JP5199391B2 - 重み係数生成装置、音声認識装置、ナビゲーション装置、車両、重み係数生成方法、及び重み係数生成プログラム - Google Patents

Description

本発明は、地名の音声認識性能を向上させるための重み係数生成装置、音声認識装置、ナビゲーション装置、車両、重み係数生成方法、及び重み係数生成プログラムに関するものである。

従来、カーナビゲーションシステムにおいて、ドライバーが発話した目的地を音声認識して、目的地周辺の地図を表示することが行われている。例えば、欧州においては、目的地は一般的に、国と、都市と、ストリートと、ハウスナンバーとで特定可能である。カーナビゲーションシステムで欧州の目的地設定を音声認識技術で行う際には、まず国を特定し、その後、都市名の音声認識を行うことにより都市を特定する。次に、その都市に属するストリートに語彙を限定してストリート名の音声認識を行い、ストリートを特定する。この後、必要であれば、ハウスナンバーの音声認識を行って、目的地の地点情報を特定する。ハウスナンバーの認識を行わない場合は、当該ストリートの代表地点を目的地の地点とすることが一般的である。

このような方法でフランスの都市を音声認識する場合には、認識対象語彙である都市名が約５万都市と多いため、結果的に認識対象語彙数が多くなる。さらに、発音が類似している都市名も存在するなどの理由から、一般的には音声認識の尤度の値が上位に順位付けられる複数の認識候補（「Ｎ−Ｂｅｓｔ」ともいう）を画面に出力し、ユーザが複数の認識候補の中から所望の都市を選択することが多い。ここで、尤度とは、発話した音声に対する認識対象語彙の確からしさを示す値である。ユーザが都市を選択する場合、１画面に表示する認識候補の数としては、５つ程度が好ましいとされる。したがって、第５候補までの認識率が高いことが好ましいとされる。しかしながら、現在の音声認識技術では、認識対象とする都市名の発音が類似するものが多い場合や、認識対象語彙数が５万語近いあるいはそれ以上あるような場合は、ユーザが発話した都市名が第５候補までに登場せず、次の認識候補を別の画面（ページ）で探さなければならなく、著しく利便性に欠けることがある。

具体的に説明すると、たとえば、パリ（ＰＡＲＩＳ）の発音表記は／ｐａＲｉ／と表すことができるが、類似した発音記号を持つ都市として、図１２に示すものがある。
また別の例として、リヨン（ＬＹＯＮ）の発音表記は／ｌｊｏ〜／と表すことができるが、類似した発音記号を持つ都市として、図１３に示すものがある。
このような発音記号が類似した都市名が多数存在する場合は、話者の発話によっては音声認識の尤度差がつきづらく、第５候補までの認識結果をリスト表示しても、そのリストの中に発話された語が存在する確率が低くなる。特に、自動車が１００ｋｍ／ｈ程度の高速で走行している場合には、走行雑音が発話音声に重畳され、リストに存在する確率はますます低下する。この結果として、ユーザは所望の都市名をリストから探索するためにページめくりを行う必要があり、利便性の悪化を招くことになる。

このような問題を解決するため、音声認識の尤度以外の情報を用いて、認識結果の重み付けを行うことが知られている。たとえば、特許文献１では、目的地名を音声入力させる際に現在位置と目的地との間の距離に基づいて尤度の重み付けを行い、目的地が自車位置から近いほど尤度の重み付け（以下「尤度操作」ともいう）を高くする技術が開示されている。

特開２００４−１１７０６３号公報

ところが、目的地が遠い場合には、この特許文献１に記載の技術を適用すると、逆に認識率の劣化を招く場合がある。
したがって、カーナビゲーションで目的地の音声認識をさせる場合に、自車位置と目的地との間の距離に基づく重み付けではない手法を用いて、Ｎ−Ｂｅｓｔにおける認識率を向上させる方法が求められている。
本発明は、上述した従来の問題点に鑑みてなされたものであり、地名の音声認識性能を向上させるための重み係数生成装置、音声認識装置、ナビゲーション装置、車両、重み係数生成方法、及び重み係数生成プログラムを提供することを目的とする。

上記問題を解決するために、本発明の一態様に係る音声認識装置は、広域から狭域に至る階層構造を有する住所に使用される地名が認識対象語彙として登録された音声認識辞書と、音声から特徴量を抽出し、該特徴量に基づき前記音声認識辞書に登録された各認識対象語彙に対する前記音声の尤度を算出する認識尤度算出手段と、前記認識対象語彙の地名の階層関係を示すツリー構造が記憶された住所データベースと、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量に基づいて、該認識対象語彙の尤度の重み係数を算出する重み係数算出手段と、前記認識尤度算出手段が算出した前記音声の尤度に前記重み係数算出手段が算出した前記認識対象語彙の尤度の重み係数を乗算した重み付き尤度に基づき、前記音声の認識結果を出力する認識結果出力手段と、を備える。
また、本発明の他の態様に係る音声認識装置は、前記住所データベースは、都市名と、該都市名の下位階層に属するストリート名とを記憶し、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記都市名の下位階層に属するストリート名の数であることを特徴とする。
また、本発明の他の態様に係る音声認識装置は、前記住所データベースは、都市名と、該都市名の下位階層に属する施設名とを記憶し、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記都市名の下位階層に属する施設名の数であることを特徴とする。 また、本発明の他の態様に係る音声認識装置は、前記住所データベースは、都市名と、該都市名の下位階層に属する施設名とを記憶し、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記都市名の下位階層に属する施設の電話番号の数であることを特徴とする。
また、本発明の他の態様に係る重み係数生成装置は、地名の階層関係を示すツリー構造を有する住所情報を管理する住所データベースに記憶された各地名を音声の認識対象語彙とし、ユーザが発話した音声に対する前記認識対象語彙の尤度の重み係数を生成する重み係数生成装置であって、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量に基づいて、前記認識対象語彙の尤度の重み係数を算出する重み係数算出手段を備えたことを特徴とする。

本発明によれば、重み係数生成装置は、住所データベースに記憶された認識候補の地名の下位階層に属する前記住所データベースにおける情報量に基づいて、該認識候補の尤度の重み係数を算出するため、使用頻度が高いと想定される地名の尤度に対する重み付けを大きくすることができるため、音声認識性能を向上させるように地名の尤度の重み係数を生成することが可能となる。

また、本発明の他の態様に係る重み係数生成装置は、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層に属する地名の数であることを特徴とする。
また、本発明の他の態様に係る重み係数生成装置は、前記住所データベースは、都市名と、該都市名の下位階層に属するストリート名とを記憶し、前記重み係数算出手段は、前記都市名の下位階層に属するストリート名の数に基づいて、前記都市名の尤度の重み係数を算出することを特徴とする。

また、本発明の他の態様に係る重み係数生成装置は、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層に属する施設の数であることを特徴とする。
また、本発明の他の態様に係る重み係数生成装置は、前記住所データベースは、都市名と、該都市名の下位階層に属する施設名とを記憶し、前記重み係数算出手段は、前記都市名の下位階層に属する施設名の数に基づいて、前記都市名の尤度の重み係数を算出することを特徴とする。

また、本発明の他の態様に係る重み係数生成装置は、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層に属する施設の電話番号の数であることを特徴とする。
また、本発明の他の態様に係る重み係数生成装置は、前記住所データベースは、都市名又は施設名と、該都市名又は施設名の下位階層に属する電話番号とを記憶し、前記重み係数算出手段は、前記都市名又は施設名の下位階層に属する電話番号の数に基づいて、前記都市名又は施設名の尤度の重み係数を算出することを特徴とする。

また、本発明の他の態様に係る重み係数生成装置は、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層の使用記憶容量であることを特徴とする。
また、本発明の他の態様に係る重み係数生成装置は、前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量を算出する情報量算出手段をさらに有することを特徴とする。

本発明によれば、都市名の音声認識の性能を向上させることができる。
また、本発明の他の態様に係る音声認識装置は、ユーザが音声入力を行うための音声入力手段と、広域から狭域に至る階層構造を有する住所に使用される地名が認識対象語彙として登録された音声認識辞書と、前記音声認識辞書に登録された各認識対象語彙に対する前記音声入力の尤度を算出する認識結果出力手段とを備え、前記音声認識辞書において、前記認識対象語彙に対する上記の重み係数生成装置により生成された重み係数がさらに登録され、前記認識結果出力手段は、前記算出された尤度に前記重み係数を乗算した重み付き尤度に基づいて、音声認識結果を出力することを特徴とする。
本発明によれば、音声認識装置は、地名の数による重み付き尤度に基づいて音声認識結果を出力するため、音声認識性能を向上させることができる。

また、本発明の他の態様に係る音声認識装置は、前記認識結果出力手段は、前記重み付き尤度の中から、値が高い上位複数の重み付き尤度を選択し、ユーザの選択入力により認識対象語彙を１つに決定するために、前記選択した複数の重み付き尤度各々に対応する複数の認識対象語彙を認識候補として表示することを特徴とする。
本発明によれば、地名の数による重み付き尤度に基づいて複数の認識対象語彙を認識候補として表示するため、複数の認識候補の中にユーザが発声した地名が含まれている確率を高めることができ、ユーザの利便性を向上させることができる。

また、本発明の他の態様に係るナビゲーション装置は、上記の音声認識装置から出力された音声認識結果に基づいて特定される地域の地図情報を表示することを特徴とする。
本発明によれば、ナビゲーション装置は、ユーザが所望する地域の地図情報を表示することができる。
また、本発明の他の態様に係る車両は、上記の音声認識装置及び上記のナビゲーション装置を搭載したことを特徴とする。
本発明によれば、ユーザは車両内で音声認識を行い、所望の地域の地図情報を見ることができる。

また、本発明の他の態様に係る重み係数生成方法は、広域から狭域に至る地名の階層関係を示すツリー構造を有する住所情報を管理する住所データベースに記憶された各地名を音声の認識候補とし、ユーザが発話した音声に対する前記認識候補の尤度の重み係数を生成する重み係数生成装置が実行する重み係数生成方法であって、前記認識候補の下位階層に属する地名の数に基づいて、前記認識候補の尤度の重み係数を算出する重み係数算出ステップを備えたことを特徴とする。

また、本発明の他の態様に係る重み係数生成プログラムは、広域から狭域に至る地名の階層関係を示すツリー構造を有する住所情報を管理する住所データベースに記憶された各地名を音声の認識候補とし、ユーザが発話した音声に対する前記認識候補の尤度の重み係数を生成する重み係数生成プログラムであって、コンピュータに、前記認識候補の下位階層に属する地名の数に基づいて、前記認識候補の尤度の重み係数を算出する重み係数算出ステップを実行させるためのプログラムである。
本発明によれば、コンピュータに重み係数生成プログラムを記憶させて実行させることで、尤度の重み係数を算出することができる。

本発明によれば、重み係数生成装置は、住所データベースに記憶された認識対象語彙の地名の下位階層に属する前記住所データベースにおける情報量に基づいて、該認識候補の尤度の重み係数を算出するため、使用頻度が高いと想定される地名の尤度に対する重み付けを大きくすることができるため、音声認識性能を向上させるように地名の尤度の重み係数を生成することが可能となる。

本発明の実施形態に係るカーナビゲーションシステムの全体構成を示すブロック図である。 重み係数生成装置の別の構成を示すブロック図である。 同実施形態に係る住所データベースのデータ構成を示す図である。 同実施形態に係る住所データベースのデータ構成を示す図である。 同実施形態に係る都市名認識辞書のデータ構成の一例を示す図である。 尤度操作を行わない場合の人口の多い上位３００位以内に属する都市名の音声認識結果を示す図である。 尤度操作を行わない場合の人口の多い上位３００位以外の都市名の音声認識結果を示す図である。 重み係数のグラフを示す図である。 尤度操作を行った場合の人口の多い上位３００位以内に属する都市名の音声認識結果を示す図である。 尤度操作を行った場合の人口の多い上位３００位以外の都市名の音声認識結果を示す図である。 日本の住所が記憶された住所データベースの一例を示す図である。 パリの発音表記に類似した発音記号を持つ都市の一例を示す図である。 リヨンの発音表記に類似した発音記号を持つ都市の一例を示す図である。

以下、本発明の実施形態について、図面を参照しつつ説明する。本実施形態では、車両に搭載されているカーナビゲーションシステムに対して、ドライバーの音声を音声認識した結果としての目的地を設定し、目的地周辺の地図情報を表示する場合について説明する。
図１は、本発明の実施形態に係るカーナビゲーションシステムの全体構成を示すブロック図である。同図に示すように、カーナビゲーションシステムは、重み係数生成装置１０と、音声認識装置２０と、ナビゲーション装置３０とで構成されている。

（重み係数生成装置の構成）
重み係数生成装置１０は、機能構成として、重み係数算出部１１を備えている。この機能は、重み係数生成装置１０が備える図示せぬＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が、ハードディスク、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の記憶装置に記憶された重み係数生成プログラムを読み出して実行することにより実現される機能である。
重み係数算出部１１は、認識候補の地名の下位階層に属する地名の数に基づいて、当該認識対象語彙の尤度の重み係数を算出する。尤度とは、音声に対する認識対象語彙の確からしさを示す値である。ここで、認識対象語彙である地名やその地名の下位階層に属する地名の数は、住所データベース１２で管理されている住所情報から取得される。

もっとも、認識対象語彙の尤度の重み係数は、認識候補の地名の下位階層に属する住所データベース１２における情報量に基づいて算出されればよい。ここで、「認識候補の地名の下位階層に属する住所データベース１２における情報量」とは、具体的には、上述した認識候補の地名の下位階層に属する地名の数以外に、例えば、認識候補の地名の下位階層に属する施設の数や、施設にリンクされている電話番号の数などが挙げられる。また、地名の数等と、住所データベース１２においてこれらが占める記憶容量とは比例すると考えられるので、「認識候補の地名の下位階層に属する住所データベース１２における情報量」は、地名、施設、又は施設の電話番号などの住所データベース１２における使用記憶容量であってもよい。すなわち、「住所データベース１２における情報量」とは、住所データベース１２上の住所情報に含まれる、認識候補の地名の下位階層に属する情報の多さを示すものであればよい。

さらに、「住所データベース１２における情報量」は、認識候補の地名の下位階層に属する情報の多さを、ある程度の正確さを持って示すものであってもよい。例えば、地名、施設、又は施設の電話番号などの数を所定の数（例えば‘１０’）で割って得られる数や、地名、施設、又は施設の電話番号などの住所データベース１２における使用記憶容量を所定の記憶容量（例えば‘１００Ｋバイト’）で割って得られる数、などであってもよい。また、認識候補の地名の下位階層に属する情報量を、情報の多さを示す「レベル」のような指標で示したものであってもよい。

図３は、住所データベース１２で管理されている住所情報のデータ構成の一例を示す図である。同図に示すように、住所データベース１２は、上位階層となる国、都市等の広域の地名から下位階層となるハウスナンバー等の狭域の地名に至るまでの地名の階層関係を示すツリー構造を有している。図３に示す例では、住所データベース１２は、フランスの住所情報を管理しており、国名と、都市名と、ストリート名と、ハウスナンバーとを、階層状の構造として記憶している。

また、図４は、住所データベース１２で管理されている住所情報のデータ構成の別の例を示す図である。同図においては、住所データベース１２は、上位階層となる国、都市等の広域の地名から下位階層となる施設名等の狭域の地名に至るまでの地名の階層関係を示すツリー構造を有している。図４に示す例では、住所データベース１２は、日本の住所情報を管理しており、国名と、都市名と、施設ジャンルと、施設名とを、階層状の構造として記憶している。

本実施形態では、都市名認識の際に都市のストリート名の数に基づく重み付けを行った尤度を利用する。このために、重み係数算出部１１は、住所データベース１２で管理されている各都市の下位階層に属するストリート名の数を数えて、当該ストリート名の数が多いほど重み付けが大きくなるように、前記都市名の尤度の重み係数を算出する。図３に示す例では、実際のストリート名の数とは異なるが、「Paris」の下位階層に属するストリート名の数は４つであり、「Marseille」の下位階層に属するストリート名の数は３つであるため、「Paris」の尤度の重み付けの度合いを「Marseille」の尤度の重み付けの度合いよりも大きくするように、重み係数を算出する。また、本実施形態では、全ての都市名の尤度に対して重み付けを行わずに、下位階層に属するストリート名の数が多い順に第１位から第Ｎ位（Ｎは自然数）までの都市の尤度に対して重み付けを行う。この場合、重み付けの度合いが第１位から第Ｎ位まで減少するように、重み係数を定める。

都市名認識の際に当該都市のストリート名の数に基づく重み付けを行った尤度を利用する意味は、不特定多数のドライバーの目的地の設定頻度を考えた場合、目的地の設定頻度は、大都市ほど多くなり、一般に大都市ほどストリート名の数は多くなる。したがって、ストリート名の数は使用頻度に対応することになるためである。
なお、都市名の下位階層に属するストリート名の数の取得方法としては、重み係数算出部１１が住所データベース１２に記憶されている各都市名の下位階層に属するストリート名の数を数える他に、住所データベース１２に都市名の下位階層に属するストリート名の数を記憶しておき、当該ストリート名の数を取得するようにしてもよい。

さらに、図２に示すように、重み係数生成装置１０は、情報量算出部１３を有していてもよい。情報量算出部１３は、認識候補の地名の下位階層に属する地名の数を算出する。地名数の具体的な算出方法としては、以下のような方法が挙げられる。例えば、あらかじめ認識候補の地名の下位階層に属する地名が階層構造をなしてデータベースとしてハードディスク等の記憶装置に記憶して保持されている場合には、一般的なデータベースの機能を用いて下位階層に属する地名の数を簡単に取得することができる。また、データベースとして保持されていない場合でも、階層構造を読み取ることが可能なデータファイル形式でハードディスク等の記憶装置に記憶して保持されている場合には、データファイルを読み出して階層構造化すれば、下位階層に属する地名の数を取得することができる。なお、重み係数生成装置１０が情報量算出部１３を有する場合、重み係数算出部１１は、情報量算出部１３から認識候補の地名の下位階層に属する地名の数を取得する。

（音声認識装置の構成）
次に、音声認識装置２０の構成について説明する。音声認識装置２０は、音声認識辞書２１と、認識尤度算出部２２と、認識結果出力部２３とを備えている。
音声認識辞書２１は、音声認識装置２０が備える図示せぬハードディスクに設けられたデータベースである。認識尤度算出部２２と認識結果出力部２３とは、音声認識装置２０が備える図示せぬＣＰＵがハードディスク、ＲＯＭ等の記憶装置に記憶されたプログラム等のソフトウェアを読み出して実行することにより実現される機能である。
音声認識辞書２１は、都市名認識辞書２１Ａと、ストリート名認識辞書２１Ｂと、ハウスナンバー認識辞書２１Ｃとで構成される。

図５は、都市名認識辞書２１Ａのデータ構成の一例を示す図である。都市名認識辞書２１Ａには、住所データベース１２で管理されている都市名毎に、表示用の文字データと、地名ＩＤと、発音記号と、音声認識用の音素モデルと、重み係数生成装置１０で生成された重み係数と、が対応付けられて記憶されている。音素モデルとしては、例えば、音素ＨＭＭ（Hidden Markov Model）を用いることができる。

ストリート名認識辞書２１Ｂ及びハウスナンバー認識辞書２１Ｃには、住所データベース１２で管理されているストリート名やハウスナンバー毎に、地名ＩＤと、表示用の文字データと、発音記号と、音声認識用の音素モデルとが対応付けられて記憶されている。本実施形態では、ストリート名及びハウスナンバーの尤度に対する重み付けは行われないため、ストリート名認識辞書２１Ｂ及びハウスナンバー認識辞書２１Ｃには、重み係数は記憶されていない。

認識尤度算出部２２は、図示せぬマイクロホンから入力された、ドライバーが発話した地名の音声入力から特徴量を抽出し、当該抽出した特徴量と、該当する音声認識辞書２１に記憶されている各認識対象語彙である地名の音素モデルの特徴量とを比較照合することにより、音声認識辞書２１に記憶されている各認識対象語彙である地名の尤度を算出する。
なお、認識対象語彙である地名が都市名である場合には、認識尤度算出部２２は、重み係数生成装置１０で算出され都市名認識辞書２１Ａに記憶されている重み係数を用いて、上記で算出された都市名の尤度に対して重み付けを行う。

認識結果出力部２３は、認識尤度算出部２２により算出された重み付き尤度に基づいて、音声認識結果を出力する。本実施形態では、音声認識結果として、Ｎ−Ｂｅｓｔを画面表示する。すなわち、認識尤度算出部２２により算出された複数の認識対象語彙の重み付き尤度の中から、値が高い上位複数の重み付き尤度を選択し、当該選択した複数の重み付き尤度各々に対応する複数の認識対象語彙を認識候補として画面表示する。そして、Ｎ−Ｂｅｓｔの中から何れか１つの地名をドライバーに選択入力させることにより、音声認識結果を１つの地名に絞り込む。このようにして、都市名、ストリート名、ハウスナンバーの音声認識が順次行われ、それぞれの地名が１つに絞り込まれた時に、認識結果出力部２３は、これらの地名の地名ＩＤをナビゲーション装置３０に出力する。なお、音声認識結果としてＮ−Ｂｅｓｔを画面表示する以外に、尤度が最も高い認識候補の地名のみを出力することも考えられる。

（ナビゲーション装置の構成）
次に、ナビゲーション装置３０の構成について説明する。ナビゲーション装置３０は、地図データベース３１と、地図表示部３２とを備えている。地図データベース３１は、ナビゲーション装置３０が備える図示せぬハードディスクに設けられたデータベースである。地図表示部３２は、ナビゲーション装置３０が備える図示せぬＣＰＵがハードディスク、ＲＯＭ等の記憶装置に記憶されたプログラムを読み出して実行することにより実現される機能である。

地図データベース３１には、地図を表示するための画像データと、表示文字データと、地名ＩＤとが関連付けられて記憶されている。
地図表示部３２は、音声認識装置２０から、都市名、ストリート名、ハウスナンバーをそれぞれ示す地名ＩＤを受信すると、当該地名ＩＤで特定される地域の地図を表示するための画像データ、表示文字データを地図データベース３１から取得して、ナビゲーション画面に地図情報を表示する。

（実施例）
次に、上述した本発明に係る尤度操作を行った場合と、行わない場合との音声認識性能について説明する。まず、尤度操作を行わない場合の音声認識結果について説明する。
フランスの都市名を都市の人口順にソートして、人口の多い上位３００位以内に属する全ての都市名を発話する。当該発話されたクリーンな（雑音の無い）音声に車両が１００ｋｍ／ｈで走行している時の走行雑音を重畳し、当該雑音が重畳された音声の音声認識を行う。この場合の平均認識率を図６に示す。同図に示すように、第１候補での認識率は６８．９％、第２候補までに含まれる認識率は７６．５９％、第３候補までに含まれる認識率は８０．９４％、第４候補までに含まれる認識率は８４．２８％、第５候補までに含まれる認識率は８６．６２％となった。なお、ここでは、高い尤度を有する認識候補から順に、第１候補、第２候補、第３候補、第４候補、第５候補と呼んでいる。
したがって、認識結果として１画面に表示できる都市名を５候補までとした場合、ユーザが発話した都市を１画面で確認できる確率は約８７％となり、９０％を下回る結果となる。

図７には、尤度操作を行わない場合の上位３００位以外の都市名の平均認識率を示す。発話した都市名数は１０２３である。同図に示すように、第１候補での認識率は７６．２５％、第２候補までに含まれる認識率は８４．０７％、第３候補までに含まれる認識率は８７．５９％、第４候補までに含まれる認識率は９０．０３％、第５候補までに含まれる認識率は９１．０１％となった。

次に、尤度操作を行った場合の認識率について説明する。認識対象とするフランスの都市名をストリート名の数でソートし、ある都市ｉに対する音声認識の累積尤度Ｐ_iに対して、ストリート名の数に基づいて、重み係数ｗ_sにより重み付けした音声認識を行う。音声認識では、各認識対象語彙に対する音声入力の尤度を算出する際に、フレーム毎に尤度を求め、音声開始から音声終了までの間で求めた尤度の累積を行う。そして、累積された尤度の値が高い上位の認識対象語彙を認識結果の候補とするが、ここでは、組み込み用途を考慮して、乗算をさけるために尤度の対数（対数尤度）を累積する。この場合、重み係数ｗ_sはＰ_iに加算することになる。ｗ_sの決め方については、利用する音声認識装置２０に合わせて調整する必要があるが、本実施例では、ｎ（ｉ）を都市ｉのストリート名の数の多い順にソートした時の１から始まる順位とすると、例えば、以下のように、都市ｉの重み係数ｗ_n(i)sが、ストリート名の数が多い都市ほど線形に値が大きくなるように定義する。ｗ_n(i)sの値が大きいほど確率的に優遇されることになる。本実施例では、ストリート名の数が大きい順の第１位から第Ｎ（Ｎは自然数）位までを優遇し、優遇される確率は第１位から緩やかにＮ位まで単調減少するようにしたモデルを考える。図８は、本実施例における重み係数のグラフを示す図である。
ｗ_n(i)s＝Ω₁−（Ω₁−Ω_N）×（ｎ（ｉ）−１）／（Ｎ−１） 条件：ｎ（ｉ）＜Ｎ
ｗ_n(i)s＝０ 条件：ｎ（ｉ）＞＝Ｎ

ここで、Ω₁は第１位に対して与える優遇値、Ω_Nは第Ｎ位に対して与える優遇値である。ｗ₁およびｗ_Nは、利用する音声認識の対数尤度の取りうる値域によってことなるが、本実施例では、図８に示すように、Ω₁＝５０、Ω_N＝３０、Ｎ＝３００として、ストリート名の数によって順位付けされた都市の確率優遇値が第１位から緩やかに３００位まで単調減少するようにして、上記尤度操作を行わない場合と同様の音声データを用いて認識実験を行った。その結果を図９に示す。同図に示すように、第１候補での認識率は８３．６１％、第２候補までに含まれる認識率は８７．６３％、第３候補までに含まれる認識率は９０．９７％、第４候補までに含まれる認識率は９２．６４％、第５候補までに含まれる認識率は９２．９８％となった。

また、対比する認識結果として、３００位を超える都市の認識率を図１０に示す。同図に示すように、第１候補での認識率は７３．７％、第２候補までに含まれる認識率は８２．７％、第３候補までに含まれる認識率は８６．２２％、第４候補までに含まれる認識率は８８．０７％、第５候補までに含まれる認識率は８９．９３％となった。
以上の結果、上記モデルのｗ_n(i)sを音声認識の対数尤度に適応した場合は、第１候補での認識率が６８．９％から８３．６１％まで約１４．７％向上し、第５候補までに含まれる認識率は８６．６２％から９２．９８％まで約６．４％向上しているのが確認された。

一方、３００位を超える都市の認識率は第１候補での認識率が７６．２５％から７３．７％まで約２．５％劣化しているが、第５候補までに含まれる認識率では９１．０１％から８９．９３％と約１．１％の劣化でとどまっている。これは、音声認識のＮ−Ｂｅｓｔの認識率は、一般に候補数に対し上記のように緩やかに向上するため、３００位を超える都市の尤度が本発明によって優遇され、その都市の尤度が向上して、本来第５候補外にあった都市が第５候補内に入ってきたことによって、第５候補内に存在していた認識結果が第５候補外に出され、認識率が劣化したものと考えられる。すなわち、上の例では第４候補と第５候補の認識率の差程度が劣化したと考えられる。

本発明の実施例により、１画面中に収まる認識候補を第５候補までとすると、目的地として設定する頻度の高い大都市が第５候補までに含まれる認識率は約６．４％向上し、目的地として設定する頻度が低い都市に関しても、第５候補までに含まれる認識率の劣化は約１．１％と抑えられ、カーナビゲーションシステムにおける目的地の設定方法として、音声認識を用いて都市を設定する場合に非常に有効であることが示された。

以上説明したように、重み係数生成装置１０は、認識候補の都市名の下位階層に属するストリート名の数に基づいて、当該認識候補の都市名の尤度の重み係数を算出するため、使用頻度が高いと想定される都市名の尤度に対する重み付けを大きくすることができ、音声認識性能を向上させるように都市名の尤度の重み係数を生成することが可能となる。したがって、カーナビゲーションシステムで都市名の設定を行う際に、重み付けを行った尤度に基づいて１画面内にＮ−Ｂｅｓｔを表示することで、１画面内にドライバーが発声した都市名が表示される確率を高めることができる。

なお、ストリート名の数に基づいて都市の重み係数を計算する他に、都市の人口に基づいて重み係数を計算することも考えられるが、ストリート名の数は人口のように頻繁に増減するものではないため、ストリート名の数に基づいて重み係数を算出した方が、重み係数の再計算を頻繁に行う必要がなく、利便性が高い。
なお、上述した実施形態では、都市の下位階層に属するストリート名の数に基づいて重み係数を算出したが、都市の下位階層に属するハウスナンバーの数をもさらに考慮して重み係数を算出してもよい。

また、ストリート名が住所の構成要素となるフランスに限らず、広域から狭域に至る地名の階層関係を示すツリー構造を有する住所体系であれば、例えば、都道府県、郡、区、市、町、字等の地名で構成される日本の住所についても、本発明を適用可能である。図１１には、日本の住所が記憶された住所データベースの一例を示す。日本の住所体系のような各階層の地名の種類が統一されていない住所体系であっても、認識候補の地名の下位階層に属する末端までの地名の数に基づいて、当該認識候補の尤度に対する重み係数を算出することで、高い認識性能を得ることができる。例えば、図１１に示す第２の階層の地名については、当該地名の第３〜第６階層に属する地名の数に基づいて、該認識候補の尤度に対する重み係数を算出するとよい。

また、重み係数生成装置１０により予め生成された各都市に対応する重み係数を都市名認識辞書２１Ａに記憶させておくことで、音声認識装置２０及びナビゲーション装置３０を車両に搭載すれば、重み係数生成装置１０や住所データベース１２を車両に搭載しなくても、尤度操作に基づく性能のよい音声認識を行うことができる。

１０ 重み係数生成装置
１１ 重み係数算出部
１２ 住所データベース
１３ 情報量算出部
２０ 音声認識装置
２１ 音声認識辞書
２１Ａ 都市名認識辞書
２１Ｂ ストリート名認識辞書
２１Ｃ ハウスナンバー認識辞書
２２ 認識尤度算出部
２３ 認識結果出力部
３０ ナビゲーション装置
３１ 地図データベース
３２ 地図表示部

Claims (19)

1. 広域から狭域に至る階層構造を有する住所に使用される地名が認識対象語彙として登録された音声認識辞書と、
   音声から特徴量を抽出し、該特徴量に基づき前記音声認識辞書に登録された各認識対象語彙に対する前記音声の尤度を算出する認識尤度算出手段と、
   前記認識対象語彙の地名の階層関係を示すツリー構造が記憶された住所データベースと、
   前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量に基づいて、該認識対象語彙の尤度の重み係数を算出する重み係数算出手段と、
   前記認識尤度算出手段が算出した前記音声の尤度に前記重み係数算出手段が算出した前記認識対象語彙の尤度の重み係数を乗算した重み付き尤度に基づき、前記音声の認識結果を出力する認識結果出力手段と、
   を備える音声認識装置。
2. 前記住所データベースは、
   都市名と、該都市名の下位階層に属するストリート名とを記憶し、
   前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、
   前記都市名の下位階層に属するストリート名の数であることを特徴とする請求項１に記載の音声認識装置。
3. 前記住所データベースは、
   都市名と、該都市名の下位階層に属する施設名とを記憶し、
   前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、
   前記都市名の下位階層に属する施設名の数であることを特徴とする請求項１に記載の音声認識装置。
4. 前記住所データベースは、
   都市名と、該都市名の下位階層に属する施設名とを記憶し、
   前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、
   前記都市名の下位階層に属する施設の電話番号の数であることを特徴とする請求項１に記載の音声認識装置。
5. 地名の階層関係を示すツリー構造を有する住所情報を管理する住所データベースに記憶された各地名を音声の認識対象語彙とし、ユーザが発話した音声に対する前記認識対象語彙の尤度の重み係数を生成する重み係数生成装置であって、
   前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量に基づいて、前記認識対象語彙の尤度の重み係数を算出する重み係数算出手段を備えたことを特徴とする重み係数生成装置。
6. 前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層に属する地名の数であることを特徴とする請求項５に記載の重み係数生成装置。
7. 前記住所データベースは、
   都市名と、該都市名の下位階層に属するストリート名とを記憶し、
   前記重み係数算出手段は、
   前記都市名の下位階層に属するストリート名の数に基づいて、前記都市名の尤度の重み係数を算出することを特徴とする請求項６に記載の重み係数生成装置。
8. 前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層に属する施設の数であることを特徴とする請求項５に記載の重み係数生成装置。
9. 前記住所データベースは、
   都市名と、該都市名の下位階層に属する施設名とを記憶し、
   前記重み係数算出手段は、
   前記都市名の下位階層に属する施設名の数に基づいて、前記都市名の尤度の重み係数を算出することを特徴とする請求項８に記載の重み係数生成装置。
10. 前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層に属する施設の電話番号の数であることを特徴とする請求項５に記載の重み係数生成装置。
11. 前記住所データベースは、
    都市名又は施設名と、該都市名又は施設名の下位階層に属する電話番号とを記憶し、
    前記重み係数算出手段は、
    前記都市名又は施設名の下位階層に属する電話番号の数に基づいて、前記都市名又は施設名の尤度の重み係数を算出することを特徴とする請求項１０に記載の重み係数生成装置。
12. 前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量とは、前記認識対象語彙の下位階層の使用記憶容量であることを特徴とする請求項５に記載の重み係数生成装置。
13. 前記認識対象語彙の下位階層に属する前記住所データベースにおける情報量を算出する情報量算出手段をさらに有することを特徴とする請求項５から１２のいずれか１項に記載の重み係数生成装置。
14. ユーザが発話した地名を認識する音声認識装置であって、
    ユーザが音声入力を行うための音声入力手段と、
    広域から狭域に至る階層構造を有する住所に使用される地名が認識対象語彙として登録された音声認識辞書と、
    前記音声認識辞書に登録された各認識対象語彙に対する前記音声入力の尤度を算出する認識結果出力手段とを備え、
    前記音声認識辞書において、前記認識対象語彙に対する請求項５から１３のいずれか１項に記載された重み係数生成装置により生成された重み係数がさらに登録され、
    前記認識結果出力手段は、前記算出された尤度に前記重み係数を乗算した重み付き尤度に基づいて、音声認識結果を出力することを特徴とする音声認識装置。
15. 前記認識結果出力手段は、前記重み付き尤度の中から、値が高い上位複数の重み付き尤度を選択し、ユーザの選択入力により認識対象語彙を１つに決定するために、前記選択した複数の重み付き尤度各々に対応する複数の認識対象語彙を認識候補として表示することを特徴とする請求項１４に記載の音声認識装置。
16. 請求項１４又は１５に記載された音声認識装置から出力された音声認識結果に基づいて特定される地域の地図情報を表示することを特徴とするナビゲーション装置。
17. 請求項１４又は１５に記載の音声認識装置及び請求項１６に記載のナビゲーション装置を搭載した車両。
18. 広域から狭域に至る地名の階層関係を示すツリー構造を有する住所情報を管理する住所データベースに記憶された各地名を音声の認識対象語彙とし、ユーザが発話した音声に対する前記認識対象語彙の尤度の重み係数を生成する重み係数生成装置が実行する重み係数生成方法であって、
    前記認識対象語彙の下位階層に属する地名の数に基づいて、前記認識対象語彙の尤度の重み係数を算出する重み係数算出ステップを備えたことを特徴とする重み係数生成方法。
19. 広域から狭域に至る地名の階層関係を示すツリー構造を有する住所情報を管理する住所データベースに記憶された各地名を音声の認識対象語彙とし、ユーザが発話した音声に対する前記認識対象語彙の尤度の重み係数を生成する重み係数生成プログラムであって、
    コンピュータに、
    前記認識対象語彙の下位階層に属する地名の数に基づいて、前記認識対象語彙の尤度の重み係数を算出する重み係数算出ステップを実行させるための重み係数生成プログラム。

Images