JP7207694B2 - 音声出力装置 - Google Patents

Description

特許法第３０条第２項適用 ＢＳ－ＴＢＳ 夢の鍵 ２０１８年２月３日

本発明は、音声を出力する音声出力装置に関する。

従来、画像に含まれている文字等を音声出力することによって、視覚障碍者の生活を補助する音声出力装置がある。このような音声出力装置としては、メガネに取り付けられたカメラと、このカメラに有線で接続されたコンピュータと、を有する音声出力装置が特許文献１に開示されている（特許文献１参照）。

国際公開第２０１４／１４０８００号公報

特許文献１では、コンピュータはカメラが映した画像や文字を音声データに変換し、スピーカから当該変換した音声データに基づいて音声を出力している。ユーザは、音声出力装置を使用する際に、カメラが取り付けられたメガネを掛けると共に、箱型のコンピュータを腰等の体の部位に固定する。

このような腰に音声認識装置を装着するタイプの装置は、操作性が悪いという問題がある。また、頭部にカメラを装着し、カメラとコンピュータとを有線で接続する場合には、コードが煩わしいという問題が一例として挙げられる。

また、腰に箱形のコンピュータを取り付ける場合には、身体の一方にコンピュータの重さがかかってしまう。それ故に、コンピュータが重いとユーザが動きづらくなってしまう。そのため、携帯性の向上のためにコンピュータの軽量化が必要であるという問題が一例として挙げられる。また、このコンピュータの軽量化には非常にコストがかかり、装置が高価になってしまうと言う問題が一例として挙げられる。

本発明は、上記従来の問題点に鑑みてなされたものであり、操作性及び携帯性が高くかつ安価な音声認識出力装置を提供することを目的とする。

かかる課題を解決するため、本発明の音声出力装置は、基部及び前記基部から同一方向に伸長する第１の腕部及び第２の腕部を有しており、ユーザの首に掛止される携行部材と、撮像した画像に含まれる文字に基づいて音声データを生成する音声データ生成手段と、前記音声データに基づいて音声を出力する出力手段と、前記携行部材の前記第１の腕部及び前記第２の腕部のうち少なくとも一方に搭載され前記出力手段による前記音声の出力の態様に関する操作を受け付ける操作受付手段と、を有することを特徴とする。
また、このような構成の場合、前記ユーザの頭部に装着可能な保持手段と、前記保持手段に保持されている前記画像を撮像する撮像手段と、前記ユーザの頭部の右側部又は左側部に位置するように前記保持手段に保持され、かつ前記撮像手段に対する撮像の指示の入力を受け付ける撮像指示入力手段と、を有し、前記操作受付手段は、前記第１の腕部及び前記第２の腕部のうち前記撮像指示入力手段からみて近位の腕部に設けられていることが好ましい。

本発明の音声出力装置によれば、ユーザは、携行部材を首に掛ける態様で音声出力装置を装着することができる。このため、箱型のコンピュータを持ち歩くことなく音声出力装置を移動させることが可能となる。それゆえ、音声出力装置の携帯性の向上を図ることが可能となる。

また、携行部材は、例えば、ユーザの首に掛ける態様で音声出力装置を装着することができるため、一定の大きさを維持しつつ、重量を第１の腕部と第２の腕部に分散させることが可能となる。すなわち、携行部材の小型化を図る必要がないため、安価な音声認識出力装置を提供することが可能となる。

さらに、第１の腕部及び第２の腕部のうち少なくとも一方に操作受付手段が搭載されることにより、ユーザの手元で操作受付手段の操作を行うことが可能となる。それゆえ、音声出力装置の操作性の向上を図ることが可能となる。

また、本発明の携行部材は、基部及び前記基部から同一方向に伸長する第１の腕部及び第２の腕部を有しており、ユーザの首に掛止されるハウジングと、画像を外部に送信する送信手段と、前記画像に基づいて生成された音声データを受信する受信手段と、前記音声データに基づいて音声を出力する出力手段と、前記ハウジングの前記第１の腕部及び前記第２の腕部のうち少なくとも一方に搭載され前記音声の出力の態様に関する操作を受け付ける操作受付手段と、前記ユーザの頭部に装着可能な保持手段と、前記保持手段に保持されている前記画像を撮像する撮像手段と、前記ユーザの頭部の右側部又は左側部に位置するように前記保持手段に保持され、かつ前記撮像手段に対する撮像の指示の入力を受け付ける撮像指示入力手段と、を有し、前記操作受付手段は、前記第１の腕部及び前記第２の腕部のうち前記撮像指示入力手段からみて近位の腕部に設けられていることを特徴とする。

実施例１に係る音声出力装置をユーザが使用した態様を示す説明図である。 図１の携行部材の斜視図である。 図１の携行部材の斜視図である。 図１の携行部材の斜視図である。 図１の携行部材の斜視図である。 図２Ａの携行部材に配された操作ボタンの拡大図である。 図２Ａの携行部材に配された操作ボタンの拡大図である。 図２Ａの携行部材に配された操作ボタンの拡大図である。 図２Ａの携行部材に配された操作ボタンの拡大図である。 実施例１に係る音声出力装置をユーザが使用した態様を示す説明図である。 実施例１に係る音声出力装置の操作態様を示す説明図である。 実施例１に係る音声出力装置の操作態様を示す説明図である。 図１の撮像装置のコントロールユニットの機能ブロックを示すブロック図である。 図１の携行部材のコントロールユニットの機能ブロックを示すブロック図である。 実施例１に係る音声出力装置の音声出力処理を示すフロー図である。 図１の撮像装置による撮像処理を示すフロー図である。 図１の携行部材による音声データ生成処理を示すフロー図である。 実施例２に係る音声出力装置に接続されているサーバの機能ブロックを示すブロック図である。 図１３のサーバによる音声データ生成処理を示すフロー図である。

以下、図面を参照しながら、本発明の実施の形態についてさらに詳しく説明する。しかし、これらを適宜改変し、組み合わせてもよい。また、以下の説明及び添付図面において、実質的に同一又は等価な部分には同一の参照符を付して説明する。

図１は、実施例１に係る音声出力装置１０をユーザＵが使用した態様を示している。図１に示すように、音声出力装置１０は、撮像装置であるカメラ２０によって撮像された画像に基づいて音声を出力する。

カメラ２０は、ユーザの頭部に装着可能な保持手段としてのメガネＥＧに搭載されている。具体的には、メガネＥＧは、ユーザＵの右目を覆う右レンズＲＬ及びユーザＵの左目を覆う左レンズＬＬを支持するフレームＦＲを含む。カメラ２０は、メガネＥＧの左レンズＬＬ側のフレームＦＲに搭載されている。言い換えれば、カメラ２０は、ユーザＵの頭部の左側部に位置するようにメガネＥＧに保持されている。

尚、カメラ２０は、メガネＥＧに対して容易に着脱可能なアタッチメント介して搭載されていてもよいし、ボルトやねじ等の締結部材によってフレームＦＲに締結されていてもよい。また、カメラ２０は、ユーザＵの頭部の右側部に位置するようにメガネＥＧに保持されていてもよい。

カメラ２０は、ユーザＵの周囲を撮像する。言い換えれば、カメラ２０は、メガネＥＧの周囲を撮像する。カメラ２０は、カメラ２０に対する撮像を指示の入力を受け付けるシャッターボタンＳＢを含む。言い換えれば、シャッターボタンＳＢは、カメラ２０に対する撮像の指示の入力を受け付ける撮像指示入力手段として機能する。シャッターボタンＳＢは、カメラ２０のボディから垂直方向に向かって離れるように突出して設けられている。なお、本実施例においては、シャッターボタンＳＢはカメラ２０のボディから垂直方向下側または地面側に向かって離れるように突出して設けられている。これは本実施例においてはユーザＵが利き腕にて操作部であるボタンＢ１およびＢ２を操作するとともに、利き腕とは逆の腕でシャッターボタンＳＢを操作することを想定しているからである。たとえば、利き腕が右腕のユーザＵの場合、シャッターボタンＳＢおよび操作部であるボタンＢ１およびＢ２、ユーザＵの左側に配置される。ユーザが利き腕とは逆の腕側に配置されたシャッターボタンＳＢを操作する場合、図６のように親指が下側、人差し指から小指が親指に対して上側にくるのが自然である。そのため、ユーザＵがシャッターボタンＳＢを操作する場合、人差し指から小指のうち任意の指でシャッターボタンＳＢの上側を支え、親指にてシャッターボタンＳＢを押下（この場合上方向に押下）することになる。こうすることで、自然な手の配置となるため、利き腕とは逆の腕でシャッターボタンＳＢを押下してもメガネＥＧおよびそれに付随するカメラ２０に対して振動が加わりにくくなり、手振れの少ない画像を撮像することが可能である。こうすることによって画像からの文字の認識のエラー率を下げることができる。それと同時に、ユーザＵは利き腕にて操作部であるボタンＢ１およびＢ２が操作可能であるので、利き腕でない方の腕での操作に比べて細かな操作が可能となる。

カメラ２０は、シャッターボタンＢＳが押されると、レンズＬＥから入光した光を撮像素子（図示せず）によって電気信号に変換する。変換された電気信号は、画像としてカメラ２０に内蔵されたフラッシュメモリ等の記録媒体（図示せず）に記録される。

音声出力装置１０は、携行部材３０を含んでいる。携行部材３０は、例えば、樹脂素材で形成されている。携行部材３０には、カメラ２０と通信可能なインタフェース（図示せず）が設けられている。携行部材３０は、ＵＳＢ（Universal Sirial Bas）等のケーブルによってカメラ２０と接続されている。すなわち、カメラ２０は、携行部材３０の周囲を撮像するともいえる。

携行部材３０には、音声データに基づいて音声を出力する出力手段としてのスピーカＳＰが搭載されている。スピーカＳＰは、カメラ２０によって撮像された画像に基づいて変換された音声データに基づいて音声を出力する。携行部材３０は、音声データに基づいて音声を出力する制御を行うコントロールユニットＣＵ１を有する。

図２Ａは、実施例１に係る携行部材３０を正面から見た斜視図を示している。図２Ｂは、実施例１に係る携行部材３０を上面から見た斜視図を示している。図２Ａ及び図２Ｂに示すように、携行部材３０は、基部３１及び基部３１から同一方向に伸長する第１の腕部３３及び第２の腕部３４を有する。すなわち、基部３１、第１の腕部３３及び第２の腕部３４によってハウジングが構成されている。

基部３１は、第１の腕部３３の伸張方向に伸張する直線Ｌ１及び第２の腕部３４の伸張方向に沿って伸張する直線Ｌ２によって規定される平面Ｓに垂直な方向からみて円弧状に湾曲している板状部材である。

第１の腕部３３及び第２の腕部３４は、それぞれ基部３１とは別体に形成されている。第１の腕部３３は、基部３１の一方の端部に接続する接続部３３ａを有する。第１の腕部３３は、基部３１の一方の端部に接続する接続部３３ａを有する。接続部３３ａは、基部３１にボルト等の締結部材によって固定されている。

第１の腕部３３は、接続部３３ａから続いて一体に形成され、かつ基部３１に対して略Ｌ字状を成して形成されている延長部３３ｂを有する。延長部３３ｂは、錐台状に形成されている。

延長部３３ｂは、具体的には、全体として四角錘台状に形成されている。延長部３３ｂの伸長方向の先端は丸みを帯びて湾曲して形成されている。また、ユーザＵの体に触れる部分については、角が落ちて形成されている。延長部３３ｂの頂面及び頂面に対向する底面は略長方形に形成されている。頂面は、底面よりも面積が狭く形成されている。頂面と底面の間に形成される側面は台形状に形成されている。

第２の腕部３４は、基部３１の一方の端部に接続する接続部３４ａを有する。第２の腕部３４は、基部３１の他方の端部に接続する接続部３４ａを有する。接続部３４ａは、基部３１にボルト等の締結部材によって固定されている。

第２の腕部３４は、接続部３４ａから続いて一体に形成され、かつ基部３１に対して略Ｌ字状を成して形成されている延長部３４ｂを有する。延長部３４ｂは、錐台状に形成されている。

延長部３４ｂは、具体的には、全体として四角錘台状に形成されている。延長部３４ｂの伸長方向の先端は丸みを帯びて湾曲して形成されている。また、ユーザＵの体に触れる部分については、角が落ちて形成されている。延長部３４ｂの頂面及び頂面に対向する底面は略長方形に形成されている。頂面は、底面よりも面積が狭く形成されている。頂面と底面の間に形成される側面は台形状に形成されている。

第１の腕部３３の延長部３３ｂの頂面は、第２の腕部３４の延長部３４ｂの頂面と対向するように配されている。第１の腕部３３の延長部３３ｂ及び第２の腕部３４の延長部３４ｂは、基部３１から離れるに従って互いに近づくように形成されている。

すなわち、携行部材３０は、第１の腕部３３の伸張方向に伸張する直線Ｌ１及び第２の腕部３４の伸張方向に沿って伸張する直線Ｌ２によって規定される平面Ｓに垂直な方向からみてＵ字状に形成されている。従って、携行部材３０は、ユーザが音声出力装置１０を首に掛けると、ユーザの首周りから肩回りにかけて沿うように湾曲している。

このように、携行部材３０が形成されていることにより、ユーザＵの体と接触する携行部材３０の接触面積が高くなる。すなわち、携行部材３０をユーザＵの体にフィットさせることが可能となる。従って、携行部材３０がユーザから離れることを防止することができる。また、携行部材３０のユーザＵへのフィット感を高めることにより、ユーザＵにかかる携行部材３０の荷重を分散させることができ、ユーザＵの疲労を軽減することができる。

第１の腕部３３及び第２の腕部３４には、スピーカＳＰの音声の出力の態様に関する操作を受け付ける操作受付手段としての４つのボタンＢ１，Ｂ２，Ｂ３，Ｂ４が搭載されている。言い換えれば、音声出力装置１０は、携行部材３０の第１の腕部３３及び第２の腕部３４のうち少なくとも一方に搭載されスピーカＳＰによる音声の出力の態様に関する操作を受け付ける操作受付手段を有する。

ボタンＢ１～Ｂ４は、例えば、第１の腕部３３又は第２の腕部の伸長方向に沿って形成されている搭載面Ｓ１，Ｓ２に搭載されている。当該搭載面に平行且つ前記伸長方向に垂直な方向における各ボタンの長さ、すなわち横幅は、１５ｍｍ以下に形成されていることが望ましい。横幅が１５ｍｍ以下であることにより、ユーザＵの指の腹で押し易くなり操作感を向上させることができる。また、横幅は、１．２ｍｍ以上有することが望ましい。横幅が１．２ｍｍ以上であることにより、ユーザＵがボタンＢ１～Ｂ４を触ることにより認知することができる。

ボタンＢ１及びＢ２は、第１の腕部３３に搭載されている。ボタンＢ１及びＢ２は、第１の腕部３３の伸長方向に対して列状に配列されている。具体的には、ボタンＢ１は、ボタンＢ２よりも基部３１側に配置されている。例えば、ボタンＢ１は、ユーザＵが右手で第１の腕部３３を握った際に、親指が触れる位置に配されているとよい。

ボタンＢ１は、第１の腕部３３の延長部３３ｂの搭載面Ｓ１から矩形状に窪んで形成されている。ボタンＢ１は、例えば、出力された音声を早戻しする操作ボタンである。ボタンＢ２は、第１の腕部３３の延長部３３ｂの搭載面Ｓ１から矩形状に突出して形成されている。ボタンＢ２は、例えば、スピーカＳＰの音量を調整するボタンである。ボタンＢ２は、２つの領域Ｒａ、Ｒｂを有している。ボタンＢ２の一方の領域ＲａはスピーカＳＰの音量を大きくする操作ボタンとして機能する。ボタンＢ２の他方の領域ＲｂはスピーカＳＰの音量を小さくする操作ボタンとして機能する。

ボタンＢ２の表面の一方の領域Ｒａが基部３１側、ボタンＢ２の表面の他方の領域Ｒｂが腕部３３の先端側に配置されている。

周囲の環境音等の影響で音が聞こえないときに音量を大きくする操作ボタンを先に操作する頻度が、音量を小さくする操作ボタンを先に操作する頻度よりも高いため、基部３１側に配置されたボタンＢ２の表面の一方の領域Ｒａを音量を大きくする操作ボタンとして機能させることで、操作性の向上が図られうる。

また、ボタンＢ２の表面の領域Ｒａを押圧すると、ボタンＢ２の表面の領域Ｒｂがせりあがり、ボタンＢ２の表面の領域Ｒｂを押圧すると、ボタンＢ２の表面の領域Ｒａがせりあがるように構成されてもよい。

ボタンＢ３及びＢ４は、第２の腕部３４に搭載されている。ボタンＢ３及びＢ４は、第２の腕部３４の伸長方向に対して列状に配列されている。具体的には、ボタンＢ３は、ボタンＢ４よりも基部３１側に配置されている。例えば、ユーザＵが左手で第２の腕部３４を握った際に、親指が触れる位置にボタンＢ１が配されているとよい。

ボタンＢ３は、第２の腕部３４の延長部３４ｂの搭載面Ｓ２から矩形状に突出して形成されている。ボタンＢ３は、例えば、スピーカＳＰから再生される音声の速度を調整するボタンである。ボタンＢ３は、２つの領域Ｒｃ，Ｒｄを有している。ボタンＢ３の一方の領域ＲｃはスピーカＳＰから再生される音声の速度を早くする操作ボタンとして機能する。ボタンＢ３の他方の領域ＲｄはスピーカＳＰから再生される音声の速度を遅くする操作ボタンとして機能する。

ボタンＢ２の表面の一方の領域Ｒｃが基部３１側、ボタンＢ２の表面の他方の領域Ｒｄが腕部３４の先端側に配置されている。

再生速度の調整するための操作ボタンは、まず、必要性の低い情報の再生速度を早くするために使用され、重要な情報を聞く際に、再生速度を遅くすることが多い。このようなことに鑑みると、再生速度を早くする操作ボタンの方が、再生速度を遅くする操作ボタンのよりも先に操作されることが多いため、基部３１側に配置されたボタンＢ３の表面の一方の領域Ｒｃを再生速度を早くする操作ボタンとして機能させることで、操作性の向上が図られうる。

また、ボタンＢ３の表面の領域Ｒｃを押圧すると、ボタンＢ３の表面の領域Ｒｄがせりあがり、ボタンＢ３の表面の領域Ｒｄを押圧すると、ボタンＢ３の表面の領域Ｒｃがせりあがるように構成されてもよい。

ボタンＢ４は、第２の腕部３４の延長部３４ｂの搭載面Ｓ２から矩形状に窪んで形成されている。ボタンＢ４は、例えば、カメラ２０で撮像された画像から音声データを生成する態様を変更する、すなわち、音声出力装置１０の音声データを生成する制御モードを変更する操作ボタンである。制御モードの一例としては、例えば、ユーザＵに伝えるべき情報がユーザＵの周囲に多く存在する場合、ユーザＵがシャッターボタンＳＢを押す頻度は高くなる。このような場合、音声出力装置１０は、ユーザＵがシャッターボタンＳＢを押さずとも、カメラ２０が撮像した画像に含まれている情報に基づいて音声データを生成する制御（以下、街歩きモードという）を行ってもよい。ボタンＢ４は、街歩きモードと通常の制御モードを切り替える操作ボタンである。

このように、ボタンＢ１及びＢ２は、第１の腕部３３の搭載面Ｓ１から露出して形成されている。また、ボタンＢ３及びＢ４は、第２の腕部３４の搭載面Ｓ２から露出して形成されている。すなわち、ボタンＢ１～ボタンＢ４は、第１の腕部３３及び第２の腕部３４の搭載面に露出する露出部として機能する。

本実施例における、ボタンＢ１～ボタンＢ４の機能の振り分け方について説明する。本実施例においては、ユーザＵが右利きであり、利き腕とは逆の左手でシャッターボタンＳＢを操作する様態となっている。このとき、ボタンＢ１及びＢ２は、ユーザＵの利き腕とは逆の腕である左側の第１の腕部３３に配置されており、ボタンＢ３及びＢ４はユーザＵの利き腕である右側の第２の腕部３４に配置されている。そのため、ユーザＵは、利き腕である右腕でボタンＢ１及びＢ２を操作し、利き腕とは逆の左手でボタンＢ３及びＢ４を操作する。

このとき、ボタンＢ１及びＢ２には、ユーザＵがシャッターボタンＳＢを操作すると同時またはシャッターボタンＳＢを操作した直前や直後に使用する可能性の高い機能を配置するとよい。具体的にはボタンＢ１及びＢ２には、早戻しボタンや音量調整ボタンを配置するとよい。これらの早戻しボタンや音量調整ボタンは、ユーザＵが音声出力装置１０から出力された音声をよく聞き取れないときに即時に押下される必要がある。そのため、ユーザＵがシャッターボタンＳＢを操作する際にはシャッターボタンＳＢを操作する腕（左手）とは逆の腕（右手）でボタンＢ１またはボタンＢ２を触れながら押下の準備をできる方が、操作性が高まる。一方で、主に撮影の準備段階や撮影の合間に使用される機能は、ユーザＵがシャッターボタンＳＢを操作する腕と同じ腕（左手）で操作してもよい。よって再生速度の調整やメニューの設定は、ユーザＵがシャッターボタンＳＢを操作する腕と同じ腕側のボタンＢ３及びＢ４に配置されているとよい。

また、ユーザＵがシャッターボタンＳＢを操作する腕と同じ側のボタンは、基部３１に対してより近位の操作部（ボタン）が操作する頻度が高い機能を配置するとよい。前提として、ユーザＵは視覚障碍者であることもあり、ユーザＵがボタンＢ１～ボタンＢ４を操作する際には、ボタンＢ１～ボタンＢ４が配置されている位置を見ることなくボタンＢ１～ボタンＢ４を操作する。そのため、ユーザＵが第１の腕部３３または第２の腕部３４を自然に把持した場合に、親指が配される場所の近傍に最も使用頻度が高い機能のボタンが配置されるのがよい。このとき、たとえば、ユーザＵがボタンＢ１またはＢ２を右手で操作する場合、図７Ａのように、親指の先側にボタンＢ１（基部３１に対してボタンＢ２より近位のボタン）が配置され、親指の根元側にボタンＢ２（基部３１に対してボタンＢ１より遠位のボタン）が配置されることになる。人の手の構造上、ユーザＵが第１の腕部３３または第２の腕部３４を自然に把持した場合、親指は自然に伸びていることが多い。それ故、ユーザＵは、親指の先端側のボタンＢ１の操作から根元側のボタンＢ２を操作する際には、親指を曲げるだけで対応できる。一方で、ユーザＵが第１の腕部３３または第２の腕部３４を把持した状態からさらに親指の先端側のボタン１を操作する場合は、ユーザＵは、親指を伸ばしても対応できないため、腕全体を基部３１の方向に動かしてボタン１を操作する必要がある。つまり、ユーザＵは第１の腕部３３または第２の腕部３４を一回把持すると、把持した状態から第１の腕部３３または第２の腕部３４の伸張方向（基部３１に対してボタンＢ１より遠位）のボタンＢ２を操作するほうが、基部３１方向に配置されているボタンＢ１を操作するよりも、簡単に対応できる。よって使用頻度の高い機能が基部３１に対して近位のボタン（ボタンＢ１、Ｂ３）に配置され、それよりは使用頻度の低い機能が腕部の伸張方向のボタン（ボタンＢ２、Ｂ４）に配置されるとよい。

スピーカＳＰは、第１の腕部３３の搭載面Ｓ１及び第２の腕部３４の搭載面Ｓ２に搭載されている。第１の腕部３３に搭載されているスピーカＳＰは、基部３１に対してボタンＢ１，Ｂ２よりも近位に配されている。また、第２の腕部３４に搭載されているスピーカＳＰは、基部３１に対してボタンＢ３，Ｂ４よりも近位に配されている。

図３は、実施例１に係る携行部材３０を正面から見た斜視図を示している。図３に示すように、第１の腕部３３の延長部３３ｂのボタンＢ１，Ｂ２が搭載されている搭載面Ｓ１を含む面３は、第２の腕部３４の延長部３４ｂのボタンＢ３，Ｂ４が搭載されている搭載面Ｓ２を含む面Ｓ４と交差する。言い換えれば、搭載面Ｓ１は、搭載面Ｓ２から所定の角度を成すように形成されている。すなわち、搭載面Ｓ１は、搭載面Ｓ２とは平行ではない。

図４は、実施例１に係る携行部材３０を正面から見た斜視図を示している。図４には、第１の腕部３３の延長部３３ｂのボタンＢ１，Ｂ２が形成されている搭載面Ｓ１は、平面Ｓから角度αを成す。第２の腕部３４の延長部３４ｂのボタンＢ３，Ｂ４が形成されている搭載面Ｓ２は、平面Ｓから角度-αを成す。すなわち、搭載面Ｓ１及び搭載面Ｓ２は、平面Ｓに対して対称な形状を有している。

言い換えれば、第１の腕部３３の延長部３３ｂのボタンＢ１，Ｂ２が形成されている搭載面Ｓ１及び第２の腕部３４の延長部３４ｂのボタンＢ３，Ｂ４が形成されている搭載面Ｓ２は、第１の腕部３３の伸張方向に伸張する直線Ｌ１及び第２の腕部３４の伸張方向に沿って伸張する直線Ｌ２によって規定される平面Ｓと角度を持って形成されている。

図５Ａは、ボタンＢ１の平面を示している。図５Ａに示すように、ボタンＢ１は、出力された音声を早戻しする操作ボタンである。このボタンＢ１の表面には、音声を早戻しする操作ボタンとしての記号が凸状に形成されている。早戻しする操作ボタンとしての記号は、例えば、円弧の終点が矢印で表されている記号が挙げられる。

図５ＢはボタンＢ２の平面を示している。図５Ｂに示すように、ボタンＢ２は、スピーカの音量を調整するボタンである。ボタンＢ２は、ボタンＢ１よりも載置面Ｓ１における面積が広く形成されているとよい。このようにボタンＢ２を形成することで、ユーザＵは、目視によらなくてもボタンＢ１又はボタンＢ２を触った感触でいずれのボタンであるかを識別することができる。

ボタンＢ２の表面には、２つの領域が設けられている。このボタンＢ２の表面の一方の領域Ｒａには、音量を大きくする操作ボタンとしての記号が凸状に形成されている。音量を大きくする操作ボタンとしての記号は、例えば、互いに半径が異なる３つの同心円の円弧で表されるものが挙げられる。各々の円弧は、円弧の半径の長さに応じて配されている。例えば、３つの円弧のうち半径の最も短い円弧と半径の最も長い円弧の間に半径の長さが中間の円弧が配される。

また、ボタンＢ２の表面の他方の領域Ｒｂには、音量を小さくする操作ボタンとしての記号が凸状に形成されている。音量を小さくする操作ボタンとしての記号は、例えば、１つの円弧で表されるものが挙げられる。

図５ＣはボタンＢ３の平面を示している。図５Ｃに示すように、ボタンＢ３は、スピーカの音声を再生する再生スピードを調整するボタンである。ボタンＢ３は、ボタンＢ４よりも載置面Ｓ２における面積が広く形成されているとよい。このようにボタンＢ３を形成することで、ユーザＵは、目視によらなくてもボタンＢ４又はボタンＢ３を触った感触でいずれのボタンであるかを識別することができる。

ボタンＢ３の表面には、２つの領域が設けられている。このボタンＢ３の表面の一方の領域Ｒｃには、音声の再生スピードを早くする記号が凸状に形成されている。再生スピードを速くする操作ボタンとしての記号は、例えば、互いに半径が同じである３つの円で表されるものが挙げられる。各々の円は、ボタンＢ３の表面において列状に配されている。

また、ボタンＢ３の表面の他方の領域Ｒｃには、再生スピードを遅くする操作ボタンとしての記号が凸状に形成されている。再生スピードを遅くする操作ボタンとしての記号は、例えば、１つの円で表されるものが挙げられる。

図５Ｄは、ボタンＢ４の平面を示している。図５Ｄに示すように、ボタンＢ４は、音声出力装置１０の音声を生成する制御モードを操作する操作ボタンである。このボタンＢ４の表面には、当該制御モードを操作する操作ボタンとしての記号が凸状に形成されている。当該制御モードを操作する操作ボタンとしての記号は、例えば、人間が歩行する際の下半身をモチーフとした記号が挙げられる。

このように、ボタンＢ１～Ｂ４は、受け付ける操作に応じて互いに異なる凹凸が表面に形成されている。尚、ボタンＢ１～Ｂ４が受け付ける機能は一例であり、適宜変更して実施してもよい。例えば、ボタンＢ１～Ｂ４のいずれかにカメラ２０のシャッターボタンの機能を有するようにしてもよい。

図６は、ユーザが音声出力装置を操作する際の態様を示している。図６に示すように、携行部材３０の第１の腕部３３は、メガネＥＧのフレームＦＲの左レンズＬＬ側に配されている。携行部材３０の第２の腕部３４は、メガネＥＧのフレームＦＲの右レンズＲＬ側に配されている。

ボタンＢ１，Ｂ２は、シャッターボタンＳＢからみて近位にある第１の腕部３３に設けられている。すなわち、ボタンＢ１，Ｂ２は、第１の腕部３３及び第２の腕部３４のうちシャッターボタンＳＢからみて近位にあるいずれか一方に設けられている。

図７Ａは、右利きの人が、左手でシャッターボタンＳＢを操作する際の右手によるボタンＢ１，Ｂ２の操作態様を示している。図７Ａに示すように、ユーザＵは、左手でシャッターボタンＳＢを操作する際に、右手でボタンＢ１又はボタンＢ２を操作することができる。これは、通常利き腕の方が、利き腕でない方の腕よりも繊細な操作ができるためである。シャッターボタンＳＢの押下とボタンＢ１の操作（早戻し）又はボタンＢ２の操作（音量の調整）を比較した場合に、ボタンＢ１、Ｂ２の操作の方が複雑な操作を要求される。したがって、利き腕に応じて右利きの人が操作しやすい第１の腕部３３にボタンＢ１、Ｂ２を配置することによって、シャッターボタンＳＢを操作すると共に、ボタンＢ１，Ｂ２の操作を行うことが可能となる。すなわち、ユーザＵが望む優先度が高い機能をボタンＢ１及びＢ２を配することによって、音声出力装置１０の操作性の向上を図ることが可能となる。

尚、ユーザＵの利き腕に応じてシャッターボタンＳＢとボタンＢ１乃至Ｂ４を配置してもよい。例えば、左手が利き腕の場合、カメラ２０のシャッターボタンＳＢをユーザの頭部の右側に搭載し、右手でシャッターボタンＳＢを操作する際に、左手でボタンＢ３又はボタンＢ４を操作するようにしてもよい。また、カメラ２０と通信可能な携行部材３０のインタフェース（図示せず）は、カメラ２０がメガネＥＧに搭載される位置に応じて設けるとよい。例えば、カメラ２０のシャッターボタンＳＢがユーザＵの頭部の左側に搭載される場合には、第１の腕部３３にインターフェースを設けるとよい。一方で、カメラ２０のシャッターボタンＳＢがユーザＵの頭部の右側に搭載される場合には、第１の腕部３４にインターフェースを設けるとよい。

図７Ｂは、左手によるボタンＢ１，Ｂ２の操作態様を示している。図７Ｂに示すように、ユーザＵは、左でボタンＢ１又はボタンＢ２を操作することができる。

すなわち、図４において説明したように、第１の腕部３３の延長部３３ｂのボタンＢ１，Ｂ２が形成されている搭載面Ｓ１は、平面Ｓから角度αを成す。例えば、音声出力装置１０の制御モードを街歩きモードに設定した場合、ユーザＵは、左手でボタンＢ１又はボタンＢ２を操作することも考えられる。その際、搭載面Ｓ１が平面Ｓに対して角度αを有することにより、ボタンＢ１及びボタンＢ２の操作性を高めることができる。さらに、搭載面Ｓ１の角が落とされて形成されているため、ボタンＢ１及びボタンＢ２の操作時にユーザＵに与えるストレスを軽減することができる。

図８は、カメラ２０のコントロールユニットＣＵ２の機能ブロックを示している。図８に示すように、入力部２１は、シャッターボタンＳＢ及び撮像ユニットＩＵに接続されているインターフェース部である。カメラ２０は、入力部２１を介してシャッターボタンＳＢからの撮像指示を取得可能である。カメラ２０は、入力部２１を介して撮像ユニットＩＵが生成した画像データを取得可能である。

撮像ユニットＩＵは、レンズＬＥから入光した光を電気信号に変換することによって画像データを生成する撮像素子を含む。撮像素子は、たとえば、ＣＭＯＳイメージセンサである。撮像ユニットＩＵは、例えば、シャッター等の撮像機構を含む。

記憶装置２２は、例えばフラッシュメモリなどにより構成されている。記憶装置２２は、ＢＩＯＳ（Basic Input Output System）、ソフトウェア等の各種プログラムを記憶する。また、記憶装置２２は、カメラ２０が撮像した画像データＩＭを格納可能である。

通信部２３は、携行部材３０と通信を行うインターフェース部である。カメラ２０は、通信部２３を介して記憶装置２２に格納されている画像データを携行部材３０に送信可能である。

出力部２４は、撮像ユニットＩＵに接続されているインターフェース部である。カメラ２０は、シャッターボタンＳＢから入力された撮像指示を撮像ユニットＩＵに出力可能である。

制御部２５は、演算処理装置としてのＣＰＵ（Central Processing Unit）と、主記憶装置としてのＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を有するコンピュータによって実現される。ＣＰＵは、ＲＯＭや記憶装置２２から処理内容に応じたプログラムを読み出してＲＡＭに展開し、展開したプログラムと協働して、各種機能を実現する。

動作制御部２５ａは、制御部２５の機能ブロックの１つである。動作制御部２５ａは、カメラ２０の撮像動作の制御を行うことが可能である。

入力部２１、記憶装置２２、通信部２３、出力部２４及び制御部２５の各々は、システムバスＢ１を介して互いに接続されている。

図９は、携行部材３０のコントロールユニットＣＵ１の機能ブロックを示している。図９に示すように、入力部３５は、ボタンＢ１～ボタンＢ４に接続されているインターフェース部である。

記憶装置３６は、例えばフラッシュメモリなどにより構成されている。記憶装置３６は、ＢＩＯＳ（Basic Input Output System）、ソフトウェア等の各種プログラムを記憶する。また、記憶装置３６は、カメラ２０から送信された画像データを格納可能である。

記憶装置３６は、画像音声変換データベース（以下、データベースをＤＢと表記する）を含む。画像音声変換ＤＢは、画像に含まれる情報と当該情報に紐づいた音声データが格納されている。たとえば、画像音声変換ＤＢは、文字と音声データが紐づいたデータ構造を有している。画像音声変換ＤＢは、単語と音声データが紐づいたデータ構造を有している。画像音声変換ＤＢは、物体と音声データが紐づいたデータ構造を有している。尚、画像音声変換ＤＢは、カメラ２０で撮像した画像に基づいてディープラーニングによって構築されるようにしてもよい。

通信部３７は、カメラ２０と通信を行うインターフェース部である。携行部材３０は、通信部３７を介してカメラ２０と通信可能である。

出力部３８は、スピーカＳＰに接続されているインターフェース部である。携行部材３０は、出力部３８を介してスピーカＳＰから音声を出力可能である。

制御部３９は、演算処理装置としてのＣＰＵ（Central Processing Unit）と、主記憶装置としてのＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を有するコンピュータによって実現される。ＣＰＵは、ＲＯＭや記憶装置３６から処理内容に応じたプログラムを読み出してＲＡＭに展開し、展開したプログラムと協働して、各種機能を実現する。

入力部３５、記憶装置３６、通信部３７、出力部３８及び制御部３９の各々は、システムバスＢ２を介して互いに接続されている。

音声データ生成部３９ａは、制御部３９の機能ブロックの１つである。音声データ生成部３９ａは、カメラ２０から送信された画像データを受信すると受信した画像データＩＭに含まれている文字に基づいて音声データを生成することが可能である。したがって、制御部３９は、ユーザＵの周囲を撮像した画像に含まれている文字に基づいて音声データを生成する音声データ生成手段として機能する。

音声データ生成部３９ａは、例えば、ＯＣＲ（Optical Character Recognition）によって画像中の文字を認識する。音声データ生成部３９ａは、認識した文字を画像音声変換ＤＢを参照して音声データを生成する。

以上で説明した音声出力装置１０の音声の出力処理について説明する。紙に印刷された文字からなる文章を音声出力装置１０が音声データに変換して出力する場合を説明する。

図１０は、音声出力装置１０の音声出力処理を示している。図１０に示すように、音声出力装置１０は、カメラ２０で音声に変換する対象となる紙を撮像する（ステップＳ１１）。音声出力装置１０は、ステップＳ１１において撮像された画像データＩＭに基づいて音声データを生成する（ステップＳ１２）。音声出力装置１０は、ステップＳ１２において生成された音声データに基づいて音声をスピーカＳＰから出力する（ステップＳ１３）。

図１１は、図１０のステップＳ１１の撮像処理のサブルーチンを示している。図１１に示すように、カメラ２０の制御部２５は、シャッターボタンが押されたか否かを判断する（ステップＳ２１）。カメラ２０のシャッターボタンＳＢがユーザＵによって押されると（ステップＳ２１：Ｙ）、カメラ２０の撮像ユニットＵＩによって撮像対象を撮像する（ステップＳ２２）。ステップＳ１２において撮像された画像データＩＭは記憶装置２２に記録されてもよい。カメラ２０は、ステップＳ１２において撮像された画像データＩＭを携行部材３０のコントロールユニットＵ１に送信する（ステップＳ２３）。

図１２は、図１０のステップＳ１２の音声データ生成処理のサブルーチンを示している。図１２に示すように、携行部材３０の制御部３９は、画像データＩＭを受信したかを判断する（ステップ３１）。携行部材３０の制御部３９は、画像データＩＭを受信したと判断すると（ステップＳ３１：Ｙ）、受信した画像データＩＭに含まれている文章の文字に基づいて音声データを生成する（ステップＳ３２）。従って、携行部材３０の制御部３９は、音声データ生成部３９ａとして機能する。尚、画像データＩＭに含まれる文章が長文に亘る場合、音声データ生成部３９ａは、文章の内容を要約して音声データを生成してもよい。

尚、画像データＩＭに含まれる音声に変換する対象は、文章だけでなく例えば、時刻表のように文字と表が組み合わさったものであってもよい。このような音声に変換する対象の場合、たとえば、バスの行先及びバス停を出発する時刻を含む音声データを生成するとよい。例えば、音声データは、「Ａ（行先）行きのバスは、８時にＢバス停を出発する時刻は、Ｃ分、Ｄ分、Ｅ分です。」と音声が出力されるように生成されてもよい。

また、音声に変換する対象は、固有名詞に紐づいた情報を含むようにしてもよい。例えば、商店街の名称を含む画像データの場合、たとえば、音声データは、「この商店街には、Ａ，Ｂ，Ｃなどのお店があり、ＡでのランチはＤ，Ｅなのメニューがあります。Ａ点ランチの平均額はＦ円です。」と音声が出力されるように生成されてもよい。

さらに、音声データ生成部３９ａが音声データを生成する対象は、カメラ２０が撮像した画像であった。しかし、音声データ生成部３９ａが音声データを生成する対象は静止画に限られず、たとえば、カメラ２０が撮像した映像であってもよい。

以上のように、本発明の音声出力装置１０によれば、ユーザＵは、携行部材３０を首に掛ける態様で音声出力装置１０を装着することができる。このため、箱型のコンピュータを持ち歩くことなく音声出力装置１０を移動させることが可能となる。それゆえ、音声出力装置１０の携帯性の向上を図ることが可能となる。

また、音声出力装置１０の携行部材３０は、ユーザＵの首に掛ける態様で装着することができるため、その重量を第１の腕部３３と第２の腕部３４に分散させることが可能となる。

尚、本実施例においては、音声の出力をスピーカＳＰから行うようにした。しかし、音声の出力は、スピーカＳＰに限られず、例えば、イヤホン又はヘッドホンによって行われるようにしてもよい。イヤホン又はヘッドホンから音声の出力を行う場合には、例えば、携行部材３０の基部３１にイヤホンジャックを設けるとよい。

また、本実施例においては、第１の腕部３３又は第２の腕部３４の両方にスピーカＳＰを搭載した。しかし、スピーカＳＰは、第１の腕部３３又は第２の腕部３４の少なくとも一方に搭載されていればよく、必ずしも第１の腕部３３又は第２の腕部３４の両方にスピーカＳＰが搭載されている必要はない。

（サーバで音声データを生成）
実施例２に係る音声出力装置１０について説明する。実施例２に係る音声出力装置１０は、サーバに通信可能に接続されている点で実施例１の音声出力装置１０と異なる。具体的には、サーバは、画像データＩＭに含まれている文字に基づいて音声データを生成する。尚、実施例１に係る音声出力装置１０と同一の構成については、同一の符号を付して説明を省略する。

図１３は、実施例２に係る音声出力装置１０が接続するサーバ４０の構成を示している。図１３に示すように、サーバ４０の記憶装置４１は、例えばフラッシュメモリなどにより構成されている。記憶装置４１は、ＢＩＯＳ（Basic Input Output System）、ソフトウェア等の各種プログラムを記憶する。また、記憶装置４１は、携行部材３０から送信された画像データを格納可能である。

記憶装置４１は、画像音声変換ＤＢを含む。画像音声変換ＤＢは、画像に含まれる情報と当該情報に紐づいた音声データが格納されている。たとえば、画像音声変換ＤＢは、文字と音声データが紐づいたデータ構造を有している。画像音声変換ＤＢは、単語と音声データが紐づいたデータ構造を有している。画像音声変換ＤＢは、物体と音声データが紐づいたデータ構造を有している。尚、画像音声変換ＤＢは、カメラ２０で撮像した画像に基づいてディープラーニングによって構築されるようにしてもよい。

通信部４２は、携行部材３０と通信を行うインターフェース部である。サーバ４０は、通信部４２介して携行部材３０と通信可能である。

制御部４３は、演算処理装置としてのＣＰＵ（Central Processing Unit）と、主記憶装置としてのＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を有するコンピュータによって実現される。ＣＰＵは、記憶装置４１から処理内容に応じたプログラムを読み出してＲＡＭに展開し、展開したプログラムと協働して、各種機能を実現する。

記憶装置４１、通信部４２及び制御部４３の各々は、システムバスＢ３を介して互いに接続されている。

制御部４３は、携行部材３０から送信された画像データを受信すると受信した画像データＩＭに含まれている文字に基づいて音声データを生成することが可能である。したがって、制御部４３は、ユーザＵの周囲を撮像した画像に含まれている文字に基づいて音声データを生成する音声データ生成手段として機能する。

音声データ生成部４３ａは、制御部４３の機能ブロックの１つである。音声データ生成部４３ａは、携行部材３０から送信された画像データを受信すると受信した画像データＩＭに含まれている文字に基づいて音声データを生成することが可能である。したがって、制御部４３は、ユーザＵの周囲を撮像した画像に含まれている文字に基づいて音声データを生成する音声データ生成手段として機能する。

音声データ生成部４３ａは、例えば、ＯＣＲ（Optical Character Recognition）によって画像中の文字を認識する。音声データ生成部４３ａは、認識した文字を画像音声変換ＤＢを参照して音声データを生成する。

以上で説明した音声出力装置１０の音声の出力態様について説明する。尚、図１０のスッテプＳ１２の音声データ生成処理を除いて実施例１と同一であるので、他の処理については説明を省略する。

携行部材３０は、画像データＩＭを受信すると、サーバ４０に画像データＩＭを送信する。

図１４は、サーバ４０による音声データ生成処理のサブルーチンを示している。図１４に示すように、サーバ４０の制御部４３は、画像データＩＭを受信したかを判断する（ステップ４１）。サーバ４０の制御部４３は、画像データＩＭを受信したと判断すると（ステップＳ４１：Ｙ）、受信した画像データＩＭに含まれている文章の文字に基づいて音声データを生成する（ステップＳ４２）。従って、サーバ４０の制御部４３は、音声データ生成部４３ａとして機能する。サーバ４０の制御部４３は、ステップＳ４２で生成された音声データを携行部材３０のコントロールユニットＵ１に送信する（ステップＳ４３）。

以上のように、本発明の音声出力装置１０によれば、ユーザＵは、携行部材３０を首に掛ける態様で音声出力装置１０を装着することができる。このため、箱型のコンピュータを持ち歩くことなく音声出力装置１０を移動させることが可能となる。それゆえ、音声出力装置１０の携帯性の向上を図ることが可能となる。

１０ 音声出力装置
２０ カメラ
３０ 携行部材
３１ 基部
３３ 第１の腕部
３４ 第２の腕部
３９ 制御部
４０ サーバ
Ｂ１～Ｂ４ ボタン
ＥＧ メガネ
ＦＲ フレーム
ＳＢ シャッターボタン
ＳＰ スピーカ

Claims (2)

1. 基部及び前記基部から同一方向に伸長する第１の腕部及び第２の腕部を有しており、ユーザの首に掛止される携行部材と、
   撮像した画像に含まれる文字に基づいて音声データを生成する音声データ生成手段と、
   前記音声データに基づいて音声を出力する出力手段と、
   前記携行部材の前記第１の腕部及び前記第２の腕部のうち少なくとも一方に搭載され前記出力手段による前記音声の出力の態様に関する操作を受け付ける操作受付手段と、
   前記ユーザの頭部に装着可能な保持手段と、
   前記保持手段に保持されている前記画像を撮像する撮像手段と、
   前記ユーザの頭部の右側部又は左側部に位置するように前記保持手段に保持され、かつ前記撮像手段に対する撮像の指示の入力を受け付ける撮像指示入力手段と、を有し、
   前記操作受付手段は、前記第１の腕部及び前記第２の腕部のうち前記撮像指示入力手段からみて近位の腕部に設けられていることを特徴とする音声出力装置。
2. 基部及び前記基部から同一方向に伸長する第１の腕部及び第２の腕部を有しており、ユーザの首に掛止されるハウジングと、
   画像を外部に送信する送信手段と、
   前記画像に基づいて生成された音声データを受信する受信手段と、
   前記音声データに基づいて音声を出力する出力手段と、
   前記ハウジングの前記第１の腕部及び前記第２の腕部のうち少なくとも一方に搭載され前記音声の出力の態様に関する操作を受け付ける操作受付手段と、
   前記ユーザの頭部に装着可能な保持手段と、
   前記保持手段に保持されている前記画像を撮像する撮像手段と、
   前記ユーザの頭部の右側部又は左側部に位置するように前記保持手段に保持され、かつ前記撮像手段に対する撮像の指示の入力を受け付ける撮像指示入力手段と、を有し、
   前記操作受付手段は、前記第１の腕部及び前記第２の腕部のうち前記撮像指示入力手段からみて近位の腕部に設けられていることを特徴とする音声出力装置。

Images