WO2016151956A1 - 情報処理システムおよび情報処理方法 - Google Patents

情報処理システムおよび情報処理方法 Download PDF

Info

Publication number
WO2016151956A1
WO2016151956A1 PCT/JP2015/084293 JP2015084293W WO2016151956A1 WO 2016151956 A1 WO2016151956 A1 WO 2016151956A1 JP 2015084293 W JP2015084293 W JP 2015084293W WO 2016151956 A1 WO2016151956 A1 WO 2016151956A1
Authority
WO
WIPO (PCT)
Prior art keywords
voice recognition
information processing
control unit
user
processing system
Prior art date
Application number
PCT/JP2015/084293
Other languages
English (en)
French (fr)
Inventor
真一 河野
祐平 滝
Original Assignee
ソニー株式会社
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 ソニー株式会社 filed Critical ソニー株式会社
Priority to EP15886508.9A priority Critical patent/EP3276618A4/en
Priority to US15/536,299 priority patent/US10475439B2/en
Priority to JP2017507338A priority patent/JP6729555B2/ja
Priority to CN201580077946.0A priority patent/CN107430856B/zh
Publication of WO2016151956A1 publication Critical patent/WO2016151956A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/01—Assessment or evaluation of speech recognition systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/042—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by opto-electronic means
    • G06F3/0425—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by opto-electronic means using a single imaging device like a video camera for tracking the absolute position of a single or a plurality of objects with respect to an imaged reference surface, e.g. video camera imaging a display or a projection screen, a table or a wall surface, on which a computer generated image is displayed or projected
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems

Definitions

  • This disclosure relates to an information processing system and an information processing method.
  • the user may want to continue the voice recognition process for the sound information. Therefore, it is desirable to provide a technique that allows the user to easily instruct whether or not to continue the speech recognition process for the sound information.
  • the speech recognition unit includes a recognition control unit that controls the voice recognition unit so that voice recognition processing is performed by the voice recognition unit on the sound information input from the sound collection unit.
  • An information processing system is provided that controls whether or not to continue the voice recognition processing based on a user gesture detected at a predetermined timing.
  • the voice recognition unit is controlled so that voice recognition processing is performed by the voice recognition unit on sound information input from the sound collection unit, and is detected at a predetermined timing by the processor.
  • an information processing method including controlling whether to continue the voice recognition process based on a user's gesture.
  • a technique that allows the user to easily instruct whether or not to continue the speech recognition process for sound information.
  • the above effects are not necessarily limited, and any of the effects shown in the present specification, or other effects that can be grasped from the present specification, together with or in place of the above effects. May be played.
  • FIG. 3 is a block diagram illustrating a functional configuration example of an information processing system according to an embodiment of the present disclosure.
  • FIG. It is a figure which shows the example of a screen transition until it detects the starting trigger of a speech recognition process from the display of an initial screen. It is a figure for demonstrating the case where a user rushes into a silence state after uttering all the utterance contents which wants to perform voice recognition processing. It is a figure for demonstrating the case where it rushes into a silence state before the utterance of all the utterance contents which a user wants to perform voice recognition processing ends.
  • FIG. 5 is a flowchart illustrating an overall operation flow of an information processing system according to an embodiment of the present disclosure. It is a figure which shows the modification 1 of a structure of an information processing system. It is a figure which shows the modification 2 of a structure of an information processing system. It is a figure which shows the modification 2 of a structure of an information processing system. It is a figure which shows the modification 2 of a structure of an information processing system. It is a figure which shows the modification 2 of a structure of an information processing system.
  • a plurality of constituent elements having substantially the same functional configuration may be distinguished by adding different numerals after the same reference numerals. However, when it is not necessary to particularly distinguish each of a plurality of constituent elements having substantially the same functional configuration, only the same reference numerals are given.
  • FIG. 1 is a diagram for explaining speech recognition processing in a general system.
  • a voice voice or speech
  • a sound are used separately.
  • the utterance indicates a state in which the user is uttering sound
  • the silence indicates a state in which sound information is collected with a volume smaller than the threshold.
  • a general system (hereinafter also simply referred to as “system”), when an operation for selecting a speech recognition start operation object G14 for starting speech recognition processing is input from a user, Such an operation is detected as an activation trigger for the voice recognition process, and a sound collection start screen G91 is displayed (time T91).
  • the sound collection start screen G91 is displayed, the user starts speaking (time T92), and the system performs sound recognition processing on the collected sound information while collecting sound with the microphone (S91).
  • a silent state is started. Then, the system detects a section Ma (hereinafter, also referred to as a “silent section”) Ma in which the duration of the sound information collected by the microphone continues and reaches a predetermined target time that is below the reference volume. (Time T94), a predetermined execution operation is executed based on the result of the speech recognition process performed on the sound information collected in the utterance section Ha (S92).
  • a section Ma hereinafter, also referred to as a “silent section” Ma in which the duration of the sound information collected by the microphone continues and reaches a predetermined target time that is below the reference volume.
  • the execution operation based on the result of the speech recognition process is not particularly limited.
  • the execution operation based on the result of the speech recognition process includes an operation of outputting a search result corresponding to a character string as a result of the speech recognition process, an operation of outputting a character string as a result of the speech recognition process, Any one of an operation of outputting the processing result candidate obtained in the process and an operation of outputting a character string for replying to the utterance content extracted from the character string as a result of the speech recognition process may be included.
  • the method of extracting the utterance content from the character string as a result of the speech recognition process is not limited.
  • a technique for extracting utterance contents from a character string as a result of speech recognition processing is performed by performing natural language processing (for example, language analysis, semantic analysis, etc.) on a character string as a result of speech recognition processing.
  • the content may be extracted.
  • the system displays a screen G92 indicating that the execution operation is being processed.
  • the system displays a screen G93 indicating the result of the execution operation.
  • “collar”, “bid”, and “kick” are included in the screen G93 showing the result of the execution operation as a search result corresponding to the character string as the result of the speech recognition process.
  • the speech recognition process for the sound information collected by the microphone is temporarily stopped. Therefore, when there is a user who considers the utterance content while speaking, the time when the user stopped the utterance to consider the utterance content is detected as a silent section, and the utterance content intended by the user There is a possibility that the voice recognition processing is only performed halfway.
  • the content of the utterance may be forgotten during the utterance, or it may be suddenly chased by work other than the utterance (for example, an emergency situation may occur while driving a car). Therefore, there is a possibility that the time when the utterance has been stopped for such a reason is detected as a silent section, and the speech recognition process is only performed halfway through the utterance content intended by the user.
  • the present specification proposes a technique that allows the user to easily instruct whether or not to continue the speech recognition process for the sound information collected by the microphone.
  • FIG. 2 is a diagram illustrating a configuration example of the information processing system 10 according to the embodiment of the present disclosure.
  • the information processing system 10 according to the embodiment of the present disclosure includes an image input unit 110, an operation input unit 115, a sound collection unit 120, and an output unit 130.
  • the information processing system 10 can perform voice recognition processing on voices uttered by a user U (hereinafter also simply referred to as “user”).
  • the image input unit 110 has a function of inputting an image.
  • the image input unit 110 includes two cameras embedded in the table Tbl.
  • the number of cameras included in the image input unit 110 is not particularly limited as long as it is one or more. In such a case, the position where each of the one or more cameras included in the image input unit 110 is provided is not particularly limited.
  • the one or more cameras may include a monocular camera or a stereo camera.
  • the operation input unit 115 has a function of inputting a user U operation.
  • the operation input unit 115 includes one camera suspended from the ceiling that exists above the table Tbl.
  • the position where the camera included in the operation input unit 115 is provided is not particularly limited.
  • the camera may include a monocular camera or a stereo camera.
  • the operation input unit 115 may not be a camera as long as it has a function of inputting the operation of the user U.
  • the operation input unit 115 may be a touch panel or a hardware button.
  • the output unit 130 has a function of displaying a screen on the table Tbl.
  • the output unit 130 is suspended from the ceiling above the table Tbl.
  • the position where the output unit 130 is provided is not particularly limited.
  • the output unit 130 may be a projector capable of projecting the screen onto the top surface of the table Tbl, but may be another type of display as long as it has a function of displaying the screen. May be.
  • the display surface of the screen may be other than the top surface of the table Tbl.
  • the display surface of the screen may be a wall, a building, a floor surface, the ground, or a ceiling.
  • the display surface of the screen may be a non-planar surface such as a curtain fold, or may be a surface in another place.
  • the output unit 130 has a display surface
  • the display surface of the screen may be the display surface of the output unit 130.
  • the sound collection unit 120 has a function of collecting sound.
  • the sound collection unit 120 includes a total of six microphones including three microphones existing above the table Tbl and three microphones existing on the upper surface of the table Tbl.
  • the number of microphones included in the sound collection unit 120 is not particularly limited as long as it is one or more. In such a case, the position at which each of the one or more microphones included in the sound collection unit 120 is provided is not particularly limited.
  • the arrival direction of the sound can be estimated based on sound information collected by each of the plurality of microphones. Further, if the sound collection unit 120 includes a microphone having directivity, the direction of arrival of sound can be estimated based on sound information collected by the microphone having directivity.
  • FIG. 3 is a block diagram illustrating a functional configuration example of the information processing system 10 according to the embodiment of the present disclosure.
  • the information processing system 10 according to the embodiment of the present disclosure includes an image input unit 110, an operation input unit 115, a sound collection unit 120, an output unit 130, and an information processing device 140 (hereinafter referred to as “information processing device 140”). , Also referred to as “control unit 140”).
  • the information processing apparatus 140 executes control of each unit of the information processing system 10. For example, the information processing apparatus 140 generates information output from the output unit 130. Further, for example, the information processing apparatus 140 reflects information input by the image input unit 110, the operation input unit 115, and the sound collection unit 120 in information output from the output unit 130. As illustrated in FIG. 3, the information processing apparatus 140 includes an input image acquisition unit 141, a sound information acquisition unit 142, an operation detection unit 143, a recognition control unit 144, a voice recognition unit 145, and an output control unit 146. With. Details of these functional blocks will be described later.
  • the information processing apparatus 140 may be configured by, for example, a CPU (Central Processing Unit).
  • a CPU Central Processing Unit
  • the processing device can be configured by an electronic circuit.
  • the recognition control unit 144 controls the voice recognition unit 145 so that voice recognition processing is performed on the sound information input from the sound collection unit 120 by the voice recognition unit 145, and the recognition is performed.
  • the control unit 144 controls whether or not to continue the voice recognition process based on the user gesture detected at a predetermined timing.
  • the user can easily instruct whether or not to continue the speech recognition process for the sound information.
  • the recognition control unit 144 controls whether or not to continue the speech recognition process based on the user's line of sight.
  • the method for detecting the user's line of sight is not particularly limited.
  • the operation detection unit 143 can detect the user's line of sight by analyzing the image input by the operation input unit 115.
  • the viewpoint can be calculated as the intersection of the line of sight and the screen.
  • FIG. 4 is a diagram showing an example of screen transition from the display of the initial screen to the detection of the activation trigger for the speech recognition process.
  • the output control unit 146 displays an initial screen G10-1.
  • the initial screen G10-1 is a recognition field which is a display column for a voice recognition start operation object G14 for starting the voice recognition process and a character string obtained by the voice recognition process (hereinafter also referred to as “recognized character string”).
  • a character string display field G11 is included.
  • the initial screen G10-1 includes a delete all operation object G12 for deleting all recognized character strings and a confirm operation object G13 for confirming the recognized character strings.
  • the initial screen G10-1 also includes a forward moving operation object G15 for returning the cursor position in the recognized character string, a backward moving operation object G16 for moving the cursor position in the recognized character string backward, and a character at the cursor position.
  • a delete operation object G17 for deleting a word is included.
  • the operation detection unit 143 As shown in the initial screen G10-2, when an operation for selecting the voice recognition start operation object G14 by the user is input by the operation input unit 115, the operation is detected by the operation detection unit 143 as a trigger for starting the voice recognition process. It is detected (time T10).
  • the output control unit 146 turns on the sound collection function of the sound collection unit 120 when the activation trigger for the speech recognition process is detected.
  • an operation for selecting the speech recognition start operation object G14 will be described as an example as an activation trigger for the speech recognition process, but the activation trigger for the speech recognition process is not limited to such an example.
  • the activation trigger for the speech recognition process may be an operation of pressing a hardware button for activating the speech recognition process.
  • the voice recognition process may be started between the start of pressing the hardware button and the release of pressing (Push To Talk type).
  • the activation trigger for the voice recognition process may be an execution of a voice recognition process activation command (for example, an utterance “voice”).
  • the voice recognition process activation trigger is a predetermined voice recognition process activation gesture (for example, raising a hand, swinging a hand down, moving a face (for example, nodding, tilting the face to the left or right, etc.)). May be.
  • the activation trigger of the voice recognition process may include that sound information whose voice likelihood exceeds a threshold is acquired from the sound collection unit 120. Subsequently, the user starts speaking toward the sound collection unit 120.
  • FIG. 5 a case will be described in which the user enters a silent state after uttering all utterance contents to be subjected to voice recognition processing.
  • the output control unit 146 is a predetermined object (hereinafter also referred to as “display object”).
  • Display Mu The display object Mu may be stationary or may have a movement.
  • the moving direction De of the display object Mu may be determined according to the arrival direction from the sound source of the uttered voice by the user to the sound collection unit 120.
  • the estimation method of the arrival direction of the uttered voice by the user is not particularly limited.
  • the recognition control unit 144 utters one arrival direction that matches or is similar to the finger direction of the user who performed the operation of selecting the voice recognition start operation object G14 (for example, the direction from the base of the finger to the fingertip). It may be estimated as the voice arrival direction.
  • the similarity range may be determined in advance.
  • the finger direction may be obtained by analyzing the input image.
  • the recognition control unit 144 may estimate the arrival direction of the sound input by the sound collection unit 120 as the arrival direction of the uttered voice by the user.
  • the arrival direction of the sound input first among the plurality of arrival directions may be estimated as the arrival direction of the uttered voice by the user.
  • One arrival direction that matches or resembles the direction of the finger of the user who has performed the operation of selecting the recognition start operation object G14 may be estimated as the arrival direction of the uttered voice by the user.
  • the recognition control unit 144 may estimate the arrival direction of the sound input by the sound collection unit 120 at the highest volume among the plurality of arrival directions as the arrival direction of the uttered voice by the user. In this way, the arrival direction of the uttered voice by the user can be estimated. On the other hand, the recognition control unit 144 may acquire the sound input by the sound collection unit 120 from a direction other than the arrival direction of the uttered voice by the user as noise. Therefore, the noise may include an output sound from the information processing system 10.
  • FIG. 5 shows an example in which the output control unit 146 moves the display object Mu in the direction of arrival of the uttered voice by the user (movement direction De).
  • the movement of the display object Mu is not limited to such movement.
  • FIG. 5 shows an example in which the movement destination of the display object Mu is the voice recognition start operation object G14.
  • the movement destination of the display object Mu is not limited to this example.
  • FIG. 5 shows an example in which the output control unit 146 moves the circular display objects Mu that appear one after another according to the sound collection by the sound collection unit 120.
  • the display mode of the display object Mu is shown. Is not limited to such an example.
  • the output control unit 146 may control various parameters of the display object Mu based on predetermined information corresponding to the sound information (for example, sound quality, sound volume, etc. of the sound information).
  • the sound information used at this time may be sound information from the direction of arrival of the uttered voice by the user.
  • the parameter of the display object Mu may include at least one of the shape, transparency, color, size, and movement of the display object Mu.
  • a technique described in a patent document Japanese Patent Laid-Open No. 2010-38943 can be employed as a technique for evaluating the likelihood of sound from sound information.
  • a method for evaluating the likelihood of sound from sound information a method described in a patent document (Japanese Patent Laid-Open No. 2007-328228) can be adopted.
  • the speech likelihood evaluation is performed by the output control unit 146, but the speech likelihood evaluation may be performed by a server (not shown).
  • the recognition control unit 144 causes the voice recognition unit 145 to start voice recognition processing on the sound information acquired by the sound information acquisition unit 142.
  • the timing for starting the speech recognition process is not limited.
  • the recognition control unit 144 may cause the speech recognition unit 145 to start after the sound information whose soundness exceeds the predetermined threshold is collected, or the display object Mu reaches the speech recognition start operation object G14. Then, the speech recognition unit 145 may start speech recognition processing for sound information corresponding to the display object Mu.
  • the recognition control unit 144 detects the silent section. (Time T12). Then, when the silent section is detected, the output control unit 146 causes the output unit 130 to output the moving object (time T13). In the example illustrated in FIG. 5, the output control unit 146 outputs the motion recognition start operation object G14 having motion as a motion object, but the motion object may be provided separately from the speech recognition start operation object G14. Good.
  • the recognition control unit 144 controls whether or not to continue the speech recognition process based on the user's viewpoint and the moving object G14. More specifically, the recognition control unit 144 controls whether or not to continue the speech recognition process based on the degree of coincidence between the user's viewpoint and the moving object G14. Details of the degree of coincidence will be described later.
  • the recognition control unit 144 since all of the utterance contents that the user wants to perform voice recognition processing have been uttered, the user does not have to keep watching the moving object G14.
  • the recognition control unit 144 may control the voice recognition unit 145 to execute an execution operation based on the result of the voice recognition process when the degree of coincidence of both falls below the threshold at a predetermined timing (time T15).
  • the predetermined timing is not particularly limited as long as it is a timing after the moving object G14 is output by the output unit 130.
  • the voice recognition unit 145 executes an execution operation based on the result of the voice recognition process according to the control of the recognition control unit 144 (time T16).
  • the output control unit 146 may output the object G22 instructing to wait for voice input until the execution operation is completed while the execution operation based on the result of the speech recognition process is being performed.
  • the output control unit 146 can output the result of the execution operation.
  • the output control unit 146 displays the display object Mu as shown in FIG.
  • the display object Mu is as described above.
  • the recognition control unit 144 causes the voice recognition unit 145 to start voice recognition processing on the sound information acquired by the sound information acquisition unit 142.
  • the timing for starting the speech recognition process is not particularly limited as described above.
  • the recognition control unit 144 detects the silent section. (Time T12). Then, when the silent section is detected, the output control unit 146 causes the output unit 130 to output the moving object (time T13). In the example illustrated in FIG. 6, the output control unit 146 outputs the motion recognition start operation object G14 having motion as a motion object, but the motion object may be provided separately from the speech recognition start operation object G14. Good.
  • the recognition control unit 144 controls whether or not to continue the speech recognition process based on the user's viewpoint and the moving object G14. More specifically, the recognition control unit 144 controls whether or not to continue the speech recognition process based on the degree of coincidence between the user's viewpoint and the moving object G14.
  • the recognition control unit 144 controls whether or not to continue the speech recognition process based on the degree of coincidence between the user's viewpoint and the moving object G14.
  • the recognition control unit 144 may control the voice recognition unit 145 so as to continue the voice recognition processing when the degree of coincidence of both exceeds a threshold at a predetermined timing (time T15).
  • the predetermined timing is not particularly limited as long as it is a timing after the moving object G14 is output by the output unit 130.
  • the voice recognition unit 145 continues the voice recognition process for the sound information input from the sound collection unit 120 according to the control of the recognition control unit 144 (time T16). As a result, the speech recognition process once suspended is resumed.
  • the output control unit 146 may start displaying the display object Mu again as shown in FIG.
  • the voice recognition unit 145 may newly start a voice recognition process different from the voice recognition process that has already been started, and merge the results of the two voice recognition processes.
  • the sound information may be buffered, and when the voice recognition process can be started next, the voice recognition process may be performed based on the buffered sound information and the sound information input from the sound collection unit 120. .
  • FIG. 7 is a diagram for explaining a case where the degree of coincidence exceeds a threshold value.
  • a determination region R10 corresponding to the moving object trajectory K10 is assumed.
  • the determination region R10 is a region having a width W10 with reference to the locus K10 of the moving object, but the determination region R10 is not limited to such a region.
  • the recognition control unit 144 may calculate, as the degree of coincidence, the ratio of the length of the user's viewpoint trajectory K20 that falls within the determination region R10 with respect to the entire length of the user's viewpoint trajectory K20. In the example shown in FIG. 7, since the degree of coincidence calculated in this way exceeds the threshold value, the recognition control unit 144 may control the voice recognition unit 145 so as to continue the voice recognition process.
  • the method for calculating the degree of coincidence between the locus K10 of the moving object and the locus K21 of the user's viewpoint is not limited to this example.
  • FIG. 8 is a diagram for explaining a case where the degree of coincidence is below a threshold value.
  • the recognition control unit 144 since the degree of coincidence calculated as described above is below the threshold value, the recognition control unit 144 controls the voice recognition unit 145 to execute an execution operation based on the result of the voice recognition process. do it.
  • the recognition control unit 144 may control the voice recognition unit 145 so as to continue the voice recognition process, or execute an execution operation based on the result of the voice recognition process.
  • the voice recognition unit 145 may be controlled as described above.
  • FIG. 9 is a diagram illustrating an output example of the relationship between the degree of coincidence and the threshold value.
  • the output control unit 146 may cause the output unit 130 to output a predetermined first notification object G41 when the degree of coincidence exceeds a threshold value.
  • the first notification object G41 is an icon indicating that the eyes are open, but is not limited to such an example.
  • the output control unit 146 outputs a predetermined second notification object G42 different from the first notification object G41 to the output unit 130 when the degree of coincidence is lower than the threshold value. You may let them.
  • the second notification object G42 is an icon representing a state in which eyes are closed, but is not limited to such an example. Note that the output control unit 146 may stop the output of the moving object G14 when the degree of coincidence is lower than the threshold value over a predetermined time.
  • FIG. 10 is merely an example of the overall operation flow of the information processing system 10 according to the embodiment of the present disclosure, and thus the overall operation of the information processing system 10 according to the embodiment of the present disclosure.
  • the flow is not limited to the example shown in the flowchart of FIG.
  • the operation detection unit 143 detects a start trigger for voice recognition processing (S11), and the recognition control unit 144 detects an utterance from sound information input from the sound collection unit 120 ( S12), the voice recognition unit 145 is caused to start voice recognition processing for the sound information (S13). Subsequently, the recognition control unit 144 continues the voice recognition process until a silent section is detected (“No” in S14), but if a silent section is detected (“Yes” in S14), the voice recognition process is performed. Is temporarily stopped, and the output control unit 146 displays the moving object (S15).
  • the recognition control unit 144 obtains the user's viewpoint trajectory K20 (S16), and calculates the degree of coincidence r between the moving object trajectory K10 and the user's viewpoint trajectory K20 (S17).
  • the recognition control unit 144 shifts the operation to S15 until the continuation determination timing arrives (“No” in S18), but when the continuation determination timing arrives (“Yes” in S18), S19 Move the operation to.
  • the recognition control unit 144 continues the speech recognition process (S13), but when the matching degree r does not exceed the threshold value r_threshold. (“No” in S19), the operation is shifted to the execution operation based on the result of the speech recognition process (S20), and the result of the execution operation is acquired (S21).
  • FIG. 11 is a diagram illustrating a first modification of the configuration of the information processing system 10.
  • the output unit 130 may be included in the mobile terminal.
  • the kind of portable terminal is not specifically limited, A tablet terminal may be sufficient, a smart phone may be sufficient, and a mobile phone may be sufficient.
  • the output unit 130 may be a television device
  • the information processing device 140 may be a game machine
  • the operation input unit 115 may be a controller that operates the game machine.
  • the sound collection unit 120 and the output unit 130 may be connected to the operation input unit 115.
  • the image input unit 110 and the sound collection unit 120 may be connected to the information processing apparatus 140.
  • the operation input unit 115, the sound collection unit 120, and the output unit 130 may be provided in a smartphone connected to the information processing apparatus 140.
  • the sound collecting unit 120 may be provided in a television device.
  • FIG. 16 is a diagram illustrating a third modification of the configuration of the information processing system 10.
  • the information processing apparatus 140 may be a game machine, and the operation input unit 115 may be a controller that operates the game machine.
  • the output unit 130, the sound collection unit 120, and the image input unit 110 may be provided in a wearable device that is worn on the user's head.
  • FIGS. 17 to 20 are diagrams showing a fourth modification of the configuration of the information processing system 10.
  • the information processing system 10 may be mounted on a vehicle-mounted navigation system that can be attached to a vehicle and used by a user U who is driving the vehicle.
  • the information processing system 10 may be mounted on a mobile terminal and used by a user U who is driving a car.
  • the type of mobile terminal is not particularly limited.
  • the operation input unit 115 is provided by a mobile terminal, and the output unit 130, the sound collection unit 120, and the image input unit 110 are provided on the body of the user U. It may be provided in a wearable device to be attached. As shown in FIG. 20, the information processing system 10 may be mounted on an in-vehicle navigation system built in an automobile and used by a user U driving the automobile.
  • FIG. 21 is a diagram illustrating an example in which the moving object G14 is displayed in the visual field region in the three-dimensional space.
  • the output unit 130 when the output unit 130 is a see-through type head mounted display, the output unit 130 may display the moving object G14 in the visual field region Vi in the three-dimensional space Re.
  • FIG. 21 also shows a locus K10 of the moving object. The user can continue the speech recognition process by continuing to watch the moving object G14 displayed in this way.
  • FIG. 22 is a diagram illustrating an example in which the moving object G14 is superimposed and displayed on the virtual image.
  • the output unit 130 when the output unit 130 is a television device, the output unit 130 may display a moving object G14 superimposed on a virtual image such as a game screen.
  • FIG. 21 also shows a locus K10 of the moving object. The user can continue the speech recognition process by continuing to watch the moving object G14 displayed in this way.
  • a wearable device or the like worn on the user's head may be used instead of the television apparatus.
  • the recognition control unit 144 controls whether or not to continue the speech recognition process based on the user's line of sight.
  • an example of controlling whether or not to continue the speech recognition process is not limited to such an example.
  • the recognition control unit 144 may control whether or not to continue the speech recognition process based on the inclination of the user's head. Such an example will be described with reference to FIGS.
  • the user wears the operation input unit 115 including a sensor (for example, an acceleration sensor) that can detect the tilt of the head.
  • the user may be wearing a sound collection unit 120.
  • the output control unit 146 turns on the sound collection function by the sound collection unit 120, and the sound information collected by the sound collection unit 120 is acquired by the sound information acquisition unit 142. Then, as shown in FIG. 23, the output control unit 146 displays the display object Mu. Subsequently, the recognition control unit 144 causes the voice recognition unit 145 to start voice recognition processing on the sound information acquired by the sound information acquisition unit 142.
  • the recognition control unit 144 detects the silent section. (Time T12).
  • the output control unit 146 displays an object (for example, voice recognition) indicating that the voice recognition process can be continued by tilting the head in a predetermined direction (for example, upward) when a silent section is detected.
  • the start operation object G14 is output to the output unit 130 (time T13).
  • the recognition control unit 144 controls whether or not to continue the voice recognition process based on the tilt of the user's head.
  • the recognition control unit 144 may control the voice recognition unit 145 to execute a predetermined execution operation based on the result of the voice recognition process when the tilt of the user's head is below the reference value at a predetermined timing.
  • the predetermined timing is not particularly limited as long as it is after the silent section is detected.
  • the voice recognition unit 145 executes an execution operation based on the result of the voice recognition process according to the control of the recognition control unit 144 (time T16).
  • the output control unit 146 may output the object G22 instructing to wait for voice input until the execution operation is completed while the execution operation based on the result of the speech recognition process is being performed.
  • the output control unit 146 can output the result of the execution operation.
  • the output control unit 146 displays the display object Mu as shown in FIG.
  • the recognition control unit 144 causes the voice recognition unit 145 to start voice recognition processing on the sound information acquired by the sound information acquisition unit 142.
  • the recognition control unit 144 detects the silent section. (Time T12).
  • the output control unit 146 displays an object (for example, voice recognition) indicating that the voice recognition process can be continued by tilting the head in a predetermined direction (for example, upward) when a silent section is detected.
  • the start operation object G14 is output to the output unit 130 (time T13).
  • the recognition control unit 144 controls whether or not to continue the voice recognition process based on the tilt of the user's head.
  • the user since the user has not finished speaking all the utterance contents that the user wants to perform voice recognition processing, the user needs to tilt the head in a predetermined direction.
  • the recognition control unit 144 may control the voice recognition unit 145 to continue the voice recognition process when the inclination of the user's head exceeds the reference value at a predetermined timing.
  • the predetermined timing is not particularly limited as long as it is after the silent section is detected.
  • the voice recognition unit 145 continues the voice recognition process for the sound information input from the sound collection unit 120 according to the control of the recognition control unit 144 (time T16). As a result, the speech recognition process once suspended is resumed.
  • the output control unit 146 may start displaying the display object Mu again as shown in FIG.
  • the recognition control unit 144 may control the voice recognition unit 145 so as to continue the voice recognition process, or execute an execution operation based on the result of the voice recognition process.
  • the voice recognition unit 145 may be controlled as described above.
  • the recognition control unit 144 may control whether or not to continue the voice recognition process based on the movement of the user's head. Such an example will be described with reference to FIGS.
  • the user wears the operation input unit 115 including a sensor (for example, a gyro sensor) that can detect the movement of the head.
  • the user may be wearing the sound collection unit 120.
  • the output control unit 146 turns on the sound collection function by the sound collection unit 120, and the sound information collected by the sound collection unit 120 is acquired by the sound information acquisition unit 142. Then, as shown in FIG. 25, the output control unit 146 displays the display object Mu. Subsequently, the recognition control unit 144 causes the voice recognition unit 145 to start voice recognition processing on the sound information acquired by the sound information acquisition unit 142.
  • the recognition control unit 144 detects the silent section. (Time T12).
  • the output control unit 146 displays an object (for example, voice) indicating that the voice recognition process can be continued by rotating the head in a predetermined direction (for example, the right direction) when a silent section is detected.
  • the recognition start operation object G14 is output to the output unit 130 (time T13).
  • the recognition control unit 144 controls whether or not to continue the voice recognition process based on the movement of the user's head.
  • the user since all the utterance contents that the user wants to perform voice recognition processing have been uttered, the user does not have to rotate the head in a predetermined direction. If the user does not rotate the head to the right, the movement of the user's head does not show a predetermined movement (rotation in a predetermined direction). Therefore, the recognition control unit 144 controls the voice recognition unit 145 to execute a predetermined execution operation based on the result of the voice recognition process when the movement of the user's head does not show the predetermined movement at a predetermined timing. do it.
  • the predetermined timing is not particularly limited as long as it is after the silent section is detected.
  • the voice recognition unit 145 executes an execution operation based on the result of the voice recognition process according to the control of the recognition control unit 144 (time T16).
  • the output control unit 146 may output the object G22 instructing to wait for voice input until the execution operation is completed while the execution operation based on the result of the speech recognition process is being performed.
  • the output control unit 146 can output the result of the execution operation.
  • the output control unit 146 displays the display object Mu as shown in FIG.
  • the recognition control unit 144 causes the voice recognition unit 145 to start voice recognition processing on the sound information acquired by the sound information acquisition unit 142.
  • the recognition control unit 144 detects the silent section. (Time T12).
  • the output control unit 146 displays an object (for example, voice) indicating that the voice recognition process can be continued by rotating the head in a predetermined direction (for example, the right direction) when a silent section is detected.
  • the recognition start operation object G14 is output to the output unit 130 (time T13).
  • the recognition control unit 144 controls whether or not to continue the voice recognition process based on the movement of the user's head.
  • the recognition control unit 144 may control the voice recognition unit 145 to continue the voice recognition process when the movement of the user's head shows a predetermined movement at a predetermined timing.
  • the predetermined timing is not particularly limited as long as it is after the silent section is detected.
  • the voice recognition unit 145 continues the voice recognition process for the sound information input from the sound collection unit 120 according to the control of the recognition control unit 144 (time T16). As a result, the speech recognition process once suspended is resumed.
  • the output control unit 146 may start to display the display object Mu again as shown in FIG.
  • the recognition control unit 144 controls whether or not to continue the speech recognition process based on the movement of the user's head.
  • the example to do was explained.
  • FIG. 27 is a block diagram illustrating a hardware configuration example of the information processing system 10 according to the embodiment of the present disclosure.
  • the information processing system 10 includes a CPU (Central Processing unit) 901, a ROM (Read Only Memory) 903, and a RAM (Random Access Memory) 905.
  • the information processing system 10 may also include a host bus 907, a bridge 909, an external bus 911, an interface 913, an input device 915, an output device 917, a storage device 919, a drive 921, a connection port 923, and a communication device 925.
  • the information processing system 10 may include an imaging device 933 and a sensor 935 as necessary.
  • the information processing system 10 may include a processing circuit called DSP (Digital Signal Processor) or ASIC (Application Specific Integrated Circuit) instead of or in addition to the CPU 901.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • the CPU 901 functions as an arithmetic processing unit and a control unit, and controls all or part of the operation in the information processing system 10 according to various programs recorded in the ROM 903, the RAM 905, the storage device 919, or the removable recording medium 927.
  • the ROM 903 stores programs and calculation parameters used by the CPU 901.
  • the RAM 905 temporarily stores programs used in the execution of the CPU 901, parameters that change as appropriate during the execution, and the like.
  • the CPU 901, the ROM 903, and the RAM 905 are connected to each other by a host bus 907 configured by an internal bus such as a CPU bus. Further, the host bus 907 is connected to an external bus 911 such as a PCI (Peripheral Component Interconnect / Interface) bus via a bridge 909.
  • PCI Peripheral Component Interconnect / Interface
  • the input device 915 is a device operated by the user, such as a mouse, a keyboard, a touch panel, a button, a switch, and a lever.
  • the input device 915 may include a microphone that detects the user's voice.
  • the input device 915 may be, for example, a remote control device using infrared rays or other radio waves, or may be an external connection device 929 such as a mobile phone that supports the operation of the information processing system 10.
  • the input device 915 includes an input control circuit that generates an input signal based on information input by the user and outputs the input signal to the CPU 901. The user operates the input device 915 to input various data to the information processing system 10 and instruct processing operations.
  • An imaging device 933 which will be described later, can also function as an input device by imaging a user's hand movement, a user's finger, and the like. At this time, the pointing position may be determined according to the movement of the hand or the direction of the finger.
  • the output device 917 is a device that can notify the user of the acquired information visually or audibly.
  • the output device 917 is, for example, a display device such as an LCD (Liquid Crystal Display), a PDP (Plasma Display Panel), an organic EL (Electro-Luminescence) display, a projector, an audio output device such as a hologram display device, a speaker and headphones, As well as a printer device.
  • the output device 917 outputs the result obtained by the processing of the information processing system 10 as a video such as text or an image, or outputs it as a voice such as voice or sound.
  • the output device 917 may include a light or the like to brighten the surroundings.
  • the storage device 919 is a data storage device configured as an example of a storage unit of the information processing system 10.
  • the storage device 919 includes, for example, a magnetic storage device such as an HDD (Hard Disk Drive), a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • the storage device 919 stores programs executed by the CPU 901, various data, various data acquired from the outside, and the like.
  • the drive 921 is a reader / writer for a removable recording medium 927 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, and is built in or externally attached to the information processing system 10.
  • the drive 921 reads information recorded on the attached removable recording medium 927 and outputs the information to the RAM 905.
  • the drive 921 writes a record in the attached removable recording medium 927.
  • the connection port 923 is a port for directly connecting a device to the information processing system 10.
  • the connection port 923 can be, for example, a USB (Universal Serial Bus) port, an IEEE 1394 port, a SCSI (Small Computer System Interface) port, or the like.
  • the connection port 923 may be an RS-232C port, an optical audio terminal, an HDMI (registered trademark) (High-Definition Multimedia Interface) port, or the like.
  • Various data can be exchanged between the information processing system 10 and the external connection device 929 by connecting the external connection device 929 to the connection port 923.
  • the communication device 925 is a communication interface configured with, for example, a communication device for connecting to the communication network 931.
  • the communication device 925 can be, for example, a communication card for wired or wireless LAN (Local Area Network), Bluetooth (registered trademark), or WUSB (Wireless USB).
  • the communication device 925 may be a router for optical communication, a router for ADSL (Asymmetric Digital Subscriber Line), or a modem for various communication.
  • the communication device 925 transmits and receives signals and the like using a predetermined protocol such as TCP / IP with the Internet and other communication devices, for example.
  • the communication network 931 connected to the communication device 925 is a wired or wireless network, such as the Internet, a home LAN, infrared communication, radio wave communication, or satellite communication.
  • the imaging device 933 uses various members such as an imaging element such as a CCD (Charge Coupled Device) or CMOS (Complementary Metal Oxide Semiconductor), and a lens for controlling the imaging of a subject image on the imaging element. It is an apparatus that images a real space and generates a captured image.
  • the imaging device 933 may capture a still image or may capture a moving image.
  • the sensor 935 is various sensors such as an acceleration sensor, a gyro sensor, a geomagnetic sensor, an optical sensor, and a sound sensor.
  • the sensor 935 obtains information related to the state of the information processing system 10 such as the posture of the information processing system 10, and information related to the surrounding environment of the information processing system 10 such as brightness and noise around the information processing system 10. To do.
  • the sensor 935 may include a GPS sensor that receives a GPS (Global Positioning System) signal and measures the latitude, longitude, and altitude of the apparatus.
  • GPS Global Positioning System
  • Each component described above may be configured using a general-purpose member, or may be configured by hardware specialized for the function of each component. Such a configuration can be appropriately changed according to the technical level at the time of implementation.
  • the information processing system 10 is provided that includes a control unit 144 and that controls whether or not to continue the speech recognition process based on the user gesture detected at a predetermined timing. According to this configuration, the user can easily instruct whether or not to continue the speech recognition process for the sound information.
  • the output unit 130 may be a display provided in a wearable terminal (for example, a watch, glasses, etc.) other than the head mounted display.
  • the output unit 130 may be a display used in the healthcare field.
  • the speech recognition process based on the user's line of sight, the user's head tilt, and the user's head movement.
  • the example which controls whether to continue is demonstrated.
  • the user's gesture is not limited to such an example.
  • the user's gesture may be the user's facial expression, the user's lip movement, the user's lip shape, or the open / closed state of the user's eyes. Also good.
  • the output control unit 146 generates display control information for causing the output unit 130 to display the display content, and outputs the generated display control information to the output unit 130, so that the display content is displayed on the output unit 130.
  • the output unit 130 can be controlled as described above.
  • the contents of the display control information may be changed as appropriate according to the system configuration.
  • the program for realizing the information processing apparatus 140 may be a web application.
  • the display control information may be realized by a markup language such as HTML (HyperText Markup Language), SGML (Standard Generalized Markup Language), XML (Extensible Markup Language), or the like.
  • the position of each component is not particularly limited as long as the operation of the information processing system 10 described above is realized.
  • the image input unit 110, the operation input unit 115, the sound collecting unit 120, the output unit 130, and the information processing device 140 may be provided in different devices connected via a network.
  • the information processing apparatus 140 corresponds to a server such as a web server or a cloud server, and the image input unit 110, the operation input unit 115, the sound collection unit 120, and the output unit 130 are connected to the server. It may correspond to a client connected via
  • the information processing apparatus 140 may not be accommodated in the same apparatus.
  • the information processing device 140 May be present on different devices.
  • the voice recognition unit 145 is a server different from the information processing apparatus 140 including the input image acquisition unit 141, the sound information acquisition unit 142, the operation detection unit 143, the recognition control unit 144, and the output control unit 146. May be present.
  • a recognition control unit that controls the voice recognition unit so that voice recognition processing is performed by the voice recognition unit on sound information input from the sound collection unit; The recognition control unit controls whether or not to continue the voice recognition process based on a user gesture detected at a predetermined timing. Information processing system.
  • the recognition control unit controls whether or not to continue the voice recognition process based on the line of sight of the user. The information processing system according to (1).
  • the recognition control unit controls whether or not to continue the voice recognition process based on the viewpoint and the moving object of the user; The information processing system according to (2).
  • the recognition control unit controls whether or not to continue the voice recognition processing based on the degree of coincidence between the user's viewpoint and the moving object.
  • the information processing system controls the voice recognition unit to continue the voice recognition process when the degree of coincidence exceeds a threshold;
  • the recognition control unit controls the voice recognition unit to execute a predetermined execution operation based on a result of the voice recognition process when the degree of coincidence is lower than the threshold value.
  • the information processing system includes an output control unit that causes the output unit to output the moving object.
  • the information processing system according to any one of (4) to (6).
  • the output control unit outputs the moving object to the output unit when the volume of the sound information continues and falls below a reference volume after a start of the voice recognition process reaches a predetermined target time. Let The information processing system according to (7).
  • the predetermined timing is a timing after the moving object is output by the output unit.
  • the output control unit causes the output unit to output a predetermined first notification object when the degree of coincidence exceeds a threshold value.
  • the output control unit causes the output unit to output a predetermined second notification object different from the first notification object when the degree of coincidence is lower than the threshold.
  • (12) The recognition control unit controls whether or not to continue the voice recognition process based on the tilt of the user's head.
  • the recognition control unit controls the voice recognition unit to continue the voice recognition process when the inclination of the user's head exceeds a predetermined reference value;
  • the recognition control unit controls the voice recognition unit to execute a predetermined execution operation based on a result of the voice recognition process when an inclination of the head of the user is lower than the reference value;
  • the recognition control unit controls whether or not to continue the voice recognition process based on the movement of the user's head.
  • the recognition control unit controls the voice recognition unit to continue the voice recognition process when the movement of the user's head shows a predetermined movement.
  • the recognition control unit controls the voice recognition unit to execute a predetermined execution operation based on a result of the voice recognition process when a movement of the user's head does not indicate the predetermined movement.
  • the recognition control unit causes the voice recognition unit to start the voice recognition process when a start trigger of the voice recognition process is detected;
  • the execution operation includes an operation for outputting a search result according to the result of the speech recognition processing, an operation for outputting the result of the speech recognition processing, an operation for outputting a processing result candidate obtained in the course of the speech recognition processing, and Including any one of the operations for outputting a character string for replying to the utterance content extracted from the result of the speech recognition processing,
  • the information processing system according to (6).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

【課題】音情報に対する音声認識処理を継続させるか否かをユーザが容易に指示することが可能な技術が提供されることが望まれる。 【解決手段】集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御する認識制御部を備え、前記認識制御部は、所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御する、情報処理システムが提供される。

Description

情報処理システムおよび情報処理方法
　本開示は、情報処理システムおよび情報処理方法に関する。
　近年、マイクロフォンによって集音された音情報に対して音声認識処理を施して音声認識処理の認識結果を得る技術が知られている。音声認識処理の認識結果は、ユーザに知覚可能な態様によって出力される。例えば、マイクロフォンによって集音された音情報に対する音声認識処理は、ユーザから開始操作が入力されたことをトリガとして開始され得る（例えば、特許文献１参照。）。
特開２００４－０９４０７７号公報
　ここで、マイクロフォンによって集音された音情報に対する音声認識処理が一旦停止されてしまった場合でも、音情報に対する音声認識処理を継続させたいとユーザが考える場合がある。そこで、音情報に対する音声認識処理を継続させるか否かをユーザが容易に指示することが可能な技術が提供されることが望まれる。
　本開示によれば、集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御する認識制御部を備え、前記認識制御部は、所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御する、情報処理システムが提供される。
　本開示によれば、集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御することを含み、プロセッサにより所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御することを含む、情報処理方法が提供される。
　以上説明したように本開示によれば、音情報に対する音声認識処理を継続させるか否かをユーザが容易に指示することが可能な技術が提供される。なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。
一般的なシステムにおける音声認識処理を説明するための図である。 本開示の実施形態に係る情報処理システムの構成例を示す図である。 本開示の実施形態に係る情報処理システムの機能構成例を示すブロック図である。 初期画面の表示から音声認識処理の起動トリガを検出するまでの画面遷移の例を示す図である。 ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってから無音状態に突入した場合を説明するための図である。 ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに無音状態に突入した場合を説明するための図である。 一致度が閾値を上回っている場合について説明するための図である。 一致度が閾値を下回っている場合について説明するための図である。 一致度と閾値との関係の出力例を示す図である。 本開示の実施形態に係る情報処理システムの全体的な動作の流れを示すフローチャートである。 情報処理システムの構成の変形例１を示す図である。 情報処理システムの構成の変形例２を示す図である。 情報処理システムの構成の変形例２を示す図である。 情報処理システムの構成の変形例２を示す図である。 情報処理システムの構成の変形例２を示す図である。 情報処理システムの構成の変形例３を示す図である。 情報処理システムの構成の変形例４を示す図である。 情報処理システムの構成の変形例４を示す図である。 情報処理システムの構成の変形例４を示す図である。 情報処理システムの構成の変形例４を示す図である。 ３次元空間における視野領域に動きオブジェクトが表示される例を示す図である。 仮想画像に動きオブジェクトが重畳表示される例を示す図である。 ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってから無音状態に突入した場合を説明するための図である。 ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに無音状態に突入した場合を説明するための図である。 ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってから無音状態に突入した場合を説明するための図である。 ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに無音状態に突入した場合を説明するための図である。 情報処理システムのハードウェア構成例を示すブロック図である。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　また、本明細書および図面において、実質的に同一の機能構成を有する複数の構成要素を、同一の符号の後に異なる数字を付して区別する場合もある。ただし、実質的に同一の機能構成を有する複数の構成要素の各々を特に区別する必要がない場合、同一符号のみを付する。
　なお、説明は以下の順序で行うものとする。
　０．背景
　１．本開示の実施形態
　　１．１．システム構成例
　　１．２．機能構成例
　　１．３．情報処理システムの機能詳細
　　１．４．システム構成の変形例
　　１．５．動きオブジェクトの表示形態
　　１．６．ユーザのジェスチャの変形例
　　１．７．ハードウェア構成例
　２．むすび
　＜０．背景＞
　まず、図面を参照しながら本開示の実施形態の背景を説明する。図１は、一般的なシステムにおける音声認識処理を説明するための図である。以下の説明において、音声（ｖｏｉｃｅまたはｓｐｅｅｃｈ）と音（ｓｏｕｎｄ）とは区別して用いられる。また、発話は、ユーザが音声を発している状態を示し、無音は、閾値よりも小さい音量によって音情報が集音されている状態を示す。
　図１に示すように、一般的なシステム（以下、単に「システム」とも言う。）は、音声認識処理を開始させるための音声認識開始操作オブジェクトＧ１４を選択する操作がユーザから入力されると、かかる操作を音声認識処理の起動トリガとして検出し、集音開始画面Ｇ９１を表示する（時刻Ｔ９１）。集音開始画面Ｇ９１が表示されると、ユーザは発話を開始し（時刻Ｔ９２）、システムはマイクロフォンによって集音しつつ、集音された音情報に対する音声認識処理を行う（Ｓ９１）。
　発話区間Ｈａが終了すると（時刻Ｔ９３）、無音状態が開始される。そして、システムは、マイクロフォンによって集音される音情報の音量が継続して基準音量を下回る継続時間が所定の目標時間に達した区間（以下、「無音区間」とも言う。）Ｍａが検出されると（時刻Ｔ９４）、発話区間Ｈａにおいて集音された音情報に対して施される音声認識処理の結果に基づいて所定の実行動作を実行する（Ｓ９２）。
　ここで、音声認識処理の結果に基づく実行動作は特に限定されない。例えば、音声認識処理の結果に基づく実行動作は、音声認識処理の結果としての文字列に応じた検索結果を出力させる動作、音声認識処理の結果としての文字列を出力させる動作、音声認識処理の過程において得られた処理結果候補を出力させる動作、音声認識処理の結果の文字列から抽出される発話内容に返答するための文字列を出力させる動作のいずれか一つを含んでよい。
　ここで、音声認識処理の結果としての文字列から発話内容を抽出する手法は限定されない。例えば、音声認識処理の結果としての文字列から発話内容を抽出する手法は、音声認識処理の結果としての文字列に対して自然言語処理（例えば、言語解析、意味解析など）を施すことによって発話内容が抽出されてよい。
　システムは、実行動作の処理中には、実行動作の処理中である旨を示す画面Ｇ９２を表示する。そして、システムは、実行動作が終了すると（時刻Ｔ９５）、実行動作の結果を示す画面Ｇ９３を表示する。図１に示した例においては、実行動作の結果を示す画面Ｇ９３に、音声認識処理の結果としての文字列に応じた検索結果として、「襟」「競り」「蹴り」が含まれている。
　以上に説明したように、一般的なシステムにおいては、無音区間が検出されるとマイクロフォンによって集音された音情報に対する音声認識処理が一旦停止されてしまう。そのため、発話をしながら発話内容を考えるユーザが存在した場合などには、ユーザが発話内容を考えるために発話を停止させてしまった時間が無音区間として検出されてしまい、ユーザの意図する発話内容の途中までしか音声認識処理の対象とされなくなってしまう可能性がある。
　また、発話の最中に発話内容を失念してしまう可能性や、発話以外の作業に突発的に追われる可能性（例えば、自動車の運転中に緊急事態に陥る可能性など）もある。そのため、このような理由で発話が停止されてしまった時間が無音区間として検出されてしまい、ユーザの意図する発話内容の途中までしか音声認識処理の対象とされなくなってしまう可能性がある。
　また、音声認識処理が一旦停止されてしまい、音声認識処理の結果に基づく実行動作が開始されてしまうと、音声認識処理が再開されたときに続きの発話を開始しても、続きの発話は、既に開始されてしまっている実行動作に反映されない可能性がある。また、実行動作が完了するのを待ち、実行動作の結果を見てから続きの発話をしようとすると、ユーザは、続きの発話内容を忘れやすく、考えついた発話内容を忘れてしまうという機会損失が生じ得る。
　また、発話が途切れてしまってから無駄な発話を行うことによって、無音区間の検出を回避することも考えられるが、無駄な発話に対しても音声認識処理が施されてしまう可能性がある。また、無駄な発話に対しても音声認識処理が施されてしまうことによって、無駄な発話に続いて発話された音声認識処理の対象とすべき内容に対する音声認識処理の結果が影響を受けてしまう可能性もある。
　このように、一般的なシステムにおいては、マイクロフォンによって集音された音情報から無音区間が検出され、音情報に対する音声認識処理が一旦停止してしまうと、音声認識処理を再度継続させるのが困難となり得る。そこで、本明細書においては、マイクロフォンによって集音された音情報に対する音声認識処理を継続させるか否かをユーザが容易に指示することが可能な技術を提案する。
　以上、本開示の実施形態の背景を説明した。
　＜１．本開示の実施形態＞
　［１．１．システム構成例］
　続いて、図面を参照しながら本開示の実施形態に係る情報処理システム１０の構成例について説明する。図２は、本開示の実施形態に係る情報処理システム１０の構成例を示す図である。図２に示したように、本開示の実施形態に係る情報処理システム１０は、画像入力部１１０と、操作入力部１１５と、集音部１２０と、出力部１３０とを備える。情報処理システム１０は、ユーザＵ（以下、単に「ユーザ」とも言う。）によって発せられた音声に対して音声認識処理を行うことが可能である。
　画像入力部１１０は、画像を入力する機能を有する。図２に示した例では、画像入力部１１０は、テーブルＴｂｌに埋め込まれた２つのカメラを含んでいる。しかし、画像入力部１１０に含まれるカメラの数は１以上であれば特に限定されない。かかる場合、画像入力部１１０に含まれる１以上のカメラそれぞれが設けられる位置も特に限定されない。また、１以上のカメラには、単眼カメラが含まれてもよいし、ステレオカメラが含まれてもよい。
　操作入力部１１５は、ユーザＵの操作を入力する機能を有する。図２に示した例では、操作入力部１１５は、テーブルＴｂｌの上方に存在する天井から吊り下げられた１つのカメラを含んでいる。しかし、操作入力部１１５に含まれるカメラが設けられる位置は特に限定されない。また、カメラには、単眼カメラが含まれてもよいし、ステレオカメラが含まれてもよい。また、操作入力部１１５はユーザＵの操作を入力する機能を有していればカメラでなくてもよく、例えば、タッチパネルであってもよいし、ハードウェアボタンであってもよい。
　出力部１３０は、テーブルＴｂｌに画面を表示する機能を有する。図２に示した例では、出力部１３０は、テーブルＴｂｌの上方に天井から吊り下げられている。しかし、出力部１３０が設けられる位置は特に限定されない。また、典型的には、出力部１３０は、テーブルＴｂｌの天面に画面を投影することが可能なプロジェクタであってよいが、画面を表示する機能を有すれば、他の形態のディスプレイであってもよい。
　なお、本明細書では、テーブルＴｂｌの天面が画面の表示面となる場合を主に説明するが、画面の表示面は、テーブルＴｂｌの天面以外であってもよい。例えば、画面の表示面は、壁であってもよいし、建物であってもよいし、床面であってもよいし、地面であってもよいし、天井であってもよい。あるいは、画面の表示面は、カーテンのヒダなどの非平面であってもよいし、他の場所にある面であってもよい。また、出力部１３０が表示面を有する場合には、画面の表示面は、出力部１３０が有する表示面であってもよい。
　集音部１２０は、集音する機能を有する。図２に示した例では、集音部１２０は、テーブルＴｂｌの上方に存在する３つのマイクロフォンとテーブルＴｂｌの上面に存在する３つのマイクロフォンとの合計６つのマイクロフォンを含んでいる。しかし、集音部１２０に含まれるマイクロフォンの数は１以上であれば特に限定されない。かかる場合、集音部１２０に含まれる１以上のマイクロフォンそれぞれが設けられる位置も特に限定されない。
　ただし、集音部１２０が、複数のマイクロフォンを含んでいれば、複数のマイクロフォンそれぞれによって集音された音情報に基づいて音の到来方向が推定され得る。また、集音部１２０が指向性を有するマイクロフォンを含んでいれば、指向性を有するマイクロフォンによって集音された音情報に基づいて音の到来方向が推定され得る。
　以上、本開示の実施形態に係る情報処理システム１０の構成例について説明した。
　［１．２．機能構成例］
　続いて、本開示の実施形態に係る情報処理システム１０の機能構成例について説明する。図３は、本開示の実施形態に係る情報処理システム１０の機能構成例を示すブロック図である。図３に示したように、本開示の実施形態に係る情報処理システム１０は、画像入力部１１０と、操作入力部１１５と、集音部１２０と、出力部１３０と、情報処理装置１４０（以下、「制御部１４０」とも言う。）と、を備える。
　情報処理装置１４０は、情報処理システム１０の各部の制御を実行する。例えば、情報処理装置１４０は、出力部１３０から出力する情報を生成する。また、例えば、情報処理装置１４０は、画像入力部１１０、操作入力部１１５および集音部１２０それぞれが入力した情報を、出力部１３０から出力する情報に反映させる。図３に示したように、情報処理装置１４０は、入力画像取得部１４１と、音情報取得部１４２と、操作検出部１４３と、認識制御部１４４と、音声認識部１４５と、出力制御部１４６とを備える。これらの各機能ブロックについての詳細は、後に説明する。
　なお、情報処理装置１４０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ；中央演算処理装置）などで構成されていてもよい。情報処理装置１４０がＣＰＵなどといった処理装置によって構成される場合、かかる処理装置は、電子回路によって構成され得る。
　以上、本開示の実施形態に係る情報処理システム１０の機能構成例について説明した。
　［１．３．情報処理システムの機能詳細］
　続いて、本開示の実施形態に係る情報処理システム１０の機能詳細について説明する。本開示の実施形態においては、認識制御部１４４が、集音部１２０から入力される音情報に対して音声認識処理が音声認識部１４５によって施されるように音声認識部１４５を制御し、認識制御部１４４が、所定のタイミングにおいて検出されたユーザのジェスチャに基づいて音声認識処理を継続するか否かを制御する。
　かかる構成によれば、音情報に対する音声認識処理を継続させるか否かをユーザが容易に指示することが可能となる。どのようなパラメータに基づいて、音声認識処理を継続するか否かを制御するかは特に限定されない。まず、以下では、認識制御部１４４が、ユーザの視線に基づいて、音声認識処理を継続するか否かを制御する例を説明する。ユーザの視線を検出する手法は、特に限定されない。一例として、操作検出部１４３は、操作入力部１１５によって入力された画像を解析することによってユーザの視線を検出することが可能である。視点は、視線と画面との交点として算出され得る。
　図４は、初期画面の表示から音声認識処理の起動トリガを検出するまでの画面遷移の例を示す図である。図４を参照すると、出力制御部１４６は、初期画面Ｇ１０－１を表示させている。初期画面Ｇ１０－１には、音声認識処理を開始させるための音声認識開始操作オブジェクトＧ１４、音声認識処理によって得られた文字列（以下、「認識文字列」とも言う。）の表示欄である認識文字列表示欄Ｇ１１が含まれる。
　また、初期画面Ｇ１０－１には、認識文字列を全部削除するための全削除操作オブジェクトＧ１２、認識文字列を確定するための確定操作オブジェクトＧ１３が含まれる。また、初期画面Ｇ１０－１には、認識文字列におけるカーソル位置を前に戻すための前方移動操作オブジェクトＧ１５、認識文字列におけるカーソル位置を後ろに進めるための後方移動操作オブジェクトＧ１６、カーソル位置の文字または単語を削除するための削除操作オブジェクトＧ１７が含まれる。
　まず、初期画面Ｇ１０－２に示すように、ユーザによる音声認識開始操作オブジェクトＧ１４を選択する操作が操作入力部１１５によって入力されると、その操作が音声認識処理の起動トリガとして操作検出部１４３によって検出される（時刻Ｔ１０）。出力制御部１４６は、音声認識処理の起動トリガが検出されると、集音部１２０による集音機能をオンにする。なお、ここでは、音声認識処理の起動トリガとして音声認識開始操作オブジェクトＧ１４を選択する操作を例に挙げて説明するが、音声認識処理の起動トリガは、かかる例に限定されない。
　例えば、音声認識処理の起動トリガは、音声認識処理を起動するためのハードウェアボタンを押下する操作であってもよい。このとき、音声認識処理は、ハードウェアボタンの押下開始から押下解除までの間に起動されてもよい（Ｐｕｓｈ　Ｔｏ　Ｔａｌｋ型）。あるいは、音声認識処理の起動トリガは、音声認識処理の起動コマンド（例えば、「音声」という発話など）の実行であってもよい。
　あるいは、音声認識処理の起動トリガは、所定の音声認識処理の起動ジェスチャ（例えば、手の振り上げ、手の振り下ろし、顔の動き（例えば、うなずき、左右に顔を傾ける動作など）など）であってもよい。また、音声認識処理の起動トリガは、音声らしさが閾値を上回る音情報が集音部１２０から取得されたことを含んでもよい。続いて、ユーザは集音部１２０に向かって発話を開始する。まず、図５を参照しながら、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってから無音状態に突入した場合を説明する。
　集音部１２０によって集音された音情報が音情報取得部１４２によって取得されると、図５に示すように、出力制御部１４６は、所定のオブジェクト（以下、「表示オブジェクト」とも言う。）Ｍｕを表示させる。表示オブジェクトＭｕは、静止していてもよいし、動きを有していてもよい。例えば、表示オブジェクトＭｕが動きを有する場合、表示オブジェクトＭｕの移動方向Ｄｅは、ユーザによる発話音声の音源から集音部１２０への到来方向に応じて決まってよい。なお、ユーザによる発話音声の到来方向の推定手法も特に限定されない。
　例えば、認識制御部１４４は、音声認識開始操作オブジェクトＧ１４を選択する操作を行ったユーザの指方向（例えば、指の根元から指先への方向）に一致または類似する１の到来方向をユーザによる発話音声の到来方向として推定してもよい。類似範囲はあらかじめ定められていてよい。また、指方向は入力画像を解析することによって取得されてよい。
　あるいは、認識制御部１４４は、集音部１２０によって入力された音の到来方向をユーザによる発話音声の到来方向として推定してもよい。音の到来方向が複数あった場合には、複数の到来方向のうち最初に入力された音の到来方向をユーザによる発話音声の到来方向として推定してもよいし、複数の到来方向のうち音声認識開始操作オブジェクトＧ１４を選択する操作を行ったユーザの指方向に一致または類似する１の到来方向をユーザによる発話音声の到来方向として推定してもよい。
　あるいは、認識制御部１４４は、複数の到来方向のうち集音部１２０によって最も大きな音量で入力された音の到来方向をユーザによる発話音声の到来方向として推定してもよい。このようにしてユーザによる発話音声の到来方向が推定され得る。一方において、認識制御部１４４は、ユーザによる発話音声の到来方向以外の方向から集音部１２０によって入力された音を雑音として取得してよい。したがって、雑音には、情報処理システム１０からの出力音も含まれ得る。
　また、図５には、出力制御部１４６が、ユーザによる発話音声の到来方向（移動方向Ｄｅ）に表示オブジェクトＭｕを移動させる例が示されている。これによって、ユーザは自分の発話音声が集音部１２０によって集音されていることを直感的に把握することが可能となる。しかし、表示オブジェクトＭｕの動きは、かかる動きに限定されない。また、図５には、表示オブジェクトＭｕの移動先が、音声認識開始操作オブジェクトＧ１４である例が示されている。しかし、表示オブジェクトＭｕの移動先は、かかる例に限定されない。
　また、図５には、出力制御部１４６が、集音部１２０による集音に応じて次々と出現した円形状の表示オブジェクトＭｕを移動させる例が示されているが、表示オブジェクトＭｕの表示態様はかかる例に限定されない。例えば、出力制御部１４６は、音情報に応じた所定の情報（例えば、音情報の音声らしさ、音量など）に基づいて表示オブジェクトＭｕの各種パラメータを制御してよい。このときに用いられる音情報は、ユーザによる発話音声の到来方向からの音情報であるとよい。また、表示オブジェクトＭｕのパラメータは、表示オブジェクトＭｕの形状、透明度、色、サイズおよび動きのうち、少なくともいずれか一つを含んでもよい。
　なお、音情報から音声らしさを評価する手法は特に限定されない。例えば、音情報から音声らしさを評価する手法として、特許文献（特開２０１０－３８９４３号公報）に記載されている手法を採用することも可能である。また、例えば、音情報から音声らしさを評価する手法として、特許文献（特開２００７－３２８２２８号公報）に記載されている手法を採用することも可能である。ここでは、音声らしさの評価が、出力制御部１４６によって行われる例を説明するが、音声らしさの評価は、図示しないサーバによって行われてもよい。
　続いて、認識制御部１４４は、音情報取得部１４２によって取得された音情報に対する音声認識処理を音声認識部１４５に開始させる。音声認識処理を開始させるタイミングは限定されない。例えば、認識制御部１４４は、音声らしさが所定の閾値を超える音情報が集音されてから、音声認識部１４５に開始させてもよいし、表示オブジェクトＭｕが音声認識開始操作オブジェクトＧ１４に到達してから、表示オブジェクトＭｕに対応する音情報に対する音声認識処理を音声認識部１４５に開始させてもよい。
　ここで、図５に示すように、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わり（時刻Ｔ１１）、無音状態を維持した場合には、認識制御部１４４は、無音区間を検出する（時刻Ｔ１２）。そして、出力制御部１４６は、無音区間が検出された場合に、動きオブジェクトを出力部１３０に出力させる（時刻Ｔ１３）。図５に示した例では、出力制御部１４６は、動きを有する音声認識開始操作オブジェクトＧ１４を動きオブジェクトとして出力させているが、動きオブジェクトは、音声認識開始操作オブジェクトＧ１４とは別に設けられてもよい。
　続いて、認識制御部１４４は、ユーザの視点と動きオブジェクトＧ１４とに基づいて、音声認識処理を継続するか否かを制御する。より具体的には、認識制御部１４４は、ユーザの視点と動きオブジェクトＧ１４との一致度に基づいて、音声認識処理を継続するか否かを制御する。一致度の詳細については後に説明する。ここでは、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わっているため、ユーザは動きオブジェクトＧ１４を見続けなくてよい。
　ユーザが動きオブジェクトＧ１４を見続けないと、動きオブジェクトの軌跡Ｋ１０とユーザの視点の軌跡Ｋ２０との一致度は閾値を下回ることとなる。したがって、認識制御部１４４は、所定のタイミングにおいて双方の一致度が閾値を下回る場合に、音声認識処理の結果に基づく実行動作を実行するように音声認識部１４５を制御すればよい（時刻Ｔ１５）。所定のタイミングは、動きオブジェクトＧ１４が出力部１３０によって出力された後のタイミングであれば特に限定されない。
　続いて、音声認識部１４５は、認識制御部１４４の制御に従って、音声認識処理の結果に基づく実行動作を実行する（時刻Ｔ１６）。このとき、出力制御部１４６は、音声認識処理の結果に基づく実行動作が行われている間、実行動作が終わるまで音声入力を待機するように指示するオブジェクトＧ２２を出力させてもよい。実行動作が完了すると、出力制御部１４６は、実行動作の結果を出力させることが可能である。
　続いて、図６を参照しながら、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに無音状態に突入した場合を説明する。まず、集音部１２０によって集音された音情報が音情報取得部１４２によって取得されると、図６に示すように、出力制御部１４６は、表示オブジェクトＭｕを表示させる。表示オブジェクトＭｕについては既に述べた通りである。続いて、認識制御部１４４は、音情報取得部１４２によって取得された音情報に対する音声認識処理を音声認識部１４５に開始させる。音声認識処理を開始させるタイミングは上記した通りに特に限定されない。
　ここで、図６に示すように、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに、無音状態を維持した場合には、認識制御部１４４は、無音区間を検出する（時刻Ｔ１２）。そして、出力制御部１４６は、無音区間が検出された場合に、動きオブジェクトを出力部１３０に出力させる（時刻Ｔ１３）。図６に示した例では、出力制御部１４６は、動きを有する音声認識開始操作オブジェクトＧ１４を動きオブジェクトとして出力させているが、動きオブジェクトは、音声認識開始操作オブジェクトＧ１４とは別に設けられてもよい。
　続いて、認識制御部１４４は、ユーザの視点と動きオブジェクトＧ１４とに基づいて、音声認識処理を継続するか否かを制御する。より具体的には、認識制御部１４４は、ユーザの視点と動きオブジェクトＧ１４との一致度に基づいて、音声認識処理を継続するか否かを制御する。ここでは、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってはいないため、ユーザは動きオブジェクトＧ１４を見続ける必要がある。
　ユーザが動きオブジェクトＧ１４を見続けると、動きオブジェクトの軌跡Ｋ１０とユーザの視点の軌跡Ｋ２１との一致度は閾値を上回ることとなる。したがって、認識制御部１４４は、所定のタイミングにおいて双方の一致度が閾値を上回る場合に、音声認識処理を継続するように音声認識部１４５を制御すればよい（時刻Ｔ１５）。所定のタイミングは、動きオブジェクトＧ１４が出力部１３０によって出力された後のタイミングであれば特に限定されない。
　続いて、音声認識部１４５は、認識制御部１４４の制御に従って、集音部１２０から入力される音情報に対する音声認識処理を継続する（時刻Ｔ１６）。これによって、一旦中止された音声認識処理が再開される。なお、集音部１２０によって集音された音情報が音情報取得部１４２によって再度取得され始めると、図６に示すように、出力制御部１４６は、表示オブジェクトＭｕを再度表示させ始めてよい。
　また、所定のタイミングが到来した場合に、音声認識処理の結果に基づく実行動作が自動的に開始されてしまう場合も想定される。かかる場合に対処するため、音声認識部１４５は、既に起動していた音声認識処理とは別の音声認識処理を新たに開始して、二つの音声認識処理の結果をマージしてもよいし、音情報をバッファリングしておき、次に音声認識処理を開始可能になったらバッファリングした音情報と集音部１２０から入力される音情報とに基づいて音声認識処理を行うようにしてもよい。
　ここで、ユーザの視点と動きオブジェクトＧ１４との一致度について、図７および図８を参照しながらさらに詳細に説明する。図７は、一致度が閾値を上回っている場合について説明するための図である。図７に示すように、動きオブジェクトの軌跡Ｋ１０に応じた判定領域Ｒ１０を想定する。図７に示した例では、判定領域Ｒ１０は、動きオブジェクトの軌跡Ｋ１０を基準とした幅Ｗ１０の領域であるが、判定領域Ｒ１０はこのような領域に限定されない。
　そして、認識制御部１４４は、ユーザの視点の軌跡Ｋ２０の全体の長さに対して判定領域Ｒ１０に収まっているユーザの視点の軌跡Ｋ２０の長さの割合を一致度として算出すればよい。図７に示した例では、このようにして算出される一致度が閾値を上回るため、認識制御部１４４は、音声認識処理を継続するように音声認識部１４５を制御すればよい。しかし、動きオブジェクトの軌跡Ｋ１０とユーザの視点の軌跡Ｋ２１との一致度を算出する手法はかかる例に限定されない。
　一方、図８は、一致度が閾値を下回っている場合について説明するための図である。図８に示した例では、上記したようにして算出される一致度が閾値を下回るため、認識制御部１４４は、音声認識処理の結果に基づく実行動作を実行するように音声認識部１４５を制御すればよい。なお、一致度が閾値と等しい場合には、認識制御部１４４は、音声認識処理を継続するように音声認識部１４５を制御してもよいし、音声認識処理の結果に基づく実行動作を実行するように音声認識部１４５を制御してもよい。
　また、このように算出される一致度と閾値との関係は、ユーザによって知覚されるように出力されてもよい。図９は、一致度と閾値との関係の出力例を示す図である。図９に示すように、出力制御部１４６は、一致度が閾値を上回っている場合には、所定の第１の通知オブジェクトＧ４１を出力部１３０に出力させてもよい。図９に示した例では、第１の通知オブジェクトＧ４１は、目を開いている様子を表したアイコンであるが、このような例に限定されない。
　一方、図９に示すように、出力制御部１４６は、一致度が閾値を下回っている場合には、第１の通知オブジェクトＧ４１とは異なる所定の第２の通知オブジェクトＧ４２を出力部１３０に出力させてもよい。図９に示した例では、第２の通知オブジェクトＧ４２は、目を閉じている様子を表したアイコンであるが、このような例に限定されない。なお、出力制御部１４６は、一致度が閾値を下回る状態が所定時間を超えて継続しているときは、動きオブジェクトＧ１４の出力を停止してもよい。
　続いて、図１０を参照しながら、本開示の実施形態に係る情報処理システム１０の全体的な動作の流れについて説明する。なお、図１０のフローチャートは、本開示の実施形態に係る情報処理システム１０の全体的な動作の流れの例に過ぎないため、本開示の実施形態に係る情報処理システム１０の全体的な動作の流れは、図１０のフローチャートに示された例に限定されない。
　まず、図１０に示すように、操作検出部１４３は、音声認識処理の起動トリガを検出し（Ｓ１１）、認識制御部１４４は、集音部１２０から入力される音情報から発話を検出すると（Ｓ１２）、音情報に対する音声認識処理を音声認識部１４５に開始させる（Ｓ１３）。続いて、認識制御部１４４は、無音区間を検出するまで音声認識処理を継続させるが（Ｓ１４において「Ｎｏ」）、無音区間が検出された場合には（Ｓ１４において「Ｙｅｓ」）、音声認識処理を一旦停止し、出力制御部１４６は、動きオブジェクトを表示させる（Ｓ１５）。
　続いて、認識制御部１４４は、ユーザの視点の軌跡Ｋ２０を取得し（Ｓ１６）、動きオブジェクトの軌跡Ｋ１０とユーザの視点の軌跡Ｋ２０との一致度ｒを算出する（Ｓ１７）。認識制御部１４４は、継続判定のタイミングが到来しないうちは（Ｓ１８において「Ｎｏ」）、Ｓ１５に動作を移行させるが、継続判定のタイミングが到来した場合には（Ｓ１８において「Ｙｅｓ」）、Ｓ１９に動作を移行させる。
　続いて、認識制御部１４４は、一致度ｒが閾値ｒ＿ｔｈｒｅｓｈｏｌｄを上回る場合には（Ｓ１９において「Ｙｅｓ」）、音声認識処理を継続させるが（Ｓ１３）、一致度ｒが閾値ｒ＿ｔｈｒｅｓｈｏｌｄを上回らない場合には（Ｓ１９において「Ｎｏ」）、音声認識処理の結果に基づく実行動作に動作を移行させ（Ｓ２０）、実行動作の結果を取得する（Ｓ２１）。
　以上、本開示の実施形態に係る情報処理システム１０の機能詳細について説明した。
　［１．４．システム構成の変形例］
　上記においては、出力部１３０がテーブルＴｂｌの天面に画面を投影することが可能なプロジェクタである例について説明した。しかし、情報処理システム１０のシステム構成は、かかる例に限定されない。以下では、情報処理システム１０のシステム構成の変形例について説明する。図１１は、情報処理システム１０の構成の変形例１を示す図である。図１１に示すように、情報処理システム１０が携帯端末である場合に、出力部１３０は、携帯端末に備わっていてもよい。携帯端末の種類は特に限定されず、タブレット端末であってもよいし、スマートフォンであってもよいし、携帯電話であってもよい。
　また、図１２～図１５は、情報処理システム１０の構成の変形例２を示す図である。図１２～図１５に示すように、出力部１３０は、テレビジョン装置であり、情報処理装置１４０は、ゲーム機であり、操作入力部１１５は、ゲーム機を操作するコントローラであってよい。
　また、図１２に示すように、集音部１２０および出力部１３０は、操作入力部１１５に接続されていてもよい。また、図１３に示すように、画像入力部１１０および集音部１２０は、情報処理装置１４０に接続されていてもよい。また、図１４に示すように、操作入力部１１５、集音部１２０および出力部１３０は、情報処理装置１４０に接続されたスマートフォンに備えられていてもよい。また、図１５に示すように、集音部１２０は、テレビジョン装置に備えられていてもよい。
　また、図１６は、情報処理システム１０の構成の変形例３を示す図である。図１６に示すように、情報処理装置１４０は、ゲーム機であり、操作入力部１１５は、ゲーム機を操作するコントローラであってよい。また、図１６に示すように、出力部１３０、集音部１２０および画像入力部１１０は、ユーザの頭部に装着されるウェアラブルデバイスに設けられていてもよい。
　また、図１７～図２０は、情報処理システム１０の構成の変形例４を示す図である。図１７に示すように、情報処理システム１０は、自動車に取り付け可能な車載向けナビゲーションシステムに搭載され、自動車を運転中のユーザＵによって利用されてもよい。また、図１８に示すように、情報処理システム１０は、携帯端末に搭載され、自動車を運転中のユーザＵによって利用されてもよい。上記したように、携帯端末の種類は特に限定されない。
　また、図１９に示すように、情報処理システム１０のうち、操作入力部１１５は、携帯端末によって備えられており、出力部１３０、集音部１２０および画像入力部１１０は、ユーザＵの身体に装着されるウェアラブルデバイスに設けられていてもよい。また、図２０に示すように、情報処理システム１０は、自動車に内蔵されている車載向けナビゲーションシステムに搭載され、自動車を運転中のユーザＵによって利用されてもよい。
　［１．５．動きオブジェクトの表示形態］
　上記では、動きオブジェクトＧ１４の表示について説明した。ここで、動きオブジェクトＧ１４の表示形態は特に限定されない。図２１は、３次元空間における視野領域に動きオブジェクトＧ１４が表示される例を示す図である。例えば、図２１に示すように、出力部１３０がシースルー型のヘッドマウントディスプレイである場合、出力部１３０は、３次元空間Ｒｅにおける視野領域Ｖｉに動きオブジェクトＧ１４を表示させてよい。また、図２１には、動きオブジェクトの軌跡Ｋ１０が示されている。ユーザは、このように表示されている動きオブジェクトＧ１４を見続けることによって、音声認識処理を継続させることが可能となる。
　図２２は、仮想画像に動きオブジェクトＧ１４が重畳表示される例を示す図である。例えば、図２２に示すように、出力部１３０がテレビジョン装置である場合、出力部１３０は、ゲーム画面などの仮想画像に対して動きオブジェクトＧ１４を重畳表示させてよい。また、図２１には、動きオブジェクトの軌跡Ｋ１０が示されている。ユーザは、このように表示されている動きオブジェクトＧ１４を見続けることによって、音声認識処理を継続させることが可能となる。なお、テレビジョン装置の代わりに、ユーザの頭部に装着されるウェアラブルデバイスなどが用いられてもよい。
　［１．６．ユーザのジェスチャの変形例］
　上記では、認識制御部１４４が、ユーザの視線に基づいて、音声認識処理を継続するか否かを制御する例を説明する例を説明した。しかし、音声認識処理を継続するか否かを制御する例は、かかる例に限定されない。例えば、認識制御部１４４は、ユーザの頭部の傾きに基づいて、音声認識処理を継続するか否かを制御してもよい。かかる例について、図２３および図２４を参照しながら説明する。
　なお、図２３および図２４に示した例において、ユーザは、頭部の傾きを検出することが可能なセンサ（例えば、加速度センサなど）を含んだ操作入力部１１５を装着している。その他、ユーザは、図２３および図２４に示すように、集音部１２０を装着していてもよい。まず、図２３を参照しながら、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってから無音状態に突入した場合を説明する。
　出力制御部１４６は、音声認識処理の起動トリガが検出されると、集音部１２０による集音機能をオンにし、集音部１２０によって集音された音情報が音情報取得部１４２によって取得されると、図２３に示すように、出力制御部１４６は、表示オブジェクトＭｕを表示させる。続いて、認識制御部１４４は、音情報取得部１４２によって取得された音情報に対する音声認識処理を音声認識部１４５に開始させる。
　ここで、図２３に示すように、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わり（時刻Ｔ１１）、無音状態を維持した場合には、認識制御部１４４は、無音区間を検出する（時刻Ｔ１２）。そして、出力制御部１４６は、無音区間が検出された場合に、頭部を所定方向（例えば、上方向）に傾けると音声認識処理を継続させることが可能な旨を示すオブジェクト（例えば、音声認識開始操作オブジェクトＧ１４）を出力部１３０に出力させる（時刻Ｔ１３）。
　続いて、認識制御部１４４は、ユーザの頭部の傾きに基づいて、音声認識処理を継続するか否かを制御する。ここでは、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わっているため、ユーザは頭部を傾けなくてよい。ユーザが頭部を傾けないと、ユーザの頭部の傾きは所定の基準値を下回ることとなる。したがって、認識制御部１４４は、所定のタイミングにおいてユーザの頭部の傾きが基準値を下回る場合に、音声認識処理の結果に基づく所定の実行動作を実行するように音声認識部１４５を制御すればよい。所定のタイミングは、無音区間が検出された後であれば、特に限定されない。
　続いて、音声認識部１４５は、認識制御部１４４の制御に従って、音声認識処理の結果に基づく実行動作を実行する（時刻Ｔ１６）。このとき、出力制御部１４６は、音声認識処理の結果に基づく実行動作が行われている間、実行動作が終わるまで音声入力を待機するように指示するオブジェクトＧ２２を出力させてもよい。実行動作が完了すると、出力制御部１４６は、実行動作の結果を出力させることが可能である。
　続いて、図２４を参照しながら、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに無音状態に突入した場合を説明する。まず、集音部１２０によって集音された音情報が音情報取得部１４２によって取得されると、図２４に示すように、出力制御部１４６は、表示オブジェクトＭｕを表示させる。続いて、認識制御部１４４は、音情報取得部１４２によって取得された音情報に対する音声認識処理を音声認識部１４５に開始させる。
　ここで、図２４に示すように、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに、無音状態を維持した場合には、認識制御部１４４は、無音区間を検出する（時刻Ｔ１２）。そして、出力制御部１４６は、無音区間が検出された場合に、頭部を所定方向（例えば、上方向）に傾けると音声認識処理を継続させることが可能な旨を示すオブジェクト（例えば、音声認識開始操作オブジェクトＧ１４）を出力部１３０に出力させる（時刻Ｔ１３）。
　続いて、認識制御部１４４は、ユーザの頭部の傾きに基づいて、音声認識処理を継続するか否かを制御する。ここでは、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってはいないため、ユーザは頭部を所定方向に傾ける必要がある。ユーザが頭部を傾けると、ユーザの頭部の傾きは所定の基準値を上回ることとなる。したがって、認識制御部１４４は、所定のタイミングにおいてユーザの頭部の傾きが基準値を上回る場合に、音声認識処理を継続するように音声認識部１４５を制御すればよい。所定のタイミングは、無音区間が検出された後であれば、特に限定されない。
　続いて、音声認識部１４５は、認識制御部１４４の制御に従って、集音部１２０から入力される音情報に対する音声認識処理を継続する（時刻Ｔ１６）。これによって、一旦中止された音声認識処理が再開される。なお、集音部１２０によって集音された音情報が音情報取得部１４２によって再度取得され始めると、図２４に示すように、出力制御部１４６は、表示オブジェクトＭｕを再度表示させ始めてよい。頭部の傾きが閾値と等しい場合には、認識制御部１４４は、音声認識処理を継続するように音声認識部１４５を制御してもよいし、音声認識処理の結果に基づく実行動作を実行するように音声認識部１４５を制御してもよい。
　以上、ユーザのジェスチャに基づいて音声認識処理を継続するか否かを制御する一例として、ユーザの頭部の傾きに基づいて、音声認識処理を継続するか否かを制御する例を説明した。ここで、他の例として、認識制御部１４４は、ユーザの頭部の動きに基づいて、音声認識処理を継続するか否かを制御してもよい。かかる例について、図２５および図２６を参照しながら説明する。
　なお、図２５および図２６に示した例において、ユーザは、頭部の動きを検出することが可能なセンサ（例えば、ジャイロセンサなど）を含んだ操作入力部１１５を装着している。その他、ユーザは、図２５および図２６に示すように、集音部１２０を装着していてもよい。まず、図２５を参照しながら、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってから無音状態に突入した場合を説明する。
　出力制御部１４６は、音声認識処理の起動トリガが検出されると、集音部１２０による集音機能をオンにし、集音部１２０によって集音された音情報が音情報取得部１４２によって取得されると、図２５に示すように、出力制御部１４６は、表示オブジェクトＭｕを表示させる。続いて、認識制御部１４４は、音情報取得部１４２によって取得された音情報に対する音声認識処理を音声認識部１４５に開始させる。
　ここで、図２５に示すように、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わり（時刻Ｔ１１）、無音状態を維持した場合には、認識制御部１４４は、無音区間を検出する（時刻Ｔ１２）。そして、出力制御部１４６は、無音区間が検出された場合に、頭部を所定方向（例えば、右方向）に回転させると音声認識処理を継続させることが可能な旨を示すオブジェクト（例えば、音声認識開始操作オブジェクトＧ１４）を出力部１３０に出力させる（時刻Ｔ１３）。
　続いて、認識制御部１４４は、ユーザの頭部の動きに基づいて、音声認識処理を継続するか否かを制御する。ここでは、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わっているため、ユーザは頭部を所定方向に回転させなくてよい。ユーザが頭部を右に回転させなければ、ユーザの頭部の動きは所定の動き（所定方向への回転）を示さないことになる。したがって、認識制御部１４４は、所定のタイミングにおいてユーザの頭部の動きが所定の動きを示さない場合に、音声認識処理の結果に基づく所定の実行動作を実行するように音声認識部１４５を制御すればよい。所定のタイミングは、無音区間が検出された後であれば、特に限定されない。
　続いて、音声認識部１４５は、認識制御部１４４の制御に従って、音声認識処理の結果に基づく実行動作を実行する（時刻Ｔ１６）。このとき、出力制御部１４６は、音声認識処理の結果に基づく実行動作が行われている間、実行動作が終わるまで音声入力を待機するように指示するオブジェクトＧ２２を出力させてもよい。実行動作が完了すると、出力制御部１４６は、実行動作の結果を出力させることが可能である。
　続いて、図２６を参照しながら、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに無音状態に突入した場合を説明する。まず、集音部１２０によって集音された音情報が音情報取得部１４２によって取得されると、図２６に示すように、出力制御部１４６は、表示オブジェクトＭｕを表示させる。続いて、認識制御部１４４は、音情報取得部１４２によって取得された音情報に対する音声認識処理を音声認識部１４５に開始させる。
　ここで、図２６に示すように、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わらないうちに、無音状態を維持した場合には、認識制御部１４４は、無音区間を検出する（時刻Ｔ１２）。そして、出力制御部１４６は、無音区間が検出された場合に、頭部を所定方向（例えば、右方向）に回転させると音声認識処理を継続させることが可能な旨を示すオブジェクト（例えば、音声認識開始操作オブジェクトＧ１４）を出力部１３０に出力させる（時刻Ｔ１３）。
　続いて、認識制御部１４４は、ユーザの頭部の動きに基づいて、音声認識処理を継続するか否かを制御する。ここでは、ユーザが音声認識処理を行わせたい発話内容をすべて発話し終わってはいないため、ユーザは頭部を所定方向に回転させる必要がある。ユーザが頭部を所定方向に回転させると、ユーザの頭部の動きは所定の動き（所定方向への回転）を示すこととなる。したがって、認識制御部１４４は、所定のタイミングにおいてユーザの頭部の動きが所定の動きを示す場合に、音声認識処理を継続するように音声認識部１４５を制御すればよい。所定のタイミングは、無音区間が検出された後であれば、特に限定されない。
　続いて、音声認識部１４５は、認識制御部１４４の制御に従って、集音部１２０から入力される音情報に対する音声認識処理を継続する（時刻Ｔ１６）。これによって、一旦中止された音声認識処理が再開される。なお、集音部１２０によって集音された音情報が音情報取得部１４２によって再度取得され始めると、図２６に示すように、出力制御部１４６は、表示オブジェクトＭｕを再度表示させ始めてよい。
　以上、ユーザのジェスチャに基づいて音声認識処理を継続するか否かを制御する一例として、認識制御部１４４は、ユーザの頭部の動きに基づいて、音声認識処理を継続するか否かを制御する例を説明した。
　［１．７．ハードウェア構成例］
　次に、図２７を参照して、本開示の実施形態に係る情報処理システム１０のハードウェア構成について説明する。図２７は、本開示の実施形態に係る情報処理システム１０のハードウェア構成例を示すブロック図である。
　図２７に示すように、情報処理システム１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ）９０１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）９０３、およびＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）９０５を含む。また、情報処理システム１０は、ホストバス９０７、ブリッジ９０９、外部バス９１１、インターフェース９１３、入力装置９１５、出力装置９１７、ストレージ装置９１９、ドライブ９２１、接続ポート９２３、通信装置９２５を含んでもよい。さらに、情報処理システム１０は、必要に応じて、撮像装置９３３、およびセンサ９３５を含んでもよい。情報処理システム１０は、ＣＰＵ９０１に代えて、またはこれとともに、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）またはＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）と呼ばれるような処理回路を有してもよい。
　ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１９、またはリムーバブル記録媒体９２７に記録された各種プログラムに従って、情報処理システム１０内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ９０５は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一時的に記憶する。ＣＰＵ９０１、ＲＯＭ９０３、およびＲＡＭ９０５は、ＣＰＵバスなどの内部バスにより構成されるホストバス９０７により相互に接続されている。さらに、ホストバス９０７は、ブリッジ９０９を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ　Ｃｏｍｐｏｎｅｎｔ　Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９１１に接続されている。
　入力装置９１５は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなど、ユーザによって操作される装置である。入力装置９１５は、ユーザの音声を検出するマイクロフォンを含んでもよい。入力装置９１５は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理システム１０の操作に対応した携帯電話などの外部接続機器９２９であってもよい。入力装置９１５は、ユーザが入力した情報に基づいて入力信号を生成してＣＰＵ９０１に出力する入力制御回路を含む。ユーザは、この入力装置９１５を操作することによって、情報処理システム１０に対して各種のデータを入力したり処理動作を指示したりする。また、後述する撮像装置９３３も、ユーザの手の動き、ユーザの指などを撮像することによって、入力装置として機能し得る。このとき、手の動きや指の向きに応じてポインティング位置が決定されてよい。
　出力装置９１７は、取得した情報をユーザに対して視覚的または聴覚的に通知することが可能な装置で構成される。出力装置９１７は、例えば、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）、ＰＤＰ（Ｐｌａｓｍａ　Ｄｉｓｐｌａｙ　Ｐａｎｅｌ）、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ、プロジェクタなどの表示装置、ホログラムの表示装置、スピーカおよびヘッドホンなどの音声出力装置、ならびにプリンタ装置などであり得る。出力装置９１７は、情報処理システム１０の処理により得られた結果を、テキストまたは画像などの映像として出力したり、音声または音響などの音声として出力したりする。また、出力装置９１７は、周囲を明るくするためライトなどを含んでもよい。
　ストレージ装置９１９は、情報処理システム１０の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１９は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）などの磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。このストレージ装置９１９は、ＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。
　ドライブ９２１は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２７のためのリーダライタであり、情報処理システム１０に内蔵、あるいは外付けされる。ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録を書き込む。
　接続ポート９２３は、機器を情報処理システム１０に直接接続するためのポートである。接続ポート９２３は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ　Ｃｏｍｐｕｔｅｒ　Ｓｙｓｔｅｍ　Ｉｎｔｅｒｆａｃｅ）ポートなどであり得る。また、接続ポート９２３は、ＲＳ－２３２Ｃポート、光オーディオ端子、ＨＤＭＩ（登録商標）（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ）ポートなどであってもよい。接続ポート９２３に外部接続機器９２９を接続することで、情報処理システム１０と外部接続機器９２９との間で各種のデータが交換され得る。
　通信装置９２５は、例えば、通信ネットワーク９３１に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置９２５は、例えば、有線または無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ　ＵＳＢ）用の通信カードなどであり得る。また、通信装置９２５は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ　Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）用のルータ、または、各種通信用のモデムなどであってもよい。通信装置９２５は、例えば、インターネットや他の通信機器との間で、ＴＣＰ／ＩＰなどの所定のプロトコルを用いて信号などを送受信する。また、通信装置９２５に接続される通信ネットワーク９３１は、有線または無線によって接続されたネットワークであり、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などである。
　撮像装置９３３は、例えば、ＣＣＤ（Ｃｈａｒｇｅ　Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）またはＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）などの撮像素子、および撮像素子への被写体像の結像を制御するためのレンズなどの各種の部材を用いて実空間を撮像し、撮像画像を生成する装置である。撮像装置９３３は、静止画を撮像するものであってもよいし、また動画を撮像するものであってもよい。
　センサ９３５は、例えば、加速度センサ、ジャイロセンサ、地磁気センサ、光センサ、音センサなどの各種のセンサである。センサ９３５は、例えば情報処理システム１０の筐体の姿勢など、情報処理システム１０自体の状態に関する情報や、情報処理システム１０の周辺の明るさや騒音など、情報処理システム１０の周辺環境に関する情報を取得する。また、センサ９３５は、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）信号を受信して装置の緯度、経度および高度を測定するＧＰＳセンサを含んでもよい。
　以上、情報処理システム１０のハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。かかる構成は、実施する時々の技術レベルに応じて適宜変更され得る。
　＜２．むすび＞
　以上説明したように、本開示の実施形態によれば、集音部１２０から入力される音情報に対して音声認識処理が音声認識部１４５によって施されるように音声認識部１４５を制御する認識制御部１４４を備え、認識制御部１４４は、所定のタイミングにおいて検出されたユーザのジェスチャに基づいて音声認識処理を継続するか否かを制御する、情報処理システム１０が提供される。かかる構成によれば、音情報に対する音声認識処理を継続させるか否かをユーザが容易に指示することが可能となる。
　また、上記したように、一般的なシステムにおいては、マイクロフォンによって集音された音情報から無音区間が検出され、音情報に対する音声認識処理が一旦停止してしまうと、音声認識処理を再度継続させるのが困難となり得る。一方、本開示の実施形態によれば、集音部１２０によって集音された音情報から無音区間が検出され、音情報に対する音声認識処理が一旦停止してしまっても、ユーザのジェスチャによって音声認識処理を再度容易に継続させることが可能となる。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　例えば、上記においては、情報処理システム１０のシステム構成例およびシステム構成の変形例を説明したが、情報処理システム１０のシステム構成例は、これらの例に限定されない。例えば、出力部１３０は、ヘッドマウントディスプレイ以外のウェアラブル端末（例えば、時計、眼鏡など）に備わるディスプレイであってもよい。また、例えば、出力部１３０は、ヘルスケア分野において利用されるディスプレイであってもよい。
　また、上記においては、ユーザのジェスチャに基づいて音声認識処理を継続するか否かを制御する例として、ユーザの視線、ユーザの頭部の傾きおよびユーザの頭部の動きに基いて音声認識処理を継続するか否かを制御する例を説明した。しかし、ユーザのジェスチャは、かかる例に限定されない。例えば、ユーザのジェスチャは、ユーザの表情であってもよいし、ユーザの唇の動きであってもよいし、ユーザの唇の形状であってもよいし、ユーザの目の開閉状態であってもよい。
　また、コンピュータに内蔵されるＣＰＵ、ＲＯＭおよびＲＡＭなどのハードウェアを、上記した情報処理装置１４０が有する機能と同等の機能を発揮させるためのプログラムも作成可能である。また、該プログラムを記録した、コンピュータに読み取り可能な記録媒体も提供され得る。
　また、出力制御部１４６は、出力部１３０に表示内容を表示させるための表示制御情報を生成し、生成した表示制御情報を出力部１３０に出力することで、当該表示内容が出力部１３０に表示されるように出力部１３０を制御することが可能である。かかる表示制御情報の内容はシステム構成にあわせて適宜変更されてよい。
　具体的な一例として、情報処理装置１４０を実現するためのプログラムは、ウェブアプリケーションであってもよい。かかる場合、表示制御情報は、ＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ　Ｍａｒｋｕｐ　Ｌａｎｇｕａｇｅ）、ＳＧＭＬ（Ｓｔａｎｄａｒｄ　Ｇｅｎｅｒａｌｉｚｅｄ　Ｍａｒｋｕｐ　Ｌａｎｇｕａｇｅ）、ＸＭＬ（Ｅｘｔｅｎｓｉｂｌｅ　Ｍａｒｋｕｐ　Ｌａｎｇｕａｇｅ）などのマークアップ言語により実現されてもよい。
　なお、上述した情報処理システム１０の動作が実現されれば、各構成の位置は特に限定されない。具体的な一例として、画像入力部１１０、操作入力部１１５および集音部１２０と出力部１３０と情報処理装置１４０とは、ネットワークを介して接続された互いに異なる装置に設けられてもよい。この場合には、情報処理装置１４０が、例えば、ウェブサーバやクラウドサーバのようなサーバに相当し、画像入力部１１０、操作入力部１１５および集音部１２０と出力部１３０とが当該サーバにネットワークを介して接続されたクライアントに相当し得る。
　また、情報処理装置１４０が有するすべての構成要素が同一の装置に収まっていなくてもよい。例えば、入力画像取得部１４１と、音情報取得部１４２と、操作検出部１４３と、認識制御部１４４と、音声認識部１４５と、出力制御部１４６とのうち、一部は情報処理装置１４０とは異なる装置に存在していてもよい。例えば、音声認識部１４５は、入力画像取得部１４１と、音情報取得部１４２と、操作検出部１４３と、認識制御部１４４と、出力制御部１４６とを備える情報処理装置１４０とは異なるサーバに存在していてもよい。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏し得る。
　なお、以下のような構成も本開示の技術的範囲に属する。
（１）
　集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御する認識制御部を備え、
　前記認識制御部は、所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御する、
　情報処理システム。
（２）
　前記認識制御部は、前記ユーザの視線に基づいて、前記音声認識処理を継続するか否かを制御する、
　前記（１）に記載の情報処理システム。
（３）
　前記認識制御部は、前記ユーザの視点と動きオブジェクトとに基づいて、前記音声認識処理を継続するか否かを制御する、
　前記（２）に記載の情報処理システム。
（４）
　前記認識制御部は、前記ユーザの視点と前記動きオブジェクトとの一致度に基づいて、前記音声認識処理を継続するか否かを制御する、
　前記（３）に記載の情報処理システム。
（５）
　前記認識制御部は、前記一致度が閾値を上回る場合に、前記音声認識処理を継続するように前記音声認識部を制御する、
　前記（４）に記載の情報処理システム。
（６）
　前記認識制御部は、前記一致度が前記閾値を下回る場合に、前記音声認識処理の結果に基づく所定の実行動作を実行するように前記音声認識部を制御する、
　前記（５）に記載の情報処理システム。
（７）
　前記情報処理システムは、前記動きオブジェクトを出力部に出力させる出力制御部を備える、
　前記（４）～（６）のいずれか一項に記載の情報処理システム。
（８）
　前記出力制御部は、前記音声認識処理が開始されてから前記音情報の音量が継続して基準音量を下回る継続時間が所定の目標時間に達した場合に、前記動きオブジェクトを前記出力部に出力させる、
　前記（７）に記載の情報処理システム。
（９）
　前記所定のタイミングは、前記動きオブジェクトが前記出力部によって出力された後のタイミングである、
　前記（７）または（８）に記載の情報処理システム。
（１０）
　前記出力制御部は、前記一致度が閾値を上回っている場合には、所定の第１の通知オブジェクトを前記出力部に出力させる、
　前記（７）～（９）のいずれか一項に記載の情報処理システム。
（１１）
　前記出力制御部は、前記一致度が前記閾値を下回っている場合には、前記第１の通知オブジェクトとは異なる所定の第２の通知オブジェクトを前記出力部に出力させる、
　前記（１０）に記載の情報処理システム。
（１２）
　前記認識制御部は、前記ユーザの頭部の傾きに基づいて、前記音声認識処理を継続するか否かを制御する、
　前記（１）に記載の情報処理システム。
（１３）
　前記認識制御部は、前記ユーザの頭部の傾きが所定の基準値を上回る場合に、前記音声認識処理を継続するように前記音声認識部を制御する、
　前記（１２）に記載の情報処理システム。
（１４）
　前記認識制御部は、前記ユーザの頭部の傾きが前記基準値を下回る場合に、前記音声認識処理の結果に基づく所定の実行動作を実行するように前記音声認識部を制御する、
　前記（１３）に記載の情報処理システム。
（１５）
　前記認識制御部は、前記ユーザの頭部の動きに基づいて、前記音声認識処理を継続するか否かを制御する、
　前記（１）に記載の情報処理システム。
（１６）
　前記認識制御部は、前記ユーザの頭部の動きが所定の動きを示す場合に、前記音声認識処理を継続するように前記音声認識部を制御する、
　前記（１５）に記載の情報処理システム。
（１７）
　前記認識制御部は、前記ユーザの頭部の動きが前記所定の動きを示さない場合に、前記音声認識処理の結果に基づく所定の実行動作を実行するように前記音声認識部を制御する、
　前記（１６）に記載の情報処理システム。
（１８）
　前記認識制御部は、前記音声認識処理の起動トリガが検出された場合に、前記音声認識処理を前記音声認識部に開始させる、
　前記（１）～（１７）のいずれか一項に記載の情報処理システム。
（１９）
　前記実行動作は、前記音声認識処理の結果に応じた検索結果を出力させる動作、前記音声認識処理の結果を出力させる動作、前記音声認識処理の過程において得られた処理結果候補を出力させる動作および前記音声認識処理の結果から抽出される発話内容に返答するための文字列を出力させる動作のいずれか一つを含む、
　前記（６）に記載の情報処理システム。
（２０）
　集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御することを含み、
　プロセッサにより所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御することを含む、
　情報処理方法。
　１０　　情報処理システム
　１１０　画像入力部
　１１５　操作入力部
　１２０　集音部
　１３０　出力部
　１４０　情報処理装置（制御部）
　１４１　入力画像取得部
　１４２　音情報取得部
　１４３　操作検出部
　１４４　認識制御部
　１４５　音声認識部
　１４６　出力制御部
　Ｇ１０　初期画面
　Ｇ１１　認識文字列表示欄
　Ｇ１２　全削除操作オブジェクト
　Ｇ１３　確定操作オブジェクト
　Ｇ１４　音声認識開始操作オブジェクト（動きオブジェクト）
　Ｇ１５　前方移動操作オブジェクト
　Ｇ１６　後方移動操作オブジェクト
　Ｇ１７　削除操作オブジェクト
　Ｋ１０　動きオブジェクトの軌跡
　Ｋ２０、Ｋ２１　ユーザの視点の軌跡
　Ｇ４１　第１の通知オブジェクト
　Ｇ４２　第２の通知オブジェクト
　ｒ　　　一致度

Claims (20)

  1. 　集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御する認識制御部を備え、
    　前記認識制御部は、所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御する、
    　情報処理システム。
  2. 　前記認識制御部は、前記ユーザの視線に基づいて、前記音声認識処理を継続するか否かを制御する、
    　請求項１に記載の情報処理システム。
  3. 　前記認識制御部は、前記ユーザの視点と動きオブジェクトとに基づいて、前記音声認識処理を継続するか否かを制御する、
    　請求項２に記載の情報処理システム。
  4. 　前記認識制御部は、前記ユーザの視点と前記動きオブジェクトとの一致度に基づいて、前記音声認識処理を継続するか否かを制御する、
    　請求項３に記載の情報処理システム。
  5. 　前記認識制御部は、前記一致度が閾値を上回る場合に、前記音声認識処理を継続するように前記音声認識部を制御する、
    　請求項４に記載の情報処理システム。
  6. 　前記認識制御部は、前記一致度が前記閾値を下回る場合に、前記音声認識処理の結果に基づく所定の実行動作を実行するように前記音声認識部を制御する、
    　請求項５に記載の情報処理システム。
  7. 　前記情報処理システムは、前記動きオブジェクトを出力部に出力させる出力制御部を備える、
    　請求項４に記載の情報処理システム。
  8. 　前記出力制御部は、前記音声認識処理が開始されてから前記音情報の音量が継続して基準音量を下回る継続時間が所定の目標時間に達した場合に、前記動きオブジェクトを前記出力部に出力させる、
    　請求項７に記載の情報処理システム。
  9. 　前記所定のタイミングは、前記動きオブジェクトが前記出力部によって出力された後のタイミングである、
    　請求項７に記載の情報処理システム。
  10. 　前記出力制御部は、前記一致度が閾値を上回っている場合には、所定の第１の通知オブジェクトを前記出力部に出力させる、
    　請求項７に記載の情報処理システム。
  11. 　前記出力制御部は、前記一致度が前記閾値を下回っている場合には、前記第１の通知オブジェクトとは異なる所定の第２の通知オブジェクトを前記出力部に出力させる、
    　請求項１０に記載の情報処理システム。
  12. 　前記認識制御部は、前記ユーザの頭部の傾きに基づいて、前記音声認識処理を継続するか否かを制御する、
    　請求項１に記載の情報処理システム。
  13. 　前記認識制御部は、前記ユーザの頭部の傾きが所定の基準値を上回る場合に、前記音声認識処理を継続するように前記音声認識部を制御する、
    　請求項１２に記載の情報処理システム。
  14. 　前記認識制御部は、前記ユーザの頭部の傾きが前記基準値を下回る場合に、前記音声認識処理の結果に基づく所定の実行動作を実行するように前記音声認識部を制御する、
    　請求項１３に記載の情報処理システム。
  15. 　前記認識制御部は、前記ユーザの頭部の動きに基づいて、前記音声認識処理を継続するか否かを制御する、
    　請求項１に記載の情報処理システム。
  16. 　前記認識制御部は、前記ユーザの頭部の動きが所定の動きを示す場合に、前記音声認識処理を継続するように前記音声認識部を制御する、
    　請求項１５に記載の情報処理システム。
  17. 　前記認識制御部は、前記ユーザの頭部の動きが前記所定の動きを示さない場合に、前記音声認識処理の結果に基づく所定の実行動作を実行するように前記音声認識部を制御する、
    　請求項１６に記載の情報処理システム。
  18. 　前記認識制御部は、前記音声認識処理の起動トリガが検出された場合に、前記音声認識処理を前記音声認識部に開始させる、
    　請求項１に記載の情報処理システム。
  19. 　前記実行動作は、前記音声認識処理の結果に応じた検索結果を出力させる動作、前記音声認識処理の結果を出力させる動作、前記音声認識処理の過程において得られた処理結果候補を出力させる動作および前記音声認識処理の結果から抽出される発話内容に返答するための文字列を出力させる動作のいずれか一つを含む、
    　請求項６に記載の情報処理システム。
  20. 　集音部から入力される音情報に対して音声認識処理が音声認識部によって施されるように前記音声認識部を制御することを含み、
    　プロセッサにより所定のタイミングにおいて検出されたユーザのジェスチャに基づいて前記音声認識処理を継続するか否かを制御することを含む、
    　情報処理方法。
PCT/JP2015/084293 2015-03-23 2015-12-07 情報処理システムおよび情報処理方法 WO2016151956A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP15886508.9A EP3276618A4 (en) 2015-03-23 2015-12-07 Information processing system and information processing method
US15/536,299 US10475439B2 (en) 2015-03-23 2015-12-07 Information processing system and information processing method
JP2017507338A JP6729555B2 (ja) 2015-03-23 2015-12-07 情報処理システムおよび情報処理方法
CN201580077946.0A CN107430856B (zh) 2015-03-23 2015-12-07 信息处理系统和信息处理方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015-059567 2015-03-23
JP2015059567 2015-03-23

Publications (1)

Publication Number Publication Date
WO2016151956A1 true WO2016151956A1 (ja) 2016-09-29

Family

ID=56977095

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/084293 WO2016151956A1 (ja) 2015-03-23 2015-12-07 情報処理システムおよび情報処理方法

Country Status (5)

Country Link
US (1) US10475439B2 (ja)
EP (1) EP3276618A4 (ja)
JP (1) JP6729555B2 (ja)
CN (1) CN107430856B (ja)
WO (1) WO2016151956A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160387A (ja) * 2019-03-28 2020-10-01 Ｎｅｃパーソナルコンピュータ株式会社 電子機器、制御方法およびプログラム
US12094489B2 (en) 2019-08-07 2024-09-17 Magic Leap, Inc. Voice onset detection

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102591413B1 (ko) * 2016-11-16 2023-10-19 엘지전자 주식회사 이동단말기 및 그 제어방법
CN107919130B (zh) * 2017-11-06 2021-12-17 百度在线网络技术（北京）有限公司 基于云端的语音处理方法和装置
US10923122B1 (en) * 2018-12-03 2021-02-16 Amazon Technologies, Inc. Pausing automatic speech recognition
US11151993B2 (en) * 2018-12-28 2021-10-19 Baidu Usa Llc Activating voice commands of a smart display device based on a vision-based mechanism
JP7351642B2 (ja) * 2019-06-05 2023-09-27 シャープ株式会社 音声処理システム、会議システム、音声処理方法、及び音声処理プログラム
US12033625B2 (en) 2021-06-16 2024-07-09 Roku, Inc. Voice control device with push-to-talk (PTT) and mute controls

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0944297A (ja) * 1995-07-25 1997-02-14 Canon Inc データ入力方法及びその装置
JP2002091489A (ja) * 2000-09-13 2002-03-27 Alpine Electronics Inc 音声認識装置
JP2005012377A (ja) * 2003-06-17 2005-01-13 Sharp Corp 通信端末、通信端末の制御方法、音声認識処理装置、音声認識処理装置の制御方法、通信端末制御プログラム、通信端末制御プログラムを記録した記録媒体、音声認識処理装置制御プログラム、および、音声認識処理装置制御プログラムを記録した記録媒体
JP2007094104A (ja) * 2005-09-29 2007-04-12 Sony Corp 情報処理装置および方法、並びにプログラム
JP2010009484A (ja) * 2008-06-30 2010-01-14 Denso It Laboratory Inc 車載機器制御装置および車載機器制御方法
JP2014095766A (ja) * 2012-11-08 2014-05-22 Sony Corp 情報処理装置、情報処理方法及びプログラム
JP2014517429A (ja) * 2011-06-24 2014-07-17 トムソン ライセンシング ユーザの眼球の動きによって操作可能なコンピュータ装置、およびそのコンピュータ装置を操作する方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6243683B1 (en) * 1998-12-29 2001-06-05 Intel Corporation Video control of speech recognition
EP1215658A3 (en) * 2000-12-05 2002-08-14 Hewlett-Packard Company Visual activation of voice controlled apparatus
US6804396B2 (en) * 2001-03-28 2004-10-12 Honda Giken Kogyo Kabushiki Kaisha Gesture recognition system
US9250703B2 (en) * 2006-03-06 2016-02-02 Sony Computer Entertainment Inc. Interface with gaze detection and voice input
JP5601045B2 (ja) * 2010-06-24 2014-10-08 ソニー株式会社 ジェスチャ認識装置、ジェスチャ認識方法およびプログラム
CN103778359B (zh) * 2014-01-24 2016-08-31 金硕澳门离岸商业服务有限公司 多媒体信息处理系统及多媒体信息处理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0944297A (ja) * 1995-07-25 1997-02-14 Canon Inc データ入力方法及びその装置
JP2002091489A (ja) * 2000-09-13 2002-03-27 Alpine Electronics Inc 音声認識装置
JP2005012377A (ja) * 2003-06-17 2005-01-13 Sharp Corp 通信端末、通信端末の制御方法、音声認識処理装置、音声認識処理装置の制御方法、通信端末制御プログラム、通信端末制御プログラムを記録した記録媒体、音声認識処理装置制御プログラム、および、音声認識処理装置制御プログラムを記録した記録媒体
JP2007094104A (ja) * 2005-09-29 2007-04-12 Sony Corp 情報処理装置および方法、並びにプログラム
JP2010009484A (ja) * 2008-06-30 2010-01-14 Denso It Laboratory Inc 車載機器制御装置および車載機器制御方法
JP2014517429A (ja) * 2011-06-24 2014-07-17 トムソン ライセンシング ユーザの眼球の動きによって操作可能なコンピュータ装置、およびそのコンピュータ装置を操作する方法
JP2014095766A (ja) * 2012-11-08 2014-05-22 Sony Corp 情報処理装置、情報処理方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3276618A4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160387A (ja) * 2019-03-28 2020-10-01 Ｎｅｃパーソナルコンピュータ株式会社 電子機器、制御方法およびプログラム
US12094489B2 (en) 2019-08-07 2024-09-17 Magic Leap, Inc. Voice onset detection

Also Published As

Publication number Publication date
CN107430856A (zh) 2017-12-01
CN107430856B (zh) 2021-02-19
JP6729555B2 (ja) 2020-07-22
JPWO2016151956A1 (ja) 2018-01-11
EP3276618A4 (en) 2018-11-07
US10475439B2 (en) 2019-11-12
EP3276618A1 (en) 2018-01-31
US20170330555A1 (en) 2017-11-16

Similar Documents

Publication Publication Date Title
JP6729555B2 (ja) 情報処理システムおよび情報処理方法
JP6635049B2 (ja) 情報処理装置、情報処理方法およびプログラム
US11093045B2 (en) Systems and methods to augment user interaction with the environment outside of a vehicle
JP6848881B2 (ja) 情報処理装置、情報処理方法、及びプログラム
WO2017130486A1 (ja) 情報処理装置、情報処理方法およびプログラム
US10771707B2 (en) Information processing device and information processing method
WO2016152200A1 (ja) 情報処理システムおよび情報処理方法
WO2019077897A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JP6627775B2 (ja) 情報処理装置、情報処理方法およびプログラム
US10720154B2 (en) Information processing device and method for determining whether a state of collected sound data is suitable for speech recognition
US10522140B2 (en) Information processing system and information processing method
WO2018139036A1 (ja) 情報処理装置、情報処理方法およびプログラム
JP6575518B2 (ja) 表示制御装置、表示制御方法およびプログラム
JP2016109726A (ja) 情報処理装置、情報処理方法およびプログラム
JP2016156877A (ja) 情報処理装置、情報処理方法およびプログラム
JP2016180778A (ja) 情報処理システムおよび情報処理方法
JP2017138698A (ja) 情報処理装置、情報処理方法およびプログラム
JP2016170584A (ja) 情報処理装置、情報処理方法およびプログラム

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: 15886508

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017507338

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15536299

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015886508

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE