音声処理装置、及び音声処理方法
【課題】操作負担を軽減する。
【解決手段】実施形態の音声処理装置は、音声変換手段と、発話判定手段と、処理判定手段と、実行手段と、を備える。音声変換手段は、入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する。発話判定手段は、前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する。処理判定手段は、前記発話の様式に基づいて、実行する処理を判定する。実行手段は、前記処理判定手段により判定された処理を、前記文字列情報を用いて実行する。
【解決手段】実施形態の音声処理装置は、音声変換手段と、発話判定手段と、処理判定手段と、実行手段と、を備える。音声変換手段は、入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する。発話判定手段は、前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する。処理判定手段は、前記発話の様式に基づいて、実行する処理を判定する。実行手段は、前記処理判定手段により判定された処理を、前記文字列情報を用いて実行する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明の実施形態は、音声処理装置、及び音声処理方法に関する。
【背景技術】
【０００２】
従来から、ユーザが携帯するモバイル機器等のコンピュータも高性能化する傾向にある。そして、ユーザがコンピュータを快適に利用するためには、インタフェースが重要となる。そこで、近年、コンピュータに様々なセンサを内蔵し、これらセンサの検出結果をユーザの操作等として利用する技術が提案されている。
【０００３】
例えば、コンピュータが、ユーザの音声に対して音声認識処理を施すことで、生成された音声命令に従って処理を行う技術が提案されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特表平１１−５０６８４５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、ユーザが発話する際、発話の様式には様々な種類がある。従来技術において、発話の様式を制限することで音声認識を向上させる等の技術は提案されているが、発話の様式の違いをユーザのインタフェースとして利用することは考慮されていない。
【０００６】
本発明は、上記に鑑みてなされたものであって、ユーザの発話の様式の違いに基づいて実行する処理を異ならせる音声処理装置、及び音声処理方法を提供することを目的とする。
【課題を解決するための手段】
【０００７】
実施形態の音声処理装置は、音声変換手段と、発話判定手段と、処理判定手段と、実行手段と、を備える。音声変換手段は、入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する。発話判定手段は、前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する。処理判定手段は、前記発話の様式に基づいて、実行する処理を判定する。実行手段は、前記処理判定手段により判定された処理を、前記文字列情報を用いて実行する。
を備える音声処理装置
【図面の簡単な説明】
【０００８】
【図１】図１は、実施形態にかかる情報処理装置の外観を模式的に示す図である。
【図２】図２は、実施形態にかかる情報処理装置の構成の一例を示すブロック図である。
【図３】図３は、実施形態にかかる情報処理装置で実行されるプログラムで実現される機能構成を示した図である。
【図４】図４は、実施形態にかかる情報処理装置が、認識された発話の様式が通常の抑揚の場合に行う処理の例を示した図である。
【図５】図５は、実施形態にかかる情報処理装置が認識された発話の様式が抑揚のない場合に行う処理の例を示した図である。
【図６】図６は、実施形態にかかる情報処理装置における全体的な処理の手順を示すフローチャートである。
【発明を実施するための形態】
【０００９】
実施の形態として、音声処理装置を情報処理装置に適用した例について説明する。図１は、本実施形態にかかる情報処理装置の外観を模式的に示す図である。この情報処理装置１００は、表示画面を備えた情報処理装置であり、例えばスレート端末（タブレット端末）や電子書籍リーダ、デジタルフォトフレーム等として実現されている。
【００１０】
情報処理装置１００は、薄い箱状の筐体Ｂを備え、この筐体Ｂの上面に表示部１１１が配置されている。表示部１１１は、ユーザによってタッチされた表示画面上の位置を検知するためのタッチセンサ１１２を備えている。
【００１１】
また、情報処理装置１００は、筐体Ｂの上面に、外部環境の音声を収集するためのマイクロフォン１１３を備えている。このマイクロフォン１１３から入力されたアナログの音声は、内部の処理により音声（オーディオ）信号に変換される。さらには、情報処理装置１００は、筐体Ｂの上面に、各種ボタンスイッチ１１４が配置されている。これらボタンスイッチ１１４を押下することで、様々な操作を行うことができる。
【００１２】
図２は、実施形態にかかる情報処理装置１００の構成の一例を示すブロック図である。図２に示すように、情報処理装置１００は、上述した表示部１１１、タッチセンサ１１２、マイクロフォン１１３、ボタンスイッチ１１４の他、ＣＰＵ２１０（Central Processing Unit）、ＲＯＭ２１１（Read Only Memory）、ＲＡＭ２１２（Random Access Memory）、記憶部２１３、計時部２１４、ジャイロセンサ２１５、通信Ｉ／Ｆ２１６を備える。
【００１３】
ＣＰＵ２１０は、情報処理装置１００の動作を中央制御する。具体的には、ＣＰＵ２１０は、ＲＯＭ２１１や記憶部２１３に記憶された各種プログラムを読み出し、ＲＡＭ２１２の作業領域に展開して順次実行することで、バスラインを介して接続する情報処理装置１００の各部に制御信号を出力する。ＲＯＭ２１１は、各種プログラムや設定データを記憶する。ＲＡＭ２１２は、ＣＰＵ２１０の作業領域を提供する。記憶部２１３は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の大容量記憶装置であり、ＣＰＵ２１０が実行するアプリケーションプログラム、文字、動画像、静止画像、音声などの各種データを読み書き可能に記憶する。計時部２１４は、ＲＴＣ（Real Time Clock）機能およびネットワークを介して時刻の同期を行う機能を有し、時刻の同期および計時を行う。計時部２１４が同期および計時した時刻はＣＰＵ１０に通知される。
【００１４】
ジャイロセンサ２１５（ジャイロスコープ）は、ＭＥＭＳ技術を用いた振動型の角速度センサなどであり、ＸＹＺの３軸方向の情報処理装置１００の姿勢を検出し、検出結果をＣＰＵ２１０へ出力する。通信Ｉ／Ｆ２１６は、ＣＰＵ２１０の制御の下、所定の通信プロトコルに従い、有線又は無線の通信を行うインタフェースである。例えば、通信Ｉ／Ｆ２１６は、ＣＰＵ２１０の制御の下、ルータ等を介した無線ＬＡＮの通信を行う。
【００１５】
ここで、ＣＰＵ２１０が音声処理プログラムを順次実行することで実現する機能構成について説明する。図３は、情報処理装置１００で実行されるプログラムで実現される機能構成を示した図である。図３に示すように、情報処理装置１００は、音声認識部３０１と、発話様式判定部３０２と、動作対象抽出部３０３と、処理判定部３０４と、処理実行部３０５と、入力部３０６と、出力部３０７と、を備える。これら機能構成は、動作対象キーワードリスト記憶部３０８と、対応リスト記憶部３０９と、を用いる。なお、動作対象キーワードリスト記憶部３０８、及び対応リスト記憶部３０９は、図２の記憶部２１３内に設けられている。
【００１６】
音声認識部３０１は、マイクロフォン１１３に入力された音声から、当該音声で発せられた内容を自然言語で示したテキストデータ（文字列情報）に変換する。
【００１７】
発話様式判定部３０２は、マイクロフォン１１３に入力された音声に対して信号処理解析（分析）して、当該音声が発せられた際のユーザの発話の様式を判定する。発話様式判定部３０２は、ユーザの発話の様式として、予め定められた音を基準として、入力された音声が、抑揚の無い声、抑揚の激しい声、高い声、低い声、かすれ声、及びささやき声のうち、いずれであるかを判定する。なお、判定される発話の様式は、１つ又は複数であっても良い。
【００１８】
動作対象キーワードリスト記憶部３０８は、処理実行部３０５で処理の対象として用いられるキーワードを記憶する。キーワードとしては、例えば、記憶部２１３に記憶されている音楽データの曲名や、演奏者の名前等でもよい。
【００１９】
動作対象抽出部３０３は、音声認識部３０１により変換されたテキストデータから、処理実行部３０５で実行される処理の対象となるキーワード（識別情報）を抽出する。このキーワードとしては、例えば、音楽データの曲名や、演奏者の名前等の検索キーワードなどが考えられる。さらには、情報処理装置１００に記憶されているファイル名や、メタデータなどであっても良い。これら検索キーワード、ファイル名、又はメタデータなどのキーワードが、処理実行部３０５による処理の対象として判定される。なお、音声認識部３０１により変換されたテキストデータから、キーワードを抽出する際に、記憶されているファイル名等と同一である必要はなく、所定の基準以上類似しているものであればよい。
【００２０】
また、動作対象抽出部３０３は、変換されたテキストデータから、処理対象として判定されなかった部分、又は処理対象として判定されなかった部分から先頭と末尾の助詞を取り除いたテキストを、処理対象となるキーワードとして抽出しても良い。
【００２１】
対応リスト記憶部３０９は、ユーザの発話の様式と、実行する処理と、を対応付けて記憶する。なお、対応リスト記憶部３０９は、実行する処理と対応付ける対象を、ユーザの発話の様式のみに制限するものではない。例えば、対応リスト記憶部３０９において、動作対象抽出部３０３において抽出された検索キーワードと、実行する処理と、を対応付けても良い。他の例としては、検索キーワードと、ユーザの発話の様式と、実行する処理と、を対応付けても良い。なお、対応リスト記憶部３０９が記憶する対応関係は、情報処理装置１００の出荷時に予め登録したものでも良いし、ユーザが事後的に自由に登録したものでも良い。
【００２２】
処理判定部３０４は、発話様式判定部３０２により判定された発話の様式に基づいて、変換されたテキストデータから抽出された識別情報を利用する処理を判定する。本実施形態にかかる処理判定部３０４は、対応リスト記憶部３０９に記憶された対応関係に基づいて判定する。例えば、処理判定部３０４は、ユーザの発話の様式と、対応リスト記憶部３０９で対応付けられていた処理を、処理実行部３０５で実行される処理として判定する。
【００２３】
また、処理判定部３０４は、発話の様式のみを判定の基準として用いるのではなく、動作対象抽出部３０３により抽出されたキーワードと、対応リスト記憶部３０９で対応付けられている処理を、実行する処理として判定しても良い。
【００２４】
さらに、本実施形態にかかる処理判定部３０４は、発話様式判定部３０２により判定された発話の様式、及び動作対象抽出部３０３により抽出されたキーワードと、対応リスト記憶部３０９で対応付けられている処理を、処理実行部３０５が実行する処理として判定しても良い。
【００２５】
本実施形態にかかる処理判定部３０４は、判定された処理として、当該処理を行うアプリケーションを特定してもよい。この場合、処理実行部３０５が、特定されたアプリケーションの起動制御を行い、当該アプリケーションに対して処理の実行を要求する。
【００２６】
処理実行部３０５は、動作対象抽出部３０３により抽出されたキーワードを用いて、処理判定部３０４により判定された処理を実行する。なお、処理対象として用いる情報は、動作対象抽出部３０３により抽出されたキーワードに制限するものではなく、例えば音声認識部３０１により変換されたテキストデータに基づく情報であってもよい。
【００２７】
本実施形態にかかる処理実行部３０５は、処理判定部３０４により特定されたアプリケーションを起動し、当該アプリケーションに対して処理の実行を要求すると共に、当該アプリケーションに対してキーワードを受け渡す。
【００２８】
なお、本実施形態にかかる処理実行部３０５は、処理判定部３０４により判定された処理と、動作対象抽出部３０３により抽出されたキーワードと、を表示部１１１に表示するだけでも良い。さらに、このような表示を行って、処理を実行するための許可をユーザに促しても良い。
【００２９】
入力部３０６は、通信Ｉ／Ｆ２１６等やジャイロセンサ２１５等から入力された入力情報を、処理実行部３０５に出力する。出力部３０７は、処理実行部３０５から出力された情報を表示部１１１に表示制御したり、外部装置に通信Ｉ／Ｆ２１６を介して送信しても良い。
【００３０】
上述した構成で実現される情報処理装置１００で行われる処理について説明する。例えば、ユーザが「○○××（歌手）、キョク１（曲名）」と発話したものとする。この場合、情報処理装置１００が、マイクロフォン１１３により当該発話の入力処理を行い、当該発話に基づいた処理を行う。この発話に基づいた処理としては例えば、音楽再生などが考えられる。
【００３１】
ところで、従来から、音声認識により得られたテキストを用いて、データベース検索を自動的に実行する情報処理装置が存在していた。つまり、ユーザが何語かを発話すると、これら発話の内容を認識し、テキストデータに変換し、当該テキストデータを検索キーワードとして用いて、検索を行う技術が存在する。このような従来技術では、行われる処理がＷｅｂ検索に一意に設定されていたため、処理に自由度がなかった。上述した例では、「○○××（歌手）、キョク１（曲名）」を検索キーワードとした検索結果が表示されるに留まっていた。
【００３２】
そこで、本実施形態にかかる情報処理装置１００では、音声認識からテキストを生成する際に、発話の様式を認識し、認識した発話の様式に基づいて処理を切り替えることとした。
【００３３】
図４は、認識された発話の様式が通常の抑揚の場合に、情報処理装置１００が行う処理の例を示した図である。図４に示すように、情報処理装置１００のマイクロフォン１１３が入力した音声に基づいて、音声認識部３０１がテキストデータ「○○××（歌手） キョク１（曲名）」に変換すると共に、発話様式判定部３０２が音声から、発話の様式として通常の抑揚である（矢印で示したように起伏に富んでいる）と判定したものとする。この場合、処理判定部３０４が、通常の抑揚と、対応リスト記憶部３０９で対応付けられている、Ｗｅｂ検索を、実行する処理として判定する。これにより、実行処理部３０５が、Ｗｅｂブラウザを起動する。当該Ｗｅｂブラウザは、動作対象抽出部３０３により抽出された「○○××（歌手）」と「キョク１（曲名）」とが検索キーワードとして設定された検索画面４０１を表示する。その後、情報処理装置１００はタッチセンサ１１２が、開始ボタン４０２の押下を受け付けることで、Ｗｅｂブラウザによる検索が開始される。
【００３４】
図５は、認識された発話の様式が抑揚のない場合に、情報処理装置１００が行う処理の例を示した図である。図５に示すように、情報処理装置１００のマイクロフォン１１３が入力した音声に基づいて、音声認識部３０１がテキストデータ「○○××（歌手） キョク２（曲名）」に変換すると共に、発話様式判定部３０２が音声から、発話の様式として抑揚がない（矢印で示したようにフラット）と判定したものとする。この場合、処理判定部３０４が、抑揚がない場合と、対応リスト記憶部３０９で対応付けられている、音楽アプリケーション（楽曲プレーヤー）による曲の再生を、実行する処理として判定する。これにより、実行処理部３０５が、音楽アプリケーション５０１を起動する。当該音楽アプリケーションの表示画面５０１では、動作対象抽出部３０３により抽出された「○○××（歌手）」と「キョク１（曲名）」とに基づいた音楽データが選択された状態で表示される。その後、音楽アプリケーションが、選択された音楽データを自動再生する。
【００３５】
他の例としては、情報処理装置１００のマイクロフォン１１３が入力した音声に基づいて、音声認識部３０１がテキストデータ「○○××（歌手） キョク３（曲名）」に変換すると共に、発話様式判定部３０２が音声から、ささやき声と判定したものとする。このささやき声であるか否かの判定は、例えばＮＡＭ（Non-Audible Murmur）技術を用いることで実現可能とする。
【００３６】
そして、処理判定部３０４が、ささやき声と、対応リスト記憶部３０９で対応付けられている、動画投稿サイトの検索、再生を、実行する処理として判定する。これにより、実行処理部３０５が、Ｗｅｂブラウザを起動する。そして当該Ｗｅｂブラウザを起動する際に、接続先として動画投稿サイトのＵＲＬを設定する。その後、実行処理部３０５がＷｅｂブラウザ上に表示された動画投稿サイトに対して、動作対象抽出部３０３により抽出された「○○××（歌手）」及び「キョク３（曲名）」を検索キーワードとして受け渡す。これにより、ささやき声で入力された発話内容を検索キーワードとして、動画投稿サイトで検索、再生を行うことができる。
【００３７】
このように、本実施形態にかかる情報処理装置１００は、発話の様式により処理を異ならせることに制限するものではなく、動作対象抽出部３０３により抽出されたキーワードに従って、処理実行部３０５が処理を異ならせても良い。例えば、キーワードとして「うえーーー」が認識された際、「うえ」をトリガーとして処理実行部３０５が上スクロールを開始し、語尾「え」を伸ばしているのが継続している間、処理実行部３０５が上スクロールし続ける処理を行う。
【００３８】
他の例として「したーーー」が認識された際、「した」をトリガーとして処理実行部３０５が下スクロールを開始し、語尾「た」を伸ばしているのが継続している間、処理実行部３０５が、下スクロールし続ける処理を行う。なお、発話延ばしていることの検出は、ＨＭＭ（隠れマルコフモデル）を用いることで可能なものとして、説明を省略する。なお、これらの処理は、上述した発話の様式と組み合わせても良い。
【００３９】
この発話様式によるコマンドの入力はあらゆる言語に適用できる。例えば英語の場合、「upperrrrrrr」が認識された際、「up」をトリガーとして処理実行部３０５が上スクロールを開始し、語尾「r」を伸ばしているのが継続している間、処理実行部３０５が上スクロールし続ける処理を行う。また、下スクロールする場合も同様に、「lowerrrr」と語尾「r」を伸ばしている間、下スクロールが継続するものとする。
【００４０】
次に、本実施形態にかかる情報処理装置１００における、全体的なの処理について説明する。図６は、本実施形態にかかる情報処理装置１００における上述した処理の手順を示すフローチャートである。なお、図６に示す処理を行う際、情報処理装置１００による音声認識の準備が完了しているものとする。
【００４１】
まず、情報処理装置１００のマイクロフォン１１３が、ユーザの発話を音声信号として入力処理する（ステップＳ６０１）。次に、音声認識部３０１が、入力処理された音声信号を音声認識し、認識結果が含まれたテキストデータ（以下、認識結果テキストデータ）を生成する（ステップＳ６０２）。
【００４２】
一方、発話様式判定部３０２が、音声信号から、ユーザの発話様式を判定する（ステップＳ６０３）。
【００４３】
そして、動作対象抽出部３０３が、ステップＳ６０２で生成された認識結果テキストデータから、処理の対象となるキーワード等を抽出する（ステップＳ６０４）。
【００４４】
また、処理判定部３０４が、発話様式から実行する処理を特定する（ステップＳ６０５）。その際、実行する処理を行うためのアプリケーションを特定する。また、起動するアプリケーションがＷｅｂブラウザの場合には、接続先のＵＲＬも特定しても良い。
【００４５】
その後、処理実行部３０５が、特定された処理に対応するアプリケーションを起動する（ステップＳ６０６）。そして、処理実行部３０５が、起動したアプリケーション上で、抽出されたキーワードを用いて処理を実行する（ステップＳ６０７）。その後、処理実行部３０５が、処理結果を、表示部１１１に表示する（ステップＳ６０８）。
【００４６】
上述した処理により、発話様式に従った処理がなされることになり、ユーザが処理を実行する際の操作負担を軽減することができる。なお、上述した処理手順に制限するものではなく、各ステップの順序を入れ替えても良い。例えば、ステップＳ６０２より先にステップＳ６０３を実行しても良いし、ステップＳ６０２及びステップＳ６０３を同時に実行しても良い。
【００４７】
また、本実施形態にかかる情報処理装置１００は、上述した処理に制限するものではなく様々な態様が考えられる。例えば、発話様式が所定の様式の場合には、発話した内容をテキストとしてメモする処理などを行っても良い。
【００４８】
また、情報処理装置１００では、アプリケーションを起動した後に、発話の態様に基づいて処理を切り替えても良い。例えば、ブログの文章を音声入力する場合、発話様式に従って入力文字の大きさや色やフォントを変更することが考えられる。
【００４９】
また、ユーザの発話様式に従って、情報処理装置１００で実行する処理としては、どのような処理を行っても良いが、Web検索、楽曲再生、楽曲検索、お気に入り閲覧、ブログ執筆、メール閲覧、動画投稿サイトの閲覧、電子ブックの閲覧、アプリ検索、カメラ起動、カメラ撮影、インターネット回線を介した電話などを実行しても良い。
【００５０】
（第１の実施形態の変形例）
なお、音声認識結果テキストデータから抽出されるキーワードに音声コマンドが含まれていても良い。そこで、本変形例にかかる情報処理装置１００の動作対象抽出部３０３では、テキストデータから、音声コマンドを抽出する例とする。例えば、楽曲「楽曲Ａ」を音声コマンドで再生したい時、ユーザが「楽曲Ａを再生」と抑揚のない声で発話すればよい。この場合、対応リスト記憶部３０９で“再生”というキーワード及び抑揚のない声が、音楽アプリケーション（楽曲プレーヤー）と、対応付けられているものとする。そして、記憶部２１３に“楽曲Ａ”という楽曲が存在すれば、楽曲Ａを楽曲プレーヤーで再生できる。
【００５１】
一方、抑揚のある発話はＷｅｂ検索と対応リスト記憶部３０９に予め設定しておく。これにより、「楽曲Ａ 再生」と抑揚のある発話で行った場合、音声コマンドが含まれていても、本実施形態にかかる情報処理装置１００では、Ｗｅｂ検索を優先して行うことになる。
【００５２】
本実施形態にかかる発話様式判定部３０２の判定対象となる発話様式は上述した声に制限するものではなく、他の発話態様を判定基準として用いても良い。例えば、声の高さが上がり続ける発話や、声の高さが下がり続ける発話などを判定基準として用いても良い。
【００５３】
このように、発話内容のみならず発話の仕方からも、音声コマンド意図を判定するので、より適切にユーザが意図したコマンドを実行することができる。
【００５４】
本変形例では、発話の態様と、ユーザの発話に基づく音声コマンドと、を組み合わせることとした。これにより、従来の情報処理装置では、当該処理を特定するために上位から階層を辿って実行する処理を選択していたが（例えば、[メニュー]->[プレーヤー]->[再生選択]->[再生]）、音声コマンドと発話の態様との組み合わせで、実行する処理を特定できるため、従来技術と比べて、実行する処理の特定精度を向上させることができる。
【００５５】
本実施形態及び変形例では、ユーザは発話の態様を異ならせるだけで、情報処理装置１００で実行する処理を指定できる。これにより、情報処理装置１００において、ユーザが意図しない処理を行うことを軽減できる。これにより、便利な音声コマンド処理を行うことができる。
【００５６】
さらには、ユーザが、水気のある場所（例えばキッチン）に、情報処理装置１００を配置し、当該情報処理装置１００に対して実行する処理を特定する場合に、発話の態様で実行する処理を切り替えることができるため、操作性を向上させることができる。
【００５７】
本実施形態及び変形例の情報処理装置で実行される音声処理プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。
【００５８】
また、本実施形態の情報処理装置で実行される音声処理プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、本実施形態の情報処理装置で実行される音声処理プログラムプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。
【００５９】
なお、本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせても良い。
【符号の説明】
【００６０】
１００…情報処理装置、１１１…表示部、１１２…タッチセンサ、１１３…ボタンスイッチ、１１３…マイクロフォン、１１４…ボタンスイッチ、２１１…ＲＯＭ、２１２…ＲＡＭ、２１３…記憶部、２１４…計時部、２１５…ジャイロセンサ、２１６…通信Ｉ／Ｆ、３０１…音声認識部、３０２…発話様式判定部、３０３…動作対象抽出部、３０４…処理判定部、３０５…実行処理部、３０５…処理実行部、３０６…入力部、３０７…出力部、３０８…動作対象キーワードリスト記憶部、３０９…対応リスト記憶部
【技術分野】
【０００１】
本発明の実施形態は、音声処理装置、及び音声処理方法に関する。
【背景技術】
【０００２】
従来から、ユーザが携帯するモバイル機器等のコンピュータも高性能化する傾向にある。そして、ユーザがコンピュータを快適に利用するためには、インタフェースが重要となる。そこで、近年、コンピュータに様々なセンサを内蔵し、これらセンサの検出結果をユーザの操作等として利用する技術が提案されている。
【０００３】
例えば、コンピュータが、ユーザの音声に対して音声認識処理を施すことで、生成された音声命令に従って処理を行う技術が提案されている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特表平１１−５０６８４５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、ユーザが発話する際、発話の様式には様々な種類がある。従来技術において、発話の様式を制限することで音声認識を向上させる等の技術は提案されているが、発話の様式の違いをユーザのインタフェースとして利用することは考慮されていない。
【０００６】
本発明は、上記に鑑みてなされたものであって、ユーザの発話の様式の違いに基づいて実行する処理を異ならせる音声処理装置、及び音声処理方法を提供することを目的とする。
【課題を解決するための手段】
【０００７】
実施形態の音声処理装置は、音声変換手段と、発話判定手段と、処理判定手段と、実行手段と、を備える。音声変換手段は、入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する。発話判定手段は、前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する。処理判定手段は、前記発話の様式に基づいて、実行する処理を判定する。実行手段は、前記処理判定手段により判定された処理を、前記文字列情報を用いて実行する。
を備える音声処理装置
【図面の簡単な説明】
【０００８】
【図１】図１は、実施形態にかかる情報処理装置の外観を模式的に示す図である。
【図２】図２は、実施形態にかかる情報処理装置の構成の一例を示すブロック図である。
【図３】図３は、実施形態にかかる情報処理装置で実行されるプログラムで実現される機能構成を示した図である。
【図４】図４は、実施形態にかかる情報処理装置が、認識された発話の様式が通常の抑揚の場合に行う処理の例を示した図である。
【図５】図５は、実施形態にかかる情報処理装置が認識された発話の様式が抑揚のない場合に行う処理の例を示した図である。
【図６】図６は、実施形態にかかる情報処理装置における全体的な処理の手順を示すフローチャートである。
【発明を実施するための形態】
【０００９】
実施の形態として、音声処理装置を情報処理装置に適用した例について説明する。図１は、本実施形態にかかる情報処理装置の外観を模式的に示す図である。この情報処理装置１００は、表示画面を備えた情報処理装置であり、例えばスレート端末（タブレット端末）や電子書籍リーダ、デジタルフォトフレーム等として実現されている。
【００１０】
情報処理装置１００は、薄い箱状の筐体Ｂを備え、この筐体Ｂの上面に表示部１１１が配置されている。表示部１１１は、ユーザによってタッチされた表示画面上の位置を検知するためのタッチセンサ１１２を備えている。
【００１１】
また、情報処理装置１００は、筐体Ｂの上面に、外部環境の音声を収集するためのマイクロフォン１１３を備えている。このマイクロフォン１１３から入力されたアナログの音声は、内部の処理により音声（オーディオ）信号に変換される。さらには、情報処理装置１００は、筐体Ｂの上面に、各種ボタンスイッチ１１４が配置されている。これらボタンスイッチ１１４を押下することで、様々な操作を行うことができる。
【００１２】
図２は、実施形態にかかる情報処理装置１００の構成の一例を示すブロック図である。図２に示すように、情報処理装置１００は、上述した表示部１１１、タッチセンサ１１２、マイクロフォン１１３、ボタンスイッチ１１４の他、ＣＰＵ２１０（Central Processing Unit）、ＲＯＭ２１１（Read Only Memory）、ＲＡＭ２１２（Random Access Memory）、記憶部２１３、計時部２１４、ジャイロセンサ２１５、通信Ｉ／Ｆ２１６を備える。
【００１３】
ＣＰＵ２１０は、情報処理装置１００の動作を中央制御する。具体的には、ＣＰＵ２１０は、ＲＯＭ２１１や記憶部２１３に記憶された各種プログラムを読み出し、ＲＡＭ２１２の作業領域に展開して順次実行することで、バスラインを介して接続する情報処理装置１００の各部に制御信号を出力する。ＲＯＭ２１１は、各種プログラムや設定データを記憶する。ＲＡＭ２１２は、ＣＰＵ２１０の作業領域を提供する。記憶部２１３は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の大容量記憶装置であり、ＣＰＵ２１０が実行するアプリケーションプログラム、文字、動画像、静止画像、音声などの各種データを読み書き可能に記憶する。計時部２１４は、ＲＴＣ（Real Time Clock）機能およびネットワークを介して時刻の同期を行う機能を有し、時刻の同期および計時を行う。計時部２１４が同期および計時した時刻はＣＰＵ１０に通知される。
【００１４】
ジャイロセンサ２１５（ジャイロスコープ）は、ＭＥＭＳ技術を用いた振動型の角速度センサなどであり、ＸＹＺの３軸方向の情報処理装置１００の姿勢を検出し、検出結果をＣＰＵ２１０へ出力する。通信Ｉ／Ｆ２１６は、ＣＰＵ２１０の制御の下、所定の通信プロトコルに従い、有線又は無線の通信を行うインタフェースである。例えば、通信Ｉ／Ｆ２１６は、ＣＰＵ２１０の制御の下、ルータ等を介した無線ＬＡＮの通信を行う。
【００１５】
ここで、ＣＰＵ２１０が音声処理プログラムを順次実行することで実現する機能構成について説明する。図３は、情報処理装置１００で実行されるプログラムで実現される機能構成を示した図である。図３に示すように、情報処理装置１００は、音声認識部３０１と、発話様式判定部３０２と、動作対象抽出部３０３と、処理判定部３０４と、処理実行部３０５と、入力部３０６と、出力部３０７と、を備える。これら機能構成は、動作対象キーワードリスト記憶部３０８と、対応リスト記憶部３０９と、を用いる。なお、動作対象キーワードリスト記憶部３０８、及び対応リスト記憶部３０９は、図２の記憶部２１３内に設けられている。
【００１６】
音声認識部３０１は、マイクロフォン１１３に入力された音声から、当該音声で発せられた内容を自然言語で示したテキストデータ（文字列情報）に変換する。
【００１７】
発話様式判定部３０２は、マイクロフォン１１３に入力された音声に対して信号処理解析（分析）して、当該音声が発せられた際のユーザの発話の様式を判定する。発話様式判定部３０２は、ユーザの発話の様式として、予め定められた音を基準として、入力された音声が、抑揚の無い声、抑揚の激しい声、高い声、低い声、かすれ声、及びささやき声のうち、いずれであるかを判定する。なお、判定される発話の様式は、１つ又は複数であっても良い。
【００１８】
動作対象キーワードリスト記憶部３０８は、処理実行部３０５で処理の対象として用いられるキーワードを記憶する。キーワードとしては、例えば、記憶部２１３に記憶されている音楽データの曲名や、演奏者の名前等でもよい。
【００１９】
動作対象抽出部３０３は、音声認識部３０１により変換されたテキストデータから、処理実行部３０５で実行される処理の対象となるキーワード（識別情報）を抽出する。このキーワードとしては、例えば、音楽データの曲名や、演奏者の名前等の検索キーワードなどが考えられる。さらには、情報処理装置１００に記憶されているファイル名や、メタデータなどであっても良い。これら検索キーワード、ファイル名、又はメタデータなどのキーワードが、処理実行部３０５による処理の対象として判定される。なお、音声認識部３０１により変換されたテキストデータから、キーワードを抽出する際に、記憶されているファイル名等と同一である必要はなく、所定の基準以上類似しているものであればよい。
【００２０】
また、動作対象抽出部３０３は、変換されたテキストデータから、処理対象として判定されなかった部分、又は処理対象として判定されなかった部分から先頭と末尾の助詞を取り除いたテキストを、処理対象となるキーワードとして抽出しても良い。
【００２１】
対応リスト記憶部３０９は、ユーザの発話の様式と、実行する処理と、を対応付けて記憶する。なお、対応リスト記憶部３０９は、実行する処理と対応付ける対象を、ユーザの発話の様式のみに制限するものではない。例えば、対応リスト記憶部３０９において、動作対象抽出部３０３において抽出された検索キーワードと、実行する処理と、を対応付けても良い。他の例としては、検索キーワードと、ユーザの発話の様式と、実行する処理と、を対応付けても良い。なお、対応リスト記憶部３０９が記憶する対応関係は、情報処理装置１００の出荷時に予め登録したものでも良いし、ユーザが事後的に自由に登録したものでも良い。
【００２２】
処理判定部３０４は、発話様式判定部３０２により判定された発話の様式に基づいて、変換されたテキストデータから抽出された識別情報を利用する処理を判定する。本実施形態にかかる処理判定部３０４は、対応リスト記憶部３０９に記憶された対応関係に基づいて判定する。例えば、処理判定部３０４は、ユーザの発話の様式と、対応リスト記憶部３０９で対応付けられていた処理を、処理実行部３０５で実行される処理として判定する。
【００２３】
また、処理判定部３０４は、発話の様式のみを判定の基準として用いるのではなく、動作対象抽出部３０３により抽出されたキーワードと、対応リスト記憶部３０９で対応付けられている処理を、実行する処理として判定しても良い。
【００２４】
さらに、本実施形態にかかる処理判定部３０４は、発話様式判定部３０２により判定された発話の様式、及び動作対象抽出部３０３により抽出されたキーワードと、対応リスト記憶部３０９で対応付けられている処理を、処理実行部３０５が実行する処理として判定しても良い。
【００２５】
本実施形態にかかる処理判定部３０４は、判定された処理として、当該処理を行うアプリケーションを特定してもよい。この場合、処理実行部３０５が、特定されたアプリケーションの起動制御を行い、当該アプリケーションに対して処理の実行を要求する。
【００２６】
処理実行部３０５は、動作対象抽出部３０３により抽出されたキーワードを用いて、処理判定部３０４により判定された処理を実行する。なお、処理対象として用いる情報は、動作対象抽出部３０３により抽出されたキーワードに制限するものではなく、例えば音声認識部３０１により変換されたテキストデータに基づく情報であってもよい。
【００２７】
本実施形態にかかる処理実行部３０５は、処理判定部３０４により特定されたアプリケーションを起動し、当該アプリケーションに対して処理の実行を要求すると共に、当該アプリケーションに対してキーワードを受け渡す。
【００２８】
なお、本実施形態にかかる処理実行部３０５は、処理判定部３０４により判定された処理と、動作対象抽出部３０３により抽出されたキーワードと、を表示部１１１に表示するだけでも良い。さらに、このような表示を行って、処理を実行するための許可をユーザに促しても良い。
【００２９】
入力部３０６は、通信Ｉ／Ｆ２１６等やジャイロセンサ２１５等から入力された入力情報を、処理実行部３０５に出力する。出力部３０７は、処理実行部３０５から出力された情報を表示部１１１に表示制御したり、外部装置に通信Ｉ／Ｆ２１６を介して送信しても良い。
【００３０】
上述した構成で実現される情報処理装置１００で行われる処理について説明する。例えば、ユーザが「○○××（歌手）、キョク１（曲名）」と発話したものとする。この場合、情報処理装置１００が、マイクロフォン１１３により当該発話の入力処理を行い、当該発話に基づいた処理を行う。この発話に基づいた処理としては例えば、音楽再生などが考えられる。
【００３１】
ところで、従来から、音声認識により得られたテキストを用いて、データベース検索を自動的に実行する情報処理装置が存在していた。つまり、ユーザが何語かを発話すると、これら発話の内容を認識し、テキストデータに変換し、当該テキストデータを検索キーワードとして用いて、検索を行う技術が存在する。このような従来技術では、行われる処理がＷｅｂ検索に一意に設定されていたため、処理に自由度がなかった。上述した例では、「○○××（歌手）、キョク１（曲名）」を検索キーワードとした検索結果が表示されるに留まっていた。
【００３２】
そこで、本実施形態にかかる情報処理装置１００では、音声認識からテキストを生成する際に、発話の様式を認識し、認識した発話の様式に基づいて処理を切り替えることとした。
【００３３】
図４は、認識された発話の様式が通常の抑揚の場合に、情報処理装置１００が行う処理の例を示した図である。図４に示すように、情報処理装置１００のマイクロフォン１１３が入力した音声に基づいて、音声認識部３０１がテキストデータ「○○××（歌手） キョク１（曲名）」に変換すると共に、発話様式判定部３０２が音声から、発話の様式として通常の抑揚である（矢印で示したように起伏に富んでいる）と判定したものとする。この場合、処理判定部３０４が、通常の抑揚と、対応リスト記憶部３０９で対応付けられている、Ｗｅｂ検索を、実行する処理として判定する。これにより、実行処理部３０５が、Ｗｅｂブラウザを起動する。当該Ｗｅｂブラウザは、動作対象抽出部３０３により抽出された「○○××（歌手）」と「キョク１（曲名）」とが検索キーワードとして設定された検索画面４０１を表示する。その後、情報処理装置１００はタッチセンサ１１２が、開始ボタン４０２の押下を受け付けることで、Ｗｅｂブラウザによる検索が開始される。
【００３４】
図５は、認識された発話の様式が抑揚のない場合に、情報処理装置１００が行う処理の例を示した図である。図５に示すように、情報処理装置１００のマイクロフォン１１３が入力した音声に基づいて、音声認識部３０１がテキストデータ「○○××（歌手） キョク２（曲名）」に変換すると共に、発話様式判定部３０２が音声から、発話の様式として抑揚がない（矢印で示したようにフラット）と判定したものとする。この場合、処理判定部３０４が、抑揚がない場合と、対応リスト記憶部３０９で対応付けられている、音楽アプリケーション（楽曲プレーヤー）による曲の再生を、実行する処理として判定する。これにより、実行処理部３０５が、音楽アプリケーション５０１を起動する。当該音楽アプリケーションの表示画面５０１では、動作対象抽出部３０３により抽出された「○○××（歌手）」と「キョク１（曲名）」とに基づいた音楽データが選択された状態で表示される。その後、音楽アプリケーションが、選択された音楽データを自動再生する。
【００３５】
他の例としては、情報処理装置１００のマイクロフォン１１３が入力した音声に基づいて、音声認識部３０１がテキストデータ「○○××（歌手） キョク３（曲名）」に変換すると共に、発話様式判定部３０２が音声から、ささやき声と判定したものとする。このささやき声であるか否かの判定は、例えばＮＡＭ（Non-Audible Murmur）技術を用いることで実現可能とする。
【００３６】
そして、処理判定部３０４が、ささやき声と、対応リスト記憶部３０９で対応付けられている、動画投稿サイトの検索、再生を、実行する処理として判定する。これにより、実行処理部３０５が、Ｗｅｂブラウザを起動する。そして当該Ｗｅｂブラウザを起動する際に、接続先として動画投稿サイトのＵＲＬを設定する。その後、実行処理部３０５がＷｅｂブラウザ上に表示された動画投稿サイトに対して、動作対象抽出部３０３により抽出された「○○××（歌手）」及び「キョク３（曲名）」を検索キーワードとして受け渡す。これにより、ささやき声で入力された発話内容を検索キーワードとして、動画投稿サイトで検索、再生を行うことができる。
【００３７】
このように、本実施形態にかかる情報処理装置１００は、発話の様式により処理を異ならせることに制限するものではなく、動作対象抽出部３０３により抽出されたキーワードに従って、処理実行部３０５が処理を異ならせても良い。例えば、キーワードとして「うえーーー」が認識された際、「うえ」をトリガーとして処理実行部３０５が上スクロールを開始し、語尾「え」を伸ばしているのが継続している間、処理実行部３０５が上スクロールし続ける処理を行う。
【００３８】
他の例として「したーーー」が認識された際、「した」をトリガーとして処理実行部３０５が下スクロールを開始し、語尾「た」を伸ばしているのが継続している間、処理実行部３０５が、下スクロールし続ける処理を行う。なお、発話延ばしていることの検出は、ＨＭＭ（隠れマルコフモデル）を用いることで可能なものとして、説明を省略する。なお、これらの処理は、上述した発話の様式と組み合わせても良い。
【００３９】
この発話様式によるコマンドの入力はあらゆる言語に適用できる。例えば英語の場合、「upperrrrrrr」が認識された際、「up」をトリガーとして処理実行部３０５が上スクロールを開始し、語尾「r」を伸ばしているのが継続している間、処理実行部３０５が上スクロールし続ける処理を行う。また、下スクロールする場合も同様に、「lowerrrr」と語尾「r」を伸ばしている間、下スクロールが継続するものとする。
【００４０】
次に、本実施形態にかかる情報処理装置１００における、全体的なの処理について説明する。図６は、本実施形態にかかる情報処理装置１００における上述した処理の手順を示すフローチャートである。なお、図６に示す処理を行う際、情報処理装置１００による音声認識の準備が完了しているものとする。
【００４１】
まず、情報処理装置１００のマイクロフォン１１３が、ユーザの発話を音声信号として入力処理する（ステップＳ６０１）。次に、音声認識部３０１が、入力処理された音声信号を音声認識し、認識結果が含まれたテキストデータ（以下、認識結果テキストデータ）を生成する（ステップＳ６０２）。
【００４２】
一方、発話様式判定部３０２が、音声信号から、ユーザの発話様式を判定する（ステップＳ６０３）。
【００４３】
そして、動作対象抽出部３０３が、ステップＳ６０２で生成された認識結果テキストデータから、処理の対象となるキーワード等を抽出する（ステップＳ６０４）。
【００４４】
また、処理判定部３０４が、発話様式から実行する処理を特定する（ステップＳ６０５）。その際、実行する処理を行うためのアプリケーションを特定する。また、起動するアプリケーションがＷｅｂブラウザの場合には、接続先のＵＲＬも特定しても良い。
【００４５】
その後、処理実行部３０５が、特定された処理に対応するアプリケーションを起動する（ステップＳ６０６）。そして、処理実行部３０５が、起動したアプリケーション上で、抽出されたキーワードを用いて処理を実行する（ステップＳ６０７）。その後、処理実行部３０５が、処理結果を、表示部１１１に表示する（ステップＳ６０８）。
【００４６】
上述した処理により、発話様式に従った処理がなされることになり、ユーザが処理を実行する際の操作負担を軽減することができる。なお、上述した処理手順に制限するものではなく、各ステップの順序を入れ替えても良い。例えば、ステップＳ６０２より先にステップＳ６０３を実行しても良いし、ステップＳ６０２及びステップＳ６０３を同時に実行しても良い。
【００４７】
また、本実施形態にかかる情報処理装置１００は、上述した処理に制限するものではなく様々な態様が考えられる。例えば、発話様式が所定の様式の場合には、発話した内容をテキストとしてメモする処理などを行っても良い。
【００４８】
また、情報処理装置１００では、アプリケーションを起動した後に、発話の態様に基づいて処理を切り替えても良い。例えば、ブログの文章を音声入力する場合、発話様式に従って入力文字の大きさや色やフォントを変更することが考えられる。
【００４９】
また、ユーザの発話様式に従って、情報処理装置１００で実行する処理としては、どのような処理を行っても良いが、Web検索、楽曲再生、楽曲検索、お気に入り閲覧、ブログ執筆、メール閲覧、動画投稿サイトの閲覧、電子ブックの閲覧、アプリ検索、カメラ起動、カメラ撮影、インターネット回線を介した電話などを実行しても良い。
【００５０】
（第１の実施形態の変形例）
なお、音声認識結果テキストデータから抽出されるキーワードに音声コマンドが含まれていても良い。そこで、本変形例にかかる情報処理装置１００の動作対象抽出部３０３では、テキストデータから、音声コマンドを抽出する例とする。例えば、楽曲「楽曲Ａ」を音声コマンドで再生したい時、ユーザが「楽曲Ａを再生」と抑揚のない声で発話すればよい。この場合、対応リスト記憶部３０９で“再生”というキーワード及び抑揚のない声が、音楽アプリケーション（楽曲プレーヤー）と、対応付けられているものとする。そして、記憶部２１３に“楽曲Ａ”という楽曲が存在すれば、楽曲Ａを楽曲プレーヤーで再生できる。
【００５１】
一方、抑揚のある発話はＷｅｂ検索と対応リスト記憶部３０９に予め設定しておく。これにより、「楽曲Ａ 再生」と抑揚のある発話で行った場合、音声コマンドが含まれていても、本実施形態にかかる情報処理装置１００では、Ｗｅｂ検索を優先して行うことになる。
【００５２】
本実施形態にかかる発話様式判定部３０２の判定対象となる発話様式は上述した声に制限するものではなく、他の発話態様を判定基準として用いても良い。例えば、声の高さが上がり続ける発話や、声の高さが下がり続ける発話などを判定基準として用いても良い。
【００５３】
このように、発話内容のみならず発話の仕方からも、音声コマンド意図を判定するので、より適切にユーザが意図したコマンドを実行することができる。
【００５４】
本変形例では、発話の態様と、ユーザの発話に基づく音声コマンドと、を組み合わせることとした。これにより、従来の情報処理装置では、当該処理を特定するために上位から階層を辿って実行する処理を選択していたが（例えば、[メニュー]->[プレーヤー]->[再生選択]->[再生]）、音声コマンドと発話の態様との組み合わせで、実行する処理を特定できるため、従来技術と比べて、実行する処理の特定精度を向上させることができる。
【００５５】
本実施形態及び変形例では、ユーザは発話の態様を異ならせるだけで、情報処理装置１００で実行する処理を指定できる。これにより、情報処理装置１００において、ユーザが意図しない処理を行うことを軽減できる。これにより、便利な音声コマンド処理を行うことができる。
【００５６】
さらには、ユーザが、水気のある場所（例えばキッチン）に、情報処理装置１００を配置し、当該情報処理装置１００に対して実行する処理を特定する場合に、発話の態様で実行する処理を切り替えることができるため、操作性を向上させることができる。
【００５７】
本実施形態及び変形例の情報処理装置で実行される音声処理プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。
【００５８】
また、本実施形態の情報処理装置で実行される音声処理プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、本実施形態の情報処理装置で実行される音声処理プログラムプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。
【００５９】
なお、本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化することができる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成することができる。例えば、実施形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせても良い。
【符号の説明】
【００６０】
１００…情報処理装置、１１１…表示部、１１２…タッチセンサ、１１３…ボタンスイッチ、１１３…マイクロフォン、１１４…ボタンスイッチ、２１１…ＲＯＭ、２１２…ＲＡＭ、２１３…記憶部、２１４…計時部、２１５…ジャイロセンサ、２１６…通信Ｉ／Ｆ、３０１…音声認識部、３０２…発話様式判定部、３０３…動作対象抽出部、３０４…処理判定部、３０５…実行処理部、３０５…処理実行部、３０６…入力部、３０７…出力部、３０８…動作対象キーワードリスト記憶部、３０９…対応リスト記憶部
【特許請求の範囲】
【請求項１】
入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する音声変換手段と、
前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する発話判定手段と、
前記発話の様式に基づいて、実行する処理を判定する処理判定手段と、
前記処理判定手段により判定された処理を、前記文字列情報を用いて実行する実行手段と、
を備える音声処理装置。
【請求項２】
前記ユーザの発話の様式と、実行する処理と、を対応付けて記憶する記憶手段をさらに備える、
請求項１に記載の音声処理装置。
【請求項３】
前記音声変換手段により変換された前記文字列情報から、前記実行手段で実行される前記処理の対象となる識別情報を抽出する対象抽出手段を、さらに備え、
前記実行手段は、前記対象抽出手段により抽出された前記識別情報を、前記処理に用いる、
請求項１又は２に記載の音声処理装置。
【請求項４】
前記処理判定手段は、前記処理を実行するアプリケーションを判定し、
前記実行手段として、前記処理判定手段により判定されたアプリケーションを起動し、当該アプリケーションに対して前記文字列情報を受け渡す、
請求項１乃至３のいずれか１つに記載の音声処理装置。
【請求項５】
前記発話判定手段は、ユーザの発話の様式として、抑揚の無い声、抑揚の激しい声、高い声、低い声、かすれ声、及びささやき声のうち、いずれか１つを判定する、
請求項１乃至４のいずれか１つに記載の音声処理装置。
【請求項６】
音声処理装置で実行される音声処理方法であって、
音声変換手段が、入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する音声変換ステップと、
発話判定手段が、前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する発話判定ステップと、
処理判定手段が、前記発話の様式に基づいて、実行する処理を判定する処理判定ステップと、
実行手段が、前記処理判定ステップにより判定された処理を、前記文字列情報を用いて実行する実行ステップと、
を含む音声処理方法。
【請求項１】
入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する音声変換手段と、
前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する発話判定手段と、
前記発話の様式に基づいて、実行する処理を判定する処理判定手段と、
前記処理判定手段により判定された処理を、前記文字列情報を用いて実行する実行手段と、
を備える音声処理装置。
【請求項２】
前記ユーザの発話の様式と、実行する処理と、を対応付けて記憶する記憶手段をさらに備える、
請求項１に記載の音声処理装置。
【請求項３】
前記音声変換手段により変換された前記文字列情報から、前記実行手段で実行される前記処理の対象となる識別情報を抽出する対象抽出手段を、さらに備え、
前記実行手段は、前記対象抽出手段により抽出された前記識別情報を、前記処理に用いる、
請求項１又は２に記載の音声処理装置。
【請求項４】
前記処理判定手段は、前記処理を実行するアプリケーションを判定し、
前記実行手段として、前記処理判定手段により判定されたアプリケーションを起動し、当該アプリケーションに対して前記文字列情報を受け渡す、
請求項１乃至３のいずれか１つに記載の音声処理装置。
【請求項５】
前記発話判定手段は、ユーザの発話の様式として、抑揚の無い声、抑揚の激しい声、高い声、低い声、かすれ声、及びささやき声のうち、いずれか１つを判定する、
請求項１乃至４のいずれか１つに記載の音声処理装置。
【請求項６】
音声処理装置で実行される音声処理方法であって、
音声変換手段が、入力された音声から、当該音声で発せられた内容を示した文字列情報に変換する音声変換ステップと、
発話判定手段が、前記入力された音声を分析して、当該音声が発せられた際のユーザの発話の様式を判定する発話判定ステップと、
処理判定手段が、前記発話の様式に基づいて、実行する処理を判定する処理判定ステップと、
実行手段が、前記処理判定ステップにより判定された処理を、前記文字列情報を用いて実行する実行ステップと、
を含む音声処理方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図２】
【図３】
【図４】
【図５】
【図６】
【公開番号】特開２０１２−２１５６７３（Ｐ２０１２−２１５６７３Ａ）
【公開日】平成２４年１１月８日（２０１２．１１．８）
【国際特許分類】
【出願番号】特願２０１１−８００２６（Ｐ２０１１−８００２６）
【出願日】平成２３年３月３１日（２０１１．３．３１）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
【公開日】平成２４年１１月８日（２０１２．１１．８）
【国際特許分類】
【出願日】平成２３年３月３１日（２０１１．３．３１）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]