JP5465926B2 - 音声認識辞書作成装置及び音声認識辞書作成方法 - Google Patents

Description

本発明は、音声認識辞書作成装置及び音声認識辞書作成方法に関し、特に、音声認識辞書の作成時及び利用時の処理効率の向上を可能にする音声認識辞書の作成に関する。

近年、テキストを入力するとそれを音声で読み上げる機能（ＴＴＳ（Text To Speech）エンジン）を備えたシステムが開発され、携帯電話の電話応答サービスなどで広く利用されている。例えば、個人向けポータブルサービスで、ユーザの身近にモバイル端末やコンピュータがないという状況でも、電話をかければＥメールやニュース、市場動向等の情報を読み上げてくれる音声サービスとして使用されている。

また、再生用のオーディオ情報を格納した機器をオーディオ装置に接続して、オーディオ情報を基に音楽を再生出力することが行われている。このようなオーディオ情報としては楽曲データがあり、楽曲データには、楽曲のデジタルデータとともに楽曲のタイトルやアーティスト等の情報が記載されたタグデータが含まれている。このタグデータを基にして再生されている楽曲のタイトル等を表示画面に表示したり、ＴＴＳエンジンを利用して音声で読み上げることもできるようになってきている。さらに、ユーザから楽曲のタイトルを音声入力して、その楽曲を再生することもできるようになってきている。

ユーザが発話した音声を認識するためには、利用される適切な単語（キーワード）が登録された音声認識用辞書が不可欠である。これに関連する技術として、特許文献１には、デジタルテレビ放送の番組検索を容易にするために、番組案内情報から番組検索を行うためのキーワードを特定の品詞に該当する単語を基に抽出し、各キーワードの読みからなる音声認識用辞書を作成し、音声入力によって番組を検索する技術が記載されている。

特許文献２では、ユーザが発声を省略する文字や、ＴＴＳでは発音データを生成できない文字をスペースに置き換える等の処理をして、ユーザの発声に整合するように発音データを蓄積した音声認識辞書を作成する技術が記載されている。

特許文献３では、認識語彙辞書の作成において、単語のテキスト文字列の一部とそれらに対応する発音記号とをセグメント対として蓄積し、このセグメント対の出現頻度に基づいた生起確率を用いてユーザが発音する可能性の高い発音記号列を精度よく生成する技術が記載されている。

特開２００１−３０９２５７号公報 特開２００４−０５３９７９号公報 特開２００８−２７５７３１号公報

上述した音声認識辞書が作成された後で辞書に登録されていない新たな単語が発話される場合がある。新たな単語は、例えば、音楽ＣＤの新譜など新たな楽曲が追加されたり、携帯電話に新たな通話先が住所録に追加されたりして、それらの情報を利用するときに必要となる。このような場合には、その新たな単語を登録するように音声認識辞書を更新することが必要となる。

この更新において、一部（例えば住所録の１件や音楽ＣＤの一曲のみ）が更新された場合には、通常、更新箇所のみを更新するのではなくすべてのデータを更新するようにしている。従って、新たに追加されたデータだけを更新する場合と比較して、認識辞書の作成時間が大幅に増加してしまうという問題が発生する。

一方、認識辞書の一部を更新する場合には、更新された情報毎にファイルが生成される。音声認識辞書を利用する際には、これらのファイルにアクセスしてファイル内の更新された情報を使用する。このとき、ファイル数が少なければ音声認識の処理時間への影響は小さくて済むが、ファイル数が多くなると処理速度の低下を引き起こしてしまう。

本発明は、かかる従来技術の課題に鑑みなされたものであり、音声認識辞書の更新及び利用時の処理速度の低下を抑制することが可能な音声認識辞書作成装置及び音声認識辞書作成方法を提供することを目的とする。

上述した従来技術の課題を解決するため、本発明の基本形態によれば、外部機器又は媒体から音声認識の対象となるテキストを入力する入力手段と、前記テキストが所定の項目のファイル毎に格納される記憶手段と、テキストを解析して読みデータを生成する読みデータ生成手段と、前記所定の項目のファイル毎に前記テキストの読みデータが格納されたコンテンツ辞書により構成される音声認識辞書と、前記入力手段を介して入力された前記テキストを前記記憶手段に格納する制御手段と、を有し、前記制御手段は、前記記憶手段に格納した前記テキストを含む所定の項目のファイルが更新されたとき、前記コンテンツ辞書の総数を検出し、当該総数が所定の制限値未満のときに前記更新された前記所定の項目ごとに前記コンテンツ辞書を作成して前記音声認識辞書を更新するとともに、前記コンテンツ辞書の総数が所定の制限値以上のとき、前記外部機器又は媒体に応じたコンテンツ辞書を前記音声認識辞書から削除し、新たに当該外部機器又は媒体に応じたすべての音声認識の対象となるテキストを各コンテンツ毎に前記記憶手段から抽出して、前記コンテンツ辞書を作成して、前記音声認識辞書を更新する音声認識辞書作成装置が提供される。

この形態に係る音声認識辞書作成装置において、前記制御手段は、前記外部機器又は媒体が接続され、前記テキストが前記記憶手段の所定の項目のファイルに格納されたとき、前記所定の項目のファイルが更新されたと判定するようにしてもよく、前記制御手段は、前記音声認識の対象となるテキストのうち、同一名称のテキストは統合して一つのテキストとして前記コンテンツ辞書を作成するようにしてもよい。

また、この形態に係る音声認識辞書作成装置において、前記制御手段は、前記媒体がＣＤのとき、前記所定の項目のうちアーティスト名に対して前記記憶手段に格納されている楽曲情報に一致するアーティスト名が存在しないとき、又は、前記所定の項目のうち作曲者名に対して前記記憶手段に格納されている楽曲情報に一致する作曲者名がないときに、情報が更新されたと判定するようにしてもよく、前記制御手段は、前記媒体がＣＤのとき、前記所定の項目のうちアルバム名に対して前記記憶手段に格納されている楽曲情報に一致するアルバム名がないとき、又は、一致するアルバム名とＴＯＣ情報が異なるとき、情報が更新されたと判定するようにしてもよい。

また、本発明の他の形態によれば、所定の項目のファイル毎にテキストの読みデータが格納されたコンテンツ辞書により構成される音声認識辞書の作成方法であって、記憶手段に格納された音声認識の対象となるテキストが含まれる前記所定の項目のファイルの情報が更新されたか否かを判定するステップと、外部機器又は媒体から取得した音声認識の対象となるテキストが格納された前記所定の項目のファイルの情報が更新されたとき、前記所定の項目のファイル毎に前記テキストの読みデータが格納されたコンテンツ辞書の総数を検出するステップと、前記コンテンツ辞書の総数と所定の制限値とを比較するステップと、前記総数が所定の制限値以上のとき、前記外部機器又は媒体に応じたコンテンツ辞書を前記音声認識辞書から削除し、新たに当該外部機器又は媒体に応じたすべての音声認識の対象となるテキストを各コンテンツ毎に前記記憶手段から抽出するステップと、前記総数が所定の制限値未満のとき、前記更新された前記所定の項目ごとに前記外部機器又は媒体に応じた音声認識の対象となるテキストを各コンテンツ毎に前記記憶手段から抽出するステップと、前記テキストを変換して読みデータを取得するステップと、前記読みデータを登録して音声認識辞書を更新するステップと、を有する音声認識辞書作成方法が提供される。

この形態に係る音声認識辞書作成方法において、前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、前記外部機器又は媒体が接続されて、前記テキストが前記記憶手段の所定の項目のファイルに格納されたか否かを判定するステップであるようにしてもよく、前記読みデータを取得するステップは、前記音声認識の対象となるテキストのうち同一名称のテキストを検出するステップと、前記同一名称のテキストを統合して一つのテキストとするステップと、を含むようにしてもよい。

また、この形態に係る音声認識辞書作成方法において、前記媒体がＣＤのとき、前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、前記所定の項目のうちアーティスト名を抽出するステップと、前記記憶手段に当該アーティスト名が含まれているか否かを判定するステップと、一致するアーティスト名がないとき、情報が更新されたと判定するステップと、を含むようにしてもよく、前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、前記所定の項目のうちアルバム名を抽出するステップと、前記記憶手段に格納されているアルバム名とＴＯＣ情報が異なるとき、情報が更新されたと判定するステップと、を含むようにしてもよい。

本発明の音声認識辞書作成装置及び音声認識辞書作成方法によれば、音声認識辞書を構成する所定の項目のファイル毎に音声認識の対象となるテキストの読みデータが格納されたコンテンツ辞書の総数が予め定められた所定の制限数よりも少ないときは、更新された所定の項目だけを更新する差分更新を行い、所定の制限数以上のときは、コンテンツ辞書の全体を書き換える全件更新を行うようにしている。これにより、音声認識辞書の更新の際に差分だけを更新することによって効率的に更新することが可能になる。また、コンテンツ辞書の数が多くなればそれまでに作成された各コンテンツ辞書を破棄して新たに所定の項目毎にまとめたコンテンツ辞書を作成するため、認識辞書の作成には多少時間がかかるものの、認識辞書の利用においては音声認識を効率よく行うことが可能となる。

図１は、本発明の一実施形態に係る音声認識辞書作成装置を含む情報処理装置の構成を示すブロック図である。 図２（ａ）は、音声認識辞書の構成の一例であり、図２（ｂ）は、各種デバイスから取得した情報の保存態様の一例である。 図３は、差分更新時の楽曲検索用音声認識辞書の作成概要を示す図である。 図４は、全件更新時の楽曲検索用音声認識辞書の作成概要を示す図である。 音声認識辞書作成処理の一例を示すフローチャートである。

以下、本発明の実施形態について、添付の図面を参照して説明する。

図１は、本発明の一実施形態に係る音声認識辞書作成装置１００を含む情報処理装置２００の構成を示した図である。

本実施形態に係る音声認識辞書作成装置１００は、図１に示すように、入力部１と、記憶部２と、情報抽出部４と、ＴＴＳエンジン５と、制御部６と、音声認識辞書生成部７と、音声認識辞書８とを備えている。

さらに、音声認識処理を含む情報処理装置２００としては、音声認識制御部１１と、音声認識エンジン９と、マイクロフォン１０と、音声認識辞書管理部１２と、メモリ１３と、表示部１４とを備えている。

入力部１は、各種機器（デバイス）や媒体が接続される。例えば、デジタルオーディオ機器やＣＤ，ＤＶＤ，携帯電話等が接続される。デジタルオーディオ機器としては、例えば、ｉＰｏｄ（登録商標：アップル・コンピュータ社製のデジタル音楽プレーヤー）や、ＨＤＤオーディオ、ＣＤテキストがある。ＨＤＤオーディオは記憶装置にハードディスクを内蔵した携帯音楽プレーヤーである。また、ＣＤテキストは、ＣＤ−ＴＥＸＴ規格に対応したプレーヤーであり、ＣＤのタイトルや作曲家などのテキスト情報が表示されるものである。

デジタルオーディオ機器には、例えば、インターネット等を介して配信されたＭＰ３形式等の楽曲ファイルをパーソナルコンピュータ（ＰＣ）にいったんダウンロードし、さらにこのＰＣから転送された楽曲ファイルが格納されている。この楽曲ファイルには、再生用のオーディオ情報の他に、このオーディオ情報を特定する楽曲情報（タイトル、アーティスト名、アルバム名などであり、本実施形態では、コンテンツとも呼ぶ）が含まれている。

記憶部２は、ハードディスクや半導体メモリ等で構成され、入力部１から入力した各種デバイスに格納されている情報（例えば、ＣＤの場合は楽曲データ２ａであり、携帯電話機の場合は、住所録のデータである）が格納される。また、記憶部２には、楽曲情報が含まれたデータベースＣＤＤＢ２ｂが構成されている。

情報抽出部４では、入力された各種デバイスに記録されている情報から、音声認識辞書８の登録語彙の対象となるテキストを抽出する。例えば、ＣＤが入力媒体の場合、楽曲データからＣＤＤＢ２ｂを参照して、タイトルやアーティストや作曲者などのコンテンツ情報を抽出する。

ＴＴＳエンジン５は、テキスト解析部５ａと読みデータ生成部５ｂで構成されている。また、ＴＴＳエンジン５には、音声合成を実行する際に使用する辞書（言語解析辞書、音声合成辞書）が用意されている。言語解析辞書は、音声合成処理の対象となるテキスト情報の構文解析を行う際に参照する辞書であり、あらかじめ各語彙毎に、その表記、読み、アクセント情報、品詞情報等の詳細な情報を対応付けて登録したものである。音声合成辞書は、テキスト解析部５ａで解析されたテキスト情報をその対応する音声（波形）データに変換する際に参照する辞書である。

テキスト解析部５ａでは、情報抽出部４で抽出されたテキスト（文字列）が入力されると、言語解析辞書を基にしてテキストを解析し、読みデータ生成部５ｂにおいて、読みとアクセントを記した文字列である中間言語（読みデータ）を生成する。

音声認識辞書生成部７は、読みデータ生成部５ｂで生成された読みデータをＤＢ化して音声認識辞書８に格納する。

音声認識辞書８は、ハードディスクや半導体メモリ等で構成され、音声認識エンジン９で使用する音声認識辞書が格納されている。

制御部６は、マイクロコンピューターにより構成され、上記各部の制御を行って、入力デバイスや媒体に保存されている音声認識の対象とするテキストから読みデータを生成させて音声認識辞書を作成する。具体的には、記憶部２に保存した各種データから、情報抽出部４において音声認識辞書の対象となる単語（テキスト）を抽出させ、ＴＴＳエンジン５においてテキストの読みデータを生成させ、音声認識辞書生成部で音声認識辞書を生成させる。

音声認識辞書を利用して、ユーザの発話した音声の認識処理は、以下の各部の処理によって行われる。

音声認識制御部１１は、認識対象としたい語彙を音声認識辞書８から音声認識辞書管理部１２を介してメモリ１３に展開し、音声認識の対象とする。また、音声認識制御部１１は、マイクロフォン１０を介して入力したユーザの発話音声を音声認識エンジン９に認識させる。

音声認識エンジン９は、入力された音声を音響分析して特徴量を抽出し、特徴量と音響モデルを照合して複数の発音記号列を得る。この発音記号列を基に認識対象となっている語彙の中から尤もらしい語彙を選択する。認識された結果をもとに、ユーザの要求に応じた情報を表示部１４に表示する。

このように構成された音声認識辞書作成装置１００に、外部機器や媒体が接続されると、音声認識辞書の対象となる語彙を抽出して、音声認識辞書を作成する。その際に、音声認識辞書の作成時間及び音声認識辞書の利用の際の処理時間の効率化を考慮した音声認識辞書の作成を行う。例えば、媒体として楽曲データが格納されたＣＤが接続されてリッピングされると、記憶部２にリッピングした楽曲データ及びその楽曲データに付随した楽曲名等の情報が含まれている楽曲情報を格納する。この楽曲情報が格納された時点を音声認識辞書８の更新のトリガとする。

音声認識辞書８を更新する際に、音声認識辞書８のファイル構成の状態を検出して、その状態に応じて一部の更新を行うかあるいは全体の辞書の更新を行うかが決定される。

音声認識辞書８の更新方法としては、リッピング等によって追加されたコンテンツ情報のみ（以下、差分情報と呼ぶ）に対して音声認識辞書８の作成処理（以下、差分更新処理と呼ぶ）を行う場合と、それまでのコンテンツ情報の全体を改めて更新する音声認識辞書８の作成処理（以下、全件更新処理と呼ぶ）を行う場合とがある。

なお、コンテンツ（所定の項目）とは、例えば、楽曲データの場合、楽曲情報に含まれている楽曲のタイトルやアーティスト名、アルバム名などの付加的情報のことである。

以下に、ＣＤのリッピングを行った場合を例にとって、楽曲データに関する音声認識辞書８の更新処理について説明する。

まず、音声認識辞書８のファイル構成２１について説明する。図２（ａ）は音声認識辞書８のファイル構成２１を概念的に示した図である。図２（ａ）に示すように、音声認識辞書８には各デバイスから取得した語彙の認識辞書が各デバイス毎（２２〜２４）に登録され格納されている。例えば、デバイス１（２２）には、ＣＤから取得したデータを基に作成された辞書、デバイス２（２３）には、ｉＰｏｄから取得したデータを基に作成された辞書が格納されている。

また、各デバイス（２２〜２４）においては、コンテンツ毎にまとめて登録されている。図２（ａ）に示すように、デバイス１（２２）では、コンテンツ１（２５ａ）のファイル、コンテンツ２（２５ｂ）のファイル、コンテンツＸ（２５ｃ）のファイルのように、それぞれ別々のファイルに辞書が格納されている。例えば、デバイス１がＣＤの場合、デバイス１というフォルダの中に、ＣＤから抽出したタイトル名がコンテンツ１（タイトル）のファイルに記載され、アーティスト名がコンテンツ２（アーティスト）のファイルに記載される。なお、この個別の辞書をコンテンツ辞書と呼ぶ。

一方、図２（ｂ）は、ＣＤ等の媒体やデバイスが接続されたときに楽曲情報等が格納される記憶部２のファイル構成２６の一例を示している。各デバイスにおいて同一のコンテンツ毎に一つのフォルダ内にデータが格納されている。例えば、デバイス１（２７）には、ＣＤから取得したデータ、デバイス２（２８）には、ｉＰｏｄから取得したデータが格納されている。

また、各デバイス（２７〜２９）においては、すべてのコンテンツ情報が一つのファイルにまとめて保存されている。

以下に、図３及び図４を参照しながら、楽曲検索用の音声認識辞書作成方法について説明する。図３は、差分更新時の音声認識辞書作成方法の概要を示しており、図４は、全件更新時の音声認識辞書作成方法の概要を示している。

図３は、入力部１にＣＤを接続して、各ＣＤのデータを記憶部２にリッピングした場合の一例であり、ＣＤ１、ＣＤ２、ＣＤ３の順にリッピングをした場合を示している。

まず、ＣＤ１をリッピングすることにより、楽曲情報が記憶部２に格納される。この楽曲情報は、コンテンツとして、タイトル名、アーティスト名、アルバム名、作曲者名、ジャンル、プレイリストがある。

記憶部２にこれらのデータが格納された時点で制御部６は音声認識辞書８に登録されているコンテンツ辞書の数を検出し、その数が制限値を超えていないか否かを判定する。制限値を超えていなければ、上記の各コンテンツ毎に音声認識辞書を作成する。この制限値は、各コンテンツに属する辞書が何個まで増えることを許容するかの上限値であり、予め記憶部２に設定しておく。

図３では、ＣＤ１のコンテンツデータ（タイトル名）として、“title1”、“title2”、“title3”、“title4”を抽出し、これらのタイトル名のテキストをＴＴＳエンジン５に入力して、読みデータを生成する。これらの読みデータを基に音声認識辞書８を作成するとともに、各語彙に対して識別番号（ＩＤ０００１〜ＩＤ０００４）を付与してタイトルのコンテンツ辞書を音声認識辞書８に登録する。

同様に、アーティスト名、アルバム名等についてもそれぞれのコンテンツ辞書を作成して音声認識辞書８に登録する。

次に、ＣＤ２がリッピングされて、記憶部２にＣＤ２のコンテンツデータが格納されたものとする。この格納時点をトリガとして、制御部６はＣＤ１がリッピングされたときと同様に、音声認識辞書８に登録されているコンテンツ辞書の数を検出し、その数が制限値を超えていないか否かを判定する。制限値を超えていなければ、上記の各コンテンツ毎に音声認識辞書８を作成する。

図３では、ＣＤ２のコンテンツデータ（タイトル名）として、“title5”、“title6”、“title7”を抽出し、これらのタイトル名のテキストをＴＴＳエンジン５に入力して、読みデータを生成する。これらの読みデータを基に音声認識辞書８を作成するとともに、各語彙に対して識別番号（ＩＤ０００５〜ＩＤ０００７）を付与してタイトルのコンテンツ辞書を音声認識辞書８に登録する。

同様に、アーティスト名、アルバム名等についてもそれぞれのコンテンツ辞書を作成して音声認識辞書８に登録する。

図３のＣＤ３についても同様な音声認識辞書作成処理を行う。ＣＤ３のリッピングデータに対してもＣＤ１,ＣＤ２と同様に、ＣＤ３に含まれているコンテンツ毎にコンテンツ辞書が作成されて音声認識辞書８に登録される。

一方、コンテンツ辞書数が制限値を超えている場合は、図４に示す全件更新処理を行う。

図３に示した一例を用いて説明したように、差分更新処理では、リッピングによって更新された情報のみに対して辞書の生成を行う。このとき、情報が更新されなかった楽曲データに対しては、以前に作成された音声認識辞書を再作成することなく使用する。このような動作によって音声認識辞書の更新処理時間が削減される。

このように差分更新処理が行われると、音声認識辞書には差分更新処理毎にコンテンツ辞書が作成される。従って、リッピングした回数分のコンテンツ辞書が作成され、アーティストやアルバムなどのコンテンツも１件ずつ作成される。

複数回ＣＤのリッピングが行われると、はじめのうちはコンテンツ辞書数が制限値を超えないが、繰り返しリッピングを行うことによりコンテンツ辞書数が制限値を超えてしまう。そのため、差分更新処理が繰り返されるとコンテンツ辞書の数及びサイズが膨大になり、音声認識辞書を利用する際のアクセス時間がかかってしまう。

これに対し、コンテンツ辞書数の削減をするための全件更新処理が行われる。図４は、全件更新処理の概要を説明する図である。

図４においてＣＤｎがリッピングされて記憶部２に楽曲情報が格納されたとき、制御部６がコンテンツ辞書数を検出し、制限値を超えたものとする。この場合、それまで作成された各ＣＤに対してコンテンツ毎に作成された音声認識辞書８をすべて破棄する。

その後、記憶部２に格納されているＣＤのコンテンツデータを取得して、リッピング毎のデータではなくすべてのコンテンツデータをまとめて、各コンテンツ毎にコンテンツ辞書を作成する。

図４に示すように、例えば、コンテンツがタイトルの場合は、それまでにリッピングされたタイトルのデータ（“title1”から“title11”及び“title x”から“title z”）が一つのコンテンツ辞書として作成される。他のコンテンツ（アーティスト名やアルバム名等）についても同様である。

図４に示すように全件更新の場合は記憶部２に登録されている楽曲情報に基づいて各コンテンツ（アーティスト名、アルバム名等）毎に音声認識辞書を構成しなおす。この場合、コンテンツ辞書の数は、アーティスト名等のコンテンツの数になる。従って、一つのコンテンツ内のデータ量が増えることによりコンテンツ辞書のサイズは大きくなるが、コンテンツ辞書の数が増加することはない。そのため、コンテンツ辞書を読み出す際のアクセス時間の短縮を図ることができる。

なお、アーティスト名やアルバム名などのコンテンツデータとして同一名称の場合が含まれている。このような同一名称のコンテンツに対しては統合して一つの名称としてコンテンツ辞書を作成する。

コンテンツ情報のうち、アーティスト名や作曲者名は、それまでにリッピングした楽曲情報の中に文字列として同じものがない場合のみ差分として扱い、情報が更新したと判断する。

例えば、図３において、コンテンツ情報のアーティストについては、４曲すべて“artist I”であるため、コンテンツ辞書（Ａｒｔｉｓｔ）では、“artist I”が一つだけ登録されている。また、全件更新の場合も同様である。例えば、図４において、コンテンツ情報のアーティストについては、“artist I”、“artist II”、“artist III”、“artist x”、“artist y”及び“artist z”がそれぞれ一つずつコンテンツ辞書（Ａｒｔｉｓｔ）に登録されている。

また、トラックやアルバム名についても、それまでにリッピングした楽曲情報の中に文字列として同じものがない場合に情報が更新したと判断する。さらに、同じ文字列が存在した場合であっても、ＴＯＣ情報が異なれば同一のトラックやアルバムではないため、ＴＯＣ情報が異なるか否かによって識別する。

上記したように図３の差分更新による音声認識辞書８の作成では、更新処理時間は短いが、繰り返し更新されると利用時のアクセス時間がかかるという不都合が存在する。一方、図４の全件更新による音声認識辞書８の作成では、更新処理時間はかかるものの利用時のアクセスにかかる時間を削減することが可能となる。

そこで、音声認識辞書８の利用時におけるアクセス時間を考慮し、差分更新をするか全件更新をするかを決定する。その一つの判断基準として、コンテンツ辞書の数の制限値を設けている。

コンテンツ辞書の数の制限値は予め決定し、記憶部２に格納しておく。例えば、コンテンツ辞書を複数作成してコンテンツ辞書を使用可能にするまでの時間を測定し、所要の時間で利用可能なコンテンツ辞書の数を決定する。

音声認識辞書作成装置１００の記憶部２に楽曲情報が格納され更新されると、その楽曲情報を基にして音声認識用の辞書を作成する。その際に、音声認識辞書の差分更新処理を行うのか、全件更新処理を行うのかを音声認識辞書に登録されているコンテンツ辞書の数を基に決定する。

次に、音声認識辞書８の作成処理について図５のフローチャートを参照しながら説明する。なお、本処理において、コンテンツ辞書の数の制限値は予め決定され記憶部２に格納されているものとする。

まず、図５のステップＳ１１において、記憶部２に格納された音声認識の対象となる単語が含まれる所定の項目のファイルの情報が更新されたか否かを判定する。外部機器又は媒体が音声認識辞書作成装置１００に接続されて、所定の項目のファイルの情報が記憶部２に格納されたときに情報が更新されたと判定する。更新されるまで待機し、更新されたときは、ステップＳ１２に移行する。

次のステップＳ１２において、コンテンツ辞書の数が制限値未満か否かを判定する。コンテンツ辞書の数は音声認識辞書８にアクセスしてその数を検出してもよいし、予めコンテンツ辞書数のカウンタを用意しておき、そのカウンタ値を参照するようにしてもよい。コンテンツ辞書の数が制限値以上のときはステップＳ１３に移行し、制限値未満のときはステップＳ１５に移行する。

次のステップＳ１３及びステップＳ１４は、コンテンツ辞書の数が制限値以上の場合であり、全件更新処理に対応する。ステップＳ１３では、音声認識辞書８を構成するコンテンツ辞書を削除する。

次のステップＳ１４において、楽曲情報の全データを記憶部２に格納されている楽曲データから取得する。記憶部２には、図４に示すように、リッピングしたＣＤ毎の楽曲データではなく、すべてのＣＤの楽曲データがアーティスト名やアルバム名等のコンテンツ毎に保存されている。これらのデータをコンテンツ毎に取得する。

一方、コンテンツ辞書の数が制限値未満の場合には、ステップＳ１５において楽曲情報の差分データを記憶部２から取得する。この差分データは、リッピングしたＣＤに対する楽曲データであり、図３に示すように、アーティスト名やアルバム名等のコンテンツ毎に作成される。ただし、図３及び図４から明らかなように、全件更新の場合に比較して、差分更新の場合の方がコンテンツ辞書のサイズが小さい。

次のステップＳ１６では、音声認識辞書８の作成処理を行う。音声認識辞書８の作成においては、ステップＳ１４又はステップＳ１５で取得した楽曲情報からそのコンテンツ毎にコンテンツ辞書を作成する。楽曲情報の場合は、コンテンツ辞書として、アーティスト名辞書、タイトル名辞書、アルバム名辞書などが作成される。

差分更新処理の場合におけるコンテンツ辞書の作成では、楽曲情報のうちの各コンテンツについてコンテンツ辞書を作成する。その際に、同一名称のデータの場合は一つに統合する。全件更新処理の場合におけるコンテンツ辞書の作成も同様にして、楽曲情報のうちの各コンテンツについてコンテンツ辞書を作成する。

音声認識辞書の作成処理では、音声認識辞書生成用のテキストをＴＴＳエンジン５に入力して各テキストに対応する読みデータを生成して音声認識辞書８に登録する。

以上説明したように、本実施形態の音声認識辞書作成装置及び音声認識辞書作成方法では、音声認識辞書を構成するコンテンツ毎に作成されたコンテンツ辞書の総数が予め定められた所定の制限数よりも少ないときは、更新された情報だけを更新する差分更新を行い、所定の制限数以上のときは、コンテンツ辞書の全体を書き換える全件更新を行うようにしている。これにより、音声認識辞書の更新の際に差分だけを更新することによって効率的に更新することが可能になる。また、コンテンツ辞書の数が多くなればそれまでに作成された各コンテンツ辞書を破棄して新たに所定のコンテンツ毎にまとめたコンテンツ辞書を作成するため、認識辞書の作成には多少時間がかかるものの、認識辞書の利用においては音声認識を効率よく行うことが可能となる。

なお、差分更新処理を行うか全件更新処理を行うかの判断基準として、音声認識辞書を構成するコンテンツ辞書の数による制限値を使用したが、これに限らず、コンテンツ辞書のサイズを判断基準にしてもよい。例えば、予め各デバイス毎に辞書サイズの制限値を決定しておき、辞書サイズが制限値未満のときはそのデバイスに対して差分更新処理を行い辞書サイズが制限値以上のときにはそのデバイスに対して全件更新処理を行うようにしてもよい。

また、コンテンツ辞書の数の制限値を超えた場合にコンテンツ辞書をすべて破棄して全件更新処理を行うようにしていたが、これに限らず、一部のコンテンツ辞書（古い辞書）を破棄して、空きスペースを利用して差分更新処理を行うようにしてもよい。

また、本実施形態では、ＣＤをリッピングして楽曲情報に関するテキストを音声認識辞書に登録する場合を例にとって説明したが、これに限らず、例えば、携帯電話の住所録の登録に適用することも可能である。この場合、相手先の名称、住所、相手の誕生日等をコンテンツとし、楽曲情報と同様にこれらのコンテンツ毎に音声認識辞書用のデータを取得して住所録に関連するデータ格納用に用意された領域にコンテンツ辞書を作成して格納する。

新たに住所録の１データが記憶部２に格納されたとき、住所録のデバイス領域におけるコンテンツ辞書の数が制限値未満であれば差分更新処理を行い、制限値以上のコンテンツ辞書が存在すれば、いったんコンテンツ辞書を破棄して、新たにコンテンツ辞書を作成して音声認識辞書に登録する。

１００…音声認識辞書作成装置、
２００…情報処理装置、
１…入力部、
２…記憶部、
４…情報抽出部、
５…ＴＴＳエンジン、
５ａ…テキスト解析部、
５ｂ…読みデータ生成部、
６…制御部、
７…音声認識辞書生成部、
８…音声認識辞書、
９…音声認識エンジン、
１１…音声認識制御部。

Claims (16)

1. 外部機器又は媒体から音声認識の対象となるテキストを入力する入力手段と、
   前記テキストが所定の項目のファイル毎に格納される記憶手段と、
   テキストを解析して読みデータを生成する読みデータ生成手段と、
   前記所定の項目のファイル毎に前記テキストの読みデータが格納されたコンテンツ辞書により構成される音声認識辞書と、
   前記入力手段を介して入力された前記テキストを前記記憶手段に格納する制御手段と、
   を有し、
   前記制御手段は、前記記憶手段に格納した前記テキストを含む所定の項目のファイルが更新されたとき、前記コンテンツ辞書の総数を検出し、当該総数が所定の制限値未満のときに前記更新された前記所定の項目ごとに前記コンテンツ辞書を作成して前記音声認識辞書を更新するとともに、前記コンテンツ辞書の総数が所定の制限値以上のとき、前記外部機器又は媒体に応じたコンテンツ辞書を前記音声認識辞書から削除し、新たに当該外部機器又は媒体に応じたすべての音声認識の対象となるテキストを各コンテンツ毎に前記記憶手段から抽出して、前記コンテンツ辞書を作成して、前記音声認識辞書を更新することを特徴とする音声認識辞書作成装置。
2. 前記制御手段は、前記外部機器又は媒体が接続され、前記テキストが前記記憶手段の所定の項目のファイルに格納されたとき、前記所定の項目のファイルが更新されたと判定することを特徴とする請求項１に記載の音声認識辞書作成装置。
3. 前記所定の項目は、前記媒体がＣＤのとき、楽曲情報であって、タイトル名、アーティスト名、アルバム名、作曲者名、ジャンルであることを特徴とする請求項２に記載の音声認識辞書作成装置。
4. 前記制御手段は、前記音声認識の対象となるテキストのうち、同一名称のテキストは統合して一つのテキストとして前記コンテンツ辞書を作成することを特徴とする請求項１に記載の音声認識辞書作成装置。
5. 前記外部機器は、デジタルオーディオ機器又は携帯電話機であり、前記媒体は、ＣＤ又はＤＶＤであることを特徴とする請求項２に記載の音声認識辞書作成装置。
6. 前記制御手段は、前記媒体がＣＤのとき、前記所定の項目のうちアーティスト名に対して前記記憶手段に格納されている楽曲情報に一致するアーティスト名が存在しないとき、又は、前記所定の項目のうち作曲者名に対して前記記憶手段に格納されている楽曲情報に一致する作曲者名がないときに、情報が更新されたと判定することを特徴とする請求項５に記載の音声認識辞書作成装置。
7. 前記制御手段は、前記媒体がＣＤのとき、前記所定の項目のうちアルバム名に対して前記記憶手段に格納されている楽曲情報に一致するアルバム名がないとき、又は、一致するアルバム名とＴＯＣ情報が異なるとき、情報が更新されたと判定することを特徴とする請求項５に記載の音声認識辞書作成装置。
8. 所定の項目のファイル毎にテキストの読みデータが格納されたコンテンツ辞書により構成される音声認識辞書の作成方法であって、
   記憶手段に格納された音声認識の対象となるテキストが含まれる前記所定の項目のファイルの情報が更新されたか否かを判定するステップと、
   外部機器又は媒体から取得した音声認識の対象となるテキストが格納された前記所定の項目のファイルの情報が更新されたとき、
   前記所定の項目のファイル毎に前記テキストの読みデータが格納されたコンテンツ辞書の総数を検出するステップと、
   前記コンテンツ辞書の総数と所定の制限値とを比較するステップと、
   前記総数が所定の制限値以上のとき、前記外部機器又は媒体に応じたコンテンツ辞書を前記音声認識辞書から削除し、新たに当該外部機器又は媒体に応じたすべての音声認識の対象となるテキストを各コンテンツ毎に前記記憶手段から抽出するステップと、
   前記総数が所定の制限値未満のとき、前記更新された前記所定の項目ごとに前記外部機器又は媒体に応じた音声認識の対象となるテキストを各コンテンツ毎に前記記憶手段から抽出するステップと、
   前記テキストを変換して読みデータを取得するステップと、
   前記読みデータを登録して音声認識辞書を更新するステップと、
   を有することを特徴とする音声認識辞書作成方法。
9. 前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、
   前記外部機器又は媒体が接続されて、前記テキストが前記記憶手段の所定の項目のファイルに格納されたか否かを判定するステップであることを特徴とする請求項８に記載の音声認識辞書作成方法。
10. 前記所定の項目は、前記媒体がＣＤのとき、楽曲情報であって、タイトル名、アーティスト名、アルバム名、作曲者名、ジャンルであることを特徴とする請求項９に記載の音声認識辞書作成方法。
11. 前記読みデータを取得するステップは、
    前記音声認識の対象となるテキストのうち同一名称のテキストを検出するステップと、
    前記同一名称のテキストを統合して一つのテキストとするステップと、
    を含むことを特徴とする請求項８に記載の音声認識辞書作成方法。
12. 前記外部機器は、デジタルオーディオ機器又は携帯電話機であり、前記媒体は、ＣＤ又はＤＶＤであることを特徴とする請求項９に記載の音声認識辞書作成方法。
13. 前記媒体がＣＤのとき、
    前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、
    前記所定の項目のうちアーティスト名を抽出するステップと、
    前記記憶手段に当該アーティスト名が含まれているか否かを判定するステップと、
    一致するアーティスト名がないとき、情報が更新されたと判定するステップと、
    を含むことを特徴とする請求項１２に記載の音声認識辞書作成方法。
14. 前記媒体がＣＤのとき、
    前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、
    前記所定の項目のうち作曲者名を抽出するステップと、
    前記記憶手段に当該作曲者名が含まれているか否かを判定するステップと、
    一致する作曲者名がないとき、情報が更新された判定するステップと、
    を含むことを特徴とする請求項１２に記載の音声認識辞書作成方法。
15. 前記媒体がＣＤのとき、
    前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、
    前記所定の項目のうちアルバム名を抽出するステップと、
    前記記憶手段に当該アルバム名が含まれているか否かを判定するステップと、
    一致するアルバム名がないとき、情報が更新されたと判定するステップと、
    を含むことを特徴とする請求項１２に記載の音声認識辞書作成方法。
16. 前記媒体がＣＤのとき、
    前記所定の項目のファイルの情報が更新されたか否かを判定するステップは、
    前記所定の項目のうちアルバム名を抽出するステップと、
    前記記憶手段に格納されているアルバム名とＴＯＣ情報が異なるとき、情報が更新されたと判定するステップと、
    を含むことを特徴とする請求項１２に記載の音声認識辞書作成方法。

Images