JP2018180260A

JP2018180260A - 音声認識装置

Info

Publication number: JP2018180260A
Application number: JP2017079219A
Authority: JP
Inventors: 謙太郎中村; Kentaro Nakamura; 貴章伊藤; Takaaki Ito
Original assignee: Toyota Motor Corp; Computer Engineering and Consulting Ltd
Current assignee: Toyota Motor Corp; Computer Engineering and Consulting Ltd
Priority date: 2017-04-12
Filing date: 2017-04-12
Publication date: 2018-11-15
Anticipated expiration: 2037-04-12
Also published as: JP6805431B2

Abstract

【課題】取得した音声の発話内容に基づいて、音声認識データベースを参照して音声認識を行う音声認識装置において、音声認識データベースに予め登録されていない発話内容の認識率を向上させる。【解決手段】音声認識装置は、発話者の音声を取得し、取得した音声の発話内容に基づいて音声認識データベースを参照して、発話内容に対応する目的語を決定する音声認識を行う音声認識装置であって、音声認識に失敗し、かつ前記音声認識とは別の方法で目的語が設定された場合、音声認識に失敗した発話内容、及び設定された目的語を母音に変換する変換部と、音声認識に失敗した発話内容の母音と、設定された目的語の母音との一致率を判定する判定部と、判定部が判定した一致率が閾値以上である場合、音声認識に失敗した発話内容と設定された目的語とを対応付けて音声認識データベースに登録する登録部と、を有する。【選択図】図１

Description

本発明は、音声認識装置に関する。

発話者の発話音声を取得し、取得した音声の発話内容に基づいて予め登録された音声認識データベース（音声認識辞書）を参照して、音声認識を行う音声認識装置が知られている。

例えば、施設名全体の読みの第１の認識語と、施設名の先頭の音節を母音の音節に置き換えた第２の認識語を認識辞書内に準備し、施設名の先頭の子音を取りこぼした場合、第２の認識語との相関により音声認識を行う技術が知られている（例えば、特許文献１参照）。

特開２００１−８３９８３号公報

特許文献１に開示された音声認識装置では、施設名の第２の認識語が、予め認識辞書内に登録されていない場合、第２の認識語を利用することができないため、認識率を上げることは困難である。

本発明の実施の形態は、上記の問題点に鑑みてなされたものであって、取得した音声の発話内容に基づいて、音声認識データベースを参照して音声認識を行う音声認識装置において、音声認識データベースに予め登録されていない発話内容の認識率を向上させる。

上記の課題を解決するため、本発明の一実施形態に係る音声認識装置は、発話者の音声を取得し、取得した音声の発話内容に基づいて音声認識データベースを参照して、前記発話内容に対応する目的語を決定する音声認識を行う音声認識装置であって、前記音声認識に失敗し、かつ前記音声認識とは別の方法で前記目的語が設定された場合、前記音声認識に失敗した前記発話内容、及び前記設定された目的語を母音に変換する変換部と、前記音声認識に失敗した前記発話内容の母音と、前記設定された目的語の母音との一致率を判定する判定部と、前記判定部が判定した一致率が閾値以上である場合、前記音声認識に失敗した前記発話内容と、前記設定された目的語とを対応付けて前記音声認識データベースに登録する登録部と、を有する。

本発明の実施形態では、音声認識装置が音声認識に失敗した場合でも、母音の認識は正しい傾向があることに着目し、音声認識に失敗した発話内容と、設定された目的語の母音の一致率が閾値以上である場合、両者を対応付けて音声認識データベースに登録する。

これにより、音声認識に失敗した発話内容に対応する目的語が、音声認識データベースに自動的に登録されるので、音声認識データベースに予め登録されていない発話内容の認識率を向上させることができるようになる。

本発明の実施の形態によれば、取得した音声の発話内容に基づいて、音声認識データベースを参照して音声認識を行う音声認識装置において、予め音声認識データベースに登録されていない発話内容の認識率を向上させることができる。

一実施形態に係る音声認識装置の構成と処理の一例を示す図（１）である。一実施形態に係る母音への変換、及び認識データベースへの登録について説明するための図である。一実施形態に係る音声認識装置の構成と処理の一例を示す図（２）である。一実施形態に係る音声認識装置の処理の流れを示すフローチャートである。

以下、図面を参照して発明を実施するための形態について説明する。

＜音声認識装置の構成＞
図１は、一実施形態に係る音声認識装置の構成と処理の一例を示す図（１）である。音声認識装置１００は、発話者の音声を取得し、取得した音声の発話内容に基づいて音声認識データベース（以下、認識ＤＢと呼ぶ）１４０を参照して、発話内容に対応する目的語（例えば、目的地等）を決定する音声認識を行う情報処理装置である。

音声認識装置１００は、一般的なコンピュータのハードウェア構成を有しており、例えば、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ストレージ装置、表示装置、及び入力装置等を有する。

また、音声認識装置１００は、ＣＰＵで所定のプログラムを実行することにより、図１に示す音声認識部１１０、目的語設定部１２０、登録処理部１３０、及び認識ＤＢ１４０等を実現している。

音声認識部１１０は、音声認識装置１００の外部又は内部に設けられたマイク等を用いて発話者の音声を取得し、取得した音声の発話内容（例えば、音声データ）で認識ＤＢ１４０を検索して、発話内容に対応する目的語を決定する音声認識を行う。音声認識部１１０は、例えば、音声認識装置１００のＣＰＵで実行されるプログラムによって実現される。或いは、音声認識部１１０は、専用のモジュールやマイコン（マイクロコンピュータ）等によって実現されるものであっても良い。

音声認識部１１０によって決定される目的語は、例えば、ナビゲーション装置等に設定する「目的地」等の情報である。また、目的語は、目的地に限られず、例えば、ナビゲーション装置等の情報処理装置に対する操作の指示等の情報であっても良い。ここでは、目的語が、ナビゲーション装置に設定する目的地であるものとして、以下の説明を行う。

音声認識部１１０は、取得した音声の発話内容で認識ＤＢ１４０を検索し、発話内容に対応する目的語が検索された場合（音声認識に成功した場合）、検索された目的語を、例えば、ナビゲーション装置の目的地として設定（決定）する。一方、音声認識部１１０は、発話内容に対応する目的語が検索されなかった場合（音声認識に失敗した場合）、音声認識に失敗した発話内容を、音声認識装置１００のＲＡＭやストレージ装置等の記憶部に記憶する。

目的語設定部１２０は、例えば、音声認識装置１００のＣＰＵで実行されるプログラムによって実現され、音声認識部１１０が音声認識に失敗したときに、失敗した音声認識とは別の方法で目的語の設定を行うための手段である。

なお、目的語設定部１２０による、目的語の設定を行う別の方法は、任意の方法であって良い。

例えば、目的語設定部１２０は、音声認識部１１０を用いて、音声認識のリトライにより、目的語を設定するものであって良い。この場合、発話者は、例えば、声の大きさ、アクセント、発話速度等を代えて、発話を繰り返すことにより、目的語を設定する。

また、別の一例として、発話者は、音声認識に失敗した発話内容（例えば「モレロ皮膚」）の一部（例えば「モレロ」）を発話し、表示装置に表示された「モレロ」に対応する１つ以上の候補の中から、目的語（例えば「モレロ岐阜」）を選択し目的語を設定するもの等であっても良い。

さらに、別の一例として、発話者は、音声認識装置１００の表示装置に表示されたソフトウェアキーボードや、リモコン等を用いて、目的語を示す文字列を音声認識装置１００に入力し目的語を設定するもの等であっても良い。

目的語設定部１２０は、設定された目的語を、例えば、ナビゲーション装置の目的地として設定（決定）すると共に、設定された目的語を、音声認識装置１００のＲＡＭやストレージ装置等の記憶部に記憶する。

登録処理部１３０は、音声認識部１１０が音声認識に失敗し、かつ目的語設定部１２０により目的語が設定された場合、音声認識に失敗した発話内容と、設定された目的語とを対応付けて認識ＤＢ１４０に登録する登録処理を実行する。登録処理部１３０は、例えば、音声認識装置１００のＣＰＵで実行されるプログラムによって実現され、図１に示すように、変換部１３１、判定部１３２、及び登録部１３３等を含む。

変換部１３１は、音声認識部１１０が記憶部に記憶した「音声認識に失敗した発話内容」、及び目的語設定部１２０が記憶部に記憶した「設定された目的語」を、それぞれ、母音に変換する。

例えば、音声認識に失敗した発話内容が、「モレロ皮膚」である場合、変換部１３１は、例えば、取得した音声の発話内容を解析し、図２（ａ）に示すように、「モレロ皮膚」のカナ「モレロヒフ」を抽出する。例えば、変換部１３１は、発話内容「モレロ皮膚」を音声認識し、文字変換することにより、カナ「モレロヒフ」を抽出する。

さらに、変換部１３１は、抽出したカナ「モレロヒフ」を、母音「オエオイウ」に変換する。

同様に、設定された目的語が、「モレロ岐阜」である場合、変換部１３１は、図２（ｂ）に示すように、「モレロ岐阜」のカナ「モレロギフ」を、母音「オエオイウ」に変換する。

なお、カナを母音に変換する方法は任意の方法であって良いが、例えば、全てのカナと、各カナに対応する母音とを記憶部に予め記憶しておくことにより、カナから母音に変換することができる。

なお、撥音である「ん」は、直前に母音を伴う子音であり、母音に変換することができないので、例えば、母音に変換せず、そのまま「ん」として扱われる。（例えば、撥音「ん」は、母音と同様に扱われる。）
判定部１３２は、変換部１３１によって変換された、音声認識に失敗した発話内容の母音と、設定された目的語の母音との一致率を判定する。

例えば、図２（ａ）に示す、「モレロ皮膚」の母音「オエオイウ」と、図２（ｂ）に示す「モレロ岐阜」の母音「オエオイウ」は、全ての母音が一致するので、一致率は１００％となる。また、母音の数が５個であり、４つの母音が一致する場合、一致率は８０％となる。この一致率は、例えば、次の式（１）で表される。
（一致率）＝（一致した母音の数）／（母音の数）…（１）
なお、音声認識に失敗した発話内容の母音の数と、設定された目的語の母音の数が異なる場合は、例えば、設定された目的語の母音の数を、（母音の数）として用いることができる。或いは、音声認識に失敗した発話内容の母音の数と、設定された目的語の母音の数が異なる場合、例えば、母音の数が多い方（又は少ない方）を、（母音の数）として用いるもの等であっても良い。

登録部１３３は、判定部１３２によって判定された一致率が、予め定められた閾値以上である場合、音声認識に失敗した発話内容（例えば「モレロ皮膚」）と、設定された目的語（例えば「モレロ岐阜」）とを対応付けて認識ＤＢ１４０に登録する。

ここで、予め定められた閾値は、例えば、音声認識に失敗した発話内容の母音と、設定された目的語の母音とが一致すると判断するための値が、予め設定されているものとする。ここでは、予め定められた閾値が１００％であるものとして、以下の説明を行う。なお、予め定められた閾値は、１００％より小さい値（例えば、８０〜９９％等）であっても良い。

図２（ｃ）は、発話内容と目的語とを対応付けて、認識ＤＢ１４０に登録された情報（以下、対応情報と呼ぶ）２０１のイメージを示している。図２（ｃ）の例では、対応情報２０１には、音声認識に失敗した発話内容「モレロ皮膚」（音声データ、又は音声データから抽出された文字列）と、設定された目的語「モレロ岐阜」（例えば、文字列）とが対応付けられて記憶されている。これにより、音声認識部１１０は、発話内容「モレロ皮膚」で認識ＤＢ１４０を検索した場合、検索結果として「モレロ岐阜」を取得することができるようになる。

認識ＤＢ（認識データベース）１４０は、音声認識部１１０による音声認識で用いられる音声認識辞書であり、音声認識の対象となる複数の目的語が予め登録されている。また、認識ＤＢ１４０には、目的語毎に、ナビゲーション装置等で用いられる様々な情報、例えば、座標情報、電話番号、施設情報等が、さらに記憶されているもの等であっても良い。

音声認識部１１０は、例えば、発話者が発話した音声を取得し、取得した音声の発話内容（例えば、音声データ）で、認識ＤＢ１４０に登録された目的語を検索する。これにより、音声認識部１１０は、認識ＤＢ１４０に予め登録された複数の目的語の中から、取得した音声の発話内容に対応する目的語を、検索結果として取得することができる。

さらに、本実施形態では、音声認識部１１０は、認識ＤＢ１４０に予め登録された複数の目的語の中に、取得した音声の発話内容に対応する目的語がない場合、図２（ｃ）に示すような対応情報２０１から、発話内容に対応する目的語を検索結果として取得する。

＜処理の概要＞
続いて、図１〜３を用いて、音声認識装置１００の具体的な処理の一例について説明する。図１に示す音声認識装置１００において、利用者（発話者）が、例えば、「モレロ岐阜」をナビゲーション装置の目的地に設定するために、音声認識装置１００に対して、「モレロ岐阜」と発話するものとする。

図１の（１）において、音声認識部１１０は、例えば、利用者が発話した発話内容「モレロ岐阜」で、認識ＤＢ１４０を検索するが、認識結果が「モレロ皮膚」となってしまい、検索（音声認識）に失敗したものとする。

図１の（２）において、目的語設定部１２０は、音声認識部１１０による音声認識が失敗した場合、失敗した音声認識とは別の方法で、利用者による目的語「モレロ岐阜」の設定を受付する。例えば、発話者は、声の大きさ、アクセント、発話速度等を代えて、「モレロ岐阜」の音声認識をリトライすることにより、目的語「モレロ岐阜」を設定する。

図１の（３）において、目的語設定部１２０は、利用者によって設定された目的語「モレロ岐阜」を、ナビゲーション装置等の目的地に決定する。

また、音声認識装置１００の登録処理部１３０は、音声認識部１１０による音声認識に失敗し、かつ目的語設定部１２０により目的語が設定された場合、（４）〜（６）に示す登録処理を実行する。

図１の（４）において、変換部１３１は、音声認識に失敗した発話内容、及び設定された目的語を、それぞれ、母音に変換する。例えば、図２（ａ）に示すように、音声認識に失敗した発話内容「モレロ皮膚」は、母音「オエオイウ」に変換され、図２（ｂ）に示すように、設定された目的地「モレロ岐阜」は、母音「オエオイウ」に変換される。

図１の（５）において、判定部１３２は、変換部１３１が変換した、音声認識に失敗した発話内容の母音と、設定された目的語の母音との一致率を判定する。ここでは、音声認識に失敗した発話内容「モレロ皮膚」の母音「オエオイウ」と、設定された目的地「モレロ岐阜」の母音「オエオイウ」が一致するので、一致率は１００％と判定される。

図１の（６）において、登録部１３３は、判定部１３２が判定した一致率が、閾値（例えば、１００％）以上である場合、音声認識に失敗した発話内容「モレロ皮膚」と、設定された目的語「モレロ岐阜」とを対応付けて、認識ＤＢ１４０に登録する。ここでは、判定部１３２が判定した一致率１００％は、閾値（１００％）以上なので、登録部１３３は、例えば、図２（ｃ）に示すように、「モレロ皮膚」と「モレロ岐阜」とを対応付けて、認識ＤＢ１４０の対応情報２０１に登録する。

上記の処理により、認識ＤＢ１４０に、「モレロ皮膚」と「モレロ岐阜」とが対応付けて記憶され、認識ＤＢ１４０に予め登録されていなかった発話内容「モレロ皮膚」を用いて、検索結果として目的語「モレロ岐阜」を取得することができるようになる。

これにより、例えば、図３の（７）に示すように、音声認識部１１０が、例えば、発話内容「モレロ皮膚」で認識ＤＢ１４０を検索すると、発話内容「モレロ皮膚」が、認識ＤＢ１４０で目的語「モレロ岐阜」に変換され、検索されるようになる。

このように、音声認識装置１００は、音声認識に失敗した場合でも、母音の認識は正しい傾向があることに着目し、音声認識に失敗した発話内容と、設定された目的語の母音の一致率が閾値以上である場合、両者を対応付けて音声認識データベースに登録する。

従って、本実施形態によれば、取得した音声の発話内容に基づいて、音声認識データベース１４０を参照して音声認識を行う音声認識装置１００において、音声認識データベースに予め登録されていない発話内容の認識率を向上させることができるようになる。

＜処理の流れ＞
続いて、本実施形態に係る音声認識方法の処理の流れについて説明する。この処理は、図１〜３で説明した処理の一例を一般化した処理の流れを示している。

ステップＳ４０１において、音声認識装置１００の音声認識部１１０は、発話者の音声を取得し、取得した音声の発話内容で認識ＤＢ１４０を検索する。

ステップＳ４０２において、音声認識部１１０は、取得した音声の発話内容に対応する目的語が検索されたか（音声認識に成功したか）を判断する。

対応する目的語が検索された場合（音声認識に成功した場合）、音声認識部１１０は、処理をステップＳ４０３に移行させる。一方、対応する目的語が検索されなかった場合（音声認識に失敗した場合）、音声認識部１１０は、処理をステップＳ４０４、Ｓ４０５に移行させる。

ステップＳ４０３に移行すると、音声認識部１１０は、ステップＳ４０１で検索された目的語を、例えば、目的地に設定（決定）する。

ステップＳ４０４に移行すると、音声認識部１１０は、音声認識に失敗した発話内容を、音声認識装置１００のＲＡＭ、ストレージ装置等の記憶部に記憶する。

ステップＳ４０５に移行すると、音声認識装置１００の目的語設定部１２０は、失敗した音声認識とは別の方法で目的語の設定を受付し、別の方法で設定された目的語を、例えば、目的地に設定（決定）する。

ステップＳ４０６において、目的語設定部１２０は、ステップＳ４０５で設定された目的語を、音声認識装置１００のＲＡＭ、ストレージ装置等の記憶部に記憶する。

上記の処理により、音声認識装置１００が、利用者の発話、又は操作に応じて、目的地を設定する１つのセッション（処理）が完了する。一方、音声認識装置１００の登録処理部１３０は、目的地を設定するセッションとは別に、図１の（４）〜（６）で説明した登録処理を、例えば、バッチ処理等で実行する。

例えば、登録処理部１３０は、１つのセッションの中で、音声認識部１１０による音声認識に失敗し、かつ失敗した音声認識とは別の方法で目的語が設定された場合、ステップＳ４０７において、登録処理部１３０による登録処理を実行する。

具体的には、図１を用いて前述したように、登録処理部１３０の変換部１３１は、ステップＳ４０４で記憶した音声認識に失敗した発話内容、及びステップＳ４０６で記憶した設定された目的語を、それぞれ、母音に変換する。

また、登録処理部１３０の判定部１３２は、変換部１３１が変換した、音声認識に失敗した発話内容の母音と、設定された目的語の母音との一致率を判定する。

さらに、登録処理部１３０の登録部１３３は、判定部１３２が判定した一致率が閾値以上である場合、音声認識に失敗した発話内容と、設定された目的語とを対応付けて認識ＤＢ１４０に登録する。

上記の処理により、認識ＤＢ１４０には、予め登録された目的語に加えて、音声認識に失敗した発話内容に対応する目的語が、自動的に追加される。

これにより、音声認識装置１００は、取得した音声の発話内容に基づいて、音声認識データベース１４０を参照して音声認識を行う音声認識装置１００において、音声認識データベースに予め登録されていない発話内容の認識率を向上させることができるようになる。

１００音声認識装置
１１０音声認識部
１２０目的語設定部
１３１変換部
１３２判定部
１３３登録部
１４０認識ＤＢ（音声認識データベース）

Claims

発話者の音声を取得し、取得した音声の発話内容に基づいて音声認識データベースを参照して、前記発話内容に対応する目的語を決定する音声認識を行う音声認識装置であって、
前記音声認識に失敗し、かつ前記音声認識とは別の方法で前記目的語が設定された場合、前記音声認識に失敗した前記発話内容、及び前記設定された目的語を母音に変換する変換部と、
前記音声認識に失敗した前記発話内容の母音と、前記設定された目的語の母音との一致率を判定する判定部と、
前記判定部が判定した一致率が閾値以上である場合、前記音声認識に失敗した前記発話内容と、前記設定された目的語とを対応付けて前記音声認識データベースに登録する登録部と、
を有する、音声認識装置。