JP2010217754A - 音声入力装置、音声認識システム及び音声認識方法 - Google Patents

Abstract

【課題】音声入力のオンオフ制御を精度よく実現でき、音声認識の精度の向上が可能な音声入力装置を提供する。
【解決手段】 ユーザの音声を音声信号に変換する音声入力部１４と、音声入力部１４の角度を検出する角度検出部１１と、音声入力部１４とユーザとの距離を検出する距離検出部１２と、検出された角度及び距離に基いて、音声入力部１４のオンオフを制御する音声入力切替部１５とを備える。
【選択図】図１

Description

本発明は、音声入力装置、音声認識システム及び音声認識方法に関する。

音声を機器に録音する装置としてボイスレコーダがある。ボイスレコーダは、録音動作中のマイク周辺の音を連続的に音声として録音する。このようにして録音したデータは、後からそのまま再生して音声として聴く場合に使われている。録音の開始および終了は、ユーザがボタン操作で指示する必要がある。

一方で、マイクに入力された音声を認識してテキストデータに変換する音声認識技術が広く使われている。音声認識技術には、孤立単語音声認識と連続音声認識とがある。どちらも入力された音声データを事前に構築した音声認識辞書を用いて照合し、最も尤度の高いテキストに自動的に変換することで、様々なサービスに展開を図るものである。

音声認識のオンオフ制御には、通常、プレストーク方式、プッシュトーク方式等が用いられる。プレストーク方式では、音声入力中ずっとボタンを押下し続ける。プッシュトーク方式では、音声入力開始だけをボタン押下で指示し、音声入力終了はシステム側が無音区間の検出を行うなどして自動的に行う。いずれの方式でも、ユーザが音声入力の際に、システムに対して自らのボタン操作で指示しなければならない。ユーザにとっては、ボタン操作が煩わしかったり、慣れるまでは適切なタイミングでボタン押下するのが難しかったりといった問題がある。

そこで、マイクを操作面以外の面に配置することで、発話時にマイク面が上向きになったことを検知して音声入力を自動でオンにすることが提案されている（例えば、特許文献１参照。）。しかしながら、マイク面の向きによってだけ音声入力のオンオフを切り替えることにすると、音声入力終了のためにはマイク面を上向きでない方向にする必要がある。また、マイク面が上向きになっている間は音声入力のオン状態が継続してしまう。

さらに、リモコンなど手持ち型の音声入力装置が抱える問題として、ユーザの口元とマイクの距離がユーザによってまちまちであるため、マイクゲイン、音声認識パラメータを適切にチューニングできない。このことは、ヘッドセット型マイクなどに比べて手持ち型マイクを用いた音声認識精度が低い理由の一つとして考えられる。

特開２００８−５１８８２号公報

本発明の目的は、音声入力のオンオフ制御を精度よく実現でき、音声認識の精度の向上が可能な音声入力装置、音声認識システム及び音声認識方法を提供することにある。

本発明の第１の態様によれば、（イ）ユーザの音声を音声信号に変換する音声入力部と、（ロ）音声入力部の角度を検出する角度検出部と、（ハ）音声入力部とユーザとの距離を検出する距離検出部と、（ニ）検出された角度及び距離に基いて、音声入力部のオンオフを制御する音声入力切替部とを備える音声入力装置が提供される。

本発明の第２の態様によれば、（イ）音声入力装置と、音声処理装置とを備え、音声入力装置が、（ロ）ユーザの音声を音声信号に変換する音声入力部と、（ハ）音声入力部の角度を検出する角度検出部と、（ニ）音声入力部とユーザとの距離を検出する距離検出部と、（ホ）検出された角度及び距離に基いて、音声入力部のオンオフを制御する音声入力切替部と、（ヘ）音声入力部から入力された音声信号を音声処理装置に送信する音声送信部とを備え、音声処理装置が、（ト）音声送信部から送信された音声信号を受信する音声受信部と、（チ）予め登録された複数の文字列を保管する音声認識辞書と、（ヌ）受信した音声信号の音声認識を行い、認識された音声信号に対応する候補文字列を複数の文字列から抽出する音声認識部と、（リ）候補文字列を表示する表示部とを備える音声認識システムが提供される。

本発明の第３の態様によれば、（イ）音声入力装置が有する音声入力部の角度と音声入力部とユーザとの距離を検出する段階、（ロ）角度及び距離がそれぞれ、設定角度及び設定距離の範囲内であれば発話動作の開始と判定する段階により、（ハ）音声入力部がユーザの音声を音声信号に変換し、音声入力装置が音声信号を音声処理装置に送信し、（ニ）音声信号を受信する段階、（ホ）受信した音声信号の音声認識を行う段階、（ヘ）認識された音声信号に対応する候補文字列を予め登録された複数の文字列から抽出する段階により、（ト）音声処理装置において前記候補文字列を表示することを含む音声認識方法が提供される。

本発明によれば、音声入力のオンオフ制御を精度よく実現でき、音声認識の精度の向上が可能な音声入力装置、音声認識システム及び音声認識方法を提供することが可能となる。

本発明の実施の形態に係る音声入力装置の一例を示すブロック図である。 本発明の実施の形態に係る音声入力装置の実装例を示す概略図である。 本発明の実施の形態に係る音声入力装置の使用イメージを示す概略図である。 本発明の実施の形態に係る音声入力装置に搭載した角度検出部および距離検出部の動作を説明する概略図である。 本発明の実施の形態に係る音声入力装置の角度検出の動作を説明する概略図である。 本発明の実施の形態に係る角度検出の測定結果の一例を示すグラフである。 本発明の実施の形態に係る距離検出の測定結果の一例を示すグラフである。 本発明の実施の形態に係る音声入力装置の動作の一例を示すフローチャートである。 本発明の実施の形態に係る音声入力装置の他の例を示すブロック図である。 本発明の実施の形態に係る音声入力システムの一例を示すブロック図である。 本発明の実施の形態に係る音声処理装置の音声認識開始、終了に関する説明を行うための模式図である。 本発明の実施の形態に係る音声処理装置の音声認識開始、終了に関する説明を行うための模式図である。 本発明の実施の形態に係る表示部の表示内容の一例を示す概略図（その１）である。 本発明の実施の形態に係る表示部の表示内容の一例を示す概略図（その２）である。 本発明の実施の形態に係る表示部の表示内容の一例を示す概略図（その３）である。 本発明の実施の形態に係る音声認識方法の一例を示すフローチャート（その１）である。 本発明の実施の形態に係る音声認識方法の一例を示すフローチャート（その２）である。 本発明の実施の形態の変形例に係る音声入力システムの一例を示すブロック図である。 本発明の実施の形態の変形例に係る音声入力装置の実装例を示す概略図である。 本発明の実施の形態の変形例に係る音声入力システムで使用されるコマンドパケットの一例を示す模式図である。 本発明の実施の形態に係る表示部の表示内容の一例を示す概略図である。 本発明の実施の形態に係る表示部の表示内容の一例を示す概略図である。 本発明の実施の形態の変形例に係る音声認識方法の一例を示すフローチャートである。

以下図面を参照して、本発明の形態について説明する。以下の図面の記載において、同一または類似の部分には同一または類似の符号が付してある。但し、図面は模式的なものであり、装置やシステムの構成等は現実のものとは異なることに留意すべきである。したがって、具体的な構成は以下の説明を参酌して判断すべきものである。また図面相互間においても互いの構成等が異なる部分が含まれていることは勿論である。

又、以下に示す本発明の実施の形態は、本発明の技術的思想を具体化するための装置や方法を例示するものであって、本発明の技術的思想は、構成部品の材質、形状、構造、配置等を下記のものに特定するものでない。本発明の技術的思想は、特許請求の範囲に記載された技術的範囲内において、種々の変更を加えることができる。

（第１の実施の形態）
本発明の第１の実施の形態に係る音声入力装置１０は、図１に示すように、角度検出部１１、距離検出部１２、発話動作判定部１３、音声入力部１４、音声入力切替部１５、及び音声送信部１６を備える。音声入力部１４は、ユーザの音声を音声信号に変換する。角度検出部１１は、音声入力部１４の角度を検出する。距離検出部１２は、音声入力部１４とユーザの口元との距離を検出する。発話動作判定部１３は、検出された角度及び距離に基いてユーザの発話動作の開始及び終了を判定する。音声入力切替部１５は、発話動作判定部１３の出力により、音声入力部１４のオンオフを制御する。音声送信部１６は、音声入力部１４から入力された音声信号を外部機器に送信する。

音声入力装置１０は、図２に示すように、筐体４０に実装される。距離検出部１２と音声入力部１４が筐体４０の上面に配置される。角度検出部１１、発話動作判定部１３、音声入力切替部１５、音声送信部１６等はすべて、筐体４０の内部に配置される。ユーザは、図３に示すように、音声入力装置１０を手に持って、音声入力部１４に向かって発話する。

角度検出部１１として、加速度センサや、機械式の傾斜センサ等の角度検出器が用いられる。例えば、加速度センサの場合は、加速度センサの検出軸方向にかかる重力加速度（１Ｇ）を測定することで角度を検出することができる。加速度センサの検出軸は、少なくとも１軸あれば音声入力装置１０の角度は検出可能である。

角度検出部１１として、３軸加速度センサを内蔵した場合について説明する。図４に示すように、音声入力装置１０の上面において、音声入力部と平行方向及び直交方向にＸ軸及びＹ軸を定義し、上面に直交する方向にＺ軸を定義する。角度検出部１１において、Ｙ軸あるいはＺ軸の方向で重力加速度（鉛直方向）に対する角度を検出することにより、ユーザの口元に対する角度を検出することができる。

図５に示すように、図４に示した音声入力装置１０を水平面に置いた状態から手にとって口元に近づける動作区間Ｍ１、発話動作区間Ｍ２、及び発話後は最初の位置に戻す動作区間Ｍ３の一連の動作を連続で５回行う。図６には、角度検出部１１として３軸加速度センサを用いた場合の各動作区間での出力波形が示されている。Ｘ軸方向に比べて、Ｙ軸方向及びＺ軸方向において一連の動作に伴う重力加速度が顕著に変化していることがわかる。例えば、Ｚ軸方向を角度検出に用いる場合、発話動作時の角度検出に関する重力加速度の閾値（設定角度）を、例えば−０．７Ｇ程度に設定することで、発話動作を識別できる。

距離検出部１２は、図２に示したように、音声入力部１４の近くに配置され、音声入力部１４とユーザの口元との距離（ｄ）を測定する。距離ｄの測定には、位置検出素子（ＰＳＤ）、電荷結合素子（ＣＣＤ）や相補型金属酸化膜半導体（ＣＭＯＳ）等の受光素子を用いる光学センサ、超音波センサなどが用いられる。図７には、距離検出部１２としてＰＳＤを用いた光学センサの出力形式を示す。図７に示すように、距離検出部１２として、設定距離の範囲Ｒｄで出力電圧Ｖ１、設定距離範囲外で出力電圧Ｖ２となる出力形式Ｃａを有する光学センサを用いてもよい。また、距離検出部１２として、距離に応じて出力電圧が変化する出力形式Ｃｂを有する光学センサを用いてもよい。出力形式Ｃｂを有する光学センサにおいては、例えば、設定距離範囲Ｒｄの下限距離Ｄｌ及び上限距離Ｄｕに対応して、出力電圧Ｖ３及びＶ４が出力される。

音声入力部１４として、マイクロフォンが用いられる。音声入力部１４に、マイクロフォンの増幅回路が含まれてもよい。発話動作判定部１３及び音声入力切替部１５は、専用のハードウェアで構成しても良く、通常の中央演算処理ユニット（ＣＰＵ）等を用いて、ソフトウェアで実質的に等価な機能を有していても構わない。音声送信部１６として、外部の音声処理装置に音声信号を送信する無線あるいは有線の通信器等が用いられる。

第１の実施の形態においては、ユーザが音声入力装置１０を口元に近づけて発話するという自然な動作により音声入力の開始及び終了を自動的に切り替えることができる。したがって、ユーザは、音声入力に際して、開始及び終了をボタン等の操作で指示する必要がない。したがって、ボタンの押し忘れを防止することができる。

通常の音声入力装置においては、角度検出部１１及び距離検出部１２の一方だけ使用して発話動作が判定される。例えば、角度検出部１１で音声入力装置１０の角度だけを測定して発話動作を判定する。この場合、ユーザが単に音声入力装置１０を手にとって別の場所に設定角度の範囲内のまま放置しても、発話動作と判定されてしまう。また、距離検出部１２で口元と音声入力部１４との距離だけを測定して発話動作を判定する。この場合、音声入力装置１０がどこかに放置されている時に、口元以外のもの、例えば手等の身体の一部が音声入力部１４の近くを通りかかった場合にも発話動作と判定されてしまう。

第１の実施の形態においては、角度検出部１１及び距離検出部１２の両方を用いて、発話動作が判定される。したがって、角度検出部１１及び距離検出部１２の一方だけ使用した場合に生じる発話動作の誤認識等の問題点を解決することができる。

また、音声入力の際には、音声入力部１４と口元の距離が、入力される音質や音量等に大きく影響する。第１の実施の形態では、用途に応じて音声入力部１４と口元の設定距離範囲を適切に設定することができる。したがって、発話動作判定部１３により、適切な音声入力部１４と口元の適切な距離で音声入力ができ、高品質の音声信号を得ることができる。

なお、角度検出部１１及び距離検出部１２による角度検出及び距離検出は、同時に行ってもよく、一方の検出結果が設定範囲内になってから他方の検出を行ってもよい。例えば、角度検出部１１として、加速度センサを用い、距離検出部１２の受光素子として、ＰＳＤを用いる場合は、角度検出を常時行い、距離検出は、角度が設定範囲内になってから実施するのが望ましい。例えば、加速度センサ及びＰＳＤを用いる距離センサの消費電量はそれぞれ、約０．８ｍＷ〜約１．５ｍＷ及び約０．１Ｗ〜約０．２Ｗである。加速度センサの消費電力は、距離センサに比べて極めて低い。したがって、バッテリ駆動の音声入力装置において角度検出を常時行っても、バッテリの駆動時間の低減を抑制することができる。距離センサにおいては、消費電力が大きな発光素子等が使用されているため、必要な時だけ距離検出を行うことが望ましい。

次に、第１の実施の形態に係る音声入力装置１０の動作を、図８のフローチャートを参照しながら説明する。角度検出部１１及び距離検出部１２として、それぞれ加速度センサ及びＰＳＤを用いた距離センサが用いられる。音声入力装置１０の初期状態では、音声入力部１４は、音声の入力及び増幅がオフの状態である。

ステップＳ１００で、角度検出部１１により、予め定められたサンプリング周波数、例えば２０Ｈｚで音声入力部１４のユーザの口元に対する角度が測定される。例えば、角度検出部１１のＺ軸方向の重力加速度が測定される。

ステップＳ１０１で、発話動作判定部１３により、角度検出部１１で検出された角度が、予め設定された設定角度の範囲内かどうか判定される。例えば、設定角度範囲は、Ｚ軸方向の重力加速度が−０．７Ｇ以上である。検出された角度が設定角度の範囲内でなければ、ステップＳ１００に戻って角度測定を続行する。検出された角度が、設定角度の範囲内であれば、ステップＳ１０２に進む。

ステップＳ１０２で、距離検出部１２により、予め定められたサンプリング周波数、例えば２０Ｈｚで音声入力部１４とユーザの口元の距離が測定される。

ステップＳ１０３で、発話動作判定部１３により、距離検出部１２で検出された距離が、予め設定された設定距離の範囲内かどうか判定される。例えば、設定距離は、２ｃｍ〜１０ｃｍの範囲である。検出された距離が設定距離範囲内でなければ、ステップＳ１０２に戻り距離測定を続行する。検出された距離が設定距離範囲内であれば、ステップＳ１０４に進む。

ステップＳ１０４で、角度検出部１１により、角度測定が行なわれる。ステップＳ１０５で、発話動作判定部１３により、角度が引き続き設定角度範囲内にあるかどうか判定される。角度が設定角度範囲外になった場合は、ステップＳ１００に戻り角度測定を続行する。角度が引き続き設定角度範囲内にある場合、ステップＳ１０６に進む。

ステップＳ１０６で、発話動作判定部１３から、発話動作が開始されたことが音声入力切替部１５に出力される。音声入力切替部１５により、音声入力部１４がオン状態にされ、音声入力が開始される。音声入力部１４により、入力された音声が、音声信号に変換され増幅される。ステップＳ１０７で、音声送信部１６により、増幅された音声信号が外部の音声処理装置に送信される。

ステップＳ１０８で、距離検出部１２により、音声信号の送信中も継続して距離の測定が行なわれる。ステップＳ１０９で、発話動作判定部１３により、検出された距離が、引き続き設定距離の範囲内かどうか判定される。検出された距離が設定距離範囲外であれば、ステップＳ１１２で、発話動作判定部１３から、発話動作が終了されたことが音声入力切替部１５に出力される。音声入力切替部１５により、音声入力部１４がオフにされ、音声入力が終了する。ステップＳ１１３で、音声入力の終了と同時に、音声信号の送信を停止する。検出された距離が設定距離範囲内であれば、ステップＳ１１０に進む。

ステップＳ１１０で、角度検出部１１により、角度測定が行なわれる。ステップＳ１１１で、発話動作判定部１３により、検出された角度が、引き続き設定角度範囲内にあるかどうか判定される。検出された角度が設定角度範囲外であれば、ステップＳ１１２で、音声入力を終了し、同時にステップＳ１１３で、音声信号の送信を停止する。角度が引き続き設定角度範囲内であれば、ステップＳ１０７に戻り、角度及び距離の少なくとも一方が設定範囲外になるまで音声信号の送信を続行する。

第１の実施の形態においては、ユーザは、音声入力に際して、開始及び終了をボタン等の操作で指示する必要がない。自然な発話動作に応じて音声入力装置１０が適切に音声入力の開始及び終了を切り替える。したがって、ユーザの音声入力時の操作を軽減できる。特に、機器操作に不慣れなユーザにも使いやすく、ボタンの押し忘れ等を防止することができる。また、角度検出部１１及び距離検出部１２の両方を用いて、発話動作が判定される。したがって、角度検出部１１及び距離検出部１２の一方だけ使用した場合に生じる発話動作の誤認識等の問題点を解決することができる。更に、用途に応じて音声入力部１４と口元の設定距離範囲を適切に設定することができる。したがって、音声入力部１４と口元の適切な距離で音声入力ができ、高品質の音声信号を得ることができる。

なお、ステップＳ１０１で、検出された角度が設定角度の範囲内であることが判定された後、検出されたが距離が設定距離の範囲になるまでの時間を測定してもよい。検出された距離が、予め設定された時間内に設定距離範囲内に入らなければ、距離の測定を停止する。例えば、設定角度の範囲内の角度で音声入力装置１０が放置されているときに、口元以外の何かが音声入力部１４に近づくような場合の誤動作を防止することが可能となる。

また、上記の説明では、音声入力装置１０には、外部の音声処理装置に音声信号を送信する音声送信部１６が設けられている。しかし、図９に示すように、音声入力装置１０ａとして、音声送信部１６の代わりに音声記録部１７を設けてもよい。この場合、音声入力装置１０ａは、音声を録音するボイスレコーダとして用いられる。

（第２の実施の形態）
本発明の第２の実施の形態に係る音声認識システムは、図１０に示すように、音声入力装置１０ｂ、及び音声処理装置２０を備える。音声入力装置１０ｂは、角度検出部１１、距離検出部１２、発話動作判定部１３、音声入力部１４、音声入力切替部１５、音声送信部１６、及びコマンド送信部１８を備える。音声処理装置２０は、コマンド受信部２１、音声受信部２２、処理制御部２３、音声認識部２４、音声認識辞書２５、及び表示部２６を備える。

第２の実施の形態に係る音声認識システムの音声入力装置１０ｂは、コマンド送信部１８を有している点が、第１の実施の形態と異なる。他の構成は、第１の実施の形態と同様であるので、重複する記載は省略する。

音声入力装置１０ｂのコマンド送信部１８は、発話動作判定部１３で判定された発話状態に応じて制御コマンドを生成して音声処理装置２０に送信する。例えば、制御コマンドとして、発話動作の開始及び終了に応じて開始コマンド及び終了コマンドが送信される。また、制御コマンドとして、音声入力部１４と口元の距離に応じて誘導コマンドが送信される。コマンド送信部１８として、無線あるいは有線の通信器等が用いられる。

音声処理装置２０の音声受信部２２は、音声入力装置１０ｂの音声送信部１６から送信された音声信号を受信する。音声認識辞書２５は、音声認識処理のために予め登録された複数の文字列の音声パターンデータを保管する。音声認識部２４は、音声受信部２２で受信された音声信号の音声認識を行い、音声認識辞書２５に登録された複数の文字列の中から、認識された音声信号に対応する候補文字列を抽出する。表示部２６は、抽出された候補文字列を表示する。

コマンド受信部２１は、コマンド送信部１８から送信された制御コマンドを受信する。処理制御部２３は、コマンド受信部２１で受信された制御コマンドに応じて音声処理装置２０で実行される処理を制御する。

例えば、音声入力装置１０ｂにおいて、発話動作判定部１３は、ユーザの発話状態を判定して、音声入力切替部１５及びコマンド送信部１８に判定結果を伝達する。音声入力切替部１５は、判定結果に応じて音声入力部１４をオンオフし、音声入力の開始及び終了を行う。音声送信部１６は、音声入力部１４で取得された音声信号を音声処理装置２０に送信する。コマンド送信部１８は、判定結果に応じて音声処理装置２０に開始コマンド及び終了コマンドを送信する。

図１１に示すように、時間Ｔｓで、音声処理装置２０のコマンド受信部２１が開始コマンドを受信する。処理制御部２３は、コマンド受信部２１から伝達された開始コマンドに応じて、音声受信部２２に音声信号の受信を開始させる。また、処理制御部２３は、音声認識部２４に音声受信部２２で取得された音声信号の音声認識を開始させる。音声認識としては、孤立単語音声認識、あるいは連続音声認識など、用途に応じて任意の音声認識処理を行えば良い。

時間Ｔｅで、コマンド受信部２１が終了コマンドを受信する。処理制御部２３は、コマンド受信部２１から伝達された終了コマンドに応じて、音声受信部２２に音声信号の受信を終了させる。また、処理制御部２３は、音声認識部２４に音声認識を終了させる。

音声認識終了後、音声認識部２４は、取得された音声信号を解析して文字データに変換する。例えば、音声信号と、音声認識辞書２５に登録された複数の文字列の音声パターンデータとを比較して、尤度が高い候補文字列を抽出する。表示部２６は、抽出された候補文字列を表示する。音声認識部２４で実施される音声認識は、一般的に実施される音声認識プロセスを用いることができる。

なお、音声認識は、音声入力装置１０ｂから終了コマンドを受信して終了しているが、音声認識終了の方法は限定されない。例えば、処理制御部２３により、音声受信部２２が受信する音声信号のレベルをモニタし、一定時間の無音区間が検出されれば音声認識を終了させてもよい。図１２に示すように、無音区間検出の時間Ｔｄが終了コマンド受信の時間Ｔｅよりも先の時間Ｔｄで無音区間が検出されれば、時間Ｔｄで音声認識が終了される。

ユーザの口元と音声入力装置１０ｂの音声入力部１４との距離を設定距離範囲に誘導する制御コマンドを用いてもよい。例えば、発話動作判定部１３が、距離検出部１２で検出された距離が設定距離範囲より遠いと判定した場合、判定結果をコマンド送信部１８に伝達する。コマンド送信部１８は、口元を音声入力部１４に近づけさせる誘導コマンドを音声処理装置２０に送信する。図１３に示すように、音声処理装置２０の処理制御部２３は、コマンド受信部２１で受信された誘導コマンドに応じて表示部２６に誘導メッセージとして「口元をマイクロフォンに近づけてください」と表示させる。

発話動作判定部１３が、距離検出部１２で検出された距離が設定距離範囲より近いと判定した場合は、コマンド送信部１８は、口元を音声入力部１４から離させる誘導コマンドを音声処理装置２０に送信する。図１４に示すように、処理制御部２３は、コマンド受信部２１で受信された誘導コマンドに応じて表示部２６に誘導メッセージとして「口元をマイクロフォンから少し離してください」と表示させる。

このように、ユーザは、表示部２６の表示に応じて、設定距離の範囲内に適切に誘導される。したがって、口元と音声入力部１４の距離のばらつきを低減することができ、手持ちの音声入力装置１０ｂの音声認識精度の低下を防止することが可能となる。

なお、図１５に示すように、誘導メッセージの代わりに、距離メータ表示を用いてもよい。現在の口元と音声入力部１４との距離が表示マーク５０により表示部２６に表示された距離メータに示される。また、誘導メッセージは、表示部２６に表示されるだけでなく、音声合成等により音声としてユーザに通知してもよい。

次に、第２の実施の形態に係る音声認識方法を、図１６及び図１７のフローチャートを用いて説明する。音声入力装置１０ｂの初期状態では、音声入力部１４は、音声の入力及び増幅がオフの状態である。音声処理装置２０の初期状態では、コマンド受信部２１及び音声受信部２２が受信待機状態である。

ステップＳ２１０で、角度検出部１１により、音声入力部１４の角度が測定される。ステップＳ２１１で、発話動作判定部１３により、角度検出部１１で検出された角度が、予め設定された設定角度の範囲内かどうか判定される。検出された角度が設定角度の範囲内でなければ、ステップＳ２１０に戻って角度測定を続行する。検出された角度が、設定角度の範囲内であれば、ステップＳ２１２で、発話動作判定部１３により、時間測定が開始される。

ステップＳ２１３で、距離検出部１２により、音声入力部１４とユーザの口元の距離が測定される。ステップＳ２１４で、発話動作判定部１３により、測定時間が設定時間内かどうか判定される。測定時間が設定時間を超えていれば、ステップＳ２１５で、角度検出部１１による角度測定が続行される。ステップＳ２１６で、発話動作判定部１３により、検出された角度に変化が認められたら、ステップＳ２１０に戻る。検出角度に変化が無ければ、ステップＳ２１５に戻り角度測定を続行する。

発話動作判定部１３により、ステップＳ２１４で測定時間が設定時間内と判定されれば、ステップＳ２１７で、発話動作判定部１３により、距離検出部１２で検出された距離が、設定距離の範囲内かどうか判定される。検出された距離が設定距離範囲内でなければ、ステップＳ２１８で、コマンド送信部１８により、検出された距離に応じて誘導コマンドが送信される。ユーザは、誘導コマンドに応じて音声処理装置２０の表示部２６に表示された誘導メッセージ等にしたがって、口元と音声入力部１４との距離を調整する。ステップＳ２１３に戻り、距離検出部１２により、距離測定を続行する。

検出された距離が設定距離範囲内であれば、ステップＳ２１９で、角度検出部１１により、角度測定が行なわれる。ステップＳ２２０で、発話動作判定部１３により、角度が引き続き設定角度範囲内にあるかどうか判定される。角度が設定角度範囲外になった場合は、ステップＳ２１０に戻り角度測定を続行する。角度が引き続き設定角度範囲内にあれば、発話動作判定部１３から、発話動作が開始されたことが音声入力切替部１５及びコマンド送信部１８に伝達される。

ステップＳ２２１で、コマンド送信部１８により、開始コマンドが音声処理装置２０に送信される。ステップＳ２２２で、音声入力切替部１５により、音声入力部１４がオン状態にされ、音声入力が開始される。音声入力部１４により、入力された音声が、音声信号に変換され増幅される。ステップＳ２２３で、音声送信部１６により、増幅された音声信号が音声処理装置２０に送信される。

ステップＳ２２４で、距離検出部１２により、音声信号の送信中も継続して距離の測定が行なわれる。ステップＳ２２５で、発話動作判定部１３により、検出された距離が、引き続き設定距離の範囲内かどうか判定される。検出された距離が設定距離範囲外であれば、ステップＳ２２８で、コマンド送信部１８により、終了コマンドが音声処理装置２０に送信される。また、音声入力切替部１５により、音声入力部１４がオフにされ、音声入力が終了する。ステップＳ２２９で、音声送信部１６による音声信号の送信を停止する。

ステップＳ２２４で検出された距離が設定距離範囲内であれば、ステップＳ２２６で、角度検出部１１により、角度測定が行なわれる。ステップＳ２２７で、発話動作判定部１３により、検出された角度が、引き続き設定角度範囲内にあるかどうか判定される。検出された角度が設定角度範囲外であれば、ステップＳ２２８で、コマンド送信部１８により、終了コマンドが送信される。ステップＳ２２９で、音声送信部１６による音声信号の送信を停止する。角度が引き続き設定角度範囲内であれば、ステップＳ２２３に戻り、角度及び距離の少なくとも一方が設定範囲外になるまで音声信号の送信を続行する。

ステップＳ３００で、音声処理装置２０のコマンド受信部２１により、ステップＳ２２１でコマンド送信部１８から送信された開始コマンドが受信される。ステップＳ３０１で、音声受信部２２により、ステップＳ２２３で音声送信部１６から送信された音声信号が受信される。

ステップＳ３０２で、処理制御部２３により、コマンド受信部２１で受信された開始コマンドが音声認識部２４に伝達され音声認識が開始される。また、処理制御部２３により、音声受信部２２の受信する音声信号のレベルがモニタされる。

ステップＳ３０３で、処理制御部２３により、コマンド受信部２１が終了コマンドを受信したか判定される。終了コマンドが受信されてなければ、ステップＳ３０６で、処理制御部２３により、音声受信部２２において無音区間が検出されたか判定される。無音区間が検出されていなければ、ステップＳ３０２に戻り音声認識が続行される。

ステップＳ３０３で終了コマンドが受信されていれば、ステップＳ３０４で、音声認識が終了される。また、ステップＳ３０６で無音区間が検出されれば、ステップＳ３０４で、音声認識が終了される。音声認識終了後、ステップＳ３０５で、音声認識結果が表示される。

第２の実施の形態においては、ユーザは、音声入力に際して、開始及び終了をボタン等の操作で指示する必要がない。したがって、ボタンの押し忘れを防止することができる。また、角度検出部１１及び距離検出部１２の両方を用いて、発話動作が判定される。したがって、角度検出部１１及び距離検出部１２の一方だけ使用した場合に生じる発話動作の誤認識等の問題点を解決することができる。距離測定の時間により、誤動作を判定することができる。更に、誘導コマンドにより迅速に音声入力部１４と口元の設定距離範囲を適切に設定することができる。したがって、音声入力部１４と口元の適切な距離で音声入力ができ、高品質の音声信号を得ることができる。

(第２の実施の形態の変形例)
本発明の第２の実施の形態の変形例に係る音声入力システムは、図１８に示すように、音声入力装置１０ｃと音声処理装置２０を備える。音声入力装置１０ｃは、角度検出部１１、距離検出部１２、発話動作判定部１３、音声入力部１４、音声入力切替部１５、音声送信部１６、コマンド送信部１８、及び操作部１９を備える。操作部１９は、コマンド送信部１８に制御コマンドとして操作コマンドを送信させて、音声処理装置２０の音声認識結果に基づいた様々なサービスを操作する。

第２の実施の形態の変形例に係る音声認識システムは、音声入力装置１０ｃに操作部１９が設けられている点が、第２の実施の形態と異なる。他の構成は、第２の実施の形態と同様であるので、重複する記載は省略する。

音声入力装置１０は、図１９に示すように、筐体４０に実装される。距離検出部１２、音声入力部１４及び操作部１９が、筐体４０の上面に配置される。操作部１９には、例えば、上下左右の選択ボタン及び決定ボタンが配置される。選択ボタンの操作により、操作コマンドとして選択コマンドが送信される。決定ボタンの操作により、操作コマンドとして決定コマンドが送信される。コマンド受信部２１で受信された操作コマンドは、処理制御部２３により、操作コマンドに対応する処理が実行される。

例えば、音声処理装置２０の表示部２６に複数の選択候補が表示されている場合、操作部１９の選択ボタンの押下により選択候補の中から対象候補を選択する。選択した対象候補に対して、決定ボタンの押下により対象候補に対する操作が実施される。

また、操作コマンドのそれぞれに、キャラクタ一文字を割り当ててもよい。あるいは、図２０に示すように、「ヘッダ」、「データ長」、「コマンド」、「チェックサム」等を有するパケットを操作コマンドに割り当ててもよい。

例えば、音声処理装置２０の音声認識部２４が、音声認識終了後、取得された音声信号を解析する。音声信号と、音声認識辞書２５に登録された複数の文字列の音声パターンデータとを比較して、尤度が高い順に複数の候補文字列を抽出する。抽出された複数の候補文字列が、表示部２６に表示される。

例えば、キーワードを音声認識させて、テレビ番組の検索を行う場合について説明する。図２１に示すように、「とうしばたろう」と音声入力した場合、「東芝太郎（とうしばたろう）」が一番尤度が高く、一番目の候補文字列として表示される。以下、二番目、三番目の候補文字列まで表示されている。候補文字列の表示数は、尤度の上位から所定の数だけ表示する、あるいは尤度が所定値以上のものをすべて表示するなど、あらかじめ表示条件を決めておけばよい。候補文字列の表示数が多い場合は、タイル状（二次元）に候補文字列を配置して表示してもよい。候補文字列の表示条件に合致する候補が一つもなかった場合は、「音声認識失敗」等を表示部２６に表示する。候補文字列表示後は、再びコマンド受信待ちに戻り、操作部１９による候補選択あるいは音声の再入力を待つ。

図２１に示したように、表示部２６では、「東芝太郎（とうしばたろう）」が選択候補文字列である。これに対して、操作部１９の「選択ボタン」の「下方向」を押下して、選択コマンドを送信すると、選択候補文字列を「東芝太郎（とうしばたろう）」から一つ下の「遠島治郎（とおしまじろう）」に移動させる。このように、上下左右の方向ボタンは、選択候補文字列を移動させる目的に使用できる。

また、「東芝太郎（とうしばたろう）」が候補となっている状態で「決定ボタン」を押下して選択コマンドを送信すると、「東芝太郎」をキーワードにテレビ番組検索が実施される。図２２に示すように、該当する番組候補のリストが表示部２６に表示される。図２２に示した番組候補の中から対象番組候補、例えば１０月１２日１９：００から放送の「家電ちゃん」を「選択ボタン」により選択し、「決定ボタン」を押下すると対象番組候補の詳細情報が確認できる。更に、操作部１９により、予約などの操作を実施することができる。

次に、第２の実施の形態の変形例に係る音声認識方法を、図２３のフローチャートを用いて説明する。音声入力装置１０ｃの動作は、図１６のフローチャートと同様である。

ステップＳ３００で、音声処理装置２０のコマンド受信部２１により、開始コマンドが受信される。ステップＳ３０１で、音声受信部２２により、音声信号が受信される。ステップＳ３０２で、処理制御部２３により、音声認識が開始される。また、処理制御部２３により、音声受信部２２の受信する音声信号のレベルがモニタされる。

ステップＳ３０３で、処理制御部２３により、コマンド受信部２１が終了コマンドを受信したか判定される。終了コマンドが受信されてなければ、ステップＳ３０６で、処理制御部２３により、音声受信部２２において無音区間が検出されたか判定される。無音区間が検出されていなければ、ステップＳ３０２に戻り音声認識が続行される。

ステップＳ３０３で終了コマンドが受信されていれば、ステップＳ３０４で、音声認識が終了される。また、ステップＳ３０６で無音区間が検出されれば、ステップＳ３０４で、音声認識が終了される。音声認識終了後、ステップＳ３０５で、音声認識結果が表示される。

ステップＳ３０７で、音声入力装置１０ｃの操作部１９により、操作コマンドが生成される。コマンド送信部１８により送信された操作コマンドは、コマンド受信部２１により受信される。操作コマンドは、処理制御部２３に伝達される。

ステップＳ３０８で、処理制御部２３により、音声認識結果に対して操作コマンドに応じた処理が実行される。

上述のように、音声入力装置１０ｃにおいては、操作部１９の操作により操作コマンドを生成している。しかし、操作コマンドの生成方法は限定されない。例えば、操作コマンドを音声入力で行ってもよい。

また、音声処理装置２０においては、音声認識が実行されている。しかし、音声処理装置に音声記録部を設けて録音機能を持たせてもよい。

（その他の実施の形態）
上記のように、本発明の実施の形態を記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者にはさまざまな代替実施の形態、実施例及び運用技術が明らかとなろう。

本発明の第１及び第２の実施の形態においては、音声入力装置１０、１０ｂ、１０ｃの音声入力の開始や音声信号の送信が、発話状態の判定結果によりオンオフされている。音声入力の開始や音声信号の送信をオンオフせずに、常に音声入力を行い、かつ音声信号を送信し続けてもよい。この場合、発話状態の判定結果を制御コマンドとして送信して音声認識のオンオフを切り替える。

このように、本発明はここでは記載していないさまざまな実施の形態等を含むことは勿論である。したがって、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係わる発明特定事項によってのみ定められるものである。

１０、１０ａ、１０ｂ、１０ｃ…音声入力装置
１１…角度検出部
１２…距離検出部
１３…発話動作判定部
１４…音声入力部
１５…音声入力切替部
１６…音声送信部
１８…コマンド送信部
１９…操作部
２０…音声処理装置
２１…コマンド受信部
２２…音声受信部
２３…処理制御部
２４…音声認識部
２５…音声認識辞書
２６…表示部

Claims (8)

1. ユーザの音声を音声信号に変換する音声入力部と、
   前記音声入力部の角度を検出する角度検出部と、
   前記音声入力部と前記ユーザとの距離を検出する距離検出部と、
   検出された前記角度及び前記距離に基いて、前記音声入力部のオンオフを制御する音声入力切替部
   とを備えることを特徴とする音声入力装置。
2. 音声入力装置と、音声処理装置とを備え、前記音声入力装置が、
   ユーザの音声を音声信号に変換する音声入力部と、
   前記音声入力部の角度を検出する角度検出部と、
   前記音声入力部と前記ユーザとの距離を検出する距離検出部と、
   検出された前記角度及び前記距離に基いて前記音声入力部のオンオフを制御する音声入力切替部と、
   前記音声入力部から入力された前記音声信号を前記音声処理装置に送信する音声送信部
   とを備え、前記音声処理装置が、
   前記音声送信部から送信された前記音声信号を受信する音声受信部と、
   予め登録された複数の文字列を保管する音声認識辞書と、
   受信した前記音声信号の音声認識を行い、認識された前記音声信号に対応する候補文字列を前記複数の文字列から抽出する音声認識部と、
   前記候補文字列を表示する表示部
   とを備えることを特徴とする音声認識システム。
3. 前記音声入力切替部は、前記角度検出部により検出された前記角度が設定角度の範囲内のときに前記距離検出部をオンにすることを特徴とする請求項２に記載の音声認識システム。
4. 前記音声入力装置が、
   前記音声処理装置による処理を制御する制御コマンドを前記音声処理装置に送信するコマンド送信部を更に備え、
   前記音声処理装置が、
   前記制御コマンドを受信するコマンド受信部と、
   前記制御コマンドに応じて前記音声処理装置による処理を制御する処理制御部
   とを更に備えることを特徴とする請求項２又は３に記載の音声認識システム。
5. 前記制御コマンドが、前記発話動作の開始及び終了に応じて生成され、前記音声認識部のオンオフを切り替える開始コマンド及び終了コマンドを含むことを特徴とする請求項４に記載の音声認識システム。
6. 前記制御コマンドが、検出された前記距離が設定距離の範囲内になるように前記ユーザを誘導する誘導コマンドを含むことを特徴とする請求項４又は５に記載の音声認識システム。
7. 前記音声入力装置が、前記表示部に表示された前記候補文字列に対して定められた操作を行う操作コマンドを前記制御コマンドとして生成する操作部を更に備えることを特徴とする請求項４〜６のいずれか１項に記載の音声認識システム。
8. 音声入力装置が有する音声入力部の角度と前記音声入力部と前記ユーザとの距離を検出する段階、前記角度及び前記距離がそれぞれ、設定角度及び設定距離の範囲内であれば発話動作の開始と判定する段階により、前記音声入力部が前記ユーザの音声を音声信号に変換し、前記音声入力装置が前記音声信号を音声処理装置に送信し、
   前記音声信号を受信する段階、受信した前記音声信号の音声認識を行う段階、認識された前記音声信号に対応する候補文字列を予め登録された複数の文字列から抽出する段階により、前記音声処理装置において前記候補文字列を表示する
   ことを含むことを特徴とする音声認識方法。

Images