WO2011055410A1 - 音声認識装置 - Google Patents

音声認識装置 Download PDF

Info

Publication number
WO2011055410A1
WO2011055410A1 PCT/JP2009/005905 JP2009005905W WO2011055410A1 WO 2011055410 A1 WO2011055410 A1 WO 2011055410A1 JP 2009005905 W JP2009005905 W JP 2009005905W WO 2011055410 A1 WO2011055410 A1 WO 2011055410A1
Authority
WO
WIPO (PCT)
Prior art keywords
sound
unit
voice
source direction
determination
Prior art date
Application number
PCT/JP2009/005905
Other languages
English (en)
French (fr)
Inventor
大内一成
古賀敏之
山本大介
土井美和子
Original Assignee
株式会社 東芝
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社 東芝 filed Critical 株式会社 東芝
Priority to JP2011539182A priority Critical patent/JP5622744B2/ja
Priority to CN200980161199.3A priority patent/CN102483918B/zh
Priority to PCT/JP2009/005905 priority patent/WO2011055410A1/ja
Publication of WO2011055410A1 publication Critical patent/WO2011055410A1/ja
Priority to US13/430,264 priority patent/US8762145B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
    • G10L2021/02166—Microphone arrays; Beamforming
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L2025/783—Detection of presence or absence of voice signals based on threshold decision

Definitions

  • the present invention relates to a speech recognition apparatus.
  • This speech recognition apparatus estimates the sound source direction of the speech by determining whether or not the sound pressure and time of the input speech exceed a predetermined threshold, and sets the directivity direction of the microphone array. Then, the voice from the directivity direction is emphasized and voice recognition is performed.
  • the voice recognition device of Patent Document 1 may recognize sounds other than the voice emitted by the speaker (for example, noise such as a door closing sound).
  • sounds other than the voice emitted by the speaker for example, noise such as a door closing sound.
  • the directivity direction of the microphone array is set in the direction of the sound source of such sound, and voice recognition may not be performed with high accuracy.
  • the present invention has been made in view of the above problems, and an object of the present invention is to provide a speech recognition apparatus capable of performing speech recognition with high accuracy.
  • a speech recognition apparatus includes a determination unit that determines whether a sound input to a speech input unit including a plurality of microphones includes a frequency of 1000 Hz or more at a predetermined intensity or more, and the determination
  • the sound source direction estimating unit for estimating the sound source direction of the sound including a frequency of 1000 Hz or more, and the sound arriving from the estimated sound source direction matches a pre-registered speech model when the determination by the unit is true
  • a voice recognition unit for determining whether or not.
  • the block diagram of the speech recognition apparatus which concerns on the 1st Embodiment of this invention Schematic diagram showing an example of the arrangement of microphone arrays in a speech recognition device
  • the figure which shows the flowchart showing an example of the processing flow of a speech recognition apparatus Schematic diagram showing an example of the frequency distribution of the input noise, human voice, and the sound of clapping hands
  • a figure showing the time change of the sound of the palm of your hand A diagram showing an example of a database of operation instructions
  • the figure showing another example of the database of operation instructions The block diagram of the modification 1 of the speech recognition apparatus which concerns on the 1st Embodiment of this invention.
  • the figure which shows the flowchart showing an example of the processing flow of a speech recognition apparatus The figure showing an example of the time change of the sound which hits the palm twice
  • the speech recognition apparatus 10 detects a sound (hereinafter, referred to as “cue sound”) generated by a speaker's operation, thereby determining the directivity direction of the microphone array included in the speech input unit.
  • the sound source direction is set, the voice from the speaker is recognized, and an electronic device such as a television receiver is controlled.
  • the cue sound includes, for example, a sound of hitting a plurality of body parts such as a palm, a sound of playing a finger, a sound of hitting an object with a body part such as a finger or a hand.
  • a sound of striking the palm is used as a cue sound.
  • FIG. 1 is a block diagram of the speech recognition apparatus according to the first embodiment.
  • the speech recognition apparatus 10 includes a speech input unit 50, a storage unit 12, a determination unit 13, a sound source direction estimation unit 14, a directivity control unit 15, a speech recognition unit 16, and device control.
  • a unit 17 and a display unit 18 are provided.
  • the voice input unit 50 includes one or a plurality of sets of microphone arrays.
  • the voice input unit 50 includes one microphone array 11.
  • the voice input unit 50 inputs a sound outside the voice recognition device or a voice of a person and stores it in the storage unit 12 as sound data.
  • the storage unit 12 stores a speech model necessary for the speech recognition unit 16 (to be described later) to recognize speech in addition to the sound data.
  • the determination unit 13 determines whether the sound data stored in the storage unit 12 includes sound data that satisfies a predetermined condition described later.
  • the sound source direction estimator 14 estimates the sound source direction of the sound data (the direction of the cue sound) according to the determination result by the determination unit 13.
  • the directivity control unit 15 sets the directivity direction of the microphone array 11 to the sound source direction estimated by the sound source direction estimation unit 14.
  • the directivity control unit 15 outputs a recognition start command to the voice recognition unit 16 after the setting of the directivity direction of the microphone array 11 is completed.
  • the voice recognition unit 16 receives a recognition start command from the directivity control unit 15.
  • the voice recognition unit 16 recognizes a speaker's voice from sound data obtained by using the microphone array 11 in which the directivity direction is set by the directivity control unit 15 and determines an operation command to the electronic device.
  • the device control unit 17 gives a command corresponding to the voice recognized by the voice recognition unit 16 to an electronic device (not shown) to be operated.
  • the display unit 18 notifies the speaker that the voice recognition unit 16 is receiving voice.
  • the voice recognition device 10 can be incorporated in an electronic device to be operated or connected to the outside of the electronic device, for example.
  • the electronic device to be operated is the television receiver 20, but is not limited thereto.
  • the present invention can be applied to an electronic device that exhibits performance by receiving an operation from a speaker during use, such as a personal computer, a video recorder, an air conditioner, and an in-vehicle device.
  • the determination unit 13, the sound source direction estimation unit 14, the directivity control unit 15, the speech recognition unit 16, and the device control unit 17 store a program stored in a computer-readable memory with a central processing unit (CPU). Can be realized by executing.
  • CPU central processing unit
  • the storage unit 12 may be provided inside the voice recognition device 10 or may be provided outside the voice recognition device 10.
  • FIG. 2 is a schematic diagram illustrating an arrangement example of the microphone array 11 in the speech recognition apparatus 10.
  • the microphone array 11 includes the two microphones 21 and 22, but may include three or more.
  • the microphone array 11 can be provided, for example, on the upper portion of the casing 29 of the television receiver 20 in parallel with the upper side of the casing 29.
  • the microphones 21 and 22 can convert the input sound into an electric signal.
  • the microphones 21 and 22 can set a directivity direction at a position where a speaker normally views the television receiver 20.
  • FIG. 4 is a schematic diagram showing an example of the frequency distribution of noise, human voice, and clapping sounds input to the microphones 21 and 22.
  • the horizontal axis represents frequency (from 0 Hz to 8000 Hz), and the vertical axis represents sound intensity.
  • the intensity of noise shows a substantially uniform distribution at frequencies from 0 Hz to 8000 Hz.
  • the intensity of human speech shows a value larger than noise at frequencies from 0 Hz to 1000 Hz, but shows a distribution similar to noise at frequencies above 2000 Hz.
  • the intensity of the sound of clapping hands shows a large value in the frequency range from 1000 Hz to 8000 Hz compared to noise and human voice.
  • FIG. 5 is an example diagram showing a time change of a component having a frequency of 4000 Hz of a sound of hitting a palm.
  • the horizontal axis represents time in seconds, and the vertical axis represents sound intensity.
  • the speech recognition apparatus 10 detects such a sound that a speaker strikes the palm as a cue sound, and sets the directivity direction of the microphone array 11.
  • FIG. 3 is a flowchart showing an example of a processing flow of the speech recognition apparatus 10.
  • the processing flow starts from a state in which the setting of the directivity direction of the microphone array 11 is cancelled.
  • the voice recognition device 10 receives sound and voice from the speaker using the microphones 21 and 22 (S101).
  • the sound converted into the electrical signal by the microphones 21 and 22 is stored in the storage unit 12 for a certain period of time as sound data arranged for each frequency (S102).
  • the time for storing the sound data may be set in advance or may be arbitrarily set by the speaker.
  • the storage unit 12 stores sounds from time 0 (s) to T (s) in FIG. In FIG. 5, there is a peak whose intensity exceeds a predetermined threshold from time 0 (s) to T (s).
  • the determination unit 13 determines whether or not the directivity direction of the microphone array 11 is set (S103).
  • the determination unit 13 searches for sound data having a predetermined frequency from the sound data stored in the storage unit 12, and the intensity of the sound data is a predetermined threshold value. It is determined whether or not (hereinafter, a predetermined intensity threshold). Thus, it is determined whether or not a cue sound is detected (S104).
  • the predetermined intensity threshold may be set in advance according to the signal sound, or may be arbitrarily set by the speaker.
  • the determination unit 13 determines whether or not the sound data having a frequency of 4000 Hz once exceeds a predetermined intensity threshold during a certain time from 0 (s) to T (s). Can be determined.
  • the predetermined intensity threshold to a value that is larger than the intensity of noise or human voice and smaller than the intensity of the sound of clapping hands, For example, it is possible to distinguish between noise and a sound of making a hand, or a person's voice and a sound of making a palm.
  • the frequency used for the determination unit 13 to determine whether or not it is a signal sound may be one or more.
  • the determination unit 13 may determine using a frequency of 4000 Hz, or may determine using a plurality of frequencies such as 3000 Hz and 5000 Hz. When using a plurality of frequencies, it is determined whether or not the intensities of all frequencies used for the determination are equal to or greater than a predetermined intensity threshold.
  • step S104 When the determination of the determination unit 13 in step S104 is no, the determination unit 13 outputs a new sound data storage start signal to the storage unit 12.
  • step S101 the storage unit 12 temporarily stores new sound data.
  • the sound source direction estimation unit 14 estimates the sound source direction of the sound that exceeds the predetermined intensity threshold from the sound data stored in the storage unit 12 (S105).
  • a known method such as a method of calculating the arrival time difference of sounds input to the microphone array 11 (microphones 21 and 22) or a beam former method can be used.
  • the directivity control unit 15 outputs a control signal to the microphone array 11 and sets the directivity direction of the microphone array 11 to the sound source direction (the direction of the cue sound) estimated by the sound source direction estimation unit 14 (S106).
  • the microphone array 11 emphasizes and accepts sound from the set direction by setting the directivity direction.
  • a fixed type represented by a delay-and-sum array or an adaptive type represented by a Griffith-Jim type array can be used.
  • the directivity control unit 15 outputs a notification start signal to the display unit 18 after the setting of the directivity direction of the microphone array 11 is completed.
  • the display unit 18 receives a notification start signal from the directivity control unit 15 and notifies the speaker that the voice recognition unit 16 is receiving voice.
  • the display unit 18 may be an LED, and the speaker may be notified by turning on the LED. Or you may display on a display and notify a speaker.
  • the directivity control unit 15 outputs a new sound data storage start signal to the storage unit 12 after the setting of the directivity direction of the microphone array 11 to the direction of the signal is completed.
  • the storage unit 12 receives a storage start signal from the directivity control unit 15, and starts storing the sound input to the microphone array 11 again.
  • the determination unit 13 further determines whether or not a cue sound is detected in the same manner as in step S104 (S107).
  • step S105 If the determination by the determination unit 13 in S107 is yes, the process proceeds to step S105.
  • the speech recognition unit 16 performs speech recognition using the sound data stored in the storage unit 12 (S108).
  • the voice recognition unit 16 extracts a voice model that matches the sound data stored in the storage unit 12, and determines an operation command corresponding to the voice model (S109).
  • FIG. 6 is an example of a database of operation instructions stored in the storage unit 12.
  • FIG. 7 is another example of a database of operation instructions stored in the storage unit 12.
  • the database includes a speech model of input speech and an operation command corresponding to the speech model.
  • the speech model may be a language other than Japanese, such as English, as well as Japanese.
  • the speech recognition unit 16 searches the storage unit 12 for a speech model that matches the speech “Enueichike” and corresponds to the speech model.
  • An operation command to the electronic device main body “set channel 1” is determined (FIG. 6).
  • the voice recognition unit 16 searches the storage unit 12 for a voice model that matches the voice “weather report” and reads “Today's weather forecast corresponding to the voice model”.
  • the operation command for presenting information “display” is determined (FIG. 7).
  • the speech model shown in FIG. 6 and FIG. 7 is written in words instead of phonetic symbols.
  • a plurality of voice models may be associated with one operation instruction. For example, as illustrated in FIG. 6, an operation command “set channel 1” may be associated with “channel one” and “nhk”.
  • the television receiver 20 When the electronic device is the television receiver 20, the television receiver 20 is provided with a function for turning off the output sound from the speaker of the television receiver 20 and an echo canceling function while the voice recognition unit 16 accepts the voice. Thus, the recognition accuracy of the voice recognition unit 16 can be further increased.
  • the voice recognition unit 16 determines whether or not an operation command has been determined (S110).
  • the voice recognition unit 16 When the determination of the voice recognition unit 16 in S110 is yes, the voice recognition unit 16 outputs an operation signal to the device control unit 17.
  • the device control unit 17 receives an operation signal from the voice recognition unit 16, gives an operation command determined by the voice recognition unit 16 to the electronic device, and controls the electronic device (S111).
  • the directivity control unit 15 outputs a control signal to the microphone array 11 and cancels the setting of the directivity direction of the microphone array 11 (S112).
  • the voice recognition unit 16 When the determination of the voice recognition unit 16 in S110 is no, the voice recognition unit 16 outputs a new sound data storage start signal to the storage unit 12.
  • step S ⁇ b> 101 the storage unit 12 starts saving the sound input to the microphone array 11 again.
  • the same microphone array 11 is used for the estimation of the sound source direction and the speech recognition, but the present invention is not limited to this.
  • two or more microphones independent of the microphone array 11 may be used for estimating the sound source direction, and the microphone array 11 may be used for speech recognition.
  • the speech recognition apparatus that recognizes the voice from the speaker by setting the directivity direction of the microphone array 11 after the determination unit 13 determines the cue sound has been described, but the present invention is not limited to this. .
  • Modification 1 For example, there may be an example in which a speaker emits a cue sound and then inputs a sound within a certain time.
  • FIG. 8 is a block diagram of Modification Example 1 of the speech recognition apparatus according to the first embodiment of the present invention.
  • the directivity control unit 15 is replaced with the extraction unit 150.
  • the extraction unit 150 emphasizes and extracts sound data from the sound source direction estimated by the sound source direction estimation unit 14 from the storage unit 12.
  • Such a processing flow (not shown) is as follows.
  • the sound data of the cue sound and the sound data of the voice (hereinafter referred to as operation voice) uttered by the speaker to operate the electronic device are stored in the storage unit 12 at a time.
  • the determination unit 13 determines a signal sound.
  • the sound source direction estimation unit 14 estimates the sound source direction of the cue sound.
  • the extraction unit 150 emphasizes and extracts the sound data from the sound source direction of the cue sound estimated by the sound source direction estimation unit 14 from the sound data stored in the storage unit 12. For example, the extraction unit 150 corrects the sound data of the microphones 21 and 22 stored in the storage unit 12 by the time calculated from the sound source direction of the cue sound, and makes it in-phase so that the sound source direction of the cue sound Sound data from may be emphasized.
  • the voice recognition unit 16 performs voice recognition.
  • the voice recognition unit 16 determines an operation command.
  • the device control unit 17 gives an operation command to the electronic device and controls the electronic device.
  • the microphones 21 and 22 are preferably omnidirectional microphones.
  • the voice recognition device 10 according to the first modification may be configured as follows.
  • the sound data of the operation sound and the sound data of the cue sound are stored in the storage unit 12 at a time.
  • the determination unit 13 determines a signal sound.
  • the sound source direction estimation unit 14 estimates the sound source direction of the cue sound.
  • the extraction unit 150 searches the sound data stored in the storage unit 12 for sound data stored before the sound data of the cue sound, and emphasizes the sound data from the sound source direction estimated by the sound source direction estimation unit 14. And extract.
  • the voice recognition unit 16 performs voice recognition.
  • the voice recognition unit 16 determines an operation command.
  • the device control unit 17 gives an operation command to the electronic device and controls the electronic device.
  • the voice recognition device can recognize the voice not only when the speaker emits the operation sound after emitting the signal, but also when the signal sounds after the operation sound is generated. Can be improved.
  • FIG. 9 is a block diagram of a speech recognition apparatus according to the second embodiment of the present invention.
  • the speech recognition apparatus 100 includes the determination unit 113 in place of the determination unit 13 in the speech recognition apparatus 10 according to the first embodiment. Different from the embodiment. The description of the determination unit 113 will be described later.
  • the speech recognition apparatus 100 uses a sound based on the custom of “ringing the palm twice” as a cue sound (hereinafter, “cue sound 1”), which is performed when a human directs the attention of another person.
  • cue sound 1 a sound based on the custom of “ringing the palm twice” as a cue sound
  • the voice recognition device 100 can cancel the setting of the directivity direction of the microphone array 11 once set by using the sound of hitting the palm three times as a cue 2 and can start accepting a new sound. .
  • the determination content of the determination unit 113 is different from that of the voice recognition device 10.
  • FIG. 10 is a flowchart showing an example of the processing flow of the speech recognition apparatus 100.
  • the processing flow of the speech recognition apparatus 100 is that there is step S800 between step S107 and step S108, and the processing content of step S104 and step S107 is the processing flow of the speech recognition apparatus 10. And different.
  • FIG. 11 is a diagram showing an example of a change in time of a sound of hitting the palm twice.
  • the determination unit 113 searches the sound data stored in the storage unit 12 for sound data having a frequency of 1000 Hz or higher, and whether the intensity of the sound data has exceeded the predetermined intensity threshold value twice within a predetermined time. It is determined whether or not (S104).
  • the determination unit 113 determines whether or not the sound data having a frequency of 4000 Hz has exceeded the predetermined intensity threshold value twice during a certain period of time from 0 (s) to T (s). Determine whether.
  • the determination unit 113 determines whether the intensity of sound data having a frequency of 1000 Hz or more exceeds a predetermined intensity threshold value twice within a predetermined time, the determination unit 113 determines that there is a cue sound 1 Can do.
  • step S107 The processing in step S107 is the same.
  • voice recognition can be performed with high accuracy by using, as a cue sound, a sound according to the practice of “slamming the palm twice”, which is performed when a human turns his attention to another person. It can be distinguished more accurately from sudden noise such as a door closing sound.
  • the determination unit 113 searches for sound data having a frequency of 1000 Hz or more from the sound data stored in the storage unit 12, and the intensity of the sound data is 3 It is determined whether or not the predetermined intensity threshold is exceeded (S800).
  • the determination unit 113 determines whether the intensity of sound data having a frequency of 1000 Hz or more exceeds a predetermined intensity threshold value three times within a predetermined time, the determination unit 113 determines that there is a signal sound 2 Can do.
  • step S800 determines whether the determination of the determination unit 113 in step S800 is yes. If the determination of the determination unit 113 in step S800 is yes, the process proceeds to step S112, and the directivity control unit 15 outputs a control signal to the microphone array 11 to cancel the setting of the directivity direction of the microphone array 11.
  • the determination unit 113 outputs a new sound data storage start signal to the storage unit 12.
  • step S101 the storage unit 12 temporarily stores new sound data.
  • step S800 If the determination by the determination unit 113 in step S800 is no, the process proceeds to step S108.
  • the speech recognition apparatus 100 can set the direction of the microphone array and cancel the setting by changing the number of times the speaker claps his hand.
  • the sound of hitting the palm as the cueing sound 2 may not be 3 degrees as long as it is other than 2 degrees.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Circuit For Audible Band Transducer (AREA)
  • Obtaining Desirable Characteristics In Audible-Bandwidth Transducers (AREA)
  • User Interface Of Digital Computer (AREA)
  • Toys (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

判定部１３は、複数のマイクロフォンを含む音声入力部５０に入力された音に、話者の動作により発生した合図音が、所定の強度以上含まれるか否かを判定する。音源方向推定部１４は、判定部１３による判定が真の場合に、前記合図音を含む音の音源方向を推定する。音声認識部１６は、推定された前記音源方向から到来した音が、あらかじめ登録された音声モデルと一致するか否かを判定する。

Description

音声認識装置
　本発明は、音声認識装置に関する。
　話者が発した音声を検知し、その音声がした方向にマイクロフォンアレイの指向方向を設定する音声認識装置がある（特許文献１を参照）。
　この音声認識装置は、入力音声の音圧と時間とが、所定の閾値を超えたか否かを判定することによって、音声の音源方向を推定し、マイクロフォンアレイの指向方向を設定する。そして、指向方向からの音声を強調し、音声認識を行う。
特開２００２―３６６１９１号公報
　しかしながら、特許文献１の音声認識装置は、話者が発する音声以外の音（例えば、ドアの閉まる音等の雑音）を認識することがある。その結果、このような音の音源方向にマイクロフォンアレイの指向方向が設定されてしまい、音声認識を精度よく行えない場合がある。
　本発明は、上記の課題に鑑みてなされたものであり、音声認識を精度よく行うことができる音声認識装置を提供することを目的とする。
　本発明の一側面に係る音声認識装置は、複数のマイクロフォンを含む音声入力部に入力された音に、１０００Ｈｚ以上の周波数が所定の強度以上含まれるか否かを判定する判定部と、前記判定部による判定が真の場合に、１０００Ｈｚ以上の周波数を含む前記音の音源方向を推定する音源方向推定部と、推定された前記音源方向から到来した音が、あらかじめ登録された音声モデルと一致するか否かを判定する音声認識部とを備える。
　本発明によれば、音声認識を精度よく行うことができる音声認識装置を提供することができる。
本発明の第１の実施の形態に係る音声認識装置のブロック図 音声認識装置におけるマイクロフォンアレイの配置例を表す模式図 音声認識装置の処理フローの一例を表すフローチャートを示す図 入力される雑音、人の声、手を打ち鳴らす音の周波数分布の一例を示す模式図 手のひらを打ち鳴らす音の、時間変化を表す図 操作命令のデータベースの一例を表す図 操作命令のデータベースの他の一例を表す図 本発明の第１の実施の形態に係る音声認識装置の変形例１のブロック図 本発明の第２の実施の形態に係る音声認識装置のブロック図 音声認識装置の処理フローの一例を表すフローチャートを示す図 手のひらを２度打ち鳴らす音の、時間変化の一例を表す図
　以下、本発明の実施の形態について図面を参照して詳細に説明する。
　本明細書において、同様の要素には同一の符号を付して詳細な説明は適宜省略する。
　（第１の実施の形態）
　第１の実施の形態に係る音声認識装置１０は、話者の動作により発生する音（以下「合図音」という）を検知することにより、音声入力部に含まれるマイクロフォンアレイの指向方向を合図音の音源方向に設定し、話者からの音声を認識し、テレビ受像機等の電子機器を制御する。合図音には、例えば、手のひらなどの複数の体の部位を打ち鳴らす音、指を弾く音、指や手などの体の部位で物を叩く音などが含まれる。本実施の形態では、手のひらを打ち鳴らす音を合図音として用いる。
　図１は、第１の実施の形態に係る音声認識装置のブロック図である。本実施の形態に係る音声認識装置１０は、音声入力部５０と、記憶部１２と、判定部１３と、音源方向推定部１４と、指向性制御部１５と、音声認識部１６と、機器制御部１７と、表示部１８とを備える。
　音声入力部５０は、１つ又は複数セットのマイクロフォンアレイを含む。
　本実施の形態では、音声入力部５０は１つのマイクロフォンアレイ１１を含む。
　音声入力部５０は、音声認識装置の外部の音や人の音声（ｖｏｉｃｅ）を入力し、音データとして記憶部１２に保存する。
　記憶部１２は、音データの他に、後述する音声認識部１６が音声を認識するために必要な音声モデルを格納する。
　判定部１３は、記憶部１２に保存されている音データの中に、後述する所定の条件を満たす音データが含まれているか否かを判定する。
　音源方向推定部１４は、判定部１３による判定結果に応じて、その音データの音源方向（合図音のした方向）を推定する。
　指向性制御部１５は、音源方向推定部１４が推定した音源方向に、マイクロフォンアレイ１１の指向方向を設定する。
　指向性制御部１５は、マイクロフォンアレイ１１の指向方向の設定が完了した後、音声認識部１６へ認識開始命令を出力する。
　音声認識部１６は、指向性制御部１５からの認識開始命令を受け付ける。
　音声認識部１６は、指向性制御部１５により指向方向が設定されたマイクロフォンアレイ１１を用いて得た音データから、話者の音声を認識し、電子機器への操作命令を決定する。
　機器制御部１７は、音声認識部１６が認識した音声に対応する命令を操作対象となる電子機器（図示せず）に与える。
　表示部１８は、音声認識部１６が音声を受け付けている状態であることを話者に通知する。
　音声認識装置１０は、例えば、操作対象となる電子機器に内蔵されるか、電子機器の外部に接続されうる。本実施の形態では、操作対象となる電子機器をテレビ受像機２０としているが、これに限られない。例えば、パーソナルコンピュータ、ビデオレコーダ、エアコン、車載機器等、使用中に話者からの操作を受け付けることにより性能を発揮する電子機器にも適用されうる。
　判定部１３と、音源方向推定部１４と、指向性制御部１５と、音声認識部１６と、機器制御部１７とは、コンピュータ読み取り可能なメモリに格納されたプログラムを中央演算処理装置（ＣＰＵ）が実行することによって実現されうる。
　記憶部１２は、音声認識装置１０の内部に備えられてもよいし、音声認識装置１０の外部に備えられていてもよい。
　以下に、本実施の形態に係る音声認識装置１０の詳細を述べる。
　図２は、音声認識装置１０におけるマイクロフォンアレイ１１の配置例を表す模式図である。
　本実施の形態において、マイクロフォンアレイ１１は２つのマイクロフォン２１、２２を含んでいるが、３つ以上含んでいてもよい。
　マイクロフォンアレイ１１は、例えば、テレビ受像機２０の筐体２９の上部に、筐体２９の上辺と平行に備えられ得る。
　マイクロフォン２１、２２は、入力した音を電気信号に変換することができる。
　マイクロフォン２１、２２は、話者がテレビ受像機２０を通常視聴する位置に指向方向を設定することができる。
　図４は、マイクロフォン２１、２２に入力される雑音、人の音声、手を打ち鳴らす音の周波数分布の一例を示す模式図である。
　図４における横軸は周波数（０Ｈｚから８０００Ｈｚまで）を表し、縦軸は音の強度を表している。図４より、雑音の強度は、０Ｈｚから８０００Ｈｚまでの周波数で、ほぼ一様な分布を示している。人の音声の強度は、０Ｈｚから１０００Ｈｚまでの周波数で、雑音よりも大きい値を示すが、２０００Ｈｚ以上の周波数では雑音と同様の分布を示している。
　手を打ち鳴らす音の強度は、雑音と人の音声に比べ、周波数が１０００Ｈｚから８０００Ｈｚにかけて、大きい値を示している。
　図５は、手のひらを打ち鳴らす音の、周波数が４０００Ｈｚの成分の時間変化を表す一例図である。横軸は時間を秒数単位で表し、縦軸は音の強度を表している。
本実施の形態において、音声認識装置１０は、このような、話者が手のひらを打ち鳴らす音を合図音として検出して、マイクロフォンアレイ１１の指向方向を設定する。
　図３は、音声認識装置１０の処理フローの一例を表すフローチャートである。
　処理フローは、マイクロフォンアレイ１１の指向方向の設定が解除されている状態から開始する。
　音声認識装置１０は、マイクロフォン２１、２２を用いて、話者からの音や音声を受け付ける（Ｓ１０１）。
　マイクロフォン２１、２２で電気信号に変換された音は、周波数ごとに整理された音データとして、それぞれ記憶部１２に一定時間保存される（Ｓ１０２）。
　音データが保存される時間は、あらかじめ設定されてもよいし、話者が任意に設定してもよい。
　記憶部１２には、図５における時間０（ｓ）からＴ（ｓ）までの音が保存される。図５では、時間０（ｓ）からＴ（ｓ）までの間に、強度が所定の閾値を超えるピークが存在している。
　判定部１３は、マイクロフォンアレイ１１の指向方向が設定されているか否かを判定する（Ｓ１０３）。
　ステップＳ１０３における判定部１３の判定がｎｏの場合、判定部１３は、記憶部１２に保存されている音データの中から、所定の周波数の音データを検索し、音データの強度が所定の閾値（以下、所定強度閾値）以上であるか否かを判定する。これによって、合図音が検知されたか否かを判定する（Ｓ１０４）。
　所定強度閾値は、合図音に応じて、あらかじめ設定してもよいし、話者が任意に設定してもよい。
　例えば、判定部１３は、図５に示したように、０（ｓ）からＴ（ｓ）までという一定時間の間に、周波数４０００Ｈｚの音データが、１度、所定強度閾値以上となったか否かを判定することができる。
　図４から明らかなように、例えば、所定強度閾値を、雑音や人の音声の強度よりも大きく、手を打ち鳴らす音の強度よりも小さい値とすることにより、判定部１３は、合図音、たとえば雑音と手を打ち鳴らす音、あるいは、人の音声と手のひらを打ち鳴らす音を区別することができる。
　判定部１３が合図音か否かの判定を行うために用いる周波数は、１つでもよいし、複数でもよい。
　例えば、判定部１３は、４０００Ｈｚの周波数を用いて判定してもよいし、３０００Ｈｚと５０００Ｈｚ等、複数の周波数を用いて判定してもよい。複数の周波数を用いる場合は、判定に用いた全ての周波数の強度が、所定強度閾値以上であるか否かを判定する。
　ステップＳ１０４における判定部１３の判定がｎｏの場合、判定部１３は、記憶部１２に新たな音データの保存開始信号を出力する。
　ステップＳ１０１に戻り、記憶部１２は新たに音データを一時保存する。
　ステップＳ１０４における判定部１３の判定がｙｅｓの場合、音源方向推定部１４は、記憶部１２に保存されている音データから、所定強度閾値を超えた音の音源方向を推定する（Ｓ１０５）。
　音源方向の推定には、マイクロフォンアレイ１１（マイクロフォン２１、２２）に入力された音の到来時間差を計算する方法や、ビームフォーマー法等の周知の手法を用いることができる。
　指向性制御部１５は、マイクロフォンアレイ１１に制御信号を出力し、音源方向推定部１４が推定した音源方向（合図音の方向）に、マイクロフォンアレイ１１の指向方向を設定する（Ｓ１０６）。
　指向方向の設定により、マイクロフォンアレイ１１は、設定した方向からの音を強調して受け付ける。
　マイクロフォンアレイ１１の指向性の設定には、遅延和アレイに代表される固定型や、Ｇｒｉｆｆｉｔｈ－Ｊｉｍ型アレイに代表される適応型等の方法を用いることができる。
　指向性制御部１５は、マイクロフォンアレイ１１の指向方向の設定が完了した後、表示部１８に通知開始信号を出力する。
　表示部１８は、指向性制御部１５からの通知開始信号を受け付け、音声認識部１６が音声の受け付けている状態であることを、話者に通知する。例えば、表示部１８をＬＥＤとして、ＬＥＤの点灯により、話者に通知してもよい。あるいは、ディスプレイに表示し、話者に通知してもよい。
　指向性制御部１５は、マイクロフォンアレイ１１の指向方向を合図音の方向に設定が完了した後、記憶部１２に新たな音データの保存開始信号を出力する。
　ステップＳ１０１に戻り、記憶部１２は、指向性制御部１５からの保存開始信号を受け付け、マイクロフォンアレイ１１に入力される音の保存を再度開始する。
　Ｓ１０３における判定部１３の判定がｙｅｓの場合、判定部１３は、ステップＳ１０４と同様にして、合図音が検知されたか否かをさらに判定する（Ｓ１０７）。
　Ｓ１０７における判定部１３の判定がｙｅｓの場合、ステップＳ１０５に遷移する。
　Ｓ１０７における判定部１３の判定がｎｏの場合、音声認識部１６は、記憶部１２に保存されている音データを用いて、音声認識を行う（Ｓ１０８）。
　音声認識部１６は、記憶部１２に保存されている音データと一致する音声モデルを抽出し、音声モデルに対応する操作命令を決定する（Ｓ１０９）。
　図６は、記憶部１２が格納する操作命令のデータベースの一例図である。図７は、記憶部１２が格納する操作命令のデータベースの他の一例図である。データベースは、入力音声の音声モデルと、それに対応する操作命令とを含む。音声モデルは、日本語のみでなく、英語等、日本語以外の言語であってもよい。
　例えば、「えぬえいちけー」という音声が入力された場合、音声認識部１６は、「えぬえいちけー」という音声に一致する音声モデルを記憶部１２から検索し、音声モデルに対応する「チャンネルを１にする」という電子機器本体への操作命令を決定する（図６）。例えば、「ｗｅａｔｈｅｒ　ｒｅｐｏｒｔ」という、音声が入力された場合、音声認識部１６は、「ｗｅａｔｈｅｒ　ｒｅｐｏｒｔ」という音声に一致する音声モデルを記憶部１２から検索し、音声モデルに対応する「今日の天気予報を表示」という、情報を提示させる操作命令を決定する（図７）。
　図６、図７に示した音声モデルは、発音記号ではなく、単語で表記してある。
　記憶部１２が格納する操作命令のデータベースにおいて、一つの操作命令には、複数の音声モデルを対応させてもよい。例えば、図６に示すように、「チャンネルを１にする」という操作命令に、「いっちゃん（ｃｈａｎｎｅｌ　ｏｎｅ）」と「えぬえいちけい（ｎｈｋ）」とを対応させてもよい。
　電子機器がテレビ受像機２０の場合、音声認識部１６が音声を受け付けている間、テレビ受像機２０のスピーカーからの出力音声をオフとする機能や、エコーキャンセル機能をテレビ受像機２０に設けることにより、音声認識部１６の認識の精度をより高めることができる。
　音声認識部１６は、操作命令を決定したか否かを判定する（Ｓ１１０）。
　Ｓ１１０における音声認識部１６の判定がｙｅｓの場合、音声認識部１６は、操作信号を機器制御部１７に出力する。
　機器制御部１７は、音声認識部１６からの操作信号を受け付け、音声認識部１６が決定した操作命令を電子機器に与え、電子機器の制御を行う（Ｓ１１１）。
　指向性制御部１５は、マイクロフォンアレイ１１に制御信号を出力し、マイクロフォンアレイ１１の指向方向の設定を解除する（Ｓ１１２）。
　Ｓ１１０における音声認識部１６の判定がｎｏの場合、音声認識部１６は、記憶部１２に、新たな音データの保存開始信号を出力する。
　ステップＳ１０１に戻り、記憶部１２は、マイクロフォンアレイ１１に入力される音の保存を再度開始する。
　以上の処理により、音声認識を精度よく行うことができる音声認識装置を提供することができる。
　本実施の形態では、音源方向の推定と、音声の認識とに、同じマイクロフォンアレイ１１を用いているが、これに限定されない。例えば、音源方向の推定にはマイクロフォンアレイ１１と独立した、２つ以上のマイクロフォンを用い、音声の認識にはマイクロフォンアレイ１１を用いてもよい。
　本実施の形態では、合図音を判定部１３が判定した後、マイクロフォンアレイ１１の指向方向を設定し、話者からの音声を認識する音声認識装置について述べたが、本発明はこれに限定されない。
（変形例１）
　例えば、話者が、合図音を発し、その後、一定時間内に音声を入力する例もあり得る。
　図８は、本発明の第１の実施の形態に係る音声認識装置の変形例１のブロック図である。
　指向性制御部１５は、抽出部１５０に置換される。抽出部１５０は、記憶部１２から音源方向推定部１４が推定した音源方向からの音データを強調して抽出する。
　このような処理フロー（不図示）は以下のようになる。
　合図音の音データと、電子機器を操作するために話者が発した音声（以下、操作音声）の音データとが、記憶部１２には一度に保存される。判定部１３は、合図音を判定する。音源方向推定部１４は、合図音の音源方向を推定する。抽出部１５０は、記憶部１２に保存されている音データから、音源方向推定部１４が推定した合図音の音源方向からの音データを強調して抽出する。例えば、抽出部１５０は、記憶部１２に保存されているマイクロフォン２１、２２の音データを、合図音の音源方向から計算される時間分だけ補正し、同相化することにより、合図音の音源方向からの音データを強調してもよい。音声認識部１６は音声の認識を行う。音声認識部１６は操作命令を決定する。機器制御部１７は、操作命令を電子機器に与え、電子機器の制御を行う。
　これにより、マイクロフォンアレイ１１の指向方向を設定せずとも、実質的には指向方向を設定した場合とほぼ同等の音データを音声認識部１６に提供することができるので、音声認識部１６は、話者からの音声を精度よく認識することができる。したがって、この場合、マイクロフォン２１、２２は、無指向性のマイクロフォンであることが望ましい。
（変形例２）
　変形例１の音声認識装置１０は、以下の形態とすることもできる。
例えば、先に話者からの操作音声を受け付け、その後、一定時間内に話者からの合図音を受け付ける例もあり得る。この場合、操作音声の音データと、合図音の音データとが、記憶部１２には一度に保存される。判定部１３は、合図音を判定する。音源方向推定部１４は、合図音の音源方向を推定する。抽出部１５０は、記憶部１２に保存されている音データから、合図音の音データの前に記憶された音データを検索し、音源方向推定部１４が推定した音源方向からの音データを強調して抽出する。音声認識部１６は音声の認識を行う。音声認識部１６は操作命令を決定する。機器制御部１７は、操作命令を電子機器に与え、電子機器の制御を行う。
　これにより、話者が合図音を発した後に操作音声を発した場合だけでなく、操作音声を発した後に合図音を発した場合にも、音声認識装置は音声を認識することができ、操作性を向上させることができる。
　（第２の実施の形態）
　図９は、本発明の第２の実施の形態に係る音声認識装置のブロック図である。
　図９に示したように、本実施の形態に係る音声認識装置１００は、第１の実施の形態に係る音声認識装置１０における判定部１３に代えて判定部１１３を備える点で、第１の実施形態と異なる。判定部１１３の説明については後述する。
　音声認識装置１００は、人間が他者の注目を自らに向ける際に行う、「手のひらを２度打ち鳴らす」という慣習による音を合図音（以下、合図音１）として利用することにより、話者の存在する方向を推定し、該方向からの音声を強調させて認識する音声認識装置である。音声認識装置１００は、例えば、手のひらを３度打ち鳴らす音を合図２として利用することにより、一度設定したマイクロフォンアレイ１１の指向方向の設定を解除し、新たに音の受け付けを開始することができる。
　音声認識装置１００では、判定部１１３の判定内容が音声認識装置１０と異なる。
　図１０は、音声認識装置１００の処理フローの一例を表すフローチャートである。
　以下に説明する処理フローにおいて、音声装置１０の処理フローと同様のステップについての説明は省略する。
　図１０に示したように、音声認識装置１００の処理フローは、ステップＳ１０７とステップＳ１０８の間にステップＳ８００があること、および、ステップＳ１０４、ステップＳ１０７の処理内容が、音声認識装置１０の処理フローと異なる。
　図１１は、手のひらを２度打ち鳴らす音の、時間変化の一例を表す図である。
　図１１では、時間０（ｓ）からＴ（ｓ）までの間に、強度が所定の閾値を超えるピークが２つ存在している。
　判定部１１３は、記憶部１２に保存されている音データの中から、１０００Ｈｚ以上の周波数の音データを検索し、音データの強度が、一定時間内に２度、所定強度閾値以上となったか否かを判定する（Ｓ１０４）。
　例えば、判定部１１３は、図１１に示したように、０（ｓ）からＴ（ｓ）までという一定時間の間に、周波数４０００Ｈｚの音データが、２度、所定強度閾値以上となったか否かを判定する。
　１０００Ｈｚ以上の周波数の音データの強度が、一定時間内に２度、所定強度閾値を超えたか否かを判定部１１３が判定することにより、判定部１１３は、合図音１があったと判定することができる。
　ステップＳ１０７における処理も同様である。
　以上の処理により、人間が他者の注目を自らに向ける際に行う、「手のひらを２度打ち鳴らす」という慣習による音を合図音として利用することによって、音声認識を精度よく行うことができる。ドアが閉まる音等の突発的に発生する雑音と、さらに精度よく区別することができる。
　ステップＳ１０７における判定部１１３の判定がｎｏの場合、判定部１１３は、記憶部１２に保存されている音データの中から、１０００Ｈｚ以上の周波数の音データを検索し、音データの強度が、３度所定強度閾値以上となったか否かを判定する（Ｓ８００）。
　１０００Ｈｚ以上の周波数の音データの強度が、一定時間内に３度、所定強度閾値を超えたか否かを判定部１１３が判定することにより、判定部１１３は、合図音２があったと判定することができる。
　ステップＳ８００における判定部１１３の判定がｙｅｓの場合、ステップＳ１１２に遷移し、指向性制御部１５は、マイクロフォンアレイ１１に制御信号を出力し、マイクロフォンアレイ１１の指向方向の設定を解除する。
　判定部１１３は、記憶部１２に新たな音データの保存開始信号を出力する。
　ステップＳ１０１に戻り、記憶部１２は新たに音データを一時保存する。
　ステップＳ８００における判定部１１３の判定がｎｏの場合はステップＳ１０８に遷移する。
　以上の処理において、話者が手を打ち鳴らす回数を変えることにより、音声認識装置１００は、マイクロフォンアレイの指向方向を設定したり、設定を解除することができる。
　合図音２とする手のひらを打ち鳴らす音は、２度以外であれば、３度でなくてもよい。
１０、１００　音声認識装置
１１　マイクロフォンアレイ
１２　記憶部
１３、１１３　判定部
１４　音源方向推定部
１５　指向性制御部
１６　音声認識部
１７　機器制御部
１８　表示部
２０　テレビ受像機
２１、２２　マイクロフォン
２９　筐体
５０　音声入力部
１５０　抽出部

Claims (3)

  1. 複数のマイクロフォンを含む音声入力部に入力された音に、１０００Ｈｚ以上の周波数が所定の強度以上含まれるか否かを判定する判定部と、
    前記判定部による判定が真の場合に、１０００Ｈｚ以上の周波数を含む前記音の音源方向を推定する音源方向推定部と、
    推定された前記音源方向から到来した音が、あらかじめ登録された音声モデルと一致するか否かを判定する音声認識部と
    を備えることを特徴とする音声認識装置。
  2. 前記判定部は、
    １０００Ｈｚ以上の周波数を含む前記音が、所定の時間内に２度検出されたか否かをさらに判定することを特徴とする、請求項１記載の音声認識装置。
  3. 複数のマイクロフォンを含む音声入力部に入力された音に、話者の動作により発生した合図音が、所定の強度以上含まれるか否かを判定する判定部と、
    前記判定部による判定が真の場合に、前記合図音を含む音の音源方向を推定する音源方向推定部と、
    推定された前記音源方向から到来した音が、あらかじめ登録された音声モデルと一致するか否かを判定する音声認識部と
    を備えることを特徴とする音声認識装置。
PCT/JP2009/005905 2009-11-06 2009-11-06 音声認識装置 WO2011055410A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2011539182A JP5622744B2 (ja) 2009-11-06 2009-11-06 音声認識装置
CN200980161199.3A CN102483918B (zh) 2009-11-06 2009-11-06 声音识别装置
PCT/JP2009/005905 WO2011055410A1 (ja) 2009-11-06 2009-11-06 音声認識装置
US13/430,264 US8762145B2 (en) 2009-11-06 2012-03-26 Voice recognition apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2009/005905 WO2011055410A1 (ja) 2009-11-06 2009-11-06 音声認識装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US13/430,264 Continuation US8762145B2 (en) 2009-11-06 2012-03-26 Voice recognition apparatus

Publications (1)

Publication Number Publication Date
WO2011055410A1 true WO2011055410A1 (ja) 2011-05-12

Family

ID=43969656

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/005905 WO2011055410A1 (ja) 2009-11-06 2009-11-06 音声認識装置

Country Status (4)

Country Link
US (1) US8762145B2 (ja)
JP (1) JP5622744B2 (ja)
CN (1) CN102483918B (ja)
WO (1) WO2011055410A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015064580A (ja) * 2013-09-24 2015-04-09 パワー ヴォイス カンパニー リミテッド サウンドコードをエンコーディングするエンコーディング装置及び方法、サウンドコードをデコーディングするデコーディング装置及び方法
US9154848B2 (en) 2011-03-01 2015-10-06 Kabushiki Kaisha Toshiba Television apparatus and a remote operation apparatus
JP2015535952A (ja) * 2012-09-29 2015-12-17 シェンジェン ピーアールテック カンパニー リミテッド マルチメディアデバイス用音声制御システム及び方法、及びコンピュータ記憶媒体
JP2017539187A (ja) * 2015-10-28 2017-12-28 小米科技有限責任公司Ｘｉａｏｍｉ Ｉｎｃ． スマート機器の音声制御方法、装置、プログラム、記録媒体、制御機器およびスマート機器
JP2021076874A (ja) * 2021-02-17 2021-05-20 日本電信電話株式会社 話者方向強調装置、話者方向強調方法、およびプログラム

Families Citing this family (177)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645137B2 (en) 2000-03-16 2014-02-04 Apple Inc. Fast, language-independent method for user authentication by voice
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
US10002189B2 (en) 2007-12-20 2018-06-19 Apple Inc. Method and apparatus for searching using an active ontology
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US10706373B2 (en) 2011-06-03 2020-07-07 Apple Inc. Performing actions associated with task items that represent tasks to perform
US9431006B2 (en) 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
US8994660B2 (en) 2011-08-29 2015-03-31 Apple Inc. Text correction processing
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US9280610B2 (en) 2012-05-14 2016-03-08 Apple Inc. Crowd sourcing information to fulfill user requests
US10417037B2 (en) 2012-05-15 2019-09-17 Apple Inc. Systems and methods for integrating third party services with a digital assistant
US9301073B2 (en) * 2012-06-08 2016-03-29 Apple Inc. Systems and methods for determining the condition of multiple microphones
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
JP5367134B1 (ja) * 2012-07-19 2013-12-11 日東紡音響エンジニアリング株式会社 騒音識別装置及び騒音識別方法
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
CN113470641B (zh) 2013-02-07 2023-12-15 苹果公司 数字助理的语音触发器
US10652394B2 (en) 2013-03-14 2020-05-12 Apple Inc. System and method for processing voicemail
US10748529B1 (en) * 2013-03-15 2020-08-18 Apple Inc. Voice activated device for use with a voice-based digital assistant
CN105378838A (zh) * 2013-05-13 2016-03-02 汤姆逊许可公司 用于隔离麦克风音频的方法、装置和系统
WO2014197334A2 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for user-specified pronunciation of words for speech synthesis and recognition
WO2014197336A1 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for detecting errors in interactions with a voice-based digital assistant
US9582608B2 (en) 2013-06-07 2017-02-28 Apple Inc. Unified ranking with entropy-weighted information for phrase-based semantic auto-completion
WO2014197335A1 (en) 2013-06-08 2014-12-11 Apple Inc. Interpreting and acting upon commands that involve sharing information with remote devices
KR101772152B1 (ko) 2013-06-09 2017-08-28 애플 인크. 디지털 어시스턴트의 둘 이상의 인스턴스들에 걸친 대화 지속성을 가능하게 하기 위한 디바이스, 방법 및 그래픽 사용자 인터페이스
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
CN105453026A (zh) 2013-08-06 2016-03-30 苹果公司 基于来自远程设备的活动自动激活智能响应
JP5996603B2 (ja) * 2013-10-31 2016-09-21 シャープ株式会社 サーバ、発話制御方法、発話装置、発話システムおよびプログラム
WO2015072816A1 (ko) * 2013-11-18 2015-05-21 삼성전자 주식회사 디스플레이 장치 및 제어 방법
US10296160B2 (en) 2013-12-06 2019-05-21 Apple Inc. Method for extracting salient dialog usage from live data
CN104214890A (zh) * 2014-01-20 2014-12-17 美的集团股份有限公司 通过语音控制空调器送风的方法及空调器
CN103994541B (zh) * 2014-04-21 2017-01-04 美的集团股份有限公司 基于语音控制的风向切换方法和系统
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US9842101B2 (en) 2014-05-30 2017-12-12 Apple Inc. Predictive conversion of language input
WO2015184186A1 (en) 2014-05-30 2015-12-03 Apple Inc. Multi-command single utterance input method
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
CN104267618B (zh) * 2014-07-31 2017-06-13 广东美的制冷设备有限公司 基于红外定位的语音控制方法和系统
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10789041B2 (en) 2014-09-12 2020-09-29 Apple Inc. Dynamic thresholds for always listening speech trigger
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US9646609B2 (en) 2014-09-30 2017-05-09 Apple Inc. Caching apparatus for serving phonetic pronunciations
US9886432B2 (en) 2014-09-30 2018-02-06 Apple Inc. Parsimonious handling of word inflection via categorical stem + suffix N-gram language models
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
CN105864952B (zh) * 2015-01-19 2019-06-21 Tcl空调器(中山)有限公司 空调器及空调器的控制方法
US10152299B2 (en) 2015-03-06 2018-12-11 Apple Inc. Reducing response latency of intelligent automated assistants
US9865280B2 (en) 2015-03-06 2018-01-09 Apple Inc. Structured dictation using intelligent automated assistants
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US9899019B2 (en) 2015-03-18 2018-02-20 Apple Inc. Systems and methods for structured stem and suffix language models
US9842105B2 (en) 2015-04-16 2017-12-12 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US10460227B2 (en) 2015-05-15 2019-10-29 Apple Inc. Virtual assistant in a communication session
US10200824B2 (en) 2015-05-27 2019-02-05 Apple Inc. Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US10127220B2 (en) 2015-06-04 2018-11-13 Apple Inc. Language identification from short strings
US9578173B2 (en) 2015-06-05 2017-02-21 Apple Inc. Virtual assistant aided communication with 3rd party service in a communication session
US10101822B2 (en) 2015-06-05 2018-10-16 Apple Inc. Language input correction
US10186254B2 (en) 2015-06-07 2019-01-22 Apple Inc. Context-based endpoint detection
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US10255907B2 (en) 2015-06-07 2019-04-09 Apple Inc. Automatic accent detection using acoustic models
US20160378747A1 (en) 2015-06-29 2016-12-29 Apple Inc. Virtual assistant for media playback
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10740384B2 (en) 2015-09-08 2020-08-11 Apple Inc. Intelligent automated assistant for media search and playback
US10331312B2 (en) 2015-09-08 2019-06-25 Apple Inc. Intelligent automated assistant in a media environment
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US9697820B2 (en) 2015-09-24 2017-07-04 Apple Inc. Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10956666B2 (en) 2015-11-09 2021-03-23 Apple Inc. Unconventional virtual assistant interactions
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
CN105788599B (zh) * 2016-04-14 2019-08-06 北京小米移动软件有限公司 语音处理方法、路由器及智能语音控制系统
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US11227589B2 (en) 2016-06-06 2022-01-18 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179309B1 (en) 2016-06-09 2018-04-23 Apple Inc Intelligent automated assistant in a home environment
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
CN106328128A (zh) * 2016-08-16 2017-01-11 成都市和平科技有限责任公司 一种基于语音识别技术的教学系统及方法
US10474753B2 (en) 2016-09-07 2019-11-12 Apple Inc. Language identification using recurrent neural networks
US10043516B2 (en) 2016-09-23 2018-08-07 Apple Inc. Intelligent automated assistant
US11281993B2 (en) 2016-12-05 2022-03-22 Apple Inc. Model and ensemble compression for metric learning
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
US11204787B2 (en) 2017-01-09 2021-12-21 Apple Inc. Application integration with a digital assistant
US10417266B2 (en) 2017-05-09 2019-09-17 Apple Inc. Context-aware ranking of intelligent response suggestions
DK201770383A1 (en) 2017-05-09 2018-12-14 Apple Inc. USER INTERFACE FOR CORRECTING RECOGNITION ERRORS
US10726832B2 (en) 2017-05-11 2020-07-28 Apple Inc. Maintaining privacy of personal information
DK180048B1 (en) 2017-05-11 2020-02-04 Apple Inc. MAINTAINING THE DATA PROTECTION OF PERSONAL INFORMATION
DK201770439A1 (en) 2017-05-11 2018-12-13 Apple Inc. Offline personal assistant
US10395654B2 (en) 2017-05-11 2019-08-27 Apple Inc. Text normalization based on a data-driven learning network
DK201770429A1 (en) 2017-05-12 2018-12-14 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
US11301477B2 (en) 2017-05-12 2022-04-12 Apple Inc. Feedback analysis of a digital assistant
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
DK201770411A1 (en) 2017-05-15 2018-12-20 Apple Inc. MULTI-MODAL INTERFACES
DK201770432A1 (en) 2017-05-15 2018-12-21 Apple Inc. Hierarchical belief states for digital assistants
US10403278B2 (en) 2017-05-16 2019-09-03 Apple Inc. Methods and systems for phonetic matching in digital assistant services
DK179560B1 (en) 2017-05-16 2019-02-18 Apple Inc. FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES
US10311144B2 (en) 2017-05-16 2019-06-04 Apple Inc. Emoji word sense disambiguation
US10303715B2 (en) 2017-05-16 2019-05-28 Apple Inc. Intelligent automated assistant for media exploration
US20180336892A1 (en) 2017-05-16 2018-11-22 Apple Inc. Detecting a trigger of a digital assistant
US10657328B2 (en) 2017-06-02 2020-05-19 Apple Inc. Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling
US10445429B2 (en) 2017-09-21 2019-10-15 Apple Inc. Natural language understanding using vocabularies with compressed serialized tries
US10755051B2 (en) 2017-09-29 2020-08-25 Apple Inc. Rule-based natural language processing
US10636424B2 (en) 2017-11-30 2020-04-28 Apple Inc. Multi-turn canned dialog
US10733982B2 (en) 2018-01-08 2020-08-04 Apple Inc. Multi-directional dialog
CN108419168A (zh) * 2018-01-19 2018-08-17 广东小天才科技有限公司 拾音设备的指向性拾音方法、装置、拾音设备及存储介质
US10733375B2 (en) 2018-01-31 2020-08-04 Apple Inc. Knowledge-based framework for improving natural language understanding
US10789959B2 (en) 2018-03-02 2020-09-29 Apple Inc. Training speaker recognition models for digital assistants
US10847176B2 (en) * 2018-03-12 2020-11-24 Amazon Technologies, Inc. Detection of TV state using sub-audible signal
US10560737B2 (en) 2018-03-12 2020-02-11 Amazon Technologies, Inc. Voice-controlled multimedia device
US10592604B2 (en) 2018-03-12 2020-03-17 Apple Inc. Inverse text normalization for automatic speech recognition
US10818288B2 (en) 2018-03-26 2020-10-27 Apple Inc. Natural assistant interaction
US10909331B2 (en) 2018-03-30 2021-02-02 Apple Inc. Implicit identification of translation payload with neural machine translation
US11145294B2 (en) 2018-05-07 2021-10-12 Apple Inc. Intelligent automated assistant for delivering content from user experiences
US10928918B2 (en) 2018-05-07 2021-02-23 Apple Inc. Raise to speak
US10984780B2 (en) 2018-05-21 2021-04-20 Apple Inc. Global semantic word embeddings using bi-directional recurrent neural networks
DK179822B1 (da) 2018-06-01 2019-07-12 Apple Inc. Voice interaction at a primary device to access call functionality of a companion device
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
US10892996B2 (en) 2018-06-01 2021-01-12 Apple Inc. Variable latency device coordination
DK201870355A1 (en) 2018-06-01 2019-12-16 Apple Inc. VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS
US11386266B2 (en) 2018-06-01 2022-07-12 Apple Inc. Text correction
US10496705B1 (en) 2018-06-03 2019-12-03 Apple Inc. Accelerated task performance
US11010561B2 (en) 2018-09-27 2021-05-18 Apple Inc. Sentiment prediction from textual data
US10839159B2 (en) 2018-09-28 2020-11-17 Apple Inc. Named entity normalization in a spoken dialog system
US11462215B2 (en) 2018-09-28 2022-10-04 Apple Inc. Multi-modal inputs for voice commands
US11170166B2 (en) 2018-09-28 2021-11-09 Apple Inc. Neural typographical error modeling via generative adversarial networks
KR20200043075A (ko) * 2018-10-17 2020-04-27 삼성전자주식회사 전자 장치 및 그 제어방법, 전자 장치의 음향 출력 제어 시스템
US11475898B2 (en) 2018-10-26 2022-10-18 Apple Inc. Low-latency multi-speaker speech recognition
US11638059B2 (en) 2019-01-04 2023-04-25 Apple Inc. Content playback on multiple devices
CN109640112B (zh) * 2019-01-15 2021-11-23 广州虎牙信息科技有限公司 视频处理方法、装置、设备及存储介质
US11348573B2 (en) 2019-03-18 2022-05-31 Apple Inc. Multimodality in digital assistant systems
US11423908B2 (en) 2019-05-06 2022-08-23 Apple Inc. Interpreting spoken requests
US11475884B2 (en) 2019-05-06 2022-10-18 Apple Inc. Reducing digital assistant latency when a language is incorrectly determined
DK201970509A1 (en) 2019-05-06 2021-01-15 Apple Inc Spoken notifications
US11307752B2 (en) 2019-05-06 2022-04-19 Apple Inc. User configurable task triggers
US11140099B2 (en) 2019-05-21 2021-10-05 Apple Inc. Providing message response suggestions
DK201970510A1 (en) 2019-05-31 2021-02-11 Apple Inc Voice identification in digital assistant systems
DK180129B1 (en) 2019-05-31 2020-06-02 Apple Inc. USER ACTIVITY SHORTCUT SUGGESTIONS
US11496600B2 (en) 2019-05-31 2022-11-08 Apple Inc. Remote execution of machine-learned models
US11289073B2 (en) 2019-05-31 2022-03-29 Apple Inc. Device text to speech
US11468890B2 (en) 2019-06-01 2022-10-11 Apple Inc. Methods and user interfaces for voice-based control of electronic devices
US11360641B2 (en) 2019-06-01 2022-06-14 Apple Inc. Increasing the relevance of new available information
WO2021056255A1 (en) 2019-09-25 2021-04-01 Apple Inc. Text detection using global geometry estimators
US11061543B1 (en) 2020-05-11 2021-07-13 Apple Inc. Providing relevant data items based on context
US11183193B1 (en) 2020-05-11 2021-11-23 Apple Inc. Digital assistant hardware abstraction
US11755276B2 (en) 2020-05-12 2023-09-12 Apple Inc. Reducing description length based on confidence
CN111609515A (zh) * 2020-05-26 2020-09-01 珠海格力电器股份有限公司 一种空调外机去除蜂巢的方法及空调外机
US11490204B2 (en) 2020-07-20 2022-11-01 Apple Inc. Multi-device audio adjustment coordination
US11438683B2 (en) 2020-07-21 2022-09-06 Apple Inc. User identification using headphones
CN112770224B (zh) * 2020-12-30 2022-07-05 上海移远通信技术股份有限公司 车内音源采集系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3069036U (ja) * 1999-10-28 2000-05-30 株式会社タイメクス 手拍子検出装置
JP2002247569A (ja) * 2001-02-20 2002-08-30 Nippon Syst Design Kk エンドレスフレームメモリを用いた姿見
JP2007121579A (ja) * 2005-10-26 2007-05-17 Matsushita Electric Works Ltd 操作装置
JP2007221300A (ja) * 2006-02-15 2007-08-30 Fujitsu Ltd ロボット及びロボットの制御方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6219645B1 (en) * 1999-12-02 2001-04-17 Lucent Technologies, Inc. Enhanced automatic speech recognition using multiple directional microphones
US6449593B1 (en) * 2000-01-13 2002-09-10 Nokia Mobile Phones Ltd. Method and system for tracking human speakers
GB2364121B (en) * 2000-06-30 2004-11-24 Mitel Corp Method and apparatus for locating a talker
US6820056B1 (en) * 2000-11-21 2004-11-16 International Business Machines Corporation Recognizing non-verbal sound commands in an interactive computer controlled speech word recognition display system
JP3771812B2 (ja) * 2001-05-28 2006-04-26 インターナショナル・ビジネス・マシーンズ・コーポレーション ロボットおよびその制御方法
DE10133126A1 (de) * 2001-07-07 2003-01-16 Philips Corp Intellectual Pty Richtungssensitives Audioaufnahmesystem mit Anzeige von Aufnahmegebiet und/oder Störquelle
JP3940662B2 (ja) * 2001-11-22 2007-07-04 株式会社東芝 音響信号処理方法及び音響信号処理装置及び音声認識装置
JP4195267B2 (ja) * 2002-03-14 2008-12-10 インターナショナル・ビジネス・マシーンズ・コーポレーション 音声認識装置、その音声認識方法及びプログラム
US7418392B1 (en) * 2003-09-25 2008-08-26 Sensory, Inc. System and method for controlling the operation of a device by voice commands
KR100754384B1 (ko) * 2003-10-13 2007-08-31 삼성전자주식회사 잡음에 강인한 화자위치 추정방법 및 장치와 이를 이용한카메라 제어시스템
JP4516527B2 (ja) * 2003-11-12 2010-08-04 本田技研工業株式会社 音声認識装置
US8271200B2 (en) * 2003-12-31 2012-09-18 Sieracki Jeffrey M System and method for acoustic signature extraction, detection, discrimination, and localization
DE102004049347A1 (de) * 2004-10-08 2006-04-20 Micronas Gmbh Schaltungsanordnung bzw. Verfahren für Sprache enthaltende Audiosignale
WO2006059806A1 (ja) * 2004-12-03 2006-06-08 Honda Motor Co., Ltd. 音声認識装置
JP4729927B2 (ja) * 2005-01-11 2011-07-20 ソニー株式会社 音声検出装置、自動撮像装置、および音声検出方法
JP4247195B2 (ja) 2005-03-23 2009-04-02 株式会社東芝 音響信号処理装置、音響信号処理方法、音響信号処理プログラム、及び音響信号処理プログラムを記録した記録媒体
US8103504B2 (en) 2006-08-28 2012-01-24 Victor Company Of Japan, Limited Electronic appliance and voice signal processing method for use in the same
CN100527185C (zh) * 2006-08-28 2009-08-12 日本胜利株式会社 电子设备及其使用的声音信号处理方法
JP4234746B2 (ja) 2006-09-25 2009-03-04 株式会社東芝 音響信号処理装置、音響信号処理方法及び音響信号処理プログラム
US8321214B2 (en) * 2008-06-02 2012-11-27 Qualcomm Incorporated Systems, methods, and apparatus for multichannel signal amplitude balancing
JP2010072507A (ja) 2008-09-22 2010-04-02 Toshiba Corp 音声認識検索装置及び音声認識検索方法
JP5646146B2 (ja) 2009-03-18 2014-12-24 株式会社東芝 音声入力装置、音声認識システム及び音声認識方法
JP5771002B2 (ja) 2010-12-22 2015-08-26 株式会社東芝 音声認識装置、音声認識方法および音声認識装置を搭載したテレビ受像機

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3069036U (ja) * 1999-10-28 2000-05-30 株式会社タイメクス 手拍子検出装置
JP2002247569A (ja) * 2001-02-20 2002-08-30 Nippon Syst Design Kk エンドレスフレームメモリを用いた姿見
JP2007121579A (ja) * 2005-10-26 2007-05-17 Matsushita Electric Works Ltd 操作装置
JP2007221300A (ja) * 2006-02-15 2007-08-30 Fujitsu Ltd ロボット及びロボットの制御方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9154848B2 (en) 2011-03-01 2015-10-06 Kabushiki Kaisha Toshiba Television apparatus and a remote operation apparatus
JP2015535952A (ja) * 2012-09-29 2015-12-17 シェンジェン ピーアールテック カンパニー リミテッド マルチメディアデバイス用音声制御システム及び方法、及びコンピュータ記憶媒体
US9955210B2 (en) 2012-09-29 2018-04-24 Shenzhen Prtek Co. Ltd. Multimedia device voice control system and method, and computer storage medium
JP2015064580A (ja) * 2013-09-24 2015-04-09 パワー ヴォイス カンパニー リミテッド サウンドコードをエンコーディングするエンコーディング装置及び方法、サウンドコードをデコーディングするデコーディング装置及び方法
US9515748B2 (en) 2013-09-24 2016-12-06 Powervoice Co., Ltd. Encoding apparatus and method for encoding sound code, decoding apparatus and method for decoding the sound code
JP2017539187A (ja) * 2015-10-28 2017-12-28 小米科技有限責任公司Ｘｉａｏｍｉ Ｉｎｃ． スマート機器の音声制御方法、装置、プログラム、記録媒体、制御機器およびスマート機器
JP2021076874A (ja) * 2021-02-17 2021-05-20 日本電信電話株式会社 話者方向強調装置、話者方向強調方法、およびプログラム
JP7111206B2 (ja) 2021-02-17 2022-08-02 日本電信電話株式会社 話者方向強調装置、話者方向強調方法、およびプログラム

Also Published As

Publication number Publication date
US20120245932A1 (en) 2012-09-27
CN102483918B (zh) 2014-08-20
JP5622744B2 (ja) 2014-11-12
JPWO2011055410A1 (ja) 2013-03-21
CN102483918A (zh) 2012-05-30
US8762145B2 (en) 2014-06-24

Similar Documents

Publication Publication Date Title
JP5622744B2 (ja) 音声認識装置
CN109599124B (zh) 一种音频数据处理方法、装置及存储介质
CN110785808B (zh) 具有唤醒字检测的音频设备
US11158333B2 (en) Multi-stream target-speech detection and channel fusion
TWI840587B (zh) 多模態使用者介面
US7885818B2 (en) Controlling an apparatus based on speech
JP6450139B2 (ja) 音声認識装置、音声認識方法、及び音声認識プログラム
DK2603018T3 (da) Høreindretning med taleaktivitetserkendelse og fremgangsmåde til driften af en høreindretning
CN110428806B (zh) 基于麦克风信号的语音交互唤醒电子设备、方法和介质
CN110097875B (zh) 基于麦克风信号的语音交互唤醒电子设备、方法和介质
CN110223711B (zh) 基于麦克风信号的语音交互唤醒电子设备、方法和介质
US10109294B1 (en) Adaptive echo cancellation
US8767987B2 (en) Ear contact pressure wave hearing aid switch
GB2608710A (en) Speaker identification
WO2022151657A1 (zh) 降噪方法、装置、音频设备和计算机可读存储介质
US11290802B1 (en) Voice detection using hearable devices
US20070198268A1 (en) Method for controlling a speech dialog system and speech dialog system
US20210201928A1 (en) Integrated speech enhancement for voice trigger application
KR20230084154A (ko) 동적 분류기를 사용한 사용자 음성 활동 검출
JP2007264132A (ja) 音声検出装置及びその方法
JP4635683B2 (ja) 音声認識装置および方法
US20240079007A1 (en) System and method for detecting a wakeup command for a voice assistant
JP7429107B2 (ja) 音声翻訳装置、音声翻訳方法及びそのプログラム
JP2009025518A (ja) 音声対話装置
JP2008225001A (ja) 音声認識装置および音声認識方法，音声認識用プログラム

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980161199.3

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09851067

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2011539182

Country of ref document: JP

122 Ep: pct application non-entry in european phase

Ref document number: 09851067

Country of ref document: EP

Kind code of ref document: A1