音声認識装置および音声認識装置の制御プログラム
【課題】音声認識処理における処理負荷の軽減と応答時間の短縮を図る。
【解決手段】音声認識要求および音声信号を入力する認識処理要求受信手段１０と、音声認識要求と共に入力された音声信号と、過去にデータベースに蓄積された音声信号との類似度を測定する類似度測定手段３１と、音響モデル２１および言語モデル２２を用いて、入力された音声信号の音声認識処理を行なう音声認識処理手段２０と、を備え、認識処理要求受信手段１０は、認識処理を実行する前に、過去にデータベースに蓄積された該当ユーザの音声信号との類似度を測定し、類似度が高い音声信号が存在した場合は、該当音声信号に対する音声認識結果をデータベース３３から読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力する。
【解決手段】音声認識要求および音声信号を入力する認識処理要求受信手段１０と、音声認識要求と共に入力された音声信号と、過去にデータベースに蓄積された音声信号との類似度を測定する類似度測定手段３１と、音響モデル２１および言語モデル２２を用いて、入力された音声信号の音声認識処理を行なう音声認識処理手段２０と、を備え、認識処理要求受信手段１０は、認識処理を実行する前に、過去にデータベースに蓄積された該当ユーザの音声信号との類似度を測定し、類似度が高い音声信号が存在した場合は、該当音声信号に対する音声認識結果をデータベース３３から読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、過去の音声認識結果を利用する音声認識技術に関する。
【背景技術】
【０００２】
従来から、音声入力が行なわれたときに、過去に入力された音声との類似度を測定し、類似度がある閾値以上である場合に、その音声に対応した認識結果を出力する音声認識装置が知られている（特許文献１）。この音声認識装置では、認識対象単語の標準パターンの中で、音声分析部が音声波形を分析した入力パターンとの類似度計算の対象となる部分標準パターンと、これらのパターンの累積類似度を記憶する。また、累積類似度を現行閾値と比較して、部分標準パターンの類似度の大きいものの個数を計数する。現行閾値および個数の対応関係に応じて枝刈閾値を計算し、この枝刈閾値に基づいて、部分標準パターンの中で、類似度の大きいものに関して特徴量との類似度を計算する。そして、部分標準パターンの中で、最も類似度の大きい標準パターンに対応する単語を認識結果として決定する。
【特許文献１】特開平１０−１５３９９９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
しかしながら、特許文献１記載の技術では、過去に入力されたすべての音声との類似度を計算するため、比較する音声データの個数が多くなり、処理時間が長くなるという問題がある。また、比較対象の音声については、ユーザの情報を加味せずに、異なるユーザの音声とも類似度を計算するため、処理時間が長くなると共に、誤った認識結果を返信してしまう場合がある。さらに、比較対象の音声として、認識結果の正誤に関係なく、類似度を計算するため、処理時間が長くなると共に、誤った認識結果を出力してしまう場合がある。その他にも、ユーザが語彙外発声と気づかずに何度も発声した音声とも比較するため、ユーザが希望しない認識結果が何度も出力される場合もある。
【０００４】
本発明は、このような事情に鑑みてなされたものであり、類似度測定に要する処理時間を短縮し、認識結果の誤りを回避することができる音声認識装置およびプログラム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】
【０００５】
（１）上記の目的を達成するために、本発明は、以下のような手段を講じた。すなわち、本発明の音声認識装置は、音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置であって、音声認識要求および音声信号を入力する認識処理要求受信手段と、前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する類似度測定手段と、音響モデルおよび言語モデルを用いて、入力された音声信号の音声認識処理を行なう音声認識処理手段と、を備え、前記認識処理要求受信手段は、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【０００６】
このように、過去にデータベースに蓄積された音声信号に、類似度が高い音声信号が存在した場合は、類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、処理負荷の大きい音声認識処理を行なう必要がなく、処理負荷の軽減と応答時間の短縮を図ることができる。
【０００７】
（２）また、本発明の音声認識装置において、前記認識処理要求受信手段は、音声認識要求、音声信号およびユーザＩＤを入力し、前記類似度測定手段は、音声認識要求と共に入力されたユーザＩＤおよび音声信号を取得し、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号との類似度を測定することを特徴としている。
【０００８】
このように、音声認識要求と共に入力されたユーザＩＤおよび音声信号を取得し、音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、ユーザＩＤで特定される音声信号との類似度を測定するので、ユーザＩＤで特定される音声信号のみを対象として類似度を測定することができ、処理時間の短縮と認識結果の誤りを回避することが可能となる。
【０００９】
（３）また、本発明の音声認識装置において、前記類似度測定手段は、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号であって、前記音声認識処理手段の認識結果に含まれる認識スコアが所定の閾値よりも高い音声信号との類似度を測定することを特徴としている。
【００１０】
このように、音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、ユーザＩＤで特定される音声信号であって、音声認識処理手段の認識結果に含まれる認識スコアが所定の閾値よりも高い音声信号との類似度を測定するので、過去の誤った認識結果を出力することを回避することができると共に、類似度測定に要する処理時間を短縮することができる。
【００１１】
（４）また、本発明の音声認識装置において、前記類似度測定手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より前の所定期間内に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが相互に類似する場合は、これらを前記類似度の測定対象から除外すると共に、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上で最も高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上となる音声信号が前記所定期間内に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【００１２】
このように、音声認識要求と共に入力された音声信号が入力された時刻より前の所定期間内に、ユーザＩＤに対応する複数の音声信号が入力され、これらが相互に類似する場合は、これらを前記類似度の測定対象から除外するので、処理負担の低減と処理時間の短縮を図ると共に、誤った認識結果を何度も出力することを回避することができる。また、ユーザＩＤに対応し類似度の測定対象となる音声信号のうち、類似度が閾値以上で最も高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、正しい音声認識結果を出力する確率を高めることが可能となる。
【００１３】
（５）また、本発明の音声認識装置において、前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最も類似度の高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【００１４】
このように、音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、ユーザＩＤに対応する複数の音声信号が入力され、これらが音声認識要求と共に入力された音声信号と類似する場合は、類似度が閾値以上で最も類似度の高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、正しい音声認識結果を出力する確率を高めることが可能となる。
【００１５】
（６）また、本発明の音声認識装置において、前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最新の音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【００１６】
このように、音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、ユーザＩＤに対応する複数の音声信号が入力され、これらが音声認識要求と共に入力された音声信号と類似する場合は、類似度が閾値以上で最新の音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、正しい音声認識結果を出力する確率を高めることが可能となる。
【００１７】
（７）また、本発明の音声認識装置の制御プログラムは、音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置の制御プログラムであって、音声認識要求および音声信号を入力する処理と、前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する処理と、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する処理と、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号に対して、音響モデルおよび言語モデルを用いて、音声認識処理を行なう処理と、を含む一連の処理を、コンピュータで読み取りおよび実行可能にコマンド化したことを特徴としている。
【００１８】
このように、過去にデータベースに蓄積された音声信号に、類似度が高い音声信号が存在した場合は、類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、処理負荷の大きい音声認識処理を行なう必要がなく、処理負荷の軽減と応答時間の短縮を図ることができる。
【発明の効果】
【００１９】
本発明によれば、入力音声との類似度を測定する蓄積音声について、ユーザIDを利用するので、類似度測定に要する処理時間の短縮を図り、誤った認識結果を出力することを回避することができる。また、類似度を測定する蓄積音声について、その認識スコアがある閾値以上のもののみを対象とするので、過去の誤った認識結果を出力することを回避することができ、類似度測定に要する処理時間を短縮することができる。さらに、アクセス情報を利用し、近い過去に発声された複数の音声のうち類似度の近い音声を、語彙外発声や誤認識発声と判定して、類似度を求める対象から除外するので、処理負荷の低減および処理時間の短縮を図ることができ、誤った認識結果を何度も出力することを回避することができる。
【発明を実施するための最良の形態】
【００２０】
本実施形態に係る音声認識装置では、ユーザによって過去に発生された蓄積音声と類似した音声が入力された場合には、音声認識処理をせずに、過去の音声認識結果を返信する。これにより、短い応答時間で音声認識結果を出力することができ、かつ、処理負担を低減させることが可能となる。音声認識処理は、処理負担が大きく、処理時間を要するのに対し、類似判定処理は、音声認識処理よりも処理負担が小さく、処理時間が短い。従って、過去に発生された蓄積音声と類似した音声が入力された場合には、音声認識処理を行なわず、過去の音声認識結果を返信することによって、処理負担の低減と応答時間の短縮を図ることが可能となる。以下、本実施形態について、図面を参照して説明する。
【００２１】
図１は、本実施形態に係る音声認識装置の概略構成を示す図である。認識処理要求受信手段１０は、ユーザ端末からの音声認識要求と音声データを受信し、音声認識処理手段２０に対して、認識処理を指示する。また、認識結果をユーザ端末に返信するほか、入力音声や認識結果、アクセス情報を各々のＤＢに蓄積する。処理制御手段１３は、音声認識要求を受信すると、入力された音声を類似度測定手段３１に送信し、過去の蓄積音声との類似度の測定を指示する。過去に類似した音声が存在する場合には、その音声に対する音声認識結果を過去履歴ＤＢ３３から取得して、出力する。また、過去に類似した音声が存在しない場合には、音声認識処理手段２０に対して、音声認識処理を実行させる。
【００２２】
音声認識処理手段２０は、認識処理要求受信手段１０から受信した認識要求に従って、音響モデル２１および言語モデル２２を用いて認識処理を行なう。そして、認識結果を認識処理要求受信手段１０に返信する。
【００２３】
類似度測定手段３１は、入力音声と過去に発声された蓄積音声データの類似度を判定する。求めた音声データ間の距離が閾値以下である場合に、両者が類似していると判定する。類似度を測定する音声は、該当するユーザＩＤのものに限る。また、過去履歴ＤＢ３３は、後述するように、蓄積音声ＤＢ３３ａ、認識結果ＤＢ３３ｂおよびアクセス情報ＤＢ３３ｃを備える。詳細については、後述する。
【００２４】
図２は、図１に示した過去履歴ＤＢ３３の概略構成を示す図である。蓄積音声ＤＢ３３ａは、入力された音声を蓄積するＤＢである。蓄積される音声データは、ＰＣＭ形式などの音声データの他、スペクトル領域のデータ、ケプストラム領域のデータ、ＶＱデータなどであってもよい。認識結果ＤＢ３３ｂは、認識結果を蓄積するＤＢである。蓄積される認識結果は、認識された文字および認識スコアである。認識スコアは、さらに音響尤度と言語確率に別けて保持してもよい。アクセス情報ＤＢ３３ｃは、アクセス情報を蓄積するＤＢである。蓄積されるアクセス情報としては、アクセス時間、アクセスユーザＩＤ、および、対応する蓄積音声ＤＢに格納された音声データ名、対応する認識結果ＤＢに格納された認識結果ファイル名がある。
【００２５】
図３は、図１に示した類似度測定手段３１の概略構成を示すブロック図である。類似度測定手段３１において、類似度判定制御手段３１ａは、認識処理要求受信手段１０から入力音声データとユーザＩＤを受信した後、蓄積音声ＤＢ３３ａにある同一ユーザＩＤの音声データを取得する。データ加工手段３１ｃは、入力音声、および蓄積音声ＤＢ３３ａから取得した音声データを同じ種類のデータ形式に加工する。例えば、両者がＰＣＭ等の音声データやスペクトル領域のデータである場合には、スペクトル領域のデータ、ケプストラム領域のデータ、ＶＱデータなどに加工する。両者が、ケプストラム領域のデータの場合には、ケプストラム領域のデータ、ＶＱデータなどに加工する。両者がＶＱデータの場合にはそのままにする。
【００２６】
距離計算手段３１ｄは、音声データ間の距離または、認識結果の距離を計算する。求めた距離は、音声間距離情報テーブルや認識結果間距離情報テーブル、および類似度判定手段３１ｅに出力する。類似度判定手段３１ｅは、距離計算手段３１ｄで求めた距離が閾値以下である場合に、類似していると判定する。判定した結果と該当するデータの情報を、認識処理要求受信手段１０に出力する。
【００２７】
図１に示した類似度測定手段３１は、他の構成を採ることも可能である。図４は、類似度測定手段３１の他の構成を示す図である。図４において、アクセス情報分析手段３１ｂは、認識処理要求受信手段１０における処理制御手段１３から、入力音声データとユーザＩＤを受信した後、アクセス情報ＤＢ３３ｃから該当ユーザＩＤのアクセス情報を取得し、類似度を判定するために用いる音声データを選択する。アクセス情報分析手段３１ｂは、以下の２つの条件のいずれか一方を満足するものを、類似度を測定する音声データとして選択する。なお、図４において、その他の構成要素については、図３と同様である。
（条件１）現時刻からＴ以内に発声された複数の音声については、これらが相互に類似する場合は、これらを類似度の測定対象から除外する。そして、ユーザＩＤに対応し類似度の測定対象となる音声信号のうち、最も類似度が高い（距離が小さい）もののみを選択する。
（条件２）現時刻からＴ’以上の間隔が開いている音声データを選択する。
【００２８】
また、図１に示した類似度測定手段３１は、他の構成を採ることも可能である。図５は、類似度測定手段３１の他の構成を示す図である。図５において、アクセス情報／認識結果分析手段３１ｆは、認識処理要求受信手段１０における処理制御手段１３から、入力音声データとユーザＩＤを受信した後、アクセス情報ＤＢ３３ｃから該当ユーザＩＤのアクセス情報を取得し、また、認識結果ＤＢから認識スコアが高い認識結果のみを取得し、類似度を判定するために用いる音声データを選択する。なお、図５において、その他の構成要素については、図３および図４と同様である。
【００２９】
図６は、図３および図４に示した距離計算手段３１ｄが行なう距離計算方法の概念を示す図である。この距離計算では、異なるフレーム数の２つの音声の距離は、ＤＴＷ（動的時間伸縮法）を用いて求める。各フレーム間の距離の例として、以下の距離尺度がある。（１）対数スペクトル、ＬＰＣスペクトル、ケプストラム、ＶＱデータのユークリッド距離。
（２）ＬＰＣスペクトルを用いた最尤スペクトル距離。
（３）Ｃｏｓｈ尺度。
【００３０】
図７は、図３および図４に示した類似度判定手段３１ｅの動作の概念を示す図である。類似度判定手段３１ｅは、アクセス時刻が、現時刻からＴ以内の複数の発声の場合は、これらが相互に類似する場合は、これらを類似度の測定対象から除外する。そして、ユーザＩＤに対応し類似度の測定対象となる音声信号のうち、最も類似度が高い（距離が小さい）もののみを判定対象とする。また、アクセス時刻が、Ｔ’以上の間隔にある音声を判定対象とする。
【００３１】
図８は、本実施形態に係る音声認識装置の動作を示すフローチャートである。まず、音声認識要求を受信し（ステップＳ１）、入力音声とユーザＩＤを類似度測定手段３１に送信する（ステップＳ２）。次に、類似度を測定する該当ユーザIDの音声を蓄積音声ＤＢ３３ａから取得し（ステップＳ３）、入力音声と過去の音声のデータ形式を統一化する（ステップＳ４）。そして、入力音声と過去の音声との間の距離を計算する（ステップＳ５）。
【００３２】
次に、音声間の距離による類似度判定を行ない（ステップＳ６）、類似していない場合、すなわち、音声間の距離が閾値以上である場合は、入力音声を用いて、音声認識処理を行ない（ステップＳ７）、認識結果を返信する（ステップＳ８）。一方、ステップＳ６において、類似している場合、すなわち、音声間の距離が閾値以下である場合は、入力音声と類似した過去の音声の音声認識結果を、認識結果ＤＢ３３ｂから取得し（ステップＳ９）、取得した過去の音声認識結果を返信する（ステップＳ１０）。
【００３３】
以上のような本実施形態の特徴的な動作は、コンピュータでプログラムを実行させることにより行なうことができる。すなわち、本実施形態に係る音声認識装置の制御プログラムは、音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置の制御プログラムであって、音声認識要求および音声信号を入力する処理と、前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する処理と、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する処理と、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号に対して、音響モデルおよび言語モデルを用いて、音声認識処理を行なう処理と、を含む一連の処理を、コンピュータで読み取りおよび実行可能にコマンド化したことを特徴としている。
【００３４】
このように、過去にデータベースに蓄積された音声信号に、類似度が高い音声信号が存在した場合は、類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、処理負荷の大きい音声認識処理を行なう必要がなく、処理負荷の軽減と応答時間の短縮を図ることができる。
【図面の簡単な説明】
【００３５】
【図１】本実施形態に係る音声認識装置の概略構成を示す図である。
【図２】図１に示した過去履歴ＤＢ３３の概略構成を示す図である。
【図３】図１に示した類似度測定手段３１の概略構成を示すブロック図である。
【図４】類似度測定手段３１の他の構成を示す図である。
【図５】類似度測定手段３１の他の構成を示す図である。
【図６】図３および図４に示した距離計算手段３１ｄが行なう距離計算方法の概念を示す図である。
【図７】図３および図４に示した類似度判定手段３１ｅの動作の概念を示す図である。
【図８】本実施形態に係る音声認識装置の動作を示すフローチャートである。
【符号の説明】
【００３６】
１０ 認識処理要求受信手段
１３ 処理制御手段
２０ 音声認識処理手段
２１ 音響モデル
２２ 言語モデル
３１ 類似度測定手段
３１ａ 類似度判定制御手段
３１ｂ アクセス情報分析手段
３１ｃ データ加工手段
３１ｄ 距離計算手段
３１ｅ 類似度判定手段
３１ｆ アクセス情報／認識結果分析手段
３３ 過去履歴ＤＢ
３３ａ 蓄積音声ＤＢ
３３ｂ 認識結果ＤＢ
３３ｃ アクセス情報ＤＢ
【技術分野】
【０００１】
本発明は、過去の音声認識結果を利用する音声認識技術に関する。
【背景技術】
【０００２】
従来から、音声入力が行なわれたときに、過去に入力された音声との類似度を測定し、類似度がある閾値以上である場合に、その音声に対応した認識結果を出力する音声認識装置が知られている（特許文献１）。この音声認識装置では、認識対象単語の標準パターンの中で、音声分析部が音声波形を分析した入力パターンとの類似度計算の対象となる部分標準パターンと、これらのパターンの累積類似度を記憶する。また、累積類似度を現行閾値と比較して、部分標準パターンの類似度の大きいものの個数を計数する。現行閾値および個数の対応関係に応じて枝刈閾値を計算し、この枝刈閾値に基づいて、部分標準パターンの中で、類似度の大きいものに関して特徴量との類似度を計算する。そして、部分標準パターンの中で、最も類似度の大きい標準パターンに対応する単語を認識結果として決定する。
【特許文献１】特開平１０−１５３９９９号公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
しかしながら、特許文献１記載の技術では、過去に入力されたすべての音声との類似度を計算するため、比較する音声データの個数が多くなり、処理時間が長くなるという問題がある。また、比較対象の音声については、ユーザの情報を加味せずに、異なるユーザの音声とも類似度を計算するため、処理時間が長くなると共に、誤った認識結果を返信してしまう場合がある。さらに、比較対象の音声として、認識結果の正誤に関係なく、類似度を計算するため、処理時間が長くなると共に、誤った認識結果を出力してしまう場合がある。その他にも、ユーザが語彙外発声と気づかずに何度も発声した音声とも比較するため、ユーザが希望しない認識結果が何度も出力される場合もある。
【０００４】
本発明は、このような事情に鑑みてなされたものであり、類似度測定に要する処理時間を短縮し、認識結果の誤りを回避することができる音声認識装置およびプログラム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】
【０００５】
（１）上記の目的を達成するために、本発明は、以下のような手段を講じた。すなわち、本発明の音声認識装置は、音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置であって、音声認識要求および音声信号を入力する認識処理要求受信手段と、前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する類似度測定手段と、音響モデルおよび言語モデルを用いて、入力された音声信号の音声認識処理を行なう音声認識処理手段と、を備え、前記認識処理要求受信手段は、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【０００６】
このように、過去にデータベースに蓄積された音声信号に、類似度が高い音声信号が存在した場合は、類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、処理負荷の大きい音声認識処理を行なう必要がなく、処理負荷の軽減と応答時間の短縮を図ることができる。
【０００７】
（２）また、本発明の音声認識装置において、前記認識処理要求受信手段は、音声認識要求、音声信号およびユーザＩＤを入力し、前記類似度測定手段は、音声認識要求と共に入力されたユーザＩＤおよび音声信号を取得し、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号との類似度を測定することを特徴としている。
【０００８】
このように、音声認識要求と共に入力されたユーザＩＤおよび音声信号を取得し、音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、ユーザＩＤで特定される音声信号との類似度を測定するので、ユーザＩＤで特定される音声信号のみを対象として類似度を測定することができ、処理時間の短縮と認識結果の誤りを回避することが可能となる。
【０００９】
（３）また、本発明の音声認識装置において、前記類似度測定手段は、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号であって、前記音声認識処理手段の認識結果に含まれる認識スコアが所定の閾値よりも高い音声信号との類似度を測定することを特徴としている。
【００１０】
このように、音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、ユーザＩＤで特定される音声信号であって、音声認識処理手段の認識結果に含まれる認識スコアが所定の閾値よりも高い音声信号との類似度を測定するので、過去の誤った認識結果を出力することを回避することができると共に、類似度測定に要する処理時間を短縮することができる。
【００１１】
（４）また、本発明の音声認識装置において、前記類似度測定手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より前の所定期間内に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが相互に類似する場合は、これらを前記類似度の測定対象から除外すると共に、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上で最も高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上となる音声信号が前記所定期間内に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【００１２】
このように、音声認識要求と共に入力された音声信号が入力された時刻より前の所定期間内に、ユーザＩＤに対応する複数の音声信号が入力され、これらが相互に類似する場合は、これらを前記類似度の測定対象から除外するので、処理負担の低減と処理時間の短縮を図ると共に、誤った認識結果を何度も出力することを回避することができる。また、ユーザＩＤに対応し類似度の測定対象となる音声信号のうち、類似度が閾値以上で最も高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、正しい音声認識結果を出力する確率を高めることが可能となる。
【００１３】
（５）また、本発明の音声認識装置において、前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最も類似度の高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【００１４】
このように、音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、ユーザＩＤに対応する複数の音声信号が入力され、これらが音声認識要求と共に入力された音声信号と類似する場合は、類似度が閾値以上で最も類似度の高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、正しい音声認識結果を出力する確率を高めることが可能となる。
【００１５】
（６）また、本発明の音声認識装置において、前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最新の音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴としている。
【００１６】
このように、音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、ユーザＩＤに対応する複数の音声信号が入力され、これらが音声認識要求と共に入力された音声信号と類似する場合は、類似度が閾値以上で最新の音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、正しい音声認識結果を出力する確率を高めることが可能となる。
【００１７】
（７）また、本発明の音声認識装置の制御プログラムは、音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置の制御プログラムであって、音声認識要求および音声信号を入力する処理と、前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する処理と、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する処理と、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号に対して、音響モデルおよび言語モデルを用いて、音声認識処理を行なう処理と、を含む一連の処理を、コンピュータで読み取りおよび実行可能にコマンド化したことを特徴としている。
【００１８】
このように、過去にデータベースに蓄積された音声信号に、類似度が高い音声信号が存在した場合は、類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、処理負荷の大きい音声認識処理を行なう必要がなく、処理負荷の軽減と応答時間の短縮を図ることができる。
【発明の効果】
【００１９】
本発明によれば、入力音声との類似度を測定する蓄積音声について、ユーザIDを利用するので、類似度測定に要する処理時間の短縮を図り、誤った認識結果を出力することを回避することができる。また、類似度を測定する蓄積音声について、その認識スコアがある閾値以上のもののみを対象とするので、過去の誤った認識結果を出力することを回避することができ、類似度測定に要する処理時間を短縮することができる。さらに、アクセス情報を利用し、近い過去に発声された複数の音声のうち類似度の近い音声を、語彙外発声や誤認識発声と判定して、類似度を求める対象から除外するので、処理負荷の低減および処理時間の短縮を図ることができ、誤った認識結果を何度も出力することを回避することができる。
【発明を実施するための最良の形態】
【００２０】
本実施形態に係る音声認識装置では、ユーザによって過去に発生された蓄積音声と類似した音声が入力された場合には、音声認識処理をせずに、過去の音声認識結果を返信する。これにより、短い応答時間で音声認識結果を出力することができ、かつ、処理負担を低減させることが可能となる。音声認識処理は、処理負担が大きく、処理時間を要するのに対し、類似判定処理は、音声認識処理よりも処理負担が小さく、処理時間が短い。従って、過去に発生された蓄積音声と類似した音声が入力された場合には、音声認識処理を行なわず、過去の音声認識結果を返信することによって、処理負担の低減と応答時間の短縮を図ることが可能となる。以下、本実施形態について、図面を参照して説明する。
【００２１】
図１は、本実施形態に係る音声認識装置の概略構成を示す図である。認識処理要求受信手段１０は、ユーザ端末からの音声認識要求と音声データを受信し、音声認識処理手段２０に対して、認識処理を指示する。また、認識結果をユーザ端末に返信するほか、入力音声や認識結果、アクセス情報を各々のＤＢに蓄積する。処理制御手段１３は、音声認識要求を受信すると、入力された音声を類似度測定手段３１に送信し、過去の蓄積音声との類似度の測定を指示する。過去に類似した音声が存在する場合には、その音声に対する音声認識結果を過去履歴ＤＢ３３から取得して、出力する。また、過去に類似した音声が存在しない場合には、音声認識処理手段２０に対して、音声認識処理を実行させる。
【００２２】
音声認識処理手段２０は、認識処理要求受信手段１０から受信した認識要求に従って、音響モデル２１および言語モデル２２を用いて認識処理を行なう。そして、認識結果を認識処理要求受信手段１０に返信する。
【００２３】
類似度測定手段３１は、入力音声と過去に発声された蓄積音声データの類似度を判定する。求めた音声データ間の距離が閾値以下である場合に、両者が類似していると判定する。類似度を測定する音声は、該当するユーザＩＤのものに限る。また、過去履歴ＤＢ３３は、後述するように、蓄積音声ＤＢ３３ａ、認識結果ＤＢ３３ｂおよびアクセス情報ＤＢ３３ｃを備える。詳細については、後述する。
【００２４】
図２は、図１に示した過去履歴ＤＢ３３の概略構成を示す図である。蓄積音声ＤＢ３３ａは、入力された音声を蓄積するＤＢである。蓄積される音声データは、ＰＣＭ形式などの音声データの他、スペクトル領域のデータ、ケプストラム領域のデータ、ＶＱデータなどであってもよい。認識結果ＤＢ３３ｂは、認識結果を蓄積するＤＢである。蓄積される認識結果は、認識された文字および認識スコアである。認識スコアは、さらに音響尤度と言語確率に別けて保持してもよい。アクセス情報ＤＢ３３ｃは、アクセス情報を蓄積するＤＢである。蓄積されるアクセス情報としては、アクセス時間、アクセスユーザＩＤ、および、対応する蓄積音声ＤＢに格納された音声データ名、対応する認識結果ＤＢに格納された認識結果ファイル名がある。
【００２５】
図３は、図１に示した類似度測定手段３１の概略構成を示すブロック図である。類似度測定手段３１において、類似度判定制御手段３１ａは、認識処理要求受信手段１０から入力音声データとユーザＩＤを受信した後、蓄積音声ＤＢ３３ａにある同一ユーザＩＤの音声データを取得する。データ加工手段３１ｃは、入力音声、および蓄積音声ＤＢ３３ａから取得した音声データを同じ種類のデータ形式に加工する。例えば、両者がＰＣＭ等の音声データやスペクトル領域のデータである場合には、スペクトル領域のデータ、ケプストラム領域のデータ、ＶＱデータなどに加工する。両者が、ケプストラム領域のデータの場合には、ケプストラム領域のデータ、ＶＱデータなどに加工する。両者がＶＱデータの場合にはそのままにする。
【００２６】
距離計算手段３１ｄは、音声データ間の距離または、認識結果の距離を計算する。求めた距離は、音声間距離情報テーブルや認識結果間距離情報テーブル、および類似度判定手段３１ｅに出力する。類似度判定手段３１ｅは、距離計算手段３１ｄで求めた距離が閾値以下である場合に、類似していると判定する。判定した結果と該当するデータの情報を、認識処理要求受信手段１０に出力する。
【００２７】
図１に示した類似度測定手段３１は、他の構成を採ることも可能である。図４は、類似度測定手段３１の他の構成を示す図である。図４において、アクセス情報分析手段３１ｂは、認識処理要求受信手段１０における処理制御手段１３から、入力音声データとユーザＩＤを受信した後、アクセス情報ＤＢ３３ｃから該当ユーザＩＤのアクセス情報を取得し、類似度を判定するために用いる音声データを選択する。アクセス情報分析手段３１ｂは、以下の２つの条件のいずれか一方を満足するものを、類似度を測定する音声データとして選択する。なお、図４において、その他の構成要素については、図３と同様である。
（条件１）現時刻からＴ以内に発声された複数の音声については、これらが相互に類似する場合は、これらを類似度の測定対象から除外する。そして、ユーザＩＤに対応し類似度の測定対象となる音声信号のうち、最も類似度が高い（距離が小さい）もののみを選択する。
（条件２）現時刻からＴ’以上の間隔が開いている音声データを選択する。
【００２８】
また、図１に示した類似度測定手段３１は、他の構成を採ることも可能である。図５は、類似度測定手段３１の他の構成を示す図である。図５において、アクセス情報／認識結果分析手段３１ｆは、認識処理要求受信手段１０における処理制御手段１３から、入力音声データとユーザＩＤを受信した後、アクセス情報ＤＢ３３ｃから該当ユーザＩＤのアクセス情報を取得し、また、認識結果ＤＢから認識スコアが高い認識結果のみを取得し、類似度を判定するために用いる音声データを選択する。なお、図５において、その他の構成要素については、図３および図４と同様である。
【００２９】
図６は、図３および図４に示した距離計算手段３１ｄが行なう距離計算方法の概念を示す図である。この距離計算では、異なるフレーム数の２つの音声の距離は、ＤＴＷ（動的時間伸縮法）を用いて求める。各フレーム間の距離の例として、以下の距離尺度がある。（１）対数スペクトル、ＬＰＣスペクトル、ケプストラム、ＶＱデータのユークリッド距離。
（２）ＬＰＣスペクトルを用いた最尤スペクトル距離。
（３）Ｃｏｓｈ尺度。
【００３０】
図７は、図３および図４に示した類似度判定手段３１ｅの動作の概念を示す図である。類似度判定手段３１ｅは、アクセス時刻が、現時刻からＴ以内の複数の発声の場合は、これらが相互に類似する場合は、これらを類似度の測定対象から除外する。そして、ユーザＩＤに対応し類似度の測定対象となる音声信号のうち、最も類似度が高い（距離が小さい）もののみを判定対象とする。また、アクセス時刻が、Ｔ’以上の間隔にある音声を判定対象とする。
【００３１】
図８は、本実施形態に係る音声認識装置の動作を示すフローチャートである。まず、音声認識要求を受信し（ステップＳ１）、入力音声とユーザＩＤを類似度測定手段３１に送信する（ステップＳ２）。次に、類似度を測定する該当ユーザIDの音声を蓄積音声ＤＢ３３ａから取得し（ステップＳ３）、入力音声と過去の音声のデータ形式を統一化する（ステップＳ４）。そして、入力音声と過去の音声との間の距離を計算する（ステップＳ５）。
【００３２】
次に、音声間の距離による類似度判定を行ない（ステップＳ６）、類似していない場合、すなわち、音声間の距離が閾値以上である場合は、入力音声を用いて、音声認識処理を行ない（ステップＳ７）、認識結果を返信する（ステップＳ８）。一方、ステップＳ６において、類似している場合、すなわち、音声間の距離が閾値以下である場合は、入力音声と類似した過去の音声の音声認識結果を、認識結果ＤＢ３３ｂから取得し（ステップＳ９）、取得した過去の音声認識結果を返信する（ステップＳ１０）。
【００３３】
以上のような本実施形態の特徴的な動作は、コンピュータでプログラムを実行させることにより行なうことができる。すなわち、本実施形態に係る音声認識装置の制御プログラムは、音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置の制御プログラムであって、音声認識要求および音声信号を入力する処理と、前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する処理と、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する処理と、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号に対して、音響モデルおよび言語モデルを用いて、音声認識処理を行なう処理と、を含む一連の処理を、コンピュータで読み取りおよび実行可能にコマンド化したことを特徴としている。
【００３４】
このように、過去にデータベースに蓄積された音声信号に、類似度が高い音声信号が存在した場合は、類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、音声認識要求と共に入力された音声信号に対する音声認識結果として出力するので、処理負荷の大きい音声認識処理を行なう必要がなく、処理負荷の軽減と応答時間の短縮を図ることができる。
【図面の簡単な説明】
【００３５】
【図１】本実施形態に係る音声認識装置の概略構成を示す図である。
【図２】図１に示した過去履歴ＤＢ３３の概略構成を示す図である。
【図３】図１に示した類似度測定手段３１の概略構成を示すブロック図である。
【図４】類似度測定手段３１の他の構成を示す図である。
【図５】類似度測定手段３１の他の構成を示す図である。
【図６】図３および図４に示した距離計算手段３１ｄが行なう距離計算方法の概念を示す図である。
【図７】図３および図４に示した類似度判定手段３１ｅの動作の概念を示す図である。
【図８】本実施形態に係る音声認識装置の動作を示すフローチャートである。
【符号の説明】
【００３６】
１０ 認識処理要求受信手段
１３ 処理制御手段
２０ 音声認識処理手段
２１ 音響モデル
２２ 言語モデル
３１ 類似度測定手段
３１ａ 類似度判定制御手段
３１ｂ アクセス情報分析手段
３１ｃ データ加工手段
３１ｄ 距離計算手段
３１ｅ 類似度判定手段
３１ｆ アクセス情報／認識結果分析手段
３３ 過去履歴ＤＢ
３３ａ 蓄積音声ＤＢ
３３ｂ 認識結果ＤＢ
３３ｃ アクセス情報ＤＢ
【特許請求の範囲】
【請求項１】
音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置であって、
音声認識要求および音声信号を入力する認識処理要求受信手段と、
前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する類似度測定手段と、
音響モデルおよび言語モデルを用いて、入力された音声信号の音声認識処理を行なう音声認識処理手段と、を備え、
前記認識処理要求受信手段は、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする音声認識装置。
【請求項２】
前記認識処理要求受信手段は、音声認識要求、音声信号およびユーザＩＤを入力し、
前記類似度測定手段は、音声認識要求と共に入力されたユーザＩＤおよび音声信号を取得し、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号との類似度を測定することを特徴とする請求項１記載の音声認識装置。
【請求項３】
前記類似度測定手段は、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号であって、前記音声認識処理手段の認識結果に含まれる認識スコアが所定の閾値よりも高い音声信号との類似度を測定することを特徴とする請求項２記載の音声認識装置。
【請求項４】
前記類似度測定手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より前の所定期間内に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが相互に類似する場合は、これらを前記類似度の測定対象から除外すると共に、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上で最も高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上となる音声信号が前記所定期間内に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする請求項２または請求項３記載の音声認識装置。
【請求項５】
前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最も類似度の高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする請求項２または請求項３記載の音声認識装置。
【請求項６】
前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最新の音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする請求項２または請求項３記載の音声認識装置。
【請求項７】
音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置の制御プログラムであって、
音声認識要求および音声信号を入力する処理と、
前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する処理と、
前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する処理と、
データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号に対して、音響モデルおよび言語モデルを用いて、音声認識処理を行なう処理と、を含む一連の処理を、コンピュータで読み取りおよび実行可能にコマンド化したことを特徴とする音声認識装置の制御プログラム。
【請求項１】
音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置であって、
音声認識要求および音声信号を入力する認識処理要求受信手段と、
前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する類似度測定手段と、
音響モデルおよび言語モデルを用いて、入力された音声信号の音声認識処理を行なう音声認識処理手段と、を備え、
前記認識処理要求受信手段は、前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする音声認識装置。
【請求項２】
前記認識処理要求受信手段は、音声認識要求、音声信号およびユーザＩＤを入力し、
前記類似度測定手段は、音声認識要求と共に入力されたユーザＩＤおよび音声信号を取得し、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号との類似度を測定することを特徴とする請求項１記載の音声認識装置。
【請求項３】
前記類似度測定手段は、前記音声認識要求と共に入力された音声データと、データベースに既に蓄積されている音声信号のうち、前記ユーザＩＤで特定される音声信号であって、前記音声認識処理手段の認識結果に含まれる認識スコアが所定の閾値よりも高い音声信号との類似度を測定することを特徴とする請求項２記載の音声認識装置。
【請求項４】
前記類似度測定手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より前の所定期間内に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが相互に類似する場合は、これらを前記類似度の測定対象から除外すると共に、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上で最も高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記ユーザＩＤに対応し前記類似度の測定対象となる音声信号のうち、前記類似度が閾値以上となる音声信号が前記所定期間内に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする請求項２または請求項３記載の音声認識装置。
【請求項５】
前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最も類似度の高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする請求項２または請求項３記載の音声認識装置。
【請求項６】
前記認識処理要求受信手段は、前記音声認識要求と共に入力された音声信号が入力された時刻より所定期間以上前に、前記ユーザＩＤに対応する複数の音声信号が入力され、これらが前記音声認識要求と共に入力された音声信号と類似する場合は、前記類似度が閾値以上で最新の音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する一方、前記類似度が閾値以上となる音声信号が前記時刻より所定期間以上前に入力されていなかった場合は、前記音声認識要求と共に入力された音声信号を前記音声認識処理手段に出力して音声認識処理を実行させることを特徴とする請求項２または請求項３記載の音声認識装置。
【請求項７】
音声認識要求と共に入力された音声信号と過去に蓄積された音声信号との類似度が高い場合に、前記類似度が高い過去の音声認識結果を前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する音声認識装置の制御プログラムであって、
音声認識要求および音声信号を入力する処理と、
前記音声認識要求と共に入力された音声信号と、データベースに既に蓄積されている音声信号との類似度を測定する処理と、
前記測定の結果、データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在する場合は、前記類似度が高い音声信号に対する音声認識結果をデータベースから読み出して、前記音声認識要求と共に入力された音声信号に対する音声認識結果として出力する処理と、
データベースに既に蓄積されている音声信号に、前記類似度が高い音声信号が存在しない場合は、前記音声認識要求と共に入力された音声信号に対して、音響モデルおよび言語モデルを用いて、音声認識処理を行なう処理と、を含む一連の処理を、コンピュータで読み取りおよび実行可能にコマンド化したことを特徴とする音声認識装置の制御プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図８】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図８】
【図７】
【公開番号】特開２０１０−４４２４１（Ｐ２０１０−４４２４１Ａ）
【公開日】平成２２年２月２５日（２０１０．２．２５）
【国際特許分類】
【出願番号】特願２００８−２０８５４６（Ｐ２００８−２０８５４６）
【出願日】平成２０年８月１３日（２００８．８．１３）
【出願人】（０００２０８８９１）ＫＤＤＩ株式会社 (2,700)
【Ｆターム（参考）】
【公開日】平成２２年２月２５日（２０１０．２．２５）
【国際特許分類】
【出願日】平成２０年８月１３日（２００８．８．１３）
【出願人】（０００２０８８９１）ＫＤＤＩ株式会社 (2,700)
【Ｆターム（参考）】
[ Back to top ]