JP2015060127A - 音声同時処理装置、方法およびプログラム - Google Patents

Abstract

【課題】音声認識結果を適切な処理単位に分割することができる。【解決手段】本開示の一実施形態に係る音声同時処理装置は、取得部と、音声認識部と、検出部と、出力部とを含む。取得部は、音声信号を取得する。音声認識部は、前記音声信号のうち音声認識処理を完了して文字列に変換された音声区間に対応する文字列である確定文字列と、確定文字列に続く音声区間であって音声認識の処理途上にあり、変換結果である文字列が確定していない音声区間に対応する１以上の候補文字列とを生成する。検出部は、確定文字列と１以上の候補文字列とをそれぞれ連結した１以上の組合せ文字列に対し、自然言語処理における処理単位の開始位置となる形態素の位置を示す分割点により該組合せ文字列を分割した際に、組合せ文字列のそれぞれに共通して確定文字列に含まれる文字列が存在する場合、該文字列を処理単位文字列として検出する。出力部は、処理単位文字列を出力する。【選択図】図１

Description

本発明の実施形態は、音声同時処理装置、方法およびプログラムに関する。

近年、音声処理技術の高度化に伴い、人の発話を受け付けて動作する様々なサービス、例えば、音声コマンド、音声検索および音声対話などのシステムが利用されている。人の発話、すなわち、話し言葉には、書き言葉に含まれる句読点のような明確な区切りがなく、上述したようなサービスを提供するには、受け付けた発話を、そのサービスに適した単位に分割する必要がある。サービスに適した処理単位に分割する手法としては、無音区間であるポーズを含む発話を、処理単位に分割する手法がある。

特開２００９−５８６７１号公報

しかし、上述の手法では、話者や話し方によって変化の大きいポーズを発話の区切り情報として用いているため、適切な処理単位を検出できない場合がある。例えば、予め決められた長さのポーズ長で区切られた音声区間における音声認識結果の文字列を処理単位へ分割する場合、事前に与えておくべき適切なポーズ長は話者によって異なり、さらに同じ話者であっても常に一定のポーズ長とは限らないので、適切な処理単位を検出できない。

また、ポーズ長の閾値を大きくすると、処理単位を確定するまでの時間が増加するため、元発話に対する後続処理の同時性が低下してしまう。一方、ポーズ長の閾値を小さくすると、同時性は向上するが、ポーズによって区切られる単位が増加するため、細切れの処理単位が検出されることになり、後続する処理の精度が低下してしまう。

本発明は、上述した課題を解決するためになされたものであり、発話音声の認識結果を適切な処理単位に分割することができる音声同時処理装置、方法、およびプログラムを提供することを目的とする。

本発明の一実施形態に係る音声同時処理装置は、取得部と、音声認識部と、検出部と、出力部とを含む。取得部は、音声信号を取得する。音声認識部は、前記音声信号のうち音声認識処理を完了して文字列に変換された音声区間に対応する文字列である確定文字列と、該確定文字列に続く音声区間であって音声認識の処理途上にあり、変換結果である文字列が確定していない音声区間に対応する１以上の候補文字列とを生成する。検出部は、前記確定文字列と１以上の前記候補文字列とをそれぞれ連結した１以上の組合せ文字列に対し、自然言語処理における処理単位の開始位置となる形態素の位置を示す分割点により該組合せ文字列を分割した際に、前記組合せ文字列のそれぞれに共通して前記確定文字列に含まれる文字列が存在する場合、該文字列を処理単位文字列として検出する。出力部は、前記処理単位文字列を出力する。

第１の実施形態に係る音声同時処理装置を示すブロック図。 第１の実施形態に係る音声同時処理装置の動作を示すフローチャート。 認識結果記憶部に記憶される確定文字列と候補文字列との第１例を示す図。 組合せ文字列の分割点の検出結果の第１例を示す図。 第１の実施形態における処理単位記憶部に記憶される処理単位文字列を示す図。 認識結果記憶部に記憶される確定文字列と候補文字列との第２例を示す図。 組合せ文字列の分割点の検出結果の第２例を示す図。 第２の実施形態に係る音声同時処理装置を示すブロック図。 第２の実施形態に係る音声同時処理装置の動作を示すフローチャート。 第２の実施形態に係る処理単位記憶部に記憶される処理単位情報の第１例を示す図。 再処理単位文字列の分割点を検出した結果を示す図。 処理単位記憶部に記憶される処理単位情報の第２例を示す図。 処理単位記憶部に記憶される処理単位情報の第３例を示す図。 再処理単位文字列の分割点を検出した結果を示す図。 更新された処理単位情報の一例を示す図。

以下、図面を参照しながら本開示の一実施形態に係る音声同時処理装置、方法およびプログラムについて詳細に説明する。なお、以下の実施形態では、同一の番号を付した部分については同様の動作を行なうものとして、重ねての説明を省略する。
（第１の実施形態）
第１の実施形態に係る音声同時処理装置について図１のブロック図を参照して説明する。
本実施形態に係る音声同時処理装置１００は、取得部１０１、音声認識部１０２、認識結果記憶部１０３、検出部１０４、処理単位記憶部１０５および出力部１０６を含む。

取得部１０１は、話者が発する音声を音声信号として取得する。音声信号は、例えば、マイクロフォンを通して集音し、これをアナログおよびデジタル変換器（Ａ／Ｄ変換器）により処理することで得ることができる。また、予め記録媒体などに録音された音声を、再生デバイスなどにより記録媒体を読み込んで再生することで音声信号として取得してもよい。

音声認識部１０２は、取得部１０１から音声信号を受け取り、音声信号に対して音声認識処理を行い、音声信号をテキスト文字列に変換する。音声認識処理は、例えば、隠れマルコフモデル（Hidden Markov Model:ＨＭＭ）を利用するなど、一般的な方法で行えばよいのでここでの詳細な説明は省略する。また、音声認識部１０２は、音声認識処理を完了して文字列に変換された音声区間に対応する文字列である確定文字列と、該確定文字列に続く音声区間であって音声認識の処理途上にあり、変換結果である文字列が確定していない音声区間に対応する１以上の候補文字列と、を生成する。

確定文字列および候補文字列の生成方法は、例えば、音声信号における一定の無音期間（ポーズ）を区切りとして生成すればよい。すなわち、ポーズよりも時間的に前の区間の音声に対応する、１以上の候補が決定された状態における最尤の文字列を確定文字列とし、ポーズよりも後の区間の音声に対応する１以上の文字列を候補文字列とすればよい。以下、候補文字列の集合を候補文字列集合と呼ぶ。
なお、確定文字列は、確定した音声区間に対する最尤の文字列のみでもよいし、確定した音声区間に対応する他の候補を含む形式、例えば文字列ラティス形式で生成してもよい。同様に、候補文字列集合も１つの候補文字列ごとに区別して生成してもよいし、文字列ラティス形式で出力してもよい。
また、確定文字列および候補文字列の生成方法の別例としては、音声認識処理中の音声に相当する文字列候補が予め決められた単語数に達した位置をポーズの代わりに用いたり、文字列候補の生成確率が一定の閾値を超える位置をポーズの代わりに用いることで、確定文字列および候補文字列を生成してもよい。

認識結果記憶部１０３は、音声認識部１０２から確定文字列および１以上の候補文字列を受け取り、それぞれ対応付けて記憶する。なお、本実施形態では、確定文字列および候補文字列は、単語情報が付属しない平文を想定しているが、音声認識部１０２の音声認識処理結果として、単語ごとに区切れた系列を記憶してもよい。

検出部１０４は、認識結果記憶部１０３から確定文字列および候補文字列集合を取得する。検出部１０４は、確定文字列と候補文字列集合に含まれるそれぞれの候補文字列とを連結して１以上の組合せ文字列を得る。検出部１０４は、それぞれの組合せ文字列を解析し、後続の自然言語処理の処理単位の開始位置となり得る形態素の位置で、組合せ文字列を部分文字列に分割する位置を示す分割点を１以上検出する。検出部１０４は、分割点により組合せ文字列を分割した際に、それぞれの組合せ文字列に共通して確定文字列に含まれる文字列が存在する場合、確定文字列に含まれる文字列を処理単位文字列として検出する。なお、それぞれの組合せ文字列の集合を、組合せ文字列集合とも呼ぶ。

ここで、処理単位とは、音声同時処理装置１００に接続される他のデバイスの動作に最適な文字列を示し、例えば、機械翻訳装置に接続する場合には、機械翻訳装置に入力された音声を同時並行的に訳出し、最良の翻訳結果が得られるような翻訳単位である。また、発話への高い追随性を要求される同時翻訳などの音声対話の場合には、翻訳結果の品質に加え、発話からの遅延時間を変数として、最適な通訳精度と通訳時間とを実現する単位として、音声を同時並行的に音声対話のタスクとして処理する単位が相当する。
また、検出部１０４では、処理単位となる分割点を、例えば、条件付き確率場(Conditioning Random Field)を用いて確率的に推定することができる。機械学習では、理想的な処理単位の情報が付与された学習データ（コーパス）を用いて分割点を学習してもよいし、あるいは、理想的な処理単位の情報が付与されていないデータにおいて、本実施形態に係る音声同時処理装置に接続する装置が理想的に動作する確率を最大化するような分割点を学習するようにしてもよい。
機械学習手法は、本実施の形態で説明した条件付き確率場の他にも、ＨＭＭ、サポートベクターマシン（Support Vector Machine：ＳＶＭ）といったその他のモデルを用いて分割点を推定してもよく、上述の実現形態に限るものではない。また、統計的に分割点を検出する方法以外にも、例えば、形態素系列におけるパターンマッチングによる手法や、構文情報を用いた手法などを適用することができる。

処理単位記憶部１０５は、検出部１０４から処理単位文字列を受け取って記憶する。
出力部１０６は、認識結果記憶部１０３から確定文字列および候補文字列を、処理単位記憶部１０５から処理単位文字列をそれぞれ受け取り、外部へ出力する。外部への出力は、処理単位文字列が生成されるごとに出力してもよいし、ある程度処理単位文字列が蓄積されてからまとめて出力するようにしてもよい。なお、ＬＣＤ（Liquid crystal display）やＯＬＥＤ(organic light emitting diode)ディスプレイのような表示デバイスや、プリンタデバイス、スピーカなどの音声デバイス、ハードディスクドライブなどの記憶媒体への記憶デバイスを含んでもよい。

次に、第１の実施形態に係る音声同時処理装置１００の動作について図２のフローチャートを参照して説明する。
ステップＳ２０１では、音声認識部１０２が、取得部１０１で取得した音声に対して音声認識処理を行ない、確定文字列と候補文字列集合とを得る。
ステップＳ２０２では、検出部１０４が、確定文字列と候補文字列集合に含まれるそれぞれの候補文字列とを連結して組合せ文字列を生成し、組合せ文字列を要素する組合せ文字列集合を得る。ここでは、候補文字列の数に対応する組合せ文字列が生成されることになる。

ステップＳ２０３では、検出部１０４が、それぞれの組合せ文字列について分割点により分割した際に、それぞれの組合せ文字列に共通して確定文字列に含まれる文字列が存在するような分割点が存在するかどうかを判定する。それぞれの組合せ文字列に共通して確定文字列に含まれる文字列が存在するような分割点があればステップＳ２０４に進み、それぞれの組合せ文字列に共通して確定文字列に含まれる文字列が存在するような分割点がなければ、処理を終了する。

ステップＳ２０４では、処理単位記憶部１０５が、確定文字列に含まれる文字列を処理単位文字列として記憶する。

ステップＳ２０５では、出力部１０６が、処理単位記憶部１０５を参照して、未出力の処理単位文字列を外部へ出力する。以上で、第１の実施形態に係る音声同時処理装置１００の動作を終了する。

次に、第１の実施形態に係る音声同時処理装置１００の動作の具体例について図３から図５までを参照して説明する。ここでは、音声同時処理装置１００に、日本語から英語へ翻訳を行なう機械翻訳装置が接続される例を示す。

ここでは、話者が「千葉市内で（Ｖ）ホテルを予約し（Ｖ）たいんですが良いホテルを見つけて（Ｖ）もらえませんか」という内容を連続的に発話し、音声同時処理装置１００がこの発話を取得する状況を想定する。記号（Ｖ）は、音声同時処理装置１００が無音区間（ポーズ）として認識する位置を示す。

始めに、「千葉市内で（Ｖ）」と発話した場合について、音声認識部１０２が音声認識処理して確定文字列と１以上の候補文字列とを生成する。認識結果記憶部１０３に記憶される確定文字列と候補文字列とについて、図３を参照して説明する。
認識結果記憶部１０３には、確定文字列３０１と１以上の候補文字列３０２とが対応付けられて記憶される。ここでは、確定文字列３０１「千葉市内で」に対して、候補文字列３０２「火照るん」、「ホテルの」、「掘っているん」、「補填の」がそれぞれ対応付けられる。確定文字列３０１とそれぞれの候補文字列３０２とを連結することで、組合せ文字列を得ることができる。すなわち、組合せ文字列として、「千葉市内で火照るん」、「千葉市内のホテルで」、「千葉市内で掘っているん」および「千葉市内で補填の」が得られ、これら４つの組合せ文字列の集合が組合せ文字列集合となる。

次に、検出部１０４が、それぞれの組合せ文字列を解析して分割点を検出する。分割点の検出結果について図４を参照して説明する。
図４は、条件付き確率場を用いて、組合せ文字列４０１に含まれる形態素に、処理単位への分割点の候補位置を示すラベル４０２を付与した例を示す。「Ｂ」は、処理単位の開始位置となる形態素の位置を示し、「Ｉ」は、処理単位の途中にある形態素の位置を示す。

例えば、組合せ文字列４０１「千葉市内で火照るん」について、ラベル４０２の「Ｂ」の分割点の位置で部分文字列に分割することができるので、「千葉市内で」と「火照るん」との文字列に分割できることがわかる。同様に、組合せ文字列「千葉市内でホテルの」についても、ラベル４０２「Ｂ」の分割点の位置で「千葉市内で」と「ホテルの」に分割することができる。

ここで、検出部１０４は、それぞれの組合せ文字列４０１に共通して確定文字列に含まれる文字列が存在するような分割点を検出する。図４の例では、分割点のうち、それぞれの組合せ文字列４０１に共通した確定文字列に含まれる文字列が存在するようにラベル４０２「Ｂ」で分割できる。すなわち、確定文字列である「千葉市内で」が存在するので、「千葉市内で」を処理単位文字列として検出する。

検出部１０４で得られた処理単位文字列を処理単位記憶部１０５に記憶する一例を図５に示す。図５に示すように、処理単位文字列５０１「千葉市内で」が記憶される。その後、出力部１０６が、処理単位文字列「千葉市内で」を外部に出力する。

続いて発話が進み、取得部１０１が「ホテルを予約し（Ｖ）」の発話を取得し、音声認識部１０２の処理により、確定文字列と候補文字列集合と得た処理結果を図６に示す。
ここでは、確定文字列６０１「ホテルの予約をし」と、確定文字列６０１に対応する１以上の候補文字列６０２が得られた場合を想定する。図６に示すように、候補文字列６０２としては、「たいん」、「退院」、「タイの」および「たインド」が得られる。

次に、検出部１０４が、図６に示す確定文字列とそれぞれの候補文字列とを連結して組合せ文字列を生成し、それぞれの組合せ文字列について分割点を検出した結果を図７に示す。
図７に示すように、組合せ文字列７０１「ホテルの予約をしたいん」は、ラベル７０２「Ｂ」に対応する分割点が先頭の「ホテル」以外存在しないので、部分文字列に分割できない。一方、組合せ文字列７０１「ホテルの予約をし退院」は、ラベル７０２「Ｂ」に対応する分割点が先頭以外に存在するので、「ホテルの予約をし」と「退院」との文字列に分割できる。そのほか、候補文字列の先頭の文字列部分に該当するラベル７０２は、文字列「タイの」がラベル７０２「Ｂ」、文字列「たインド」がラベル７０２「Ｉ」として得られる。
この場合、全ての組合せ文字列７０１に共通し、かつ分割点で分割した結果が確定文字列に含まれるような文字列、つまり、それぞれの組合せ文字列でラベル７０２が「Ｂ」で共通する分割点が存在しない。よって、新たな処理単位文字列は生成されず、処理単位記憶部１０５には追加されない。

従来の発話中のポーズを手掛かりとする手法を用いた場合は、「ホテルの予約をし（Ｖ）」という発話に対応する「ホテルの予約をし」の部分が処理単位として検出されるので、後続する「たいんですがどこに行けば」が別の処理単位として、分けられて処理されてしまう。これは、分割された文字列が機械翻訳装置の処理単位として用いられた場合、翻訳結果として“I book a hotel”と “I want, but where should I go”のように分かれてしまうことを示し、元の発話が持つ意図が正しく反映されない。
一方、第１の実施形態に係る音声同時処理装置では、発話の文脈を解析して処理単位を検出するため、元の発話が有する意図が正しく反映されない処理単位の出力を抑制することができる。

すなわち、第１の実施形態によれば、発話音声の認識結果を適切な処理単位に分割することができ、例えば機械翻訳装置と接続される場合、処理単位文字列ごとに適切な翻訳をおこなうことができるので、発話を途中であっても追随して漸進的に出力することができる。

（第２の実施形態）
第２の実施形態では、発話の状況に応じて処理単位文字列に関する情報を更新する点が第１の実施形態と異なる。このようにすることで、後続する音声の認識結果によって適切な処理単位が変わってしまう場合でも、元の発話が持つ意図が正しく反映された処理単位を出力できる。

第２の実施形態に係る音声同時処理装置のブロック図について図８を参照して説明する。
第２の実施形態に係る音声同時処理装置８００は、取得部１０１、認識結果記憶部１０３、検出部１０４、出力部１０６、音声認識部８０１、処理単位記憶部８０２および更新部８０３を含む。
取得部１０１、認識結果記憶部１０３、検出部１０４および出力部１０６については、第１の実施形態と同様の動作を行なうのでここでの説明は省略する。

音声認識部８０１は、第１の実施形態に係る音声認識部１０２と同様の処理を行なうが、音声が発話された時刻に関する時間情報と、音声を発話した話者の話す速度（以下、話速という）とを取得する点が異なる。

処理単位記憶部８０２は、第１の実施形態に係る処理単位記憶部１０５と同様の処理を行なうが、処理単位文字列と、処理単位文字列を検出した区間に対応する音声の時間情報と対応づけて、処理単位情報として記憶する点が異なる。

更新部８０３は、処理単位記憶部８０２に記憶される処理単位情報を参照し、新たな処理単位情報が処理単位記憶部８０２に追加された場合、追加された処理単位情報に時間的に先行して、予め設定した時間内に連続して発話された音声区間に対応する処理単位情報であるかどうかを判定する。この判定は、音声認識部８０１から時間情報および話速の少なくともどちらか１つを受け取り、受け取った情報を参照して判定してもよい。
さらに、更新部８０３は、追加された処理単位情報に先行して、予め設定した時間内に連続して発話された音声区間に対応する処理単位情報が存在する場合、対応する処理単位情報に含まれる処理単位文字列を時系列順に連結して、再処理単位文字列を生成する。さらに、再処理単位文字列の分割点と処理単位記憶部８０２に記憶された処理単位文字列の分割点とが異なる場合、連結された以前の処理単位情報に含まれる処理単位文字列と時間情報とを、再処理単位文字列と再処理単位文字列に対応する時間情報とに置き換える。

連続して発話された音声区間を決定する際に用いる閾値は、例えば時間情報を参照する場合は、先行する処理単位情報に対応する音声の終了時刻と、後続する処理単位情報に対応する音声の開始時刻との差に基づいて設定してもよい。また、評価対象となる連続した処理単位情報の時間長の和に基づいて設定してもよい。

なお、話速を参照する場合は、１以上の話者の話速の統計値により、ポーズの長さの閾値を決定してもよいし、話者ごとの話速を予め取得し、話者ごとに閾値を設定してもよい。また、閾値は、事前に設定した値でもよいし、発話の状況に応じて動的に設定してもよい。

次に、第２の実施形態に係る音声同時処理装置８００の動作について図９のフローチャートを参照して説明する。
ステップＳ２０１からステップＳ２０３まで、およびステップＳ２０５の処理については、第１の実施形態に係る音声同時処理装置１００の動作と同様であるので説明を省略する。

ステップＳ９０１では、処理単位記憶部８０２が、処理単位文字列と処理単位文字列に対応する音声区間の時間情報とを対応付けて、処理単位情報として記憶する。
ステップＳ９０２では、更新部８０３が、未出力の処理単位情報が存在するかどうかを判定する。未出力の処理単位情報が存在する場合は、ステップＳ９０３へ進み、未出力の処理単位情報が存在しない場合は、ステップＳ２０５に進む。
ステップＳ９０３では、予め設定した時間内に連続して発話された処理単位文字列が複数あれば、複数の処理単位文字列を時系列順に沿って連結し、再処理単位文字列を生成する。

ステップＳ９０４では、更新部８０３が、再処理単位文字列について、分割点を検出する。分割点の検出の方法は、検出部１０４における分割点を算出する方法と同様の方法を用いればよい。
ステップＳ９０５では、更新部８０３が、再処理単位文字列について、処理単位記憶部８０２に記憶される処理単位文字列の分割点と異なる分割点を検出したかどうかを判定する。異なる分割点を検出した場合はステップＳ９０６に進み、異なる分割点を検出しない場合はステップＳ２０５に進む。
ステップＳ９０６では、更新部８０３が、処理単位記憶部８０２に記憶される処理単位情報を再処理単位文字列を含む新たな処理単位情報で更新し、ステップＳ２０５へ進む。以上で第２の実施形態に係る音声同時処理装置８００の動作を終了する。

次に、第２の実施形態に係る処理単位記憶部８０２に記憶される処理単位情報の一例について図１０を参照して説明する。
図１０は、処理単位情報１０００を示すテーブルであり、処理単位情報１０００として、処理単位文字列５０１と時間情報１００１とが対応付けられて記憶される。ここでは、時間情報１００１として、処理単位文字列５０１を検出した区間に対応する音声の開始時刻１００２と終了時刻１００３とが処理単位文字列５０１に対応付けられる。具体的には、図１０に示す処理単位文字列５０１「千葉市内で」と、開始時刻１００２「１０：０３：３１．２１」と、終了時刻１００３「１０：０３：３２．７３」とが対応付けられる。

次に、第２の実施形態に係る音声同時処理装置８００の動作の具体例について図１１から図１５を参照して説明する。
まず、図１０に示す処理単位情報１０００に含まれる処理単位文字列「千葉市内で」が未出力であり、予め設定した時間内で連続する発話に対応する文字列は、「千葉市内で」のみであると仮定する。このとき、更新部８０３のステップＳ９０２の処理において、未出力の処理単位情報が存在すると判定され、処理単位文字列「千葉市内で」について分割点を検出する。

再処理単位文字列について分割点を検出した結果を図１１に示す。再処理単位文字列１１０１「千葉市内で」に対応するラベル１１０２は、図５に示す処理単位文字列５０１について検出された分割点のラベル（図４の「千葉市内で」のラベル「Ｂ，Ｉ，Ｉ」）と同じであるので、更新部８０３の処理が終了する。

さらに発話が進み、第１の実施形態において発話された音声に続き、音声「たいんですが良いホテルを見つけて（Ｖ）」を音声認識部１０２が取得して検出部１０４が解析し、処理単位記憶部８０２が処理単位情報として「良いホテルを見つけて」を記憶する例を図１２に示す。
ここで、図１２に示す処理単位情報が出力部１０６から全て出力された状態、すなわち、「千葉市内で」、「ホテルの予約をしたいんですが」、「良いホテルを見つけて」が順に出力された状態を仮定する。音声同時処理装置８００が機械翻訳装置に接続される場合は、「In Chiba city」、「I’d like to make a hotel reservation.」、「Please find a good hotel.」が出力されると仮定する。

続いて、取得部１０１が音声「もらえませんか」を取得して、音声認識部１０２および検出部１０４の処理により新たな発話の処理単位文字列として「もらえませんか」を得る。その後、この処理単位文字列に対応する音声区間の開始時刻と終了時刻とを対応付けて処理単位情報として、処理単位記憶部８０２に記憶した例を図１３に示す。
図９に示す更新部８０３の更新処理において、処理単位情報１３０１「もらえませんか」が未出力であるため、処理単位情報１３０１「もらえませんか」が処理対象となる。このとき、連続して発話したかどうかの閾値が、１秒であった場合、処理単位情報１３０２「千葉市内で」と処理単位情報１３０３「ホテルを予約したいんですが」との発話間の差は、０．０５秒であり、処理単位情報１３０３「ホテルを予約したいんですが」と処理単位情報１３０４「良いホテルを見つけて」との差は０．１７秒、および、処理単位情報１３０４「良いホテルを見つけて」と処理単位情報１３０１「もらえませんか」との差は、０．３１秒であるため、これらの処理単位情報に対応する発話は、予め設定した時間内に連続して発話されたと決定する。よって、これらの処理単位文字列を時系列順に連結した組合せ文字列「千葉市内でホテルの予約をしたいんですが良いホテルをみつけてもらえませんか」が、再処理単位文字列として生成される。

続いて、再処理単位文字列「千葉市内でホテルの予約をしたいんですが良いホテルをみつけてもらえませんか」について、分割点を検出した結果を図１４に示す。
図１４に示すように分割点の検出結果として、図１３に示す処理単位文字列「良いホテルを見つけて」と「もらえませんか」とは異なる処理単位文字列「良いホテルを見つけてもらえませんか」が検出される。

最終的に更新された処理単位記憶部８０２の処理単位情報について図１５に示す。
処理単位情報として、図１３に示す処理単位情報１３０４「良いホテルを見つけて」と処理単位情報１３０１「もらえませんか」とが、図１５に示す処理単位情報１５０１「良いホテルを見つけてもらえませんか」に更新される。また、処理単位文字列「良いホテルを見つけてもらえませんか」の音声に対応する開始時刻１００２と終了時刻１００３とが、処理単位情報１３０４「良いホテルを見つけて」の開始時刻「１０：０３：３７．７２」と処理単位情報１３０１「もらえませんか」の終了時刻「１０：０３：４１．９７」とに更新される。

なお、更新部８０３がない場合は、処理単位の更新が行われないため、図１３に示す処理単位情報に対応した全ての処理単位文字列が出力されるため、“In Chiba city”、“I’d like to make a hotel reservation”、“Please find a good hotel”、“I cannot get it?”という一連の翻訳がなされ、元の発話に存在しない、「もらえないです？」という意味の訳が余分に生成されるか農政がある。一方、第２の実施形態に係る音声同時処理装置では、処理単位文字列の機械翻訳として、「良いホテルを見つけてもらえませんか」が得られるため、ここで、機械翻訳装置に処理単位文字列を与えると、例えば、「Could you find a good hotel for me?」といった訳出が得られる。

以上に示した第２の実施形態によれば、後続する発話の認識結果によって適切な処理単位が変わってしまう場合にも、元の発話の意図を正しく反映させる処理単位を出力できる。

上述の実施形態の中で示した処理手順に示された指示は、ソフトウェアであるプログラムに基づいて実行されることが可能である。汎用の計算機システムが、このプログラムを予め記憶しておき、このプログラムを読み込むことにより、上述した音声同時処理装置による効果と同様な効果を得ることも可能である。上述の実施形態で記述された指示は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フレキシブルディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ−ＲＯＭ、ＤＶＤ±Ｒ、ＤＶＤ±ＲＷ、Ｂｌｕ−ｒａｙ（登録商標）Ｄｉｓｃなど）、半導体メモリ、又はこれに類する記録媒体に記録される。コンピュータまたは組み込みシステムが読み取り可能な記録媒体であれば、その記憶形式は何れの形態であってもよい。コンピュータは、この記録媒体からプログラムを読み込み、このプログラムに基づいてプログラムに記述されている指示をＣＰＵで実行させれば、上述した実施形態の音声同時処理装置と同様な動作を実現することができる。もちろん、コンピュータがプログラムを取得する場合又は読み込む場合はネットワークを通じて取得又は読み込んでもよい。
また、記録媒体からコンピュータや組み込みシステムにインストールされたプログラムの指示に基づきコンピュータ上で稼働しているＯＳ（オペレーティングシステム）や、データベース管理ソフト、ネットワーク等のＭＷ（ミドルウェア）等が本実施形態を実現するための各処理の一部を実行してもよい。
さらに、本実施形態における記録媒体は、コンピュータあるいは組み込みシステムと独立した媒体に限らず、ＬＡＮやインターネット等により伝達されたプログラムをダウンロードして記憶または一時記憶した記録媒体も含まれる。
また、記録媒体は１つに限られず、複数の媒体から本実施形態における処理が実行される場合も、本実施形態における記録媒体に含まれ、媒体の構成は何れの構成であってもよい。

なお、本実施形態におけるコンピュータまたは組み込みシステムは、記録媒体に記憶されたプログラムに基づき、本実施形態における各処理を実行するためのものであって、パソコン、マイコン等の１つからなる装置、複数の装置がネットワーク接続されたシステム等の何れの構成であってもよい。
また、本実施形態におけるコンピュータとは、パソコンに限らず、情報処理機器に含まれる演算処理装置、マイコン等も含み、プログラムによって本実施形態における機能を実現することが可能な機器、装置を総称している。

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、変更を行なうことができる。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。

１００，８００・・・音声同時処理装置、１０１・・・取得部、１０２，８０１・・・音声認識部、１０３・・・認識結果記憶部、１０４・・・検出部、１０５，８０２・・・処理単位記憶部、１０６・・・出力部、３０１，６０１・・・確定文字列、３０２，６０２・・・候補文字列、４０１，７０１・・・組合せ文字列、４０２，７０２，１１０２・・・ラベル、５０１・・・処理単位文字列、８０３・・・更新部、１０００，１３０１〜１３０４，１５０１・・・処理単位情報、１００１・・・時間情報、１００２・・・開始時刻、１００３・・・終了時刻、１１０１・・・再処理単位文字列。

Claims (9)

1. 音声信号を取得する取得部と、
   前記音声信号のうち音声認識処理を完了して文字列に変換された音声区間に対応する文字列である確定文字列と、該確定文字列に続く音声区間であって音声認識の処理途上にあり、変換結果である文字列が確定していない音声区間に対応する１以上の候補文字列とを生成する音声認識部と、
   前記確定文字列と１以上の前記候補文字列とをそれぞれ連結した１以上の組合せ文字列に対し、自然言語処理における処理単位の開始位置となる形態素の位置を示す分割点により該組合せ文字列を分割した際に、前記組合せ文字列のそれぞれに共通して前記確定文字列に含まれる文字列が存在する場合、該文字列を処理単位文字列として検出する検出部と、
   前記処理単位文字列を出力する出力部と、を具備することを特徴とする音声同時処理装置。
2. 新たに取得した第１処理単位文字列と以前に取得された第２処理単位文字列との関係により、前記分割点の位置が変化する場合、前記第２処理単位文字列を更新する更新部をさらに具備することを特徴とする請求項１に記載の音声同時処理装置。
3. 前記処理単位文字列と、該処理単位文字列が発話された音声区間に対応する音声信号の時間情報とを対応付けて処理単位情報として記憶する記憶部と、
   前記記憶部に新たな処理単位情報である第１処理単位情報が追加された場合に、該第１処理単位情報に先行しかつ閾値以内の時間で連続して発話された音声区間に対応する第２処理単位情報が存在する場合、該第２処理単位情報と前記第１処理単位情報とに含まれる処理単位文字列を時系列順に連結して再処理単位文字列を生成し、該再処理単位文字列および該再処理単位文字列に対応する時間情報で前記記憶部に記憶される処理単位情報を更新する更新部と、をさらに具備することを特徴とする請求項１に記載の音声同時処理装置。
4. 前記音声認識部は、前記処理単位文字列が発話された時間に関する時間情報を取得し、
   前記更新部は、前記時間情報を参照して、前記第２処理単位情報が存在するかどうかを判定することを特徴とする請求項３に記載の音声同時処理装置。
5. 前記音声認識部は、話者の話す速度である話速を取得し、
   前記更新部は、前記話速を参照して、前記第２処理単位情報が存在するかどうかを判定することを特徴とする請求項３に記載の音声同時処理装置。
6. 前記自然言語処理が機械翻訳の場合、前記処理単位は、前記音声信号を同時並行して訳出するのに適する翻訳単位であることを特徴とする請求項１から請求項５のいずれか１項に記載の音声同時処理装置。
7. 前記自然言語処理が音声対話の場合、前記処理単位は、前記音声信号を同時並行して音声対話のタスクとして出力される単位であることを特徴とする請求項１から請求項５のいずれか１項に記載の音声同時処理装置。
8. 音声信号を取得し、
   前記音声信号のうち音声認識処理を完了して文字列に変換された音声区間に対応する文字列である確定文字列と、該確定文字列に続く音声区間であって音声認識の処理途上にあり、変換結果である文字列が確定していない音声区間に対応する１以上の候補文字列とを生成し、
   前記確定文字列と１以上の前記候補文字列とをそれぞれ連結した１以上の組合せ文字列に対し、自然言語処理における処理単位の開始位置となる形態素の位置を示す分割点により該組合せ文字列を分割した際に、前記組合せ文字列のそれぞれに共通して前記確定文字列に含まれる文字列が存在する場合、該文字列を処理単位文字列として検出し、
   前記処理単位文字列を出力することを特徴とする音声同時処理方法。
9. コンピュータを、
   音声信号を取得する取得手段と、
   前記音声信号のうち音声認識処理を完了して文字列に変換された音声区間に対応する文字列である確定文字列と、該確定文字列に続く音声区間であって音声認識の処理途上にあり、変換結果である文字列が確定していない音声区間に対応する１以上の候補文字列とを生成する音声認識手段と、
   前記確定文字列と１以上の前記候補文字列とをそれぞれ連結した１以上の組合せ文字列に対し、自然言語処理における処理単位の開始位置となる形態素の位置を示す分割点により該組合せ文字列を分割した際に、前記組合せ文字列のそれぞれに共通して前記確定文字列に含まれる文字列が存在する場合、該文字列を処理単位文字列として検出する検出手段と、
   前記処理単位文字列を出力する出力手段として機能させるための音声同時処理プログラム。