JP6987447B2

JP6987447B2 - 音声認識装置

Info

Publication number: JP6987447B2
Application number: JP2017213319A
Authority: JP
Inventors: 精一束岡
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2017-11-03
Filing date: 2017-11-03
Publication date: 2022-01-05
Anticipated expiration: 2037-11-03
Also published as: JP2019086599A

Description

本発明は、車両等に搭載されて車載装置に対して各種の音声入力を行う音声認識装置に関する。

従来から、複数の階層レベルのそれぞれに対応するノード毎に専用の認識辞書を用意して音声認識処理を行うようにした音声認識装置が知られている（例えば、特許文献１参照。）。この音声認識装置では、階層レベル１のノードＡに含まれる複数の操作コマンドとしての選択肢（例えば、「空調装置」と「ナビゲーション装置」）のいずれかを音声入力することにより、階層レベル２のノードＢ、Ｃ（例えば、ノードＢが「空調装置」に、ノードＣが「ナビゲーション装置」に対応する）のいずれかを選択することができる。また、ノードＢを選択した後にノードＢに含まれる複数の操作コマンドとしての選択肢（例えば、「風量」と「室内設定温度」）のいずれかを音声入力することにより、階層レベル３のノードＤ、Ｅ（例えば、ノードＤが「風量」に、ノードＥが「室内設定温度」に対応する）のいずれかを選択することができる。さらに、ノードＤを選択した後にノードＤに含まれる複数の操作コマンドとしての選択肢（例えば、「３」、「２」、「１」）のいずれかを音声入力することにより、選択した選択肢に対応する風量に設定するための操作コマンドが受け付けられる。

また、この音声認識装置では、トークスイッチを複数回操作することにより、下位階層から上位階層への遷移を可能としている。例えば、ノードＢに含まれる一方の操作コマンドである「風量」の設定をノードＤに遷移して行った後、再びノードＢに含まれる他方の操作コマンドである「室内設定温度」の設定を行いたい場合には、ノードＤに遷移した状態でトークスイッチを複数回クリックすることで、ノードＢに対応するノードＢ辞書を用いた音声認識処理を行って操作コマンド「室内設定温度」を選択することが可能となる。

特開２０１２−１２８２３９号公報

ところで、上述した特許文献１に開示された音声認識装置では、各ノード（操作画面）ごとに認識辞書が用意されているため、各ノードに含まれる複数の操作コマンドのいずれかを確実に選択することができるが、異なる階層レベルのノードや、同じ階層レベルに属する他のノードについて操作コマンドを入力しようとすると、トークスイッチを複数回クリックしなければならず、操作が煩雑になるという問題がある。また、同じ階層レベルに属する他のノードに移行する場合には一旦上位の階層レベルのノードに移行する必要があり、その点でも操作が煩雑になる。

一方、この操作の煩雑さを回避するために、複数のノードに共通の認識辞書を用意する場合が考えられるが、この場合には、あるノードに対応する操作コマンドを音声入力にて選択したいときに、誤って他のノードに対応する操作コマンドが音声入力されたものと誤認識されるおそれがあるという問題がある。

本発明は、このような点に鑑みて創作されたものであり、その目的は、操作コマンド選択を音声入力によって行う際の操作を簡略化しつつ誤認識を防止することができる音声認識装置を提供することにある。

上述した課題を解決するために、本発明の音声認識装置は、利用者の発話音声を集音する集音手段と、操作画面に含まれる操作コマンドに対応する音声データが登録された音声認識辞書を格納する音声認識辞書格納手段と、音声入力した際の発話データと音声認識辞書に登録された音声データとを照合することにより、発話データと類似度が最も高い音声データに対応する操作コマンドを特定する音声認識処理手段とを備え、音声認識処理手段は、同じ操作画面に含まれる複数の操作コマンドの特定を利用者の音声入力にしたがって行う場合に、２回目以降の操作コマンドの特定を、同じ操作画面に含まれる操作コマンドについて算出された類似度を高い値に変更して行い、１回目の操作コマンドの特定については、高い値への類似度の変更を行わない。特に、上述した音声認識辞書は、複数の操作画面に含まれる操作コマンドに対応する音声データが登録されていることが望ましい。

音声認識辞書の登録範囲が操作画面毎に限定されないため、例えば表示中の操作画面だけでなく他の操作画面に含まれる操作コマンドを直接選択することができ、操作画面切り替え等の手間が不要であって操作を簡略化することができる。また、ある操作画面を表示中に複数の操作コマンドを順番に選択するような場合には同じ操作画面に含まれる操作コマンドを選択することが多いが、このような場合に２回目以降の操作コマンドの選択では同じ操作画面に含まれる操作コマンドを優先的に選択することができ、誤って他の操作画面に含まれる操作コマンドが選択されてしまう誤認識を防止することが可能となる。

また、上述した音声認識処理手段は、音声認識辞書に音声データが登録された操作コマンドの中から類似度が高い最大ｎ個までの候補を抽出した後に、類似度を高い値に変更することが望ましい。これにより、特定対象の操作コマンドの候補を絞った後に同じ操作画面に含まれる操作コマンドの優先順位を高めることができ、誤認識により意図しない操作画面の操作コマンドが特定されることを確実に防止することができる。

また、上述した音声認識処理手段は、２回目以降の操作コマンドの特定が、直前に特定した操作コマンドと同じ操作画面に含まれる場合に、類似度を高い値に変更することが望ましい。これにより、特定対象となる操作コマンドが含まれる可能性が高い操作画面について類似度の変更を行うことが可能となる。

また、上述した音声認識処理手段は、操作コマンドを特定する際に同じ操作画面に含まれる操作コマンドの候補が複数存在する場合に、最も類似度が高い操作コマンドの候補の類似度を高い値に変更することが望ましい。これにより、特定される可能性が高い操作コマンドについて確実に類似度の変更を行うことが可能となる。

また、上述した音声認識処理手段は、上限値に置き換えることにより、類似度を高い値に変更することが望ましい。あるいは、上述した音声認識処理手段は、所定の加算値を加算することにより、類似度を高い値に変更することが望ましい。また、上述した音声認識処理手段は、所定の乗算値を乗算することにより、類似度を高い値に変更することが望ましい。このようにして具体的に類似度を高い値に変更することにより、類似度が変更された操作コマンドが音声認識結果として特定される可能性を高くすることができる。

一実施形態の車載装置の構成を示す図である。車載装置で用いられる操作コマンドが含まれる各操作画面の階層化の一例を示す図である。利用者が音声入力した操作コマンドを音声認識処理によって特定する動作手順を示す流れ図である。

以下、本発明の音声認識装置を適用した一実施形態の車載装置について、図面を参照しながら説明する。

図１は、一実施形態の車載装置の構成を示す図である。図１に示すように、車載装置１は、ナビゲーション処理部１０、ＡＶ処理部１４、ディスク装置１６、操作部２０、入力制御部２２、表示処理部２４、表示装置２６、マイクロホン３０、アナログ−デジタル変換器（Ａ／Ｄ）３２、デジタル−アナログ変換器（Ｄ／Ａ）４０、スピーカ４２、制御部５０、ハードディスク装置（ＨＤＤ）７０、ＵＳＢインタフェース部（ＵＳＢＩ／Ｆ）８０を備えている。

ナビゲーション処理部１０は、ハードディスク装置７０に格納されている地図データを用いて、車載装置１が搭載された車両の走行を案内するナビゲーション動作を行う。自車位置を検出するＧＰＳ（Global Positioning System）装置１２とともに用いられ、車両の走行を案内するナビゲーション動作には、地図表示、経路探索・誘導のほかに周辺施設を検索して表示する動作などが含まれる。

ＡＶ処理部１４は、ディスク装置１６を用いてＣＤから読み取った、あるいは、ＵＳＢインタフェース部８０に接続されたＵＳＢメモリ等（図示せず）から読み込んだ音楽データや映像データを読み出して再生する処理を行う。

操作部２０は、利用者による各種操作を受け付けるためのものであり、各種のスイッチや操作つまみ等が備わっている。入力制御部２２は、操作部２０の操作状態を監視し、利用者による入力内容を検出する。

表示処理部２４は、各種の操作画面や入力画面等を表示する映像信号を出力して表示装置２６にこれらの画面を表示するとともに、ＡＶ処理部１４によって再生した映像画面等を表示する映像信号を出力して表示装置２６にこの画面を表示する。表示装置２６は、運転席と助手席の中央前方に設置されており、例えば液晶表示装置（ＬＣＤ）を用いて構成されている。

マイクロホン３０は、利用者（例えば、自車両の運転者）の発話音声を集音する。アナログ−デジタル変換器３２は、マイクロホン３０によって集音された音声信号をデジタルの発話データに変換する。

デジタル−アナログ変換器４０は、ナビゲーション処理部１０やＡＶ処理部１４などの処理によって生成される案内音声やオーディオ音（デジタルデータ）をアナログの音声信号に変換してスピーカ４２から出力する。なお、実際には、デジタル−アナログ変換器４０とスピーカ４２の間には信号を増幅する増幅器が接続されているが、図１ではこの増幅器は省略されている。また、デジタル−アナログ変換器４０とスピーカ４２との組合せは再生チャンネル数分備わっているが、図１では一組のみが図示されている。

制御部５０は、車載装置１の全体を制御するためのものであり、ＲＯＭやＲＡＭなどに格納された所定のプログラムをＣＰＵで実行することにより実現される。この制御部５０は、操作画面処理部５１と音声認識処理部５２を有する。

操作画面処理部５１は、ナビゲーション処理部１０やＡＶ処理部１４など処理や各種の設定（例えば、使用言語の指定や利用者のプロファイル入力など）に必要な操作画面を作成したり、操作画面を用いた操作内容の決定などの処理を行う。各操作画面には、利用者が選択可能な複数の選択肢としての操作コマンドが含まれている。

図２は、車載装置１で用いられる操作コマンドが含まれる各操作画面の階層化の一例を示す図である。図２に示すように、本実施形態で用いられる各操作コマンドが含まれる操作画面は階層化されており、Ａ〜Ｈのそれぞは各操作コマンドが含まれる操作画面を示している。

具体的には、第１階層の操作画面Ａには４つの操作コマンド「Ｍｅｄｉａ」、「Ｔｅｌｅｐｈｏｎｅ」、「Ｎａｖｉｇａｔｉｏｎ」、「Ｓｅｔｔｉｎｇｓ」が含まれる。この操作画面Ａが表示されているときに、これら４つの操作コマンドの中の一つが利用者によって選択されると、選択された操作コマンドに対応する次の操作画面に表示が遷移し、次の操作画面に含まれる複数の操作コマンドが選択可能な状態になる。例えば、操作画面Ａを表示中に操作コマンド「Ｎａｖｉｇａｔｉｏｎ」（ナビゲーション）が選択されると、「Ｄｅｓｔｉｎａｔｉｏｎ」、「ＰＯＩ」、「ｌａｓｔｄｅｓｔｉｎａｔｉｏｎ」の３つの操作コマンドが含まれる操作画面Ｄに表示が遷移する。

この操作画面Ｄが表示されているときに、これら３つの操作コマンドの中の一つが利用者によって選択されると、選択された操作コマンドに対応する次の操作画面に表示が遷移し、次の操作画面に含まれる複数の操作コマンドが選択可能な状態になる。例えば、操作画面Ｄを表示中に操作コマンド「Ｄｅｓｔｉｎａｔｉｏｎ」（目的地設定）が選択されると、「Ｃｏｕｎｔｒｙ」、「Ｃｉｔｙ」、「Ｓｔｒｅｅｔ」の３つの操作コマンドが含まれる操作画面Ｈに表示が遷移する。

このような階層化された各操作画面を作成、表示したり、各操作画面間で表示を遷移させたりする処理が操作画面処理部５１によって行われる。

音声認識処理部５２は、マイクロホン３０を用いて音声入力した際の発話データと音声認識辞書に登録された音声データとを照合することにより、発話データと類似度が最も高い音声データに対応する操作コマンドを特定する。この音声認識辞書には、操作画面に含まれる操作コマンドに対応する音声データが登録されており、ハードディスク装置７０に格納されている。また、本実施形態では、１つの音声認識辞書に、複数の操作画面（図２に示す操作画面Ａ〜Ｈ）に含まれる各操作コマンドに対応する音声データが登録されているものとする。

また、音声認識処理部５２は、同じ操作画面に含まれる複数の操作コマンドの特定を利用者の音声入力にしたがって行う場合に、２回目以降の操作コマンドの特定を、同じ操作画面に含まれる操作コマンドについて算出された類似度を高い値に変更して行う。この具体例については後述する。

また、図１に示すＵＳＢインタフェース部８０は、ＵＳＢケーブルを介して携帯端末装置やＵＳＢメモリなどのＵＳＢ機器との間で信号の入出力を行うためのものである。このＵＳＢインタフェース部８０には、ＵＳＢポートやＵＳＢホストコントローラが含まれる。

上述したマイクロホン３０が集音手段に、ハードディスク装置７０が音声認識辞書格納手段に、音声認識処理部５２が音声認識処理手段にそれぞれ対応する。

本実施形態の車載装置１はこのような構成を有しており、次に、その動作を説明する。図３は、利用者が音声入力した操作コマンドを音声認識処理によって特定する動作手順を示す流れ図である。例えば、操作画面を表示中に各操作画面（表示中の操作画面に限られない）に含まれるいずれかの操作コマンドが音声入力され、この操作コマンドについて音声認識処理が行われるものとする。

音声認識処理部５２は、操作画面処理部５１によって作成されたいずれかの操作画面が表示中か否かを判定する（ステップ１００）。操作画面が表示中でない場合には否定判断が行われ、この判定が繰り返される。また、操作画面が表示中の場合にはステップ１００の判定において肯定判断が行われる。

次に、音声認識処理部５２は、マイクロホン３０を用いた音声入力があるか否かを判定する（ステップ１０２）。利用者による発話がない場合には否定判断が行われ、この判定が繰り返される。また、利用者による発話があった場合にはステップ１０２の判定において肯定判断が行われる。なお、利用者による発話のタイミングを明確にするために、利用者によって発話スイッチ（図示せず）が操作されてからマイクロホン３０によって利用者の発話音声を取り込むようにしてもよい。あるいは、発話スイッチを用いずに、マイクロホン３０によって集音された利用者の発話音声を任意のタイミングで取り込むようにしてもよい。

次に、音声認識処理部５２は、入力音声の発話データと音声認識辞書に登録された音声データとを照合することにより、発話データと類似度が高い音声データに対応する操作コマンドの候補を、類似度が高い順にｎ個抽出する（ステップ１０４）。なお、類似度が高い候補がｎ個未満しか存在しない場合には、これらのｎ個未満の候補が抽出される。

次に、音声認識処理部５２は、今回の音声入力が、表示中の操作画面について２回目以降の音声入力か否かを判定する（ステップ１０６）。２回目以降の音声入力の場合には肯定判断が行われる。この場合には、音声認識処理部５２は、同じ操作画面（表示中の操作画面）に含まれる候補が存在するか否かを判定する（ステップ１０８）。存在する場合には肯定判断が行われる。

次に、音声認識処理部５２は、同じ操作画面に含まれる候補の類似度を高い値に変更する（ステップ１１０）。特定の候補の類似度を高い値に変更する具体例としては、（１）類似度を上限値に置き換える、（２）所定の加算値を加算することにより類似度の値を変更する、（３）所定の乗算値を乗算することにより類似度の値を変更する、などが考えられる。なお、同じ操作画面に含まれる候補が複数存在する場合にこれら複数の候補の類似度を上限値に置き換えると、これら複数の候補の類似度が全て同じになってしまうため、最も類似度が高い候補についてのみ上限値に置き換えるようにする。

次に、あるいはステップ１０６の判定において否定判断が行われた後（表示中の操作画面について最初の音声入力が行われる場合）またはステップ１０８の判定において否定判断が行われた後（表示中の操作画面に含まれる操作コマンドがｎ個の候補に含まれない場合）、音声認識処理部５２は、ｎ個の候補の中から類似度が最も高い候補を音声認識結果として採用する（ステップ１１２）。

このように、本実施形態の音声認識辞書の登録範囲が操作画面毎に限定されないため、例えば表示中の操作画面だけでなく他の操作画面に含まれる操作コマンドを直接選択することができ、操作画面切り替え等の手間が不要であって操作を簡略化することができる。また、ある操作画面を表示中に複数の操作コマンドを順番に選択するような場合には同じ操作画面に含まれる操作コマンドを選択することが多いが、このような場合に表示中の同じ操作画面についての２回目以降の操作コマンドの選択では同じ操作画面に含まれる操作コマンドの類似度を高い値にすることで、すなわち、直前に実行した１回分の音声認識結果を考慮することで、この操作コマンドを優先的に選択することができ、誤って他の操作画面に含まれる操作コマンドが選択されてしまう誤認識を防止することが可能となる。

例えば、操作画面Ｈ（図２）を表示中に、最初に操作コマンド「Ｃｏｕｎｔｒｙ」を音声入力により指定して国名入力を行い、次に操作コマンド「Ｃｉｔｙ」を音声入力により指定して都市名入力を行う場合を考えるものとする。

最初に操作コマンド「Ｃｏｕｎｔｒｙ」を音声入力した際には、図３のステップ１０６の判定において否定判断が行われるため、この音声入力の発話データに基づいて抽出された最大ｎ個の候補の類似度は、高い値に変更されることなくそのまま比較され、最も類似度が高い候補が音声認識結果として採用される。

次に操作コマンド「Ｃｉｔｙ」を音声入力した際には、同じ表示中の操作画面Ｈ（直前に特定した操作コマンド「Ｃｏｕｎｔｒｙ」と同じ操作画面Ｈ）についての２回目以降の音声入力であって図３のステップ１０６の判定において肯定判断が行われる。また、利用者が発話した「Ｃｉｔｙ」に対して、２つの候補「Ｓｅｔｔｉｎｇｓ」（類似度を示す音声認識スコア＝６０００）と「Ｃｉｔｙ」（音声認識スコア＝５９００）が抽出されると、「Ｃｉｔｙ」は操作画面Ｈに含まれるためステップ１０８の判定において肯定判断が行われる。このため、表示画面Ｈに含まれる「Ｃｉｔｙ」についてのみ類似度（音声認識スコア）が高い値に変更される。例えば、上限値である９０００に置き換えられたり、所定の加算値１０００を加算してて６９００に変更されたり、所定の乗算値１．２が乗算されて７０８０に変更される。この結果、この「Ｃｉｔｙ」の類似度が最も高くなって、この「Ｃｉｔｙ」が認識結果として採用される。

また、特定対象の操作コマンドの候補を最大ｎ個に絞った後に同じ操作画面（表示中の操作画面、直前に特定した認識結果としての操作コマンドと同じ操作画面）に含まれる候補については優先順位を高めることができ、誤認識により意図しない操作画面の操作コマンドが特定されることを確実に防止することができる。

なお、本発明は上記実施形態に限定されるものではなく、本発明の要旨の範囲内において種々の変形実施が可能である。例えば、上述した実施形態では、車載装置１の操作画面を表示中に利用者によって音声入力された操作コマンドを音声認識処理によって特定するようにしたが、車載装置１以外の装置における操作画面を表示中に音声認識処理を行う場合について本発明を適用することができる。

上述したように、本発明によれば、音声認識辞書の登録範囲が操作画面毎に限定されないため、例えば表示中の操作画面だけでなく他の操作画面に含まれる操作コマンドを直接選択することができ、操作画面切り替え等の手間が不要であって操作を簡略化することができる。また、２回目以降の操作コマンドの選択では同じ操作画面に含まれる操作コマンドを優先的に選択することができ、誤って他の操作画面に含まれる操作コマンドが選択されてしまう誤認識を防止することが可能となる。

１車載装置
１０ナビゲーション処理部
１４ＡＶ処理部
３０マイクロホン
３２アナログ−デジタル変換器（Ａ／Ｄ）
５０制御部
５１操作画面処理部
５２音声認識処理部
７０ハードディスク装置

Claims

利用者の発話音声を集音する集音手段と、
操作画面に含まれる操作コマンドに対応する音声データが登録された音声認識辞書を格納する音声認識辞書格納手段と、
音声入力した際の発話データと前記音声認識辞書に登録された音声データとを照合することにより、前記発話データと類似度が最も高い前記音声データに対応する前記操作コマンドを特定する音声認識処理手段と、
を備え、前記音声認識処理手段は、同じ前記操作画面に含まれる複数の前記操作コマンドの特定を利用者の音声入力にしたがって行う場合に、２回目以降の前記操作コマンドの特定を、同じ前記操作画面に含まれる前記操作コマンドについて算出された類似度を高い値に変更して行い、１回目の前記操作コマンドの特定については、高い値への類似度の変更を行わないことを特徴とする音声認識装置。
前記音声認識辞書は、複数の前記操作画面に含まれる前記操作コマンドに対応する音声データが登録されていることを特徴とする請求項１に記載の音声認識装置。
前記音声認識処理手段は、前記音声認識辞書に音声データが登録された前記操作コマンドの中から類似度が高い最大ｎ個までの候補を抽出した後に、前記類似度を高い値に変更することを特徴とする請求項１または２に記載の音声認識装置。
前記音声認識処理手段は、２回目以降の前記操作コマンドの特定が、直前に特定した前記操作コマンドと同じ前記操作画面に含まれる場合に、前記類似度を高い値に変更することを特徴とする請求項１〜３のいずれか一項に記載の音声認識装置。
前記音声認識処理手段は、前記操作コマンドを特定する際に同じ前記操作画面に含まれる前記操作コマンドの候補が複数存在する場合に、最も類似度が高い前記操作コマンドの候補の類似度を高い値に変更することを特徴とする請求項１〜４のいずれか一項に記載の音声認識装置。
前記音声認識処理手段は、上限値に置き換えることにより、前記類似度を高い値に変更することを特徴とする請求項１〜５のいずれか一項に記載の音声認識装置。
前記音声認識処理手段は、所定の加算値を加算することにより、前記類似度を高い値に変更することを特徴とする請求項１〜５のいずれか一項に記載の音声認識装置。
前記音声認識処理手段は、所定の乗算値を乗算することにより、前記類似度を高い値に変更することを特徴とする請求項１〜５のいずれか一項に記載の音声認識装置。