JP5958475B2 - 音声認識端末装置、音声認識システム、音声認識方法 - Google Patents

Description

本発明は、音声認識を行う遠隔のサーバと通信して、ユーザの発話に対する音声認識を行う音声認識端末装置、音声認識システム、及び音声認識方法に関する。

従来、いわゆるクラウドコンピューティングを利用したサーバ型音声認識の技術が知られている（例えば、特許文献１参照）。この種のサーバ型音声認識の技術では、端末装置に入力されたユーザの音声コマンドの解析を遠隔の音声認識サーバが行い、端末装置は、音声認識サーバから受信した解析結果に応じた応答動作を行う。

また、特許文献１には、音声認識装置が音声コマンドの解析を音声認識サーバに依頼したときに、待ち受け時間内における通信状況が良好でないと判断した場合、解析結果の待ち受けを中止し、その旨をユーザに通知する旨が記載されている。

特開２０１２−２５６００１号公報

従来のサーバ型音声認識では、ユーザが音声コマンドを発話してからユーザに対する応答が行われるまでに、多少の時間がかかることがある。その要因としては、端末装置と音声認識サーバとの通信における遅延時間や、音声認識サーバでの処理時間等がある。ユーザが発話してから返答までに時間が空くと、たとえ、音声認識サーバとの通信や解析処理が正常に行われていたとしても、ユーザは音声コマンドが受付けられたか分からず、不安を感じたり、再度音声コマンドを発話してしまうことがある。そのため、使い勝手が悪いとユーザが感じるおそれがある。

特許文献１に記載の技術では、待ち受け時間が経過（タイムアウト）するか、通信状況が良好でないと判明しない限りユーザへの通知が行われず、それまでの間、ユーザは音声コマンドが受付けられたか分からない。

本発明は上記問題を解決するためになされたものであり、ユーザが発話した音声コマンドが音声認識のシステムに受付けられたことを、対話形式でユーザに理解させるための技術を提供することを目的とする。

本発明の音声認識端末装置は、音声認識処理を行う音声認識サーバと通信可能に構成されたものである。本発明の音声認識端末装置は、音声取得手段、要求手段、予測手段、決定手段、発話手段、及び、応答手段を備える。

音声取得手段は、ユーザが発話した音声コマンドを取得する。要求手段は、音声取得手段により取得された音声コマンドについて、音声認識サーバに音声認識処理を要求する。予測手段は、要求手段による要求に係る音声認識処理の結果が音声認識サーバから得られるまでの遅延時間を予測する。決定手段は、予測手段により予測された遅延時間に応じた時間長で構成されるつなぎ言葉を決定する。

つなぎ発話手段は、決定手段により決定されたつなぎ言葉を、要求手段による要求に係る音声認識処理の結果が音声認識サーバから得られるまでの待ち時間中に音声情報として出力する。応答手段は、音声認識サーバから音声認識処理の結果を取得した場合、取得した音声認識処理の結果に基づく、ユーザに対する応答処理を実行する。

本発明によれば、ユーザが音声コマンドを発話してから、音声コマンドの認識処理を担う遠隔のサーバ等から音声認識結果が得られるまでの待ち時間中に、予測した遅延時間に応じた時間長のつなぎ言葉（フィラー）をユーザに対して発話できる。このようにすることで、ユーザは、自らが発話した音声コマンドがシステムに受付けられたことを認識できる。そのため、音声コマンドに対する音声認識の結果が得られるまでに多少の遅延がある場合であっても、ユーザが、音声コマンドが受付けられたかどうか分からずに不安になったり、音声コマンドを無用に発話し直すことを抑制できる。また、予測した遅延時間に応じた時間長のつなぎ言葉を決定することで、待ち時間に対して適度な長さのつなぎ言葉を出力できる。

また、本発明は、上述の音声認識端末装置と、この音声認識端末装置と通信可能な音声認識サーバとを有する音声認識システムとして実現することもできる。この音声認識システムでは、音声認識端末装置が、音声認識サーバに音声コマンドの音声認識処理を要求し、音声認識サーバが、音声コマンドに対する音声認識処理を行い、その結果を要求元の音声認識端末装置に通知する。

このような音声認識システムによれば、ユーザが音声コマンドを発話してから、音声認識サーバから音声認識結果が得られるまでの待ち時間を予測し、その待ち時間を埋め合わせるつなぎ言葉をユーザに対して発話できる。このようにすることで、ユーザは、自らが発話した音声コマンドがシステムに受付けられたことを認識できるので、音声コマンドが受付けられたかどうか分からずに不安になったり、音声コマンドを無用に発話し直すことを抑制できる。

また、本発明は、音声認識を行うコンピュータシステムにおける音声認識方法として実現することもできる。本発明の音声認識方法は、音声取得手順、要求手順、予測手順、決定手順、つなぎ発話手順、及び、応答手順を有する。

音声取得手順では、ユーザが発話した音声コマンドを取得する。要求手順では、音声取得手順において取得された音声コマンドについて、所定の音声認識サーバに音声認識処理を要求する。予測手順では、要求手順における要求に係る音声認識処理の結果が音声認識サーバから得られるまでの遅延時間を予測する。決定手順では、予測手順において予測された遅延時間に応じた時間長で構成されるつなぎ言葉を決定する。つなぎ発話手順では、決定手順において決定されたつなぎ言葉を、要求手順における要求に係る音声認識処理の結果が音声認識サーバから得られるまでの待ち時間中に音声情報として出力する。応答手順では、音声認識サーバから音声認識処理の結果を取得した場合、取得した音声認識処理の結果に基づく、ユーザに対する応答処理を実行する。このような音声認識方法によれば、本発明の音声認識端末装置について記載した上述の効果と同様の効果が得られる。

音声認識システムの構成を表すブロック図。 音声認識システムにおける処理手順を表すシーケンス図。 つなぎ言葉の発話タイミングを表すタイミングチャート。 つなぎ発話処理の手順を表すフローチャート。 応答出力処理の手順を表すフローチャート。 延長時におけるつなぎ言葉の発話タイミングを表すタイミングチャート。

以下、本発明の実施形態を図面に基づいて説明する。なお、本発明は下記の実施形態に限定されるものではなく様々な態様にて実施することが可能である。
［音声認識システムの構成の説明］
図１に示すように、実施形態の音声認識システム１は、音声認識端末装置１０と、この音声認識端末装置１０と通信可能な遠隔の音声認識サーバ２０及び応答遅延時間サーバ３０とを含んで構成される。音声認識端末装置１０は、例えば、音声認識機能を備えた車載ナビゲーション装置等の車載システムで具現化される。あるいは、車載システムに限らず、いわゆるスマートフォン等の携帯端末装置に実装されるものであってもよい。

音声認識端末装置１０は、マイク１１、通信部１２、入力部１３、記憶部１４、制御部１５、出力部１７、スピーカ１８、及びディスプレイ１９を備える。マイク１１は、ユーザが発話する音声コマンドを入力するための入力装置である。通信部１２は、所定の通信経路を介して遠隔の音声認識サーバ２０や応答遅延時間サーバ３０との間でデータの送受信を行う通信装置である。入力部１３は、制御部１５にデータを入力するための入力インタフェースである。この入力部１３は、マイク１１を介して入力された音声コマンドを制御部１５に入力すると共に、通信部１２を介して音声認識サーバ２０に送信する。入力部１３は、入力された音声コマンドを、例えば所定のファイル形式の音声圧縮データ等に変換して音声認識サーバ２０に送信する。入力部１３は、送信された音声コマンドに基づき音声認識サーバ２０において情報処理が行われた結果を表す応答メッセージを受信し、その受信した応答メッセージを制御部１５に入力する。

記憶部１４は、各種情報を記憶する記憶装置である。この記憶部１４には、例えば、制御部１５により実行されるプログラムや、その実行時に用いられるデータが記憶される。また、記憶部１４には、音声認識サーバ２０から応答メッセージを受信するまでの待ち時間に発話するつなぎ言葉を表す既製のデータを収録した辞書が記憶されている。つなぎ言葉の辞書には、発話に要する時間長が異なる複数種類の既製のつなぎ言葉と、それぞれのつなぎ言葉の発話に要する時間とが登録されている。

制御部１５は、図示しないＣＰＵ，ＲＯＭ，ＲＡＭ等を中心に構成された情報処理装置（例えば、マイクロコンピュータ）である。制御部１５は、プログラムを実行することにより音声認識端末装置１０の動作を制御する。応答遅延時間予測部１６は、ユーザの音声コマンドの入力を受付けてから、その音声コマンドに対する音声認識サーバ２０からの応答メッセージを受信するまでにかかる待ち時間（以下、この待ち時間を応答遅延時間と称する）を予測する機能的構成である。なお、応答遅延時間を予測する具体的な方法については後述する。出力部１７は、制御部１５からの制御に応じてスピーカ１８から音声を出力し、また、ディスプレイ１９に画像を表示させる出力インタフェースである。

音声認識サーバ２０は、音声認識サービスを提供するサーバであり、例えば、インターネット等のコンピュータネットワーク上に構築されたサーバ装置等により具現化される。音声認識サーバ２０は、音声認識端末装置１０から音声コマンドのデータを受信して、その音声コマンドの内容を音声認識により解析する。そして、解析した音声コマンドの内容に基づく情報処理の結果を表す応答メッセージを作成し、音声コマンドの送信元である音声認識端末装置１０に送信する。例えば、ユーザの質問に対する回答を表す応答メッセージを返答したり、音声コマンドに含まれるキーワードに基づきＷｅｂサービス等を利用して有用な情報を検索し、その検索結果を表す応答メッセージを返答するといったサービス形態が挙げられる。あるいは、解析した音声コマンドの内容を表すテキストメッセージや、音声認識端末装置１０が実行可能な制御コマンドを返答するものであってもよい。

応答遅延時間サーバ３０は、例えば、複数の車両に搭載された音声認識端末装置１０と音声認識サーバ２０との間における音声認識にかかった応答遅延時間を表す情報を蓄積し、その情報を各音声認識端末装置１０に提供するサーバである。この応答遅延時間サーバ３０は、例えば、インターネット等のコンピュータネットワーク上に構築されたサーバ装置等により具現化される。応答遅延時間サーバ３０は、各車両に搭載された音声認識端末装置１０から収集される応答遅延時間の情報を、音声認識に係る通信が行われた場所や時刻等の情報と対応付けて記憶する。

音声認識端末装置１０の制御部１５は、音声認識サーバ２０から受信した応答メッセージに基づく出力処理を実行する。例えば、受信した応答メッセージに含まれる情報を、音声で読み上げたり画像として表示する。あるいは、応答メッセージの内容に従って車載設備等の機器を操作するものであってもよい。

［音声認識システムにおける音声コマンド処理の説明］
音声認識システム１において実行される音声コマンド処理の手順について、図２のシーケンス図に基づいて説明する。

まず、音声認識端末装置１０が、ユーザからの音声コマンドの入力を受付けると（Ｓ１０）、入力された音声コマンドのデータを音声認識サーバ２０に送信する（Ｓ１２）。音声認識サーバ２０は、音声認識端末装置１０から受信した音声コマンドのデータに対する音声認識処理を行い、音声コマンドの内容を解析する（Ｓ２０）。そして、解析した音声コマンドの内容に応じた応答メッセージを作成する（Ｓ２２）。音声認識サーバ２０は、作成した応答メッセージを音声認識端末装置１０に送信する（Ｓ２４）。

一方、ユーザが音声コマンドを入力してから、音声認識サーバ２０から応答メッセージが得られるまでに、ある程度の応答遅延時間が生じる。この応答遅延時間は、音声認識端末装置１０と音声認識サーバ２０との間の通信における遅延時間や、音声認識サーバ２０での処理に要する時間等に起因する。そこで、音声認識端末装置１０は、応答遅延時間を埋め合わせるためのつなぎ言葉を発話する（Ｓ１４）。そして、音声認識サーバ２０から応答メッセージを受信すると、受信した応答メッセージに基づく音声出力や表示出力等の出力処理を実行する（Ｓ１６）。

上述の音声コマンド処理において、音声認識端末装置１０がつなぎ言葉を発話する際のタイミングについて、図３のタイミングチャートに基づいて説明する。まず、ユーザが、「明日の天気は？」という内容の音声コマンドを発話したものとする。音声認識端末装置１０は、音声コマンドの終話を検知すると、この音声コマンドに対する応答メッセージを受信するまでの応答遅延時間を予測する。そして、予測した応答遅延時間に応じた時間長のつなぎ言葉の内容を決定し、決定した内容のつなぎ言葉を応答遅延時間の間に発話する。図３の事例では、応答遅延時間内に発話できる時間長の「えっとねー。」というつなぎ言葉をスピーカ１８から音声出力したものとする。

その後、ユーザからの音声コマンドに対する音声認識サーバ２０からの応答メッセージが得られた場合、その応答メッセージの内容をスピーカ１８から音声出力する。図３の事例では、明日の天気を問う趣旨の音声コマンドに対する回答として、「明日の天気は○○です。」という内容の応答メッセージを出力したとする。

なお、つなぎ言葉の発話中に、音声認識サーバ２０から応答メッセージを受信した場合、つなぎ言葉の発話が完了するのを待ってから応答メッセージを出力してもよいし、その時点でつなぎ言葉の発話を中断し、すぐに応答メッセージを出力してもよい。

［つなぎ発話処理の説明］
音声認識端末装置１０の制御部１５が実行する「つなぎ発話処理」の手順について、図４のフローチャートを参照しながら説明する。この処理は、ユーザによる音声コマンドの始話を検知したときに実行される処理である。

Ｓ１００では、制御部１５は、マイク１１を介しての音声コマンドの入力を開始する。Ｓ１０２では、制御部１５は、マイク１１を介しての音声コマンドの入力と並行して、音声認識サーバ２０への音声コマンドの送信を開始する。ここでは、入力された音声コマンドを所定のファイル形式の音声圧縮データに変換して音声認識サーバ２０に送信する。次のＳ１０４では、制御部１５は、今回の音声認識にかかる応答遅延時間を予測する。具体的には、次の（１）〜（３）に記載のような手法で応答遅延時間を予測する。

（１）過去に音声認識サーバ２０に音声認識を要求したときに要した実際の応答遅延時間を予め記憶しておき、過去の応答遅延時間に基づいて今回の応答遅延時間を予測する。このケースでは、例えば、現時点から最も近い過去の応答遅延時間を、今回の応答遅延時間の予測値とする。あるいは、現時点から直近のある期間における複数の過去の応答遅延時間の平均値を、今回の応答遅延時間の予測値としてもよい。また、過去の応答遅延時間を音声認識サーバ２０と通信をした位置の情報と対応付けて記憶しておき、現在地から直近の所定の地理範囲内における応答遅延時間を、今回の応答遅延時間の予測値としてもよい。

（２）音声認識サーバ２０に対してダミーデータを送信して、そのダミーデータに対する応答メッセージを受信する試験通信を定期的に行い、その試験通信においてかかった応答遅延時間を予め記憶しておく。そして、試験通信によって得られた応答遅延時間に基づいて今回の応答遅延時間を予測する。このケースでは、例えば、現時点から最も近い過去の試験通信における応答遅延時間を、今回の応答遅延時間の予測値とする。あるいは、現時点から直近のある期間における複数回の試験通信における応答遅延時間の平均値を、今回の応答遅延時間の予測値としてもよい。また、試験通信を行った位置と応答遅延時間とを対応付けて記憶しておき、現在地から直近の所定の地理範囲内における応答遅延時間を今回の応答遅延時間の予測値としてもよい。

（３）複数の音声認識端末装置１０と音声認識サーバ２０との間で行われた音声認識に要した実際の応答遅延時間を表す情報を、通信部１２を介して応答遅延時間サーバ３０から取得し、予め記憶部１４に記憶しておく。そして、応答遅延時間サーバ３０から取得した応答遅延時間の情報に基づいて今回の応答遅延時間を予測する。なお、応答遅延時間サーバ３０から提供される応答遅延時間の情報には、音声認識に係る通信が行われた場所や時刻等の情報が含まれているものとする。このケースでは、例えば、現在地から直近の所定の地理範囲内における過去の応答遅延時間を、今回の応答遅延時間の予測値とする。また、応答遅延時間サーバ３０から受信した複数の応答遅延時間の中から、現時点から近い時期に計測された応答遅延時間を優先的に採用して、今回の応答遅延時間の予測値を予測してもよい。

なお、Ｓ１０４では、上述の（１）〜（３）に記載の予測方法を単独で用いてもよいし、複数組合せて用いてもよい。複数の予測方法を用いる場合、予測時間が一番長い最悪値を今回の応答遅延時間として採用する。あるいは、複数の予測時間の平均値を今回の応答遅延時間として採用する。

次のＳ１０６では、制御部１５は、Ｓ１０４で予測した応答遅延時間の長さに応じた時間長のつなぎ言葉を決定する。具体的には、記憶部１４に記憶されている既製のつなぎ言葉の辞書の中から、予測した応答遅延時間の範囲内で発話が可能な時間長のつなぎ言葉を
選択する。一例として、「えーっとねー。」、「ちょっと待ってね。」等といった、辞書に予め収録されている複数種類のつなぎ言葉の中から、ランダムに選択するといった構成が考えられる。その際、前回使用したつなぎ言葉と同じつなぎ言葉を連続して使用しないように、前回使用したつなぎ言葉とは異なるつなぎ言葉を選択するように構成してもよい。また、複数のつなぎ言葉をつなぎ合わせたり同じつなぎ言葉を繰返すことで、予測した応答遅延時間に合う時間長のつなぎ言葉を作成してもよい。Ｓ１０８では、制御部１５は、Ｓ１０６で決定したつなぎ言葉をスピーカ１８から音声出力する。Ｓ１０８の後、制御部１５は本処理を終了する。

［応答出力処理の説明］
音声認識端末装置１０の制御部１５が実行する「応答出力処理」の手順について、図５のフローチャートを参照しながら説明する。この処理は、音声コマンドを音声認識サーバ２０に送信したときに実行される処理である。

Ｓ２００では、制御部１５は、上述のつなぎ発話処理（図４参照）のＳ１０２で送信した音声コマンドに対する応答メッセージを、音声認識サーバ２０から受信したか否かを判定する。応答メッセージを受信した場合（Ｓ２００：ＹＥＳ）、制御部１５はＳ２１０に進む。一方、応答メッセージを受信していない場合（Ｓ２００：ＮＯ）、制御部１５はＳ２０２に進む。

Ｓ２０２では、制御部１５は、上述のつなぎ発話処理（図４参照）のＳ１０４又は後述のＳ２０４の何れかにおいて、前回に予測した応答遅延時間が経過したか否かを判定する。応答遅延時間を経過していない場合（Ｓ２０２：ＮＯ）、制御部１５はＳ２００に戻る。一方、応答遅延時間を経過した場合（Ｓ２０２：ＹＥＳ）、制御部１５はＳ２０４に進む。Ｓ２０４では、制御部１５は、延長分の応答遅延時間を決定する。具体的には、次の（１），（２）に記載のような手法で延長分の応答遅延時間を決定する。

（１）つなぎ発話処理（図４参照）のＳ１０４において、単一の手法で応答遅延時間を予測した場合、又は、複数の手法で応答遅延時間を予測したうちの最悪値を応答遅延時間に採用した場合、予め定められている時間を延長分の応答遅延時間として決定する。

（２）複数の手法で応答遅延時間を予測した結果の平均値を応答遅延時間に採用した場合、最悪値と平均値との差分を延長分の応答遅延時間として決定する。ただし、最悪値と平均値との差分が所定の閾値以下の場合、延長分のつなぎ言葉を発話しない。なお、２回目以降の延長分の応答遅延時間については、予め定められている時間を延長分の応答遅延時間として決定する。

次のＳ２０６では、制御部１５は、Ｓ２０４で決定した延長分の応答遅延時間の長さに応じた時間長のつなぎ言葉を決定する。ここでは、上述のつなぎ発話処理（図４参照）のＳ１０６と同様の方法でつなぎ言葉を決定する。そして、Ｓ２０８では、制御部１５は、Ｓ２０６で決定したつなぎ言葉をスピーカ１８から音声出力する。Ｓ２０８の後、制御部１５はＳ２００に戻る。

図６は、延長分の応答遅延時間につなぎ言葉を発話する場合のタイミングチャートである。前回に予測した応答遅延時間：Ｔが経過した時点で、音声認識サーバ２０から応答メッセージを受信していない場合、音声認識端末装置１０は、延長分の応答遅延時間：Ｔ´を決定する。そして、この応答遅延時間：Ｔ´に収まる時間長のつなぎ言葉を決定し、決定した内容のつなぎ言葉を応答遅延時間：Ｔ´の間に発話する。

図５のフローチャートの説明に戻る。Ｓ２００において音声認識サーバ２０から応答メ
ッセージを受信したと判定した場合に進むＳ２１０では、音声コマンドの入力を受付けてから応答メッセージを受信するまでに要した実際の応答遅延時間を記録する。応答遅延時間の履歴を保存する場所については、音声認識端末装置１０の記憶部１４であってもよいし、応答遅延時間サーバ３０であってもよい。また、応答遅延時間の履歴は、音声認識サーバ２０と通信をした位置や時刻の情報と対応付けて記録することが考えられる。音声認識サーバ２０と通信をした位置については、車両等に装備されたＧＰＳ受信機（図示なし）等を利用して特定することが考えられる。

Ｓ２１２では、制御部１５は、音声認識サーバ２０から受信した応答メッセージに基づく出力処理を実行する。ここでは、受信した応答メッセージの内容を音声で読み上げたり画像として表示したり、応答メッセージの内容に従って車載設備等の機器を操作する。Ｓ２１２の後、制御部１５は本処理を終了する。

［変形例］
上述の実施形態では、音声認識サーバ２０がインターネット上に構築された遠隔のサーバ等で実現される事例について説明した。これに限らず、音声認識端末装置１０と音声認識サーバ２０とがローカルエリアネットワーク（ＬＡＮ）に接続されるような構成であってもよい。

［効果］
実施形態の音声認識システム１によれば、以下の効果を奏する。
ユーザが音声コマンドを発話してから、音声コマンドの音声認識サーバ２０から応答メッセージが得られるまでの待ち時間中に、予測した応答遅延時間に応じた時間長のつなぎ言葉をユーザに対して発話できる。このようにすることで、ユーザは、自らが発話した音声コマンドがシステムに受付けられたことを認識できる。そのため、音声コマンドに対する応答メッセージが得られるまでに多少の遅延がある場合であっても、ユーザが、音声コマンドが受付けられたかどうか分からずに不安になったり、音声コマンドを無用に発話し直すことを抑制できる。また、予測した応答遅延時間に応じた時間長のつなぎ言葉を決定することで、待ち時間に対して適度な長さのつなぎ言葉を出力できる。

また、音声認識端末装置１０が、音声認識サーバ２０との間で音声認識や試験通信を行ったときの実際の応答遅延時間の履歴に基づいて、応答遅延時間を予測できる。また、他の車両に搭載された音声認識端末装置１０が過去に音声認識サーバ２０との間で音声認識をしたときの実際の応答遅延時間の履歴に基づいて、応答遅延時間を予測することができる。また、過去の応答遅延時間の履歴を利用する際、通信が行われた時期や地理範囲を考慮して、応答遅延時間を予測することができる。このようにすることで、応答遅延時間を精度よく予測することができ、適切な長さのつなぎ言葉を出力できる。

１…音声認識システム、１０…音声認識端末装置、１１…マイク、１２…通信部、１３…入力部、１４…記憶部、１５…制御部、１６…応答遅延時間予測部、１７…出力部、１８…スピーカ、１９…ディスプレイ、２０…音声認識サーバ、３０…応答遅延時間サーバ。

Claims (15)

1. 音声認識処理を行う音声認識サーバ（２０）と通信可能に構成された音声認識端末装置（１０）であって、
   ユーザが発話した音声コマンドを取得する音声取得手段（１１，１３）と、
   前記音声取得手段により取得された音声コマンドについて、前記音声認識サーバに音声認識処理を要求する要求手段（１５，Ｓ１０２）と、
   前記要求手段による要求に係る音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測する予測手段（１５，Ｓ１０４）と、
   前記予測手段により予測された遅延時間に応じた時間長で構成されるつなぎ言葉を決定する決定手段（１５，Ｓ１０６）と、
   前記決定手段により決定されたつなぎ言葉を、前記要求手段による要求に係る音声認識処理の結果が前記音声認識サーバから得られるまでの待ち時間中に音声情報として出力するつなぎ発話手段（１５，Ｓ１０８）と、
   前記予測手段により予測された遅延時間が経過したときに、前記音声認識サーバから前記音声認識処理の結果をまだ取得できていない場合、前記音声認識処理の結果が得られるまでの延長時間を予測する延長予測手段（１５，Ｓ２０４）と、
   前記延長予測手段により予測された延長時間に応じた時間長で構成される延長つなぎ言葉を決定する延長決定手段（１５，Ｓ２０６）と、
   前記延長決定手段により決定された延長つなぎ言葉を、前記音声認識処理の結果が前記音声認識サーバから得られるまでの待ち時間中に音声情報として出力する延長つなぎ発話手段（１５，Ｓ２０８）と、
   前記音声認識サーバから前記音声認識処理の結果を取得した場合、取得した音声認識処理の結果に基づく、前記ユーザに対する応答処理を実行する応答手段（１５，Ｓ２１２）と、
   を備えることを特徴とする音声認識端末装置。
2. 請求項１に記載の音声認識端末装置において、
   過去に前記音声認識サーバとの間で通信を行ったときの遅延時間を表す時間情報を取得する取得手段（１５）を備え、
   前記予測手段は、前記取得手段によって取得された時間情報で表される過去の遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
   を特徴とする音声認識端末装置。
3. 請求項２に記載の音声認識端末装置において、
   前記取得手段は、前記要求手段により前記音声認識サーバに音声認識処理が要求され、その要求に係る音声認識処理の結果が前記音声認識サーバから得られたときの遅延時間を表す時間情報を取得すること、
   を特徴とする音声認識端末装置。
4. 請求項２に記載の音声認識端末装置において、
   前記取得手段は、前記音声認識サーバとの間で、通信に係る遅延時間を測定するための試験通信を行うことで計測された遅延時間を表す時間情報を取得すること、
   を特徴とする音声認識端末装置。
5. 請求項１に記載の音声認識端末装置において、
   前記音声認識サーバが過去に音声認識端末装置と通信したときの遅延時間表す時間情報を外部装置（３０）から取得する取得手段（１２，１３）を備え、
   前記予測手段は、前記取得手段によって前記外部装置から取得された時間情報で表される過去の遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
   を特徴とする音声認識端末装置。
6. 請求項２ないし請求項５の何れか１項に記載の音声認識端末装置において、
   前記取得手段により取得される時間情報は、通信した時刻に対応付けられており、
   前記予測手段は、現時点から直前又は直近のある期間に行われた通信に関する前記時間情報で表される遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから
   得られるまでの遅延時間を予測すること、
   を特徴とする音声認識端末装置。
7. 請求項２ないし請求項５の何れか１項に記載の音声認識端末装置において、
   前記取得手段により取得される時間情報は、通信した位置に対応付けられており、
   前記予測手段は、現在地を基準とする所定の地理的範囲内において行われた通信に関する前記時間情報で表される遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
   を特徴とする音声認識端末装置。
8. 請求項１ないし請求項７の何れか１項に記載の音声認識端末装置（１０）と、前記音声認識端末装置と通信可能な音声認識サーバ（２０）とを有する音声認識システム（１）であって、
   前記音声認識サーバは、
   前記音声認識端末装置から音声コマンドに対する音声認識処理の要求を受付け、その受付けた要求に係る音声コマンドに対する音声認識処理を行う認識処理手段（Ｓ２０，Ｓ２２）と、
   前記認識処理手段による音声認識処理の結果を要求元の前記音声認識端末装置に通知する通知手段（Ｓ２４）と、
   を備えること、
   を特徴とする音声認識システム。
9. 音声認識を行うコンピュータシステムにおける音声認識方法であって、
   ユーザが発話した音声コマンドを取得する音声取得手順（Ｓ１００）と、
   前記音声取得手順において取得された音声コマンドについて、音声認識処理を行う音声認識サーバに音声認識処理を要求する要求手順（Ｓ１０２）と、
   前記要求手順における要求に係る音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測する予測手順（Ｓ１０４）と、
   前記予測手順において予測された遅延時間に応じた時間長で構成されるつなぎ言葉を決定する決定手順（Ｓ１０６）と、
   前記決定手順において決定されたつなぎ言葉を、前記要求手順における要求に係る音声認識処理の結果が前記音声認識サーバから得られるまでの待ち時間中に音声情報として出力するつなぎ発話手順（Ｓ１０８）と、
   前記予測手順において予測された遅延時間を経過したときに、前記音声認識サーバから前記音声認識処理の結果をまだ取得できていない場合、前記音声認識処理の結果が得られるまでの延長時間を予測する延長予測手順（Ｓ２０４）と、
   前記延長予測手順において予測された延長時間に応じた時間長で構成される延長つなぎ言葉を決定する延長決定手順（Ｓ２０６）と、
   前記延長決定手順において決定された延長つなぎ言葉を、前記音声認識処理の結果が前記音声認識サーバから得られるまでの待ち時間中に音声情報として出力する延長つなぎ発話手順（Ｓ２０８）と、
   前記音声認識サーバから前記音声認識処理の結果を取得した場合、取得した音声認識処理の結果に基づく、前記ユーザに対する応答処理を実行する応答手順（Ｓ２１２）と、
   を有することを特徴とする音声認識方法。
10. 請求項９に記載の音声認識方法において、
    過去に前記音声認識サーバとの間で通信を行ったときの遅延時間を表す時間情報を取得
    する取得手順（Ｓ２１０）を有し、
    前記予測手順は、前記取得手順において取得された時間情報で表される過去の遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
    を特徴とする音声認識方法。
11. 請求項１０に記載の音声認識方法において、
    前記取得手順では、前記要求手順において前記音声認識サーバに音声認識処理が要求され、その要求に係る音声認識処理の結果が前記音声認識サーバから得られたときの遅延時間を表す時間情報を取得すること、
    を特徴とする音声認識方法。
12. 請求項１０に記載の音声認識方法において、
    前記取得手順では、前記音声認識サーバとの間で、通信に係る遅延時間を測定するための試験通信を行うことで計測された遅延時間を表す時間情報を取得すること、
    を特徴とする音声認識方法。
13. 請求項９に記載の音声認識方法において、
    前記音声認識サーバが過去に遠隔の音声認識端末装置と通信したときの遅延時間表す情報として前記音声認識サーバに記憶されている時間情報を取得する取得手順を備え、
    前記予測手順では、前記取得手順において前記音声認識サーバから取得された時間情報で表される過去の遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
    を特徴とする音声認識方法。
14. 請求項１０ないし請求項１３の何れか１項に記載の音声認識方法において、
    前記取得手順において取得される時間情報は、通信した時刻に対応付けられており、
    前記予測手順では、現時点から直前又は直近のある期間に行われた通信に関する前記時間情報で表される遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
    を特徴とする音声認識方法。
15. 請求項１０ないし請求項１３の何れか１項に記載の音声認識方法において、
    前記取得手順において取得される時間情報は、通信した位置に対応付けられており、
    前記予測手順では、現在地を基準とする所定の地理的範囲内において行われた通信に関する前記時間情報で表される遅延時間に基づいて、前記音声認識処理の結果が前記音声認識サーバから得られるまでの遅延時間を予測すること、
    を特徴とする音声認識方法。

Images