JP4512417B2 - 認識システム及び認識方法 - Google Patents

Description

本発明は、入力データをテキストデータとして認識する認識システム及び認識方法に関する。

従来の技術では、端末装置から入力データ（例えば、音声データ、画像データ）を受信し、認識結果をテキストデータとして送信する認識システムでは、認識結果の候補を複数送信する場合、認識システムで予め定められた数の候補を送信する。その他、複数候補間の類似度に応じて認識に使用する候補数を決定する技術は開示されているが（例えば、特許文献１参照）、この場合でも、認識結果として送信する候補数は予め定められていた。
特開２００３−１４１４４９号公報

このように、従来の技術では、認識結果の確度である適合率に関係なく必ず同じ数の候補を端末装置へ送信する。このため、ネットワークを介して認識システムと端末装置とが接続される場合、第１候補の適合率が大きな語句であっても、その他の候補（第２候補、第３候補、…）のような必要性の低いデータをも送信することとなり、余計な通信料が発生してしまう。

そこで、本発明は、上記の課題に鑑み、送信データ量の効率化を図り、通信コストを削減する認識システム及び認識方法を提供することを目的とする。

上記目的を達成するため、本発明の第１の特徴は、（イ）端末装置から受信した入力データに対して複数の候補語句を提示し、複数の候補語句それぞれに対して入力データとの適合度合いを示す適合率を対応付けて認識する認識手段と、（ロ）複数の候補語句に対する適合率の中で、最も高い適合率に応じて、端末装置へ送信する候補語句の数を決定する候補数算出手段と、（ハ）適合率の高い順番から、候補数算出手段によって決定された数の候補語句をテキストデータとして端末装置へ送信する送信手段とを備える認識システムであることを要旨とする。ここで、「適合率」とは、入力データが音声データである場合、音声データ（音声波形）から抽出した音素（読み）と辞書内の語句がどれくらい適合しているかを示す割合であり、値が大きいほど確度は大きい。

第１の特徴に係る認識システムによると、適合率に応じて送信する候補語句の数が変化するため、送信データ量の効率化を図り、通信コストを削減することができる。

又、第１の特徴に係る認識システムにおける候補数算出手段は、最も高い適合率と、予め算出された、複数の候補語句の中で最も高い適合率を有する第１候補語句の適合率の平均値とを比較することにより、送信する候補語句の数を決定してもよい。この認識システムによると、過去に算出された適合率の平均値に応じて、送信する候補語句の数を決定するため、より妥当な候補語句の数を決定することができる。

又、第１の特徴に係る認識システムは、認識手段から受信した認識結果のテキストデータと、端末装置による修正後のテキストデータとを照合し、端末装置によって修正された修正語句を抽出する修正箇所抽出手段とを更に備え、候補数算出手段は、修正前の語句の適合率と修正後の語句の候補順位とに基づき、複数の候補語句の中で最も高い適合率を有する第１候補語句の適合率の平均値を算出し、平均値を用いて送信する候補語句の数を決定してもよい。ここで、「候補順位」とは、複数の候補語句の中で、何番目に高い適合率を有する候補語句であるかを示す順位である。この認識システムによると、修正後のデータから、送信する候補語句の数の決定に用いる適合率を算出することにより、より妥当な候補語句の数を決定することができる。

又、第１の特徴に係る認識システムにおいて、入力データは、音声データであってもよい。この認識システムによると、携帯電話などから入力された音声波形をテキスト文書に変更することができる。

本発明の第２の特徴は、（イ）端末装置から受信した入力データに対して複数の候補語句を提示し、複数の候補語句それぞれに対して入力データとの適合度合いを示す適合率を対応付けて認識するステップと、（ロ）複数の候補語句に対する適合率の中で、最も高い適合率に応じて、端末装置へ送信する候補語句の数を決定するステップと、（ハ）適合率の高い順番から、候補数算出手段によって決定された数の候補語句をテキストデータとして端末装置へ送信するステップとを含む認識方法であることを要旨とする。

第２の特徴に係る認識方法によると、適合率に応じて送信する候補語句の数が変化するため、送信データ量の効率化を図り、通信コストを削減することができる。

本発明によると、送信データ量の効率化を図り、通信コストを削減する認識システム及び認識方法を提供することができる。

次に、図面を参照して、本発明の実施の形態を説明する。以下の図面の記載において、同一または類似の部分には、同一または類似の符号を付している。ただし、図面は模式的なものであることに留意すべきである。

（認識システム）
本実施形態に係る認識システムは、端末装置から音声データを受信し、適合率から算出された候補数分の候補語句をテキストデータとして送信する。又、端末装置から修正後のデータを受信し、修正前の語句の適合率及び修正後の語句の候補順位とに基づいて、候補語句の数を算出する。

本実施形態に係る認識システム１は、図１に示すように、ユーザインタフェース１０と、認識エンジン２０と、辞書３０と、修正箇所抽出部４０と、認識結果格納部５０と、候補数算出部６０とを備える。

ユーザインタフェース１０は、認識システム１と端末装置とを接続するインタフェースである。ここで、端末装置とは、通信ネットワーク（例えば、インターネット）を介して、認識システム１に接続可能な機器を指し、例えば、ＰＣ、携帯電話、ノートパソコン、ＰＨＳ、ＰＨＳ、ＰＤＡ、電子手帳等が使用可能である。又、端末装置は音声データを入力する手段、テキストデータを表示する手段を有する。又、ユーザインタフェース１０は、端末装置から音声データを受信する受信手段、及び、後述する候補数算出部６０によって決定された数の候補語句及び認識結果をテキストデータとして端末装置へ送信する送信手段を構成する。又、ユーザインタフェース１０は、端末装置から修正後のテキストデータを受信する。

認識エンジン（認識手段）２０は、ユーザインタフェース１０を介して受信した音声データと辞書３０に格納されている語句データとを照合し、入力データに対して複数の候補語句を提示する。又、認識エンジン２０は、複数の候補語句それぞれに対して入力データとの適合度合いを示す適合率を対応付けて認識する。又、認識エンジン２０は、認識結果の適合率と候補語句（認識結果を含む）を認識結果格納部５０へ送信する。

辞書３０は、音声波形から抽出した音素に対応する語句データを保持する。又、辞書３０は、自立語、付属語、その接続関係情報を含む。

修正箇所抽出部（修正箇所抽出手段）４０は、認識エンジン２０から受信した認識結果のテキストデータと、ユーザインタフェース１０から受信した端末装置による修正後のテキストデータとを照合して、修正語句を抽出する。

認識結果格納部５０は、適合率格納部５１と語句単位候補格納部５２を有する。適合率格納部５１は、認識結果の適合率を格納し、候補格納部５２は候補語句（認識結果を含む）を格納する。

候補数算出部（候補数算出手段）６０は、適合率格納部５１に格納されている複数の候補語句の中で最も高い適合率と、予め算出された、複数の候補語句の中で最も高い適合率を有する第１候補語句の適合率の平均値とを比較することにより、送信する候補語句の数を決定する。又、候補数算出部６０は、修正箇所抽出部４０によって抽出された修正前の語句の適合率と修正後の語句の候補順位とに基づき、複数の候補語句の中で最も高い適合率を有する第１候補語句の適合率の平均値を算出し、この平均値を用いて送信する候補語句の数を決定する。

又、本実施形態に係る認識システム１は、処理制御装置（ＣＰＵ）を有し、認識エンジン２０、修正箇所抽出部４０、候補数算出部６０などをモジュールとしてＣＰＵに内蔵する構成とすることができる。これらのモジュールは、パーソナルコンピュータ等の汎用コンピュータにおいて、所定のプログラム言語を利用するための専用プログラムを実行することにより実現することができる。

又、辞書３０、認識結果格納部５０は、それぞれ語句データ、認識結果データを保存する記録媒体である。記録媒体は、例えば、ＲＡＭ、ＲＯＭ、ハードディスク、フレキシブルディスク、コンパクトディスク、ＩＣチップ、カセットテープなどが挙げられる。このような記録媒体によれば、データの保存、運搬、販売などを容易に行うことができる。

又、図示していないが、認識システム１は、認識処理、修正箇所抽出処理、候補数算出処理などを処理制御装置（ＣＰＵ）に実行させるための認識プログラムを保存するプログラム保持部を備えてもよい。プログラム保持部は、例えば、ＲＡＭ、ＲＯＭ、ハードディスク、フレキシブルディスク、コンパクトディスク、ＩＣチップ、カセットテープなどの記録媒体である。このような記録媒体によれば、認識プログラムの保存、運搬、販売などを容易に行うことができる。

（認識方法）
次に、本実施形態に係る認識方法について、図２及び図３を用いて説明する。

まず、本実施形態に係る認識システムを使用したメール文作成を例にとり、音声データからテキスト文書を作成する手順について、図２を用いて説明する。

（イ）ステップＳ１０１において、ユーザインタフェース１０は、端末装置から受信した音声データを認識エンジン２０へ送信する。音声データを受信した認識エンジン２０は、ステップＳ１０２において、辞書３０の語句データと照合し、入力データに対して複数の候補語句を提示する。又、認識エンジン２０は、複数の候補語句それぞれに対して入力データとの適合度合いを示す適合率を対応付けて認識する。そして、ステップＳ１０３において、認識エンジン２０は、認識結果を修正箇所抽出部４０へ送信する。そして、ステップＳ１０４において、修正箇所抽出部４０は、認識結果を格納する。

（ロ）又、認識エンジン２０は、ステップＳ１０５において、認識結果の適合率（第１候補のもの）を適合率格納部５１へ、ステップＳ１０８において、候補語句（認識結果を含む）を候補格納部５２へそれぞれ語句単位に送信する。ここで、「第１候補」とは、複数の候補語句の中で、最も適合率の高い語句を指す。又、「語句単位」とは、語句の区切りであり、文節毎でもよく、一文字毎でもよい。そして、ステップＳ１０６において、適合率格納部５１は、受信した適合率を格納し、ステップＳ１０９において、候補格納部５２は、受信した候補語句（認識結果を含む）を格納する。

（ハ）次に、ステップＳ１０７において、適合率格納部５１は、格納した適合率を語句単位に候補数算出部６０へ送信し、候補数算出部６０は、ステップＳ１１０において、受信した適合率に応じて、対応する候補語句の数を語句単位に決定する。この候補数算出処理は後に詳述する。そして、ステップＳ１１１において、語句単位候補数（認識結果を含む）を候補格納部５２へ送信する。

（ニ）ステップＳ１１２において、候補格納部５２は、受信した指定候補数を格納する。そして、ステップＳ１１３において、語句単位に指定された数だけ候補語句（認識結果を含む）をユーザインタフェース１０へ送信する。ユーザインタフェース１０は、候補語句（認識結果を含む）を端末装置へ送信する。

（ホ）一方、端末装置では、認識結果から誤認識箇所があると、まず候補を表示し、候補の中に意中の語句があった場合、それを選択して修正する。意中の語句がなかった場合は、キー操作により修正を行い、メール送信を行う。修正されたテキストデータはメールとして送信されるが、同時に認識システム１へも送信される。ステップＳ１１４において、ユーザインタフェース１０は、修正後データを修正箇所抽出部４０へ送信する。

（へ）次に、ステップＳ１１５において、修正箇所抽出部４０は、端末装置によって修正（候補選択を含む）もしくは修正なしで送信したテキストデータと、以前に認識エンジン２０によって認識された認識結果のテキストデータ（ステップＳ１０４において格納されたデータ）とを照合して修正語句を抽出する。そして、修正箇所抽出部４０は、ステップＳ１１６において、修正前語句を適合率格納部５１へ送信し、ステップＳ１１９において、修正後語句及び修正がなかった語句を候補格納部５２へ送信する。

（ト）適合率格納部５１は、ステップＳ１１７において、受信した修正前語句の適合率を抽出し、ステップＳ１１８において、適合率を候補数算出部６０へ送信する。又、候補格納部５２は、ステップＳ１２０において、受信した修正後語句の候補順位を抽出し、ステップＳ１２１において、候補順位を候補数算出部６０へ送信する。そして、ステップＳ１２２において、候補数算出部６０は、修正前の語句の適合率と修正後の語句の候補順位とに基づき、複数の候補語句の中で最も高い適合率を有する第１候補語句の適合率の平均値を算出する。この第１候補語句の適合率の平均値は、修正後の語句の候補順位別に算出され、候補数を決定する際の比較対象となるので、以下の説明において「比較適合率」と呼ぶ。この比較適合率算出処理は、後に詳述する。

次に、候補数算出部６０の処理について、図３を用いて説明する。具体的には、図２におけるステップＳ１１０及びステップＳ１２２について説明する。

尚、図３では、図２のステップＳ１１０において決定する候補語句の数は、１、２、３、それ以上（任意に規定）の４パターンとし、図２のステップＳ１２２における比較適合率の算出方法は、第１候補（第１順位の候補語句）が正しい認識結果であった場合の第１候補の適合率の平均値、第２候補（第２順位の候補語句）が正しい結果であった場合の第１候補の適合率の平均値、第３候補（第３順位の候補語句）が正しい結果であった場合の第１候補の適合率の平均値をそれぞれ候補数算出の閾値として採用しているが、これらは一例であり、そのロジックは候補数を決定できるものであれば、何でもよい。

（イ）まず、ステップＳ２０１において、候補数算出部６０へデータが入力されると、ステップＳ２０２において、そのデータ種別が比較適合率の算出であるのか（図２のステップＳ１２２の場合）、候補数の要求であるのか（図２のステップＳ１１０の場合）を判別する。

（ロ）そして、ステップＳ２０２において、比較適合率の算出である場合、ステップＳ２０３へ進み、修正後語句の候補順位を判別する。候補順位が４番以降であった場合は、処理を終了し、候補順位が１番、２番、３番であった場合は、それぞれステップＳ２０４、Ｓ２０８、Ｓ２１２へ進む。

（ハ）ステップＳ２０４において、Ｒに第１候補が正しい認識結果である場合の適合率を格納し、ステップＳ２０５において、Ｎに現在まで第１候補が正しい認識結果であった総サンプル数を格納する。尚、ここで第１候補が正しい認識結果である場合の適合率とは、現在まで第１候補が正しい認識結果となった場合の適合率の平均値である。よって、ステップＳ２０６において、上記Ｒ、Ｎから第１候補である適合率を以下の式で算出できる。

第１候補が正しい認識結果となる適合率＝
（Ｎ×Ｒ＋今回取得の適合率）／（Ｎ＋１）… 式（１）
式（１）中の今回取得の適合率とは、今回の認識で第１候補となった語句の適合率のことである。又、ステップＳ２０７において、総サンプル数は今回取得のデータがカウントアップされるのでＮ＋１となる。

（ニ）ステップＳ２０８〜２１１においても、ステップＳ２０４〜２０７と同様に、Ｒに第２候補に修正される場合の適合率を格納し、Ｎに現在まで第２候補に修正された総サンプル数を格納する。但し、この場合、今回取得の適合率とは、今回の認識で第２候補となった語句の適合率ではなく、第１候補の適合率である。ステップＳ２１２〜２１５においても、ステップＳ２０８〜２１１と同様の処理を行う。このように、第２候補、第３候補が正しい認識結果となる場合の適合率も第１候補が正しい認識結果となる適合率と同じ式で算出でき、算出後、総サンプル数をカウントアップして処理を終了する。

（ホ）一方、ステップＳ２０２において、入力されたデータが候補数の要求である場合、ステップＳ２１６へ進み、入力された適合率が第１候補の適合率より大きいか否か判断する。ここで使用される第１候補の適合率とは、ステップＳ２０６において算出された適合率である。ステップＳ２１６において大きい場合はステップＳ２１７へ進み、候補数を１とする。ステップＳ２１６において小さい場合は、ステップＳ２１８へ進み、第２候補の適合率と比較する。ここで使用される第２候補の適合率とは、ステップＳ２１０において算出された適合率である。ステップＳ２１８において大きい場合はステップＳ２１９へ進み、候補数を２とする。ステップＳ２１８において小さい場合は、ステップＳ２２０へ進み、第３候補の適合率と比較する。ここで使用される第３候補の適合率とは、ステップＳ２１４において算出された適合率である。ステップＳ２２０において大きい場合は、ステップＳ２２１へ進み、候補数を３とする。ステップＳ２２１において小さい場合は、ステップＳ２２２へ進み、候補数を任意に規定した固定値とする。

（へ）その後、ステップＳ２２３において、決定された候補数を候補格納部５２へ送信して処理を終了する。

（作用及び効果）
本実施形態に係る認識システム及び認識方法は、複数の候補語句に対する適合率の中で、最も高い適合率に応じて、端末装置へ送信する候補語句の数を決定することができる。このため、送信データ量の効率化を図り、通信コストを削減することができる。

このように、認識結果の適合率が高い場合は誤認識している可能性が小さいため、候補数を少なく（０でもよい）し、適合率が低い場合は誤認識している可能性が大きいため、候補数を多くするというロジックを採用することにより、候補数の最適化を図ることができる。

又、本実施形態に係る認識システム及び認識方法は、最も高い適合率と、予め算出された、複数の候補語句の中で最も高い適合率を有する第１候補語句の適合率の平均値とを比較することにより、送信する候補語句の数を決定することができる。このため、過去に算出された適合率の平均値に応じて、送信する候補語句の数を決定するため、より妥当な候補語句の数を決定することができる。

又、本実施形態に係る認識システム及び認識方法は、認識手段から受信した認識結果のテキストデータと、端末装置による修正後のテキストデータとを照合し、端末装置によって修正された修正語句を抽出することができる。このため、修正前の語句の適合率と修正後の語句の候補順位とに基づき、比較適合率を変化させることができる。

又、本実施形態に係る認識システム及び認識方法は、入力データとして音声データを用いるため、携帯電話などから入力された音声波形をテキスト文書に変更することができる。

（その他の実施形態）
本発明は上記の実施形態によって記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施形態、実施例及び運用技術が明らかとなろう。

例えば、本実施形態において、入力データとして音声データを用いて説明したが、これに限らず画像データなど他のデータでもよい。

又、認識エンジン２０、修正箇所抽出部４０、候補数算出部６０をモジュールとして一つのＣＰＵに備えてもよいと説明したが、それぞれ異なるＣＰＵに備えられ、異なる装置としてもよい。その場合、複数の装置間をバスなどで接続するものとする。

このように、本発明はここでは記載していない様々な実施形態等を含むことは勿論である。従って、本発明の技術的範囲は上記の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。

本実施形態に係る認識システムの構成ブロック図である。 本実施形態に係る認識方法を示すフローチャートである。 本実施形態に係る認識方法における候補数算出方法を示すフローチャートである。

符号の説明

１ 認識システム
１０ ユーザインタフェース
２０ 認識エンジン
３０ 辞書
４０ 修正箇所抽出部
５０ 認識結果格納部
５１ 適合率格納部
５２ 候補格納部
６０ 候補数算出部

Claims (4)

1. 端末装置から受信した入力データに対して複数の候補語句を提示し、複数の候補語句それぞれに対して前記入力データとの適合度合いを示す適合率を対応付けて認識する認識手段と、
   前記複数の候補語句に対する適合率の中で、最も高い適合率が、前記最も高い適合率を有する第１候補語句が現在までに正しい認識結果であった場合の前記適合率の平均値と、前記第１候補語句が現在までに正しい認識結果であった回数とを乗じた値に、前記認識手段により今回認識された前記最も高い適合率を加算し、前記加算によって得られた値を前記第１候補語句が現在までに正しい認識結果であった回数に１を加えた値で除算することにより、比較適合率を算出し、前記認識手段により今回認識された前記最も高い適合率が前記比較適合率より大きい場合に、送信する候補語句の数を１つに決定し、前記最も高い適合率が、前記比較適合率以下である場合に、送信する候補語句の数を複数に決定する候補数算出手段と、
   前記候補数算出手段によって決定された数の候補語句を、前記適合率の高い順に、テキストデータとして前記端末装置へ送信する送信手段と
   を備えることを特徴とする認識システム。
2. 前記認識手段から受信した認識結果のテキストデータと、前記端末装置による修正後のテキストデータとを照合し、端末装置によって修正された修正語句を抽出する修正箇所抽出手段とを更に備え、
   前記候補数算出手段は、前記修正前の語句の適合率と前記修正後の語句の候補順位とに基づき、前記比較適合率を算出し、該比較適合率を用いて送信する候補語句の数を決定することを特徴とする請求項１に記載の認識システム。
3. 前記入力データは、音声データであることを特徴とする請求項１又は２のいずれか１項に記載の認識システム。
4. 端末装置から受信した入力データに対して複数の候補語句を提示し、複数の候補語句それぞれに対して前記入力データとの適合度合いを示す適合率を対応付けて認識するステップと、
   前記複数の候補語句に対する適合率の中で、最も高い適合率が、前記最も高い適合率を有する第１候補語句が現在までに正しい認識結果であった場合の前記適合率の平均値と、前記第１候補語句が現在までに正しい認識結果であった回数とを乗じた値に、前記認識手段により今回認識された前記最も高い適合率を加算し、前記加算によって得られた値を前記第１候補語句が現在までに正しい認識結果であった回数に１を加えた値で除算することにより、比較適合率を算出し、前記認識手段により今回認識された前記最も高い適合率が前記比較適合率より大きい場合に、送信する候補語句の数を１つに決定し、前記最も高い適合率が、前記比較適合率以下である場合に、送信する候補語句の数を複数に決定するステップと、
   決定された数の候補語句を、前記適合率の高い順に、テキストデータとして前記端末装置へ送信するステップと
   を含むことを特徴とする認識方法。

Images