JPWO2007066433A1 - 音声認識装置 - Google Patents

Abstract

音声認識装置１０は、音声認識辞書を参照して入力音声を音声認識して音声認識結果を出力しており、外部接続機器２０−１〜２０−Ｎが接続され外部接続機器からその種別を取得するとともに外部接続機器に登録されたデータを取得する外部情報取得手段１４と、データから語彙を抽出語彙として抽出し抽出語彙を解析して当該抽出語彙にヨミを付与して解析データとする語彙抽出解析手段１５及び１６と、種別に対応する音声認識辞書に解析データを格納する辞書生成手段１７とを有し、外部接続機器の種別毎に音声認識辞書１３−１〜１３−Ｎを備える。

Description

この発明は、複数の音声認識辞書を備えて、音声認識を行う音声認識装置に関し、特に、携帯電話機等の外部接続機器に対応した音声認識辞書を備える音声認識装置に関するものである。

一般に、音声認識装置においては、音声認識辞書に登録された単語（語彙）を参照して音声認識を行っており、音声認識率を向上させるためには音声認識辞書に多数の単語を登録する必要がある。このため、音声認識装置には、既存の音声認識辞書にユーザが単語を追加登録して音声認識辞書を更新する機能及び／又はユーザ個人用の音声認識辞書を作成する機能を有するものがある。

例えば、音声認識装置において、音声入力による電子メールの作成において使用される音声認識辞書の作成の際、メール作成処理が開始されたことを検出すると、アプリケーションにおいて取得された文書データを読み込んで文書データを解析し、既存の音声認識辞書に存在しない未知語を抽出して、抽出した未知語を含む音声認識辞書を作成するようにしたものがある（例えば、特許文献１参照）。

さらに、音声認識辞書を作成・更新する際、第１の解析辞書記憶部に日常使用される語彙の表記及び読み等が登録された第１の解析辞書を記憶し、第２の解析辞書記憶部に特殊な語彙の表記及び読み等が登録された第２の解析辞書を記憶して、テキスト解析部で両解析辞書を用いて形態素解析を行う一方、読み付与部２で入力形態素に読みを付与する際に、第２の解析辞書の登録語彙に関して第２の解析辞書の語彙／読みの対と他の候補／読み候補の対とを対応テーブルに記録して、音声認識辞書作成部によって対応テーブルの内容に基づいて音声認識辞書を作成して、音声認識辞書を、認識語彙と第２の解析辞書の音素表記及び他の音素表記候補との対応付けに基づいて作成するようにしたものがある（例えば、特許文献２参照）。

特開２００４−２３３５７７公報（第３頁〜第９頁、第１図〜第９図） 特開２００３−２７１１８３公報（第６頁〜第１２頁、第１図〜第７図）

従来の音声認識装置は以上のように構成されているので、音声認識辞書を作成・更新する際の対象が文書データの送受信が可能なアプリケーションに限られており、音声認識装置に接続される外部接続機器によって認識の際の単語の使用頻度が大きく異なることがあり、さらには、外部接続機器によって認識に使用する単語・語彙が異なることもあることを考慮すると、単一のアプリケーション（つまり、単一の外部接続機器）のための音声認識辞書を作成・更新するようにしたのでは、外部接続機器が異なると効率的に音声認識を行うことができないという課題があった。

また、従来の音声認識装置では、単一の音声認識辞書に解析した単語を登録しているので、登録単語数が増加すると、音声認識辞書の検索に時間が掛かり、効率的に音声認識を行えないばかりか、類似語が多くなって認識率が低下することがある。

この発明は上記のような課題を解決するためになされたもので、外部接続機器に応じて効率的に音声認識を行うことのできる音声認識装置を得ることを目的とする。

この発明に係る音声応答装置は、音声認識辞書を参照して入力音声を音声認識して音声認識結果を出力しており、外部接続機器が接続され外部接続機器からその種別を取得するとともに外部接続機器に登録されたデータを取得する外部情報取得手段と、データから語彙を抽出語彙として抽出し抽出語彙を解析して当該抽出語彙にヨミを付与して解析データとする語彙抽出解析手段と、種別に対応する音声認識辞書に解析データを格納する辞書生成手段とを有し、外部接続機器の種別毎に音声認識辞書を備えることを特徴とするものである。

以上のように、この発明によれば、音声認識結果について誤認識であるか否かを判定して、誤認識であると判定すると、音声認識辞書を切り替えて音声認識処理を継続するように構成したので、ユーザが特別の操作を行うことなく、音声認識辞書を切り替えて音声認識を行うことができ、その結果、音声認識処理時間を短縮して認識率を向上させることができるという効果がある。

この発明の実施の形態１による音声認識装置の一例を外部接続機器とともに示すブロック図である。 図１に示す音声認識装置において音声認識辞書への語彙登録を説明するためのフローチャートである。 図１に示す音声認識装置において音声認識辞書の更新及び新規作成を説明するためのフローチャートである。 この発明の実施の形態２による音声認識装置の一例を外部接続機器とともに示すブロック図である。 図４に示す音声認識装置において音声認識辞書をアクティブとする動作を説明するためのフローチャートである。 この発明の実施の形態３による音声認識装置の一例を外部接続機器とともに示すブロック図である。 図６に示す音声認識装置において外部情報語彙解析手段の動作を説明するためのフローチャートである。 図６に示す音声認識装置において語彙候補提示手段の動作を説明するための図であり、（ａ）及び（ｂ）はそれぞれ語彙候補提示手段によって提示される語彙候補の例を示す図である。

以下、この発明をより詳細に説明するために、この発明を実施するための最良の形態について、添付の図面に従って説明する。
実施の形態１．
図１はこの発明の実施の形態１による音声認識装置の一例を示すブロック図であり、図示の音声認識装置１０は、例えば、カーナビゲーション装置で用いられる。音声認識装置１０はマイク等の音声入力手段１１、音声認識手段１２、及び複数の音声認識辞書（以下単に辞書と呼ぶ）１３−１乃至１３−Ｎ（Ｎは２以上の整数）を備えるとともに、外部情報取得手段１４、外部情報語彙抽出手段１５、外部情報語彙解析手段１６、外部情報辞書生成手段（辞書生成手段）１７、語彙解析用辞書１８、及びＣＤＤＢ（コンパクトディスクデータベース：音楽ＣＤに収録された楽曲に関する情報をユーザのＣＤ再生ソフト又は周辺機器に提供するためのデータベース）１９を備えている。そして、外部情報取得手段１４には複数の外部接続機器２０−１乃至２０−Ｎが接続される。

なお、外部情報語彙抽出手段１５、外部情報語彙解析手段１６、語彙解析用辞書１８、及びＣＤＤＢ１９によって語彙抽出解析手段が構成され、語彙解析用辞書１８及びＣＤＤＢ１９によって解析辞書が構成される。

外部接続機器２０−１乃至２０−Ｎは、例えば、携帯電話機、小型ミュージックプレーヤ（例えば、ｉＰｏｄ（商品名））、キーボード、又はＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）であり、互いに異なる装置であり、辞書１３−１乃至１３−Ｎはそれぞれ外部接続機器２０−１乃至２０−Ｎに対応している。

音声認識を行う際には、音声入力手段１１から入力された音声が音声認識手段１２に与えられ、音声認識手段１２は、後述するようにして生成された辞書１３−１乃至１３−Ｎのいずれか１つを参照して入力音声を認識して、音声認識結果を出力する。つまり、外部接続機器２０−ｎ（ｎは１からＮまでのいずれかの数）に関して音声認識を行う際には、辞書１３−ｎを用いて音声認識が行われる。

なお、上述の音声認識結果に応じて、例えば、カーナビゲーション装置では、画面遷移又は外部接続機器２０−ｎの操作を行い、遷移後の画面又は外部接続機器の操作結果がモニター等に表示される。

次に動作について説明する。
図１及び図２を参照して、辞書１３−１乃至１３−Ｎの生成について説明すると、いま、外部接続機器２０−ｎが外部情報取得手段１４に接続されると、外部接続機器２０−ｎから機器を特定するためのＩＤ信号が外部情報取得手段１４に与えられる。これによって、外部情報取得手段１４は外部接続機器２０−ｎの種類を判別する。

続いて、外部情報取得手段１４は外部接続機器２０−ｎ内に記憶されたデータ（例えば、携帯電話機であれば受信メール、ｉＰｏｄであれば曲名、アーティスト名、アルバム名等）を取得した（ステップＳＴ１）後、外部情報辞書生成手段１７に外部接続機器２０−ｎの種別（種類）を通知する（ステップＳＴ２）。なお、外部情報取得手段１４に接続される外部接続機器２０−ｎが変更されると、同様にして、ステップＳＴ１及びＳＴ２が実行される。

外部情報取得手段１４で取得されたデータは、外部情報語彙抽出手段１５に渡されて、ここで解析対象となる部分（例えば、受信メールの本文、曲名、アーティスト名、又はアルバム名等）を抽出して抽出データとして外部情報語彙解析手段１６に渡す（ステップＳＴ３）。

外部情報語彙解析手段１６では、抽出されたデータがメール文章のような文章である際には、形態素解析を行い、語彙解析用辞書１８を参照して、文章を単語に切り分け、解析の際に得られるヨミを各単語に付与して解析データを得る（ステップＳＴ４）。一方、抽出されたデータが曲名又はアーティスト名等の単語である場合には、外部情報語彙解析手段１６はその表記をキーとしてＣＤＤＢ１９を検索して、ヨミを取得し当該語彙に付与して解析データとする。

これら解析データは外部情報語彙解析手段１６から外部情報辞書生成手段１７に渡されて、外部情報辞書生成手段１７は、外部情報取得手段１４から送られた外部接続機器種別に基づいて、外部接続機器２０−ｎに対応する辞書１３−ｎに解析データを格納する（ステップＳＴ５）。このようにして、外部接続機器２０−１乃至２０−Ｎに対応して辞書１３−１乃至１３−Ｎを生成することになる。

ところで、前述の辞書１３−１乃至１３−Ｎは、メモリ中の辞書保存領域に保存され、所定のユーザ以外によって削除されることはない。そして、音声認識装置１０を起動する都度、又は外部接続機器２０−ｎを切り替える際に外部接続機器２０−ｎに対応する辞書１３−ｎが用いられる。

続いて、図３を参照して、前述のステップＳＴ５について詳しく説明すると、外部情報辞書生成手段１７では解析データを辞書１３−ｎに格納する際、まず、外部接続機器２０−ｎの種別に基づいて該当する辞書１３−ｎが存在するか否かを判定し（種別判定手段：ステップＳＴ６）、該当する辞書１３−ｎが存在しないと、辞書保存領域中に新たに辞書１３−ｎを作成して（辞書作成手段：ステップＳＴ７）、この新規辞書１３−ｎに解析データを格納する。

一方、ステップＳＴ６において、外部接続機器２０−ｎに対応する辞書１３−ｎが存在すると判定した場合には、外部情報辞書生成手段１７は、辞書１３−ｎ中の語彙を調べて、解析データに一致する語彙があるか否かを調べる。つまり、解析データから辞書１３−ｎに存在しないデータを抽出して（ステップＳＴ８）、辞書１３−ｎに存在しない解析データのみを辞書１３−ｎに格納して、辞書１３−ｎを更新する（辞書更新手段：ステップＳＴ９）。そして、外部情報辞書生成手段１７は、辞書１３−ｎに既に存在する解析データを破棄する。

なお、辞書更新の際、辞書に存在する語彙のうち解析データに含まれていない語彙を削除するようにしてもよい。このようにすれば、辞書に格納されるデータ量の増加を防止でき、その結果効率的に音声認識を行うことができる。

以上のように、この実施の形態１によれば、外部接続機器の種別に応じて辞書を生成するように構成したので、外部接続機器毎の辞書を用いて音声認識を行うようにすれば、認識効率が向上するばかりでなく、認識率が向上し、外部接続機器を容易に音声入力によって操作することができるという効果がある。

この実施の形態１によれば、外部接続機器を外部情報取得手段に接続すると、自動的に対応する辞書が更新される結果、ユーザが意識することなく辞書の更新が行えるという効果がある。

実施の形態２．
図４はこの発明の実施の形態２による音声認識装置の一例を示すブロック図であり、図示の音声認識装置３０において、図１に示す音声認識装置１０と同一の構成要素については同一の参照番号を付す。音声認識装置３０はさらに音声認識辞書制御手段３１を有しており、外部情報取得手段１４は外部接続機器２０−ｎの種別を音声認識辞書制御手段３１にも通知する。

図５も参照して、いま、外部接続機器２０−ｎが変更されると、前述したように、外部情報取得手段１４は外部接続機器２０−ｎからデータを取得した（ステップＳＴ１０）後、外部情報辞書取得手段１７に外部情報機器２０−ｎの種別を通知するとともに、音声認識辞書制御手段３１に外部情報機器２０−ｎの種別を通知する（ステップＳＴ１１）。

図１で関連して説明したように、外部情報取得手段１４で取得されたデータから、外部情報語彙抽出手段１５によって解析対象となる部分が抽出されて抽出データとして外部情報語彙解析手段１６に渡される（ステップＳＴ１２）。そして、外部情報語彙解析手段１６では、語彙解析用辞書１８又はＣＤＤＢ１９を参照して、解析データ（ヨミを付与した語彙）を得る（ステップＳＴ１３）。外部情報辞書生成手段１７は、外部情報取得手段１４から送られた外部接続機器種別に基づいて、外部接続機器２０−ｎに対応する辞書１３−ｎに解析データを格納する（ステップＳＴ１４）。

一方、音声認識辞書制御手段３１は、外部接続機器種別に応じてこの外部接続機器２０−ｎに対応する辞書１３−ｎをアクティブにする（ステップＳＴ１５）。なお、複数の外部接続機器が外部情報取得手段１４に接続されている際には、これら複数の外部接続機器に各々に対応する辞書がアクティブとされる。

以上のように、この実施の形態２によれば、外部接続機器の種別に応じて対応する辞書をアクティブとするように構成したので、音声認識を行う際、外部情報取得手段に外部接続機器を接続すれば、辞書が切り替えられることになって、ユーザは辞書の切り替えを意識することなく、音声入力を行うことができるという効果がある。

この実施の形態２によれば、外部情報取得手段に接続された外部接続機器に対応する辞書のみがアクティブとなる結果、音声認識の際に参照すべき辞書を削減することができ、音声認識を効率的に行うことができるばかりでなく、認識率を向上させることができるという効果がある。

実施の形態３．
図６はこの発明の実施の形態３による音声認識装置の一例を示すブロック図であり、図示の音声認識装置４０において、図１に示す音声認識装置１０と同一の構成要素については同一の参照番号を付す。音声認識装置４０はさらに語彙候補選択手段４１及び語彙候補提示手段４２を有しており、後述するように、外部情報語彙抽出手段１５で抽出された抽出データ（語彙）を外部情報語彙解析手段１６で解析した結果得られた解析データ（ヨミが付与された語彙）にゆらぎが存在する場合（例えば、複数の語彙候補が存在する場合）、外部情報語彙解析手段１６はその旨語彙候補提示手段４２に連絡する。

語彙候補提示手段４２では複数の語彙候補を、例えば、モニター（図示せず）に表示して、ユーザに選択を促す。ユーザが語彙候補選択手段４１によって複数の語彙候補から１つの語彙候補を選択語彙として選択すると、この選択語彙が外部情報語彙解析手段１６に与えられ、外部情報語彙解析手段１６は選択語彙を解析データとして外部情報辞書生成手段１７に渡す。そして、外部情報辞書生成手段１７は、外部情報取得手段１４から送られた外部接続機器種別に基づいて、外部接続機器２０−ｎに対応する辞書１３−ｎに解析データを格納する。

図７及び図８も参照して、いま、ｉＰｏｄのような音楽データ再生機器が外部接続機器２０−ｎとして外部情報取得手段１４に接続されているとすると、前述したように、外部情報取得手段１４は外部接続機器２０−ｎの種別を外部情報辞書生成手段１７に渡すとともに、外部接続機器２０−ｎからデータを取得して（ステップＳＴ１６）、このデータを外部情報語彙抽出手段１５に送る。

外部情報語彙抽出手段１５は、外部情報取得手段１４で取得されたデータから解析対象となる部分を抽出して（ここでは、例えば、曲名、アーティスト名、及びアルバム名等のデータが抽出される：ステップＳＴ１７）、抽出データとして外部情報語彙解析手段１６に送る。外部情報語彙解析手段１６では、まず、抽出データがメール文章のような文章であるか否かを判定して（ステップＳＴ１８）、抽出データが文章であると、外部情報語彙解析手段１６は形態素解析を行い、語彙解析用辞書１８を参照して、文章を単語（語彙）に切り分け、解析の際に得られるヨミを各単語に付与して解析データを得る（ステップＳＴ１９）。

この解析データは外部情報語彙解析手段１６から外部情報辞書生成手段１７に送られ、外部情報辞書生成手段１７は、外部情報取得手段１４から送られた外部接続機器２０−ｎの種別に対応する辞書２０−ｎに解析データを格納する（ステップＳＴ２０）。

一方、ステップＳＴ１８において、抽出データが文章でないと判定されると、外部情報語彙解析手段１６ではその表記をキーとしてＣＤＤＢ１９を検索して（ステップＳＴ２１）、検索結果である語彙が存在するか否かを判定する（つまり、一致する語彙があるかを判断する：ステップＳＴ２２）。一致する語彙があると、外部情報語彙解析手段１６は当該語彙にヨミを付与して解析データとする（ステップＳＴ２３）。その後、外部情報辞書生成手段１７によってステップＳＴ２０が行われる。

ところで、曲名、アーティスト名、又はアルバム名にゆらぎがあると、抽出データと一致する語彙がＣＤＤＢ１９に存在せず、ステップＳＴ２２において、外部情報語彙解析手段１６は検索結果が存在しないと判断する。例えば、図８（ａ）に示すように、外部接続機器２０−ｎに登録されているデータの表記が「○○○×□」であり、ＣＤＤＢ１９に登録されている語彙の表記が「○○○△×」及び「○○○×△」等であると、抽出データと一致する登録語彙がＣＤＤＢ１９に存在しない。この場合、外部情報語彙解析手段１６では、抽出データに類似する語彙を語彙候補として選択して（ステップＳＴ２４）、語彙候補提示手段４２によってモニター（提示部）４３に語彙候補を提示する。

図８（ａ）に示す例では、提示部４３に語彙候補として、「○○○△×」及び「○○○×」が提示され、ユーザが語彙候補選択手段４１によって語彙候補から１つの語彙候補を選択語彙として選択すると、ステップＳＴ２３において外部情報語彙解析手段１６は選択語彙にヨミを付与して解析データとする。その後、外部情報辞書生成手段１７によってステップＳＴ２０が行われる。

外部情報語彙解析手段１６において抽出データと登録語彙との類似度を判定する際には、抽出データの表記と登録語彙の表記の文字列長又は文字の一致数、かなに変換した際の文字列長又は文字の一致数等を用いて類似度（字数に対する誤字数の比率）が求められる。例えば、類似度は０（まったく一致していない）〜１００（完全に一致している）までの度合いを有し、類似度が予め規定された閾値（例えば、８０）以上であると、外部情報語彙解析手段１６はその語彙を語彙候補として語彙候補提示手段４２によって提示部４３に提示する。図示の例では、ステップＳＴ２２及びＳＴ２４が類似語彙判定手段に相当する。

図８（ｂ）に示す例では、外部接続機器２０−ｎに登録されているデータの表記が「ウィッシュカムズトゥルー」であり、ＣＤＤＢ１９に登録されている語彙の表記が「ウィッシュカムトゥルー」等であると、抽出データと一致する登録語彙がＣＤＤＢ１９に存在しないものの、類似判定によって、外部情報語彙解析手段１６は、語彙候補提示手段４２によって提示部４３に語彙候補として「ウィッシュカムトゥルー」を提示する。

以上のように、この実施の形態３によれば、外部接続機器に登録されているデータの表記に一致する語彙が存在しない場合においても、類似する語彙候補を提示してユーザが語彙候補から１つの語彙候補を選択すると、選択語彙として辞書に登録するように構成したので、辞書の語彙を精度よくすることができ、誤認識率を低減することができるという効果がある。

以上のように、この発明に係る音声認識装置は、外部接続機器に応じて効率的に音声認識を行うことのできるので、例えば携帯電話機等で用いられる音声認識装置に用いるのに適している。

Claims (5)

1. 音声認識辞書を参照して入力音声を音声認識して音声認識結果を出力する音声認識装置において、
   外部接続機器が接続され該外部接続機器からその種別を取得するとともに前記外部接続機器に登録されたデータを取得する外部情報取得手段と、
   前記データから語彙を抽出語彙として抽出し該抽出語彙を解析して当該抽出語彙にヨミを付与して解析データとする語彙抽出解析手段と、
   前記種別に対応する前記音声認識辞書に前記解析データを格納する辞書生成手段とを有し、
   前記外部接続機器の種別毎に前記音声認識辞書を備えることを特徴とする音声認識装置。
2. 辞書生成手段は解析データを受けた際外部接続機器の種別に対応する音声認識辞書が存在するか否かを判定する種別判定手段と、
   前記外部接続機器の種別に対応する音声認識辞書が存在しないと当該種別に対応する音声認識辞書を新規に作成する辞書作成手段と、
   前記外部接続機器の種別に対応する音声認識辞書が存在すると当該種別に対応する音声認識辞書を更新する辞書更新手段とを有することを特徴とする請求項１記載の音声認識装置。
3. 外部情報取得手段に接続された外部接続機器の種別を受け、該種別に対応する音声認識辞書のみをアクティブとする音声認識辞書制御手段を有することを特徴とする請求項１記載の音声認識装置。
4. 語彙抽出解析手段は、抽出語彙を解析する際に用いる解析辞書と、
   前記抽出語彙に一致する語彙が前記解析辞書に存在しないと当該抽出語彙に類似する語彙が前記解析辞書に存在するか否かを判定する類似語彙判定手段とを有し、
   前記抽出語彙に類似する語彙が前記解析辞書に存在すると当該類似する語彙を語彙候補として提示する語彙候補提示手段を備えることを特徴とする請求項１記載の音声認識装置。
5. 語彙候補提示手段によって提示された語彙候補から１つの語彙候補を選択語彙として選択する語彙候補選択手段を有し、
   語彙解析手段は前記選択語彙にヨミを付与して解析データとすることを特徴とする請求項４記載の音声認識装置。
   

Images