音声認識装置、音声認識方法および音声認識装置を搭載したテレビ受像機
【課題】ローカル型と分散型の音声認識の切り替えをユーザに意識させることなく、音声認識の使い分けを実現することである。
【解決手段】実施形態の音声認識装置は、音声を入力する音声入力手段と、当該音声入力手段に入力された音声を認識する第１の音声認識手段と、外部サーバと通信する通信手段と、当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、リモコン信号を入力するリモコン信号入力手段と、当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記音声入力手段に入力された音声から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段とを備える。
【解決手段】実施形態の音声認識装置は、音声を入力する音声入力手段と、当該音声入力手段に入力された音声を認識する第１の音声認識手段と、外部サーバと通信する通信手段と、当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、リモコン信号を入力するリモコン信号入力手段と、当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記音声入力手段に入力された音声から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明の実施形態は、音声認識装置、音声認識方法および音声認識装置を搭載したテレビ受像機に関する。
【背景技術】
【０００２】
手による機器操作や文字入力の代替手段として、ユーザの音声を認識して所望の動作を実現する音声認識がある。従来、音声認識には、対象機器内で閉じて音声認識処理を行うローカル型の音声認識が用いられてきた。これに対し近年、ネットワークの大容量化、分散処理技術の進歩により、機器のマイクに入力されたユーザの音声（もしくは音声から抽出した特徴量）をネットワーク経由で外部サーバに送信し、外部サーバ上で音声認識処理の一部を行う分散型の音声認識が普及しつつある。
【０００３】
ローカル型音声認識と分散型音声認識は、対照的な特徴を持つ。ローカル型音声認識は、外部サーバと接続せずに使用できるためレスポンスが早いが、ローカルに使用できる処理能力の制限により大規模な認識語彙への対応が困難である。これに対し、分散型音声認識は、高い処理能力を持つ外部サーバを分散的に利用できるため大規模な認識語彙に対応することができるが、外部サーバとの接続が必要となるためレスポンスが遅くなる。
【０００４】
このように、ローカル型音声認識と分散型音声認識は対照的な特徴を持つため、音声認識を使用する目的に応じて使い分けることが望ましい。従来の技術では、リモコンのボタン押下等によって分散型を使うのかローカル型を使うのかを切り替えており、ユーザ自身が音声認識の切り替えを明確に意識する必要があった。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特表２００２−５４０４７９号公報
【特許文献２】特開２００２−１８２８９６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
発明が解決しようとする課題は、ローカル型と分散型の音声認識の切り替えをユーザに意識させることなく、音声認識の使い分けを実現することである。
【課題を解決するための手段】
【０００７】
実施形態の音声認識装置は、音声を入力する音声入力手段と、当該音声入力手段に入力された音声を認識する第１の音声認識手段と、外部サーバと通信する通信手段と、当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、リモコン信号を入力するリモコン信号入力手段と、当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記音声入力手段に入力された音声から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段とを備える。
【図面の簡単な説明】
【０００８】
【図１】第１の実施形態の音声認識装置を示すブロック図。
【図２】第１の実施形態のテレビの外観を示した模式図。
【図３】第１の実施形態のテレビおよび音声認識装置のハードウェア構成を示す図。
【図４】第１の実施形態の音声認識装置の処理の全体の流れを示すフローチャート。
【図５】第１の実施形態の認識語彙のリストを示す図。
【図６】第１の実施形態の認識語彙のリストを示す図。
【図７】第１の実施形態のＮ件の認識結果のリストを示す図。
【図８】第１の実施形態の番組検索結果のリストを示す図。
【図９】第１の実施形態のＮ件の認識結果のリストを示す図。
【図１０】第２の実施形態の音声認識装置を示すブロック図。
【図１１】第２の実施形態のテレビの外観を示した模式図。
【図１２】第２の実施形態の音声認識装置の処理の全体の流れを示すフローチャート。
【発明を実施するための形態】
【０００９】
以下、本発明の実施形態について図面を参照しながら説明する。
【００１０】
（第１の実施形態）
図１は、第１の実施形態にかかるテレビ受像機２００に内蔵された音声認識装置１００を示すブロック図である。図２は、テレビ受像機２００の外観を示した模式図である。第１の実施形態では、ユーザが音声でテレビを操作したり番組名等の情報を検索したりする状況を想定しており、音声認識装置１００はテレビ受像機２００の本体に内蔵される。本実施形態の音声認識装置１００は、ローカル型の第１の音声認識部１０１と分散型の第２の音声認識部１０２を備えている。これらの音声認識は、ユーザによって音声認識を開始する旨の指示（認識開始指示）が出された場合に起動する。本実施形態においてユーザは、リモコンのボタン押下もしくは所定の合図音のいずれかの操作によって認識開始指示を出すことができる。所定の合図音は、ユーザの音声、ユーザの動作で発生する動作音などである。音声認識装置１００は、検出された認識開始指示に応じてユーザの音声の認識に使用する音声認識部を切り替える。具体的には、リモコンによる認識開始指示を検出した場合は第２の音声認識部１０２を、合図音による認識開始指示を検出した場合には第１の音声認識部１０１を使用する。
【００１１】
図２のテレビ受像機２００は、テレビ本体を支持する筐体２０１と、情報を表示するディスプレイ２０２と、リモコンからの赤外線を受信する赤外線受信部２０３と、ユーザの音声（合図音を含む）を取得する２本のマイク２０４と、制御信号を赤外線で送信するリモコン２０５とを備える。図１の音声認識装置１００は、リモコンからの信号を入力するリモコン信号入力部１０３と、音声（合図音を含む）を入力する音声入力部１０４と、音声入力部１０４が取得した音声から合図音を検出する合図音検出部１０５と、リモコン信号入力部１０３が取得したリモコン信号と合図音検出部１０５が検出した合図音とに応じて音声認識を切り替える音声認識切替部１０６と、ローカル型の第１の音声認識部１０１と、分散型の第２の音声認識部１０２と、外部サーバ１１０と通信する通信部１０７とを備える。第１の音声認識部１０１および第２の音声認識部１０２の認識結果は、テレビの操作等を行うテレビ操作部１０８に送信される。テレビ操作部１０８は、テレビ受像機２００に内蔵されている。更に、分散型の第２の音声認識部１０２は、通信部１０７を介して外部サーバ１１０と接続しており、外部サーバ１１０は、音声認識装置１００と通信する通信部１１１と、音声認識処理の一部を実行するサーバ処理部１１２とを備える。
【００１２】
音声認識装置１００および外部サーバ１１０は、図３に示すような通常のコンピュータを利用したハードウェアで構成されており、装置全体を制御するＣＰＵ（Central Processing Unit）等の制御部１３０と、各種データや各種プログラムを記憶するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等の記憶部１３１と、各種データや各種プログラムを記憶するＨＤＤ（Hard Disk Drive）やＣＤ（Compact Disk）ドライブ装置等の外部記憶部１３２と、ユーザの指示入力を受け付ける操作部１３３と、外部装置との通信を制御する通信部１３４と、これらを接続するバス１３５とを備えている。さらに、音声認識装置１００には、音声が入力されるマイクなどの音声入力部１３６が接続される。ここで、外部サーバ１１０は、複数台のハードウェアで構成できる。
【００１３】
このようなハードウェア構成において、制御部１３０がＲＯＭ等の記憶部１３１や外部記憶部１３２に記憶された各種プログラムを実行することにより以下の機能が実現される。
【００１４】
音声認識装置１００のリモコン信号入力部１０３は、赤外線受信部２０３を介してリモコン２０５のボタン押下によって発せられた認識開始指示を取得する。認識開始指示とは、ユーザからの音声認識を開始する旨の指示を表している。音声認識装置１００の音声入力部１０４は、２本のマイク２０４を介してユーザの音声もしくは合図音を取得する。音声入力部１０４は、マイクアレー技術を用いて、認識開始指示の到来方向の推定およびこの推定方向への指向性付与を実行できる。合図音検出部１０５は、音声入力部１０４が取得した音声からユーザの認識開始指示である合図音を検出する。音声認識切替部１０６は、リモコン信号入力部１０３もしくは合図音検出部１０５で検出された認識開始指示に応じて、使用する音声認識部を切り替える。本実施形態では、合図音による認識開始指示が検出された場合はローカル型の第１の音声認識部１０１を、リモコンによる認識開始指示が検出された場合は分散型の第２の音声認識部１０２を使用する。第２の音声認識部１０２は、通信部１０７を介して外部サーバ１１０と接続しており、音声認識処理の一部を外部サーバ１１０のサーバ処理部１１２で実行する。通信部１０７および通信部１１１は有線もしくは無線のネットワークで接続される。テレビ受像機２００のテレビ操作部１０８は、第１の音声認識部１０１もしくは第２の音声認識部１０２で得られた認識結果を取得し、チャンネル切替等のテレビ受像機の操作や番組名等の情報検索を行う。テレビ操作部１０８から出力される認識結果や各種情報はディスプレイ２０２に表示される。
【００１５】
このように構成された第１の実施形態にかかる音声認識装置１００の動作について説明する。図４は、第１の実施形態における音声認識装置１００の処理の全体の流れを示すフローチャートである。本実施形態における音声認識装置１００は、テレビ受像機２００に内蔵されており、ユーザが音声でテレビを操作したり番組名等の情報を検索したりすることを実現する。ここで、テレビ受像機の操作をする場合は合図音を使って、情報を検索する場合はリモコンを使って認識開始指示を出すようマニュアルでユーザに通知しておく。テレビ受像機の操作には、例えば１００〜２００程度の小規模な語彙が必要であり、その性質上早急なレスポンスが求められる。一方、情報検索には、例えば１０万程度の大規模な語彙が必要であり、十分な計算機リソースを利用した認識精度の確保が求められる。したがって、テレビ受像機の操作の場合はローカル型の第１の音声認識部１０１を、情報検索の場合は分散型の第２の音声認識部１０２を使用してユーザの音声を認識する。さらに、第２の音声認識部１０２は、認識結果に正解が含まれる確率を高めるため、正解候補として尤度が高い順にＮ件の認識結果（Ｎは２以上）を出力する。以下、図４のフローチャートにおける各ステップの詳細を説明する。
【００１６】
まず、音声認識装置１００は、ユーザからの認識開始指示を待つ（ステップＳ１）。本実施形態において、ユーザは、リモコンのボタン押下による認識開始指示もしくは合図音による認識開始指示を行うことができる。
【００１７】
本実施形態では、リモコンのボタン押下による認識開始指示を可能にするため、リモコンの所定ボタンに認識開始を指示する制御信号を割り当てる。音声認識切替部１０６は、リモコン信号入力部１０３で取得された信号に制御信号が含まれるか否かを判別し、制御信号が含まれていると判別した場合、ユーザからの認識開始指示を検出したものとする（ステップＳ２）。
【００１８】
合図音による認識開始指示の場合、合図音検出部１０５は、音声入力部１０４が取得した信号からユーザの認識開始指示を検出し、検出結果を音声認識切替部１０６に送信する。ここで、合図音としては、特定単語（例えば、「テレビくん」）を発声したユーザの音声、もしくは手のひらを２回叩く、親指と中指で音を鳴らすなどの動作音が考えられる。特定単語を発声したユーザの音声を合図音として使用する場合、合図音検出部１０５は、特定単語を認識語彙として登録したローカル型の第１の音声認識部１０１を起動させておく。そして、この特定単語に対する認識の尤度が所定値より大きくなった場合に、ユーザの認識開始指示を検出したものとする（ステップＳ２）。ここで、合図音検出部１０５は、第１の音声認識部１０１以外の音声認識を用いて特定単語を認識してもよい。
【００１９】
ユーザの動作音を合図音として使用する場合、合図音検出部１０５は、音声入力部１０４で取得した信号のレベルを抽出する。そして、このレベルが所定値を超えたか否か、所定値を超えるレベルが連続して２回発生したか否か等の、予め決められた動作音検出のルールに基づいて認識開始指示を検出する（ステップＳ２）。例えば、認識開始指示として拍手を使用する場合、信号のレベルが２回連続して所定値を超えたか否か、を動作音検出のルールとして用いる。これにより、物を落とす、ドアを閉める等といった単発的な音に対する語検出を防ぐことができる。
【００２０】
音声認識切替部１０６は、検出された認識開始指示に応じて使用する音声認識を切り替える（ステップＳ３）。本実施形態では、音声入力部１０４の信号から認識開始指示を検出した場合（ユーザが合図音で認識開始指示を行った場合）はローカル型の第１の音声認識部１０１を、リモコン信号入力部１０３の信号から認識開始指示を検出した場合（ユーザがリモコンで認識開始指示を行った場合）は分散型の第２の音声認識部１０２を使用する。
【００２１】
第１の音声認識部１０１を使用した場合の音声認識処理（ステップＳ４）について説明する。ローカル型の第１の音声認識部１０１は、１００〜２００程度の比較的小規模な認識語彙を対象としており、テレビ受像機２００の操作に利用される。第１の音声認識部１０１に登録された認識語彙は、図５のようなテレビのチャンネル切替、音量調節、電源オン／オフや、図６のような天気予報、ニュースなどの各種情報画面の起動など、テレビ受像機２００の操作に関する語彙である。これらの認識語彙は、予め固定的に保持していてもよいし、各種情報の見出しなどを解析して動的に生成してもよい。そして、第１の音声認識部１０１は、音声入力部１０４に入力されたユーザの音声からＭＦＣＣ（Mel-Frequency Cepstral Coefficient）などの特徴量の抽出と、特徴量と音響モデルの照合とを行い、最も尤度が高い認識語彙を認識結果としてテレビ操作部１０８に出力する。そして、テレビ操作部１０８は、認識結果に応じたテレビ受像機の操作とディスプレイ２０２への表示画面出力を実行する（ステップＳ１１）。
【００２２】
次に、第２の音声認識部１０２を使用した場合の音声認識処理（ステップＳ５）について説明する。第２の音声認識部１０２は、分散型音声認識であり１０万程度の大規模な認識語彙を対象とした情報検索に利用される。第２の音声認識部１０２の認識語彙は、ＥＰＧ（Electronic Program Guide：電子番組表）から抽出した番組名、出演者名や、それらの略称・愛称など情報検索の対象となる語彙である。ここで、ＥＰＧなどは日々変動するため、定期的に（例えば、一日に一度）認識語彙を更新する。
【００２３】
第２の音声認識部１０２は、外部サーバ１１０のサーバ処理部１１２で音声認識処理の一部を実行する。例えば、第２の音声認識部１０２で音声認識の特徴量（ＭＦＣＣ）を抽出し、この特徴量と音響モデルの照合を外部サーバ１１０のサーバ処理部１１２で実行する。また、音声入力部１０４で取得した信号の取り込みと通信部１０７への送信のみを第２の音声認識部１０２で行い、その他の音声認識処理（特徴量の抽出および特徴量と音響モデルの照合）をサーバ処理部１１２で実行することもできる。いずれの場合も、サーバ処理部１１２での処理結果は、通信部１１１を介して第２の音声認識部１０２に送信される。第２の音声認識部１０２は、認識処理で得られたＮ件の認識結果をテレビ操作部１０８に伝える。そして、テレビ操作部１０８は、第２の音声認識部１０２で得られたＮ件の認識結果をディスプレイ２０２にリスト表示する（ステップＳ６）。図７は、Ｎが３に設定された場合のリスト表示の例である。
【００２４】
次に、ディスプレイ２０２に表示されたＮ件の認識結果の中から正解を選択する方法について説明する。正解の選択方法には、リモコンによる選択と音声認識による選択の２通りがある（ステップＳ７）。リモコンを使用する場合、ユーザは十字キーなどを用いて正解にカーソルを移動させ、決定ボタンを押して選択する（ステップＳ８）。テレビ操作部１０８は、図７の認識結果リストの最上位（東芝太郎）が選択された場合、図８のように東芝太郎が出演している番組をＥＰＧから検索しリストアップする（ステップＳ１１）。また、所望の番組をリモコンで選択して番組情報を確認したり、録画予約したりすることもできる（ステップＳ１１）。
【００２５】
正解の選択に音声認識を使用する場合は、Ｎ件の認識結果をローカル型の第１の音声認識部１０１の認識語彙として動的に登録する（ステップＳ９）。そして、音声入力部１０４に入力されたユーザの音声を第１の音声認識部１０１で認識する（ステップＳ１０）。これにより、ユーザは、音声を使ってＮ件の認識結果から正解を選択できる。ここで、図９のように認識結果のリストに通し番号を付与し、その番号もあわせて第１の音声認識部１０１の認識語彙に登録すれば、番号による指定も可能になる。また、同様な枠組みにより、図８のような番組検索結果が表示された場合も、リモコンによる選択と音声認識による選択とのいずれかで所望の番組を選択できる。
【００２６】
このように、第１の実施形態にかかる音声認識装置１００では、リモコンもしくは合図音による認識開始指示によって、情報検索やテレビ受像機の操作といったタスクを起動する。そして、起動されるタスクに連動してローカル型の第１の音声認識部１０１と分散型の第２の音声認識部１０２が切り替えられる。これにより、音声認識装置１００は、分散型とローカル型の使い分けをユーザに意識させることなく、音声認識を切り替えることができる。
【００２７】
また、テレビ受像機の操作などの小規模な認識語彙にはローカル型の第１の音声認識が、情報検索などの大規模な認識語彙には分散型の第２の音声認識が使用されるよう音声認識が切り替えられるため、ユーザの認識開始指示によって目的に応じた音声認識を選択できる。
【００２８】
また、第１の実施形態にかかる音声認識装置１００では、合図音でテレビ受像機操作のタスクを起動できる。これにより、ユーザはリモコン等の機器を一切持たずにテレビ受像機を操作できる。
【００２９】
また、第１の実施形態にかかる音声認識装置１００では、情報検索に用いられる第２の音声認識部１０２が２つ以上の認識結果を出力するよう動作する。これにより、大規模な認識語彙が対象となる場合においても認識結果に正解が含まれる確率を高めることができる。
【００３０】
また、第１の実施形態にかかる音声認識装置１００では、第２の音声認識部１０２が出力した２つ以上の認識結果からの正解の選択に、認識語彙を動的に生成した第１の音声認識部１０１を利用している。これにより、ユーザはリモコン等の機器操作を用いずに正解を選択できる。
【００３１】
また、第１の実施形態にかかる音声認識装置１００では、分散型の第２の音声認識部１０２の認識語彙を定期的に更新する。これにより、ユーザは最新の情報を利用して情報検索を行うことができる。
【００３２】
（第２の実施形態）
図１０は、第２の実施形態にかかる音声認識装置１５０の構成を示すブロック図である。図１１は、第２の実施形態にかかるテレビ受像機３００の外観を示した模式図である。第２の実施形態が第１の実施形態と異なるのは、テレビ受像機３００に画像を撮影するカメラ３０１が追加されている点と、音声認識装置１５０にカメラ３０１からの画像を入力する画像入力部１５１と画像入力部１５１で取得した画像に含まれるジェスチャを認識するジェスチャ認識部１５２が追加されている点と、合図音認識部１０５が削除されている点である。
【００３３】
本実施形態においてユーザは、リモコンのボタン押下もしくは所定のジェスチャのいずれかの操作によって認識開始指示を行うことができる。ここで、ジェスチャとしては、ユーザが手を振る、指で特定の方向を指すなどの所定の動作が考えられる。ジェスチャ認識部１５２は、映像入力部１５１が取得したジェスチャの映像を画像認識技術で認識する。そして、予め設定した所定のジェスチャを認識した場合、ユーザの認識開始指示を検出したものとする。
【００３４】
音声認識切替部１０６は、検出された認識開始指示に応じて、ユーザの音声を認識する際に使用する音声認識部を切り替える。本実施形態では、ユーザのジェスチャによる認識開始指示が検出された場合はローカル型の第１の音声認識部１０１を、リモコンによる認識開始指示が検出された場合は分散型の第２の音声認識部１０２を使用する。
【００３５】
このように構成された第２の実施形態にかかる音声認識装置１５０の動作について説明する。図１２は、第２の実施形態における音声認識装置１５０の処理の全体の流れを示すフローチャートである。第１の実施形態にかかる音声認識装置１５０と異なる処理は、ステップＳ２３およびステップＳ２９である。
【００３６】
ステップＳ２３では、検出された認識開始指示に応じて使用する音声認識部を切り替えている。本実施形態では、映像入力部１５１の信号から認識開始指示を検出した場合（ユーザがジェスチャで認識開始指示を行った場合）はローカル型の第１の音声認識部１０１を、リモコン信号入力部１０３の信号から認識開始指示を検出した場合（ユーザがリモコンで認識開始指示を行った場合）は分散型の第２の音声認識部１０２を使用する。
【００３７】
ステップＳ２９は、第２の音声認識部１０２のＮ件の認識結果の中から正解を選択する際にジェスチャを利用している。例えば、図７のフォーカス７００を手の位置で動かし、目的の候補にフォーカス７００が移った後に親指を立てて決定するなど、予め定めたジェスチャによって選択する。なお、ジェスチャの画像認識には、ジェスチャ認識部１５２を利用する。
【００３８】
このように、第２の実施形態にかかる音声認識装置１５０では、ジェスチャで分散型の第１の音声認識部１０１に認識開始指示を行うことができる。これにより、ユーザはリモコン等の機器を一切持たずにテレビ受像機を操作することができる。
【００３９】
以上述べた少なくとも一つの実施形態の音声認識装置によれば、ユーザの認識開始指示によって、情報検索やテレビ受像機の操作といったタスクを起動する。そして、起動されるタスクに連動してローカル型の第１の音声認識部１０１と分散型の第２の音声認識部１０２が切り替えられる。これにより、音声認識装置１００は、分散型とローカル型の使い分けをユーザに意識させることなく、音声認識を切り替えることができる。
【００４０】
また、テレビ受像機の操作等の小規模な認識語彙にはローカル型の第１の音声認識部１０１が、情報検索等の大規模な認識語彙には分散型の第２の音声認識部１０２が使用されるよう音声認識が切り替えられる。これにより、音声認識装置は、ユーザの認識開始指示によって目的に応じた音声認識を選択できる。
【００４１】
また、ユーザがリモコンを用いずにテレビ受像機を操作するための認識開始指示を行うことができる。これにより、ユーザはリモコン等の機器を一切持たずにテレビ受像機を操作することができる。
【００４２】
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【００４３】
１００ 音声認識装置
１０１ 第１の音声認識部
１０２ 第２の音声認識部
１０３ リモコン信号入力部
１０４ 音声入力部
１０５ 合図音検出部
１０６ 音声認識切替部
１０７ 通信部
１０８ テレビ操作部
１１０ 外部サーバ
１１１ 通信部
１１２ サーバ処理部
１３０ 制御部
１３１ 記憶部
１３２ 外部記憶部
１３３ 操作部
１３４ 通信部
１３５ バス
１３６ 音声入力部
１５０ 音声認識装置
１５１ 画像入力部
１５２ ジェスチャ認識部
２００ テレビ受像機
２０１ 筐体
２０２ ディスプレイ
２０３ 赤外線受信部
２０４ マイク
２０５ リモコン
３００ テレビ受像機
３０１ カメラ
７００ フォーカス
【技術分野】
【０００１】
本発明の実施形態は、音声認識装置、音声認識方法および音声認識装置を搭載したテレビ受像機に関する。
【背景技術】
【０００２】
手による機器操作や文字入力の代替手段として、ユーザの音声を認識して所望の動作を実現する音声認識がある。従来、音声認識には、対象機器内で閉じて音声認識処理を行うローカル型の音声認識が用いられてきた。これに対し近年、ネットワークの大容量化、分散処理技術の進歩により、機器のマイクに入力されたユーザの音声（もしくは音声から抽出した特徴量）をネットワーク経由で外部サーバに送信し、外部サーバ上で音声認識処理の一部を行う分散型の音声認識が普及しつつある。
【０００３】
ローカル型音声認識と分散型音声認識は、対照的な特徴を持つ。ローカル型音声認識は、外部サーバと接続せずに使用できるためレスポンスが早いが、ローカルに使用できる処理能力の制限により大規模な認識語彙への対応が困難である。これに対し、分散型音声認識は、高い処理能力を持つ外部サーバを分散的に利用できるため大規模な認識語彙に対応することができるが、外部サーバとの接続が必要となるためレスポンスが遅くなる。
【０００４】
このように、ローカル型音声認識と分散型音声認識は対照的な特徴を持つため、音声認識を使用する目的に応じて使い分けることが望ましい。従来の技術では、リモコンのボタン押下等によって分散型を使うのかローカル型を使うのかを切り替えており、ユーザ自身が音声認識の切り替えを明確に意識する必要があった。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特表２００２−５４０４７９号公報
【特許文献２】特開２００２−１８２８９６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
発明が解決しようとする課題は、ローカル型と分散型の音声認識の切り替えをユーザに意識させることなく、音声認識の使い分けを実現することである。
【課題を解決するための手段】
【０００７】
実施形態の音声認識装置は、音声を入力する音声入力手段と、当該音声入力手段に入力された音声を認識する第１の音声認識手段と、外部サーバと通信する通信手段と、当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、リモコン信号を入力するリモコン信号入力手段と、当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記音声入力手段に入力された音声から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段とを備える。
【図面の簡単な説明】
【０００８】
【図１】第１の実施形態の音声認識装置を示すブロック図。
【図２】第１の実施形態のテレビの外観を示した模式図。
【図３】第１の実施形態のテレビおよび音声認識装置のハードウェア構成を示す図。
【図４】第１の実施形態の音声認識装置の処理の全体の流れを示すフローチャート。
【図５】第１の実施形態の認識語彙のリストを示す図。
【図６】第１の実施形態の認識語彙のリストを示す図。
【図７】第１の実施形態のＮ件の認識結果のリストを示す図。
【図８】第１の実施形態の番組検索結果のリストを示す図。
【図９】第１の実施形態のＮ件の認識結果のリストを示す図。
【図１０】第２の実施形態の音声認識装置を示すブロック図。
【図１１】第２の実施形態のテレビの外観を示した模式図。
【図１２】第２の実施形態の音声認識装置の処理の全体の流れを示すフローチャート。
【発明を実施するための形態】
【０００９】
以下、本発明の実施形態について図面を参照しながら説明する。
【００１０】
（第１の実施形態）
図１は、第１の実施形態にかかるテレビ受像機２００に内蔵された音声認識装置１００を示すブロック図である。図２は、テレビ受像機２００の外観を示した模式図である。第１の実施形態では、ユーザが音声でテレビを操作したり番組名等の情報を検索したりする状況を想定しており、音声認識装置１００はテレビ受像機２００の本体に内蔵される。本実施形態の音声認識装置１００は、ローカル型の第１の音声認識部１０１と分散型の第２の音声認識部１０２を備えている。これらの音声認識は、ユーザによって音声認識を開始する旨の指示（認識開始指示）が出された場合に起動する。本実施形態においてユーザは、リモコンのボタン押下もしくは所定の合図音のいずれかの操作によって認識開始指示を出すことができる。所定の合図音は、ユーザの音声、ユーザの動作で発生する動作音などである。音声認識装置１００は、検出された認識開始指示に応じてユーザの音声の認識に使用する音声認識部を切り替える。具体的には、リモコンによる認識開始指示を検出した場合は第２の音声認識部１０２を、合図音による認識開始指示を検出した場合には第１の音声認識部１０１を使用する。
【００１１】
図２のテレビ受像機２００は、テレビ本体を支持する筐体２０１と、情報を表示するディスプレイ２０２と、リモコンからの赤外線を受信する赤外線受信部２０３と、ユーザの音声（合図音を含む）を取得する２本のマイク２０４と、制御信号を赤外線で送信するリモコン２０５とを備える。図１の音声認識装置１００は、リモコンからの信号を入力するリモコン信号入力部１０３と、音声（合図音を含む）を入力する音声入力部１０４と、音声入力部１０４が取得した音声から合図音を検出する合図音検出部１０５と、リモコン信号入力部１０３が取得したリモコン信号と合図音検出部１０５が検出した合図音とに応じて音声認識を切り替える音声認識切替部１０６と、ローカル型の第１の音声認識部１０１と、分散型の第２の音声認識部１０２と、外部サーバ１１０と通信する通信部１０７とを備える。第１の音声認識部１０１および第２の音声認識部１０２の認識結果は、テレビの操作等を行うテレビ操作部１０８に送信される。テレビ操作部１０８は、テレビ受像機２００に内蔵されている。更に、分散型の第２の音声認識部１０２は、通信部１０７を介して外部サーバ１１０と接続しており、外部サーバ１１０は、音声認識装置１００と通信する通信部１１１と、音声認識処理の一部を実行するサーバ処理部１１２とを備える。
【００１２】
音声認識装置１００および外部サーバ１１０は、図３に示すような通常のコンピュータを利用したハードウェアで構成されており、装置全体を制御するＣＰＵ（Central Processing Unit）等の制御部１３０と、各種データや各種プログラムを記憶するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等の記憶部１３１と、各種データや各種プログラムを記憶するＨＤＤ（Hard Disk Drive）やＣＤ（Compact Disk）ドライブ装置等の外部記憶部１３２と、ユーザの指示入力を受け付ける操作部１３３と、外部装置との通信を制御する通信部１３４と、これらを接続するバス１３５とを備えている。さらに、音声認識装置１００には、音声が入力されるマイクなどの音声入力部１３６が接続される。ここで、外部サーバ１１０は、複数台のハードウェアで構成できる。
【００１３】
このようなハードウェア構成において、制御部１３０がＲＯＭ等の記憶部１３１や外部記憶部１３２に記憶された各種プログラムを実行することにより以下の機能が実現される。
【００１４】
音声認識装置１００のリモコン信号入力部１０３は、赤外線受信部２０３を介してリモコン２０５のボタン押下によって発せられた認識開始指示を取得する。認識開始指示とは、ユーザからの音声認識を開始する旨の指示を表している。音声認識装置１００の音声入力部１０４は、２本のマイク２０４を介してユーザの音声もしくは合図音を取得する。音声入力部１０４は、マイクアレー技術を用いて、認識開始指示の到来方向の推定およびこの推定方向への指向性付与を実行できる。合図音検出部１０５は、音声入力部１０４が取得した音声からユーザの認識開始指示である合図音を検出する。音声認識切替部１０６は、リモコン信号入力部１０３もしくは合図音検出部１０５で検出された認識開始指示に応じて、使用する音声認識部を切り替える。本実施形態では、合図音による認識開始指示が検出された場合はローカル型の第１の音声認識部１０１を、リモコンによる認識開始指示が検出された場合は分散型の第２の音声認識部１０２を使用する。第２の音声認識部１０２は、通信部１０７を介して外部サーバ１１０と接続しており、音声認識処理の一部を外部サーバ１１０のサーバ処理部１１２で実行する。通信部１０７および通信部１１１は有線もしくは無線のネットワークで接続される。テレビ受像機２００のテレビ操作部１０８は、第１の音声認識部１０１もしくは第２の音声認識部１０２で得られた認識結果を取得し、チャンネル切替等のテレビ受像機の操作や番組名等の情報検索を行う。テレビ操作部１０８から出力される認識結果や各種情報はディスプレイ２０２に表示される。
【００１５】
このように構成された第１の実施形態にかかる音声認識装置１００の動作について説明する。図４は、第１の実施形態における音声認識装置１００の処理の全体の流れを示すフローチャートである。本実施形態における音声認識装置１００は、テレビ受像機２００に内蔵されており、ユーザが音声でテレビを操作したり番組名等の情報を検索したりすることを実現する。ここで、テレビ受像機の操作をする場合は合図音を使って、情報を検索する場合はリモコンを使って認識開始指示を出すようマニュアルでユーザに通知しておく。テレビ受像機の操作には、例えば１００〜２００程度の小規模な語彙が必要であり、その性質上早急なレスポンスが求められる。一方、情報検索には、例えば１０万程度の大規模な語彙が必要であり、十分な計算機リソースを利用した認識精度の確保が求められる。したがって、テレビ受像機の操作の場合はローカル型の第１の音声認識部１０１を、情報検索の場合は分散型の第２の音声認識部１０２を使用してユーザの音声を認識する。さらに、第２の音声認識部１０２は、認識結果に正解が含まれる確率を高めるため、正解候補として尤度が高い順にＮ件の認識結果（Ｎは２以上）を出力する。以下、図４のフローチャートにおける各ステップの詳細を説明する。
【００１６】
まず、音声認識装置１００は、ユーザからの認識開始指示を待つ（ステップＳ１）。本実施形態において、ユーザは、リモコンのボタン押下による認識開始指示もしくは合図音による認識開始指示を行うことができる。
【００１７】
本実施形態では、リモコンのボタン押下による認識開始指示を可能にするため、リモコンの所定ボタンに認識開始を指示する制御信号を割り当てる。音声認識切替部１０６は、リモコン信号入力部１０３で取得された信号に制御信号が含まれるか否かを判別し、制御信号が含まれていると判別した場合、ユーザからの認識開始指示を検出したものとする（ステップＳ２）。
【００１８】
合図音による認識開始指示の場合、合図音検出部１０５は、音声入力部１０４が取得した信号からユーザの認識開始指示を検出し、検出結果を音声認識切替部１０６に送信する。ここで、合図音としては、特定単語（例えば、「テレビくん」）を発声したユーザの音声、もしくは手のひらを２回叩く、親指と中指で音を鳴らすなどの動作音が考えられる。特定単語を発声したユーザの音声を合図音として使用する場合、合図音検出部１０５は、特定単語を認識語彙として登録したローカル型の第１の音声認識部１０１を起動させておく。そして、この特定単語に対する認識の尤度が所定値より大きくなった場合に、ユーザの認識開始指示を検出したものとする（ステップＳ２）。ここで、合図音検出部１０５は、第１の音声認識部１０１以外の音声認識を用いて特定単語を認識してもよい。
【００１９】
ユーザの動作音を合図音として使用する場合、合図音検出部１０５は、音声入力部１０４で取得した信号のレベルを抽出する。そして、このレベルが所定値を超えたか否か、所定値を超えるレベルが連続して２回発生したか否か等の、予め決められた動作音検出のルールに基づいて認識開始指示を検出する（ステップＳ２）。例えば、認識開始指示として拍手を使用する場合、信号のレベルが２回連続して所定値を超えたか否か、を動作音検出のルールとして用いる。これにより、物を落とす、ドアを閉める等といった単発的な音に対する語検出を防ぐことができる。
【００２０】
音声認識切替部１０６は、検出された認識開始指示に応じて使用する音声認識を切り替える（ステップＳ３）。本実施形態では、音声入力部１０４の信号から認識開始指示を検出した場合（ユーザが合図音で認識開始指示を行った場合）はローカル型の第１の音声認識部１０１を、リモコン信号入力部１０３の信号から認識開始指示を検出した場合（ユーザがリモコンで認識開始指示を行った場合）は分散型の第２の音声認識部１０２を使用する。
【００２１】
第１の音声認識部１０１を使用した場合の音声認識処理（ステップＳ４）について説明する。ローカル型の第１の音声認識部１０１は、１００〜２００程度の比較的小規模な認識語彙を対象としており、テレビ受像機２００の操作に利用される。第１の音声認識部１０１に登録された認識語彙は、図５のようなテレビのチャンネル切替、音量調節、電源オン／オフや、図６のような天気予報、ニュースなどの各種情報画面の起動など、テレビ受像機２００の操作に関する語彙である。これらの認識語彙は、予め固定的に保持していてもよいし、各種情報の見出しなどを解析して動的に生成してもよい。そして、第１の音声認識部１０１は、音声入力部１０４に入力されたユーザの音声からＭＦＣＣ（Mel-Frequency Cepstral Coefficient）などの特徴量の抽出と、特徴量と音響モデルの照合とを行い、最も尤度が高い認識語彙を認識結果としてテレビ操作部１０８に出力する。そして、テレビ操作部１０８は、認識結果に応じたテレビ受像機の操作とディスプレイ２０２への表示画面出力を実行する（ステップＳ１１）。
【００２２】
次に、第２の音声認識部１０２を使用した場合の音声認識処理（ステップＳ５）について説明する。第２の音声認識部１０２は、分散型音声認識であり１０万程度の大規模な認識語彙を対象とした情報検索に利用される。第２の音声認識部１０２の認識語彙は、ＥＰＧ（Electronic Program Guide：電子番組表）から抽出した番組名、出演者名や、それらの略称・愛称など情報検索の対象となる語彙である。ここで、ＥＰＧなどは日々変動するため、定期的に（例えば、一日に一度）認識語彙を更新する。
【００２３】
第２の音声認識部１０２は、外部サーバ１１０のサーバ処理部１１２で音声認識処理の一部を実行する。例えば、第２の音声認識部１０２で音声認識の特徴量（ＭＦＣＣ）を抽出し、この特徴量と音響モデルの照合を外部サーバ１１０のサーバ処理部１１２で実行する。また、音声入力部１０４で取得した信号の取り込みと通信部１０７への送信のみを第２の音声認識部１０２で行い、その他の音声認識処理（特徴量の抽出および特徴量と音響モデルの照合）をサーバ処理部１１２で実行することもできる。いずれの場合も、サーバ処理部１１２での処理結果は、通信部１１１を介して第２の音声認識部１０２に送信される。第２の音声認識部１０２は、認識処理で得られたＮ件の認識結果をテレビ操作部１０８に伝える。そして、テレビ操作部１０８は、第２の音声認識部１０２で得られたＮ件の認識結果をディスプレイ２０２にリスト表示する（ステップＳ６）。図７は、Ｎが３に設定された場合のリスト表示の例である。
【００２４】
次に、ディスプレイ２０２に表示されたＮ件の認識結果の中から正解を選択する方法について説明する。正解の選択方法には、リモコンによる選択と音声認識による選択の２通りがある（ステップＳ７）。リモコンを使用する場合、ユーザは十字キーなどを用いて正解にカーソルを移動させ、決定ボタンを押して選択する（ステップＳ８）。テレビ操作部１０８は、図７の認識結果リストの最上位（東芝太郎）が選択された場合、図８のように東芝太郎が出演している番組をＥＰＧから検索しリストアップする（ステップＳ１１）。また、所望の番組をリモコンで選択して番組情報を確認したり、録画予約したりすることもできる（ステップＳ１１）。
【００２５】
正解の選択に音声認識を使用する場合は、Ｎ件の認識結果をローカル型の第１の音声認識部１０１の認識語彙として動的に登録する（ステップＳ９）。そして、音声入力部１０４に入力されたユーザの音声を第１の音声認識部１０１で認識する（ステップＳ１０）。これにより、ユーザは、音声を使ってＮ件の認識結果から正解を選択できる。ここで、図９のように認識結果のリストに通し番号を付与し、その番号もあわせて第１の音声認識部１０１の認識語彙に登録すれば、番号による指定も可能になる。また、同様な枠組みにより、図８のような番組検索結果が表示された場合も、リモコンによる選択と音声認識による選択とのいずれかで所望の番組を選択できる。
【００２６】
このように、第１の実施形態にかかる音声認識装置１００では、リモコンもしくは合図音による認識開始指示によって、情報検索やテレビ受像機の操作といったタスクを起動する。そして、起動されるタスクに連動してローカル型の第１の音声認識部１０１と分散型の第２の音声認識部１０２が切り替えられる。これにより、音声認識装置１００は、分散型とローカル型の使い分けをユーザに意識させることなく、音声認識を切り替えることができる。
【００２７】
また、テレビ受像機の操作などの小規模な認識語彙にはローカル型の第１の音声認識が、情報検索などの大規模な認識語彙には分散型の第２の音声認識が使用されるよう音声認識が切り替えられるため、ユーザの認識開始指示によって目的に応じた音声認識を選択できる。
【００２８】
また、第１の実施形態にかかる音声認識装置１００では、合図音でテレビ受像機操作のタスクを起動できる。これにより、ユーザはリモコン等の機器を一切持たずにテレビ受像機を操作できる。
【００２９】
また、第１の実施形態にかかる音声認識装置１００では、情報検索に用いられる第２の音声認識部１０２が２つ以上の認識結果を出力するよう動作する。これにより、大規模な認識語彙が対象となる場合においても認識結果に正解が含まれる確率を高めることができる。
【００３０】
また、第１の実施形態にかかる音声認識装置１００では、第２の音声認識部１０２が出力した２つ以上の認識結果からの正解の選択に、認識語彙を動的に生成した第１の音声認識部１０１を利用している。これにより、ユーザはリモコン等の機器操作を用いずに正解を選択できる。
【００３１】
また、第１の実施形態にかかる音声認識装置１００では、分散型の第２の音声認識部１０２の認識語彙を定期的に更新する。これにより、ユーザは最新の情報を利用して情報検索を行うことができる。
【００３２】
（第２の実施形態）
図１０は、第２の実施形態にかかる音声認識装置１５０の構成を示すブロック図である。図１１は、第２の実施形態にかかるテレビ受像機３００の外観を示した模式図である。第２の実施形態が第１の実施形態と異なるのは、テレビ受像機３００に画像を撮影するカメラ３０１が追加されている点と、音声認識装置１５０にカメラ３０１からの画像を入力する画像入力部１５１と画像入力部１５１で取得した画像に含まれるジェスチャを認識するジェスチャ認識部１５２が追加されている点と、合図音認識部１０５が削除されている点である。
【００３３】
本実施形態においてユーザは、リモコンのボタン押下もしくは所定のジェスチャのいずれかの操作によって認識開始指示を行うことができる。ここで、ジェスチャとしては、ユーザが手を振る、指で特定の方向を指すなどの所定の動作が考えられる。ジェスチャ認識部１５２は、映像入力部１５１が取得したジェスチャの映像を画像認識技術で認識する。そして、予め設定した所定のジェスチャを認識した場合、ユーザの認識開始指示を検出したものとする。
【００３４】
音声認識切替部１０６は、検出された認識開始指示に応じて、ユーザの音声を認識する際に使用する音声認識部を切り替える。本実施形態では、ユーザのジェスチャによる認識開始指示が検出された場合はローカル型の第１の音声認識部１０１を、リモコンによる認識開始指示が検出された場合は分散型の第２の音声認識部１０２を使用する。
【００３５】
このように構成された第２の実施形態にかかる音声認識装置１５０の動作について説明する。図１２は、第２の実施形態における音声認識装置１５０の処理の全体の流れを示すフローチャートである。第１の実施形態にかかる音声認識装置１５０と異なる処理は、ステップＳ２３およびステップＳ２９である。
【００３６】
ステップＳ２３では、検出された認識開始指示に応じて使用する音声認識部を切り替えている。本実施形態では、映像入力部１５１の信号から認識開始指示を検出した場合（ユーザがジェスチャで認識開始指示を行った場合）はローカル型の第１の音声認識部１０１を、リモコン信号入力部１０３の信号から認識開始指示を検出した場合（ユーザがリモコンで認識開始指示を行った場合）は分散型の第２の音声認識部１０２を使用する。
【００３７】
ステップＳ２９は、第２の音声認識部１０２のＮ件の認識結果の中から正解を選択する際にジェスチャを利用している。例えば、図７のフォーカス７００を手の位置で動かし、目的の候補にフォーカス７００が移った後に親指を立てて決定するなど、予め定めたジェスチャによって選択する。なお、ジェスチャの画像認識には、ジェスチャ認識部１５２を利用する。
【００３８】
このように、第２の実施形態にかかる音声認識装置１５０では、ジェスチャで分散型の第１の音声認識部１０１に認識開始指示を行うことができる。これにより、ユーザはリモコン等の機器を一切持たずにテレビ受像機を操作することができる。
【００３９】
以上述べた少なくとも一つの実施形態の音声認識装置によれば、ユーザの認識開始指示によって、情報検索やテレビ受像機の操作といったタスクを起動する。そして、起動されるタスクに連動してローカル型の第１の音声認識部１０１と分散型の第２の音声認識部１０２が切り替えられる。これにより、音声認識装置１００は、分散型とローカル型の使い分けをユーザに意識させることなく、音声認識を切り替えることができる。
【００４０】
また、テレビ受像機の操作等の小規模な認識語彙にはローカル型の第１の音声認識部１０１が、情報検索等の大規模な認識語彙には分散型の第２の音声認識部１０２が使用されるよう音声認識が切り替えられる。これにより、音声認識装置は、ユーザの認識開始指示によって目的に応じた音声認識を選択できる。
【００４１】
また、ユーザがリモコンを用いずにテレビ受像機を操作するための認識開始指示を行うことができる。これにより、ユーザはリモコン等の機器を一切持たずにテレビ受像機を操作することができる。
【００４２】
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【００４３】
１００ 音声認識装置
１０１ 第１の音声認識部
１０２ 第２の音声認識部
１０３ リモコン信号入力部
１０４ 音声入力部
１０５ 合図音検出部
１０６ 音声認識切替部
１０７ 通信部
１０８ テレビ操作部
１１０ 外部サーバ
１１１ 通信部
１１２ サーバ処理部
１３０ 制御部
１３１ 記憶部
１３２ 外部記憶部
１３３ 操作部
１３４ 通信部
１３５ バス
１３６ 音声入力部
１５０ 音声認識装置
１５１ 画像入力部
１５２ ジェスチャ認識部
２００ テレビ受像機
２０１ 筐体
２０２ ディスプレイ
２０３ 赤外線受信部
２０４ マイク
２０５ リモコン
３００ テレビ受像機
３０１ カメラ
７００ フォーカス
【特許請求の範囲】
【請求項１】
音声を入力する音声入力手段と、
当該音声入力手段に入力された音声を認識する第１の音声認識手段と、
外部サーバと通信する通信手段と、
当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、
リモコン信号を入力するリモコン信号入力手段と、
当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記音声入力手段に入力された音声から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段と、
を備えた音声認識装置。
【請求項２】
音声を入力する音声入力手段と、
当該音声入力手段に入力された音声を認識する第１の音声認識手段と、
外部サーバと通信する通信手段と、
当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、
リモコン信号を入力するリモコン信号入力手段と、
画像を入力する画像入力手段と、
当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記画像入力手段に入力された画像から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段と、
を備えた音声認識装置。
【請求項３】
前記第２の音声認識手段が２以上の認識結果を出力する請求項１乃至２に記載の音声認識装置。
【請求項４】
前記第１の音声認識手段が前記第２の音声認識手段が出力した２以上の認識結果を認識語彙に登録して前記音声入力手段に入力された音声を認識する請求項３に記載の音声認識装置。
【請求項５】
前記第２の音声認識手段が音声認識の認識語彙を定期的に更新する請求項１乃至請求項２に記載の音声認識装置。
【請求項６】
請求項１乃至請求項２に記載の音声認識装置を搭載したテレビ受像機であって、
前記第１の音声認識手段の認識語彙が情報検索の語彙で構成され、前記第２の音声認識手段の認識語彙が前記テレビ受像機の操作の語彙で構成されたテレビ受像機。
【請求項７】
音声を入力する音声入力工程と、
リモコン信号を入力するリモコン信号入力工程と、
当該リモコン信号入力工程で取得したリモコン信号から認識開始指示を検出した場合は第１の音声認識工程で前記音声を認識し、前記音声入力工程で取得した音声から認識開始指示を検出した場合は外部サーバを利用した第２の音声認識工程で前記音声を認識するよう第１と第２の音声認識工程を切り替える音声認識切替工程と、
を備えた音声認識方法。
【請求項８】
音声を入力する音声入力工程と、
リモコン信号を入力するリモコン信号入力工程と、
画像を入力する画像入力工程と、
前記リモコン信号入力工程で取得したリモコン信号から認識開始指示を検出した場合は第１の音声認識工程で前記音声を認識し、前記画像入力工程で取得した映像から認識開始指示を検出した場合は外部サーバを利用した第２の音声認識工程で前記音声を認識するよう第１と第２の音声認識工程を切り替える音声認識切替工程と、
を備えた音声認識方法。
【請求項１】
音声を入力する音声入力手段と、
当該音声入力手段に入力された音声を認識する第１の音声認識手段と、
外部サーバと通信する通信手段と、
当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、
リモコン信号を入力するリモコン信号入力手段と、
当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記音声入力手段に入力された音声から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段と、
を備えた音声認識装置。
【請求項２】
音声を入力する音声入力手段と、
当該音声入力手段に入力された音声を認識する第１の音声認識手段と、
外部サーバと通信する通信手段と、
当該通信手段で接続された外部サーバ上で前記音声入力手段に入力された音声を認識する第２の音声認識手段と、
リモコン信号を入力するリモコン信号入力手段と、
画像を入力する画像入力手段と、
当該リモコン信号入力手段に入力されたリモコン信号から認識開始指示を検出した場合は前記第２の音声認識手段で前記音声入力手段に入力された音声を認識し、前記画像入力手段に入力された画像から認識開始指示を検出した場合は前記第１の音声認識手段で前記音声入力手段に入力された音声を認識するよう第１と第２の音声認識手段を切り替える音声認識切替手段と、
を備えた音声認識装置。
【請求項３】
前記第２の音声認識手段が２以上の認識結果を出力する請求項１乃至２に記載の音声認識装置。
【請求項４】
前記第１の音声認識手段が前記第２の音声認識手段が出力した２以上の認識結果を認識語彙に登録して前記音声入力手段に入力された音声を認識する請求項３に記載の音声認識装置。
【請求項５】
前記第２の音声認識手段が音声認識の認識語彙を定期的に更新する請求項１乃至請求項２に記載の音声認識装置。
【請求項６】
請求項１乃至請求項２に記載の音声認識装置を搭載したテレビ受像機であって、
前記第１の音声認識手段の認識語彙が情報検索の語彙で構成され、前記第２の音声認識手段の認識語彙が前記テレビ受像機の操作の語彙で構成されたテレビ受像機。
【請求項７】
音声を入力する音声入力工程と、
リモコン信号を入力するリモコン信号入力工程と、
当該リモコン信号入力工程で取得したリモコン信号から認識開始指示を検出した場合は第１の音声認識工程で前記音声を認識し、前記音声入力工程で取得した音声から認識開始指示を検出した場合は外部サーバを利用した第２の音声認識工程で前記音声を認識するよう第１と第２の音声認識工程を切り替える音声認識切替工程と、
を備えた音声認識方法。
【請求項８】
音声を入力する音声入力工程と、
リモコン信号を入力するリモコン信号入力工程と、
画像を入力する画像入力工程と、
前記リモコン信号入力工程で取得したリモコン信号から認識開始指示を検出した場合は第１の音声認識工程で前記音声を認識し、前記画像入力工程で取得した映像から認識開始指示を検出した場合は外部サーバを利用した第２の音声認識工程で前記音声を認識するよう第１と第２の音声認識工程を切り替える音声認識切替工程と、
を備えた音声認識方法。
【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２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１２−１３３２４３（Ｐ２０１２−１３３２４３Ａ）
【公開日】平成２４年７月１２日（２０１２．７．１２）
【国際特許分類】
【出願番号】特願２０１０−２８６７５９（Ｐ２０１０−２８６７５９）
【出願日】平成２２年１２月２２日（２０１０．１２．２２）
【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７月１２日（２０１２．７．１２）
【国際特許分類】
【出願日】平成２２年１２月２２日（２０１０．１２．２２）
【出願人】（０００００３０７８）株式会社東芝 (54,554)
【Ｆターム（参考）】
[ Back to top ]