JP2009265307A - 音声認識装置及びこれを用いる車両システム - Google Patents

Abstract

【課題】応答性の要求に応じつつ、精度の良い認識結果を出力することができる音声認識装置の提供。
【解決手段】本発明は、認識精度の異なる複数の音声認識手段を備える音声認識装置であって、入力音声に対して前記複数の音声認識手段を並列に動作させ、前記複数の音声認識手段のそれぞれの認識結果を、それぞれの認識結果が得られ次第、ディスプレイに順次出力することを特徴とする。
【選択図】図４

Description

本発明は、認識精度の異なる複数の音声認識手段を備える音声認識装置及びこれを用いる車両システムに関する。

従来から、入力音声信号に対し、複数のＳ／Ｎ条件で作成された雑音重畳音声モデルを用いて認識処理を行う並列認識処理過程と、複数のＳ／Ｎ条件中の推定されたＳ／Ｎと最も近いものを近接Ｓ／Ｎ条件として決定する近接Ｓ／Ｎ決定過程と、近接Ｓ／Ｎ条件と対応するモデルを用いた認識処理された結果を出力する選択過程とを含むことを特徴とする音声認識方法が知られている（例えば、特許文献１参照）。この方法では、複数のＳ／Ｎ条件で作成された雑音重畳音声モデルを用いて認識処理を並列に行っているが、これは、Ｓ／Ｎが決定した時点からその決定されたＳ／Ｎに対応するモデルを用いた認識処理を行うと、Ｓ／Ｎを決定するまでの時間分だけ最終認識結果の出力が遅れるためである。
特開２００５−３２６６７３号公報

ところで、一般的な音声認識装置では、認識結果は、例え複数の候補を含むものであっても、認識処理の終了時に一括して出力されるのが通常である。また、一般的な音声認識装置では、必要な応答性を確保するために、音声が入力された時点から認識結果が出力されるまでの時間に、上限時間を設け、認識処理時間が当該上限時間に達したときは、例え途中であっても認識処理を打ち切り、そのときまでの認識結果を一括して出力するが通常である。或いは、認識処理時間が上限時間を超えないようなアルゴリズムを用いて、上限時間を超えない認識処理時間で認識結果を出力するが通常である。このため、一般的な音声認識装置では、応答性を優先すると、その反面として、仮に上限時間を超えて認識処理を継続できていれば（或いは、より複雑なアルゴリズムを用いていれば）より精度の高い認識結果（即ちユーザの意図する認識結果）が得られたであろう状況であっても、当該精度の高い認識結果を出力できず、却ってユーザに不便をかけてしまうという問題がある。特に、車両システムで用いられる音声認識装置では、良好な応答性が求められるため、認識処理時間に対して設定される上限時間が短く、それ故に、精度の良い認識結果が出力されない可能性が高くなる。

そこで、本発明は、応答性の要求に応じつつ、精度の良い認識結果を出力することができる音声認識装置及びこれを用いる車両システムの提供を目的とする。

上記目的を達成するため、第１の発明は、認識精度の異なる複数の音声認識手段を備える音声認識装置であって、
入力音声に対して前記複数の音声認識手段を並列に動作させ、前記複数の音声認識手段のそれぞれの認識結果を、それぞれの認識結果が得られ次第、ディスプレイに順次出力することを特徴とする。

第２の発明は、第１の発明に係る音声認識装置において、
ユーザから“確定”を指示する入力があった場合に、現在出力されている認識結果を最終的な認識結果として確定することを特徴とする。尚、“確定”を指示する入力は、必ずしも確定ボタンの操作のようなユーザの確定の意思を直接的に装置側に伝達する類の入力で必要はなく、ユーザの確定の意思が間接的に装置側に伝達されるものであってもよい。

第３の発明は、第１の発明に係る音声認識装置において、
前記複数の音声認識手段のそれぞれの認識結果を、それぞれの認識結果が得られ次第、ディスプレイに、新たに得られた認識結果で前に得られた認識結果を上書きしていく態様で順次出力し、
ユーザから“戻る”を指示する入力があった場合に、現時点にディスプレイに表示されている認識結果の前に得られた認識結果をディスプレイに出力することを特徴とする。尚、“戻る”を指示する入力は、必ずしも戻るボタンの操作のようなユーザの“戻る”の意思を直接的に装置側に伝達する類の入力で必要はなく、ユーザの“戻る”の意思が間接的に装置側に伝達されるものであってもよい。

第４の発明は、第１の発明に係る音声認識装置において、
前記複数の音声認識手段は、同一の音声認識アルゴリズムを用いるが探索範囲がそれぞれで異なることを特徴とする。

第５の発明は、第４の発明に係る音声認識装置において、
前記複数の音声認識手段は、第１の探索範囲で音声認識処理を行う第１の音声認識手段と、前記第１の探索範囲を含み且つ前記第１の探索範囲よりも広い第２の探索範囲で音声認識処理を行う第２の音声認識手段とを含み、
前記第１及び第２の音声認識手段を並列に動作させることは、前記第１の音声認識手段により前記第１の探索範囲を探索させた後、前記第２の音声認識手段により、前記第１の探索範囲を含まない前記第２の探索範囲の部分を探索させることを含むことを特徴とする。

第６の発明は、第１〜５のうちのいずれかの発明に係る音声認識装置を含み、該音声認識装置の認識結果に基づいて動作する車両システムに関する。

本発明によれば、応答性の要求に応じつつ、精度の良い認識結果を出力することができる音声認識装置及びこれを用いる車両システムが得られる。

以下、図面を参照して、本発明を実施するための最良の形態の説明を行う。

図１は、本発明による音声認識装置１の一実施例を示すシステム構成図である。本実施例の音声認識装置１は、車両システム内で用いられるのが好適であり、この場合、音声認識装置１から出力される音声認識結果の確定内容に応じて、各種の車両システムの機能が実現される。車両システムとしては、典型的には、ナビゲーションシステムであり、この場合、ナビゲーションシステムは、音声認識装置１から出力される確定内容（目的地などの音声認識結果の確定内容）に応じて各種の機能（例えば目的地ルート案内探索機能や目的地周辺施設情報探索機能等）を実現する。また、車両システムは、その他、オーディオシステムなどのマルチメディア系システムや、空調システム、車両制御システム等の任意のシステムであってよい。

音声認識装置１は、その主要な構成として、演算部１０、表示部１２、対話制御部１４、及び、モデルメモリ１６を含む。尚、演算部１０及び対話制御部１４は、マイクロコンピューターにより実現されてよく、モデルメモリ１６は、当該マイクロコンピューター内のメモリ若しくは外部メモリにより実現されてもよい。また、表示部１２は、車室内に配置される液晶ディスプレイなどのようなディスプレイにより実現される。

音声認識装置１には、入力装置１８が接続され、音声認識装置１には、入力装置１８への入力情報が供給される。入力装置１８は、車室内に設けられ、ユーザからの指示が入力される。入力装置１８は、例えば車室内のインストルメントパネルやステアリング等に設けられる機械式のスイッチであってもよいし、タッチパネル式ディスプレイで構成される表示部１２に設定されるタッチスイッチであってもよいし、リモートコントローラに設けられる機械式のスイッチであってもよいし、形態や構成は任意である。

音声認識装置１には、車室内の音（音声）を拾うマイク（マイクロフォン）３０が接続される。マイク３０に入力されるアナログ音声は、マイクアンプにて増幅処理やノイズ除去などの所定処理を受けて、A/D変換器でデジタル形式の音声信号に変換され、演算部１０に送られる。

演算部１０では、音声信号から特徴量が抽出され、次いで、モデルメモリ１６内の所与の音響／言語モデル（例えば隠れマルコフモデル：ＨＭＭ）を用いたマッチング処理により認識結果（認識候補）が決定される。認識候補は、演算部１０の制御下で、後述する出力態様で表示部１２に出力される。

演算部１０で用いられる音声認識アルゴリズムやモデルは、任意であるが、ここでは、一例として、図２に概念的に示すように、入力音声の音声単位（例えば音素、音節等）から次の音声単位までのつながりを確率モデルで定義したモデルを用い、マッチング処理において木構造のツリーを探索するものとする。また、演算部１０は、図３に概念的に示すように、１次、２次、・・・ｎ次といった具合に探索範囲を段階的に広げながら、認識処理を行う。ここで、ｎ次の次数について、確率的にはｎ次の次数が増加するほど精度の高い認識結果が得られるが、ｎ次の次数が増加するほど探索範囲が広くなるが故に演算処理時間（即ち認識結果を得るまでの時間）が長くなる関係がある。例えば、図２に示すように、１次の探索範囲では、各分岐において、最も確率の高い枝以外が刈られていくに対して、２次の探索範囲では、各分岐において、２番目に確率の高い枝まで考慮されるといった具合である。尚、ｎの数は、メモリサイズなどの制限により決定される。

図４は、本実施例の音声認識装置１（特に演算部１０及び対話制御部１４）において実行される主要処理の流れを示すフローチャートである。図４に示す処理ルーチンは、例えば、ユーザが、車室内に配置されるプレストークスイッチ（図示せず）を押したときに起動され、そのときユーザの発話によりマイク３０を介して入力された音声データに対して実行される。

ステップ４００では、演算部１０において、現在の次数（初期値は１）の探索範囲で音声認識処理（マッチング処理）を実行する。

ステップ４０２では、演算部１０において、上記ステップ４００にて得られた認識候補が認識結果として表示部１２に表示させる。尚、現在音声認識処理中である場合は、当該音声認識処理を継続しつつ（ステップ４００のバックグラウンド処理）、ステップ４０４に進む。また、認識候補が得られた場合には、その認識候補を表示部１２に表示し、次の次数の探索範囲で音声認識処理を開始・実行しつつ（ステップ４００のバックグラウンド処理）、ステップ４０４に進む。尚、音声認識処理中は、現在“認識中”であることを示す表示が表示部１２に表示されてもよい。

ステップ４０２で出力される認識候補は、１つであってもよいし、２つ以上であってもよい。このようにして表示された認識候補は、次の次数の音声認識処理により新たな認識候補が得られるまで、表示部１２に表示され続けてもよい。

ステップ４０４では、対話制御部１４において、ユーザから確定操作（確定指示）があったか否かが判定される。例えば、上記ステップ４０２では、認識候補の出力と同時に、ＯＫボタンが表示部１２に表示（設定）される。ＯＫボタンは、認識候補が出力されている間、継続的に表示される。このとき、「現在表示されている認識候補でよければ、ＯＫボタンを押してください」といったガイダンスが音声及び／又は映像により出力されてもよい。ユーザは、現在表示されている認識候補でよければ、ＯＫボタン（入力装置１８の一要素）を押すことで、確定指示を入力する。また、複数の認識候補が表示される構成では、その中の１つが例えばタッチスイッチにより選択された場合に、当該認識候補に対する確定操作があったと判断してもよい。尚、確定指示は、ユーザの発話による音声入力で行われてもよい。ユーザから確定操作があった場合には、ステップ４０６に進み、ユーザから確定操作が無い場合は、ステップ４００に戻り、演算部１０において、音声認識処理が継続的に実行される。

ステップ４０６では、演算部１０において、音声認識処理を停止し、確定操作に対応した認識候補を、最終的な認識結果として確定し、当該確定内容（最終的な認識結果）を、所定の装置（例えばナビゲーションＥＣＵ）に出力する。

尚、図４に示す処理において、確定操作が無い場合であっても、演算部１０は、最高次の探索範囲の音声認識処理を終えた時点、若しくは、音声認識処理の継続時間が所定の上限時間に達した時点で、音声認識処理を停止してもよい。この場合、上限時間は、標準的な発話内容で最高次の探索範囲の音声認識処理まで実行できるように比較的長い時間に設定されるが、ユーザによって変更される可変値であってもよい。

このように図４に示す処理によれば、演算部１０は、１次、２次、・・・ｎ次といった具合に探索範囲を段階的に広げながら、認識処理を継続して行いつつ、認識候補（認識結果）が得られ次第、当該得られた認識候補を順次表示部１２に表示する。従って、１次の認識候補、２次の認識候補、・・・ｎ次の認識候補といった具合に、順次、時間を置いて、各次数の認識候補が出力される。そして、対話制御部１４は、表示部１２に表示された認識候補の確定操作を常時受け付けている。従って、ユーザは、意図した所望の認識候補が出力されたときに、確定操作を行うことで、音声入力を完了することができる。ここで、本実施例では、上述の如く、認識候補が得られ次第、当該得られた認識候補を順次表示部１２に出力されるので、応答性が良好である。例えば、ユーザは、１次の認識候補が所望の認識候補であるとき等、短時間で音声入力を完了することができる。また、本実施例では、上述の如く、良好な応答性を維持するために、探索範囲が狭いときの認識候補（即ちｎが低次の認識候補）を出力しつつ、精度の良好な認識候補の出力を確保するために、探索範囲が広いときの認識候補（即ちｎが高次の認識候補）を出力する。これにより、例えば、ユーザが応答性よりも精度を求める状況下では、ユーザは、比較的長時間待たなければならないものの、精度の良い認識候補が出力されることを期待でき、かかる状況下でのユーザの利便性を図ることができる。

次に、上述の実施例に対する変形例や改良例について説明する。

上述の実施例では、演算部１０は、同一の音声認識アルゴリズム及びモデルを用い、その探索範囲を可変することで、各探索範囲に対応した複数の音声認識手段を実現しているが、異なる音声認識アルゴリズム及び／又はモデルを用いて、複数の音声認識手段を実現してもよい。この場合は、演算部１０は、認識精度（認識に要する時間）が異なる音声認識アルゴリズム及び／又はモデルを用いた複数の音声認識処理を同時（並列）に実行しつつ、認識候補（認識結果）が得られ次第、当該得られた認識候補を順次表示部１２に表示する。この場合の音声認識処理の１つは、車両との間で双方向通信が可能な外部の施設（例えばセンターの外部サーバー）で実行される音声認識処理を含んでよい。かかる変形例によっても、上述の実施例と同様、良好な応答性を確保しつつ、精度の良い認識結果を出力することができる。

また、上述の実施例では、演算部１０は、次数（探索範囲）を変化させて複数の音声認識手段を実現しているが、音声認識時間を可変することで、複数の音声認識手段を実現してもよい。例えば、ユーザの選択余裕度を考慮し、音声認識時間を、１秒、４秒、８秒といった具合に段階的に設定し、この場合、音声認識時間が各設定時間（１秒、４秒、８秒）に達した各時点でそのときの認識候補を表示部１２に表示する。かかる変形例によっても、上述の実施例と同様、良好な応答性を確保しつつ、精度の良い認識結果を出力することができる。例えば、ユーザは、音声認識時間が１秒のときの認識候補が所望の認識候補であるとき等、そのときに確定操作を行うことで、短時間で音声入力を完了することができる。また、ユーザが応答性よりも精度を重視する状況下では、ユーザは、比較的長時間（例えば８秒以上）待たなければならないものの、精度の良い認識候補が出力されることを期待でき、かかる状況下でのユーザの利便性を図ることができる。尚、１秒、４秒、８秒といった各設定時間は、ユーザによって変更される可変値であってもよい。

また、上述の実施例では、演算部１０は、１次の認識候補、２次の認識候補、・・・ｎ次の認識候補といった具合に、順次、時間を置いて、各次数の認識候補を表示部１２に表示するが、表示部１２の表示領域の制約から、全ての認識候補を同時に表示できない場合がある。このため、演算部１０は、認識候補が得られ次第、新たに得られた認識候補で前に得られた認識候補を上書きしていく態様（例えば２次の認識候補で１次の認識候補を上書きしていく態様）で、各次数の認識候補を表示部１２に表示することとしてもよい。このとき、「現在表示されている認識候補よりも前の認識候補を見たい場合は、戻るボタンを押してください」といったガイダンスが音声及び／又は映像により出力されてもよい。この場合、対話制御部１４において、ユーザによる戻る操作（戻る指示）があったか否かが判定され、ユーザによる戻る操作があった場合に、演算部１０は、１つ前の次数の認識候補を表示部１２に表示することとしてもよい。即ち、演算部１０は、ユーザが“戻る”ボタン（入力装置１８の一要素）を押す毎に、現在表示している次数よりも１つ前の次数の認識候補を表示部１２に表示することとしてもよい。これにより、表示部１２の表示領域を効率的に利用して認識候補を表示しつつ、ユーザの確定操作が遅れた場合にも前に提示された認識候補を遡って選択・確定することが可能となる。尚、戻る指示は、ユーザの発話による音声入力で行われてもよい。

以上、本発明の好ましい実施例について詳説したが、本発明は、上述した実施例に制限されることはなく、本発明の範囲を逸脱することなく、上述した実施例に種々の変形及び置換を加えることができる。

本発明による音声認識装置１の一実施例を示すシステム構成図である。 音声認識アルゴリズムの一例を概念的に示す図である。 探索範囲の相違の一例を概念的に示す図である。 本実施例の音声認識装置１において実行される主要処理の流れを示すフローチャートである。

符号の説明

１ 音声認識装置
１０ 演算部
１２ 表示部
１４ 対話制御部
１６ モデルメモリ
１８ 入力装置
３０ マイク

Claims (6)

1. 認識精度の異なる複数の音声認識手段を備える音声認識装置であって、
   入力音声に対して前記複数の音声認識手段を並列に動作させ、前記複数の音声認識手段のそれぞれの認識結果を、それぞれの認識結果が得られ次第、ディスプレイに順次出力することを特徴とする、音声認識装置。
2. ユーザから“確定”を指示する入力があった場合に、現在出力されている認識結果を最終的な認識結果として確定する、請求項１に記載の音声認識装置。
3. 前記複数の音声認識手段のそれぞれの認識結果を、それぞれの認識結果が得られ次第、ディスプレイに、新たに得られた認識結果で前に得られた認識結果を上書きしていく態様で順次出力し、
   ユーザから“戻る”を指示する入力があった場合に、現時点にディスプレイに表示されている認識結果の前に得られた認識結果をディスプレイに出力する、請求項１に記載の音声認識装置。
4. 前記複数の音声認識手段は、同一の音声認識アルゴリズムを用いるが探索範囲がそれぞれで異なる、請求項１に記載の音声認識装置。
5. 前記複数の音声認識手段は、第１の探索範囲で音声認識処理を行う第１の音声認識手段と、前記第１の探索範囲を含み且つ前記第１の探索範囲よりも広い第２の探索範囲で音声認識処理を行う第２の音声認識手段とを含み、
   前記第１及び第２の音声認識手段を並列に動作させることは、前記第１の音声認識手段により前記第１の探索範囲を探索させた後、前記第２の音声認識手段により、前記第１の探索範囲を含まない前記第２の探索範囲の部分を探索させることを含む、請求項４に記載の音声認識装置。
6. 請求項１〜５のうちのいずれか１項に記載の音声認識装置を含み、該音声認識装置の認識結果に基づいて動作する車両システム。

Images