JP2009049653A - 電話端末装置及びこれを用いた音声認識システム - Google Patents

Abstract

【課題】内線電話端末として利用可能としつつ、音声認識処理に適した符号化を行う。
【解決手段】ＩＰ電話機能を備え、当該ＩＰ電話機能を用いて構内に敷設されたネットワークを介して内線電話端末として利用可能な電話端末装置１であって、ＩＰ電話機能の利用時に通信データの符号化を行うＩＰ電話用コーデック１０と、ユーザから入力された音声データの音声認識処理に適した符号化を行う音声認識用コーデック１１と、ＩＰ電話用コーデック１０と音声認識用コーデック１１とを切り替えるコーデック切替部９とを備える。
【選択図】図１

Description

本発明は、電話端末装置及びこれを用いた音声認識システムに関し、特に、ＩＰ電話機能を有する電話端末装置及びこれを用いた音声認識システムに関する。

従来、オフィス等の構内に敷設されたＬＡＮ（Local Area Network）を内線電話網として用いる構内ＩＰ電話が普及している。そして、このような構内ＩＰ電話と、オフィス等の構外で使用される携帯電話機との併用を回避するために、オフィス等の構内において、携帯電話機を構内ＩＰ電話と兼用して用いることができる携帯電話・構内ＩＰ電話兼用アダプタが提案されている（例えば、特許文献１参照）。この携帯電話・構内ＩＰ電話兼用アダプタを用いた場合には、携帯電話機を内線電話端末として利用することが可能となる。

また、近年、無線ＬＡＮ通信機能を搭載し、オフィス等の構外にある場合には、通常の携帯電話機として利用することができる一方、オフィス等の構内にある場合には、内線電話端末として機能するＩＰ電話端末として利用することができる携帯電話機が開発されている。この携帯電話機においては、通常の携帯電話機として利用する場合に通信データの符号化を行う携帯電話機用のコーデック（携帯電話用コーデック）と、ＩＰ電話端末として利用する場合に通信データの符号化を行うＩＰ電話端末用のコーデック（ＩＰ電話用コーデック）とを備え、携帯電話機の存在する位置に応じて符号化を行うコーデックを切り替えている。
特開２００４−１８０１２２号公報

現在、携帯電話機には多種多様な機能が搭載され、その利用態様は多岐に亘っている。これに伴い、ユーザインターフェイスとしての機能も多機能化が要請されている。例えば、ユーザから入力される音声データに従って各種機能の制御を行うことが考えられる。この場合、ユーザは、従来のように操作キーを操作することなく、音声データを用いて携帯電話機を操作することが可能となる。そして、このような音声データによる操作を、上述したような内線電話端末として利用可能な携帯電話機で受け付け可能とする場合には、ネットワーク内に蓄積される情報との連携によって、より利用性に優れた携帯電話機を提供可能となることが予想される。

しかしながら、上述したような内線電話端末として利用可能な携帯電話機を、音声データにより操作可能なネットワークに適用する場合には、ユーザから入力される音声データを適切に音声認識することが困難であるという問題がある。すなわち、上述したような携帯電話用コーデック及びＩＰ電話用コーデックにおいては、音声データを音声認識するために必要な情報を圧縮し過ぎることとなり、例えば、音声認識処理を行う音声認識サーバで適切に音声認識することが困難である。このような実情は、内線電話端末として利用可能な携帯電話機に限られず、ＬＡＮ（無線ＬＡＮ及び有線ＬＡＮ）上に接続されたＩＰ電話機においても、同様である。

本発明は、このような実情に鑑みて為されたものであり、内線電話端末として利用可能としつつ、音声認識処理に適した符号化を行うことができる電話端末装置及びこれを用いた音声認識システムを提供することを目的とする。

本発明の電話端末装置は、ＩＰ電話機能を備え、当該ＩＰ電話機能を用いて構内に敷設されたネットワークを介して内線電話端末として利用可能な電話端末装置であって、前記ＩＰ電話機能の利用時に通信データの符号化を行うＩＰ電話用コーデックと、ユーザから入力された音声データの音声認識処理に適した符号化を行う音声認識用コーデックと、前記ＩＰ電話用コーデックと前記音声認識用コーデックとを切り替えるコーデック切替部とを具備することを特徴とする。

この構成によれば、内線電話端末としての利用を実現するＩＰ電話機能の利用時に通信データの符号化を行うＩＰ電話用コーデックと、ユーザから入力された音声データの音声認識処理に適した符号化を行う音声認識用コーデックとを備え、これをコーデック切替部で切り替えるようにしたことから、電話端末装置を内線電話端末として利用可能としつつ、当該電話端末装置で音声認識処理に必要な符号化を行うことが可能となる。

本発明の電話端末装置においては、ユーザからの指示入力を受け付ける操作部を具備し、前記コーデック切替部は、前記操作部に対する指示入力に応じて前記ＩＰ電話用コーデックと前記音声認識用コーデックとを切り替えることが好ましい。この場合には、ユーザからの指示入力に応じてＩＰ電話用コーデックと音声認識用コーデックとを切り替えることが可能となる。

また、本発明の電話端末装置において、前記コーデック切替部は、前記操作部から、予め定めた音声認識による操作を受け付けるための特定番号の入力を受け付けると前記音声認識用コーデックに切り替えることが好ましい。この場合には、ユーザによる特定番号の入力という簡単な作業だけで、電話端末装置において音声認識による操作を行うことが可能となる。特に、この場合には、電話端末装置に特別なボタン等を設けることなく、音声認識による操作を行うことが可能となる。

なお、本発明の電話端末装置において、前記操作部は、ユーザからの音声認識による操作を受け付けるための特定キーを備え、前記コーデック切替部は、前記特定キーが選択されると前記音声認識用コーデックに切り替えるようにしてもよい。この場合には、操作部に設けられた特定キーを選択するだけで、電話端末装置において音声認識による操作を行うことが可能となる。

また、本発明の電話端末装置において、前記コーデック切替部は、外部からの指示に応じて前記音声認識用コーデックに切り替えるようにしてもよい。この場合には、外部から、電話端末装置における音声認識による操作の可否を制御することが可能となる。

また、本発明の電話端末装置においては、ユーザから入力された音声データの音声認識を行う音声認識部を具備し、前記コーデック切替部は、ユーザから入力された音声データに応じて前記音声認識用コーデックに切り替えるようにしてもよい。この場合には、ユーザから入力された音声データに応じて、電話端末装置において音声認識による操作を行うことが可能となる。

また、本発明の電話端末装置においては、携帯電話機能を備え、前記携帯電話機能の利用時に通信データの符号化を行う携帯電話用コーデックを具備し、前記コーデック切替部は、前記携帯電話用コーデックと前記ＩＰ電話用コーデックと前記音声認識用コーデックとを切り替えることが好ましい。この場合には、コーデック切替部によって、携帯電話用コーデックとＩＰ電話用コーデックと音声認識用コーデックとが切り替えられることから、通常の携帯電話機として利用可能な電話端末装置、内線電話端末として利用可能としつつ、当該電話端末装置において音声認識処理に必要な符号化を行うことが可能となる。

また、本発明の電話端末装置において、前記音声認識用コーデックで符号化を行う前に、ユーザから入力された音声データの音声認識精度を向上するための処理を行う符号化前処理部を具備するようにしてもよい。この場合には、ユーザから入力された音声データの音声認識精度を向上することが可能となる。

例えば、本発明の電話端末装置において、前記符号化前処理は、ユーザから入力された音声データに含まれるノイズを除去する。この場合には、ユーザから入力された音声データに含まれるノイズが除去されることから、必要な情報のみに対して音声認識処理を施すことができるので、当該音声データの音声認識精度を向上することが可能となる。

また、本発明の電話端末装置において、前記符号化前処理は、ユーザから入力された音声データに対応する音声出力レベルを調整する。この場合には、ユーザから入力された音声データに対応する音声出力レベルが調整されることから、例えば、音声データの劣化を回避することができるので、当該音声データの音声認識精度を向上することが可能となる。

本発明の音声認識システムは、上記請求項１から請求項１０のいずれかに記載の電話端末装置と、前記電話端末装置の音声認識用コーデックで符号化された音声データの音声認識を行う音声認識サーバとを具備することを特徴とする。

この構成によれば、音声認識サーバによって、電話端末装置の音声認識用コーデックで符号化された音声データの音声認識が行われることから、構内で内線電話端末として利用可能な電話端末装置からの音声データを適切に音声認識することが可能となる。

本発明の音声認識システムにおいては、各種の情報を蓄積し、前記音声認識サーバで音声認識された認識結果に対応する情報を検索して前記電話端末装置に応答する応答サーバを具備することが好ましい。この場合には、応答サーバが音声認識サーバで音声認識された認識結果に対応する情報を検索して電話端末装置に応答することから、電話端末装置においてユーザから入力された音声データに対応する情報を電話端末装置に応答することが可能となる。

特に、本発明の音声認識システムにおいて、前記応答サーバは、前記電話端末装置のユーザに応じて検索対象とする情報を特定することが好ましい。この場合には、応答サーバにおいて、電話端末装置のユーザに応じて検索対象とする情報が特定されることから、電話端末装置のユーザに応じて応答する情報の範囲を変更することが可能となる。

本発明による電話端末装置及びこれを用いた音声認識システムによれば、内線電話端末として利用を実現するＩＰ電話機能の利用時に通信データの符号化を行うＩＰ電話用コーデックと、ユーザから入力された音声データの音声認識処理に適した符号化を行う音声認識用コーデックとを備え、これらをコーデック切替部で切り替えるようにしたことから、内線電話端末として利用可能としつつ、音声認識処理に必要な符号化を行うことが可能となる。

以下、本発明の実施の形態について添付図面を参照して詳細に説明する。なお、以下においては、本発明を電話端末装置に具現化する場合について説明するが、当該電話端末装置を用いた音声認識システムとしても成立するものである。

本実施の形態に係る電話端末装置は、構内に敷設されたネットワークを介して通信を行う通信機能を利用したＩＰ電話端末としての機能（ＩＰ電話機能）を備えている。そして、このＩＰ電話機能を用いて上記ネットワークを介して内線電話端末として利用できるものである。なお、以下においては、構内に敷設されたネットワークがＬＡＮである場合について説明するが、当該ネットワークの種別については適宜変更が可能である。また、本電話端末装置が備える通信機能が無線ＬＡＮ通信機能である場合について説明するが、当該通信機能についてはこれに限定されるものではなく、敷設されるＬＡＮに応じて有線ＬＡＮ通信機能を備えることも可能である。

（実施の形態１）
図１は、本発明の実施の形態１に係る電話端末装置（以下、適宜「電話機」という）１の構成を示すブロック図である。なお、図１に示すブロック図については、本発明を説明するために簡略化したものであり、電話機１は、通常の電話機に必要な機能を備えるものとする。

図１に示すように、電話機１は、ユーザからの音声入力を受け付けるマイク２と、現在の状態に応じた音声出力を行うスピーカ３と、操作キーなどを備え、ユーザからの指示入力を受け付ける操作部４と、各種の情報を表示する表示部５とを備えている。また、電話機１は、これらのマイク２、スピーカ３、操作部４及び表示部５に対する入出力信号を処理する入出力処理部６と、入出力処理部６で処理された通信データの符号化を行うコーデック部７と、コーデック部７で符号化された信号を無線送信可能な信号に変換し、電話機１の位置に対応するアクセスポイント（ＡＰ）２１に送出する無線ＬＡＮ通信部８とを備えている。

入出力処理部６は、コーデック切替部９を備えており、ユーザからの指示、或いは、外部からの指示（例えば、後述する応答サーバ２９からの切替指示）に応じて通信データ（音声データを含む）の符号化を行うコーデック部７内のコーデックを切り替える。例えば、コーデック切替部９は、操作部４の操作キーから入力された内容（例えば、後述する特定番号）に応じてコーデックを切り替える。なお、マイク２から入力される音声信号のタイミング等に応じてコーデックを切り替えるようにしてもよい。

コーデック部７は、通常のＩＰ電話端末として利用する場合に通信データの符号化を行うＩＰ電話用コーデック１０と、後述する音声認識サーバ２８における音声認識処理に適した通信データの符号化を行う音声認識用コーデック１１とを備えている。ＩＰ電話用コーデック１０は、例えば、ＩＥＥＥが定めた無線ＬＡＮの規格であるＩＥＥＥ ８０２．１１ａ等に準拠した符号化を行う。音声認識用コーデック１１は、ＩＰ電話用コーデック１０よりも情報の圧縮率が低く設定され、後述する音声認識サーバ２８における音声認識処理の認識精度を予め定められる一定精度を維持可能な符号化を行う。

このような構成を有し、実施の形態１に係る電話機１は、ユーザ或いは外部から入力された指示内容に応じてＩＰ電話用コーデック１０と、音声認識用コーデック１１とを切り替えて使用することが可能である。このため、ユーザによる電話機１の利用態様に合わせて適切に通信対象となるデータの符号化を行うことが可能となる。

図２は、実施の形態１に係る電話機１が接続されるネットワークの構成を示す図である。図２においては、本実施の形態に係る電話機１が内線電話端末として利用されるオフィス等に敷設されたＬＡＮの構成について示している。なお、本実施の形態に係る電話機１が接続されるネットワークの構成については、図２に示す構成に限定されるものではなく、適宜変更が可能である。

図２に示すように、本実施の形態に係る電話機１が接続されるネットワークにおいては、管理装置２２（第１管理装置２２ａ及び第２管理装置２２ｂ）と、ＩＰ−ＰＢＸ（Internet Protocol Private Branch eXchange）２３と、ＤＨＣＰ（Dynamic Host Configuration Protocol）サーバ２４と、ＤＮＳ（domain name server）サーバ２５と、ＰｏＣ（Push-to-Talk over Cellular）サーバ２６と、ＳＩＰ（session initiation protocol）サーバ２７と、音声認識サーバ２８と、応答サーバ２９とがルータ３０を介して接続されている。

なお、ＩＰ−ＰＢＸ２３、ＤＨＣＰサーバ２４、ＤＮＳサーバ２５、ＰｏＣサーバ２６、ＳＩＰサーバ２７、音声認識サーバ２８及び応答サーバ２９には、それぞれ以下に示す処理を実行するための情報を蓄積したデータベース（ＤＢ）が接続されている。ＩＰ−ＰＢＸ２３、ＤＨＣＰサーバ２４、ＤＮＳサーバ２５、ＰｏＣサーバ２６、ＳＩＰサーバ２７、音声認識サーバ２８及び応答サーバ２９は、接続されたデータベースに蓄積される情報を適宜検索して、それぞれの処理に必要な情報を取得するように構成されている。

第１管理装置２２ａ及び第２管理装置２２ｂは、本実施の形態に係る電話機１が無線ＬＡＮ通信機能によりアクセス可能な複数のアクセスポイント（ＡＰ）２１に対する電話機１からのアクセスを管理する。例えば、第１管理装置２２ａは、オフィス等の１階のフロアに設置された複数のアクセスポイント２１に対するアクセスを管理し、第２管理装置２２ｂは、オフィス等の２階のフロアに設置された複数のアクセスポイント２１に対するアクセスを管理する。

ＩＰ−ＰＢＸ２３は、図２に示すネットワーク内で電話機１の回線交換を行なう。ＩＰ−ＰＢＸ２３に接続されるデータベースには、ネットワーク内の各端末に予め設定された内線電話番号と、各端末に割り当てられたＩＰアドレスとが対応付けて登録されている。このデータベース内の情報を参照しながら行うＩＰ−ＰＢＸ２３の回線交換機能により、電話機１は、オフィス等の構内において内線電話端末として利用可能となる。特に、ＩＰ−ＰＢＸ２３は、電話機１からの番号種別の問い合わせに応じて番号種別を判定する処理（番号種別判定処理）を行う。この番号種別判定処理においては、電話機１から渡された番号が通常の内線電話番号であるか、音声操作のために割り当てられた番号であるが判定される。なお、この番号種別判定処理については後述する。

ＤＨＣＰサーバ２４は、電話機１をインターネットに接続可能とするためにＩＰアドレスなど必要な情報を自動的に割り当てる。ＤＮＳサーバ２５は、インターネット上でのコンピュータの名前にあたるドメイン名を、住所にあたるＩＰアドレスと呼ばれる４つの数字の列に変換する。これらのＤＨＣＰサーバ２４及びＤＮＳサーバ２５の機能により、電話機１は、ルータ３０を介して不図示のインターネット上のサイトにアクセスしたり、図２に示すネットワークの外部の携帯電話機等に電子メールを送信したりすることが可能となる。

ＰｏＣサーバ２６は、電話機１をトランシーバのように使い、特定のボタンを押している間だけ相手に話し掛けることができる半二重の通話サービスのための通信制御を行う。ＳＩＰサーバ２７は、ＶｏＩＰを応用したＩＰ電話などで用いられる通話制御プロトコルであるＳＩＰに従って通信制御を行う。このＳＩＰサーバ２７の通信制御機能により、電話機１は、図２に示すネットワーク上の他の電話機１との間でＳＩＰプロトコルに従って通話等を行うことが可能となる。

音声認識サーバ２８は、電話機１からＩＰ−ＰＢＸ２３を介して送出された音声データに対して音声認識処理を行い、検索対象コマンドを特定する。音声認識サーバ２８に接続されるデータベースには、例えば、予め特定された音声データと、検索対象コマンドとを対応付けた音声認識辞書が登録されている。音声認識サーバ２８は、このような音声認識辞書を参照しながら、電話機１から送出された音声データの音声認識を行う。なお、音声認識サーバ２８における音声認識処理は、特定の音声認識処理に限定されるものではない。その音声認識対象となる音声データの内容や長さなどの要素に応じて、音声認識サーバ２８に実装される音声認識処理は、適宜変更が可能である。

応答サーバ２９は、音声認識サーバ２８で生成された検索対象コマンドに対応する検索データを検索し、この検索データをアクセスしてきた電話機１に応答する。特に、応答サーバ２９は、検索対象コマンドに対応する検索データを検索する際、アクセスしてきた電話機１のユーザ情報などを考慮して検索対象とする情報を特定する。例えば、図２に示すネットワークに対応する組織の責任者などからの検索対象コマンドについては、機密情報を含む秘匿性の高い情報まで検索対象とする情報とする一方、当該組織の一構成員などからの検索対象コマンドについては、公開情報を含む秘匿性の低い情報のみを検索可能な範囲とすることが考えられる。なお、応答サーバ２９に接続されるデータベースには、組織の売上高や人事情報、電車やバスの時刻表など、電話機１のユーザが入手し得るあらゆる情報を蓄積しておくことが好ましい。また、このデータベースには、電話機１のユーザ情報が蓄積される。

なお、応答サーバ２９は、例えば、ＩＰ−ＰＢＸ２３及び音声認識サーバ２８からの指示に応じて、電話機１で使用されるコーデックを音声認識用コーデック１１に切り替える指示を出力可能に構成されている。このように応答サーバ２９からの音声認識用コーデック１１に切り替える指示を出力可能とすることにより、外部から、電話機１における音声認識による操作の可否を制御することが可能となる。

このような構成を有するネットワークに接続され、本実施の形態に係る電話機１は、ユーザから入力された音声データによってユーザが所望する情報を取得することが可能となっている。以下、本実施の形態に係る電話機１において、ユーザから入力された音声データに対応する情報を取得するまでの処理について説明する。図３は、実施の形態１に係る電話機１において、ユーザから入力された音声データに対応する情報を取得するまでの処理について説明するためのシーケンス図である。なお、本実施の形態に係る電話機１のコーデック部７においては、初期状態において、ＩＰ電話用コーデック１０が選択されているものとする。

この場合、電話機１においては、まず、所望の情報の取得を目的とするユーザによって操作部４を介して、予め定めた音声認識による操作を受け付けるための特定番号（以下、「音声操作特定番号」という）が入力されるか判定する（ステップ（以下、「ＳＴ」という）１）。なお、この音声操作特別番号は、図２に示すネットワークの各端末に割り当てられた内線番号と無関係に設定される。

音声操作特定番号が入力されると、入出力処理部６のコーデック切替部９によってコーデック部７のコーデックが切り替えられる（ＳＴ２）。ここでは、コーデック部７において、ＩＰ電話用コーデック１０から音声認識用コーデック１１に切り替えられる。

コーデックが切り替えられた後、音声データが入力されるか判定する（ＳＴ３）。なお、ここでは、図２に示すネットワークに対応する組織の責任者から、機密情報に相当する当該組織の売上高に対応する情報の取得を指示する音声データである「売り上げ」が入力されたものとする。

このように入力された音声データは、入出力処理部６を介して音声認識用コーデック１１に渡される。音声データを受け取ると、音声認識用コーデック１１によって、この音声データに対して、音声認識サーバ２８で一定の精度を有する音声認識処理を行うために適した符号化処理が行われる（ＳＴ４）。

符号化処理が行われた音声データは、電話機１に割り当てられた内線番号と共に、無線ＬＡＮ通信部８、ＡＰ２１及び管理装置２２を介してＩＰ−ＰＢＸ２３に送信される（ＳＴ５）。ここで、電話機１の内線番号を送信するのは、応答サーバ２９において、当該音声データの送信元である電話機１を特定すると共に、当該電話機１のユーザ情報を特定するためである。なお、この場合においては、音声特定番号が入力されていることから、転送先の内線番号として、音声認識サーバ２８に割り当てられた内線番号が音声データ等と一緒にＩＰ−ＰＢＸ２３に送信される。

電話機１から音声データや音声認識サーバ２８の内線番号等を受け取ると、ＩＰ−ＰＢＸ２３によって当該音声データの転送先を選択する処理が行われる（ＳＴ６：転送先選択処理）。ここでは、転送先の内線番号として、音声認識サーバ２８に割り当てられた内線番号を受け取っていることから、ＩＰ−ＰＢＸ２３は、データベース内でこの内線番号に対応するＩＰアドレスを検索し、受け取った音声データを音声認識サーバ２８に転送する（ＳＴ７）。また、このとき、ＩＰ−ＰＢＸ２３は、電話機１に対応するＩＰアドレスも検索し、音声認識サーバ２８に転送する。

ＩＰ−ＰＢＸ２３から音声データを受け取ると、音声認識サーバ２８によってこの音声データに対する音声認識処理が行われる（ＳＴ８）。この場合、音声認識サーバ２８は、データベースに予め記憶された音声認識辞書に基づいて、音声データの音声認識処理を行うと共に、これに対応付けられた検索対象コマンドを特定する。ここでは、検索対象コマンドとして、当該組織の売上高の対応する情報を取得する旨のコマンドが特定される。

音声認識サーバ２８により特定された検索対象コマンドは、電話機１に対応するＩＰアドレスと共に応答サーバ２９に渡される（ＳＴ９）。ここで、電話機１のＩＰアドレスを送信するのは、応答サーバ２９において、当該検索対象コマンドの送信元である電話機１を特定すると共に、当該携帯電話機１のユーザ情報を特定するためである。

音声認識サーバ２８から検索対象コマンドを受け取ると、応答サーバ２９によってこの検索対象コマンドに対応する検索データの検索処理が行われる（ＳＴ１０）。ここでは、応答サーバ２９は、当該組織の売上高の対応する情報を検索する。この場合において、当該情報は、機密情報として取り扱われるため、応答サーバ２９は、アクセスしてきた電話機１のユーザ情報を判定する。ここでは、電話機１のユーザが、当該組織の責任者であるため、当該情報が検索可能な情報であると判定する。

検索された検索データは、応答サーバ２９から、アクセスしてきた電話機１に送信される（ＳＴ１１）。このとき、応答サーバ２９は、音声認識サーバ２８から受け取っていた電話機１に対応するＩＰアドレスに対して送信する。この場合には、当該組織の売上高に対応する情報が電話機１に対して送信される。例えば、検索データは、音声データであってもよいし、テキストデータであってもよい。予め、電話機１のユーザにより指定するようにしてもよい。

応答サーバ２９から検索データを受け取ると、電話機１において、その検索データの出力処理が行われる（ＳＴ１２）。ここでは、応答サーバ２９から送信された、売上高に対応する情報の出力処理が行われる。なお、例えば、この売上高に対応する情報が音声データである場合には、スピーカ３によってその出力処理が行われ、テキストデータである場合には、表示部５によって出力処理が行われる。

ここで、実施の形態１に係る電話機１の他の利用態様について説明する。図３においては、ユーザから操作部４を介して特定番号を受け付けた後、マイク２を介して音声データを受け付ける場合について示している。例えば、特定番号の代わりに操作部４を介して他の電話機に対応する内線番号を受け付けた場合には、コーデック切替部９は、コーデック部７のコーデックをＩＰ電話用コーデック１０に切り替える。そして、内線番号に対応する他の電話機と接続した後、ユーザから入力される通信データ（音声データ）をＩＰ電話用コーデック１０で符号化しながら当該他の携帯電話機との間で通信を行う。

なお、図３に示すシーケンスにおいては、操作部４を介して入力された音声操作特定番号に応じて、電話機１単独でコーデックを切り替える場合について示しているが、コーデックを切り替える態様については、これに限定されるものではない。例えば、操作部４を介して入力された入力番号をＩＰ−ＰＢＸ２３に問い合わせる一方、当該入力番号に応じてＩＰ−ＰＢＸ２３からコーデックの切替指示を出力し、この切替指示に応じてコーデックを切り替えるようにしてもよい。図４は、この場合における処理について説明するためのシーケンス図である。なお、図４において、図３と同様の処理については、同一の符号を付し、その説明を省略する。

この場合、電話機１においては、まず、ユーザによって操作部４を介して任意の電話番号が入力されるか判定する（ＳＴ１３）。そして、操作部４を介して発信指示を受け付けると、この入力番号の種別についてＩＰ−ＰＢＸ２３に問い合わせる（ＳＴ１４）。この問い合わせを受け付けると、ＩＰ−ＰＢＸ２３によって入力番号が、通常の内線番号であるか、音声操作のために割り当てられた番号であるか判定される（ＳＴ１５：番号種別判定処理）。なお、この音声操作のために割り当てられた番号には、例えば、音声認識サーバ２８に割り当てられた内線電話番号が用いられる。

入力番号が、音声操作のために割り当てられた番号であると判定された場合には、ＩＰ−ＰＢＸ２３から電話機１に対してコーデックを切り替える指示（コーデック切替指示）が出力される（ＳＴ１６）。このコーデック切替指示を受け取ると、入出力処理部６のコーデック切替部９によってコーデック部７のコーデックが、ＩＰ電話用コーデック１０から音声認識用コーデック１１に切り替えられ（ＳＴ２）、図３に示すＳＴ３以降の処理が行われる。

このように、操作部４を介して入力された番号の種別をＩＰ−ＰＢＸ２３で判定し、ＩＰ−ＰＢＸ２３からコーデック切替指示を出力してコーデックを切り替える場合にも、上述した音声操作特定番号に応じて電話機１でコーデックを切り替える場合と同様に、ユーザから入力された音声データに対応する情報を取得することが可能である。

このように実施の形態１に係る電話機１においては、内線電話端末としての利用を実現するＩＰ電話機能の利用時に通信データの符号化を行うＩＰ電話用コーデック１０と、ユーザから入力された音声データの音声認識処理に適した符号化を行う音声認識用コーデック１１とを備え、これらをコーデック切替部９によって切り替えるようにしたことから、電話機１を内線電話端末として利用可能としつつ、当該電話機１において音声認識処理に必要な符号化を行うことが可能となる。

特に、実施の形態１に係る電話機１においては、操作部４を介して予め定めた音声認識による操作を受け付けるための特定番号の入力を受け付けると、コーデック切替部９が音声認識用コーデック１１に切り替える。このため、ユーザによる特定番号の入力という簡単な作業だけで、電話機１において音声認識による操作を行うことが可能となる。特に、この場合には、電話機１に特別なボタン等を設けることなく、音声認識による操作を行うことが可能となる。

なお、上記実施の形態においては、操作部４を介して予め定めた音声認識による操作を受け付けるための特定番号の入力を受け付けると、コーデック切替部９が音声認識用コーデック１１に切り替える場合について示しているが、音声認識用コーデック１１へ切り替える契機については、これに限定されるものではなく適宜変更が可能である。例えば、操作部４に、音声認識による操作を受け付けるための特定キーを設け、ユーザによる当該特定キーの選択に応じて音声認識による操作を受け付けるようにしてもよい。この場合には、操作部４に設けられた特定キーを選択するだけで、電話機１において音声認識による操作を行うことが可能となる。

（実施の形態２）
実施の形態２に係る電話機１２は、通常の携帯電話機としての機能（携帯電話機能）を備える点で実施の形態１に係る電話機１と相違する。例えば、実施の形態２に係る電話機１２は、オフィス等の構外にある場合には、通常の携帯電話機として利用できる一方、オフィス等の構内にある場合には、内線電話端末として機能するＩＰ電話端末として利用できるものである。

図５は、実施の形態２に係る電話機１２の構成を示すブロック図である。なお、図５において、図１と同様の構成については同一の符号を付し、その説明を省略する。

図５に示すように、電話機１２は、電話機１２の現在位置を検出する位置検出部１３を備える点、コーデック部７が、電話機１２を、通常の携帯電話機として利用する場合に通信データの符号化を行う携帯電話用コーデック１４を備える点、携帯電話用コーデック１４で符号化された信号を無線送信可能な信号に変換し、電話機１２の位置に対応する基地局装置（基地局）２０に送出するＲＦ部１５を備える点で、実施の形態１に係る電話機１と相違する。なお、携帯電話用コーデック１４は、例えば、Ｗ−ＣＤＭＡ（Wideband Code Division Multiple Access）やＣＤＭＡ２０００等に準拠した符号化を行う。

また、実施の形態２に係る電話機１２においては、コーデック切替部９が、ユーザ等からの指示内容、並びに、位置検出部１３における検出結果を判定して、通信データ（音声データを含む）の符号化を行うコーデック部７内のコーデックを切り替える点で、実施の形態１に係る電話機１と相違する。

例えば、コーデック切替部９は、ユーザから入力された指示内容が、通常の携帯電話機における通信である場合には、位置検出部１３の検出結果に関わらず、携帯電話用コーデック１４に切り替える。また、位置検出部１３によって電話機１２がオフィス等の構内に存在することが検出され、ユーザから入力された指示内容が、内線電話端末としてのＩＰ電話端末における通信である場合には、ＩＰ電話用コーデック１０に切り替える。さらに、位置検出部１３によって電話機１２がオフィス等の構内に存在することが検出され、ユーザ等から入力された指示内容が、音声認識処理のための通信である場合には、音声認識用コーデック１１に切り替える。

このような構成を有し、実施の形態２に係る電話機１２は、電話機１２の位置、並びに、ユーザ等から入力された指示内容に応じて携帯電話用コーデック１４、ＩＰ電話用コーデック１０及び音声認識用コーデック１１を切り替えて使用することが可能である。このため、ユーザによる電話機１２の利用態様に合わせて適切に通信対象となるデータの符号化を行うことが可能となる。

このような構成を有するネットワークに接続され、実施の形態２に係る電話機１２は、実施の形態１に係る電話機１と同様に、ユーザから入力された音声データによってユーザが所望する情報を取得することが可能となっている。なお、実施の形態２に係る電話機１２において、ユーザから入力された音声データに対応する情報を取得するまでの処理については、図３又は図４と同様の要領で行われるため、その説明は省略する。

なお、実施の形態２に係る電話機１２において、位置検出部１３によって電話機１２がオフィス等の構外に存在することが検出されている場合や、操作部４を介して通常の携帯電話機における通信指示を受け付けた場合、コーデック切替部９は、ユーザからの指示内容が通常の携帯電話機における通信であることを判定し、携帯電話用コーデック１４に切り替える。そして、例えば、通信相手先となる他の携帯電話機と接続した後、ユーザから入力される通信データ（音声データ）を携帯電話用コーデック１４で符号化しながら当該他の携帯電話機との間で通信を行う。

このように実施の形態２に係る電話機１２においては、ＩＰ電話用コーデック１０及び音声認識用コーデック１１に加え、電話機１２を、通常の携帯電話機として利用する場合に通信データの符号化を行う携帯電話用コーデック１４を備え、これらをコーデック切替部９によって切り替えるようにしたことから、通常の携帯電話機として利用可能な電話機１２を、内線電話端末として利用可能としつつ、当該電話機１２において音声認識処理に必要な符号化を行うことが可能となる。

なお、本発明に係る音声認識システムは、このような電話機１（１２）と、音声認識サーバ２８とを含んで構成される。本音声認識システムにおいては、音声認識サーバ２８によって、電話機１（１２）の音声認識用コーデック１４で符号化された音声データの音声認識が行われることから、オフィス等の構内で内線電話端末として利用可能な電話機１（１２）からの音声データを適切に音声認識することが可能となる。

また、本発明に係る音声認識システムにおいては、音声認識サーバ２８で音声認識された認識結果に対応する検索データを検索して電話機１（１２）に応答する応答サーバ２９を備えている。このように、応答サーバ２９が音声認識サーバ２８で音声認識された認識結果に対応する情報を検索して電話機１（１２）に応答することから、電話機１（１２）においてユーザから入力された音声データに対応する情報を電話機１（１２）に応答することが可能となる。

特に、本発明に係る音声認識システムにおいて、応答サーバ２９は、電話機１（１２）のユーザに応じて検索対象とする情報を特定していることから、電話機１（１２）のユーザに応じて応答する情報の範囲を変更することが可能となる。

なお、本発明は、上記実施の形態に限定されず、本発明の効果を発揮する範囲内において種々変更して実施することが可能である。また、本発明の目的の範囲を逸脱しない限りにおいて適宜変更して実施することが可能である。

上記実施の形態に係る電話機１（１２）においては、ユーザ等からの指示内容に基づいて音声認識用コーデック１１でユーザから入力された音声データを、音声認識サーバ２８にて音声認識処理を行うために適した符号化を行う場合について説明している。しかしながら、本実施の形態に係る電話機１（１２）の構成については、これに限定されるものではなく、適宜変更が可能である。

例えば、音声認識用コーデック１１において符号化を行う前に、音声認識サーバ２８における音声認識精度を向上するための処理（以下、「符号化前処理」という）を行う符号化前処理部を備えるようにしてもよい。符号化前処理部は、例えば、音声データに含まれるノイズの除去や、音声データに対応する音声出力レベルの調整などの処理を含む。前者の場合には、ユーザから入力された音声データに含まれるノイズが除去されることから、必要な情報のみに対して音声認識処理を施すことができるので、当該音声データの音声認識精度を向上することが可能となる。また、後者の場合には、ユーザから入力された音声データに対応する音声出力レベルが調整されることから、例えば、音声データの劣化を回避することができるので、当該音声データの音声認識精度を向上することが可能となる。

なお、上記実施の形態のように、電話機１に音声認識用コーデック１１を備え、音声認識サーバ２８における音声認識処理に適した符号化を行う場合には、ネットワークに送出される情報量が大きくなる。このため、同等の音声認識精度を確保しながら、ネットワーク上におけるトラフィック量を軽減することが好ましい。このような課題を解決する場合には、例えば、図６に示すように、電話機１において、音声認識用コーデック１１と共に簡易音声認識部１６を備えることが考えられる。この簡易音声認識部１６は、ユーザから入力された音声データに対する簡易的な音声認識処理を行う。簡易音声認識部１６で行われる簡易的な音声認識処理は、特定の音声認識処理に限定されるものではなく、例えば、波形整形処理を含む。なお、この簡易音声認識部１６は、例えば、ＤＳＰ（Digital Signal Processor）を電話機１に組み込むことで実現される。この場合、ＤＳＰのプログラムは、電話機１の外部に存在する通信ネットワーク上のバージョンアップサーバ（図示しない）から、通信を使ってバージョンアップできる事が望ましい。

簡易音声認識部１６は、例えば、コーデック切替部９によって音声認識用コーデック１１に切り替えられたケースにおいて、ユーザから入力された音声データの簡易的な音声認識処理を行い、その音声認識結果をＩＰ電話用コーデック１０に渡す。ＩＰ電話用コーデック１０においては、当該音声データの符号化を行うと共に、簡易音声認識部１６から受け取った簡易音声認識結果の符号化を行う。このように符号化された音声データ等は、無線ＬＡＮ通信部８を介してネットワークに送出され、ＩＰ−ＰＢＸ２３の制御の下、音声認識サーバ２８に送信される。音声認識サーバ２８においては、電話機１から受信した簡易音声認識結果と、音声データとを用いて音声認識処理を行う。

この場合において、上述したように、電話機１のＩＰ電話用コーデック１０で音声データの符号化を行った場合には、音声認識処理に適した音声データを得られない場合がある。このため、音声認識サーバ２８は、電話機１から受信した簡易音声認識結果を参照しながら、この音声データによる音声認識結果を適宜修正する。このように電話機１から受信した音声データと簡易音声認識結果とを用いて音声認識結果を修正する場合には、上記実施の形態と同等の音声認識精度を確保することが可能となる。

このように電話機１に簡易音声認識部１６を備えると共に、音声認識サーバ２８において、簡易音声認識結果と、ＩＰ電話用コーデック１０で符号化された音声データに基づく音声認識結果とを用いて音声認識結果を修正することで、上記実施の形態と同等の音声認識精度を確保することが可能となる。この場合において、電話機１からネットワークに送出される情報量は、上記実施の形態における情報量よりも低減される。従って、上記実施の形態と同等の音声認識精度を確保しながら、ネットワーク上におけるトラフィック量を軽減することが可能となる。

なお、このように電話機１に簡易音声認識部１６を備える場合には、上述したような態様と異なるコーデックを切り替える態様を実現することが可能となる。すなわち、操作部４を介して入力された音声操作特定番号に応じて電話機１単独でコーデックを切り替える態様、或いは、操作部４を介して入力された入力番号をＩＰ−ＰＢＸ２３に問い合わせる一方、当該入力番号に対するＩＰ−ＰＢＸ２３からのコーデック切替指示に応じてコーデックを切り替える態様と異なる他の態様でコーデックを切り替えることが可能となる。

このように簡易音声認識部１６を備える場合には、ユーザから入力された音声を電話機１自体で音声認識することができることから、操作部４を介して音声操作特定番号や入力番号の入力を要求することなく、直接、ユーザから入力された音声データに応じてコーデックを切り替えるようにすることができる。この場合にユーザから入力される音声データとしては、直接的に取得を希望する音声データ（上述の例でいえば、「売り上げ」）であってもよいし、音声認識による操作を指示する音声データ（例えば、「音声操作」など）であってもよい。後者の場合には、当該音声データを入力することでコーデックを切り替えた後、取得を希望する音声データを入力することとなる。

このように電話機１に簡易音声認識部１６を備える場合には、操作部４を介して音声操作特定番号等の入力を要求することなく、直接、ユーザから入力された音声データに応じてコーデックを切り替えることができることから、より操作性に優れた電話機１を提供することが可能となる。

本発明の実施の形態１に係る電話端末装置の構成を示すブロック図である。 実施の形態１に係る電話端末装置が接続されるネットワークの構成を示す図である。 実施の形態１に係る電話端末装置において、ユーザから入力された音声データに対応する情報を取得するまでの処理について説明するためのシーケンス図である。 実施の形態１に係る電話端末装置において、ユーザから入力された音声データに対応する情報を取得するまでの処理について説明するためのシーケンス図である。 本発明の実施の形態２に係る電話端末装置の構成を示すブロック図である。 実施の形態１に係る携帯電話機の構成を変更した場合のブロック図である。

符号の説明

１、１２ 電話端末装置（電話機）
２ マイク
３ スピーカ
４ 操作部
５ 表示部
６ 入出力処理部
７ コーデック部
８ 無線ＬＡＮ通信部
９ コーデック切替部
１０ ＩＰ電話用コーデック
１１ 音声認識用コーデック
１３ 位置検出部
１４ 携帯電話用コーデック
１５ ＲＦ部
１６ 簡易音声認識部
２０ 基地局装置（基地局）
２１ アクセスポイント（ＡＰ）
２２ 管理装置
２２ａ 第１管理装置
２２ｂ 第２管理装置
２３ ＩＰ−ＰＢＸ
２４ ＤＨＣＰサーバ
２５ ＤＮＳサーバ
２６ ＰｏＣサーバ
２７ ＳＩＰサーバ
２８ 音声認識サーバ
２９ 応答サーバ
３０ ルータ

Claims (13)

1. ＩＰ電話機能を備え、当該ＩＰ電話機能を用いて構内に敷設されたネットワークを介して内線電話端末として利用可能な電話端末装置であって、
   前記ＩＰ電話機能の利用時に通信データの符号化を行うＩＰ電話用コーデックと、ユーザから入力された音声データの音声認識処理に適した符号化を行う音声認識用コーデックと、前記ＩＰ電話用コーデックと前記音声認識用コーデックとを切り替えるコーデック切替部とを具備することを特徴とする電話端末装置。
2. ユーザからの指示入力を受け付ける操作部を具備し、前記コーデック切替部は、前記操作部に対する指示入力に応じて前記ＩＰ電話用コーデックと前記音声認識用コーデックとを切り替えることを特徴とする請求項１記載の電話端末装置。
3. 前記コーデック切替部は、前記操作部から、予め定めた音声認識による操作を受け付けるための特定番号の入力を受け付けると前記音声認識用コーデックに切り替えることを特徴とする請求項２記載の電話端末装置。
4. 前記操作部は、ユーザからの音声認識による操作を受け付けるための特定キーを備え、前記コーデック切替部は、前記特定キーが選択されると前記音声認識用コーデックに切り替えることを特徴とする請求項２記載の電話端末装置。
5. 前記コーデック切替部は、外部からの指示に応じて前記音声認識用コーデックに切り替えることを特徴とする請求項１から請求項４のいずれかに記載の電話端末装置。
6. ユーザから入力された音声データの音声認識を行う音声認識部を具備し、前記コーデック切替部は、ユーザから入力された音声データに応じて前記音声認識用コーデックに切り替えることを特徴とする請求項１から請求項５のいずれかに記載の電話端末装置。
7. 携帯電話機能を備え、前記携帯電話機能の利用時に通信データの符号化を行う携帯電話用コーデックを具備し、前記コーデック切替部は、前記携帯電話用コーデックと前記ＩＰ電話用コーデックと前記音声認識用コーデックとを切り替えることを特徴とする請求項１から請求項６のいずれかに記載の電話端末装置。
8. 前記音声認識用コーデックで符号化を行う前に、ユーザから入力された音声データの音声認識精度を向上するための処理を行う符号化前処理部を具備することを特徴とする請求項１から請求項７のいずれかに記載の電話端末装置。
9. 前記符号化前処理部は、ユーザから入力された音声データに含まれるノイズを除去することを特徴とする請求項８記載の電話端末装置。
10. 前記符号化前処理部は、ユーザから入力された音声データに対応する音声出力レベルを調整することを特徴とする請求項８記載の電話端末装置。
11. 請求項１から請求項１０のいずれかに記載の電話端末装置と、前記電話端末装置の音声認識用コーデックで符号化された音声データの音声認識を行う音声認識サーバとを具備することを特徴とする音声認識システム。
12. 各種の情報を蓄積し、前記音声認識サーバで音声認識された認識結果に対応する情報を検索して前記電話端末装置に応答する応答サーバを具備することを特徴とする請求項１１記載の音声認識システム。
13. 前記応答サーバは、前記電話端末装置のユーザに応じて検索対象とする情報を特定することを特徴とする請求項１２記載の音声認識システム。

Images