JP2009098490A - 音声認識結果編集装置、音声認識装置およびコンピュータプログラム - Google Patents

Abstract

【課題】入力音声の音声認識結果から候補語を画面に表示してユーザが画面に表示された候補語を編集する際に、ユーザの作業の簡略化を図ること、比較的小さい画面サイズの表示装置にも適応することを図る。
【解決手段】音声認識結果が候補語の列として表され、且つ、候補語がグループ化された候補語データに基づいて、一つの認識結果を画面表示し、該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示し、ユーザによる編集内容に従って認識結果を更新する候補語編集・表示部１７と、ユーザが画面に表示された候補語を編集するための編集操作部１８とを備える。
【選択図】図１

Description

本発明は、音声認識結果編集装置、音声認識装置およびコンピュータプログラムに関する。

従来、コンピュータを用いた音声認識では、話者の発声方法や音声入力時の背景雑音などの影響により１００％の認識率を達成することは困難である。そのために、例えば特許文献１に記載の音声認識装置は、入力音声に含まれる複数の単語を予め辞書に記憶されている複数の単語とそれぞれ比較し、競合候補の中から一番競合確率の高い単語を音声認識結果とし、音声認識結果を複数の単語の単語列として画面に表示し、競合候補の中から一番競合確率の高い単語の競合確率に近い競合確率を持つ１以上の競合単語を選び、対応する一番競合確率の高い単語に隣接して画面上に表示させ、ユーザによるマニュアル操作に応じて、画面上に表示された１以上の競合単語から適切な訂正単語を選択し、選択された競合単語を、音声認識結果の一番競合確率の高い単語と置き換えるようにしている。

また、特許文献１に記載の音声認識装置では、特許文献１の図１９、図２０に示されるように、最終的な音声認識結果及び全時間区間の全ての候補語を一緒に表示している。また、候補語を表示する領域（候補語表示部）において時間区間毎に候補語と共に空白を表示し、ユーザが空白を選択することによって該時間区間の候補語をなしにし挿入誤りに対応している。これにより、ユーザは候補語表示部における候補語又は空白の選択のみで挿入誤りと置換誤りを訂正することができるようになっている。
特開２００６−１４６００８号公報

しかし、上述した従来の音声認識装置では、以下に示すような問題がある。
特許文献１に記載の音声認識装置は、候補語表示部における候補語又は空白の選択のみで挿入誤りと置換誤りを訂正することができるが、削除誤りの場合に足りない文字を入力することができない。従って、削除誤りの場合には、再度、音声を入力し認識処理をやり直す必要があり、ユーザにとって使い勝手が悪い。さらに、最終的な音声認識結果及び全時間区間の全ての候補語を一緒に表示するので、携帯端末等、比較的小さい画面サイズの表示装置しか持たない装置では、表示画面のスクロールや文字サイズを小さくするなどの対処が必要となり、ユーザの操作が複雑になる、見づらい等の問題が生じる。

本発明は、このような事情を考慮してなされたもので、その目的は、入力音声の音声認識結果から候補語を画面に表示してユーザが画面に表示された候補語を編集する際に、ユーザの作業の簡略化を図ること、比較的小さい画面サイズの表示装置にも適応することのできる音声認識結果編集装置、音声認識装置およびコンピュータプログラムを提供することにある。

上記の課題を解決するために、本発明に係る音声認識結果編集装置は、音声認識結果が候補語の列として表され、且つ、候補語がグループ化された候補語データに基づいて、一つの認識結果を画面表示する認識結果表示手段と、該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示する候補語表示手段と、ユーザが画面に表示された候補語を編集するための編集操作手段と、ユーザによる編集内容に従って認識結果を更新する更新手段とを備えたことを特徴とする。

本発明に係る音声認識結果編集装置においては、認識結果表示画面と候補語表示画面とを分離することを特徴とする。

本発明に係る音声認識結果編集装置においては、認識結果表示画面と候補語表示画面を切り替えて表示することを特徴とする。

本発明に係る音声認識結果編集装置においては、前記認識結果表示手段は、画面表示した認識結果において他の候補語のある箇所を明示することを特徴とする。

本発明に係る音声認識結果編集装置においては、前記編集操作手段は、新規の候補語を入力する手段を有することを特徴とする。

本発明に係る音声認識装置は、入力された音声を認識する処理を行い、認識した単語の列から成る認識結果を生成する音声認識手段と、認識結果から候補語を抽出する候補語抽出手段と、候補語をグループ化する候補語グループ化手段と、グループ化された候補語を画面に表示する候補語表示手段と、ユーザが画面に表示された候補語を編集するための編集操作手段と、ユーザによる編集内容に従って認識結果を更新する更新手段と、を備え、前記候補語表示手段は、一つの認識結果を画面表示する認識結果表示手段と、該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示する候補語表示手段と、を有することを特徴とする。

本発明に係る音声認識装置においては、認識結果表示画面と候補語表示画面とを分離することを特徴とする。

本発明に係る音声認識装置においては、認識結果表示画面と候補語表示画面を切り替えて表示することを特徴とする。

本発明に係る音声認識装置においては、前記認識結果表示手段は、画面表示した認識結果において他の候補語のある箇所を明示することを特徴とする。

本発明に係る音声認識装置においては、前記編集操作手段は、新規の候補語を入力する手段を有することを特徴とする。

本発明に係るコンピュータプログラムは、音声認識結果が候補語の列として表され、且つ、候補語がグループ化された候補語データに基づいて、一つの認識結果を画面表示する認識結果表示機能と、該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示する候補語表示機能と、ユーザが画面に表示された候補語を編集するための編集操作機能と、ユーザによる編集内容に従って認識結果を更新する更新機能とをコンピュータに実現させることを特徴とする。
これにより、前述の音声認識結果編集装置がコンピュータを利用して実現できるようになる。

本発明によれば、入力音声の音声認識結果から候補語を画面に表示してユーザが画面に表示された候補語を編集する際に、ユーザの作業の簡略化を図ること、比較的小さい画面サイズの表示装置にも適応することが可能になる。

以下、図面を参照し、本発明の一実施形態について説明する。
図１は、本発明の一実施形態に係る音声認識装置１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１は、音声入力部１１、音響特徴量抽出部１２、音声認識部１３、音響モデル記憶部１４、言語モデル記憶部１５、候補語生成部１６、候補語編集・表示部１７及び編集操作部１８を備える。

音声入力部１１は、マイク、増幅器、アナログ−デジタル変換器（ＡＤ変換器）などから構成される。音声入力部１１は、ユーザが発声した音声をマイクにより入力し、入力したアナログの音声信号を適当なレベルまで増幅してからデジタルの音声データに変換する。この音声データは音響特徴量抽出部１２に送られる。

なお、音声入力部１１は、電話回線、ＩＰ（Internet Protocol）網などの通信回線と接続する通信インターフェースを備え、通信回線を介して受信したデジタルの音声データを音響特徴量抽出部１２に送るものであってもよい。さらに、音声データが符号化されている場合には、復号化した音声データを音響特徴量抽出部１２に送るようにする。

音響特徴量抽出部１２は、音声入力部１１から受け取った音声データから、後段の音声認識処理に用いる音響特徴量を抽出する。この音響特徴量のデータは音声認識部１３に送られる。

音声認識部１３は、音響特徴量抽出部１２から受け取った音響特徴量データに対して音声認識処理を行う。この音声認識処理には、音響モデル記憶部１４に記憶されている音響モデルと、言語モデル記憶部１５に記憶されている言語モデルとを使用する。音響モデル及び言語モデルは、準備段階として事前に、学習データを用いた学習によって構築し、各記憶部１４，１５に格納しておく。

音声認識部１３は、音響モデル及び言語モデルを用いた音声認識処理によって、音響特徴量データから単語を認識し、認識した単語の列から成る認識結果を作成する。このとき、最も確からしい単語の列から成る認識結果だけでなく、それ以外の他の認識された単語の列についても認識結果として作成する。音声認識部１３は、各認識結果に対して、音響的なスコア（音響尤度）と言語的な確率（言語確率）から認識結果の確からしさ（信頼度）を算出する。言語確率とは、一定数（例えば３個）の単語の並びが出現する確率である。音声認識部１３は、作成した認識結果の中から、所定の順位までの信頼度を有する認識結果を用いて、単語のネットワーク形式の認識結果を作成する。

図２に、単語のネットワーク形式の認識結果の構成例を示す。図２に示されるような、単語のネットワーク形式は、従来、ラティス形式と呼ばれている。図２の例は、ユーザが“今日の午後３時に会議です”という文章を読んだときの構成例である。図２に示されるように、複数の認識結果（所定の順位までの信頼度の認識結果）を使用し、各認識結果に含まれる時間的に対応する単語の区切りをネットワーク状に連結している。なお、図２の認識結果の内容は、説明の便宜上のものである。

音声認識部１３は、単語のネットワーク形式の認識結果に、各単語の品詞の種類を示す品詞情報と、各単語の音響尤度、言語確率及び信頼度の情報とを含める。単語のネットワーク形式の認識結果は、候補語生成部１６に送られる。

候補語生成部１６は、音声認識部１３から受け取った単語のネットワーク形式の認識結果から候補語を抽出し、抽出した候補語をグループ化する。候補語生成部１６は、単語のネットワーク形式の認識結果から生成した候補語の列から成る候補語データを候補語編集・表示部１７に出力する。候補語データは、認識結果が候補語の列として表され、且つ、候補語がグループ化されたものである。

候補語編集・表示部１７は、候補語生成部１６から受け取った候補語データを画面に表示する。編集操作部１８は、各種の編集用の操作キーを備える。例えば、画面に表示された候補語の中からユーザが正解の候補語を選択するための操作キー、ユーザが候補語を削除する操作キー、ユーザが新規の候補語を入力するための操作キー、ユーザが認識結果の編集の終了を指示する操作キーなどを備える。編集操作部１８は、ユーザが操作キーで行った編集内容を候補語編集・表示部１７に通知する。候補語編集・表示部１７は、編集操作部１８から通知された編集内容に従って、認識結果を更新する。そして、更新後の認識結果に対応する候補語データで画面の表示内容を更新する。これにより、ユーザが編集した内容を反映した認識結果が、画面に表示される。

図３は、図１に示す候補語生成部１６の構成例である。図３において、候補語生成部１６は、候補語抽出部３０、候補語グループ化部３１、同一候補語の一元化部３２、候補語の追加部３３及び候補語グループ記憶部３４を有する。

候補語抽出部３０は、単語のネットワーク形式の認識結果に含まれる単語の中から、候補語を抽出する。候補語抽出部３０は、個々の単語、又は、連続する複数の単語を、一つの候補語として抽出する。

候補語グループ化部３１は、単語のネットワーク形式の認識結果から抽出された候補語について、グループ化を行う。候補語のグループ化は、読みの近さや時間情報などに基づいて行う。候補語グループ化部３１は、同一グループの候補語の開始時刻および終了時刻を、信頼度が最大の候補語の開始時刻および終了時刻に揃える。これにより、図２に示された単語のネットワーク形式の認識結果は、図４に示されるような、候補語のネットワーク形式になる。図４は、候補語グループ化処理後の認識結果の構成例である。図２では単語単位でネットワーク状に連結されていたが、図４では、候補語単位でネットワーク状に連結されていると共に、候補語がグループ化されている。これにより、認識結果が簡略化される。

同一候補語の一元化部３２は、候補語のグループ化処理後の認識結果に対して、同一グループに含まれる表記の同じ候補語を１つの候補語にまとめ、その候補語の信頼度を再計算する。一元化処理後の候補語の信頼度は、一元化処理前の候補語の信頼度の平均、加算、最大値などによって求める。同一候補語の一元化部３２は、さらに、各時間区間の候補語の数を、確率の高いものから所定個数までに制限する。これにより、図４に示された候補語グループ化処理後の認識結果は、図５に示されるように簡略化される。図５は、同一候補語の一元化処理後の認識結果の構成例である。なお、図５の例では、各時間区間で、信頼度の高い順に候補語を上から並べている。

候補語の追加部３３は、同一候補語の一元化処理後の認識結果に対して、過去の候補語のグループの履歴に基づき、候補語を追加する。候補語グループ記憶部３４は、過去の候補語のグループの履歴を記憶している。候補語の追加部３３は、同一候補語の一元化処理後の認識結果中の最大の信頼度を有する候補語についてのグループの履歴を、候補語グループ記憶部３４から読み出す。候補語の追加部３３は、読み出したグループの履歴中に、同一候補語の一元化処理後の認識結果中のグループ内には存在しない候補語があった場合には、該候補語を同一候補語の一元化処理後の認識結果中のグループに追加する。逆に、同一候補語の一元化処理後の認識結果中のグループ内に存在する候補語が、候補語グループ記憶部３４から読み出したグループの履歴中に存在しない場合には、該候補語を候補語グループ記憶部３４内のグループの履歴に追加する。

候補語生成部１６は、候補語の追加処理後の認識結果に対応する候補語データを、候補語編集・表示部１７に出力する。

図６は、図１に示す候補語編集・表示部１７の構成例である。図６において、候補語編集・表示部１７は、候補語データ解析・更新部４１、候補語グループ・候補語選択履歴記憶部４２及び候補語表示部４３を有する。

候補語データ解析・更新部４１は、候補語データを解析し、各時間区間で信頼度が最大の候補語を連結することにより、暫定的な認識結果を作成し、保持する。その暫定的な認識結果、及び、該認識結果に含まれる各候補語と同一グループの候補語のデータは、候補語表示部４３に送られる。このとき候補語表示部４３には、画面に表示可能な分量のみが送られる。候補語データ解析・更新部４１は、編集操作部１８から編集箇所を移動する指示を受け取ると、移動先に対応する認識結果、及び、該認識結果に含まれる各候補語と同一グループの候補語のデータを候補語表示部４３に送る。

候補語表示部４３は、候補語データ解析・更新部４１から受け取った認識結果を表示装置の画面に表示する。このとき、候補語の境界を空白などにより明示する。さらに、該認識結果に含まれる候補語に対してグループ化された候補語がある場合は、その旨を明示する。この明示方法としては、認識結果に含まれる候補語（グループ化された候補語がある候補語）に対して、例えば、下線付き、反転表示、色分けなどを行う。さらに、同一グループの候補語を、認識結果を表示する画面（認識結果表示画面）とは別の画面（候補語表示画面）に表示し、候補語表示画面内で候補語を信頼度の高い順に表示する。また、候補語表示画面には、認識結果表示画面上でユーザが編集している箇所の候補語と同一グループの候補語のみを表示する。

候補語データ解析・更新部４１は、編集操作部１８からユーザの編集内容を受け取ると、その編集内容に従って認識結果を更新する。例えば、正解の候補語の選択、候補語の削除、候補語の並びの変更、新規の候補語の入力などの編集内容に従って、認識結果を変更する。正解の候補語の選択がなされた場合は、編集箇所を正解の候補語に置き換え、他の候補語を削除する。候補語の削除がなされた場合には、編集箇所の候補語を全て削除する。新規の候補語が入力された場合には、編集箇所に、入力された候補語を挿入する。候補語データ解析・更新部４１は、編集後の認識結果、及び、該認識結果に含まれる各候補語と同一グループの候補語のデータを候補語表示部４３に送る。

候補語グループ・候補語選択履歴記憶部４２は、候補語のグループと、ユーザが候補語を選択した確率（ユーザ選択確率）を保持する。候補語データ解析・更新部４１は、候補語グループ・候補語選択履歴記憶部４２を参照し、編集箇所にあたる候補語のグループの候補語の表示を、候補語グループ・候補語選択履歴記憶部４２内のユーザ選択確率の高い順に並び替える処理を行うことができる。なお、ユーザ選択確率による表示順序の変更処理については、実行の可否を選択することができるようにする。

次に、図７及び図８を参照して、本実施形態に係る認識結果の編集手順を説明する。図７、図８は、本実施形態に係る認識結果の編集手順を示したフローチャートである。
図７において、まず候補語編集・表示部１７が、最も確からしい候補語を連結した認識結果を認識結果表示画面に表示する。ステップＳ１では、ユーザが、表示された認識結果において誤認識箇所の有無を確認する。ここで、表示された認識結果に誤りが無い場合には、ユーザが“編集終了ボタン”あるいは、続きの音声を入力するための“音声入力ボタン”を押すことによって、認識結果の編集作業を終了する（ステップＳ１、ＮＯ）。一方、表示された認識結果に誤りがある場合にはステップＳ２に進む。

ステップＳ２では、ユーザがカーソルキー等を操作して、認識結果表示画面上の編集箇所を移動させる。ステップＳ３では、候補語編集・表示部１７が、編集箇所の候補語に関し、同一グループの候補語があるか判断する。この結果、同一グループの候補語がある場合にはステップＳ４に進み、同一グループの候補語がない場合にはステップＳ５に進む。

ステップＳ４では、候補語編集・表示部１７が、候補語表示画面を表示し、該候補語表示画面上に、編集箇所の候補語と同一グループの候補語を表示する。このとき、候補語表示画面において、候補語は確からしい順に表示することが好ましい。これにより、正解の候補語が表示上の先頭付近に現れる確率が高くなるので、ユーザは容易に正解の候補語を選択できるようになる。また、候補語表示画面は、画面の下側に仮名漢字変換時に表示されるFEP画面のような形態であっても良いし、編集箇所付近にサブウインドウとして表示しても良い。つまり、認識結果表示画面と候補語表示画面とを分離してもよい。さらには、認識結果表示画面と候補語表示画面を切り替えて表示するようにしてもよい。ステップＳ４の処理後は、図８のステップＳ１１に進む。

図８において、ステップＳ１１では、ユーザが、認識結果表示画面上の編集箇所の候補語が正解か否かを確認する。ここで、認識結果表示画面上の編集箇所の候補語が正解である場合には、編集箇所の候補語を修正せずにそのまま残し、図７のステップＳ１に戻る。一方、認識結果表示画面上の編集箇所の候補語が誤っている場合にはステップＳ１２に進む。

ステップＳ１２では、ユーザが、候補語表示画面上に正解の候補語があるか確認する。この結果、候補語表示画面上に正解の候補語がある場合にはステップＳ１３に進み、ユーザがカーソルキー等を操作して候補語表示画面上の正解の候補語を選択する。このとき、候補語編集・表示部１７は、該選択された候補語を認識結果表示画面上の編集箇所に置換する。これにより、認識結果表示画面上の認識結果は、ユーザが候補語表示画面から選択した正解の候補語によって編集箇所が置換され訂正される。ステップＳ１３の処理後は、図７のステップＳ１に戻る。一方、候補語表示画面上に正解の候補語がない場合にはステップＳ１４に進む。

ステップＳ１４では、ユーザが、認識結果表示画面上の編集箇所の候補語及び候補語表示画面上の候補語が全て挿入誤りであるか確認する。この結果、全て挿入誤りである場合にはステップＳ１５に進み、ユーザがクリアボタンを押すことにより、それら全ての候補語を削除する。このとき、候補語編集・表示部１７は、認識結果表示画面上の編集箇所の候補語及び候補語表示画面上の候補語を全て削除する。これにより、認識結果表示画面上の認識結果は、編集箇所の候補語が削除され訂正される。候補語を削除した箇所は、後続の認識結果を順次繰り上げて詰めるようにする。ステップＳ１５の処理後は、図７のステップＳ１に戻る。一方、挿入誤りではなく、候補語表示画面上に正解の候補がない場合にはステップＳ１６に進む。

ステップＳ１６では、ユーザがまずクリアボタンを押すことで候補語を全て削除し、その後キー入力により新規の候補語を挿入する。このとき、候補語編集・表示部１７は、認識結果表示画面上の編集箇所の候補語及び候補語表示画面上の候補語を全て削除し、次いでキー入力された新規の候補語を認識結果表示画面上の編集箇所に挿入する。これにより、認識結果表示画面上の認識結果は、編集箇所の候補語が削除されて該編集箇所が新規の候補語となり訂正される。ステップＳ１６の処理後は、図７のステップＳ１に戻る。

図７に説明を戻す。
ステップＳ５では、編集箇所の候補語に関し、同一グループの候補語がないために、候補語表示画面は表示されていない。ここで、ユーザは、認識結果表示画面上の編集箇所が挿入誤りであるか確認する。この結果、挿入誤りである場合にはステップＳ６に進み、ユーザがクリアボタンを押すことにより、編集箇所の候補語を削除する。このとき、候補語編集・表示部１７は、認識結果表示画面上の編集箇所の候補語を削除する。これにより、認識結果表示画面上の認識結果は、編集箇所の候補語が削除され訂正される。候補語を削除した箇所は、後続の認識結果を順次繰り上げて詰めるようにする。ステップＳ６の処理後は、ステップＳ１に戻る。一方、挿入誤りではない場合にはステップＳ７に進む。

ステップＳ７では、ユーザが、認識結果表示画面上の編集箇所の次の区間が削除誤りであるか確認する。この結果、削除誤りである場合にはステップＳ８に進み、ユーザがキー入力により新規の候補語を挿入する。このとき、候補語編集・表示部１７は、キー入力された新規の候補語を認識結果表示画面上の編集箇所の次の区間に挿入する。これにより、認識結果表示画面上の認識結果は、編集箇所の次の区間が新規の候補語となり訂正される。ステップＳ８の処理後は、ステップＳ１に戻る。一方、削除誤りではない場合にはそのままステップＳ１に戻る。

図９には、本実施形態に係る表示画面１００の構成例が示されている。
図９（１）では、表示画面１００は、認識結果表示画面１１０と候補語表示画面１２０から構成される。認識結果表示画面１１０上の候補語のうち、同一グループの候補語がある候補語は明示されている。例えば、背景色の変化、文字色の変更、下線付けなどの方法によって明示する。図９（１）の例では、認識結果表示画面１１０上の候補語“今日の”と“３時に”と“会費”とが、同一グループの候補語がある候補語として明示されている。

また、認識結果表示画面１１０上で同一グループの候補語がある候補語の箇所に編集箇所が移動すると、候補語表示画面１２０を表示する。候補語表示画面１２０上には、該編集箇所の候補語と同一グループの候補語が表示される。図９（１）の例では、編集箇所の候補語“今日の”と同一グループの候補語“京都”及び“京の”が候補語表示画面１２０上に表示されている。また、候補語表示画面１２０上では、候補語“今日の”が現在選択されていることが明示されている。候補語表示画面１２０上でのユーザの候補語の選択操作により、認識結果表示画面１１０上の編集箇所は、該選択された候補語に置換される。

図９（２）では、図９（１）からユーザが編集箇所を移動させた場合である。図９（２）の例では、編集箇所の候補語“会費”と同一グループの候補語“会費”と“会議”と“２階”とが候補語表示画面１２０上に表示されている。なお、図９（２）の例では、認識結果表示画面１１０上の候補語“今日の”は確定され、同一グループの候補語が削除されている。図９（２）の候補語表示画面１２０上で、ユーザが正解の候補語“会議”を選択すると、認識結果表示画面１１０上の編集箇所が候補語“会議”に置換される。

図９（３）では、図９（２）からユーザが編集箇所を移動させた場合である。図９（３）の例では、編集箇所の候補語は“輪”であるが、同一グループの候補語がないので、候補語表示画面は表示されない。ここで、ユーザが編集箇所の候補語“輪”は挿入誤りであるので、該候補語“輪”を削除する。これにより、図９（４）に示されるように、編集箇所の候補語“輪”が削除される。次いで、ユーザが新規の候補語“は”を挿入する。これにより、図９（５）に示されるように、編集箇所の次の区間に候補語“は”が挿入される。これによって、認識結果の訂正が終了すると、ユーザが編集終了指示を入力する。この編集終了指示の入力により、認識結果表示画面１１０に現在表示している候補語列が最終的な認識結果として決定される。

上述の実施形態によれば、認識結果の編集作業において、ユーザは削除誤りの箇所にキー入力により候補語を追加することができる。これにより、音声認識処理によって生じる挿入誤り、置換誤り及び削除誤りを容易に訂正することが可能になる。

また、本実施形態では、認識結果を表示する際に、一つの認識結果を画面表示する。さらに、該認識結果において他の候補語のある箇所を明示する。そして、その表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示し、ユーザが候補語を選択できるようにする。これにより、例えば、認識結果表示画面と候補語表示画面とを分離し、さらには認識結果表示画面と候補語表示画面を切り替えて表示することによって、表示装置の画面サイズが比較的小さい場合にも適応することが可能になる。

なお、本実施形態に係る音声認識装置１は、専用のハードウェアにより実現されるものであってもよく、あるいはパーソナルコンピュータ等のコンピュータシステムにより構成され、図１に示される装置の各機能を実現するためのプログラムを実行することによりその機能を実現させるものであってもよい。

また、その音声認識装置１には、周辺機器として入力装置、表示装置等（いずれも図示せず）が接続されるものとする。ここで、入力装置とはキーボード、マウス、携帯電話端末のキー等の入力デバイスのことをいう。表示装置とはＣＲＴ（Cathode Ray Tube）や液晶表示装置等のことをいう。
また、上記周辺機器については、音声認識装置１に直接接続するものであってもよく、あるいは通信回線を介して接続するようにしてもよい。

また、図７、図８に示す各ステップを実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、音声認識結果の編集に係る処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Digital Versatile Disk）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。
例えば、上述の音声認識装置１は、ワードプロセッサー装置、電子メール装置などの文書作成を行う各種の装置と組合せて構成するようにしてもよい。

本発明の一実施形態に係る音声認識装置１の全体構成を示すブロック図である。 単語のネットワーク形式の認識結果の構成例である。 図１に示す候補語生成部１６の構成例である。 本発明の一実施形態に係る候補語グループ化処理後の認識結果の構成例である。 同実施形態に係る候補語の同一候補語の一元化処理後の認識結果の構成例である。 図１に示す候補語編集・表示部１７の構成例である。 本発明の一実施形態に係る認識結果の編集手順を示したフローチャートである。 本発明の一実施形態に係る認識結果の編集手順を示したフローチャートである。 本発明の一実施形態に係る表示画面１００の構成例である。

符号の説明

１…音声認識装置、１１…音声入力部、１２…音響特徴量抽出部、１３…音声認識部、１４…音響モデル記憶部、１５…言語モデル記憶部、１６…候補語生成部、１７…候補語編集・表示部、１８…編集操作部、４１…候補語データ解析・更新部、４２…候補語グループ・候補語選択履歴記憶部、４３…候補語表示部

Claims (11)

1. 音声認識結果が候補語の列として表され、且つ、候補語がグループ化された候補語データに基づいて、一つの認識結果を画面表示する認識結果表示手段と、
   該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示する候補語表示手段と、
   ユーザが画面に表示された候補語を編集するための編集操作手段と、
   ユーザによる編集内容に従って認識結果を更新する更新手段と、
   を備えたことを特徴とする音声認識結果編集装置。
2. 認識結果表示画面と候補語表示画面とを分離することを特徴とする請求項１に記載の音声認識結果編集装置。
3. 認識結果表示画面と候補語表示画面を切り替えて表示することを特徴とする請求項２に記載の音声認識結果編集装置。
4. 前記認識結果表示手段は、画面表示した認識結果において他の候補語のある箇所を明示することを特徴とする請求項１に記載の音声認識結果編集装置。
5. 前記編集操作手段は、新規の候補語を入力する手段を有することを特徴とする請求項１に記載の音声認識結果編集装置。
6. 入力された音声を認識する処理を行い、認識した単語の列から成る認識結果を生成する音声認識手段と、
   認識結果から候補語を抽出する候補語抽出手段と、
   候補語をグループ化する候補語グループ化手段と、
   グループ化された候補語を画面に表示する候補語表示手段と、
   ユーザが画面に表示された候補語を編集するための編集操作手段と、
   ユーザによる編集内容に従って認識結果を更新する更新手段と、を備え、
   前記候補語表示手段は、
   一つの認識結果を画面表示する認識結果表示手段と、
   該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示する候補語表示手段と、を有する、
   ことを特徴とする音声認識装置。
7. 認識結果表示画面と候補語表示画面とを分離することを特徴とする請求項６に記載の音声認識装置。
8. 認識結果表示画面と候補語表示画面を切り替えて表示することを特徴とする請求項７に記載の音声認識装置。
9. 前記認識結果表示手段は、画面表示した認識結果において他の候補語のある箇所を明示することを特徴とする請求項６に記載の音声認識装置。
10. 前記編集操作手段は、新規の候補語を入力する手段を有することを特徴とする請求項６に記載の音声認識装置。
11. 音声認識結果が候補語の列として表され、且つ、候補語がグループ化された候補語データに基づいて、一つの認識結果を画面表示する認識結果表示機能と、
    該認識結果表示画面上で他の候補語のある箇所が編集箇所になったときにのみ、他の候補語を画面表示する候補語表示機能と、
    ユーザが画面に表示された候補語を編集するための編集操作機能と、
    ユーザによる編集内容に従って認識結果を更新する更新機能と、
    をコンピュータに実現させることを特徴とするコンピュータプログラム。

Images