WO2023181107A1 - 音声検出装置、音声検出方法及び記録媒体 - Google Patents

Abstract

音声検出装置１は、音声信号に現れる音声を含む音声区間の始端を決定する始端決定手段１１２と、始端が決定された後に現れる非音声区間の長さＬｂが閾値ＴＨ以上か否かを判定することで、音声区間の終端を決定する終端決定手段１１２と、始端から始まる暫定音声区間の特性に基づいて、閾値ＴＨを設定する設定手段１１３とを備える。

Description

音声検出装置、音声検出方法及び記録媒体

　この開示は、例えば、音声信号に現れる音声区間を検出可能な音声検出装置、音声検出方法及び記録媒体の技術分野に関する。

　音声信号に現れる音声区間を検出可能な音声検出装置の一例が、特許文献１に記載されている。その他、この開示に関連する先行技術文献として、特許文献２から特許文献４及び非特許文献１があげられる。

国際公開第２０２１／０１４６１２号パンフレット 国際公開第２０１６／１４３１２５号パンフレット 特開２０１７－０９７３３０号公報 国際公開第２０１５／０５９９４７号パンフレット

Ｔａｋｅｎｏｒｉ　Ｙｏｓｈｉｍｕｒａ　ｅｔ．ａｌ、"ＥＮＤ－ＴＯ－ＥＮＤ　ＡＵＴＯＭＡＴＩＣ　ＳＰＥＥＣＨ　ＲＥＣＯＧＮＩＴＩＯＮ　ＩＮＴＥＧＲＡＴＥＤ　ＷＩＴＨ　ＣＴＣ－ＢＡＳＥＤ　ＶＯＩＣＥ　ＡＣＴＩＶＩＴＹ　ＤＥＴＥＣＴＩＯＮ"、ａｒＸｉｖ　２００２．００５５１、２０２０年２月１４日

　この開示は、先行技術文献に記載された技術の改良を目的とする音声検出装置、音声検出方法及び記録媒体を提供することを課題とする。

　この開示の音声検出装置の一の態様は、音声信号に現れる音声を含む音声区間の始端を決定する始端決定手段と、前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定する終端決定手段と、前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定する設定手段とを備える。

　この開示の音声検出方法の一の態様は、音声信号に現れる音声を含む音声区間の始端を決定することと、前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定することと、前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定することとを含む。

　この開示の記録媒体の一の態様は、コンピュータに音声検出方法を実行させるコンピュータプログラムが記録された記録媒体であって、前記音声検出方法は、音声信号に現れる音声を含む音声区間の始端を決定することと、前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定することと、前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定することとを含む。

図１は、第１実施形態における音声検出装置の構成を示すブロック図である。 図２は、音声信号と音声区間と非音声区間との関係を示す。 図３は、第２実施形態における音声検出装置の構成を示すブロック図である。 図４は、シンボル生成部の構成を示すブロック図である。 図５（ａ）は、音声区間の始端を決定する方法を、シンボルデータと共に示しており、図５（ｂ）は、音声区間の終端を決定する方法を、シンボルデータと共に示している。 図６は、第２実施形態における音声検出装置が行う音声検出動作の流れを示すフローチャートである。 図７は、音声区間の始端が決定されたシンボルデータを示す。 図８は、暫定音声区間の長さと閾値との関係の一例を示すグラフである。 図９（ａ）は、比較例の音声検出装置が検出する音声区間を示し、図９（ｂ）は、第２実施形態における音声検出装置が検出する音声区間を示す。 図１０（ａ）は、比較例の音声検出装置が検出する音声区間を示し、図１０（ｂ）は、第２実施形態における音声検出装置が検出する音声区間を示す。 図１１（ａ）から図１１（ｃ）の夫々は、暫定音声区間の長さと閾値との関係の一例を示すグラフである。 図１２は、第３実施形態における音声検出装置の構成を示すブロック図である。 図１３は、第４実施形態における音声検出装置の構成を示すブロック図である。 図１４は、第５実施形態における音声検出装置の構成を示すブロック図である。

　以下、図面を参照しながら、音声検出装置、音声検出方法及び記録媒体の実施形態について説明する。

　（１）第１実施形態
　初めに、音声検出装置、音声検出方法及び記録媒体の第１実施形態について説明する。以下では、図１を参照しながら、音声検出装置、音声検出方法及び記録媒体の第１実施形態が適用された音声検出装置１０００を用いて、音声検出装置、音声検出方法及び記録媒体の第１実施形態について説明する。図１は、第１実施形態における音声検出装置１０００の構成を示すブロック図である。

　図１に示すように、音声検出装置１０００は、始端決定部１００１と、終端決定部１００２と、設定部１００３とを備えている。始端決定部１００１は、図２に示すように、音声信号に現れる音声区間の始端を決定する。終端決定部１００２は、図２に示すように、始端が決定された後に現れる非音声区間の長さＬｂが閾値ＴＨ以上か否かを判定することで、音声区間の終端を決定する。例えば、終端決定部１００２は、非音声区間の長さＬｂが閾値ＴＨ以上となる時刻に基づいて定まる時刻を、音声区間の終端に相当する時刻として決定してもよい。設定部１００３は、始端から始まる暫定音声区間（つまり、終端が未だ決定していない、暫定的な音声区間）の特性に基づいて、閾値ＴＨを設定する。例えば、図２に示すように、設定部１００３は、暫定音声区間の特性（図２に示す例では、長さ）が変わった場合に、閾値ＴＨが第１候補値ＴＨ１から第２候補値ＴＨ２へと変更されるように、閾値ＴＨを設定してもよい。

　以上説明したように、第１実施形態の音声検出装置１０００は、暫定音声区間の長さＬｔに基づいて、閾値ＴＨを設定する（つまり、変更する）ことができる。このため、音声検出装置１０００は、音声区間が検出された後に行われる後処理動作（例えば、音声認識動作、声認証動作又は感情認識動作）にとって適切な長さを有する音声区間を検出することができる。

　（２）第２実施形態
　続いて音声検出装置、音声検出方法及び記録媒体の第２実施形態について説明する。以下では、音声検出装置、音声検出方法及び記録媒体の第２実施形態が適用された音声検出装置１を用いて、音声検出装置、音声検出方法及び記録媒体の第２実施形態について説明する。

　音声検出装置１は、音声区間検出動作（ＶＡＤ：Ｖｏｉｃｅ　Ａｃｔｉｖｉｔｙ　Ｄｅｔｅｃｔｉｏｎ）を行う装置である。音声区間検出動作は、発話者が発話した音声を示す音声信号から、音声区間を検出する動作である。言い換えれば、音声区間検出動作は、音声信号に現れる音声区間を、音声信号に現れる非音声区間と区別する動作である。音声区間は、発話者が発話した音声を含む区間である。つまり、音声区間は、発話者が音声を発話している区間である。一方で、非音声区間は、音声区間とは異なる区間である。典型的には、非音声区間は、発話者が音声を発話していない区間である。

　以下、このような音声区間検出動作を行う音声検出装置１について説明する。

　（２－１）音声検出装置１の構成
　初めに、図１を参照しながら、第２実施形態における音声検出装置１の構成について説明する。図１は、第２実施形態における音声検出装置１の構成を示すブロック図である。

　図３に示すように、音声検出装置１は、演算装置１１と、記憶装置１２と、通信装置１３とを備えている。更に、音声検出装置１は、入力装置１４と、出力装置１５とを備えていてもよい。但し、音声検出装置１は、入力装置１４及び出力装置１５のうちの少なくとも一つを備えていなくてもよい。演算装置１１と、記憶装置１２と、通信装置１３と、入力装置１４と、出力装置１５とは、データバス１６を介して接続されていてもよい。

　演算装置１１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｅｃｓｓｉｎｇ　Ｕｎｉｔ）及びＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）のうちの少なくとも一つを含む。演算装置１１は、コンピュータプログラムを読み込む。例えば、演算装置１１は、記憶装置１２が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置１１は、コンピュータで読み取り可能であって且つ一時的でない記録媒体が記憶しているコンピュータプログラムを、音声検出装置１が備える図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置１１は、通信装置１３（或いは、その他の通信装置）を介して、音声検出装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置１１は、読み込んだコンピュータプログラムを実行する。その結果、演算装置１１内には、音声検出装置１が行うべき動作（例えば、上述した音声区間検出動作）を実行するための論理的な機能ブロックが実現される。つまり、演算装置１１は、音声検出装置１が行うべき動作（言い換えれば、処理）を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。

　図３には、音声区間検出動作を実行するために演算装置１１内に実現される論理的な機能ブロックの一例が示されている。図３に示すように、演算装置１１内には、後述する付記に記載された「生成手段」の一具体例であるシンボル生成部１１１と、後述する付記に記載された「始端決定手段」及び「終端決定手段」の夫々の一具体例である音声区間検出部１１２と、後述する付記に記載された「設定手段」の一具体例である閾値設定部１１３とが実現される。

　シンボル生成部１１１は、音声信号からシンボルデータを生成する。具体的には、シンボル生成部１１１は、音声信号を細分化することで得られる音声フレームＳＦ（例えば、数十ミリ秒の音声フレームＳＦ）毎に、シンボルを出力する。シンボルは、音声フレームＳＦで発話者が発話した音声を文字として表す文字シンボルを含んでいてもよい。一つの文字シンボルは、一つの文字（例えば、一つのアルファベット、一つのひらがな、一つのハングル文字又は一つの漢字）を表していてもよい。一例として、一つの文字シンボルは、「ａ」という単一のアルファベットを表していてもよい。一つの文字シンボルは、複数の文字（例えば、複数のアルファベット、複数のひらがな、複数のハングル文字又は複数の漢字）を表していてもよい。一例として、一つの文字シンボルは、「ｐａｔ」という複数のアルファベットを表していてもよい。シンボルは、音声フレームＳＦで発話者が音声を発話していないことを表すブランクシンボルを含んでいてもよい。その結果、シンボル生成部１１１は、出力された複数のシンボルが時系列に沿って並んだシンボルデータを生成する。尚、文字シンボルは、文字（例えば、ひらがな又はアルファベット）そのものを表すシンボルであってもよいし、文字の最小構成単位である音素を表すシンボルであってもよい。

　第２実施形態では、シンボル生成部１１１は、ＣＴＣ（Ｃｏｎｎｅｃｔｉｏｎｉｓｔ　Ｔｅｍｐｏｒａｌ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）モデルを用いて、音声信号からシンボルデータを生成する。ＣＴＣモデルを用いて音声信号からシンボルデータを生成する方法は、非特許文献１に記載されている。このため、ＣＴＣモデルを用いて音声信号からシンボルデータを生成する方法の詳細な説明は省略するが、以下、図４を参照しながら、その概要について簡単に説明する。ＣＴＣモデルを用いて音声信号からシンボルデータを生成するシンボル生成部１１１は、図２に示すように、再帰型ニューラルネットワークによって実現されてもよい。具体的には、シンボル生成部１１１は、音声信号を複数の音声フレームＳＦに分割すると共に、複数の音声フレームＳＦを複数のＬＴＳＭ（Ｌｏｎｇ　Ｓｈｏｒｔ　Ｔｅｒｍ　Ｍｅｍｏｒｙ）に夫々入力する。複数のＬＴＳＭを含むニューラルネットワークは、複数種類の文字の夫々が、各音声フレームＳＦで発話者が発話した音声に対応する文字である事後確率を出力する。その後、シンボル生成部１１１は、事後確率が最も高くなる文字列を構成する複数のシンボルの系列データを、シンボルデータとして生成する。図４は、「Ｇ－Ｏ－－」という文字列の事後確率が最も高くなる場合にシンボル生成部１１１が生成するシンボルデータの例を示している。

　尚、図４では、「－」という記号は、ブランクシンボルを意味する。ブランクシンボルは、ある音声フレームＳＦで音声が発話された可能性が低い場合に出力される。つまり、ブランクシンボルは、ある音声フレームに対応する文字が存在しない場合に出力される。

　再び図３において、音声区間検出部１１２は、シンボル生成部１１１が生成したシンボルデータを用いて、音声区間を検出する。音声区間検出部１１２が音声区間を検出する動作の概要について、図５（ａ）及び図５（ｂ）を参照しながら説明する。

　まず、図５（ａ）に示すように、音声区間検出部１１２は、音声区間の始端を決定する。具体的には、音声区間検出部１１２は、音声区間の始端が未だ決定されていない（つまり、未検出である）状況下でシンボルデータを時系列に沿ってサーチすることで、文字シンボルを検出する。その後、音声区間検出部１１２は、文字シンボルが検出された音声フレームＳＦから所定のフレーム数ＭＳだけ前の音声フレームＳＦを、音声区間の始端として決定する。図５（ａ）に示す例では、所定のフレーム数ＭＳが２である。但し、所定のフレーム数ＭＳは、０であってもよいし、１であってもよいし、３以上であってもよい。

　その後、音声区間検出部１１２は、音声区間の終端を決定する。具体的には、図５（ｂ）に示すように、音声区間検出部１１２は、音声区間の始端が決定された状況下でシンボルデータを時系列に沿ってサーチすることで、音声区間の始端が決定された後に現れる非音声区間の長さＬｂが所定の閾値ＴＨ以上か否かを判定する。非音声区間は、ブランクシンボルが出力される区間である。この場合、非音声区間の長さＬｂとして、時系列的に連続して出力されるブランクシンボルの数（つまり、ブランクシンボルが出力される音声フレームＳＦの数）が用いられてもよい。以下の説明では、非音声区間の長さＬｂとして、時系列的に連続して出力されるブランクシンボルの数（以降、“ブランクシンボル数ＢＳＮ”と称する）が用いられる例を用いて、説明を進める。ブランクシンボル数ＢＳＮが所定の閾値ＴＨ以上（つまり、非音声区間の長さＬｂが所定の閾値ＴＨ以上）であると判定された場合には、最後に文字シンボルが検出された音声フレームから所定のフレーム数ＭＥだけ後ろの音声フレームを、音声区間の終端として決定する。図５（ｂ）に示す例では、所定のフレーム数ＭＥが２である。但し、所定のフレーム数ＭＥは、０であってもよいし、１であってもよいし、３以上であってもよい。

　再び図３において、閾値設定部１１３は、音声区間検出部１１２が音声区間の終端を決定するために用いる閾値ＴＨを設定する。尚、閾値設定部１１３が閾値ＴＨを設定する方法については、図６等を参照しながら、後に詳述する。

　記憶装置１２は、所望のデータを記憶可能である。例えば、記憶装置１２は、演算装置１１が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置１２は、演算装置１１がコンピュータプログラムを実行している場合に演算装置１１が一時的に使用するデータを一時的に記憶してもよい。記憶装置１２は、音声検出装置１が長期的に保存するデータを記憶してもよい。尚、記憶装置１２は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。つまり、記憶装置１２は、一時的でない記録媒体を含んでいてもよい。

　通信装置１３は、音声検出装置１の外部の装置と通信可能である。

　入力装置１４は、音声検出装置１の外部からの音声検出装置１に対する情報の入力を受け付ける装置である。例えば、入力装置１４は、音声検出装置１のオペレータが操作可能な操作装置（例えば、キーボード、マウス及びタッチパネルのうちの少なくとも一つ）を含んでいてもよい。例えば、入力装置１４は、音声検出装置１に対して外付け可能な記録媒体にデータとして記録されている情報を読み取り可能な読取装置を含んでいてもよい。

　出力装置１５は、音声検出装置１の外部に対して情報を出力する装置である。例えば、出力装置１５は、情報を画像として出力してもよい。つまり、出力装置１５は、出力したい情報を示す画像を表示可能な表示装置（いわゆる、ディスプレイ）を含んでいてもよい。例えば、出力装置１５は、情報を音声として出力してもよい。つまり、出力装置１５は、音声を出力可能な音声装置（いわゆる、スピーカ）を含んでいてもよい。例えば、出力装置１５は、紙面に情報を出力してもよい。つまり、出力装置１５は、紙面に所望の情報を印刷可能な印刷装置（いわゆる、プリンタ）を含んでいてもよい。

　（２－２）音声検出装置１が行う音声検出動作
　続いて、図６を参照しながら、音声検出装置１が行う音声検出動作について説明する。図６は、第２実施形態における音声検出装置１が行う音声検出動作の流れを示すフローチャートである。

　図６に示すように、シンボル生成部１１１は、音声信号からシンボルデータを生成する（ステップＳ１００）。例えば、シンボル生成部１１１は、マイク等の音声センサが生成した音声信号を取得し、取得した音声信号からシンボルデータを生成してもよい。この場合、シンボル生成部１１１は、音声信号が生成され続ける限りは、音声信号を取得し続け且つシンボルデータを生成し続けてもよい。或いは、例えば、シンボル生成部１１１は、記録媒体に記録されている音声信号を読み込み、読み込んだ音声データからシンボルデータを生成してもよい。

　その後、音声区間検出部１１２は、ステップＳ１００において生成されたシンボルデータに基づいて、音声区間の始端を決定する（ステップＳ１０１）。その後、音声区間検出部１１２は、ステップＳ１００において生成されたシンボルデータに基づいて、音声区間の終端を決定する（ステップＳ１０３からステップＳ１０４）。つまり、音声区間検出部１１２は、ブランクシンボル数ＢＳＮが閾値ＴＨ以上か否かを判定する（ステップＳ１０３）。音声区間検出部１１２は、ステップＳ１０３における判定結果に基づいて、音声区間の終端を決定する（ステップＳ１０４）。

　第２実施形態では特に、音声区間の始端が決定されてから音声区間の終端が決定されるまでの間、閾値設定部１１３は、ステップＳ１０３において用いられる閾値ＴＨを設定する（ステップＳ１０２）。具体的には、閾値設定部１１３は、ステップＳ１０１において決定された始端から始まる暫定音声区間の特性に基づいて、閾値ＴＨを設定する（つまり、変更する）。

　暫定音声区間は、終端が決定されていない暫定的な音声区間を意味する。具体的には、音声区間の始端が決定されたシンボルデータを示す図７に示すように、第２実施形態では、音声区間の終端が決定されるまでは、ステップＳ１０１において決定された始端から始まる音声区間を、その終端が確定的に決定されていない暫定音声区間と称する。暫定音声区間の暫定的な終端として、音声区間検出動作を行うために現時点で注目されている音声フレームＳＦ（以下、“注目フレーム”と称する）が用いられてもよい。注目フレームは、音声区間検出動作を行うためにシンボルデータを時系列に沿ってサーチする際に、現時点でサーチ済みの最後のシンボルに対応する音声フレームＳＦを意味していてもよい。

　第２実施形態では、暫定音声区間の特性として、暫定音声区間の長さＬｔが用いられる例について説明する。以下では、暫定音声区間の長さＬｔとして、暫定音声区間Ｌｔに含まれる音声フレームＳＦの数（つまり、暫定音声区間Ｌｔに含まれるシンボルの数）が用いられる例について説明する。この場合、閾値設定部１１３は、暫定音声区間の長さＬｔに基づいて、閾値ＴＨを設定する。具体的には、閾値設定部１１３は、暫定音声区間の長さＬｔに基づいて、閾値ＴＨを変更する。例えば、閾値設定部１１３は、暫定音声区間の長さＬｔが第１の長さとなる場合に設定される閾値ＴＨが、暫定音声区間の長さＬｔが第１の長さとは異なる第２の長さとなる場合に設定される閾値ＴＨと異なる値となるように、閾値ＴＨを設定してもよい。

　第２実施形態では特に、閾値設定部１１３は、暫定音声区間の長さＬｔが第１の長さとなる場合に設定される閾値ＴＨが、暫定音声区間の長さＬｔが第１の長さよりも長い第２の長さとなる場合に設定される閾値ＴＨよりも大きくなるように、閾値ＴＨを設定してもよい。例えば、図８に示すように、閾値設定部１１３は、暫定音声区間の長さＬｔが長さＬｔ１１よりも短い場合に、閾値ＴＨを第１候補値ＴＨ１１に設定してもよい。更に、閾値設定部１１３は、暫定音声区間の長さＬｔが長さＬｔ１１よりも長く且つ長さＬｔ１２（但し、長さＬｔ１２は、長さＬｔ１１よりも長い）よりも短い場合に、閾値ＴＨを第１候補値ＴＨ１１よりも小さい第２候補値ＴＨ１２に設定してもよい。更に、閾値設定部１１３は、暫定音声区間の長さＬｔが長さＬｔ１２よりも長い場合に、閾値ＴＨを第２候補値ＴＨ１２よりも小さい第３候補値ＴＨ１３に設定してもよい。つまり、図８に示す例では、閾値設定部１１３は、閾値ＴＨを、三種類の異なる候補値から暫定音声区間の長さＬｔに基づいて選択される一の候補値に設定している。

　再び図６において、音声検出装置１は、音声区間を検出する動作を、ステップＳ１００において生成されたシンボルデータの全ての区間において完了するまで、同様の動作を繰り返す（ステップＳ１０５）。

　（２－３）音声検出装置１の技術的効果
　以上説明したように、第２実施形態の音声検出装置１は、暫定音声区間の長さＬｔに基づいて、閾値ＴＨを設定する（つまり、変更する）ことができる。このため、音声検出装置１は、音声区間が検出された後に行われる後処理動作（例えば、音声認識動作、声認証動作又は感情認識動作）にとって適切な長さを有する音声区間を検出することができる。以下、後処理動作にとって適切な長さを有する音声区間を検出することができる具体的な理由について、図９（ａ）から図９（ｂ）及び図１０（ａ）から図１０（ｂ）を参照しながら説明する。

　まず、暫定音声区間の長さＬｔとは無関係に閾値ＴＨが固定されている比較例の音声検出装置は、必要以上に短い音声区間を検出してしまう可能性がある。例えば、発話者が短時間だけ発話した後に短いポーズをとった場合に、比較例の音声検出装置は、短時間の発話で発せられた音声を含む短い音声区間を検出する可能性が高くなる。例えば、図９（ａ）は、閾値ＴＨが５（つまり、５フレーム）に固定されている比較例の音声検出装置が検出する音声区間を示している。図９（ａ）に示す例では、比較例の音声検出装置は、Ｎ番目の音声フレームＳＦが注目フレームとなるタイミングで文字シンボル「ａ」を検出するため、Ｎ番目の音声フレームＳＦから所定のフレーム数ＭＳ（この場合、２フレーム）だけ前のＮ－２番目の音声フレームＳＦを、音声区間の始端として決定する。その後、比較例の音声検出装置は、Ｎ＋５番目の音声フレームＳＦが注目フレームとなるタイミングで、非音声区間の長さＬｂ（つまり、ブランクシンボル数ＢＳＮ）が閾値ＴＨ以上であると判定する。このため、比較例の音声検出装置は、最後に文字シンボルが検出されたＮ番目の音声フレームＳＦから所定のフレーム数ＭＥ（この場合、２フレーム）だけ後のＮ＋２番目の音声フレームＳＦを、音声区間の終端として決定する。その結果、比較例の音声検出装置は、５フレーム分の長さを有する相対的に短い音声区間を検出することになる。この場合、図９（ａ）に示すように、検出された音声区間に含まれる文字シンボルの数は、必ずしも多いとは言えない。なぜならば、音声区間が短くなるほど当該音声区間に含まれる文字シンボルの数が少なくなるからである。つまり、比較例の音声検出装置は、含まれている情報が十分とは言い難い音声区間を検出する可能性がある。その結果、音声区間が検出された後に行われる後処理動作の精度が低下する可能性がある。例えば、発話者が発話した音声を表す文章の文脈が、音声認識動作によって適切に把握されない可能性がある。

　しかるに、第２実施形態では、音声検出装置１は、暫定音声区間の長さＬｔに基づいて閾値ＴＨを決定する。このため、音声検出装置１は、比較例の音声検出装置と比較して、必要以上に短い音声区間を検出してしまう可能性は低くなる。例えば、図９（ｂ）は、暫定音声区間の長さＬｔが１０フレーム以下である場合に閾値ＴＨを７（７フレーム）に設定し、暫定音声区間の長さＬｔが１１フレーム以上且つ１５フレーム以下である場合に閾値ＴＨを５（５フレーム）に設定し、暫定音声区間の長さＬｔが１６フレーム以上である場合に閾値ＴＨを３（３フレーム）に設定する音声検出装置１が検出する音声区間を示している。図９（ｂ）に示す例では、音声検出装置１は、図９（ａ）に示す比較例の音声検出装置と同様に、Ｎ－２番目の音声フレームＳＦを、音声区間の始端として決定する。この段階では、暫定音声区間の長さＬｔが３フレームであるため、閾値ＴＨが７に設定される。更に、Ｎ＋５番目の音声フレームＳＦが注目フレームとなる場合においても、暫定音声区間の長さＬｔが８フレームであるため、閾値ＴＨが７に設定される。その結果、音声検出装置１は、比較例の音声検出装置とは異なり、Ｎ＋５番目の音声フレームＳＦが注目フレームとなるタイミングで、非音声区間の長さＬｂが閾値ＴＨ以上であると判定することはない。その後、Ｎ＋１３番目の音声フレームＳＦが注目フレームとなる場合において、暫定音声区間の長さＬｔが１６フレーム以上になるため、閾値ＴＨが３に設定される。その結果、音声検出装置１は、Ｎ＋１３番目の音声フレームＳＦが注目フレームとなるタイミングで、非音声区間の長さＬｂが閾値ＴＨ以上になると判定する。このため、音声検出装置１は、最後に文字シンボルが検出されたＮ＋１０番目の音声フレームＳＦから所定のフレーム数ＭＥ（この場合、２フレーム）だけ後のＮ＋１２番目の音声フレームＳＦを、音声区間の終端として決定する。その結果、音声検出装置１は、比較例の音声検出装置が検出した音声区間よりも長い音声区間を検出することになる。つまり、音声検出装置１は、必要以上に短い音声区間が検出されてしまうという技術的課題を解決することができる。このため、音声検出装置１は、比較例の音声検出装置と比較して、含まれている情報が十分である音声区間を検出する可能性が高くなる。その結果、音声検出装置１によって音声区間が検出された後に行われる後処理動作の精度は、比較例の音声検出装置によって音声区間が検出された後に行われる後処理動作の精度よりも高くなる。

　一方で、暫定音声区間の長さＬｔとは無関係に閾値ＴＨが固定されている比較例の音声検出装置は、必要以上に短い音声区間に加えて又は代えて、必要以上に長い音声区間を検出してしまう可能性もある。例えば、発話者が早口で連続して発話している場合に、比較例の音声検出装置は、必要以上に長い音声区間を検出してしまう可能性が高くなる。例えば、図１０（ａ）は、閾値ＴＨが５（５フレーム）に固定されている比較例の音声検出装置が検出する音声区間を示している。図１０（ａ）に示す例では、比較例の音声検出装置は、Ｍ番目の音声フレームＳＦが注目フレームとなるタイミングで文字シンボル「ａ」を検出するため、Ｍ番目の音声フレームＳＦから所定のフレーム数ＭＳ（この場合、２フレーム）だけ前のＭ－２番目の音声フレームＳＦを、音声区間の始端として決定する。その後、比較例の音声検出装置は、Ｍ＋２３番目の音声フレームＳＦが注目フレームとなるタイミングで、非音声区間の長さＬｂ（つまり、ブランクシンボル数ＢＳＮ）が閾値ＴＨ以上であると判定する。このため、比較例の音声検出装置は、最後に文字シンボルが検出されたＭ＋１８番目の音声フレームＳＦから所定のフレーム数ＭＥ（この場合、２フレーム）だけ後のＭ＋２０番目の音声フレームＳＦを、音声区間の終端として決定する。その結果、比較例の音声検出装置は、２４フレーム分の長さを有する相対的に長い音声区間を検出することになる。この場合、音声区間が検出された後に行われる後処理動作に必要な計算量が過度に多くなる可能性がある。なぜならば、音声区間が長くなるほど、音声区間が検出された後に行われる後処理動作に必要な計算量が多くなるからである。このため、音声信号が比較例の音声検出装置に入力されてから後処理動作の結果が出力されるまでの遅延時間が長くなってしまう可能性がある。

　しかるに、第２実施形態では、音声検出装置１は、暫定音声区間の長さＬｔに基づいて閾値ＴＨを決定する。このため、音声検出装置１は、比較例の音声検出装置と比較して、必要以上長い音声区間を検出してしまう可能性は低くなる。例えば、図１０（ｂ）は、暫定音声区間の長さＬｔが１０フレーム以下である場合に閾値ＴＨを７（７フレーム）に設定し、暫定音声区間の長さＬｔが１１フレーム以上且つ１５フレーム以下である場合に閾値ＴＨを５（５フレーム）に設定し、暫定音声区間の長さＬｔが１６フレーム以上である場合に閾値ＴＨを３（３フレーム）に設定する音声検出装置１が検出する音声区間を示している。図１０（ｂ）に示す例では、音声検出装置１は、図１０（ａ）に示す比較例の音声検出装置と同様に、Ｍ－２番目の音声フレームＳＦを、音声区間の始端として決定する。その後、Ｍ＋１３番目の音声フレームＳＦが注目フレームとなる場合において、暫定音声区間の長さＬｔが１６フレーム以上になるため、閾値ＴＨが３に設定される。その結果、音声検出装置１は、Ｍ＋１３番目の音声フレームＳＦが注目フレームとなるタイミングで、非音声区間の長さＬｂが閾値ＴＨ以上であると判定する。このため、音声検出装置１は、最後に文字シンボルが検出されたＭ＋１０番目の音声フレームＳＦから所定のフレーム数ＭＥ（この場合、２フレーム）だけ後のＭ＋１２番目の音声フレームＳＦを、音声区間の終端として決定する。その結果、音声検出装置１は、比較例の音声検出装置が検出した音声区間よりも短い音声区間を検出することになる。つまり、音声検出装置１は、必要以上に長い音声区間が検出されてしまうという技術的課題を解決することができる。このため、音声検出装置１は、比較例の音声検出装置と比較して、後処理動作に必要な計算量が過度に多くなる音声区間を検出する可能性は低い。その結果、音声検出装置１によって音声区間が検出された後に行われる後処理動作に必要な計算量は、比較例の音声検出装置によって音声区間が検出された後に行われる後処理動作に必要な計算量よりも少なくなる。

　このように、音声検出装置１は、比較例の音声検出装置と比較して、音声区間が検出された後に行われる後処理動作にとって必要以上に短すぎる又は長すぎる音声区間を検出する可能性は低くなる。つまり、音声検出装置１は、音声区間が検出された後に行われる後処理動作にとって適切な長さを有する音声区間を検出することができる。

　尚、以上説明した技術的効果を考慮すると、音声検出装置１は、発話者が発話した音声が示す文章の文脈を把握できる程度の長さを有する音声区間を検出するという効果と、後処理動作に必要な計算量が適切になるという効果との双方を両立可能となるように、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定することが好ましい。

　加えて、音声検出装置１は、ＣＴＣモデルを用いて生成されるシンボルデータを用いて、音声区間を検出する。このため、音声検出装置１は、音声区間を適切に検出することができる。

　（２－４）変形例
　上述した図８に示す例では、閾値設定部１１３は、閾値ＴＨを、三種類の異なる候補値から暫定音声区間の長さＬｔに基づいて選択される一の候補値に設定している。しかしながら、上述した図８に示す閾値ＴＨの設定方法は一例であり、閾値ＴＨの設定方法が、図８に示す設定方法に限定されることはない。例えば、図１１（ａ）に示すように、閾値設定部１１３は、閾値ＴＨを、二種類の異なる候補値から暫定音声区間の長さＬｔに基づいて選択される一の候補値に設定してもよい。例えば、図１１（ｂ）に示すように、閾値設定部１１３は、閾値ＴＨを、四種類以上の異なる候補値から暫定音声区間の長さＬｔに基づいて選択される一の候補値に設定してもよい。例えば、図１１（ｃ）に示すように、閾値設定部１１３は、図８及び図１１（ａ）から図１１（ｂ）に示すように暫定音声区間の長さＬｔに基づいて閾値ＴＨを段階的に変更することに加えて又は代えて、暫定音声区間の長さＬｔに基づいて閾値ＴＨを連続的に変更してもよい。

　上述した説明では、音声区間検出部１１２は、事後確率が最も高くなる文字列を構成する複数のシンボルを含むシンボルデータに基づいて、音声区間の終端を決定している。しかしながら、音声区間検出部１１２は、事後確率が最も高くないものの相応に高い文字列を構成する複数のシンボルを含むシンボルデータに基づいて、音声区間の終端を決定してもよい。例えば、音声区間検出部１１２は、事後確率がＮ（尚、Ｎは１以上の整数）番目に高い文字列を構成する複数のシンボルを含むシンボルデータに基づいて、音声区間の終端を決定してもよい。つまり、音声区間検出部１１２は、事後確率がＮ番目に高い文字列を構成する複数のシンボルを含むシンボルデータを用いて、非音声区間の長さＬｂが所定の閾値ＴＨ以上か否かを判定してもよい。この場合であっても、音声区間検出部１１２は、音声区間の終端を適切に設定することができる。

　（３）第３実施形態
　続いて音声検出装置、音声検出方法及び記録媒体の第３実施形態について説明する。以下では、図１２を参照しながら、音声検出装置、音声検出方法及び記録媒体の第３実施形態が適用された音声検出装置１ｂを用いて、音声検出装置、音声検出方法及び記録媒体の第３実施形態について説明する。図１２は、第３実施形態における音声検出装置１ｂの構成を示すブロック図である。

　図１２に示すように、第３実施形態における音声検出装置１ｂは、第２実施形態における音声検出装置１と比較して、閾値設定部１１３に代えて閾値設定部１１３ｂを備えているという点で異なる。音声検出装置１ｂのその他の特徴は、音声検出装置１のその他の特徴と同一であってもよい。

　閾値設定部１１３ｂは、上述した閾値設定部１１３と比較して、閾値ＴＨを設定するために用いる暫定音声区間の特性として、長さＬｔとは異なる特性を用いるという点で異なる。閾値設定部１１３ｂのその他の特徴は、閾値設定部１１３のその他の特徴と同一であってもよい。

　例えば、閾値設定部１１３ｂは、暫定音声区間の特性として、暫定音声区間に含まれる文字の数（例えば、文字シンボルが表す文字の数）を用いてもよい。ここで、暫定音声区間の長さＬｔが長くなるほど、暫定音声区間に含まれる文字の数が多くなる可能性が高い。このため、暫定音声区間に含まれる文字の数は、暫定音声区間の長さＬｔと相関を有する。このため、暫定音声区間に含まれる文字の数に基づいて閾値ＴＨを設定する動作は、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定する動作と実質的に等価であるとみなしてもよい。この場合、閾値設定部１１３ｂは、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定する場合と同様の方法で、暫定音声区間に含まれる文字の数に基づいて閾値ＴＨを設定してもよい。例えば、閾値設定部１１３ｂは、暫定音声区間に含まれる文字の数が第１の数となる場合に設定される閾値ＴＨが、暫定音声区間に含まれる文字の数が第１の数よりも多い第２の数となる場合に設定される閾値ＴＨよりも大きくなるように、閾値ＴＨを設定してもよい。

　例えば、閾値設定部１１３ｂは、暫定音声区間の特性として、暫定音声区間に含まれる単語の数を用いてもよい。尚、単語は、文字の組み合わせであるがゆえに、音声検出装置１は、シンボルデータに含まれる文字シンボルに基づいて単語を検出することができる。具体的には、閾値設定部１１３ｂは、シンボルデータに含まれる文字シンボルに対して形態素解析を行うことで、単語を検出することができる。従って、閾値設定部１１３ｂは、暫定音声区間に含まれる単語の数を算出することができる。ここで、暫定音声区間の長さＬｔが長くなるほど、暫定音声区間に含まれる単語の数が多くなる可能性が高い。このため、暫定音声区間に含まれる単語の数は、暫定音声区間の長さＬｔと相関を有する。このため、暫定音声区間に含まれる単語の数に基づいて閾値ＴＨを設定する動作は、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定する動作と実質的に等価であるとみなしてもよい。この場合、閾値設定部１１３ｂは、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定する場合と同様の方法で、暫定音声区間に含まれる単語の数に基づいて閾値ＴＨを設定してもよい。例えば、閾値設定部１１３ｂは、暫定音声区間に含まれる単語の数が第１の数となる場合に設定される閾値ＴＨが、暫定音声区間に含まれる単語の数が第１の数よりも多い第２の数となる場合に設定される閾値ＴＨよりも大きくなるように、閾値ＴＨを設定してもよい。

　例えば、閾値設定部１１３ｂは、暫定音声区間の特性として、暫定音声区間に現れる音声の発話速度を用いてもよい。発話速度が速くなればなるほど、ある音声区間に含まれる文字シンボルの数が多くなる可能性が高い。その結果、音声区間に含まれる文字シンボルの数が多くなるほど、後処理動作に必要な計算量が多くなる。このため、後処理動作に必要な計算量を考慮すると、発話速度が速くなるほど、音声区間の長さが短くなる（その結果、音声区間に含まれる文字シンボルの数が少なくなる）ことが好ましい。そこで、閾値設定部１１３ｂは、発話速度が速くなるほど閾値ＴＨが短くなるように、閾値ＴＨを設定してもよい。例えば、閾値設定部１１３ｂは、暫定音声区間における発話速度が第１の速度となる場合に設定される閾値ＴＨが、暫定音声区間における発話速度が第１の速度よりも遅い第２の速度となる場合に設定される閾値ＴＨよりも小さくなるように、閾値ＴＨを設定してもよい。

　尚、発話速度が速くなるほど、単位時間当たりの文字の数（つまり、文字シンボルの数）が多くなる。また、発話速度が速くなるほど、単位時間当たりの単語の数が多くなる。また、発話速度が速くなるほど、単位時間当たりのブランクシンボルの数が減る。このため、閾値設定部１１３ｂは、単位時間当たりの文字の数（つまり、文字シンボルの数）、単位時間当たりの単語の数、及び、単位時間当たりのブランクシンボル数の少なくとも一つを、発話速度を表す指標値として算出してもよい。

　例えば、閾値設定部１１３ｂは、暫定音声区間の特性として、暫定音声区間に含まれる文字シンボルの数を用いてもよい。ここで、暫定音声区間の長さＬｔが長くなるほど、暫定音声区間に含まれる文字シンボルの数が多くなる可能性が高い。このため、暫定音声区間に含まれる文字シンボルの数は、暫定音声区間の長さＬｔと相関を有する。このため、暫定音声区間に含まれる文字シンボルの数に基づいて閾値ＴＨを設定する動作は、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定する動作と実質的に等価であるとみなしてもよい。この場合、閾値設定部１１３ｂは、暫定音声区間の長さＬｔに基づいて閾値ＴＨを設定する場合と同様の方法で、暫定音声区間に含まれる文字シンボルの数に基づいて閾値ＴＨを設定してもよい。例えば、閾値設定部１１３ｂは、暫定音声区間に含まれる文字シンボルの数が第１の数となる場合に設定される閾値ＴＨが、暫定音声区間に含まれる文字シンボルの数が第１の数よりも多い第２の数となる場合に設定される閾値ＴＨよりも大きくなるように、閾値ＴＨを設定してもよい。

　以上説明した第３実施形態における音声検出装置１ｂは、上述した第２実施形態における音声検出装置１が享受可能な効果と同様の効果を享受することができる。

　（４）第４実施形態
　続いて音声検出装置、音声検出方法及び記録媒体の第４実施形態について説明する。以下では、図１３を参照しながら、音声検出装置、音声検出方法及び記録媒体の第４実施形態が適用された音声検出装置１ｃを用いて、音声検出装置、音声検出方法及び記録媒体の第４実施形態について説明する。図１３は、第４実施形態における音声検出装置１ｃの構成を示すブロック図である。

　図１３に示すように、第４実施形態における音声検出装置１ｃは、第２実施形態における音声検出装置１から第３実施形態における音声検出装置１ｂの少なくとも一つと比較して、閾値設定部１１３に代えて閾値設定部１１３ｃを備えているという点で異なる。更に、第４実施形態における音声検出装置１ｃは、第２実施形態における音声検出装置１から第３実施形態における音声検出装置１ｂの少なくとも一つと比較して、記憶装置１２が発話者情報１２１ｃを記憶しているという点で異なる。音声検出装置１ｃのその他の特徴は、音声検出装置１及び１ｂの少なくとも一つのその他の特徴と同一であってもよい。

　閾値設定部１１３ｃは、上述した閾値設定部１１３及び１１３ｂの少なくとも一つと比較して、暫定音声区間の特性に加えて又は代えて、発話者情報１２１ｃに基づいて閾値ＴＨを設定するという点で異なる。閾値設定部１１３ｃのその他の特徴は、閾値設定部１１３及び１１３ｂの少なくとも一つのその他の特徴と同一であってもよい。

　発話者情報１２１ｃは、発話者による音声の発話の特徴に関する情報を含む。例えば、記憶装置１２は、第１の発話者による音声の発話の特徴に関する情報を含む第１の発話者情報と、第２の発話者による音声の発話の特徴に関する情報を含む第２の発話者情報とを含んでいてもよい。

　発話者情報１２１ｃは、ある発話者が発話した音声を示す音声信号に基づいて行われた音声検出動作の結果に関する情報を、発話者による音声の発話の特徴に関する情報として含んでいてもよい。例えば、発話者情報１２１ｃは、検出された音声区間の長さの平均（或いは、その他の演算値、以下同じ）に関する情報、検出された非音声区間の長さの平均に関する情報、単位時間当たりに発話された文字の数の平均に関する情報、単位時間あたりに発話された単語の数の平均に関する情報、及び、発話速度に関する情報の少なくとも一つを含んでいてもよい。

　閾値設定部１１３ｃは、音声検出装置１ｃに入力された音声信号の取得元である発話者を特定し、特定した発話者に対応する発話者情報１２１ｃを記憶装置１２から取得し、取得した発話者情報１２１ｃに基づいて、閾値ＴＨを設定してもよい。例えば、発話者情報１２１ｃが示す音声区間の長さの平均が長くなるほど、閾値設定部１１３ｃは、相対的に長い音声区間が検出されるように、閾値ＴＨをより大きい値に設定してもよい。例えば、閾値設定部１１３ｃは、閾値ＴＨを、発話者情報１２１ｃが示す非音声区間の長さの平均又は当該平均に近い値に設定してもよい。例えば、発話者情報１２１ｃが示す文字の数の平均が多くなるほど、相対的に短い音声区間（結果、含まれる文字の数が過度に多くならない音声区間）が検出されるように、閾値ＴＨをより小さい値に設定してもよい。例えば、発話者情報１２１ｃが示す単語の数の平均が多くなるほど、相対的に短い音声区間（結果、含まれる単語の数が過度に多くならない音声区間）が検出されるように、閾値ＴＨをより小さい値に設定してもよい。例えば、発話者情報１２１ｃが示す発話速度が速くなるほど、相対的に短い音声区間（結果、含まれる文字の数が過度に多くならない音声区間）が検出されるように、閾値ＴＨをより小さい値に設定してもよい。

　以上説明した第４実施形態における音声検出装置１ｃは、上述した第２実施形態における音声検出装置１から第３実施形態における音声検出装置１ｂの少なくとも一つが享受可能な効果と同様の効果を享受することができる。更に、音声検出装置１ｃは、発話者による音声の発話の特徴に合致した閾値ＴＨを設定することができる。このため、音声検出装置１ｃは、発話者による音声の発話の特徴の違いを考慮した上で、音声区間をより適切に検出することができる。

　（５）第５実施形態
　続いて音声検出装置、音声検出方法及び記録媒体の第５実施形態について説明する。以下では、図１４を参照しながら、音声検出装置、音声検出方法及び記録媒体の第５実施形態が適用された音声検出装置１ｄを用いて、音声検出装置、音声検出方法及び記録媒体の第５実施形態について説明する。図１４は、第５実施形態における音声検出装置１ｄの構成を示すブロック図である。

　図１４に示すように、第５実施形態における音声検出装置１ｄは、第２実施形態における音声検出装置１から第４実施形態における音声検出装置１ｃの少なくとも一つと比較して、シンボル生成部１１１に代えてテキスト生成部１１１ｄを備えているという点で異なる。音声検出装置１ｄのその他の特徴は、音声検出装置１、１ｂ及び１ｃの少なくとも一つのその他の特徴と同一であってもよい。

　テキスト生成部１１１ｄは、ＣＴＣモデルを用いることなく、音声信号から発話者が発話した音声を文字として表すテキストデータを生成するという点で、ＣＴＣモデルを用いてシンボルデータを生成するシンボル生成部１１１とは異なる。例えば、テキスト生成部１１１ｄは、音響モデル、発音辞書及び言語モデルを用いて文字列の事後確率を算出し、事後確率が最も高くなる文字列を構成する複数のテキストの系列データを、テキストデータとして生成する。この場合であっても、音声区間検出部１１２は、生成されたテキストデータから音声区間の始端を決定し、その後、非音声区間の長さＬｂと閾値ＴＨとを比較することで音声区間の終端を決定してもよい。更に、閾値設定部１１３は、暫定音声区間の長さＬｔに基づいて、閾値ＴＨを設定してもよい。その結果、ＣＴＣモデルが用いられない場合であっても、上述した効果が享受可能となる。

　テキスト生成部１１１ｄが発音辞書（つまり、辞書データ）を用いてテキストデータを生成する場合には、閾値設定部１１３は、発音辞書の特性に基づいて、閾値ＴＨを設定してもよい。例えば、発音辞書が、漢字を多く含むテキストデータを生成するという特性を有している場合には、閾値設定部１１３は、相対的に短い音声区間（結果、含まれる文字の数が過度に多くならない音声区間）が検出されるように、閾値ＴＨを、標準値よりも小さい値に設定してもよい。

　以上説明した第５実施形態における音声検出装置１ｄは、上述した第２実施形態における音声検出装置１から第４実施形態における音声検出装置１ｃの少なくとも一つが享受可能な効果と同様の効果を享受することができる。更に、音声検出装置１ｄは、発音辞書に基づいて閾値ＴＨを設定することができる。このため、音声検出装置１ｄは、音声信号をテキストデータに変換する動作のくせの違いを考慮した上で、音声区間をより適切に検出することができる。

　（６）付記
　以上説明した実施形態に関して、更に以下の付記を開示する。
［付記１］
　音声信号に現れる音声を含む音声区間の始端を決定する始端決定手段と、
　前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定する終端決定手段と、
　前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定する設定手段と
　を備える音声検出装置。
［付記２］
　前記暫定音声区間の前記特性は、前記暫定音声区間の長さを含む
　付記１に記載の音声検出装置。
［付記３］
　前記設定手段は、前記暫定音声区間の長さが第１の長さとなる場合に設定される前記閾値が、前記暫定音声区間の長さが前記第１の長さよりも長い第２の長さとなる場合に設定される前記閾値よりも大きくなるように、前記閾値を設定する
　付記２に記載の音声検出装置。
［付記４］
　前記暫定音声区間の前記特性は、前記暫定音声区間に含まれる前記音声の文字数、前記暫定音声区間に含まれる前記音声の単語数、及び、前記暫定音声区間に含まれる前記音声の発話速度のうちの少なくとも一つを含む
　付記１から３のいずれか一項に記載の音声検出装置。
［付記５］
　前記音声検出装置は、ＣＴＣ（Ｃｏｎｎｅｃｔｉｏｎｉｓｔ　Ｔｅｍｐｏｒａｌ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）モデルを用いて、前記音声信号から、文字シンボルとブランクシンボルとを含むシンボルデータを生成する生成手段を更に備え、
　前記始端決定手段は、前記シンボルデータに基づいて、前記始端を決定し、
　前記終端決定手段は、前記シンボルデータに基づいて、前記終端を決定し、
　前記非音声区間は、前記ブランクシンボルが連続して現れる区間を含む
　付記１から４のいずれか一項に記載の音声検出装置。
［付記６］
　前記暫定音声区間の前記特性は、前記暫定音声区間に含まれる前記文字シンボルの数を含む
　付記５に記載の音声検出装置。
［付記７］
　前記音声検出装置は、発話者による音声の発話の特徴に関する発話者情報を、発話者ごとに記憶する記憶手段を更に備え、
　前記設定手段は、前記音声信号の取得元の発話者を特定し、特定した発話者に対応する前記発話者情報に基づいて、前記閾値を設定する
　付記１から６のいずれか一項に記載の音声検出装置。
［付記８］
　前記音声検出装置は、辞書データを用いて前記音声信号を解析することで、前記音声信号をテキストデータに変換する変換手段を更に備え、
　前記設定手段は、前記辞書データの特性に基づいて、前記閾値を設定する
　付記１から７のいずれか一項に記載の音声検出装置。
［付記９］
　音声信号に現れる音声を含む音声区間の始端を決定することと、
　前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定することと、
　前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定することと
　を含む音声検出方法。
［付記１０］
　コンピュータに音声検出方法を実行させるコンピュータプログラムが記録された記録媒体であって、
　前記音声検出方法は、
　音声信号に現れる音声を含む音声区間の始端を決定することと、
　前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定することと、
　前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定することと
　を含む記録媒体。

　上述の各実施形態の構成要素の少なくとも一部は、上述の各実施形態の構成要素の少なくとも他の一部と適宜組み合わせることができる。上述の各実施形態の構成要素のうちの一部が用いられなくてもよい。また、法令で許容される限りにおいて、上述のこの開示で引用した全ての文献（例えば、公開公報）の開示を援用してこの開示の記載の一部とする。

　この開示は、請求の範囲及び明細書全体から読み取るこのできる技術的思想に反しない範囲で適宜変更可能である。そのような変更を伴う音声検出装置、音声検出方法及び記録媒体もまた、この開示の技術的思想に含まれる。

　１　音声検出装置
　１１　演算装置
　１１１　シンボル生成部
　１１２　音声区間検出部
　１１３　閾値設定部
　１０００　音声検出装置
　１００１　始端決定部
　１００２　終端決定部
　１００３　設定部

Claims (10)

1. 　音声信号に現れる音声を含む音声区間の始端を決定する始端決定手段と、
   　前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定する終端決定手段と、
   　前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定する設定手段と
   　を備える音声検出装置。
2. 　前記暫定音声区間の前記特性は、前記暫定音声区間の長さを含む
   　請求項１に記載の音声検出装置。
3. 　前記設定手段は、前記暫定音声区間の長さが第１の長さとなる場合に設定される前記閾値が、前記暫定音声区間の長さが前記第１の長さよりも長い第２の長さとなる場合に設定される前記閾値よりも大きくなるように、前記閾値を設定する
   　請求項２に記載の音声検出装置。
4. 　前記暫定音声区間の前記特性は、前記暫定音声区間に含まれる前記音声の文字数、前記暫定音声区間に含まれる前記音声の単語数、及び、前記暫定音声区間に含まれる前記音声の発話速度のうちの少なくとも一つを含む
   　請求項１から３のいずれか一項に記載の音声検出装置。
5. 　前記音声検出装置は、ＣＴＣ（Ｃｏｎｎｅｃｔｉｏｎｉｓｔ　Ｔｅｍｐｏｒａｌ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）モデルを用いて、前記音声信号から、文字シンボルとブランクシンボルとを含むシンボルデータを生成する生成手段を更に備え、
   　前記始端決定手段は、前記シンボルデータに基づいて、前記始端を決定し、
   　前記終端決定手段は、前記シンボルデータに基づいて、前記終端を決定し、
   　前記非音声区間は、前記ブランクシンボルが連続して現れる区間を含む
   　請求項１から４のいずれか一項に記載の音声検出装置。
6. 　前記暫定音声区間の前記特性は、前記暫定音声区間に含まれる前記文字シンボルの数を含む
   　請求項５に記載の音声検出装置。
7. 　前記音声検出装置は、発話者による音声の発話の特徴に関する発話者情報を、発話者ごとに記憶する記憶手段を更に備え、
   　前記設定手段は、前記音声信号の取得元の発話者を特定し、特定した発話者に対応する前記発話情報に基づいて、前記閾値を設定する
   　請求項１から６のいずれか一項に記載の音声検出装置。
8. 　前記音声検出装置は、辞書データを用いて前記音声信号を解析することで、前記音声信号をテキストデータに変換する変換手段を更に備え、
   　前記設定手段は、前記辞書データの特性に基づいて、前記閾値を設定する
   　請求項１から７のいずれか一項に記載の音声検出装置。
9. 　音声信号に現れる音声を含む音声区間の始端を決定することと、
   　前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定することと、
   　前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定することと
   　を含む音声検出方法。
10. 　コンピュータに音声検出方法を実行させるコンピュータプログラムが記録された記録媒体であって、
    　前記音声検出方法は、
    　音声信号に現れる音声を含む音声区間の始端を決定することと、
    　前記始端が決定された後に現れる非音声区間の長さが閾値以上か否かを判定することで、前記音声区間の終端を決定することと、
    　前記始端から始まる暫定音声区間の特性に基づいて、前記閾値を設定することと
    　を含む記録媒体。

Images