JP2020201911A - 情報処理システム、情報処理装置、情報処理方法 - Google Patents

Abstract

【課題】 設定画面の構成に応じた音声指示を行うことが可能な情報処理システムを提供する。特に、複数の選択オブジェクトを備える設定画面を操作するための音声指示が可能な情報処理システムを提供する。【解決手段】 情報処理システムは、設定画面を操作パネル（５０９）に表示させ、マイクロフォン（３０８）を介して取得された音声情報に基づきテキスト情報を取得し、現在の注目オブジェクトの位置とおよびテキスト情報が示す移動方向に基づき注目オブジェクトを別の選択オブジェクトに更新して操作パネルに表示させる。【選択図】 図２０

Description

本発明は、音声による操作が可能な情報処理システムに関する。情報処理システムが備える情報処理装置は、例えば、プリンタ、スキャナ、ファクシミリおよびこれらの機能を複数備える複合機の他、パーソナルコンピュータやモバイル端末として利用することができる。

昨今、音声認識技術の発展により、音声指示に応じた処理を実行する装置が普及している。特許文献１には、ユーザの声による印刷指示で印刷処理を実行するシステムが開示されている。

特開２０１９−６７２５８号公報

特許文献１では、印刷装置に対する印刷指示等の主要な指示を音声で行う方法を例示しているが、設定変更等の詳細な指示を音声で行う方法までは検討していない。また、こうした装置の設定項目の種類は多岐にわたり、その種類に応じて様々な画面構成・指示方法が存在する。したがって、より操作性に優れたシステムを提供するためには、設定画面の構成に応じた音声指示方法を検討することが望ましい。

本発明の目的は、設定画面の構成に応じた音声指示を行うことが可能な情報処理システムを提供することである。特に、複数の選択オブジェクトを備える設定画面を操作するための音声指示が可能な情報処理システムを提供することを目的とする。

本発明は、情報処理システムにおいて、音を取得するマイクロフォンと、情報を表示するディスプレイと、複数の選択オブジェクトを備える画面であって前記複数の選択オブジェクトのうちの１つの選択オブジェクトが注目オブジェクトとして強調された画面を前記ディスプレイに表示させる手段と、前記マイクロフォンを介して取得された音声情報に基づきテキスト情報を取得する手段と、現在の注目オブジェクトに係る情報および前記テキスト情報に含まれる移動情報に少なくとも基づき注目オブジェクトが前記複数の選択オブジェクトのうちの更なる選択オブジェクトに更新された画面を前記ディスプレイに表示させる手段と、を有することを特徴とするものである。

本発明によれば、設定画面の構成に応じた音声指示を行うことが可能な情報処理システムを提供できる。特に、複数の選択オブジェクトを備える設定画面を操作するための音声指示が可能な情報処理システムを提供できる。

システム構成図である。 操作パネルの構成図である。 音声制御装置のハード構成を説明する概念図である。 サーバのハード構成を説明する概念図である。 画像形成装置のハード構成を説明する概念図である。 音声制御装置の制御プログラムの機能構成を説明する概念図である。 図７（ａ）はサーバの制御プログラムの機能構成を説明する概念図である。図７（ｂ）はグループＩＤ判定部７０７がグループＩＤの判定に使うグループＩＤリストの例を示す図である。 画像形成装置の制御プログラムの機能構成を説明する概念図である。 システムを構成する装置間、および、各装置の制御プログラム間のシーケンスを説明するシーケンス図である。 画像形成装置のデバイス制御プログラムの処理フローを説明する図である。 制御プログラムが管理および利用するグループＩＤリストの一例を示す図である。 図１２（ａ）は制御プログラムが表示する画面である。図１２（ｂ）は管理および利用する画面制御情報である。図１２（ｃ）は音声操作判定情報の一例を示す図である。 画像形成装置の音声操作判定部の処理フローを説明する図である。 図１４−１（ａ）は音声操作判定処理を説明する画面の例を示す図である。図１４−１（ｂ）は音声操作判定処理を説明する画面の例を示す図である。 図１４−２（ａ）は画面の構成情報を示す図である。図１４−２（ｂ）音声操作判定処理を説明する画面の例を示す図である。 システムとユーザ間のインタラクションの例を説明する図である。 図１６（ａ）〜（ｃ）はフォーカス表示の表示例を説明する図である。 画像形成装置における項目一覧を示す図である。 画像形成装置における項目一覧を示す図である。 画像形成装置における項目一覧を示す図である。 図２０（ａ）は、デフォルト位置に表示させたフォーカスを移動する様子を示す図である。図２０（ｂ）は、ユーザ指定位置に表示させたフォーカスを移動する様子を示す図である。

以下、本発明を実施するための形態について実施例を挙げ、図面を用いて具体的に説明する。ただし、実施例で挙げる構成要素はあくまで例示であり、本発明の範囲を限定する趣旨のものではない。

（実施例）
本実施例では、情報処理システムに用いられる情報処理装置の一例として画像形成装置を挙げ、画像形成装置のコピー機能に係る設定画面を音声操作する方法を説明する。特に、複数の選択オブジェクトの中から所望の選択オブジェクトを選択状態にして設定値の変更を行う設定画面を音声操作する方法を説明する。

＜システムの構成＞
図１は、本実施例のシステム構成の一例を示す図である。図１に示すように、本実施例のシステムは、例えば、音声制御装置１００、画像形成装置１０１、サーバ１０２、クライアント端末１０３、ゲートウェイ１０５で構成される。

音声制御装置１００、画像形成装置１０１、クライアント端末１０３は、ゲートウェイ１０５およびネットワーク１０４を介して互いに通信可能である。なお、音声制御装置１００、画像形成装置１０１、クライアント端末１０３のそれぞれは、単一接続ではなく複数接続された構成であっても良い。また、音声制御装置１００、画像形成装置１０１、クライアント端末１０３は、ゲートウェイ１０５およびインターネットを介してサーバ１０２に通信可能である。

音声制御装置１００（音声入力デバイス）は、ユーザ１０６の音声操作開始指示に従い、ユーザ１０６の音声を取得してサーバ１０２へ符号化された音声データを送信する。音声制御装置１００は、例えば、スマートスピーカなどである。なお、本実施例では音声制御装置１００と画像形成装置１０１が独立した構成となっているが、この構成に限定するものではない。音声制御装置１００を構成するハードウェア（図３を用いて後述する各ハードブロック）、及び、ソフトウェア機能（図６を用いて後述する各ソフトブロック）の少なくとも一方が画像形成装置１０１の中に含まれていてもよい。

画像形成装置１０１（情報処理装置、画像処理装置）は、コピー機能、スキャン機能、プリント機能、ＦＡＸ機能等の複数の機能を備える複合機である。画像形成装置１０１は、単体の機能を備えるプリンタやスキャナであってもよい。なお、操作パネル５０９は図２及び図５で後述する。以下では、画像形成装置１０１をカラーレーザービーム複合機として説明する。

サーバ１０２（情報処理装置）は、音声制御装置１００で取得されたユーザ１０６の音声データの音声認識、及び、音声認識結果から画像形成装置１０１の設定操作・ジョブ実行に関わるワードを判定するための役割を有する。また、画像形成装置１０１は、音声認識結果またはワードの判定結果に応じてテキストを生成し、そのテキストの内容を音声制御装置１００で音声再生するための音声データの合成を行う。なお、ジョブとは、画像形成装置１０１がプリントエンジン５１３及びスキャナ５１５を用いて実現する一連の画像形成処理（例えばコピー、スキャン、プリントなど）の単位を示す。

クライアント端末１０３は、例えば、ユーザ１０６が使うパーソナル・コンピュータ（ＰＣ）である。クライアント端末１０３は、電子ファイルを画像形成装置１０１でプリントするためのプリントジョブを発行する。電子ファイルは、クライアント端末１０３に保存されていてもよいし、インターネット上の何処かのサーバ上（不図示）、あるいは、画像形成装置１０１の外部記憶装置５０５上などに保存されていてもよい。また、クライアント端末１０３は、画像形成装置１０１でスキャンされた画像データの受信を行うこともできる。クライアント端末１０３の動作は本実施例の主旨と直接的に関係しないため、これ以上の詳細な説明は割愛する。

ネットワーク１０４は、音声制御装置１００、画像形成装置１０１、クライアント端末１０３、ゲートウェイ１０５を互いに接続する。ネットワーク１０４は、音声制御装置１００で取得してサーバ１０２へ送信する音声データ、サーバ１０２から送信される各データ、及び、プリントジョブやスキャンジョブなどの各種データを送受信する。

ゲートウェイ１０５は、例えば、ＩＥＥＥ８０２．１１規格シリーズに準拠した無線ＬＡＮルータなどである。ゲートウェイ１０５、他の無線通信方式に従って動作する能力を有してもよい。また、無線ＬＡＮルータではなく、１０ＢＡＳＥ−Ｔ、１００ＢＡＳＥ−Ｔ、１０００ＢＡＳＥ−Ｔなどに代表されるＥｔｈｅｒｎｅｔ規格に準拠した有線ＬＡＮルータなどであってもよく、他の有線通信方式に従って動作する能力を有してもよい。なお、前記ＩＥＥＥ８０２．１１規格シリーズとは、ＩＥＥＥ８０２．１１ａやＩＥＥＥ８０２．１１ｂ等のように、ＩＥＥＥ８０２．１１に属する一連の規格を含む。

＜画像形成装置の操作パネル＞
図２は、画像形成装置１０１の操作パネル５０９の構成例を示す図である。

操作パネル５０９はＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）やＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）ディスプレイを備え、ユーザ１０６の操作内容や装置の内部状態を表示する表示部である。また操作パネル５０９はユーザ１０６から操作を受け付ける受付部である。操作パネル５０９は、複数のハードキーを備えるだけでなく、ＬＣＤディスプレイと一体となったタッチパネル２００を備える。

ＬＣＤタッチパネル２００は、タッチ操作が可能なディスプレイであり、主なモード設定、状況表示はここで行われる。

ハードキー２０１〜２１０は情報を入力する入力部であり、例えば、タクトスイッチが用いられる。

テンキー２０１は、０から９までの数値を入力するためのキーである。ＩＤキー２０２はＩＤキーであり、装置がユーザ／部門認証管理されている場合において、認証操作（ログイン／ログアウトの操作など）を行う際に使用されるものである。

リセットキー２０３は設定されたモードをリセットするためのキーである。ガイドキー２０４は各モードについての説明画面を表示するためのキーである。ユーザーモードキー２０５はユーザーモード画面に入るためのキーである。キー２０６は割り込みコピーを行うためのキーである。

スタートキー２０７はコピー動作をスタートさせるためのキーである。ストップキー２０８は実行中のコピージョブを中止させるためのキーである。

電源スイッチ２０９はソフトスイッチであり、押下することによりＬＣＤタッチパネル２００のバックライトが消え、装置は低電力状態に落ちる。節電キー２１０はキーであり、これを押下することで節電状態に入り、再度押下することで節電状態から復帰する。

調整キー２１４はＬＣＤタッチパネル２００のコントラストを調整するためのキーである。

カウンタ確認キー２１５はキーであり、このキーを押下することでそれまでに仕様したコピー枚数の集計を表示するカウント画面がＬＣＤタッチパネル２００上に表示される。

ＬＥＤ２１６はジョブの実行中、画像メモリへの画像蓄積中を示すＬＥＤである。ＬＥＤ２１７がジャム、ドアオープン等装置がエラー状態にあることを示すエラーＬＥＤである。ＬＥＤ２１８は装置のメインスイッチがＯＮになっていることを示す電源ＬＥＤである。

＜音声制御装置のハードウェア構成＞
図３は、音声制御装置１００のコントローラ部３００及び音声制御装置１００が内蔵しているデバイスのハードウェア構成例を示す図である。

図３に示すように、コントローラ部３００は、ＣＰＵ３０２、ＲＡＭ３０３、ＲＯＭ３０４、外部記憶装置３０５、ネットワークＩ／Ｆ３０６、マイクＩ／Ｆ３０７、オーディオコントローラ３０９、および表示コントローラ３１１を含む。これらの構成はシステムバス３０１に接続されており、互いに通信可能である。また、音声制御装置１００は、コントローラ部３００に付随するデバイスとして、マイクロフォン３０８、スピーカ３１０、ＬＥＤ３１２を含む。

ＣＰＵ３０２はコントローラ部３００全体の動作を制御する中央演算装置である。ＲＡＭ３０３は揮発性メモリである。ＲＯＭ３０４は不揮発性メモリであり、ＣＰＵ３０２の起動用プログラムが格納されている。外部記憶装置３０５はＲＡＭ３０３と比較して大容量な記憶デバイス（例えばＳＤカード）である。外部記憶装置３０５にはコントローラ部３００によって実行される、音声制御装置１００の制御用プログラムが格納されている。なお、外部記憶装置３０５はＳＤカード以外のフラッシュＲＯＭなどに置き換えてもよく、ＳＤカードと同等の機能を有する他の記憶デバイスに置き換えてもよい。

ＣＰＵ３０２は電源ＯＮ等の起動時、ＲＯＭ３０４に格納されている起動用プログラムを実行する。この起動用プログラムは、外部記憶装置３０５に格納されている制御用プログラムを読み出し、ＲＡＭ３０３上に展開するためのものである。ＣＰＵ３０２は起動用プログラムを実行すると、続けてＲＡＭ３０３上に展開した制御用プログラムを実行し、制御を行う。また、ＣＰＵ３０２は制御用プログラム実行時に用いるデータもＲＡＭ３０３上に格納して読み書きを行う。外部記憶装置３０５上には制御用プログラム実行時に必要な各種設定などを格納することができる。各種設定はＣＰＵ３０２によって読み書きされる。ＣＰＵ３０２はネットワークＩ／Ｆ３０６を介してネットワーク１０４上の他の機器との通信を行う。

ネットワークＩ／Ｆ３０６は、ＩＥＥＥ８０２．１１規格シリーズに準拠した無線通信方式に従って通信を行うための回路やアンテナを含んで構成される。ただし、無線通信方式でなくＥｔｈｅｒｎｅｔ規格に準拠した有線通信方式であってもよく、無線通信方式に限定するものではない。

マイクＩ／Ｆ３０７はマイクロフォン３０８に接続され、マイクロフォン３０８から入力されたユーザ１０６が発した音声を、符号化された音声データ（音声情報）に変換し、ＣＰＵ３０２の指示に応じてＲＡＭ３０３に保持する。

マイクロフォン３０８は、例えば、スマートフォンなどに搭載される小型のＭＥＭＳマイクロフォンであるが、ユーザ１０６の音声を取得できるものであれば他のデバイスに置き換えてもよい。また、マイクロフォン３０８は、ユーザ１０６が発した音声の到来方向を算出できるように、３個以上を所定の位置に配して用いることが好ましい。ただし、マイクロフォン３０８が１個であっても本実施例は実現でき、３個以上にこだわるものではない。

オーディオコントローラ３０９はスピーカ３１０に接続され、ＣＰＵ３０２の指示に応じて音声データをアナログ音声信号に変換し、スピーカ３１０を通じて音声を出力する。

スピーカ３１０は、音声制御装置１００が応答していることを表す装置の応答音、及び、サーバ１０２によって合成された音声合成を再生（報知）する。スピーカ３１０は音声を再生するための汎用のデバイスであり、その仕組みは本実施例の主旨ではないため、これ以上の説明は割愛する。

表示コントローラ３１１はＬＥＤ３１２に接続され、ＣＰＵ３０２の指示に応じてＬＥＤ３１２の表示を制御する。ここでは、表示コントローラ３１１は、音声制御装置１００がユーザ１０６の音声を正しく入力していることを示すためのＬＥＤの点灯制御を主に行う。

ＬＥＤ３１２は、例えば、ユーザ１０６が可視可能な青色などのＬＥＤである。ＬＥＤ３１２は汎用のデバイスであり、本実施例の主旨ではないため、これ以上の説明は割愛する。なお、ＬＥＤ３１２の代わりに、文字や絵を表示可能なディスプレイ装置に置き換えてもよい。

＜サーバのハードウェア構成＞
図４は、サーバ１０２のコントローラ部のハードウェア構成例を示す図である。

図４に示すように、コントローラ部は、システムバス４０１に接続されたＣＰＵ４０２、ＲＡＭ４０３、ＲＯＭ４０４、外部記憶装置４０５、ネットワークＩ／Ｆ４０６を含む。

ＣＰＵ４０２はコントローラ部全体の動作を制御する中央演算装置である。ＲＡＭ４０３は揮発性メモリである。ＲＯＭ４０４は不揮発性メモリであり、ＣＰＵ４０２の起動用プログラムが格納されている。外部記憶装置４０５はＲＡＭ４０３と比較して大容量な記憶装置（例えばハードディスクドライブ：ＨＤＤ）である。外部記憶装置４０５にはコントローラ部が実行する、サーバ１０２の制御用プログラムが格納されている。なお、外部記憶装置４０５は、ハードディスクドライブと同等の機能を有する他の記憶装置に置き換えてもよく、例えばソリッドステートドライブ（ＳＳＤ）などを用いてもよい。

ＣＰＵ４０２は電源ＯＮ等の起動時、ＲＯＭ４０４に格納されている起動用プログラムを実行する。この起動用プログラムは、外部記憶装置４０５に格納されている制御用プログラムを読み出し、ＲＡＭ４０３上に展開するためのものである。ＣＰＵ５０２は起動用プログラムを実行すると、続けてＲＡＭ４０３上に展開した制御用プログラムを実行し、制御を行う。また、ＣＰＵ４０２は制御用プログラム実行時に用いるデータもＲＡＭ４０３上に格納して読み書きを行う。外部記憶装置４０５上にはさらに、制御用プログラム実行時に必要な各種設定を格納することができる。各種設定は、ＣＰＵ４０２によって読み書きされる。ＣＰＵ４０２はネットワークＩ／Ｆ４０６を介してネットワーク１０４上の他の機器との通信を行う。

＜画像形成装置のハードウェア構成＞
図５は、画像形成装置１０１のコントローラ部５００及び画像形成装置１０１が内蔵しているデバイスのハードウェア構成例を示す図である。

図５に示すように、コントローラ部５００は、ＣＰＵ５０２、ＲＡＭ５０３、ＲＯＭ５０４、外部記憶装置５０５、ネットワークＩ／Ｆ５０６、ディスプレイコントローラ５０７、操作Ｉ／Ｆ５０８、プリントコントローラ５１２、およびスキャンコントローラ５１４を含む。これらの構成は、システムバス５０１に接続され、互いに通信可能である。

ＣＰＵ５０２はコントローラ部５００の全体の動作を制御する中央演算装置である。ＲＡＭ５０３は揮発性メモリである。ＲＯＭ５０４は不揮発性メモリであり、ＣＰＵ５０２の起動用プログラムが格納されている。外部記憶装置５０５はＲＡＭ５０３と比較して大容量な記憶装置（例えばハードディスクドライブ：ＨＤＤ）である。外部記憶装置５０５にはＣＰＵ５０２によって実行される、画像形成装置１０１の制御用プログラムが格納されている。なお、外部記憶装置５０５はソリッドステートドライブ（ＳＳＤ）などでもよく、ハードディスクドライブと同等の機能を有する他の記憶装置に置き換えてもよい。

ＣＰＵ５０２は電源ＯＮ等の起動時、ＲＯＭ５０４に格納されている起動用プログラムを実行する。この起動用プログラムは、外部記憶装置５０５に格納されている制御用プログラムを読み出し、ＲＡＭ５０３上に展開するためのものである。ＣＰＵ５０２は起動用プログラムを実行すると、続けてＲＡＭ５０３上に展開した制御用プログラムを実行し、制御を行う。また、ＣＰＵ５０２は制御用プログラム実行時に用いるデータもＲＡＭ５０３上に格納して読み書きを行う。外部記憶装置５０５上にはさらに、制御用プログラム実行時に必要な各種設定や、スキャナ５１５で読み取った画像データを格納することができ、ＣＰＵ５０２によって読み書きされる。ＣＰＵ５０２はネットワークＩ／Ｆ５０６を介してネットワーク１０４上の他の機器との通信を行う。

ディスプレイコントローラ５０７はＣＰＵ５０２の指示に応じて、接続される操作パネル５０９のＬＣＤタッチパネル２００の画面表示制御を行う。

操作Ｉ／Ｆ５０８は操作信号の入出力を行う。操作Ｉ／Ｆ５０８は操作パネル５０９に接続され、ＣＰＵ５０２はＬＣＤタッチパネル２００が押下されたときに、操作Ｉ／Ｆ５０８を介してＬＣＤタッチパネル２００の押下された座標を取得する。また、操作Ｉ／Ｆ５０８は操作パネル５０９のハードキー２０１〜２１０の押下を検知する。

プリントコントローラ５１２はＣＰＵ５０２からの指示に応じて、接続されるプリントエンジン５１３に対して制御コマンドや画像データを送信する。

プリントエンジン５１３は、プリントコントローラ５１２から受信した制御コマンドに従い、受信した画像データをシートに印刷する。プリントエンジン５１３の詳細な説明は本実施例の主旨ではないため、これ以上の説明は割愛する。

スキャンコントローラ５１４はＣＰＵ５０２からの指示に応じて、接続されるスキャナ５１５に対して制御コマンドを送信し、スキャナ５１５から受信する画像データをＲＡＭ５０３へ書き込む。

スキャナ５１５は、スキャンコントローラ５１４から受信した制御コマンドに従い、画像形成装置１０１が備える原稿台ガラス上（不図示）の原稿を、光学ユニットを用いて読み取る。スキャナ５１５の詳細な説明は本実施例の主旨ではないため、これ以上の説明は割愛する。

＜音声制御装置の音声制御プログラムの機能構成＞
図６は、ＣＰＵ３０２が実行する音声制御装置１００の音声制御プログラム６０１の機能構成を示すブロック図である。

音声制御装置１００の音声制御プログラム６０１は、前述のように外部記憶装置３０５に格納されている。そして、起動時に、ＣＰＵ３０２によってＲＡＭ３０３上に展開され実行される。

データ送受信部６０２は、ネットワークＩ／Ｆ３０６を介して、ネットワーク１０４上の他の機器とＴＣＰ／ＩＰによるデータの送受信を行う。データ送受信部６０２では、後述の音声取得部６０４で取得されたユーザ１０６の発した音声データをサーバ１０２に送信する。また、ユーザ１０６への応答となる、サーバ１０２上で生成される音声合成データ（合成音声）の受信を行う。

データ管理部６０３は、音声制御プログラム６０１の実行において生成した作業データなど様々なデータを外部記憶装置３０５上の所定の領域へ保存し、管理する。例えば、後述する音声再生部６０５で再生する音声の音量設定データや、ゲートウェイ１０５との通信に必要な認証情報、画像形成装置１０１、及び、サーバ１０２と通信するために必要な各デバイス情報などが保存、管理される。

音声取得部６０４は、マイクロフォン３０８で取得される音声制御装置１００の近辺にいるユーザ１０６のアナログ音声を、音声データに変換し、一時保存する。ユーザ１０６の音声は、例えば、ＭＰ３などの所定のフォーマットに変換され、サーバ１０２に送信するための符号化された音声データとしてＲＡＭ３０３上に一時的に保存する。音声取得部６０４の処理開始及びその終了のタイミングは後述する音声制御部６０９によって管理される。また、音声データの符号化は汎用のストリーミング用フォーマットでもよく、符号化された音声データを順次、データ送受信部６０２で送信するようにしてもよい。

音声再生部６０５は、データ送受信部６０２が受信した音声合成データを、オーディオコントローラ３０９を介してスピーカ３１０で再生する。音声再生部６０５の音声再生のタイミングは後述する音声制御部６０９によって管理される。

表示部６０６は表示コントローラ３１１を介して、ＬＥＤ３１２の表示を行う。例えば、後述の音声操作開始検知部６０７で音声操作があることを検知した場合にＬＥＤ３１２を表示する。表示部６０６の表示のタイミングは後述する音声制御部６０９によって管理される。

音声操作開始検知部６０７は、ユーザ１０６の発したウェイクワード、または、音声制御装置１００の操作開始キー（不図示）の押下を検知し、音声制御部６０９へ操作開始通知を送信する。ここで、ウェイクワードとは、予め決められている音声ワードである。音声操作開始検知部６０７は、マイクロフォン３０８で取得される音声制御装置１００の近辺にいるユーザ１０６のアナログ音声から、常時ウェイクワードを検知する。ユーザ１０６はウェイクワードを話し、続いて自身が行いたいことを話すことで画像形成装置１０１の操作を行うことができる。音声操作開始検知部６０７がウェイクワードを検知してからの音声処理については後述する。

発話終了判定部６０８は、音声取得部６０４での処理の終了タイミングを判定する。例えば、ユーザ１０６の音声が所定時間（例えば３秒）途切れたときにユーザ１０６の発話が終了したと判定し、音声制御部６０９へ発話終了通知を送信する。なお、発話終了の判定は、発話が無い時間（以降、空白時間と呼ぶ）ではなく、ユーザ１０６の所定の語句から判定して行ってもよい。例えば、「はい」、「いいえ」、「ＯＫ」、「キャンセル」、「終了」、「スタート」、「開始」など所定の語句のときには、所定時間を待たずに発話終了と判定してもよい。また、発話終了の判定は、音声制御装置１００ではなく、サーバ１０２で行うようにしてもよく、ユーザの１０６の発話内容の意味や文脈から発話の終了を判定するようにしてもよい。

音声制御部６０９は制御の中心であり、音声制御プログラム６０１内の他の各モジュールが相互に連携して動作するよう制御する。具体的には、音声取得部６０４、音声再生部６０５、表示部６０６の処理開始・終了の制御を行う。また、音声取得部６０４で音声データが取得された後、音声データをデータ送受信部６０２でサーバ１０２へ送信するよう制御する。また、サーバ１０２からの音声合成データをデータ送受信部６０２で受信後、音声再生部６０５で音声合成データを再生するよう制御する。

ここで、音声取得部６０４、音声再生部６０５、表示部６０６の処理開始・終了のタイミングについて述べる。

音声制御部６０９は、音声操作開始検知部６０７からの操作開始通知を受信すると、音声取得部６０４の処理を開始する。また、発話終了判定部６０８からの発話終了通知を受信すると、音声取得部６０４の処理を終了する。例えば、ユーザ１０６がウェイクワードを発話し、続いて「コピーしたい」と話したとする。このとき、音声操作開始検知部６０７が、ウェイクワードの音声を検知し、音声制御部６０９に操作開始通知を送信する。音声制御部６０９は、操作開始通知を受信すると、音声取得部６０４の処理を開始するよう制御する。音声取得部６０４は続いて話される「コピーしたい」というアナログ音声を音声データへ変換し一時保存をする。発話終了判定部６０８は、「コピーしたい」の発話後に空白時間が所定時間あったと判定すると、発話終了通知を音声制御部６０９に送信する。音声制御部６０９は、発話終了通知を受信すると、音声取得部６０４の処理を終了する。なお、音声取得部６０４が処理を開始してから終了するまでの状態を発話処理状態と呼ぶこととする。表示部６０６は、発話処理状態であることを示すＬＥＤ３１２を点灯表示する。

ユーザ１０６の発話終了判定後、音声制御部６０９は、音声データをデータ送受信部６０２でサーバ１０２へ送信するよう制御し、サーバ１０２からの応答を待つ。サーバ１０２からの応答は、例えば、応答であることを示すヘッダ部と、音声合成データから成る応答メッセージある。音声制御部６０９は、データ送受信部６０２で応答メッセージを受信すると、音声再生部６０５で音声合成データを再生するよう制御する。音声合成データは、例えば、「コピー画面を表示します」である。なお、発話終了判定後から音声合成データの再生終了までの状態を応答処理状態と呼ぶこととする。表示部６０６は、応答処理状態であることを示すＬＥＤ３１２を点滅表示する。

応答処理の後、サーバ１０２との対話セッションが継続している間は、ユーザ１０６はウェイクワードを発話することなく、続けて自身の行いたいことを発話することができる。対話セッションの終了判定は、サーバ１０２が行い、音声制御装置１００に対話セッション終了通知を送信することで行う。なお、対話セッション終了から次の対話セッションが開始されるまでの状態を待機状態と呼ぶこととする。音声制御装置１００が音声操作開始検知部６０７からの操作開始通知を受信するまでは、常時待機状態であるとする。表示部６０６は、待機状態の間、ＬＥＤ３１２を消灯する。

＜サーバの音声データ変換制御プログラムの機能構成＞
図７（ａ）は、ＣＰＵ４０２が実行するサーバ１０２の音声データ変換制御プログラム７０１の機能構成を示すブロック図である。また、図７（ｂ）は、グループＩＤ判定部７０７がグループＩＤの判定に使うグループＩＤリストの例である。グループＩＤリストは、画像形成装置１０１のユーザ操作に関して同じ意味や意図を持つワードが同じＩＤとしてグルーピングされている。なお、前記ワードは、ユーザ１０６が音声制御装置１００に対して発話する言葉を音声認識した結果である。

サーバ１０２の音声データ変換制御プログラム７０１は前述のように外部記憶装置４０５に格納され、ＣＰＵ４０２が起動時にＲＡＭ４０３上に展開して実行する。

データ送受信部７０２は、ネットワークＩ／Ｆ４０６を介して、ネットワーク１０４上の他の機器とＴＣＰ／ＩＰによるデータの送受信を行う。データ送受信部７０２では、音声制御装置１００からユーザ１０６の音声データを受信する。また、後述するグループＩＤ判定部７０７で判定されたグループＩＤ判定結果の送信を行う。

データ管理部７０３は、音声データ変換制御プログラム７０１の実行において生成した作業データや、音声データ変換部７０４で音声認識処理をするために必要なパラメータなど様々なデータを外部記憶装置４０５上の所定の領域へ保存し、管理する。例えば、音声認識部７０５が、データ送受信部７０２が受信した音声データをテキスト（テキスト情報）へ変換するための音響モデルや言語モデルを外部記憶装置４０５上の所定の領域へ保存し、管理する。また、形態素解析部７０６でテキストの形態素解析を行うための辞書を外部記憶装置４０５上の所定の領域へ保存し、管理する。また、グループＩＤ判定部７０７でグループＩＤを判定するためのグループＩＤリストを外部記憶装置４０５上の所定の領域へ保存し、管理する。また、音声合成部７０８で音声合成を行うための音声データベースを外部記憶装置４０５上の所定の領域へ保存し、管理する。また、データ管理部７０３には、音声制御装置１００、及び、画像形成装置１０１と通信するために必要な各デバイス情報などが保存、管理される。

音声データ変換部７０４は、音声認識部７０５、形態素解析部７０６、グループＩＤ判定部７０７、音声合成部７０８から成る。以降、音声データ変換部７０４について説明する。

音声認識部７０５は、データ送受信部７０２が受信したユーザ１０６の音声データを、テキストに変換するための音声認識処理を行う。音声認識処理は、音響モデルを用いてユーザ１０６の音声データを音素に変換し、さらに言語モデルによるパターンマッチングにより音素を実際のテキストデータに変換する。なお、音響モデルは、ＤＮＮ−ＨＭＭのようにニューラルネットワークによる機械学習手法を用いるモデルであってもよいし、ＧＭＭ−ＨＭＭのように異なる手法を用いたモデルであってもよい。ニューラルネットワークを用いた機械学習では、例えば音声とテキストを対とする教師データに基づいて学習モデルの学習が行われる。言語モデルは、ＲＮＮのようにニューラルネットワークによる機械学習手法のモデルを用いるモデルであってもよいし、Ｎ−ｇｒａｍ手法のように異なる手法を用いるモデルであってもよい。

本実施例では、前記テキストデータは１つ以上のカナから構成されるテキストと、それらを「かな漢字変換」（数字、アルファベット、記号等への変換も含む）したテキストから成るものとする。ただし、音声データをテキストデータへ変換する音声認識処理として他の手法を用いてもよく、前述の手法に限るものではない。音声認識処理の詳細は本実施例の主旨ではないため、これ以上の説明は割愛する。

形態素解析部７０６は、音声認識部７０５で変換されたテキストデータを、形態素解析する。形態素解析は、その言語の文法や、品詞などの情報をもつ辞書から形態素列を導出し、さらに各形態素の品詞などを判別する。形態素解析部７０６は、例えば、ＪＵＭＡＮ、茶筒、ＭｅＣａｂ等の公知の形態素解析ソフトウェアを用いて実現することができる。形態素解析部７０６は、例えば、音声認識部７０５で変換された「コピーをしたい」というテキストデータを、「コピー」、「を」、「し」、「たい」の形態素列として解析する。また、「Ａ３からＡ４へ」というテキストデータを、「Ａ３」、「から」、「Ａ４」、「へ」の形態素列として解析する。

グループＩＤ判定部７０７は、形態素解析部７０６で形態素解析された結果と、図７（ｂ）のグループＩＤリストとをマッチングすることでグループＩＤを判定し、さらにグループＩＤ判定結果を生成する。例えば、「コピー」、「を」、「し」、「たい」の形態素列からは、「コピー」のグループＩＤである「ＦＮＣ００００１」があると判定され、グループＩＤ判定結果として、｛ＩＤ：ＦＮＣ００００１｝を生成する。また、「Ａ３」、「から」、「Ａ４」、「へ」の形態素列からは、「Ａ３」と「Ａ４」のグループＩＤである「ＰＡＰ００１００」と「ＰＡＰ００１０１」が２つあると判定される。そして、グループＩＤ判定結果として、｛ＩＤ：ＰＡＰ００１００、ＩＤ：ＰＡＰ００１０１｝を生成する。

なお、グループＩＤ判定結果にＩＤが複数生成される場合は、音声認識および形態素解析された順に生成されるものとする。例えば、音声認識および形態素解析された結果が「Ａ４」「から」「Ａ３」「へ」である場合は、グループＩＤ判定結果は｛ＩＤ：ＰＡＰ００１０１、ＩＤ：ＰＡＰ００１００｝と生成される。また、隣接する複数の形態素を結合してグループＩＤリストとマッチングして判定してもよいものとする。この時、１つの形態素がグループＩＤリストの中から合致するものが見つかり、さらに、その形態素を含む複数の形態素がグループＩＤリストの中から合致するものが見つかった場合は、後者の結果を用いてグループＩＤ判定結果を生成する。例えば、形態素列が「Ａ」「４」であった場合は、グループＩＤ判定結果を｛ＩＤ：ＣＨＲ０００００、ＩＤ：ＮＵＭ００００４｝ではなく、｛ＩＤ：ＰＡＰ００１０１｝として生成する。また、音声認識および形態素解析結果に含まれる１つ以上のカナから構成されるテキストと、それらを「かな漢字変換」したテキストを組み合わせて、グループＩＤリストのマッチングを行ってもよい。例えば、グループＩＤ判定部７０７は、まず始めに、「かな漢字変換」したテキストとグループＩＤリストの「かな漢字変換後」に示されたテキストとのマッチングを行う。その結果、マッチングするグループＩＤが見つからない場合にはカナのテキストとグループＩＤリストの「カナ」に示されたテキストとがマッチングするグループＩＤを検出する。また、グループＩＤリスト内で「カナ」が重複し、複数のグループＩＤがマッチングする場合は、グループＩＤ判定結果を複数の候補として生成してもよい。これにより、「かな漢字変換」の間違いや漢字のふり仮名の違いを許容したグループＩＤ判定結果を生成する。

音声合成部７０８は、画像形成装置１０１から受信した通知にもとづき、音声合成処理を行う。音声合成処理は、所定の通知に対して、組となる予め用意されたテキストをＭＰ３などの所定のフォーマットの音声データに変換する。受信した通知データと音声合成対象のテキストの組み合わせ例については、後述の図９のシーケンス図で説明する。音声合成処理は、例えば、データ管理部７０３に保存されている音声データベースにもとづいて音声データを生成する。音声データベースとは、例えば、単語等の定型の内容を発声した音声を集めたデータベースである。なお、本実施例では音声データベースを用いて音声合成処理を行っているが、音声合成の手法として他の手法を用いてもよく、音声データベースによる手法に限定するものではない。音声合成処理の詳細は本実施例の主旨ではないため、これ以上の説明は割愛する。

＜画像形成装置のデバイス制御プログラムの機能構成＞
図８は、ＣＰＵ５０２が実行する画像形成装置１０１のデバイス制御プログラム８０１の機能構成を示すブロック図である。

画像形成装置１０１のデバイス制御プログラム８０１は前述のように外部記憶装置５０５に格納され、ＣＰＵ５０２が起動時にＲＡＭ５０３上に展開して実行する。

データ送受信部８０２は、ネットワークＩ／Ｆ５０６を介して、ネットワーク１０４上の他の機器とＴＣＰ／ＩＰによるデータの送受信を行う。データ送受信部８０２では、グループＩＤ判定部７０７が生成するグループＩＤ判定結果の受信を行う。また、画像形成装置１０１からサーバ１０２へ、操作パネル５０９上のＬＣＤタッチパネル２００の画面表示内容が更新されたことを示す画面更新通知、及び、ジョブの状態を示すジョブ実行状態通知を送信する。通知の内容に関しては後述の図９のシーケンス図で説明する。

データ管理部８０３は、デバイス制御プログラム８０１の実行において生成した作業データや、各デバイス制御に必要な設定パラメータなど様々なデータをＲＡＭ５０３および外部記憶装置５０５上の所定の領域へ保存し、管理する。例えば、後述するデバイス制御部８０８で実行するジョブの各設定項目及び設定値の組み合わせから成るジョブデータや、用紙の属性情報などが設定された機械設定情報が、保存、管理される。また、ゲートウェイ１０５との通信に必要な認証情報、サーバ１０２と通信するために必要なデバイス情報などが保存、管理される。また、画像形成装置１０１で画像形成する対象の画像データを保存し、管理する。また、表示部８０６が画面表示制御に用いる画面制御情報と、音声操作判定部８０７が操作を判定するために用いる音声操作判定情報を保存し、画面制御情報と音声操作判定情報は、表示部８０６が表示する画面ごとに管理する。

スキャン部８０４は、後述するデバイス制御部８０８のスキャンジョブパラメータ設定に基づいて、スキャンコントローラ５１４を介してスキャナ５１５でスキャンを実行し、読み取った画像データをデータ管理部８０３に保存する。

プリント部８０５は、後述するデバイス制御部８０８のプリントジョブパラメータ設定に基づいて、プリントコントローラ５１２を介してプリントエンジン５１３で印刷を実行する。

表示部８０６はディスプレイコントローラ５０７を介して、操作パネル５０９の制御を行い、前記の画面表示制御情報に基づいてユーザ操作可能なＵＩ部品（ボタン、プルダウンリスト、チェックボックスなど）をＬＣＤタッチパネル２００に表示する。また、操作Ｉ／Ｆ５０８を介して、ＬＣＤタッチパネル２００（以降、画面等と呼ぶ）上のタッチされた座標を取得し、操作対象のＵＩ部品と操作受付時の処理内容を決定する。また、操作パネル５０９上のハードキー２０１〜２１０の押下を検出する。これらの結果に応じて、画面の表示内容を更新したり、ユーザ操作により設定されたジョブのパラメータおよび当該ジョブの開始指示をデバイス制御部に送信したりする。また、後述する音声操作判定部８０７の音声操作判定結果に応じても同様に、画面の表示内容を更新したり、ユーザ操作により設定されたジョブのパラメータおよび当該ジョブの開始指示をデバイス制御部に送信したりする。

音声操作判定部８０７は、データ送受信部８０２が受信したグループＩＤ判定結果に基づいて、操作パネル５０９に表示される画面を構成するユーザ操作可能なＵＩ部品、または、操作パネル５０９を構成するハードキー２０１〜２１０を操作対象として判定する。音声操作判定部８０７の詳細は図１１で後述する。

デバイス制御部８０８は、プリントコントローラ５１２、及び、スキャンコントローラ５１４を介して、プリントエンジン５１３、及び、スキャナ５１５の制御指示を行う。例えば、表示部８０６がコピー機能画面を表示中にスタートキー２０７の押下を検知した場合、デバイス制御部８０８は表示部８０６からコピージョブのパラメータとジョブ開始指示を受信する。そのジョブパラメータに基づいて、スキャナ５１５によって読取られた画像データをプリントエンジン５１３でシートに印刷するよう制御する。なお、スキャン、及び、プリント制御の仕組みについては、本実施例の主旨ではないため、これ以上の説明は割愛する。

＜システムの制御シーケンス＞
図９は、図１で示したシステムを構成する各装置、及び、図６〜図８で示した各装置の制御プログラム間のやりとりを示すシーケンス図である。特に、図９は、音声制御装置１００がユーザ１０６から発せられた声による音声操作を受け、それによって画像形成装置１０１が各処理を実行し、その実行結果を示す応答をユーザ１０６に音声で返すためのシーケンスを示す。

なお、図９で示すシーケンスの例では、音声制御装置１００、画像形成装置１０１、サーバ１０２は互いに通信可能な状態であるとする。また、画像形成装置１０１は、電源ＯＮの起動後にコピー、スキャン、プリントなどの機能を呼び出し可能なメインメニュー画面を表示している状態であるとする。

まず、ステップ９０５（以降、Ｓ９０５のように表記する）では、ユーザ１０６が音声制御装置１００に対して音声操作の開始を指示する。音声操作の開始の指示は、ユーザ１０６がウェイクワードを発声する、もしくは、音声制御装置１００の操作開始キーの押下することで行われ、それらの音声操作開始指示は音声操作開始検知部６０７によって検知される。

音声操作開始指示が検知されると、次にＳ９０６では、音声制御プログラム６０１の表示部６０６が、発話処理状態を示すＬＥＤを点灯する。また、同時に音声取得部６０４の処理を開始する。

Ｓ９０７では、ユーザ１０６が機能呼び出し指示を音声制御装置１００に対して行う。機能呼び出し指示は、例えば、ユーザ１０６がＳ９０５のウェイクワードに続いて「コピーしたい」や「コピー画面を開いて」と発声することであり、音声取得部６０４によって取得された音声が音声データとして生成される。空白時間が所定時間経過すると、発話終了判定部６０８は発話が終了したと判定する。

Ｓ９０８では、音声制御プログラム６０１の表示部６０６が、発話終了判定に応じて応答処理状態を示すＬＥＤを点滅する。また、同時に音声取得部６０４の処理を終了する。

Ｓ９０７の機能呼び出し指示の音声データが生成されると、次にＳ９０９では、データ送受信部６０２が、生成された音声データをサーバ１０２に送信する。

Ｓ９１０では、音声データ変換制御プログラム７０１のデータ送受信部７０２が受信した音声データに対して、音声認識部７０５が音声認識処理を行う。音声認識処理によって、例えば、ユーザ１０６が発した「コピーしたい」という音声が、テキストとして生成される。

その後、Ｓ９１１では、音声データ変換制御プログラム７０１の形態素解析部７０６がＳ９１０で生成されたテキストに対して形態素解析処理を行う。形態素解析処理によって、例えば、「コピーしたい」というテキストが、「コピー」、「し」、「たい」という形態素列として解析される。

Ｓ９１２では、音声データ変換制御プログラム７０１のグループＩＤ判定部７０７の、解析された形態素列のテキストに対してグループＩＤ判定処理を行う。グループＩＤ判定処理によって、例えば、「コピー」、「し」、「たい」という形態素列と図７（ｂ）のグループＩＤリストとのマッチングにより、グループＩＤ判定結果として｛ＩＤ：ＦＮＣ００００１｝が生成される。

Ｓ９１３では、音声データ変換制御プログラム７０１のデータ送受信部７０２が、Ｓ９１１のグループＩＤ判定結果を画像形成装置１０１に送信する。

Ｓ９１４では、デバイス制御プログラム８０１のデータ送受信部８０２が受信したグループＩＤ判定結果に対して、音声操作判定部８０７が音声操作判定処理を行う。音声操作判定処理によって、例えば、グループＩＤ判定結果｛ＩＤ：ＦＮＣ００００１｝から、メインメニュー画面内の“コピー”ボタンが選択されたと判定される。

その後、Ｓ９１５では、Ｓ９１４の判定結果に応じて、表示部８０６が画面に表示する内容更新する。例えば、これまでの処理を通じて、ユーザが発する「コピーしたい」の音声から、画面に表示される“コピー”ボタンに対する操作であると判定された場合は、ＬＣＤタッチパネル２００で“コピー”ボタンがタッチされる場合と同様に、コピー機能画面を表示する。

Ｓ９１６では、データ送受信部８０２によって、サーバ１０２へ、画面の表示内容が更新されたことを示す画面更新通知を送信する。例えば、表示部８０６がメインメニュー画面からコピー機能画面へ表示が変更した場合、画面更新通知として「コピー機能画面表示」というテキストデータを送信する。

Ｓ９１７では、音声データ変換制御プログラム７０１のデータ送受信部７０２が受信した画面更新通知に対して、音声合成部７０８が画面更新通知の内容に対応する所定のテキストデータの音声合成処理を行う。例えば、画面更新通知の内容が「コピー機能画面表示」の場合、音声合成部７０８は、「コピー画面を表示しました」というテキストデータを音声合成する。音声合成部７０８が音声合成処理によって生成した音声データ（音声合成データ）は、データ送受信部７０２によって音声制御装置１００へと送信される。

Ｓ９１８では、データ送受信部６０２が、９１７で生成および送信された音声合成データを受信する。

Ｓ９１９では、音声再生部６０５が、９１８で受信した音声合成データを再生する。例えば、９１７で生成した「コピー画面を表示しました」という音声合成データを、スピーカ３１０を通じて再生する。

Ｓ９２０では、音声合成データ再生後、音声制御プログラム６０１の表示部６０６が、発話処理中を示すＬＥＤを再び点灯する。また、同時に音声取得部６０４の処理を再び開始する。

Ｓ９２１では、ユーザ１０６が設定画面呼び出し指示を音声制御装置１００に対して行う。設定画面呼び出し指示は、例えば、ユーザ１０６が「用紙を選択」と発声することであり、音声取得部６０４によって取得された音声が音声データとして生成される。ユーザ１０６の発話後、空白時間が所定時間経過すると、発話終了判定部６０８は発話が終了したと判定する。

Ｓ９２２は、前述のＳ９０８と同様である。

Ｓ９２３は、前述のＳ９０９〜Ｓ９１８の処理と同様の音声操作処理を示す。ただし、Ｓ９２３では、Ｓ９２１の設定画面呼び出し指示に伴って、表示部８０６が設定画面を表示するよう画面更新する。例えば、コピー機能画面を表示している場合、グループＩＤ判定結果が｛ＩＤ：ＰＡＰ０００００、ＩＤ：ＯＰＲ０００４０｝のとき、用紙選択画面を表示する。

Ｓ９２４は、音声再生部６０５が、Ｓ９２３での音声合成処理で生成した音声合成データを再生する。例えば、Ｓ９２３で設定画面として用紙選択画面を表示した場合は「用紙選択画面を表示しました。続いて用紙を設定してください。」という音声合成データを、スピーカ３１０を通じて再生する。

Ｓ９２５は、前述のＳ９２０と同様である。

Ｓ９２６では、ユーザ１０６が設定変更指示を音声制御装置１００に対して行う。設定変更指示は、例えば、ユーザ１０６が「Ａ４」と発声することである。ユーザ１０６の発話後、空白時間が所定時間経過すると、発話終了判定部６０８は発話が終了したと判定する。

Ｓ９２７は、前述のＳ９０８と同様である。

Ｓ９２８は、前述のＳ９０９〜Ｓ９１８の処理と同様の音声操作処理を示す。ただし、Ｓ９２８では、Ｓ９２６の設定変更指示に伴って、表示部８０６が設定画面に表示する設定値を変更する。例えば、用紙選択画面を表示している場合、グループＩＤ判定結果が｛ＩＤ：ＰＡＰ００１０１｝のとき、用紙の設定値をＡ４に変更した用紙選択画面を表示する。

Ｓ９２９は、音声再生部６０５が、Ｓ９２８での音声合成処理で生成した音声合成データを再生する。例えば、Ｓ９２８で用紙の設定値を変更して表示した場合は「用紙をＡ４に設定しました」という音声合成データを、スピーカ３１０を通じて再生する。

Ｓ９３５は、前述のＳ９２０と同様である。

Ｓ９３６では、ユーザ１０６がジョブ実行指示を音声制御装置１００に対して行う。ジョブ実行指示は、例えば、ユーザ１０６が「コピースタート」と発声することである。ユーザ１０６の発話後、空白時間が所定時間経過すると、発話終了判定部６０８は発話が終了したと判定する。

Ｓ９３７〜Ｓ９４２は、前述の９０９〜９１３と同様の処理である。

Ｓ９４３では、デバイス制御プログラム８０１のデータ送受信部８０２が受信したグループＩＤ判定結果に対して、音声操作判定部８０７が音声操作判定処理を行う。グループＩＤ判定結果が｛ＩＤ：ＦＮＣ００００１、ＩＤ：ＯＰＰ０００１１｝である場合、画面に表示している“コピースタート”ボタン、もしくは、ハードキーであるスタートキー２０７が操作されたと判定される。

Ｓ９４４では、Ｓ９４３の判定結果に応じて、ジョブの実行画面を表示する。例えば、これまでの処理を通じて、ユーザが発する「コピースタート」の音声が、スタートキー２０７に対する操作であると判定された場合は、コピージョブ開始の画面を表示する。

Ｓ９４５では、画像形成装置１０１の画面で設定されたジョブパラメータに従って、ジョブを実行する。

Ｓ９４６では、データ送受信部８０２によって、サーバ１０２へ、ジョブ実行状態通知の内容として、ジョブ実行を開始したことを示す情報（ジョブ実行開始通知）を送信する。例えば、コピージョブを開始した場合、ジョブ実行状態の内容として「コピージョブ開始」というテキストデータを送信する。

Ｓ９４７では、音声データ変換制御プログラム７０１のデータ送受信部７０２ジョブ実行状態通知を受信し、音声合成部７０８がその内容（ジョブ実行開始通知）に対応する所定のテキストデータの音声合成処理を行う。例えば、ジョブ実行状態通知の内容が「コピージョブ開始」の場合、音声合成部７０８は、「コピーを開始します」というテキストデータを音声合成する。

Ｓ９４８は、前述のＳ９１８と同様である。

Ｓ９４９では、音声再生部６０５が、Ｓ９４８で受信した音声合成データを再生する。例えば、Ｓ９４７で生成した「コピーを開始します」という音声合成データを、スピーカ３１０を通じて再生する。

Ｓ９５０では、データ送受信部８０２によって、サーバ１０２へ、ジョブ実行状態通知の内容として、ジョブ実行を終了したことを示す情報（ジョブ実行終了通知）を送信する。例えば、コピージョブを終了した場合、ジョブ実行状態通知の内容として「コピージョブ終了」というテキストデータを送信する。

Ｓ９５１では、音声データ変換制御プログラム７０１のデータ送受信部７０２がジョブ実行状態通知を受信し、音声合成部７０８がその内容（ジョブ実行終了通知）に対応する所定のテキストデータの音声合成処理を行う。例えば、ジョブ実行状態通知の内容が「コピージョブ終了」の場合、音声合成部７０８は、「コピーを終了しました」というテキストデータを音声合成する。

Ｓ９５２では、Ｓ９４５のジョブ実行処理が終了したことを受けて、表示部８０６はジョブの実行終了画面を表示する。例えば、コピージョブの実行が終了した場合、コピージョブ終了の画面を表示する。

Ｓ９５３では、データ送受信部６０２が、Ｓ９５１で生成した音声合成データをサーバ１０２から受信する。また、音声制御装置１００に対して、ユーザ１０６との対話セッションを終了するよう通知する対話セッション終了通知をサーバ１０２から受信する。

Ｓ９５４では、音声再生部６０５が、Ｓ９５３で受信した音声合成データを再生する。例えば、Ｓ９５１で生成した「コピーを終了しました」という音声合成データを、スピーカ３１０を通じて再生する。

Ｓ９５５では、Ｓ９５３で対話セッション終了通知を受信したことに対応して、音声制御プログラム６０１の表示部６０６が、音声制御装置１００の待機状態を示すためにＬＥＤを消灯する。

Ｓ９５６では、Ｓ９５３で対話セッション終了通知を受信したことに対応して、音声制御装置１００を待機状態へ移行する。

なお、シーケンス図上で、応答処理中を示すＬＥＤが点滅中であってもウェイクワードは常に入力可能である。ユーザ１０６はウェイクワードの発話に続いて「キャンセル」、または「中止」などと発言することで、対話セッションを強制的に終了するようにしてもよい。

＜画像形成装置１０１のデバイス制御プログラム８０１の処理フロー＞
図１０は画像形成装置１０１のデバイス制御プログラム８０１の処理の概要を示すフローチャートである。特に、図１０は、図９のシーケンス図のＳ９１４、Ｓ９１５、Ｓ９２３、Ｓ９２８、Ｓ９３３、Ｓ９４３〜Ｓ９５２におけるデバイス制御プログラム８０１の処理フローを示す例である。

以降、図１０が示す処理フローの一例を具体的に説明するために図１１および図１２を用いる。図１１は、図７（ｂ）で示したグループＩＤリストに追加される、グループＩＤリストの別の一例である。図１２（ａ）は、表示部８０６が表示する画面の一例である。図１２（ｂ）は、図１２（ａ）で示す画面に対応する画面制御情報の一例である。画面制御情報には、画面を構成するユーザ操作可能なＵＩ部品と、それらがユーザ操作された時のアクション（画面制御の内容や、内部の処理）が含まれる。図１２（ｃ）は図１２（ａ）で示す画面に対応する音声操作判定情報の一例である。音声操作判定情報は、ユーザ操作可能なＵＩ部品と１つ以上のグループＩＤ判定結果の対応付けが予め行われているものとする。なお、図１２（ｃ）で示す表のうち、「操作時のユーザ発話例」と「操作パネルの操作方法」は下記説明のための参考情報であり、データ管理部８０３が管理する音声操作判定情報に含まれなくてもよい。

Ｓ１００１では、データ送受信部８０２が、グループＩＤ判定部７０７で生成されたグループＩＤ判定結果を受信する。

Ｓ１００２では、表示部８０６が表示している画面に対応する画面制御情報と、音声操作判定部８０７が操作対象を判定するために用いる音声操作判定情報を取得する。例えば、表示部８０６が図１２（ａ）で示す画面を表示している場合には、本画面に対応する図１２（ｂ）の画面制御情報と図１２（ｃ）の音声操作判定情報を取得する。

Ｓ１００３では、音声操作判定部８０７が、Ｓ１００１で受信したグループＩＤ判定結果と、Ｓ１００２で取得した音声操作判定情報を用いて音声操作判定処理を行う。この時、音声操作判定処理では、操作パネル５０９に表示される画面を構成するユーザ操作可能なＵＩ部品、または、操作パネル５０９を構成するハードキー２０１〜２１０を操作対象として判定する。例えば、ユーザ１０６による発話の一例である「自動」の音声から、グループＩＤ判定部７０７が判定したグループＩＤ判定結果｛ＩＤ：ＤＲＧ００００８｝が送信される。データ送受信部８０２はＳ１００１でこれを受信し、本グループＩＤ判定結果と合致する「自動（カラー／白黒）」ボタンを操作対象として判定する。

なお、音声操作判定処理の詳細なフローおよび判定処理例については、図１３以降で説明する。

Ｓ１００４では、表示部８０６が、Ｓ１００３の音声操作判定処理の結果と、Ｓ１００２で取得した画面制御情報に基づいて、画面の表示内容を更新する。例えば、Ｓ１００３にて「自動（カラー／白黒）」ボタンが操作対象として判定されると、図１２（ｂ）の画面制御情報に基づいて、表示部８０６が当該ボタンを強調表示するように画面を更新する。なお、図１２（ｃ）では、操作パネル５０９のＬＣＤタッチパネル２００上に表示された「自動（カラー／白黒）」ボタンがタッチされた時も同様に、当該ボタンを強調表示することが示されている。

また、後述するＳ１３０９にように、Ｓ１００３の音声操作判定処理の結果が、フォーカスの移動指示であった場合は次のように処理する。すなわち、図１４−１（ｂ）の画面制御情報及び図１４−２の音声操作判定情報に基づいてフォーカスの位置（注目位置）を変更して画面を更新表示する。このとき、フォーカスの位置変更は、後述するＳ１３０６で読み出したその時点のフォーカスの現在位置に基づいて行われる。フォーカスを用いた設定の完了後、デバイス制御プログラム８０１のデータ管理部８０３の設定パラメータの更新が行われる。注目位置に設定されたボタンを注目ボタン（注目オブジェクト）と呼び、注目オブジェクトの強調に用いるオブジェクトを強調オブジェクトと呼ぶ。

Ｓ１００５では、Ｓ１００３の音声操作判定処理の結果と、Ｓ１００２で取得した画面制御情報に基づいて、ジョブ実行を行うか否かを判定する。ジョブ実行を行う場合はＳ１００７へ進み、そうでなければＳ１００６へ進む。例えば、Ｓ１００３にて「自動（カラー／白黒）」ボタンが操作対象として判定された場合は、図１２（ｂ）中の内部処理がないことからジョブ実行を行わないと判定する。また、例えば、Ｓ１００３にてスタートキー２０７が操作対象として判定された場合は、図１２（ｂ）中の内部処理として「コピージョブの実行を開始」することから、ジョブ実行を行うと判定する。

Ｓ１００６では、前述のＳ９１６が示すようにデータ送受信部８０２によって、画面更新通知をサーバ１０２へ送信する。

Ｓ１００７では、ジョブパラメータの設定値に基づいて、ジョブ実行処理を行う。ジョブ実行処理によって、画像形成装置１０１は、一連の画像形成処理（例えばコピー、スキャン、プリントなど）を実行する。例えば、図１２（ａ）の画面が示すように、「自動（カラー／白黒）」ボタンが強調表示されている状態でコピージョブの実行を開始する時には、この時の「自動（カラー／白黒）」の設定値をジョブパラメータとしてジョブの実行を行う。

Ｓ１００８では、前述のＳ９４６およびＳ９５０が示すようにデータ送受信部８０２によって、ジョブ実行状態通知をサーバ１０２へ送信する。

＜システムとユーザ間のインタラクションの例＞
図１５は、図９のシーケンスと図１０、図１３で示す処理フローのうち、ユーザ１０６からの音声操作とその時のシステムからのインタクラクションの一例をより具体的に説明するための模式図である。図１５では、ユーザ１０６の音声操作としての発話例と、その発話に応じてシステムが音声制御装置１００の音声処理状態を示すＬＥＤの対応関係と流れを示している。また、画像形成装置の操作パネル５０９に表示する画面、および、音声制御装置１００で再生する応答用の音声の対応関係と流れを示している。

まず、システムはＬＥＤ消灯にて音声待機状態であることを示し、操作パネル５０９にはトップ画面を表示している（Ｓ１５０１）とする。この時に、ユーザ１０６がウェイクワードを発話する（Ｓ１５０２）と、システムは音声操作の受付を開始し、発話処理状態を示すＬＥＤを点灯する（Ｓ１５０３）。なお、Ｓ１５０２は図９中のＳ９０５、Ｓ１５０３はＳ９０６の具体的な一例である。ウェイクワードに続いて、ユーザ１０６が「コピーをしたい」と発話する（Ｓ１５０４）と、システムは応答処理状態を示すＬＥＤを点滅させ（Ｓ１５０５）、コピートップ画面を表示する（Ｓ１５０６）。そして、システムは「コピー画面を表示しました」という応答用の音声を再生し（Ｓ１５０７）、ユーザ１０６に次の発話を促すためにＬＥＤを再点灯する（Ｓ１５０８）。なお、Ｓ１５０４は図９中のＳ９０７、Ｓ１５０５はＳ９０８、Ｓ１５０６はＳ９１５、Ｓ１５０７はＳ９１９、Ｓ１５０８はＳ９２０の具体的な一例である。

次に、ユーザ１０６が「フォーカスを右へ」と発話する（Ｓ１５０９）と、システムはＬＥＤを点滅させ（Ｓ１５１０）、フォーカスを１つ右へ移動度のコピートップ画面（設定画面）を表示する（Ｓ１５１１）。そして、システムは「フォーカスを移動しました」という応答用の音声を再生し（Ｓ１５１２）、ＬＥＤを点灯する（Ｓ１５１３）。なお、Ｓ１５０９は図９中のＳ９２６、Ｓ１５１０はＳ９２７、Ｓ１５１１はＳ９１５、Ｓ１５１２はＳ９２９、Ｓ１５１３はＳ９３０の具体的な一例である。

次に、ユーザ１０６が「フォーカスを３つ下へ」と発話する（Ｓ１５１４）と、システムはＬＥＤを点滅させ（Ｓ１５１５）、フォーカスを３つ下へ移動後のコピートップ画面を表示する（Ｓ１５１６）。そして、システムは「フォーカスを移動しました」という応答用の音声を再生し（Ｓ１５１７）、ＬＥＤを点灯する（Ｓ１５１８）。なお、Ｓ１５１４は図９中のＳ９２６、Ｓ１５１５はＳ９２７、Ｓ１５１６はＳ９１５、Ｓ１５１７はＳ９２９、Ｓ１５１８はＳ９３０の具体的な一例である。

次に、ユーザ１０６が「フォーカスのボタンを選択」と発話する（Ｓ１５１９）と、システムはＬＥＤを点滅させ（Ｓ１５２０）、フォーカスされているボタンを選択後のコピートップ画面を表示する（Ｓ１５２１）。そして、システムは「フォーカスを移動しました」という応答用の音声を再生し（Ｓ１５２２）、ＬＥＤを点灯する（Ｓ１５２３）。フォーカスの操作についての詳細は図１３で後述する。なお、Ｓ１５１９は図９中のＳ９３１、Ｓ１５２０はＳ９３２、Ｓ１５２１はＳ９１５、Ｓ１５２２はＳ９３４、Ｓ１５２３はＳ９３５の具体的な一例である。

次に、ユーザ１０６が「コピー開始」と発話する（Ｓ１５２４）と、システムはＬＥＤを点滅させ（Ｓ１５２５）、コピージョブを実行する。コピージョブの実行が開始されると、システムはコピージョブ実行中の画面を表示する（Ｓ１５２７）とともに、「コピーを開始します」という応答用の音声を再生する（Ｓ１５２６）。そして、コピージョブの実行が完了すると、システムはコピージョブ実行終了画面を表示するとともに、「コピーを終了しました」という最終応答用の音声を再生し（Ｓ１５２８）、音声受付が終了したことを示すためにＬＥＤを消灯する（Ｓ１５２９）。なお、Ｓ１５２４は図９中のＳ９３６、Ｓ１５２５はＳ９３７、Ｓ１５２７はＳ９４４、Ｓ１５２６はＳ９４９、Ｓ１５２８はＳ９５４、Ｓ１５２９はＳ９５５の具体的な一例である。

＜音声操作判定部の処理フロー＞
図１３は画像形成装置１０１の音声操作判定部８０７の処理の概要を示すフローチャートである。図１３は、図１０のＳ１００３、及び、図９の９１４、９４３の処理に対応している。また、図１４は、図１３の音声操作判定処理によって操作を判定するときの画面例、及び、従来の操作方法（操作パネルのボタンやハードキー押下による方法）と音声による操作方法の例である。

以下、図１３と図１４を用いて音声操作判定部８０７の処理フローについて説明する。

まず、図１４について説明する。

図１４−１（ａ）は画像形成装置１０１のコピーの一覧設定の画面例である。フォーカス１４０１は各ボタンの枠部分に重畳して表示されるボタンの選択状態を示す強調オブジェクトである。ボタン１４０２〜１４０６はコピーの各設定を変更するためのボタンである。図１４−１（ａ）において、フォーカス１４０１は等倍ボタン１４０２の枠部分に重畳表示されている。本実施例では、画面の遷移が音声操作によっておこなわれたことに基づいて、遷移後の画面（コピートップ画面）にフォーカスを表示させる。なお、画面の遷移が音声操作か否かによらずに必ずフォーカスを表示させてもよい。また、図２０（ａ）に示すように、ユーザの「フォーカスを表示」という発話に応じてデフォルト位置にフォーカスを表示し、その後、１つ右かつ２つ下にある、アイコンで示されたボタン（文字写真ボタン）等の他のボタンにフォーカスを移動してもよい。図２０（ａ）は、デフォルト位置に表示させたフォーカスを移動する様子を示す図である。また、フォーカスの表示タイミングは設定で切り替えかのうにしてもよい。フォーカスのデフォルト位置は、画面中の複数のボタン（選択オブジェクト）のうち最も左上にあるボタンである。なお、デフォルト位置のボタンは、左下、右上、右下、中央付近のどのボタンであってもよい。例えば、デフォルト位置を設定で切り替え可能にしてもよい。また、ユーザがボタン名称で指定したボタンをフォーカスし、そこからフォーカス操作を開始可能にしてもよい。例えば、図２０（ｂ）のように、濃度ボタン１４０６からフォーカスを開始し、その後、一つ下にある、アイコンで示されたボタン（文字写真ボタン）等の他のボタンにフォーカスを移動してもよい。図２０（ｂ）は、ユーザ指定位置に表示させたフォーカスを移動する様子を示す図である。

本実施例では、後述の説明のためフォーカスが等倍ボタン１４０２に既に移動されたあとの例を説明する。図１４−１（ｂ）は、図１４−１（ａ）のフォーカス１４０１の表示位置を濃度ボタン１４０６の位置に移動した画面例である。尚、図１４−１（ａ）、図１４−１（ｂ）の画面には１４０２〜１４０６以外にもコピーの各設定変更ボタンがあるが、簡単のため以後ボタン１４０２〜１４０６のボタンに絞って説明を行う。図１４−２（ａ）は、図１４−１（ａ）、図１４−１（ｂ）で示す画面における画面制御情報の一例である。図１４−２（ｂ）は、図１４−１（ａ）、図１４−１（ｂ）で示す画面における音声操作判定情報の一例である。図１４−２（ｂ）の１４０７〜１４１６は、音声操作判定情報の各行を示している。

以下、図１３の処理フローについて図１４−１（ａ）で示す画面と、図１４−１（ｂ）、図１４−２（ａ）の画面制御情報と音声操作判定情報の例を用いて説明する。

Ｓ１３０１では、図１０のＳ１００１で受信したグループＩＤ判定結果と、Ｓ１００２で取得した音声操作判定情報に含まれるボタンのハードキー（行１４１５、１４１６）を除くグループＩＤ情報とをマッチングする。例えば、図１４−１（ａ）の画面を表示しているとき、グループＩＤ判定結果が｛ＩＤ：ＵＩＰ０００１２、ＰＯＳ０００１６、ＦＩＮ０００１１｝であるとする。この場合、図１４−２（ｂ）の音声操作判定情報の行１４０７の「表示画面のグループＩＤ情報」列のグループＩＤ情報とグループＩＤ判定結果とをマッチングする。このとき、行１４０７のグループＩＤ「ＵＩＰ０００１２＋ＰＯＳ０００１６＋ＦＩＮ０００１１」がヒットし、マッチング成功となる。ここで、ＵＩＰ０００１２は「フォーカス」を示す注目指示に関する情報であり、ＰＯＳ０００１６は＋ＦＩＮ０００１１は移動情報である。特に、ＰＯＳ０００１６は方向を示す方向情報である。

Ｓ１３０２では、Ｓ１３０１でマッチング成功したか否かを判定する。マッチング成功した場合は、Ｓ１３０６へ進み、そうでなければＳ１３０３へ進む。

Ｓ１３０３では、図１０のＳ１００１で受信したグループＩＤ判定結果と、Ｓ１００２で取得した音声操作判定情報に含まれるハードキーのグループＩＤ情報とをマッチングする。例えば、図１４−１（ａ）の画面において、サーバ１０２におけるグループＩＤ判定結果が｛ＩＤ：ＯＰＲ０００１１｝（すなわち、ユーザ１０６が「スタート」と発話したときのグループＩＤ判定結果）であるとする。この場合、それと音声操作判定情報のハードキーのグループＩＤ情報とをマッチングする。このとき、音声操作判定情報より、グループＩＤ「ＯＰＲ０００１１」がヒットし、マッチング成功となる。

Ｓ１３０４では、Ｓ１３０３でマッチング成功したか否かを判定する。マッチング成功した場合は、Ｓ１３０５へ進み、そうでなければ音声操作判定処理を終了する。

Ｓ１３０５では、Ｓ１３０３でマッチングしたハードキーを音声操作の対象であると判定し、音声操作判定処理を終了する。例えば、グループＩＤ情報が「ＯＰＲ０００１１」である“スタート”がヒットした場合、スタートキー２０７を音声操作したものと判定し、音声操作判定処理を終了する。

Ｓ１３０６では、Ｓ１３０１でのマッチング結果の操作対象がフォーカス１４０１であるかどうかを判定する。例えば、図１４−２（ｂ）の音声操作判定情報の行１４０７〜１４０９とマッチングしたとする。この場合（例えば、ユーザ１０６が「フォーカスを左へ」と発話したときに行１４０７とマッチングする）、「番号」列が１４０１であるので、図１４−１（ａ）または図１４−１（ｂ）の画面制御情報よりフォーカス１４０１であると判定される。尚、このときフォーカスであると判定された場合は、操作対象のフォーカスの現在位置を読み出す。マッチングした操作対象がフォーカス１４０１であった場合はＳ１３０８へ進み、そうでなければＳ１３０７へ進む。

Ｓ１３０７では、Ｓ１３０１でマッチングした結果が操作画面内のボタンを音声操作の対象であると判定し、音声操作判定処理を終了する。例えば、グループＩＤが「ＤＧＲ０００３」である“縮小”がマッチングした場合、図１４−２（ｂ）の音声操作判定情報の行１４０８から、「番号」列が１４０４であるので、図１４−２（ａ）の画面制御情報よりボタン１４０４の“縮小”の音声操作であると判定される。

Ｓ１３０８では、グループＩＤ判定結果に方向を指定するグループＩＤが含まれるかどうかを判定する。例えば、図１０のＳ１００１で受信したグループＩＤ判定結果に“左”を意味する｛ＩＤ：ＰＯＳ０００１６｝が含まれている場合、グループＩＤ判定結果に方向を指定するグループＩＤが含まれていると判定される。方向を示すグループＩＤは図１１よりＰＯＳ０００１０〜ＰＯＳ０００１７が対応するが、ここの説明では簡単のため右上、左下などの斜め方向の指定は除外する。方向を指定するグループＩＤが含まれていればＳ１３１０へ進み、そうでなければＳ１３０９へ進む。

Ｓ１３０９では、グループＩＤ判定結果に回数を指定するグループＩＤが含まれているかどうかを判定する。例えば、図１０のＳ１００１で受信したグループＩＤ判定結果に“２つ”を意味する｛ＩＤ：ＮＵＭ００００２｝（数値情報）が含まれている場合、グループＩＤ判定結果に回数を指定するグループＩＤが含まれていると判定される。数を示すグループＩＤは図７よりＮＵＭ００００１〜ＮＵＭ９９９９９が対応するが、ここでのフォーカスの移動幅は最大でも８つなので、回数を指定するグループＩＤはフォーカス移動の最大幅までの範囲（ここではＮＵＭ００００１〜ＮＵＭ００００８）とする。回数を指定するグループＩＤが含まれていればＳ１３１１へ進み、そうでなければＳ１３１０へ進む。

Ｓ１３１０では、Ｓ１３０１でマッチングした結果が操作画面内のフォーカス１４０１を１つ移動する音声操作であると判定し、音声操作判定処理を終了する。具体的には、グループＩＤ情報として図１４−２（ｂ）の行１４０７がマッチングした場合、フォーカス１４０１の１つ移動の音声操作（すなわち、フォーカス１４０１が上下左右にあるいずれかのボタンの位置へ１つ移動）であると判定される。例えば、図１４−１（ａ）の画面を表示しているとき、グループＩＤ判定結果が｛ＩＤ：ＵＩＰ０００１２、ＰＯＳ０００１６、ＦＩＮ０００１１｝である場合、｛ＰＯＳ０００１６｝が左を意味し、フォーカス１４０１を左へ１つ移動する音声操作と判定する。この判定結果によって、図１０のＳ１００４において画面更新処理を行うと、フォーカス１４０１は図１４−１（ｂ）のように、等倍ボタン１４０２から濃度ボタン１４０６へ重畳して表示されるように画面更新される。このようにして、ユーザ１０６はフォーカス１４０１の表示位置を現在いるボタンの上下左右いずれかのボタン位置へ移動することができる。尚、フォーカス１４０１の移動に際し、上下左右への移動先のボタンは予め設定されているものとする。すなわち、ここでは等倍ボタン１４０１の上、下、左、右の位置はそれぞれマイナスボタン１４０３、縮小ボタン１４０４、濃度ボタン１４０６、手差しボタン１４０５が予め決められた移動先のボタンとなる。

Ｓ１３１１では、Ｓ１３０１でマッチングした結果が操作画面内のフォーカス１４０１を２つ以上移動する音声操作であると判定し、音声操作判定処理を終了する。例えば図１４−１（ａ）の画面を表示しているとき、グループＩＤ判定結果が｛ＩＤ：ＵＩＰ０００１２、ＮＵＭ００００２、ＰＯＳ０００１４｝であるとする。この場合（例えば、ユーザ１０６が「フォーカスを２つ下へ」と発話したときのグループＩＤ判定結果）、｛ＮＵＭ０００２｝が“２つ”、｛ＰＯＳ０００１４｝が“下”を意味し、フォーカス１４０１を下へ２つ移動する音声操作と判定する。この判定結果によって、図１０のＳ１００４において画面更新処理を行うと、フォーカス１４０１は、等倍ボタン１４０２から自動変倍ボタンへ重畳して表示されるように画面更新される。このようにして、ユーザ１０６はフォーカス１４０１の表示位置を現在いるボタンの上下左右いずれかの位置へ２つ以上まとめて移動することができる。

Ｓ１３１２では、操作画面内のフォーカス１４０１が重畳されているボタンを音声操作の対象であると判定し、音声操作判定処理を終了する。具体的には、グループＩＤ情報として図１４−２（ｂ）の行１４０９がマッチングした場合、フォーカス１４０１がある位置のボタン選択の音声操作であると判定される。例えば、図１４−１（ａ）の画面を表示しているとき、グループＩＤ判定結果が｛ＩＤ：ＵＩＰ０００１２、ＯＰＲ０００４０｝である場合、｛ＯＰＲ０００４０｝が“選択”を意味し、フォーカス１４０１がそのとき位置しているボタンを選択する音声操作と判定する。そして、図１０のＳ１００４において画面更新処理時に等倍ボタン１４０２を押下したときと同様になるように表示されるように画面更新される。

以上のようにして、ユーザ１０６はフォーカス１４０１の位置を音声操作によって操作することができる。そのため、名前のついていないボタンが存在する場合であっても、フォーカス１４０１の位置をそのボタン上に移動することで、そのボタンを選択（すなわち操作パネルを指で押下したのと同様の操作を）することができる。

＜フォーカス表示の表示例＞
フォーカス位置の表示方法は、画面構成や視認しやすさを考慮して様々な形態を利用することができる。図１６（ａ）は、フォーカスしているボタンを濃い枠で囲うことによってフォーカスしていることをユーザ１０６へ明示的に表示する例である。図１６（ｂ）は、フォーカスしているボタンを矢印（指示アイコン）で指し示すことによってフォーカスしていることをユーザ１０６へ明示的に表示する例である。図１６（ｃ）は、フォーカスしているボタンの全体を濃い目立つ色に変更し、更に文字色を反転表示することによってフォーカスしていることをユーザ１０６へ明示的に表示する例である。

図１６（ａ）〜（ｃ）で示したように、フォーカス位置の表示方法はさまざまであるが、選択状態のボタン、および、非選択状態のボタンとフォーカス状態のボタンを区別可能（識別可能）にすることが望ましい。また、フォーカスの表示方法を設定によって切り替え可能にしてもよい。

＜備考＞
以上で説明したように、本実施例によればユーザ１０６の発話によって、画像形成装置１０１の操作パネル５０９を操作することができる。特に、本実施例では画面のフォーカス位置を操作する際に、発話によって現在位置から上下左右のいずれかの位置へ操作可能となる。また、フォーカスの選択を発話によって行うことで、フォーカスの位置しているボタンを操作可能となる。したがって、名称が不明な選択オブジェクトであってもフォーカスを用いて指定することができる。本実施例によれば、選択オブジェクトを選択（選択状態の変更を指示）する操作と、選択オブジェクトをフォーカス（選択状態のの変更を不指示）する操作を使い分けることができる。本実施例によれば、フォーカス表示の開始条件を切り替えることができる。本実施例によればフォーカスの表示方法を切り替えることができる。

＜その他の実施例＞
本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づき種々の変形が可能であり、それらを本発明の範囲から除外するものではない。即ち、上述した各実施例及びその変形例を組み合わせた構成も全て本発明に含まれるものである。

本発明は、上述の実施例の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

本発明は、複数の機器から構成されるシステムに適用しても、１つの機器からなる装置に適用してもよい。上述実施例では、音声制御プログラム６０１、デバイス制御プログラム８０１、音声データ変換制御プログラム７０１がそれぞれ音声制御装置１００、画像形成装置１０１、サーバ１０２で実行されるとした。しかしながら、マイクロフォンを備えた画像形成装置１０１で各プログラムを全て実行するようにしてもよいし、サーバ１０２だけ分離し、音声制御プログラム６０１とデバイス制御プログラム８０１を画像形成装置１０１で実行するようにしてもよい。

上述実施例では、画像形成装置１０１が提供する操作画面のうちの一部の画面について取り上げ、その操作方法について説明した。しかしながら、自然言語に基づく画面操作、特にフォーカスを用いる音声操作を他の画面に適用してもよい。

図１７、図１８、図１９は画像形成装置における設定の項目一覧である図１７、図１８、図１９の表のうち左から一列目は機能分類を示す。ＭＦＰである画像形成装置１０１が備える機能としては、プリント機能（印刷機能）、コピー機能、送信機能が挙げられる。画像形成装置１０１では、これらの機能に関する設定の他、装置が動作するのに必要な本体設定をおこなうことができる。図１７、図１８、図１９の表のうち左から二列目は項目群を示す。項目群は、機能を利用するうえで操作される項目のうち、類似する分類でまとめられた項目のグル―プである。項目群は１または複数の画面として出力される。図１７、図１８、図１９の表のうち左から三列目は項目を示す。項目は、項目群毎に表示される画面において操作可能な操作項目、設定項目である。機能欄および項目群欄が「共通」の項目は、一部の例外となる画面を除き、ほぼすべての画面で利用可能な操作項目である。本発明は実施例で挙げた画面での設定変更に限らず、図１７、図１８、図１９にあげる設定項目の各設定変更に対しても適用できる。

ＡＳＩＣとは、Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔのことである。
ＣＰＵとは、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔのことである。
ＤＮＮとは、Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋのことである。
ＦＡＸとは、Ｆａｃｓｉｍｉｌｅのことである。
ＧＭＭとは、Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌのことである。
ＨＤＤとは、Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅのことである。
ＨＭＭとは、Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌのことである。
ＩＤとは、Ｉｄｅｎｔｉｆｉｃａｔｉｏｎのことである。
ＩＥＥＥとは、Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｓのことである。
ＩＰとは、Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌのことである。
ＬＡＮとは、Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋのことである。
ＬＣＤとは、Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙのことである。
ＬＥＤとは、Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅのことである。
ＭＥＭＳとは、Ｍｉｃｒｏ Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓのことである。
ＭＦＰとは、Ｍｕｌｔｉｆｕｎｃｔｉｏｎ Ｐｅｒｉｐｈｅｒａｌのことである。
ＭＰ３とは、ＭＰＥＧ Ａｕｄｉｏ Ｌａｙｅｒ−３のことである。
ＰＣとは、Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒのことである。
ＲＡＭとは、Ｒａｎｄｏｍ‐Ａｃｃｅｓｓ Ｍｅｍｏｒｙのことである。
ＲＮＮとは、Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓのことである。
ＲＯＭとは、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙのことである。
ＳＤカードとは、Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ Ｍｅｍｏｒｙ Ｃａｒｄのことである。
ＳＳＤとは、Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅのことである。
ＴＣＰとは、Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌのことである。
ＵＩとは、Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅのことである。

１００ 音声制御装置
１０１ 画像形成装置
１０２ サーバ装置
１０３ クライアント端末
１０４ ネットワーク
１０５ ゲートウェイ
１０６ ユーザ
３０８ マイクロフォン
５０９ 操作パネル（ディスプレイ）
７０１ 音声データ変換制御プログラム
８０１ デバイス制御プログラム

Claims (21)

1. 音を取得するマイクロフォンと、
   情報を表示するディスプレイと、
   複数の選択オブジェクトを備える画面であって前記複数の選択オブジェクトのうちの１つの選択オブジェクトが注目オブジェクトとして強調された画面を前記ディスプレイに表示させる手段と、
   前記マイクロフォンを介して取得された音声情報に基づきテキスト情報を取得する手段と、
   現在の注目オブジェクトに係る情報および前記テキスト情報に含まれる移動情報に少なくとも基づき注目オブジェクトが前記複数の選択オブジェクトのうちの更なる選択オブジェクトに更新された画面を前記ディスプレイに表示させる手段と、を有することを特徴とする情報処理システム。
2. 前記取得する手段は、テキスト情報と音声情報を対とする教師データに基づき学習した学習モデルを少なくとも用いてテキスト情報を取得することを特徴とする請求項１に記載の情報処理システム。
3. 前記移動情報は、注目オブジェクトを更新するための方向情報を含むことを特徴とする請求項１または２の項に記載の情報処理システム。
4. 前記移動情報は、注目オブジェクトを更新するための数値情報を含むことを特徴とする請求項１乃至３のいずれか１項に記載の情報処理システム。
5. 注目オブジェクトとその他の選択オブジェクトは識別可能に表示されることを特徴とする請求項１乃至４のいずれか１項に記載の情報処理システム。
6. 前記マイクロフォンを介して取得された更なる音声情報に基づき更なるテキスト情報を取得する手段を有し、
   前記更なるテキスト情報は、現在の注目オブジェクトに対する操作を指示する情報を含むことを特徴とする請求項１乃至５のいずれか１項に記載の情報処理システム。
7. 前記マイクロフォンを介して取得された更なる音声情報に基づき更なるテキスト情報を取得する手段を有し、
   前記更なるテキスト情報は、注目オブジェクトにすべき選択オブジェクトを指定するための情報を含むことを特徴とする請求項１乃至６のいずれか１項に記載の情報処理システム。
8. 前記マイクロフォンを介して取得された更なる音声情報に基づき更なるテキスト情報を取得する手段を有し、
   前記更なるテキスト情報は、注目オブジェクトが存在しない画面から注目オブジェクトが存在する画面へ遷移させる指示を含むことを特徴とする請求項１乃至６のいずれか１項に記載の情報処理システム。
9. 注目オブジェクトの強調方法として第１の強調方法と第２強調方法を少なくとも備えることを特徴とする請求項１乃至６のいずれか１項に記載の情報処理システム。
10. 前記画面は、コピー機能の設定に係る画面であることを特徴とする請求項１乃至９のいずれか１項に記載の情報処理システム。
11. 前記画面は、送信機能の設定に係る画面であることを特徴とする請求項１乃至９のいずれか１項に記載の情報処理システム。
12. 前記画面は、プリント機能の設定に係る画面であることを特徴とする請求項１乃至９のいずれか１項に記載の情報処理システム。
13. 前記画面は、本体設定に係る画面であることを特徴とする請求項１乃至９のいずれか１項に記載の情報処理システム。
14. 音を出力するスピーカと、
    前記更新にともなって前記スピーカを介して報知をおこなう手段と、
    を有することを特徴とする請求項１乃至１３のいずれか１項に記載の情報処理システム。
15. 前記報知に用いる合成音声を生成する手段を有することを特徴とする請求項１４に記載の情報処理システム。
16. 前記マイクロフォンおよび前記ディスプレイおよび前記取得する手段を備える装置を有することを特徴とする請求項１乃至１５のいずれか１項に記載の情報処理システム。
17. 前記マイクロフォンおよび前記ディスプレイを備える装置と、
    前記取得する手段を備える装置と、
    を有することを特徴とする請求項１乃至１５のいずれか１項に記載に記載の情報処理システム。
18. 前記マイクロフォンを備える装置と、
    前記ディスプレイおよび前記取得する手段を備える装置と、
    を有することを特徴とする請求項１乃至１５のいずれか１項に記載の情報処理システム。
19. 前記マイクロフォンを備える装置と、
    前記ディスプレイを備える装置と、
    前記取得する手段を備える装置と、
    を有することを特徴とする請求項１乃至１５のいずれか１項に記載の情報処理システム。
20. 情報を表示するディスプレイと、
    複数の選択オブジェクトを備える画面であって前記複数の選択オブジェクトのうちの１つの選択オブジェクトが注目オブジェクトとして強調された画面を前記ディスプレイに表示させる手段と、
    マイクロフォンを介して取得された音声情報に基づきテキスト情報を取得する手段と、
    現在の注目オブジェクトに係る情報および前記テキスト情報に少なくとも基づき注目オブジェクトが前記複数の選択オブジェクトのうちの更なる選択オブジェクトに更新された画面を前記ディスプレイに表示させる手段と、を有することを特徴とする情報処理装置。
21. 複数の選択オブジェクトを備える画面であって前記複数の選択オブジェクトのうちの１つの選択オブジェクトが注目オブジェクトとして強調された画面をディスプレイに表示させる工程と、
    マイクロフォンを介して取得された音声情報に基づきテキスト情報を取得する工程と、
    現在の注目オブジェクトに係る情報および前記テキスト情報に少なくとも基づき注目オブジェクトが前記複数の選択オブジェクトのうちの更なる選択オブジェクトに更新された画面を前記ディスプレイに表示させる工程と、を有することを特徴とする情報処理方法。

Images