JP2011232521A - 音声認識装置 - Google Patents

Abstract

【課題】特定話者方式において音声登録作業を軽減しつつ、認識率を向上させる。
【解決手段】音声取得部１０は、特定話者により発声された言葉を音声信号として取得する。解析部２１は、音声取得部１０により取得された音声信号を解析し、所定の音声データに変換する。登録データ生成部２２は、音声取得部１０および解析部２１を介して生成された音声データと、特定のコマンドとを関連付けた登録データを生成する。比較部２４は、特定話者により発声された言葉から生成された入力音声データに対して、保持部２３に保持される複数の登録データのそれぞれの登録音声データとの一致度を算出する。検証部２５は、比較部２４による比較結果を検証し、入力音声データと、所定の設定値を超える一致度を持つ登録音声データを抽出する。報知部３０は、検証部２５により抽出された登録音声データをその一致度を示す情報とともに、ユーザに報知する。
【選択図】図５

Description

本発明は、特定話者方式の音声認識装置に関する。

音声認識には大別して、事前にユーザの音声を登録する必要がある特定話者方式と、その必要がない不特定話者方式（たとえば、特許文献１参照）がある。前者は事前の音声登録作業が必要であるが、一般的に後者より認識率は高い。一方、後者は事前の音声登録作業が必要ないが、一般的に前者より認識率が低くなる。すなわち、両者はトレードオフの関係にある。

特開２０００−３３８９９１号公報

したがって、特定話者方式において音声登録作業を削減することができれば、特定話者方式の音声認識技術の普及にとって大きな前進となる。また、当然のことながら音声認識技術の普及には、より一層の認識率向上が求められる。

本発明はこうした状況に鑑みなされたものであり、その目的は、特定話者方式において音声登録作業を軽減しつつ、認識率の向上を支援する技術を提供することにある。

本発明のある態様の音声認識装置は、特定話者により発声された言葉を音声信号として取得する音声取得部と、音声取得部により取得された音声信号を解析し、所定の音声データに変換する解析部と、音声取得部および解析部を介して生成された音声データと、特定のコマンドとを関連付けた登録データを生成する登録データ生成部と、登録データ生成部により生成された登録データを保持するための保持部と、特定話者により発声された言葉から音声取得部および解析部を介して生成された入力音声データと、保持部に保持される複数の登録データのそれぞれの登録音声データとの一致度を算出する比較部と、比較部による比較結果を検証し、入力音声データに対して、所定の設定値を超える一致度を持つ登録音声データを抽出する検証部と、検証部により抽出された登録音声データをその一致度を示す情報とともに、ユーザに報知する報知部と、を備える。

本発明の別の態様もまた、音声認識装置である。この装置は、特定話者により発声された言葉を音声信号として取得する音声取得部と、音声取得部により取得された音声信号を解析し、所定の音声データに変換する解析部と、音声取得部および解析部を介して生成された音声データと、特定のコマンドとを関連付けた登録データを生成する登録データ生成部と、登録データ生成部により生成された登録データを保持するための保持部と、保持部に保持される複数の登録データの登録音声データ間の一致度を算出する比較部と、登録音声データ間の一致度が所定の基準値より高い組み合わせが存在するか否かを検証し、存在する場合、それら登録音声データの少なくとも一つの再登録を促すガイダンスを生成する検証部と、検証部により生成されたガイダンスを報知する報知部と、を備える。

なお、以上の構成要素の任意の組み合わせ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。

本発明によれば、特定話者方式において音声登録作業を軽減しつつ、認識率を向上させることができる。

不特定話者方式における、制御コマンドと標準データとの関連付け、標準データと話者１の認識音声データとの対応関係および標準データと話者２の認識音声データとの対応関係を示す図である。 図１に示した例において、標準データと話者１の認識音声データとの関係および標準データと話者２の認識音声データとの関係を可視的に表現した図である。 特定話者方式における、制御コマンドと話者１、２それぞれの登録音声データとの関連付け、話者１の登録音声データと話者１の認識音声データとの対応関係および話者２の登録音声データと話者２の認識音声データの対応関係を示す図である。 図３に示した例において、話者１の登録音声データと話者１の認識音声データとの関係および話者２の登録音声データと話者２の認識音声データとの関係を可視的に表現した図である。 本発明の実施の形態１に係る音声認識装置の構成を示すブロック図である。 実施の形態１に係る表示部に表示される画面の一例を示す図（その１）である。 実施の形態１に係る表示部に表示される画面の一例を示す図（その２）である。 実施の形態１に係る表示部に表示される画面の一例を示す図（その３）である。 実施の形態１に係る表示部に表示される画面の一例を示す図（その４）である。 実施の形態２に係る表示部に表示される画面の一例を示す図（その１）である。 実施の形態２に係る表示部に表示される画面の一例を示す図（その２）である。

まず、本発明の実施の形態を詳細に説明するまえに不特定話者方式と特定話者方式の違いを具体例を挙げて説明する。

図１は、不特定話者方式における、制御コマンドと標準データとの関連付け、標準データと話者１の認識音声データとの対応関係および標準データと話者２の認識音声データとの対応関係を示す図である。制御コマンドＡ〜Ｚに対応する標準データを「えい」〜「ぜっと」で表している。不特定話者方式では、標準データは統計的手法により生成される。すなわち、不特定多数の話者からそれぞれサンプリングされた音声の特徴を学習用データとして、それらの音声の特徴に統計的処理を施すことにより、標準データが生成される。

ここでは、アルファベットの一文字単位で標準データを生成する例を描いているが、日本語の仮名の一文字単位で生成してもよい。これらの標準データが登録される場合、音声認識による一文字単位の文字入力などが可能となる。

また、標準データとして意味を持った単語や文単位で登録してもよい。特定のアプリケーションに限定して音声認識が使用される場合、そのアプリケーションに必要な範囲の単語や文が登録されていればよい。たとえば、ある装置の音声認識操作の場合、その装置で実行可能な「機能名」や、「開始」、「終了」、「進め」、「戻れ」などの指示が登録されていればよい。たとえば、メモリダイヤル機能では、人物の名前や会社名が登録されていればよい。

図１では、話者１と話者２の二人の話者が一つの音声認識装置を使用する例を想定している。話者１は「しー」と「でぃー」の発音が標準データとずれている。話者１が「しー」と意識して発音している「しぃー」は、標準データの「しー」と「でぃー」の両方に近い音を持つ。話者２は「えい」の発音が標準データとずれている。

図２は、図１に示した例において、標準データと話者１の認識音声データとの関係および標準データと話者２の認識音声データとの関係を可視的に表現した図である。標準データを中心に描かれた円ＲＳａ、ＲＳｂ、ＲＳｃ、ＲＳｄは、標準データに対する認識音声データの一致率が所定の値（たとえば、６０％）にある範囲を示したものである。円ＲＳａ、ＲＳｂ、ＲＳｃ、ＲＳｄの中心に近いほど、標準データと認識音声データとの一致率が高いことを示す。なお、太線の平行四辺形が話者１の認識音声データを示し、破線の平行四辺形が話者２の認識音声データを示す。

「えい」について、話者２が「えい」と意識して発音している「えいっ」は、「えい」の円ＲＳａの境界線上に位置する。これは両者の一致率が低く、話者２の「えいっ」は「えい」と認識されない可能性が比較的高いことを示している。話者１の「えい」は、「えい」の円ＲＳａの中心付近に位置する。話者１の「えい」は「えい」と認識される可能性が高いことを示している。

「びー」について、話者１および話者２の「びー」が、「びー」の円ＲＳｂの中心付近にそれぞれ位置し、話者１および話者２の「びー」は「びー」と認識される可能性が高いことを示している。

「しー」について、話者１が「しー」と意識して発音している「しぃー」は、「しー」の円ＲＳｃの境界線上に位置する。これは両者の一致率が低く、話者１の「しぃー」は「しー」と認識されない可能性が比較的高いことを示している。また、この話者１の「しぃー」は同時に「でぃー」の円ＲＳｄの境界線上にも位置する。したがって、話者１の「しぃー」は「でぃー」と誤認識される可能性もある。話者２の「しー」は、「しー」の円ＲＳｃの中心付近に位置する。話者２の「しー」は「しー」と認識される可能性が高いことを示している。

「でぃー」について、話者１が「でぃー」と意識して発音している「でぇー」は、「でぃー」の円ＲＳｄの外に位置する。したがって、話者１の「でぇー」は「でぃー」と認識されない。話者２の「でぃー」は、「でぃー」の円ＲＳｄの中心付近に位置する。話者２の「でぃー」は「でぃー」と認識される可能性が高いことを示している。

不特定話者方式では、基本的に登録された標準データの位置を変更することができない。したがって、認識率を向上させたり、誤認識を抑制するには言葉そのものを置き換えるための再登録が必要となる。図１、２の例では、話者１のために「しー」、「でぃー」を登録し直す必要がある。たとえば、「でぃー」を「でるた」に変更する。この場合、話者１にとっては認識率が向上するが、話者２にとっては話者１に合わせた発音に修正する必要があり、不便である。話者２のために「えい」を登録し直す場合、話者１にとって認識率が低下するか、発音を話者２に合わせる必要がある。いずれの場合も話者１にとって不便な結果となる。

図３は、特定話者方式における、制御コマンドと話者１、２それぞれの登録音声データとの関連付け、話者１の登録音声データと話者１の認識音声データとの対応関係および話者２の登録音声データと話者２の認識音声データとの対応関係を示す図である。特定話者方式では、話者の認識音声データそのものが登録音声データとして登録される。特定話者方式では、不特定話者方式のように話者１と話者２間の発音の差異は問題とならない。

図４は、図３に示した例において、話者１の登録音声データと話者１の認識音声データとの関係および話者２の登録音声データと話者２の認識音声データとの関係を可視的に表現した図である。話者１の登録音声データを中心に描かれた実線の円Ｒ１ａ、Ｒ１ｂ、Ｒ１ｃ、Ｒ１ｄは、話者１の登録音声データに対する話者１の認識音声データの一致率が所定の値にある範囲を示したものである。同様に、話者２の登録音声データを中心に描かれた破線の円Ｒ２ａ、Ｒ２ｂ、Ｒ２ｃ、Ｒ２ｄは、話者２の登録音声データに対する話者２の認識音声データの一致率が所定の値にある範囲を示したものである。なお、「びー」については話者１の登録音声データと話者２の登録音声データがほぼ同じデータであることを示している。

特定話者方式では、登録音声データの位置そのものを変更することができ、かつ登録音声データと認識音声データとの距離も、発声方法を変えることなどによって調整が可能である。以下、この知見を前提に本発明の実施の形態について詳細に説明する。

（実施の形態１）
図５は、本発明の実施の形態１に係る音声認識装置１００の構成を示すブロック図である。本実施の形態では、音声認識装置１００として、携帯電話機やスマートフォンなどの音声認識機能付きの携帯端末装置を例に説明する。実施の形態１では、音声認識時の処理を主に扱う。

実施の形態１に係る音声認識装置１００は、音声取得部１０、制御部２０、報知部３０および操作部４０を備える。制御部２０は、解析部２１、登録データ生成部２２、保持部２３、比較部２４、検証部２５、コマンド実行部２６および通信部２７を含む。

制御部２０の構成は、ハードウェア的には、任意のプロセッサのＣＰＵ、メモリ、その他のＬＳＩで実現でき、ソフトウェア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組み合わせによっていろいろな形で実現できることは、当業者には理解されるところである。

音声取得部１０は、特定話者により発声された言葉を音声信号として取得する。ここで、言葉とは上述したように一文字単位であってもよいし、単語単位であってもよいし、文単位であってもよい。以下の説明では、単語単位で言葉が取得される例を説明する。

音声取得部１０は図示しないマイクおよびＡ／Ｄ変換器などの信号処理回路を含み、集音したアナログ音声信号をデジタル音声信号に変換して解析部２１に出力する。

解析部２１は、音声取得部１０により取得された音声信号を解析し、所定の音声データに変換する。解析部２１は、一般的な手法を用いて音声信号を解析する。たとえば、解析部２１は、取得された音声信号を８バンドの周波数帯域に分割し、それぞれの帯域の振幅から特徴値を取得し、それら特徴値自体またはそれら特徴値に統計的処理が施されて算出された特徴値を、上記音声データとして生成する。また、８バンド以外の複数の周波数帯域に分割し、それぞれの帯域の振幅から特徴値を取得してもよい。また、周波数領域に変換せずに、音声信号のピーク値の振幅および発声時間などから特徴値を取得してもよい。

登録データ生成部２２は、音声取得部１０および解析部２１を介して生成された音声データと、特定のコマンドとを関連付けた登録データを生成し、保持部２３に登録する。保持部２３は、登録データ生成部２２により生成された登録データを保持する。登録データが生成される際、登録データ生成部２２には解析部２１から音声データが入力されるとともに、操作部４０からユーザ操作に起因してその音声データに関連付けられるべき操作内容を示す情報が入力される。登録データ生成部２２はその操作内容を示す情報をコマンドに変換し、そのコマンドと上記音声データを関連づけて登録データを生成する。

比較部２４は、特定話者（以下適宜、ユーザと表記する）により発声された言葉から音声取得部１０および解析部２１を介して生成された入力音声データと、保持部２３に保持される複数の登録データのそれぞれの登録音声データとの一致度を算出する。比較部２４は一般的な手法を用いて、両音声データの一致度を算出することができる。たとえば、周波数帯域ごとの特徴値の絶対値差分を算出し、それらの合計値をもとに一致度を算出してもよい。この場合、この合計値が低いほど、一致度が高く算出される。

検証部２５は、比較部２４による比較結果を検証し、上記入力音声データに対して、所定の設定値を超える一致度（たとえば、６０％）を持つ登録音声データを抽出する。その際、抽出する数に制限を設けてもよい。たとえば、所定の設定値を超える上位五つの登録音声データを抽出してもよい。検証部２５は、それら抽出した情報を画像情報や音声情報に変換し、報知部３０に出力する。なお、検証部２５による検証は、操作部４０からのユーザ操作による検証指示を契機として実行されてもよい。

コマンド実行部２６は、検証部２５による検証結果に応じて、上記入力音声データに対応する登録音声データを特定し、その登録音声データに関連付けられたコマンドを実行する。コマンド実行部２６は、当該登録音声データとして、上記入力音声データと最も一致率が高い登録音声データを自動的に選択してもよいし、ユーザ確認操作を経た後に選択してもよい。後者の場合、ユーザ操作により最も一致率が高い登録音声データではない登録音声データが選択される場合もあり得る。

報知部３０は、検証部２５により抽出された登録音声データをその一致度を示す情報とともに、ユーザに報知する。報知部３０は図示しないディスプレイおよびＤ／Ａ変換器などの信号処理回路を含む表示部であってもよいし、図示しないスピーカおよびＤ／Ａ変換器などの信号処理回路を含む音声合成部であってもよいし、その両方であってもよい。以下、本明細書では報知部３０として表示部３０ａが採用される例を説明する。

図６は、実施の形態１に係る表示部３０ａに表示される画面３５０の一例を示す図（その１）である。ここでは、ユーザが「わたなべさん」の電話にメモリダイヤル機能により発呼する例を説明する。画面３５０内には、認識語候補欄３５１、スコア欄３５２、メッセージ欄３５３、ＯＫボタン３５４およびＮＧボタン３５５が表示される。

上記画面３５０内には、比較部２４および検証部２５による比較検証の結果、ユーザにより発声された「わたなべさん」と一致率が近い候補として、認識語候補欄３５１に「わたなべさん」、「わたべさん」および「たなべさん」の三人の候補が挙げられている。それぞれの一致率を示すスコアとして、スコア欄３５２に「８５点」、「８１点」および「６２点」と表示されている。また、メッセージ欄３５３には「「わたなべさん」でよろしいでしょうか。」との確認メッセージが表示されている。ユーザがＯＫボタン３５４を押下または選択すると、「わたなべさん」に発呼されることになる。

図７は、実施の形態１に係る表示部３０ａに表示される画面３５０の一例を示す図（その２）である。図７は、ユーザにより発声される言葉と、ユーザが意図する登録語との一致率を示すスコアを向上させるために、ユーザがイントネーションの変更など発声方法を変えて、再度、「わたなべさん」と発声した後の、検証結果を表示した図である。この発声方法の変更により、登録音声データとしての「わたなべさん」との一致率を示すスコアが「８５点」から「９５点」に上昇し、登録時の発声と近い発声ができたことを示している。このように、ユーザの登録時の音声と、音声認識機能使用時の音声との一致率を示すスコアを表示し、ユーザにフィードバックすることにより、できるだけ登録時の音声に近い音声で発声するようユーザに学習意欲を与えることができる。

図５に戻る。検証部２５は、上記入力音声データと最も一致度が高い登録音声データの一致度と、上記入力音声データとその登録音声データ以外の一致度との差分が、所定の基準値（たとえば、２０％）より小さい登録音声データが存在する場合、その登録音声データまたは入力音声データに対応する登録音声データの再登録を促すガイダンスを生成する。表示部３０ａは、そのガイダンスを画面に表示する。

比較部２４は、ユーザにより発声された再登録用の言葉から音声取得部１０および解析部２１を介して生成された再登録用の入力音声データと、保持部２３に保持される複数の登録データのそれぞれの登録音声データとの一致度を算出する。検証部２５は、再登録用の入力音声データと、所定の設定値を超える一致度を持つ登録音声データを抽出する。表示部３０ａは、検証部２５により抽出された登録音声データをその一致度を示す情報とともに、画面に表示する。

図８は、実施の形態１に係る表示部３０ａに表示される画面３５０の一例を示す図（その３）である。ここでは、ユーザにより発声された「わたなべさん」に対する、第１登録語候補である「わたなべさん」のスコアと、第２登録語候補である「わたべさん」のスコアの差異が小さい。図８では４点差しか存在しない。これは、登録音声データとしての「わたなべさん」と、登録音声データとしての「わたべさん」との音声データ上の差異が小さいことを意味している。また、両者の距離が近いと考えてもよい。これらの登録音声データが併存する場合、誤検出が発生しやすくなる。そこで、検証部２５はメッセージ欄３５３に「「わたべさん」か「わたなべさん」を再登録してください。」とのガイダンスを表示させる。ここでは、ユーザが上記ガイダンスに従い、「わたべさん」を、その発声方法を変更して再登録したこととする。

図９は、実施の形態１に係る表示部３０ａに表示される画面３５０の一例を示す図（その４）である。図９は、「わたべさん」の再登録後において、ユーザが「わたなべさん」と発声した後の、検証結果を表示した図である。ユーザが発声した「わたなべさん」に対する、第１登録語候補である「わたなべさん」のスコアと、第２登録語候補である「わたべさん」のスコアとの差異が４点（図６、８参照）から２１点（図９参照）に広がり、登録音声データとしての「わたなべさん」と、登録音声データとしての「わたべさん」との音声データ上の差異が大きくなったことを示している。すなわち、両者の距離が離れたことを意味する。ここで、上記スコアの差異が所定の基準点（たとえば、２０点）を下回る場合、当該基準点を超えるまで、繰返し再登録作業が要求されるように設計されてもよい。

再び、図５に戻る。通信部２７は、ユーザ操作に起因して操作部４０から、保持部２３に保持されている登録データの転送指示を受け付けると、所定の通信手段を介して他の機器に転送する。たとえば、他の機器は、携帯電話機、スマートフォン、携帯型音楽プレーヤ、ＰＣ、ゲーム機、ＩＣレコーダ、家電機器（テレビやエアコンなど）のリモコン装置などが挙げられる。したがって、携帯電話機やスマートフォンを機種変更した場合も、上記登録データが辞書データとして新機種に引き継がれることになる。また、上記通信手段は、有線または無線を問わず、様々な伝送規格を用いることができる。たとえば、ＵＳＢケーブル接続、無線ＬＡＮ、赤外線通信などが挙げられる。また、上記通信手段には、記録媒体によるデータ移動も含まれる。たとえば、各種メモリカード、ＵＳＢメモリなどによるデータ移動も含まれる。また、通信部２７は他の機器から転送される、登録された登録データを取得し、保持部２３に登録することができる。したがって、本実施の形態に係る音声認識装置１００では、新たな音声登録作業を不要とすることができる。

以上説明したように本発明の実施の形態１によれば、特定話者方式において音声登録作業を軽減しつつ、認識率の向上を支援することができる。すなわち、ユーザが発声方法を学習することにより、入力音声データと登録音声データとの一致率が自然に高まり、音声データの再登録作業も軽減される。

不特定話者方式における音声認識信頼度（スコア）の計算（たとえば、上記特許文献１参照）は、認識音声データに対する比較対象を標準データとしている。これに対し、本実施の形態のように特定話者方式におけるスコア計算は、認識音声データに対する比較対象をユーザ自身の登録音声データとしている。この登録音声データは、そのユーザの特徴（たとえば、イントネーション、声の高さ、声の大きさ）を反映可能である。

したがって、環境要因をのぞけば、登録時と認識時の差を、著しく縮小することが原理的に可能である。その差をスコアの表示方法の工夫などにより、ユーザにフィードバックできれば、認識時の発声方法などを登録時の状況に近づけることが可能となる。これによれば、ユーザ自身の高い学習効果を期待できる音声認識システムが構築可能となる。

（実施の形態２）
つぎに、本発明の実施の形態２に係る音声認識装置１００について説明する。実施の形態２では、主に音声登録時の処理を扱う。実施の形態２に係る音声認識装置１００の構成は、図５に示した実施の形態１に係る音声認識装置１００と同様であるため省略する。以下、実施の形態１と異なる動作を中心に説明する。

比較部２４は、保持部２３に保持される複数の登録データの登録音声データ間の一致度を算出する。この登録音声データ間の一致度の算出は、ユーザによる音声登録のたびに実行されてもよいし、保持部２３に保持される登録語の数が所定数（たとえば、１０個単位）を超えるたびに実行されてもよいし、ユーザ操作に起因して実行されてもよい。

検証部２５は、登録音声データ間の一致度が所定の基準値より高い組み合わせが存在するか否かを検証し、存在する場合、それら登録音声データの少なくとも一つの再登録を促すガイダンスを生成する。表示部３０ａは、検証部２５により生成されたガイダンスを画面に表示する。

そのガイダンスに従いユーザにより再登録用の言葉が発声された場合、比較部２４は、その再登録用の言葉から音声取得部１０および解析部２１を介して生成された再登録用の入力音声データと、それ以外の登録音声データとの一致度を算出する。検証部２５は、当該一致度が基準値より低くなったか否かを検証する。表示部３０ａは、その検証結果を画面に表示する。

図１０は、実施の形態２に係る表示部３０ａに表示される画面３６０の一例を示す図（その１）である。ここでは、ユーザが「わたなべさん」の電話番号をメモリダイヤル機能に関連づけて自己の携帯電話機に登録する例を説明する。画面３６０内には、類似候補欄３６１、スコア欄３６２、メッセージ欄３６３、ＯＫボタン３６４およびおよびＮＧボタン３６５が表示される。

新たに登録する「わたなべさん」と既登録の「わたべさん」との音声データ上の一致度を示すスコアは８５点であり、所定の基準点（たとえば、８０点）より大きい数値である。すなわち、両者の差異が小さい状況である。一方、新たに登録する「わたなべさん」と既登録の「たなべさん」との一致度を示すスコアは６２点であり、上記基準点より小さい数値である。すなわち、両者の差異は比較的大きい状況である。

そこで、検証部２５はメッセージ欄３６３に「「わたべさん」か「わたなべさん」を再登録してください。」とのガイダンスを表示させる。ここでは、ユーザが上記ガイダンスに従い、「わたべさん」を、その発声方法を変更して再登録したこととする。

図１１は、実施の形態２に係る表示部３０ａに表示される画面３６０の一例を示す図（その２）である。図１１は、「わたべさん」の再登録後における検証結果を表示した図である。新たに登録する「わたべさん」と既登録の「わたなべさん」との音声データ上の一致度を示すスコアは６４点であり、上記基準点を満たす数値である。一方、新たに登録する「わたべさん」と既登録の「たなべさん」との一致度を示すスコアは６７点であり、上記基準点を満たす数値である。したがって、新たに登録された「わたなべさん」はいずれの条件もクリアしており、検証部２５はメッセージ欄３６３に「「わたべさん」を再登録しました。」とのメッセージを表示させている。

以上説明したように本発明の実施の形態２によれば、登録音声データそのものを利用して、各登録語間のスコアを計算することにより、登録音声群の分離性能を把握することができる。分離性能を低下させている理由が特定の登録データであると判断できれば、その登録音声データを再登録することができる。再登録後にスコアを再計算して、分離性能が向上したか否かを確認することができる。

このようにして分離性能を向上させた登録音声データとその登録音声データに対して学習をしたユーザが、他の機器において音声認識機能を使用する場合、従来の特定話者方式では、再度、音声登録作業をその機器に対して別途に行わなければならなかった。一方、不特定話者方式では、上記分離性能を向上させた登録データを作成することが困難であり、かつ学習効果を利用することもできない。

これに対し、本実施の形態では分離性能を向上させた登録音声データを別の機器に移動できる。したがって、音声登録作業を削減し、かつ模範とする登録音声データを共通化することにより、発声に関するユーザの学習効果も維持される。すなわち、別の機器においても、これまで築き上げた分離性能のよい登録音声データを対象として、自らの学習効果を反映した発声を行うことにより、誤認識が少なく、認識率の高い音声認識システムの構築が可能となる。

このように、登録音声データとその登録音声データに近い発声ができるというユーザのスキルが組み合わさると、その登録音声データの財産的価値がより高まることになる。したがって、その登録音声データを他の機器に移動して再利用することの効果は非常に大きい。登録語間の距離が広がった辞書データが生成されたとしても、それに適した発声をするスキルがユーザに備わっていなければ、宝の持ち腐れになる。登録音声データとそれに近い発声ができるというスキルが両輪となり、誤認識が少なく、認識率の高い音声認識システムの構築が可能となる。

また、登録語間の距離という点において、不特定話者方式におけるスコア計算は、あくまで認識時の発声と標準データとの距離を示しており、標準データ間の本来の距離を示すものではない。したがって、ユーザの発声によっては、登録語間の距離が大きいにもかかわらず、登録音声データの修正が必要となる場合もある（図１、２参照）。

また、標準データは同じ言葉に対して、基本的に一種類のデータしか登録できないため、個々のユーザの特徴を反映させることができない。したがって、誤認識を防ぐことや認識信頼度の向上を実現することが個々のユーザにとって容易でない。

これに対し、本実施の形態では登録音声データはユーザの認識音声をそのまま登録したものであるため、この登録語間の距離をあらかじめ確認することができる。すなわち、分離性能が高い登録音声データ群であるか否かを事前に判定することができる。しかも、認識時の発声と無関係に判定することができる。

以上、本発明を実施の形態をもとに説明した。この実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。

上述した登録語のうち、特定の言葉（たとえば、「起動」）を音声取得部１０に呼びかけることにより、音声認識機能がスタンバイモードから実行モードに遷移するようにしてもよい。音声認識機能のスタンバイモード時には、解析部２１および比較部２４により実行モード時より負荷が小さい解析処理が実行される。たとえば、音声取得部１０により取得され解析部２１により解析される入力音声データとの比較対象を、特定の言葉（たとえば、「起動」）のみに限定してもよい。

また、特定の言葉（たとえば、「起動」）を大きな声で音声取得部１０に呼びかけてもらい、比較部２４はその時間軸上の振幅の比較のみで、音声認識機能を起動するか否かを判定してもよい。

これらの制御を追加することにより、音声認識機能がフルに起動している場合と比較し、消費電力を低減することができる。

１０ 音声取得部、 ２０ 制御部、 ２１ 解析部、 ２２ 登録データ生成部、 ２３ 保持部、 ２４ 比較部、 ２５ 検証部、 ２６ コマンド実行部、 ２７ 通信部、 ３０ 報知部、 ４０ 操作部、 １００ 音声認識装置。

Claims (5)

1. 特定話者により発声された言葉を音声信号として取得する音声取得部と、
   前記音声取得部により取得された音声信号を解析し、所定の音声データに変換する解析部と、
   前記音声取得部および前記解析部を介して生成された音声データと、特定のコマンドとを関連付けた登録データを生成する登録データ生成部と、
   前記登録データ生成部により生成された登録データを保持するための保持部と、
   前記特定話者により発声された言葉から前記音声取得部および前記解析部を介して生成された入力音声データと、前記保持部に保持される複数の登録データのそれぞれの登録音声データとの一致度を算出する比較部と、
   前記比較部による比較結果を検証し、前記入力音声データに対して、所定の設定値を超える一致度を持つ登録音声データを抽出する検証部と、
   前記検証部により抽出された登録音声データをその一致度を示す情報とともに、ユーザに報知する報知部と、
   を備えることを特徴とする音声認識装置。
2. 前記検証部は、前記入力音声データと最も一致度が高い登録音声データの一致度と、前記入力音声データとその登録音声データ以外の登録音声データの一致度との差分が、所定の基準値より小さい登録音声データが存在する場合、その登録音声データまたは前記入力音声データに対応する登録音声データの再登録を促すガイダンスを生成し、
   前記報知部は、そのガイダンスを報知することを特徴とする請求項１に記載の音声認識装置。
3. 前記比較部は、前記特定話者により発声された再登録用の言葉から前記音声取得部および前記解析部を介して生成された再登録用の入力音声データと、前記保持部に保持される複数の登録データのそれぞれの登録音声データとの一致度を算出し、
   前記検証部は、前記再登録用の入力音声データと、所定の設定値を超える一致度を持つ登録音声データを抽出し、
   前記報知部は、前記検証部により抽出された登録音声データをその一致度を示す情報とともに、ユーザに報知することを特徴とする請求項２に記載の音声認識装置。
4. 特定話者により発声された言葉を音声信号として取得する音声取得部と、
   前記音声取得部により取得された音声信号を解析し、所定の音声データに変換する解析部と、
   前記音声取得部および前記解析部を介して生成された音声データと、特定のコマンドとを関連付けた登録データを生成する登録データ生成部と、
   前記登録データ生成部により生成された登録データを保持するための保持部と、
   前記保持部に保持される複数の登録データの登録音声データ間の一致度を算出する比較部と、
   前記登録音声データ間の一致度が所定の基準値より高い組み合わせが存在するか否かを検証し、存在する場合、それら登録音声データの少なくとも一つの再登録を促すガイダンスを生成する検証部と、
   前記検証部により生成されたガイダンスを報知する報知部と、
   を備えることを特徴とする音声認識装置。
5. 前記比較部は、前記特定話者により発声された再登録用の言葉から前記音声取得部および前記解析部を介して生成された再登録用の入力音声データと、それ以外の登録音声データ間の一致度を算出し、
   前記検証部は、前記一致度が前記基準値より低くなったか否かを検証し、
   前記報知部は、その検証結果をユーザに報知することを特徴とする請求項４に記載の音声認識装置。

Images