部と、前記テキスト認識部の出力する
スコアと前記コマンド認識部の出力するスコアを比較
し、高々一方を選択するスコア比較部とを有するコマン
ド入力機能つきディクテーション装置を提供する。
態は、入力音声をテキストに変換しスコアとともに出力
するテキスト認識部と、前記入力音声をコマンド認識用
の文法を参照してコマンドに変換しスコアとともに出力
するコマンド認識部と、前記テキスト認識部の出力する
スコアと前記コマンド認識部の出力するスコアを比較
し、高々一方を選択するスコア比較部とを有するコマン
ド入力機能つきディクテーション装置を提供する。
【００１１】本発明の第２の実施の形態は、前記スコア
比較部がスコアを比較する際に、一方に所定の値を加え
る請求項１記載のコマンド入力機能つきディクテーショ
ン装置を提供する。
比較部がスコアを比較する際に、一方に所定の値を加え
る請求項１記載のコマンド入力機能つきディクテーショ
ン装置を提供する。
【００１２】本発明の第３の実施の形態は、テキスト認
識部が、入力音声を音響モデルと言語モデルを参照して
単語列と照合し、照合スコアに基づいて認識結果単語列
を得ることによりテキストに変換する手段と、コマンド
認識部が、入力音声をコマンド認識用の文法と前記音響
モデルを参照して文法で受理される単語列と照合し、照
合スコアに基づいて認識結果単語列を得ることによりコ
マンドに変換する手段とを有する請求項１または２記載
のコマンド入力機能つきディクテーション装置を提供す
る。
識部が、入力音声を音響モデルと言語モデルを参照して
単語列と照合し、照合スコアに基づいて認識結果単語列
を得ることによりテキストに変換する手段と、コマンド
認識部が、入力音声をコマンド認識用の文法と前記音響
モデルを参照して文法で受理される単語列と照合し、照
合スコアに基づいて認識結果単語列を得ることによりコ
マンドに変換する手段とを有する請求項１または２記載
のコマンド入力機能つきディクテーション装置を提供す
る。
【００１３】本発明の第４の実施の形態は、テキスト認
識部が、入力音声を第１の音響モデルと言語モデルを参
照して単語列と照合し、照合スコアに基づいて認識結果
単語列を得ることによりテキストに変換する手段と、コ
マンド認識部が、入力音声をコマンド認識用の文法と前
記第１の音響モデルとは異なる第２の音響モデルを参照
して文法で受理される単語列と照合し、照合スコアに基
づいて認識結果単語列を得ることによりコマンドに変換
する手段を有する請求項１または２記載のコマンド入力
機能つきディクテーション装置を提供する。
識部が、入力音声を第１の音響モデルと言語モデルを参
照して単語列と照合し、照合スコアに基づいて認識結果
単語列を得ることによりテキストに変換する手段と、コ
マンド認識部が、入力音声をコマンド認識用の文法と前
記第１の音響モデルとは異なる第２の音響モデルを参照
して文法で受理される単語列と照合し、照合スコアに基
づいて認識結果単語列を得ることによりコマンドに変換
する手段を有する請求項１または２記載のコマンド入力
機能つきディクテーション装置を提供する。
【００１４】本発明の第５の実施の形態は、テキスト認
識部およびコマンド認識部が出力するスコアとして、前
記照合スコアを用いる請求項３および４記載のコマンド
入力機能つきディクテーション装置を提供する。
識部およびコマンド認識部が出力するスコアとして、前
記照合スコアを用いる請求項３および４記載のコマンド
入力機能つきディクテーション装置を提供する。
【００１５】本発明の第６の実施の形態は、テキスト認
識部およびコマンド認識部が出力するスコアとして、照
合スコアを入力音声の長さで正規化した値を用いる請求
項３および４記載のコマンド入力機能つきディクテーシ
ョン装置を提供する。
識部およびコマンド認識部が出力するスコアとして、照
合スコアを入力音声の長さで正規化した値を用いる請求
項３および４記載のコマンド入力機能つきディクテーシ
ョン装置を提供する。
【００１６】本発明の第７の実施の形態は、テキスト認
識部およびコマンド認識部が出力するスコアとして、そ
れぞれの認識結果単語列と音響モデルから求まる音響ス
コアを用いる請求項３および４記載のコマンド入力機能
つきディクテーション装置を提供する。
識部およびコマンド認識部が出力するスコアとして、そ
れぞれの認識結果単語列と音響モデルから求まる音響ス
コアを用いる請求項３および４記載のコマンド入力機能
つきディクテーション装置を提供する。
【００１７】本発明の第８の実施の形態は、テキスト認
識部およびコマンド認識部が出力するスコアとして、そ
れぞれの認識結果単語列と音響モデルから求まる音響ス
コアを入力音声の長さで正規化した値を用いる請求項３
および４記載のコマンド入力機能つきディクテーション
装置を提供する。
識部およびコマンド認識部が出力するスコアとして、そ
れぞれの認識結果単語列と音響モデルから求まる音響ス
コアを入力音声の長さで正規化した値を用いる請求項３
および４記載のコマンド入力機能つきディクテーション
装置を提供する。
【００１８】
【発明の実施の形態】次に、本発明の実施の形態につい
て図面を参照して詳細に説明する。
て図面を参照して詳細に説明する。
【００１９】図１は本発明の第１の実施例を示す。図１
を参照すると、本発明の第１の実施例は、マイク等から
の音声信号を入力する音声分析部１と、音声分析部１に
接続されるテキスト認識部２およびコマンド認識部３
と、テキスト認識部２およびコマンド認識部３に接続さ
れ、比較結果を送出するスコア比較部４と、テキスト認
識部２およびコマンド認識部３に接続される音響モデル
とを含み、さらに数千から数万単語以上の単語辞書を有
する音響モデル１１およびコマンドを表す単語やフレー
ズのリスト、あるいは単語のネットワークを用いる単語
列を有する文法１３を含む。
を参照すると、本発明の第１の実施例は、マイク等から
の音声信号を入力する音声分析部１と、音声分析部１に
接続されるテキスト認識部２およびコマンド認識部３
と、テキスト認識部２およびコマンド認識部３に接続さ
れ、比較結果を送出するスコア比較部４と、テキスト認
識部２およびコマンド認識部３に接続される音響モデル
とを含み、さらに数千から数万単語以上の単語辞書を有
する音響モデル１１およびコマンドを表す単語やフレー
ズのリスト、あるいは単語のネットワークを用いる単語
列を有する文法１３を含む。
【００２０】音声分析部１は、マイク等から入力された
音声信号をディジタル信号に変換し、ケプストラムパラ
メータ等の特徴ベクトルの時系列に変換して、テキスト
認識部２およびコマンド認識部３に送る。テキスト認識
部２は、音響モデル１１および言語モデル１２を参照し
て、特徴ベクトル時系列を言語モデル中の単語辞書と照
合し、照合結果としてテキスト認識結果の単語列とその
スコアを含む情報を得て、スコア比較部４に送る。
音声信号をディジタル信号に変換し、ケプストラムパラ
メータ等の特徴ベクトルの時系列に変換して、テキスト
認識部２およびコマンド認識部３に送る。テキスト認識
部２は、音響モデル１１および言語モデル１２を参照し
て、特徴ベクトル時系列を言語モデル中の単語辞書と照
合し、照合結果としてテキスト認識結果の単語列とその
スコアを含む情報を得て、スコア比較部４に送る。
【００２１】コマンド認識部３は、音響モデル１１およ
び文法１３を参照して、特徴ベクトル時系列を文法１３
で受理される単語列と照合し、照合結果としてコマンド
認識結果の単語列とそのスコアを含む情報を得て、スコ
ア比較部４に送る。
び文法１３を参照して、特徴ベクトル時系列を文法１３
で受理される単語列と照合し、照合結果としてコマンド
認識結果の単語列とそのスコアを含む情報を得て、スコ
ア比較部４に送る。
【００２２】スコア比較部４は、テキスト認識部２から
得られたテキスト認識結果単語列のスコアと、コマンド
認識部３から得られたコマンド認識結果単語列のスコア
を比較し、いずれかの単語列を選択し、それがテキスト
認識結果かコマンド認識結果かの情報とともに出力す
る。出力結果は、上位の制御部等によって解釈され、テ
キスト認識結果であれば表示部に表示し、コマンド認識
結果であれば対応するコマンドを実行する。
得られたテキスト認識結果単語列のスコアと、コマンド
認識部３から得られたコマンド認識結果単語列のスコア
を比較し、いずれかの単語列を選択し、それがテキスト
認識結果かコマンド認識結果かの情報とともに出力す
る。出力結果は、上位の制御部等によって解釈され、テ
キスト認識結果であれば表示部に表示し、コマンド認識
結果であれば対応するコマンドを実行する。
【００２３】音響モデルとしては、たとえば隠れマルコ
フモデルを用いることができる。言語モデルとしては、
数千から数万単語以上の単語辞書と、それらの単語の連
鎖確率を表すＮグラムモデルを用いることができる。コ
マンド認識部で参照する文法としては、コマンドを表す
単語やフレーズのリスト、あるいは単語のネットワーク
を用いることができる。テキスト認識結果単語列の照合
スコアは、隠れマルコフモデルによって計算される音響
スコアと、言語モデルによって計算される言語スコアと
を加えたものとなる。
フモデルを用いることができる。言語モデルとしては、
数千から数万単語以上の単語辞書と、それらの単語の連
鎖確率を表すＮグラムモデルを用いることができる。コ
マンド認識部で参照する文法としては、コマンドを表す
単語やフレーズのリスト、あるいは単語のネットワーク
を用いることができる。テキスト認識結果単語列の照合
スコアは、隠れマルコフモデルによって計算される音響
スコアと、言語モデルによって計算される言語スコアと
を加えたものとなる。
【００２４】一方、コマンド認識結果単語列の照合スコ
アは、隠れマルコフモデルによって計算される音響スコ
アのみとなる。それぞれ、照合スコアの最もよい単語列
が照合結果として得られる。音響スコア、言語スコアと
しては、確率あるいは尤度の対数値の符号を逆転したも
のを用いる。したがって、スコアは小さい方がよい値で
ある。なお、以下で説明するように、スコア比較部に送
るスコアは、ここで述べた照合スコアとは必ずしも同じ
ではない。
アは、隠れマルコフモデルによって計算される音響スコ
アのみとなる。それぞれ、照合スコアの最もよい単語列
が照合結果として得られる。音響スコア、言語スコアと
しては、確率あるいは尤度の対数値の符号を逆転したも
のを用いる。したがって、スコアは小さい方がよい値で
ある。なお、以下で説明するように、スコア比較部に送
るスコアは、ここで述べた照合スコアとは必ずしも同じ
ではない。
【００２５】次に、本発明の実施の形態の動作につい
て、とくにスコア比較部４の動作を中心に詳細に説明す
る。スコア比較部４は、テキスト認識結果単語列のスコ
アとコマンド認識結果単語列のスコアを比較し、スコア
のよい方を選択して出力する。たとえば、「ここで改
行」というコマンドを受け付けるように文法１３が構成
されているとき、「ここで改行」という音声が入力され
ると、望ましくはテキスト認識部からは「ここで改行」
というテキストが、コマンド認識部からは「ここで改
行」というコマンドが、それぞれ認識結果として得られ
る。テキスト認識部とコマンド認識部とでは同じ音響モ
デルを参照しているため、それぞれの音響スコアは同一
となり、音響スコアからは区別できない。
て、とくにスコア比較部４の動作を中心に詳細に説明す
る。スコア比較部４は、テキスト認識結果単語列のスコ
アとコマンド認識結果単語列のスコアを比較し、スコア
のよい方を選択して出力する。たとえば、「ここで改
行」というコマンドを受け付けるように文法１３が構成
されているとき、「ここで改行」という音声が入力され
ると、望ましくはテキスト認識部からは「ここで改行」
というテキストが、コマンド認識部からは「ここで改
行」というコマンドが、それぞれ認識結果として得られ
る。テキスト認識部とコマンド認識部とでは同じ音響モ
デルを参照しているため、それぞれの音響スコアは同一
となり、音響スコアからは区別できない。
【００２６】また、テキスト認識用の辞書は一般に数千
から数万以上の語からなるため、類似語も多くふくま
れ、発声によっては「ここで改行」が「ここで会議を」
等に誤認識されることもありうる。このとき、音響スコ
アとしても「ここで会議を」の方がよい場合があり、単
純に音響スコアを比較するとコマンドが誤ってテキスト
として認識されてしまう可能性が高くなる。そこで、
「ここで改行」を正しくコマンドの「ここで改行」であ
ると認識するために、コマンド認識結果に有利なよう
に、比較に用いるスコアを調整する。
から数万以上の語からなるため、類似語も多くふくま
れ、発声によっては「ここで改行」が「ここで会議を」
等に誤認識されることもありうる。このとき、音響スコ
アとしても「ここで会議を」の方がよい場合があり、単
純に音響スコアを比較するとコマンドが誤ってテキスト
として認識されてしまう可能性が高くなる。そこで、
「ここで改行」を正しくコマンドの「ここで改行」であ
ると認識するために、コマンド認識結果に有利なよう
に、比較に用いるスコアを調整する。
【００２７】スコア比較部４で比較に用いるスコアの具
体的な算出法に応じて、いくつかの形態が可能である。
本発明の第１の実施の形態では、テキスト認識部、コマ
ンド認識部ともに、認識結果単語列のスコアとして照合
スコアそのものを用いる。コマンド認識部からの照合ス
コアは音響スコアのみであるのに対し、テキスト認識部
からの照合スコアは音響スコアに言語スコアが加える
分、コマンド認識結果に対して不利になる。
体的な算出法に応じて、いくつかの形態が可能である。
本発明の第１の実施の形態では、テキスト認識部、コマ
ンド認識部ともに、認識結果単語列のスコアとして照合
スコアそのものを用いる。コマンド認識部からの照合ス
コアは音響スコアのみであるのに対し、テキスト認識部
からの照合スコアは音響スコアに言語スコアが加える
分、コマンド認識結果に対して不利になる。
【００２８】したがって、コマンドを入力したとき、テ
キスト認識部で正しく認識した場合はもちろん、類似語
に誤認識して音響スコアがコマンド認識結果単語列の音
響スコアより若干よい値となっても、その差がテキスト
認識結果単語列の言語スコアより小さければ、全体の照
合スコアとしてはコマンド認識結果単語列の方がよい値
となり、正しくコマンドとして認識されるようになる。
さらに、一方のスコアに所定のペナルティ値を加えるこ
とも可能である。ペナルティ値は実験的に調整する。
キスト認識部で正しく認識した場合はもちろん、類似語
に誤認識して音響スコアがコマンド認識結果単語列の音
響スコアより若干よい値となっても、その差がテキスト
認識結果単語列の言語スコアより小さければ、全体の照
合スコアとしてはコマンド認識結果単語列の方がよい値
となり、正しくコマンドとして認識されるようになる。
さらに、一方のスコアに所定のペナルティ値を加えるこ
とも可能である。ペナルティ値は実験的に調整する。
【００２９】本発明の第２の実施の形態では、テキスト
認識部からの認識結果単語列のスコアとして音響スコア
のみを用い、所定のペナルティ値を加えた上でコマンド
認識結果単語列のスコアと比較する。言語スコアの大小
に影響されずに比較が可能となる。なお、第１および第
２の実施の形態で、コマンド認識用文法として、たとえ
ば確率つきネットワーク文法を用いることもできる。そ
の場合は、コマンド認識部から得られる全体のスコアに
は、その確率値に基づく言語スコアが加わる。そのとき
は、コマンド認識結果単語列のスコアとして言語スコア
を除いた音響スコアのみを用いてもよい。
認識部からの認識結果単語列のスコアとして音響スコア
のみを用い、所定のペナルティ値を加えた上でコマンド
認識結果単語列のスコアと比較する。言語スコアの大小
に影響されずに比較が可能となる。なお、第１および第
２の実施の形態で、コマンド認識用文法として、たとえ
ば確率つきネットワーク文法を用いることもできる。そ
の場合は、コマンド認識部から得られる全体のスコアに
は、その確率値に基づく言語スコアが加わる。そのとき
は、コマンド認識結果単語列のスコアとして言語スコア
を除いた音響スコアのみを用いてもよい。
【００３０】さらに他の実施の形態では、第１の実施の
形態でペナルティ値を用いる場合あるいは第２の実施の
形態において、スコアを入力音声の長さ (フレーム数)
で正規化する。一般に長い音声ではトータルの照合スコ
アあるいは音響スコアの差は大きくなるが、長さで正規
化することにより安定したペナルティを設定することが
可能となる。もちろん、スコアを正規化するかわりにペ
ナルティ値を入力音声の長さに比例して変えるようにし
ても同じ効果が得られる。
形態でペナルティ値を用いる場合あるいは第２の実施の
形態において、スコアを入力音声の長さ (フレーム数)
で正規化する。一般に長い音声ではトータルの照合スコ
アあるいは音響スコアの差は大きくなるが、長さで正規
化することにより安定したペナルティを設定することが
可能となる。もちろん、スコアを正規化するかわりにペ
ナルティ値を入力音声の長さに比例して変えるようにし
ても同じ効果が得られる。
【００３１】いずれの場合も、コマンドと同じ単語列を
テキストとして入力したい場合は、前後の単語と連続し
て入力したり、途中で分割することで可能である。
テキストとして入力したい場合は、前後の単語と連続し
て入力したり、途中で分割することで可能である。
【００３２】たとえば、「ここで改行」の例では、「こ
こで改行する」と続けて発声したり、「ここで」「改
行」と分割して発声することで、テキスト認識結果と判
定されるようになる。また、本発明の方法によっても正
しく判定できないときのためのバックアップ手段とし
て、キー入力等によるモード切り替えと併用することも
可能である。たとえば、あるキーを押している間は音声
分析部の出力がテキスト認識部のみに送られるように
し、別のあるキーを押している間はコマンド認識部のみ
に送られるようにする。
こで改行する」と続けて発声したり、「ここで」「改
行」と分割して発声することで、テキスト認識結果と判
定されるようになる。また、本発明の方法によっても正
しく判定できないときのためのバックアップ手段とし
て、キー入力等によるモード切り替えと併用することも
可能である。たとえば、あるキーを押している間は音声
分析部の出力がテキスト認識部のみに送られるように
し、別のあるキーを押している間はコマンド認識部のみ
に送られるようにする。
【００３３】なお、以上の実施の形態では、コマンド認
識部あるいはコマンド認識用の文法が１つである場合に
ついて説明したが、これらは１には限らない。また、テ
キスト認識部とコマンド認識部にそれぞれ特徴ベクトル
の時系列を送るとしたが、たとえば音響モデルとして隠
れマルコフモデルを用いる場合、隠れマルコフモデルの
状態ごとの尤度計算はテキスト認識とコマンド認識で共
用できるので、そのような構成にすることも可能であ
る。
識部あるいはコマンド認識用の文法が１つである場合に
ついて説明したが、これらは１には限らない。また、テ
キスト認識部とコマンド認識部にそれぞれ特徴ベクトル
の時系列を送るとしたが、たとえば音響モデルとして隠
れマルコフモデルを用いる場合、隠れマルコフモデルの
状態ごとの尤度計算はテキスト認識とコマンド認識で共
用できるので、そのような構成にすることも可能であ
る。
【００３４】また、コマンド認識部とテキスト認識部と
で必ずしも同一音響モデルを参照する必要はなく、それ
ぞれで別の音響モデルを用いることもできる。ただし、
このときは両者の認識結果単語列の音響スコアは直接比
較できないため、一方にペナルティ値を加えるなど何ら
かの補正が必要となる。また、スコア比較部の出力とし
て、テキスト認識結果とコマンド認識結果のうちの選択
されたものだけを出力するかわりに、選択されたものに
フラグを付与した上で両方の認識結果を出力するように
することも可能である。
で必ずしも同一音響モデルを参照する必要はなく、それ
ぞれで別の音響モデルを用いることもできる。ただし、
このときは両者の認識結果単語列の音響スコアは直接比
較できないため、一方にペナルティ値を加えるなど何ら
かの補正が必要となる。また、スコア比較部の出力とし
て、テキスト認識結果とコマンド認識結果のうちの選択
されたものだけを出力するかわりに、選択されたものに
フラグを付与した上で両方の認識結果を出力するように
することも可能である。
【００３５】あるいは、両者ともスコアがあらかじめ定
めた閾値より低い場合に、「認識結果なし (リジェク
ト)」という情報を出力するように拡張することも可能
である。また、コマンド認識部は、コマンド認識結果単
語列のかわりに、その単語列を解釈し、対応するコマン
ドに変換した結果をスコア比較部に送るようにすること
も可能である。
めた閾値より低い場合に、「認識結果なし (リジェク
ト)」という情報を出力するように拡張することも可能
である。また、コマンド認識部は、コマンド認識結果単
語列のかわりに、その単語列を解釈し、対応するコマン
ドに変換した結果をスコア比較部に送るようにすること
も可能である。
【００３６】
【発明の効果】以上説明したように、本発明によれば、
ディクテーション装置において、複数のマイクロフォン
を用意したり、使用者が発声のタイミングを意識したり
することなく、またキーやスイッチによるモード切り替
えを行う必要なく、テキスト入力中に音声によるコマン
ド入力を行うことができる効果が得られる。
ディクテーション装置において、複数のマイクロフォン
を用意したり、使用者が発声のタイミングを意識したり
することなく、またキーやスイッチによるモード切り替
えを行う必要なく、テキスト入力中に音声によるコマン
ド入力を行うことができる効果が得られる。
【図１】本発明の第１の実施の形態の構成を示すブロッ
ク図である。
ク図である。
１ 音声分析部
２ テキスト認識部
３ コマンド認識部
４ スコア比較部
１１ 音響モデル
１２ 言語モデル
１３ 文法
─────────────────────────────────────────────────────
フロントページの続き
(51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考）
Ｇ１０Ｌ 3/00 ５３５Ｚ
Claims (8)
- 【請求項１】 入力音声をテキストに変換しスコアとと
もに出力するテキスト認識部と、前記入力音声をコマン
ド認識用の文法を参照してコマンドに変換しスコアとと
もに出力するコマンド認識部と、前記テキスト認識部の
出力するスコアと前記コマンド認識部の出力するスコア
を比較し、一方を選択するスコア比較部とを有すること
を特徴とするコマンド入力機能つきディクテーション装
置。 - 【請求項２】 前記スコア比較部がスコアを比較する際
に、一方に所定の値を加えることを特徴とする請求項１
記載のコマンド入力機能つきディクテーション装置。 - 【請求項３】 テキスト認識部が、入力音声を音響モデ
ルと言語モデルを参照して単語列と照合し、照合スコア
に基づいて認識結果単語列を得ることによりテキストに
変換する手段と、コマンド認識部が、入力音声をコマン
ド認識用の文法と前記音響モデルを参照して文法で受理
される単語列と照合し、照合スコアに基づいて認識結果
単語列を得ることによりコマンドに変換する手段とを有
することを特徴とする請求項１または２記載のコマンド
入力機能つきディクテーション装置。 - 【請求項４】 テキスト認識部が、入力音声を第１の音
響モデルと言語モデルを参照して単語列と照合し、照合
スコアに基づいて認識結果単語列を得ることによりテキ
ストに変換する手段と、コマンド認識部が、入力音声を
コマンド認識用の文法と前記第１の音響モデルとは異な
る第２の音響モデルを参照して文法で受理される単語列
と照合し、照合スコアに基づいて認識結果単語列を得る
ことによりコマンドに変換する手段を有することを特徴
とする請求項１または２記載のコマンド入力機能つきデ
ィクテーション装置。 - 【請求項５】 テキスト認識部およびコマンド認識部が
出力するスコアとして、前記照合スコアを用いることを
特徴とする請求項３および４記載のコマンド入力機能つ
きディクテーション装置。 - 【請求項６】 テキスト認識部およびコマンド認識部が
出力するスコアとして、照合スコアを入力音声の長さで
正規化した値を用いることを特徴とする請求項３および
４記載のコマンド入力機能つきディクテーション装置。 - 【請求項７】 テキスト認識部およびコマンド認識部が
出力するスコアとして、それぞれの認識結果単語列と音
響モデルから求まる音響スコアを用いることを特徴とす
る請求項３および４記載のコマンド入力機能つきディク
テーション装置。 - 【請求項８】 テキスト認識部およびコマンド認識部が
出力するスコアとして、それぞれの認識結果単語列と音
響モデルから求まる音響スコアを入力音声の長さで正規
化した値を用いることを特徴とする請求項３および４記
載のコマンド入力機能つきディクテーション装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001228465A JP4094255B2 (ja) | 2001-07-27 | 2001-07-27 | コマンド入力機能つきディクテーション装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001228465A JP4094255B2 (ja) | 2001-07-27 | 2001-07-27 | コマンド入力機能つきディクテーション装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003044085A true JP2003044085A (ja) | 2003-02-14 |
| JP4094255B2 JP4094255B2 (ja) | 2008-06-04 |
Family
ID=19060972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001228465A Expired - Lifetime JP4094255B2 (ja) | 2001-07-27 | 2001-07-27 | コマンド入力機能つきディクテーション装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4094255B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004355630A (ja) * | 2003-05-29 | 2004-12-16 | Microsoft Corp | 音声アプリケーション言語タグとともに実装される理解同期意味オブジェクト |
| JP2008072685A (ja) * | 2006-09-12 | 2008-03-27 | Storz Endoskop Produktions Gmbh | リアルタイムの音声認識コマンドおよびコントロールシステムを備えたオーディオデータ、ビジュアルデータ、およびデバイスデータの取り込みシステム |
| US8301436B2 (en) | 2003-05-29 | 2012-10-30 | Microsoft Corporation | Semantic object synchronous understanding for highly interactive interface |
| WO2013128508A1 (ja) | 2012-02-27 | 2013-09-06 | Ｎｅｃカシオモバイルコミュニケーションズ株式会社 | 音声入力装置、音声入力方法及びプログラム |
| CN110853669A (zh) * | 2019-11-08 | 2020-02-28 | 腾讯科技（深圳）有限公司 | 音频识别方法、装置及设备 |
| CN116030799A (zh) * | 2023-02-22 | 2023-04-28 | 深圳市友杰智新科技有限公司 | 音频识别模型训练方法、装置、计算机设备及存储介质 |
-
2001
- 2001-07-27 JP JP2001228465A patent/JP4094255B2/ja not_active Expired - Lifetime
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004355630A (ja) * | 2003-05-29 | 2004-12-16 | Microsoft Corp | 音声アプリケーション言語タグとともに実装される理解同期意味オブジェクト |
| US8301436B2 (en) | 2003-05-29 | 2012-10-30 | Microsoft Corporation | Semantic object synchronous understanding for highly interactive interface |
| JP2008072685A (ja) * | 2006-09-12 | 2008-03-27 | Storz Endoskop Produktions Gmbh | リアルタイムの音声認識コマンドおよびコントロールシステムを備えたオーディオデータ、ビジュアルデータ、およびデバイスデータの取り込みシステム |
| JP4729524B2 (ja) * | 2006-09-12 | 2011-07-20 | シュトルツ・エンドスコープ・プロドゥクツィオンス・ゲーエムベーハー | リアルタイムの音声認識コマンドおよびコントロールシステムを備えたオーディオデータ、ビジュアルデータ、およびデバイスデータの取り込みシステム |
| US8502876B2 (en) | 2006-09-12 | 2013-08-06 | Storz Endoskop Producktions GmbH | Audio, visual and device data capturing system with real-time speech recognition command and control system |
| WO2013128508A1 (ja) | 2012-02-27 | 2013-09-06 | Ｎｅｃカシオモバイルコミュニケーションズ株式会社 | 音声入力装置、音声入力方法及びプログラム |
| US9842589B2 (en) | 2012-02-27 | 2017-12-12 | Nec Corporation | Voice input device, voice input method and program |
| CN110853669A (zh) * | 2019-11-08 | 2020-02-28 | 腾讯科技（深圳）有限公司 | 音频识别方法、装置及设备 |
| CN110853669B (zh) * | 2019-11-08 | 2023-05-16 | 腾讯科技（深圳）有限公司 | 音频识别方法、装置及设备 |
| CN116030799A (zh) * | 2023-02-22 | 2023-04-28 | 深圳市友杰智新科技有限公司 | 音频识别模型训练方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4094255B2 (ja) | 2008-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4618984A (en) | Adaptive automatic discrete utterance recognition | |
| US5794204A (en) | Interactive speech recognition combining speaker-independent and speaker-specific word recognition, and having a response-creation capability | |
| JP2006251800A (ja) | ユーザ適応型の音声認識方法及び音声認識装置 | |
| JP2002304190A (ja) | 発音変化形生成方法及び音声認識方法 | |
| US7634401B2 (en) | Speech recognition method for determining missing speech | |
| WO2006054724A1 (ja) | 音声認識装置及び方法ならびにプログラム | |
| JP2003316386A (ja) | 音声認識方法および音声認識装置および音声認識プログラム | |
| WO2006083020A1 (ja) | 抽出された音声データを用いて応答音声を生成する音声認識システム | |
| KR100379994B1 (ko) | 문법적 제한사항을 갖는 라벨러를 이용한 구두 발언 거절 | |
| JPH11149294A (ja) | 音声認識装置および音声認識方法 | |
| JP3535292B2 (ja) | 音声認識システム | |
| CN108806691B (zh) | 语音识别方法及系统 | |
| JP4094255B2 (ja) | コマンド入力機能つきディクテーション装置 | |
| JP2004163541A (ja) | 音声応答装置 | |
| JPH0643895A (ja) | 音声認識装置 | |
| JPH1083195A (ja) | 入力言語認識装置及び入力言語認識方法 | |
| JPH07230293A (ja) | 音声認識装置 | |
| JPH10116093A (ja) | 音声認識装置 | |
| JPH10133686A (ja) | 非母国語音声認識装置 | |
| JPH06161488A (ja) | 音声認識装置 | |
| JP3100208B2 (ja) | 音声認識装置 | |
| JPH08314490A (ja) | ワードスポッティング型音声認識方法と装置 | |
| JPH05108091A (ja) | 音声認識装置 | |
| JP2000242295A (ja) | 音声認識装置および音声対話装置 | |
| JP3231365B2 (ja) | 音声認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20050317 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050809 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050816 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051006 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20051101 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20070117 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080128 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080305 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110314 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4094255 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110314 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120314 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120314 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130314 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130314 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140314 Year of fee payment: 6 |
|
| EXPY | Cancellation because of completion of term |