JP2018072508A - 音声入力装置、音声入力方法 - Google Patents

Abstract

【課題】複数の入力項目に対して音声入力を行なう場合における操作入力にかかる手間を増大させないようにすることができる音声入力装置を提供する。【解決手段】集音された音声に応じた音声信号からテキストデータを生成する音声認識部と、入力操作に応じてテキストデータを入力可能な入力欄を複数含んだ入力対象データが表示される表示画面における入力欄に対し、前記入力欄に入力する対象となるテキストデータを、前記音声認識部によって生成されたテキストデータを分割して得られる分割テキストデータから取得して、対応する前記入力欄にそれぞれ入力するデータ入力部と、を有する。【選択図】図１

Description

本発明は、音声入力装置、音声入力方法に関する。

各種サービスの申し込み画面における入力項目に対して、スマートフォンのタッチパネルや、ＰＣ（パーソナルコンピュータ）に接続されたキーボード等の入力装置から文字列等を入力することで、申込データの作成が行なわれている。申込画面においては、入力項目が複数存在するものがあり、例えば、氏名、住所、電話番号等の入力項目がある。
このような入力項目に対してデータを入力する場合、ユーザは、入力対象の入力項目の入力欄を画面上でタッチしたり、マウスを操作して入力欄までポインタを移動させてクリックすることで、どの入力項目に入力するかを選択する。そして、タッチパネルやキーボードからデータを入力する。
このような入力項目に対するデータの入力方法として、文字列を入力装置から入力する方法以外に、音声で入力することができるものもある（例えば、特許文献１参照）。

特開２０１４−０８５９５４号公報

しかしながら、入力項目が複数ある場合、ユーザは、入力する対象の入力項目をタッチ入力等することで指定した後に発話し、その後、次の入力項目をタッチ入力することで指定し、発話をするという動作を繰り返す必要があり、入力項目が増えるほど、タッチ操作等をして入力する対象の入力項目を指定する操作の数が増大し、入力にかかる手間が増大する。

本発明は、このような事情に鑑みてなされたもので、その目的は、複数の入力項目に対して音声入力を行なう場合における操作入力にかかる手間を増大させないようにすることができる音声入力装置、音声入力方法を提供することにある。

上述した課題を解決するために、本発明は、集音された音声に応じた音声信号からテキストデータを生成する音声認識部と、入力操作に応じてテキストデータを入力可能な入力欄を複数含んだ入力対象データが表示される表示画面における入力欄に対し、前記入力欄に入力する対象となるテキストデータを、前記音声認識部によって生成されたテキストデータを分割して得られる分割テキストデータから取得して、対応する前記入力欄にそれぞれ入力するデータ入力部と、を有する。

また、本発明は、上述の音声入力装置において、前記テキストデータに含まれるキーワードを複数検出し、検出されたキーワードのうち、第１キーワードと第２キーワードの間のテキストデータを前記第１キーワードに対する分割テキストデータとして抽出し、前記第２キーワードの後段のテキストデータの少なくとも一部から第２キーワードに対する分割テキストデータとして抽出する入力データ抽出部を有し、前記データ入力部は、前記入力データ抽出部によって得られた分割テキストデータのそれぞれを、前記対応する入力欄にそれぞれ入力する。

また、本発明は、上述の音声入力装置において、入力項目に対する分割テキストデータの候補である単語と、前記入力項目を構成する複数の小項目のうち少なくとも１つとを対応づけて記憶する辞書データ記憶部を有し、前記データ入力部は、前記入力データ抽出部によって抽出された分割テキストデータに前記辞書データ記憶部に記憶された単語がある場合に、前記単語に対応する小項目に対して当該単語を記述する。

また、本発明は、上述の音声入力装置において、前記入力項目に対応した変換データを記憶する変換データ記憶部と、前記入力データ抽出部によって抽出された分割テキストデータの少なくとも一部に前記変換データ記憶部に記憶された変換対象の文字が含まれている場合に、前記変換データに基づいて、前記変換対象の文字を当該文字とは異なる文字に変換するデータ変換部とを有し、前記データ入力部は、前記入力データ抽出部によって抽出された分割テキストデータについて前記データ変換部によって変換された後の分割テキストデータを入力項目に対して記述する。

また、本発明は、コンピュータにおける音声入力方法であって、音声認識部が、集音された音声に応じた音声信号からテキストデータを生成し、データ入力部が、入力操作に応じてテキストデータを入力可能な入力欄を複数含んだ入力対象データが表示される表示画面における入力欄に対し、前記入力欄に入力する対象となるテキストデータを、前記音声認識部によって生成されたテキストデータを分割して得られる分割テキストデータから取得して、対応する前記入力欄にそれぞれ入力する。

以上説明したように、この発明によれば、複数の入力項目に対して音声入力を行なう場合における操作入力にかかる手間を増大させないようにして音声入力を行なうことができる。

この発明の一実施形態による音声入力装置を適用した携帯端末の構成を示す概略ブロック図である。 携帯端末１における入力対象の入力画面の一例を示す図である。 携帯端末１の動作を説明するフローチャートである。 入力項目に対する入力データを得る処理を説明する概念図である。 入力項目に対する文字列の入力が行なわれた後の状態を表す画面の一例を示す図である。

以下、本発明の一実施形態による音声入力装置について図面を参照して説明する。
図１は、この発明の一実施形態による音声入力装置を適用した携帯端末の構成を示す概略ブロック図である。携帯端末１は、音声信号生成部１１、音声認識部１２、辞書データ記憶部１３、変換データ記憶部１４、入力データ抽出部１５、データ変換部１６、データ入力部１７、表示部１８、操作入力部１９を有する。

音声信号生成部１１は、音声を集音して音声信号を生成する。例えば、音声信号生成部１１は、マイクロフォンが用いられる。音声認識部１２は、音声信号生成部１１が生成した音声信号からテキストデータを生成する。

辞書データ記憶部１３は、入力項目に対する入力データの候補である単語と、入力項目を構成する複数の小項目のうち少なくとも１つとを対応づけて記憶する。ここで、入力データは、テキストデータの少なくとも一部のデータであり、入力項目の入力欄に対して入力することが可能なデータである。また、入力項目は、複数の小項目を含む場合がある。例えば、入力項目が「住所」である場合には、小項目として、「都道府県」、「市区町村」、「番地」、「建物名」（あるいは「番地など」）などがあり、この複数の小項目から１つの入力項目が構成される。入力データの候補となる単語としては、例えば、「都道府県」であれば、「東京都」、「大阪府」、「北海道」、「埼玉県」等、都道府県として存在しうる名称が記憶される。

変換データ記憶部１４は、入力項目に対応した変換データを記憶する。ここでは、テキストデータが表す文字をそのまま入力データとして適用することもできるが、入力項目においては、一般的な発話内容と一般的な記述内容が異なる場合がある。例えば、電話番号の市外局番とエリアコード、エリアコードと加入者番号の間は、発話する場合、「０３の００００の００００」のように「の」として発話するが、電話番号を文字列にて記述する場合には、「０３−００００−００００」のように、「−」（ハイフン）が用いられる。このように、発話内容と記述する際の文字列とが異なる場合であっても、記述する際の文字列を意識することなく発話しても、記述方法に沿った文字列に変換することが可能となる。

入力データ抽出部１５は、テキストデータに含まれるキーワードを複数検出し、検出されたキーワードのうち、第１キーワードと第２キーワードの間のテキストデータを第１キーワードに対する入力データ（分割テキストデータ）として抽出し、第２キーワードの後段のテキストデータの少なくとも一部から第２キーワードに対する入力データ（分割テキストデータ）として抽出する。このようにキーワードに基づくことで、複数の入力項目のうち、どの入力項目に入力すべき文字列であるかを区切って識別することができる。詳細は後述する。
データ変換部１６は、入力データ抽出部によって抽出された入力データの少なくとも一部に変換データ記憶部に記憶された変換対象の文字が含まれている場合に、変換データに基づいて、変換対象の文字を当該文字とは異なる文字に変換する。

データ入力部１７は、入力操作に応じてテキストデータを入力可能な入力欄を複数含んだ入力対象データが表示される表示画面における入力欄に対し、前記入力欄に入力する対象となるテキストデータを、前記音声認識部によって生成されたテキストデータを分割して得られる分割テキストデータから取得して、対応する前記入力欄にそれぞれ入力することで記述する。また、データ入力部１７は、入力データ抽出部１５によって抽出された入力データに辞書データ記憶部１４に記憶された単語がある場合に、単語に対応する小項目に対して当該単語を記述する。また、データ入力部１７は、入力データ抽出部１５によって抽出された入力データについてデータ変換部１６によって変換された後のテキストデータを入力項目に対して記述する。

表示部１８は、例えば液晶パネル等であり、各種情報を表示する。操作入力部１９は、タッチセンサであり、検出領域内のどの位置がタッチされたかを検出する。表示部１８と操作入力部１９は、タッチパネルを用いることができる。制御部２０は、端末装置１内の各部を制御する。

図２は、携帯端末１における入力対象の入力画面の一例を示す図である。
入力画面は、例えば、入力項目とその入力項目に対応した入力欄との組が複数含まれる入力画面であればよく、例えば、各種サービス（銀行口座開設、ローン、旅行、クレジットカード作成など）の申込データ、見積書等の作成を依頼する作成依頼データ、ネットショッピングにおける商品の配達先を登録する宛先データ等がある。この入力画面において、入力項目として、「氏名」（符号１００）、「住所」（符号１１０）、「電話番号」（符号１２０）、「会社名」（符号１３０）がある。入力項目「住所」については、さらに複数の入力項目が小項目として含まれており、ここでは、「都道府県」（符号１１１）、「市町村」（符号１１２）、「番地など」（符号１１３）の小項目がある。そして、これら入力項目、あるいは小項目には、入力欄（符号１４０）がそれぞれ並べられている。また、入力画面の一部（ここでは、画面右上）には、音声入力を行なう機能のオンオフを切替える音声入力ボタン（符号２００）が設けられている。

次に、上述した携帯端末１の動作について図３、図４、図５を用いて説明する。図３は、携帯端末１の動作を説明するフローチャート、図４は、入力項目に対する入力データを得る処理を説明する概念図、図５は、入力項目に対する文字列の入力が行なわれた後の状態を表す画面例を示す図である。
まず、携帯端末１の制御部２０は、ユーザからの操作入力に基づいて、入力対象となる申込データ（例えば、図２）を表示部１８の画面に表示する。制御部２０は、表示部１８に表示された画面に対してタッチ入力されたか否かを検出する（ステップＳ１０１）。タッチ入力されていない場合には（ステップＳ１０１−ＮＯ）、一定時間ウエイトし（ステップＳ１０２）、ステップＳ１０１に移行する。

一方、タッチ入力された場合、制御部２０は、音声入力をオンにする指示であるか否かを判定する（ステップＳ１０３）。音声入力をオンにする指示であるか否かは、音声入力ボタン（図２符号２００）をタッチする操作入力であるか否かを基に判断することができる。音声入力をオンにする指示ではない場合（ステップＳ１０３−ＮＯ）、例えば、入力対象項目をタッチして、タッチパネル上の操作ボタンをタッチすることで文字入力された場合には、タッチ入力による文字列の入力処理を行なう（ステップＳ１０４）。

一方、音声入力をオンにする操作である場合、制御部２０は、音声入力処理を開始する。音声入力処理が開始されると、音声信号生成部１１は、ユーザによって発話される音声を取得し、得られた音声に対応する音声信号を生成する（ステップＳ１０５）。音声信号が生成されると、音声認識部１２は、音声信号に基づいて音声認識処理を行なうことで、音声信号に対応するテキストデータを生成する（ステップＳ１０６）。例えば、ここで得られるテキストデータは、「氏名は山田太郎 住所は東京都港区１の１の１ 電話番号は０３の００００の００００ 会社名は特許株式会社」（図４、符号３００）である。

テキストデータが生成されると、入力データ抽出部１５は、テキストデータに含まれるキーワードを検出する（ステップＳ１０７）。ここで検出するキーワードは、入力項目の名称に対応する文字列であり、例えば、「氏名」（図４符号４００）、「住所」（図４符号４０２）、「電話番号」（図４符号４０４）、「会社名」（図４符号４０６）である。そして、入力データ抽出部１５は、検出された複数のキーワードを基に、キーワードとキーワードの間にある文字列を特定するとともに、最終キーワードの後段の文字列を特定する（ステップＳ１０８）。ここで、最終キーワードとは、得られたテキストデータの最も文末側にあるキーワードであり、ここでは、「会社名」である。そして、このステップＳ１０８において、キーワードとキーワードの間にある文字列として特定される文字列は、例えば、「は山田太郎」、「は東京都港区１の１の１」、「は０３の００００の００００」であり、最終キーワードの後段にある文字列として特定される文字列は、「は特許株式会社」である。そして特定された文字列の先頭に所定の文字（例えば、「は」）がある場合には、特定された文字列から除外し、「山田太郎」（図４符号４０１）、「東京都港区１の１の１」（図４符号４０３）、「０３の００００の００００」（図４符号４０５）、「特許株式会社」（図４符号４０７）の文字列を特定された文字列として得る。

次に、入力データ抽出部１５は、小項目がある入力項目に対する文字列について、小項目に対応するように分割する（ステップＳ１０９）。小項目がある入力項目であるか否かについて、入力データ抽出部１５は、予め携帯端末１の所定のメモリ領域内に入力項目名を登録しておき、ステップＳ１０７において検出されたキーワードに、メモリ領域に登録された入力項目名に対応するキーワードがあるか否かを判定し、対応するキーワードがある場合には、そのキーワードの直ぐ後ろ側にある文字列を小項目に分割する対象の文字列であるとして特定する。そして、入力データ抽出部１５は、辞書データ記憶部１３を参照し、特定された文字列の中に、辞書データ記憶部１３に登録された文字列が含まれているか否かを判定する。例えば、この辞書データ記憶部１３には、入力項目「住所」に対応づけて、住所の候補として、都道府県（例えば、「東京都」、「神奈川県」、「大阪府」等の４７都道府県の名称）、市区町村の名称（例えば、「港区」、「千代田区」、「青葉区」、「中央区」等の４７都道府県に存在しうる市区町村の名称）の文字列のデータが記憶されている。入力データ抽出部１５は、「住所」の後段の文字列である「東京都港区１の１の１」のうち、辞書データ記憶部１３に記憶された文字列「東京都」と「港区」とがそれぞれ小項目に対応する文字列として特定し、残りの「１の１の１」についても、小項目に対応する文字列として特定し、もとの文字列「東京都港区１の１の１」を分割して、「東京都」と「港区」と「１の１の１」との３つの文字列を得る。

次に、入力データ抽出部１５は、変換データ記憶部１４を参照し、特定された文字列のそれぞれについて、変換対象の文字について、別の文字に変換する（ステップＳ１１０）。ここで、変換データ記憶部１４は、入力項目「住所」の小項目「番地など」に対応する文字列を対象として、「の」の文字がある場合には、変換後の文字が「−」（ハイフン）であることが記憶され、入力項目「電話番号」に対応する文字列を対象として、「の」の文字がある場合には、変換後の文字が「−」（ハイフン）であることを記憶している。入力データ抽出部１５は、この変換データ記憶部１４を参照し、文字列に変換対象の文字がある場合には、文字の変換を行なう。例えば、「１の１の１」の文字列は、「１−１−１」に変換され、「０３の００００の００００」の文字列は、「０３−００００−００００」に変換される。

次に、データ入力部１７は、入力データ抽出部１５によって得られた文字列について、対応する入力項目の入力欄に、キーワードを基に記述する（ステップＳ１１１）。
ここでは、データ入力部１７は、例えば、キーワード「氏名」とキーワード「住所」の間にある文字列「山田太郎」を、入力項目「氏名」に対する入力データであると特定し、「氏名」に対応する入力欄に記述する。以下同様に、データ入力部１７は、キーワード「住所」とキーワード「電話番号」の間にある文字列については、ステップＳ１０９において分割されており、この分割された文字列を対応する小項目の入力欄に記述する。ここでは、小項目「都道府県」に文字列「東京都」、小項目「市区町村」に「港区」が記述され、「番地など」については、ステップＳ１１０において変換された後の文字列「１−１−１」が記述される。また、データ入力部１７は、キーワード「電話番号」とキーワード「会社名」の間にある文字列であって、ステップＳ１１０において変換された後の文字列「０３−００００−００００」を、入力項目「電話番号」に対する入力データであると特定し、「電話番号」に対応する入力欄に記述する。そして、データ入力部１７は、最終キーワード「会社名」の後段にある文字列「特許株式会社」を、入力項目「会社名」に対する入力データであると特定し、「会社名」に対応する入力欄に記述する。このようにして入力項目の入力欄に対する文字列の記述が行なわれると、図５に示すように、各入力欄に、音声入力された情報に基づく文字列が記述される。この記述がなれた後に、送信ボタン（符号５００）がタッチ入力された場合、携帯端末１は、申込データの送信先のサーバ装置に対して、入力項目に対する入力データを送信する。

以上説明した実施形態において、図５に示す音声入力が行なわれた後の画面において、記述された文字列について、修正したい文字列がある場合には、その修正対象の入力欄をタッチ操作することで、その入力欄に対し、音声入力あるいは、タッチ操作による文字列の入力を行ない、文字列の修正を行なうことができる。

また、上述の実施形態において、ステップＳ１０３において、音声入力ボタンがタッチされた時点から音声入力処理が開始される場合について説明したが、音声入力処理の終了タイミングとしては、再度音声入力ボタンがタッチされるまで、音声入力ボタンがタッチされてから所定の時間が経過するまで、あるいは、タッチされた指が音声入力ボタンから離れるまで、のいずれのタイミングであってもよい。

また、上述の実施形態において、申込データの入力画面において１つの音声入力ボタンを設ける場合について説明したが、入力項目よりも少ない数の範囲であれば、音声入力ボタンを複数設けるようにしてもよい。例えば、氏名と住所を対象として音声入力するための音声入力ボタンと、電話番号と会社名とを対象として音声入力するための音声入力ボタンとを設けるようにしてもよい。

また、上述した実施形態において、ステップＳ１０８の文字列を特定する処理において、特定された文字列の先頭に所定の文字（例えば、「は」）がある場合に、特定された文字列から除外するようにしたが、「が」を除外対象の文字として予め登録しておき、「氏名が山田太郎・・・」等のテキストデータから「が山田太郎」の文字列が得られた場合には、文字列の先頭の所定の文字として「が」を除外するようにしてもよい。

また、上述の実施形態においては、本発明に係る音声入力処理を携帯端末１において適用する場合について説明したが、スマートフォン、ＰＣ（パーソナルコンピュータ）において適用するようにしてもよい。また、音声入力を端末装置において行ない、得られた音声データまたはテキストデータをサーバ装置に送信し、本発明に係る音声入力処理をそのサーバ装置において行ない、入力欄に記述された後の結果を端末装置に送信するようにしてもよい。また、例えば、携帯端末１における機能のうち、音声認識部１２、辞書データ記憶部１３、変換データ記憶部１４の機能をサーバ装置において行なうようにしてもよい。

上述した実施形態における音声信号生成部１１、音声認識部１２、辞書データ記憶部１３、変換データ記憶部１４、入力データ抽出部１５、データ変換部１６、データ入力部１７の機能をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１…携帯端末
１１…音声信号生成部
１２…音声認識部
１３…辞書データ記憶部
１４…変換データ記憶部
１５…入力データ抽出部
１６…データ変換部
１７…データ入力部
１８…表示部
１９…操作入力部

Claims (5)

1. 集音された音声に応じた音声信号からテキストデータを生成する音声認識部と、
   入力操作に応じてテキストデータを入力可能な入力欄を複数含んだ入力対象データが表示される表示画面における入力欄に対し、前記入力欄に入力する対象となるテキストデータを、前記音声認識部によって生成されたテキストデータを分割して得られる分割テキストデータから取得して、対応する前記入力欄にそれぞれ入力するデータ入力部と、
   を有する音声入力装置。
2. 前記テキストデータに含まれるキーワードを複数検出し、検出されたキーワードのうち、第１キーワードと第２キーワードの間のテキストデータを前記第１キーワードに対する分割テキストデータとして抽出し、前記第２キーワードの後段のテキストデータの少なくとも一部から第２キーワードに対する分割テキストデータとして抽出する入力データ抽出部を有し、
   前記データ入力部は、前記入力データ抽出部によって得られた分割テキストデータのそれぞれを、前記対応する入力欄にそれぞれ入力する
   請求項１記載の音声入力装置。
3. 入力項目に対する分割テキストデータの候補である単語と、前記入力項目を構成する複数の小項目のうち少なくとも１つとを対応づけて記憶する辞書データ記憶部を有し、
   前記データ入力部は、前記入力データ抽出部によって抽出された分割テキストデータに前記辞書データ記憶部に記憶された単語がある場合に、前記単語に対応する小項目に対して当該単語を記述する
   請求項１または請求項２記載の音声入力装置。
4. 前記入力項目に対応した変換データを記憶する変換データ記憶部と、
   前記入力データ抽出部によって抽出された分割テキストデータの少なくとも一部に前記変換データ記憶部に記憶された変換対象の文字が含まれている場合に、前記変換データに基づいて、前記変換対象の文字を当該文字とは異なる文字に変換するデータ変換部と
   を有し、
   前記データ入力部は、前記入力データ抽出部によって抽出された分割テキストデータについて前記データ変換部によって変換された後の分割テキストデータを入力項目に対して記述する
   請求項１から請求項３のうちいずれか一項に記載の音声入力装置。
5. コンピュータにおける音声入力方法であって、
   音声認識部が、集音された音声に応じた音声信号からテキストデータを生成し、
   データ入力部が、入力操作に応じてテキストデータを入力可能な入力欄を複数含んだ入力対象データが表示される表示画面における入力欄に対し、前記入力欄に入力する対象となるテキストデータを、前記音声認識部によって生成されたテキストデータを分割して得られる分割テキストデータから取得して、対応する前記入力欄にそれぞれ入力する
   音声入力方法。

Images