キーワード選択方法、音声認識方法、キーワード選択システム、およびキーワード選択装置
【課題】様々な発話内容を待ち受けることができるキーワードを選択すること。
【解決手段】音声認識部１１２は、ディスク１５１に記録された音声認識対象単語の中から音響的な共通部分をキーワードとして選択し、選択したキーワードを用いてマイク１３０を介して入力された発話音声を認識する。
【解決手段】音声認識部１１２は、ディスク１５１に記録された音声認識対象単語の中から音響的な共通部分をキーワードとして選択し、選択したキーワードを用いてマイク１３０を介して入力された発話音声を認識する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、キーワード選択方法、音声認識方法、キーワード選択システム、およびキーワード選択装置に関する。
【背景技術】
【０００２】
次のような音声認識装置が、例えば特許文献１によって知られている。この音声認識装置は、上位階層辞書で都道府県名の入力を待ち受け、上位階層辞書で認識した都道府県名を含む市町村名を辞書データとして下位階層辞書を構成し、当該下位階層辞書で市町村名の入力を待ち受ける。
【０００３】
【特許文献１】特開２００１−３０６０８８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来の装置では、いずれの階層でも都道府県名や市町村名などのように、意味のある単語を待ち受け単語としているため、上位階層辞書で認識した単語の意味を含まない単語は下位階層辞書で認識することができず、音声認識の自由度が高いものとは言えなかった。
【課題を解決するための手段】
【０００５】
本発明によるキーワード選択方法は、音声認識用辞書に記録された音声認識対象単語の中から選択したキーワードを用いて音声入力手段を介して入力された発話音声を認識する音声認識装置で使用するキーワード選択方法であって、音声認識対象単語の音響的な共通部分をキーワードとして選択することを特徴とする。
本発明による音声認識方法は、音声認識用辞書に記録された音声認識対象単語の中から、請求項１〜１０のいずれか一項に記載のキーワード選択方法を使用して、音声認識対象単語の音響的な共通部分をキーワードとして選択し、音声認識対象単語の中から、キーワードおよびキーワードを含まない音声認識対象単語を音声認識実行時の待ち受け単語として読み込み、待ち受け単語と、発話音声とをマッチング処理して発話音声を認識することを特徴とする。
本発明によるキーワード選択システムは、音声認識対象単語を記録した音声認識用辞書を有するサーバ、およびサーバから音声認識対象単語を取得する取得手段と、請求項１〜１０のいずれか一項に記載のキーワード選択方法を実行して、音声認識対象単語の音響的な共通部分をキーワードとして選択するキーワード選択手段とを備えるキーワード選択装置を所定の通信回線で接続することを特徴とする。
本発明によるキーワード選択装置は、請求項１９〜２３のいずれか一項に記載のキーワード選択装置であること特徴とする。
【発明の効果】
【０００６】
本発明によれば、音声認識対象単語の音響的な共通部分をキーワードとして選択するようにしたので、このように選択したキーワードを待ち受け単語とすることで、単語の意味に関わらず音響的に発話音声を認識することができ、音声認識の自由度を向上することができる。
【発明を実施するための最良の形態】
【０００７】
図1は、本実施の形態における音声認識装置の一実施の形態の構成を示すブロック図である。音声認識装置１００は、例えば、車両に搭載されたナビゲーション装置に実装され、使用者は、当該音声認識装置１００から出力される応答メッセージに従って音声入力を行うことにより、ナビゲーション装置を操作することができる。
【０００８】
音声認識装置１００は、ユーザが音声認識開始を指示するための発話開始スイッチ１２０と、ユーザの発話音声を入力するマイク１３０と、マイク１３０を介して入力された音声データを音声認識し、その内容に応じて施設や経路を検索してその結果を表示したり応答を返したりする制御装置１１０と、メモリ１４０と、地図データやガイダンス音声の音声データ、および音声認識処理の際に使用する音声認識用辞書・文法を格納するディスク１５１を読み取るディスク読取装置１５０と、ナビゲーション装置が出力する地図やメニュー画面、および音声認識装置１００が出力する音声認識結果を表示するモニタ１６０と、音声を出力するスピーカ１７０とを備えている。
【０００９】
メモリ１４０は、音声認識辞書・文法１４１と、現時点までの発話理解結果１４２を格納している。音声認識辞書・文法１４１は、音声認識のために使用する待ち受け単語であり、ナビゲーション装置の操作に使用される語句および文、すなわち操作コマンドおよび地名や施設名、道路名などの固有名詞およびこれらの語句を含む文を受理するために使用される。この音声認識辞書・文法１４１は、ディスク１５１に格納された音声認識用辞書・文法（音声認識用辞書）の中から制御装置１１０によって必要な音声認識対象単語（音声認識対象語句）のみが取り出され、メモリ１４０上にロードされたものである。
【００１０】
なお、本実施の形態では、ナビゲーション装置上での目的地設定をメインタスクとする。そのため、入力文としては「神奈川県」、「横浜駅」などといった施設に関する発話を受理するように音声認識用辞書・文法を整備する必要がある。ただし、本実施の形態で想定するメモリ１４０の容量は、施設検索タスク全体で取り扱う可能性のある施設名や地名全てを読み込むために必要なメモリ量に対して数分の１程度と小さい。そのため、ディスク１５１に格納されている音声認識用辞書・文法の全てをメモリ１４０上に読み込むことはできない。
【００１１】
したがって、制御装置１１０は、ディスク１５１に格納された音声認識用辞書・文法の中から必要な認識対象語句のみを取り出してメモリ１４０上にロードする必要がある。このために、例えば、使用者によって施設名が発話されると、最初は後述するキーワード文法によって荒い認識（初回認識）を行ない、この結果に基づいて文法を切り替えて詳細な認識（再認識）処理を行なう。そして、初回認識の結果と再認識の結果とあわせた上で最適な理解結果を最終的な理解結果（発話理解結果）として選択する。発話理解結果１４２には、この初回認識の結果を保存する。なお、初回認識、再認識の各処理については後述する。
【００１２】
制御装置１１０は、入力制御部１１１と、音声認識部１１２と、理解結果生成部１１３と、対話制御部１１４と、ＧＵＩ表示制御部１１５と、音声合成部１１６とを備えている。使用者によって音声認識開始スイッチ１２０が操作され、音声認識開始合図が入力されると、入力制御部１１１がこれを受け取り、音声認識部１１２に音声取り込み開始を指示する。音声取り込みが開始されると、音声認識部１１２はマイク１３０からの音声入力に対して音声認識処理を実行し、理解結果生成部１１３は音声認識部１１２の音声認識結果に基づいて理解結果生成処理を実行する。
【００１３】
また、対話制御部１１４は、使用者に対する応答文を生成してＧＵＩ表示制御部１１５および音声合成部１１６へ出力する。ＧＵＩ表示制御部１１５は応答文のＧＵＩデータを生成してモニタ１６０へ出力し、音声合成部１１６は応答文の音声データを生成してスピーカ１７０を介して出力する。なお、入力制御部１１１〜音声合成部１１６の各部は、これらの処理を目的地設定や施設検索など、ナビゲーション装置上での一連のタスクが終了するまで繰り返し実行する。
【００１４】
以下、図２に示すフローチャートに従って、制御装置１１０および制御装置１１０が備える各部によって実行される音声対話処理について説明する。なお、この図２に示す処理は、ナビゲーション装置の電源がオンされることによって音声認識装置１００が起動されると起動するプログラムとして実行される。
【００１５】
ステップＳ１において、制御装置１１０は、ディスク読み取り装置１５０を介してディスク１５１からキーワード認識用のキーワード文法と、キーワードを含まない語句を認識するためのキーワード外文法の２種類を初回認識用の音声認識用辞書・文法１４１、すなわち音声認識実行時の待ち受け単語としてメモリ１４０上にロードするためのキーワード選択処理を実行する。
【００１６】
ここで、キーワード文法とは、認識対象語句に多く含まれる音素列であるキーワードとそれ以外の部分を吸収するＧａｒｂａｇｅからなるワードスポット文法であり、キーワードは各認識対象単語に共通する音響的特長である。また、キーワード外文法は、認識対象語句の中で、その発音音素列の中にどのキーワードも含まない語句を認識するための文法である。なお、上述したように、メモリ１４０の容量の都合上、ディスク１５１に格納されている音声認識用辞書・文法の全てをメモリ１４０上に読み込むことはできないため、制御装置１１０は、ここでは図４で後述するキーワード選択処理を実行して、必要なキーワード文法、およびキーワード外文法のみを取り出すようにする。
【００１７】
その後、ステップＳ２へ進み、入力制御部１１１は、使用者によって音声認識開始スイッチ１２０が押下されたか否かを判断する。音声認識開始スイッチ１２０が押下されたと判断した場合には、入力制御部１１１は、音声認識部１１２に対して音声認識処理の開始を指示してステップＳ３へ進む。ステップＳ３では、音声認識部１１２は、マイク１３０から入力される音声の取り込みを開始する。その後、ステップＳ４へ進み、音声認識部１１２は、マイク１３０からの音声データを検出して、使用者による発話があったか否かを判断する。使用者による発話があったと判断した場合には、ステップＳ５へ進む。
【００１８】
ステップＳ５では、音声認識部１１２は、音声認識用辞書・文法１４１に格納されたキーワード文法、およびキーワード外文法の両方を待ち受け文法（初回認識用の文法）とし、入力された音声データを、初回認識用の文法とマッチングすることによって、初回認識処理を実行する。この初回認識処理の際には、音声認識部１１２は、入力された音声データと各待ち受け文法との音響的な近さである音響尤度が計算され、この音響尤度が高いものから順に上位Ｎ個（＝Ｎ−ｂｅｓｔ）が認識結果の候補となる。すなわち、初回認識時にはキーワード文法とキーワード外文法の両方を使用して音声認識処理を行なうため、認識結果の候補としては、キーワード文法に含まれるキーワードと、キーワード外文法に含まれる単語との両方が現れる可能性がある。
【００１９】
その後、ステップＳ６へ進み、理解結果生成部１１３は、音声認識部１１２によって得られた認識結果の候補Ｎ−ｂｅｓｔに対して信頼度計算を行なう。なお、信頼度計算については、例えば特開２００１−０３４２９２号公報に記載されているように公知の技術であるため、詳細についての説明は省略する。そして、ステップＳ７において、理解結果生成部１１３は、信頼度計算の結果を初回認識時の発話理解結果１４２としてメモリ１４０に保存する。その後、ステップＳ８へ進む。
【００２０】
ステップＳ８では、音声認識部１１２は、理解結果生成部１１３による初回認識における信頼度計算の結果に基づいて、待ち受けに使用する文法を切り替えた再認識が必要か否かを判断する。具体的には、音声認識部１１２は、事前に行った認識処理が初回認識であり、かつ初回認識の結果得られるＮ−ｂｅｓｔ中にキーワードが含まれている場合には、当該キーワードを認識結果の候補とし、このキーワードを対象とした再認識が必要であると判断して、ステップＳ９へ進む。これに対して、Ｎ−ｂｅｓｔ中にキーワードが含まれていない場合には、再認識は必要ないと判断して、後述するステップＳ１２へ進む。
【００２１】
ステップＳ９では、再認識処理を行うために、音声認識に使用する文法を初回認識用の文法から再認識用の文法に切り替える。ここでは、キーワード文法の中からＮ−ｂｅｓｔ中で最も信頼度の高いキーワードを含む認識対象単語を抽出して、再認識用の文法とする。例えば、Ｎ−ｂｅｓｔ中で最も信頼度の高いキーワードが「東京」である場合には、キーワード文法の中から「東京駅」や「東京タワー」などの「東京」を含む認識対象単語を抽出して再認識用の文法とする。この再認識用の文法も音声認識用辞書・文法１４１に格納される。
【００２２】
その後、ステップＳ１０へ進み、音声認識部１１２は、入力された音声データを、音声認識用辞書・文法１４１に格納した再認識用の文法とマッチングすることによって、再認識処理を実行して、ステップＳ１１へ進む。ステップＳ１１では、理解結果生成部１１３は、再認識処理の結果に対して信頼度計算を行ってステップＳ１２へ進む。
【００２３】
ステップＳ１２では、理解結果生成部１１３は、初回認識の結果および再認識の結果に基づいて、最適な発話理解結果を選択する。すなわち、再認識処理が実行されなかった場合には、初回認識時にキーワード外文法によって認識された最も信頼度の高い単語を発話理解結果として選択する。これに対して、再認識処理が実行された場合には、再認識時の発話理解結果とメモリ１４０に保存しておいた初回認識時の発話理解結果１４２とに基づいて発話理解結果を選択する。すなわち、理解結果生成部１１３は、再認識処理の結果、最も信頼度が高かったキーワードの尤度と、初回認識時にキーワード外文法によって認識された最も信頼度の高い単語の尤度とを比較し、尤度が高い方を最終的な発話理解結果として選択する。
【００２４】
その後、ステップＳ１３へ進み、対話制御部１１４は、理解結果生成部１１３によって選択された発話理解結果に応じて、あらかじめ設定されたルールに従って、使用者に対して応答するための応答文を生成して、ＧＵＩ表示制御部１１５および音声合成部１１６へ出力する。そして、ステップＳ１４では、ＧＵＩ表示制御部１１５は応答文のＧＵＩデータを生成してモニタ１６０へ出力し、音声合成部１１６は応答文の音声データを生成してスピーカ１７０を介して出力する。その後、ステップＳ１５へ進む。
【００２５】
ステップＳ１５では、制御装置１００は、目的地設定や経路選択などの一連のタスクが一通り完了したかどうか否かを判断し、完了していないと判断した場合には、ステップＳ２へ戻って処理を繰り返す。これに対して、完了したと判断した場合には、ステップＳ１６へ進む。ステップＳ１６では、音声認識装置１００の電源がオフされたか否かを判断し、オフされていなければステップＳ２へ戻って処理を繰り返す。一方、オフされたと判断した場合には、処理を終了する。
【００２６】
次に、以上説明した処理の具体例について、図３を用いて説明する。ここでは、使用者が「東京ディズニーランド（登録商標）」と発話した場合について説明する。このとき、音声認識部１１２は、キーワード文法２０１とキーワード外文法２０２とを初回認識時の待ち受け文法として音声を待ち受けている。音声認識部１１２は、まずはこの二つの文法を平行して使用して音声を認識する。このとき、再認識処理のために入力された音声データはメモリ１０４に保存しておく。図３に示す例では、使用者による発話「東京ディズニーランド」に対して、初回認識時にキーワード文法２０１で「トウキョウ」が認識されている。
【００２７】
このため、音声認識部１１２は、音素列「トウキョウ」を含む単語のみを受理するための再認識用文法２０３をメモリ１４０上に読み込み、先ほど保存しておいた入力された音声データを再認識する。このように、キーワード文法を使った荒い認識によって、詳細な認識を認識対象語句の「あたり」をつけることで、メモリ上に一度にロードできないような大語彙認識であっても、短時間で認識処理を行なうことができる。
【００２８】
また、住所上では東京都でない施設や、「コウトウキョウイクセンター」（高等教育センター）のように、意味上の「東京」とは関係のない施設や住所であっても音素列「トウキョウ」を含んでいれば、それらの単語を再認識用文法２０３に登録することができる。このため、意味上の分類にはとらわれず、音素列の情報のみでキーワードおよび切り替える文法を設定することができ、音さえ認識すれば、その意味や分類上の制約には関係なく、音声認識を行うことができる。
【００２９】
同様に、使用者が「サンシャイン６０」などといった、キーワードを含まない単語を発話した場合には、キーワード外文法２０２でこれを受理する。そしてこの入力に対してキーワード文法で認識結果が得られなければ、これをキーワード外文法の認識結果をそのまま理解結果として出力し、キーワード文法とキーワード外文法の両方で認識結果が得られた場合にはそれぞれの尤度を比較して最終的な発話理解結果を選択する。このように、キーワード外文法をキーワード文法と併用することで、キーワードを持たない語句であっても認識することができる。
【００３０】
次に、ステップＳ１で実行されるキーワード選択処理について説明する。図４は、本実施の形態におけるキーワード選択処理を示すフローチャートである。なお、本実施の形態では、次の基準に合致するような音素列をキーワードとして選択する場合について説明する。
（基準１）各キーワードを含む単語の数が、同時認識可能な範囲でなるべく多くなること。
（基準２）キーワードを含まない認識対象語句とキーワードを併せた数が同時認識可能な範囲に納まること。
【００３１】
ステップＳ２１において、キーワードを含む単語数のボーダーラインＢｉの初期値を設定する。Ｂｉは、Ｂｉよりも多くの単語に含まれる音素列をキーワードとして選択するためのボーダーラインとして使用する。今回、キーワードを含む単語数のボーダーラインＢｉの初期値は、同時認識可能な最大単語数のＭａｘＲｅｃとした。ここでは、より多くの単語に含まれる音素列を優先してキーワードとして選択するために、ボーダーラインＢｉを大きい値から徐々に下げながらキーワード選択を行なう。
【００３２】
その後、ステップＳ２２へ進み、今回調べるキーワード候補のモーラ数（Ｎ）の初期値を設定する。今回のループでは、モーラ数Ｎの音素列をキーワードの候補として選択する。本実施の形態では、モーラ数Ｎの初期値は、認識対象単語の中で最も長いモーラ数をもつ単語のモーラ数ＭａｘＭｏｒａとしているが、認識対象語彙によっては、ＭａｘＭｏｒａの１／２から１／３程度に設定してもよい。
【００３３】
その後、ステップＳ２３へ進み、後述する図５に示すキーワード候補選択処理を実行して、認識対象語句Ｗｉに含まれるモーラ数がＮの音素列の数を調べる。ここでは、モーラ数がＮのある音素列が、認識対象語句Ｗの中にＢｉ個以上、ＭａｘＲｅｃ個以下見つかれば、これをキーワード候補Ｋαに加えるようにする。その後、ステップＳ２４へ進む。
【００３４】
ステップＳ２４では、今回調べたキーワードのモーラ数Ｎとキーワードの最小モーラ数ＭｉｎＭｏｒａとを比較して、ＮがＭｉｎＭｏｒａより大きいか否かを判断する。ＮがＭｉｎＭｏｒａより大きい場合には、ステップＳ２５へ進み、選択するキーワードのモーラ数Ｎをひとつ減らして、ステップＳ２３へ戻り、Ｂｉ個以上ＭａｘＲｅｃ個以下の認識対象単語に含まれるキーワード候補の選択を繰り返す。これに対して、ＮがＭｉｎＭｏｒａ以下の場合は、ステップＳ２６へ進み、認識対象単語Ｗから、キーワード候補Ｋαリストのどれかひとつ以上のキーワード候補を含む単語を除いた、キーワードをひとつも含まない単語の集合Ｗｉを求める。
【００３５】
その後、ステップＳ２７へ進み、キーワードを含まない単語Ｗｉの数Ｎｕｍ（Ｗｉ）とキーワードＫαの数Ｎｕｍ（Ｋα）の合計が同時待ち受け可能単語数ＭａｘＲｅｃより大きいか否かを判断する。これは、初回認識時にキーワードと平行して認識するキーワードを持たない単語集合の合計が、同時待ち受け可能な範囲に収まっているかどうかを調べるためである。その結果、キーワードを含まない単語の数Ｎｕｍ（Ｗｉ）が同時待ち受け可能な語彙数ＭａｘＲｅｃに収まっていなければ、ステップＳ２８へ進み、キーワードを含む単語数のボーダーラインＢｉを１／２倍する。その後、ステップＳ２２へ戻って処理を繰り返す。
【００３６】
一方、キーワードを含まない単語の数Ｎｕｍ（Ｗｉ）が同時待ち受け可能な語彙数ＭａｘＲｅｃに収まっていれば、ステップＳ２９へ進み、キーワードをＫαとして設定する。その後、ステップＳ３０へ進み、図７で後述するキーワードの再整理処理を実行して、処理を終了する。なお、上述した処理においては、モーラ数の最低値は固定値ＭｉｎＭｏｒａを使用したが、モーラ数が多い音素列を優先してキーワードとするために、モーラ数の最低値ＭｉｎＭｏｒａは大きめの値に設定して、徐々に下げる方法をとってもよい。
【００３７】
次に、ステップＳ２３で実行されるキーワード候補選択について、図５を用いて説明する。このキーワード候補選択処理では、単語ｗｓに含まれるモーラ数Ｎの全ての音素列について、認識対象単語の集合Ｗ中にＢｉ個以上、ＭａｘＲｅｃ個以下含まれているかどうかを調べ、Ｂｉ個以上含まれている場合には、これをキーワード候補とする。また、認識対象単語集合Ｗに含まれる全ての単語を、順に単語サンプルｗｓとして取り上げ、そこに含まれるモーラ数Ｎの全ての音素列について調べる。具体的には次のように処理する。
【００３８】
ステップＳ４１において、キーワード設定のために今回調べる認識対象単語集合Ｗから認識対象単語をサンプルとしてひとつ取り出し、これを単語サンプルｗｓとする。そして、単語サンプルｗｓの先頭から順に調べていくために、ｗｓの先頭から単語サンプルｗｓに含まれるモーラ数Ｎの音素列ｋｓの開始位置までの距離ｎｓを０に設定する。その後、ステップＳ４２へ進み、単語ｗｓから、ｗｓの先頭からの距離ｎｓの位置で始まるモーラ数Ｎの音素列ｋｓが抽出できるか否かを判断するために、ｗｓの先頭からの距離ｎｓとモーラ数Ｎの合計が、単語ｗｓのモーラ数ｌｅｎ（ｗｓ）以下か否かを判断する。
【００３９】
ｗｓの先頭からの距離ｎｓとモーラ数Ｎの合計が、単語ｗｓのモーラ数ｌｅｎ（ｗｓ）より大きいと判断した場合には、単語ｗｓからモーラ数Ｎの音素列は抽出できないと判定してステップＳ４３へ進む。ステップＳ４３では、単語ｗｓが単語集合Ｗｉの最後の単語かどうかを判断し、最後でなければ次の単語を調べるためにステップＳ４１へ戻って処理を繰り返す。これに対して、単語ｗｓが単語集合Ｗｉの単語であったならば、キーワード選択処理を終了して図５に示す処理に復帰する。
【００４０】
一方、ｗｓの先頭からの距離ｎｓとモーラ数Ｎの合計が、単語ｗｓのモーラ数ｌｅｎ（ｗｓ）以下であると判断した場合には、ステップＳ４４へ進む。ステップＳ４４では、ｗｓ先頭からの距離ｎｓの位置の文字が促音（「っ」）であるか否かを判断する。ｗｓ先頭からの距離ｎｓの位置の文字が促音であると判断した場合には、ステップＳ５５へ進み、ｗｓから取り出す音素列の開始位置を１モーラずらして処理を繰り返す。これに対して、ｗｓ先頭からの距離ｎｓの位置の文字が促音でないと判断した場合には、ステップＳ４５へ進む。
【００４１】
ステップＳ４５では、単語ｗｓから、ｗｓの先頭からの距離ｎｓの位置で始まるモーラ数Ｎの音素列を抽出し、ｗｓから取り出した音素列をｋｓとする。このとき、音素列ｋｓを含む単語の数を数えるためのカウンタＣｋｓをリセットしておく。すなわち、Ｃｋｓ＝０とする。その後、ステップＳ４６へ進み、認識対象単語集合Ｗから単語をひとつ取り出し、これをｗｔとする。このとき、単語サンプルｗｔの先頭から調べるためにｗｔの先頭から単語サンプルｗｔに含まれるモーラ数Ｎの音素列ｋｔの開始位置までの距離ｎｔを０としておく。その後、ステップＳ４７へ進む。
【００４２】
ステップＳ４７では、単語の先頭からの距離ｎｔとモーラ数Ｎの合計が、単語ｗｔのモーラ数ｌｅｎ（ｗｔ）以下であるか否かを判断する。単語の先頭からの距離ｎｔとモーラ数Ｎの合計が単語ｗｔのモーラ数ｌｅｎ（ｗｔ）より大きい場合には、単語ｗｔからこれ以上モーラ数Ｎの音素列は抽出できないと判断して、後述するステップＳ５２へ進む。これに対して、単語の先頭からの距離ｎｔとモーラ数Ｎの合計が単語ｗｔのモーラ数ｌｅｎ（ｗｔ）以下である場合には、単語ｗｔから、先頭からの距離ｎｔの位置で始まるモーラ数Ｎの音素列ｋｔが抽出できると判断して、ステップＳ４８へ進む。
【００４３】
ステップＳ４８では、単語ｗｔから、先頭からの距離ｎｔの位置で始まるモーラ数Ｎの音素列ｋｔを抽出する。その後、ステップＳ４９へ進み、抽出した音素列ｋｔを単語サンプルｗｓから取り出した音素列ｋｓと比較して、両者が等しいか否かを判断する。両者が等しい場合には、ステップＳ５１へ進み、カウンタＣｋｓをインクリメントして、ステップＳ５２へ進む。一方、両者が異なる場合には、ステップＳ５０へ進み、単語ｗｓから音素列を取り出す位置を１モーラずらしてステップＳ４７へ戻り、次の音素列を調べる。
【００４４】
ステップＳ５２では、ｗｔが認識対象語句Ｗの最後の単語であるか否かを判断する。最後の単語でないと判断した場合には、ステップＳ４６へ戻って次の単語を取り出し、これに音素列ｋｓが含まれるかどうかを調べるためにＳ４６からＳ５２を繰り返す。一方、ｗｔが認識対象語句Ｗの最後の単語であると判断した場合には、ステップＳ５３へ進み、音素列ｋｓのカウンタＣｋｓがボーダーラインＢｉから最大同時待ち受け可能単語数までに納まっているか否かを判断する。すなわち、カウンタＣｋｓがボーダーラインのＢｉ以上、かつ同時待ち受け可能最大単語数ＭａｘＲｅｃ以下であるか否かを判断する。
【００４５】
上述したように、図２におけるステップＳ６では、あるキーワードを認識した場合にはこのキーワードを部分的に含む単語のみを受理する文法を用いて再認識する処理を行なうため、再認識対象となる語彙は、同時待ち受け可能な範囲である必要がある。よって、このステップＳ５３では、キーワードを含む単語の数Ｃｋｓが同時待ち受け可能な単語数ＭａｘＲｅｃよりも小さいかどうかも調べている。
【００４６】
その結果、カウンタＣｋｓがボーダーラインのＢｉ以上、かつ同時待ち受け可能最大単語数ＭａｘＲｅｃ以下であると判断した場合には、ステップＳ５４へ進み、キーワード候補リストのＫαにキーワード候補ｋｓを加える。その後、ステップＳ５５へ進んで、ｗｓから取り出す音素列の開始位置を１モーラずらしてステップＳ４２へ戻って処理を繰り返す。これに対して、ＣｋｓがボーダーラインＢｉ以上、かつ同時待ち受け可能最大単語数ＭａｘＲｅｃ以下の範囲内にないと判断した場合には、キーワード候補ｋｓをキーワード候補リストのＫαには追加せず、そのままステップＳ５５へ進んで、次の音素列を調べる。
【００４７】
以上説明した図５の処理を、全ての単語ｗｓを単語サンプルとして一度取り上げ、そこから取り出した全てのＮモーラ音素列の中から、他の全ての単語中にＢｉ個以上ＭａｘＲｅｃ個以下含まれるものが全てＫαにリスト化されるまで繰り返す。
【００４８】
次に、図６を用いてキーワード候補選択方法の具体例について説明する。なお、図６に示す例においては、キーワードのモーラ数Ｎは４であるものとし、図６（ａ）に示すように「シナガワエキ」、「エドガワエキ」、「トウキョウエキ」、および「カナガワエキ」の４つの単語が認識対象語句Ｗに含まれているものとする。まず、この認識対象語句Ｗの中から単語「シナガワエキ」をｗｓとして取り出す。そして、図６（ｂ）に示すように、「シナガワエキ」からモーラ数が４の音素列を抽出すると、「シナガワ」、「ナガワエ」、および「ガワエキ」の３パターンができる。これらの音素列をそれぞれｋｓとして、Ｗｉの他の単語にも含まれているかどうかを調べる。
【００４９】
すなわち、Ｗｉの中から「エドガワエキ」をｗｔとして取り出した場合には、図６（ｃ）に示すように、ｗｔの中から「ガワエキ」が音素列ｋｔ（キーワード候補）として取り出される。他の単語についても同様にして調べることによって、図６の例では、音素列「ガワエキ」をｋｓとした場合に、当該音素列ｋｓが「シナガワエキ」、「エドガワエキ」、および「カナガワエキ」の３単語の中に含まれていることが分かり、認識対象語句中のキーワード候補「ガワエキ」の数Ｃｋｓは３となる。
【００５０】
なお、本実施の形態では、モーラ単位で区切った音素列をキーワードとしたが、音素単位、音節単位、または単語単位で認識対象単語を区切ってキーワードと設定してもよい。またキーワードはそれぞれの長さや認識のしやすさには関係なく選択しているが、認識されやすい音素（認識率の高い音素）を含むキーワードを優先してキーワードに設定するようにすればキーワード検出率を上げることもできる。一般的に、母音は子音に比べて発話継続時間が長く、スペクトルが比較的明確であるため音声認識しやすい。このため、母音を含む音素列を優先してキーワードに設定することで認識しやすい音素列を優先してキーワードとすることができる。
【００５１】
また、認識対象単語中でキーワードが出現する位置についても考慮するようにすれば、キーワードの検出率をさらに向上させることができる。一般的に音声認識処理では、前方または後方から入力音声と、文法に記述された順に展開された音素モデルとを比較処理し、認識候補の中から最も音響的な距離が近いものを認識結果とするが、途中可能性が明らかに低い認識候補は枝狩りをして候補数を減らすことで、処理時間を短縮することがある。このように、前方から比較する認識エンジンでは後方に出現するキーワードが、後方から比較する認識エンジンでは前方に出現するキーワードが認識しづらい傾向にある。よって、入力音声の前方から比較処理を行なう認識エンジンでは単語の先頭からの距離が短い音素列を優先してキーワードとし、入力音声の後方から比較処理を行なう認識エンジンでは単語の後方からの距離が短い音素列を優先してキーワードとすることで、キーワードの検出率を上げることができる。
【００５２】
その他、キーワードは一般に長ければ長いほど検出しやすいため、モーラ数の多い音素列を優先してキーワードとするようにしてキーワードの検出率向上を図ってもよい。またキーワードは同時待ち受け可能な範囲でなるべく多くの単語に含まれるものを選択するが、キーワードを含む単語の数が同時待ち受け可能な範囲を超えてしまった場合には、キーワードを長くすることで、キーワードを含む単語の数を減らしてもよい。例えば、キーワード「ガッコウ」を含む単語の数が同時待ち受け可能な数を超えている場合には、キーワードを「ショウガッコウ」と「チュウガッコウ」に分割することでひとつのキーワードを含む単語の数を制限することができる。さらに、キーワード同士は音響的になるべく遠いもの同士を選択するようにすれば、キーワード同士の誤認識を避けることができる。
【００５３】
次に、図４のステップＳ３０で実行されるキーワード再整理処理について説明する。このキーワード再整理処理は、図４のステップＳ２９までの処理で選択された各キーワードを含む単語に重複がある場合に、これらのキーワードを再整理するための実行される処理である。各キーワードを含む単語に重複がある場合とは、例えば、同じキーワードを含む単語としては、「ショウガッコウ」と「ガッコウ」のように、一方のキーワードが他方のキーワードを含んでいるといったように、キーワード自体が近い場合や、「インター」と「チェンジ」（インターチェンジ）のように、同時に発話される可能性が高い音素列同士がそれぞれキーワードとして登録されている場合が考えられる。
【００５４】
このように、各キーワードを含む単語が複数ある場合には、複数のキーワードを認識した際に再認識対象とする単語集合同士に重なりができることになる。この重複部分は、そのまま複数のキーワードを認識した場合の再認識対象の中で余計な認識対象となる。よって、この重複部分はなるべく少なくしておきたい。また、キーワード自体の数も少なければ少ないほど個々のキーワードの認識率は高くなるため、キーワードは必要最低限としたい。よって、このような場合には一方の音素列のみをキーワードとして登録しておけば、他方のキーワードがなくても性能はほぼかわらないことを加味して、以下に説明するキーワード再整理処理を実行して、重なりが大きいキーワード同士の場合は各単語に含まれるキーワードの数が１に近い語を優先してキーワードとして選択されるように、どちらか一方を削除する。
【００５５】
図７は、キーワード再整理処理の流れを示すフローチャートである。ステップＳ６１において、認識対象単語Ｗの中で、キーワード候補リストＫα中のどのキーワード候補も含まない単語の数ＵＮＫαを調べて、ステップＳ６２へ進む。ステップＳ６２では、Ｋαの先頭から順にキーワード候補ｋｉを取り出す。ここで、Ｋαからｋｉを取り出した残りのキーワード候補リストをＫβとする。その後、ステップＳ６３へ進む。
【００５６】
ステップＳ６３では、Ｋβ中のどのキーワード候補も含まない単語の数ＵＭＫβを調べて、ステップＳ６４へ進む。ステップＳ６４では、ｋｉを含む単語の数Ｍｋｉを調べる。その後、ステップＳ６５へ進み、ｋｉがキーワードに加わることによって変化する、どのキーワードも含まない単語の数（ＵＭＫβ−ＵＭＫα）がＭｋｉに占める割合Ｄｋｉｎを求めて、ステップＳ６６へ進む。ステップＳ６６では、ｋｉがＫαの最後であるか否かを判断する。ｋｉがＫαの最後ではないと判断した場合には、ステップＳ６２へ戻って処理を繰り返す。これに対して、ｋｉがＫαの最後であると判断した場合には、ステップＳ６７へ進む。
【００５７】
ステップＳ６７では、Ｄｋｉｎが最も小さいｋｉを選択し、ＫαからＤｋｉｎが最も小さいｋｉを除いたキーワード候補リストをＫβとする。これによって、他のキーワードも含む、キーワードの重なりの割合が最も大きいキーワード候補を選択することができる。その後、ステップＳ６８へ進み、Ｋβ中のどのキーワードも含まない単語の数ＵＭＫβを調べて、ステップＳ６９へ進む。ステップＳ６９では、ＵＭＫβとキーワードリストＫβの数Ｎｕｍ（Ｋβ）の合計が最大同時待ち受け可能単語数ＭａｘＲｅｃ以下であるか否かを判断する。
【００５８】
ＵＭＫβとキーワードリストＫβの数Ｎｕｍ（Ｋβ）の合計が最大同時待ち受け可能単語数ＭａｘＲｅｃ以下である場合には、ステップＳ７０へ進み、キーワードリストＫαからｋｉを削除して、ステップＳ６１へ戻る。一方、ＵＭＫβとキーワードリストＫβの数Ｎｕｍ（Ｋβ）の合計が最大同時待ち受け可能単語数ＭａｘＲｅｃより大きい場合には、キーワードｋｉはキーワードリストから削除しないで、Ｋαをキーワードリストとする。その後、図４に示す処理に復帰する。
【００５９】
以上説明した本実施の形態によれば、以下のような作用効果を得ることができる。
（１）音声認識用辞書・文法からキーワードを選択して待ち受け単語とするようにしたので、より多くの認識対象語句をカバーし、より検出しやすいキーワードを設定することができる。このため、どの認識対象語句が発話されてもキーワードを検出しやすくすることができる。
【００６０】
（２）各認識対象単語に共通する音響的特長をキーワードとするようにした。これによって、キーワードは分類上のカテゴリや地名と関係なく、音響的な特徴のみを使用して設定されるため、分類上のカテゴリ名や地名が音響的な特徴と異なる単語であっても認識することができる。
【００６１】
（３）キーワード文法とキーワード外文法とを待ち受け単語として音声認識を行うようにした。これによって、キーワードを持たない語句もキーワードと並列に認識することができ、キーワードを持たない語句の単独発話であっても認識することができる。
【００６２】
（４）キーワードを検出した場合には、検出したキーワードを含む認識対象語句全てを認識対象として再認識するようにした。これによって、分類上のカテゴリ名や県名と、語句内に含まれるキーワードが一致しない語句であっても認識することができる。
【００６３】
（５）初回認識の結果得られるＮ−ｂｅｓｔ中にキーワードが含まれている場合には、再認識を行い、再認識処理の結果、最も信頼度が高かったキーワードの尤度と、初回認識時にキーワード外文法によって認識された最も信頼度の高い単語の尤度とを比較し、尤度が高い方を最終的な発話理解結果として選択するようにした。これによって、キーワードを検出した場合にのみ、キーワードを含む単語を受理する文法を使った再認識の結果の尤度と、キーワードを持たない単語の認識結果の尤度を比較するため、認識結果の尤度の出方が異なるキーワード認識の尤度と単語認識の尤度とを比較することを避けることができ、より正確な尤度比較が可能となる。
【００６４】
（６）モーラ単位で区切った音素列をキーワードとするようにした。これによって、ひとつ以上のモーラのつながりであれば、意味をなさなくともキーワードとすることができ、より検出しやすいキーワードを選択することができる。また、音素単位、音節単位、または単語単位で認識対象単語を区切ってキーワードと設定してもよいこととした。これにより、音素単位で区切った場合には、ひとつ以上の音素のつながりであれば、意味をなさなくともキーワードとすることができるので、より検出しやすいキーワードを選択することができる。また、音節単位で区切った場合には、ひとつ以上の音節のつながりであれば、意味をなさなくともキーワードとすることができるので、より検出しやすいキーワードを選択することができる。また、単語単位で区切った場合には、意味を持つ単語がキーワードとなるので、これを手がかりに話題を推測することができる。
【００６５】
（７）キーワード選択処理においては、各キーワードを含む単語の数が、同時認識可能な範囲でなるべく多くなることをキーワードの選択基準とするようにした。これによって、ひとつひとつのキーワードが多くの単語に含まれるようにキーワードを選択することができるため、少ないキーワード数で多くの単語をカバーすることができる。また、キーワードを含む単語の数が、同時に待ち受けられる単語数内であるため、キーワードが検出された後、キーワードを含む単語を受理する文法に切り替えて、一度の再認識で認識処理を終えることができる。さらにこれに加えて、キーワードを含まない認識対象語句とキーワードを併せた数が同時認識可能な範囲に納まることをキーワードの選択基準とするようにした。これによって、キーワードを含まない単語の数は全体として少なくなるので、キーワードと平行して認識するキーワード外文法の数が減り、キーワードの認識率を向上することができる。
【００６６】
（８）モーラ数の多い音素列を優先してキーワードとするようにた。これによって、認識対象のモーラ数は多い程音声認識率は高くなることを加味して、より認識しやすいキーワードを優先することができ、全体としてキーワードの検出率が高くなり、最終的な認識率も高くなる。また、認識されやすい音素を含むキーワードを優先してキーワードに設定したり、単語中で認識しやすい位置に存在するキーワードを優先して設定するようにした。これによって、全体としてキーワードの検出率が高くなり、最終的な認識率も高くなる。
【００６７】
（９）キーワード選択処理を行った後、キーワード再整理処理を実行して重なりが大きいキーワード同士の場合はどちらか一方を削除するようにして、ひとつの単語に含まれるキーワードの数を１に近くするようにした。これによって、複数のキーワードを認識した後に各キーワードを含む単語を受理する文法に切り替えて再認識する際に、各キーワードを含む単語を受理する文法内の単語間に重複がなくなる。
【００６８】
（１０）キーワードを含む単語の数が同時待ち受け可能な範囲を超えてしまった場合には、キーワードを長くすることで、キーワードを含む単語の数を減らすようにした。これによって、キーワードが検出された後、文法を切り替えて一度の再認識で認識処理を終えることができる。
【００６９】
（１１）キーワード同士は音響的になるべく遠いもの同士を選択するようにした。これによって、あるキーワードを含む単語が発話された場合に、他のキーワードが誤って認識される可能性が少なくなり、キーワード同士の誤認識を避けることができる。
―変形例―
なお、上述した実施の形態の音声認識装置は、以下のように変形することもできる。
（１）上述した実施の形態では、音声認識を行うに当たっては、初回認識時にキーワードとキーワードを含まない単語の両方が認識結果の候補とされた場合、すなわちＮ−ｂｅｓｔ中にキーワードが含まれている場合には、キーワードの中で最も信頼度が高いものに関しては必ず再認識を行なうこととした。しかしながら、キーワードの信頼度が、キーワード外文法で認識した結果の信頼度と比較して明らかに低い場合には、再認識を行なわず、キーワード外文法で認識した結果を最終的な発話理解結果としてもよい。これによって、キーワードとキーワードを含まない単語の両方が認識結果候補として得られた場合には、一般的にキーワード認識よりも認識尤度が低くなりがちな認識対象語句そのものの認識であるキーワードを含まない単語を認識結果とすることができる。
【００７０】
（２）上述した実施の形態では、Ｎ−ｂｅｓｔ中にキーワードが複数現れた場合に最も信頼度が高いキーワードに対して再認識を行なう例について説明した。しかしながら、認識された全てのキーワードに関して再認識処理を行なって、その結果を比較するようにしてもよい。これによって、キーワードの認識結果にかかわらず、単語認識結果によってのみ最終認識結果が決まるため、認識結果がキーワードごとの検出されやすさの差に左右されることなく、正しい結果を選択することができる。また、尤度が高い上位Ｎ個のキーワードのみに関して再認識処理を行なってもよい。これによって、認識結果がキーワードごとの検出されやすさの差に左右されにくくしつつ、再認識対象となる単語の数を抑えることができる。
【００７１】
また、信頼度が一定値以上のキーワードに関してのみ再認識処理を行なってもよい。これによって、キーワードの認識の結果、キーワードが発話された可能性が高いもののみ文法を切り替えて再認識することとなるため、発話された可能性が高いものは全て再認識をしながらも、再認識対象となる単語の数を抑えることができる。さらに、再認識処理を一度にメモリ上に読み込める辞書の範囲で行なうために、各キーワードを含む単語の数の合計が同時認識可能な範囲となるようにキーワードを選択して再認識処理を行なってもよい。これによって、複数のキーワードに対してそれぞれが発話された可能性を残しつつも、再認識対象となる単語数を同時待ち受け可能な範囲に抑えることができる。
【００７２】
（３）上述した実施の形態では、音声認識装置１００は車両に搭載されたナビゲーション装置に実装される例について説明した。このようなカーナビゲーション装置１００においては、種々の情報を格納したディスク１５１の内容が頻繁に更新される可能性がある。このような場合には、図８に示すように、ディスク１５１に記録されている情報をサーバ２００上に置き、当該サーバ２００と音声認識装置１００とを所定の通信回線で結ぶ。そして、音声認識装置１００は、通信装置１８０を介してサーバ２００から情報を取得するような音声認識システムとしてもよい。これによって、音声認識用辞書・文法が頻繁に更新される場合でも、サーバ２００上のデータのみを更新すればよいため、データのメンテナンス性が向上する。
【００７３】
この場合、サーバ２００上の音声認識用辞書・文法に含まれる音声認識対象語句の一部が更新された場合には、クライアントは更新された認識対象語句のみを受け取って、クライアント側でキーワードを再設定するようにする。すなわち、更新された認識対象語句に基づいてキーワードを再選択するようにする。例えば、市区町村合併に伴い、新しい市区町村名を含む施設名が認識対象語句として新規に複数登録された場合に、この市区町村名を新たなキーワードとして登録するようにすればよい。
【００７４】
反対に、音声認識用辞書・文法の更新によってあるキーワードを含む単語の数が一定値を下回った場合にはこのキーワードをキーワード文法から外すようにすれば、データベース更新に伴うキーワード数の増加によってキーワード検出率が低下するのを防ぐことができる。なお、このときには、各キーワードを含む認識対象語句の数はあらかじめクライアント側に保持しておく必要がある。
【００７５】
さらに、キーワードを再選択した結果、再選択したキーワードが示す情報が新しい情報に変化した場合には、キーワード文法に登録されている古い情報を削除する。例えば、市区町村名の変更があり、かつ変更前の市区町村名を現す音素列がキーワードとしてキーワード文法に登録されている場合には、この市区町村名を現す音素列をキーワード文法から外すようにする。また、企業同士の合併によって、多くの施設名が、同一施設名の中に同一の組み合わせで複数のキーワードをもつ施設名に変更された場合は、どちらか一方のキーワードを削除するようにする。例えば、Ａ社とＢ社が合併して、Ａ＆Ｂ社となり、チェーン店Ａ及びチェーン店Ｂは全てＡ＆Ｂの名に登録しなおされた場合は、キーワードＡのみを残してキーワードＢを削除してもよい。これによって、データベースの更新によってキーワードが増えすぎることを防止できる。また、音声認識用辞書・文法に含まれる認識対象語句の部分的な変更にはキーワードの部分更新によって対応することができる。
【００７６】
（４）上述した実施の形態では、図４に示したキーワード選択処理を音声認識装置１００で実行する例について説明した。しかしながら、キーワード選択処理を実行するためのキーワード選択装置上で図４に示した処理を実行するようにし、音声認識装置１００は、当該キーワード選択装置で選択したキーワードを読み込んで音声認識処理を行うようにしてもよい。また、このキーワード選択装置は、上記変形例（３）と同様に音声認識用辞書・文法を記録したサーバと接続してキーワード選択システムとして適用することも可能である。
【００７７】
なお、本発明の特徴的な機能を損なわない限り、本発明は、上述した実施の形態における構成に何ら限定されない。
【００７８】
特許請求の範囲の構成要素と実施の形態との対応関係について説明する。マイク１３０は音声入力手段に、制御装置１１０は取得手段に、音声認識部１１２はキーワード選択手段、および削除手段に相当する。なお、以上の説明はあくまでも一例であり、発明を解釈する際、上記の実施形態の記載事項と特許請求の範囲の記載事項の対応関係に何ら限定も拘束もされない。
【図面の簡単な説明】
【００７９】
【図１】音声認識装置の一実施の形態の構成を示すブロック図である。
【図２】音声対話処理の流れを示すフローチャート図である。
【図３】音声対話処理の具体例を示す図である。
【図４】キーワード選択処理の流れを示すフローチャート図である。
【図５】キーワード候補選択処理の流れを示すフローチャート図である。
【図６】キーワードの候補選択方法の具体例について説明する。
【図７】キーワード再整理処理の流れを示すフローチャート図である。
【図８】音声認識システムの一実施の形態の構成を示すブロック図である。
【符号の説明】
【００８０】
１００ ナビゲーション装置
１１０ 制御装置
１１１ 入力制御部
１１２ 音声認識部
１１３ 理解結果生成部
１１４ 対話制御部
１１５ ＧＵＩ表示制御部
１１６ 声合成部
１２０ 音声認識開始スイッチ
１３０ マイク
１４０ メモリ
１４１ 音声認識用辞書・文法
１４２ 発話理解結果
１５０ ディスク読み取り装置
１５１ ディスク
１６０ モニタ
１７０ スピーカ
１８０ 通信装置
２００ サーバ
【技術分野】
【０００１】
本発明は、キーワード選択方法、音声認識方法、キーワード選択システム、およびキーワード選択装置に関する。
【背景技術】
【０００２】
次のような音声認識装置が、例えば特許文献１によって知られている。この音声認識装置は、上位階層辞書で都道府県名の入力を待ち受け、上位階層辞書で認識した都道府県名を含む市町村名を辞書データとして下位階層辞書を構成し、当該下位階層辞書で市町村名の入力を待ち受ける。
【０００３】
【特許文献１】特開２００１−３０６０８８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来の装置では、いずれの階層でも都道府県名や市町村名などのように、意味のある単語を待ち受け単語としているため、上位階層辞書で認識した単語の意味を含まない単語は下位階層辞書で認識することができず、音声認識の自由度が高いものとは言えなかった。
【課題を解決するための手段】
【０００５】
本発明によるキーワード選択方法は、音声認識用辞書に記録された音声認識対象単語の中から選択したキーワードを用いて音声入力手段を介して入力された発話音声を認識する音声認識装置で使用するキーワード選択方法であって、音声認識対象単語の音響的な共通部分をキーワードとして選択することを特徴とする。
本発明による音声認識方法は、音声認識用辞書に記録された音声認識対象単語の中から、請求項１〜１０のいずれか一項に記載のキーワード選択方法を使用して、音声認識対象単語の音響的な共通部分をキーワードとして選択し、音声認識対象単語の中から、キーワードおよびキーワードを含まない音声認識対象単語を音声認識実行時の待ち受け単語として読み込み、待ち受け単語と、発話音声とをマッチング処理して発話音声を認識することを特徴とする。
本発明によるキーワード選択システムは、音声認識対象単語を記録した音声認識用辞書を有するサーバ、およびサーバから音声認識対象単語を取得する取得手段と、請求項１〜１０のいずれか一項に記載のキーワード選択方法を実行して、音声認識対象単語の音響的な共通部分をキーワードとして選択するキーワード選択手段とを備えるキーワード選択装置を所定の通信回線で接続することを特徴とする。
本発明によるキーワード選択装置は、請求項１９〜２３のいずれか一項に記載のキーワード選択装置であること特徴とする。
【発明の効果】
【０００６】
本発明によれば、音声認識対象単語の音響的な共通部分をキーワードとして選択するようにしたので、このように選択したキーワードを待ち受け単語とすることで、単語の意味に関わらず音響的に発話音声を認識することができ、音声認識の自由度を向上することができる。
【発明を実施するための最良の形態】
【０００７】
図1は、本実施の形態における音声認識装置の一実施の形態の構成を示すブロック図である。音声認識装置１００は、例えば、車両に搭載されたナビゲーション装置に実装され、使用者は、当該音声認識装置１００から出力される応答メッセージに従って音声入力を行うことにより、ナビゲーション装置を操作することができる。
【０００８】
音声認識装置１００は、ユーザが音声認識開始を指示するための発話開始スイッチ１２０と、ユーザの発話音声を入力するマイク１３０と、マイク１３０を介して入力された音声データを音声認識し、その内容に応じて施設や経路を検索してその結果を表示したり応答を返したりする制御装置１１０と、メモリ１４０と、地図データやガイダンス音声の音声データ、および音声認識処理の際に使用する音声認識用辞書・文法を格納するディスク１５１を読み取るディスク読取装置１５０と、ナビゲーション装置が出力する地図やメニュー画面、および音声認識装置１００が出力する音声認識結果を表示するモニタ１６０と、音声を出力するスピーカ１７０とを備えている。
【０００９】
メモリ１４０は、音声認識辞書・文法１４１と、現時点までの発話理解結果１４２を格納している。音声認識辞書・文法１４１は、音声認識のために使用する待ち受け単語であり、ナビゲーション装置の操作に使用される語句および文、すなわち操作コマンドおよび地名や施設名、道路名などの固有名詞およびこれらの語句を含む文を受理するために使用される。この音声認識辞書・文法１４１は、ディスク１５１に格納された音声認識用辞書・文法（音声認識用辞書）の中から制御装置１１０によって必要な音声認識対象単語（音声認識対象語句）のみが取り出され、メモリ１４０上にロードされたものである。
【００１０】
なお、本実施の形態では、ナビゲーション装置上での目的地設定をメインタスクとする。そのため、入力文としては「神奈川県」、「横浜駅」などといった施設に関する発話を受理するように音声認識用辞書・文法を整備する必要がある。ただし、本実施の形態で想定するメモリ１４０の容量は、施設検索タスク全体で取り扱う可能性のある施設名や地名全てを読み込むために必要なメモリ量に対して数分の１程度と小さい。そのため、ディスク１５１に格納されている音声認識用辞書・文法の全てをメモリ１４０上に読み込むことはできない。
【００１１】
したがって、制御装置１１０は、ディスク１５１に格納された音声認識用辞書・文法の中から必要な認識対象語句のみを取り出してメモリ１４０上にロードする必要がある。このために、例えば、使用者によって施設名が発話されると、最初は後述するキーワード文法によって荒い認識（初回認識）を行ない、この結果に基づいて文法を切り替えて詳細な認識（再認識）処理を行なう。そして、初回認識の結果と再認識の結果とあわせた上で最適な理解結果を最終的な理解結果（発話理解結果）として選択する。発話理解結果１４２には、この初回認識の結果を保存する。なお、初回認識、再認識の各処理については後述する。
【００１２】
制御装置１１０は、入力制御部１１１と、音声認識部１１２と、理解結果生成部１１３と、対話制御部１１４と、ＧＵＩ表示制御部１１５と、音声合成部１１６とを備えている。使用者によって音声認識開始スイッチ１２０が操作され、音声認識開始合図が入力されると、入力制御部１１１がこれを受け取り、音声認識部１１２に音声取り込み開始を指示する。音声取り込みが開始されると、音声認識部１１２はマイク１３０からの音声入力に対して音声認識処理を実行し、理解結果生成部１１３は音声認識部１１２の音声認識結果に基づいて理解結果生成処理を実行する。
【００１３】
また、対話制御部１１４は、使用者に対する応答文を生成してＧＵＩ表示制御部１１５および音声合成部１１６へ出力する。ＧＵＩ表示制御部１１５は応答文のＧＵＩデータを生成してモニタ１６０へ出力し、音声合成部１１６は応答文の音声データを生成してスピーカ１７０を介して出力する。なお、入力制御部１１１〜音声合成部１１６の各部は、これらの処理を目的地設定や施設検索など、ナビゲーション装置上での一連のタスクが終了するまで繰り返し実行する。
【００１４】
以下、図２に示すフローチャートに従って、制御装置１１０および制御装置１１０が備える各部によって実行される音声対話処理について説明する。なお、この図２に示す処理は、ナビゲーション装置の電源がオンされることによって音声認識装置１００が起動されると起動するプログラムとして実行される。
【００１５】
ステップＳ１において、制御装置１１０は、ディスク読み取り装置１５０を介してディスク１５１からキーワード認識用のキーワード文法と、キーワードを含まない語句を認識するためのキーワード外文法の２種類を初回認識用の音声認識用辞書・文法１４１、すなわち音声認識実行時の待ち受け単語としてメモリ１４０上にロードするためのキーワード選択処理を実行する。
【００１６】
ここで、キーワード文法とは、認識対象語句に多く含まれる音素列であるキーワードとそれ以外の部分を吸収するＧａｒｂａｇｅからなるワードスポット文法であり、キーワードは各認識対象単語に共通する音響的特長である。また、キーワード外文法は、認識対象語句の中で、その発音音素列の中にどのキーワードも含まない語句を認識するための文法である。なお、上述したように、メモリ１４０の容量の都合上、ディスク１５１に格納されている音声認識用辞書・文法の全てをメモリ１４０上に読み込むことはできないため、制御装置１１０は、ここでは図４で後述するキーワード選択処理を実行して、必要なキーワード文法、およびキーワード外文法のみを取り出すようにする。
【００１７】
その後、ステップＳ２へ進み、入力制御部１１１は、使用者によって音声認識開始スイッチ１２０が押下されたか否かを判断する。音声認識開始スイッチ１２０が押下されたと判断した場合には、入力制御部１１１は、音声認識部１１２に対して音声認識処理の開始を指示してステップＳ３へ進む。ステップＳ３では、音声認識部１１２は、マイク１３０から入力される音声の取り込みを開始する。その後、ステップＳ４へ進み、音声認識部１１２は、マイク１３０からの音声データを検出して、使用者による発話があったか否かを判断する。使用者による発話があったと判断した場合には、ステップＳ５へ進む。
【００１８】
ステップＳ５では、音声認識部１１２は、音声認識用辞書・文法１４１に格納されたキーワード文法、およびキーワード外文法の両方を待ち受け文法（初回認識用の文法）とし、入力された音声データを、初回認識用の文法とマッチングすることによって、初回認識処理を実行する。この初回認識処理の際には、音声認識部１１２は、入力された音声データと各待ち受け文法との音響的な近さである音響尤度が計算され、この音響尤度が高いものから順に上位Ｎ個（＝Ｎ−ｂｅｓｔ）が認識結果の候補となる。すなわち、初回認識時にはキーワード文法とキーワード外文法の両方を使用して音声認識処理を行なうため、認識結果の候補としては、キーワード文法に含まれるキーワードと、キーワード外文法に含まれる単語との両方が現れる可能性がある。
【００１９】
その後、ステップＳ６へ進み、理解結果生成部１１３は、音声認識部１１２によって得られた認識結果の候補Ｎ−ｂｅｓｔに対して信頼度計算を行なう。なお、信頼度計算については、例えば特開２００１−０３４２９２号公報に記載されているように公知の技術であるため、詳細についての説明は省略する。そして、ステップＳ７において、理解結果生成部１１３は、信頼度計算の結果を初回認識時の発話理解結果１４２としてメモリ１４０に保存する。その後、ステップＳ８へ進む。
【００２０】
ステップＳ８では、音声認識部１１２は、理解結果生成部１１３による初回認識における信頼度計算の結果に基づいて、待ち受けに使用する文法を切り替えた再認識が必要か否かを判断する。具体的には、音声認識部１１２は、事前に行った認識処理が初回認識であり、かつ初回認識の結果得られるＮ−ｂｅｓｔ中にキーワードが含まれている場合には、当該キーワードを認識結果の候補とし、このキーワードを対象とした再認識が必要であると判断して、ステップＳ９へ進む。これに対して、Ｎ−ｂｅｓｔ中にキーワードが含まれていない場合には、再認識は必要ないと判断して、後述するステップＳ１２へ進む。
【００２１】
ステップＳ９では、再認識処理を行うために、音声認識に使用する文法を初回認識用の文法から再認識用の文法に切り替える。ここでは、キーワード文法の中からＮ−ｂｅｓｔ中で最も信頼度の高いキーワードを含む認識対象単語を抽出して、再認識用の文法とする。例えば、Ｎ−ｂｅｓｔ中で最も信頼度の高いキーワードが「東京」である場合には、キーワード文法の中から「東京駅」や「東京タワー」などの「東京」を含む認識対象単語を抽出して再認識用の文法とする。この再認識用の文法も音声認識用辞書・文法１４１に格納される。
【００２２】
その後、ステップＳ１０へ進み、音声認識部１１２は、入力された音声データを、音声認識用辞書・文法１４１に格納した再認識用の文法とマッチングすることによって、再認識処理を実行して、ステップＳ１１へ進む。ステップＳ１１では、理解結果生成部１１３は、再認識処理の結果に対して信頼度計算を行ってステップＳ１２へ進む。
【００２３】
ステップＳ１２では、理解結果生成部１１３は、初回認識の結果および再認識の結果に基づいて、最適な発話理解結果を選択する。すなわち、再認識処理が実行されなかった場合には、初回認識時にキーワード外文法によって認識された最も信頼度の高い単語を発話理解結果として選択する。これに対して、再認識処理が実行された場合には、再認識時の発話理解結果とメモリ１４０に保存しておいた初回認識時の発話理解結果１４２とに基づいて発話理解結果を選択する。すなわち、理解結果生成部１１３は、再認識処理の結果、最も信頼度が高かったキーワードの尤度と、初回認識時にキーワード外文法によって認識された最も信頼度の高い単語の尤度とを比較し、尤度が高い方を最終的な発話理解結果として選択する。
【００２４】
その後、ステップＳ１３へ進み、対話制御部１１４は、理解結果生成部１１３によって選択された発話理解結果に応じて、あらかじめ設定されたルールに従って、使用者に対して応答するための応答文を生成して、ＧＵＩ表示制御部１１５および音声合成部１１６へ出力する。そして、ステップＳ１４では、ＧＵＩ表示制御部１１５は応答文のＧＵＩデータを生成してモニタ１６０へ出力し、音声合成部１１６は応答文の音声データを生成してスピーカ１７０を介して出力する。その後、ステップＳ１５へ進む。
【００２５】
ステップＳ１５では、制御装置１００は、目的地設定や経路選択などの一連のタスクが一通り完了したかどうか否かを判断し、完了していないと判断した場合には、ステップＳ２へ戻って処理を繰り返す。これに対して、完了したと判断した場合には、ステップＳ１６へ進む。ステップＳ１６では、音声認識装置１００の電源がオフされたか否かを判断し、オフされていなければステップＳ２へ戻って処理を繰り返す。一方、オフされたと判断した場合には、処理を終了する。
【００２６】
次に、以上説明した処理の具体例について、図３を用いて説明する。ここでは、使用者が「東京ディズニーランド（登録商標）」と発話した場合について説明する。このとき、音声認識部１１２は、キーワード文法２０１とキーワード外文法２０２とを初回認識時の待ち受け文法として音声を待ち受けている。音声認識部１１２は、まずはこの二つの文法を平行して使用して音声を認識する。このとき、再認識処理のために入力された音声データはメモリ１０４に保存しておく。図３に示す例では、使用者による発話「東京ディズニーランド」に対して、初回認識時にキーワード文法２０１で「トウキョウ」が認識されている。
【００２７】
このため、音声認識部１１２は、音素列「トウキョウ」を含む単語のみを受理するための再認識用文法２０３をメモリ１４０上に読み込み、先ほど保存しておいた入力された音声データを再認識する。このように、キーワード文法を使った荒い認識によって、詳細な認識を認識対象語句の「あたり」をつけることで、メモリ上に一度にロードできないような大語彙認識であっても、短時間で認識処理を行なうことができる。
【００２８】
また、住所上では東京都でない施設や、「コウトウキョウイクセンター」（高等教育センター）のように、意味上の「東京」とは関係のない施設や住所であっても音素列「トウキョウ」を含んでいれば、それらの単語を再認識用文法２０３に登録することができる。このため、意味上の分類にはとらわれず、音素列の情報のみでキーワードおよび切り替える文法を設定することができ、音さえ認識すれば、その意味や分類上の制約には関係なく、音声認識を行うことができる。
【００２９】
同様に、使用者が「サンシャイン６０」などといった、キーワードを含まない単語を発話した場合には、キーワード外文法２０２でこれを受理する。そしてこの入力に対してキーワード文法で認識結果が得られなければ、これをキーワード外文法の認識結果をそのまま理解結果として出力し、キーワード文法とキーワード外文法の両方で認識結果が得られた場合にはそれぞれの尤度を比較して最終的な発話理解結果を選択する。このように、キーワード外文法をキーワード文法と併用することで、キーワードを持たない語句であっても認識することができる。
【００３０】
次に、ステップＳ１で実行されるキーワード選択処理について説明する。図４は、本実施の形態におけるキーワード選択処理を示すフローチャートである。なお、本実施の形態では、次の基準に合致するような音素列をキーワードとして選択する場合について説明する。
（基準１）各キーワードを含む単語の数が、同時認識可能な範囲でなるべく多くなること。
（基準２）キーワードを含まない認識対象語句とキーワードを併せた数が同時認識可能な範囲に納まること。
【００３１】
ステップＳ２１において、キーワードを含む単語数のボーダーラインＢｉの初期値を設定する。Ｂｉは、Ｂｉよりも多くの単語に含まれる音素列をキーワードとして選択するためのボーダーラインとして使用する。今回、キーワードを含む単語数のボーダーラインＢｉの初期値は、同時認識可能な最大単語数のＭａｘＲｅｃとした。ここでは、より多くの単語に含まれる音素列を優先してキーワードとして選択するために、ボーダーラインＢｉを大きい値から徐々に下げながらキーワード選択を行なう。
【００３２】
その後、ステップＳ２２へ進み、今回調べるキーワード候補のモーラ数（Ｎ）の初期値を設定する。今回のループでは、モーラ数Ｎの音素列をキーワードの候補として選択する。本実施の形態では、モーラ数Ｎの初期値は、認識対象単語の中で最も長いモーラ数をもつ単語のモーラ数ＭａｘＭｏｒａとしているが、認識対象語彙によっては、ＭａｘＭｏｒａの１／２から１／３程度に設定してもよい。
【００３３】
その後、ステップＳ２３へ進み、後述する図５に示すキーワード候補選択処理を実行して、認識対象語句Ｗｉに含まれるモーラ数がＮの音素列の数を調べる。ここでは、モーラ数がＮのある音素列が、認識対象語句Ｗの中にＢｉ個以上、ＭａｘＲｅｃ個以下見つかれば、これをキーワード候補Ｋαに加えるようにする。その後、ステップＳ２４へ進む。
【００３４】
ステップＳ２４では、今回調べたキーワードのモーラ数Ｎとキーワードの最小モーラ数ＭｉｎＭｏｒａとを比較して、ＮがＭｉｎＭｏｒａより大きいか否かを判断する。ＮがＭｉｎＭｏｒａより大きい場合には、ステップＳ２５へ進み、選択するキーワードのモーラ数Ｎをひとつ減らして、ステップＳ２３へ戻り、Ｂｉ個以上ＭａｘＲｅｃ個以下の認識対象単語に含まれるキーワード候補の選択を繰り返す。これに対して、ＮがＭｉｎＭｏｒａ以下の場合は、ステップＳ２６へ進み、認識対象単語Ｗから、キーワード候補Ｋαリストのどれかひとつ以上のキーワード候補を含む単語を除いた、キーワードをひとつも含まない単語の集合Ｗｉを求める。
【００３５】
その後、ステップＳ２７へ進み、キーワードを含まない単語Ｗｉの数Ｎｕｍ（Ｗｉ）とキーワードＫαの数Ｎｕｍ（Ｋα）の合計が同時待ち受け可能単語数ＭａｘＲｅｃより大きいか否かを判断する。これは、初回認識時にキーワードと平行して認識するキーワードを持たない単語集合の合計が、同時待ち受け可能な範囲に収まっているかどうかを調べるためである。その結果、キーワードを含まない単語の数Ｎｕｍ（Ｗｉ）が同時待ち受け可能な語彙数ＭａｘＲｅｃに収まっていなければ、ステップＳ２８へ進み、キーワードを含む単語数のボーダーラインＢｉを１／２倍する。その後、ステップＳ２２へ戻って処理を繰り返す。
【００３６】
一方、キーワードを含まない単語の数Ｎｕｍ（Ｗｉ）が同時待ち受け可能な語彙数ＭａｘＲｅｃに収まっていれば、ステップＳ２９へ進み、キーワードをＫαとして設定する。その後、ステップＳ３０へ進み、図７で後述するキーワードの再整理処理を実行して、処理を終了する。なお、上述した処理においては、モーラ数の最低値は固定値ＭｉｎＭｏｒａを使用したが、モーラ数が多い音素列を優先してキーワードとするために、モーラ数の最低値ＭｉｎＭｏｒａは大きめの値に設定して、徐々に下げる方法をとってもよい。
【００３７】
次に、ステップＳ２３で実行されるキーワード候補選択について、図５を用いて説明する。このキーワード候補選択処理では、単語ｗｓに含まれるモーラ数Ｎの全ての音素列について、認識対象単語の集合Ｗ中にＢｉ個以上、ＭａｘＲｅｃ個以下含まれているかどうかを調べ、Ｂｉ個以上含まれている場合には、これをキーワード候補とする。また、認識対象単語集合Ｗに含まれる全ての単語を、順に単語サンプルｗｓとして取り上げ、そこに含まれるモーラ数Ｎの全ての音素列について調べる。具体的には次のように処理する。
【００３８】
ステップＳ４１において、キーワード設定のために今回調べる認識対象単語集合Ｗから認識対象単語をサンプルとしてひとつ取り出し、これを単語サンプルｗｓとする。そして、単語サンプルｗｓの先頭から順に調べていくために、ｗｓの先頭から単語サンプルｗｓに含まれるモーラ数Ｎの音素列ｋｓの開始位置までの距離ｎｓを０に設定する。その後、ステップＳ４２へ進み、単語ｗｓから、ｗｓの先頭からの距離ｎｓの位置で始まるモーラ数Ｎの音素列ｋｓが抽出できるか否かを判断するために、ｗｓの先頭からの距離ｎｓとモーラ数Ｎの合計が、単語ｗｓのモーラ数ｌｅｎ（ｗｓ）以下か否かを判断する。
【００３９】
ｗｓの先頭からの距離ｎｓとモーラ数Ｎの合計が、単語ｗｓのモーラ数ｌｅｎ（ｗｓ）より大きいと判断した場合には、単語ｗｓからモーラ数Ｎの音素列は抽出できないと判定してステップＳ４３へ進む。ステップＳ４３では、単語ｗｓが単語集合Ｗｉの最後の単語かどうかを判断し、最後でなければ次の単語を調べるためにステップＳ４１へ戻って処理を繰り返す。これに対して、単語ｗｓが単語集合Ｗｉの単語であったならば、キーワード選択処理を終了して図５に示す処理に復帰する。
【００４０】
一方、ｗｓの先頭からの距離ｎｓとモーラ数Ｎの合計が、単語ｗｓのモーラ数ｌｅｎ（ｗｓ）以下であると判断した場合には、ステップＳ４４へ進む。ステップＳ４４では、ｗｓ先頭からの距離ｎｓの位置の文字が促音（「っ」）であるか否かを判断する。ｗｓ先頭からの距離ｎｓの位置の文字が促音であると判断した場合には、ステップＳ５５へ進み、ｗｓから取り出す音素列の開始位置を１モーラずらして処理を繰り返す。これに対して、ｗｓ先頭からの距離ｎｓの位置の文字が促音でないと判断した場合には、ステップＳ４５へ進む。
【００４１】
ステップＳ４５では、単語ｗｓから、ｗｓの先頭からの距離ｎｓの位置で始まるモーラ数Ｎの音素列を抽出し、ｗｓから取り出した音素列をｋｓとする。このとき、音素列ｋｓを含む単語の数を数えるためのカウンタＣｋｓをリセットしておく。すなわち、Ｃｋｓ＝０とする。その後、ステップＳ４６へ進み、認識対象単語集合Ｗから単語をひとつ取り出し、これをｗｔとする。このとき、単語サンプルｗｔの先頭から調べるためにｗｔの先頭から単語サンプルｗｔに含まれるモーラ数Ｎの音素列ｋｔの開始位置までの距離ｎｔを０としておく。その後、ステップＳ４７へ進む。
【００４２】
ステップＳ４７では、単語の先頭からの距離ｎｔとモーラ数Ｎの合計が、単語ｗｔのモーラ数ｌｅｎ（ｗｔ）以下であるか否かを判断する。単語の先頭からの距離ｎｔとモーラ数Ｎの合計が単語ｗｔのモーラ数ｌｅｎ（ｗｔ）より大きい場合には、単語ｗｔからこれ以上モーラ数Ｎの音素列は抽出できないと判断して、後述するステップＳ５２へ進む。これに対して、単語の先頭からの距離ｎｔとモーラ数Ｎの合計が単語ｗｔのモーラ数ｌｅｎ（ｗｔ）以下である場合には、単語ｗｔから、先頭からの距離ｎｔの位置で始まるモーラ数Ｎの音素列ｋｔが抽出できると判断して、ステップＳ４８へ進む。
【００４３】
ステップＳ４８では、単語ｗｔから、先頭からの距離ｎｔの位置で始まるモーラ数Ｎの音素列ｋｔを抽出する。その後、ステップＳ４９へ進み、抽出した音素列ｋｔを単語サンプルｗｓから取り出した音素列ｋｓと比較して、両者が等しいか否かを判断する。両者が等しい場合には、ステップＳ５１へ進み、カウンタＣｋｓをインクリメントして、ステップＳ５２へ進む。一方、両者が異なる場合には、ステップＳ５０へ進み、単語ｗｓから音素列を取り出す位置を１モーラずらしてステップＳ４７へ戻り、次の音素列を調べる。
【００４４】
ステップＳ５２では、ｗｔが認識対象語句Ｗの最後の単語であるか否かを判断する。最後の単語でないと判断した場合には、ステップＳ４６へ戻って次の単語を取り出し、これに音素列ｋｓが含まれるかどうかを調べるためにＳ４６からＳ５２を繰り返す。一方、ｗｔが認識対象語句Ｗの最後の単語であると判断した場合には、ステップＳ５３へ進み、音素列ｋｓのカウンタＣｋｓがボーダーラインＢｉから最大同時待ち受け可能単語数までに納まっているか否かを判断する。すなわち、カウンタＣｋｓがボーダーラインのＢｉ以上、かつ同時待ち受け可能最大単語数ＭａｘＲｅｃ以下であるか否かを判断する。
【００４５】
上述したように、図２におけるステップＳ６では、あるキーワードを認識した場合にはこのキーワードを部分的に含む単語のみを受理する文法を用いて再認識する処理を行なうため、再認識対象となる語彙は、同時待ち受け可能な範囲である必要がある。よって、このステップＳ５３では、キーワードを含む単語の数Ｃｋｓが同時待ち受け可能な単語数ＭａｘＲｅｃよりも小さいかどうかも調べている。
【００４６】
その結果、カウンタＣｋｓがボーダーラインのＢｉ以上、かつ同時待ち受け可能最大単語数ＭａｘＲｅｃ以下であると判断した場合には、ステップＳ５４へ進み、キーワード候補リストのＫαにキーワード候補ｋｓを加える。その後、ステップＳ５５へ進んで、ｗｓから取り出す音素列の開始位置を１モーラずらしてステップＳ４２へ戻って処理を繰り返す。これに対して、ＣｋｓがボーダーラインＢｉ以上、かつ同時待ち受け可能最大単語数ＭａｘＲｅｃ以下の範囲内にないと判断した場合には、キーワード候補ｋｓをキーワード候補リストのＫαには追加せず、そのままステップＳ５５へ進んで、次の音素列を調べる。
【００４７】
以上説明した図５の処理を、全ての単語ｗｓを単語サンプルとして一度取り上げ、そこから取り出した全てのＮモーラ音素列の中から、他の全ての単語中にＢｉ個以上ＭａｘＲｅｃ個以下含まれるものが全てＫαにリスト化されるまで繰り返す。
【００４８】
次に、図６を用いてキーワード候補選択方法の具体例について説明する。なお、図６に示す例においては、キーワードのモーラ数Ｎは４であるものとし、図６（ａ）に示すように「シナガワエキ」、「エドガワエキ」、「トウキョウエキ」、および「カナガワエキ」の４つの単語が認識対象語句Ｗに含まれているものとする。まず、この認識対象語句Ｗの中から単語「シナガワエキ」をｗｓとして取り出す。そして、図６（ｂ）に示すように、「シナガワエキ」からモーラ数が４の音素列を抽出すると、「シナガワ」、「ナガワエ」、および「ガワエキ」の３パターンができる。これらの音素列をそれぞれｋｓとして、Ｗｉの他の単語にも含まれているかどうかを調べる。
【００４９】
すなわち、Ｗｉの中から「エドガワエキ」をｗｔとして取り出した場合には、図６（ｃ）に示すように、ｗｔの中から「ガワエキ」が音素列ｋｔ（キーワード候補）として取り出される。他の単語についても同様にして調べることによって、図６の例では、音素列「ガワエキ」をｋｓとした場合に、当該音素列ｋｓが「シナガワエキ」、「エドガワエキ」、および「カナガワエキ」の３単語の中に含まれていることが分かり、認識対象語句中のキーワード候補「ガワエキ」の数Ｃｋｓは３となる。
【００５０】
なお、本実施の形態では、モーラ単位で区切った音素列をキーワードとしたが、音素単位、音節単位、または単語単位で認識対象単語を区切ってキーワードと設定してもよい。またキーワードはそれぞれの長さや認識のしやすさには関係なく選択しているが、認識されやすい音素（認識率の高い音素）を含むキーワードを優先してキーワードに設定するようにすればキーワード検出率を上げることもできる。一般的に、母音は子音に比べて発話継続時間が長く、スペクトルが比較的明確であるため音声認識しやすい。このため、母音を含む音素列を優先してキーワードに設定することで認識しやすい音素列を優先してキーワードとすることができる。
【００５１】
また、認識対象単語中でキーワードが出現する位置についても考慮するようにすれば、キーワードの検出率をさらに向上させることができる。一般的に音声認識処理では、前方または後方から入力音声と、文法に記述された順に展開された音素モデルとを比較処理し、認識候補の中から最も音響的な距離が近いものを認識結果とするが、途中可能性が明らかに低い認識候補は枝狩りをして候補数を減らすことで、処理時間を短縮することがある。このように、前方から比較する認識エンジンでは後方に出現するキーワードが、後方から比較する認識エンジンでは前方に出現するキーワードが認識しづらい傾向にある。よって、入力音声の前方から比較処理を行なう認識エンジンでは単語の先頭からの距離が短い音素列を優先してキーワードとし、入力音声の後方から比較処理を行なう認識エンジンでは単語の後方からの距離が短い音素列を優先してキーワードとすることで、キーワードの検出率を上げることができる。
【００５２】
その他、キーワードは一般に長ければ長いほど検出しやすいため、モーラ数の多い音素列を優先してキーワードとするようにしてキーワードの検出率向上を図ってもよい。またキーワードは同時待ち受け可能な範囲でなるべく多くの単語に含まれるものを選択するが、キーワードを含む単語の数が同時待ち受け可能な範囲を超えてしまった場合には、キーワードを長くすることで、キーワードを含む単語の数を減らしてもよい。例えば、キーワード「ガッコウ」を含む単語の数が同時待ち受け可能な数を超えている場合には、キーワードを「ショウガッコウ」と「チュウガッコウ」に分割することでひとつのキーワードを含む単語の数を制限することができる。さらに、キーワード同士は音響的になるべく遠いもの同士を選択するようにすれば、キーワード同士の誤認識を避けることができる。
【００５３】
次に、図４のステップＳ３０で実行されるキーワード再整理処理について説明する。このキーワード再整理処理は、図４のステップＳ２９までの処理で選択された各キーワードを含む単語に重複がある場合に、これらのキーワードを再整理するための実行される処理である。各キーワードを含む単語に重複がある場合とは、例えば、同じキーワードを含む単語としては、「ショウガッコウ」と「ガッコウ」のように、一方のキーワードが他方のキーワードを含んでいるといったように、キーワード自体が近い場合や、「インター」と「チェンジ」（インターチェンジ）のように、同時に発話される可能性が高い音素列同士がそれぞれキーワードとして登録されている場合が考えられる。
【００５４】
このように、各キーワードを含む単語が複数ある場合には、複数のキーワードを認識した際に再認識対象とする単語集合同士に重なりができることになる。この重複部分は、そのまま複数のキーワードを認識した場合の再認識対象の中で余計な認識対象となる。よって、この重複部分はなるべく少なくしておきたい。また、キーワード自体の数も少なければ少ないほど個々のキーワードの認識率は高くなるため、キーワードは必要最低限としたい。よって、このような場合には一方の音素列のみをキーワードとして登録しておけば、他方のキーワードがなくても性能はほぼかわらないことを加味して、以下に説明するキーワード再整理処理を実行して、重なりが大きいキーワード同士の場合は各単語に含まれるキーワードの数が１に近い語を優先してキーワードとして選択されるように、どちらか一方を削除する。
【００５５】
図７は、キーワード再整理処理の流れを示すフローチャートである。ステップＳ６１において、認識対象単語Ｗの中で、キーワード候補リストＫα中のどのキーワード候補も含まない単語の数ＵＮＫαを調べて、ステップＳ６２へ進む。ステップＳ６２では、Ｋαの先頭から順にキーワード候補ｋｉを取り出す。ここで、Ｋαからｋｉを取り出した残りのキーワード候補リストをＫβとする。その後、ステップＳ６３へ進む。
【００５６】
ステップＳ６３では、Ｋβ中のどのキーワード候補も含まない単語の数ＵＭＫβを調べて、ステップＳ６４へ進む。ステップＳ６４では、ｋｉを含む単語の数Ｍｋｉを調べる。その後、ステップＳ６５へ進み、ｋｉがキーワードに加わることによって変化する、どのキーワードも含まない単語の数（ＵＭＫβ−ＵＭＫα）がＭｋｉに占める割合Ｄｋｉｎを求めて、ステップＳ６６へ進む。ステップＳ６６では、ｋｉがＫαの最後であるか否かを判断する。ｋｉがＫαの最後ではないと判断した場合には、ステップＳ６２へ戻って処理を繰り返す。これに対して、ｋｉがＫαの最後であると判断した場合には、ステップＳ６７へ進む。
【００５７】
ステップＳ６７では、Ｄｋｉｎが最も小さいｋｉを選択し、ＫαからＤｋｉｎが最も小さいｋｉを除いたキーワード候補リストをＫβとする。これによって、他のキーワードも含む、キーワードの重なりの割合が最も大きいキーワード候補を選択することができる。その後、ステップＳ６８へ進み、Ｋβ中のどのキーワードも含まない単語の数ＵＭＫβを調べて、ステップＳ６９へ進む。ステップＳ６９では、ＵＭＫβとキーワードリストＫβの数Ｎｕｍ（Ｋβ）の合計が最大同時待ち受け可能単語数ＭａｘＲｅｃ以下であるか否かを判断する。
【００５８】
ＵＭＫβとキーワードリストＫβの数Ｎｕｍ（Ｋβ）の合計が最大同時待ち受け可能単語数ＭａｘＲｅｃ以下である場合には、ステップＳ７０へ進み、キーワードリストＫαからｋｉを削除して、ステップＳ６１へ戻る。一方、ＵＭＫβとキーワードリストＫβの数Ｎｕｍ（Ｋβ）の合計が最大同時待ち受け可能単語数ＭａｘＲｅｃより大きい場合には、キーワードｋｉはキーワードリストから削除しないで、Ｋαをキーワードリストとする。その後、図４に示す処理に復帰する。
【００５９】
以上説明した本実施の形態によれば、以下のような作用効果を得ることができる。
（１）音声認識用辞書・文法からキーワードを選択して待ち受け単語とするようにしたので、より多くの認識対象語句をカバーし、より検出しやすいキーワードを設定することができる。このため、どの認識対象語句が発話されてもキーワードを検出しやすくすることができる。
【００６０】
（２）各認識対象単語に共通する音響的特長をキーワードとするようにした。これによって、キーワードは分類上のカテゴリや地名と関係なく、音響的な特徴のみを使用して設定されるため、分類上のカテゴリ名や地名が音響的な特徴と異なる単語であっても認識することができる。
【００６１】
（３）キーワード文法とキーワード外文法とを待ち受け単語として音声認識を行うようにした。これによって、キーワードを持たない語句もキーワードと並列に認識することができ、キーワードを持たない語句の単独発話であっても認識することができる。
【００６２】
（４）キーワードを検出した場合には、検出したキーワードを含む認識対象語句全てを認識対象として再認識するようにした。これによって、分類上のカテゴリ名や県名と、語句内に含まれるキーワードが一致しない語句であっても認識することができる。
【００６３】
（５）初回認識の結果得られるＮ−ｂｅｓｔ中にキーワードが含まれている場合には、再認識を行い、再認識処理の結果、最も信頼度が高かったキーワードの尤度と、初回認識時にキーワード外文法によって認識された最も信頼度の高い単語の尤度とを比較し、尤度が高い方を最終的な発話理解結果として選択するようにした。これによって、キーワードを検出した場合にのみ、キーワードを含む単語を受理する文法を使った再認識の結果の尤度と、キーワードを持たない単語の認識結果の尤度を比較するため、認識結果の尤度の出方が異なるキーワード認識の尤度と単語認識の尤度とを比較することを避けることができ、より正確な尤度比較が可能となる。
【００６４】
（６）モーラ単位で区切った音素列をキーワードとするようにした。これによって、ひとつ以上のモーラのつながりであれば、意味をなさなくともキーワードとすることができ、より検出しやすいキーワードを選択することができる。また、音素単位、音節単位、または単語単位で認識対象単語を区切ってキーワードと設定してもよいこととした。これにより、音素単位で区切った場合には、ひとつ以上の音素のつながりであれば、意味をなさなくともキーワードとすることができるので、より検出しやすいキーワードを選択することができる。また、音節単位で区切った場合には、ひとつ以上の音節のつながりであれば、意味をなさなくともキーワードとすることができるので、より検出しやすいキーワードを選択することができる。また、単語単位で区切った場合には、意味を持つ単語がキーワードとなるので、これを手がかりに話題を推測することができる。
【００６５】
（７）キーワード選択処理においては、各キーワードを含む単語の数が、同時認識可能な範囲でなるべく多くなることをキーワードの選択基準とするようにした。これによって、ひとつひとつのキーワードが多くの単語に含まれるようにキーワードを選択することができるため、少ないキーワード数で多くの単語をカバーすることができる。また、キーワードを含む単語の数が、同時に待ち受けられる単語数内であるため、キーワードが検出された後、キーワードを含む単語を受理する文法に切り替えて、一度の再認識で認識処理を終えることができる。さらにこれに加えて、キーワードを含まない認識対象語句とキーワードを併せた数が同時認識可能な範囲に納まることをキーワードの選択基準とするようにした。これによって、キーワードを含まない単語の数は全体として少なくなるので、キーワードと平行して認識するキーワード外文法の数が減り、キーワードの認識率を向上することができる。
【００６６】
（８）モーラ数の多い音素列を優先してキーワードとするようにた。これによって、認識対象のモーラ数は多い程音声認識率は高くなることを加味して、より認識しやすいキーワードを優先することができ、全体としてキーワードの検出率が高くなり、最終的な認識率も高くなる。また、認識されやすい音素を含むキーワードを優先してキーワードに設定したり、単語中で認識しやすい位置に存在するキーワードを優先して設定するようにした。これによって、全体としてキーワードの検出率が高くなり、最終的な認識率も高くなる。
【００６７】
（９）キーワード選択処理を行った後、キーワード再整理処理を実行して重なりが大きいキーワード同士の場合はどちらか一方を削除するようにして、ひとつの単語に含まれるキーワードの数を１に近くするようにした。これによって、複数のキーワードを認識した後に各キーワードを含む単語を受理する文法に切り替えて再認識する際に、各キーワードを含む単語を受理する文法内の単語間に重複がなくなる。
【００６８】
（１０）キーワードを含む単語の数が同時待ち受け可能な範囲を超えてしまった場合には、キーワードを長くすることで、キーワードを含む単語の数を減らすようにした。これによって、キーワードが検出された後、文法を切り替えて一度の再認識で認識処理を終えることができる。
【００６９】
（１１）キーワード同士は音響的になるべく遠いもの同士を選択するようにした。これによって、あるキーワードを含む単語が発話された場合に、他のキーワードが誤って認識される可能性が少なくなり、キーワード同士の誤認識を避けることができる。
―変形例―
なお、上述した実施の形態の音声認識装置は、以下のように変形することもできる。
（１）上述した実施の形態では、音声認識を行うに当たっては、初回認識時にキーワードとキーワードを含まない単語の両方が認識結果の候補とされた場合、すなわちＮ−ｂｅｓｔ中にキーワードが含まれている場合には、キーワードの中で最も信頼度が高いものに関しては必ず再認識を行なうこととした。しかしながら、キーワードの信頼度が、キーワード外文法で認識した結果の信頼度と比較して明らかに低い場合には、再認識を行なわず、キーワード外文法で認識した結果を最終的な発話理解結果としてもよい。これによって、キーワードとキーワードを含まない単語の両方が認識結果候補として得られた場合には、一般的にキーワード認識よりも認識尤度が低くなりがちな認識対象語句そのものの認識であるキーワードを含まない単語を認識結果とすることができる。
【００７０】
（２）上述した実施の形態では、Ｎ−ｂｅｓｔ中にキーワードが複数現れた場合に最も信頼度が高いキーワードに対して再認識を行なう例について説明した。しかしながら、認識された全てのキーワードに関して再認識処理を行なって、その結果を比較するようにしてもよい。これによって、キーワードの認識結果にかかわらず、単語認識結果によってのみ最終認識結果が決まるため、認識結果がキーワードごとの検出されやすさの差に左右されることなく、正しい結果を選択することができる。また、尤度が高い上位Ｎ個のキーワードのみに関して再認識処理を行なってもよい。これによって、認識結果がキーワードごとの検出されやすさの差に左右されにくくしつつ、再認識対象となる単語の数を抑えることができる。
【００７１】
また、信頼度が一定値以上のキーワードに関してのみ再認識処理を行なってもよい。これによって、キーワードの認識の結果、キーワードが発話された可能性が高いもののみ文法を切り替えて再認識することとなるため、発話された可能性が高いものは全て再認識をしながらも、再認識対象となる単語の数を抑えることができる。さらに、再認識処理を一度にメモリ上に読み込める辞書の範囲で行なうために、各キーワードを含む単語の数の合計が同時認識可能な範囲となるようにキーワードを選択して再認識処理を行なってもよい。これによって、複数のキーワードに対してそれぞれが発話された可能性を残しつつも、再認識対象となる単語数を同時待ち受け可能な範囲に抑えることができる。
【００７２】
（３）上述した実施の形態では、音声認識装置１００は車両に搭載されたナビゲーション装置に実装される例について説明した。このようなカーナビゲーション装置１００においては、種々の情報を格納したディスク１５１の内容が頻繁に更新される可能性がある。このような場合には、図８に示すように、ディスク１５１に記録されている情報をサーバ２００上に置き、当該サーバ２００と音声認識装置１００とを所定の通信回線で結ぶ。そして、音声認識装置１００は、通信装置１８０を介してサーバ２００から情報を取得するような音声認識システムとしてもよい。これによって、音声認識用辞書・文法が頻繁に更新される場合でも、サーバ２００上のデータのみを更新すればよいため、データのメンテナンス性が向上する。
【００７３】
この場合、サーバ２００上の音声認識用辞書・文法に含まれる音声認識対象語句の一部が更新された場合には、クライアントは更新された認識対象語句のみを受け取って、クライアント側でキーワードを再設定するようにする。すなわち、更新された認識対象語句に基づいてキーワードを再選択するようにする。例えば、市区町村合併に伴い、新しい市区町村名を含む施設名が認識対象語句として新規に複数登録された場合に、この市区町村名を新たなキーワードとして登録するようにすればよい。
【００７４】
反対に、音声認識用辞書・文法の更新によってあるキーワードを含む単語の数が一定値を下回った場合にはこのキーワードをキーワード文法から外すようにすれば、データベース更新に伴うキーワード数の増加によってキーワード検出率が低下するのを防ぐことができる。なお、このときには、各キーワードを含む認識対象語句の数はあらかじめクライアント側に保持しておく必要がある。
【００７５】
さらに、キーワードを再選択した結果、再選択したキーワードが示す情報が新しい情報に変化した場合には、キーワード文法に登録されている古い情報を削除する。例えば、市区町村名の変更があり、かつ変更前の市区町村名を現す音素列がキーワードとしてキーワード文法に登録されている場合には、この市区町村名を現す音素列をキーワード文法から外すようにする。また、企業同士の合併によって、多くの施設名が、同一施設名の中に同一の組み合わせで複数のキーワードをもつ施設名に変更された場合は、どちらか一方のキーワードを削除するようにする。例えば、Ａ社とＢ社が合併して、Ａ＆Ｂ社となり、チェーン店Ａ及びチェーン店Ｂは全てＡ＆Ｂの名に登録しなおされた場合は、キーワードＡのみを残してキーワードＢを削除してもよい。これによって、データベースの更新によってキーワードが増えすぎることを防止できる。また、音声認識用辞書・文法に含まれる認識対象語句の部分的な変更にはキーワードの部分更新によって対応することができる。
【００７６】
（４）上述した実施の形態では、図４に示したキーワード選択処理を音声認識装置１００で実行する例について説明した。しかしながら、キーワード選択処理を実行するためのキーワード選択装置上で図４に示した処理を実行するようにし、音声認識装置１００は、当該キーワード選択装置で選択したキーワードを読み込んで音声認識処理を行うようにしてもよい。また、このキーワード選択装置は、上記変形例（３）と同様に音声認識用辞書・文法を記録したサーバと接続してキーワード選択システムとして適用することも可能である。
【００７７】
なお、本発明の特徴的な機能を損なわない限り、本発明は、上述した実施の形態における構成に何ら限定されない。
【００７８】
特許請求の範囲の構成要素と実施の形態との対応関係について説明する。マイク１３０は音声入力手段に、制御装置１１０は取得手段に、音声認識部１１２はキーワード選択手段、および削除手段に相当する。なお、以上の説明はあくまでも一例であり、発明を解釈する際、上記の実施形態の記載事項と特許請求の範囲の記載事項の対応関係に何ら限定も拘束もされない。
【図面の簡単な説明】
【００７９】
【図１】音声認識装置の一実施の形態の構成を示すブロック図である。
【図２】音声対話処理の流れを示すフローチャート図である。
【図３】音声対話処理の具体例を示す図である。
【図４】キーワード選択処理の流れを示すフローチャート図である。
【図５】キーワード候補選択処理の流れを示すフローチャート図である。
【図６】キーワードの候補選択方法の具体例について説明する。
【図７】キーワード再整理処理の流れを示すフローチャート図である。
【図８】音声認識システムの一実施の形態の構成を示すブロック図である。
【符号の説明】
【００８０】
１００ ナビゲーション装置
１１０ 制御装置
１１１ 入力制御部
１１２ 音声認識部
１１３ 理解結果生成部
１１４ 対話制御部
１１５ ＧＵＩ表示制御部
１１６ 声合成部
１２０ 音声認識開始スイッチ
１３０ マイク
１４０ メモリ
１４１ 音声認識用辞書・文法
１４２ 発話理解結果
１５０ ディスク読み取り装置
１５１ ディスク
１６０ モニタ
１７０ スピーカ
１８０ 通信装置
２００ サーバ
【特許請求の範囲】
【請求項１】
音声認識用辞書に記録された音声認識対象単語の中から選択したキーワードを用いて、音声入力手段を介して入力された発話音声を認識する音声認識装置で使用するキーワード選択方法であって、
前記音声認識対象単語の音響的な共通部分を前記キーワードとして選択することを特徴とするキーワード選択方法。
【請求項２】
請求項１に記載のキーワード選択方法において、
前記キーワードは、少なくとも１つ以上の音節からなる語、少なくとも１つ以上のモーラからなる語、少なくとも１つ以上の音素からなる語、または単語であることを特徴とするキーワード選択方法。
【請求項３】
請求項１または２に記載のキーワード選択方法において、
前記キーワードは、多くの前記音声認識対象単語に含まれている語を優先して選択することを特徴とするキーワード選択方法。
【請求項４】
請求項２に記載のキーワード選択方法において、
前記キーワードは、モーラ数の多い語を優先して選択することを特徴とするキーワード選択方法。
【請求項５】
請求項２に記載のキーワード選択方法において、
前記キーワードは、音声認識率の高い語を優先して選択することを特徴とするキーワード選択方法。
【請求項６】
請求項２に記載のキーワード選択方法において、
前記キーワードは、前記音声認識対象単語内の検出率が高い位置に含まれる音素列を優先して選択することを特徴とするキーワード選択方法。
【請求項７】
請求項１または２に記載のキーワード選択方法において、
前記キーワードは、前記音声認識対象単語内に含まれるキーワードの数が１に近い語を優先して選択することを特徴とするキーワード選択方法。
【請求項８】
請求項１〜７のいずれか一項に記載のキーワード選択方法において、
前記キーワードは、前記音声認識用辞書から読み込む前記キーワードを含む前記音声認識対象単語の数が、前記音声認識装置における音声認識時の同時認識可能な単語数以内となるように選択することを特徴とするキーワード選択方法。
【請求項９】
請求項８に記載のキーワード選択方法において、
前記音声認識用辞書から読み込む前記キーワードを含む前記音声認識対象単語の数が前記音声認識時の同時認識可能な単語数より多い場合には、前記キーワードの長さを長くして、前記音声認識用辞書から読み込む前記キーワードを含む前記音声認識対象単語の数を減少させて、前記キーワードを含む前記音声認識対象単語の数が前記音声認識時の同時認識可能な単語数以内になるようにすることを特徴とするキーワード選択方法。
【請求項１０】
請求項１〜９のいずれか一項に記載のキーワード選択方法において、
前記キーワードは、各キーワードが音響的に遠いものとなるように選択することを特徴とするキーワード選択方法。
【請求項１１】
音声認識用辞書に記録された音声認識対象単語の中から、請求項１〜１０のいずれか一項に記載のキーワード選択方法を使用して、前記音声認識対象単語の音響的な共通部分をキーワードとして選択し、
前記音声認識対象単語の中から、前記キーワードおよび前記キーワードを含まない音声認識対象単語を音声認識実行時の待ち受け単語として読み込み、
前記待ち受け単語と、前記発話音声とをマッチング処理して前記発話音声を認識することを特徴とする音声認識方法。
【請求項１２】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、前記キーワードが音声認識結果の候補として認識された場合には、認識されたキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１３】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、前記キーワードと前記キーワードを含まない音声認識対象単語のそれぞれが音声認識結果の候補として認識された場合には、認識尤度が高いものを音声認識結果とすることを特徴とする音声認識方法。
【請求項１４】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、前記キーワードと前記キーワードを含まない音声認識対象単語のそれぞれが音声認識結果の候補として認識された場合には、認識されたキーワードを含む音声認識対象単語を待ち受け単語として再マッチング処理を行い、前記キーワードを含む音声認識対象単語の認識尤度と、前記キーワードを含まない音声認識対象単語の認識尤度とを比較して、前記認識尤度が高い方を音声認識結果とすることを特徴とする音声認識方法。
【請求項１５】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識された複数のキーワードの含む全ての音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１６】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識された複数のキーワードのうち、認識尤度が高いものから所定数のキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１７】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識された複数のキーワードの音声認識に対する信頼度を算出し、前記信頼度が所定値以上のキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１８】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識尤度が高いものから、認識された各キーワードを含む単語の総和が所定数以下となるように設定した数のキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１９】
音声認識対象単語を記録した音声認識用辞書を有するサーバ、および
前記サーバから前記音声認識対象単語を取得する取得手段と、
請求項１〜１０のいずれか一項に記載のキーワード選択方法を実行して、前記音声認識対象単語の音響的な共通部分をキーワードとして選択するキーワード選択手段とを備えるキーワード選択装置を所定の通信回線で接続したキーワード選択システム。
【請求項２０】
請求項１９に記載のキーワード選択システムにおいて、
前記サーバ側で前記音声認識対象単語が更新された場合には、前記取得手段は、前記サーバから更新された音声認識対象単語を再取得し、
前記キーワード選択手段は、再取得した音声認識対象単語に基づいて前記キーワードを再選択することを特徴とするキーワード選択システム。
【請求項２１】
請求項２０に記載のキーワード選択システムにおいて、
前記キーワード選択装置は、前記キーワード選択手段によって前記キーワードを再選択した結果、前記音声認識対象単語内に存在する再選択したキーワードを含む単語が所定数以下になった場合には、前記待ち受け単語の中から再選択したキーワードを削除する削除手段をさらに備えることを特徴とするキーワード選択システム。
【請求項２２】
請求項２０に記載のキーワード選択システムにおいて、
前記キーワード選択装置は、前記キーワード選択手段によって前記キーワードを再選択した結果、前記再選択したキーワードが示す情報が新しい情報に変化した場合には、前記待ち受け単語の中から再選択したキーワードが示す古い情報を削除する削除手段をさらに備えることを特徴とするキーワード選択システム。
【請求項２３】
請求項２０に記載のキーワード選択システムにおいて、
前記キーワード選択装置は、前記キーワード選択手段によって前記キーワードを再選択した結果、再選択したキーワードを含む音声認識対象単語内に、同一の組み合わせで同一のキーワードが多く含まれるようになった場合には、前記待ち受け単語の中から前記単語内に含まれるいずれかのキーワードを削除する削除手段をさらに備えることを特徴とするキーワード選択システム。
【請求項２４】
請求項１９〜２３のいずれか一項に記載のキーワード選択装置。
【請求項１】
音声認識用辞書に記録された音声認識対象単語の中から選択したキーワードを用いて、音声入力手段を介して入力された発話音声を認識する音声認識装置で使用するキーワード選択方法であって、
前記音声認識対象単語の音響的な共通部分を前記キーワードとして選択することを特徴とするキーワード選択方法。
【請求項２】
請求項１に記載のキーワード選択方法において、
前記キーワードは、少なくとも１つ以上の音節からなる語、少なくとも１つ以上のモーラからなる語、少なくとも１つ以上の音素からなる語、または単語であることを特徴とするキーワード選択方法。
【請求項３】
請求項１または２に記載のキーワード選択方法において、
前記キーワードは、多くの前記音声認識対象単語に含まれている語を優先して選択することを特徴とするキーワード選択方法。
【請求項４】
請求項２に記載のキーワード選択方法において、
前記キーワードは、モーラ数の多い語を優先して選択することを特徴とするキーワード選択方法。
【請求項５】
請求項２に記載のキーワード選択方法において、
前記キーワードは、音声認識率の高い語を優先して選択することを特徴とするキーワード選択方法。
【請求項６】
請求項２に記載のキーワード選択方法において、
前記キーワードは、前記音声認識対象単語内の検出率が高い位置に含まれる音素列を優先して選択することを特徴とするキーワード選択方法。
【請求項７】
請求項１または２に記載のキーワード選択方法において、
前記キーワードは、前記音声認識対象単語内に含まれるキーワードの数が１に近い語を優先して選択することを特徴とするキーワード選択方法。
【請求項８】
請求項１〜７のいずれか一項に記載のキーワード選択方法において、
前記キーワードは、前記音声認識用辞書から読み込む前記キーワードを含む前記音声認識対象単語の数が、前記音声認識装置における音声認識時の同時認識可能な単語数以内となるように選択することを特徴とするキーワード選択方法。
【請求項９】
請求項８に記載のキーワード選択方法において、
前記音声認識用辞書から読み込む前記キーワードを含む前記音声認識対象単語の数が前記音声認識時の同時認識可能な単語数より多い場合には、前記キーワードの長さを長くして、前記音声認識用辞書から読み込む前記キーワードを含む前記音声認識対象単語の数を減少させて、前記キーワードを含む前記音声認識対象単語の数が前記音声認識時の同時認識可能な単語数以内になるようにすることを特徴とするキーワード選択方法。
【請求項１０】
請求項１〜９のいずれか一項に記載のキーワード選択方法において、
前記キーワードは、各キーワードが音響的に遠いものとなるように選択することを特徴とするキーワード選択方法。
【請求項１１】
音声認識用辞書に記録された音声認識対象単語の中から、請求項１〜１０のいずれか一項に記載のキーワード選択方法を使用して、前記音声認識対象単語の音響的な共通部分をキーワードとして選択し、
前記音声認識対象単語の中から、前記キーワードおよび前記キーワードを含まない音声認識対象単語を音声認識実行時の待ち受け単語として読み込み、
前記待ち受け単語と、前記発話音声とをマッチング処理して前記発話音声を認識することを特徴とする音声認識方法。
【請求項１２】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、前記キーワードが音声認識結果の候補として認識された場合には、認識されたキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１３】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、前記キーワードと前記キーワードを含まない音声認識対象単語のそれぞれが音声認識結果の候補として認識された場合には、認識尤度が高いものを音声認識結果とすることを特徴とする音声認識方法。
【請求項１４】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、前記キーワードと前記キーワードを含まない音声認識対象単語のそれぞれが音声認識結果の候補として認識された場合には、認識されたキーワードを含む音声認識対象単語を待ち受け単語として再マッチング処理を行い、前記キーワードを含む音声認識対象単語の認識尤度と、前記キーワードを含まない音声認識対象単語の認識尤度とを比較して、前記認識尤度が高い方を音声認識結果とすることを特徴とする音声認識方法。
【請求項１５】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識された複数のキーワードの含む全ての音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１６】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識された複数のキーワードのうち、認識尤度が高いものから所定数のキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１７】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識された複数のキーワードの音声認識に対する信頼度を算出し、前記信頼度が所定値以上のキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１８】
請求項１１に記載の音声認識方法において、
前記発話音声と前記待ち受け単語とをマッチング処理した結果、複数の前記キーワードが音声認識結果の候補として認識された場合には、認識尤度が高いものから、認識された各キーワードを含む単語の総和が所定数以下となるように設定した数のキーワードを含む音声認識対象単語を待ち受け単語として、前記発話音声を再認識することを特徴とする音声認識方法。
【請求項１９】
音声認識対象単語を記録した音声認識用辞書を有するサーバ、および
前記サーバから前記音声認識対象単語を取得する取得手段と、
請求項１〜１０のいずれか一項に記載のキーワード選択方法を実行して、前記音声認識対象単語の音響的な共通部分をキーワードとして選択するキーワード選択手段とを備えるキーワード選択装置を所定の通信回線で接続したキーワード選択システム。
【請求項２０】
請求項１９に記載のキーワード選択システムにおいて、
前記サーバ側で前記音声認識対象単語が更新された場合には、前記取得手段は、前記サーバから更新された音声認識対象単語を再取得し、
前記キーワード選択手段は、再取得した音声認識対象単語に基づいて前記キーワードを再選択することを特徴とするキーワード選択システム。
【請求項２１】
請求項２０に記載のキーワード選択システムにおいて、
前記キーワード選択装置は、前記キーワード選択手段によって前記キーワードを再選択した結果、前記音声認識対象単語内に存在する再選択したキーワードを含む単語が所定数以下になった場合には、前記待ち受け単語の中から再選択したキーワードを削除する削除手段をさらに備えることを特徴とするキーワード選択システム。
【請求項２２】
請求項２０に記載のキーワード選択システムにおいて、
前記キーワード選択装置は、前記キーワード選択手段によって前記キーワードを再選択した結果、前記再選択したキーワードが示す情報が新しい情報に変化した場合には、前記待ち受け単語の中から再選択したキーワードが示す古い情報を削除する削除手段をさらに備えることを特徴とするキーワード選択システム。
【請求項２３】
請求項２０に記載のキーワード選択システムにおいて、
前記キーワード選択装置は、前記キーワード選択手段によって前記キーワードを再選択した結果、再選択したキーワードを含む音声認識対象単語内に、同一の組み合わせで同一のキーワードが多く含まれるようになった場合には、前記待ち受け単語の中から前記単語内に含まれるいずれかのキーワードを削除する削除手段をさらに備えることを特徴とするキーワード選択システム。
【請求項２４】
請求項１９〜２３のいずれか一項に記載のキーワード選択装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【公開番号】特開２００７−３２２７５８（Ｐ２００７−３２２７５８Ａ）
【公開日】平成１９年１２月１３日（２００７．１２．１３）
【国際特許分類】
【出願番号】特願２００６−１５３０７１（Ｐ２００６−１５３０７１）
【出願日】平成１８年６月１日（２００６．６．１）
【出願人】（０００００３９９７）日産自動車株式会社 (16,386)
【Ｆターム（参考）】
【公開日】平成１９年１２月１３日（２００７．１２．１３）
【国際特許分類】
【出願日】平成１８年６月１日（２００６．６．１）
【出願人】（０００００３９９７）日産自動車株式会社 (16,386)
【Ｆターム（参考）】
[ Back to top ]