JP2006023444A - 音声対話装置 - Google Patents

Abstract

【課題】 発話者の要求が特定できないときは、発話者の要求を推定して処理を続行すること。
【解決手段】 発話者によって入力された音声信号からキーワードを抽出し（ステップＳ５０）、抽出したキーワードから発話者の要求を特定する（ステップＳ６０）。このとき、発話者の要求を特定できない場合には、抽出したキーワードに基づいて発話者の要求を推定する（ステップＳ８０）。その後、推定した発話者の要求を一意に特定するために必要な発話者の応答が得られるように、ガイダンス音声を生成して出力し（ステップＳ９０）、当該ガイダンスに対する発話者の応答内容に基づいて、推定した発話者の要求を一意に特定する（ステップＳ６０）。
【選択図】 図３

Description

本発明は、発話者に対して発話を要求し、発話者による発話内容に基づいて処理を実行する音声対話装置に関する。

発話者による発話内容からあらかじめ登録されたキーワードを抽出し、抽出したキーワードから発話者の要求を一意に特定して処理を実行する要求推定装置が特許文献１によって知られている。

特開２０００−２００９０号公報

しかしながら、従来の要求推定装置においては、発話者による発話内容に含まれるキーワードの一部が抽出できない場合や、キーワードを誤認識した場合には発話者の要求を一意に特定できず、処理を続行できないという問題が生じていた。

請求項１に記載の発明は、発話者に対して発話を促すガイダンスを出力し、発話者によって音声入力手段を介して入力された音声信号を認識する音声対話装置において、発話者によって入力された音声信号からキーワードを抽出するキーワード抽出手段と、キーワード抽出手段で抽出したキーワードから発話者の要求を一意に特定する要求特定手段と、要求特定手段によって発話者の要求を一意に特定できない場合には、キーワード抽出手段で抽出されたキーワードに基づいて、少なくとも１つの発話者の要求を推定する要求推定手段と、要求推定手段で推定した少なくとも１つの発話者の要求を一意に特定するために必要な発話者の応答が得られるように、ガイダンスを生成するガイダンス生成手段とを備え、要求特定手段は、ガイダンス生成手段で生成されたガイダンスに対する発話者の応答内容に基づいて、要求推定手段で推定した少なくとも１つの発話者の要求を一意に特定することを特徴とする。

本発明によれば、発話者の発話内容から抽出したキーワードから、発話者の要求が一意に特定できない場合には、抽出したキーワードに基づいて発話者の要求を推定することとした。これによって、キーワードの一部が抽出できない場合や、キーワードを誤認識した場合でも、処理を続行することができる。

図１は、本発明における音声対話装置の一実施の形態を示し、音声対話装置をカーナビゲーション装置に適用した場合のブロック図である。運転者（発話者）が発話したナビゲーション装置２００に対する操作要求は音声対話装置１００で発話内容の中に含まれるキーワードが抽出され音声認識される。そして、抽出されたキーワードに基づいて発話者の要求を特定し、特定された発話者の要求はナビゲーション装置２００に対する操作コマンドに変換され、ナビゲーション装置２００へ出力される。ナビゲーション装置２００は、音声対話装置１００から出力された操作コマンドにしたがって処理を実行する。

音声入力装置１００は、運転者の発話を入力するマイク１０１と、音声入力の開始、中断、再開、およびキャンセルを指示するための音声入力操作スイッチ１０２と、音声認識実行時の待ち受けキーワードを格納するキーワード辞書１０３と、発話者に音声入力を促すガイダンス音声やビープ音、およびナビゲーション装置２００から出力される経路誘導の音声ガイダンスを出力するスピーカー１０４と、発話者に音声入力を促すガイダンス画像、音声認識結果、およびナビゲーション装置２００から出力される地図情報や誘導経路情報を表示するモニタ１０５と、制御装置１０６と、音声認識結果をナビゲーション装置２００の操作コマンドへ変換するための変換用データを格納する操作コマンド変換データベース１０７とを備えている。

マイク１０１は車両のルームミラー近傍、あるいはステアリングコラム等、ドライバーの口元に接近した位置に設置される。音声入力操作スイッチ１０２は車両のステアリングホイール等に設置される。制御装置１０６は、発話者の発話内容とキーワード辞書１０３に格納された待ち受けキーワードと照合して、最も一致度の高い少なくとも１つのキーワードを抽出する。すなわち、入力された音声情報とキーワード辞書１０３に格納された待ち受けキーワードの音声情報とをマッチング処理して音声認識を行い、その一致度が最も高いキーワードを音声認識結果として抽出する。

キーワード辞書１０３には、待ち受けキーワードの音声情報がその文法情報とともに格納されている。図２は、キーワード辞書１０３に待ち受けキーワードの音声情報がその文法情報とともに格納されている具体例を示す図であり、発話者が発話する可能性のある待ち受けキーワードが、その発話する可能性のある語順に格納されている例をモデル化して表した図である。図２においては、符号２ｂ〜２ｄで示す「（ ）」内に待ち受けキーワードが格納されており、符号２ｂ〜２ｄの順で発話者が発話する可能性のある語順に並んでいる。なお、符号２ｂ〜２ｄで示す各キーワード群は省略が可能である。また、符号２ａで示す「＊」は、使用者による任意の発話を示しており、どのような言葉も当てはめることができる。

これによって、例えば発話者が「えーと、登録した所まで行きたいんだけど」と発話した場合、制御装置１０６は、待ち受けキーワード群２ｂから「登録」、待ち受けキーワード群２ｃから「所」、待ち受けキーワード群２ｄから「行きたい」の各待ち受けキーワードを音声認識して、上記各キーワードを抽出することができる。また、発話者が「江ノ島を探して」と発話した場合には、待ち受けキーワード群２ｂは省略され、待ち受けキーワード群２ｃから「江ノ島」、待ち受けキーワード群２ｄから「探す」の各待ち受けキーワードを音声認識して、上記各キーワードを抽出する。同様に発話者が「あのー、会社まで」と発話した場合には、待ち受けキーワード群２ｂは省略され、待ち受けキーワード群２ｃから「会社」、待ち受けキーワード群２ｄから「まで」が抽出される。

制御装置１０６は、抽出したキーワードをキーとして操作コマンド変換データベース１０７を参照し、ナビゲーション装置２００へ出力する操作コマンドを決定する。例えば、上述したようにキーワードとして「登録」、「所」、「行きたい」が抽出された場合には、これらをキーとして操作コマンド変換データベース１０７を検索し、これに該当するナビゲーション装置２００用の操作コマンド、例えば「登録地を目的地として設定する」を決定する。

決定したコマンドはナビゲーション装置２００へ出力される。そして、ナビゲーション装置２００は、入力された操作コマンドにしたがって処理を行う。例えば、上述したように操作コマンドとして「登録地を目的地として設定する」が入力された場合には、発話者が目的地として設定したい登録地名の発話を促すガイダンス、例えば「登録地名をどうぞ」をスピーカー１０４を介して出力して、その応答結果によって決定された操作コマンドにしたがってさらに処理を実行する。

また、発話者の発話速度が速すぎる場合や、周囲の雑音が大きい場合など、音声認識環境が悪い場合には、音声認識が正常になされず、上述した「登録」、「所」、および「行きたい」のうち、一部のキーワードが正常に抽出できない場合がある。このような場合には、発話者の要求を特定することはできないため、正常に抽出できたキーワードのみを用いて所定のアルゴリズムにより発話者の要求を推定する。以下、音声認識の際に、一部のキーワードが正しく抽出できなかった場合の処理について説明する。

例えば、発話者が「えーと、登録した所まで行きたいんだけど」と発話した場合、全てのキーワードが正常に音声認識されて抽出された場合には、上述したように待ち受けキーワード群２ｂから「登録」、待ち受けキーワード群２ｃから「所」、待ち受けキーワード群２ｄから「行きたい」の各キーワードが抽出される。

これに対して、もし待ち受けキーワード群２ｃの「所」、および待ち受けキーワード群２ｄの「行きたい」が正常に抽出されず、待ち受けキーワード群２ｂから「登録」のみが抽出された場合、制御装置１０６は、次のように発話者の要求を推定する。キーワードとして「登録」のみが抽出された場合、「登録」をキーとして操作コマンド変換データベース１０７を検索し、これに該当する全てのナビゲーション装置２００用の操作コマンドを抽出する。そして、発話者の要求は抽出された操作コマンドのいずれかを実行するためのものであると推定する。例えば操作コマンドとして「登録地の地図を見る」と「登録地に行く」とが抽出された場合には、発話者はこれらの操作コマンドにより実行される処理のいずれかを要求したものと推定する。

そして、これらのうちいずれを要求したかを確認するために、いずれかの操作コマンドによる処理の実行可否を確認するためのガイダンス音声をあらかじめ設定された生成ルールにしたがって生成し、スピーカー１０４、およびモニタ１０５を介して出力する。ここでは、例えば抽出した操作コマンドのうち「登録地へ行く」による処理の実行可否を確認するためのガイダンス「登録地に行きますか？」を生成して出力する。そして、このガイダンスに対する発話者の応答内容から、発話者の要求を特定する。

例えば、「登録地に行きますか？」のガイダンスに対して、発話者が「はい」で応答した場合には、発話者の要求は「登録地へ行く」であったと判断する。そして、「登録地へ行く」を操作コマンドとしてナビゲーション装置２００へ出力する。ナビゲーション装置２００は、発話者が行きたい登録地名の発話を促すガイダンス、例えば「登録地名をどうぞ」をスピーカー１０４を介して出力して、発話者が発話した登録地までの経路探索を実行する。

これに対して、発話者が「いいえ」で応答した場合には、発話者の要求は「登録地へ行く」ではなく、キーワードに「登録」を含むもう一方の操作コマンド、すなわち「登録地の地図を見る」であったと判断する。そして、「登録地の地図を見る」を操作コマンドとしてナビゲーション装置２００へ出力する。ナビゲーション装置２００は、発話者が地図を見たい登録地名の発話を促すガイダンス、例えば「登録地名をどうぞ」をスピーカー１０４を介して出力して、発話者が発話した登録地周辺の地図をモニタ１０５に表示する。

また、発話者が「えーと、登録した所まで行きたいんだけど」と発話した場合に、キーワードとして「行きたい」のみが抽出された場合も、以下に説明するように発話者の要求を推定する。キーワードとして「行きたい」のみが抽出された場合も上述したように「行きたい」をキーとして操作コマンド変換データベース１０７を検索し、これに該当する全てのナビゲーション装置２００用の操作コマンドを抽出する。そして、発話者の要求は抽出された操作コマンドのいずれかを実行するためのものであると推定する。

このとき、操作コマンドとして例えば「登録地を目的地に設定する」、「自宅を目的地に設定する」、および「目的地設定」が抽出された場合には、発話者は「目的地設定」に関する処理を要求したと推定される。したがって、制御装置１０６は、発話者に対して目的地の検索方法を問いかけるガイダンス、例えば「目的地をどうやって探しますか？」を出力して、発話者の発話を促す。その後、発話者によって「登録地から探す」のような応答を得ることによって、発話者の要求は「登録地を目的地に設定する」であると特定し、特定した発話者の要求に該当する操作コマンドをナビゲーション装置２００へ出力する。

以上説明したように、発話者の発話内容を音声認識した結果、一部のキーワードが正常に抽出されなかった場合でも、抽出されたキーワードから発話者の要求を推定して、内容を確認するガイダンスを出力し、ガイダンスに対する発話者の応答内容に基づいて発話者の要求を特定することができる。よって、再度発話者に同じ内容を発話させることなく、抽出できた一部のキーワードと、その後のガイダンスに対する発話者の応答内容に基づいて、発話者の要求を絞り込んでいくことができ、発話者にとって煩わしい音声入力となることを防ぐことができる。

以上説明した処理の流れを、図３に示すフローチャートにしたがって詳細に説明する。図３は音声入力によりナビゲーション装置２００を操作する処理のフローチャートである。図３に示す処理は、不図示のイグニションスイッチがオンされると起動するプログラムとして実行される。ステップＳ１０において、運転者によって音声入力操作スイッチ１０２が押下されたか否かを判断する。運転者によって音声入力操作スイッチ１０２が押下されたと判断した場合、ステップＳ２０へ進む。

ステップＳ２０で、スピーカー１０４、およびモニタ１０５を介して、運転者に対して発話を促すガイダンスを出力してステップＳ３０へ進み、音声待ち受け状態となる。その後、ステップＳ４０へ進み、発話者によってマイク１０１を介して音声入力されたか否かを判断する。音声入力されたと判断した場合には、ステップＳ５０へ進む。ステップＳ５０では、発話者によって入力された発話内容を上述したようにキーワード辞書１０３を参照して音声認識し、キーワードを抽出する。その後、ステップＳ６０へ進む。

ステップＳ６０では、抽出したキーワードをキーとして操作コマンド変換データベース１０７を参照して操作コマンドを抽出する。すなわち発話者の要求を特定する。その後、ステップＳ７０へ進み、発話者の要求が一意に特定されたか否かを判断する。発話者の要求が一意に特定されないと判断した場合には、ステップＳ８０へ進む。ステップＳ８０では、発話者の発話内容に含まれる一部のキーワードが正常に抽出できなかった場合には、上述したステップＳ６０において、正常に抽出できたキーワードのみをキーとして操作コマンド変換データベース１０７を参照して操作コマンドを抽出されているため、この抽出結果を用いて発話者の要求を推定する。その後、ステップＳ９０へ進む。

ステップＳ９０では、推定した発話者の要求に応じて発話者に発話を促すためのガイダンスを生成し、スピーカー１０４、およびモニタ１０５を介して出力し、ステップＳ１００へ進む。ステップＳ１００では音声入力待ち受け状態となる。その後、ステップＳ１１０へ進み、出力したガイダンスに対する発話者の応答があったか、すなわち発話者から音声入力されたか否かを判断する。発話者から音声入力されたと判断した場合には、ステップＳ１２０へ進む。

ステップＳ１２０では、入力された音声データとキーワード辞書１０３に格納されたキーワードの音声データとがマッチング処理され、最も一度の高いキーワードが音声認識結果として決定される。その後、ステップＳ６０へ戻り、音声認識結果に基づいて、発話者の要求を特定する。

これに対して、上述したステップＳ７０で発話者の要求が特定されたと判断した場合には、ステップＳ１３０へ進む。ステップＳ１３０では、発話者の要求に基づいて決定したナビゲーション装置２００用の操作コマンドをナビゲーション装置２００へ出力する。その後、ステップＳ１４０へ進み、出力した操作コマンドによってナビゲーション装置２００の処理が完了するか否かを判断する。ナビゲーション装置２００の処理が完了すると判断した場合には、処理を終了する。ナビゲーション装置２００の処理が完了しないと判断した場合には、ステップＳ１５０へ進む。

ナビゲーション装置２００の処理が完了しない場合には、ナビゲーション装置２００の処理が完了させるため、さらに運転者に対して発話を促す必要がある。よってステップＳ１５０では、特定した運転者の要求に応じたガイダンスを生成し、スピーカー１０４、およびモニタ１０５を介して出力する。その後、ステップＳ３０へ戻って音声入力待ち受け状態となり、出力したガイダンスに対する運転者の応答を待つ。その後、ナビゲーション装置２００の処理が完了するまで、上述した処理を繰り返す。

以上、本実施の形態によれば、以下のような作用効果が得られる。
（１）発話者の発話内容からキーワードを抽出して発話者の要求を特定することとした。これによって、発話話者が操作コマンドを覚えていなくても、発話内容にキーワードさえ含んでいれば、操作コマンドを特定することができるため、発話者は自由度の高い発話をすることができる。
（２）発話者の発話内容から全てのキーワードが抽出できない場合であっても、抽出した一部のキーワードに基づいて発話者の要求を推定して処理を続行することとした。これによって、発話者の発話速度が速すぎる場合や、周囲の雑音が大きい場合など、音声認識環境が悪い場合に音声認識が正常になされない場合であっても、音声認識の中断を防ぐことができ、さらに発話者に同じ発話を再度求めることを避けることができるため、発話者にとっての利便性を向上させることができる。
（３）発話者の発話内容から抽出した一部のキーワードに基づいて発話者の要求を推定する場合に、発話者に次の発話を促すためのガイダンス音声を推定した内容に応じて生成することとした。これによって、発話者の要求に応じた最適な対話を提供することができる。

上述した実施の形態では、本発明をカーナビゲーション装置に適用した例を示したが、これに限定されず、例えば、オーディオシステム等の音声によって操作可能なあらゆる装置に適用することが可能である。

特許請求の範囲の構成要素と実施の形態との対応関係について説明する。マイク１０１は音声入力手段に、制御装置１０６はキーワード抽出手段、要求特定手段、要求推定手段、およびガイダンス生成手段に相当する。なお、本発明の特徴的な機能を損なわない限り、本発明は、上述した実施の形態における構成に何ら限定されない。

本発明における音声対話装置の一実施の形態を示し、音声対話装置をカーナビゲーション装置に適用した場合のブロック図である。 キーワード辞書１０３に格納された待ち受けキーワードをモデル化して表した図である。 音声入力によりナビゲーション装置２００を操作する処理のフローチャート図である。

符号の説明

１００ 音声対話装置
１０１ マイク
１０２ 音声入力操作スイッチ
１０３ キーワード辞書
１０４ スピーカー
１０５ モニタ
１０６ 制御装置
１０７ 操作コマンド変換データベース
２００ ナビゲーション装置

Claims (2)

1. 発話者に対して発話を促すガイダンスを出力し、発話者によって音声入力手段を介して入力された音声信号を認識する音声対話装置において、
   発話者によって入力された音声信号からキーワードを抽出するキーワード抽出手段と、
   前記キーワード抽出手段で抽出したキーワードから発話者の要求を一意に特定する要求特定手段と、
   前記要求特定手段によって発話者の要求を一意に特定できない場合には、前記キーワード抽出手段で抽出されたキーワードに基づいて、少なくとも１つの発話者の要求を推定する要求推定手段と、
   前記要求推定手段で推定した少なくとも１つの発話者の要求を一意に特定するために必要な発話者の応答が得られるように、前記ガイダンスを生成するガイダンス生成手段とを備え、
   前記要求特定手段は、前記ガイダンス生成手段で生成されたガイダンスに対する発話者の応答内容に基づいて、前記要求推定手段で推定した少なくとも１つの発話者の要求を一意に特定することを特徴とする音声対話装置。
2. 請求項１に記載の音声対話装置において、
   前記ガイダンス生成手段は、前記キーワード抽出手段で抽出されたキーワードに応じて、生成する前記ガイダンスを変化させることを特徴とする音声対話装置。

Images