JP2007079122A - 音声処理装置、およびプログラム - Google Patents

Abstract

【課題】従来の音声処理装置においては、音声認識結果をユーザへ効率的に提示することができないという課題があった。
【解決手段】音声を受け付ける音声受付部と、前記音声に対して音声認識し、予め決められた数の音声認識結果の候補であるＮベスト候補を取得する候補取得部と、前記候補取得部が取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する信頼性算出部と、前記信頼性算出部が算出した各候補の信頼性に基づいて、各候補の一部または全部を出力する出力部とを具備する音声処理装置により、音声認識結果をユーザへ効率的に提示することができる。
【選択図】図１

Description

本発明は、音声認識結果をユーザへ効率的に提示することができる音声処理装置等に関するものである。

従来の第一の音声処理装置において、音声認識結果の第１位候補のみを用いて翻訳する仕組みを採用していた（例えば、非特許文献１参照）。
また、従来の第二の音声処理装置において、第３位までの音声認識候補を表示し，ユーザが選択する仕組みを採用していた（例えば、非特許文献２参照）。
菅谷史昭、他４名、「音声翻訳システム：ＡＴＲ−ＭＡＴＲＩＸの開発と評価」、情報処理学会論文誌、２００２、４３（７）、ｐ．２２３０−２２４１ 森元逞、他７名、「音声翻訳システム（ＡＳＵＲＡ）のシステム構成と性能評価」、情報処理学会論文誌、１９９６、３７（９）、ｐ．１７２６−１７３５

しかしながら、従来の音声処理装置においては、絞り込んだ音声認識結果に対して妥当性処理を加えないので、不自然な文章の音声認識結果が出力されるなど、音声認識結果をユーザへ効率的に提示することができない、と言う課題があった。

本第一の発明の音声処理装置は、音声を受け付ける音声受付部と、前記音声に対して音声認識し、予め決められた数の音声認識結果の候補であるＮベスト候補を取得する候補取得部と、前記候補取得部が取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する信頼性算出部と、前記信頼性算出部が算出した各候補の信頼性に基づいて、各候補の一部または全部を出力する出力部とを具備する音声処理装置である。
かかる構成により、音声認識結果をユーザへ効率的に提示することができる。

また、本第二の発明の音声処理装置は、第一の発明に対して、前記出力部は、予め閾値を保持している閾値保持手段と、前記各候補の信頼性が前記閾値と所定の関係にあるか否かを判断する判断手段と、前記判断手段が所定の関係にあると判断した候補のみ出力する出力手段を具備する音声処理装置である。
かかる構成により、音声認識結果をユーザへより効率的に提示することができる。

また、本第三の発明の音声処理装置は、第一、第二いずれかの発明に対して、前記出力部が出力した候補のうちの所定の条件を満たす候補に対して、翻訳処理を行い、受け付けた音声の言語と異なる言語に変換し、出力する翻訳出力部をさらに具備する音声処理装置である。
かかる構成により、音声認識結果を効率的に絞り込んだ上で、翻訳処理を行うことができる。
また、本第四の発明の音声処理装置は、第三の発明に対して、前記翻訳出力部は、前記受け付けた音声の言語と異なる言語に変換した結果を音声合成し、音声出力する音声処理装置である。
かかる構成により、高性能でリアルタイム翻訳が可能な自動翻訳電話等を実現できる。

本発明による音声処理装置によれば、音声認識結果をユーザへ効率的に提示することができる。

以下、音声処理装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
（実施の形態１）
図１は、本実施の形態における音声処理装置のブロック図である。

音声処理装置は、音声受付部１０１、候補取得部１０２、信頼性算出部１０３、出力部１０４を具備する。候補取得部１０２は、候補数情報格納手段１０２１、音声認識手段１０２２、候補取得手段１０２３を具備する。出力部１０４は、閾値保持手段１０４１、判断手段１０４２、出力手段１０４３を具備する。なお、音声受付部１０１は、例えば、マイク３０５等から音声を受け付ける。また、出力部１０４は、例えば、モニタ３０４等に音声認識結果を出力する。

音声受付部１０１は、音声を受け付ける。音声の入力手段は、マイク３０５や記録媒体からの読み出し手段等、何でも良い。音声受付部１０１は、マイク３０５等の入力手段のデバイスドライバーや等で実現され得る。

候補取得部１０２は、音声受付部１０１が受け付けた音声に対して音声認識し、予め決められた数（Ｎ（Ｎは自然数））の音声認識結果の候補であるＮベスト候補を取得する。候補取得部１０２は、例えば、音声認識した結果である１以上の候補に対して、音声認識スコアを算出し、音声認識スコアが大きい順から数えて、Ｎ個の候補（Ｎベスト候補）を取得する。また、候補取得部１０２は、例えば、音声認識スコアが異なる同一の候補を除去する。その際、候補取得部１０２は、同一の候補のうち、最大の音声認識スコアを有する一の候補のみを残す。なお、単語間に無音が挿入されるなどの理由により、音声認識候補として同一であっても、音声認識スコアが異なる重複した候補が含まれ得る。候補取得部１０２は、通常、ＭＰＵやメモリ等から実現され得る。候補取得部の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。

候補数情報格納手段１０２１は、音声認識の結果、言語としての信頼性を算出する対象の候補数の情報である候補数情報を格納している。候補数情報は、「Ｎ」であり、「Ｎ」は自然数である。なお、「Ｎ」は、例えば、「１０」である。候補数情報格納手段１０２１は、不揮発性の記録媒体でも、揮発性の記録媒体でも良い。

音声認識手段１０２２は、音声受付部１０１が受け付けた音声に対して、音声認識処理を行い、多数の音声認識結果の候補を得る。音声認識手段１０２２が得た音声認識結果の候補は、通常、文字コード列である。また、音声認識手段１０２２は、得た候補に対して、音声認識スコアを取得し、候補の文字コード列と、音声認識スコアを対にして、少なくとも一時的に所定の記録領域に記録する。音声認識スコアとは、音としての自然さや正確さ等を示すスコアと、隣り合う単語の並びやすさについてのスコアから算出されるスコアである。なお、音声認識スコアは、母音を多く含む単語のスコアが子音を多く含む単語のスコアより大きくなったり、使われる頻度が非常に少ない単語のスコアが小さくなったりする。

候補取得手段１０２３は、音声認識手段１０２２がメモリに記録した音声認識スコアが上位Ｎの候補の文字コード列を取得し、少なくとも一時的に所定の記録領域に記録する。かかる音声認識スコアが上位Ｎの候補を、Ｎベスト候補という。Ｎベスト候補を構成する各候補は、通常、文字コード列である。

信頼性算出部１０３は、候補取得部１０２が取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する。信頼性とは、ある単独の候補の音声スコアだけでは判断できないスコアのゆれ具合を別の候補との相対的な関係で正規化した数値である。信頼性とは、例えば、発話を単位とする信頼性尺度であり、一般化単語事後確率（ＧＷＰＰ）に基づく信頼性尺度を発話単位に拡張した信頼性尺度である。また、「ＧＷＰＰに基づく信頼性尺度を発話単位に拡張する」とは、単語単位で算出されるＧＷＰＰの値（確率）の積を信頼性とすることである。この積とは、発話単位を構成する1以上の単語の1以上のＧＷＰＰの積である。なお、実装上は、確率の対数をとって和とすることが多い。信頼性算出部１０３は、通常、ＭＰＵやメモリ等から実現され得る。信頼性算出部１０３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。

出力部１０４は、信頼性算出部１０３が算出した各候補の信頼性に基づいて、各候補の一部または全部を出力する。出力部１０４は、例えば、信頼性の値が最も大きい候補のみを出力する。また、出力部１０４は、例えば、信頼性の値が所定の値（閾値）より大きい場合、当該信頼性と対になっている候補を出力する。また、出力部１０４は、２以上の候補を出力する場合、信頼性が大きい順に出力することが好適であるが、出力順序は問わない。ここで、出力とは、ディスプレイへの表示、プリンタへの印字、音声合成出力、外部の装置への送信等を含む概念である。出力部１０４は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部１０４は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。

閾値保持手段１０４１は、予め閾値を保持している。この閾値は、音声認識結果として、最終的に候補を出力する場合の、信頼性の値（信頼性尺度）に対して、候補を残すまたは除くための閾値である。閾値保持手段１０４１は、不揮発性の記録媒体でも、揮発性の記録媒体でも良い。

判断手段１０４２は、各候補の信頼性が閾値と所定の関係にあるか否かを判断する。所定の関係とは、例えば、信頼性が閾値以上の関係、または信頼性が閾値より大きいという関係等である。判断手段１０４２は、通常、ＭＰＵやメモリ等から実現され得る。判断手段１０４２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。

出力手段１０４３は、判断手段１０４２で所定の関係にあると判断された候補のみ出力する出力する。出力手段１０４３は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力手段１０４３は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
次に、音声処理装置の動作について図２のフローチャートを用いて説明する。
（ステップＳ２０１）音声受付部１０１は、音声を受け付けたか否かを判断する。音声を受け付ければステップＳ２０２に行き、音声を受け付けなければステップＳ２０１に戻る。

（ステップＳ２０２）候補取得部１０２は、ステップＳ２０１で受け付けた音声を発話単位に分割する。なお、音声を発話単位に分割する技術は公知技術であるので、説明を省略する。発話単位とは、文単位、２以上の文の区切り単位等である。
（ステップＳ２０３）音声認識手段１０２２は、カウンタｉに１を代入する。

（ステップＳ２０４）音声認識手段１０２２は、ステップＳ２０２で区分した発話単位のうち、ｉ番目の発話単位が存在するか否かを判断する。ｉ番目の発話単位が存在すればステップＳ２０５に行き、ｉ番目の発話単位が存在しなければステップＳ２０１に戻る。

（ステップＳ２０５）音声認識手段１０２２は、ｉ番目の発話単位に対して、音声認識処理を行い、1以上の候補と当該候補に対する音声認識スコアを対で取得する。なお、音声認識処理を行い、1以上の候補と当該候補に対する音声認識スコアを取得する処理は公知技術であり、説明を省略する。また、音声認識のアルゴリズムは、問わない。また、候補は、ここでは、文字コード列である。

（ステップＳ２０６）音声認識手段１０２２は、ステップＳ２０５で取得した候補のうち、重複する候補を除去する。除去する候補は、同一の２以上の候補のうち、音声認識スコアが最高の候補以外の1以上の候補である。
（ステップＳ２０７）候補取得手段１０２３は、音声認識スコアをキーとして、降順に候補をソートする。
（ステップＳ２０８）候補取得手段１０２３は、候補数情報格納手段１０２１から候補数情報（Ｎ）を読み出す。
（ステップＳ２０９）候補取得手段１０２３は、ステップＳ２０７でソートした候補のうち、上位Ｎの候補（音声認識スコアが高いＮ個の候補）を取得する。
（ステップＳ２１０）信頼性算出部１０３は、カウンタｊに１を代入する。

（ステップＳ２１１）信頼性算出部１０３は、ステップＳ２０９で取得したＮ−ベスト候補のうち、ｊ番目の候補が存在するか否かを判断する。ｊ番目の候補が存在すればステップＳ２１２に行き、ｊ番目の候補が存在しなければステップＳ２１５に飛ぶ。
（ステップＳ２１２）信頼性算出部１０３は、ｊ番目の候補に対して、ＧＷＰＰに基づく信頼性を算出する。
（ステップＳ２１３）信頼性算出部１０３は、ｊ番目の候補とステップＳ２１２で算出した信頼性を対にして、一時格納する。
（ステップＳ２１４）信頼性算出部１０３は、カウンタｊを１、インクリメントし、ステップＳ２１１に戻る。
（ステップＳ２１５）判断手段１０４２は、閾値保持手段１０４１の閾値を読み出す。
（ステップＳ２１６）判断手段１０４２は、カウンタｊに１を代入する。

（ステップＳ２１７）判断手段１０４２は、ステップＳ２１３で一時格納されたうちに候補で、ｊ番目の候補が存在するか否かを判断する。ｊ番目の候補が存在すればステップＳ２１８に行き、ｊ番目の候補が存在しなければステップＳ２２１に行く。

（ステップＳ２１８）判断手段１０４２は、ｊ番目の候補と対になっている信頼性が、閾値以上であるか否かを判断する。信頼性が閾値以上であればステップＳ２１９に行き、信頼性が閾値未満であればステップＳ２２０に行く。なお、ここで、判断手段１０４２は、ｊ番目の候補と対になっている信頼性が、閾値より大きいか否かを判断しても良い。
（ステップＳ２１９）判断手段１０４２は、ｊ番目の候補と信頼性を対にして一時格納する。
（ステップＳ２２０）判断手段１０４２は、カウンタｊを１、インクリメントし、ステップＳ２１７に戻る。
（ステップＳ２２１）出力手段１０４３は、ステップＳ２１９で一時格納された信頼性をキーとして、降順に1以上の候補をソートする。
（ステップＳ２２２）出力手段１０４３は、ステップＳ２２１でソートした順に、1以上の候補を出力する。
（ステップＳ２２３）出力手段１０４３は、カウンタｉを１、インクリメントし、ステップＳ２０４に戻る。
なお、図２のフローチャートのステップＳ２２１において、候補をソートせずに、出力しても良い。
また、図２のフローチャートにおいて、ステップＳ２１３における候補等の一時格納を行う前に、ステップＳ２１８における判断を行っても良い。
また、図２のフローチャートにおいて、ステップＳ２１８における判断（閾値と比較をすることによる判断）を行わずに、信頼性の大きい上位所定数の候補のみを出力対象としても良い。
また、図２のフローチャートにおいて、ステップＳ２２１におけるソート処理は必須ではないことは言うまでもない。
なお、図２のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
以下、本実施の形態における音声処理装置の具体的な動作について説明する。
まず、音声の発声者が「かわのじゃけっとではなくてめんのじゃけっとをさがしています。いろはべーじゅがいいんです。・・・」とマイク３０５を用いて音声入力する、とする。
次に、音声受付部１０１は、発声者がマイク３０５から入力した音声を受け付ける。

次に、候補取得部１０２は、受け付けた音声を発話単位に分割する。そして、候補取得部１０２は、まず、第一番目の発話単位「かわのじゃけっとではなくてめんのじゃけっとをさがしています。いろはべーじゅがいいんです。」を取得する。なお、発話単位をいかに分割するかは問わない。

次に、音声認識手段１０２２は、音声認識処理を行い、1以上の候補と当該候補に対する音声認識スコアを対で取得する。そして、音声認識手段１０２２は、取得した候補のうち、重複する候補を除去する。そして、音声認識手段１０２２が取得した候補、および音声認識スコアの例を図３に示す。

次に、候補取得手段１０２３は、音声認識スコアをキーとして、降順に候補をソートし、Ｎ−ベスト候補を取得する。かかるＮ−ベスト候補を図４の「Ｎ―ベスト候補」の属性値に示す。ここで、「Ｎ」は、３である、とする。
次に、信頼性算出部１０３は、図４の３つの候補に対して、一般化単語事後確率（ＧＷＰＰ）に基づく信頼性を算出する。そして、信頼性算出部１０３は、図４に示す信頼性尺度管理表を得る。

次に、判断手段１０４２は、閾値保持手段１０４１の閾値「０．０９」を読み出す。そして、図４の「ＩＤ＝１」「ＩＤ＝２」「ＩＤ＝３」の各候補と対になる信頼性と、閾値「０．０９」を比較し、信頼性が閾値「０．０９」より大きい場合、当該信頼性と対になる候補を取得する。ここでは、「ＩＤ＝２」の候補「革のジャケットではなくて綿のジャケットを探しています。色はベージュ色が良いんです」のみを取得する。そして、出力手段１０４３は、「ＩＤ＝２」の候補を出力する。
なお、本音声処理装置は、上記の処理を、受け付けた発話単位分だけ繰り返し行う。

また、本音声処理装置において、閾値保持手段１０４１の閾値を変更することにより、出力する候補数が変わることは言うまでもない。図５は、閾値を変更した場合の出力候補数の変化を示す図である。図５は、発話あたりで平均した出力候補数（Ｎｕｍｂｅｒ ｏｆ Ｃａｎｄｉｄａｔｅｓ）を横軸に、発話認識率（Ｕｔｔｅｒａｎｃｅ Ａｃｃｕｒａｃｙ）を縦軸に取り、その関係をグラフ化したものである。図５において、本音声処理装置における処理結果が、「Ｐｒｏｐｏｓｅｄ Ｍｅｔｈｏｄ」の曲線である。また、図５において、もとのＮ−ｂｅｓｔにおける出力候補数Ｎと累積の発話認識率の関係（Ｏｒｉｇｉｎａｌ Ｎ−ｂｅｓｔの曲線）もあわせて示す。

さらに、本音声処理装置において、閾値「０．０９」の場合に，平均出力候補数が２．９９となり、発話認識率は７２．９％が得られた。一方、上述した非特許文献２の従来技術において、第３位までのＮ−ｂｅｓｔにおける累積発話認識率は７１．５％であった。
以上、本実施の形態によれば、音声認識結果をユーザへ効率的に提示することができる。具体的には、正解密度の高いＮ−ｂｅｓｔ候補を選択できる。

また、本実施の形態によれば、音声認識結果から絞り込んだ候補に対して、一般化単語事後確率（ＧＷＰＰ）等を用いた処理により信頼性を算出し、正解密度の高いＮ−ｂｅｓｔ候補を選択できた。したがって、全音声認識結果に対して信頼性を算出することと比較して、本音声処理装置において、非常に高速に正解密度の高いＮ−ｂｅｓｔ候補を選択できる。

なお、本実施の形態によれば、信頼性算出部１０３は、例えば、一般化単語事後確率（ＧＷＰＰ）に基づいて信頼性を算出したが、他のアルゴリズムで信頼性を算出しても良い。他のアルゴリズムとは、例えば、発話単位のエントロピーを算出し、当該エントリピーを信頼性とするアルゴリズムである。その他、信頼性算出のアルゴリズムは問わない。
また、本実施の形態によれば、音声認識手段１０２２における音声認識処理のアルゴリズムは問わないことは言うまでもない。ただし、候補取得部１０２は、２以上の候補を出力することは必要である。

さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における音声処理装置を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータに、音声を受け付ける音声受付ステップと、前記音声に対して音声認識し、予め決められた数の音声認識結果の候補であるＮベスト候補を取得する候補取得ステップと、前記候補取得ステップで取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する信頼性算出ステップと、前記信頼性算出ステップで算出した各候補の信頼性に基づいて、各候補の一部または全部を出力する出力ステップを実行させるためのプログラム、である。

また、上記プログラムにおける出力ステップは、前記各候補の信頼性が予め格納している閾値と所定の関係にあるか否かを判断する判断ステップと、前記判断ステップで所定の関係にあると判断された候補のみ出力する出力する出力ステップを具備することは好適である。
（実施の形態２）
図６は、本実施の形態における音声処理装置のブロック図である。

音声処理装置は、音声受付部１０１、候補取得部１０２、信頼性算出部１０３、出力部１０４を具備する。候補取得部１０２は、候補数情報格納手段１０２１、音声認識手段１０２２、候補取得手段１０２３、翻訳出力部６０１を具備する。なお、本音声処理装置は、例えば、一の携帯電話の音声を受け付け、他の携帯電話へ音声出力する。かかるシステムにより、自動翻訳電話が実現できる。

翻訳出力部６０１は、出力部１０４が出力した候補のうちの所定の条件を満たす候補に対して、翻訳処理を行い、受け付けた音声の言語と異なる言語に変換し、出力する。翻訳出力部６０１は、受け付けた音声の言語と異なる言語に変換した結果を音声合成し、音声出力しても良い。なお、候補は、ここでは、文字列コードからなる文章である。また、例えば、日本語の文章を英語などの外国語に翻訳する技術は、公知技術である。また、音声合成し、音声出力する技術も公知技術である。出力とは、ディスプレイへの表示、プリンタへの印字、音声合成出力、外部の装置への送信等を含む概念である。翻訳出力部６０１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。翻訳出力６０１部は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。また、ここでの出力部１０４は、候補を翻訳出力部６０１に渡す処理を行い、通常、出力デバイスへの出力は行わない、とする。

なお、音声処理装置は、出力部１０４が取得した候補（例えば、日本語）のうち最高点の信頼性を有する候補を、翻訳出力部６０１は、目的の言語（例えば、英語）に翻訳し、当該翻訳した候補（文章）を音声合成する処理を行う。そして、本音声処理装置は、翻訳および音声合成出力を行う処理以外の処理は、図２のフローチャートで説明した音声処理装置の処理と同様であるので、詳細な説明を省略する。
以下、本実施の形態における音声処理装置の具体的な動作について説明する。
まず、音声の発声者が「かわのじゃけっとではなくてめんのじゃけっとをさがしています。いろはべーじゅがいいんです。・・・」と一の携帯電話から音声入力する、とする。

そして、実施の形態１における具体例の説明で述べた処理により、出力部１０４は、「革のジャケットではなくて綿のジャケットを探しています。色はベージュ色が良いんです」のみを取得し、翻訳出力部６０１に渡す。

次に、翻訳出力部６０１は、「革のジャケットではなくて綿のジャケットを探しています。色はベージュ色が良いんです」を英語に翻訳し、「I look for a jacket of cotton not a leather jacket. As for the color, beige is good.」を得る。そして、翻訳出力部６０１は、英文「I look for a jacket of cotton not a leather jacket. As for the color, beige is good.」を、音声合成出力する。なお、日英機械翻訳、および音声合成の処理は公知技術である。
以上、本実施の形態によれば、一のユーザが入力した音声の音声認識結果を他のユーザへ、翻訳して、音声出力により、効率的に提示することができる。
なお、本実施の形態によれば、翻訳出力部６０１は、翻訳処理と音声合成出力処理を行ったが、翻訳処理を行った結果を、モニタ３０４やプリンタ等に出力する構成でも良い。
また、本実施の形態によれば、翻訳処理は、日英翻訳であったが、原言語、目的言語は問わない。
さらに、本実施の形態によれば、翻訳処理や音声合成処理のアルゴリズムは問わないことは言うまでもない。

さらに、本実施の形態における音声処理装置を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータに、音声を受け付ける音声受付ステップと、前記音声に対して音声認識し、予め決められた数の音声認識結果の候補であるＮベスト候補を取得する候補取得ステップと、前記候補取得ステップで取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する信頼性算出ステップと、前記信頼性算出ステップで算出した各候補の信頼性に基づいて、各候補の一部または全部を取得する出力ステップと、前記出力ステップで取得した候補のうちの所定の条件を満たす候補に対して、翻訳処理を行い、受け付けた音声の言語と異なる言語に変換し、出力する翻訳出力ステップを実行させるためのプログラム、である。
また、上記プログラムにおいて、前記翻訳出力ステップは、前記受け付けた音声の言語と異なる言語に変換した結果を音声合成し、音声出力することは好適である。

また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。

また、図７は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の音声処理装置を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図７は、このコンピュータシステム３００の概観図であり、図８は、システム３００のブロック図である。

図７において、コンピュータシステム３００は、ＦＤ（Ｆｌｅｘｉｂｌｅ Ｄｉｓｋ）ドライブ、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）ドライブを含むコンピュータ３０１と、キーボード３０２と、マウス３０３と、モニタ３０４と、マイク３０５と、スピーカー３０６とを含む。

図８において、コンピュータ３０１は、ＦＤドライブ３０１１、ＣＤ−ＲＯＭドライブ３０１２に加えて、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１３と、ＣＰＵ３０１３、ＣＤ−ＲＯＭドライブ３０１２及びＦＤドライブ３０１１に接続されたバス３０１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ（Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒｙ）３０１５と、ＣＰＵ３０１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３０１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３０１７とを含む。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。

コンピュータシステム３００に、上述した実施の形態の音声処理装置の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３１０１、またはＦＤ３１０２に記憶されて、ＣＤ−ＲＯＭドライブ３０１２またはＦＤドライブ３０１１に挿入され、さらにハードディスク３０１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３０１に送信され、ハードディスク３０１７に記憶されても良い。プログラムは実行の際にＲＡＭ３０１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３１０１、ＦＤ３１０２またはネットワークから直接、ロードされても良い。

プログラムは、コンピュータ３０１に、上述した実施の形態の音声処理装置の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。

以上のように、本発明にかかる音声処理装置は、音声認識結果をユーザへ効率的に提示することができるという効果を有し、音声翻訳システム等として有用である。

実施の形態１における音声処理装置のブロック図 同音声処理装置の動作について説明するフローチャート 同候補および音声認識スコアの例を示す図 同Ｎ−ベスト候補管理表を示す図 同閾値を変更した場合の出力候補数の変化を示す図 実施の形態２における音声処理装置のブロック図 同音声処理装置を実現するコンピュータの外観を示す図 同コンピュータシステムのブロック図

符号の説明

１０１ 音声受付部
１０２ 候補取得部
１０３ 信頼性算出部
１０４ 出力部
６０１ 翻訳出力部
１０２１ 候補数情報格納手段
１０２２ 音声認識手段
１０２３ 候補取得手段
１０４１ 閾値保持手段
１０４２ 判断手段
１０４３ 出力手段

Claims (4)

1. 音声を受け付ける音声受付部と、
   前記音声に対して音声認識し、予め決められた数の音声認識結果の候補であるＮベスト候補を取得する候補取得部と、
   前記候補取得部が取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する信頼性算出部と、
   前記信頼性算出部が算出した各候補の信頼性に基づいて、各候補の一部または全部を出力する出力部を具備する音声処理装置。
2. 前記出力部は、
   予め閾値を保持している閾値保持手段と、
   前記各候補の信頼性が前記閾値と所定の関係にあるか否かを判断する判断手段と、
   前記判断手段が所定の関係にあると判断した候補のみ出力する出力手段を具備する請求項１記載の音声処理装置。
3. 前記出力部が出力した候補のうちの所定の条件を満たす候補に対して、翻訳処理を行い、受け付けた音声の言語と異なる言語に変換し、出力する翻訳出力部をさらに具備する請求項１または請求項２記載の音声処理装置。
4. コンピュータに、
   音声を受け付ける音声受付ステップと、
   前記音声に対して音声認識し、予め決められた数の音声認識結果の候補であるＮベスト候補を取得する候補取得ステップと、
   前記候補取得ステップで取得したＮベスト候補のそれぞれの候補に対して、信頼性を算出する信頼性算出ステップと、
   前記信頼性算出ステップで算出した各候補の信頼性に基づいて、各候補の一部または全部を出力する出力ステップを実行させるためのプログラム。
   

Images