JP3477432B2 - 音声認識方法およびサーバならびに音声認識システム - Google Patents
音声認識方法およびサーバならびに音声認識システムInfo
- Publication number
- JP3477432B2 JP3477432B2 JP2000237803A JP2000237803A JP3477432B2 JP 3477432 B2 JP3477432 B2 JP 3477432B2 JP 2000237803 A JP2000237803 A JP 2000237803A JP 2000237803 A JP2000237803 A JP 2000237803A JP 3477432 B2 JP3477432 B2 JP 3477432B2
- Authority
- JP
- Japan
- Prior art keywords
- server
- voice
- information
- recognition
- client
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Description
よびサーバならびに音声認識システムに関し、特に、ク
ライアント/サーバ方式の分散処理環境において、処理
能力の低いクライアントで認識できなかった音声情報を
処理能力の高いサーバで認識することを特徴とする音声
認識方法およびサーバならびに音声認識システムに関す
るものである。
声した音声サンプルをある特徴パラメータの系列に変換
する音響分析部と、音響分析部で得られた特徴パラメー
タの系列を予めメモリーやハードディスクなどの記憶装
置に蓄積した語彙単語の特徴パラメータに関する情報と
照合して、最も類似度の高い音声を認識結果とする音声
照合部の2つの部分から構成される。
に変換する音響分析方法としては、ケプストラム分析や
線形予測分析などが知られており、「音声・音情報のデ
ィジタル信号処理」(鹿野清宏、中村哲、伊勢史郎共
著、(株)昭晃堂)にも詳述されている。音声認識の中
で、不特定話者の音声を認識する技術を一般に不特定話
者音声認識と呼ぶ。不特定話者音声認識においては、語
彙単語の特徴パラメータに関する情報が予め記憶装置に
蓄積されているため、特定話者音声認識のようにユーザ
ーが音声認識させたい単語を登録するという作業は発生
しない。
情報の作成およびその情報と入力された音声から変換さ
れた特徴パラメータの系列との音声照合方法としては、
隠れマルコフモデル(Hidden Markov Model, HMM)による
方法が一般に用いられている。HMMによる方法におい
ては、音節、半音節、音韻、音響イベントなどの音声単
位がHMMによりモデル化される。音声単位のHMMに
よるモデル化については、上記「音声・音情報のディジ
タル信号処理」に詳しく述べられている。また、上記
「音声・音情報のディジタル信号処理」の第4章に記載
されているViterbiアルゴリズムにより、当業者
は不特定話者音声認識装置を容易に構成することができ
る。
音声によるダイアリング機能を実現するために不特定話
者音声認識装置としての機能を内在しているものが既に
商品化されている。
odeに代表されるように、携帯電話は音声通話の目的
だけではなく、インターネットや電子メールのアクセス
端末としての需要が急速に拡がっている。また、IMT
−2000やcdma2000の規格に対応した次世代
携帯電話の商用化も来年以降に計画されており、携帯電
話におけるインターネットや電子メールのアクセス需要
はますます増大するものと思われる。
話のマンマシンインタフェースとしては、サイズ、形状
などの物理的な制約から依然としてボタン入力が主流で
あり、インターネットや電子メールのアクセス手段とし
ては使い勝手が悪い。この不具合を解消するために、音
声認識技術を適用した音声インタフェース機能の搭載が
待望されている。
搭載されているCPUの処理能力が低く、また、CPU
の動作クロックも低く押さえられている。従って、携帯
電話内の音声認識でサポートされる機能にも限界があ
る。具体的には、認識対象語彙が十分大きくない場合
に、その語彙に含まれない単語を含む音声をしゃべった
場合には、その単語は原理的に認識されないし、その単
語を語彙に含まれる別の単語に誤認識するということが
しばしば起こる。
携帯電話のような処理能力の低いCPUしか持たないク
ライアントで発声された音声がクライアントの音声認識
機能でサポートされない語彙を含む場合に、クライアン
トがその音声の情報を処理能力の高いCPUを持つサー
バに転送し、音声認識のサービスを受けることができる
ようにすることである。
ートされない語彙が音声情報の中に含まれていると判断
される場合は、そのサーバは音声情報をさらに大きな語
彙をサポートする上位のサーバに転送し、音声認識のサ
ービスを委ねることができるようにすることも本発明が
解決しようとする課題である。
のサーバから段階的により多くの音声認識のための情報
を有する複数のサーバによって通信手段を介して受信し
たクライアントからの音声情報を音声認識する音声認識
方法であって、前記音声情報の音声認識を実行して得ら
れる言葉の類似度を所定のしきい値と比較して所定の認
識結果が音声情報に含まれる全ての言葉で得られるよう
に、第1のサーバから順次、当該第1のサーバより多く
の音声認識のための情報を有する上位のサーバで音声認
識を実行する際に、前記複数のサーバの各々において、
前記音声情報の少なくとも一部の音声認識を実行して音
声情報に含まれる全ての言葉に対して所定の認識結果が
得られている場合は、当該全ての言葉に対する所定の認
識結果を通信手段を介して前記クライアントに送信し、
前記音声情報の少なくとも一部の音声認識を実行して所
定の認識結果が得られなかった言葉が存在する場合であ
って、当該サーバが最上位サーバである場合は前記音声
情報に対するそれまでの全ての音声認識の結果を前記ク
ライアントに通信手段を介して送信し、当該サーバが最
上位サーバでない場合は前記音声情報と、当該音声情報
に対して前記第1のサーバから当該サーバまでが実行し
た音声認識の結果得られた言葉のラベル、当該ラベルの
類似度、および当該言葉の発声の終了点の前記音声情報
の始めからの経過時刻とを含む情報を、当該サーバより
上位のサーバに転送することを特徴とする。
記各サーバは前記クライアントから得られたクライアン
トアドレスを参照して前記認識結果を前記クライアント
に送信し、且つ最上位サーバを除く各サーバは、当該サ
ーバより上位のサーバのアドレスを参照して前記クライ
アントアドレスを、当該サーバより上位のサーバに転送
することを特徴とする。
的により多くの音声認識のための情報を有する複数のサ
ーバによって通信手段を介して受信したクライアントか
らの音声情報を音声認識する音声認識方法であって、前
記音声情報の音声認識を実行して得られる言葉の類似度
を所定のしきい値と比較して所定の認識結果が音声情報
に含まれる全ての言葉で得られるように、第1のサーバ
から順次、当該第1のサーバより多くの音声認識のため
の情報を有する上位のサーバで音声認識を実行する際
に、前記複数のサーバの各々において、前記音声情報の
少なくとも一部の音声認識を実行して音声情報に含まれ
る全ての言葉に関して所定の認識結果が得られている場
合は、当該全ての言葉に関する所定の認識結果を通信手
段を介して前記クライアントに送信し、前記音声情報の
少なくとも一部の音声認識を実行して所定の認識結果が
得られなかった言葉が存在する場合であって、当該サー
バが最上位サーバである場合は前記音声情報に対するそ
れまでの全ての音声認識の結果を前記クライアントに通
信手段を介して送信し、当該サーバが最上位サーバでな
い場合は前記音声情報と、当該音声情報に対して前記第
1のサーバから当該サーバまでが実行した音声認識の結
果得られた言葉のラベル、当該ラベルの類似度、および
当該言葉の発声の終了点の前記音声情報の始めからの経
過時刻とを含む情報を、当該サーバより上位のサーバに
転送することを特徴とする音声認識方法を適用する音声
認識サーバであって、通信手段を介して伝送されたクラ
イアントからの音声情報または当該サーバよりも少ない
音声認識のための情報を有するサーバからの情報を受信
する受信手段と、前記受信手段によって受信した情報に
基づいて、所定の認識結果が得られていない音声情報を
音声認識処理する音声認識処理手段と、前記音声認識処
理手段によって所定の認識結果が得られたか否かを、当
該音声認識処理手段によって音声認識した結果得られる
言葉の類似度を所定のしきい値と比較することによって
判断する判断手段と、前記判断手段によって全ての言葉
に対して所定の認識結果が得られていると判断された場
合または前記判断手段によって音声情報に含まれる全て
の言葉に対して所定の認識結果が得られていないと判断
された場合であって当該サーバが最上位サーバである場
合は、前記クライアントに通信手段を介して前記全ての
言葉に対する認識結果を送信し、前記判断手段によって
音声情報に含まれる全ての言葉に対して所定の認識結果
が得られていないと判断された場合であって当該サーバ
が最上位サーバでない場合は、当該サーバの次に多くの
音声認識のための情報を有する上位のサーバに対して、
前記音声情報と、当該音声情報に対して前記第1のサー
バから当該サーバまでが実行した音声認識の結果得られ
た言葉のラベル、当該ラベルの類似度、および当該言葉
の発声の終了点の前記音声情報の始めからの経過時刻と
を含む情報を転送する出力手段とを具えたことを特徴と
する。
記受信手段が受信する情報はクライアントアドレス情報
を含み、前記出力手段は、前記受信手段が受信した情報
から取り出されたクライアントアドレスを保存するクラ
イアントアドレス保存手段と、前記クライアントアドレ
ス保存手段に保存されたクライアントアドレスを参照し
て認識結果を当該クライアントに返信するための認識結
果返信手段と、前記上位のサーバのアドレスを保存する
上位サーバアドレス保存手段と、前記所定の認識結果が
得られなかった音声情報および当該音声情報に関する音
声認識の結果と前記クライアントアドレス保存手段に保
存されたクライアントアドレスとを含む情報を前記上位
サーバアドレス保存手段に保存された上位のサーバのア
ドレスを参照して当該上位のサーバに転送するための音
声情報転送手段とを有し、前記判断手段は、前記音声認
識処理手段から出力された類似度を予め与えられたしき
い値と比較し、類似度がしきい値以上の場合、および類
似度がしきい値未満の場合であって前記上位サーバアド
レス保存手段に上位のサーバのアドレスが格納されてい
ない場合は、前記音声認識処理手段からの認識結果をク
ライアントに返信するように認識結果返信手段を制御
し、類似度がしきい値未満の場合であって前記上位サー
バアドレス保存手段に上位のサーバのアドレスが保存さ
れている場合は、前記所定の認識結果が得られなかった
音声情報および当該音声情報に関する音声認識の結果と
前記クライアントアドレス保存手段に保存されたクライ
アントアドレスとを含む情報を当該上位のサーバに転送
するように前記音声情報転送手段を制御することを特徴
とする。
声認識サーバにおいて、受信された音声情報に対して実
行した音声認識処理に要した時間を計測し、前記計測時
間と、当該サーバが有する前記音声情報に関する音声認
識のための情報の量とに基づいて使用料金を計算するこ
とを特徴とする。
ライアントと、前記クライアントからの音声情報を通信
手段を介して受信する請求項3または4の音声認識サー
バとを具えたことを特徴とする。
求項5の使用料金計算法を適用して、当該音声情報に対
して音声認識処理を実行した前記第1のサーバからクラ
イアントに通信手段を介して認識結果を送信するサーバ
までの料金を加算してクライアントに課金することを特
徴とする。
力音声は音響分析により、ケプストラムなどの音響パラ
メータに変換され、その後、公知のViterbiアル
ゴリズムにより、語彙に含まれる単語との照合が行われ
る。照合においては、音響パラメータと語彙に含まれる
全ての単語のモデルとの類似度が算出され、最も類似度
が大きい単語が認識結果として選択される。
さは、音声認識装置に内蔵されるCPUの処理能力およ
びその動作クロックにより決定される。
載されているCPUの処理能力が低く、また、CPUの
動作クロックも低く押さえられているため、サポートで
きる語彙サイズは100単語程度と小さい。
ンピュータシステムに搭載されるCPUは携帯電話のよ
うな制約がないため、最高の処理能力を持つCPUが採
用され、動作クロックも極めて高く設定される。従っ
て、サポートできる語彙サイズも数万単語程度と極めて
大きくすることが可能である。
が、音声認識装置でサポートされていない場合、照合に
おける前述の類似度は小さな値となる。
と予め与えられたしきい値とを比較し、その類似度がし
きい値よりも大きければ、入力音声に含まれている単語
は、音声認識装置がサポートしている語彙に含まれると
判断できる。この場合には、その類似度を与える単語を
認識結果とすれば良い。
ば、入力音声に含まれている単語は、音声認識装置がサ
ポートしている語彙に含まれていない可能性が高いと判
断される。この入力音声に対して、正確な音声認識を行
うためには、より大きな語彙をサポートする音声認識装
置に処理を委ねる必要がある。
声認識装置の所在(アドレス)が既知の場合は、入力音
声から抽出された音声情報と自分のアドレスをその音声
認識装置に転送して、音声認識処理を要求すればよい。
アントと呼び、音声認識処理を要求される側をサーバと
呼ぶ。
最も大きな類似度を持つ語彙単語の類似度がしきい値よ
りも大きければ、入力音声に含まれている単語は、サー
バがサポートしている語彙に含まれると判断できるの
で、その類似度を与える単語を認識結果として、クライ
アントに返送する。
ば、より大きな語彙をサポートするサーバの所在(アド
レス)が未知か既知かで処理が2つに分かれる。
在得られている認識結果をクライアントに対し返送す
る。
するサーバに対して、入力音声から抽出された音声情報
と自分のアドレスをその音声認識装置に転送して、音声
認識処理を要求すればよい。
た入力音声に含まれる単語の数が少ない場合は、小さな
語彙をサポートするサーバで音声認識処理が完結する。
もし、クライアントで発声された入力音声に含まれる単
語の数が多い場合は、より大きな語彙をサポートするサ
ーバに音声認識処理を委ねることができる。従って、入
力音声に含まれる単語の数に応じて、音声認識処理を複
数のサーバに分散させて処理することが可能である。こ
れにより、ある特定のサーバに音声認識処理のリクエス
トのトラフィックが集中することを防ぐことが可能にな
る。
図2に基づいて説明する。
トに対して入力される。入力された入力信号00は、ク
ライアントに内蔵されるADコンバータによりデジタル
音声信号に変換される。
イアント送信情報11を送信する。クライアント送信情
報11は、デジタル音声信号から得られる音声情報22
とクライアントアドレス33から構成される。ここで、
クライアントアドレスは、携帯電話番号などのクライア
ントを特定可能なID番号などを指す。また、送信は、
携帯電話網の通信プロトコルに従って行われる。
11を受信したサーバ2は、音声情報受信手段aにおい
て、クライアント送信情報11を音声情報22とクライ
アントアドレス33に分解し、音声情報22を音声認識
手段c及び音声情報転送手段eに出力するとともに、ク
ライアントアドレス33をクライアントアドレス保存手
段bに格納する。
は、公知のViterbiアルゴリズムなどにより、照
合処理を行い、最も大きな類似度を持つ単語の固有番号
とその類似度から構成される認識結果情報44を類似度
比較手段dと認識結果返信手段gに出力する。
受け取った認識結果情報44に含まれる類似度と予め設
定されたしきい値を比較する。
ば、認識結果返信手段gに対して、返信指示情報66を
出力し、認識結果返信手段gから携帯電話網を介して、
認識結果をクライアントに対して返信するように指示す
る。
には、上位サーバアドレス保存手段fに上位サーバアド
レス77が保存されているかによって、処理が二通りに
分かれる。
バアドレス77が保存されていない(上位サーバアドレ
ス77が未知である)場合には、認識結果返信手段gに
対して、返信指示情報66を出力し、認識結果返信手段
gから携帯電話網を介して、認識結果をクライアントに
対して返信するように指示する。
バアドレス77が保存されている(上位サーバアドレス
77が既知である)場合には、音声情報転送手段eに対
して、転送指示情報55を出力し、音声情報転送手段e
から携帯電話網等の通信手段を介して、サーバ転送情報
88を上位のサーバに対して転送するように指示する。
受け取った音声情報転送手段eは、上位サーバアドレス
保存手段fに格納された上位サーバアドレス77を持つ
上位サーバに対し、音声情報受信手段aから送られた音
声情報22とクライアントアドレス保存手段bに格納さ
れたクライアントアドレス33から構成されるサーバ転
送情報88を送出し、音声認識処理を要求する。
受け取った認識結果返信手段gは、クライアントアドレ
ス保存手段bに保存されたクライアントアドレス33を
持つクライアントに対し、音声認識手段cから受け取っ
た認識結果情報44をサーバ返信情報99として携帯電
話網を介して返信する。
b、類似度比較手段d、音声情報転送手段e、認識結果
返信手段gはクライアントのCPUによって実現され
る。クライアントアドレス保存手段bと上位サーバアド
レス保存手段fは、クライアントのメモリによって実現
される。
れをクライアントとサーバと見なすことができる。サー
バ転送情報88は上位サーバの立場から眺めると、クラ
イアント送信情報11と見なすことができる。
力された入力信号00から得られる一般情報の系列と見
なすことができる。
されるADコンバータにより変換されたデジタルの音声
信号の系列であると特定することができる。この場合に
は、クライアントは、ADコンバータを具えていればよ
い。
蔵されるADコンバータにより変換されたデジタルの音
声信号から抽出された、ケプストラムなどの音響パラメ
ータの系列であると特定することができる。この場合に
は、クライアントには、ADコンバータと音響パラメー
タを計算するためのCPUが具えられていればよい。
蔵されるADコンバータにより変換されたデジタルの音
声信号から抽出された、ケプストラムなどの音響パラメ
ータから変換された音声単位モデルの固有番号の系列で
あると特定することができる。この場合には、クライア
ントには、ADコンバータと音響パラメータ及び音声単
位モデルの固有番号の系列を計算するためのCPUが具
えられていればよい。公知のViterbiアルゴリズ
ムにより、音響パラメータの系列に対して最も類似度の
高い音響パラメータの系列を抽出することは、当業者で
あれば容易である。或いは、フレーム毎の音響パラメー
タに対して、HMMで表現された音声単位モデル毎の確
率を算出し、最も高い確率を与える音声単位モデルを決
定する方法でもよい。
ーバが同一の構成の装置であってもよい。
を用いて説明する。
様を説明する図であって、この図3を用いて、本発明を
適用した音声認識サービスの課金システムを説明する。
図3では、クライアント1の他に、第1サーバ12、第
2サーバ13、第3サーバ14(いずれも、その構成は
図2の通り)の3つのサーバが携帯電話網に設置されて
おり、第1サーバ12の上位サーバアドレス保存手段f
には、第2サーバ13のアドレスが保存されており、第
2サーバ13の上位サーバアドレス保存手段fには、第
3サーバ14のアドレスが保存されており、第3サーバ
14の上位サーバアドレス保存手段fには、さらに上位
のサーバのアドレスは保存されていないと仮定する。
ーバ14における音声認識サービスは、一回の利用(音
声認識処理)に際し、それぞれ1円、5円、10円(い
ずれも単位時間当たり)のサービス料をクライアントの
ユーザに対し、課金するものとする。サーバにより、サ
ービス料が異なるのは、上位のサーバになるほど、大語
彙をサポートしているため、高価なコンピュータを必要
とし、その設備投資を回収するために、料金がより高く
設定されている。
第3サーバ14でのサービス時間がいずれも1単位時間
である場合を例にとって、課金システムを説明する。
対し、第1サーバ12で音声認識サービスを受けた場合
は、1円のサービス料が課金される。
スの結果、入力信号00に含まれている言葉は全て第1
サーバ12が扱っている語彙に含まれていると判断され
る場合には、第1サーバ12は認識結果を第1サーバ返
信情報99Aとしてクライアント1に返信する。従っ
て、クライアントのユーザは、第1サーバ12の提供者
に対して1円の料金を支払わなければならない。
スの結果、第1サーバ12が扱っている語彙には含まれ
ていない言葉が入力信号00に含まれていると判断され
る場合には、第1サーバ12は、クライアント送信情報
11に基づいて、第1サーバ転送情報88Aを第2サー
バ13に転送する。もし、第2サーバ13での音声認識
サービスの結果、入力信号00に含まれている言葉は全
て第2サーバ13が扱っている語彙に含まれていると判
断される場合には、第2サーバ13は認識結果を第2サ
ーバ返信情報99Bとしてクライアント1に返信する。
従って、クライアントのユーザは、第2サーバ13の提
供者に対して5円の料金を支払わなければならない。こ
の時点で、クライアント1のユーザは、第1サーバ12
のサービス料1円と、第2サーバ13のサービス料5円
を合わせて6円を負担しなければならない。
スの結果、第2サーバ13が扱っている語彙には含まれ
ていない言葉が入力信号00に含まれていると判断され
る場合には、第2サーバ13は、第1サーバ転送情報8
8Aに基づいて、第2サーバ転送情報88Bを第3サー
バ14に転送する。
果を第3サーバ返信情報99Cとしてクライアントに返
信する。従って、クライアント1のユーザは、第3サー
バ14の提供者に対して10円の料金を支払わなければ
ならない。この時点で、クライアント1のユーザは、第
1サーバ12のサービス料1円と、第2サーバ13のサ
ービス料5円と、第3サーバ14のサービス料10円を
合わせて16円の負担となる。
スの結果を第2サーバ13での音声認識サービスに反映
させて、第2サーバ13での音声認識処理の負荷を軽減
させる方法について述べる。
都新宿区界隈の地中海料理のレストランの情報を携帯電
話を用いて調べたい場合に、「新宿の地中海料理の店」
と携帯電話に向かって喋ったとする。この時、「新宿の
地中海料理の店」という音声が、入力信号00として、
クライアント1である携帯電話に入力される。クライア
ント1は、その入力信号00に基づいて、クライアント
送信信号11を第1サーバ12に送信する。
スが、日本の地名に関しては豊富な語彙をサポートして
いるが、外国の地名は語彙としてサポートしていないと
する。この場合、第1サーバ12の音声認識手段cから
出力される認識結果情報44は、図4のような形式で出
力されるものとする。
から抽出された言葉に関する情報である。左から一列目
は、言葉のラベルを表しており、左から2列目は、言葉
の確からしさを表すスコアを表しており、左から3列目
は、言葉の発声の終わりの時刻を表している。Sile
nceは、無音を表すラベルである。???は、第1サ
ーバ12でサポートしている語彙に含まれていない言葉
が450msから700msの間に発声されていると第
1サーバ12が判断したことを示しており、言葉の確か
らしさは0%と表示されている。
指示信号55に添付されて、第1サーバ12の音声情報
転送手段eに送られ、さらに、第1サーバ12の音声情
報転送手段eにより、第1サーバ転送情報88Aの一部
として、第2サーバ13に転送される。
で、第1サーバ転送情報88Aを解析し、音声情報22
に添付する形で図4の認識結果情報44を音声認識手段
cに送る。第2サーバ13の音声認識手段cは、図4の
認識結果情報を参照し、ある値以上の確からしさを持つ
言葉を正解と見なし、ある値未満の確からしさを持つ区
間の音声情報22に対して、音声認識処理を行う。
中に「地中海」という言葉が含まれていれば、450m
sから700msの区間が、「地中海」という言葉に対
応するという確からしさが例えば95%という値を示す
ため、「地中海」という言葉が発声されていると認識す
ることができる。
0に含まれる全ての言葉を高い確からしさで認識するこ
とができたため、認識結果送信手段gを介して、第2サ
ーバ返信情報99Bをクライアント1に返信することが
できる。
に「地中海」という言葉が含まれていない場合は、確か
らしさが低い値になるので、第2サーバ13は第3サー
バ14に認識サービスを委ねることになる。この場合に
ついても、上記の方法と同様の方法で実現することが可
能である。
話、サーバを携帯電話網の中のサーバに設置された音声
認識装置として説明したが、クライアントをパーソナル
コンピュータ等のコンピュータ、サーバをインターネッ
ト網の中のサーバに設置された音声認識装置としてもよ
い。また、クライアントが携帯電話で、サーバが携帯電
話網と接続されたインターネット網の中のサーバに設置
された音声認識装置である組み合わせでもよいし、クラ
イアントがパーソナルコンピュータ等のコンピュータ
で、サーバがインターネット網と接続された携帯電話網
の中のサーバに設置された音声認識装置である組み合わ
せでも良いことは言うまでもない。
各サーバに、クライアントからの音声情報に対して音声
認識処理能力に応じた処理のみを実行させ、且つ、ある
サーバでの音声認識処理の実行によって、当該サーバよ
り下位のサーバをクライアントからの音声認識処理要求
から開放することができ、上位のサーバはより多くの音
声認識のための情報を有するため、より多くの計算量、
メモリ量を音声認識処理のために必要とするが、上位の
サーバには下位のサーバで所定の結果が得られなかった
言葉に対してのみ音声認識処理を実行させることによ
り、上位のサーバの処理負荷を軽減でき、その結果、特
定のサーバにトラフィックが集中することを防ぎ、効率
的な音声認識処理を行える。
明する図である。
である。
Claims (7)
- 【請求項1】 第1のサーバから段階的により多くの音
声認識のための情報を有する複数のサーバによって通信
手段を介して受信したクライアントからの音声情報を音
声認識する音声認識方法であって、 前記音声情報の音声認識を実行して得られる言葉の類似
度を所定のしきい値と比較して所定の認識結果が音声情
報に含まれる全ての言葉で得られるように、第1のサー
バから順次、当該第1のサーバより多くの音声認識のた
めの情報を有する上位のサーバで音声認識を実行する際
に、 前記複数のサーバの各々において、前記音声情報の少な
くとも一部の音声認識を実行して音声情報に含まれる全
ての言葉に対して所定の認識結果が得られている場合
は、当該全ての言葉に対する所定の認識結果を通信手段
を介して前記クライアントに送信し、前記音声情報の少
なくとも一部の音声認識を実行して所定の認識結果が得
られなかった言葉が存在する場合であって、当該サーバ
が最上位サーバである場合は前記音声情報に対するそれ
までの全ての音声認識の結果を前記クライアントに通信
手段を介して送信し、当該サーバが最上位サーバでない
場合は前記音声情報と、当該音声情報に対して前記第1
のサーバから当該サーバまでが実行した音声認識の結果
得られた言葉のラベル、当該ラベルの類似度、および当
該言葉の発声の終了点の前記音声情報の始めからの経過
時刻とを含む情報を、当該サーバより上位のサーバに転
送することを特徴とする音声認識方法。 - 【請求項2】 請求項1において、 前記各サーバは前記クライアントから得られたクライア
ントアドレスを参照して前記認識結果を前記クライアン
トに送信し、且つ最上位サーバを除く各サーバは、当該
サーバより上位のサーバのアドレスを参照して前記クラ
イアントアドレスを、当該サーバより上位のサーバに転
送することを特徴とする音声認識方法。 - 【請求項3】 第1のサーバから段階的により多くの音
声認識のための情報を有する複数のサーバによって通信
手段を介して受信したクライアントからの音声情報を音
声認識する音声認識方法であって、前記音声情報の音声
認識を実行して得られる言葉の類似度を所定のしきい値
と比較して所定の認識結果が音声情報に含まれる全ての
言葉で得られるように、第1のサーバから順次、当該第
1のサーバより多くの音声認識のための情報を有する上
位のサーバで音声認識を実行する際に、前記複数のサー
バの各々において、前記音声情報の少なくとも一部の音
声認識を実行して音声情報に含まれる全ての言葉に関し
て所定の認識結果が得られている場合は、当該全ての言
葉に関する所定の認識結果を通信手段を介して前記クラ
イアントに送信し、前記音声情報の少なくとも一部の音
声認識を実行して所定の認識結果が得られなかった言葉
が存在する場合であって、当該サーバが最上位サーバで
ある場合は前記音声情報に対するそれまでの全ての音声
認識の結果を前記クライアントに通信手段を介して送信
し、当該サーバが最上位サーバでない場合は前記音声情
報と、当該音声情報に対して前記第1のサーバから当該
サーバまでが実行した音声認識の結果得られた言葉のラ
ベル、当該ラベルの類似度、および当該言葉の発声の終
了点の前記音声情報の始めからの経過時刻とを含む情報
を、当該サーバより上位のサーバに転送することを特徴
とする音声認識方法を適用する音声認識サーバであっ
て、 通信手段を介して伝送されたクライアントからの音声情
報または当該サーバよりも少ない音声認識のための情報
を有するサーバからの情報を受信する受信手段と、 前記受信手段によって受信した情報に基づいて、所定の
認識結果が得られていない音声情報を音声認識処理する
音声認識処理手段と、 前記音声認識処理手段によって所定の認識結果が得られ
たか否かを、当該音声認識処理手段によって音声認識し
た結果得られる言葉の類似度を所定のしきい値と比較す
ることによって判断する判断手段と、 前記判断手段によって全ての言葉に対して所定の認識結
果が得られていると判断された場合または前記判断手段
によって音声情報に含まれる全ての言葉に対して所定の
認識結果が得られていないと判断された場合であって当
該サーバが最上位サーバである場合は、前記クライアン
トに通信手段を介して前記全ての言葉に対する認識結果
を送信し、前記判断手段によって音声情報に含まれる全
ての言葉に対して所定の認識結果が得られていないと判
断された場合であって当該サーバが最上位サーバでない
場合は、当該サーバの次に多くの音声認識のための情報
を有する上位のサーバに対して、前記音声情報と、当該
音声情報に対して前記第1のサーバから当該サーバまで
が実行した音声認識の結果得られた言葉のラベル、当該
ラベルの類似度、および当該言葉の発声の終了点の前記
音声情報の始めからの経過時刻とを含む情報を転送する
出力手段とを具えたことを特徴とする音声認識サーバ。 - 【請求項4】 請求項3において、 前記受信手段が受信する情報はクライアントアドレス情
報を含み、 前記出力手段は、前記受信手段が受信した情報から取り
出されたクライアントアドレスを保存するクライアント
アドレス保存手段と、前記クライアントアドレス保存手
段に保存されたクライアントアドレスを参照して認識結
果を当該クライアントに返信するための認識結果返信手
段と、前記上位のサーバのアドレスを保存する上位サー
バアドレス保存手段と、前記所定の認識結果が得られな
かった音声情報および当該音声情報に関する音声認識の
結果と前記クライアントアドレス保存手段に保存された
クライアントアドレスとを含む情報を前記上位サーバア
ドレス保存手段に保存された上位のサーバのアドレスを
参照して当該上位のサーバに転送するための音声情報転
送手段とを有し、 前記判断手段は、前記音声認識処理手段から出力された
類似度を予め与えられたしきい値と比較し、類似度がし
きい値以上の場合、および類似度がしきい値未満の場合
であって前記上位サーバアドレス保存手段に上位のサー
バのアドレスが格納されていない場合は、前記音声認識
処理手段からの認識結果をクライアントに返信するよう
に認識結果返信手段を制御し、類似度がしきい値未満の
場合であって前記上位サーバアドレス保存手段に上位の
サーバのアドレスが保存されている場合は、前記所定の
認識結果が得られなかった音声情報および当該音声情報
に関する音声認識の結果と前記クライアントアドレス保
存手段に保存されたクライアントアドレスとを含む情報
を当該上位のサーバに転送するように前記音声情報転送
手段を制御することを特徴とする音声認識サーバ。 - 【請求項5】 請求項3または4の音声認識サーバにお
いて、 受信された音声情報に対して実行した音声認識処理に要
した時間を計測し、 前記計測時間と、当該サーバが有する前記音声情報に関
する音声認識のための情報の量とに基づいて使用料金を
計算することを特徴とする音声認識サーバにおける使用
料金計算法。 - 【請求項6】 音声情報を送信するクライアントと、前
記クライアントからの音声情報を通信手段を介して受信
する請求項3または4の音声認識サーバとを具えたこと
を特徴とする音声認識システム。 - 【請求項7】 請求項6において、 請求項5の使用料金計算法を適用して、当該音声情報に
対して音声認識処理を実行した前記第1のサーバからク
ライアントに通信手段を介して認識結果を送信するサー
バまでの料金を加算してクライアントに課金することを
特徴とする音声認識システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000237803A JP3477432B2 (ja) | 2000-08-04 | 2000-08-04 | 音声認識方法およびサーバならびに音声認識システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000237803A JP3477432B2 (ja) | 2000-08-04 | 2000-08-04 | 音声認識方法およびサーバならびに音声認識システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2002049390A JP2002049390A (ja) | 2002-02-15 |
JP3477432B2 true JP3477432B2 (ja) | 2003-12-10 |
Family
ID=18729601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000237803A Expired - Fee Related JP3477432B2 (ja) | 2000-08-04 | 2000-08-04 | 音声認識方法およびサーバならびに音声認識システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3477432B2 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4017887B2 (ja) * | 2002-02-28 | 2007-12-05 | 富士通株式会社 | 音声認識システムおよび音声ファイル記録システム |
JP2004325688A (ja) * | 2003-04-23 | 2004-11-18 | Toyota Motor Corp | 音声認識システム |
JP4581441B2 (ja) * | 2004-03-18 | 2010-11-17 | パナソニック株式会社 | 家電機器システム、家電機器および音声認識方法 |
KR100695127B1 (ko) | 2004-10-08 | 2007-03-14 | 삼성전자주식회사 | 다 단계 음성 인식 장치 및 방법 |
KR100930802B1 (ko) * | 2007-06-29 | 2009-12-09 | 엔에이치엔(주) | 이미지를 이용한 브라우저 제어 방법 및 시스템 |
JP2009288630A (ja) * | 2008-05-30 | 2009-12-10 | Denso Corp | 車両用音声認識システム |
JP6276132B2 (ja) | 2014-07-30 | 2018-02-07 | 株式会社東芝 | 発話区間検出装置、音声処理システム、発話区間検出方法およびプログラム |
JP6843388B2 (ja) * | 2017-03-31 | 2021-03-17 | 株式会社アドバンスト・メディア | 情報処理システム、情報処理装置、情報処理方法及びプログラム |
CN111128187A (zh) * | 2019-12-30 | 2020-05-08 | 天津大学 | 一种基于智能手环进行饮食记录的方法 |
CN113488054B (zh) * | 2020-04-28 | 2024-03-08 | 海信集团有限公司 | 一种语音转发方法及服务器、智能语音设备 |
-
2000
- 2000-08-04 JP JP2000237803A patent/JP3477432B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2002049390A (ja) | 2002-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699714B2 (en) | Speech recognition with parallel recognition tasks | |
US9495956B2 (en) | Dealing with switch latency in speech recognition | |
US9070367B1 (en) | Local speech recognition of frequent utterances | |
US8571861B2 (en) | System and method for processing speech recognition | |
AU2013252518B2 (en) | Embedded system for construction of small footprint speech recognition with user-definable constraints | |
EP2036079B1 (en) | A method, a system and a device for converting speech | |
US8265933B2 (en) | Speech recognition system for providing voice recognition services using a conversational language model | |
EP2538404B1 (en) | Voice data transferring device, terminal device, voice data transferring method, and voice recognition system | |
CN1655235B (zh) | 基于话音特征自动标识电话呼叫者 | |
US20060178879A1 (en) | Adaptive multi-pass speech recognition system | |
CN102543071A (zh) | 用于移动设备的语音识别系统和方法 | |
JP2004287447A (ja) | モバイル通信デバイスのための分散音声認識 | |
JP2002091477A (ja) | 音声認識システム、音声認識装置、音響モデル管理サーバ、言語モデル管理サーバ、音声認識方法及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
WO2001099096A1 (fr) | Systeme de communication a entree vocale, terminal d'utilisateur et systeme central | |
EP1251492A1 (en) | Arrangement of speaker-independent speech recognition based on a client-server system | |
JP3477432B2 (ja) | 音声認識方法およびサーバならびに音声認識システム | |
TW200304638A (en) | Network-accessible speaker-dependent voice models of multiple persons | |
JP2003140690A (ja) | 情報システム、電子機器、プログラム | |
KR102141150B1 (ko) | 화자종속 언어모델을 이용한 화자인식 장치 및 화자인식 방법 | |
JP4408665B2 (ja) | 音声認識用発話データ収集装置、音声認識用発話データ収集方法、及びコンピュータプログラム | |
KR20060064493A (ko) | 음성 인터페이스 시스템 및 방법 | |
JP2000276188A (ja) | 音声認識装置、音声認識方法、音声認識用制御プログラムを記録した記録媒体、通信端末装置、通信方法、音声認識通信の制御用プログラムを記録した記録媒体、サーバ装置、音声認識用データの送受信方法及び音声認識用データの送受信制御プログラムを記録した記録媒体 | |
EP1635328A1 (en) | Speech recognition method constrained with a grammar received from a remote system. | |
JPH10289092A (ja) | 情報処理システムおよび情報管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030826 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090926 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100926 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100926 Year of fee payment: 7 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100926 Year of fee payment: 7 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100926 Year of fee payment: 7 |
|
R370 | Written measure of declining of transfer procedure |
Free format text: JAPANESE INTERMEDIATE CODE: R370 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100926 Year of fee payment: 7 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100926 Year of fee payment: 7 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110926 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110926 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120926 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130926 Year of fee payment: 10 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
LAPS | Cancellation because of no payment of annual fees |