JP2024015817A - 閾値生成方法、閾値生成装置およびプログラム - Google Patents

Abstract

【課題】適切にキーワードを検出させることが可能な閾値を生成する。【解決手段】実施形態に係る閾値生成方法は、キーワード検出装置に対して設定される閾値を生成する。キーワード検出装置は、音声信号に含まれる音声と予め設定されたキーワードとの類似度を表すキーワードスコアと、閾値との比較結果に基づき、音声信号にキーワードが含まれているか否かを検出する。閾値生成方法は、複数の参照音声のそれぞれについて、キーワードとの類似度を表すキーワードスコアを算出する。閾値生成方法は、複数の参照音声に基づき算出した複数のキーワードスコアを含むスコア集合の分布を表すパラメータを算出する。閾値生成方法は、スコア集合の分布を表すパラメータに基づき、閾値を生成する。【選択図】図１０

Description

本発明の実施形態は、閾値生成方法、閾値生成装置およびプログラムに関する。

音声によって機器を操作する目的等で、音声に含まれる所定のキーワードを検出する検出装置が知られている。このような検出装置は、音声信号に含まれる音声とキーワードとの類似度を表すスコアを算出し、算出したスコアが予め設定された閾値より大きい場合に、音声信号にキーワードが含まれると判定する。

このような検出装置は、閾値を適切に調整する必要がある。例えば、ユーザは、繰り返してキーワードを発話し、検出装置によってキーワードが検出されやすくなるように、閾値を調整する。

しかし、従来の検出装置は、利用開始時点においては、閾値が適切な値に調整されておらず、適切な値となるまでユーザが繰り返してキーワードを発話しなければならなく、非常に手間がかかってしまっていた。また、このような検出装置は、雑音が発生する環境においては、キーワードの誤検出の確率が高くなったり、ユーザが発話してもキーワードを検出しない未検出の確率が高くなったりしていた。

特開２０１９－１８４６３３号公報

本発明が解決しようとする課題は、ユーザに調整処理をさせることなく、適切にキーワードを検出させることが可能な閾値を生成する閾値生成方法、閾値生成装置およびプログラムを提供することにある。

実施形態に係る閾値生成方法は、キーワード検出装置に対して設定される閾値を生成する。前記キーワード検出装置は、音声信号に含まれる音声と予め設定されたキーワードとの類似度を表すキーワードスコアと、閾値との比較結果に基づき、前記音声信号に前記キーワードが含まれているか否かを検出する。前記閾値生成方法は、複数の参照音声のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出する。前記閾値生成方法は、前記複数の参照音声に基づき算出した複数の前記キーワードスコアを含むスコア集合の分布を表すパラメータを算出する。前記閾値生成方法は、前記スコア集合の分布を表すパラメータに基づき、前記閾値を生成する。

第１実施形態に係る音声操作システムの構成図。 第１実施形態に係るキーワード検出装置の外観図。 操作対象装置の動作の一例を示す図。 第１実施形態に係るキーワード検出部の構成図。 第１実施形態に係るキーワード検出部の閾値を示す図。 キーワードスコアを示す図。 図６のキーワードスコアが算出された場合の検出結果を示す図。 キーワードスコア算出部の構成図。 第１実施形態に係る閾値生成装置の構成図。 第１実施形態の処理の流れを示すフローチャート。 図１０に示す流れで生成された閾値の一例を示す図。 発話した場合におけるキーワードスコアを示す図。 図１２のキーワードスコアが算出された場合の検出結果を示す図。 第１実施形態の変形例に係るキーワード検出部の構成図。 第２実施形態の処理の流れを示すフローチャート。 図１５に示す流れで生成された閾値の一例を示す図。 第３実施形態の処理の流れを示すフローチャート。 図１７に示す流れで生成された閾値の一例を示す図。 第４実施形態の処理の流れを示すフローチャート。 第５実施形態に係るキーワード検出部の構成図。 第６実施形態に係るキーワード検出部の構成図。 閾値生成装置のハードウェア構成の一例を示す図。

以下、図面を参照しながら本発明の実施形態について説明する。

（第１実施形態）
図１は、第１実施形態に係る音声操作システム１０の構成を示す図である。図２は、第１実施形態に係るキーワード検出装置２２の外観の一例を示す図である。

音声操作システム１０は、操作対象装置２０と、キーワード検出装置２２と、閾値生成装置２４とを備える。

操作対象装置２０は、例えば、家庭用電化機器または電子機器等のユーザの操作に応じて動作する機器である。第１実施形態においては、操作対象装置２０は、エアーコンディショナである。操作対象装置２０は、キーワード検出装置２２から操作信号を受信し、受信した操作信号に応じた動作をする。

キーワード検出装置２２は、ユーザにより発話された音声を収音する。キーワード検出装置２２は、収音した音声に予め設定されたキーワードが含まれているか否かを判定する。そして、キーワード検出装置２２は、収音した音声に予め設定されたキーワードが含まれている場合に、操作対象装置２０に操作信号を送信して、操作対象装置２０にキーワードに対応する動作をさせる。例えば、キーワード検出装置２２は、赤外線または電波等により操作対象装置２０に操作信号を送信する。キーワード検出装置２２は、操作対象装置２０に組み込まれ、有線回線を介して、操作対象装置２０に操作信号を送信してもよい。

キーワード検出装置２２は、一例として、図１および図２に示すように、マイクロフォン３２と、キーワード検出部３４と、通信部３６とを有する。

マイクロフォン３２は、周囲の音声を収音してアナログの音声信号に変換する。

キーワード検出部３４は、マイクロフォン３２から音声信号を受け取る。キーワード検出部３４は、予め複数のキーワードが設定されている。キーワード検出部３４は、所定時間間隔であるフレーム毎に、複数のキーワードのそれぞれについて、キーワードスコアを算出する。キーワードスコアは、音声信号に含まれる音声と、予め設定されたキーワードとの類似度を表す。

キーワード検出部３４は、複数のキーワードのそれぞれについて、予め閾値が設定されている。キーワード検出部３４は、複数のキーワードのそれぞれについて、フレーム毎に、算出したキーワードスコアと閾値との比較結果に基づき、音声信号に対応するキーワードが含まれているか否かを検出する。例えば、キーワード検出部３４は、キーワードスコアが閾値より大きい場合、音声信号に対応するキーワードが含まれていると検出する。キーワード検出部３４は、音声信号に複数のキーワードのうちの何れかのキーワードが含まれていることを検出した場合、含まれているキーワードに対応する操作を指示する操作信号を出力する。キーワード検出部３４は、例えばプロセッシング回路およびメモリ等を含む情報処理回路により実現される。

通信部３６は、キーワード検出部３４により音声信号にキーワードが含まれていることが検出された場合、検出したキーワードに対応する操作信号を操作対象装置２０に送信する。

閾値生成装置２４は、キーワード検出装置２２によるキーワードの検出動作に先立って、複数のキーワードのそれぞれに対応する閾値を生成する。閾値生成装置２４は、生成した複数のキーワードのそれぞれの閾値をキーワード検出装置２２に設定する。例えば、閾値生成装置２４は、生成した閾値をキーワード検出装置２２の内部の不揮発性メモリに記憶させる。

閾値生成装置２４は、例えばプロセッシング回路およびメモリ等を含む情報処理装置がプログラムを実行することにより実現される。閾値生成装置２４は、キーワード検出装置２２と一体的に設けられてもよい。また、閾値生成装置２４は、キーワード検出部３４と共通のプロセッシング回路およびメモリ等により実現されてもよい。

図３は、ユーザによりキーワードが発話された場合の操作対象装置２０の動作の一例を示す図である。

キーワード検出装置２２は、予め設定されている複数のキーワードのそれぞれに対して、識別情報であるキーワードＩＤが割り当てられている。キーワード検出装置２２は、音声信号に複数のキーワードのうちの何れかが含まれていることを検出した場合、検出したキーワードに割り当てられたキーワードＩＤを含む操作信号を操作対象装置２０に送信する。操作対象装置２０は、キーワードＩＤと、動作内容とを対応づけるテーブル等を記憶する。操作対象装置２０は、操作信号を受信した場合、キーワードＩＤに対応付けられた内容の動作を実行する。

キーワード検出装置２２は、キーワードＩＤが“１”のキーワードとして“だんぼー”が設定されている。キーワード検出装置２２は、ユーザにより“だんぼー”というキーワード音声が発話された場合、操作対象装置２０に暖房運転を開始させる。

また、キーワード検出装置２２は、キーワードＩＤが“２”のキーワードとして“れーぼー”が設定されている。キーワード検出装置２２は、ユーザにより“れーぼー”というキーワード音声が発話された場合、操作対象装置２０に冷房運転を開始させる。

また、キーワード検出装置２２は、キーワードＩＤが“３”のキーワードとして“でんげんおふ”が設定されている。キーワード検出装置２２は、ユーザにより“でんげんおふ”というキーワード音声が発話された場合、操作対象装置２０に運転を停止させる。

また、キーワード検出装置２２は、キーワードＩＤが“４”のキーワードとして“あつい”が設定されている。キーワード検出装置２２は、ユーザにより“あつい”というキーワード音声が発話された場合、操作対象装置２０に設定温度を１度下げさせる。

また、キーワード検出装置２２は、キーワードＩＤが“５”のキーワードとして“さむい”が設定されている。キーワード検出装置２２は、ユーザにより“さむい”というキーワード音声が発話された場合、操作対象装置２０に設定温度を１度上げさせる。

図４は、第１実施形態に係るキーワード検出部３４の構成を示す図である。キーワード検出部３４は、ＡＤ変換部４０と、特徴量生成部４２と、キーワードモデル記憶部４４と、キーワードスコア算出部４６と、閾値記憶部４８と、判定部５０とを備える。

ＡＤ変換部４０は、マイクロフォン３２から出力された音声信号をサンプリングして、デジタルの音声信号に変換する。例えば、ＡＤ変換部４０は、サンプリング周波数が１６ｋＨｚの１６ビットＰＣＭのデジタルの音声信号に変換する。

特徴量生成部４２は、デジタルの音声信号を受け取り、フレーム毎に、音声信号に含まれる音声の特徴を表す特徴ベクトルを生成する。例えば、特徴量生成部４２は、時間ドメインのデジタルの音声信号に対してフレーム長が１６０サンプル、窓長が５１２サンプルの短時間フーリエ変換を行う。これにより、特徴量生成部４２は、時間ドメインのデジタルの音声信号を、周波数ドメインの音声信号に変換することができる。そして、特徴量生成部４２は、周波数ドメインの音声信号に基づき、フレーム毎に特徴ベクトルを生成する。例えば、特徴量生成部４２は、４０次元のメルフィルタバンク特徴ベクトルを生成する。

キーワードモデル記憶部４４は、複数のキーワードのそれぞれ毎に、特徴ベクトルからキーワードスコアを算出するためのスコア算出モデルを記憶する。第１実施形態において、スコア算出モデルは、ニューラルネットワーク、および、ビタビアルゴリズム等を用いた有向グラフの探索アルゴリズムにより実現される。キーワードモデル記憶部４４は、複数のキーワードのそれぞれ毎に、スコア算出モデルとしてニューラルネットワークのパラメータおよび有向グラフ等を記憶する。

キーワードスコア算出部４６は、フレーム毎に、複数のキーワードのそれぞれについて、キーワードモデル記憶部４４に記憶された対応するスコア算出モデルを用いて、キーワードスコアを算出する。第１実施形態において、キーワードスコアは、音声とキーワードとが類似する程、大きな値となる。

閾値記憶部４８は、複数のキーワードのそれぞれについて、閾値を記憶する。閾値記憶部４８は、キーワードの検出動作に先立って、複数のキーワードのそれぞれについての閾値を閾値生成装置２４から受け取って、記憶する。

判定部５０は、フレーム毎に、キーワードスコア算出部４６から、複数のキーワードのそれぞれのキーワードスコアを受け取る。判定部５０は、フレーム毎に、複数のキーワードのそれぞれについて、受け取ったキーワードスコアと閾値記憶部４８に記憶された対応する閾値との比較結果に基づき、音声信号に対応するキーワードが含まれているか否かを検出する。例えば、判定部５０は、受け取ったキーワードスコアが対応する閾値より大きい場合、音声信号に対応するキーワードが含まれていると判定する。そして、判定部５０は、判定結果を通信部３６に与える。

図５は、第１実施形態に係るキーワード検出部３４に設定される閾値の一例を示す図である。図６は、キーワード検出部３４により検出されるキーワードスコアの一例を示す図である。図７は、図６に示すキーワードスコアが算出された場合のキーワード検出部３４による検出結果の一例を示す図である。

キーワード検出部３４は、複数のキーワードのそれぞれについて閾値が設定される。第１実施形態において、キーワード検出部３４は、図３に示したキーワードＩＤが“１”から“５”のキーワードのそれぞれについて、図５に示すような閾値が設定される。

ｔは、フレームを表す整数であり、フレーム毎に所定値から１ずつ増加する。Ｓ_ｉ（ｔ）は、キーワードＩＤがｉのキーワードについての、フレームがｔにおけるキーワードスコアを表す。

キーワード検出部３４は、フレーム毎に、複数のキーワードのそれぞれについて、キーワードスコアを算出する。第１実施形態においては、キーワード検出部３４は、キーワードＩＤが“１”から“５”までのそれぞれのキーワードについて、フレーム毎にキーワードスコアを算出する。そして、キーワード検出部３４は、算出したキーワードスコアが設定された閾値より大きくなったフレームにおいて、キーワードスコアが閾値より大きくなったキーワードを識別するキーワードＩＤを検出結果として出力する。

図５～図７の例において、キーワード検出部３４は、ｔ＝１３０のフレームからｔ＝１４０のフレームまでのそれぞれにおいて、キーワードスコアを算出している。キーワード検出部３４は、キーワードＩＤが“３”の“でんげんおふ”というキーワードについて、ｔ＝１３６のフレームにおいて、キーワードスコアが極大の４５１となっている。キーワードＩＤが“３”のキーワードの閾値は、３３９であることから、キーワード検出部３４は、ｔ＝１３６のフレームにおいて、“でんげんおふ”というキーワードが音声信号に含まれていると判断する。そして、図７に示すように、キーワード検出部３４は、検出結果として、ｔ＝１３６のフレームにおいて、“でんげんおふ”というキーワードのキーワードＩＤである３を出力している。なお、第１実施形態において、キーワード検出部３４は、何れのキーワードもキーワードスコアが閾値より大きくなっていない場合、検出結果として０を出力する。

図８は、キーワードスコア算出部４６の構成を示す図である。キーワードスコア算出部４６は、ニューラルネットワーク部５２と、探索部５４とを含む。キーワードスコア算出部４６は、複数のキーワードのそれぞれについて、ニューラルネットワーク部５２および探索部５４により、スコア算出モデルに従ったスコア算出処理を実行する。

キーワードは、音声の微小要素の時間遷移を表す有向グラフにより表される。第１実施形態において、有向グラフは、音節列を表す。有向グラフにより表される音節列に含まれる各音節は、３つの状態を表すｌｅｆｔ－ｔｏ－ｒｉｇｈｔの隠れマルコフモデルでモデル化されている。キーワードの音節数をｎ（１以上の整数）とした場合、キーワードを表す有向グラフは、Ｎ個の状態｛ｙ_１，ｙ_２，…，ｙ_Ｎ｝と、Ｎ個の状態のそれぞれの自己遷移と、前段状態から後段状態への状態間遷移とを含む。Ｎは、３×ｎである。例えば、３音節の“あつい”というキーワードは、９個の状態を含む有向グラフにより表される。

ニューラルネットワーク部５２は、フレーム毎に、特徴量生成部４２から、特徴ベクトルを取得する。ニューラルネットワーク部５２は、フレーム毎に、特徴ベクトルに基づき、キーワードを表す有向グラフに含まれる複数の状態のそれぞれについて、音声が対応する状態となる尤度を表す尤度スコアを算出する。

ここで、ｔ番目のフレームにおいて特徴ベクトル（ｘ_ｔ）が取得された場合における、有向グラフに含まれるｑ番目の状態（ｙ_ｑ）の尤度スコアを、ｓｃｏｒｅ（ｘ_ｔ，ｙ_ｑ）と表す。ニューラルネットワーク部５２は、複数のキーワードのそれぞれについて、フレーム毎に、有向グラフに含まれるＮ個の状態｛ｙ_１，ｙ_２，…，ｙ_Ｎ｝のそれぞれの尤度スコアを算出する。

ニューラルネットワーク部５２は、フレーム毎に、ニューラルネットワークに従った演算を実行する。ニューラルネットワークは、一例として、全結合ネットワークである。ニューラルネットワークは、４層の隠れ層を含む。各層は、２５６個のノードを含む。ニューラルネットワークは、活性化関数として、例えば、Ｓｉｇｍｏｉｄ関数が適用される。ニューラルネットワークの出力層は、例えば、全音節に対応する個数のノードと、無音に対応するノードとを含む。ニューラルネットワークの出力層は、活性化関数として、Ｓｏｆｔｍａｘ関数が適用される。ニューラルネットワークは、各パラメータがキーワードモデル記憶部４４に予め設定されている。

そして、ニューラルネットワーク部５２は、複数のキーワードのそれぞれについて、ニューラルネットワークの出力層から得られる尤度スコアを出力する。この場合、ニューラルネットワーク部５２は、ニューラルネットワークの出力層のうちの、キーワードを表す有向グラフに含まれるＮ個の状態｛ｙ_１，ｙ_２，…，ｙ_Ｎ｝に対応する複数のノードから、尤度スコアを出力する。

探索部５４は、フレーム毎に、複数のキーワードのそれぞれについて、有向グラフから、尤度スコアの合計値が最大となる最良系列を探索する。そして、探索部５４は、フレーム毎に、最良系列における尤度スコアの合計値をキーワードスコアとして算出する。

具体的には、探索部５４は、フレーム毎に、式（１）を算出するための探索処理をすることにより、ｉ番目のキーワードのキーワードスコア（Ｓ_ｉ（ｔ））を算出する。

式（１）において、Ｓ_ｉ（ｔ）は、処理対象フレームにおけるｉ番目のキーワードのキーワードスコアを表す。ｔは、処理対象フレームを表す整数であり、フレーム毎に１ずつ増加する。ｂは、処理対象フレームがｔである場合の、有向グラフに含まれる複数の状態における１番目の状態に対応する初期フレームを表す。

Ｑは、有向グラフに含まれる１番目の状態からｔ番目の状態までに至る複数の経路のそれぞれにおける、状態の番号の系列を表す。ｘ_τは、フレームがτにおける特徴ベクトルを表す。ｙ_ｑτは、フレームがτにおける、有向グラフに含まれる複数の状態のうちのｑ番目の状態を表す。ｓｃｏｒｅ（ｘ_τ，ｙ_ｑτ）は、フレームがτにおける、ｑ番目の状態の尤度スコアを表す

探索部５４は、式（１）に示す演算に対応する探索処理として、次のような処理を行う。すなわち、探索部５４は、有向グラフに含まれる１番目の状態からｔ番目の状態までに至る複数の経路うちの、尤度スコアの合計値が最大となる１つの最良経路を選択する。また、探索部５４は、初期フレーム（ｂ）をｔより小さいという条件の下で変化させて、それぞれの初期フレーム（ｂ）についてこのような最良経路を選択する。さらに、探索部５４は、選択したそれぞれの最良経路の尤度スコアの合計値に１／（ｔ－ｂ＋１）を乗算して正規化合計値を算出する。そして、探索部５４は、選択した複数の最良経路の正規化合計値のうちの最も大きい値を、キーワードスコア（Ｓ_ｉ（ｔ））として出力する。

このような処理をすることにより、探索部５４は、フレーム毎に、有向グラフから尤度スコアの合計値が最大となる最良系列を探索し、最良系列における尤度スコアの合計値をキーワードスコアとして算出することができる。探索部５４は、有向グラフから、尤度スコアの合計値が最大となる最良系列を探索する問題を、例えばビタビアルゴリズムを用いて解くことができる。

図９は、第１実施形態に係る閾値生成装置２４の構成を示す図である。閾値生成装置２４は、キーワード検出装置２２による検出動作に先立って、複数のキーワードのそれぞれについて閾値を生成して、キーワード検出装置２２に設定する。

閾値生成装置２４は、取得部６０と、スコア算出部６２と、分布算出部６４と、閾値生成部６６と、設定部６８とを備える。

取得部６０は、予め収集された複数の参照音声を含む入力信号を取得する。第１実施形態において、取得部６０は、複数の雑音を複数の参照音声として含む入力信号を取得する。

スコア算出部６２は、複数の参照音声のそれぞれについて、キーワードとの類似度を表すキーワードスコアを算出する。第１実施形態において、複数の雑音のそれぞれについて、キーワードとの類似度を表すキーワードスコアを算出する。

スコア算出部６２は、複数のキーワードのそれぞれについて、キーワード検出装置２２と同一のスコア算出モデルを用いてキーワードスコア（Ｓ_ｉ（ｔ））を算出する。従って、スコア算出部６２は、図４に示すキーワード検出部３４における閾値記憶部４８および判定部５０を備えない構成と同一である。また、スコア算出部６２は、デジタルに変換された入力信号を取得する場合には、ＡＤ変換部４０をさらに備えない構成と同一である。

そして、スコア算出部６２は、複数のキーワードのそれぞれについて、複数の参照音声に基づき算出した複数のキーワードスコアを含むスコア集合を生成する。第１実施形態においては、スコア算出部６２は、複数のキーワードのそれぞれについて、スコア集合として、複数の雑音に基づき算出した複数のキーワードスコアを含む雑音スコア集合を生成する。

分布算出部６４は、複数のキーワードのそれぞれについて、スコア集合の分布を表すパラメータを算出する。第１実施形態においては、分布算出部６４は、複数のキーワードのそれぞれについて、雑音スコア集合の分布を表すパラメータを算出する。例えば、分布算出部６４は、雑音スコア集合が正規分布に近似するとみなして、雑音スコア集合の分布を表すパラメータとして、平均値および標準偏差を算出する。

閾値生成部６６は、複数のキーワードのそれぞれについて、スコア集合の分布を表すパラメータに基づき、閾値を生成する。閾値生成部６６は、例えば、スコア集合の分布を表すパラメータに基づき、予め定められた確率でスコア集合に含まれるキーワードスコアの方が大きくなる、または、予め定められた確率でスコア集合に含まれるキーワードスコアの方が大きくなる閾値を生成する。第１実施形態においては、閾値生成部６６は、複数のキーワードのそれぞれについて、雑音スコア集合の分布を表すパラメータに基づき、雑音に基づき算出されたキーワードスコアの方が予め定められた確率で小さくなる値を、閾値として生成する。例えば、閾値生成部６６は、複数のキーワードのそれぞれについて、雑音スコア集合の分布を表す平均値および標準偏差に基づき、雑音スコア集合に含まれる大多数のキーワードスコアの方が小さくなる値を閾値として生成する。

設定部６８は、複数のキーワードのそれぞれについて、生成した閾値をキーワード検出装置２２に設定する。

図１０は、第１実施形態に係る閾値生成装置２４の処理の流れを示すフローチャートである。第１実施形態に係る閾値生成装置２４は、図１０に示す流れで閾値を生成する。

まず、Ｓ１０１において、取得部６０は、複数の雑音を複数の参照音声として含む入力信号を取得する。

第１実施形態において、入力信号は、例えばキーワード検出装置２２を用いる環境下、または、キーワード検出装置２２を用いる環境と類似した音響の環境下で収音された音声信号である。第１実施形態において、入力信号は、キーワード検出装置２２を自動車の車内で利用する場合は、例えば車内で収集した音声信号である。また、第１実施形態において、入力信号は、キーワード検出装置２２をリビングルームで利用する場合は、例えば、リビングルームで収集した音声信号である。また、入力信号は、数時間または数十時間といった長期間の音声信号であってもよい。これにより、入力信号は、より多くの多種類の複数の雑音を含むことができる。

続いて、閾値生成装置２４は、複数のキーワードのそれぞれについて、Ｓ１０３からＳ１０６までの処理を実行する（Ｓ１０２とＳ１０７との間のループ処理）。閾値生成装置２４は、Ｓ１０３からＳ１０６までの処理を、複数のキーワードのそれぞれ毎に順次に実行してもよいし、複数のキーワードについて並行に実行してもよい。

ループ内におけるＳ１０３において、スコア算出部６２は、複数の雑音のそれぞれについて、処理対象のキーワードとの類似度を表すキーワードスコア（Ｓ_ｉ（ｔ））を算出する。そして、スコア算出部６２は、複数の雑音に基づき算出した複数のキーワードスコア（Ｓ_ｉ（ｔ））を、処理対象のキーワードについてのスコア集合である雑音スコア集合として記憶する。

例えば、スコア算出部６２は、入力信号にＴ_ｎフレームの雑音が含まれている場合、Ｔ_ｎフレームの雑音のそれぞれのフレーム番号をｔ＝｛１，２，…，Ｔ_ｎ｝に割り当てる。そして、スコア算出部６２は、ｉ番目のキーワードについてＴ_ｎ個のキーワードスコア（Ｓ_ｉ（ｔ））を算出し、算出したＴ_ｎ個のキーワードスコア（Ｓ_ｉ（ｔ））を含むスコア集合を、ｉ番目のキーワードの雑音スコア集合として記憶する。

続いて、Ｓ１０４において、分布算出部６４は、処理対象のキーワードについて、雑音スコア集合の分布を表すパラメータを算出する。例えば、分布算出部６４は、雑音スコア集合が正規分布に近似するとみなして、雑音スコア集合の分布を表すパラメータとして、雑音スコア集合の分布の平均値および標準偏差を算出する。

例えば、分布算出部６４は、式（２）に示す演算をして、ｉ番目のキーワードの雑音スコア集合の平均値（ｍ_ｎｉ）を算出する。

また、例えば、分布算出部６４は、式（３）に示す演算をして、ｉ番目のキーワードの雑音スコア集合の標準偏差（σ_ｎｉ）を算出する。

続いて、Ｓ１０５において、閾値生成部６６は、処理対象のキーワードについて、雑音スコア集合の分布を表すパラメータに基づき閾値を生成する。例えば、閾値生成部６６は、雑音スコア集合の分布を正規分布とみなして、平均値および標準偏差に基づき、雑音スコア集合に含まれるキーワードスコアの方が予め定められた確率で小さくなる値を、閾値として生成する。例えば、閾値生成部６６は、処理対象のキーワードについて、雑音スコア集合の分布を表すパラメータに基づき、雑音スコア集合に含まれる大多数のキーワードスコアの方が小さくなる値を、閾値として生成する。

例えば、閾値生成部６６は、式（４）に示す演算をして、ｉ番目のキーワードの閾値（θ_ｎｉ）を算出する。

なお、閾値生成部６６は、式（４）の値以上の値を閾値（θ_ｎｉ）として生成してもよい。また、式（４）の標準偏差に乗じられる倍率は、５以外であってもよく、正の値の所定の第１倍率（Ａ）であればよい。すなわち、閾値生成部６６は、雑音スコア集合の平均値（ｍ_ｎｉ）と雑音スコア集合の標準偏差（σ_ｎｉ）に所定の第１倍率（Ａ）を乗じた値とを加算した値（ｍ_ｎｉ＋Ａσ_ｎｉ）以上の値を、閾値（θ_ｎｉ）として生成してもよい。

式（４）に示す閾値は、正規分布表から、雑音を入力した場合において算出されるキーワードスコアの方が大きくなる頻度が２．８７×１０^－７程度となる値である。換言すると、式（４）に示す閾値は、２４時間雑音を入力し続けた場合に、キーワードスコアが閾値より大きくなることにより雑音をキーワードとして誤検出してしまう頻度が２．５回程度となる値である。これにより、閾値生成部６６は、ｉ番目のキーワードについて、雑音スコア集合に含まれる大多数のキーワードスコアの方が小さくなる値を、すなわち、雑音スコア集合に含まれる大多数のキーワードスコアが検出されない値を、閾値として生成することができる。

また、閾値生成部６６は、複数のキーワードのそれぞれについて同一の演算によって閾値を生成する。これにより、閾値生成部６６は、複数のキーワードのそれぞれの誤検出確率を一定にすることができる。

続いて、Ｓ１０６において、設定部６８は、生成した閾値をキーワード検出装置２２に設定する。

閾値生成装置２４は、複数のキーワードのそれぞれについて、Ｓ１０３からＳ１０６までの処理を終了した場合、Ｓ１０１とＳ１０７との間のループ処理を抜けて、本フローを終了する。

図１１は、図１０に示す流れで生成された平均値、標準偏差および閾値の一例を示す図である。

閾値生成装置２４は、図１０に示す処理を実行することにより、複数のキーワードのそれぞれについて、個別に閾値を生成する。複数の閾値のそれぞれは、雑音が入力された場合において、キーワードスコア（Ｓ_ｉ（ｔ））の方が予め定められた確率で小さくなる値である。このため、閾値生成装置２４は、複数のキーワードのそれぞれについてこのような閾値を生成することにより、キーワード毎の誤検出確率を一定とすることができる。

図１２は、雑音環境下において、ユーザが、キーワードＩＤが“４”のキーワードである“あつい”と発話した場合におけるキーワードスコアの一例を示す図である。図１３は、図１２に示すキーワードスコアが算出された場合のキーワード検出部３４による検出結果の一例を示す図である。

図１２および図１３に示す例は、エアーコンディショナの送風による雑音またはテレビジョン装置の音声による雑音が発生している環境においての発話を想定している。

ｔ＝３８のフレームにおいて、キーワードＩＤが４のキーワードスコアは、Ｓ_４（３８）＝４５８となり、キーワードＩＤが４の閾値のθ_ｎ４＝４２１より大きい。一方、ｔ＝３７のフレームにおいて、キーワードＩＤが５のキーワードスコアは、Ｓ_５（３７）＝４７１となっており、キーワードＩＤが４の閾値であるＳ_４（３８）＝４５８より大きいが、キーワードＩＤが５の閾値であるθ_ｎ５＝５１２より小さい。もし、キーワードＩＤが“４”の“あつい”と、キーワードＩＤが“５”の“さむい”の閾値が同一である場合、“さむい”が誤って検出されてしまい、正解である“あつい”が検出されないという問題が生じる。

これに対して、第１実施形態に係るキーワード検出装置２２は、雑音に対するキーワードスコアの分布である雑音スコア分布に基づいて、キーワード毎に、誤検出を抑制するように閾値が設定されている。従って、第１実施形態に係るキーワード検出装置２２は、誤検出を抑制しつつ、正解を精度良く検出することができる。

以上のように第１実施形態に係る閾値生成装置２４によれば、ユーザに調整処理をさせることなく、キーワード検出装置２２に対して適切にキーワードを検出させることが可能な閾値を生成することができる。

（変形例）
図１４は、第１実施形態の変形例に係るキーワード検出部３４の構成を示す図である。

キーワード検出装置２２のキーワード検出部３４は、図４に示す構成に代えて、図１４に示す構成であってもよい。変形例に係るキーワード検出部３４は、閾値記憶部４８に記憶されている閾値が、判定部５０に代えて、キーワードスコア算出部４６に与えられる。以下、変形例について、図１から図１３を参照して説明した第１実施形態に含まれる構成要素と略同一の機能および構成を有する構成要素に同一の符号を付けて、相違点について説明する。

変形例において、キーワード検出部３４は、閾値を予め減算したキーワードスコアを算出する。そして、変形例において、判定部５０は、複数のキーワードのそれぞれについて、受け取ったキーワードスコアと０とを比較することにより、音声信号に対応するキーワードが含まれているか否かを検出する。これにより、変形例においても、判定部５０は、キーワードスコアと対応する閾値との比較結果に基づき、音声信号に対応するキーワードが含まれているか否かを検出することができる。

より具体的には、キーワード検出部３４の探索部５４は、フレーム毎に、式（５）の演算を算出するための探索処理をすることにより、ｉ番目のキーワードについて、予め閾値を減算した後のキーワードスコア（Ｓ_ｉ（ｔ））を算出する。

変形例に係る探索部５４は、式（５）に示す演算に対応する探索処理として、次のような処理を行う。すなわち、探索部５４は、有向グラフに含まれる１番目の状態からＮ番目の状態までに至る複数の経路うちの、尤度スコアから閾値を減算した減算尤度スコアの合計値が最大となる、１つの最良経路を選択する。さらに、探索部５４は、初期フレーム（ｂ）をｔより小さいという条件の下で変化させて、それぞれの初期フレーム（ｂ）についてこのような最良経路を選択する。そして、探索部５４は、選択した複数の最良経路の減算尤度スコアの合計値のうちの最も大きい値を、キーワードスコア（Ｓ_ｉ（ｔ））として出力する。

式（５）は、尤度スコアの合計値に１／（ｔ－ｂ＋１）を乗算する演算を含まない。従って、探索部５４は、最良系列の探索を、初期フレーム（ｂ）の位置に関わらず独立に逐次的に行うことが可能となる。これにより、探索部５４は、式（１）の演算に探索処理を実行する場合と比較して、式（５）の演算に相当する探索処理を少ない計算量で実行することができる。

また、Ｓ１０３の処理において、閾値生成装置２４は、式（５）の演算に相当する探索処理をすることにより、キーワードスコア（Ｓ_ｉ（ｔ））を算出してもよい。なお、この場合、閾値生成装置２４は、探索処理の開始時において、複数のキーワードのそれぞれについて、閾値の初期値を設定する。複数のキーワードのそれぞれの閾値の初期値は、共通であってもよい。そして、閾値生成装置２４は、Ｓ１０５の処理において、閾値生成装置２４は、分布に基づき算出した閾値に、初期値を加算することにより、最終的な閾値を生成する。これにより、閾値生成装置２４は、少ない計算量により閾値を生成することができる。

また、第１実施形態に係る閾値生成装置２４は、複数のキーワードのそれぞれ毎にキーワードスコア（Ｓ_ｉ（ｔ））を算出し、複数のキーワードのそれぞれ毎に、キーワードスコアの分布を生成している。これに代えて、閾値生成装置２４は、キーワードを表す有向グラフに含まれる複数の状態のそれぞれ毎に尤度スコアの分布を生成してもよい。そして、閾値生成装置２４は、複数の状態のそれぞれの尤度スコアの分布に基づきキーワードスコアの分布を生成してもよい。この場合、閾値生成装置２４は、ニューラルネットワークから得られた全ての状態のそれぞれの尤度スコアの分布を生成し、これらの分布うちのキーワードに含まれる複数の状態についての尤度スコアの分布を選択してもよい。これにより、閾値生成装置２４は、キーワードが変更された場合において、再度の探索処理を実行せずに新たなキーワードに対する閾値を簡易に生成することができる。

第１実施形態において、キーワード検出装置２２は、５個のキーワードが設定されている。しかし、キーワード検出装置２２は、１個以上であれば、何個のキーワードが設定されていてもよい。第１実施形態において、キーワード検出装置２２は、特徴ベクトルとして、メルフィルタバンク特徴ベクトルを生成する。しかし、キーワード検出装置２２は、メルフィルタバンク特徴ベクトル以外の特徴ベクトルを生成してもよい。

また、第１実施形態において、キーワードは、複数の音節の列を表す有向グラフである。キーワードは、音素、２音素連鎖、３音素連鎖、サブワードまたはワード等の、種々の微小要素の遷移を表すグラフにより表されてもよい。また、キーワードは、これらの微小要素を、所定個ずつクラスタリングした単位により表されてもよい。

また、第１実施形態において、キーワード検出装置２２は、ニューラルネットワークを用いて、各状態の尤度スコアを算出している。しかし、キーワード検出装置２２は、混合ガウス分布モデルなど他のモデルを用いて、各状態の尤度スコアを算出してもよい。また、第１実施形態において、キーワード検出装置２２は、ニューラルネットワークとして、活性化関数にＳｉｇｍｏｉｄ関数を用いた全結合ネットワークを用いる。しかし、キーワード検出装置２２は、畳込みニューラルネットワークまたは再帰型ニューラルネットワークを用いてもよい。また、キーワード検出装置２２は、活性化関数として、TanhまたはＲｅＬＵ等の他の関数を用いてもよい。

閾値生成装置２４は、式（４）において、標準偏差の５倍を平均値に加えた値を、閾値として算出する。しかし、閾値生成装置２４は、５倍以外の倍数の標準偏差を平均値に加えて閾値を算出してもよい。閾値生成装置２４の設計者は、キーワードの誤検出の制約条件等に基づき、式（４）に適切な倍数を設定すればよい。また、閾値生成装置２４は、キーワードスコアの分布を正規分布みなして、閾値を設定している。しかし、閾値生成装置２４は、キーワードスコアの分布を正規分布以外の分布とみなして、分布のパラメータを算出してもよい。また、閾値生成装置２４は、キーワードスコアの分布のパラメータとして、分布に含まれるキーワードスコアの最大値または累積度数が所定の値等を用いて、閾値を生成してもよい。

（第２実施形態）
つぎに、第２実施形態に係る音声操作システム１０について説明する。第２実施形態に係る音声操作システム１０は、第１実施形態に係る音声操作システム１０と略同一の機能および構成を有するので、以下、略同一の構成要素に同一の符号を付けて、相違点を除き詳細な説明を省略する。

図１５は、第２実施形態に係る閾値生成装置２４の処理の流れを示すフローチャートである。第２実施形態に係る閾値生成装置２４は、図１５に示す流れで閾値を生成する。

閾値生成装置２４は、複数のキーワードのそれぞれについて、Ｓ２０２からＳ２０６までの処理を実行する（Ｓ２０１とＳ２０７との間のループ処理）。

ループ内における、Ｓ２０２において、取得部６０は、１または複数の発話者がキーワードを発話した複数のキーワード音声を、複数の参照音声として含む入力信号を取得する。複数のキーワード音声は、キーワードを発話した発話者の数が多い方が望ましい。また、複数のキーワード音声は、それぞれの発話者の発話回数が多い方が好ましい。また、入力信号は、例えばキーワード検出装置２２を用いる環境下、または、キーワード検出装置２２を用いる環境と類似した音響の環境下で、発話者がキーワードを発話することにより収音された音声信号であることが好ましい。

続いて、Ｓ２０３において、スコア算出部６２は、複数のキーワード音声のそれぞれについて、処理対象のキーワードとの類似度を表すキーワードスコア（Ｓ_ｉ（ｋ））を算出する。スコア算出部６２は、発話者が１回のキーワード音声を発話した場合に、フレーム毎にキーワードスコア（Ｓ_ｉ（ｋ））を算出する。１回のキーワード音声が発話された場合、スコア算出部６２は、発話が開始されてから終了するまでの間における複数のフレームのそれぞれにおいてキーワードスコアを算出する。そこで、スコア算出部６２は、１つのキーワード音声の発話毎に、算出した複数のキーワードスコア（Ｓ_ｉ（ｋ））のうちの最大のキーワードスコア（Ｓ_ｉ（ｋ））を出力する。

スコア算出部６２は、複数のキーワード音声に基づき算出した複数のキーワードスコア（Ｓ_ｉ（ｋ））を、処理対象のキーワードについてのスコア集合である発話スコア集合として記憶する。例えば、スコア算出部６２は、入力信号にＫ個のキーワード音声が含まれている場合、Ｋ個のキーワード音声のそれぞれのフレーム番号をｋ＝｛１，２，…，Ｋ｝に割り当てる。そして、スコア算出部６２は、ｉ番目のキーワードについてＫ個のキーワードスコア（Ｓ_ｉ（ｋ））を算出し、算出したＫ個のキーワードスコア（Ｓ（ｋ））を含むスコア集合を、ｉ番目のキーワードの発話スコア集合として記憶する。

続いて、Ｓ２０４において、分布算出部６４は、処理対象のキーワードについて、発話スコア集合の分布を表すパラメータを算出する。例えば、分布算出部６４は、発話スコア集合が正規分布に近似するとみなして、発話スコア集合の分布を表すパラメータとして、発話スコア集合の分布の平均値および標準偏差を算出する。

例えば、分布算出部６４は、式（６）に示す演算をして、ｉ番目のキーワードの発話スコア集合の平均値（ｍ_ｕｉ）を算出する。

また、例えば、分布算出部６４は、式（７）に示す演算をして、ｉ番目のキーワードの発話スコア集合の標準偏差（σ_ｕｉ）を算出する。

続いて、Ｓ２０５において、閾値生成部６６は、処理対象のキーワードについて、発話スコア集合の分布を表すパラメータに基づき閾値を生成する。例えば、閾値生成部６６は、発話スコア集合の分布を正規分布とみなして、平均値および標準偏差に基づき、発話スコア集合に含まれるキーワードスコアの方が予め定められた確率で大きくなる値を、閾値として生成する。例えば、閾値生成部６６は、ｉ番目のキーワードについて、発話スコア集合に含まれる大多数のキーワードスコアの方が大きくなる値を閾値として生成する。

例えば、閾値生成部６６は、式（８）に示す演算をして、ｉ番目のキーワードの閾値（θ_ｕｉ）を算出する。

なお、閾値生成部６６は、式（８）の値以下の値を閾値（θ_ｕｉ）として生成してもよい。また、式（８）の標準偏差に乗じられる倍率は、３以外であってもよく、正の値の所定の第２倍率（Ｂ）であればよい。すなわち、閾値生成部６６は、発話スコア集合の平均値（ｍ_ｕｉ）から発話スコア集合の標準偏差（σ_ｕｉ）に所定の第２倍率（Ｂ）を乗じた値を減じた値（ｍ_ｕｉ－Ｂσ_ｕｉ）以下の値を、閾値（σ_ｕｉ）として生成してもよい。

式（８）に示す閾値は、正規分布表から、キーワード音声を入力した場合において算出されるキーワードスコアの方が小さくなる頻度が０．００１３５程度となる値である。換言すると、式（８）に示す閾値は、１０００回キーワードが発話された場合に、キーワードスコアが閾値より小さくなることによりキーワード音声が未検出となる頻度が１．４回程度となる値である。これにより、閾値生成部６６は、ｉ番目のキーワードについて、発話スコア集合に含まれる大多数のキーワードスコアの方が大きくなる値を、すなわち、発話スコア集合に含まれる大多数のキーワードスコアが検出される値を、閾値として生成することができる。

また、閾値生成部６６は、複数のキーワードのそれぞれについて同一の演算によって閾値を生成する。これにより、閾値生成部６６は、複数のキーワードのそれぞれの未検出確率を一定にすることができる。

続いて、Ｓ２０６において、設定部６８は、生成した閾値をキーワード検出装置２２に設定する。

閾値生成装置２４は、複数のキーワードのそれぞれについて、Ｓ２０２からＳ２０６までの処理を終了した場合、Ｓ２０１とＳ２０７との間のループ処理を抜けて、本フローを終了する。

図１６は、図１５に示す流れで生成された平均値、標準偏差および閾値の一例を示す図である。

閾値生成装置２４は、図１５に示す処理を実行することにより、複数のキーワードのそれぞれについて、個別に閾値を生成する。複数の閾値のそれぞれは、キーワード音声が入力された場合において、キーワードスコア（Ｓ_ｉ（ｋ））の方が予め定められた確率で大きくなる値である。このため、第２実施形態に係る閾値生成装置２４は、複数のキーワードのそれぞれについてこのような閾値を生成することにより、キーワード毎の未検出確率を一定とすることができる。

以上のように第２実施形態に係る閾値生成装置２４によれば、ユーザに調整処理をさせることなく、キーワード検出装置２２に対して適切にキーワードを検出させることが可能な閾値を生成することができる。

なお、閾値生成装置２４は、式（８）における閾値（θ_ｕｉ）の算出において、標準偏差の３倍を平均値から減じた値を閾値として算出する。しかし、閾値生成装置２４は、３倍以外の倍数の標準偏差を平均値から減じて閾値を算出してもよい。閾値生成装置２４の設計者は、キーワードの未検出の制約条件等に基づき、式（８）に適切に倍数を設定すればよい。

また、第２実施形態に係る閾値生成装置２４は、ユーザが発話したキーワード音声を収音して入力信号を準備する。しかし、閾値生成装置２４は、音節ラベルが付与された任意の内容の発話データを大量に準備して、キーワードを構成する状態毎のスコアを生成し、状態毎のスコアの分布を算出し、状態毎のスコア分布からキーワードスコア分布を生成してもよい。このような閾値生成装置２４は、キーワード音声の収音が不要であるため、キーワード音声を収集するコストが削減され、キーワードが変更された場合でも短時間に閾値を生成することができる。

（第３実施形態）
つぎに、第３実施形態に係る音声操作システム１０について説明する。第３実施形態に係る音声操作システム１０は、第１～第２実施形態に係る音声操作システム１０と略同一の機能および構成を有するので、以下、略同一の構成要素に同一の符号を付けて、相違点を除き詳細な説明を省略する。

図１７は、第３実施形態に係る閾値生成装置２４の処理の流れを示すフローチャートである。第３実施形態に係る閾値生成装置２４は、図１７に示す流れで閾値を生成する。

まず、閾値生成装置２４は、Ｓ１０１、Ｓ１０２、Ｓ１０３、Ｓ１０４、Ｓ１０５およびＳ１０７の処理を実行する。Ｓ１０１、Ｓ１０２、Ｓ１０３、Ｓ１０４、Ｓ１０５およびＳ１０７の処理は、図１０に示した第１実施形態の処理と同一である。ただし、第３実施形態においては、Ｓ１０５で生成した閾値を、雑音閾値と呼ぶ。

続いて、閾値生成装置２４は、Ｓ２０１、Ｓ２０２、Ｓ２０３、Ｓ２０４、Ｓ２０５およびＳ２０７の処理を実行する。Ｓ２０１、Ｓ２０２、Ｓ２０３、Ｓ２０４、Ｓ２０５およびＳ２０７の処理は、図１５に示した第２実施形態の処理と同一である。ただし、第３実施形態においては、Ｓ２０５で生成した閾値を、発話閾値と呼ぶ。

続いて、閾値生成装置２４は、複数のキーワードのそれぞれについて、Ｓ３０２からＳ３０４までの処理を実行する（Ｓ３０１とＳ３０５との間のループ処理）。

ループ内のＳ３０２において、閾値生成部６６は、処理対象のキーワードについて、Ｓ１０５で生成した雑音閾値（θ_ｎｉ）と、Ｓ２０５で生成した発話閾値（θ_ｕｉ）との間の値を、閾値として生成する。例えば、閾値生成部６６は、式（９）の演算をして、雑音閾値と発話閾値との中間値を閾値（θ_ｎｕｉ）として生成する。

このような処理により閾値生成部６６は、雑音スコア分布に基づき生成した雑音閾値および発話スコア分布に基づき生成した発話閾値を用いることにより、誤検出頻度および未検出頻度のバランスがとれた閾値を生成することができる。

続いて、Ｓ３０３において、閾値生成装置２４は、Ｓ３０２で生成した閾値と、Ｓ１０３で生成した雑音スコア集合とに基づき誤検出確率または誤検出頻度を評価値として算出する。または、閾値生成装置２４は、Ｓ３０２で生成した閾値と、Ｓ２０３で生成した発話スコア集合とに基づき未検出確率または誤検出頻度を評価値として算出する。例えば、閾値生成装置２４は、（θ_ｎｕｉ－ｍ_ｎｉ）／σ_ｎｉの値から正規分布表に基づいて雑音が入力された場合に誤検出確率を算出し、２４時間当たりの誤検出頻度を算出してもよい。また、例えば、閾値生成装置２４は、（ｍ_ｕｉ－θ_ｎｕｉ）／σ_ｕｉの値から正規分布表に基づいてキーワード音声が発話された場合に未検出となる未検出確率を算出してもよい。そして、閾値生成装置２４は、このように算出した評価値の少なくとも１つを、例えばモニタ等に表示することによりユーザに出力する。

続いて、Ｓ３０４において、設定部６８は、生成した閾値をキーワード検出装置２２に設定する。

閾値生成装置２４は、複数のキーワードのそれぞれについて、Ｓ３０２からＳ３０４までの処理を終了した場合、Ｓ３０１とＳ３０５との間のループ処理を抜けて、本フローを終了する。

図１８は、図１７に示す流れで生成された平均値、標準偏差、閾値、誤検出頻度および未検出確率の一例を示す図である。

図１８のＦＡ_２４は、２４時間当たりの誤検出頻度である。図１８のＦＲは、キーワードの未検出確率（％）である。

図１８の例において、キーワードＩＤが５のキーワードである“さむい”は、θ_ｕ５＜θ_ｎ５であることから、θ_ｕｎ５＜θ_ｎ５およびθ_ｕ５＜θ_ｕｎ５となっている。従って、キーワードＩＤが５のキーワードである“さむい”は、第１実施形態のθ_ｎｉ＝ｍ_ｎｉ＋５θ_ｎｉにより設定される誤検出確率、および、第２実施形態のθ_ｕｉ＝ｍ_ｕｉ－３θ_ｕｉにより設定される未検出確率の制約条件を満たすことができない。

このため、キーワードＩＤが５のキーワードである“さむい”は、ＦＡ_２４が５４．１回、ＦＲが２７．４％となっていると推定される。他のキーワードは、θ_ｎ５＜θ_ｕｎ５およびθ_ｕ５＜θ_ｕ５となっていることから、誤検出確率および未検出確率の制約が満たされ、さらに誤りが減少してほぼゼロになると推定される。

第３実施形態に係る閾値生成装置２４は、このような評価値をユーザに提示することにより、ユーザにキーワードの見直しを促すことができる。例えば、第３実施形態に係る閾値生成装置２４は、“さむい”の代わりに“おんどあげて”等の、エーコンディショナに対して同様の動作を指示する別の言葉に変更することを促すことができる。これにより、閾値生成装置２４は、キーワード検出装置２２の検出精度を向上させて、ユーザの使い勝手を改善することができる。

なお、閾値生成装置２４は、評価値として、２４時間当たりの誤検出頻度（ＦＡ_２４）およびキーワードの未検出確率（ＦＲ）をユーザに出力する例を示したが、これら以外の値を算出してユーザに提示してもよい。また、閾値生成装置２４は、評価値を所定の基準に基づいて「高」「中」「低」などの定性的な指標に変換して出力してもよい。

（第４実施形態）
つぎに、第４実施形態に係る音声操作システム１０について説明する。第４実施形態に係る音声操作システム１０は、第１～第３実施形態に係る音声操作システム１０と略同一の機能および構成を有するので、以下、略同一の構成要素に同一の符号を付けて、相違点を除き詳細な説明を省略する。

例えば、キーワード検出装置２２に設定されるキーワードの数が多い場合、または、複数のキーワードの中に類似のキーワード対が含まれている場合、発話されたキーワードが他のキーワードとして誤検出される可能性が高くなる。例えば、“でんげんおふ”と“でんげんおん”は、音節が一致する部分が多く、誤検出される可能性が高い。第４実施形態に係る閾値生成装置２４は、このようなキーワードが類似することに起因する誤検出を抑制しつつ、正解検出の精度を向上させるように閾値を設定する。

図１９は、第４実施形態に係る閾値生成装置２４の処理の流れを示すフローチャートである。第４実施形態に係る閾値生成装置２４は、図１９に示す流れで閾値を生成する。

Ｓ４０１において、取得部６０は、１または複数の発話者が第１キーワードを発話した複数の第１キーワード音声を、複数の参照音声として含む入力信号を取得する。第１キーワードは、キーワード検出装置２２に設定される複数のキーワードのうちの何れか１つのキーワードである。Ｓ４０１において、取得部６０は、第１キーワードについて、第２実施形態の図１５のＳ２０２と同様の処理を実行する。

Ｓ４０２において、スコア算出部６２は、複数の第１キーワード音声のそれぞれについて、第１キーワードとの類似度を表す第１キーワードスコア（Ｓ_ｉ（ｋ））を算出する。そして、スコア算出部６２は、算出した複数のキーワードスコア（Ｓ_ｉ（ｋ））を、第１キーワードについての正検出スコア集合として記憶する。Ｓ４０２において、スコア算出部６２は、第１キーワードについて、第２実施形態の図１５のＳ２０３と同様の処理を実行する。

続いて、Ｓ４０３において、分布算出部６４は、第１キーワードについて、正検出スコア集合の分布を表すパラメータを算出する。Ｓ４０３において、分布算出部６４は、第１キーワードについて、第２実施形態の図１５のＳ２０４と同様の処理を実行する。

続いて、Ｓ４０４において、閾値生成部６６は、第１キーワードについて、正検出スコア集合の分布を表すパラメータに基づき正検出閾値を生成する。例えば、閾値生成部６６は、正検出スコア集合の分布を正規分布とみなして、平均値および標準偏差に基づき、正検出スコア集合に含まれるキーワードスコアの方が予め定められた確率で大きくなる値を、正検出閾値として生成する。Ｓ４０４において、閾値生成部６６は、第１キーワードについて、第２実施形態の図１５のＳ２０５と同様の処理を実行する。

続いて、閾値生成装置２４は、第１キーワードとは異なる１または複数の第２キーワードのそれぞれについて、Ｓ４０６からＳ４０９までの処理を実行する（Ｓ４０５とＳ４１０との間のループ処理）。１または複数の第２キーワードのそれぞれは、キーワード検出装置２２に設定される複数のキーワードのうちの何れか１つのキーワードである。例えば、１または複数の第２キーワードのそれぞれは、発話された場合に第１キーワードとして誤検出がされる可能性が高いキーワードである。

ループ内における、Ｓ４０６において、取得部６０は、１または複数の発話者が処理対象の第２キーワードを発話した複数の第２キーワード音声を、複数の参照音声として含む入力信号を取得する。Ｓ４０６において、取得部６０は、処理対象の第２キーワードについて、第２実施形態の図１５のＳ２０２と同様の処理を実行する。

Ｓ４０７において、スコア算出部６２は、複数の第２キーワード音声のそれぞれについて、第１キーワードとの類似度を表す第２キーワードスコア（Ｓ_ｉｊ（ｋ））を算出する。そして、スコア算出部６２は、複数のキーワード音声に基づき算出した複数の第２キーワードスコア（Ｓ_ｉｊ（ｋ））を、処理対象の第２キーワードについてのスコア集合である誤検出スコア集合として記憶する。

例えば、スコア算出部６２は、入力信号にＫ個の第２キーワード音声が含まれている場合、Ｋ個のキーワード音声のそれぞれのフレーム番号をｋ＝｛１，２，…，Ｋ｝に割り当てる。スコア算出部６２は、ｊ番目の第２キーワードについてＫ個の第２キーワードスコア（Ｓ_ｉｊ（ｋ））を算出する。そして、スコア算出部６２は、算出したＫ個の第２キーワードスコア（Ｓ_ｉｊ（ｋ））を含むスコア集合を、ｊ番目の第２キーワードについての誤検出スコア集合として記憶する。

続いて、Ｓ４０８において、分布算出部６４は、処理対象の第２キーワードについて、誤検出スコア集合の分布を表すパラメータを算出する。例えば、分布算出部６４は、誤検出スコア集合が正規分布に近似するとみなして、誤検出スコア集合の分布を表すパラメータとして、誤検出スコア集合の分布の平均値および標準偏差を算出する。

例えば、分布算出部６４は、式（１０）に示す演算をして、ｊ番目の第２キーワードについての誤検出スコア集合の平均値（ｍ_ｕｉｊ）を算出する。

また、例えば、分布算出部６４は、式（１１）に示す演算をして、ｊ番目の第２キーワードについての誤検出スコア集合の標準偏差（σ_ｕｉｊ）を算出する。

続いて、Ｓ４０９において、閾値生成部６６は、処理対象の第２キーワードについて、誤検出スコア集合の分布を表すパラメータに基づき誤検出閾値を生成する。例えば、閾値生成部６６は、誤検出スコア集合の分布を正規分布とみなして、平均値および標準偏差に基づき、誤検出スコア集合に含まれる第２キーワードスコアの方が予め定められた確率で小さくなる値を、誤検出閾値として生成する。例えば、閾値生成部６６は、誤検出スコア集合に含まれる大多数の第２キーワードスコアの方が小さくなる値を、誤検出閾値として生成する。

例えば、閾値生成部６６は、式（１２）に示す演算をして、処理対象の第２キーワードの誤検出閾値（θ_ｕｉｊ）を算出する。

閾値生成装置２４は、１または複数の第２キーワードのそれぞれについて、Ｓ４０６からＳ４０９までの処理を終了した場合、Ｓ４０５とＳ４１０との間のループ処理を抜ける。

続いて、Ｓ４１１において、閾値生成部６６は、１または複数の第２キーワードのそれぞれについて算出した誤検出閾値（θ_ｕｉｊ）のうちの最大となる最大誤検出閾値（ｍａｘθ_ｕｉｊ）を選択する。

続いて、Ｓ４１２において、閾値生成部６６は、Ｓ４０４で算出した正検出閾値（θ_ｕｉ）と、Ｓ４１２で選択した最大誤検出閾値（ｍａｘθ_ｕｉｊ）との間の値を、第１キーワードについての閾値（θ_ｉ）として生成する。例えば、閾値生成部６６は、式（１３）の演算をして、正検出閾値と最大誤検出閾値との中間値を閾値（θ_ｉ）として算出する。

続いて、Ｓ４１３において、設定部６８は、生成した閾値をキーワード検出装置２２に設定する。

閾値生成装置２４は、Ｓ４１３の処理を終了した場合、第１キーワードの閾値の生成処理を終了する。

このような閾値生成装置２４は、正検出閾値が最大の誤検出閾値より大きいことを条件として、第１キーワードの未検出確率を予め定められた確率より小さくすることができるとともに、第１キーワードと最も誤検出しやすい第２キーワードの誤検出確率を予め定められた確率より小さくすることができる。例えば、閾値生成装置２４は、第１キーワード（例えば“だんぼー”）を１０００回発話した場合の未検出頻度を１．４回程度以下に抑えられるとともに、第１キーワードに最も類似する第２キーワード（例えば“れーぼー”）を１０００回発話した場合の誤検出頻度を１．４回程度以下に抑えられる。

また、閾値生成装置２４は、正検出閾値が最大の誤検出閾値以下である場合、対象の第２キーワードを、第１キーワードと誤検出される可能性が高いことをユーザに出力してもよい。これにより、閾値生成装置２４は、対象の第２キーワードの変更を促すことができる。

以上のような、第４実施形態に係る閾値生成装置２４によれば、互いに誤検出が生じないような複数のキーワードをキーワード検出装置２２に設定させることができる。

なお、第４実施形態に係る閾値生成装置２４は、ユーザが発話したキーワード音声を収音して入力信号を準備する。しかし、閾値生成装置２４は、音節ラベルが付与された任意の内容の発話データを大量に準備して、キーワードを構成する状態毎のスコアを生成し、状態毎のスコアの分布を算出し、状態毎のスコア分布からキーワードスコア分布を生成してもよい。このような閾値生成装置２４は、キーワード音声の収音が不要であるため、キーワード音声を収集するコストが削減され、キーワードが変更された場合でも短時間に閾値を生成することができる。

（第５実施形態）
つぎに、第５実施形態に係る音声操作システム１０について説明する。第５実施形態に係る音声操作システム１０は、第１実施形態に係る音声操作システム１０と略同一の機能および構成を有するので、以下、略同一の構成要素に同一の符号を付けて、相違点を除き詳細な説明を省略する。

第５実施形態に係る音声操作システム１０は、閾値生成装置２４を備えない構成であってもよい。音声操作システム１０が閾値生成装置２４を備えない場合、キーワード検出装置２２は、複数のキーワードのそれぞれについて、予め閾値の初期値が設定されている。そして、第４実施形態に係るキーワード検出装置２２は、音声信号にキーワードが含まれているか否かを検出する検出動作中において、複数のキーワードのそれぞれについて、閾値を更新する。

図２０は、第５実施形態に係るキーワード検出部３４の構成を示す図である。

第５実施形態に係るキーワード検出部３４は、図９に示した第１実施形態に係るキーワード検出部３４と比較して、キーワードスコア取得部８２と、分布算出部６４と、閾値生成部６６と、更新部８４とをさらに備える。

キーワードスコア取得部８２は、音声信号にキーワードが含まれているか否かを検出する検出動作中において、複数のキーワードのそれぞれについて、音声信号に雑音が含まれているフレームにおけるキーワードスコアを、キーワードスコア算出部４６から取得する。すなわち、キーワードスコア取得部８２は、検出動作中において、複数のキーワードのそれぞれについて、キーワード音声が発話されていない期間における各フレームのキーワードスコアを、キーワードスコア算出部４６から取得する。

例えば、キーワードスコア取得部８２は、判定部５０における判定結果に基づき、キーワードが検出されたフレームにおける前後の所定個のフレームにおいて、キーワード検出部３４から出力されたキーワードを取得しないようにしてもよい。これにより、キーワードスコア取得部８２は、キーワード音声が発話されたことの影響を受けずに、雑音に基づくキーワードスコアを取得することができる。

分布算出部６４は、複数のキーワードのそれぞれについて、キーワードスコア取得部８２により取得されたキーワードスコアを順次に受け取る。そして、分布算出部６４は、複数のキーワードのそれぞれについて、音声信号に雑音が含まれているフレームにおける複数のキーワードスコアを含む雑音スコア集合の分布を表すパラメータを生成する。

第５実施形態において、分布算出部６４は、複数のキーワードのそれぞれについて、キーワードスコアを受け取る毎に、雑音スコア集合の平均値および標準偏差を更新する。例えば、分布算出部６４は、式（１４）に示す演算をして、ｔ番目のフレームにおける、ｉ番目のキーワードについての雑音スコア集合の平均値（ｍ_ｎｉ（ｔ））を算出する。

なお、ｍ_ｎｉ（ｔ－１）は、ｔ番目のフレームの直前におけるｉ番目のキーワードについての雑音スコア集合の平均値を表す。Ｓ_ｉ（ｔ）は、ｔ番目のフレームにおいて取得されたｉ番目のキーワードについてのキーワードスコアである。

また、αは、０より大きく１より小さい実数である。例えば、αは、０．９等の実数であってよい。また、ｍ_ｎｉ（ｔ－１）は、検出動作の開始前において初期値が設定される。ｍ_ｎｉ（ｔ－１）の初期値は、０であってもよいし、他の所定値であってもよい。

また、例えば、分布算出部６４は、式（１５）および式（１６）に示す演算をして、ｔ番目のフレームにおける、ｉ番目のキーワードについての雑音スコア集合の標準偏差（σ_ｎｉ（ｔ））を算出する。

Ｖ_ｎｉ（ｔ）は、ｔ番目のフレームにおけるｉ番目のキーワードについての雑音スコア集合の分散を表す。Ｖ_ｎｉ（ｔ－１）は、ｔ番目のフレームの直前におけるｉ番目のキーワードについての雑音スコア集合の分散を表す。Ｖ_ｎｉ（ｔ－１）の初期値は、０であってもよいし、他の所定値であってもよい。

分布算出部６４は、式（１４）～式（１６）を用いた演算をすることにより、指数移動平均処理により平均値および標準偏差を算出することができる。

閾値生成部６６は、複数のキーワードのそれぞれについて、雑音スコア集合の分布を表すパラメータに基づき、新たな閾値を生成する。例えば、閾値生成部６６は、雑音スコア集合の分布を正規分布とみなして、複数のキーワードのそれぞれについて、平均値および標準偏差に基づき、雑音スコア集合に含まれるキーワードスコアの方が予め定められた確率で小さくなる値を、閾値として生成する。

例えば、閾値生成部６６は、式（１７）に示す演算をして、ｔ番目のフレームにおけるｉ番目のキーワードの閾値（θ_ｎｉ（ｔ））を算出する。

更新部８４は、予め定められた期間毎に、複数のキーワードのそれぞれについて、キーワードスコアとの比較に用いる閾値を、閾値生成部６６が生成した新たな閾値に更新する。第５実施形態においては、更新部８４は、閾値記憶部４８に記憶された閾値を、閾値生成部６６が生成した新たな閾値に書き換える。予め定められた期間は、フレームであってもよいし、フレームよりも長い期間であってもよい。

このような第５実施形態に係るキーワード検出装置２２は、音声信号にキーワードが含まれているか否かを検出する検出動作中における音声信号に含まれる雑音に基づいて、閾値を随時に更新する。これにより、第５実施形態に係るキーワード検出装置２２によれば、実際の雑音環境に即した適切な閾値を設定することができる。

なお、閾値生成部６６は、式（１７）において、標準偏差の５倍を平均値に加えた値を閾値として算出する。しかし、閾値生成部６６は、５倍以外の倍数の標準偏差を平均値に加えて閾値を算出してもよい。閾値生成部６６の設計者は、キーワードの誤検出の制約条件等に基づき、式（１７）に適切に倍数を設定すればよい。また、分布算出部６４は、指数移動平均処理により平均値および標準偏差を算出したが、所定のフレーム数毎のブロックに区切り、各ブロックにおける雑音スコア集合に基づき平均値および標準偏差を算出してもよい。また、分布算出部６４は、所定のフレーム数の窓枠での移動平均処理により、平均値および標準偏差を算出してもよい。また、閾値生成部６６は、閾値が極端に大きくなったり小さくなったりしないように、上限値および下限値を設定してクリッピングしてもよい。

（第６実施形態）
つぎに、第６実施形態に係る音声操作システム１０について説明する。第６実施形態に係る音声操作システム１０は、第１実施形態の変形例に係る音声操作システム１０、および、第５実施形態に係る音声操作システム１０と略同一の機能および構成を有するので、以下、略同一の構成要素に同一の符号を付けて、相違点を除き詳細な説明を省略する。

図２１は、第６実施形態に係るキーワード検出部３４の構成を示す図である。

第６実施形態に係るキーワード検出部３４は、図１４に示した第１実施形態の変形例に係るキーワード検出部３４と比較して、キーワードスコア取得部８２と、分布算出部６４と、閾値生成部６６と、更新部８４とをさらに備える。

キーワードスコア取得部８２および分布算出部６４は、第５実施形態の構成と同一である。

閾値生成部６６は、複数のキーワードのそれぞれについて、雑音スコア集合の分布を表すパラメータに基づき、閾値の修正値を生成する。例えば、閾値生成部６６は、式（１８）に示す演算をして、ｔ番目のフレームにおけるｉ番目のキーワードの閾値の修正値（δ_ｎｉ（ｔ））を算出する。

更新部８４は、閾値記憶部４８に記憶された直前の閾値を読み出して、読み出した閾値を修正値に基づき更新して、閾値記憶部４８に書き戻す。例えば、更新部８４は、式（１９）に示す演算をして、ｔ番目のフレームにおけるｉ番目のキーワードの閾値（θ_ｎｉ（ｔ））を更新する。

なお、θ_ｎｉ（ｔ－１）は、ｔ番目のフレームの直前におけるｉ番目のキーワードの閾値を表す。

このような第６実施形態に係るキーワード検出装置２２は、音声信号にキーワードが含まれているか否かを検出する検出動作中における音声信号に含まれる雑音に基づいて、閾値を随時に更新する。これにより、第６実施形態に係るキーワード検出装置２２によれば、実際の雑音環境に即した適切な閾値を設定することができる。

なお、閾値生成部６６は、式（１８）において、標準偏差の５倍を平均値に加えた値を修正値として算出する。しかし、閾値生成部６６は、５倍以外の倍数の標準偏差を平均値に加えた値を修正値として算出してもよい。閾値生成部６６の設計者は、キーワードの誤検出の制約条件等に基づき、式（１８）に適切に倍数を設定すればよい。

図２２は、各実施形態に係る閾値生成装置２４のハードウェア構成の一例を示す図である。閾値生成装置２４は、例えば図２２に示すようなハードウェア構成の情報処理装置であるコンピュータにより実現される。閾値生成装置２４は、ＣＰＵ（Central Processing Unit）３０１と、ＲＡＭ（Random Access Memory）３０２と、ＲＯＭ（Read Only Memory）３０３と、操作入力装置３０４と、表示装置３０５と、記憶装置３０６と、通信装置３０７とを備える。そして、これらの各部は、バスにより接続される。

ＣＰＵ３０１は、プログラムに従って演算処理および制御処理等を実行するプロセッサである。ＣＰＵ３０１は、ＲＡＭ３０２の所定領域を作業領域として、ＲＯＭ３０３および記憶装置３０６等に記憶されたプログラムとの協働により各種処理を実行する。

ＲＡＭ３０２は、ＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）等のメモリである。ＲＡＭ３０２は、ＣＰＵ３０１の作業領域として機能する。ＲＯＭ３０３は、プログラムおよび各種情報を書き換え不可能に記憶するメモリである。

操作入力装置３０４は、マウスおよびキーボード等の入力デバイスである。操作入力装置３０４は、ユーザから操作入力された情報を指示信号として受け付け、指示信号をＣＰＵ３０１に出力する。

表示装置３０５は、ＬＣＤ（Liquid Crystal Display）等の表示デバイスである。表示装置３０５は、ＣＰＵ３０１からの表示信号に基づいて、各種情報を表示する。

記憶装置３０６は、フラッシュメモリ等の半導体による記憶媒体、または、磁気的若しくは光学的に記録可能な記憶媒体等にデータを書き込みおよび読み出しをする装置である。記憶装置３０６は、ＣＰＵ３０１からの制御に応じて、記憶媒体にデータの書き込みおよび読み出しをする。通信装置３０７は、ＣＰＵ３０１からの制御に応じて外部の機器とネットワークを介して通信する。

コンピュータで実行されるプログラムは、取得モジュールと、スコア算出モジュールと、分布算出モジュールと、閾値生成モジュールと、設定モジュールとを含むモジュール構成となっている。

このプログラムは、ＣＰＵ３０１（プロセッサ）によりＲＡＭ３０２上に展開して実行されることにより、コンピュータを、取得部６０、スコア算出部６２、分布算出部６４、閾値生成部６６および設定部６８として機能させる。なお、取得部６０、スコア算出部６２、分布算出部６４、閾値生成部６６および設定部６８の一部または全部がハードウェア回路で実現されてもよい。

また、コンピュータで実行されるプログラムは、コンピュータにインストール可能な形式または実行可能な形式のファイルで、ＣＤ－ＲＯＭ、フレキシブルディスク、ＣＤ－Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

また、このプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、このプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。また、閾値生成装置２４で実行されるプログラムを、ＲＯＭ３０３等に予め組み込んで提供するように構成してもよい。

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。

１０ 音声操作システム
２０ 操作対象装置
２２ キーワード検出装置
２４ 閾値生成装置
４０ ＡＤ変換部
４２ 特徴量生成部
４４ キーワードモデル記憶部
４６ キーワードスコア算出部
４８ 閾値記憶部
５０ 判定部
５２ ニューラルネットワーク部
５４ 探索部
６０ 取得部
６２ スコア算出部
６４ 分布算出部
６６ 閾値生成部
６８ 設定部
８２ キーワードスコア取得部
８４ 更新部

Claims (18)

1. 音声信号に含まれる音声と予め設定されたキーワードとの類似度を表すキーワードスコアと、閾値との比較結果に基づき、前記音声信号に前記キーワードが含まれているか否かを検出するキーワード検出装置に対して設定される前記閾値を生成する閾値生成方法であって、
   複数の参照音声のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出し、
   前記複数の参照音声に基づき算出した複数の前記キーワードスコアを含むスコア集合の分布を表すパラメータを算出し、
   前記スコア集合の分布を表すパラメータに基づき、前記閾値を生成する
   閾値生成方法。
2. さらに、前記閾値を前記キーワード検出装置に設定する
   請求項１に記載の閾値生成方法。
3. 前記キーワード検出装置は、
   予め設定された複数のキーワードのそれぞれについて前記閾値が設定され、
   前記複数のキーワードのそれぞれについて、前記キーワードスコアを算出し、
   前記複数のキーワードのそれぞれについて、前記キーワードスコアと前記閾値とを比較することにより前記音声信号に対応する前記キーワードが含まれているか否かを検出する
   請求項１に記載の閾値生成方法。
4. 前記キーワードスコアの算出において、前記複数のキーワードのそれぞれ毎に、前記複数の参照音声のそれぞれについての前記キーワードスコアを算出し、
   前記分布を表すパラメータの算出において、前記複数のキーワードのそれぞれ毎に、前記スコア集合の分布を表すパラメータを算出し、
   前記閾値の生成において、前記複数のキーワードのそれぞれ毎に、前記閾値を生成する
   請求項３に記載の閾値生成方法。
5. 前記キーワードスコアの算出において、前記複数の参照音声である複数の雑音のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出し、
   前記分布を表すパラメータの算出において、前記複数の雑音に基づき算出した複数の前記キーワードスコアを含む雑音スコア集合の分布を表すパラメータを算出し、
   前記閾値の生成において、前記雑音スコア集合の分布を表すパラメータに基づき、前記雑音スコア集合に含まれる前記キーワードスコアの方が予め定められた確率で小さくなる値を、前記閾値として生成する
   請求項１に記載の閾値生成方法。
6. 前記キーワードスコアの算出において、前記雑音スコア集合の分布を表すパラメータとして、前記雑音スコア集合の分布の平均値および標準偏差を算出し、
   前記閾値の生成において、前記雑音スコア集合の前記平均値と前記雑音スコア集合の前記標準偏差に所定の第１倍率を乗じた値とを加算した値以上の値を、前記閾値として生成する
   請求項５に記載の閾値生成方法。
7. 前記キーワードスコアの算出において、前記複数の参照音声である、前記キーワードを発話した複数のキーワード音声のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出し、
   前記分布を表すパラメータの算出において、前記複数のキーワード音声に基づき算出した複数の前記キーワードスコアを含む発話スコア集合の分布を表すパラメータを算出し、
   前記閾値の生成において、前記発話スコア集合の分布を表すパラメータに基づき、前記発話スコア集合に含まれる前記キーワードスコアの方が予め定められた確率で大きくなる値を、前記閾値として生成する
   請求項１に記載の閾値生成方法。
8. 前記分布を表すパラメータの算出において、前記発話スコア集合の分布を表すパラメータとして、前記発話スコア集合の分布の平均値および標準偏差を算出し、
   前記閾値の生成において、前記発話スコア集合の分布の前記平均値から前記発話スコア集合の分布の前記標準偏差に所定の第２倍率を乗じた値を減算した値以下の値を、前記閾値として生成する
   請求項７に記載の閾値生成方法。
9. 前記キーワードスコアの算出において、前記複数の参照音声である複数の雑音のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出し、
   前記分布を表すパラメータの算出において、前記複数の雑音に基づき算出した複数の前記キーワードスコアを含む雑音スコア集合の分布を表すパラメータを算出し、
   前記キーワードスコアの算出において、前記複数の参照音声である、前記キーワードを発話した複数のキーワード音声のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出し、
   前記分布を表すパラメータの算出において、前記複数のキーワード音声に基づき算出した複数の前記キーワードスコアを含む発話スコア集合の分布を表すパラメータを算出し、
   前記閾値の生成において、
   前記雑音スコア集合の分布を表すパラメータに基づき、前記雑音スコア集合に含まれる前記キーワードスコアの方が予め定められた確率で小さくなる雑音閾値を生成し、
   前記発話スコア集合の分布を表すパラメータに基づき、前記発話スコア集合に含まれる前記キーワードスコアの方が予め定められた確率で大きくなる発話閾値を生成し、
   前記雑音閾値と前記発話閾値との間の値を前記閾値として生成する
   請求項１に記載の閾値生成方法。
10. 前記分布を表すパラメータの算出において、前記雑音スコア集合の分布を表すパラメータとして、前記雑音スコア集合の分布の平均値および標準偏差を算出し、
    前記閾値の生成において、前記雑音スコア集合の前記平均値と前記雑音スコア集合の前記標準偏差に所定の第１倍率を乗じた値とを加算した値を前記雑音閾値として生成し、
    前記分布を表すパラメータの算出において、前記発話スコア集合の分布を表すパラメータとして、前記発話スコア集合の分布の平均値および標準偏差を算出し、
    前記閾値の生成において、前記発話スコア集合の分布の前記平均値から前記発話スコア集合の分布の前記標準偏差に所定の第２倍率を乗じた値を減算した値を前記発話閾値として生成し、
    前記閾値の生成において、前記雑音閾値と前記発話閾値との間の値を前記閾値として生成する
    請求項９に記載の閾値生成方法。
11. 前記閾値の生成において、前記閾値と前記雑音スコア集合とに基づき算出される誤検出確率または頻度、および、前記閾値と前記発話スコア集合とに基づき算出される未検出確率または頻度の少なくとも１つを、ユーザに出力する
    請求項１０に記載の閾値生成方法。
12. 前記キーワードスコアの算出において、第１キーワードを発話した複数の第１キーワード音声のそれぞれについて、前記第１キーワードとの類似度を表す前記キーワードスコアである第１キーワードスコアを算出し、
    前記分布を表すパラメータの算出において、複数の前記第１キーワードスコアを含む正検出スコア集合の分布を表すパラメータを算出し、
    前記閾値の生成において、前記正検出スコア集合の分布を表すパラメータに基づき、前記第１キーワードスコアの方が予め定められた確率で大きくなる値を正検出閾値として生成し、
    前記キーワードスコアの算出において、前記第１キーワードとは異なる１または複数の第２キーワードのそれぞれについて、処理対象の第２キーワードを発話した複数の第２キーワード音声のそれぞれにおける前記第１キーワードとの類似度を表す第２キーワードスコアを算出し、
    前記分布を表すパラメータの算出において、前記１または複数の第２キーワードのそれぞれについて、複数の前記第２キーワードスコアを含む誤検出スコア集合の分布を表すパラメータを算出し、
    前記閾値の生成において、
    前記１または複数の第２キーワードのそれぞれについて、前記誤検出スコア集合の分布を表すパラメータに基づき、前記第２キーワードスコアの方が予め定められた確率で小さくなる値を誤検出閾値として生成し、
    前記１または複数の第２キーワードのそれぞれの前記誤検出閾値のうち、最大となる最大誤検出閾値を選択し、
    前記正検出閾値と前記最大誤検出閾値との間の値を前記閾値として生成する
    請求項１に記載の閾値生成方法。
13. 前記キーワード検出装置は、
    所定時間間隔であるフレーム毎に、前記音声信号に含まれる前記音声の特徴を表す特徴ベクトルを取得し、
    前記フレーム毎に、前記特徴ベクトルに基づき、前記音声の微小要素の時間遷移を表す有向グラフに含まれる複数の状態のそれぞれについて、前記音声が対応する状態となる尤度を表す尤度スコアを算出し、
    前記フレーム毎に、前記有向グラフから、前記尤度スコアの合計値が最大となる最良系列を探索し、
    前記フレーム毎に、前記最良系列における前記尤度スコアの合計値を前記キーワードスコアとして算出する
    請求項１に記載の閾値生成方法。
14. 前記キーワードスコアは、式（１）により表され、
    

    

    Ｓ_ｉ（ｔ）は、処理対象フレームにおける前記キーワードスコアを表し、
    ｔは、前記処理対象フレームを表す整数であり、前記フレーム毎に１ずつ増加し、
    ｂは、前記処理対象フレームがｔである場合の前記複数の状態における１番目の状態に対応する初期フレームを表し、
    Ｑは、前記有向グラフに含まれる１番目の状態からｔ番目の状態までに至る複数の経路のそれぞれにおける、状態の番号の系列を表し、
    ｘ_τは、フレームがτにおける前記特徴ベクトルを表し、
    ｙ_ｑτは、フレームがτにおける、前記有向グラフに含まれる前記複数の状態のうちのｑ番目の状態を表し、
    ｓｃｏｒｅ（ｘ_τ，ｙ_ｑτ）は、フレームがτにおける、前記ｑ番目の状態の前記尤度スコアを表す
    請求項１３に記載の閾値生成方法。
15. 前記キーワード検出装置は、前記キーワードスコアと０とを比較することにより、前記音声信号に前記キーワードが含まれているか否かを検出し、
    前記閾値をθとした場合、前記キーワードスコアは、式（２）により表され、
    

    

    Ｓ_ｉ（ｔ）は、処理対象フレームにおける前記キーワードスコアを表し、
    ｔは、前記処理対象フレームを表す整数であり、前記フレーム毎に１ずつ増加し、
    ｂは、前記処理対象フレームがｔである場合の前記複数の状態における１番目の状態に対応する初期フレームを表し、
    Ｑは、前記有向グラフに含まれる１番目の状態からｔ番目の状態までに至る複数の経路のそれぞれにおける、状態の番号の系列を表し、
    ｘ_τは、フレームがτにおける前記特徴ベクトルを表し、
    ｙ_ｑτは、フレームがτにおける、前記有向グラフに含まれる前記複数の状態のうちのｑ番目の状態を表し、
    ｓｃｏｒｅ（ｘ_τ，ｙ_ｑτ）は、フレームがτにおける、前記ｑ番目の状態の前記尤度スコアを表す
    請求項１３に記載の閾値生成方法。
16. さらに、前記音声信号に前記キーワードが含まれているか否かを検出する検出動作中において、前記音声信号に雑音が含まれているフレームにおける前記キーワードスコアを取得し、
    前記分布を表すパラメータの算出において、前記音声信号に雑音が含まれているフレームにおける複数の前記キーワードスコアを含む雑音スコア集合の分布を表すパラメータを算出し、
    前記閾値の生成において、
    前記雑音スコア集合の分布を表すパラメータに基づき、新たな前記閾値を生成し、
    予め定められた期間毎に、前記キーワードスコアとの比較に用いる前記閾値を、生成した新たな前記閾値に更新する
    請求項１に記載の閾値生成方法。
17. 音声信号に含まれる音声と予め設定されたキーワードとの類似度を表すキーワードスコアと、閾値との比較結果に基づき、前記音声信号に前記キーワードが含まれているか否かを検出するキーワード検出装置に対して設定される前記閾値を生成する閾値生成装置であって、
    複数の参照音声のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出するスコア算出部と、
    前記複数の参照音声に基づき算出した複数の前記キーワードスコアを含むスコア集合の分布を表すパラメータを算出する分布算出部と、
    前記スコア集合の分布を表すパラメータに基づき、前記閾値を生成する閾値生成部と、
    を備える閾値生成装置。
18. コンピュータを、キーワード検出装置に対して設定される閾値を生成する閾値生成装置として機能させるためのプログラムであって、
    前記キーワード検出装置は、音声信号に含まれる音声と予め設定されたキーワードとの類似度を表すキーワードスコアと、前記閾値との比較結果に基づき、前記音声信号に前記キーワードが含まれているか否かを検出し、
    前記コンピュータを、
    複数の参照音声のそれぞれについて、前記キーワードとの類似度を表す前記キーワードスコアを算出するスコア算出部と、
    前記複数の参照音声に基づき算出した複数の前記キーワードスコアを含むスコア集合の分布を表すパラメータを算出する分布算出部と、
    前記スコア集合の分布を表すパラメータに基づき、前記閾値を生成する閾値生成部と
    して機能させるプログラム。

Images