JP3937937B2 - 音声認識装置及びその方法 - Google Patents
音声認識装置及びその方法 Download PDFInfo
- Publication number
- JP3937937B2 JP3937937B2 JP2002174071A JP2002174071A JP3937937B2 JP 3937937 B2 JP3937937 B2 JP 3937937B2 JP 2002174071 A JP2002174071 A JP 2002174071A JP 2002174071 A JP2002174071 A JP 2002174071A JP 3937937 B2 JP3937937 B2 JP 3937937B2
- Authority
- JP
- Japan
- Prior art keywords
- voice
- feature data
- speaker
- voice feature
- voice recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Description
【０００１】
【発明の属する技術分野】
本発明は、音声認識手段を備えた音声認識装置およびその方法に関するものである。
【０００２】
【従来の技術】
従来、話者の音声の特徴を抽出し、それを利用する音声認識手段を備えた音声認識装置としては車載ナビゲーション装置の他、多数に利用されている。
【０００３】
【発明が解決しようとする課題】
しかし、１つの音声認識装置に備わる音声特徴データ抽出手段が抽出した音声特徴データは他の音声認識装置が備える音声認識手段に利用する事が出来ない。
【０００４】
よって、話者は複数の音声認識装置を利用する際は、個々の装置で発話音声の特徴を抽出し、音声認識手段がその音声特徴データを利用出来る環境を整える作業、すなわち話者適応を行わなければならず不便である。
【０００５】
上述の話者適応とは、話者固有の音声の特徴を学習するもので、音声認識手段を利用する前に話者が複数の単語を発声し、その発声を用いて話者専用の音響モデルを作成する事を言う。前述の音声認識手段は話者専用の音響モデルを用いて音声認識を行う事になる。
【０００６】
以前の話者適応は声道長正規化や話者クラスタ選択など、１文程度の文章を話者に発話させる事で適応音声を取得するものが多かったが、現在では不特定話者と特定話者の音響特徴の違いを統計的に演算する為、数文から数十文の適応音声を取得するのが一般的である。
【０００７】
また、人間の音声は日々の体調その他の要件、または成長期による変声期等でその特徴は異なる性質があり常に一定ではない。音声認識手段は話者が当該手段を利用する直前に前述の話者適応を行い、音声認識手段が最新の音声特徴データを利用出来る環境を整える事が最も高い音声認識率の実現を期待出来る事が知られている。
【０００８】
しかし音声認識手段を利用する直前にいちいち前述の話者適応を行わなければならないのは不便である。
【０００９】
本発明は上記の点を鑑みてなされたものである。すなわち音声認識手段への話者適応をスムーズにし、話者が変更したり話者の声の特徴に変化等が生じた場合でも音声認識性能の維持、向上が可能な音声認識装置及びその方法を提供する事を目的とする。
【００１０】
【課題を解決するための手段】
請求項１記載の発明では、第一の音声特徴データを保持する第一の音声特徴データ保持手段を有し、前記第一の音声特徴データを利用して音声認識を行う音声認識手段と、前記音声認識手段と通信可能な携帯型の電話手段とを備え、前記電話手段は、話者の音声を入力する音声入力手段と、前記音声入力手段で入力した話者の発話音声の特徴を抽出する音声特徴データ抽出手段と、前記音声特徴データ抽出手段で抽出した音声特徴データを保持する第二の音声特徴データ保持手段とを有し、前記電話手段が前記音声認識手段と通信可能な状態に置かれた時、前記第二の音声特徴保持手段内に保持された前記音声特徴データが前記第一の音声特徴保持手段内に送信、保持され、音声認識手段は、第一の音声特徴データ保持手段内に保持されたより最新の音声特徴データを利用して音声認識を行う事を特徴とする。
【００１１】
この発明により、電話手段は話者が携帯して利用するため比較的頻度が高く、電話手段内の第二の音声特徴データ保持手段には話者のより最新の音声特徴データが抽出、保持される。そのため音声認識手段を利用したい時、より最新の音声特徴データが電話手段により音声認識手段内に送信、保持される事になり、話者が変更したり、もしくは話者が風邪等により声の特徴が変わった場合でも音声認識性能を維持する事が可能になる。
【００１２】
請求項２記載の発明では、
前記第一の音声特徴保持手段は、複数の話者の音声特徴データを個別に保持するように構成され話者識別情報に応じてこれらの音声特徴データの中から前記音声認識手段が使用する音声特徴データが選択される事を特徴とする。
【００１３】
この発明により、音声認識手段を複数の話者に対して共用可能となり、しかも複数の話者が利用する場合でも、それぞれ話者の音声特徴データを用いて音声認識出来るため、音声認識性能を高める事が可能になる。
【００１４】
請求項３記載の発明では、
携帯型の電話手段を用いて話者の発話音声の特徴を抽出し、この抽出した音声特徴データを、前記電話手段に内蔵する第二の音声特徴保持手段に保持するようにし、前記電話手段が音声認識手段と通信可能な状態に置かれた時、前記第二の音声特徴保持手段内に保持された前記音声特徴データを前記音声認識手段内の第一の音声特徴保持手段内に送信、保持するようにし、前記音声認識手段は前記第一の音声特徴保持手段に保持されたより最新の前記音声特徴データを使用して前記話者の音声認識を行う事を特徴とする。
【００１５】
この発明により請求項１記載の発明と同様の効果を奏する。また仮に複数の音声認識手段が異なる場所に設けられている場合でも、携帯型の電話手段は話者に携帯して移動可能なため、それぞれの音声認識手段に対し、より最新の音声特徴データを送信、保持させる事が出来、音声認識性能を高める事が可能になる。
【００１６】
【発明の実施の形態】
以下、本発明の実施の形態を説明する。
【００１７】
（第一実施形態）
本発明の第一実施形態を図１ならびに図２を用いて説明する。
【００１８】
図１は本発明の第一実施形態にかかる携帯電話２００と車載ナビゲーション装置３００との関係を示すブロック図である。
【００１９】
携帯電話２００は請求項１ならびに３に示す、携帯型の電話手段の一例示であり、同様に車載ナビゲーション装置３００は請求項１ならびに３に示す音声認識手段の一例示である。
【００２０】
このため本発明が示す所の音声認識装置とは車載ナビゲーション装置に限定されるものではなく、ひろく音声認識機能を備えた装置全般に適用され得る。
【００２１】
また携帯電話２００についても話者の発話音声が入力される機会が多い携帯型の音声入力手段を備えた装置、例えばＰＤＡ（ＰｅｒｓｏｎａｌＤｉｇｉｔａｌＡｓｓｉｓｔａｎｔｓ）と呼ばれる携帯情報端末に音声入力手段が搭載された装置にも適応され得る。
【００２２】
また、図２は図１に示した携帯電話２００と車載ナビゲーション装置３００の要部におけるブロック図である。
【００２３】
図１に示す車載ナビゲーション装置３００は、周知の地図データ部１、表示部２、操作スイッチ群３、位置検出部１０、リモートコントロールセンサー２０、音声入力装置３１０、受信部３２０、音声出力装置３３０とこれらが接続する制御部１００を備えている。
【００２４】
また、制御部１００は通常のコンピューターとして構成されており、その内部には周知のＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ、およびこれらの構成を接続するバスラインを備えている。前述の地図データ部１は、位置検出の精度向上の為のマップマッチング情報ならびに地形情報を含んだ地理データおよび施設情報ならびに道路情報を含んだ地図データを保持するための装置である。
【００２５】
媒体としては、そのデータ量からＣＤ−ＲＯＭ、またはＤＶＤ−ＲＯＭを用いるのが一般的であるが、メモリカード等の媒体を用いても良い。
【００２６】
表示部２はカラー表示装置であり、表示部２の画面上には後述する位置検出部１０から入力された車両現在位置マークと、前述の地図データ部１より入力された地図データならびに地図上に表示する誘導経路等の付加データとを重ねて表示する事が出来る。
【００２７】
前述の操作スイッチ群３は、例えば前述の表示部２と一体になったタッチスイッチ、もしくはメカニカルなスイッチ等が用いられ、各種入力に使用される。
【００２８】
前記位置検出部１０は、いずれも周知の地磁気センサ１１、ジャイロスコープ１２、距離センサ１３、およびＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ）衛星からの電波に基づいて車両の位置を検出するＧＰＳ受信機１４を備えている。
【００２９】
これら位置検出部１０内の各センサは、各々が性質の異なる誤差を持っているため複数のセンサにより互いに補完しながら使用するように構成されている。なお精度によっては、上述したうちの一部で構成してもよく、更にステアリングの回転センサ、各転動輪の車輪センサ等を用いても良い。
【００３０】
更に、前述の操作スイッチ群３で行える様々な入力操作と同等のそれを行う事が出来る、リモートコントロールセンサー２０とリモートコンとーラー２１が備えられ、入力の簡便化が図られている。
【００３１】
また、音声で乗員に操作方法や各種情報を案内する音声案内機能の為の音声出力装置３３０も併せて装備されている。
【００３２】
また、音声入力装置３１０が装備されており、これにより音声認識技術を用いた音声での車載ナビゲーション装置３００の機能操作や運転中の携帯電話２００での通話を可能にするハンズフリー機能を搭載している。
【００３３】
また、制御部１００は内部に経路演算部１１０を備え、前述の地図データ部１からの道路情報と、前述の位置検出部１０からの現在自車位置情報と、乗員が前述の操作スイッチ群３または前述のリモートコントロールセンサー２０で入力した目的地までの経路を演算し、経路情報として表示部４から出力する。
【００３４】
また、前述した音声案内機能で提供される各種情報には、この経路情報も含まれる。
【００３５】
図２は請求項１ならびに３に示す携帯型の電話手段の一例示である携帯電話２００と音声認識手段の一例示である音声認識手段を備えた車載ナビゲーション装置３００の要部を示すブロック図である。
【００３６】
図中は上段に携帯電話２００が、下段に車載ナビゲーション装置３００が示されており、この車載ナビゲーション装置３００は公知の音声認識部１０３を備える。
【００３７】
すなわち、音声入力装置３１０が備えるマイク３１１からの話者の音声を音声入力部３１２でゲインや特性を調整された後Ａ／Ｄ変換し、デジタル信号Ｓ３１２として音声認識部１０３に伝達し音声認識制御に利用する。
【００３８】
前述の音声認識機能が正常に終了すると例えば表示部２もしくは音声出力装置３３０に対して認識された制御内容に対応した出力がなされる。
【００３９】
前述した公知の音声認識機能を備えた車載ナビゲーション装置３００の音声認識部１０３と、この処理部が音声認識を行うのに不可欠な音声特徴データを参照するまでの仕組みに対してなされた本発明の第一実施形態をいかに示す。
【００４０】
携帯電話２００のマイク２１１に入力された話者の音声Ｓ２１１を、音声入力部２１２によってゲインや特性を調整した後、Ａ／Ｄ変換しデジタル信号Ｓ２１２として音声特徴データ抽出部２２１に伝達する。
【００４１】
音声特徴データ抽出部２０２は、音声入力部２１２から入力されたデジタル信号Ｓ２１２の音声の特徴抽出を行う。
【００４２】
この特徴抽出方法には帯域フィルタ群による方法、ＦＦＴ（高速フーリエ変換）による方法、相関関数による方法、またはＬＰＣ（線形予測分析）による方法などがあり、特にＦＦＴ（高速フーリエ変換）による特徴抽出方法が最も一般的である。
【００４３】
上述の方法で抽出した音声特徴データは、音声認識部１０３が内部に保持する不特定話者モデルの傾きを決定するパラーメーターとして参照され、話者固有の話者適応モデルすなわち特定話者モデルを生成する。
【００４４】
抽出した音声特徴データＤ２０２は、一意的な識別データ例えば携帯電話２００の使用者の氏名、または携帯電話２００の携帯電話番号文字列と現在日時情報からなる抽出日時データを添付し、音声特徴データＤ２０１とし音声特徴データ保持部２０１に保存する。
【００４５】
前述した複数の特徴データ抽出方法はいずれも、話者からのある程度の長さの発話を事前にサンプリングする必要があり、話者固有の特定話者モデルの生成に不適当な発話内容（「えー」または「〜です」などの不要語の含有）や、不向きな発話環境（屋外で悪天候または交通騒音等）、または困難な携帯電話２００の電波の受信環境（エコーまたはノイズの混入）等が原因となり、望ましい発話サンプリングが行われない事も想定される。
【００４６】
このような場合には、携帯電話２００は図示しない表示装置上で話者に対して、直近の話者の携帯電話２００への発話は望ましいサンプリングであったか否か、表示出来る事が望ましい。
【００４７】
また、話者は所望した時にいつでも携帯電話２００の図示しない操作キーの操作によって、前述の音声特徴データＤ２０１内にある抽出日時データを図示しない携帯電話２００の表示装置上で表示出来、当該音声特徴データＤ２０２がいつ生成されたデータなのか知る事が出来る事も望ましい。
【００４８】
前述の音声特徴データＤ２０２を車載ナビゲーション装置３００の音声特徴データ保持部１０１に移動するには送信部２３０を介して受信部３２０に向けて送信する必要がある。
【００４９】
この際、話者は図示しない携帯電話２００の操作キーで送信操作を行っても良いし、送信部２３０が受信部３２０との間の直線距離での長短や遮蔽物の有無、その他、音声特徴データの送受信（通信）を行うのに可能かつ適正な環境である事を検知した場合、自動的に音声特徴データ保持部２０１内の音声特徴データＤ２０１を車載ナビゲーション装置３００の受信部３２０へ送信するようにしても良い。
【００５０】
音声特徴データ保持部２０１に保持する音声特徴データＤ２０１は、送信部２３０に伝送され予め定められたプロトコルで受信部３２０に送信する。この送受信（通信）は赤外線を利用したデータ転送手段が一般的であり、送信部２３０の図示しない発信部は携帯電話２００の本体上端部付近に配設される事で話者の握り感が良い状態で送受信（通信）作業が行える事が望ましい。
【００５１】
送信部２３０から送信された音声特徴データＤ２０１を受信した受信部３２０は当該データを音声特徴データ保持部１０１に保存する。
【００５２】
前述の送受信（通信）が正常に終了し、音声特徴データ保持部１０１に保存した音声特徴データＤ１０１は話者が車載ナビゲーション装置３００の音声認識機能を利用する際に音声認識部１０３が利用する事が出来る。
【００５３】
この時、音声特徴データ保持部１０１は受信部３２０から当該データを受け取ると、そのデータの複製を作成し、作成した複製データを音声特徴データ抽出部１０２に格納しても良いし、話者が車載ナビゲーション装置３００の音声認識機能を利用するに際して音声認識部１０３が音声特徴データを必要とする事を検知し、それに対応して音声特徴データ抽出部１０２に当該データを格納しても良い。
【００５４】
音声特徴データＤ１０１と音声認識部１０３内に格納する図示しない不特定話者モデルとから話者に適応した特定話者適応モデルを求め、これを用いて前述の音声入力装置３１０からのデジタル信号Ｓ３１２がどの単語に対応するのかを音声認識辞書１０４を参照しつつ認識する。
【００５５】
この方法としてはＤＰ（動的計画法）マッチングを用いる方法、ＨＭＭ（隠れマルコフモデル）を用いる方法などが一般的であり、ここではＨＭＭによる方法を採用している。
【００５６】
本実施形態によれば、携帯電話２００は話者が携帯して利用されるため比較的利用頻度が高く、携帯電話２００内の音声特徴データ保持部２０１には話者のより最新の音声特徴データＤ２０１が抽出、保持される。
【００５７】
そのため音声認識部１０３を利用したい時、より最新の音声特徴データが携帯電話２００より音声特徴データ保持部１０１内に送信、保持される事になり話者が変わったり風邪等による声の特徴が変わった場合でも、そのデータを特徴として取り込む事によって、音声認識性能を高め、また認識開始時より話者適応をスムーズに出来、認識応答性を向上出来る。
【００５８】
（第二実施形態）
本発明の第二実施形態を図３を用いて説明する。
【００５９】
図３は本発明の第二実施形態にかかる携帯電話２００と車載ナビゲーション装置３００の要部を示すブロック図である。
【００６０】
車載ナビゲーション装置３００の音声特徴データ保持部１０１には話者Ａ、Ｂ、Ｃの音声特徴データＤ１０１ａ〜Ｄ１０１ｃが別々に保持されている。
【００６１】
今、話者Ｂが車載ナビゲーション装置３００の音声認識機能を利用しようとする時、話者Ｂは操作スイッチ群３またはリモートコントローラ２１の操作により、音声認識部１０３が参照する音声特徴データはＤ１０１ｂである事を指定する事が出来る。
【００６２】
この時表示部２には前述の音声特徴データＤ１０１ａ〜Ｄ１０１ｃが識別可能に表示される事が望ましい。
【００６３】
すなわち現在音声認識部１０３が特定話者モデル生成の為に参照した音声特徴データは誰の音声特徴でいつ生成されたのか利用時に表示部２にて表示されている事で、話者と音声特徴データとのマッチングミスを未然に防ぐ事が出来る。
【００６４】
これにより音声認識部１０３内に格納される図示しない不特定話者モデルと話者Ｂの音声特徴データＳ１０１ｂから求められる話者Ｂ固有の特定話者適応モデルが音声入力装置３１０から入力されるデジタル信号Ｓ３１２ｂがどの単語に対応するのかを音声認識辞書１０４を参照しつつ認識する事になる。
【００６５】
これにより、車載ナビゲーション装置３００を搭載した車両が、運転者が頻繁に変更する、例えば業務用車両であった場合、運転者の変更時ごとに運転者が車載ナビゲーション装置３００に対して話者適応を行う必要が無くなるだけでなく、話者Ｂの車両使用後、再度話者Ａの車両使用予定があった場合、再度話者Ａの音声特徴データＤ１０１ａを音声特徴データ保持部１０１に格納する必要がなく、話者Ｂの車両使用前に使用していた話者Ａの音声特徴データＤ１０１ａを利用する事が出来る。
【００６６】
なお、上記実施形態では利用する複数の話者の話者識別情報として話者が操作スイッチ群３やリモートコントローラ２１の操作で乗じる操作信号を用いているが、操作の煩わしさや操作ミスの恐れもある。
【００６７】
それに対しては、携帯電話２００側に電話毎に異なる識別コードを付与し、音声特徴データＤ２０１の送信時にその先頭に前述の識別コードを常に付与し、音声特徴データ保持部１０１が前述の先頭に付与した識別コードに対応して、音声特徴データＤ１０１ａ〜Ｄ１０１ｃを分類、記憶する事で、携帯電話（話者）に対応して自動的に音声特徴データが選択するようにする事での解決を図る事が出来る。
【図面の簡単な説明】
【図１】本発明の第一実施形態にかかる携帯電話２００と車載ナビゲーション装置３００の概略構成を示す構成図である。
【図２】本発明の第一実施形態における携帯電話２００ならびに車載ナビゲーション装置３００の要部におけるブロック図である。
【図３】本発明の第二実施形態における携帯電話２００ならびに車載ナビゲーション装置３００の要部におけるブロック図である。
【符号の説明】
１ 地図データ部
２ 表示部
３ 操作スイッチ群
１０ 位置検出部
２０ リモートコントールセンサー
２１ リモートコントローラ
１００ 音声認識部
１０１ 音声特徴データ保持部（第一の音声特徴データ保持手段）
１０２ 音声特徴データ抽出部
１０３ 音声認識部
１０４ 音声認識辞書
１１０ 経路演算部
２００ 携帯電話（電話手段）
２１０ 音声入力装置（音声入力手段）
２０２ 音声特徴データ抽出部（音声特徴データ抽出手段）
２０１ 音声特徴データ保持部（第二の音声特徴データ保持手段）
２３０ 送信部
３００ 車載ナビゲーション装置
３１０ 音声入力装置
３２０ 受信部
３３０ 音声出力装置
【発明の属する技術分野】
本発明は、音声認識手段を備えた音声認識装置およびその方法に関するものである。
【０００２】
【従来の技術】
従来、話者の音声の特徴を抽出し、それを利用する音声認識手段を備えた音声認識装置としては車載ナビゲーション装置の他、多数に利用されている。
【０００３】
【発明が解決しようとする課題】
しかし、１つの音声認識装置に備わる音声特徴データ抽出手段が抽出した音声特徴データは他の音声認識装置が備える音声認識手段に利用する事が出来ない。
【０００４】
よって、話者は複数の音声認識装置を利用する際は、個々の装置で発話音声の特徴を抽出し、音声認識手段がその音声特徴データを利用出来る環境を整える作業、すなわち話者適応を行わなければならず不便である。
【０００５】
上述の話者適応とは、話者固有の音声の特徴を学習するもので、音声認識手段を利用する前に話者が複数の単語を発声し、その発声を用いて話者専用の音響モデルを作成する事を言う。前述の音声認識手段は話者専用の音響モデルを用いて音声認識を行う事になる。
【０００６】
以前の話者適応は声道長正規化や話者クラスタ選択など、１文程度の文章を話者に発話させる事で適応音声を取得するものが多かったが、現在では不特定話者と特定話者の音響特徴の違いを統計的に演算する為、数文から数十文の適応音声を取得するのが一般的である。
【０００７】
また、人間の音声は日々の体調その他の要件、または成長期による変声期等でその特徴は異なる性質があり常に一定ではない。音声認識手段は話者が当該手段を利用する直前に前述の話者適応を行い、音声認識手段が最新の音声特徴データを利用出来る環境を整える事が最も高い音声認識率の実現を期待出来る事が知られている。
【０００８】
しかし音声認識手段を利用する直前にいちいち前述の話者適応を行わなければならないのは不便である。
【０００９】
本発明は上記の点を鑑みてなされたものである。すなわち音声認識手段への話者適応をスムーズにし、話者が変更したり話者の声の特徴に変化等が生じた場合でも音声認識性能の維持、向上が可能な音声認識装置及びその方法を提供する事を目的とする。
【００１０】
【課題を解決するための手段】
請求項１記載の発明では、第一の音声特徴データを保持する第一の音声特徴データ保持手段を有し、前記第一の音声特徴データを利用して音声認識を行う音声認識手段と、前記音声認識手段と通信可能な携帯型の電話手段とを備え、前記電話手段は、話者の音声を入力する音声入力手段と、前記音声入力手段で入力した話者の発話音声の特徴を抽出する音声特徴データ抽出手段と、前記音声特徴データ抽出手段で抽出した音声特徴データを保持する第二の音声特徴データ保持手段とを有し、前記電話手段が前記音声認識手段と通信可能な状態に置かれた時、前記第二の音声特徴保持手段内に保持された前記音声特徴データが前記第一の音声特徴保持手段内に送信、保持され、音声認識手段は、第一の音声特徴データ保持手段内に保持されたより最新の音声特徴データを利用して音声認識を行う事を特徴とする。
【００１１】
この発明により、電話手段は話者が携帯して利用するため比較的頻度が高く、電話手段内の第二の音声特徴データ保持手段には話者のより最新の音声特徴データが抽出、保持される。そのため音声認識手段を利用したい時、より最新の音声特徴データが電話手段により音声認識手段内に送信、保持される事になり、話者が変更したり、もしくは話者が風邪等により声の特徴が変わった場合でも音声認識性能を維持する事が可能になる。
【００１２】
請求項２記載の発明では、
前記第一の音声特徴保持手段は、複数の話者の音声特徴データを個別に保持するように構成され話者識別情報に応じてこれらの音声特徴データの中から前記音声認識手段が使用する音声特徴データが選択される事を特徴とする。
【００１３】
この発明により、音声認識手段を複数の話者に対して共用可能となり、しかも複数の話者が利用する場合でも、それぞれ話者の音声特徴データを用いて音声認識出来るため、音声認識性能を高める事が可能になる。
【００１４】
請求項３記載の発明では、
携帯型の電話手段を用いて話者の発話音声の特徴を抽出し、この抽出した音声特徴データを、前記電話手段に内蔵する第二の音声特徴保持手段に保持するようにし、前記電話手段が音声認識手段と通信可能な状態に置かれた時、前記第二の音声特徴保持手段内に保持された前記音声特徴データを前記音声認識手段内の第一の音声特徴保持手段内に送信、保持するようにし、前記音声認識手段は前記第一の音声特徴保持手段に保持されたより最新の前記音声特徴データを使用して前記話者の音声認識を行う事を特徴とする。
【００１５】
この発明により請求項１記載の発明と同様の効果を奏する。また仮に複数の音声認識手段が異なる場所に設けられている場合でも、携帯型の電話手段は話者に携帯して移動可能なため、それぞれの音声認識手段に対し、より最新の音声特徴データを送信、保持させる事が出来、音声認識性能を高める事が可能になる。
【００１６】
【発明の実施の形態】
以下、本発明の実施の形態を説明する。
【００１７】
（第一実施形態）
本発明の第一実施形態を図１ならびに図２を用いて説明する。
【００１８】
図１は本発明の第一実施形態にかかる携帯電話２００と車載ナビゲーション装置３００との関係を示すブロック図である。
【００１９】
携帯電話２００は請求項１ならびに３に示す、携帯型の電話手段の一例示であり、同様に車載ナビゲーション装置３００は請求項１ならびに３に示す音声認識手段の一例示である。
【００２０】
このため本発明が示す所の音声認識装置とは車載ナビゲーション装置に限定されるものではなく、ひろく音声認識機能を備えた装置全般に適用され得る。
【００２１】
また携帯電話２００についても話者の発話音声が入力される機会が多い携帯型の音声入力手段を備えた装置、例えばＰＤＡ（ＰｅｒｓｏｎａｌＤｉｇｉｔａｌＡｓｓｉｓｔａｎｔｓ）と呼ばれる携帯情報端末に音声入力手段が搭載された装置にも適応され得る。
【００２２】
また、図２は図１に示した携帯電話２００と車載ナビゲーション装置３００の要部におけるブロック図である。
【００２３】
図１に示す車載ナビゲーション装置３００は、周知の地図データ部１、表示部２、操作スイッチ群３、位置検出部１０、リモートコントロールセンサー２０、音声入力装置３１０、受信部３２０、音声出力装置３３０とこれらが接続する制御部１００を備えている。
【００２４】
また、制御部１００は通常のコンピューターとして構成されており、その内部には周知のＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ、およびこれらの構成を接続するバスラインを備えている。前述の地図データ部１は、位置検出の精度向上の為のマップマッチング情報ならびに地形情報を含んだ地理データおよび施設情報ならびに道路情報を含んだ地図データを保持するための装置である。
【００２５】
媒体としては、そのデータ量からＣＤ−ＲＯＭ、またはＤＶＤ−ＲＯＭを用いるのが一般的であるが、メモリカード等の媒体を用いても良い。
【００２６】
表示部２はカラー表示装置であり、表示部２の画面上には後述する位置検出部１０から入力された車両現在位置マークと、前述の地図データ部１より入力された地図データならびに地図上に表示する誘導経路等の付加データとを重ねて表示する事が出来る。
【００２７】
前述の操作スイッチ群３は、例えば前述の表示部２と一体になったタッチスイッチ、もしくはメカニカルなスイッチ等が用いられ、各種入力に使用される。
【００２８】
前記位置検出部１０は、いずれも周知の地磁気センサ１１、ジャイロスコープ１２、距離センサ１３、およびＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ）衛星からの電波に基づいて車両の位置を検出するＧＰＳ受信機１４を備えている。
【００２９】
これら位置検出部１０内の各センサは、各々が性質の異なる誤差を持っているため複数のセンサにより互いに補完しながら使用するように構成されている。なお精度によっては、上述したうちの一部で構成してもよく、更にステアリングの回転センサ、各転動輪の車輪センサ等を用いても良い。
【００３０】
更に、前述の操作スイッチ群３で行える様々な入力操作と同等のそれを行う事が出来る、リモートコントロールセンサー２０とリモートコンとーラー２１が備えられ、入力の簡便化が図られている。
【００３１】
また、音声で乗員に操作方法や各種情報を案内する音声案内機能の為の音声出力装置３３０も併せて装備されている。
【００３２】
また、音声入力装置３１０が装備されており、これにより音声認識技術を用いた音声での車載ナビゲーション装置３００の機能操作や運転中の携帯電話２００での通話を可能にするハンズフリー機能を搭載している。
【００３３】
また、制御部１００は内部に経路演算部１１０を備え、前述の地図データ部１からの道路情報と、前述の位置検出部１０からの現在自車位置情報と、乗員が前述の操作スイッチ群３または前述のリモートコントロールセンサー２０で入力した目的地までの経路を演算し、経路情報として表示部４から出力する。
【００３４】
また、前述した音声案内機能で提供される各種情報には、この経路情報も含まれる。
【００３５】
図２は請求項１ならびに３に示す携帯型の電話手段の一例示である携帯電話２００と音声認識手段の一例示である音声認識手段を備えた車載ナビゲーション装置３００の要部を示すブロック図である。
【００３６】
図中は上段に携帯電話２００が、下段に車載ナビゲーション装置３００が示されており、この車載ナビゲーション装置３００は公知の音声認識部１０３を備える。
【００３７】
すなわち、音声入力装置３１０が備えるマイク３１１からの話者の音声を音声入力部３１２でゲインや特性を調整された後Ａ／Ｄ変換し、デジタル信号Ｓ３１２として音声認識部１０３に伝達し音声認識制御に利用する。
【００３８】
前述の音声認識機能が正常に終了すると例えば表示部２もしくは音声出力装置３３０に対して認識された制御内容に対応した出力がなされる。
【００３９】
前述した公知の音声認識機能を備えた車載ナビゲーション装置３００の音声認識部１０３と、この処理部が音声認識を行うのに不可欠な音声特徴データを参照するまでの仕組みに対してなされた本発明の第一実施形態をいかに示す。
【００４０】
携帯電話２００のマイク２１１に入力された話者の音声Ｓ２１１を、音声入力部２１２によってゲインや特性を調整した後、Ａ／Ｄ変換しデジタル信号Ｓ２１２として音声特徴データ抽出部２２１に伝達する。
【００４１】
音声特徴データ抽出部２０２は、音声入力部２１２から入力されたデジタル信号Ｓ２１２の音声の特徴抽出を行う。
【００４２】
この特徴抽出方法には帯域フィルタ群による方法、ＦＦＴ（高速フーリエ変換）による方法、相関関数による方法、またはＬＰＣ（線形予測分析）による方法などがあり、特にＦＦＴ（高速フーリエ変換）による特徴抽出方法が最も一般的である。
【００４３】
上述の方法で抽出した音声特徴データは、音声認識部１０３が内部に保持する不特定話者モデルの傾きを決定するパラーメーターとして参照され、話者固有の話者適応モデルすなわち特定話者モデルを生成する。
【００４４】
抽出した音声特徴データＤ２０２は、一意的な識別データ例えば携帯電話２００の使用者の氏名、または携帯電話２００の携帯電話番号文字列と現在日時情報からなる抽出日時データを添付し、音声特徴データＤ２０１とし音声特徴データ保持部２０１に保存する。
【００４５】
前述した複数の特徴データ抽出方法はいずれも、話者からのある程度の長さの発話を事前にサンプリングする必要があり、話者固有の特定話者モデルの生成に不適当な発話内容（「えー」または「〜です」などの不要語の含有）や、不向きな発話環境（屋外で悪天候または交通騒音等）、または困難な携帯電話２００の電波の受信環境（エコーまたはノイズの混入）等が原因となり、望ましい発話サンプリングが行われない事も想定される。
【００４６】
このような場合には、携帯電話２００は図示しない表示装置上で話者に対して、直近の話者の携帯電話２００への発話は望ましいサンプリングであったか否か、表示出来る事が望ましい。
【００４７】
また、話者は所望した時にいつでも携帯電話２００の図示しない操作キーの操作によって、前述の音声特徴データＤ２０１内にある抽出日時データを図示しない携帯電話２００の表示装置上で表示出来、当該音声特徴データＤ２０２がいつ生成されたデータなのか知る事が出来る事も望ましい。
【００４８】
前述の音声特徴データＤ２０２を車載ナビゲーション装置３００の音声特徴データ保持部１０１に移動するには送信部２３０を介して受信部３２０に向けて送信する必要がある。
【００４９】
この際、話者は図示しない携帯電話２００の操作キーで送信操作を行っても良いし、送信部２３０が受信部３２０との間の直線距離での長短や遮蔽物の有無、その他、音声特徴データの送受信（通信）を行うのに可能かつ適正な環境である事を検知した場合、自動的に音声特徴データ保持部２０１内の音声特徴データＤ２０１を車載ナビゲーション装置３００の受信部３２０へ送信するようにしても良い。
【００５０】
音声特徴データ保持部２０１に保持する音声特徴データＤ２０１は、送信部２３０に伝送され予め定められたプロトコルで受信部３２０に送信する。この送受信（通信）は赤外線を利用したデータ転送手段が一般的であり、送信部２３０の図示しない発信部は携帯電話２００の本体上端部付近に配設される事で話者の握り感が良い状態で送受信（通信）作業が行える事が望ましい。
【００５１】
送信部２３０から送信された音声特徴データＤ２０１を受信した受信部３２０は当該データを音声特徴データ保持部１０１に保存する。
【００５２】
前述の送受信（通信）が正常に終了し、音声特徴データ保持部１０１に保存した音声特徴データＤ１０１は話者が車載ナビゲーション装置３００の音声認識機能を利用する際に音声認識部１０３が利用する事が出来る。
【００５３】
この時、音声特徴データ保持部１０１は受信部３２０から当該データを受け取ると、そのデータの複製を作成し、作成した複製データを音声特徴データ抽出部１０２に格納しても良いし、話者が車載ナビゲーション装置３００の音声認識機能を利用するに際して音声認識部１０３が音声特徴データを必要とする事を検知し、それに対応して音声特徴データ抽出部１０２に当該データを格納しても良い。
【００５４】
音声特徴データＤ１０１と音声認識部１０３内に格納する図示しない不特定話者モデルとから話者に適応した特定話者適応モデルを求め、これを用いて前述の音声入力装置３１０からのデジタル信号Ｓ３１２がどの単語に対応するのかを音声認識辞書１０４を参照しつつ認識する。
【００５５】
この方法としてはＤＰ（動的計画法）マッチングを用いる方法、ＨＭＭ（隠れマルコフモデル）を用いる方法などが一般的であり、ここではＨＭＭによる方法を採用している。
【００５６】
本実施形態によれば、携帯電話２００は話者が携帯して利用されるため比較的利用頻度が高く、携帯電話２００内の音声特徴データ保持部２０１には話者のより最新の音声特徴データＤ２０１が抽出、保持される。
【００５７】
そのため音声認識部１０３を利用したい時、より最新の音声特徴データが携帯電話２００より音声特徴データ保持部１０１内に送信、保持される事になり話者が変わったり風邪等による声の特徴が変わった場合でも、そのデータを特徴として取り込む事によって、音声認識性能を高め、また認識開始時より話者適応をスムーズに出来、認識応答性を向上出来る。
【００５８】
（第二実施形態）
本発明の第二実施形態を図３を用いて説明する。
【００５９】
図３は本発明の第二実施形態にかかる携帯電話２００と車載ナビゲーション装置３００の要部を示すブロック図である。
【００６０】
車載ナビゲーション装置３００の音声特徴データ保持部１０１には話者Ａ、Ｂ、Ｃの音声特徴データＤ１０１ａ〜Ｄ１０１ｃが別々に保持されている。
【００６１】
今、話者Ｂが車載ナビゲーション装置３００の音声認識機能を利用しようとする時、話者Ｂは操作スイッチ群３またはリモートコントローラ２１の操作により、音声認識部１０３が参照する音声特徴データはＤ１０１ｂである事を指定する事が出来る。
【００６２】
この時表示部２には前述の音声特徴データＤ１０１ａ〜Ｄ１０１ｃが識別可能に表示される事が望ましい。
【００６３】
すなわち現在音声認識部１０３が特定話者モデル生成の為に参照した音声特徴データは誰の音声特徴でいつ生成されたのか利用時に表示部２にて表示されている事で、話者と音声特徴データとのマッチングミスを未然に防ぐ事が出来る。
【００６４】
これにより音声認識部１０３内に格納される図示しない不特定話者モデルと話者Ｂの音声特徴データＳ１０１ｂから求められる話者Ｂ固有の特定話者適応モデルが音声入力装置３１０から入力されるデジタル信号Ｓ３１２ｂがどの単語に対応するのかを音声認識辞書１０４を参照しつつ認識する事になる。
【００６５】
これにより、車載ナビゲーション装置３００を搭載した車両が、運転者が頻繁に変更する、例えば業務用車両であった場合、運転者の変更時ごとに運転者が車載ナビゲーション装置３００に対して話者適応を行う必要が無くなるだけでなく、話者Ｂの車両使用後、再度話者Ａの車両使用予定があった場合、再度話者Ａの音声特徴データＤ１０１ａを音声特徴データ保持部１０１に格納する必要がなく、話者Ｂの車両使用前に使用していた話者Ａの音声特徴データＤ１０１ａを利用する事が出来る。
【００６６】
なお、上記実施形態では利用する複数の話者の話者識別情報として話者が操作スイッチ群３やリモートコントローラ２１の操作で乗じる操作信号を用いているが、操作の煩わしさや操作ミスの恐れもある。
【００６７】
それに対しては、携帯電話２００側に電話毎に異なる識別コードを付与し、音声特徴データＤ２０１の送信時にその先頭に前述の識別コードを常に付与し、音声特徴データ保持部１０１が前述の先頭に付与した識別コードに対応して、音声特徴データＤ１０１ａ〜Ｄ１０１ｃを分類、記憶する事で、携帯電話（話者）に対応して自動的に音声特徴データが選択するようにする事での解決を図る事が出来る。
【図面の簡単な説明】
【図１】本発明の第一実施形態にかかる携帯電話２００と車載ナビゲーション装置３００の概略構成を示す構成図である。
【図２】本発明の第一実施形態における携帯電話２００ならびに車載ナビゲーション装置３００の要部におけるブロック図である。
【図３】本発明の第二実施形態における携帯電話２００ならびに車載ナビゲーション装置３００の要部におけるブロック図である。
【符号の説明】
１ 地図データ部
２ 表示部
３ 操作スイッチ群
１０ 位置検出部
２０ リモートコントールセンサー
２１ リモートコントローラ
１００ 音声認識部
１０１ 音声特徴データ保持部（第一の音声特徴データ保持手段）
１０２ 音声特徴データ抽出部
１０３ 音声認識部
１０４ 音声認識辞書
１１０ 経路演算部
２００ 携帯電話（電話手段）
２１０ 音声入力装置（音声入力手段）
２０２ 音声特徴データ抽出部（音声特徴データ抽出手段）
２０１ 音声特徴データ保持部（第二の音声特徴データ保持手段）
２３０ 送信部
３００ 車載ナビゲーション装置
３１０ 音声入力装置
３２０ 受信部
３３０ 音声出力装置
Claims (3)
- 第一の音声特徴データを保持する第一の音声特徴データ保持手段を有し、
前記第一の音声特徴データを利用して音声認識を行う音声認識手段と、
前記音声認識手段と通信可能な携帯型の電話手段とを備え、
前記電話手段は、
話者の音声を入力する音声入力手段と、
前記音声入力手段で入力した話者の発話音声の特徴を抽出する音声特徴データ抽出手段と、
前記音声特徴データ抽出手段で抽出した音声特徴データを保持する第二の音声特徴データ保持手段とを有し、
前記電話手段が前記音声認識手段と通信可能な状態に置かれた時、前記第二の音声特徴保持手段内に保持された前記音声特徴データが前記第一の音声特徴保持手段内に送信、保持され、前記音声認識手段は、前記第一の音声特徴データ保持手段内に保持されたより最新の前記音声特徴データを利用して音声認識を行う事を特徴とする音声認識装置。 - 前記第一の音声特徴保持手段は、複数の話者の音声特徴データを個別に保持するように構成され、話者識別情報に応じてこれらの音声特徴データの中から前記音声認識手段が使用する音声特徴データが選択される事を特徴とする請求項１記載の音声認識装置。
- 携帯型の電話手段を用いて話者の発話音声の特徴を抽出し、この抽出した音声特徴データを、前記電話手段に内蔵する第二の音声特徴保持手段に保持するようにし、前記電話手段が音声認識手段と通信可能な状態に置かれた時、前記第二の音声特徴保持手段内に保持された前記音声特徴データを前記音声認識手段内の第一の音声特徴保持手段内に送信、保持するようにし、前記音声認識手段は前記第一の音声特徴保持手段に保持されたより最新の前記音声特徴データを使用して前記話者の音声認識を行う事を特徴とする音声認識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002174071A JP3937937B2 (ja) | 2002-06-14 | 2002-06-14 | 音声認識装置及びその方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002174071A JP3937937B2 (ja) | 2002-06-14 | 2002-06-14 | 音声認識装置及びその方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004020797A JP2004020797A (ja) | 2004-01-22 |
| JP3937937B2 true JP3937937B2 (ja) | 2007-06-27 |
Family
ID=31173135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002174071A Expired - Fee Related JP3937937B2 (ja) | 2002-06-14 | 2002-06-14 | 音声認識装置及びその方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3937937B2 (ja) |
-
2002
- 2002-06-14 JP JP2002174071A patent/JP3937937B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2004020797A (ja) | 2004-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10818286B2 (en) | Communication system and method between an on-vehicle voice recognition system and an off-vehicle voice recognition system | |
| CN107851437B (zh) | 语音操作系统、服务器装置、车载设备和语音操作方法 | |
| US10490207B1 (en) | Automated speech recognition using a dynamically adjustable listening timeout | |
| US20070219786A1 (en) | Method for providing external user automatic speech recognition dictation recording and playback | |
| JP2013068532A (ja) | 情報端末、サーバー装置、検索システムおよびその検索方法 | |
| EP1879000A1 (en) | Transmission of text messages by navigation systems | |
| US6064323A (en) | Navigation apparatus, navigation method and automotive vehicles | |
| US20090271200A1 (en) | Speech recognition assembly for acoustically controlling a function of a motor vehicle | |
| US20110288871A1 (en) | Information presentation system | |
| US8452533B2 (en) | System and method for extracting a destination from voice data originating over a communication network | |
| EP1471501A2 (en) | Speech recognition apparatus, speech recognition method, and recording medium on which speech recognition program is computer-readable recorded | |
| JP4705444B2 (ja) | ナビゲーション装置、その制御方法及び制御用プログラム | |
| JP2003032388A (ja) | 通信端末装置及び処理システム | |
| JP3897946B2 (ja) | 緊急情報送信システム | |
| JP3937937B2 (ja) | 音声認識装置及びその方法 | |
| US20050144011A1 (en) | Vehicle mounted unit, voiced conversation document production server, and navigation system utilizing the same | |
| JP4300596B2 (ja) | 車載用ナビゲーションシステム | |
| WO2006028171A1 (ja) | データ提示装置、データ提示方法、データ提示プログラムおよびそのプログラムを記録した記録媒体 | |
| JP2009086132A (ja) | 音声認識装置、音声認識装置を備えたナビゲーション装置、音声認識装置を備えた電子機器、音声認識方法、音声認識プログラム、および記録媒体 | |
| JP6109373B2 (ja) | サーバー装置および検索方法 | |
| JP3948357B2 (ja) | ナビゲーション支援システム、移動装置、ナビゲーション支援サーバおよびコンピュータプログラム | |
| JP2877045B2 (ja) | 音声認識装置，音声認識方法，ナビゲーション装置，ナビゲート方法及び自動車 | |
| JPH1011084A (ja) | 車載用ナビゲーションシステムの音声入力装置 | |
| JPH10133683A (ja) | 音声認識・合成方法及び音声認識・合成装置 | |
| JP2020079865A (ja) | 情報処理装置、エージェントシステム、情報処理方法、およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041025 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060704 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060901 |
|
| 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: 20070306 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070319 |
|
| 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: 20100406 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110406 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120406 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120406 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130406 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130406 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140406 Year of fee payment: 7 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |