JP2019133025A - 情報処理装置および情報処理方法 - Google Patents

Abstract

【課題】音声認識の精度を向上できる情報処理装置および情報処理方法を提供する。【解決手段】情報処理装置において、第１受付部３０は、文字の入力を受け付ける。第２受付部３２は、音声の入力を受け付ける。音声認識部３８は、第１受付部３０が１以上の文字の入力を受け付けた状態において、第２受付部３２が音声の入力を受け付けた場合、当該音声を音声認識して、第１受付部３０に入力された文字から始まる音声認識結果を出力する。【選択図】図１

Description

本発明は、音声情報を処理する情報処理装置および情報処理方法に関する。

ユーザによるタッチパッドへの入力内容に応じてナビゲーション装置のメニューの階層を選択し、その階層用の音声認識辞書を用いて音声認識を行う音声認識装置が知られている（例えば、特許文献１参照）。

特開２００７−２４０６８８号公報

入力したい文字を音声認識以外の方法で途中まで入力した後、入力を断念して音声認識により入力しなおす場合がある。この場合に、音声認識の精度を向上させる余地がある。

本発明はこうした状況に鑑みてなされたものであり、その目的は、音声認識の精度を向上できる情報処理装置および情報処理方法を提供することにある。

上記課題を解決するために、本発明のある態様の情報処理装置は、文字の入力を受け付ける第１受付部と、音声の入力を受け付ける第２受付部と、前記第１受付部が１以上の文字の入力を受け付けた状態において、前記第２受付部が音声の入力を受け付けた場合、当該音声を音声認識して、前記第１受付部に入力された文字から始まる音声認識結果を出力する音声認識部と、を備える。

この態様によると、文字の入力を受け付けた状態において、音声の入力を受け付けた場合、入力された文字から始まる音声認識結果を出力するので、音声認識の精度を向上できる。

前記情報処理装置は、複数の単語を含む音声認識辞書を記憶する記憶部をさらに備えてもよい。前記音声認識部は、前記音声認識辞書の複数の単語の中から、前記第１受付部に入力された文字から始まる単語を選択して前記音声認識結果として出力してもよい。

前記音声認識部は、前記第１受付部に入力された文字から始まる前記音声認識結果が得られない場合、前記第１受付部に入力された文字とは無関係に前記音声認識結果を出力してもよい。

前記音声認識部は、前記第１受付部が複数の文字の入力を受け付け、且つ、前記複数の文字から始まる前記音声認識結果が得られない場合、前記複数の文字のうち予め定められた部分の文字から始まる前記音声認識結果を出力してもよい。

前記予め定められた部分の文字は、前記複数の文字の最後の文字以外の文字であってもよい。

本発明の別の態様は、情報処理方法である。この方法は、文字の入力を受け付けるステップと、音声の入力を受け付けるステップと、１以上の文字の入力を受け付けた状態において、音声の入力を受け付けた場合、当該音声を音声認識して、入力された文字から始まる音声認識結果を出力するステップと、を備える。

本発明によれば、音声認識の精度を向上できる。

第１の実施の形態に係る車載システムの構成を示すブロック図である。 図１の音声認識装置の処理を示すフローチャートである。

（第１の実施の形態）
図１は、第１の実施の形態に係る車載システム１の構成を示すブロック図である。車載システム１は、車両に搭載される。車載システム１は、入力装置１０と、車載装置１２と、マイク１４と、音声認識スイッチ１６と、音声認識装置１８とを備える。

入力装置１０は、ユーザの操作に応じて文字の入力を行うための装置である。入力装置１０は、例えば、車両の運転席と助手席の間のセンターコンソールに設けられ、ユーザのタッチ操作が入力されるタッチパッドである。入力装置１０は、タッチ操作による操作信号を車載装置１２に出力する。ユーザは、センターコンソールに手首を置き、ダッシュボードに設けられた図示しない表示部を見ながら、入力装置１０を見ずに入力装置１０にタッチ操作、例えばスライド操作やタップ操作を入力して、文字入力を行ったり、車載機能を選択したりする。

入力装置１０は、表示部の表示面に設けられ、ユーザのタッチ操作が入力されるタッチパネルであってもよいし、ユーザの操作が入力される他の入力装置であってもよい。

車載装置１２は、入力装置１０から供給される操作信号に基づいて、ユーザの操作に関連する画像を表示部に表示させる。車載装置１２は、特に限定されないが、例えば、カーナビゲーション装置である。例えば、ユーザが車載装置１２に経路案内用の目的地を設定する場合、ユーザによる入力装置１０のスライド操作に応じて表示部に表示されるカーソルが移動し、表示部に表示された複数の文字のうち任意の文字の位置でタップ操作がなされると、その文字が車載装置１２に入力される。このようにして、複数の文字が入力され、目的地の設定が実行される。文字入力は、入力した人名から電話番号を検索する場合など、様々な状況で行われうる。車載装置１２は、入力された文字のデータを、音声認識装置１８に出力する。

ユーザは、入力したい文字を入力装置１０によって途中まで手入力した後、入力を断念する可能性がある。入力を断念する理由としては、例えば、入力装置１０による文字入力に困難さや面倒さを感じたため、または、運転状況の変化のためなどが想定される。ユーザは、文字入力を断念した場合、音声認識によって文字を入力しなおす。例えば、入力したい文字が「ワンワンパーク」である場合、ユーザは、入力装置１０によって「ワ」や「ワン」などまで入力した後、入力を断念し、「ワンワンパーク」と発話する。

マイク１４は、車両の車室内に設けられ、車両の乗員により発話された音声を取得し、その音声のデータを音声認識装置１８に出力する。

音声認識スイッチ１６は、ユーザが音声認識を希望するときにユーザにより操作されるスイッチであり、例えば、ステアリングホイールに設けられている。音声認識スイッチ１６は、例えば押しボタン式やレバー式のメカニカルスイッチであり、ユーザが押下すると、操作信号を音声認識装置１８に出力する。

音声認識装置１８は、第１受付部３０と、第２受付部３２と、第３受付部３４と、記憶部３６と、音声認識部３８とを備える。音声認識装置１８は、情報処理装置として機能する。

第１受付部３０は、車載装置１２から文字の入力を受け付け、その文字を音声認識部３８に出力する。

第３受付部３４は、音声認識スイッチ１６から操作信号を受け付ける。第３受付部３４は、操作信号を受け付けた場合、音声認識指示を第２受付部３２に出力する。

第２受付部３２は、第３受付部３４から音声認識指示が出力された場合、所定期間、マイク１４から音声の入力を受け付け、その音声を音声認識部３８に出力する。

記憶部３６は、複数の単語を含む音声認識辞書を記憶している。複数の単語は、例えば、カーナビゲーション装置に目的地として設定されうる地名、電話帳に登録された人名などの固有名詞を含む。記憶部３６は、車載装置１２に設けられていてもよい。

音声認識部３８は、第１受付部３０が文字の入力を受け付けていない状態において、第２受付部３２が音声の入力を受け付けた場合、周知の技術によって当該音声を音声認識して、音声認識結果を車載装置１２に出力する。具体的には、音声認識部３８は、音声認識辞書の複数の単語の中から、認識された文字列との一致度が高い単語を選択して音声認識結果として出力する。

認識された文字列との一致度が高いとは、信頼度が高いともいえる。信頼度は、音声データから単語が正しく認識された可能性の度合いを示す。信頼度が高いほど、単語が正しく認識された可能性が高いことを示す。音声認識部３８は、信頼度が所定値以上の１以上の音声認識結果を出力する。所定値は、実験により適宜設定することができる。

音声認識部３８は、第１受付部３０が１以上の文字の入力を受け付けた状態において、第２受付部３２が音声の入力を受け付けた場合、当該音声を音声認識して、第１受付部３０に入力された文字から始まる音声認識結果を車載装置１２に出力する。具体的には、音声認識部３８は、音声認識辞書の複数の単語の中から、第１受付部３０に入力された文字から始まり、且つ、認識された文字列との一致度が高い単語を選択して音声認識結果として出力する。音声認識部３８は、信頼度が所定値以上の１以上の音声認識結果を出力する。

例えば、入力したい文字が「ワンワンパーク」であり、第１受付部３０に入力された文字が「ワン」であり、認識された文字列が「ワンワンパーク」であり、「ワンワンパーク」が音声認識辞書に含まれる場合、「ワンワンパーク」が音声認識結果として出力される。「ダイイチパーク」など、「ワン」以外の文字から始まる「・・パーク」が音声認識辞書に含まれていても、これらは音声認識結果として出力されない。また、「ワンホテル」など、「ワン」の文字から始まる「ワン・・」が音声認識辞書に含まれていても、これらの信頼度が低ければ、これらは音声認識結果として出力されない。

音声認識部３８は、第１受付部３０に入力された文字から始まる音声認識結果が得られない場合、すなわち、入力された文字から始まり、且つ、信頼度が所定値以上の音声認識結果が得られない場合、第１受付部３０に入力された文字とは無関係に音声認識結果を出力する。つまり、この場合、音声認識部３８は、音声認識辞書の複数の単語の中から、認識された文字列との一致度が高い単語を選択して音声認識結果として出力する。この場合、第１受付部３０に入力された文字が誤っている可能性がある。

車載装置１２は、音声認識部３８から出力された１以上の音声認識結果を表示部に表示させ、そのなかから１つの音声認識結果をユーザに選択させる。このような選択は、ユーザによる入力装置１０のタッチ操作に応じて実行される。これにより、音声認識結果である文字列が車載装置１２に設定される。

この構成は、ハードウエア的には、任意のコンピュータのＣＰＵ、メモリ、その他のＬＳＩで実現でき、ソフトウエア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。

次に、以上の構成による車載システム１の全体的な動作を説明する。図２は、図１の音声認識装置１８の処理を示すフローチャートである。図２の処理は、定期的に繰り返される。

音声認識指示がない場合（Ｓ１０のＮ）、処理を終了する。音声認識指示がある場合（Ｓ１０のＹ）、第２受付部３２は、マイク１４から音声入力を受け付ける（Ｓ１２）。第１受付部３０に文字入力がなかった場合（Ｓ１４のＮ）、音声認識部３８は、音声を音声認識し（Ｓ１６）、音声認識結果を出力し（Ｓ１８）、処理を終了する。

第１受付部３０に文字入力があった場合（Ｓ１４のＹ）、音声認識部３８は、文字入力を参照して音声を音声認識する（Ｓ２０）。入力された文字から始まる音声認識結果が得られた場合（Ｓ２２のＹ）、音声認識部３８は、得られた音声認識結果を出力し（Ｓ２４）、処理を終了する。入力された文字から始まる音声認識結果が得られない場合（Ｓ２２のＮ）、音声認識部３８は、入力された文字とは無関係に音声認識結果を出力し（Ｓ２６）、処理を終了する。

このように本実施の形態によれば、文字の入力を受け付けた状態において、音声の入力を受け付けた場合、入力された文字から始まる音声認識結果を出力するので、文字入力を有効活用して、音声認識の精度を向上できる。

また、音声認識辞書の複数の単語の中から、入力された文字から始まる単語を選択して音声認識結果として出力するので、音声認識の精度をより向上できる。

また、入力された文字から始まる音声認識結果が得られない場合、第１受付部３０に入力された文字とは無関係に音声認識結果を出力するので、文字が誤入力された場合にも適切に対処でき、より適切な音声認識結果を出力できる。

（第２の実施の形態）
第２の実施の形態では、第１受付部３０に入力された複数の文字から始まる音声認識結果が得られない場合に、複数の文字のうち予め定められた部分の文字から始まる音声認識結果を出力することが、第１の実施の形態と異なる。以下では、第１の実施の形態との相違点を中心に説明する。

車載システム１の構成は、図１と同一であるため、図示は省略する。音声認識部３８は、第１受付部３０が複数の文字の入力を受け付け、且つ、複数の文字から始まる音声認識結果が得られない場合、複数の文字のうち予め定められた部分の文字から始まる音声認識結果を出力する。予め定められた部分の文字は、例えば、複数の文字の最後の１文字以外の文字である。つまり、音声認識部３８は、複数の文字のうち最後の１文字を除外した１以上の文字から始まる音声認識結果を出力する。

例えば、入力したい文字が「ワンワンパーク」であるが、ユーザが２文字目の入力を誤り、第１受付部３０に入力された文字が「ワワ」であり、続いて音声認識を行う状況を想定する。この状況で、認識された文字列が「ワンワンパーク」であり、「ワンワンパーク」が音声認識辞書に含まれ、「ワワ」から始まる単語が音声認識辞書に含まれない場合、音声認識結果は得られない。この場合、入力された「ワワ」から最後の「ワ」を除外した「ワ」から始まる「ワンワンパーク」が音声認識結果として出力される。

音声認識部３８は、複数の文字のうち予め定められた部分の文字から始まる音声認識結果が得られない場合、入力された文字とは無関係に音声認識結果を出力する。

音声認識部３８は、第１受付部３０が１つの文字の入力を受け付け、且つ、入力された文字から始まる音声認識結果が得られない場合、入力された文字とは無関係に音声認識結果を出力する。

本実施の形態によれば、複数の文字から始まる音声認識結果が得られない場合、複数の文字のうち予め定められた部分の文字から始まる音声認識結果を出力するので、誤入力された可能性がある文字を除外して、正しい音声認識結果を出力できる可能性を高めることができる。

ユーザは、入力装置１０により文字を誤入力すると、入力を断念する可能性がある。この場合、複数の文字のうち最後の１文字が誤っている。複数の文字のうち最後の１文字を除外した文字から始まる音声認識結果を出力するため、誤入力された可能性が高い最後の１文字を除外して、より精度の高い音声認識結果を出力できる。

以上、実施の形態をもとに本発明を説明した。実施の形態はあくまでも例示であり、各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。

例えば、第１の実施の形態において、第１受付部３０に入力された文字から始まる音声認識結果が得られない場合、音声認識部３８は、音声認識結果が得られないことを車載装置１２に通知して、待機してもよい。第２の実施の形態において、第１受付部３０に入力された１つの文字から始まる音声認識結果が得られない場合、および、第１受付部３０に入力された複数の文字のうち予め定められた部分の文字から始まる音声認識結果が得られない場合、音声認識部３８は、音声認識結果が得られないことを車載装置１２に通知して、待機してもよい。通知を受けた車載装置１２は、音声認識できなかったことを音声や画像によりユーザに通知する。これらの場合、ユーザは、再度、音声認識スイッチ１６を操作して発話を行う。音声認識部３８は、新たな音声認識指示に応じて第２受付部３２が新たな音声の入力を受け付けた場合、当該音声を音声認識して、第１受付部３０に入力された文字とは無関係に音声認識結果を出力する。この変形例では、音声認識装置１８の構成の自由度を向上できる。

１…車載システム、１０…入力装置、１２…車載装置、１４…マイク、１６…音声認識スイッチ、１８…音声認識装置、３０…第１受付部、３２…第２受付部、３４…第３受付部、３６…記憶部、３８…音声認識部。

Claims (6)

1. 文字の入力を受け付ける第１受付部と、
   音声の入力を受け付ける第２受付部と、
   前記第１受付部が１以上の文字の入力を受け付けた状態において、前記第２受付部が音声の入力を受け付けた場合、当該音声を音声認識して、前記第１受付部に入力された文字から始まる音声認識結果を出力する音声認識部と、
   を備えることを特徴とする情報処理装置。
2. 複数の単語を含む音声認識辞書を記憶する記憶部をさらに備え、
   前記音声認識部は、前記音声認識辞書の複数の単語の中から、前記第１受付部に入力された文字から始まる単語を選択して前記音声認識結果として出力することを特徴とする請求項１に記載の情報処理装置。
3. 前記音声認識部は、前記第１受付部に入力された文字から始まる前記音声認識結果が得られない場合、前記第１受付部に入力された文字とは無関係に前記音声認識結果を出力することを特徴とする請求項１または２に記載の情報処理装置。
4. 前記音声認識部は、前記第１受付部が複数の文字の入力を受け付け、且つ、前記複数の文字から始まる前記音声認識結果が得られない場合、前記複数の文字のうち予め定められた部分の文字から始まる前記音声認識結果を出力することを特徴とする請求項１または２に記載の情報処理装置。
5. 前記予め定められた部分の文字は、前記複数の文字の最後の文字以外の文字であることを特徴とする請求項４に記載の情報処理装置。
6. 文字の入力を受け付けるステップと、
   音声の入力を受け付けるステップと、
   １以上の文字の入力を受け付けた状態において、音声の入力を受け付けた場合、当該音声を音声認識して、入力された文字から始まる音声認識結果を出力するステップと、
   を備えることを特徴とする情報処理方法。

Images