JP7326983B2 - 情報処理装置及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置及び情報処理プログラムに関する。

特許文献１には、送信元アドレスやパスワードの盗用による不正アクセスを検出して排除できるセキュリティの高い認証システムを提供することを課題とし、接続装置および端末のそれぞれに複数のパスワード（または複数のパスワード生成アルゴリズム）および設定情報を格納し、接続装置と端末との時刻を同期させ、設定情報により時間の経過とともにパスワード（またはパスワード生成アルゴリズム）を変更してパスワードを変化させ、端末は送信するフレームにパスワードを付加して送出し、接続装置は受け取ったフレームのパスワードと接続装置のパスワードとを比較し、パスワードが一致した場合、接続装置は端末の通信を許可し、一致しない場合には通信を不許可としてフレームを廃棄することが開示されている。

特許文献２には、声紋認証において音声パスワードの変更を容易に行うことを課題とし、声紋認証システムは、パスワードを構成する数字及び／又は文字の要素、並びにこれら要素を繋ぐ要素の声紋データを登録者毎に記録する音声記録手段と、各要素を用いてランダムなパスワードを形成するパスワード形成手段と、パスワード形成手段により形成されたパスワードの音声データを、声紋データを用いて形成する音声データ形成手段と、判定要求者がパスワードを音声入力して得られる音声データと、音声データ形成手段で形成した音声データとの照合に基づいて、判定要求者が登録者であることを判定するパスワード判定手段とを備え、パスワードを発声して得られる音声パスワード自体を登録することに代えて、パスワードを構成する各要素についてその要素の声紋データを登録することが開示されている。

特開２００１－２０９６１４号公報 特開２００５－１２８３０７号公報

ユーザーの音声を用いて認証を行う場合に、ユーザーが予め定められたパスワードを発声した音声を用いて認証を行う構成では、その音声が録音されてしまった場合には、別ユーザーにより悪用されるという安全上の恐れがある。そこで本発明は、ユーザーの音声を用いて認証を行う場合に、予め定められたパスワードを発声したユーザーの音声を用いて認証を行う場合に比べ、発声したユーザーを認証することに伴う安全性を高めることができる情報処理装置及び情報処理プログラムを提供することを目的としている。

かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。なお、以下の「請求項」とあるのは、出願当初の請求項である。
請求項１の発明は、複数の文字を含む文字列について、該文字列内の一文字又は複数文字を表示するように制御する表示制御手段と、前記表示制御手段によって表示された文字を発声したユーザーの音声を受け付ける受付手段と、一文字又は複数文字の音声毎に認証する第１認証手段と、前記第１認証手段による複数の認証結果に対して予め定められた規則を適用することによって、前記音声を発したユーザーを認証する第２認証手段を有する情報処理装置である。

請求項２の発明は、前記表示制御手段は、前記文字列内の一文字又は複数文字を複数回に分けて表示するように制御し、前記第１認証手段は、前記表示制御手段によって表示された文字毎に認証を行う、請求項１に記載の情報処理装置である。

請求項３の発明は、前記第２認証手段は、予め定められた回数の前記第１認証手段による認証失敗があった場合は、認証失敗とする、請求項２に記載の情報処理装置である。

請求項４の発明は、前記表示制御手段は、表示する文字の読み仮名をも表示するように制御する、請求項１に記載の情報処理装置である。

請求項５の発明は、予め定められた時間内に、前記受付手段が音声を受け付けなかった場合、又は、前記第１認証手段による認証が行われなかった場合、前記表示制御手段は、次の文字の表示を行うように制御する、請求項２に記載の情報処理装置である。

請求項６の発明は、前記表示制御手段が表示対象とする前記文字列を、セキュリティレベルに応じて生成する生成手段をさらに有し、前記表示制御手段は、前記生成手段によって生成された前記文字列内の一文字又は複数文字を表示するように制御する、請求項１に記載の情報処理装置である。

請求項７の発明は、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、前記一文字又は複数文字毎に予め定められた情報を前記音声に付加したデータを、認証するための学習データとして生成する生成手段と、前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って１つの学習モデルを生成する学習モデル生成手段を有する情報処理装置である。

請求項８の発明は、前記第１認証手段は、請求項７に記載の情報処理装置によって生成された学習モデルを用いて、認証を行う、請求項１に記載の情報処理装置である。

請求項９の発明は、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、予め定められた一文字又は複数文字毎の前記音声を、認証するための学習データとして生成する生成手段と、前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って一文字又は複数文字毎の学習モデルを生成する学習モデル生成手段を有する情報処理装置である。

請求項１０の発明は、前記第１認証手段は、請求項９に記載の情報処理装置によって生成された学習モデルであって、前記表示制御手段によって表示された一文字又は複数文字に対応する学習モデルを用いて、認証を行う、請求項１に記載の情報処理装置である。

請求項１１の発明は、コンピュータを、複数の文字を含む文字列について、該文字列内の一文字又は複数文字を表示するように制御する表示制御手段と、前記表示制御手段によって表示された文字を発声したユーザーの音声を受け付ける受付手段と、一文字又は複数文字の音声毎に認証する第１認証手段と、前記第１認証手段による複数の認証結果に対して予め定められた規則を適用することによって、前記音声を発したユーザーを認証する第２認証手段として機能させるための情報処理プログラムである。

請求項１２の発明は、コンピュータを、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、前記一文字又は複数文字毎に予め定められた情報を前記音声に付加したデータを、認証するための学習データとして生成する生成手段と、前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って１つの学習モデルを生成する学習モデル生成手段として機能させるための情報処理プログラムである。

請求項１３の発明は、コンピュータを、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、予め定められた一文字又は複数文字毎の前記音声を、認証するための学習データとして生成する生成手段と、前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って一文字又は複数文字毎の学習モデルを生成する学習モデル生成手段として機能させるための情報処理プログラムである。

請求項１の情報処理装置によれば、ユーザーの音声を用いて認証を行う場合に、予め定められたパスワードを発声したユーザーの音声を用いて認証を行う場合に比べ、発声したユーザーを認証することに伴う安全性を高めることができる。

請求項２の情報処理装置によれば、第１認証において、表示された文字毎に認証を行うことができる。

請求項３の情報処理装置によれば、第１認証において、認証失敗が予め定められた回数のあった場合は、認証失敗とすることができる。

請求項４の情報処理装置によれば、複数の読みがある文字であっても、認証用の読みを統一させることができる。

請求項５の情報処理装置によれば、予め定められた時間内に音声の受け付けがなかった場合、又は、第１認証による認証が行われなかった場合、次の文字の表示を行うことができる。

請求項６の情報処理装置によれば、セキュリティレベルに応じた文字列を認証用に生成することができる。

請求項７の情報処理装置によれば、認証用の文字の読みが類似している場合であっても、１つの学習モデルで認証できるように、その学習モデルを生成することができる。

請求項８の情報処理装置によれば、認証用の文字の読みが類似している場合であっても、１つの学習モデルでユーザーを認証できる。

請求項９の情報処理装置によれば、一文字又は複数文字毎に対応する学習モデルを生成することができる。

請求項１０の情報処理装置によれば、表示された一文字又は複数文字に対応する学習モデルを用いて、ユーザーの認証を行うことができる。

請求項１１の情報処理プログラムによれば、ユーザーの音声を用いて認証を行う場合に、予め定められたパスワードを発声したユーザーの音声を用いて認証を行う場合に比べ、発声したユーザーを認証することに伴う安全性を高めることができる。

請求項１２の情報処理プログラムによれば、認証用の文字の読みが類似している場合であっても、１つの学習モデルで認証できるように、その学習モデルを生成することができる。

請求項１３の情報処理プログラムによれば、一文字又は複数文字毎に対応する学習モデルを生成することができる。

第１の実施の形態の構成例についての概念的なモジュール構成図である。 本実施の形態を利用したシステム構成例を示す説明図である。 第１の実施の形態による処理例を示すフローチャートである。 第１の実施の形態による処理例を示す説明図である。 第１の実施の形態による処理例を示す説明図である。 第１の実施の形態による処理例を示すフローチャートである。 第２の実施の形態の構成例についての概念的なモジュール構成図である。 第２の実施の形態による処理例を示す説明図である。 第２の実施の形態による処理例を示す説明図である。 第２の実施の形態による処理例を示す説明図である。 第３の実施の形態の構成例についての概念的なモジュール構成図である。 第３の実施の形態による処理例を示す説明図である。 第３の実施の形態による処理例を示す説明図である。 本実施の形態を実現するコンピュータのハードウェア構成例を示すブロック図である。

以下、図面に基づき本発明を実現するにあたっての好適な各種の実施の形態の例を説明する。
＜第１の実施の形態＞
図１は、第１の実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア（「ソフトウェア」の解釈として、コンピュータ・プログラムを含む）、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム（例えば、コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム）、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するという意味である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、１モジュールを１プログラムで構成してもよいし、複数モジュールを１プログラムで構成してもよく、逆に１モジュールを複数プログラムで構成してもよい。また、複数モジュールは１コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって１モジュールが複数コンピュータで実行されてもよい。なお、１つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続（例えば、データの授受、指示、データ間の参照関係、ログイン等）の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態にしたがって、又はそれまでの状況・状態にしたがって定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、２以上の値（「２以上の値」には、もちろんのことながら、全ての値も含む）が同じであってもよい。また、「Ａである場合、Ｂをする」という記載は、「Ａであるか否かを判断し、Ａであると判断した場合はＢをする」の意味で用いる。ただし、Ａであるか否かの判断が不要である場合を除く。また、「Ａ、Ｂ、Ｃ」等のように事物を列挙した場合は、断りがない限り例示列挙であり、その１つのみを選んでいる場合（例えば、Ａのみ）を含む。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク（「ネットワーク」には、一対一対応の通信接続を含む）等の通信手段で接続されて構成されるほか、１つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」（つまり、社会システム）にすぎないものは含まない。
また、各モジュールによる処理毎に又はモジュール内で複数の処理を行う場合はその処理毎に、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスクドライブ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略）、外部記憶媒体、通信回線を介した記憶装置、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略）内のレジスタ等を含んでいてもよい。

第１の実施の形態である情報処理装置１００は、ユーザーの音声を用いた認証機能を有しており、図１の例に示すように、文字列生成モジュール１０５、表示制御モジュール１１０、表示装置１１５、音声受付モジュール１２０、ユーザー認証モジュール１２５を有している。

文字列生成モジュール１０５は、表示制御モジュール１１０と接続されている。文字列生成モジュール１０５は、表示制御モジュール１１０が表示対象とする文字列を、セキュリティレベルに応じて生成する。例えば、セキュリティレベルに応じて、文字列の長さを決定してもよい。具体的には、セキュリティレベルが高い場合は、長い文字列として、セキュリティレベルが低い場合は、短い文字列としてもよい。
なお、そのセキュリティレベルは、ユーザーが用いる機能に応じて決定してもよい。ここで「ユーザーが用いる機能」は、認証前にユーザーが用いる機能を選択させればよい。例えば、複写の機能を用いる場合は、３文字の文字列を生成し、ファックス受信の機能を用いる場合は、６文字の文字列を生成するようにしてもよい。また、そのセキュリティレベルは、ユーザーが指定する処理量に応じて決定してもよい。ここで「ユーザーが指定する処理量」は、認証前に、ユーザーに処理量を入力させればよい。例えば、１枚の複写である場合は、３文字の文字列を生成し、１０枚の複写である場合は、６文字の文字列を生成するようにしてもよい。
文字列生成モジュール１０５が生成する文字列は、数字列であってもよいし、英字列であってもよいし、カタカナ等の文字列であってもよい。例えば、数字列である場合は、０～９の文字のうち、文字列生成モジュール１０５は、セキュリティレベルに応じた文字数の数字をランダムに選択してもよい。ランダムに選択しているので、同じ文字列が表示される可能性は低く、以前に認証された音声の録音を使用しても認証させることは困難である。また、文字列生成モジュール１０５は過去に使用した文字列を記憶しておき、その過去に使用した文字列以外の文字列を生成するようにしてもよい。

表示制御モジュール１１０は、文字列生成モジュール１０５、表示装置１１５、ユーザー認証モジュール１２５と接続されている。表示制御モジュール１１０は、複数の文字を含む文字列について、その文字列内の一文字又は複数文字を表示するように制御する。
また、表示制御モジュール１１０は、文字列内の一文字又は複数文字を複数回に分けて、表示装置１１５に表示させるよう制御するようにしてもよい。ここで、「複数回に分けて」とは、次の一文字又は複数文字を表示する場合には、前回に表示していた一文字又は複数文字を非表示にすることを含む。つまり、表示装置１１５に表示する「一文字又は複数文字」は、１つの「一文字又は複数文字」である。
また、表示制御モジュール１１０は、表示する文字の読み仮名をも、表示装置１１５に表示させるよう制御するようにしてもよい。表示する文字に複数の読みがある場合であっても、ユーザーによる読みを統一させるようにするためである。例えば、「１」と表示した場合、「イチ」、「ヒトツ」等のように複数の読みがあるが、「イチ」と表示させたい場合は、「１」とともに「イチ」と表示させる。
また、予め定められた時間内に、音声受付モジュール１２０が音声を受け付けなかった場合、又は、認証（Ａ）モジュール１３０による認証が行われなかった場合、表示制御モジュール１１０は、次の文字を、表示装置１１５に表示させるよう制御するようにしてもよい。
また、表示制御モジュール１１０は、文字列生成モジュール１０５によって生成された文字列内の一文字又は複数文字を、表示装置１１５に表示するよう制御するようにしてもよい。以下、例示する場合は、文字列生成モジュール１０５によって生成された文字列内の一文字を順に、表示装置１１５に表示するように制御する場合について説明する。

表示装置１１５は、表示制御モジュール１１０と接続されている。表示装置１１５として、例えば、液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置であり、さらに、ユーザーの操作を受け付けるタッチスクリーン等であってもよい。表示装置１１５は、表示制御モジュール１１０による制御にしたがって、一文字又は複数文字を表示する。この表示された一文字又は複数文字は、ユーザーによって読み上げられて、その音声がユーザーの認証に用いられる。

音声受付モジュール１２０は、ユーザー認証モジュール１２５と接続されている。音声受付モジュール１２０は、例えば、マイク等によってユーザーの音声を受け付ける。そして、音声受付モジュール１２０は、表示制御モジュール１１０の制御によって、表示装置１１５に表示された文字を発声したユーザーの音声を受け付ける。音声受付モジュール１２０が受け付けた音声は、ユーザーを認証するための声紋データとなる。

ユーザー認証モジュール１２５は、認証（Ａ）モジュール１３０、認証（Ｂ）モジュール１３５を有しており、表示制御モジュール１１０、音声受付モジュール１２０と接続されている。ユーザー認証モジュール１２５は、ユーザーを認証する。例えば、ある装置を用いることができるユーザーを認証すること等がある。具体的には、図２の例に示す画像処理装置２００のように、情報処理装置１００を内蔵しており、画像処理装置２００を利用することができるユーザーを認証する。いわゆるログインのための認証が該当する。
ここでの認証は、音声を用いたユーザーの認証であり、いわゆる声紋認証である。そして、音声認識も行っている。

認証（Ａ）モジュール１３０は、音声受付モジュール１２０によって受け付けられた一文字又は複数文字の音声毎に認証する。
また、認証（Ａ）モジュール１３０は、表示制御モジュール１１０によって表示された文字毎に認証を行うようにしてもよい。具体的には、認証（Ａ）モジュール１３０は、一文字又は複数文字の音声毎に、その音声の認識を行う。その音声の認識結果が、表示制御モジュール１１０によって表示するように制御された「一文字又は複数文字」、つまり、表示装置１１５によって表示されている「一文字又は複数文字」と同じであるか否かを判断する。同じであった場合に、声紋認証を行う。認証（Ａ）モジュール１３０による認証失敗として、表示装置１１５によって表示されている「一文字又は複数文字」が異なる場合、声紋認証ができなかった場合、声紋認証はできたが、前回の声紋認証とは異なるユーザーとなった場合が該当する。なお、ここでの「声紋認証できた」とは、予め定められたユーザーの音声であることである。また、「前回の声紋認証」とは、１回のユーザー認証にあたって、表示装置１１５によって表示されている「一文字又は複数文字」が複数回ある場合における前回である。もちろんのことながら、１回のユーザー認証にあたって、最初の声紋認証においては、前回の声紋認証はない。もちろんのことながら、１回のユーザー認証にあたって、表示装置１１５によって表示されている「一文字又は複数文字」が複数回ある場合、全回の声紋認証の結果が同じユーザーの認証とならないと、ユーザー認証モジュール１２５による認証は成功しない。

認証（Ａ）モジュール１３０は、図７の例を用いて後述する機械学習装置（Ａ）７００によって生成された学習モデルを用いて、認証を行うようにしてもよい。
また、認証（Ａ）モジュール１３０は、図１１の例を用いて後述する機械学習装置（Ｂ）１１００によって生成された学習モデルであって、表示制御モジュール１１１０によって表示された一文字又は複数文字に対応する学習モデルを用いて、認証を行うようにしてもよい。

認証（Ｂ）モジュール１３５は、認証（Ａ）モジュール１３０による複数の認証結果に対して予め定められた規則を適用することによって、音声を発したユーザーを認証する。
また、認証（Ｂ）モジュール１３５は、予め定められた回数の認証（Ａ）モジュール１３０による認証失敗があった場合は、認証失敗とするようにしてもよい。「予め定められた規則」の一例として、「予め定められた回数の認証（Ａ）モジュール１３０による認証失敗があった場合は、認証失敗とする」ことが定められている。この他に、「予め定められた規則」として、「認証（Ａ）モジュール１３０による認証失敗が続けてＸ回以上ある場合は、認証失敗とする」等としてもよい。

図２は、本実施の形態を利用したシステム構成例を示す説明図である。
図２（ａ）の例に示す画像処理装置２００は、情報処理装置１００を有している。ユーザーは、画像処理装置２００の複写、プリント等の機能を利用するために、情報処理装置１００によって認証される必要がある。ユーザーは、情報処理装置１００によって表示された文字を読み上げ、その音声をマイクで受け付けて認証を行う。つまり、ユーザーは、予め定められたパスワードを発声するのではなく、その場で表示された文字を読み上げることによって認証される。

図２（ｂ）の例では、画像処理装置２００内の情報処理装置１００、機械学習装置（Ａ）７００、機械学習装置（Ｂ）１１００は、通信回線２９０を介してそれぞれ接続されている。通信回線２９０は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。
機械学習装置（Ａ）７００、機械学習装置（Ｂ）１１００は、ユーザーの音声の機械学習を行って、情報処理装置１００の認証（Ａ）モジュール１３０の機能を発揮する学習モデルを生成する。機械学習は、ニューラルネットワークをつくる「学習フェーズ」と、できあがったニューラルネットワークを使って正解を出す「予測フェーズ」の２つに分かれるが、学習フェーズは機械学習装置（Ａ）７００又は機械学習装置（Ｂ）１１００で行われ、予測フェーズは情報処理装置１００の認証（Ａ）モジュール１３０で行われる。つまり、機械学習装置（Ａ）７００又は機械学習装置（Ｂ）１１００による学習によって生成された学習モデルを、画像処理装置２００の情報処理装置１００に送信し、情報処理装置１００は、その学習モデルを認証（Ａ）モジュール１３０として用いる。

図３は、第１の実施の形態による処理例を示すフローチャートである。
以下に示す例では、「複数の文字を含む文字列」をパスワードと称する。パスワードの一例として、複数の数字によって構成されている場合を示す。また、表示装置１１５に表示する「文字列内の一文字又は複数文字」として、そのパスワードの数字を１桁ずつ順に表示する例を示す。

ステップＳ３０２では、パスワードを生成する。例えば、予め定められた桁数の乱数を用いて、パスワードを生成する。桁数は、任意に設定することができる。例えば、４桁等としてもよい。なお、乱数には疑似乱数を含めてもよい（以下、同様）。
ステップＳ３０４では、ユーザー認証画面にパスワードを１桁表示する。

ステップＳ３０６では、音声を受け付ける。ユーザーは、ユーザー認証画面に表示されている１桁の数字を読み上げる。
ステップＳ３０８では、タイムアウト時間が経過したか否かを判断し、経過した場合はステップＳ３０４へ戻り、それ以外の場合はステップＳ３１０へ進む。パスワードを構成する１桁の数字を表示した時からの時間を計時し、予め定められた時間を過ぎた場合を、タイムアウト時間が経過したと判断する。タイムアウト時間は、任意に設定することができる。例えば、２秒等としてもよい。

ステップＳ３１０では、入力音声を判定し、ＯＫの場合はステップＳ３１２へ進み、ＮＧの場合はステップＳ３１６へ進む。前述したように、音声認識結果がユーザー認証画面に表示している数字と合致し、今回の認証結果のユーザーは前回の認証結果のユーザーと合致している場合がステップＳ３１２へ進む。
ステップＳ３１２では、認証条件に合致するか否かを判断し、合致する場合はステップＳ３１４へ進み、それ以外の場合はステップＳ３０４へ戻る。例えば、認証条件として、ステップＳ３０２で生成されたパスワードのうち予め定められた文字数以上で、ステップＳ３１０の判断でＯＫとなっていることを認証条件としてもよい。その一例として、ステップＳ３０２で生成されたパスワードの全部の数字で、ステップＳ３１０の判断でＯＫとなっていることを認証条件としてもよい。

ステップＳ３１４では、認証成功とする。つまり、ログインが成功し、このユーザーは画像処理装置２００を使用することができるようになる。
ステップＳ３１６では、失敗可能回数に達したか否かを判断し、達した場合はステップＳ３１８へ進み、それ以外の場合はステップＳ３０４へ戻る。前述したように、失敗可能回数は、このフローチャートにおける処理における失敗の回数であってもよいし、失敗が連続した回数であってもよい。失敗可能回数は、任意に設定することができる。例えば、３回等としてもよい。
ステップＳ３１８では、認証失敗とする。つまり、ログインは不成功であり、このユーザーは画像処理装置２００を使用することができない。

図４は、第１の実施の形態による処理例を示す説明図である。
ステップＳ３０４での表示例を示すものである。画像処理装置２００に備え付けられている液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置に表示する。
ユーザー認証画面４００には、パスワード表示領域４１０、残時間表示領域４２０を表示する。
パスワード表示領域４１０には、パスワード文字表示領域４１２、読み表示領域４１４を表示する。パスワード文字表示領域４１２には、パスワードの１桁の数字を表示する。読み表示領域４１４には、その数字の読みを表示する。数字「４」について、ユーザーによる発声を「ヨン」に統一させるようにしている。
残時間表示領域４２０は、パスワード文字表示領域４１２に数字を表示させた時からの経過時間を示すものである。この例では、時間が経過するとバーが左から右に伸びていき、右端に達した場合がステップＳ３０８で、タイムアウト時間が経過したことを示しており、ユーザーは経過時間がわかる。

図５は、第１の実施の形態による処理例を示す説明図である。
ユーザー認証画面４００における表示遷移の例を示している。この例では、４桁以上で声紋認証ができ、ステップＳ３１６における失敗可能回数を３回としている。なお、各画面の切り替えは、規定時間毎に切り替えてもよいし、その画面に表示している１桁の数字における認証の成功、又は、失敗が判明した時点で切り替えるようにしてもよい。

図５（ａ）の例では、パスワード「４１５６」でユーザー認証ができた例を示している。
ユーザー認証画面４００－ａ１のパスワード文字表示領域４１２に「４」、読み表示領域４１４に「ヨン」と表示する。声紋認証ができたので、ユーザー認証画面４００－ａ２を表示する。
ユーザー認証画面４００－ａ２のパスワード文字表示領域４１２に「１」、読み表示領域４１４に「イチ」と表示する。声紋認証ができ、ユーザー認証画面４００－ａ１での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ａ３を表示する。
ユーザー認証画面４００－ａ３のパスワード文字表示領域４１２に「５」、読み表示領域４１４に「ゴ」と表示する。声紋認証ができ、ユーザー認証画面４００－ａ２での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ａ４を表示する。
ユーザー認証画面４００－ａ４のパスワード文字表示領域４１２に「６」、読み表示領域４１４に「ロク」と表示する。声紋認証ができ、ユーザー認証画面４００－ａ３での声紋認証のユーザーと同じであり、４桁の声紋認証ができたので、認証成功とする。

図５（ｂ）の例では、パスワード「４１５６９」でユーザー認証ができた例を示している。ただし、１回のタイムアウト時間の経過が発生した例を示している。
ユーザー認証画面４００－ｂ１のパスワード文字表示領域４１２に「４」、読み表示領域４１４に「ヨン」と表示する。声紋認証ができたので、ユーザー認証画面４００－ｂ２を表示する。
ユーザー認証画面４００－ｂ２のパスワード文字表示領域４１２に「１」、読み表示領域４１４に「イチ」と表示する。タイムアウト時間が経過したので、ユーザー認証画面４００－ｂ３を表示する。
ユーザー認証画面４００－ｂ３のパスワード文字表示領域４１２に「５」、読み表示領域４１４に「ゴ」と表示する。声紋認証ができ、ユーザー認証画面４００－ｂ１での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｂ４を表示する。
ユーザー認証画面４００－ｂ４のパスワード文字表示領域４１２に「６」、読み表示領域４１４に「ロク」と表示する。声紋認証ができ、ユーザー認証画面４００－ｂ３での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｂ５を表示する。
ユーザー認証画面４００－ｂ５のパスワード文字表示領域４１２に「９」、読み表示領域４１４に「キュウ」と表示する。声紋認証ができ、ユーザー認証画面４００－ｂ４での声紋認証のユーザーと同じであり、４桁の声紋認証ができたので、認証成功とする。

図５（ｃ）の例では、パスワード「４１５６９」でユーザー認証ができた例を示している。ただし、１回の認証失敗が発生した例を示している。
ユーザー認証画面４００－ｃ１のパスワード文字表示領域４１２に「４」、読み表示領域４１４に「ヨン」と表示する。声紋認証ができたので、ユーザー認証画面４００－ｃ２を表示する。
ユーザー認証画面４００－ｃ２のパスワード文字表示領域４１２に「１」、読み表示領域４１４に「イチ」と表示する。声紋認証ができ、ユーザー認証画面４００－ｃ１での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｃ３を表示する。
ユーザー認証画面４００－ｃ３のパスワード文字表示領域４１２に「５」、読み表示領域４１４に「ゴ」と表示する。声紋認証できなかったので、ユーザー認証画面４００－ｃ４を表示する。
ユーザー認証画面４００－ｃ４のパスワード文字表示領域４１２に「６」、読み表示領域４１４に「ロク」と表示する。声紋認証ができ、ユーザー認証画面４００－ｃ２での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｃ５を表示する。
ユーザー認証画面４００－ｃ５のパスワード文字表示領域４１２に「９」、読み表示領域４１４に「キュウ」と表示する。声紋認証ができ、ユーザー認証画面４００－ｃ４での声紋認証のユーザーと同じであり、４桁の声紋認証ができたので、認証成功とする。

図５（ｄ）の例では、パスワード「４１５６９７」でユーザー認証ができた例を示している。なお、この例は、図５（ｂ）、図５（ｃ）の例とは異なり、４文字連続で認証ができた場合に認証成功としており、１回のタイムアウト時間の経過が発生した例を示している。
ユーザー認証画面４００－ｄ１のパスワード文字表示領域４１２に「４」、読み表示領域４１４に「ヨン」と表示する。声紋認証ができたので、ユーザー認証画面４００－ｄ２を表示する。
ユーザー認証画面４００－ｄ２のパスワード文字表示領域４１２に「１」、読み表示領域４１４に「イチ」と表示する。タイムアウト時間が経過したので、ユーザー認証画面４００－ｄ３を表示する。
ユーザー認証画面４００－ｄ３のパスワード文字表示領域４１２に「５」、読み表示領域４１４に「ゴ」と表示する。声紋認証ができたので、ユーザー認証画面４００－ｄ４を表示する。
ユーザー認証画面４００－ｄ４のパスワード文字表示領域４１２に「６」、読み表示領域４１４に「ロク」と表示する。声紋認証ができ、ユーザー認証画面４００－ｄ３での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｄ５を表示する。
ユーザー認証画面４００－ｄ５のパスワード文字表示領域４１２に「９」、読み表示領域４１４に「キュウ」と表示する。声紋認証ができ、ユーザー認証画面４００－ｄ４での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｄ６を表示する。
ユーザー認証画面４００－ｄ６のパスワード文字表示領域４１２に「７」、読み表示領域４１４に「ナナ」と表示する。声紋認証ができ、ユーザー認証画面４００－ｄ５での声紋認証のユーザーと同じであり、連続して４桁の声紋認証ができたので、認証成功とする。

図５（ｅ）の例では、パスワード「４１５６９」ではユーザー認証できなかった例を示している。
ユーザー認証画面４００－ｅ１のパスワード文字表示領域４１２に「４」、読み表示領域４１４に「ヨン」と表示する。声紋認証できなかったので、ユーザー認証画面４００－ｅ２を表示する。
ユーザー認証画面４００－ｅ２のパスワード文字表示領域４１２に「１」、読み表示領域４１４に「イチ」と表示する。声紋認証ができたので、ユーザー認証画面４００－ｅ３を表示する。
ユーザー認証画面４００－ｅ３のパスワード文字表示領域４１２に「５」、読み表示領域４１４に「ゴ」と表示する。声紋認証できなかったので、ユーザー認証画面４００－ｅ４を表示する。
ユーザー認証画面４００－ｅ４のパスワード文字表示領域４１２に「６」、読み表示領域４１４に「ロク」と表示する。声紋認証ができ、ユーザー認証画面４００－ｅ２での声紋認証のユーザーと同じであるので、ユーザー認証画面４００－ｅ５を表示する。
ユーザー認証画面４００－ｅ５のパスワード文字表示領域４１２に「９」、読み表示領域４１４に「キュウ」と表示する。声紋認証できず、その回数が３回に達したので、認証失敗とする。

図６は、第１の実施の形態による処理例を示すフローチャートである。図３に示す例では、パスワードを静的に決定していたが、図６に示す例では、パスワードを動的に生成している。図６の例に示すフローチャートは、図３の例に示すフローチャートにステップＳ６０２とステップＳ６２２を付加したものである。

ステップＳ６０２では、パスワード生成ルールを作成する。パスワード生成ルールとして、例えば、予め定められた桁数の乱数を用いて、パスワードを生成するとしてもよいし、予め定められた関数を用いて、パスワードを生成するとしてもよい。桁数は、任意に設定することができる。例えば、４桁等としてもよい。桁数もパスワード生成ルールにしたがって可変としてもよい。
ステップＳ６０４では、パスワード生成ルールにしたがって、パスワードを生成する。

ステップＳ６０６では、ユーザー認証画面にパスワードを１桁表示する。
ステップＳ６０８では、音声を受け付ける。

ステップＳ６１０では、タイムアウト時間が経過したか否かを判断し、経過した場合はステップＳ６２２へ進み、それ以外の場合はステップＳ６１２へ進む。

ステップＳ６１２では、入力音声を判定し、ＯＫの場合はステップＳ６１４へ進み、ＮＧの場合はステップＳ６１８へ進む。
ステップＳ６１４では、認証条件に合致するか否かを判断し、合致する場合はステップＳ６１６へ進み、それ以外の場合はステップＳ６０６へ戻る。

ステップＳ６１６では、認証成功とする。
ステップＳ６１８では、失敗可能回数に達したか否かを判断し、達した場合はステップＳ６２０へ進み、それ以外の場合はステップＳ６２２へ進む。

ステップＳ６２０では、認証失敗とする。
ステップＳ６２２では、パスワード生成ルールにしたがって、パスワードを変更し、ステップＳ６０６へ戻る。

認証（Ａ）モジュール１３０の学習モデルの生成方法として、以下の２通りがある。
（１）全てのデータを一括で学習・推論する方法（第２の実施の形態に該当する）
・声紋データの認証のための学習をする場合に、文字毎に付加データを加える。
・推論時に取得した声紋データに、表示されている文字に対応する付加データを加えて推論を実施する。
（２）１文字ごとに学習・推論する方法（第３の実施の形態に該当する）

＜第２の実施の形態＞
図７は、第２の実施の形態の構成例についての概念的なモジュール構成図である。
機械学習装置（Ａ）７００は、文字列生成モジュール７０５、表示制御モジュール７１０、表示装置７１５、音声受付モジュール７２０、機械学習モジュール７２５、送信モジュール７４０を有している。

文字列生成モジュール７０５は、表示制御モジュール７１０と接続されている。文字列生成モジュール７０５は、情報処理装置１００の文字列生成モジュール１０５が生成する文字列を構成する個々の文字が含まれていればよい。例えば、前述したように、情報処理装置１００の文字列生成モジュール１０５が生成する数字列である場合は、文字列生成モジュール７０５が生成する文字列は、０～９を含む文字列である。具体的には、０～９を順に並べた文字列であってもよいし、情報処理装置１００における表示と同様にするために、ランダムに並べ替えた文字列であってもよい。なお、情報処理装置１００の文字列生成モジュール１０５が生成する文字列を構成する文字数は、複数である。

表示制御モジュール７１０は、文字列生成モジュール７０５、表示装置７１５、機械学習モジュール７２５の学習データ生成モジュール７３０と接続されている。表示制御モジュール７１０は、図１の例に示した情報処理装置１００の表示制御モジュール１１０と同等の機能を有している。つまり、情報処理装置１００における認証処理における表示制御と同等の表示制御を行うことによって、ユーザーに対して、情報処理装置１００における認証処理における環境と学習モデルを生成するための環境を同じにしている。なお、表示制御モジュール７１０は、一人のユーザーに対して、一文字又は複数文字の表示を複数回行う。
表示装置７１５は、表示制御モジュール７１０と接続されている。表示装置７１５は、図１の例に示した情報処理装置１００の表示装置１１５と同等の機能を有している。

音声受付モジュール７２０は、機械学習モジュール７２５の学習データ生成モジュール７３０と接続されている。音声受付モジュール７２０は、例えば、マイク等によってユーザーの音声を受け付ける。そして、音声受付モジュール７２０は、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける。
ここで、「予め定められたユーザー」は、認証対象のユーザーである。具体的には、対象とする機器又はサービスの利用が許可されるユーザーである。

機械学習モジュール７２５は、学習データ生成モジュール７３０、学習モジュール７３５を有しており、送信モジュール７４０と接続されている。機械学習モジュール７２５は、表示制御モジュール７１０によって表示された一文字又は複数文字と、その一文字又は複数文字に対応して、音声受付モジュール７２０によって受け付けられた音声とを用いて、１つの学習モデルを生成する。

学習データ生成モジュール７３０は、表示制御モジュール７１０、音声受付モジュール７２０、学習モジュール７３５と接続されている。学習データ生成モジュール７３０は、一文字又は複数文字毎に予め定められた情報を音声に付加したデータを、認証するための学習データとして生成する。ここで「予め定められた情報」は、表示制御モジュール７１０によって表示される「一文字又は複数文字」毎に定められている情報である。つまり、その「一文字又は複数文字」を一意に特定できるような情報であればよい。これによって、読みが類似している文字であっても相違を明確にした学習データを生成することになる。例えば、「１」の読み「イチ」と「８」の読み「ハチ」は類似しており、これを区別することは困難であるが、図９の例を用いて後述するように、「予め定められた情報」として「イチ」の音声データに「０ｘ１０」を付加し、「ハチ」の音声データに「０ｘ８０」を付加することによって、両者の差異を明確にする。

学習モジュール７３５は、学習データ生成モジュール７３０と接続されている。学習モジュール７３５は、学習データ生成モジュール７３０によって生成された学習データを用いて、音声を用いた認証用の学習を行って１つの学習モデルを生成する。なお、ここでの学習としては、既存の技術を用いればよい。例えば、決定木、Ｎａｉｖｅ Ｂａｙｅｓモデル、決定リスト、サポートベクターマシン、最大エントロピー法、条件付き確率場等を用いればよい。

送信モジュール７４０は、機械学習モジュール７２５と接続されている。送信モジュール７４０は、、学習モジュール７３５が生成した学習モデルを情報処理装置１００に送信する。受信した情報処理装置１００は、その学習モデルを、認証（Ａ）モジュール１３０として設定する。

図８、図９は、第２の実施の形態による処理例を示す説明図である。
声紋データの学習方法として、Ａさん、Ｂさん、Ｃさん、Ｄさんの４人分の数字「０」から「９」を読み上げた声紋データである学習単位データ８００を用いて、機械学習装置（Ａ）７００は学習を行う。つまり、図８の例に示す学習単位データ８００として、４０文字の学習を一括で行うようにしている。ただし、その際に、各数字の声紋データに付加データを加えている。具体的には、図９の例に示すように、「０」の声紋データ９１０ａに付加データ９１０ｂである「０ｘ００」を加え、「１」の声紋データ９１１ａに付加データ９１１ｂである「０ｘ１０」を加え、「２」の声紋データ９１２ａに付加データ９１２ｂである「０ｘ２０」を加え、「３」の声紋データ９１３ａに付加データ９１３ｂである「０ｘ３０」を加え、「４」の声紋データ９１４ａに付加データ９１４ｂである「０ｘ４０」を加え、「５」の声紋データ９１５ａに付加データ９１５ｂである「０ｘ５０」を加え、「６」の声紋データ９１６ａに付加データ９１６ｂである「０ｘ６０」を加え、「７」の声紋データ９１７ａに付加データ９１７ｂである「０ｘ７０」を加え、「８」の声紋データ９１８ａに付加データ９１８ｂである「０ｘ８０」を加え、「９」の声紋データ９１９ａに付加データ９１９ｂである「０ｘ９０」を加えて、学習データとしている。なお「０ｘ」は、その後に続く数字は１６進数であることを示している。
学習単位データ８００を用いて学習を行うので、生成される学習モデルも１つである。

機械学習装置（Ａ）７００によって生成された学習モデルを用いてユーザーを認証する場合に、情報処理装置１００の音声受付モジュール１２０が受け付けた声紋データに、その時に表示装置１１５に表示されている数字に対応する付加データを加える。例えば、表示装置１１５に「０」が表示されている場合は、その表示されている期間に音声受付モジュール１２０が受け付けた声紋データに「０ｘ００」を加える。

図１０は、第２の実施の形態による処理例を示す説明図である。
まず、ユーザー認証画面４００に「パスワードを発音してください」と表示する。
次に、ユーザー認証画面４００に「０（ゼロ）」と表示する。それを見たユーザー１０１０は「０」１０１２ａと読み上げる。音声受付モジュール１２０は、声紋データ１０２０ａを受け付ける。そして、声紋データ１０２０ａに付加データ１０３０ａを加えて、合成データ１０４０ａを生成する。機械学習装置（Ａ）７００によって生成された学習モデル１０５０を用いて、合成データ１０４０ａはユーザー１０１０による認識結果「０」１０６０ａと認証する。なお、付加データ１０３０ａは、声紋データ１０２０ａを受け付けた際にユーザー認証画面４００に表示されていた「０」に対応する付加データ９１０ｂである。
次に、ユーザー認証画面４００に「８（ハチ）」と表示する。それを見たユーザー１０１０は「８」１０１２ｂと読み上げる。音声受付モジュール１２０は、声紋データ１０２０ｂを受け付ける。そして、声紋データ１０２０ｂに付加データ１０３０ｂを加えて、合成データ１０４０ｂを生成する。機械学習装置（Ａ）７００によって生成された学習モデル１０５０を用いて、合成データ１０４０ｂはユーザー１０１０による認識結果「８」１０６０ｂと認証する。なお、付加データ１０３０ｂは、声紋データ１０２０ｂを受け付けた際にユーザー認証画面４００に表示されていた「８」に対応する付加データ９１８ｂである。
次に、ユーザー認証画面４００に「７（ナナ）」と表示する。それを見たユーザー１０１０は「７」１０１２ｃと読み上げる。音声受付モジュール１２０は、声紋データ１０２０ｃを受け付ける。そして、声紋データ１０２０ｃに付加データ１０３０ｃを加えて、合成データ１０４０ｃを生成する。機械学習装置（Ａ）７００によって生成された学習モデル１０５０を用いて、合成データ１０４０ｃはユーザー１０１０による認識結果「７」１０６０ｃと認証する。なお、付加データ１０３０ｃは、声紋データ１０２０ｃを受け付けた際にユーザー認証画面４００に表示されていた「７」に対応する付加データ９１７ｂである。
次に、ユーザー認証画面４００に「３（サン）」と表示する。それを見たユーザー１０１０は「３」１０１２ｄと読み上げる。音声受付モジュール１２０は、声紋データ１０２０ｄを受け付ける。そして、声紋データ１０２０ｄに付加データ１０３０ｄを加えて、合成データ１０４０ｄを生成する。機械学習装置（Ａ）７００によって生成された学習モデル１０５０を用いて、合成データ１０４０ｄはユーザー１０１０による認識結果「３」１０６０ｄと認証する。なお、付加データ１０３０ｄは、声紋データ１０２０ｄを受け付けた際にユーザー認証画面４００に表示されていた「３」に対応する付加データ９１３ｂである。

＜第３の実施の形態＞
図１１は、第３の実施の形態の構成例についての概念的なモジュール構成図である。
機械学習装置（Ｂ）１１００は、文字列生成モジュール１１０５、表示制御モジュール１１１０、表示装置１１１５、音声受付モジュール１１２０、機械学習モジュール１１２５、送信モジュール１１４０を有している。
文字列生成モジュール１１０５は、表示制御モジュール１１１０と接続されている。文字列生成モジュール１１０５は、図７の例に示した機械学習装置（Ａ）７００の文字列生成モジュール７０５と同等の機能を有している。
表示制御モジュール１１１０は、文字列生成モジュール１１０５、表示装置１１１５、機械学習モジュール１１２５の学習データ生成モジュール１１３０と接続されている。表示制御モジュール１１１０は、図７の例に示した機械学習装置（Ａ）７００の表示制御モジュール７１０と同等の機能を有している。
表示装置１１１５は、表示制御モジュール１１１０と接続されている。表示装置１１１５は、図７の例に示した機械学習装置（Ａ）７００の表示装置７１５と同等の機能を有している。

音声受付モジュール１１２０は、機械学習モジュール１１２５の学習データ生成モジュール１１３０と接続されている。音声受付モジュール１１２０は、例えば、マイク等によってユーザーの音声を受け付ける。そして、音声受付モジュール１１２０は、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける。

機械学習モジュール１１２５は、学習データ生成モジュール１１３０、学習モジュール１１３５ａ、学習モジュール１１３５ｂ、学習モジュール１１３５ｃを有しており、送信モジュール１１４０と接続されている。機械学習モジュール１１２５は、表示制御モジュール１１１０によって表示された一文字又は複数文字と、その一文字又は複数文字に対応して、音声受付モジュール１１２０によって受け付けられた音声とを用いて、表示制御モジュール１１１０によって表示された一文字又は複数文字を構成する文字毎の学習モデルを生成する。つまり、複数の学習モデルを生成することになる。

学習データ生成モジュール１１３０は、表示制御モジュール１１１０、音声受付モジュール１１２０、学習モジュール１１３５ａ、学習モジュール１１３５ｂ、学習モジュール１１３５ｃと接続されている。学習データ生成モジュール１１３０は、予め定められた一文字又は複数文字毎の音声を、認証するための学習データとして生成する。

学習モジュール１１３５ａ等は、学習データ生成モジュール１１３０と接続されている。学習モジュール１１３５ａ等は、学習データ生成モジュール１１３０によって生成された学習データを用いて、音声を用いた認証用の学習を行って一文字又は複数文字毎の学習モデルを生成する。例えば、文字列生成モジュール１１０５が数字列を生成した場合は、０～９の１文字毎に、学習モジュール１１３５ａ等を割り当てる。具体的には、数字「１」用の学習モデルを生成する学習モジュール１１３５ａ、数字「２」用の学習モデルを生成する学習モジュール１１３５ｂ等のように、学習モジュール１１３５ａ等は、文字毎の学習モデルを生成する。なお、ここでの学習としては、既存の技術を用いればよい。例えば、決定木、Ｎａｉｖｅ Ｂａｙｅｓモデル、決定リスト、サポートベクターマシン、最大エントロピー法、条件付き確率場等を用いればよい。

送信モジュール１１４０は、機械学習モジュール１１２５と接続されている。送信モジュール１１４０は、学習モジュール１１３５ａ等が生成した学習モデルを情報処理装置１００に送信する。受信した情報処理装置１００は、その複数の学習モデルを、認証（Ａ）モジュール１３０として設定する。

図１２は、第３の実施の形態による処理例を示す説明図である。
声紋データの学習方法として、Ａさん、Ｂさん、Ｃさん、Ｄさんの４人分の数字「０」から「９」のそれぞれを読み上げた声紋データである学習単位データ１２００、学習単位データ１２０１、学習単位データ１２０２、学習単位データ１２０３、学習単位データ１２０４、学習単位データ１２０５、学習単位データ１２０６、学習単位データ１２０７、学習単位データ１２０８、学習単位データ１２０９を用いて、機械学習装置（Ｂ）１１００は学習を行う。つまり、学習単位データ１２００を用いて学習モデルを生成し、学習単位データ１２０１を用いて学習モデルを生成し、学習単位データ１２０２を用いて学習モデルを生成し、学習単位データ１２０３を用いて学習モデルを生成し、学習単位データ１２０４を用いて学習モデルを生成し、学習単位データ１２０５を用いて学習モデルを生成し、学習単位データ１２０６を用いて学習モデルを生成し、学習単位データ１２０７を用いて学習モデルを生成し、学習単位データ１２０８を用いて学習モデルを生成し、学習単位データ１２０９を用いて学習モデルを生成して、合計１０個の学習モデルを生成する。

図１３は、第３の実施の形態による処理例を示す説明図である。
まず、ユーザー認証画面４００に「パスワードを発音してください」と表示する。
次に、ユーザー認証画面４００に「０（ゼロ）」と表示する。それを見たユーザー１３１０は音声（０）１３１２ａと読み上げる。音声受付モジュール１２０は、声紋データ１３２０ａを受け付ける。そして、音声モデル（０）１３５０を用いて、声紋データ１３２０ａはユーザー１３１０による認識結果（０）１３６０ａと認証する。なお、音声モデル（０）１３５０は、声紋データ１３２０ａを受け付けた際にユーザー認証画面４００に表示されていた「０」に対応する学習モデルである。
次に、ユーザー認証画面４００に「８（ハチ）」と表示する。それを見たユーザー１３１０は音声（８）１３１２ｂと読み上げる。音声受付モジュール１２０は、声紋データ１３２０ｂを受け付ける。そして、音声モデル（８）１３５８を用いて、声紋データ１３２０ｂはユーザー１３１０による認識結果（８）１３６０ｂと認証する。なお、音声モデル（８）１３５８は、声紋データ１３２０ｂを受け付けた際にユーザー認証画面４００に表示されていた「８」に対応する学習モデルである。
次に、ユーザー認証画面４００に「７（ナナ）」と表示する。それを見たユーザー１３１０は音声（７）１３１２ｃと読み上げる。音声受付モジュール１２０は、声紋データ１３２０ｃを受け付ける。そして、音声モデル（７）１３５７を用いて、声紋データ１３２０ｃはユーザー１３１０による認識結果（７）１３６０ｃと認証する。なお、音声モデル（７）１３５７は、声紋データ１３２０ｃを受け付けた際にユーザー認証画面４００に表示されていた「７」に対応する学習モデルである。
次に、ユーザー認証画面４００に「３（サン）」と表示する。それを見たユーザー１３１０は音声（３）１３１２ｄと読み上げる。音声受付モジュール１２０は、声紋データ１３２０ｄを受け付ける。そして、音声モデル（３）１３５３を用いて、声紋データ１３２０ｄはユーザー１３１０による認識結果（３）１３６０ｄと認証する。なお、音声モデル（３）１３５３は、声紋データ１３２０ｄを受け付けた際にユーザー認証画面４００に表示されていた「３」に対応する学習モデルである。

図１４を参照して、本実施の形態の情報処理装置１００、機械学習装置（Ａ）７００、機械学習装置（Ｂ）１１００のハードウェア構成例について説明する。図１４に示す構成は、例えばパーソナルコンピュータ等によって構成されるものであり、スキャナ等のデータ読み取り部１４１７と、プリンタ等のデータ出力部１４１８を備えたハードウェア構成例を示している。

ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略）１４０１は、前述の実施の形態において説明した各種のモジュール、すなわち、文字列生成モジュール１０５、表示制御モジュール１１０、ユーザー認証モジュール１２５、認証（Ａ）モジュール１３０、認証（Ｂ）モジュール１３５、文字列生成モジュール７０５、表示制御モジュール７１０、機械学習モジュール７２５、学習データ生成モジュール７３０、学習モジュール７３５、送信モジュール７４０、文字列生成モジュール１１０５、表示制御モジュール１１１０、表示装置１１１５、機械学習モジュール１１２５、学習データ生成モジュール１１３０、学習モジュール１１３５、送信モジュール１１４０等の各モジュールの実行シーケンスを記述したコンピュータ・プログラムにしたがった処理を実行する制御部である。

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙの略）１４０２は、ＣＰＵ１４０１が使用するプログラムや演算パラメータ等を格納する。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙの略）１４０３は、ＣＰＵ１４０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を格納する。これらはＣＰＵバス等から構成されるホストバス１４０４により相互に接続されている。

ホストバス１４０４は、ブリッジ１４０５を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅの略）バス等の外部バス１４０６に接続されている。

キーボード１４０８、マウス等のポインティングデバイス１４０９は、操作者により操作されるデバイスである。表示装置１１５、表示装置７１５、表示装置１１１５の一例であるディスプレイ１４１０は、液晶表示装置又はＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅの略）等があり、各種情報をテキストやイメージ情報として表示する。また、ポインティングデバイス１４０９とディスプレイ１４１０の両方の機能を備えているタッチスクリーン等であってもよい。その場合、キーボードの機能の実現について、キーボード１４０８のように物理的に接続しなくても、画面（例えば、タッチスクリーン）上にソフトウェアでキーボード（いわゆるソフトウェアキーボード、スクリーンキーボード等ともいわれる）を描画して、キーボードの機能を実現するようにしてもよい。

ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅの略）１４１１は、ハードディスク（ハードディスク以外に、フラッシュ・メモリ等であってもよい）を内蔵し、ハードディスクを駆動し、ＣＰＵ１４０１によって実行するプログラムや情報を記録又は再生させる。ＨＤＤ１４１１は、音声受付モジュール１２０が受け付けた音声データ、認識を行う学習モデル、規則、ユーザー認証モジュール１２５による処理の結果データ等を記憶する。さらに、その他の各種データ、各種コンピュータ・プログラム等が格納される。

ドライブ１４１２は、装着されている磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記録媒体１４１３に記録されているデータ又はプログラムを読み出して、そのデータ又はプログラムを、インタフェース１４０７、外部バス１４０６、ブリッジ１４０５、及びホストバス１４０４を介して接続されているＲＡＭ１４０３に供給する。なお、リムーバブル記録媒体１４１３も、データ記録領域として利用可能である。

接続ポート１４１４は、外部接続機器１４１５を接続するポートであり、ＵＳＢ、ＩＥＥＥ１３９４等の接続部を持つ。接続ポート１４１４には、外部接続機器１４１５として、音声受付モジュール１２０、音声受付モジュール７２０、音声受付モジュール１１２０の一例であるマイク等が接続される。接続ポート１４１４は、インタフェース１４０７、及び外部バス１４０６、ブリッジ１４０５、ホストバス１４０４等を介してＣＰＵ１４０１等に接続されている。通信部１４１６は、通信回線に接続され、外部とのデータ通信処理を実行する。データ読み取り部１４１７は、例えばスキャナであり、ドキュメントの読み取り処理を実行する。データ出力部１４１８は、例えばプリンタであり、ドキュメントデータの出力処理を実行する。

前述の実施の形態のうち、コンピュータ・プログラムによるものについては、本ハードウェア構成のシステムにソフトウェアであるコンピュータ・プログラムを読み込ませ、ソフトウェアとハードウェア資源とが協働して、前述の実施の形態が実現される。
なお、図１４に示す情報処理装置１００等のハードウェア構成は、１つの構成例を示すものであり、本実施の形態は、図１４に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、プロセッサーとして、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの略、ＧＰＧＰＵ（Ｇｅｎｅｒａｌ－Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓの略）を含む）を用いてもよいし、一部のモジュールを専用のハードウェア（例えば特定用途向け集積回路（具体例として、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔの略）等がある）や再構成可能な集積回路（具体例として、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙの略）等がある）で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続している形態でもよく、さらに図１４に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、特に、パーソナルコンピュータの他、携帯情報通信機器（携帯情報通信機器として、携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む）、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機（複合機とは、スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）等に組み込まれていてもよい。

また、前述の実施の形態の説明内での比較処理において、「以上」、「以下」、「より大きい」、「より小さい（未満）」としたものは、例示であって、その組み合わせに矛盾が生じない限り、それぞれ「より大きい」、「より小さい（未満）」、「以上」、「以下」としてもよい。
なお、前述の各種の実施の形態を組み合わせてもよく、また、各モジュールの処理内容として背景技術で説明した技術を採用してもよい。例えば、第２の実施の形態による学習モデルと第３の実施の形態による学習モデルの２種類を生成しておき、認証（Ａ）モジュール１３０は、その２つの学習モデルを切り替えて使用するようにしてもよい。具体的には、認証（Ａ）モジュール１３０は、第２の実施の形態による学習モデルを用いた認証を行い、認証される率が予め定められた値よりも低い場合は、第３の実施の形態による学習モデルを用いた認証を行うようにしてもよい。また、この逆であってもよい。また、認証（Ａ）モジュール１３０は、音声受付モジュール１２０が受け付けた音声に対して、第２の実施の形態による学習モデルと第３の実施の形態による学習モデルを用いた認証を行い、両者が合致する場合に、その文字におけるユーザーの認証が成功したとしてもよい。不一致の場合は、その文字におけるユーザーの認証は失敗としてもよい。

なお、説明したプログラムについては、記録媒体に格納して提供してもよく、また、そのプログラムを通信手段によって提供してもよい。その場合、例えば、前記説明したプログラムについて、「プログラムを記録したコンピュータ読み取り可能な記録媒体」の発明として捉えてもよい。
「プログラムを記録したコンピュータ読み取り可能な記録媒体」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク（ＤＶＤ）であって、ＤＶＤフォーラムで策定された規格である「ＤＶＤ－Ｒ、ＤＶＤ－ＲＷ、ＤＶＤ－ＲＡＭ等」、ＤＶＤ＋ＲＷで策定された規格である「ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷ等」、コンパクトディスク（ＣＤ）であって、読出し専用メモリ（ＣＤ－ＲＯＭ）、ＣＤレコーダブル（ＣＤ－Ｒ）、ＣＤリライタブル（ＣＤ－ＲＷ）等、ブルーレイ・ディスク（Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ）、光磁気ディスク（ＭＯ）、フレキシブルディスク（ＦＤ）、磁気テープ、ハードディスク、読出し専用メモリ（ＲＯＭ）、電気的消去及び書換可能な読出し専用メモリ（ＥＥＰＲＯＭ（登録商標））、フラッシュ・メモリ、ランダム・アクセス・メモリ（ＲＡＭ）、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌの略）メモリーカード等が含まれる。
そして、前記のプログラムの全体又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分若しくは全部であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。

１００…情報処理装置
１０５…文字列生成モジュール
１１０…表示制御モジュール
１１５…表示装置
１２０…音声受付モジュール
１２５…ユーザー認証モジュール
１３０…認証（Ａ）モジュール
１３５…認証（Ｂ）モジュール
２００…画像処理装置
２９０…通信回線
７００…機械学習装置（Ａ）
７０５…文字列生成モジュール
７１０…表示制御モジュール
７１５…表示装置
７２０…音声受付モジュール
７２５…機械学習モジュール
７３０…学習データ生成モジュール
７３５…学習モジュール
７４０…送信モジュール
１１００…機械学習装置（Ｂ）
１１０５…文字列生成モジュール
１１１０…表示制御モジュール
１１１５…表示装置
１１２０…音声受付モジュール
１１２５…機械学習モジュール
１１３０…学習データ生成モジュール
１１３５…学習モジュール
１１３５ａ…学習モジュール
１１３５ｂ…学習モジュール
１１３５ｃ…学習モジュール
１１４０…送信モジュール

Claims (15)

1. 複数の文字を含む文字列について、該文字列内の一文字又は複数文字を表示するように制御する表示制御手段と、
   前記表示制御手段によって表示された文字を発声したユーザーの音声を受け付ける受付手段と、
   一文字又は複数文字の音声毎に認証する第１認証手段と、
   前記第１認証手段による複数の認証結果に対して予め定められた規則を適用することによって、前記音声を発したユーザーを認証する第２認証手段
   を有し、
   前記表示制御手段は、前記文字列内の一文字又は複数文字を複数回に分けて表示するように制御し、
   前記第１認証手段は、前記表示制御手段によって表示された文字毎に認証を行い、
   予め定められた時間内に、前記受付手段が音声を受け付けなかった場合、又は、前記第１認証手段による認証が行われなかった場合、前記表示制御手段は、次の文字の表示を行うように制御する、
   情報処理装置。
2. 前記第２認証手段は、予め定められた回数の前記第１認証手段による認証失敗があった場合は、認証失敗とする、
   請求項１に記載の情報処理装置。
3. 前記表示制御手段は、表示する文字の読み仮名をも表示するように制御する、
   請求項１に記載の情報処理装置。
4. 前記表示制御手段が表示対象とする前記文字列を、セキュリティレベルに応じて生成する生成手段
   をさらに有し、
   前記表示制御手段は、前記生成手段によって生成された前記文字列内の一文字又は複数文字を表示するように制御する、
   請求項１に記載の情報処理装置。
5. さらに、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、
   前記一文字又は複数文字毎に予め定められた情報を前記音声に付加したデータを、認証するための学習データとして生成する生成手段と、
   前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って１つの学習モデルを生成する学習モデル生成手段
   を有し、
   前記第１認証手段は、前記学習モデル生成手段によって生成された学習モデルを用いて、認証を行う、
   請求項１に記載の情報処理装置。
6. さらに、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、
   予め定められた一文字又は複数文字毎の前記音声を、認証するための学習データとして生成する生成手段と、
   前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って一文字又は複数文字毎の学習モデルを生成する学習モデル生成手段
   を有し、
   前記第１認証手段は、前記学習モデル生成手段によって生成された学習モデルであって、前記表示制御手段によって表示された一文字又は複数文字に対応する学習モデルを用いて、認証を行う、
   請求項１に記載の情報処理装置。
7. コンピュータを、
   複数の文字を含む文字列について、該文字列内の一文字又は複数文字を表示するように制御する表示制御手段と、
   前記表示制御手段によって表示された文字を発声したユーザーの音声を受け付ける受付手段と、
   一文字又は複数文字の音声毎に認証する第１認証手段と、
   前記第１認証手段による複数の認証結果に対して予め定められた規則を適用することによって、前記音声を発したユーザーを認証する第２認証手段
   として機能させ、
   前記表示制御手段は、前記文字列内の一文字又は複数文字を複数回に分けて表示するように制御し、
   前記第１認証手段は、前記表示制御手段によって表示された文字毎に認証を行い、
   予め定められた時間内に、前記受付手段が音声を受け付けなかった場合、又は、前記第１認証手段による認証が行われなかった場合、前記表示制御手段は、次の文字の表示を行うように制御する、
   情報処理プログラム。
8. 複数の文字を含む文字列について、該文字列内の一文字又は複数文字を表示するように制御する表示制御手段と、
   前記表示制御手段によって表示された文字を発声したユーザーの音声を受け付ける受付手段と、
   一文字又は複数文字の音声毎に認証する第１認証手段と、
   前記第１認証手段による複数の認証結果に対して予め定められた規則を適用することによって、前記音声を発したユーザーを認証する第２認証手段
   を有し、
   前記表示制御手段は、表示する文字の読み仮名をも表示するように制御する、
   情報処理装置。
9. 前記表示制御手段は、前記文字列内の一文字又は複数文字を複数回に分けて表示するように制御し、
   前記第１認証手段は、前記表示制御手段によって表示された文字毎に認証を行う、
   請求項８に記載の情報処理装置。
10. 前記第２認証手段は、予め定められた回数の前記第１認証手段による認証失敗があった場合は、認証失敗とする、
    請求項９に記載の情報処理装置。
11. 予め定められた時間内に、前記受付手段が音声を受け付けなかった場合、又は、前記第１認証手段による認証が行われなかった場合、前記表示制御手段は、次の文字の表示を行うように制御する、
    請求項９に記載の情報処理装置。
12. 前記表示制御手段が表示対象とする前記文字列を、セキュリティレベルに応じて生成する生成手段
    をさらに有し、
    前記表示制御手段は、前記生成手段によって生成された前記文字列内の一文字又は複数文字を表示するように制御する、
    請求項８に記載の情報処理装置。
13. さらに、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、
    前記一文字又は複数文字毎に予め定められた情報を前記音声に付加したデータを、認証するための学習データとして生成する生成手段と、
    前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って１つの学習モデルを生成する学習モデル生成手段
    を有し、
    前記第１認証手段は、前記学習モデル生成手段によって生成された学習モデルを用いて、認証を行う、
    請求項８に記載の情報処理装置。
14. さらに、予め定められた一文字又は複数文字について、複数人の予め定められたユーザーによって発声された音声を受け付ける受付手段と、
    予め定められた一文字又は複数文字毎の前記音声を、認証するための学習データとして生成する生成手段と、
    前記生成手段によって生成された学習データを用いて、音声を用いた認証用の学習を行って一文字又は複数文字毎の学習モデルを生成する学習モデル生成手段
    を有し、
    前記第１認証手段は、前記学習モデル生成手段によって生成された学習モデルであって、前記表示制御手段によって表示された一文字又は複数文字に対応する学習モデルを用いて、認証を行う、
    請求項８に記載の情報処理装置。
15. コンピュータを、
    複数の文字を含む文字列について、該文字列内の一文字又は複数文字を表示するように制御する表示制御手段と、
    前記表示制御手段によって表示された文字を発声したユーザーの音声を受け付ける受付手段と、
    一文字又は複数文字の音声毎に認証する第１認証手段と、
    前記第１認証手段による複数の認証結果に対して予め定められた規則を適用することによって、前記音声を発したユーザーを認証する第２認証手段
    として機能させ、
    前記表示制御手段は、表示する文字の読み仮名をも表示するように制御する、
    情報処理プログラム。
    

Images