JP2006227499A

JP2006227499A - 音声認識装置

Info

Publication number: JP2006227499A
Application number: JP2005044022A
Authority: JP
Inventors: Masaaki Ichihara; 雅明市原
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2005-02-21
Filing date: 2005-02-21
Publication date: 2006-08-31

Abstract

【課題】本発明は、周辺の騒音レベルとの関係でどの程度の音量で発話すればよいかを話者が感覚的に把握し易い音声認識装置の提供を目的とする。
【解決手段】ユーザの発話音声に対して音声認識処理を行う音声認識装置において、マイク４０に断続的に入力される発話区間を検出する発話区間検出手段と、検出した発話区間内における音に基づいて、発声音量を算出する発声音量算出手段と、検出した発話区間外における音に基づいて、騒音音量を算出する騒音音量算出手段と、算出した発声音量と騒音音量とを対比可能に表示する表示手段とを備えることを特徴とする。
【選択図】図３

Description

本発明は、ユーザの発話音声に対して音声認識処理を行う音声認識装置に関する。

従来から、マイクを介して採取される被音声認識パターンを、予め用意された標準音声パターンと照合して音声認識を行う音声認識装置において、発話時の周辺環境の騒音レベルの相違により認識性能が変化しないようにするため、異なる発声レベルに対応した複数の標準音声パターンを作成しておき、音声認識時の騒音レベルの値等から適切な標準音声パターンを選択し、当該選択した標準音声パターンを前記照合に用いて音声認識を行う技術が知られている（例えば、特許文献１参照）。この従来技術では、適正な音声レベルで話者に発話してもらうため、“大きい”、“適正”、“小さい”といったように、話者が発声すべき発声レベルを視覚的に表示するレベル表示部を備えている。
特開平６−２３６１９６号公報

ところで、この種の音声認識装置では、所期の認識精度を実現するのに必要な音声レベル（又はS/N比）を確保するために、話者に再発話を要求する場合がある。この際、話者の負担を軽減するため、再発話の要求が可能な限り一回で済むようにすることが好ましく、この観点から、再発話時にどのような音声レベルで発話すればよいかを的確且つ容易に話者が把握できるようにすることが望ましい。

この点、例えば上述の従来技術のように、“音声レベルを大（又は小）としてもう一度発話してください”といったような音声メッセージ等を出力して再発話を要求することは、話者は、当該要求に応じた再発話時に、前の発話時に比べて発声量を大きくすべきか又は小さくすべきかを知ることができる。

しかしながら、所期の認識精度を確保するために必要とされるユーザの発話音声の音声レベル(又はS/N比)は、発話時の周辺環境の騒音レベルに依存して変化する。従って、例えば上述の従来技術のように単にマイクに入力される音声レベルの大小を話者に知らせるだけでは、話者は、周辺の騒音レベルとの関係で変化する適正な音声レベルを感覚的に把握できないため、周辺の騒音レベルに見合った適正な音声レベルで発話するのが容易でない。

そこで、本発明は、周辺の騒音レベルとの関係でどの程度の音量で発話すればよいかを話者が感覚的に把握し易い音声認識装置の提供を目的とする。

上記課題を解決するため、本発明の一局面によれば、ユーザの発話音声に対して音声認識処理を行う音声認識装置において、
マイクを介して入力される音に含まれる騒音部の音量と、認識対象である音声部の音量とをそれぞれ算出して表示することを特徴とする、音声認識装置が提供される。

本局面において、算出した騒音部の音量に応じた適正な発声音量を算出して推奨発声音量として表示してよい。

また、本発明のその他の一局面によれば、
ユーザの発話音声に対して音声認識処理を行う音声認識装置において、
マイクに断続的に入力される発話区間を検出する発話区間検出手段と、
検出した発話区間内における音に基づいて、発声音量を算出する発声音量算出手段と、
検出した発話区間外における音に基づいて、騒音音量を算出する騒音音量算出手段と、
算出した発声音量と騒音音量とを対比可能に表示する表示手段とを備えることを特徴とする、音声認識装置が提供される。

本発明によれば、周辺の騒音レベルとの関係でどの程度の音量で発話すればよいかを話者が感覚的に把握し易い音声認識装置を得ることができる。

以下、図面を参照して、本発明を実施するための最良の形態の説明を行う。

図１は、本発明による音声認識装置１０の一実施例を示すシステム構成図である。尚、本発明は、音声認識処理方法や音声認識処理のための信号の処理方法や流れ等により限定されるものでなく、如何なるハードウェア構成で如何なるソフトウェア（音声認識エンジン）を用いて実現する音声認識処理においても適用可能である。

音声認識装置１０は、その基本的な構成として、バス２０を介して接続されるCPU２２、ディスプレイコントローラ２４、メモリ２６、A/D(analog-to-digital)変換器２８を備える。メモリ２６には、以下で説明するCPU２２及びディスプレイコントローラ２４の機能を実現するプログラムやデータが格納される。

音声認識装置１０は、車室内の音（音声）を拾うマイク（マイクロフォン）４０を備える。マイク４０に入力されるアナログ音声は、マイクアンプにて増幅処理やノイズ除去などの所定処理を受けて、A/D変換器２８でデジタル形式の音声信号に変換され、バス２０を介してCPU２２に送られる。CPU２２では、音声信号から特徴量が抽出され、次いで、所与の音響／言語モデルを用いたマッチング処理により認識結果（認識候補）が決定される。認識結果は、ディスプレイコントローラ２４の制御下で、車室内の適切な場所に設けられるディスプレイ５０上に出力される。ディスプレイ５０は、例えばユーザがタッチ操作することで各種入力が可能なタッチパネル式ディスプレイである。ディスプレイコントローラ２４は、ディスプレイ５０上にて以下で詳説する画面表示を実現する。尚、本発明は、上述の如く、音声認識処理の詳細を特定するものでなく、如何なる音声認識技術に基づくものであってもよい。

次に、図２及び図３を参照して、本発明による音声認識装置１０の特徴的な構成について説明する。図２は、本実施例の音声認識装置１０により実現される主要処理流れを示すフローチャートである。図３は、本実施例の音声認識装置１０（ディスプレイコントローラ２４）により実現されるディスプレイ５０上での画面表示の一例を示す図である。

図２を参照するに、先ずステップ１００では、所定の開始条件の成立、例えば車室内に配置されるプレストークSW（図示せず）に対するユーザのオン操作に応じて、音声認識装置１０による音声認識処理が開始される。本例では、プレストークSWをユーザが押しながら、典型的には乗員である話者が「とよた」と発声した場合について説明する。

続くステップ１１０では、マイク４０を介して断続的に入力される発話区間が検出される。発話区間とは、話者の音声部、即ち認識対象の音声が含まれている区間であり、先の例では、「とよた」という発話に係る発話区間である。発話区間の検出は、如何なる方法で実現されてもよく、例えば特開２００４−２７１６０７号公報に開示されるような方法が用いられてよい。この場合、発話区間は、ノイズが除去または低減した音声信号に基づいて検出される。これは、音声信号は、フィルタによりノイズが除去または低減することで、無音声部（無発話部）の振幅は極めて小さくなり、発声部（有音声部）の振幅のみが残る状態となり、発話部が無発話部に比して強調されることに基づく。

続くステップ１２０では、車速の検出値に基づいて、車両が走行中であるか否かが判定される。尚、車輪速センサの検出信号は、図１に示すように、A/D変換器２８でデジタル形式の電子信号に変換され、バス２０を介してメモリ２６に格納されてよく、この場合、メモリ２６内の車速の検出値はバス２０を介したCPU２２によるアクセスが可能な状態とされる。

車両が走行中（例えば、車速がゼロより大きいか若しくはある小さな速度以上）の場合、ステップ２００以下の処理がなされる。一方、車両が停止状態である場合、ステップ３００の処理がなされる。

ステップ３００では、車両停止状態における表示制御として、ディスプレイコントローラ２４によりディスプレイ５０上には、発話区間内の音声量の算出値S［dB］が表示される（図3（D）参照）。ここで、発話区間内の音声量は、発話区間内の全区間に亘る音量の平均値として算出されてよい。発話区間内の音声量の算出値Sは、パワー、音圧等の音の大きさ・強度を表す適正なパラメータを用いて算出されてよく、平均値に代えて、積算値（積分値）、最大値・最小値等が用いられてもよい。尚、図3（D）に示す例では、マイク４０を介して入力された音声に対して現在“認識中”であることを示す表示がなされているが、当該認識が完了するとその認識結果が表示されることになる（図3（A）等参照）。

図3（D）に示す例では、車両停止状態の場合では、マイク４０から入力される音の音量（発話区間内の音声量の算出値）が表示されている。但し、発話区間内の音声量に限らず、全区間（即ちプレストークSWがオン状態になっている間）に亘って各時点の音量がリアルタイムに表示されてもよい。また、後述する推奨範囲の表示が並列的に表示されてもよい。推奨範囲とは、適正な認識率で認識可能な音声量（S/N比）を表すものであり、周辺のノイズの音量に応じて変化するものである（推奨範囲の算出方法については後述する）。これにより、発話者は、実際の発話を行う前に、現時点における適正な音量をリアルタイムに把握することができる。

一方、ステップ２００以下の処理では、車両走行状態における表示制御として、ディスプレイコントローラ２４によりディスプレイ５０上には、認識結果（本例では、「とよた」）と共に、発話区間内の音声量の算出値、及び、マイク４０から入力される音に含まれる騒音部の音量が表示される（図3（A）参照）。これにより、発話者は、実際の発話を行った後、当該発話での音声量が騒音量に対してどの程度であったかを把握することができ、騒音量との関係でどの程度の音声量が必要であったかを感覚的に把握することができる。従って、発話者は、次回の発話時又は発話のやり直し時に、騒音量との関係でどの程度の音声量が適切かを感覚的に把握しながら発話を行うことができる。

具体的には、先ずステップ２００にて、騒音部の音量の平均値N［dB］が算出され、ステップ２１０では、上記ステップ３００と同様の態様で、発話区間内の音量の平均値S［dB］が算出され、それぞれが対比可能な態様で表示される（図3（A）参照）。ここで、騒音部の音量（騒音量）は、発話区間外(即ち無音声部)の音量の平均値として算出されてよい。騒音量の平均値Nは、発声量の平均値Sと同様、パワー、音圧等の音の大きさ・強度を表す適正なパラメータを用いて算出されてよく、平均値に代えて、積算値（積分値）、最大値・最小値等が用いられてもよい。騒音部の音量（騒音量）の算出には、発話区間検出のためのノイズの除去等される前の音声信号（即ちノイズを含む音声信号）が用いられてよい。

また、ステップ２２０では、推奨範囲を表示するため、騒音量との関係で適正な音声量が算出される。例えば、推奨範囲Xは、騒音部の音量の平均値Nと、音声認識装置１０により認識処理可能な音量の最大値MAX（通常的には、波形がクリップする音圧）を用いて、N＋α＜X＜MAXとして与えられてよい。ここで、αは、所望のS/N比に応じて決定され、例えば目標S/N比として10［dB］を狙う場合にはα＝10とされてよい。この算出した推奨範囲Xは、図3（A）に示すように、発声音量の平均値S（及び騒音量の平均値N）と対比可能に表示される。これにより、発話者は、実際の発話を行った後、当該発話での音声量が推奨範囲に対してどの程度であったかを把握することができ、推奨範囲との関係でどの程度の音声量が必要であったかを感覚的に把握することができる。

尚、今回の発話での音声量が推奨範囲Xを満たさない場合は、再度の発話が要求されてよい。例えば、ディスプレイコントローラ２４は、ディスプレイ５０上に再度の発話を要求するメッセージを出力してよい。この場合でも、発話者は、当該発話のやり直し時に、推奨範囲Xとの関係でどの程度の音声量が適切かを感覚的に把握しながら発話を行うことができる。

この推奨範囲Xは、上述の如く騒音量との関係で定まるものであるため、図3（B）に示すように、騒音量が大きくなるにつれて推奨範囲が小さくなる（即ち推奨範囲の下限値が大きくなる）。そして、騒音量が一定限度以上大きくなると、即ちN＋α＞MAXとなると、推奨範囲が無くなるので、図3（C）に示すように、その旨を知らせる表示（本例では、推奨範囲が喪失した状態表示）を行う。これにより、発話者は、音声認識装置１０により認識処理できないような大きい周辺騒音状況が一目で把握できるので、かかる状況下で無理に大きな音声量での発話を行うことが防止される。

尚、本実施例において、騒音部の音量の平均値Nは、認識対象の発話区間（先の例では発話「とよた」を含む区間）の前区間及び／又は後区間における騒音量（即ち背景の音量）に基づいて算出されてよく、例えば認識対象の発話区間直前（及び／又は発話区間直後）の騒音部（無発話部）の音量に基づいて算出されてよい。或いは、騒音部の音量の平均値Nは、発声量の平均値Sの算出に用いた区間、即ち発話区間内における騒音量が用いられてもよい。この場合、発話区間内における騒音量は、発話区間検出のために除去・低減されるノイズの強度等に基づいて算出されてよい。

同様に、推奨範囲Xの算出に用いる騒音量Nは、必ずしも騒音部の音量の平均値Nと同一の算出態様で算出されたものが用いられる必要は無い。例えば、推奨範囲Xの算出に用いる騒音量Nは、現時点前後の比較的短い区間での騒音量の平均値Nとしてよく、推奨範囲Xが現時点の騒音量に応じてリアルタイムに変化するようにしてもよい。但し、ディスプレイ５０への過剰な視線誘導を誘発しないように、非リアルタイムに表示させるようにしてもよい。

以上、本発明の好ましい実施例について詳説したが、本発明は、上述した実施例に制限されることはなく、本発明の範囲を逸脱することなく、上述した実施例に種々の変形及び置換を加えることができる。

例えば、上述の実施例において、マイク４０から入力される音を増幅する増幅器（マイクアンプ）のゲインが可変である場合には、かかる可変値が上述の各種音量の算出時に考慮されてよい。即ち、騒音量と発声音量とが相対的に比較可能な条件で算出されていれば、これら各種音量は、如何なる段階の如何なる態様の音声信号に基づいて算出されてもよい。

また、上述の実施例では、車両の状態として車両の走行中が車輪速センサの検出値に基づいて判断されているが、車両の走行状態若しくは停止状態は、ブレーキ装置の作動状態やシフトレバーなどの各種電子部品の状態に基づいて多様な態様で判断できるものである。例えば、車両の走行は、エンジンがオン状態であり、シフトレバーがDレンジであり、且つ、ブレーキペダルが操作されていない場合に検出されてもよい。また、逆に車両の停止状態は、エンジンがオン状態であり、且つ、シフトレバーがNレンジ若しくはPレンジであり、又は、ブレーキペダルが操作されている若しくはパーキングブレーキが操作されている場合に検出されてもよい。

本発明による音声認識装置１０の一実施例を示すシステム構成図である。本実施例の音声認識装置１０により実現される主要処理流れを示すフローチャートである。本実施例の音声認識装置１０（ディスプレイコントローラ２４）により実現されるディスプレイ５０上での画面表示の一例を示す図である。

符号の説明

１０音声認識装置
２０バス
２２ CPU
２４ディスプレイコントローラ
２６メモリ
４０マイク
５０ディスプレイ

Claims

ユーザの発話音声に対して音声認識処理を行う音声認識装置において、
マイクを介して入力される音に含まれる騒音部の音量と、認識対象である音声部の音量とをそれぞれ算出して表示することを特徴とする、音声認識装置。
算出した騒音部の音量に応じた適正な発声音量を算出して推奨発声音量として表示する、請求項１に記載の音声認識装置。
ユーザの発話音声に対して音声認識処理を行う音声認識装置において、
マイクに断続的に入力される発話区間を検出する発話区間検出手段と、
検出した発話区間内における音に基づいて、発声音量を算出する発声音量算出手段と、
検出した発話区間外における音に基づいて、騒音音量を算出する騒音音量算出手段と、
算出した発声音量と騒音音量とを対比可能に表示する表示手段とを備えることを特徴とする、音声認識装置。