JPH09244682A - 音声認識・音声合成装置 - Google Patents

Abstract

(57)【要約】 【課題】方言なども含めた会話音声の音声認識や音声合
成を簡単な信号処理で実現する音声認識・音声合成装置
を提供する。 【解決手段】音声認識２では、特定地域の方言を標準語
に変換する変換マップを複数地域について備えた方言標
準語変換の手段３を設け、地域コード情報５で指定する
複数地域の一つの特定地域の変換マップを用いて方言標
準語変換を行う。そして、得られた標準語の文節を出力
する。音声合成８では、標準語を特定地域の方言に変換
する変換マップを複数地域について備えた標準語方言変
換の手段７を設け、地域コード情報５で指定する複数地
域の一つの特定地域の変換マップを用いて標準語方言変
換を行う。そして、得られた特定地域の方言から音声を
合成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は音声認識・音声合成
装置に関する。

【０００２】

【従来の技術】音声は人間にとって意志の疎通に欠くこ
とができない手段であり、最も自然なマンマシンインタ
フェースの一つとして、音声認識技術や音声合成技術の
研究開発が進められている。

【０００３】音声認識技術は、数字などの単語音声認識
に始まり、最近では１千単語以上を認識対象とする比較
的大語彙あるいは不特定話者、あるいは一つの文章を連
続して発生するような連続音声なども可能な状況にあ
る。そして、人間の通常の会話音声を理解し、人間のよ
うに応答する対話システムの研究も進められている。

【０００４】しかし、方言なども含めて、人間の会話音
声は地域により差がある。このため、これら地域差のあ
る会話音声に対してできるだけ自然に感じられる音声認
識技術や音声合成技術の開発が重要な課題となってい
る。

【０００５】

【発明が解決しようとする課題】本発明の目的は、方言
なども含めて地域により差のある会話音声の音声認識や
音声合成を簡単な信号処理で実現する音声認識・音声合
成装置を提供することにある。

【０００６】

【課題を解決するための手段】本発明では、上記の目的
を達成するため、以下の技術的手段を採用する。

【０００７】音声認識では、特定地域の方言を標準語に
変換する変換マップを複数地域について備えた方言標準
語変換の手段を設け、地域コード情報で指定する複数地
域の一つの特定地域の変換マップを用いて方言標準語変
換を行う。そして、得られた標準語の文節を出力する。

【０００８】音声合成では、標準語を特定地域の方言に
変換する変換マップを複数地域について備えた標準語方
言変換の手段を設け、地域コード情報で指定する複数地
域の一つの特定地域の変換マップを用いて標準語方言変
換を行う。そして、得られた特定地域の方言から音声を
合成する。

【０００９】したがって、従来は極めて困難と考えられ
ていた方言と標準語との相互の変換が、本発明では地域
コード情報で限定される地域の変換マップのみを用いた
信号処理で極めて容易に行うことができる。

【００１０】

【発明の実施の形態】本発明の第１の実施例を、図１の
ブロック図により説明する。本実施例は、会話音声を認
識するに好適なものである。図中の１はマイク、２は音
声認識部、３は方言標準語変換部、４は機能コード変換
部、５は地域コード設定部である。

【００１１】会話音声Ｓ１は、マイク１を介して音声認
識部２に入力する。音声認識部２は、従来技術と同様の
音声認識の信号処理を行い、認識した文節の文字コード
情報Ｓ２を出力する。

【００１２】方言標準語変換部３は、前述した様に、特
定地域の方言を標準語に変換する変換マップを複数地域
について有し、地域コード設定部５より供給する地域コ
ード情報ＬＡＣで定める変換マップを使用して、認識し
た方言を含む文節の文字コード情報Ｓ２を標準語の文節
に変換し、変換した標準語文節の文字コード情報Ｓ３を
出力する。この動作の詳細は後述する。

【００１３】機能コード変換部４は、変換した標準語文
節の文字コード情報Ｓ３で定まる各種機能の動作を制御
するコード情報への変換を行い、制御情報Ｓ４を出力す
る。なお、図には明示していないが、この制御情報Ｓ４
で機械を動作させることで、より自然で親しみやすいマ
ンマシンインタフェースやユーザインタフェースが実現
できる。

【００１４】次に、本発明の第２の実施例について、図
２に示すブロック図で説明する。本実施例は、会話音声
を合成するに好適なものである。図中の５は地域コード
設定部、６は機能コード逆変換部、７は標準語方言変換
部、８は音声合成部、９はスピーカである。

【００１５】機能コード逆変換部６は、制御情報Ｓ４を
対応する標準語文節の情報に変換する処理を行い、標準
語文節の文字コード情報Ｓ５を出力する。

【００１６】標準語方言変換部７は、前述した様に、標
準語を特定地域の方言に変換する変換マップを複数地域
について有し、地域コード設定部５より供給する地域コ
ード情報ＬＡＣで定める変換マップを使用して、標準語
文節を指定地域の方言を含む文節に変換し、変換した方
言の文節の文字コード情報Ｓ６を出力する。この動作の
詳細についても後述する。

【００１７】音声合成部８は、従来技術と同様の音声合
成の信号処理を行い、方言を含む会話音声の信号Ｓ７を
出力する。そして、この信号をスピーカ９に供給して、
合成音声Ｓ８を再生する。

【００１８】この結果、より自然で親しみやすいマンマ
シンインタフェースやユーザインタフェースが実現でき
る。

【００１９】次に、本発明の第３の実施例について、図
３に示すブロック図で説明する。本実施例は、会話音声
の認識および合成に好適なものである。図中の１はマイ
ク、２は音声認識部、３は方言標準語変換部、４は機能
コード変換部、５は地域コード設定部、６は機能コード
逆変換部、７は標準語方言変換部、８は音声合成部、９
はスピーカ、１０は機器制御部である。

【００２０】会話音声Ｓ１は、マイク１を介して音声認
識部２に入力する。音声認識部２は、従来技術と同様の
音声認識の信号処理を行い、認識した文節の文字コード
情報Ｓ２を出力する。

【００２１】方言標準語変換部３は、前述した様に、特
定地域の方言を標準語に変換する変換マップを複数地域
について有し、地域コード設定部５より供給する地域コ
ード情報ＬＡＣで定める変換マップを使用して、認識し
た方言を含む文節の文字コード情報Ｓ２を標準語の文節
に変換し、変換した標準語文節の文字コード情報Ｓ３を
出力する。この動作の詳細は後述する。

【００２２】機能コード変換部４は、変換した標準語文
節の文字コード情報Ｓ３で定まる各種機能の動作を制御
するコード情報への変換を行い、制御情報Ｓ４を出力す
る。

【００２３】機器制御部１０は、制御情報Ｓ４に対応す
る機器の動作の制御を行う。

【００２４】一方、機器制御部１０から出力した制御情
報Ｓ４は、機能コード逆変換部６で対応する標準語文節
の情報に変換する処理を行い、標準語文節の文字コード
情報Ｓ５を出力する。

【００２５】標準語方言変換部７は、前述した様に、標
準語を特定地域の方言に変換する変換マップを複数地域
について有し、地域コード設定部５より供給する地域コ
ード情報ＬＡＣで定める変換マップを使用して、標準語
文節を指定地域の方言を含む文節に変換し、変換した方
言の文節の文字コード情報Ｓ６を出力する。この動作の
詳細についても後述する。

【００２６】音声合成部８は、従来技術と同様の音声合
成の信号処理を行い、方言を含む会話音声の信号Ｓ７を
出力する。そして、この信号をスピーカ９に供給して、
合成音声Ｓ８を再生する。

【００２７】この結果、より自然で親しみやすいマンマ
シンインタフェースやユーザインタフェースが実現でき
る。

【００２８】以上で各実施例のブロック構成による説明
を終え、以下では、各部の構成や動作について説明す
る。

【００２９】図４は、音声認識部の一構成例で、従来技
術で容易に実現できるものである。

【００３０】図中の特徴抽出部１１は、音素認識のため
の特徴パラメタ（例えばスペクトログラム情報，ピッチ
周波数，ストレスの強さなどの韻律的情報など）の計算
を行う。音素認識部１２は、パターンマッチングに基づ
く音素認識アルゴリズムやスペクトログラムリーディン
グ情報に基づく音素認識アルゴリズムによって音素認識
を行う。ワードスポッティング部１３は、音素をもとに
キーワードのワードスポッティングの処理を行う。そし
て、文節処理部１４は、キーワードのワードスポッティ
ングに基づいて連続単語認識処理を行い、認識した文節
の文字コード情報Ｓ２を出力する。

【００３１】図５は、音声合成部の一構成例で、従来技
術で容易に実現できるものである。

【００３２】文節の文字コード情報Ｓ６は、テキスト解
析部１５で音韻を表す記号列やアクセント情報，ポーズ
やアクセント句の境界を示す記号に変換する。韻律設定
部１６は、合成音声のピッチパターンや音韻時間長パタ
ーンなどの韻律情報を設定する。音声パラメタ設定部１
７は、接続すべき音声単位の列に分解し、該当する音声
単位を音声単位ファイルから選択し、設定された韻律情
報を付加して、合成パラメタ系列を生成する。音声合成
器１８は、韻律情報で規定された音源波形で、パラメタ
表現された音道伝送フィルタを駆動して合成波形を生成
し、会話音声の信号Ｓ７を出力する。

【００３３】図６は、方言標準語変換部におけるデータ
ファイル構成の一例である。データファイルは地域コー
ド情報ＬＡＣで定まる該当地域（図ではＬＡＣが０００
では東京地区、００１では名古屋地区、００２では関西
地区，…、００Ｘでは沖縄地区）に対応する方言を標準
語に変換する変換マップの集積で構成する。したがっ
て、該当地域の変換マップの設定は、地域コード情報Ｌ
ＡＣを指定することができる。また、この各変換マップ
では、方言を含む文節の文字コード情報と、これに対応
する標準語の文節の文字コード情報のデータとは１対１
に対応する。したがって、方言を含む文節の文字コード
情報をキーワードとする変換マップの検索で、これに対
応する標準語の文節の文字コード情報への変換が簡単に
できる。例えば入力の方言を含む文節の文字コード情報
○○△▽，◇△○△の時は、これをキーワードに変換マ
ップを検索し、それぞれ対応する標準語の文節の文字コ
ード情報○△，◇△に簡単に変換できる。

【００３４】図７は、標準語方言変換部におけるデータ
ファイル構成の一例である。データファイルは地域コー
ド情報ＬＡＣで定まる該当地域（図ではＬＡＣが０００
では東京地区、００１では名古屋地区、００２では関西
地区，…、００Ｘでは沖縄地区）に対応する方言に標準
語を変換する変換マップの集積で構成する。したがっ
て、該当地域の変換マップの設定は、地域コード情報Ｌ
ＡＣを指定することができる。また、この各変換マップ
では、標準語の文節の文字コード情報と、これに対応す
る方言を含む文節の文字コード情報とのデータとは１対
１に対応する。したがって、標準語の文節の文字コード
情報をキーワードとする変換マップの検索で、これに対
応する方言を含む文節の文字コード情報への変換が簡単
にできる。例えば入力の標準語の文節の文字コード情報
○△，◇△の時は、これをキーワードに変換マップを検
索し、それぞれ対応する方言を含む文節の文字コード情
報○○△▽，◇△○△に簡単に変換できる。

【００３５】以上述べた地域コード情報で指定する地域
の変換マップを用いた処理で、従来は極めて困難と考え
られていた方言と標準語との相互の変換を極めて容易に
実現する。

【００３６】次に、本発明の音声認識・音声合成の方法
を機器のマンマシンインタフェースやユーザインタフェ
ースに適用した例について説明する。

【００３７】図８は、テレビジョン受像機のユーザイン
タフェースに適用した一実施例である。図中の音声コン
トローラ部２５が、本発明の音声認識・音声合成の方法
で構成したものに相当する。

【００３８】チューナ部１９は、放送波信号ＴＳをベー
スバンド信号に復調する処理を行い、復調した映像信号
ＶＳと音声信号ＡＳとを出力する。

【００３９】映像復調部２０は、映像信号ＶＳの輝度・
色信号分離の処理，色信号の復調処理を行い、輝度信号
と２つの色差信号からなる信号Ｓ１０を出力する。

【００４０】画質改善部２１は、鮮鋭度向上や雑音除去
などの画質改善処理と３原色信号への変換処理を行い、
３原色ＲＧＢ信号Ｓ１１を出力する。そして、画像表示
部２２にこの信号の画像を再生する。

【００４１】音質改善部２３は、明瞭感や臨場感のある
音声への音質改善処理を行い、その出力信号Ｓ１２を音
声再生部２４で再生する。

【００４２】音声コントローラ部２５は、視聴者の音声
指示にしたがって、チャネル設定や画質設定や音質設定
などの動作の制御を行う。また、視聴者の操作を補助す
るガイド音声などの生成を行う。

【００４３】本実施例によれば、より自然で親しみやす
いユーザインタフェースの機能を備えたテレビジョン受
像機が実現できる。なお、実施例ではテレビジョン受像
機を例に説明したが、パソコンなどの情報端末機器装置
にも本発明の音声認識・音声合成の方法を適用し、より
自然で親しみやすいマンマシンインタフェースやユーザ
インタフェースを実現することもできる。

【００４４】

【発明の効果】本発明によれば、簡単な信号処理で、方
言などを含む会話音声の音声認識や音声合成を行うこと
ができる。そして、より自然で親しみやすいマンマシン
インタフェースの実現に有効である。

【図面の簡単な説明】

【図１】本発明の第１の実施例のブロック図。

【図２】本発明の第２の実施例のブロック図。

【図３】本発明の第３の実施例のブロック図。

【図４】音声認識部の一構成例のブロック図。

【図５】音声合成部の一構成例のブロック図。

【図６】方言標準語変換部のデータファイル構成の一例
の説明図。

【図７】標準語方言変換部のデータファイル構成の一例
の説明図。

【図８】本発明を適用したテレビジョン受像機の一実施
例のブロック図。

【符号の説明】

１…マイク、２…音声認識部、３…方言標準語変換部、
４…機能コード変換部、５…地域コード設定部、６…機
能コード逆変換部、７…標準語方言変換部、８…音声合
成部、９…スピーカ、１０…機能制御部。

フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｎ 5/60 Ｈ０４Ｎ 5/60 Ｚ (72)発明者 小島 昇 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所マルチメディアシステム 開発本部内 (72)発明者 杉山 雅人 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所マルチメディアシステム 開発本部内 (72)発明者 寺西 謙太郎 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所マルチメディアシステム 開発本部内 (72)発明者 西瀬戸 孝明 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所映像情報メディア事業部 内 (72)発明者 中垣 宣文 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所映像情報メディア事業部 内 (72)発明者 笠原 康弘 神奈川県横浜市戸塚区吉田町292番地 株 式会社日立製作所映像情報メディア事業部 内

Claims (5)

【特許請求の範囲】
1. 【請求項１】入力音声信号を認識して文字コード情報に
   変換する音声認識の信号処理において、特定地域の方言
   を標準語に変換する変換マップを複数地域について備え
   た方言標準語変換の手段を有し、地域コード情報で複数
   地域の一つの特定地域の変換マップを指定し、上記指定
   した変換マップにより上記文字コード情報の方言を標準
   語に変換する方言標準語変換を行い、入力方言音声信号
   を認識して標準語の文字コード情報に変換する音声認識
   の信号処理を行うことを特徴とする音声認識・音声合成
   装置。
2. 【請求項２】文字コード情報を音声信号に変換する音声
   合成の信号処理において、標準語を特定地域の方言に変
   換する変換マップを複数地域について備えた標準語方言
   変換の手段を有し、地域コード情報で上記複数地域の変
   換マップのうちの一つの地域の変換マップを指定し、上
   記指定した変換マップにより上記文字コード情報の標準
   語を方言に変換する標準語方言変換を行い、上記標準語
   方言変換出力信号で出力音声信号に変換する信号処理を
   行い、標準語の文字コード情報を上記指定した地域の方
   言の音声信号に変換する音声合成を行うことを特徴とす
   る音声認識・音声合成装置。
3. 【請求項３】請求項１に記載の入力音声信号を認識して
   文字コード情報に変換する音声認識の信号処理と、請求
   項２に記載の文字コード情報を音声信号に変換する音声
   合成の信号処理とを備えた音声認識・音声合成装置。
4. 【請求項４】請求項１，２または３に記載の音声認識・
   音声合成方法により入力音声信号の音声認識や出力音声
   ガイド信号の音声合成を行う音声ユーザインタフェース
   機構を備えたテレビジョン受像機。
5. 【請求項５】請求項１，２または３に記載の音声認識・
   音声合成方法により入力音声信号の音声認識や出力音声
   ガイド信号の音声合成を行う音声ユーザインタフェース
   機構を備えた情報端末機器装置。