JP2003066986A

JP2003066986A - 音声認識ロボット

Info

Publication number: JP2003066986A
Application number: JP2001252915A
Authority: JP
Inventors: Koji Yamabuchi; 浩二山渕; Shuji Hashimoto; 周司橋本
Original assignee: Waseda University; Sharp Corp
Current assignee: Waseda University; Sharp Corp
Priority date: 2001-08-23
Filing date: 2001-08-23
Publication date: 2003-03-05

Abstract

(57)【要約】【課題】大型化することなく、周囲ノイズの大きな環
境でも精度の高い音声認識を可能にする。【解決手段】マイクロホン２〜６は、音声認識ロボッ
ト１における胴体部,右腕部先端,右腕部中央,左腕部先
端および左腕部中央に夫々１個ずつ、１０cm間隔で設け
られている。そして、雑音環境下において音響焦点を合
わす必要がある場合には、両腕を広げて両端の間隔を４
０cmと大きくする。こうして、音声認識に適した５００
Ｈz付近での雑音の±３０゜よりも外側での減衰を大きく
して、特定話者へ音響焦点の効果を高め、周囲ノイズの
大きな環境でも精度の高い音声認識を可能にする。ま
た、音声認識を必要としない場合には、両腕を閉じた状
態にして、大型化することなく安定した状態にすること
ができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、特定話者の音声
を認識し、この認識結果に応じて行動する音声認識ロボ
ットに関する。

【０００２】

【従来の技術】近年、ペットとしてや介護等を目的とし
て、人間と共存するロボットが注目されている。これら
のロボットは、ボタンスイッチ等による操作の他に、無
線や赤外線を用いて遠隔から操作される場合がある。し
かしながら、家庭内において親しみを感じさせるロボッ
トにするためには、ロボットが音声に反応したり、音声
によって操作できることが不可欠である。このような技
術は、特開２０００‐３２６２７４号公報等に開示され
ている。

【０００３】ところが、現状の音声の認識技術は、人間
の聴覚のようにロバスト性に富んだものではなく、周囲
のノイズやロボット自体から発生するメカニカルノイズ
等の影響で頻繁に誤認識し、殆ど使い物にはならない。

【０００４】一方、周囲ノイズの影響をなくすために、
複数マイクによって特定話者に焦点を形成する技術も提
案されている。この技術では、複数マイクからの入力に
焦点からの距離に応じた減衰と遅延とを施し、総和をと
ることによって特定位置からの音源を強調するようにし
ている。この技術によれば、指向性マイクなどとは異な
り、あらゆる方向からの音源に対して音響焦点を合わせ
ることができる。尚、この技術に関しては、例えば、一
例として特開平８‐８４３９２号公報等に開示されてい
る。また、マイクに対する話者の位置を得る方法とし
て、画像処理等によって行われているものもある。例え
ばその一例として、特開２０００‐１４８１８４号公報
等にその方法が開示されている。

【０００５】

【発明が解決しようとする課題】しかしながら、上記従
来の音源に焦点を当てて音声認識を行うロボットの場合
には、マイクロホンアレイの幅が狭ければ低周波域での
集音効果が少なくなってしまうという問題がある。すな
わち、音声認識において、音素の特徴付けに重要な第１
ホルマント領域の音声は約２００Ｈz程度の低い領域に
まで存在し、その波長λは λ＝Ｖc/ｆ＝０.１７[ｍ] (Ｖc:空気中での音速，ｆ:
周波数) と非常に大きく、焦点外の雑音を減衰させるためにはマ
イクロホンの間隔をかなり大きく取る必要がある。

【０００６】図７に、マイクロホンを５個使用し、正面
に音響焦点を合わせた場合に、音響焦点(正面)の方向か
らθだけずれた個所からの５００Ｈzでの雑音の減衰状
態(θ＝０における合成出力レベルを「１」)をシミュレー
ションした結果を示す。図７において、上記マイクロホ
ンの間隔が２.５cmで全幅が１０cm(Ａ)の場合と、マイ
クロホンの間隔が５cmで全幅が２０cm(Ｂ)との場合にお
いては、減衰効果は殆ど見られない。ところが、マイク
ロホンの間隔が１０cmで全幅が４０cm(Ｃ)の場合におい
ては、正面から離れるに連れて大きな減衰効果が見られ
る。

【０００７】すなわち、この周波数(５００Ｈz)におい
てはマイクロホンの全幅が大きい方が集音効果は高いと
言える。したがって、±３０゜よりも外側での雑音を大
きく減衰させるためには、マイクロホンアレイの全幅を
４０cm以上に大きく取ることが望ましい。しかしなが
ら、全幅が常時４０cm以上であるマイクロホンアレイを
有するロボットは、非常に大型のものとなり、場所を占
有するだけでなく、大型化に伴って重量も大きくなって
しまうと言う問題がある。さらに、重量の増大に起因し
て、消費電力の増大や転倒時の危険性という問題も生ず
る。

【０００８】そこで、この発明の目的は、大型化するこ
となく、周囲ノイズの大きな環境でも精度の高い音声認
識が可能な音声認識ロボットを提供することにある。

【０００９】

【課題を解決するための手段】上記目的を達成するた
め、この発明は、複数のマイクロホンを有して特定話者
が発する音声を認識すると共に,この音声認識結果に従
って行動する音声認識ロボットにおいて、上記複数のマ
イクロホンのうちの少なくとも一つは可動部に設けら
れ,この可動部の動作によって上記複数のマイクロホン
の配置状態が変更可能になっていることを特徴としてい
る。

【００１０】上記構成によれば、可動部の動作によっ
て、複数のマイクロホンの配置状態を広げることによっ
て、集音効果が高められる。そのため、上記可動部を動
作させて複数のマイクロホンの配置を広げた状態で特定
話者に音響焦点を合わせれば、精度よく音響焦点を合わ
せることが可能になる。さらに、通常は、可動部の動作
によって、複数のマイクロホンの配置状態を閉じた状態
にして、大型化することが防止される。

【００１１】また、１実施例では、この発明の音声認識
ロボットにおいて、上記可動部を動作させて上記複数の
マイクロホンの配置状態を広げた場合における両端に位
置するマイクロホンの最大間隔は、４０cm以上である。

【００１２】この実施例によれば、可動部の動作によっ
て、複数のマイクロホンの配置状態を広げた場合に、両
端に位置するマイクロホンの最大間隔は４０cm以上にな
る。したがって、５００Ｈz付近での雑音における±３
０゜よりも外側での減衰を大きくすることができ、音声
認識に適した波長における集音効果が高められる。

【００１３】また、１実施例では、この発明の音声認識
ロボットにおいて、特定話者に音響焦点を合わせて,上
記複数のマイクロホンによって得られた上記特定話者の
音声を強調する音響焦点手段を有すると共に、上記音響
焦点を合わせる際に,上記可動部を動作させることによ
って上記特定話者に面して上記複数のマイクロホンの配
置状態を広げて両端に位置するマイクロホン間の幅を大
きくするようになっている。

【００１４】この実施例によれば、可動部の動作によっ
て特定話者に面する複数のマイクロホンの配置状態が広
がり、両端に位置するマイクロホンの最大間隔が４０cm
以上になれば音声認識に適した波長における集音効果が
高められる。したがって、音響焦点手段による上記特定
話者と各マイクロホンとの距離による位相差を利用した
上記特定話者の音声の強調効果が高められる。こうし
て、周囲ノイズの大きな環境であっても精度の高い音声
認識が可能になる。

【００１５】また、１実施例では、この発明の音声認識
ロボットにおいて、上記特定話者の画像を入力する複数
の画像入力手段を備えて、上記音響焦点手段は、上記特
定話者に音響焦点を合わせる際に、上記複数の画像入力
手段から入力された上記特定話者の複数の画像に基づい
て決定した上記特定話者の方向および距離を用いるよう
になっている。

【００１６】この実施例によれば、上記音響焦点手段に
よって、上記特定話者に音響焦点が合わせられる場合
に、複数の画像入力手段から入力された上記特定話者の
複数の画像に基づいて上記特定話者の方向および距離が
決定されて用いられる。したがって、的確に音響焦点が
合わせられる。

【００１７】また、１実施例では、この発明の音声認識
ロボットにおいて、上記特定話者の画像を入力する画像
入力手段と、上記特定話者までの距離を計測する測距手
段を備えて、上記音響焦点手段は、上記特定話者に音響
焦点を合わせる際に、上記画像入力手段から入力された
上記特定話者の画像に基づいて特定した上記特定話者の
方向と、上記測距手段によって計測された上記特定話者
までの距離とを用いるようになっている。

【００１８】この実施例によれば、上記音響焦点手段に
よって、上記特定話者に音響焦点が合わせられる場合
に、画像入力手段から入力された上記特定話者の画像に
基づいて上記特定話者の方向が特定される。さらに、測
距手段によって上記特定話者までの距離が計測される。
そして、上記音響焦点手段によって、上記特定話者の方
向および距離が用いられる。したがって、話者までの距
離を測距手段によって正確に測定することができ、より
精度よく音響焦点が合わせられる。

【００１９】また、１実施例では、この発明の音声認識
ロボットにおいて、上記音響焦点手段は、音源位置想定
空間上に方向と距離とが既知の複数の仮想音響焦点を設
け、各マイクロホンの出力信号に対して夫々の仮想音響
焦点の方向および距離に応じた減衰および遅延を行い、
各仮想音響焦点毎に求めた全マイクロホンの減衰・遅延
信号の合成出力が最も高い仮想音響焦点位置を上記特定
話者の位置として音響焦点を合わせるようになってい
る。

【００２０】この実施例によれば、上記音響焦点手段に
よって、方向と距離とが既知の複数の仮想音響焦点が設
けられ、各仮想音響焦点に音響焦点を合わせた際に最大
合成出力を呈する仮想音響焦点が上記特定話者の位置で
あるとして、以後の音響焦点合わせが行われる。したが
って、ステレオカメラ等の画像入力手段や測距センサ等
の測距手段を必要とせず、コストダウンを図ることがで
きる。さらに、音源位置を常時サーチすることができ、
複数の音響焦点に合わせた処理が可能になる。

【００２１】また、１実施例では、この発明の音声認識
ロボットにおいて、上記特定話者の画像を入力する画像
入力手段を備えて、上記音響焦点手段は、上記画像入力
手段から入力された上記特定話者の画像に基づいて特定
した方向に距離が既知の複数の仮想音響焦点を設け、各
マイクロホンの出力信号に対して夫々の仮想音響焦点の
方向および距離に応じた減衰および遅延を行い、各仮想
音響焦点毎に求めた全マイクロホンの減衰・遅延信号の
合成出力が最も高い仮想音響焦点位置を上記特定話者の
位置として音響焦点を合わせるようになっている。

【００２２】この実施例によれば、画像入力手段から入
力された上記特定話者の画像に基づいて上記特定話者の
方向が特定される。さらに、上記音響焦点手段によっ
て、上記特定された方向に、距離が既知の複数の仮想音
響焦点が設けられ、各仮想音響焦点に音響焦点を合わせ
た際に最大合成出力を呈する仮想音響焦点が上記特定話
者の位置として、以後の音響焦点合わせが行われる。し
たがって、仮想焦点を二次元に配置する場合に比して仮
想焦点の数が少なくなり、演算量が少なくなることによ
って高速化が図られる。

【００２３】また、１実施例では、この発明の音声認識
ロボットにおいて、ノイズ音を測定するノイズ測定手段
と、上記ノイズ測定手段によって測定されたノイズ音の
レベルが所定のレベルを超えた場合には,上記複数のマ
イクロホンの配置状態を広げるように上記可動部を動作
させる可動部駆動手段を備えている。

【００２４】この実施例によれば、ノイズ測定手段によ
るノイズ音のレベルが所定のレベルを超えた場合には、
可動部駆動手段によって上記可動部が動作されて上記複
数のマイクロホンの配置状態が広げられる。こうして、
ノイズ音によって上記特定話者の音声認識が困難な場合
には、自動的に上記複数のマイクロホンの配置状態が広
げられて集音効果が高められる。

【００２５】また、１実施例では、この発明の音声認識
ロボットにおいて、全体が動物若しくは人間の形態を模
倣した形状を有すると共に、上記マイクロホンが設けら
れる可動部は、模倣の対象となった動物若しくは人間に
おける頭または胴体に対して可動な部分に相当してい
る。

【００２６】この実施例によれば、動物若しくは人間の
形態を模倣した形状を有する音声認識ロボットにおい
て、耳や腕を広げることによって精度よく音響焦点合わ
せが行われる。

【００２７】

【発明の実施の形態】以下、この発明を図示の実施の形
態により詳細に説明する。図１は、本実施の形態の音声
認識ロボットにおける構成を示す図である。１は音声認
識ロボット、２〜６はマイクロホンである。上記マイク
ロホンは、音声認識ロボット１の胴体部,右腕部先端,右
腕部中央,左腕部先端および左腕部中央に夫々１個ずつ
１０cm間隔で設けられている。以下、上記右腕部先端に
設けられたマイクロホン２から順に、右腕部中央に設け
られたマイクロホンをマイクロホン３、胴体部に設けら
れたマイクロホンをマイクロホン４、左腕部中央に設け
られたマイクロホンをマイクロホン５、左腕部先端に設
けられたマイクロホンをマイクロホン６とする。

【００２８】尚、本実施の形態においては合計５個のマ
イクロホンを用いているが、３個以上であれば同様の構
成を得ることは可能である。また、マイクロホン２〜６
の両端幅(マイクロホン２とマクロホン６との間隔)をそ
のままにし、さらに多くのマイクロホンを設けた場合に
は、高周波領域までの集音効果をより高めることができ
る。

【００２９】図１は、音声認識ロボット１が、雑音環境
下において人の音声を認識する状態を示す。この状態で
は、音声ロボット１は大きく両腕を広げ、マイクロホン
２〜６の間隔を夫々１０cmずつ、全幅を４０cmと大きく
している。また、音声認識を必要としない移動時や休止
時の状態、あるいは、音響環境が優れるため雑音が少な
い状態の場合には、音声認識ロボット１は、図２に示す
ように両腕を閉じた状態となり、スペースを占有せずに
安定した状態になることができる。

【００３０】上記音声認識ロボット１は、通常は両腕を
閉じた図２に示す状態で動作している。そして、中央の
マイクロホン４によって音声認識を行い、その認識結果
に対応した行動を行うようにしている。しかしながら、
人間の発声を検知はしているが、音声認識が困難であ
り、音響焦点を合わす必要があると判断した場合には、
両腕を広げて図１に示すような姿勢となる。

【００３１】尚、この音響焦点を合わす必要があるとの
判断は、人間の発声が停止した際の音響レベル(つま
り、ノイズ音の音響レベル)と予め設定された所定の音
響レベルとの比較をＣＰＵ(中央演算処理装置)(図示せ
ず)によって行う。そして、上記所定の音響レベルを超
えたと判断した場合には、上記両腕を動かすモータ等の
駆動手段(図示せず)を制御して、上記両腕を横に広げる
のである。

【００３２】図１に示すように、両腕を横に広げた場合
には、マイクロホン２〜６は直線状に配置されるが、屈
んだり深呼吸したような姿勢をとることによって、マイ
ク間隔を狭めたり湾曲させたりすることもできる。尚、
マイクロホン２〜６の取付精度は、例えば画像を得るた
めのステレオカメラ１８のように厳密な精度は必要な
く、マイクロホン２〜６の指向性や行程差に影響のない
範囲(例えば、角度で言えば数度以内、間隔で言えば数m
m以内)の誤差であれば、集音効果を得ることはできる。

【００３３】次に、図１に示すように、両腕を広げて、
音声を受け付ける状態になった場合に、音響焦点を合わ
せる方法について説明する。図３は、既知の音源１１の
位置に音響焦点を合わせた状態を示し、その場合におけ
る音源１１から各マイクロホン２〜６までの距離を夫々
ｌ₂〜ｌ₆とする。マイクロホン２〜６からの音声出力
は、夫々の距離ｌ₂〜ｌ₆に応じたゲイン調整と遅延とを
行うゲイン調整・遅延回路１２〜１６を通ることによっ
て、夫々の音の大きさと位相とが同じに揃えられて合成
される。

【００３４】したがって、音響焦点と一致した位置から
の音源１１に対しては、夫々のマイクロホン２〜６の出
力の大きさと位相とは一致しており、合成することによ
って強調される。ところが、音響焦点から外れた個所か
らの音源１７に対しては、マイクロホン２〜６までの距
離はｌ₂ ^'〜ｌ₆ ^'であるため、予め距離をｌ₂〜ｌ₆として
設定した遅延量に対して位相が揃わず、合成することに
よって減衰するようになっている。したがって、焦点に
合った位置からの音源１１に対しては音が強調され、焦
点以外の位置からの雑音に対しては音が減衰されるので
ある。

【００３５】尚、夫々のマイクロホン２〜６の指向特性
については、一般的なコンデンサマイクを用いる場合に
は、ゲインＧをＧ＝ａ＋ｂcosθ (θ:正面からの角度) 但し、ａ＞０，ｂ＞０，ａ≧ｂとして、マイクロホン単体での定数ａ,ｂを求めること
によって、距離に応じたゲイン補正の場合と同様に、各
マイクロホン２〜６に対する音源の方向による出力補正
を行えば良い。

【００３６】次に、音響焦点を求める方法について説明
する。図４において、先ず、音声認識ロボット１に搭載
したステレオカメラ１８の画像情報(例えば肌色認識)に
よって視野内での人の顔を検出する。その顔の中で例え
ば一例として口が動いている人を特定話者と判断し、ス
テレオ視することによってステレオカメラ１８に対する
特定話者の位置Ｐを検出する。そして、ステレオカメラ
１８に対する音声認識ロボット１の首部や腕部等の関節
角度からマイクロホン２〜６に対する特定話者の位置
(距離)を算出し、音響焦点を合わせるのである。尚、上
記ステレオ視における奥行情報の精度が悪い場合には、
ステレオカメラ１８の近傍に設けた赤外線や超音波等に
よる測距センサ１９によって、特定話者までの正確な距
離を求めてもよい。この測距センサ１９を用いる場合に
は、カメラは、ステレオカメラ１８ではなく１つのカメ
ラがであっても同様に音響焦点を求めることはできる。
尚、２０はバッファである。

【００３７】次に、音響焦点を求める別の方法について
説明する。図５において、先ず、特定話者が発声してい
る瞬間に各マイクロホン２〜６からの音声出力信号をバ
ッファ２０に一時保存し、マイクロホンアレイの前方に
任意の仮想焦点Ｐ₁₁〜Ｐ_mnがあったと仮定して、図３に
示す方法と同様にして、一時保存した音声出力信号に１
つの仮想焦点Ｐ_ijから各マイクロホン２〜６までの距離
に対する減衰と遅延とをゲイン調整・遅延回路１２〜１
６によって行う。これによって得られた各マイクロホン
２〜６における出力結果を合成しその大きさ仮想焦点Ｐ
_ijの位置と共に保存する。こうして、矢印に示すごとく
夫々の仮想焦点Ｐ_ijについて同様に走査を行い、合成出
力が最も大きい仮想焦点Ｐ_ijの位置を実際の音響焦点と
するのである。

【００３８】この方法によれば、上記マイクロホンアレ
イのみで音響焦点を求めることができ、ステレオカメラ
１８や測距センサ１９のような新たなセンサ等を設ける
必要はない。また、指向性マイクのように各マイクロホ
ン２〜６を予め話者の方向へ向けておく必要もなく、音
響焦点を合わせたい話者の切り換えも瞬時に行うことが
できる。さらに、これらの処理を高速に行うことができ
れば、音源方向を常時サーチすることによって複数個の
音響焦点を監視することができ、夫々の音響焦点に合わ
せた処理を行えば、例えば音声認識ロボット１の前にい
る２人以上の人間の会話も分離して認識させることも可
能になる。

【００３９】次に、音響焦点を求めるもう一つの方法に
ついて説明する。図６において、先ず、上記マイクロホ
ンアレイ２〜６との相対位置が既知の単一のカメラ２０
によって話者の方向Ｄ_θの定位を行い、その方向Ｄ_θに
おいて距離が異なる仮想焦点Ｐ_θ1〜Ｐ_θnを仮定する。
これら仮想焦点Ｐ_θ1〜Ｐ_θnに対して、図５に示す方法
と同様にして合成出力が最も大きな仮想焦点Ｐ_θiの位
置を求める。そして、その仮想焦点Ｐ_θiの位置を、実
際の音響焦点とするのである。この方法によれば、仮想
焦点の数が図５に示すカメラ２０を用いない場合に比べ
て非常に少なくなり、演算量も少なくなるためより高速
に処理を行うことができるのである。

【００４０】上述のごとく、本実施の形態においては、
音声認識ロボット１における胴体部,右腕部先端,右腕部
中央,左腕部先端および左腕部中央に夫々１個ずつ、１
０cm間隔でマイクロホン２〜６を設けている。そして、
雑音環境下において音響焦点を合わす必要がある場合に
は、図１に示すように両腕を広げて両端に位置するマイ
クロホン２,６の間隔を４０cmと大きくするようにして
いる。したがって、音声認識に適した５００Ｈz付近で
の雑音における±３０゜よりも外側での減衰を大きくす
ることができ、特定話者と各マイクロホン２〜６との距
離による位相差を利用したその特定話者へ音響焦点の効
果を高めることができる。すなわち、周囲ノイズの大き
な環境であっても精度の高い音声認識が可能になるので
ある。

【００４１】さらに、音声認識を必要としない場合に
は、音声認識ロボット１を、図２に示すように両腕を閉
じた状態とすることによって、スペースを占有せずに安
定した状態にすることができるのである。

【００４２】また、両腕を広げて音響焦点を合わす場合
には、ステレオカメラ１８によるステレオ視によって話
者の方向および距離を特定し、それに基づいて各マイク
ロホン２〜６に対する話者の位置(距離)を算出すること
によって音響焦点を合わせるようにしている。したがっ
て、的確に音響焦点を合わせることができる。

【００４３】また、カメラによって話者の方向を特定す
ると共に、測距センサ１９によって話者までの距離を測
定し、それらに基づいて各マイクロホン２〜６に対する
話者の位置を算出することによって音響焦点を合わせて
いる。したがって、話者までの距離を正確に測定するこ
とができ、より精度よく音響焦点を合わせることができ
るのである。

【００４４】また、話者の周囲における音源想定空間上
に複数個の仮想焦点を二次元に配置し、マイクロホン２
〜６の出力信号に対して夫々の仮想焦点Ｐ_ijに応じた減
衰・遅延をゲイン調整・遅延回路１２〜１６によって行
い、その合成出力が最も高い位置を音響焦点とするよう
にしている。したがって、ステレオカメラ１８や測距セ
ンサ１９のような新たなセンサ等を設ける必要がなく、
コストダウンを図ることができる。さらに、音源位置を
常時サーチすることによって複数の音響焦点を監視する
ことができ、夫々の音響焦点に合わせた処理を行うこと
ができる。

【００４５】また、カメラ２０によって話者の方向を特
定し、その方向に一次元の仮想焦点を設け、マイクロホ
ン２〜６の出力信号に対して夫々の仮想焦点Ｐ_θiに応
じた減衰・遅延をゲイン調整・遅延回路１２〜１６によっ
て行い、その合成出力が最も高い位置を音響焦点とする
ようにしている。したがって、仮想焦点を二次元に配置
する場合に比して仮想焦点の数を少なくし、演算量が少
なくなることによって高速化を図ることができる。

【００４６】尚、本実施の形態においては、人間の形態
をした音声認識ロボット１について説明したが、これに
限らず他の動物型を成していても差し支えない。例え
ば、ウサギ型のロボットや長い耳を持った犬型のロボッ
トの形にして、頭部と可動する両耳とにマイクロホンを
配置するのである。また、マイクロホンの位置が可変で
きる機構を持ったロボットであれば、如何なる形態のロ
ボットであっても、如何なる可変機構であっても良いこ
とは言うまでもない。

【００４７】

【発明の効果】以上より明らかなように、この発明の音
声認識ロボットは、複数のマイクロホンのうちの少なく
とも一つを可動部に設けて配置状態を変更可能にしたの
で、複数のマイクロホンの配置状態を広げて集音効果を
高めることができる。したがって、上記複数のマイクロ
ホンの配置を広げた状態で特定話者に音響焦点を合わせ
れば、精度よく音響焦点を合わせることができる。さら
に、通常は、可動部を閉じた状態にしておくことによっ
て、大型化することを防止できる。

【００４８】また、１実施例の音声認識ロボットは、上
記可動部を動作させて上記複数のマイクロホンの配置状
態を広げた場合における両端に位置するマイクロホンの
最大間隔を、４０cm以上としたので、５００Ｈz付近で
の雑音における±３０゜よりも外側での減衰を大きくす
ることができる。したがって、音声認識に適した波長に
おける集音効果を高めることができる。

【００４９】また、１実施例の音声認識ロボットは、特
定話者の音声を強調する音響焦点手段を有すると共に、
音響焦点を合わせる際に、上記可動部を動作させること
によって上記特定話者に面して上記複数のマイクロホン
の配置状態を広げて両端に位置するマイクロホン間の幅
を大きくするので、上記両端に位置するマイクロホンの
最大間隔を４０cm以上にすれば、音声認識に適した波長
における集音効果を高めることが可能になる。したがっ
て、上記音響焦点手段による上記特定話者と各マイクロ
ホンとの距離による位相差を利用した上記特定話者の音
声の強調効果を高めることができる。すなわち、この実
施例によれば、周囲ノイズの大きな環境であっても精度
の高い音声認識を行うことが可能になる。

【００５０】また、１実施例の音声認識ロボットは、上
記音響焦点手段を、上記特定話者に音響焦点を合わせる
際に、複数の画像入力手段から入力された上記特定話者
の複数の画像に基づいて決定した上記特定話者の方向お
よび距離を用いるようにしたので、的確に音響焦点を合
わせることができる。

【００５１】また、１実施例の音声認識ロボットは、上
記音響焦点手段を、上記特定話者に音響焦点を合わせる
際に、画像入力手段から入力された上記特定話者の画像
に基づいて特定した上記特定話者の方向と、測距手段に
よって計測された上記特定話者までの距離とを用いるよ
うにしたので、話者までの距離を測距手段によって正確
に測定することができ、より精度よく音響焦点を合わせ
ることができる。

【００５２】また、１実施例の音声認識ロボットは、上
記音響焦点手段を、各マイクロホンの出力信号に対して
複数の仮想音響焦点の方向および距離に応じた減衰およ
び遅延を行い、全マイクロホンの減衰・遅延信号の合成
出力が最も高い仮想音響焦点位置を特定話者の位置とし
て音響焦点を合わせるようにしたので、上記画像入力手
段や測距手段を必要とはせず、コストダウンを図ること
ができる。さらに、音源位置を常時サーチすることがで
き、複数個の音響焦点に合わせた処理を行うことができ
る。

【００５３】また、１実施例の音声認識ロボットは、上
記音響焦点手段を、画像入力手段からの画像に基づいて
特定した特定話者の方向に複数の仮想音響焦点を設け、
各マイクロホンの出力信号に対して夫々の仮想音響焦点
の方向および距離に応じた減衰および遅延を行い、全マ
イクロホンの減衰・遅延信号の合成出力が最も高い仮想
音響焦点位置を特定話者の位置として音響焦点を合わせ
るようにしたので、上記仮想焦点を二次元に配置する場
合に比して仮想焦点の数を少なくでき、演算量を少なく
して高速化を図ることができる。

【００５４】また、１実施例の音声認識ロボットは、ノ
イズ測定手段によるノイズ音のレベルが所定のレベルを
超えた場合には、可動部駆動手段によって、上記可動部
を動作させて上記複数のマイクロホンの配置状態を広げ
るので、ノイズ音によって上記特定話者の音声認識が困
難な場合には、自動的に上記複数のマイクロホンの配置
状態を広げて集音効果を高めることができる。

【００５５】また、１実施例の音声認識ロボットは、全
体が動物若しくは人間の形態を模倣した形状を有すると
共に、上記マイクロホンが設けられる可動部を頭または
胴体に対して可動な部分としたので、動物若しくは人間
の形態を模倣した形状を有する音声認識ロボットにおい
て、耳や腕を広げることによって精度よく音響焦点合わ
せを行うことができる。

【図面の簡単な説明】

【図１】この発明の音声認識ロボットにおける両腕を
広げた(音声認識)状態を示す構成図である。

【図２】図１に示す音声認識ロボットにおける両腕を
閉じた状態を示す図である。

【図３】音響焦点を合わせる方法の説明図である。

【図４】音響焦点を求める方法の説明図である。

【図５】図４とは異なる音響焦点を求める方法の説明
図である。

【図６】図４及び図５とは異なる音響焦点を求める方
法の説明図である。

【図７】５００Ｈz雑音の減衰状態を示す図である。

【符号の説明】

１…音声認識ロボット、２〜６…マイクロホン、１１…音響焦点と一致した音源、１２〜１６…ゲイン調整・遅延回路、１７…音響焦点から外れた音源、１８…ステレオカメラ、１９…測距センサ、２０…バッファ。

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 15/20 Ｇ１０Ｌ 3/02 ３０１Ｅ 15/24 3/00 ５７１Ｑ 15/28 ５１１ 21/02 (72)発明者橋本周司東京都新宿区大久保３−４−１学校法人早稲田大学理工学部内Ｆターム(参考） 2C150 BA11 CA01 CA02 DA04 DA05 DA24 DA26 DA27 DA28 DF03 DF04 DF06 DF33 ED42 ED52 EF16 EF29 EF33 5B050 AA10 BA12 DA07 EA07 FA10 5B057 AA05 CA12 CB13 CD14 DA07 DC08 5D015 AA03 BB01 EE06 KK01 LL10

Claims

【特許請求の範囲】

【請求項１】複数のマイクロホンを有して特定話者が
発する音声を認識すると共に、この音声認識結果に従っ
て行動する音声認識ロボットにおいて、上記複数のマイクロホンのうちの少なくとも一つは可動
部に設けられ、この可動部の動作によって上記複数のマ
イクロホンの配置状態が変更可能になっていることを特
徴とする音声認識ロボット。
【請求項２】請求項１に記載の音声認識ロボットにお
いて、上記可動部を動作させて上記複数のマイクロホンの配置
状態を広げた場合における両端に位置するマイクロホン
の最大間隔は、４０cm以上であることを特徴とする音声
認識ロボット。
【請求項３】請求項１あるいは請求項２に記載の音声
認識ロボットにおいて、特定話者に音響焦点を合わせて、上記複数のマイクロホ
ンによって得られた上記特定話者の音声を強調する音響
焦点手段を有すると共に、上記音響焦点を合わせる際に、上記可動部を動作させる
ことによって、上記特定話者に面して上記複数のマイク
ロホンの配置状態を広げて両端に位置するマイクロホン
間の幅を大きくするようになっていることを特徴とする
音声認識ロボット。
【請求項４】請求項３に記載の音声認識ロボットにお
いて、上記特定話者の画像を入力する複数の画像入力手段を備
えて、上記音響焦点手段は、上記特定話者に音響焦点を合わせ
る際に、上記複数の画像入力手段から入力された上記特
定話者の複数の画像に基づいて決定した上記特定話者の
方向および距離を用いるようになっていることを特徴と
する音声認識ロボット。
【請求項５】請求項３に記載の音声認識ロボットにお
いて、上記特定話者の画像を入力する画像入力手段と、上記特定話者までの距離を計測する測距手段を備えて、上記音響焦点手段は、上記特定話者に音響焦点を合わせ
る際に、上記画像入力手段から入力された上記特定話者
の画像に基づいて特定した上記特定話者の方向と、上記
測距手段によって計測された上記特定話者までの距離と
を用いるようになっていることを特徴とする音声認識ロ
ボット。
【請求項６】請求項３に記載の音声認識ロボットにお
いて、上記音響焦点手段は、音源位置想定空間上に方向と距離
とが既知の複数の仮想音響焦点を設け、各マイクロホン
の出力信号に対して夫々の仮想音響焦点の方向および距
離に応じた減衰および遅延を行い、各仮想音響焦点毎に
求められた全マイクロホンの減衰・遅延信号の合成出力
が最も高い仮想音響焦点位置を上記特定話者の位置とし
て音響焦点を合わせるようになっていることを特徴とす
る音声認識ロボット。
【請求項７】請求項３に記載の音声認識ロボットにお
いて、上記特定話者の画像を入力する画像入力手段を備えて、上記音響焦点手段は、上記画像入力手段から入力された
上記特定話者の画像に基づいて特定した特定話者の方向
に距離が既知の複数の仮想音響焦点を設け、各マイクロ
ホンの出力信号に対して夫々の仮想音響焦点の方向およ
び距離に応じた減衰および遅延を行い、各仮想音響焦点
毎に求められた全マイクロホンの減衰・遅延信号の合成
出力が最も高い仮想音響焦点位置を上記特定話者の位置
として音響焦点を合わせるようになっていることを特徴
とする音声認識ロボット。
【請求項８】請求項３乃至請求項７の何れか一つに記
載の音声認識ロボットにおいて、ノイズ音を測定するノイズ測定手段と、上記ノイズ測定手段によって測定されたノイズ音のレベ
ルが所定のレベルを超えた場合には、上記複数のマイク
ロホンの配置状態を広げるように上記可動部を動作させ
る可動部駆動手段を備えたことを特徴とする音声認識ロ
ボット。
【請求項９】請求項３乃至請求項８の何れか一つに記
載の音声認識ロボットにおいて、全体が動物若しくは人間の形態を模倣した形状を有する
と共に、上記マイクロホンが設けられる可動部は、模倣
の対象となった動物若しくは人間における頭または胴体
に対して可動な部分に相当することを特徴とする音声認
識ロボット。