JP2006162782A - 音声認識装置 - Google Patents

Abstract

【課題】 簡単な構成によって高い認識率で目的とする語彙を認識させることができる音声認識装置を提供する。
【解決手段】 音声を認識するための複数の認識辞書＃１〜＃４と、音声認識を開始させる認識開始ボタン１５と、認識開始ボタンが操作された回数に応じて複数の認識辞書の１つを有効に設定する制御手段４と、制御手段により有効に設定された認識辞書を用いて音声認識を行う音声認識手段３とを備えている。
【選択図】 図１

Description

この発明は、例えばナビゲーションシステムを音声で操作するために使用される音声認識装置に関し、特に音声の認識率を向上させる技術に関する。

従来、ユーザが発話した音声を認識して認識結果を出力する音声認識装置が知られている。通常の声認識装置においては、音声認識処理で用いられる認識辞書が用意されており、認識辞書の内部には認識対象とする語彙が格納されている。音声認識処理では、ユーザが発話した語彙を分析し、認識辞書に格納されている語彙と照らし含わせることにより、認識結果を提示する。

音声認識に関連する技術として、特許文献１は、入力すべきデータをあらかじめ複数のグループに分類して辞書中に収容するようにした音声入力識別方式を開示している。この音声入力識別方式では、音声に対応する文字を、清音グループ、濁音グループおよび半濁音グループといった３つのグループに分類して辞書に格納しておき、スイッチによって選択された辞書を用いて認識処理を行うことにより、指定した任意の１音の文字を音声入力することを可能としている。

また、特許文献２は、携帯型電子辞書に、アルファベットボタンを持たせず辞書引きするという操作方法を用い、リアルタイムで辞書引きを可能とする電子辞書装置を開示している。この電子辞書装置では、１つの音声認識ボタンを複数の操作方法に用いるものであり、音声認識開始や中止や候補提示の操作を、複数のスイッチを用いずに単一のボタンで可能にしたものである。音声認識ボタンを１秒以上押すと音声入力を行い、０．５秒以内に１度押すことにより誤認識時に認識結果の次の候補提示を行い、０．５秒以内に２度音声認識ボタンを押すことにより、音声認識の中断を行う。

特開昭５５−２０４０号公報 特開平１０−１７１４９２号公報

ところで、上述した従来の音声認識装置では、多数の認識辞書を用いて音声認識を行うことによって音声認識処理で認識可能となる語彙が多くなり、一度に多くの認識語彙を受け付けることが可能となる。しかしながら、認識対象とする語彙を多くすればするほど、誤認識が多く発生するという問題がある。

なお、上述した特許文献１に開示された技術では、文字を１文字ずつしか入力できないため、連続語の入力を一度にすることができず、複数文字を入力する場合には、入力語の文字数だけ操作を繰り返すという手間が必要になる。また、辞書を切り替えるためには、各辞書に対応したスイッチを辞書の数だけ用意しなければならない。また、特許文献２に開示された技術では、音声認識ボタン操作により、単に認識開始、訂正、中断を可能にしただけであり、利用する辞書を指定したり切り替えることによって認識率を向上させることはできない。

この発明は、上述した問題を解消するためになされたものであり、その課題は、簡単な構成によって高い認識率で目的とする語彙を認識させることができる音声認識装置を提供することにある。

この発明に係る音声認識装置は、音声を認識するための複数の認識辞書と、音声認識を開始させる認識開始ボタンと、認識開始ボタンが操作された回数に応じて複数の認識辞書の１つを有効に設定する制御手段と、制御手段により有効に設定された認識辞書を用いて音声認識を行う音声認識手段とを備えている。

この発明によれば、音声認識に使用する辞書を認識開始ボタンの押下によって選択した後、認識処理を行わせるように構成したので、確実な認識辞書の選択による語彙の絞り込みが可能となり、高い認識率で目的とする語彙を認識できる。また、音声認識に使用する認識辞書は、音声認識を開始させるための認識開始ボタンを共用して、該認識開始ボタンを押下した回数によって選択するように構成したので、音声認識装置を簡単且つ安価に構成できる。

以下、この発明の実施の形態を、図面を参照しながら詳細に説明する。
実施の形態１．
図１は、この発明の実施の形態１に係る音声認識装置の構成を示すブロック図である。この音声認識装置は、音声認識辞書１、認識辞書管理手段２、音声認識手段３、制御手段４、出力情報制御手段４、手動入力手段６、キーコード判別手段７、音声入力手段８、画面出力手段９、音声出力手段１０、リモートコントローラ（以下、「リモコン」と略する）１１、マイクロフォン（以下、「マイク」と略する）１２、モニタ１３およびスピーカ１４から構成されている。リモコン１１には、音声認識を開始させるための認識開始ボタン１５が設けられている。この認識開始ボタン１５が押下されることにより、認識処理が開始され、マイク１２に向かって発話された音声の認識処理が行われる。

音声認識辞書１は、複数の認識辞書から構成されている。この実施の形態１に係る音声認識装置では、音声認識辞書１は、語彙の種別によって分類された４個の認識辞書＃１〜＃４から構成されている。具体的には、認識辞書＃１は住所に使用される語彙（県名、市町村名など）を含む「住所辞書」、認識辞書＃２は施設名に使用される語彙（東京タワー等）を含む「施設名辞書」、認識辞書＃３は電話番号に使用される語彙（数字）を含む「電話番号辞書」、認識辞書＃４は楽曲の曲名に使用される語彙（曲名）を含む「曲名辞書」から構成されている。

認識辞書管理手段２は、音声認識辞書１を構成する複数の認識辞書＃１〜＃４を管理する。この認識辞書管理手段２は、図２に示すような管理テーブル２１を保持している。管理テーブル２１は、辞書番号（＃１〜＃４）、辞書名（住所、施設名、電話番号、曲名）および状態（無効または有効）を記憶している。そして、制御手段４から送られてくる辞書切替要求に応じて、認識対象とする１つの認識辞書を選択し、その選択した認識辞書の状態を「有効」に設定するとともに他の認識辞書を「無効」に設定する。また、認識辞書管理手段２は、音声認識が行われる際に、「有効」に設定された認識辞書の内容を読み出して音声認識手段３に送る。

音声認識手段３は、音声認識辞書１を参照して音声認識処理を実行する。この音声認識手段３は、音声分析処理部３１とマッチング処理部３２とから構成されている。音声分析処理部３１は、制御手段４から認識開始の指示がなされた場合に、音声入力手段８から送られてくる音声データを分析する。この音声分析処理部３１における分析結果は、マッチング処理部３２に送られる。マッチング処理部３２は、音声分析処理部３１から送られてくる分析結果と音声認識辞書１から認識辞書管理手段２を介して送られてくる語彙とを比較するマッチング処理を実行する。マッチング処理部３２におけるマッチング処理によって得られた認識結果、具体的には認識語彙およびその正解確率（以下、「スコア」という）は制御手段４に送られる。

制御手段４は、認識辞書管理手段２、音声認識手段３、出力情報制御手段５、手動入力手段６およびキーコード判別手段７との間でデータを送受することにより音声認識装置の全体を制御する。この制御手段４の詳細は後述する。

出力情報制御手段５は、画面表示や音声出力を制御する。この出力情報制御手段５は、出力情報テーブル５１、画面出力生成手段５２および音声出力生成手段５３から構成されている。出力情報テーブル５１は、図３に示すように、出力される情報の番号に対応させて、モニタ１３に表示される画面表示文字および発話例文字とスピーカ１４から音声で出力される音声ガイダンス文字を記憶している。この出力情報テーブル５１に記憶されている画面表示文字および発話例は画面出力生成手段５２によって読み出され、音声ガイダンス文字は音声出力生成手段５３によって読み出される。

画面出力生成手段５２は、制御手段４から送られてくる画面表示情報（詳細は後述する）に従って出力情報テーブル５１から読み出した画面表示文字および発話例文字に基づき画面出力データを生成する。また、画面出力生成手段５２は、制御手段４から送られてくる認識語彙に基づき画面出力データを生成する。この画面出力生成手段５２で生成された画面出力データは、画面出力手段９に送られる。音声出力生成手段５３は、制御手段４から送られてくる画面表示情報に従って出力情報テーブル５１から読み出した音声ガイダンス文字に基づき音声出力データを生成する。また、音声出力生成手段５３は、制御手段４から送られてくる認識語彙に基づき音声出力データを生成する。この音声出力生成手段５３で生成された音声出力データは、音声出力手段１０に送られる。

手動入力手段６は、リモコン１１のキーが押されることにより該リモコン１１から送られてくるキーコードを受け付けてキーイベントを発生する。この手動入力手段６で発生されたキーイベントおよびキーコードは制御手段４に送られる。なお、キーイベントおよびキーコードを発生させる手段としては、リモコン１１の代わりに、タッチパネル、押釦スイッチといった他の入力手段を用いることもできる。

キーコード判別手段７は、制御手段４から送られてくるキーコードを判別する。例えば、キーコード判別手段７は、制御手段４から認識開始ボタン１５のキーコードが送られてきた場合は、そのキーコードが認識開始ボタン１５に対応する旨を判別し、判別結果を制御手段４に返送する。

音声入力手段８は、例えばＡ／Ｄ変換器から構成されており、人が発話することによってマイク１２で生成された音声信号を入力し、音声認識手段３で取り扱い可能なデジタル形式の音声データに変換する。この音声入力手段８で音声信号を変換することにより得られた音声データは、音声認識手段３の音声分析処理部３１に送られる。

画面出力手段９は、例えばＤ／Ａ変換器から構成されており、出力情報制御手段５から送られてくる画面出力データをアナログの映像信号に変換し、モニタ１３に送る。これにより、モニタ１３に画面出力データに応じた文字や絵から成る画像が表示される。モニタ１３は、例えば液晶ディスプレイ装置やＣＲＴ装置から構成することができる。

音声出力手段１０は、例えばＤ／Ａ変換器から構成されており、出力情報制御手段５から送られてくる音声出力データをアナログの音声信号に変換し、スピーカ１４に送る。これにより、スピーカ１４から音声出力データに応じた音声が出力される。

次に、制御手段４の詳細を説明する。制御手段４は、切替回数カウント処理部４１、切替対応テーブル４２、辞書切替処理部４３、認識エンジン制御処理部４４、画面切替処理部４５および認識結果判定処理部４６から構成されている。

切替回数カウント処理部４１は、手動入力手段６からのキーイベントを受け、該キーイベントと同時に送られてきたキーコードをキーコード判別手段７に送る。そして、キーコード判別手段７から認識開始ボタン１５のキーコードであることが送り返されてきた場合に、認識開始ボタン１５が押された回数、つまり認識辞書の切替回数をカウントする。また、切替回数カウント処理部４１は、カウントされた切替回数に応じて切替対応テーブル４２を参照することにより認識対象とする認識辞書を決定し、その辞書番号を辞書切替処理部４３に送るとともに、その辞書番号に対応する画面表示情報を画面切替処理部４５に送る。

切替対応テーブル４２は、図４に示すように、切替回数（認識開始ボタン１５の押下回数（ｎ））に対応させて、「認識対象」、「辞書番号」および「画面表示情報」を記憶している。「認識対象」は、切替回数が住所、施設名、電話番号または曲名の何れに対応するかを表している。「辞書番号」は、切替回数が認識辞書＃１〜＃４の何れに対応するかを表している。「画面表示情報」は、切替回数が図３に示した出力される情報の番号１〜４の何れに対応するかを表している。この切替対応テーブル４２は、上述したように、切替回数カウント処理部４１によって参照される。

辞書切替処理部４３は、切替回数カウント処理部４１から送られてくる辞書番号に応じて、該辞書番号で指定される認識辞書に切り替えるべき旨の辞書切替要求を発生し、認識辞書管理手段２に送る。また、辞書切替処理部４３は、辞書切替要求を発生した場合に、その旨を認識エンジン制御処理部４４に通知する。

認識エンジン制御処理部４４は、辞書切替処理部４３から送られてくる辞書切替要求が発生された旨の通知に応答して、音声認識手段３の音声分析処理部３１に対して認識開始の要求および認識停止の要求を送る。これら認識開始の要求および認識停止の要求に応じて、音声認識手段３は、音声認識処理を開始または停止する。

画面切替処理部４５は、切替回数カウント処理部４１から送られてくる画面表示情報に応じて、該画面表示情報で指定される画面に切り替えるべき旨の画面切替要求を発生し、出力情報制御手段５に送る。また、画面切替処理部４５は、認識結果判定処理部４６から送られてくる認識語彙を出力情報制御手段５に送る。

認識結果判定処理部４６は、音声認識手段３のマッチング処理部３２から認識結果として送られてくる認識語彙およびそのスコアに基づき最終的な判定を行って認識語彙を確定する。この認識結果判定処理部４６における判定によって確定された認識語彙は、画面切替処理部４５に送られる。また、認識結果判定処理部４６によって確定された認識語彙は、詳細な説明は省略するが、種々のアプリケーションで使用される。

次に、上記のように構成される、この発明の実施の形態１に係る音声認識装置の動作を、図５に示すフローチャートを参照しながら説明する。

音声認識装置が起動されると、まず、辞書番号ｎが「１」に初期化される（ステップＳＴ１）。次いで、リモコン１１からのキー入力の有無が調べられる（ステップＳＴ２）。すなわち、制御手段４は、手動入力手段６からキーイベントが送られてきたかどうかを調べる。ここで、キー入力がないことが判断されると、このステップＳＴ２を繰り返し実行しながらキー入力がなされるのを待って待機状態に入る。

このステップＳＴ２の繰り返し実行による待機状態において、キー入力がなされると、認識開始ボタン１５の押下であるかどうかが調べられる（ステップＳＴ３）。すなわち、制御手段４の切替回数カウント処理部４１は、手動入力手段６からキーイベントとともに送られてくるキーコードをキーコード判別手段７へ送る。そして、これに応答してキーコード判別手段７から送り返されてくる判別結果に基づいて認識開始ボタン１５のキーイベントであるかどうかを調べる。

このステップＳＴ３で認識開始ボタン１５の押下であることが判断されると、認識辞書の切り替えが行われる（ステップＳＴ４）。すなわち、切替回数カウント処理部４１は、切替回数ｎをカウントアップし、切替対応テーブル４２を参照して認識対象とする認識辞書を決定する。そして、決定された認識辞書の辞書番号を辞書切替処理部４３に送るとともに、その辞書番号に対応する画面表示情報を画面切替処理部４５に送る。辞書切替処理部４３は、この辞書番号に応じて辞書切替要求を発生し、認識辞書管理手段２に送る。認識辞書管理手段２は、この辞書切替要求に応じて認識対象とする１つの認識辞書を選択し、その選択した認識辞書の状態を「有効」に設定するとともに他の認識辞書を「無効」に設定する。なお、最初は切替回数ｎが「１」に設定されるので、認識辞書＃１、つまり住所辞書が選択される。

次いで、画面表示および音声出力の切り替えが行われる（ステップＳＴ５）。すなわち、画面切替処理部４５は、切替回数カウント処理部４１から送られてきた画面表示情報に応じて画面切替要求を生成し、出力情報制御手段５に送る。次いで、画面表示および音声出力が行われる（ステップＳＴ６）。すなわち、画面切替要求を受け取った出力情報制御手段５の画面出力生成手段５２は、この画面切替要求に応答して、出力情報テーブル５１（図３参照）からｎ番目の認識辞書に対応する画面表示文字および発話例文字を読み出して画面出力データを生成し、画面出力手段９に送る。これにより、モニタ１３に、画面表示文字および発話例文字が表示される。最初は切替回数が「１」に設定されて住所辞書が選択されているので、図６（ａ）に示すような、住所を認識するための画面がモニタ１３に表示される。また、出力情報制御手段５の音声出力生成手段５３は、画面切替処理部４５からの画面切替要求に応答して、出力情報テーブル５１からｎ番目の認識辞書に対応する音声ガイダンス文字を読み出して音声出力データを生成し、音声出力手段１０に送る。これにより、スピーカ１４から、音声ガイダンスが出力される。最初は切替回数が「１」に設定されて住所辞書が選択されているので、図６（ａ）に示すような、「住所をお話ください」という音声が出力される。

次いで、音声認識が開始される（ステップＳＴ７）。すなわち、制御手段４の認識エンジン制御処理部４４は、辞書切替処理部４３から辞書切替要求が発生された旨が通知された場合は、認識開始命令を発生し、音声認識手段３の音声分析処理部３１に送る。これにより、音声認識処理が開始される。

次いで、一定時間内（例えば１秒以内等）にキー入力がなされたかどうかが調べられる（ステップＳＴ８）。ここで、キー入力がなされたことが判断された場合には、辞書番号ｎがインクリメント（＋１）され（ステップＳＴ９）、その後、シーケンスはステップＳＴ３に戻る。以下、上述した処理が繰り返される。従って、認識対象辞書は、認識開始ボタン１５が押される毎に、認識辞書＃１（住所辞書）→認識辞書＃２（施設名辞書）→認識辞書＃３（電話番号辞書）→認識辞書＃４（曲名辞書）→認識辞書＃１（住所辞書）・・・とサイクリックに変化する。また、モニタ１３への画面表示およびスピーカ１４からの音声出力は、図６（ａ）に示す状態→図６（ｂ）に示す状態→図６（ｃ）に示す状態→図６（ｄ）に示す状態→図６（ａ）に示す状態・・・とサイクリックに変化する。図６（ａ）は、認識開始ボタン１５が１、５、９、・・・回押下された時、図６（ｂ）は、認識開始ボタン１５が２、６、１０、・・・回押下された時、図６（ｃ）は、認識開始ボタン１５が３、７、１１、・・・回押下された時、図６（ｄ）は、認識開始ボタン１５が４、８、１２、・・・回押下された時の表示画面および音声出力の状態を示している。

上記ステップＳＴ８において、一定時間内にキー入力がなされなかったことが判断されると、音声認識処理が実行される（ステップＳＴ１０）。すなわち、マイク１２から入力された音声が音声入力手段８で音声データに変換されて音声分析処理部３１に送られる。音声分析処理部３１は、音声入力手段８から送られてくる音声データを分析し、分析結果をマッチング処理部３２に送る。マッチング処理部３２は、音声分析処理部３１から送られてくる分析結果とその時点で選択されている認識辞書の語彙とを比較するマッチング処理を実行し、得られた認識語彙およびそのスコアを認識結果として制御手段４の認識結果判定処理部４６に送る。認識結果判定処理部４６は、音声認識手段３のマッチング処理部３２から認識結果として送られてくる認識語彙およびそのスコアに基づき認識語彙を確定し、画面切替処理部４５に送る。画面切替処理部４５は、認識結果判定処理部４６から送られてくる認識語彙を出力情報制御手段５に送る。

次いで、認識結果の提示が行われる（ステップＳＴ１１）。すなわち、画面切替処理部４５から認識語彙を受け取った出力情報制御手段５の画面出力生成手段５２は、この認識語彙に基づいて画面出力データを生成し、画面出力手段９に送る。これにより、モニタ１３に、認識結果の文字が表示される。また、出力情報制御手段５の音声出力生成手段５３は、画面切替処理部４５からの認識語彙に基づいて、音声出力データを生成し、音声出力手段１０に送る。これにより、スピーカ１４から、認識結果が音声により出力される。

上記ステップＳＴ３において、認識開始ボタン１５の押下でないことが判断された場合は、音声認識処理が既に開始されている状態であれば音声認識処理が終了され（ステップＳＴ１３）、そのキーコードに応じた処理が実行される（ステップＳＴ１４）。

上記のように構成される実施の形態１に係る音声認識装置では、ユーザは、住所検索を行いたい場合は、認識開始ボタン１５を１度押下してからマイク１２に向けて発話し、曲名を検索したい場合は、認識開始ボタン１５を４度押下してからマイク１２に向けて発話する。これにより、認識開始ボタン１５の押下と一度の発話により、高い認識率で目的とする語彙を認識させることができる。

以上説明したように、この発明の実施の形態１に係る音声認識装置によれば、音声認識に使用する辞書を認識開始ボタン１５の押下によって選択した後、認識処理を行わせるように構成したので、確実な認識辞書の選択による語彙の絞り込みが可能となり、高い認識率で目的とする語彙を認識できる。また、認識辞書の切り替えと同時に、切り替えられた認識辞書をモニタ１３に表示するとともに音声で出力するようにしたので、認識可能な語彙をユーザに提示できる。また、音声認識に使用する認識辞書は、音声認識を開始させるための認識開始ボタン１５を共用して、該認識開始ボタン１５を押下した回数によって選択するように構成したので、音声認識装置を簡単且つ安価に構成できる。さらに、一音でない連続語に対しても、認識開始ボタン１５の押下と、一度の連続語の発話により、高い認識率で目的とする語彙を認識させることができる。

実施の形態２．
この発明の実施の形態２に係る音声認識装置は、音声認識辞書１を、語彙の先頭の表音文字によって分類された複数の認識辞書によって構成したものである。

この実施の形態２に係る音声認識装置の構成は、音声認識辞書１の構成を除けば、図１に示した実施の形態１に係る音声認識装置のそれと同じである。音声認識辞書１は、５０音表の行によって分類された１０個の認識辞書＃１〜＃１０から構成されている。認識辞書＃１はア行（あ、い、う、え、お）で始まる語彙（例えば、江ノ島水族館）を含む「ア行辞書」、認識辞書＃２はカ行（か、き、く、け、こ）で始まる語彙（例えば、葛西臨海公園）を含む「カ行辞書」、同様に、認識辞書＃３は「サ行辞書」、認識辞書＃４は「タ行辞書」、認識辞書＃５は「ナ行辞書」、認識辞書＃６は「ハ行辞書」、認識辞書＃７は「マ行辞書」、認識辞書＃８は「ヤ行辞書」、認識辞書＃９は「ラ行辞書」および認識辞書＃１０は「ワ行辞書」から構成できる。

上記のように構成される実施の形態２に係る音声認識装置の動作は、認識開始ボタン１５の押下によって音声認識辞書１を構成する１０個の認識辞書＃１〜＃１０が順次切り替えられる点を除けば、上述した実施の形態１に係る音声認識装置の動作と同じである。

以上説明したように、この発明の実施の形態２に係る音声認識装置によれば、認識開始ボタン１５が押下されるたびに、認識辞書が順に切り替えられ、また同時に、モニタ１３の画面およびスピーカ１４には、選択された認識辞書に応じた内容（例えば、「あいうえおで始まる語彙を発話できます」等）が出力される。従って、ユーザは、発話したい語彙が含まれる認識辞書に切り替えてから発話する。例えば、「葛西臨海公園」を発話したい場合には、カ行の辞書であるので、認識開始ボタン１５を２度押下してから発話する。これにより、認識開始ボタン１５の押下と一度の発話により、高い認識率で目的とする語彙を認識させることができる。

なお、この実施の形態２では、音声認識辞書１を、５０音表の行によって分類された１０個の認識辞書＃１〜＃１０から構成しているが、５０音表の列（アカサタナハマヤラワ等）によって分類された５個の認識辞書＃１〜＃５、各表音文字単位で分類された５０個の認識辞書＃１〜＃５０、または任意の表音文字をグループ化した複数の認識辞書から構成することもできる。

実施の形態３．
この発明の実施の形態３に係る音声認識装置は、特定の認識辞書を常に認識対象辞書に設定できるようにしたものである。特定の認識辞書としては、例えば優先度の高い語彙を含む認識辞書を割り当てることができる。

この実施の形態３に係る音声認識装置の構成は、認識辞書管理手段２に保持されている管理テーブル２１の記憶内容を除けば、図１に示した実施の形態１に係る音声認識装置の構成と同じである。

図７は、認識辞書管理手段２に保持されている管理テーブル２１の構成を示す図である。この管理テーブル２１は、辞書番号（＃１〜＃４）、辞書名（住所、施設名、電話番号、曲名）および状態（無効、有効または常時有効）を記憶している。そして、実施の形態１に係る管理テーブル２１と同様に、制御手段４から送られてくる辞書切替要求に応じて、認識対象とする１つの認識辞書が選択され、その選択された認識辞書の状態が「有効」に設定されるとともに、他の認識辞書は「無効」に設定される。ただし、「常時有効」に設定されている認識辞書は、認識開始ボタン１５の通常の押下によって発生される辞書切替要求によっては変更されない。

所望の認識辞書を「常時有効」に設定する場合は、その認識辞書に対応する画面が表示されている状態で認識開始ボタン１５の長時間押しが行われる。例えば、曲名辞書を常時有効にするためには、図６（ｄ）に示す画面がモニタ１３に出力されている状態で、認識開始ボタン１５を長時間押しする。これにより、曲名辞書が「常時有効」に設定されて常に認識対象辞書とされる。従って、曲名辞書を常に認識対象辞書としながら、認識辞書を切り替えることができるので、例えば曲名辞書と施設名辞書といった複数の認識辞書を同時に認識対象辞書とすることができる。認識辞書管理手段２は、音声認識が行われる際に、有効および常時有効に設定された認識辞書の内容を音声認識手段３に送る。

次に、この発明の実施の形態３に係る音声認識装置の動作を、図８に示すフローチャートを参照しながら説明する。この図８に示したフローチャートは、図５に示した実施の形態１のフローチャートにステップＳＴ２１およびＳＴ２２が追加されて構成されている。以下では、図５に示したフローチャートと相違する部分についてのみ説明する。

ステップＳＴ３で認識開始ボタン１５のキーイベントであることが判断されると、次いで、認識開始ボタン１５の長時間押しがなされているかどうかが調べられる（ステップＳＴ２１）。具体的には、切替回数カウント処理部４１は、手動入力手段６からキー押下のキーイベントを受け取ってからキーリリースのキーイベントを受け取るまでの時間を計測し、この時間が所定値以上である場合に長時間押しがなされたと判断する。このステップＳＴ２１で、認識開始ボタン１５の長時間押しであることが判断されると、辞書を「常時有効」に設定する処理が行われる（ステップＳＴ２２）。すなわち、切替回数カウント処理部４１は、その時点で選択されている画面に対応する認識辞書の辞書番号を辞書切替処理部４３に送る。辞書切替処理部４３は、この辞書番号に応じて常時有効設定要求を発生し、認識辞書管理手段２に送る。認識辞書管理手段２は、この常時有効設定要求に応じて該当する認識辞書の状態を「常時有効」に設定する。ステップＳＴ２１で、認識開始ボタン１５の長時間押しでないことが判断されると、シーケンスはステップＳＴ４に進み、図５に示すフローチャートを参照して既に説明した処理が実行される。

以上説明したように、この発明の実施の形態３に係る音声認識装置によれば、例えば優先度の高い語彙を含む認識辞書を認識開始ボタン１５の長時間押しによって「常時有効」に設定するとともに、他の認識辞書は認識開始ボタン１５の押下により切り替えることができるので、認識対象とする語彙の範囲を広げることができる。また、音声認識を開始させるための認識開始ボタン１５を共用して、該認識開始ボタン１５を長時間押下することによって選択するように構成したので、音声認識装置を簡単且つ安価に構成できる。

なお、常時有効に設定された認識辞書を無効状態に戻すのは、例えば、その認識辞書に対応する画面がモニタ１３に出力されている状態で、再度、認識開始ボタン１５を長時間押して行うように構成できる。

実施の形態４．
この発明の実施の形態４に係る音声認識装置は、実施の形態２に係る音声認識装置において、修飾語句を付けた語彙を発話させて音声認識し、この認識結果から語彙を絞り込むようにしたものである。

上述したように、認識辞書管理手段２に保持されている管理テーブル２１に記憶されている複数の認識辞書の名称はモニタ１３上に表示される。従って、ユーザは、音声認識装置が保持している認識辞書の分類を把握できるので、辞書名を修飾語句として付加した認識語彙の発話、つまり、辞書名と認識語彙との発話を行う。例えば、「カ行の葛西臨海公園」という発話語彙をする。

この実施の形態４に係る音声認識装置の構成は、図９に示すように、制御手段４の認識結果判定処理部４６から認識辞書管理手段２に辞書選択指令が送られる点が実施の形態２に係る音声認識装置の構成と異なる。また、認識辞書管理手段２の機能および認識結果判定処理部４６の機能が、実施の形態２に係る音声認識装置のそれらと異なる。以下では、実施の形態２に係る音声認識装置と異なる点についてのみ説明する。

この実施の形態４に係る音声認識装置の認識結果判定処理部４６および認識辞書管理手段２は、実施の形態２に係る音声認識装置のそれらに以下の機能が追加されることにより構成されている。すなわち、認識結果判定処理部４６は、音声認識手段３のマッチング処理部３２から送られてくる認識結果が、「ア行」、「カ行」、・・・という語彙である場合は、各語彙に対応する認識辞書を選択すべく旨の辞書選択指令を認識辞書管理手段２に通知する。認識辞書管理手段２は、認識結果判定処理部４６から送られてくる辞書選択指令に応じて認識対象とする１つの認識辞書を選択し、その選択した認識辞書の状態を有効に設定するとともに他の認識辞書を無効に設定する。

次に、この発明の実施の形態４に係る音声認識装置の動作を説明する。今、「カ行の葛西臨海公園」と発話されたとすると、音声認識手段３は、まず、「カ行」という語彙を認識し、その旨を認識結果判定処理部４６に通知する。認識結果判定処理部４６は、「カ行」という語彙を認識した旨の通知を受けると、「カ行」の辞書を選択すべき旨の辞書選択指令を認識辞書管理手段２に送る。認識辞書管理手段２は、この辞書選択指令を受けて、「カ行」の認識辞書を選択する。これにより、次の音声認識では、「カ行」の認識辞書が使用される。

次に、音声認識手段３は、「葛西臨海公園」という語彙を認識し、その認識語彙とスコアを認識結果判定処理部４６に通知する。認識結果判定処理部４６は、音声認識手段３から認識結果として送られてくる認識語彙およびそのスコアに基づき認識語彙を確定し、画面切替処理部４５に送る。画面切替処理部４５は、認識結果判定処理部４６から送られてくる認識語彙を出力情報制御手段５に送る。これにより、モニタ１３に、認識結果の「葛西臨海公園」という文字が表示され、また、スピーカ１４から、認識結果の「葛西臨海公園」という音声が出力される。

以上説明したように、この発明の実施の形態４に係る音声認識装置によれば、ユーザの一度の発話により、辞書を絞り込んで認識処理が実行されるので、高い認識結果を得ることができる。

実施の形態５．
この発明の実施の形態５に係る音声認識装置は、実施の形態２に係る音声認識装置において、音声認識手段３が認識結果を唯一に特定できなかった場合に、ユーザに語彙を絞り込むための言葉を付加した発話を促すようにしたものである。

この実施の形態５に係る音声認識装置の構成は、認識結果判定処理部４６の機能を除き、実施の形態４に係る音声認識装置の構成と同じである。以下では、実施の形態４に係る音声認識装置と異なる点についてのみ説明する。

すなわち、認識結果判定処理部４６は、音声認識手段３のマッチング処理部３２から認識結果として送られてくる認識語彙およびそのスコアが所定の条件を満たしていない場合、例えば、スコアが所定値より小さい複数の認識語彙が得られた場合に、再発話を促すメッセージを生成して画面切替処理部４５に送る。画面切替処理部４５は、認識結果判定処理部４６から送られてくるメッセージを出力情報制御手段５に送る。これにより、モニタ１３に、再発話を促す文字が表示され、また、スピーカ１４から、再発話を促す音声が出力される。例えば、ユーザが「赤坂」と発話し、音声認識手段３から認識結果として「赤坂」と「高坂」の２通りの結果が得られた場合に、「あいうえおの赤坂ですか、たちつてとの高坂ですか？」というメッセージをモニタ１３に表示するとともにスピーカから音声で出力する。

これに応答して、ユーザが例えば「あいうえおの赤坂」と再発話を行った場合は、音声認識手段３は、まず、「あいうえおの赤坂」という語彙を認識し、その旨を認識結果判定処理部４６に通知する。認識結果判定処理部４６は、「あいうえおの赤坂」という語彙を認識した旨の通知を受けると、「ア行」の辞書を選択すべき旨の辞書選択指令を認識辞書管理手段２に送る。認識辞書管理手段２は、この辞書選択指令を受けて、「カ行」の認識辞書を選択する。これにより、「ア行」の認識辞書が使用される状態に設定される。次いで、音声認識手段３は、「ア行」の認識辞書を使用して再度認識処理を実行する。これにより、「赤坂」という語彙が最終的な認識結果として得られる。

以上説明したように、この発明の実施の形態５に係る音声認識装置によれば、再発話を促すメッセージに応答して選択された認識辞書を用いた認識結果を取得するように構成したので、認識結果を絞り込むことが可能となり、認識率を向上させることができる。

この発明の実施の形態１に係る音声認識装置の構成を示すブロック図である。 この発明の実施の形態１に係る音声認識装置で使用される管理テーブルの記憶内容を示す図である。 この発明の実施の形態１に係る音声認識装置で使用される出力情報テーブルの記憶内容を示す図である。 この発明の実施の形態１に係る音声認識装置で使用される切替対応テーブルの記憶内容を示す図である。 この発明の実施の形態１に係る音声認識装置の動作を説明するためのフローチャートである。 この発明の実施の形態１に係る音声認識装置で出力される画面表示および音声出力の例を説明するための図である。 この発明の実施の形態３に係る音声認識装置で使用される管理テーブルの記憶内容を示す図である。 この発明の実施の形態３に係る音声認識装置の動作を説明するためのフローチャートである。 この発明の実施の形態４に係る音声認識装置の構成を示すブロック図である。

符号の説明

１ 音声認識辞書、２ 認識辞書管理手段、３ 音声認識手段、４ 制御手段、５ 出力情報制御手段、６ 手動入力手段、７ キーコード判別手段、８ 音声入力手段、９ 画面出力手段（出力手段）、１０ 音声出力手段（出力手段）、１１ リモコン、１２ マイク、１３ モニタ（出力手段）、１４ スピーカ（出力手段）、１５ 認識開始ボタン、２１ 管理テーブル、３１ 音声分析処理部、３２ マッチング処理部、４１ 切替回数カウント処理部、４２ 切り替え対応テーブル、４３ 辞書切替処理部、４４ 認識エンジン制御処理部、４５ 画面切替処理部、４６ 認識結果判定処理部、５１ 出力情報テーブル、５２ 画面出力生成手段、５３ 音声出力生成手段。

Claims (7)

1. 音声を認識するための複数の認識辞書と、
   音声認識を開始させる認識開始ボタンと、
   前記認識開始ボタンが操作された回数に応じて前記複数の認識辞書の１つを有効に設定する制御手段と、
   前記制御手段により有効に設定された認識辞書を用いて音声認識を行う音声認識手段
   とを備えた音声認識装置。
2. 複数の認識辞書は、語彙の種類によって分類された、住所に使用される語彙を含む住所辞書、施設名に使用される語彙を含む施設名辞書、電話番号に使用される語彙を含む電話番号辞書および楽曲の名称に使用される語彙を含む曲名辞書を含むことを特徴とする請求項１記載の音声認識装置。
3. 複数の認識辞書は、語彙の先頭の表音文字によって分類されていることを特徴とする請求項１記載の音声認識装置。
4. 複数の認識辞書は、５０音表の行によって分類された「ア行辞書」、「カ行辞書」、「サ行辞書」、「タ行辞書」、「ナ行辞書」、「ハ行辞書」、「マ行辞書」、「ヤ行辞書」、「ラ行辞書」および「ワ行辞書」を含むことを特徴とする請求項３記載の音声認識装置。
5. 制御手段は、１つの認識辞書が選択された状態で認識開始ボタンが所定時間以上押下され続けたときに、該選択された認識辞書を常時有効に設定し、
   音声認識手段は、有効および常時有効に設定された認識辞書を用いて音声認識を行うことを特徴とする請求項１記載の音声認識装置。
6. 複数の認識辞書の分類を表す情報を出力する出力手段を備え、
   制御手段は、前記出力手段に出力された前記分類を表す情報の発話に応じて複数の認識辞書の１つを有効に設定することを特徴とする請求項１記載の音声認識装置。
7. メッセージを表す情報を出力する出力手段を備え、
   制御手段は、音声認識手段による音声認識によって複数の認識語彙が得られた場合に、前記出力手段に語彙を絞り込むための発話を促すメッセージを出力し、該メッセージに応答してなされた発話に応じて複数の認識辞書の１つを有効に設定し、
   音声認識手段は、前記制御手段により有効に設定された認識辞書を用いて再度音声認識を行うことを特徴とする請求項１記載の音声認識装置。

Images