WO2015075903A1 - 音声認識装置 - Google Patents

音声認識装置 Download PDF

Info

Publication number
WO2015075903A1
WO2015075903A1 PCT/JP2014/005683 JP2014005683W WO2015075903A1 WO 2015075903 A1 WO2015075903 A1 WO 2015075903A1 JP 2014005683 W JP2014005683 W JP 2014005683W WO 2015075903 A1 WO2015075903 A1 WO 2015075903A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
speech recognition
function
recognition result
voice
Prior art date
Application number
PCT/JP2014/005683
Other languages
English (en)
French (fr)
Inventor
拓郎 内藤
鈴木　大介
Original Assignee
日産自動車株式会社
株式会社デンソー
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 日産自動車株式会社, 株式会社デンソー filed Critical 日産自動車株式会社
Publication of WO2015075903A1 publication Critical patent/WO2015075903A1/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 speech recognition apparatus.
  • a technology for recognizing a command of a navigation device, an audio device, an air conditioner, and vehicle information using a single speech recognition engine mounted on a main unit in a vehicle system and executing the function is known.
  • the main unit has one speech recognition engine, and the speech recognition engine cannot recognize data (hereinafter referred to as speech data) obtained by converting speech uttered by the user into an electrical signal (for example, an address or the like).
  • speech data data obtained by converting speech uttered by the user into an electrical signal (for example, an address or the like).
  • a technique is known in which the utterance data is transmitted to the center outside the vehicle via a network (for example, see Patent Document 1).
  • an object of the present invention is to provide a voice recognition device that does not carry out external communication and does not have an excessive processing load for voice recognition.
  • one embodiment of the present invention includes a first unit having a first function and a second unit having a second function.
  • the first unit stores the vocabulary belonging to the first function as first dictionary data in advance, and transfers the voice data to the second unit while collating the voice data with the first dictionary.
  • the second unit stores in advance the vocabulary belonging to the second function as second dictionary data, compares the voice data transferred from the first unit with the second dictionary, and obtains the second voice recognition result. Output to the first unit.
  • the first unit determines a final recognition result based on the first speech recognition result and the second speech recognition result, which are matching results with the first dictionary.
  • two units mounted on a vehicle and having different functions share voice recognition processing using different dictionaries.
  • the voice recognition device can prevent the processing load of voice recognition from becoming excessive without performing external communication when voice recognition of the user's utterance in the vehicle interior is performed.
  • FIG. 1 is a schematic diagram showing a configuration example of a speech recognition system 100 according to an embodiment of the present invention.
  • the voice recognition system 100 includes, for example, a plurality of units (that is, devices) equipped with one or a plurality of functions, and is disposed in a vehicle interior of a vehicle or the like (that is, mounted on a vehicle), and is mounted on each unit. This is a system in which each function can be operated by voice spoken by the user.
  • the speech recognition system 100 includes, for example, a microphone (hereinafter referred to as a microphone) 10, a master unit 20 having a plurality of functions, a navigation unit 40 having a navigation (hereinafter referred to as navigation) function, and a switch. 50, an audio line 60, a transfer line 65, a signal line 70, and a communication line 80.
  • the microphone 10 is disposed, for example, in a passenger compartment, collects voice spoken by the user, converts the collected voice into an electrical signal, and generates voice data.
  • the microphone 10 is attached to a dashboard, for example.
  • the switch 50 receives a manual operation by the user and generates a voice recognition start signal.
  • the switch 50 is attached to, for example, a steering wheel (that is, a handle) (not shown).
  • the master unit 20 is a unit that is arranged, for example, in the passenger compartment, and mediates each function between the units when a single voice recognition system is configured with a plurality of units.
  • the master unit 20 includes, for example, a storage device such as a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), a HDD (Hard Disk Drive), a liquid crystal display device, or an organic electroluminescence display. It consists of a display device and hardware such as an antenna for communicating with the outside.
  • the master unit 20 includes, as its functional units, for example, an audio function unit 21, a screen display function unit 22, a telephone function unit 23, a vehicle cooperation function unit 24, a first voice recognition processing unit 31, and voice recognition.
  • the result determination unit 34, the speech recognition result adoption unit 35, and the function execution instruction unit 36 are included.
  • the audio function unit 21 receives, for example, a radio broadcast or a television broadcast, a compact disc (CD) inserted into the master unit 20, a flash memory, or music data or video stored in a storage device built in the master unit 20. It has a function to reproduce and output data.
  • the screen display function unit 22 has a function of displaying various information (for example, information regarding an audio function, information regarding a telephone function, etc.) on the display device.
  • the telephone function unit 23 has a telephone function (for example, a function of wirelessly connecting to a telephone base station and having a conversation between a remote party and a user in the passenger compartment at a distance through a telephone line).
  • the vehicle cooperation function unit 24 has a vehicle cooperation function (for example, a function that cooperates with vehicle control, such as engine output control).
  • the first voice recognition processing unit 31 has a function of transferring voice data to the navigation unit 40 through the transfer line 65 while recognizing voice data acquired from the microphone 10 through the voice line 60.
  • the first speech recognition processing unit 31 compares the speech data with the first speech recognition dictionary 32 and the first speech recognition dictionary 32 that stores the first dictionary data, for example. And a first speech recognition engine 33 that outputs the speech recognition result.
  • the first dictionary data includes a plurality of vocabularies belonging to (ie, related to) any one of the functions of the master unit 20 (for example, an audio function, a screen display function, a telephone function, and a vehicle linkage function), and a navigation unit And a plurality of vocabularies belonging to 40 navigation functions.
  • a plurality of vocabularies “audio”, “music”, “XXX (artist name)”, “Play Artist”, etc. belonging to the audio function belong to the telephone function.
  • a plurality of vocabularies “phone” and “Call”, a plurality of vocabularies “navi” and “destination setting” belonging to the navigation function are stored in the first speech recognition dictionary 32.
  • the vocabulary stored in the first speech recognition dictionary 32 as the first dictionary data is an arbitrary language such as Japanese, English, German, French, or Chinese.
  • the speech recognition result determination unit 34 has a function of determining the success or failure of the speech recognition processing by the first speech recognition processing unit 31 based on, for example, the first speech recognition result acquired from the first speech recognition processing unit 31. In addition, when the voice recognition result determination unit 34 determines that the voice recognition processing by the first voice recognition processing unit 31 is successful, the content of each function (for example, an audio function, a screen display function, a telephone set) of the master unit 20 is included. Or a vehicle cooperation function) or a navigation function of the navigation unit 40.
  • the voice recognition result determination unit 34 has a function of determining the success or failure of the voice recognition processing by the second voice recognition processing unit 41 based on, for example, the second voice recognition result acquired from the second voice recognition processing unit 41. Have. Then, the speech recognition result determination unit 34 determines the final recognition result based on the first speech recognition result and the second speech recognition result (that is, determines the final speech recognition result as the speech recognition device). Function).
  • the speech recognition result adopting unit 35 has a function of adopting either the first speech recognition result or the second speech recognition result based on the determination result by the speech recognition result determining unit 34.
  • the function execution instruction unit 36 is based on the audio function unit 21, the screen display function unit 22, the telephone function unit 23, and the vehicle cooperation function unit. 24 or the navigation function unit 44 has a function of instructing execution of various processes.
  • the navigation unit 40 is also arranged in the vehicle interior.
  • the navigation unit 40 includes hardware such as a CPU, a storage device such as a RAM and a ROM, a display device such as a liquid crystal display device or an organic electroluminescence display, and an antenna for receiving a GPS (Global Positioning System) signal. It consists of
  • the navigation unit 40 includes, for example, a navigation function unit 44 for indicating the current location of the host vehicle and guiding the host vehicle to a destination when set by the user, and a first voice recognition processing unit. And a second voice recognition processing unit 41 for recognizing the voice data transferred from 31 through the transfer line 65. For example, the second voice recognition processing unit 41 compares the voice data transferred from the master unit 20 with the second voice recognition dictionary 42 that stores the second dictionary data, and the second voice recognition dictionary 42 to check the second voice recognition dictionary 42. And a second speech recognition engine 43 that outputs a speech recognition result to the master unit 20.
  • the second dictionary data includes a plurality of vocabularies belonging to the navigation function of the navigation unit 40.
  • a plurality of vocabularies belonging to the navigation function of the navigation unit 40 are stored in the second speech recognition dictionary 42.
  • the vocabulary belonging to the navigation function more vocabulary is stored in the second speech recognition dictionary 42 than in the first speech recognition dictionary 32. That is, the second dictionary data has a larger amount of vocabulary information belonging to the navigation function than the first dictionary data.
  • the vocabulary belonging to the navigation function stored in the first speech recognition dictionary 32 is only a prefix of a command spoken by the user, such as “navigation” and “destination”.
  • the vocabulary belonging to the navigation function stored in the second speech recognition dictionary 42 includes prefectures such as “Atsugi City, Kanagawa Prefecture” as well as command prefixes such as “Navi” and “Destination”.
  • a more detailed vocabulary such as a name, a municipality name, an address, a name of a facility such as “ ⁇ ” station, and a street name such as “xxx street” is also stored.
  • the vocabulary stored in the second speech recognition dictionary 42 as the second dictionary data is also an arbitrary language such as Japanese, English, German, French, or Chinese.
  • the audio line 60 is a path for transmitting audio data from the microphone 10 to the master unit 20.
  • the transfer line 65 is a path for the first voice recognition processing unit 31 to transfer voice data to the navigation unit 40.
  • the signal line 70 is a path for transmitting a voice recognition start signal from the switch 50 to the master unit 20 and the navigation unit 40, respectively.
  • the communication line 80 is a path for communicating between the master unit 20 and the navigation unit 40.
  • the audio line 60, the signal line 70, and the communication line 80 may be either wired or wireless. Note that the communication method via the communication line 80 includes USB (Universal Serial Bus) communication or CAN (Controller Area Network) communication.
  • FIG. 3 is a flowchart (main routine) showing a speech recognition process performed by the speech recognition system 100.
  • each process of steps S10b, 20b, 30b, and 40b is performed by, for example, the navigation unit 40.
  • the master unit 20 performs each process of steps other than the above.
  • the user operates the switch 50 attached to the steering wheel or the like to notify the voice recognition system 100 of the start of voice recognition.
  • each of the master unit 20 and the navigation unit 40 starts voice recognition processing (steps S10a and 10b).
  • the microphone 10 collects sound and converts it into an electric signal to generate sound data.
  • the master unit 20 acquires the generated audio data via the audio line 60 (step S20a).
  • the first voice recognition processing unit 31 of the master unit 20 performs voice recognition processing on the acquired voice data (step S30a). That is, the first voice recognition engine 33 collates the acquired voice data with the first voice recognition dictionary 32. Further, before or after the collation operation by the first voice recognition dictionary 32, or in parallel, the first voice recognition processing unit 31 sends the voice data to the second voice recognition processing unit 41 of the navigation unit 40 through the transfer line 65. Transfer (step S30a).
  • the second voice recognition processing unit 41 receives and acquires the transferred voice data (step S20b).
  • the second speech recognition engine 43 collates the acquired speech data with the second speech recognition dictionary 42 (step S30b).
  • the 1st speech recognition dictionary 32 is each function (for example, an audio function, a screen display function, a telephone function, and a vehicle cooperation function) of the master unit 20 as 1st dictionary data.
  • a plurality of vocabularies belonging to the navigation function of the navigation unit 40 for example, utterance prefixes are stored.
  • the first speech recognition engine 33 compares the speech data obtained by converting the continuous utterance into an electric signal with the first speech recognition dictionary 32. .
  • the first speech recognition engine 33 performs “destination setting” which is a part of continuous speech. Can be recognized.
  • the first speech recognition processing unit 31 outputs this recognition result (that is, the first speech recognition result) to the speech recognition result determination unit 34 (step S40a).
  • the second speech recognition dictionary 42 uses a plurality of vocabularies (for example, command prefixes, prefecture names) belonging to the navigation function of the navigation unit 40 as the second dictionary data. , City name, address, facility name, street, intersection name, etc.).
  • vocabularies for example, command prefixes, prefecture names
  • the voice data obtained by converting the continuous utterance into an electrical signal is transferred from the master unit 20 to the navigation unit 40.
  • the second voice recognition engine 43 collates the transferred voice data with the second voice recognition dictionary 42.
  • the second speech recognition processing unit 41 outputs the recognition result (that is, the second speech recognition result) to the speech recognition result determination unit 34 included in the master unit 20 via the communication line 80 (step S40b).
  • the speech recognition result determination unit 34 determines whether or not the speech recognition processing by the first speech recognition processing unit 31 is successful based on the acquired first speech recognition result (that is, whether or not at least part of the speech data has been recognized). Is determined (step S50). For example, when the first speech recognition engine 33 can recognize “destination setting” which is a part of continuous speech, the speech recognition result determination unit 34 determines that the speech recognition processing by the first speech recognition processing unit 31 is successful. To do. When the first speech recognition engine 33 cannot recognize the continuous utterance at all, the speech recognition result determination unit 34 determines that the speech recognition processing by the first speech recognition processing unit 31 is impossible. If the speech recognition result determination unit 34 determines that the speech recognition processing by the first speech recognition processing unit 31 has been successful, the process proceeds to step S60, and if it is determined to be impossible, the process proceeds to step S100.
  • step S60 the speech recognition result determination unit 34 determines the success or failure of the speech recognition processing by the second speech recognition processing unit 41 based on the acquired second speech recognition result. For example, when the second speech recognition engine 43 can recognize the continuous utterance “Destination setting: Atsugi City, Kanagawa Prefecture”, the speech recognition result determination unit 34 succeeds in the speech recognition processing by the second speech recognition processing unit 41. It is determined that When the second speech recognition engine 43 cannot recognize any continuous utterance at all, the speech recognition result determination unit 34 determines that the speech recognition processing by the second speech recognition processing unit 41 is impossible. If the speech recognition result determination unit 34 determines that the speech recognition processing by the second speech recognition processing unit 41 is successful, the process proceeds to step S70, and if it is determined that the speech recognition process is not possible, the process proceeds to step S110.
  • step S70 the speech recognition result determination unit 34 determines whether the content of the utterance belongs to each function or navigation function of the master unit 20 based on at least one of the first speech recognition result and the second speech recognition result. Determine.
  • the speech recognition result determination unit 34 determines that the utterance content belongs to the navigation function of the navigation unit 40. To do.
  • the speech recognition result adoption unit 35 employs the second speech recognition result output by the second speech recognition processing unit 41 of the navigation unit 40 (step S80).
  • the speech recognition result determination unit 34 performs speech recognition by the second speech recognition processing unit 41.
  • the second speech recognition result may be adopted based only on the success of. In this case, since the speech recognition result determination unit 34 does not need to confirm the content of the first speech recognition result, there is a possibility that the speech recognition process in the speech recognition system 100 can be further accelerated.
  • step S70 determines in step S70 that the content of the utterance belongs to each function of the master unit 20 based on the first speech recognition result
  • step S90 the speech recognition result adoption unit 35 employs the first speech recognition result.
  • step S80 or step S90 for example, when the microphone 10 collects sound until a predetermined time elapses, or when the user operates the switch 50 to notify the voice recognition system 100 of the start of voice recognition Returns to Steps S10a and 10b and starts the speech recognition process again. In cases other than the above, for example, the voice recognition process is terminated.
  • FIG. 4A is a flowchart (subroutine) showing the unavailable processing 1 performed by the speech recognition system 100 in step S100.
  • the unavailable time handling process 1 in step S100 includes, for example, steps S101, S102, and S103.
  • step S ⁇ b> 101 the speech recognition result determination unit 34 determines the success or failure of the speech recognition process by the second speech recognition processing unit 41 based on the acquired second speech recognition result. For example, in step S101, the speech recognition result determination unit 34 performs the same process as in step S60. If the speech recognition result determination unit 34 determines that the speech recognition processing by the second speech recognition processing unit 41 is successful, the process proceeds to step S102, and if it is determined that the speech recognition process is impossible, the process proceeds to step S103.
  • the speech recognition result adoption unit 35 employs the second speech recognition result output by the second speech recognition processing unit 41.
  • the voice recognition result adopting unit 35 displays, for example, on the display device or the like included in the voice recognition system 100 that the voice cannot be recognized, or notifies the voice recognition result using the voice recorded in advance.
  • the voice recognition result adoption unit 35 displays on the display device or the like a message indicating that the voice cannot be recognized, and then prompts the user to speak again, for example, “please instruct again”. May be.
  • the voice recognition result adopting unit 35 may display the above on the display device and notify by voice. In response to at least one of these indications or notifications, the user can speak again a command instructing execution of each function of the speech recognition system 100, or can again speak continuously intended for this instruction.
  • FIG. 4B is a flowchart (subroutine) showing the unavailable processing 2 performed by the speech recognition system 100 in step S110.
  • the unavailable time handling process 2 includes, for example, steps S111, S112, and S113.
  • step S ⁇ b> 111 the voice recognition result determination unit 34 determines whether the content of the utterance belongs to each function or navigation function of the master unit 20 based on the first voice recognition result.
  • the process proceeds to step S112, where the speech recognition result adoption unit 35 adopts the first speech recognition result output by the first speech recognition processing unit 31. To do. If the content of the first speech recognition result belongs to the navigation function of the navigation unit 40, the process proceeds to step S113.
  • step S113 the speech recognition result adopting unit 35 displays on the display device or the like, for example, a message “Please say the destination again” to notify the user that the speech is to be re-spoken regarding the destination setting, or notifies with a pre-recorded voice. Also in this case, the voice recognition result adoption unit 35 may perform both display on the display device and notification by voice.
  • the function execution instruction unit 36 transmits a command corresponding to the voice recognition result or the second voice recognition result to each function unit.
  • the command transmission destination is the audio function unit 21, the screen display function unit 22, the telephone function unit 23, or the vehicle cooperation function unit 24 of the master unit 20 when the first voice recognition result is adopted.
  • the navigation function unit 44 of the navigation unit 40 is used.
  • the function execution instructing unit 36 uses the navigation function of the navigation unit 40.
  • a command for “Atsugi City, Kanagawa Prefecture” as the destination is transmitted to the unit 44.
  • the navigation function unit 44 executes the navigation function with “Atsugi City, Kanagawa Pref.” As the destination.
  • the user After the user operates the switch 50, the user utters a command “Destination setting” ⁇ “Atsugi City, Kanagawa Prefecture”. Alternatively, the user may speak continuously with “Destination setting: Atsugi City, Kanagawa Prefecture”. Then, the microphone 10 collects this utterance and converts it into audio data, and transmits the audio data to the master unit 20.
  • the first speech recognition processing unit 31 of the master unit 20 recognizes only the vocabulary “destination setting” that is part of the utterance and is in the first dictionary data (“Kanagawa” that is not in the first dictionary data). Atsugi City ⁇ ”is not recognized.)
  • the master unit 20 sets the result of speech recognition by the first speech recognition processing unit 31 as the first speech recognition result.
  • the first voice recognition processing unit 31 transfers the voice data to the navigation unit 40.
  • the second speech recognition processing unit 41 of the navigation unit 40 recognizes both of the vocabulary “Destination setting” and “Atsugi City, Kanagawa Prefecture” in the second dictionary data. Then, the navigation unit 40 sets the result of the voice recognition (that is, the second voice recognition result) and necessary parameters (for example, a set value for causing the master unit 20 to recognize the result of the voice recognition performed by the navigation unit 40). ) To the master unit 20 via the communication line 80.
  • the master unit 20 recognizes that the content spoken by the user belongs to the navigation function because “destination setting” is included in both the first voice recognition result and the second voice recognition result. In response to this result, the master unit 20 adopts the second speech recognition result including more vocabulary regarding the navigation function, and instructs the navigation unit 40 to execute the navigation function. In other words, the master unit 20 instructs the navigation unit 40 to execute the navigation function with “Atsugi City, Kanagawa Prefecture XXX” as the destination. In response to this instruction, the navigation unit 40 executes a navigation function with “Atsugi City, Kanagawa Prefecture XXX” as the destination.
  • the master unit 20 corresponds to the first unit, and each function (for example, an audio function, a screen display function, a telephone function, and a vehicle cooperation function) of the master unit 20 corresponds to the first function.
  • the navigation unit 40 corresponds to the second unit, and the navigation function corresponds to the second function.
  • the first speech recognition processing unit 31 corresponds to the first speech recognition processing unit
  • the first speech recognition dictionary 32 corresponds to the first dictionary.
  • the second speech recognition processing unit 41 corresponds to the second speech recognition processing unit, and the second speech recognition dictionary 42 corresponds to the second dictionary.
  • the voice recognition system 100 corresponds to a voice recognition device.
  • the embodiment has the following effects.
  • the speech recognition system 100 includes a master unit 20 that is mounted on a vehicle and has a plurality of functions, and a navigation unit 40 that is mounted on a vehicle and has a navigation function.
  • the first speech recognition processing unit 31 of the master unit 20 uses the first speech recognition dictionary 32.
  • the second voice recognition processing unit 41 of the navigation unit 40 performs voice recognition processing using the second voice recognition dictionary 42.
  • the first speech recognition dictionary 32 stores in advance vocabulary belonging to each function of the master unit 20, and the second speech recognition dictionary 42 stores in advance vocabulary belonging to the navigation function.
  • the voice recognition system 100 can prevent the processing load of voice recognition from becoming excessive without performing external communication when voice recognition of the user's utterance in the passenger compartment is performed.
  • the first voice recognition processing unit 31 and the second voice recognition processing unit 41 collate the same voice data with the first voice recognition dictionary 32 and the second voice recognition dictionary 42, for example, in synchronization.
  • the speech recognition system 100 outputs the first speech recognition output by the first speech recognition processing unit 31.
  • the speech recognition system 100 can recognize the speech. Therefore, even when the user utters a command or continuously speaks without specifying a unit, the speech recognition system 100 can recognize the speech.
  • the first speech recognition processing unit 31 stores not only the vocabulary belonging to each function of the master unit 20 but also the vocabulary belonging to the navigation function as the first dictionary data. Therefore, it is not necessary to transmit dictionary data (for example, second dictionary data) necessary for speech recognition from the navigation unit 40 to the master unit 20, and the time required for speech recognition processing can be shortened. Therefore, the voice recognition process can be speeded up.
  • the second dictionary data stored in the second speech recognition dictionary 42 is read-only depending on map data such as prefecture, city, town name, facility genre, facility name, intersection name, street name, etc. It is data. These data amounts are very large, for example, 1 gigabyte or more. For example, when such information is transmitted by USB communication, it takes, for example, ten minutes.
  • the time required for the speech recognition process can be shortened.
  • the master unit 20 includes a voice recognition result determination unit 34.
  • the voice recognition result determination unit 34 determines whether the content of the utterance belongs to each function or navigation function of the master unit 20 (for example, step S70). This determination can be made in the master unit 20.
  • the master unit 20 does not need to transmit the first speech recognition result to the outside or receive the determination result from the outside in order to make this determination. For this reason, the time required for the speech recognition processing can be further shortened.
  • the master unit 20 includes a voice recognition result adoption unit 35.
  • the speech recognition result adoption unit 35 Based on the determination result of the recognition result determination unit 34 (that is, using the content of the utterance as a determination material), one of the first and second speech recognition results is adopted.
  • the second dictionary data has a larger amount of vocabulary information belonging to the navigation function than the first dictionary data.
  • the speech recognition result adoption unit 35 selects the speech recognition result output by collating with a dictionary that includes more vocabulary that may match the content of the utterance from the first and second speech recognition results. It can be employed as a speech recognition result in the speech recognition system 100.
  • the voice recognition result adoption unit 35 adopts the first voice recognition result when the first voice recognition processing unit 31 recognizes the voice data and the second voice recognition processing unit 41 does not recognize the voice data. (For example, step S110).
  • the speech recognition result adoption unit 35 adopts the second speech recognition result when the first speech recognition processing unit 31 does not recognize the speech data and the second speech recognition processing unit 41 recognizes the speech data. (For example, step S100).
  • the speech recognition system 100 can increase the possibility of outputting the speech recognition result.
  • the master unit 20 uses the function units (for example, the audio function unit 21 and the screen display function) of the master unit 20 according to one of the first and second speech recognition results adopted by the speech recognition result adoption unit 35.
  • each function of the master unit 20 and the navigation function of the navigation unit 40 can be operated by voice.
  • FIG. 5 is a conceptual diagram showing a configuration example of a speech recognition system 100A according to a modification of the present invention.
  • the speech recognition system 100A includes an audio unit 40A instead of the navigation unit 40 as a second unit.
  • the audio unit 40A includes a second voice recognition processing unit 41A and an audio function unit 21.
  • the second speech recognition processing unit 41A includes a second speech recognition dictionary 42A and a second speech recognition engine 43A.
  • a plurality of vocabularies belonging to the audio function as shown in FIG. 2A are stored in advance as second dictionary data.
  • the master unit 20 includes a navigation function unit 44 instead of the audio function unit.
  • a plurality of vocabularies belonging to the audio function such as “Play Artist” serving as a command prefix are stored in advance as first dictionary data.
  • the master unit 20 can recognize.
  • the master unit 20 can recognize only “Play Artist” of continuous utterances “Play Artist OO (artist name)” by the user.
  • the modification (1) also has the same effects as the effects (1) to (7) of the above embodiment.
  • the audio unit 40A corresponds to the second unit
  • the audio function corresponds to the second function.
  • the voice recognition system 100A corresponds to a voice recognition device.
  • FIG. 6 is a conceptual diagram showing a configuration example of a speech recognition system 100B according to a modification of the present invention.
  • the speech recognition system 100B includes a navigation unit 40 and an audio unit 40A as the second unit.
  • a transfer line 65 and a communication line 80 are connected between the master unit 20 and the navigation unit 40, and between the master unit 20 and the audio unit 40A, respectively.
  • the switch 50 and the navigation unit 40 and the switch 50 and the audio unit 40A are connected by a signal line 70, respectively.
  • the speech recognition system 100B can execute the steps shown in FIG. That is, the navigation unit 40 and the audio unit 40A can execute steps S10b, S20b, S30b, and S40b in FIG. Therefore, the modification (2) also has the same effects as the effects (1) to (7) of the above embodiment.
  • the navigation unit 40 and the audio unit 40A each correspond to the second unit, and the navigation function and the audio function correspond to the second function, respectively.
  • the voice recognition system 100B corresponds to a voice recognition device.

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

　複数の機能を有するマスターユニット（２０）と、ナビ機能を有するナビユニット（４０）とを備え、車載された音声認識システム（１００）である。マスターユニット（２０）は、車室内で発話された音声を電気信号に変換した音声データを第１音声認識辞書（３２）と照合しつつ、音声データをナビユニット（４０）に転送する。ナビユニット（４０）は、マスターユニット（２０）から転送された音声データを第２音声認識辞書（４２）と照合して第２の音声認識結果をマスターユニット（２０）に出力する。マスターユニット（２０）は、第１音声認識辞書（３２）との照合結果である第１の音声認識結果と、第２の音声認識結果とに基づいて、最終認識結果を判定する。

Description

音声認識装置
　本発明は、音声認識装置に関する。
　従来から、車両システム内のメインユニットに搭載されている１つの音声認識エンジンを用いて、ナビゲーション装置、オーディオ装置、エアコン、車両情報のコマンドを認識して機能実行させる技術が知られている。また、近年では、メインユニット内に１つの音声認識エンジンを持ち、ユーザーが発話した音声を電気信号に変換したデータ（以下、発話データ）を音声認識エンジンが認識できなかった場合（例えば住所等を認識できなかった場合）に、該発話データをネットワーク経由で車外センタに送信する技術が知られている（例えば、特許文献１参照）。
国際公開第２００８／０７２４１３号
　特許文献１ではメインユニット内に１つの音声認識エンジンを持ち、全ての音声認識をこの音声認識エンジンで行い、認識できなかった音声についてはネットワーク経由で車外センタにて認識を行うので、通信障害が起きた場合には対応できないことがある。かといって全ての音声認識をこの１つの音声認識エンジンにて行うと音声認識の処理負荷が過大になる。
　そこで、本発明は、外部通信を行わずに、音声認識の処理負荷が過大にならない音声認識装置を提供することを目的とする。
　上記課題を解決するために、本発明の一態様は、第１の機能を有する第１のユニットと、第２の機能を有する第２のユニットとを備える。第１のユニットは、第１の機能に属する語彙を第１の辞書データとして予め格納し、音声データを第１の辞書と照合しつつ、音声データを第２のユニットに転送する。第２のユニットは、第２の機能に属する語彙を第２の辞書データとして予め格納し、第１のユニットから転送された音声データを第２の辞書と照合して第２の音声認識結果を第１のユニットに出力する。第１のユニットは、第１の辞書との照合結果である第１の音声認識結果と第２の音声認識結果とに基づいて、最終認識結果を判定する。
　本発明の一態様によれば、車載され、機能が異なる２つのユニットが、互いに異なる辞書を用いて音声認識処理を分担して行う。これにより、音声認識装置は、車室内でのユーザーの発話を音声認識する際に、外部通信を行わずに、音声認識の処理負荷が過大にならないようにすることができる。
本発明の実施形態に係る音声認識システム１００の構成例を示す概要図である。 第１、第２の辞書データの一例を示す図である。 音声認識システム１００が行う音声認識処理を示すフローチャート（メインルーチン）である。 不可時対応処理１、２を示すフローチャート（サブルーチン）である。 本発明の変形例に係る音声認識システム１００Ａの構成例を示す概念図である。 本発明の変形例に係る音声認識システム１００Ｂの構成例を示す概念図である。
　次に、本発明の実施形態について図面を参照しつつ説明する。
（構成）
　図１は、本発明の実施形態に係る音声認識システム１００の構成例を示す概要図である。この音声認識システム１００は、例えば、１つ又は複数以上の機能を搭載した複数のユニット（即ち、機器）を備え、自動車等の車室内に配置され（即ち、車載され）、各ユニットが搭載する各機能をユーザーが発話する音声で操作することが可能なシステムである。
　図１に示すように、この音声認識システム１００は、例えば、マイクロフォン（以下、マイク）１０と、複数の機能を有するマスターユニット２０と、ナビゲーション（以下、ナビ）機能を有するナビユニット４０と、スイッチ５０と、音声ライン６０と、転送ライン６５と、信号ライン７０及び通信ライン８０を備える。マイク１０は、例えば車室内に配置されており、ユーザーが発話した音声を集音し、集音した音声を電気信号に変換して音声データを生成する。マイク１０は、例えばダッシュボードに取り付けられている。また、スイッチ５０は、ユーザーによる手動操作を受けて、音声認識開始信号を生成する。スイッチ５０は、例えば、図示しないステアリングホイール（即ち、ハンドル）に取り付けられている。
　マスターユニット２０は、例えば車室内に配置されており、複数のユニットで１つの音声認識システムを構成する際に各ユニット間で各機能の調停を行うユニットである。マスターユニット２０は、例えばＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）と、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ　ｄｉｓｋ　ｄｒｉｖｅ）等の記憶装置と、液晶表示装置又は有機エレクトロルミネッセンスディスプレイ等の表示装置と、外部と通信するためのアンテナ等のハードウェアで構成されている。
　また、マスターユニット２０は、その機能部として、例えばオーディオ機能部２１と、画面表示機能部２２と、電話機能部２３と、車両連携機能部２４と、第１音声認識処理部３１と、音声認識結果判定部３４と、音声認識結果採用部３５と、機能実行指示部３６と、を有する。
　オーディオ機能部２１は、例えば、ラジオ放送やテレビジョン放送の受信、マスターユニット２０に装入するコンパクトディスク（ＣＤ）、フラッシュメモリ、又は、マスターユニット２０が内蔵する記憶装置に格納した音楽データや映像データを再生出力する機能を有する。画面表示機能部２２は、例えば、上記の表示装置に各種情報（例えば、オーディオ機能に関する情報や、電話機能に関する情報等）を表示する機能を有する。電話機能部２３は、電話機能（例えば、無線で電話基地局に接続し、電話回線を通じて離れた場所にいる相手方と車室内のユーザーとが互いに会話する機能）を有する。車両連携機能部２４は、車両連携機能（例えば、エンジンの出力制御など、車両制御と連携する機能）を有する。
　また、第１音声認識処理部３１は、マイク１０から音声ライン６０を通して取得した音声データを認識しつつ、この音声データを転送ライン６５を通してナビユニット４０に転送する機能を有する。この機能を実現するために、第１音声認識処理部３１は、例えば、第１の辞書データを格納する第１音声認識辞書３２と、音声データを第１音声認識辞書３２と照合して第１の音声認識結果を出力する第１音声認識エンジン３３とを有する。
　第１の辞書データは、マスターユニット２０の各機能（例えば、オーディオ機能、画面表示機能、電話機能及び車両連携機能）の何れか一つに属する（即ち、関係する）複数の語彙と、ナビユニット４０のナビ機能に属する複数の語彙とを含む。例えば図２（ａ）に示すように、第１の辞書データとして、オーディオ機能に属する複数の語彙「オーディオ」「音楽」「○○○（アーティスト名）」「Ｐｌａｙ　Ａｒｔｉｓｔ」等、電話機能に属する複数の語彙「電話」「Ｃａｌｌ」、ナビ機能に属する複数の語彙「ナビ」「目的地設定」等を第１音声認識辞書３２に格納しておく。第１の辞書データとして第１音声認識辞書３２に格納する語彙は、例えば日本語、英語、ドイツ語、フランス語、中国語など任意の言語である。
　音声認識結果判定部３４は、例えば、第１音声認識処理部３１から取得する第１の音声認識結果に基づいて、第１音声認識処理部３１による音声認識処理の成否を判定する機能を有する。また、音声認識結果判定部３４は、第１音声認識処理部３１による音声認識処理が成功と判定した場合は、その内容がマスターユニット２０が有する各機能（例えば、オーディオ機能、画面表示機能、電話機能又は車両連携機能等）に属するのか、ナビユニット４０が有するナビ機能に属するのかを判定する機能を有する。
　また、音声認識結果判定部３４は、例えば、第２音声認識処理部４１から取得する第２の音声認識結果に基づいて、第２音声認識処理部４１による音声認識処理の成否を判定する機能を有する。そして、音声認識結果判定部３４は、第１の音声認識結果と第２の音声認識結果とに基づいて、最終認識結果を判定する（即ち、音声認識装置としての最終的な音声認識結果を決定する）機能を有する。
　音声認識結果採用部３５は、音声認識結果判定部３４による判定結果に基づいて、第１の音声認識結果及び第２の音声認識結果の何れか一方を採用する機能を有する。機能実行指示部３６は、音声認識結果採用部３５により採用された第１又は第２の音声認識結果に基づいて、オーディオ機能部２１、画面表示機能部２２、電話機能部２３、車両連携機能部２４又はナビ機能部４４に各種処理の実行を指示する機能を有する。
　また、マスターユニット２０と同様、ナビユニット４０も車室内に配置されている。ナビユニット４０は、例えばＣＰＵと、ＲＡＭ、ＲＯＭ等の記憶装置と、液晶表示装置又は有機エレクトロルミネッセンスディスプレイ等の表示装置と、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）信号等を受信するためのアンテナ等のハードウェアで構成されている。
　また、ナビユニット４０は、その機能部として、例えば、自車両の現在地を示すと共に、ユーザーが設定することにより自車両を目的地に案内するためのナビ機能部４４と、第１音声認識処理部３１から転送ライン６５を通して転送された音声データを認識するための第２音声認識処理部４１と、を有する。第２音声認識処理部４１は、例えば、第２の辞書データを格納する第２音声認識辞書４２と、マスターユニット２０から転送された音声データを第２音声認識辞書４２と照合して第２の音声認識結果をマスターユニット２０に出力する第２音声認識エンジン４３と、を有する。
　第２の辞書データは、ナビユニット４０のナビ機能に属する複数の語彙を含む。例えば図２（ｂ）に示すように、ナビユニット４０のナビ機能に属する複数の語彙を第２音声認識辞書４２に格納しておく。ここで、ナビ機能に属する語彙について、第２音声認識辞書４２には第１音声認識辞書３２と比べて、より多くの語彙を格納しておく。即ち、第１の辞書データよりも第２の辞書データの方が、ナビ機能に属する語彙の情報量が大きい。例えば、第１音声認識辞書３２に格納するナビ機能に属する語彙は、「ナビ」「目的地」など、ユーザーが発話するコマンドの接頭語のみである。これに対して、第２音声認識辞書４２に格納するナビ機能に属する語彙は、「ナビ」「目的地」などコマンドの接頭語のほかに、「神奈川県厚木市○○○」等の都道府県名、市町村名、住所、「△△△」駅等の施設の名称、「×××通り」等のストリート名など、より詳細な語彙も格納しておく。なお、第２の辞書データとして第２音声認識辞書４２に格納する語彙も、例えば日本語、英語、ドイツ語、フランス語、中国語など任意の言語である。
　音声ライン６０は、マイク１０からマスターユニット２０へ音声データを送信するための経路である。転送ライン６５は、第１音声認識処理部３１がナビユニット４０に音声データを転送するための経路である。信号ライン７０は、スイッチ５０からマスターユニット２０及びナビユニット４０へそれぞれ音声認識開始信号を送信するための経路である。通信ライン８０は、マスターユニット２０とナビユニット４０との間で通信するための経路である。音声ライン６０、信号ライン７０及び通信ライン８０は有線又は無線のどちらでもよい。なお、通信ライン８０を介した通信方法として、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）通信又はＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）通信などが挙げられる。
　次に、音声認識システム１００が行う処理について説明する。
　図３は、音声認識システム１００が行う音声認識処理を示すフローチャート（メインルーチン）である。なお、図３において、ステップＳ１０ｂ、２０ｂ、３０ｂ、４０ｂの各処理は、例えばナビユニット４０が行う。図３において、上記以外の他のステップの各処理は、例えばマスターユニット２０が行う。
　まず始めに、図３に示すように、ユーザーはステアリングホイール等に取り付けられているスイッチ５０を操作して、音声認識システム１００に音声認識の開始を通知する。これにより、マスターユニット２０及びナビユニット４０はそれぞれ、音声認識処理を開始する（ステップＳ１０ａ、１０ｂ）。
　次に、ユーザーが発話すると、マイク１０は音声を集音し、これを電気信号に変換して音声データを生成する。マスターユニット２０は、この生成した音声データを音声ライン６０を介して取得する（ステップＳ２０ａ）。
　次に、この取得した音声データについて、マスターユニット２０の第１音声認識処理部３１は音声認識処理を行う（ステップＳ３０ａ）。即ち、第１音声認識エンジン３３は、取得した音声データを第１音声認識辞書３２と照合する。また、この第１音声認識辞書３２による照合動作と前後して、或いは並行して、第１音声認識処理部３１は、音声データを転送ライン６５を通してナビユニット４０の第２音声認識処理部４１に転送する（ステップＳ３０ａ）。第２音声認識処理部４１は、転送された音声データを受信し、取得する（ステップＳ２０ｂ）。第２音声認識エンジン４３は、取得した音声データを第２音声認識辞書４２と照合する（ステップＳ３０ｂ）。
　この音声認識処理ついて、ユーザーがナビ機能に関して発話した場合を想定して説明する。まず、第１音声認識辞書３２が行う音声認識処理について説明する。
　例えば図２（ａ）に示したように、第１音声認識辞書３２は、第１の辞書データとして、マスターユニット２０の各機能（例えば、オーディオ機能、画面表示機能、電話機能及び車両連携機能）に属する複数の語彙と、ナビユニット４０のナビ機能に属する複数の語彙（例えば、発話の接頭語）とを格納している。ユーザーが例えば「目的地設定　神奈川県厚木市○○○」と連続発話した場合、第１音声認識エンジン３３は、この連続発話を電気信号に変換した音声データを第１音声認識辞書３２と照合する。ここでは、音声データに含まれる「目的地設定」が、第１の辞書データの「目的地設定」と一致するため、第１音声認識エンジン３３は連続発話の一部である「目的地設定」を音声認識することができる。第１音声認識処理部３１は、この認識結果（即ち、第１の音声認識結果）を音声認識結果判定部３４に出力する（ステップＳ４０ａ）。
　また、例えば図２（ｂ）に示すように、第２音声認識辞書４２は、第２の辞書データとして、ナビユニット４０のナビ機能に属する複数の語彙（例えば、コマンドの接頭語、都道府県名、市町村名、住所、施設の名称、ストリート、交差点の名称等）を格納している。
　上述したように、ユーザーが例えば「目的地設定　神奈川県厚木市○○○」と連続発話した場合、この連続発話を電気信号に変換した音声データはマスターユニット２０からナビユニット４０に転送される。第２音声認識エンジン４３は、この転送されてきた音声データを第２音声認識辞書４２と照合する。ここでは、音声データに含まれる「目的地設定」、「神奈川県厚木市○○○」と、第２の辞書データの「目的地設定」、「神奈川県厚木市○○○」がそれぞれ一致するため、第２音声認識エンジン４３は連続発話「目的地設定　神奈川県厚木市○○○」を全て音声認識することができる。第２音声認識処理部４１は、この認識結果（即ち、第２の音声認識結果）を、通信ライン８０を介して、マスターユニット２０が有する音声認識結果判定部３４に出力する（ステップＳ４０ｂ）。
　次に、音声認識結果判定部３４は、取得した第１の音声認識結果に基づいて、第１音声認識処理部３１による音声認識処理の成否（即ち、音声データの少なくとも一部を認識できたか否か）を判定する（ステップＳ５０）。例えば、第１音声認識エンジン３３が連続発話の一部である「目的地設定」を認識できた場合、音声認識結果判定部３４は第１音声認識処理部３１による音声認識処理が成功したと判定する。また、第１音声認識エンジン３３が連続発話を全く認識できなかった場合、音声認識結果判定部３４は第１音声認識処理部３１による音声認識処理が不可であったと判定する。音声認識結果判定部３４が第１音声認識処理部３１による音声認識処理が成功したと判定した場合はステップＳ６０へ進み、不可であったと判定した場合はステップＳ１００へ進む。
　ステップＳ６０では、音声認識結果判定部３４は、取得した第２の音声認識結果に基づいて、第２音声認識処理部４１による音声認識処理の成否を判定する。例えば、第２音声認識エンジン４３が、連続発話「目的地設定　神奈川県厚木市○○○」を認識できた場合、音声認識結果判定部３４は第２音声認識処理部４１による音声認識処理が成功したと判定する。また、第２音声認識エンジン４３が連続発話を全く認識できなかった場合、音声認識結果判定部３４は第２音声認識処理部４１による音声認識処理が不可であったと判定する。音声認識結果判定部３４が第２音声認識処理部４１による音声認識処理が成功したと判定した場合はステップＳ７０へ進み、不可であったと判定した場合はステップＳ１１０へ進む。
　ステップＳ７０では、音声認識結果判定部３４が、第１の音声認識結果及び第２の音声認識結果の少なくとも一方に基づいて、発話の内容がマスターユニット２０の各機能又はナビ機能のどちらに属するかを判定する。ここでは、例えば第１の音声認識結果の内容及び第２の音声認識結果の内容が双方ともナビ機能に属するため、音声認識結果判定部３４は発話内容がナビユニット４０のナビ機能に属すると判定する。
　この判定を受けて、音声認識結果採用部３５は、ナビユニット４０の第２音声認識処理部４１が出力した第２の音声認識結果を採用する（ステップＳ８０）。
　なお、第２音声認識辞書４２が格納している第２の辞書データが例えばナビ機能に属する語彙に限定されている場合、音声認識結果判定部３４は、第２音声認識処理部４１による音声認識が成功したことのみに基づいて、第２の音声認識結果を採用してもよい。この場合、音声認識結果判定部３４は、第１の音声認識結果の内容を確認する必要がないので、音声認識システム１００における音声認識処理をより高速化できる可能性がある。
　また、ステップＳ７０で、音声認識結果判定部３４が第１の音声認識結果に基づいて発話の内容がマスターユニット２０の各機能に属すると判定した場合は、ステップＳ９０に進む。ステップＳ９０では、音声認識結果採用部３５は、第１の音声認識結果を採用する。
　ステップＳ８０又はステップＳ９０の後、例えば、所定時間が経過するまでの間にマイク１０が集音した場合、又は、ユーザーがスイッチ５０を操作して音声認識システム１００に音声認識の開始を通知した場合は、ステップＳ１０ａ、１０ｂに戻って、音声認識処理を再度開始する。また、上記以外の場合は、例えば、音声認識処理を終了する。
　次に、ステップＳ１００、Ｓ１１０の各処理について説明する。
　図４（ａ）は、音声認識システム１００がステップＳ１００で行う不可時対応処理１を示すフローチャート（サブルーチン）である。図４（ａ）に示すように、ステップＳ１００の不可時対応処理１は、例えば、ステップＳ１０１、Ｓ１０２、Ｓ１０３からなる。
　ステップＳ１０１では、音声認識結果判定部３４は、取得した第２の音声認識結果に基づいて、第２音声認識処理部４１による音声認識処理の成否を判定する。例えば、ステップＳ１０１では、音声認識結果判定部３４はステップＳ６０と同様の処理を行う。音声認識結果判定部３４が第２音声認識処理部４１による音声認識処理が成功したと判定した場合はステップＳ１０２へ進み、不可であったと判定した場合はステップＳ１０３へ進む。
　ステップＳ１０２では、音声認識結果採用部３５は、第２音声認識処理部４１が出力した第２の音声認識結果を採用する。また、ステップＳ１０３では、音声認識結果採用部３５は、例えば、音声を認識できない旨を音声認識システム１００が有する表示装置等に表示し、又は予め録音した音声等で通知する。或いは、音声認識結果採用部３５は、音声を認識できない旨に続いて、再度の発話を促す旨、例えば「もう一度指示してください」を上記表示装置等に表示し、又は予め録音した音声で通知してもよい。音声認識結果採用部３５は、上記旨を表示装置で表示すると共に、音声で通知してもよい。これらの表示又は通知の少なくとも一方を受けて、ユーザーは、音声認識システム１００の各機能の実行を指示するコマンドを再び発話し、又は、この指示を意図する連続発話を再びすることができる。
　図４（ｂ）は、音声認識システム１００がステップＳ１１０で行う不可時対応処理２を示すフローチャート（サブルーチン）である。図４（ｂ）に示すように、不可時対応処理２は、例えば、ステップＳ１１１、Ｓ１１２、Ｓ１１３からなる。
　ステップＳ１１１では、音声認識結果判定部３４が、第１の音声認識結果に基づいて、発話の内容がマスターユニット２０の各機能又はナビ機能のどちらに属するかを判定する。第１の音声認識結果の内容がマスターユニット２０の各機能に属する場合はステップＳ１１２へ進み、音声認識結果採用部３５は、第１音声認識処理部３１が出力した第１の音声認識結果を採用する。また、第１の音声認識結果の内容がナビユニット４０のナビ機能に属する場合はステップＳ１１３へ進む。ステップＳ１１３では、音声認識結果採用部３５は、目的地設定に関して再度の発話を促す旨、例えば「目的地をもう一度言ってください」を表示装置等に表示し、又は予め録音した音声で通知する。この場合も、音声認識結果採用部３５は、表示装置での表示と音声による通知の両方を行ってもよい。
　図３又は図４（ａ）及び（ｂ）の各フローチャートに沿って、音声認識結果採用部３５が第１の音声認識結果又は第２の音声認識結果を採用した後は、採用した第１の音声認識結果又は第２の音声認識結果に対応するコマンドを機能実行指示部３６が各機能部に送信する。コマンドの送信先は、第１の音声認識結果を採用した場合はマスターユニット２０のオーディオ機能部２１、画面表示機能部２２、電話機能部２３又は車両連携機能部２４であり、第２の音声認識結果を採用した場合はナビユニット４０のナビ機能部４４である。
　例えば、音声認識結果採用部３５が第２の音声認識結果として、ユーザーによる連続発話「目的地設定　神奈川県厚木市○○○」を認識した場合、機能実行指示部３６はナビユニット４０のナビ機能部４４に「神奈川県厚木市○○○」を目的地とするコマンドを送信する。このコマンドを受けて、ナビ機能部４４は「神奈川県厚木市○○○」を目的地とするナビ機能を実行する。
（動作）
　次に、実施形態の動作例について説明する。
　例えば、ユーザーが音声認識システム１００のナビ機能を動作させる場合を想定する。この場合、ユーザーは、コマンドを発話する前に、ステアリングホイールに取り付けられているスイッチ５０を操作して、音声認識システム１００に音声認識の開始を通知する。これを受けて、マスターユニット２０とナビユニット４０はそれぞれ音声認識処理を開始する。
　ユーザーは、スイッチ５０を操作した後で、「目的地設定」→「神奈川県厚木市○○○」とコマンドを発話する。或いは、「目的地設定　神奈川県厚木市○○○」と連続発話してもよい。すると、マイク１０がこの発話を集音して音声データに変換し、音声データをマスターユニット２０に送信する。そして、マスターユニット２０の第１音声認識処理部３１は、発話の一部であって第１の辞書データにある語彙「目的地設定」だけを認識する（第１の辞書データには無い「神奈川県厚木市○○○」は認識しない。）。マスターユニット２０は、この第１音声認識処理部３１による音声認識の結果を第１の音声認識結果とする。また、第１音声認識処理部３１は、音声データをナビユニット４０に転送する。
　ナビユニット４０の第２音声認識処理部４１は、第２の辞書データにある語彙「目的地設定」、「神奈川県厚木市○○○」を両方とも認識する。そして、ナビユニット４０は、この音声認識の結果（即ち、第２の音声認識結果）と、必要なパラメータ（例えば、ナビユニット４０で音声認識した結果をマスターユニット２０に認識させるための設定値等）とを通信ライン８０を介してマスターユニット２０に送信する。
　マスターユニット２０は、第１の音声認識結果及び第２の音声認識結果の何れにも「目的地設定」が含まれていることから、ユーザーが発話した内容はナビ機能に属するものと認識する。この結果を受けて、マスターユニット２０はナビ機能に関してより多くの語彙を含む第２の音声認識結果を採用して、ナビユニット４０にナビ機能の実行を指示する。
　即ち、マスターユニット２０は、ナビユニット４０に「神奈川県厚木市○○○」を目的地とするナビ機能の実行を指示する。ナビユニット４０は、この指示を受けて、「神奈川県厚木市○○○」を目的地とするナビ機能を実行する。
　この実施形態では、マスターユニット２０が第１のユニットに対応し、マスターユニット２０の各機能（例えば、オーディオ機能、画面表示機能、電話機能及び車両連携機能）が第１の機能に対応している。また、ナビユニット４０が第２のユニットに対応し、ナビ機能が第２の機能に対応している。さらに、第１音声認識処理部３１が第１の音声認識処理部に対応し、第１音声認識辞書３２が第１の辞書に対応している。また、第２音声認識処理部４１が第２の音声認識処理部に対応し、第２音声認識辞書４２が第２の辞書に対応している。さらに、音声認識システム１００が音声認識装置に対応している。
（実施形態の効果）
　実施形態は、次のような効果を奏する。
（１）音声認識システム１００は、車載され複数の機能を有するマスターユニット２０と、車載されナビ機能を有するナビユニット４０とを備える。車室内でユーザーが発話した音声に、マスターユニット２０の各機能又はナビ機能に関係する言葉が含まれている場合、マスターユニット２０の第１音声認識処理部３１は第１音声認識辞書３２を用いて音声認識処理を行い、ナビユニット４０の第２音声認識処理部４１は第２音声認識辞書４２を用いて音声認識処理を行う。第１音声認識辞書３２にはマスターユニット２０の各機能に属する語彙が予め格納され、第２音声認識辞書４２にはナビ機能に属する語彙が予め格納されている。このように、音声認識システム１００では、車載され、機能が異なる２つのユニットが、互いに異なる辞書を用いて音声認識処理を分担して行う。これにより、音声認識システム１００は、車室内でのユーザーの発話を音声認識する際に、外部通信を行わずに、音声認識の処理負荷が過大にならないようにすることができる。
（２）また、第１音声認識処理部３１と第２音声認識処理部４１は、例えば同期して、同一の音声データを第１音声認識辞書３２及び第２音声認識辞書４２とそれぞれ照合する。これにより、ユーザーが発話した音声にマスターユニット２０の各機能又はナビ機能に関係する言葉が含まれている場合、音声認識システム１００は、第１音声認識処理部３１が出力する第１の音声認識結果及び第２音声認識処理部４１が出力する第２の音声認識結果の何れか一方を採用することによって、その音声を認識することができる。従って、ユーザーがユニットを指定しないでコマンドを発話したり連続発話した場合でも、音声認識システム１００は、その発話を音声認識することができる。
（３）上述したように、第１音声認識処理部３１は、第１の辞書データとして、マスターユニット２０の各機能に属する語彙だけでなく、ナビ機能に属する語彙も格納している。このため、ナビユニット４０からマスターユニット２０に向けて音声認識に必要な辞書データ（例えば、第２の辞書データ等）を送信する必要がなく、音声認識処理の所要時間を短縮することができる。よって、音声認識処理を高速化することができる。
　例えば、第２音声認識辞書４２に格納する第２の辞書データは、県、市、町の名称、施設のジャンル、施設の名称、交差点の名称、ストリートの名称等々、地図データに依存する読み込み専用データである。これらのデータ量は非常に大きく、例えば１ギガバイト以上ある。これらの情報を例えばＵＳＢ通信で送信する場合、例えば十数分の時間を要する。これに対して、本実施形態では、上記のような大容量の辞書データを送受信する必要はないので、音声認識処理の所要時間を短縮することができる。
（４）マスターユニット２０は音声認識結果判定部３４を有する。音声認識結果判定部３４は、発話の内容がマスターユニット２０の各機能又はナビ機能のどちらに属するかを判定する（例えば、ステップＳ７０）。この判定はマスターユニット２０内で行うことができる。マスターユニット２０は、この判定を行うために第１の音声認識結果を外部へ送信したり、判定結果を外部から受信したりする必要はない。このため、音声認識処理の所要時間をさらに短縮することができる。
（５）マスターユニット２０は音声認識結果採用部３５を有する。第１音声認識処理部３１、第２音声認識処理部４１がそれぞれ音声データの少なくとも一部を認識した場合（例えば、ステップＳ５０、Ｓ６０がそれぞれＹｅｓの場合）、音声認識結果採用部３５は、音声認識結果判定部３４の判定結果に基づいて（即ち、発話の内容を判定材料として）、第１、第２の音声認識結果の何れか一方を採用する。ここで、第１の辞書データよりも第２の辞書データの方が、ナビ機能に属する語彙の情報量が大きい。これにより、音声認識結果採用部３５は、第１、第２の音声認識結果のうち、発話の内容と一致する可能性がある語彙をより多く含む辞書と照合することによって出力した音声認識結果を、音声認識システム１００における音声認識結果として採用することができる。
（６）音声認識結果採用部３５は、第１音声認識処理部３１が音声データを認識し、且つ第２音声認識処理部４１が音声データを認識しない場合は第１の音声認識結果を採用する（例えば、ステップＳ１１０）。また、音声認識結果採用部３５は、第１音声認識処理部３１が音声データを認識せず、且つ第２音声認識処理部４１が音声データを認識する場合は第２の音声認識結果を採用する（例えば、ステップＳ１００）。このように、第１音声認識処理部３１及び第２音声認識処理部４１の何れか一方が音声データを認識しなかった場合でも、その他方が音声データを認識した場合は、該他方が出力する音声認識結果を採用する。これにより、音声認識システム１００は、音声認識結果を出力できる可能性を高めることができる。
（７）マスターユニット２０は、音声認識結果採用部３５が採用した第１、第２の音声認識結果の何れか一方に従って、マスターユニット２０の各機能部（例えば、オーディオ機能部２１、画面表示機能部２２、電話機能部２３若しくは車両連携機能部２４）、又は、ナビユニット４０のナビ機能部４４に各種処理の実行を指示する機能実行指示部３６を有する。これにより、マスターユニット２０の各機能や、ナビユニット４０のナビ機能をそれぞれ音声で操作することができる。
（変形例）
（１）上記の実施形態では、第２のユニットとしてナビユニット４０を例示した。しかしながら、第２のユニットはナビユニットに限定されるものではない。第２のユニットは、例えば、第２音声認識処理部と、オーディオ機能部とを有するオーディオユニットでもよい。
　図５は、本発明の変形例に係る音声認識システム１００Ａの構成例を示す概念図である。図５に示すように、音声認識システム１００Ａは、第２のユニットとして、ナビユニット４０の代わりにオーディオユニット４０Ａを有する。オーディオユニット４０Ａは、第２音声認識処理部４１Ａとオーディオ機能部２１とを有する。また、第２音声認識処理部４１Ａは、第２音声認識辞書４２Ａと、第２音声認識エンジン４３Ａとを有する。第２音声認識辞書４２Ａには、第２の辞書データとして、図２（ａ）に示したようなオーディオ機能に属する複数の語彙を予め格納しておく。
　また、マスターユニット２０は、オーディオ機能部に代えて、ナビ機能部４４を有する。マスターユニット２０が有する第１音声認識辞書３２には、第１の辞書データとして、コマンドの接頭語となる「Ｐｌａｙ　Ａｒｔｉｓｔ」など、オーディオ機能に属する複数の語彙を予め格納しておく。
　このような構成であれば、例えば、ユーザーが音声で選曲操作を行う場合、ユーザーが発話するコマンド「Ｐｌａｙ　Ａｒｔｉｓｔ」→「○○○（アーティスト名）」のうちの接頭語「Ｐｌａｙ　Ａｒｔｉｓｉｔ」だけをマスターユニット２０は認識することができる。或いは、ユーザーによる連続発話「Ｐｌａｙ　Ａｒｔｉｓｔ　○○○（アーティスト名）」のうち「Ｐｌａｙ　Ａｒｔｉｓｉｔ」だけをマスターユニット２０は認識することができる。このように、第２のユニットがオーディオユニット４０Ａの場合でも、音声認識システム１００Ａは図３に示した各ステップを実行できる。従って、変形例（１）も上記の実施形態の効果（１）～（７）と同様の効果を奏する。
　変形例（１）では、オーディオユニット４０Ａが第２のユニットに対応し、オーディオ機能が第２の機能に対応している。また、音声認識システム１００Ａが音声認識装置に対応している。
（２）上記の実施形態では、第２のユニットが一つの場合について例示した。しかしながら、第２のユニットは一つに限定されず、複数でもよい。例えば、第２のユニットは、実施形態で説明したナビユニット４０と、変形例（１）で説明したオーディオユニット４０Ａの両方でもよい。
　図６は、本発明の変形例に係る音声認識システム１００Ｂの構成例を示す概念図である。図６に示すように、音声認識システム１００Ｂは、第２のユニットとして、ナビユニット４０及びオーディオユニット４０Ａを有する。マスターユニット２０とナビユニット４０との間、及び、マスターユニット２０とオーディオユニット４０Ａとの間はそれぞれ転送ライン６５及び通信ライン８０で接続されている。また、スイッチ５０とナビユニット４０との間、及び、スイッチ５０とオーディオユニット４０Ａとの間はそれぞれ信号ライン７０で接続されている。
　このような構成であっても、音声認識システム１００Ｂは図３に示した各ステップを実行できる。即ち、ナビユニット４０及びオーディオユニット４０Ａはそれぞれ、図３のステップＳ１０ｂ、Ｓ２０ｂ、Ｓ３０ｂ、Ｓ４０ｂを実行できる。従って、変形例（２）も上記の実施形態の効果（１）～（７）と同様の効果を奏する。
　変形例（２）では、ナビユニット４０とオーディオユニット４０Ａがそれぞれ第２のユニットに対応し、ナビ機能とオーディオ機能がそれぞれ第２の機能に対応している。また、音声認識システム１００Ｂが音声認識装置に対応している。
　以上、本願が優先権を主張する日本国特許出願２０１３－２４１０６５（２０１３年１１月２１日出願）の全内容は、参照により本開示の一部をなす。
　ここでは、限られた数の実施形態を参照しながら説明したが、権利範囲はそれらに限定されるものではなく、上記の開示に基づく各実施形態の改変は当業者にとって自明なことである。
１０　マイクロフォン
２０　マスターユニット
２１　オーディオ機能部
２２　画面表示機能部
２３　電話機能部
２４　車両連携機能部
３１　第１音声認識処理部
３２　第１音声認識辞書
３３　第１音声認識エンジン
３４　音声認識結果判定部
３５　音声認識結果採用部
３６　機能実行指示部
４０　ナビユニット
４０Ａ　オーディオユニット
４１、４１Ａ　第２音声認識処理部
４２、４２Ａ　第２音声認識辞書
４３、４３Ａ　第２音声認識エンジン
４４　ナビ機能部
５０　スイッチ
６０　音声ライン
７０　信号ライン
８０　通信ライン
１００、１００Ａ、１００Ｂ　音声認識システム

Claims (5)

  1. 　第１の機能を有する第１のユニットと、前記第１の機能とは異なる第２の機能を有する第２のユニットとを備え、車載された音声認識装置であって、
    　前記第１のユニットは、前記第１の機能に属する語彙を第１の辞書データとして第１の辞書に予め格納し、車室内で発話された音声を電気信号に変換した音声データを前記第１の辞書と照合しつつ、前記音声データを第２のユニットに転送する第１の音声認識処理部を有し、
    　前記第２のユニットは、前記第２の機能に属する語彙を第２の辞書データとして第２の辞書に予め格納し、前記第１のユニットから転送された前記音声データを前記第２の辞書と照合して第２の音声認識結果を前記第１のユニットに出力する第２の音声認識処理部を有し、
    　前記第１のユニットは、前記第１の辞書との照合結果である第１の音声認識結果と、前記第２の音声認識結果とに基づいて、最終認識結果を判定する音声認識結果判定部を有することを特徴とする音声認識装置。
  2. 　前記音声認識結果判定部は、
    　前記第１の音声認識結果及び前記第２の音声認識結果の少なくとも一方に基づいて、前記発話の内容が前記第１の機能又は前記第２の機能のどちらに属するかを判定することを特徴とする請求項１に記載の音声認識装置。
  3. 　前記第１のユニットは、
    　前記音声認識結果判定部による判定結果に基づいて、前記第１の音声認識結果及び前記第２の音声認識結果の何れか一方を採用する音声認識結果採用部、をさらに有し、
    　前記第１の辞書データは前記第２の機能に属する語彙を含み、かつ前記第１の辞書データよりも前記第２の辞書データの方が、前記２の機能に属する語彙の情報量が大きく、
    　前記音声認識結果採用部は、前記第１の音声認識処理部及び前記第２の音声認識処理部がそれぞれ前記音声データの少なくとも一部を認識した場合であって、前記音声認識結果判定部が前記発話の内容が前記第１の機能に属すると判定したときは前記第１の音声認識結果を採用し、前記発話の内容が前記第２の機能に属すると判定したときは前記第２の音声認識結果を採用することを特徴とする請求項２に記載の音声認識装置。
  4. 　前記音声認識結果採用部は、
    　前記第１の音声認識処理部が前記音声データを認識し、且つ前記第２の音声認識処理部が前記音声データを認識しない場合は前記第１の音声認識結果を採用し、
    　前記第１の音声認識処理部が前記音声データを認識せず、且つ前記第２の音声認識処理部が前記音声データを認識する場合は前記第２の音声認識結果を採用することを特徴とする請求項３に記載の音声認識装置。
  5. 　前記第１のユニットは、
    　前記音声認識結果採用部が採用した前記第１の音声認識結果及び前記第２の音声認識結果の何れか一方に従って、該第１のユニットに前記第１の機能の実行を指示し、又は、前記第２のユニットに前記第２の機能の実行を指示する機能実行指示部、をさらに有することを特徴とする請求項３又は請求項４に記載の音声認識装置。
PCT/JP2014/005683 2013-11-21 2014-11-12 音声認識装置 WO2015075903A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013-241065 2013-11-21
JP2013241065A JP2017015744A (ja) 2013-11-21 2013-11-21 音声認識装置

Publications (1)

Publication Number Publication Date
WO2015075903A1 true WO2015075903A1 (ja) 2015-05-28

Family

ID=53179190

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/005683 WO2015075903A1 (ja) 2013-11-21 2014-11-12 音声認識装置

Country Status (2)

Country Link
JP (1) JP2017015744A (ja)
WO (1) WO2015075903A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017146437A (ja) * 2016-02-17 2017-08-24 本田技研工業株式会社 音声入力処理装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001022373A (ja) * 1999-07-02 2001-01-26 Alpine Electronics Inc 音声認識方法
JP2005003997A (ja) * 2003-06-12 2005-01-06 Toyota Motor Corp 音声認識装置および音声認識方法ならびに車両
JP2005181439A (ja) * 2003-12-16 2005-07-07 Nissan Motor Co Ltd 音声認識装置
JP2008089625A (ja) * 2006-09-29 2008-04-17 Honda Motor Co Ltd 音声認識装置、音声認識方法及び音声認識プログラム
JP2010054896A (ja) * 2008-08-29 2010-03-11 Brother Ind Ltd 音声認識装置および音声認識プログラム
JP2013134302A (ja) * 2011-12-26 2013-07-08 Denso Corp 音声認識装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001022373A (ja) * 1999-07-02 2001-01-26 Alpine Electronics Inc 音声認識方法
JP2005003997A (ja) * 2003-06-12 2005-01-06 Toyota Motor Corp 音声認識装置および音声認識方法ならびに車両
JP2005181439A (ja) * 2003-12-16 2005-07-07 Nissan Motor Co Ltd 音声認識装置
JP2008089625A (ja) * 2006-09-29 2008-04-17 Honda Motor Co Ltd 音声認識装置、音声認識方法及び音声認識プログラム
JP2010054896A (ja) * 2008-08-29 2010-03-11 Brother Ind Ltd 音声認識装置および音声認識プログラム
JP2013134302A (ja) * 2011-12-26 2013-07-08 Denso Corp 音声認識装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017146437A (ja) * 2016-02-17 2017-08-24 本田技研工業株式会社 音声入力処理装置

Also Published As

Publication number Publication date
JP2017015744A (ja) 2017-01-19

Similar Documents

Publication Publication Date Title
US10083685B2 (en) Dynamically adding or removing functionality to speech recognition systems
EP3172729B1 (en) Text rule based multi-accent speech recognition with single acoustic model and automatic accent detection
EP2581901A2 (en) Information terminal, server device, searching system and corresponding searching method
US20100217482A1 (en) Vehicle-based system interface for personal navigation device
US20120135714A1 (en) Information system for motor vehicle
US20190122661A1 (en) System and method to detect cues in conversational speech
US20110288867A1 (en) Nametag confusability determination
CN107819929A (zh) 优选表情符号的识别和生成
JP2009300537A (ja) 音声作動システム、音声作動方法および車載装置
JP2009530666A (ja) 外部ユーザの自動音声認識、口述、録音および再生を提供する方法
US10008205B2 (en) In-vehicle nametag choice using speech recognition
US9302677B2 (en) Methods for providing operator support utilizing a vehicle telematics service system
US10269350B1 (en) Responsive activation of a vehicle feature
US20150302851A1 (en) Gesture-based cues for an automatic speech recognition system
US20150341005A1 (en) Automatically controlling the loudness of voice prompts
US20200156537A1 (en) Voice activated vehicle alarm
JP2016218361A (ja) 音声認識システム、車載器およびサーバ装置
JP5181533B2 (ja) 音声対話装置
JP2015028566A (ja) 応答制御システム、車載器、およびセンター
JP6160794B1 (ja) 情報管理システムおよび情報管理方法
WO2015075903A1 (ja) 音声認識装置
JP2007183516A (ja) 音声対話装置及び音声認識方法
US20160307562A1 (en) Controlling speech recognition systems based on radio station availability
JP6109373B2 (ja) サーバー装置および検索方法
US10674427B2 (en) System and method to select and operate a mobile device through a telematics unit

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: 14863780

Country of ref document: EP

Kind code of ref document: A1

DPE2 Request for preliminary examination filed before expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14863780

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP