JP6830148B1 - 修正候補特定装置、修正候補特定方法及び修正候補特定プログラム - Google Patents

Abstract

【課題】計算負荷を抑えつつ、適切に修正候補を特定可能にする。【解決手段】単語抽出部２２は、複数の文章から構成されるテキストデータに含まれる単語を抽出する。類似度計算部２５は、複数の文章それぞれを対象文章とし、対象文章の前と後との少なくともいずれかの文章を相手文章として、対象文章から抽出された単語と、相手文章から抽出された単語との類似度を時系列類似度として計算する。候補特定部２６は、複数の文章それぞれを対象文章として、対象文章について計算された時系列類似度が第１閾値よりも低い場合に、対象文章を修正候補として特定する。【選択図】図２

Description

この発明は、複数の文章から構成されるテキストデータの修正が必要な個所を推定する技術に関する。

音声認識技術を用いて会話をテキストデータに変換することが行われている。例えば、会議室に複数の音声収集装置が設けられ、会議室での会話の音声データが収集され、テキストデータに変換される。この際、各音声収集装置が音声ミキサー装置によって１つの音声データに集約された上で、音声認識技術を用いてテキストデータに変換される。これにより、会議で話された内容がテキストデータとして保存される。

しかし、テキストデータには誤りが含まれている可能性がある。誤りとしては、音声の誤認識と、認識された音声の同音異義語への誤変換等がある。そのため、正しいテキストデータを得るためには、テキストデータを人手により確認して、正しく修正する作業を行う必要がある。

特許文献１には、第１の言語モデルにより認識されたテキストデータにおける修正候補を特定して、第２の言語モデルにより補正を行う技術が記載されている。
特許文献１では、単語の出現頻度に基づき特徴語の集合が抽出される。そして、特徴語に含まれない特異語と特徴語との類似度が計算され、類似度が低い特異語が修正候補として特定される。

特開２０１２−１８２０１号公報

特許文献１に記載された技術では、テキストデータに含まれる各単語の出現頻度を計算する。そのため、計算負荷が高い。
この発明は、計算負荷を抑えつつ、適切に修正候補を特定可能にすることを目的とする。

この発明に係る修正候補特定装置は、
複数の文章から構成されるテキストデータに含まれる単語を抽出する単語抽出部と、
前記複数の文章それぞれを対象文章とし、前記対象文章の前と後との少なくともいずれかの文章を相手文章として、前記単語抽出部によって前記対象文章から抽出された単語と、前記単語抽出部によって前記相手文章から抽出された単語との類似度を時系列類似度として計算する類似度計算部と、
前記複数の文章それぞれを対象文章として、前記対象文章について前記類似度計算部によって計算された前記時系列類似度が第１閾値よりも低い場合に、前記対象文章を修正候補として特定する候補特定部と
を備える。

前記類似度計算部は、前記候補特定部によって特定された前記修正候補以外の文章を比較文章として、前記修正候補から抽出された単語と、前記比較文章それぞれから抽出された単語との間の類似度を組合せ類似度として計算し、
前記候補特定部は、比較文章から抽出されたどの単語についての前記組合せ類似度も第２閾値よりも低い場合に、前記修正候補から抽出された単語を修正対象として特定する。

前記テキストデータは、複数の音声収集装置それぞれによって収集された音声データが変換された部分テキストデータを合成することによって生成された。

前記類似度計算部は、前記修正候補を含む部分テキストデータ以外の部分テキストデータに含まれる文章を前記比較対象として、前記組合せ類似度を計算する。

前記修正候補特定装置は、さらに、
前記単語抽出部によって抽出された単語を対象単語として、前記対象単語の意味を表す表現ベクトルを生成するベクトル生成部
を備え、
前記類似度計算部は、前記ベクトル生成部によって生成された前記表現ベクトルを用いて、前記類似度を計算する。

前記類似度計算部は、一方の文章から抽出された単語についての前記表現ベクトルと、他方の文章から抽出された単語についての前記表現ベクトルとの内積を前記類似度として計算する。

この発明に係る修正候補特定方法は、
単語抽出部が、複数の文章から構成されるテキストデータに含まれる単語を抽出し、
類似度計算部が、前記複数の文章それぞれを対象文章とし、前記対象文章の前と後との少なくともいずれかの文章を相手文章として、前記対象文章から抽出された単語と、前記相手文章から抽出された単語との類似度を時系列類似度として計算し、
候補特定部が、前記複数の文章それぞれを対象文章として、前記対象文章について計算された前記時系列類似度が第１閾値よりも低い場合に、前記対象文章を修正候補として特定する。

この発明に係る修正候補特定プログラムは、
複数の文章から構成されるテキストデータに含まれる単語を抽出する単語抽出処理と、
前記複数の文章それぞれを対象文章とし、前記対象文章の前と後との少なくともいずれかの文章を相手文章として、前記単語抽出処理によって前記対象文章から抽出された単語と、前記単語抽出処理によって前記相手文章から抽出された単語との類似度を時系列類似度として計算する類似度計算処理と、
前記複数の文章それぞれを対象文章として、前記対象文章について前記類似度計算処理によって計算された前記時系列類似度が第１閾値よりも低い場合に、前記対象文章を修正候補として特定する候補特定処理と
を行う修正候補特定装置としてコンピュータを機能させる。

この発明では、複数の文章それぞれを対象文章とし、対象文章の前と後との少なくともいずれかの文章を相手文章として、時系列類似度として計算することにより、修正候補を特定する。これにより、計算負荷を抑えつつ、適切に修正候補を特定可能になる。

実施の形態１に係る音声認識システム１の構成図。 実施の形態１に係る修正候補特定装置１０の構成図。 実施の形態１に係る修正候補特定装置１０の動作を示すフローチャート。 実施の形態１に係る部分テキストデータ５１の説明図。 Ｓｋｉｐ−Ｇｒａｍモデルの説明図。 実施の形態１に係る合成テキストデータ５４の説明図。 実施の形態１に係る時系列類似度計算処理の説明図。 実施の形態１に係る候補特定処理の説明図。 変形例４に係る修正候補特定装置１０の構成図。 実施の形態２に係る修正候補特定装置１０の動作を示すフローチャート。 実施の形態２に係る組合せ類似度計算処理の説明図。

実施の形態１．
＊＊＊構成の説明＊＊＊
図１を参照して、実施の形態１に係る音声認識システム１の構成を説明する。
音声認識システム１は、修正候補特定装置１０と、複数の音声収集装置４１と、複数の音声認識装置４２とを備える。
修正候補特定装置１０は、音声認識されたテキストデータにおける修正候補を特定するコンピュータである。修正候補は、音声認識に誤りがある可能性があり、修正が必要と推定される箇所を示す。ここでは、音声認識の誤りは、音声の誤認識と、認識された音声の同音異義語への誤変換との少なくともいずれかである。各音声収集装置４１は、音声データを収集する装置である。各音声収集装置４１は、具体例としては、マイクロフォンである。各音声認識装置４２は、音声認識技術により音声データをテキストデータに変換する装置である。

なお、図１では、音声収集装置４１毎に音声認識装置４２が設けられている。しかし、これに限らず、複数の音声収集装置４１に対して１つの音声認識装置４２が設けられていてもよい。

実施の形態１では、人毎に音声収集装置４１が設けられており、各音声収集装置４１に対応する人が話をしているとする。これは、例えば、ウェブ会議を行っており、会議の参加者がそれぞれ異なる場所にいるような場合が想定される。また、会議室において、席毎に音声収集装置４１が設けられている場合が想定される。

図２を参照して、実施の形態１に係る修正候補特定装置１０の構成を説明する。
修正候補特定装置１０は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信インタフェース１４とのハードウェアを備える。プロセッサ１１は、信号線を介して他のハードウェアと接続され、これら他のハードウェアを制御する。

プロセッサ１１は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。プロセッサ１１は、具体例としては、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。

メモリ１２は、データを一時的に記憶する記憶装置である。メモリ１２は、具体例としては、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。

ストレージ１３は、データを保管する記憶装置である。ストレージ１３は、具体例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）である。また、ストレージ１３は、ＳＤ（登録商標，Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリカード、ＣＦ（ＣｏｍｐａｃｔＦｌａｓｈ，登録商標）、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）といった可搬記録媒体であってもよい。

通信インタフェース１４は、外部の装置と通信するためのインタフェースである。通信インタフェース１４は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、ＨＤＭＩ（登録商標，Ｈｉｇｈ−Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ）のポートである。

修正候補特定装置１０は、機能構成要素として、データ取得部２１と、単語抽出部２２と、ベクトル生成部２３と、テキスト合成部２４と、類似度計算部２５と、候補特定部２６とを備える。修正候補特定装置１０の各機能構成要素の機能はソフトウェアにより実現される。
ストレージ１３には、修正候補特定装置１０の各機能構成要素の機能を実現するプログラムが格納されている。このプログラムは、プロセッサ１１によりメモリ１２に読み込まれ、プロセッサ１１によって実行される。これにより、修正候補特定装置１０の各機能構成要素の機能が実現される。

図２では、プロセッサ１１は、１つだけ示されていた。しかし、プロセッサ１１は、複数であってもよく、複数のプロセッサ１１が、各機能を実現するプログラムを連携して実行してもよい。

＊＊＊動作の説明＊＊＊
図３から図８を参照として、実施の形態１に係る修正候補特定装置１０の動作を説明する。
実施の形態１に係る修正候補特定装置１０の動作手順は、実施の形態１に係る修正候補特定方法に相当する。また、実施の形態１に係る修正候補特定装置１０の動作を実現するプログラムは、実施の形態１に係る修正候補特定プログラムに相当する。

（図３のステップＳ１：データ取得処理）
データ取得部２１は、各音声収集装置４１で収集された音声データが各音声認識装置４２によって変換されたテキストデータである部分テキストデータ５１を取得する。
具体的には、各音声収集装置４１で、その音声収集装置４１に割り当てられた人が発話した音声データが収集される。すると、各音声収集装置４１で収集された音声が、その音声収集装置４１に対応する音声認識装置４２で音声データが変換され、部分テキストデータ５１が生成される。データ取得部２１は、各音声認識装置４２で生成された部分テキストデータ５１を取得する。
図４に示すように、各部分テキストデータ５１は、複数の文章５２を含んでいる。発話する間隔が基準時間以上空いた場合に、別の文章５２として認識されて、部分テキストデータ５１が生成される。各文章５２には、発話が開始された時刻が設定される。

（図３のステップＳ２：単語抽出処理）
単語抽出部２２は、ステップＳ１で取得された各部分テキストデータ５１を対象の部分テキストデータ５１として、対象の部分テキストデータ５１に含まれる単語を抽出する。
具体的には、単語抽出部２２は、既存の単語抽出技術を用いて、対象の部分テキストデータ５１に含まれる単語を抽出する。具体例としては、単語抽出部２２は、対象の部分テキストデータ５１について、形態素解析を行い、名詞と動詞と形容詞といった特定の品詞を抽出することにより、対象の部分テキストデータ５１に含まれる単語を抽出する。

（図３のステップＳ３：ベクトル生成処理）
ベクトル生成部２３は、ステップＳ２で抽出された各単語を対象単語として、対象単語の意味を表す表現ベクトル５３を生成する。
具体的には、ベクトル生成部２３は、Ｓｋｉｐ−Ｇｒａｍモデル又はＣＢｏＷ（Ｃｏｎｔｉｎｕｏｕｓ Ｂａｇ−ｏｆ−Ｗｏｒｄｓ）といった技術を用いて、対象単語についての表現ベクトル５３を生成する。実施の形態１では、Ｓｋｉｐ−Ｇｒａｍモデルを用いる場合を例として説明する。

Ｓｋｉｐ−Ｇｒａｍモデルを用いて表現ベクトル５３を生成する方法を説明する。
事前準備として、ベクトル生成部２３は、部分テキストデータ５１に含まれると予想される単語を含む多数の文章のテキストデータをＳｋｉｐ−Ｇｒａｍモデルに与える。例えば、会議の会話の音声データが変換された部分テキストデータ５１が取得される場合には、過去の会議の議事録のテキストデータをＳｋｉｐ−Ｇｒａｍモデルに与えることが考えられる。
これにより、Ｓｋｉｐ−Ｇｒａｍモデルに与えられたテキストデータに含まれる各単語について、その単語の周辺に現れると予測される単語を表すベクトルが生成される。具体的には、図５に示すように、各単語について、その単語の周辺に他の単語が現れる確率を要素として持つベクトルが生成される。なお、図５では、各単語について、３個の要素を持つベクトルが示されている。しかし、実際には、各単語について、数百個といった多数の要素を持つベクトルが生成される。
ここで、類似した単語については、その単語の周辺に現れる単語が類似する。そのため、類似した単語については類似した要素を持つベクトルが生成される。

ベクトル生成部２３は、各単語についてのベクトルをストレージ１３に記憶する。なお、ベクトル生成部２３は、各単語についてのベクトルを、修正候補特定装置１０の外部の記憶装置に記憶してもよい。
そして、ステップＳ２で単語が抽出されると、ベクトル生成部２３は、抽出された単語である対象単語についてのベクトルをストレージ１３から検索する。ベクトル生成部２３は、検索にヒットしたベクトルを、対象単語についての表現ベクトル５３に設定する。これにより、対象単語についての表現ベクトル５３が生成される。

（図３のステップＳ４：テキスト合成処理）
テキスト合成部２４は、ステップＳ１で取得された各部分テキストデータ５１を合成して合成テキストデータ５４を生成する。
具体的には、テキスト合成部２４は、各部分テキストデータ５１に含まれる文章５２を時系列に並べて合成することにより、合成テキストデータ５４を生成する。具体例としては、図４に示す２人が会話した音声データが変換された２つの部分テキストデータ５１を合成する。すると、図６に示すように、会話された順に文章５２が並んだ合成テキストデータ５４が生成される。合成テキストデータ５４の各文章５２には、元の部分テキストデータ５１を示す元識別子５５が付される。図６では、図４の左側の部分テキストデータ５１については元識別子として“０１”が付され、図４の右側の部分テキストデータ５１については元識別子として“０２”が付されている。

（図３のステップＳ５：時系列類似度計算処理）
類似度計算部２５は、ステップＳ４で生成された合成テキストデータ５４に含まれる複数の文章５２それぞれを対象文章とし、対象文章の前と後との少なくともいずれかの文章５２を相手文章として設定する。実施の形態１では、類似度計算部２５は、対象文章の前と後とに文章５２がある場合には、対象文章の前の文章５２と後の文章５２とをそれぞれ相手文章として設定する。
そして、類似度計算部２５は、ステップＳ２で対象文章から抽出された単語と、ステップＳ２で相手文章から抽出された単語との類似度を時系列類似度として計算する。対象文章と相手文章との少なくともいずれかから複数の単語が抽出されている場合には、類似度計算部２５は、対象文章から抽出された単語と、相手文章から抽出された単語との各組合せについて類似度を計算する。そして、類似度計算部２５は、各組合せについての類似度の平均値又は中央値を時系列類似度として計算する。

図７に示すように、合成テキストデータ５４における単語が抽出されたとする。図７では、下線が引かれた単語がステップＳ２で抽出されているとする。すると、例えば、ＩＤ００１の文章５２が対象文章である場合には、ＩＤ００２の文章５２が相手文章として設定される。また、ＩＤ００２の文章５２が対象文章である場合には、ＩＤ００１の文章５２とＩＤ００３の文章５２とがそれぞれ相手文章として設定される。
そして、ＩＤ００１の文章５２が対象文章である場合には、相手文章であるＩＤ００２の文章５２との時系列類似が次のように計算される。ＩＤ００１の文章５２からは、“Ａ”と“お世話”とが単語として抽出されている。また、ＩＤ００２の文章５２からは、“Ｂ”と“お世話”とが単語として抽出されている。そこで、“Ａ”と“Ｂ”との組合せと、“Ａ”と“お世話”との組合せと、“お世話”と“Ｂ”との組合せと、“お世話”と“お世話”との組合せとの４つの組合せそれぞれについての類似度が計算される。そして、４つの組合せについての類似度の平均値が時系列類似度として計算される。

類似度計算部２５は、対象文章から抽出された単語についてステップＳ３で生成された表現ベクトル５３と、相手文章から抽出された単語についてステップＳ３で生成された表現ベクトル５３とを用いて、類似度を計算する。具体的には、類似度計算部２５は、対象文章から抽出された単語についての表現ベクトル５３と、相手文章から抽出された単語についての表現ベクトル５３との内積を類似度として計算する。
具体例として“打合せ”という単語と、“会議”という単語との類似度の計算方法を説明する。図５に示すように、“打合せ”という単語の表現ベクトル５３の要素は、｛０．３，０．２，０．６｝である。“会議”という単語の表現ベクトル５３の要素は、｛０．５，０．１，０．８｝である。したがって、類似度は、０．３×０．５＋０．２×０．１＋０．６×０．８＝０．６５である。

（図３のステップＳ６：候補特定処理）
候補特定部２６は、ステップＳ４で生成された合成テキストデータ５４に含まれる複数の文章５２それぞれを対象文章として、対象文章についてステップＳ５で計算された時系列類似度が第１閾値よりも低いか否かを判定する。候補特定部２６は、時系列類似度が第１閾値よりも低い場合に、対象文章を修正候補として特定する。候補特定部２６は、対象文章の前と後とに文章５２がある場合には、前の文章５２との時系列類似度と、後の文章５２との時系列類似度とのどちらも第１閾値よりも低い場合に、対象文章を修正候補として特定する。
図８に示すように、各文章５２について時系列類似度が計算され、第１閾値が０．６である場合には、ＩＤ００４の文章５２が修正候補として特定される。

＊＊＊実施の形態１の効果＊＊＊
以上のように、実施の形態１に係る修正候補特定装置１０は、時系列に文章５２間の類似度を計算して、類似度が低い文章５２を修正候補として特定する。これにより、合成テキストデータ５４に含まれる全ての単語の出現頻度を求めることなく、修正候補となる文章５２を特定可能である。その結果、計算負荷を抑えつつ、適切に修正候補を特定可能になる。

複数の人が会話をした場合には、前後いずれかの文章５２と関連のある内容を話すと想定される。したがって、時系列に文章５２間の類似度を計算して、類似度が低い文章５２を修正候補として特定することにより、適切に修正候補を特定可能である。

実施の形態１では、人毎に音声収集装置４１が設けられている。この場合には、複数の人の音声が重なって記録され難いため、音声認識の精度が高くなる。一方、他の人の発話した内容が考慮されずに文字変換されるため、同音異義語への誤変換が起こり易くなる。例えば、図８のＩＤ００３の文章５２と、ＩＤ００４の文章５２とは別の部分テキストデータ５１に含まれる文章５２である。そのため、ＩＤ００４の文章５２の生成時には、ＩＤ００３の文章５２に関しては考慮されずに文字変換が行われる。その結果、“雨”ではなく“飴”という誤変換が起こり易くなっている。
実施の形態１に係る修正候補特定装置１０は、時系列に文章５２間の類似度を計算することにより、他の部分テキストデータ５１における前後の文章５２との関係から修正候補が特定される。そのため、人毎に音声収集装置４１が設けられているような場合に特に効果を発揮する。

＊＊＊他の構成＊＊＊
＜変形例１＞
実施の形態１では、類似度計算部２５は、表現ベクトル５３の内積を時系列類似度として計算した。しかし、類似度計算部２５は、対象文章から抽出された単語についての表現ベクトル５３と、相手文章から抽出された単語についての表現ベクトル５３とコサイン類似度を時系列類似度として計算してもよい。

＜変形例２＞
図３のステップＳ３で一部の単語についてのベクトルが記憶されておらず、表現ベクトル５３を生成できない可能性がある。表現ベクトル５３を生成できない単語がある場合には、その単語を含む文章５２を、表現ベクトル５３を生成できない単語がある文章５２として特定してもよい。
表現ベクトル５３を生成できない単語は、誤認識された単語である可能性がある。そのため、表現ベクトル５３を生成できない単語がある文章５２として特定することにより、適切に修正すべき候補を特定可能である。

この際、図３のステップＳ６で特定された修正候補と、表現ベクトル５３を生成できない単語がある文章５２とを別々に提示してもよい。

＜変形例３＞
実施の形態１では、対象文章の前と後との少なくともいずれかの文章５２を相手文章として設定した。相手文章は、対象文章の直前または直後の文章５２だけでなく、複数の文章５２を相手文章として設定してもよい。例えば対象文章より前にあり、対象文章と異なる元識別子５５を有する文章５２を相手文章としてもよい。また対象文章より後にあり、対象文章と異なる元識別子５５を有する文章５２を相手文章としてもよい。

＜変形例４＞
実施の形態１では、各機能構成要素がソフトウェアで実現された。しかし、変形例４として、各機能構成要素はハードウェアで実現されてもよい。この変形例４について、実施の形態１と異なる点を説明する。

図９を参照して、変形例４に係る修正候補特定装置１０の構成を説明する。
各機能構成要素がハードウェアで実現される場合には、修正候補特定装置１０は、プロセッサ１１とメモリ１２とストレージ１３とに代えて、電子回路１５を備える。電子回路１５は、各機能構成要素と、メモリ１２と、ストレージ１３との機能とを実現する専用の回路である。

電子回路１５としては、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、ロジックＩＣ、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）が想定される。
各機能構成要素を１つの電子回路１５で実現してもよいし、各機能構成要素を複数の電子回路１５に分散させて実現してもよい。

＜変形例５＞
変形例５として、一部の各機能構成要素がハードウェアで実現され、他の各機能構成要素がソフトウェアで実現されてもよい。

プロセッサ１１とメモリ１２とストレージ１３と電子回路１５とを処理回路という。つまり、各機能構成要素の機能は、処理回路により実現される。

実施の形態２．
実施の形態２は、修正候補からさらに修正対象となる箇所を絞り込む点が実施の形態１と異なる。実施の形態２では、この異なる点を説明して、同一の点については説明を省略する。

＊＊＊動作の説明＊＊＊
図１０及び図１１を参照として、実施の形態２に係る修正候補特定装置１０の動作を説明する。
実施の形態２に係る修正候補特定装置１０の動作手順は、実施の形態２に係る修正候補特定方法に相当する。また、実施の形態２に係る修正候補特定装置１０の動作を実現するプログラムは、実施の形態２に係る修正候補特定プログラムに相当する。

ステップＳ１からステップＳ６の処理は、実施の形態１と同じである。

（図１０のステップＳ７：組合せ類似度計算処理）
類似度計算部２５は、ステップＳ６で特定された各修正候補を対象の修正候補に設定する。類似度計算部２５は、対象の修正候補以外の文章５２を比較文章として、対象の修正候補から抽出された単語と、比較文章それぞれから抽出された各単語との間の類似度を組合せ類似度として計算する。対象の修正候補から複数の単語が抽出された場合には、類似度計算部２５は、対象の修正候補から抽出された各単語と、比較文章それぞれから抽出された各単語との類似度を組合せ類似度として計算する。
図１１に示すように、ＩＤ００４の文章５２が修正候補として特定されたとする。この場合には、類似度計算部２５は、ＩＤ００１，ＩＤ００２，ＩＤ００３，ＩＤ００５，ＩＤ００６の各文章５２を比較文章として設定する。そして、ＩＤ００４の文章５２から抽出された“最近”と“飴”とのそれぞれの単語について、比較文章から抽出された各単語との類似度を組合せ類似度として計算する。なお、類似度計算部２５は、ステップＳ５と同様に、修正候補から抽出された単語についての表現ベクトル５３と、比較対象から抽出された単語についての表現ベクトル５３とを用いて、類似度を計算する。

（図１０のステップＳ８：修正対象特定処理）
候補特定部２６は、修正候補から抽出された各単語を対象の単語に設定する。候補特定部２６は、比較文章から抽出された各単語について、ステップＳ７で計算された対象の単語との組合せ類似度が第２閾値よりも低いか否かを判定する。候補特定部２６は、比較文章から抽出された全ての単語について、対象の単語との組合せ類似度が第２閾値よりも低い場合に、修正候補から抽出された単語を修正対象として特定する。

図１１の場合には、“最近”は、ＩＤ００３の文章５２における“明日”との類似度が第２閾値よりも高くなる。一方、“飴”は、全ての単語との類似度が第２閾値よりも低くなる。その結果、ＩＤ００４の文章５２における“飴”が修正対象として特定される。

＊＊＊実施の形態２の効果＊＊＊
以上のように、実施の形態２に係る修正候補特定装置１０は、修正候補からさらに修正対象となる箇所を絞り込む。これにより、実施の形態１に比べ、修正作業に係る手間を減らすことが可能である。

例えば、直前の文章５２よりも前の文章５２と関連する内容の文章５２が修正候補となっている場合には、修正候補に含まれる単語は、直前の文章５２よりも前の文章５２の単語と類似している可能性がある。実施の形態２では、修正候補の文章５２に対して、他の文章５２全てを比較文章として、全ての単語に対する組み合わせ類似度を計算する。
このように、実施の形態２に係る修正候補特定装置１０は、修正候補の文章５２に対して、文章５２全体との組み合わせ類似度を計算したうえで、より確度が高い修正候補を特定することができるという効果も奏する。

＊＊＊他の構成＊＊＊
＜変形例６＞
図１０のステップＳ８で、候補特定部２６は、比較文章から抽出された全ての単語について、対象の単語との組合せ類似度が第２閾値よりも低い単語を、修正対象として特定した。候補特定部２６は、比較文章から抽出された全ての単語について対象の単語との組合せ類似度を計算したとき、いずれかの単語との組合せ類似度が第２閾値より高い単語を、修正候補が除外するように動作してもよい。この場合、除外されない単語が修正候補となる。
また候補特定部２６は、比較文章から抽出された全ての単語について対象の単語との組合せ類似度を計算し、対象の単語ごとに組合せ類似度の最大値を特定する。この組合せ類似度の最大値が一番低いものを修正候補として特定するように、動作してもよい。あるいは、この組合せ類似度の最大値が高い順から一定量を修正候補から除外するように、動作してもよい。

＜変形例７＞
実施の形態２では、類似度計算部２５は、対象の修正候補以外の文章５２を比較文章とした。しかし、類似度計算部２５は、対象の修正候補以外の文章５２のうち、対象の修正候補と異なる元識別子５５が付された文章５２だけを比較文章としてもよい。
これにより、対象の修正候補の元になった音声データを発話した人とは別の人が発話した音声データから生成された文章５２だけが比較文章となる。人によって単語のイントネーションに癖がある場合がある。これが原因となり、同じ人が発話した音声データから生成された文章５２には、同じ誤りが含まれる可能性がある。例えば、“あめ（雨）”と発話した場合に、ある人が発話すると何度も“雨”ではなく“飴”と誤認識されてしまう場合がある。
そのため、対象の修正候補の元になった音声データを発話した人の他の文章５２を比較文章としてしまうと、比較文章にも同じ誤りが含まれており、適切に修正対象を特定できない可能性がある。これに対して、変形例７に係る方法であれば、適切に修正対象を特定可能になる。

以上、この発明の実施の形態及び変形例について説明した。これらの実施の形態及び変形例のうち、いくつかを組み合わせて実施してもよい。また、いずれか１つ又はいくつかを部分的に実施してもよい。なお、この発明は、以上の実施の形態及び変形例に限定されるものではなく、必要に応じて種々の変更が可能である。

１０ 修正候補特定装置、１１ プロセッサ、１２ メモリ、１３ ストレージ、１４ 通信インタフェース、１５ 電子回路、２１ データ取得部、２２ 単語抽出部、２３ ベクトル生成部、２４ テキスト合成部、２５ 類似度計算部、２６ 候補特定部、４１ 音声収集装置、４２ 音声認識装置、５１ 部分テキストデータ、５２ 文章、５３ 表現ベクトル、５４ 合成テキストデータ、５５ 元識別子。

Claims (8)

1. 複数の文章から構成されるテキストデータに含まれる単語を抽出する単語抽出部と、
   前記複数の文章それぞれを対象文章とし、前記対象文章の前と後との少なくともいずれかの文章を相手文章として、前記単語抽出部によって前記対象文章から抽出された単語と、前記単語抽出部によって前記相手文章から抽出された単語との類似度を時系列類似度として計算する類似度計算部と、
   前記複数の文章それぞれを対象文章として、前記対象文章について前記類似度計算部によって計算された前記時系列類似度が第１閾値よりも低い場合に、前記対象文章を修正候補として特定する候補特定部と
   を備える修正候補特定装置。
2. 前記類似度計算部は、前記候補特定部によって特定された前記修正候補以外の文章を比較文章として、前記修正候補から抽出された単語と、前記比較文章それぞれから抽出された単語との間の類似度を組合せ類似度として計算し、
   前記候補特定部は、比較文章から抽出されたどの単語についての前記組合せ類似度も第２閾値よりも低い場合に、前記修正候補から抽出された単語を修正対象として特定する
   請求項１に記載の修正候補特定装置。
3. 前記テキストデータは、複数の音声収集装置それぞれによって収集された音声データが変換された部分テキストデータを合成することによって生成された
   請求項２に記載の修正候補特定装置。
4. 前記類似度計算部は、前記修正候補を含む部分テキストデータ以外の部分テキストデータに含まれる文章を前記比較文章として、前記組合せ類似度を計算する
   請求項３に記載の修正候補特定装置。
5. 前記修正候補特定装置は、さらに、
   前記単語抽出部によって抽出された単語を対象単語として、前記対象単語の意味を表す表現ベクトルを生成するベクトル生成部
   を備え、
   前記類似度計算部は、前記ベクトル生成部によって生成された前記表現ベクトルを用いて、前記類似度を計算する
   請求項１から４までのいずれか１項に記載の修正候補特定装置。
6. 前記類似度計算部は、一方の文章から抽出された単語についての前記表現ベクトルと、他方の文章から抽出された単語についての前記表現ベクトルとの内積を前記類似度として計算する
   請求項５に記載の修正候補特定装置。
7. 単語抽出部が、複数の文章から構成されるテキストデータに含まれる単語を抽出し、
   類似度計算部が、前記複数の文章それぞれを対象文章とし、前記対象文章の前と後との少なくともいずれかの文章を相手文章として、前記対象文章から抽出された単語と、前記相手文章から抽出された単語との類似度を時系列類似度として計算し、
   候補特定部が、前記複数の文章それぞれを対象文章として、前記対象文章について計算された前記時系列類似度が第１閾値よりも低い場合に、前記対象文章を修正候補として特定する修正候補特定方法。
8. 複数の文章から構成されるテキストデータに含まれる単語を抽出する単語抽出処理と、
   前記複数の文章それぞれを対象文章とし、前記対象文章の前と後との少なくともいずれかの文章を相手文章として、前記単語抽出処理によって前記対象文章から抽出された単語と、前記単語抽出処理によって前記相手文章から抽出された単語との類似度を時系列類似度として計算する類似度計算処理と、
   前記複数の文章それぞれを対象文章として、前記対象文章について前記類似度計算処理によって計算された前記時系列類似度が第１閾値よりも低い場合に、前記対象文章を修正候補として特定する候補特定処理と
   を行う修正候補特定装置としてコンピュータを機能させる修正候補特定プログラム。

Images