WO2013005248A1 - 音声認識装置およびナビゲーション装置 - Google Patents

音声認識装置およびナビゲーション装置 Download PDF

Info

Publication number
WO2013005248A1
WO2013005248A1 PCT/JP2011/003827 JP2011003827W WO2013005248A1 WO 2013005248 A1 WO2013005248 A1 WO 2013005248A1 JP 2011003827 W JP2011003827 W JP 2011003827W WO 2013005248 A1 WO2013005248 A1 WO 2013005248A1
Authority
WO
WIPO (PCT)
Prior art keywords
recognition
unit
voice
speech
recognition result
Prior art date
Application number
PCT/JP2011/003827
Other languages
English (en)
French (fr)
Inventor
石井　純
道弘 山崎
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to DE112011105407.6T priority Critical patent/DE112011105407T5/de
Priority to US14/117,830 priority patent/US20140100847A1/en
Priority to CN201180071882.5A priority patent/CN103650034A/zh
Priority to PCT/JP2011/003827 priority patent/WO2013005248A1/ja
Publication of WO2013005248A1 publication Critical patent/WO2013005248A1/ja

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
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/32—Multiple recognisers used in sequence or in parallel; Score combination systems therefor, e.g. voting systems

Definitions

  • the present invention relates to a voice recognition device and a navigation device equipped with the same.
  • Patent Document 1 discloses a speech recognition apparatus that divides a speech recognition target and performs recognition in a plurality of times.
  • the speech recognition target is divided and the speech recognition is sequentially performed. If the recognition score (likelihood) of the recognition result is equal to or greater than the threshold value, the recognition result is determined and the process is terminated. Further, when there is no recognition result with a recognition score equal to or higher than the threshold value, a final recognition result is obtained with the highest recognition score among the obtained recognition results. In this way, it is possible to prevent the recognition rate from being lowered by dividing the speech recognition target. In addition, since the process is terminated when the recognition score of the recognition result is equal to or higher than the threshold value, the time required for the recognition process can be shortened.
  • Patent Document 1 when recognition is sequentially performed by different speech recognition processes such as a syntax type and a dictation type, the recognition scores (likelihoods) of the recognition results cannot be simply compared. . For this reason, if there is no recognition result with a recognition score equal to or higher than the above threshold, the recognition result with the highest recognition score cannot be selected and the recognition result is presented to the user. There was a problem that it was not possible.
  • the present invention has been made to solve the above-described problems.
  • a speech recognition apparatus capable of accurately presenting recognition results obtained by different speech recognition processing and shortening the recognition processing, and
  • An object of the present invention is to obtain a navigation device provided with this.
  • the speech recognition apparatus is stored in an acquisition unit that digitally converts input speech and acquires it as speech data, a speech data storage unit that stores speech data acquired by the acquisition unit, and a speech data storage unit.
  • a plurality of speech recognition units that detect speech sections from the extracted speech data, extract feature values of the speech data of the speech sections, perform recognition processing by referring to a recognition dictionary based on the extracted feature amounts, and a plurality of speech
  • a switching unit that switches the recognition unit, a control unit that controls switching of the voice recognition unit by the switching unit, and obtains a recognition result by the switched voice recognition unit;
  • a selection unit that selects a recognition result of the presentation target.
  • the present invention it is possible to accurately present recognition results obtained by different voice recognition processes and to shorten the recognition process.
  • FIG. 1 It is a block diagram which shows the structure of the navigation apparatus provided with the speech recognition apparatus which concerns on Embodiment 1 of this invention.
  • 3 is a flowchart showing a flow of speech recognition processing by the speech recognition apparatus according to Embodiment 1. It is a figure which shows the example of a display of the recognition result for every audio
  • 10 is a flowchart illustrating a flow of voice recognition processing by the voice recognition device according to the third embodiment. It is a block diagram which shows the structure of the speech recognition apparatus which concerns on Embodiment 4 of this invention. 10 is a flowchart illustrating a flow of voice recognition processing by the voice recognition device according to the fourth embodiment. It is a block diagram which shows the structure of the speech recognition apparatus which concerns on Embodiment 5 of this invention. 10 is a flowchart illustrating a flow of voice recognition processing by the voice recognition device according to the fifth embodiment.
  • FIG. 1 is a block diagram showing a configuration of a navigation apparatus provided with a speech recognition apparatus according to Embodiment 1 of the present invention.
  • the navigation apparatus according to Embodiment 1 shows a case where the speech recognition apparatus according to Embodiment 1 is applied to an in-vehicle navigation apparatus mounted on a vehicle that is a moving body.
  • a voice acquisition unit 1 As a configuration of the voice recognition device, a voice acquisition unit 1, a voice data storage unit 2, a voice recognition unit 3, a voice recognition switching unit 4, a recognition control unit 5, a recognition result selection unit 6, and a recognition result storage unit 7 are provided, and navigation is performed.
  • DB map database
  • the voice acquisition unit 1 is an acquisition unit that performs analog / digital conversion on a predetermined period of time inputted by a microphone or the like, and acquires the data as, for example, PCM (Pulse Code Modulation) format voice data.
  • the audio data storage unit 2 is a storage unit that stores the audio data acquired by the audio acquisition unit 1.
  • the speech recognition unit 3 includes a plurality of speech recognition units (hereinafter referred to as first to Mth speech recognition units) that perform different speech recognition processes such as a syntax type and a dictation type.
  • the first to Mth speech recognition units detect speech sections corresponding to the content spoken by the user from the speech data acquired by the speech acquisition unit 1 according to each speech recognition algorithm, and feature values of the speech data in the speech sections And performing a recognition process while referring to the recognition dictionary based on the extracted feature amount.
  • the voice recognition switching unit 4 is a switching unit that switches the first to Mth voice recognition units in response to a switching control signal from the recognition control unit 5.
  • the recognition control unit 5 is a control unit that controls switching of the voice recognition unit by the voice recognition switching unit 4 and acquires the recognition result of the voice recognition unit after switching.
  • the recognition result selection unit 6 is a selection unit that selects a recognition result to be output from the recognition results acquired by the recognition control unit 5.
  • the recognition result storage unit 7 is a storage unit that stores the recognition result selected by the recognition result selection unit 6.
  • the display unit 8 is a display unit that displays the recognition result stored in the recognition result storage unit 7 or the processing result of the navigation processing unit 9.
  • the navigation processing unit 9 is a functional configuration unit that performs navigation processing such as route calculation, route guidance, and map display.
  • the navigation processing unit 9 stores the current position of the vehicle acquired by the position detection unit 10, the destination input by the voice recognition device according to the first embodiment or the input unit 12, and the map database (DB) 11. The route from the current vehicle position to the destination is calculated using the map data. Then, the navigation processing unit 9 guides the route obtained by route calculation. Further, the navigation processing unit 9 displays a map including the vehicle position on the display unit 8 using the current position of the vehicle and the map data stored in the map DB 11.
  • the position detection unit 10 is a functional configuration unit that acquires the position information (latitude and longitude) of the vehicle from an analysis result such as GPS (Global Positioning System) radio waves.
  • the map DB 11 is a database in which map data used by the navigation processing unit 9 is registered. Map data includes topographic map data, residential map data, road networks, and the like.
  • the input unit 12 is a functional configuration unit that receives a destination setting input or various operations by the user, and is realized by, for example, a touch panel mounted on the screen of the display unit 8.
  • FIG. 2 is a flowchart showing the flow of speech recognition processing by the speech recognition apparatus according to the first embodiment.
  • the audio acquisition unit 1 performs A / D conversion on audio for a predetermined period input by a microphone or the like, and acquires it as, for example, PCM format audio data (step ST10).
  • the voice data storage unit 2 stores the voice data acquired by the voice acquisition unit 1 (step ST20).
  • the recognition control unit 5 initializes the variable N to 1 (step ST30).
  • N is a variable that can take values from 1 to M.
  • the recognition control unit 5 outputs a switching control signal for switching the voice recognition unit 3 to the Nth voice recognition unit to the voice recognition switching unit 4.
  • the speech recognition switching unit 4 switches the speech recognition unit 3 to the Nth speech recognition unit in accordance with the switching control signal from the recognition control unit 5 (step ST40).
  • the Nth speech recognition unit detects a speech section corresponding to the user utterance from speech data stored in the speech data storage unit 2, extracts a feature amount of the speech data in the speech segment, and recognizes based on the feature amount Recognition processing is performed with reference to the dictionary (step ST50).
  • the recognition control unit 5 acquires a recognition result from the Nth speech recognition unit, compares the first recognition score (likelihood) in the recognition result with a predetermined threshold, and determines whether or not the threshold is equal to or higher than the threshold. Determination is made (step ST60).
  • the predetermined threshold value is used for determining whether or not to continue the recognition process by switching to another voice recognition unit, and the predetermined threshold value is the first to Mth voice recognition units. It is set for each.
  • the recognition result selection unit 6 uses a method described later from the recognition results obtained by the Nth speech recognition unit acquired by the recognition control unit 5. A recognition result to be output is selected (step ST70). Thereafter, the display unit 8 displays the recognition result selected by the recognition result selection unit 6 and stored in the recognition result storage unit 7 (step ST80). On the other hand, when the first recognition score is less than the threshold (step ST60; NO), the recognition result selection unit 6 uses a recognition result obtained by the Nth speech recognition unit acquired by the recognition control unit 5 to be described later. A recognition result to be output is selected (step ST90).
  • the recognition result selection unit 6 stores the selected recognition result in the recognition result storage unit 7 (step ST100).
  • the recognition control unit 5 increments the variable N by +1 (step ST110), and the value of the variable N sets the number M of voice recognition units. It is determined whether it has been exceeded (step ST120).
  • step ST120 When the value of the variable N exceeds the number M of speech recognition units (step ST120; YES), the display unit 8 outputs the recognition results of the first to Mth speech recognition units stored in the recognition result storage unit 7 (step ST130). ). The output of the recognition result by the display unit 8 may be output in the order of the recognition result for each voice recognition unit.
  • step ST120; NO When the value of the variable N is equal to or less than the number of voice recognition units M (step ST120; NO), the process returns to step ST40. Thus, the above processing is repeated by the voice recognition unit after switching.
  • the recognition result selection unit 6 selects a higher recognition score from the recognition results acquired by the recognition control unit 5.
  • the recognition result having the first recognition score may be selected, or all of the recognition results acquired by the recognition control unit 5 may be selected.
  • you may select the recognition result contained in the X rank from the high rank of a recognition score.
  • a recognition result whose difference from the first recognition score is a predetermined value or less may be selected.
  • the recognition result included from the top of the recognition score to the X position, or the recognition result whose difference from the first recognition score is a predetermined value or less the recognition result whose recognition score is less than a predetermined threshold is , It may not be selected.
  • FIG. 3 is a diagram showing a display example of recognition results for each voice recognition unit having a recognition score from the top to the second.
  • speech recognition processing 1 indicates, for example, the recognition result of the first speech recognition unit
  • speech recognition processing 2 indicates, for example, the recognition result of the second speech recognition unit. Is shown. The same applies to “voice recognition processing 3”, “voice recognition processing 4”,.
  • the recognition results (likelihood) of the recognition scores (likelihood) from the top to the second are displayed in order for each voice recognition unit.
  • FIG. 4 is a diagram illustrating a display example of recognition results selected by different methods for each voice recognition unit.
  • the recognition results of the first speech recognition unit (“speech recognition processing 1”) are selected and displayed with the recognition scores from the top to the second.
  • speech recognition process 2 For the second speech recognition unit (“speech recognition process 2”), all recognition results are selected and displayed.
  • the recognition result selection method may be different for each voice recognition unit.
  • the navigation processing unit 9 uses the current position of the host vehicle acquired by the position detection unit 10, the recognition result of the destination read from the recognition result storage unit 7, and the map data stored in the map DB 11. The route from the position to the destination is calculated, and the obtained route is guided.
  • the voice acquisition unit 1 that digitally converts the input voice and acquires it as voice data
  • the voice data storage unit that stores the voice data acquired by the voice acquisition unit 1 2
  • the speech section is detected from the speech data stored in the speech data storage unit 2
  • the feature amount of the speech data in the speech section is extracted
  • the recognition process is performed by referring to the recognition dictionary based on the extracted feature amount.
  • the first to Mth voice recognition units to be performed, the voice recognition switching unit 4 for switching the first to Mth voice recognition units, and the switching of the voice recognition unit by the voice recognition switching unit 4 are controlled to be switched.
  • a recognition control unit 5 that acquires a recognition result by the recognition unit, and a recognition result selection unit 6 that selects a recognition result to be presented to the user from the recognition results acquired by the recognition control unit 5.
  • FIG. FIG. 5 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 2 of the present invention.
  • the speech recognition apparatus according to Embodiment 2 includes a speech acquisition unit 1, a speech data storage unit 2, a speech recognition unit 3, a speech recognition switching unit 4, a recognition control unit 5, a recognition result selection unit 6A, and a recognition result.
  • a storage unit 7 and a recognition result selection method changing unit 13 are provided.
  • the recognition result selection unit 6A selects a recognition result to be output from the recognition results acquired by the recognition control unit 5 in accordance with the selection method control signal from the recognition result selection method changing unit 13.
  • the recognition result selection method changing unit 13 accepts designation of a recognition result selection method by the recognition result selection unit 6A for each of the first to Mth speech recognition units, and changes the selection method to a selection method designated by the user. It is a functional configuration unit that outputs a signal to the recognition result selection unit 6A.
  • FIG. 5 the same components as those in FIG.
  • the recognition result selection method changing unit 13 displays a screen for designating a recognition result selection method on the display unit 8 and provides an HMI (Human Machine Interface) that accepts designation by the user. For example, a designation screen that associates each of the first to Mth speech recognition units with the selection method is displayed by a user operation.
  • a selection method is set for each speech recognition unit in the recognition result selection unit 6A.
  • the user can specify the selection method for each voice recognition unit as desired, and may specify the selection method for each voice recognition unit according to the usage status of the voice recognition device.
  • the selection method may be specified so that many recognition results by the voice recognition unit having a high level of importance are selected.
  • the selection method may not be specified, that is, the recognition result by the voice recognition unit may not be output.
  • the voice recognition by the voice recognition apparatus is the same as the flowchart of FIG. 2 shown in the first embodiment.
  • the recognition result selection unit 6A selects the recognition result by the selection method set by the recognition result selection method changing unit 13. For example, for the recognition result acquired by the recognition control unit 5 from the first speech recognition unit, the one having the first recognition score is selected, and for the recognition result acquired from the second speech recognition unit, all are selected.
  • the user can determine a recognition result selection method for each voice recognition unit.
  • Other processes are the same as those in the first embodiment.
  • the recognition result selection method changing unit 13 for changing the recognition result selection method by the recognition result selection unit 6A is provided.
  • the user can specify a method for selecting a recognition result by the recognition result selection unit 6A. For example, it is possible to focus on presenting the result of speech recognition processing that is considered optimal according to the usage situation. .
  • FIG. FIG. 6 is a block diagram showing the configuration of the speech recognition apparatus according to Embodiment 3 of the present invention.
  • the speech recognition apparatus according to Embodiment 3 includes a speech acquisition unit 1, a speech data storage unit 2A, a speech recognition unit 3, a speech recognition switching unit 4, a recognition control unit 5, and a recognition result selection unit 6.
  • the recognition result storage unit 7 and the voice section detection unit 14 are provided.
  • FIG. 6 the same components as those in FIG.
  • the voice data storage unit 2A is a storage unit that stores voice data of a voice section detected by the voice section detection unit 14.
  • the voice section detection unit 14 is a voice section detection unit that detects voice data in a voice section corresponding to the content spoken by the user from the voice data acquired by the voice acquisition unit 1.
  • the first to Mth speech recognition units extract feature amounts from the speech data stored in the speech data storage unit 2A, and perform recognition processing with reference to the recognition dictionary based on the feature amounts. As described above, in Embodiment 3, the first to Mth speech recognition units do not individually perform speech segment detection processing.
  • FIG. 7 is a flowchart showing the flow of speech recognition processing by the speech recognition apparatus according to the third embodiment.
  • the audio acquisition unit 1 performs A / D conversion on audio for a predetermined period input by a microphone or the like, and acquires the audio data, for example, in PCM format (step ST210).
  • the voice section detection unit 14 detects voice data of a section corresponding to the content spoken by the user from the voice data acquired by the voice acquisition unit 1 (step ST220).
  • the voice data storage unit 2A stores the voice data detected by the voice segment detection unit 14 (step ST230).
  • the recognition control unit 5 initializes the variable N to 1 (step ST240). Then, the recognition control unit 5 outputs a switching control signal for switching the voice recognition unit 3 to the Nth voice recognition unit to the voice recognition switching unit 4. The speech recognition switching unit 4 switches the speech recognition unit 3 to the Nth speech recognition unit in accordance with the switching control signal from the recognition control unit 5 (step ST250).
  • the Nth speech recognition unit extracts a feature amount from the speech data for each speech section stored in the speech data storage unit 2A, and performs recognition processing while referring to the recognition dictionary based on the feature amount (step ST260).
  • the subsequent processing from step ST270 to step ST340 is the same as the processing from step ST60 to step ST130 in FIG.
  • the voice acquisition unit 1 that digitally converts the input voice and acquires it as voice data, and the user's utterance content from the voice data acquired by the voice acquisition unit 1
  • a voice segment detection unit 14 for detecting a voice segment to be performed, a voice data storage unit 2A for storing voice data for each voice segment detected by the voice segment detection unit 14, and features of voice data stored in the voice data storage unit 2A
  • a first to Mth speech recognition unit that extracts a quantity and performs a recognition process with reference to the recognition dictionary based on the extracted feature quantity; a voice recognition switching unit 4 that switches between the first to Mth voice recognition units;
  • the recognition control unit 5 that controls the switching of the voice recognition unit by the voice recognition switching unit 4 and acquires the recognition result by the switched voice recognition unit, and presents the recognition result acquired by the recognition control unit 5 to the user versus And a recognition result selection section 6 for selecting a recognition result.
  • FIG. FIG. 8 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 4 of the present invention.
  • the speech recognition apparatus according to Embodiment 4 includes a speech acquisition unit 1, a speech data storage unit 2, a speech recognition unit 3A, a speech recognition switching unit 4, a recognition control unit 5, and a recognition result selection unit 6. And a recognition result storage unit 7.
  • the same components as those in FIG. 8 are identical components as those in FIG.
  • variables that contribute to the accuracy of speech recognition include the frame period when extracting feature quantities of speech sections, the number of acoustic model mixtures, the number of acoustic model models, or a combination thereof.
  • the speech recognition method with low recognition accuracy is one in which the frame period when extracting the feature amount of the speech section is made longer than the predetermined value, the number of mixture distributions of the acoustic model is reduced from the predetermined value in the variables described above,
  • the acoustic model is defined by the number of models reduced from a predetermined value or a combination thereof.
  • the speech recognition method with high recognition accuracy shortens the frame period when extracting the feature amount of the speech section to the predetermined value or less, and increases the number of mixture distributions of the acoustic model to the predetermined value or more.
  • the number of acoustic models is increased by more than the predetermined value, or a combination thereof.
  • the variables that contribute to the recognition accuracy of the speech recognition method in the first to Mth speech recognition units may be appropriately set by the user to determine the recognition accuracy.
  • FIG. 9 is a flowchart showing the flow of speech recognition processing by the speech recognition apparatus according to the fourth embodiment.
  • the audio acquisition unit 1 performs A / D conversion on audio for a predetermined period input by a microphone or the like, and acquires the audio data, for example, in PCM format (step ST410).
  • the voice data storage unit 2 stores the voice data acquired by the voice acquisition unit 1 (step ST420).
  • the recognition control unit 5 initializes the variable N to 1 (step ST430).
  • N is a variable that can take values from 1 to M.
  • the recognition control unit 5 outputs a switching control signal for switching the voice recognition unit 3A to the Nth voice recognition unit to the voice recognition switching unit 4.
  • the speech recognition switching unit 4 switches the speech recognition unit 3A to the Nth speech recognition unit in accordance with the switching control signal from the recognition control unit 5 (step ST440).
  • the Nth speech recognition unit detects a speech segment corresponding to the user utterance from speech data stored in the speech data storage unit 2 by a speech recognition method with low recognition accuracy, extracts a feature amount of the speech segment, Based on the amount, the recognition process is performed while referring to the recognition dictionary (step ST450).
  • the recognition control unit 5 increments the variable N by +1 (step ST460), and the value of the variable N is the number of voice recognition units. It is determined whether or not M is exceeded (step ST470).
  • the process returns to step ST440. The above process is repeated by the switched speech recognition unit.
  • the recognition control unit 5 acquires the recognition result from the Nth speech recognition unit, and recognizes the first place among the recognition results.
  • the score (likelihood) is compared with a predetermined threshold value to determine whether or not there are K speech recognition units that are equal to or greater than the threshold value (step ST480). Accordingly, among the first to Mth speech recognition units, K speech recognition units L (1) to L (1) to L (1) to L (1) to L that have obtained recognition results having a first recognition score equal to or higher than a threshold value by a speech recognition method with low recognition accuracy. Narrow down to (K).
  • Recognition control unit 5 initializes variable n to 1 (step ST490). Note that n is a variable that can take a value of 1 to K.
  • the recognition control unit 5 outputs to the voice recognition switching unit 4 a switching control signal for switching to the voice recognition unit L (n) among the voice recognition units L (1) to L (K) selected in step ST480.
  • the speech recognition switching unit 4 switches the speech recognition unit 3A to the speech recognition unit L (n) in accordance with the switching control signal from the recognition control unit 5 (step ST500).
  • the voice recognition unit L (n) detects a voice section corresponding to the user utterance from the voice data stored in the voice data storage unit 2 by a voice recognition method with high recognition accuracy, and determines the feature amount of the voice data in the voice section. Extraction is performed, and recognition processing is performed with reference to the recognition dictionary based on the feature amount (step ST510).
  • the recognition control unit 5 acquires the recognition result every time the recognition process of the voice recognition unit L (n) is finished.
  • the recognition result selection unit 6 outputs the recognition results obtained by the Nth speech recognition unit acquired by the recognition control unit 5 by the same method as in the first embodiment (step ST70 and step ST90 in FIG. 2).
  • a recognition result to be selected is selected (step ST520).
  • the recognition result selection unit 6 stores the selected recognition result in the recognition result storage unit 7 (step ST530).
  • the recognition control unit 5 increments the variable n by +1 (step ST540), and the value of the variable n is the voice selected in step ST480. It is determined whether or not K, which is the number of recognition units, has been exceeded (step ST550).
  • K which is the number of recognition units
  • the process returns to step ST500.
  • step ST480 When the value of the variable n exceeds the number K of speech recognition units selected in step ST480 (step ST550; YES), the display unit 8 displays the speech recognition units L (1) to L (1) stored in the recognition result storage unit 7.
  • the recognition result of (K) is output (step ST560).
  • the output of the recognition result by the display unit 8 may be output in the order of the recognition results of the speech recognition units L (1) to L (K).
  • the first to Mth speech recognition units of the speech recognition unit 3A can perform recognition processing with different accuracy, and the recognition control unit 5
  • the recognition processing is performed so that the accuracy increases step by step while narrowing down the speech recognition units that perform the recognition processing based on the recognition score of the recognition result.
  • FIG. FIG. 10 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 5 of the present invention.
  • the speech recognition apparatus according to the fifth embodiment includes a speech acquisition unit 1, a speech data storage unit 2, a speech recognition unit 3, a speech recognition switching unit 4, a recognition control unit 5, and a recognition result determination unit 15.
  • the recognition result determination unit 15 is a determination unit that accepts selection of a recognition result by the user based on the recognition result candidate displayed on the display unit 8 and determines the selected recognition result candidate as a final recognition result. .
  • the recognition result determination unit 15 displays a recognition result selection screen on the screen of the display unit 8, and based on the recognition result selection screen, the recognition result is determined using an input device such as a touch panel, a hard key, or a button. Provide an HMI for selecting candidates.
  • an input device such as a touch panel, a hard key, or a button.
  • HMI for selecting candidates.
  • FIG. 10 the same components as those in FIG.
  • FIG. 11 is a flowchart showing the flow of speech recognition processing by the speech recognition apparatus according to the fifth embodiment.
  • the audio acquisition unit 1 performs A / D conversion on audio for a predetermined period input by a microphone or the like, and acquires it as, for example, PCM format audio data (step ST610).
  • the voice data storage unit 2 stores the voice data acquired by the voice acquisition unit 1 (step ST620).
  • the recognition control unit 5 initializes the variable N to 1 (step ST630).
  • N is a variable that can take values from 1 to M.
  • the recognition control unit 5 outputs a switching control signal for switching the voice recognition unit 3 to the Nth voice recognition unit to the voice recognition switching unit 4.
  • the speech recognition switching unit 4 switches the speech recognition unit 3 to the Nth speech recognition unit in accordance with the switching control signal from the recognition control unit 5 (step ST640).
  • the Nth speech recognition unit detects a speech section corresponding to a user utterance from speech data stored in the speech data storage unit 2, extracts a feature amount of the speech data in the speech segment, and recognizes based on the feature amount Recognition processing is performed while referring to the dictionary (step ST650).
  • the recognition control unit 5 acquires the recognition result from the Nth speech recognition unit and outputs it to the display unit 8.
  • display unit 8 displays the input recognition result as a recognition result candidate according to the control of recognition result determination unit 15 (step ST660).
  • the recognition result determination unit 15 waits for selection of a recognition result from the user, and determines whether the user has selected the recognition result candidate displayed on the display unit 8. (Step ST670).
  • the recognition result determination unit 15 determines the recognition result candidate selected by the user as a final recognition result (step ST680). As a result, the recognition process ends.
  • step ST670; NO the recognition control unit 5 increments the variable N by +1 (step ST690), and the value of the variable N sets the number M of speech recognition units. It is determined whether it has been exceeded (step ST700). If the value of the variable N exceeds the number of voice recognition copies M (step ST700; YES), the recognition process ends. If the value of variable N is equal to or less than the number of voice recognition copies M (step ST700; NO), the process returns to step ST640. Thus, the above process is repeated by the voice recognition unit after switching.
  • the voice acquisition unit 1 that digitally converts the input voice and acquires it as voice data
  • the voice data storage unit that stores the voice data acquired by the voice acquisition unit 1 2
  • the speech section is detected from the speech data stored in the speech data storage unit 2
  • the feature amount of the speech data in the speech section is extracted
  • the recognition process is performed by referring to the recognition dictionary based on the extracted feature amount.
  • the first to Mth voice recognition units to be performed, the voice recognition switching unit 4 for switching the first to Mth voice recognition units, and the switching of the voice recognition unit by the voice recognition switching unit 4 are controlled to be switched.
  • the recognition control unit 5 that acquires the recognition result by the user and the recognition result acquired by the recognition control unit 5 and presented to the user are accepted, and the recognition result selected by the user is finally determined.
  • Recognition And a recognition result determination unit 15 for determining the result With this configuration, the recognition result selected and designated by the user can be confirmed as the final recognition result before all the recognition processes are performed, so that the overall recognition process time can be reduced.
  • the recognition result is displayed on the display unit 8 in the first to fifth embodiments.
  • the presentation of the recognition result to the user is not limited to the screen display on the display unit 8.
  • the recognition result may be voice-guided using a voice output device such as a speaker.
  • the navigation device according to the present invention is applied to a vehicle-mounted navigation device.
  • a vehicle-mounted device not only a vehicle-mounted device but also a mobile phone terminal or a personal digital assistant (PDA; Personal Digital Assistance).
  • PDA Personal Digital Assistance
  • the present invention may be applied to a PND (Portable Navigation Device) or the like that is carried and used by a person in a moving body such as a vehicle, a railway, a ship, or an aircraft.
  • the speech recognition apparatus according to the second to fifth embodiments as well as the first embodiment may be applied to the navigation apparatus.
  • any combination of each embodiment, any component of each embodiment can be modified, or any component can be omitted in each embodiment. .
  • the speech recognition apparatus can accurately present recognition results obtained by different speech recognition processes and can shorten the recognition process, the speed of the recognition process and the accuracy of the recognition results are improved. It is suitable for voice recognition of a required on-vehicle navigation device.
  • 1 voice acquisition unit 2, 2A voice data storage unit, 3, 3A voice recognition unit, 4 voice recognition switching unit, 5 recognition control unit, 6, 6A recognition result selection unit, 7 recognition result storage unit, 8 display unit, 9 Navigation processing unit, 10 position detection unit, 11 map database (DB), 12 input unit, 13 recognition result selection method change unit, 14 speech section detection unit, 15 recognition result determination unit.
  • DB map database

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Navigation (AREA)

Abstract

　入力された音声をデジタル変換して音声データとして取得する音声取得部１と、音声取得部１が取得した音声データを記憶する音声データ記憶部２と、音声データ記憶部２に記憶された音声データから音声区間を検出し、音声区間の音声データの特徴量を抽出して、抽出した特徴量に基づいて認識辞書を参照して認識処理を行う第１～第Ｍ音声認識部と、第１～第Ｍ音声認識部を切り換える音声認識切換部４と、音声認識切換部４による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する認識制御部５と、認識制御部５が取得した認識結果の中からユーザへの提示対象の認識結果を選択する認識結果選択部６とを備える。

Description

音声認識装置およびナビゲーション装置
　この発明は、音声認識装置およびこれを備えたナビゲーション装置に関する。
　現在のカーナビゲーション装置では、音声入力Ｉ／Ｆを有して住所や施設名を音声認識する機能が一般的になっている。しかしながら、カーナビゲーション装置として実装するハードウェアのワークメモリや演算能力の制限、認識率の問題から、住所や施設名などの大語彙を一度に認識対象とすることが困難な場合があった。
　これに対して、例えば特許文献１には、音声認識の対象を分割し認識を複数回に分けて実施する音声認識装置が開示されている。この装置では、音声認識の対象を分割して順次音声認識を行い、認識結果の認識スコア（尤度）が閾値以上であれば、その認識結果を確定して処理を終了する。また、上記閾値以上の認識スコアの認識結果が一つもない場合、得られた認識結果の中で最も認識スコアが高いものを最終的な認識結果とする。
　このように、音声認識対象を分割することで認識率の低下を防ぐことができる。また、認識結果の認識スコアが閾値以上になった時点で処理を終了するので、認識処理に要する時間を短縮することができる。
特開２００９－２３００６８号公報
　特許文献１に代表される従来の技術では、例えば、構文型やディクテーション型などの異なる音声認識処理によって順次認識を行う場合、認識結果同士の認識スコア（尤度）を単純に比較することができない。このため、上記閾値以上の認識スコアの認識結果が一つもない場合には、得られた認識結果の中で最も認識スコアが高いものを選択することができず、ユーザに対して認識結果を提示できないという課題があった。
　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、異なる音声認識処理で得られた認識結果を的確に提示し、かつ認識処理の短縮化を図ることができる音声認識装置およびこれを備えたナビゲーション装置を得ることを目的とする。
　この発明に係る音声認識装置は、入力された音声をデジタル変換して音声データとして取得する取得部と、取得部が取得した音声データを記憶する音声データ記憶部と、音声データ記憶部に記憶された音声データから音声区間を検出し、音声区間の音声データの特徴量を抽出して、抽出した特徴量に基づいて認識辞書を参照して認識処理を行う複数の音声認識部と、複数の音声認識部を切り換える切換部と、切換部による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する制御部と、制御部が取得した認識結果の中からユーザへの提示対象の認識結果を選択する選択部とを備える。
　この発明によれば、異なる音声認識処理で得られた認識結果を的確に提示し、かつ認識処理の短縮化を図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に係る音声認識装置を備えたナビゲーション装置の構成を示すブロック図である。 実施の形態１に係る音声認識装置による音声認識処理の流れを示すフローチャートである。 認識スコアが上位から第２位までの音声認識部ごとの認識結果の表示例を示す図である。 音声認識部ごとに異なる方法で選択した認識結果の表示例を示す図である。 この発明の実施の形態２に係る音声認識装置の構成を示すブロック図である。 この発明の実施の形態３に係る音声認識装置の構成を示すブロック図である。 実施の形態３に係る音声認識装置による音声認識処理の流れを示すフローチャートである。 この発明の実施の形態４に係る音声認識装置の構成を示すブロック図である。 実施の形態４に係る音声認識装置による音声認識処理の流れを示すフローチャートである。 この発明の実施の形態５に係る音声認識装置の構成を示すブロック図である。 実施の形態５に係る音声認識装置による音声認識処理の流れを示すフローチャートである。
　以下、この発明をより詳細に説明するため、この発明を実施するための形態について、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に係る音声認識装置を備えたナビゲーション装置の構成を示すブロック図である。図１において、実施の形態１に係るナビゲーション装置は、実施の形態１に係る音声認識装置を、移動体である車両に搭載した車載用ナビゲーション装置に適用した場合を示している。音声認識装置の構成として、音声取得部１、音声データ記憶部２、音声認識部３、音声認識切換部４、認識制御部５、認識結果選択部６および認識結果記憶部７を備え、ナビゲーションを行う構成として、表示部８、ナビゲーション処理部９、位置検出部１０、地図データベース（ＤＢ）１１および入力部１２を備える。
　音声取得部１は、マイクなどによって入力された所定期間の音声をアナログ／デジタル変換し、例えばＰＣＭ（Pulse Code Modulation）形式の音声データとして取得する取得部である。音声データ記憶部２は、音声取得部１により取得された音声データを格納する記憶部である。
　音声認識部３は、例えば構文型やディクテーション型等の異なる音声認識処理を行う複数の音声認識部（以降、第１～第Ｍ音声認識部と記載する）からなる。
　第１～第Ｍ音声認識部は、各々の音声認識アルゴリズムに従って、音声取得部１が取得した音声データからユーザが発話した内容に該当する音声区間を検出し、その音声区間における音声データの特徴量を抽出し、抽出した特徴量に基づいて認識辞書を参照しながら認識処理を行う。
　音声認識切換部４は、認識制御部５からの切換制御信号に応じて第１～第Ｍ音声認識部を切り換える切換部である。認識制御部５は、音声認識切換部４による音声認識部の切換を制御して、切り換え後の音声認識部の認識結果を取得する制御部である。認識結果選択部６は、認識制御部５が取得した認識結果から、出力すべき認識結果を選択する選択部である。認識結果記憶部７は、認識結果選択部６により選択された認識結果を記憶する記憶部である。
　表示部８は、認識結果記憶部７に格納された認識結果またはナビゲーション処理部９の処理結果を表示する表示部である。ナビゲーション処理部９は、ルート計算、ルート誘導および地図表示などのナビゲーション処理を行う機能構成部である。例えば、ナビゲーション処理部９は、位置検出部１０が取得した自車の現在位置、実施の形態１に係る音声認識装置または入力部１２で入力された目的地および地図データベース（ＤＢ）１１が記憶する地図データを用いて、現在の自車位置から目的地までのルートを計算する。そして、ナビゲーション処理部９は、ルート計算で得たルートを誘導案内する。また、ナビゲーション処理部９は、自車の現在位置および地図ＤＢ１１が記憶する地図データを用いて、自車位置を含む地図を表示部８に表示する。
　位置検出部１０は、ＧＰＳ（Global Positioning System）電波などの解析結果から、自車の位置情報（緯度経度）を取得する機能構成部である。また、地図ＤＢ１１は、ナビゲーション処理部９により利用される地図データが登録されたデータベースである。地図データには、地形図データ、住宅地図データおよび道路ネットワークなどがある。入力部１２は、ユーザによる目的地の設定入力または各種操作を受け付ける機能構成部であり、例えば表示部８の画面上に搭載したタッチパネル等で実現される。
　次に動作について説明する。
　図２は、実施の形態１に係る音声認識装置による音声認識処理の流れを示すフローチャートである。まず、音声取得部１が、マイクなどにより入力された所定期間の音声をＡ／Ｄ変換し、例えば、ＰＣＭ形式の音声データとして取得する（ステップＳＴ１０）。音声データ記憶部２は、音声取得部１により取得された音声データを記憶する（ステップＳＴ２０）。
　次に、認識制御部５が変数Ｎを１に初期化する（ステップＳＴ３０）。なお、Ｎは、１～Ｍの値を取り得る変数である。そして、認識制御部５は、音声認識部３を第Ｎ音声認識部へ切り換える切換制御信号を音声認識切換部４へ出力する。音声認識切換部４は、認識制御部５からの当該切換制御信号に従って、音声認識部３を第Ｎ音声認識部に切り換える（ステップＳＴ４０）。
　第Ｎ音声認識部は、音声データ記憶部２が記憶する音声データから、ユーザ発話に該当する音声区間を検出し、その音声区間における音声データの特徴量を抽出し、その特徴量に基づいて認識辞書を参照しながら認識処理を行う（ステップＳＴ５０）。
　認識制御部５は、第Ｎ音声認識部から認識結果を取得し、当該認識結果における第１位の認識スコア（尤度）を所定の閾値と比較して、当該閾値以上であるか否かを判定する（ステップＳＴ６０）。なお、上記所定の閾値は、他の音声認識部へ切り換えて認識処理を継続するか否かを判断するために使用されるものであり、上記所定の閾値は、第１～第Ｍ音声認識部ごとに設定されている。
　第１位の認識スコアが上記閾値以上の場合（ステップＳＴ６０；ＹＥＳ）は、認識結果選択部６が、認識制御部５が取得した第Ｎ音声認識部による認識結果の中から、後述する方法で出力すべき認識結果を選択する（ステップＳＴ７０）。この後、表示部８が、認識結果選択部６に選択され、認識結果記憶部７に記憶された認識結果を表示する（ステップＳＴ８０）。
　一方、第１位の認識スコアが閾値未満である場合（ステップＳＴ６０；ＮＯ）、認識結果選択部６は、認識制御部５が取得した第Ｎ音声認識部による認識結果の中から、後述する方法で出力すべき認識結果を選択する（ステップＳＴ９０）。
　次いで、認識結果選択部６は、選択した認識結果を認識結果記憶部７に格納する（ステップＳＴ１００）。認識制御部５は、認識結果選択部６により認識結果が認識結果記憶部７に格納されると、変数Ｎを＋１インクリメントして（ステップＳＴ１１０）、変数Ｎの値が音声認識部の数Ｍを超えたか否かを判定する（ステップＳＴ１２０）。
　変数Ｎの値が音声認識部数Ｍを超える場合（ステップＳＴ１２０；ＹＥＳ）、表示部８が、認識結果格納部７に格納された第１～第Ｍ音声認識部の認識結果を出力する（ステップＳＴ１３０）。表示部８による認識結果の出力は、音声認識部ごとの認識結果順で出力してもよい。変数Ｎの値が音声認識部数Ｍ以下の場合（ステップＳＴ１２０；ＮＯ）、ステップＳＴ４０の処理へ戻る。これにより、切り換え後の音声認識部によって上記処理を繰り返す。
　ここで、ステップＳＴ７０およびステップＳＴ９０について具体例を挙げて説明する。
　認識結果選択部６は、認識制御部５が取得した認識結果の中から、認識スコアが上位のものを選択する。
　選択方法は、例えば、上述したように認識スコアが第１位の認識結果を選択してもよいし、認識制御部５が取得した認識結果の全てを選択してもよい。
　また、認識スコアの上位からＸ位までに含まれる認識結果を選択してもよい。
　さらに、第１位の認識スコアからの差が所定値以下の認識結果を選択してもよい。
　なお、認識スコアの上位からＸ位までに含まれる認識結果、または第１位の認識スコアからの差が所定値以下の認識結果であっても、認識スコアが予め定めた閾値未満の認識結果は、選択しないようにしてもよい。
　図３は、認識スコアが上位から第２位までの音声認識部ごとの認識結果の表示例を示す図である。図３において、“音声認識処理１”とは、例えば第１音声認識部の認識結果であることを示しており、“音声認識処理２”は、例えば第２音声認識部の認識結果であることを示している。“音声認識処理３”、“音声認識処理４”、・・・についても同様である。音声認識部ごとに上位から第２位までの認識スコア（尤度）の認識結果が順に並んで表示されている。
　図４は、音声認識部ごとに異なる方法で選択した認識結果の表示例を示す図である。図４において、第１音声認識部（“音声認識処理１”）の認識結果については、認識スコアが上位から第２位までのものを選択し表示している。また、第２音声認識部（“音声認識処理２”）については、全ての認識結果を選択し表示している。
　このように、ステップＳＴ７０とステップＳＴ９０では、音声認識部ごとに認識結果の選択方法が異なっていてもよい。
　ユーザは、例えば入力部１２を用いて表示部８に表示された認識結果を選択することにより、自身が発話した目的地の認識結果が認識結果記憶部７から読み出され、ナビゲーション処理部９へ出力される。ナビゲーション処理部９は、例えば、位置検出部１０が取得した自車の現在位置、認識結果記憶部７から読み出した目的地の認識結果および地図ＤＢ１１が記憶する地図データを用いて、現在の自車位置から目的地までのルートを計算し、得られたルートを誘導案内する。
　以上のように、この実施の形態１によれば、入力された音声をデジタル変換して音声データとして取得する音声取得部１と、音声取得部１が取得した音声データを記憶する音声データ記憶部２と、音声データ記憶部２に記憶された音声データから音声区間を検出し、音声区間の音声データの特徴量を抽出して、抽出した特徴量に基づいて認識辞書を参照して認識処理を行う第１～第Ｍ音声認識部と、第１～第Ｍ音声認識部を切り換える音声認識切換部４と、音声認識切換部４による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する認識制御部５と、認識制御部５が取得した認識結果の中からユーザへの提示対象の認識結果を選択する認識結果選択部６とを備える。このように構成することで、異なる音声認識処理での認識結果であるために、認識結果同士の認識スコアを単純に比較できず、最も認識スコアが高い認識結果を決定できない場合であっても、各音声認識処理による認識結果をユーザに提示することができる。
実施の形態２．
　図５は、この発明の実施の形態２に係る音声認識装置の構成を示すブロック図である。図５において、実施の形態２に係る音声認識装置は、音声取得部１、音声データ記憶部２、音声認識部３、音声認識切換部４、認識制御部５、認識結果選択部６Ａ、認識結果記憶部７、および認識結果選択方法変更部１３を備える。認識結果選択部６Ａは、認識結果選択方法変更部１３からの選択方法制御信号に従って、認識制御部５により取得された認識結果から、出力すべき認識結果を選択する。認識結果選択方法変更部１３は、第１～第Ｍ音声認識部ごとに、認識結果選択部６Ａによる認識結果の選択方法の指定を受け付けて、ユーザから指定された選択方法に変更する選択方法制御信号を認識結果選択部６Ａへ出力する機能構成部である。なお、図５において、図１と同一構成要素には同一符号を付して説明を省略する。
　次に動作について説明する。
　認識結果選択方法変更部１３は、認識結果の選択方法の指定用画面を表示部８に表示して、ユーザによる指定を受け付けるＨＭＩ（Human Machine Interface）を提供する。
　例えば、ユーザ操作によって第１～第Ｍ音声認識部のそれぞれと選択方法を対応付ける指定用画面を表示する。これにより、認識結果選択部６Ａに対して、音声認識部ごとに選択方法を設定しておく。ユーザは、音声認識部ごとの選択方法を好みで指定でき、また、音声認識装置の使用状況に応じて音声認識部ごとの選択方法を指定してもよい。さらに、音声認識部ごとに重要度を予め設定していた場合には、重要度の高い音声認識部による認識結果が多く選択されるように選択方法を指定してもよい。なお、音声認識部によっては選択方法を指定しない、すなわちその音声認識部による認識結果は出力しないように指定を行ってもよい。
　実施の形態２に係る音声認識装置による音声認識は、上記実施の形態１で示した図２のフローチャートと同様である。ただし、ステップＳＴ７０およびステップＳＴ９０においては、認識結果選択部６Ａが、認識結果選択方法変更部１３が設定した選択方法で認識結果が選択される。例えば、認識制御部５が第１音声認識部から取得した認識結果については、認識スコアが第１位のものを選択し、第２音声認識部から取得した認識結果については、全てを選択する。このように、実施の形態２では、ユーザが、音声認識部ごとの認識結果の選択方法を決定することができる。その他の処理は、上記実施の形態１と同様である。
　以上のように、この実施の形態２によれば、認識制御部５が取得した認識結果の中からユーザへの提示対象の認識結果を選択する選択方法の指定を受け付けて、指定された選択方法で認識結果選択部６Ａによる認識結果の選択方法を変更する認識結果選択方法変更部１３を備える。このように構成することで、ユーザが認識結果選択部６Ａによる認識結果の選択方法を指定でき、例えば使用状況に応じて最適と考える音声認識処理の結果を重点的に提示させることが可能である。
実施の形態３．
　図６は、この発明の実施の形態３に係る音声認識装置の構成を示すブロック図である。図６に示すように、実施の形態３に係る音声認識装置は、音声取得部１、音声データ記憶部２Ａ、音声認識部３、音声認識切換部４、認識制御部５、認識結果選択部６、認識結果記憶部７および音声区間検出部１４を備える。なお、図６において、図１と同一構成要素には同一符号を付して説明を省略する。
　音声データ記憶部２Ａは、音声区間検出部１４により検出された音声区間の音声データを格納する記憶部である。また、音声区間検出部１４は、音声取得部１が取得した音声データから、ユーザが発話した内容に該当する音声区間における音声データを検出する音声区間検出部である。なお、第１～第Ｍ音声認識部は、音声データ記憶部２Ａに格納された音声データから特徴量を抽出し、その特徴量に基づいて認識辞書を参照しながら認識処理を行う。このように、実施の形態３では、第１～第Ｍ音声認識部がそれぞれ個別に音声区間検出処理を実施しない。
　次に動作について説明する。
　図７は、実施の形態３に係る音声認識装置による音声認識処理の流れを示すフローチャートである。まず、音声取得部１が、マイクなどにより入力された所定期間の音声をＡ／Ｄ変換し、例えばＰＣＭ形式の音声データとして取得する（ステップＳＴ２１０）。次に、音声区間検出部１４は、音声取得部１が取得した音声データから、ユーザが発話した内容に該当する区間の音声データを検出する（ステップＳＴ２２０）。音声データ記憶部２Ａは、音声区間検出部１４により検出された音声データを格納する（ステップＳＴ２３０）。
　次いで、認識制御部５が変数Ｎを１に初期化する（ステップＳＴ２４０）。そして、認識制御部５は、音声認識部３を第Ｎ音声認識部へ切り換える切換制御信号を音声認識切換部４へ出力する。音声認識切換部４は、認識制御部５からの当該切換制御信号に従って、音声認識部３を第Ｎ音声認識部に切り換える（ステップＳＴ２５０）。
　第Ｎ音声認識部は、音声データ記憶部２Ａに記憶された音声区間ごとの音声データから特徴量を抽出し、その特徴量に基づいて認識辞書を参照しながら認識処理を行う（ステップＳＴ２６０）。以降のステップＳＴ２７０からステップＳＴ３４０までの処理は、上記実施の形態１の図２におけるステップＳＴ６０からステップＳＴ１３０までの処理と同様であるので説明を省略する。
　以上のように、この実施の形態３によれば、入力された音声をデジタル変換して音声データとして取得する音声取得部１と、音声取得部１が取得した音声データからユーザの発話内容に該当する音声区間を検出する音声区間検出部１４と、音声区間検出部１４が検出した音声区間ごとの音声データを記憶する音声データ記憶部２Ａと、音声データ記憶部２Ａに記憶された音声データの特徴量を抽出して、抽出した特徴量に基づいて認識辞書を参照して認識処理を行う第１～第Ｍ音声認識部と、第１～第Ｍ音声認識部を切り換える音声認識切換部４と、音声認識切換部４による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する認識制御部５と、認識制御部５が取得した認識結果の中からユーザへの提示対象の認識結果を選択する認識結果選択部６とを備える。
　このように構成することで、第１～第Ｍ音声認識部で音声区間検出を実施しないため、認識処理に要する時間を短縮することができる。
実施の形態４．
　図８は、この発明の実施の形態４に係る音声認識装置の構成を示すブロック図である。図８に示すように、実施の形態４に係る音声認識装置は、音声取得部１、音声データ記憶部２、音声認識部３Ａ、音声認識切換部４、認識制御部５、認識結果選択部６および認識結果記憶部７を備える。なお、図８において、図１と同一構成要素には同一符号を付して説明を省略する。
　音声認識部３Ａでは、第１～第Ｍ音声認識部が、各々の音声認識アルゴリズムにおける異なる認識精度の音声認識方法で認識処理を実施する。つまり、第Ｎ（Ｎ＝１～Ｍ）音声認識部において、当該音声認識部の音声認識アルゴリズムが同じだが、その音声認識精度に寄与する変数を変更した異なる精度の音声認識方法を実施する。例えば、各音声認識部において、認識精度は低いが処理時間が短い音声認識方法Ｎ（ａ）と、認識精度は高いが処理時間が長い音声認識方法Ｎ（ｂ）とで認識処理を実施する。なお、音声認識の精度に寄与する変数としては、音声区間の特徴量を抽出する際のフレーム周期、音響モデルの混合分布数、音響モデルのモデル数、またはこれらの組み合わせなどが挙げられる。
　認識精度が低い音声認識方法は、上述した変数において、音声区間の特徴量を抽出する際のフレーム周期を所定値よりも長くしたもの、音響モデルの混合分布数を所定値よりも減らしたもの、音響モデルのモデル数を所定値よりも減らしたもの、またはこれらの組み合わせにより規定する。
　また、認識精度が高い音声認識方法は、反対に、音声区間の特徴量を抽出する際のフレーム周期を上記所定値以下に短くしたもの、音響モデルの混合分布数を上記所定値以上に増やしたもの、音響モデルのモデル数を上記所定値以上に増やしたもの、またはこれらの組み合わせにより規定する。
　なお、第１～第Ｍ音声認識部における音声認識方法の認識精度に寄与する上記変数は、ユーザが適宜設定して認識精度を決定してもよい。
　次に動作について説明する。
　図９は、実施の形態４に係る音声認識装置による音声認識処理の流れを示すフローチャートである。まず、音声取得部１が、マイクなどにより入力された所定期間の音声をＡ／Ｄ変換して、例えばＰＣＭ形式の音声データとして取得する（ステップＳＴ４１０）。音声データ記憶部２は、音声取得部１が取得した音声データを記憶する（ステップＳＴ４２０）。
　次に、認識制御部５が変数Ｎを１に初期化する（ステップＳＴ４３０）。なお、Ｎは、１～Ｍの値を取り得る変数である。そして、認識制御部５は、音声認識部３Ａを第Ｎ音声認識部へ切り換える切換制御信号を音声認識切換部４へ出力する。音声認識切換部４は、認識制御部５からの当該切換制御信号に従って、音声認識部３Ａを第Ｎ音声認識部に切り換える（ステップＳＴ４４０）。
　第Ｎ音声認識部は、認識精度が低い音声認識方法によって、音声データ記憶部２が記憶する音声データからユーザ発話に該当する音声区間を検出しその音声区間の特徴量を抽出して、その特徴量に基づいて認識辞書を参照しながら認識処理を行う（ステップＳＴ４５０）。次いで、認識制御部５は、認識結果選択部６による認識結果が認識結果記憶部７に格納されると、変数Ｎを＋１インクリメントして（ステップＳＴ４６０）、変数Ｎの値が音声認識部の数Ｍを超えたか否かを判定する（ステップＳＴ４７０）。ここで、変数Ｎの値が音声認識部数Ｍ以下の場合（ステップＳＴ４７０；ＮＯ）、ステップＳＴ４４０の処理へ戻る。切り換え後の音声認識部によって上記処理を繰り返す。
　また、変数Ｎが音声認識部の数Ｍを超えた場合（ステップＳＴ４７０；ＹＥＳ）、認識制御部５は、第Ｎ音声認識部から認識結果を取得し、認識結果の中の第１位の認識スコア（尤度）を所定の閾値と比較して、当該閾値以上であるＫ個の音声認識部があるか否かを判定する（ステップＳＴ４８０）。これにより、第１～第Ｍ音声認識部のうち、認識精度が低い音声認識方法によって第１位の認識スコアが閾値以上の認識結果が得られたＫ個の音声認識部Ｌ（１）～Ｌ（Ｋ）に絞り込まれる。
　認識制御部５が変数ｎを１に初期化する（ステップＳＴ４９０）。なお、ｎは、１～Ｋの値を取り得る変数である。
　次に、認識制御部５は、ステップＳＴ４８０で選択した音声認識部Ｌ（１）～Ｌ（Ｋ）のうち、音声認識部Ｌ（ｎ）へ切り換える切換制御信号を音声認識切換部４へ出力する。音声認識切換部４は、認識制御部５からの当該切換制御信号に従って、音声認識部３Ａを音声認識部Ｌ（ｎ）に切り換える（ステップＳＴ５００）。
　音声認識部Ｌ（ｎ）は、認識精度が高い音声認識方法によって、音声データ記憶部２が記憶する音声データからユーザ発話に該当する音声区間を検出し、その音声区間における音声データの特徴量を抽出して、その特徴量に基づいて認識辞書を参照しながら認識処理を行う（ステップＳＴ５１０）。認識制御部５は、音声認識部Ｌ（ｎ）の認識処理が終わる度に、その認識結果を取得する。
　次に、認識結果選択部６は、認識制御部５が取得した第Ｎ音声認識部による認識結果の中から、上記実施の形態１と同様の方法（図２のステップＳＴ７０およびステップＳＴ９０）で出力すべき認識結果を選択する（ステップＳＴ５２０）。認識結果選択部６は、選択した認識結果を認識結果記憶部７に格納する（ステップＳＴ５３０）。
　認識制御部５は、認識結果選択部６によって認識結果が認識結果記憶部７に格納されると、変数ｎを＋１インクリメントして（ステップＳＴ５４０）、変数ｎの値が、ステップＳＴ４８０で選択した音声認識部の数であるＫを超えたか否かを判定する（ステップＳＴ５５０）。ここで、変数ｎの値が、ステップＳＴ４８０で選択した音声認識部の数Ｋ以下の場合（ステップＳＴ５５０；ＮＯ）、ステップＳＴ５００の処理へ戻る。これにより、切り換え後の音声認識部によって上記処理を繰り返す。
　変数ｎの値が、ステップＳＴ４８０で選択した音声認識部の数Ｋを超える場合（ステップＳＴ５５０；ＹＥＳ）、表示部８が、認識結果格納部７に格納された音声認識部Ｌ（１）～Ｌ（Ｋ）の認識結果を出力する（ステップＳＴ５６０）。表示部８による認識結果の出力は、音声認識部Ｌ（１）～Ｌ（Ｋ）の認識結果順で出力してもよい。
　以上のように、この実施の形態４によれば、音声認識部３Ａの第１～第Ｍ音声認識部が精度が異なる認識処理を行うことが可能であり、認識制御部５が、音声認識部に対して、認識結果の認識スコアに基づいて認識処理を行う音声認識部を絞り込みながら段階的に精度が上がるように認識処理を行わせる。このように構成することにより、例えば、認識精度は低いが処理時間が短い音声認識方法と、認識精度は高いが処理時間が長い音声認識方法とを組み合わせ、複数の音声認識処理において精度が低い方法で認識を行い、そのうち認識スコアが高かった音声認識処理について精度が高い方法で精密な認識を行うことが可能である。これにより、全ての認識処理について精密な認識を行う必要がなくなるため、全体の認識処理の時間を短縮することができる。
実施の形態５．
　図１０は、この発明の実施の形態５に係る音声認識装置の構成を示すブロック図である。図１０に示すように、実施の形態５に係る音声認識装置は、音声取得部１、音声データ記憶部２、音声認識部３、音声認識切換部４、認識制御部５および認識結果確定部１５を備える。認識結果確定部１５は、表示部８に表示された認識結果の候補に基づいたユーザによる認識結果の選択を受け付け、選択された認識結果の候補を最終的な認識結果として確定する確定部である。例えば、認識結果確定部１５は、表示部８の画面上に認識結果の選択用画面を表示させ、認識結果選択用画面に基づき、タッチパネルやハードキー、ボタンなどの入力装置を用いて、認識結果候補を選択するＨＭＩを提供する。なお、図１０において、図１と同一構成要素には同一符号を付して説明を省略する。
　次に動作について説明する。
　図１１は、実施の形態５に係る音声認識装置による音声認識処理の流れを示すフローチャートである。まず、音声取得部１が、マイクなどにより入力された所定期間の音声をＡ／Ｄ変換し、例えば、ＰＣＭ形式の音声データとして取得する（ステップＳＴ６１０）。音声データ記憶部２は、音声取得部１により取得された音声データを記憶する（ステップＳＴ６２０）。
　次に、認識制御部５が変数Ｎを１に初期化する（ステップＳＴ６３０）。なお、Ｎは、１～Ｍの値を取り得る変数である。そして、認識制御部５は、音声認識部３を第Ｎ音声認識部へ切り換える切換制御信号を音声認識切換部４へ出力する。音声認識切換部４は、認識制御部５からの当該切換制御信号に従って、音声認識部３を第Ｎ音声認識部に切り換える（ステップＳＴ６４０）。
　第Ｎ音声認識部は、音声データ記憶部２が記憶する音声データから、ユーザ発話に該当する音声区間を検出してその音声区間における音声データの特徴量を抽出し、その特徴量に基づいて認識辞書を参照しながら認識処理を行う（ステップＳＴ６５０）。認識制御部５は、第Ｎ音声認識部から認識結果を取得して表示部８へ出力する。表示部８は、認識制御部５から認識結果を入力すると、認識結果確定部１５の制御に従い、入力した認識結果を、認識結果候補として表示する（ステップＳＴ６６０）。
　認識結果確定部１５は、表示部８が認識結果候補を表示すると、ユーザからの認識結果の選択待ち状態となり、ユーザが表示部８に表示された認識結果候補を選択したか否かを判定する（ステップＳＴ６７０）。ここで、ユーザにより認識結果候補が選択されると（ステップＳＴ６７０；ＹＥＳ）、認識結果確定部１５は、ユーザに選択された認識結果候補を最終的な認識結果として確定する（ステップＳＴ６８０）。これにより、認識処理は終了する。
　一方、ユーザにより認識結果候補が選択されなかった場合（ステップＳＴ６７０；ＮＯ）、認識制御部５は、変数Ｎを＋１インクリメントして（ステップＳＴ６９０）、変数Ｎの値が音声認識部の数Ｍを超えたか否かを判定する（ステップＳＴ７００）。
　変数Ｎの値が音声認識部数Ｍを超える場合（ステップＳＴ７００；ＹＥＳ）、認識処理は終了する。また、変数Ｎの値が音声認識部数Ｍ以下の場合（ステップＳＴ７００；ＮＯ）、ステップＳＴ６４０の処理へ戻る。これにより、切り換え後の音声認識部によって、上記処理を繰り返す。
　以上のように、この実施の形態５によれば、入力された音声をデジタル変換して音声データとして取得する音声取得部１と、音声取得部１が取得した音声データを記憶する音声データ記憶部２と、音声データ記憶部２に記憶された音声データから音声区間を検出し、音声区間の音声データの特徴量を抽出して、抽出した特徴量に基づいて認識辞書を参照して認識処理を行う第１～第Ｍ音声認識部と、第１～第Ｍ音声認識部を切り換える音声認識切換部４と、音声認識切換部４による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する認識制御部５と、認識制御部５が取得してユーザへ提示された認識結果の中から、ユーザによる認識結果の選択を受け付け、ユーザに選択された認識結果を最終的な認識結果として確定する認識結果確定部１５とを備える。このように構成することで、全ての認識処理を行う前に、ユーザが選択し指定した認識結果を最終的な認識結果として確定することができるため、全体の認識処理の時間を短縮できる。
　なお、上記実施の形態１～５では、認識結果を表示部８で表示する場合について示したが、認識結果のユーザへの提示は、表示部８の画面表示に限定されるものではない。例えば、スピーカなどの音声出力装置を用いて認識結果を音声ガイダンスしてもよい。
　また、上記実施の形態１において、本発明に係るナビゲーション装置を、車載用のナビゲーション装置に適用した場合を示したが、車載用のみならず、携帯電話端末または携帯情報端末（ＰＤＡ；Personal Digital Assistance）に適用してもよい。
　さらに、車両、鉄道、船舶または航空機等の移動体に人が携帯して持ち込んで使用されるＰＮＤ（Portable Navigation Device）等に適用してもよい。
　そのほか、上記実施の形態１のみならず、上記実施の形態２～５に係る音声認識装置をナビゲーション装置に適用してもよい。
　なお、本発明はその発明の範囲内において、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　この発明に係る音声認識装置は、異なる音声認識処理で得られた認識結果を的確に提示し、かつ認識処理の短縮化を図ることができるので、認識処理の迅速性および認識結果の的確さが要求される車載用ナビゲーション装置の音声認識に好適である。
　１　音声取得部、２，２Ａ　音声データ記憶部、３，３Ａ　音声認識部、４　音声認識切換部、５　認識制御部、６，６Ａ　認識結果選択部、７　認識結果記憶部、８　表示部、９　ナビゲーション処理部、１０　位置検出部、１１　地図データベース（ＤＢ）、１２　入力部、１３　認識結果選択方法変更部、１４　音声区間検出部、１５　認識結果確定部。

Claims (6)

  1. 　入力された音声をデジタル変換して音声データとして取得する取得部と、
    　前記取得部が取得した音声データを記憶する音声データ記憶部と、
    　前記音声データ記憶部に記憶された音声データから音声区間を検出し、前記音声区間の音声データの特徴量を抽出して、前記抽出した特徴量に基づいて認識辞書を参照して認識処理を行う複数の音声認識部と、
    　前記複数の音声認識部を切り換える切換部と、
    　前記切換部による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する制御部と、
    　前記制御部が取得した認識結果の中からユーザへの提示対象の認識結果を選択する選択部とを備えた音声認識装置。
  2. 　入力された音声をデジタル変換して音声データとして取得する取得部と、
    　前記取得部が取得した音声データからユーザの発話内容に該当する音声区間を検出する音声区間検出部と、
    　前記音声区間検出部が検出した音声区間ごとの音声データを記憶する音声データ記憶部と、
    　前記音声データ記憶部に記憶された音声データの特徴量を抽出して、前記抽出した特徴量に基づいて認識辞書を参照して認識処理を行う複数の音声認識部と、
    　前記複数の音声認識部を切り換える切換部と、
    　前記切換部による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する制御部と、
    　前記制御部が取得した認識結果の中からユーザへの提示対象の認識結果を選択する選択部とを備えた音声認識装置。
  3. 　入力された音声をデジタル変換して音声データとして取得する取得部と、
    　前記取得部が取得した音声データを記憶する音声データ記憶部と、
    　前記音声データ記憶部に記憶された音声データから音声区間を検出し、前記音声区間の音声データの特徴量を抽出して、前記抽出した特徴量に基づいて認識辞書を参照して認識処理を行う複数の音声認識部と、
    　前記複数の音声認識部を切り換える切換部と、
    　前記切換部による音声認識部の切り換えを制御して、切り換えられた音声認識部による認識結果を取得する制御部と、
    　前記制御部が取得してユーザへ提示された認識結果の中から、ユーザによる認識結果の選択を受け付け、ユーザに選択された認識結果を最終的な認識結果として確定する確定部とを備えた音声認識装置。
  4. 　前記制御部が取得した認識結果の中からユーザへの提示対象の認識結果を選択する選択方法の指定を受け付けて、指定された選択方法で前記選択部による認識結果の選択方法を変更する変更部を備えたことを特徴とする請求項１または請求項２記載の音声認識装置。
  5. 　前記複数の音声認識部は、それぞれの音声認識部が精度が異なる認識処理を行うことが可能であり、
    　前記制御部は、前記音声認識部に対して、認識結果の認識スコアに基づいて認識処理を行う音声認識部を絞り込みながら段階的に精度が上がるように認識処理を行わせることを特徴とする請求項１から請求項４のうちのいずれか１項記載の音声認識装置。
  6. 　請求項１から請求項５のうちのいずれか１項記載の音声認識装置を備え、前記音声認識部による認識結果を利用してナビゲーション処理を行うナビゲーション装置。
PCT/JP2011/003827 2011-07-05 2011-07-05 音声認識装置およびナビゲーション装置 WO2013005248A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE112011105407.6T DE112011105407T5 (de) 2011-07-05 2011-07-05 Spracherkennungsvorrichtung und Navigationsvorrichtung
US14/117,830 US20140100847A1 (en) 2011-07-05 2011-07-05 Voice recognition device and navigation device
CN201180071882.5A CN103650034A (zh) 2011-07-05 2011-07-05 语音识别装置及导航装置
PCT/JP2011/003827 WO2013005248A1 (ja) 2011-07-05 2011-07-05 音声認識装置およびナビゲーション装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2011/003827 WO2013005248A1 (ja) 2011-07-05 2011-07-05 音声認識装置およびナビゲーション装置

Publications (1)

Publication Number Publication Date
WO2013005248A1 true WO2013005248A1 (ja) 2013-01-10

Family

ID=47436626

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2011/003827 WO2013005248A1 (ja) 2011-07-05 2011-07-05 音声認識装置およびナビゲーション装置

Country Status (4)

Country Link
US (1) US20140100847A1 (ja)
CN (1) CN103650034A (ja)
DE (1) DE112011105407T5 (ja)
WO (1) WO2013005248A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3053587A1 (en) 2015-02-05 2016-08-10 Linde AG Combination of nitric oxide, helium and antibiotic to treat bacterial lung infections
EP3108920A1 (en) 2015-06-22 2016-12-28 Linde AG Device for delivering nitric oxide and oxygen to a patient
WO2019016938A1 (ja) * 2017-07-21 2019-01-24 三菱電機株式会社 音声認識装置及び音声認識方法
WO2020065840A1 (ja) * 2018-09-27 2020-04-02 株式会社オプティム コンピュータシステム、音声認識方法及びプログラム
JP2020201363A (ja) * 2019-06-09 2020-12-17 株式会社Ｔｂｓテレビ 音声認識テキストデータ出力制御装置、音声認識テキストデータ出力制御方法、及びプログラム

Families Citing this family (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
US10255566B2 (en) 2011-06-03 2019-04-09 Apple Inc. Generating and processing task items that represent tasks to perform
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US10417037B2 (en) 2012-05-15 2019-09-17 Apple Inc. Systems and methods for integrating third party services with a digital assistant
KR20150104615A (ko) 2013-02-07 2015-09-15 애플 인크. 디지털 어시스턴트를 위한 음성 트리거
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
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
US9786296B2 (en) * 2013-07-08 2017-10-10 Qualcomm Incorporated Method and apparatus for assigning keyword model to voice operated function
DE112014003653B4 (de) 2013-08-06 2024-04-18 Apple Inc. Automatisch aktivierende intelligente Antworten auf der Grundlage von Aktivitäten von entfernt angeordneten Vorrichtungen
WO2015072816A1 (ko) * 2013-11-18 2015-05-21 삼성전자 주식회사 디스플레이 장치 및 제어 방법
EP3149728B1 (en) 2014-05-30 2019-01-16 Apple Inc. Multi-command single utterance input method
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US10115394B2 (en) 2014-07-08 2018-10-30 Mitsubishi Electric Corporation Apparatus and method for decoding to recognize speech using a third speech recognizer based on first and second recognizer results
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
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
JP6516585B2 (ja) * 2015-06-24 2019-05-22 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 制御装置、その方法及びプログラム
US20160378747A1 (en) 2015-06-29 2016-12-29 Apple Inc. Virtual assistant for media playback
KR101736109B1 (ko) * 2015-08-20 2017-05-16 현대자동차주식회사 음성인식 장치, 이를 포함하는 차량, 및 그 제어방법
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
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
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
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
US10271093B1 (en) * 2016-06-27 2019-04-23 Amazon Technologies, Inc. Systems and methods for routing content to an associated output device
US10931999B1 (en) 2016-06-27 2021-02-23 Amazon Technologies, Inc. Systems and methods for routing content to an associated output device
US11204787B2 (en) 2017-01-09 2021-12-21 Apple Inc. Application integration with a digital assistant
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
DK201770427A1 (en) 2017-05-12 2018-12-20 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
US20180336892A1 (en) 2017-05-16 2018-11-22 Apple Inc. Detecting a trigger of a digital assistant
US20180336275A1 (en) 2017-05-16 2018-11-22 Apple Inc. Intelligent automated assistant for media exploration
US10818288B2 (en) 2018-03-26 2020-10-27 Apple Inc. Natural assistant interaction
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
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
DK179822B1 (da) 2018-06-01 2019-07-12 Apple Inc. Voice interaction at a primary device to access call functionality of a companion device
US10892996B2 (en) 2018-06-01 2021-01-12 Apple Inc. Variable latency device coordination
DK180091B1 (en) * 2018-06-03 2020-04-22 Apple Inc. ACCELERATED TASK PERFORMANCE
US10496705B1 (en) 2018-06-03 2019-12-03 Apple Inc. Accelerated task performance
US11462215B2 (en) 2018-09-28 2022-10-04 Apple Inc. Multi-modal inputs for voice commands
US11475898B2 (en) 2018-10-26 2022-10-18 Apple Inc. Low-latency multi-speaker speech recognition
WO2020141615A1 (ko) * 2018-12-31 2020-07-09 엘지전자 주식회사 차량용 전자 장치 및 차량용 전자 장치의 동작 방법
US11638059B2 (en) 2019-01-04 2023-04-25 Apple Inc. Content playback on multiple devices
US11348573B2 (en) 2019-03-18 2022-05-31 Apple Inc. Multimodality in digital assistant systems
US11307752B2 (en) 2019-05-06 2022-04-19 Apple Inc. User configurable task triggers
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
US11140099B2 (en) 2019-05-21 2021-10-05 Apple Inc. Providing message response suggestions
US11289073B2 (en) 2019-05-31 2022-03-29 Apple Inc. Device text to speech
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
DK201970510A1 (en) 2019-05-31 2021-02-11 Apple Inc Voice identification in digital assistant systems
US11360641B2 (en) 2019-06-01 2022-06-14 Apple Inc. Increasing the relevance of new available information
US11227599B2 (en) 2019-06-01 2022-01-18 Apple Inc. Methods and user interfaces for voice-based control of electronic devices
CN110415685A (zh) * 2019-08-20 2019-11-05 河海大学 一种语音识别方法
US11488406B2 (en) 2019-09-25 2022-11-01 Apple Inc. Text detection using global geometry estimators
US11810578B2 (en) 2020-05-11 2023-11-07 Apple Inc. Device arbitration for digital assistant-based intercom systems
US11038934B1 (en) 2020-05-11 2021-06-15 Apple Inc. Digital assistant hardware abstraction
US11061543B1 (en) 2020-05-11 2021-07-13 Apple Inc. Providing relevant data items based on context
US11755276B2 (en) 2020-05-12 2023-09-12 Apple Inc. Reducing description length based on confidence
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62201498A (ja) * 1986-02-28 1987-09-05 沖電気工業株式会社 音声認識方法
JPS6332596A (ja) * 1986-07-25 1988-02-12 日本電信電話株式会社 音声認識装置
JPH04163597A (ja) * 1990-10-29 1992-06-09 Ricoh Co Ltd 車載用音声認識装置
JPH06266393A (ja) * 1993-03-12 1994-09-22 Matsushita Electric Ind Co Ltd 音声認識装置
JP2003295893A (ja) * 2002-04-01 2003-10-15 Omron Corp 音声認識システム、装置、音声認識方法、音声認識プログラム及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2007156974A (ja) * 2005-12-07 2007-06-21 Kddi Corp 個人認証・識別システム
JP2008210132A (ja) * 2007-02-26 2008-09-11 Toshiba Corp 原言語による音声を目的言語に翻訳する装置、方法およびプログラム
JP2009116107A (ja) * 2007-11-07 2009-05-28 Canon Inc 情報処理装置及び方法
JP2009230068A (ja) * 2008-03-25 2009-10-08 Denso Corp 音声認識装置及びナビゲーションシステム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1197949B1 (en) * 2000-10-10 2004-01-07 Sony International (Europe) GmbH Avoiding online speaker over-adaptation in speech recognition
US6996525B2 (en) * 2001-06-15 2006-02-07 Intel Corporation Selecting one of multiple speech recognizers in a system based on performance predections resulting from experience
US7478044B2 (en) * 2004-03-04 2009-01-13 International Business Machines Corporation Facilitating navigation of voice data
JP4282704B2 (ja) * 2006-09-27 2009-06-24 株式会社東芝 音声区間検出装置およびプログラム
US8949130B2 (en) * 2007-03-07 2015-02-03 Vlingo Corporation Internal and external speech recognition use with a mobile communication facility
US7933777B2 (en) * 2008-08-29 2011-04-26 Multimodal Technologies, Inc. Hybrid speech recognition
WO2011010604A1 (ja) * 2009-07-21 2011-01-27 日本電信電話株式会社 音声信号区間推定装置と音声信号区間推定方法及びそのプログラムと記録媒体

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62201498A (ja) * 1986-02-28 1987-09-05 沖電気工業株式会社 音声認識方法
JPS6332596A (ja) * 1986-07-25 1988-02-12 日本電信電話株式会社 音声認識装置
JPH04163597A (ja) * 1990-10-29 1992-06-09 Ricoh Co Ltd 車載用音声認識装置
JPH06266393A (ja) * 1993-03-12 1994-09-22 Matsushita Electric Ind Co Ltd 音声認識装置
JP2003295893A (ja) * 2002-04-01 2003-10-15 Omron Corp 音声認識システム、装置、音声認識方法、音声認識プログラム及び音声認識プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2007156974A (ja) * 2005-12-07 2007-06-21 Kddi Corp 個人認証・識別システム
JP2008210132A (ja) * 2007-02-26 2008-09-11 Toshiba Corp 原言語による音声を目的言語に翻訳する装置、方法およびプログラム
JP2009116107A (ja) * 2007-11-07 2009-05-28 Canon Inc 情報処理装置及び方法
JP2009230068A (ja) * 2008-03-25 2009-10-08 Denso Corp 音声認識装置及びナビゲーションシステム

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3053587A1 (en) 2015-02-05 2016-08-10 Linde AG Combination of nitric oxide, helium and antibiotic to treat bacterial lung infections
EP3108920A1 (en) 2015-06-22 2016-12-28 Linde AG Device for delivering nitric oxide and oxygen to a patient
WO2016207227A1 (en) 2015-06-22 2016-12-29 Linde Ag Device for delivering nitric oxide and oxygen to a patient
WO2019016938A1 (ja) * 2017-07-21 2019-01-24 三菱電機株式会社 音声認識装置及び音声認識方法
WO2020065840A1 (ja) * 2018-09-27 2020-04-02 株式会社オプティム コンピュータシステム、音声認識方法及びプログラム
JPWO2020065840A1 (ja) * 2018-09-27 2021-08-30 株式会社オプティム コンピュータシステム、音声認識方法及びプログラム
JP7121461B2 (ja) 2018-09-27 2022-08-18 株式会社オプティム コンピュータシステム、音声認識方法及びプログラム
JP2020201363A (ja) * 2019-06-09 2020-12-17 株式会社Ｔｂｓテレビ 音声認識テキストデータ出力制御装置、音声認識テキストデータ出力制御方法、及びプログラム

Also Published As

Publication number Publication date
US20140100847A1 (en) 2014-04-10
CN103650034A (zh) 2014-03-19
DE112011105407T5 (de) 2014-04-30

Similar Documents

Publication Publication Date Title
WO2013005248A1 (ja) 音声認識装置およびナビゲーション装置
JP6400109B2 (ja) 音声認識システム
JP4304952B2 (ja) 車載制御装置、並びにその操作説明方法をコンピュータに実行させるプログラム
US8831938B2 (en) Speech recognition adjustment based on manual interaction
US9123327B2 (en) Voice recognition apparatus for recognizing a command portion and a data portion of a voice input
US20020035475A1 (en) Voice recognition apparatus
US9881609B2 (en) Gesture-based cues for an automatic speech recognition system
US9715877B2 (en) Systems and methods for a navigation system utilizing dictation and partial match search
JP4357867B2 (ja) 音声認識装置、音声認識方法、並びに、音声認識プログラムおよびそれを記録した記録媒体
JP6214297B2 (ja) ナビゲーション装置および方法
JP4104313B2 (ja) 音声認識装置、プログラム及びナビゲーションシステム
JP5606951B2 (ja) 音声認識システムおよびこれを用いた検索システム
JP2009230068A (ja) 音声認識装置及びナビゲーションシステム
JP6522009B2 (ja) 音声認識システム
JP3296783B2 (ja) 車載用ナビゲーション装置および音声認識方法
JP2011180416A (ja) 音声合成装置、音声合成方法およびカーナビゲーションシステム
JPWO2013005248A1 (ja) 音声認識装置およびナビゲーション装置
JP3700533B2 (ja) 音声認識装置及び処理システム
JPH0916191A (ja) ナビゲータ用音声認識装置および方法
JP4941494B2 (ja) 音声認識システム
JP2005031260A (ja) 情報処理方法及び装置
JP2017102320A (ja) 音声認識装置
JP2014232289A (ja) 誘導音声調整装置、誘導音声調整方法および誘導音声調整プログラム
JP2008298851A (ja) 音声入力処理装置および音声入力処理方法
JP2006184421A (ja) 音声認識装置及び音声認識方法

Legal Events

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

Ref document number: 11868878

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2013522362

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14117830

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 112011105407

Country of ref document: DE

Ref document number: 1120111054076

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11868878

Country of ref document: EP

Kind code of ref document: A1