JP6570796B2

JP6570796B2 - 音声認識装置および音声認識方法

Info

Publication number: JP6570796B2
Application number: JP2019524804A
Authority: JP
Inventors: 航山崎; 加藤　真; 真加藤; 政信大澤
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2017-06-22
Filing date: 2017-06-22
Publication date: 2019-09-04
Anticipated expiration: 2037-06-22
Also published as: JPWO2018235236A1; CN110770821A; US20200211562A1; WO2018235236A1; DE112017007562T5; DE112017007562B4

Description

この発明は、音声認識技術に関し、特にサーバ・クライアント型の音声認識に関するものである。

従来、サーバ側の音声認識装置による音声認識と、クライアント側の音声認識装置とを連携させて、ユーザの発話音声に対して音声認識処理を実行するサーバ・クライアント型の音声認識技術が用いられている。
例えば、特許文献１には、初めにクライアント側の音声認識装置がユーザの発話音声に対して認識処理を行い、認識に失敗した場合に、サーバ側の音声認識装置がユーザの発話音声に対して認識処理を行う音声認識システムが開示されている。

特開２００７−３３９０１号公報

上述した特許文献１に記載された音声認識システムでは、クライアント側の音声認識装置が認識に失敗した場合に、サーバ側の音声認識装置から認識結果を取得するまで時間がかかり、ユーザの発話に対する応答が遅くなるという課題があった。

この発明は、上記のような課題を解決するためになされたもので、サーバ・クライアント型の音声認識処理において、ユーザの発話に対する早い応答速度と、ユーザの発話に対する高い認識率との両立を図ることを目的とする。

この発明に係る音声認識装置は、ユーザの発話に対してクライアント側の音声認識装置と、サーバ側の音声認識装置とを用いて音声認識を行うサーバ・クライアント型音声認識システムにおける、クライアント側の音声認識装置であって、ユーザの発話を認識する音声認識部と、サーバ側の音声認識装置を有するサーバ装置との通信状況を取得する通信状況取得部と、通信状況取得部が取得した通信状況に基づいて、音声認識部の認識対象語彙を変更する語彙変更部とを備えるものである。
音声認識部は、コマンド語彙および大語彙を認識対象語彙とする。語彙変更部は、通信状況取得部が取得した通信状況が、サーバ装置と通信可であることを示していた場合に、音声認識部の認識対象語彙をコマンド語彙に変更し、通信状況取得部が取得した通信状況が、サーバ装置と通信不可であることを示していた場合に、音声認識部の認識対象語彙をコマンド語彙および大語彙に変更する。

この発明によれば、サーバ・クライアント型の音声認識において、ユーザの発話に対する早い応答速度と、ユーザの発話に対する高い認識率とを実現することができる。

実施の形態１に係る音声認識装置の構成を示すブロック図である。図２Ａ、図２Ｂは、実施の形態１に係る音声認識装置のハードウェア構成例を示す図である。実施の形態１に係る音声認識装置の語彙変更部の動作を示すフローチャートである。実施の形態１に係る音声認識装置の認識結果採択部の動作を示すフローチャートである。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
図１は、実施の形態１に係る音声認識システムの構成を示すブロック図である。
音声認識システムは、クライアント側の音声認識装置１００と、サーバ装置２００とで構成される。また、図１に示すように、クライアント側の音声認識装置１００は車載装置５００と接続されている。以下では、当該車載装置５００がナビゲーション装置であるものとして説明を行う。
まず、音声認識装置１００の概要について説明する。
音声認識装置１００は、クライアント側の音声認識装置であり、住所名を示す語彙および施設名を示す語彙（以下、大語彙と記載する）を認識対象語彙としている。また、クライアント側の音声認識装置１００は、音声操作の対象となっている車載装置５００に対して、操作を指示する操作コマンドを示す語彙およびユーザが予め登録した語彙（以下、コマンド語彙と記載する）を認識語彙としている。ここで、ユーザが予め登録した語彙とは、例えば、登録地名、およびアドレス帳の個人名等である。

クライアント側の音声認識装置１００は、後述するサーバ側の音声認識装置２０２と比べて、ハードウェア資源が少なく、ＣＰＵ（Central Processing Unit）の処理能力も低い。また、大語彙は認識対象となる語彙の件数が膨大である。そのため、クライアント側の音声認識装置１００の大語彙の認識性能は、サーバ側の音声認識装置２０２の大語彙の認識性能よりも劣る。
また、クライアント側の音声認識装置１００は、上述のようにハードウェア資源が少なく、ＣＰＵの処理能力も低いことから、コマンド語彙の認識において、認識辞書に登録されている操作コマンドと同一の発話が行われないと認識することができない。そのため、クライアント側の音声認識装置１００は、サーバ側の音声認識装置２０２に比べて、受け付け可能な発話の自由度が低い。
一方、クライアント側の音声認識装置１００は、サーバ側の音声認識装置２０２とは異なり、通信網３００を介したデータの送受信の必要がないため、ユーザの発話に対する応答速度が速いという利点がある。また、クライアント側の音声認識装置１００は、通信状況によらず、ユーザの発話に対して音声認識を行うことが可能である。

次に、音声認識装置２０２の概要について説明する。
音声認識装置２０２は、サーバ側の音声認識装置であり、大語彙およびコマンド語彙を認識対象語彙としている。サーバ側の音声認識装置２０２は、ハードウェア資源が豊富であり、ＣＰＵの処理能力も高いため、クライアント側の音声認識装置１００に比べて、大語彙の認識性能に優れている。
一方、サーバ側の音声認識装置２０２は、通信網３００を介してデータを送受信する必要があるため、クライアント側の音声認識装置１００に比べて、ユーザ発話に対する応答速度が遅い。また、サーバ側の音声認識装置２０２は、クライアント側の音声認識装置１００と通信接続が確立されない場合、ユーザの発話の音声データを取得することができず、音声認識を行うことができない。

実施の形態１に係る音声認識システムでは、サーバ側の音声認識装置２０２とクライアント側の音声認識装置１００との通信接続が確立されない場合、クライアント側の音声認識装置１００が、ユーザの発話の音声データに対して、大語彙およびコマンド語彙を認識対象として音声認識を行い、音声認識結果を出力する。
一方、サーバ側の音声認識装置２０２とクライアント側の音声認識装置１００との通信接続が確立されている場合、ユーザの発話の音声データに対して、クライアント側の音声認識装置１００およびサーバ側の音声認識装置２０２が、並列して音声認識を行う。この際、クライアント側の音声認識装置１００は、認識対象語彙から大語彙を除外し、コマンド語彙のみを認識対象語彙に変更する。即ち、クライアント側の音声認識装置１００は、コマンド語彙が登録されている認識辞書のみを有効にする。

音声認識システムは、クライアント側の音声認識装置１００の認識結果、またはサーバ側の音声認識装置２０２の認識結果のいずれか一方の認識結果を音声認識結果として出力する。
詳細には、クライアント側の音声認識装置１００の認識結果の信頼度が、予め定められた閾値以上である場合は、音声認識システムは当該クライアント側の音声認識装置１００の認識結果を音声認識結果として出力する。
一方、クライアント側の音声認識装置１００の認識結果の信頼度が、予め定められた閾値未満であり、且つ予め設定された待機時間内にサーバ側の音声認識装置２０２から認識結果を受信した場合に、音声認識システムは受信したサーバ側の音声認識装置２０２の認識結果を音声認識結果として出力する。また、クライアント側の音声認識装置１００の認識結果の信頼度が、予め定められた閾値未満であるが、待機時間内にサーバ側の音声認識装置２０２から認識結果が受信できなかった場合に、音声認識システムは、音声認識に失敗したことを示す情報を出力する。

サーバ側の音声認識装置２０２とクライアント側の音声認識装置１００との通信接続が確立されている場合、クライアント側の音声認識装置１００は認識対象語彙をコマンド語彙に限定する。そのため、ユーザがコマンドを発話した場合、クライアント側の音声認識装置１００が当該コマンドと音響的に類似している住所名または施設名を誤認識するのを抑制することができる。これにより、クライアント側の音声認識装置１００の認識率が向上し、応答速度が速くなる。

一方、ユーザが住所名または施設名を発話した場合、クライアント側の音声認識装置１００は大語彙を認識対象語彙としていないため、音声認識に失敗する、または信頼度の低い認識結果としてコマンドの認識結果が得られる可能性が高くなる。その結果、ユーザが住所名または施設名を発話した場合には、音声認識システムは、認識性能が高いサーバ側の音声認識装置２０２から受信した認識結果が、音声認識結果として出力されることになる。

次に、クライアント側の音声認識装置１００の構成について説明する。
クライアント側の音声認識装置１００は、音声取得部１０１、音声認識部１０２、通信部１０３、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６を備える。
音声取得部１０１は、接続されたマイク４００を介してユーザの発話音声を取り込む。音声取得部１０１は、取り込んだ発話音声を、例えば、ＰＣＭ（ＰｕｌｓｅＣｏｄｅＭｏｄｕｌａｔｉｏｎ）によりＡ／Ｄ（Ａｎａｌｏｇ／Ｄｉｇｉｔａｌ）変換する。音声取得部１０１は、変換後のデジタル化した音声データを音声認識部１０２および通信部１０３に出力する。

音声認識部１０２は、音声取得部１０１から入力された、デジタル化された音声データから、ユーザが発話した内容に該当する音声区間（以下、発話区間と記載する）を検出する。音声認識部１０２は、検出した発話区間の音声データの特徴量を抽出する。音声認識部１０２は、後述する語彙変更部１０５により指示された認識対象語彙を認識対象として、抽出した特徴量に対する音声認識を行う。音声認識部１０２は、音声認識の認識結果を認識結果採択部１０６に出力する。音声認識部１０２の音声認識の方法としては、例えばＨＭＭ（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ）法のような一般的な方法が適用可能である。音声認識部１０２は、大語彙およびコマンド語彙を認識するための認識辞書（図示しない）を有している。音声認識部１０２は、後述する語彙変更部１０５により認識対象語彙が指示されると、指示された認識対象語彙に対応した認識辞書を有効にする。

通信部１０３は、通信網３００を介して、サーバ装置２００の通信部２０１との通信接続を確立する。通信部１０３は、音声取得部１０１から入力されたデジタル化された音声データをサーバ装置２００へ送信する。また、通信部１０３は、後述するように、サーバ装置２００から送信される、サーバ側の音声認識装置２０２の認識結果を受信する。通信部１０３は、受信したサーバ側の音声認識装置２０２の認識結果を認識結果採択部１０６に出力する。
さらに、通信部１０３は、サーバ装置２００の通信部２０１と通信接続が可能か否かを所定の周期で判定する。通信部１０３は、判定結果を通信状況取得部１０４に出力する。

通信状況取得部１０４は、通信部１０３から入力された判定結果に基づいて、通信可否を示す情報を取得する。通信状況取得部１０４は、通信可否を示す情報を語彙変更部１０５および認識結果採択部１０６に出力する。通信状況取得部１０４は、外部機器から通信可否を示す情報を取得する構成としてもよい。

語彙変更部１０５は、通信状況取得部１０４から入力された通信可否を示す情報に基づいて、音声認識部１０２が認識対象とすべき語彙を決定し、音声認識部１０２に指示する。具体的には、語彙変更部１０５は、通信可否を示す情報を参照し、サーバ装置２００の通信部２０１との通信接続が不可能であった場合には、音声認識部１０２に対して大語彙およびコマンド語彙を認識対象語彙とするように指示する。一方、語彙変更部１０５は、サーバ装置２００の通信部２０１との通信接続が可能であった場合には、コマンド語彙を認識対象語彙とするように音声認識部１０２に指示する。

認識結果採択部１０６は、通信状況取得部１０４から入力された通信可否を示す情報に基づいて、クライアント側の音声認識装置１００の音声認識結果、サーバ側の音声認識装置２０２の音声認識結果、または音声認識の失敗のうちのいずれかを採択する。認識結果採択部１０６は、採択した情報を車載装置５００に出力する。
具体的には、認識結果採択部１０６は、通信部１０３とサーバ装置２００の通信部２０１との通信接続が不可能であった場合、音声認識部１０２から入力された認識結果の信頼度が予め定められた閾値以上であるか否か判定を行う。認識結果採択部１０６は、選択した音声認識結果の信頼度が予め定められた閾値以上であった場合に、当該認識結果を音声認識結果として車載装置５００に出力する。一方、認識結果採択部１０６は、選択した認識結果の信頼度が予め定められた閾値未満であった場合に、音声認識に失敗したことを示す情報を車載装置５００に出力する。

一方、認識結果採択部１０６は、通信部１０３とサーバ装置２００の通信部２０１との通信接続が可能であった場合、音声認識部１０２から入力された認識結果の信頼度が予め定められた閾値以上であるか否か判定を行う。認識結果採択部１０６は、選択した認識結果の信頼度が予め定められた閾値以上であった場合に、当該認識結果を音声認識結果として車載装置５００に出力する。一方、認識結果採択部１０６は、選択した認識結果の信頼度が予め定められた閾値未満であった場合に、通信部１０３を介してサーバ側の音声認識装置２０２の認識結果が入力されるのを待機する。認識結果採択部１０６は、予め設定した待機時間内にサーバ側の音声認識装置２０２から認識結果を取得した場合には、取得した認識結果を音声認識結果として車載装置５００に出力する。一方、認識結果採択部１０６は、予め設定した待機時間内にサーバ側の音声認識装置２０２から認識結果を取得しなかった場合には、音声認識に失敗したことを示す情報を車載装置５００に出力する。

次に、サーバ装置２００の構成について説明する。
サーバ装置２００は、通信部２０１および音声認識装置２０２で構成されている。
通信部２０１は、通信網３００を介して、クライアント側の音声認識装置１００の通信部１０３との通信接続を確立する。通信部２０１は、クライアント側の音声認識装置１００から送信された音声データを受信する。通信部２０１は、受信した音声データをサーバ側の音声認識装置２０２に出力する。また、通信部２０１は、後述するサーバ側の音声認識装置２０２の認識結果をクライアント側の音声認識装置１００に送信する。

サーバ側の音声認識装置２０２は、通信部２０１から入力された音声データから発話区間を検出し、検出した発話区間の音声データの特徴量を抽出する。サーバ側の音声認識装置２０２は、大語彙およびコマンド語彙を認識対象語彙として、抽出した特徴量に対して音声認識を行う。サーバ側の音声認識装置２０２は、認識結果を通信部２０１に出力する。

次に、音声認識装置１００のハードウェア構成例を説明する。
図２Ａおよび図２Ｂは、音声認識装置１００のハードウェア構成例を示す図である。
音声認識装置１００における通信部１０３は、サーバ装置２００の通信部２０１との間で無線通信を行う送受信装置１００ａである。音声認識装置１００における音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６の各機能は、処理回路により実現される。即ち、音声認識装置１００は、上記各機能を実現するための処理回路を備える。当該処理回路は、図２Ａに示すように専用のハードウェアである処理回路１００ｂであってもよいし、図２Ｂに示すようにメモリ１００ｄに格納されているプログラムを実行するプロセッサ１００ｃであってもよい。

図２Ａに示すように、音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６が専用のハードウェアである場合、処理回路１００ｂは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-programmable Gate Array）、またはこれらを組み合わせたものが該当する。音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６の各部の機能それぞれを処理回路で実現してもよいし、各部の機能をまとめて１つの処理回路で実現してもよい。

図２Ｂに示すように、音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６がプロセッサ１００ｃである場合、各部の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアまたはファームウェアはプログラムとして記述され、メモリ１００ｄに格納される。プロセッサ１００ｃは、メモリ１００ｄに記憶されたプログラムを読み出して実行することにより、音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６の各機能を実現する。即ち、音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６は、プロセッサ１００ｃにより実行されるときに、後述する図３および図４に示す各ステップが結果的に実行されることになるプログラムを格納するためのメモリ１００ｄを備える。また、これらのプログラムは、音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６の手順または方法をコンピュータに実行させるものであるともいえる。

ここで、プロセッサ１００ｃとは、例えば、ＣＰＵ、処理装置、演算装置、プロセッサ、マイクロプロセッサ、マイクロコンピュータ、またはＤＳＰ（Digital Signal Processor）などのことである。
メモリ１００ｄは、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically EPROM）等の不揮発性または揮発性の半導体メモリであってもよいし、ハードディスク、フレキシブルディスク等の磁気ディスクであってもよいし、ミニディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等の光ディスクであってもよい。

なお、音声取得部１０１、音声認識部１０２、通信状況取得部１０４、語彙変更部１０５および認識結果採択部１０６の各機能について、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。このように、音声認識装置１００における処理回路１００ｂは、ハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現することができる。

次に、音声認識装置１００の動作について説明する。
まず、図３のフローチャートを参照しながら、認識対象語彙の設定について説明する。
図３は、実施の形態１に係る音声認識装置１００の語彙変更部１０５の動作を示すフローチャートである。
通信状況取得部１０４から通信可否を示す情報が入力されると（ステップＳＴ１）、語彙変更部１０５は、入力された通信可否を示す情報を参照し、サーバ装置２００の通信部２０１と通信接続が可能であるか否か判定を行う（ステップＳＴ２）。サーバ装置２００の通信部２０１と通信接続が可能である場合（ステップＳＴ２；ＹＥＳ）、語彙変更部１０５は、コマンド語彙を認識対象語彙とするように音声認識部１０２に指示する（ステップＳＴ３）。一方、サーバ装置２００の通信部２０１と通信接続が不可能である場合（ステップＳＴ２；ＮＯ）、語彙変更部１０５は、大語彙およびコマンド語彙を認識対象語彙とするように音声認識部１０２に指示する（ステップＳＴ４）。語彙変更部１０５は、ステップＳＴ３またはステップＳＴ４の処理が行われると、処理を終了する。

次に、図４のフローチャートを参照しながら、認識結果の採択について説明する。
図４は、実施の形態１に係る音声認識装置１００の認識結果採択部１０６の動作を示すフローチャートである。なお、音声認識部１０２は、上述した図３のフローチャートに基づいて指示された認識対象語彙に応じて、いずれの認識辞書を有効とするかの設定を行っている。
通信状況取得部１０４から通信可否を示す情報が入力されると（ステップＳＴ１１）、認識結果採択部１０６は、入力された通信可否を示す情報を参照し、サーバ装置２００の通信部２０１と通信接続が可能であるか否か判定を行う（ステップＳＴ１２）。サーバ装置２００の通信部２０１と通信接続が可能である場合（ステップＳＴ１２；ＹＥＳ）、認識結果採択部１０６は音声認識部１０２から入力された認識結果を取得する（ステップＳＴ１３）。ステップＳＴ１３で認識結果採択部１０６が取得する認識結果は、コマンド語彙の認識辞書のみが有効となった状態で、音声認識部１０２が認識処理を行った結果である。

認識結果採択部１０６は、ステップＳＴ１３で取得した認識結果の信頼度が予め定められた閾値以上であるか否か判定を行う（ステップＳＴ１４）。信頼度が予め定められた閾値以上であった場合（ステップＳＴ１４；ＹＥＳ）、認識結果採択部１０６は、ステップＳＴ１３で取得した音声認識部１０２の認識結果を音声認識結果として車載装置５００に出力する（ステップＳＴ１５）。その後、認識結果採択部１０６は、処理を終了する。

一方、信頼度が予め定められた閾値以上でなかった場合（ステップＳＴ１４；ＮＯ）、
認識結果採択部１０６はサーバ側の音声認識装置２０２の認識結果を取得しているか否か判定を行う（ステップＳＴ１６）。サーバ側の音声認識装置２０２の認識結果を取得している場合（ステップＳＴ１６；ＹＥＳ）、認識結果採択部１０６はサーバ側の音声認識装置２０２の認識結果を音声認識結果として車載装置５００に出力する（ステップＳＴ１７）。その後、認識結果採択部１０６は、処理を終了する。

一方、サーバ側の音声認識装置２０２の認識結果を取得していない場合（ステップＳＴ１６；ＮＯ）、認識結果採択部１０６は予め設定した待機時間が経過したか否か判定を行う（ステップＳＴ１８）。予め設定した待機時間が経過していない場合（ステップＳＴ１８；ＮＯ）、ステップＳＴ１６の判定処理に戻る。一方、予め設定した待機時間が経過した場合（ステップＳＴ１８；ＹＥＳ）、認識結果採択部１０６は音声認識に失敗したことを示す情報を車載装置５００に出力する（ステップＳＴ１９）。その後、認識結果採択部１０６は、処理を終了する。

また、サーバ装置２００の通信部２０１と通信接続が不可能であった場合（ステップＳＴ１２；ＮＯ）、認識結果採択部１０６は音声認識部１０２から入力された認識結果を取得する（ステップＳＴ２０）。ステップＳＴ１３で認識結果採択部１０６が取得する認識結果は、大語彙およびコマンド語彙の認識辞書が有効となった状態で、音声認識部１０２が認識処理を行った結果である。

認識結果採択部１０６は、ステップＳＴ２０で取得した認識結果の信頼度が予め定められた閾値以上であるか否か判定を行う（ステップＳＴ２１）。信頼度が予め定められた閾値以上であった場合（ステップＳＴ２１；ＹＥＳ）、認識結果採択部１０６は、ステップＳＴ２０で取得した音声認識部１０２の認識結果を音声認識結果として車載装置５００に出力する（ステップＳＴ２２）。その後、認識結果採択部１０６は、処理を終了する。一方、信頼度が予め定められた閾値以上でなかった場合（ステップＳＴ２１；ＮＯ）、認識結果採択部１０６は音声認識に失敗したことを示す情報を車載装置５００に出力する（ステップＳＴ２３）。その後、認識結果採択部１０６は、処理を終了する。

なお、通信状況取得部１０４は、上述した構成に加えて、通信部１０３とサーバ装置２００の通信部２０１との通信状況を予測するための情報を取得する構成を備えてもよい。ここで、通信状況を予測するための情報とは、通信部１０３とサーバ装置２００の通信部２０１との通信接続が、所定時間内に通信不可となるか否かを予測するための情報である。具体的には、クライアント側の音声認識装置１００を搭載した車両が３０秒後にトンネルに入ることを示す情報、または１ｋｍ先でトンネルに入ることを示す情報等のである。通信状況取得部１０４は、この通信状況を予測するための情報を、通信部１０３を介して外部機器（図示しない）から取得する。通信状況取得部１０４は、取得した通信状況を予測するための情報を、語彙変更部１０５および認識結果採択部１０６に出力する。

語彙変更部１０５は、通信状況取得部１０４から入力された通信可否を示す情報および通信不可になる状況の予測結果に基づいて、音声認識部１０２に対して認識対象語彙を指定する。具体的に、語彙変更部１０５は、通信部１０３とサーバ装置２００の通信部２０１との通信接続が不可能であった場合、または所定時間内に通信不可となると判定した場合に、音声認識部１０２に対して大語彙およびコマンド語彙を認識対象語彙とするように指示する。一方、語彙変更部１０５は、サーバ装置２００の通信部２０１との通信接続が可能であり、且つ所定時間内に通信不可とならないと判定した場合に、音声認識部１０２に対してコマンド語彙を認識対象語彙とするように指示する。

認識結果採択部１０６は、通信状況取得部１０４から入力された通信可否を示す情報および通信不可になる状況の予測結果に基づいて、クライアント側の音声認識装置１００の音声認識結果、サーバ側の音声認識装置２０２の音声認識結果、または音声認識の失敗のうちのいずれかを採択する。
具体的には、認識結果採択部１０６は、通信部１０３とサーバ装置２００の通信部２０１との通信接続が不可能であった場合、または所定時間内に通信不可となると判定した場合に、音声認識部１０２から入力された認識結果の信頼度が予め定められた閾値以上であるか否か判定を行う。
一方、認識結果採択部１０６は、通信部１０３とサーバ装置２００の通信部２０１との通信接続が可能であり、且つ、所定時間内に通信不可とならないと判定した場合に、音声認識部１０２から入力された認識結果の信頼度が予め定められた閾値以上であるか否か判定を行う。また、認識結果採択部１０６は、必要に応じてサーバ側の音声認識装置２０２の認識結果が入力されるのを待機する。

以上のように、この実施の形態１によれば、ユーザの発話に対してクライアント側の音声認識装置１００と、サーバ側の音声認識装置２０２とを用いて音声認識を行うサーバ・クライアント型音声認識システムにおける、クライアント側の音声認識装置１００であって、ユーザの発話を認識する音声認識部１０２と、サーバ側の音声認識装置２０２を有するサーバ装置２００との通信状況を取得する通信状況取得部１０４と、取得された通信状況に基づいて、音声認識部１０２の認識対象語彙を変更する語彙変更部１０５とを備えるように構成したので、ユーザの発話に対する早い応答速度と、ユーザの発話に対する高い認識率とを実現することができる。

また、この実施の形態１によれば、音声認識部１０２は、コマンド語彙および大語彙を認識対象語彙とし、語彙変更部１０５は、通信状況取得部１０４が取得した通信状況が、サーバ装置２００と通信可を示していた場合に、音声認識部１０２の認識対象語彙をコマンド語彙に変更し、通信状況取得部１０４が取得した通信状況が、サーバ装置２００と通信不可を示していた場合に、音声認識部１０２の認識対象語彙をコマンド語彙および大語彙に変更するように構成したので、ユーザの発話に対する早い応答速度と、ユーザの発話に対する高い認識率とを実現することができる。

また、この実施の形態１によれば、通信状況取得部１０４が取得した通信状況、および音声認識部の認識結果の信頼度に基づいて、音声認識部１０２の認識結果、サーバ側の音声認識装置２０２の認識結果、または音声認識の失敗のいずれかを採択する認識結果採択部１０６を備えるように構成したので、ユーザの発話に対する早い応答速度と、ユーザの発話に対する高い認識率とを実現することができる。

また、この実施の形態１によれば、通信状況取得部１０４は、サーバ装置２００との通信状況を予測するための情報を取得し、語彙変更部１０５は、通信状況取得部１０４が取得した通信状況を予測するための情報を参照し、通信状況が所定時間内に通信不可となると判定した場合に、音声認識部１０２の認識対象語彙をコマンド語彙に変更するように構成したので、音声認識処理の途中で通信状況が悪化するのを防止することができる。これにより、音声認識装置１００が確実に音声認識結果を取得し、車載装置５００に出力することができる。

なお、本願発明はその発明の範囲内において、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。

この発明に係る音声認識装置は、移動体の移動に伴って通信状態が変化する環境において、ユーザの発話に対して音声認識処理を行う機器等に適用可能である。

１００，２０２音声認識装置、１０１音声取得部、１０２音声認識部、１０３，２０１通信部、１０４通信状況取得部、１０５語彙変更部、１０６認識結果採択部、２００サーバ装置。

Claims

ユーザの発話に対してクライアント側の音声認識装置と、サーバ側の音声認識装置とを用いて音声認識を行うサーバ・クライアント型音声認識システムにおける、前記クライアント側の音声認識装置であって、
前記ユーザの発話を認識する音声認識部と、
前記サーバ側の音声認識装置を有するサーバ装置との通信状況を取得する通信状況取得部と、
前記通信状況取得部が取得した前記通信状況に基づいて、前記音声認識部の認識対象語彙を変更する語彙変更部とを備え、
前記音声認識部は、コマンド語彙および大語彙を認識対象語彙とし、
前記語彙変更部は、前記通信状況取得部が取得した前記通信状況が、前記サーバ装置と通信可であることを示していた場合に、前記音声認識部の認識対象語彙を前記コマンド語彙に変更し、前記通信状況取得部が取得した前記通信状況が、前記サーバ装置と通信不可であることを示していた場合に、前記音声認識部の認識対象語彙を前記コマンド語彙および前記大語彙に変更することを特徴とする音声認識装置。
前記通信状況取得部が取得した前記通信状況、および前記音声認識部の認識結果の信頼度に基づいて、前記音声認識部の認識結果、前記サーバ側の音声認識装置の認識結果、または音声認識の失敗のいずれかを採択する認識結果採択部を備えたことを特徴とする請求項１記載の音声認識装置。
前記通信状況取得部は、前記サーバ装置との前記通信状況を予測するための情報を取得し、
前記語彙変更部は、前記通信状況取得部が取得した前記通信状況を予測するための情報を参照し、前記通信状況が所定時間内に通信不可となると判定した場合に、前記音声認識部の認識対象語彙を前記コマンド語彙に変更することを特徴とする請求項１または請求項２記載の音声認識装置。
ユーザの発話に対してクライアント側の音声認識装置と、サーバ側の音声認識装置とを用いてサーバ・クライアント型の音声認識を行う音声認識方法であって、
音声認識部が、前記ユーザの発話を認識するステップと、
通信状況取得部が、前記クライアント側の音声認識装置と、前記サーバ側の音声認識装置を有するサーバ装置との通信状況を取得するステップと、
語彙変更部が、前記取得された前記通信状況に基づいて、前記ユーザの発話を認証する際の認識対象語彙を変更するステップとを備え、
前記音声認識部は、コマンド語彙および大語彙を認識対象語彙とし、
前記語彙変更部は、前記通信状況取得部が取得した前記通信状況が、前記サーバ装置と通信可であることを示していた場合に、前記音声認識部の認識対象語彙を前記コマンド語彙に変更し、前記通信状況取得部が取得した前記通信状況が、前記サーバ装置と通信不可であることを示していた場合に、前記音声認識部の認識対象語彙を前記コマンド語彙および前記大語彙に変更することを特徴とする音声認識方法。