JP2019176431A - 音声認識装置 - Google Patents

Abstract

【課題】スピーカからの音響出力中において、音響出力を継続しながら良好な音声認識を可能とする音声認識装置を提供する。【解決手段】音声認識装置１０は、スピーカ２３を有する車両に搭載される音声認識装置１０であって、スピーカ２３に入力されるオーディオ信号の信号強度を測定する測定部１７と、測定部１７により測定された信号強度が所定の閾値より大きいとき、スピーカ２３の音量を低下させる音量調整指示部１８とを備える。【選択図】図１

Description

本発明は、音声認識装置に関する。

一般的に、車両にはオーディオ装置が搭載され、搭乗者は、ＣＤ、磁気ディスクもしくは半導体メモリ等の記憶媒体から再生された音楽、または、ラジオもしくはテレビ放送の音声等を、オーディオ装置のスピーカを介して視聴することが多い。このため、車両において音声認識装置により音声認識を行おうとすると、オーディオ装置のスピーカから出力される音楽等が、音声認識装置のマイクから認識対象の発話者の声と共に取り込まれ、適切な音声認識ができないことがある。

そこで、特許文献１に記載される音声認識装置では、オーディオ装置のスピーカに入力されるオーディオ信号に基づいて、雑音除去信号を生成し、マイクから取得される音声信号に含まれる雑音成分を除去している。また、特許文献１に記載される音声認識装置では、音声認識が開始される際にオーディオ装置のスピーカから出力される音響の音圧をγ倍に設定した後、音声認識処理を行っている。さらに、特許文献１では、雑音除去後の音声信号に基づいて、利用者の発生音量を評価し、音圧の平均値を算出して履歴データファイルに書き込み、その履歴データファイルから音圧平均を算出することで、次回に設定すべきγ値を設定している。また、特許文献１に開示される音声認識装置は、発話者の発話音量が小さく、音声認識がうまく動作しない場合に、オーディオ装置の音量を上げることで、いわゆるロンバート効果により発話者の発話音量が大きくなるように誘導している。同様に、引用文献２には、音声対話装置において、発話者の発話音量が小さく音声認識がうまく動作しないとき、発話を行うユーザの音声を大きくするように誘導するため、音楽等の背景音を大きくすることが記載されている。

特開２００９−１６９４４５号公報 特開２００６−３１７５５６号公報

しかしながら、雑音除去信号による雑音成分の除去は、スピーカに入力されるオーディオ信号により生成される雑音除去信号が、マイクから集音される音声に含まれる実際のオーディオ装置からの雑音と整合せず、正確に行われない場合がある。このような場合に、さらにスピーカの音量を上げると、雑音の除去が不十分なためかえって音声認識の成功率が低下することが懸念される。さらに、スピーカの音量を上げることで発話者の音声が大きくなるか否かには個人差があり、音声認識の成功率の向上に必ずしも結びつかない。

かかる事情に鑑みてなされた本発明の目的は、スピーカからの音響出力中において、音響出力を継続しながら良好な音声認識を可能とする音声認識装置を提供することにある。

上記課題を解決する本開示の一実施形態に係る音声認識装置は、スピーカを有する車両に搭載される音声認識装置であって、前記スピーカに入力されるオーディオ信号の信号強度を測定する測定部と、前記測定部により測定された前記信号強度が所定の閾値より大きいとき、前記スピーカの音量を低下させる音量調整指示部とを備えることを特徴とするものである。

本発明によれば、スピーカからの音響出力中において、音響出力を継続しながら良好な音声認識を可能とする音声認識装置を提供することができる。

本発明の一実施形態に係る音声認識装置の概略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フローの一例を示すフローチャートである。

以下、本発明の実施の形態について、図面を参照して説明する。

（音声認識装置の構成）
図１は、本発明の一実施形態に係る音声認識装置１０の概略構成を示す機能ブロック図である。音声認識装置１０は、人の話す音声を取得し発話内容を認識し、認識結果をテキストデータ等で出力する。音声認識装置１０は、車両に搭載することができる。本願において、車両には乗用車、トラック、バス、大型・小型特殊自動車等を含むが、これらに限られない。音声認識装置１０を車両に搭載する場合、音声認識装置１０は、ダッシュボードの中、車室内の天井、ラゲッジルーム等に配置することができる。

音声認識装置１０は、音声認識起動部１１と、音声処理部１２と、音量調整部１３とを含む。音声認識装置１０は、さらに、音声を電気信号に変換するマイク１４を含むことができる。マイク１４は必ずしも音声認識装置１０に含まれなくてもよい。その場合、音声認識装置１０は、音声認識装置１０の外部に設けられたマイク１４から、音声信号を受信してよい。

音声認識装置１０が設けられた車両は、オーディオ装置２０を有することができる。オーディオ装置２０は、記憶媒体に記憶された音響データを再生すること、ネットワーク経由で伝送される音響データを再生すること、および、放送信号を受信して再生すること等の少なくとも一つ以上が可能である。記憶媒体は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ブルーレイディスク（登録商標）、ハードディスク、半導体メモリ等を含む。ネットワークは、例えば、ＬＴＥ（Long Term Evolution）、ＷｉＭＡＸ（登録商標）、Ｗｉ−Ｆｉ（登録商標）等の通信方式により接続されるインターネット、または、ＶＰＮ（Virtual Private Network）等の専用ネットワーク等のネットワークを含む。放送は、例えば、ＡＭラジオ放送、ＦＭラジオ放送、地上波テレビ放送、衛星放送等を含む。なお、本願において、「音響」は音楽、環境音、放送番組における会話等の種々の音を含むものとし、「音声」は、人から発せられた声を意味するものとする。

オーディオ装置２０は、音声認識装置１０と異なる装置であってよい。あるいは、オーディオ装置２０は、音声認識装置１０と一体の装置であってよい。後者の場合、オーディオ装置２０を含む装置を、音声認識装置１０とみなすことができる。例えば、音楽再生機能および音声認識機能を有するカーナビゲーション装置は、オーディオ装置２０と音声認識装置１０とが一体となったものとみなすことができる。

音声処理部１２および音量調整部１３は、単一の、または、複数のプロセッサを含んで構成される。プロセッサには、特定のプログラムを読み込ませることにより、プログラムされた機能を実行する汎用プロセッサおよび、特定の処理に特化した専用プロセッサが含まれる。専用プロセッサとしては、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）およびＦＰＧＡ（Field-Programmable Gate Array）等を採用しうる。プロセッサは、演算中の情報を記憶するための１つまたは複数のメモリを有することができる。メモリは、ＲＯＭ（read only memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ、磁気ディスク、光学ディスク等を含みうる。

以下に、音声認識装置１０の構成をさらに詳細に説明する。音声認識起動部１１は、音声認識装置１０の音声処理部１２を起動して、音声認識を開始させる。音声認識起動部１１は、さらに、音量調整部１３を起動する。音声認識起動部１１は、運転者等の利用者により操作される押しボタン等のスイッチを含むことができる。利用者は、音声認識機能を起動したいとき、このスイッチを操作する。音声認識起動部１１は、スイッチによらず、利用者によりマイク１４から予め定められたキーワードの音声入力があったとき、音声処理部１２を起動するようにしてよい。この場合、音声認識処理のほとんどが停止した状態で、音声処理部１２は、音声認識処理を起動させるために予め定められたキーワードの入力を待ち受ける。キーワードの音声入力を受けるため、音声処理部１２とは別のモジュールを設けてもよい。

音声認識処理は、音声認識起動部１１のスイッチの操作、および、利用者による音声による指示のみならず、他の方法で起動されてよい。例えば、音声認識装置１０において実行されるプログラムから音声認識処理が起動されることもできる。音声認識装置１０は、オーディオ装置２０または他の装置のプログラムから音声認識処理を実行する要求を受けて音声認識処理を起動し、音声認識処理の結果を、当該音声認識処理を要求した装置へテキストデータ等として出力してよい。

音声処理部１２は、マイク１４からの音声信号を取得する音声信号入力部１５と、音声信号に基づいて音声認識処理を行う音声認識部１６とを備えることができる。

音声信号入力部１５は、有線インタフェースおよび無線のインタフェースが含まれる。有線のインタフェースには、アナログ音声端子、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）、ＩＥＥＥ８０２．３、ＵＳＢ（Universal Serial Bus）、ＩＥＥＥ１３９４等を含む種々の規格に準拠する通信インタフェースを含むが、これらに限られない。無線インタフェースにはBluetooth（登録商標）、ＩＥＥＥ８０２．１１等に準拠する通信インタフェースを含むが、これらに限られない。音声信号入力部１５は、アナログ音声信号をデジタル信号に変換するＡ／Ｄ変換器を備えることができる。音声信号入力部１５は、マイク１４から受信したアナログ音声信号を、デジタル音声信号に変換して音声認識部１６に受け渡すことができる。

音声認識部１６は、音声信号入力部１５から取得した音声信号に対して、音声認識処理を実行する。音声認識結果は、例えばテキストデータとして出力される。または、音声認識結果は、コマンドの実行、予め定められた選択肢からの選択などに反映されてよい。音声認識処理には、種々の公知の技術を採用することができる。具体的には、音声認識部１６は、短い時間区間ごとに音声信号に対して周波数分析を行うことにより、特徴量を抽出する。音声認識部１６は、抽出した特徴量の時系列のパターンに対して、隠れマルコフモデルなどの音響モデルにより音を識別する。さらに、音声認識部１６は、発話辞書およびＮ−ｇｒａｍ等の言語モデルを用いて、蓄積されている単語の中から最も妥当な単語を選択する。音声認識部１６は、音声認識処理プログラムを実行する音声認識エンジンと、音声およびテキストのデータベースとを含む。音声認識処理プログラムとしては、公知の一般的なソフトウェアを用いることができる。音声認識部１６は、音声およびテキストのデータベースとして、ネットワークで接続された車両外部のデータベースを使用してもよい。

音声認識部１６は、音声認識処理を終了させることができる。例えば、音声認識部１６は、利用者から音声認識処理終了の指示を音声で受けたとき、音声認識処理を終了させてよい。音声認識部１６は、音声認識処理の開始後一定時間以上音声の入力がない状態が続いたとき、音声認識処理を終了させてよい。また、音声認識部１６は、音声認識装置１０のプログラム、または、他の装置からの要求により音声認識処理を実行したときは、必要な入力が得られた後、音声認識処理を終了させてよい。音声処理を終了させたとき、音声認識部１６は、音量調整部１３に対して音量調整を終了させる信号を送ることができる。

次に、音量調整部１３について説明する前に、オーディオ装置２０について説明する。オーディオ装置２０は、音源部２１、アンプ２２およびスピーカ２３を備える。

音源部２１は、音響データに基づいてオーディオ信号を生成する。音響データは、例えば、記憶媒体、通信ネットワーク、または、放送により音源部２１に提供される。音源部２１としては、一般的に使用されている公知の音源を採用することができる。音源部２１は、ＣＤプレーヤ、ＤＶＤプレーヤ、ブルーレイ・プレイヤ、ハードディスクドライブ、ＡＭチューナ、ＦＭチューナ、ＴＶチューナ、オーディオデコーダ等の何れか１つ以上を含むことができる。

アンプ２２は、音源部２１の生成したオーディオ信号を増幅して、後段のスピーカ２３に出力する。アンプ２２は、オーディオ信号の増幅率を調整することができる。アンプ２２は、１つまたは複数のスピーカ２３に対してオーディオ信号を出力することができる。アンプ２２は、一般的なアンプを用いることができ、スピーカ２３から出力される音響の音量を調整することができる。

スピーカ２３は、アンプ２２からのオーディオ信号により駆動され、オーディオ信号を車両内に音として出力する。スピーカ２３は、車両のドアトリム等に配置される。スピーカ２３から出力される音響の音量は、アンプ２２から出力されるオーディオ信号の電気信号強度（信号強度）に依存する。スピーカ２３としては、公知の一般的なスピーカを使用することができる。

次に、音量調整部１３について説明する。音量調整部１３は、スピーカ２３の音量に対応する電気信号強度を測定し、測定された電気信号強度に基づいて、スピーカ２３の音量を調整する。音量調整部１３は、測定部１７と音量調整指示部１８を備える。

測定部１７は、音声認識起動部１１により音声認識処理が起動されると、オーディオ装置２０のアンプ２２からスピーカ２３への出力ライン２４の電気信号強度を測定する。測定部１７は、例えば、出力ライン２４から分岐した信号線２５から得られる信号に基づいて電気信号強度を測定することができる。信号線２５から得られる電気信号強度は、スピーカ２３の音量に対応する。このように、アンプ２２の増幅率に対応する設定音量ではなく、スピーカ２３に入力されるオーディオ信号の電気信号強度を測定することによって、再生されるオーディオ信号の録音レベルによらず、実際のスピーカ２３から出力される音響の音量を得ることができる。

測定部１７は、上記出力ライン２４のオーディオ信号の電気信号強度の測定に付加して、または、代替して、スピーカ２３から出力された音をマイク１４で集音し、マイク１４から出力される電気信号強度を測定することができる。測定部１７は、マイク１４から出力される電気信号強度の情報を、音声信号入力部１５から得ることができる。音声信号入力部１５から得られる電気信号強度は、スピーカ２３から出力される音響の音量に対応する。

音量調整指示部１８は、測定部１７で測定した電気信号強度に基づいて、アンプ２２に対してスピーカ２３の音量調整を指示することができる。具体的には、音量調整指示部１８は、測定部１７により測定された電気信号強度が所定の閾値よりも大きい場合は、スピーカ２３の音量が大きすぎるため音声認識の成功率を低化させるものとして、アンプ２２の増幅率を低下させスピーカ２３の音量を低下させる。所定の閾値は、スピーカ２３から出力されマイク１４から取り込まれた音響が、音声認識処理にどの程度影響を与えるかを考慮して、予め設定することができる。音声認識装置１０を使用する利用者は、それぞれ発話する音量または音声処理部１２による認識の成功率が異なるの。このため、閾値は、音声認識装置１０を使用する個人ごとに、異なる値に設定されてよい。

（音声処理のフロー）
以下に、音声認識装置１０が実行する音声認識処理のフローを、図２を用いて説明する。本明細書で開示される方法は、音声認識装置１０に搭載されるプロセッサがプログラムに従って実行することができる。そのようなプログラムは、非一時的なコンピュータ可読媒体において記憶されることが可能である。非一時的なコンピュータ可読媒体の例としては、ハードディスク、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＣＤ−ＲＯＭ、光記憶デバイス、磁気記憶デバイス等を含むが、これらに限定されない。

前提として、音声認識装置１０による音声認識の起動前に、車両に搭載されたオーディオ装置２０が稼働しており、音源部２１からのオーディオ信号がアンプ２２で増幅され、スピーカ２３から継続的に出力されている。すなわち、車両に搭載される音声認識装置１０の利用者は、音楽プレーヤまたはラジオ等のオーディオ装置２０を使って、音楽コンテンツまたは放送の視聴をしているものとする。

まず、音声認識装置１０の音声処理部１２は、音声認識起動部１１により起動される（ステップＳ０１）。音声認識起動部１１は、例えば、利用者がスイッチを操作することにより、音声処理部１２を起動する。音声処理部１２が起動されると、音声処理部１２は音声信号入力部１５を経由してマイク１４から音声の入力を受け、入力された音声の音声認識処理を音声認識部１６により行う動作を、継続的に実行する。

音声認識起動部１１は、音声処理部１２とともに音量調整部１３を起動させる。音量調整部１３の測定部１７は、スピーカ２３から出力される音響の音量を測定する（ステップＳ０２）。具体的には、アンプ２２からスピーカ２３へ向かう出力ライン２４から分岐した信号線２５をモニターして、スピーカ２３に入力されるオーディオ信号の電気信号強度を測定する。測定部１７は、利用者の発話前または発話間にマイク１４を介して検出されるスピーカ２３の出力による電気信号強度を、音声信号入力部１５から取得することにより、スピーカ２３から出力される音響の音量を測定してもよい。

次に、測定部１７で測定された電気信号強度に基づいて、音量調整指示部１８は、スピーカ２３の音量が所定の閾値よりも大きいか否かを判断する（ステップＳ０３）。より具体的には、音量調整指示部１８は、測定部１７で測定した電気信号強度が、所定の閾値よりも大きいか否かを判断する。

電気信号強度が閾値よりも大きい場合（ステップＳ０３:Ｙｅｓ）、音量調整指示部１８はアンプ２２に指示を出してスピーカ２３からの音響の音量を調整する（ステップＳ０４）。具体的には、音量調整指示部１８は、電気信号強度が所定の閾値以下となるように、アンプ２２から出力するオーディオ信号を小さくする。これにより、スピーカ２３からの音響の音量が、音声認識に影響を与えない程度まで低下される。

ステップＳ０３で、電気信号強度が閾値よりも大きくはないとき（ステップＳ０３：Ｎｏ）、および、上記ステップＳ０４におけるスピーカ２３の音量の調整が終了したとき、音量調整部１３は、音声認識処理が終了したか確認する（ステップＳ０５）。音声認識処理の終了は、音声認識部１６から音量調整部１３へ通知される。

ステップＳ０５で、音声認識処理が終了していないとき（ステップＳ０５：Ｎｏ）、音量調整部１３はステップＳ０２に戻る。すなわち、測定部１７がその時点のスピーカ２３の出力を測定する。以降、音声認識部１６が音声認識処理の終了を音量調整部１３に通知するまで、音量調整部１３は、ステップＳ０２〜Ｓ０５の処理を繰り返して、スピーカ２３の音量を調整する。音量調整部１３によるステップＳ０２〜Ｓ０５の処理の繰り返しは、所定の頻度となるように調整されてよい。

ステップＳ０５において、音声認識処理が終了したとき（ステップＳ０５:Ｙｅｓ）、音量調整指示部１８は、アンプ２２に対して指示を送り、オーディオ信号の増幅率を音声認識起動前の状態に戻させる。これにより、スピーカ２３から出力される音響の音量が、音声認識起動前の状態に戻る（ステップＳ０６）。

以上説明したように、本実施の形態によれば、音量調整部１３の測定部１７が、スピーカに入力されるオーディオ信号の電気信号強度を測定し、音量調整指示部１８が測定された電気信号強度が所定の閾値以下となるように、スピーカ２３の音量を調整する。これによって、スピーカ２３からのオーディオ等の音響出力中において、音響出力を継続しながら良好に音声認識を行うことができる。すなわち、音声認識装置１０によれば、オーディオ再生中に、オーディオ装置２０からの音響の音量を完全に０にする（ミュートする）ことなく、自動的にオーディオ装置２０からの音響の音量を調整することができる。これによって、オーディオの視聴と音声認識とを両立させることが可能になる。さらに、音声認識装置１０は、ノイズキャンセル信号を生成する必要が無いため、単純な構成とすることができ誤動作も少ない。

また、本実施形態によれば、音量調整部１３が音声認識を行っている間、継続的にスピーカ２３の出力を監視し、スピーカ２３の音量に対応する電気信号強度を所定の閾値以下になるよう制御する。そのため、音量調整しない場合のオーディオ装置２０の音量が大きく変化する場合でも、スピーカ２３からの音響出力を、音声認識が妨げられない範囲に抑制することができる。

雑音除去を行いながらオーディオの音量を上げることで発話者の発話量が大きくなるように誘導する方法では、音声認識の認識率が向上するか否かは、個人により効果にバラツキが大きい。これに対し、本開示の音声認識装置１０は、スピーカ２３の出力に対応する電気信号強度を閾値と比較してオーディオ信号を調整するので、発話者の個人差によらず、音声認識の認識率を高めることができる。

上述の実施形態は代表的な例として説明したが、本発明の趣旨及び範囲内で、多くの変更及び置換ができることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

例えば、音声認識装置１０を構成する各機能ブロックは、図１に図示したものに限られない。図１に図示した各機能ブロックは、複数のブロックを１つに統合すること、１つのブロックを複数に分解すること、複数のブロック間で組み換えを行うこと等、本発明の範囲内で種々の変更が可能である。また、図２に示した音声認識処理の手順は、本発明の範囲内で順序を変更しまたは組み代えを行うことが可能である。

オーディオ装置２０は、音声認識装置１０の一部として構成されていてよい。オーディオ装置２０は、音声認識装置１０と同一のハードウェアまたは異なるハードウェア上に搭載されてよい。音量調整部１３は、音声認識装置１０側ではなく、オーディオ装置２０側に搭載され、音声認識装置１０から音声認識処理の起動および終了を示す信号を受け取るように構成されてよい。音声認識装置１０は、オーディオ装置２０の入力手段としてオーディオ装置２０に付加されたものであってもよい。音声処理部および音量調整部の機能を有するものは、本発明の音声認識装置であると理解しうる。

１０ 音声認識装置
１１ 音声認識起動部
１２ 音声処理部
１３ 音量調整部
１４ マイク
１５ 音声信号入力部
１６ 音声認識部
１７ 測定部
１８ 音量調整指示部
２０ オーディオ装置
２１ 音源部
２２ アンプ
２３ スピーカ

Claims (1)

1. スピーカを有する車両に搭載される音声認識装置であって、
   前記スピーカに入力されるオーディオ信号の信号強度を測定する測定部と、
   前記測定部により測定された前記信号強度が所定の閾値より大きいとき、前記スピーカの音量を低下させる音量調整指示部と
   を備える音声認識装置。

Images