JP2004226698A

JP2004226698A - 音声認識装置

Info

Publication number: JP2004226698A
Application number: JP2003014519A
Authority: JP
Inventors: Hiroyuki Handa; 博幸半田; Kazuhiko Yokoyama; 和彦横山
Original assignee: Yaskawa Electric Corp
Current assignee: Yaskawa Electric Corp
Priority date: 2003-01-23
Filing date: 2003-01-23
Publication date: 2004-08-12

Abstract

【課題】音声コマンドの誤認識を低減するとともに、処理時間を短縮して、作業効率を著しく向上することができる音声認識装置を提供する。
【解決手段】ユーザの発声した音声を認識して、その認識結果に基づき所定の機能を実行する音声認識装置において、全ての音声コマンド群を記憶する第１記憶部と前記第１記憶部に登録された音声コマンド群の一部をコピーして記憶する第２記憶部を備える。また、前記音声コマンドに複数の識別コードを付して、前記第１記憶部に記憶された音声コマンド群から特定の識別コードを備えた音声コマンド群を抽出して前記第２記憶部に記憶する。また、前記第１記憶部あるいは前記第２記憶部に記憶される音声コマンド群に階層構造を与える。
【選択図】図１

Description

【０００１】
【発明の属する技術分野】
本発明は、音声コマンドに基づいて機器の動作制御を行なう音声認識装置に関するものである。
【０００２】
【従来の技術】
音声識別装置とは、ユーザが発声する音声の中から、特定の音声コマンドを識別し、識別された音声コマンドに基づいて動作信号を機器に送り、ユーザの音声のみで機器を動作制御するシステムである。音声識別装置はハンドフリーで機器の動作を制御できる利点があるので、近年、産業分野、民生分野を問わず多くのの分野で利用されている。例えば、特許文献１には所定の音声コマンドを登録する登録手段を備え、入力音声が前記登録手段に登録された音声コマンドと一致したときに所定の機能を実行させる音声認識装置を備えたカーナビゲーション装置が開示されている。
【０００３】
【特許文献１】
特開２００３−５７８１号公報
【０００４】
【発明が解決しようとする課題】
ところが、従来の音声認識装置は、記憶部に記憶した多数の音声コマンド群の中から、ユーザの発声する音声と一致する音声コマンドを検索するので、似たような発音のコマンドを入力した場合、誤認識が発生するという問題があった。音声コマンドの数を増やして、より複雑な制御を音声識別装置で実現しようとすると、誤認識の可能性はさらに大きくなる。
また、入力された音声と多数の音声コマンドの全てについて、一つづつ比較してたので、音声コマンドの数が増えるにつれて音声認識に時間を要するという問題があった。
そこで、本発明は音声コマンドの誤認識を低減するとともに、処理時間を短縮して、作業効率を著しく向上することができる音声認識装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】
上記の課題を解決するために、請求項１の発明は、ユーザの発声した音声を認識して、その認識結果に基づき所定の機能を実行する音声認識装置において、全ての音声コマンド群を記憶する第１記憶部と前記第１記憶部に登録された音声コマンド群の一部をコピーして記憶する第２記憶部を有するものである。
請求項２の発明は、前記音声コマンドに複数の識別コードを付して前記第１記憶部または前記第２記憶部に記憶するものである。
請求項３の発明は、前記第１記憶部に記憶された音声コマンド群から特定の識別コードを備えた音声コマンド群を抽出して前記第２記憶部に記憶するものである。
請求項４の発明は、前記第１記憶部あるいは前記第２記憶部に記憶される音声コマンド群が階層構造を有するものである。
請求項５の発明は、前記識別コードが前記音声コマンドの従属関係を示すコードとするものである。
請求項６の発明は、先に認識した音声コマンドに従属する音声コマンド群を前記第１記憶部から抽出して前記第２記憶部にコピーするものである。
請求項７の発明は、前記識別コードが、認識した音声コマンドを再確認するか否かの情報を示すコードとするものである。
請求項８の発明は、認識した音声コマンドに対して所定の応答メッセージを発声するものである。
【０００６】
【発明の実施の形態】
以下、本発明の具体的実施例を図に基づいて説明する。
図１は、本発明の実施例を示す音声認識装置のブロック図である。図において、１１は音声入力部であり、１２は音声認識部であり、１３は記憶制御部であり、１４は第１記憶部であり、１５は第２記憶部であり、１６は結果提示部である。音声入力部１１はユーザの発声する音声を取り込む装置であり、例えばマイクロフォンとアンプなどからなる。音声認識部１２は音声入力部１１において取り込んだ音声を予め登録された音声コマンドと照合して、その音声を音声コマンドとして認識する装置である。記憶制御部１３は音声認識部１１、第１記憶部１４、第２記憶部１５および結果提示部１６の間における音声コマンドなどの情報の流れを制御する部分である。第１記憶部１４は、認識対象となる全ての音声コマンドをその音声コマンドの属性を表す複数の識別コードとともに記憶する記憶装置である。第２記憶部１５は第１記憶部１４に記憶された音声コマンド群の一部をその識別コードとともにコピーして一時的に記憶する記憶装置である。結果提示部１６は認識結果や記憶部に記憶した情報を音声で提示する装置である。
【０００７】
図２は、図１に示した音声認識装置の処理の流れを示すフローチャートである。
以下、本発明による音声認識方法を図２を引用して説明する。
（Ｓｔｅｐ２１）ユーザが発声した音声を入力する。
（Ｓｔｅｐ２２）入力された音声を第２記憶部１５に記憶された音声コマンド群と照合して、その音声と一致する音声コマンドを認識する。後述するように、第１記憶部１４に記憶された音声コマンド群は階層構造をなして、最初の段階では、これらの内、最上層の音声コマンドが第１記憶部１４から抽出されて、音声コマンドの属性を表す識別コードとともに第２記憶部１５にコピーされている。
（Ｓｔｅｐ２３）Ｓｔｅｐ２２で認識された音声コマンドを結果提示部１６から提示する。
（Ｓｔｅｐ２４）Ｓｔｅｐ２２で認識された音声コマンド（親コマンド）に従属する音声コマンド（子コマンド）を第１記憶部１４から抽出して、第２記憶部１５にコピーする。親コマンドが最下層のコマンドであって、対応する子コマンドが無い場合には最上層の音声コマンド群がコピーされる。
【０００８】
図３は、第１記憶部１４に記憶される音声コマンド群のデータの構造を示す図である。ここでは、ユーザの命令に従って案内、誘導あるいは室内の清掃等を行う移動型ロボットに適用する音声認識装置の例を取り上げた。
以下、第３図を引用して音声コマンド群のデータの構造を説明する。
固有ＩＤは、その音声コマンドに固有の識別コードである。親ＩＤは、音声コマンド（群）の従属関係を示す識別コードである。親ＩＤの番号はその音声コマンドが同じ番号を固有ＩＤとする音声コマンドに従属すること、つまり親コマンドと子コマンドの関係にあることを示している。例えば、親ＩＤ「００１」を付された音声コマンドは固有ＩＤ「００１」を付された音声コマンドに従属し、親ＩＤ「００４」を付された音声コマンドは、固有ＩＤ「００４」を付された音声コマンドに従属する。なお、親ＩＤ「０００」を付された音声コマンドは最上層のコマンドなので、親コマンドを持たない。このように、第１記憶部１４において音声コマンド群は階層構造を有している。
【０００９】
先に説明したＳｔｅｐ２４の処理は、この階層構造を利用して行われる。例えば、音声コマンドの中で最上位の音声コマンドである「作業モード」（固有ＩＤ：００１）を認識した場合、記憶制御部１３は第１記憶部１４の作業コマンド群から親ＩＤ＝００１に該当する音声コマンドを検索して抽出し、図４に示すように第２記憶部１５に親ＩＤ「００１」を付された音声コマンド群をコピーする。
「作業モード」に続く音声コマンドは、「お客さまのご案内」か「掃除」に限られ、これ以外の音声コマンドは受け付ける必要がないから、音声認識装置は次に入力される音声と図４に示された音声コマンド群を照合すればよいのである（これら以外の音声が入力されたら、「不正入力」として再度入力を促せばよい）。
ここで、ユーザが「おきゃくさまのごあんない」と発声すると、音声認識部１２は「お客さまのご案内」（固有ＩＤ：００４）を認識し、記憶制御部１３は第１記憶部１４から親ＩＤ＝００４に該当する音声コマンドを検索して抽出し、図５に示すような音声コマンド群を第２記憶部１５にコピーして次の音声の入力を待つのである。
このように各コマンド間に親子関係を表す情報を有しているため、親コマンドに対する子コマンドを容易に特定できるとともに、音声認識時には親コマンドに対する子コマンドのみ必要最小限の音声コマンドに限定して認識対象とすることができるため、誤認識を著しく低減することができる。
【００１０】
ここで、再び図３を参照する。
応答メッセージは音声コマンドを認識したときに、結果提示部１６が発する音声であり、音声コマンドと１対１で対応している。確認コードは、その音声コマンドを認識したときに、音声認識装置が再確認をするかしないかを示す識別コードであり、「１」ならば「再確認する」であり、「０」ならば「再確認しない」である。例えば、音声コマンド「作業モード」の確認コードは「１」であるので、ユーザが「さぎょうもーど」と発声して、音声認識部１２が「作業モード」を認識すると、記憶制御部１３は結果提示部１６を介して「コマンドは作業モードでよいですか」と確認メッセージを発して、ユーザに確認を促す。そこでユーザが「はい」と答えて、音声認識部１２が「はい」を認識すると「再確認」が完了し、音声コマンド「作業モード」が確定し、結果提示部１６から応答メッセージ「作業モードです」が音声で提示される。逆に、「いいえ」と発話した場合は、結果提示部１６は「もう一度お願いします」と音声を発し、再入力を促す。このとき、第２記憶部の音声コマンド群は、保持されたままである。なお、「はい」や「いいえ」といった音声コマンドは、第２記憶部１５に予め記憶されている。次にユーザが「おきゃくさまのごあんない」を発声すると、音声認識部１２は、音声コマンド「お客様のご案内」を認識する。すると、記憶制御部１３は「お客様のご案内」に対応する確認コードを参照する。この場合、確認コードは「０」なので、記憶制御部１３は使用者に確認を促す応答を生成せずに直ちに音声認識結果として「お客様のご案内」と確定するとともに、結果提示部１６を介して「どちらにご案内しますか」という応答メッセージを提示する。
なお、図３および図５に示した「＄ｃｏｍｍａｎｄ＄」や「＄ｃｏｎｄｉｔｉｏｎ＄」は、システムコマンドであり、「＄ｃｏｍｍａｎｄ＄」には音声コマンドの文字列が挿入され、「＄ｃｏｎｄｉｔｉｏｎ＄」は、システムの状態を結果提示部１６へ提示する。例えば、音声コマンドが「受付」であれば、＄ｃｏｍｍａｎｄ＄＝”受付”なので、応答コマンドは「受付（＝＄ｃｏｍｍａｎｄ＄）へご案内します」となる。
このように識別情報として確認情報を有することで使用者は認識コマンドの再確認できるため、仮に誤認識した場合でも容易にコマンドの修正を行なうことができる。
【００１１】
図６は、本発明の音声認識装置の音声コマンド編集画面であり、図３に示した音声コマンド群をツリー構造として表現している。
図に示すように、「作業モード」、「基本動作モード」および「システムモード」は最上層の階層のコマンドなので第１層目に配置される。「お客様のご案内」と「掃除」は「作業モード」に従属する子コマンドなので、「作業モード」の次の層に配置される。また、「受付」、「第１応接室」および「第２応接室」は「お客さまのご案内」に従属する子コマンド（「作業モード」から見れば孫コマンド）なので、「お客様のご案内」の次の層に配置される。
音声コマンドの編集時には、画面上にて変更したい音声コマンドを選択し、語句を変更することで第１記憶部１４に記憶している音声コマンドも変更することが可能となっている。なお、このツリー構造で音声コマンドを表現した画面では、音声コマンドの編集のみではなく、それぞれの音声コマンドに付随した識別情報も編集したり、一つの音声コマンドの下層に音声コマンドを追加することも可能である。
このように記憶部に記憶した音声コマンドなどをツリー構造で表現し編集可能とすることで、使用者は直感的かつ容易に認識手順を作成することが可能となり、音声コマンドの登録や変更といった作業効率が著しく向上する。
【００１２】
【発明の効果】
以上述べたように、本発明の音声認識装置によれば、音声コマンド群が階層構
造を有しているので、親コマンドが認識されると、その後に入力される子コマンド群が特定でき、その特定の子コマンド群とユーザの音声を照合すれば足りる。したがって、本発明の音声認識装置は高い精度で該当する音声コマンドを確定することができ、誤認識を低減することができるという効果がある。また、音声認識に要する処理時間を短縮する効果もある。
【図面の簡単な説明】
【図１】本発明の実施例を示す音声認識装置のブロック図である。
【図２】図１の音声認識装置の処理の流れを示すフローチャートである。
【図３】音声コマンドのデータの構造を示す図である。
【図４】音声コマンドのデータの構造を示す図である。
【図５】音声コマンドのデータの構造を示す図である。
【図６】本発明の実施例を音声コマンド編集画面である。
【符号の説明】
１１音声入力部、１２音声認識部、１３記憶制御部、１４第１記憶部
１５第２記憶部１６結果提示部

Claims

ユーザの発声した音声を認識して、その認識結果に基づき所定の機能を実行する音声認識装置において、
全ての音声コマンド群を記憶する第１記憶部と前記第１記憶部に登録された音声コマンド群の一部をコピーして記憶する第２記憶部を有することを特徴とする音声認識装置。
前記音声コマンドに複数の識別コードを付して前記第１記憶部または前記第２記憶部に記憶することを特徴とする請求項１に記載の音声認識装置。
前記第１記憶部に記憶された音声コマンド群から特定の識別コードを備えた音声コマンド群を抽出して前記第２記憶部に記憶することを特徴とする請求項２記載の音声認識装置。
前記第１記憶部あるいは前記第２記憶部に記憶される音声コマンド群が階層構造を有することを特徴とする請求項１ないし請求項３のいずれかに記載の音声認識装置。
前記識別コードが前記音声コマンドの従属関係を示すコードであることを特徴とする請求項２または請求項３に記載の音声認識装置。
先に認識した音声コマンドに従属する音声コマンド群を前記第１記憶部から抽出して前記第２記憶部にコピーすることを特徴とする請求項４または請求項５に記載の音声認識装置。
前記識別コードが、認識した音声コマンドを再確認するか否かの情報を示すコードであることを特徴とする請求項２に記載の音声認識装置。
認識した音声コマンドに対して所定の応答メッセージを発声すること特徴とする請求項１ないし請求項７のいずれかに記載の音声認識装置。