JPH09326856A

JPH09326856A - 音声認識応答装置

Info

Publication number: JPH09326856A
Application number: JP8140230A
Authority: JP
Inventors: Takashi Miura; 隆三浦; Toshiyuki Kimura; 敏之木村; Masaya Suzuki; 雅也鈴木; Takehiko Yoshino; 武彦吉野; Tetsuo Nakatsuka; 哲夫中塚; Katsutoshi Hayakawa; 勝利早川
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1996-06-03
Filing date: 1996-06-03
Publication date: 1997-12-16

Abstract

(57)【要約】【課題】不特定話者を対象とした、各種ガイダンスに
よる音声応答出力及び音声認識を必要とする各種業務シ
ステム（受発注システム、振込み業務システム、予約受
け付けシステム及び通信販売システム等）に適用するこ
とにより、省力化及び効率化を図ること。【解決手段】不特定話者の音声を認識し、話者が電話
１を介して音声により指定した処理を識別して自動的に
応答する音声認識応答装置３において、話者と音声認識
応答装置間のＱ＆Ａ会話シーケンスにおける会話場面に
応じた発音が類似した認識候補単語を登録した認識辞書
ファイルを認識辞書１１に備えた構成とした。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、不特定話者を対象
とした各種ガイダンスによる音声応答出力及び音声認識
を必要とする各種業務システム（受発注システム、振込
み業務システム、予約受け付けシステム及び通信販売シ
ステム等）の省力化、効率化の為に導入される音声認識
応答装置に関する。

【０００２】

【従来の技術】不特定話者の音声を認識する音声認識応
答装置を利用し、音声応答による各種業務処理システム
を構築する場合、話者との間のＱ＆Ａ会話シーケンスに
おいて装置側が話者の発する音声を認識できずに正解が
確認できるまで話者に何回も同じ言葉を繰り返してもら
ったり、又は一語一語発声してもらうことにより話者に
負担をかけることがある。

【０００３】従来の音声認識の手順としては、金融機関
の振込み業務を例にとると図２８に示すように装置側と
話者側で交互に応答が行なわれ、話者側は装置側の認識
結果に対して「はい」又は「いいえ」の応答を返し、
「はい」であれば次のステップに進み、「いいえ」であ
れば再度装置側からもう一度入力するように指示され
る。この場合、話者の言っている内容を装置側が認識で
きない時は、認識できるまで同じ質問が繰り返されるこ
ととなり、話者に負担をかけることになる。

【０００４】また、従来の音声認識応答装置として、話
者との間の認識エラーがある一定回数を越えた場合は、
音声認識応答装置からの質問の仕方を変更するという音
声認識応答装置が開示されている（特開昭６１−１７５
６９６号公報）。

【０００５】また、従来の音声認識応答装置として、認
識結果を確認する方法としてあらかじめ各認識語ごとに
誤認識の統計量から求めた認識候補文字を結果の確認を
行なう順番に確認順序テーブルに登録しておき、そのテ
ーブルから確認を行なう方法が開示されている（特開昭
６１−２９２２００号公報）。

【０００６】また、従来の音声認識応答装置として、１
つの装置内に複数のプロセッサを有し、異なる音声パタ
ーンで認識させ最もパターン間距離の近いものを認識結
果としているものが開示されている（特公平２−１５４
３００号公報）。

【０００７】また、従来の電話回線を利用した音声認識
では利用者のシステムに対する習熟度の判別に電話番号
を用いなければならない。この点について特開平０３−
１５９３５６号公報と特開平０３−１６０８６８号公報
では発信者の番号は発信者そのものを表すわけではない
が、一般家庭の場合には概ね一次近似的に、固定した発
信者と考えることができると述べている。

【０００８】さらに、特開平０３−１５９３５６号公報
ではＩＳＤＮ網の発信者番号通知サービスを利用してい
ることが開示されている。

【０００９】

【発明が解決しようとする課題】音声認識応答装置を利
用したシステムにおいては装置の認識率によって、その
システムの使い易さ及び利用者に対する負担が左右され
る。

【００１０】従来の音声認識応答装置（特開昭６１−１
７５６９６号公報）では、認識エラーが多発するとき等
は話者に負担がかかるという問題点があった。

【００１１】また、従来の音声認識装置（特開昭６１−
２９２２００号公報）では、音声認識応答装置を利用す
る業務において、業務内容によっては認識対象候補単語
は限定できるものの対象候補単語が多数ある場合がある
という問題点があった。

【００１２】話者が発声した内容の確認は応答終了後に
一意の確認シーケンスが実行され、利用者は一つの質問
に対して複数回の回答をしなければならないため、対話
の円滑性が大きく損なわれることがある。また、対話の
円滑性を重視する場合には、質問に対する確認を省略し
て結果を正解と断定することもできるが、この場合には
誤認識を生じるといった問題点が発生する。

【００１３】また、数字列を音声認識する場合、従来は
会員番号、電話番号等１つの意味をなす数字列の単位で
認識させていたので、長い数字列では一度に発声しきれ
ず数字列の間で間があくことがあり、また数字列の間に
“の”等の格助詞をいれてしまうことで認識率が低下す
るという問題点があった。

【００１４】また、従来の音声認識応答装置（特公平２
−１５４３００号公報）では、異なる認識条件の設定が
できず、また、容易にプロセッサ数を増減させることが
できないという問題点があった。

【００１５】また、従来の電話回線を利用した音声認識
では、電話の音声だけを頼りに音声認識をおこなってい
るため、話者の発声した音声と音声認識結果を照合する
手段が無かった。その結果、音声認識結果が間違えてい
た場合、正解するまで話者の音声を音声認識処理する必
要があった。また、プッシュボタンによる入力を組み合
わせて音声認識を行なう場合でも、ダイヤル（アナロ
グ）回線では利用できないという問題点があった。

【００１６】また、従来の電話回線を利用した音声認識
（特開平０３−１５９３５６号公報と特開平０３−１６
０８６８号公報）では、公衆電話や一般企業内の電話機
のように利用者と電話機が近似できない場合には、電話
番号を習熟度の判別に用いることができないという問題
点があった。

【００１７】さらに、特開平０３−１５９３５６号公報
ではＩＳＤＮ網の発信者番号通知サービスを利用してい
るため、一般公衆網では利用できないという問題点があ
った。

【００１８】この発明は、以上のような問題点を解決す
るためになされたもので、音声認識応答装置自体の認識
率向上及び装置と利用者間の会話手段を効率化すること
により、話者の負担を軽減させるとともにシステムの使
い勝手を向上させることを目的とする。

【００１９】また、音声認識応答装置を利用する受発注
システム、振込み業務システム、予約受け付けシステム
及び通信販売システム等の業務に応じては認識対象候補
単語を限定でき、候補単語数を少数に絞り込むことがで
きることから、本発明では装置側にあらかじめ会話の場
面に応じた認識候補単語を持っておき、限定された候補
単語の中から質問を行なうことにより話者に負担をかけ
ないようにすることを目的とする。

【００２０】また、発音が類似した単語に登録するため
の類似語テーブルを持ち、その中から質問を行なうこと
により話者が発声している音声を類似誤テーブル内の認
識候補単語の中から検索することにより話者が何回も言
い直したり、一語一語発声することによる話者への負担
を軽減することを目的とする。

【００２１】また、認識の確度の高低によって確認シー
ケンスを切替えたり、または省略する認識結果確認手段
を提供することにより音声認識処理における認識率を低
下させることなく装置／利用者間の対話を円滑にするこ
とを目的とする。

【００２２】また、話者と音声認識応答装置間の会話シ
ーケンス実行中に話者が以前の回答を途中でキャンセル
したいときに任意の質問に対する回答のタイミングで以
前の回答をキャンセルまたは訂正することができ、キャ
ンセルした回答に対応する質問に戻ったり、訂正した回
答の直後の処理に戻る手段を提供することを目的とす
る。

【００２３】また、数字列が途切れないようにかつ数字
列のあいだに言葉を入力しないようにすることで認識率
を向上することを目的とする。

【００２４】また、ローカル・エリア・ネットワークに
音声認識応答装置を複数台接続することにより、システ
ムの目的および用途に合わせて容易に装置を増減できる
とともに複数の認識条件を設定し、その中で認識処理を
行ない、認識率を向上することを目的とする。

【００２５】また、音声認識用の語彙データベースをあ
らかじめ構築しておき、本データベース内に交換機から
のトーン信号によりサービスされる情報と認識候補単語
の対応付けを行なっておくことにより、音声認識率を高
めることを目的とする。

【００２６】また、あらかじめ利用者を一意に識別する
ＩＤを用いることによって、完全に利用者ごとに習熟度
を判別し、最適な応答シーケンスを用いることを目的と
する。

【００２７】また、電話番号を必要としないのでＩＳＤ
Ｎのように回線の種類を特定する必要がないため、広く
普及している一般公衆網の利用も可能にすることを目的
とする。

【００２８】

【課題を解決するための手段】請求項１の音声認識応答
装置は、不特定話者の音声を認識し、話者が電話を介し
て音声により指定した処理を識別して自動的に応答する
ものであって、話者と音声認識応答装置間のＱ＆Ａ会話
シーケンスにおける会話場面に応じた認識候補単語を登
録した認識辞書ファイルを備えたことを特徴とする。

【００２９】請求項２の音声認識応答装置は、請求項１
記載の音声認識応答装置において、発音が類似した認識
候補単語を登録した認識辞書ファイルを備えたことを特
徴とする。

【００３０】請求項３の音声認識応答装置は、不特定話
者の音声を認識し、話者が電話を介して音声により指定
した処理を識別して自動的に応答するものであって、音
声の認識結果の確度を設定する手段と、確度に応じて、
結果確認のためのＱ＆Ａ会話シーケンスを切替え、また
は一部を省略する手段とを備えたことを特徴とする。

【００３１】請求項４の音声認識応答装置は、不特定話
者の音声を認識し、話者が電話を介して音声により指定
した処理を識別して自動的に応答するものであって、話
者と音声認識応答装置間のＱ＆Ａ会話シーケンスにおけ
る特定の単語の発声により以前の回答をキャンセルする
手段を備えたことを特徴とする。

【００３２】請求項５の音声認識応答装置は、不特定話
者の音声を認識し、話者が電話を介して音声により指定
した処理を識別して自動的に応答するものであって、連
続して発声することがむずかしい長い数字列を、意味の
ある単位に区切って話者に発声させて認識する手段を備
えたことを特徴とする。

【００３３】請求項６の音声認識応答装置は、不特定話
者の音声を認識し、話者が電話を介して音声により指定
した処理を識別して自動的に応答するものであって、電
話からの入力音声を受信する電話受信部と、電話受信部
が受信した入力音声をローカル・エリア・ネットワーク
を制御する通信制御部を介して各スレーブに送信する音
声分配部と、電話受信部が受信した入力音声を分析し認
識する認識部と、認識部が認識に用いる認識辞書部と、
認識部の認識時の条件を与える入力条件設定部と、各ス
レーブから送信された認識結果を前記通信制御部で受信
し、集めた認識結果から認識結果判定を行ない全体の認
識結果として出力する認識結果決定部とを有するマスタ
と、ローカル・エリア・ネットワークを介して送られた
音声データを受信する通信制御部ｎと、外部条件を設定
してある入力条件設定部ｎから設定値を読み出して、指
定された条件及び認識辞書ｎから最も近い認識結果をそ
のスレーブの認識結果として出力する認識部ｎと、認識
部ｎから送られた認識結果を通信制御部ｎからマスタに
送信する認識結果送信部ｎとを有するスレーブｎとを備
えたことを特徴とする。

【００３４】請求項７の音声認識応答装置は、不特定話
者の音声を認識し、話者が電話を介して音声により指定
した処理を識別して自動的に応答するものであって、電
話のトーン信号と認識候補単語を登録してある語彙デー
タベースを音声認識応答装置内に備えたことを特徴とす
る。

【００３５】請求項８の音声認識応答装置は、不特定話
者の音声を認識し、話者が電話を介して音声により指定
した処理を識別して自動的に応答するものであって、話
者を一意に特定することができるＩＤ番号を管理する手
段と、音声認識応答装置が話者を特定できた場合、話者
の利用回数をＩＤ番号とともに管理しておくことにより
話者の利用回数から操作習熟度を判別する手段と、操作
習熟度に基づき、あらかじめ用意された複数の応答ガイ
ダンスとシーケンスの中から適切なガイダンスとシーケ
ンスを自動的に選択し、音声によって入力されたデータ
の確認方法を自動的に変更する手段とを備えたことを特
徴とする。

【００３６】

【発明の実施の形態】

実施の形態１．以下、この発明の実施の形態１を図につ
いて説明する。図１は音声認識応答装置の全体構成を示
すブロック図である。図１において、１は利用者の電話
であり、利用者は本電話１を使って、電話回線網２を経
由し、音声認識応答装置３と接続する。接続後、装置側
より認識辞書１１に圧縮されて記憶されている応答音声
データ（ガイダンス）がシステム制御部９により検索さ
れ、認識応答制御部７を経由し、音声応答部８で再生さ
れ、Ａ−Ｄ変換部５でディジタル信号からアナログ信号
に変換された後、電話Ｉ／Ｆ部４を経由し、話者の電話
１に伝わる。

【００３７】その後、話者は装置側からのガイダンスに
従い、音声応答を行なうが、話者の音声はＡ−Ｄ変換部
５でアナログデータからディジタルデータに変換された
後、音声認識部６で認識される。この時、音声認識部６
は認識応答制御部７とシステム制御部９を経由して認識
辞書１１内のファイルより話者の言葉に一致した単語又
は近い単語を検索し、検索した結果を認識応答制御部７
を経由し、音声応答部８で再生し、話者に確認を行な
う。

【００３８】以後は装置からのガイダンス出力⇔話者に
よる音声応答又は話者による音声応答⇔認識結果の音声
の繰り返しにより会話シーケンスが実行される。また、
１２は利用者情報を管理するファイルであり、利用者を
一意に特定することができるＩＤ番号を登録しておくこ
とにより、本装置を利用できる人を管理することができ
る。

【００３９】図２は金融機関における音声認識応答装置
を利用した振込み業務処理の預金種別を入力する時の本
発明による会話シーケンスの例である。従来の会話シー
ケンスの例（図２８）ではステップＳ２−１の質問に対
する回答を装置側で認識できなかった時は図２８で示し
たように正解が得られるまで再度、話者に入力してもら
う必要があった。

【００４０】本実施の形態では、認識候補単語を登録す
るために図３に示す認識辞書ファイルを音声認識応答装
置（図１の認識辞書１１内）に用意しておくことによ
り、図２のステップＳ２−１の質問にたいして話者が
「当座」と回答したにもかかわらず、図１の音声認識応
答装置３の音声認識部６が「普通」と誤って認識した場
合も、話者がステップＳ２−４で「いいえ」と入力した
時点で、ステップＳ２−１における認識候補単語は「普
通」と「当座」しかないために話者が回答したのは「当
座」であると判断することができる。

【００４１】このような処理により従来の会話シーケン
ス図２８では、ステップＳ２８−１からステップＳ２８
−８の８ステップかかっていたものが、ステップＳ２−
１からＳ２−５の５ステップで正解を得ることができ、
話者に対する負担を軽減することができる。

【００４２】図４は発音が近い地名の認識を行なう会話
シーケンスの例である。従来の会話シーケンスの例では
ステップＳ４−１において話者に地名を入力するように
指示した所、話者の応答が「富士」（ｆｕｊｉ）である
にもかかわらず、図１の音声認識応答装置３の音声認識
部６が正しく認識できずに発音が似ている「宇治」（ｕ
ｊｉ）と認識したと仮定する。その場合、従来の会話シ
ーケンスにおいては、装置側よりステップＳ４−５にお
いて再度入力するように指示を行ない、最終的に「富
士」の正解が得られるまで、話者と装置間で繰り返し質
問・回答が行なわれていた。

【００４３】この場合には、図に示すように正解が得ら
れるまで、ステップＳ４−１からステップＳ４−１２ま
で、１２回の質問・回答のシーケンスを繰り返すことと
なり、話者にとって非常に負担がかかっていた。

【００４４】そこで、本実施の形態では図１の音声認識
部６に発音を認識する機能を付加し、さらに音声認識応
答装置（図１の認識辞書１１内）に発音記号ｕｊｉに近
い認識候補単語として「宇治」（ｕｊｉ），「久慈」
（ｋｕｊｉ），「富士」（ｆｕｊｉ）を持つ図５に示す
認識辞書ファイルを登録しておくことにより話者が発声
した発音記号ｕｊｉをキーに認識辞書１１を検索するこ
とにより、話者は音声認識応答装置３が認識できない場
合も再度「富士」と応答する必要はなく、音声認識応答
装置３が本認識辞書ファイルを検索し、順番に応答して
くる地名（本例では「宇治」，「久慈」，「富士」と応
答してくる）に対して「はい」又は「いいえ」を入力す
ることにより正しい地名の確認を行なうことができる。
これにより、図４に示すように、従来１２ステップかか
っていた会話シーケンスを、ステップＳ４−２１からス
テップＳ４−２８の８ステップに減らすことができ、話
者に対する負担も軽減することができる。

【００４５】実施の形態２．以下、この発明の実施の形
態２を図について説明する。図６は認識結果の確度パラ
メータを利用することにより認識率向上をはかるときに
利用する確度レベルおよび確度しきい値の概念を示す。
ここでは、確度を２つのしきい値ｔ１およびｔ２を用い
て３つのレベル、レベル１、レベル２、レベル３に分割
している。ｋがｔ１よりも高い場合（ｋ＞ｔ１）はレベ
ル１、ｋがｔ１とｔ２の間にある場合（ｔ１≧ｋ≧ｔ
２）はレベル２、ｋがｔ２未満の場合（ｔ２＞ｋ）はレ
ベル３となる。

【００４６】図７、図８、図９は認識結果が図６に示す
各レベルになった場合のシステム／ユーザ間の対話シー
ケンスの例を示す。認識対象の質問は共通して「どの国
ですか？」であり、この質問に対するユーザの回答の認
識結果の確度が図６に示す確度レベルのいずれかに含ま
れる。

【００４７】図１０は図７、図８、図９の対話フローを
実現するプログラムの処理フローを示す。処理フローは
質問「どの国ですか？」の音声出力（ステップＳ１０−
１）と、この質問に対するユーザ回答の認識処理（ステ
ップＳ１０−２）で始まる。つぎに、（ステップＳ１０
−２）で得られた認識結果の確度ｋがどの確度レベルに
含まれるか判定を行なう。ステップＳ１０−３はｋがレ
ベル１であるかの判定、ステップＳ１０−４はステップ
Ｓ１０−３においてｋがレベル１でなかった場合に実行
され、ｋがレベル２、あるいはレベル３のどちらに含ま
れるかを判定する。ステップＳ１０−３およびステップ
Ｓ１０−４の確度レベル判定の結果、各レベルに対応し
た処理が実行される。

【００４８】レベル１では図７に示すように、認識結果
に対する確認を行なわずに次の質問「都市はどこですか
？」に移る。つまり、確度ｋがｔ１よりも高く、正解の
可能性が非常に高い場合は、このように結果を正解と断
定して次の質問へと移行するのであるが、これによって
ユーザの回答が一度で済むので対話が円滑となる。プロ
グラムの処理フローは図１０に示すように、ステップＳ
１０−３でｋ＞ｔ１と判定されて次の質問の音声出力
「どの都市ですか？」（ステップＳ１０−９）へと移
る。このように認識結果確認のための処理を挟まずに次
の質問へと移行する。

【００４９】レベル２では図８に示すように、認識結果
「アメリカ」または（「アフリカ」）を「アメリカ
（「アフリカ」）ですか？」とユーザに知らせ、「は
い」または「いいえ」で回答する形で正誤確認を行な
う。つまり、確度ｋがｔ１よりも低く正解の可能性が高
くない場合には、正解と断定するのは危険であり正誤確
認が必要となる。

【００５０】プログラムの処理フローは図１０に示すよ
うに、ステップＳ１０−３でｋ＞ｔ１でなく、ステップ
Ｓ１０−４でｔ１≧ｋ≧ｔ２であった場合に、認識結果
の正誤確認のための音声出力を行なう（ステップＳ１０
−５）。次にこの質問に対するユーザの回答（「はい」
もしくは「いいえ」）をステップＳ１０−６のはい／い
いえ認識処理によって認識する。ステップＳ１０−７に
おいて認識結果が「はい」であれば、認識結果を正解と
判断して次の質問「どの都市ですか？」の音声出力（ス
テップＳ１０−９）へと進む。ステップＳ１０−７で
「はい」でなければ、ステップＳ１０−２の認識結果を
不正解と判断して再認識処理のためステップＳ１０−８
で「もう一度、国名を言ってください」と音声出力を行
ない、国名認識処理（ステップＳ１０−２）へと移る。

【００５１】従来の方式の対話シーケンスは、認識確度
の高低に関わらずレベル２の場合（図８）と同様の結果
確認を行なっていた。従って、確度が非常に高く正解の
可能性が高い認識結果が得られたり、逆に確度が非常に
低く不正解である可能性が高い結果しか得られない場合
にも、ユーザが１つの質問に対して常に２度以上の回答
を要求されるという煩わしさがあった。

【００５２】レベル３では図９に示すように、正誤確認
を行なわずに「もう一度、国名を言ってください」と再
認識処理に移る。つまり、確度ｋがｔ２よりも低く正解
の可能性が非常に低くて逆に不正解の可能性が高い場合
には、このように結果を不正解と断定して再認識処理へ
と移行する。レベル２のシーケンス（図８）に比べ、再
認識処理に移るまでに「いいえ」と答える必要がないの
で、対話の円滑性が向上する。

【００５３】プログラムの処理フローは図１０に示すよ
うに、ステップＳ１０−３においてｋ＞ｔ１でなくステ
ップＳ１０−４においてｔ１≧ｋ≧ｔ２でなかった場
合、ステップＳ１０−２で得られた認識結果を不正解と
判断して再認識処理のための音声出力を行ない（ステッ
プＳ１０−８）、国名認識処理（ステップＳ１０−２）
へと移る。レベル２の場合に比べ、ステップＳ１０−５
〜Ｓ１０−７の確認処理を行なわないため、再認識処理
へすばやく移行される。

【００５４】実施の形態３．以下、この発明の実施の形
態３を図について説明する。図１１は特定単語により直
前の回答をキャンセルするためのシーケンスの例であ
る。この例では、特定単語として「戻る」という単語を
特定している。ユーザは質問「どの方面ですか？」で
「アメリカ方面」と答えているが、次の質問「どの国で
すか？」の際に、実はアメリカ方面ではなくヨーロッパ
方面を選択するつもりであったことに気づいた。このよ
うな場合、質問「どの国ですか？」に対して「戻る」と
答えると、一つ前の質問「どの方面ですか？」に対する
回答「アメリカ方面」はキャンセルされ、再び質問「ど
の方面ですか？」に戻る。

【００５５】図１３は話者が発声した単語に対応する質
問をキャンセルし、その質問に戻るシーケンスの例であ
る。この例では、質問「どの方面ですか？」に対して
「方面」、質問「どの国ですか？」に対して「国名」、
質問「どの都市ですか？」に対して「都市名」という単
語を特定している。ユーザは方面、国名の選択を終え、
今質問「どの都市ですか？」に対する回答をしようとし
ている。しかし、このとき方面を「アメリカ方面」では
なく「ヨーロッパ方面」に選択し直したくなった。この
ような場合に、質問「どの都市ですか？」に対して「方
面」と答えると、「方面」に対応した質問「どの方面で
すか？」に対する回答「アメリカ方面」はキャンセルさ
れ、再び質問「どの方面ですか？」に戻る。

【００５６】図１３は音声認識応答装置からの質問の選
択肢を話者が発声することにより発声した単語を以前の
回答とするときのシーケンスの例である。この例では、
選択質問「どの方面ですか？」の選択肢である「アメリ
カ方面」、「ヨーロッパ方面」、「オーストラリア方
面」を特定している。ユーザは方面、国名の選択を終
え、質問「どの都市ですか？」に対する回答をしようと
している。しかし、このとき方面を「アメリカ方面」で
はなく「ヨーロッパ方面」に選択し直したくなったとす
る。このような場合に、質問「どの都市ですか？」に対
して「ヨーロッパ方面」と答えると、方面は「アメリカ
方面」から「ヨーロッパ方面」に変更され、シーケンス
は方面選択に続く次の質問「どの国ですか？」へと移
る。

【００５７】図１４は上記３つのキャンセル方式を実現
するための辞書の構成例と使用例を示している。辞書は
認識対象となる＜方面＞、＜アメリカ方面の国名＞、＜
ヨーロッパ方面の国名＞、＜アメリカの都市名＞といっ
たカテゴリに分類して用意しておく（辞書１、辞書１
１、辞書１１１など）。また、「戻る」、「方面」、
「国名」といった特殊語を１つの辞書（辞書０）にまと
めておく。

【００５８】図１１に示すように特定単語により直前の
回答をキャンセルする場合は、国名の認識に対して辞書
０、１１を組み合わせて使用する。これによって、国名
の認識時の「戻る」という発声に対しても認識が可能と
なる。

【００５９】図１２に示すように話者が発声した単語に
対応する質問をキャンセルしその質問に戻る場合、国名
の認識に対しては辞書０、１１を、都市名の認識に対し
ては辞書０、１１１を使用する。これによって、国名も
しくは都市名の認識の際に、「方面」、「国名」といっ
たキーワードの発声に対しても認識が可能となる。

【００６０】図１３に示すように以前の質問の選択肢を
話者に発声することにより発声した単語を以前の回答と
する場合は、国名の認識に対しては辞書０、１、１１
を、都市名の認識に対しては辞書０、１、１１１を組み
合わせて使用する。これによって、国名の認識時には方
面の選択肢、都市名の認識時には方面もしくは国名の選
択肢の発声に対しても認識が可能となる。

【００６１】図１５は複数の辞書を組み合わせて使用す
るための処理フローを示している。図に示すように複数
の認識処理部を有する音声認識装置に対し、予めそれぞ
れの認識処理部に別の認識辞書を設定する。これらの認
識処理部に同一の音声を送って認識処理を行なう。こう
して得られた複数の認識結果のうち、最も認識確度が高
いものを認識結果とする。１つの認識処理部が一度に認
識できる単語数には限界があるため、以上の方式によれ
ば、複数の辞書を組み合わせた多くの単語を一度に認識
することが可能である。

【００６２】実施の形態４．以下、この発明の実施の形
態４を図について説明する。図１６は発声者が会話シー
ケンスを始める前にあらかじめ記入するフォーマット用
紙（注文書等）の例、図１７は会話シーケンスの例であ
る。このフォーマット用紙の例及び会話シーケンスの例
では会員番号は以下の（１）、電話番号は（２）、郵便
番号は（３）のように自然い区切って認識するようにし
た。（１）会員番号等８ケタ以上の数字列の認識は意味のあ
る単位（地域番号、個人番号等）に区切り、話者に、（ａ）区切った上位（地域番号）を発声させて、認識す
る。（ｂ）区切った下位（個人番号）を発声させて、認識す
る。（２）電話番号の認識は話者に、（ａ）市外番号を発声させて、認識する。（ｂ）市内番号を発声させて、認識する。（ｃ）番号を発声させて、認識する。（３）郵便番号の認識は話者に、（ａ）上位３けたを発声させて、認識する。（ｂ）下位２けたを発声させて、認識する。

【００６３】実施の形態５．位か、この発明の実施の形
態５を図について説明する。図１８はローカル・エリア
・ネットワークに複数台の音声認識装置を接続し、認識
率向上を図るための音声認識応答装置の構成図である。
図１８に基づき、スレーブ装置の認識動作について説明
する。電話１からの入力音声はマスタの電話受信部２１
で受信され、各スレーブに分配するために音声分配部２
２に送られる。また、同じ音声は同時にマスタの認識部
２８にも出力される。音声分配部２２からは各スレーブ
に送信するためにローカル・エリア・ネットワークを制
御する通信制御部２３を介して送信される。

【００６４】各々スレーブでは、ローカル・エリア・ネ
ットワークを介して送られた音声データを通信制御部３
１で受信し、認識部３６に出力される。認識部３６では
あらかじめ外部条件（Ａ／Ｄゲインの調整値、認識辞
書、話者適応化など）を設定してある入力条件設定部３
２から設定値を読みだして、指定された条件および認識
辞書３３〜３５から最も近い（距離値が小さい）認識結
果をそのスレーブの認識結果として認識結果送信部３７
に送る。認識結果送信部３７では認識結果を通信制御部
３１からマスタへ送信する。各スレーブは、すべて前述
の動作を行ない、認識結果はマスタに送信される。

【００６５】続いて、マスタにおける認識の動作につい
て説明する。マスタでは電話１からの入力音声はマスタ
の電話受信部２１で受信され、認識部２８に出力され
る。認識部２８ではあらかじめ外部条件（Ａ／Ｄゲイン
の調整値、認識辞書、話者適応化など）を設定してある
入力条件設定部２４から設定値を読みだして、指定され
た条件および認識辞書２５〜２７から距離値が小さいも
のをマスタの認識結果として得る。マスタにおいては、
認識部２８の認識結果と各スレーブの認識部３６で決定
され認識結果送信部３７から送信された認識結果を通信
制御部２３で受信し、認識結果決定部２９に集める。集
めた認識結果から認識結果判定を行ない、全体の認識結
果として出力する。この方式を概念的に示したものが図
１９である。図２０は認識結果決定部２９での認識結果
決定の処理フローを示している。

【００６６】図２０において、まず、各認識部から一つ
づつ集められた認識結果で同じ認識結果の数を集計し、
この結果を用いて多数決によって判定する（ステップＳ
２０−１）。つまり、集計した結果、最も多い認識結果
が全体の認識結果となる（ステップＳ２０−２，Ｓ２０
−３，Ｓ２０−１１）。もし、最も多い認識結果が複数
有ったり（例えば６台の認識結果が３台づつ結果が分か
れた時など）、認識結果が全て異なる場合には、この中
で最も距離値が近いものを全体の認識結果とする（ステ
ップＳ２０−４，Ｓ２０−５，Ｓ２０−７，Ｓ２０−
６，Ｓ２０−１１）。さらに、認識結果の距離値も重複
した場合には、マスタの認識結果が含まれる認識結果を
全体の認識結果とする（ステップＳ２０−４，Ｓ２０−
５，Ｓ２０−８，Ｓ２０−９，Ｓ２０−１１）。マスタ
の認識結果が最も多い認識結果に含まれていなければス
レーブに優先順番を付与しておき、その優先度の高いス
レーブからの認識結果が含まれる最も多い認識結果を全
体の認識結果とする（ステップＳ２０−８，Ｓ２０−１
０，Ｓ２０−１１）。

【００６７】実施の形態６．以下、この発明の実施の形
態６を図について説明する。図２１は実施の形態６のシ
ステム構成図であり、図２１において、４１は音声認識
応答装置３を制御するアプリケーションが動作するクラ
イアントマシンであり、４２は音声認識結果と照合する
ための単語関係データベースであり、クライアントマシ
ン４１と音声認識応答装置３はＬＡＮ接続されており、
電話１は電話回線２によって音声認識応答装置３と接続
されている。

【００６８】電話１により入力された音声は音声認識応
答装置３を介してクライアントマシン４１へ音声認識結
果を返すが、クライアントマシン４１は音声認識結果を
照合するための単語を登録してある語彙データベース４
２を持っている。

【００６９】次に以上の構成において音声認識結果の照
合方法について、図２２にて説明する。電話回線からの
音声入力により得られた認識結果を、単語１がＡＡＡ及
び単語２がＺＺＺとする。また、電話がつながった時に
相手側の情報として交換機から送られてくるトーン信号
サービス内容を数値で表現したときＱＱＱとする。数値
ＱＱＱと単語１（ＡＡＡ）と単語２（ＺＺＺ）はそれぞ
れ語彙データベース４２中で関係付けがなされており、
数値がＱＱＱであることから単語１はＡＡＡ、単語２は
ＸＸＸもしくはＹＹＹであると判断できる。ここで、音
声入力による認識結果では単語２はＺＺＺであり、語彙
データベース４２の情報と照合すると結果が合わなくな
っている。

【００７０】しかしながら、トーン信号サービスによる
認識率は１００％であり、逆に音声による認識結果のみ
では誤認識の可能性があるため、語彙データベース４２
の情報を優先することによって、複数候補の絞り込みを
おこなう。図２３に示す数値と単語の対応（包含）関係
がある場合、単語１のＡＡＡは数値ＱＱＱと対応する
が、単語２のＺＺＺは数値ＱＱＱと対応しない。

【００７１】従って、図２４の単語２の認識結果の候補
１であるＺＺＺは誤認識であり、候補２以降を繰り上げ
て認識結果に反映すると単語２はＸＸＸとなる。つま
り、音声認識のリトライを行なうことなく単語２がＺＺ
Ｚでは間違いであることが判明し、次候補以降を採用す
ることで認識率を高めることができ、その結果、最終認
識照合結果として単語１はＡＡＡ、単語２はＸＸＸとい
う値が得られる。

【００７２】実施の形態７．以下、この発明の実施の形
態７を図について説明する。図２５は利用者ＩＤを用い
ることにより話者を特定するものにおいてユーザ管理フ
ァイル（図１の１２）を用いることにより話者を識別す
る場合の処理フローを示している。話者から音声認識応
答装置３に電話をかけると、装置側よりまず話者のＩＤ
を問い合わせ（ステップＳ２５−１）、入力されたＩＤ
からユーザ管理ファイルを調査し（ステップＳ２５−
２）、話者の利用回数がある定義値を越えていれば（ス
テップＳ２５−３）、習熟度を「熟練」とし、確認方法
を「一括確認」か「都度確認」かを問い合わせ（ステッ
プＳ２５−４）、その回答によって（ステップＳ２５−
５）、都度確認（ステップＳ２５−６）か一括確認（ス
テップＳ２５−７）に処理を移す。（ステップＳ２５−
３）で利用回数がある一定値を越えていれば無条件に都
度確認（ステップＳ２５−６）に処理を移す。（ステッ
プＳ２５−３）で利用回数がある一定値を越えてなけれ
ば無条件に都度確認（ステップＳ２５−６）に処理を移
す。図２６は図２５における初心者向けの「都度確認」
の例である。図２７は熟練者向けの「一括確認」の例で
ある。

【００７３】

【発明の効果】請求項１の音声認識応答装置は、会話場
面に出てくる単語を認識辞書ファイルに登録しておくこ
とにより、認識率を向上させるとともに利用者に対する
負担を軽減することができる。

【００７４】請求項２の音声認識応答装置は、類似語を
認識辞書ファイルに登録しておくことにより、認識候補
単語の絞り込みを行なうことができ、認識率の向上を図
ることができる。

【００７５】請求項３の音声認識応答装置は、認識結果
の確度の高低によって、結果確認のシーケンスを変える
ので、認識率を低下させることなしに装置・話者間の対
応シーケンスの円滑性を向上させることができる。

【００７６】請求項４の音声認識応答装置は、任意の質
問の回答の際に以前の質問の回答をキャンセルすること
ができるので、話者の意思が変わったり間違いに気がつ
いた時に即座に対応することが可能となる。

【００７７】請求項５の音声認識応答装置は、連続して
発声することがむずかしい長い数字列を、意味のある単
位に区切って話者に発生させて認識するので、純粋な数
字列の発声の認識となり、誤認識する可能性が低くな
る。

【００７８】請求項６の音声認識応答装置は、複数の音
声認識装置上で認識をおこなうことにより多くの認識条
件、認識辞書から得られた認識結果からより近い認識結
果が得られる。また、ローカル・エリア・ネットワーク
に接続される台数を増やすことでより高い認識結果が得
られる。

【００７９】請求項７の音声認識応答装置は、電話のト
ーン信号と音声認識用の単語を語彙データベース内に登
録しておくことにより音声認識の認識率向上をはかるこ
とができる。

【００８０】請求項８の音声認識応答装置は、音声認識
応答装置を利用する利用者に対してＩＤ番号を付与する
ことにより、利用者の習熟度に応じた音声ガイダンスを
提供することができる。

【図面の簡単な説明】

【図１】本発明の実施の形態１における音声認識応答
装置の全体構成を示すブロック図である。

【図２】本発明の実施の形態１における音声認識応答
装置の業務に応じた認識候補単語を辞書登録した時の会
話シーケンスの例を示す図である。

【図３】本発明の実施の形態１における音声認識応答
装置の図２の会話シーケンスを実現する時の認識辞書内
の辞書ファイルの構成図である。

【図４】本発明の実施の形態１における音声認識応答
装置の発音の似た認識辞書を持っているときの音声認識
を行なう時の会話シーケンスの例を示す図である。

【図５】本発明の実施の形態１における音声認識応答
装置の図４の会話シーケンスを実現する時の認識辞書内
の辞書ファイルの構成図である。

【図６】本発明の実施の形態２における音声認識応答
装置の認識率の確度を決めるときの確度閾値の概念を示
す図である。

【図７】本発明の実施の形態２における音声認識応答
装置の図６におけるレベル１のときの会話シーケンスの
例を示す図である。

【図８】本発明の実施の形態２における音声認識応答
装置の図６におけるレベル２のときの会話シーケンスの
例を示す図である。

【図９】本発明の実施の形態２における音声認識応答
装置の図６におけるレベル３のときの会話シーケンスの
例を示す図である。

【図１０】本発明の実施の形態２における音声認識応
答装置の処理のフローチャート図である。

【図１１】本発明の実施の形態３における音声認識応
答装置の特定の単語を発声することにより話者が回答を
キャンセルするための例を示す図である。

【図１２】本発明の実施の形態３における音声認識応
答装置の音声認識応答装置から発声した単語を発声する
ことにより話者が回答をキャンセルする例を示す図であ
る。

【図１３】本発明の実施の形態３における音声認識応
答装置の音声認識応答装置からの発声した選択肢を発声
することにより話者が回答をキャンセルする例を示す図
である。

【図１４】本発明の実施の形態３における音声認識応
答装置のキャンセル方式を実現するための辞書の構成例
と使用例を示す図である。

【図１５】本発明の実施の形態４における音声認識応
答装置の複数の辞書を組み合わせて使用するための処理
フローを示す図である。

【図１６】本発明の実施の形態４における音声認識応
答装置の発声者が会話シーケンスを始める前にあらかじ
め記入するフォーマット用紙（注文書等）の例を示す図
である。

【図１７】本発明の実施の形態４における音声認識応
答装置の会員番号、電話番号及び郵便番号を認識する時
の会話シーケンスの例を示す図である。

【図１８】本発明の実施の形態５における音声認識応
答装置のＬＡＮに複数台の音声認識応答装置を接続した
ときの構成図である。

【図１９】本発明の実施の形態５における音声認識応
答装置の複数の音声認識応答装置から認識結果を集めて
結果判定を行なうときの概念図である。

【図２０】本発明の実施の形態５における音声認識応
答装置の複数の音声認識応答装置からの認識結果を集め
て認識結果の結果判定を行なうときの処理のフローチャ
ート図である。

【図２１】本発明の実施の形態６における音声認識応
答装置の交換機からのトーン信号と語彙データベースを
利用し、音声認識率の向上を図るときのシステム構成図
である。

【図２２】本発明の実施の形態６における音声認識応
答装置の交換機からのトーン信号と語彙データベースか
ら音声認識をおこなうときの照合方法を示す図である。

【図２３】本発明の実施の形態６における音声認識応
答装置のトーン信号の数値と認識単語の包含関係を示す
図である。

【図２４】本発明の実施の形態６における音声認識応
答装置のトーン信号の数値と認識単語から認識結果を判
定するときの例を示す図である。

【図２５】本発明の実施の形態７における音声認識応
答装置の音声認識応答システムの利用者の利用回数から
以降の会話シーケンスを決定するときの処理のフローチ
ャート図である。

【図２６】本発明の実施の形態７における音声認識応
答装置の図２５で話者が初心者と決定されたときの会話
シーケンスの例を示す図である。

【図２７】本発明の実施の形態７における音声認識応
答装置の図２５で話者が熟練者と決定されたときの会話
シーケンスの例を示す図である。

【図２８】従来の音声認識応答装置を利用した時の会
話シーケンスの例を示す図である。

【符号の説明】

１電話、２電話回線網、３音声認識応答装置、６
音声認識部、７認識応答制御部、８音声応答部、
１１認識辞書、２１電話受信部、２２音声分配
部、２３通信制御部、２４入力条件設定部、２５〜
２７認識辞書、２８認識部、２９認識結果決定
部、３１通信制御部、３２入力条件設定部、３３〜
３５認識辞書、３６認識部、３７認識結果送信
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Ｈ０４Ｍ 3/42 Ｈ０４Ｍ 3/42 ＺＰ 11/00 9465−5Ｇ 11/00 (72)発明者吉野武彦東京都千代田区丸の内二丁目２番３号三菱電機株式会社内 (72)発明者中塚哲夫東京都千代田区丸の内二丁目２番３号三菱電機株式会社内 (72)発明者早川勝利東京都千代田区丸の内二丁目２番３号三菱電機株式会社内

Claims

【特許請求の範囲】

【請求項１】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、前記話者と
前記音声認識応答装置間のＱ＆Ａ会話シーケンスにおけ
る会話場面に応じた認識候補単語を登録した認識辞書フ
ァイルを備えたことを特徴とする音声認識応答装置。
【請求項２】発音が類似した認識候補単語を登録した
認識辞書ファイルを備えたことを特徴とする請求項１記
載の音声認識応答装置。
【請求項３】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、前記音声の認識結果の確度を設定する手段と、前記確度に応じて、結果確認のためのＱ＆Ａ会話シーケ
ンスを切替え、または一部を省略する手段と、を備えた
ことを特徴とする音声認識応答装置。
【請求項４】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、前記話者と
前記音声認識応答装置間のＱ＆Ａ会話シーケンスにおけ
る特定の単語の発声により以前の回答をキャンセルする
手段を備えたことを特徴とする音声認識応答装置。
【請求項５】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、連続して発
声することがむずかしい長い数字列を、意味のある単位
に区切って前記話者に発声させて認識する手段を備えた
ことを特徴とする音声認識応答装置。
【請求項６】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、電話からの入力音声を受信する電話受信部と、前記電話
受信部が受信した前記入力音声をローカル・エリア・ネ
ットワークを制御する通信制御部を介して各スレーブに
送信する音声分配部と、前記電話受信部が受信した前記
入力音声を分析し認識する認識部と、前記認識部が認識
に用いる認識辞書部と、前記認識部の認識時の条件を与
える入力条件設定部と、前記各スレーブから送信された
認識結果を前記通信制御部で受信し、集めた前記認識結
果から認識結果判定を行ない全体の認識結果として出力
する認識結果決定部とを有するマスタと、前記ローカル・エリア・ネットワークを介して送られた
音声データを受信する通信制御部ｎ（ｎ＝１，２，３，
・・・・・・・、以下同じ）と、外部条件を設定してあ
る入力条件設定部ｎから設定値を読み出して、指定され
た条件及び認識辞書ｎから最も近い認識結果をそのスレ
ーブの認識結果として出力する認識部ｎと、前記認識部
ｎから送られた前記認識結果を前記通信制御部ｎから前
記マスタに送信する認識結果送信部ｎとを有するスレー
ブｎと、を備えたことを特徴とする音声認識応答装置。
【請求項７】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、電話のトー
ン信号と認識候補単語を登録してある語彙データベース
を音声認識応答装置内に備えたことを特徴とする音声認
識応答装置。
【請求項８】不特定話者の音声を認識し、前記話者が
電話を介して前記音声により指定した処理を識別して自
動的に応答する音声認識応答装置において、前記話者を一意に特定することができるＩＤ番号を管理
する手段と、音声認識応答装置が話者を特定できた場合、前記話者の
利用回数を前記ＩＤ番号とともに管理しておくことによ
り話者の利用回数から操作習熟度を判別する手段と、前記操作習熟度に基づき、あらかじめ用意された複数の
応答ガイダンスとシーケンスの中から適切な前記ガイダ
ンスと前記シーケンスを自動的に選択し、音声によって
入力されたデータの確認方法を自動的に変更する手段
と、を備えたことを特徴とする音声認識応答装置。