JP6096333B2 - 決済を検証するための方法、装置、およびシステム - Google Patents

Description

本出願は、２０１３年６月２０日を出願日とする中国特許出願番号第２０１３１０２４５６２０７号に対する優先権を主張し、この出願明細書の全内容が、ここに参考文献として援用される。

本開示の発明は、コンピュータ技術分野に関し、詳しくは、決済を検証するための方法、装置、およびシステムに関する。

インターネット技術の発展に伴い、コンピュータ、スマートホン、またはこれら以外の端末を介したオンラインショッピングが、日常生活において極めて重要な位置を占めており、日々の生活に大いなる利便性をもたらしている。オンラインショッピングには、取り扱いに注意を要する個人情報が含まれているため、オンラインの決済処理には本人の身元確認が求められる。

既存のオンライン決済の検証方法では、例えば、以下の手順を行う。オンライン決済を行う際にユーザが入力する自身のアカウント番号を携帯電話（すなわち、移動端末）の電話番号と連携させる。サーバは、検証コードを含むＳＭＳ検証メッセージ等のショート・テキスト・メッセージを、上記アカウント番号と連携したユーザの移動端末へ送信する。ユーザは検証コードを移動端末に入力し、移動端末はその検証コードとアカウント番号をサーバへ送信する。サーバは、受信したアカウント番号と検証コードが正規のものであるか否かを検知する。受信したアカウント番号と検証コードがともに正規のものである場合、サーバは決済の検証が無事済んだことを確認し、移動端末に決済処理を行わせる。この方法では、オンライン決済のセキュリティがかなり強化されている。

本発明に至る過程で、発明者は、上記先行技術の方法には以下の問題点があることを見出した。各決済動作では、サーバは、検証コードを含むＳＭＳ検証メッセージを生成かつ送信する必要がある。しかし、この生成・送信の工程が、結果として、決済サービス業者に対する運用コストを増大させている。

上記先行技術の決済動作には、サーバがＳＭＳ検証メッセージをユーザの端末に送信する必要があり、これが運用コストの増大につながるという課題がある。この課題を解決するために、本発明は、決済を検証するための方法、装置、およびシステムを提供する。本発明による技術構成を以下に記載する。

第１の態様では、本発明により、以下に記載する方法が提供される。

サーバ上で用いる決済を検証するための方法であって、
識別情報と現在の音声信号を含む決済認証リクエストを端末から受信し、
前記識別情報が事前に記憶した識別情報と同一か否かを検知し、
同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性（発話ｓｐ等）を前記現在の音声信号から抽出し、
前記現在の音声特性を事前に記憶した話者モデルと照合し、
照合が一致すると、認証応答メッセージを前記端末へ送信することで決済リクエストが許可されたことを提示し、
前記認証応答メッセージは、前記端末によって決済処理を開始するために利用され、
前記身元確認情報は前記現在の音声信号の所有者を特定し、
前記テキストパスワードは前記現在の音声信号が示すパスワードである。

第２の態様では、本発明により、以下に記載する方法が提供される。

端末のマイクロホンを介して送信される決済検証リクエストを処理するための方法であって、該処理にはサーバが含まれ、
ユーザが入力する識別情報を前記端末から受信し、
前記端末のマイクロホンから採取する現在の音声信号を取得し、
識別情報と前記現在の音声信号を含む決済検証リクエストを、前記端末から前記サーバへ送信することで、前記サーバは前記決済検証リクエストの検証を行い、
前記識別情報が事前に記憶した識別情報と同一であるか否かを検知し、
同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
前記現在の音声特性を事前に記憶した話者モデルと照合し、
照合が一致すると、前記サーバによって検証応答メッセージを前記端末へ送信することで決済リクエストが許可されたことを提示し、
前記検証応答メッセージは、前記端末によって決済処理を開始するために利用され、
前記身元確認情報は前記現在の音声信号の所有者を特定し、
前記テキストパスワードは前記現在の音声信号が示すパスワードである。

第３の態様では、本発明により、以下に記載する（装置）が提供される。

決済検証リクエストをサーバ上で処理するための（装置）であって、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備え、
前記複数のモジュールは、
端末から送信される、識別情報と現在の音声信号を含む決済検証リクエストを受信するよう構成される検証リクエスト受信モジュールと、
前記識別情報が事前に記憶した識別情報と同一であるか否かを検知するよう構成される第１の検知モジュールと、
前記識別情報が前記事前に記憶した識別情報と同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出するよう構成される第１の抽出モジュールと、
前記現在の音声特性を事前に記憶した話者モデルと照合するよう構成される照合モジュールと、
照合が一致し、前記現在の音声特性と前記事前に記憶した話者モデルとの照合が一致したと判定すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
を備え、
前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始し、
前記身元確認情報は前記現在の音声信号の所有者を特定し、
前記テキストパスワードは前記現在の音声信号が示すパスワードである。

第４の態様では、本発明により、以下に記載する装置が提供される。

マイクロホンを利用して、決済検証リクエストを端末内で処理するための装置であって、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備え、
前記複数のモジュールは、
ユーザが入力する識別情報を受信するよう構成される第１の受信モジュールと、
前記マイクロホンから採取する現在の音声信号を取得するよう構成される第１の取得モジュールと、
前記第１の受信モジュールが受信する前記識別情報と前記第１の取得モジュールが取得する前記現在の音声信号を含む決済検証リクエストを、サーバへ送信するよう構成される検証リクエスト送信モジュールと、
を備え、
前記決済検証リクエストを前記端末から受信した前記サーバは、
前記識別情報が事前に記憶した識別情報と同一であるか否かを検知し、
同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
前記現在の音声特性を事前に記憶した話者モデルと照合し、
前記装置はさらに、
照合が一致すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
前記サーバから送信される前記検証応答メッセージを受信するよう構成される検証応答受信モジュールと、
を備え、
前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始する。

第５の態様では、本発明により、以下に記載する（システム）が提供される。

決済を検証するための（システム）であって、少なくとも端末とサーバとを備え、
前記端末と前記サーバとは有線ネットワーク接続または無線ネットワーク接続を介して接続され、
前記端末はマイクロホンを利用し、
前記（システム）は、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサをさらに備え、
前記複数のモジュールは、
ユーザが入力する識別情報を受信するよう構成される第１の受信モジュールと、
前記マイクロホンから採取する現在の音声信号を取得するよう構成される第１の取得モジュールと、
前記第１の受信モジュールが受信した前記識別情報と前記第１の取得モジュールが取得した前記現在の音声信号を含む決済検証リクエストを、前記サーバへ送信するよう構成される検証リクエスト送信モジュールと、
を備え、
前記決済検証リクエストを前記端末から受信した前記サーバは、
前記識別情報が事前に記憶した識別情報と同一であるか否かを検知し、
同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
前記現在の音声特性を事前に記憶した話者モデルと照合し、
前記装置はさらに、
照合が一致すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
前記サーバから送信される前記検証応答メッセージを受信するよう構成される検証応答受信モジュールと、
を備え、
前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始し、
前記サーバは、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備え、
前記複数のモジュールは、
端末から送信される、識別情報と現在の音声信号を含む決済検証リクエストを受信するよう構成される検証リクエスト受信モジュールと、
前記識別情報が事前に記憶した識別情報と同一であるか否かを検知するよう構成される第１の検知モジュールと、
前記識別情報が前記事前に記憶した識別情報と同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出するよう構成される第１の抽出モジュールと、
前記現在の音声特性を事前に記憶した話者モデルと照合するよう構成される照合モジュールと、
照合が一致し、前記現在の音声特性と前記事前に記憶した話者モデルとの照合が一致したと判定すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
を備え、
前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始し、
前記身元確認情報は前記現在の音声信号の所有者を特定し、
前記テキストパスワードは前記現在の音声信号が示すパスワードである。

音声信号を用いて、端末から送信される未処理の決済検証リクエストを受信することで、サーバは、受信した決済検証リクエストに含まれるユーザの識別情報が事前に記憶した識別情報と同一であることを確認すると、例えば、現在の音声信号におけるユーザの身元確認情報およびユーザのテキストパスワードに関連付けた現在の音声特性を抽出する。サーバは、現在の音声特性と事前に記憶した話者モデルとの照合が一致すると、例えば、ユーザの移動端末へ検証応答メッセージを返送し、これにより、ユーザは決済処理を開始することができる。従来、サーバが生成したＳＭＳ検証コードの入力が求められ、これには数工程を要した。本構成では、このコードを生成・入力する必要はなく、ユーザはより少ない工程数で決済処理を開始できる。

すなわち、音声特性の照合処理により、サーバがＳＭＳ検証コードを生成する必要はなく、また、ユーザが、検証をさらに行う場合やセキュリティを強化するために、ＳＭＳ検証コードの入力する必要もなくなる。ユーザの音声特性はユーザ固有のものであり、高度かつ複雑な分析やシミュレーションを行わずに、音声特性を複製・合成し、同様の音声特性を模倣することは難しい。さらに、パスワードやＰＩＮ（個人識別番号）等の他のセキュリティ情報も同様に、検証条件の一部として、音声信号を介して発話してもよい。これにより、検証手順の安全性を確保するために、より多くのセキュリティ情報が提供される。また、先行技術の決済検証および決済処理動作における運用コストの増加や遅延という課題は解消する。

したがって、決済の検証や決済処理に音声信号を用いる本発明により、決済検証および決済処理における動作速度、セキュリティ対策、ユーザの利便性を大きく向上させることができる。また、ＳＭＳ検証コードやメッセージの生成・入力に対して従来費やされていた運用コストを、大きく削減することが可能になる。

図面を添付することで、各請求項および開示内容の理解促進を図る。これらの図面は本明細書に組み込まれ、その一部を構成する。各請求項に記載される原理を、以下に記載する詳細な説明と実施形態を用いて説明する。
発明の一実施形態が実施される環境を示すシステムの一例を示す図である。 本発明の一実施形態による、決済検証リクエストを実行するための方法の一例を示すフローチャートである。 本発明の別の実施形態による、決済検証リクエストを実行するための方法の一例を示すフローチャートである。 本発明の一実施形態による、決済を検証するためのシステムの一例を示すブロック図である。 本発明の別の実施形態による、決済を検証するシステムの一例を示すブロック図である。

添付図面と以下に記載する実施形態を用いて、本発明の各種実施形態をさらに詳細に説明する。本明細書に記載する各実施形態は、本発明の説明を唯一の目的として記載され、本発明の限定を意図したものではないことは言うまでもない。

本発明の目的、技術的解決策、および利点を明確にするために、添付図面と実施形態を用いて、本発明をさらに詳細に説明する。各実施形態は、あくまで本発明を説明するために用い、本発明を限定するものではない。本発明の技術的解決策を、以下の実施形態に基づき説明する。

図１は、本発明の一実施形態が実施される環境を示すシステムの一例を示す概略図である。図示の環境では、１つまたは複数の移動端末（１２０ａ〜１２０ｎ）と、サーバ（１４０）が設けられている。

移動端末（１２０ｎ）は、例えば、携帯用スマートホン、携帯用コンピュータタブレット、ノート型コンピュータ、デスクトップ型パソコン、マルチメディアテレビ、デジタルカメラ、または、電子リーダ等である。ウェブ閲覧に際してネットワークと通信可能であり、また、マイクロホン入力デバイス（例えば、各移動端末１２０ａ、１２０ｎ上のマイクロホン１２２ａ、１２２ｎ）を備えるものであれば、いずれの装置も本発明の実施するために好適に用いられる。

移動端末（１２０ｎ）には、例えば、決済アプリケーションプログラムが搭載されている（アプリケーションとしてダウンロード、または、フラッシュメモリドライブ、ノート型コンピュータ、別の移動端末等、他の装置から転送される）。ユーザは、例えば、移動端末（１２０ｎ）上のグラフィカル・ユーザ・インターフェース（ＧＵＩ）を介して上記決済アプリケーションプログラムを作動させることで、有線ネットワーク接続または無線ネットワーク接続等のネットワーク接続（１１０）を介してオンライン決済を行う。オンライン決済を申請するには、ユーザは、例えば、まず、アカウントの保有者としてのユーザ名および決済検証用のアカウントに対するパスワード等の情報を、サーバ（１４０）に入力する。

決済検証を行う前に、ユーザは、まず、決済検証登録をサーバ（１４０）に対して行う。これは、正当なユーザであることを確認するために用いるユーザプロファイルの一部を構成する話者モデルを確定するためである。

図２は本発明の一実施形態による、決済検証リクエストを実行するための方法の一例を示すフローチャートである。この決済検証方法は、例えば、図１に示す環境に示すサーバ（１４０）によって実行される。このサーバには複数の異なるユーザの話者モデルが記憶されている。決済を検証するための各ステップを以下に例示する。

ステップ２０１で、端末（１２０）はユーザが入力する識別情報を受信する。ユーザは、例えば、端末（１２０）にインストールされている決済アプリケーションプログラムの指示により、該当する識別情報を入力する。この識別情報には、ユーザの決済アカウント番号、ユーザ名、および、アカウント番号に対応するユーザパスワードが含まれる。こうした情報は、オンライン決済処理を行う前に、事前に（金融機関または業者の）サーバ（１４０）に登録済みであってもよい。

本実施形態では、決済用にアカウント番号を登録する時点で、サーバは、保存用音声シグネチャーサンプルの提供をユーザに求めてもよい。上記音声シグネチャーサンプルは、例えば、ユーザが決済検証をリクエストする際、ユーザの身元を確認するために用いる。音声特性はユーザ固有のものであるため、ユーザの音声特性は、例えば、話者モデルまたは話者の声紋モデルの形式で、ユーザのシグネチャーとしてサーバ（１４０）に保存される。サーバ（１４０）に保存した話者モデルは、ユーザが決済検証リクエストを申請する時点で、その後移動端末（１２０）から受信する現在の音声信号に対する照合に用いる。

この場合、登録サーバは決済サーバと同じであっても、異なるものでもよい。登録サーバと決済サーバが異なる場合、決済サーバは、まず、登録サーバからユーザの識別情報を引き出す必要があり、これを事前記憶識別情報として用いる。この場合、決済サーバは図１に示すようなサーバ（１４０）のことである。

ステップ２０２で、端末（１２０）は、例えば、端末（１２０）上のマイクロホンから採取される初期音声信号を取得する。マイクロホンは、例えば、内蔵型マイクロホン（すなわち、図１に示すマイクロホン（１２２ｎ））である。または、端末（１２０）に取り付けた外部入力デバイスであってもよい。ユーザがマイクロホン（１２０ｎ）に向かって発話すると、ユーザの音声は採取されて、公知の１つ以上のプロセッサ（すなわち、音声コーデック）によって上記初期音声信号として変換され、サーバ（１４０）へ、インターフェースを介してネットワーク送信される。

ステップ２０３で、端末（１２０）は、例えば、登録リクエストをサーバ（１４０）へ送信する。この登録リクエストには、例えば、ユーザが入力した識別情報（ステップ２０１参照）と、ユーザが発話して端末（１２０）上のマイクロホンから採取した初期音声信号が含まれる。決済アプリケーションプログラムを実行するには、この両情報が必要である。

ステップ２０４で、サーバ（１４０）は、例えば、端末（１２０）から送信される上記登録リクエスト（ユーザの識別情報と初期音声信号を含む）を受信する。

ステップ２０５で、サーバ（１４０）は、例えば、上記識別情報が事前に記憶した識別情報と同一か否かを検知する。本実施形態では、サーバ（１４０）は、さらに、登録サーバと通信（ローカル通信または遠隔通信）してもよい。

通常の状況下では、ユーザは、例えば、決済アプリケーションプログラムに対して登録動作を行う際（決済アカウント番号とパスワードの登録、または、決済アカウント番号のみの登録等）、識別情報を登録サーバから取得する。登録サーバは、例えば、決済アカウント番号とパスワード両方に対応する識別情報を保持し、その識別情報を事前に記憶した識別情報として保存する。例えば、このようにして、登録サーバは決済検証を行う。

但し、登録サーバの機能は、ユーザが 済アプリケーションプログラムに対して登録動作を行う時点で呼び出され、サーバ（１４０）の機能は、ユーザが決済の検証をリクエストした時点で呼び出される（すなわち、登録サーバとサーバ（１４０）は同じサーバではない場合）。この場合、サーバ（１４０）は、例えば、ユーザの識別情報が登録サーバの事前に記憶した識別情報と同一であるか否か比較を行う。

ステップ２０６で、サーバ（１４０）は、識別情報が事前に記憶した識別情報と同一であると確認した後、例えば、初期音声信号における身元確認情報とテキストパスワードに関連付けた初期音声特性を抽出する。この場合、身元確認情報は、初期音声信号の所有者（すなわち、ユーザ）の情報であり、初期音声信号の特性は、音声自体の所有者に固有のものである。

パスワードのテキスト内容は、初期音声信号で表示または発話されるパスワードである（すなわち、初期音声信号に記録したテキスト内容）。例えば、チャン・サン（すなわち、ユーザ名）という人物が、「ｃｕｎ−ｎｕａｎ−ｈｕａ−ｋａｉ」という単語をテキスト内容として、端末（１２０）のマイクロホンに発話すると、マイクロホンから採取される初期音声信号には、テキストパスワードである発話単語「ｃｕｎ−ｎｕａｎ−ｈｕａ−ｋａｉ」の翻訳テキスト内容だけでなく、発話単語「ｃｕｎ−ｎｕａｎ−ｈｕａ−ｋａｉ」と関連付けた音声スペクトル（すなわち、時間領域または音声エンベロープに表示される周波数帯域）に表示される音声特性も含まれる。

このような音声スペクトル（すなわち、時間領域または音声エンベロープに表示される周波数帯域）は、ユーザのアカウント登録用の初期音声信号を確定するためにテキストパスワード「ｃｕｎ−ｎｕａｎ−ｈｕａ−ｋａｉ」を発話した時点で、話者（すなわち、チャン・サン氏）自身の音声に固有の初期音声シグネチャー（または音声指紋）の特性を構成する。言い換えれば、別の人物（リー・シ氏）が同じテキストパスワード「ｃｕｎ−ｎｕａｎ−ｈｕａ−ｋａｉ」を発話しても、音声スペクトル（すなわち、時間領域または音声エンベロープに表示される周波数帯域）には異なる音声特性が表示されるため、チャン・サン氏の初期音声信号の事前に記憶した音声特性とは一致しない。

テキスト内容が発話されると、テキスト内容（すなわち、パスワード）が検証されるだけではなく、音声信号の音声特性（すなわち、時間領域または音声エンベロープに表示される周波数帯域）も分析される。このため、初期音声信号で発話されたテキスト内容はどの言語を用いてもよい。また、テキスト内容に１つまたは複数の数字を含んでもよい。

初期音声特性の例をいくつか挙げると、メル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）で表される。メル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）は、初期音声信号における身元確認情報とテキストパスワードに関連付けられてもよい。初期音声特性については、上記例示したもの以外を、初期音声信号の身元確認情報とテキストパスワードに関連付けてもよく、また、その初期音声特性を当業者周知の他の手段で取得してもよい。

ステップ２０７で、サーバ（１４０）は、例えば、初期音声特性（すなわち、時間領域または音声エンベロープに表示される周波数帯域）にしたがって、話者モデルを生成する。サーバ（１４０）は、例えば、取得した初期音声特性を話者モデル学習に利用することで、初期音声特性に関連付けた話者モデルを取得してもよい。通常、話者モデルは、例えば、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、または、サポートベクターマシン（ＳＶＭ）である。

本発明の一実施形態では、話者モデルは、大量の音声データを利用して確定することで、ユニバーサル・バックグラウンド・モデル（ＵＢＭ）を適応的に学習し、混合ガウスモデル（ＧＭＭ）に基づきユーザの適応的話者モデルを取得してもよい。話者モデルは、話者自身の発話をユニバーサル・バックグラウンド・モデル（ＵＢＭ）に用いることで、適応的に学習可能である。こうした適応的学習は、話者が繰り返しテキストパスワードを発話することにより、統計的に行われる。また、ＵＢＭは、多数のサンプル話者が発話した大量の音声データにより学習されてもよい。

ステップ２０８で、サーバ（１４０）は、例えば、適応的に学習した音声シグネチャー（または音声指紋）モデルを、登録サーバ（またはサーバ（１４０））に事前記憶話者モデルとして保存する。但し、本決済検証方法では、ステップ２０１〜２０３は端末（１２０）が実行し、ステップ２０４〜２０８はサーバ（１４０）が実行する。

図２に、概括として、ユーザが現在の決済検証リクエストを申請して決済処理に進む前に行うステップとして、ユーザの事前に記憶した識別情報（すなわち、ユーザのアカウント情報、ユーザの身元確認情報、テキストパスワード等）と事前に記憶した初期声紋モデル（すなわち、音声シグネチャー）を確定するために行う各ステップを示す。図示の決済検証方法には、例えば、初期音声信号にしたがって初期音声特性を取得し、初期音声特性にしたがって、初期音声信号における身元確認情報とテキストパスワードに関連付けた話者モデルを構築する。これにより、新たな決済処理に対する検証が必要になると、決済処理の許可に先立ってユーザが行う必要があるのは、識別情報（すなわち、テキストパスワード）を発話し、自身の音声特性を事前に記憶した話者モデルによる音声特性と照合させることのみである。

図３は、本発明の別の実施形態による、決済検証リクエストを実行するための方法の一例を示すフローチャートである。より詳しくは、図３には、図２に示すように、ユーザの事前に記憶した識別情報（すなわち、ユーザのアカウント情報、ユーザの身元確認情報、テキストパスワード等）と事前に記憶した初期音声シグネチャーを確定した後、端末（１２０）とサーバ（１４０）の間で行われる現在の決済検証リクエスト動作が図示されている。この方法には、例えば、以下のステップが含まれる。

ステップ３０１で、端末（１２０）は、例えば、ユーザが入力する識別情報を受信する。ユーザは、例えば、端末（１２０）にインストールされている決済検証アプリケーションプログラムの指示により、該当する識別情報を入力する。この識別情報には、ユーザの決済アカウント番号、ユーザ名、および、アカウント番号に対応するユーザパスワードが含まれる。こうした情報は、オンライン決済処理を行う前に、事前に（金融機関または業者の）サーバ（１４０）に登録済みであってもよい。

登録サーバは決済サーバ（１４０）と同じであっても、または、異なるものでもよい。登録サーバと決済サーバが異なる場合、決済サーバは、まず、登録サーバからユーザの識別情報を引き出す必要があり、これを事前に記憶した識別情報として用いる。この場合、決済サーバは図１に示すようなサーバ（１４０）のことである。

ステップ３０２で、端末（１２０）は、例えば、端末（１２０）上のマイクロホンから採取される現在の音声信号を取得する。マイクロホンは、例えば、内蔵型マイクロホン（すなわち、図１に示すマイクロホン（１２２ｎ））である。または、端末（１２０）に取り付けた外部入力デバイスであってもよい。ユーザがマイクロホン（１２０ｎ）に向かって発話すると、ユーザの音声は採取されて、公知の１つ以上のプロセッサ（すなわち、音声コーデック）によって上記初期音声信号として変換され、サーバ（１４０）へ、インターフェースを介してネットワーク送信される。

ステップ３０３で、端末（１２０）は、例えば、現在の決済検証リクエストをサーバ（１４０）へ送信する。この現在の決済検証リクエストには、例えば、ユーザが入力した識別情報（ステップ２０１参照）と、ユーザが発話して端末（１２０）上のマイクロホンから採取される現在の音声信号（ステップ２０２参照）が含まれる。決済アプリケーションプログラムを実行するには、この両情報が必要である。

ステップ３０４で、サーバ（１４０）は、例えば、端末（１２０）から送信される上記現在の決済検証リクエスト（ユーザの識別情報と現在の音声信号を含む）を受信する。

ステップ３０５で、サーバ（１４０）は、例えば、上記識別情報が登録サーバ（図示省略）から取得される事前記憶識別情報と同一か否かを検知する。同一ではない場合、この識別情報はサーバ（１４０）に登録されず、決済検証リクエスト動作は行われない。

ステップ３０６で、サーバ（１４０）は、識別情報が事前に記憶した識別情報と同一であると検知すると、例えば、現在の音声信号における身元確認情報とテキストパスワードに関連付けた現在の音声特性を抽出する。この場合、身元確認情報は、現在の音声信号の所有者に関する情報であり、その音声特性（すなわち、時間領域または音声エンベロープに表示される周波数帯域）はユーザ固有のものである。したがって、現在の音声信号の所有者または発話者と同一人物であることを示している。

決済検証リクエストの取得識別情報が事前に記憶した識別情報と同一である場合、サーバ（１４０）は、例えば、現在の音声信号における身元確認情報とテキストパスワードに関連付けた現在の音声特性を抽出する。

この場合、テキストパスワードは、例えば、現在の音声信号における発話パスワードである。例えば、ユーザであるチャン・サン氏により端末１２０のマイクロホンに発話された現在の音声信号が「３２５ｚｈｉ−ｆｕ」である場合、チャン・サン氏が現在の音声信号の所有者であり、「３２５ｚｈｉ−ｆｕ」が現在の音声信号のテキストパスワードである。テキストパスワード内容には、いかなる言語の数字、文字、単語が含まれてもよい。

一般的には、現在の音声特性は、例えば、メル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）で表す。メル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）は、現在の音声信号における身元確認情報とテキストパスワードに関連付けられてもよい。現在の音声特性については、上記例示したもの以外を、現在の音声信号の身元確認情報とテキストパスワードに関連付けてもよく、また、その現在の音声特性を当業者周知の他の手段で取得してもよい。

ステップ３０７で、サーバ（１４０）は、例えば、現在の音声特性（すなわち、時間領域または音声エンベロープに表示される周波数帯域）を事前に記憶した話者モデルと照合する。事前記憶話者モデルは、例えば、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、または、サポートベクターマシン（ＳＶＭ）である。

現在の音声特性と事前に記憶した話者モデルとの照合では、例えば、以下を行う。事前に記憶した話者モデルおよびユニバーサル・バックグラウンド・モデル（ＵＢＭ）についての、ＭＦＣＣまたはＬＰＣＣ等の発話特徴を用いて尤度スコアを計算し、計算した２つの尤度スコアからログ尤度比スコアを得る。尤度比スコアが所定の閾値を上回る場合、現在の音声特性と事前記憶話者モデル（または声紋モデル）との照合が一致したと判定する。

例えば、現在の音声信号の発話特徴を抽出し、その特徴を用いて事前記憶話者モデルとユニバーサル・バックグラウンド・モデル（ＵＢＭ）の尤度スコアを計算する。この場合、尤度スコアはログ尤度比スコアとして表してもよい。ログ尤度比スコアとは、すなわち、音声シグネチャーモデルのログ尤度値とユニバーサル・バックグラウンド・モデル（ＵＢＭ）のログ尤度値の間の差異を表す。

上記式において、Xは検知した現在の音声特徴、Tは音声特徴のフレーム数、λ_spkは目標話者の話者モデル、λ_ubmはユニバーサル・バックグラウンド・モデル（ＵＢＭ）である。

通常は、例えば、話者と話者が発話したテキストパスワードが、ユーザ登録時の話者とテキストパスワードと完全に同一であると判定される場合のみ、得られるログ尤度比スコアは高値を示す。それ以外の場合でも、ログ尤度比スコアが所定の閾値より大きければ、照合一致が成功したと考えられる。

反対に、話者の現在の音声信号とテキストパスワードが、ユーザ登録時の話者とテキストパスワードと同一ではない場合（咽頭痛や口腔損傷が原因である場合）、ログ尤度比スコアは、通常、所定の閾値を下回る程の低値を示す。この場合には、照合が一致しなかったと判定する。

一実施形態では、現在の音声特徴と事前に記憶した話者モデルが、所定の閾値より高い（例えば、＞６０％）ログ尤度比に達する場合、照合が一致したと判定する。実用化にあたっては、所定閾値の設定値が大きい程、照合の一致に対して、より高いセキュリティレベルが達成される。

しかし、取得した現在の音声信号は、外部環境の干渉を受ける場合があるため、取得する度に若干の違いが生じる可能性がある。したがって、所定の閾値は実環境に基づいて設定してもよい。本実施形態では、所定閾値の具体的な値は限定しない。

ステップ３０８で、サーバ（１４０）は、例えば、現在の音声特性と事前記憶話者モデルの照合が一致した場合、決済処理動作を許可するために、検証応答情報を端末（１２０）へ送信する。

現在の音声特性と事前に記憶した話者モデルとの照合が一致すると、サーバ（１４０）は、例えば、現在の話者と発話されたテキストパスワードが、ユーザ登録時の話者とテキストパスワードと同一であることを検証応答情報に表示し、サーバ（１４０）は、ユーザにその後の決済動作を許可する処理を行う。

ステップ３０９で、端末（１２０）は、例えば、サーバ（１４０）から送信される検証応答情報を受信し、決済処理を開始する。より詳しくは、端末（１２０）は、例えば、サーバ（１４０）から送信された検証応答情報を受信し、これにより、端末（１２０）は処理動作を開始する許可を得る。

但し、本決済検証方法において、ステップ３０１〜３０３とステップ３０９は端末（１２０）が行い、ステップ３０４〜３０８は、サーバ（１４０）が行う。

図３に、概括として、以下の効果をもたらす一決済検証方法を示す。端末（１２０）から送信される決済検証リクエストを受信することで、現在の音声信号における身元確認情報とテキストパスワードに関連付けた現在の音声特性を（照合する）。決済検証リクエストの識別情報が事前に記憶した識別情報と同一または同等であると検知されると、サーバ（１４０）は、例えば、現在の音声特性と事前記憶話者モデルとの照合一致が成功した後、例えば、検証応答情報を端末（１２０）へ送信し、決済処理を許可する。

図示の方法では、サーバ（１４０）によるＳＭＳ検証メッセージ生成のステップの代わりに、現在の音声信号を事前記憶話者モデルと照合している。先行技術による方法であれば、サーバ（１４０）は、セキュリティ検証を強化するため、ユーザに入力させるＳＭＳを生成・送信する必要があるが、図示の決済検証方法では、少なくともこうした余分なステップが不要となっている。このように、本発明では、検証処理中にユーザ固有の身元確認情報（すなわち、音声シグネチャー）を用いて決済検証処理を簡略化することで、運用コストを削減している。また、ユーザに求められる動作が少なくなり、ユーザの利便性が向上する。

図４は、本発明の一実施形態による、決済検証を実行するためのシステムの一例を示すブロック図である。決済検証を行う前に、ユーザは、まず、端末（１２０）を介してサーバ（１４０）に決済検証登録を行わなければならず、これには、サーバ（１４０）または登録サーバ（図示省略）に事前記憶話者モデルを確定する必要がある。

本決済検証システムは、例えば、少なくとも端末（１２０）とサーバ（１４０）を備える。また一例として、端末（１２０）は決済検証装置（４２０）を備え、サーバ（１４０）は決済検証装置（４４０）を備える。

端末（１２０）の決済検証装置（４２０）は、例えば、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサ（４１０）を備え、各モジュールは、少なくとも、受信モジュール（４２１）と、取得モジュール（４２２）と、登録リクエスト送信モジュール（４２３）を備える。

受信モジュール（４２１）は、ユーザが入力する識別情報を受信するためのものである。取得モジュール（４２２）は、端末（１２０）の内蔵マイクロホンから採取される初期音声信号を取得するためのものである。登録リクエスト送信モジュール（４２３）は、登録リクエストをサーバ（１４０）へ送信するためのものである。上記登録リクエストには、例えば、受信モジュール（４２１）が受信した識別情報と、第２の取得モジュール（４２２）が取得した初期音声信号が含まれる。

サーバ（１４０）上の決済検証装置（４４０）は、例えば、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサ（４５０）を備え、各モジュールは、少なくとも、登録リクエスト受信モジュール（４４１）と、検知モジュール（４４２）と、抽出モジュール（４４３）と、生成モジュール（４４４）と、記憶モジュール（４４５）を備える。

登録リクエスト受信モジュール（４４１）は、端末（１２０）から送信される登録リクエストを受信するためのものである。上記登録リクエストには、例えば、ユーザの識別情報と初期音声信号が含まれる。

言い換えれば、登録リクエスト受信モジュール（４４１）は、端末（１２０）の登録リクエスト送信モジュール（４２３）から送信される登録リクエストを受信するためのものである。

第２の検知モジュール（４４２）は、登録リクエスト受信モジュール（４４１）が受信した登録リクエストの識別情報が、事前に記憶した識別情報と同一または同等であるか否かを検知するためのものである。

第２の抽出モジュール（４４３）は、検知モジュール（４４２）が検知した識別情報が事前に記憶した識別情報と同一または同等である場合、初期音声信号における身元確認情報とテキストパスワードに関連付けた初期音声特性を抽出するためのものである。この場合、身元確認情報は初期音声信号の所有者の情報であり、テキストパスワードは初期音声信号が示すパスワードである。初期音声特性には、例えば、初期音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）が含まれる。

生成モジュール（４４４）は、抽出モジュール（４４３）が抽出した初期音声特性にしたがって、話者モデルを生成するためのものである。この場合、話者モデルには、例えば、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、および、サポートベクターマシン（ＳＶＭ）の少なくとも１つが含まれる。

記憶モジュール（４４５）は、生成モジュール（４４４）が生成した話者モデルを保存するためのものであり、この話者モデルを事前記憶話者モデルとして保存する。

上述を要約すると、本発明の上記実施形態による決済検証システムは、初期音声信号を取得し、取得した初期音声信号により初期音声特性を取得し、初期音声信号における身元確認情報とテキストパスワードに関する話者モデルを、初期音声特性にしたがって構築する。これにより、決済検証が必要になると、決済処理動作を行うか否かの判定にユーザが行う必要があるのは、テキストパスワード等の身元確認情報以外に、初期音声信号の初期音声特性を話者モデルと照合するのみである。

図５は、本発明の別の実施形態による、決済検証を実行するためのシステムの一例を示すブロック図である。図５を参照して、この決済検証システムは、例えば、少なくとも端末（１２０）とサーバ（１４０）を備える。端末（１２０）は、例えば、決済検証装置（５２０）を備え、サーバ（１４０）は、例えば、決済検証装置（５４０）を備える。

端末（１２０）の決済検証装置（５２０）は、例えば、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備える。各モジュールは、例えば、第１の受信モジュール（５２１）と、第１の取得モジュール（５２２）と、検証リクエスト送信モジュール（５２３）と、検証応答受信モジュール（５２４）を、少なくとも備える。

第１の受信モジュール（５２１）は、ユーザが入力する識別情報を受信するためのものである。第１の取得モジュール（５２２）は、端末（１２０）のマイクロホンから採取される現在の音声信号を取得するためのものである。検証リクエスト送信モジュール（５２３）は、決済検証リクエストを、サーバ（１４０）へ送信するためのものである。上記検証リクエストには、例えば、第１の受信モジュール（５２１）が受信した識別情報と、第１の取得モジュール（５２２）が取得した現在の音声信号が含まれる。検証応答受信モジュール（５２４）は、決済処理を行うために、サーバ（１４０）から送信される検証応答情報またはメッセージを受信するためのものである。

サーバ（１４０）の決済検証装置（５４０）は、例えば、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサ（５６０）を備え、各モジュールは、例えば、検証リクエスト受信モジュール（５４１）と、第１の検知モジュール（５４２）と、第１の抽出モジュール（５４３）と、照合モジュール（５４４）と、検証応答送信モジュール（５４５）を、少なくとも備える。

検証リクエスト受信モジュール（５４１）は、端末（１２０）の検証リクエスト送信モジュール（５２３）から送信される決済検証リクエストを受信するためのものである。上記決済検証リクエストには、例えば、識別情報と現在の音声信号が含まれる。

第１の検知モジュール（５４２）は、検証リクエスト受信モジュール（５４１）が受信した決済検証リクエストの識別情報が、事前に記憶した識別情報と同一または同等であるか否かを検知するためのものである。第１の抽出モジュール（５４３）は、上記識別情報が事前に記憶した識別情報と同一または同等であることを第１の検知モジュール（５４２）が検知すると、現在の音声信号における身元確認情報とテキストパスワードに関連付けた現在の音声特性を抽出するためのものである。この場合、現在の音声特性には、例えば、現在の音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）が含まれる。

照合モジュール（５４４）は、第１の抽出モジュール（５４３）が抽出した現在の音声特性を、記憶モジュール（５５０）が事前に記憶した話者モデルに照合させるためのものである。この場合、話者モデルは、例えば、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、および、サポートベクターマシン（ＳＶＭ）の少なくとも１つを含む。

計算部（５４４ａ）は、事前に記憶した話者モデルに対する、第１の抽出モジュール（５４３）が抽出した現在の音声特性の尤度スコアを計算するためのものである。判定部（５４４ｂ）は、現在の音声特性が事前に記憶した話者モデルと一致するか否かを判定するためのものである。一致すると、計算部（５４４ａ）が計算した尤度スコアは所定の閾値を上回る。一実施形態では、尤度スコアはログ尤度比スコアである。

検証応答送信モジュール（５４５）は現在の音声特性と事前に記憶した話者モデルとの照合が一致した後、検証応答メッセージまたは情報を端末（１２０）へ送信することで、決済処理が許可されたことを提示するためのものである。

この決済検証システムの別の実施形態では、端末（１２０）の決済検証装置（５２０）は、さらに、第２の受信モジュール（５２５）と、第２の取得モジュール（５２６）と、登録リクエスト送信モジュール（５２７）を備えてもよい。

第２の受信モジュール（５２５）は、ユーザが入力する識別情報を受信するためのものである。第２の取得モジュール（５２６）は、端末（１２０）のマイクロホンから採取される初期音声信号を取得するためのものである。登録リクエスト送信モジュール（５２７）は、登録リクエストをサーバ（１４０）へ送信するためのものである。上記登録リクエストは、例えば、第２の受信モジュール（５２５）が受信した識別情報と、第２の取得モジュール（５２６）が取得した初期音声信号を含む。

同様に、この決済検証システムの別の実施形態では、サーバ（１４０）の決済検証装置（５４０）は、さらに、登録リクエスト受信モジュール（５４６）と、第２の検知モジュール（５４７）と、第２の抽出モジュール（５４８）と、生成モジュール（５４９）と、記憶モジュール（５５０）を備えてもよい。

登録リクエスト受信モジュール（５４６）は、端末（１２０）の登録リクエスト送信モジュール（５２７）から送信される登録リクエストを受信するためのものである。第２の検知モジュール（５４７）は、登録リクエストの識別情報が、事前に記憶した識別情報と同一または同等であるか否かを検知するためのものである。第２の抽出モジュール（５４８）は、上記識別情報が事前に記憶した識別情報と同一または同等であると検知した後、初期音声信号における身元確認情報とテキストパスワードに関する初期音声特性を抽出するためのものである。この場合、上述したように、身元確認情報は初期音声信号の所有者の情報であり、テキストパスワードは所有者の初期音声信号が示すものと同じパスワードである。初期音声特性には、例えば、初期音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）が含まれる。

生成モジュール（５４９）は、第２の抽出モジュール（５４８）が抽出する初期音声特性にしたがって話者モデルを生成するためのものである。この場合、上述したように、話者モデルには、例えば、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、および、サポートベクターマシン（ＳＶＭ）の少なくとも１つが含まれる。記憶モジュール（５５０）は、生成モジュール（５４９）が生成した話者モデルを保存し、保存した話者モデルを所有者の事前記憶話者モデルとして用いるためのものである。

上述を要約すると、本発明の決済検証システムにより、以下の効果がもたらされる。所有者の現在の音声信号における身元確認情報とテキストパスワードに関する現在の音声特性を、事前に記憶した識別情報と事前に記憶した話者モデルと照合することで、決済を検証するという目的を達成する。先行技術の決済動作であれば、サーバ（１４０）はＳＭＳ検証メッセージを送信する必要があり、これが運用コストの増大を招くという課題があったが、本発明は、この先行技術の決済動作にともなう課題を解決する。したがって、本発明により、所有者の音声信号の音声シグネチャーを識別するだけで、決済処理の安全性を著しく強化し、ＳＭＳ検証メッセージによる運用コストを大幅に削減することができる。

以上、上述の実施形態による決済検証装置を、各種機能モジュールの各区分に関連して説明した。実用化にあたっては、必要に応じて、上述の各機能は異なる機能モジュールによって完遂してもよい。すなわち、端末とサーバの内部構造を異なる機能モジュールに分割し、上述の機能のすべてまたは一部を完遂するようにしてもよい。さらに、上述の実施形態による決済検証システムの決済検証装置と決済検証方法の各実施形態は、その概念を共有し、その実装構成は決済検証方法の各実施形態に示されている。上述の実施形態に記載した構成は、本発明を説明するにあたっての単なる便宜上のものであり、各実施形態の特質を表すものではない。

当業者には明らかであるが、各実施手形態のステップのすべてまたは一部は、ハードウェアで実現しても、または、コンピュータが実施可能なコマンドを格納したコンピュータ読取可能な非一時的記憶媒体に記憶されたソフトウェアプログラムコードで実現してもよい。例えば、本発明を、プログラムモジュールまたはマルチプログラムモジュールを備えるシステムに格納されるコードとして、アルゴリズムにより実装してもよい。コンピュータ読取可能な記憶媒体は、例えば、コンパクトディスク、ハードドライブ、または、フラッシュメモリ等の非揮発性メモリが挙げられる。上記コンピュータ読取可能なコマンドを用いれば、コンピュータまたは同様の計算器によって、決済検証リクエスト動作を達成することができる。

以上、本発明の好ましい実施形態をいくつか説明したが、いずれの実施形態も、本発明の範囲に何らかの限定を加えるものと解釈されてはならない。当業者であれば、上述の技術構成に若干の変更や修正を加えることで、本発明の技術的解決策の範囲を逸脱することなく、均等範囲の実施形態を創案可能であることを認識するであろう。また、こうした実施形態の修正や均等範囲の変更・改変も、本発明の技術的解決策の範囲内にあると見なされるべきである。

１２０ 端末
１４０ サーバ
４１０ プロセッサ（端末）
４１２ メモリ（端末）
４２１ 受信モジュール（端末）
４２２ 取得モジュール（端末）
４４２ 判定モジュール
４４３ 抽出モジュール
４５０ プロセッサ（サーバ）
４５２ メモリ（サーバ）
５２１ 第１の受信モジュール
５２２ 第１の取得モジュール
５２３ 検証リクエスト送信モジュール
５２４ 検証応答受信モジュール
５２５ 第２の受信モジュール
５２６ 第２の取得モジュール
５２７ 登録リクエスト送信モジュール
５３０ プロセッセ（端末）
５３２ メモリ（端末）
５４１ 検証リクエスト受信モジュール
５４２ 第１の検知モジュール
５４３ 第１の抽出モジュール
５４４ 照合モジュール
５４４ａ 計算部
５４４ｂ 判定部
５４５ 検証応答送信モジュール
５４６ 登録リクエスト受信モジュール
５６０ プロセッサ（サーバ）
５６２ メモリ（サーバ）

Claims (13)

1. 決済を検証するための方法であって、
   サーバにより、
   識別情報と現在の音声信号を含む決済検証リクエストを端末から受信し、
   前記識別情報が事前に記憶した識別情報と同一か否かを検知し、
   同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
   ユニバーサル・バックグラウンド・モデル（ＵＢＭ）のログ尤度スコアが許容範囲であるかを下記式を用いて計算することで、前記現在の音声特性を事前に記憶した話者モデルと照合し、
   

   

   上記式において、Xは検知した現在の音声特徴、Tは音声特徴のフレーム数、λspkは目標話者の話者モデル、λubmはユニバーサル・バックグラウンド・モデル（ＵＢＭ）である、
   照合が一致すると、検証応答メッセージを前記端末へ送信することで決済リクエストが許可されたことを提示し、
   前記検証応答メッセージは、前記端末によって決済処理を開始するために利用され、
   前記身元確認情報は前記現在の音声信号の所有者を特定し、
   前記テキストパスワードは前記現在の音声信号が示すパスワードである、
   方法。
2. 前記端末から前記決済検証リクエストを受信する前に、
   前記端末から送信される、前記識別情報と初期音声信号を含む登録リクエストを受信し、
   前記識別情報が前記事前に記憶した識別情報と同一か否かを検知し
   同一であることを検知すると、前記身元確認情報と前記テキストパスワードに関連付けた初期音声特性を前記初期音声信号から抽出し、
   前記初期音声特性にしたがって話者モデルを生成し、
   前記話者モデルを保存し、保存した前記話者モデルを前記事前に記憶した話者モデルとして用い、
   前記身元確認情報は前記初期音声信号の所有者を特定し、
   前記テキストパスワードは前記初期音声信号が示すパスワードである、
   請求項１に記載の方法。
3. 前記現在の音声特性を前記事前に記憶した話者モデルと照合するステップでは、
   前記事前に記憶した話者モデルに対する、前記現在の音声特性の照合の尤度スコアを計算し、
   前記尤度スコアが所定の閾値より大きい場合、前記現在の音声特性と前記事前に記憶した話者モデルとの照合が一致したと判定する、
   請求項２に記載の方法。
4. 前記現在の音声特性は、前記現在の音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）を含み、
   前記初期音声特性は、前記初期音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）を含み、
   前記話者モデルは、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、および、サポートベクターマシン（ＳＶＭ）の少なくとも１つを含み、
   前記尤度スコアはログ尤度比スコアを含む、
   請求項３に記載の方法。
5. 端末のマイクロホンを介して送信される決済検証リクエストを処理するための方法であって、該処理にはサーバが含まれ、
   ユーザが入力する識別情報を前記端末から受信し、
   前記端末のマイクロホンから採取する現在の音声信号を取得し、
   識別情報と前記現在の音声信号を含む決済検証リクエストを、前記端末から前記サーバ
   へ送信することで、前記サーバは前記決済検証リクエストの検証を行い、
   前記識別情報が事前に記憶した識別情報と同一であるか否かを検知し、
   同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
   ユニバーサル・バックグラウンド・モデル（ＵＢＭ）のログ尤度スコアが許容範囲であるかを下記式を用いて計算することで、前記現在の音声特性を事前に記憶した話者モデルと照合し、
   

   

   上記式において、Xは検知した現在の音声特徴、Tは音声特徴のフレーム数、λspkは目標話者の話者モデル、λubmはユニバーサル・バックグラウンド・モデル（ＵＢＭ）である、
   照合が一致すると、前記サーバによって検証応答メッセージを前記端末へ送信することで決済リクエストが許可されたことを提示し、
   前記検証応答メッセージは、前記端末によって決済処理を開始するために利用され、
   前記身元確認情報は前記現在の音声信号の所有者を特定し、
   前記テキストパスワードは前記現在の音声信号が示すパスワードである、
   方法。
6. 前記ユーザが入力する前記識別情報を前記端末から受信する前に、
   前記ユーザが入力する前記識別情報を前記端末から受信し、
   前記端末のマイクロホンが採取する初期音声信号を前記サーバにより取得し、
   前記識別情報と前記初期音声信号を含む登録リクエストを前記端末から前記サーバへ送信し、
   前記識別情報が前記事前に記憶した識別情報と同一であるか否かをサーバによって検知し、
   前記身元確認情報と前記テキストパスワードに関連付けた初期音声特性を前記初期音声信号から抽出し、
   前記初期音声特性にしたがって話者モデルを生成し、
   前記話者モデルを保存し、保存した前記話者モデルを前記事前に記憶した話者モデルとして用いる各ステップをさらに含む、
   請求項５に記載の方法。
7. 決済検証リクエストをサーバ上で処理するための装置であって、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備え、
   前記複数のモジュールは、
   端末から送信される、識別情報と現在の音声信号を含む決済検証リクエストを受信するよう構成される検証リクエスト受信モジュールと、
   前記識別情報が事前に記憶した識別情報と同一であるか否かを検知するよう構成される第１の検知モジュールと、
   前記識別情報が前記事前に記憶した識別情報と同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出するよう構成される第１の抽出モジュールと、
   ユニバーサル・バックグラウンド・モデル（ＵＢＭ）のログ尤度スコアが許容範囲であるかを下記式を用いて計算することで、前記現在の音声特性を事前に記憶した話者モデルと照合するよう構成される照合モジュールと、
   

   

   上記式において、Xは検知した現在の音声特徴、Tは音声特徴のフレーム数、λspkは目標話者の話者モデル、λubmはユニバーサル・バックグラウンド・モデル（ＵＢＭ）である、
   照合が一致し、前記現在の音声特性と前記事前に記憶した話者モデルとの照合が一致したと判定すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
   を備え、
   前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始し、
   前記身元確認情報は前記現在の音声信号の所有者を特定し、
   前記テキストパスワードは前記現在の音声信号が示すパスワードである、
   装置。
8. 前記端末から送信される、前記識別情報と初期音声信号を含む登録リクエストを受信するよう構成される登録リクエスト受信モジュールと、
   前記登録リクエスト受信モジュールが受信する前記登録リクエストの前記識別情報が、前記事前に記憶した識別情報と同一であるか否かを検知するよう構成される第２の検知モジュールと、
   前記第２の検知モジュールが検知した前記識別情報が前記事前に記憶した識別情報と同一であると検知すると、前記身元確認情報と前記テキストパスワードに関連付けた初期音声特性を前記初期音声信号から抽出するよう構成される第２の抽出モジュールと、
   前記第２の抽出モジュールが抽出する前記初期音声特性にしたがって、話者モデルを生成するよう構成される生成モジュールと、
   前記生成モジュールが生成する話者モデルを保存し、保存した前記話者モデルを事前に記憶した話者モデルとして用いるよう構成される記憶モジュールを、
   さらに備え、
   前記身元確認情報は前記初期音声信号の所有者の情報であり、
   前記テキストパスワードは前記初期音声信号が示すパスワードである、
   請求項７に記載の装置。
9. 前記照合モジュールは、
   前記事前に記憶した話者モデルに対する、前記現在の音声特性の照合の尤度スコアを計算するよう構成される計算部と、
   前記尤度スコアが所定の閾値を上回る場合、前記現在の音声特性と前記事前に記憶した話者モデルとの照合が一致すると判定するよう構成される判定部を備える、
   請求項８に記載の装置。
10. 前記現在の音声特性は、前記現在の音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）を含み、
    前記初期音声特性は、前記初期音声信号のメル周波数ケプストラム係数（ＭＦＣＣ）、または、線形予測符号化ケプストラム係数（ＬＰＣＣ）を含み、
    前記話者モデルは、隠れマルコフモデル（ＨＭＭ）、混合ガウスモデル（ＧＭＭ）、および、サポートベクターマシン（ＳＶＭ）の少なくとも１つを含み、
    前記尤度スコアはログ尤度比スコアを含む、
    請求項９に記載の装置。
11. マイクロホンを利用して、決済検証リクエストを端末内で処理するための装置であって、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備え、
    前記複数のモジュールは、
    ユーザが入力する識別情報を受信するよう構成される第１の受信モジュールと、
    前記マイクロホンから採取する現在の音声信号を取得するよう構成される第１の取得モジュールと、
    前記第１の受信モジュールが受信する前記識別情報と前記第１の取得モジュールが取得した前記現在の音声信号を含む決済検証リクエストを、サーバへ送信するよう構成される検証リクエスト送信モジュールと、
    を備え、
    前記決済検証リクエストを前記端末から受信した前記サーバは、
    前記識別情報が事前に記憶した識別情報と同一であるか否かを検知し、
    同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
    ユニバーサル・バックグラウンド・モデル（ＵＢＭ）のログ尤度スコアが許容範囲であるかを下記式を用いて計算することで、前記現在の音声特性を事前に記憶した話者モデルと照合し、
    

    

    上記式において、Xは検知した現在の音声特徴、Tは音声特徴のフレーム数、λspkは目標話者の話者モデル、λubmはユニバーサル・バックグラウンド・モデル（ＵＢＭ）である、
    前記装置はさらに、
    照合が一致すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
    前記サーバから送信される前記検証応答メッセージを受信するよう構成される検証応答受信モジュールと、
    を備え、
    前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始する、
    装置。
12. 前記ユーザが入力する前記識別情報を受信するよう構成される第２の受信モジュールと、
    前記マイクロホンから採取する初期音声信号を取得するよう構成される第２の取得モジュールと、
    前記識別情報と前記初期音声信号を含む登録リクエストを前記サーバへ送信するよう構成される登録リクエスト送信モジュールを、
    さらに備え、
    前記登録リクエストを前記端末から受信した前記サーバは、
    前記識別情報が前記事前に記憶した識別情報と同一か否かを検知し、
    同一であることを検知すると、前記身元確認情報と前記テキストパスワードに関連付けた初期音声特性を前記初期音声信号から抽出し、
    前記初期音声特性にしたがって話者モデルを生成し、
    前記話者モデルを保存し、保存した前記話者モデルを前記事前に記憶した話者モデルとして用い、
    前記身元確認情報は前記初期音声信号の所有者を特定し、
    前記テキストパスワードは前記初期音声信号が示すパスワードである、
    請求項１１に記載の装置。
13. 決済を検証するためのシステムであって、少なくとも端末とサーバを備え、
    前記端末と前記サーバは有線ネットワーク接続または無線ネットワーク接続を介して接続され、
    前記端末はマイクロホンを利用し、
    前記システムはメモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサをさらに備え、
    前記複数のモジュールは、
    ユーザが入力する識別情報を受信するよう構成される第１の受信モジュールと、
    前記マイクロホンから採取する現在の音声信号を取得するよう構成される第１の取得モジュールと、
    前記第１の受信モジュールが受信する前記識別情報と前記第１の取得モジュールが取得する前記現在の音声信号を含む決済検証リクエストを、前記サーバへ送信するよう構成される検証リクエスト送信モジュールと、
    を備え、
    前記決済検証リクエストを前記端末から受信した前記サーバは、
    前記識別情報が事前に記憶した識別情報と同一であるか否かを検知し、
    同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出し、
    前記現在の音声特性を事前に記憶した話者モデルと照合し、
    装置はさらに、
    照合が一致すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
    前記サーバから送信される前記検証応答メッセージを受信するよう構成される検証応答受信モジュールと、
    を備え、
    前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始し、
    前記サーバは、メモリと複数のモジュールとに連動して動作する少なくとも１つのプロセッサを備え、
    前記複数のモジュールは、
    端末から送信される、識別情報と現在の音声信号を含む決済検証リクエストを受信するよう構成される検証リクエスト受信モジュールと、
    前記識別情報が事前に記憶した識別情報と同一であるか否かを検知するよう構成される第１の検知モジュールと、
    前記識別情報が前記事前に記憶した識別情報と同一であることを検知すると、身元確認情報とテキストパスワードに関連付けた音声特性を前記現在の音声信号から抽出するよう構成される第１の抽出モジュールと、
    ユニバーサル・バックグラウンド・モデル（ＵＢＭ）のログ尤度スコアが許容範囲であるかを下記式を用いて計算することで、前記現在の音声特性を事前に記憶した話者モデルと照合するよう構成される照合モジュールと、
    

    

    上記式において、Xは検知した現在の音声特徴、Tは音声特徴のフレーム数、λspkは目標話者の話者モデル、λubmはユニバーサル・バックグラウンド・モデル（ＵＢＭ）である、
    照合が一致し、前記現在の音声特性と前記事前に記憶した話者モデルとの照合が一致したと判定すると、検証応答メッセージを前記端末へ送信することで、決済リクエストに対して決済処理が許可されたことを提示するよう構成される検証応答送信モジュールと、
    を備え、
    前記端末は、受信した前記検証応答メッセージを利用して決済処理を開始し、
    前記身元確認情報は前記現在の音声信号の所有者を特定し、
    前記テキストパスワードは前記現在の音声信号が示すパスワードである、
    システム。

Images