JPH0630052B2 - 音声認識表示装置 - Google Patents

Description

【発明の詳細な説明】 産業上の利用分野 本発明は、音声によって入力された語句を音節毎に認識
し、そのようにして作成される音節候補列で表される入
力された語句の候補列を作成し、前記語句の候補列から
音声入力された語句を選択するようにして、音声による
文書などの入力を行うように構成された装置などで好適
に実施される音声認識表示装置に関する。

従来の技術 たとえばワードプロセッサおよびパーソナルコンピュー
タなどにおいて、音声による入力を可能としたものが従
来より用いられている。文書などの入力は、音節、単
語、文節、または文などの語句を単位として行われる。

このような入力に対してワードプロセッサおよびパーソ
ナルコンピュータなどの内部に備えられる音声認識装置
では、まず発声された音声を音節単位で認識し、この認
識された各音節の音節候補の組合せによって表される語
句単位の候補（以下「語句候補」という）が複数組に亘
って作成される。前記複数個の語句候補のうち、音節毎
の特徴抽出処理および語句単位のアクセントなどの特徴
抽出処理などによって、最も「確からしい（入力された
語句に最も近いと思われる）」語句候補がたとえばＣＲ
Ｔ（陰極線管）などの表示装置に表示される。

操作者は表示された語句候補が音声入力した語句と一致
するかどうかを判断し、一致しない場合には、次に「確
からしい」語句候補の表示を指示する。そのようにして
順次的に語句候補が表示され、操作者が複数の語句候補
から１つの語句候補を選択するようにして１つの語句が
入力される。

たとえば「こくみんは」と音声によって入力した場合に
おいて、第１の語句候補が「ごふにんは」とされた場合
には、表示装置において第６図（１）で示される表示出
力が行われる。すなわち第６図（１）において下線ｌ１
が付される表示領域において前記第１の語句候補「ごふ
にんは」が表示される。

この第１の語句候補は、音声によって入力された語句の
一致としないため、操作者はこのことを判断し、キー入
力装置などから次候補の表示出力を指示するための操作
を行う。そのようにして表示装置には、第６図（２）〜
（４）で示されるように、操作者のキー入力装置の操作
に伴って第２、第３、…の語句候補が表示されていく。
そのようにして第６図（４）図示の状態、すなわち音声
入力された語句（「こくみんは」）と同一の語句候補が
表示されると、操作者は次にキー入力装置において仮名
漢字変換キーを操作する。これによって、前記平仮名の
文字列で表される語句候補は漢字を含む文字列に変換さ
れる。そのようにして第６図（５）に示される表示が行
われる。

音声による入力は、キー入力装置などからの入力とは異
なり、不確実性を含んで入力される。しかしながら現状
レベルの音声認識装置では、発声された語句がそのまま
入力されない場合もあり、そのために前述のような処理
および操作者の操作が必要となる。

発明が解決しようとする課題 このようにして音声による入力においては、１つの語句
を音声入力するたび毎に、操作者が表示装置に表示され
る語句候補を確認する必要があるため、そのような作業
が可及的に容易に行われることが望ましい。しかしなが
ら、従来では語句候補に第６図示のように下線ｌ１が付
されるか、またはいわゆる網かけ文字とされるのみであ
るため、語句候補の確認は必ずしも容易でなかった。

本発明の目的は、音声による語句の入力作業を容易に行
うことができるようにした音声認識表示装置を提供する
ことである。

課題を解決するための手段 本発明は、（ａ）音声によって入力される語句毎に、各
語句を音声認識して、その語句に対応する第１の複数の
仮名から成る候補を順次的に出力する音声認識出力手段
２〜７と、 （ｂ）音声認識出力手段２〜７から出力される第１複数
の候補を記憶するメモリ８と、 （ｃ）表示手段９であって、 既入力キャラクタＡ２を表示するとともに、その既入力
キャラクタＡ２の次に引続いて、その既入力キャラクタ
Ａ２よりも大きい文字形状で、最後に入力した語句の第
１の候補を表示する第１表示領域２１と、 第１表示領域に隣接し、候補を、既入力キャラクタＡ２
よりも大きい文字形状で表示し、この表示可能な候補の
最大数は、第１の複数未満の第２の複数である第２表示
領域Ｓ１とを有する表示手段９と、 （ｄ）カーソルキー１０ｃと、音声候補キー１０ｂと仮
名漢字変換キー１０ａとを有する入力手段１０と、 （ｅ）制御手段６であって、 音声認識出力手段２〜７の第１複数の候補の作成後に、
メモリ８に記憶されている第１候補を、第１表示領域２
１の既入力キャラクタＡ２の次に引続いて表示させると
ともに、 メモリ８に記憶されている第１候補を含む第２複数の候
補を第２表示領域Ｓ１に表示させ、 カーソルキー１０ｃの出力に応答して、カーソルを、第
２表示領域Ｓ１に表示された第２複数の候補のうちの１
つに移動して表示させ、 音声候補キー１０ｂの出力に応答して、第２表示領域Ｓ
１に、メモリ８に記憶されておりかつその第２表示領域
Ｓ１に表示されていない残余の候補のうち、最大、第２
複数の候補を表示させ、 仮名漢字変換キー１０ａの出力に応答して、カーソルに
対応する候補の語句を仮名漢字変換して第１表示領域の
前記第１候補の位置Ｓ２に、既入力キャラクタＡ２と同
一の大きさの文字形状で表示させる制御手段６とを含む
ことを特徴とする音声認識表示装置である。

作用 本発明に従えば、音声によって入力された語句は、音声
認識出力手段２〜７によって音声認識され、その語句に
対応する第１複数の仮名から成る候補が順次的に出力さ
れてメモリ８に記憶され、表示手段９における第１表示
領域２１では、既入力キャラクタＡ２の次に引続いて最
後に入力した語句の第１候補を大きい文字形状で表示す
るとともにその第１表示領域に隣接する第２表示領域Ｓ
１では、まず、第１複数未満の第２複数の候補を、大き
い文字形状で表示し、カーソルキー１０ｃの操作によっ
てカーソルを第２表示領域Ｓ１において移動して第２複
数の候補のうちの１つを選択し、また音声候補キー１０
ｂを操作することによってその第２表示領域Ｓ１に表示
される候補が切換わり、こうしてカーソルで選択した候
補を、仮名漢字変換キー１０ａの操作によって仮名漢字
変換し、この結果得られる既入力キャラクタＡ２と同一
の大きさを有する文字形状で、第１表示領域２１の第１
候補の位置Ｓ２に表示する。

実施例 第１図は、本発明の前提となる音声認識表示層１の基本
的な構成を示すブロック図である。音声認識表示装置１
は、たとえばワードプロセッサおよびパーソナルコンピ
ュータなどに備えられ、文書などの入力作業を軽減する
ためなどに用いられる。この音声認識表示装置１には、
マイクロホン２からたとえば文書などが音節、単語、文
節、または文を単位とする語句毎に音声によって入力さ
れる。マイクロホン２からの音声は、単音節認識部３に
与えられ、前記語句を表す音声が音節単位に区分され、
そのように区分されて得られる単音節毎の特徴パターン
が抽出される。

単音節認識部３には、標準パターンメモリ４が接続され
ている。この標準パターンメモリ４には複数の単音節に
亘って各単音節毎の標準の特徴パターンである標準パタ
ーンが記憶されており、前記単音節認識部３では、前記
抽出された入力音声の特徴パターンとこの複数の標準パ
ターンとのマッチング計算処理が行われる。マッチング
計算処理とは入力音声の特徴パターンと標準パターンと
の近似度（確からしさ）を示す、いわば距離計算であ
る。そのようにして特徴パターンに最も近似した標準パ
ターンに対応する音節が第１位の候補として、また順次
近似したものが次位の候補として選出され、標準パター
ンメモリ４において各音節毎に予め定められた音節ラベ
ルと前記マッチング計算によって得られる近似度との対
で構成される音節の識別結果（以下「音節ラティス」と
いう）が近似度の順序で音節ラティスメモリ５に記憶さ
れる。このような単音節認識部３などの動作はＣＰＵ
（Central Processing Unit）を含んで構成され、表示
制御手段である制御部６の制御の下に行われる。

制御部６には、前述のようにして単音節認識部３によっ
て認識され、音節ラティスメモリ５に音節ラティスとし
て記憶される各音節毎の情報から、入力された語句の候
補列を作成する候補列作成部７が接続されている。この
候補列作成部７では、各音節の組合せとして語句候補
（仮名文字列）が複数個に亘って作成される。前記作成
される複数個の語句候補は音節ラティスの近似度を表す
情報を用いて、確度が高い順に語句候補メモリ８に記憶
される。このようにして入力された語句の候補列が語句
候補メモリ８に記憶されることになる。

前記単音節認識部３および候補列作成部７などを含んで
音声認識出力手段が構成される。

制御部６にはまた、ＣＲＴ（陰極線管）などによって実
現される表示部９およびキー入力部１０が接続されてい
る。操作者は表示部９を目視しながわキー入力部１０を
操作することによって音声認識表示装置１の動作を指示
することができる。

語句候補メモリ８に第１候補として記憶された語句候補
（仮名文字列）は、表示部９において対応する表示領域
に表示される。操作者はこの表示される第１候補の語句
候補がマイクロホン２から音声によって入力した語句と
一致する場合には、たとえばキー入力部１０に備えられ
る仮名漢字変換キー１０ａを操作して漢字を含む文字列
への変換を指示する。このとき前記第１候補の語句候補
には仮名漢字変換処理部１１において変換処理が施さ
れ、漢字を含む文字列に変換される。また表示部９に表
示される第１候補に語句候補が音声によって入力された
語句と一致しない場合には、キー入力部１０の音声候補
キー１０ｂを操作することによって順次的に次候補が語
句候補メモリ８から読出され、制御部６の制御の下に表
示部９に表示される。そのようにして音声によって入力
された語句と、表示部９に表示された語句候補との一致
が確認された時点で操作者は前述の仮名漢字変換キー１
０ａを操作することになる。

第２図は、表示部９における表示態様を説明するための
図である。たとえば入力音声「／こ／く／み／ん／は」
に対する単音節認識部３における認識結果として、音節
ラティスメモリ５に第１表に示されるような音節ラティ
スが作成されて記憶される場合を想定する。

すなわち５個の音節によって構成される入力語句「こく
みんは」の第１音節「こ」の入力音声の特徴パターンは
単音節「ご」の標準パターンとの近似度が最も高く、順
に「と」、「こ」のように近似度が低下していく。以下
「く」、「み」「ん」「は」に対しても同様である。

このような音節ラティスメモリ５の記憶内容に基づい
て、候補列作成部７で作成されて語句候補メモリ８に記
憶される語句候補列は第２表に示されている。

音節ラティスメモリ５に記憶される音節ラティスは、単
音節「こ」に対しては３個、単音節「く」に対しては２
個、「み」に対しては２個、「ん」に対しては１個、
「は」に対しては２個であるため、２４（３×２×２×
１×２）個の語句候補が作成され、この近似度の順に語
句候補メモリ８に記憶されるため第１番目の候補は、
「ごふにんは」となり、第２４番目の候補は「こくみん
ぱ」となる。

このとき表示部９ではマイクロホン２からの音声による
語句の入力の後、まず第２図（１）に示されるように第
１番目の語句候補「ごふにんは」が対応する表示領域に
表示される。このとき第２図において下線ｌ２とともに
表示される語句候補は既入力のキャラクタＡ１よりも大
きな文字で表示される。これによって操作者は表示部９
の表示領域における、入力対象部分を容易に捜し出すこ
とができるとともに、表示内容の確認もまた容易に行う
ことができる。

音声による語句の入力の後、最初に表示される語句が入
力語句と一致する場合には操作者はキー入力部１０の仮
名漢字変換キー１０ａを直ちに操作することになるけれ
ども、第２図（１）に示される第１番目の語句候補「ご
ふにんは」は入力語句とは異なるため、操作者は次候補
の表示を音声候補キー１０ｂを操作して指示することに
なる。

第２表に示されるように、語句候補メモリ８に記憶され
る語句候補列において、正しい語句候補は第１２番目に
記憶されている。したがって操作者は音声候補キー１０
ｂを操作して、順次的にこの第１２番目の語句候補「こ
くみんは」を検索することになる。したがって表示部９
における表示態様は、第２図（２）〜（４）に示される
ように順次的に変化していく。

第２図（４）に示される表示が行われると、すなわち入
力された語句に一致する語句候補が表示されると操作者
は次に仮名漢字変換キー１０ａを操作する。これによっ
て仮名漢字変換処理部１１は仮名文字列で表される語句
候補を漢字を含む文字列に変換する。そのようにして表
示部９における表示態様は、第２図（５）で示される状
態となる。このとき変換後の語句は「国民は」は、既入
力のキャラクタＡ１と同様の大きさで表示される。

前述のような操作者のキー入力操作は第３表に示されて
いる。

第３図は、この構成の動作を説明するためのフローチャ
ートである。ステップｎ１において、マイクロホン２か
ら音声によって語句が入力されるとステップｎ２では、
入力された語句が単音節毎に区分され、それぞれの特徴
パターンが抽出される。

ステップｎ３においては、単音節認識部３では、前記抽
出された特徴パターンと標準パターンメモリ４に記憶さ
れる複数の単音節の標準パターンとの比較によって音節
ラティスが作成され、この音節ラティスが音節ラティス
メモリ５に記憶される。

次にステップｎ４では、候補列作成部７は音節ラティス
メモリ５に記憶される音節ラティスから、仮名文字列で
表される語句候補を複数個に亘って作成し、前記音節ラ
ティスにおける近似度の情報を用いて近似度の高い順に
語句候補メモリ８に入力し、そのようにして語句候補列
が作成される。

語句候補列が作成されるとステップｎ５では、制御部６
は語句候補メモリ８から第１番目の語句候補を読出し、
この第１番目の語句候補を表示部９において拡大して表
示するための表示制御信号を表示部９に与える。

ステップｎ６では、操作者は表示部９に拡大して表示さ
れる語句候補と、音声によって入力した語句とが一致す
るかどうかを判断し、一致しない場合には、ステップｎ
９に進み、一致するとステップｎ７に進む。

ステップｎ９においては、操作者は音声候補キー１０ｂ
を操作し、これによって制御部６は語句候補メモリ８か
ら次候補の語句候補を読出し、表示部９に前記読出され
た語句候補を拡大表示するための表示制御信号を与え
る。この後処理はステップｎ６に戻る。このようにして
表示部９に表示される語句候補と入力語句との一致が確
認されるまでステップｎ６，ｎ９の処理が継続される。

ステップｎ６において、入力語句と表示部９に表示され
る語句候補との一致が確認されるとステップｎ７に進
み、操作者はキー入力部１０の仮名漢字変換キー１０ａ
を操作する。これによって仮名漢字変換処理部１１で
は、現に制御部６に読出されている語句候補がその内部
に読込まれ、漢字を含む文字列に変換される。そのよう
にして得られる漢字を含む文字列は、ステップｎ８にお
いて、制御部６に与えられ、制御部６は表示部９に対し
て前記漢字を含む文字列を通常の大きさで表示するため
の表示制御信号を与える。この後処理はステップｎ１に
戻る。

以上のようにこの構成においては、音声による語句の入
力によって表示される語句候補は対応する表示領域にお
いて拡大して表示される。現状のレベルの音声認識装置
では発声された語句がそのまま正しく認識されることは
少なく、語句の音声による入力に伴って操作者は表示部
９において表示される語句候補を必ず確認しなければな
らない。したがって本実施例のように、語句候補を拡大
して表示することによって語句候補の確認が容易とな
り、入力作業の効率を向上することができる。

第４図は本発明の一実施例を説明するための図である。
本実施例は第１図に示される構成と同様の構成によって
実現されるため、第１図を併せて参照して説明する。第
４図には、表示部９における表示態様が示されている。
前述の構成では語句候補メモリ８に記憶される複数の語
句候補のうち１つの語句候補のみが表示部９に表示され
るれども本実施例では予め定められる複数個（たとえば
５個）の語句候補が表示部９の表示領域Ｓ１において同
時に表示される。この表示領域Ｓ１の表示態様は第５図
に示されている。

語句候補列作成の後には、第１番目から第５番目までの
語句候補が第５図に示されるような態様で拡大文字を用
いて表示される。このときカーソルＣ１の位置に対応す
る語句候補が第４図において参照符Ｓ２で示される位置
（音声入力の対象となる位置）に下線ｌ３とともに拡大
表示される。

表示領域Ｓ１に表示される５個の語句候補の中に正しい
語句、すなわち音声によって入力された語句が含まれて
いる場合には、操作者はカーソルＣ１をキー入力部１０
のカーソルキー１０ｃ（第１図参照）操作によって、第
５図の上下方向に移動させて１つの語句候補を選択し、
そのような状態で仮名漢字変換キー１０ａを操作する。
表示部９に表示される複数の語句候補の中に正解の語句
が含まれていない場合には、キー入力部１０の音声候補
キー１０ｂを操作することによって表示部９の表示領域
Ｓ１には第６番目〜第１０番目の語句候補が表示され
る。このようにして本実施例では前述の第１実施例に比
較して、音声入力された語句に一致する語句候補を高速
に検索することができる。

本実施例においてもまた、参照符Ｓ２で示される位置お
よび表示領域Ｓ１に表示される語句候補は、既入力キャ
ラクタＡ２よりも大きな文字で表示され、仮名漢字変換
キー１０ａの操作の後には既入力キャラクタＡ２と同一
の大きさの文字形状で表示される。したがって前述の構
成と同様な効果を得ることができる。この第４図に示さ
れる表示領域２１では、既入力キャラクタＡ２を表示す
るとともに、その既入力キャラクタＡ２の次に引続い
て、上述のように既入力キャラクタＡ２よりも大きい文
字形状で、最後に入力した語句の第１の候補「ごふんに
は」を表示する。この表示領域２１に隣接する表示領域
Ｓ１では、候補を、既入力キャラクタＡ２よりも大きい
文字形状で上述のように表示し、この表示領域Ｓ１に表
示可能な候補の最大数は、この実施例では第５図から明
らかなように５であり、メモリ８に記憶される第２表に
示される候補の数２４未満である。

こうして第２表の候補の作成後に、メモリ８に記憶され
ている第１候補「ごふんには」を、表示領域２１の既入
力キャラクタＡ２の次に引続いて位置Ｓ２に表示させ、
この第１候補を含む合計５つの候補を、表示領域Ｓ１に
制御部６によって表示させる。カーソルキー１０ｃを操
作することによって、カーソルＣ１を、表示領域Ｓ１に
表示された合計の５つの候補のうちの１つに移動して表
示させて選択し、正しい候補が存在しないときには、発
声候補キー１０ｂを操作して、メモリ８に記憶されてい
るかつ表示領域Ｓ１に表示されていない残余の候補のう
ち、最大５つの候補を次に表示させ、このようにして音
声候補キー１０ｂを操作するたびに、５つずつ新たな候
補が表示領域Ｓ１に表示され、この希望する候補にカー
ソルキー１０ｃを位置させて仮名漢字変換キー１０ａを
操作すると、そのカーソルに対応する候補の語句を仮名
漢字変換して第１候補の位置Ｓ２に、既入力キャラクタ
Ａ２と同一の大きさの文字形状で仮名漢字変換された結
果が表示される。

発明の効果 以上のように本発明によれば、表示手段９の第１表示領
域２１には語句の仮名である第１の候補を、既入力キャ
ラクタＡ２よりも大きい文字形状で表示し、第２表示領
域Ｓ１では、第１複数未満の第２複数の候補を、同様に
大きい文字形状で表示し、こうして第２表示領域Ｓ１に
大きい文字形状で表示された候補を、カーソルキー１０
ｃの操作でカーソルを移動することによって、選択する
ことができるようにしたので、語句の選択が容易であ
る。

しかも本発明によれば、第２表示領域Ｓ１では第２複数
の候補が表示され、また音声候補キー１０ｂを操作して
残余の候補を表示することができ、こうして候補が第２
複数、表示された状態で、希望する候補を選択すればよ
く、操作性が良好であり、１つずつ候補が順次的に表示
される構成に比べて、正しい候補を見付けやすいという
効果がある。

さらに本発明によれば、カーソルで希望する候補を選択
した後には、仮名漢字変換キー１０ａを操作することに
よって、その候補の語句の仮名漢字変換された結果を、
第１表示領域２１の第１候補の位置Ｓ２に、表示させ、
しかもその仮名漢字変換された結果の文字は、既入力キ
ャラクタＡ２と同一の大きさの文字形状であり、こうし
てまず仮名から成る第１複数の候補から、希望する候補
を選択し、その後に仮名漢字変換を行うようにしたの
で、各候補毎に仮名漢字変換をして表示する構成に比べ
て、変換処理が簡略化され、音声認識表示の処理時間を
短縮することができる。

【図面の簡単な説明】

第１図は本発明の前提となる音声認識表示装置１の基本
的な構成を示すブロック図、第２図は表示部９における
表示態様を示す図、第３図は第１図に示される構成の動
作を説明するためのフローチャート、第４図および第５
図は本発明の一実施例における表示部９の表示態様を示
す図、第６図は先行技術を説明するための図である。 １…音声認識表示装置、２…マイクロホン、３…単音節
認識部、４…標準パターンメモリ、５…音節ラティスメ
モリ、６…制御部、７…候補列作成部、８…語句候補メ
モリ、９…表示部、１０…キー入力部、１１…仮名漢字
変換処理部

Claims (1)

【特許請求の範囲】
1. 【請求項１】（ａ）音声によって入力される語句毎に、
   各語句を音声認識して、その語句に対応する第１の複数
   の仮名から成る候補を順次的に出力する音声認識出力手
   段２〜７と、 （ｂ）音声認識出力手段２〜７から出力される第１複数
   の候補を記憶するメモリ８と、 （ｃ）表示手段９であって、 既入力キャラクタＡ２を表示するとともに、その既入力
   キャラクタＡ２の次に引続いて、その既入力キャラクタ
   Ａ２よりも大きい文字形状で、最後に入力した語句の第
   １の候補を表示する第１表示領域２１と、 第１表示領域に隣接し、候補を、既入力キャラクタＡ２
   よりも大きい文字形状で表示し、この表示可能な候補の
   最大数は、第１の複数未満の第２の複数である第２表示
   領域Ｓ１とを有する表示手段９と、 （ｄ）カーソルキー１０ｃと、音声候補キー１０ｂと仮
   名漢字変換キー１０ａとを有する入力手段１０と、 （ｅ）制御手段６であって、 音声認識出力手段２〜７の第１複数の候補の作成後に、
   メモリ８に記憶されている第１候補を、第１表示領域２
   １の既入力キャラクタＡ２の次に引続いて表示させると
   ともに、 メモリ８に記憶されている第１候補を含む第２複数の候
   補を第２表示領域Ｓ１に表示させ、 カーソルキー１０ｃの出力に応答して、カーソルを、第
   ２表示領域Ｓ１に表示された第２複数の候補のうちの１
   つに移動して表示させ、 音声候補キー１０ｂの出力に応答して、第２表示領域Ｓ
   １に、メモリ８に記憶されておりかつその第２表示領域
   Ｓ１に表示されていない残余の候補のうち、最大、第２
   複数の候補を表示させ、 仮名漢字変換キー１０ａの出力に応答して、カーソルに
   対応する候補の語句を仮名漢字変換して第１表示領域の
   前記第１候補の位置Ｓ２に、既入力キャラクタＡ２と同
   一の大きさの文字形状で表示させる制御手段６とを含む
   ことを特徴とする音声認識表示装置。