音声データ中継装置、端末装置、音声データ中継方法、および音声認識システム
【課題】安定した品質の音声認識サービスを提供する。
【解決手段】音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継するにあたって、音声認識サーバ１０４の音声認識性能の変化を調べるために、評価用音声データを雑音抑圧モジュール１１８において雑音抑圧処理した後、音声認識サーバ１０４に送信し、認識結果を受信する。そして、音声データ中継装置１１０は、音声認識サーバ１０４の認識結果に基づいて、雑音抑圧処理に用いる雑音抑圧用パラメータや音声認識サーバ１０４から得られた複数の認識結果の統合処理に用いる結果統合用パラメータの値を最適な値に設定する。これにより、音声認識サーバ１０４の音声認識性能が変化する場合においても、適切なパラメータを設定することができる。
【解決手段】音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継するにあたって、音声認識サーバ１０４の音声認識性能の変化を調べるために、評価用音声データを雑音抑圧モジュール１１８において雑音抑圧処理した後、音声認識サーバ１０４に送信し、認識結果を受信する。そして、音声データ中継装置１１０は、音声認識サーバ１０４の認識結果に基づいて、雑音抑圧処理に用いる雑音抑圧用パラメータや音声認識サーバ１０４から得られた複数の認識結果の統合処理に用いる結果統合用パラメータの値を最適な値に設定する。これにより、音声認識サーバ１０４の音声認識性能が変化する場合においても、適切なパラメータを設定することができる。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、音声認識機能の変化を検出し、その変化に適合するように認識させる音声信号を加工処理する技術に関する。
【背景技術】
【０００２】
従来より、車載情報機器や携帯電話機等の端末装置において、その操作をユーザの発話音声によって行うために、音声認識機能を組み込んだ機器が開発されてきている。近年では、データ通信技術の発展により、端末装置に入力した発話音声をネットワークを介して音声データとして音声認識サーバに送信し、音声認識サーバの潤沢な計算資源を用いて、より高精度の音声認識を行う方式が普及しつつある。音声認識は、ユーザの不明瞭な発声や背景雑音等の影響により、常に誤認識のリスクをともなう。誤認識に気付かずに機器の操作を続けることは、ユーザの利便性を大きく損なうことから、例えば、下記特許文献１のように、発話音声に含まれるノイズ量およびそのノイズの発生要因の情報に基づいて、音声認識可能と判断した発話音声のみを音声認識対象とする技術が開示されている。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開２００５−９１６１１号公報（例えば、段落００１２参照）
【発明の概要】
【発明が解決しようとする課題】
【０００４】
前記したように、近年では音声認識サーバが汎用のサービスとして運営される例が増えており、ユーザが扱う端末装置向けのサービスを提供する主体と、音声認識サーバを運営する主体とが異なる場合が多くなっている。そのため、いつの間にか、音声認識サーバの音声認識機能が変更されていることに気付かない場合が起きる。また、サービスの提供主体と運営主体とが同一である場合においても、音声認識サーバの内部状態（例えば、処理負荷の大きさ）が時々刻々と変化しているため、音声認識性能の変化を完全に把握し続けることが困難な場合もある。そのような場合において、ユーザに対する音声認識機能のサービスを提供し続けたとき、例えば、音声認識サーバの音声認識性能が何らかの原因で低下したとしても、その音声認識性能の低下を検知することができず、結果としてユーザに低品質の音声認識サービスを提供することになってしまう虞がある。
【０００５】
また、より良い音声認識性能を得るために、端末装置から音声認識サーバに送信する音声データに対して何らかの加工処理を行っている場合、音声認識サーバの音声認識性能が変化することによって加工処理の効果が低減してしまったり、加工処理を行わない場合よりも音声認識性能を低下させてしまったりする虞もある。
そこで、本発明は、安定した品質の音声認識サービスを提供することを課題とする。
【課題を解決するための手段】
【０００６】
前記した課題を解決するため、本発明に係る音声データ中継装置は、端末装置と音声認識サーバとの間を中継するにあたって、音声認識サーバに対して、音声認識性能の評価を行うために評価用音声データを送信し、音声認識サーバから認識結果を受信する。そして、音声データ中継装置は、受信した認識結果に基づいて、音声認識サーバの音声認識性能の変化を判定し、変化があると判定した場合には、端末装置から受信した音声データに対する加工処理に用いるパラメータ値を、音声認識性能を向上させる値に変更する。
【発明の効果】
【０００７】
本発明によれば、安定した品質の音声認識サービスを提供することができる。
【図面の簡単な説明】
【０００８】
【図１】本実施の形態にかかる音声データ中継装置の構成を示すブロック図である。
【図２】発話内容既知雑音環境音声データベースの一例を示す図表である。
【図３】雑音抑圧用パラメータ記憶部に記憶されたデータの一例を示す図表である。
【図４】認識結果履歴データベースの一例を示す図表である。
【図５】結果統合用パラメータ記憶部に記憶されたデータの一例を示す図表である。
【図６】車載端末の構成を示すブロック図である。
【図７】音声データ中継装置による音声データ中継処理を説明するための説明図である。
【図８】音声認識サーバの評価によって雑音抑圧用パラメータを変更する処理の概要を示す説明図である。
【図９】音声認識サーバの評価によって結果統合用パラメータを変更する処理の概要を示す説明図である。
【図１０】１または複数の音声データを１台の音声認識サーバで処理するときの処理フロー例を説明する説明図である。
【図１１】１の音声データを複数の音声認識サーバで処理するときの処理フロー例を説明する説明図である。
【図１２】複数の音声データを複数の音声認識サーバで処理するときの処理フロー例を説明する説明図である。
【図１３】発話内容既知雑音環境音声データの生成方法を示す説明図である。
【図１４】車載端末によるデータ追加処理の手順を示すフローチャートである。
【図１５】音声認識サーバの評価処理の詳細な手順を示すフローチャートである。
【図１６】雑音抑圧用パラメータの最適化処理の一例を示したフローチャートである。
【図１７】変形例として音声データ中継装置の機能を備えた車載端末の構成例を示すブロック図である。
【発明を実施するための形態】
【０００９】
以下に添付図面を参照して、本発明にかかる音声データ中継装置、端末装置および音声データ中継方法の好適な実施の形態を詳細に説明する。
【００１０】
（音声データ中継装置１１０の概要）
本実施の形態に係る音声データ中継装置１１０における処理の概要について、図１を用いて説明する。音声データ中継装置１１０は、端末装置通信モジュール１１２、サーバ通信モジュール１１４、発話内容既知雑音環境音声データベース１１６、雑音抑圧モジュール１１８、雑音抑圧用パラメータ記憶部１２０、認識結果統合モジュール１２２、結果統合用パラメータ記憶部１２４、パラメータ変更モジュール１２６、履歴管理モジュール１２８、および認識結果履歴データベース１３０を備えている。
【００１１】
音声データ中継装置１１０は、端末装置通信モジュール１１２を介して、端末装置の一例である車載端末１０２と接続され、車載端末１０２から送信された音声データや環境情報（例えば、車の走行環境等に関する情報）を受信する。音声データ中継装置１１０は、受信した音声データに対して、雑音抑圧モジュール１１８において当該音声データに含まれている雑音を抑圧し、サーバ通信モジュール１１４に送信する。なお、雑音抑圧モジュール１１８は、雑音抑圧用パラメータ記憶部１２０に記憶されている雑音抑圧用パラメータ（第１のパラメータ）を用いて、雑音抑圧処理（加工処理）を実行する。その雑音抑圧処理は、例えば、音声データの音声波形分析を行って分析パラメータを算出し、雑音を抑圧するように当該分析パラメータの値を調整し、その調整後の分析パラメータの値を用いて音声波形を再生するものである。そして、音声データ中継装置１１０は、サーバ通信モジュール１１４を介して、音声認識処理を行う音声認識サーバ１０４に雑音抑圧処理後の音声データを送信し、音声認識サーバ１０４から認識結果を受信する。次に、音声データ中継装置１１０は、結果統合用パラメータ記憶部１２４に記憶されている結果統合用パラメータを用いて、受信した認識結果を再評価（統合）して、その評価結果（統合結果）を最終的な認識結果として、端末装置通信モジュール１１２を介して車載端末１０２へ送信する。すなわち、音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継している。
【００１２】
また、音声データ中継装置１１０は、音声認識サーバ１０４の音声認識性能の変化を調べるために、さらに、発話内容既知雑音環境音声データベース１１６に記憶している評価用音声データを、車載端末１０２からの音声データの入力が無いときに、所定の周期で雑音抑圧モジュール１１８に入力し、雑音抑圧処理後の評価用音声データを、サーバ通信モジュール１１４を介して音声認識サーバ１０４に送信する。そして、音声データ中継装置１１０は、音声認識サーバ１０４から雑音抑圧処理後の評価用音声データに対する認識結果を受信する。また、音声データ中継装置１１０は、履歴管理モジュール１２８において、音声認識サーバ１０４から受信した認識結果に基づいて、音声認識サーバ１０４の音声認識性能に変化が有るか無いかを判定する。具体的には、履歴管理モジュール１２８は、音声認識サーバ１０４において過去に処理された音声データと認識結果と関連付けて記憶している認識結果履歴データベース１３０を参照しつつ、認識結果の変化の有無について判定する。履歴管理モジュール１２８は、音声認識性能に有意な変化（例えば、音声認識性能の低下）が有ると判定した場合、パラメータ変更モジュール１２６を起動し、雑音抑圧用パラメータ記憶部１２０および結果統合用パラメータ記憶部１２４に記憶している各パラメータを最適化する（音声認識サーバ１２８の音声認識性能を戻すように変更する）。
【００１３】
このように、音声データ中継装置１１０が車載端末１０２と音声認識サーバ１０４との間を中継することによって、車載端末１０２は、安定した品質の音声認識サービスの提供を受けることができる。なお、図１では、音声認識サーバ１０４は、１台しか記載していないが、複数台であっても構わない。
【００１４】
（音声データ中継装置１１０の機能）
音声データ中継装置１１０の各構成部の機能について説明する。
音声データ中継装置１１０は、図示しないＣＰＵ（Central Processing Unit）およびメインメモリによって構成される処理部１５０とアプリケーションプログラム等を記憶する記憶部１６０とを備える。処理部１５０は、記憶部１６０に記憶されているアプリケーションプログラムをメインメモリに展開して、端末装置通信モジュール１１２、サーバ通信モジュール１１４、雑音抑圧モジュール１１８、認識結果統合モジュール１２２、パラメータ変更モジュール１２６、および履歴管理モジュール１２８を具現化する。また、処理部１５０は、各モジュールで表現していない種々の処理を実行するとともに、各モジュール間および各モジュールと記憶部１６０との間の情報の送受信制御を司る。記憶部１６０は、発話内容既知雑音環境音声データベース１１６、雑音抑圧用パラメータ記憶部１２０、結果統合用パラメータ記憶部１２４、および認識結果履歴データベース１３０を備えている。
【００１５】
音声データ中継装置１１０の各モジュールの機能について説明する。
端末装置通信モジュール１１２は、車載端末１０２のユーザ（不図示）が車載端末１０２の音声認識機能を使用したとき、車載端末１０２から送信された音声データおよび環境情報を受信し、受信した音声データおよび環境情報を雑音抑圧モジュール１１８に出力する機能を有する。また、端末装置通信モジュール１１２は、認識結果統合モジュール１２２から受信した最終的な認識結果を車載端末１０２へ送信する機能を有する。
【００１６】
雑音抑圧モジュール１１８は、車載端末１０２から受信した音声データおよび環境情報、または発話内容既知雑音環境音声データベース１１６から取得した評価用の音声データ（評価用音声データ）を入力とし、雑音抑圧用パラメータ記憶部１２０に記憶された雑音抑圧用パラメータ（第１のパラメータ）を用いて、入力された音声データの雑音抑圧処理を行う機能を有する。例えば、雑音抑圧処理の例として、非特許文献（Ｉ． Ｃｏｈｅｎ ａｎｄ Ｂ． Ｂｅｒｄｕｇｏ，“Ｓｐｅｅｃｈ ｅｎｈａｎｃｅｍｅｎｔ ｆｏｒ ｎｏｎ−ｓｔａｔｉｏｎａｒｙ ｎｏｉｓｅ ｅｎｖｉｒｏｎｍｅｎｔｓ”，Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００１年，Ｖｏｌ．８１，ｐ．２４０３−２４１８）に記載されている公知の方法を用いることができる。
【００１７】
発話内容既知雑音環境音声データベース１１６は、予め発話内容が分かっている音声信号に既知の大きさの雑音信号を付加した音声データを記憶している。発話内容既知雑音環境音声データベース１１６に記憶された音声データは、評価用音声データとして、音声認識性能の変化を判定するために利用される。図２は、発話内容既知雑音環境音声データベース１１６の一例を示している。図２において、発話内容既知雑音環境音声データベース１１６は、車載端末ＩＤフィールド２０１、音声ファイルフィールド２０２、発話内容フィールド２０３、環境情報フィールド２０４を備える。
【００１８】
車載端末ＩＤフィールド２０１には、音声ファイルフィールド２０２に記載された音声データの録音に用いた車載端末１０２の機種を識別するＩＤが記憶されている。音声ファイルフィールド２０２には、音声データのファイル名が記憶される。なお、音声ファイルフィールド２０２に音声データそのものを格納することも可能だが、データ量が大きくなるため、一般的には、音声データのファイル名のみが記憶される。発話内容フィールド２０３には、音声データに対応する発話内容がテキスト情報として記憶される。環境情報フィールド２０４には、音声ファイルフィールド２０２に記載された音声データが録音された際の環境情報が記憶される。具体的には、環境情報フィールド２０４には、車の走行条件等（例えば、車速、オーディオ状態、ワイパ状態等の音声認識性能に多少なりとも影響を及ぼす要因）が環境情報として記憶される。なお、発話内容既知雑音環境音声データベース１１６に記憶されている評価用音声データの詳しい作成方法については後記する（図１３参照）。
【００１９】
次に、図１に示す雑音抑圧用パラメータ記憶部１２０について、図３を用いて説明する（適宜、図１参照）。図３において、雑音抑圧用パラメータ記憶部１２０は、車載端末ＩＤフィールド３０１、環境情報フィールド３０２、サーバＩＤフィールド３０３、雑音抑圧用パラメータフィールド３０４を備える。車載端末ＩＤフィールド３０１は、図２の車載端末ＩＤフィールド２０１と同様の情報を記憶している。また、環境情報フィールド３０２は、図２の環境情報フィールド２０４と同様の情報を記憶している。サーバＩＤフィールド３０３には、音声認識サーバ１０４を識別するサーバＩＤが記憶される。雑音抑圧用パラメータフィールド３０４には、雑音抑圧モジュール１１８で用いる雑音抑圧用パラメータの値が記憶される。
【００２０】
図３では、雑音抑圧用パラメータ記憶部１２０には、サーバＩＤがＸ，Ｙ，Ｚ１，Ｚ２という４つの音声認識サーバ１０４に対して使用すべき雑音抑圧用パラメータの値が、車載端末ＩＤおよび環境情報ごとに記憶されている。ここで、Ｚ１，Ｚ２は、Ｚという音声認識サーバ１０４に対し、異なる雑音抑圧用パラメータの値（例えば、図３では、環境情報が停止中の場合に、０．５，０．２）を用いて雑音抑圧処理後の音声データを送信したことを便宜上別々の音声認識サーバ１０４として表している。同一の車載端末１０２に対して環境情報ごとに雑音抑圧用パラメータ値を記憶するのは、一般に、環境状態が変われば最適な雑音抑圧用パラメータの値も変化すると考えられるためである。
【００２１】
図１の説明に戻り、サーバ通信モジュール１１４は、雑音抑圧モジュール１１８の出力を、音声認識サーバ１０４に送信する機能を有する。また、サーバ通信モジュール１１４は、音声認識サーバ１０４から認識結果を受信し、その認識結果を認識結果統合モジュール１２２や履歴管理モジュール１２８に送信する機能を有する。
【００２２】
音声認識サーバ１０４は、音声認識処理を行うサーバであり、音声データ中継装置１１０から受信した音声データの内容を認識して、その認識結果を音声データ中継装置１１０に返信する。なお、本実施の形態では、音声認識サーバ１０４は、１台であっても複数台であっても構わない。
【００２３】
認識結果統合モジュール１２２は、１種類の音声データに対して、１または異なる雑音抑圧用パラメータを用いて雑音抑圧処理されたときの音声データそれぞれに対応する認識結果を１台または複数の音声認識サーバ１０４から受信したとき、１種類の音声データに対する複数の認識結果が相互に一致しない場合、結果統合用パラメータ記憶部１２４に予め記憶されている結果統合用パラメータ（第２のパラメータ）を参照しながら、それらを再評価（統合）する。再評価（統合）の処理は、例えば、後記するように多数決を用いる。そして、認識結果統合モジュール１２２は、最も確からしいと思われる認識結果を最終的な認識結果として、端末装置通信モジュール１１２を介して車載端末１０２に送信する。なお、認識結果統合モジュール１２２は、１台の音声認識サーバ１０４から、１種類の音声データを１つの雑音抑圧用パラメータを用いて雑音抑圧処理されたときの音声データに対応する認識結果を受信した場合には、当該認識結果を最終的な認識結果として、端末装置通信モジュール１１２を介して車載端末１０２に送信する。
【００２４】
履歴管理モジュール１２８は、サーバ通信モジュール１１４を経由して、音声認識サーバ１０４から送られてきた認識結果を受信し、音声認識サーバ１０４において過去に処理された音声データと認識結果と関連付けて記憶している認識結果履歴データベース１３０を参照しつつ、受信した認識結果と過去の認識結果とを比較することによって、音声認識性能の変化の有無について判定する機能を有する。例えば、履歴管理モジュール１２８は受信した認識結果と過去の認識結果とが相違するために音声認識性能に有意な変化（音声認識性能の低下）が有ると判定した場合、パラメータ変更モジュール１２６を起動して、雑音抑圧用パラメータ記憶部１２０および結果統合用パラメータ記憶部１２４に記憶している各パラメータを最適化する（音声認識サーバ１０４の音声認識性能を戻すように変更する）。
【００２５】
認識結果履歴データベース１３０は、音声認識サーバ１０４によって音声認識された音声データ（評価用音声データおよび車載端末１０２から受信した音声データ）と、その音声データに対応する認識結果とを関連付けて記憶している。
【００２６】
認識結果履歴データベース１３０は、図４に示すように、音声ファイルフィールド４０１、サーバＩＤフィールド４０２、雑音抑圧用パラメータフィールド４０３、認識スコアフィールド４０４、および認識結果フィールド４０５を備える。認識結果履歴データベース１３０の構成は、音声認識サーバ１０４がどのようなフォーマットで認識結果を返すかによって変わるが、図４では、音声認識サーバ１０４が、認識結果として認識スコア（認識結果の確からしさを示す値）、および候補単語の上位５つを返すものとしている。
【００２７】
音声ファイルフィールド４０１は、図２の音声ファイルフィールド２０２と同様の情報を記憶している。サーバＩＤフィールド４０２は、図３のサーバＩＤフィールド３０３と同様の情報を記憶している。雑音抑圧用パラメータフィールド４０３は、図３の雑音抑圧用パラメータフィールド３０４と同様の情報を記憶している。認識スコアフィールド４０４には、認識スコアが記憶される。認識結果フィールド４０５には、認識された候補単語５つ（１位〜５位）が記憶される。
【００２８】
図４に示す００１．ｗａｖという音声データでは、Ｘ，Ｙ，Ｚ１，Ｚ２という４つの音声認識サーバ１０４に送信し、得られた認識結果が記憶されている。ここで、Ｚ１とＺ２とは、Ｚという音声認識サーバ１０４に対し、０．７と０．２という２種類の雑音抑圧用パラメータを用いた雑音抑圧処理により得られた音声データを送信することを、便宜上２つの異なる音声認識サーバ１０４であるかのように表したものである。
【００２９】
図１へ戻って、パラメータ変更モジュール１２６は、履歴管理モジュール１２８からの起動指示に基づいて起動する機能を有する。パラメータ変更モジュール１２６は、履歴管理モジュール１２８における判定結果に基づいて、雑音抑圧用パラメータ記憶部１２０および結果統合用パラメータ記憶部１２４に記憶している各パラメータを、音声認識サーバ１２８の音声認識性能を高めるように最適化する（更新する）。
【００３０】
結果統合用パラメータ記憶部１２４は、音声認識サーバ１０４から受信した複数の認識結果が認識結果統合モジュール１２２によって再評価（統合）するときに用いる結果統合用パラメータ（第２のパラメータ）として認識結果に対する重みを記憶している。結果統合用パラメータ記憶部１２４は、図５に示すように、車載端末ＩＤフィールド５０１、環境情報フィールド５０２、サーバＩＤフィールド５０３、結果統合用パラメータフィールド５０４を備える。車載端末ＩＤフィールド５０１は、図３の車載端末ＩＤフィールド３０１と同様の情報を記憶している。環境情報フィールド５０２は、図３の環境情報フィールド３０２と同様の情報を記憶している。サーバＩＤフィールド５０３は、図３のサーバＩＤフィールド３０３と同様の情報を記憶している。結果統合用パラメータフィールド５０４には、結果統合用パラメータが記憶される。
【００３１】
図５では、結果統合用パラメータの例として、音声認識サーバ１０４それぞれに対して、環境情報別に、重みとして実数値が割り当てられている。この場合、例えば、音声認識サーバ１０４から得られた複数の認識結果に対して、この重みを割り当てた上での多数決を行うといった統合方法が可能である。
【００３２】
ここで、認識結果統合モジュール１２２における多数決処理の一例について、図４および図５を用いて説明する。例えば、認識結果統合モジュール１２２は、図４の音声ファイル「００１．ｗａｖ」について、４つの音声認識サーバ１０４（Ｘ，Ｙ，Ｚ１，Ｚ２）から、それぞれ第１位の候補語句として「東京駅」、「京都駅」、「東京都」、「東京駅」を取得している。次に、認識結果統合モジュール１２２は、図５の結果統合用パラメータ記憶部１２４を参照して、各音声認識サーバ１０４ごとの重みを取得する。重みは、Ｘ：１．０、Ｙ：１．１、Ｚ１：０．９，Ｚ２：０．７である。多数決では、認識結果の単語別に重みの数値を足し合わせると、東京駅：１．７（＝Ｘ＋Ｚ２）、京都駅：１．１（＝Ｙ）、東京都０．９（＝Ｚ１）となる。この場合、音声データ「００１．ｗａｖ」の最も確からしい認識結果として、「東京駅」を選択することができる。
【００３３】
多数決は、前記したように、図４の認識結果フィールド４０５に示した１位の候補だけに行っても良いが、複数の候補に対して行っても良い。また、各候補語句の認識スコアとの組み合わせで重みが設定されても良い。また、多数決の代わりに、単純に重みの大きい音声認識サーバ１０４の認識結果から順に結果を並べるというやり方でも良い。
【００３４】
（車載端末１０２の構成）
次に、車載端末１０２の構成について、図６を用いて説明する。図６に示すように、車載端末１０２は、マイク２１２、タッチパネル２１４、ボタン２１６、描画装置２１８、スピーカ２２０、音声検出モジュール２２２、車載端末メイン処理モジュール２２４、送信データ生成モジュール２２６、外部入力Ｉ／Ｆ（インタフェース）２２８を備える。また、車載端末１０２は、通信装置２３０を介して、音声データ中継装置１１０と通信を行う。
【００３５】
ユーザ２４０が車載端末１０２の音声認識機能を使う場合、ユーザ２４０が発した音声（発話音声）は、マイク２１２によってひろわれ、音声データとして音声検出モジュール２２２に出力される。また、ユーザ２４０が音声認識機能を呼び出すためにボタン２１６を押す等の操作を行った場合、車載端末メイン処理モジュール２２４はその操作を検知して、検知結果を音声検出モジュール２２２に出力する。音声検出モジュール２２２は、車載端末メイン処理モジュール２２４から受信した情報がある場合にはそれを活用しつつ、マイク２１２から取り込まれた発話音声の音声データを解析する機能を有する。そして、音声検出モジュール２２２は、音声データ中の音声の無い無声区間（無音区間や雑音のみの区間）の削除等を行った後、音声の有る有声区間のデータ（のみ）を送信データ生成モジュール２２６に出力する。
【００３６】
なお、車載端末１０２における音声認識機能は、車載端末１０２に対する操作入力として用いる他、例えば、車載端末１０２の周辺に存在する他の機器への操作入力、テキストエディタやコメントボックス等に対するテキスト入力等、各種の用途に用いることができる。
【００３７】
送信データ生成モジュール２２６は、音声検出モジュール２２２から受信した有声区間のデータと、外部入力Ｉ／Ｆ２２８から入力された各種センサ２５０からの情報（環境情報）を組み合わせて、音声データ中継装置１１０に送信する送信データを生成する。そして、送信データ生成モジュール２２６は、通信装置２３０を経由して、図１に示した音声データ中継装置１１０に送信データ（音声データ＋環境情報）を送信する。
【００３８】
外部入力Ｉ／Ｆ２２８は、車載端末１０２が搭載された車両の走行速度や、オーディオ・ワイパ等の状態を検知するセンサ２５０からの出力信号、変速機の状態やエンジンの回転数を伝えるセンサ２５０からの出力信号等、各種の情報（環境情報）を受信するインタフェースである。外部入力Ｉ／Ｆ２２８が受信した情報は、必要に応じて（例えば、音声検出モジュール２２２によって音声データが検出された場合等）送信データ生成モジュール２２６に入力される。
【００３９】
通信装置２３０は、車載端末１０２と音声データ中継装置１１０との間の通信を司るもので、例えば、通信機能だけを持つ携帯電話機や、情報処理装置としての機能を持ついわゆるスマートフォン等を用いることができる。車載端末１０２と通信装置２３０との間の通信は、例えば、ＵＳＢ（Universal Serial Bus）ケーブル、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の公知技術を用いて行われる。通信装置２３０と音声データ中継装置２１０との間の通信は、例えば、デジタル携帯電話網等を用いて行われる。また、音声データ中継装置１１０から返信されてきた情報は、同じように通信装置２３０を経由して、車載端末メイン処理モジュール２２４に送られる。
【００４０】
図６において、車載端末１０２と通信装置２３０とのあいだのデータ送受信には、速度やデータ量の点での制約があまりないことから、図６中で車載端末１０２に搭載されるものと説明した構成要素の一部を、通信装置２３０に実装しても良い。ここでいう構成要素の一部とは、例えば、車載端末メイン処理モジュール２２４で行う機能を通信装置２３０のＣＰＵ（不図示）で実現したり、通信装置２３０に備わっているユーザインターフェース機能（不図示）をマイク２１２、タッチパネル２１４、ボタン２１６、描画装置２１８、スピーカ２２０、外部入力Ｉ／Ｆ２２８として利用したりすることを指す。
【００４１】
なお、ユーザ２４０が音声認識機能を使わない場合、ユーザ２４０と車載端末１０２との間では、タッチパネル２１４、ボタン２１６、描画装置２１８、スピーカ２２０等を使って情報のやりとりを行う。すなわち、ユーザ２４０が車載端末１０２の操作や情報の入力を行う際には、タッチパネル２１４やボタン２１６を用い、それに応じて車載端末１０２は描画装置２１８の画面に表示される内容を変更したり、案内音声をスピーカ２２０から再生したりする。こうした機能は、目的地までの経路の案内やオーディオの操作等、当該分野において良く知られている車載端末１０２の機能全般を実現するための車載端末メイン処理モジュール２２４において実行される。なお、本発明は、これら車載端末１０２の機能全般を実現するための処理の具体的な実施形態に依らず、独自に実現することが可能である。
【００４２】
（音声データ中継装置１１０による音声データ中継処理）
次に、音声データ中継装置１１０による音声データ中継処理について、図７を用いて説明する（適宜、図１，６参照）。車載端末１０２で音声認識機能が使用されると、車載端末１０２のマイク２１２を介してユーザの発話音声が取得される。取得された発話音声の音声データは、車載端末１０２から音声データ中継装置１１０に送信され、端末装置通信モジュール１１２を介して、雑音抑圧モジュール１１８に入力される（Ｓ７０１）。このとき、音声データとともに、発話音声が取得された際の環境情報が、車載端末１０２から音声データ中継装置１１０に送信される。雑音抑圧モジュール１１８は、雑音抑圧用パラメータ記憶部１２０に記憶された雑音抑圧用パラメータの値を参照し（Ｓ７０２）、音声データに対して雑音抑圧処理を行う。
【００４３】
雑音抑圧処理後の音声データは、サーバ通信モジュール１１４に出力される（Ｓ７０３）。サーバ通信モジュール１１４は、音声データを音声認識サーバ１０４に送信し、送信した音声データに対応する認識結果を受信する。サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ７０４）。認識結果統合モジュール１２２は、結果統合用パラメータ記憶部１２４に記憶された結果統合用パラメータの値を参照し（Ｓ７０５）、認識結果を再評価（統合）する。認識結果統合モジュール１２２によって再評価（統合）された認識結果は、最終的な認識結果として、車載端末１０２に送信される（Ｓ７０６）。
【００４４】
図７に示したように、音声データ中継装置１１０は、車載端末１０２において音声認識機能が使用された場合、受信した音声データに雑音抑圧処理を施して音声認識サーバ１０４に送信し、音声認識サーバ１０４から受信した認識結果の結果統合処理を行い、最も確からしい認識結果を最終的な認識結果として車載端末１０２に送信する。
【００４５】
（音声データ中継装置１１０による音声認識サーバ１０４の音声認識性能の評価処理）
次に、音声データ中継装置１１０における音声認識サーバ１０４の音声認識性能の評価処理について、図８を用いて説明する（適宜、図１，６参照）。音声データ中継装置１１０は、自身の記憶している評価用音声データを用いて、所定の周期で音声認識サーバ１０４の音声認識性能を評価し、その評価結果に基づいて、雑音抑圧処理や結果統合処理のパラメータを適切な値に最適化する（更新する）。この理由は、音声認識サーバ１０４の音声認識性能が時々刻々と変化するため、同一のパラメータを使用し続けると、音声認識サーバ１０４の音声認識機能に対してパラメータが適合しなくなり、音声認識性能の低下を招くリスクが大きくなるためである。
【００４６】
例えば、予め設定されたタイムスケジュール（所定の周期）に従って音声データ中継装置１１０の処理部１５０のサーバ評価機能（不図示）が起動し、発話内容既知雑音環境音声データベース１１６から雑音抑圧モジュール１１８に対して、評価用音声データが出力される（Ｓ８０１）。
【００４７】
雑音抑圧モジュール１１８は、入力された評価用音声データに対し、雑音抑圧用パラメータ記憶部１２０から雑音抑圧用パラメータの値を取得し（Ｓ８０２）、雑音抑圧処理を行う。最も単純な例では、雑音抑圧モジュール１１８は、単一の雑音抑圧用パラメータを用いて雑音抑圧処理を行って、１種類だけの音声データを出力する。より複雑な例では、雑音抑圧モジュール１１８は、複数の雑音抑圧用パラメータを順次適用して雑音抑圧処理を行い、複数種類の評価用音声データを出力する。
【００４８】
前記したいずれの場合においても、雑音抑圧モジュール１１８において雑音抑圧処理された評価用音声データは、サーバ通信モジュール１１４に出力される（Ｓ８０３）。サーバ通信モジュール１１４は、受信した評価用音声データを音声認識サーバ１０４に送信し、その結果として認識結果を受信する。認識結果は、認識結果履歴データベース１３０に記憶されるとともに（Ｓ８０４）、履歴管理モジュール１２８に出力される（Ｓ８０５）。なお、ステップＳ８０４は行わず、履歴管理モジュール１２８を介して、認識結果履歴データベース１３０に記憶するようにしても構わない。
【００４９】
履歴管理モジュール１２８は、取得した認識結果を、認識結果履歴データベース１３０を参照して、同一の評価用音声データに対する過去の認識結果の履歴と照合し（Ｓ８０６）、音声認識サーバ１０４の音声認識性能に変化があるかどうかを判定する。音声認識サーバ１０４の音声認識性能に変化があると判定した場合は、履歴管理モジュール１２８は、パラメータ変更モジュール１２６を起動する（Ｓ８０７）。次に、パラメータ変更モジュール１２６は、音声認識サーバ１０４の内部状況に適した雑音抑圧用パラメータ値の推定を行う。こうして得られたパラメータ値は、雑音抑圧用パラメータ記憶部１２０の雑音抑圧用パラメータフィールド３０４に記憶され（Ｓ８０８）、雑音抑圧モジュール１１８の次の雑音抑圧処理で用いられる。
【００５０】
次に、結果統合用パラメータ記憶部１２４の結果統合用パラメータを変更する処理の概要について、図９を用いて説明する。図９において、図８に示した構成と異なる点は、さらに認識結果統合モジュール１２２および結果統合用パラメータ記憶部１２４を備えていることである。
【００５１】
図９中、Ｓ８０１〜Ｓ８０８の処理については、図８と同様であるので、説明を省略する。図９において、サーバ通信モジュール１１４は、雑音抑圧処理後の評価用音声データを音声認識サーバ１０４（図１参照）に送信し、その結果として認識結果を受信する。なお、結果統合用パラメータの変更処理は、複数の認識結果を用いて行われる。
【００５２】
図９に示すように、サーバ通信モジュール１１４に受信された複数の認識結果は、認識結果履歴データベース１３０や履歴管理モジュール１２８に出力される（Ｓ８０４，Ｓ８０５）のみならず、認識結果統合モジュール１２２にも出力される（Ｓ９０１）。認識結果統合モジュール１２２は、結果統合用パラメータ記憶部１２４に記憶された結果統合用パラメータの値を参照し（Ｓ９０２）、認識結果を統合し、最も確からしい認識結果を推定する。ここで用いられる結果統合用パラメータの値は、履歴管理モジュール１２８によって、音声認識サーバ１０４の内部状況に変化があったことが検知されると、パラメータ変更モジュール１２６によって、音声認識サーバ１０４の内部状況に適した値に最適化される（更新される）（Ｓ９０３）。
【００５３】
（複数の音声データの生成方法）
ここで、複数の認識結果を得るための、３つの形態について説明する。第１形態では、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の認識結果音声データを生成し、その複数の認識結果音声データに対する認識結果を単独の音声認識サーバ１０４から受信する。第２形態では、複数の音声認識サーバ１０４に対して同一の認識結果音声データを送信し、それぞれの音声認識サーバ１０４から認識結果を受信する。第３形態では、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の認識結果音声データを生成し、その複数の認識結果音声データに対する認識結果を複数の音声認識サーバ１０４から受信する。なお、第１〜第３形態における処理については、後記する（図１０〜図１２参照）。第１〜第３形態における処理の詳細について、図１０〜図１２を用いて説明する。
【００５４】
図１０は、第１形態の場合を示しており、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の音声データ（評価用音声データの場合も含む）を生成し、その複数の音声データに対する認識結果を単独の音声認識サーバ１０４から受信する場合の処理を示している。図１０に示すように、雑音抑圧モジュール１１８に１つの音声データが入力されると（Ｓ１００１）、雑音抑圧モジュール１１８は、入力された音声データに対し、Ｎ種類の異なる雑音抑圧用パラメータの値を適用して雑音抑圧処理を行い、それぞれのパラメータの値に対応した複数（Ｎ種類）の音声データを出力する（Ｓ１００２）。これらのＮ種類の音声データは、サーバ通信モジュール１１４を介して、単一の音声認識サーバ１０４に送信される（Ｓ１００３）。
【００５５】
音声認識サーバ１０４は、それぞれの音声データに対応するＮ種類の認識結果を、サーバ通信モジュール１１４に対して返信する（Ｓ１００４）。サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ１００５）。認識結果統合モジュール１２２は、これらの認識結果を統合処理し、最終的な認識結果として出力する（Ｓ１００６）。なお、音声認識サーバ１０４から得られたＮ種類の認識結果は、常に異なっているわけではなく、例えば、大半のデータに対して正しい認識結果が得られる等、同じ認識結果が多数含まれている場合も多い。
【００５６】
次に、図１１は、第２形態の場合を示しており、複数の音声認識サーバ１０４に対して同一の音声データ（評価用音声データの場合も含む）を送信し、それぞれの音声認識サーバ１０４から認識結果を受信する場合の処理を示している。図１１に示すように、雑音抑圧モジュール１１８に１つの音声データが入力されると（Ｓ１１０１）、雑音抑圧モジュール１１８は、入力された音声データに対し、１種類の雑音抑圧用パラメータを適用して雑音抑圧処理を行い、１種類の音声データを出力する（Ｓ１１０２）。
【００５７】
サーバ通信モジュール１１４は、この１種類の音声データを、独立した複数（Ｍ個）の音声認識サーバ１０４に送信する（Ｓ１１０３）。それぞれの音声認識サーバ１０４は、音声データに対応する認識結果を、サーバ通信モジュール１１４に対して返信する（Ｓ１１０４）。それぞれの音声認識サーバ１０４は、それぞれ独自のアルゴリズムやモデルに基づいて音声認識を行うため、Ｍ種類の認識結果を返信する。
【００５８】
サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ１１０５）。認識結果統合モジュール１２２は、これらの認識結果を統合処理し、最終的な認識結果として出力する（Ｓ１１０６）。
【００５９】
図１２は、第３形態の場合を示しており、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の音声データ（評価用音声データの場合も含む）を生成し、その複数の音声データに対する認識結果を複数の音声認識サーバ１０４から受信する場合の処理を示している。図１２に示すように、雑音抑圧モジュール１１８に１つの音声データが入力されると（Ｓ１２０１）、雑音抑圧モジュール１１８は、入力された音声データに対し、複数（Ｎ種類）の雑音抑圧用パラメータを適用して雑音抑圧処理を行い、Ｎ種類の音声データを出力する（Ｓ１２０２）。
【００６０】
サーバ通信モジュール１１４は、このＮ種類の音声データすべてを、それぞれ独立した複数（Ｍ個）の音声認識サーバ１０４に送信する（Ｓ１２０３）。それぞれの音声認識サーバ１０４は、Ｎ個の音声データに対応する認識結果を、サーバ通信モジュール１１４に対して返信する（Ｓ１２０４）。すなわち、サーバ通信モジュール１１４には、Ｎ×Ｍ種類の認識結果が返信される。
【００６１】
サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ１２０５）。認識結果統合モジュール１２２は、これらの認識結果を統合処理し、最終的な認識結果として出力する（Ｓ１２０６）。なお、前記の説明では、それぞれの音声認識サーバ１０４に送信する音声データの数はすべてＮ個としたが、この数は必ずしも一定である必要はなく、例えば、ある音声認識サーバにはＮ個中５個、別の音声認識サーバにはＮ個中３個・・というように、異なる数の音声データを送っても良い。
【００６２】
（評価用音声データの生成方法）
次に、発話内容既知雑音環境音声データベース１１６に記憶されている評価用音声データの生成方法について、図１３を用いて説明する（適宜、図１，６参照）。発話内容既知雑音環境音声データベース１１６のデータは、発話内容既知静音環境音声データベース９０２、機種別環境別雑音データベース９０８、機種別伝達特性データベース９１０、機種別環境別発話内容未知音声データベース９１２に記憶されたデータを用いて生成される。発話内容既知雑音環境音声データベース１１６のデータは、本実施の形態では、音声データ中継装置１１０の処理部１５０の音声データ生成手段（不図示）において生成されるものとして説明するが、車内に設置された他の専用の装置（不図示）において生成されても構わない。
【００６３】
発話内容既知静音環境音声データベース９０２には、予め雑音のない環境で録音した、様々な話者による様々な言葉の音声データが、発話内容を特定するラベルとともに記憶されている。機種別環境別雑音データベース９０８には、車載端末１０２（図１参照）の機種や車両の走行条件等の環境ごとに区分けされた雑音データが記憶されている。この雑音データは、車載端末１０２を介して取得されたものである。車載端末１０２は、恒常的に雑音データを蓄積しており、その蓄積した雑音データを適宜音声データ中継装置１１０に送信する。音声データ中継装置１１０は、受信した雑音データを機種別環境別雑音データベース９０８に追加していく。
【００６４】
機種別伝達特性データベース９１０は、車載端末１０２の機種ごとに、ユーザ２４０の口からマイク２１２を経て取り込まれる音声信号の伝達特性のデータを記憶している。
機種別環境別発話内容未知音声データベース９１２は、車載端末１０２の機種や環境ごとに区分けされた、ユーザによって発話された音声データ、すなわち、発話内容が未知の音声データを記憶している。この発話内容が未知の音声データは、車載端末１０２を介して取得されたものである。車載端末１０２は、恒常的に発話内容が未知の音声データを蓄積しており、その蓄積した音声データを適宜音声データ中継装置１１０に送信する。音声データ中継装置１１０は、ユーザ２４０によって発話された発話内容が未知の音声データを、機種別環境別発話内容未知音声データベース９１２に対しても、機種別環境別雑音データベース９０８と同様に、随時追加していく。なお、機種別環境別発話内容未知音声データベース９１２に追加される音声データは、発話内容が未知であるため、発話内容を特定するラベルは付与されない。
【００６５】
雑音付加モジュール９０４は、発話内容既知静音環境音声データベース９０２に記憶された音声データに対し、機種別環境別雑音データベース９０８から取得した雑音データの付加処理と、機種別伝達特性データベース９１０から取得した伝達特性データの畳み込み処理（音声データを伝達特性でフィルタリングする処理）とを行う。ただし、後者の伝達特性データの畳み込み処理については割愛することも可能である。前者の雑音付加処理は、音声データもしくは雑音データに一定のゲイン値を乗算して、波形の振幅同士を加算することにより、信号対雑音比の値を調整して行う。
【００６６】
信号対雑音比の値としてどのようなものを用いるのが良いかについては、機種別環境別発話内容未知音声データベース９１２に記憶された音声データの平均パワーを参照することにより推定することができる。すなわち、機種別環境別発話内容未知音声データベース９１２の音声データは、発話内容が未知であっても、所与の環境においてユーザがどれくらいの声の大きさで話すかということを推定するために利用することができる。そこで、音声データ中継装置１１０は、機種別環境別発話内容未知音声データベース９１２に含まれる一定量の音声データの平均パワーに合致するように、発話内容既知静音環境音声データベース９０２の音声データのゲインを調整することによって、所望の信号対雑音比を持った音声データを作成することができる。
【００６７】
次に、機種別環境別雑音データベース９０８および機種別環境別発話内容未知音声データベース９１２にデータを追加していくための、車載端末１０２の処理フローについて、図１４を用いて説明する（適宜、図６，１３参照）。なお、図１４に示す処理は、車載端末メイン処理モジュール２２４のデータ追加手段（不図示）が起動している間、継続して行われる。
【００６８】
図１４において、車載端末１０２は、まず、マイク２１２を介して周囲の環境情報を取得する（ステップＳ１４０１）。環境情報とは、例えば、車速、オーディオ状態、ワイパー状態等、音声認識に多少なりとも影響を及ぼす可能性があると考えられる、車両や周辺機器の動作状況等の情報である。次に、車載端末１０２は、ユーザによる発話があるか否かを判断する（ステップＳ１４０２）。
【００６９】
ユーザによる発話がないと判定した場合（ステップＳ１４０２：Ｎｏ）、車載端末１０２は、マイク２１２でひろった音を、環境音データとして録音する（ステップＳ１４０３）。次に、車載端末１０２は、録音した環境音データが一定量に達した（集まった）か否かを判定する（ステップＳ１４０４）。環境音データが一定量に達した（集まった）と判定した場合（ステップＳ１４０４：Ｙｅｓ）、車載端末１０２は、環境音データに、環境情報と車載端末１０２の機種を識別するＩＤとを付与して、音声データ中継装置１１０に送信する（ステップＳ１４０５）。そして、本フローチャートによる処理は終了する。音声データ中継装置１１０に送信された環境音データは、機種別環境別雑音データベース９０８（図１３参照）に雑音データとして記憶される。また、環境音データが一定量に達しなかった（集まらなかった）と判定した場合（ステップＳ１４０４：Ｎｏ）、車載端末１０２は、ステップＳ１４０５の処理をスキップして、処理を終了する。このように、ステップＳ１４０５をスキップする理由は、同じ環境情報が所定の時間継続していない場合には、環境音データとして採用しないためである。なお、車載端末１０２は、ステップＳ１４０３において録音を開始する前に、前回録音した環境音データを消去する。または、車載端末１０２は、処理を終了した後に、ステップＳ１４０４において前回録音した環境音データを消去しても良い。
【００７０】
一方、ステップＳ１４０２において、ユーザによる発話があると判断した場合（ステップＳ１４０２：Ｙｅｓ）、車載端末１０２は、マイク２１２を介してひろった音を音声データとして録音する（ステップＳ１４０６）。次に、車載端末１０２は、録音した音声データが一定量に達した（集まった）か否かを判定する（ステップＳ１４０７）。音声データが一定量に達した（集まった）と判定した場合（ステップＳ１４０７：Ｙｅｓ）、車載端末１０２は、音声データに、環境情報と車載端末１０２の機種を識別するＩＤとを付与して、音声データ中継装置１１０に送信する（ステップＳ１４０８）。そして、本フローチャートによる処理は終了する。音声データ中継装置１１０に送信された音声データは、機種別環境別発話内容未知音声データベース９１２（図１３参照）に音声データとして記憶される。また、音声データが一定量に達しなかった（集まらなかった）と判定した場合（ステップＳ１４０７：Ｎｏ）、車載端末１０２は、ステップＳ１４０８の処理をスキップして、処理を終了する。このように、ステップＳ１４０８をスキップする理由は、同じ環境情報が所定の時間継続していない場合には、音声データとして採用しないためである。なお、車載端末１０２は、ステップＳ１４０６において録音を開始する前に、前回録音した環境音データを消去する。または、車載端末１０２は、処理を終了した後に、ステップＳ１４０７において前回録音した環境音データを消去しても良い。
【００７１】
次に、音声データ中継装置１１０による音声認識サーバ１０４の評価処理の詳細な手順について、図１５を用いて説明する。図１５のフローチャートにおいて、変数ｃは音声認識サーバ１０４の内部状況に変化を発見したか否かを示すものであり、変数ｋは音声認識サーバ１０４を識別するものである。
まず、音声データ中継装置１１０は、変数ｃに初期値として、音声認識サーバ１０４の内部状況に変化を発見しないことを示すｆａｌｓｅを設定する（ステップＳ１５０１）。
【００７２】
次に、音声データ中継装置１１０は、変数ｋに初期値として０を設定する（ステップＳ１５０２）。音声データ中継装置１１０は、発話内容既知雑音環境音声データベース１１６（図１参照）から取得した評価用音声データを、雑音抑圧モジュール１１８において雑音抑圧処理した後、ｋ番目の音声認識サーバ１０４に送信し、それに対する認識結果を受信する（ステップＳ１５０３）。
【００７３】
音声データ中継装置１１０は、ステップＳ１５０３で受信した認識結果が、同じｋ番目の音声認識サーバ１０４から過去に得られた認識結果（履歴）と一致するか否かを判定する（ステップＳ１５０４）。なお、音声認識サーバ１０４が認識結果として返す内容は、様々な形式を取る可能性があり、それらに応じて、照合の仕方を様々に設定することが可能である。例えば、認識結果としてただ一つの単語や文章を返す場合には、その単語や文章が、履歴として保持されるものと完全一致するかどうかを見るのが一般的である。ただし、この場合であっても、例えば、文章中に１単語だけ差異が生じても一致すると見なすといった方式であっても良い。また、認識結果の候補として複数の単語を返すような方式の場合には、１位単語（図４参照）の一致度だけをチェックする、上位Ｎ位までの一致度をチェックする、全候補の一致度をチェックする等のバリエーションが存在する。また、認識結果の単語や文章の他に、認識結果の認識スコア（図４参照）を返す場合には、その認識スコアが完全一致するかどうか、あるいは認識スコアの差が予め設定した許容度の範囲内であるかどうかというチェック方法もある。
【００７４】
ステップＳ１５０３で受信した認識結果と、履歴とが一致しないと判定した場合（ステップＳ１５０４：Ｎｏ）、音声データ中継装置１１０は、変化が見つかったとして、変数ｃの値をｔｒｕｅとした上で（ステップＳ１５０５）、雑音抑圧用パラメータを最適化して（ステップＳ１５０６）、ステップＳ１５０７の処理に移行する。雑音抑圧用パラメータの最適化処理の詳細については後記する（図１６参照）。
【００７５】
また、ステップＳ１５０３で受信した認識結果と、履歴とが一致すると判定した場合（ステップＳ１５０４：Ｙｅｓ）、音声認識サーバ１０４の内部状況に変化がないものとして、処理はステップＳ１５０７へ進む。音声データ中継装置１１０は、変数ｋをｋ＋１として（ステップＳ１５０７）、変数ｋの値がＭに一致するか否かを判定する（ステップＳ１５０８）。ただし、Ｍは、音声認識処理に用いる音声認識サーバ１０４の台数である。変数ｋの値がＭに一致していないと判定した場合（ステップＳ１５０８：Ｎｏ）、処理はステップＳ１５０３に戻る。すなわち、処理は、次の音声認識サーバ１０４に対して実行される。
【００７６】
そして、変数ｋがＭと一致すると判定した場合（ステップＳ１５０８：Ｙｅｓ）、音声データ中継装置１１０は、変数ｃの値がｔｒｕｅか否かを判定する（ステップＳ１５０９）。変数ｃの値がｔｒｕｅである場合（ステップＳ１５０９：Ｙｅｓ）、音声データ中継装置１１０は、音声認識サーバ１０４の内部状況に変化があったとして、結果統合用パラメータを最適化する（ステップＳ１５１０）。そして、音声データ中継装置１１０は、一定時間スリープ後（ステップＳ１５１１）、再びステップＳ１５０１以降の処理を行う。また、変数ｃの値がｔｒｕｅでないと判定した場合（ステップＳ１５０９：Ｎｏ）、処理はステップＳ１５１１へ進む。
【００７７】
なお、図１５に示した処理は、図１１に示したような単一の評価用音声データを複数の音声認識サーバ１０４に送信することを前提とした処理の場合であるが、図１０や図１２に示したように、雑音抑圧モジュール１１８が複数の評価用音声データを出力する場合であっても、同様のフローで処理可能である。また、図１５に示した処理は、単一の雑音抑圧用パラメータを用いて雑音抑圧処理された評価用音声データと単一の音声認識サーバ１０４との組み合わせの場合であっても、結果統合用パラメータの最適化（ステップＳ１５１０参照）が不要になることを除き、同様のフローで処理可能である。
【００７８】
図１６は、雑音抑圧用パラメータの最適化処理の一例を示したフローチャートである（適宜、図１参照）。図１６では、雑音抑圧用パラメータλの候補として、λ［０］からλ［Ｎ−１］までのＮ個の値が用意されているものとする。なお、変数ｋは、雑音抑圧用パラメータλ［ｋ］を識別するものである。
【００７９】
まず、処理部１５０のサーバ評価手段（不図示）は、変数ｋに初期値として０を設定する（ステップＳ１６０１）。処理部１５０のサーバ評価手段は、ｋ番目の雑音抑圧用パラメータλ［ｋ］をλに設定する（ステップＳ１６０２）。雑音抑圧モジュール１１８は、ステップＳ１６０２において設定された雑音抑圧用パラメータλを用いて、評価用音声データに対して雑音抑圧処理を行う（ステップＳ１６０３）。このとき、１つの評価用音声データのみでは音声認識サーバ１０４の音声認識性能を十分に評価することができないので、多数の評価用音声データに対しても同様の処理を行い、音声認識サーバ１０４の音声認識性能を評価する。音声認識性能は、例えば、正しく音声認識できた数を音声認識処理を実行した数で除算した値を示す認識率で表す。
【００８０】
雑音抑圧モジュール１１８は、ステップＳ１６０３で処理した評価用音声データを音声認識サーバ１０４に送信し、履歴管理モジュール１２８が、それに対する認識結果を受信する（ステップＳ１６０４）。次に、処理部１５０のサーバ評価手段は、変数ｋにｋ＋１を設定して（ステップＳ１６０５）、変数ｋの値がＮに等しいか否かを判断する（ステップＳ１６０６）。変数ｋの値がＮに等しくないと判定した場合（ステップＳ１６０６：Ｎｏ）、処理はステップＳ１６０２へ戻る。ｋの値がＮに等しいと判定した場合（ステップＳ１６０６：Ｙｅｓ）、処理はステップＳ１６０７へ進む。
【００８１】
ステップＳ１６０７では、パラメータ変更モジュール１２６は、Ｎ個のパラメータ候補中で、最も高い認識率をもたらした雑音抑圧用パラメータλ［ｋ０］の値を最適なパラメータとして選択する。そして、パラメータ変更モジュール１２６は、新たに用いる雑音抑圧用パラメータλとしてλ［ｋ０］を雑音抑圧用パラメータ記憶部１２８（図１参照）に記憶して（ステップＳ１６０８）、本フローチャートによる処理を終了する。
【００８２】
（変形例）
なお、前記の説明では、図１に示すように車載端末１０２と音声認識サーバ１０４との間に音声データ中継装置１１０を独立して設けるようにしたが、変形例として、車載端末１０２の内部に、音声データ中継装置１１０の構成を備えるようにしても良い。
【００８３】
図１７は、変形例の構成例を、図１，６で示したものと同じ構成ブロックには同じ符号を付して示している。図１７において、車載端末１７１０は、マイク２１２、ユーザインタフェースモジュール１７１２、描画装置２１８、サーバ通信モジュール１１４、発話内容既知雑音環境音声データベース１１６、雑音抑圧モジュール１１８、雑音抑圧用パラメータ記憶部１２０、認識結果統合モジュール１２２、結果統合用パラメータ記憶部１２４、パラメータ変更モジュール１２６、履歴管理モジュール１２８、認識結果履歴データベース１３０によって構成される。
【００８４】
図１７のような構成とした場合、ユーザ２４０の発話音声は、マイク２１２からユーザインタフェースモジュール１７１２を経て、雑音抑圧モジュール１１８に取り込まれる。また、認識結果統合モジュール１２２が出力する最終的な認識結果も、通信回線を経由することなく、ユーザインタフェースモジュール１７１２を経て描画装置２１８またはスピーカ（不図示）に送られる。このような実装形態であっても、各モジュールの動作原理そのものは、図１から図１６で説明した場合と同様である。すなわち、図１７に示す車載装置１７１０のような構成によっても、図１に示した音声データ中継装置１１０と同様の効果を得ることができる。
【００８５】
以上説明したように、本実施の形態に係る音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継するにあたって、音声認識サーバ１０４の音声認識性能の変化を調べるために、評価用音声データを雑音抑圧モジュール１１８において雑音抑圧処理した後、音声認識サーバ１０４に送信し、認識結果を受信する。そして、音声データ中継装置１１０は、音声認識サーバ１０４の認識結果に基づいて、雑音抑圧処理に用いる雑音抑圧用パラメータや音声認識サーバ１０４から得られた複数の認識結果の統合処理に用いる結果統合用パラメータの値を最適な値に設定する。これにより、音声認識サーバ１０４の音声認識性能が変化する場合においても、適切なパラメータを設定することができる。これにより、音声認識サーバ１０４の音声認識性能が変化する場合においても、適切なパラメータを設定することができる。
【００８６】
つまり、音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継することによって、車載端末１０２と音声認識サーバ１０４との間で直接音声認識を行うよりも、安定した品質の音声認識サービスを提供することができる。また、変形例として示した車載端末１７１０は、音声データ中継装置１０の機能を備えているので、音声データ中継装置１１０と同様の効果を得ることができる。
【００８７】
なお、本実施の形態および変形例では、雑音抑圧モジュール１１８の機能として、雑音抑圧処理の場合で説明したが、音声データの情報量を圧縮する処理（加工処理）を併用しても構わない。
また、本実施の形態では、音声データ中継装置１１０に焦点を当てて説明してきたが、車載端末１０２と音声データ中継装置１１０と音声認識サーバ１０４とを一体の装置（音声認識システム）として構成しても構わない。
【符号の説明】
【００８８】
１０２，１７１０ 車載端末（端末装置）
１０４ 音声認識サーバ
１１０ 音声データ中継装置
１１２ 端末装置通信モジュール（端末通信部）
１１４ サーバ通信モジュール（サーバ通信部）
１１６ 発話内容既知雑音環境音声データベース
１１８ 雑音抑圧モジュール（データ処理部）
１２０ 雑音抑圧用パラメータ記憶部
１２２ 認識結果統合モジュール（認識結果統合部）
１２４ 結果統合用パラメータ記憶部
１２６ パラメータ変更モジュール（パラメータ変更部）
１２８ 履歴管理モジュール（履歴管理部）
１３０ 認識結果履歴データベース
１５０，１５０ａ 処理部
１６０ 記憶部
２１２ マイク
２１８ 描画装置
【技術分野】
【０００１】
この発明は、音声認識機能の変化を検出し、その変化に適合するように認識させる音声信号を加工処理する技術に関する。
【背景技術】
【０００２】
従来より、車載情報機器や携帯電話機等の端末装置において、その操作をユーザの発話音声によって行うために、音声認識機能を組み込んだ機器が開発されてきている。近年では、データ通信技術の発展により、端末装置に入力した発話音声をネットワークを介して音声データとして音声認識サーバに送信し、音声認識サーバの潤沢な計算資源を用いて、より高精度の音声認識を行う方式が普及しつつある。音声認識は、ユーザの不明瞭な発声や背景雑音等の影響により、常に誤認識のリスクをともなう。誤認識に気付かずに機器の操作を続けることは、ユーザの利便性を大きく損なうことから、例えば、下記特許文献１のように、発話音声に含まれるノイズ量およびそのノイズの発生要因の情報に基づいて、音声認識可能と判断した発話音声のみを音声認識対象とする技術が開示されている。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開２００５−９１６１１号公報（例えば、段落００１２参照）
【発明の概要】
【発明が解決しようとする課題】
【０００４】
前記したように、近年では音声認識サーバが汎用のサービスとして運営される例が増えており、ユーザが扱う端末装置向けのサービスを提供する主体と、音声認識サーバを運営する主体とが異なる場合が多くなっている。そのため、いつの間にか、音声認識サーバの音声認識機能が変更されていることに気付かない場合が起きる。また、サービスの提供主体と運営主体とが同一である場合においても、音声認識サーバの内部状態（例えば、処理負荷の大きさ）が時々刻々と変化しているため、音声認識性能の変化を完全に把握し続けることが困難な場合もある。そのような場合において、ユーザに対する音声認識機能のサービスを提供し続けたとき、例えば、音声認識サーバの音声認識性能が何らかの原因で低下したとしても、その音声認識性能の低下を検知することができず、結果としてユーザに低品質の音声認識サービスを提供することになってしまう虞がある。
【０００５】
また、より良い音声認識性能を得るために、端末装置から音声認識サーバに送信する音声データに対して何らかの加工処理を行っている場合、音声認識サーバの音声認識性能が変化することによって加工処理の効果が低減してしまったり、加工処理を行わない場合よりも音声認識性能を低下させてしまったりする虞もある。
そこで、本発明は、安定した品質の音声認識サービスを提供することを課題とする。
【課題を解決するための手段】
【０００６】
前記した課題を解決するため、本発明に係る音声データ中継装置は、端末装置と音声認識サーバとの間を中継するにあたって、音声認識サーバに対して、音声認識性能の評価を行うために評価用音声データを送信し、音声認識サーバから認識結果を受信する。そして、音声データ中継装置は、受信した認識結果に基づいて、音声認識サーバの音声認識性能の変化を判定し、変化があると判定した場合には、端末装置から受信した音声データに対する加工処理に用いるパラメータ値を、音声認識性能を向上させる値に変更する。
【発明の効果】
【０００７】
本発明によれば、安定した品質の音声認識サービスを提供することができる。
【図面の簡単な説明】
【０００８】
【図１】本実施の形態にかかる音声データ中継装置の構成を示すブロック図である。
【図２】発話内容既知雑音環境音声データベースの一例を示す図表である。
【図３】雑音抑圧用パラメータ記憶部に記憶されたデータの一例を示す図表である。
【図４】認識結果履歴データベースの一例を示す図表である。
【図５】結果統合用パラメータ記憶部に記憶されたデータの一例を示す図表である。
【図６】車載端末の構成を示すブロック図である。
【図７】音声データ中継装置による音声データ中継処理を説明するための説明図である。
【図８】音声認識サーバの評価によって雑音抑圧用パラメータを変更する処理の概要を示す説明図である。
【図９】音声認識サーバの評価によって結果統合用パラメータを変更する処理の概要を示す説明図である。
【図１０】１または複数の音声データを１台の音声認識サーバで処理するときの処理フロー例を説明する説明図である。
【図１１】１の音声データを複数の音声認識サーバで処理するときの処理フロー例を説明する説明図である。
【図１２】複数の音声データを複数の音声認識サーバで処理するときの処理フロー例を説明する説明図である。
【図１３】発話内容既知雑音環境音声データの生成方法を示す説明図である。
【図１４】車載端末によるデータ追加処理の手順を示すフローチャートである。
【図１５】音声認識サーバの評価処理の詳細な手順を示すフローチャートである。
【図１６】雑音抑圧用パラメータの最適化処理の一例を示したフローチャートである。
【図１７】変形例として音声データ中継装置の機能を備えた車載端末の構成例を示すブロック図である。
【発明を実施するための形態】
【０００９】
以下に添付図面を参照して、本発明にかかる音声データ中継装置、端末装置および音声データ中継方法の好適な実施の形態を詳細に説明する。
【００１０】
（音声データ中継装置１１０の概要）
本実施の形態に係る音声データ中継装置１１０における処理の概要について、図１を用いて説明する。音声データ中継装置１１０は、端末装置通信モジュール１１２、サーバ通信モジュール１１４、発話内容既知雑音環境音声データベース１１６、雑音抑圧モジュール１１８、雑音抑圧用パラメータ記憶部１２０、認識結果統合モジュール１２２、結果統合用パラメータ記憶部１２４、パラメータ変更モジュール１２６、履歴管理モジュール１２８、および認識結果履歴データベース１３０を備えている。
【００１１】
音声データ中継装置１１０は、端末装置通信モジュール１１２を介して、端末装置の一例である車載端末１０２と接続され、車載端末１０２から送信された音声データや環境情報（例えば、車の走行環境等に関する情報）を受信する。音声データ中継装置１１０は、受信した音声データに対して、雑音抑圧モジュール１１８において当該音声データに含まれている雑音を抑圧し、サーバ通信モジュール１１４に送信する。なお、雑音抑圧モジュール１１８は、雑音抑圧用パラメータ記憶部１２０に記憶されている雑音抑圧用パラメータ（第１のパラメータ）を用いて、雑音抑圧処理（加工処理）を実行する。その雑音抑圧処理は、例えば、音声データの音声波形分析を行って分析パラメータを算出し、雑音を抑圧するように当該分析パラメータの値を調整し、その調整後の分析パラメータの値を用いて音声波形を再生するものである。そして、音声データ中継装置１１０は、サーバ通信モジュール１１４を介して、音声認識処理を行う音声認識サーバ１０４に雑音抑圧処理後の音声データを送信し、音声認識サーバ１０４から認識結果を受信する。次に、音声データ中継装置１１０は、結果統合用パラメータ記憶部１２４に記憶されている結果統合用パラメータを用いて、受信した認識結果を再評価（統合）して、その評価結果（統合結果）を最終的な認識結果として、端末装置通信モジュール１１２を介して車載端末１０２へ送信する。すなわち、音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継している。
【００１２】
また、音声データ中継装置１１０は、音声認識サーバ１０４の音声認識性能の変化を調べるために、さらに、発話内容既知雑音環境音声データベース１１６に記憶している評価用音声データを、車載端末１０２からの音声データの入力が無いときに、所定の周期で雑音抑圧モジュール１１８に入力し、雑音抑圧処理後の評価用音声データを、サーバ通信モジュール１１４を介して音声認識サーバ１０４に送信する。そして、音声データ中継装置１１０は、音声認識サーバ１０４から雑音抑圧処理後の評価用音声データに対する認識結果を受信する。また、音声データ中継装置１１０は、履歴管理モジュール１２８において、音声認識サーバ１０４から受信した認識結果に基づいて、音声認識サーバ１０４の音声認識性能に変化が有るか無いかを判定する。具体的には、履歴管理モジュール１２８は、音声認識サーバ１０４において過去に処理された音声データと認識結果と関連付けて記憶している認識結果履歴データベース１３０を参照しつつ、認識結果の変化の有無について判定する。履歴管理モジュール１２８は、音声認識性能に有意な変化（例えば、音声認識性能の低下）が有ると判定した場合、パラメータ変更モジュール１２６を起動し、雑音抑圧用パラメータ記憶部１２０および結果統合用パラメータ記憶部１２４に記憶している各パラメータを最適化する（音声認識サーバ１２８の音声認識性能を戻すように変更する）。
【００１３】
このように、音声データ中継装置１１０が車載端末１０２と音声認識サーバ１０４との間を中継することによって、車載端末１０２は、安定した品質の音声認識サービスの提供を受けることができる。なお、図１では、音声認識サーバ１０４は、１台しか記載していないが、複数台であっても構わない。
【００１４】
（音声データ中継装置１１０の機能）
音声データ中継装置１１０の各構成部の機能について説明する。
音声データ中継装置１１０は、図示しないＣＰＵ（Central Processing Unit）およびメインメモリによって構成される処理部１５０とアプリケーションプログラム等を記憶する記憶部１６０とを備える。処理部１５０は、記憶部１６０に記憶されているアプリケーションプログラムをメインメモリに展開して、端末装置通信モジュール１１２、サーバ通信モジュール１１４、雑音抑圧モジュール１１８、認識結果統合モジュール１２２、パラメータ変更モジュール１２６、および履歴管理モジュール１２８を具現化する。また、処理部１５０は、各モジュールで表現していない種々の処理を実行するとともに、各モジュール間および各モジュールと記憶部１６０との間の情報の送受信制御を司る。記憶部１６０は、発話内容既知雑音環境音声データベース１１６、雑音抑圧用パラメータ記憶部１２０、結果統合用パラメータ記憶部１２４、および認識結果履歴データベース１３０を備えている。
【００１５】
音声データ中継装置１１０の各モジュールの機能について説明する。
端末装置通信モジュール１１２は、車載端末１０２のユーザ（不図示）が車載端末１０２の音声認識機能を使用したとき、車載端末１０２から送信された音声データおよび環境情報を受信し、受信した音声データおよび環境情報を雑音抑圧モジュール１１８に出力する機能を有する。また、端末装置通信モジュール１１２は、認識結果統合モジュール１２２から受信した最終的な認識結果を車載端末１０２へ送信する機能を有する。
【００１６】
雑音抑圧モジュール１１８は、車載端末１０２から受信した音声データおよび環境情報、または発話内容既知雑音環境音声データベース１１６から取得した評価用の音声データ（評価用音声データ）を入力とし、雑音抑圧用パラメータ記憶部１２０に記憶された雑音抑圧用パラメータ（第１のパラメータ）を用いて、入力された音声データの雑音抑圧処理を行う機能を有する。例えば、雑音抑圧処理の例として、非特許文献（Ｉ． Ｃｏｈｅｎ ａｎｄ Ｂ． Ｂｅｒｄｕｇｏ，“Ｓｐｅｅｃｈ ｅｎｈａｎｃｅｍｅｎｔ ｆｏｒ ｎｏｎ−ｓｔａｔｉｏｎａｒｙ ｎｏｉｓｅ ｅｎｖｉｒｏｎｍｅｎｔｓ”，Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２００１年，Ｖｏｌ．８１，ｐ．２４０３−２４１８）に記載されている公知の方法を用いることができる。
【００１７】
発話内容既知雑音環境音声データベース１１６は、予め発話内容が分かっている音声信号に既知の大きさの雑音信号を付加した音声データを記憶している。発話内容既知雑音環境音声データベース１１６に記憶された音声データは、評価用音声データとして、音声認識性能の変化を判定するために利用される。図２は、発話内容既知雑音環境音声データベース１１６の一例を示している。図２において、発話内容既知雑音環境音声データベース１１６は、車載端末ＩＤフィールド２０１、音声ファイルフィールド２０２、発話内容フィールド２０３、環境情報フィールド２０４を備える。
【００１８】
車載端末ＩＤフィールド２０１には、音声ファイルフィールド２０２に記載された音声データの録音に用いた車載端末１０２の機種を識別するＩＤが記憶されている。音声ファイルフィールド２０２には、音声データのファイル名が記憶される。なお、音声ファイルフィールド２０２に音声データそのものを格納することも可能だが、データ量が大きくなるため、一般的には、音声データのファイル名のみが記憶される。発話内容フィールド２０３には、音声データに対応する発話内容がテキスト情報として記憶される。環境情報フィールド２０４には、音声ファイルフィールド２０２に記載された音声データが録音された際の環境情報が記憶される。具体的には、環境情報フィールド２０４には、車の走行条件等（例えば、車速、オーディオ状態、ワイパ状態等の音声認識性能に多少なりとも影響を及ぼす要因）が環境情報として記憶される。なお、発話内容既知雑音環境音声データベース１１６に記憶されている評価用音声データの詳しい作成方法については後記する（図１３参照）。
【００１９】
次に、図１に示す雑音抑圧用パラメータ記憶部１２０について、図３を用いて説明する（適宜、図１参照）。図３において、雑音抑圧用パラメータ記憶部１２０は、車載端末ＩＤフィールド３０１、環境情報フィールド３０２、サーバＩＤフィールド３０３、雑音抑圧用パラメータフィールド３０４を備える。車載端末ＩＤフィールド３０１は、図２の車載端末ＩＤフィールド２０１と同様の情報を記憶している。また、環境情報フィールド３０２は、図２の環境情報フィールド２０４と同様の情報を記憶している。サーバＩＤフィールド３０３には、音声認識サーバ１０４を識別するサーバＩＤが記憶される。雑音抑圧用パラメータフィールド３０４には、雑音抑圧モジュール１１８で用いる雑音抑圧用パラメータの値が記憶される。
【００２０】
図３では、雑音抑圧用パラメータ記憶部１２０には、サーバＩＤがＸ，Ｙ，Ｚ１，Ｚ２という４つの音声認識サーバ１０４に対して使用すべき雑音抑圧用パラメータの値が、車載端末ＩＤおよび環境情報ごとに記憶されている。ここで、Ｚ１，Ｚ２は、Ｚという音声認識サーバ１０４に対し、異なる雑音抑圧用パラメータの値（例えば、図３では、環境情報が停止中の場合に、０．５，０．２）を用いて雑音抑圧処理後の音声データを送信したことを便宜上別々の音声認識サーバ１０４として表している。同一の車載端末１０２に対して環境情報ごとに雑音抑圧用パラメータ値を記憶するのは、一般に、環境状態が変われば最適な雑音抑圧用パラメータの値も変化すると考えられるためである。
【００２１】
図１の説明に戻り、サーバ通信モジュール１１４は、雑音抑圧モジュール１１８の出力を、音声認識サーバ１０４に送信する機能を有する。また、サーバ通信モジュール１１４は、音声認識サーバ１０４から認識結果を受信し、その認識結果を認識結果統合モジュール１２２や履歴管理モジュール１２８に送信する機能を有する。
【００２２】
音声認識サーバ１０４は、音声認識処理を行うサーバであり、音声データ中継装置１１０から受信した音声データの内容を認識して、その認識結果を音声データ中継装置１１０に返信する。なお、本実施の形態では、音声認識サーバ１０４は、１台であっても複数台であっても構わない。
【００２３】
認識結果統合モジュール１２２は、１種類の音声データに対して、１または異なる雑音抑圧用パラメータを用いて雑音抑圧処理されたときの音声データそれぞれに対応する認識結果を１台または複数の音声認識サーバ１０４から受信したとき、１種類の音声データに対する複数の認識結果が相互に一致しない場合、結果統合用パラメータ記憶部１２４に予め記憶されている結果統合用パラメータ（第２のパラメータ）を参照しながら、それらを再評価（統合）する。再評価（統合）の処理は、例えば、後記するように多数決を用いる。そして、認識結果統合モジュール１２２は、最も確からしいと思われる認識結果を最終的な認識結果として、端末装置通信モジュール１１２を介して車載端末１０２に送信する。なお、認識結果統合モジュール１２２は、１台の音声認識サーバ１０４から、１種類の音声データを１つの雑音抑圧用パラメータを用いて雑音抑圧処理されたときの音声データに対応する認識結果を受信した場合には、当該認識結果を最終的な認識結果として、端末装置通信モジュール１１２を介して車載端末１０２に送信する。
【００２４】
履歴管理モジュール１２８は、サーバ通信モジュール１１４を経由して、音声認識サーバ１０４から送られてきた認識結果を受信し、音声認識サーバ１０４において過去に処理された音声データと認識結果と関連付けて記憶している認識結果履歴データベース１３０を参照しつつ、受信した認識結果と過去の認識結果とを比較することによって、音声認識性能の変化の有無について判定する機能を有する。例えば、履歴管理モジュール１２８は受信した認識結果と過去の認識結果とが相違するために音声認識性能に有意な変化（音声認識性能の低下）が有ると判定した場合、パラメータ変更モジュール１２６を起動して、雑音抑圧用パラメータ記憶部１２０および結果統合用パラメータ記憶部１２４に記憶している各パラメータを最適化する（音声認識サーバ１０４の音声認識性能を戻すように変更する）。
【００２５】
認識結果履歴データベース１３０は、音声認識サーバ１０４によって音声認識された音声データ（評価用音声データおよび車載端末１０２から受信した音声データ）と、その音声データに対応する認識結果とを関連付けて記憶している。
【００２６】
認識結果履歴データベース１３０は、図４に示すように、音声ファイルフィールド４０１、サーバＩＤフィールド４０２、雑音抑圧用パラメータフィールド４０３、認識スコアフィールド４０４、および認識結果フィールド４０５を備える。認識結果履歴データベース１３０の構成は、音声認識サーバ１０４がどのようなフォーマットで認識結果を返すかによって変わるが、図４では、音声認識サーバ１０４が、認識結果として認識スコア（認識結果の確からしさを示す値）、および候補単語の上位５つを返すものとしている。
【００２７】
音声ファイルフィールド４０１は、図２の音声ファイルフィールド２０２と同様の情報を記憶している。サーバＩＤフィールド４０２は、図３のサーバＩＤフィールド３０３と同様の情報を記憶している。雑音抑圧用パラメータフィールド４０３は、図３の雑音抑圧用パラメータフィールド３０４と同様の情報を記憶している。認識スコアフィールド４０４には、認識スコアが記憶される。認識結果フィールド４０５には、認識された候補単語５つ（１位〜５位）が記憶される。
【００２８】
図４に示す００１．ｗａｖという音声データでは、Ｘ，Ｙ，Ｚ１，Ｚ２という４つの音声認識サーバ１０４に送信し、得られた認識結果が記憶されている。ここで、Ｚ１とＺ２とは、Ｚという音声認識サーバ１０４に対し、０．７と０．２という２種類の雑音抑圧用パラメータを用いた雑音抑圧処理により得られた音声データを送信することを、便宜上２つの異なる音声認識サーバ１０４であるかのように表したものである。
【００２９】
図１へ戻って、パラメータ変更モジュール１２６は、履歴管理モジュール１２８からの起動指示に基づいて起動する機能を有する。パラメータ変更モジュール１２６は、履歴管理モジュール１２８における判定結果に基づいて、雑音抑圧用パラメータ記憶部１２０および結果統合用パラメータ記憶部１２４に記憶している各パラメータを、音声認識サーバ１２８の音声認識性能を高めるように最適化する（更新する）。
【００３０】
結果統合用パラメータ記憶部１２４は、音声認識サーバ１０４から受信した複数の認識結果が認識結果統合モジュール１２２によって再評価（統合）するときに用いる結果統合用パラメータ（第２のパラメータ）として認識結果に対する重みを記憶している。結果統合用パラメータ記憶部１２４は、図５に示すように、車載端末ＩＤフィールド５０１、環境情報フィールド５０２、サーバＩＤフィールド５０３、結果統合用パラメータフィールド５０４を備える。車載端末ＩＤフィールド５０１は、図３の車載端末ＩＤフィールド３０１と同様の情報を記憶している。環境情報フィールド５０２は、図３の環境情報フィールド３０２と同様の情報を記憶している。サーバＩＤフィールド５０３は、図３のサーバＩＤフィールド３０３と同様の情報を記憶している。結果統合用パラメータフィールド５０４には、結果統合用パラメータが記憶される。
【００３１】
図５では、結果統合用パラメータの例として、音声認識サーバ１０４それぞれに対して、環境情報別に、重みとして実数値が割り当てられている。この場合、例えば、音声認識サーバ１０４から得られた複数の認識結果に対して、この重みを割り当てた上での多数決を行うといった統合方法が可能である。
【００３２】
ここで、認識結果統合モジュール１２２における多数決処理の一例について、図４および図５を用いて説明する。例えば、認識結果統合モジュール１２２は、図４の音声ファイル「００１．ｗａｖ」について、４つの音声認識サーバ１０４（Ｘ，Ｙ，Ｚ１，Ｚ２）から、それぞれ第１位の候補語句として「東京駅」、「京都駅」、「東京都」、「東京駅」を取得している。次に、認識結果統合モジュール１２２は、図５の結果統合用パラメータ記憶部１２４を参照して、各音声認識サーバ１０４ごとの重みを取得する。重みは、Ｘ：１．０、Ｙ：１．１、Ｚ１：０．９，Ｚ２：０．７である。多数決では、認識結果の単語別に重みの数値を足し合わせると、東京駅：１．７（＝Ｘ＋Ｚ２）、京都駅：１．１（＝Ｙ）、東京都０．９（＝Ｚ１）となる。この場合、音声データ「００１．ｗａｖ」の最も確からしい認識結果として、「東京駅」を選択することができる。
【００３３】
多数決は、前記したように、図４の認識結果フィールド４０５に示した１位の候補だけに行っても良いが、複数の候補に対して行っても良い。また、各候補語句の認識スコアとの組み合わせで重みが設定されても良い。また、多数決の代わりに、単純に重みの大きい音声認識サーバ１０４の認識結果から順に結果を並べるというやり方でも良い。
【００３４】
（車載端末１０２の構成）
次に、車載端末１０２の構成について、図６を用いて説明する。図６に示すように、車載端末１０２は、マイク２１２、タッチパネル２１４、ボタン２１６、描画装置２１８、スピーカ２２０、音声検出モジュール２２２、車載端末メイン処理モジュール２２４、送信データ生成モジュール２２６、外部入力Ｉ／Ｆ（インタフェース）２２８を備える。また、車載端末１０２は、通信装置２３０を介して、音声データ中継装置１１０と通信を行う。
【００３５】
ユーザ２４０が車載端末１０２の音声認識機能を使う場合、ユーザ２４０が発した音声（発話音声）は、マイク２１２によってひろわれ、音声データとして音声検出モジュール２２２に出力される。また、ユーザ２４０が音声認識機能を呼び出すためにボタン２１６を押す等の操作を行った場合、車載端末メイン処理モジュール２２４はその操作を検知して、検知結果を音声検出モジュール２２２に出力する。音声検出モジュール２２２は、車載端末メイン処理モジュール２２４から受信した情報がある場合にはそれを活用しつつ、マイク２１２から取り込まれた発話音声の音声データを解析する機能を有する。そして、音声検出モジュール２２２は、音声データ中の音声の無い無声区間（無音区間や雑音のみの区間）の削除等を行った後、音声の有る有声区間のデータ（のみ）を送信データ生成モジュール２２６に出力する。
【００３６】
なお、車載端末１０２における音声認識機能は、車載端末１０２に対する操作入力として用いる他、例えば、車載端末１０２の周辺に存在する他の機器への操作入力、テキストエディタやコメントボックス等に対するテキスト入力等、各種の用途に用いることができる。
【００３７】
送信データ生成モジュール２２６は、音声検出モジュール２２２から受信した有声区間のデータと、外部入力Ｉ／Ｆ２２８から入力された各種センサ２５０からの情報（環境情報）を組み合わせて、音声データ中継装置１１０に送信する送信データを生成する。そして、送信データ生成モジュール２２６は、通信装置２３０を経由して、図１に示した音声データ中継装置１１０に送信データ（音声データ＋環境情報）を送信する。
【００３８】
外部入力Ｉ／Ｆ２２８は、車載端末１０２が搭載された車両の走行速度や、オーディオ・ワイパ等の状態を検知するセンサ２５０からの出力信号、変速機の状態やエンジンの回転数を伝えるセンサ２５０からの出力信号等、各種の情報（環境情報）を受信するインタフェースである。外部入力Ｉ／Ｆ２２８が受信した情報は、必要に応じて（例えば、音声検出モジュール２２２によって音声データが検出された場合等）送信データ生成モジュール２２６に入力される。
【００３９】
通信装置２３０は、車載端末１０２と音声データ中継装置１１０との間の通信を司るもので、例えば、通信機能だけを持つ携帯電話機や、情報処理装置としての機能を持ついわゆるスマートフォン等を用いることができる。車載端末１０２と通信装置２３０との間の通信は、例えば、ＵＳＢ（Universal Serial Bus）ケーブル、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の公知技術を用いて行われる。通信装置２３０と音声データ中継装置２１０との間の通信は、例えば、デジタル携帯電話網等を用いて行われる。また、音声データ中継装置１１０から返信されてきた情報は、同じように通信装置２３０を経由して、車載端末メイン処理モジュール２２４に送られる。
【００４０】
図６において、車載端末１０２と通信装置２３０とのあいだのデータ送受信には、速度やデータ量の点での制約があまりないことから、図６中で車載端末１０２に搭載されるものと説明した構成要素の一部を、通信装置２３０に実装しても良い。ここでいう構成要素の一部とは、例えば、車載端末メイン処理モジュール２２４で行う機能を通信装置２３０のＣＰＵ（不図示）で実現したり、通信装置２３０に備わっているユーザインターフェース機能（不図示）をマイク２１２、タッチパネル２１４、ボタン２１６、描画装置２１８、スピーカ２２０、外部入力Ｉ／Ｆ２２８として利用したりすることを指す。
【００４１】
なお、ユーザ２４０が音声認識機能を使わない場合、ユーザ２４０と車載端末１０２との間では、タッチパネル２１４、ボタン２１６、描画装置２１８、スピーカ２２０等を使って情報のやりとりを行う。すなわち、ユーザ２４０が車載端末１０２の操作や情報の入力を行う際には、タッチパネル２１４やボタン２１６を用い、それに応じて車載端末１０２は描画装置２１８の画面に表示される内容を変更したり、案内音声をスピーカ２２０から再生したりする。こうした機能は、目的地までの経路の案内やオーディオの操作等、当該分野において良く知られている車載端末１０２の機能全般を実現するための車載端末メイン処理モジュール２２４において実行される。なお、本発明は、これら車載端末１０２の機能全般を実現するための処理の具体的な実施形態に依らず、独自に実現することが可能である。
【００４２】
（音声データ中継装置１１０による音声データ中継処理）
次に、音声データ中継装置１１０による音声データ中継処理について、図７を用いて説明する（適宜、図１，６参照）。車載端末１０２で音声認識機能が使用されると、車載端末１０２のマイク２１２を介してユーザの発話音声が取得される。取得された発話音声の音声データは、車載端末１０２から音声データ中継装置１１０に送信され、端末装置通信モジュール１１２を介して、雑音抑圧モジュール１１８に入力される（Ｓ７０１）。このとき、音声データとともに、発話音声が取得された際の環境情報が、車載端末１０２から音声データ中継装置１１０に送信される。雑音抑圧モジュール１１８は、雑音抑圧用パラメータ記憶部１２０に記憶された雑音抑圧用パラメータの値を参照し（Ｓ７０２）、音声データに対して雑音抑圧処理を行う。
【００４３】
雑音抑圧処理後の音声データは、サーバ通信モジュール１１４に出力される（Ｓ７０３）。サーバ通信モジュール１１４は、音声データを音声認識サーバ１０４に送信し、送信した音声データに対応する認識結果を受信する。サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ７０４）。認識結果統合モジュール１２２は、結果統合用パラメータ記憶部１２４に記憶された結果統合用パラメータの値を参照し（Ｓ７０５）、認識結果を再評価（統合）する。認識結果統合モジュール１２２によって再評価（統合）された認識結果は、最終的な認識結果として、車載端末１０２に送信される（Ｓ７０６）。
【００４４】
図７に示したように、音声データ中継装置１１０は、車載端末１０２において音声認識機能が使用された場合、受信した音声データに雑音抑圧処理を施して音声認識サーバ１０４に送信し、音声認識サーバ１０４から受信した認識結果の結果統合処理を行い、最も確からしい認識結果を最終的な認識結果として車載端末１０２に送信する。
【００４５】
（音声データ中継装置１１０による音声認識サーバ１０４の音声認識性能の評価処理）
次に、音声データ中継装置１１０における音声認識サーバ１０４の音声認識性能の評価処理について、図８を用いて説明する（適宜、図１，６参照）。音声データ中継装置１１０は、自身の記憶している評価用音声データを用いて、所定の周期で音声認識サーバ１０４の音声認識性能を評価し、その評価結果に基づいて、雑音抑圧処理や結果統合処理のパラメータを適切な値に最適化する（更新する）。この理由は、音声認識サーバ１０４の音声認識性能が時々刻々と変化するため、同一のパラメータを使用し続けると、音声認識サーバ１０４の音声認識機能に対してパラメータが適合しなくなり、音声認識性能の低下を招くリスクが大きくなるためである。
【００４６】
例えば、予め設定されたタイムスケジュール（所定の周期）に従って音声データ中継装置１１０の処理部１５０のサーバ評価機能（不図示）が起動し、発話内容既知雑音環境音声データベース１１６から雑音抑圧モジュール１１８に対して、評価用音声データが出力される（Ｓ８０１）。
【００４７】
雑音抑圧モジュール１１８は、入力された評価用音声データに対し、雑音抑圧用パラメータ記憶部１２０から雑音抑圧用パラメータの値を取得し（Ｓ８０２）、雑音抑圧処理を行う。最も単純な例では、雑音抑圧モジュール１１８は、単一の雑音抑圧用パラメータを用いて雑音抑圧処理を行って、１種類だけの音声データを出力する。より複雑な例では、雑音抑圧モジュール１１８は、複数の雑音抑圧用パラメータを順次適用して雑音抑圧処理を行い、複数種類の評価用音声データを出力する。
【００４８】
前記したいずれの場合においても、雑音抑圧モジュール１１８において雑音抑圧処理された評価用音声データは、サーバ通信モジュール１１４に出力される（Ｓ８０３）。サーバ通信モジュール１１４は、受信した評価用音声データを音声認識サーバ１０４に送信し、その結果として認識結果を受信する。認識結果は、認識結果履歴データベース１３０に記憶されるとともに（Ｓ８０４）、履歴管理モジュール１２８に出力される（Ｓ８０５）。なお、ステップＳ８０４は行わず、履歴管理モジュール１２８を介して、認識結果履歴データベース１３０に記憶するようにしても構わない。
【００４９】
履歴管理モジュール１２８は、取得した認識結果を、認識結果履歴データベース１３０を参照して、同一の評価用音声データに対する過去の認識結果の履歴と照合し（Ｓ８０６）、音声認識サーバ１０４の音声認識性能に変化があるかどうかを判定する。音声認識サーバ１０４の音声認識性能に変化があると判定した場合は、履歴管理モジュール１２８は、パラメータ変更モジュール１２６を起動する（Ｓ８０７）。次に、パラメータ変更モジュール１２６は、音声認識サーバ１０４の内部状況に適した雑音抑圧用パラメータ値の推定を行う。こうして得られたパラメータ値は、雑音抑圧用パラメータ記憶部１２０の雑音抑圧用パラメータフィールド３０４に記憶され（Ｓ８０８）、雑音抑圧モジュール１１８の次の雑音抑圧処理で用いられる。
【００５０】
次に、結果統合用パラメータ記憶部１２４の結果統合用パラメータを変更する処理の概要について、図９を用いて説明する。図９において、図８に示した構成と異なる点は、さらに認識結果統合モジュール１２２および結果統合用パラメータ記憶部１２４を備えていることである。
【００５１】
図９中、Ｓ８０１〜Ｓ８０８の処理については、図８と同様であるので、説明を省略する。図９において、サーバ通信モジュール１１４は、雑音抑圧処理後の評価用音声データを音声認識サーバ１０４（図１参照）に送信し、その結果として認識結果を受信する。なお、結果統合用パラメータの変更処理は、複数の認識結果を用いて行われる。
【００５２】
図９に示すように、サーバ通信モジュール１１４に受信された複数の認識結果は、認識結果履歴データベース１３０や履歴管理モジュール１２８に出力される（Ｓ８０４，Ｓ８０５）のみならず、認識結果統合モジュール１２２にも出力される（Ｓ９０１）。認識結果統合モジュール１２２は、結果統合用パラメータ記憶部１２４に記憶された結果統合用パラメータの値を参照し（Ｓ９０２）、認識結果を統合し、最も確からしい認識結果を推定する。ここで用いられる結果統合用パラメータの値は、履歴管理モジュール１２８によって、音声認識サーバ１０４の内部状況に変化があったことが検知されると、パラメータ変更モジュール１２６によって、音声認識サーバ１０４の内部状況に適した値に最適化される（更新される）（Ｓ９０３）。
【００５３】
（複数の音声データの生成方法）
ここで、複数の認識結果を得るための、３つの形態について説明する。第１形態では、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の認識結果音声データを生成し、その複数の認識結果音声データに対する認識結果を単独の音声認識サーバ１０４から受信する。第２形態では、複数の音声認識サーバ１０４に対して同一の認識結果音声データを送信し、それぞれの音声認識サーバ１０４から認識結果を受信する。第３形態では、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の認識結果音声データを生成し、その複数の認識結果音声データに対する認識結果を複数の音声認識サーバ１０４から受信する。なお、第１〜第３形態における処理については、後記する（図１０〜図１２参照）。第１〜第３形態における処理の詳細について、図１０〜図１２を用いて説明する。
【００５４】
図１０は、第１形態の場合を示しており、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の音声データ（評価用音声データの場合も含む）を生成し、その複数の音声データに対する認識結果を単独の音声認識サーバ１０４から受信する場合の処理を示している。図１０に示すように、雑音抑圧モジュール１１８に１つの音声データが入力されると（Ｓ１００１）、雑音抑圧モジュール１１８は、入力された音声データに対し、Ｎ種類の異なる雑音抑圧用パラメータの値を適用して雑音抑圧処理を行い、それぞれのパラメータの値に対応した複数（Ｎ種類）の音声データを出力する（Ｓ１００２）。これらのＮ種類の音声データは、サーバ通信モジュール１１４を介して、単一の音声認識サーバ１０４に送信される（Ｓ１００３）。
【００５５】
音声認識サーバ１０４は、それぞれの音声データに対応するＮ種類の認識結果を、サーバ通信モジュール１１４に対して返信する（Ｓ１００４）。サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ１００５）。認識結果統合モジュール１２２は、これらの認識結果を統合処理し、最終的な認識結果として出力する（Ｓ１００６）。なお、音声認識サーバ１０４から得られたＮ種類の認識結果は、常に異なっているわけではなく、例えば、大半のデータに対して正しい認識結果が得られる等、同じ認識結果が多数含まれている場合も多い。
【００５６】
次に、図１１は、第２形態の場合を示しており、複数の音声認識サーバ１０４に対して同一の音声データ（評価用音声データの場合も含む）を送信し、それぞれの音声認識サーバ１０４から認識結果を受信する場合の処理を示している。図１１に示すように、雑音抑圧モジュール１１８に１つの音声データが入力されると（Ｓ１１０１）、雑音抑圧モジュール１１８は、入力された音声データに対し、１種類の雑音抑圧用パラメータを適用して雑音抑圧処理を行い、１種類の音声データを出力する（Ｓ１１０２）。
【００５７】
サーバ通信モジュール１１４は、この１種類の音声データを、独立した複数（Ｍ個）の音声認識サーバ１０４に送信する（Ｓ１１０３）。それぞれの音声認識サーバ１０４は、音声データに対応する認識結果を、サーバ通信モジュール１１４に対して返信する（Ｓ１１０４）。それぞれの音声認識サーバ１０４は、それぞれ独自のアルゴリズムやモデルに基づいて音声認識を行うため、Ｍ種類の認識結果を返信する。
【００５８】
サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ１１０５）。認識結果統合モジュール１２２は、これらの認識結果を統合処理し、最終的な認識結果として出力する（Ｓ１１０６）。
【００５９】
図１２は、第３形態の場合を示しており、複数の雑音抑圧用パラメータを用いて雑音抑圧モジュール１１８において複数の音声データ（評価用音声データの場合も含む）を生成し、その複数の音声データに対する認識結果を複数の音声認識サーバ１０４から受信する場合の処理を示している。図１２に示すように、雑音抑圧モジュール１１８に１つの音声データが入力されると（Ｓ１２０１）、雑音抑圧モジュール１１８は、入力された音声データに対し、複数（Ｎ種類）の雑音抑圧用パラメータを適用して雑音抑圧処理を行い、Ｎ種類の音声データを出力する（Ｓ１２０２）。
【００６０】
サーバ通信モジュール１１４は、このＮ種類の音声データすべてを、それぞれ独立した複数（Ｍ個）の音声認識サーバ１０４に送信する（Ｓ１２０３）。それぞれの音声認識サーバ１０４は、Ｎ個の音声データに対応する認識結果を、サーバ通信モジュール１１４に対して返信する（Ｓ１２０４）。すなわち、サーバ通信モジュール１１４には、Ｎ×Ｍ種類の認識結果が返信される。
【００６１】
サーバ通信モジュール１１４で受信された認識結果は、認識結果統合モジュール１２２に出力される（Ｓ１２０５）。認識結果統合モジュール１２２は、これらの認識結果を統合処理し、最終的な認識結果として出力する（Ｓ１２０６）。なお、前記の説明では、それぞれの音声認識サーバ１０４に送信する音声データの数はすべてＮ個としたが、この数は必ずしも一定である必要はなく、例えば、ある音声認識サーバにはＮ個中５個、別の音声認識サーバにはＮ個中３個・・というように、異なる数の音声データを送っても良い。
【００６２】
（評価用音声データの生成方法）
次に、発話内容既知雑音環境音声データベース１１６に記憶されている評価用音声データの生成方法について、図１３を用いて説明する（適宜、図１，６参照）。発話内容既知雑音環境音声データベース１１６のデータは、発話内容既知静音環境音声データベース９０２、機種別環境別雑音データベース９０８、機種別伝達特性データベース９１０、機種別環境別発話内容未知音声データベース９１２に記憶されたデータを用いて生成される。発話内容既知雑音環境音声データベース１１６のデータは、本実施の形態では、音声データ中継装置１１０の処理部１５０の音声データ生成手段（不図示）において生成されるものとして説明するが、車内に設置された他の専用の装置（不図示）において生成されても構わない。
【００６３】
発話内容既知静音環境音声データベース９０２には、予め雑音のない環境で録音した、様々な話者による様々な言葉の音声データが、発話内容を特定するラベルとともに記憶されている。機種別環境別雑音データベース９０８には、車載端末１０２（図１参照）の機種や車両の走行条件等の環境ごとに区分けされた雑音データが記憶されている。この雑音データは、車載端末１０２を介して取得されたものである。車載端末１０２は、恒常的に雑音データを蓄積しており、その蓄積した雑音データを適宜音声データ中継装置１１０に送信する。音声データ中継装置１１０は、受信した雑音データを機種別環境別雑音データベース９０８に追加していく。
【００６４】
機種別伝達特性データベース９１０は、車載端末１０２の機種ごとに、ユーザ２４０の口からマイク２１２を経て取り込まれる音声信号の伝達特性のデータを記憶している。
機種別環境別発話内容未知音声データベース９１２は、車載端末１０２の機種や環境ごとに区分けされた、ユーザによって発話された音声データ、すなわち、発話内容が未知の音声データを記憶している。この発話内容が未知の音声データは、車載端末１０２を介して取得されたものである。車載端末１０２は、恒常的に発話内容が未知の音声データを蓄積しており、その蓄積した音声データを適宜音声データ中継装置１１０に送信する。音声データ中継装置１１０は、ユーザ２４０によって発話された発話内容が未知の音声データを、機種別環境別発話内容未知音声データベース９１２に対しても、機種別環境別雑音データベース９０８と同様に、随時追加していく。なお、機種別環境別発話内容未知音声データベース９１２に追加される音声データは、発話内容が未知であるため、発話内容を特定するラベルは付与されない。
【００６５】
雑音付加モジュール９０４は、発話内容既知静音環境音声データベース９０２に記憶された音声データに対し、機種別環境別雑音データベース９０８から取得した雑音データの付加処理と、機種別伝達特性データベース９１０から取得した伝達特性データの畳み込み処理（音声データを伝達特性でフィルタリングする処理）とを行う。ただし、後者の伝達特性データの畳み込み処理については割愛することも可能である。前者の雑音付加処理は、音声データもしくは雑音データに一定のゲイン値を乗算して、波形の振幅同士を加算することにより、信号対雑音比の値を調整して行う。
【００６６】
信号対雑音比の値としてどのようなものを用いるのが良いかについては、機種別環境別発話内容未知音声データベース９１２に記憶された音声データの平均パワーを参照することにより推定することができる。すなわち、機種別環境別発話内容未知音声データベース９１２の音声データは、発話内容が未知であっても、所与の環境においてユーザがどれくらいの声の大きさで話すかということを推定するために利用することができる。そこで、音声データ中継装置１１０は、機種別環境別発話内容未知音声データベース９１２に含まれる一定量の音声データの平均パワーに合致するように、発話内容既知静音環境音声データベース９０２の音声データのゲインを調整することによって、所望の信号対雑音比を持った音声データを作成することができる。
【００６７】
次に、機種別環境別雑音データベース９０８および機種別環境別発話内容未知音声データベース９１２にデータを追加していくための、車載端末１０２の処理フローについて、図１４を用いて説明する（適宜、図６，１３参照）。なお、図１４に示す処理は、車載端末メイン処理モジュール２２４のデータ追加手段（不図示）が起動している間、継続して行われる。
【００６８】
図１４において、車載端末１０２は、まず、マイク２１２を介して周囲の環境情報を取得する（ステップＳ１４０１）。環境情報とは、例えば、車速、オーディオ状態、ワイパー状態等、音声認識に多少なりとも影響を及ぼす可能性があると考えられる、車両や周辺機器の動作状況等の情報である。次に、車載端末１０２は、ユーザによる発話があるか否かを判断する（ステップＳ１４０２）。
【００６９】
ユーザによる発話がないと判定した場合（ステップＳ１４０２：Ｎｏ）、車載端末１０２は、マイク２１２でひろった音を、環境音データとして録音する（ステップＳ１４０３）。次に、車載端末１０２は、録音した環境音データが一定量に達した（集まった）か否かを判定する（ステップＳ１４０４）。環境音データが一定量に達した（集まった）と判定した場合（ステップＳ１４０４：Ｙｅｓ）、車載端末１０２は、環境音データに、環境情報と車載端末１０２の機種を識別するＩＤとを付与して、音声データ中継装置１１０に送信する（ステップＳ１４０５）。そして、本フローチャートによる処理は終了する。音声データ中継装置１１０に送信された環境音データは、機種別環境別雑音データベース９０８（図１３参照）に雑音データとして記憶される。また、環境音データが一定量に達しなかった（集まらなかった）と判定した場合（ステップＳ１４０４：Ｎｏ）、車載端末１０２は、ステップＳ１４０５の処理をスキップして、処理を終了する。このように、ステップＳ１４０５をスキップする理由は、同じ環境情報が所定の時間継続していない場合には、環境音データとして採用しないためである。なお、車載端末１０２は、ステップＳ１４０３において録音を開始する前に、前回録音した環境音データを消去する。または、車載端末１０２は、処理を終了した後に、ステップＳ１４０４において前回録音した環境音データを消去しても良い。
【００７０】
一方、ステップＳ１４０２において、ユーザによる発話があると判断した場合（ステップＳ１４０２：Ｙｅｓ）、車載端末１０２は、マイク２１２を介してひろった音を音声データとして録音する（ステップＳ１４０６）。次に、車載端末１０２は、録音した音声データが一定量に達した（集まった）か否かを判定する（ステップＳ１４０７）。音声データが一定量に達した（集まった）と判定した場合（ステップＳ１４０７：Ｙｅｓ）、車載端末１０２は、音声データに、環境情報と車載端末１０２の機種を識別するＩＤとを付与して、音声データ中継装置１１０に送信する（ステップＳ１４０８）。そして、本フローチャートによる処理は終了する。音声データ中継装置１１０に送信された音声データは、機種別環境別発話内容未知音声データベース９１２（図１３参照）に音声データとして記憶される。また、音声データが一定量に達しなかった（集まらなかった）と判定した場合（ステップＳ１４０７：Ｎｏ）、車載端末１０２は、ステップＳ１４０８の処理をスキップして、処理を終了する。このように、ステップＳ１４０８をスキップする理由は、同じ環境情報が所定の時間継続していない場合には、音声データとして採用しないためである。なお、車載端末１０２は、ステップＳ１４０６において録音を開始する前に、前回録音した環境音データを消去する。または、車載端末１０２は、処理を終了した後に、ステップＳ１４０７において前回録音した環境音データを消去しても良い。
【００７１】
次に、音声データ中継装置１１０による音声認識サーバ１０４の評価処理の詳細な手順について、図１５を用いて説明する。図１５のフローチャートにおいて、変数ｃは音声認識サーバ１０４の内部状況に変化を発見したか否かを示すものであり、変数ｋは音声認識サーバ１０４を識別するものである。
まず、音声データ中継装置１１０は、変数ｃに初期値として、音声認識サーバ１０４の内部状況に変化を発見しないことを示すｆａｌｓｅを設定する（ステップＳ１５０１）。
【００７２】
次に、音声データ中継装置１１０は、変数ｋに初期値として０を設定する（ステップＳ１５０２）。音声データ中継装置１１０は、発話内容既知雑音環境音声データベース１１６（図１参照）から取得した評価用音声データを、雑音抑圧モジュール１１８において雑音抑圧処理した後、ｋ番目の音声認識サーバ１０４に送信し、それに対する認識結果を受信する（ステップＳ１５０３）。
【００７３】
音声データ中継装置１１０は、ステップＳ１５０３で受信した認識結果が、同じｋ番目の音声認識サーバ１０４から過去に得られた認識結果（履歴）と一致するか否かを判定する（ステップＳ１５０４）。なお、音声認識サーバ１０４が認識結果として返す内容は、様々な形式を取る可能性があり、それらに応じて、照合の仕方を様々に設定することが可能である。例えば、認識結果としてただ一つの単語や文章を返す場合には、その単語や文章が、履歴として保持されるものと完全一致するかどうかを見るのが一般的である。ただし、この場合であっても、例えば、文章中に１単語だけ差異が生じても一致すると見なすといった方式であっても良い。また、認識結果の候補として複数の単語を返すような方式の場合には、１位単語（図４参照）の一致度だけをチェックする、上位Ｎ位までの一致度をチェックする、全候補の一致度をチェックする等のバリエーションが存在する。また、認識結果の単語や文章の他に、認識結果の認識スコア（図４参照）を返す場合には、その認識スコアが完全一致するかどうか、あるいは認識スコアの差が予め設定した許容度の範囲内であるかどうかというチェック方法もある。
【００７４】
ステップＳ１５０３で受信した認識結果と、履歴とが一致しないと判定した場合（ステップＳ１５０４：Ｎｏ）、音声データ中継装置１１０は、変化が見つかったとして、変数ｃの値をｔｒｕｅとした上で（ステップＳ１５０５）、雑音抑圧用パラメータを最適化して（ステップＳ１５０６）、ステップＳ１５０７の処理に移行する。雑音抑圧用パラメータの最適化処理の詳細については後記する（図１６参照）。
【００７５】
また、ステップＳ１５０３で受信した認識結果と、履歴とが一致すると判定した場合（ステップＳ１５０４：Ｙｅｓ）、音声認識サーバ１０４の内部状況に変化がないものとして、処理はステップＳ１５０７へ進む。音声データ中継装置１１０は、変数ｋをｋ＋１として（ステップＳ１５０７）、変数ｋの値がＭに一致するか否かを判定する（ステップＳ１５０８）。ただし、Ｍは、音声認識処理に用いる音声認識サーバ１０４の台数である。変数ｋの値がＭに一致していないと判定した場合（ステップＳ１５０８：Ｎｏ）、処理はステップＳ１５０３に戻る。すなわち、処理は、次の音声認識サーバ１０４に対して実行される。
【００７６】
そして、変数ｋがＭと一致すると判定した場合（ステップＳ１５０８：Ｙｅｓ）、音声データ中継装置１１０は、変数ｃの値がｔｒｕｅか否かを判定する（ステップＳ１５０９）。変数ｃの値がｔｒｕｅである場合（ステップＳ１５０９：Ｙｅｓ）、音声データ中継装置１１０は、音声認識サーバ１０４の内部状況に変化があったとして、結果統合用パラメータを最適化する（ステップＳ１５１０）。そして、音声データ中継装置１１０は、一定時間スリープ後（ステップＳ１５１１）、再びステップＳ１５０１以降の処理を行う。また、変数ｃの値がｔｒｕｅでないと判定した場合（ステップＳ１５０９：Ｎｏ）、処理はステップＳ１５１１へ進む。
【００７７】
なお、図１５に示した処理は、図１１に示したような単一の評価用音声データを複数の音声認識サーバ１０４に送信することを前提とした処理の場合であるが、図１０や図１２に示したように、雑音抑圧モジュール１１８が複数の評価用音声データを出力する場合であっても、同様のフローで処理可能である。また、図１５に示した処理は、単一の雑音抑圧用パラメータを用いて雑音抑圧処理された評価用音声データと単一の音声認識サーバ１０４との組み合わせの場合であっても、結果統合用パラメータの最適化（ステップＳ１５１０参照）が不要になることを除き、同様のフローで処理可能である。
【００７８】
図１６は、雑音抑圧用パラメータの最適化処理の一例を示したフローチャートである（適宜、図１参照）。図１６では、雑音抑圧用パラメータλの候補として、λ［０］からλ［Ｎ−１］までのＮ個の値が用意されているものとする。なお、変数ｋは、雑音抑圧用パラメータλ［ｋ］を識別するものである。
【００７９】
まず、処理部１５０のサーバ評価手段（不図示）は、変数ｋに初期値として０を設定する（ステップＳ１６０１）。処理部１５０のサーバ評価手段は、ｋ番目の雑音抑圧用パラメータλ［ｋ］をλに設定する（ステップＳ１６０２）。雑音抑圧モジュール１１８は、ステップＳ１６０２において設定された雑音抑圧用パラメータλを用いて、評価用音声データに対して雑音抑圧処理を行う（ステップＳ１６０３）。このとき、１つの評価用音声データのみでは音声認識サーバ１０４の音声認識性能を十分に評価することができないので、多数の評価用音声データに対しても同様の処理を行い、音声認識サーバ１０４の音声認識性能を評価する。音声認識性能は、例えば、正しく音声認識できた数を音声認識処理を実行した数で除算した値を示す認識率で表す。
【００８０】
雑音抑圧モジュール１１８は、ステップＳ１６０３で処理した評価用音声データを音声認識サーバ１０４に送信し、履歴管理モジュール１２８が、それに対する認識結果を受信する（ステップＳ１６０４）。次に、処理部１５０のサーバ評価手段は、変数ｋにｋ＋１を設定して（ステップＳ１６０５）、変数ｋの値がＮに等しいか否かを判断する（ステップＳ１６０６）。変数ｋの値がＮに等しくないと判定した場合（ステップＳ１６０６：Ｎｏ）、処理はステップＳ１６０２へ戻る。ｋの値がＮに等しいと判定した場合（ステップＳ１６０６：Ｙｅｓ）、処理はステップＳ１６０７へ進む。
【００８１】
ステップＳ１６０７では、パラメータ変更モジュール１２６は、Ｎ個のパラメータ候補中で、最も高い認識率をもたらした雑音抑圧用パラメータλ［ｋ０］の値を最適なパラメータとして選択する。そして、パラメータ変更モジュール１２６は、新たに用いる雑音抑圧用パラメータλとしてλ［ｋ０］を雑音抑圧用パラメータ記憶部１２８（図１参照）に記憶して（ステップＳ１６０８）、本フローチャートによる処理を終了する。
【００８２】
（変形例）
なお、前記の説明では、図１に示すように車載端末１０２と音声認識サーバ１０４との間に音声データ中継装置１１０を独立して設けるようにしたが、変形例として、車載端末１０２の内部に、音声データ中継装置１１０の構成を備えるようにしても良い。
【００８３】
図１７は、変形例の構成例を、図１，６で示したものと同じ構成ブロックには同じ符号を付して示している。図１７において、車載端末１７１０は、マイク２１２、ユーザインタフェースモジュール１７１２、描画装置２１８、サーバ通信モジュール１１４、発話内容既知雑音環境音声データベース１１６、雑音抑圧モジュール１１８、雑音抑圧用パラメータ記憶部１２０、認識結果統合モジュール１２２、結果統合用パラメータ記憶部１２４、パラメータ変更モジュール１２６、履歴管理モジュール１２８、認識結果履歴データベース１３０によって構成される。
【００８４】
図１７のような構成とした場合、ユーザ２４０の発話音声は、マイク２１２からユーザインタフェースモジュール１７１２を経て、雑音抑圧モジュール１１８に取り込まれる。また、認識結果統合モジュール１２２が出力する最終的な認識結果も、通信回線を経由することなく、ユーザインタフェースモジュール１７１２を経て描画装置２１８またはスピーカ（不図示）に送られる。このような実装形態であっても、各モジュールの動作原理そのものは、図１から図１６で説明した場合と同様である。すなわち、図１７に示す車載装置１７１０のような構成によっても、図１に示した音声データ中継装置１１０と同様の効果を得ることができる。
【００８５】
以上説明したように、本実施の形態に係る音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継するにあたって、音声認識サーバ１０４の音声認識性能の変化を調べるために、評価用音声データを雑音抑圧モジュール１１８において雑音抑圧処理した後、音声認識サーバ１０４に送信し、認識結果を受信する。そして、音声データ中継装置１１０は、音声認識サーバ１０４の認識結果に基づいて、雑音抑圧処理に用いる雑音抑圧用パラメータや音声認識サーバ１０４から得られた複数の認識結果の統合処理に用いる結果統合用パラメータの値を最適な値に設定する。これにより、音声認識サーバ１０４の音声認識性能が変化する場合においても、適切なパラメータを設定することができる。これにより、音声認識サーバ１０４の音声認識性能が変化する場合においても、適切なパラメータを設定することができる。
【００８６】
つまり、音声データ中継装置１１０は、車載端末１０２と音声認識サーバ１０４との間を中継することによって、車載端末１０２と音声認識サーバ１０４との間で直接音声認識を行うよりも、安定した品質の音声認識サービスを提供することができる。また、変形例として示した車載端末１７１０は、音声データ中継装置１０の機能を備えているので、音声データ中継装置１１０と同様の効果を得ることができる。
【００８７】
なお、本実施の形態および変形例では、雑音抑圧モジュール１１８の機能として、雑音抑圧処理の場合で説明したが、音声データの情報量を圧縮する処理（加工処理）を併用しても構わない。
また、本実施の形態では、音声データ中継装置１１０に焦点を当てて説明してきたが、車載端末１０２と音声データ中継装置１１０と音声認識サーバ１０４とを一体の装置（音声認識システム）として構成しても構わない。
【符号の説明】
【００８８】
１０２，１７１０ 車載端末（端末装置）
１０４ 音声認識サーバ
１１０ 音声データ中継装置
１１２ 端末装置通信モジュール（端末通信部）
１１４ サーバ通信モジュール（サーバ通信部）
１１６ 発話内容既知雑音環境音声データベース
１１８ 雑音抑圧モジュール（データ処理部）
１２０ 雑音抑圧用パラメータ記憶部
１２２ 認識結果統合モジュール（認識結果統合部）
１２４ 結果統合用パラメータ記憶部
１２６ パラメータ変更モジュール（パラメータ変更部）
１２８ 履歴管理モジュール（履歴管理部）
１３０ 認識結果履歴データベース
１５０，１５０ａ 処理部
１６０ 記憶部
２１２ マイク
２１８ 描画装置
【特許請求の範囲】
【請求項１】
ユーザが発話中の音を録音して発話音声を音声データとして送信するとともに、送信したその音声データの認識結果を受信して前記ユーザに出力する端末装置と、前記端末装置からの音声データを受信して、その音声データを認識してその認識結果を送信する音声認識サーバと、の間を接続する音声データ中継装置であって、
前記音声データに対して加工処理を行うときに用いる第１のパラメータの値と、前記音声認識サーバの音声認識性能を評価するために用いる評価用音声データとが記憶される記憶部と、
前記評価用音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第１の音声データを生成し、前記端末装置から受信した音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第２の音声データを生成するデータ処理部と、
前記第１の音声データを前記音声認識サーバに送信して前記音声認識サーバから第１の認識結果を受信し、前記第２の音声データを前記音声認識サーバに送信して前記音声認識サーバから第２の認識結果を受信するサーバ通信部と、
前記第２の音声データに対する前記第２の認識結果を前記端末装置に送信する端末通信部と、
受信した前記第１の音声データに対する認識結果に基づいて、前記記憶部に記憶されている前記第１のパラメータの値を更新するパラメータ変更部と、
を備えることを特徴とする音声データ中継装置。
【請求項２】
前記記憶部は、さらに過去に前記音声認識サーバに送信した前記第１の音声データおよび前記認識結果を関連付けた履歴情報が記憶され、
前記パラメータ変更部は、前記履歴情報を参照して、前記サーバ通信部が受信した前記第１の音声データに対する認識結果との比較を行って、前記受信した認識結果と前記過去の認識結果とが相違する場合、前記パラメータの値を更新する
ことを特徴とする請求項１に記載の音声データ中継装置。
【請求項３】
雑音のない状態において録音された予め発話内容が既知の音声データに対して、雑音を録音した雑音データを付加する付加処理、または前記端末装置と前記ユーザの口との間の伝達特性でフィルタリングする畳み込み処理と前記付加処理との双方、を実行して前記評価用音声データを生成する処理部
を備えることを特徴とする請求項２記載の音声データ中継装置。
【請求項４】
前記処理部は、前記付加処理において、前記端末装置によって録音された前記発話中の音のうち、音声の無い区間の音を前記雑音データとして取得し、前記雑音データのゲインを調整しつつ信号対雑音比の異なる前記評価用音声データを生成する
ことを特徴とする請求項３記載の音声データ中継装置。
【請求項５】
前記処理部は、前記付加処理において、前記端末装置によって録音された前記発話中の音のうち、音声区間の音を取得し、その音のパワーに基づいて、前記評価用音声データの音声データのゲインを調整する
ことを特徴とする請求項４記載の音声データ中継装置。
【請求項６】
複数の前記音声認識サーバと接続し、
前記記憶部は、さらに、前記複数の音声認識サーバから受信した複数の認識結果を１つの認識結果に統合する処理を行うときに用いる第２のパラメータの値が記憶され、
前記複数の音声認識サーバから受信した複数の認識結果を前記第２のパラメータの値を用いて１つの認識結果を生成する認識結果統合部を備え、
前記端末通信部は、前記認識結果統合部が生成した認識結果を、前記端末装置に送信する
ことを特徴とする請求項１に記載の音声データ中継装置。
【請求項７】
複数の前記音声認識サーバと接続し、
前記記憶部は、さらに、前記複数の音声認識サーバから受信した複数の認識結果を１つの認識結果に統合する処理を行うときに用いる第２のパラメータの値が記憶され、
前記複数の音声認識サーバから受信した複数の認識結果を前記第２のパラメータの値を用いて１つの認識結果を生成する認識結果統合部を備え、
前記パラメータ変更部は、少なくとも１つの前記音声認識サーバから受信した前記認識結果が前記履歴情報の過去の認識結果と異なる場合、前記第２のパラメータの値を更新し、
前記端末通信部は、前記認識結果統合部が生成した認識結果を、前記端末装置に送信する
ことを特徴とする請求項２に記載の音声データ中継装置。
【請求項８】
請求項１ないし請求項７のいずれか一項に記載の音声データ中継装置を備え、ユーザが発話中の音を録音して発話音声を音声データとして出力するとともに、その音声データの認識結果を前記ユーザに出力する手段
を備えることを特徴とする端末装置。
【請求項９】
ユーザが発話中の音を録音して発話音声を音声データとして送信するとともに、送信したその音声データの認識結果を受信して前記ユーザに出力する端末装置と、前記端末装置からの音声データを受信して、その音声データを認識してその認識結果を送信する音声認識サーバと、の間を接続する音声データ中継装置の音声データ中継方法であって、
前記音声データ中継装置は、
前記音声データに対して加工処理を行うときに用いる第１のパラメータの値と、前記音声認識サーバの音声認識性能を評価するために用いる評価用音声データとが記憶される記憶部を備え、
前記評価用音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第１の音声データを生成し、前記端末装置から受信した前記音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第２の音声データを生成するデータ処理ステップと、
前記第１の音声データを前記音声認識サーバに送信して前記音声認識サーバから第１の認識結果を受信し、前記第２の音声データを前記音声認識サーバに送信して前記音声認識サーバから第２の認識結果を受信するサーバ通信ステップと、
前記第２の音声データに対する前記第２の認識結果を前記端末装置に送信する端末通信ステップと、
受信した前記第１の音声データに対する認識結果に基づいて、前記記憶部に記憶されている前記第１のパラメータの値を更新するパラメータ変更ステップと、
を実行することを特徴とする音声データ中継方法。
【請求項１０】
ユーザが発話中の音を録音して発話音声を音声データとして送信するとともに、送信したその音声データの認識結果を受信して前記ユーザに出力する端末装置と、
前記端末装置からの音声データを受信して、その音声データを認識してその認識結果を送信する音声認識サーバと、
請求項６または請求項７に記載の音声データ中継装置と、
を備え、
前記音声データ中継装置において、
前記データ処理部が、前記端末装置から受信した音声データに対して、複数の異なる前記第１のパラメータの値を用いて加工処理を行って複数の第２の音声データを生成し、
前記サーバ通信部が、前記複数の第２の音声データを前記音声認識サーバに送信して前記音声認識サーバから複数の第２の認識結果を受信し、
前記認識結果統合部が、前記音声認識サーバから受信した複数の認識結果を前記第２のパラメータの値を用いて１つの認識結果を生成し、
前記端末通信部は、前記認識結果統合部が生成した認識結果を、前記端末装置に送信する
ことを特徴とする音声認識システム。
【請求項１】
ユーザが発話中の音を録音して発話音声を音声データとして送信するとともに、送信したその音声データの認識結果を受信して前記ユーザに出力する端末装置と、前記端末装置からの音声データを受信して、その音声データを認識してその認識結果を送信する音声認識サーバと、の間を接続する音声データ中継装置であって、
前記音声データに対して加工処理を行うときに用いる第１のパラメータの値と、前記音声認識サーバの音声認識性能を評価するために用いる評価用音声データとが記憶される記憶部と、
前記評価用音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第１の音声データを生成し、前記端末装置から受信した音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第２の音声データを生成するデータ処理部と、
前記第１の音声データを前記音声認識サーバに送信して前記音声認識サーバから第１の認識結果を受信し、前記第２の音声データを前記音声認識サーバに送信して前記音声認識サーバから第２の認識結果を受信するサーバ通信部と、
前記第２の音声データに対する前記第２の認識結果を前記端末装置に送信する端末通信部と、
受信した前記第１の音声データに対する認識結果に基づいて、前記記憶部に記憶されている前記第１のパラメータの値を更新するパラメータ変更部と、
を備えることを特徴とする音声データ中継装置。
【請求項２】
前記記憶部は、さらに過去に前記音声認識サーバに送信した前記第１の音声データおよび前記認識結果を関連付けた履歴情報が記憶され、
前記パラメータ変更部は、前記履歴情報を参照して、前記サーバ通信部が受信した前記第１の音声データに対する認識結果との比較を行って、前記受信した認識結果と前記過去の認識結果とが相違する場合、前記パラメータの値を更新する
ことを特徴とする請求項１に記載の音声データ中継装置。
【請求項３】
雑音のない状態において録音された予め発話内容が既知の音声データに対して、雑音を録音した雑音データを付加する付加処理、または前記端末装置と前記ユーザの口との間の伝達特性でフィルタリングする畳み込み処理と前記付加処理との双方、を実行して前記評価用音声データを生成する処理部
を備えることを特徴とする請求項２記載の音声データ中継装置。
【請求項４】
前記処理部は、前記付加処理において、前記端末装置によって録音された前記発話中の音のうち、音声の無い区間の音を前記雑音データとして取得し、前記雑音データのゲインを調整しつつ信号対雑音比の異なる前記評価用音声データを生成する
ことを特徴とする請求項３記載の音声データ中継装置。
【請求項５】
前記処理部は、前記付加処理において、前記端末装置によって録音された前記発話中の音のうち、音声区間の音を取得し、その音のパワーに基づいて、前記評価用音声データの音声データのゲインを調整する
ことを特徴とする請求項４記載の音声データ中継装置。
【請求項６】
複数の前記音声認識サーバと接続し、
前記記憶部は、さらに、前記複数の音声認識サーバから受信した複数の認識結果を１つの認識結果に統合する処理を行うときに用いる第２のパラメータの値が記憶され、
前記複数の音声認識サーバから受信した複数の認識結果を前記第２のパラメータの値を用いて１つの認識結果を生成する認識結果統合部を備え、
前記端末通信部は、前記認識結果統合部が生成した認識結果を、前記端末装置に送信する
ことを特徴とする請求項１に記載の音声データ中継装置。
【請求項７】
複数の前記音声認識サーバと接続し、
前記記憶部は、さらに、前記複数の音声認識サーバから受信した複数の認識結果を１つの認識結果に統合する処理を行うときに用いる第２のパラメータの値が記憶され、
前記複数の音声認識サーバから受信した複数の認識結果を前記第２のパラメータの値を用いて１つの認識結果を生成する認識結果統合部を備え、
前記パラメータ変更部は、少なくとも１つの前記音声認識サーバから受信した前記認識結果が前記履歴情報の過去の認識結果と異なる場合、前記第２のパラメータの値を更新し、
前記端末通信部は、前記認識結果統合部が生成した認識結果を、前記端末装置に送信する
ことを特徴とする請求項２に記載の音声データ中継装置。
【請求項８】
請求項１ないし請求項７のいずれか一項に記載の音声データ中継装置を備え、ユーザが発話中の音を録音して発話音声を音声データとして出力するとともに、その音声データの認識結果を前記ユーザに出力する手段
を備えることを特徴とする端末装置。
【請求項９】
ユーザが発話中の音を録音して発話音声を音声データとして送信するとともに、送信したその音声データの認識結果を受信して前記ユーザに出力する端末装置と、前記端末装置からの音声データを受信して、その音声データを認識してその認識結果を送信する音声認識サーバと、の間を接続する音声データ中継装置の音声データ中継方法であって、
前記音声データ中継装置は、
前記音声データに対して加工処理を行うときに用いる第１のパラメータの値と、前記音声認識サーバの音声認識性能を評価するために用いる評価用音声データとが記憶される記憶部を備え、
前記評価用音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第１の音声データを生成し、前記端末装置から受信した前記音声データに対して、前記第１のパラメータの値を用いて加工処理を行って第２の音声データを生成するデータ処理ステップと、
前記第１の音声データを前記音声認識サーバに送信して前記音声認識サーバから第１の認識結果を受信し、前記第２の音声データを前記音声認識サーバに送信して前記音声認識サーバから第２の認識結果を受信するサーバ通信ステップと、
前記第２の音声データに対する前記第２の認識結果を前記端末装置に送信する端末通信ステップと、
受信した前記第１の音声データに対する認識結果に基づいて、前記記憶部に記憶されている前記第１のパラメータの値を更新するパラメータ変更ステップと、
を実行することを特徴とする音声データ中継方法。
【請求項１０】
ユーザが発話中の音を録音して発話音声を音声データとして送信するとともに、送信したその音声データの認識結果を受信して前記ユーザに出力する端末装置と、
前記端末装置からの音声データを受信して、その音声データを認識してその認識結果を送信する音声認識サーバと、
請求項６または請求項７に記載の音声データ中継装置と、
を備え、
前記音声データ中継装置において、
前記データ処理部が、前記端末装置から受信した音声データに対して、複数の異なる前記第１のパラメータの値を用いて加工処理を行って複数の第２の音声データを生成し、
前記サーバ通信部が、前記複数の第２の音声データを前記音声認識サーバに送信して前記音声認識サーバから複数の第２の認識結果を受信し、
前記認識結果統合部が、前記音声認識サーバから受信した複数の認識結果を前記第２のパラメータの値を用いて１つの認識結果を生成し、
前記端末通信部は、前記認識結果統合部が生成した認識結果を、前記端末装置に送信する
ことを特徴とする音声認識システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【公開番号】特開２０１３−７７６４（Ｐ２０１３−７７６４Ａ）
【公開日】平成２５年１月１０日（２０１３．１．１０）
【国際特許分類】
【出願番号】特願２０１１−１３８３１８（Ｐ２０１１−１３８３１８）
【出願日】平成２３年６月２２日（２０１１．６．２２）
【出願人】（０００００１４８７）クラリオン株式会社 (1,722)
【Ｆターム（参考）】
【公開日】平成２５年１月１０日（２０１３．１．１０）
【国際特許分類】
【出願日】平成２３年６月２２日（２０１１．６．２２）
【出願人】（０００００１４８７）クラリオン株式会社 (1,722)
【Ｆターム（参考）】
[ Back to top ]