JP2008310004A - 音声認識装置、音声認識方法、及び音声認識プログラム - Google Patents

Abstract

【課題】誤認識された発話内容を確実に１ステップで認識されるべき発話内容に訂正することができる音声認識装置を提供する。
【解決手段】音声入力可能な音声認識装置に向けられている。本発明は、単語を記憶する記憶部と、ユーザが発話した音声を取り込む音声入力部と、記憶部に記憶された単語を参照して、音声入力部が取り込んだ音声の表す単語を認識する認識部と、認識部が認識した単語を訂正するための訂正単語を作成する訂正単語作成部と、訂正単語作成部が作成した訂正単語に基づいて、認識部が認識した単語を訂正して出力する単語訂正部とを備える。
【選択図】図１

Description

本発明は、音声認識装置、音声認識方法、及び音声認識プログラムに関し、より特定的には、誤認識された発話内容を認識されるべき発話内容に訂正する音声認識装置、音声認識方法、及び音声認識プログラムに関する。

ユーザが発話した単語を認識する音声認識技術は、予め機器側で用意している辞書内に登録している単語群と、ユーザが発話した単語の音素データを比較し、辞書に登録されている単語群の中から、最も確からしい（第一位候補）単語を認識結果として出力する。この処理の代表的なものとしては、隠れマルコフモデル（ＨＭＭ）等がある。

この場合、辞書内に登録されている単語をユーザが発話したときでも、統計処理を行っているため、必ずしも正しく認識されるとは限らない。そこで、ユーザが発話した単語と、機器が認識した単語が異なる場合（以下、誤認識と称する）、ユーザは、機器に所望する動作を行わせるために、誤認識された単語を訂正する必要がある。

このとき、従来の音声認識装置は、前回認識した単語と予め定められた訂正用の制御語（例えば、〜を訂正）とを併せて、次に発話される前に辞書に登録し、誤認識をした単語を訂正することができるようにしている（例えば、特許文献１参照）。
特開２０００−３１５０９６号公報

しかしながら、特許文献１に記載の音声認識装置では、誤認識を訂正するためには、訂正用の制御語を抽出して、訂正が必要なことを認識するステップと、本来認識されるべき単語に訂正するための単語の再入力を受付けるステップの２つのステップを踏まなくてはならない。このため、操作数が多くなり、ユーザにとっては利便性に欠ける。

そこで、本発明は、上記問題に鑑みてなされた。すなわち、誤認識された発話内容を確実に１ステップで認識されるべき発話内容に訂正することができる音声認識装置、音声認識方法、及び音声認識プログラムを提供することを目的とする。

本発明の第１の局面は、音声入力可能な音声認識装置に向けられている。本発明は、単語を記憶する記憶部と、ユーザが発話した音声を取り込む音声入力部と、記憶部に記憶された単語を参照して、音声入力部が取り込んだ音声の表す単語を認識する認識部と、認識部が認識した単語を訂正するための訂正単語を作成する訂正単語作成部と、訂正単語作成部が作成した訂正単語に基づいて、認識部が認識した単語の訂正して出力する単語訂正部とを備える。

また、単語訂正部は、訂正単語作成部が作成した訂正単語に基づいて、認識部が認識した単語を本来認識されるべき単語になるように置換する訂正を行うことが好ましい。

また、単語訂正部は、訂正単語作成部が作成した訂正単語に基づいて、認識部が認識した単語を本来認識されるべき単語になるように削除する訂正を行うことが好ましい。

また、ツリー構造を構成するメニュー画面のノードと単語とが対応している場合において、訂正単語作成部は、現在のメニュー画面のノードの階層を含む下位の階層のノード、及び上位の階層のノードに対応する単語を含む単語群に基づいて、訂正単語を作成することが好ましい。

また、訂正単語作成部は、１単語からなる訂正単語を作成することが好ましい。

また、訂正単語作成部は、複数単語からなる訂正単語を作成することが好ましい。

また、単語訂正部は、ユーザに対して、単語の訂正に際しての発話方法を教示する補助報知を行うことが好ましい。

本発明の第２の局面は、音声入力可能な音声認識方法に向けられている。本発明は、ユーザが発話した音声を取り込む音声入力ステップと、記憶部に記憶された単語を参照して、音声入力ステップで取り込んだ音声の表す単語を認識する認識ステップと、認識ステップで認識した単語を訂正するための訂正単語を作成する訂正単語作成ステップと、訂正単語作成ステップで作成した訂正単語に基づいて、認識ステップで認識した単語を訂正して出力する単語訂正ステップとを備える。

本発明の第３の局面は、音声入力可能な音声認識装置のコンピュータで実行される音声認識プログラムに向けられている。本発明は、コンピュータに、ユーザが発話した音声を取り込む音声入力ステップと、記憶部に記憶された単語を参照して、前記音声入力ステップで取り込んだ音声の表す単語を認識する認識ステップと、認識ステップで認識した単語を訂正するための訂正単語を作成する訂正単語作成ステップと、訂正単語作成ステップで作成した訂正単語に基づいて、認識ステップで認識した単語を訂正して出力する単語訂正ステップとを実行させる。

誤認識された発話内容を確実に１ステップで認識されるべき発話内容に訂正することができる音声認識装置を提供することができる。

以下、本発明の実施の形態に係る音声認識装置について、図面に従って詳細に説明する。

図１は、本発明の実施の形態に係る音声認識装置１００の全体構成を示すブロック図である。図１において、音声認識装置１００は、音声入力部１１０、記憶部１２０、音声認識部１３０、訂正単語作成部１４０、単語訂正部１５０、及び出力部１６０を備える。

音声入力部１１０は、ユーザが発話した音声を取り込む、例えばマイクである。記憶部１２０は、様々な単語を表すデータを格納している、例えばＣＤ−ＲＡＭ、ＤＶＤ−ＲＡＭ、ＨＤＤ（ハードディスクドライブ）、又はメモリである。

記憶部１２０は、図２に示すように、各単語を表すデータそれぞれに対応するメニュー画面の各画像データをノードで表したツリー構造で記憶している。このツリー構造では、各メニュー画面の画像データはノードＩＤで表されるアドレスに記憶されている。例えば、図３に示すように、単語“Ａ”に対応するメニュー画面の画像データは、ノードＩＤＮ０１で表されるアドレスに記憶されている。

音声認識部１３０は、音声入力部１１０が取り込んだユーザの発話した音声に対応する単語を表すデータと記憶部１２０に格納されている単語を表すデータとの一致不一致を参照して、ユーザが発話した音声の表す単語を認識する。音声認識部１３０は、例えば、入力された音声データを音素レベルで分解したデータと、記憶部１２０に記憶されている単語の音素の標準パターンに変換したデータとを比較し、記憶部１２０に記憶されている単語の中から確率統計処理を用いて、確からしい単語を抽出する。この単語抽出の際、処理方法としては、現在多くの音声認識技術に用いられている隠れマルコフモデル（ＨＭＭ）等が用いられてもよい。

訂正単語作成部１４０は、音声認識部１３０が認識した単語を訂正するための訂正単語を表すデータを作成する。単語訂正部１５０は、訂正単語作成部１４０が作成した訂正単語の表すデータに基づいて、音声認識部１３０が認識した単語を表すデータを別の単語を表すデータに置換したり、不要な単語を表すデータを削除する訂正を行う。

出力部１６０は、各メニュー画面を表示したり、メニュー画面に応じた音声案内を行う、ディスプレイやスピーカで構成される。

以下、本発明の実施の形態に係る音声認識装置１００の置換単語作成処理について、図４のフロー図に従って説明する。なお、図５に示すテーブルＴ１００の関係が予め定められていると仮定する。テーブルＴ１００は、認識単語Ｃ１１０と、ノードＩＤＣ１２０と、親ノードＣ１３０と、子ノードＣ１４０の要素から構成される。認識単語Ｃ１１０は、各ノードＣ１２０に記載されているノードを音声で指す際の単語が記載されており、親ノードＣ１３０はノードＩＤＣ１２０に記載されているノードの一つ上の階層で、かつ直接関連しているノードを指している。子ノードＣ１４０は、ノードＩＤＣ１２０と親ノードＣ１３０から、ノードＩＤＣ１２０に記載されているノード以下に間接的にぶら下がっているノードを含めたノードＩＤが記載されている。

まず、ユーザが“Ｂ”と発話し、音声認識部１３０が“Ｂ”と認識した場合、訂正単語作成部１４０は、図５の認識単語Ｃ１１０を参照し、認識単語“Ｂ”のノードＩＤを元に、記憶部１２０から各単語"Ａ"、"Ｂ"、"Ｃ"、"Ｄ"、"Ｅ"、"Ｆ"、"Ｇ"、"Ｈ"、"Ｉ"、"Ｊ"、Ｋ"、"Ｌ"、及び"Ｍ"を抽出する（ステップＳ４０１）。

次に、訂正単語作成部１４０は、それらの抽出単語と認識単語“Ｂ”とを比較し（ステップＳ４０２）、認識単語“Ｂ”と異なるか否かを判定する（ステップＳ４０３）。ここで、ステップＳ４０３で、認識単語と抽出した単語とを比較する理由は、例えば「“Ｂ”じゃなくて“Ｂ”」というのは意味的に訂正を表していることにならず、また、認識単語“Ｂ”が“Ｃ”と音響的に近い単語である場合、ユーザが「“Ｂ”じゃなくて“Ｃ”」と発話したのにも関わらず、再度“Ｃ”を“Ｂ”と誤認識してしまうことを事前に回避し、誤認識する確率を減らすためである。

ステップＳ４０３において、認識単語“Ｂ”と同じであると判定された場合、訂正単語作成部１４０はステップＳ４０５に処理を移す。一方、ステップＳ４０３において、認識単語“Ｂ”と異なると判定された場合、訂正単語作成部１４０は、ステップＳ４０１で抽出した単語と組み合わせて訂正単語を作成して、記憶部１２０に記憶させる（ステップＳ４０４）。ここで作成される訂正単語とは、認識した単語を取り消し、抽出した単語を再認識させるような単語である。訂正単語作成部１４０は、例えば、「“Ｂ”じゃなくて“Ｃ”」や、「“Ｂ”を“Ｃ”に修正する」等の「（認識した単語）＋（置換先の単語）」の組み合わせを１つの訂正単語として作成して、記憶部１２０に記憶させる。なお、訂正単語作成部１４０は、現在のノードの階層を含む下位の階層のノード、及び上位の階層のノードに対応する単語を含む単語群に基づいて、訂正単語を作成してもよい。

次に、訂正単語作成部１４０は、抽出した全単語について、ステップＳ４０３の比較処理が終了したか否かを判定する（ステップＳ４０５）。ステップＳ４０５において、比較処理が終了していないと判定された場合、訂正単語作成部１４０は、再度ステップＳ４０２に処理を戻す。一方、ステップＳ４０５において、比較処理が終了したと判定された場合、訂正単語作成部１４０は置換単語作成処理を終了する。

以下、本発明の実施の形態に係る音声認識装置１００の削除単語作成処理について、図６のフロー図に従って説明する。特に、認識した単語数が複数である場合について説明する。なお、この削除単語作成処理は、認識した単語数が複数である場合に行われることに限定されない。

まず、ユーザが「“Ａ”、“Ｄ”」と発話し、音声認識部１３０が「“Ａ”、“Ｄ”」と認識したと仮定する。

訂正単語作成部１４０は、入力された認識単語とそれを削除する意味を表す単語とを組み合わせた訂正単語を作成し、記憶部１２０に記憶させる（ステップＳ６０１）。例えば、「“Ｄ”を削除する」や「“Ｄ”はいらない」や「“Ｄ”を訂正」等が訂正単語になる。訂正単語作成部１４０は、このような訂正単語を認識された単語毎に作成する。

以下、本発明の実施の形態に係る音声認識装置１００の訂正処理について、図７のフロー図に従って説明する。

ユーザが発話し、音声認識部１３０が正しく音声を認識したと仮定する。単語訂正部１５０は、音声認識部１３０が認識した単語が置換単語か否か判定する（ステップＳ７０１）。これは、別個のＩＤが付与されている、又は訂正を表す特定の単語（本例の場合は、「じゃなくて」や「に修正する」という文字列）が含まれているか否かで判定される。

ステップＳ７０１において、例えば、「“Ｂ”じゃなくて“Ｃ”」という置換単語であると判定された場合、単語訂正部１５０は、置換先の単語を抽出する（ステップＳ７０２）。これは、本例の場合、単語“Ｃ”が置換先の単語である。単語訂正部１５０は、この置換先の単語“Ｃ”を認識単語とする（ステップＳ７０３）。このようにすることで、ユーザが「“Ｂ”じゃなくて“Ｃ”」と発話し、音声認識部１３０が「“Ｂ”じゃなくて“Ｃ”」を認識すると、本来認識されるべき単語“Ｃ”が認識される。そして、本来認識されるべき単語“Ｃ”に対応するメニュー画面の画像データが出力部１６０を介して出力される。

これにより、従来、訂正が必要なことを認識するステップと、本来認識されるべき単語に訂正するための単語の再入力を受付けるステップの２つのステップを踏まないと所望するノードには到達できなかったが、１ステップで所望するノードに到達することができる。具体的な例を図２を用いて以下に説明する。

現在、ノードＮ０１に所属していたとする。そして、ユーザがノードＮ０４を指し示すために“Ｃ”と発話したが、“Ａ”と認識された場合は、ノードＮ０２を指すこととなり、所属するノードがノードＮ０２となる。ここで、従来の場合、再度、前に所属していたノードであるノードＮ０１に戻るような修正のステップを踏み、次に、もう一度“Ｃ”と発話し直す必要があった。

しかしながら、ユーザが訂正単語、例えば「“Ａ”じゃなくて“Ｃ”」を発話した場合、ノードＮ０４からノードＮ０２に１ステップで遷移することができる。これにより、ユーザはステップ数を減らすことができ、楽に操作することができる。

一方、ステップＳ７０１において、置換単語でないと判定された場合、単語訂正部１５０は、音声認識部１３０が認識した単語が削除単語か否か判定する（ステップＳ７０４）。これは、固有のＩＤを情報として付与されている、又は「はいらない」や「を削除する」や「を訂正」等の文字列が含まれているか否かで判定される。

ステップＳ７０４において、削除単語でないと判定された場合、単語訂正部１５０は処理を終了する。一方、ステップＳ７０４において、例えば、「“Ａ”はいらない」という削除単語であると判定された場合、単語訂正部１５０は、削除先の単語を削除する（ステップＳ７０５）。これは、本例の場合、単語“Ａ”が削除先の単語である。単語訂正部１５０は、この削除先の単語“Ａ”を削除する。このようにすることで、先にユーザが「“Ａ”、“Ｄ”」と発話し、音声認識部１３０が「“Ａ”、“Ｄ”」と認識した場合であっても、本来認識されるべき単語“Ｄ”が認識される。そして、本来認識されるべき単語“Ｄ”に対応するメニュー画面の画像データが出力部１６０を介して出力される。

これにより、ユーザは“Ａ”、“Ｄ”を発話していながら、“Ｄ”のみを削除し、“Ａ”のみが指すノードに所属することができる。すなわち、訂正単語を発話することで、２度の発話をすることなく、１度の発話でノード間の移動をすることができる。具体的な例を図２を用いて以下に説明する。

遷移するノードの観点から見ると、まず、ユーザは、ノードＮ０１に所属する“Ａ”と“Ｄ”を発話することで、ノードＮ０５に遷移する。しかしながら、認識した内容がユーザの所望した内容とは異なったため、ユーザが訂正単語を発話し、ノードＮ０２に遷移した。従来であれば、ノードＮ０５からノードＮ０２に遷移するためには、ノードＮ０５から、一度前回の所属ノード（ノードＮ０１）に移動して、再度、ユーザが“Ｄ”を発話することで、移動することができた。

しかしながら、ユーザが訂正単語、例えば「“Ｄ”じゃない」を発話した場合、ノードＮ０５からノードＮ０２に１ステップで遷移することができる。これにより、ユーザはステップ数を減らすことができ、楽に操作することができる。

なお、本実施の形態では、１単語の音声認識を例にしているが、複数の単語を連続で認識する場合は、訂正単語作成部１４０が「“Ａ”」、「じゃなくて」、及び「“Ｃ”」という３単語を１つの訂正単語として作成することで、ユーザが「“Ａ”」、「じゃなくて」、「“Ｃ”」とそれぞれの単語の間を空けて発話したとしても誤認識を軽減することができる。また、訂正単語作成部１４０が、例えば、「“Ａ”じゃなくて」、及び「“Ｃ”」の２つの単語を１つの訂正単語として作成することで、ユーザが「“Ａ”じゃなくて」、「“Ｃ”」とそれぞれの単語の間を空けて発話したとしても誤認識を軽減することができる。

なお、単語訂正部１５０は、音声認識部１３０が単語を認識した場合、単語の訂正に際しての発話方法を教示する補助報知を出力部１６０を介して行ってもよい。図８は音声認識部１３０が“Ａ”と認識した時のディスプレイ上の表示例である。図８の認識単語表示領域１２０は、音声認識部１３０で認識した単語を表示しており、候補表示領域１２１には、“Ａ”に関連付いたノードＮ０１の下の階層のノード（ノードＮ０４、ノードＮ０５）に対応する単語を表示している。そして、操作ヒント１２２は、訂正単語の使用例を表示し、それを発話したときの動作をユーザに報知している。このような、操作ヒントを表示することで、ユーザはあらかじめ訂正単語を覚えておく必要がなく、スムーズに訂正単語を発話することができる。この際、操作ヒント１２２には、図８のように、今回認識した単語（今回の場合は、“Ａ”）を含む形で表示すると、さらにユーザに分かり易く訂正単語の使い方を伝えることができる。なお、この報知は、表示する場合に限られず、音声により行われてもよい。

また、本発明は、上述した実施の形態を実現するソフトウェアのプログラム（実施の形態では図に示すフロー図に対応したプログラム）が装置に供給され、その装置のコンピュータが、供給されたプログラムを読出して、実行することによっても達成させる場合を含む。したがって、本発明の機能処理をコンピュータで実現するために、コンピュータにインストールされるプログラム自体も本発明を実現するものである。つまり、本発明は、本発明の機能処理を実現させるための音声認識プログラムも含む。

このように、本発明によれば、誤認識された発話内容を確実に１ステップで認識されるべき発話内容に訂正することができる音声認識装置、音声認識方法、及び音声認識プログラムを提供することができる。

上記実施の形態で説明した構成は、単に具体例を示すものであり、本願発明の技術的範囲を制限するものではない。本願の効果を奏する範囲において、任意の構成を採用することが可能である。

本発明は、誤認識された発話内容を確実に１ステップで認識されるべき発話内容に訂正することができるという効果を有し、音声で短時間に機器を操作する操作方法等として有用である。

本発明の実施の形態に係る音声認識装置の全体構成を示すブロック図 本発明の実施の形態に係る音声認識装置の動作説明のためのツリー構造を示す図 本発明の実施の形態に係る音声認識装置の図２に記載のツリー構造の各ノードと対応する単語を示すノード単語対応表 本発明の実施の形態に係る音声認識装置の置換単語作成処理を示すフロー図 本発明の実施の形態に係る音声認識装置の図２に記載のツリー構造の関係をテーブルとして表した表 本発明の実施の形態に係る音声認識装置の削除単語作成処理を示すフロー図 本発明の実施の形態に係る音声認識装置の訂正処理を示すフロー図 本発明の実施の形態における音声認識装置の出力画面例

符号の説明

１００ 音声認識装置
１１０ 音声入力部
１２０ 記憶部
１３０ 音声認識部
１４０ 訂正単語作成部
１５０ 単語訂正部
１６０ 出力部

Claims (9)

1. 音声入力可能な音声認識装置であって、
   単語を記憶する記憶部と、
   ユーザが発話した音声を取り込む音声入力部と、
   前記記憶部に記憶された単語を参照して、前記音声入力部が取り込んだ音声の表す単語を認識する認識部と、
   前記認識部が認識した単語を訂正するための訂正単語を作成する訂正単語作成部と、
   前記訂正単語作成部が作成した訂正単語に基づいて、前記認識部が認識した単語を訂正して出力する単語訂正部とを備える、音声認識装置。
2. 前記単語訂正部は、前記訂正単語作成部が作成した訂正単語に基づいて、前記認識部が認識した単語を本来認識されるべき単語になるように置換する訂正を行うことを特徴とする、請求項１に記載の音声認識装置。
3. 前記単語訂正部は、前記訂正単語作成部が作成した訂正単語に基づいて、前記認識部が認識した単語を本来認識されるべき単語になるように削除する訂正を行うことを特徴とする、請求項１に記載の音声認識装置。
4. ツリー構造を構成するメニュー画面のノードと単語とが対応している場合において、前記訂正単語作成部は、現在のメニュー画面のノードの階層を含む下位の階層のノード、及び上位の階層のノードに対応する単語を含む単語群に基づいて、訂正単語を作成することを特徴とする、請求項１〜３のいずれかに記載の音声認識装置。
5. 前記訂正単語作成部は、１単語からなる訂正単語を作成することを特徴とする、請求項１〜４のいずれかに記載の音声認識装置。
6. 前記訂正単語作成部は、複数単語からなる訂正単語を作成することを特徴とする、請求項１〜４のいずれかに記載の音声認識装置。
7. 前記単語訂正部は、ユーザに対して、単語の訂正に際しての発話方法を教示する補助報知を行うことを特徴とする、請求項１〜６のいずれかに記載の音声認識装置。
8. 音声入力可能な音声認識方法であって、
   ユーザが発話した音声を取り込む音声入力ステップと、
   記憶部に記憶された単語を参照して、前記音声入力ステップで取り込んだ音声の表す単語を認識する認識ステップと、
   前記認識ステップで認識した単語を訂正するための訂正単語を作成する訂正単語作成ステップと、
   前記訂正単語作成ステップで作成した訂正単語に基づいて、前記認識ステップで認識した単語を訂正して出力する単語訂正ステップとを備える、音声認識方法。
9. 音声入力可能な音声認識装置のコンピュータで実行される音声認識プログラムであって、
   前記コンピュータに、
   ユーザが発話した音声を取り込む音声入力ステップと、
   記憶部に記憶された単語を参照して、前記音声入力ステップで取り込んだ音声の表す単語を認識する認識ステップと、
   前記認識ステップで認識した単語を訂正するための訂正単語を作成する訂正単語作成ステップと、
   前記訂正単語作成ステップで作成した訂正単語に基づいて、前記認識ステップで認識した単語を訂正して出力する単語訂正ステップとを実行させる、音声認識プログラム。

Images