JP2013068783A - 音声認識装置、音声認識方法およびプログラム - Google Patents

Abstract

【課題】音声認識の精度を向上させる。
【解決手段】音声認識装置は、番組情報記憶部と、辞書記憶部と、算出部と、更新部と、認識部と、操作制御部とを備える。番組情報記憶部は、放送番組のメタデータとユーザの視聴状態とを記憶する。辞書記憶部は、音声認識の対象となる認識語と優先度とを含む認識辞書を記憶する。算出部は、メタデータと視聴状態とに基づいて、放送番組の特徴語と特徴語に対するユーザの嗜好の度合いを表す第１スコアとを算出する。更新部は、特徴語を含む認識語の優先度を第１スコアに応じて更新する。認識部は、認識辞書を用いて音声を認識する。操作制御部は、認識結果に基づいて放送番組に対する操作を制御する。
【選択図】図１

Description

本発明の実施形態は、音声認識装置、音声認識方法およびプログラムに関する。

放送番組の電子番組表の情報を用いて音声制御を行う技術が知られている。例えば、電子番組表から放送番組の番組名、出演者、および、キーワードに含まれる語を抽出して認識の対象とし、ユーザの発声にいずれかの語が該当する場合に該当する放送番組を選局する技術が知られている。

特開２０００−２５０５７５号公報

しかしながら、従来技術では、電子番組表から抽出される出演者やキーワードは大量であるため、音声認識の対象となる語彙数が多く誤認識が起こりやすいという問題があった。

実施形態の音声認識装置は、番組情報記憶部と、辞書記憶部と、算出部と、更新部と、認識部と、操作制御部とを備える。番組情報記憶部は、放送番組のメタデータとユーザの視聴状態とを記憶する。辞書記憶部は、音声認識の対象となる認識語と優先度とを含む認識辞書を記憶する。算出部は、メタデータと視聴状態とに基づいて、放送番組の特徴語と特徴語に対するユーザの嗜好の度合いを表す第１スコアとを算出する。更新部は、特徴語を含む認識語の優先度を第１スコアに応じて更新する。認識部は、認識辞書を用いて音声を認識する。操作制御部は、認識結果に基づいて放送番組に対する操作を制御する。

本実施形態にかかる音声認識装置のブロック図。 番組情報記憶部に格納された番組情報の一例を示す図。 番組名および番組嗜好スコアの例を表す図。 認識辞書のデータ構造例を示す図。 音声認識処理のフローチャート。 嗜好情報算出処理のフローチャート。 嗜好モデル算出処理のフローチャート。 特徴語の一例を示す図。 嗜好モデルの一例を示す図。 表示制御処理のフローチャート。 推薦状態０の場合の推薦画面の図。 推薦状態１の場合の推薦画面の図。 辞書更新処理のフローチャート。 推薦状態１の場合の認識辞書の一例を示す図。 音声認識処理のフローチャート。 アクセス制御処理のフローチャート。 音声認識装置のハードウェア構成図。

以下に添付図面を参照して、この発明にかかる音声認識装置の好適な実施形態を詳細に説明する。以下では、放送番組を視聴する機器として音声認識装置を実現する場合を説明するが、適用可能な装置はこれに限られるものではない。

放送番組を視聴する機器では、音声認識の精度が必ずしも十分でないことが問題となっている。例えば、放送番組が視聴されている際には、スピーカから放送番組の音声が出力されている。このため、ユーザの発声を認識する際の妨げとなると考えられる。また、視聴機器は生活空間に備えられていることが多く、多様な生活雑音が混入すると考えられる。そのため、視聴機器による音声認識の精度は低下することが予想される。従って、従来技術のように、電子番組表全体から抽出した多数の単語を認識対象とした場合、十分な精度が得られない可能性がある。また、音声による制御を行う際に、ユーザが音声により入力可能な単語を知ることができないことも問題となる。従来技術のように電子番組表に含まれる単語を認識対象とする方法では、ユーザが予め電子番組表の内容を知らない場合には、どのような単語で番組を選択することが可能かを知ることができない。そのため、ユーザはどのような発声を行えば所望した番組を選択できるか分からず、意図した制御を行うことが困難であると考えられる。

そこで、本実施形態にかかる音声認識装置は、放送番組に付与されたジャンルや出演者などのメタデータとユーザの視聴履歴（視聴状態）から放送番組の特徴を表す語である特徴語を抽出する。また、特徴語と番組に対するユーザの嗜好の度合いを示す嗜好スコアをそれぞれ算出し、嗜好スコアから特徴語と番組名の認識重みを算出して音声認識を行う。また、当該スコアが高い特徴語や番組名を入力候補としてユーザに提示する。

嗜好スコアを利用して音声認識の認識重みを算出することで、ユーザの嗜好に合った特徴語や番組名を高い精度で認識することが可能になる。また嗜好スコアに基づいて入力候補を提示することで、ユーザは嗜好に合った特徴語や番組名が入力可能であることを知ることができる。

図１は、本実施形態にかかる音声認識装置１の構成の一例を示すブロック図である。図１に示すように、音声認識装置１は、番組情報記憶部１１と、算出部１２と、嗜好情報記憶部１３と、更新部１４と、辞書記憶部１５と、認識部１６と、受信部１７と、操作制御部１８と、表示制御部１９と、推薦状態記憶部２０と、表示部２１と、を備えている。

番組情報記憶部１１は、放送番組のメタデータとユーザの視聴状態とを対応づけた放送番組情報を記憶する。メタデータは、ＩＤ、放送日時、番組名（タイトル）、出演者、キーワード、および、ジャンルの項目を含む。メタデータは、例えば、一般的な電子番組表から容易に抽出することが可能である。メタデータに含まれる各項目の情報から、特徴語が抽出される。以下では、特徴語の抽出対象となるメタデータ内の各項目を特徴語属性ともいう。

視聴状態は、放送番組に対するユーザの視聴状態を表す。視聴状態は、例えばユーザが番組を一定の割合以上視聴した場合には「視聴」とし、そうでない場合には「未視聴」とすることができる。電子番組表では放送が予定されている番組の情報も配信されており、例えば１週間後の番組の情報を抽出することが可能である。放送番組情報が得られているが放送されていない番組の視聴状態は「未放送」とすることができる。

図２は、番組情報記憶部１１に格納された放送番組情報の一例を示す図である。各番組について、ＩＤ、日付、時間、番組名、出演者、キーワード、および、ジャンルのメタデータが得られている。一般的な電子番組表にはキーワードが付与されていない。このような場合は、番組の概要を記述したテキストから、形態素解析を用いることでキーワードを容易に抽出可能である。本実施形態では、番組Ａと番組Ｂの視聴状態は「視聴」であり、番組Ｃの視聴状態は「未視聴」であるとする。また本実施形態では番組Ｘ、番組Ｙ、および番組Ｚは放送されていないため、視聴状態は「未放送」であるとする。

算出部１２は、放送番組情報を利用して、特徴語に対するユーザの嗜好の度合いを表す特徴語嗜好スコアを算出し、特徴語嗜好スコアをもとにユーザ嗜好モデルを学習する。また、算出部１２は、未視聴の放送番組に対するユーザの嗜好の度合いを表す番組嗜好スコアを算出する。算出部１２は、嗜好情報記憶部１３に特徴語、特徴語嗜好スコア、番組名、および、番組嗜好スコアを含む嗜好情報を出力する。

嗜好情報記憶部１３は、出力された嗜好情報を記憶する。図３は、嗜好情報のうち、番組名および番組嗜好スコアの例を表す図である。嗜好情報記憶部１３は、特徴語および特徴語嗜好スコアについても同様に、例えば、ＩＤと特徴語と特徴語嗜好スコアとを対応づけて記憶する。

辞書記憶部１５は、音声認識で用いる認識辞書を記憶する。例えば、辞書記憶部１５は、音声認識の対象となる認識語の音素列と、認識語の認識重み（優先度）とを含む認識辞書を記憶する。図４は、認識辞書のデータ構造の一例を示す図である。図４に示すように、認識辞書は、音素列と、当該音素列に対する認識重みとを含む。なお、図４の認識辞書のデータ構造は一例であり、これに限られるものではない。

更新部１４は、嗜好情報記憶部１３に格納された嗜好情報を利用して、認識辞書の認識重みを更新する。例えば、更新部１４は、特徴語嗜好スコアが大きいほど値が大きくなるように、この特徴語嗜好スコアに対応する特徴語を含む認識語の認識重みを更新する。また、更新部１４は、番組嗜好スコアが大きいほど値が大きくなるように、この番組嗜好スコアに対応する番組名を含む認識語の認識重みを更新する。

受信部１７は、ユーザが発声した音声を受信し音声信号として認識部１６に出力する。受信部１７は例えば一般的なマイクで実現することが可能である。

認識部１６は、受信部１７から入力される音声信号と辞書記憶部１５に格納された認識辞書を用いて音声認識を行い、認識結果を操作制御部１８に出力する。認識部１６は、認識重みが大きい単語ほど優先して音声認識を実行する。

操作制御部１８は、認識部１６から出力される認識結果と推薦状態記憶部２０に格納された推薦状態を用いて、番組情報記憶部１１に格納された放送番組情報の検索や録画予約等のアクセス操作を制御する。

推薦状態記憶部２０は、表示制御部１９が推薦を行う情報の種類を表す推薦状態を記憶する。推薦状態記憶部２０は、例えば、推薦状態０および推薦状態１の２つの状態を記憶する。推薦状態０は、特徴語嗜好スコアを利用して、特徴語嗜好スコアが高い特徴語に関連する情報を推薦する状態を表す。推薦状態１は、番組嗜好スコアを利用して、番組嗜好スコアが高い番組に関連する情報を推薦する状態を表す。推薦状態記憶部２０には初期値として推薦状態０が格納されているものとする。なお、推薦状態の個数は２に限られるものではなく、３以上の推薦状態を用いてもよい。

表示部２１は、各種情報を表示する液晶ディスプレイなどの表示装置である。

表示制御部１９は、表示部２１に対する情報の表示を制御する。例えば、表示制御部１９は、嗜好情報記憶部１３に格納された嗜好情報を利用して、表示部２１に単語や番組名を提示する。また、表示制御部１９は、例えばユーザにより指定された推薦状態を推薦状態記憶部２０に出力する。また、ユーザの指定により推薦状態が変更された場合、表示制御部１９は、推薦状態に応じて認識重みを更新することを更新部１４に指示する。

更新部１４は、推薦状態に応じて、特徴語嗜好スコアに対応する特徴語を含む認識語の認識重みを更新するか、番組嗜好スコアに対応する番組名を含む認識語の認識重みを更新するかを切り替える。

なお、各記憶部（番組情報記憶部１１、嗜好情報記憶部１３、辞書記憶部１５、推薦状態記憶部２０）は、ＨＤＤ（Hard Disk Drive）、光ディスク、メモリカード、ＲＡＭ（Random Access Memory）などの一般的に利用されているあらゆる記憶媒体により構成することができる。

次に、このように構成された本実施形態にかかる音声認識装置１による音声認識処理について図５を用いて説明する。図５は、本実施形態における音声認識処理の全体の流れを示すフローチャートである。

まず、算出部１２が、放送番組情報を利用して嗜好情報を算出するとともに、ユーザ嗜好モデルを算出する嗜好情報算出処理を実行する（ステップＳ１０１）。次に、更新部１４が、嗜好情報を利用して認識辞書を更新する辞書更新処理を実行する（ステップＳ１０２）。次に、認識部１６が、受診された音声を認識する音声認識処理を実行する（ステップＳ１０３）。次に、操作制御部１８が、音声認識処理の認識結果に従い、放送番組に対する各種のアクセス制御処理を実行する（ステップＳ１０４）。表示制御部１９は、必要に応じて、アクセス制御処理の結果等を表示部２１に表示する表示制御処理を実行する（ステップＳ１０５）。

次に、図５の各ステップの詳細について以下に説明する。図６は、ステップＳ１０１の嗜好情報算出処理の一例を示すフローチャートである。

算出部１２は、ユーザの視聴状態を含む放送番組情報を利用して、ユーザ嗜好モデルを算出する嗜好モデル算出処理を実行する（ステップＳ１２１）。

図７は、ステップＳ１２１の嗜好モデル算出処理の一例を示すフローチャートである。嗜好モデル算出処理は、ブースティング手法に基づいている。ブースティング手法は、データ重みを導入し、データ重みを逐次更新しながら学習を行うことを特徴としている。ブースティング手法は高い分類性能を示すことが知られている。

まず、算出部１２は、既に放送された放送番組について初期番組重みを与える（ステップＳ１２１−１）。以下の数１は、放送番組の初期番組重みｗ_ｉ ^０の一例を表している。なお、ｗ_ｉ ^ｔは、繰り返し回数ｔのときの放送番組ｉの重み（番組重み）を表す。

ここでｉは放送番組のＩＤを表しており、既に放送された放送番組の数はＮ_ｐ個であるとする。数１は、ｉ＝１からｉ＝Ｎ_ｐまでの全ての放送番組に1／Ｎ_ｐの均等な番組重みを与えることを示す。Ｎ_ｐの値は、過去に放送された番組の情報をどの程度格納しておくかに依存する。例えば、一般的に１週間の地上波７チャンネルで放送される放送番組は２，０００件程度であることが知られている。本実施形態では過去１週間分の放送番組の情報が格納されているとする。

次に、算出部１２は、計算（学習）の繰り返し回数ｔが予め設定された上限回数Ｔ未満であるか否かを判定する（ステップＳ１２１−２）。ｔがＴに等しければ（ステップＳ１２１−２：Ｎｏ）、嗜好モデル算出処理を終了する。

ｔがＴ未満の場合（ステップＳ１２１−２：Ｙｅｓ）、算出部１２は、メタデータに含まれる特徴語のうち、選択されていない特徴語が存在するか否かを判定する（ステップＳ１２１−３）。

図８は、本実施形態における特徴語の一例を示す図である。図８は、特徴語属性と、この特徴語属性のメタデータから抽出された特徴語とを対応づけた組の例を示している。例えば図２の番組Ａに対応する放送番組情報からは、（出演者，福○雅治）、（キーワード，生放送）、（ジャンル，音楽）の組が得られる。算出部１２は、このようにして得られる特徴語から、未選択の特徴語を逐次選択する。

図７に戻り、選択されていない特徴語が存在する場合（ステップＳ１２１−３：Ｙｅｓ）、算出部１２は、選択されていない特徴語の中から未選択の特徴語を１つ選択する（ステップＳ１２１−４）。算出部１２は、選択された特徴語に対する特徴語嗜好スコアを計算する（ステップＳ１２１−５）。以下の数２は、特徴語嗜好スコアｆ_ｉの算出式の一例を示す。

ここでＩ（ｉ）は、放送番組ｉをユーザが視聴していた場合に１となり、そうでない場合に０となる関数である。数２の特徴語嗜好スコアは、番組重みを反映した形で加算される。後述するように例えばユーザが視聴した番組の値が高くなるように番組重みが更新される。このため、ユーザが視聴したことなどにより番組重みが高い放送番組に含まれる特徴語ほど特徴語嗜好スコアの値は高くなる。

次に、算出部１２は、特徴語嗜好スコアが一時最大スコア情報に含まれる特徴語嗜好スコアよりも大きいか否かを判断する（ステップＳ１２１−６）。本実施形態では、一時最大スコア情報に含まれる特徴語嗜好スコアの初期値は０であるとする。数３は、本実施形態における一時最大スコア情報の一例を表している。数３の例では、一時最大スコア情報は、特徴語属性、特徴語、および、特徴語嗜好スコアの組で構成される。

特徴語嗜好スコアが一時最大スコア情報に含まれる特徴語嗜好スコアよりも大きい場合（ステップＳ１２１−６：Ｙｅｓ）、算出部１２は、選択されている特徴語属性と特徴語および特徴語嗜好スコアによって一時最大スコア情報を更新する（ステップＳ１２１−７）。一時最大スコア情報は、例えばＲＡＭなどの記憶部（図示せず）に保存しておく。

一時最大スコア情報の更新後、または、特徴語嗜好スコアが一時最大スコア情報に含まれる特徴語嗜好スコア以下の場合（ステップＳ１２１−６：Ｎｏ）、ステップＳ１２１−３に戻り処理を繰り返す。

選択されていない特徴語が存在しない場合（ステップＳ１２１−３：Ｎｏ）、算出部１２は、一時最大スコア情報を保持することで嗜好モデルを更新し（ステップＳ１２１−８）、一時最大スコア情報を初期値に戻す。

図９は、嗜好モデルの一例を示す図である。嗜好モデルは、繰り返し回数ｔと、一時最大スコア情報に含まれる特徴語属性、特徴語、および、特徴語嗜好スコアと、を含む。図９では、１回目の繰り返し計算で（出演者，福○雅治，0.92）が嗜好モデルとして格納され、２回目の繰り返し計算で（キーワード，サスペンス，0.83）が嗜好モデルとして格納された例が示されている。

図７に戻り、算出部１２は、既に放送された放送番組について番組重みを算出する（ステップＳ１２１−９）。算出後、ステップＳ１２１−２に戻り処理が繰り返される。数４は、放送番組の番組重みを更新する式の一例を表している。

ここでｆ_ｔ−１は、嗜好モデルに格納された（ｔ−１）回目の繰り返し計算の特徴語嗜好スコアであり、ｘ_ｔ−１は特徴語である。ｙ_ｉはユーザが放送番組ｉを視聴した場合に１となり、視聴していない場合に−１となる変数である。ｈ_ｔ−１（ｘ）は特徴語ｘが放送番組ｉのメタデータに含まれている場合に１をとり、含まれていない場合に−１をとる関数である。

数４により番組重みの更新を行うことで、特徴語嗜好スコアの高い特徴語を含んでいながら視聴されていない番組や、特徴語嗜好スコアの高い特徴語を含まないが視聴されている番組の番組重みが高くなる。このような番組重みの更新はブースティング手法で用いられており、精度の高い嗜好モデルの学習が可能である。

繰り返し計算の上限回数Ｔは任意の値に設定することが可能である。本実施形態ではＴの値は１０００であるとする。

図６に戻り、嗜好モデル算出処理後の処理の説明を続ける。算出部１２は、嗜好モデル算出処理で求めたユーザ嗜好モデルを嗜好情報記憶部１３に出力する（ステップＳ１２２）。

図９は、ユーザ嗜好モデルの一例を示す図である。繰り返し計算の上限回数Ｔ＝１０００であることから、１０００の特徴語と特徴語嗜好スコアとを含むユーザ嗜好モデルが嗜好情報記憶部１３に格納される。

次に、算出部１２は、ユーザ嗜好モデルにより未放送の放送番組の番組嗜好スコアを算出する（ステップＳ１２３）。数５は、未放送の放送番組ｊの番組嗜好スコアｆｓ_ｊの算出式の一例を表している。

ここでｊは未放送の放送番組に固有のＩＤである。ｆ_ｔは嗜好モデルのｔ番目の特徴語嗜好スコアの値である。ｘ_ｔは嗜好モデルのｔ番目の特徴語である。ｈ_ｔ（ｘ）は特徴語ｘが放送番組ｊのメタデータに含まれている場合に１をとり、含まれていない場合に−１をとる関数である。数５では、特徴語嗜好スコアの高い特徴語が多く含まれる放送番組ほどの番組嗜好スコアの値は高くなる。

次に、算出部１２は、未放送の放送番組の番組嗜好スコアを嗜好情報記憶部１３に出力する（ステップＳ１２４）。図３は、このようにして算出された未放送の番組Ｘ、Ｙ、Ｚの番組嗜好スコアの例を示している。図３の例では、図２の未放送の番組Ｘ、番組Ｙ、番組Ｚのうち、特徴語嗜好スコアの高い特徴語を含む番組Ｘと番組Ｙの番組嗜好スコアが高くなっている。

図１０は、ステップＳ１０５の表示制御処理の一例を示すフローチャートである。

表示制御部１９は、嗜好情報記憶部１３に格納された嗜好情報を読み込む（ステップＳ１９１）。表示制御部１９は、推薦状態記憶部２０から推薦状態を読み込む（ステップＳ１９２）。表示制御部１９は、ユーザが実際に視聴を行う表示部２１に、読み込んだ推薦状態に応じた推薦画面を表示する（ステップＳ１９３）。

図１１は、推薦状態０の場合に表示制御部１９が出力する推薦画面の一例を示す図である。表示制御部１９は、推薦状態０のとき特徴語嗜好スコアの順にＫ個（Ｋは予め定められた１以上の整数）の特徴語を表示する。また、表示制御部１９は、出演者やジャンルなどの特徴語属性ごとに特徴語を表示する。

図１２は、推薦状態１の場合に表示制御部１９が出力する推薦画面の一例を示す図である。図１２の例では、未視聴の番組嗜好スコアの順に番組が表示されている。表示制御部１９が特徴語や番組名を画面上に表示することで、ユーザは入力可能な単語を知ることができ、ユーザが発話時に発話する単語を容易に決定することができる。

図１３は、ステップＳ１０２の辞書更新処理の一例を示すフローチャートである。

更新部１４は、推薦状態記憶部２０から推薦状態を読み込む（ステップＳ１４１）。更新部１４は、嗜好情報記憶部１３に格納された嗜好情報を読み込む（ステップＳ１４２）。更新部１４は、特徴語と番組名を音素列に変換し、推薦状態と嗜好情報とから、変換した各音素列の認識重みを計算する（ステップＳ１４３）。

数６は、推薦状態０のときの認識重みを表している。数６は、特徴語ｘ_ｉに対しては認識重み０〜１の値をとり、番組名ｐ_ｊに対しては認識重み０．０の値をとる。ｆａｖ（ｘ_ｉ）は、特徴語ｘ_ｉの特徴語嗜好スコアを表す。ｍａｘ（ｆａｖ（ｘ））は、特徴語嗜好スコアの最大値を表す。

上述の図４は、推薦状態０の場合の認識辞書の例を表している。音素列では、特徴語である「福○雅治」および「サスペンス」、並びに、番組名である「番組Ａ」および「番組Ｂ」が、それぞれ音素列「fukumarumasaharu」、「sasupeNsu」、「baNgumiee」および「baNgumibii」に変換されている。特徴語や番組名の文字列から音素列への変換は、形態素解析を用いることで容易に実現可能である。

認識重みには数６により算出された認識重みの値が格納されている。音声認識では、認識重みが大きい単語ほど優先して認識される。本実施形態では、推薦状態０は画面上に特徴語が推薦されている状態である。このため、番組名の認識重みを０．０にすることで、特徴語を番組名と誤認識することを防ぐことが可能となる。

数７は、推薦状態１のときの認識重みを表している。数７は、特徴語ｘ_ｉに対しては認識重み０．０の値をとり、番組名ｐ_ｊに対しては認識重み０〜１の値をとる。

図１４は、推薦状態１の場合の認識辞書の一例を示す図である。本実施形態では、推薦状態１は画面上に番組名が推薦されている状態である。このため、特徴語の認識重みを０．０にすることで、番組名を特徴語と誤認識することを防ぐことが可能となる。

図１３に戻り、更新部１４は、辞書記憶部１５に認識重みを更新した認識辞書を出力する（ステップＳ１４４）。このように、更新部１４は、ユーザの嗜好に合った特徴語や番組名に高い認識重みを与えることで、ユーザが発話すると予想される単語を高い精度で認識することを可能にする。

図１５は、ステップＳ１０３の音声認識処理の一例を示すフローチャートである。

認識部１６は、受信部１７より音声信号を読み込む（ステップＳ１６１）。認識部１６は、音声信号から音声認識に用いるための特徴量を抽出する（ステップＳ１６２）。一般的な特徴量抽出は公知の技術を用いて容易に実現することが可能である。例えば、一定間隔で区切ったフレームごとにＭＦＣＣ（Ｍｅｌ−Ｆｒｅｑｕｅｎｃｙ−Ｃｅｐｓｔｒｕｍ−Ｃｏｅｆｆｉｃｉｅｎｔ）を算出することでスペクトル特徴量列を得ることができる。

認識部１６は、抽出した特徴量を音素列に変換する（ステップＳ１６３）。一般的な音素列への変換は公知技術で容易に実現することができる。例えば隠れマルコフモデルを用いた変換により、スペクトル特徴量列を音素列に変換することが可能である。

認識部１６は、音素列を単語に変換する（ステップＳ１６４）。音素列を単語に変換する際には、認識重みを反映する。ユーザは嗜好に合った単語を発する機会が多いと考えられる。このため、音素列を認識重みの高い単語に優先的に変換する。これにより、音素列変換で誤認識があった場合でも頑健に単語認識を行うことが可能になる。認識部１６は、認識された単語を操作制御部１８に出力する（ステップＳ１６５）。

図１６は、ステップＳ１０４のアクセス制御処理の一例を示すフローチャートである。

操作制御部１８は、認識部１６から認識結果を読み込む（ステップＳ１８１）。操作制御部１８は、推薦状態記憶部２０から推薦状態を読み込む（ステップＳ１８２）。操作制御部１８は、番組情報記憶部１１に格納された放送番組情報を検索する（ステップＳ１８３）。推薦状態が０の場合、操作制御部１８は、認識結果が放送番組の特徴語に含まれる番組を検索結果として表示制御部１９に出力する。推薦状態が１の場合、操作制御部１８は、認識結果が番組名と一致する番組の録画予約を行う。

操作制御部１８は、推薦状態を更新して推薦状態記憶部２０に出力する（ステップＳ１８４）。推薦状態が０の場合、操作制御部１８は、推薦状態を１に更新して推薦状態記憶部２０に出力する。推薦状態が１の場合、操作制御部１８は、推薦状態を０に更新して推薦状態記憶部２０に出力する。

上述の図１１および図１２を用いて本実施形態の効果の一例を示す。本実施形態によれば、音声認識装置１は適切なタイミングで図１１のような音声認識可能なキーワードを提示することが可能である。ここで適切なタイミングとして、例えば番組終了直後のタイミングが考えられる。提示されたキーワードは認識重みにより重みづけされている。このため、ユーザが発声する確率の高いキーワードを高精度で認識することが可能になる。すなわち、リモコンやキーボードの煩雑な作業なしにキーワードを入力することが可能になる。以下では、ユーザはシステムに対して「サスペンス」と発声したこととする。

音声認識装置１は、キーワードを認識すると推薦状態を更新し、検索結果を図１２のように表示する。図１２では特徴語に「サスペンス」を含む放送番組を含む番組が提示されている。このように、本実施形態の音声認識装置１によれば、ユーザの嗜好に合ったキーワードから所望のキーワードを選択させ、選択されたキーワードで放送番組を絞込んで、キーワードに該当する個々の放送番組を表示させることができる。

「サスペンス」は一般的な語であるため、「サスペンス」を特徴語に含む未放送の番組は多数存在する場合が考えられる。放送番組の検索結果が多い場合には、画面表示が煩雑になるだけでなく、好みの番組を探すための画面のスクロール操作など新たな作業が必要となる可能性が考えられる。本実施形態では、ユーザの嗜好に合った番組Ｙが上位に表示され、嗜好に合っていない番組Ｚが下位に表示される。嗜好に合った番組が画面に簡潔に示されることで、ユーザは直感的に音声で番組の視聴や録画予約を行うことができ、好みの番組に対して簡単に意図した操作を行うことができる。

音声認識装置１は、複数のユーザにより利用される場合がある。従って、上記処理をユーザごとに実行するように構成してもよい。この場合、例えば各記憶部（番組情報記憶部１１、嗜好情報記憶部１３、辞書記憶部１５、推薦状態記憶部２０）が、ユーザごとに各情報を記憶するように構成すればよい。

ユーザの判定は、例えば、認識部１６が音声に基づく話者判定機能を備えるように構成する。具体的には、認識部１６が、例えば受信部１７により受信された音声の基本周波数、スペクトル分布、フォルマント分布、または発話速度などの音響的な特徴量を分析する話者判定機能を備えるように構成すればよい。なお、話者判定機能はこれに限られるものではない。例えば、リモコン等の操作入力部（図示せず）により事前にユーザを特定する情報（ユーザＩＤ等）を入力させ、この情報により判定するように構成してもよい。

以上説明したとおり、本実施形態によれば、ユーザは容易に好みの番組を視聴および録画予約することが可能になる。

次に、本実施形態にかかる音声認識装置のハードウェア構成について図１７を用いて説明する。図１７は、本実施形態にかかる音声認識装置のハードウェア構成を示す説明図である。

本実施形態にかかる音声認識装置は、ＣＰＵ（Central Processing Unit）５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ（Random Access Memory）５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。

本実施形態にかかる音声認識装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。

本実施形態にかかる音声認識装置で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

さらに、本実施形態にかかる音声認識装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に記憶し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、本実施形態にかかる音声認識装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

本実施形態にかかる音声認識装置で実行されるプログラムは、コンピュータを上述した音声認識装置の各部（算出部、更新部、認識部、受信部、操作制御部、表示制御部）として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

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。これら新規な実施形態は、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。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ともに、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。

１１ 番組情報記憶部
１２ 算出部
１３ 嗜好情報記憶部
１４ 更新部
１５ 辞書記憶部
１６ 認識部
１７ 受信部
１８ 操作制御部
１９ 表示制御部
２０ 推薦状態記憶部
２１ 表示部

実施形態の音声認識装置は、番組情報記憶部と、辞書記憶部と、算出部と、更新部と、認識部と、操作制御部とを備える。番組情報記憶部は、放送番組のメタデータとユーザの視聴状態とを記憶する。辞書記憶部は、音声認識の対象となる認識語と優先度とを含む認識辞書を記憶する。算出部は、メタデータと視聴状態とに基づいて、放送番組の特徴語に対するユーザの嗜好の度合いを表す第１スコアを算出する。更新部は、特徴語を含む認識語の優先度を第１スコアに応じて更新する。認識部は、認識辞書を用いて音声を認識する。操作制御部は、認識結果に基づいて放送番組に対する操作を制御する。

Claims (9)

1. 放送番組のメタデータとユーザの視聴状態とを対応づけて記憶する番組情報記憶部と、
   音声認識の対象となる認識語と、前記認識語の優先度とを含む認識辞書を記憶する辞書記憶部と、
   前記メタデータと前記視聴状態とに基づいて、前記放送番組の特徴を表す特徴語と、前記特徴語に対する前記ユーザの嗜好の度合いを表す第１スコアと、を算出する算出部と、
   前記特徴語を含む前記認識語の前記優先度を、前記第１スコアに応じて更新する更新部と、
   音声を受信する受信部と、
   前記認識辞書を用いて前記音声を認識する認識部と、
   前記認識部による認識結果に基づいて、前記放送番組に対する操作を制御する操作制御部と、
   を備えることを特徴とする音声認識装置。
2. 前記操作を指示する入力の候補を表す入力候補として、前記第１スコアが高い前記特徴語を優先して選択し、選択した前記入力候補を表示部に表示する表示制御部をさらに備えること、
   を特徴とする請求項１に記載の音声認識装置。
3. 前記算出部は、さらに、前記放送番組に対する前記ユーザの嗜好の度合いを表すスコアであって、前記第１スコアが高い前記特徴語を含む前記放送番組ほど値が高い第２スコアを算出し、
   前記表示制御部は、前記第１スコアに基づく選択が指定された場合に、前記第１スコアが高い前記特徴語を優先して選択し、前記第２スコアに基づく選択が指定された場合に、前記第２スコアが高い前記特徴語を優先して選択し、選択した前記入力候補を前記表示部に表示すること、
   を特徴とする請求項２に記載の音声認識装置。
4. 前記算出部は、さらに、前記放送番組に対する前記ユーザの嗜好の度合いを表すスコアであって、前記第１スコアが高い前記特徴語を含む前記放送番組ほど値が高い第２スコアを算出し、
   前記更新部は、さらに、前記放送番組を特定する特定情報を含む前記認識語の前記優先度を、前記第２スコアに応じて更新すること、
   を特徴とする請求項１に記載の音声認識装置。
5. 前記更新部は、前記第１スコアに基づく更新が指定された場合に、前記特徴語を含む前記認識語の前記優先度を、前記第１スコアに応じて更新し、前記第２スコアに基づく更新が指定された場合に、前記特定情報を含む前記認識語の前記優先度を、前記第２スコアに応じて更新すること、
   を特徴とする請求項４に記載の音声認識装置。
6. 前記算出部は、前記ユーザが視聴した前記放送番組に含まれる前記特徴語ほど値が高い前記第１スコアを算出すること、
   を特徴とする請求項１に記載の音声認識装置。
7. 前記番組情報記憶部は、複数の前記ユーザごとに、前記メタデータと前記視聴状態とを対応づけて記憶し、
   前記辞書記憶部は、複数の前記ユーザごとに前記認識辞書を記憶し、
   前記算出部は、複数の前記ユーザごとに、前記メタデータと該ユーザの前記視聴状態とに基づいて、前記特徴語と前記第１スコアとを算出し、
   前記認識部は、さらに、受信された前記音声に基づいて該音声を発声した前記ユーザを判定し、判定した前記ユーザの前記認識辞書を用いて前記音声を認識すること、
   を特徴とする請求項１に記載の音声認識装置。
8. 音声認識装置で実行される音声認識方法であって、
   前記音声認識装置は、
   放送番組のメタデータとユーザの視聴状態とを対応づけて記憶する番組情報記憶部と、
   音声認識の対象となる認識語と、前記認識語の優先度とを含む認識辞書を記憶する辞書記憶部と、を備え、
   前記メタデータと前記視聴状態とに基づいて、前記放送番組の特徴を表す特徴語と、前記特徴語に対する前記ユーザの嗜好の度合いを表す第１スコアと、を算出する算出ステップと、
   前記特徴語を含む前記認識語の前記優先度を、前記第１スコアに応じて更新する更新ステップと、
   音声を受信する音声受信ステップと、
   前記認識辞書を用いて前記音声を認識する音声認識ステップと、
   前記音声認識ステップによる認識結果に基づいて、前記放送番組に対する操作を制御する操作制御ステップと、
   を含むことを特徴とする音声認識方法。
9. コンピュータを、
   放送番組のメタデータとユーザの視聴状態とを対応づけて記憶する番組情報記憶部と、
   音声認識の対象となる認識語と、前記認識語の優先度とを含む認識辞書を記憶する辞書記憶部と、
   前記メタデータと前記視聴状態とに基づいて、前記放送番組の特徴を表す特徴語と、前記特徴語に対する前記ユーザの嗜好の度合いを表す第１スコアと、を算出する算出部と、
   前記特徴語を含む前記認識語の前記優先度を、前記第１スコアに応じて更新する更新部と、
   音声を受信する受信部と、
   前記認識辞書を用いて前記音声を認識する認識部と、
   前記認識部による認識結果に基づいて、前記放送番組に対する操作を制御する操作制御部、
   として機能させるためのプログラム。

Images