JPH06175698A - 音声検索装置 - Google Patents

Abstract

(57)【要約】 【目的】 キーボード等の特別な検索用の入力装置を必
要とせず、かつ、音声データベースの利用者が検索した
いキーワードで音声データベースの内容を正しく検索可
能である。 【構成】 音声データベース１中から所定の音声デ−タ
を検索しようとする場合、利用者は、キーワードを発声
する。利用者が発声したキーワードの音声デ−タは、第
２の音声入力部４，特徴抽出部２から照合部５に送られ
る。また、このときに、音声データベース１内の音声デ
−タが第１の音声入力部３，特徴抽出部２を介して順次
に照合部５に送られる。これにより、照合部５では、音
声データベース１の音声デ−タの中から利用者が発声し
たキーワードに対応するものを検出し、利用者が意図し
た音声デ−タ（音声信号）を音声データベース１中から
検索する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、音声データベースの内
容を検索する音声検索装置に関する。

【０００２】

【従来の技術】従来、音声データベースの内容を検索す
るのに、例えば特開平４−１７６２４４号に開示されて
いるような装置が知られている。この装置では、音声信
号に固有の特徴である抑揚情報（ピッチ情報）を利用
し、音声データベース内の音声デ−タ中から抑揚情報
（ピッチ情報）を用いてキーワード（キーワード音声）
を抽出し、利用者はこのキーワード音声を聞くことで、
音声データ全体を聞く必要があるか否かを判断すること
が可能となっている。

【０００３】

【発明が解決しようとする課題】このような構成の音声
検索装置では、音声データベースの音声データ中から抑
揚情報（ピッチ情報）を用いてキーワードを抽出し、こ
れを利用者に聞かせるようになっているので、利用者
は、キーワードをデータ端末のキーボード等から別途に
テキスト情報として入力する必要がなく、利用者にとっ
て操作性良く検索処理を行なうことができる。

【０００４】しかしながら、音声データベースの音声デ
ータ中の抑揚情報（ピッチ情報）は、あくまで話し手
（音声データベースの入力者，作成者）の情報であるた
めに、聞き手（音声データベースの利用者）が興味をも
つ言葉に対して強調される抑揚が付いているとは限ら
ず、従って、検索を正しく行なうことができない場合が
あった。また、音声データベースが音声合成装置によっ
て生成されたものである場合には、合成音声は通常の場
合、意味ではなく文法的な観点から抑揚が付けられてい
るため、抑揚情報を用いて検索を正しく行なうことは難
しいという問題があった。

【０００５】本発明は、音声データベースの内容を検索
する際に、キーボード等の特別な検索用の入力装置を必
要とせず、かつ、音声データベースの利用者が検索した
いキーワードで音声データベースの内容を正しく検索す
ることの可能な音声検索装置を提供することを目的とし
ている。

【０００６】

【課題を解決するための手段および作用】上記目的を達
成するために、請求項１記載の発明は、検索対象となる
音声データが格納されている音声データベースと、利用
者が発声した音声を入力する音声入力手段と、利用者が
キーワードを発声し、音声入力手段から利用者により発
声されたキーワードの音声データが入力されたときに、
該キーワードの音声データを照合辞書として前記音声デ
ータベース内の音声データとの照合を行なって音声デー
タベースを検索する照合手段とを有している。これによ
り、音声データベースの内容を検索する際に、特別な検
索用の入力装置を必要とせず、かつ、音声データベース
の利用者が検索したいキーワードで音声データベースの
内容を正しく検索を行なうことができる。

【０００７】また、請求項２記載の発明は、利用者より
発声されたキーワードの音声データが前記音声入力手段
から入力するときに、該キーワードの音声データを格納
するキーワード格納手段がさらに設けられており、照合
手段は、キーワード格納手段に格納されているキーワー
ドを照合辞書として音声データベース内の音声データと
の照合を行なって音声データベースを検索するようにな
っている。これにより、音声データベースのキーワード
による検索をバッチ処理で行なうことができ、例えば、
利用者が音声検索装置を使い始める前に既に照合を終わ
らせて、利用者が必要とする音声デ−タだけを抜き出し
て提示することや、あるいは利用者が必要とする音声デ
−タだけを別の音声デ−タ蓄積装置に格納したりするこ
とが可能となる。

【０００８】また、請求項３記載の発明は、音声データ
ベースと、利用者が発声した音声を入力する音声入力手
段と、利用者がキーワードを発声し、音声入力手段から
利用者により発声されたキーワードの音声データが入力
されたときに、該キーワードの音声データに基づき音声
データベ−スを検索する照合手段とを有し、音声デ−タ
ベ−スには、音声デ−タを格納する音声デ−タ格納手段
と、音声データ格納手段に格納されている音声データに
付与された音声のキーワードを格納する第１のキーワー
ド格納手段とが設けられており、照合手段は、音声入力
手段から入力されたキーワードと第１のキーワード格納
手段に格納されているキーワードとの照合を行なって音
声データベースを検索するようになっている。これによ
り、音声デ−タベ−ス内の音声データ全体と照合する場
合に比べて、照合処理を高速に行なうことができて、利
用者が必要とする音声データを迅速に提示することが可
能になる。

【０００９】また、請求項４記載の発明は、利用者より
発声されたキーワードの音声データが音声入力手段から
入力するときに、該キーワードの音声データを格納する
第２のキーワード格納手段がさらに設けられており、照
合手段は、第２のキーワード格納手段に格納されている
キーワードと、音声データベースの第１のキーワード格
納手段に格納されているキーワードとの照合を行なって
音声データベースを検索するようになっている。これに
より、音声データベース１のキーワードによる検索をバ
ッチ処理で行なうことができ、例えば、利用者が音声検
索装置を使い始める前に既に照合を終わらせて、利用者
が必要とする音声デ−タ（音声信号）だけを抜き出して
提示することや、あるいは利用者が必要とする音声デ−
タ（音声信号）だけを別の音声デ−タ蓄積装置（図示せ
ず）に格納したりすることが可能となる。

【００１０】

【実施例】以下、本発明の実施例を図面に基づいて説明
する。図１は本発明に係る音声検索装置の第１の実施例
のブロック図である。図１を参照すると、この第１の実
施例の音声検索装置は、留守番電話や音声メールなどの
音声デ−タが例えば音声信号のままの状態で記録され蓄
積されている音声データベース１と、音声データ（音声
信号）を特徴ベクトルの時系列に変換する特徴抽出部２
と、音声データベース１に蓄積されている音声デ−タ
（音声信号）を特徴抽出部２に送出するためのＳＣＳＩ
ケーブルなどの第１の音声入力部３と、音声データベー
ス１の利用者の発声した音声が入力するときに、該利用
者の音声データ（音声信号）を特徴抽出部２に与えるマ
イクロフォンなどの第２の音声入力部４と、音声データ
ベース１の利用者が検索したいキーワードを発声し、該
キーワードの音声デ−タが第２の音声入力部４から特徴
抽出部２に送られて特徴ベクトルの時系列に変換された
ときに、音声データベース１から第１の音声入力部３を
介して特徴抽出部２に送られて特徴抽出のなされた音声
データベース１の音声デ−タの特徴ベクトルの時系列と
利用者が発声したキーワードの音声デ−タの特徴ベクト
ルの時系列とを照合する照合部５とを備えている。

【００１１】なお、この例では、音声データベース１内
の音声デ−タと利用者が発声したキーワードの音声デ−
タとは、同じ特徴抽出部２を用いて特徴抽出がなされる
ようになっており、特徴抽出部２としては、例えば１５
個のバンドパスフィルタ群を用いて１５次元の特徴ベク
トルに変換するものを用いることができる。

【００１２】また、照合部５は、例えば、利用者が発声
したキーワードをいわゆる単語辞書とみなし、音声デー
タベース１の音声デ−タの特徴ベクトルの時系列からキ
ーワードのスポッティングを行なうようになっている。
ここで、ワードスポッティングの手法としては様々な手
法が知られており、例えば、次式に示すダイナミックプ
ログラミングのアルゴリズムを用いてスポッティングを
行なうこともできる。

【００１３】

【数１】

【００１４】なお、上式において、ｉは音声データベー
ス１内の音声デ−タのフレーム番号、ｊはキーワードの
フレーム番号、ｄ（ｉ，ｊ）は音声データベース内の音
声データの第ｉフレームの特徴ベクトルとキーワードの
第ｊフレームの特徴ベクトルとの局所距離、Ｄ（ｉ，
ｊ）は照合の先頭からの累積距離を表わしている。ワー
ドスポッティングの手法として、上記数１が用いられて
いる場合、照合部５は、累積距離Ｄ（ｉ，Ｊ）（Ｊはキ
ーワードの最終フレーム番号）が予め定められた閾値Ｔ
Ｈよりも小さいとき、このキーワードが音声データベー
ス１中の第ｉフレームを終端として検出され、音声デー
タベース１内の音声データ中にキーワードが存在すると
判定するようになっている。

【００１５】次にこのような構成の第１の実施例の音声
検索装置の動作について説明する。音声データベース１
中には、一般に、この利用者とは異なる入力者，作成者
によって所定の音声デ−タ（音声信号）が記録され蓄積
されている。このような音声データベース１中から所定
の音声デ−タ（音声信号）を検索しようとする場合、利
用者は、キーワードを発声する。利用者が発声したキー
ワードの音声デ−タ（音声信号）は、第２の音声入力部
４から特徴抽出部２に送られ、そこで特徴ベクトルの時
系列に変換されて照合部５に送られる。また、このとき
に、音声データベース１内の音声デ−タが第１の音声入
力部３を介して順次に特徴抽出部２に送られ、そこで特
徴ベクトルの時系列に変換されて照合部５に送られる。
これにより、照合部５では、音声データベース１の音声
デ−タの中から利用者が発声したキーワードに対応する
ものを例えばスポッティングにより検出し、これによ
り、利用者が意図した音声デ−タ（音声信号）を音声デ
ータベース１中から検索することができる。

【００１６】このように、この第１の実施例の音声検索
装置によれば、音声データベース１の検索を行なうの
に、キーワードをキーボード等の特別な入力装置からテ
キスト情報として入力する必要がないので、音声検索装
置を小型のものにすることができるとともに、利用者
は、単に自己の音声でキーワードを発声するだけで良
い。また、文字情報を介在することなく、音声データベ
ース１を検索しているため、「大語彙」と「大語い」の
ような表記のゆれの問題を完全に避けることができる。
また、「フィルタ」と「フィルター」，「コンピュー
タ」と「コンピューター」のように表記だけでなく、発
声にもゆれがある場合でも、照合部５において非線形マ
ッチングを行なうことで、正しく検索することができ
る。

【００１７】さらに、この音声検索装置では、利用者自
らがキーワードを音声入力できるので、音声データベー
ス１がこの利用者と異なる入力者，作成者によって作成
されたか、あるいは音声合成装置によって作成されてい
ることによって、この利用者が興味をもつ言葉（キーワ
ード）に対して強調される抑揚が付いていない場合に
も、検索もれ等を生じさせずに、正しくかつ効率良く検
索を行なうことができる。

【００１８】図２は本発明に係る音声検索装置の第２の
実施例のブロック図である。図２を参照すると、この第
２の実施例の音声検索装置では、第１の実施例の音声検
索装置において利用者が発声したキーワードの音声デ−
タ（音声信号）の特徴抽出結果，すなわち特徴ベクトル
の時系列を格納するためのキーワード格納部６が、特徴
抽出部２と照合部５との間にさらに設けられている。

【００１９】次に、このような構成の第２の実施例の音
声検索装置の動作について説明する。前述した第１の実
施例の音声検索装置では、利用者は、キーワードをその
都度発声し入力する必要があったが、この第２の実施例
の音声検索装置では、利用者は、実際の検索動作を開始
させるに先立って、必要なキーワードをまとめて順次に
発声し、これらのキ−ワ−ドの音声デ−タの特徴ベクト
ルの時系列を予めキーワード格納部６に格納しておくこ
とができる。検索したいいくつかのキーワードの特徴ベ
クトルの時系列が予めキーワード格納部６に格納された
後、実際の検索動作を開始させることができる。実際の
検索動作では、照合部５は、キーワード格納部６に格納
されたキーワードを照合辞書として、音声データベース
１の音声データの中からキーワード格納部６内の各キー
ワードに対応するものを例えばワードスポッティングに
より順次に検出し、利用者が意図した音声デ−タ（音声
信号）を音声データベース１から検索することができ
る。

【００２０】このように、この第２の実施例では、音声
データベース１のキーワードによる検索をバッチ処理で
行なうことができ、例えば、利用者が音声検索装置を使
い始める前に既に照合を終わらせて、利用者が必要とす
る音声デ−タ（音声信号）だけを抜き出して提示するこ
とや、あるいは利用者が必要とする音声デ−タ（音声信
号）だけを別の音声デ−タ蓄積装置（図示せず）に格納
したりすることが可能となる。

【００２１】図３は本発明に係る音声検索装置の第３の
実施例のブロック図である。図３を参照すると、この第
３の実施例の音声検索装置は、音声データベース１０と
して、音声データを例えば音声信号のままの状態で格納
するテープレコーダなどのような音声データ格納部１１
と、音声データ格納部１１に格納されている音声データ
に付与されたキーワードの特徴ベクトルの時系列を格納
するキーワード格納部１２とを有しており、また、利用
者の発声した音声を入力するマイクロフォンなどの音声
入力部１３と、音声入力部１３から入力された利用者の
音声デ−タを特徴ベクトルの時系列に変換する特徴抽出
部１４と、利用者がキーワードを発声し、該キーワード
の音声デ−タが音声入力部１３から特徴抽出部１４に送
られて特徴ベクトルの時系列に変換されたときに、利用
者の発声したキ−ワ−ドの特徴ベクトルの時系列とキー
ワード格納部１２に格納されているキーワードの特徴ベ
クトルの時系列とを照合する照合部１５とを備えてい
る。

【００２２】ここで、照合部１５は、第１の実施例の照
合部５と同様のスポッティング型の認識を行なうように
なっても良いし、あるいは、両端点固定の照合を行なう
ようになっていても良く、照合したときのスコア（一致
度）が予め定められている閾値ＴＨよりも大きい場合
に、キーワードが一致したと判定するようになってい
る。

【００２３】次に、このような構成の第３の実施例の音
声検索装置の動作について説明する。この第３の実施例
の音声検索装置では、音声データベース１において、音
声データ格納部１１に留守番電話や電子メールなどの音
声データが格納されているとともに、さらにキーワード
格納部１２に音声データ格納部１１内の音声データに対
するキーワードが予め格納されている。この場合、利用
者がキーワードを発声すると、照合部１５では、利用者
が発声したキーワードを音声データベース１のキーワー
ド格納部１２に格納されているキーワードと照合する。
この照合の結果、一致したキーワードが検出されたと
き、このキーワードに対応した音声データ格納部１１内
の音声デ−タ（音声信号）を抽出することができる。

【００２４】このように、この第３の実施例では、利用
者が発声したキーワードを音声データ格納部１１内の音
声データ全体と照合するのではなく、キーワード格納部
１２に格納されているキーワードと照合するので、音声
デ−タベ−ス内の音声データ全体と照合する場合に比べ
て、照合処理を高速に行なうことができて、利用者が必
要とする音声データを迅速に提示することが可能にな
る。

【００２５】なお、上述の例では、キーワード格納部１
２には、キーワードが特徴抽出のなされた形で格納され
ているとしたが、キーワードを音声データ格納部１１内
の音声データと同様、音声信号の形でキーワード格納部
１２に格納しておくことも可能である。この場合には、
キーワード格納部１２に格納されているキーワードの音
声デ−タ（音声信号）は、照合時に、特徴抽出部１４で
特徴ベクトルの時系列に変換された上で照合処理がなさ
れる。

【００２６】図４は本発明に係る音声検索装置の第４の
実施例のブロック図である。図４を参照すると、この第
４の実施例の音声検索装置では、第３の実施例の音声検
索装置において、利用者が発声したキーワードの音声デ
−タ（音声信号）の特徴抽出結果，すなわち特徴ベクト
ルの時系列を格納するためのキーワード格納部１６が、
特徴抽出部１４と照合部１５との間にさらに設けられて
いる。

【００２７】このような構成では、第２の実施例の音声
検索装置と同様に、利用者は、キーワードをその都度発
声し入力する必要があったが、この第４の実施例の音声
検索装置では、利用者は、実際の検索動作を開始させる
に先立って、必要なキーワードを発声し、これらの特徴
ベクトルの時系列を予め第２のキーワード格納部１６に
格納しておくことができる。利用者が検索したいキーワ
ードの特徴ベクトルの時系列を予め第２のキーワード格
納部１６に格納した後、実際の検索動作では、照合部１
５は、キーワード格納部１６に格納されたキーワードを
照合辞書として、音声データベース１０の第１のキーワ
ード格納部１２に格納されているキーワードとの照合を
行なって、スコアが予め定められた閾値ＴＨより大きい
場合に、キーワードが一致したと判定する。キーワード
が一致したときには、第１のキーワード格納部１２のそ
のキーワードに対応した音声データを音声データベース
１０の音声データ格納部１１から取り出す。これによ
り、利用者が意図した音声デ−タ（音声信号）を抽出す
ることができる。

【００２８】このように、この第４の実施例では、第２
の実施例と同様、音声データベース１０のキーワードに
よる検索をバッチ処理で行なうことができ、例えば、利
用者が音声検索装置を使い始める前に既に照合を終わら
せて、利用者が必要とする音声デ−タ（音声信号）だけ
を抜き出して提示することや、あるいは利用者が必要と
する音声デ−タ（音声信号）だけを別の音声信号蓄積装
置に格納したりすることが可能となる。

【００２９】なお、上述の第２，第４の実施例では、利
用者が発声したキーワードの音声デ−タ（音声信号）に
対し特徴抽出を行なって、キーワードを特徴ベクトルの
時系列としてキーワード格納部６または１６に格納して
いるが、キーワード格納部６または１６を特徴抽出部２
または１４よりも前に設け、特徴抽出の前（具体的には
Ａ／Ｄ変換直後）の段階でキーワードをキーワード格納
部６または１６に音声信号のままの状態で格納するよう
にしても良い。この場合には、照合を行なう度に同じ特
徴抽出を行なうため処理速度は劣化するが、Ｄ／Ａ変換
を行なうだけで、キーワードとして何を登録してあるか
を耳で聞いて確認することができる。

【００３０】また、上述の第１，第２の実施例では、音
声データベースの音声データ（音声信号）と利用者が発
声したキーワードの音声データ（音声信号）とを同じ特
徴抽出部を用いて特徴抽出を行なうとして説明したが、
それぞれ別個の特徴抽出部を設け、それぞれ異なる処理
を施すこともできる。例えば、照合速度の向上のために
フレーム周期を変更したり、あるいは利用者が発声した
キーワードの音声デ−タ（音声信号）については、Ｎ状
態（Ｎ＜０）の継続時間制御型状態遷移モデル（電子情
報通信学会論文誌Vol.Ｊ７２−Ｄ−II，Ｎｏ．１１ ｐ
ｐ．１７６９−１７７７）を作るようにしても良い。

【００３１】

【発明の効果】以上に説明したように、請求項１記載の
発明によれば、利用者の発声した音声を入力する音声入
力手段が設けられており、利用者がキーワードを発声
し、上記音声入力手段から利用者により発声されたキー
ワードの音声データが入力されたときに、該キーワード
の音声データを照合辞書として音声データベース内の音
声データとの照合を行なって音声データベースを検索す
るようになっているので、音声データベースの内容を検
索する際に、特別な検索用の入力装置を必要とせず、か
つ、音声データベースの利用者が検索したいキーワード
で音声データベースの内容を正しく検索を行なうことが
できる。

【００３２】また、請求項２記載の発明によれば、利用
者より発声されたキーワードの音声データを格納するキ
ーワード格納手段がさらに設けられており、上記照合手
段は、キーワード格納手段に格納されているキーワード
を照合辞書として音声データベース内の音声データとの
照合を行なって音声データベースを検索するようになっ
ているので、音声データベース１のキーワードによる検
索をバッチ処理で行なうことができ、例えば、利用者が
音声検索装置を使い始める前に既に照合を終わらせて、
利用者が必要とする音声デ−タ（音声信号）だけを抜き
出して提示することや、あるいは利用者が必要とする音
声デ−タ（音声信号）だけを別の音声デ−タ蓄積装置
（図示せず）に格納したりすることが可能となる。

【００３３】また、請求項３記載の発明によれば、音声
データベースが、音声デ−タを格納する音声データ格納
手段と、音声データ格納手段に格納されている音声デー
タに付与された音声のキーワードを格納する第１のキー
ワード格納手段とを有し、照合手段は、音声入力手段か
ら入力されたキーワードと上記第１のキーワード格納手
段に格納されているキーワードとの照合を行なって音声
データベースを検索するようになっているので、音声デ
−タベ−ス内の音声データ全体と照合する場合に比べ
て、照合処理を高速に行なうことができて、利用者が必
要とする音声データを迅速に提示することが可能にな
る。

【００３４】また、請求項４記載の発明によれば、利用
者より発声されたキーワードの音声データを格納する第
２のキーワード格納手段がさらに設けられており、照合
手段は、第２のキーワード格納手段に格納されているキ
ーワードと音声データベースの第１のキーワード格納手
段に格納されいるキーワードとの照合を行なって音声デ
ータベースを検索するようになっているので、音声デー
タベース１のキーワードによる検索をバッチ処理で行な
うことができ、例えば、利用者が音声検索装置を使い始
める前に既に照合を終わらせて、利用者が必要とする音
声デ−タ（音声信号）だけを抜き出して提示すること
や、あるいは利用者が必要とする音声デ−タ（音声信
号）だけを別の音声デ−タ蓄積装置（図示せず）に格納
したりすることが可能となる。

【図面の簡単な説明】

【図１】本発明に係る音声検索装置の第１の実施例のブ
ロック図である。

【図２】本発明に係る音声検索装置の第２の実施例のブ
ロック図である。

【図３】本発明に係る音声検索装置の第３の実施例のブ
ロック図である。

【図４】本発明に係る音声検索装置の第４の実施例のブ
ロック図である。

【符号の説明】

１，１０ 音声データベース ２，１４ 特徴抽出部 ３ 第１の音声入力部 ４ 第２の音声入力部 ５ 照合部 ６ キーワード格納部 １１ 音声データ格納部 １２ キーワード格納部（第１のキーワード
格納部） １３ 音声入力部 １５ 照合部 １６ 第２のキーワード格納部

Claims (4)

【特許請求の範囲】
1. 【請求項１】 検索対象となる音声データが格納されて
   いる音声データベースと、利用者が発声した音声を入力
   する音声入力手段と、利用者がキーワードを発声し、前
   記音声入力手段から利用者により発声されたキーワード
   の音声データが入力されたときに、該キーワードの音声
   データを照合辞書として前記音声データベース内の音声
   データとの照合を行なって音声データベースを検索する
   照合手段とを有していることを特徴とする音声検索装
   置。
2. 【請求項２】 請求項１記載の音声検索装置において、
   利用者より発声されたキーワードの音声データが前記音
   声入力手段から入力するときに、該キーワードの音声デ
   ータを格納するキーワード格納手段がさらに設けられて
   おり、前記照合手段は、前記キーワード格納手段に格納
   されているキーワードを照合辞書として前記音声データ
   ベース内の音声データとの照合を行なって音声データベ
   ースを検索するようになっていることを特徴とする音声
   検索装置。
3. 【請求項３】 音声データベースと、利用者が発声した
   音声を入力する音声入力手段と、利用者がキーワードを
   発声し、前記音声入力手段から利用者により発声された
   キーワードの音声データが入力されたときに、該キーワ
   ードの音声データに基づき前記音声データベ−スを検索
   する照合手段とを有し、前記音声デ−タベ−スには、音
   声デ−タを格納する音声デ−タ格納手段と、音声データ
   格納手段に格納されている音声データに付与された音声
   のキーワードを格納する第１のキーワード格納手段とが
   設けられており、前記照合手段は、前記音声入力手段か
   ら入力されたキーワードと前記第１のキーワード格納手
   段に格納されているキーワードとの照合を行なって音声
   データベースを検索するようになっていることを特徴と
   する音声検索装置。
4. 【請求項４】 請求項３記載の音声検索装置において、
   利用者より発声されたキーワードの音声データが前記音
   声入力手段から入力するときに、該キーワードの音声デ
   ータを格納する第２のキーワード格納手段がさらに設け
   られており、前記照合手段は、前記第２のキーワード格
   納手段に格納されているキーワードと、前記音声データ
   ベースの前記第１のキーワード格納手段に格納されてい
   るキーワードとの照合を行なって音声データベースを検
   索するようになっていることを特徴とする音声検索装
   置。