JP3846500B2 - Speech recognition dialogue apparatus and speech recognition dialogue processing method - Google Patents
Speech recognition dialogue apparatus and speech recognition dialogue processing method Download PDFInfo
- Publication number
- JP3846500B2 JP3846500B2 JP2004308219A JP2004308219A JP3846500B2 JP 3846500 B2 JP3846500 B2 JP 3846500B2 JP 2004308219 A JP2004308219 A JP 2004308219A JP 2004308219 A JP2004308219 A JP 2004308219A JP 3846500 B2 JP3846500 B2 JP 3846500B2
- Authority
- JP
- Japan
- Prior art keywords
- sound signal
- input
- voice
- word
- speech
- 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 - Lifetime
Links
Images
Description
本発明は、音声を認識し、その認識結果に対応した応答や特定動作を行う音声認識対話装置および音声認識対話処理方法に関する。 The present invention relates to a voice recognition dialogue apparatus and a voice recognition dialogue processing method for recognizing a voice and performing a response or a specific action corresponding to the recognition result.
この種の音声認識装置においては、特定話者のみの音声を認識可能な特定話者音声認識装置と不特定話者の音声を認識可能な不特定話者音声認識装置がある。 In this type of speech recognition device, there are a specific speaker speech recognition device capable of recognizing only the speech of a specific speaker and an unspecified speaker speech recognition device capable of recognizing the speech of an unspecified speaker.
特定話者音声認識装置は、或る特定の話者が認識可能な単語を一単語ずつ所定の手順に従って入力することによって、その特定話者の標準的な音声信号パターンを登録しておき、登録終了後、特定話者が登録した単語を話すと、その入力音声を分析した特徴パターンと登録された特徴パターンとを比較して音声認識を行うものである。この種の音声認識対話装置の一例として音声認識玩具がある。たとえば、音声指令となる複数の命令語として、「おはよう」、「おやすみ」、「こんにちわ」などの言葉を10単語程度、その玩具を使用する子どもが予め登録しておき、話者がたとえば「おはよう」というと、その音声信号と、登録されている「おはよう」の音声信号を比較して、両音声信号が一致したとき、音声指令に対する定められた電気信号を出力し、これに基づいて玩具に特定動作を行わせるものである。 The specific speaker voice recognition apparatus registers a standard voice signal pattern of a specific speaker by inputting words that can be recognized by a specific speaker one by one according to a predetermined procedure. After the end, when a specific speaker speaks a registered word, the feature pattern obtained by analyzing the input speech is compared with the registered feature pattern to perform speech recognition. An example of this type of voice recognition dialogue apparatus is a voice recognition toy. For example, about 10 words such as “good morning”, “good night”, “konnichiwa”, etc. are registered in advance as a plurality of command words used as voice commands, and a child who uses the toy registers in advance. ”Compares the audio signal with the registered“ Good Morning ”audio signal, and when both audio signals match, outputs a predetermined electrical signal for the audio command, and to the toy based on this A specific operation is performed.
このような特定話者音声認識装置は、特定話者かあるいはそれに近い音声パターンを有する音声しか認識されず、また、初期設定として、認識させたい単語を一単語ずつすべて登録させる必要がありその手間は極めて面倒であった。 Such a specific speaker voice recognition apparatus recognizes only a voice having a specific speaker or a voice pattern close thereto, and as an initial setting, it is necessary to register all the words to be recognized one by one. Was extremely troublesome.
これに対して、不特定話者音声認識装置は、多数(たとえば、200人程度)の話者が発話した音声を用いて、前記したような認識対象単語の標準音声特徴データを予め作成して記憶(登録)させておき、これら予め登録された認識可能な単語に対して、不特定な話者の発する音声を認識可能としたものである。 On the other hand, the unspecified speaker speech recognition apparatus creates standard speech feature data of recognition target words as described above using speech uttered by a large number of speakers (for example, about 200 speakers). It is memorized (registered) so that the speech produced by an unspecified speaker can be recognized with respect to the recognizable words registered in advance.
このような音声認識装置において、音声認識手段として特定話者音声認識あるいは不特定音声認識のいずれを用いたものをにあっても、スイッチを入れて始めて認識動作とそれに対する応答動作が可能となるのが一般的である。 In such a speech recognition apparatus, even if a specific speaker speech recognition or unspecified speech recognition is used as speech recognition means, recognition operation and response operation can be performed only after the switch is turned on. It is common.
しかしながら、音声認識装置の種類によっては、装置が常に音声の入力を待っている状態にあって、ユーザがその都度スイッチをオンすることなく音声入力を検出して認識動作を可能とすれば、より利便性の高いものとなる。たとえば、音声認識を利用したぬいぐるみなどの玩具にあっては、通常時から音声入力待機状態、いわゆるスリープモードとしておき、子どもがのぬいぐるみの名前を呼ぶことにより、即座に応答するようにしておけば、玩具としてはきわめて完成度の高いものとなる。これは、玩具のみならず音声認識を利用する電子機器すべてについても同様である。 However, depending on the type of voice recognition device, if the device is always waiting for voice input and the user can detect voice input and turn on the recognition without turning on the switch each time, It will be highly convenient. For example, in a toy such as a stuffed toy that uses voice recognition, if it is in a voice input standby state, that is, a so-called sleep mode from the normal time, the child can respond immediately by calling the name of the stuffed toy. As a toy, it will be extremely complete. The same applies to all electronic devices that use voice recognition as well as toys.
このように、通常時はスリープモードとしておき、入力音声を検出して認識動作を行わせる場合における課題として、消費電力を如何に抑えるか、あるいは、入力された音信号が認識すべき音声か雑音かを識別して、認識すべき音声に対してのみ動作するようにするというようなことが挙げられる。特に、玩具などの場合は、乾電池で作動するものが殆どであるため、電池の消耗を如何に少なくするかというのは大きな課題であり、また、製品の価格もできるだけ安価なものとする必要があることから、実用化するための技術的な制約もきわめて多いというのが現状であった。 As described above, the sleep mode is normally set in the sleep mode, and as a problem when the input voice is detected and the recognition operation is performed, how to suppress the power consumption or whether the input sound signal should be recognized or noise Such that only the voice to be recognized is operated. In particular, in the case of toys and the like, most of them operate with dry batteries, so how to reduce battery consumption is a big issue, and the price of the product needs to be as low as possible. For this reason, the current situation is that there are very many technical restrictions for practical use.
本発明はこれらの課題を解決するためになされたもので、通常時はスリープモードとして認識可能な音声の入力があった場合にのみ、それを検出して認識動作を可能とするとともに、スリープモード時の消費電力を極力抑え、また、使用環境に雑音が存在しても認識すべき音声を高精度に認識できるようにし、しかも、安価に実用化を可能とすることを目的としている。 The present invention has been made in order to solve these problems. In the normal state, only when there is a voice input that can be recognized as a sleep mode, it can detect it and perform a recognition operation. It is intended to minimize power consumption at the time, to enable recognition of speech to be recognized with high accuracy even when noise is present in the usage environment, and to enable practical use at low cost.
本発明の音声認識対話装置は、音信号を入力する音信号入力手段と、前記音信号入力手段により入力された音信号を分析して特徴データを発生する音信号分析部と、登録された認識可能な単語の標準音声特徴データを記憶する標準音声特徴データ記憶手段と、前記音信号分析手段からの特徴データを入力し、前記標準音声特徴データ記憶手段の記憶内容と比較し、入力音信号が認識可能な単語の音声であった場合、当該認識可能な単語に対する単語検出データを出力する単語検出手段と、前記単語検出手段からの単語検出データを受けて、入力された音声の意味を理解し、前記音声の意味に対応した応答内容を決定するとともに各種制御を行う音声理解会話制御手段と、前記音声理解会話制御手段によって決定された応答内容に基づいた音声合成出力を発生する音声合成手段と、前記音声合成手段からの音声合成出力を外部に出力する音声出力手段と、前記音信号入力手段からの音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出手段と、を有し、前記入力音信号パワー検出手段からのパワー信号を基に、雑音レベルを判断し、当該雑音レベルの大きさに対応した音声レベルによる応答内容出力を行う音声認識対話装置であって、前記入力音信号パワー検出手段によるパワーの検出を、設定されたしきい値を基準として所定時間行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、当該入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する雑音と判断するとともに、前記しきい値を当該雑音のレベルよりも大きい値に更新し、前記雑音レベルを判断する処理を、当該判断する時点におけるしきい値の大きさを基に行うことを特徴としている。 The speech recognition dialogue apparatus of the present invention includes a sound signal input means for inputting a sound signal, a sound signal analysis section for analyzing the sound signal input by the sound signal input means and generating feature data, and registered recognition Standard speech feature data storage means for storing standard speech feature data of possible words and feature data from the sound signal analysis means are input and compared with the stored contents of the standard speech feature data storage means. If it is a speech of a recognizable word, the word detection means for outputting word detection data for the recognizable word, and the word detection data from the word detection means are received to understand the meaning of the input speech , Voice understanding conversation control means for determining response contents corresponding to the meaning of the voice and performing various controls, and voices based on the response contents determined by the voice understanding conversation control means A voice synthesizing means for generating a synthesized output; a voice output means for outputting the voice synthesis output from the voice synthesizing means; and a power of the input sound signal is detected based on a sound signal waveform from the sound signal input means. Input sound signal power detecting means, and judging a noise level based on the power signal from the input sound signal power detecting means, and outputting a response content at a sound level corresponding to the magnitude of the noise level. A speech recognition interactive apparatus, wherein power detection by the input sound signal power detection means is performed for a predetermined time based on a set threshold value, and an input sound signal having a level larger than the threshold value is continuously generated for a predetermined time. And the input sound signal is determined not to be a recognizable word sound, the input sound signal is determined to be noise present in the environment, and the threshold value is set. Updated to a value greater than the level of The noise, the process of determining the noise level, is characterized in that it is carried out in the basis of the magnitude of the threshold value in time of the determination.
また、前記入力音信号パワー検出手段からのパワー信号を基に、入力音信号のパワーに対応した音声レベルによる応答内容出力を行うことを特徴としている。 Further, it is characterized in that a response content is output at a sound level corresponding to the power of the input sound signal based on the power signal from the input sound signal power detecting means.
また、本発明の音声認識対話処理方法は、音信号入力手段により入力された音信号を分析して特徴データを発生し、当該特徴データと登録された認識可能な単語の標準音声特徴データを記憶する標準音声特徴データとを比較し、前記入力された音信号が認識可能な単語の音声であった場合、当該認識可能な単語に対する単語検出データを出力し、当該単語検出データを受けて、入力された音声の意味を理解し、前記音声の意味に対応した応答内容を決定して、前記決定した応答内容に基づいた音声合成出力を発生する音声認識応答出力発生工程と、前記音信号入力手段からの音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出工程と、を有し、前記入力音信号パワー検出手段からのパワー信号を基に、雑音レベルを判断し、当該雑音レベルの大きさに対応した音声レベルによる応答内容出力を行う音声認識対話処理方法であって、前記入力音信号パワー検出工程におけるパワーの検出を、設定されたしきい値を基準として所定時間行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、当該入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する雑音と判断するとともに、前記しきい値を当該雑音のレベルよりも大きい値に更新し、前記雑音レベルを判断する処理を、当該判断する時点におけるしきい値の大きさを基に行うことを特徴としている。 The speech recognition dialogue processing method of the present invention analyzes the sound signal input by the sound signal input means to generate feature data, and stores the feature data and the standard speech feature data of the recognizable word registered. If the input sound signal is a speech of a recognizable word, the word detection data for the recognizable word is output, and the word detection data is received and input. A speech recognition response output generating step of understanding the meaning of the speech, determining a response content corresponding to the meaning of the speech, and generating a speech synthesis output based on the determined response content, and the sound signal input means An input sound signal power detecting step for detecting the power of the input sound signal based on the sound signal waveform from the input signal, and determining a noise level based on the power signal from the input sound signal power detecting means. A speech recognition dialogue processing method for outputting response contents at a voice level corresponding to the magnitude of the noise level, wherein power detection in the input sound signal power detection step is performed for a predetermined time with reference to a set threshold value. If the input sound signal having a level greater than the threshold value is continuously present for a predetermined time and it is determined that the input sound signal is not a recognizable word sound, the input sound signal is in the environment. The threshold value is updated to a value larger than the noise level, and the noise level is determined based on the threshold value at the time of the determination. It is characterized by that.
また、前記入力音信号パワー検出工程からのパワー信号を基に、入力音信号のパワーに対応した音声レベルによる応答内容出力を行うことを特徴としている。 In addition, based on the power signal from the input sound signal power detection step, response contents are output at a sound level corresponding to the power of the input sound signal.
以上のように、本発明は、入力音信号パワー検出手段からのパワー信号を基に、雑音レベルを判断し、その雑音レベルの大きさに対応した音声レベルによる応答内容出力を行うようにしている。したがって、雑音レベルが大きいときは、大きな音声レベルによる応答内容出力を発生することができ、環境中に多少の雑音が存在しても応答内容を聞き取りやすくすることができる。 As described above, according to the present invention, the noise level is determined based on the power signal from the input sound signal power detection means, and the response content is output according to the sound level corresponding to the magnitude of the noise level. . Therefore, when the noise level is high, response content output with a large voice level can be generated, and the response content can be easily heard even if some noise exists in the environment.
そして、しきい値を当該定常的な雑音レベルよりも大きい値に更新し、或る時点におけるしきい値の大きさを基に、その時点における雑音レベルを判断するようにしたので、雑音レベルの大きさの指標をしきい値により得ることができ、簡単に現時点の雑音レベルの大きさを判断することができる。また、雑音レベルが変動してもそれに対応した音声レベルによる応答出力を発生することができ、環境中の雑音に、より一層適応した音声レベルでの応答出力とすることができる。 Then, the threshold value is updated to a value larger than the steady noise level, and the noise level at that point is determined based on the threshold value at a certain point in time. The magnitude index can be obtained from the threshold value, and the current noise level can be easily determined. Moreover, even if the noise level fluctuates, it is possible to generate a response output with a voice level corresponding to the fluctuation, and it is possible to obtain a response output with a voice level that is more adapted to noise in the environment.
また、入力音信号のパワーに対応した音声レベルによる応答内容出力を行うようにしたことにより、話者が大きな声で問いかけたときには大きな声で応答し、話者が小さな声で問いかけたときは小さな声で応答するという動作を行うことにより、状況に応じた音声レベルでの対話が可能となる。 In addition, response contents are output according to the sound level corresponding to the power of the input sound signal, so that when the speaker asks a loud voice, the speaker responds with a loud voice, and when the speaker asks a small voice, the response level is small. By performing an operation of responding with a voice, it is possible to perform a dialogue at a voice level according to the situation.
以下、本発明の実施例を図面を参照して説明する。なお、この実施例では、本発明を玩具に適用した場合を例にとり、特にここでは、幼児用の玩具として、たとえば、犬などのぬいぐるみに適用した場合について説明する。また、不特定話者の音声を認識可能な不特定話者音声認識装置に本発明を適用した例について説明する。 Embodiments of the present invention will be described below with reference to the drawings. In this embodiment, a case where the present invention is applied to a toy is taken as an example, and here, a case where the present invention is applied to a stuffed animal such as a dog will be described as a toy for an infant. An example in which the present invention is applied to an unspecified speaker voice recognition apparatus capable of recognizing an unspecified speaker's voice will be described.
(第1の実施例)
図1は本発明の第1の実施例を説明する構成図である。図1は本発明の実施例を説明する構成図であり、概略的には、音信号入力部1、音信号分析部2、単語検出部3、標準音声特徴データ記憶部4、音声理解会話制御部5、応答データ記憶部6、音声合成部7、音声出力部8、入力音信号パワー検出部9などから構成されている。なお、これらの構成要素のうち、音信号分析部2、単語検出部3、標準音声特徴データ記憶部4、音声理解会話制御部5、応答データ記憶部6、音声合成部7などは、犬のぬいぐるみの腹部内に収納され、音信号入力部(マイクロホン)1はぬいぐるみのたとえば耳の部分、音声出力部(スピーカ)7はたとえば口の部分に設けられる。これら各部におけるそれぞれの機能などについては、以下に順次説明する。
(First embodiment)
FIG. 1 is a block diagram for explaining a first embodiment of the present invention. FIG. 1 is a block diagram illustrating an embodiment of the present invention. In general, a sound
前記音信号入力部1は、話者の話す音声など音信号(雑音なども含まれる)を入力するもので、図示されていないがマイクロホン、増幅器、ローパスフィルタ、A/D変換器などから構成され、マイクロホンから入力された音信号を、増幅器、ローパスフィルタを通して適当な音声波形としたのち、A/D変換器によりディジタル信号(たとえば、12KHz.16bit)に変換して出力し、その出力を音信号分析部12に送る。音信号分析部12では、音信号入力部1から送られてきた波形信号を、演算器(CPU)を用いて短時間毎に周波数分析を行い、周波数の特徴を表す数次元の特徴ベクトルを抽出(LPCーCEPSTRUM係数が一般的)し、この特徴ベクトルの時系列(以下、特徴ベクトル列という)を出力する。
The sound
また、前記標準音声特徴データ記憶部4は、1つ1つの単語に対し多数(たとえば、200人程度)の話者が発話した音声を用いて予め作成した認識対象単語の標準パターンを記憶(登録)しているROMである。ここでは、ぬいぐるみを例にしているので、認識対象単語は10単語程度とし、その単語としては、たとえば、「おはよう」、「おやすみ」、「こんにちは」、「明日」、「天気」など挨拶に用いる言葉が多いが、これに限定されるものではなく、色々な単語を登録することができ、登録単語数も10単語に限られるものではない。
The standard voice feature
単語検出部3は図示されていないが主に演算器(CPU)と処理プログラムを記憶しているROMから構成され、標準音声特徴データ記憶部4に登録されている単語が、入力された音声中のどの部分にどれくらいの確かさで存在するかを検出するものである。この単語検出部3としては、隠れマルコフモデル(HMM)方式やDPマッチング方式などを用いることも可能であるが、ここでは、DRNN(ダイナミック リカレント ニューラル ネットワーク)方式によるキーワードスポッティング処理技術(この技術に関しては、本出願人が特開平6ー4097、特開平6ー119476により、すでに特許出願済みである。)を用いて、不特定話者による連続音声認識に近い音声認識を可能とするための単語検出データを出力するものであるとする。
Although not shown, the
この単語検出部3の具体的な処理について、図2を参照しながら簡単に説明する。単語検出部3は、標準音声特徴データ記憶部4に登録されている単語が、入力音信号(この場合、入力音信号は音声であるとする)のどの部分にどれくらいの確かさで存在するかを検出するものである。今、話者から「明日の天気は、・・・」というような音声が入力され、図2(a)に示すような音声信号が出力されたとする。この「明日の天気は、・・・」の文節のうち、「明日」と「天気」がこの場合のキーワードとなり、これらは、予め登録されている10単語程度の登録単語の1つとして、標準音声特徴データ記憶部4にそのパターンが記憶されている。そして、これら登録単語をたとえば10単語としたとき、これら10単語(これを、単語1、単語2、単語3、・・・とする)に対応して各単語を検出するための信号が出力されていて、その検出信号の値などの情報から、入力された音声中にどの程度の確かさで対応する単語が存在するかを検出する。つまり、「天気」という単語(単語1)が入力された音声中に存在したときに、その「天気」という信号を待っている検出信号が、同図(b)の如く、入力音声の「天気」の部分で立ち上がる。同様に、「明日」という単語(単語2)が入力音声中に存在したときに、その「明日」という信号を待っている検出信号が、同図(c)の如く、入力された音声の「明日」の部分で立ち上がる。同図(b),(c)において、0.9あるいは0.8といった数値は、確からしさ(近似度)を示す数値であり、0.9や0.8といった高い数値であれば、その高い確からしさを持った登録単語は、入力された音声に対する認識候補であるということができる。つまり、「明日」という登録単語は、同図(c)に示すように、入力された音声信号の時間軸上のw1の部分に0.8という確からしさで存在し、「天気」という登録単語は、同図(b)に示すように、入力された音声信号の時間軸上のw2の部分に0.9という確からしさで存在することがわかる。
Specific processing of the
また、この図2の例では、「天気」という入力に対して、同図(d)に示すように、単語3(この単語3は「何時」という登録単語であるとする)を待つ信号も、時間軸上のw2の部分に、ある程度の確からしさ(その数値は0.6程度)を有して立ち上がっている。このように、入力された音声信号に対して同一時刻上に、2つ以上の登録単語が認識候補として存在する場合には、最も近似度(確からしさを示す数値)の高い単語を認識単語として選定する方法、各単語間の相関規則を表した相関表を予め作成しておき、この相関表により、いずれか1つの単語を認識単語として選定する方法などを用いて、或る1つの認識候補単語を決定する。たとえば、前者の方法で認識候補を決定するとすれば、この場合は、時間軸上のw2の部分に対応する近似度は、「天気」を検出する検出信号の近似度が最も高いことから、その部分の入力音声に対する認識候補は「天気」であるとの判定を行う。なお、これらの近似度を基に入力された音声の認識は音声理解会話制御部5にて行う。
In the example of FIG. 2, in response to an input of “weather”, a signal waiting for the word 3 (assuming that this
音声理解識会話制御部5は、主に演算器(CPU)と処理プログラムを記憶しているROMから構成され、単語検出部3からの単語検出データを入力して、その単語検出データを基に、音声を認識し(入力された音声全体の意味を理解し)、ROMで構成される応答データ記憶部6を参照して、入力された音声の意味に応じた応答内容を決定し、音声合成部(主にCPUとROMで構成される)7および音声出力部8へ出力信号を送る。たとえば、単語検出部3からの図2(b)〜(e)に示すような検出データ(これをワードラティスという。このワードラティスは、登録単語名、近似度、単語の始点sと終点eを示す信号などが含まれる)が入力されると、まず、そのワードラティスを基に、入力された音声の中のキーワードとしての単語を1つまたは複数個決定する。この例では、入力された音声は「明日の天気は・・・」であるので、「明日」と「天気」が検出されることになり、この「明日」と「天気」のキーワードから「明日の天気は・・・」という連続的な音声の内容を理解し、それに対応した応答内容を選んで出力する。なお、この場合、応答内容としては、「明日の天気は晴れだよ」というような応答内容となるが、これは、ここでは図示されていない状態検出手段(温度検出部、気圧検出部、カレンダ部、計時部など)が設けられていて、たとえば、天気に関する情報であれば、気圧検出部からの気圧の変化の状況を基に天気の変化を判断し、気圧が上昇傾向であればそれに対応した応答内容を応答データ記憶部6から読み出すようにする。同様に、気温、時間、日付などに関する応答も可能となる。
The voice comprehension /
また、以上説明したキーワードスポッティング処理による連続音声認識に近い音声認識処理は、日本語だけでなく他の言語においても適用可能である。たとえば、使用する言語が英語であるとすれば、登録されている認識可能な単語は、たとえば、“good morning”、“time”、“tommorow”、“good night”などが一例として挙げられ、これら認識可能な登録単語の特徴データが、標準音声特徴データ記憶部4に記憶されている。そして今、話者が「what time is it now」と問いかけた場合、この「what time is it now」の文節のうち、単語「time」がこの場合のキーワードとなり、「time」という単語が入力された音声の中に存在したときに、その「time」の音声信号を待っている検出信号が、入力された音声の「time」の部分で立ち上がる。そして、単語検出部3からの検出データ(ワードラティス)が入力されると、まず、そのワードラティスを基に、入力された音声の中のキーワードとしての単語を1つまたは複数個決定する。この例では、入力された音声は、「what time is it now」であるので、「time」がキーワードとして検出されることになり、このキーワードを基に、「what time is it now」という連続的な音声の内容を理解する。
Further, the speech recognition process close to continuous speech recognition by the keyword spotting process described above can be applied not only to Japanese but also to other languages. For example, if the language used is English, the registered recognizable words are, for example, “good morning”, “time”, “tommorow”, “good night”, etc. Feature data of recognizable registered words is stored in the standard voice feature
なお、前記した音声分析、単語検出、音声理解会話制御、音声合成などの制御を行うCPUはそれぞれに設けてもよいが、ここでは、図1に示すように、これら全ての処理を行う1台のメインのCPU10を設け、この1台のCPU10で本発明の全体の処理を行うものとして説明する。
Note that a CPU for controlling the above-described speech analysis, word detection, speech understanding conversation control, speech synthesis, and the like may be provided, but here, as shown in FIG. It is assumed that the
以上は入力された音声(話者の話す音声)に対する認識および応答動作の一例であるが、このような音声認識対話装置において、本発明における第1の実施例では、通常時はスリープモードとしておき、認識すべき音声が入力されたときにその入力音声を検出してそれを認識するという処理を行う。以下、第1の実施例について説明する。 The above is an example of recognition and response operations for input voice (speaker's spoken voice). In such a voice recognition dialogue apparatus, in the first embodiment of the present invention, the sleep mode is normally set. When the voice to be recognized is input, the input voice is detected and recognized. The first embodiment will be described below.
図1で示した入力音信号パワー検出部9は、音信号入力部1から出力される入力音信号(雑音なども含まれる)のパワーを検出するものであり、たとえば、図3(a)で示すような入力音信号波形からそのパワー信号を同図(b)の如く検出する。この入力音信号パワー検出部9は、装置がスリープモード時あるいは動作モード時に係わらず常に音信号入力部1で取り込まれた入力音信号のパワーを検出可能な状態にある。
The input sound signal
ところで、装置をスリープモードとするための初期設定手段としては、たとえば、ぬいぐるみの電池をセットすると自動的にスリープモードとする手段や、スリープモード設定スイッチあるいはスリープモード切替スイッチを設け、この設定スイッチをオンするかあるいは切替スイッチを設定モード側に切り替えるかしてスリープモードとするなど種々の手段が考えられる。このいずれかの手段によりスリープモードの設定が行われると、前記CPUに対してスリープモード要求が出され、フラグがスリープモード側に設定されスリープモードに入る。また、スリープモードの初期設定を行ったあと、ぬいぐるみとの対話終了後にスリープモードとするには、一定時間、話者の問いかけがない場合、あるいは、話者がぬいぐるみに対して、たとえば「静かに」や「おやすみ」というと装置側ではそれをスリープモード要求と判断して前記したように、フラグをスリープモード側に設定しスリープモードとする。 By the way, as an initial setting means for setting the device to the sleep mode, for example, a means for automatically setting the sleep mode when a stuffed battery is set, a sleep mode setting switch or a sleep mode changeover switch is provided. Various means such as switching to the sleep mode by turning on or switching the changeover switch to the setting mode side can be considered. When the sleep mode is set by any of these means, a sleep mode request is issued to the CPU, the flag is set to the sleep mode side, and the sleep mode is entered. In addition, after the initial setting of the sleep mode, to enter the sleep mode after the conversation with the stuffed animal, if there is no question from the speaker for a certain period of time, or if the speaker "Sleep" or "good night" is determined as a sleep mode request on the device side, and as described above, the flag is set to the sleep mode side to set the sleep mode.
このような構成において、その処理を図4のフローチャートを参照しながら説明する。 In such a configuration, the process will be described with reference to the flowchart of FIG.
まず、スリープモードの初期設定は既になされているものとする。このスリープモード時においても、入力音信号パワー検出部9は常に音信号入力部1で取り込まれた音信号のパワーを検出可能となっているが、この時点では装置のCPU10は非動作状態にある。
First, it is assumed that the initial setting of the sleep mode has already been made. Even in the sleep mode, the input sound signal
そして今、音信号入力部1が何らかの音信号を入力し、音信号入力部1から、たとえば図3(a)のような音信号波形が出力されたとする。これにより、入力音信号パワー検出部9では、入力音信号パワーの検出処理を次のように行う。
Now, it is assumed that the sound
すなわち、入力音信号パワー検出手段9では、入力音信号のパワーが予め設定されたしきい値th1より大きいか否かを判断し(ステップs1)、入力音信号のパワーがしきい値th1より大きくなった時点で、音信号の入力があったことを示す信号をCPU10に出力する(図3(b)の時刻t1)。これにより、CPU10は立ち上がり(ステップs2)、時刻t1から所定時間(10msec程度)後に、音声分析部2では音信号入力部1からの信号を基に音声分析処理を行う(ステップs3)。なお、図3(b)からもわかるように、音信号が入力された時点t0から音信号分析処理がスタートするまでの間に約20数msec程度の時間を要するため、実際の音信号分析処理は音信号が入力されて20数msec後から開始されるが、単語認識処理には特に影響を与えるものではない。
That is, the input sound signal power detection means 9 determines whether or not the power of the input sound signal is greater than a preset threshold value th1 (step s1), and the power of the input sound signal is greater than the threshold value th1. At that time, a signal indicating that a sound signal has been input is output to the CPU 10 (time t1 in FIG. 3B). Thereby, the
そして、前記音信号分析結果を用いて標準音声特徴データとの比較により単語検出処理(ステップs4)を行った後、現在、装置の状態がスリープモードか動作モードかを判断する(ステップs5)。このスリープモードか動作モードかの判断は、フラグを見ることにより判断するもので、この場合、フラグはスリープモードの設定となっているため、前記単語検出データを用いて入力音信号が予め登録された認識可能なキーワードであるか否かの判断を行う(ステップs6)。この判断において、入力音信号がキーワードでないと判断されると、入力音信号は雑音、あるいは、ぬいぐるみに対する問いかけとは異なる何らかの音声であるとみなして、CPU10を立ち下げる処理を行い(ステップs7)、ステップs1に戻り、再び、音信号入力を待つ状態となる。
Then, after performing the word detection process (step s4) by comparing with the standard voice feature data using the sound signal analysis result, it is determined whether the apparatus is currently in the sleep mode or the operation mode (step s5). This sleep mode or operation mode is determined by looking at the flag. In this case, since the flag is set to the sleep mode, the input sound signal is registered in advance using the word detection data. It is determined whether the keyword is a recognizable keyword (step s6). In this determination, if it is determined that the input sound signal is not a keyword, the input sound signal is regarded as noise or some kind of sound different from the question about the stuffed animal, and a process of lowering the
一方、前記ステップs6の判断処理において、入力音信号がキーワードの音声であると判断された場合は、装置をスリープモードから動作モードとするためのフラグの設定を行う(ステップs8)。たとえば、入力音信号が「おはよう」というキーワードの音声であるとすると、ここで初めて装置のモードは動作モードに切り替わって、その入力された音声に対する音声理解会話制御処理を行う(ステップs9)。そして、入力された音声が一発話分終了したか否かを判断して(ステップs10)、終了していなければ、音信号分析処理(ステップs3)に処理が戻る。一方、入力音声が一発話分終了したと判断されると、スリープモード要求が有りか否かの判断処理(ステップs11)に処理が移る。前記入力音声が一発話分終了したか否かというのは、具体的には、ある一つの会話が終了したか否かということである。たとえば、話者が「おはよう」と問いかけると、ぬいぐるみから「おはよう、今日は早起きだね」といった応答がなされ、さらに、会話が続く場合もある。このように、会話が続く間は、音声入力は終了していないと判断し、話者の問いかけた内容の音信号分析を行い(ステップs3)、単語検出処理を行う(ステップs4)。なお、この場合は、すでにスリープモードではなく動作モードとなっているため、単語検出処理(ステップs4)の後、直接、音声理解会話制御処理(ステップs9)に入る。これは、通常の音声認識処理動作であり、前記したように、キーワードスポッティング処理により、話者の発する音声からキーワードとなる単語を認識して、それに対応する応答内容を出力するという動作を行う。 On the other hand, if it is determined in step s6 that the input sound signal is a keyword sound, a flag for setting the device from the sleep mode to the operation mode is set (step s8). For example, if the input sound signal is the voice of the keyword “Good morning”, the mode of the apparatus is switched to the operation mode for the first time, and the voice understanding conversation control process is performed on the input voice (step s9). Then, it is determined whether or not the input voice has been completed for one utterance (step s10), and if not, the process returns to the sound signal analysis process (step s3). On the other hand, if it is determined that the input speech has been completed for one utterance, the process proceeds to a determination process (step s11) of whether there is a sleep mode request. Specifically, whether or not the input voice has been completed for one utterance is whether or not a certain conversation has ended. For example, when a speaker asks "Good morning", the stuffed toy responds "Good morning, I'm up early today", and the conversation may continue. As described above, while the conversation continues, it is determined that the voice input has not been completed, the sound signal analysis of the content asked by the speaker is performed (step s3), and the word detection process is performed (step s4). In this case, since the operation mode is already set instead of the sleep mode, the speech understanding conversation control process (step s9) is entered directly after the word detection process (step s4). This is a normal speech recognition processing operation, and as described above, the keyword spotting processing is performed to recognize a word as a keyword from speech uttered by a speaker and output the corresponding response content.
そして、一連の会話(一発話)が終了すると、スリープモード要求があったか否かを判断(ステップs11)する。このスリープモード要求があったか否かの判断は、たとえば、話者がぬいぐるみに対して、「静かに」や「おやすみ」と言った場合、あるいは一定時間音声入力がない場合はスリープモード要求と判断する。これらのスリープモード要求のうちのいずれかのスリープモード要求がない場合は、会話がさらに続くとものとして、話者の問いかけに対する応答出力を発生し(ステップs12)、ステップs3からの処理を繰り返す。一方、前記いずれかのスリープモード要求があった場合は、必要に応じて応答出力を発し(ステップs13)たのち、フラグをスリープモードに設定する(ステップs14)。これにより、装置はスリープモードとなって(ステップs15)、再び、ステップs1の状態に戻る。なお、前記ステップ13の処理は、たとえば、前記したスリープ要求が「おやすみ」であった場合は、ぬいぐるみからも「おやすみ」と応答した後に、フラグをスリープモードに設定する。
When a series of conversations (one utterance) ends, it is determined whether or not a sleep mode request has been made (step s11). This sleep mode request is determined, for example, when the speaker says "quiet" or "good night" to the stuffed toy, or when there is no voice input for a certain period of time, it is determined that the sleep mode is requested. . If there is no sleep mode request among these sleep mode requests, it is assumed that the conversation will continue, a response output to the speaker's inquiry is generated (step s12), and the processing from step s3 is repeated. On the other hand, if any of the sleep mode requests is issued, a response output is issued as necessary (step s13), and then the flag is set to the sleep mode (step s14). As a result, the apparatus enters the sleep mode (step s15) and returns to the state of step s1 again. In the process of
以上のように、装置(この場合、ぬいぐるみ)をスリープモードとしておくことにより、話者がそのぬいぐるみと会話をしようとする場合、スイッチをわざわざオンしたりすることなく、認識可能な単語によって問いかければ、ぬいぐるみはそれに対して応答を行う。たとえば、子どもがスイッチをオンすることなく、ぬいぐるみの名前(登録されているものとする)を呼ぶだけで、ぬいぐるみは名前を呼ばれたことに対する何らかの応答を行うということも可能である。 As described above, by placing the device (in this case, a stuffed animal) in sleep mode, when a speaker wants to talk to the stuffed animal, the user can be asked by a recognizable word without having to bother to turn on the switch. The stuffed animal responds to it. For example, it is also possible for a stuffed animal to respond in response to the name being called by simply calling the name of the stuffed animal (assumed to be registered) without turning on the switch.
また、玩具だけでなく、音声を認識して作動する電子機器などに適用すれば、スイッチをオンする手間を省いて単に予め定めた何らかの音声を発することにより、それに対応した動作を行わせることも可能となり、その適用範囲はきわめて広いものとなる。 Moreover, if it is applied not only to toys but also to electronic devices that operate by recognizing sound, it is possible to perform the corresponding operation by simply emitting some predetermined sound without the trouble of turning on the switch. It becomes possible and its application range is very wide.
また、本発明では、スリープモード時においては、CPU10は非動作状態にあり、音信号入力部1と入力音信号パワー検出部9のみが動作可能状態となっている。この種の装置において、CPU10の消費電力は大きいが、これに比べて、音信号入力部1と入力音信号パワー検出部9などの消費電力はきわめて小さいのが普通である。本発明の場合、ある一定レベル以上の音信号が入力されると、一時的にCPU10は立ち上がるが、その入力音信号が仮に音声であっったとしても、その音声が認識単語でないと判断されると、CPU10は直ちに立ち下がるようになっている。そして、一定レベル以上のパワーを有し、かつ、認識可能な単語(キーワード)の音声が入力されて初めて動作モードとなるようにしている。従って、スリープモード時における消費電力をきわめて低く抑えることができる。
In the present invention, in the sleep mode, the
ところで、前記入力音信号パワー検出部9において、入力音信号のパワーを或るしきい値と比較して、しきい値以上となったとき入力音信号検出とするのは、環境中に存在する雑音などの影響を受けないようにするためである。以下これについて説明する。
By the way, the input sound signal
たとえば、高速道路の付近における自動車の連続的な走行音、あるいは、工事中における連続的な騒音などが環境中に存在している場合、これらの騒音を入力音信号有りとみなしてCPU10を立ち上げるのは好ましくない。これに対処するために、しきい値を設定し、しきい値以上の音信号が入力されたときにだけCPU10を立ち上げる(モードとしては、この時点ではまだスリープモードである)ようにする。なお、このとき騒音レベルの変動に対応できるように、しきい値も更新可能としておく。
For example, if there are continuous running noises of automobiles in the vicinity of an expressway or continuous noises during construction, these noises are regarded as having an input sound signal and the
すなわち、スリープモードの初期設定として、前記したように、電池を入れたとき、あるいは、何らかのスイッチによりスリープモードの設定を行ったときにスリープモードの初期設定がなされるが、この状態で認識すべき音声がしばらくの間入力されないで、前記したような定常的な雑音が連続的に入力されている場合がある。たとえば、図5(a)に示すように、時刻t0からしばらくの間、定常的な雑音による入力音信号波形A1が出力され、その後、たとえば「おはよう」という認識可能単語の音声波形A2が出力されたとする。同図(b)はその入力音信号(音声も含む)に対するパワー信号である。このとき、最初に設定されたしきい値がth1であるとすると、雑音レベルがこのしきい値th1よりも大きいと、図4のフローチャートにおけるステップs2からステップs6の処理、つまり、CPU10が立ち上がり、その雑音に対しても音信号分析を行ったのち、単語検出、キーワードか否かの判定を行うという処理が行われる。しかし、入力音信号はこの場合、雑音であって、キーワードの音声ではないため、しばらくの間は、ステップs1からステップs6の処理が繰り返して行われることになる。このような処理が一定時間継続した場合は、入力音信号は雑音であると判断して、しきい値をth1より高い値th2に設定し直す(図5(b)参照)。 That is, as described above, the sleep mode is initially set when the battery is inserted or when the sleep mode is set by some switch as described above. There is a case where the stationary noise as described above is continuously inputted without the voice being inputted for a while. For example, as shown in FIG. 5 (a), for a while from time t0, an input sound signal waveform A1 due to stationary noise is output, and then, for example, a speech waveform A2 of a recognizable word “Good morning” is output. Suppose. FIG. 4B shows a power signal corresponding to the input sound signal (including sound). At this time, if the initially set threshold value is th1, if the noise level is greater than the threshold value th1, the processing from step s2 to step s6 in the flowchart of FIG. The sound signal analysis is also performed for the noise, and then processing for detecting a word and determining whether or not the keyword is a keyword is performed. However, in this case, since the input sound signal is noise and not the keyword sound, the process from step s1 to step s6 is repeated for a while. If such processing continues for a certain period of time, it is determined that the input sound signal is noise, and the threshold value is reset to a value th2 higher than th1 (see FIG. 5B).
そして、新たに設定されたしきい値th2よりも大きいレベルの音信号が入力され、かつ、その入力音信号が認識単語(キーワード)の音声であると判定されると、フラグがスリープモードから動作モードに切り替わり、その時点で初めて装置は動作モードとなる。 When a sound signal having a level greater than the newly set threshold value th2 is input and it is determined that the input sound signal is the voice of a recognized word (keyword), the flag operates from the sleep mode. The mode is switched to the mode, and the apparatus enters the operation mode only at that time.
このように、しきい値を雑音レベルに応じて変えて行くことにより、長時間継続的に続く定常的な雑音の影響を受けないで、認識すべき音声のみを確実に検出することができる。 In this way, by changing the threshold value according to the noise level, it is possible to reliably detect only the speech to be recognized without being affected by stationary noise that continues continuously for a long time.
(第2の実施例)
以上説明した第1の実施例では、入力音信号のパワーを検出して音信号の入力を判断し、音信号が入力されたときのみ、CPU10を一旦、立ち上げて、その入力音信号がキーワードであるか否かの判定を行い、キーワードであると判定された場合に、動作モードとし、認識処理及び応答制御処理などの一連の処理を行う場合について説明したが、この第2の実施例では、環境中に雑音が存在する場合、雑音レベルの大きさに応じて応答レベルを設定する処理、および、入力された音声のパワーを検出して、そのパワーの大きさに基づいた応答レベルを設定する処理について説明する。
(Second embodiment)
In the first embodiment described above, the power of the input sound signal is detected to determine the input of the sound signal, and only when the sound signal is input, the
まず、環境中に雑音が存在する場合、雑音レベルの大きさに応じて応答レベルを設定をする例について説明する。これを実現するために、雑音の大きさを判断する指標として、前記したしきい値を用いる。つまり、前記第1の実施例では、雑音の影響を受けないように設定されたしきい値は最初はth1、その後の雑音レベルの大きさに対応して新たに設定されたしきい値はth2(th1<th2)である。 First, an example in which the response level is set according to the noise level when noise exists in the environment will be described. In order to realize this, the above-described threshold value is used as an index for judging the magnitude of noise. That is, in the first embodiment, the threshold value set so as not to be affected by noise is initially th1, and the threshold value newly set corresponding to the magnitude of the subsequent noise level is th2. (Th1 <th2).
このしきい値は雑音レベルの大きさに対応して設定されるものであるから、その時点におけるしきい値は雑音レベルの大きさを表す指標として用いることができる。すなわち、現在どのしきい値が用いられているかをCPU10側で判断し、そのしきい値に対応した応答出力レベルを予め設定しておくことにより、その時点における雑音レベルに応じた応答出力レベルにより応答内容を出力することができる。
Since this threshold value is set corresponding to the magnitude of the noise level, the threshold value at that time can be used as an index representing the magnitude of the noise level. That is, the
たとえば、今、しきい値がth1であったとすると、雑音レベルはそれほど大きくないと判断し、それに応じて予め設定された応答出力レベルで応答内容の出力を行う。また、しきい値がth2であったとすると、雑音レベルは少し大きくなったと判断し、それに応じて予め設定された応答出力レベルで応答内容の出力を行う。このように、環境に存在する雑音レベルの大きさに応じた応答出力レベルを設定することにより、雑音レベルがある程度大きいときは大きな音で応答するので、環境中に多少の雑音レベルがあっても応答内容が聞き取りやすくなる。 For example, if the threshold is now th1, it is determined that the noise level is not so high, and the response content is output at a response output level set in advance accordingly. If the threshold value is th2, it is determined that the noise level has become slightly higher, and response contents are output at a response output level set in advance accordingly. In this way, by setting the response output level according to the level of the noise level present in the environment, it responds with a loud sound when the noise level is somewhat high, so even if there is some noise level in the environment The response is easy to hear.
次に、入力音信号のパワーの大きさに基づいた応答レベルを設定する例について説明する。これは、話者が大きな声で問いかけたときには大きな声で応答し、話者が小さな声で問いかけたときは小さな声で応答するという動作を行うものである。たとえば、深夜など周囲が静かなときには、他の人に迷惑がかからないように、話者と装置は互いに小さな声で対話をするのが望ましい。逆に、騒音環境においてはある程度の音量で対話を行うのが自然である。また、耳の遠い人は大きな声で話すのが一般的であり、その場合には大きな声で応答するのが望ましい。このような点を踏まえて、入力音信号のレベルを検出してそのレベルに応じた応答出力レベルを設定するようにする。 Next, an example of setting a response level based on the power level of the input sound signal will be described. This performs an operation of responding with a loud voice when the speaker asks with a loud voice and responding with a small voice when the speaker asks with a small voice. For example, when the surroundings are quiet, such as at midnight, it is desirable that the speaker and the device interact with each other with a low voice so as not to disturb other people. Conversely, in a noisy environment, it is natural to have a conversation at a certain volume. In addition, it is common for a person with a long ear to speak with a loud voice, in which case it is desirable to respond with a loud voice. Based on such points, the level of the input sound signal is detected and a response output level corresponding to the level is set.
話者が深夜に、たとえば、「いま何時」と小さな声で問いかけたとする。ここで、装置がスリープモードとなっていても、「何時」という単語が認識可能な登録単語であり、かつ、その時点のしきい値より信号レベルが大きければ、CPU10は動作モードとなり、認識応答動作が可能な状態となる。そして、CPU10の動作時は、常に、入力音信号のパワー信号が入力され、CPU10ではそのパワー信号を監視して現時点の入力音信号のパワーを知ることができる。これにより、その「いま何時」という音声のパワー信号を、たとえば予め設定した何段階かのしきい値と比較して、その比較結果を基に、CPU10では入力された音声のパワーに応じた応答出力を発生するというような処理を行う。すなわち、入力された音声レベルが大きければそれに応じて大きな音声レベルによる応答出力、入力された音声レベルが小さければそれに応じて小さな音声レベルによる応答出力によって応答内容を発生する。この場合、話者が小さな声で「いま何時」と問いかけているので、たとえば、「いま、11時だよ」といった応答内容を小さな音声レベルで出力する。
Suppose that a speaker asks in the middle of the night, for example, “What time is it now?” Here, even if the apparatus is in the sleep mode, if the word “what” is a recognized word and the signal level is higher than the threshold value at that time, the
このように、話者が大きな声で問いかけたときには大きな声で応答し、話者が小さな声で問いかけたときは小さな声で応答する処理を行うことにより、前記したように、たとえば、深夜など周囲が静かなときには、他の人に迷惑がかからないように、そのときの状況に応じた音量での対話が可能となる。 In this way, when the speaker asks with a loud voice, the speaker responds with a loud voice, and when the speaker asks with a small voice, the speaker responds with a small voice. When is quiet, it is possible to have a conversation at a volume according to the situation at that time so as not to disturb other people.
なお、以上説明した環境中に雑音が存在する場合、雑音レベルの大きさに応じて応答レベルを設定する処理、および、入力音信号のパワーをを検出して、そのパワーの大きさに基づいた応答レベルを設定する処理は、両者とも第1の実施例で説明したスリープモードの設定が可能な装置に適用可能であることは勿論であるが、スリープモードの設定を可能としない装置においても適用できる。 If there is noise in the environment described above, the process of setting the response level according to the level of the noise level and the power of the input sound signal are detected and based on the level of the power. The processing for setting the response level can be applied to the device that can set the sleep mode described in the first embodiment, but it can also be applied to the device that cannot set the sleep mode. it can.
また、本発明は不特定話者音声認識装置に適用した例で説明したが、特定話者音声認識装置にも適用できる。 Moreover, although this invention demonstrated in the example applied to the unspecified speaker voice recognition apparatus, it is applicable also to a specific speaker voice recognition apparatus.
また、以上の各実施例では、本発明を玩具としてぬいぐるみに適用した例を説明したが、ぬいぐるみに限られるものではなく。他の玩具にも適用できることは勿論であり、さらに、玩具だけではなく、ゲーム機や、日常使われる様々な電子機器などにも適用でき、その適用範囲は極めて広いものと考えられる。 Moreover, although the example which applied this invention to the stuffed toy as a toy was demonstrated in the above each Example, it is not restricted to a stuffed toy. Needless to say, the present invention can be applied to other toys. Furthermore, it can be applied not only to toys but also to game machines and various electronic devices used in daily life, and the application range is considered to be extremely wide.
以上説明したように、音声認識対話装置を、入力された音信号を分析して特徴データを発生し、この特徴データと予め登録された認識可能な単語の標準音声特徴データとを比較し、入力された音信号が認識可能な単語である場合、その単語に対する単語検出データを出力し、この単語検出データを受けて、入力された音声の意味を理解し、それに対応した応答内容を決定して出力する手段、入力音信号の音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出手段を設け、装置をスリープモードとするためのスリープモード要求により装置がスリープモードとなっている場合において、前記入力音信号のパワーが予め定められたしきい値以上で、かつ、その入力音信号が前記認識可能な単語の音声であるか否かを判断する処理を行い、入力音信号のパワーが前記しきい値以上で、かつ、その入力音信号が前記認識可能な単語の音声であると判断された場合に、装置をスリープモードから動作モードとするようにしたので、入力音信号が或る一定以上のレベルを有した認識単語の音声である場合のみにスリープモードから動作モードとすることができ、信号レベルの小さい雑音あるいは信号レベルが大きくても認識単語でない場合は、動作モードとはしないため、雑音などの影響を受けることなく認識すべき単語の音声のみを認識応答処理対象とすることができ、また、スリープモード時は消費電力の小さい部分のみが作動状態にあるので、スリープモード時における消費電力をきわめて小さいものとすることができる。すなわち、本発明では、スリープモード時は音信号入力部と、入力音信号パワー検出部などの消費電力の小さい部分のみが動作可能状態にあり、ある一定レベル以上の音信号が入力されると、一時的にCPUは立ち上がるが、その入力音信号が認識単語の音声でないと判断されると、CPUは直ちに立ち下がるようになっている。そして、一定レベル以上のパワーを有し、かつ、認識可能な単語(キーワード)の音声が入力されて初めて動作モードとなるようにしているため、スリープモード時における消費電力をきわめて低く抑えることができる。 As described above, the speech recognition dialogue apparatus generates feature data by analyzing the input sound signal, compares the feature data with the standard speech feature data of recognizable words registered in advance, and inputs the feature data. If the received sound signal is a recognizable word, the word detection data for the word is output, the word detection data is received, the meaning of the input speech is understood, and the corresponding response content is determined. Means for outputting, input sound signal power detecting means for detecting the power of the input sound signal based on the sound signal waveform of the input sound signal, and the apparatus enters the sleep mode in response to a sleep mode request for setting the apparatus to the sleep mode. A process for determining whether the power of the input sound signal is equal to or greater than a predetermined threshold and whether the input sound signal is the sound of the recognizable word. When the power of the input sound signal is equal to or higher than the threshold value and the input sound signal is determined to be the sound of the recognizable word, the apparatus is changed from the sleep mode to the operation mode. Therefore, only when the input sound signal is a voice of a recognized word having a certain level or higher, it is possible to switch from the sleep mode to the operation mode. In this case, since it is not an operation mode, only the speech of words that should be recognized can be targeted for recognition response processing without being affected by noise, etc. In the sleep mode, only the portion with low power consumption operates. Therefore, the power consumption in the sleep mode can be made extremely small. That is, in the present invention, in the sleep mode, only the low power consumption part such as the sound signal input unit and the input sound signal power detection unit is in an operable state, and when a sound signal of a certain level or higher is input, The CPU temporarily rises, but when it is determined that the input sound signal is not the voice of the recognized word, the CPU immediately falls. In addition, since the operation mode is set only when a voice of a recognizable word (keyword) having a certain level or more of power is input, the power consumption in the sleep mode can be extremely low. .
また、前記スリープモードから動作モードとする際の入力音信号のパワー検出は、スリープモード時におけるパワー検出を前記予め設定されたしきい値を基準として所定時間行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、その入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する定常的な雑音と判断するようにしたので、環境中に或るレベルを有して長い時間連続して存在するような音信号は雑音であると判断することができ、このような雑音の影響を受けないようにすることができる。 In addition, the power detection of the input sound signal when switching from the sleep mode to the operation mode is performed for a predetermined time with the power detection in the sleep mode as a reference for the preset threshold value, When it is determined that the input sound signal is continuously present for a predetermined time and the input sound signal is not a recognizable word voice, the input sound signal is determined to be stationary noise existing in the environment. As a result, sound signals that have a certain level in the environment and exist continuously for a long time can be determined to be noise, and should not be affected by such noise. Can do.
また、前記スリープモードから動作モードとする際の入力音信号のパワー検出は、スリープモード時におけるパワー検出を前記予め設定されたしきい値を基準として所定時間おこない、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、その入力音信号が認識可能な単語も音声でないと判断された場合は、当該入力音信号は環境中に存在する定常的な雑音と判断するとともに、前記しきい値を当該定常的な雑音レベルよりも大きい値に更新するようにしたので、環境中に或るレベルを有して長い時間連続して存在するような音声に対しては、その音信号のレベルを検出してそのレベルに応じたしきい値の設定ができ、これにより、環境中の雑音が最初に設定されたしきい値よりも大きい場合にも、雑音であることを的確に判断することができ、環境中に定常的に存在するような雑音の影響を受けないようにすることができる。 In addition, the power detection of the input sound signal when switching from the sleep mode to the operation mode is performed for a predetermined time with the power detection in the sleep mode as a reference for the preset threshold value, and the power level is higher than the threshold value. When it is determined that the input sound signal is continuously present for a predetermined time and the input sound signal is not recognizable, the input sound signal is determined to be stationary noise existing in the environment. At the same time, since the threshold value is updated to a value larger than the stationary noise level, for a voice having a certain level in the environment and continuously existing for a long time, The sound signal level can be detected and a threshold value can be set according to that level, so that even if the noise in the environment is larger than the threshold value that was initially set, the noise level It is possible to accurately determine, it is possible to prevent the influence of noise, such as is present on a regular basis in the environment.
また、入力された音信号を分析して特徴データを発生し、この特徴データと予め登録された認識可能な単語の標準音声特徴データとを比較し、入力された音信号が認識可能な単語である場合、その単語に対する単語検出データを出力し、この単語検出データを受けて、入力された音声の意味を理解し、それに対応した応答内容を決定して出力する手段、入力音信号の音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出手段を設け、前記入力音信号パワー検出手段からのパワー信号を基に、環境中の雑音レベルを判断し、その雑音レベルの大きさに対応した音声レベルによる応答内容出力を行うようにしたので、環境中の雑音レベルが大きいときは、大きな音声レベルによる応答内容出力を発生することができ、環境中に多少の雑音が存在しても応答内容を聞き取りやすくすることができる。 In addition, the input sound signal is analyzed to generate feature data, and the feature data is compared with standard speech feature data of a recognizable word registered in advance. If there is, means for outputting word detection data for the word, receiving the word detection data, understanding the meaning of the input speech, determining and outputting the corresponding response content, sound signal of the input sound signal An input sound signal power detecting means for detecting the power of the input sound signal based on the waveform is provided, the noise level in the environment is determined based on the power signal from the input sound signal power detecting means, and the noise level is increased. Since the response contents are output with the sound level corresponding to the sound level, the response contents can be output with a large sound level when the noise level in the environment is large. Can be noise is easier to hear the response content be present.
また、前記入力音信号のパワー信号を基に環境中の雑音レベルを判断する手段として、雑音除去用のしきい値を設定し、このしきい値を基準にして所定時間パワーの検出を行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、その入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する定常的な雑音と判断するとともに、前記しきい値を当該定常的な雑音レベルよりも大きい値に更新し、或る時点におけるしきい値の大きさを基に、その時点における雑音レベルを判断するようにしたので、雑音レベルの大きさの指標をしきい値により得ることができ、簡単に現時点の雑音レベルの大きさを判断することができる。また、雑音レベルが変動してもそれに対応した音声レベルによる応答出力を発生することができ、環境中の雑音に、より一層適応した音声レベルでの応答出力とすることができる。 Further, as a means for judging the noise level in the environment based on the power signal of the input sound signal, a threshold for noise removal is set, and the power is detected for a predetermined time based on the threshold, If an input sound signal with a level greater than the threshold value exists continuously for a predetermined time and the input sound signal is determined not to be a recognizable word sound, the input sound signal exists in the environment. The threshold value is updated to a value larger than the stationary noise level, and the noise level at that point is determined based on the threshold value at a certain point in time. Thus, the noise level index can be obtained from the threshold value, and the current noise level can be easily determined. Moreover, even if the noise level fluctuates, it is possible to generate a response output with a voice level corresponding to the fluctuation, and it is possible to obtain a response output with a voice level that is more adapted to noise in the environment.
また、入力された音声を分析して音声特徴データを発生し、この音声特徴データと予め登録された認識可能な単語の標準音声特徴データとを比較し、入力された音信号が認識可能な単語である場合、その単語に対する単語検出データを出力し、この単語検出データを受けて、入力された音声の意味を理解し、それに対応した応答内容を決定して出力する手段、入力音信号の音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出手段を設け、この入力音信号パワー検出手段からのパワー信号を基に、入力音信号のパワーに対応した音声レベルによる応答内容出力を行うようにしたので、話者が大きな声で問いかけたときには大きな声で応答し、話者が小さな声で問いかけたときは小さな声で応答するという動作を行うことにより、たとえば、深夜など周囲が静かなときには、他の人に迷惑がかからないように、話者と装置は互いに小さな声で対話が可能となり、逆に、騒音環境においてはそれに適応した音量での対話が可能となる。 Also, the input speech is analyzed to generate speech feature data, the speech feature data is compared with the standard speech feature data of recognizable words registered in advance, and the input sound signal can be recognized If it is, means for outputting word detection data for the word, receiving the word detection data, understanding the meaning of the input speech, determining and outputting the corresponding response content, sound of the input sound signal Input sound signal power detecting means for detecting the power of the input sound signal based on the signal waveform is provided, and the response content by the sound level corresponding to the power of the input sound signal based on the power signal from the input sound signal power detecting means Since the output is performed, when the speaker asks with a loud voice, it responds with a loud voice, and when the speaker asks with a small voice, it responds with a low voice. For example, when the surroundings are quiet, such as late at night, the speaker and the device can talk with each other with a low voice so that other people will not be disturbed. It becomes possible.
また、音声認識対話処理方法を、入力された音信号を分析して特徴データを発生し、この特徴データと予め登録された認識可能な単語の標準音声特徴データとを比較し、入力された音信号が認識可能な単語である場合、その単語に対する単語検出データを出力し、この単語検出データを受けて、入力された音声の意味を理解し、それに対応した応答内容を決定して出力する工程、入力音信号の音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出工程を設け、装置をスリープモードとするためのスリープモード要求により装置がスリープモードとなっている場合において、前記入力音信号のパワーが予め定められたしきい値以上で、かつ、その入力音信号が前記認識可能な単語の音声であるか否かを判断する処理を行い、入力音信号のパワーが前記しきい値以上で、かつ、その入力音信号が前記認識可能な単語の音声であると判断された場合に、装置をスリープモードから動作モードとするようにしたので、入力音信号が或る一定以上のレベルを有した認識単語の音声である場合のみにスリープモードから動作モードとすることができ、信号レベルの小さい雑音あるいは信号レベルが大きくても認識単語でない場合は、動作モードとはしないため、雑音などの影響を受けることなく認識すべき単語のみを認識応答処理対象とすることができ、また、スリープモード時は消費電力の小さい部分のみが作動状態にあるので、スリープモード時における消費電力をきわめて小さいものとすることができる。すなわち、本発明では、スリープモード時は音信号入力部と、入力音信号パワー検出部などの消費電力の小さい部分のみが動作可能状態にあり、ある一定レベル以上の音声が入力されると、一時的にCPUは立ち上がるが、その入力音信号が認識単語でないと判断されると、CPUは直ちに立ち下がるようになっている。そして、一定レベル以上のパワーを有し、かつ、認識可能な単語(キーワード)の音声が入力されて初めて動作モードとなるようにしているため、スリープモード時における消費電力をきわめて低く抑えることができる。 In addition, the speech recognition dialogue processing method analyzes the input sound signal to generate feature data, compares the feature data with standard speech feature data of recognizable words registered in advance, and inputs the input sound. If the signal is a recognizable word, outputting word detection data for the word, receiving the word detection data, understanding the meaning of the input speech, determining and outputting the corresponding response content An input sound signal power detection step for detecting the power of the input sound signal based on the sound signal waveform of the input sound signal is provided, and when the device is in the sleep mode due to a sleep mode request for setting the device in the sleep mode. Performing a process of determining whether the power of the input sound signal is equal to or higher than a predetermined threshold and whether the input sound signal is the sound of the recognizable word, When the power of the sound signal is equal to or higher than the threshold value and the input sound signal is determined to be the sound of the recognizable word, the device is changed from the sleep mode to the operation mode. Only when the sound signal is a voice of a recognized word having a certain level or higher, the operation mode can be changed from the sleep mode. When the noise is low or the signal level is high, the word is not a recognized word. Because it is not an operation mode, only words that should be recognized without being affected by noise or the like can be targeted for recognition and response processing, and only the portion with low power consumption is active in sleep mode. The power consumption in the sleep mode can be made extremely small. That is, in the present invention, in the sleep mode, only the low power consumption parts such as the sound signal input unit and the input sound signal power detection unit are operable, and when a sound of a certain level or higher is input, The CPU starts up, but when it is determined that the input sound signal is not a recognized word, the CPU immediately goes down. In addition, since the operation mode is set only when a voice of a recognizable word (keyword) having a certain level or more of power is input, the power consumption in the sleep mode can be extremely low. .
また、前記スリープモードから動作モードとする際の入力音信号のパワー検出は、スリープモード時におけるパワー検出を前記予め設定されたしきい値を基準として所定時間行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、その入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する定常的な雑音と判断するようにしたので、環境中に或るレベルを有して長い時間連続して存在するような音信号は雑音であると判断することができ、このような雑音の影響を受けないようにすることができる。 In addition, the power detection of the input sound signal when switching from the sleep mode to the operation mode is performed for a predetermined time with the power detection in the sleep mode as a reference for the preset threshold value, When it is determined that the input sound signal is continuously present for a predetermined time and the input sound signal is not a recognizable word voice, the input sound signal is determined to be stationary noise existing in the environment. As a result, sound signals that have a certain level in the environment and exist continuously for a long time can be determined to be noise, and should not be affected by such noise. Can do.
また、前記スリープモードから動作モードとする際の入力音信号のパワー検出は、スリープモード時におけるパワー検出を前記予め設定されたしきい値を基準として所定時間おこない、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、その入力音信号が認識可能な単語でないと判断された場合は、当該入力音信号は環境中に存在する定常的な雑音と判断するとともに、前記しきい値を当該定常的な雑音レベルよりも大きい値に更新するようにしたので、環境中に或るレベルを有して長い時間連続して存在するような音信号に対しては、その音信号のレベルを検出してそのレベルに応じたしきい値の設定ができ、これにより、環境中の雑音が最初に設定されたしきい値よりも大きい場合にも、雑音であることを的確に判断することができ、環境中に定常的に存在するような雑音の影響を受けないようにすることができる。 In addition, the power detection of the input sound signal when switching from the sleep mode to the operation mode is performed for a predetermined time with the power detection in the sleep mode as a reference for the preset threshold value, and the power level is higher than the threshold value. When it is determined that the input sound signal exists continuously for a predetermined time and the input sound signal is not a recognizable word, the input sound signal is determined to be stationary noise existing in the environment, and Since the threshold value is updated to a value larger than the steady noise level, for a sound signal having a certain level in the environment and continuously existing for a long time, The level of the sound signal can be detected and a threshold value can be set according to that level, so that even if the noise in the environment is larger than the threshold value that was initially set, the noise is targeted. Can be determined, it is possible to prevent the influence of noise, such as is present on a regular basis in the environment.
また、入力された音信号を分析して特徴データを発生し、この特徴データと予め登録された認識可能な単語の標準音声特徴データとを比較し、入力された音信号が認識可能な単語である場合、その単語に対する単語検出データを出力し、この単語検出データを受けて、入力された音声の意味を理解し、それに対応した応答内容を決定して出力する工程、入力音信号の音声波形を基に入力音信号のパワーを検出する入力音信号パワー検出工程を設け、この入力音信号パワー検出工程からのパワー信号を基に、環境中の雑音レベルを判断し、この雑音レベルの大きさに対応した音声レベルによる応答内容出力を行うようにしたので、環境中の雑音レベルが大きいときは、大きな音声レベルによる応答内容出力を発生することができ、環境中に多少の雑音が存在しても応答内容を聞き取りやすくすることができる。 In addition, the input sound signal is analyzed to generate feature data, and the feature data is compared with standard speech feature data of a recognizable word registered in advance. If there is, the step of outputting word detection data for the word, receiving the word detection data, understanding the meaning of the input voice, determining and outputting the corresponding response content, the voice waveform of the input sound signal An input sound signal power detection process for detecting the power of the input sound signal based on the input sound signal is provided. Based on the power signal from the input sound signal power detection process, the noise level in the environment is determined and the magnitude of the noise level is determined. The response contents are output with the sound level corresponding to the sound level. When the environmental noise level is high, the response contents can be output with a large sound level. Even if noise is present can be easier to hear the response content.
また、前記入力音信号のパワー信号を基に環境中の雑音レベルを判断する手段として、雑音除去用のしきい値を設定し、このしきい値を基準にして所定時間パワーの検出を行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、その入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する定常的な雑音と判断するとともに、前記しきい値を当該定常的な雑音レベルよりも大きい値に更新し、或る時点におけるしきい値の大きさを基に、その時点における雑音レベルを判断するようにしたので、雑音レベルの大きさの指標をしきい値により得ることができ、簡単に現時点の雑音レベルの大きさを判断することができる。また、雑音レベルが変動してもそれに対応した音声レベルによる応答出力を発生することができ、環境中の雑音に対して、より一層適応した音声レベルでの応答出力とすることができる。 Further, as a means for judging the noise level in the environment based on the power signal of the input sound signal, a threshold for noise removal is set, and the power is detected for a predetermined time based on the threshold, If an input sound signal with a level greater than the threshold value exists continuously for a predetermined time and the input sound signal is determined not to be a recognizable word sound, the input sound signal exists in the environment. The threshold value is updated to a value larger than the stationary noise level, and the noise level at that point is determined based on the threshold value at a certain point in time. Thus, the noise level index can be obtained from the threshold value, and the current noise level can be easily determined. Moreover, even if the noise level fluctuates, it is possible to generate a response output with a voice level corresponding to the fluctuation, and it is possible to obtain a response output with a voice level that is more adapted to noise in the environment.
また、入力された音信号を分析して特徴データを発生し、この特徴データと予め登録された認識可能な単語の標準音声特徴データとを比較し、入力された音信号が認識可能な単語である場合、その単語に対する単語検出データを出力し、この単語検出データを受けて、入力された音声の意味を理解し、それに対応した応答内容を決定して出力する工程、入力音信号の音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出工程を設け、この入力音信号パワー検出工程からのパワー信号を基に、入力音信号のパワーに対応した音声レベルによる応答内容出力を行うようにしたので、話者が大きな声で問いかけたときには大きな声で応答し、話者が小さな声で問いかけたときは小さな声で応答するという動作を行うことにより、たとえば、深夜など周囲が静かなときには、他の人に迷惑がかからないように、話者と装置は互いに小さな声で対話が可能となり、逆に、騒音環境においてはそれに適応した音量での対話が可能となる。
In addition, the input sound signal is analyzed to generate feature data, and the feature data is compared with standard speech feature data of a recognizable word registered in advance. If there is, the step of outputting word detection data for the word, receiving the word detection data, understanding the meaning of the input speech, determining and outputting the corresponding response content, the sound signal of the input sound signal An input sound signal power detection process for detecting the power of the input sound signal based on the waveform is provided. Based on the power signal from the input sound signal power detection process, response contents are output at a sound level corresponding to the power of the input sound signal. Because when the speaker asks with a loud voice, the speaker responds with a loud voice, and when the speaker asks with a small voice, the speaker responds with a low voice. For example, when the surroundings are quiet, such as late at night, the speaker and the device can talk with each other with a low voice so that other people will not be disturbed. It becomes.
1・・・音信号入力部
2・・・音信号分析部
3・・・単語検出部
4・・・標準音声特徴データ記憶部
5・・・音声理解会話制御部
6・・・応答データ記憶部
7・・・音声合成部
8・・・音声出力部
9・・・入力音信号パワー検出部
10・・・CPU
th1,th2・・・しきい値
DESCRIPTION OF
th1, th2 ... threshold
Claims (4)
前記音信号入力手段により入力された音信号を分析して特徴データを発生する音信号分析部と、
登録された認識可能な単語の標準音声特徴データを記憶する標準音声特徴データ記憶手段と、
前記音信号分析手段からの特徴データを入力し、前記標準音声特徴データ記憶手段の記憶内容と比較し、入力音信号が認識可能な単語の音声であった場合、当該認識可能な単語に対する単語検出データを出力する単語検出手段と、
前記単語検出手段からの単語検出データを受けて、入力された音声の意味を理解し、前記音声の意味に対応した応答内容を決定するとともに各種制御を行う音声理解会話制御手段と、
前記音声理解会話制御手段によって決定された応答内容に基づいた音声合成出力を発生する音声合成手段と、
前記音声合成手段からの音声合成出力を外部に出力する音声出力手段と、
前記音信号入力手段からの音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出手段と、
を有し、
前記入力音信号パワー検出手段からのパワー信号を基に、雑音レベルを判断し、当該雑音レベルの大きさに対応した音声レベルによる応答内容出力を行う音声認識対話装置であって、
前記入力音信号パワー検出手段によるパワーの検出を、設定されたしきい値を基準として所定時間行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、当該入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する雑音と判断するとともに、前記しきい値を当該雑音のレベルよりも大きい値に更新し、
前記雑音レベルを判断する処理を、当該判断する時点におけるしきい値の大きさを基に行うことを特徴とする音声認識対話装置。 A sound signal input means for inputting a sound signal;
A sound signal analyzer for analyzing the sound signal input by the sound signal input means and generating feature data;
Standard speech feature data storage means for storing standard speech feature data of registered recognizable words;
Feature data from the sound signal analysis means is input and compared with the stored contents of the standard voice feature data storage means. If the input sound signal is a recognizable word speech, word detection for the recognizable word is performed. Word detection means for outputting data;
Receiving the word detection data from the word detection means, understanding the meaning of the input voice, determining the response content corresponding to the meaning of the voice and performing various controls; voice understanding conversation control means;
Speech synthesis means for generating speech synthesis output based on the response content determined by the voice understanding conversation control means;
Voice output means for outputting the voice synthesis output from the voice synthesis means to the outside;
Input sound signal power detection means for detecting the power of the input sound signal based on the sound signal waveform from the sound signal input means;
Have
Based on the power signal from the input sound signal power detection means, it is a voice recognition dialogue apparatus for judging the noise level and outputting the response content by the voice level corresponding to the magnitude of the noise level,
Power detection by the input sound signal power detection means is performed for a predetermined time with a set threshold as a reference, and an input sound signal having a level higher than the threshold continuously exists for a predetermined time, and the input If it is determined that the sound signal is not a recognizable word speech, the input sound signal is determined to be noise present in the environment, and the threshold is updated to a value greater than the noise level.
A speech recognition dialogue apparatus characterized in that the process of determining the noise level is performed based on a threshold value at the time of the determination.
前記音信号入力手段からの音信号波形を基に入力音信号のパワーを検出する入力音信号パワー検出工程と、
を有し、
前記入力音信号パワー検出手段からのパワー信号を基に、雑音レベルを判断し、当該雑音レベルの大きさに対応した音声レベルによる応答内容出力を行う音声認識対話処理方法であって、
前記入力音信号パワー検出工程におけるパワーの検出を、設定されたしきい値を基準として所定時間行い、当該しきい値より大きいレベルの入力音信号が所定時間連続的に存在し、かつ、当該入力音信号が認識可能な単語の音声でないと判断された場合は、当該入力音信号は環境中に存在する雑音と判断するとともに、前記しきい値を当該雑音のレベルよりも大きい値に更新し、
前記雑音レベルを判断する処理を、当該判断する時点におけるしきい値の大きさを基に行うことを特徴とする音声認識対話処理方法。 Analyzing the sound signal input by the sound signal input means to generate feature data, comparing the feature data with the standard speech feature data storing the standard speech feature data of the recognized recognizable word, and the input If the received sound signal is a speech of a recognizable word, word detection data for the recognizable word is output, the word detection data is received, the meaning of the input speech is understood, A speech recognition response output generating step of determining a response content corresponding to the meaning and generating a speech synthesis output based on the determined response content;
An input sound signal power detection step for detecting the power of the input sound signal based on the sound signal waveform from the sound signal input means;
Have
A speech recognition dialogue processing method for determining a noise level based on a power signal from the input sound signal power detection means and outputting a response content by a voice level corresponding to the magnitude of the noise level,
The detection of power in the input sound signal power detection step is performed for a predetermined time with a set threshold as a reference, an input sound signal having a level larger than the threshold is continuously present for a predetermined time, and the input If it is determined that the sound signal is not a recognizable word speech, the input sound signal is determined to be noise present in the environment, and the threshold is updated to a value greater than the noise level.
A speech recognition dialogue processing method, wherein the process of determining the noise level is performed based on a threshold value at the time of the determination.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004308219A JP3846500B2 (en) | 2004-10-22 | 2004-10-22 | Speech recognition dialogue apparatus and speech recognition dialogue processing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004308219A JP3846500B2 (en) | 2004-10-22 | 2004-10-22 | Speech recognition dialogue apparatus and speech recognition dialogue processing method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP21224895A Division JP3674990B2 (en) | 1995-08-21 | 1995-08-21 | Speech recognition dialogue apparatus and speech recognition dialogue processing method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2005122194A JP2005122194A (en) | 2005-05-12 |
JP3846500B2 true JP3846500B2 (en) | 2006-11-15 |
Family
ID=34617006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004308219A Expired - Lifetime JP3846500B2 (en) | 2004-10-22 | 2004-10-22 | Speech recognition dialogue apparatus and speech recognition dialogue processing method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3846500B2 (en) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014202808A (en) * | 2013-04-02 | 2014-10-27 | パイオニア株式会社 | Input/output device |
JP6612277B2 (en) * | 2017-02-16 | 2019-11-27 | 日本電信電話株式会社 | Turn-taking timing identification device, turn-taking timing identification method, program, and recording medium |
JP2018084843A (en) * | 2018-01-30 | 2018-05-31 | パイオニア株式会社 | Input/output device |
KR102535338B1 (en) * | 2018-09-25 | 2023-05-26 | 구글 엘엘씨 | Speaker diarization using speaker embedding(s) and trained generative model |
CN115862635B (en) * | 2023-02-28 | 2023-06-30 | 北京海天瑞声科技股份有限公司 | Data processing method, electronic equipment and storage medium |
-
2004
- 2004-10-22 JP JP2004308219A patent/JP3846500B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JP2005122194A (en) | 2005-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3674990B2 (en) | Speech recognition dialogue apparatus and speech recognition dialogue processing method | |
US11756563B1 (en) | Multi-path calculations for device energy levels | |
JP3284832B2 (en) | Speech recognition dialogue processing method and speech recognition dialogue device | |
JP3968133B2 (en) | Speech recognition dialogue processing method and speech recognition dialogue apparatus | |
JP4837917B2 (en) | Device control based on voice | |
US9293134B1 (en) | Source-specific speech interactions | |
JP6654611B2 (en) | Growth type dialogue device | |
JP4667085B2 (en) | Spoken dialogue system, computer program, dialogue control apparatus, and spoken dialogue method | |
KR102628211B1 (en) | Electronic apparatus and thereof control method | |
EP1525577B1 (en) | Method for automatic speech recognition | |
US20070198268A1 (en) | Method for controlling a speech dialog system and speech dialog system | |
US20170221481A1 (en) | Data structure, interactive voice response device, and electronic device | |
JP2012163692A (en) | Voice signal processing system, voice signal processing method, and voice signal processing method program | |
JP2004333543A (en) | System and method for speech interaction | |
JP2001188779A (en) | Device and method for processing information and recording medium | |
CN114120979A (en) | Optimization method, training method, device and medium of voice recognition model | |
US7177806B2 (en) | Sound signal recognition system and sound signal recognition method, and dialog control system and dialog control method using sound signal recognition system | |
JP3846500B2 (en) | Speech recognition dialogue apparatus and speech recognition dialogue processing method | |
KR20220129366A (en) | Speech recognition system and method for controlling the same | |
WO2019187543A1 (en) | Information processing device and information processing method | |
KR20210098250A (en) | Electronic device and Method for controlling the electronic device thereof | |
JP2007183516A (en) | Voice interactive apparatus and speech recognition method | |
JP2017201348A (en) | Voice interactive device, method for controlling voice interactive device, and control program | |
JP7429107B2 (en) | Speech translation device, speech translation method and its program | |
KR102392992B1 (en) | User interfacing device and method for setting wake-up word activating speech recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20060801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060814 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090901 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100901 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100901 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110901 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120901 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130901 Year of fee payment: 7 |
|
EXPY | Cancellation because of completion of term |