JP2012141449A - 音声処理装置、音声処理システム及び音声処理方法 - Google Patents

Abstract

【課題】入力される音の誤認識を抑制することを可能とする音声処理装置、音声処理システム及び音声処理方法の提供。
【解決手段】本実施形態の音声処理装置は、外部からの入力を受け付ける第１受付手段と、前記第１受付手段が前記入力を受け付けた場合に、音声出力機能を有する少なくとも１の外部機器に対して音量制限命令を送出する制限手段と、前記第１受付手段が前記入力を受け付けた後に、音の入力を受け付ける第２受付手段と、前記制限手段により制限された前記１以上の外部機器の音量の解除命令を、前記第２受付手段が受け付けた前記音に応じて異なるタイミングで送出する解除手段とを備える。
【選択図】 図２

Description

本発明の実施形態は、入力された音声に応じた処理を実行する情報処理装置、音声出力システム及び音声出力方法に関する。

ユーザからの音声が入力され、当該入力音声に含まれる語を認識して入力音声に応じた処理を実行する装置がある。

特開２００２−２９０８５９号公報

ここで、入力された音声に含まれる語を装置が誤認識すると、ユーザの意図に応じた処理を実行できない恐れがある。
そこで本発明の実施形態は、入力された音の誤認識を抑制することを可能とする音声処理装置、音声処理システム及び音声処理方法の提供を目的とする。

上記の課題を解決するために、本実施形態の音声処理装置は、外部からの入力を受け付ける第１受付手段と、前記第１受付手段が前記入力を受け付けた場合に、音声出力機能を有する少なくとも１の外部機器に対して音量制限命令を送出する制限手段と、前記第１受付手段が前記入力を受け付けた後に、音の入力を受け付ける第２受付手段と、前記制限手段により制限された前記１以上の外部機器の音量の解除命令を、前記第２受付手段が受け付けた前記音に応じて異なるタイミングで送出する解除手段とを備える。

実施形態に係る音声リモコンの利用形態例を示す図。 実施形態に係る音声リモコン、表示装置、オーディオ装置のシステム構成例を示す図。 実施形態に係る音声リモコンが備えるデータベースの構成例を示す図。 実施形態に係る表示装置が表示する入力切替画面例を示す図。 実施形態に係る音声リモコン、表示装置、オーディオ装置による処理シーケンス例を示す図。 実施形態に係る音声リモコンによる音声認識処理に係る処理フロー例を示す図。 実施形態に係る表示装置による、音声リモコンからの指示に応じた処理フロー例を示す図。

以下、図面を参照して実施形態を説明する。
図１は本実施形態に係る情報処理システムの利用形態例を示す図である。ここで、本情報処理システムは、例えば音声認識リモートコントローラ（以下音声リモコン）１００、表示装置２００、オーディオ装置３００等を備えている。

音声リモコン１００は、音声入力部１０１、操作受付部１０２、音声認識部１０４、信号送信部１１０等を備え、表示装置２００を操作するリモートコントローラとしての機能を有する。ここで音声入力部１０１は、例えばマイク等の音声入力装置であり、ユーザが発声／発音した音声が入力される。そして音声認識部１０４は、音声入力部１０１に入力された音声を解析して入力音声に含まれる語を判別し、信号送信部１１０は、判別された語に対応する操作信号を無線や赤外線により表示装置２００に送信する。また信号送信部１１０は、例えば操作受付部１０２が操作入力を受けた場合や、音声入力部１０１に拍手音等のトリガ音声が入力された場合に、表示装置２００及びオーディオ装置３００に対して音量の制限を指示する信号を送信する。

表示装置２００は、スピーカ部２１０、表示部２１１、信号受信部２１２等を備え、コンテンツを再生（デコード）する機能を有する。ここでスピーカ部２１０は、再生されたコンテンツの音声を出力し、表示部２１１は、再生コンテンツの映像を表示する。また信号受信部２１２は、音声リモコン１００から送信された、音量操作信号等の各種操作信号（コマンド）を受信する。そして表示装置２００は、受信した操作信号に応じた処理を実行する。

オーディオ装置３００は、スピーカ部３０５、信号受信部３０６等を備え、ＯＤＤや記憶装置に格納された音声コンテンツを再生する機能を有する。ここでスピーカ部３０５は、再生された音声コンテンツの音声を出力する。また信号受信部３０６は、音声リモコン１００から送信された音量制限信号等を受信する。そしてオーディオ装置３００は、受信した操作信号に応じた処理を実行する。

そして本実施形態に係る情報処理システムにおいて、音声リモコン１００は、ユーザからのトリガ入力を受けた場合、表示装置２００及びオーディオ装置３００等の、音声を音声出力する装置に対して音量の制限を指示する信号を送信する。これにより、音声リモコン１００は、当該音声リモコン１００の周囲における音声出力を抑制して、ユーザが発声した音声を入力して音声認識する場合に、入力音声にユーザの発声した音声以外の雑音が混じることを抑制して、発声音声のご認識を抑えることができる。

次に図２を参照して、音声リモコン１００、表示装置２００、オーディオ装置３００のシステム構成例を説明する。
まず音声リモコン１００を説明する。音声リモコン１００は、音声入力部１０１、操作受付部１０２、トリガ検出部１０３、音声認識部１０４、タイマ部１０５、信号受信部１０６、制御部１０７、学習部１０８、記憶部１０９、信号送信部１１０等を備える。

音声入力部１０１には、ユーザが発声／発音した音声が入力される。ここで入力される音声としては、例えば表示装置２００に対する操作を指示する音声（語）や、拍手音等が挙げられる。そして音声入力部１０１は、入力された音声をトリガ検出部１０３及び音声認識部１０４に出力する。

操作受付部１０２は、例えば音声リモコン１００の筐体に設けられた１以上のボタンであり、音声認識開始操作や所定のラベル、所定の音声（語）に対する信号追加操作等を受け付ける。そして操作受付部１０２は、音声認識開始操作を受けた場合、トリガ検出部１０３に通知を出力し、信号追加操作を受けた場合、制御部１０７に信号追加通知を出力する。なおラベルについては図３を参照して後述する。

トリガ検出部１０３は、音声入力部１０１から入力された音声からトリガ音声を検出する。ここでトリガ検出部１０３は、例えば所定音量以上の所定回数の拍手音等をトリガ音声として検出する。そしてトリガ検出部１０３は、トリガ音声を検出した場合、及び操作受付部１０２からの通知を受けた場合、制御部１０７にトリガ検出通知を出力する。またトリガ検出部１０３は、操作受付部１０２からの通知を受けた場合にも、制御部１０７にトリガ検出通知を出力する。

音声認識部１０４は、音声入力部１０１から入力された音声を解析して、当該音声に含まれる音声（語）を判別する。ここで音声認識部１０４は、記憶部１０９に記憶された複数のデータベースのうちの何れかのデータベースに基づいて判別を行う。夫々のデータベースには、音声リモコン１００が送信できる操作信号と、当該操作信号に対応する音声（語）と、当該音声の参照用の特徴量とが対応付けて格納されている。なお当該データベースについては、図３を参照して後述する。

そして音声認識部１０４は、データベースに格納された参照用音声特徴量のうち、例えば入力音声の特徴量に対して所定の閾値以上の一致度を示す参照用音声特徴量に対応付けられた音声（語）を、入力された音声（語）であると判別する。次に音声認識部１０４は、入力音声が何れの操作信号に対応する音声（語）であるかを示す通知を制御部１０７に出力する。なお、音声認識部１０４は、制御部１０７からの指示に応じて音声認識を開始／終了する。

タイマ部１０５は、制御部１０７の指示に応じてタイマをスタート／リセットさせる。
信号受信部１０６は、音声リモコン１００とは異なるリモートコントローラから送信された操作信号を受信する機能を有する。ここで、異なるリモートコントローラとは、例えば表示装置２００用の、当該表示装置２００が対応する操作信号を送信する装置や、オーディオ装置３００用の操作信号を送信する装置等である。また、図示しないセットトップボックス用の操作信号を送信する装置から操作信号を受信してもよい。ここで、信号受信部１０６は、例えば音声リモコン１００が、他のリモートコントローラの操作信号の信号を学習する場合に、当該他のリモートコントローラからの操作信号を受信する。そして信号受信部１０６は、受信した信号を制御部１０７を経由して学習部１０８に出力する。

制御部１０７は、音声リモコン１００の各構成を制御する機能を有する。制御部１０７は、例えば、音声認識部１０４による音声認識（判別）処理の開始／終了、音声認識部１０４による音声認識処理に使用するデータベースの選択、信号送信部１１０による操作信号の送信等を制御する。なお音声認識の開始／終了、データベース選択、操作信号の送信の制御については、図３乃至図６を参照して後述する。

学習部１０８は、記憶部１０９に予め登録されていない機器に対する操作信号を学習して記憶部１０９に記憶させる機能を有する。学習部１０８は、操作受付部１０２から所定のラベルや音声（語）に対する信号追加通知が入力されると、追加する操作信号を信号受信部１０６に送信するようユーザに要求する。なお、ここで学習部１０８は、例えば図示しない表示部や音声出力部から、ユーザに対して上記の要求を行う。そして学習部１０８は、信号受信部１０６が受信した操作信号をラベルや音声（語）に対応付けて、例えば図３に示すようなテーブル形式で記憶部１０９に記憶させる。つまり学習部１０８は、記憶部１０９に予め登録されていないミュート等の音量制限をかける信号や、音量制限を解除する信号等を記憶部１０９に記憶させる。言い換えると学習部１０８は、音声入力部１０１に入力される音声と、信号受信部１０６が受信した、予め音声リモコン１００に登録されていない操作信号との対応付けをユーザに許可する。

る。また学習部１０８は、音量制限に関する操作信号の他の操作信号も学習でき、例えばチャンネル変更を指示する操作信号等を学習して記憶部１０９に記憶させる。
記憶部１０９は、音声入力部１０１に入力された音声の判別に用いるデータベースを記憶する。ここで前述の通り、データベースには、音声リモコン１００が送信できる操作信号と、当該操作信号に対応する音声（語）と、当該音声の参照用の特徴量とが対応付けて格納される。なお当該データベースについては、図３を参照して後述する。

信号送信部１１０は、表示装置２００及びオーディオ装置３００に対して各種の操作信号を送信する。
次に表示装置２００を説明する。表示装置２００は、チューナ２０１、復調部２０２、入力部２０３、切替部２０４、分離部２０５、音声デコード部２０６、映像デコード部２０７、音声処理部２０８、表示処理部２０９、スピーカ部２１０、表示部２１１、信号受信部２１２、制御部２１３、ＧＵＩ生成部２１４等を備える。

チューナ２０１は、例えばＢＳ／ＣＳ（Ｂｒｏａｄｃａｓｔｉｎｇ Ｓａｔｅｌｌｉｔｅ／Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ）デジタル放送受信用のアンテナ（不図示）が受信した衛星デジタルテレビジョン放送信号や、地上波放送受信用のアンテナ（不図示）が受信した地上波デジタルテレビジョン放送信号を受信する。

そして復調部２０２は、例えばＰＳＫ（Ｐｈａｓｅ Ｓｈｉｆｔ Ｋｅｙｉｎｇ）方式やＯＦＤＭ（Ｏｒｔｈｏｇｏｎａｌ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅｘｉｎｇ）方式等により、チューナ２０１が受信した放送信号を、ＴＳ（Ｔｒａｎｓｐｏｒｔ Ｓｔｒｅａｍ）形式のデータに復調する。そして復調されたデータは切替部２０４に出力される。

入力部２０３は、例えばＨＤＭＩ等の外部入力端子である。そして入力部２０３には、接続された外部機器から出力された映像・音声データが入力され、入力されたデータは切替部２０４に出力される。

切替部２０４は、復調部２０２及び入力部２０３等のモジュールから入力された映像・音声データのうち、制御部２１３からの指示に応じたモジュールから入力されたデータを分離部２０５に出力する。

分離部２０５は、入力されたデータから映像データと音声データとを分離させる。そして分離部２０５は、音声データを音声デコード部２０６に、映像データを映像デコード部２０７に出力する。

音声デコード部２０６は、分離部２０５から入力された音声データを復号して当該復号した音声データを音声処理部２０８に出力する。また映像デコード部２０７は、分離部２０５から入力された映像データをデコードし、デコードした映像データを表示処理部２０９に出力する。なお映像デコード部２０７は、メインの映像のデータであるビデオデータと字幕等の映像のデータであるサブピクチャとの両方をデコードすることができるが、制御部２１３からの指示に応じて、サブピクチャのデコードの実行／停止を切り替える。

音声処理部２０８は、音声デコード部２０６がデコードした音声データを、スピーカ等の音声出力装置が出力可能な形式の音声信号に変換する。そして音声処理部２０８は、変換した当該音声信号をスピーカ部２１０に出力する。

表示処理部２０９は、映像デコード部２０７がデコードした映像データ、及びＧＵＩ生成部２１４が生成した画面の映像データを、ディスプレイ等の表示装置が表示可能な形式の映像信号に変換して、当該映像信号を表示部２１１に出力する。また表示処理部２０９は、映像デコード部２０７から、ビデオデータとサブピクチャの両方のデコードデータが入力された場合は、これらを重畳した形式の映像信号を生成する。

スピーカ部２１０は、音声処理部２０８から入力された音声信号の音声を、制御部２１３からの指示に応じた音量で出力する。また、表示部２１１は、表示処理部２０９から入力された映像信号の映像を表示する。

信号受信部２１２は、音声リモコン１００からの操作信号を受信し、制御部２１３に出力する。そして制御部２１３は、入力された操作信号に応じて表示装置２００の各構成を制御する。制御部２１３は、例えば音量制御についての信号を受けた場合はスピーカ部２０９を制御して出力音声の音量を制御し、字幕表示制御についての信号を受けた場合はデコード部２０６を制御して字幕のデータのデコード及び出力を制御する。また制御部２１３は、チャンネル制御についての信号を受けるとチューナ２０１を制御して受信チャンネルを制御し、入力切替用ＧＵＩ表示信号を受けるとＧＵＩ生成部２１４にＧＵＩの生成を指示し、入力切替についての信号を受けると、切替部２０４を制御して映像の入力先を切り替える。

ＧＵＩ生成部２１４は、制御部２１３からの指示に応じてＧＵＩを生成し、当該生成したＧＵＩの映像データを表示処理部２０９に出力する。なおＧＵＩ生成部２１４が生成する画面については図４を参照して後述する。

次にオーディオ装置３００を説明する。オーディオ装置３００は、メディアリーダ３０１、分離部３０２、音声デコード部３０３、音声処理部３０４、スピーカ部３０５、信号受信部３０６、制御部３０７等を備える。

メディアリーダ３０１は光学ディスクやフラッシュデバイス等の記憶メディアから、音声データ等のデータを読み出す機能を有し、読み出したデータを分離部３０２に出力する。そして分離部３０２は、入力されたデータのうち音声データを分離して音声デコード部３０３に出力する。音声デコード部３０３は、入力された符号化データをデコードして、当該デコードデータは、音声処理部３０４によりスピーカ装置用の音声信号に変換される。そしてスピーカ部３０５は、当該音声信号に基づいた音声を、制御部３０７からの指示に応じた音量で出力する。

信号受信部３０６は、音声リモコン１００からの操作信号を受信する。そして制御部３０７は、信号受信部３０７が受信した操作信号のうち、当該制御部３０７が解釈可能な自機器用の信号に応じてオーディオ装置３００の各構成を制御する。つまり、信号受信部３０６が、自機器に対応した音量操作信号を受信すると、当該信号に応じてスピーカ部３０５を制御して出力音量を調整する。

次に図３を参照して、音声リモコン１００の記憶部１０９が格納して操作信号の送信に用いるデータベースの構成例を説明する。
図３（Ａ）、（Ｂ）及び（Ｃ）は、音声（語）と操作信号とを対応付けたデータベースの構成例を示す。
図３（Ａ）に示す「Ｇｒｍ＿Ｆｉｒｓｔ」は、音声リモコン１００が音声認識を開始するトリガを検出した場合に音声認識に利用するデータベースの構成例である。データベース３０には、音声（語）フィールドＡ１、制御信号フィールドＢ１、次状態フィールドＣ１が格納される。ここで、音声（語）フィールドＡ１は、音声リモコン１００に入力された音声（語）に対して一致度を判別する候補となる音声（語）を格納するフィールドである。そして夫々の音声（語）に対して、参照用の音声特徴量が対応付けられる（音声特徴量は不図示）。

操作信号フィールドＢ１には、音声（語）に対応する操作信号又はラベルＩＤが格納される。そして音声リモコン１００は、音声フィールドＡ１中の音声（語）が入力されたと判別した場合、当該音声に対応付けられた操作信号を表示装置２００に送信する。なおラベルＩＤには、所定の操作信号が対応付けられており、音声リモコン１００は、ラベルＩＤ毎に設定された条件を満たす場合に、当該ＩＤに対応付けられた操作信号を送信する。

次状態フィールドＣ１には、音声（語）に対応するデータベース名が格納される。ここで、音声リモコン１００が、ある音声（語）が入力されたと判別した場合に当該音声（語）に対応するデータベース名が格納されていると、音声リモコン１００は、当該データベース名に対応したデータベースを用いた音声認識を開始する。一方データベース名が格納されていない場合、音声リモコン１００は、音声認識を終了する。

そして、データベース３０の音声フィールドＡ１には、例えば「音量上げる」、「音量下げる」、「字幕」、「テレビのチャンネルスキャン」、「セットトップボックスのチャンネルスキャン」「入力切替」、「１」、「２」といった音声（語）が格納されている。つまり音声リモコン１００は、音声認識に用いるデータベースとしてデータベース３０を設定している場合に、自機器に入力された音声が「音量上げる」であると判別すると、当該音声リモコン１００は操作信号「ＴＶ＿ＶｏｌｕｍｅＵＰ」を送信する。なお、「ＴＶ＿ＶｏｌｕｍｅＵＰ」は、表示装置２００に出力音量の増加を指示する操作信号である。

同様に音声リモコン１００は、「音量下げる」「字幕」「１」「２」の音声（語）が入力されたと判別すると、夫々「ＴＶ＿ＶｏｌｕｍｅＤｏｗｎ」、「ＴＶ＿Ｓｕｂｔｉｔｌｅ」、「ＴＶ＿Ｎｕｍｂｅｒ１」、「ＴＶ＿Ｎｕｍｂｅｒ２」の操作信号を送信する。なおこれらの信号は夫々、音量の減少、字幕表示ＯＮ／ＯＦＦ切替、チャンネル１の映像表示、チャンネル２の映像表示、を表示装置２００に対して指示する信号である。

また音声リモコン１００は、「テレビのチャンネルスキャン」、「セットトップボックスのチャンネルスキャン」の音声（語）が入力されたと判別すると、夫々「ＴＶ Ｃｈ Ｕｐ」、「Ｂｏｘ Ｃｈ Ｕｐ」のラベルＩＤに対応する処理を実行するとともに、「Ｇｒｍ＿Ｓｃａｎｎｉｎｇ」のデータベースを音声認識に用いるデータベースとして設定する。「ＴＶ Ｃｈ Ｕｐ」、「Ｂｏｘ Ｃｈ Ｕｐ」のラベルＩＤ及び「Ｇｒｍ＿Ｓｃａｎｎｉｎｇ」のデータベースについては後述する。

また音声リモコン１００は、「入力切替」の音声（語）が入力されると、「ＴＶ＿ＳｈｏｗＩｎｐｕｔＧＵＩ」の操作信号を送信すると共に、「Ｇｒｍ＿ＩｎｐｕｔＮｕｍｂｅｒ」のデータベースを音声認識用のデータベースとしてセットする。なお「ＴＶ＿ＳｈｏｗＩｎｐｕｔＧＵＩ」は、表示装置２００に入力切替画面の表示を指示する信号である。

次に図３（Ｂ）を参照して、「Ｇｒｍ＿Ｉｎｐｕｔｎｕｍｂｅｒ」のデータベース構成例を説明する。
データベース３１は、音声リモコン１００に「入力切替」の音声（語）が入力された場合に、当該音声リモコンが音声認識に利用するデータベースの構成例である。データベース３１には、音声（語）フィールドＤ１、操作信号フィールドＥ１が格納される。なお音声（語）フィールドＤ１は、音声リモコン１００に入力された音声（語）に対して一致度を判別する候補となる音声（語）を格納するフィールドである。夫々の音声（語）に対しては参照用の音声特徴量が対応付けられる（音声特徴量は不図示）。

操作信号フィールドＥ１には、音声（語）に対応する操作信号が格納される。そして音声リモコン１００は、音声フィールドＤ１に含まれる音声（語）が入力されたと判別した場合、当該音声に対応付けられた操作信号を表示装置２００に送信する。

そして、データベース３１の音声フィールドＤ１には、例えば「１」、「２」等の番号の音声（語）や「キャンセル」等の音声（語）が格納される。
つまり音声リモコン１００は、音声認識に用いるデータベースとしてデータベース３１を設定している場合に、自機器に「１」又は「２」等の番号の音声が入力されたと判別すると、当該音声リモコン１００は操作信号「ＴＶ＿ＩｎｐｕｔＮｕｍｂｅｒ１」又は「ＴＶ＿ＩｎｐｕｔＮｕｍｂｅｒ２」を送信する。なお、これらの信号は、表示装置２００が表示する映像や出力する音声の入力先の指示をする操作信号である。

次に図３（Ｂ）を参照して、「Ｇｒｍ＿Ｓｃａｎｎｉｎｇ」のデータ構成例を説明する。
データベース３２は、音声リモコン１００が「Ｇｒｍ＿Ｓｃａｎｎｉｎｇ」のデータベースを設定した場合に音声認識に利用するデータベースの構成例である。データベース３２には、音声（語）フィールドＦ１、処理フィールドＧ１、次状態フィールドＨ１が格納される。音声（語）フィールドＦ１は、音声リモコン１００に入力された音声（語）に対する候補の音声（語）を格納し、夫々の音声（語）について参照用の特徴量が対応付けられる。

処理フィールドＧ１には、音声（語）に対応する処理内容が格納される。そして音声リモコン１００は、音声フィールドＧ１中の音声（語）が入力されたと判別した場合、当該音声に対応付けられた処理を実行する。

次状態フィールドＨ１には、音声（語）に対応するデータベース名が格納される。音声リモコン１００は、ある音声（語）が入力されたと判別した場合に当該音声に対応するデータベース名が格納されていると、当該データベース名に対応したデータベースを用いた音声認識を開始する。一方入力音声に対応するデータベース名が次状態フィールドＨ１に格納されていない場合、音声リモコン１００は音声認識を終了する。

つまり音声リモコン１００は、「停止」の音声が入力されたと判別すると、ラベルＩＤに対応する信号の送信を停止して音声認識を終了し、「逆」の音声が入力されると、「逆順」のフラグを立て、音声認識を継続する。

次に図４（Ｄ）を参照して、音声リモコン１００が利用する「Ｌａｂｅｌ Ｔａｂｌｅ」のデータ構成例を説明する。音声リモコン１００は、当該データベース３３を用い、所定の条件を満たした場合に操作信号を送信する。

データベース３３には、ラベルＩＤフィールドＫ１、操作信号フィールドＬ１，逆順フィールドＭ１等が格納される。
ラベルフィールドＫ１には、「Ｍｕｔｅ ｏｎ」、「Ｍｕｔｅ ｏｆｆ」、「ＴＶ Ｃｈ ｕｐ」、「ＴＶ Ｃｈ ｄｏｗｎ」、「Ｂｏｘ Ｃｈ ｕｐ」、「Ｂｏｘ Ｃｈ ｄｏｗｎ」等のＩＤが格納される。そして夫々のＩＤには、ＩＤ毎に設定された条件が対応付けられる。例えば「Ｍｕｔｅ ｏｎ」にはトリガ入力が条件として設定され、また、「Ｍｕｔｅ ｏｆｆ」には、例えば入力された音声に対応する次状態フィールドに次状態が格納されていないことが条件として設定されている。また、例えば「ＴＶ Ｃｈ ｕｐ」には、当該ラベルに対応する音声認識結果が(テレビのチャンネルスキャン)が得られたことが条件として設定されている。

操作信号フィールドＬ１には、ラベルＩＤに対応する操作信号が格納される。そして音声リモコン１００は、ラベルフィールドＬ１に対応付けられた条件が満たされた場合、ラベルに対応する操作信号を送信する。なお、操作信号フィールドＬ１には、前述の学習機能により新たな信号を追加登録することが可能である。例えば、「Ｂｏｘ Ｃｈ ｕｐ」に相当する操作信号を学習すれば、テレビ以外の機器のチャンネルスキャン機能を新たに実現することも可能である。

データベース３３において「Ｍｕｔｅ ｏｎ」のラベルＩＤには例えば「ＴＶ＿Ｍｕｔｅ」「Ａｕｄｉｏ＿Ｍｕｔｅ」が対応付けられている。ここで「ＴＶ＿Ｍｕｔｅ」は表示装置２００に出力音量の抑制を指示し、「Ａｕｄｉｏ＿Ｍｕｔｅ」はオーディオ装置３００に出力音量の抑制を指示する信号である。

「Ｍｕｔｅ ｏｆｆ」のラベルＩＤには「ＴＶ＿ＭｕｔｅＯｆｆ」、「Ａｕｄｉｏ＿ＭｕｔｅＯｆｆ」が対応付けられている。これらは夫々前述の「ＴＶ＿Ｍｕｔｅ」「Ａｕｄｉｏ＿Ｍｕｔｅ」が指示した出力音量の抑制を解除させる信号である。

「ＴＶ Ｃｈ Ｕｐ」「ＴＶ Ｃｈ Ｄｏｗｎ」には、「ＴＶ＿Ｃｈａｎｎｅｌ＿ｕｐ」「ＴＶ＿Ｃｈａｎｎｅｌ＿ｄｏｗｎ」の信号が対応付けられている。これらの信号は、表示装置２００に対して表示する放送番組のチャンネルの上／下を指示する。

なおこれらの信号は、予め工場出荷時に音声リモコン１００に記憶されていても良いし、あるいは前述した学習機能により音声リモコン１００が記憶しても良い。つまり音声リモコン１００は、表示装置２００やオーディオ装置３００が対応する操作信号を受信して記憶し、当該記憶した操作信号を、音声認識の際に入力された音声や、ラベルに付随する条件に応じて送信できる。

次に図４を参照して、表示装置２００が表示する入力切替画面の画面例を説明する。
画面４０には、入力先のポート名と番号と対応付けて配置される。そして表示装置２００は、当該画面４０を表示している場合に音声リモコン１００から「ＴＶ＿ＩｎｐｕｔＮｕｍｂｅｒ１」等の、入力切替を指示する操作信号が入力されると、当該信号に応じた入力ポートを入力先として設定し、設定されたポートから入力された映像・音声データを再生・出力する。

次に図５を参照して、音声リモコン１００、表示装置２００、オーディオ装置３００による処理シーケンスを説明する。
まず音声リモコン１００は、音声認識開始のトリガ入力を受けると（Ｓ５０１）、音声認識用のデータベースとして図３（Ａ）で示したデータベースをセットし（Ｓ５０２）、音量抑制の指示信号を送信する（Ｓ５０３）。そして表示装置２００及びオーディオ装置３００は、当該信号を受信すると、出力音量を制限する（Ｓ５０４）。なお出力音量の制限の際に表示装置２００及びオーディオ装置３００は、音量をミュートさせて音声の出力を停止しても、あるいは所定の音量以下にしてもよい。

続いて音声リモコン１００はユーザが発声した音声を受け付けて、当該音声が何れの操作信号の送信を指示しているかを判別する（Ｓ５０６）。ここで音声リモコン１００は、入力された音声に対応する操作信号を送信し（Ｓ５０７）、表示装置２００は、受信した操作信号に応じた処理を実行する（Ｓ５０８）。

そして音声リモコン１００は、受け付けた音声に対して、セットされている音声認識データベースの次状態フィールドに次状態が格納されているか否かを判別する（Ｓ５０９）。ここで次状態が設定されている場合（Ｓ５１０のＹｅｓ）、音声リモコン１００は新たなデータベースをセットし（Ｓ５１０）、ユーザからの音声を受け付けて（Ｓ５１１）、当該音声が何れの音声であるかを、セットされたデータベースに基づき判別する。そして音声リモコン１００は、入力されたと判別された音声に対応する操作信号を送信し（Ｓ５１２）、表示装置２００は指示に応じた処理を実行する（Ｓ５１３）。

そして音声リモコン１００は、音量抑制の解除信号を送信し（Ｓ５１４）、表示装置２００及びオーディオ装置３００は、当該信号を受信すると音量抑制を解除する（Ｓ５１５、Ｓ５１６）。

次に図６を参照して、音声リモコン１００による音声認識処理に係る処理フロー例を説明する。
まず音声リモコン１００は、音声認識の開始となるトリガを受け付けたか否かを判別する（Ｓ６０１）。なお前述の通り、音声リモコン１００は例えば拍手音等の音声やボタン入力等をトリガとして受け付ける。トリガを受け付けると、音声リモコン１００は図３（Ａ）に示したＧｒｍ＿Ｆｉｒｓｔを音声認識に用いる参照データベースとして設定し（Ｓ６０２）、図３（Ｄ）の「Ｍｕｔｅ Ｏｎ」ラベルに対応付けられたミュート指示信号を送信する（Ｓ６０３）。そして音声リモコン１００は、音声認識を開始して（Ｓ６０４）、音声の入力を受け付ける（Ｓ６０５）。そして音声が入力されると（Ｓ６０５のＹｅｓ）、入力された音声が何れの操作を指示する信号であるかを判別する。ここで、入力切替を指示する音声が入力された場合（Ｓ６０６のＹｅｓ）、音声リモコン１００は図３（Ｂ）に示したＧｒｍ＿ＩｎｐｕｔＮｕｍｂｅｒを音声認識用のデータベースとしてセットするとともに（Ｓ６０７）、表示装置２００に対して入力切替画面の表示指示信号を送信する（Ｓ６０８）。ここで音声リモコン１００は、入力ポートを指示する音声が入力されたと判別すると（Ｓ６０９のＹｅｓ）、当該ポートへの入力切替信号を表示装置２００に送信する（Ｓ６１０）。なお、ここで音声リモコン１００は、前述した「ＴＶ＿ＩｎｐｕｔＮｕｍｂｅｒＮ」（Ｎは番号等）を送信することにより所定の番号のポートへの入力切替を指示してもよいし、あるいは、少なくとも番号等の識別子を示す操作コマンドを送信することで、当該識別子に表示装置２００側で対応付けられたポートへの入力切替を指示してもよい。そして音声リモコン１００は、ミュート解除信号を送信し（Ｓ６１０）、音声認識停止して（Ｓ６１１）、音声認識に係る処理は完了する。

一方、Ｓ６０６において、入力音声が入力切替を指示する音声ではなかった場合（Ｓ６０６のＮｏ）、音声リモコン１００は、入力音声がチャンネルスキャンを指示する音声であるかを判別する（Ｓ６１３）。そしてチャンネルスキャンの指示であった場合（Ｓ６１３のＹｅｓ）、図３（Ｃ）に示したＧｒｍ＿Ｓｃａｎｎｉｎｇを参照データベースとしてセットして（Ｓ６１４）、タイマをセットする（Ｓ６１５）。

続いて音声リモコン１００は、所定時間が経過したか否かを判別し（Ｓ６１６）、所定時間が経過した場合には（Ｓ６１６のＹｅｓ）、チャンネル上／下等のチャンネル変更信号を送信する（Ｓ６１７）。ここで音声リモコン１００は、タイマをリセットして（Ｓ６１８）、再度所定時間が経過したか否かを判別する（Ｓ６１６）。そしてタイマ時間が経過していない場合（Ｓ６１６のＮｏ）、音声リモコン１００は、チャンネル変更の停止を指示する音声を受け付けたか否かを判別する（Ｓ６１９）。ここで停止を指示する音声を受けた場合（Ｓ６１９のＹｅｓ）、音声リモコン１００はＳ６１１及びＳ６１２の処理を実行して音声認識に係る処理は完了する。一方停止指示音声を受けていない場合には（Ｓ６１９のＮＯ）、所定時間が経過したか否かを判別する（Ｓ６１６）。なお音声リモコン１００は、Ｓ６１６〜Ｓ６１９において逆順フラグを立てるための音声の入力を受けた場合、当該入力の前にＳ６１７で出力していたチャンネル変更指示とは異なる順のチャンネル変更指示を当該入力以降のＳ６１７において送信する。

また音声リモコン１００は、Ｓ６１３においてスキャン指示の音声が入力されたと判別しなかった場合（Ｓ６１３のＮｏ）、Ｓ６０５で受け付けた音声に対応する操作信号を送信したのち（Ｓ６２０）、Ｓ６１１及びＳ６１２の処理を実行し、音声認識に係る処理は完了する。

そして当処理フローによれば、音声リモコン１００は、トリガ受付の後に音声入力を受け付け、表示装置２００やオーディオ装置３００のミュートの継続／解除を、受付けた音声に応じて切り替えることができる。つまり音声リモコン１００は、表示装置２００やオーディオ装置３００をミュートさせた後に音声を受け付け、当該音声受付の後に自装置に対するユーザ入力等の外部入力がない場合であっても、表示装置２００やオーディオ装置３００の音量制限の解除タイミングを受け付けた音声の内容に応じて制御できる。

なお当処理フローにおいて、音声リモコン１００は音声認識をＳ６０４で開始してＳ６１２で停止しているが、音声認識の開始／停止のタイミングはこれに限るものではなく、例えばＳ６０５にて音声を受付けた場合に音声認識を停止し、次の音声認識用参照データベースがセットされた場合に再度音声認識を開始しても良い。また音声リモコン１００は、音声認識を開始した後一定時間、音声認識用参照データベースに格納された音声が入力されたと判別しない場合に音声認識を終了してミュート解除信号を送信しても良い。

続いて図７を参照して、表示装置２００による音声出力に係る処理フロー例を説明する。
表示装置２００は、チューナ２０１や入力部２０３等に入力された映像・音声を再生して出力している場合に、音声リモコン１００からのミュート指示信号が入力されると（Ｓ７０１のＹｅｓ）、音声の出力を停止する（Ｓ７０２）。ここで表示装置２００は、音声リモコンからの操作信号を待ち受け、信号受信すると（Ｓ７０３のＹｅｓ）、次のステップに処理を進める。そして、受信した信号がミュート解除を指示する信号である場合（Ｓ７０４のＹｅｓ）、表示装置２００は音量の制限を解除して（Ｓ７０５）、当該音声出力に係る処理フローは完了する。

一方、受信した信号がミュート解除信号ではなく（Ｓ７０４のＮｏ）、チャンネル変更信号であった場合（Ｓ７０６のＹｅｓ）、表示装置２００は当該信号に従ってチャンネルを変更し（Ｓ７０７）、Ｓ７０３の処理を実行する。また、受信した信号が入力切替画面の表示信号であった場合（Ｓ７０６のＮｏ、Ｓ７０８のＹｅｓ）、表示装置２００は、入力切替画面を表示して（Ｓ７０９）、再度Ｓ７０３の処理を実行する。

また、受信した信号が映像や音声の入力ポートを指定する信号であった場合（Ｓ７０８のＮｏ、Ｓ７１０のＹｅｓ）、表示装置２００は映像や音声の入力ポートを当該信号に応じたポートに切り替えて（Ｓ７１１）、再びＳ７０３の処理を実行する。なお、ここで表示装置２００は、前述の「ＴＶ＿ＩｎｐｕｔＮｕｍｂｅｒＮ」（Ｎは番号等）を受信して、当該コマンドが示すポートに入力切替してもよいし、あるいは、少なくとも番号等の識別子を示すコマンドを受信して、当該識別子に対応付けられたポートに入力切替してもよい。

また、ミュート解除、チャンネル変更、入力切替画面表示及び入力ポートを指示する信号以外の信号を受信した場合（Ｓ７１０のＮｏ）、表示装置２００は当該信号に応じた処理を実行して（Ｓ７１２）、再びＳ７０３の処理を実行する。そして表示装置２００は、Ｓ７０３、Ｓ７０４、Ｓ７０６乃至Ｓ７１２の処理を繰り返し、ミュート解除指示を受信すると（Ｓ７０４のＹｅｓ）、ミュートを解除して（Ｓ７０５）、当該音声出力に係る処理フローは完了する。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。例えば、本実施形態に係る音声処理装置は、表示装置２００の外部から表示装置２００に動作を指示する音声リモコンでなくともよく、例えば表示装置２００の筐体に内蔵されてもよい。また、本実施形態の音声リモコンが操作信号を送信する相手となる機器は表示装置に限るものではなく、例えばチューナ等の受信装置を備え、受信した映像・音声データをデコードしてディスプレイ・スピーカ機器に出力し、これら機器に映像・音声を出力させるセットトップボックス等に対して操作信号を送信してもよい。また同様に音声リモコンは、セットトップボックス用の操作信号も学習できる。そして、これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１００…音声認識リモートコントローラ、１０１…音声入力部、１０２…操作受付部、１０３…トリガ検出部、１０４…音声認識部、１０５…タイマ部、１０６…信号受信部、１０７…制御部、１０８…学習部、１０９…記憶部、１１０…信号送信部、２００…表示装置、２０１…チューナ、２０２…復調部、２０３…入力部、２０４…切替部、２０５…分離部、２０６…音声デコード部、２０７…映像デコード部、２０８…音声処理部、２０９…表示処理部、２１０…スピーカ部、２１１…表示部、２１２…信号受信部、２１３…制御部、２１４…ＧＵＩ生成部、３００…オーディオ装置、３０１…メディアリーダ、３０２…分離部、３０３…音声デコード部、３０４…音声処理部、３０５…スピーカ部、３０６…信号受信部、３０７…制御部

Claims (11)

1. 外部からの入力を受け付ける第１受付手段と、
   前記第１受付手段が前記入力を受け付けた場合に、音声出力機能を有する少なくとも１の外部機器に対して音量制限命令を送出する制限手段と、
   前記第１受付手段が前記入力を受け付けた後に、音の入力を受け付ける第２受付手段と、
   前記制限手段により制限された前記１以上の外部機器の音量の解除命令を、前記第２受付手段が受け付けた前記音に応じて異なるタイミングで送出する解除手段と
   を備える音声処理装置。
2. 前記第２受付手段が前記音を受け付けた場合、当該第２受付手段が受け付けた音に応じた動作命令を外部機器に送出する動作制御手段を更に備える、請求項１記載の音声処理装置。
3. 前記第２受付手段が第１音を受け付けた場合、テレビ番組の映像を出力する外部機器に対して、出力する映像の番組の変更命令を一定時間毎に送出する動作制御手段を更に備える、請求項１記載の音声処理装置。
4. 前記動作制御手段は、前記第２受付手段が前記第１音の後に第２音を受け付けた場合に前記変更命令の送出を停止し、
   前記解除手段は、前記受付手段が前記第２音を受け付けた場合に前記解除命令を送出する、請求項３記載の音声処理装置。
5. 前記動作制御手段は、前記第２受付手段が前記第１音を受け付けた場合、出力する映像の番組を第１の順で変更させる前記変更命令を送出し、前記第２受付手段が第３音を受け付けた場合、出力する映像の番組を第２の順で変更させる前記変更命令を送出する、請求項３記載の音声処理装置。
6. 前記動作制御手段は、前記第２受付手段が第１音を受け付けた場合は第１動作を、第２音を受け付けた場合は第２動作を、前記第１音を受け付けた後に前記第２音を受け付けた場合は前記第１動作とは異なる第３動作を前記外部機器に実行させる前記動作命令を送出する、請求項２記載の音声処理装置。
7. 前記動作制御手段は、前記第２受付手段が前記第１音を受け付けた場合は当該第１音に応じた番組の映像の出力を実行させる前記動作命令を、前記第２受付手段が前記第２音を受け付けた場合は第１画面の出力を実行させる前記動作命令を、前記第２受付手段が前記第２音の後に前記第１音を受け付けた場合は当該第１音に応じた入力切替を実行させる前記動作命令を前記外部機器に送出する、請求項６記載の音声処理装置。
8. 前記外部機器が対応する操作信号を送信可能な信号送信装置から送信された操作信号を受信する受信手段と、
   受信された前記操作信号を格納する格納手段と
   を更に備え、
   前記動作制御手段は、前記第２受付手段が受け付けた音に応じた、前記格納手段に格納された前記操作信号を前記外部機器に送信する、請求項２記載の音声処理装置。
9. 受信された前記操作信号と、前記第２受付手段が受け付ける音との対応付けをユーザに許可する許可手段を更に備え、
   前記動作制御手段は、前記第２受付手段が受け付けた音に対応付けられた前記操作信号を前記外部機器に送信する、請求項８記載の音声処理装置。
10. 受信装置と、音声処理装置とを備える音声処理システムであって、
    前記受信装置は、映像データと音声データとを受信する受信手段と、
    受信された映像データの映像を表示装置に表示させ、音声データの音声を音声出力装置に出力させる制御手段と
    を備え、
    前記音声処理装置は、
    外部からの入力を受け付ける第１受付手段と、
    前記入力が受け付けられた場合に、前記音声出力装置が出力する音声の音量を制限する制御手段と、
    前記第１受付手段が前記入力を受け付けた後に、音の入力を受け付ける第２受付手段と、
    前記制限手段により制限された前記音声出力装置の音量の解除命令を、前記第２受付手段が受け付けた音に応じて異なるタイミングで送出する解除手段と
    を備える、音声処理システム。
11. 外部からの入力を受け付けることと、
    前記入力が受け付けられた場合に、音声出力機能を有する少なくとも１の外部機器に対して音量制限命令を送出することと、
    前記入力が受け付けられた後に、音の入力を受け付けることと、
    制限された前記１以上の外部機器の音量の解除命令を、受け付けられた音に応じて異なるタイミングで送出することと
    を備える音声処理方法。

Images