JP2020118802A - 音声認識システム、及び音声認識装置 - Google Patents

Abstract

【課題】認識精度の向上を可能とする音声認識システム、及び音声認識装置を提供する。【解決手段】音声データを取得する取得手段と、音素認識により、音声データに含まれる開始無音区間及び終了無音区間を抽出し、開始無音区間と終了無音区間との間に挟まれた音素及び休止区間の配列を、認識対象データとして抽出する抽出手段と、文字列データベースを参照し、認識対象データの有する配列に対応する音素情報を選択し、選択された音素情報に紐づく文字列情報及びクラスＩＤを、候補データとして複数検出する検出手段と、文法データベースを参照し、複数の候補データを文法情報に基づき組み合あわせたセンテンスを生成し、センテンスに含まれる候補データ毎に対応する信頼度を算出する算出手段と、選択手段と、生成手段とを備えることを特徴とする。音素情報は、簡易音素情報を含む。【選択図】図１

Description

本発明は、音声に対応する認識情報を生成する音声認識システム、及び音声認識装置に関する。

従来、音声認識に関する技術として、例えば特許文献１の認知機能評価装置や、特許文献２の発話内容の把握システム等が提案されている。

特許文献１の認知機能評価装置では、フォルマント解析部は、対象者の音声に含まれる特定の音素の瞬時音圧の時間変動を対象期間に亘って表している対象データを受け取る。そして、フォルマント解析部は、対象期間を複数のフレームに分割し、特定のフォルマントの周波数を、２つ以上の対象フレームのそれぞれについて求める。特徴解析部は、対象フレーム毎に求められた特定のフォルマントの周波数について特徴量を求める。評価部は、特徴量に基づいて対象者の認知機能を評価する。

特許文献２では、録取された音声データに対して音素基準の音声認識を行ってインデクシングされたデータを保存し、これを用いて核心語に基づく発話内容を把握することにより、発話内容の把握が正確に、手軽に且つ速やかに行われる、録取された音声データに対する核心語の取出に基づく発話内容の把握システムと、このシステムを用いたインデクシング方法及び発話内容の把握方法等が開示されている。

特開２０１８−５０８４７号公報 特開２０１５−５３９３６４号公報

ここで、音声認識に関する技術では、様々な分野での応用が期待される一方で、認識精度の向上が課題として挙げられている。認識精度を向上させるために、音素を用いる方法が注目を集めているが、音声データから音素の配列を取得する際のバラつき等により、依然として認識精度の向上が課題として挙げられている。

この点、特許文献１では、対象者の音声に基づく特定のフォルマント周波数について特徴量を求め、特徴量に基づいて対象者の認知機能を評価することで、精度の向上を図っている。しかしながら、特許文献１の開示技術では、対象者の発する音声の内容までを認識することができない。

また、特許文献２では、核心語に基づく発話内容を把握することにより、発話内容の把握を実現する技術が開示されている。しかしながら、特許文献２の開示技術では、音素の類似する核心語が発話内容に含まれる場合、認識精度が悪くなる恐れがある。このような状況により、認識精度の向上を可能とする音声認識に関する技術が望まれている。

そこで本発明は、上述した問題に鑑みて案出されたものであり、その目的とするところは、認識精度の向上を可能とする音声認識システム、及び音声認識装置を提供することにある。

第１発明に係る音声認識システムは、音声に対応する認識情報を生成する音声認識システムであって、前記音声に基づき、音声データを取得する取得手段と、音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出手段と、予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出手段と、予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出手段と、前記信頼度に基づき、複数の前記候補データから評価データを選択する選択手段と、前記評価データに基づき、前記認識情報を生成する生成手段とを備え、前記文字列データベースに記憶された前記音素情報は、前記文字列情報に対応する前記音素の配列から、少なくとも１つの子音を除いた配列を示す簡易音素情報を含むことを特徴とする。

第２発明に係る音声認識システムは、第１発明において、前記文字列データベースに記憶された前記音素情報は、１つの前記文字列情報に紐づく２つ以上のそれぞれ異なる前記音素の配列を示す音素候補情報を含むことを特徴とする。

第３発明に係る音声認識システムは、第２発明において、前記音素候補情報は、前記簡易音素情報を含むことを特徴とする。

第４発明に係る音声認識システムは、第１発明〜第３発明の何れかにおいて、前記簡易音素情報は、濁音、半濁音、促音、及び拗音の少なくとも何れかを含む配列を示すことを特徴とする。

第５発明に係る音声認識システムは、第１発明〜第４発明の何れかにおいて、予め取得された前記文字列情報と、前記文字列情報を組み合わせた参照センテンスと、前記文字列情報毎に付与された閾値とが記憶された参照データベースをさらに備え、前記生成手段は、前記参照データベースを参照し、前記参照センテンスのうち、前記評価データに対応する第１参照センテンスを指定する指定手段と、前記評価データに対応する前記信頼度と、前記第１参照センテンスに含まれる第１文字列情報に付与された第１閾値とを比較する比較手段と、を有し、前記比較手段の比較結果に基づき、前記認識情報を生成することを特徴とする。

第６発明に係る音声認識システムは、第１発明〜第５発明の何れかにおいて、前記認識情報に基づき、参照する前記文字列データベースの内容を選択する設定手段をさらに備えることを特徴とする。

第７発明に係る音声認識システムは、音声に対応する認識情報を生成する音声認識システムであって、前記音声に基づき、音声データを取得する取得手段と、音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出手段と、予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出手段と、予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出手段と、前記信頼度に基づき、複数の前記候補データから評価データを選択する選択手段と、前記評価データに基づき、前記認識情報を生成する生成手段とを備え、前記文字列データベースに記憶された前記音素情報は、１つの前記文字列情報に紐づく２つ以上のそれぞれ異なる前記音素の配列を示す音素候補情報を含むことを特徴とする。

第８発明に係る音声認識装置は、音声に対応する認識情報を生成する音声認識装置であって、前記音声に基づき、音声データを取得する取得部と、音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出部と、予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出部と、予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出部と、前記信頼度に基づき、複数の前記候補データから評価データを選択する選択部と、前記評価データに基づき、前記認識情報を生成する生成部とを備え、前記文字列データベースに記憶された前記音素情報は、前記文字列情報に対応する前記音素の配列から、少なくとも１つの子音を除いた配列を示す簡易音素情報を含むことを特徴とする。

第９発明に係る音声認識装置は、音声に対応する認識情報を生成する音声認識装置であって、前記音声に基づき、音声データを取得する取得部と、音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出部と、予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出部と、予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出部と、前記信頼度に基づき、複数の前記候補データから評価データを選択する選択部と、前記評価データに基づき、前記認識情報を生成する生成部とを備え、前記文字列データベースに記憶された前記音素情報は、１つの前記文字列情報に紐づく２つ以上のそれぞれ異なる前記音素の配列を示す音素候補情報を含むことを特徴とする。

第１発明〜第７発明によれば、抽出手段は、音素及び休止区間の配列を認識対象データとして抽出する。また、検出手段は、認識対象データの有する配列に対応する音素情報を選択し、候補データを検出する。このため、認識対象データにおける音素のみを考慮した配列に対して候補データを検出する場合に比べ、誤認識を低減させることができる。これにより、認識精度の向上を図ることが可能となる。

また、第１発明〜第７発明によれば、文字列データベースには、音素と休止区間との配列に対応する音素情報、及び音素情報に紐づく文字列情報が記憶される。このため、音素全体に対してパターンマッチングするために記憶するデータに比べて、データ容量の削減や、データ蓄積の簡易化を実現することができる。

特に、第１発明〜第６発明によれば、音素情報は、簡易音素情報を含む。このため、子音を発することが困難な利用者を対象とする場合や、子音を聞き取り難い環境で利用する場合等においても、認識精度の低下を抑制することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅を拡大させることが可能となる。

特に、第２発明、第７発明によれば、音素情報は、１つの文字列に紐づく２以上の音素候補情報を含む。このため、１つの文字列情報に対応する複数の音素の配列が存在する場合においても、認識することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅をさらに拡大させることが可能となる。

特に、第３発明によれば、音素候補情報は、簡易音素情報を含む。このため、発する音声の特徴が、利用者毎に異なる場合においても、各利用者の発する音声に対して適切な認識情報を生成することができる。これにより、利用条件の幅をさらに拡大させることが可能となる。

特に、第４発明によれば、簡易音素情報は、濁音、半濁音、促音、及び拗音の少なくとも何れかを含む配列を示す。このため、濁音等の音声に特化した音声認識を実現することができる。これにより、認識精度をさらに向上させることが可能となる。

特に、第５発明によれば、比較手段は、信頼度と、第１閾値とを比較する。このため、複数の候補データから相対的に選択された評価データに対し、閾値による判定も行うことで、誤認識をさらに低減させることができる。これにより、認識精度のさらなる向上が可能となる。

特に、第６発明によれば、設定手段は、認識情報に基づき、参照する文字列データベースの内容を選択する。このため、特定の状況に応じた音声のみを認識することができる。これにより、認識精度のさらなる向上を図ることが可能となる。

第８発明及び第９発明によれば、抽出部は、音素及び休止区間の配列を認識対象データとして抽出する。また、検出部は、認識対象データの有する配列に対応する音素情報を選択し、候補データを検出する。このため、認識対象データにおける音素のみを考慮した配列に対して候補データを検出する場合に比べ、誤認識を低減させることができる。これにより、認識精度の向上を図ることが可能となる。

また、第８発明及び第９発明によれば、文字列データベースには、音素と休止区間との配列に対応する音素情報、及び音素情報に紐づく文字列情報が記憶される。このため、音素全体に対してパターンマッチングするために記憶するデータに比べて、データ容量の削減や、データ蓄積の簡易化を実現することができる。

特に、第８発明によれば、音素情報は、簡易音素情報を含む。このため、子音を発することが困難な利用者を対象とする場合や、子音を聞き取り難い環境で利用する場合等においても、認識精度の低下を抑制することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅を拡大させることが可能となる。

特に、第９発明によれば、音素情報は、１つの文字列に紐づく２以上の音素候補情報を含む。このため、１つの文字列情報に対応する複数の音素の配列が存在する場合においても、認識することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅をさらに拡大させることが可能となる。

図１は、本実施形態における音声認識システムの構成の一例を示す模式図である。 図２（ａ）は、本実施形態における音声認識装置の構成の一例を示す模式図であり、図２（ｂ）は、本実施形態における音声認識装置の機能の一例を示す模式図であり、図２（ｃ）は、本実施形態における生成部の一例を示す模式図である。 図３は、本実施形態における音声認識装置の各機能の一例を示す模式図である。 図４は、文字列データベース、文法データベース、及び参照データベースの一例を示す模式図である。 図５（ａ）は、本実施形態における音声認識システムの動作の一例を示すフローチャートであり、図５（ｂ）は、生成手段の一例を示すフローチャートであり、図５（ｃ）は、反映手段の一例を示すフローチャートである。 図６は、更新手段の一例を示す模式図である。 図７（ａ）は、更新手段の一例を示すフローチャートであり、図７（ｂ）は、設定手段の一例を示すフローチャートである。 図８は、設定手段の一例を示す模式図である。 図９（ａ）及び図９（ｂ）は、設定手段の他の例を示す模式図である。 図１０は、条件情報の一例を示す模式図である。 図１１は、文字列データベース及び参照データベースの変形例を示す模式図である。 図１２は、参照データベースの変形例を示す模式図である。

以下、本発明の実施形態における音声認識システム及び音声認識装置の一例について、図面を参照しながら説明する。

（音声認識システム１００の構成）
図１〜図４を参照して、本実施形態における音声認識システム１００の構成の一例について説明する。図１は、本実施形態における音声認識システム１００の全体の構成を示す模式図である。

音声認識システム１００は、利用者の用途に応じて構築された文字列データベース及び文法データベースを参照し、利用者の音声に対応する認識情報を生成する。文字列データベースには、利用者が発すると想定される文字列（文字列情報）と、文字列情報に対応する音素（音素情報）が記憶される。このため、上記文字列及び音素を蓄積することで用途に応じた認識情報を生成でき、様々な用途に展開することが可能となる。

特に、文字列データベースに記憶される音素の配列（音素情報）は、音声に含まれる休止区間を踏まえて分類することで、音声に対する認識情報の精度を飛躍的に向上させることが可能となることを、発明者が発見した。また、音声認識システム１００では、例えば文字列データベースに記憶された文字列情報に限定して、音声に対する認識情報を生成する。このため、用途毎に文法データベースの内容を変更することで、用途に適した認識情報を高精度に生成することが可能となる。

文法データベースには、文字列情報を組み合わせたセンテンスを生成するために必要な文法情報が記憶される。文法情報は、文字列情報毎に紐づくクラスＩＤの配列順序を示す情報を複数含む。文法データベースを参照することで、休止区間を踏まえて分類された音素の配列に基づいて文字列情報を検出したあと、容易に各文字列情報を組み合わせることができる。これにより、音声に対する文法を考慮した認識情報を生成することができる。この結果、利用者等の発する音声の内容を踏まえた音声認識を高精度に実現することが可能となる。

図１に示すように、音声認識システム１００は、音声認識装置１を備える。音声認識システム１００では、例えば収音装置２等を用いて利用者等の音声を収音し、音声認識装置１を用いて音声に対応する認識情報を生成する。認識情報は、音声を文字列に変換したテキストデータ等のほか、例えば制御装置３等を制御する情報や、利用者に返答するための音声情報等を含む。

音声認識システム１００では、音声認識装置１に対して、収音装置２や制御装置３が直接接続されるほか、例えば公衆通信網４を介して接続されてもよい。また、音声認識装置１に対して、例えば公衆通信網４を介して、サーバ５や利用者等の保有するユーザ端末６が、公衆通信網４を介して接続されてもよい。なお、音声認識装置１には、収音装置２及び制御装置３の少なくとも何れかが一体に形成されてもよい。

＜音声認識装置１＞
図２（ａ）は、音声認識装置１の構成の一例を示す模式図である。音声認識装置１として、Ｒａｓｐｂｅｒｒｙ Ｐｉ（登録商標）等のシングルボードコンピュータが用いられるほか、例えばパーソナルコンピュータ（ＰＣ）等の電子機器が用いられてもよい。音声認識装置１は、筐体１０と、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、保存部１０４と、Ｉ／Ｆ１０５〜１０７とを備える。各構成１０１〜１０７は、内部バス１１０により接続される。

ＣＰＵ１０１は、音声認識装置１全体を制御する。ＲＯＭ１０２は、ＣＰＵ１０１の動作コードを格納する。ＲＡＭ１０３は、ＣＰＵ１０１の動作時に使用される作業領域である。保存部１０４は、文字列データベース等の各種情報が保存される。保存部１０４として、例えばＳＤメモリーカードのほか、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等が用いられる。

Ｉ／Ｆ１０５は、収音装置２、制御装置３、公衆通信網４等との各種情報の送受信を行うためのインターフェースである。Ｉ／Ｆ１０６は、用途に応じて接続される入力部分１０８との各種情報の送受信を行うためのインターフェースである。入力部分１０８として、例えばキーボードが用いられ、音声認識システム１００の管理等を行う利用者等は、入力部分１０８を介して、各種情報又は音声認識装置１の制御コマンド等を入力又は選択する。Ｉ／Ｆ１０７は、用途に応じて接続される出力部分１０９との各種情報の送受信を行うためのインターフェースである。出力部分１０９は、保存部１０４に保存された各種情報、認識情報、音声認識装置１の処理状況等を出力する。出力部分１０９として、ディスプレイが用いられ、例えばタッチパネル式でもよい。この場合、出力部分１０９が入力部分１０８を含む構成としてもよい。なお、Ｉ／Ｆ１０５〜Ｉ／Ｆ１０７は、例えば同一のものが用いられてもよい。また、入力部分１０８及び出力部分１０９の少なくとも何れかは、状況に応じて取り外されてもよい。

図２（ｂ）は、音声認識装置１の機能の一例を示す模式図である。音声認識装置１は、取得部１１と、抽出部１２と、記憶部１３と、検出部１４と、算出部１５と、選択部１６と、生成部１７と、出力部１８とを備える。音声認識装置１は、例えば反映部１９を備えてもよい。なお、図２（ｂ）に示した各機能は、ＣＰＵ１０１が、ＲＡＭ１０３を作業領域として、保存部１０４等に記憶されたプログラムを実行することにより実現される。また、各機能の一部は、例えばＪｕｌｉｕｓ等の公知の音素認識技術を含む音声認識エンジンや、Ｐｙｔｈｏｎ等のような公知の汎用プログラミング言語を用いて実現し、各種データの抽出や生成等の処理を行ってもよい。また、各機能の一部は、人工知能により制御されてもよい。ここで、「人工知能」は、いかなる周知の人工知能技術に基づくものであってもよい。

＜取得部１１＞
取得部１１は、少なくとも１つの音声データを取得する。取得部１１は、例えば収音装置２等を用いて収音した音声（音声信号）に対し、ＰＣＭ（pulse code modulation）等のパルス変調したデータを、音声データとして取得する。取得部１１は、収音装置２の種類に応じて、例えば複数の音声データを一度に取得してもよい。なお、音声信号をパルス変調する処理は、収音装置２等により行われるほか、例えば取得部１１により行われてもよい。

取得部１１は、例えば同時に複数の音声データを取得してもよい。この場合、音声認識装置１に対して、収音装置２が複数接続されるほか、複数の音声を同時に収音できる収音装置２が接続されてもよい。なお、取得部１１は、音声データのほか、例えばＩ／Ｆ１０５、Ｉ／Ｆ１０６を介して各種情報（データ）を収音装置２等から取得する。

＜抽出部１２＞
抽出部１２は、音素認識により、音声データに含まれる開始無音区間及び終了無音区間を抽出する。また、抽出部１２は、開始無音区間と終了無音区間との間に挟まれた音素及び休止区間の配列を、音素認識により認識対象データとして抽出する。すなわち、抽出部１２の基本的な機能は、音素認識技術を用いることにより実現することができる。

抽出部１２は、例えば１００ミリ秒以上１秒以下の非発話状態（無音区間）を、開始無音区間及び終了無音区間として抽出する。抽出部１２は、開始無音区間と終了無音区間との間に挟まれた区間（音声区間）に対し、音素及び休止区間を割り当てる。抽出部１２は、それぞれ割り当てられた音素及び休止区間の配列を、認識対象データとして抽出する。

音素は、母音と、子音とを含む公知のものである。休止区間は、開始無音区間及び終了無音区間よりも短い区間を示し、例えば音素の区間と同程度の区間（長さ）を示す。抽出部１２は、例えば各音素の長さ又は認識対象データ全体の長さを判定したあと、休止区間の長さを設定した上で、音素及び休止区間を割り当てた配列を、認識対象データとして抽出してもよい。すなわち、抽出部１２は、音素の長さ又は認識対象データ全体の長さに応じて、休止区間の長さを設定してもよい。

抽出部１２は、例えば図３に示すように、開始無音区間「silB」及び終了無音区間「silE」を抽出し、音声区間における配列「a/k/a/r/i/*/w/o/*/ts/u/k/e/t/e」（*は休止区間を示す）を、対象認識データとして抽出する。抽出部１２は、例えば１つの音声データからそれぞれ異なる配列の対象認識データを複数抽出してもよい。この場合、抽出部１２における音素及び休止区間の割り当てに伴うバラつきを考慮した音声認識を実施することができる。例えば抽出部１２は、１つ以上５つ以下の対象認識データを抽出することで、処理時間を抑えた上で、認識精度を高めることができる。なお、抽出部１２は、例えば開始無音区間及び終了無音区間の少なくとも何れかを含む配列を、対象認識データとして抽出してもよい。

休止区間は、例えば呼吸音及びリップノイズの少なくとも何れかを含んでもよい。すなわち、抽出部１２は、例えば休止区間に含まれる呼吸音及びリップノイズの少なくとも何れかを、認識対象データとして抽出してもよい。この場合、後述する文字列データベースに記憶された音素情報に、呼吸音及びリップノイズの少なくとも何れかを含ませることで、より精度の高い認識情報を生成することが可能となる。

＜記憶部１３、データベース＞
記憶部１３は、各種データを保存部１０４に記憶させ、又は各種データを保存部１０４から取出す。記憶部１３は、必要に応じて保存部１０４に記憶された各種データベースを取出す。

保存部１０４には、例えば図４に示すように、文字列データベース及び文法データベースが記憶され、例えば参照データベースが記憶されてもよい。

文字列データベースには、予め取得された文字列情報と、文字列情報に紐づく音素情報と、文字列情報に付与されたクラスＩＤとが記憶される。文字列データベースは、検出部１４によって候補データを検出するときに用いられる。

音素情報は、利用者が発すると想定される音素の配列（例えば第１音素情報「a/k/a/r/i」等）を複数含む。音素の配列は、休止区間により分離される区間に対応するほか、例えば「h/i/*/i/t/e」のように休止区間を含んでもよく、利用条件に応じて任意に設定される。なお、音素情報は、例えば開始無音区間及び終了無音区間の少なくとも何れかを含んでもよい。

文字列情報は、各音素の配列に紐づく文字列（例えば第１文字列情報「明かり」等）を含む。このため、文字列情報には、単語や形態素等の意味を持つ表現要素が用いられるほか、意味を持たない文字列が用いられてもよい。なお、文字列情報は、日本語のほか、例えば２ヵ国以上の言語を含んでもよく、数字や利用箇所で用いられる略称等の文字列を含んでもよい。また、同一の文字列情報に対して、異なる音素の配列が紐づけられてもよい。

クラスＩＤは、文字列情報に紐づき、文字列情報の単語等が文法上用いられると想定される配列箇所（例えば第１クラスＩＤ「１」等）を示す。例えば音声の文法（センテンス）が「対象」＋「助詞」＋「アクション」として表すことができる場合、クラスＩＤとして、音声の「対象」となる文字列情報に対して「１」が用いられ、音声の「助詞」となる文字列情報に対して「２」が用いられ、音声の「アクション」となる文字列情報に対して「３」が用いられる。

本実施形態では、文字列データベースに記憶された音素情報は、例えば文字列情報に対応する音素の配列から、少なくとも１つの子音を除いた配列を示す。簡易音素情報は、例えば図４における文字列情報「明かり」に紐づいた「a/a/i」のように、文字列情報に対応する基本的な音素の配列「a/k/a/r/i」から、子音を除いた母音のみによる音素の配列を示す。また、簡易音素情報は、例えば文字列情報「弾いて」に紐づいた「i/*/i/e」のように、母音と休止区間との組み合わせによる配列を示してもよいほか、子音を１つ除いた「i/*/i/t/e」のような、少なくとも１つの子音を除いた配列を示してもよい。

簡易音素情報は、例えば文字列情報に対応する母音と、濁音、半濁音、促音、及び拗音の少なくとも何れかとを組み合わせた配列を示してもよい。この場合、簡易音素情報は、上記以外の子音を除いた配列を示し、例えば文字列情報に対応する無声子音を除いた配列を示す。

例えば濁音は、文字列「が」に対応する音素「g/a」等を示し、半濁音は、文字列「ぱ」に対応する音素「p/a」等を示し、促音は、文字列「勝った」に対応する音素「k/a/q/t/a」等を示し、拗音は、文字列「しょ」に対応する音素「s/h/o」等を示す。

簡易音素情報の示す配列に、濁音、半濁音、促音、及び拗音の少なくとも何れかを含ませることで、特徴的な音声に音声認識の対象を絞ることができ、認識精度をさらに向上させることが可能となる。例えば簡易音素情報の配列に、濁音、及び半濁音の少なくとも何れかを含ませることで、方言等の特徴を踏まえた音声認識を実現することができる。また、例えば簡易音素情報の配列に、促音、及び拗音の少なくとも何れかを含ませることで、認識し難い音声に対して認識精度の低下を抑制することができる。

例えば「弁当ください」のような文字列に対し、「べんおううだあい」や、「えんおううああい」等のような音声を利用者が発する場合においても、簡易音素情報を用いた音声認識を行うことで、認識精度の向上を図ることができる。また、「キャットフード」のような認識し難い文字列に対し、「あっおうーど」や、「きゃっおうーど」等のような音声を利用者が発する場合においても、簡易音素情報を用いた音声認識を行うことで、認識精度の低下を抑制することができる。

また、文字列データベースに記憶された音素情報は、１つの文字列情報に紐づく２つ以上のそれぞれ異なる音素の配列を示す音素候補情報を含んでもよい。各音素候補情報は、例えば図４における文字列情報「消して」に紐づいた「k/e/s/i/t/e」及び「e/i/e」のように、１つの文字列情報に対応し、それぞれ異なる音素の配列を示す。なお、例えば音素候補情報が、上述した簡易音素情報を含んでもよい。この場合、複数の利用者の中で子音を発することが困難な利用者が含まれる状況等においても、認識精度の低下を抑制することができる。

なお、例えば標準語における音素の配列「k/e/s/i/t/e」と、方言における音素の配列「k/e/s/u/t/e」とを、２つの音素候補情報として１つの文字列情報に紐づけてもよい。また、互いに異なる言語を、２つの音素候補情報として１つの文字列情報に紐づけてもよい。

以下、音素情報には、上述した簡易音素情報及び音素候補情報の少なくとも何れか含んでもよい点は同様であり、適宜説明を省略する。

文法データベースには、予め取得された複数のクラスＩＤの配列順序を示す文法情報が記憶される。文法データベースは、算出部１５によって信頼度を算出するときに用いられる。文法情報として、例えば第１文法情報「１、２、３」が用いられる場合、音声の候補として「対象」＋「助詞」＋「アクション」を示すセンテンスを生成することができる。文法情報は、例えば第１文法情報「１、２、３」、第２文法情報「４、５、６」、第３文法情報「２、１、３」等のクラスＩＤの配列順序を複数含む。

参照データベースには、予め取得された文字列情報と、文字列を組み合わせた参照センテンスと、文字列情報毎に付与された閾値とが記憶され、例えば文字列情報に紐づく音素情報が記憶されてもよい。参照データベースは、生成部１７によって認識情報を生成するときに、必要に応じて用いられる。なお、参照データベースに記憶される文字列情報及び音素情報は、例えば文字列データベースに記憶される文字列情報及び音素情報と等しくすることで、データ容量を少なくすることができる。

本実施形態では、参照データベースに記憶された音素情報は、例えば上述した簡易音素情報、及び音素候補情報の少なくとも何れかを含んでもよい。この場合、例えば図４に示すように、１つの文字列情報「明かり」に紐づく２つの音素候補情報「a/k/a/r/i」、「a/a/i」毎に、異なるセンテンスに分類する（図４では第１、第３参照センテンス）ほか、同一のセンテンスとしてもよい。また、例えば１つの文字列情報「弾いて」に紐づく２つの音素候補情報「h/i/*/i/t/e」、「i/*/i/e」毎に異なる閾値「０．８００」、「０．８９０」を設定してもよいほか、同一の閾値を設定してもよい。

なお、例えば簡易音素情報が優先的に選択されるように、簡易音素情報に紐づく閾値を低くしてもよい。この場合、濁音、半濁音、促音、拗音等を含む音声を、特徴的な音声として優先的に認識させることもできる。

＜検出部１４＞
検出部１４は、文字列データベースを参照し、認識対象データの有する音素の配列に対応する音素情報を選択する。また、検出部１４は、選択された音素情報に紐づく文字列情報及びクラスＩＤを候補データとして複数検出する。

検出部１４は、例えば図３に示すように、認識対象データに対応する音素情報「a/k/a/r/i」、「w/o」、「ts/u/k/e/t/e」を選択し、各音素情報に紐づく文字列情報及びクラスＩＤ「明かり/１」、「を/２」、「つけて/３」を、それぞれ候補データとして検出する。このとき、認識対象データの数に応じて、候補データの数が増加する。なお、各音素の配列は、予め休止区間毎に区切られて分類されるほか、音素及び休止区間を含む音素情報に基づいて分類されてもよい。

＜算出部１５＞
算出部１５は、文法データベースを参照し、複数の候補データを文法情報に基づき組み合わせたセンテンスを生成する。また、算出部１５は、センテンスに含まれる候補データ毎の文字列情報に対する信頼度を、文法データベースを用いて算出する。信頼度の算出には、例えば文法データベースを参照したスタックデコーディングサーチが行われる。

算出部１５は、例えば図３に示すように、第１文法情報「１、２、３」に含まれるクラスＩＤ毎に、各候補データ「明かり/１」、「を/２」、「つけて/３」のクラスＩＤを対応させ、センテンス「明かり/１」「を/２」「つけて/３」を生成する。このとき、例えば文法情報が「３、１、２」の場合、センテンスとして「つけて/３」「明かり/１」「を/２」が生成される。

算出部１５は、センテンスに含まれる各候補データ「明かり/１」、「を/２」、「つけて/３」、に対応する信頼度「０．９８２」、「１．０００」、「０．９９０」を算出する。算出部１５は、各候補データの文字列情報に対して０．０００以上１．０００以下の範囲で信頼度を算出する。

算出部１５は、例えば各センテンスに対して、優先度を示すランクを設定（図３ではランク１〜ランク５）してもよい。ランクを設定することで、任意のランク下位にランク付けされたセンテンス（例えばランク６以下）を、評価対象から除外することができる。このため、後述する評価データとして選択される候補データの数を減らすことができ、処理速度の向上を図ることが可能となる。

算出部１５は、例えば内容の異なるセンテンスに同一の候補データが含まれる場合、各候補データにはそれぞれ異なる信頼度を算出してもよい。例えば、第１センテンスに含まれる各候補データ「明かり/１」、「を/２」、「つけて/３」に対応する信頼度「０．９８２」、「１．０００」、「０．９９０」が算出された場合、第２センテンスに含まれる各候補データ「明かり/１」、「を/２」、「弾いて/３」に対応する信頼度「０．９４２」、「１．０００」、「０．０２３」が算出される。すなわち、同一の候補データ「明かり」であっても、センテンスの内容や組み合わせの順序によって、異なる信頼度が算出されてもよい。

例えば信頼度として、各文字列情報に対して予め設定された値が用いられてもよい。この場合、予め設定された値は、例えば文法データベースに記憶される。上記のほか、例えば信頼度として、検出部１４において検出された候補データ（又は候補データの文字列情報）の種類及び数に応じた相対値が用いられてもよい。例えば検出部１４において検出された複数の候補データにおいて、１つのクラスＩＤが付与された文字列情報の種類が多くなるにつれて、各文字列情報に対して低い信頼度を算出するようにしてもよい。

なお、例えば簡易音素情報が優先的に選択されるように、簡易音素情報に紐づく文字列情報に対する信頼度を、基本の音素情報に紐づく文字列情報に対する信頼度よりも高く算出できるようにしてもよい。この場合、濁音、半濁音、促音、拗音等を含む音声を、特徴的な音声として優先的に認識させることもできる。

＜選択部１６＞
選択部１６は、信頼度に基づき、複数の候補データから評価データを選択する。選択部１６は、例えば複数の候補データのうち、クラスＩＤ毎に最も高い信頼度が算出された候補データを、評価データとして選択する。例えば選択部１６は、同じクラスＩＤ「３」における候補データ「つけて/３/０．９９０」、「弾いて/３/０．０２３」のうち、最も高い信頼度を有する候補データ「つけて/３/０．９９０」を評価データとして選択する。なお、選択部１６は、例えば１つのクラスＩＤに対して複数の候補データを、評価データとして選択してもよい。この場合、後述する生成部１７において、複数の候補データから１つ選択するようにしてもよい。

＜生成部１７＞
生成部１７は、評価データに基づき、認識情報を生成する。生成部１７は、例えば評価データをテキスト形式に変換し、認識情報として生成するほか、例えば評価データを音声データ形式や、制御装置３を制御するための制御データ形式に変換し、認識情報として生成してもよい。すなわち、認識情報は、制御装置３を制御するための情報（例えば車両の走行速度を制御するための情報）を含む。なお、評価データに基づくテキスト形式、音声データ形式、又は制御データ形式に変換する方法は、公知の技術を用いることができ、必要に応じて各データ形式を蓄積したデータベース等を用いてもよい。

生成部１７は、例えば指定部１７ａと、比較部１７ｂとを有してもよい。指定部１７ａは、参照データベースを参照し、参照センテンスのうち、評価データに対応する第１参照センテンスを指定する。指定部１７ａは、例えば評価データとして「明かり/１」、「を/２」、「つけて/３」が選択された場合、図４に示す第１参照センテンスを指定する。この場合、第１参照センテンスに含まれる各文字列情報（第１文字列情報）として、評価データに含まれる候補データと等しい文字列が指定される。

比較部１７ｂは、評価データに対応する信頼度と、第１文字列情報に付与された閾値（第１閾値）とを比較する。比較部１７ｂは、例えば評価データ「明かり」、「を」、「つけて」の信頼度「０．９８２」、「１．０００」、「０．９９０」が、第１文字列情報「明かり」、「を」、「つけて」の第１閾値「０．８００」、「０．９００」、「０．８８０」以上か否かを比較する。この場合、生成部１７は、比較結果に基づいて認識情報を生成する。例えば信頼度が第１閾値以上の場合に、生成部１７が認識情報を生成してもよい。例えば信頼度が第１閾値以上の場合と、第１閾値未満の場合とに応じて、生成部１７が異なる生成情報を生成してもよい。

＜出力部１８＞
出力部１８は、認識情報を出力する。出力部１８は、Ｉ／Ｆ１０５を介して制御装置３等に認識情報を出力する。出力部１８は、例えばＩ／Ｆ１０７を介して出力部分１０９に認識情報を出力してもよい。出力部１８は、認識情報のほか、例えばＩ／Ｆ１０５、Ｉ／Ｆ１０７を介して各種情報（データ）を制御装置３等に出力する。

＜反映部１９＞
反映部１９は、認識情報を評価した利用者等の評価結果を取得し、参照データベースの閾値に反映させる。反映部１９は、例えば認識情報に対して評価結果が悪い場合（すなわち、音声データに対して得られる認識情報が、利用者等の要求と乖離している場合）、閾値を変更させることで、認識情報の改善を図る。このとき、例えば公知の機械学習方法等を用いて、評価結果を閾値に反映させてもよい。

＜収音装置２＞
収音装置２は、公知のマイクに加え、例えばＤＳＰ（digital signal processor）を有してもよい。収音装置２がＤＳＰを有する場合、収音装置２は、マイクによって収音した音声信号に対しＰＣＭ等のパルス変調したデータ（音声データ）を生成し、音声認識装置１に送信する。

収音装置２は、例えば音声認識装置１と直接接続されるほか、例えば公衆通信網４を介して接続されてもよい。なお、収音装置２がマイクのみを有する場合、音声認識装置１がパルス変調したデータを生成してもよい。

＜制御装置３＞
制御装置３は、認識情報を音声認識装置１から受信して制御可能な装置を示す。制御装置３として、例えばＬＥＤ等の照明装置が用いられるほか、例えば車載装置（例えば車両の走行速度を制御するため、ブレーキ系統に直結する装置）、表示言語を変更できる自動販売機、施錠装置、オーディオ機器、マッサージ機等が用いられる。制御装置３は、例えば音声認識装置１と直接接続されるほか、例えば公衆通信網４を介して接続されてもよい。

＜公衆通信網４＞
公衆通信網４は、音声認識装置１が通信回路を介して接続されるインターネット網等である。公衆通信網４は、いわゆる光ファイバ通信網で構成されてもよい。また、公衆通信網４は、有線通信網には限定されず、無線通信網等の公知の通信網で実現してもよい。

＜サーバ５＞
サーバ５には、上述した各種情報が記憶される。サーバ５には、例えば公衆通信網４を介して送られてきた各種情報が蓄積される。サーバ５には、例えば保存部１０４と同様の情報が記憶され、公衆通信網４を介して音声認識装置１と各種情報の送受信が行われてもよい。すなわち、音声認識装置１は、保存部１０４の代わりにサーバ５を用いてもよい。特に、サーバ５に上述した各データベースが保存され、音声認識装置１には、サーバ５に記憶された各データベースの少なくとも一部が保存されるようにしてもよい。この場合、サーバ５を用いて音声認識装置１に保存された各データベースを適宜更新することで、音声認識装置１における更新機能や蓄積するデータ容量を最小限に抑えることができる。このため、音声認識装置１を公衆通信網４に常時接続しない状態で利用することができ、更新が必要な場合のみ公衆通信網４に接続するように用いることができる。これにより、音声認識装置１の利用先を大幅に拡大させることができる。

＜ユーザ端末６＞
ユーザ端末６は、例えば音声認識システム１００の利用者等が保有する端末を示す。ユーザ端末６として、主に携帯電話（携帯端末）が用いられ、それ以外ではスマートフォン、タブレット型端末、ウェアラブル端末、パーソナルコンピュータ、ＩｏＴ（Internet of Things）デバイス等の電子機器のほか、あらゆる電子機器で具現化されたものが用いられてもよい。ユーザ端末６は、例えば公衆通信網４を介して音声認識装置１と接続されるほか、例えば音声認識装置１と直接接続されてもよい。利用者等は、例えばユーザ端末６を介して音声認識装置１から認識情報を取得するほか、例えば収音装置２の代わりにユーザ端末６を用いて音声を収音させてもよい。

（音声認識システム１００の動作の一例）
次に、本実施形態における音声認識システム１００の動作の一例について説明する。図５（ａ）は、本実施形態における音声認識システム１００の動作の一例を示すフローチャートである。

＜取得手段Ｓ１１０＞
先ず、音声データを取得する（取得手段Ｓ１１０）。取得部１１は、収音装置２等により収音された音声に基づき、音声データを取得する。取得部１１は、例えば記憶部１３を介して保存部１０４に音声データを保存する。なお、取得手段Ｓ１１０では、例えば子音を発することが困難な利用者から発せられた音声や、子音を聞き取り難い環境で発せられた音声においても、取得部１１は、音声データを取得することができる。

＜抽出手段Ｓ１２０＞
次に、認識対象データを抽出する（抽出手段Ｓ１２０）。抽出部１２は、例えば記憶部１３を介して保存部１０４から音声データを取出し、音声データに含まれる開始無音区間及び終了無音区間を、音素認識により抽出する。また、抽出部１２は、開始無音区間と終了無音区間との間に挟まれた音素及び休止区間の配列を、音素認識により認識対象データとして抽出する。抽出部１２は、例えば記憶部１３を介して保存部１０４に認識対象データを保存する。なお、抽出部１２は、一度に複数の音声データを取得してもよい。

抽出部１２は、例えば１つの音声データから複数の認識データを抽出する。このとき、複数の認識データは、それぞれ異なる音素及び休止区間の配列を有する（例えば図３の配列Ａ〜配列Ｃ）。抽出部１２は、例えばそれぞれ異なる条件を設定するほか、例えば同一条件で設定したときにおけるバラつきの範囲内で、複数の認識データを抽出する。

なお、例えば休止区間が呼吸音及びリップノイズの少なくとも何れかを含むとき、抽出部１２は、呼吸音及びリップノイズの少なくとも何れかを含む配列を、認識対象データとして抽出してもよい。

＜検出手段Ｓ１３０＞
次に、認識対象データに基づき、候補データを検出する（検出手段Ｓ１３０）。検出部１４は、例えば記憶部１３を介して保存部１０４から認識対象データを取出す。検出部１４は、文字列データベースを参照し、認識対象データの有する配列に対応する音素情報を選択する。また、検出部１４は、選択された音素情報に紐づく文字列情報及びクラスＩＤを候補データとして複数検出する。検出部１４は、例えば記憶部１３を介して保存部１０４に候補データを保存する。なお、認識対象データの有する配列は、例えば一対の休止区間の間における音素の配列を示し、一対の休止区間の間に他の休止区間が配列されてもよい。

＜算出手段Ｓ１４０＞
次に、各候補データに対応する信頼度を算出する（算出手段Ｓ１４０）。算出部１５は、例えば記憶部１３を介して保存部１０４から候補データを取出す。算出部１５は、文法データベースを参照し、複数の候補データを文法情報に基づき組み合わせたセンテンスを生成する。また、算出部１５は、センテンスに含まれる候補データ毎に対応する信頼度を算出する。算出部１５は、例えば記憶部１３を介して保存部１０４に各候補データ及び信頼度を保存する。算出部１５として、例えばＪｕｌｉｕｓ等の公知の音声認識エンジンが用いられることで、センテンスの生成及び信頼度の算出が実現されてもよい。

算出部１５は、文法データベースの文法情報の種類に応じて、複数のセンテンスを生成することができる。また、算出部１５は、文法情報の種類を選択することで、状況に適した音声認識を高精度で実施することができる。

＜選択手段Ｓ１５０＞
次に、信頼度に基づき、評価データを選択する（選択手段Ｓ１５０）。選択部１６は、例えば記憶部１３を介して保存部１０４から候補データ及び信頼度を取出す。選択部１６は、例えば複数の候補データのうち、クラスＩＤ毎に最も高い信頼度が算出された候補データを、評価データとして選択する。選択部１６は、例えば記憶部１３を介して保存部１０４に評価データを保存する。

＜生成手段Ｓ１６０＞
次に、評価データに基づき、認識情報を生成する（生成手段Ｓ１６０）。生成部１７は、例えば記憶部１３を介して保存部１０４から評価データを取出す。生成部１７は、例えば上述した公知の技術を用いて評価データを任意のデータに変換し、認識情報として生成する。

生成手段Ｓ１６０は、例えば図５（ｂ）に示すように、指定手段Ｓ１６１と、比較手段Ｓ１６２とを有してもよい。

指定手段Ｓ１６１は、評価データに対応する第１参照センテンスを指定する。指定部１７ａは、参照データベースを参照し、参照センテンスのうち、評価データに対応する第１参照センテンスを指定する。

比較手段Ｓ１６２は、評価データに対応する信頼度と、第１参照センテンスに含まれる第１文字列情報に付与された第１閾値とを比較する。比較部１７ｂは、例えば図３に示すように、評価データの信頼度が第１閾値以上の場合に、認識が正しいと判断してもよい。この後、比較部１７ｂの判断（比較結果）に基づき、認識情報が生成される。なお、比較部１７ｂにおいて評価データの信頼度が第１閾値未満となり、認識が誤っていると判断した場合、そのまま終了するか、抽出手段Ｓ１２０から再度実施するほか、例えば利用者等に再度音声を発するように促す認識情報を生成してもよい。

＜出力手段Ｓ１７０＞
その後、必要に応じて認識情報を出力する（出力手段Ｓ１７０）。出力部１８は、Ｉ／Ｆ１０７を介して出力部分１０９に認識情報を表示するほか、例えばＩ／Ｆ１０５を介して制御装置３等を制御するための認識情報を出力する。

＜反映手段Ｓ１８０＞
なお、例えば認識情報を評価した利用者等の評価結果を取得し、参照データベースの閾値に反映させてもよい（反映手段Ｓ１８０）。この場合、反映部１９は、取得部１１を介して利用者等が作成した評価結果を取得する。反映部１９は、評価結果に含まれる評価値等に基づき、比較手段Ｓ１６２における比較の結果が改善（認識精度が向上）するように、閾値を変更する。

なお、反映部１９は、例えば参照データベースのほか、文字列データベース及び文法データベースの少なくとも何れかに評価結果を反映させてもよい。また、算出部１５が評価結果に基づき、信頼度の算出に反映させてもよい。

これにより、本実施形態における音声認識システム１００の動作が終了する。

本実施形態における音声認識システム１００によれば、抽出手段Ｓ１２０は、音素及び休止区間の配列を認識対象データとして抽出する。また、検出手段Ｓ１３０は、認識対象データの有する配列に対応する音素情報を選択し、候補データを検出する。このため、認識対象データにおける音素のみを考慮した配列に対して候補データを検出する場合に比べ、誤認識を低減させることができる。これにより、認識精度の向上を図ることが可能となる。

また、認識精度の向上が可能となるため、精度向上のために用いられる事前音声入力を実施する必要がない。ここで、事前音声入力とは、音声データを取得する前に、音声認識を開始させるための音声を示す。事前音声入力を用いることで、認識精度を向上させることができる一方で、利便性の低下に影響する懸念が挙げられる。この点、本実施形態における音声認識システム１００によれば、事前音声入力を実施しないことで、利便性の向上を実現させることが可能となる。

なお、本実施形態における音声認識システム１００によれば、必要に応じて事前音声入力を実施してもよい。これにより、認識精度のさらなる向上を図ることが可能となる。

また、本実施形態における音声認識システム１００によれば、文字列データベースには、音素と休止区間との配列に対応する音素情報、及び音素情報に紐づく文字列情報が記憶される。このため、音素全体に対してパターンマッチングするために記憶するデータに比べて、データ容量の削減や、データ蓄積の簡易化を実現することができる。

特に、音声認識システム１００の利用される環境を踏まえて、文字列データベースに記憶される文字列情報を選択することで、データ容量の削減ができ、例えば公衆通信網４に接続する必要がなく、利用の幅を広げることができる。また、音声データの取得から認識情報を生成するまでの時間を大幅に短縮することができる。

また、本実施形態における音声認識システム１００によれば、音素情報は、簡易音素情報を含む。このため、子音を発することが困難な利用者を対象とする場合や、子音を聞き取り難い環境で利用する場合等においても、認識精度の低下を抑制することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅を拡大させることが可能となる。

また、本実施形態における音声認識システム１００によれば、音素情報は、１つの文字列に紐づく２以上の音素候補情報を含む。このため、１つの文字列情報に対応する複数の音素の配列が存在する場合においても、認識することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅をさらに拡大させることが可能となる。

また、本実施形態における音声認識システム１００によれば、音素候補情報は、簡易音素情報を含む。このため、発する音声の特徴が、利用者毎に異なる場合においても、各利用者の発する音声に対して適切な認識情報を生成することができる。これにより、利用条件の幅をさらに拡大させることが可能となる。

また、本実施形態における音声認識システム１００によれば、簡易音素情報は、濁音、半濁音、促音、及び拗音の少なくとも何れかを含む配列を示す。このため、濁音等の音声に特化した音声認識を実現することができる。これにより、認識精度をさらに向上させることが可能となる。

また、本実施形態における音声認識システム１００によれば、抽出手段Ｓ１２０は、１つの音声データから複数の認識対象データを抽出する。このため、音素及び休止区間の配列にバラつきが発生するような音声データを取得した場合においても、認識精度の低下を抑制することができる。これにより、認識精度のさらなる向上が可能となる。

また、本実施形態における音声認識システム１００によれば、算出手段Ｓ１４０は、センテンスを複数生成してもよい。すなわち、候補データを組み合わせるパターンが複数存在する場合においても、全てのパターンに対応するセンテンスを生成することができる。このため、例えばパターンマッチングの探索方法等に比べて、誤認識を低減させることができる。これにより、認識精度のさらなる向上が可能となる。

また、本実施形態における音声認識システム１００によれば、比較手段Ｓ１６２は、信頼度と、第１閾値とを比較する。このため、複数の候補データから相対的に選択された評価データに対し、閾値による判定も行うことで、誤認識をさらに低減させることができる。これにより、認識精度のさらなる向上が可能となる。

また、本実施形態における音声認識システム１００によれば、反映手段Ｓ１８０は、評価結果を閾値に反映させてもよい。このため、認識情報が、利用者の認識と乖離している場合、容易に改善を実施することができる。これにより、持続的な認識精度の向上を実現することができる。

また、本実施形態における音声認識システム１００によれば、出力手段Ｓ１７０は、認識情報を出力してもよい。上記の通り、本実施形態における音声認識システム１００は、従来のシステムに比べて精度の高い認識情報を生成することができる。このため、認識情報に基づいて制御装置３等の制御を実施する場合、制御装置３等の誤作動を大幅に抑制することができる。例えば車両のブレーキを制御するために音声認識システム１００を用いた場合においても、通常の走行に支障を与えない程度の精度を実現し得る。すなわち、認識精度の向上に伴い、利用者の運転補助等として用いることができる。これにより、幅広い用途への応用が可能となる。

また、本実施形態における音声認識システム１００によれば、休止区間は、呼吸音及びリップノイズの少なくとも何れかを含んでもよい。このため、音素のみでは判断し難い音声データの差異に対しても容易に判断でき、認識対象データを抽出することができる。これにより、認識精度のさらなる向上を図ることが可能となる。

本実施形態における音声認識装置１によれば、抽出部１２は、音素及び休止区間の配列を認識対象データとして抽出してもよい。また、検出部１４は、認識対象データの有する配列に対応する音素情報を選択し、候補データを検出してもよい。このため、認識対象データにおける音素のみを考慮した配列に対して候補データを検出する場合に比べ、誤認識を低減させることができる。これにより、認識精度の向上を図ることが可能となる。

また、本実施形態における音声認識装置１によれば、文字列データベースには、音素と休止区間との配列に対応する音素情報、及び音素情報に紐づく文字列情報が記憶されてもよい。このため、音素全体に対してパターンマッチングするために記憶するデータに比べて、データ容量の削減や、データ蓄積の簡易化を実現することができる。

また、本実施形態における音声認識装置１によれば、音素情報は、簡易音素情報を含む。このため、子音を発することが困難な利用者を対象とする場合や、子音を聞き取り難い環境で利用する場合等においても、認識精度の低下を抑制することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅を拡大させることが可能となる。

また、本実施形態における音声認識装置１によれば、音素情報は、１つの文字列に紐づく２以上の音素候補情報を含む。このため、１つの文字列情報に対応する複数の音素の配列が存在する場合においても、認識することができる。これにより、文字列情報に対応する基本的な音素情報のみを用いて音素認識を実施する場合に比べて、利用条件の幅をさらに拡大させることが可能となる。

（音声認識システム１００の構成の第１変形例）
次に、本実施形態における音声認識システム１００の第１変形例について説明する。上述した実施形態と、第１変形例との違いは、生成部１７が更新部１７ｃを有する点である。なお、上述した構成と同様の構成については、説明を省略する。

生成部１７の有する更新部１７ｃは、例えば図６に示すように、候補データ及び信頼度に基づき、参照データベースに記憶された閾値を更新する。すなわち、候補データ及び信頼度の内容に応じた値に、閾値を更新することができる。

更新部１７ｃは、例えば各クラスＩＤに紐づく複数の信頼度の平均値を算出する。更新部１７ｃは、算出した平均値に基づき閾値を更新する。

閾値を更新する場合、算出された平均値が閾値として用いられるほか、予め設定された係数を平均値にかけ合わせた値が、更新後の閾値として用いられてもよい。また、更新前の閾値に対して、係数を平均値にかけ合わせた値を四則演算した結果の値を更新後の閾値として用いられてもよい。

候補データ及び信頼度の内容に基づき閾値を更新することで、例えば音声データにノイズ等が含まれ易い場合においても、音声データの品質に応じた閾値を設定することができる。また、１つのクラスＩＤに紐づく文字列情報が多数検出され、各文字列情報の信頼度が低い場合においても、全ての信頼度が閾値未満になることを防ぐことができる。

更新部１７ｃは、例えば各クラスＩＤに紐づく複数の信頼度のうち、最も低い信頼度を除いた平均値を算出してもよい。この場合、更新後の閾値は、更新前の閾値に比べて高くなる傾向を示す。これにより、誤認識を低減させることが可能となる。

更新部１７ｃは、例えば各クラスＩＤに紐づく複数の信頼度のうち、最も低い信頼度及び最も高い信頼度を除いた平均値を算出してもよい。この場合、更新後の閾値は、更新前の閾値に比べて低くなる傾向を示す。これにより、認識率を向上させることができる。また、更新前後における閾値の変動を抑制することができる。

（音声認識システム１００の動作の第１変形例）
次に本実施形態における音声認識システム１００の第１変形例について説明する。図７（ａ）は、第１変形例における更新手段Ｓ１６３の一例を示すフローチャートである。

図７（ａ）に示すように、上述した選択手段Ｓ１５０を実施したあと、複数の候補データ、及び複数の信頼度に基づき、参照データベースに記憶された閾値を更新する（更新手段Ｓ１６３）。更新部１７ｃは、例えば記憶部１３を介して保存部１０４から候補データ、信頼度、及び参照データベースを取出す。

更新部１７ｃは、例えば図６に示すように、ランク１、２、４に含まれるクラスＩＤ「１」に紐づく複数の信頼度「０．９８２」、「０．９４２」、「０．８９７」の平均値「０．９４０」を算出する。その後、更新部１７ｃは、例えば算出した平均値に係数（例えば０．９）をかけ合わせた値「０．８４６」を、更新後の閾値として用いる。

その後、上述した指定手段Ｓ１６１等を実施し、本実施形態における音声認識システム１００の動作が終了する。

本変形例によれば、更新手段Ｓ１６３における更新部１７ｃは、候補データ及び信頼度に基づき、閾値を更新する。このため、予め設定された閾値を常に用いる場合に比べて、取得する音声データにおける品質に応じた認識情報を生成することができる。これにより、利用できる環境の幅を広げることが可能となる。

（音声認識システム１００の動作の第２変形例）
次に本実施形態における音声認識システム１００の第２変形例について説明する。上述した実施形態と、第２変形例との違いは、設定手段Ｓ１９０を備える点である。なお、上述した構成と同様の構成については、説明を省略する。

設定手段Ｓ１９０は、例えば図７（ｂ）に示すように、生成手段Ｓ１６０の後に実施される。設定手段Ｓ１９０は、認識情報に基づき、検出手段Ｓ１３０、算出手段Ｓ１４０、及び指定手段Ｓ１６１の少なくとも何れかにおいて、参照する各データベースの内容を選択する。設定手段Ｓ１９０の実施後、上述した出力手段Ｓ１７０や、取得手段Ｓ１１０等が適宜実施される。例えば生成手段Ｓ１６０において、生成部１７は、生成した認識情報に基づき、検出部１４が参照する文字列データベースの内容を選択する。文字列データベースの内容が選択されることで、特定の状況に応じた音声のみを認識することができる。これにより、認識精度をさらに向上させることが可能となる。

ここで、「文字列データベースの内容」とは、文字列データベースに記憶された文字列情報、クラスＩＤ、及び音素情報を示す。また、「内容を選択」とは、認識情報に基づいて、文字列データベースに記憶された文字列情報、クラスＩＤ、及び音素情報のうち、一部を選択することを示す。他のデータベースの内容についても同様である。

なお、「特定の状況」とは、例えば音楽を再生するための音声データを認識する状況（例えば、曲名や曲番号等のみを認識するミュージックモード）等を示す。例えばミュージックモードでは、曲名や曲番号等のような特定の音声を認識する必要があり、他の音声を認識する必要がない。このため、通常の文字列データベースを用いた場合では、特定の音声が他の音声と同様に評価されるため、認識できる可能性が著しく低下する事情がある。これに対し、本実施形態によれば、設定手段Ｓ１９０において文字列データベース等の内容を選択することができ、特定の音声に対する認識精度を向上させることが可能となる。

また、「特定の状況」とは、例えば音声を認識する順序が必要な状況（例えば起動モード）等を示す。例えば起動モードでは、音声を認識する順序によって、音声認識装置１から得られる情報を変える必要がある。このため、通常の文字列データベースを用いた場合では、順序を認識できない、又は、順序を含む長い文字列等を記憶させる必要があり、汎用的な利用に向かない事情がある。これに対し、本実施形態によれば、設定手段Ｓ１９０において、認識した音声の順序に応じて文字列データベース等の内容を選択することができる。このため、文字列データベースに記憶させるデータ容量を最小限に抑えることができ、汎用的な利用を実現することが可能となる。

文字列データベースには、文字列情報、音素情報、及びクラスＩＤが、認識情報の内容に応じて選択できる状態で記憶される。また、文法データベースには、文法情報が、認識情報の内容に応じて選択できる状態で記憶される。例えば認識情報の内容が「ミュージックモードの設定」に関する情報の場合、文字列データベースに記憶された情報のうち、曲名や曲番号に限定した文字列情報等が選択されるようにでき、文法データベースに記憶された情報のうち、文字列データベースにおいて選択されたクラスＩＤの配列順序を示す文法情報が選択されるようにできる。また、選択された文字列データベース及び文法データベースに応じて、参照データベースに記憶された内容が選択されるようにできる。

例えば設定手段Ｓ１９０において、生成部１７は、評価データに基づき生成された認識情報（例えばミュージックモードに関する情報）に基づき、検出部１４が参照する文字列データベースの内容を選択する。その後、取得手段Ｓ１１０及び抽出手段Ｓ１２０を実施して認識対象データを抽出した後、検出手段Ｓ１３０において、検出部１４は、文字列データベースのうち、「ミュージックモード」に特化した音素情報、文字列情報、及びクラスＩＤを選択して参照する。このため、設定手段Ｓ１９０を実施しない場合に比べて、特定の内容に対する音素情報等に限定することができる。これにより、認識精度を飛躍的に向上させることが可能となる。

例えば設定手段Ｓ１９０では、認識情報の内容毎に異なるクラスＩＤを選択してもよい。文字列データベースには、例えばクラスＩＤ「１〜１０」、各クラスＩＤが付与された文字列情報、及び文字列情報に紐づく音素情報が記憶され、そのうち曲名や曲番号に関する文字列情報には、クラスＩＤ「５〜１０」を付与して記憶される。この場合、設定手段Ｓ１９０において、「ミュージックモードの設定」に関する認識情報が生成された場合、設定手段Ｓ１９０においてクラスＩＤ「５〜１０」を選択することで、クラスＩＤ「５〜１０」が付与された曲名に関する文字列情報のみを、検出手段Ｓ１３０で検出することができる。

なお、例えば設定手段Ｓ１９０において、生成部１７は、認識情報に基づき、算出部１５が参照する文法データベースの内容、及び、指定部１７ａが参照する参照データベースの内容を選択してもよい。この場合、上述した検出手段Ｓ１３０と同様に、算出手段Ｓ１４０において、算出部１５は、文法データベースのうち、「ミュージックモード」に特化したセンテンスの生成、及びセンテンスに含まれる候補データ毎に対応する信頼度を算出することができる。また、指定手段Ｓ１６１において、指定部１７ａは、参照データベースのうち、「ミュージックモード」に特化した第１参照センテンスを指定することができる。これにより、特定の状態に応じた音声のみを認識することができ、認識精度を飛躍的に向上させることが可能となる。

例えば図８に示すように、本実施形態における音声認識システム１００において、特定の音声データ（起動ワード）を予めデータベースに記憶させ、起動ワードを認識したときに、設定手段Ｓ１９０が実施されるようにしてもよい。例えば特定の音声データ（図８では起動ワードＡ）を認識した場合、設定手段Ｓ１９０において、生成部１７は、認識情報に基づき、文字列データベースに含まれる文字列データベースＡを選択する。これにより、検出手段Ｓ１３０において、検出部１４は、文字列データベースＡを参照して候補データを検出する。このため、設定手段Ｓ１９０を実施する前に比べて、認識する音声データの種類を限定することができる。

なお、例えば図８の文字列データベースＡに示すように、文字列データベースが特定の音声データを複数記憶してもよい（図８では起動ワードＢ−１、起動ワードＢ−２）。この場合、認識した特定の音声データに応じて、選択される文字列データベースの内容を変えることができる。

例えば図８では、文字列データベースＡを参照して起動ワードＢ−１を認識した場合、設定手段Ｓ１９０において、生成部１７は、認識情報に基づき、文字列データベースに含まれる文字列データベースＢ−１を選択する。また、起動ワードＢ−２を認識した場合、設定手段Ｓ１９０において、生成部１７は、認識情報に基づき、文字列データベースに含まれる文字列データベースＢ−２を選択する。このように、複数の起動ワードを用いることにより、認識精度の低下を抑制した状態で、認識できる音声の種類を増加させることが可能となる。

また、例えば設定手段Ｓ１９０において文字列データベースを選択したあと、一定期間に取得手段Ｓ１１０が実施されない場合、文字列データベースの選択を解除してもよい。この場合、一定期間経過後に取得手段Ｓ１１０が実施される際、選択前の文字列データベースを参照して検出手段Ｓ１３０が実施される。このため、誤って発した音声を認識した場合や、誤認識した場合におけるやり直しを円滑に実施することができる。なお、文字列データベースの選択を解除する起動ワードを設定し、予め文字列データベースに記憶してもよい。

なお、設定手段Ｓ１９０において各データベースの内容を選択したあと、例えば出力手段Ｓ１７０において、出力部１８が各データベースの内容を選択（変更）した旨の情報（例えば後述する報知情報）を出力するようにしてもよい。

本実施形態における音声認識システム１００において、例えば図９に示すように、設定手段Ｓ１９０は、選択された文字列データベースの内容に基づく報知情報を生成してもよい。この場合、出力手段Ｓ１７０により報知情報を出力する。報知情報は、例えば各データベース又は保存部１０４に保存された報知用の定型文字列等のデータに基づき生成される。

報知情報は、例えば認識した内容の成否判断をする内容を示し、公知の音声合成技術により出力部１８等を介して利用者等に報知されるほか、例えばテキスト形式により出力部分１０９に出力されてもよい。このとき、設定手段Ｓ１９０により選択された文字列データベースには、報知情報に対して利用者等が返答する内容（例えば「はい」又は「いいえ」）を認識できる程度の内容が記憶されている。即ち、文字列データベースのうち、認証に特化した内容で構築されたデータベースを用いることができる。このため、音声認識システム１００の誤認識に伴う誤作動を抑制できる。また、誤作動を抑制するために用いられる文字列データベースのデータ容量を最小限に抑えることもできる。

例えば図９（ａ）に示すように、音声データとして「コマンドＡ」が入力され、各手段Ｓ１１０〜Ｓ１６０が実施される。その後、設定手段Ｓ１９０において、例えば生成部１７は、図８に示した文字列データベースＡを選択し、報知情報として「Ａを確認しました 実行しますか？」（報知情報Ａ）を生成する。その後、出力手段Ｓ１７０において、例えば出力部１８を介して、報知情報Ａが出力部分１０９に出力される。

その後、例えば利用者等が、「はい」（確定コマンド）と発した場合、音声データとして確定コマンドが入力され、各手段Ｓ１１０〜Ｓ１６０が実施される。その後、設定手段Ｓ１９０において、例えば生成部１７は、報知情報として「Ａを実行します」（報知情報Ａ−Ｅ）を生成する。その後、出力手段Ｓ１７０において、例えば出力部１８を介して、報知情報Ａ−Ｅが出力部分１０９に出力される。これにより、音声認識システム１００の誤認識に伴う誤作動を抑制できる。

また、例えば図９（ｂ）に示すように、音声データとして「コマンドＡ」が入力され、出力部分１０９に「Ａを確認しました 実行しますか？」（報知情報Ａ）が出力された後、例えば利用者等が確定コマンド以外の内容（例えばコマンドＢ）を発してもよい。この場合、報知情報Ａの代わりに「Ｂを確認しました Ｂを実行しますか？」（報知情報Ｂ）を出力部分１０９に出力してもよい。即ち、報知情報に対応するコマンド以外の音声に対しても認識できるように、文字列データベースを構築してもよい。このため、誤って発した音声を認識した場合や、誤認識した場合におけるやり直しを円滑に実施することができる。

本変形例によれば、設定手段Ｓ１９０は、認識情報に基づき、参照する文字列データベースの内容を選択する。このため、特定の状況に応じた音声のみを認識することができる。これにより、認識精度のさらなる向上を図ることが可能となる。

また、本変形例によれば、設定手段Ｓ１９０は、選択された文字列データベースの内容に基づく報知情報を生成する。このため、報知情報を利用者等に報知することで、誤認識に伴う誤動作を抑制することができる。また、誤作動を抑制するために用いられる文字列データベースのデータ容量を最小限に抑えることもできる。

（取得手段Ｓ１１０の変形例）
次に、本実施形態における取得手段Ｓ１１０の変形例について説明する。上述した実施形態と、本変形例との違いは、取得部１１が条件情報を取得する点である。なお、上述した構成と同様の構成については、説明を省略する。

取得手段Ｓ１１０において取得部１１は、音声データが生成された条件を示す条件情報を取得する。条件情報は、例えば図１０に示すように、環境情報と、雑音情報と、収音装置情報と、利用者情報と、音特性情報とを有する。なお、上述した設定手段Ｓ１９０と同様に、例えば検出部１４は、条件情報に基づき、参照する文字列データベース及び文法データベースの少なくとも何れかの内容を選択してもよい。また、例えば反映部１９は、参照データベースの閾値の更新に、条件情報を用いてもよい。

条件情報は、例えば収音装置２により生成されるほか、例えば利用者等が予め生成してもよい。例えば取得部１１は、音声データの一部を条件情報として取得してもよい。

環境情報は、収音装置２の設置された環境に関する情報を有し、例えば屋外、屋内の広さ等を示す。環境情報を用いることで、例えば屋内における音声の反射条件等を考慮することができ、抽出される認識対象データ等の精度を高めることができる。

雑音情報は、収音装置２が収音し得る雑音に関する情報を有し、例えば利用者等以外の音声、空調音等を示す。雑音情報を用いることで、音声データに含まれる不要なデータを予め除去でき、抽出される認識対象データ等の精度を高めることができる。

収音装置情報は、収音装置２の種類、性能等に関する情報を有し、例えばマイクの数、マイクの種類等も含まれる。収音装置情報を用いることで、音声データが生成された状況に対応したデータベースの選択等ができ、音声認識の精度を高めることができる。

利用者情報は、利用者等の人数、国籍、性別等に関する情報を有する。音特性情報は、音声の声量、音圧、癖、活舌の状態等に関する情報を有する。利用者情報を用いることで、音声データの特徴を予め限定することができ、音声認識の精度を高めることができる。

本変形例によれば、取得手段Ｓ１１０は、条件情報を取得する。すなわち、取得手段Ｓ１１０は、音声データを取得する際の周辺環境、音声データに含まれる雑音、音声を採取する収音装置２の種類等の各種条件を、条件情報として取得する。このため、条件情報に応じた各手段や各データベースの設定を実施することができる。これにより、利用される環境等に関わらず、認識精度の向上を図ることが可能となる。

また、本変形例によれば、検出手段Ｓ１３０は、条件情報に基づき、参照する文字列データベースの内容を選択する。このため、文字列データベースには、条件情報毎に異なる文字列情報等を記憶させておくことで、条件情報毎に適した候補データを検出することができる。これにより、条件情報毎における認識精度の向上を図ることが可能となる。

（文字列データベースの変形例）
次に、本実施形態における文字列データベースの変形例について説明する。上述した実施形態と、本変形例との違いは、類似文字列情報等が文字列データベースに記憶される点である。なお、上述した構成と同様の構成については、説明を省略する。

文字列データベースには、例えば図１１に示すように、予め取得された類似文字列情報（図１１では類似文字列情報Ａ〜Ｃ）と、類似クラスＩＤ（図１１では類似クラスＩＤ−Ａ〜Ｃ）とが記憶される。類似文字列情報には、上述した文字列情報と同様に、音素情報が紐づけられる。類似クラスＩＤは、類似文字列情報に付与される。

類似文字列情報は、音声認識の対象として設定された文字列情報に対して誤認識する可能性のある文字列情報を示し、利用者等が予め設定する。類似文字列情報は、文字列情報に近い音素情報を有し、例えば検出手段Ｓ１３０において、誤認識し易い文字列情報を示す。例えば文字列情報として「こうないかんきょう」が文字列データベースに記憶されている場合、類似文字列情報として「こうないえん」、「こうさてん」「こうとくてん」等の「こうないかんきょう」として誤認識する可能性のある文字列情報が記憶される。

類似クラスＩＤは、文字列情報に付与されるクラスＩＤとは異なるＩＤが付与され、図１１では、文字列情報に付与されたクラスＩＤが「１」に対して、類似文字列情報に付与された類似クラスＩＤは「９９９９」である。

文字列データベースに類似文字列情報及び類似クラスＩＤが記憶されることで、例えば類似文字列情報が候補データに含まれた場合においても、容易に排除することが可能となる。これにより、誤認識に伴う認識情報の生成を抑制することが可能となる。

類似文字列情報が候補データに含まれる場合、例えば比較手段Ｓ１６２において排除することができる。例えば図１１に示すように、参照データベースに記憶された類似文字列には、信頼度の上限を超える閾値（＞１．０００）が予め付与される。このため、評価データに類似文字列情報が含まれる場合においても、確実に排除することができる。

なお、上述した閾値の設定は一例であり、類似文字列情報を排除できる値であれば任意である。また、例えば算出手段Ｓ１４０、選択手段Ｓ１５０等において、類似クラスＩＤを排除するように予め設定してもよい。

上記のほか、例えば方言、数字、又は類語等のように、認識したい内容に対して複数の表現が存在する場合がある。この場合、類似文字列情報を、認識したい文字列情報と同等の閾値を設定することで、複数の文字列に対して等しい認識情報を生成することができる。

本変形例によれば、文字列データベースには、類似文字列情報と、類似クラスＩＤとが記憶される。このため、類似文字列情報が候補データに含まれた場合においても、容易に排除することができる。また、方言や数字等の僅かに異なる音声であっても、同一の内容として認識させることができる。これらにより、認識精度のさらなる向上を図ることが可能となる。

（参照データベースの変形例）
次に、本実施形態における参照データベースの変形例について説明する。上述した実施形態と、本変形例との違いは、参照データベースに記憶された情報の内容が異なる点である。なお、上述した構成と同様の構成については、説明を省略する。

参照データベースには、例えば図１２に示すように、予め取得された過去の評価データ、過去の評価データに紐づく参照センテンス、及び過去の評価データと参照センテンスとの
間における連関度が記憶される。

生成部１７は、例えば参照データベースを参照し、過去の評価データのうち、評価データに対応する第１評価データ（図１２の「過去の評価データ」内の破線枠）を選択する。その後、生成部１７は、参照センテンスのうち、第１評価データに対応する第１参照センテンス（図１２の「参照センテンス」内の破線枠）、を取得する。また、生成部１７は、連関度のうち、第１評価データと第１参照センテンスとの間における第１連関度（図１２の「６５％」等）を取得する。なお、第１評価データ及び第１参照センテンスは、複数のデータを含んでもよい。

生成部１７は、第１連関度の値に基づき、認識情報を生成する。生成部１７は、例えば第１連関度と、予め取得された閾値と比較し、閾値を上回る第１連関度に紐づく第１参照センテンスを参考に、認識情報を生成する。

過去の評価データとして、評価データと一部一致又は完全一致する情報が選択されるほか、例えば類似（同一概念等を含む）する情報が用いられる。評価データ及び過去の評価データが複数の文字列間の組み合わせで示される場合、例えば、名詞−動詞、名詞−形容詞、形容詞−動詞、名詞−名詞の何れかの組み合わせが用いられる。

連関度（第１連関度）は、例えば百分率等の３段階以上で示される。例えば参照データベースがニューラルネットワークで構成される場合、第１連関度は、選択された過去の評価対象情報に紐づく重み変数を示す。

上述した参照データベースを用いる場合、３段階以上に設定されている連関度に基づいて、音声認識を実現できる点に特徴がある。連関度等は、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できればいかなる段階で構成されていてもよい。

このような連関度等に基づいて、評価データに対する認識情報の候補として選ばれる第１参照センテンスにおいて、連関度等の高い又は低い順に第１参照センテンスを選択することが可能となる。このように連関度の順に選択することで、状況に見合う可能性の高い第１参照センテンスを優先的に選択することができる。他方、状況に見合う可能性の低い第１参照センテンスも除外せずに選択できるため、廃棄対象とせずに認識情報の候補として選択することが可能となる。

上記に加え、例えば連関度等が１％のような極めて低い評価も見逃すことなく選択することができる。すなわち、連関度等が極めて低い値であっても、僅かな兆候として繋がっていることを示しており、過度の廃棄対象の選択や誤認を抑制することが可能となる。

上述した各実施形態における音声認識システム１００及び音声認識装置１は、例えば以下の用途に用いることができる。

＜生活補助、付加価値＞
音声認識システム１００及び音声認識装置１は、例えば生活補助等の分野に用いられてもよい。

＜＜発声認識補助＞＞
例えば、利用者が喉頭の全摘出手術を受けた喉頭摘出者の場合、食道発声に対応する認識情報を生成し、利用者以外の人に発声内容を報知することができる。

＜業務効率化＞
音声認識システム１００及び音声認識装置１は、例えば業務効率化を図るために用いられてもよい。

＜＜環境ノイズ対策＞＞
例えば、工事現場や、人混み等の環境ノイズ対策として用いることができる。例えば上述した雑音情報等の環境情報を取得することで、環境ノイズを容易に除去することが可能となる。

＜＜報告書作成＞＞
例えば、生成された認識情報に基づく任意の報告書形式のデータを生成して出力することで、報告書等の文書作成を容易に実現することが可能となる。この場合、例えば変換されたテキストデータを、ユーザ端末６等に送信してもよい。また、複数の認識情報をまとめてテキストデータとして変換して出力してもよい。この場合、例えばフィールドワーク本来の業務をしながらハンズフリーの操作ができるとともに、容易に報告書等を作成することができる。これにより、フィールドワーカーの負担となる報告書業務の効率化や、報告内容の品質向上を図ることが可能となる。

例えば、上述した出力手段Ｓ１７０（出力部１８）を備えることで、報告書の内容を誘導することもできる。例えば出力手段Ｓ１７０を最初に実施してもよい。この場合において、出力部１８は、任意の報告書の入力フォーマットに基づく第１発話情報を出力し、利用者に報告すべき内容（例えば「現在の場所は？」、「担当者は？」、「報告内容は？」等）を報知する。その後、取得手段Ｓ１１０において、取得部１１は、報知された内容に対応する利用者の回答内容を含む音声（例えば「東京都」、「○山〇男」、「トンネルの点検」等）に基づく音声データを取得する。その後、生成手段Ｓ１６０において、音声に対応して生成された認識情報に基づき、文字列（文章）を含む報告書のデータ（例えばワード、エクセル等）を生成する。生成された報告書のデータは、例えば監督者等の有するユーザ端末６等に送信されてもよい。

なお、上述した出力手段Ｓ１７０〜生成手段Ｓ１６０を複数繰り返し、複数の文字列を含む１つの報告書のデータが生成されてもよい。また、報告書のデータには、例えば利用者が有するユーザ端末６、又は音声認識装置１に搭載された公知の撮像装置（カメラ）等を用いて撮像された画像データが含まれてもよい。この場合、例えば出力手段Ｓ１７０により、利用者に対して対象物等の撮像を誘導する内容（例えば「修繕前（後）の写真を撮影してください」等）を、利用者に報知できるようにしてもよい。

上記に加え、例えば最初に取得手段Ｓ１１０を実施し、取得部１１が上述した条件情報を取得するようにしてもよい。この場合、例えば工事現場等の騒音環境に関する環境情報を予め取得することができ、音声認識精度の低下を抑制することが可能となる。なお、例えば公知のノイズキャンセリング機能を備えた収音装置２等を用いて、騒音環境の影響を低減させてもよい。

＜＜指差喚呼補助＞＞
例えば、作業現場等の指差喚呼補助として用いられてもよい。特に、指差喚呼の音声に対応する認識情報が生成されるため、適切な指差喚呼を行ったか否かを判定することができる。これにより、指差喚呼の怠りによる事故等の発生を抑制することが可能となる。また、指差喚呼の音声に対応する認識情報を生成し、保存することができるため、事故等が発生した場合における原因究明や、再発防止の検討を容易に実現することが可能となる。

＜＜無人搬送車の制御＞＞
例えば、無人搬送車（ＡＧＶ：Automated Guided Vehicle）の制御に用いられてもよい。この場合、上述した制御装置３をとして、無人搬送車が用いられる。これにより、パソコン等による手入力操作を行うことなく、無人搬送車の制御ができ、作業効率の向上を図ることが可能となる。特に、上述した出力手段Ｓ１７０（出力部１８）を備える場合、例えば無人搬送車への指示確認を復唱させることで、誤動作を防ぐことができる。これにより、誤動作に伴う作業効率の低下を抑制することが可能となる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ ：音声認識装置
２ ：収音装置
３ ：制御装置
４ ：公衆通信網
５ ：サーバ
６ ：ユーザ端末
１０ ：筐体
１１ ：取得部
１２ ：抽出部
１３ ：記憶部
１４ ：検出部
１５ ：算出部
１６ ：選択部
１７ ：生成部
１７ａ ：指定部
１７ｂ ：比較部
１７ｃ ：更新部
１８ ：出力部
１９ ：反映部
１００ ：音声認識システム
１０１ ：ＣＰＵ
１０２ ：ＲＯＭ
１０３ ：ＲＡＭ
１０４ ：保存部
１０５ ：Ｉ／Ｆ
１０６ ：Ｉ／Ｆ
１０７ ：Ｉ／Ｆ
１０８ ：入力部分
１０９ ：出力部分
１１０ ：内部バス
Ｓ１１０ ：取得手段
Ｓ１２０ ：抽出手段
Ｓ１３０ ：検出手段
Ｓ１４０ ：算出手段
Ｓ１５０ ：選択手段
Ｓ１６０ ：生成手段
Ｓ１６１ ：指定手段
Ｓ１６２ ：比較手段
Ｓ１６３ ：更新手段
Ｓ１７０ ：出力手段
Ｓ１８０ ：反映手段
Ｓ１９０ ：設定手段

Claims (9)

1. 音声に対応する認識情報を生成する音声認識システムであって、
   前記音声に基づき、音声データを取得する取得手段と、
   音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出手段と、
   予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、
   前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出手段と、
   予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、
   前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出手段と、
   前記信頼度に基づき、複数の前記候補データから評価データを選択する選択手段と、
   前記評価データに基づき、前記認識情報を生成する生成手段と
   を備え、
   前記文字列データベースに記憶された前記音素情報は、前記文字列情報に対応する前記音素の配列から、少なくとも１つの子音を除いた配列を示す簡易音素情報を含むこと
   を特徴とする音声認識システム。
2. 前記文字列データベースに記憶された前記音素情報は、１つの前記文字列情報に紐づく２つ以上のそれぞれ異なる前記音素の配列を示す音素候補情報を含むこと
   を特徴とする請求項１記載の音声認識システム。
3. 前記音素候補情報は、前記簡易音素情報を含むこと
   を特徴とする請求項２記載の音声認識システム。
4. 前記簡易音素情報は、濁音、半濁音、促音、及び拗音の少なくとも何れかを含む配列を示すこと
   を特徴とする請求項１〜３の何れか１項記載の音声認識システム。
5. 予め取得された前記文字列情報と、前記文字列情報を組み合わせた参照センテンスと、前記文字列情報毎に付与された閾値とが記憶された参照データベースをさらに備え、
   前記生成手段は、
   前記参照データベースを参照し、前記参照センテンスのうち、前記評価データに対応する第１参照センテンスを指定する指定手段と、
   前記評価データに対応する前記信頼度と、前記第１参照センテンスに含まれる第１文字列情報に付与された第１閾値とを比較する比較手段と、
   を有し、前記比較手段の比較結果に基づき、前記認識情報を生成すること
   を特徴とする請求項１〜４の何れか１項記載の音声認識システム。
6. 前記認識情報に基づき、参照する前記文字列データベースの内容を選択する設定手段をさらに備えること
   を特徴とする請求項１〜５の何れか１項記載の音声認識システム。
7. 音声に対応する認識情報を生成する音声認識システムであって、
   前記音声に基づき、音声データを取得する取得手段と、
   音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出手段と、
   予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、
   前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出手段と、
   予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、
   前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出手段と、
   前記信頼度に基づき、複数の前記候補データから評価データを選択する選択手段と、
   前記評価データに基づき、前記認識情報を生成する生成手段と
   を備え、
   前記文字列データベースに記憶された前記音素情報は、１つの前記文字列情報に紐づく２つ以上のそれぞれ異なる前記音素の配列を示す音素候補情報を含むこと
   を特徴とする音声認識システム。
8. 音声に対応する認識情報を生成する音声認識装置であって、
   前記音声に基づき、音声データを取得する取得部と、
   音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出部と、
   予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、
   前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出部と、
   予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、
   前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出部と、
   前記信頼度に基づき、複数の前記候補データから評価データを選択する選択部と、
   前記評価データに基づき、前記認識情報を生成する生成部と
   を備え、
   前記文字列データベースに記憶された前記音素情報は、前記文字列情報に対応する前記音素の配列から、少なくとも１つの子音を除いた配列を示す簡易音素情報を含むこと
   を特徴とする音声認識装置。
9. 音声に対応する認識情報を生成する音声認識装置であって、
   前記音声に基づき、音声データを取得する取得部と、
   音素認識により、前記音声データに含まれる開始無音区間及び終了無音区間を抽出し、前記開始無音区間と前記終了無音区間との間に挟まれた音素及び休止区間の配列を、前記音素認識により認識対象データとして抽出する抽出部と、
   予め取得された文字列情報と、前記文字列情報に紐づく音素情報と、前記文字列情報に付与されたクラスＩＤとが記憶された文字列データベースと、
   前記文字列データベースを参照し、前記認識対象データの有する前記配列に対応する前記音素情報を選択し、選択された前記音素情報に紐づく前記文字列情報及び前記クラスＩＤを、候補データとして複数検出する検出部と、
   予め取得された前記クラスＩＤの配列順序を示す文法情報が記憶された文法データベースと、
   前記文法データベースを参照し、複数の前記候補データを前記文法情報に基づき組み合あわせたセンテンスを生成し、前記センテンスに含まれる前記候補データ毎の前記文字列情報に対する信頼度を、前記文法データベースを用いて算出する算出部と、
   前記信頼度に基づき、複数の前記候補データから評価データを選択する選択部と、
   前記評価データに基づき、前記認識情報を生成する生成部と
   を備え、
   前記文字列データベースに記憶された前記音素情報は、１つの前記文字列情報に紐づく２つ以上のそれぞれ異なる前記音素の配列を示す音素候補情報を含むこと
   を特徴とする音声認識装置。

Images