JPH06110650A - 音声対話装置 - Google Patents

Abstract

(57)【要約】 【目的】利用者が発声した人名等のキーワードを検出
し、必要に応じて対話中に出力することにより、より人
間にとって自然な対話が行えるようにする。 【構成】音声入力部１により入力された利用者が発声し
た音声から、キーワード検出部３においてキーワードと
ならない音声部分を検出し、その音声部分を入力音声か
ら削除することにより、人名等のキーワードを検出す
る。このキーワードをキーワード録音部４により半導体
メモリ等に記録（録音）しておき、必要に応じてキーワ
ード再生部５により再生し、メッセージ合成部６により
生成される定型の合成メッセージと組み合わせて、音声
出力部７により音声出力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、人間と機械との情報伝
達を円滑に行うのに好適な音声対話装置に関する。

【０００２】

【従来の技術】音声対話による情報伝達は、人間と人間
との間では最も有効な情報伝達手段の１つである。

【０００３】しかし、人間と機械との間では、音声認識
技術や音声合成技術が発達してきた現在においても、音
声対話による情報伝達は十分に行われているとはいえな
い。特に、音声認識技術の分野では、予め登録されてい
る単語等からなる音声の認識においては、かなり高精度
に認識することが可能となっているが、固有名詞等、予
め登録しておくことが困難な音声の認識においては、そ
れほど高精度に認識することはできない。

【０００４】したがって、人間と機械（装置）との対話
の中で機械が人名等の固有名詞を認識して、認識した結
果を対話中に挟んで対話を円滑に進めることは、理想的
な技術であるが、現在の音声認識の技術水準では実現は
かなり困難である。このため、従来の人間と機械との情
報伝達手段としては、キーボード等のキー操作によるも
のが殆どであり、人にとって必ずしも使いやすいもので
はなかった。

【０００５】一方、入力された音声を単純に録音して再
生することにより、あたかも対話をしているかのように
みせかける装置が玩具等で実現されているが、到底対話
とはいえるものではない。

【０００６】また、一部の電話案内システム等では、音
声メッセージの出力と音声認識技術を組み合わせた音声
対話システムが実現されているが、出力されるメッセー
ジが定型文であり、人間同士の自然な対話には程遠いの
が現状である。

【０００７】

【発明が解決しようとする課題】上記したように従来
は、人間と機械との間の情報伝達に、人にとってはより
自然であると考えられる音声対話を適用した音声対話装
置は、実用レベルではまだ実現されていなかった。

【０００８】そこで本発明は、利用者が発声した人名等
のキーワードを検出して録音しておき、利用者に対して
呼びかける際に、そのキーワードを再生して対話中に出
力することにより、より人間にとって自然な対話が行え
る音声対話装置を提供することにある。

【０００９】

【課題を解決するための手段】本発明の音声対話装置
は、上記課題を解決するために、入力された音声から対
話に必要なキーワードとはならない音声部分を検出し
て、その音声部分を入力音声から削除することにより、
キーワードを検出するキーワード検出手段と、この検出
されたキーワードを録音するためのキーワード録音手段
と、この録音されたキーワードを必要に応じて再生する
キーワード再生手段とを設け、この再生されたキーワー
ドを内部生成の音声メッセージと組み合わせて音声出力
するようにしたことを特徴とする、また、本発明は、キ
ーワード検出手段によって検出されたキーワードの声質
を変える声質変換手段を更に設け、声質変換後のキーワ
ードを音声メッセージと組み合わせて音声出力すること
をも特徴とする。

【００１０】

【作用】上記の構成において、キーワード検出手段は、
利用者が本装置との対話のために発声した音声から、キ
ーワードとはならない単語の音声部分を検出して削除す
ることにより、人名等のキーワードを検出する。このキ
ーワードとはならない単語の音声部分の検出は、キーワ
ードとはならない単語のパターンが登録されたパターン
登録手段（パターン辞書）を用意し、このパターン登録
手段に登録されている各単語と入力音声とのマッチング
処理を行うことにより実現される。即ち、キーワード検
出手段による人名等の音声部分（予め登録しておくこと
が困難な音声部分）の検出は、その音声部分を直接認識
することなく実現される。

【００１１】キーワード検出手段によって入力音声から
検出された人名等のキーワードはキーワード録音手段に
よって録音される。このキーワード録音手段により録音
されたキーワードは、利用者との対話の過程で人名等を
含むメッセージの出力が必要な場合に、キーワード再生
手段により再生される。このキーワード再生手段により
再生されたキーワードは、例えば定型の音声メッセージ
と組み合わせられて音声出力される。

【００１２】このように、上記の構成によれば、人（利
用者）との対話に必要な（音声認識が困難な）人名等の
キーワードを検出して、必要に応じて対話中に挟んで出
力することができるので、利用者にとっては、機械（音
声対話装置）があたかもキーワードを認識したかのよう
に対話することができ、利用者の負担が少ないヒューマ
ン・インタフェースを実現することができる。

【００１３】また、音声メッセージと組み合わせて用い
られるキーワードの声質を声質変換手段により変える場
合には、利用者自身の声がそのまま再生されて用いられ
ることの違和感を取り除くことができるため、人にとっ
てより自然な対話を実現することができる。

【００１４】

【実施例】以下、本発明の第１実施例を図面を参照して
説明する。なお、本実施例は、利用者の名前を聞いた
後、利用者に対してその名前を使用して呼びかける音声
対話装置に実施した場合である。

【００１５】図１は同実施例における音声対話装置の主
要構成を示すブロック図である。

【００１６】図１に示す音声対話装置は、利用者が発声
した音声を入力するための音声入力部１、音声入力部１
により入力された音声を受けて利用者との対話を円滑に
進めるための処理を行う対話制御部２、音声入力部１に
より入力された音声から人名等のキーワードを検出する
キーワード検出部３、およびキーワード録音部４を備え
ている。キーワード録音部４は、キーワード検出部３に
より検出されたキーワードの録音を行う。

【００１７】図１に示す音声対話装置は更に、キーワー
ド録音部４によって録音されたキーワードを対話制御部
２からの指示により再生するキーワード再生部５、対話
制御部２からの指示によりメッセージの合成を行うメッ
セージ合成部６、および音声出力部７を備えている。音
声出力部７は、キーワード再生部５によって再生された
キーワードをメッセージ合成部６で合成されたメッセー
ジと組み合わせて音声として出力する。

【００１８】次に、図１の音声対話装置の動作を、同装
置と利用者との対話が図２に示すように行われる場合を
例に説明する。なお、この図２は、本装置から「いらっ
しゃいませ。お客さま、お名前をお願いします」が音声
出力されたことに応答して、利用者が「田中です」と発
声し、これに応答して本装置から「しばらくお待ちくだ
さい」が、続いて「田中様、どうぞ」が音声出力される
対話例を示すものである。

【００１９】まず対話制御部２からの指示により、メッ
セージ合成部６で「いらっしゃいませ。お客さま、お名
前をお願いします」の合成メッセージが生成されて、音
声出力部７から音声出力される。すると、このメッセー
ジに応答して、利用者から「田中です」が発声される。

【００２０】この利用者から発声された音声「田中で
す」は音声入力部１により入力される。この際、音声入
力部１は、利用者が発声した音声「田中です」をマイク
ロホン等で電気信号に変換した後、増幅器を用いて後段
の処理に必要な信号レベルにまで増幅する。

【００２１】音声入力部１により入力されて電気信号に
変換された利用者からの音声「田中です」（の信号）
は、対話制御部２およびキーワード検出部３に導かれ
る。

【００２２】対話制御部２は、「いらっしゃいませ。お
客さま、お名前をお願いします」のメッセージ生成指示
の後、音声入力部１からの音声入力（ここでは、音声
「田中です」の入力）を例えば音声パワー等により監視
する。対話制御部２は、この音声パワー等による音声入
力監視により、音声入力開始を検出して、更にその音声
入力が終了したことを検出すると、「いらっしゃいま
せ。お客さま、お名前をお願いします」に対する利用者
からの人名を含む音声による応答があったものと判断す
る。

【００２３】対話制御部２は、「いらっしゃいませ。お
客さま、お名前をお願いします」に対する利用者からの
音声による応答を判断すると、次のメッセージ「しばら
くお待ちください」の生成をメッセージ合成部６に指示
する。これにより、メッセージ合成部６で「しばらくお
待ちください」の合成メッセージが生成されて、音声出
力部７から音声出力される。

【００２４】一方、キーワード検出部３は、音声入力部
１により入力された音声信号（ここでは、「田中で
す」）から、音声認識技術と自然言語解析技術を用いて
対話に必要な人名等のキーワードの検出を行う。即ちキ
ーワード検出部３は、入力された音声信号を、キーワー
ドとなる人名等の部分（ここでは「田中」）とキーワー
ドとはならない部分（ここでは「です」）とに分離し
て、キーワードとなる部分、即ち人名「田中」に対応す
る音声信号を検出する。

【００２５】キーワード検出部３によって検出されたキ
ーワードとなる部分、即ち音声信号「田中」はキーワー
ド録音部４に入力され、半導体メモリ等に記録（記憶）
される。この音声信号の記録方式としては、ＡＤＭ（適
応デルタ変調）方式、ＡＤＰＣＭ（適応差分ＰＣＭ）方
式など多くの方式が実用化されているが、ここではその
方式については問わない。また記録（記憶）媒体も、半
導体メモリに限らず、磁気テープ、磁気ディスク等、音
声を記録（録音）できるものであればよい。

【００２６】さて、キーワード検出部３は、入力された
音声信号から上記のようにキーワードとなる部分を検出
すると、キーワード検出終了を対話制御部２に通知す
る。

【００２７】対話制御部２は、対話制御部２からのキー
ワード検出終了通知を受けると、先に指示したメッセー
ジ「しばらくお待ちください」の次のメッセージ「××
様、どうぞ」（××はキーワードであり、本装置の対話
の相手、即ち利用者の人名）の音声出力のために、キー
ワード再生部５に対しては再生指示を、メッセージ合成
部６に対してはメッセージ「様、どうぞ」の生成指示を
与える。

【００２８】キーワード再生部５は、対話制御部２から
の再生指示を受けると、キーワード録音部４で録音され
た音声信号「田中」を半導体メモリ等から読出して再生
する。またメッセージ合成部６は、対話制御部２からの
メッセージ生成指示を受けると、「様、どうぞ」の合成
メッセージを生成する。このメッセージ合成部６でのメ
ッセージ合成は、出力音声を予め録音しておいて、必要
に応じて再生する録音再生方式でも、音声素片を規則に
従って接続して文章などを合成する規則合成方式でも実
現することができる。

【００２９】さて、キーワード再生部５によって再生さ
れた「田中」という音声（キーワード）は、メッセージ
合成部６によって生成された合成メッセージ「様、どう
ぞ」と組み合わせられ、音声出力部７から「田中様、ど
うぞ」という音声として出力される。

【００３０】次に、キーワード検出部３の詳細な動作
を、図３を参照して説明する。なお、この図３はキーワ
ード検出部３の構成を示すブロック図である。

【００３１】まず、図１に示す音声入力部１からキーワ
ード検出部３に入力された音声信号は、同検出部３内の
音響分析部３１へ入力される。音響分析部３１は、この
入力音声信号を受けて、後段のパターンマッチングに必
要な音響分析を行う。この音響分析の方式としては、バ
ンド・パス・フィルタ（ＢＰＦ）法、高速フーリエ変換
（ＦＦＴ）法、線形予測分析（ＬＰＣ）法など多くの方
式が知られているが、ここではその方式については問わ
ない。

【００３２】音響分析部３１の後段のパターンマッチン
グ部３２は、予め標準パターン記憶部（標準パターン辞
書）３３に登録してあるキーワードとならない単語の標
準パターンと、音響分析部３１による入力音声の音響分
析結果をパターンマッチング処理する。これによりパタ
ーンマッチング部３２は、入力音声から、キーワード以
外の単語を検出する。このパターンマッチング部３２
は、入力音声の時間軸上の全ての位置を音声の始端、終
端と仮定してパターンマッチングを行う端点フリーのダ
イナミック・タイム・ワーピング法等を用いたワードス
ポッティング技術を適用することにより実現することが
できる。

【００３３】パターンマッチング部３２の検出結果はキ
ーワード以外削除部３４に通知される。このキーワード
以外削除部３４には、音声入力部１からキーワード検出
部３に入力された音声信号が入力される。キーワード以
外削除部３４は、パターンマッチング部３２の検出結果
に従い、同マッチング部３２より検出されたキーワード
以外の単語に対応する音声信号を、入力音声信号から削
除する。このキーワード以外削除部３４の動作はパター
ンマッチング部３２でキーワード以外の単語が複数個検
出された場合でも同様であり、複数個の単語に対応する
各音声信号が、入力信号から全て削除される。

【００３４】このようにして、入力音声信号からキーワ
ード以外の単語を削除することにより、その削除後の音
声信号はキーワードに対応する音声信号となり、キーワ
ードが検出されたことになる。

【００３５】キーワード以外削除部３４は、入力音声信
号からキーワード以外の単語を削除すると、その削除後
の音声信号、即ち検出されたキーワードに対応する音声
信号を図１に示すキーワード録音部４に出力する。同時
にキーワード以外削除部３４は、図１に示す対話制御部
２に、キーワード検出終了を通知する。

【００３６】以上のキーワード検出部３におけるキーワ
ード検出について、図２に示した対話の例を用いて更に
詳細に説明する。

【００３７】まず、キーワードとならない単語として、
「です」、「えーと」、「と言います」の３つの単語の
標準パターンを標準パターン記憶部３３に予め登録して
おくものとする。

【００３８】この例では、利用者が「田中です」と発声
した場合には、キーワード検出部３内のパターンマッチ
ング部３２で「です」、「えーと」、「と言います」の
３つの単語とマッチング処理が行われ、「です」が入力
音声中から検出される。そして、キーワード以外削除部
３４において、入力音声信号「田中です」から、パター
ンマッチング部３２で検出された「です」が削除される
と、（標準パターン記憶部３３には登録されていない）
「田中」に対応する音声信号が検出される。

【００３９】また、利用者が「えーと、田中です」と発
声した場合にも、「えーと」と「です」がパターンマッ
チング部３２で検出されて、キーワード以外削除部３４
により入力音声信号から削除されるため、「田中」に対
応する音声信号が検出される。同様に、利用者が「田中
と言います」と発声した場合にも、「と言います」がパ
ターンマッチング部３２で検出されて、キーワード以外
削除部３４により入力音声信号から削除されるため、
「田中」に対応する音声信号が検出される。

【００４０】ところで、人名や会社名等のキーワードを
認識することは、全ての標準パターンを予め用意してパ
ターンマッチングを行うことが不可能なため、非常に困
難である。このため、キーワードを認識して録音してお
き、その録音しておいたキーワードを再生したり、規則
合成方式を用いてメッセージを合成して出力することは
極めて困難である。

【００４１】しかしながら、本実施例では、人名や会社
名等のキーワードを直接認識する必要がない。即ち本実
施例によれば、利用者が発声した入力音声からキーワー
ドとならない単語を認識し、その単語を入力音声から削
除することによりキーワード部分が検出できるため、そ
の検出したキーワード部分をキーワード録音部４により
録音しておき、メッセージ出力時にキーワード再生部５
により再生して出力することで、人にとって自然な音声
対話が可能となる。

【００４２】次に、本発明の第２実施例について説明す
る。

【００４３】図４は同実施例における音声対話装置の構
成を示すブロック図であり、図１と同一部分には同一符
号を付してある。

【００４４】図４に示す装置は、図１に示した第１実施
例の装置のキーワード検出部３とキーワード録音部４と
の間に声質変換部４１が追加挿入された構成となってい
る。この声質変換部４１は、キーワード検出部３によっ
て検出されたキーワードの声質、即ち利用者が発声した
キーワードの声質を、利用者の声質とは異なる声質に変
換するものである。

【００４５】声質変換部４１によって声質が変換された
キーワードはキーワード録音部４に出力され、同録音部
４によって半導体メモリ等に記録される。この結果、利
用者が発声した音声から検出されたキーワードを利用し
て利用者と対話する場合には、キーワード録音部４によ
って記録された声質変換後のキーワードがキーワード再
生部５で再生され、メッセージ合成部６で生成された合
成メッセージと組み合わせられて音声出力部７により音
声出力される。したがって、前記した「田中様、どう
ぞ」の音声出力の例であれば、利用者が発声した音声か
ら検出された後、声質変換されたキーワード「田中」
が、合成メッセージ「様、どうぞ」と組み合わせられれ
て、「田中様、どうぞ」が音声出力される。

【００４６】このように、利用者が発声した音声から検
出されたキーワードの声質を、声質変換部４１によっ
て、利用者の声質とは異なる声質に変換することによ
り、本装置と利用者との対話のために、利用者自身の声
がそのまま再生されて用いられる（第１実施例の場合）
ことの違和感を取り除くことができ、人にとってより自
然な対話を実現することができる。

【００４７】声質変換部４１を実現する手段は種々ある
が、簡便なものとしては、例えばカセットテープレコー
ダーに録音し、録音時とは異なる速度で再生する手段が
ある。この手段によれば、録音時よりも早い速度で再生
した場合には高い音に、遅い速度で再生した場合には低
い音に、それぞれ変換することができる。

【００４８】なお、図４の構成では、声質変換部４１は
キーワード検出部３とキーワード録音部４との間に挿入
されているが、本発明の要旨の１つは、検出したキーワ
ードの声質を変換して音声出力することであり、したが
って声質変換部４１は、キーワード再生部５の後段等に
挿入されても構わない。

【００４９】

【発明の効果】以上説明したように本発明によれば、利
用者が発声した音声から、利用者との対話に必要な認識
が困難な人名等のキーワードを、そのキーワード自体を
直接認識することなく検出して、必要に応じて対話中に
出力することができるので、利用者にとっては、装置
（機械）があたかもキーワードを認識したかのように対
話することができ、利用者の負担が少ないヒューマン・
インタフェースを実現できる。

【００５０】また本発明によれば、利用者が発声した音
声から検出されたキーワードの声質を変換して、音声メ
ッセージと組み合わせて音声出力することにより、利用
者自身の声がそのまま再生されて用いられることの違和
感を取り除くことができ、人にとってより自然な対話を
実現することができる。

【図面の簡単な説明】

【図１】本発明の第１実施例を示す音声対話装置のブロ
ック構成図。

【図２】装置と利用者との間の対話の例を示す図。

【図３】図１に示すキーワード検出部３のブロック構成
図。

【図４】本発明の第２実施例を示す音声対話装置のブロ
ック構成図。

【符号の説明】

１…音声入力部、２…対話制御部、３…キーワード検出
部、４…キーワード録音部、５…キーワード再生部、６
…メッセージ合成部、７…音声出力部、３１…音響分析
部、３２…パターンマッチング部、３３…標準パターン
記憶部（パターン登録手段）、３４…キーワード以外削
除部、４１…声質変換部。

Claims (3)

【特許請求の範囲】
1. 【請求項１】 音声を入力するための音声入力手段と、 この音声入力手段によって入力された音声から対話に必
   要なキーワードとはならない音声部分を検出して、その
   音声部分を前記入力音声から削除することにより、前記
   キーワードを検出するキーワード検出手段と、 このキーワード検出手段によって検出されたキーワード
   を録音するためのキーワード録音手段と、 このキーワード録音手段によって録音されたキーワード
   を利用した音声出力のために、同キーワードを再生する
   キーワード再生手段と、 を具備し、前記キーワード再生手段によって再生された
   キーワードを内部生成の音声メッセージと組み合わせて
   音声出力するようにしたことを特徴とする音声対話装
   置。
2. 【請求項２】 前記キーワード検出手段は、キーワード
   とはならない単語のパターンが登録されているパターン
   登録手段を有し、前記音声入力手段によって入力された
   音声から、前記パターン登録手段に登録されている単語
   に対応する音声部分を検出して削除することにより、前
   記キーワードを検出することを特徴とする請求項１記載
   の音声対話装置。
3. 【請求項３】 前記キーワード検出手段によって検出さ
   れたキーワードの声質を変える声質変換手段を更に備
   え、この声質変換手段によって声質が変換されたキーワ
   ードに対応する音声が前記音声メッセージと組み合わせ
   られて音声出力されるようにしたことを特徴とする請求
   項２記載の音声対話装置。