JP2005284880A - 音声認識サービスシステム - Google Patents

Abstract

【課題】 音声入力による文字の認識結果を自由に修正でき、これにより精度の高い認識結果を得ることのできる音声認識サービスシステムを提供する。
【解決手段】 端末装置１０から通信回線を介して入力された音声を音声認識処理し、当該認識結果を携帯端末に送信する音声認識サービスセンタ３０のサービス管理サーバ３１が、認識結果を、ウェブ画面であって、端末装置１０から認識結果の修正を可能とするエディットボックスとしての機能を有する認識結果確認画面２２によって端末装置１０に表示させる。
【選択図】 図１

Description

本発明は、通信ネットワーク網を介して端末装置から入力された音声を音声認識し、その認識結果を利用したサービスを提供する音声認識サービスシステムに関し、特に、認識結果の修正とその利用を簡単に行うことを可能とした音声認識サービスシステムに関する。

従来の通信ネットワーク網を介して端末装置から入力された音声を音声認識するシステムの一例が、例えば特開２００３−４６６５２号公報（特許文献１）に記載されている。

図６、図７に示すように、この従来のシステムは、携帯端末５１と、パケット通信・音声通話接続センタ５２と、音声認識・文字変換サービスセンタ５３とで構成され、音声認識・文字変換サービスセンタ５３が、音声認識・文字変換サーバ５３１と、ウェブ言語生成サーバ５３２と、ｗｗｗサーバ５３３と、音声通話回線網５４と、インターネットプロバイダ５５とから構成されている。

このような構成を有する従来のシステムの動作を図４のフローチャートを参照して簡単に説明する。

すなわち、携帯端末５１のユーザは携帯端末５１側で文字入力が必要となったときに音声入力による接続要求を行う（ステップ５０１）。

音声接続が確立すると、音声認識・文字変換サービスセンタ５３は音声情報入力サービスを開始する（ステップ６０１）。

音声認識・文字変換サービスセンタ５３の自動応答によるアナウンスに従って、ユーザは作成したい文章を、音声入力し（ステップ５０２）、音声認識・文字変換サービスセンタ５３は、携帯端末５１から音声情報を受信する（ステップ６０２）。ユーザは音声入力が終了したら、所定のボタン押下により入力終了信号を発信し、音声入力接続が完了する（ステップ５０３）。

音声認識・文字変換サービスセンタ５３は、携帯端末１から音声情報を受信したら（ステップ６０２）、音声認識、文字変換処理（文字種変換処理も含む）を行う（ステップ６０３）。

音声認識・文字変換サービスセンタ５３は、音声認識、文字変換処理が終わった後、ウェブ記述言語を用いて、文字情報を作成し（ステップ６０４）、その文字情報をｗｗｗサーバ５３３に送信し、ユーザの携帯端末５１に対して、回答を参照するためのＵＲＬを送信する（ステップ６０５）。

ユーザが音声入力情報終了のアクションを起こすと、音声入力接続は終了し（ステップ５０３）、自動的にパケット通信接続が発生する（ステップ５０４）。ユーザはパケット通信接続で上記ＵＲＬにアクセスし、変換された文字情報を参照する（ステップ５０５）。

また、ユーザは、変換された文字情報を適宜選択してダウンロードし、文字情報を得る。この文字情報は、携帯端末５１内部で編集可能であり、必要ならば、適宜修正して、電子メールの送信や、各種情報の入力や書き込みに使用する。携帯端末５１における文字情報の修正は、図５に示すように、認識された文字に対する幾つかの選択候補からユーザが選択する方法で行うようになっている。
特開２００３−４６６５２号公報 特開２００１−１４２４８８号公報

上述した従来の通信ネットワーク網を介して端末装置から入力された音声を音声認識するシステムには次のような問題点があった。

第１に、上記のように音声認識・文字変換サーバで音声認識、文字変換処理された文字情報を携帯端末で修正する場合、サーバから送られる選択候補から選択する形式であり自由に修正できないため、必ずしも正確な認識結果が得られないという欠点があった。

第２に、認識結果を利用するサービスへの手続が、例えばボタンのクリック等の簡単な操作で行えない欠点があった。このため、例えばメール作成で認識結果を利用するためには、電子メールソフトウェアを起動し、コピー＆ペースト作業などでその認識結果をメール作成に利用するしかかなった。

第３に、認識結果を後段の他のサービス、特に文章解析を伴う日英／英日翻訳などの翻訳サービスで使用する場合、正確な認識結果が得られないことから品質の高いサービスを得られないという問題点もあった。

本発明の目的は、音声入力による文字の認識結果を自由に修正でき、これにより精度の高い認識結果を得ることのできる音声認識サービスシステムを提供することにある。

本発明の他の目的は、認識結果を利用するサービスへの手続が、例えばボタンのクリック等の簡単な操作で行うことができる音声認識サービスシステムを提供することにある。

本発明のさらに他の目的は、正確な認識結果が得られることで、認識結果を利用する後段のサービスの品質の向上を図ることのできる音声認識サービスシステムを提供することにある。

上記目的を達成する本発明は、端末装置から通信回線を介して入力された音声を音声認識処理し、当該認識結果を前記携帯端末に送信する音声認識サービスシステムであって、前記認識結果を、ウェブ画面であって、前記端末装置から前記認識結果の修正を可能とするエディットボックスとしての機能を有する認識結果確認画面によって前記端末装置に表示させることを特徴とする。

請求項２の本発明の音声認識サービスシステムは、前記認識結果を利用したサービスを提供するコンテンツサーバを備え、前記端末装置に前記認識結果確認画面と共に表示される確認ボタンがクリックされることで、前記認識結果を前記コンテンツサーバに自動的に送信することを特徴とする。

請求項３の本発明の音声認識サービスシステムは、前記音声認識処理の完了通知を、前記認識結果確認画面のウェブページのＵＲＬと共に、前記端末装置に通知することを特徴とする。

請求項４の本発明の音声認識サービスシステムは、前記確認ボタンに、前記コンテンツサーバのＣＧＩプログラムへのＵＲＬを関連付け、前記確認ボタンのクリックにより前記認識結果が前記コンテンツサーバへ送信されることを特徴とする。

請求項５の本発明の音声認識サービスシステムは、入力された音声の音声認識処理を行う音声認識サーバと、前記端末装置からの音声の受信、前記音声認識処理の完了通知と前記認識結果確認画面のウェブページのＵＲＬの前記端末装置への通知を行うサービス管理サーバと、前記端末装置から送られる認識結果を利用したサービスを提供するコンテンツサーバとを備えることを特徴とする。

請求項６の本発明の音声認識サービスシステムは、前記コンテンツサーバが、前記認識結果であるテキストを異なる言語に翻訳し、翻訳結果を前記端末装置に提供する翻訳サーバ又は前記認識結果を利用したメール作成のサービスを行うメールサーバであることを特徴とする。

請求項７の本発明のサービス管理サーバは、端末装置から通信回線を介して入力された音声を音声認識サーバによって音声認識処理し、当該認識結果を前記携帯端末に送信する音声認識サービスシステムにおけるサービス管理サーバであって、音声認識サーバによって得られた前記認識結果を、ウェブ画面であって、前記端末装置から前記認識結果の修正を可能とするエディットボックスとしての機能を有する認識結果確認画面によって前記端末装置に表示させることを特徴とする。

請求項８の本発明のサービス管理サーバは、前記音声認識処理の完了通知を、前記認識結果確認画面のウェブページのＵＲＬと共に、前記端末装置に通知することを特徴とする。

請求項９の本発明のサービス管理サーバは、前記認識結果確認画面と共に、前記認識結果を利用したサービスを提供するコンテンツサーバのＣＧＩプログラムへのＵＲＬを関連付けた確認ボタンを、前記端末装置に表示させることを特徴とする。

本発明の音声認識サービスシステムによれば、以下に述べるような効果が達成される。

第１に、音声入力による文字の認識結果を自由に修正でき、これにより精度の高い認識結果を得ることができるようになる。

第２に、認識結果を利用するサービスへの手続が、例えばボタンのクリック等の簡単な操作で行うことができるようになる。このため、例えばメール作成で認識結果を利用するために、電子メールソフトウェアを起動したり、コピー＆ペースト作業などでその認識結果をメール作成に利用するといった手間が必要なくなる。

第３に、正確な認識結果が得られることで、認識結果を利用する後段のサービスの品質の向上を図ることのできる。例えば、特に文章解析を伴う日英／英日翻訳などの翻訳サービスで使用する場合、正確な認識結果が得られることで、正確な翻訳結果が得られるようになる。

以下、本発明の好適な実施例について図面を参照して詳細に説明する。図１は本発明の第１の実施例による音声認識サービスシステムの全体構成図である。

図１において、本実施例による音声認識サービスシステムは、ユーザの端末装置１０と、パケット網等の通信ネットワーク網２０を介して端末装置１０と接続される音声認識サービスセンタ３０からなり、この音声認識サービスセンタ３０には、サービス管理サーバ３１、音声認識サーバ３２及びコンテンツサーバ３３が備えられている。

ここでは、コンテンツサーバ３３としては、例えば、オンラインによる日英／英日等の翻訳サービスを提供するサーバ等が考えられる。これは、本発明によれば、翻訳処理のような正確な文の入力を要求する処理においてより効果が得られるためである。

図１の端末装置１０としては、図示のように、携帯電話機１１、ＰＤＡ等の携帯端末１２、ノートパソコン１３が利用される。

図２は、端末装置１０が携帯電話機１１の場合の例を示す図であり、操作ボタン２４を有する携帯電話機１１の表示画面２１に、結果確認ボタン２３を有する認識結果確認画面２２が表示されている状態を示している。

本音声認識サービスシステムを利用するユーザは、図１の端末装置１０から音声を入力すると、入力された音声が端末装置１０でパケット化され、通信ネットワーク網２０を通して、音声認識サービスセンタ３０のサービス管理サーバ３１で受信される。

サービス管理サーバ３１は、音声パケットを音声認識サーバ３２に転送し、音声認識サーバ３２による音声認識が実行される。この音声認識サーバ３２については、例えば特開２００１−１４２４８８号公報（特許文献２）に開示される音声認識処理を行うサーバを利用することができる。

認識結果が確定すると、音声認識サーバ３２は、認識結果をサービス管理サーバ３１に通知する。

サービス管理サーバ３１は、音声パケットの送受信を行うパケット網Ｉ／Ｆとしての機能ならびにウェブサーバ（ＷＷＷサーバ）として機能を備えており、端末装置１０に認識結果の完了と認識結果を公開するウェブページの場所（ＵＲＬ）を通知する。

ユーザは、端末装置１０から通知されたウェブページにアクセスすることにより、認識結果を受信する。この認識結果は、ウェブサーバから提供されるウェブ画面によって提供され、そのウェブ画面が図２に示す認識結果確認画面２２の様に端末装置１０に表示される。また、この認識結果確認画面２２は、編集可能なエディットボックスとして機能する。

認識結果に問題が無ければ、表示画面２１の認識結果確認ボタン２３を押し、認識結果に一部間違いがあれば、携帯電話機１１の操作ボタン２４を操作することで表示された認識結果を手入力で修正し、修正後に認識結果確認ボタン２３を押す。

認識結果確認ボタン２３には、コンテンツサーバ３３（例えば、日英／英日翻訳サーバ）へのハイパーリンクが設定されており、認識結果確認ボタン２３を押下することで（ワンクリックで）、初期値として表示された認識結果又は修正結果が、コンテンツサーバ３３（例えば、日英／英日翻訳サーバ）に送信され処理される。

サービス管理サーバ３１が管理するウェブページから端末装置１０に提供する表示画面２１を作成するときに、認識結果確認ボタン２３にコンテンツサーバ３３へのＣＧＩプログラムと起動パラメータが関連付けられ、ハイパーリンクが設定されていることで、上記ような処理が実現される。

このようにして、通信ネットワーク網２０を用いたオンラインによる正しい音声認識結果が得られると共に、その結果をコンテンツサーバ３３に簡単な操作で送信してコンテンツサーバ３３によるサービスを利用することが可能になる。

次に、本実施例による音声認識サービスシステムの動作について、図３のフローチャートを参照して詳細に説明する。

音声入力が可能な場面（例えば、オンラインによる日英／英日翻訳のサービスを利用している場面等）で、ユーザは端末装置１０から音声認識サービスセンタ３０に音声入力の接続要求を出す（ステップ３０１）。

端末装置１０からの接続要求を受けると、音声認識サービスセンタ３０のサービス管理サーバ３１では音声パケット待ち処理になり、端末装置１０に音声の入力を促す初期画面を送信する（ステップ４０１）。

端末装置１０側では、送信された初期画面に従って音声を入力して送信する（ステップ３０２）、パケットで送信された音声は音声認識サービスセンタ３０のサービス管理サーバ３１で受信され（ステップ４０２）、音声認識サーバ３２による音声認識処理がなされる（ステップ４０３）。

音声認識サービスセンタ３０の音声認識サーバ３２によって音声認識処理が実行されると、サービス管理サーバ３１にて、図２に示すような認識結果確認画面が作成され（ステップ４０４）、端末装置１０に対して認識結果が完了したことの通知（認識結果完了通知）と共に認識結果確認画面のＵＲＬが送信される（ステップ４０５）。

端末装置１０では認識結果完了通知を受信すると、送信された認識結果確認画面のＵＲＬにアクセスすることで（ステップ３０３）、認識結果確認画面の要求を行う。

端末装置１０から認識結果画面の要求を受けると、音声認識サービスセンタ３０のサービス管理サーバ３１では、レスポンスとして要求された認識結果確認画面をＷＷＷ形式で当該端末装置１０に返送する（ステップ４０６）。

ユーザは、端末装置１０で、表示画面２１に認識結果確認画面２２を表示し（ステップ３０４）、その認識結果が正しければ、認識結果確認ボタン２３をクリックする（ステップ３０６）。また、その認識結果が誤っていれば修正を行い（ステップ３０５）、その後、認識結果確認ボタン２３をクリックする（ステップ３０６）。

携帯端末１０による認識結果の修正については、携帯端末１０が例えば、携帯電話機１１であれば、その操作ボタン２４を操作することで表示された認識結果を手入力で修正することができる。

端末装置１０に認識結果確認画面２２と共に表示される認識結果確認ボタン２３は、音声認識サービスセンタ３０のコンテンツサーバ３３へのＣＧＩプログラムへのＵＲＬが関連付けられており（リンクされており）、認識結果確認ボタン２３のクリックで、確認後の認識結果（テキスト）がコンテンツサーバ３３へと送信され、コンテンツサーバ３３で受信される（ステップ４０７）。

本実施例のコンテンツサーバ３３は、コンテンツとしてテキスト翻訳サービスを行う機能を有しており、コンテンツサーバ３３は、受信したテキストを元に、テキストベースの翻訳処理を行い、その翻訳結果をＷＷＷ形式で端末装置１０へ返送する（ステップ４０８）。端末装置１０では、コンテンツサーバ３３から送信されたＷＷＷ形式の翻訳結果を取得する（ステップ３０７）。

以上により、端末装置１０のユーザは、音声認識サービスセンタ３０の提供する音声入力による音声認識処理のサービスとその認識結果による翻訳サービスを利用することができるものである。

上記説明した本実施例によれば、音声認識サーバ３１による認識結果を、端末装置で簡単に修正することができるため、精度の高い認識結果が得られる。また、認識結果の精度が高まったことによって、認識結果を利用する後段のサービスの品質も精度が向上する。例えば、特に正確な入力を期待される音声入力による翻訳サービスの分野に適用すれば、正確な認識結果を入力することで、正確な翻訳結果が得られることが期待される。

上記実施例では、音声認識サービスセンタ３０のコンテンツサーバ３３が、オンラインによる日英／英日等の翻訳サービスを提供する翻訳サーバである場合について説明したが、その他コンテンツサーバ３３がメールのサービスを提供するメールサーバ、音声合成サービスを提供する音声合成サーバである場合等が考えられる。例えば、メールサーバである場合、音声認識サーバ３１で認識され、端末装置１０で確認されたテキストをメール作成に利用することができる。すなわち、音声入力によってメールの作成が可能となる。

また、上記実施例では、図２に示すように文認識について説明したが、単語を音声入力して認識する場合にも適用できるのは言うまでもない。

以上、好ましい実施例をあげて本発明を説明したが、本発明は必ずしも上記実施例に限定されるものではない。本発明の要旨を逸脱しない範囲内において種々の変形が可能であることは言うまでもない。

本発明の好適な実施例による音声認識サービスシステムの全体構成図である。 本発明の好適な実施例による音声認識サービスシステムにおける携帯電話機に表示される表示画面の例を図である。 本実施例による音声認識サービスシステムの動作を説明するフローチャートである。 従来の通信ネットワーク網を介して音声を音声認識するシステムの動作を説明するフローチャートである。 図４に示す従来のシステムにおける携帯端末に表示される文字情報の例を示す図である。 従来の通信ネットワーク網を介して音声を音声認識するシステムの全体構成を示す図である。 従来の通信ネットワーク網を介して音声を音声認識するシステムの音声認識・文字変換サービスの構成を示す図である。

符号の説明

１０：端末装置
２０：通信ネットワーク網
３０：音声認識サービスセンタ
３１：サービス管理サーバ
３２：音声認識サーバ
３３：コンテンツサーバ
２１：表示画面
２２：認識結果確認画面
２３：認識結果確認ボタン

Claims (9)

1. 端末装置から通信回線を介して入力された音声を音声認識処理し、当該認識結果を前記携帯端末に送信する音声認識サービスシステムであって、
   前記認識結果を、ウェブ画面であって、前記端末装置から前記認識結果の修正を可能とするエディットボックスとしての機能を有する認識結果確認画面によって前記端末装置に表示させることを特徴とする音声認識サービスシステム。
2. 前記認識結果を利用したサービスを提供するコンテンツサーバを備え、前記端末装置に前記認識結果確認画面と共に表示される確認ボタンがクリックされることで、前記認識結果を前記コンテンツサーバに自動的に送信することを特徴とする請求項１に記載の音声認識サービスシステム。
3. 前記音声認識処理の完了通知を、前記認識結果確認画面のウェブページのＵＲＬと共に、前記端末装置に通知することを特徴とする請求項１又は２に記載の音声認識サービスシステム。
4. 前記確認ボタンに、前記コンテンツサーバのＣＧＩプログラムへのＵＲＬを関連付け、前記確認ボタンのクリックにより前記認識結果が前記コンテンツサーバへ送信されることを特徴とする請求項２に記載の音声認識サービスシステム。
5. 入力された音声の音声認識処理を行う音声認識サーバと、
   前記端末装置からの音声の受信、前記音声認識処理の完了通知と前記認識結果確認画面のウェブページのＵＲＬの前記端末装置への通知を行うサービス管理サーバと、
   前記端末装置から送られる認識結果を利用したサービスを提供するコンテンツサーバとを備えることを特徴とする請求項１に記載の音声認識サービスシステム。
6. 前記コンテンツサーバが、前記認識結果であるテキストを異なる言語に翻訳し、翻訳結果を前記端末装置に提供する翻訳サーバ又は前記認識結果を利用したメール作成のサービスを行うメールサーバであることを特徴とする請求項２から請求項５の何れか一項に記載の音声認識サービスシステム。
7. 端末装置から通信回線を介して入力された音声を音声認識サーバによって音声認識処理し、当該認識結果を前記携帯端末に送信する音声認識サービスシステムにおけるサービス管理サーバであって、
   音声認識サーバによって得られた前記認識結果を、ウェブ画面であって、前記端末装置から前記認識結果の修正を可能とするエディットボックスとしての機能を有する認識結果確認画面によって前記端末装置に表示させることを特徴とするサービス管理サーバ。
8. 前記音声認識処理の完了通知を、前記認識結果確認画面のウェブページのＵＲＬと共に、前記端末装置に通知することを特徴とする請求項７に記載のサービス管理サーバ。
9. 前記認識結果確認画面と共に、前記認識結果を利用したサービスを提供するコンテンツサーバのＣＧＩプログラムへのＵＲＬを関連付けた確認ボタンを、前記端末装置に表示させることを特徴とする請求項７又は請求項８に記載のサービス管理サーバ。

Images