JP2005085433A - 音声認識による再生装置および再生方法 - Google Patents

Abstract

【課題】
ＣＤ等の再生装置において、事前の準備や大規模な辞書なしに、音声で再生する曲の指定ができるようにする。
【解決手段】
ＣＤに格納されているＴＯＣデータ内の曲名データを読み込み、予め音声認識結果と同じフォーマットに変換し、候補データとして保持しておく。音声で曲名が入力されると、入力された音声に音声認識処理を施して得られた結果と保持されている候補データとを照合し、最も整合性の高い候補データによって示される曲を再生する。
【選択図】 図２

Description

本発明は、記録媒体内に格納されているコンテンツを再生する指示を音声認識により得る技術に関する。

ＣＤ再生装置に装着された音楽ＣＤから所望の曲を再生する場合、曲のタイトルで再生する曲を指示したいという要望がある。これに応え、最近では、ＣＤが装着された時、音楽ＣＤのＴＯＣ（table of contents）データに記録された曲のタイトルを読み取ってＣＤ再生装置の表示部に表示し、所望の曲の選択を受け付けるよう構成されたＣＤ再生装置がある。

ところで、例えば車載用のＣＤ再生装置では、音声で再生する曲を指示できると便利である。

しかし、曲名はバラエティに富んでいるため、音声認識の結果から曲名を特定するための辞書データを保持しておくためには膨大な容量が必要となる。そして、大規模な辞書から曲名候補を抽出するとなると、相当な時間がかかり、誤認識も増える可能性が高い。

一方、音声認識技術とＴＯＣデータとを用いて、目的のＣＤを容易に選択できるようにした技術がある（例えば、特許文献１参照。）。これは、複数のＣＤを格納するＣＤチェンジャを備えるＣＤ再生装置で、それぞれの音楽ＣＤのＴＯＣデータに関連づけて、それぞれの音楽ＣＤを特定するキーワードの発音データをテーブルに予め登録しておき、音声が入力されると、入力された音声の発音データに対応付けられてそのテーブルに登録されているＴＯＣデータを持つ音楽ＣＤを再生対象として特定するものである。

特開平１１−２１３４１５号公報

しかしながら、特許文献１に開示されている技術は、予め各ＣＤを特定するキーワードを発声して、その発音データをテーブルに登録するという作業が必要であり、手間がかかる。また、特許文献１に開示されている技術では、再生したいＣＤは選択できるが、曲までは選択できない。

本発明は、上記事情に鑑みてなされたもので、事前の準備や大規模な辞書なしに、音声による再生のための曲などのコンテンツの指定ができるようにすることを目的とする。

本発明は、記録媒体内に格納されているコンテンツを特定する情報を利用して音声認識に用いる選択候補辞書を生成する。

例えば、本発明の再生装置は、１以上のコンテンツが記録された記憶媒体から、指示されたコンテンツを再生する再生装置であって、前記記憶媒体は、コンテンツごとにコンテンツを特定する情報と当該コンテンツの前記記憶媒体内の開始アドレスとを対応付けて記憶する開始アドレス記憶部を備え、前記再生装置は、音声の入力を受け付ける音声入力手段と、前記音声入力手段で受け付けた音声に音声認識処理を施す音声認識処理手段と、前記記憶媒体に記録されている全ての前記コンテンツを特定する情報を読出し、読み出した前記コンテンツを特定する情報が登録された認識辞書を生成する辞書生成手段と、前記音声認識処理手段において得られた結果と前記認識辞書とを比較し、最も整合性の高いものを、前記認識辞書に登録されている前記コンテンツを特定する情報の中から抽出する照合手段と、前記照合手段で抽出された前記コンテンツを特定する情報によって特定されるコンテンツの再生を行う再生手段とを備える。

本発明によれば、音声により再生する曲などのコンテンツを指示する機能を備えるＣＤなどの記録媒体の再生装置において、事前の準備や大規模な辞書なしに、所望のコンテンツを指定できる。

以下、本発明の一実施形態を、図面を参照して説明する。

図１は、本実施形態のＣＤ再生装置１００のハードウエア構成である。本図に示すように、本実施形態のＣＤ再生装置１００は、ターンテーブル１０と、光ピックアップ１１と、復調部１２と、Ｄ/Ａコンバータ１３と、アンプ１４と、スピーカ１５と、スピンドルモータ１６と、サーボ１７と、制御部２０と、音声入力部２５と、操作パネル２６とを備える。

ターンテーブル１０に装着されたＣＤ３０に記録された楽曲は、光ピックアップ１１で読み取られ、復調部１２にて復調処理され、Ｄ/Ａコンバータ１３でアナログ信号に変換された後、アンプ１４で増幅されてスピーカ１５から音声として出力される。また、スピンドルモータ１６は、ＣＤ３０が装着されるターンテーブル１０を回転させ、サーボ１７は、光ピックアップ１１を移動させ、スピンドルモータ１６を回転させるための駆動装置である。

制御部２０は、制御用マイクロコンピュータを備え、ＣＤ再生装置全体の動作を制御する。制御部２０は、ＣＰＵ２３、メモリ２４、入力インタフェース２２、出力インタフェース２１、および、各部を接続するバスとを備える。

復調部１２にて復調処理されたデータは入力インタフェース２２を介して制御部２０に入力される。また、制御部２０からの出力信号は、出力インタフェース２１を介してサーボ１７に出力され、スピンドルモータ１６の回転をコントロールする。また、指示に従って、曲のトラックの開始アドレスに光ピックアップ１１を移動させる。

また、本実施形態では、音声により再生するＣＤの楽曲の指示を受け付けるため、音声入力部２５としてマイクロフォンなどを備える。音声入力部２５に入力された音声信号は、図示していないＡ/Ｄコンバータによりデジタル信号に変換された後、入力インタフェース２２を介して制御部２０に入力される。

また、操作パネル２６は、各種の操作指示を受け付ける。操作パネル２６にて受け付けた指示は信号化され、入力インタフェース２２を介して制御部２０に入力される。本実施形態では、操作パネル２６において、例えば、ＣＤを取り出す指示を受け付ける。また、通常のＣＤ再生装置のように、再生を所望する曲番の入力を受け付けるよう構成してもよい。この場合、入力部で受け付けた曲番を示す信号は、直接後述の再生処理部１３０に送信される。

図２は、本実施形態のＣＤ再生装置１００の制御部２０の機能構成図である。

本図に示すように、制御部２０は、媒体検出部１１０と、ＴＯＣ読取部１２０と、再生処理部１５０と、辞書登録部１４０と、音声認識処理部１５０といった機能部と、ＴＯＣテーブル１２１と、辞書変換テーブル１３１と、認識辞書１４１といったデータベースと、を備える。ここで、各機能部は、メモリ２４内にプログラムとして登録され、ＣＰＵ２３にて実行される。また、各データベースは、メモリ２４に記憶される。

媒体検出部１１０は、ＣＤ３０の着脱を示す信号をＴＯＣ読取部１２０、辞書登録部１４０などの機能部に通知する。ＣＤ３０がターンテーブル１０に装着されると、図示されないセンサなどが装着されたことを検出し、入力インタフェース２２を介して制御部２０にＣＤの装着を通知する。媒体検出部１１０は、センサからの信号を受けて、ＣＤ３０が装着されたことを示す信号（装着信号）を出力する。また、操作パネル２６において受け付けたＣＤ３０を取り出す指示を、入力インタフェース２２を介して受信すると、媒体検出部１１０は、ＣＤ３０のイジェクトを示す信号（イジェクト信号）を出力する。

ＴＯＣ読取部１２０は、媒体検出部１１０から装着信号を受け取ると、サーボ１７を介してスピンドルモータ１６と光ピックアップ１１とを制御し、ＣＤ３０のＴＯＣデータを復調部１２を介して読み取り、メモリ２４にＴＯＣテーブル１２１として記憶する。ＴＯＣテーブル１２１の記憶が完了すると、完了信号を辞書登録処理部１４０に通知する。

図３に、本実施形態のＴＯＣテーブル１２１に登録されるＴＯＣデータの一例を示す。本図に示すように、ＴＯＣデータは、曲番を示す曲番データ１２１ａと、曲名を示す曲名データ１２１ｂと、曲のトラックの開始アドレスを示す開始アドレスデータ１２１ｃと、を備える。

なお、本実施形態では、曲名データ１２１ｂが、シフトＪＩＳコードなどの文字コードで構成されているものとする。

再生処理部１３０は、操作パネル２６を介して、または、後述する音声認識処理部１５０から、再生の指示として再生する曲の曲番を示す信号を受け取ると、ＴＯＣテーブル１２１を検索し、当該曲の開始アドレスを抽出し、サーボ１７を介してスピンドルモータ１６を回転させるとともに光ピックアップ１１を抽出したアドレスに移動させることを指示する信号を送出し、再生を開始する。

辞書登録部１４０は、ＴＯＣテーブル１２１から候補データを生成して認識辞書１４１に格納する。具体的には、ＴＯＣ読取部１２０から完了信号を受け取ると、ＴＯＣテーブル１２１から全ての曲番データ１２１ａと曲名データ１２１ｂとの組を抽出する。抽出したデータの中の曲名データ１２１ｂを、変換テーブル１３１を用いて、その読み方を示す表音文字列データに変換する。そして、その表音文字列データを候補データとして曲番データ１２１ａとともに認識辞書１４１に登録する。また、辞書登録部１４０は、媒体検出部１１０からイジェクト信号を受け取ると、登録した認識辞書１４１をメモリ２４から削除する。

ここで、変換テーブル１３１について説明する。変換テーブル１３１には、ＴＯＣ内の曲名データを、その読み方を示す表音文字列データに変換するための対応表が格納されている。

本実施形態では、シフトＪＩＳコードで表される文字ごとに予め定められた読み方を示す表音文字列が格納される。例えば、文字が「音」ならば、「おと」、「おん」などが、文字が「楽」ならば「らく」、「がく」などが、文字が「曲」ならば「きょく」などが格納される。なお、ここでは、表音文字列データをひらがな表記にしているが、カタカナ、ローマ字などでもよく、表記はこれに限られない。また、例えば、「音楽」を「おんがく」、「楽曲」を「がっきょく」など、文字単位だけでなく、よく使われる単語の読み方を示す表音文字列を単語単位で登録しておいてもよい。

辞書登録部１４０は、この変換テーブル１３１を用いて、曲名データ１２１ｂを、読み方を示す表音文字列に変換する。

図４に、認識辞書１４１に登録されるデータの一例を示す。本図に示すように、認識辞書１４１は、候補データを格納する表音文字列格納部１４１ａと、曲番データを格納する曲番格納部１４１ｂとを備える。例えば、曲名データ１２１ｂに格納されている曲名が「音楽」を示すシフトＪＩＳコードの場合、辞書登録部１４０により、認識辞書１４１の表音文字列格納部１４１ａには、「おとがく」、「おんがく」、「おとらく」、「おんらく」などが格納される。このように、変換テーブル１３１に、１つの文字に対して複数の表音文字列が格納されている場合、１つの曲名に対し、複数の曲名データが候補データとして登録される。

音声認識処理部１５０は、入力された音声に対して音声認識処理を施して再生する曲を指定する。

具体的には、音声入力部２５を介して入力された音声データに対して音声認識処理を施すことにより、この音声データを表音文字列データに変換する。そして、変換した表音文字列データと、認識辞書１４１に登録されている候補データとを比較照合し、最も整合性の高い候補データを決定し、そのデータに対応する曲番データを再生指示として再生処理部１３０に対して出力する。

ここで、最も整合性が高いデータとは、表音文字列の並び順も含め、最も合致する表音文字の多いものなど適宜定めることができる。

また、本実施形態では、音声認識処理部１５０において、表音文字列どうしで比較照合しているが、これに限られない。例えば、変換テーブル１３１に、曲名データを構成する各文字のコードから所定の音声パターンに変換するデータを格納しておき、辞書登録部１４０では、ＴＯＣから得られた曲名データの音声パターンを生成する。そして、音声認識処理部１５０では、入力された音声に音声認識処理を施し、辞書登録部１４０に登録された音声パターンと同等の音声パターンを生成するよう構成し、両音声パターンを比較照合するように構成してもよい。

以下、ＣＤが装着されてから、音声によって所望の曲の再生の指示を受け、再生するまでの処理フローを説明する。図５に処理フローを示す。

本実施形態の処理は、ＣＤ装着後から認識辞書１４１を生成するまでの辞書生成処理と、入力された音声で指示された曲を再生する楽曲再生処理とに大きく分けられる。そして、辞書生成処理は、ＣＤが装着された際に１回行われ、楽曲再生処理は、辞書生成処理が行われた後、音声の入力を受け付ける毎に行われる。

媒体検出部１１０から装着信号を受信すると、ＴＯＣ読取部１２０は、装着されたＣＤ３０のＴＯＣからＴＯＣデータを読み取り(ステップ１００１)、ＴＯＣテーブル１２１としてメモリ２４に登録する（ステップ１００２）。そしてＴＯＣ読取部１２０は、完了信号を辞書登録部１４０へ送信する。

辞書登録部１４０は、ＴＯＣ読取部１２０から完了信号を受け取ると、ＴＯＣテーブル１２１から、曲名データ１２１ｂを抽出し、変換テーブル１３１を用いて候補データを生成し、認識辞書１４１に登録する（ステップ１００３）。そして、認識辞書１４１の登録が完了すると、完了したことを示す信号を、音声認識処理部１５０、および、再生処理部１３０に通知する。音声認識処理部１５０および再生処理部１３０は、それぞれ、入力および再生指示を待つ状態となる（ステップ１００４）。

ここまでが、辞書生成処理である。そして、以下が楽曲再生処理である。

入力を待つ状態の音声認識処理部１５０は、音声入力部２５を介して音声の入力を受け付けると、入力された音声に音声認識処理を施して表音文字列を生成する（ステップ１００５）。

音声認識処理部１５０は、認識辞書１４１にアクセスし、ステップ１００５で生成した表音文字列と、認識辞書１６０の表音文字列格納部１４１ａ内の候補データとを照合し、最も整合性の高いものを選択する。そして、対応する曲番データを、認識結果として抽出し（ステップ１００６）、再生処理部１１０に送信する。

再生処理部１１０は、受け取った曲番データをキーにＴＯＣテーブル１２１を検索してその曲番データで特定される曲の開始アドレスを抽出し（ステップ１００７）、光ピックアップ１１を当該アドレスに移動させ、再生を開始する（ステップ１００８）。

以上のように、本実施形態では、音声認識処理後の比較対照データが、実際にＣＤに収録されている曲名データから得られたものに限られているため、照合時間が短くて済むだけでなく、その照合精度も高まる。

また、比較対照時に１００％の整合性を求めていないため、タイトルを完全に覚えていない場合であっても、何らかの曲が抽出されるため、実用性が高い。

また、辞書登録部１４０は、イジェクト信号を受け取ると、登録した辞書を削除するよう構成されている。このため、メモリ２４内に認識辞書１４１のために確保すべきメモリ領域が少なくて済む。

なお、上記実施形態では、再生処理部１３０は、曲の指定を受け付けるごとに、指定された曲を再生するよう構成されているが、曲の指定と再生の指示を受け付ける構成とを別個に設けるようにしてもよい。

例えば、メモリ２４に再生曲順を記憶する曲順記憶テーブルを備え、再生を希望する曲の指示を受け付けると、受け付け順に曲順記憶テーブルに記憶し、再生指示の入力を受け付けた後、再生処理部１３０が、曲順記憶テーブルに記憶された曲番の順に、ＴＯＣテーブル１２１にアクセスし、開始アドレスを読み取り、再生するよう構成してもよい。

また、曲番を示す信号を認識結果として出力する構成としたが、曲名データも認識辞書１４１に持たせ、認識結果として曲名を出力して図示しない表示装置などに表示させ、利用者からの確認の指示を受け付けてから、再生処理部１３０に再生の指示を送信するよう構成してもよい。

上記の実施形態では、媒体としてＣＤを例にあげて説明したが、媒体はこれに限られない。媒体内に、曲名と当該曲名で指定される楽曲が開始される場所が特定できるデータが格納されていれば、例えば、ＭＤ、ＤＶＤなど他の媒体でもよい。

また、上記の実施形態では、再生対象のコンテンツを楽曲に限って説明したが、これに限られない。媒体に格納される際に、上記のＴＯＣデータにあたるような、媒体に格納されている個々のコンテンツを特定するデータと個々のコンテンツの開始アドレスとが対応付けて格納されているテーブルを有するものであれば、例えば、動画、静止画、コンピュータプログラムなどでもよい。

図１は、本実施形態の再生装置のハードウエア構成図である。 図２は、本実施形態の再生装置の機能構成図である。 図３は、本実施形態のＴＯＣテーブル構成の一例を示す図である。 図４は、本実施形態の認識辞書のデータ構成の一例を示す図である。 図５は、本実施形態の音声認識による再生処理の処理フローである。

符号の説明

１１０・・・媒体検出部、１２０・・・ＴＯＣ読取部、１３０・・・再生処理部１３０、１４０・・・辞書登録部、１５０・・・音声認識処理部、１２１・・・ＴＯＣテーブル、１３１・・・変換テーブル、１４１・・・認識辞書

Claims (5)

1. １以上のコンテンツが記録された記憶媒体から、指示されたコンテンツを再生する再生装置であって、
   前記記憶媒体は、コンテンツごとにコンテンツを特定する情報と当該コンテンツの前記記憶媒体内の開始アドレスとを対応付けて記憶する開始アドレス記憶部を備え、
   前記再生装置は、
   音声の入力を受け付ける音声入力手段と、
   前記音声入力手段で受け付けた音声に音声認識処理を施す音声認識処理手段と、
   前記記憶媒体に記録されている全ての前記コンテンツを特定する情報を読出し、読み出した前記コンテンツを特定する情報が登録された認識辞書を生成する辞書生成手段と、
   前記音声認識処理手段において得られた結果と前記認識辞書とを比較し、最も整合性の高いものを、前記認識辞書に登録されている前記コンテンツを特定する情報の中から抽出する照合手段と、
   前記照合手段で抽出された前記コンテンツを特定する情報によって特定されるコンテンツの再生を行う再生手段と
   を備えることを特徴とする再生装置。
2. 請求項１記載の再生装置であって、
   前記音声認識処理手段は、前記音声認識処理により、前記受け付けた音声を予め定められた形式に変換し、
   前記辞書生成手段は、前記読み出したコンテンツを特定する情報を、それぞれ、前記音声認識処理手段において変換される前記予め定められた形式のデータに変換して登録することにより前記認識辞書を生成すること
   を特徴とする再生装置。
3. 請求項１または２記載の再生装置であって、
   記憶媒体が装着されているか否かを検出する記憶媒体装着検出手段と、
   前記記憶媒体装着検出手段において、記憶媒体が装着されていない状態となったことが検出された場合、前記認識辞書を削除する認識辞書削除手段とを
   さらに備えることを特徴とする再生装置。
4. 請求項１、２、または、３記載の再生装置であって、
   前記コンテンツは楽曲であって、
   前記コンテンツを特定する情報は、楽曲の曲名であること
   を特徴とする再生装置。
5. １以上のコンテンツが記録された記憶媒体であって、前記コンテンツごとにそれぞれのコンテンツを特定する情報を記憶する領域を有する記憶媒体から、コンテンツを再生する再生方法であって、
   前記記憶媒体が装着されたことを検知する記憶媒体装着検知ステップと、
   前記検知ステップにおいて、装着されたことが検知された場合、前記記憶媒体から、当該記憶媒体に格納されている全てのコンテンツの前記コンテンツを特定する情報を読み出す索引情報読出ステップと、
   前記索引情報読出しステップにおいて読み出した前記コンテンツを特定する情報を登録することにより認識辞書を生成する認識辞書生成ステップと、
   音声の入力を受け付けると、受け付けた音声に音声認識処理を施して得られた結果と前記認識辞書とを比較し、最も整合性の高いものを、前記認識辞書に登録されている前記コンテンツを特定する情報から抽出し、当該抽出した前記コンテンツを特定する情報によって特定されるコンテンツを再生する再生ステップと
   を備えることを特徴とする再生方法。