JP7365793B2

JP7365793B2 - 撮像装置およびその制御方法、プログラム

Info

Publication number: JP7365793B2
Application number: JP2019115745A
Authority: JP
Inventors: 真宏会見; 信行堀江; 文裕梶村; 峻川田; 太郎松野
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2019-06-21
Filing date: 2019-06-21
Publication date: 2023-10-20
Anticipated expiration: 2039-06-21
Also published as: JP2021002770A

Description

本発明は、ユーザの音声により撮像装置を制御する技術に関する。

特許文献１には、カメラに音声認識機能を搭載し、ユーザの発する音声によりカメラの制御を行うことが記載されている。これにより、ユーザは、煩雑な操作を行うことなくハンズフリーでカメラを操作することができる。

特開２０００－２３１１４２号公報

特許文献１のようにカメラに音声認識機能を搭載した場合、入力された音声データと膨大な音声データベースの音声情報を比較し、音声認識するため、音声の認識・理解に時間がかかることが考えられる。また、最近では、音声認識に関して、ＡＩスピーカに代表されるように、ネットワーク経由で音声データを送信し、クラウド上で音声データを解析する方法がある。外部機器であるクラウドは、複雑な音声命令であっても認識精度の高い音声認識システムを用意することができるので、精度よく音声認識を行いユーザの意図する操作をすることができる。このような方法でカメラが音声データの解析を行った場合、ネットワークの通信状態によってはデータの送受信にも時間がかかることが考えられる。また、例えば、クラウド上での音声認識処理中にユーザが撮影開始の指示を行った場合、変更される前の設定で撮影処理が行われることになり、ユーザの意図する撮影ができないことが考えられる。

本発明は、上記課題に鑑みてなされ、その目的は、音声認識中であることを容易に判別でき、ユーザの意図通りの撮影が可能になる技術を実現することである。

上記課題を解決し、目的を達成するために、本発明の撮像装置は、撮像手段と、音声入力手段と、ユーザの撮影開始の指示に応じて撮影処理を行う制御手段と、前記音声入力手段により入力されたユーザの音声に応じて撮影時の設定を変更する設定手段と、を有し、前記制御手段は、前記音声入力手段により入力された音声について音声認識処理を行っている間はユーザの撮影開始の指示を受け付けないように制御する。

本発明によれば、音声認識中であることを容易に判別でき、ユーザの意図通りの撮影が可能になる。

実施形態１の装置構成を示すブロック図。実施形態１の撮像装置の処理を示すフローチャート。実施形態１の音声認識サーバの処理を示すフローチャート。実施形態２の撮像装置の処理を示すフローチャート。

以下、添付図面を参照して実施形態を詳しく説明する。尚、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

［実施形態１］以下、実施形態１について説明する。

以下では、本実施形態の撮像装置として外部機器とネットワークを介して通信可能なデジタルカメラに適用した例について説明する。なお、本実施形態の撮像装置はデジタルカメラに限らず、携帯電話やその一種であるスマートフォン、タブレット、パーソナルコンピュータ（ＰＣ）、ＰＤＡ（ＰｅｒｓｏｎａｌＤｉｇｉｔａｌＡｓｓｉｓｔａｎｔ）などのカメラ機能を有する他の装置にも適用可能である。

＜装置構成＞まず、図１を参照して、本実施形態の撮像装置１の構成および機能について説明する。

本実施形態の撮像装置１は、例えばレンズ部１００とカメラ本体２００とを有し、レンズ部１００がカメラ本体２００に着脱可能に構成されている一眼レフデジタルカメラ、あるいは、レンズ部１００とカメラ本体２００が一体的に構成されたコンパクトデジタルカメラである。カメラ本体２００は、ネットワーク上のサーバ装置３００と無線通信または有線通信により接続可能である。サーバ装置３００は、例えば、音声認識機能を有する音声認識サーバである。

レンズ部１００は撮像装置１の撮影光学系を構成する。レンズ部１００は、絞り１１、手振れ補正レンズなどのレンズ群１２、フォーカスレンズやズームレンズなどのレンズ群１３、などを備え、被写体の光学像をカメラ本体２００へ導くことができる。

カメラ本体２００は、レンズ部１００により結像された光学像を光電変換して画像信号を生成する撮像素子２１と、撮像素子２１を露光する露出時間を調整するメカニカルシャッター２２を備える。カメラ本体２００は、複数の設定項目の設定値（撮影設定）に基づいて、レンズ部１００の絞り１１とレンズ群１２、１３を制御すると共に、撮像素子２１の駆動タイミングとメカニカルシャッター２２のシャッタースピードを制御して適正な露出で画像の撮像を行う。

カメラ本体２００は、撮像素子２１で撮像された画像やカメラの撮影時の各種の設定値などを表示可能な背面表示部２３を備える。背面表示部２３は、液晶パネルや有機ＥＬなどの表示デバイスで構成され、カメラ本体２００におけるレンズ部１００とは反対側の背面部に設けられている。

なお、撮像素子２１が、撮像素子２１の信号蓄積時間および信号読出時間を制御することで露出時間を調整可能な電子シャッター機能を備えている場合にはメカニカルシャッター２２は不要である。また、メカニカルシャッター２２と電子シャッター機能を備える場合に、電子シャッターで露出時間を調整する場合はメカニカルシャッター２２は全開状態とする。

カメラ本体２００は、電気回路２０を備える。電気回路２０は、演算処理回路２０ａ、メモリ回路２０ｂ、画像処理回路２０ｃ、画像圧縮回路２０ｄ、状態検出回路２０ｅ、音声再生回路２０ｆ、駆動制御回路２０ｇ、などを含む。

演算処理回路２０ａは、レンズ部１００やカメラ本体２００の動作を制御するための各種の演算処理を行うＣＰＵやＭＰＵなどのハードウェアプロセッサを含む。演算処理回路２０ａは、記憶部２９に格納されたプログラムを実行することにより、レンズ部１００やカメラ本体２００の各部を制御する。ここでいうプログラムは、本実施形態の制御処理を行うプログラムを含む。

メモリ回路２０ｂは、記憶部２９から読み出したプログラムを展開するワークメモリ、撮像素子２１で撮像された画像データを一時的に保持するバッファメモリ、背面表示部２３の画像表示用メモリとして使用される。

画像処理回路２０ｃは、撮像素子２１で生成された画像信号をデジタルデータに変換し、各種の画像処理を行う。画像処理回路２０ｃから出力される画像データは、背面表示部２３に出力されたり、画像圧縮回路２０ｄで所定のデータ形式に圧縮されて記憶部２９に出力され記録される。

画像圧縮回路２０ｄは、画像処理回路２０ｃから出力される画像データを所定のデータ形式に圧縮符号化して画像ファイルを生成する。

状態検出回路２０ｅは、音声認識サーバ３００による音声認識状態を検出することが可能であり、音声認識状態の検出結果を演算処理回路２０ａに出力する。

音声再生回路２０ｆは、記憶部２９から読み出した音声ファイルから音声データを再生する。

駆動制御回路２０ｇは、演算処理回路２０ａの演算処理結果に基づいて、不図示の駆動回路やアクチュエータなどを制御して、レンズ部１００の絞り１１、レンズ群１２、１３、カメラ本体２００のメカニカルシャッター２２を制御する。

カメラ本体２００は、ユーザ操作を受け付けるスイッチ、ボタン、タッチパネルなどの操作部２４を備える。本実施形態では、操作部２４は、撮影準備または撮影開始を指示するシャッタースイッチ（ＳＷ）２４ａを含み、シャッタースイッチ２４ａを一段目まで浅く押す、いわゆる「半押し（撮影準備）」することで、ＡＦ（オートフォーカス）処理やＡＥ（自動露出）処理、ＡＷＢ（オートホワイトバランス）処理、ＥＦ（フラッシュプリ発光）処理等の動作を開始する。さらに、シャッタースイッチ２４ａを半押しから二段目まで深く押す、いわゆる「全押し（撮影開始）」することで、メカニカルシャッター２２または撮像素子２１の電子シャッター機能を作動させ、撮像素子２１からの信号読み出しから記憶部２９に画像データを書き込むまでの一連の撮影処理の動作を開始する。

シャッタースイッチ２４ａを「全押し」することで発生する撮影開始指示信号は状態検出回路２０ｅに出力される。状態検出回路２０ｅは、音声認識サーバ３００による音声認識状態の検出結果を演算処理回路２０ａに出力する。演算処理回路２０ａは、音声認識状態の検出結果に基づいて、記憶部２９に格納されたプログラムを実行し、後述する制御処理を実行する。なお、操作部２４として、後述する音声認識サーバ３００による音声認識機能をユーザがオンまたはオフできるスイッチを設けてもよい。

カメラ本体２００は、通信部２５を備える。通信部２５は、カメラ本体２００をインターネットなどのネットワークを介して外部機器と通信可能に接続するためのインターフェース回路を備える。カメラ本体２００は、通信部２５により、有線または無線のネットワークに接続された外部機器とデータの送受信を行うことができる。例えば、カメラ本体２００は、通信部２５を制御して、音声入力部２７から入力された音声データをネットワーク上の音声認識サーバ３００に出力可能である。また、カメラ本体２００は、通信部２５を制御して、音声認識サーバ３００からカメラ本体２００の撮影設定に関するコマンドを受信することもできる。

カメラ本体２００は、音声入力部２７を備える。音声入力部２７は、マイクロフォンなどを備え、入力された音声を電気信号に変換し、音声データとして電気回路２０に出力する。電気回路２０に出力された音声データは、音声出力部２８に出力されたり、画像データに付加されて記憶部２９に出力され記録されたりする。本実施形態においては、例えば、音声入力部２７はユーザが発した音声を入力し、音声データを電気回路２０に出力する。電気回路２０は、後述する音声認識サーバ３００によりユーザの音声を認識し、認識結果に基づいてカメラ本体２００の撮影設定を行うことができる。音声入力部２７は、カメラ本体２００に内蔵されていてもよいし、不図示の外部端子に接続されていてもよい。

カメラ本体２００は、音声出力部２８を備える。音声出力部２８は、スピーカなどを備え、音声再生回路２０ｆで再生された音声データを出力する。音声出力部２８がカメラ本体２００に内蔵されたスピーカの場合には音声を直接再生可能であり、イヤホンなどを有線または無線により接続可能な音声出力端子の場合には音声を音声出力端子を介して再生できる。

カメラ本体２００は、メモリカードやハードディスクなどの記憶部２９を備える。記憶部２９には、演算処理回路２０ａが実行するプログラムが格納されている。また、記憶部２９は、画像圧縮回路２０ｄで所定のフォーマットに圧縮された画像ファイルが記録されたり、既に記録されている画像ファイルが読み出される。記憶部２９は、カメラ本体２００に対して着脱可能な形態であってもよいし、カメラ本体２００に内蔵された形態であってもよい。

次に、図１を参照して、本実施形態の音声認識サーバ３００の構成および機能について説明する。

音声認識サーバ３００は、制御部３０、通信部３１、音声認識部３２、コマンド生成部３３を備える。

制御部３０は、音声認識サーバ３００の動作を制御するための各種の演算処理を行うＣＰＵやＭＰＵなどのハードウェアプロセッサを含む。制御部３０は、所定のプログラムを実行することにより、音声認識サーバ３００の各部を制御する。ここでいうプログラムは、本実施形態の音声認識処理を行うプログラムを含む。

通信部３１は、ネットワークを介してカメラ本体２００の通信部２５と接続し、カメラ本体２００とデータの送受信が可能である。通信部３１は、カメラ本体２００の通信部２５から送信された音声データを音声認識部３２に出力する。音声認識部３２は、音声データを解析し、テキストデータとしてコマンド生成部３３に出力する。音声認識部は例えばＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）を含む。ＧＰＵはデータをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に渡り学習を行う場合にはＧＰＵで処理を行うことが有効である。そこで本実施形態では、学習モデルを含む推論プログラムを実行する場合に、制御部３０とＧＰＵが協働して演算を行うことで音声認識のための推論処理を行う。なお、この推論処理は制御部３０またはＧＰＵのみにより演算が行われてもよい。また、この音声認識のために学習モデルを用いる場合には、あらかじめ、音声データを入力データ、その音声データの内容をテキストにしたテキストデータを教師データとして学習させておく。そして、推論処理の際には、カメラ本体２００の通信部２５から送信された音声データを入力データとして、推論した結果のテキストデータを出力する。コマンド生成部３３は、テキストデータをカメラ本体２００の撮影設定に関するコマンドに変換し、通信部３１を介してカメラ本体２００の通信部２５に送信する。カメラ本体２００は、音声認識サーバ３００の通信部３１から送信されたコマンドに基づいて、カメラ本体２００の撮影設定を行う。このように、音声認識サーバ３００は、ユーザが入力した音声データを撮像装置１で撮影設定を行うためのコマンドに変換することができる。

なお、図１において制御信号は省略されており、各構成要素の間のデータの流れのみを矢印で示している。

＜撮像装置１の処理＞次に、図２を参照して、実施形態１の撮像装置１による撮影時の設定処理と制御処理について説明する。なお、図２の処理は、カメラ本体２００の電気回路２０が備える演算処理回路（以下、制御部）２０ａが記憶部２９に格納されたプログラムを実行することにより実現される。また、図２の処理は、撮像装置１の電源がオンされたり、動作モードが表示モードから撮影モードに切り替えられるなどして、撮像装置１が撮影可能な状態に遷移することで開始される。また、以下では、音声入力部２７は、ユーザが発した音声を全て集音し、集音した音声データを音声認識サーバ３００に送信して音声認識を行うものとする。後述する図４でも同様である。

Ｓ２０１では、制御部２０ａは、操作部２４または自動で撮影に関する設定がされた後、処理をＳ２０２に進める。ここでは、例えば、シャッタースピードが１／３０秒に設定される。

Ｓ２０２では、制御部２０ａは、操作部２４に含まれるシャッタースイッチ２４ａが半押しされたか否かを判定する。制御部２０ａはシャッタースイッチ２４ａが半押しされたと判定した場合は、処理をＳ２０３に進め、半押しされないと判定した場合はＳ２０２の判定を継続する。

Ｓ２０３では、制御部２０ａは、音声入力部２７がユーザの音声を入力したか否かを判定する。制御部２０ａは、音声入力部２７がユーザの音声を入力したと判定した場合は、処理をＳ２０４に進め、ユーザの音声を入力していないと判定した場合は、処理をＳ２０９に進める。ここでは、例えば、音声入力部２７が「シャッタースピードを１／６０秒に変更」といった音声を入力する。

Ｓ２０４では、制御部２０ａは、状態検出回路２０ｅにより、音声入力部２７が音声を集音中であるか否かを判定する。制御部２０ａは、音声入力部２７が音声を集音中であると判定した場合は、Ｓ２０４でのユーザの音声入力を継続し、集音が終了したと判定した場合は、処理をＳ２０５に進める。音声入力部２７が音声を集音中にシャッタースイッチ２４の全押しによる撮影開始の指示を受け付けた場合、制御部２０ａは、後述する音声入力により変更される前の設定で撮影処理を開始する。

Ｓ２０５では、制御部２０ａは、音声入力部２７による集音が終了し、音声認識サーバ３００による音声認識処理が開始されるので、シャッタースイッチ２４ａの全押しによる撮影開始の指示を無効化し、処理をＳ２０６に進める。この場合、機械的にシャッタースイッチの全押しが不可になるように構成してもよい。

Ｓ２０６では、制御部２０ａは、Ｓ２０３およびＳ２０４において音声入力部２７から入力された音声データを、通信部２５を介して音声認識サーバ３００に送信し、処理をＳ２０７に進める。音声データは、例えば、ｗａｖファイルやｍｐ３ファイルなどである。

Ｓ２０７では、制御部２０ａは、音声認識サーバ３００から送信されたコマンドを通信部２５を介して受信し、処理をＳ２０８に進める。コマンドは、例えば、シャッタースピードを１／６０秒に変更するコマンドである。

Ｓ２０８では、制御部２０ａは、Ｓ２０７で受信したコマンドに含まれる、音声入力部２７が入力したユーザの音声に応じた撮影設定の設定値を適用し、処理をＳ２０９に進める。ここでは、例えば、Ｓ２０１で設定されたシャッタースピードが１／３０秒から１／６０秒に変更される。

Ｓ２０９では、制御部２０ａは、状態検出回路２０ｅによる音声認識状態の検出結果に基づいて音声認識処理が完了したと判定し、Ｓ２０５で無効化したシャッタースイッチ２４ａの全押しによる撮像開始の指示を有効化し、処理をＳ２１０に進める。

Ｓ２１０では、制御部２０ａは、シャッタースイッチ２４ａの全押しによる撮影開始の指示を受け付けたか否かを判定し、指示を受け付けた場合は、処理をＳ２１１に進め、指示がない場合は、処理をＳ２０２に戻す。

Ｓ２１１では、制御部２０ａは、Ｓ２０８で変更された設定に基づいて撮影処理を実行し、処理をＳ２１２に進める。

Ｓ２１２では、制御部２０ａは、Ｓ２１１で生成された画像データを記憶部２９に記憶し、処理をＳ２１３に進める。

Ｓ２１３では、制御部２０ａは、撮影モードを終了するか否かを判定し、終了すると判定した場合は処理を終了し、終了しないと判定した場合は処理をＳ２０１に戻す。

なお、Ｓ２１１やＳ２１２では、撮影画像を表示すると共に、撮影画像が音声入力により変更された設定を反映したものであることを通知するように、背面表示部２３にメッセージなどを表示してもよい。

＜音声認識サーバ３００の処理＞次に、図３を参照して、本実施形態の音声認識サーバ３００による音声認識処理について説明する。なお、図３の処理は、音声認識サーバ３００の制御部３０が不図示のメモリに格納されたプログラムを実行することにより実現される。

Ｓ３０１では、制御部３０は、図２のＳ２０５においてカメラ本体２００から音声データを受信する。

Ｓ３０２では、制御部３０は、音声認識部３２を制御して、Ｓ３０１で受信した音声データに対して音声認識処理を行う。音声認識部３２は、音声データのテキスト化、言語理解などを行い、音声認識処理の結果をコマンド生成部３３に出力する。

Ｓ３０３では、制御部３０は、コマンド生成部３３を制御して、音声認識処理の結果に基づいて、カメラの撮影設定に関するコマンドを生成し、通信部３１に出力する。コマンド生成部３３は、例えば、Ｓ３０２で音声データをテキスト化した内容が「シャッタースピードを１／６０に設定」ならば、テキスト化した内容をカメラ本体２００のシャッタースピードの設定を変更するコマンドに変換し、生成したコマンドを通信部３１に出力した後、処理を終了する。音声入力により設定可能な項目は、シャッタースピードに限らず、ＩＳＯ感度、絞り、連写／単写、動画／静止画、長時間露光／短時間露光など、記録フォーマット、現像色、記録先などでもよく、音声入力によりこれらの項目を変更する場合、ユーザが音声入力を用いて設定を変更する場合、ユーザの音声が言語理解され、設定変更を行うコマンドが生成される
Ｓ３０４では、制御部３０は、通信部３１を制御して、Ｓ３０３で生成したコマンドをカメラ本体２００に送信する。

以上説明したように、実施形態１によれば、ユーザが音声入力を用いてカメラの撮影設定を変更する場合、音声認識処理中に受け付けたシャッタースイッチ２４ａの全押しによる撮影開始の指示を無効化する。これにより、ユーザは、音声認識処理中であること、音声入力した設定が反映されたことを容易に判別することができる。そして、ユーザは、音声入力した設定が反映され、シャッタースイッチ２４ａの全押しによる撮影開始の指示が受け付け可能な状態に戻った後、音声入力による設定が反映された状態で、ユーザの意図通りの撮影を行うことができる。

［実施形態２］次に、実施形態２について説明する。

実施形態１では、音声認識処理中のシャッタースイッチ２４ａの全押しによる撮影開始の指示を無効化していた。これに対して。実施形態２では、音声認識処理中にシャッタースイッチ２４ａの全押しによる撮影開始の指示を受け付けた場合、変更される前の撮影設定で撮影処理を開始する。その他に関しては実施形態１と同様であるため、以下では、異なるところを中心に説明する。また、実施形態２の撮像装置１および音声認識サーバ３００の構成は実施形態１の図１と同様であり、実施形態２の音声認識サーバ３００の処理は実施形態１の図３と同様であるため、説明を省略する。

＜撮像装置１の処理＞以下に、図４を参照して、実施形態２の撮像装置１による撮影時の設定処理と制御処理について説明する。

図４のＳ４０１～Ｓ４０４、Ｓ４０６～Ｓ４０８、Ｓ４１０～Ｓ４１３の処理は、図２のＳ２０１～Ｓ２０４、Ｓ２０６～Ｓ２０８、Ｓ２１０～Ｓ２１３と同様である。

図４は、Ｓ４０４において音声入力部２７による集音が終了した後の処理が実施形態１の図２と異なっている。すなわち、実施形態１では集音が終了した後にＳ２０４においてシャッタースイッチ２４ａの全押しによる撮影開始の指示を無効にしたが、実施形態２では無効にせず、Ｓ４０６において音声データを音声認識サーバ３００に送信する。なお、Ｓ４０４の後は、状態検出回路２０ｅが音声認識サーバ３００による音声認識処理中であることを検出している。

音声認識サーバ３００による音声認識処理中において、Ｓ４２０では、制御部２０ａは、シャッタースイッチ２４ａの全押しによる撮影開始の指示を受け付けたか否かを判定し、指示を受け付けた場合は、処理をＳ４２１に進め、指示がない場合は、処理をＳ４０７に進める。

Ｓ４０７では、制御部２０ａは、音声認識サーバ３００から送信されたコマンドを通信部２５を介して受信し、処理をＳ４０８に進める。

Ｓ４０８では、制御部２０ａは、Ｓ４０７で受信したコマンドに含まれる、音声入力部２７が入力したユーザの音声に応じた撮影設定の設定値を適用し、処理をＳ４１０に進める。

Ｓ４２１では、制御部２０ａは、音声入力部２７による変更前の撮影設定で撮影処理を開始し、処理をＳ４２２に進める。

Ｓ４２２では、制御部２０ａは、音声認識サーバ３００から送信されたコマンドを通信部２５を介して受信し、処理をＳ４２３に進める。

Ｓ４２３では、制御部２０ａは、Ｓ４２２で受信したコマンドに含まれる、音声入力部２７が入力したユーザの音声に応じた撮影設定の設定値を適用し、処理をＳ４２４に進める。

Ｓ４２４では、制御部２０ａは、Ｓ４２３で受信したコマンドに基づいて再撮影が必要か否かを判定する。制御部２０ａは、再撮影が必要であると判定した場合は、処理をＳ４１１に進め、必要ではないと判定した場合は、処理をＳ４１２に進める。再撮影が必要な場合とは、例えば、音声入力による撮影設定が撮影処理後に反映できない場合であり、シャッタースピード、ＩＳＯ感度、絞り、連写／単写、動画／静止画などの設定変更が挙げられる。また、再撮影が必要な場合とは、撮影を中止する必要がある場合であり、例えば、長時間露光／短時間露光、動画／静止画などの設定変更が挙げられる。また、再撮影が不要な場合とは、撮影後の現像処理や記録処理において設定の反映が可能な場合であり、例えば、記録フォーマット、現像色、記録先などの変更が挙げられる。

Ｓ４２４で再撮影が必要な場合は、Ｓ４１１で、制御部２０ａは、設定変更後に再度撮影処理を行い、再撮影が不要な場合は、Ｓ４１２で、制御部２０ａは、Ｓ４２３の音声入力による撮影設定をＳ４２１で撮影した結果に反映させて記録する。

以上説明したように、実施形態２によれば、音声認識サーバ３００における音声認識処理中にシャッタースイッチ２４ａの全押しによる撮影開始の指示を受け付けた場合、変更前の撮影設定で撮影処理を開始する。これにより、ユーザは、音声認識中のシャッターチャンスを逃すことなく、意図通りの撮影を行うことができる。

なお、Ｓ４２２でコマンドを受信したが、受信したコマンドに応じた設定が反映できない場合も考えられる。例えば、音声認識に失敗した場合、設定値がカメラのスペックをオーバーする場合などである。このような場合は、Ｓ４１１やＳ４１２において、撮影画像を表示すると共に、撮影画像が音声入力による変更前の設定を反映したものであるのか、音声入力による設定を反映したものであるのかを通知するように、背面表示部２３にメッセージなどを表示してもよい。

上述した実施形態では、音声認識を外部の音声認識サーバ３００で行う構成を説明したが、カメラ本体２００で音声認識を行う構成でもよい。また、音声入力を受け付けるトリガをシャッタースイッチ２４ａを半押した場合としたが、これに限らず、例えば特定の音声を検知した場合でもよい。さらに、撮影を開始するトリガをシャッタースイッチ２４ａの全押した場合としたが、これに限らず、例えば背面表示部２３をタッチした場合でもよい。

［他の実施形態］
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

１００…レンズ部、２００…カメラ本体、３００…音声認識サーバ、２０…電気回路、２１…撮像素子、２４…操作部、２５…通信部、２７…音声入力部、３０…制御部、３１…通信部、３２…音声認識部、３３…コマンド生成部

Claims

撮像手段と、
音声入力手段と、
ユーザの撮影開始の指示に応じて撮影処理を行う制御手段と、
前記音声入力手段により入力されたユーザの音声に応じて撮影時の設定を変更する設定手段と、を有し、
前記制御手段は、前記音声入力手段により入力された音声について音声認識処理を行っている間はユーザの撮影開始の指示を受け付けないように制御することを特徴とする撮像装置。
前記制御手段は、前記音声入力手段が音声を集音している間または前記音声認識処理が終了した後は前記撮影開始の指示を受け付けるように制御することを特徴とする請求項１に記載の撮像装置。
音声認識機能を有する外部機器と通信可能な通信手段をさらに有し、
前記制御手段は、前記音声入力手段により入力したユーザの音声を前記通信手段により外部機器に送信し、
前記設定手段は、前記外部機器から受信したコマンドに基づいて、前記撮影時の設定を変更することを特徴とする請求項１または２に記載の撮像装置。
前記撮影処理の結果が前記設定手段により変更される前の設定を反映したものであるのか、前記設定手段により変更された設定を反映したものであるのかを通知する通知手段をさらに有することを特徴とする請求項３に記載の撮像装置。
撮像手段と、音声入力手段と、ユーザの撮影開始の指示に応じて撮影処理を行う制御手段と、を有する撮像装置の制御方法であって、
前記音声入力手段により入力された音声について音声認識処理を行っている間はユーザの撮影開始の指示を受け付けないようにし、
前記音声認識処理が終了し前記音声入力手段により入力されたユーザの音声に応じて撮影時の設定が変更された後に前記撮影開始の指示を受け付けることを特徴とする制御方法。
コンピュータを請求項１から４のいずれか１項に記載の撮像装置の各手段として機能させるための、コンピュータが読み取り可能なプログラム。