JP6198879B1 - 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム - Google Patents
音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム Download PDFInfo
- Publication number
- JP6198879B1 JP6198879B1 JP2016067706A JP2016067706A JP6198879B1 JP 6198879 B1 JP6198879 B1 JP 6198879B1 JP 2016067706 A JP2016067706 A JP 2016067706A JP 2016067706 A JP2016067706 A JP 2016067706A JP 6198879 B1 JP6198879 B1 JP 6198879B1
- Authority
- JP
- Japan
- Prior art keywords
- input
- speech
- mode
- log
- voice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Machine Translation (AREA)
Abstract
【課題】入力音声の発話分析の精度向上、及び分析作業の負荷軽減による効率化を図ることができ、音声翻訳の精度を高めること。【解決手段】本発明の一態様による音声翻訳装置は、ユーザの音声を入力するための入力部、入力音声の内容を異なる言語の内容に翻訳する翻訳部、入力音声の翻訳内容を音声及び/又はテキストで出力する出力部、入力音声のログを記録するログ記録部、及び、ユーザと対話者との会話における音声入力を行うための第1のモードと、ユーザと対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるモード切替部を備える。また、ログ記録部は、第1のモードにおける入力音声のログ、及び、第2のモードにおける入力音声のログを、互いに区別して記録する。【選択図】図2
Description
本発明は、音声翻訳装置、音声翻訳方法、及び音声翻訳プログラムに関する。
互いの言語を理解できない人同士の会話、例えば店員(飲食店等の店舗の販売員)と外国人(海外からの観光客等)との会話を可能ならしめるべく、話者の発話音声をテキスト化し、そのテキストの内容を相手の言語に機械翻訳した上で画面に表示したり、或いは、音声合成技術を用いてそのテキストの内容を音声再生したりする音声翻訳技術が提案されている(例えば特許文献1参照)。また、かかる音声翻訳技術を具現化したスマートフォン等の情報端末で動作する音声翻訳アプリケーションも実用化されている(例えば非特許文献1参照)。
U−STARコンソーシアムホームページ[平成28年2月1日検索]、インターネット<URL:http://www.ustar-consortium.com/app_ja/app.html>
かかる従来の音声翻訳アプリケーション等においては、話者の入力音声の内容が発話日時等とともに時系列に記録され(以下、このようにして記録されたデータを「入力音声のログ」という。)、会話時の発話内容、発話形態、発話状況、発話傾向、発話頻度等の分析(発話分析)が行われ得る。この発話分析の結果は、例えば、音声翻訳アプリケーション等で用いられる音声認識用モデル(音響モデル、言語モデル等)の学習に資され、音声翻訳の精度向上が図られる。
ところで、音声翻訳アプリケーションの利用目的としては、実際の会話(コミュニケーション)を行う利用や、会話の相手(対話者)がいない状況において翻訳される内容を事前に確認するといった利用、つまり実利用の他にも、例えば以下に示すような形態の使用が考えられる。
(1)音声翻訳アプリケーションの試行又はその操作に慣れるための試行
(2)単語や熟語の意味を調べる辞書引き
(3)会話以外の文章(記事、歌詞、名言、台詞等)の翻訳
(4)外国語の発音練習
(1)音声翻訳アプリケーションの試行又はその操作に慣れるための試行
(2)単語や熟語の意味を調べる辞書引き
(3)会話以外の文章(記事、歌詞、名言、台詞等)の翻訳
(4)外国語の発音練習
しかし、実際の会話(実利用)での入力音声のログのみならず、上記(1)〜(4)で示すような形態での使用時における入力音声のログを記録し、それらのログを全て用いて実利用時における入力音声の発話分析を行うことは、分析精度の向上や分析作業の効率化の観点、及び翻訳精度を高める観点から望ましくない。
そこで、本発明は、かかる事情に鑑みてなされたものであり、入力音声の発話分析の精度向上、及び分析作業の負荷軽減による効率化を図ることができ、これにより、音声翻訳の精度を高めることが可能な音声翻訳装置、音声翻訳方法、及び音声翻訳プログラムを提供することを目的とする。
上記課題を解決するため、本発明の一態様による音声翻訳装置は、ユーザの音声を入力するための入力部、入力音声の内容を異なる言語の内容に翻訳する翻訳部、及び、入力音声の翻訳内容(対訳)を音声及び/又はテキストで出力する出力部を備える。そして、当該音声翻訳装置は、入力音声のログを記録するログ記録部と、ユーザと対話者(会話の相手方)との会話における音声入力を行うための第1のモードと、ユーザと対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるモード切替部とを更に備えるとともに、ログ記録部は、第1のモードにおける入力音声のログ、及び、第2のモードにおける入力音声のログを、互いに区別して記録する。なお、「会話」には、対話者がいない状況において、翻訳される内容を事前に確認するといった会話のための準備をする利用も含まれるものとする。
また、具体的には、モード切替部は、ユーザが第1のモードと第2のモードとを切り替えるための切替手段を、ユーザが使用するユーザ装置に表示するようにしてもよい。
さらに、ログ記録部は、第1のモードにおける入力音声のログ、及び、第2のモードにおける入力音声のログを同一のデータベースに記録してもよい。
またさらに、第1のモードにおける入力音声のログのみを用いて発話分析を行う分析部を更に備えても好適である。
また、本発明の一態様による音声翻訳方法は、入力部、翻訳部、出力部、ログ記録部、及びモード切替部を備える音声翻訳装置を用いる方法である。すなわち、当該方法は、ユーザの音声を入力するステップと、翻訳部が、入力音声の内容を異なる言語の内容に翻訳するステップと、出力部が、翻訳内容を音声及び/又はテキストで出力するステップと、 ログ記録部が、入力音声のログを記録するステップと、モード切替部が、ユーザと対話者との会話における音声入力を行うための第1のモードと、ユーザと対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるステップとを含む。そして、ログを記録するステップにおいては、第1のモードにおける入力音声のログ、及び、第2のモードにおける入力音声のログが、互いに区別して記録される。
また、本発明の一態様による音声翻訳プログラムは、コンピュータ(単数又は単一種に限られず、複数又は複数種でもよい;以下同様)を、ユーザの音声を入力するための入力部と、入力音声の内容を異なる言語の内容に翻訳する翻訳部と、翻訳内容を音声及び/又はテキストで出力する出力部と、入力音声のログを記録するログ記録部と、ユーザと対話者との会話における音声入力を行うための第1のモードと、ユーザと対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるモード切替部として機能させる。そして、ログ記録部は、第1のモードにおける入力音声のログ、及び、第2のモードにおける入力音声のログを、互いに区別して記録する。
本発明によれば、ユーザと対話者との会話(すなわち音声翻訳装置等の実利用時)における音声入力を行うための第1のモードと、ユーザと対話者との会話以外の動作(すなわち試行、辞書引き、会話以外の文章翻訳、発音練習等)における音声入力を行うための第2のモードが用意されており、それらのモードを適宜切り替えることができる。また、第1のモード(実利用)における入力音声のログ、及び、第2のモード(実利用以外の使用)における入力音声のログを、互いに区別して記録することができる。したがって、第1のモードにおける入力音声のログのみ(つまり実利用時の発話情報のみ)を簡易に抽出でき、それを用いることにより、実利用時の発話分析を正確に行い、かつ、その際の負荷を軽減することができる。その結果、入力音声の発話分析の精度向上及び分析作業の効率化を図ることができ、これにより、音声翻訳の精度を高めることが可能となる。
以下、本発明の実施の形態について詳細に説明する。なお、以下の実施の形態は、本発明を説明するための例示であり、本発明をその実施の形態のみに限定する趣旨ではない。また、本発明は、その要旨を逸脱しない限り、さまざまな変形が可能である。さらに、当業者であれば、以下に述べる各要素を均等なものに置換した実施の形態を採用することが可能であり、かかる実施の形態も本発明の範囲に含まれる。またさらに、必要に応じて示す上下左右等の位置関係は、特に断らない限り、図示の表示に基づくものとする。さらにまた、図面における各種の寸法比率は、その図示の比率に限定されるものではない。
(装置構成)
図1は、本発明による音声翻訳装置に係るネットワーク構成等の好適な一実施形態を概略的に示すシステムブロック図である。この例において、音声翻訳装置100は、ユーザが使用する情報端末10(ユーザ装置)にネットワークNを介して電子的に接続されるサーバ20を備える(但し、これに限定されない)。
図1は、本発明による音声翻訳装置に係るネットワーク構成等の好適な一実施形態を概略的に示すシステムブロック図である。この例において、音声翻訳装置100は、ユーザが使用する情報端末10(ユーザ装置)にネットワークNを介して電子的に接続されるサーバ20を備える(但し、これに限定されない)。
情報端末10は、例えば、タッチパネル等のユーザインターフェイス及び視認性が高いディスプレイを採用する。また、ここでの情報端末10は、ネットワークNとの通信機能を有するスマートフォンに代表される携帯電話を含む可搬型のタブレット型端末装置である。さらに、情報端末10は、プロセッサ11、記憶資源12、音声入出力デバイス13、通信インターフェイス14、入力デバイス15、表示デバイス16、及びカメラ17を備えている。また、情報端末10は、インストールされた音声翻訳アプリケーションソフト(本発明の一実施形態による音声翻訳プログラムの少なくとも一部)が動作することにより、本発明の一実施形態による音声翻訳装置の一部又は全部として機能するものである。
プロセッサ11は、算術論理演算ユニット及び各種レジスタ(プログラムカウンタ、データレジスタ、命令レジスタ、汎用レジスタ等)から構成される。また、プロセッサ11は、記憶資源12に格納されているプログラムP10である音声翻訳アプリケーションソフトを解釈及び実行し、各種処理を行う。このプログラムP10としての音声翻訳アプリケーションソフトは、例えばサーバ20からネットワークNを通じて配信可能なものであり、手動で又は自動でインストール及びアップデートされてもよい。
なお、ネットワークNは、例えば、有線ネットワーク(近距離通信網(LAN)、広域通信網(WAN)、又は付加価値通信網(VAN)等)と無線ネットワーク(移動通信網、衛星通信網、ブルートゥース(Bluetooth(登録商標))、WiFi(Wireless Fidelity)、HSDPA(High Speed Downlink Packet Access)等)が混在して構成される通信網である。
記憶資源12は、物理デバイス(例えば、半導体メモリ等のコンピュータ読み取り可能な記録媒体)の記憶領域が提供する論理デバイスであり、情報端末10の処理に用いられるオペレーティングシステムプログラム、ドライバプログラム、各種データ等を格納する。ドライバプログラムとしては、例えば、音声入出力デバイス13を制御するための入出力デバイスドライバプログラム、入力デバイス15を制御するための入力デバイスドライバプログラム、表示デバイス16を制御するための表示デバイスドライバプログラム等が挙げられる。さらに、音声入出力デバイス13は、例えば、一般的なマイクロフォン、及びサウンドデータを再生可能なサウンドプレイヤである。
通信インターフェイス14は、例えばサーバ20との接続インターフェイスを提供するものであり、無線通信インターフェイス及び/又は有線通信インターフェイスから構成される。また、入力デバイス15は、例えば、表示デバイス16に表示されるアイコン、ボタン、仮想キーボード等のタップ動作による入力操作を受け付けるインターフェイスを提供するものであり、タッチパネルの他、情報端末10に外付けされる各種入力装置を例示することができる。
表示デバイス16は、画像表示インターフェイスとして各種の情報をユーザや、必要に応じて対話者(会話の相手方)に提供するものであり、例えば、有機ELディスプレイ、液晶ディスプレイ、CRTディスプレイ等が挙げられる。また、カメラ17は、種々の被写体の静止画や動画を撮像するためのものである。
サーバ20は、例えば、演算処理能力の高いホストコンピュータによって構成され、そのホストコンピュータにおいて所定のサーバ用プログラムが動作することにより、サーバ機能を発現するものであり、例えば、音声認識サーバ、翻訳サーバ、及び音声合成サーバとして機能する単数又は複数のホストコンピュータから構成される(図示においては単数で示すが、これに限定されない)。そして、各サーバ20は、プロセッサ21、通信インターフェイス22、及び記憶資源23を備える。
プロセッサ21は、算術演算、論理演算、ビット演算等を処理する算術論理演算ユニット及び各種レジスタ(プログラムカウンタ、データレジスタ、命令レジスタ、汎用レジスタ等)から構成され、記憶資源23に格納されているプログラムP20を解釈及び実行し、所定の演算処理結果を出力する。また、通信インターフェイス22は、ネットワークNを介して情報端末10に接続するためのハードウェアモジュールであり、例えば、ISDNモデム、ADSLモデム、ケーブルモデム、光モデム、ソフトモデム等の変調復調装置である。
記憶資源23は、例えば、物理デバイス(ディスクドライブ又は半導体メモリ等のコンピュータ読み取り可能な記録媒体等)の記憶領域が提供する論理デバイスであり、それぞれ単数又は複数のプログラムP20、各種モジュールL20、各種データベースD20、及び各種モデルM20が格納されている。また、記憶資源23には、ユーザが対話者へ話しかけるために予め用意された複数の質問定型文、入力音声の履歴データ、各種設定用のデータ等も記憶されている。
プログラムP20は、サーバ20のメインプログラムである上述したサーバ用プログラム等である。また、各種モジュールL20は、情報端末10から送信されてくる要求及び情報に係る一連の情報処理を行うため、プログラムP10の動作中に適宜呼び出されて実行されるソフトウェアモジュール(モジュール化されたサブプログラム)である。かかるモジュールL20としては、音声認識モジュール、翻訳モジュール、音声合成モジュール等が挙げられる。
また、各種データベースD20としては、音声翻訳処理のために必要な各種コーパス(例えば、日本語と英語の音声翻訳の場合、日本語音声コーパス、英語音声コーパス、日本語文字(語彙)コーパス、英語文字(語彙)コーパス、日本語辞書、英語辞書、日英対訳辞書、日英対訳コーパス等)、音声データベース、ユーザに関する情報を管理するための管理用データベース等が挙げられる。また、各種モデルM20としては、音声認識に使用する音響モデルや言語モデル等が挙げられる。
以上のとおり構成された音声翻訳装置100における、音声翻訳処理の操作及び動作の一例について、以下に更に説明する。
図2は、音声翻訳装置100における処理の流れ(の一部)の一例を示すフローチャートである。また、図3(A)乃至(C)は、情報端末10の画面表示における遷移(の一部)の一例を示す平面図である。なお、ここでは、情報端末10のユーザが日本語を話す飲食店等の店員であり、対話者(会話の相手)が英語、中国語(例えば書体により2種類)、又はハングル語を話す外国人である場合の会話を想定する(但し、言語はこれに限定されない)。
まず、ユーザ(店員)が当該アプリケーションを起動する(ステップSU1)と、情報端末10の表示デバイス16に、図3(A)に示す対話者の言語選択画面が表示される(ステップSJ1)。この言語選択画面には、対話者に言語を尋ねることをユーザに促すための日本語テキストT1、対話者に言語を尋ねる旨の英語テキストT2、及び、想定される複数の代表的な言語(ここでも、英語、中国語(例えば書体により2種類)、ハングル語)を示す言語ボタン31が表示される。
このとき、図3(A)に示す如く、日本語テキストT1及び英語テキストT2は、プロセッサ11及び表示デバイス16により、情報端末10の表示デバイス16の画面において、異なる領域によって区分けされ、且つ、互いに逆向き(互いに異なる向き;図示において上下逆向き)に表示される。これにより、ユーザと対話者が対面している状態で会話を行う場合、ユーザは日本語テキストT1を確認し易い一方、対話者は、英語テキストT2を確認し易くなる。また、日本語テキストT1と英語テキストT2が区分けして表示されるので、両者を明別して更に確認し易くなる利点がある。
ユーザがその言語選択画面の英語テキストT2の表示を対話者に提示し、対話者に例えば英語(English)のボタンをタップしてもらうことにより、又は、ユーザ自らが、対話者の言語を選択することができる。こうして対話者の言語が選択されると、サーバ20のプロセッサ21及び情報端末10のプロセッサ11により、ホーム画面として、日本語と英語の音声入力の待機画面が表示デバイス16に表示される(図3(B);ステップSJ2)。この待機画面には、ユーザと対話者の言語の何れを発話するかを問う日本語テキストT3、並びに、日本語の音声入力を行うための日本語入力ボタン32a及び英語の音声入力を行うための英語入力ボタン32bが表示される。
また、この待機画面には、予め設定されている複数の質問定型文のリスト表示を選択するためのお声がけボタン33、図3(A)の言語選択画面に戻って対話者の言語を切り替える(言語選択をやり直す)ための言語選択ボタン34、これまでになされた音声入力内容の履歴表示を選択するための履歴ボタン35、及び当該アプリケーションソフトの各種設定を行うための設定ボタン36も表示される。
ここで、図2には、これ以降の処理として、ユーザが設定ボタン36を選択し、かつ、後述する「練習モード」(第2のモード)をONにするか否かに着目した場合分け(ステップSU2,SU3)のフローを示す。なお、通常の音声翻訳処理においては、図3(B)に示す待機画面から、ユーザと対話者の会話及び/又は会話準備のための音声入力を行うことができる(それ以降の処理を「通常モード」(第1のモード)という)。以下、通常モード及び練習モードにおける処理の流れについて、順に説明する。
[通常モード(第1のモード)]
図3(B)に示す待機画面において、ユーザが日本語入力ボタン32aをタップして日本語の音声入力を選択すると、その音声入力が可能な状態となる。この状態で、ユーザが対話者への伝達事項等を発話すると、音声入出力デバイス13を通して音声入力が行われる(ステップSJ3)。情報端末10のプロセッサ11は、その音声入力に基づいて音声信号を生成し、その音声信号を通信インターフェイス14及びネットワークNを通してサーバ20へ送信する。このとおり、情報端末10自体、又はプロセッサ11及び音声入出力デバイス13が「入力部」として機能する。
図3(B)に示す待機画面において、ユーザが日本語入力ボタン32aをタップして日本語の音声入力を選択すると、その音声入力が可能な状態となる。この状態で、ユーザが対話者への伝達事項等を発話すると、音声入出力デバイス13を通して音声入力が行われる(ステップSJ3)。情報端末10のプロセッサ11は、その音声入力に基づいて音声信号を生成し、その音声信号を通信インターフェイス14及びネットワークNを通してサーバ20へ送信する。このとおり、情報端末10自体、又はプロセッサ11及び音声入出力デバイス13が「入力部」として機能する。
サーバ20のプロセッサ21は、通信インターフェイス22を通してその音声信号を受信し、音声認識処理を行う(ステップSJ4)。このとき、プロセッサ21は、記憶資源23から、必要なモジュールL20、データベースD20、及びモデルM20(音声認識モジュール、日本語音声コーパス、音響モデル、言語モデル等)を呼び出し、入力音声の「音」を「読み」(文字)へ変換する。このとおり、プロセッサ21、又は、サーバ20が全体として「音声認識サーバ」として機能する。
次に、入力音声が認識された場合、プロセッサ21は、その音声入力が「通常モード」でなされたものか「練習モード」でなされたものかを判定する(モード判定)。そして、ここでは、通常モードにおける音声入力であるので、認識された入力音声にフラグとして例えば「1」を割り当てる(スッテプSJ5)。それから、プロセッサ21は、認識された入力音声のログを、記憶資源23に記憶されているデータベースD20の1つである音声ログデータベースD21に記録する(ステップSJ6)。このとおり、プロセッサ21及び記憶資源23が、「ログ記録部」として機能する。
ここで、図4は、かかる音声ログデータベースD21のデータ構造の一例を示す模式図である。音声ログデータベースD21は、例えばデータテーブル40として表現することができ、このデータテーブル40は、音声ログデータD毎に、データ番号41、モード種別42、ユーザID43、記録日(発話日)44、入力音声テキスト45等の複数のデータレコードを有する。これらのデータレコードのなかで、モード種別42には、上述したフラグが記録される。この通常モードでは、プロセッサ21は、認識された入力音声のログを、例えばデータ番号41=「1」又は「3」の音声ログデータDに関連付け、そのモード種別42を通常モードに割り当てられたフラグである「1」として、音声ログデータベースD21に記録する。
次に、プロセッサ21は、認識された音声の「読み」(文字)を他の言語に翻訳する多言語翻訳処理へ移行する(ステップSJ7)。このとき、プロセッサ21は、記憶資源23から、必要なモジュールL20及びデータベースD20(翻訳モジュール、日本語文字コーパス、日本語辞書、英語辞書、日英対訳辞書、日英対訳コーパス等)を呼び出し、認識結果である入力音声の「読み」(文字列)を適切に並び替えて日本語の句、節、文等へ変換し、その変換結果に対応する英語を抽出し、それらを英文法に従って並び替えて自然な英語の句、節、文等へと変換する。このとおり、プロセッサ21は、「翻訳部」としても機能し、サーバ20は、全体として「翻訳サーバ」としても機能する。なお、入力音声がうまく認識されなかった場合には、音声の再入力を行うことができる(画面表示を図示せず)。
また、プロセッサ21は、認識された入力音声の内容を記憶資源23に記憶する。次に、多言語翻訳処理、及び、入力音声の内容の記憶処理が完了すると、プロセッサ21は、音声合成処理へ移行する(ステップSJ8)。このとき、プロセッサ21は、記憶資源23から、必要なモジュールL20、データベースD20、及びモデルM20(音声合成モジュール、英語音声コーパス、音響モデル、言語モデル等)を呼び出し、翻訳結果である英語の句、節、文等を自然な音声に変換する。このとおり、プロセッサ21は、「音声合成部」としても機能し、サーバ20は、全体として「音声合成サーバ」としても機能する。
次いで、プロセッサ21は、合成された音声に基づいて音声出力用の音声信号を生成し、通信インターフェイス22及びネットワークNを通して、情報端末10へ送信する。情報端末10のプロセッサ11は、通信インターフェイス14を通してその音声信号を受信し、音声入出力デバイス13を用いて、音声出力処理を行う(ステップSJ9)。このとおり、プロセッサ11及び音声入出力デバイス13が、「出力部」として機能する。
[練習モード(第2のモード)]
一方、図3(B)に示す待機画面において、ユーザが設定ボタン36をタップする(ステップSU2において「Yes」)と、情報端末10のプロセッサ11は、各種設定メニューの一覧を表示するための指令信号をサーバ20へ送信する。その指令信号を受信したサーバ20のプロセッサ21は、設定メニューリストの表示画像データを情報端末10のプロセッサ11へ送信し、プロセッサ11は、例えば図3(C)に示す設定メニュー画面を表示デバイス16に表示する(ステップSJ10)。この設定メニュー画面には、ユーザが理解できる日本語の設定メニュー37が横書きで画面縦方向にリスト表示され、ユーザが各設定メニューのテキスト部分をタップすることにより、所望の設定メニューを選択することができる。
一方、図3(B)に示す待機画面において、ユーザが設定ボタン36をタップする(ステップSU2において「Yes」)と、情報端末10のプロセッサ11は、各種設定メニューの一覧を表示するための指令信号をサーバ20へ送信する。その指令信号を受信したサーバ20のプロセッサ21は、設定メニューリストの表示画像データを情報端末10のプロセッサ11へ送信し、プロセッサ11は、例えば図3(C)に示す設定メニュー画面を表示デバイス16に表示する(ステップSJ10)。この設定メニュー画面には、ユーザが理解できる日本語の設定メニュー37が横書きで画面縦方向にリスト表示され、ユーザが各設定メニューのテキスト部分をタップすることにより、所望の設定メニューを選択することができる。
そして、この設定メニュー37には、「練習モード」が用意されており、その練習モードを表す日本語テキストT4とともに、それに隣接してスライドスイッチ38が表示される。このスライドスイッチ38は、練習モードのON/OFFを切り替えるためのものであり、ユーザが必要に応じて、スライドスイッチ38をONにすることにより、当該音声翻訳アプリケーションの試行又はその操作に慣れるための試行としての「練習」を、通常モードと区別して行うことができる。このとおり、スライドスイッチ38が、第1のモードと第2のモードを切り替えるための「切替手段」に相当し、また、プロセッサ11,21が、「モード切替部」として機能する。
そうしてユーザが練習モードをONにして設定メニューを閉じると、表示デバイス16には、図3(B)に示す待機画面が再表示され、前述した「通常モード」におけるステップSJ3〜SJ9を、同様の手順で実行することができる。その際、練習モードにおける処理が通常モードにおける処理と異なるのは、ステップSJ5,SJ6における処理のみであるため、その他のステップにおける処理については、ここでの詳細な説明を省略する。
すなわち、この練習モードでは、サーバ20のプロセッサ21は、スッテプSJ5において、認識された入力音声にフラグとして例えば「2」を割り当てる。それから、この練習モードでは、プロセッサ21は、ステップSJ6において、認識された入力音声のログを、例えばデータ番号41=「2」の音声ログデータDに関連付け、そのモード種別42を練習モードに割り当てられたフラグである「2」として、音声ログデータベースD21に記録する。
[発話分析]
以上のとおり、ステップSJ6における入力音声のログ記録においては、通常モード(第1のモード)における入力音声のログ、及び、練習モード(第2のモード)における入力音声のログが、フラグにより互いに区別された状態で音声ログデータベースD21に記録される。そして、サーバ20のプロセッサ21は、音声ログデータベースD21に記録された複数の音声ログデータDのうち、通常モード(第1のモード)における入力音声のログのみ(つまりモード種別42が「1」である音声ログデータDのみ)を抽出し、それを用いて発話分析を行う(ステップSJ20)。このとおり、プロセッサ21は、「分析部」としても機能する。
以上のとおり、ステップSJ6における入力音声のログ記録においては、通常モード(第1のモード)における入力音声のログ、及び、練習モード(第2のモード)における入力音声のログが、フラグにより互いに区別された状態で音声ログデータベースD21に記録される。そして、サーバ20のプロセッサ21は、音声ログデータベースD21に記録された複数の音声ログデータDのうち、通常モード(第1のモード)における入力音声のログのみ(つまりモード種別42が「1」である音声ログデータDのみ)を抽出し、それを用いて発話分析を行う(ステップSJ20)。このとおり、プロセッサ21は、「分析部」としても機能する。
以上のように構成された音声翻訳装置100及びそれを用いた音声翻訳方法並びに音声翻訳プログラムによれば、ユーザと対話者との会話(音声翻訳装置100の実利用時)における音声入力を行うための通常モード(第1のモード)と、ユーザと対話者との会話以外の動作である音声翻訳装置100における音声入力を行うための練習モード(第2のモード)が用意されており、ユーザは、それらのモードを適宜切り替えて音声翻訳を利用することができる。また、通常モード及び練習モードにおける入力音声のログが、それぞれのフラグにより互いに区別して音声ログデータベースD21に記録され、通常モードにおける入力音声のログのみを用いて発話分析を行うことができる。
したがって、練習モードで発話された入力音声の内容(実利用時に必ずしも発話されるとは限らない音声内容)が発話分析に混入してしまうことを、確実に抑止することができる。その結果、実利用時の発話情報のみを用いた発話分析が可能となり、また、分析作業量を低減して発話分析の負荷を軽減することができる。これにより、実利用時の発話分析の精度(学習精度)を向上させ、かつ、その分析作業の効率化を図ることができるので、音声翻訳自体の精度を高めることが可能となる。
なお、上述したとおり、上記の各実施形態は、本発明を説明するための一例であり、本発明をその実施形態に限定する趣旨ではない。また、本発明は、その要旨を逸脱しない限り、様々な変形が可能である。例えば、当業者であれば、実施形態で述べたリソース(ハードウェア資源又はソフトウェア資源)を均等物に置換することが可能であり、そのような置換も本発明の範囲に含まれる。
また、上記実施形態のとおり通常モード及び練習モードの双方にフラグを立ててもよいが、何れか一方のみにフラグを立てるようにしてもよく、かかる構成においても、両モードで認識されたそれぞれの入力音声のログを、互いに区別することができる。さらに、通常モード及び練習モードにおけるそれぞれの入力音声のログを、別々の音声ログデータベースに記録してもよい。またさらに、練習モードを、設定メニュー以外の他のメニューから、或いは、設定メニューを経なくとも選択できるようにしてもよい。例えば、図3(A)や図3(B)に示す画面に、練習モードを直接選択することができるボタン等を表示するようにしてもよい。
また、スッテプSJ5,SJ6は、ステップSJ4以降であれば、何れの時点で実行してもよい。さらにまた、入力音声のログを音声ログデータベースD21へ記録する処理は、発話毎に行ってもよく、複数の入力音声のログを所定の時点でまとめて記録しても構わない。また、練習モードにおいては、単に、音声翻訳アプリケーションの試行又はその操作に慣れるための試行のみならず、例えば、単語や熟語の意味を調べる辞書引き、会話以外の文章(記事、歌詞、名言、台詞等)の翻訳、外国語の発音練習等の実利用以外の動作に利用することもできる。このようにすれば、それらの実利用以外の動作における入力音声も、実利用時の入力音声と区別することが可能となる。
また、音声認識、翻訳、及び音声合成の各処理をサーバ20によって実行する例について記載したが、これらの処理を情報端末10において実行するように構成してもよい。この場合、それらの処理に用いるモジュールL20は、情報端末10の記憶資源12に保存されていてもよいし、サーバ20の記憶資源23に保存されていてもよい。さらに、音声データベースであるデータベースD20、及び/又は、音響モデル等のモデルM20も、情報端末10の記憶資源12に保存されていてもよいし、サーバ20の記憶資源23に保存されていてもよい。このとおり、音声翻訳装置は、ネットワークN及びサーバ20を備えなくてもよい。
また、情報端末10とネットワークNとの間には、両者間の通信プロトコルを変換するゲートウェイサーバ等が介在してももちろんよい。また、情報端末10は、携帯型装置に限らず、例えば、デスクトップ型パソコン、ノート型パソコン、タブレット型パソコン、ラップトップ型パソコン等でもよい。
本発明によれば、入力音声の発話分析の精度向上及び分析作業の効率化を図ることができ、これにより、音声翻訳の精度を高めることが可能となるので、例えば、互いの言語を理解できない人同士の会話に関するサービスの提供分野における、プログラム、装置、システム、及び方法の設計、製造、提供、販売等の活動に広く利用することができる。
10 情報端末
11 プロセッサ
12 記憶資源
13 音声入出力デバイス
14 通信インターフェイス
15 入力デバイス
16 表示デバイス
17 カメラ
20 サーバ
21 プロセッサ
22 通信インターフェイス
23 記憶資源
31 言語ボタン
32a 日本語入力ボタン
32b 英語入力ボタン
33 お声がけボタン
34 言語選択ボタン
35 履歴ボタン
36 設定ボタン
37 設定メニュー
38 スライドスイッチ
40 データテーブル
41 データ番号
42 モード種別
43 ユーザID
44 記録日
45 入力音声テキスト
100 音声翻訳装置
D 音声ログデータ
D20 データベース
D21 音声ログデータベース
L20 モジュール
M20 モデル
N ネットワーク
P10 プログラム
P20 プログラム
T1 日本語テキスト
T2 英語テキスト
T3 日本語テキスト
T4 日本語テキスト
11 プロセッサ
12 記憶資源
13 音声入出力デバイス
14 通信インターフェイス
15 入力デバイス
16 表示デバイス
17 カメラ
20 サーバ
21 プロセッサ
22 通信インターフェイス
23 記憶資源
31 言語ボタン
32a 日本語入力ボタン
32b 英語入力ボタン
33 お声がけボタン
34 言語選択ボタン
35 履歴ボタン
36 設定ボタン
37 設定メニュー
38 スライドスイッチ
40 データテーブル
41 データ番号
42 モード種別
43 ユーザID
44 記録日
45 入力音声テキスト
100 音声翻訳装置
D 音声ログデータ
D20 データベース
D21 音声ログデータベース
L20 モジュール
M20 モデル
N ネットワーク
P10 プログラム
P20 プログラム
T1 日本語テキスト
T2 英語テキスト
T3 日本語テキスト
T4 日本語テキスト
Claims (5)
- ユーザの音声を入力するための入力部、入力音声の内容を異なる言語の内容に翻訳する翻訳部、及び、前記入力音声の翻訳内容を音声及び/又はテキストで出力する出力部を備える音声翻訳装置であって、
前記入力音声のログを記録するログ記録部と、
前記ユーザと対話者との会話における音声入力を行うための第1のモードと、前記ユーザと前記対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるモード切替部と、
前記入力音声のログを用いて発話分析を行う分析部と、
を更に備え、
前記第2のモードは、前記ユーザが当該音声翻訳装置における音声入力の試行を行うための、又は、前記ユーザが当該音声翻訳装置における音声入力に慣れるための練習モードであり、
前記ログ記録部は、前記第1のモードにおける入力音声のログ、及び、前記第2のモードにおける入力音声のログを、互いに区別して記録し、
前記分析部は、前記第1のモードにおける入力音声のログのみを用いて前記発話分析を行う、
音声翻訳装置。 - 前記モード切替部は、前記ユーザが前記第1のモードと前記第2のモードとを切り替えるための切替手段を、前記ユーザが使用するユーザ装置に表示する、
請求項1記載の音声翻訳装置。 - 前記ログ記録部は、前記第1のモードにおける入力音声のログ、及び、前記第2のモードにおける入力音声のログを同一のデータベースに記録する、
請求項1又は2記載の音声翻訳装置。 - 入力部、翻訳部、出力部、ログ記録部、モード切替部、及び分析部を備える音声翻訳装置を用い、
前記入力部が、ユーザの音声を入力するステップと、
前記翻訳部が、入力音声の内容を異なる言語の内容に翻訳するステップと、
前記出力部が、翻訳内容を音声及び/又はテキストで出力するステップと、
前記ログ記録部が、前記入力音声のログを記録するステップと、
前記モード切替部が、前記ユーザと対話者との会話における音声入力を行うための第1のモードと、前記ユーザと前記対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるステップと、
前記分析部が、前記入力音声のログを用いて発話分析を行うステップと、
を含み、
前記第2のモードは、前記ユーザが当該音声翻訳装置における音声入力の試行を行うための、又は、前記ユーザが当該音声翻訳装置における音声入力に慣れるための練習モードであり、
前記ログを記録するステップにおいては、前記第1のモードにおける入力音声のログ、及び、前記第2のモードにおける入力音声のログを、互いに区別して記録し、
前記発話分析を行うステップにおいては、前記第1のモードにおける入力音声のログのみを用いて前記発話分析を行う、
音声翻訳方法。 - コンピュータを、
ユーザの音声を入力するための入力部と、
入力音声の内容を異なる言語の内容に翻訳する翻訳部と、
翻訳内容を音声及び/又はテキストで出力する出力部と、
前記入力音声のログを記録するログ記録部と、
前記ユーザと対話者との会話における音声入力を行うための第1のモードと、前記ユーザと前記対話者との会話以外の動作における音声入力を行うための第2のモードとを切り替えるモード切替部と、
前記入力音声のログを用いて発話分析を行う分析部と、
して機能させ、
前記第2のモードは、前記ユーザが当該音声翻訳装置における音声入力の試行を行うための、又は、前記ユーザが当該音声翻訳装置における音声入力に慣れるための練習モードであり、
前記ログ記録部は、前記第1のモードにおける入力音声のログ、及び、前記第2のモードにおける入力音声のログを、互いに区別して記録し、
前記分析部は、前記第1のモードにおける入力音声のログのみを用いて前記発話分析を行う、
音声翻訳プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016067706A JP6198879B1 (ja) | 2016-03-30 | 2016-03-30 | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016067706A JP6198879B1 (ja) | 2016-03-30 | 2016-03-30 | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6198879B1 true JP6198879B1 (ja) | 2017-09-20 |
JP2017181727A JP2017181727A (ja) | 2017-10-05 |
Family
ID=59895747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016067706A Expired - Fee Related JP6198879B1 (ja) | 2016-03-30 | 2016-03-30 | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6198879B1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI698857B (zh) * | 2018-11-21 | 2020-07-11 | 財團法人工業技術研究院 | 語音辨識系統及其方法、與電腦程式產品 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07191995A (ja) * | 1993-12-27 | 1995-07-28 | Sharp Corp | 機械翻訳装置 |
WO2013163293A1 (en) * | 2012-04-25 | 2013-10-31 | Kopin Corporation | Instant translation system |
JP2015125499A (ja) * | 2013-12-25 | 2015-07-06 | 株式会社東芝 | 音声通訳装置、音声通訳方法及び音声通訳プログラム |
-
2016
- 2016-03-30 JP JP2016067706A patent/JP6198879B1/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2017181727A (ja) | 2017-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200410174A1 (en) | Translating Languages | |
US9355094B2 (en) | Motion responsive user interface for realtime language translation | |
US20080195375A1 (en) | Echo translator | |
US20120046933A1 (en) | System and Method for Translation | |
JP6141483B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP6290479B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
WO2017135214A1 (ja) | 音声翻訳システム、音声翻訳方法、及び音声翻訳プログラム | |
JP6250209B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP6310950B2 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP2021144256A (ja) | 翻訳装置、システム、方法及びプログラム並びに学習方法 | |
JP6198879B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP6353860B2 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP5998298B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP6110539B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP6334589B2 (ja) | 定型フレーズ作成装置及びプログラム、並びに、会話支援装置及びプログラム | |
US20070244687A1 (en) | Dialog supporting device | |
JP6383748B2 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
WO2017086434A1 (ja) | 音声翻訳プログラム、音声翻訳装置、及びその制御方法 | |
JP6174746B1 (ja) | 音声翻訳装置、音声翻訳方法、及び音声翻訳プログラム | |
JP2018173910A (ja) | 音声翻訳システム及び音声翻訳プログラム | |
JP6147387B1 (ja) | 音声翻訳システム、その制御方法および音声翻訳プログラム | |
JP6298806B2 (ja) | 音声翻訳システム及びその制御方法、並びに音声翻訳プログラム | |
JP2002288170A (ja) | 多言語間コミュニケーション支援システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170724 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170822 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6198879 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |