JPH11305790A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【課題】 音声認識の認識率を向上させて、ユーザーが
不快に感ずることを極力防止する。 【解決手段】 本発明の音声認識装置は、入力された音
声と認識辞書とに基づいて音声認識を実行するように構
成されたものにおいて、入力音声で表わされる語彙のカ
テゴリを指定可能に構成すると共に、認識辞書内の語彙
のうちで指定されたカテゴリに属する語彙と入力された
音声とに基づいて音声認識を行うように構成したもので
ある。この構成によれば、音声認識に用いられる認識辞
書の語彙の個数が絞られると共に、同じカテゴリの語彙
となるので、音声認識の認識率が向上する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、入力された音声と
認識辞書とに基づいて音声認識を実行するように構成さ
れた音声認識装置に関する。

【０００２】

【従来の技術】この種の音声認識装置においては、ユー
ザーが発した音声を入力し、この入力した音声と、認識
辞書に記憶されている複数の比較対象パターン候補とを
比較（照合）して、ユーザー発生音声と比較対象パター
ン候補の一致度合い、即ち、類似度を計算するように構
成されている。そして、これら計算した類似度の中で最
も高い類似度を持つ比較対象パターン候補を、認識結果
として出力するように構成されている。

【０００３】このような構成の音声認識装置をナビゲー
ションシステムに組み込むと、ナビゲーションシステム
に目的地等を入力する場合に、音声による入力が可能と
なる。これにより、ナビゲーションシステムを音声によ
って操作可能となるので、運転中のユーザーにとってか
なり利用し易い便利な装置となる。

【０００４】

【発明が解決しようとする課題】しかしながら、上記従
来構成の音声認識装置においては、発音が似ている目的
地や名称等を音声認識するような場合、認識結果が誤っ
ていることがときどきある。特に、近年、認識可能な語
彙の数が非常に増えているため、誤認識が発生したと
き、ユーザーが発した語彙のカテゴリと、誤認識された
語彙のカテゴリとが全く異なるようなケースが起こるよ
うになった。即ち、誤認識された語彙が、ユーザーの予
期や意図に大きく反してしまうことがあり、このような
場合、ユーザーは音声認識装置に対して不快感や不審感
を抱くおそれがあった。

【０００５】そこで、本発明の目的は、音声認識の認識
率を向上させることができ、ユーザーが不快に感ずるこ
とを極力防止できる音声認識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】請求項１の発明によれ
ば、入力音声のカテゴリを指定可能に構成し、そして、
認識辞書内の語彙のうちで指定されたカテゴリに属する
語彙と入力音声とに基づいて音声認識を行うように構成
した。この構成の場合、音声認識に用いられる認識辞書
の語彙の個数が絞られると共に、同じカテゴリの語彙と
なるので、音声認識の認識率が向上する。また、たとえ
誤認識が発生したとしても、誤認識された語彙が同じカ
テゴリの語彙であるから、ユーザーに不信感を与えな
い。

【０００７】請求項２の発明においては、認識辞書内の
語彙を、使用頻度によって複数の語彙グループに分ける
と共に、これら複数の語彙グループに使用頻度が高い順
に優先順位を付けるように構成し、そして、入力された
音声の認識候補として複数の語彙が出力されたときに、
優先順位が高い語彙グループに属する認識候補を認識結
果として出力するように構成した。この場合、優先順位
が高い語彙グループに属する言葉は使用頻度が高いか
ら、それだけ、音声認識の認識率が向上する。

【０００８】請求項３の発明では、入力音声で表わされ
る語彙の属性情報を入力可能に構成し、この入力された
属性情報を参照して音声認識を実行するように構成し
た。この構成によれば、語彙の属性情報を参照して音声
認識を実行するため、音声認識の認識率が向上する。

【０００９】

【発明の実施の形態】以下、本発明をカーナビゲーショ
ンシステムに適用した一実施例について図面を参照しな
がら説明する。まず、図２はカーナビゲーションシステ
ム１の全体構成を概略的に示すブロック図である。この
図２に示すように、カーナビゲーションシステム１は、
音声認識装置２とナビゲーション装置３とを備えて構成
されている。上記音声認識装置２には、マイク４とＰＴ
Ｔ（Push-To-Talk）スイッチ５とスピーカ６とが接続さ
れている。

【００１０】また、ナビゲーション装置３の具体的構成
を、図３に示す。この図３において、ナビゲーション装
置３の制御回路７は、マイクロコンピュータを含んで構
成されており、ナビゲーション装置３の運転全般を制御
する機能を有している。この制御回路７には、位置検出
器８、地図データ入力器９、操作スイッチ群１０、外部
メモリ１１、表示装置１２及びリモコンセンサ１３が接
続されている。更に、制御回路７には、上記音声入力装
置２（の制御部１４（図４参照））が接続されている。

【００１１】ここで、位置検出器８は、地磁気センサや
ジャイロスコープや距離センサやＧＰＳ受信機（いずれ
も図示しない）等を組み合わせたもの、または、その一
部で構成されている。この位置検出器８は、本実施例の
カーナビゲーションシステム１を搭載した車両の現在位
置を検出して現在位置検出信号を出力するように構成さ
れている。また、地図データ入力器９は、地図データや
マップマッチングデータ等を入力するための装置であ
る。上記地図データ等のデータは、例えばＣＤ−ＲＯＭ
などからなる記録媒体に記録されている。

【００１２】更に、表示装置１２は、例えば液晶ディス
プレイ等で構成されており、カラー表示が可能で地図等
を明確に表示できるものである。操作スイッチ群１０
は、上記表示装置１２の画面の上面に設けられたタッチ
スイッチ（タッチパネル）と、上記画面の周辺部に設け
られたメカニカルなプッシュスイッチ等から構成されて
いる。リモコンセンサ１３は、ユーザーにより操作され
るリモコン１３ａから送信された送信信号を受信する受
信機である。そして、制御回路７は、ユーザーが操作ス
イッチ群１０やリモコン１３ａを操作することにより目
的地を設定したときに、現在位置からその目的地までの
最適経路を自動的に選択設定する機能や、現在位置を地
図上に位置付けるマップマッチング処理を実行する機能
等を有している。

【００１３】また、上記目的地等を設定する場合やナビ
ゲーション装置３のコマンド等を入力する場合に、ユー
ザーは、操作スイッチ群１０やリモコン１３ａを操作す
る代わりに、音声認識装置２を用いて音声で入力するこ
とが可能に構成されている。以下、上記音声認識装置２
について、図４を参照して説明する。

【００１４】図４に示すように、音声認識装置２は、制
御部１４、音声入力部１５、音声認識部１６及び音声合
成部１７から構成されている。ここで、制御部１４は、
音声認識装置２の動作全般を制御する機能を有してい
る。上記制御部１４は、上記ナビゲーション装置３の制
御回路７に接続されており、これにより、制御回路７と
の間でデータの授受を行うように構成されている。

【００１５】また、音声入力部１５は、ユーザーが発し
た音声をマイク４を介して入力し、音声データ（例えば
デジタルデータ）を音声認識部１６へ出力するように構
成されている。この場合、音声入力部１５は、ユーザー
がＰＴＴスイッチ５を押し下げ操作している間だけ、音
声データを音声認識部１６へ出力するように構成されて
いる。即ち、ＰＴＴスイッチ８が操作されている間だ
け、ユーザーが発した音声の音声認識処理が実行される
ように構成されている。

【００１６】そして、音声認識部１６は、上記音声入力
部１５から与えられた音声データ（入力した音声）を制
御部１４からの指示に従って音声認識処理を行い、その
音声認識結果を制御部１４へ出力するように構成されて
いる。即ち、音声認識部１６が音声認識手段を構成して
いる。上記音声認識部１６は、具体的には、図５に示す
ように、照合部１８及び辞書部１９から構成されてい
る。上記辞書部１９には、認識対象語彙（認識対象の言
葉）及びこの認識対象語彙のツリー構造（周知のデータ
構造）から構成された辞書データが記憶されている。こ
の辞書データが認識辞書を構成している。

【００１７】ここで、辞書データ内に記憶されている認
識対象語彙のデータ、即ち、比較対象パターン候補のデ
ータには、都道府県名、市区町村名、位置、種別及びラ
ンクのデータ（いわゆる属性データ）が付加されてい
る。この属性データが属性情報を構成している。また、
辞書データ内に記憶されている語彙（認識対象語彙）の
個数は、１０万ないし２０万語というレベルの膨大な数
である。更に、辞書データ内の認識対象語彙は、例えば
３つのカテゴリに分類されている。この３つのカテゴリ
は、本実施例の場合、コマンド（地図拡大、地図縮小、
スクロール等のナビゲーション装置３を操作するための
操作コマンド）と、住所と、施設名とである。

【００１８】また、照合部１８は、音声入力部１５から
与えられた音声データに対して、上記辞書部１９に記憶
されている辞書データを用いて照合（認識）を行うよう
に構成されている。この場合、まず、音声データと辞書
データ内の複数の比較対象パターン候補とを比較して例
えば類似度（即ち、両者の一致度合いを計算した値）を
計算する。尚、この類似度を計算する処理は、既に知ら
れている照合処理用の制御プログラム（周知のアルゴリ
ズム）を使用して実行されるように構成されている。

【００１９】そして、照合部１８は、上記計算した類似
度が最も高い比較対象パターン候補（認識対象語彙）
を、認識結果として制御部１４へ出力するように構成さ
れている。ここで、照合部１８は、ユーザーによりこれ
から発声される語彙（言葉）のカテゴリが指定されたと
きには、辞書データ内に記憶されている認識対象語彙の
うちの上記指定されたカテゴリ内に属する語彙と入力音
声とを照合するように構成されている。即ち、ユーザー
によるカテゴリの指定により、照合に使用する認識対象
語彙を絞り込むように構成されている。

【００２０】また、ユーザーによるカテゴリの指定は、
ＰＴＴスイッチ５を設定された回数だけ押圧操作するこ
とにより行なわれるように構成されている。ＰＴＴスイ
ッチ５を例えば１回押したときにコマンドの指定にな
り、２回押したときに住所の指定になり、３回押したと
きに施設名の指定になる。この場合、ＰＴＴスイッチ５
がカテゴリ指定手段を構成している。尚、上記ＰＴＴス
イッチ５に代えて、カテゴリ指定キー（例えばコマンド
キー、住所キー、施設キー）を操作スイッチ群１０の中
に設け、各指定キーを操作することによりカテゴリの指
定を実行するように構成しても良い。

【００２１】尚、制御部１４内には、記憶部２０が設け
られており、この記憶部２０にはユーザーの嗜好を反映
した認識ルールや、語彙の認識のし易さ及び語彙の認識
のし難さ等を表わす認識データ等を記憶させることが可
能になっている。そして、照合部１８は、記憶部２０内
の認識ルールや認識データ等を参照しながら、上記した
照合処理を実行するようにも構成されている。

【００２２】一方、音声合成部１７は、発声させたい音
声を表わすデータ（例えば仮名文字等から構成されたテ
キストデータ）を制御部１４から受けると、この音声デ
ータから音声を合成するように構成されている。そし
て、音声合成部１７は、上記合成した音声をスピーカ６
から出力して発声させるように構成されている。

【００２３】次に、上記構成の作用、具体的には、目的
地の設定をユーザーが音声で行う場合の動作について、
図１も参照して説明する。図１のフローチャートは、音
声認識装置２を動作させる制御プログラムのうちの音声
認識処理を実行する制御部分の内容を示している。

【００２４】まず、図１のステップＳ１０では、ユーザ
ーによって、これから発声する語彙（言葉）のカテゴリ
が指定（通知）される。この場合、ＰＴＴスイッチ５が
１度操作されるとカテゴリとしてコマンドが指定され、
２度操作されると住所が指定され、３度操作されると施
設が指定される。続いて、ステップＳ２０へ進み、認識
辞書（辞書データ）内の語彙の中の上記指定されたカテ
ゴリに属する語彙に基づいて照合（音声認識）を行うよ
うに設定する。即ち、認識辞書を絞り込むように構成さ
れている。

【００２５】そして、ユーザーが発声する音声を入力し
た後（ステップＳ３０）、この入力した音声と上記絞り
込んだ認識辞書（辞書データの語彙の中の上記指定され
たカテゴリに属する語彙）とに基づいて音声認識を行う
（ステップＳ４０）。この場合、指定されたカテゴリに
よって、音声認識の対象となる辞書データが絞り込まれ
るから、換言すると、音声認識の対象となる辞書データ
の語彙数が少なくなるから、認識率が向上するようにな
る。続いて、音声認識結果を出力する処理、例えば音声
認識した語彙を表示装置１２に表示したり、音声認識し
た語彙の音声を合成してスピーカから発声したりした後
（ステップＳ５０）、認識結果が正しいか否かをユーザ
ーに問う（ステップＳ６０）。

【００２６】ここで、認識結果が正しいという応答がユ
ーザーからあった場合には、ステップＳ６０にてＹＥＳ
へ進み、音声認識処理を終了する。これに対し、認識結
果が正しくないという応答がユーザーからあった場合に
は、ステップＳ６０にてＮＯへ進み、音声認識を再び実
行する。尚、ステップＳ６０におけるユーザーの応答
は、「はい」、「いいえ」という音声で応答しても良い
し、操作スイッチ群１０に設けられた「ＹＥＳ」キー、
「ＮＯ」キーを操作して応答しても良い。

【００２７】さて、音声認識を再び実行する場合には、
音声認識を最初からやり直すか否かを問う（ステップＳ
７０）。ここで、音声認識を最初からやり直すという応
答がユーザーからあった場合には、ステップＳ７０にて
ＹＥＳへ進み、ステップＳ１０へ戻る。尚、ステップＳ
７０におけるユーザーの応答は、「はい」、「いいえ」
という音声で応答しても良いし、操作スイッチ群１０に
設けられた「ＹＥＳ」キー、「ＮＯ」キーを操作して応
答しても良い。

【００２８】一方、音声認識を最初からやり直さないと
いう応答がユーザーからあった場合には、ステップＳ７
０にてＮＯへ進む。そしてこの場合には、ユーザーは、
発声する語彙（言葉）の属性情報（属性データ）を指定
する。まず、ステップＳ８０へ移行し、属性情報の種別
を指定（通知）する。ここでは、ユーザーは、操作スイ
ッチ群１０に設けられた属性情報を指定するキー（例え
ば住所キー、種別キー、ランクキーなど）を操作して指
定するように構成されている。尚、属性情報の種別の指
定を、音声で入力するように構成しても良い。この場
合、例えば「スイッチ住所」、「スイッチ種別」、「ス
イッチランク」等の語彙を音声で入力できるように構成
することが好ましい。

【００２９】続いて、ステップＳ９０へ進み、属性情報
のデータを音声で入力する。この場合、属性情報の種別
が住所であれば、「愛知県」とか、「岐阜県」とか、
「名古屋市」というような語彙（データ）を音声認識に
より入力する。そして、ステップＳ１００へ進み、上記
指定された属性情報を参照して、音声認識を再び行う。
この場合、ステップＳ４０の音声認識処理で、数個の認
識対象候補があったとすれば、その中から認識結果を１
つ選ぶ際に、上記指定された属性情報を参照しながら選
ぶように構成されている。即ち、指定された属性情報に
よって、音声認識処理を補完するように構成されてお
り、これにより、認識率が向上するようになっている。
そして、ステップＳ５０へ進み、音声認識した結果を出
力するように構成されている。

【００３０】このような構成の本実施例においては、入
力音声のカテゴリを指定可能に構成すると共に、認識辞
書内の語彙のうちの指定されたカテゴリに属する語彙と
入力された音声とに基づいて音声認識を行うように構成
した。このため、音声認識に用いられる認識辞書の語彙
の個数が絞られると共に、同じカテゴリの語彙となるの
で、音声認識の認識率が向上する。特に、誤認識が起こ
った場合でも、ユーザーが発した語彙のカテゴリと、誤
認識された語彙のカテゴリとが同じであるから、誤認識
された語彙が、ユーザーの予期や意図に大きく反してし
まうことがなくなる。従って、音声認識装置に対してユ
ーザーが不快感や不審感をあまり持たなくなる。

【００３１】また、上記実施例では、誤認識が発生した
後、音声認識を再び行う場合に、入力される音声の語彙
の属性情報（都道府県名、市区町村名、位置、種別及び
ランクのデータ）を入力可能に構成すると共に、この入
力された属性情報に基づいて音声認識を実行するように
構成した。この構成によれば、語彙の属性情報に基づい
て音声認識を実行するため、音声認識の認識率がより一
層向上する。

【００３２】具体的には、ユーザーが「名古屋球場」を
意図して発生した場合に、１回目の音声認識の照合によ
り、３個の認識対象候補が求められ、更に、これらの類
似度の点数が次の通り計算されたとする。３個の認識対
象候補は、「沖縄県、名護野球場、野球場、９０点」、
「愛知県、名古屋球場、野球場、８９点」、「愛知県、
名古屋城、城、８８点」であったとする。この場合、名
護野球場が認識結果として出力される。このとき、ユー
ザーは、認識が誤っていることを応答し、再度音声認識
を実行するために、属性情報を入力する。この場合、例
えば住所キーを操作して、属性情報の種別として住所を
指定した後、属性情報のデータとして「愛知県」を音声
で入力したとする。すると、この後の音声認識処理によ
り、名古屋球場が認識結果として出力されるようにな
る。

【００３３】尚、上記実施例では、ＰＴＴスイッチ５を
操作する回数によりカテゴリを指定する構成としたが、
これに限られるものではなく、カテゴリを指定する操作
スイッチを設け、この操作スイッチを操作することによ
りカテゴリを指定する構成としても良い。また、上記実
施例では、入力音声で表わされる語彙のカテゴリを指定
する処理と、入力音声で表わされる語彙の属性情報を指
定する処理を併せて実行するように構成したが、これに
代えて、いずれか一方の処理だけを実行するように構成
することも好ましい。そして、いずれか一方の処理だけ
を実行する構成であっても、いずれの処理も実行しない
構成に比べれば、認識率が向上する。

【００３４】また、上記実施例では、図１のステップＳ
７０において、音声認識を再び実行する場合に、音声認
識を最初からやり直すか否かを問い、これに対して、
「はい」、「いいえ」という音声で応答したり、「ＹＥ
Ｓ」キー、「ＮＯ」キーを操作して応答したりしたが、
これに代えて、次の通り応答しても良い。即ち、ステッ
プＳ７０において、ユーザーにより、発声する語彙（言
葉）の属性情報（属性データ）を指定する操作があった
ときには、音声認識を最初からやり直さないという応答
があったとして、ステップＳ７０にてＮＯへ進ませるよ
うにしても良い。換言すると、ステップＳ７０におい
て、ユーザーにより音声を入力する操作が行われたとき
には、音声認識を最初からやり直すという応答があった
として、ステップＳ７０にてＹＥＳへ進ませるようにし
ても良い。

【００３５】一方、認識辞書の構成を変更することによ
り、音声認識の認識率を向上させるように構成しても良
い。具体的には、認識辞書内の語彙を、使用頻度によっ
て複数の語彙グループ（例えば高頻度認識辞書と低頻度
認識辞書の２つのグループ）に分けると共に、これら複
数の語彙グループに使用頻度が高い順に優先順位を付け
るように構成し、そして、入力音声の認識候補として複
数の語彙が出力されたときに、優先順位が高い語彙グル
ープに属する認識候補を認識結果として出力するように
構成した。この構成によれば、優先順位が高い語彙グル
ープに属する言葉は使用頻度が高いから、それだけ、音
声認識の認識率が向上する。尚、認識辞書内の語彙を、
使用頻度によって３つ以上の語彙グループに分けても良
いことは勿論である。

【００３６】また、認識辞書を上記したような使用頻度
に対応した語彙グループに分けて音声認識を実行する構
成を、前述した実施例に組み込むように構成しても良
い。具体的には、前述した実施例で使用する認識辞書と
して、使用頻度に対応した語彙グループに分けた構成の
認識辞書を用いれば良い。このように構成すれば、音声
認識の認識率がより一層向上する。

【００３７】尚、上記実施例では、本発明の音声認識装
置２をカーナビゲーションシステム１に適用したが、こ
れに限られるものではなく、例えば車載用空調装置（い
わゆるカーエアコン）、カーオーディオ機器、屋内用空
調装置、携帯型ナビゲーション装置等に適用しても良
い。また、パワーウインドウの開閉操作の指令や、ミラ
ーの反射角度の設定操作の指令等を音声で行うように構
成する場合が考えられ、このような構成に本発明の音声
認識装置を適用しても良い。

【図面の簡単な説明】

【図１】本発明の一実施例を示すフローチャート

【図２】カーナビゲーションシステムのブロック図

【図３】ナビゲーション装置のブロック図

【図４】音声認識装置のブロック図

【図５】音声認識部のブロック図

【符号の説明】

１はカーナビゲーションシステム、２は音声認識装置、
３はナビゲーション装置、４はマイク、５はＰＴＴスイ
ッチ（カテゴリ指定手段）、７は制御回路、１０は操作
スイッチ群、１４は制御部、１５は音声入力部、１６は
音声認識部（音声認識手段）、１７は音声合成部、１８
は照合部、１９は辞書部を示す。

Claims (3)

【特許請求の範囲】
1. 【請求項１】 入力された音声と認識辞書とに基づいて
   音声認識を実行するように構成された音声認識装置にお
   いて、 入力音声で表わされる語彙のカテゴリを指定するカテゴ
   リ指定手段と、 前記認識辞書内の語彙のうちで前記指定されたカテゴリ
   に属する語彙と入力音声とに基づいて音声認識を行う音
   声認識手段とを備えたことを特徴とする音声認識装置。
2. 【請求項２】 入力された音声と認識辞書とに基づいて
   音声認識を実行するように構成された音声認識装置にお
   いて、 前記認識辞書内の語彙を、使用頻度によって複数の語彙
   グループに分けると共に、これら複数の語彙グループに
   使用頻度が高い順に優先順位を付けるように構成し、そ
   して、 入力された音声の認識候補として複数の語彙が出力され
   たときに、前記優先順位が高い語彙グループに属する認
   識候補を認識結果として出力する音声認識手段を備えた
   ことを特徴とする音声認識装置。
3. 【請求項３】 入力された音声と認識辞書とに基づいて
   音声認識を実行するように構成された音声認識装置にお
   いて、 入力音声で表わされる語彙の属性情報を入力する入力手
   段と、 前記入力された属性情報を参照して音声認識を実行する
   音声認識手段とを備えたことを特徴とする音声認識装
   置。