話者特定装置および話者特定プログラム
【課題】
音声信号から話者の特定を行う話者特定装置において、話者特定のための精度向上を図る。
【解決手段】
音響モデルに個人名称を対応付けた個人別話者認識情報２６ａを記憶する記憶部２６と、入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識部２５と、入力される音声信号を音声認識する音声認識部２２と、音声認識部２２での認識結果から個人名称を抽出する解析部２３と、話者認識部２２での抽出結果、及び、解析部２３で抽出した個人名称に基づいて話者を特定する話者特定部２４を備える。
音声信号から話者の特定を行う話者特定装置において、話者特定のための精度向上を図る。
【解決手段】
音響モデルに個人名称を対応付けた個人別話者認識情報２６ａを記憶する記憶部２６と、入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識部２５と、入力される音声信号を音声認識する音声認識部２２と、音声認識部２２での認識結果から個人名称を抽出する解析部２３と、話者認識部２２での抽出結果、及び、解析部２３で抽出した個人名称に基づいて話者を特定する話者特定部２４を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、マイクから取得した会話などの音声信号に基づいて、話者を特定する話者特定装置および話者特定プログラムに関する。
【背景技術】
【０００２】
車両に装備されるナビゲーション装置では、個人の嗜好や個人の利用履歴などに応じて、各個人に対応したお奨め情報を提示することが行われている。
【０００３】
特許文献１には、乗員の発する音声より所定の語句を認識し、認識した語句から乗員が希望する行先を推定して音声で提案し、提案された行先に乗員が同意した場合、当該行先をナビゲーション制御部に目的地として入力するナビゲーション装置が開示されている。
【０００４】
このナビゲーション装置では、乗員の嗜好に応じて行先を推定することが可能であって、その第１５段落には、乗員を特定するため、会話で交わされる音声の特徴から現在乗車している乗員を特定する処理について開示がみられる。
【０００５】
また、車両内における個人の特定は、個人の嗜好に応じた各種サービスのみならず音声認識処理にて認識率を向上させる場合にも役立つ。現在、目的地の指定などを音声入力にて行うナビゲーション装置は一般的となっている。このようなナビゲーション装置における音声認識処理では、各個人に対応した音響モデルを用いることで認識率の向上を図ることができる。また、音声認識処理を行いながら、この音響モデルを学習させることで個人への適応度を向上させ、認識率を向上させることもできる。
【０００６】
以上のように、車両内における個人の特定は、乗員の嗜好情報に応じた行き先の提案、音声認識処理における認識率の向上に役立つものとなるが、今後、インターネットによる各種情報の提供など車両内での各種サービスが拡充するにつれて、"誰が車に乗っている
か"を自動的に識別する技術は重要となることが予想される。
【０００７】
特許文献２には、入力音声から話者を照合する話者照合装置において、複数の登録パターンのそれぞれについて正規化類似度を求め、類似度の高い正規化類似度で本人判定を行うとともに、判定された登録パターンを初期パターンとして更新を行うことについて開示されている。
【０００８】
図１は、このような話者照合装置において使用され登録パターンとしての話者認識用音響モデルの例を示したものである。音響モデルは、不特定話者音響モデルを最上位に持つ木構造にて構成されている。その下位の階層には、男声話者音響モデルＭ、女性話者音響モデルＦが分類され、それぞれの下位の階層にはさらに分類された音響モデルが設けられている。
【０００９】
話者認識を行う際、各話者には、予め音響モデルが対応付けられており、入力音声と類似度が高い音響モデルを検索することで話者を認識することが可能となる。木構造の階層が深いほど話者の特性をより忠実に表した音響モデルとなっており、木構造の末端に各話者固有の音響モデルを設けることで精度の高い話者認識が実現できる。各話者毎の音響モデルは、１つ上の階層の音響モデルからを作成できる。
【先行技術文献】
【特許文献】
【００１０】
【特許文献１】特開２００１−２８９６６１号公報
【特許文献２】特許第３４４４２４１号公報
【発明の概要】
【発明が解決しようとする課題】
【００１１】
今後、個人に適応したサービスを提供する機会が増えるにつれ、正確に個人を特定することは非常に重要である。しかしながら、特許文献１、特許文献２では個人を特定するため、音声の特徴を用いたいわゆる話者認識処理によって個人の特定を行うものであって、話者認識処理という１つの技術に依存して個人を特定することとなるため、個人特定率をさらに向上させるには限界がある。
【課題を解決するための手段】
【００１２】
本発明では、話者認識処理に加え、会話中に登場する個人名称を利用して話者の特定を行う話者特定装置、話者特定プログラムを提供することを目的とするものであって、そのため下記の各種構成を採用することとしている。
【００１３】
本発明の話者特定装置は、音響モデルに個人名称を対応付けた個人別話者認識情報を記憶する記憶部と、入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識部と、入力される音声信号を音声認識する音声認識部と、音声認識部での認識結果から個人名称を抽出する解析部と、話者認識部での抽出結果、及び、解析部で抽出した個人名称に基づいて話者を特定する話者特定部を備えたことを特徴とするものである。
【００１４】
さらに、本発明の話者特定装置において、話者特定部は、話者認識部での検索結果で話者が特定できない場合、個人名称に基づいて話者の特定を行うこととしている。
【００１５】
さらに、本発明の話者特定装置において、話者認識部は、話者特定部で特定された話者の音響モデルを、入力される当該話者の音声信号によって更新することとしている。
【００１６】
さらに、本発明の話者特定装置において、話者特定部は、話者が特定できない場合、入力される音声信号と類似度が高い音響モデルを抽出し、個人名称と対応付けることで個人別音声認識情報を作成することとしている。
【００１７】
さらに、本発明の話者特定装置において、解析部は、音声認識部の認識結果で抽出された個人名称の近傍に所定の語句が含まれている場合、当該個人名称を抽出対象外とすることとしている。
【００１８】
さらに、本発明の話者特定装置は、センサからの信号により乗車を検知する乗車検知部をさらに備え、話者特定部は、乗車検知部にて乗車を検知した場合に話者の特定を開始することとしている。
【００１９】
また、本発明の話者特定プログラムは、入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識処理と、入力される音声信号を音声認識する音声認識処理と、音声認識処理での認識結果から個人名称を抽出する解析処理と、話者認識処理での抽出結果、及び、解析処理で抽出した個人名称に基づいて話者を特定する話者特定処理を行うことを特徴とするものである。
【図面の簡単な説明】
【００２０】
【図１】木構造化された音響モデルデータの例を示す図。
【図２】本発明の実施形態に係る話者特定装置を示す図。
【図３】本発明の実施形態に係る話者特定処理を示すフロー図。
【図４】本発明の実施形態に係る第三者判定の例を示す図。
【発明を実施するための形態】
【００２１】
図２は、本発明の実施形態に係る話者特定装置の機能ブロックを示した図である。本実施形態の話者特定装置は、ＣＰＵなどの制御手段、メモリ、ハードディスクなどの記憶手段、各種インタフェースを備えたコンピュータにて構成される。各ブロックはコンピュータの処理機能を表したものとなっており、各ブロックが必ずしも部品に対応するものではない。また、パーソナルコンピュータなどの汎用ハードウェア上で動作するプログラムとして提供されるものであってもよい。
【００２２】
本実施形態において、話者特定装置２０は、乗車検知部２１、音声認識部２２、言語解析部２３、個人ＩＤ決定部２４、話者認識部２５、データベース２６、通信部２７を備えて構成される。また、話者特定装置２０の外部には、周辺機器として、センサ１１、マイク１２、入力手段１３、外部装置３０が配置され、話者特定装置２０と各種信号のやりとりを行う。
【００２３】
乗車検知部２１は、センサ１１から入力される信号に基づき、車両に人が乗車したことを検知する。このセンサ１１、乗車検知部２１には各種の実施形態を採用することが考えられる。
【００２４】
例えば、座席への荷重を検出する荷重センサを用いることで、乗車検知部２１にて着座を検出し人が乗車したことを検出することが考えられる。また、着座の検出としては、シートベルトの装着を検出するセンサとしてもよい。
【００２５】
このような着座の検出に限らず、例えばセンサ１１にマイクロフォンを用い、乗車検知部２１が音声信号から会話を検出することで乗車を検出することとしてもよい。また、センサ１１にカメラを用いた場合には、車内の様子を撮影し、乗車検知部２１が画像信号の変化を検出することで乗車の検知を行ってもよい。さらには、これらの手法を組み合わせることで精度の高い乗車検知を行うこととしてもよい。
【００２６】
音声認識部２２は、マイク１２から入力される音声信号を音声認識し、認識結果としての文字情報を出力する。
【００２７】
言語解析部２３（本発明における「解析部」）は、各種データベースを参照することで、音声認識部２２の認識結果としての文字情報の解析を行う。本実施形態では、後段に配置された個人ＩＤ決定部２４と必要とされる個人名称を抽出する。
【００２８】
話者認識部２５は、マイク１１から入力される音声信号から話者を特定、または、絞り込むために設けられており、データベース２６に記憶されている個人別話者認識情報２６ａに基づいて話者の検索を行う。
【００２９】
データベース２６に記憶されている個人別話者認識情報２６ａは、話者識別情報との個人ＩＤに、名前、呼び名などの個人名称と、話者の声の音響的特性を示す話者認識用音響モデルが対応付けられた情報である。話者認識部２５は、マイク１１から取得した音声信号から音響特性を抽出し、データベース２６内の話者認識用音響モデルと比較し、閾値以上の類似度の話者認識用音響モデルに対応する個人ＩＤを抽出することで話者の検索を行う。また、データベース２６には、話者認識用音響モデルからなる汎用話者認識情報２６ｂが記憶されており、話者が特定できない場合に利用される。
【００３０】
個人ＩＤ決定部２４（本発明における「話者特定部」）は、話者認識部２２での抽出結果、及び、言語解析部２５で抽出された個人名称による個人別話者認識情報２６ａの検索結果に基づいて話者の特定を行う。本実施形態では車両中で使用される話者特定装置に配慮した構成となっており、乗車検知部２１にてが乗車したことを検知することで特定処理を開始することとしている。
【００３１】
通信部２７は、Bluetooth（登録商標）、無線ＬＡＮ、赤外線、携帯電話用回線などの
手法にて車内、あるいは、車外にある携帯電話、外部サーバなどの外部装置と通信を行う。外部装置３０には、電話帳、住所録などに登録された個人名称３０ａが記憶されており、個人別話者認識情報２６ａを新規に登録する際に利用される。
【００３２】
図３は、図２の話者特定装置２０を用いて行われる音声認識処理の流れを示したフロー図である。Ｓ１００にて話者特定装置２０が起動すると、Ｓ１０１にて乗車検知部２１による乗車の検知が開始される。
【００３３】
人が車に乗ったことを検知すると、Ｓ１０２において話者の特定を行うため、マイク１１から音声信号を取得する。取得する音声信号の時間長は、話者認識部２５での話者認識を行うのみであれば数秒程度のごく短時間で足りるが、個人名称での検索にも利用する場合には、単語、または、文章単位で取得することが望ましい。
【００３４】
Ｓ１０３では、話者認識部２５において取得した音声信号による話者認識処理が実行される。ここでは、データベース２３の個人別話者認識情報２６ａを参照し、入力音声信号と閾値以上の類似度を有する１乃至複数の話者認識用音響モデルを有するものが抽出される。なお、閾値は経験的に決められた固定値としてもよいが、各種状況に応じて可変する値としてもよい。
【００３５】
例えば、入力音声と汎用話者認識情報２６ｂの話者認識用音響モデルに対する類似度の計算を併せて行い、汎用話者認識情報２６ｂの話者認識用音響モデルについて最も高い類似度を閾値に設定することなどが考えられる。なお、この類似度に適宜定数を加算、減算したものを閾値に設定することとしてもよい。このようにすれば、最適な閾値を求めるための予備実験が不要となる。
【００３６】
Ｓ１０４は、個人ＩＤ決定部２４で行われる処理であり、ここではＳ１０３の話者認識処理で話者が特定できたか、すなわち、抽出された話者認識用音響モデルが１つに特定できたか否かが判定される。話者が特定できた場合には、Ｓ１０５にて特定した話者の個人ＩＤを出力を行い、Ｓ１０６にて話者認識用音響モデルを、入力される音声信号で学習するように設定して処理を終了する。
【００３７】
話者認識部２５は、以後入力される音声信号にて、設定された話者認識用音響モデルを学習させ、更新することで、今後実行される話者認識の正解率を向上させることが可能となる。なお、本実施形態では、話者特定の結果として話者特定装置２０が出力する情報を話者ＩＤとしているが、個人名称を使用することとしても構わない。
【００３８】
一方、この話者認識処理にて複数の候補から絞り込めない、もしくは話者が全く特定できない場合には、Ｓ１０７以降の個人名称による検索が実行される。Ｓ１０７では、Ｓ１０２にて取得した音声信号に対し、音声認識部２４にて音声認識処理を行うことで文字情報に変換する。なお、Ｓ１０２で取得した音声信号を用いることに代え、新たに音声信号を取得した上で、この音声認識処理を実行することとしてもよい。
【００３９】
Ｓ１０８では、音声認識した結果から辞書などを参照することで個人名称が抽出され、
会話中、１ないし複数の個人名称が抽出できた場合にはＳ１０９に進む。Ｓ１０９では、抽出した個人名称中、実際には会話に参加していない人（第三者という）の個人名称の有無が判断され、第三者の個人名称が除去される。
【００４０】
図４は、この第三者の個人名称除去の例を示した図である。ここでは、抽出した個人名称の近傍に「らしい」、「そうだ」、「みたい」など所定の語句があった場合に、当該個人名称を第三者の個人名称として除去することとしている。所定の語句（単語）には、このような伝聞形式や推量形式が使用される。また、個人名称の近傍とは、個人名称の前、または後の所定語句数内、あるいは、個人名称を含んだ文章中、あるいは、その後の文章中など、適宜に決定することが可能である。
【００４１】
このように、第三者の個人名称の除去処理を行った実施形態では、会話に参加していない人の個人名称が検出された場合においても誤認識を避けることが可能となる。
【００４２】
Ｓ１１０では、Ｓ１０９において第三者の個人名称が除去された後に、個人名称が残っているか否かが判定される。個人名称が残っている場合にはＳ１１１に進み、当該個人名称を用いた個人別話者認識情報２６ａの検索が実行される。ここでは、Ｓ１０３にて絞り込まれた音声認識用音響モデル２６ａに対応付けられた個人名称を検索対象としてもよいし、個人別話者認識情報２６ａ内の全ての個人名称を検索対象としてもよい。
【００４３】
Ｓ１１２では、Ｓ１１１の個人名称による検索により話者が特定できたか、すなわち、個人名称が個人別話者認識情報２６ａとして登録されているか否かが判定される。話者が特定できた場合には、Ｓ１０５にて話者を特定する個人ＩＤを出力するとともに、Ｓ１０６にて当該話者に対応する話者認識用音響モデルを設定して処理を終了する。
【００４４】
一方、Ｓ１０８にて会話の中に個人名称がなかった場合や、Ｓ１１０、Ｓ１１２にて個人名称が検索出来なかった場合にはＳ１１３に進み、特定できなかった回数が判定される。ｎ回以上特定できなかった場合には、Ｓ１１４に進んで新たに個人別話者認識情報を作成する登録処理が実行される。ｎ回未満である場合には、Ｓ１０２に戻って話者認識からの処理を再度実行する。
【００４５】
Ｓ１１４では、入力された音声信号に対し、類似度が最も高い話者認識用音響モデルが選択される。ここでは、Ｓ１０３で抽出した話者認識用音響モデルから選択することとしてもよいし、汎用話者認識情報２６ｂとして設けられた話者認識用音響モデルから選択することとしてもよい。
【００４６】
Ｓ１１５では、選択した話者認識用音響モデルを入力音声に基づいて適応させる話者適応処理が実行される。この話者適応処理は、Ｓ１１４で選択した話者認識用音響モデルを話者の入力音声を利用して話者に適応させる処理であって、この処理を行うことで話者認識精度の向上を図ることが可能となる。
【００４７】
Ｓ１１６では、適応させた話者認識用音響モデルに対して個人名称を付与する処理が実行される。また、個人ＩＤが必要とされる場合には、個人ＩＤも併せて付与される。個人名称は、キーボードなどの入力部１３から手動によって入力することとしてもよいし、携帯電話などの外部装置３０に記録されている電話帳、住所録などに含まれる個人名称を利用することで入力を簡略化することとしてもよい。
【００４８】
外部装置３０内の個人名称を利用する場合、まず、通信部２７は外部装置３０と通信可能か否かを判断し、通信可能である場合には、外部装置３０に記憶されている個人名称を表示部などで操作者に提示して選択を促す。操作者により選択された個人名称を、Ｓ１１
４にて選択した話者認識用音響モデルと対応付け、個人別話者認識情報２６ａとして記録することで登録処理が終了する。登録処理が終了すると、Ｓ１０６にて登録された話者認識用音響モデルを設定して全体の処理が終了する。
【００４９】
以上、本発明によれば、話者認識用音響モデルを利用した話者特定を行う際、話者の個人名称を利用した検索を併せて行うことで、話者特定の精度向上を図ることが可能となる。
【００５０】
なお、本発明はこれらの実施形態のみに限られるものではなく、それぞれの実施形態の構成を適宜組み合わせて構成した実施形態も本発明の範疇となるものである。
【符号の説明】
【００５１】
１１…センサ、１２…マイク、１３…入力手段、２０…話者特定装置、２１…乗車検知部、２２…音声認識部、２３…言語解析部、２４…個人ＩＤ決定部、２５…話者認識部、２６…データベース、２７…通信部、３０…外部装置
【技術分野】
【０００１】
本発明は、マイクから取得した会話などの音声信号に基づいて、話者を特定する話者特定装置および話者特定プログラムに関する。
【背景技術】
【０００２】
車両に装備されるナビゲーション装置では、個人の嗜好や個人の利用履歴などに応じて、各個人に対応したお奨め情報を提示することが行われている。
【０００３】
特許文献１には、乗員の発する音声より所定の語句を認識し、認識した語句から乗員が希望する行先を推定して音声で提案し、提案された行先に乗員が同意した場合、当該行先をナビゲーション制御部に目的地として入力するナビゲーション装置が開示されている。
【０００４】
このナビゲーション装置では、乗員の嗜好に応じて行先を推定することが可能であって、その第１５段落には、乗員を特定するため、会話で交わされる音声の特徴から現在乗車している乗員を特定する処理について開示がみられる。
【０００５】
また、車両内における個人の特定は、個人の嗜好に応じた各種サービスのみならず音声認識処理にて認識率を向上させる場合にも役立つ。現在、目的地の指定などを音声入力にて行うナビゲーション装置は一般的となっている。このようなナビゲーション装置における音声認識処理では、各個人に対応した音響モデルを用いることで認識率の向上を図ることができる。また、音声認識処理を行いながら、この音響モデルを学習させることで個人への適応度を向上させ、認識率を向上させることもできる。
【０００６】
以上のように、車両内における個人の特定は、乗員の嗜好情報に応じた行き先の提案、音声認識処理における認識率の向上に役立つものとなるが、今後、インターネットによる各種情報の提供など車両内での各種サービスが拡充するにつれて、"誰が車に乗っている
か"を自動的に識別する技術は重要となることが予想される。
【０００７】
特許文献２には、入力音声から話者を照合する話者照合装置において、複数の登録パターンのそれぞれについて正規化類似度を求め、類似度の高い正規化類似度で本人判定を行うとともに、判定された登録パターンを初期パターンとして更新を行うことについて開示されている。
【０００８】
図１は、このような話者照合装置において使用され登録パターンとしての話者認識用音響モデルの例を示したものである。音響モデルは、不特定話者音響モデルを最上位に持つ木構造にて構成されている。その下位の階層には、男声話者音響モデルＭ、女性話者音響モデルＦが分類され、それぞれの下位の階層にはさらに分類された音響モデルが設けられている。
【０００９】
話者認識を行う際、各話者には、予め音響モデルが対応付けられており、入力音声と類似度が高い音響モデルを検索することで話者を認識することが可能となる。木構造の階層が深いほど話者の特性をより忠実に表した音響モデルとなっており、木構造の末端に各話者固有の音響モデルを設けることで精度の高い話者認識が実現できる。各話者毎の音響モデルは、１つ上の階層の音響モデルからを作成できる。
【先行技術文献】
【特許文献】
【００１０】
【特許文献１】特開２００１−２８９６６１号公報
【特許文献２】特許第３４４４２４１号公報
【発明の概要】
【発明が解決しようとする課題】
【００１１】
今後、個人に適応したサービスを提供する機会が増えるにつれ、正確に個人を特定することは非常に重要である。しかしながら、特許文献１、特許文献２では個人を特定するため、音声の特徴を用いたいわゆる話者認識処理によって個人の特定を行うものであって、話者認識処理という１つの技術に依存して個人を特定することとなるため、個人特定率をさらに向上させるには限界がある。
【課題を解決するための手段】
【００１２】
本発明では、話者認識処理に加え、会話中に登場する個人名称を利用して話者の特定を行う話者特定装置、話者特定プログラムを提供することを目的とするものであって、そのため下記の各種構成を採用することとしている。
【００１３】
本発明の話者特定装置は、音響モデルに個人名称を対応付けた個人別話者認識情報を記憶する記憶部と、入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識部と、入力される音声信号を音声認識する音声認識部と、音声認識部での認識結果から個人名称を抽出する解析部と、話者認識部での抽出結果、及び、解析部で抽出した個人名称に基づいて話者を特定する話者特定部を備えたことを特徴とするものである。
【００１４】
さらに、本発明の話者特定装置において、話者特定部は、話者認識部での検索結果で話者が特定できない場合、個人名称に基づいて話者の特定を行うこととしている。
【００１５】
さらに、本発明の話者特定装置において、話者認識部は、話者特定部で特定された話者の音響モデルを、入力される当該話者の音声信号によって更新することとしている。
【００１６】
さらに、本発明の話者特定装置において、話者特定部は、話者が特定できない場合、入力される音声信号と類似度が高い音響モデルを抽出し、個人名称と対応付けることで個人別音声認識情報を作成することとしている。
【００１７】
さらに、本発明の話者特定装置において、解析部は、音声認識部の認識結果で抽出された個人名称の近傍に所定の語句が含まれている場合、当該個人名称を抽出対象外とすることとしている。
【００１８】
さらに、本発明の話者特定装置は、センサからの信号により乗車を検知する乗車検知部をさらに備え、話者特定部は、乗車検知部にて乗車を検知した場合に話者の特定を開始することとしている。
【００１９】
また、本発明の話者特定プログラムは、入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識処理と、入力される音声信号を音声認識する音声認識処理と、音声認識処理での認識結果から個人名称を抽出する解析処理と、話者認識処理での抽出結果、及び、解析処理で抽出した個人名称に基づいて話者を特定する話者特定処理を行うことを特徴とするものである。
【図面の簡単な説明】
【００２０】
【図１】木構造化された音響モデルデータの例を示す図。
【図２】本発明の実施形態に係る話者特定装置を示す図。
【図３】本発明の実施形態に係る話者特定処理を示すフロー図。
【図４】本発明の実施形態に係る第三者判定の例を示す図。
【発明を実施するための形態】
【００２１】
図２は、本発明の実施形態に係る話者特定装置の機能ブロックを示した図である。本実施形態の話者特定装置は、ＣＰＵなどの制御手段、メモリ、ハードディスクなどの記憶手段、各種インタフェースを備えたコンピュータにて構成される。各ブロックはコンピュータの処理機能を表したものとなっており、各ブロックが必ずしも部品に対応するものではない。また、パーソナルコンピュータなどの汎用ハードウェア上で動作するプログラムとして提供されるものであってもよい。
【００２２】
本実施形態において、話者特定装置２０は、乗車検知部２１、音声認識部２２、言語解析部２３、個人ＩＤ決定部２４、話者認識部２５、データベース２６、通信部２７を備えて構成される。また、話者特定装置２０の外部には、周辺機器として、センサ１１、マイク１２、入力手段１３、外部装置３０が配置され、話者特定装置２０と各種信号のやりとりを行う。
【００２３】
乗車検知部２１は、センサ１１から入力される信号に基づき、車両に人が乗車したことを検知する。このセンサ１１、乗車検知部２１には各種の実施形態を採用することが考えられる。
【００２４】
例えば、座席への荷重を検出する荷重センサを用いることで、乗車検知部２１にて着座を検出し人が乗車したことを検出することが考えられる。また、着座の検出としては、シートベルトの装着を検出するセンサとしてもよい。
【００２５】
このような着座の検出に限らず、例えばセンサ１１にマイクロフォンを用い、乗車検知部２１が音声信号から会話を検出することで乗車を検出することとしてもよい。また、センサ１１にカメラを用いた場合には、車内の様子を撮影し、乗車検知部２１が画像信号の変化を検出することで乗車の検知を行ってもよい。さらには、これらの手法を組み合わせることで精度の高い乗車検知を行うこととしてもよい。
【００２６】
音声認識部２２は、マイク１２から入力される音声信号を音声認識し、認識結果としての文字情報を出力する。
【００２７】
言語解析部２３（本発明における「解析部」）は、各種データベースを参照することで、音声認識部２２の認識結果としての文字情報の解析を行う。本実施形態では、後段に配置された個人ＩＤ決定部２４と必要とされる個人名称を抽出する。
【００２８】
話者認識部２５は、マイク１１から入力される音声信号から話者を特定、または、絞り込むために設けられており、データベース２６に記憶されている個人別話者認識情報２６ａに基づいて話者の検索を行う。
【００２９】
データベース２６に記憶されている個人別話者認識情報２６ａは、話者識別情報との個人ＩＤに、名前、呼び名などの個人名称と、話者の声の音響的特性を示す話者認識用音響モデルが対応付けられた情報である。話者認識部２５は、マイク１１から取得した音声信号から音響特性を抽出し、データベース２６内の話者認識用音響モデルと比較し、閾値以上の類似度の話者認識用音響モデルに対応する個人ＩＤを抽出することで話者の検索を行う。また、データベース２６には、話者認識用音響モデルからなる汎用話者認識情報２６ｂが記憶されており、話者が特定できない場合に利用される。
【００３０】
個人ＩＤ決定部２４（本発明における「話者特定部」）は、話者認識部２２での抽出結果、及び、言語解析部２５で抽出された個人名称による個人別話者認識情報２６ａの検索結果に基づいて話者の特定を行う。本実施形態では車両中で使用される話者特定装置に配慮した構成となっており、乗車検知部２１にてが乗車したことを検知することで特定処理を開始することとしている。
【００３１】
通信部２７は、Bluetooth（登録商標）、無線ＬＡＮ、赤外線、携帯電話用回線などの
手法にて車内、あるいは、車外にある携帯電話、外部サーバなどの外部装置と通信を行う。外部装置３０には、電話帳、住所録などに登録された個人名称３０ａが記憶されており、個人別話者認識情報２６ａを新規に登録する際に利用される。
【００３２】
図３は、図２の話者特定装置２０を用いて行われる音声認識処理の流れを示したフロー図である。Ｓ１００にて話者特定装置２０が起動すると、Ｓ１０１にて乗車検知部２１による乗車の検知が開始される。
【００３３】
人が車に乗ったことを検知すると、Ｓ１０２において話者の特定を行うため、マイク１１から音声信号を取得する。取得する音声信号の時間長は、話者認識部２５での話者認識を行うのみであれば数秒程度のごく短時間で足りるが、個人名称での検索にも利用する場合には、単語、または、文章単位で取得することが望ましい。
【００３４】
Ｓ１０３では、話者認識部２５において取得した音声信号による話者認識処理が実行される。ここでは、データベース２３の個人別話者認識情報２６ａを参照し、入力音声信号と閾値以上の類似度を有する１乃至複数の話者認識用音響モデルを有するものが抽出される。なお、閾値は経験的に決められた固定値としてもよいが、各種状況に応じて可変する値としてもよい。
【００３５】
例えば、入力音声と汎用話者認識情報２６ｂの話者認識用音響モデルに対する類似度の計算を併せて行い、汎用話者認識情報２６ｂの話者認識用音響モデルについて最も高い類似度を閾値に設定することなどが考えられる。なお、この類似度に適宜定数を加算、減算したものを閾値に設定することとしてもよい。このようにすれば、最適な閾値を求めるための予備実験が不要となる。
【００３６】
Ｓ１０４は、個人ＩＤ決定部２４で行われる処理であり、ここではＳ１０３の話者認識処理で話者が特定できたか、すなわち、抽出された話者認識用音響モデルが１つに特定できたか否かが判定される。話者が特定できた場合には、Ｓ１０５にて特定した話者の個人ＩＤを出力を行い、Ｓ１０６にて話者認識用音響モデルを、入力される音声信号で学習するように設定して処理を終了する。
【００３７】
話者認識部２５は、以後入力される音声信号にて、設定された話者認識用音響モデルを学習させ、更新することで、今後実行される話者認識の正解率を向上させることが可能となる。なお、本実施形態では、話者特定の結果として話者特定装置２０が出力する情報を話者ＩＤとしているが、個人名称を使用することとしても構わない。
【００３８】
一方、この話者認識処理にて複数の候補から絞り込めない、もしくは話者が全く特定できない場合には、Ｓ１０７以降の個人名称による検索が実行される。Ｓ１０７では、Ｓ１０２にて取得した音声信号に対し、音声認識部２４にて音声認識処理を行うことで文字情報に変換する。なお、Ｓ１０２で取得した音声信号を用いることに代え、新たに音声信号を取得した上で、この音声認識処理を実行することとしてもよい。
【００３９】
Ｓ１０８では、音声認識した結果から辞書などを参照することで個人名称が抽出され、
会話中、１ないし複数の個人名称が抽出できた場合にはＳ１０９に進む。Ｓ１０９では、抽出した個人名称中、実際には会話に参加していない人（第三者という）の個人名称の有無が判断され、第三者の個人名称が除去される。
【００４０】
図４は、この第三者の個人名称除去の例を示した図である。ここでは、抽出した個人名称の近傍に「らしい」、「そうだ」、「みたい」など所定の語句があった場合に、当該個人名称を第三者の個人名称として除去することとしている。所定の語句（単語）には、このような伝聞形式や推量形式が使用される。また、個人名称の近傍とは、個人名称の前、または後の所定語句数内、あるいは、個人名称を含んだ文章中、あるいは、その後の文章中など、適宜に決定することが可能である。
【００４１】
このように、第三者の個人名称の除去処理を行った実施形態では、会話に参加していない人の個人名称が検出された場合においても誤認識を避けることが可能となる。
【００４２】
Ｓ１１０では、Ｓ１０９において第三者の個人名称が除去された後に、個人名称が残っているか否かが判定される。個人名称が残っている場合にはＳ１１１に進み、当該個人名称を用いた個人別話者認識情報２６ａの検索が実行される。ここでは、Ｓ１０３にて絞り込まれた音声認識用音響モデル２６ａに対応付けられた個人名称を検索対象としてもよいし、個人別話者認識情報２６ａ内の全ての個人名称を検索対象としてもよい。
【００４３】
Ｓ１１２では、Ｓ１１１の個人名称による検索により話者が特定できたか、すなわち、個人名称が個人別話者認識情報２６ａとして登録されているか否かが判定される。話者が特定できた場合には、Ｓ１０５にて話者を特定する個人ＩＤを出力するとともに、Ｓ１０６にて当該話者に対応する話者認識用音響モデルを設定して処理を終了する。
【００４４】
一方、Ｓ１０８にて会話の中に個人名称がなかった場合や、Ｓ１１０、Ｓ１１２にて個人名称が検索出来なかった場合にはＳ１１３に進み、特定できなかった回数が判定される。ｎ回以上特定できなかった場合には、Ｓ１１４に進んで新たに個人別話者認識情報を作成する登録処理が実行される。ｎ回未満である場合には、Ｓ１０２に戻って話者認識からの処理を再度実行する。
【００４５】
Ｓ１１４では、入力された音声信号に対し、類似度が最も高い話者認識用音響モデルが選択される。ここでは、Ｓ１０３で抽出した話者認識用音響モデルから選択することとしてもよいし、汎用話者認識情報２６ｂとして設けられた話者認識用音響モデルから選択することとしてもよい。
【００４６】
Ｓ１１５では、選択した話者認識用音響モデルを入力音声に基づいて適応させる話者適応処理が実行される。この話者適応処理は、Ｓ１１４で選択した話者認識用音響モデルを話者の入力音声を利用して話者に適応させる処理であって、この処理を行うことで話者認識精度の向上を図ることが可能となる。
【００４７】
Ｓ１１６では、適応させた話者認識用音響モデルに対して個人名称を付与する処理が実行される。また、個人ＩＤが必要とされる場合には、個人ＩＤも併せて付与される。個人名称は、キーボードなどの入力部１３から手動によって入力することとしてもよいし、携帯電話などの外部装置３０に記録されている電話帳、住所録などに含まれる個人名称を利用することで入力を簡略化することとしてもよい。
【００４８】
外部装置３０内の個人名称を利用する場合、まず、通信部２７は外部装置３０と通信可能か否かを判断し、通信可能である場合には、外部装置３０に記憶されている個人名称を表示部などで操作者に提示して選択を促す。操作者により選択された個人名称を、Ｓ１１
４にて選択した話者認識用音響モデルと対応付け、個人別話者認識情報２６ａとして記録することで登録処理が終了する。登録処理が終了すると、Ｓ１０６にて登録された話者認識用音響モデルを設定して全体の処理が終了する。
【００４９】
以上、本発明によれば、話者認識用音響モデルを利用した話者特定を行う際、話者の個人名称を利用した検索を併せて行うことで、話者特定の精度向上を図ることが可能となる。
【００５０】
なお、本発明はこれらの実施形態のみに限られるものではなく、それぞれの実施形態の構成を適宜組み合わせて構成した実施形態も本発明の範疇となるものである。
【符号の説明】
【００５１】
１１…センサ、１２…マイク、１３…入力手段、２０…話者特定装置、２１…乗車検知部、２２…音声認識部、２３…言語解析部、２４…個人ＩＤ決定部、２５…話者認識部、２６…データベース、２７…通信部、３０…外部装置
【特許請求の範囲】
【請求項１】
音響モデルに個人名称を対応付けた個人別話者認識情報を記憶する記憶部と、
入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識部と、
入力される音声信号を音声認識する音声認識部と、
音声認識部での認識結果から個人名称を抽出する解析部と、
話者認識部での抽出結果、及び、解析部で抽出した個人名称に基づいて話者を特定する話者特定部を備えたことを特徴とする
話者特定装置。
【請求項２】
話者特定部は、話者認識部での検索結果で話者が特定できない場合、個人名称に基づいて話者の特定を行う
請求項１に記載の話者特定装置。
【請求項３】
話者認識部は、話者特定部で特定された話者の音響モデルを、入力される当該話者の音声信号によって更新する
請求項１または請求項２に記載の話者特定装置。
【請求項４】
話者特定部は、話者が特定できない場合、入力される音声信号と類似度が高い音響モデルを抽出し、個人名称と対応付けることで個人別音声認識情報を作成する
請求項１乃至請求項３に記載の話者特定装置。
【請求項５】
解析部は、音声認識部の認識結果で抽出された個人名称の近傍に所定の語句が含まれている場合、当該個人名称を抽出対象外とする
請求項１乃至請求項４のいずれか１項に記載の話者特定装置。
【請求項６】
センサからの信号により乗車を検知する乗車検知部をさらに備え、
話者特定部は、乗車検知部にて乗車を検知した場合に話者の特定を開始する
請求項１乃至請求項５のいずれか１項に記載の話者特定装置。
【請求項７】
入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識処理と、
入力される音声信号を音声認識する音声認識処理と、
音声認識処理での認識結果から個人名称を抽出する解析処理と、
話者認識処理での抽出結果、及び、解析処理で抽出した個人名称に基づいて話者を特定する話者特定処理を行うことを特徴とする
話者特定プログラム。
【請求項１】
音響モデルに個人名称を対応付けた個人別話者認識情報を記憶する記憶部と、
入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識部と、
入力される音声信号を音声認識する音声認識部と、
音声認識部での認識結果から個人名称を抽出する解析部と、
話者認識部での抽出結果、及び、解析部で抽出した個人名称に基づいて話者を特定する話者特定部を備えたことを特徴とする
話者特定装置。
【請求項２】
話者特定部は、話者認識部での検索結果で話者が特定できない場合、個人名称に基づいて話者の特定を行う
請求項１に記載の話者特定装置。
【請求項３】
話者認識部は、話者特定部で特定された話者の音響モデルを、入力される当該話者の音声信号によって更新する
請求項１または請求項２に記載の話者特定装置。
【請求項４】
話者特定部は、話者が特定できない場合、入力される音声信号と類似度が高い音響モデルを抽出し、個人名称と対応付けることで個人別音声認識情報を作成する
請求項１乃至請求項３に記載の話者特定装置。
【請求項５】
解析部は、音声認識部の認識結果で抽出された個人名称の近傍に所定の語句が含まれている場合、当該個人名称を抽出対象外とする
請求項１乃至請求項４のいずれか１項に記載の話者特定装置。
【請求項６】
センサからの信号により乗車を検知する乗車検知部をさらに備え、
話者特定部は、乗車検知部にて乗車を検知した場合に話者の特定を開始する
請求項１乃至請求項５のいずれか１項に記載の話者特定装置。
【請求項７】
入力される音声信号と音響モデルを比較して、類似度が高い音響モデルを有する話者を抽出する話者認識処理と、
入力される音声信号を音声認識する音声認識処理と、
音声認識処理での認識結果から個人名称を抽出する解析処理と、
話者認識処理での抽出結果、及び、解析処理で抽出した個人名称に基づいて話者を特定する話者特定処理を行うことを特徴とする
話者特定プログラム。
【図１】
【図２】
【図３】
【図４】
【図２】
【図３】
【図４】
【公開番号】特開２０１０−２１７３１９（Ｐ２０１０−２１７３１９Ａ）
【公開日】平成２２年９月３０日（２０１０．９．３０）
【国際特許分類】
【出願番号】特願２００９−６１５９２（Ｐ２００９−６１５９２）
【出願日】平成２１年３月１３日（２００９．３．１３）
【出願人】（５９１２６１５０９）株式会社エクォス・リサーチ (1,360)
【Ｆターム（参考）】
【公開日】平成２２年９月３０日（２０１０．９．３０）
【国際特許分類】
【出願日】平成２１年３月１３日（２００９．３．１３）
【出願人】（５９１２６１５０９）株式会社エクォス・リサーチ (1,360)
【Ｆターム（参考）】
[ Back to top ]