JP4652504B2

JP4652504B2 - 音声認識装置および音声認識ナビゲーション装置

Info

Publication number: JP4652504B2
Application number: JP25598499A
Authority: JP
Inventors: 善一平山; 禎之小林
Original assignee: Clarion Co Ltd
Current assignee: Faurecia Clarion Electronics Co Ltd
Priority date: 1999-09-09
Filing date: 1999-09-09
Publication date: 2011-03-16
Anticipated expiration: 2019-09-09
Also published as: JP2001083989A

Description

【０００１】
【発明の属する技術分野】
本発明は、音声認識、および音声認識ナビゲーション装置に関する。
【０００２】
【従来の技術】
自動車の現在地を表示し、地図の広域・詳細表示を行い、目的地までの進行方向および残距離を誘導する車載用ナビゲーション装置（以下、ナビゲーション装置と言う）が知られている。また、ナビゲーション装置の一機能として、運転中のドライバからの操作指示を音声で行い、ドライバの安全性を高めるいわゆる音声認識ナビゲーション装置も知られている（例えば特開平０９−２９２２５５号公報）。
【０００３】
音声認識ナビゲーション装置で使用する音声認識ソフトは、ドライバ（ユーザ）が発話した命令語の音データと認識辞書内の認識語との相関値を算出する。その結果、相関値が最大になった認識語を認識結果と判断する。
【０００４】
【発明が解決しようとする課題】
しかし、ドライバがナビゲーション装置に次に何を命令すればよいか分からなくなり、まったく間違った命令語を発話する場合がある。このような場合にも、認識辞書内のいずれかの認識語の相関値が最大となり、その認識語がドライバが発話した命令語と判断され、それに対応するナビ操作が行われる。例えば、認識辞書に「オーディオ」「テレビ」「立体表示」の３つの認識語しか準備されていない場合に、ドライバは地図を表示させたいと思い「地図」と発話したとする。このとき、「テレビ」との相関値が最も高く算出できた場合、ナビゲーション装置はテレビ画面の表示となる。このように、ドライバは意図した命令とは異なるナビ操作が実行されてしまい困惑するという問題が生じていた。
【０００５】
本発明は、認識辞書にない言葉が発話された場合に、確実にいずれの認識語も認識されないようにすることが可能な音声認識装置、および、音声認識ナビゲーション装置を提供する。
【０００６】
【課題を解決するための手段】
請求項１の発明は、音声入力手段と、音声認識処理に使用する認識語を格納した格納手段と、音声入力手段により得られた音データと認識語に基づき生成された音声認識用データとを比較して音声認識処理を行う音声認識処理手段とを備えた音声認識装置に適用され、格納手段には、音声認識対象の言葉に対応しその言葉の読みを表す有効認識語と、いずれの音声認識対象の言葉の読みにも類似しない読みを表す無効認識語とが格納され、音声認識処理手段は、音声入力手段により得られた音データと無効認識語に基づき生成された音声認識用データとが最も類似する場合、いずれの音声認識対象の言葉も音声認識できなかったと判断し、格納手段には、音声認識対象の言葉の先頭の音節を含まない言葉が無効認識語として格納されていることを特徴とするものである。
請求項２の発明は、音声入力手段と、音声認識処理に使用する認識語を格納した格納手段と、音声入力手段により得られた音データと認識語に基づき生成された音声認識用データとを比較して音声認識処理を行う音声認識処理手段とを備えた音声認識装置に適用され、格納手段には、音声認識対象の言葉に対応しその言葉の読みを表す有効認識語と、いずれの音声認識対象の言葉の読みにも類似しない読みを表す無効認識語とが格納され、音声認識処理手段は、音声入力手段により得られた音データと無効認識語に基づき生成された音声認識用データとが最も類似する場合、いずれの音声認識対象の言葉も音声認識できなかったと判断し、格納手段には、音声認識対象の言葉と母音の並びが異なる言葉が無効認識語として格納されていることを特徴とするものである。
請求項３の発明は、音声認識ナビゲーション装置に適用され、請求項１〜２のいずれかに記載の音声認識装置と、地図情報を格納する地図情報格納手段と、少なくとも音声認識装置の音声認識結果と地図情報とに基づき、道案内のための制御を行う制御手段とを備えることを特徴とするものである。
【０００７】
なお、上記課題を解決するための手段の項では、分かりやすく説明するため実施の形態の図と対応づけたが、これにより本発明が実施の形態に限定されるものではない。
【０００８】
【発明の実施の形態】
図１は、本発明の車載用ナビゲーションシステムの一実施の形態の構成を示す図である。車載用ナビゲーションシステムは、ナビゲーション装置１００および音声ユニット２００により構成される。
【０００９】
ナビゲーション装置１００は、ＧＰＳ受信機１０１と、ジャイロセンサ１０２と、車速センサ１０３と、ドライバ１０４と、ＣＰＵ１０５と、ＲＡＭ１０６と、ＲＯＭ１０７と、ＣＤ−ＲＯＭドライブ１０８と、表示装置１０９と、バスライン１１０等から構成される。
【００１０】
音声ユニット２００は、マイク２０１と、Ａ／Ｄ変換部２０２と、Ｄ／Ａ変換部２０３と、アンプ２０４と、スピーカ２０５と、発話スイッチ２０６と、ドライバ２０７と、ＣＰＵ２０８と、ＲＡＭ２０９と、ＲＯＭ２１０と、バスライン２１２等から構成される。ナビゲーション装置１００と音声ユニット２００は、通信ライン２１１を介して接続される。
【００１１】
ＧＰＳ受信機１０１は、ＧＰＳ（Global Positioning System）衛星からの信号を受信し、自車の絶対位置、絶対方位を検出する。ジャイロセンサ１０２は、例えば振動ジャイロで構成され、車のヨー角速度を検出する。車速センサ１０３は、車が所定距離走行毎に出すパルス数に基づき、車の移動距離を検出する。ジャイロセンサ１０２と車速センサ１０３により、車の２次元的な移動が検出できる。ドライバ１０４は、ＧＰＳ受信機１０１、ジャイロセンサ１０２、車速センサ１０３からの信号をバスライン１１０に接続するためのドライバである。すなわち、それぞれのセンサ出力をＣＰＵ１０５が読むことができるデータに変換する。
【００１２】
ＣＰＵ１０５は、ＲＯＭ１０７に格納されたプログラムを実行することによりナビゲーション装置１００全体を制御する。ＲＡＭ１０６は揮発性メモリであり、ワークデータ領域を確保する。ＲＯＭ１０７は、不揮発性メモリで、上述した制御プログラム等を格納する。ＣＤ−ＲＯＭドライブ１０８は、ＣＤ−ＲＯＭを記録媒体とし、ベクトル道路データ等の道路地図情報を格納する。ＣＤ−ＲＯＭドライブは、ＤＶＤを記録媒体とするＤＶＤドライブやその他の記録装置であってもよい。表示装置１０９は、車の現在地および周辺の道路地図、目的地までのルート情報、次の誘導交差点情報等を表示する。例えば、液晶表示装置あるいはＣＲＴで構成される。バスライン１１０は、ナビゲーション装置１００のＣＰＵ１０５等の構成要素をバス接続するラインである。
【００１３】
音声ユニット２００は、音声認識、音声合成等、音声に関する処理を行う。発話スイッチ２０６は、ユーザが押すことにより音声認識の開始を指示するスイッチである。発話スイッチ２０６が押された後所定時間、音データの入力がマイク２０１を介して行われる。入力された音は、Ａ／Ｄ変換部２０２およびドライバ２０７により、デジタル音声データに変換される。
【００１４】
音声ユニット２００のＲＯＭ２１０には、音声認識ソフト（プログラム）、音声合成ソフト（プログラム）、音声認識辞書（以下、単に認識辞書と言う）、音声合成辞書（以下、単に合成辞書と言う）等が格納されている。音声認識ソフトは、デジタル音声データと、認識辞書内の全認識語との相関値を算出し、最も相関値の高い認識語を認識結果として求める。音声合成ソフトは、指定した文章をスピーカから発声させるためのデータを算出する。両ソフトウェアについては、公知な内容であるので詳細な説明は省略する。
【００１５】
認識辞書は、音声認識の対象となる言葉（語）を複数集めたひとかたまりのデータである。具体的には、ひらがなやカタカナやローマ字（実際にはその文字コード）で指定されたそれぞれの言葉の読みデータが格納されている。認識辞書に格納された言葉を認識語という。各認識語には、読みデータの他その言葉の文字データや、施設名であれば座標情報などの情報が付帯している。認識辞書の詳細については後述する。合成辞書は、音声合成のために必要な音源データ等が格納されている。
【００１６】
発話終了時、ＣＰＵ２０８は、ＲＡＭ２０９、ＲＯＭ２１０等を使い音声認識ソフトを実行し、デジタル音声データの音声認識を行う。音声認識ソフトは、認識辞書内の認識語の読みデータ（ひらがなやカタカナやローマ字で指定されたデータ）を参照しながらその言葉の音声認識用データを生成し、デジタル音声データとの相関値を算出する。すべての認識語についてデジタル音声データとの相関値を算出し、相関値が最も高くかつ所定の値以上の認識語を決定して音声認識を完了する。その認識語にリンクしたエコーバック語を音声合成ソフトを使い、発声用のデータに変換する。その後、Ｄ／Ａ変換部２０３、アンプ２０４、スピーカ２０５を用い、認識結果をエコーバック出力させる。
【００１７】
もし、算出したどの相関値も所定の値以下である場合は、音声認識できなかったとしてナビの操作を行わないようにする。具体的には、「プップー」等の認識失敗を意味するビープ音を鳴らすことや、「認識できません」と応答（エコーバック）させる。バスライン２１２は、音声ユニット２００のバスラインである。
【００１８】
次に、認識辞書について詳細に説明する。図２は、本実施の形態で使用する命令語辞書を示す図である。この辞書には、３個の有効な命令語と３個の無効な命令語に関する認識語が格納されている。認識語は、その命令語に関する読みデータである。図２では、分かりやすいようにカタカナや漢字で記載しているが、ひらがなあるいはカタカナあるいはローマ字で指定され対応する文字コードが格納される。各認識語には付帯情報がついている。付帯情報は、その命令語を識別するコード、その命令語の表示用文字データ、有効／無効の区別等の各種の情報が格納されている。図２では、代表して有効／無効の区別情報のみを示している。
【００１９】
命令語はナビゲーション装置に指示する命令に関する言葉である。図２の例では有効な命令語は「オーディオ」「テレビ」「立体表示」の３個である。「オーディオ」は、ユーザがナビゲーションシステムをカーステレオのようなオーディオ装置として使用したい場合に指示する命令語である。「テレビ」は、ナビゲーションシステムをテレビとして使用したい場合に指示する命令語である。「立体表示」は、ナビゲーションにおいて地図表示を立体表示（鳥瞰図表示）させたい場合に指示する命令語である。
【００２０】
「伊豆」「箱根」「富士」は無効語として登録された認識語である。無効語とは、有効なすべての命令語の音声認識データに類似しない音声認識データを有する認識語のことである。音声認識の結果、いずれかの無効語が最も類似する語として認識された場合は、有効な命令語が認識されなかったということを示す。その結果を受け、ナビゲーション装置１００では何も処理をしない。あるいは、音声認識に失敗をした旨の警告を表示する等する。この無効語の選定方法については後述するが、ここではとりあえず上記の３つの無効語が選定されて格納されているとする。
【００２１】
今、ナビ操作として「オーディオ」「テレビ」「立体表示」の３個の命令しか受け付けない状況であり、図２の命令語辞書がＲＡＭ２０９上に展開されている。このときに、ユーザが勘違いをして表示装置１０９上に地図を表示させたいと思って「地図」という命令語を発話したとする。この「地図」という命令語は現在のナビ操作では受け付けない命令語である。音声認識ソフトは、マイク２０１を介して得られた「地図」のデジタル音声データと命令語辞書内のすべての認識語との間で相関値を算出し、音声認識処理を行う。この場合「地図」に似た読みである「伊豆」との相関値が最も高くなり、「伊豆」が音声認識の結果として得られる認識語である。しかし、この「伊豆」は無効語として登録されているので、ナビゲーション装置１００は命令語が認識できなかったとして何も処理をしない。あるいは、相当する警告表示あるいは警告発声をさせる。
【００２２】
次に無効語の選定方法について説明する。無効語の選定方法については、各種の方法が考えられる。無効語とは、前述した通り有効なすべての命令語の音声認識データに類似しない音声認識データを有する認識語のことである。また、有効な命令語以外の命令語が発話されたときには、必ずいずれかの無効語との相関値が最大値となりかつ所定値以上になるように選定するのがベストである。ただし、ユーザが有効な命令語以外にどのような言葉を発話するかは不明であるため、ユーザが発話するであろうと想定した言葉の範囲内で上記の条件を満足するように選定することはやむを得ない。
【００２３】
−選定方法１−
有効語の先頭の音節を先頭の音節に含まない言葉を無効語とする。上記の例では「お」「て」「り」の音節を先頭に含まない言葉とする。
【００２４】
−選定方法２−
あるメニュー画面で有効な命令語のグループと他のメニュー画面で有効な他のグループの命令語とがあるとする。この場合に、当該メニュー画面では有効でなく他のメニュー画面で有効な他のグループの命令語を直接無効語とする。このとき、他のグループの命令語のすべてを無効語として選定してもよいし、一部を選定して無効語としてもよい。上記の例では、「地図」を直接無効語として格納する。ユーザが間違って発話するのは、まったくでたらめな言葉を発話するよりは、ナビ操作画面に応じてどのような命令語が有効であるか分からないで間違って命令する場合が多いと思われるからである。なお、上記のような言葉であっても、有効な命令語と音声認識データが類似する言葉は無効語としないようにする。有効な命令語を発話したにもかかわらず、無効語として誤認識される可能性が生じるからである。
【００２５】
−選定方法３−
ナビゲーション装置で、有効な命令語以外にユーザが発話しそうな言葉が経験的に蓄積されている場合がある。そのような言葉を無効語として格納する。なお、この場合も、有効な命令語と音声認識データが類似する言葉は無効語としないようにする。
【００２６】
−選定方法４−
有効な命令語と母音の並びが異なる言葉を無効語とする。
【００２７】
−選定方法５−
他の異なる認識辞書を適当に準備し、実験で、有効な命令語をすべて発話してみて、ある値以上の相関値を示すものを除いた認識語を無効語とする。言い替えれば、相関値が一定の値以下のものを無効語とする。例えば、ナビゲーションシステムでは、スキー場や駅名などの認識語を有する各種の施設名辞書を持っている。そのうち適当な施設名辞書を一つ選択し、上記の命令語を発話してみて、ある値以下の相関値を示す施設名を無効語とする。この場合、有効な命令語以外を発話したときに、無効語として選定された認識語との間の相関値が必ず最大値になりかつ所定の値以上になることは確認されていない。しかし、そのようになる可能性が十分にあるので有効な方法の一つである。
【００２８】
なお、上記の方法がすべてではない。その他にも前述した条件を満足するように無効語を選定できる方法はすべて採用が可能である。また、上記の方法をいくつか組み合わせて使用することも有効である。
【００２９】
次に、音声認識処理の制御フローについて説明する。図３は、音声ユニット２００において、音声認識を行う制御のフローチャートを示す図である。制御プログラムはＲＯＭ２１０に格納され、ＣＰＵ２０８がその制御プログラムを実行する。ナビゲーション装置１００および音声ユニット２００の電源オンにより本ルーチンはスタートする。
【００３０】
ステップＳ１では、発話スイッチ２０６が押されたかどうかを判断し、押されている場合はステップＳ２へ進む。押されていない場合は、本ルーチンを終了する。ユーザは発話スイッチ２０６を押した後、一定時間内に例えば図２に示された「立体表示」を発話する。ステップＳ２では、マイク２０１からの音声信号をデジタル音声データに変換する。ステップＳ３では、発話が終了したかどうかを判断する。発話の終了は、一定時間音声信号が途切れた場合を発話の終了と判断する。発話が終了したと判断した場合はステップＳ４に進み、発話がまだ終了していないと判断した場合はステップＳ２に戻る。
【００３１】
ステップＳ４では、ステップＳ２で取得したデジタル音声データと図３の認識辞書内の全認識語について相関値を算出し、ステップＳ５に進む。ステップＳ５では、算出された相関値のうち最も高い相関値が所定の値以上でかつその認識語が有効な認識語であるかどうかを判断する。所定の値以上でかつその語が有効な認識語であれば、その語が命令語として認識できたとしてステップＳ６に進む。ステップＳ６では、相関値の最も高かった認識語を音声によりエコーバックする。
【００３２】
さらに、ステップＳ６では該当命令語が認識できたことをナビゲーション装置１００に知らせた後、処理を終了する。ナビゲーション装置１００に知らせるときは、命令語の種類等の付帯情報も同時に知らせる。ナビゲーション装置１００は、通信ライン２１１を介して送信されてきた命令語に基づき、該当ナビ操作を行う。例えば、「立体表示」と発話されその命令語が認識された場合は、Ｄ／Ａ変換部２０３、アンプ２０４、スピーカ２０５を使用して「立体表示します」とエコーバック音声を出力する。そして、「立体表示」の命令語が認識された旨ナビゲーション装置１００に知らされる。ナビゲーション装置１００ではＣＤ−ＲＯＭドライブ１０８の地図情報等に基づき、道路地図の立体表示（鳥瞰図表示）を表示装置１０９上に行う。
【００３３】
一方、ステップＳ５において、最も高い相関値が所定の値未満であれば発話された言葉が認識できなかったとしてステップＳ７に進む。この場合は、ある発話された言葉が有効語無効語を含めたどの認識語とも似ていないため、算出された相関値が所定の値以下を示した場合である。
【００３４】
また、最も高い相関値が所定の値以上であるがその認識語が無効な認識語である場合も、発話された言葉が認識できなかったとしてステップＳ７に進む。例えば、上記の例で「地図」と発話され「伊豆」という認識語が所定の相関値以上で最も高い相関値を示した場合である。この場合も有効な命令語が認識されなかったとしてステップＳ７に進む。ステップＳ７では、「認識できません」と音声によりエコーバックし、処理を終了する。ナビゲーション装置１００においては何も処理をしない。
【００３５】
以上のようにして、認識辞書に一定の無効語を格納するようにしている。これにより、有効でない命令語を発話した場合に、いずれかの有効な命令語に音声認識されてしまうことがなくなり、ユーザの意図しないナビ操作がなされてしまうということがなくなる。その結果、ドライバなどのユーザが音声による命令指示を安心してすることができるようになる。
【００３６】
上記実施の形態では、命令語の音声認識について説明をしたがこの内容に限定する必要はない。例えば、スキー場名や駅名などの施設名の音声認識をする場合にも適用できる。
【００３７】
上記実施の形態では、車載用ナビゲーションシステムについて説明をしたがこの内容に限定する必要はない。車載用に限らず携帯用のナビゲーション装置にも適用できる。さらには、ナビゲーション装置に限らず音声認識を行うすべての装置に適用できる。すなわち、すべての言葉の音声認識に適用できる。
【００３８】
上記実施の形態では、ナビゲーション装置１００と音声ユニット２００を分離した構成で説明をしたが、この内容に限定する必要はない。音声ユニットを内部に含んだ一つのナビゲーション装置として構成してもよい。また、上記制御プログラムや認識辞書などをＣＤ−ＲＯＭなどの記録媒体で提供することも可能である。さらには、制御プログラムや認識辞書などをＣＤ−ＲＯＭなどの記録媒体で提供し、パーソナルコンピュータやワークステーションなどのコンピュータ上で上記システムを実現することも可能である。
【００３９】
上記実施の形態では、「立体表示」の命令語について音声認識に成功した場合、その内容をナビゲーション装置１００に知らせ、ナビゲーション装置１００では道案内等のナビゲーション処理の一つとして道路地図を立体表示する例で説明をしたが、この内容に限定する必要はない。ナビゲーション装置１００では、各種の命令語あるいは施設名等の音声認識に成功した結果に基づき、経路探索や経路誘導その他の各種のナビゲーション処理が考えられる。
【００４０】
【発明の効果】
本発明は、以上説明したように構成しているので、次のような効果を奏する。
請求項１−２の発明は、格納手段に音声認識対象の言葉に対応しその言葉の読みを表す有効認識語と一定の方法で選定されたいずれの音声認識対象の言葉の読みにも類似しない読みを表す無効認識語を格納しているので、音声認識の対象でない言葉を発話した場合に、いずれかの音声認識の対象の言葉に音声認識されてしまうことがなくなる。その結果、例えばナビゲーション装置において、ユーザの意図しないナビ操作がなされてしまうということがなくなり、ドライバなどのユーザが音声による命令指示を安心してすることができるようになる。
請求項３の発明は、上記の効果を、特に音声認識ナビゲーション装置において道案内等のナビゲーションを行うときに有効に発揮させることができる。
【図面の簡単な説明】
【図１】本発明の車載用ナビゲーションシステムの構成を示す図である。
【図２】命令語辞書を示す図である。
【図３】音声認識を行う制御のフローチャートを示す図である。
【符号の説明】
１００ナビゲーション装置
１０１ＧＰＳ受信機
１０２ジャイロセンサ
１０３車速センサ
１０４ドライバ
１０５ＣＰＵ
１０６ＲＡＭ
１０７ＲＯＭ
１０８ＣＤ−ＲＯＭドライブ
１０９表示装置
１１０バスライン
２００音声ユニット
２０１マイク
２０２Ａ／Ｄ変換部
２０３Ｄ／Ａ変換部
２０４アンプ
２０５スピーカ
２０６発話スイッチ
２０７ドライバ
２０８ＣＰＵ
２０９ＲＡＭ
２１０ＲＯＭ
２１１通信ライン
２１２バスライン

Claims

音声入力手段と、
音声認識処理に使用する認識語を格納した格納手段と、
前記音声入力手段により得られた音データと前記認識語に基づき生成された音声認識用データとを比較して音声認識処理を行う音声認識処理手段とを備えた音声認識装置において、
前記格納手段には、音声認識対象の言葉に対応しその言葉の読みを表す有効認識語と、いずれの音声認識対象の言葉の読みにも類似しない読みを表す無効認識語とが格納され、
前記音声認識処理手段は、前記音声入力手段により得られた音データと前記無効認識語に基づき生成された音声認識用データとが最も類似する場合、いずれの音声認識対象の言葉も音声認識できなかったと判断し、
前記格納手段には、前記音声認識対象の言葉の先頭の音節を含まない言葉が前記無効認識語として格納されていることを特徴とする音声認識装置。
音声入力手段と、
音声認識処理に使用する認識語を格納した格納手段と、
前記音声入力手段により得られた音データと前記認識語に基づき生成された音声認識用データとを比較して音声認識処理を行う音声認識処理手段とを備えた音声認識装置において、
前記格納手段には、音声認識対象の言葉に対応しその言葉の読みを表す有効認識語と、いずれの音声認識対象の言葉の読みにも類似しない読みを表す無効認識語とが格納され、
前記音声認識処理手段は、前記音声入力手段により得られた音データと前記無効認識語に基づき生成された音声認識用データとが最も類似する場合、いずれの音声認識対象の言葉も音声認識できなかったと判断し、
前記格納手段には、前記音声認識対象の言葉と母音の並びが異なる言葉が前記無効認識語として格納されていることを特徴とする音声認識装置。
請求項１〜２のいずれかに記載の音声認識装置と、
地図情報を格納する地図情報格納手段と、
少なくとも前記音声認識装置の音声認識結果と前記地図情報とに基づき、道案内のための制御を行う制御手段とを備えることを特徴とする音声認識ナビゲーション装置。