JP3479691B2

JP3479691B2 - 実時間作動での音声対話又は音声命令による１つ又は複数の機器の自動制御方法及びこの方法を実施する装置

Info

Publication number: JP3479691B2
Application number: JP51163997A
Authority: JP
Inventors: シュタムラーヴァルター; クラスフリッツ; メラーカルステン−ウーヴェ; ニュスレゲルハルト; レーフランク; ブッシュキュールブルカルト; ハインリヒクリスティアン
Original assignee: ハーマンベッカーオートモーティヴシステムズゲゼルシャフトミットベシュレンクテルハフツング
Priority date: 1995-09-11
Filing date: 1996-09-09
Publication date: 2003-12-15
Anticipated expiration: 2016-09-09
Also published as: CA2231504C; WO1997010583A1; JPH11506845A; DE19533541C1; ES2170870T3; DE59608614D1; EP0852051A1; US6839670B1; EP0852051B1; ATE211572T1; CA2231504A1

Description

【発明の詳細な説明】本発明は、請求項１の上位概念に記載の実時間作動で
の音声対話又は音声命令による１つ又は複数の機器の自
動制御方法と、請求項45の上位概念に記載のこの方法を
実施する装置とに関する。

この形式の方法及び装置は一般的に、例えば自動車、
コンピュータロボット、機械、装置等のためのいわゆる
音声対話システム又は音声操作システムにおいて使用さ
れる。

音声対話システム（SDS）は一般的に次の構成要素に
帰することが可能である。

・音声認識システム。音声認識システムは、話者が発
声した命令（“音声命令”）を別の許容される音声命令
と比較し、いずれの命令が最も高い確率で話者が発声し
たかを決定する。

・音声出力装置。音声出力装置は、ユーザ案内のため
に必要な音声命令とシグナリングトーンとを出力し、場
合に応じて認識結果を応答する。

・対話及びシーケンス制御装置。対話及びシーケンス
制御装置は、いずれの種類の入力が予測されるかをユー
ザに明瞭にするか又は、行われた入力が要求及びアプリ
ケーションの瞬時のステータスと一致しているかどうか
を検査し、そして、アプリケーション（例えば制御する
機器）において結果のアクションをトリガする。

・アプリケーションへのインターフェースとしてのコ
ントロールインターフェース。コントロールインターフ
ェースは、アプリケーションを含む種々のアクチュエー
タ及び計算機を制御するためのハードウェア及びソフト
ウェアモジュールを含んでいる。

・音声により制御されるアプリケーション。これは例
えば注文システム又は情報提供システム、CAE作業場所
又は障害者用車椅子等であることもある。

本明細書は、説明した方法の一般的な適用性を制限す
ることなしに音声認識、対話構造及び自動車搭載の特別
のアプリケーションに集中している。

公知の解決法における問題点は次のようである。

ａ）その都度の話者の特性又は変化する語彙にシステ
ムを適合調整するために大きいコストのトレーニングを
実行する必要性。システムは完全に話者独立型であるか
又は完全に話者依存型すなわち話者適応型であり、後者
はそれぞれの新ユーザのためにトレーニングを必要とす
る。これは時間がかかり、話者が頻繁に交替する場合に
は操作快適性を著しく低減する。この理由から従来のシ
ステムにおいては語彙規模は、話者が交替し個々の話者
の時間不足を考慮しなければならないアプリケーション
において小さい。

ｂ）操作快適性が不充分であり、これは次のように現
れる。

− 認識信頼性を保証するために語彙が最小に制限され
る。

− １つの命令の単一単語を孤立して（すなわち中休み
をおいて）入力する。

− 誤りを認識するために単一単語が確認応答されなけ
ればならない。

− 多重の機能を制御するために多段対話ヒエラルヒー
を処理しなければならない。

− マイクロフォンを手に取らなくてはならないか又は
ヘッドセット（ヘッドホーンとリップマイクロフォンと
の組合せ）を着用しなければならない。

ｃ）ロバスト性が、 − 操作誤りに対して、 − 障害環境雑音に対して無い。

ｄ）特に中間及び小さい個数においてハードウェア実
現にコストがかかり高価になる。

本発明の課題は一方では、できるだけ小さいコストで
１つ又は複数の機器を音声命令により又は音声対話によ
り確実に実時間作動で制御される又は操作されることを
可能にする方法を提供することにある。更に、この本発
明の方法を実施する適切な装置を提供することにある。

前記課題の本発明の解決法は、この本発明の方法にお
いて請求項１の特徴部分に記載の特徴により表され、本
発明の装置においては請求項45の特徴部分に記載の特徴
により表される。その他の請求項は本発明の方法の有利
な実施の形態（請求項２〜44）及び本発明の装置の有利
な実施の形態（請求項46〜57）を含む。

本発明の１つの重要な利点は、比較的小さいコストに
より音声命令による又は音声対話による機器の高信頼性
の制御又は操作が可能であることにある。

１つの更なる重要な利点は、音声命令又は音声対話の
実行における自然な話し方に大幅に適合調整された入力
が可能であり、このために話者に高信頼性の命令の大規
模な語彙が使用可能に提供されることにある。

第３の利点は、システムがエラートレランスで動作
し、本発明の１つの有利な実施の形態では例えば話者に
より入力された音声命令の中の信頼性のない単語、名
前、音又は単語位置変更でも通常はそのまま認識され、
これらの入力された音声命令から話者が本当に希望した
音声命令が抽出される。

次に本発明が図を用いて詳細に説明する。

図１は本発明の方法を実施するための本発明の装置の
１つの有利な実施の形態（“音声対話システム”）のブ
ロック回路図、図２は図１の実際の音声対話システムを
詳細に示すブロック回路図、図３は図２の音声対話シス
テムのための入力された音声命令のセグメンテーション
の１つの有利な実施の形態のフローチャート、図４及び
５は隠れマルコフモデルの実施の形態の略線図、図６は
図２の音声対話システムの１つの有利な実施の形態のハ
ードウェア構成を示すブロック回路図、図７は電話の音
声制御操作のための図２の音声対話システムの適用のた
めの状態線図、図８は図７の電話の操作のためのフロー
チャート、図９及び10は図８のフローチャートの電話の
操作での機能“名前選択”（図９）又は“番号選択”
（図10）のためのフローチャートである。

図１の次に説明する音声対話システム（SDS）は、
（マイクロフォン２の記号により示されている）音声入
力装置、音声認識装置、対話制御装置及びシーケンス制
御装置、通信及びコントロールインターフェース、（ス
ピーカ３が接続されている）音声出力装置、（例とし
て）アプリケーションすなわちSDSにより制御する又は
操作する機器を構成要素として含む。SDS及びアプリケ
ーションは共働して音声操作システム（SBS）を形成
し、音声操作システムは実時間（“オンライン”）で作
動される。

構文及び対話構造と、すべてのユーザ／話者にとって
拘束的な基本音声命令とは“オフライン”で（例とし
て）SDS又はSBSの外部で“オフライン対話エディタモー
ド"4の中のPCワークステーションを用いて作成され、固
定され、プリセットされるべきパラメータ及びシーケン
ス構造及びシーケンス構造と一緒にSDS又はSBSに作動開
始前にデータファイルの形で供給される。

図１のSDSは図２において詳細に示されている。（図
示されていない）マイクロフォンがアナログ／ディジタ
ル変換器に接続され、アナログ／ディジタル変換器はエ
コー補償、雑音低減及びセグメンテーションのための装
置を介して、話者独立型連続単語音声認識器と、話者依
存型音声認識器とに接続されている。双方の音声認識器
は出力側で、認識器出力信号の構文的文法的及び意味的
処理のための後処理装置に接続されている。この後処理
装置も対話制御装置及びシーケンス制御装置に接続さ
れ、対話制御装置とシーケンス制御装置は、SDSと、SDS
により制御する機器とを制御する制御装置を形成する。
更に音声入出力装置が設けられ、音声入出力装置は音声
エンコーダ、音声デコーダ及び音声メモリから成る。

音声エンコーダは入力側において雑音低減装置に接続
され、出力側において音声メモリに接続されている。音
声メモリは出力側において音声デコーダに接続され、音
声デコーダは出力側においてデジタル／アナログ変換器
を介して（図示されていない）スピーカに接続されてい
る。

エコー補償装置はインターフェースを介して、場合に
応じて補償する（図中“オーディオ”により示されてい
る）オーディオ信号を供給する（図示されていない）機
器／センサに接続されている。

話者独立型連続単語音声認識器は一方では、特徴抽出
装置を有し、特徴抽出装置においてケプストラム形成
と、とりわけ入力信号のアナログ伝達特性への認識器の
適応とが行われ、他方、話者独立型連続単語音声認識器
は、後置接続されているクラス分け装置を有する。

話者依存型音声認識器も一方では、特徴抽出装置を有
し、他方、クラス分け装置を有する。しかし付加的な切
換えスイッチを介してクラス分け装置の代りに話者特有
付加的音声命令装置に切換え接続可能であり、話者特有
付加的音声命令装置はトレーニングフェーズにおいてSD
Sの実時間作動の前、間又は後に認識器によりトレーニ
ングされなければならない。話者依存型認識器は例えば
ダイナミック時間歪法すなわちDTW（dynamic time wa
rping）法で動作し、このDTW法により話者依存型認識器
のクラス分け装置は、認識する命令と事前トレーニング
されたリファレンスパターンを検出し、最小距離を有す
るリファレンスパターンを、認識する命令として識別す
る。話者依存型認識器は、話者独立型音声認識器におい
て適用される特徴抽出法（ケプストラム形成、適応等）
により動作することが可能である。

出力側において双方の認識器は、認識器出力信号の構
文的文法的及び意味的処理装置に接続されている（この
装置の役割及び機能は後に説明される）。出力側におい
て後処理装置に対話制御装置が後置接続され、対話制御
装置はシーケンス制御装置に接続されている。対話制御
装置とシーケンス制御装置とは共働してSDS制御装置を
形成し、SDS制御装置は前処理装置、音声入出力装置、
双方の認識器、後処理装置、通信及びコントロールイン
ターフェースも制御し、制御する又は操作する機器も
（図２に示されているように適切なインターフェースを
介して）制御する。

次にSDSの動作を詳細に説明する。

SDSは前述のように、入力音声命令を認識するための
２つのタイプの音声認識器を含む。双方の認識に対して
次のように特徴付けることが可能である。

・話者独立型認識器：連続して話された複数の単語の
話者独立型認識。これにより一般的な制御命令、数字、
名前、文字等を認識することが可能であり、しかもその
際、使用された単語の１つ又は複数に対して話者又はユ
ーザを前もってトレーニングすることは不要である。

更に連続単語モードでの入力を行うことが可能であ
る、すなわち複数の単語、数字、名前の組合せが１つの
命令を形成し、この命令は一気にすなわち休み無しに話
される（例えば命令：“半径１の円”）。クラス分けア
ルゴリズムにおいてHMM（hidden Markov modelすなわ
ち隠れマルコフモデル）認識器が用いられ、この認識器
は実質的に音素（音韻の最小単位）及び／又は全単語モ
デルを認識して、それらから単語又は命令を形成する。
語彙及び語彙から形成される命令（“構文構造”）は前
もって実験室で固定され、認識器にデータファイルの形
で供給される（“オフライン対話編集モード”）。実時
間作動において独立型認識器の語彙及び構文構造をユー
ザにより変更することはできない。

・話者依存型認識器：ユーザ／話者が定義しトレーニ
ングするユーザ／話者特有の名前又は機能の話者依存型
認識。ユーザ／話者は、名前リスト、機能リスト等の形
の個人的語彙を形成する又は編集することが可能であ
る。これによりユーザ／話者は彼の個人的語彙を選択
し、この語彙をいつでも“オンライン”すなわち実時間
作動で彼の必要性に適合することが可能である。

電話環境の中での用途の例として“名前リスト”、す
なわち電話加入者の名前の個人的にユーザ／話者により
作成されたリストが挙げられ、その際、・トレーニングフェーズにおけるそれぞれの名前は一
度又は複数回ユーザにより発声され（例えば“ウィリー
おじさん”）、その名前にキー入力によりしかし有利に
は独立型音声認識器により電話番号が割当てられ、・前述のトレーニング及び番号割当ての終了後にはユ
ーザは話者依存型認識器に名前（“ウィリーおじさ
ん”）のみを言い、システムに既に知られている所属の
電話番号は言わない。

話者依存型認識器は、・最も簡単な形では孤立単語認識器として形成され、・高性能の形では連続単語認識器として形成され、連
続単語認識器は継目無しに話者独立型認識器に結合され
ている。（例えば“ウィリーおじさんを呼出す”を完全
な命令として、ただし単語“呼出す”は話者独立型語彙
の一部であり、“ウィリーおじさん”は話者依存型語彙
の一部である）。

音声認識に続いて後処理装置において、双方の音声認
識器のある所定の認識確率を伴う結果の後処理が実行さ
れる。

話者独立型連続単語音声認識器は例えば複数の文仮定
を、認識確率を表す順序で供給する。この文仮定は通常
は既に、許容される構文構造を考慮している。これが当
てはまらない場合、構文的後処理（図２）の中で、許容
されない単語列が選択除去されるか又は種々の基準に従
って、これらの単語列の中に出現する単語組合せはいか
なる確率を有するかが評価される。更に、音声認識器に
より生成された文仮定がそれらの意味的なリーズナブル
ネスについて計算され、次いで最大の確率の仮定が選択
される。

正しく認識された音声命令は対話制御装置に供給さ
れ、次いで、アプリケーションへのこの音声コマンドに
割当てられているアクションが行われ、メッセージはコ
ントロールインターフェースを介して供給される。場合
に応じて、認識された音声命令は対話制御装置により音
声出力装置にも（のみに）供給されて出力される。

概略的に説明されたシステムは“オンライン”作動で、
固定された構文及び命令構造により、そして、（話者独
立型認識器の）固定された語彙と例えば（話者依存型認
識器の）名前等の自由に定義可能な語彙との組合せとを
特徴とする。

この最初は剛性に見えるフレームは、例えば雑音を伴
う環境において等の（現在の時点では数百の単語まで
の）大きい語彙量において、乗客室の中の変化する音響
状態において、及び異なる複数の話者において高い認識
性能のための前提条件である。大きい語彙量は、ユーザ
フレンドリ性を、同義語又は異なる表現変形の使用によ
り高めるために使用される。構文も、単語を音声命令に
変換することを可能にし、例えば、 “左側の円において大きな半径” 又は代替的に、 “大きな半径の左側の円において”、ただし代替は最初から“オフライン対話エディタ”にお
ける取決めの際に定義されなければならない。

前述のアプローチは特に次の理由から有利である。

・命令の連続単語入力が、孤立単語入力に比して自然
かつ迅速である。実際の上での使用により分かったこと
は、無頓着なユーザは、多単語命令を入力するために
（明瞭な中休みにより）途切れ途切れに話すことに慣れ
ることが困難なことである（従ってこのようなシステム
の容認は大幅に低い）。

・例えば連続形の数字又は文字列等の入力は、個別入
力に比して容易であり要求される集中力が低い。

・対話の実行がより自然である。何故ならば例えば数
字列においてそれぞれの単一数字が確認応答される必要
がなく、入力された数字ブロックのみが容認応答されれ
ばよいからである。

・例えば数百に及ぶ単語の語彙に起因して１つの音声
毎に、以前は手動操作を必要とした多数の機能が操作可
能である。

・手動切換え素子の数が低減されるか又は音声入力の
際に手を別の個所例えば機関の品質コントロールにおい
て使用可能である。

本システムにおいて操作快適性は、ヘッドセット（ヘ
ッドホーン及びリップマイクロフォン）又はハンドマイ
クロフォンの代りに（又はの補足に）ハンドフリー形マ
イクロフォンを使用する利点により更に高められる。し
かしハンドフリーマイクロフォンの使用は通常は、例え
ば対話スピーカ又はその他のスピーカから到来する信号
の、高性能雑音低減装置（図２）及び場合に応じてエコ
ー補償を必要とする。しかしアプリケーション又は雑音
レベルに依存してこれらの方法は、ヘッドセット又はハ
ンドマイクロフォンの使用においても必要であることも
ある。

エコー補償によりユーザ／話者は特に、音声出力中に
口を挟むことが可能となる、すなわち音声出力がアクテ
ィブである間に認識器に話しかけることが可能となる。

更に実験室において“オフライン対話エディタ”によ
り何時でも語彙及び命令を変化することが可能であり、
しかもその際、これは、話者独立型認識器の新単語のた
めの多数の話者により新トレーニングを必要としない。
その理由は、実験室において話者独立型音素及び／又は
話者独立型全単語モデルのためのデータバンクが存在
し、これらの音素又は全単語モデルからその時の開発環
境にて、簡単に新単語及び新命令を生成することが可能
であることにある。最後に、命令又は語彙の変化は、実
験室において開発システムにより計算された新パラメー
タ及びデータをデータファイルとして話者独立型“実時
間認識器”に伝送して、そこでメモリに格納することを
目的としている。

SDSにより、SDSが組込まれているコンピュータの中の
機能も、外部の機器も操作することが可能である。SDS
は例えばPCMCIAインターフェースの外に、外部機器にと
ってアクセス可能であるインターフェースも有する。こ
れは例えばV.24インターフェース、光データ制御バス、
CANインターフェース等である。選択的にSDSは更なるイ
ンターフェースを設けられることが可能である。

SDSは有利には、プッシュツウトーク（push−to−tal
k）キー（PTTキー）の作動により又は定められているキ
ーワードによりアクティブにされる。スイッチオフは、
SDSによりプリセットされた又は適応的にその都度のユ
ーザのために調整設定された時間の経過後及び／又はSD
Sの問合せの後に音声入力が行われない場合、又はユー
ザにより選択された対話が予定通りに終了した場合（例
えば所望の電話番号が電話に接続形成のために伝送され
た場合）、対応する音声命令（“中断命令”）を対話の
定められた個所に入力することにより、又は何時でもPT
Tキー又は中断キーの作動により、又は自動的に内部の
シーケンス制御装置により行われる。低雑音環境におい
てSDSを連続的にもアクティブにすることが可能であ
る。

シーケンスの説明ここで、図２のSDSは、本発明により可能な音声対話
システムのための１つの例にすぎないことを強調してお
く。データ入力又はデータ出力又は接続されている構成
要素の制御装置へのインターフェースの構成もここでは
単に例として示されているにすぎない。

図２に示されている機能ブロックが次に詳細に説明さ
れる。

1. エコー補償：エコー補償を介して例えば音声出力装置又はスイッチ
オンされたラジオのディジタル化されたスピーカ信号が
適応形フィルタアルゴリズムを介してマイクロフォン信
号から減算される。フィルタアルゴリズムはスピーカか
らマイクロフォンへのエコーパスをシミュレートする。

2. 雑音低減：雑音低減により、ディジタル化された音声信号の定常
の環境雑音と準定常の環境雑音とを区別することが可能
であり、これらの雑音を音声信号から減算することが可
能である。この種類の雑音は例えば自動車における走行
雑音、実験室及び事務所における環境雑音、及び工場内
の換気装置又は機械雑音等である。

3. セグメンテーション図３に示されているようにセグメンテーションは、ス
ペクトル変換されたデータを基礎にしている。このため
に信号はブロック毎にいわゆる“フレーム”に統合され
高速フーリエ変換（FFT）により周波数領域内に変換さ
れる。音声領域（〜200Hzから〜6KHzまで）が聴覚を基
準として個々の周波数領域（“チャネル”）に分割され
る、聴覚を基準としているMELフィルタすなわち音の高
さのメロディー的感受をシミュレートしたフィルタによ
り値形成及び重み付けによりスペクトル値はチャネルベ
クトルに統合され、チャネルベクトルは、異なる周波数
帯域における出力を示す。次いで、恒久的にアクティブ
であり命令開始及び命令終了を粗に検出する粗セグメン
テーションが行われ、次いで正確な限界を定める微細セ
グメンテーションが行われる。

4. 特徴抽出特徴抽出器は、複数の段にわたるディジタル化されセ
グメント化された音声信号から特徴ベクトルを計算し、
所属の正規化されたエネルギー値を求める。

このために話者独立型認識器においてチャネルベクト
ルは離散コサイン変換（DCT）によりケプストラムベク
トルに変換される。付加的に信号のエネルギーが計算さ
れ、正規化される。これに平行してケプストラム値の連
続的な平均値計算が行われ、これは認識器を瞬時の話者
にも、例えばマイクロフォン及びチャネル（話者→マイ
クロフォン）の伝達特性にも適応することを目的として
いる。ケプストラムベクトルは、この適応された平均値
が差引かれ、前に計算された正規化されたエネルギーに
よりいわゆるCMF（Cepstralkoeffizierten Mittelwert
frei）ベクトルに統合される。

5. 話者独立型連続単語音声認識器のクラス分け 5.1 隠れマルコフモデル（HMM）隠れマルコフモデルは、互いに遷移により接続されて
いる状態の集合である（図４）。

１つの状態qiから別の１つ状態qjへのそれぞれの遷移
はいわゆる遷移確率により表される。それぞれのノード
（状態）にいわゆる長さＭの放射確率のベクトルが割当
てられている。これらの放射確率を介して物理的世界へ
の接続が形成される。モデル構想は、ある特定の状態qi
において、Ｍとは異なるシンボルのうちの１つのシンボ
ルが、状態を基準とする放射確率に従って“放射”され
ることになっている。

モデルが生成する“放射された”シンボル系列は可視
可能である。これに対して、モデルの中で発生する状態
の具体的な順序は可視できない（隠れている）。

隠れマルコフモデルは次の値により定められる。

・Ｔシンボルの数・ｔ観測されたシンボルの時点、ｔ＝1...T ・Ｎモデルの状態（ノード）の数・Ｍ可能なシンボルの数（＝コードブック値）・Ｑモデルの状態｛q1,q2,...qn｝・Ｖ可能なシンボルの量・Ａ１つの状態から別の１つの状態への遷移確率・Ｂモデルの１つの状態における出力シンボルの確
率（放射確率）・ π （HMMのトレーニングにおける）モデルの初期
状態の確率確率分布Ａ及びＢを使用してこのモデルを用いて出力
シンボルを生成することが可能である。

5.2 音素を基礎にしたHMM認識器の構成多くの語彙を有する話者認識システムにおいて単語認
識は好適には全単語を基礎にせず、音韻的な単語構成単
位を基礎にしている。このような単語構成単位は例えば
音、二重音又は音遷移である。次いで、認識する単語
は、対応する単語構成単位モデルの連鎖により表され
る。図５において、連鎖されている隠れマルコフモデル
（HMM）のこのような表現の例として一方では、単語“b
raten（焼く、あぶるの意味）”の標準発音形（図5A）
が示され、他方、発音変形（図5B）の音韻的説明が示さ
れている。これらの単語構成単位モデルは、システムの
作成の際に多数の話者を無作為抽出検査におけるサンプ
ルとして使用してトレーニングされ、“オンライン対話
エディタ”が基礎とするデータベースを形成する。単語
構成単位によるこのコンセプトは、新単語を比較的簡単
に既存の辞書の中に採用することが可能であることにあ
る、何故ならば単語構成単位のためのパラメータが既知
であるからである。

理論的にはこの認識器により任意に大きな語彙を認識
することが可能である。しかし実際の上では、制限され
ている計算性能により、そしてその都度の用途に必要な
認識性能とにより限界が課せられている。

クラス分けはいわゆるビタービのアルゴリズムを基礎
にし、このアルゴリズムにおいては、それぞれの単語の
確率が到来シンボル系列に対して計算される。１つの単
語はこの場合には異なる音素の連鎖のことである。ビタ
ービのアルゴリズムは単語列統計（“言語モデル”）に
より補足される、すなわち“オフライン対話エディタ”
において特定化された多単語命令が、許容される単語組
合せを供給する。極端な場合にはクラス分けは、充填音
（ｈ、Hmm、咳払い、休止）又は“ガーベッジ単語”
（“非単語”）の認識及び選択除去も含む。“ガーベッ
ジ単語”は、実際の音声命令に不必要に話者により付加
されるしかし音声認識器の語彙の中に含まれていない音
声的補足である。例えば話者は“半径１を有する円形”
との命令を例えば“私はいま...したい”又は“どうぞ
１つの..."等の表現だけ更に拡張することが可能であ
る。アプリケーション又は必要語彙の量に依存してこれ
らの音素を基礎とした隠れマルコフモデルを、必要に応
じて、全単語を基礎にしている隠れマルコフモデルだけ
補足又は拡張することも可能である。

6. 話者依存型認識器話者依存型認識においては、話者独立型認識器におお
けるのと同一の前処理が行われる。文献から、実時間作
動でのトレーニングを可能にする異なるアプローチが公
知である（例えばダイナミック時間正規化（“dynamic
time warping（DTP）”）、ニューラルネットワーク
・クラス分け器）。この場合第一に単一単語認識器が挙
げられ、この場合に有利にはダイナミック時間正規化法
が使用される。

ユーザフレンドリ性を高めるために、本明細書で説明
されるSDSにおいては話者独立型認識器（第５の項を参
照）と話者依存型認識器との組合せが連続単語モードで
利用され（“グロリアを呼び出す”、“ウィリーおじさ
んの新しい目標”、“斜め楕円関数を描く”）、“グロ
リア”、“ウィリーおじさん”、“斜め楕円”との単語
はユーザによりトレーニングの際に自由に選択され、所
属の電話番号／目標アドレス／機能説明と一緒に当該の
リストの中に格納された。このアプローチの利点は、１
つから２つまでの（又は場合に応じてより多くの）対話
ステップが節約されることにある。

7. 後処理：構文及び意味検査： SDSは、音声認識器から供給される結果の高性能後処
理を含む。これには、求められた文仮定が音声命令の先
天的に定められた構成（“構文”）に対応するかどうか
の構文検査が所属する。ノーの場合、対応する仮定が棄
却される。この構文分析は個別の場合には部分的又は完
全に認識器自身の中に組込まれれていることもあり、こ
れは例えば、クラス分け器の決定ツリーの中に構文が既
に考慮される。

更に、音声認識器から供給される文仮定はその意味及
びそのリーズナブルネスに関して検査される。

このリーズナブルネステストの後に対話制御装置に渡
されるかか又は棄却される。

棄却の場合には音声認識器の次に高い確率の仮定が採
用され、同様の方法で処理される。

構文的に正しくリーズナブルな命令の場合には意味の
説明と一緒に対話制御装置に供給される。

8. 対話及びシーケンス制御装置対話制御装置は、認識された文に反応し、実行する機
能を定める。例えば対話制御装置は次のことを定める。

・いずれの問合せ、情報又は要求がユーザに出力され
るか。

・いずれのアクチュエータがいかに話しかけられる
か。

・いずれのシステムモジュールがアクティブであるか
（話者独立型認識器、トレーニング）。

・いずれの部分語彙が、次に予測される応答において
アクティブであるか（例えば数字のみ）。

更に対話制御装置は、アプリケーションのステータス
がSDSに通報されている限りアプリケーションのステー
タスの概観的知識を含む。対話制御装置にはシーケンス
制御装置が下位に所属し、シーケンス制御装置は個々の
プロセスを時間的及び論理的に制御する。

9. 通信及びコントロールインターフェースこの場合に通信は、操作する機器を含む接続されてい
る周辺機器により実行される。

このために、異なるインターフェースが使用可能であ
る。しかしSDSは通常はこれらのインターフェースのす
べてを前提としてはいない。図２に示されているインタ
ーフェースは、可能な１つの実施例を示すにすぎない。
通信及びコントロールインターフェースは通常は音声入
出力も例えばA/D変換器又はD/A変換器を介して行う。

10. 音声入出力装置音声入出力は装置、“音声信号圧縮モジュール”（＝
“音声エンコーダ”）から成り、“音声信号圧縮モジュ
ール”は、ディジタル化された音声信号から冗長性及び
重要でない部分を除去して、大幅に小さいメモリの中に
所定長の音声信号をA/D変換の後に直接に格納すること
を可能にする。圧縮された情報は音声メモリの中に格納
され、出力のために“音声デコーダ”で再生され、これ
により、オリジナル入力単語は再び聴取可能となる。こ
の場合に場合に応じて発生する再生における品質損失
は、現在使用可能な符号化又は復号化方式においては容
認可能な範囲内に維持される。

対話の実行のために音声メモリにおいて既に最初から
（“オフライン対話エディタ”）一連の命令、補助テキ
スト又は指示が格納され、これらの一連の命令、補助テ
キスト又は指示はユーザを操作の際に支援するか又はユ
ーザに情報をアプリケーション側から供給させる。

更に音声符号化が話者独立型認識器のためのトレーニ
ングの間にアクティブにされる、何故ならばユーザによ
り発声された名前も音声メモリに格納される。ユーザ
は、ユーザの名前リスト又は機能リスト聴取することに
より何時でも音響的に内容すなわち個々の名前又は機能
について情報を得ることが可能である。

音声符号化アルゴリズム及び音声復号化アルゴリズム
に関して例えば音声伝送から“ソースコーディング”と
の用語の下に公知であり、ソフトウェアによりプログラ
ム可能なプロセッサにおいて実施できる方法を適用可能
である。

図６において図２のSDSの可能なハードウェア構成の
ための１つの例が示されている。個々の機能ブロックの
構成と、データ入出力及び接続されている素子の制御の
ためのインターフェースとは例としてのみ示されてい
る。話者独立型で話された単語のためのこの場合に到来
するアクティブな語彙は例えば数百の単語を含むことも
ある。

ディジタル信号プロセッサ（DSP）は市販のプログラ
ム可能なプロセッサであり、このプロセッサはマイクロ
プロセッサとは、別のバスアーキティクチャ（例えばフ
ォンノイマンアーキテクチャの代りにハーバードアーキ
テクチャ）、特別の“オンチップ”ハードウェア演算装
置（乗算器／アキュムレータ／シフタ等）、及び実時間
ディジタル信号処理において必要とされるI/O機能の点
で異なる。ますます高性能RISCプロセッサはDSPに類似
の機能を提供し、これらの機能を場合に応じて置換する
ことが可能である。

本明細書に示されているDSP（又は類似の性能の別の
マイクロプロセッサ）は特別のインターフェースコント
ロール機能以外は、図３のすべての機能をソフトウェア
又は集積ハードウェアにより実行することが可能であ
る。現在市販のDSPにより、本明細書で説明されるコン
セプトにより現在（例として）数百の単語の語彙を実現
することが可能であり、その際、この語彙は完全に“ア
クティブな語彙”として選択可能であり、部分語彙の形
成により大幅に小さくならないと仮定されている。部分
語彙が形成される場合にはそれらの部分語彙のそれぞれ
は前述の大きさを含むことが可能である。

図６のハードウェア構造により、そして特に認識のた
めの及び／又は対話実行、シーケンス制御、音声符号化
及びインターフェースプロトコル実行のための付加的モ
ジュールを不要にすることにより、コンパクトで小コス
トで小さい電流消費量のハードウェアの実現が可能とな
る。更なる技術開発により将来においてより大きい計算
能力及びより大きいメモリ容量がDSPにおいて使用可能
となり、大きい外部メモリ領域がアドレス可能となり、
これにより膨大な量の語彙又は一層高性能のアルゴリズ
ムが実現可能となる。

SDSは、SDPに接続されている“プッシュツウトーク”
キー（PTTキー）によりアクティブにされる。このキー
を作動することにより制御ソフトウェアは認識動作を開
始する。詳細にはDSPの外に次の更なるハードウェアモ
ジュールが設けられている。

・ A/D変換器及びD/A変換器：接続されているA/D変換器及びD/A変換器を介して、 − マイクロフォン信号及び場合に応じてスピーカ信号
がディジタル化され、更なる処理のためにDSPに伝送さ
れ、 − 音声出力／対話制御のためのディジタル化された音
声データはアナログ信号に変換され、増幅され、適切な
再生媒体（例えばスピーカ）に供給される。

・ D2Bオプチカル：これは光バスシステムであり、この光バスシステムを
介して種々のオーディオ機器及び情報機器を制御可能で
ある（例えば：オーディオ及びCDチェンジャ、自動車電
話及びナビゲーション機器等）、このバスは制御データ
だけでなくオーディオデータも伝送する。極端な場合
（すなわちマイクロフォン信号及びスピーカ信号がこの
バスを介して伝送される場合）SDSの中でのA/D変換及び
D/A変換は不要となる。

・ CANバス： CANバスはバスシステムであり、このバスシステムを
介して自動車の中の情報機器及びアクチュエータを制御
することが可能である。オーディオ伝送は、通常は不可
能である。

・ V.24インターフェース：このインターフェースは、種々の周辺機器を制御する
ために用いられる。更にこのインターフェースを介して
SDSのソフトウェアの更新が可能である。例えば当該の
語彙又は当該の言語（例えば：ドイツ語、英語、フラン
ス語等）をロードすることが可能である。

・ PCMCIAインターフェース：このインターフェースはデスクトップ又はポータブル
コンピュータとの通信の外にSDSへの電圧供給にも用い
られる。前述の機能のうちの多数の機能はこのインター
フェースに統合することが可能である。更にこのインタ
ーフェースはSDSの電気的特性の外に機械的寸法も定め
ることが可能である。これらの機械的寸法は、例えばSD
Sがデスクトップ又はポータブルコンピュータのPCMCIA
コンパートメントの中に差込み可能に選択することが可
能である。

・メモリ DSPに接続されているメモリ（データ／プログラムRAM
及びROM）はDSPにプログラム及びデータメモリとして用
いられる。更にこのプログラム及びデータメモリは特定
のクラス分けモデルと場合に応じて双方の音声認識器の
リファレンスパターンと対話制御及びユーザガイドのた
めの固定テキストとを含む。FLASHメモリ又はバッテリ
ー緩衝メモリの中にユーザ固有情報が格納される（アド
レスリスト、データリスト）。

本明細書に説明されているハードウェア構成は特にイ
ンターフェースに関してそれぞれのアプリケーション又
は特定のカストマ要求に強く依存し、本明細書において
は例としていくつかの用途のために説明されている。別
のアプリケーション（例えばPC又はワークステーション
への接続又はポータブル電話における使用）においては
インターフェースの選択は全く別であることもある。A/
D変換器及びD/A変換器も既にDSPに集積可能である。

音声操作自動車電話の例における機能説明次に対話シーケンスが例として（例えば自動車の中
で）音声により制御される電話制御を例にして説明され
る。

この例は電話及びラジオ及び／又はCD及び／又は自動
車におけるナビゲーションの制御又はCAE作業場等の操
作に拡張することが可能である。

これらの例のそれぞれの特徴は次のようである。

− 多単語命令及び文字列又は数字列の話者独立型認
識。

− ユーザにより前もってトレーニングされ自由に選択
された名前、又は機能が割当てられている機能語、数字
コード（例えば電話帳の電話番号又はラジオ放送局リス
トの放送局周波数）又は文字組合せ（例えばナビゲーシ
ョンシステムにおける目的地）の話者依存型入力。

割当てを定める際にユーザは機能組合せ又は数字組合
せを話者独立型連続単語モードで入力する（機能、文
字、数字は許容語彙の一部でなければならなない、すな
わち“オフライン対話エディタ”により前もって定めら
れていなければならない）。

− この名前選択に常に関連しているのが、同一ユーザ
の異なる名前又は機能語の当該のリスト（電話帳、放送
局リスト、目的地リスト）の管理である。このようなリ
ストは拡張され、消去され、質問され又は補正されるこ
とが可能である。

状態線図SDS（図７）：音声入力を介しての電話の操作の間にSDSは異なる状
態をとり、これらの状態のうちのいくつかが例として図
７に示されている（デアクティブにされた状態；命令モ
ード“電話";選択機能に関連しての番号入力又は番号選
択及び名前入力又は名前選択；メモリ機能に関連しての
名前入力又は名前トレーニング；消去機能に関連して名
前を消去する又は電話帳を完全に又は選択的に消去す
る）。遷移は音声命令の表明（“番号選択”、“名前選
択”、“名前を記憶する”、“番号を記憶する”、“終
了”、“消去”）により制御され、SDSをアクティブに
することはPTTキーの作動により行われる。会話中断は
例えば特別の中断命令（“終了”）の入力又は中断キー
の作動により行われる。

作動状態“デアクティブにされる": 音声対話システムはこの状態では認識準備完了状態で
はない。しかし信号処理ソフトウェアの一部は好適には
常にアクティブ（雑音低減、エコー補償）であり、これ
により雑音状態及びエコー状態が恒久的に更新される。

作動状態“アクティブ”（図８）：音声対話システムはPTTキーによりアクティブにされ
て、周辺機器（電話）の更なる制御のために許容される
命令を待っている。作動状態“アクティブ”の機能シー
ケンスは図８にフローチャートの形で（例として）示さ
れ、すなわち、“電話帳を選択する”、“電話帳を消去
する”、“名前を消去する”、“名前選択”、“番号選
択”、“名前を記憶する”、“番号を記憶する”、“電
話帳を聴取する”という機能と、所属のアクション及び
リアクション（名前リストの出力、完全な又は選択的な
消去、名前選択又は番号選択、番号入力又は名前トレー
ニング）とのために示されている。勿論、これらの機能
は必要に応じて付加的な更なる機能により補足される又
は拡張されるか又は別の機能により完全に又は部分的に
置換することが可能である。

一般的にこれに関連して、アクティブにされたSDSは
何時でも、すなわち次に詳細に説明される機能シーケン
スのうちの１つの機能シーケンスの間にも再びデアクテ
ィブにされることが可能であり、これにより、場合に応
じてまだ完了されていない機能シーケンスが最終的に又
は一時的に中断されることに注意されたい。SDSをデア
クティブにすることは例えば、対話の所定の個所におい
て何時でも、場合に応じて設けられている中断キーの作
動により又は特別な中断命令（例えば“終了する”、
“中断する”等）の入力により行われる。

作動状態“名前選択”（図９）：この状態は、当該の音声命令“名前選択”又は“電話
名前選択”等が正しく認識されたことを前提とする。
この状態では電話番号の選択は名前の入力により可能で
ある。このために話者依存型音声認識器に切換えられ
る。

話者対話システムは名前の入力を要求する。名前はユ
ーザに確認応答される。音声対話システムはこの時点で
再び話者独立型認識器に切換える。名前が正しく認識さ
れた場合には、名前に割当られている電話番号が電話に
供給され、電話において当該の電話加入者への接続が形
成される。

名前が間違って理解された場合には中断機能（例えば
中断キーの作動等）により電話番号の選択を阻止するこ
とが可能である。これに対して代替的に、音声命令に割
当られているアクション／機能が実行されるべきかどう
かについてSDSの問合せが可能である。

電話帳の範囲はメモリ場所に依存して例えば50以上の
記憶されている名前を含むこともある。作動状態“名前
選択”の機能シーケンスは図９にフローチャートの形で
示されている。

作動状態“番号選択”（図10）：この状態は、当該の音声命令（例えば“番号選択”
等）が正しく認識されたことを前提とする。この状態で
は電話番号の選択が１つの数字列の入力により行われ
る。入力は連続して（場合に応じてブロック毎に）かつ
話者独立型で行われる。SDSはこの作動状態で番号の入
力を要求する。これに続いてユーザは番号を完全に又は
個々のブロックで音声命令として入力する。入力された
番号又はその都度に入力された番号ブロックはユーザ
に、その都度の音声命令の入力後に確認応答される。
“選択する”との要求が行われると番号が電話に供給さ
れ、電話において当該電話加入者への接続が形成され
る。

番号が間違って理解された場合にはエラー機能により
番号が補正又は消去されるか又は中断機能を介して例え
ば命令“終了する”により音声操作が中断される、すな
わちSDSがデアクティブにされる。

作動状態“番号選択”の機能シーケンスは図10にフロ
ーチャートの形で示されている。

作動状態“接続": 所望の電話加入者への電話接続が形成される。この状
態では音声認識器はデアクティブにされる。電話会話は
例えば中断キーにより終了される。

作動状態“番号を記憶する／名前を記憶する” 音声命令“番号を記憶する”又は“名前を記憶する”
に基づいてSDSがユーザ／話者に、数字を入力すること
を要求し、ユーザがこれらの数字を発声すると（作動状
態“番号選択”を参照）、命令“選択する”の代りに命
令“記憶する”又は類似の命令が入力される。電話番号
がこの時点で記憶される。次いでSDSはユーザに、所属
の名前を発声することを要求し、トレーニング結果の改
善のために名前入力をもう一度又は数回繰返させる。こ
の繰返しの後に対話が終了される。最初の数字入力が例
えば“中断する”又は“中断”、“繰返す”、“補正す
る”又は“補正”、“誤り”等の対話命令によりコント
ロールされることが可能である。

作動状態“電話帳を消去する／名前を消去する” “電話帳”（すべてのトレーニングされた名前及び所
属の電話番号のリスト）に関連して、ユーザのためのシ
ステムの快適性を高める例えば次のような一連の編集機
能が定められる。

電話帳を消去する：完全な又は選択的な消去、その際、最終的な消去の前
のSDSの問合せ（“貴方は本当に間違っていません
か”）により、そして特別の名前を場合に応じて出力す
ることにより認識エラーによる間違いの消去が回避され
る。

名前を消去する： SDSがユーザに、消去する名前を発声することを要求
する。名前はSDSにより繰返される。

次いでユーザが“貴方は本当に間違っていませんか?"
という質問により、消去動作を確認応答することを要求
される。

音声命令“イエス”の入力により名前が電話帳から消
去される。

音声命令として入力されたその他のそれぞれの単語が
対話を終了する。

作動状態“電話帳を聴取する": SDSは電話帳全体の内容をアナウンスする。所望の名
前がアナウンスされた後、中断命令又は選択命令が与え
られるか又はPTTキーが作動されると、選択された名前
が再度アナウンスされ、“番号を選択するか?"と質問さ
れる。

音声命令“イエス”を入力すると選択動作すなわち接
続が形成される。

“ノー”によりSDSは電話帳のアナウンスを続行す
る。音声命令“中断”、“中断する”等又は中断キーの
作動はアナウンス又は対話を終了する。

最後に挙げた２つの機能“電話帳を聴取する”及び
“電話帳を選択する”は単一の機能に統合することも可
能である。これは例えば“電話帳を聴取する”において
適切な名前の聴取後にPTTが作動され、SDSが例えば“名
前‘ウィリーおじさん’が選択される”との通報の後に
選択動作が導入されることにより行われる。

前に説明されたSDSの特性は、更なるアプリケーショ
ンを組込で次のようにまとめることが可能である。

実時間作動での音声命令又は音声対話により１つ又は
複数の機器を自動制御及び／又は操作する方法を使用で
きる。この方法において、音声出力方法、音声信号処理
方法及び音声認識方法、構文的文法的後処理方法、対話
制御方法、シーケンス制御方法及びインターフェース制
御方法が適用される。この方法はその基本バージョンに
おいて“オンライン”作動で、固定された構文構造及び
固定された命令構造と、そして固定された語彙（話者独
立型認識器）と例えば名前又は機能語等の自由に定める
ことが可能な語彙（話者依存型認識器）との組合せとを
特徴とする。有利な実施の形態においてこの方法は一連
の特徴により特徴付けられ、これらの有利は実施の形態
では次のようである。

− 構文構造及び命令構造が実時間対話作動の間にわた
り固定されている。

− 前処理、認識及び対話制御が、雑音を伴う環境の中
での作動のために形成されている。

− 一般的な命令、名前又はデータを認識するためにユ
ーザによるトレーニングが不要である（“話者独立
性”）。

− 個々のユーザの特別の名前、データ又は命令を認識
するためにトレーニングが必要である（ユーザ特有の名
前又は機能語における“話者依存性”）。

− 命令、名前又はデータの入力が有利には連続して行
われ、音声入力のための１つの命令を形成する単語の数
は可変である、すなわち１単語命令又は２単語命令だけ
でなく、３単語命令、４単語命令又は多単語命令を定め
ることが可能である。

− 音声対話の実時間処理及び実行がなされている。

− 音声入出力が手持ち装置、ヘッドホーン、ヘッドセ
ット等を介さずに又はこれらのみを介してではなく、有
利にはハンドフリー作動で行われる。

− マイクロフォンでハンドフリーで話す際に記録され
るスピーカエコーが電気的に補償され、これにより（例
えば音声処理、レディ信号等のための）音声入力とスピ
ーカとの同時の作動が可能となる（“エコー補償”）。

− アナログ伝達特性（室内音響効果、マイクロフォン
特性及び増幅器特性、スピーカ特性）への連続的な自動
適合が作動中に行われる。

− “オフライン対話エディタ”において構文構造、対
話構造、語彙及び発音変形が認識器のために新たに構成
され、定められることが可能であり、しかもその際、こ
れは独立型認識器のための付加的な又は新しい音声録音
を必要としない。

− “オフライン対話エディタ”において音声出力のた
めの音声範囲が定められ、その際、ａ）記録された音声信号がディジタル音声伝達圧縮に
かけられ（“音声符号化”）、次いで記憶され、実時間
音声出力作動においてメモリからの読出しの後に当該の
音声復号化が行われるか、又は、ｂ）音声範囲が前もってテキストの形で記憶され、実
時間音声出力作動で“テキストツウスピーチ”合成にか
けられる。

− １つの命令の個々の単語の交換により単語位置を変
化することが可能である。

− 前もって与えられている同義単語が利用可能であ
る。

− 同一の機能を、異なる単語数の命令（例えば２単語
又は３単語命令）により実現することが可能である。

− 例えば“ｈ（えー）”、“Hm（ふーむ）”、“Bi
tte（どうぞ）”、又は語彙に所属しないその他の命令
等の挿入を認識し次いで選択除去するために使用語彙に
更なる単語又は音単位が付加されるか（“非単語”、
“ガーベッジ単語”）又はワードスポッティング付加が
使用される。

− 対話構造は次の特性を特徴とする、すなわち、 − 低層ヒエラルヒー、すなわちいくつかの僅かなヒエ
ラルヒー面、有利には１つ又は２つの選択面、 − “省略文”の組込み、すなわち多数の命令単語を有
する命令文全体を繰返すことを不要とし、その代わりに
短い命令、例えば“続けて”、“より高く”、“より強
く”等に制限され、この場合、システムには、その都度
に先行の命令から、この発言が何に関してであるかが知
られており、 − “補助メニュー”又は“情報メニュー”を取り入れ
る、 − 認識器の不確実な決定におけるSDSの側での質問を
取り入れる（“何と言いましたか”、“繰返して下さ
い”、“続けて”）、 − ある特定の話し方を奨励する（例えば“もっと大き
な声で”と要求する）ことにより認識確実性を高めるた
めに音声出力を取り入れる。

− 音声認識が“プッシュツウトーク”キー（“PTTキ
ー”）を一度作動することによりアクティブにされ、こ
れは音響的に（例えば“ピー”音により）確認応答さ
れ、これにより、入力がこの時点で行われることが可能
であることが示される。

− PTTキーの作動は、音声出力の側からの問合せの後
にこれに続いて音声入力が必要である場合には不要とす
ることが可能であり、その際、 − PTTキーは、例えば電話する間に（“受話器を置
く”、“受話器を取る”）又は音声対話システムの新ス
タートの際に又は電話選択動作の中断の際に多機能を利
用するか含むか又は、 − PTTキーは付加的スイッチにより補足され、付加的
スイッチは例えば新スタート又は機能／アクションの中
断を可能にし（“中断キー”）、なおPTT機能及び中断
機能を、場合に応じて１つの共通のレバーの中に組込む
ことが可能である（例えばレバーを手前に引くことによ
りPTT機能を消去する、レバーを押し離すことにより中
断機能を消去する）。

− 対話システムは次の性能特徴のうちの１つ又は複数
を有する、すなわち、 − 異なるユーザの特別の（例えばトレーニングされた
命令、データ、名前又はパラメータが必要に応じて後の
再使用のために固定保持され、 − 話者によりトレーニングされた命令又は名前がトレ
ーニングフェーズの間に認識器に供給されるだけでな
く、これらの命令又は名前の時間的経過においても検出
され、データ圧縮器（“音声符号化”）に供給され、不
揮発記憶され、これにより読出しにより実際のステータ
スがユーザに再び供給され、 − 話者によりトレーニングされた命令又は名前がトレ
ーニングフェーズ中に、環境雑音が検出中に大幅に補償
されるように、処理される。

− 認識動作の終了が必要に応じて光学的又は音響的に
確認応答されるか（“ピー”音等）又はこれに対して代
替的に安全性又は時間又はコストに関して適切な決定に
おいて認識結果が音響的に繰返され（音声出力）、ユー
ザは、音声命令により又はスイッチ（例えば中断スイッ
チ）の作動により当該のアクションの実行を阻止するこ
とが可能である。

− 音声対話システムは光学表示媒体（LCDディスプレ
イ、モニター等）に接続され、光学表示媒体は次の機能
の個々又は複数又はすべてを引受けることが可能であ
る、すなわち、 − コントロールの目的のために、認識された命令を出
力し、 − 目標機器により音声命令に対するリアクションとし
て設定された機能を表わし、 − 音声命令により次いで設定又は選択されるか又は変
更される異なる機能／代替を表わす。

− それぞれのユーザは固有の名前リスト又は短縮リス
トを設置でき（電話帳又はアドレスブックに類似）、そ
の際、 − ユーザにより話者依存型認識器においてトレーニン
グされた名前に、話者独立型作動モードにおいて入力さ
れた数字連鎖、文字連鎖又は１つの命令又は１つの命令
シーケンスが割当てられ、 − 数字連鎖、文字連鎖又は命令シーケンスの新たな入
力の代りにユーザはリスト名称及びユーザにより選択さ
れた名前を入力するか又は名前の外に、正しいリストを
推定させる適切な命令が入力され、 − リストを音声制御して何時でも更なる入力だけ拡張
することが可能であり、 − リストを音声制御して完全に又は選択的に消去する
ことが可能であり、 − リストを音声命令に基づいて聴取し、ユーザにより
入力された名前と必要に応じて所属の数字連鎖、文字連
鎖又は命令を音響的に出力することが可能であり、 − リストの音響的出力をそれぞれの任意の時点で中断
することが可能である。

− 数字列を一体的に又はブロック毎に発声することが
可能であり、SDSは有利には次の機能のうちの１つ又は
複数又はすべてを有する、すなわち、 − それぞれの入力休止の後に確認応答が、最後の入力
ブロックが音声出力により繰返されることにより行わ
れ、 − 命令“誤り”、“間違い”等による確認応答の後に
最後の入力ブロックが消去され、残りの記憶されたブロ
ックが音響的に再生され、 − 命令“消去する”又は類似の命令入力による確認応
答の後にすべての入力された数字ブロックが消去され、 − 命令“繰返す”等による確認応答の後に、今まで記
憶されたブロックが音響的に出力され、 − 命令“中断”又は類似の命令入力による確認応答の
後に数字列の入力が完全に中断され、 − 確認応答の後に更なる数字又は数字ブロックが入力
され、 − 確認応答の後に数字入力が適切な命令により終了さ
れ、 − 命令“誤り”等又は命令“繰返す”に続く、今まで
発声された数字の出力において、入力の場合と同一のブ
ロック化が使用される。

− 復号機能の選択ために又は多数の情報の入力のため
に設けられている文字列が発声され、文字列は一体的に
又はブロック毎に入力され、SDSは有利には次の特徴の
うちの１つ又は複数又はすべてを有する、すなわち、 − それぞれの入力休止の後に確認応答が、最後の入力
ブロックが音声出力により繰返されることにより行わ
れ、 − 命令“誤り”、“間違い”等による確認応答の後に
最後の入力ブロックが消去され、残りの記憶されたブロ
ックが音響的に出力され、 − 命令“消去する”等による確認応答の後にすべての
入力された文字が消去され、これに続いて新たな入力が
行われ、 − 命令“繰返す”等による確認応答の後に、今まで記
憶されたブロックが音響的に出力され、 − 確認応答の後に更なる文字又は文字ブロックが入力
され、 − 場合に応じて文字列が、記憶されている単語リスト
と適合調整され、これから最良に適合する単語が抽出さ
れるか又はこれに対して代替的にこの適合調整が既に個
々の文字ブロックの入力後に行われ、 − 命令“中断”又は類似の命令入力による確認応答の
後に文字列の入力が完全に中断され、 − 確認応答の後に文字入力が適切な命令により終了さ
れる。

− 音声出力及び“ピーピー”音の出力音量が環境雑音
に適合され、環境雑音は音声休止の間に環境雑音の音量
及び特性に関して検出される。

− 音声対話システムへのアクセス又はユーザ固有のデ
ータ／命令へのアクセスは特別のキーワード又はパスワ
ードの入力後のみにしか可能でないか又は特別のキーワ
ード又はパスワードの入力後に、認可された話者により
行われ、話者の音声特性は対話システムに既知であり、
対話システムにより検査される。

− 長く持続する音声出力（例えば情報メニュー）は、
発声される中断命令又はPTTキー又は中断キーにより早
期に終了させることが可能である。

− 音声対話システムは次の形のうちの１つの形で前述
の機能の手動操作を（例えばスイッチ、キー、回転つま
みにより）補足する又は置換する、すなわち、 − 音声命令実行は何等の手動操作も置換せず、始動の
操作の外に存在し（すなわち操作は何時でも手動で行わ
れる又は接続されることが可能である）、 − いくつかの特別の性能特徴は音声入力のみによって
しか活かせることができず、重要な機器機能及び操作機
能は手動でも音声によっても命令することができ、 − 手動の操作素子の数が大幅に低減され、個々のキー
又は回転つまみは多機能を引受け、音声により手動の操
作素子に特別の機能が割当てられ、重要な操作機能のみ
が依然として手動で制御可能であり、しかし操作機能の
基本は音声命令ですることである。

− ただ１つの多単語により多数の種々の機器及び機器
機能が応動可能及び変更可能であり、従って複雑な多段
階の操作プロセス（例えば第１のステップで機器の選
択、次いで第２のステップで機能の選択、次いで第３の
ステップで変化の種類の選択）は不要である。

− 次の機能のうちの個々及び複数のための自動車の中
の音声対話システムが適用される、すなわち、 − 例えば自動車電話、（場合に応じてカセット、CDチ
ェンジャ、サウンドシステムを有する）自動車ラジオ、
ナビゲーションシステム、非常呼出し装置、テレマティ
ークサービス、搭載モニター、空調装置、暖房装置、ポ
ータブル計算機、照明装置、スライディングルーフ、窓
開閉装置、シート位置調整装置、座席暖房装置、後部窓
加熱装置、ミラー位置調整及びミラーメモリ、シート位
置調整及びシートメモリ、ステアリングホイール位置調
整及びステアリングホイール調整メモリ等の個々の又は
複数の機器の操作、 − 例えば油圧、油温度、冷却水温度、消費量、タイヤ
圧力等のパラメータの情報問合せ、 − 例えば過度に高い冷却水温度、過度に低いタイヤ圧
力等の特別の状態での必要な措置に関する情報、 − 自動車の故障における運転者の警報、その際、 − 自動車ラジオにおける新放送局の音声制御による選
択は有利には次のシーケンスのうちの１つに従って行わ
れる、すなわち、 − 上方又は下方のサーチ走行の命令、 − 放送局の音声入力は有利には日常言語の形で行われ
（例えば“Einhundertdreikommasieben（103コンマ
７）”又は“Hundertdreikommasieben（103コンマ7"、
“Hundertunddreikommasieben（100と３コンマ7"又は
“周波数指示を含めて（例えば“Hundertdreikommasieb
en MegaHertz"））、 − 通常使用されている放送局名（例えば“SDR1"）。

− 空調装置において（場合に応じて自動車の乗客室の
中の場所に応じて左方、右方、前方、後方へ段階付けら
れている）所望の温度を音声入力により相対的にだけで
なく有利には絶対的に（すなわち゜F等）定めることが
可能であり、付加的に最小又は最大又は平均の温度又は
通常温度を命令することが可能であり、同様に自動車乗
客室の中の送風機のための作動条件を定めることが可能
である。

− ナビゲーションシステムに目的地（場所名、通り
名）が“文字綴モード”での文字列の入力により伝達さ
れ、名前の始端も入力として充分であり、ナビゲーショ
ンシステムは複数の候補を選択のために提供する。

− 次のユーザ固有の名前リストのうちの１つ又は複数
が設置される、すなわち、 − プリセット可能な名前／略称での電話番号の記憶の
ためのリスト、 − プリセット可能な名前／略称でのナビゲーションシ
ステムのための目的地の記憶のためのリスト、 − 命令又は命令列のための機能名の記憶のためのリス
ト、 − プリセット可能な放送局名又は略称での自動車ラジ
オの放送局周波数の記憶のためのリスト。

− 音声出力及び“ピーピー”音の出力音量、場合に応
じてラジオ音量も、次のパラメータのうちの１つ又は複
数を考慮して定めるか又は適応整合する、すなわち、 − 自動車速度、 − 窓多びスライディングルーフの開放幅 − 送風機の調整、 − 自動車タイプ、 − その都度の対話状況での音声出力の重要性。

前述の音声対話システムの１つの有利な実施の形態で
は特に、シーケンス制御、対話制御、インターフェース
制御、音声入出力及び音声信号前処理、認識、構文的文
法的及び意味的後処理がマイクロプロセッサ及び信号プ
ロセッサ、メモリ及びインターフェースモジュールによ
り行われるが、しかし有利にはただ１つのディジタル信
号プロセッサ又はマイクロプロセッサ又は所要の外部の
データ及びプログラムメモリ、インターフェース及び所
属のドライバモジュール、クロック発生器、制御論理回
路、及び音声入出力に必要なマイクロフォン及びスピー
カ、及び場合に応じてプッシュツウトーク（PTT）キー
及び中断キーにより行われる。

更に、１つ及び複数のインターフェースを介して次の
ことが可能である、すなわち、 − データ及び／又はパラメータがロード可能又は事後
ロード可能であり、これにより例えばプロシージャ変更
又は別の言語のための音声対話システムが実現可能であ
る。

− １つの別個の計算機で定められた又は変更された構
文構造、対話構造、シーケンス制御、音声出力等が音声
対話システムに伝送される（“オフライン対話エディ
タ”）。

− ステータス情報又は対話情報をSDSにより要求し、
取出すことが可能である。

− 音声対話システムを、制御する機器のうちの複数の
機器に（個々の機器へのポイントツウポイント接続の代
りに）バスシステム及び／又はリング状ネットワークを
介して接続し、このバス又はネットワークを介して自動
車又は操作する機器の制御データ又はオーディオ信号又
はステータスメッセージを伝送する。

− 個々の制御する機器がそれぞれ１つの固有の音声対
話システムを含まず、ただ１つの（共通の）音声対話シ
ステムにより操作される。

− 自動車構成要素又は自動車計算機への１つ又は複数
のインターフェースが設けられ、前記インターフェース
を介して恒久的又は実際の自動車データ例えば速度、機
関温度等が音声対話システムに伝達される。

− 音声対話システムに（音声入出力が行われない）待
ち時間の間に例えばラジオ、電話等の別の機能を引受け
る。

− 拡張されたメモリにより多言語の話者独立型対話シ
ステムが形成され、短期間に異なる言語の対話システム
と対話システムとの間で切換えを行うことが可能であ
る。

− 光学ディスプレイが音声対話システムに１つの特別
のインターフェースを介して又はバス端子を介して接続
され、このバスは有利には光学データバスであり、この
データバスを介して制御信号もオーディオ信号も伝送さ
れる。

本発明が図示の実施の形態及び用途例に制限されず、
意味的に別の実施の形態又は用途に適用可能であること
は自明である。例えばこのような音声対話システムは電
子辞書又は電子ディクタフォン又は電子翻訳システムの
操作に適用可能である。

本発明の１つの特別の実施の形態では、・小さな構文での比較的制限されている用途では構文
的単語の２つの組（bigram）−音声モデルの形の構文的
検査が認識プロセスの中に組込まれ、従って構文的後処
理を実行することが可能であり、・複合的課題設定においては認識器と後処理装置との
間のインターフェースがもはや個々の文ではなくいわゆ
る“単語仮定ネット”であり、この単語仮定ネットから
後処理段において、特別の対形成ストラテジによる構文
的プリセットに起因して最適の文が抽出される。

更に、音声出力に対して補足的又は代替的に、光学的
ベースで動作する出力装置（例えばディスプレイ）を設
け、この出力装置で例えば入力された音声命令が、SDS
により認識される形で表示可能である。

最後に、アクティブにされたSDSは、システムにより
固定してプリセットされているか又は適応的にユーザ／
話者に調整されている比較的長い時間にわたりユーザ／
話者により何等の新音声命令ももはや入力されないこと
により再びデアクティブにされるようにすることも考え
られる。

略称 PTT プッシュツウトーク HMM 隠れマルコフモデル DTW ダイナミックタイムワーピング（ダイナミック時
間正規化） CMF 平均値フリーのケプストラムベクトル FFT 高速フーリエ変換 LDA 線形識別分析 PCM パルス符号変調 VQ ベクトル量子化 SDS 音声対話システム SBS 音声操作システム

フロントページの続き (51)Int.Cl.⁷ 識別記号ＦＩＧ１０Ｌ 15/10 Ｇ１０Ｌ 3/00 ５２１Ｆ 15/14 ５３５ 15/20 ５７１Ｋ 21/02 3/02 ３０１Ｃ 9/16 ３０１Ｂ (72)発明者カルステン−ウーヴェメラードイツ連邦共和国Ｄ−72730 エスリンゲンフリードリヒ−エーベルト−シュトラーセ 17 (72)発明者ゲルハルトニュスレドイツ連邦共和国Ｄ−89134 ブラウシュタインコルンブルーメンヴェーク７ (72)発明者フランクレードイツ連邦共和国Ｄ−70439 シュツツトガルトインデンヴァインベルゲン８ (72)発明者ブルカルトブッシュキュールドイツ連邦共和国Ｄ−71069 ジンデルフィンゲンパッペルヴェーク 62 (72)発明者クリスティアンハインリヒドイツ連邦共和国Ｄ−73733 エスリンゲンラウンスヴィーゼンヴェーク 35 (56)参考文献特開平２−312426（ＪＰ，Ａ) 特開平５−290101（ＪＰ，Ａ) 特開平６−202689（ＪＰ，Ａ) 特開平５−216618（ＪＰ，Ａ) 特開平１−97044（ＪＰ，Ａ) 特開平４−301697（ＪＰ，Ａ) 特開昭63−281199（ＪＰ，Ａ) 特開昭62−138900（ＪＰ，Ａ) 特開昭59−71100（ＪＰ，Ａ) 特開昭58−23097（ＪＰ，Ａ) 特開昭58−30800（ＪＰ，Ａ) 特開昭58−76893（ＪＰ，Ａ) 特開昭49−3507（ＪＰ，Ａ) 特開昭58−50598（ＪＰ，Ａ) 特開平６−133039（ＪＰ，Ａ) 特開平３−155598（ＪＰ，Ａ) 特開昭61−151600（ＪＰ，Ａ) 特開平２−184900（ＪＰ，Ａ) 特開平２−184899（ＪＰ，Ａ) 特開平４−125597（ＪＰ，Ａ) 特開昭59−107391（ＪＰ，Ａ) 特開昭56−89799（ＪＰ，Ａ) 特開昭49−57702（ＪＰ，Ａ) 特開昭59−228434（ＪＰ，Ａ) 特開昭60−104999（ＪＰ，Ａ) 特開昭58−151000（ＪＰ，Ａ) 特開昭60−104999（ＪＰ，Ａ) 特開昭62−245296（ＪＰ，Ａ) 特開昭61−35494（ＪＰ，Ａ) 特開昭63−116199（ＪＰ，Ａ) 特開平３−2793（ＪＰ，Ａ) 特開昭63−301998（ＪＰ，Ａ) 特開昭59−180600（ＪＰ，Ａ) 特開昭62−105198（ＪＰ，Ａ) 特開平４−120850（ＪＰ，Ａ) 特開平４−172052（ＪＰ，Ａ) 特開昭60−62221（ＪＰ，Ａ) 特開昭61−112198（ＪＰ，Ａ) 特開昭63−32596（ＪＰ，Ａ) 特開平８−307509（ＪＰ，Ａ) 実開昭58−16700（ＪＰ，Ｕ) 実開昭59−122634（ＪＰ，Ｕ) 特公平２−17118（ＪＰ，Ｂ２) 特公平７−66272（ＪＰ，Ｂ２) 特公平３−23810（ＪＰ，Ｂ２) 特公平４−38358（ＪＰ，Ｂ２) 特公昭47−21921（ＪＰ，Ｂ１) 特公平３−76759（ＪＰ，Ｂ２) 特公平７−82351（ＪＰ，Ｂ２) 特公平６−8999（ＪＰ，Ｂ２) 特公平３−7119（ＪＰ，Ｂ２) 特公昭63−7978（ＪＰ，Ｂ１) 特公昭63−35999（ＪＰ，Ｂ１) 特公平１−14496（ＪＰ，Ｂ２) 特公平１−23702（ＪＰ，Ｂ２) 実公平１−32425（ＪＰ，Ｙ２) 古井，デジタル音声処理，日本，東海大学出版会，1985年９月25日，Ｐａｇｅｓ 44−48，151−153 Ｌ．Ｒ．Ｒａｂｉｎｅｒ，Ｂ−Ｈ．Ｊｕａｎｇ，ＦｕｎｄａｍｅｎｔａｌｓｏｆＳｐｅｅｃｈＲｅｃｏｇｎｉｔｉｏｎ，米国，Ｐｒｅｎｔｉｃｅ−Ｈａｌｌ，1993年，Ｐａｇｅｓ 42−51, 183−190，200−238，285−291，305− 317，321−389，414−416，448，488− 493 谷萩，デジタル信号処理の理論３. 推定・適応信号処理，日本，コロナ社, 1986年12月10日，Ｐａｇｅｓ 190−194 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G10L 15/00 - 17/00 G10L 11/00 - 13/08 G10L 19/00 - 21/06 B60R 16/02

Claims

(57)【特許請求の範囲】

【請求項１】実時間作動での音声対話又は音声命令によ
る１つ又は複数の機器の自動制御方法であって、入力さ
れた音声命令を、話者独立型連続単語音声認識器及び場
合に応じて話者依存型付加的音声認識器により認識して
前記音声命令の認識確率に従ってクラス分けする、実時
間作動での音声対話又は音声命令による１つ又は複数の
機器の自動制御方法において、複数の音声命令又は１つの音声対話を、少なくとも１つ
の構文構造、少なくとも１つの基本命令語彙、及び必要
に応じて少なくとも１つの話者固有の付加的命令語彙を
ベースにして形成し又は行い、１つ又は複数の前記構文構造と１つ又は複数の前記基本
命令語彙とを話者独立型の形でプリセットして、実時間
作動の間固定し、話者又はその都度の話者が、トレーニングフェーズにお
いて実時間作動の中及び／又は外で、話者依存型認識方
法で動作する付加的音声認識器を前記付加的命令の一回
又は複数回の入力により前記話者又は前記その都度の話
者の話者固有の特徴に対してトレーニングすることによ
り、前記話者又は前記その都度の話者が１つ及び複数の
話者固有の付加的命令語彙を入力し又は変更し、実時間作動で音声対話の実行及び／又は１つ又は複数の
前記機器の制御を次のように行い、すなわち、前記話者又はその都度の前記話者により入力された音声
命令を、音素及び／又は全単語モデルをベースに動作す
る話者独立型連続単語音声認識器と話者依存型付加的音
声認識器とに供給し、前記音声認識器でそれぞれ特徴抽
出を行い、話者独立型連続単語音声認識器において、前記音声認識
器で抽出された特徴を使用して、それぞれプリセットさ
れている構文構造のそれぞれの基本命令語彙から基本命
令の存在を検査してクラス分けし、話者依存型付加的音声認識器において、前記認識器で抽
出された特徴を使用して、その都度の付加的命令語彙か
らの付加的命令の存在を検査してクラス分けし、次いで、双方の前記認識器の所定の確率で認識されてク
ラス分けされた命令及び構文構造を仮定的音声命令に統
合し、前記仮定的音声命令を、プリセットされている前
記構文構造に従って前記仮定的音声命令の信頼性及び認
識確率に関して検査してクラス分けし、次いで、許容される仮定的音声命令を、プリセット基準
に従って前記仮定的音声命令のリーズナブルネスに関し
て検査し、リーズナブルと認識された前記仮定的音声命
令から、最大の認識確率を有する前記仮定的音声命令を
選択して、前記話者又は前記その都度の話者により入力
された音声命令として識別し、次いで、識別された前記音声命令に割当られている制御すべき前記機器の機能を開始する及び／又は、応答をプリセットされている音声対話構造に従って音声
対話の継続のために生成することを特徴とする請求項１
に記載の実時間作動での音声対話又は音声命令による１
つ又は複数の機器の自動制御方法。
【請求項２】音声命令の入力を音響的に有利にはハンド
フリー作動で行うことを特徴とする請求項１に記載の実
時間作動での音声対話又は音声命令による１つ又は複数
の機器の自動制御方法。
【請求項３】音響的に入力された音声命令を、定常的又
は準定常的環境雑音により発生された雑音信号を音声信
号受信チャネルの中で双方の音声認識器の前で有利には
適応形ディジタルフィルタ方法により補償することによ
り雑音低減して双方の音声認識器に供給することを特徴
とする請求項１又は請求項２に記載の実時間作動での音
声対話又は音声命令による１つ又は複数の機器の自動制
御方法。
【請求項４】音響的に入力された音声命令を、音声出力
装置又は音楽出力装置の音声信号受信チャネルの中にフ
ィードバックされた信号を音声信号受信チャネルの中で
双方の音声認識器の前で特に有利には雑音低減装置の前
で適応形ディジタルフィルタ方法により補償することに
より、エコー補償して双方の前記音声認識器に供給する
ことを特徴とする請求項１から請求項３のうちのいずれ
か１つの請求項に記載の実時間作動での音声対話又は音
声命令による１つ又は複数の機器の自動制御方法。
【請求項５】入力された音声命令をディジタル化の後に
ブロック毎に統合し重み付けの後にスペクトル変換有利
には高速フーリエ変換（FTT）により周波数領域に変換
し、次いで絶対値形成及び後続の聴覚を基準としてMEL
フィルタリングによりチャネルベクトルに統合し、これ
に続いてセグメンテーションを行うことを特徴とする請
求項１から請求項４のうちのいずれか１つの請求項に記
載の実時間作動での音声対話又は音声命令による１つ又
は複数の機器の自動制御方法。
【請求項６】セグメンテーションを粗セグメンテーショ
ンと微細セグメンテーションとに分割することを特徴と
する請求項５に記載の実時間作動での音声対話又は音声
命令による１つ又は複数の機器の自動制御方法。
【請求項７】話者独立型連続単語音声認識器において特
徴抽出を次のように行う、すなわち、チャネルベクトルを離散コサイン変換（DCT）によりケ
プストラムベクトルに変換し、付加的に所属信号のエネルギーを計算及び正規化し、認識器をその都度の話者及び／又は音声信号受信チャネ
ルのその都度の伝達特性に適応するために連続的にケプ
ストラムベクトルの平均値を計算して前記ケプストラム
ベクトルから減算し、前記ケプストラムベクトルの前記平均値が差引かれたケ
プストラムベクトルと、計算された正規化された信号エ
ネルギーとを、平均値が差引かれたケプストラム係数
（CMFベクトル）に統合するように行うことを特徴とする請求項５又は６に記載の実
時間作動での音声対話又は音声命令による１つ又は複数
の機器の自動制御方法。
【請求項８】話者独立型連続単語認識器が、クラス分け
において音素及び／又は全単語を基礎する隠れマルコフ
モデル（HMM）により動作することを特徴とする請求項
１から請求項７のうちのいずれか１つの請求項に記載の
実時間作動での音声対話又は音声命令による１つ又は複
数の機器の自動制御方法。
【請求項９】クラス分けをビタービアルゴリズムを用い
て行い、前記ビタービアルゴリズムを、有利には前もっ
て与えらえている単語列統計により補足することを特徴
とする請求項８に記載の実時間作動での音声対話又は音
声命令による１つ又は複数の機器の自動制御方法。
【請求項１０】クラス分けにおいて付加的に充填語又は
充填音又はその他の前もって与えられている基本語彙の
中に含まれていない誤り命令もそれとして認識し、相応
してクラス分けして選択除去することを特徴とする請求
項１から請求項９のうちのいずれか１つの請求項に記載
の実時間作動での音声対話又は音声命令による１つ又は
複数の機器の自動制御方法。
【請求項１１】話者独立型連続単語音声認識器と話者依
存型付加的音声認識器とを入力音声命令に対して、同一
の信号前処理、有利には雑音低減、エコー補償及びセグ
メンテーション方法を含む同一の信号前処理にかけるこ
とを特徴とする請求項１から請求項10のうちのいずれか
１つの請求項に記載の実時間作動での音声対話又は音声
命令による１つ又は複数の機器の自動制御方法。
【請求項１２】付加的音声認識器が単一単語音声認識器
として有利にはダイナミック時間正規化方法に従って動
作することを特徴とする請求項１から請求項11のうちの
いずれか１つの請求項に記載の実時間作動での音声対話
又は音声命令による１つ又は複数の機器の自動制御方
法。
【請求項１３】話者独立型連続単語音声認識器と話者依
存型音声認識器とが組合せられて連続単語コードにおい
て動作することを特徴とする請求項１から請求項12のう
ちのいずれか１つの請求項に記載の実時間作動での音声
対話又は音声命令による１つ又は複数の機器の自動制御
方法。
【請求項１４】実時間作動の間に音声信号受信チャネル
をアナログ伝送特性特に空間音響特性及び／又はマイク
ロフォン特性及び／又は増幅器特性及び／又は話者特性
に連続的に適合することを特徴とする請求項１から請求
項13のうちのいずれか１つの請求項に記載の実時間作動
での音声対話又は音声命令による１つ又は複数の機器の
自動制御方法。
【請求項１５】前もって与えらる基本命令を音声符号化
された形で前もって与えて記憶し、及び／又は話者又は
その都度の話者によりトレーニングフェーズで入力され
た付加的命令及び／又は実時間作動において入力された
音声命令をそれらの入力の後に音声符号化して更に処理
し及び／又は不揮発記憶し、音響的に出力する符号化さ
れた音声命令をそれらの出力の前に音声復号化すること
を特徴とする請求項１から請求項14のうちのいずれか１
つの請求項に記載の実時間作動での音声対話又は音声命
令による１つ又は複数の機器の自動制御方法。
【請求項１６】前もって与えられている基本命令及び／
又は付加的命令及び／又は実時間作動において入力され
た音声命令をテキストの形で記憶し、音響的に出力され
る音声命令をそれらの出力の前にテキストから言語への
合成にかけることを特徴とする請求項１から請求項14の
うちのいずれか１つの請求項に記載の実時間作動での音
声対話又は音声命令による１つ又は複数の機器の自動制
御方法。
【請求項１７】構文構造及び話者独立型命令を前もって
“オフライン対話エディタモード”で実験室において作
成及び固定し、連続単語音声認識器にデータファイルの
形で供給することを特徴とする請求項１から請求項16の
うちのいずれか１つの請求項に記載の実時間作動での音
声対話又は音声命令による１つ又は複数の機器の自動制
御方法。
【請求項１８】音声命令の中の単語位置を、１つの命令
の個々の単語を交換することにより変化可能である、及
び、前もって与えられている同義の単語を音声命令の形成の
際に使用可能である、及び、同一の機能を異なる単語数の音声命令により実現するこ
とが可能であることを特徴とする請求項１から請求項17
のうちのいずれか１つの請求項に記載の実時間作動での
音声対話又は音声命令による１つ又は複数の機器の自動
制御方法。
【請求項１９】挿入句又はその他の語彙に所属しない命
令を認識し次いで選択除去するために、許容される語彙
に更なる単語又は音単位を付加する又はワードスポッテ
ィング部分を利用することを特徴とする請求項１から請
求項18のうちのいずれか１つの請求項に記載の実時間作
動での音声対話又は音声命令による１つ又は複数の機器
の自動制御方法。
【請求項２０】対話構造が、いくつかの僅かなヒエラルヒー面、有利には１つ又は２
つのヒエラルヒー面を有する低層ヒエラルヒーと、音声対話の実行の際の省略文の組込みと、補助メニュー又は情報メニューの取り入れと、認識器の不確実な決定の際の音声対話システムの問合せ
の取り入れと、ある特定の話し方を奨励することにより認識信頼性を高
めるための音声出力の取り入れ、の特性を有することを特徴とする請求項１から請求項19
のうちのいずれか１つの請求項に記載の実時間作動での
音声対話又は音声命令による１つ又は複数の機器の自動
制御方法。
【請求項２１】音声認識又は音声対話を、１つ又は複数
の機器機能を制御するために、有利にはプッシュツウト
ーク（PTT）キーの一回の作動によりアクティブにし、
このアクティブ化を有利には音響的及び／又は光学的に
確認応答することを特徴とする請求項１から請求項20の
うちのいずれか１つの請求項に記載の実時間作動での音
声対話又は音声命令による１つ又は複数の機器の自動制
御方法。
【請求項２２】アクティブ化を、プリセット可能である
か又はその都度のユーザのために調整設定される時間の
経過後及び／又は音声対話システムの問合せの後に音声
入力が行われない場合又はユーザにより選択された対話
が予定通りに終了された場合に自動的に中断することを
特徴とする請求項１から請求項21のうちのいずれか１つ
の請求項に記載の実時間作動での音声対話又は音声命令
による１つ又は複数の機器の自動制御方法。
【請求項２３】音声対話又は音声命令の入力を、プリセ
ットされている特別の中断音声命令の入力により音声対
話の所定個所で又は何時でもキー、有利にはプッシュツ
ウトークキー又は中断キーの作動により中断することが
可能であることを特徴とする請求項１から請求項22のう
ちのいずれか１つの請求項に記載の実時間作動での音声
対話又は音声命令による１つ又は複数の機器の自動制御
方法。
【請求項２４】音声対話システムが、異なる話者の特別の（例えばトレーニングされた）音声
命令を必要に応じて後の再利用のために固定保持する特
徴と、話者によりトレーニングされた音声命令又は名前をトレ
ーニングフェーズの間に認識器に供給するだけでなく、
それらの時間的経過の間に検出し、伝達圧縮装置（“音
声符号化装置”）に供給して不揮発記憶する特徴と、話者によりトレーニングされた音声命令をトレーニング
フェーズの間に、環境雑音が検出の間に大幅に補償され
るように処理する特徴とを有することを特徴とする請求
項１から請求項23のうちのいずれか１つの請求項に記載
の実時間作動での音声対話又は音声命令による１つ又は
複数の機器の自動制御方法。
【請求項２５】認識動作の終了を音響的にコントロール
トーンにより確認応答することを特徴とする請求項１か
ら請求項24のうちのいずれか１つの請求項に記載の実時
間作動での音声対話又は音声命令による１つ又は複数の
機器の自動制御方法。
【請求項２６】有利には安全性又は時間又はコストに関
して適切な決定において認識結果を音響的に繰返し（音
声出力）、話者が、音声命令により又はスイッチ有利に
はプッシュツウトークキー又は中断キーの作動により、
音声命令に割当てられている機能の実行を阻止する又は
取消す可能性を有することを特徴とする請求項１から請
求項25のうちのいずれか１つの請求項に記載の実時間作
動での音声対話又は音声命令による１つ又は複数の機器
の自動制御方法。
【請求項２７】音声対話システムを光学表示媒体有利に
はLCDディスプレイ又はモニター又は１つの制御される
機器のディスプレイに接続することを特徴とする請求項
１から請求項26のうちのいずれか１つの請求項に記載の
実時間作動での音声対話又は音声命令による１つ又は複
数の機器の自動制御方法。
【請求項２８】光学表示媒体が、コントロール目的のために認識された音声命令を出力す
る機能と、目的機器により音声命令に対するリアクションとして設
定された機能を表現する機能と、音声命令により次いで設定された又は選択された又は変
更された異なる機能／代替を表現する機能とを引受ける
ことを特徴とする請求項27に記載の実時間作動での音声
対話又は音声命令による１つ又は複数の機器の自動制御
方法。
【請求項２９】それぞれの話者が固有の名前リスト又は
略称リストを設けることが可能であり、前記リストは、話者により話者依存型認識器においてトレーニングされ
た名前が、話者独立型作動モードにおいて入力された数
字連鎖、文字連鎖及び／又は命令又は命令シーケンスを
表す特徴と、前記数字連鎖、前記文字連鎖又は前記命令シーケンスの
再度の入力の代りにユーザはリスト名称と、ユーザによ
り選択された名前とを入力するか又は前記名前の外に正
しい前記リストを推定させる適切な命令を入力する特徴
と、前記リストを音声制御して何時でも更なる入力だけ拡張
することが可能である特徴と、前記リストを音声制御して完全に又は選択的に消去する
特徴と、前記リストを音声命令に基づいて聴取し、ユーザにより
入力された名前と必要に応じて所属の数字連鎖、文字連
鎖又は命令とを音響的に出力する特徴と、リストの音響的出力を任意の時点で中断することが可能
である特徴とを有することを特徴とする請求項１から請
求項28のうちのいずれか１つの請求項に記載の実時間作
動での音声対話又は音声命令による１つ又は複数の機器
の自動制御方法。
【請求項３０】１列の数字（数字列）を一気に一体的に
又はブロック毎に発声することが可能であり、音声入力
又は音声対話が有利には、次の特徴すなわちその都度の入力休止の後に、最後の入力ブロックが音声
出力により繰返されることにより確認応答を行う特徴
と、前記確認応答の後に音声命令“誤り”等により最後の入
力ブロックを消去し、残りの記憶されているブロックを
音響的に出力する特徴と、前記確認応答の後に音声命令“消去する”等によりすべ
ての入力された数字ブロックを消去する特徴と、前記確認応答の後に音声命令“繰返す”等により、今ま
で記憶されたブロックを音響的に出力する特徴と、前記確認応答の後に音声命令“中断”等により数字列の
入力を完全に中断する特徴と、前記確認応答の後に更なる数字又は数字ブロックを入力
する特徴と、前記確認応答の後に数字入力を適切な音声命令“ストッ
プ”、“記憶する”等により終了する特徴と、アクション／機能をスタートする音声命令例えば“選択
する”等の入力により入力を終了し、前記音声命令に割
当てられているアクション／機能を開始する特徴とを有
することを特徴とする請求項１から請求項29のうちのい
ずれか１つの請求項に記載の実時間作動での音声対話又
は音声命令による１つ又は複数の機器の自動制御方法。
【請求項３１】複合機能を選択するために又は多数の情
報を入力するために前もって与えられている１列の文字
（文字列）を発声し、前記文字列を一体的に又はブロッ
ク毎に入力し、音声入力又は音声対話が有利には、次の
特徴すなわちその都度の入力休止の後に、最後の入力ブロックが音声
出力により繰返されることにより確認応答を行う特徴
と、前記確認応答の後に音声命令“誤り”等により最後の入
力ブロックを消去し、残りの記憶されているブロックを
音響的に出力する特徴と、前記確認応答の後に音声命令“消去する”等によりすべ
ての入力された文字を消去し、これに続いて再度の入力
を行う特徴と、前記確認応答の後に音声命令“繰返す”等により、今ま
で記憶されたブロックを音響的に出力する特徴と、前記確認応答の後に更なる文字又は文字ブロックを入力
する特徴と、場合に応じて前記文字列又は個々の文字ブロックを、記
憶されている単語リストと適合調整し、前記単語リスト
から最適な単語を抽出する特徴と、前記確認応答の後に音声命令“中断”等により前記文字
列の入力を完全に中断する特徴と、前記確認応答の後に文字入力を音声命令“ストップ”、
“記憶する”等により終了する特徴と、アクション／機能をスタートする音声命令例えば“選択
する”等の入力後に入力を終了し、前記音声命令に割当
てられているアクション／機能を開始する特徴とのうち
の１つ又は複数又はすべての特徴を有することを特徴と
する請求項１から請求項30のうちのいずれか１つの請求
項に記載の実時間作動での音声対話又は音声命令による
１つ又は複数の機器の自動制御方法。
【請求項３２】音声命令“誤り”等又は音声命令“繰返
す”等に続く、今まで発声された数字の出力において、
入力の場合と同様にブロック化が使用されることを特徴
とする請求項30又は31に記載の実時間作動での音声対話
又は音声命令による１つ又は複数の機器の自動制御方
法。
【請求項３３】音声出力及びコントロールトーンの出力
音量を環境雑音に適合し、前記環境雑音を音声休止の間
に前記環境雑音の音量又は特性に関して検出することを
特徴とする請求項１から請求項32のうちのいずれか１つ
の請求項に記載の実時間作動での音声対話又は音声命令
による１つ又は複数の機器の自動制御方法。
【請求項３４】音声対話システムへのアクセス又はユー
ザ固有のデータ／命令へのアクセスを、特別の命令語の
入力により又は音声特性が音声対話システムに機知であ
り前記音声対話システムにより検査されている認可され
た話者の特別の命令語の入力により行うことを特徴とす
る請求項１から請求項32のうちのいずれか１つの請求項
に記載の実時間作動での音声対話又は音声命令による１
つ又は複数の機器の自動制御方法。
【請求項３５】長く持続する音声出力（例えば情報メニ
ュー）を、発声される又は手動の中断命令により早期に
終了することが可能であることを特徴とする請求項１か
ら請求項34のうちのいずれか１つの請求項に記載の実時
間作動での音声対話又は音声命令による１つ又は複数の
機器の自動制御方法。
【請求項３６】音声対話システムが、次のような形態す
なわち音声命令実行が手動操作の外に存在し、従って操作を何
時でも手動で行う又は継続することが可能である、いくつかの特別の性能特徴が音声入力のみによりアクテ
ィブ化可能であり、その他の機器機能及び操作機能は手
動でも音声によっても命令可能のままである、手動の操作素子の数が大幅に低減され、個々のキー又は
回転つまみが多重機能を引受け、音声により手動の前記
操作素子に１つの特別の機能が割当てられ、重要な操作
機能のみが依然として手動で制御可能であり、前記操作
機能の基本は音声命令実行である形態のうちの１つの形
態で（例えばスイッチ、キー、回転つまみによる）機能
の手動の操作を補足する又は置換することを特徴とする
請求項１から請求項35のうちのいずれか１つの請求項に
記載の実時間作動での音声対話又は音声命令による１つ
又は複数の機器の自動制御方法。
【請求項３７】ただ１つの単一単語命令又は多単語命令
により多数の異なる機器及び機器機能に作用可能又は変
更可能であり、従って多段階のプロシージャが不要であ
るか又は僅かな規模でしか必要としないことを特徴とす
る請求項１から請求36項のうちのいずれか１つの請求項
に記載の実時間作動での音声対話又は音声命令による１
つ又は複数の機器の自動制御方法。
【請求項３８】自動車搭載の音声対話システムを、個々の又は複数の機器例えば自動車電話、（場合に応じ
てカセット、CDチェンジャ、サウンドシステムを有す
る）自動車ラジオ、ナビゲーションシステム、非常呼出
し装置、搭載モニター、空調装置、暖房装置、ポータブ
ル計算機、照明装置、スライディングルーフ、窓開閉装
置、シート位置調整装置等を操作する機能と、例えば油圧、油温度、冷却水温度、消費量、タイヤ圧力
等のパラメータの情報問合せ機能と、例えば過度に高い冷却水温度等において必要な措置に関
する情報の機能と、自動車の故障の際の運転者への警報の機能とのうちの個
々の又は複数の機能のために適用することを特徴とする
請求項１から請求項37のうちのいずれか１つの請求項に
記載の実時間作動での音声対話又は音声命令による１つ
又は複数の機器の自動制御方法。
【請求項３９】自動車ラジオにおける新放送局の音声制
御される選択を、上方又は下方へのサーチ走行の命令実行のシーケンス
と、音声入力シーケンス、有利には日常語の形での有利には
周波数指示を含めての放送局周波数の音声入力のシーケ
ンスと、通常使用される放送局名の音声入力のシーケンスとのうちの１つのシーケンスに従って行うことを特徴とす
る請求項38に記載の実時間作動での音声対話又は音声命
令による１つ又は複数の機器の自動制御方法。
【請求項４０】空調装置において所望の温度を音声入力
により相対的に及び／又は有利には絶対的に定めること
が可能であり、有利には付加的に最低又は最高又は平均
温度又は通常温度を命令することが可能であることを特
徴とする請求項38に記載の実時間作動での音声対話又は
音声命令による１つ又は複数の機器の自動制御方法。
【請求項４１】ナビゲーションシステムに目的地（場所
名、通り名）を“文字綴モード”で文字列を入力するこ
とにより伝達し、有利には名前の始端も入力として充分
であり、ナビゲーションシステムは場合に応じて複数の
候補を選択のために提供することを特徴とする請求項38
に記載の実時間作動での音声対話又は音声命令による１
つ又は複数の機器の自動制御方法。
【請求項４２】プリセット可能な名前／略称での電話番
号を記憶するためのユーザ固有の名前リストと、プリセット可能な名前／略称でのナビゲーションシステ
ムのための目的地を記憶するためのユーザ固有の名前リ
ストと、命令又は命令列のための機能名を記憶するためのユーザ
固有の名前リストと、プリセット可能な放送局名又は略称での自動車ラジオの
放送局周波数を記憶するためのユーザ固有の名前リスト
を設けることを特徴とする請求項38から請求項41のうち
のいずれか１つの請求項に記載の実時間作動での音声対
話又は音声命令による１つ又は複数の機器の自動制御方
法。
【請求項４３】音声出力及び１つ又は複数のコントロー
ルトーンの出力音量と場合に応じてラジオ音量とを、自動車速度パラメータと、送風機調整設定パラメータと、回転数パラメータと、窓及びスライディングルーフの開放幅パラメータと、自動車タイプパラメータと、その都度の対話状況での音声出力の重要性パラメータと
のうちの１つ又は複数のパラメータを考慮して定めるか
又は適応的に適合調整することを特徴とする請求項38か
ら請求項42のうちのいずれか１つの請求項に記載の実時
間作動での音声対話又は音声命令による１つ又は複数の
機器の自動制御方法。
【請求項４４】プッシュツウトークキーが、例えば電話している間に（“受話器を置く”、“受話器
をとる”）又音声対話システムの新スタートの際に又は
電話選択動作の中断の際に多重機能を利用するか又は含
むか又は、プッシュツウトークキーを、例えば新スタート又は機能
の中断を可能にする付加的スイッチ又は付加的切換え位
置により補足することを特徴とする請求項21から請求項
43のうちのいずれか１つの請求項に記載の実時間作動で
の音声対話又は音声命令による１つ又は複数の機器の自
動制御方法。
【請求項４５】音声入出力装置を、音声信号前処理装置
を介して音声認識装置に接続し、前記音声認識装置をシ
ーケンス制御装置、対話制御装置及びインターフェース
制御装置に接続する請求項１から請求項44のうちのいず
れか１つの請求項に記載の方法を実施する装置におい
て、前記音声認識装置を、音声独立型連続単語認識器と音声
依存型付加的音声認識器とから形成し、双方の前記認識
器の出力側を構文的文法的又は意味的後処理装置に接続
し、前記後処理装置を前記シーケンス制御装置、前記対
話制御装置及び前記インターフェース制御装置に接続す
ることを特徴とする装置。
【請求項４６】音声前処理装置が、雑音低域装置及び／
又はエコー補償装置及び／又はセグメンテーション装置
を含むことを特徴とする請求項45に記載の装置。
【請求項４７】音声入出力装置が音声エンコーダ、音声
デコーダ及び音声メモリを含むことを特徴とする請求項
45又は46に記載の装置。
【請求項４８】シーケンス制御、対話制御及びインター
フェース制御、入出力及び音声信号前処理、音声認識、
構文的文法的及び意味的後処理をマイクロプロセッサ、
信号プロセッサ、メモリ又はインターフェースモジュー
ルにより行うが、しかし有利にはただ１つのディジタル
信号プロセッサ又はマイクロプロセッサ及び所要の外部
のドライバモジュール、クロック発生器、制御論理回路
及び入出力に必要なマイクロフォン及びスピーカ、及び
所属の変換器及び増幅器及び場合に応じてプッシュツウ
トーク（PTT）キー及び中断キーにより行うことを特徴
とする請求項45から請求項47のうちのいずれか１つの請
求項に記載の装置。
【請求項４９】１つ又は複数のインターフェースを介し
て、データ及び／又はパラメータをロード可能又は事後ロー
ド可能であり、これにより例えば別の音声に対して方法
変更又は音声対話システムを実現し、別個の計算機において定められているか又は変更されて
いる構文構造、対話構造、シーケンス制御、音声出力等
を音声対話システムに伝達し（“オフライン対話エディ
タ”）、ステータス情報又は対話情報を音声対話システムが要求
し取出すことが可能であることを特徴とする請求項48に
記載の装置。
【請求項５０】制御する機器のうちの複数の機器にバス
システム又はリング状ネットワークを介して接続し、前
記バス又は前記ネットワークを介して制御データ及び／
又はオーディオ信号及び／又は音声対話システム及び／
又は操作する機器のステータスメッセージ伝送すること
を特徴とする請求項48に記載の装置。
【請求項５１】個々の制御する機器がそれぞれ１つの固
有の音声対話システムを含むのではなく、ただ１つの共
通の音声対話システムが前記機器を操作することを特徴
とする自動車への適用のための請求項45から請求項50の
うちのいずれか１つの請求項に記載の装置。
【請求項５２】自動車構成要素に対して１つ又は複数の
インターフェースを設け、前記インターフェースを介し
て恒久的な又は実際の自動車データ例えば速度等を音声
対話システムに伝達することを特徴とする請求項45から
請求項51のうちのいずれか１つの請求項に記載の装置。
【請求項５３】音声入出力が行われない待ち時間の間に
例えばラジオ、電話等の別の機能を引受けることを特徴
とする請求項45から請求項52のうちのいずれか１つの請
求項に記載の装置。
【請求項５４】拡張されたメモリにより多言語の話者独
立型対話システムを実現し、異なる言語の前記対話シス
テムと前記対話システムとの間での切換えが可能である
ことを特徴とする請求項45から請求項53のうちのいずれ
か１つの請求項に記載の装置。
【請求項５５】光学ディスプレイを音声対話システムに
特別のインターフェースを介して又はバス端子を介して
接続することを特徴とする請求項45から請求項54のうち
のいずれか１つの請求項に記載の装置。
【請求項５６】完全な音声対話システムをPCMCIAインタ
ーフェースを介して、音声により制御又は操作する機器
又はホスト計算機又はアプリケーション計算機に接続す
ることを特徴とする請求項45から請求項55のうちのいず
れか１つの請求項に記載の装置。
【請求項５７】バス又はネットワークが光データバスで
あり、前記光データバスを介して制御信号もオーディオ
信号も又は音声対話システム及び操作する機器のステー
タスメッセージを伝送することが可能である請求項50又
は56に記載の装置。