JP2006058390A - 音声認識装置 - Google Patents

Abstract

【課題】 電話番号入力時の音声認識率を向上させること。
【解決手段】 使用者によってマイク１０１を介して入力された発話内容の音声信号とメモリ１０３４ｂに読み込んだ言語モデルに含まれている各待受け単語との一致度演算を行って音声認識を行い、音声認識結果をスピーカー１０２を介して出力する。音声認識結果に誤認識が発生しており、使用者によって訂正スイッチ１０４ｂが押下された場合には、メモリ１０３４ｂに読み込まれている言語モデルの種類に基づいた訂正時用のガイダンス音声をスピーカー１０２を介して出力する。
【選択図】 図１

Description

本発明は、使用者によって発話された音声を認識する音声認識装置に関する。

電話番号の音声入力途中に直前までの音声認識結果を確認することができる音声ダイアル機能付き電話機が特許文献１によって知られている。

特開平１１−２０５４３０号公報

しかしながら、従来の装置においては、音声認識結果を確認した結果、誤認識が発生していた場合には、発話者は再発話を行って発話内容を訂正する必要があるが、口調を変えずに再発話した場合には、再度誤認識される可能性があった。

本発明は、音声入力手段を介して入力された「数字」、「地名」、または「市区町村名と市外局番とを連結した文字列」を音声認識して、市外局番を特定する音声認識装置において、第１の言語モデルである「数字」と、第２の言語モデルである「地名」および第３の言語モデルである「市区町村名と市外局番とを連結した文字列」のうち少なくともいずれか一方とを音声認識時の待ち受け単語として格納する待ち受け単語格納手段と、「地名」と市外局番とを対応付けて記憶する記憶手段と、音声認識手段を介して入力された音声信号と、格納手段に格納された待ち受け単語とをマッチング処理して音声認識する音声認識手段とを備え、音声入力手段を介して前記第１の言語モデルである「数字」で市外局番が入力された場合には、音声認識手段による音声認識結果に基づいて市外局番を特定し、音声入力手段を介して第２の言語モデルである「地名」が入力された場合には、音声認識手段で音声認識した「地名」に対応する市外局番を記憶手段から抽出して市外局番を特定し、音声入力手段を介して第３の言語モデルである「市区町村名と市外局番とを連結した文字列」が入力された場合には、音声認識手段で音声認識した「市区町村名と市外局番とを連結した文字列」の市外局番部を抽出して市外局番を特定することを特徴とする。
本発明はまた、音声入力手段を介して入力された「数字」、「地名」、または「市区町村名と市外局番とを連結した文字列」を音声認識して、市外局番を特定する音声認識装置において、第１の言語モデルである「数字」、第２の言語モデルである「地名」、および第３の言語モデルである「市区町村名と市外局番とを連結した文字列」のうちいずれか一つを音声認識時の待ち受け単語として切り替えて格納する待ち受け単語格納手段と、「地名」と市外局番とを対応付けて記憶する記憶手段と、音声認識手段を介して入力された音声信号と、格納手段に格納された待ち受け単語とをマッチング処理して音声認識する音声認識手段と、音声認識手段による音声認識結果に誤認識が生じた場合に、使用者が直前の発話内容の訂正を指示する訂正指示手段とを備え、待ち受け単語格納手段には、訂正指示手段によって直前の発話内容の訂正が指示されるまでは前記第１の言語モデルである「数字」のみを格納し、訂正指示手段によって直前の発話内容の訂正が指示された後は、第２の言語モデルである「地名」、および第３の言語モデルである「市区町村名と市外局番とを連結した文字列」のうち、あらかじめ設定されたいずれか一方を格納し、音声入力手段を介して第１の言語モデルである「数字」で市外局番が入力された場合には、音声認識手段による音声認識結果に基づいて市外局番を特定し、音声入力手段を介して第２の言語モデルである「地名」が入力された場合には、音声認識手段で音声認識した「地名」に対応する市外局番を記憶手段から抽出して市外局番を特定し、音声入力手段を介して第３の言語モデルである「市区町村名と市外局番とを連結した文字列」が入力された場合には、音声認識手段で音声認識した「市区町村名と市外局番とを連結した文字列」の市外局番部を抽出して市外局番を特定することを特徴とする。

本発明によれば、「数字」、「地名」、または「市区町村名と市外局番とを連結した文字列」によって発信先の市外局番を音声入力できるようにしたので、１回目の音声入力時に誤認識が発生した場合には、再発話時に異なる入力方法で市外局番を入力することができ、再発話時に誤認識が発生する可能性を低下させることができる。

―第１の実施の形態―
第１の実施の形態においては、本発明による音声認識装置をハンズフリー電話システムに搭載し、使用者の発話を音声認識した結果に基づいて発信先の電話番号を認識して、認識した電話番号へ発呼するよう携帯電話を制御する。このとき、使用者による市外局番の指定方法としては、（１）市外局番をそのまま発話する方法、例えば「ゼロヨンゴ」と発話する方法、（２）都道府県名と市区町村名を連結した文字列、または市区町村名（以下、「地名」）を発話する方法、例えば「神奈川県横浜市」や「横浜市」と発話する方法、（３）市区町村名と市外局番の連接を発話する方法、例えば「横浜ゼロヨンゴ」と発話する方法の３つの方法がある。

図１は、本実施の形態における音声認識装置をハンズフリー電話システムへ搭載した場合の一実施の形態の構成例を示すブロック図である。ハンズフリー電話システム１は、音声認識装置１００と携帯電話２００とが接続されて構成されている。音声認識装置１００は、使用者の発話音声を入力するマイク１０１と、音声を出力するスピーカー１０２と、制御装置１０３と、使用者によって操作される入力装置１０４と、メッセージや音声認識結果を表示するディスプレイ１０５とを備えている。

制御装置１０３は、図２により後述する信号処理ユニット１０３ａを備えており、マイク１０１を介して入力された発話内容を音声認識する。入力装置１０４は、使用者が音声入力の開始を指示するための発話スイッチ１０４ａと、後述する音声認識処理の結果、誤認識が発生した場合に直前の発話を訂正するために押下される訂正スイッチ１０４ｂとを備えている。携帯電話２００は、音声認識装置１００による音声認識結果に基づいて制御される。

図２は、信号処理ユニット１０３ａの構成例を示すブロック図である。信号処理ユニット１０３ａは、Ａ／Ｄコンバータ１０３１と、Ｄ／Ａコンバータ１０３２と、出力アンプ１０３３と、信号処理装置１０３４と、外部記憶装置１０３５とを有している。信号処理装置１０３４は、ＣＰＵ１０３４ａ、およびメモリ１０３４ｂを有している。外部記憶装置１０３５には、使用者に対して出力するガイダンス音声データ、音声認識時の待ち受け単語、および地名と各地名に対応する市外局番との対が格納されている。

使用者によって発話スイッチ１０４ａが押下されて発話開始が指示されると、信号処理装置１０３４は、音声入力を促すメッセージを使用者に知らせる為に、外部記憶装置１０３５からガイダンス音声データを読み込んで、Ｄ／Ａコンバータ１０３２でアナログ信号に変換し、出力アンプ１０３３、およびスピーカー１０２を介して出力する。

また、同時に外部記憶装置１０３５に格納されている音声認識時の待ち受け単語を、あらかじめ設定された言語モデル単位にメモリ１０３４ｂに読み込む。言語モデルとは、発話内容を音声認識するための待ち受け単語をその種類ごとにグループ化したものであり、第１の実施の形態における音声認識装置１００においては、以下に示す第１〜第３の３種類の言語モデルを有している。

（１）第１の言語モデル
第１の言語モデルは、図３にその模式図を示すように、ゼロ（０）〜キュー（９）までの連続数字で構成される連続数字言語モデルであり、各数字を再帰的に参照することが可能な言語モデルである。この第１の言語モデルをメモリ１０３４ｂに読み込んで音声待ち受け単語とすることで、使用者によって発話された数字を音声認識することが可能となる。

（２）第２の言語モデル
第２の言語モデルは、図４にその模式図を示すように、地名、すなわち都道府県名と市区町村名の連接、あるいは市区町村名のみで構成される地名言語モデルである。この第２の言語モデルをメモリ１０３４ｂに読み込んで音声待ち受け単語とすることで、使用者によって発話された地名を音声認識することが可能となる。

（３）第３の言語モデル
第３の言語モデルは、図５にその模式図を示すように、市区町村名と対応する市外局番とを連結して構成される連結言語モデルである。この第３の言語モデルをメモリ１０３４ｂに読み込んで音声待ち受け単語とすることで、使用者によって発話された市区町村名と市外局番の連接を音声認識することが可能となる。

上述した第１〜第３の言語モデルのうち少なくとも１つの言語モデルをメモリ１０３４ｂに読み込む。第１の実施の形態においては、第１の言語モデルは常に読み込むように設定されており、第２の言語モデル、および第３の言語モデルは、使用者によって読み込むように設定された少なくともいずれか一方をメモリ１０３４ｂに読み込む。

上述した言語モデルをメモリ１０３４ｂに読み込んだ後、使用者によって音声が入力されると、信号処理装置１０３４は次のように音声を検出する。すなわち、マイク１０１から入力された音声信号はＡ／Ｄコンバータ１０３１でデジタル信号に変換され信号処理装置１０３４に入力される。信号処理装置１０３４は発話スイッチ１０４ａの操作がなされるまでは、Ａ／Ｄコンバータ１０３１から入力されるデジタル信号の平均パワーを演算している。そして、発話スイッチ１０４ａが操作されると音声待ち受け状態となる。その後、入力されるデジタル信号の瞬間パワーが平均パワーより所定値以上大きくなった時、使用者が発話したと判断して音声の取り込みを開始する。その後、デジタル信号の瞬間パワーが所定値以下の状態が所定時間以上継続した場合に、音声入力は終了したと判断する。

続いて信号処理装置１０３４は、入力された音声信号とメモリ１０３４ｂに読み込んだ言語モデルに含まれている各待受け単語とをマッチング処理して音声認識する。すなわち、入力された音声信号とメモリ１０３４ｂに読み込んだ言語モデルに含まれている各待受け単語との一致度を演算する。そして、一致度演算の結果、その一致度の大きさを示すスコアを待受け単語ごとに算出し、スコアが最も高い待ち受け単語、すなわち最も一致度の高い待ち受け単語を音声認識結果として決定する。

例えば、音声認識時の待ち受け単語として第１の言語モデルに加えて第２の言語モデルをメモリ１０３４ｂに読み込むように設定されているときに、使用者が市外局番を「ゼロヨンゴ」と発話した場合には、以下のように音声認識される。入力された音声信号は、上述したように信号処理装置１０３４で音声認識される。このとき、メモリ１０３４ｂに読み込まれている待受け単語、すなわち第１および第２の言語モデルの待ち受け単語と、入力された音声信号との一致度が演算される。

この結果、第１の言語モデルに含まれている待ち受け単語から「ゼロ」、「ヨン」、および「ゴ」が最も一致度が高いものとして音声認識され、「ゼロヨンゴ」の市外局番が認識されることになる。その後、認識結果をスピーカー１０２を介して出力して、使用者に認識結果を通知する。このとき、使用者は、発話内容が正常認識されていることを確認した場合には、電話番号の続きを音声入力する。そして、発信先の電話番号の全ての桁が正常認識されたことを確認した後に、入力した電話番号を発信先の電話番号として確定するコマンド、例えば「決定」を発話する。制御装置１０３は、信号処理装置１０３４によって入力した電話番号を発信先の電話番号として確定するコマンドが音声認識された場合、認識した発信先の電話番号へ発呼するよう、携帯電話２００を制御する。

一方、使用者が市外局番を「ゼロヨンゴ」と発話したにも関わらず、スピーカ１０２を介して出力された認識結果が「ゼロヨンロク」であった場合には、使用者は訂正スイッチ１０４ｂを押下して、市外局番の再発話を行う。このとき、使用者に対して直前に音声認識した結果を訂正する旨のガイダンス音声（訂正時用のガイダンス音声）を出力する。この場合、「ゼロヨンロクを訂正します」というガイダンス音声を出力した場合には、使用者は再発話時も市外局番を発話する可能性が高い。しかし、使用者は直前の発話で「ゼロヨンゴ」と発話したにも関わらず誤認識が発生したことから、使用者が「ゼロヨンゴ」と再発話しても、その口調が同じ場合には、再度誤認識が発生する可能性が高い。

したがって、この場合には、待ち受け可能なもう一方の市外局番の指定方法、すなわちメモリ１０３４ｂに読み込んだ第２の言語モデルに含まれる地名での発話を促すために、「厚木市、伊勢原市、横須賀市を訂正します」という地名を含むガイダンス音声を使用者に対して出力する。これによって、使用者は再発話時に直前の発話と同様な「ゼロヨンゴ」ではなく、地名、すなわち「横浜市」と発話すれば良いことを知ることができ、このように誤認識発生時とは異なる内容の発話をすることで、再度誤認識が発生する可能性を低下させることができる。

また、使用者は「ゼロヨンゴ」と発話するよりも「横浜市」と発話した方が誤認識が発生しにくいことを知ることができ、次回発話時には、より誤認識が発生する可能性が少ない「横浜市」を最初から発話するようになり、音声認識の認識率を向上することができる。なお、使用者が「横浜市」と発話して、正常に音声認識された場合には、外部記憶装置１０３５に格納されている地名と各地名に対応する市外局番との対を参照して、該当する市外局番を抽出することによって発信先の市外局番を特定する。

また、音声認識時の待ち受け単語として第１の言語モデルに加えて第３の言語モデルをメモリ１０３４ｂに読み込むように設定されているときに、上述したように使用者が発話した「ゼロヨンゴ」の市外局番が「ゼロヨンロク」と誤認識された場合には、以下のように処理する。この場合も、使用者が訂正スイッチ１０４ｂを押下して、市外局番の再発話を行う場合に、使用者に対して「ゼロヨンロクを訂正します」というガイダンス音声を出力した場合には、使用者は再発話時も市外局番を発話する可能性が高く、再度誤認識が発生する可能性が高い。

したがって、この場合には、待ち受け可能なもう一方の市外局番の指定方法、すなわちメモリ１０３４ｂに読み込んだ第３の言語モデルに含まれる市区町村名と市外局番の連接による発話を促すために、「厚木、伊勢原、横須賀ゼロヨンロクを訂正します」という市区町村名と市外局番とを連結した文字列を含んだ訂正時用のガイダンス音声を使用者に対して出力する。これによって、使用者は再発話時に直前の発話と同様な「ゼロヨンゴ」ではなく、市区町村名と市外局番とを連結した文字列、すなわち「横浜ゼロヨンゴ」と発話すれば良いことを知ることができ、このように誤認識発生時とは異なる内容の発話をすることで、再度誤認識が発生する可能性を低下させることができる。

また、使用者は「ゼロヨンゴ」と発話するよりも「横浜ゼロヨンゴ」と発話した方が誤認識が発生しにくいことを知ることができ、次回発話時には、より誤認識が発生する可能性が少ない「横浜ゼロヨンゴ」を最初から発話するようになり、音声認識の認識率を向上することができる。なお、使用者が「横浜ゼロヨンゴ」と発話して、正常に音声認識された場合には、認識家閣下の市外局番部、すなわち「ゼロヨンゴ」のみ抽出して発信先の市外局番を特定する。

図６は、第１の実施の形態における音声認識装置１００の動作を示すフローチャートである。図６に示す処理は、発話スイッチ１０４ａが押下されると起動するプログラムとして制御装置１０３により実行される。ステップＳ１０において、第１〜第３の言語モデルのうち、使用者によってあらかじめ読み込み対象として設定されている言語モデルを外部記憶装置１０３５からメモリ１０３４ｂに読み込む。ステップＳ２０では、音声入力を促すガイダンス音声をスピーカー１０２を介して出力する。

ステップＳ３０では、使用者によってマイク１０１を介して音声入力がなされたか否かを判断する。使用者によって音声入力がなされたと判断した場合には、ステップＳ４０へ進む。ステップＳ４０では、使用者によって入力された発話内容の音声信号とメモリ１０３４ｂに読み込んだ言語モデルに含まれている各待受け単語との一致度演算を行って、音声認識を行う。その後、ステップＳ５０へ進み、音声認識結果をスピーカー１０２を介して出力して、ステップＳ６０へ進む。

ステップＳ６０では、使用者によって訂正スイッチ１０４ｂが押下されたか否かが判断される。使用者によって訂正スイッチ１０４ｂが押下されたと判断した場合には、ステップＳ７０へ進む。ステップＳ７０では、上述したようにメモリ１０３４ｂに読み込まれている言語モデルの種類に基づいた訂正時用のガイダンス音声を出力する。その後、ステップＳ３０に戻り、上述した処理を繰り返す。

一方、使用者によって訂正スイッチ１０４ｂが押下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、音声入力が完了したか、すなわち電話番号の全桁の入力が完了したか否かを判断する。音声入力が完了していないと判断した場合には、ステップＳ２０へ戻り、音声入力が完了するまで処理を繰り返す。音声入力が完了したと判断した場合には、ステップＳ９０へ進み、音声認識した電話番号へ発信するよう携帯電話２００を制御し、処理を終了する。

以上説明した第１の実施の形態によれば、以下のような作用効果を得ることができる。
（１）使用者は、第１言語モデルと、第２および第３の言語モデルのうち使用者によって設定された少なくともいずれか一方を待ち受け単語として使用し、待ち受け単語とした言語モデルに応じた方法で市外局番を指定できるようにした。これによって、使用者の市外局番の指定方法に自由度を持たせることができ、使用者にとって利便性の高い装置とすることができる。
（２）市外局番の音声認識結果に誤認識が発生した場合には、メモリ１０３４ｂに読み込まれている言語モデルに基づいて、誤認識が発生したときの市外局番の指定方法とは異なる指定方法での再発話を促すように、訂正の可否を確認するガイダンス音声、すなわち訂正時用のガイダンス音声を出力することとした。これによって、誤認識発生時とは異なる内容で再発話をすることで、再度誤認識が発生する可能性を低下させることができる。
（３）また、使用者は誤認識発生時の指定方法よりも、再発話時の指定方法の方が誤認識が発生する可能性が少ないことを知ることができるため、次回以降の発話時には、最初から再発話時の指定方法で発話するようになり、音声認識の認識率を向上することができる。

―第２の実施の形態―
第１の実施の形態においては、上述した第１〜第３の言語モデルのうち、第１の言語モデルは常にメモリ１０３４ｂに読み込むように設定されており、その他の２つ、すなわち第２の言語モデル、および第３の言語モデルは、使用者によって読み込むか否かがあらかじめ設定される。これに対して第２の実施の形態では、音声認識開始時は第１の言語モデルのみがメモリ１０３４ｂに読み込まれている。そして、誤認識発生時、すなわち使用者によって訂正スイッチ１０４ｂが押下された場合に、第１の言語モデルから第２および第３の言語モデルのうち、使用者によってあらかじめ設定された一方の言語モデルへの切り替えを行う。なお、図１、および図２に示すブロック図、および図３〜図５に示す各言語モデルの具体例を示す図については、第１の実施の形態と同様のため、説明を省略する。

図７は、第２の実施の形態における音声認識装置１００の動作を示すフローチャートである。図７に示す処理は、発話スイッチ１０４ａが押下されると起動するプログラムとして制御装置１０３により実行される。なお、図５に示した第１の実施の形態における処理と同様の処理については、同じステップ番号を付与し、相違点を中心に説明する。ステップＳ１１において、第１の言語モデルを外部記憶装置１０３５からメモリ１０３４ｂに読み込む。

ステップＳ６０で使用者によって訂正スイッチ１０４ｂが押下されたと判断した場合には、ステップＳ６１へ進み、メモリ１０３４ｂ内の言語モデルを第１の言語モデルから使用者によってあらかじめ設定された第２または第３の言語モデルに切り替える。その後、ステップＳ７０へ進み、切り替えた言語モデルに応じた訂正時用ガイダンス音声をスピーカー１０２を介して出力する。例えば、第２の言語モデルに切り替えられた場合には、「厚木市、伊勢原市、横須賀市を訂正します」という地名を含む訂正時用ガイダンス音声を出力し、第３の言語モデルに切り替えられた場合には、「厚木、伊勢原、横須賀ゼロヨンロクを訂正します」という市区町村名と市外局番とを連結した文字列を含む訂正時用ガイダンス音声を出力する。

ステップＳ８０において、音声入力が完了していないと判断した場合には、ステップＳ８１へ進む。ステップＳ８１では、現在メモリ１０３４ｂ読み込まれている言語モデルが第１の言語モデルであるか否かを判断する。現在メモリ１０３４ｂ読み込まれている言語モデルが第１の言語モデルでないと判断した場合には、ステップＳ８２へ進み、メモリ１０３４ｂ内の言語モデルを音声認識開始時の言語モデルである第１の言語モデルに切り替えた後、ステップＳ２０へ戻る。一方、現在メモリ１０３４ｂ読み込まれている言語モデルが第１の言語モデルであると判断した場合には、そのままステップＳ２０へ戻る。

以上説明した第２の実施の形態によれば、第１の実施の形態における効果に加えて、以下のような作用効果を得ることができる。音声認識開始時は第１の言語モデルのみが読み込まれており、誤認識発生時に、第１の言語モデルから、第２および第３の言語モデルのうち使用者によってあらかじめ設定された一方の言語モデルへの切り替えを行うこととした。これによって、誤認識が発生するまでは、入力された音声と必要最低限（第１の言語モデル）の待ち受け単語との一致度を算出して音声認識することで、音声認識速度を向上することができ、誤認識発生時にのみ第２または第３の言語モデルに切り替えて、再発話時に再度誤認識が発生する可能性を低下することができる。

なお、以下のように変形することもできる。
（１）上述した第１の実施の形態では、第１の言語モデルは常に読み込むように設定されており、第２の言語モデル、および第３の言語モデルは、使用者によって読み込むように設定された少なくともいずれか一方をメモリ１０３４ｂに読み込むこととした。しかし、常に第１〜第３の全ての言語モデルをメモリ１０３４ｂに読み込むように設定してもよい。

（２）上述した第２の実施の形態では、音声認識開始時は第１の言語モデルのみが読み込まれており、誤認識発生時に、第１の言語モデルから第２および第３の言語モデルのうち、使用者によってあらかじめ設定された一方の言語モデルへの切り替えを行うこととした。しかし、誤認識発生時の使用者の再発話回数をカウントし、再発話回数が所定回数以上、例えば３回以上となった時点で、第１の言語モデルから第２または第３の言語モデルに切り替えることとしてもよい。これによって、第１の言語モデルを待ち受け単語とした場合に、どうしても入力された発話内容を正常認識できない場合にのみ、すなわち必要な場合にのみ他の言語モデルに切り替えることができる。

（３）上述した第１および第２の実施の形態では、本発明による音声認識装置をハンズフリー電話システムに搭載する例を示したが、これに限定されず、例えば電話番号によって特定される施設を目的地として設定可能なナビゲーション装置に搭載してもよい。また、その他の電話番号を音声認識して利用する装置に搭載してもよい。

（４）上述した第１および第２の実施の形態では、第１〜第３の言語モデルの３つの言語モデルを待ち受け単語として設定可能な例について説明したが、第１および第２の言語モデルの２つの言語モデル、または第１および第３の言語モデルのようにいずれか２つの言語モデルを待ち受け単語として設定可能としてもよい。

（５）上述した第１および第２の実施の形態では、使用者に対して発話を促すガイダンス音声をスピーカー１０２を介して出力することとしたが、これに限定されず、発話を促すガイダンスメッセージをディスプレイ１０５に表示して使用者に提示してもよい。

（６）上述した第１および第２の実施の形態では、訂正時用ガイダンス音声として、例えば「厚木市、伊勢原市、横須賀市を訂正します」、および「厚木、伊勢原、横須賀ゼロヨンロクを訂正します」という訂正の可否を確認するためのガイダンスを出力することとした。しかしこれに限定されず、例えば、「厚木市、伊勢原市、横須賀市のように入力することもできます」、および「厚木、伊勢原、横須賀ゼロヨンロクのように入力することもできます」のように、地名や市区町村と市外局番を連結した文字列によって音声入力できることを通知するためのガイダンスを出力してもよい。

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、スピーカー１０２、およびディスプレイ１０５は出力手段に相当する。メモリ１０３４ｂは待ち受け単語格納手段、および記憶手段に、信号処理装置１０３４は音声認識手段に、訂正スイッチ１０４ｂは訂正指示手段に相当する。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。

本実施の形態における音声認識装置をハンズフリー電話システムへ搭載した場合の一実施の形態の構成例を示すブロック図である。 信号処理ユニット１０３ａの構成例を示すブロック図である。 第１の言語モデルの具体例を模式的に示した図である。 第２の言語モデルの具体例を模式的に示した図である。 第３の言語モデルの具体例を模式的に示した図である。 第１の実施の形態における音声認識装置１００の動作を示すフローチャート図である。 第２の実施の形態における音声認識装置１００の動作を示すフローチャート図である。

符号の説明

１ ハンズフリー電話システム
１００ 音声認識装置
１０１ マイク
１０２ スピーカー
１０３ 制御装置
１０３ａ 信号処理ユニット
１０３１ Ａ／Ｄコンバータ
１０３２ Ｄ／Ａコンバータ
１０３３ 出力アンプ
１０３４ 信号処理装置
１０３４ａ ＣＰＵ
１０３４ｂ メモリ
１０３５ 外部記憶装置
１０４ 入力装置
１０４ａ 発話スイッチ
１０４ｂ 訂正スイッチ
１０５ ディスプレイ
２００ 携帯電話

Claims (7)

1. 音声入力手段を介して入力された「数字」、「地名」、または「市区町村名と市外局番とを連結した文字列」を音声認識して、市外局番を特定する音声認識装置において、
   第１の言語モデルである「数字」と、第２の言語モデルである「地名」および第３の言語モデルである「市区町村名と市外局番とを連結した文字列」のうち少なくともいずれか一方とを音声認識時の待ち受け単語として格納する待ち受け単語格納手段と、
   前記「地名」と市外局番とを対応付けて記憶する記憶手段と、
   前記音声認識手段を介して入力された音声信号と、前記格納手段に格納された待ち受け単語とをマッチング処理して音声認識する音声認識手段とを備え、
   前記音声入力手段を介して前記第１の言語モデルである「数字」で市外局番が入力された場合には、前記音声認識手段による音声認識結果に基づいて市外局番を特定し、
   前記音声入力手段を介して前記第２の言語モデルである「地名」が入力された場合には、前記音声認識手段で音声認識した「地名」に対応する市外局番を前記記憶手段から抽出して市外局番を特定し、
   前記音声入力手段を介して前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」が入力された場合には、前記音声認識手段で音声認識した「市区町村名と市外局番とを連結した文字列」の市外局番部を抽出して市外局番を特定することを特徴とする音声認識装置。
2. 請求項１に記載の音声認識装置において、
   前記音声認識手段による音声認識結果に誤認識が生じた場合に、使用者が直前の発話内容の訂正を指示する訂正指示手段をさらに有することを特徴とする音声認識装置。
3. 音声入力手段を介して入力された「数字」、「地名」、または「市区町村名と市外局番とを連結した文字列」を音声認識して、市外局番を特定する音声認識装置において、
   第１の言語モデルである「数字」、第２の言語モデルである「地名」、および第３の言語モデルである「市区町村名と市外局番とを連結した文字列」のうちいずれか一つを音声認識時の待ち受け単語として切り替えて格納する待ち受け単語格納手段と、
   前記「地名」と市外局番とを対応付けて記憶する記憶手段と、
   前記音声認識手段を介して入力された音声信号と、前記格納手段に格納された待ち受け単語とをマッチング処理して音声認識する音声認識手段と、
   前記音声認識手段による音声認識結果に誤認識が生じた場合に、使用者が直前の発話内容の訂正を指示する訂正指示手段とを備え、
   前記待ち受け単語格納手段には、前記訂正指示手段によって直前の発話内容の訂正が指示されるまでは前記第１の言語モデルである「数字」のみを格納し、前記訂正指示手段によって直前の発話内容の訂正が指示された後は、前記第２の言語モデルである「地名」、および前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」のうち、あらかじめ設定されたいずれか一方を格納し、
   前記音声入力手段を介して前記第１の言語モデルである「数字」で市外局番が入力された場合には、前記音声認識手段による音声認識結果に基づいて市外局番を特定し、
   前記音声入力手段を介して前記第２の言語モデルである「地名」が入力された場合には、前記音声認識手段で音声認識した「地名」に対応する市外局番を前記記憶手段から抽出して市外局番を特定し、
   前記音声入力手段を介して前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」が入力された場合には、前記音声認識手段で音声認識した「市区町村名と市外局番とを連結した文字列」の市外局番部を抽出して市外局番を特定することを特徴とする音声認識装置。
4. 請求項２または３に記載の音声認識装置において、
   使用者に対して音声認識を促すためのガイダンスを出力する出力手段をさらに有し、
   前記音声入力手段を介して前記第１の言語モデルである「数字」で市外局番が入力された後、前記訂正指示手段によって直前の発話内容の訂正が指示された場合で、かつ前記待ち受け単語格納手段に前記第２の言語モデルである「地名」が格納されている場合には、
   前記出力手段は、使用者に対して訂正の可否を確認するガイダンスを前記第２の言語モデルである「地名」を含んで出力することを特徴とする音声認識装置。
5. 請求項２または３に記載の音声認識装置において、
   使用者に対して音声認識を促すためのガイダンスを出力する出力手段をさらに有し、
   前記音声入力手段を介して前記第１の言語モデルである「数字」で市外局番入力された後、前記訂正指示手段によって直前の発話内容の訂正が指示された場合で、かつ前記待ち受け単語格納手段に前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」が格納されている場合には、
   前記出力手段は、使用者に対して訂正の可否を確認するガイダンスを前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」を含んで出力することを特徴とする音声認識装置。
6. 請求項２または３に記載の音声認識装置において、
   使用者に対して音声認識を促すためのガイダンスを出力する出力手段をさらに有し、
   前記音声入力手段を介して前記第１の言語モデルである「数字」で市外局番入力された後、前記訂正指示手段によって直前の発話内容の訂正が指示された場合で、かつ前記待ち受け単語格納手段に前記第２の言語モデルである「地名」が格納されている場合には、
   前記出力手段は、使用者に対して前記第２の言語モデルである「地名」によっても音声入力が可能であることを通知するためのガイダンスを出力することを特徴とする音声認識装置。
7. 請求項２または３に記載の音声認識装置において、
   使用者に対して音声認識を促すためのガイダンスを出力する出力手段をさらに有し、
   前記音声入力手段を介して前記第１の言語モデルである「数字」で市外局番入力された後、前記訂正指示手段によって直前の発話内容の訂正が指示された場合で、かつ前記待ち受け単語格納手段に前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」が格納されている場合には、
   前記出力手段は、使用者に対し前記第３の言語モデルである「市区町村名と市外局番とを連結した文字列」によっても音声入力が可能であることを通知するためのガイダンスを出力することを特徴とする音声認識装置。

Images