JP6549009B2 - 通信端末及び音声認識システム - Google Patents

Description

本発明の実施形態は、通信端末で収集されたユーザの音声を音声認識処理サーバ装置で音声認識処理し、音声認識結果を通信端末に提供する音声認識システムに関する。

従来から、ユーザが発した音声を認識し、テキストデータ化する技術がある。音声認識処理は、処理負荷が高いため、クライアント側から音声データを送信してサーバ装置で音声認識処理を行うサーバ／クライアント型の音声認識システムがある。

特許第４１９７２７１号公報

通信端末で収集された音声データを音声認識処理する音声認識処理サーバ装置に対する通信負荷を低減させることができる通信端末及び音声認識システムを提供する。

実施形態の通信端末は、音声認識処理を行う音声認識処理サーバ装置にユーザが発した音声データを送信し、前記音声データに対する音声認識処理結果を前記音声認識処理サーバ装置から受信する。通信端末は、音声入力部によって取得された音声データの音量を測定する音量測定部と、前記音声データを前記音声認識処理サーバ装置に送信する音声データ出力制御部と、を有する。前記音声データ出力制御部は、順次入力される前記音声データの音量が無音を示す所定の閾値未満であり、かつ前記音声認識処理サーバ装置から受信する前記音声データに対する音声認識処理の認識処理状態が待機中を示す未認識中である場合、無音の前記音声データを前記音声認識処理サーバ装置に送信しないように制御する。ここで、前記認識処理状態を示す信号は、前記音声データの受信に伴って音声認識処理の開始を示すＳＯＳ信号と、前記ＳＯＳ信号と対となり、開始された音声認識処理において無音の前記音声データが所定時間継続したときに音声認識処理を終了することを示すＥＯＳ信号と、を含み、前記音声データ出力制御部は、前記ＥＯＳ信号を受信した後、前記所定の閾値以上の音量の前記音声データが入力されるまで、前記音声データを前記音声認識処理サーバ装置に送信しないように制御する。

第１実施形態の音声認識システムの構成を示す図である。 第１実施形態の通信端末の機能ブロックを示す図である。 第１実施形態の音声認識処理を説明するための図である。 第１実施形態の音声認識処理サーバ装置の処理フローを示す図である。 第１実施形態の通信端末の音声データ出力制御を説明するための図である。 第１実施形態の通信端末の処理フローを示す図である。 第１実施形態の通信端末の音声データ出力制御の変形例を説明するための図である。 図７に示した変形例に係る通信端末の処理フローを示す図である。

以下、実施形態につき、図面を参照して説明する。

（第１実施形態）
図１から図８は、第１実施形態の音声認識システムを示す図である。図１は、音声認識システムの全体構成図である。音声認識システムは、ユーザ（利用者）側の通信端末１００と、通信端末で収集（取得）されたユーザが発した音声に対する音声認識処理を行う音声認識処理サーバ装置３００（以下、サーバ装置３００という）と、を含んで構成されている。

通信端末１００とサーバ装置３００との間は、無線通信網または有線通信網で接続される。例えば、インターネット網（ＩＰ網）などの通信網、ＰＨＳをはじめ３Ｇ、４Ｇ、ＬＴＥといった携帯機器向けの通信網などが含まれる。また、ＰＳＴＮ（公衆交換電話網）であってもよい。

通信端末１００は、通信機能を有する情報端末装置である。例えば、携帯電話機や多機能携帯電話機などの通話・通信機能を備えた携帯端末や、通信機能を備えるＰＤＡ(Personal Digital Assistant)などの移動通信端末装置がある。また、通信端末１００として、パーソナルコンピュータなどの通信機能を備えた情報処理端末装置も含まれる。

通信端末１００は、図１に示すように、全体の制御を司るＣＰＵ１１０、記憶部１２０、サーバ装置３００との間の通信制御を行う通信部１３０、マイク（集音装置）１４０、スピーカー（音声出力装置）１５０、液晶ディスプレイ等の表示部１６０及び、タッチパネルや操作キーなどの操作部１７０を含んで構成されている。

図２は、通信端末１００の機能ブロック図である。通信端末１００は、マイク１４０と接続されるＡ／Ｄ変換部１１１、音量測定部１１２、音声データ出力制御部１１３、認識状態確認部１１４、及び表示制御部１１５を含んで構成されている。

Ａ／Ｄ変換部１１１は、マイク１４０から出力される音声のアナログ信号をデジタルデータに変換し、音声データを生成する。音量測定部１１２は、Ａ／Ｄ変換部１１１から音声データが入力され、音声データからユーザが発した音声の音量を測定する。音声データ出力制御部１１３は、Ａ／Ｄ変換部１１１から音声データが入力されるとともに、音量測定結果が入力され、生成された音声データをサーバ装置３００に出力（送信）する制御を行う。認識状態確認部１１４は、サーバ装置３００の音声認識処理の認識状態（処理状態）を確認（設定）する。表示制御部１１５は、サーバ装置３００から受信する音声認識結果情報、例えば、テキストデータを表示部１６０に表示する表示制御を行う。

サーバ装置３００は、図１に示すように、全体の制御を司るＣＰＵ３１０、記憶部３２０、通信端末１００との間の通信制御を行う通信部３３０、音声認識処理を行い、音声認識結果を出力する音声認識部３４０を含んで構成されている。音声認識部３４０は、ソフトウェアで構成され、ＣＰＵ３１０が音声認識処理を行ったり、音声認識制御装置（制御回路）としてハードウェアで構成したりすることができる。

音声認識部３４０は、通信端末１００から送信される音声データに対して音声認識処理を行う。音声認識処理は、入力される音声データの音響分析を行い、音響モデルや言語モデルとマッチングして、テキスト（文字）データに変換する処理である。

音響モデルは、音素の波形サンプルと波形サンプルに対応したテキストデータとを含む。言語モデルは、語と語の結び付きの出現確率、言い換えれば、言葉のつながりを確率を使って表現したデータである。これらの音響モデルや言語モデル、その他の音声認識処理に必要な情報な各種情報は、記憶部３２０に記憶されている。

また、音声認識部３４０の音声認識処理には、音声（有音）／非音声（無音）を判定して音声（有音）区間を検出する有効音声データ検出処理（ＶＡＤ：Ｖｏｉｃｅ Ａｃｔｉｖｉｔｙ Ｄｅｔｅｃｔｉｏｎ、以下、ＶＡＤ処理という）を含むことができる。音声認識部３４０は、ＶＡＤ処理で抽出された有音区間に対して音響モデル等を適用した音声認識処理を行うことができる。なお、本実施形態の音声認識処理は、適宜公知の手法を適用することができる。

そして、本実施形態の音声認識システムは、音声データに対する音声認識処理のリソースが、サーバ装置３００側に集約されている。このため、通信端末１００は、基本的に、音声認識に必要な音声データを収集・生成してサーバ装置３００に送信するだけであり、ＶＡＤ処理を含む音声認識処理は、通信端末１００側で行われない。このように構成することで、通信端末１００の処理負荷の低減を図ることができる。

図３は、本実施形態の通信端末１００で収集された音声データに対するサーバ装置３００の音声認識処理を説明するための図である。図３に示すように、通信端末１００は、音声認識を開始するための操作（例えば、音声認識用アプリケーションの起動）が行われると、マイク１４０を起動し、ユーザが発する音声を集音して音声データを生成する処理を開始する。

通信端末１００のＡ／Ｄ変換部１１１には、マイク１４０から集音された音声が順次入力される。Ａ／Ｄ変換部１１１は、所定の時間間隔でリアルタイムにＡ／Ｄ変換して音声パケットデータを生成する。音声データ出力制御部１１３は、サーバ装置３００に時系列に連続して順次音声パケットデータを送信する。

通信端末１００は、音声認識を開始するための操作が行われたタイミングやマイク１４０で音声が集音処理を開始したタイミングを起点として、マイク１４０を通じて集音された音声データを順次送信し続け、音声認識を終了するための条件を満たすまで、サーバ装置３００側で音声のストリームデータとして受信されるように制御する。ここで、音声認識を終了するための条件とは、例えば、音声認識を終了するためのユーザによる操作やサーバ装置３００から音声認識結果が所定時間以上受信されないことをトリガーとすることができる。

サーバ装置３００は、音声データを受信すると、ＶＡＤ処理を行い、有音／無音を判定して有音区間を検出し、有音区間に対して音響モデル等を用いて音声認識処理を行う。サーバ装置３００は、「今日は・・・いい天気ですね」の音声データをユーザが発する音声の時間順に時系列に連続した音声パケットデータとして受信し、順次受信する音声パケットデータに対してその都度音声認識処理を行い、音声をテキストデータに順次変換する。

サーバ装置３００は、通信端末１００から有音／無音に関わらず、最初の音声パケットデータを受信したことをトリガーに、ＶＡＤ処理を含む音声認識処理を開始することができる。一方、開始された音声認識処理は、無音の音声データが一定時間継続して入力された場合、一旦終了するように構成することができる。例えば、一定の時間（Ｔ）、有音の音声区間が検出されないとき、言い換えれば、一定の時間（Ｔ）継続して無音が検出されたとき、通信端末１００から連続して入力される音声データに対する音声認識処理を一旦終了して待機状態に移行する。そして、継続した無音区間の後に有音の音声データが検出されたとき、改めて音声認識処理を開始するように構成することができる。

図４は、本実施形態のサーバ装置３００の音声認識処理の処理フローを示す図である。図４に示すように、音声データを受信すると（Ｓ３０１のＹＥＳ）、音声認識部３４０は、音声認識処理を開始し、ＳＯＳ（Ｓｔａｒｔ ｏｆ Ｓｐｅｅｃｈ）信号を通信端末１００に送信（出力）する（Ｓ３０２）。ＳＯＳ信号は、音声認識処理の認識状態を示す認識状態情報であり、認識状態が「認識処理中（実行中）」であることを示す。

音声認識部３４０は、上述した音声認識処理を行い（Ｓ３０３）、音声データに対する音声認識処理結果を通信端末１００に順次送信する。音声認識部３４０は、ＳＯＳ信号出力後の音声認識処理実行中に、認識処理終了条件を満たすか否かを判別し（Ｓ３０４）、認識処理終了条件を満たすと判別されたとき（Ｓ３０４のＹＥＳ）、実行中の音声認識処理を終了（待機に移行）するとともに、ＳＯＳ信号に対する１サイクルの音声認識処理の終了を示すＥＯＳ（Ｅｎｄ ｏｆ Ｓｐｅｅｃｈ）信号を通信端末１００に送信（出力）する（Ｓ３０５）。ＥＯＳ信号は、音声認識処理の認識状態を示す認識状態情報であり、認識状態が「未認識中（待機中）」であることを示す。ここで、ステップＳ３０４の認識処理終了条件は、音声認識処理中の無音区間の継続時間が、所定時間Ｔを超えたか否かとすることができる。

なお、図３の「今日は・・・いい天気ですね」には、「・・・」で示す無音が含まれているが、音声認識部３４０は、「・・・」で示される無音の継続時間ｔ１が、開始された音声認識処理の終了を判断するための上述の所定時間Ｔよりも短いため、音声認識処理を終了せずに、１サイクルの音声認識処理を継続して行っている。つまり、「今日は・・・いい天気ですね」を１サイクルの音声認識処理で行うために、文節間の無音期間ｔ１を予めサンプリングし、文節間の無音期間ｔ１よりも長い所定時間Ｔを設定することができる。なお、変換されたテキストデータは、１サイクルの音声認識処理中に例えば、変換された文字や文節毎に複数回に渡って通信端末１００に送信されたり、１サイクルの音声認識処理の終わりに一括して通信端末に送信されたりするように構成することができる。

このように本実施形態の音声認識処理は、「認識処理中」と「未認識中」の２つのステータスが存在し、一対のＳＯＳ信号とＥＯＳ信号との間の区間が音声認識処理の実行中を示し、ＥＯＳ信号から次のサイクルにおける音声認識処理のＳＯＳ信号までの間の区間が音声認識処理の待機中を示す（図３参照）。通信端末１００の認識状態確認部１１４は、ＳＯＳ信号を受信した後にＥＯＳ信号を受信していない場合は、サーバ装置３００の音声認識処理のステータスを「認識処理中」に更新し、ＥＯＳ信号を受信した後にＳＯＳ信号を受信していない場合は、サーバ装置３００の音声認識処理のステータスを「未認識中」に更新する。認識状態確認部１１４は、音声認識処理のステータス更新情報を音声データ出力制御部１１３に出力する。

本実施例の音声認識部３４０は、通信端末１００から連続して順次送信される音声データに対して音声認識処理を行うものの、音声データを受信して音声認識処理を開始し、音声認識処理中に所定時間Ｔの無音が継続したとき、音声認識処理を開始後の連続した無音区間に対して実行中の音声認識処理を一旦終了させて次の有音が入力されるまで待機し、有音が入力されたときに音声認識処理を改めて行う。このように構成することで、無用な音声認識処理の実行を抑制することができ、サーバ装置３００の処理負荷を低減させることができる。

ここで、図３に示すように、マイク１４０で集音されたユーザの音声には、有音及び無音が含まれるが、通信端末１００は、音声データ内に無音が含まれていても所定の時間間隔で区切られた音声パケットデータをサーバ装置３００に連続して送信している。図３の例において、例えば、「今日は・・・いい天気ですね」とユーザが発したとする。「・・・」は、無音を示す。「今日は・・・いい天気ですね」という音声データは、通信端末１００側で「・・・」の無音で仕切られることなく、「・・・」で表す無音も音声データとして有音データに引き続きサーバ装置３００に送信される。これは、サーバ装置３００側に音声認識処理のリソースを集約して通信端末１００の処理負荷を低減させるために、通信端末１００側では、音声データに対するＶＡＤ処理などが行われないためである。

このため、図３に示すように、通信端末１００は、サーバ装置３００側の１サイクルの音声認識処理が終了していても、無音の音声データをサーバ装置３００に送信し続けることになり、サーバ装置３００との間の通信トラフィック（通信データ量）が増加し、ネットワークに負担を掛けてしまう。そこで、本実施形態では、ＳＯＳ信号及びＥＯＳ信号に基づいてサーバ装置３００の音声認識処理の処理状態を確認し、音声認識処理が待機中であるときは、無音の音声データをサーバ装置３００に送信しないように制御する。

図５は、本実施形態の通信端末１００の音声データ出力制御を説明するための図である。図５に示すように、音量測定部１１２は、音声データの音量を測定し、マイク１４０を通じて入力された音声が無音であるか有音であるかを判別する音量チェック処理を行う。例えば、測定された音量が所定の閾値以上の場合、有音と判別し、音量が閾値未満であるとき、無音と判別することができる。音量チェック結果は、音声データ出力制御部１１３に出力される。

音量チェック処理において無音と判別されたとき、音声データ出力制御部１１３は、認識状態確認部１１４から入力されるステータス更新情報に基づいて、サーバ装置３００側で音声認識処理の状態が「未認識中」であるか否かを判別する。音声データ出力制御部１１３は、音声認識処理の状態が「未認識中」のとき、無音の音声データを送信しないように制御する。

つまり、音声データ出力制御部１１３は、サーバ装置３００からＳＯＳ信号受信後に受信されたＥＯＳ信号に基づいて、音声データが有音となるまで、言い換えれば、ＥＯＳ信号を受信した後、所定の閾値以上の音量の音声データが入力されるまで、音声データの生成及び音声データのサーバ装置３００への送信を禁止し、サーバ装置３００に、音声データが送信されないように音声データ出力制御を行う。

図６は、本実施形態の通信端末１００の音声データ出力制御の処理フローを示す図である。通信端末１００は、音声認識を開始するための操作が行われると（Ｓ１０１）、マイク１４０を起動するとともに、音声データ生成処理及び音量チェック処理を行う（Ｓ１０２）。なお、ステップＳ１０１では、サーバ装置３００との間の通信セッションを確立する通信処理を行うことができる。

通信端末１００は、音声認識を開始するための操作に伴い、サーバ装置３００から認識状態情報の更新処理を開始する（Ｓ１０３）。更新処理は、通信端末１００側での音声認識を終了するための条件を満たすまで、音声データ生成処理などの他の処理とは個別に並行してＳＯＳ信号及びＥＯＳ信号が受信される度に行われる。

通信端末１００は、生成された音声データの音量を測定し、マイク１４０を通じて入力された音声が無音であるか有音であるかを判別する（Ｓ１０４）。通信端末１００は、測定された音量が所定の閾値以上（有音）であると判別された場合、サーバ装置３００に音声データを送信する音声データ送信処理を行う（Ｓ１０５）。

一方、ステップＳ１０４において、音量が閾値未満（無音）であると判別されたとき、通信端末１００は、ステップＳ１０６に進み、認識状態情報に基づいてサーバ装置３００側の音声認識処理が「認識処理中」であるか否かを判別する。「認識処理中」であると判別された場合、通信端末１００は、ステップＳ１０５に進み、サーバ装置３００に音声データを送信する音声データ送信処理を行う。「認識処理中」でない（「未認識中」である）と判別された場合、通信端末１００は、ステップＳ１０５をスキップし、無音の音声データを送信しないように制御する。

通信端末１００は、サーバ装置３００に送信した音声データに対する音声認識結果を受信すると（Ｓ１０７のＹＥＳ）、音声認識結果を表示部１６０に表示する表示制御を行う（Ｓ１０８）。通信端末１００は、音声認識を終了するための条件を満たすまで、ステップＳ１０４からステップＳ１０８を繰り返し行う（Ｓ１０９のＮＯ）。音声認識を終了するための条件を満たしたとき、例えば、起動した音声認識用のアプリケーションを終了するための操作が行われたとき（Ｓ１０９のＹＥＳ）、通信端末１００は、図６に示す処理を終了する。

本実施形態によれば、通信端末１００の処理性能がＶＡＤ処理を含む音声認識処理に必要なリソースに割かれないので通信端末１００の処理負荷を低減できると共に、不要な音声をサーバ装置３００に送信しないので、サーバ装置３００との間の通信トラフィック（通信データ量）を低減させることができる。

次に、本実施形態の変形例について説明する。図７は、通信端末１００の音声データ出力制御の変形例を説明するための図であり、図８は、本変形例に係る通信端末１００の処理フローを示す図である。

本変形例は、図７に示すように、音声認識を開始するための操作が行われた後、有音が入力されるまでの間の無音の音声データを、サーバ装置３００に送信しないように制御する。図５及び図６に示した音声データ出力制御では、音声認識を開始するための操作が行われたタイミングやマイク１４０で音声が集音処理を開始したタイミングで、音声データをサーバ装置３００に送信していた。

このため、例えば、音声認識を開始するための操作が行われた後にサーバ装置３００からＳＯＳ信号を受信した後は、無音であっても音声データがサーバ装置３００に送信されてしまう（図６のステップＳ１０４のＮＯからステップＳ１０６のＹＥＳ）。

そこで、本変形例では、音声認識を開始するための操作後、つまり、マイク１４０で音声データの取得処理が開始されてから、最初に所定の閾値以上の音量の音声データ（有音の音声データ）が入力されるまでの間、マイク１４０で集音された無音の音声データをサーバ装置３００に送信しないように制御し、上述の図５及び図６に示した音声データ出力制御に加え、よりサーバ装置３００との間の通信トラフィック（通信データ量）を低減させるようにしている。

まず、図８のステップＳ１０３の認識状態情報更新処理の開始時に、認識状態情報を「未認識中」に初期化する。音声認識を開始するための操作後、ＳＯＳ信号を最初に受信するまでの間を「未認識中」と設定する。このように構成することで、図７に示すように、ＳＯＳ信号の受信有無に関わらず、無音の音声データをサーバ装置３００に送信しないようにすることができる。

次に、図８の例において、図６のステップＳ１０４及びＳ１０６と異なり、音声認識を開始するための操作後、最初に音声データを送信する際に、認識状態情報に基づいてサーバ装置３００側の音声認識処理が「認識処理中」であるか否かを判別する（Ｓ１０４Ａ）。そして、通信端末１００は、「未認識中」であると判別されたとき、生成された音声データの音量を測定し、マイク１４０を通じて入力された音声が無音であるか有音であるかを判別する（Ｓ１０６Ａ）。通信端末１００は、測定された音量が所定の閾値未満（無音）であると判別された場合、ステップＳ１０５をスキップし、無音の音声データをサーバ装置３００に送信しないように制御する。

図７の例で説明すると、音声認識を開始するための操作後、最初に音声データを送信するときは、音声認識処理のステータスが「未認識中」に初期設定されるので、音声データ出力制御部１１３は、音声データをサーバ装置３００に送信しない。このため、サーバ装置３００は、ＳＯＳ信号を出力しないことになる。

そして、音声データ出力制御部１１３は、音声認識を開始するための操作後に未だ音声データを送信していない状態で、有音の音声データが入力されたとき、音声認識処理のステータスが「未認識中」であっても、サーバ装置３００に音声データを送信する（Ｓ１０４ＡのＮＯからＳ１０６ＡのＹＥＳ）。有音の音声データを受信したサーバ装置３００は、ＳＯＳ信号を通信端末１００に送信し、音声認識処理のステータスが「認識処理中」に更新される。

一方、ステップＳ１０４Ａでサーバ装置３００側の音声認識処理が「認識処理中」であると判別された場合は、音声データ出力制御部１１３は、無音であってもそのまま音声データをサーバ装置に送信する音声データ送信処理を行う（Ｓ１０５）。その他の処理について、図６で説明した処理も同様であるので、同符号を付して説明を省略する。

以上、本実施形態の音声認識システムにおいて、通信端末１００は、音声データに圧縮処理を施し、圧縮された音声データを音声認識処理サーバ装置３００に送信することができる。このとき、音声認識処理サーバ装置３００は、圧縮された音声データを伸長して音声認識処理を行うことができる。

また、通信端末１００及び音声認識処理サーバ装置３００の各機能は、プログラムとして構成することができる。例えば、コンピュータの不図示の補助記憶装置に格納され、ＣＰＵ等の制御部が補助記憶装置に格納された各機能毎のプログラムを主記憶装置に読み出し、主記憶装置に読み出された該プログラムを制御部が実行し、本実施形態の各部の機能をコンピュータに動作させることができる。

また、上記プログラムは、コンピュータ読取可能な記録媒体に記録された状態で、コンピュータに提供することも可能である。コンピュータ読取可能な記録媒体としては、ＣＤ−ＲＯＭ等の光ディスク、ＤＶＤ−ＲＯＭ等の相変化型光ディスク、ＭＯ（Magnet Optical）やＭＤ(Mini Disk)などの光磁気ディスク、フロッピー（登録商標）ディスクやリムーバブルハードディスクなどの磁気ディスク、コンパクトフラッシュ（登録商標）、スマートメディア、SDメモリカード、メモリスティック等のメモリカードが挙げられる。また、本発明の目的のために特別に設計されて構成された集積回路（ICチップ等）等のハードウェア装置も記録媒体として含まれる。

なお、本発明の実施形態を説明したが、当該実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００ 通信端末
１１０ 制御部（ＣＰＵ）
１１１ Ａ／Ｄ変換部
１１２ 音量測定部
１１３ 音声データ出力制御部
１１４ 認識状態確認部
１１５ 表示制御部
１２０ 記憶部
１３０ 通信部
１４０ マイク
１５０ スピーカー
１６０ 表示部
１７０ 操作部
３００ 音声認識処理サーバ装置
３１０ 制御部（ＣＰＵ）
３２０ 記憶部
３３０ 通信部
３４０ 音声認識部

Claims (4)

1. 音声認識処理を行う音声認識処理サーバ装置にユーザが発した音声データを送信し、前記音声データに対する音声認識処理結果を前記音声認識処理サーバ装置から受信する通信端末であって、
   音声入力部によって取得された音声データの音量を測定する音量測定部と、
   前記音声データを前記音声認識処理サーバ装置に送信する音声データ出力制御部と、を有し、
   前記音声データ出力制御部は、順次入力される前記音声データの音量が無音を示す所定の閾値未満であり、かつ前記音声認識処理サーバ装置から受信する前記音声データに対する音声認識処理の認識処理状態が待機中を示す未認識中である場合、無音の前記音声データを前記音声認識処理サーバ装置に送信しないように制御するとともに、
   前記認識処理状態を示す信号は、前記音声データの受信に伴って音声認識処理の開始を示すＳＯＳ信号と、前記ＳＯＳ信号と対となり、開始された音声認識処理において無音の前記音声データが所定時間継続したときに音声認識処理を終了することを示すＥＯＳ信号と、を含み、
   前記音声データ出力制御部は、前記ＥＯＳ信号を受信した後、前記所定の閾値以上の音量の前記音声データが入力されるまで、前記音声データを前記音声認識処理サーバ装置に送信しないように制御することを特徴とする通信端末。
2. 前記音声データ出力制御部は、前記音声入力部で前記音声データの取得処理が開始されてから前記所定の閾値以上の音量の前記音声データが入力されるまでの間、無音を示す前記音声データを前記音声認識処理サーバ装置に送信しないように制御することを特徴とする請求項１に記載の通信端末。
3. 音声認識処理を行う音声認識処理サーバ装置にユーザが発した音声データを送信し、前記音声データに対する音声認識処理結果を前記音声認識処理サーバ装置から受信する通信端末によって実行されるプログラムであって、
   音声入力部によって取得された音声データの音量を測定する第１機能と、
   前記音声データを前記音声認識処理サーバ装置に送信する第２機能と、を含み、
   前記第２機能は、順次入力される前記音声データの音量が無音を示す所定の閾値未満であり、かつ前記音声認識処理サーバ装置から受信する前記音声データに対する音声認識処理の認識処理状態が待機中を示す未認識中である場合、無音の前記音声データを前記音声認識処理サーバ装置に送信しないように制御するとともに、
   前記認識処理状態を示す信号は、前記音声データの受信に伴って音声認識処理の開始を示すＳＯＳ信号と、前記ＳＯＳ信号と対となり、開始された音声認識処理において無音の前記音声データが所定時間継続したときに音声認識処理を終了することを示すＥＯＳ信号と、を含み、
   前記第２機能は、前記ＥＯＳ信号を受信した後、前記所定の閾値以上の音量の前記音声データが入力されるまで、前記音声データを前記音声認識処理サーバ装置に送信しないように制御することを特徴とするプログラム。
4. 音声認識処理を行う音声認識処理サーバ装置と、ユーザが発した音声データを前記音声認識処理サーバ装置に送信し、前記音声データに対する音声認識処理結果を前記音声認識処理サーバ装置から受信する通信端末と、を含む音声認識システムであって、
   前記音声認識処理サーバ装置は、前記受信した音声データに対する音声認識処理の認識処理状態を示す信号を前記通信端末に送信し、
   前記通信端末は、
   音声入力部によって取得された音声データの音量を測定する音量測定部と、
   前記音声データを前記音声認識処理サーバ装置に送信する音声データ出力制御部と、を有し、
   前記音声データ出力制御部は、順次入力される前記音声データの音量が無音を示す所定の閾値未満であり、かつ前記認識処理状態が音声認識処理の待機中を示す未認識中である場合、前記音声データを前記音声認識処理サーバ装置に送信しないように制御するとともに、
   前記認識処理状態を示す信号は、前記音声データの受信に伴って音声認識処理の開始を示すＳＯＳ信号と、前記ＳＯＳ信号と対となり、開始された音声認識処理において無音の前記音声データが所定時間継続したときに音声認識処理を終了することを示すＥＯＳ信号と、を含み、
   前記音声データ出力制御部は、前記ＥＯＳ信号を受信した後、前記所定の閾値以上の音量の前記音声データが入力されるまで、前記音声データを前記音声認識処理サーバ装置に送信しないように制御することを特徴とする音声認識システム。