WO2015146179A1 - 音声コマンド入力装置および音声コマンド入力方法 - Google Patents

音声コマンド入力装置および音声コマンド入力方法 Download PDF

Info

Publication number
WO2015146179A1
WO2015146179A1 PCT/JP2015/001721 JP2015001721W WO2015146179A1 WO 2015146179 A1 WO2015146179 A1 WO 2015146179A1 JP 2015001721 W JP2015001721 W JP 2015001721W WO 2015146179 A1 WO2015146179 A1 WO 2015146179A1
Authority
WO
WIPO (PCT)
Prior art keywords
voice
information
voice command
unit
input
Prior art date
Application number
PCT/JP2015/001721
Other languages
English (en)
French (fr)
Inventor
圭一 問山
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Priority to JP2016510046A priority Critical patent/JP6436400B2/ja
Priority to US15/122,429 priority patent/US10074367B2/en
Publication of WO2015146179A1 publication Critical patent/WO2015146179A1/ja
Priority to US16/055,821 priority patent/US10304456B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/06—Decision making techniques; Pattern matching strategies
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Definitions

  • the microphone 601 is installed in each room of the house, and is connected to one control unit 602 installed in the house with a signal line. For example, when the speaker instructs to turn on / off the air conditioner 610 by a speaker, the control unit 602 turns the power on / off from the interface 607 to the remote controller 608 of the air conditioner 610 based on the voice recognition result. A control signal for instructing switching is transmitted. Then, the power supply of the air conditioner 610 is turned on or off via the remote controller 608.
  • the control unit 602 is configured as follows.
  • the control unit 602 includes an analog-digital conversion circuit (hereinafter referred to as “A / D circuit”) 603, an arbitration circuit 605, a speech recognition processor 606, and an interface 607.
  • a / D circuit analog-digital conversion circuit
  • a / D circuit analog-digital conversion circuit
  • arbitration circuit 605 an arbitration circuit
  • speech recognition processor 606 an interface 607.
  • the present disclosure relates to a voice command input device capable of appropriately processing even when a plurality of users utter a voice at the same time, or a plurality of microphones collects sounds of a single speaker. I will provide a.
  • the voice command input device includes a first voice input unit, a second voice input unit, and a voice command identification unit.
  • the first voice input unit includes a first identification information generation unit that outputs first identification information, and a first voice recognition unit that converts voice into first voice command information.
  • the first voice information including the identification information and the first voice command information is output.
  • the second voice input unit includes a second identification information generation unit that outputs the second identification information, and a second voice recognition unit that converts voice into second voice command information.
  • Second voice information including identification information and second voice command information is output.
  • the voice command identification unit is configured to generate and output a control signal for controlling the operation target device based on the first voice information and the second voice information. Then, the voice command identification unit generates a control signal with reference to the first identification information and the second identification information.
  • a voice command input method includes a step of generating first identification information, a step of converting voice into first voice command information, a step of generating second identification information, and a voice as a second Based on the step of converting into voice command information, the step of referring to the first identification information and the second identification information, the result of the reference, the first voice command information and the second voice command information. Generating a control signal for controlling the operation target device.
  • FIG. 1 is a block diagram illustrating a configuration example of a voice command input device according to the first embodiment.
  • FIG. 2 is a flowchart showing an operation example of the voice command input device according to the first embodiment.
  • FIG. 3 is a block diagram illustrating a configuration example of the voice command input device according to the second embodiment.
  • FIG. 4 is a block diagram illustrating a configuration example of the voice command input device according to the third embodiment.
  • FIG. 5 is a flowchart illustrating an operation example of the voice command input device according to the third embodiment.
  • FIG. 6 is a block diagram showing the configuration of a conventional voice command input device.
  • a person who uses the voice command input device is referred to as a “user” or a “speaker”.
  • a speaker is a person who utters a voice command to the voice command input device.
  • voice command the voice that the user utters in order to instruct device operation to the voice command input device.
  • FIG. 1 is a block diagram illustrating a configuration example of the voice command input device 100 according to the first embodiment.
  • the voice command input device 100 includes a first voice input unit 114, a second voice input unit 115, a voice command identification unit 107, and a command issue unit 108.
  • the first voice input unit 114 includes a first microphone 101, a first voice recognition unit 102, and a first time stamp addition unit 103.
  • the second voice input unit 115 includes a second microphone 104, a second voice recognition unit 105, and a second time stamp adding unit 106.
  • the user's voice collected by the first microphone 101 is input to the first voice recognition unit 102 for voice recognition processing.
  • the voice collected by the first microphone 101 is referred to as a voice command 111.
  • the first voice recognition unit 102 recognizes the voice command 111 and converts it into first voice command information.
  • the first time stamp adding unit 103 outputs first time stamp information indicating the time when the voice command 111 is input to the first voice input unit 114.
  • the first time stamp adding unit 103 is an example of a first identification information generating unit, and the first time stamp information is an example of first identification information.
  • the first voice recognition unit 102 outputs the first voice information 109 including the first voice command information and the first time stamp information to the voice command identification unit 107.
  • the user's voice collected by the second microphone 104 is input to the second voice recognition unit 105 for voice recognition processing.
  • the voice collected by the second microphone 104 is referred to as a voice command 112.
  • the second voice recognition unit 105 recognizes the voice command 112 and converts it into second voice command information.
  • the second time stamp adding unit 106 outputs second time stamp information indicating the time when the voice command 112 is input to the second voice input unit 115.
  • the second time stamp adding unit 106 is an example of a second identification information generating unit, and the second time stamp information is an example of second identification information.
  • the second voice recognition unit 105 outputs the second voice information 110 including the second voice command information and the second time stamp information to the voice command identification unit 107.
  • the speech recognition process performed by the first speech recognition unit 102 and the second speech recognition unit 105 can be realized using a generally used speech recognition technology, detailed description thereof is omitted.
  • the first time stamp adding unit 103 and the second time stamp adding unit 106 both refer to one time managed in the voice command input device 100, and the first time stamp information and the second time stamp. It is desirable to generate stamp information.
  • information other than the time may be referred to as long as the timing at which the voice is input to the voice input unit can be indicated. For example, time information counted up or down with a lapse of a certain time may be referred to instead of the time.
  • the voice command identifying unit 107 is based on the first voice information 109 output from the first voice input unit 114 and the second voice information 110 output from the second voice input unit 115.
  • the input device 100 generates a control signal corresponding to a device to be operated (hereinafter referred to as “operation target device”) and outputs the control signal to the command issuing unit 108.
  • the command issuing unit 108 converts the control signal output from the voice command identifying unit 107 into a device control signal 113 for controlling the operation target device of the voice command input device 100, and outputs the device control signal 113.
  • the command issuing unit 108 is appropriately configured according to the operation target device of the voice command input device 100.
  • the device to be operated is a television receiver (hereinafter referred to as “TV”) having an infrared remote control (hereinafter abbreviated as “remote control”) signal light receiving unit
  • the command issuing unit 108 outputs an infrared remote control code.
  • the control signal output from the voice command identification unit 107 is a remote control code for controlling the television.
  • the command issuing unit 108 converts the control signal input from the voice command identification unit 107 into an infrared remote control code and outputs the infrared remote control code. Therefore, the device control signal 113 is the infrared remote control code.
  • the command issuing unit 108 is not limited to a specific configuration, and is appropriately configured according to the operation target device of the voice command input device 100.
  • a plurality of configurations corresponding to the plurality of operation target devices are provided.
  • the voice command identification unit 107 is configured to output a control signal appropriately in accordance with the configuration of the command issuing unit 108.
  • each of the plurality of voice input units can simultaneously receive voice commands uttered by different users. Therefore, even when a plurality of users utter voice commands to each microphone at the same time, the voice command input device 100 recognizes each of the plurality of voice commands and executes a plurality of processes based on the result of the voice recognition. can do.
  • a plurality of microphones are installed in a relatively narrow area, so that one voice command uttered by one speaker is duplicated by a plurality of microphones.
  • a sound is collected, it may be mistakenly recognized as a plurality of voice commands even though it is a single voice command, and there is a possibility that the processing is executed redundantly.
  • FIG. 2 is a flowchart showing an operation example of the voice command input device 100 according to the first embodiment.
  • the voice command identification unit 107 when two pieces of voice information (for example, the first voice information 109 and the second voice information 110) are input to the voice command identification unit 107 almost simultaneously, or one voice information.
  • the voice command identification unit 107 When only one piece of voice information is input, the voice command identification unit 107 generates and outputs a control signal corresponding to the voice command information included in the voice information, and description of the operation is omitted.
  • the voice command input device 100 may be configured to include three or more voice input units, and three or more voice information may be input to the voice command identification unit 107.
  • the voice command identification unit 107 uses voice command information (for example, first voice command information and second voice command information) from each of two pieces of voice information (for example, first voice information 109 and second voice information 110). ) And time stamp information (for example, first time stamp information and second time stamp information) are extracted (step S200).
  • voice command information for example, first voice command information and second voice command information
  • time stamp information for example, first time stamp information and second time stamp information
  • the voice command identification unit 107 compares the two voice command information extracted in step S200 with each other and confirms whether or not they are substantially the same (step S201).
  • step S201 When it is determined in step S201 that the respective voice command information is not the same (No), the voice command identifying unit 107 uses the voice command information extracted in step S200 as a voice uttered by a different speaker. It is determined that they are different from each other (step S202).
  • the voice command identification unit 107 generates a control signal (for example, two control signals) corresponding to each of the voice command information extracted in step S200, and outputs it to the command issuing unit 108 (step S203).
  • a control signal for example, two control signals
  • step S201 When it is determined in step S201 that the voice command information is the same (Yes), the voice command identification unit 107 calculates the time difference between the two time stamp information extracted in step S200. Then, the calculated time difference is compared with a predetermined recognition threshold (step S204).
  • the recognition threshold is set to 1 second, for example, but is not limited to this value, and may be set to a value other than 1 second.
  • the voice command identification unit 107 may hold a recognition threshold value in advance, or may acquire or set the recognition threshold value from the outside.
  • step S204 When it is determined in step S204 that the time difference between the two time stamp information is less than or equal to the recognition threshold (Yes), the voice command identification unit 107 determines that each voice command information extracted in step S200 is one speaker. It is determined that they are the same by the voice uttered from (step S205).
  • the voice command identifying unit 107 generates one control signal corresponding to the voice command information and outputs it to the command issuing unit 108 (step S206).
  • step S204 When it is determined in step S204 that the time difference between the two time stamp information is larger than the recognition threshold (No), the voice command identifying unit 107 utters each voice command information extracted in step S200 from a different speaker. It is determined that the voices are different from each other (step S207). That is, the voice command identifying unit 107 determines that the two voice command information has the same content but should be processed as different voice commands from different speakers.
  • the voice command identifying unit 107 generates a control signal (for example, two control signals) corresponding to each of the voice command information extracted in step S200, and outputs the control signal to the command issuing unit 108 (step S208).
  • a control signal for example, two control signals
  • the voice command input device includes the first voice input unit, the second voice input unit, and the voice command identification unit.
  • the first voice input unit includes a first identification information generation unit that outputs first identification information, and a first voice recognition unit that converts voice into first voice command information.
  • the first voice information including the identification information and the first voice command information is output.
  • the second voice input unit includes a second identification information generation unit that outputs the second identification information, and a second voice recognition unit that converts voice into second voice command information.
  • Second voice information including identification information and second voice command information is output.
  • the voice command identification unit is configured to generate and output a control signal for controlling the operation target device based on the first voice information and the second voice information. Then, the voice command identification unit generates a control signal with reference to the first identification information and the second identification information.
  • the first identification information generation unit outputs first time stamp information indicating the timing at which the voice is input to the first voice input unit as the first identification information
  • the second The identification information generating unit outputs the second time stamp information indicating the timing when the voice is input to the second voice input unit as the second identification information.
  • the voice command identification unit generates a control signal based on the time difference between the first time stamp information and the second time stamp information.
  • the first voice input unit 114 is an example of the first voice input unit
  • the first voice recognition unit 102 is an example of the first voice recognition unit
  • the first time stamp adding unit 103 is the first 1 is an example of an identification information generation unit
  • the second voice input unit 115 is an example of a second voice input unit
  • the second voice recognition unit 105 is an example of a second voice recognition unit
  • the time stamp adding unit 106 is an example of a second identification information generation unit
  • the voice command identification unit 107 is an example of a voice command identification unit
  • the first voice information 109 is an example of first voice information.
  • the second audio information 110 is an example of the second audio information.
  • each of the plurality of voice input units can simultaneously receive voice commands uttered by different users. Therefore, even if a plurality of users utter voice commands to each microphone at the same time, the plurality of voice commands can be recognized as voices, and a plurality of processes based on the results of the voice recognition can be executed.
  • the voice command input device 100 determines whether the voice command collected by each of the plurality of microphones is uttered by one speaker or a plurality of speakers based on the time stamp information.
  • the control signal can be generated based on the determination result. Therefore, for example, even if a plurality of microphones are installed in a relatively small area and one voice command uttered by one speaker is collected by a plurality of microphones, the processing is repeated. The processing based on the voice command can be appropriately executed.
  • the recognition threshold is 1 second.
  • the recognition threshold may be shorter than 1 second or longer than 1 second.
  • the recognition threshold is set to a relatively long time, and there is a tendency for the user to repeat the same word when uttering a voice command, the interval between spoken voice commands is within the recognition threshold. Therefore, it is possible to increase the possibility that a repeated voice command is determined as one voice command, and to suppress malfunction.
  • the voice command identifying unit may erroneously recognize two voices as separate voice commands.
  • a control signal for switching on / off of the television is output twice from the voice command identification unit to the command issuing unit, and the TV is turned on / off from the command issuing unit receiving the control signal.
  • the device control signal 113 is issued twice, and as a result, a malfunction occurs in which the television is turned off and then turned on again.
  • such an unintended malfunction can be prevented by setting the recognition threshold to a relatively long time.
  • the recognition threshold is set to a relatively short time, even if multiple users utter the same voice command to different microphones almost simultaneously, they are recognized as different voice commands and processed correctly. Can increase the possibility of
  • the time information referred to by the first time stamp adding unit 103 and the time information referred to by the second time stamp adding unit 106 may be the same time information or different time information. . However, in the case of different time information, it is desirable that they are synchronized with each other.
  • the first time stamp adding unit 103 and the second time stamp adding unit 106 may regularly communicate with each other so that their time information is synchronized.
  • the voice command input so that the time information is synchronized with the time information source periodically by communicating with the same time information source (clock source, for example, a time distribution device such as an NTP server (Network Time Protocol Server)).
  • An apparatus may be configured.
  • the recognition threshold is set to a relatively short time, as described above, there is a possibility that a malfunction may occur when there is a tendency to repeat the same word when a user utters a voice command.
  • the same input threshold is set as the second threshold information in the voice command identification unit 107. Even if the time difference between the two time stamp information exceeds the recognition threshold value that is the first threshold information, the two voice command information is less than the same input threshold value that is the second threshold information. Is treated as one voice command information. This makes it appropriate for both cases where multiple users utter voice commands almost simultaneously and when users tend to repeat the same words when uttering voice commands. It is possible to respond.
  • first voice input unit 114 and the second voice input unit 115 included in the voice command input device 100 may be installed at locations separated from each other.
  • first microphone 101 and the second microphone 104 may be installed at locations separated from each other, and the other blocks may be incorporated in one device.
  • the first time stamp adding unit 103 is provided as the first identification information generating unit, the first time stamp information is used as the first identification information, and the second time is used as the second identification information generating unit.
  • the time stamp adding unit 106 is provided, and the second time stamp information is used as the second identification information.
  • Embodiment 2 will be described with reference to FIG.
  • FIG. 3 is a block diagram illustrating a configuration example of the voice command input device 300 according to the second embodiment.
  • the voice command input device 300 includes a first voice input unit 318, a second voice input unit 319, a third voice input unit 320, a voice command identification unit 310, and a command issue unit 311.
  • the first voice input unit 318 includes a first microphone 301, a first voice recognition unit 302, and a first position information addition unit 303.
  • the second voice input unit 319 includes a second microphone 304, a second voice recognition unit 305, and a second position information addition unit 306.
  • the third voice input unit 320 includes a third microphone 307, a third voice recognition unit 308, and a third position information addition unit 309.
  • the user's voice collected by the first microphone 301 is input to the first voice recognition unit 302 for voice recognition processing.
  • the voice collected by the first microphone 301 is referred to as a voice command 315.
  • the first voice recognition unit 302 recognizes the voice command 315 and converts it into first voice command information.
  • the first position information adding unit 303 outputs first position information indicating position information of a place where the first microphone 301 is installed.
  • the first position information adding unit 303 is an example of a first identification information generating unit, and the first position information is an example of first identification information.
  • the first voice recognition unit 302 outputs the first voice information 312 including the first voice command information and the first position information to the voice command identification unit 310.
  • the user's voice collected by the second microphone 304 is input to the second voice recognition unit 305 for voice recognition processing.
  • the voice collected by the second microphone 304 is referred to as a voice command 316.
  • the second voice recognition unit 305 recognizes the voice command 316 and converts it into second voice command information.
  • the second position information adding unit 306 outputs second position information indicating position information of a place where the second microphone 304 is installed.
  • the second position information adding unit 306 is an example of a second identification information generating unit, and the second position information is an example of second identification information.
  • the second voice recognition unit 305 outputs the second voice information 313 including the second voice command information and the second position information to the voice command identification unit 310.
  • the user's voice collected by the third microphone 307 is input to the third voice recognition unit 308 for voice recognition processing.
  • the voice collected by the third microphone 307 is assumed to be a voice command 317.
  • the third voice recognition unit 308 recognizes the voice command 317 and converts it into third voice command information.
  • the third position information adding unit 309 outputs, for example, third position information indicating position information of a place where the third microphone 307 is installed.
  • the third position information adding unit 309 is an example of a second identification information generation unit, and the third position information is an example of second identification information.
  • the third voice recognition unit 308 outputs the third voice information 314 including the third voice command information and the third position information to the voice command identification unit 310.
  • Each position information adding unit may be configured to detect position information using a position information detection technique that is generally used, or configured to hold position information registered in advance. Also good.
  • the first voice input unit 318 and the second voice input unit 319 are installed in the vicinity (for example, in the same room), and the name of the place is “ Place 1 ”.
  • the third audio input unit 320 is assumed to be installed in a place different from the place 1 (for example, a room different from the place 1), and the name of the place is “place 2”.
  • the voice uttered at the place 1 is collected by one or both of the first microphone 301 and the second microphone 304 but not collected by the third microphone 307. Also, it is assumed that the voice uttered at the place 2 is collected by the third microphone 307 but not collected by the first microphone 301 and the second microphone 304.
  • the first position information adding unit 303 and the second position information adding unit 306 hold the same position information indicating the location 1, and the third position information adding unit 309 stores the position information indicating the location 2. It shall be retained.
  • the voice command identification unit 310 includes first voice information 312 output from the first voice input unit 318, second voice information 313 output from the second voice input unit 319, and a third voice input unit. Based on the third voice information 314 output from 320, the voice command input device 300 generates a control signal corresponding to the device to be operated (operation target device) and outputs it to the command issuing unit 311.
  • the command issuing unit 311 converts the control signal output from the voice command identifying unit 310 into a device control signal 330 for controlling the operation target device of the voice command input device 300, and outputs the device control signal 330.
  • the command issuing unit 311 is appropriately configured according to the operation target device of the voice command input device 300.
  • the operation target device is a television provided with an infrared remote control signal light receiving unit
  • the command issuing unit 311 is an infrared remote control code output device.
  • the control signal output from the voice command identifying unit 310 is a remote control code for controlling the television
  • the command issuing unit 311 converts the control signal input from the voice command identifying unit 310 into an infrared remote control code and outputs it.
  • the device control signal 330 is the infrared remote control code.
  • the command issuing unit 311 is not limited to a specific configuration, and is appropriately configured according to the operation target device of the voice command input device 300.
  • the voice command identification unit 310 is configured to output a control signal appropriately according to the configuration of the command issuing unit 311.
  • each of the plurality of voice input units can simultaneously receive voice commands uttered by different users. Therefore, similar to the voice command input device 100 shown in the first embodiment, the voice command input device 300 can output a plurality of voice commands even if a plurality of users speak a voice command to each microphone at the same time. A plurality of processes can be executed based on the results of the speech recognition.
  • the voice command input device 300 shown in the present embodiment is different from the voice command input device 100 shown in the first embodiment, and the voice command collected by each of the plurality of microphones is one person. It is possible to distinguish between whether the speaker has uttered or whether the speaker has uttered, and appropriately process it.
  • the voice command identification unit 310 In the present embodiment, three voice information (here, the first voice information 312, the second voice information 313, and the third voice information 314) are input to the voice command identification unit 310 almost simultaneously. A description will be given of an example of the operation when the input is performed within a predetermined time (a time in which overlapping input periods occur, for example, 5 seconds). When only one piece of voice information is input, the voice command identification unit 310 generates and outputs a control signal corresponding to the voice command information included in the voice information, and description of the operation is omitted. Further, the voice command input device 300 may be configured to include two voice input units or four or more voice input units, and two voice information or four or more voice information is input to the voice command identification unit 310. Also good.
  • the voice command identification unit 310 When a plurality of pieces of voice information are input within a predetermined time, the voice command identification unit 310 first extracts position information from each piece of voice information and compares the pieces of position information with each other. Also, voice command information is extracted from each voice information, and each voice command information is compared with each other.
  • the voice command identification unit 310 indicates that the voice command information included in each voice information is different from voices uttered by different speakers.
  • the control signal corresponding to each voice command information is generated and output.
  • the voice command identification unit 310 determines that the voice command information included in each voice information is one person's talk. It is determined that the voices are the same, and a control signal corresponding to the voice command information is generated and output.
  • the voice command identification unit 310 utters the voice command information included in each voice information from different speakers. It is determined that the voice is different, and a control signal corresponding to each voice command information is generated and output.
  • the voice command identifying unit 310 regards the voice information of the different position information as to the voice command included in the voice information. It is determined that the information is separate from speech uttered by different speakers. As for the voice information of the same position information, if the voice command information included in the voice information is the same, the voice command information is the same by the voice uttered from one speaker. If the voice command information included in the voice information is different from each other, it is determined that the voice command information is separate from voices uttered by different speakers. Based on the determination result, a control signal corresponding to the voice command information is generated and output.
  • the voice command identifying unit 310 determines that the first voice command information and the third voice command information are different speakers. It is determined that the voices are different from each other. Therefore, the voice command identifying unit 310 generates a control signal corresponding to the first voice command information and a control signal corresponding to the third voice command information, and outputs them to the command issuing unit 311.
  • the voice command identification unit 310 determines that the first voice command information and the second voice command information are the same by the voice uttered from one speaker. Then, one control signal corresponding to the first voice command information (or second voice command information) is generated and output to the command issuing unit 311.
  • the voice command identifying unit 310 determines that the first voice command information and the second voice command information are different from each other by voices uttered by different speakers. Therefore, the voice command identifying unit 310 generates a control signal corresponding to the first voice command information and a control signal corresponding to the second voice command information, and outputs them to the command issuing unit 311.
  • the voice command identification unit 310 determines that the first voice command information and the second voice command information are different from each other. It is determined that they are the same by the voice uttered by the speaker. Further, if the first position information (and the second position information) and the third position information are different from each other, the voice command identification unit 310 causes the first voice command information (and the second voice information).
  • the voice command identifying unit 310 generates a control signal corresponding to the first voice command information (or second voice command information) and a control signal corresponding to the third voice command information, respectively, The data is output to the issuing unit 311.
  • the voice command identification unit 310 shown in the present embodiment extracts position information from each piece of voice information and compares the position information with each other. Then, a control signal is generated and output based on the comparison result and voice command information included in each voice information. When only one piece of voice information is input within a predetermined time, a control signal corresponding to the voice command information included in the voice information is generated and output.
  • the determination as to whether or not the time is within the predetermined time is, for example, provided with a timer in the voice command identification unit 310 and a threshold for determining the predetermined time is determined in advance, and the measured time in the timer is compared with the threshold.
  • the timer may be configured such that time measurement is started when the first audio information is input and reset when the control signal is output.
  • the voice command input device includes the first voice input unit, the second voice input unit, and the voice command identification unit.
  • the first voice input unit includes a first identification information generation unit that outputs first identification information, and a first voice recognition unit that converts voice into first voice command information.
  • the first voice information including the identification information and the first voice command information is output.
  • the second voice input unit includes a second identification information generation unit that outputs the second identification information, and a second voice recognition unit that converts voice into second voice command information.
  • Second voice information including identification information and second voice command information is output.
  • the voice command identification unit is configured to generate and output a control signal for controlling the operation target device based on the first voice information and the second voice information. Then, the voice command identification unit generates a control signal with reference to the first identification information and the second identification information.
  • the first identification information generation unit outputs first position information indicating a place where the first voice input unit is installed as the first identification information, and the second identification information.
  • the generation unit outputs second position information indicating a place where the second voice input unit is installed as second identification information.
  • the voice command identification unit generates a control signal based on the comparison between the first position information and the second position information.
  • the first voice input unit 318 is an example of the first voice input unit
  • the first voice recognition unit 302 is an example of the first voice recognition unit
  • the first position information addition unit 303 is the first voice information input unit 303.
  • the second voice input unit 319 and the third voice input unit 320 are examples of the second voice input unit
  • the second voice recognition unit 305 and the third voice input unit are examples of the first identification information generation unit.
  • the recognition unit 308 is an example of a second voice recognition unit
  • the second position information addition unit 306 and the third position information addition unit 309 are examples of a second identification information generation unit
  • the voice command identification unit 310 Is an example of a voice command identification unit
  • the first voice information 312 is an example of first voice information
  • the second voice information 313 and the third voice information 314 are examples of second voice information. .
  • each of the plurality of voice input units can simultaneously receive voice commands uttered by different users. Therefore, even if a plurality of users utter voice commands to each microphone at the same time, the plurality of voice commands can be recognized as voices, and a plurality of processes based on the results of the voice recognition can be executed.
  • the voice command input device 300 determines whether a voice command collected by each of the plurality of microphones is uttered by one speaker or a plurality of speakers based on position information.
  • the control signal can be generated based on the determination result. Therefore, for example, even if a plurality of microphones are installed in a relatively small area and one voice command uttered by one speaker is collected by a plurality of microphones, the processing is repeated. The processing based on the voice command can be appropriately executed.
  • the position information may be set in advance, or commonly used position information detection means (for example, Wi-Fi (Wireless Fidelity) access point information, beacon information, or GPS (Global Positioning System). ), And the like.
  • position information detection means for example, Wi-Fi (Wireless Fidelity) access point information, beacon information, or GPS (Global Positioning System).
  • the configuration including such position information detection means is, for example, that a microphone is attached to a user or a voice input unit is installed in a moving body such as a car, so that the voice input unit can be This is effective when there is a possibility of movement.
  • Embodiment 3 will be described with reference to FIGS.
  • FIG. 4 is a block diagram illustrating a configuration example of the voice command input device 400 according to the third embodiment.
  • the voice command input device 400 includes a first voice input unit 418, a second voice input unit 419, a voice command identification unit 407, and a command issue unit 408.
  • the first voice input unit 418 includes a first microphone 401, a first personal identification unit 402, and a first voice recognition unit 403.
  • the second voice input unit 419 includes a second microphone 404, a second personal identification unit 405, and a second voice recognition unit 406.
  • the user's voice collected by the first microphone 401 is input to the first voice recognition unit 403 for voice recognition processing.
  • the sound collected by the first microphone 401 is assumed to be the first sound command 409.
  • the first voice command 409 is also input to the first personal identification unit 402.
  • the first personal identification unit 402 analyzes the voice to identify the speaker who uttered the first voice command 409, and identifies the speaker. Then, the first speaker information 414 indicating the speaker is output to the first speech recognition unit 403.
  • the second personal identification unit 405 analyzes the voice to identify the speaker who uttered the second voice command 410, and identifies the speaker. Then, the second speaker information 415 indicating the speaker is output to the second speech recognition unit 406.
  • the voice command identification unit 407 is a voice command input device based on the first voice information 411 output from the first voice input unit 418 and the second voice information 412 output from the second voice input unit 419. 400 generates a control signal corresponding to a device to be operated (operation target device) and outputs the control signal to the command issuing unit 408.
  • each of the plurality of voice input units can simultaneously receive voice commands uttered by different users. Therefore, like the voice command input device 100 shown in the first embodiment and the voice command input device 300 shown in the second embodiment, the voice command input device 400 allows a plurality of users to speak to each microphone simultaneously. Even if a command is uttered, it is possible to recognize each of the plurality of voice commands and execute a plurality of processes based on the result of the voice recognition.
  • the voice command input device 400 shown in the present embodiment has a technique different from that of the voice command input device 100 shown in the first embodiment and the voice command input device 300 shown in the second embodiment. It is possible to distinguish whether the voice commands collected by each speaker are uttered by a single speaker or a plurality of speakers and process them appropriately.
  • FIG. 5 is a flowchart illustrating an operation example of the voice command input device 400 according to the third embodiment.
  • the voice command identification unit 407 when two pieces of voice information (here, the first voice information 411 and the second voice information 412) are input to the voice command identification unit 407 almost simultaneously, or overlap each other. An example of the operation when the input is performed after a period is generated will be described. When only one piece of voice information is input, the voice command identification unit 407 generates and outputs a control signal corresponding to the voice command information included in the voice information, and description of the operation is omitted.
  • the voice command input device 400 may be configured to include three or more voice input units, and three or more voice information may be input to the voice command identification unit 407.
  • the voice command identification unit 407 compares the speaker information extracted in step S500 with each other and confirms whether or not they indicate the same speaker (step S501).
  • step S501 When it is determined in step S501 that each speaker information indicates the same speaker (Yes), the voice command identification unit 407 determines that each voice command information extracted in step S500 is obtained from one speaker. It is determined that the voices are the same (step S502).
  • the voice command identifying unit 407 generates one control signal corresponding to the voice command information and outputs it to the command issuing unit 408 (step S503).
  • the voice command identification unit 407 generates a control signal (for example, two control signals) corresponding to each of the voice command information extracted in step S500 and outputs the control signal to the command issuing unit 408 (step S505).
  • a control signal for example, two control signals
  • the voice command input device includes the first voice input unit, the second voice input unit, and the voice command identification unit.
  • the first voice input unit includes a first identification information generation unit that outputs first identification information, and a first voice recognition unit that converts voice into first voice command information.
  • the first voice information including the identification information and the first voice command information is output.
  • the second voice input unit includes a second identification information generation unit that outputs the second identification information, and a second voice recognition unit that converts voice into second voice command information.
  • Second voice information including identification information and second voice command information is output.
  • the voice command identification unit is configured to generate and output a control signal for controlling the operation target device based on the first voice information and the second voice information. Then, the voice command identification unit generates a control signal with reference to the first identification information and the second identification information.
  • the first identification information generation unit outputs first speaker information indicating the speaker of the voice input to the first voice input unit as the first identification information.
  • the second identification information generation unit outputs second speaker information indicating the speaker of the voice input to the second voice input unit as second identification information.
  • the voice command identification unit generates a control signal based on the comparison between the first speaker information and the second speaker information.
  • the first voice input unit 418 is an example of the first voice input unit
  • the first voice recognition unit 403 is an example of the first voice recognition unit
  • the first personal identification unit 402 is the first voice recognition unit 402.
  • the second voice input unit 419 is an example of the second voice input unit
  • the second voice recognition unit 406 is an example of the second voice recognition unit
  • the second voice input unit 419 is an example of the second voice recognition unit.
  • Personal identification unit 405 is an example of a second identification information generation unit
  • voice command identification unit 407 is an example of a voice command identification unit
  • first voice information 411 is an example of first voice information.
  • the second audio information 412 is an example of second audio information.
  • each of the plurality of voice input units can simultaneously receive voice commands uttered by different users. Therefore, even if a plurality of users utter voice commands to each microphone at the same time, the plurality of voice commands can be recognized as voices, and a plurality of processes based on the results of the voice recognition can be executed.
  • Embodiments 1 to 3 have been described as examples of the technology disclosed in the present application.
  • the technology in the present disclosure is not limited to this, and can also be applied to embodiments in which changes, replacements, additions, omissions, and the like are performed.
  • Embodiment 1 the configuration in which the time stamp adding unit is provided in each of the voice recognition units has been described.
  • a time information source such as a timer is provided inside the voice command identification unit. Then, when the voice command information is input to the voice command identification unit, the voice command identification unit generates time stamp information by referring to the time information source. Then, the time stamp information is linked to the voice command information. In this way, the voice command input device may be configured.
  • the voice command identification unit determines whether “the position information is the same as each other” by comparing the position information with each other.
  • the voice command identification unit is configured to calculate a separation distance from two pieces of position information and to determine whether or not the position information is the same by comparing the calculated distance and a threshold value. Also good. In this configuration, if the distance between each other calculated from the two pieces of position information is equal to or less than a threshold (for example, 20 m), it is determined that the two pieces of position information are the same. It can be determined that the information is different from each other. Further, longitude information, latitude information, altitude information, and the like may be used as position information.
  • the configuration has been described in which the first speaker information and the second speaker information are information (for example, a personal identification ID or a personal name) that identifies the speaker.
  • the speaker information is voice print information extracted from a voice command or information indicating a feature point of a voice print
  • the voice command identification unit is configured to compare the voice print information with each other or the voice print feature points with each other. May be.
  • the voice command input device can determine whether the speakers of the plurality of voice command information are the same speaker or different speakers.
  • the voice command input device configured as described above may not register voiceprint information in advance. Furthermore, since this voice command input device does not need to register voiceprint information in advance, it is effective for use in places where there are a large number of unspecified users such as public places.
  • each component shown in the present embodiment may be configured as an electronic circuit, or may be configured to realize each component by causing a processor to execute a program.
  • the present disclosure is applicable to a voice command input device that allows a plurality of users to perform voice operations on devices.
  • a configuration is such that a plurality of microphones are installed in different locations, and the sound collected by each microphone is input to one control device, and the operation target device is controlled from the control device based on the sound.
  • the present disclosure can be applied to a system and an apparatus that are provided.

Landscapes

  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • User Interface Of Digital Computer (AREA)
  • Selective Calling Equipment (AREA)

Abstract

　複数の音声コマンドを入力できる音声コマンド入力装置を提供する。この音声コマンド入力装置は、第１の音声入力部と、第２の音声入力部と、音声コマンド識別部と、を備える。第１の音声入力部は、音声を第１の音声コマンド情報に変換し、第１の識別情報と第１の音声コマンド情報とを出力する。第２の音声入力部は、音声を第２の音声コマンド情報に変換し、第２の識別情報と第２の音声コマンド情報とを出力する。音声コマンド識別部は、第１の識別情報と第２の識別情報とを参照し、その参照の結果と、第１の音声コマンド情報および第２の音声コマンド情報と、にもとづき操作対象機器を制御するコントロール信号を生成する。

Description

音声コマンド入力装置および音声コマンド入力方法
　本開示は、複数の利用者が機器を音声操作することができる音声コマンド入力装置および音声コマンド入力方法に関する。
　特許文献１は、複数の音声入力部を有する音声コマンド入力装置を開示する。この音声コマンド入力装置は、複数の音声が入力されると、それら複数の音声に優先順位をつけ、最も優先順位が高い１つの音声を音声認識する。
　図６は、特許文献１に開示された音声コマンド入力装置の構成を示すブロック図である。
　この音声コマンド入力装置は、音声入力部であるマイクロホン６０１を複数備えている。制御部６０２は、音声で指示された制御内容を認識するとともに、認識した制御内容で、接続された機器の動作を制御する。図６には、制御部６０２が、エアコン６１０の電源オン／オフの切り替えや照明設備６１１の電源スイッチ６１２のオン／オフ切り替えを行う例を示す。
　マイクロホン６０１は住宅の各部屋に設置され、住宅内に設置された１つの制御部６０２に信号線で接続される。制御部６０２は、たとえば、話者からエアコン６１０の電源オン／オフの切り替えを音声で指示された場合には、音声認識の結果に基づき、インターフェース６０７からエアコン６１０のリモコン６０８に電源オン／オフの切り替えを指示する制御信号を送信する。そして、リモコン６０８を介してエアコン６１０の電源をオンまたはオフにする。
　あるいは、話者から照明設備６１１の電源オン／オフの切り替えが音声で指示された場合、制御部６０２は、インターフェース６０７から信号変換回路６０９に電源オン／オフの切り替えを指示する制御信号（デジタル信号）を送信する。信号変換回路６０９は、受信した制御信号をアナログ信号に変換して照明設備６１１に転送し、照明設備６１１の電源スイッチ６１２をオンまたはオフにする。
　制御部６０２は以下のように構成されている。制御部６０２は、アナログデジタル変換回路（以下、「Ａ／Ｄ回路」と記す）６０３、調停回路６０５、音声認識用プロセッサ６０６、およびインタフェース６０７、を有する。
　Ａ／Ｄ回路６０３は、マイクロホン６０１から入力されるアナログの音声信号をデジタルの音声信号に変換する。制御部６０２には、住宅内に設置されたマイクロホン６０１の数と同じ数のＡ／Ｄ回路６０３が備えられている。
　調停回路６０５は、複数のＡ／Ｄ回路６０３から入力される音声信号のうち、最も早く受信した音声信号のみを受付ける。すなわち、調停回路６０５は、最も早く音声が入力されたマイクロホン６０１を検知し、そのマイクロホン６０１の信号ライン６０４を音声認識用プロセッサ６０６に接続する。一例として、調停回路６０５は、音声信号のパルスの立ち上がりを互いに比較することで、最も早く入力された音声信号を検知することができる。
　これにより、最も早く発声された話者の音声のみが音声認識用プロセッサ６０６により音声認識される。他の話者により遅れて発声された音声の音声信号は調停回路６０５までしか届かず、音声認識用プロセッサ６０６での音声認識はなされない。
　このように、特許文献１に開示された音声コマンド入力装置では、最も早く発声された音声のみが音声認識用プロセッサ６０６で音声認識され、遅れて発声された音声は音声認識されない。
　しかし、遅れて発声されたという理由でその音声が音声認識されないことは望ましくない場合もある。例えば、１つの音声コマンド入力装置を複数の利用者が利用するような場合、複数のマイクロホンのそれぞれで集音される複数の利用者の音声は、優先順位を設けず、それぞれが音声認識されて処理されることが望ましい。
特開２０００－３１０９９９号公報
　本開示は、複数の利用者が同時に音声を発声したり、複数のマイクロホンが１人の話者の音声を重複して集音したりしたときでも、適切に処理することができる音声コマンド入力装置を提供する。
　本開示における音声コマンド入力装置は、第１の音声入力部と、第２の音声入力部と、音声コマンド識別部と、を備える。第１の音声入力部は、第１の識別情報を出力する第１の識別情報発生部と、音声を第１の音声コマンド情報に変換する第１の音声認識部と、を備え、第１の識別情報と第１の音声コマンド情報とを含む第１の音声情報を出力する、ように構成されている。第２の音声入力部は、第２の識別情報を出力する第２の識別情報発生部と、音声を第２の音声コマンド情報に変換する第２の音声認識部と、を備え、第２の識別情報と第２の音声コマンド情報とを含む第２の音声情報を出力する、ように構成されている。音声コマンド識別部は、第１の音声情報と第２の音声情報とにもとづき操作対象機器を制御するコントロール信号を生成して出力するように構成されている。そして、音声コマンド識別部は、第１の識別情報と第２の識別情報とを参照してコントロール信号を生成する。
　本開示における音声コマンド入力方法は、第１の識別情報を発生するステップと、音声を第１の音声コマンド情報に変換するステップと、第２の識別情報を発生するステップと、音声を第２の音声コマンド情報に変換するステップと、第１の識別情報と第２の識別情報とを参照するステップと、その参照の結果と、第１の音声コマンド情報および第２の音声コマンド情報と、にもとづき、操作対象機器を制御するコントロール信号を生成するステップと、を備える。
図１は、実施の形態１における音声コマンド入力装置の一構成例を示すブロック図である。 図２は、実施の形態１における音声コマンド入力装置の一動作例を示すフローチャートである。 図３は、実施の形態２における音声コマンド入力装置の一構成例を示すブロック図である。 図４は、実施の形態３における音声コマンド入力装置の一構成例を示すブロック図である。 図５は、実施の形態３における音声コマンド入力装置の一動作例を示すフローチャートである。 図６は、従来の音声コマンド入力装置の構成を示すブロック図である。
　以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
　なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより請求の範囲に記載の主題を限定することは意図されていない。
　なお、以下に示す実施の形態では、音声コマンド入力装置が「第１の音声入力部」と「第２の音声入力部」の２つの音声入力部を備える例を説明する。しかし、音声コマンド入力装置は何らこの構成に限定されるものではない。音声コマンド入力装置は、３つ以上の音声入力部を備えていてもよい。
　また、以下の実施の形態では、音声コマンド入力装置を利用する者を、「利用者（Ｕｓｅｒ）」または「話者（Ｓｐｅａｋｅｒ）」と呼ぶ。話者とは、音声コマンド入力装置に対して音声コマンドを発声する者のことである。
　また、以下の実施の形態では、利用者が音声コマンド入力装置に機器操作を指示するために発声する音声を「音声コマンド」と記す。
　（実施の形態１）
　以下、図１および図２を用いて、実施の形態１を説明する。
　［１－１．構成］
　図１は、実施の形態１における音声コマンド入力装置１００の一構成例を示すブロック図である。
　音声コマンド入力装置１００は、第１の音声入力部１１４、第２の音声入力部１１５、音声コマンド識別部１０７、コマンド発行部１０８、を備える。
　第１の音声入力部１１４は、第１のマイクロホン１０１、第１の音声認識部１０２、第１のタイムスタンプ付加部１０３、を備える。
　第２の音声入力部１１５は、第２のマイクロホン１０４、第２の音声認識部１０５、第２のタイムスタンプ付加部１０６、を備える。
　第１のマイクロホン１０１で集音された利用者の音声は、第１の音声認識部１０２に入力されて音声認識処理がなされる。本実施の形態では、第１のマイクロホン１０１で集音される音声を音声コマンド１１１とする。第１の音声認識部１０２は、音声コマンド１１１を音声認識して第１の音声コマンド情報に変換する。
　第１のタイムスタンプ付加部１０３は、音声コマンド１１１が第１の音声入力部１１４に入力された時の時刻を示す第１のタイムスタンプ情報を出力する。第１のタイムスタンプ付加部１０３は第１の識別情報発生部の一例であり、第１のタイムスタンプ情報は第１の識別情報の一例である。
　そして、第１の音声認識部１０２は、第１の音声コマンド情報と第１のタイムスタンプ情報とを含む第１の音声情報１０９を音声コマンド識別部１０７に出力する。
　第２のマイクロホン１０４で集音された利用者の音声は、第２の音声認識部１０５に入力されて音声認識処理がなされる。本実施の形態では、第２のマイクロホン１０４で集音される音声を音声コマンド１１２とする。第２の音声認識部１０５は、音声コマンド１１２を音声認識して第２の音声コマンド情報に変換する。
　第２のタイムスタンプ付加部１０６は、音声コマンド１１２が第２の音声入力部１１５に入力された時の時刻を示す第２のタイムスタンプ情報を出力する。第２のタイムスタンプ付加部１０６は第２の識別情報発生部の一例であり、第２のタイムスタンプ情報は第２の識別情報の一例である。
　そして、第２の音声認識部１０５は、第２の音声コマンド情報と第２のタイムスタンプ情報とを含む第２の音声情報１１０を音声コマンド識別部１０７に出力する。
　なお、第１の音声認識部１０２、第２の音声認識部１０５で行う音声認識処理は、一般に使用されている音声認識技術を用いて実現できるので、詳細な説明は省略する。また、第１のタイムスタンプ付加部１０３、第２のタイムスタンプ付加部１０６は、共に音声コマンド入力装置１００内で管理される１つの時刻を参照して第１のタイムスタンプ情報、第２のタイムスタンプ情報を発生することが望ましい。しかし、音声入力部に音声が入力されるタイミングを示すことができれば、時刻以外の情報が参照されてもよい。例えば、一定の時間経過とともにカウントアップまたはカウントダウンされる時間情報が時刻の代わりに参照されてもよい。
　音声コマンド識別部１０７は、第１の音声入力部１１４から出力される第１の音声情報１０９と、第２の音声入力部１１５から出力される第２の音声情報１１０と、にもとづき、音声コマンド入力装置１００が操作対象とする機器（以下、「操作対象機器」と記す）に応じたコントロール信号を生成し、コマンド発行部１０８に出力する。
　コマンド発行部１０８は、音声コマンド識別部１０７から出力されるコントロール信号を、音声コマンド入力装置１００の操作対象機器を制御するための機器制御信号１１３に変換して出力する。
　なお、コマンド発行部１０８は、音声コマンド入力装置１００の操作対象機器に応じて適切に構成されるものとする。例えば、操作対象機器が赤外線リモートコントロール（以下、「リモコン」と略記する）信号受光部を備えるテレビジョン受像機（以下、「テレビ」と記す）であれば、コマンド発行部１０８を赤外線リモコンコード出力装置とする。このとき、音声コマンド識別部１０７から出力されるコントロール信号はテレビを制御するリモコンコードである。そして、コマンド発行部１０８は、音声コマンド識別部１０７から入力されるコントロール信号を赤外線リモコンコードに変換して出力する。したがって、機器制御信号１１３は、その赤外線リモコンコードである。
　このように、本実施の形態において、コマンド発行部１０８は、特定の構成に限定されず、音声コマンド入力装置１００の操作対象機器に応じて適切に構成されるものとする。また、音声コマンド入力装置１００の操作対象機器が複数の場合は、それら複数の操作対象機器に応じた複数の構成を備えるものとする。そして、音声コマンド識別部１０７はコマンド発行部１０８の構成に応じて適切にコントロール信号を出力するように構成されるものとする。
　以上のように構成された音声コマンド入力装置１００は、複数の音声入力部のそれぞれが、異なる利用者により発声された音声コマンドを同時に受け付けることができる。したがって、複数の利用者が各マイクロホンに対して同時に音声コマンドを発声しても、音声コマンド入力装置１００は、それら複数の音声コマンドをそれぞれ音声認識し、音声認識の結果にもとづく複数の処理を実行することができる。
　ただし、このような構成の音声コマンド入力装置では、例えば比較的狭い領域に複数のマイクロホンが設置される等して、１人の話者が発声する１つの音声コマンドが複数のマイクロホンで重複して集音されたときに、１つの音声コマンドであるにもかかわらず複数の音声コマンドと誤認識され、処理が重複して実行される可能性がある。
　しかし、本実施の形態に示す音声コマンド入力装置１００は、複数のマイクロホンのそれぞれで集音された音声コマンドが、１人の話者が発声したものか、複数の話者が発声したものか、を区別し、適切に処理することができる。
　次に、図２を用いてその動作を説明する。
　［１－２．動作］
　図２は、実施の形態１における音声コマンド入力装置１００の一動作例を示すフローチャートである。
　なお、本実施の形態では、音声コマンド識別部１０７に、２つの音声情報（例えば、第１の音声情報１０９および第２の音声情報１１０）が、ほぼ同時に入力されたとき、もしくは、一方の音声情報が入力される期間と他方の音声情報が入力される期間とに重複が生じたとき、の動作例を説明する。音声コマンド識別部１０７は、１つの音声情報だけが入力されたときは、その音声情報に含まれる音声コマンド情報に応じたコントロール信号を生成して出力するものとし、その動作の説明は省略する。また、音声コマンド入力装置１００を３つ以上の音声入力部を備えた構成としてもよく、音声コマンド識別部１０７に３つ以上の音声情報が入力されてもよい。
　音声コマンド識別部１０７は、２つの音声情報（例えば、第１の音声情報１０９および第２の音声情報１１０）のそれぞれから音声コマンド情報（例えば、第１の音声コマンド情報および第２の音声コマンド情報）とタイムスタンプ情報（例えば、第１のタイムスタンプ情報および第２のタイムスタンプ情報）を抽出する（ステップＳ２００）。
　次に、音声コマンド識別部１０７は、ステップＳ２００で抽出された２つの音声コマンド情報を互いに比較し、それらが互いに実質的に同じか否かを確認する（ステップＳ２０１）。
　ステップＳ２０１で、各音声コマンド情報は互いに同じではないと判断されたとき（Ｎｏ）は、音声コマンド識別部１０７は、ステップＳ２００で抽出された各音声コマンド情報は、異なる話者から発声された音声による別々のものである、と判定する（ステップＳ２０２）。
　したがって、音声コマンド識別部１０７は、ステップＳ２００で抽出された各音声コマンド情報のそれぞれに対応するコントロール信号（例えば、２つのコントロール信号）を発生し、コマンド発行部１０８に出力する（ステップＳ２０３）。
　ステップＳ２０１で、各音声コマンド情報は互いに同じであると判断されたとき（Ｙｅｓ）は、音声コマンド識別部１０７は、ステップＳ２００で抽出された２つのタイムスタンプ情報の時間差を算出する。そして、算出された時間差と、あらかじめ定められた認識閾値とを比較する（ステップＳ２０４）。
　なお、認識閾値は、例えば１秒に設定されているものとするが、何らこの数値に限定されるものではなく、１秒以外の数値に設定されてもよい。また、音声コマンド識別部１０７は、認識閾値をあらかじめ保持していてもよく、外部から認識閾値を取得または設定されてもよい。
　ステップＳ２０４で、２つのタイムスタンプ情報の時間差は認識閾値以下であると判断されたとき（Ｙｅｓ）は、音声コマンド識別部１０７は、ステップＳ２００で抽出された各音声コマンド情報は１人の話者から発声された音声による同一のものである、と判定する（ステップＳ２０５）。
　したがって、音声コマンド識別部１０７は、その音声コマンド情報に対応する１つのコントロール信号を生成し、コマンド発行部１０８に出力する（ステップＳ２０６）。
　ステップＳ２０４で、２つのタイムスタンプ情報の時間差は認識閾値よりも大きいと判断されたとき（Ｎｏ）は、音声コマンド識別部１０７は、ステップＳ２００で抽出された各音声コマンド情報は異なる話者から発声された音声による別々のものである、と判定する（ステップＳ２０７）。すなわち、音声コマンド識別部１０７は、２つの音声コマンド情報は同一の内容であるが、話者が異なる別々の音声コマンドとして処理すべきである、と判定する。
　したがって、音声コマンド識別部１０７は、ステップＳ２００で抽出された各音声コマンド情報のそれぞれに対応するコントロール信号（例えば、２つのコントロール信号）を発生し、コマンド発行部１０８に出力する（ステップＳ２０８）。
　［１－３．効果等］
　以上のように、本実施の形態において、音声コマンド入力装置は、第１の音声入力部と、第２の音声入力部と、音声コマンド識別部と、を備える。第１の音声入力部は、第１の識別情報を出力する第１の識別情報発生部と、音声を第１の音声コマンド情報に変換する第１の音声認識部と、を備え、第１の識別情報と第１の音声コマンド情報とを含む第１の音声情報を出力する、ように構成されている。第２の音声入力部は、第２の識別情報を出力する第２の識別情報発生部と、音声を第２の音声コマンド情報に変換する第２の音声認識部と、を備え、第２の識別情報と第２の音声コマンド情報とを含む第２の音声情報を出力する、ように構成されている。音声コマンド識別部は、第１の音声情報と第２の音声情報とにもとづき操作対象機器を制御するコントロール信号を生成して出力するように構成されている。そして、音声コマンド識別部は、第１の識別情報と第２の識別情報とを参照してコントロール信号を生成する。
　また、本実施の形態において、第１の識別情報発生部は、第１の音声入力部に音声が入力されるタイミングを示す第１のタイムスタンプ情報を第１の識別情報として出力し、第２の識別情報発生部は、第２の音声入力部に音声が入力されるタイミングを示す第２のタイムスタンプ情報を第２の識別情報として出力する。そして、音声コマンド識別部は、第１のタイムスタンプ情報と第２のタイムスタンプ情報との時間差にもとづきコントロール信号を生成する。
　なお、第１の音声入力部１１４は第１の音声入力部の一例であり、第１の音声認識部１０２は第１の音声認識部の一例であり、第１のタイムスタンプ付加部１０３は第１の識別情報発生部の一例であり、第２の音声入力部１１５は第２の音声入力部の一例であり、第２の音声認識部１０５は第２の音声認識部の一例であり、第２のタイムスタンプ付加部１０６は第２の識別情報発生部の一例であり、音声コマンド識別部１０７は音声コマンド識別部の一例であり、第１の音声情報１０９は第１の音声情報の一例であり、第２の音声情報１１０は第２の音声情報の一例である。
　これにより、音声コマンド入力装置１００は、複数の音声入力部のそれぞれが、異なる利用者から発声された音声コマンドを同時に受け付けることができる。したがって、複数の利用者が各マイクロホンに対して同時に音声コマンドを発声しても、それら複数の音声コマンドをそれぞれ音声認識し、音声認識の結果にもとづく複数の処理を実行することができる。
　さらに、音声コマンド入力装置１００は、複数のマイクロホンのそれぞれで集音された音声コマンドが、１人の話者が発声したものか、複数の話者が発声したものか、をタイムスタンプ情報にもとづき判別し、その判別結果にもとづきコントロール信号を生成することができる。したがって、例えば比較的狭い領域に複数のマイクロホンが設置される等して、１人の話者が発声する１つの音声コマンドが複数のマイクロホンで重複して集音されたとしても、処理を重複して実行する、といった誤動作を低減し、音声コマンドにもとづく処理を適切に実行することができる。
　なお、本実施の形態では認識閾値を１秒とする例を説明したが、認識閾値は１秒より短くてもよく、１秒より長くてもよい。例えば、認識閾値を相対的に長い時間に設定すると、利用者が音声コマンドを発声する際に同一の言葉を繰り返してしまう癖があるような場合に、発声された音声コマンドの間隔が認識閾値以内となる可能性が高くなるので、繰り返された音声コマンドが一つの音声コマンドと判断される可能性を高め、誤動作を抑制することが可能である。
　例えば、利用者が「消して、消して」とテレビの電源を消すコマンドを意図せずに反復して発声したとする。そのようなとき、認識閾値が相対的に短い時間に設定されていると、音声コマンド識別部は２つの音声を別々の音声コマンドと誤認識する可能性がある。そのような誤認識が生じると、音声コマンド識別部からコマンド発行部にテレビの電源オン／オフを切り替えるコントロール信号が２回出力され、それを受けたコマンド発行部からテレビの電源オン／オフを切り替える機器制御信号１１３が２回発行され、その結果、テレビの電源が一旦オフ状態になった後、再度オン状態になる、といった誤動作が生じることになる。しかし、認識閾値を相対的に長い時間に設定することにより、そのような意図しない誤動作を防止することができる。
　一方、認識閾値を相対的に短い時間に設定すると、ほぼ同時に複数の利用者が同一の音声コマンドを別々のマイクロホンに向かって発声した場合でも、それらが別々の音声コマンドと認識されて正しく処理される可能性を高めることができる。
　なお、第１のタイムスタンプ付加部１０３が参照する時間情報と第２のタイムスタンプ付加部１０６が参照する時間情報とは、同一の時間情報であってもよく、異なる時間情報であってもよい。ただし、異なる時間情報の場合は、互いに同期していることが望ましい。例えば、第１のタイムスタンプ付加部１０３と第２のタイムスタンプ付加部１０６とは、互いの時間情報が同期するように、互いに定期的に通信してもよい。または、同一の時刻情報源（クロックソース、例えば、ＮＴＰサーバ（Ｎｅｔｗｏｒｋ　Ｔｉｍｅ　Ｐｒｏｔｏｃｏｌ　Ｓｅｒｖｅｒ）等の時刻配信装置）と定期的に通信して、時間情報をその時刻情報源と同期させるように音声コマンド入力装置が構成されていてもよい。
　また、認識閾値を相対的に短い時間に設定すると、前述したように利用者が音声コマンドを発声する際に同一の言葉を繰り返してしまう癖がある場合に誤動作を生じる可能性があるが、その誤動作を低減するために、次のような対策を施してもよい。例えば、音声コマンド識別部１０７に、２つ目の閾値情報として同一入力閾値を設定する。そして、２つのタイムスタンプ情報の時間差が、仮に１つ目の閾値情報である認識閾値を超えていたとしても、２つ目の閾値情報である同一入力閾値以下であれば、２つの音声コマンド情報を１つの音声コマンド情報として扱う。これにより、複数の利用者がほぼ同時に音声コマンドを発声するような場合と、利用者が音声コマンドを発声する際に同一の言葉を繰り返してしまう癖があるような場合と、の双方に適切に対応することが可能である。
　なお、音声コマンド入力装置１００が備える第１の音声入力部１１４と第２の音声入力部１１５とは、互いに離れた場所に設置されていてもよい。あるいは、第１のマイクロホン１０１と第２のマイクロホン１０４だけが互いに離れた場所に設置され、それ以外のブロックは１つの装置の中に組み込まれていてもよい。
　（実施の形態２）
　実施の形態１では、第１の識別情報発生部として第１のタイムスタンプ付加部１０３を設け、第１の識別情報として第１のタイムスタンプ情報を用い、第２の識別情報発生部として第２のタイムスタンプ付加部１０６を設け、第２の識別情報として第２のタイムスタンプ情報を用いる例を説明した。
　本実施の形態では、識別情報発生部としての位置情報付加部を設け、識別情報として位置情報を用いる例を説明する。
　以下、図３を用いて、実施の形態２を説明する。
　［２－１．構成］
　図３は、実施の形態２における音声コマンド入力装置３００の一構成例を示すブロック図である。
　音声コマンド入力装置３００は、第１の音声入力部３１８、第２の音声入力部３１９、第３の音声入力部３２０、音声コマンド識別部３１０、コマンド発行部３１１、を備える。
　第１の音声入力部３１８は、第１のマイクロホン３０１、第１の音声認識部３０２、第１の位置情報付加部３０３、を備える。
　第２の音声入力部３１９は、第２のマイクロホン３０４、第２の音声認識部３０５、第２の位置情報付加部３０６、を備える。
　第３の音声入力部３２０は、第３のマイクロホン３０７、第３の音声認識部３０８、第３の位置情報付加部３０９、を備える。
　第１のマイクロホン３０１で集音された利用者の音声は、第１の音声認識部３０２に入力されて音声認識処理がなされる。本実施の形態では、第１のマイクロホン３０１で集音される音声を音声コマンド３１５とする。第１の音声認識部３０２は、音声コマンド３１５を音声認識して第１の音声コマンド情報に変換する。第１の位置情報付加部３０３は、例えば第１のマイクロホン３０１が設置された場所の位置情報を示す第１の位置情報を出力する。第１の位置情報付加部３０３は第１の識別情報発生部の一例であり、第１の位置情報は第１の識別情報の一例である。そして、第１の音声認識部３０２は、第１の音声コマンド情報と第１の位置情報とを含む第１の音声情報３１２を音声コマンド識別部３１０に出力する。
　第２のマイクロホン３０４で集音された利用者の音声は、第２の音声認識部３０５に入力されて音声認識処理がなされる。本実施の形態では、第２のマイクロホン３０４で集音される音声を音声コマンド３１６とする。第２の音声認識部３０５は、音声コマンド３１６を音声認識して第２の音声コマンド情報に変換する。第２の位置情報付加部３０６は、例えば第２のマイクロホン３０４が設置された場所の位置情報を示す第２の位置情報を出力する。第２の位置情報付加部３０６は第２の識別情報発生部の一例であり、第２の位置情報は第２の識別情報の一例である。そして、第２の音声認識部３０５は、第２の音声コマンド情報と第２の位置情報とを含む第２の音声情報３１３を音声コマンド識別部３１０に出力する。
　第３のマイクロホン３０７で集音された利用者の音声は、第３の音声認識部３０８に入力されて音声認識処理がなされる。本実施の形態では、第３のマイクロホン３０７で集音される音声を音声コマンド３１７とする。第３の音声認識部３０８は、音声コマンド３１７を音声認識して第３の音声コマンド情報に変換する。第３の位置情報付加部３０９は、例えば第３のマイクロホン３０７が設置された場所の位置情報を示す第３の位置情報を出力する。第３の位置情報付加部３０９は第２の識別情報発生部の一例であり、第３の位置情報は第２の識別情報の一例である。そして、第３の音声認識部３０８は、第３の音声コマンド情報と第３の位置情報とを含む第３の音声情報３１４を音声コマンド識別部３１０に出力する。
　なお、各音声認識部で行う音声認識処理は、一般に使用されている音声認識技術を用いて実現できるので、詳細な説明は省略する。また、各位置情報付加部は、一般に使用されている位置情報検出技術を用いて位置情報を検出するように構成されてもよく、あるいは、あらかじめ登録された位置情報を保持するように構成されてもよい。
　本実施の形態では、一例として、第１の音声入力部３１８と第２の音声入力部３１９とは近傍（例えば、同一の部屋の中）に設置されているものとし、その場所の名称を「場所１」とする。また、第３の音声入力部３２０は、場所１とは異なる場所（例えば、場所１とは異なる部屋）に設置されているものとし、その場所の名称を「場所２」とする。
　また、場所１で発声された音声は、第１のマイクロホン３０１と第２のマイクロホン３０４のいずれか一方または双方で集音されるが、第３のマイクロホン３０７では集音されないものとする。また、場所２で発声された音声は、第３のマイクロホン３０７で集音されるが、第１のマイクロホン３０１および第２のマイクロホン３０４では集音されないものとする。
　また、第１の位置情報付加部３０３と第２の位置情報付加部３０６には場所１を示す同一の位置情報が保持され、第３の位置情報付加部３０９には場所２を示す位置情報が保持されているものとする。
　音声コマンド識別部３１０は、第１の音声入力部３１８から出力される第１の音声情報３１２、第２の音声入力部３１９から出力される第２の音声情報３１３、および第３の音声入力部３２０から出力される第３の音声情報３１４にもとづき、音声コマンド入力装置３００が操作対象とする機器（操作対象機器）に応じたコントロール信号を生成し、コマンド発行部３１１に出力する。
　コマンド発行部３１１は、音声コマンド識別部３１０から出力されるコントロール信号を、音声コマンド入力装置３００の操作対象機器を制御するための機器制御信号３３０に変換して出力する。
　なお、コマンド発行部３１１は、音声コマンド入力装置３００の操作対象機器に応じて適切に構成されるものとする。例えば、操作対象機器が赤外線リモコン信号受光部を備えるテレビであれば、コマンド発行部３１１を赤外線リモコンコード出力装置とする。このとき、音声コマンド識別部３１０から出力されるコントロール信号はテレビを制御するリモコンコードであり、コマンド発行部３１１は、音声コマンド識別部３１０から入力されるコントロール信号を赤外線リモコンコードに変換して出力する。したがって、機器制御信号３３０は、その赤外線リモコンコードである。
　このように、本実施の形態においても、コマンド発行部３１１は、特定の構成に限定されず、音声コマンド入力装置３００の操作対象機器に応じて適切に構成されるものとする。また、音声コマンド入力装置３００の操作対象機器が複数の場合は、それら複数の操作対象機器に応じた複数の構成を備えるものとする。そして、音声コマンド識別部３１０はコマンド発行部３１１の構成に応じて適切にコントロール信号を出力するように構成されるものとする。
　以上のように構成された音声コマンド入力装置３００は、複数の音声入力部のそれぞれが、異なる利用者により発声された音声コマンドを同時に受け付けることができる。したがって、実施の形態１に示した音声コマンド入力装置１００と同様に、音声コマンド入力装置３００は、複数の利用者が各マイクロホンに対して同時に音声コマンドを発声しても、それら複数の音声コマンドをそれぞれ音声認識し、音声認識の結果にもとづく複数の処理を実行することができる。
　また、本実施の形態に示す音声コマンド入力装置３００は、実施の形態１に示した音声コマンド入力装置１００とは異なる手法で、複数のマイクロホンのそれぞれで集音された音声コマンドが、１人の話者が発声したものか、複数の話者が発声したものか、を区別し、適切に処理することができる。
　次に、その動作を説明する。
　［２－２．動作］
　なお、本実施の形態では、音声コマンド識別部３１０に、３つの音声情報（ここでは、第１の音声情報３１２、第２の音声情報３１３および第３の音声情報３１４）が、ほぼ同時に入力されたとき、もしくは、所定の時間（互いに重複する入力期間が生じる程度の時間。例えば、５秒）以内に入力されたとき、の動作例を説明する。音声コマンド識別部３１０は、１つの音声情報だけが入力されたときは、その音声情報に含まれる音声コマンド情報に応じたコントロール信号を生成して出力するものとし、その動作の説明は省略する。また、音声コマンド入力装置３００を２つの音声入力部または４つ以上の音声入力部を備えた構成としてもよく、音声コマンド識別部３１０に２つの音声情報または４つ以上の音声情報が入力されてもよい。
　音声コマンド識別部３１０は、複数の音声情報が所定の時間内に入力されたときは、まず、各音声情報から位置情報を抽出し、各位置情報を互いに比較する。また、各音声情報から音声コマンド情報を抽出し、各音声コマンド情報を互いに比較する。
　比較の結果、位置情報は互いに異なる、と判断されたときは、音声コマンド識別部３１０は、各音声情報に含まれる音声コマンド情報は、異なる話者から発声された音声による別々のものである、と判定し、各音声コマンド情報に応じたコントロール信号を生成して出力する。
　比較の結果、位置情報は互いに同じであり、音声コマンド情報も互いに同じである、と判断されたときは、音声コマンド識別部３１０は、各音声情報に含まれる音声コマンド情報は、１人の話者から発声された音声による同一のものである、と判定し、その音声コマンド情報に応じたコントロール信号を生成して出力する。
　比較の結果、位置情報は互いに同じであるが、音声コマンド情報は互いに異なる、と判断されたときは、音声コマンド識別部３１０は、各音声情報に含まれる音声コマンド情報は、異なる話者から発声された音声による別々のものである、と判定し、各音声コマンド情報に応じたコントロール信号を生成して出力する。
　比較の結果、互いに同じ位置情報と互いに異なる位置情報とが混在する、と判断されたときは、音声コマンド識別部３１０は、互いに異なる位置情報の音声情報に関しては、その音声情報に含まれる音声コマンド情報は異なる話者から発声された音声による別々のものである、と判定する。また、互いに同じ位置情報の音声情報に関しては、その音声情報に含まれる音声コマンド情報が互いに同じであれば、その音声コマンド情報は１人の話者から発声された音声による同一のものである、と判定し、その音声情報に含まれる音声コマンド情報が互いに異なれば、その音声コマンド情報は異なる話者から発声された音声による別々のものである、と判定する。そして、その判定結果にもとづき、音声コマンド情報に応じたコントロール信号を生成して出力する。
　例えば、所定の時間内に、第１の音声情報３１２と第３の音声情報３１４とが音声コマンド識別部３１０へ入力されたとする。このとき、第１の位置情報と第３の位置情報とが互いに異なる位置情報であれば、音声コマンド識別部３１０は、第１の音声コマンド情報と第３の音声コマンド情報とは、異なる話者から発声された音声による別々のものである、と判定する。したがって、音声コマンド識別部３１０は、第１の音声コマンド情報に対応するコントロール信号と、第３の音声コマンド情報に対応するコントロール信号と、をそれぞれ生成してコマンド発行部３１１に出力する。
　例えば、所定の時間内に、第１の音声情報３１２と第２の音声情報３１３とが音声コマンド識別部３１０へ入力されたとする。そして、第１の音声コマンド情報と第２の音声コマンド情報とは互いに同じ音声コマンド情報であり、第１の位置情報と第２の位置情報とは互いに同じ位置情報であったとする。このとき、音声コマンド識別部３１０は、第１の音声コマンド情報と第２の音声コマンド情報とは、１人の話者から発声された音声による同一のものである、と判定する。そして、第１の音声コマンド情報（または第２の音声コマンド情報）に対応する１つのコントロール信号を生成してコマンド発行部３１１に出力する。
　例えば、所定の時間内に、第１の音声情報３１２と第２の音声情報３１３とが音声コマンド識別部３１０へ入力されたとする。そして、第１の位置情報と第２の位置情報とは互いに同じ位置情報であるが、第１の音声コマンド情報と第２の音声コマンド情報とは互いに異なる音声コマンド情報であったとする。このとき、音声コマンド識別部３１０は、第１の音声コマンド情報と第２の音声コマンド情報とは、異なる話者から発声された音声による別々のものである、と判定する。したがって、音声コマンド識別部３１０は、第１の音声コマンド情報に対応するコントロール信号と、第２の音声コマンド情報に対応するコントロール信号と、をそれぞれ生成してコマンド発行部３１１に出力する。
　例えば、所定の時間内に、第１の音声情報３１２と第２の音声情報３１３と第３の音声情報３１４とが音声コマンド識別部３１０へ入力されたとする。また、第１の音声コマンド情報と第２の音声コマンド情報と第３の音声コマンド情報とは互いに同じ音声コマンド情報であったとする。このとき、第１の位置情報と第２の位置情報とが互いに同じ位置情報であれば、音声コマンド識別部３１０は、第１の音声コマンド情報と第２の音声コマンド情報とは、１人の話者から発声された音声による同一のものである、と判定する。また、第１の位置情報（および第２の位置情報）と第３の位置情報とが互いに異なる位置情報であれば、音声コマンド識別部３１０は、第１の音声コマンド情報（および第２の音声コマンド情報）と第３の音声コマンド情報とは、異なる話者から発声された音声による別々のものである、と判定する。したがって、音声コマンド識別部３１０は、第１の音声コマンド情報（または第２の音声コマンド情報）に対応するコントロール信号と、第３の音声コマンド情報に対応するコントロール信号と、をそれぞれ生成し、コマンド発行部３１１に出力する。
　このように、本実施の形態に示す音声コマンド識別部３１０は、所定の時間内に複数の音声情報が入力されたときは、各音声情報から位置情報を抽出してその位置情報を互いに比較し、その比較の結果および各音声情報に含まれる音声コマンド情報にもとづきコントロール信号を生成して出力する。所定の時間内に１つの音声情報だけが入力されたときは、音声情報に含まれる音声コマンド情報に対応するコントロール信号を生成して出力する。
　なお、所定の時間内か否かの判断は、例えば、音声コマンド識別部３１０にタイマーを設けるとともに所定の時間を判断するための閾値をあらかじめ定めておき、タイマーにおける計測時間とその閾値とを比較することで実現できる。タイマーは、例えば、最初の音声情報の入力時に時間計測が開始され、コントロール信号の出力時にリセットされるように構成されてもよい。
　［２－３．効果等］
　以上のように、本実施の形態において、音声コマンド入力装置は、第１の音声入力部と、第２の音声入力部と、音声コマンド識別部と、を備える。第１の音声入力部は、第１の識別情報を出力する第１の識別情報発生部と、音声を第１の音声コマンド情報に変換する第１の音声認識部と、を備え、第１の識別情報と第１の音声コマンド情報とを含む第１の音声情報を出力する、ように構成されている。第２の音声入力部は、第２の識別情報を出力する第２の識別情報発生部と、音声を第２の音声コマンド情報に変換する第２の音声認識部と、を備え、第２の識別情報と第２の音声コマンド情報とを含む第２の音声情報を出力する、ように構成されている。音声コマンド識別部は、第１の音声情報と第２の音声情報とにもとづき操作対象機器を制御するコントロール信号を生成して出力するように構成されている。そして、音声コマンド識別部は、第１の識別情報と第２の識別情報とを参照してコントロール信号を生成する。
　また、本実施の形態において、第１の識別情報発生部は、第１の音声入力部が設置された場所を示す第１の位置情報を第１の識別情報として出力し、第２の識別情報発生部は、第２の音声入力部が設置された場所を示す第２の位置情報を第２の識別情報として出力する。そして、音声コマンド識別部は、第１の位置情報と第２の位置情報との比較にもとづきコントロール信号を生成する。
　なお、第１の音声入力部３１８は第１の音声入力部の一例であり、第１の音声認識部３０２は第１の音声認識部の一例であり、第１の位置情報付加部３０３は第１の識別情報発生部の一例であり、第２の音声入力部３１９および第３の音声入力部３２０は第２の音声入力部の一例であり、第２の音声認識部３０５および第３の音声認識部３０８は第２の音声認識部の一例であり、第２の位置情報付加部３０６および第３の位置情報付加部３０９は第２の識別情報発生部の一例であり、音声コマンド識別部３１０は音声コマンド識別部の一例であり、第１の音声情報３１２は第１の音声情報の一例であり、第２の音声情報３１３および第３の音声情報３１４は第２の音声情報の一例である。
　これにより、音声コマンド入力装置３００は、複数の音声入力部のそれぞれが、異なる利用者から発声された音声コマンドを同時に受け付けることができる。したがって、複数の利用者が各マイクロホンに対して同時に音声コマンドを発声しても、それら複数の音声コマンドをそれぞれ音声認識し、音声認識の結果にもとづく複数の処理を実行することができる。
　さらに、音声コマンド入力装置３００は、複数のマイクロホンのそれぞれで集音された音声コマンドが、１人の話者が発声したものか、複数の話者が発声したものか、を位置情報にもとづき判別し、その判別結果にもとづきコントロール信号を生成することができる。したがって、例えば比較的狭い領域に複数のマイクロホンが設置される等して、１人の話者が発声する１つの音声コマンドが複数のマイクロホンで重複して集音されたとしても、処理を重複して実行する、といった誤動作を低減し、音声コマンドにもとづく処理を適切に実行することができる。
　なお、位置情報は、あらかじめ設定されていてもよく、あるいは、一般に使用される位置情報検出手段（例えば、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ　Ｆｉｄｅｌｉｔｙ）のアクセスポイントの情報、ビーコンの情報、またはＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）の情報、等を利用して位置情報を検出する装置）を用いて取得されてもよい。そのような位置情報検出手段を備えた構成は、例えば、利用者にマイクロホンが装着されたり、車等の移動体の中に音声入力部が設置されたりして、音声入力部が時間の経過と共に移動する可能性がある場合に有効である。
　（実施の形態３）
　本実施の形態では、識別情報発生部としての個人識別部を設け、識別情報として話者情報を用いる例を説明する。
　以下、図４、図５を用いて、実施の形態３を説明する。
　［３－１．構成］
　図４は、実施の形態３における音声コマンド入力装置４００の一構成例を示すブロック図である。
　音声コマンド入力装置４００は、第１の音声入力部４１８、第２の音声入力部４１９、音声コマンド識別部４０７、コマンド発行部４０８、を備える。
　第１の音声入力部４１８は、第１のマイクロホン４０１、第１の個人識別部４０２、第１の音声認識部４０３、を備える。
　第２の音声入力部４１９は、第２のマイクロホン４０４、第２の個人識別部４０５、第２の音声認識部４０６、を備える。
　第１のマイクロホン４０１で集音された利用者の音声は、第１の音声認識部４０３に入力されて音声認識処理がなされる。本実施の形態では、第１のマイクロホン４０１で集音される音声を第１の音声コマンド４０９とする。第１の音声コマンド４０９は、第１の個人識別部４０２にも入力される。
　第１の個人識別部４０２は、第１の音声コマンド４０９を発声した話者を特定するために音声の解析を行い、その話者を特定する。そして、その話者を示す第１の話者情報４１４を第１の音声認識部４０３に出力する。
　第１の音声認識部４０３は、第１の音声コマンド４０９を音声認識して第１の音声コマンド情報に変換する。そして、第１の音声認識部４０３は、第１の音声コマンド情報と第１の話者情報４１４とを含む第１の音声情報４１１を音声コマンド識別部４０７に出力する。
　第２のマイクロホン４０４で集音された利用者の音声は、第２の音声認識部４０６に入力されて音声認識処理がなされる。本実施の形態では、第２のマイクロホン４０４で集音される音声を第２の音声コマンド４１０とする。第２の音声コマンド４１０は、第２の個人識別部４０５にも入力される。
　第２の個人識別部４０５は、第２の音声コマンド４１０を発声した話者を特定するために音声の解析を行い、その話者を特定する。そして、その話者を示す第２の話者情報４１５を第２の音声認識部４０６に出力する。
　第２の音声認識部４０６は、第２の音声コマンド４１０を音声認識して第２の音声コマンド情報に変換する。そして、第２の音声認識部４０６は、第２の音声コマンド情報と第２の話者情報４１５とを含む第２の音声情報４１２を音声コマンド識別部４０７に出力する。
　なお、各音声認識部で行う音声認識処理は、一般に使用されている音声認識技術を用いて実現できるので、詳細な説明は省略する。
　なお、上述したように、第１の個人識別部４０２は第１の音声コマンド４０９を用いて個人を識別し、第２の個人識別部４０５は第２の音声コマンド４１０を用いて個人を識別する。声による個人の識別は、例えば、一般に使用されている生体認証技術（あらかじめ登録された声紋情報と入力された声紋情報とを比較して個人認証を行い、個人を特定する技術）を用いて実現できるので、詳細な説明は省略する。
　なお、第１の話者情報および第２の話者情報は、例えば、個人識別ＩＤ（ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）や個人名等が望ましいが、個人を特定できる情報であれば、どのような情報であってもよい。
　音声コマンド識別部４０７は、第１の音声入力部４１８から出力される第１の音声情報４１１、および第２の音声入力部４１９から出力される第２の音声情報４１２にもとづき、音声コマンド入力装置４００が操作対象とする機器（操作対象機器）に応じたコントロール信号を生成し、コマンド発行部４０８に出力する。
　コマンド発行部４０８は、音声コマンド識別部４０７から出力されるコントロール信号を、音声コマンド入力装置４００の操作対象機器を制御するための機器制御信号４１３に変換して出力する。
　なお、コマンド発行部４０８は、音声コマンド入力装置４００の操作対象機器に応じて適切に構成されるものとする。例えば、操作対象機器が赤外線リモコン信号受光部を備えるテレビであれば、コマンド発行部４０８を赤外線リモコンコード出力装置とする。このとき、音声コマンド識別部４０７から出力されるコントロール信号はテレビを制御するリモコンコードであり、コマンド発行部４０８は、音声コマンド識別部４０７から入力されるコントロール信号を赤外線リモコンコードに変換して出力する。したがって、機器制御信号４１３は、その赤外線リモコンコードである。
　このように、本実施の形態においても、コマンド発行部４０８は、特定の構成に限定されず、音声コマンド入力装置４００の操作対象機器に応じて適切に構成されるものとする。また、音声コマンド入力装置４００の操作対象機器が複数の場合は、それら複数の操作対象機器に応じた複数の構成を備えるものとする。そして、音声コマンド識別部４０７はコマンド発行部４０８の構成に応じて適切にコントロール信号を出力するように構成されるものとする。
　以上のように構成された音声コマンド入力装置４００は、複数の音声入力部のそれぞれが、異なる利用者により発声された音声コマンドを同時に受け付けることができる。したがって、実施の形態１に示した音声コマンド入力装置１００や実施の形態２に示した音声コマンド入力装置３００と同様に、音声コマンド入力装置４００は、複数の利用者が各マイクロホンに対して同時に音声コマンドを発声しても、それら複数の音声コマンドをそれぞれ音声認識し、音声認識の結果にもとづく複数の処理を実行することができる。
　また、本実施の形態に示す音声コマンド入力装置４００は、実施の形態１に示した音声コマンド入力装置１００や実施の形態２に示した音声コマンド入力装置３００とは異なる手法で、複数のマイクロホンのそれぞれで集音された音声コマンドが、１人の話者が発声したものか、複数の話者が発声したものか、を区別し、適切に処理することができる。
　次に、図５を用いて、その動作を説明する。
　［３－２．動作］
　図５は、実施の形態３における音声コマンド入力装置４００の一動作例を示すフローチャートである。
　なお、本実施の形態では、音声コマンド識別部４０７に、２つの音声情報（ここでは、第１の音声情報４１１および第２の音声情報４１２）が、ほぼ同時に入力されたとき、もしくは、互いに重複する期間を生じて入力されたとき、の動作例を説明する。音声コマンド識別部４０７は、１つの音声情報だけが入力されたときは、その音声情報に含まれる音声コマンド情報に応じたコントロール信号を生成して出力するものとし、その動作の説明は省略する。また、音声コマンド入力装置４００を３つ以上の音声入力部を備えた構成としてもよく、音声コマンド識別部４０７に３つ以上の音声情報が入力されてもよい。
　音声コマンド識別部４０７は、複数の音声情報（例えば、第１の音声情報４１１、および第２の音声情報４１２）のそれぞれから音声コマンド情報（例えば、第１の音声コマンド情報および第２の音声コマンド情報）と話者情報（例えば、第１の話者情報および第２の話者情報）を抽出する（ステップＳ５００）。
　次に、音声コマンド識別部４０７は、ステップＳ５００で抽出された話者情報を互いに比較し、それらが同じ話者を示しているか否かを確認する（ステップＳ５０１）。
　ステップＳ５０１で、各話者情報は同じ話者を示していると判断されたとき（Ｙｅｓ）は、音声コマンド識別部４０７は、ステップＳ５００で抽出された各音声コマンド情報は１人の話者から発声された音声による同一のものである、と判定する（ステップＳ５０２）。
　したがって、音声コマンド識別部４０７は、その音声コマンド情報に対応する１つのコントロール信号を生成し、コマンド発行部４０８に出力する（ステップＳ５０３）。
　ステップＳ５０１で、各話者情報は異なる話者を示していると判断されたとき（Ｎｏ）は、音声コマンド識別部４０７は、ステップＳ５００で抽出された各音声コマンド情報は異なる話者から発声された音声による別々のものである、と判定する（ステップＳ５０４）。
　したがって、音声コマンド識別部４０７は、ステップＳ５００で抽出された各音声コマンド情報のそれぞれに対応するコントロール信号（例えば、２つのコントロール信号）を発生し、コマンド発行部４０８に出力する（ステップＳ５０５）。
　［３－３．効果等］
　以上のように、本実施の形態において、音声コマンド入力装置は、第１の音声入力部と、第２の音声入力部と、音声コマンド識別部と、を備える。第１の音声入力部は、第１の識別情報を出力する第１の識別情報発生部と、音声を第１の音声コマンド情報に変換する第１の音声認識部と、を備え、第１の識別情報と第１の音声コマンド情報とを含む第１の音声情報を出力する、ように構成されている。第２の音声入力部は、第２の識別情報を出力する第２の識別情報発生部と、音声を第２の音声コマンド情報に変換する第２の音声認識部と、を備え、第２の識別情報と第２の音声コマンド情報とを含む第２の音声情報を出力する、ように構成されている。音声コマンド識別部は、第１の音声情報と第２の音声情報とにもとづき操作対象機器を制御するコントロール信号を生成して出力するように構成されている。そして、音声コマンド識別部は、第１の識別情報と第２の識別情報とを参照してコントロール信号を生成する。
　また、本実施の形態において、第１の識別情報発生部は、第１の音声入力部に入力される音声の発話者を示す第１の話者情報を第１の識別情報として出力し、第２の識別情報発生部は、第２の音声入力部に入力される音声の発話者を示す第２の話者情報を第２の識別情報として出力する。そして、音声コマンド識別部は、第１の話者情報と第２の話者情報との比較にもとづきコントロール信号を生成する。
　なお、第１の音声入力部４１８は第１の音声入力部の一例であり、第１の音声認識部４０３は第１の音声認識部の一例であり、第１の個人識別部４０２は第１の識別情報発生部の一例であり、第２の音声入力部４１９は第２の音声入力部の一例であり、第２の音声認識部４０６は第２の音声認識部の一例であり、第２の個人識別部４０５は第２の識別情報発生部の一例であり、音声コマンド識別部４０７は音声コマンド識別部の一例であり、第１の音声情報４１１は第１の音声情報の一例であり、第２の音声情報４１２は第２の音声情報の一例である。
　これにより、音声コマンド入力装置４００は、複数の音声入力部のそれぞれが、異なる利用者から発声された音声コマンドを同時に受け付けることができる。したがって、複数の利用者が各マイクロホンに対して同時に音声コマンドを発声しても、それら複数の音声コマンドをそれぞれ音声認識し、音声認識の結果にもとづく複数の処理を実行することができる。
　さらに、音声コマンド入力装置４００は、複数のマイクロホンのそれぞれで集音された音声コマンドが、１人の話者が発声したものか、複数の話者が発声したものか、を話者情報にもとづき判別し、その判別結果にもとづきコントロール信号を生成することができる。したがって、例えば比較的狭い領域に複数のマイクロホンが設置される等して、１人の話者が発声する１つの音声コマンドが複数のマイクロホンで重複して集音されたとしても、処理を重複して実行する、といった誤動作を低減し、音声コマンドにもとづく処理を適切に実行することができる。
　（他の実施の形態）
　以上のように、本出願において開示する技術の例示として、実施の形態１～３を説明した。しかしながら、本開示における技術は、これに限定されず、変更、置き換え、付加、省略等を行った実施の形態にも適用できる。また、上記実施の形態１～３で説明した各構成要素を組み合わせて、新たな実施の形態とすることも可能である。
　そこで、以下、他の実施の形態を例示する。
　実施の形態１では、各音声認識部のそれぞれにタイムスタンプ付加部を設ける構成を説明した。しかし、本開示はこの構成に限定されない。例えば、音声コマンド識別部の内部にタイマー等の時間情報源を設ける。そして、音声コマンド識別部は、音声コマンド情報が音声コマンド識別部に入力されるときに、その時間情報源を参照してタイムスタンプ情報を発生する。そして、音声コマンド情報にそのタイムスタンプ情報を紐付けする。このように音声コマンド入力装置を構成してもよい。
　実施の形態２では、音声コマンド識別部が、位置情報を互いに比較することで「位置情報は互いに同じか否か」の判断を行う構成を説明した。しかし、本開示はこの構成に限定されない。例えば、２つの位置情報から互いの離間距離を算出し、算出された距離と閾値との比較により、「位置情報は互いに同じか否か」の判断を行うように音声コマンド識別部を構成してもよい。この構成では、２つの位置情報から算出される互いの離間距離が、閾値（例えば、２０ｍ）以下であれば２つの位置情報は互いに同じである、と判断し、閾値よりも大きければ２つの位置情報は互いに異なる、と判断することができる。また、位置情報として、経度情報および緯度情報、さらには高度情報、等が用いられてもよい。
　実施の形態３では、第１の話者情報および第２の話者情報を、話者を特定する情報（例えば、個人識別ＩＤや個人名）とする構成を説明した。しかし、本開示はこの構成に限定されない。例えば、話者情報を、音声コマンドから抽出した声紋情報または声紋の特徴点を示す情報とし、音声コマンド識別部を、声紋情報同士を比較、または声紋の特徴点同士を比較、するように構成してもよい。このような構成であっても、音声コマンド入力装置は、複数の音声コマンド情報の発話者が、同一の話者か異なる話者かを判別することができる。このように構成された音声コマンド入力装置は、声紋情報をあらかじめ登録しなくてもよい。さらに、この音声コマンド入力装置は、声紋情報をあらかじめ登録する必要がないので、公共の場など不特定多数の利用者がいる場所等での使用に有効である。
　なお、本実施の形態に示す各構成要素は、電子回路として構成されていてもよく、プログラムをプロセッサーで実行させることで各構成要素を実現するように構成されていてもよい。
　本開示は、複数の利用者が機器を音声操作することができる音声コマンド入力装置に適用可能である。具体的には、複数のマイクロホンが互いに異なる場所に設置され、各マイクロホンで集音される音声が１つの制御装置に入力され、その音声にもとづき操作対象機器が制御装置から制御されるように構成されたシステムや装置に本開示は適用可能である。
１００，３００，４００　　音声コマンド入力装置
１０１，３０１，４０１　　第１のマイクロホン
１０２，３０２，４０３　　第１の音声認識部
１０３　　第１のタイムスタンプ付加部
１０４，３０４，４０４　　第２のマイクロホン
１０５，３０５，４０６　　第２の音声認識部
１０６　　第２のタイムスタンプ付加部
１０７，３１０，４０７　　音声コマンド識別部
１０８，３１１，４０８　　コマンド発行部
１０９，３１２，４１１　　第１の音声情報
１１０，３１３，４１２　　第２の音声情報
１１１，１１２，３１５，３１６，３１７，４０９，４１０　　音声コマンド
１１３，３３０，４１３　　機器制御信号
１１４，３１８，４１８　　第１の音声入力部
１１５，３１９，４１９　　第２の音声入力部
３０３　　第１の位置情報付加部
３０６　　第２の位置情報付加部
３０７　　第３のマイクロホン
３０８　　第３の音声認識部
３０９　　第３の位置情報付加部
３１４　　第３の音声情報
３２０　　第３の音声入力部
４０２　　第１の個人識別部
４０５　　第２の個人識別部
４１４　　第１の話者情報
４１５　　第２の話者情報

Claims (6)

  1. 第１の識別情報を出力する第１の識別情報発生部と、音声を第１の音声コマンド情報に変換する第１の音声認識部と、を備え、前記第１の識別情報と前記第１の音声コマンド情報とを含む第１の音声情報を出力する、ように構成された第１の音声入力部と、
    第２の識別情報を出力する第２の識別情報発生部と、音声を第２の音声コマンド情報に変換する第２の音声認識部と、を備え、前記第２の識別情報と前記第２の音声コマンド情報とを含む第２の音声情報を出力する、ように構成された第２の音声入力部と、
    前記第１の音声情報と前記第２の音声情報とにもとづき、操作対象機器を制御するコントロール信号を生成して出力する、ように構成された音声コマンド識別部と、
    を備え、
    前記音声コマンド識別部は、前記第１の識別情報と前記第２の識別情報とを参照して前記コントロール信号を生成する、
    音声コマンド入力装置。
  2. 前記第１の識別情報発生部は、前記第１の音声入力部に音声が入力されるタイミングを示す第１のタイムスタンプ情報を前記第１の識別情報として出力し、
    前記第２の識別情報発生部は、前記第２の音声入力部に音声が入力されるタイミングを示す第２のタイムスタンプ情報を前記第２の識別情報として出力し、
    前記音声コマンド識別部は、前記第１のタイムスタンプ情報と前記第２のタイムスタンプ情報との時間差にもとづき前記コントロール信号を生成する、
    請求項１に記載の音声コマンド入力装置。
  3. 前記第１の識別情報発生部は、前記第１の音声入力部が設置された場所を示す第１の位置情報を前記第１の識別情報として出力し、
    前記第２の識別情報発生部は、前記第２の音声入力部が設置された場所を示す第２の位置情報を前記第２の識別情報として出力し、
    前記音声コマンド識別部は、前記第１の位置情報と前記第２の位置情報との比較にもとづき前記コントロール信号を生成する、
    請求項１に記載の音声コマンド入力装置。
  4. 前記第１の識別情報発生部は、前記第１の音声入力部に入力される音声の発話者を示す第１の話者情報を前記第１の識別情報として出力し、
    前記第２の識別情報発生部は、前記第２の音声入力部に入力される音声の発話者を示す第２の話者情報を前記第２の識別情報として出力し、
    前記音声コマンド識別部は、前記第１の話者情報と前記第２の話者情報との比較にもとづき前記コントロール信号を生成する、
    請求項１に記載の音声コマンド入力装置。
  5. 前記第１の識別情報発生部は、前記第１の音声入力部に入力される音声の特徴を示す第１の話者情報を前記第１の識別情報として出力し、
    前記第２の識別情報発生部は、前記第２の音声入力部に入力される音声の特徴を示す第２の話者情報を前記第２の識別情報として出力し、
    前記音声コマンド識別部は、前記第１の話者情報と前記第２の話者情報との比較にもとづき前記コントロール信号を生成する、
    請求項１に記載の音声コマンド入力装置。
  6. 第１の識別情報を発生するステップと、
    音声を第１の音声コマンド情報に変換するステップと、
    第２の識別情報を発生するステップと、
    音声を第２の音声コマンド情報に変換するステップと、
    前記第１の識別情報と前記第２の識別情報とを参照するステップと、
    前記参照の結果と、前記第１の音声コマンド情報および前記第２の音声コマンド情報と、にもとづき、操作対象機器を制御するコントロール信号を生成するステップと、
    を備えた音声コマンド入力方法。
PCT/JP2015/001721 2014-03-28 2015-03-26 音声コマンド入力装置および音声コマンド入力方法 WO2015146179A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2016510046A JP6436400B2 (ja) 2014-03-28 2015-03-26 音声コマンド入力装置および音声コマンド入力方法
US15/122,429 US10074367B2 (en) 2014-03-28 2015-03-26 Voice command input device and voice command input method
US16/055,821 US10304456B2 (en) 2014-03-28 2018-08-06 Voice command input device and voice command input method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014068192 2014-03-28
JP2014-068192 2014-03-28

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US15/122,429 A-371-Of-International US10074367B2 (en) 2014-03-28 2015-03-26 Voice command input device and voice command input method
US16/055,821 Continuation US10304456B2 (en) 2014-03-28 2018-08-06 Voice command input device and voice command input method

Publications (1)

Publication Number Publication Date
WO2015146179A1 true WO2015146179A1 (ja) 2015-10-01

Family

ID=54194723

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/001721 WO2015146179A1 (ja) 2014-03-28 2015-03-26 音声コマンド入力装置および音声コマンド入力方法

Country Status (3)

Country Link
US (2) US10074367B2 (ja)
JP (2) JP6436400B2 (ja)
WO (1) WO2015146179A1 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017145373A1 (ja) * 2016-02-26 2017-08-31 三菱電機株式会社 音声認識装置
JP2019032479A (ja) * 2017-08-09 2019-02-28 レノボ・シンガポール・プライベート・リミテッド 音声アシストシステム、サーバ装置、デバイス、その音声アシスト方法、及びコンピュータが実行するためのプログラム
JP2019095835A (ja) * 2017-11-17 2019-06-20 キヤノン株式会社 音声制御システム、制御方法及びプログラム
US10448762B2 (en) 2017-09-15 2019-10-22 Kohler Co. Mirror
US10663938B2 (en) 2017-09-15 2020-05-26 Kohler Co. Power operation of intelligent devices
US10887125B2 (en) 2017-09-15 2021-01-05 Kohler Co. Bathroom speaker
US11093554B2 (en) 2017-09-15 2021-08-17 Kohler Co. Feedback for water consuming appliance
US11099540B2 (en) 2017-09-15 2021-08-24 Kohler Co. User identity in household appliances

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
EP2954514B1 (en) 2013-02-07 2021-03-31 Apple Inc. Voice trigger for a digital assistant
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US10748539B2 (en) * 2014-09-10 2020-08-18 Crestron Electronics, Inc. Acoustic sensory network
US10204622B2 (en) * 2015-09-10 2019-02-12 Crestron Electronics, Inc. Acoustic sensory network
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US10783888B2 (en) * 2015-09-10 2020-09-22 Crestron Electronics Inc. System and method for determining recipient of spoken command in a control system
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10388273B2 (en) * 2016-08-10 2019-08-20 Roku, Inc. Distributed voice processing system
EP3291580A1 (en) 2016-08-29 2018-03-07 Oticon A/s Hearing aid device with speech control functionality
JP6659514B2 (ja) * 2016-10-12 2020-03-04 東芝映像ソリューション株式会社 電子機器及びその制御方法
US11276395B1 (en) * 2017-03-10 2022-03-15 Amazon Technologies, Inc. Voice-based parameter assignment for voice-capturing devices
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
DK201770427A1 (en) 2017-05-12 2018-12-20 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
US10983753B2 (en) 2017-06-09 2021-04-20 International Business Machines Corporation Cognitive and interactive sensor based smart home solution
CN107146616B (zh) * 2017-06-13 2020-05-08 Oppo广东移动通信有限公司 设备控制方法及相关产品
US10928918B2 (en) 2018-05-07 2021-02-23 Apple Inc. Raise to speak
CN112437955A (zh) * 2018-05-18 2021-03-02 施耐德电气公司亚洲 继电器装置
US10892996B2 (en) * 2018-06-01 2021-01-12 Apple Inc. Variable latency device coordination
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
US11462215B2 (en) 2018-09-28 2022-10-04 Apple Inc. Multi-modal inputs for voice commands
CN109065051B (zh) * 2018-09-30 2021-04-09 珠海格力电器股份有限公司 一种语音识别处理方法及装置
EP3709194A1 (en) 2019-03-15 2020-09-16 Spotify AB Ensemble-based data comparison
US11348573B2 (en) 2019-03-18 2022-05-31 Apple Inc. Multimodality in digital assistant systems
CN110177033B (zh) * 2019-05-21 2021-08-31 四川虹美智能科技有限公司 基于物联网控制家电的方法、终端及物联网系统
US11227599B2 (en) 2019-06-01 2022-01-18 Apple Inc. Methods and user interfaces for voice-based control of electronic devices
US11094319B2 (en) 2019-08-30 2021-08-17 Spotify Ab Systems and methods for generating a cleaned version of ambient sound
US10827028B1 (en) 2019-09-05 2020-11-03 Spotify Ab Systems and methods for playing media content on a target device
US11328722B2 (en) 2020-02-11 2022-05-10 Spotify Ab Systems and methods for generating a singular voice audio stream
US11308959B2 (en) 2020-02-11 2022-04-19 Spotify Ab Dynamic adjustment of wake word acceptance tolerance thresholds in voice-controlled devices
US11908480B1 (en) * 2020-03-23 2024-02-20 Amazon Technologies, Inc. Natural language processing using context
US11386887B1 (en) 2020-03-23 2022-07-12 Amazon Technologies, Inc. Natural language processing using context
US11061543B1 (en) 2020-05-11 2021-07-13 Apple Inc. Providing relevant data items based on context
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
CN113990298B (zh) * 2021-12-24 2022-05-13 广州小鹏汽车科技有限公司 语音交互方法及其装置、服务器和可读存储介质
WO2023150491A1 (en) * 2022-02-02 2023-08-10 Google Llc Speech recognition using word or phoneme time markers based on user input

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003289587A (ja) * 2002-03-28 2003-10-10 Fujitsu Ltd 機器制御装置および機器制御方法
JP2005151471A (ja) * 2003-11-19 2005-06-09 Sony Corp 音声集音・映像撮像装置および撮像条件決定方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5657425A (en) * 1993-11-15 1997-08-12 International Business Machines Corporation Location dependent verbal command execution in a computer based control system
JPH0836480A (ja) 1994-07-22 1996-02-06 Hitachi Ltd 情報処理装置
JP3357629B2 (ja) 1999-04-26 2002-12-16 旭化成株式会社 設備制御システム
US20030093281A1 (en) * 1999-05-21 2003-05-15 Michael Geilhufe Method and apparatus for machine to machine communication using speech
DE60120062T2 (de) * 2000-09-19 2006-11-16 Thomson Licensing Sprachsteuerung von elektronischen Geräten
JP2010047093A (ja) * 2008-08-20 2010-03-04 Fujitsu Ten Ltd 音声認識処理装置および音声認識処理方法
KR101972955B1 (ko) * 2012-07-03 2019-04-26 삼성전자 주식회사 음성을 이용한 사용자 디바이스들 간 서비스 연결 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003289587A (ja) * 2002-03-28 2003-10-10 Fujitsu Ltd 機器制御装置および機器制御方法
JP2005151471A (ja) * 2003-11-19 2005-06-09 Sony Corp 音声集音・映像撮像装置および撮像条件決定方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2017145373A1 (ja) * 2016-02-26 2018-08-09 三菱電機株式会社 音声認識装置
WO2017145373A1 (ja) * 2016-02-26 2017-08-31 三菱電機株式会社 音声認識装置
US10867596B2 (en) 2017-08-09 2020-12-15 Lenovo (Singapore) Pte. Ltd. Voice assistant system, server apparatus, device, voice assistant method therefor, and program to be executed by computer
JP2019032479A (ja) * 2017-08-09 2019-02-28 レノボ・シンガポール・プライベート・リミテッド 音声アシストシステム、サーバ装置、デバイス、その音声アシスト方法、及びコンピュータが実行するためのプログラム
US11093554B2 (en) 2017-09-15 2021-08-17 Kohler Co. Feedback for water consuming appliance
US10663938B2 (en) 2017-09-15 2020-05-26 Kohler Co. Power operation of intelligent devices
US10448762B2 (en) 2017-09-15 2019-10-22 Kohler Co. Mirror
US10887125B2 (en) 2017-09-15 2021-01-05 Kohler Co. Bathroom speaker
US11099540B2 (en) 2017-09-15 2021-08-24 Kohler Co. User identity in household appliances
US11314214B2 (en) 2017-09-15 2022-04-26 Kohler Co. Geographic analysis of water conditions
US11314215B2 (en) 2017-09-15 2022-04-26 Kohler Co. Apparatus controlling bathroom appliance lighting based on user identity
US11892811B2 (en) 2017-09-15 2024-02-06 Kohler Co. Geographic analysis of water conditions
US11921794B2 (en) 2017-09-15 2024-03-05 Kohler Co. Feedback for water consuming appliance
US11949533B2 (en) 2017-09-15 2024-04-02 Kohler Co. Sink device
JP2019095835A (ja) * 2017-11-17 2019-06-20 キヤノン株式会社 音声制御システム、制御方法及びプログラム
JP7057647B2 (ja) 2017-11-17 2022-04-20 キヤノン株式会社 音声制御システム、制御方法及びプログラム

Also Published As

Publication number Publication date
JPWO2015146179A1 (ja) 2017-04-13
US10304456B2 (en) 2019-05-28
JP6436400B2 (ja) 2018-12-12
US20170069321A1 (en) 2017-03-09
JP2018173653A (ja) 2018-11-08
JP6624575B2 (ja) 2019-12-25
US10074367B2 (en) 2018-09-11
US20180350367A1 (en) 2018-12-06

Similar Documents

Publication Publication Date Title
JP6436400B2 (ja) 音声コマンド入力装置および音声コマンド入力方法
US10743107B1 (en) Synchronization of audio signals from distributed devices
EP4345816A2 (en) Speaker attributed transcript generation
US11023690B2 (en) Customized output to optimize for user preference in a distributed system
US11875796B2 (en) Audio-visual diarization to identify meeting attendees
US11138980B2 (en) Processing overlapping speech from distributed devices
US20180090138A1 (en) System and method for localization and acoustic voice interface
US10812921B1 (en) Audio stream processing for distributed device meeting
US20170330566A1 (en) Distributed Volume Control for Speech Recognition
US8666750B2 (en) Voice control system
US9792901B1 (en) Multiple-source speech dialog input
US11557306B2 (en) Method and system for speech enhancement
JP2018197855A (ja) 複数の音声認識装置間の調整
US11468895B2 (en) Distributed device meeting initiation
JP2007168972A (ja) エレベータ制御装置
US11083069B2 (en) Lighting control system, lighting control method, and program
KR101544671B1 (ko) 소리 기반 저전력 전단 이벤트 감지 방법 및 장치
JPWO2011118021A1 (ja) エレベーター装置
KR20140072727A (ko) 음성 인식 장치 및 방법

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: 15767737

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016510046

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15122429

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15767737

Country of ref document: EP

Kind code of ref document: A1