JP7312639B2 - カラオケ用入力装置 - Google Patents

Description

本発明はカラオケ用入力装置に関する。

カラオケ装置に付属するリモコン装置を用いて、操作や検索のコマンドに対応する単語や短文を音声入力し、カラオケ演奏のテンポやキーを変更したり、楽曲検索を行う技術が知られている。

たとえば、特許文献１には、複数の検索語を含む一続きの音声データから各検索語を自動的に抽出し、高精度の楽曲検索を行うことが可能な楽曲検索システムが開示されている。

特開２００２－１８９４８３号公報

ここで、利用者が吃音の場合、カラオケ歌唱にはさほど影響がない一方で、コマンドに対応する単語や短文の音声入力については困難となる可能性がある。

本発明の目的は、利用者が吃音の場合であっても、音声入力を容易に行うことが可能なカラオケ用入力装置を提供することにある。

上記目的を達成するための一の発明は、音声入力により、所定のコマンドを実行するためのカラオケ用入力装置であって、集音手段から出力された利用者の音声信号を音声認識処理し、テキストデータとして出力する音声処理部と、前記テキストデータに基づいて、入力された音声に対応するコマンドを実行する実行部と、前記音声信号に吃音が含まれるかどうかを判定する判定部と、吃音が含まれると判定された場合、前記利用者による音声入力をガイドするためのガイド音を出力するガイド部と、を有するカラオケ用入力装置である。
本発明の他の特徴については、後述する明細書及び図面の記載により明らかにする。

本発明によれば、利用者が吃音の場合であっても、音声入力を容易に行うことができる。

第１実施形態に係るカラオケ装置を示す図である。 第１実施形態に係るリモコン装置を示す図である。 第１実施形態に係るリモコン装置による処理を示すフローチャートである。 第２実施形態に係るリモコン装置を示す図である。 第２実施形態に係る記憶手段が記憶する、吃音の程度に応じたガイド音のテンポ及び音量のテーブルである。

＜第１実施形態＞
図１～図３を参照して、本実施形態に係るカラオケ用入力装置について説明する。

＝＝カラオケ装置＝＝
カラオケ装置Ｋは、楽曲のカラオケ演奏、及び利用者がカラオケ歌唱を行うための装置である。図１に示すように、カラオケ装置Ｋは、カラオケ本体１０、スピーカ２０、表示装置３０、マイク４０、及びリモコン装置５０を備える。

カラオケ本体１０は、選曲された楽曲の演奏制御、歌詞や背景映像等の表示制御、マイク４０を通じて入力された音声信号の処理といった、カラオケ演奏やカラオケ歌唱に関する各種の制御を行う。スピーカ２０はカラオケ本体１０からの放音信号に基づいて放音するための構成である。表示装置３０はカラオケ本体１０からの信号に基づいて映像や画像を画面に表示するための構成である。マイク４０は利用者の歌唱音声をアナログの音声信号に変換してカラオケ本体１０に入力するための構成である。リモコン装置５０は、カラオケ本体１０に対する各種操作をおこなうための装置である。本実施形態におけるリモコン装置５０は「カラオケ用入力装置」に相当する。

＝＝リモコン装置＝＝
図２に示すように、本実施形態に係るリモコン装置５０は、記憶手段５０ａ、通信手段５０ｂ、表示手段５０ｃ、入力手段５０ｄ、集音手段５０ｅ、放音手段５０ｆ、及び制御手段５０ｇを備える。各構成はインターフェース（図示なし）を介してバスＢに接続されている。

［記憶手段］
記憶手段５０ａは、各種のデータを記憶する大容量の記憶装置である。

本実施形態における記憶手段５０ａは、複数のコマンドをそれぞれ異なるテキストデータと紐付けて記憶する。

コマンドは、カラオケ歌唱の際に実行可能な処理に対応する命令である。コマンドは、たとえば、「カラオケ演奏のテンポを上げる」、「カラオケ演奏のキーを下げる」、「カラオケ演奏を一時停止する」、「マイクの音量を上げる」、「スピーカからの音量を下げる」、「歌詞の表示を消す」、「楽曲を検索する」等の処理を実行するための命令である。

テキストデータは、コマンドを識別するためのデータである。複数のコマンドには、それぞれ異なる一のテキストデータが紐付けられている。たとえば、コマンド「カラオケ演奏のテンポを５％上げる」に対しては、「テンポアゲテ」のテキストデータが紐付けられている。なお、テーブルに記憶されていないテキストデータについては、対応するコマンドが無いものとして取り扱う。

［通信手段・表示手段・入力手段・集音手段・放音手段］
通信手段５０ｂは、カラオケ本体１０との通信を行うためのインターフェースを提供する。表示手段５０ｃは、各種情報を表示させるための構成である。入力手段５０ｄは、利用者が各種の指示入力を行うための構成である。入力手段５０ｄは、リモコン装置５０に設けられたボタン等である。或いは、表示手段５０ｃがタッチパネル形式で構成されている場合、表示手段５０ｃは入力手段５０ｄとしても機能する。集音手段５０ｅは、利用者が発した音声を集音し、音声信号として出力するためのマイクである。放音手段５０ｆは、各種音声を発するスピーカである。

［制御手段］
制御手段５０ｇは、リモコン装置５０における各種の制御を行う。制御手段５０ｇは、ＣＰＵおよびメモリ（いずれも図示無し）を備える。ＣＰＵは、メモリに記憶されたプログラムを実行することにより各種の機能を実現する。

ここで、カラオケ装置Ｋを利用する利用者が音声入力を用いて各種のコマンドの実行を指示したいと考えたとする。この場合、利用者は、たとえば入力手段５０ｄを介し、表示手段５０ｃに表示されている「音声入力」のアイコンを選択する。当該選択に基づいて、制御手段５０ｇのＣＰＵはメモリに記憶されるプログラムを実行し、音声入力モードに移行する。この場合、制御手段５０ｇは、音声処理部１００、実行部２００、判定部３００、及びガイド部４００として機能する。

（音声処理部）
音声処理部１００は、集音手段５０ｅから出力された利用者の音声信号を音声認識処理し、テキストデータとして出力する。音声認識処理は、公知の手法を用いることができる。

たとえば、利用者Ｕが集音手段５０ｅに対し「テンポアゲテ」と発声したとする。集音手段５０ｅは音声を集音し、音声信号として音声処理部１００に出力する。音声処理部１００は、音声信号を処理し、音声信号が示す「テンポアゲテ」をテキストデータとして出力する。

（実行部）
実行部２００は、テキストデータに基づいて、入力された音声に対応するコマンドを実行する。

たとえば、音声処理部１００から「テンポアゲテ」というテキストデータが出力されたとする。実行部２００は、出力されたテキストデータに対応するデータが記憶手段５０ａに記憶されているかどうかを確認する。データが記憶手段５０ａに記憶されている場合、実行部２００は、テキストデータに対応するコマンドを読み出し、カラオケ演奏のテンポをあげる処理を実行する。

一方、音声処理部１００から出力されたテキストデータに対応するデータが記憶手段５０ａに記憶されていない場合、テキストデータに対応するコマンドも存在しない。この場合、実行部２００はコマンドを実行することはない。

（判定部）
判定部３００は、音声信号に吃音が含まれるかどうかを判定する。音声信号に吃音が含まれるかどうかを判定する方法は、公知の方法（たとえば特開２０１９－０５６７９１号公報参照）を用いることができる。

具体的に、判定部３００は、集音手段５０ｅから音声信号が出力された場合、当該音声信号に吃音が含まれるかどうかを判定する。

吃音が含まれると判定した場合、判定部３００は、その旨の信号をガイド部４００に出力する。一方、吃音が含まれないと判定した場合、判定部３００は、その旨の信号を音声処理部１００に出力する。音声処理部１００は、当該信号に基づいて音声信号の音声認識処理を開始する。なお、音声処理部１００による音声認識処理に影響がない程度であれば、音声信号に吃音が含まれていてもよい。すなわち、判定部３００は、音声認識処理に影響があるかどうかという基準で吃音の有無の判定を行う。

或いは、集音手段５０ｅから音声信号が出力された場合、まず音声処理部１００が、音声信号の音声認識処理を行うことでもよい。音声認識処理ができた場合、音声処理部１００は、実行部２００にテキストデータを出力する。一方、音声認識処理ができなかった場合、音声処理部１００は、その旨の信号を判定部３００に出力する。このように音声認識処理ができなかった場合にのみ、判定部３００が、音声信号に吃音が含まれるかどうかを判定することでもよい。なお、音声認識処理ができない原因としては、音声自体が小さい、雑音が多すぎる等、吃音以外の様々な理由がありうる。すなわち、音声認識処理ができない場合であっても、必ずしも音声信号に吃音が含まれるとは限らない。

（ガイド部）
ガイド部４００は、吃音が含まれると判定された場合、ガイド音を出力する。ガイド音に合わせて発話することで吃音が減少する。たとえば、日常生活における吃音の訓練として、メトロノーム音をガイド音として利用する方法が用いられている。

ガイド音は、吃音の利用者の音声入力をガイドするための音である。ガイド音は、たとえば所定のテンポ及び音量の電子メトロノーム音であったり、リズミカルなＢＧＭやリズムパターンである。ガイド音は、カラオケ装置毎に予め一の音が設定されていてもよいし、複数のガイド音の中から利用者が任意に選択した音であってもよい。

判定部３００から吃音が含まれる旨の信号の入力を受けた場合、ガイド部４００は、放音手段５０ｆを介してガイド音を出力する。吃音の利用者は、ガイド音に合わせて落ち着いて音声入力を行うことができる。

なお、ガイド音の停止は、様々なタイミングで行うことができる。たとえば、ガイド部４００は、利用者が入力手段５０ｄを介し、表示手段５０ｃに表示されている「音声入力終了」のアイコンを選択した場合にガイド音の出力を停止することができる。

或いは、ガイド部４００は、判定部３００が音声信号に吃音が含まれないと判定した場合や、音声処理部１００が音声認識処理を完了した場合、または集音手段５０ｅが所定時間、音声入力を受け付けなかった場合に、ガイド音の出力を停止してもよい。

＝＝リモコン装置における処理について＝＝
図３を参照して、本実施形態に係るリモコン装置５０における処理について述べる。図３は、リモコン装置５０における処理を示すフローチャートである。この例では、音声入力モードが実行されているとする。

利用者は、集音手段５０ｅを介して音声入力を行う。集音手段５０ｅは、音声を集音し、音声信号として判定部３００に出力する（音声信号の出力。ステップ１０）。

判定部３００は、ステップ１０で出力された音声信号に吃音が含まれるかどうかを判定する。

吃音が含まれると判定された場合（ステップ１１でＹの場合）、ガイド部４００は、利用者による音声入力をガイドするためのガイド音を出力する（ガイド音の出力。ステップ１２）。利用者は、ガイド音に合わせて再度、音声入力を行う。

一方、吃音が含まれないと判定された場合（ステップ１１でＮの場合）、音声処理部１００は、ステップ１０で出力された音声信号を音声認識処理し、テキストデータとして出力する（テキストデータの出力。ステップ１３）。

実行部２００は、ステップ１３で出力されたテキストデータに基づいて、入力された音声に対応するコマンドを実行する（コマンドの実行。ステップ１４）。

以上から明らかなように、本実施形態に係るリモコン装置５０は、音声入力により、所定のコマンドを実行するための装置である。リモコン装置５０は、集音手段５０ｅから出力された利用者の音声信号を音声認識処理し、テキストデータとして出力する音声処理部１００と、テキストデータに基づいて、入力された音声に対応するコマンドを実行する実行部２００と、音声信号に吃音が含まれるかどうかを判定する判定部３００と、吃音が含まれると判定された場合、利用者による音声入力をガイドするためのガイド音を出力するガイド部４００と、を有する。

このようなリモコン装置５０によれば、音声信号に吃音が含まれる場合にはガイド音が出力される。吃音の利用者は、ガイド音に合わせて音声入力を行うことで吃音の影響を受けずに音声入力が可能となる。すなわち、本実施形態に係るリモコン装置によれば、利用者が吃音の場合であっても、音声入力を容易に行うことができる。

＜第２実施形態＞
次に、図４及び図５を参照して、第２実施形態に係るカラオケ用入力装置について説明する。本実施形態では、吃音の程度に応じたガイド音を出力する例について述べる。第１実施形態と同様の構成については説明を省略する。

［制御手段］
第１実施形態と同様、カラオケ装置Ｋを利用する利用者が音声入力を用いて各種のコマンドの実行を指示したいと考えたとする。この場合、利用者は、入力手段５０ｄを介し、表示手段５０ｃに表示されている「音声入力」のアイコンを選択する。当該選択に基づいて、制御手段５０ｇのＣＰＵはメモリに記憶されるプログラムを実行し、音声入力モードに移行する。この場合、制御手段５０ｇは、音声処理部１００、実行部２００、判定部３００、ガイド部４００、及び設定部５００として機能する（図４参照）。

（設定部）
設定部５００は、吃音が含まれると判定された場合、当該吃音の程度に基づいてガイド音のテンポ及び／または音量を設定する。

吃音の程度は、たとえば所定時間内の回数として表すことができる。吃音の程度に基づくガイド音のテンポや音量は予め設定されている。たとえば、記憶手段５０ａは、図５のテーブルに示すような、吃音の程度に応じたガイド音のテンポや音量を記憶している。

判定部３００は、吃音が含まれていると判定した場合、吃音の程度を測定する。判定部３００は、測定した吃音の程度を示す情報を設定部５００に出力する。

設定部５００は、判定部３００が出力した吃音が含まれる旨の信号及び吃音の程度を示す情報に基づいて、吃音の程度に適したガイド音となるよう設定する。ガイド音の設定は、テンポ及び音量の少なくとも一方について行う。

ガイド部４００は、設定部５００により設定されたテンポ及び／または音量でガイド音を出力する。

具体例として、判定部３００から利用者Ｕ１の吃音の程度を示す情報として「５秒間に吃音が３回以上」が出力されたとする。

この場合、設定部５００は、図５のテーブルを参照し、ガイド音のテンポをゆっくり（たとえばＢＰＭ＝８０）とし、且つ音量を大きめ（１０段階のうち「４」）と設定する。ガイド部４００は、設定されたテンポ及び音量でガイド音を出力する。

一方、判定部３００から利用者Ｕ２の吃音の程度を示す情報として「５秒間に吃音が２回」が出力されたとする。この場合、利用者Ｕ１の吃音の程度より利用者Ｕ２の吃音の程度の方が軽いと考えられる。

そこで、設定部５００は、ガイド音のテンポをややゆっくり（たとえばＢＰＭ＝１００）とし、且つ音量を少し大きめ（１０段階のうち「３」）と設定する。ガイド部４００は、設定されたテンポ及び音量でガイド音を出力する。

なお、この例ではガイド音のテンポ及び音量を設定する例について述べたが、設定部５００は、テンポ又は音量のいずれか一方を設定することでもよい。

このように、本実施形態に係るリモコン装置５０は、吃音が含まれると判定された場合、当該吃音の程度に基づいてガイド音のテンポ及び／または音量を設定する設定部５００を有する。また、ガイド部４００は、設定されたテンポ及び／または音量でガイド音を出力する。このようなリモコン装置によれば、利用者の吃音の程度に応じて適切なガイド音（すなわち、利用者が音声入力し易くなるガイド音）を出力できる。

＜変形例１＞
第２実施形態のように、あるテンポ及び音量でガイド音を出力した場合、利用者は当該ガイド音に合わせて音声入力を再度、試みる。一方、利用者にとって、設定されたテンポや音量が妥当でない場合がある。このような場合には、利用者に適したガイド音のテンポや音量を改めて設定することが好ましい。

そこで、判定部３００は、ガイド部４００がガイド音を出力している間に集音手段５０ｅから新たな音声信号が出力された場合、当該新たな音声信号に吃音が含まれるかどうかを判定する。

設定部５００は、判定部３００の判定結果に応じて、テンポ及び／または音量を再設定する。具体的に、判定部３００により音声信号に吃音が含まれると判定された場合、設定部５００は、テンポや音量を変更することで、ガイド音の再設定を行う。

ガイド部４００は、再設定されたテンポ及び／または音量で、新たなガイド音を出力する。なお、リモコン装置５０は、吃音が含まれないと判定されるまで、繰り返しガイド音の再設定を行うことができる。

このように、ガイド音に合わせて音声入力された音声信号に吃音が含まれる場合に、ガイド音のテンポや音量を再設定することにより、利用者の吃音の程度に適したガイド音を出力できる。

＜変形例２＞
上記実施形態のように、ガイド音に合わせて音声入力を行った場合、集音手段５０ｅが集音した音の中には、音声入力だけでなくガイド音が含まれている可能性がある。このようなガイド音があることで、音声処理部１００が音声認識処理を誤る可能性がありうる。

そこで、音声処理部１００は、ガイド部４００がガイド音を出力している間に集音手段５０ｅから新たな音声信号が出力された場合、当該新たな音声信号を音声認識処理する際に、集音手段５０ｅから出力されたガイド音を除去する前処理を行う。

具体的に、音声処理部１００は、ガイド部４００からガイド音に対応する音声信号を取得する。音声処理部１００は、集音手段５０ｅが集音した音に対応する音声信号から、ガイド音に対応する音声信号を減算することにより、音声入力に対応する音声信号のみを抽出し、抽出した音声信号に基づいて音声認識処理を行う。

なお、ガイド音に対応する音声信号を完全に除去する必要は無い。すなわち、音声入力に対応する音声信号に基づいて音声認識処理ができる程度にガイド音に対応する音声信号が弱くなればよい。

このような前処理を行うことにより、集音手段５０ｅが集音した音の中から音声入力に対応する音声信号のみを確実に取り出すことができる。

なお、設定部５００によりガイド音の音量が設定された場合、ガイド音を除去する前処理は、設定されたガイド音の音量に基づいて行ってもよい。たとえば、図５のテーブルにおいて、ガイド音の音量が大きめ（１０段階のうち「４」）に設定された場合には前処理を行い、ガイド音の音量が少し大きめ（１０段階のうち「３」）以下に設定された場合には前処理を行わないことにしてもよい。これにより、音声処理部１００は、より確実に音声認識処理を行うことができる。

＜その他＞
上記実施形態は、カラオケ用入力装置としてリモコン装置５０を例に説明した。一方、カラオケ装置Ｋ自体がカラオケ用入力装置として機能してもよい。この場合、カラオケ本体１０が少なくとも記憶手段５０ａ、通信手段５０ｂ、及び制御手段５０ｇ（音声処理部１００、実行部２００、判定部３００、ガイド部４００）を備える。また表示装置３０が表示手段５０ｃとして機能し、リモコン装置５０が入力手段５０ｄとして機能し、マイク４０が集音手段５０ｅとして機能し、スピーカ２０が放音手段５０ｆとして機能する。

上記実施形態は、例として提示したものであり、発明の範囲を限定するものではない。上記の構成は、適宜組み合わせて実施す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。上記実施形態やその変形は、発明の範囲や要旨に含まれると同様に、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。

５０ リモコン装置
１００ 音声処理部
２００ 実行部
３００ 判定部
４００ ガイド部
５００ 設定部

Claims (3)

1. 音声入力により、所定のコマンドを実行するためのカラオケ用入力装置であって、
   集音手段から出力された利用者の音声信号を音声認識処理し、テキストデータとして出力する音声処理部と、
   前記テキストデータに基づいて、入力された音声に対応するコマンドを実行する実行部と、
   前記音声信号に吃音が含まれるかどうかを判定する判定部と、
   吃音が含まれると判定された場合、前記利用者による音声入力をガイドするためのガイド音を出力するガイド部と、
   吃音が含まれると判定された場合、当該吃音の程度に基づいてガイド音のテンポ及び／または音量を設定する設定部とを有し、
   前記ガイド部は、設定されたテンポ及び／または音量でガイド音を出力するカラオケ用入力装置。
2. 前記判定部は、前記ガイド部がガイド音を出力している間に前記集音手段から新たな音声信号が出力された場合、当該新たな音声信号に吃音が含まれるかどうかを判定し、
   前記設定部は、前記判定部の判定結果に応じて、テンポ及び／または音量を再設定し、
   前記ガイド部は、再設定されたテンポ及び／または音量で、新たなガイド音を出力することを特徴とする請求項１記載のカラオケ用入力装置。
3. 前記音声処理部は、前記ガイド部がガイド音を出力している間に前記集音手段から新たな音声信号が出力された場合、当該新たな音声信号を音声認識処理する際に、前記集音手段から出力された前記ガイド音を除去する前処理を行うことを特徴とする請求項１または２に記載のカラオケ用入力装置。

Images