JP2018060165A - 音声認識方法、携帯端末、および、プログラム - Google Patents

Abstract

【課題】更なる改善を実現できる。
【解決手段】携帯端末１００が取得した音声情報を認識し、当該音声情報が示す音声の言語とは異なる言語に翻訳する音声認識方法であって、音声情報を取得し（Ｓ１１）、取得した音声情報が示す音声の言語の種類を認識し（Ｓ１４）、認識した言語の種類が予め登録されている第１の言語であるか否かを判定する第１の判定を行い（Ｓ２１）、第１の判定の結果、言語の種類が第１の言語である場合、音声の言語を第１の言語とは異なる第２の言語に翻訳する（Ｓ２２）翻訳処理を行う。
【選択図】図６

Description

本開示は、音声信号を認識し、当該音声信号が示す音声の言語とは異なる言語に翻訳する音声認識方法などに関する。

従来、音声認識により認識された文字情報に基づいて、機器に対する発話であるか否かを判断する音声認識方法が開示されている（特許文献１参照）。

国際公開第２０１５／０２９３０４号

しかし、特許文献１では、更なる改善が必要とされていた。

本開示の一態様に係る音声認識方法では、携帯端末が取得した音声情報を認識し、当該音声情報が示す音声の言語とは異なる言語に翻訳する音声認識方法であって、前記音声情報を取得し、取得した前記音声情報が示す音声の言語の種類を認識し、認識した前記言語の種類が予め登録されている第１の言語であるか否かを判定する第１の判定を行い、前記第１の判定の結果、前記言語の種類が前記第１の言語である場合、前記音声の言語を前記第１の言語とは異なる第２の言語に翻訳する翻訳処理を行う。

なお、これらの全般的または具体的な態様は、携帯端末、システム、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ−ＲＯＭなどの記録媒体で実現されてもよく、携帯端末、システム、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。

上記態様によれば、更なる改善を実現することができる。

実施の形態１に係る翻訳システムの概略図である。 実施の形態１に係る携帯端末のハードウェア構成の一例を示すブロック図である。 実施の形態１に係るサーバのハードウェア構成の一例を示すブロック図である。 実施の形態１に係る翻訳システムの機能構成の一例を示すブロック図である。 実施の形態１に係る翻訳システムにおける音声認識方法の一例を示すシーケンス図である。 実施の形態１に係る携帯端末における翻訳処理の一例を示すフローチャートである。 実施の形態２に係る翻訳システムの機能構成の一例を示すブロック図である。 実施の形態２に係る携帯端末における翻訳処理の一例を示すフローチャートである。 実施の形態３に係る翻訳システムの機能構成の一例を示すブロック図である。 実施の形態３に係る携帯端末における翻訳処理の一例を示すフローチャートである。 実施の形態４に係る翻訳システムの機能構成の一例を示すブロック図である。 実施の形態４に係る携帯端末における翻訳処理の一例を示すフローチャートである。 実施の形態５に係る翻訳システムの機能構成の一例を示すブロック図である。 実施の形態５に係る携帯端末における翻訳処理の一例を示すフローチャートである。 実施の形態６に係る携帯端末の機能構成の一例を示すブロック図である。 実施の形態６に係る携帯端末における音声認識方法の一例を示すフローチャートである。

（本発明の基礎となった知見）
本発明者は、「背景技術」の欄において記載した、音声認識方法に関し、以下の問題が生じることを見出した。

特許文献１の技術では、音声認識により認識された文字情報に基づいて、機器に対する発話であるか否かを判断し、機器に対する発話であると判断した場合に、当該文字情報が示す動作指示を行い、そうでないと判断した場合に、動作指示を行わないことが開示されている。例えば、特許文献１の技術では、文字情報の文型を解析し、文型が疑問文または命令文である場合、音声が機器に対する発話であると判断している。

しかしながら、不特定多数の人が集まるような場所においては、多くの言葉が交わされているため、多くの人が疑問文や命令文を発話している可能性があり、この場合、当該機器のユーザが発話した音声でなくても認識してしまうおそれがある。例えば、ユーザが発話した音声を音声認識によって翻訳する場合には、不特定多数の人が集まっている空港、ホテル、公共交通機関などで相手の言語に合わせて翻訳する場合が多い。このような場合には、特許文献１の技術では、ユーザが発話した以外の音声を認識するおそれがある。

そこで、本開示では、機器のユーザ以外の人が発話した音声を認識して、翻訳することを低減するために、以下の改善策を検討した。

本開示の一態様に係る音声認識方法は、携帯端末が取得した音声情報を認識し、当該音声情報が示す音声の言語とは異なる言語に翻訳する音声認識方法であって、前記音声情報を取得し、取得した前記音声情報が示す音声の言語の種類を認識し、認識した前記言語の種類が予め登録されている第１の言語であるか否かを判定する第１の判定を行い、前記第１の判定の結果、前記言語の種類が前記第１の言語である場合、前記音声の言語を前記第１の言語とは異なる第２の言語に翻訳する翻訳処理を行う。

これによれば、言語の種類が第１の言語の場合、第２の言語に翻訳するため、誤検出を低減することができる。

また、第１の言語でない場合、第２の言語に翻訳しなくてもよい。この場合、例えば、不特定多数の人が集まっている場所であっても、ユーザが発話した以外の音声を認識することを低減できる。特に、翻訳が必要な状況下においては、ユーザは、ユーザの母国語が周囲に通じない状況であるため、周囲の人々はユーザの母国語とは異なる種類の言語を話していることがほとんどであると考えられる。このような場合において、例えば、ユーザの母国語を第１の言語に設定しておけば、不特定多数の人が周囲にいるような、ユーザ以外の人が発話した音声を誤検出しやすい状況であっても、第１の言語のみを翻訳するため、誤検出を低減できる。

また、さらに、ユーザによる前記第１の言語の登録を受け付け、前記第１の判定では、受け付けた前記登録に基づく前記第１の言語を用いてもよい。

このため、ユーザは、容易に第１の言語を設定できる。

また、さらに、前記携帯端末の位置を検出し、前記第１の判定では、さらに、前記言語の種類が、検出した前記位置の地域における公用語である場合、前記言語の種類が前記第１の言語と異なる言語であると判定してもよい。

これによれば、現在の位置における公用語を第１の言語とは異なると検出するため、その地域の公用語を翻訳しない。このため、ユーザが翻訳が必要な場合に発話した音声を翻訳することができる。つまり、ユーザの母国語を公用語とする地域にユーザが滞在している場合、ユーザは、当該母国語を話すことができるため周囲の人々に翻訳して話す必要がない。一方で、ユーザの母国語を公用語としない地域にユーザが滞在している場合、当該地域の母国語を翻訳しないため、ユーザが発話した以外の音声を認識することを低減できる。

また、さらに、検出した前記位置が、前記第１の言語を公用語とする第１の地域とは異なる第２の地域であるか否かを判定する第２の判定を行い、前記第２の判定の結果、前記位置が前記第２の地域である場合、当該第２の地域における公用語を前記第２の言語として設定してもよい。

このため、ユーザは、第２の言語の設定をしなくても、ユーザが滞在している地域の公用語に翻訳することが容易にできる。

また、さらに、前記携帯端末の位置を検出し、所定のアプリケーションから出力された通知情報を取得し、検出した位置、および、取得した前記通知情報を用いて、前記携帯端末のユーザが翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態であるか否かを判定する第３の判定を行い、前記第３の判定の結果、前記ユーザが、前記翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態である場合、前記第１の判定および前記翻訳処理を行ってもよい。

このため、誤検出しやすい状況下である場合に、誤検出を低減できる。このため、処理量を削減できる。

また、前記翻訳の必要性がある場所とは、空港、ホテル、レストラン、店舗、駅のいずれかであってもよい。

また、前記翻訳の必要性がある状態とは、空港において飛行機にチェックインした状態、ホテルにおいてチェックインした状態、レストランや店舗において商品のクーポンがチェックされた状態、駅において改札を通過した状態のいずれかであってもよい。

また、さらに、前記携帯端末の加速度を検出し、検出した前記加速度を用いて、前記携帯端末のユーザが所定の速さ以上で移動しているか否かを判定する第４の判定を行い、前記第４の判定の結果、前記ユーザが、前記所定の速さ以上で移動していない場合、前記第１の判定および前記翻訳処理を行ってもよい。

所定の速さ以上で移動している場合、風切り音、摩擦音、振動音などの雑音を拾いやすくなるため、この場合に、第１の判定および翻訳処理を行わないことで、誤った翻訳を行うことを低減できる。

また、さらに、前記携帯端末の周囲の騒音レベルを計測し、計測した前記騒音レベルが所定の騒音レベルより大きいか否かを判定する第５の判定を行い、前記第５の判定の結果、前記騒音レベルが前記所定の騒音レベル以下の場合、前記第１の判定および前記翻訳処理を行ってもよい。

騒音を検出している場合、第１の判定および翻訳処理を行わないことで、誤った翻訳を行うことを低減できる。

なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ−ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムまたは記録媒体の任意な組み合わせで実現されてもよい。

以下、本発明の一態様に係る音声認識方法について、図面を参照しながら具体的に説明する。

なお、以下で説明する実施の形態は、いずれも本発明の一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

（実施の形態１）
以下、図１〜図６を用いて、実施の形態１を説明する。

［１−１．構成］
図１は、実施の形態１に係る翻訳システムの概略図である。

具体的には、図１において、携帯端末１００、サーバ２００および通信ネットワーク３００が示されている。翻訳システム１は、例えば、これらの構成要素のうち、携帯端末１００およびサーバ２００を備える。

翻訳システム１では、ユーザが発話した音声を、当該音声の言語とは異なる言語に翻訳するためのシステムである。具体的には、携帯端末１００は、ユーザが発話した音声を取得し、取得した音声情報をサーバ２００に送信する。サーバ２００は、取得した音声情報が示す音声の言語の種類を認識し、認識結果を携帯端末１００に送信する。携帯端末１００は、受信した認識結果に応じて、当該音声情報が示す音声の言語を翻訳する。

［１−１−１．携帯端末］
携帯端末１００のハードウェア構成について図２を用いて説明する。

図２は、実施の形態１に係る携帯端末のハードウェア構成の一例を示すブロック図である。

図２に示すように、携帯端末は、コンピュータ１０１、マイク１０２、入力ＩＦ（Ｉｎｔｅｒｆａｃｅ）１０３、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）モジュール１０４、加速度センサ１０５、スピーカ１０６、ディスプレイ１０７および通信ＩＦ１０８を備える。携帯端末１００は、例えば、スマートフォン、タブレット端末などの通信可能な情報端末である。

コンピュータ１０１は、携帯端末１００を動作させるための制御プログラムを実行するプロセッサと、制御プログラムを実行するときに使用するワークエリアとして用いられる揮発性の記憶領域（主記憶装置）と、制御プログラム、コンテンツなどを記憶している不揮発性の記憶領域（補助記憶装置）とを有する。揮発性の記憶領域は、例えば、ＲＡＭ（Ｒａｎｄｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。不揮発性の記憶領域は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ
Ｄｉｓｋ Ｄｒｉｖｅ）などである。なお、コンピュータ１０１で用いられる制御プログラムは、後述する翻訳方法に係る演算を行うプログラムを含む。

マイク１０２は、周囲の音を収集するマイクロフォンである。

入力ＩＦ１０３は、例えば、ディスプレイ１０７の表面に配置され、ディスプレイ１０７に表示されるＵＩ（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）へのユーザからの入力を受け付けるタッチパネルである。入力ＩＦ１０３は、例えば、テンキーやキーボードなどの入力装置であってもよい。

ＧＰＳモジュール１０４は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星からの信号を受信することにより携帯端末１００の位置を推定するモジュールである。

加速度センサ１０５は、携帯端末１００の加速度を検出するセンサである。加速度センサ１０５は、具体的には、携帯端末１００の所定の姿勢を基準とする、互いに直交する３軸方向の加速度を検出するセンサである。

スピーカ１０６は、音声情報から復号された音を出力するスピーカである。

ディスプレイ１０７は、コンピュータ１０１での処理結果を表示する表示装置である。ディスプレイ１０７は、例えば、液晶ディスプレイ、有機ＥＬディスプレイである。

通信ＩＦ１０８は、通信ネットワーク３００を介してサーバ２００と通信する通信インタフェースである。つまり、通信ＩＦ１０８は、通信ネットワーク３００に通信接続できる通信インタフェースであればよい。具体的には、通信ＩＦ１０８は、移動通信システムの基地局との通信接続、または、ルータとの通信接続により、通信ネットワーク３００と通信接続する通信インタフェースである。通信ＩＦ１０８は、例えば、ＩＥＥＥ８０２．１１ａ、ｂ、ｇ、ｎ規格に適合した無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）インタフェースであってもよいし、第３世代移動通信システム（３Ｇ）、第４世代移動通信システム（４Ｇ）、または、ＬＴＥ（登録商標）などのような移動通信システムで利用される通信規格に適合した無線通信インタフェースであってもよい。

なお、通信ＩＦ１０８は、他の携帯端末との通信接続により、通信ネットワーク３００と通信接続する通信インタフェースであってもよい。この場合、例えば、通信ＩＦ１０８は、無線ＬＡＮインタフェースであってもよいし、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格に適合した無線通信インタフェースであってもよい。

［１−１−２．サーバ］
次に、サーバ２００のハードウェア構成について図３を用いて説明する。

図３は、実施の形態１に係るサーバのハードウェア構成の一例を示すブロック図である。

図３に示すように、サーバ２００は、コンピュータ２０１および通信ＩＦ２０２を備える。サーバ２００は、複数の装置で構成されていてもよい。

コンピュータ２０１は、サーバ２００を動作させるための制御プログラムを実行するプロセッサと、制御プログラムを実行するときに使用するワークエリアとして用いられる揮発性の記憶領域（主記憶装置）と、制御プログラム、コンテンツなどを記憶している不揮発性の記憶領域（補助記憶装置）とを有する。揮発性の記憶領域は、例えば、ＲＡＭである。不揮発性の記憶領域は、例えば、ＲＯＭ、フラッシュメモリ、ＨＤＤなどである。なお、コンピュータ２０１で用いられる制御プログラムは、後述する翻訳方法に係る演算を行うプログラムを含む。

通信ＩＦ２０２は、通信ネットワーク３００を介して携帯端末１００と通信する通信インタフェースである。通信ＩＦ２０２は、例えば、有線ＬＡＮインタフェースである。なお、通信ＩＦ２０２は、無線ＬＡＮインタフェースであってもよい。また、通信ＩＦ２０２は、ＬＡＮインタフェースに限らずに、通信ネットワーク３００との通信接続を確立できる通信インタフェースであれば、どのような通信インタフェースであってもよい。

［１−１−３．通信ネットワーク］
次に、図１を参照して通信ネットワークの構成について説明する。

通信ネットワーク３００は、携帯端末１００およびサーバ２００が互いに通信するための通信ネットワークである。通信ネットワーク３００は、インターネットのような汎用のネットワークであってもよいし、翻訳システム１の専用のネットワークであってもよい。

［１−２．翻訳システムの機能構成］
次に、翻訳システム１の機能構成について図４を用いて説明する。

図４は、実施の形態１に係る翻訳システムの機能構成の一例を示すブロック図である。

まず、携帯端末１００の機能構成について説明する。

携帯端末１００は、機能構成として、音声取得部１１１と、処理部１１２と、記憶部１１３と、提示部１１４と、通信部１１５とを備える。携帯端末１００は、さらに、入力部１１６を備えていてもよい。

音声取得部１１１は、ユーザが発話した音声を取得する。音声取得部１１１は、具体的には、マイク１０２により収集された音を示す音情報を音信号として取得し、取得した音信号から音声信号と騒音などのその他の信号とに分離することで、ユーザが発話した音声を示す音声情報を取得する。音声取得部１１１は、例えば、コンピュータ１０１、マイク１０２などにより実現される。

処理部１１２は、判定や翻訳、登録などの各種処理を行う。処理部１１２は、具体的には、判定部１２１と、翻訳部１２２とを有する。処理部１１２は、さらに、登録部１２３を有していてもよい。

判定部１２１は、サーバ２００により認識された言語の種類が予め登録されている第１の言語であるか否かを判定する第１の判定を行う。なお、ここで、サーバにより認識された言語の種類とは、音声取得部１１１により取得されたユーザの発話した音声について、サーバ２００が当該音声の言語の種類を認識した結果である。

翻訳部１２２は、判定部１２１による第１の判定の結果、言語の種類が第１の言語である場合、音声取得部１１１により取得された音声の言語を第１の言語とは異なる第２の言語に翻訳する。なお、本実施の形態では、例として、第２の言語が英語であるとして説明する。第２の言語は、予め登録されていてもよいし、ユーザが入力することにより変更してもよい。また、翻訳部１２２は、判定部１２１による第１の判定の結果、言語が第１の言語とは異なる言語である場合、音声取得部１１１により取得された音声の言語を翻訳しない。

登録部１２３は、入力部１１６により入力された言語の種類を第１の言語として登録して、記憶部１１３に記憶させる。つまり、登録部１２３は、判定部１２１による判定基準となる第１の言語を、ユーザの登録処理において受け付ける。例えば、ユーザが第１の言語として日本語を入力していれば、携帯端末１００では、日本語とは異なる言語の音声を取得しても、翻訳しない。本実施の形態では、例として、第１の言語が日本語であるとして説明する。

なお、第１の言語は、予め登録されていればよく、登録部１２３により登録されることに限らない。例えば、第１の言語として、ユーザにより入力されていなくても、英語がデフォルトで登録されていてもよい。

処理部１１２は、例えば、コンピュータ１０１により実現される。

記憶部１１３は、処理部１１２により処理されることによって得られた情報を記憶する。記憶部１１３は、例えば、コンピュータ１０１の不揮発性の記憶領域により実現される。

提示部１１４は、処理部１１２により処理されることによって得られた処理結果を提示する。具体的には、提示部１１４は、翻訳した結果を、テキストとしてディスプレイ１０７に表示する。また、提示部１１４は、翻訳した結果を示す音声を、スピーカ１０６から出力してもよい。提示部１１４は、例えば、コンピュータ１０１およびディスプレイ１０７によって実現されてもよいし、コンピュータ１０１およびスピーカ１０６によって実現されてもよい。

通信部１１５は、通信ネットワーク３００を介してサーバ２００との間で通信接続を確立し、サーバ２００との通信を行う。通信部１１５は、音声取得部１１１によって出力された音声情報をサーバ２００に送信する。また、通信部１１５は、サーバ２００から出力された情報を受信し、受信した情報を処理部１１２に出力する。通信部１１５は、例えば、コンピュータ１０１および通信ＩＦ１０８などにより実現される。

入力部１１６は、ユーザからの入力を受け付ける。具体的には、入力部１１６は、処理部１１２により実行されている所定のアプリケーションに対するユーザからの入力を受け付ける。入力部１１６は、例えば、翻訳アプリへのユーザ登録に係る入力などを受け付ける。入力部１１６は、例えば、コンピュータ１０１および入力ＩＦ１０３などにより実現される。

次に、サーバ２００の機能構成について説明する。

サーバ２００は、機能構成として、通信部２１１と、認識部２１２と、記憶部２１３と、を備える。

通信部２１１は、通信ネットワーク３００を介して携帯端末１００との間で通信接続を確立し、携帯端末１００との通信を行う。通信部２１１は、携帯端末１００によって送信された音声情報を受信する。また、通信部２１１は、受信した音声情報に対する認識部２１２における認識結果を携帯端末１００に送信する。通信部２１１は、例えば、コンピュータ２０１および通信ＩＦ２０２により実現される。

認識部２１２は、受信した音声情報が示す音声に対して多言語認識を行う。認識部２１２は、具体的には、記憶部２１３に記憶されている多言語の音声と、当該音声に対応する多言語のテキストとが対応付けられた多言語データベースに基づいて、受信した音声情報が示す音声に対応するテキストを特定する。例えば、多言語データベースは、日本語、英語、中国語、スペイン語、フランス語、ドイツ語などの様々な言語を発音した音声に関する音声データと、当該音声をテキストで表現したテキストデータとが対応付けられたテーブルにより構成される。つまり、認識部２１２は、テキストを特定することで、当該音声情報が示す音声の言語も特定する。認識部２１２は、多言語認識の認識結果として、音声情報が示す音声に対応するテキストデータと、当該テキストデータが示す言語の種類を示す言語情報とを通信部２１１に出力する。認識部２１２は、例えば、コンピュータ２０１により実現される。

記憶部２１３は、例えば、コンピュータ２０１の不揮発性の記憶領域により実現される。

［１−３．動作］
次に、翻訳システム１の動作について、図５および図６を用いて説明する。

図５は、実施の形態１に係る翻訳システムにおける音声認識方法の一例を示すシーケンス図である。

まず、ユーザは、携帯端末１００を操作することで、携帯端末１００に翻訳アプリを実行させる。これにより、携帯端末１００には、音声認識方法に係る音声認識処理が開始される。

携帯端末１００では、音声取得部１１１が音声を取得する（Ｓ１１）。

携帯端末１００は、音声取得部１１１により取得された音声を示す音声情報を、通信部１１５がサーバ２００に通信ネットワーク３００を介して送信する（Ｓ１２）。

次に、サーバ２００は、通信ネットワーク３００を介して音声情報を受信する（Ｓ１３）。

サーバ２００は、受信した音声情報について多言語認識を行い（Ｓ１４）、多言語認識した認識結果を携帯端末１００に通信ネットワーク３００を介して送信する（Ｓ１５）。

次に、携帯端末１００は、通信ネットワーク３００を介して、サーバ２００における多言語認識の認識結果を受信する（Ｓ１６）。

そして、携帯端末１００は、認識結果に応じて翻訳処理を実行する（Ｓ１７）。

翻訳処理の詳細については、図６を用いて説明する。

図６は、実施の形態１に係る携帯端末における翻訳処理の一例を示すフローチャートである。

まず、携帯端末１００の判定部１２１は、受信した認識結果が予め登録されている第１の言語であるか否かを判定する（Ｓ２１）。例えば、第１の言語が日本語である場合、判定部１２１は、受信した認識結果が日本語であるか否かを判定する。

携帯端末１００の翻訳部１２２は、受信した認識結果が予め登録されている第１の言語であると判定部１２１が判定した場合（Ｓ２１でＹｅｓ）、当該認識結果に含まれるテキストデータの言語を第１の言語とは異なる第２の言語に翻訳する（Ｓ２２）。例えば、第２の言語が英語である場合、翻訳部１２２は、日本語のテキストデータを英語に翻訳する。

携帯端末１００の提示部１１４は、翻訳部１２２が翻訳した結果を提示する（Ｓ２３）。具体的には、提示部１１４は、テキストデータを英語に翻訳した結果をディスプレイ１０７に表示させてもよいし、スピーカ１０６から音声で出力してもよい。

一方で、携帯端末１００の翻訳部１２２は、受信した認識結果が予め登録されている第１の言語とは異なる言語であると判定部１２１が判定した場合（Ｓ２１でＮｏ）、認識結果を棄却することで、テキストデータを翻訳しない（Ｓ２４）。具体的には、翻訳部１２２は、受信した認識結果が英語である場合、英語のテキストデータを翻訳しない。

［１−４．効果など］
本実施の形態に係る音声認識方法によれば、第１の言語でない場合、第２の言語に翻訳しないので、例えば、不特定多数の人が集まっている場所であっても、ユーザが発話した以外の音声を認識することを低減できる。特に、翻訳が必要な状況下においては、ユーザは、ユーザの母国語が周囲に通じない状況であるため、周囲の人々はユーザの母国語とは異なる種類の言語を話していることがほとんどであると考えられる。このような場合において、例えば、ユーザの母国語を第１の言語に設定しておけば、不特定多数の人が周囲にいるような、ユーザ以外の人が発話した音声を誤検出しやすい状況であっても、第１の言語のみを翻訳するため、誤検出を低減できる。

また、本実施の形態に係る音声認識方法では、さらに、ユーザによる第１の言語の登録を受け付け、第１の判定では、受け付けた登録に基づく第１の言語を用いる。このため、ユーザは、容易に第１の言語を設定できる。

（実施の形態２）
次に、図７および図８を用いて、実施の形態２を説明する。

［２−１．構成］
図７は、実施の形態２に係る翻訳システムの機能構成の一例を示すブロック図である。

図７に示すように、実施の形態２に係る翻訳システム１ａでは、実施の形態１に係る翻訳システム１と比較して、携帯端末１００ａの構成が異なる。具体的には、携帯端末１００ａは、携帯端末１００の構成にさらに位置取得部１１７を有する構成である。また、携帯端末１００ａは、実施の形態１の携帯端末１００と比較して処理部１１２ａの判定部１２１ａの機能が異なる。

なお、その他の構成は、実施の形態１と同じ構成である。このため、本実施の形態では、実施の形態１と異なる構成の説明のみ行い、実施の形態１と同じ構成の説明を省略する。なお、本実施の形態では、実施の形態１と同じ構成には実施の形態１と同じ符号を付している。

また、携帯端末１００ａのハードウェア構成は、携帯端末１００と同様である。

位置取得部１１７は、携帯端末１００が位置する位置を示す位置情報を取得する。つまり、位置取得部１１７は、携帯端末１００の位置を検出する。位置取得部１１７は、例えば、コンピュータ１０１およびＧＰＳモジュール１０４などにより実現される。

判定部１２１ａは、第１の判定において、さらに、サーバ２００により認識された言語の種類が、位置取得部１１７により取得された位置情報が示す位置の地域における公用語である場合、言語の種類が第１の言語と異なる言語であると判定する。

［２−２．動作］
実施の形態２に係る翻訳システム１ａの動作は、実施の形態１に係る翻訳システム１の動作と比較して、携帯端末１００ａにおいて行われる翻訳処理が異なる。このため、携帯端末１００ａにおいて行われる翻訳処理について説明する。

図８は、実施の形態２に係る携帯端末における翻訳処理の一例を示すフローチャートである。

なお、実施の形態２に係る翻訳処理では、実施の形態１に係る翻訳処理と比較してステップＳ２２〜Ｓ２４の処理が同じであるので、当該ステップＳ２２〜Ｓ２４の処理の説明を省略する。

まず、携帯端末１００の位置取得部１１７は、携帯端末１００が位置する位置を示す位置情報を取得する（Ｓ３１）。

次に、携帯端末１００ａの判定部１２１ａは、受信した認識結果が予め登録されている第１の言語であるか否かを判定する（Ｓ２１ａ）。このとき、判定部１２１ａは、さらに、受信した認識結果が、位置取得部１１７により取得された位置情報が示す位置の地域における公用語である場合、言語の種類が第１の言語と異なる言語であると判定する。具体的には、携帯端末１００ａがアメリカに位置している場合、認識結果が、アメリカの公用語である英語であれば第１の言語と異なる言語であると判定する。このため、ステップＳ２４の処理を行い、認識結果を棄却することで、テキストデータを翻訳しない。

［２−３．効果など］
本実施の形態に係る音声認識方法によれば、さらに、携帯端末１００ａの位置を検出し、第１の判定では、さらに、言語の種類が、検出した位置の地域における公用語である場合、言語の種類が第１の言語と異なる言語であると判定する。

つまり、現在の位置における公用語を第１の言語とは異なると検出するため、その地域の公用語を翻訳しない。このため、ユーザが翻訳が必要な場合に発話した音声を翻訳することができる。

つまり、ユーザの母国語を公用語とする地域にユーザが滞在している場合、ユーザは、当該母国語を話すことができるため周囲の人々に翻訳して話す必要がない。一方で、ユーザの母国語を公用語としない地域にユーザが滞在している場合、当該地域の母国語を翻訳しないため、ユーザが発話した以外の音声を認識することを低減できる。

［２−４．変形例］
上記実施の形態２のように、携帯端末１００ａが位置情報を取得する場合、位置情報に応じて動的に第２の言語を設定してもよい。

この場合、判定部１２１ａは、位置取得部１１７が取得した位置が、第１の言語を公用語とする第１の地域とは異なる第２の地域であるか否かを判定する第２の判定を行ってもよい。

そして、翻訳部１２２は、第２の判定の結果、位置取得部１１７が取得した位置が、第２の地域である場合、当該第２の地域における公用語を第２の言語として設定してもよい。このため、ユーザは、第２の言語の設定をしなくても、ユーザが滞在している地域の公用語に翻訳することが容易にできる。

（実施の形態３）
次に、図９および図１０を用いて、実施の形態３を説明する。

［３−１．構成］
図９は、実施の形態３に係る翻訳システムの機能構成の一例を示すブロック図である。

図９に示すように、実施の形態３に係る翻訳システム１ｂでは、実施の形態２に係る翻訳システム１ａと比較して、携帯端末１００ｂの構成が異なる。具体的には、携帯端末１００ｂの処理部１１２ｂは、携帯端末１００ａの構成における処理部１１２ａがさらに位置取得部１１７を有する構成である。また、携帯端末１００ｂは、実施の形態２の携帯端末１００ａと比較して判定部１２１ｂの機能が異なる。なお、その他の構成は、実施の形態２と同じ構成である。このため、本実施の形態では、実施の形態２と異なる構成の説明のみ行い、実施の形態２と同じ構成の説明を省略する。なお、本実施の形態では、実施の形態２と同じ構成には実施の形態２と同じ符号を付している。

また、携帯端末１００ｂのハードウェア構成は、携帯端末１００と同様である。

取得部１２４は、所定のアプリケーションから出力された通知情報を取得する。

判定部１２１ｂは、さらに、位置取得部１１７が検出した位置、および、取得部１２４が取得した通知情報を用いて、携帯端末１００ｂのユーザが翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態であるか否かを判定する第３の判定を行う。翻訳の必要性がある場所とは、具体的には、ユーザの母国語とは異なる言語を公用語とする地域においてコミュニケーションが特に必要とされる場所であり、例えば、空港、ホテル、レストラン、店舗、駅などである。そして、翻訳の必要性がある状態とは、例えば、空港において飛行機にチェックインした状態、ホテルにおいてチェックインした状態、レストランや店舗において商品のクーポンがチェックされた状態、駅において改札を通過した状態などである。

ユーザが翻訳の必要性がある場所にいるか否かは、位置取得部１１７が取得した位置情報により、判定することができる。また、ユーザが翻訳の必要性がある状態であるか否かは、携帯端末１００ｂの所定のアプリケーションを利用して、ユーザが空港において飛行機にチェックインする、ホテルにチェックインする、レストランや店舗において商品のクーポンを利用する、駅において改札を通過するなどが行われることで、携帯端末１００ｂの取得部１２４が所定の通知情報を取得するため、当該通知情報により判定することができる。

また、判定部１２１ｂは、第３の判定の結果、ユーザが、翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態である場合、第１の判定を行い、ユーザが、翻訳の必要性がある場所に位置しない、または、当該必要性がある状態でない場合、第１の判定を行わない。

［３−２．動作］
実施の形態３に係る翻訳システム１ｂの動作は、実施の形態２に係る翻訳システム１の動作と比較して、携帯端末１００ｂにおいて行われる翻訳処理が異なる。このため、携帯端末１００ｂにおいて行われる翻訳処理について説明する。

図１０は、実施の形態３に係る携帯端末における翻訳処理の一例を示すフローチャートである。

なお、実施の形態３に係る翻訳処理では、実施の形態２に係る翻訳処理と比較してステップＳ３１、Ｓ２１ａ〜Ｓ２４の処理が同じであるので、当該ステップＳ３１、Ｓ２１ａ〜Ｓ２４説明を省略する。

まず、ステップＳ３１が行われ、その後、携帯端末１００ｂの判定部１２１ｂは、翻訳が必要な位置および状態であるか否かを判定する第３の判定を行う（Ｓ３２）。

判定部１２１ｂは、翻訳が必要な位置および状態であると判定した場合（Ｓ３２でＹｅｓ）、第１の判定を行う（Ｓ２１ａ）。

一方で、判定部１２１ｂは、翻訳が必要な位置および状態の少なくともいずれか一方を満たさないと判定した場合（Ｓ３２でＮｏ）、サーバ２００における多言語認識の認識結果に含まれるテキストデータを翻訳し（Ｓ２２）、翻訳した結果を提示する（Ｓ２３）。

［３−３．効果など］
本実施の形態における音声認識方法によれば、さらに、携帯端末１００ｂの位置を検出し、所定のアプリケーションから出力された通知情報を取得し、検出した位置、および、取得した通知情報を用いて、携帯端末１００ｂのユーザが翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態であるか否かを判定する第３の判定を行い、第３の判定の結果、ユーザが、翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態である場合、第１の判定および翻訳処理を行い、ユーザが、翻訳の必要性がある場所に位置しない、または、当該必要性がある状態でない場合、第１の判定および翻訳処理を行わない。このため、誤検出しやすい状況下である場合に、誤検出を低減できる。このため、処理量を削減できる。

（実施の形態４）
次に、図１１および図１２を用いて、実施の形態４を説明する。

［４−１．構成］
図１１は、実施の形態４に係る翻訳システムの機能構成の一例を示すブロック図である。

図１１に示すように、実施の形態４に係る翻訳システム１ｃでは、実施の形態１に係る翻訳システム１と比較して、携帯端末１００ｃの構成が異なる。具体的には、携帯端末１００ｃは、携帯端末１００の構成にさらに加速度取得部１１８を有する構成である。また、携帯端末１００ｃは、実施の形態１の携帯端末１００と比較して処理部１１２ｃの判定部１２１ｃの機能が異なる。なお、その他の構成は、実施の形態１と同じ構成である。このため、本実施の形態では、実施の形態１と異なる構成の説明のみ行い、実施の形態１と同じ構成の説明を省略する。なお、本実施の形態では、実施の形態１と同じ構成には実施の形態１と同じ符号を付している。

また、携帯端末１００ｃのハードウェア構成は、携帯端末１００と同様である。

加速度取得部１１８は、携帯端末１００ｃの加速度を検出する。加速度取得部１１８は、例えば、コンピュータ１０１および加速度センサ１０５などにより実現される。

判定部１２１ｃは、加速度取得部１１８が取得した加速度を用いて、携帯端末１００ｃのユーザが所定の速さ（例えば、歩行の速さ（４ｋｍ／ｈ））以上で移動しているか否かを判定する第４の判定を行う。判定部１２１ｃは、第４の判定の結果、ユーザが、所定の速さ以上で移動している場合、第１の判定を行わず、所定の速さ以上で移動していない場合、第１の判定を行う。

［４−２．動作］
実施の形態４に係る翻訳システム１ｃの動作は、実施の形態１に係る翻訳システム１の動作と比較して、携帯端末１００ｃにおいて行われる翻訳処理が異なる。このため、携帯端末１００ｃにおいて行われる翻訳処理について説明する。

図１２は、実施の形態４に係る携帯端末における翻訳処理の一例を示すフローチャートである。

なお、実施の形態４に係る翻訳処理では、実施の形態１に係る翻訳処理と比較してステップＳ２１〜Ｓ２４の処理が同じであるので、当該ステップＳ２１〜Ｓ２４の処理の説明を省略する。

まず、携帯端末１００ｃの加速度取得部１１８が携帯端末１００ｃの加速度を取得する（Ｓ４１）。

携帯端末１００ｃの判定部１２１ｃは、加速度取得部１１８が取得した加速度を用いて、携帯端末１００ｃのユーザが所定の速さ以上で移動しているか否かを判定する第４の判定を行う（Ｓ４２）。

携帯端末１００ｃの処理部１１２ｃは、ユーザが所定の速さ以上で移動していないと判定した場合（Ｓ４２でＮｏ）、ステップＳ２１を行う。一方で、携帯端末１００ｃの処理部１１２ｃは、ユーザが所定の速さ以上で移動していると判定した場合（Ｓ４２でＹｅｓ）、ステップＳ２４を行う。

［４−３．効果など］
本実施の形態に係る音声認識方法によれば、さらに、携帯端末１００ｃの加速度を検出し、検出した加速度を用いて、携帯端末１００ｃのユーザが所定の速さ以上で移動しているか否かを判定する第４の判定を行い、第４の判定の結果、ユーザが、所定の速さ以上で移動している場合、第１の判定および翻訳処理を行わず、所定の速さ以上で移動していない場合、第１の判定および翻訳処理を行う。所定の速さ以上で移動している場合、風切り音、摩擦音、振動音などの雑音を拾いやすくなるため、この場合に、第１の判定および翻訳処理を行わないことで、誤った翻訳を行うことを低減できる。

（実施の形態５）
次に、図１３および図１４を用いて、実施の形態５を説明する。

［５−１．構成］
図１３は、実施の形態５に係る翻訳システムの機能構成の一例を示すブロック図である。

図１３に示すように、実施の形態５に係る翻訳システム１ｄでは、実施の形態４に係る翻訳システム１ｃと比較して、携帯端末１００ｄの構成が異なる。具体的には、携帯端末１００ｄは、実施の形態４の携帯端末１００ｃの構成と比較して音声取得部１１１ｄ、および、処理部１１２ｄの判定部１２１ｄの機能が異なる。なお、その他の構成は、実施の形態４と同じ構成である。このため、本実施の形態では、実施の形態４と異なる構成の説明のみ行い、実施の形態４と同じ構成の説明を省略する。なお、本実施の形態では、実施の形態４と同じ構成には実施の形態４と同じ符号を付している。

また、携帯端末１００ｄのハードウェア構成は、携帯端末１００と同様である。

音声取得部１１１ｄは、携帯端末１００ｄの周囲の騒音レベルを計測する。音声取得部１１１ｄは、具体的には、音信号を、音声信号とその他の信号とに分離したときの、その他の信号のレベルを周囲の騒音として計測してもよい。音声取得部１１１ｄは、例えば、コンピュータ１０１およびマイク１０２などにより実現される。

判定部１２１ｄは、音声取得部１１１ｄが計測した騒音レベルが所定の騒音レベルより大きいか否かを判定する第５の判定を行う。判定部１２１ｄは、具体的には、計測した騒音レベルと音声信号のレベルとを比較することで、ＳＮが所定値（例えば０ｄｂ）より大きいか否かを判定し、ＳＮが所定値より大きければ騒音レベルが所定の騒音レベルより大きいと判定し、ＳＮが所定値以下であれば騒音レベルが所定の騒音レベル以下であると判定する。判定部１２１ｄは、第５の判定の結果、騒音レベルが所定の騒音レベルより大きい場合、第１の判定を行わず、騒音レベルが所定の騒音レベル以下である場合、第１の判定を行う。

［５−２．動作］
実施の形態５に係る翻訳システム１ｄの動作は、実施の形態４に係る翻訳システム１ｃの動作と比較して、携帯端末１００ｄにおいて行われる翻訳処理が異なる。このため、携帯端末１００ｄにおいて行われる翻訳処理について説明する。

図１４は、実施の形態５に係る携帯端末における翻訳処理の一例を示すフローチャートである。

なお、実施の形態５に係る翻訳処理では、実施の形態４に係る翻訳処理と比較してステップＳ４１、Ｓ４２、Ｓ２１〜Ｓ２４の処理が同じであるので、当該ステップＳ４１、Ｓ４２、Ｓ２１〜２４の処理の説明を省略する。

判定部１２１ｄは、ステップＳ４２において「Ｎｏ」と判定した場合、音声取得部１１１ｄが計測した騒音レベルが所定の騒音レベルより大きいか否かを判定する第５の判定を行う（Ｓ５１）。

携帯端末１００ｄの処理部１１２ｄは、音声取得部１１１ｄが計測した騒音レベルが所定の騒音レベル以下であると判定した場合（Ｓ５１でＮｏ）、ステップＳ２１を行う。

一方で、携帯端末１００ｄの処理部１１２ｄは、ステップＳ４２で「Ｙｅｓ」と判定された場合、ステップＳ５１で「Ｙｅｓ」と判定された場合、ステップＳ２１で「Ｎｏ」と判定された場合のいずれかの場合、ステップＳ２４を行う。

［５−３．効果など］
本実施の形態に係る音声認識方法によれば、さらに、携帯端末１００ｄの周囲の騒音レベルを計測し、計測した騒音レベルが所定の騒音レベルより大きいか否かを判定する第５の判定を行い、第５の判定の結果、騒音レベルが所定の騒音レベルより大きい場合、第１の判定および翻訳処理を行わず、騒音レベルが所定の騒音レベル以下の場合、第１の判定および翻訳処理を行う。騒音を検出している場合、第１の判定および翻訳処理を行わないことで、誤った翻訳を行うことを低減できる。

（実施の形態６）
次に、図１５および図１６を用いて、実施の形態６を説明する。

［６−１．構成］
図１５は、実施の形態６に係る携帯端末の機能構成の一例を示すブロック図である。

図１５に示すように、実施の形態６では、実施の形態１とは異なり、携帯端末１００ｅが音声認識方法における全ての処理を行う。つまり、実施の形態６の携帯端末１００ｅは、実施の形態１に係る携帯端末１００と比較して、処理部１１２ｅが実施の形態１においてサーバ２００が行っていた多言語認識を行う認識部１２５を有する点が異なる。携帯端末１００ｅの記憶部１１３ｅは、実施の形態１で説明した多言語データベースを記憶している。また、携帯端末１００ｅは、サーバ２００と通信を行う必要が無いため、通信部１１５を備えていなくてもよい。なお、その他の構成は、実施の形態１と同じ構成である。このため、本実施の形態では、実施の形態１と異なる構成の説明のみ行い、実施の形態１と同じ構成の説明を省略する。なお、本実施の形態では、実施の形態１と同じ構成には実施の形態１と同じ符号を付している。

なお、認識部１２５は、実施の形態１に係るサーバ２００の認識部２１２と同様のことを行うため、詳細な説明を省略する。

［６−２．動作］
図１６は、実施の形態６に係る携帯端末における音声認識方法の一例を示すフローチャートである。

図１６に示すように、実施の形態６に係る携帯端末１００ｅの動作は、実施の形態１に係る翻訳システム１の動作と比較して、全て携帯端末１００ｅで処理が完結している点が異なる。つまり、図５で説明したシーケンス図において、ステップＳ１２、Ｓ１３、Ｓ１５、Ｓ１６が省略されている。

ステップＳ１１の音声を取得する処理が行われた後に、多言語認識する処理を携帯端末１００ｅの認識部１２５が行うステップＳ６１が追加されている。

ステップＳ６１の後には、ステップＳ２１〜Ｓ２４が行われる。

このように、サーバ２００に多言語認識をさせずに、携帯端末１００ｅだけで音声認識方法を行ってもよい。

なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の音声認識方法などを実現するソフトウェアは、次のようなプログラムである。

すなわち、このプログラムは、コンピュータに、携帯端末が取得した音声情報を認識し、当該音声情報が示す音声の言語とは異なる言語に翻訳する音声認識方法であって、前記音声情報を取得し、取得した前記音声情報が示す音声の言語の種類を認識し、認識した前記言語の種類が予め登録されている第１の言語であるか否かを判定する第１の判定を行い、前記第１の判定の結果、前記言語の種類が前記第１の言語である場合、前記音声の言語を前記第１の言語とは異なる第２の言語に翻訳する翻訳処理を行う音声認識方法を実行させる。

以上、本発明の一つまたは複数の態様に係る音声認識方法について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の一つまたは複数の態様の範囲内に含まれてもよい。

本開示は、端末のユーザ以外の人が発話した音声を認識して、翻訳することを低減することができる音声認識方法、携帯端末、プログラムなどとして有用である。

１、１ａ〜１ｄ 翻訳システム
１００、１００ａ〜１００ｅ 携帯端末
１０１ コンピュータ
１０２ マイク
１０３ 入力ＩＦ
１０４ ＧＰＳモジュール
１０５ 加速度センサ
１０６ スピーカ
１０７ ディスプレイ
１０８ 通信ＩＦ
１１１、１１１ｄ 音声取得部
１１２、１１２ａ〜１１２ｅ 処理部
１１３、１１３ｅ 記憶部
１１４ 提示部
１１５ 通信部
１１６ 入力部
１１７ 位置取得部
１１８ 加速度取得部
１２１、１２１ａ〜１２１ｄ 判定部
１２２ 翻訳部
１２３ 登録部
１２４ 取得部
１２５ 認識部
２００ サーバ
２０１ コンピュータ
２０２ 通信ＩＦ
２１１ 通信部
２１２ 認識部
２１３ 記憶部
３００ 通信ネットワーク

Claims (11)

1. 携帯端末が取得した音声情報を認識し、当該音声情報が示す音声の言語とは異なる言語に翻訳する音声認識方法であって、
   前記音声情報を取得し、
   取得した前記音声情報が示す音声の言語の種類を認識し、
   認識した前記言語の種類が予め登録されている第１の言語であるか否かを判定する第１の判定を行い、
   前記第１の判定の結果、前記言語の種類が前記第１の言語である場合、前記音声の言語を前記第１の言語とは異なる第２の言語に翻訳する翻訳処理を行う
   音声認識方法。
2. さらに、
   ユーザによる前記第１の言語の登録を受け付け、
   前記第１の判定では、受け付けた前記登録に基づく前記第１の言語を用いる
   請求項１に記載の音声認識方法。
3. さらに、
   前記携帯端末の位置を検出し、
   前記第１の判定では、さらに、前記言語の種類が、検出した前記位置の地域における公用語である場合、前記言語の種類が前記第１の言語と異なる言語であると判定する
   請求項１または２に記載の音声認識方法。
4. さらに、
   検出した前記位置が、前記第１の言語を公用語とする第１の地域とは異なる第２の地域であるか否かを判定する第２の判定を行い、
   前記第２の判定の結果、前記位置が前記第２の地域である場合、当該第２の地域における公用語を前記第２の言語として設定する
   請求項３に記載の音声認識方法。
5. さらに、
   前記携帯端末の位置を検出し、
   所定のアプリケーションから出力された通知情報を取得し、
   検出した位置、および、取得した前記通知情報を用いて、前記携帯端末のユーザが翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態であるか否かを判定する第３の判定を行い、
   前記第３の判定の結果、前記ユーザが、前記翻訳の必要性がある場所に位置し、かつ、当該必要性がある状態である場合、前記第１の判定および前記翻訳処理を行う
   請求項１から４のいずれか１項に記載の音声認識方法。
6. 前記翻訳の必要性がある場所とは、空港、ホテル、レストラン、店舗、駅のいずれかである
   請求項５に記載の音声認識方法。
7. 前記翻訳の必要性がある状態とは、空港において飛行機にチェックインした状態、ホテルにおいてチェックインした状態、レストランや店舗において商品のクーポンがチェックされた状態、駅において改札を通過した状態のいずれかである
   請求項５に記載の音声認識方法。
8. さらに、
   前記携帯端末の加速度を検出し、
   検出した前記加速度を用いて、前記携帯端末のユーザが所定の速さ以上で移動しているか否かを判定する第４の判定を行い、
   前記第４の判定の結果、前記ユーザが、前記所定の速さ以上で移動していない場合、前記第１の判定および前記翻訳処理を行う
   請求項１から７のいずれか１項に記載の音声認識方法。
9. さらに、
   前記携帯端末の周囲の騒音レベルを計測し、
   計測した前記騒音レベルが所定の騒音レベルより大きいか否かを判定する第５の判定を行い、
   前記第５の判定の結果、前記騒音レベルが前記所定の騒音レベル以下の場合、前記第１の判定および前記翻訳処理を行う
   請求項１から８のいずれか１項に記載の音声認識方法。
10. マイクと、プロセッサと、メモリとを備える携帯端末であって、
    前記プロセッサは、
    前記マイクによって収集された音から、音声を示す音声情報を抽出し、
    抽出した前記音声情報が示す音声の言語の種類を認識し、
    認識した前記言語の種類が前記メモリに予め登録されている第１の言語であるか否かを判定する第１の判定を行い、
    前記第１の判定の結果、前記言語の種類が前記第１の言語である場合、前記音声の言語を前記第１の言語とは異なる第２の言語に翻訳する翻訳処理を行う
    携帯端末。
11. 請求項１から９のいずれか１項に記載の音声認識方法をコンピュータに実行させるためのプログラム。

Images