JP2007286136A - 車載用音声認識装置及び音声認識方法 - Google Patents

Abstract

【課題】発話内容を音声認識して車載機器を制御するに際し、その発話内容に対する認識率を高めることができる「車載用音声認識装置及び音声認識方法」を提供すること。
【解決手段】音声入力手段９を介して発話したユーザを発話者特定手段１１により特定したときに、制御手段１２により、辞書格納手段８に格納されている複数の専用の音声認識辞書Ｄ１〜Ｄ３の中から、その発話者が視聴している情報のソース（制御対象機器）に対応した専用の音声認識辞書を選択し（１２ａ）、その選択した辞書を使用して音声認識を実行し（１２ｂ）、その認識した発話内容に対応する制御を当該制御対象機器に対して行う（１２ｃ）。
【選択図】図２

Description

本発明は、音声認識機能を利用して車載機器等を制御する技術に関し、特に、車室内で乗員が発話した操作指示に対応した音声認識を行うよう適応された車載用音声認識装置及び音声認識方法に関する。

最近の車両には、運転者や助手席の乗員、リア席の乗員等（以下、便宜上「ユーザ」ともいう。）に対して様々なサービスを提供するための機器や装置などが搭載されている。その代表的な車載機器として、設定した目的地に向けて道路を間違うことなく走行できるように案内する機能（経路誘導機能）を搭載したナビゲーション装置や、各種ソース（ラジオ受信機、ＣＤプレーヤ、ＴＶ受信機、ＤＶＤプレーヤ等）から出力される音声（オーディオ）情報や映像（ビデオ）情報などの各種エンターテイメントを提供するオーディオ／ビデオ（Ａ／Ｖ）機器、エアコン装置などがある。これらの車載機器（装置）は、ユーザがリモコンや操作パネル等を操作して所要の指示を与えることにより、その操作指示に応じてその動作状態が変更される。変更された機器の動作状態は、車室内に設置されたスピーカ（リア席のユーザについてはワイヤレスヘッドホン等）を介して聴くことができ、また車載モニタ等の表示装置の画面を通して見ることができる。

このように各車載機器に対してはリモコン操作等のマニュアル操作に基づいて所要の操作指示を入力することができるが、最近では、操作指示を音声入力（発話）するだけで当該機器の制御を行える機能（音声認識機能）を搭載した装置も出現している。かかる音声認識機能は、ユーザの操作上の便宜を図る点で有利であり、特に、運転者にとっては安全走行の点で非常に有用である。

この音声認識機能を実現するには音声認識辞書を必要とし、この音声認識辞書には、音声認識の対象とする単語や語句などの語彙、すなわち、音声認識に基づいて制御されるべき車載機器（以下、「制御対象機器」ともいう。）の操作指示に関連した語彙があらかじめ登録されている。例えば、ナビゲーション装置であれば、「目的地」、「メニュー」、「周辺検索」などの語彙が登録され、Ａ／Ｖ機器であれば、「ラジオ」、「ＦＭ」、「ＡＭ」、「メニュー」、「再生」、「停止」などの語彙が登録されている。

上記の従来技術に関連する技術としては、例えば、特許文献１に記載されるように、ユーザが発話した内容を音声認識して制御対象機器の制御を行う音声制御装置において、制御対象機器の動作状態を考慮してユーザの発話を認識することで、制御対象機器の音声による操作を適切に行えるようにしたものがある。
特開２００４−８６１５０号公報

上述したように従来の技術では、制御対象機器に対する操作指示を発話するだけで当該機器の制御を行える機能が実現されているが、従来の方法では音声認識辞書に登録されている全ての語彙に対して音声認識を行っているため、その登録されている語彙の数が多くなってくると、以下に説明するような不都合が起こり得る。

すなわち、音声認識エンジンでは、ユーザの発話した内容（音声コマンド）と音声認識辞書に登録されている全ての語彙（コマンド）との合致度を算出し、その算出結果から最も合致度の大きいコマンドをユーザが発した音声コマンドとして決定する（音声認識）。このとき、その最も合致度の大きいコマンドが１つに特定できれば問題はないが、登録されている語彙の数が多くなってくると発音上「読み」の類似した語彙も多くなるため、音声認識エンジンでは必ずしも１つに特定することができず、結果として、マッチングしない語彙を誤認識してしまう場合が起こり得る。つまり、従来の音声認識方法では、使用する音声認識辞書に登録されている語彙の数が多くなってくると、それに応じて誤認識する割合が高くなり、ユーザの発話内容を正確に認識するのが困難になる（音声コマンドに対する認識率が低下する）といった課題があった。

本発明は、かかる従来技術における課題に鑑み創作されたもので、発話内容を音声認識して車載機器を制御するに際し、その発話内容に対する認識率を高めることができる車載用音声認識装置及び音声認識方法を提供することを目的とする。

上述した従来技術の課題を解決するため、本発明の一形態によれば、車室内でユーザが指示する情報を音声入力する音声入力手段と、前記音声入力手段を介して発話したユーザを特定する発話者特定手段と、複数の制御対象機器に対応させてそれぞれ当該機器の操作指示に関連した専用の語彙が登録されている複数の音声認識辞書を格納した辞書格納手段と、前記音声入力手段、発話者特定手段及び辞書格納手段に動作可能に接続された制御手段とを備え、前記制御手段は、前記発話者特定手段と協働して発話者を特定したときに、前記辞書格納手段から当該発話者が視聴している情報のソースである制御対象機器に対応した専用の音声認識辞書を選択し、該選択した音声認識辞書を参照して当該発話者の発話内容に対する音声認識を行い、該認識した発話内容に応じた制御を当該制御対象機器に対して行うことを特徴とする車載用音声認識装置が提供される。

本発明に係る車載用音声認識装置によれば、車室内で発話したユーザ（発話者）を特定したときに、辞書格納手段に格納されている複数の専用の音声認識辞書の中から、その発話者が視聴している情報のソース（制御対象機器）に対応した専用の音声認識辞書を選択するようにしている。つまり、その発話者が当該制御対象機器に対し音声コマンドとして発する頻度の高い語彙を登録した専用の音声認識辞書を選択するようにしている。

これにより、そのユーザが発話した内容を認識するに際し、その選択した専用の音声認識辞書に登録されている語彙のみを認識すればよいので、従来のように音声認識辞書に登録されている全ての語彙に対して音声認識を行う場合と比べて、マッチングしない語彙を誤認識する割合を減らすことができる。つまり、ユーザが発話した内容（音声コマンド）に対する認識率を向上させることができる。

また、本発明の他の形態によれば、車室内でユーザが発話した制御対象機器に対する操作指示に対応した音声認識を行う機能を備えた車載用音声認識装置において、あらかじめ複数の制御対象機器に対応させてそれぞれ当該機器の操作指示に関連した専用の語彙を登録した複数の音声認識辞書を記憶手段に格納しておき、発話を検出したときに当該発話者を特定し、前記記憶手段から当該発話者が視聴している情報のソースである制御対象機器に対応した専用の音声認識辞書を選択し、該選択した音声認識辞書を使用して当該発話者の発話内容に対する音声認識を行い、該認識した発話内容に応じた制御を当該制御対象機器に対して行うことを特徴とする音声認識方法が提供される。

本発明に係る車載用音声認識装置及び音声認識方法の他の構成上の特徴及びそれに基づく具体的な処理態様等については、後述する発明の実施の形態を参照しながら詳細に説明する。

以下、本発明の実施の形態について、添付の図面を参照しながら説明する。

図１は、本発明の一実施形態に係る車載用音声認識装置を組み込んだ車載オーディオ／ビデオ（Ａ／Ｖ）・ナビゲーションシステムの構成を示したものである。

図示のように車載Ａ／Ｖ・ナビゲーションシステム４０は、本発明の特徴をなす車載用音声認識装置ＡＲと、その音声認識結果に基づいて発話内容（音声コマンド）に対応した制御が行われる対象機器（図示の例では、ラジオ受信機１、ＣＤプレーヤ２、ＤＶＤプレーヤ３、ＴＶ受信機４、ナビゲーションユニット５及びエアコン６）と、フロント席のユーザが各制御対象機器に対して各種設定操作を行うためのフロント席用操作ユニット（ヘッドユニット（Ｈ／Ｕ））２０と、リア席のユーザが各制御対象機器（ナビゲーションユニット５を除く）に対して各種設定操作を行うためのリア席用操作ユニット３０と、フロント席用表示ユニット２５と、アンプユニット２６と、スピーカ２７と、リア席用表示ユニット３１と、ワイヤレスヘッドホン３２とを備えて構成されている。車載用音声認識装置ＡＲ、各ソース（制御対象機器）１〜６、フロント席用操作ユニット２０、各表示ユニット２５，３１及びアンプユニット２６は、伝送路として供される光ファイバ等のバス７を介して相互に接続されている。

図示の例では、スピーカ２７は１個のみ示されているが、実際には車室内の所定の場所に所要の個数、例えば、リア席が１列の場合であれば少なくともリア席の左右の近傍とフロント席の左右の近傍にそれぞれ２個ずつ、計４個のスピーカ２７が設置されている。リア席用の操作ユニット３０、表示ユニット３１及びワイヤレスヘッドホン３２についても同様に、それぞれ１台（１個）のみ示されているが、実際にはリア席の搭乗者数に応じて所要の個数、例えば、リア席が１列の場合であればそのリア席の左右の搭乗者用にそれぞれ２台（２個）の操作ユニット３０、表示ユニット３１及びワイヤレスヘッドホン３２がそれぞれ設けられている。

本発明の特徴をなす車載用音声認識装置ＡＲは、記憶媒体としてのハードディスクドライブ（ＨＤＤ）８と、マイクロホンアレイ９と、音声認識ユニット１０とを備えている。ＨＤＤ８によって駆動されるディスク（図示せず）には、ナビゲーション機能を実行する際に使用する地図データと共に、音声認識機能を実行する際に使用するデータ（音声認識辞書）がそれぞれ割り当てられた記憶領域に格納されている。地図データは、各縮尺レベル（１／１２５００、１／２５０００、１／５００００等）に応じて適当な大きさの経度幅及び緯度幅に区切られており、経路探索やマップマッチング等の各種処理に必要な道路ユニットのデータ及び交差点の詳細を表す交差点ユニットのデータ、各種施設（コンビニエンスストア、ガソリンスタンド、スーパー・ディスカウントショップ等）に関するデータ（位置、住所、電話番号、ジャンル等の各種情報）などを含んでいる。ＨＤＤ８に格納されている音声認識辞書の内容については後で説明する。

マイクロホンアレイ９は、複数のマイクロホンを所定の間隔でアレイ状に並置して構成され、例えば、車室内の運転席前方のサンバイザー又はルームミラーの近傍に適宜設置されている。このマイクロホンアレイ９（各マイクロホン）は、ユーザ（運転者、助手席の乗員又はリア席の乗員）が発話する制御対象機器の操作等に係る指示（音声）を検出してその音圧レベルに応じたアナログ音声信号に変換するものである。各マイクロホンで検出された信号は、後述するように、車室内で発話したユーザ（発話者）の居る場所、すなわち、その発話者を特定するのに利用される。この発話者の特定方法については、音声認識ユニット１０の内部構成と併せて後で説明する。

フロント席用操作ユニット（Ｈ／Ｕ）２０は、運転者と助手席の乗員が共用できるように両座席の中間のセンターコンソール上に「操作パネル」の形態で設置されており、その対応する表示ユニット２５は、その操作パネル（Ｈ／Ｕ）の上方に配置されている。この表示ユニット２５は、例えば、デュアル表示タイプのＬＣＤモニタ（便宜上「デュアルディスプレイ」という。）からなり、これは、同じ画面を右方向（運転席の側）から見た場合と左方向（助手席の側）から見た場合とでそれぞれ違う画像を同時に表示することができるものである。このデュアルディスプレイ（表示ユニット２５）の画面には、ナビゲーションユニット５から出力された各種の映像情報（自車位置の周囲の地図、自車位置から目的地までの誘導経路、音声認識に基づいた施設検索等の案内情報など）、ＤＶＤプレーヤ３やＴＶ受信機４などの映像ソースから出力された映像情報などが表示される。

一方、リア席用操作ユニット３０は、リア席のユーザが操作し易いように「リモコン」の形態で設けられており、これに対応するリア席用表示ユニット３１と赤外線通信により接続されている。このリア席用表示ユニット３１は、例えば、前の座席のヘッドレストの後部に設置されており、フロント側の表示ユニット２５と同様に映像情報をディスプレイ画面に表示するＬＣＤモニタ等を有している。また、この表示ユニット３１は、その対応するワイヤレスヘッドホン３２と赤外線通信及びＲＦ通信により接続されている。

各ソース（制御対象機器）１〜６は、基本的な動作として、フロント席用操作ユニット２０からバス７に送出された操作指示に係るデータ、又はリア席用操作ユニット（リモコン）３０から赤外線通信により表示ユニット３１を介してバス７に送出された操作指示に係るデータ、あるいは音声認識ユニット１０からバス７に送出された操作指示に係るデータ（後述する「機器制御信号」）を受信し、それぞれ操作指示に係るデータに基づいて自己の動作状態を設定もしくは変更し、その結果（現在の動作状態）を指示するデータを音声／映像信号としてバス７に送出する。例えば、ラジオ受信機１の場合、各操作ユニット２０，３０あるいは音声認識ユニット１０から与えられる操作指示に応答して、ＦＭ放送やＡＭ放送の信号を受信して復調することにより音声信号を生成し、これをデジタルの音声データに変換して、バス７に送出する。また、ＤＶＤプレーヤ３の場合、同様に与えられる操作指示に応答して、ユーザにより選択されたＤＶＤの記録面に記録された信号を読み取り、再生された映像データをバス７に送出する。

フロント席用操作ユニット２０は、制御部２１と、操作部２２と、表示部２３と、メモリ部２４とを備えている。このうち、操作部２２は、各ソース（制御対象機器）１〜６に対して各種設定操作を行うための操作キー、例えば、電源のオン／オフ及び音量調整を行うための電源キー、各ソースを選択するための選択キー、数字キー、所定の機能を行わせるためのプリセットキー、矢印が付されたシフトキー（矢印の部分を操作することでＦＦ／ＲＥＷ動作、シーク・アップ／ダウン動作等の操作を指示する）等を備えている。表示部２３は、操作パネル（Ｈ／Ｕ）上にＬＣＤ等の形態で配置されており、制御部２１から出力されるデータに基づいて、各種情報、例えば、ラジオ受信機１に関してはＦＭ／ＡＭの種別やその放送局の受信周波数など、ＣＤプレーヤ２に関してはＣＤ演奏時のディスク番号や再生位置（トラック数、経過時間等）などを表示する。

メモリ部２４は、フラッシュメモリ等の不揮発性半導体メモリからなり、制御部２１からの制御に基づいて必要な情報（データ）を格納しておくためのものである。このメモリ部２４には、各操作ユニット２０，３０あるいは音声認識ユニット１０から与えられる操作指示に基づき選択ソース（制御対象機器）からの音声／映像信号の出力動作が停止された時点での当該機器の動作状態を示すデータ（以下、「機器動作状態データ」という。）が格納される。この機器動作状態データは、次の出力動作開始時に必要に応じて参照するために格納される。この機器動作状態データには、例えば、いずれの機器（ソース）を使用していたかを指示する「ソース種別」、オーディオソースであればその音声を聴取していた際の音量や音質の調整値を指示する「音量・音質」、各ソース別の詳細な機器動作状態を指示する「ソース別詳細情報」等が含まれる。ソース別詳細情報には、例えば、ラジオ受信機１を使用していた場合にはＦＭ／ＡＭの種別や放送局（受信周波数）の情報等が含まれ、ＣＤプレーヤ２を使用していた場合には複数枚装填されているＣＤの中でいずれのＣＤを再生していたかを示すディスク番号や何曲目の頭からどれくらいの時間が経過した位置を再生していたかを示す再生位置の情報等が含まれる。

制御部２１はマイクロコンピュータ（マイコン）等により構成され、本システム４０全体の制御を行うものである。基本的には、各操作ユニット２０，３０あるいは音声認識ユニット１０から与えられた操作指示に基づき、選択ソース（制御対象機器）からバス７を介して送られてくる音声／映像データを取得して音声／映像情報の再生を行う動作、操作状況や動作状態等を指示する情報を表示部２３に表示させる動作、機器動作状態データの格納動作や読み出し動作などの制御を行う。この場合、取得された音声データは、制御部２１によりバス７を介してアンプユニット２６に送られ、適宜Ｄ／Ａ変換され、また音量や音質等の制御が行われ、増幅された後、スピーカ２７を通して音声出力される。また、取得された映像データは、制御部２１によりバス７を介して表示ユニット２５に送られ、そのディスプレイ画面に映像情報として表示される。

一方、リア席用操作ユニット（リモコン）３０は、特に図示はしないが、フロント側の操作部２２と同等の機能を有する操作部と、この操作部から入力された操作指示に応じた信号を赤外線通信により表示ユニット３１に向けて送信するための赤外線送信部とを備えている。また、リア席用表示ユニット３１は、特に図示はしないが、リモコン３０及びワイヤレスヘッドホン３２との間で制御信号やデータ等を通信するための赤外線通信部と、フロント側の制御部２１と同等の制御を行う制御部と、フロント側の表示ユニット２５と同様のＬＣＤモニタ等からなる表示部と、フロント側のメモリ部２４と同様のメモリ部とを備えている。

＜第１の実施形態（図２〜図４参照）＞
図２は、第１の実施形態に係る車載用音声認識装置の構成を一部模式的に示したものである。

本実施形態に係る車載用音声認識装置ＡＲは、図示のようにＨＤＤ８と、マイクロホンアレイ９と、デジタル信号プロセッサ（ＤＳＰ）１１と、ＣＰＵ１２と、ＲＡＭ等からなるメモリ部１３とを備えている。このうちＤＳＰ１１、ＣＰＵ１２及びメモリ部１３は、音声認識ユニット１０（図１）を構成する。ＤＳＰ１１は、その機能ブロックとして、音声入力部１１ａと、ビームフォーミング部１１ｂと、音源方向特定部１１ｃとを備えている。一方、ＣＰＵ１２は、その機能ブロックとして、認識辞書選択部１２ａと、音声認識処理部１２ｂと、機器制御信号発生部１２ｃとを備えている。

ＨＤＤ８には、音声認識に基づいて制御されるべきソース（制御対象機器）に対応させてそれぞれ当該機器の操作指示に関連した専用の語彙（すなわち、当該機器に対し音声コマンドとして発する頻度の高い語彙）をあらかじめ登録した複数の専用認識辞書が格納されている。図示の例では、ナビゲーションユニット５に関連した語彙（「目的地」、「メニュー」、「周辺検索」、「現在地」など）を登録した専用認識辞書Ｄ１と、ＤＶＤプレーヤ３に関連した語彙（「メニュー」、「再生」、「停止」など）を登録した専用認識辞書Ｄ２と、ラジオ受信機１に関連した語彙（「ラジオ」、「ＦＭ」、「ＡＭ」など）を登録した専用認識辞書Ｄ３の３種類の辞書が格納されている。

メモリ部１３には、ユーザが着座している座席（運転席、助手席、リア席）と当該座席のユーザが視聴している情報のソース（制御対象機器）との関係を示す情報（管理テーブル）が格納される。この管理テーブルは、ＣＰＵ１２とフロント席用操作ユニット２０内の制御部２１及びリア席用表示ユニット３１内の制御部（図示せず）とが協働し、各ユニット内のメモリ部２４に格納されている「機器動作状態データ」に基づいて作成される。従って、各ソース（制御対象機器）の動作状態が変更されると、それに応じて管理テーブルの内容も更新される。

本実施形態では、マイクロホンアレイ９とその検出信号を処理するＤＳＰ１１とを用いて、音源の方向（この場合、発話者が着座している座席の方向）を特定している。複数のマイクロホンを用いて音源の方向を特定する方法は知られている。すなわち、個々のマイクロホンは無指向性であるが、複数のマイクロホンをアレイ状に配置して音源からの音を各マイクロホンで検出し、それぞれ検出したデータを加算処理することで指向性をもたせることができる。例えば、図３に示すように、マイクロホンアレイ９の真正面から音が入射する場合（図示の例では、リア席のユーザＰ３が発話している場合）、マイクロホンアレイ９の各マイクロホンに到達する音圧信号は位相的にほぼ同相となるため、これらを加算するとレベル的に大きな信号となる。これに対し、音が斜めから入射した場合（図示の例では、運転席のユーザＰ１、助手席のユーザＰ２が発話している場合）、各マイクロホンに到達する時間に差が生じ、位相的に正方向又は負方向にずれるため、これらを加算するとお互いに打ち消しあってレベル的に小さな信号となる。この原理を利用して、各マイクロホンで検出した信号のレベルと位相差に基づき、音の到来方向（すなわち、発話者の居る方向）を特定することができる。その特定に際し、本実施形態ではビームフォーミング法を用いている。

すなわち、音声認識ユニット１０において、マイクロホンアレイ９の各マイクロホンで検出された信号（アナログ音声信号）は、ＤＳＰ１１の音声入力部１１ａを通して適宜増幅され、デジタル化された後、ビームフォーミング部１１ｂに入力されると共に、ＣＰＵ１２の音声認識処理部１２ｂに入力される。ビームフォーミング部１１ｂでは、入力された信号に基づき方向推定を行ってビーム信号を生成し（ビームフォーミング）、その生成されたビーム信号に基づいて音源方向特定部１１ｃにより、音圧レベルの大きい信号を受信している方向を音源の方向（発話者の居る方向）として特定する。

ＣＰＵ１２では、認識辞書選択部１２ａにより、メモリ部１３に格納されている管理テーブルを参照して、ＨＤＤ８に格納されている複数の専用認識辞書Ｄ１〜Ｄ３の中から、その特定された発話者が視聴している情報のソース（制御対象機器）に対応した専用の音声認識辞書を選択する。次いで音声認識処理部１２ｂでは、その選択された専用認識辞書を使用して、その発話内容（音声コマンド）とその選択された専用認識辞書に含まれる各語彙（コマンド）とを比較照合し、それぞれ合致度を算出する。そして、その算出結果に基づき最も合致度の大きい「語彙」をユーザの発話したコマンドとして決定する。次いで機器制御信号発生部１２ｃでは、その決定されたコマンドを取得し、そのコマンドの内容に応じた機器制御信号を出力する。出力された機器制御信号は、当該制御対象機器に対する操作指示データとして、ＣＰＵ１２によりバス７に送出される。

以下、本実施形態に係る車載用音声認識装置ＡＲ（図２）においてＣＰＵ１２がＤＳＰ１１と協働して行う発話者の特定及びそれに基づく音声認識辞書の切替選択等に係る処理について、その一例を示す図４を参照しながら説明する。

先ず初期状態として、各座席（運転席、助手席、リア席）のユーザがそれぞれ所望のソース（制御対象機器）の情報を既に視聴しており、音声認識ユニット１０内のＣＰＵ１２により管理テーブル（ユーザが着座している座席と当該座席で視聴している情報のソースとの関係を示す情報）が作成され、メモリ部１３に格納されているものとする。

この状態で最初のステップＳ１では、ＣＰＵ１２において、マイクロホンアレイ９からＤＳＰ１１（音声入力部１１ａ）を介して発話を検出した（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合には次のステップＳ２に進み、判定結果がＮＯの場合には発話を検出するまで判定処理を繰り返す。なお、ステップＳ１の処理内容において括弧書きで記載する「発話操作」については後で説明する。

次のステップＳ２では、ＣＰＵ１２からの制御に基づきＤＳＰ１１において、マイクロホンアレイ９を用いたビームフォーミング法により、その発話を行ったユーザ（発話者）の居る方向（座席）を特定する。つまり、当該発話者を特定する。

次のステップＳ３では、ＣＰＵ１２において認識辞書選択部１２ａにより、メモリ部１３に格納されている管理テーブルを参照して、ＨＤＤ８に格納されている複数の専用の認識辞書Ｄ１〜Ｄ３の中から、その発話者が視聴している情報のソース（例えば、運転席であればナビゲーションユニット５、助手席であればラジオ受信機１、リア席であればＤＶＤプレーヤ３）に対応した専用の音声認識辞書を選択する。

次のステップＳ４では、ＣＰＵ１２において音声認識処理部１２ｂにより、その選択された専用認識辞書を使用して、当該発話者の発話内容（音声コマンド）に対する音声認識を実行する。

最後のステップＳ５では、ＣＰＵ１２において機器制御信号発生部１２ｃにより、その認識されたコマンド（発話内容）に応じた機器制御信号を出力し、これに対応する制御を当該制御対象機器に対して実行する。その際、ＣＰＵ１２からの制御に基づき、当該制御対象機器の動作状態に係る映像を表示している表示ユニット２５，３１に対して当該発話内容に応じた制御（画面の変更など）を行うと共に、当該制御対象機器の動作状態に係る音声を出力しているスピーカ２７（ワイヤレスヘッドホン３２を含む）に対して当該発話内容に応じた制御（音声の変更など）を行う。

以上説明したように、第１の実施形態に係る車載用音声認識装置ＡＲによれば、マイクロホンアレイ９を用いたビームフォーミング法（ＤＳＰ１１）により、車室内で発話したユーザ（の居る方向）を特定し、ＣＰＵ１２により、ＨＤＤ８に格納されている複数の専用認識辞書Ｄ１〜Ｄ３の中から、その特定した発話者が視聴している情報のソース（制御対象機器）に対応した専用の音声認識辞書を選択するようにしている。つまり、その発話者が当該制御対象機器に対し音声コマンドとして発する頻度の高い語彙を登録した専用認識辞書を選択するようにしている。

これにより、その発話者の発話内容（音声コマンド）を認識するに際し、その選択した専用認識辞書に登録されている語彙のみを認識すればよいので、従来のように音声認識辞書に登録されている全ての語彙に対して音声認識を行う場合と比べて、マッチングしない語彙を誤認識する割合を減らすことができる。つまり、その発話者に適した音声認識を行うことで、音声コマンドに対する認識率を高めることができる。

例えば、発話者がリア席に着座していた場合、リア席用表示ユニット３１の画面上で再生されているＤＶＤ操作のみに対する音声認識辞書Ｄ２を使用することで、誤認識の割合を減らすことができる。この場合、フロント席用表示ユニット（デュアルディスプレイ）２５の運転席側の画面にナビゲーション情報が表示されていても、リア席での発話操作によりそのナビゲーションの動作に影響を与えることがない。また、発話者が助手席に着座していた場合も、同様である。

＜第２の実施形態（図５参照）＞
上述した第１の実施形態に係る車載用音声認識装置ＡＲ（図２）では、発話者を特定する手段としてマイクロホンアレイ９を用いたビームフォーミング法（ＤＳＰ１１）により音源の方向（発話者の居る方向）を特定する場合を例にとって説明したが、発話者を特定する手段がこれに限定されないことはもちろんである。例えば、操作指示を音声入力（発話）する際に何らかのスイッチ等を操作し（発話操作）、この発話操作をＣＰＵで検出してその発話者を特定するようにしてもよい。図５はその場合の実施形態に係る車載用音声認識装置の構成を示したものである。

この第２の実施形態に係る車載用音声認識装置ＡＲ１（図５）は、第１の実施形態に係る車載用音声認識装置ＡＲ（図２）と比べて、フロント席用及びリア席用の各操作ユニット２０，３０の操作部にそれぞれ発話スイッチ５０を設けた点、マイクロホンアレイ９に代えてマイクロホン９ａを設けた点、ＤＳＰ１１を省略した点、ＣＰＵ１２の代わりにＣＰＵ１４を有し、このＣＰＵ１４が音声入力部１４ａと、発話者特定部１４ｂと、認識辞書選択部１４ｃと、音声認識処理部１４ｄと、機器制御信号発生部１４ｅとを備えている点で相違する。他の構成及びその機能については、第１の実施形態の場合と同じであるのでその説明は省略する。

また、この第２の実施形態においてＣＰＵ１４が行う発話者の特定及びそれに基づく音声認識辞書の切替選択等に係る処理についても、第１の実施形態に係る処理（図４）と基本的に同じであるのでその説明は省略する。

この第２の実施形態に係る車載用音声認識装置ＡＲ１においても、上述した第１の実施形態に係る車載用音声認識装置ＡＲにおいて得られた効果と同様の効果を得ることができる。さらに本実施形態では、発話スイッチ５０の操作を検出することで発話者を容易に特定することができるので、マイクロホンアレイ９とＤＳＰ１１を使用して発話者を特定する場合と比べて、構成の簡素化及びコストの低減化を図ることができる。

＜第３の実施形態（図６参照）＞
上述した第１、第２の実施形態に係る車載用音声認識装置ＡＲ，ＡＲ１（図２、図５）では、ＨＤＤ８に複数の専用の認識辞書Ｄ１〜Ｄ３を用意し、ＤＳＰ１１の機能又は発話スイッチ５０の操作に基づいて特定した座席の発話者が視聴している情報のソース（制御対象機器）に対応させていずれか１つの専用認識辞書を選択する場合を例にとって説明したが、認識辞書を変更する形態は必ずしもこれに限定されない。

上記のように複数の専用認識辞書の中から選択するのではなく、例えば、発話内容に対する音声認識を実行する際に、特定した発話者の視聴している情報のソース（制御対象機器）に応じて認識すべき単語を優先させる「重み付け」を付加し、その「重み付け」が付加された認識単語を当該発話者のコマンドとして認識するようにしてもよい。図６はその場合の音声認識方法の一例を示したものである。

本実施形態に係る車載用音声認識装置は、特に図示はしないが、基本的に第１、第２の実施形態に係る車載用音声認識装置ＡＲ，ＡＲ１（図２、図５）と同等の構成を有している。構成上相違する点は、ＣＰＵ１２，１４において認識辞書選択部１２ａ，１４ｃに相当する機能ブロックを備えていない点、ＨＤＤ８に複数の専用の認識辞書Ｄ１〜Ｄ３を用意する代わりに、各ソース（制御対象機器）に共用される１つの音声認識辞書を用意すると共に、各ソース毎にそれぞれ認識すべき語彙（単語）とあらかじめ設定した重み付けとの関係を規定したテーブル（図６のＷＴ１，ＷＴ２）を用意している点である。

この第３の実施形態では、ＣＰＵ１２（１４）において特定された発話者の発話内容に対する音声認識を実行する際に、上記のテーブルＷＴ１，ＷＴ２を参照して「重み付け」を付加する。例えば、運転席側と助手席側からマイクロホン９（９ａ）を介してナビゲーション関連の単語「会社」が発話された場合、ＣＰＵ１２（１４）では、図６に示すように運転席側の認識単語「会社」にのみ重み付け（＋１０）を付加することで、運転席側から発話された「会社」を音声コマンドとして認識し、その認識したコマンドに対応する制御をナビゲーションユニット５に対して実行する。また、運転席側と助手席側からマイクロホン９（９ａ）を介してオーディオ関連の単語「停止」が発話された場合には、助手席側の認識単語「停止」にのみ重み付け（＋１０）を付加することにより、助手席側から発話された「停止」を音声コマンドとして認識し、その認識したコマンドに対応する制御をオーディオ機器（ラジオ受信機１、ＤＶＤプレーヤ３など）に対して実行する。

上述した各実施形態では、車載用音声認識装置ＡＲ（ＡＲ１）を車載Ａ／Ｖ・ナビゲーションシステム４０の一部として組み込んだ場合を例にとって説明したが、本発明の要旨（発話者を特定し、その発話者が視聴している情報のソース（制御対象機器）に対応させて認識辞書を変更（専用の音声認識辞書を選択、又は認識単語の重み付けを変更）し、その変更された辞書を使用して音声認識を実行し、その認識した発話内容に対応する制御を当該制御対象機器に対して行うこと）からも明らかなように、必ずしもＡ／Ｖ機器とナビゲーション装置の両方を含むシステムに組み込んで使用する必要がないことはもちろんである。

また、上述した各実施形態では、車室内でユーザが着座している座席と当該座席で視聴している情報のソース（制御対象機器）との関係を示す「管理テーブル」を音声認識ユニット１０内のメモリ部１３に格納する場合を例にとって説明したが、本発明の要旨からも明らかなように、必ずしも音声認識ユニット１０内に保有しておく必要がないことはもちろんである。例えば、その管理テーブルをＨ／Ｕ２０内のメモリ部２４に格納しておき、音声認識ユニット１０内のＣＰＵ１２（１４）が、必要な時にＨ／Ｕ２０内の制御部２１と協働して、メモリ部２４（管理テーブル）を参照するようにしてもよい。

また、上述した各実施形態では、リア席用にワイヤレスヘッドホン３２を備えた場合を例にとって説明したが、かかる「ワイヤレス」タイプのものに限定されず、ジャック付きのヘッドホンを使用した場合にも本発明は同様に適用することができる。この場合、ヘッドホンは対応する表示ユニット３１とジャックを介して有線接続されることになる。

また、上述した各実施形態では、地図データ及び音声認識辞書を格納する記憶媒体としてＨＤＤ８を使用しているが、これに代えて、ＤＶＤドライブ（ＤＶＤ−ＲＯＭ）やＣＤドライブ（ＣＤ−ＲＯＭ）等の他の記憶媒体を使用してもよい。

本発明の一実施形態に係る車載用音声認識装置を組み込んだ車載オーディオ／ビデオ（Ａ／Ｖ）・ナビゲーションシステムの構成を示すブロック図である。 第１の実施形態に係る車載用音声認識装置の構成を一部模式的に示すブロック図である。 図２の車載用音声認識装置においてマイクロホンアレイを用いたビームフォーミング法により音源の方向（発話者の居る方向）を特定する方法を説明するための図である。 図２の車載用音声認識装置において行う発話者の特定及びそれに基づく音声認識辞書の切替選択等に係る処理の一例を示すフロー図である。 第２の実施形態に係る車載用音声認識装置の構成を一部模式的に示すブロック図である。 第３の実施形態に係る車載用音声認識装置において行う音声認識の方法を説明するための図である。

符号の説明

１〜６…発話者が視聴している情報のソース（制御対象機器）、
８…ＨＤＤ（辞書格納手段）、
９…マイクロホンアレイ（音声入力手段）、
９ａ…マイクロホン（音声入力手段）、
１０…音声認識ユニット、
１１…ＤＳＰ（発話者特定手段）、
１２，１４…ＣＰＵ（制御手段）、
１３…メモリ部（テーブル格納手段）、
２０，３０…操作ユニット、
２５，３１…表示ユニット（表示手段）、
２７…スピーカ（音声出力手段）、
３２…ヘッドホン（音声出力手段）、
４０…車載オーディオ／ビデオ（Ａ／Ｖ）・ナビゲーションシステム、
５０…発話スイッチ（発話者特定手段）、
ＡＲ，ＡＲ１…車載用音声認識装置、
Ｄ１，Ｄ２，Ｄ３…（各制御対象機器に対応した）音声認識辞書、
Ｐ１，Ｐ２，Ｐ３…車室内の乗員（ユーザ）、
ＷＴ１，ＷＴ２…認識単語と重み付けとの関係を規定したテーブル。

Claims (16)

1. 車室内でユーザが指示する情報を音声入力する音声入力手段と、
   前記音声入力手段を介して発話したユーザを特定する発話者特定手段と、
   複数の制御対象機器に対応させてそれぞれ当該機器の操作指示に関連した専用の語彙が登録されている複数の音声認識辞書を格納した辞書格納手段と、
   前記音声入力手段、発話者特定手段及び辞書格納手段に動作可能に接続された制御手段とを備え、
   前記制御手段は、前記発話者特定手段と協働して発話者を特定したときに、前記辞書格納手段から当該発話者が視聴している情報のソースである制御対象機器に対応した専用の音声認識辞書を選択し、該選択した音声認識辞書を参照して当該発話者の発話内容に対する音声認識を行い、該認識した発話内容に応じた制御を当該制御対象機器に対して行うことを特徴とする車載用音声認識装置。
2. 車室内の各座席と当該座席のユーザが視聴している情報のソースである制御対象機器との関係を示すテーブルを格納したテーブル格納手段を備え、
   前記制御手段は、前記発話者特定手段と協働して発話者を特定したときに、前記テーブルを参照して前記辞書格納手段から当該制御対象機器に対応した専用の音声認識辞書を選択することを特徴とする請求項１に記載の車載用音声認識装置。
3. 車室内でユーザが指示する情報を音声入力する音声入力手段と、
   前記音声入力手段を介して発話したユーザを特定する発話者特定手段と、
   複数の制御対象機器の各々の操作指示に関連した語彙が登録されている１つの音声認識辞書を格納した辞書格納手段と、
   前記音声入力手段、発話者特定手段及び辞書格納手段に動作可能に接続された制御手段とを備え、
   前記制御手段は、前記発話者特定手段と協働して発話者を特定したときに、前記音声認識辞書を参照して、当該発話者が視聴している情報のソースである制御対象機器に対応した語彙に所定の重み付けを付加し、該重み付けの付加された語彙を参照して当該発話者の発話内容に対する音声認識を行い、該認識した発話内容に応じた制御を当該制御対象機器に対して行うことを特徴とする車載用音声認識装置。
4. 前記辞書格納手段は、さらに、各ソース毎にそれぞれ認識すべき語彙とあらかじめ設定された重み付けとの関係を規定したテーブルを格納し、
   前記制御手段は、当該発話者の発話内容に対する音声認識を行う際に前記テーブルを参照して前記所定の重み付けを付加することを特徴とする請求項３に記載の車載用音声認識装置。
5. 前記音声入力手段は、車室内の所定の箇所に設置されたマイクロホンアレイであり、
   前記発話者特定手段は、前記マイクロホンアレイの各マイクロホンで検出された信号に基づき方向推定を行ってビーム信号を生成する手段と、該生成されたビーム信号に基づいて音圧レベルの大きい信号を受信している方向を当該発話者の居る方向として特定する手段とを有することを特徴とする請求項１又は請求項３に記載の車載用音声認識装置。
6. 前記音声入力手段は、車室内の所定の箇所に設置されたマイクロホンであり、
   前記発話者特定手段は、前記マイクロホンを介してユーザが発話する際に操作する発話スイッチであることを特徴とする請求項１又は請求項３に記載の車載用音声認識装置。
7. 車室内の各座席に対応して設けられた複数の表示手段を備え、
   前記制御手段は、前記認識した発話内容に応じた制御を当該制御対象機器に対して行う際に、当該制御対象機器の動作状態に係る映像を表示している表示手段に対して当該発話内容に応じた制御を行うことを特徴とする請求項１又は請求項３に記載の車載用音声認識装置。
8. 前記複数の表示手段にそれぞれ動作可能に接続された複数の音声出力手段を備え、
   前記制御手段は、前記認識した発話内容に応じた制御を当該制御対象機器に対して行う際に、当該制御対象機器の動作状態に係る音声を出力している音声出力手段に対して当該発話内容に応じた制御を行うことを特徴とする請求項１又は請求項３に記載の車載用音声認識装置。
9. 車室内でユーザが発話した制御対象機器に対する操作指示に対応した音声認識を行う機能を備えた車載用音声認識装置において、
   あらかじめ複数の制御対象機器に対応させてそれぞれ当該機器の操作指示に関連した専用の語彙を登録した複数の音声認識辞書を記憶手段に格納しておき、
   発話を検出したときに当該発話者を特定し、
   前記記憶手段から当該発話者が視聴している情報のソースである制御対象機器に対応した専用の音声認識辞書を選択し、
   該選択した音声認識辞書を使用して当該発話者の発話内容に対する音声認識を行い、
   該認識した発話内容に応じた制御を当該制御対象機器に対して行うことを特徴とする音声認識方法。
10. さらに、車室内の各座席と当該座席のユーザが視聴している情報のソースである制御対象機器との関係を示すテーブルを記憶手段に格納しておき、
    前記発話を検出して当該発話者を特定したときに、前記テーブルを参照して前記記憶手段から当該制御対象機器に対応した専用の音声認識辞書を選択することを特徴とする請求項９に記載の音声認識方法。
11. 車室内でユーザが発話した制御対象機器に対する操作指示に対応した音声認識を行う機能を備えた車載用音声認識装置において、
    あらかじめ複数の制御対象機器の各々の操作指示に関連した語彙を登録した１つの音声認識辞書を記憶手段に格納しておき、
    発話を検出したときに当該発話者を特定し、
    前記音声認識辞書を参照して、当該発話者が視聴している情報のソースである制御対象機器に対応した語彙に所定の重み付けを付加し、
    該重み付けの付加された語彙を参照して当該発話者の発話内容に対する音声認識を実行し、
    該認識した発話内容に応じた制御を当該制御対象機器に対して行うことを特徴とする音声認識方法。
12. さらに、各ソース毎にそれぞれ認識すべき語彙とあらかじめ設定された重み付けとの関係を規定したテーブルを記憶手段に格納しておき、
    当該発話者の発話内容に対する音声認識を実行する際に前記テーブルを参照して前記所定の重み付けを付加することを特徴とする請求項１１に記載の音声認識方法。
13. マイクロホンアレイにより発話を検出し、該発話を検出したときに、前記マイクロホンアレイを用いたビームフォーミング法により当該発話者の居る方向を特定することを特徴とする請求項９又は請求項１１に記載の音声認識方法。
14. マイクロホンにより発話を検出し、発話スイッチの操作に基づいて当該発話者を特定することを特徴とする請求項９又は請求項１１に記載の音声認識方法。
15. 前記認識した発話内容に応じた制御を当該制御対象機器に対して行う際に、当該制御対象機器の動作状態に係る映像を表示している表示手段に対して当該発話内容に応じた制御を行うことを特徴とする請求項９又は請求項１１に記載の音声認識方法。
16. 前記認識した発話内容に応じた制御を当該制御対象機器に対して行う際に、当該制御対象機器の動作状態に係る音声を出力している音声出力手段に対して当該発話内容に応じた制御を行うことを特徴とする請求項９又は請求項１１に記載の音声認識方法。

Images