JP3849283B2

JP3849283B2 - 音声認識装置

Info

Publication number: JP3849283B2
Application number: JP03581798A
Authority: JP
Inventors: 勇立野
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 1998-02-18
Filing date: 1998-02-18
Publication date: 2006-11-22
Anticipated expiration: 2018-02-18
Also published as: JPH11231892A

Description

【０００１】
【発明の属する技術分野】
本発明は、入力音声と複数の比較対象パターン候補とを比較して類似度の高いものを認識結果として出力するような音声認識装置に関する。
【０００２】
【従来の技術】
従来より、入力音声から判読されたデータを予め記憶してある標準パターンと比較し、その類似度が最大となる標準パターンを認識結果とする音声認識装置が実用化されている。
【０００３】
【発明が解決しようとする課題】
しかしながら、入力音声の高低、強弱、イントネーション等の入力要因や、判別処理能力によっては常に識別できるとは限らないので、認識不具合時には使用者に再入力を促す同じ音声案内を実行するようにしているが、音声認識できない毎に再入力を促す同じ音声案内を繰返すことから、使用者にとって使い勝手が悪く使用感が著しく低下する場合がある。
【０００４】
例えば、入力音声を認識できない場合、「もう一度言って下さい」と音声案内するようになっている構成がある。このような構成では、複数回同じような音声入力を行うことが多いため、次回以降も入力音声の認識ができない確率が高い。結果としてその都度「もう一度言って下さい」と繰返して音声案内されることとなる。このため、使用者にとっては不快であり、逐一音声入力しているにもかかわらず一向に音声認識できない。
また、認識不良を解消するために、次にどのように発声すればよいかの推定も容易ではなく、使い勝手が悪い。
【０００５】
本発明は上記事情に鑑みてなされたもので、その目的は、音声認識を失敗したとき再度の音声入力を促す構成において、音声認識をより確実に行うことが可能な使い勝手に優れた音声認識装置を提供することにある。
【０００６】
【課題を解決するための手段】
請求項１の発明によれば、使用者が音声入力すると、音声入力手段は、入力音声を音声信号に変換する。そして、認識手段は、音声入力手段からの音声信号を、予め辞書手段に記憶されている複数の比較対象パターン候補と比較して類似度の高いものを認識結果とする。
ここで、音声案内手段は、認識手段による音声認識が失敗したときは、例えば「もう一度言って下さい」と再度の音声入力を促す音声案内を実行する。
【０００７】
ところで、認識手段による音声認識が失敗する毎に「もう一度言って下さい」と音声案内することは使用者にとっては煩わしいと共に、音声入力できない状態が継続することになる。
【０００８】
そこで、音声案内手段は、認識手段が入力音声の音声認識を失敗したときは、音声認識候補のうちから類似度の高い上位音声認識候補を記憶する。つまり、音声認識結果が「ふじ＊＊」であれば、「富士宮市」、「富士山」、「富士急ハイランド」などを上位音声認識候補とする。
そして、音声案内手段は、認識候補記憶手段に記憶された上位音声認識候補を用いて問い掛ける。つまり、「富士宮市ですか」、「富士山ですか」、「富士急ハイランドですか」などと音声案内するので、認識手段は、問い掛けに応じた返答に対して音声認識することにより、音声認識を素早く行うことができる。尚、この問い掛けとして、記憶された上位音声認識候補を類似度の高い順に問い掛けるようにしてもよい。
【０００９】
請求項２の発明によれば、上述した音声案内動作は、使用者が同一の入力音声を繰返して音声入力したと判断した際に音声認識できなかったとみなすようにしているので、再度の音声入力を促す音声案内を効果的に行うことができる。
【００１０】
請求項３の発明によれば、使用者の好みによって再度の音声入力を促す音声案内を行う回数を任意に設定することができるので、使用者の使い勝手を向上することができる。
【００１３】
請求項４の発明によれば、属性確定手段は、認識手段による認識結果に基づいて音声データの属性を確定する。つまり、音声認識した音声データが地名データに属するのか、施設データに属するのか、遊園地データに属するのか等を確定する。
【００１４】
そして、音声案内手段は、属性確定手段が例えば入力音声は地名データに属していると判断したときは、この属性に適した質問として例えば「東京都ですか」とか、「都道府県名を教えて下さい」と音声案内する。これにより、認識手段は、使用者の返答に対して音声認識することにより、音声認識をより確実に素早く行うことができる。
【００１５】
請求項５の発明によれば、音声案内手段は、学習手段が必要とする所定の音声を使用者に対して発声させるように問い掛ける。例えば「音声を学習しますあいうえおとお話し下さい」と問い掛ける。
【００１６】
そして、学習手段は、使用者が音声入力した「あいうえお」という音声データに基づいて使用者の音声データの特徴を学習する。これにより、認識手段は、学習手段が学習した特徴に基づいて音声認識することにより、音声認識をより確実に素早く行うことができる。
【００１７】
請求項６の発明によれば、音声案内手段は、使用者を特定するための質問を問い掛ける。つまり、「あなたの名前を言って下さい」とか、「あなたに登録された番号を入力して下さい」と問い掛ける。
【００１８】
そして、使用者が自分の名前を音声入力したり、或いは登録された番号を操作入力すると、認識手段は、問い掛けに応じて特定した使用者に対応して特徴記憶手段に記憶されている特徴に基づいて音声認識するので、音声認識をより確実に素早く行うことができる。
【００１９】
【発明の実施の形態】
（第１の実施の形態）
以下、本発明をカーナビゲーションに適用した第１の実施の形態を図面を参照して説明する。図１は本発明の概略構成を示すブロック図である。この図１において、カーナビゲーションシステム１は、位置検出器２、地図データ入力器３、操作スイッチ群４、これらに接続された制御回路５、この制御回路５に接続された外部メモリ６、表示装置７、リモコンセンサ８及び音声認識装置９を備えて構成されている。制御回路５はマイクロコンピュータを主体として構成されており、内部には、周知のＣＰＵ、ＲＯＭ、ＲＡＭ、Ｉ／Ｏ及びこれらの構成を接続するバスライン（何れも図示せず）が備えられている。
【００２０】
位置検出器２は、周知構成の地磁気センサ１０、ジャイロスコープ１１、距離センサ１２、及び衛星からの電波に基づいて車両の位置を検出するＧＰＳ（Global Positioning System ）のためのＧＰＳ受信機１３を有している。制御回路５は、位置検出器２の各センサが性質の異なる誤差を有しているため、各々補間しながら使用するように構成されている。
【００２１】
地図データ入力器３は、位置検出の精度向上のための所謂マップマッチング用データ、地図データ及び目印データを含む各種データを入力するための装置である。そのための媒体としては、ＣＤ−ＲＯＭを用いるのが一般的であるが、メモリカードなどの他の媒体を用いるようにしてもよい。
【００２２】
表示装置７はカラー表示機能を備えており、その画面には、位置検出器２から入力された車両現在位置マークと、地図データ入力器３より入力された地図データと、さらに地図上に表示する誘導経路や後述する設定地点の目印などの付加データとを重ねて表示するようになっている。
【００２３】
また、カーナビゲーションシステム１は、リモートコントロール端末１４（以下、リモコンと称する）に対する操作によりリモコンセンサ８から、或いは操作スイッチ群４により目的地の位置を入力すると、現在位置からその目的地までの最適な経路を自動的に選択して誘導経路を形成して表示する所謂経路案内機能も備えている。このような自動的に最適な経路を設定する手法は、ダイクストラ法などの手法が知られている。操作スイッチ群４は、例えば、表示装置７と一体になったタッチスイッチ若しくはメカニカルスイッチなどが用いられ、各種入力に使用される。
【００２４】
そして、音声認識装置９は、上記操作スイッチ群４或いはリモコン１４が手動操作により目的地などを指示するために用いられるのに対して、使用者が音声で入力することによっても同様に目的地などを指示することができるようにするための装置として設けられている。
【００２５】
この音声認識装置９は、対話制御部１５（音声案内手段、属性確定手段、学習手段に相当）、音声合成部１６、音声認識部１７（認識手段、辞書手段、認識候補記憶手段、特徴記憶手段に相当）、音声入力部１８、マイク１９、ＰＴＴ（Push-To-Talk）スイッチ２０、スピーカ２１を備えて構成されている。
【００２６】
音声認識部１７は、音声入力部１８から入力された音声データ（入力音声）を、対話制御部１５からの指示により入力音声の認識処理を行い、その認識結果を対話制御部１５に返す。即ち、音声入力部１８から取得した音声データに対し、記憶している辞書データを用いて照合を行い、複数の比較対象パターン候補と比較して類似度の高い上位比較対象パターンを対話制御部１５へ出力する。入力音声中の単語系列の認識は、音声入力部１８から入力された音声データを順次音響分析して音響特徴量（例えばケプストラム）を抽出し、この音響分析によって得られた音響的特徴量時系列データを得る。そして、周知のＤＰマッチング法によって、この時系列データをいくつかの区間に分け、各区間が辞書データとして格納されたどの単語に対応しているかを求める。
【００２７】
また、音声入力部１８は、マイク１９にて取り込んだ周囲の音声をデジタルデータに変換して音声認識部１７に出力するものである。本実施形態においては、使用者がＰＴＴスイッチ２０を押しながらマイク１９を介して音声を入力するようになっている。具体的には、音声入力部１８は、ＰＴＴスイッチ２０が押されたかどうかを判断しており、ＰＴＴスイッチ２０が押されていない場合には、その音声入力処理を実行しないようにしている。従って、ＰＴＴスイッチ２０が押されている間にマイク１９を介して入力された音声データのみが音声認識部１７へ出力されることになる。
【００２８】
ここで、音声認識部１７と対話制御部１５について説明する。図２は、音声認識部１７及び対話制御部１５の詳細構成を示したものである。
まず、図２に示す構成では、音声認識部１７が照合部２２と辞書部２３とで構成されており、対話制御部１５が記憶部２４、入力部２５、後処理部２６及び辞書制御部２７で構成されている。音声認識部１７においては、照合部２２が、音声入力部１８から取得した音声データに対し、辞書部２３内に記憶されている辞書データを用いて照合を行うのであるが、その照合部における照合処理に先立って、対話制御部１５の辞書制御部２７が辞書に記憶されている辞書データの制御を行う。具体的には、記憶部２４に記憶されている参照データを参照して省略可能な上位階層リストを作成し、その省略可能な上位階層部分を辞書部２３内に記憶されている辞書データから一時的に省略する。このように辞書制御がなされた辞書データを用いて照合部２２が照合処理を実行するものである。
【００２９】
そして、照合部２２にて複数の比較対象パターン候補と比較されて類似度が高いとされた上位比較対象パターンは、対話制御部１５の記憶部へ出力されることとなる。
【００３０】
音声認識部１７においては、照合部２２が、音声入力部１８から取得した音声データに対し、辞書部２３内に記憶されている複数の比較対象パターン候補と比較して類似度の高い上位比較対象パターンを対話制御部１５の記憶部２４へ出力する。そして、記憶部２４では、この上位比較対象パターンを記憶しておく。また、入力部２５は制御回路５からの外部状況を入力するのであるが、その入力した外部状況も記憶部２４に記憶される。この場合の外部状況とは、上述した位置検出器２によって検出した位置に基づく現在値のデータである。尚、この記憶部２４に記憶された上位比較対象パターンや入力した外部状況である現在データなどは、所定の確定指示がなされた場合にはクリアされる。
【００３１】
そして、後処理部２６では、例えば上記所定の確定指示がなされた場合に制御回路５へデータを送って所定の処理をするように指示する「確定後処理」を実行したり、或いは音声合成部１６へ音声データを送って発音させるように指示する処理を実行する。尚、この場合の制御回路５へ送るデータとしては、最終的な認識結果としての上位比較対象パターンの全てでもよいし、或いはその内の最上位のものだけでもよい。
【００３２】
次に、本実施の形態のカーナビゲーションシステム１の動作について説明する。尚、音声認識装置９に関係する部分が特徴であるので、カーナビゲーションシステムとしての一般的な動作を簡単に説明した後、音声認識装置９に関係する部分の動作について詳しく説明する。
【００３３】
カーナビゲーションシステム１の電源オン後に、表示装置７上に表示されるメニューから、運転者がリモコン１４（操作スイッチ群４でも同様に操作できる。以後の説明においても同じ）により、案内経路を表示装置７に表示させるために経路情報表示処理を選択した場合、或いは音声認識装置９を介して希望するメニューをマイク１９を介して音声入力することで、対話制御部１５から制御回路５へ、リモコン１４に対する操作により選択されるのと同様の指示がなされた場合、次のような処理を実施する。
【００３４】
即ち、運転者が表示装置７上の地図に基づいて、音声或いはリモコン１４などの操作によって目的地を入力すると、位置検出器２により車両の現在地が求められ、目的地と現在地との間に、ダイクストラ法によりコスト計算して、現在地から目的地までの最も短距離の経路を誘導経路として求める処理が行われる。そして、表示装置７上の道路地図に重ねて誘導経路を表示して、運転者に適切なルートを案内する。このような誘導経路を求める計算処理や案内処理は一般的によく知られた処理であるので説明は省略する。
【００３５】
次に、カーナビゲーションシステム１における動作について、上述の経路案内のための目的地を音声入力する場合を例にとって説明する。図３は、その場合の処理を示すフローチャートである。
【００３６】
まず、初期値を設定する（Ｓ１）。つまり、ｉを１に設定すると共に、繰返し許容回数Ｎを予め使用者により設定されている例えば３に設定する。そして、使用者による音声入力を受け付ける（Ｓ２）。つまり、上述したように、ＰＴＴスイッチ２０が押されている間にマイク１９を介して入力された音声データのみが音声入力部１８から音声認識部１７に出力されるので、この音声入力部１７からの音声入力を受け付ける。
【００３７】
ここで、例えば使用者が「ふじさん（富士山）」と音声入力したときは、地名辞書のtree構成を示す図４に示すように、「ふ」が「根」（tree構成のもっとも左に位置する◎（ノード）から先行順走査にしたがって各辺（tree構成の−）に割り付けられた音節を辿ることで「ふじさん」という単語が完成する。
【００３８】
次に音声認識処理を実行する。基本的には、取得した音声データに対して辞書部２３内に記憶されている辞書データを用いて照合を行う。そして、照合開始頂点から始まる単語との照合結果により「ふじさん」を認識することができるので（Ｓ３：ＹＥＳ）、「富士山を表示します」と音声出力してから（Ｓ４）、該当する地図画面を表示する（Ｓ５）。
【００３９】
ところで、使用者が「ふじ」とだけ音声入力したときは、「ふじ」が「富士宮市」なのか、「富士山」なのか、「富士急ハイランド」なのか、それとも他の「ふじ」が頭につく語なのかを音声認識ができないことがある（Ｓ３：ＮＯ）。また、使用者が「ふじさん」と早口で音声入力した場合において、「ふじ」と認識することができるものの、それ以降の語を認識できないときは、同様に「ふじ」を正しく音声認識できないことになる。
【００４０】
このような場合、次のようにして予備音声案内を実行する。
即ち、音声認識データが前回データと同一かを判断する（Ｓ６）。このとき、音声認識データは前回データと同一でないと共に（Ｓ６：ＮＯ）、ｉ＝１であることから（Ｓ９：ＹＥＳ）、ｉをインクリメント（ｉ＝２）すると共に、照合結果による上位音声認識候補（例えば富士宮市、富士山、富士急ハイランド、……）をデータ保存してから（Ｓ１２）、「もう一度言って下さい」と音声案内する（Ｓ１３）。
【００４１】
そして、使用者が「ふじ」と再び音声入力したと認識した場合は、再び音声認識できない。このとき、音声認識できなかった音声データが前回データであると判断されると共に（Ｓ６：ＹＥＳ）、ｉ≧３でないことを確認してから（Ｓ７：ＮＯ）、ｉをインクリメント（ｉ＝３）すると共に、照合結果による上位候補をデータ保存してから（Ｓ１２）、「もう一度言って下さい」と音声案内する（Ｓ１３）。
【００４２】
ここで、以上のようにして「もう一度言って下さい」と２回音声案内するにもかかわらず再度同一の音声データを音声認識できなかったときは、ｉ＝３であることから（Ｓ７：ＹＥＳ）、データ保存されている照合結果のうちの上位音声認識候補から順に使用者に音声案内する。この場合、上位候補は、照合結果の類似度を数値化して決定する。
【００４３】
そして、上位候補から順に「富士宮市ですか」、「富士山ですか」、「富士急ハイランドですか」などと順に問い掛け（Ｓ８）、使用者が「はい」若しくは「＊＊＊です」などと上位候補の何れかを特定するような返答した問い掛けを認識結果として確定し、該当する地図を表示する。
【００４４】
このような第１の実施の形態によれば、所定回数連続して音声認識に失敗したときは、音声認識結果による上位候補から順に問い掛けるようにしたので、音声認識を失敗する毎に「もう一度入力下さい」と繰返して音声案内する構成に比較して、使用者にとっては、使用感が向上すると共に、音声認識をより確実に素早く行うことができるようになる。
【００４５】
また、音声認識結果ができなかった場合において前回の音声認識結果と同一のときのみ音声認識を失敗したとみなすようにしたので、使用者が入力音声を途中で変更した場合には、そのタイミングから失敗回数をカウントすることになり、再入力を促す音声案内を適切な回数だけ行うことができ、使用感の向上を図ることができる。
【００４６】
また、音声認識を失敗したときは、音声認識の上位候補データを保存し、その上位候補のうちの類似度の高い順に問い掛けるようにしたので、少ない問い掛けにより音声入力を認識することができる。
【００４７】
尚、問い掛け音声は、保存データのうち類似度の高い順にしなくとも、保存データをランダムに（順次）問い掛けるようにしてもよい。
【００４８】
（第２の実施の形態）
音声認識部１７には複数の音声データの属性（例えばコマンドデータ、施設データ、住所データ等）を確定する属性確定機能が備えられている（属性確定手段に相当）。
【００４９】
即ち、上述したように使用者が発声する音声データの認識が所定回数連続して失敗している状態では、一方において音声認識結果に基づいて音声データの属性を確定し、その確定した属性に適した音声案内を行う。つまり、音声認識により音声データが住所データであると確定した場合は、まず、「都道府県名を入力して下さい」と音声案内する。そして、使用者が「静岡県」と音声入力することにより上位階層データを確定したときは、「次に市区郡町村名を入力して下さい」と音声案内することにより、中間階層データを音声入力により確定し、以後、下位階層データである町域データ（大字、小字、番地）を確定することにより住所データを確定するようにしてもよい。
【００５０】
このような第２の実施の形態によれば、音声データの属性が確定したときは、属性に適した質問を問い掛けることにより、音声データの属性に適した音声認識を行うことができ、第１の実施の形態と同様に、音声認識をより確実に素早く行うことができる。
【００５１】
（第３の実施の形態）
音声認識部１７には使用者の発声特徴を学習する学習機能が備えられている（学習手段に相当）。
即ち、使用者の音声データを所定回数連続して音声認識できなかったときは、例えば「音声を学習しますあいうえおとお話し下さい」と音声案内する。
【００５２】
そして、使用者が「あいうえお」と音声入力したときは、音声データに基づいて使用者の音声の特徴を学習してから、「学習完了しました入力下さい」と音声案内し、学習した音声の特徴に基づいて音声データを音声認識する。
【００５３】
この第３の実施の形態によれば、使用者の音声の特徴を学習し、学習した音声の特徴に基づいて音声認識を行うようにしたので、第１の実施の形態と同様に、音声認識をより確実に素早く行うことができる。
【００５４】
（第４の実施の形態）
音声認識装置１７には、予め使用者の音声の特徴が学習により記憶されている（特徴記憶手段に相当）。
【００５５】
この場合、使用者の音声データを所定回数連続して音声認識できなかったときは、音声入力或いはスイッチ操作により使用者を特定するように音声案内し、音声データ或いはスイッチ入力により使用者が特定できたときは、その使用者に対応して学習記憶してある特徴で音声認識する。
【００５６】
この第４の実施の形態によれば、使用者の音声特徴を予め学習記憶しておき、使用者を特定したときに使用者の音声の特徴に基づいて音声認識するようにしたので、第１の実施の形態と同様に、音声認識をより確実に素早く行うことができる。
【００５７】
本発明は、上記実施の形態にのみ限定されるものではなく、次のように変形または拡張できる。
音声認識データを所定回数連続して失敗したときの音声案内としては、「もう一度言って下さい」という音声案内に代えて、「もっとゆっくり言って下さい」、或いは「もっとはっきり言って下さい」、或いは「省略せずに言って下さい」というように音声案内するようにしてもよい。
尚、上記実施の形態に示される繰返し許容回数Ｎが１であれば、音声認識が一回失敗した時点で即予備案内が実行される。
【００５８】
音声認識装置の適用としては、空調システムに適用して、音声入力により設定温度、空調モード（冷房、暖房、ドライ）の選択、或いは風向モードの選択を行うようにしてもよい。さらには、カーオーディオ、パワ−ウインドの開閉、ミラーの角度調整に適用するようにしてもよい。
【００５９】
ナビゲーションシステムや空調システムを、例えば携帯型ナビゲーションシステム或いは屋内用空調装置などのように車載機器以外に適用してもよい。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態における全体構成を示すブロック図
【図２】音声認識部及び対話制御部を詳細に示すブロック図
【図３】全体の動作を示すフローチャート
【図４】地名の階層構造の説明図
【符号の説明】
１はカーナビゲーションシステム、１５は対話制御部（音声案内手段、属性確定手段、学習手段）、１７は音声認識部（認識手段、辞書手段、認識候補記憶手段、特徴記憶手段）、１９はマイク（音声入力手段）である。

Claims

入力音声を音声信号に変換するための音声入力手段と、
この音声入力手段からの音声信号を、予め辞書手段に記憶されている複数の比較対象パターン候補と比較して類似度の高いものを認識結果とする認識手段と、この認識手段による音声認識が失敗したときは再度の音声入力を促す音声案内を実行する音声案内手段とを備えた音声認識装置において、
前記認識手段が音声認識を失敗したときは認識できた音声から始まる音声認識候補のうちから類似度の高い上位音声認識候補を記憶する認識候補記憶手段を備え、
前記音声案内手段は、前記認識手段による音声認識が所定回数失敗したときは、再度の音声入力を促す前記音声案内に代えて前記認識候補記憶手段に記憶された上位音声認識候補を用いた問い掛けを行う予備音声案内を実行し、
前記認識手段は、前記音声案内手段による予備音声案内に応じて入力された音声入力に基づいて音声認識することを特徴とする音声認識装置。
前記音声案内手段は、前記認識手段が音声認識できなかった入力音声が前回認識できなかった入力音声と同一であると判断した場合に音声認識を失敗したとみなすことを特徴とする請求項１記載の音声認識装置。
前記所定回数は、使用者により更新可能であることを特徴とする請求項１または２記載の音声認識装置。
前記認識手段による認識結果に基づいて音声データの属性を確定する属性確定手段を備え、
前記音声案内手段は、前記属性確定手段が確定した属性に適した質問の問い掛けを前記予備音声案内として実行し、
前記認識手段は、前記音声案内手段による問い掛けに応じた返答に対して音声認識することを特徴とする請求項１乃至３の何れかに記載の音声認識装置。
音声データの特徴を学習する学習手段を備え、
前記音声案内手段は、前記学習手段が必要とする所定の音声を使用者に対して発声させるような問い掛けを前記予備音声案内として実行し、
前記学習手段は、前記音声案内手段による問い掛けに応じた返答に基づいて音声の特徴を学習し、
前記認識手段は、前記学習手段が学習した音声の特徴に基づいて音声認識することを特徴とする請求項１乃至３の何れかに記載の音声認識装置。
予め使用者毎の音声データの特徴を記憶している特徴記憶手段を備え、
前記音声案内手段は、使用者を特定するための質問の問い掛けを前記予備音声案内として実行し、
前記認識手段は、前記音声案内手段による問い掛けに応じて特定した使用者に対応して前記特徴記憶手段に記憶されている特徴に基づいて音声認識することを特徴とする請求項１乃至３の何れかに記載の音声認識装置。