音声認識装置
【課題】発話において突発的な音量変化が生じた場合であっても、確実に認識漏れなく音声認識を行う。
【解決手段】受付端末２０は、来訪者Ｍの発話音声により音声情報を入力するマイク２０７と、マイク２０７で入力された音声情報を増幅するオペアンプ２１７とを有し、互いに異なる複数の値Ｎ１，Ｎ２，Ｎ３が時系列的に順次繰り返されるようにオペアンプ２１７の増幅率を切替制御し、この切替制御に連動し、複数の値Ｎ１，Ｎ２，Ｎ３に制御された増幅率を用いてオペアンプ２１７で増幅された音声情報を所定周期でサンプリングし、音声データＳＤを取得し、この取得された音声データＳＤを、切替制御された増幅率の複数の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた複数のデータ群に分類して抽出し、この抽出された複数のデータ群のうち、特定のデータ群を選択し、この選択されたデータ群を用いて音声認識を行う。
【解決手段】受付端末２０は、来訪者Ｍの発話音声により音声情報を入力するマイク２０７と、マイク２０７で入力された音声情報を増幅するオペアンプ２１７とを有し、互いに異なる複数の値Ｎ１，Ｎ２，Ｎ３が時系列的に順次繰り返されるようにオペアンプ２１７の増幅率を切替制御し、この切替制御に連動し、複数の値Ｎ１，Ｎ２，Ｎ３に制御された増幅率を用いてオペアンプ２１７で増幅された音声情報を所定周期でサンプリングし、音声データＳＤを取得し、この取得された音声データＳＤを、切替制御された増幅率の複数の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた複数のデータ群に分類して抽出し、この抽出された複数のデータ群のうち、特定のデータ群を選択し、この選択されたデータ群を用いて音声認識を行う。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、発話者の発する発話音声を音声認識する音声認識装置に関する。
【背景技術】
【０００２】
例えば建造物への来訪者に対する受付業務を行う受付装置等、操作者が対話方式によって操作可能な対話装置が、従来より既に知られている。このような対話装置においては、操作者の発話内容をマイク等の音声入力手段により入力し、適宜のゲインで増幅した後に音声認識する。この際、発話音声レベルに対してゲインが小さ過ぎると誤認識が生じ、発話音声レベルに対してゲインが大き過ぎると音割れにより認識不能となる。
【０００３】
上記のようなマイクにおけるゲインの適正化に関する従来技術として、例えば特許文献１に記載の音声処理装置が知られている。この従来技術では、入力信号のレベルの大小に関わらず出力を常に一定に保つ、いわゆるＡＧＣ（Ａｕｔｏｍａｔｉｃ Ｇａｉｎ Ｃｏｎｔｒｏｌ）回路を設けることにより、発話音声レベルに対して適正な値となるようにゲインの値を制御するようになっている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開平８−５５４２８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
上記従来技術を、前述のような対話方式の音声認識に適用した場合、以下のような問題がある。すなわち、ＡＧＣ回路では、入力信号のレベルが小さい場合には感度を上げ、逆に入力信号のレベルが大きい場合には感度を下げて出力することによって、出力が常に一定であるように、入力信号を可変制御する。このため、入力信号が入力されてからそのレベルに応じて入力信号が可変制御されるまでに一定の時間遅れが避けられず、突発的な音量変化には十分対応することができない。
【０００６】
ここで、一般に、対話処理においては、原則として（特に要請しない限り）操作者は同一内容を一度しか発話しない。このため、上記のように発話の音量が突発的に変化しＡＧＣ回路で認識できなかった場合、発話内容の認識漏れが生じるという問題があった。
【０００７】
本発明の目的は、発話において突発的な音量変化が生じた場合であっても、確実に認識漏れなく音声認識を行える音声認識装置を提供することにある。
【課題を解決するための手段】
【０００８】
上記目的を達成するために、第１の発明は、発話者の発話音声を音声認識するための音声認識装置であって、前記発話音声により音声情報を入力する音声入力手段と、前記音声入力手段で入力された前記音声情報を増幅する増幅手段と、互いに異なる複数の値が時系列的に順次繰り返されるように前記増幅手段の増幅率を切替制御する増幅制御手段と、前記増幅制御手段での前記切替制御に連動し、前記複数の値に制御された増幅率を用いて前記増幅手段で増幅された音声情報を所定周期でサンプリングし、音声データを取得する情報取得手段と、前記情報取得手段で取得された音声データを、前記切替制御された前記増幅率の複数の値それぞれに対応させた複数のデータ群に分類して抽出するデータ抽出手段と、前記データ抽出手段で抽出された前記複数のデータ群のうち、特定のデータ群を選択するデータ選択手段とを有し、前記データ選択手段により選択された前記データ群を用いて音声認識を行うことを特徴とする。
【０００９】
本願第１発明においては、発話者が発話すると、その発話音声に対応した音声情報が音声入力手段で入力され、さらにその音声情報は増幅手段で増幅された後、情報取得手段により所定周期でサンプリングされ音声データとして取得される。このとき、上記増幅手段の増幅率は、増幅制御手段によって、互いに異なる複数の値に切り替えられており、上記サンプリングされた音声データは、データ抽出手段によって各増幅率の値に対応して抽出されることで、複数のデータ群に分けられる。これにより、１回の発話者の発話音声より、互いに増幅率が異なる複数の音声データ群が形成されることとなる。この結果、データ選択手段でそれら複数のデータ群の中から特定のデータ群を選択し音声認識を行う際に、それら複数の音声データ群の中から、最も高い認識精度が得られるような増幅率のデータ群を選び音声認識を行うことが可能となる。この結果、発話において突発的な音量変化が生じた場合であっても、（ＡＧＣを適用する場合とは異なり）いずれかの増幅率に係わるデータ群を用いることで、音割れ等の不都合のない良好な音声データにより確実に漏れのない音声認識を行い、高い認識精度を得ることができる。
【００１０】
また、上記のように異なる複数の増幅率を実現する際、１つの増幅手段を時系列的に切り替え制御し、互いに異なる複数の増幅率値を順次繰り返す。そして、各増幅率の値ごとに音声データを離散的に抽出し、各データ群を構成している。これにより、複数の増幅器それぞれにおいて同時並行して互いに異なる増幅率で増幅を行った後、各増幅器からの出力波形を合成する場合のようなスペクトルのゆがみといった不都合を回避し、良好な音声認識を行うことができる。
【００１１】
第２発明は、上記第１発明において、前記データ選択手段は、前記データ抽出手段で抽出された前記複数のデータ群のうち、アナログ−デジタル変換処理時の歪み発生を回避可能な所定レベル範囲の前記データ群を選択するレベル選択手段を備えることを特徴とする。
【００１２】
これにより、例えば発話において突発的な音量変化が生じた場合であっても、レベル選択手段が選択したデータ群を用いることで、音割れ等の不都合のない良好な音声データで確実に音声認識を行うことができる。
【００１３】
第３発明は、上記第２発明において、前記データ選択手段は、前記レベル選択手段で複数の前記データ群が選択された場合、その選択された複数のデータ群のうち、音声波形の振幅が最大である前記データ群を選択する振幅選択手段を備えることを特徴とする。
【００１４】
これにより、レベル選択手段が選択した複数のデータ群の中でも、相対的にレベルが大きいデータ群を用いることで、Ｓ／Ｎ比が大きくノイズが少ない良好な音声データで高精度な音声認識を行うことができる。
【００１５】
第４発明は、上記第３発明において、前記振幅選択手段は、前記レベル選択手段で選択された複数のデータ群のうち、所定期間における前記振幅の平均値が最大である前記データ群を選択することを特徴とする。
【００１６】
これにより、瞬間的なレベル増大にとらわれることなく全体的にレベルが大きなデータ群を確実に選択し、高精度な音声認識を行うことができる。
【００１７】
第５発明は、上記第２乃至第４発明のいずれかにおいて、前記データ選択手段の前記レベル選択手段での選択結果に基づき、前記アナログ−デジタル変換処理時の歪み発生を回避可能な前記所定レベル範囲の前記データ群が所定数以上含まれているかどうかを判定する判定手段を有し、前記増幅制御手段は、前記判定手段において前記所定レベル範囲の前記データ群が前記所定数未満であると判定された場合には、前記増幅手段の増幅率をもとの値から増大又は減少させることを特徴とする。
【００１８】
これにより、データ選択手段での選択結果に応じ、増幅制御手段による増幅率が適正でなかった場合には、増幅率の切替制御を見直して適正化するようにフィードバックする。例えば、複数のデータ群のうち、音声認識に適したものとしてデータ選択手段のレベル選択手段で選択されたデータ群の数が所定数より少なかった場合には、そのときに切り替えられた増幅率の複数の値は妥当ではなかったと判定される。これにより、増幅制御手段が、切り替えられる増幅率の値を、全体として増幅率アップ側又は増幅率ダウン側にずらす、等の是正措置をとる。この結果、次回以降は、音声認識に適したものとしてデータ選択手段のレベル選択手段で選択されるデータ群の数を増やすことができるので、さらに良好な音声認識を行うことができる。
【発明の効果】
【００１９】
本発明によれば、発話において突発的な音量変化が生じた場合であっても、確実に認識漏れなく音声認識を行うことができる。
【図面の簡単な説明】
【００２０】
【図１】本発明の一実施形態の来訪者受付システムの全体構成の概略構成を表すシステム構成図である。
【図２】受付端末に備えられた、表示部及びマイクの詳細外観構造の一例を表す斜視図である。
【図３】表示部における表示画面の一例を表す図である。
【図４】受付端末の機能的構成を示す機能ブロック図である。
【図５】ＲＡＭに備えられた入力バッファ及び出力バッファを表す概念的説明図である。
【図６】ＤＢサーバの機能的構成を表す機能ブロック図である。
【図７】受付処理において来訪者Ｍが受付端末に対して発話した状態を模式的に表す図である。
【図８】音声情報を音声波形で表した図である。
【図９】図８の破線で囲んだ部分の拡大図にほぼ相当する図である。
【図１０】オペアンプにより増幅された音声情報を音声波形で表した図である。
【図１１】図１０の破線で囲んだ部分の拡大図にほぼ相当する図である。
【図１２】サンプリングにより音声データを取得する手順の概要を説明する説明図である。
【図１３】オペアンプ、ＡＤＣ、ＣＰＵ、及び入力バッファの間で行われる信号の流れを表すタイミングチャートである。
【図１４】入力バッファに音声データを記憶する手順の概要を説明する説明図である。
【図１５】入力バッファの全ての領域に記憶された音声データを、増幅率の複数の値それぞれに対応させた３つのデータ群に分類して抽出する手順の概要を説明する説明図である。
【図１６】ＡＤＣの入力限界を説明する説明図である。
【図１７】抽出された３つのデータ群のうち、特定のデータ群を選択する手法を説明するための、各データ群を音声波形で表した図である。
【図１８】受付端末の制御回路部により実行する制御手順を表すフローチャートである。
【図１９】ステップＳ１００の詳細手順を表すフローチャートである。
【図２０】ステップＳ２００の詳細手順を表すフローチャートである。
【図２１】ステップＳ３００の詳細手順を表すフローチャートである。
【図２２】ステップＳ２００の詳細手順を表すフローチャートである。
【発明を実施するための形態】
【００２１】
以下、本発明の一実施の形態を図面を参照しつつ説明する。本実施形態では、本発明の音声認識装置を、例えば、ビルや会社その他の建造物への来訪者に対する受付業務を行う来訪者受付システムに適用した場合を表している。
【００２２】
（Ａ）システムの基本構成
図１は、本実施形態の来訪者受付システム１の全体構成の概略構成を表すシステム構成図である。
【００２３】
図１において、来訪者受付システム１は、例えば会社の入口付近に設置され、発話者（この例では会社への来訪者Ｍ。後述の図７参照）の発話音声を音声認識する受付端末２０（音声認識装置）と、周知のパーソナルコンピュータにより構成されるＤＢサーバ１０と、会社の従業員それぞれに対応して設けられた複数のＩＰ電話機６０と、それら複数のＩＰ電話機６０の回線交換を行う周知の交換装置であるＩＰ−ＰＢＸ（Ｉｎｔｅｎｅｔ Ｐｒｏｔｏｃｏｌ Ｐｒｉｖａｔｅ Ｂｒａｎｃｈ ｅＸｃｈａｎｇｅ）５０とを有し、これらは全てルータ４０を介して接続されている。
【００２４】
受付端末２０は、端末本体２０Ａと、この端末本体２０Ａに接続された、表示部２１０、アナログ−デジタル変換回路（ＡＤＣ）２２７、オペアンプ２１７（増幅手段。上記ＡＤＣ２２７にも接続されている）、及びスピーカ２０８と、上記オペアンプ２１７に接続されたマイク２０７（音声入力手段）とを有している。
【００２５】
マイク２０７は、来訪者Ｍの発話により入力された発話音声をアナログ信号である音声情報に変換し、オペアンプ２１７へ出力する。
【００２６】
オペアンプ２１７は、マイク２０７から入力された音声情報を増幅し、ＡＤＣ２２７へ出力する。なお、オペアンプ２１７の増幅率は、端末本体２０Ａに備えられた後述のＣＰＵ２０１からの制御信号によって、互いに異なる複数の値（この例では互いに異なる３つの値Ｎ１，Ｎ２，Ｎ３）が時系列的に順次繰り替えされるように切替制御される（詳細は後述する）。
【００２７】
ＡＤＣ２２７は、オペアンプ２１７から入力された増幅後の音声情報を、アナログ−デジタル変換処理によりデジタル信号である音声データに変換し、端末本体２０へ出力する。このとき、ＡＤＣ２２７は、上記オペアンプ２１７の増幅率の上記切替制御に連動し、上記増幅後の音声情報を所定周期で取り込み（＝サンプリングし）、上記音声データに変換している。
【００２８】
スピーカ２０８は、端末本体２０Ａから入力された音声信号を音声に変換して発声し、来訪者Ｍに対し報知を行う。
【００２９】
図２は、上記受付端末２０に備えられた、表示部２１０及びマイク２０７の詳細外観構造の一例を表す斜視図である。
【００３０】
図２において、表示部２１０は、例えば液晶ディスプレイで構成され、この例では水平に設置されるベース２１２に対してアーム２１１を介し支持され、操作者（すなわちこの例では来訪者Ｍ）の視線に対して直角となるように面方向が斜め上方を向いている。マイク２０７は、ベース２１２に対し先端を来訪者Ｍ側へ向けるようにして略円弧状に配置されている。
【００３１】
なお、表示部２１０をタッチパネルで構成し、表示される表示画面を来訪者Ｍが直接画面に触れながら操作できるようにしてもよい。
【００３２】
図３は、表示部２１０における表示画面の一例を表す図である。この画面においては、後述の描画プログラムによって生成された、受付業務を行う仮想人物ＩＭがオフィス風の背景Ｇとともに表示される。また、スピーカ２０８から発話される音声に対応する文章Ｌ（図中では「＊＊＊」で略記している）が併せて表示される。
【００３３】
以上の構成において、例えば受付端末２０の電源がＯＮされた後、この状態で来訪者Ｍが例えば操作部（図示せず）を操作することで、受付端末２０は来訪者Ｍが検出されたと認識して受付処理を開始する。すなわち、端末本体２０Ａからの音声信号に基づき、スピーカ２０８から来訪者Ｍに関する所定の質問を所定の順序で発声する。またこのとき表示部２１０においても、上記発声に対応した所定の表示を行うようにしてもよい。
【００３４】
上記スピーカ２０８の発声や表示部２１０の表示に応じて、来訪者Ｍが発話すると、受付端末２０は、対応する音声情報をマイク２０７で入力し、音声認識処理を行う（詳細は後述する）。
【００３５】
そして、受付端末２０は、上記音声情報の音声認識結果に応じて、来訪者Ｍの来訪対象となる来訪対象者（以下適宜、単に担当者という）が使用するＩＰ電話機６０にＩＰ−ＰＢＸ５０を介して接続し、担当者への通知処理を行う。担当者は、通知された来訪者Ｍの身元に関する情報に応じて、受付端末２０に対して応対を指示する。この指示に応じて、受付端末２０は、来訪者Ｍと担当者とが会話できるようにＩＰ電話機６０を接続したり、担当者の代理で来訪者Ｍに応対したりする。このようにして、来訪者受付システム１は、会社における受付業務を自動的に行うことができる。
【００３６】
（Ｂ）受付端末の詳細機能
図４は、受付端末２０の機能的構成を示す機能ブロック図である。
【００３７】
図４において、受付端末２０の端末本体２０Ａは、制御回路部２００と、入出力（Ｉ／Ｏ）インタフェイス２０４と、ハードディスク装置（ＨＤＤ）２０５とを有している。
【００３８】
制御回路部２００は、ＣＰＵ２０１と、受付端末２０の基本的な動作に必要なプログラムやそのための設定値を記憶したＲＯＭ２０２と、入力バッファ２１３及び出力バッファ２１４（後述の図５参照）を備え各種データを一時的に記憶するＲＡＭ２０３とを有している。ＣＰＵ２０１は、ＲＯＭ２０２や、ＨＤＤ２０５に記憶されたプログラムに従って、受付端末２０全体の動作を制御する。
【００３９】
Ｉ／Ｏインタフェイス２０４には、上記ＣＰＵ２０１と、上記ハードディスク装置２０５と、上記表示部２１０と、上記ＡＤＣ２２７と、上記オペアンプ２１７と、上記スピーカ２０８と、ネットワーク（ＮＷ）カード２０６とが接続されている。
【００４０】
ＨＤＤ２０５には、音声認識に使用するための言語モデル記憶エリア２５２、単語辞書記憶エリア２５３、来訪者を特定するための音声認識に使用される来訪者辞書記憶エリア２５４、及びプログラム記憶エリア２５６を含む複数の記憶エリアを備えている。
【００４１】
プログラム記憶エリア２５６には、例えば、受付端末２０の各種動作を制御するための複数のプログラムが記憶されている。記憶されているプログラムとしては、例えば、受付端末２０の基本的な動作を制御するシステムプログラム、ＤＢサーバ１０との通信を制御する通信プログラム、タッチパネル２１０に表示する画像を生成する描画プログラム、上述した音声認識を実行する音声認識プログラム、ＤＢサーバ１０のデータベースにアクセスし照合を行うためのＤＢ照合プログラム、音声合成プログラム、対話制御プログラム、ＩＰ電話機６０とＩＰ−ＰＢＸ５０との接続に係わる電話接続プログラム等がある。
【００４２】
なお、図示はされていないが、ＨＤＤ２０５には、その他、音声認識処理で一般的に使用される周知の音響モデルや、各種処理で使用される設定値等も記憶されている。なお、詳細は説明しないが、音響モデルは、音声の音響的特徴を統計的にモデル化したもので、例えば、母音、子音のそれぞれについて、音響的特徴（例えば、周波数特性）と対応する音素とで表現されている。
【００４３】
ＮＷカード２０６は、上記ルータ４０に接続され、ＤＢサーバ１０などとの間でデータの送受信を可能とするための拡張カードである。
【００４４】
図５は、ＲＡＭ２０３に備えられた入力バッファ２１３及び出力バッファ２１４を表す概念的説明図である。
【００４５】
図５において、ＲＡＭ２０３は、入力バッファ２１３と、出力バッファ２１４とを備えている。出力バッファ２１４は、複数の（＝切替制御されている増幅率の値の数と同数の、すなわち、この例では３つの）第１出力バッファ２１４Ａ、第２出力バッファ２１４Ｂ、及び第３出力バッファ２１４Ｃから構成されている。
【００４６】
入力バッファ２１３は、複数の領域に区分されている（図中の括弧内の数値は、区分された領域の領域番号Ｘの値を示している）。以下適宜、領域番号Ｘ＝０の領域を入力バッファ領域（０）、領域番号Ｘ＝１の領域を入力バッファ領域（１）、・・・のように称する。
【００４７】
入力バッファ２１３は、上記ＡＤＣ２２７による１回のサンプリングにより取得された（＝１サンプル分の）音声データを、入力バッファ領域（０）、入力バッファ領域（１）、…のように順次記憶する。そして、予め定められた最大領域番号Ｘｍａｘ（例えばＸｍａｘ＝１００）の領域に音声データを記憶したら、言い換えれば、入力バッファ２１３の全ての領域に音声データを記憶したら（以下、この状態を「バッファフル状態」という）、入力バッファ領域（０）に記憶された音声データ、入力バッファ領域（１）に記憶された音声データ、…のように、順次、各バッファ領域の音声データを出力バッファ２１４へと出力する（詳細は後述する）。
【００４８】
出力バッファ２１４に備えられる上記第１〜第３出力バッファ２１４Ａ〜２１４Ｃは、上記入力バッファ２１３と同様に、それぞれ複数の領域に区分されている（図中の括弧内の数値は、区分された領域の領域番号Ｙの値を示している）。以下適宜、第１出力バッファ２１４Ａの領域番号Ｙ＝０の領域を第１出力バッファ領域（０）、領域番号Ｙ＝１の領域を第１出力バッファ領域（１）、・・・のように称する。また、第２出力バッファ２１４Ｂの領域番号Ｙ＝０の領域を第２出力バッファ領域（０）、領域番号Ｙ＝１の領域を第２出力バッファ領域（１）、・・・のように称する。また、第３出力バッファ２１４Ｃの領域番号Ｙ＝０の領域を第３出力バッファ領域（０）、領域番号Ｙ＝１の領域を第３出力バッファ領域（１）、・・・のように称する。
【００４９】
各第１〜第３出力バッファ２１４Ａ〜２１４Ｃは、上記のようにして入力バッファ２１３から出力された上記音声データＳＤを記憶する。具体的には、第１出力バッファ２１４Ａは、前述した３つのうち増幅率の値Ｎ１に対応する音声データを、第１出力バッファ領域（０）、第１出力バッファ領域（１）、・・・のように、順次記憶する。第２出力バッファ２１４Ｂは、前述した３つのうち増幅率の値Ｎ２に対応する音声データを、第２出力バッファ領域（０）、第２出力バッファ領域（１）、・・・のように、順次記憶する。第３出力バッファ２１４Ｃは、前述した３つのうち増幅率の値Ｎ３に対応する音声データを、第３出力バッファ領域（０）、第３出力バッファ領域（１）、・・・のように、順次記憶する。（詳細は後述する）。
【００５０】
（Ｃ）ＤＢサーバの詳細機能
図６は、ＤＢサーバ１０の機能的構成を表す機能ブロック図である。
【００５１】
図６に示すように、ＤＢサーバ１０は、ＣＰＵ１０１と、ＣＰＵ１０１に各々接続されたＲＯＭ１０２及びＲＡＭ１０３と、ＣＰＵ１０１に接続された入出力（Ｉ／Ｏ）インタフェイス１０４と、Ｉ／Ｏインタフェイス１０４にそれぞれ接続された、マウスコントローラ１０６、キーコントローラ１０７、ビデオコントローラ１０８、通信装置１０９、及びハードディスク装置（ＨＤＤ）１５０とを有している。
【００５２】
ＲＯＭ１０２は、ＢＩＯＳを含む、ＤＢサーバ１０を動作させるための各種のプログラムを記憶している。ＲＡＭ１０３は、各種データを一時的に記憶する。ＣＰＵ１０１は、ＲＯＭ１０２や、後述するＨＤＤ１５０に記憶されたプログラムに従って、ＤＢサーバ１０の全体の制御を司る。
【００５３】
マウスコントローラ１０６、キーコントローラ１０７、及びビデオコントローラ１０８には、それぞれマウス１１６、キーボード１１７、及びディスプレイ１１８が接続されている。通信装置１０９は、ルータ４０に接続され、受付端末２０等、外部機器との間でデータの送受信を行うことを可能とする。
【００５４】
ＨＤＤ１５０は、来訪者予約データベース（ＤＢ）記憶エリア１５１、社員データベース（ＤＢ）記憶エリア１５５、及びプログラム記憶エリア１５６を含む複数の記憶エリアを備えている。
【００５５】
来訪者予約ＤＢ記憶エリア１５１には、会社への来訪が予定された来訪者Ｍに関する来訪情報（例えば来訪者会社名、来訪者氏名、来訪予定時刻、担当者名など）を格納する来訪者予約データベースが記憶されている。来訪者予約データベースには、会社への来訪が予定された来訪者Ｍの予約データ（例えば来訪者会社名、来訪者会社名ヨミ、来訪者名、来訪者名ヨミ、訪問予定日時、担当者名、担当者名ヨミ、担当者電話番号、担当者部署名等）が記憶されている。
【００５６】
社員ＤＢ記憶エリア１５５には、会社の社員全員の個人情報を格納する社員データベースが記憶されている。社員データベースには、社員情報（例えば氏名、苗字、発音に関する情報、電話番号等）が記憶されている。
【００５７】
プログラム記憶エリア１５６には、システムプログラム、通信プログラム等、各種処理をＤＢサーバ１０に実行させるための各種プログラムが記憶されている。なお、これらのプログラムは、例えばＣＤ−ＲＯＭに記憶されたものがＣＤ−ＲＯＭドライブ（図示せず）を介してインストールされ、プログラム記憶エリア１５６に記憶される。又は、適宜のネットワークを介してシステム外部からダウンロードされたプログラムが記憶されてもよい。
【００５８】
（Ｄ）音声認識の流れ
以上のような構成の本実施形態の最大の特徴は、前述した増幅率の３つの値Ｎ１，Ｎ２，Ｎ３が時系列的に順次繰り返されるようにオペアンプ２１７の増幅率を切替制御すること、上記３つの値Ｎ１，Ｎ２，Ｎ３に制御された増幅率を用いてオペアンプ２１７で増幅された音声情報を所定周期でサンプリングして音声データを取得すること、取得した音声データを上記切替制御された上記増幅率の３つの値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出すること、及び、抽出した上記３つのデータ群のうち、特定のデータ群を選択して、選択されたデータ群を用いて音声認識を行うこと、である。以下、その詳細を順を追って説明する。
【００５９】
（Ｄ−１）オペアンプの増幅率の切替制御
まず、図７〜図１１を用いて、オペアンプ２１７の増幅率の切替制御について説明する。図７は、受付処理において来訪者Ｍが受付端末２０に対して発話した状態を模式的に表す図である。図７に示すように、受付処理において、来訪者Ｍが受付端末２０に対して発話すると、その発話音声により対応する音声情報がマイク２０７で入力される。
【００６０】
図８は、このようにして入力された音声情報を音声波形で表した図である。この例では、横軸に時間をとり、縦軸に電圧をとった音声波形の一例を示している。図９は、上記図８の破線で囲んだ部分の拡大図にほぼ相当する図である。
【００６１】
図８及び図９において、音声情報は、アナログ信号（連続信号）であるので、時系列で入力電圧が変化する連続した音声波形で表すことができる。音声波形の振幅（電圧）の大きさは、マイク２０７に入力した音声の音量に対応している。
【００６２】
マイク２０７で入力された音声情報は、その後、オペアンプ２１７に入力されて増幅される。本実施形態では、オペアンプ２１７の増幅率は、上記３つの値Ｎ１，Ｎ２，Ｎ３が時系列的にＮ１→Ｎ２→Ｎ３→Ｎ１→Ｎ２→Ｎ３→・・・（但しＮ１＜Ｎ２＜Ｎ３；後述の図１０及び図１１等を参照）と順次繰り返すように切替制御されている。
【００６３】
図１０は、オペアンプ２１７により増幅された音声情報を音声波形で表した図であり、上記図８に対応する図である。図１１は、上記図１０の破線で囲んだ部分の拡大図にほぼ相当する図である。
【００６４】
図１０及び図１１において、オペアンプ２１７により増幅された音声情報は、上記のように切替制御された増幅率の値Ｎ１，Ｎ２，Ｎ３のいずれかを用いてオペアンプ２１７により増幅されている。なお、オペアンプ２１７により増幅された音声情報の音声波形は、図８及び図９に示した音声波形と同様に、本来ならば時系列で電圧が変化する連続した音声波形となる。しかしながら、図１０及び図１１に示す例では、図示煩雑の防止及び理解の容易化のため、増幅率の値が次の値に切り替わるまで（例えば、Ｎ１からＮ２に切り替わるまで）電圧が一定となる（言い換えれば、電圧が離散的に変化する）音声波形を示している。
【００６５】
また、この例では、オペアンプ２１７の増幅率の値は、Ｎ１＝１０００、Ｎ２＝２０００、Ｎ３＝３０００となっている。そして、増幅率の値が、時刻０［ｍｓｅｃ］の時点においてＮ１に設定され、時刻Ｔ１［ｍｓｅｃ］でＮ２に切り替えられ、時刻Ｔ２［ｍｓｅｃ］でＮ３に切り替えられ、時刻Ｔ３［ｍｓｅｃ］で再びＮ１に切り替えられている。その後も、時刻Ｔ４［ｍｓｅｃ］でＮ２、時刻Ｔ５［ｍｓｅｃ］でＮ３、時刻Ｔ６［ｍｓｅｃ］でＮ１、時刻Ｔ７［ｍｓｅｃ］でＮ２、時刻Ｔ８［ｍｓｅｃ］でＮ３、時刻Ｔ９［ｍｓｅｃ］でＮ１に切り替えられている。なお、時刻Ｔ９［ｍｓｅｃ］以降については説明を省略する。
【００６６】
したがって、時刻０から時刻Ｔ１［ｍｓｅｃ］までの時間に入力された音声情報は、上記増幅率の値Ｎ１を用いてオペアンプ２１７により１０００倍に増幅され、時刻Ｔ１から時刻Ｔ２［ｍｓｅｃ］までの時間に入力された音声情報は、上記増幅率の値Ｎ２を用いてオペアンプ２１７により２０００倍に増幅され、時刻Ｔ２から時刻Ｔ３［ｍｓｅｃ］の時間に入力された音声情報は、上記増幅率の値Ｎ３を用いてオペアンプ２１７により３０００倍に増幅されている。その後も、時刻Ｔ３から時刻Ｔ４［ｍｓｅｃ］までの時間に入力された音声情報は１０００倍に増幅され、時刻Ｔ４から時刻Ｔ５［ｍｓｅｃ］までの時間に入力された音声情報は２０００倍に増幅され、時刻Ｔ５から時刻Ｔ６［ｍｓｅｃ］までの時間に入力された音声情報は３０００倍に増幅され、時刻Ｔ６から時刻Ｔ７［ｍｓｅｃ］までの時間に入力された音声情報は１０００倍に増幅され、時刻Ｔ７から時刻Ｔ８［ｍｓｅｃ］までの時間に入力された音声情報は２０００倍に増幅され、時刻Ｔ８から時刻Ｔ９［ｍｓｅｃ］までの時間に入力された音声情報は３０００倍に増幅されている。
【００６７】
（Ｄ−２）音声データの取得
本実施形態では、上記時刻Ｔ１，Ｔ２，Ｔ３，…におけるオペアンプ２１７の増幅率の切替制御に連動し、上記３つの値Ｎ１，Ｎ２，Ｎ３に制御された増幅率を用いてオペアンプ２１７で増幅された音声情報を所定周期でＡＤＣ２２７に取り込み（＝サンプリングし）、デジタル信号である音声データに変換する。以下、上記図１０及び図１１に示した音声波形のうち、時刻０から時刻Ｔ９［ｍｓｅｃ］までの時間における音声波形を例にとって説明する。
【００６８】
図１２は、ＡＤＣ２２７がサンプリングにより音声データを取得する手順の概要を説明する説明図である。なお、図１２の上段に示したグラフは、上記図１１中の時刻０から時刻Ｔ９［ｍｓｅｃ］までの時間における音声波形に相当するグラフである。
【００６９】
図１２において、ＡＤＣ２２７は、所定周期ｔで、上記増幅された音声情報（詳細は前述の図１１参照）をサンプリングし、そのときの上記増幅率の値（Ｎ１、Ｎ２，Ｎ３のいずれか）に対応する音声データＳＤを取得する。このとき、ＡＤＣ２２７によりサンプリングされるタイミング（時刻）を、この例では、時刻ｔａ（前述の時刻Ｔ１，Ｔ２間に存在）、時刻ｔｂ（前述の時刻Ｔ２，Ｔ３間に存在）、時刻ｔｃ（前述の時刻Ｔ３，Ｔ４間に存在）、時刻ｔｄ（前述の時刻Ｔ４，Ｔ５間に存在）、時刻ｔｅ（前述の時刻Ｔ５，Ｔ６間に存在）、時刻ｔｆ（前述の時刻Ｔ６，Ｔ７間に存在）、時刻ｔｇ（前述の時刻Ｔ７，Ｔ８間に存在）、及び時刻ｔｈ（前述の時刻Ｔ８，Ｔ９間に存在）、…としている。
【００７０】
すなわち、時刻ｔａ［ｍｓｅｃ］（このときの上記増幅率の値はＮ１である）でサンプリングされることで増幅率値Ｎ１で増幅された音声データＳＤ０が取得され、時刻ｔｂ［ｍｓｅｃ］（このときの上記増幅率の値はＮ２である）でサンプリングされることで増幅率値Ｎ２で増幅された音声データＳＤ１が取得され、時刻ｔｃ［ｍｓｅｃ］（このときの上記増幅率の値はＮ３である）でサンプリングされることで増幅率値Ｎ３で増幅された音声データＳＤ２が取得され、時刻ｔｄ［ｍｓｅｃ］（このときの上記増幅率の値はＮ４である）でサンプリングされることで増幅率値Ｎ４で増幅された音声データＳＤ３が取得され、時刻ｔｅ［ｍｓｅｃ］（このときの上記増幅率の値はＮ５である）でサンプリングされることで増幅率値Ｎ５で増幅された音声データＳＤ４が取得され、時刻ｔｆ［ｍｓｅｃ］（このときの上記増幅率の値はＮ６である）でサンプリングされることで増幅率値Ｎ６で増幅された音声データＳＤ５が取得され、時刻ｔｇ［ｍｓｅｃ］（このときの上記増幅率の値はＮ７である）でサンプリングされることで増幅率値Ｎ７で増幅された音声データＳＤ６が取得され、時刻ｔｈ［ｍｓｅｃ］（このときの上記増幅率の値はＮ８である）でサンプリングされることで増幅率値Ｎ８で増幅された音声データＳＤ７が取得され、時刻ｔｉ［ｍｓｅｃ］（このときの上記増幅率の値はＮ９である）でサンプリングされることで増幅率値Ｎ９で増幅された音声データＳＤ８が取得される。
【００７１】
次に、オペアンプ２１７の増幅率の切り替えのタイミング、及び、ＡＤＣ２２７によるサンプリングのタイミングを説明する。図１３は、オペアンプ２１７の増幅率の切替制御において、オペアンプ２１７、ＡＤＣ２２７、ＣＰＵ２０１、及び入力バッファ２１３の間で行われる信号の流れを表すタイミングチャートである。縦線で表されたオペアンプ２１７、ＡＤＣ２２７、ＣＰＵ２０１、及び入力バッファ２１３の間を横方向に結ぶ矢印が、オペアンプ２１７、ＡＤＣ２２７、ＣＰＵ２０１、及び入力バッファ２１３の間の信号の挙動を示す。矢印の向きは信号の出力方向を示しており、矢印の先が向いている側が入力側である。また、図中下向きに時間軸がとられ、時間の経過を表している。
【００７２】
図１３において、まず最初に、オペアンプ２１７の増幅率は、この例ではＮ１に設定されている。そして、ＡＤＣ２２７は、上記時刻ｔａで上記増幅率の値Ｎ１を用いてオペアンプ２１７により増幅された音声情報を取り込み（ステップＳＳ５０）、アナログ−デジタル変換処理を開始する。そして、ＡＤＣ２２７は、アナログ−デジタル変換処理が終了したら、ＣＰＵ２０１にアナログ−デジタル変換処理終了割込み信号を出力する（ステップＳＳ５１）。このとき、ＡＤＣ２２７は、ＣＰＵ２０１を介して入力バッファ２１３に音声データＳＤ０を出力する（ステップＳＳ５２）。これにより入力バッファ２１３は、その入力バッファ領域（０）に上記音声データＳＤ０を記憶する。また、上記割込み信号を入力したＣＰＵ２０１は、オペアンプ２１７に制御信号を出力する（ステップＳＳ５３）。これにより上記時刻Ｔ１においてオペアンプ２１７の増幅率の値がＮ１からＮ２に切り替えられる。
【００７３】
その後、上記ステップＳＳ５０で音声情報を取り込んでから時間ｔが経過した上記時刻ｔｂで、上記増幅率の値Ｎ２を用いてオペアンプ２１７により増幅された音声情報を取り込み（ステップＳＳ５４）、アナログ−デジタル変換処理を開始する。その後のステップＳＳ５５、ステップＳＳ５６、ステップＳＳ５７は、上記ステップＳＳ５１、ステップＳＳ５２、ステップＳＳ５３と同様であり、ＡＤＣ２２７がアナログ−デジタル変換処理終了割込み信号を出力するとともに入力バッファ２１３に音声データＳＤ１を出力し、入力バッファ２１３は入力バッファ領域（１）に上記音声データＳＤ１を記憶する。そして、ステップＳＳ５７に示すようにＣＰＵ２０１が出力した制御信号がオペアンプ２１７に入力したら、上記時刻Ｔ２においてオペアンプ２１７の増幅率の値がＮ２からＮ３に切り替えられる。
【００７４】
その後、上記ステップＳＳ５４で音声情報を取り込んでから時間ｔが経過した上記時刻ｔｃで、上記増幅率の値Ｎ３を用いてオペアンプ２１７により増幅された音声情報を取り込み（ステップＳＳ５８）、アナログ−デジタル変換処理を開始する。その後のステップＳＳ５９、ステップＳＳ６０、ステップＳＳ６１は、上記ステップＳＳ５１、ステップＳＳ５２、ステップＳＳ５３と同様であり、ＡＤＣ２２７がアナログ−デジタル変換処理終了割込み信号を出力するとともに入力バッファ２１３に音声データＳＤ２を出力し、入力バッファ２１３は入力バッファ領域（２）に上記音声データＳＤ２を記憶する。そして、ステップＳＳ６１に示すようにＣＰＵ２０１が出力した制御信号がオペアンプ２１７に入力したら、上記時刻Ｔ３においてオペアンプ２１７の増幅率の値がＮ３からＮ４に切り替えられる。
【００７５】
以下同様の手順により、オペアンプ２１７の増幅率は、上記３つの値Ｎ１，Ｎ２，Ｎ３が時系列的にＮ１→Ｎ２→Ｎ３→Ｎ１→・・・と順次繰り返すように切り替えられる。
【００７６】
（Ｄ−３）音声データの記憶・データ群の抽出
次に、上記のようにしてＡＤＣ２２７から出力される音声データＳＤを入力バッファ２１３へ記憶する手順の概要を説明する。なお、本実施形態では、入力バッファ２１３への上記音声データＳＤの記憶は、１回のサンプリングにより音声データＳＤが取得されるごとに行われる（すなわち、サンプリング→記憶→サンプリング→記憶・・・を繰り返している）。図１４は、入力バッファ２１３に前述の例における音声データＳＤを記憶する手順の概要を説明する説明図である。なお、この例では、音声データＳＤ０，ＳＤ１，・・・，ＳＤ８が、９つの（すなわち領域番号Ｘ＝０〜８の）入力バッファ領域（０）、入力バッファ領域（）（１）、・・・、入力バッファ領域（８）に対しそれぞれ記憶される場合を例にとって説明する。
【００７７】
図１４において、上記図１２で示した時刻ｔａでのサンプリング（１回目のサンプリング）により取得された上記音声データＳＤ０は、領域番号Ｘ＝０である入力バッファ２１３の入力バッファ領域（０）に記憶される。その後、時刻ｔｂでのサンプリングにより上記音声データＳＤ１が取得されると、上記同様、入力バッファ領域（１）に記憶される。以下同様に、上記音声データＳＤ２は、入力バッファ領域（２）に記憶され、上記音声データＳＤ３は、入力バッファ領域（３）に記憶され、上記音声データＳＤ４は、入力バッファ領域（４）に記憶され、上記音声データＳＤ５は、入力バッファ領域（５）に記憶され、上記音声データＳＤ６は、入力バッファ領域（６）に記憶され、上記音声データＳＤ７は、入力バッファ領域（７）に記憶され、上記音声データＳＤ８は、入力バッファ領域（８）に記憶される。このように入力バッファ２１３では、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応する音声データＳＤ０〜ＳＤ８が混在した（上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応する音声データＳＤ０〜ＳＤ８ごとに分類されていない）データ群として記憶される。
【００７８】
そして、上記領域番号Ｘ＝Ｘｍａｘ（この例ではＸｍａｘ＝８）である入力バッファ領域（８）に、音声データＳＤ（この例では音声データＳＤ８）が記憶されると、入力バッファ２１３は、前述のバッファフル状態となり、ＡＤＣ２２７によるサンプリングが（一時的に）終了され、入力バッファ２１３に記憶された全ての音声データＳＤ（この例では音声データＳＤ０〜ＳＤ８）が、出力バッファ２１４へ出力される。
【００７９】
次に、入力バッファ２１３の全ての領域に記憶された音声データＳＤを、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出する手順の概要を説明する。
【００８０】
図１５は、上記図１４のようにして入力バッファ２１３の全ての領域（この例では入力バッファ領域（０）〜入力バッファ領域（８））に記憶された音声データＳＤ０〜ＳＤ８を、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出する手順の概要を説明する説明図である。
【００８１】
なお、この例では、上記各第１〜第３出力バッファ２１４Ａ〜２１４Ｃにおける前述の領域番号Ｙの値をＹ＝０〜２（すなわち、予め定められた最大領域番号Ｙｍａｘ＝２）としている。また、第１〜第３出力バッファ２１４Ａ〜２１４Ｃに対し、上記オペアンプ２１７の３つの増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに関連付けられた出力バッファインデックス番号（以下、単に「インデックス番号」という）Ｐをそれぞれ設定している。この例では、第１出力バッファ２１４Ａは、上記増幅率の値Ｎ１に関連付けられたインデックス番号Ｐ＝０が設定されており、第２出力バッファ２１４Ｂは、上記増幅率の値Ｎ２に関連付けられたインデックス番号Ｐ＝１が設定されており、第３出力バッファ２１４Ｃは、上記増幅率の値Ｎ３に関連付けられたインデックス番号Ｐ＝２が設定されている。
【００８２】
これら図１５（ａ）〜（ｄ）は、図１５（ａ）→図１５（ｂ）→図１５（ｃ）→図１５（ｄ）の順の時系列変化で手順を示すものである。図１５（ａ）〜（ｄ）において、前述したように、上記インデックス番号Ｐ＝０の第１出力バッファ２１４Ａには、上記増幅率の値Ｎ１に対応する音声データＳＤが記憶され、インデックス番号Ｐ＝１の第２出力バッファ２１４Ｂには、上記増幅率の値Ｎ２に対応する音声データＳＤが記憶され、インデックス番号Ｐ＝２の第３出力バッファ２１４Ｃには、上記増幅率の値Ｎ３に対応する音声データＳＤが記憶される。
【００８３】
すなわち、図１５（ａ）に示すように、まず入力バッファ領域（０）に記憶されている上記増幅率の値Ｎ１に対応する音声データＳＤ０を、第１出力バッファ２１４Ａに出力する。次に、入力バッファ領域（１）に記憶されている上記増幅率の値Ｎ２に対応する音声データＳＤ１を、第２出力バッファ２１４Ｂに出力する。そして、入力バッファ領域（２）に記憶されている上記増幅率の値Ｎ３に対応する音声データＳＤ２を、第３出力バッファ２１４Ｃに出力する。
【００８４】
その後、上記同様、図１５（ｂ）に示すように、入力バッファ領域（３）の音声データＳＤ３が第１出力バッファ２１４Ａに出力され、入力バッファ領域（４）の音声データＳＤ４が第２出力バッファ２１４Ｂに出力され、入力バッファ領域（５）の音声データＳＤ５が第３出力バッファ２１４Ｃに出力される。
【００８５】
また、図１５（ｃ）に示すように、入力バッファ領域（６）の音声データＳＤ６が第１出力バッファ２１４Ａに出力され、入力バッファ領域（７）の音声データＳＤ７が第２出力バッファ２１４Ｂに出力され、入力バッファ領域（８）の音声データＳＤ８が第３出力バッファ２１４Ｃに出力される。
【００８６】
これにより、図１５（ｄ）に示すように、入力バッファ２１３に記憶されている全ての音声データＳＤ０〜ＳＤ８が、各第１〜第３出力バッファ２１４Ａ〜２１４Ｃの各領域にそれぞれ分配されて格納される状態となる。すなわち、第１出力バッファ２１４Ａには、上記増幅率の値Ｎ１に対応したデータ群（音声データＳＤ０，ＳＤ３，ＳＤ６）が格納され、第２出力バッファ２１４Ｂには、上記増幅率の値Ｎ２に対応したデータ群（音声データＳＤ１，ＳＤ４，ＳＤ７）が格納され、第３出力バッファ２１４Ｃには、上記増幅率の値Ｎ３に対応したデータ群（音声データＳＤ２，ＳＤ５，ＳＤ８）が格納されている。このように、第１出力バッファ２１４Ａ、第２出力バッファ２１４Ｂ、第３出力バッファ２１４Ｃのそれぞれに対し、上記増幅率の３つの値Ｎ１，Ｎ２，Ｎ３それぞれに対応させたデータ群に分類して格納することで、上記３つのデータ群を抽出することができる。
【００８７】
（Ｄ−４）データ群の選択
次に、図１６、前述の図１０、及び図１７を用いて、本実施形態におけるデータ群の選択の手法について説明する。
【００８８】
図１６は、ＡＤＣ２２７の入力限界を説明する説明図である。なお、この図１６は、前述の図１０に示した音声波形から、入力限界Ｆより大きい部分及び入力限界−Ｆより小さい部分をカットした音声波形に相当する図である。
【００８９】
図１６及び前述の図１０において、前述の図１０で示した音声波形のうち、図１６で消去されている部分は、上記ＡＤＣ２２７の入力限界Ｆ（この例ではＦ＝３［Ｖ］）より大きい部分と、入力限界−Ｆ（この例では−Ｆ＝−３［Ｖ］）より小さい部分（以下、これらの部分を「入力限界Ｆ，−Ｆを超えた部分」という）の音声波形に相当する。この入力限界Ｆ，−Ｆを超えた部分、言い換えれば、オペアンプ２１７の増幅率が大き過ぎた部分は、ＡＤＣ２２７によるアナログ−デジタル変換処理時に歪みが発生する。この結果、変換された音声データＳＤの音声波形の振幅値ＡＭ（後述の図１７参照）は、所定の値で頭打ちになる。
【００９０】
図１７は、抽出された３つのデータ群のうち特定のデータ群を選択する手法を説明するための、各データ群を音声波形で表した図である。図１７（ａ）、図１７（ｂ）、及び図１７（ｃ）は、上記図１０に示したオペアンプ２１７での増幅後の音声波形における、増幅率の値Ｎ１による増幅に対応したデータ群、増幅率の値Ｎ２による増幅に対応したデータ群、増幅率の値Ｎ３による増幅に対応したデータ群、をそれぞれ表している。なお、これら図１７（ａ）〜図１７（ｃ）では、横軸に時間をとり、縦軸に振幅値ＡＭをとった音声波形の例を示している。
【００９１】
図１７（ａ）〜図１７（ｃ）に示す各データ群は、既に述べたように、サンプリングにより取得された（デジタル信号である）音声データＳＤを各増幅率の値Ｎ１，Ｎ２，Ｎ３ごとに前述の手法で分配して抽出されたデータ群であり、各音声波形は、振幅値ＡＭが離散的に（非連続的に）変化している。このとき、上述したように、オペアンプ２１７により増幅された音声情報に、上記入力限界Ｆ，−Ｆを超えた部分が存在していれば、その部分がＡＤＣ２２７によりアナログ−デジタル変換処理されると、所定の値（この例ではＡＭ＝約３．３×１０４（上側），約−３．３×１０４（下側））で頭打ちになった波形になる。すなわち、この例では、図１７（ｂ）に示す音声波形の楕円で囲んだ５箇所（上側３箇所及び下側２箇所）と、図１７（ｃ）に示す音声波形の楕円で囲んだ５箇所（上側３箇所及び下側２箇所）とが、該当している。この部分は、ＡＤＣ２２７によりアナログ−デジタル変換処理時に歪みが発生した部分であり、音割れを起こし音声認識を精度よく行うことができない。したがって、音声認識に用いるデータ群として、このような部分を含まない音声波形になるデータ群を選択することが好ましい。
【００９２】
そこで、本実施形態では、データ群の音声波形の振幅値ＡＭに、第１しきい値ＡＭｍｉｎ（この例ではＡＭｍｉｎ＝−３×１０４）及び第２しきい値ＡＭｍａｘ（この例ではＡＭｍａｘ＝３×１０４）を設けている。そして、抽出された３つのデータ群のうち、アナログ−デジタル変換処理時に歪み発生を回避可能な所定のレベル範囲として、ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘの関係を全データで満足するデータ群を選択するようにする。
【００９３】
すなわち、図１７（ａ）〜図１７（ｃ）に示す例（時刻０から時刻１２［ｍｓｅｃ］までのデータが対象）では、図１７（ａ）に示した上記増幅率の値Ｎ１に対応したデータ群は、振幅値ＡＭが全データでＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘとなるので選択される。図１７（ｂ）及び図１７（ｃ）に示した上記増幅率の値Ｎ２，Ｎ３に対応したデータ群は、ＡＭ＞ＡＭｍａｘやＡＭ＜ＡＭｍｉｎとなる部分があるので選択されない。この結果、図１７（ａ）に示した上記増幅率の値Ｎ１に対応したデータ群を用いて音声認識が行われる。
【００９４】
なお。この例では、上記選択されるデータ群が、図１７（ａ）に示した上記増幅率の値Ｎ１に対応したデータ群の１つであった場合を示したが、複数のデータ群が選択される場合もあり得る。この場合には、本実施形態では、選択された複数のデータ群のうち、音声波形の振幅（この例では所定期間における振幅の平均値）が最大であるデータ群を選択する（詳しくは後述の図１９のステップＳ１８０を参照）。
【００９５】
（Ｅ）制御手順
図１８は、以上説明した内容を実現するために、受付端末２０の制御回路部２００により実行する制御手順を表すフローチャートである。なお、このフローに示す処理は、ＨＤＤ２０５のプログラム記憶エリア２５６に記憶された来訪者受付処理用のプログラム群（前述のシステムプログラム、通信プログラム、描画プログラム、音声認識プログラム、ＤＢ照合プログラム、電話接続プログラム）に従って、ＣＰＵ２０１が実行するものである。
【００９６】
図１８において、例えば受付端末２０の電源ＯＮによって、このフローが開始される（「ＳＴＡＲＴ」位置）。
【００９７】
まずステップＳ１０で、受付処理を開始する操作が、来訪者Ｍにより図示しない操作部を介して行われたか否かを判定する。来訪者Ｍにより受付処理を開始する操作が行なわれるまでループ待機し、来訪者Ｍにより受付処理を開始する操作が行なわれた場合には、判定が満たされてステップＳ２０に移る。
【００９８】
ステップＳ２０では、Ｉ／Ｏインタフェイス２０４を介してスピーカ２０８へ音声信号を出力し、来訪者名等を問いかける台詞（例えば「いらっしゃいませ。どちら様でしょうか。（マイクに向かってお名前を入力してください）」）を発声させる。このとき、表示部２１０に台詞と同様の内容のテキストを含む表示画面を表示させてもよい。
【００９９】
その後、ステップＳ１００で、来訪者Ｍの発話音声を認識する音声認識処理（詳細は後述の図１９参照）を実行する。
【０１００】
そして、ステップＳ３０で、後述の図１９のステップＳ１９０において音声認識できたか否かを判定する。言語として音声認識できなかった場合には判定が満たされず、音声認識ができなかったことを来訪者Ｍに通知する台詞（例えば「音声を認識できませんでした。もう一度マイクに向かってお名前を入力してください」）をスピーカ２０８に発声させ、上記ステップＳ１００に戻り、同様の手順を繰り返す。なお、この図１８では図示を省略しているが、上記通知の発声は、予め定められた設定回数だけ行われ、その間に音声認識できない場合には、対応する処理（例えば部署代表やその他の受付担当者等に取り次ぐ等）を行う。一方、言語として音声認識できた場合には、ステップＳ３０の判定が満たされステップＳ４０に移る。
【０１０１】
ステップＳ４０では、ＤＢサーバ１０の来訪者予約ＤＢ記憶エリア１５１に記憶された来訪者予約データベースにアクセスし、後述の図１９のステップＳ１９０において音声認識により取得した来訪者名等が、来訪者予約データベースのいずれかの予約データの「来訪者名」等と一致するか否かを照合する。なお、完全な一致ではなく、ある類似幅、許容幅を持たせた範囲内で適合するかどうかを照合するようにしてもよい。
【０１０２】
その後、ステップＳ５０で、上記ステップＳ４０での照合結果が一致したか（適合したか）否かを判定する。ステップＳ４０での照合結果が一致しなかった（該当する来訪者名等の予約データが存在しなかった）場合には判定が満たされず、予約データが存在しなかったことを来訪者Ｍに通知する台詞（例えば「予約がされていませんでした。もう一度マイクに向かってお名前を入力してください」）をスピーカ２０８に発声させ、上記ステップＳ２０に戻り、同様の手順を繰り返す。ステップＳ４０での照合結果が一致した（該当する来訪者名等の予約データが存在した）場合には、ステップＳ５０の判定が満たされステップＳ６０に移る。
【０１０３】
ステップＳ６０では、正当な来訪者Ｍが訪ねてきたことが確認できたことに対応して、対応する担当者のＩＰ電話機６０に発信（コール）を行う。具体的には、担当者への通知文を作成し、その通知文のテキストデータを音声信号に変換し、上記予約データにより特定された担当者の電話番号を用いて、ＩＰ−ＰＢＸ５０を介し、担当者の使用するＩＰ電話機６０に、音声信号を発信する。そして、このフローを終了する。
【０１０４】
図１９は、上記図１８のステップＳ１００の詳細手順を表すフローチャートである。
【０１０５】
まずステップＳ２００で、音声データＳＤの取得及び取得した音声データＳＤの入力バッファ２１３への記憶を行う音声データ取得・記憶処理（詳細は後述の図２０参照）を実行する。
【０１０６】
その後、ステップＳ３００で、入力バッファ２１３に記憶した音声データＳＤを、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出するデータ抽出処理（詳細は後述の図２１参照）を実行する。
【０１０７】
そして、ステップＳ１１０で、公知の手法により、上記抽出したデータ群から来訪者Ｍの発話区間の検出を行う。このときの手法としては、例えば、零交差法等を用いることができる。零交差法は、ステップエッジの２次微分が正から負、又は負から正へピークが変化する途中においては、出力レベル０となる位置がエッジの中央位置に対応していることを利用するものであり、高い精度でエッジを検出することができる。
【０１０８】
その後、ステップＳ１２０で、上記ステップＳ１１０の結果に基づき、来訪者Ｍの発話区間が検出されたか否かを判定する。発話区間が検出されなかった場合には、判定が満たされずステップＳ２００に戻り、同様の手順を繰り返す。発話区間が検出された場合には、判定が満たされてステップＳ４００に移る。
【０１０９】
ステップＳ４００では、上記ステップＳ３００（後述の図２１の全手順）で抽出された３つのデータ群のうち、特定のデータ群を選択するデータ選択処理（詳細は後述の図２２参照）を実行する。
【０１１０】
そして、ステップＳ１３０で、上記ステップＳ４００のデータ選択処理において選択されたデータ群の数を表す変数Ｄが所定数Ｄ０未満である（Ｄ＜Ｄ０）か、言い換えれば、前述の所定レベル範囲（前述の例ではＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘ）に含まれるデータ群の数が所定数Ｄ０未満であったか否か、を判定する（判定手段としての機能）。Ｄ＜Ｄ０である場合には、判定が満たされ、後述のステップＳ１８０に移る。Ｄ≧Ｄ０であった場合には、判定が満たされず、ステップＳ１４０に移る。
【０１１１】
ステップＳ１４０では、図２２において後述する、振幅が大き過ぎた音声データＳＤの数を表すカウンタＧと、振幅が小さ過ぎ音声データＳＤの数を表すカウンタＬとについて、Ｇ＝Ｌであるかどうかを判定する。Ｇ＝Ｌであった場合は判定が満たされ、後述のステップＳ１６０やステップＳ１７０のようにして増幅率を増減する必要なしとみなして、後述のステップＳ１８０に移る。Ｇ≠Ｌであった場合は判定が満たされずステップＳ１５０に移る。
【０１１２】
ステップＳ１５０では、Ｇ＞Ｌであるかどうかを判定する。Ｇ＞Ｌであった場合は判定が満たされ、オペアンプ２１７の増幅率が大き過ぎたとみなし、オペアンプ２１７の増幅率の値Ｎ１，Ｎ２，Ｎ３を、全体的に所定値（例えば、５００）小さくする。その後、後述のステップＳ１８０に移る。ステップＳ１５０において、Ｇ≦Ｌであった場合は、ステップＳ１５０の判定が満たされず、ステップＳ１７０に移る。ステップＳ１７０では、オペアンプ２１７の増幅率が小さ過ぎたとみなし、オペアンプ２１７の増幅率の値Ｎ１，Ｎ２，Ｎ３を、全体的に所定値（例えば、５００）だけ大きくする。その後、後述のステップＳ１８０に移る。
【０１１３】
ステップＳ１８０では、後述の図２２のデータ選択処理で選択された複数のデータ群のうち、所定期間（例えば１〜１２［ｍｓｅｃ］の時間間隔）における音声波形の振幅の平均値が最大であるデータ群を選択する。
【０１１４】
その後、ステップＳ１９０で、上記ステップＳ４００で選択されたデータ群を用いて音声認識を行う。そして、このルーチンを終了する。
【０１１５】
図２０は、上記図１８のステップＳ２００の詳細手順を表すフローチャートである。
【０１１６】
まずステップＳ２１０で、上記入力バッファ２１３の領域番号Ｘの値をＸ＝０に初期化する。
【０１１７】
その後、ステップＳ２２０で、オペアンプ２１７の増幅率の値を表す変数Ｃの値を、初期値（この例ではＮ１）とする。
【０１１８】
そして、ステップＳ２３０で、Ｉ／Ｏインタフェイス２０４を介してオペアンプ２１７に制御信号を出力し、オペアンプ２１７の増幅率を上記変数Ｃの値に設定する。
【０１１９】
その後、ステップＳ２４０で、Ｉ／Ｏインタフェイス２０４を介してＡＤＣ２２７から上記アナログ−デジタル変換処理終了割込み信号を入力したか否かを判定する。上記割込み信号を入力するまで判定が満たされずループ待機し、上記割込み信号を入力したら、判定が満たされてステップＳ２５０に移る。
【０１２０】
ステップＳ２５０では、ＡＤＣ２２７及びＩ／Ｏインタフェイス２０４を介して、上記１サンプル分の音声データＳＤを取得する。なお、制御回路２００の実行するこのステップＳ２５０の手順と上記ＡＤＣ２２７とが、各請求項記載の情報取得手段として機能する。
【０１２１】
そして、ステップＳ２５５で、上記ステップＳ２５０で取得した音声データＳＤを入力バッファ２１３の上記入力バッファ領域（Ｘ）に出力し、音声データＳＤを当該入力バッファ領域（Ｘ）に記憶させる。
【０１２２】
その後、ステップＳ２６０で、領域番号Ｘが、予め定められた最大領域番号Ｘｍａｘ（例えばＸｍａｘ＝１００）に等しくなったか（バッファフル状態になったか）否かを判定する。上記領域番号ＸがＸｍａｘより小さい場合（バッファフル状態になっていない場合）には、判定が満たされずステップＳ２６５に移る。
【０１２３】
ステップＳ２６５では、Ｘの値に１を加え、ステップＳ２７０に移り、上記変数Ｃ＝Ｎ１であるか否かを判定する。Ｃ＝Ｎ１である場合には、判定が満たされてステップＳ２７５に移り、Ｃ＝Ｎ２とし、上記ステップＳ２３０に戻り、同様の手順を繰り返す。一方、上記変数Ｃ＝Ｎ１でない場合（Ｃ＝Ｎ２又はＣ＝Ｎ３である場合）には、判定が満たされずステップＳ２８０に移る。
【０１２４】
ステップＳ２８０では、上記変数Ｃ＝Ｎ２であるか否かを判定する。Ｃ＝Ｎ２である場合には、判定が満たされてステップＳ２８５に移り、Ｃ＝Ｎ３とし、上記ステップＳ２３０に戻り、同様の手順を繰り返す。一方、上記変数Ｃ＝Ｎ２でない場合（Ｃ＝Ｎ３である場合）には、判定が満たされずステップＳ２２０に戻り、同様の手順を繰り返す。
【０１２５】
一方、上記ステップＳ２６０において、上記領域番号Ｘ＝Ｘｍａｘとなった場合（バッファフル状態になった場合）には、ステップＳ２６０の判定が満たされて、このルーチンを終了する。
【０１２６】
図２１は、上記図１９のステップＳ３００の詳細手順を表すフローチャートである。
【０１２７】
まずステップＳ３１０で、上記入力バッファ２１３の領域番号Ｘの値をＸ＝０に初期化する。
【０１２８】
その後、ステップＳ３２０で、上記第１〜第３出力バッファ２１４Ａ〜２１４Ｃの領域番号Ｙの値をＹ＝０に初期化する。
【０１２９】
そして、ステップＳ３３０で、上記インデックス番号Ｐの値をＰ＝０に初期化する。
【０１３０】
その後、ステップＳ３４０で、入力バッファ２１４の入力バッファ領域（Ｘ）に記憶されている音声データＳＤを、インデックス番号Ｐの出力バッファ２１４の出力バッファ領域（Ｙ）に出力する。
【０１３１】
そして、ステップＳ３５０で、Ｘ＝Ｘｍａｘとなったか否かを判定する。Ｘ＝Ｘｍａｘとなっていない場合には、判定が満たされずステップＳ３６０に移る。
【０１３２】
ステップＳ３６０では、Ｘの値に１を加え、ステップＳ３７０に移り、Ｐが、予め定められた最大インデックス番号Ｐｍａｘ（この例ではＰｍａｘ＝２）に達したか否かを判定する。上記インデックス番号Ｐの値がＰｍａｘより小さい場合には、判定が満たされずステップＳ３８０に移り、Ｐの値に１を加え、上記ステップＳ３４０に戻り、同様の手順を繰り返す。そして、Ｐ＝Ｐｍａｘになったら、判定が満たされてステップＳ３９０に移る。
【０１３３】
ステップＳ３９０では、Ｙの値に１を加え、上記ステップＳ３４０に戻り、同様の手順を繰り返す。
【０１３４】
一方、上記ステップＳ３５０において、Ｘ＝Ｘｍａｘとなった場合には、ステップＳ３５０の判定が満たされて、このルーチンを終了する。
【０１３５】
図２２は、上記図２０のステップＳ４００の詳細手順を表すフローチャートである。
【０１３６】
まずステップＳ４１０で、後述のステップＳ４８０で選択されたデータ群の数を表す変数Ｄの値を０に初期化し、また、振幅が過大・過小である音声データＳＤの数を表すカウンタＧ，Ｌをそれぞれ０に初期化する。
【０１３７】
その後、ステップＳ４２０で、上記インデックス番号Ｐの値をＰ＝０に初期化する。
【０１３８】
そして、ステップＳ４３０で、上記領域番号Ｙの値をＹ＝０に初期化する。
【０１３９】
その後、ステップＳ４４０で、インデックス番号Ｐの出力バッファ２１４の出力バッファ領域（Ｙ）に記憶されている音声データＳＤを取得する。
【０１４０】
そして、ステップＳ４５０で、上記ステップＳ４４０で取得した音声データＳＤの振幅値ＡＭが、ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘであるか否かを判定する。ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘであった場合には判定が満たされ、ステップＳ４６０に移る。
【０１４１】
ステップＳ４６０では、Ｙ＝Ｙｍａｘとなったか否かを判定する。Ｙ＝Ｙｍａｘとなっていない場合には、判定が満たされずステップＳ４７０に移り、Ｙの値に１を加え、上記ステップＳ４４０に戻り、同様の手順を繰り返す。そして、Ｙ＝Ｙｍａｘとなった場合には、判定が満たされてステップＳ４８０に移る。
【０１４２】
ステップＳ４８０では、インデックス番号Ｐの出力バッファ２１４に記憶されている音声データＳＤのデータ群を選択する（選択されたデータ群として適宜の箇所に記憶する）。
【０１４３】
その後、ステップＳ４８５に移り、Ｄの値に１を加え、ステップＳ４９０に移る。
【０１４４】
一方、上記ステップＳ４５０において、ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘでなかった場合には、判定が満たされず、ステップＳ４５２に移る。
【０１４５】
ステップＳ４５２では、音声データＳＤの振幅値ＡＭが、ＡＭ＜ＡＭｍｉｎであるか否かを判定する。ＡＭ＜ＡＭｍｉｎであった場合にはステップＳ４５２の判定が満たされ、振幅が小さ過ぎるとみなしてステップＳ４５４で上記カウンタＬの値に１を加え、ステップＳ４９０に移る。一方ＡＭ＞ＡＭｍｉｎであった場合にはステップＳ４５２の判定が満たされず、（ＡＭ＞ＡＭｍａｘであることから）振幅が大き過ぎるとみなしてステップＳ４５６で上記カウンタＧの値に１を加え、ステップＳ４９０に移る。
【０１４６】
ステップＳ４９０では、Ｐ＝Ｐｍａｘに達したか否かを判定する。Ｐ＝Ｐｍａｘとなっていない場合には、判定が満たされずステップＳ４９５に移り、Ｐの値に１を加え、上記ステップＳ４３０に戻り、同様の手順を繰り返す。そして、Ｐ＝Ｐｍａｘとなった場合には、判定が満たされて、ステップＳ４９２へ移る。
【０１４７】
ステップＳ４９２では、Ｄ＝０であるかどうかを判定する。Ｄ＝０でなかった場合は判定が満たされず、少なくとも１つのデータ群が選択されたとみなして、このルーチンを終了する。Ｄ＝０であった場合、判定が満たされ、１つのデータ群も未だ選択されていないとみなして、ステップＳ４９４に移る。
【０１４８】
ステップＳ４９４では、前述した、振幅が大き過ぎた音声データＳＤの数を表すカウンタＧと、振幅が小さ過ぎ音声データＳＤの数を表すカウンタＬとに関して、Ｌ≧Ｇであるかどうかを判定する。振幅過小の音声データＳＤの数が振幅過大の音声データＳＤの数以上であった場合はＬ≧ＧであるからステップＳ４９４の判定が満たされ、ステップＳ４９６に移り、出力バッファ２１４の出力バッファ領域（Ｙｍａｘ−１）に記憶されているデータ群を選択する。振幅過大の音声データＳＤの数が振幅過大の音声データＳＤの数より多かった場合はＬ＜ＧであるからステップＳ４９４の判定が満たされず、ステップＳ４９８に移り、出力バッファ２１４の出力バッファ領域（０）に記憶されているデータ群を選択する。
【０１４９】
ステップＳ４９６又はステップＳ４９８の後は、ステップＳ４９９に移り、上記のようにして１つのデータ群を選択したことに対応させてＤ＝１とし、このルーチンを終了する。
【０１５０】
なお、以上において、図１９に示すステップＳ３００（言い換えれば図２１の全手順）が、各請求項記載のデータ抽出手段として機能する。また、図１９に示すステップＳ４００（言い換えれば図２２の全手順）及びステップＳ１８０が、データ選択手段として機能し、そのうちステップＳ４００がレベル選択手段として機能し、ステップＳ１８０が振幅選択手段として機能する。また、図１９に示すステップＳ１６０及びステップＳ１７０と、図２０に示すステップＳ２２０、ステップＳ２３０、ステップＳ２７５、及びステップＳ２８５とが、増幅制御手段として機能する。
【０１５１】
以上説明したように、本実施形態の受付端末２０においては、来訪者Ｍが発話すると、その発話音声に対応した音声情報がマイク２０７で入力され、さらにオペアンプ２１７で増幅された後、ＡＤＣ２２７により所定周期でサンプリングされ、音声データＳＤとして取得される（図２０のステップＳ２５０参照）。このとき、上記オペアンプ２１７の増幅率は、互いに異なる複数の値（上記の例では３つの値Ｎ１，Ｎ２，Ｎ３）に切り替えられており、上記取得された音声データＳＤは、各増幅率の値に対応させた複数の（上記の例では３つの）データ群に分類して抽出される（図１９のステップＳ３００（図２１の全手順）を参照）。そして、その抽出された３つのデータ群のうち、特定の（高い認識精度が得られるような増幅率の）データ群を選択し（図１９のステップＳ４００及びステップＳ１８０参照）、そのデータ群を用いて音声認識を行う（図１９のステップＳ１９０参照）。
【０１５２】
この結果、来訪者Ｍの発話において突発的な音量変化が生じた場合であっても、ＡＧＣ（Ａｕｔｏｍａｔｉｃ Ｇａｉｎ Ｃｏｎｔｒｏｌを適用する場合とは異なり、いずれかの増幅率に係わるデータ群を用いることで、音割れ等の不都合のない良好な音声データＳＤにより確実に漏れのない音声認識を行い、高い認識精度を得ることができる。
【０１５３】
また、上記のように異なる３つの増幅率の値Ｎ１，Ｎ２，Ｎ３を実現する際、１つのオペアンプ２１７の増幅率を時系列的に切り替え制御することで、３つの増幅率値Ｎ１，Ｎ２，Ｎ３を順次繰り返す。そして、各増幅率の値Ｎ１，Ｎ２，Ｎ３ごとに音声データＳＤを離散的に抽出し、各データ群を構成する。これにより、複数の増幅器それぞれにおいて同時並行して互いに異なる増幅率で増幅を行った後、各増幅器からの出力波形を合成する場合のようなスペクトルのゆがみといった不都合を回避し、良好な音声認識を行うことができる。
【０１５４】
また。本実施形態では特に、図１９のステップＳ３００で抽出された複数のデータ群のうち、アナログ−デジタル変換処理時の歪み発生を回避可能な所定レベル範囲（上記の例ではＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘ）のデータ群を選択する。これにより、発話において突発的な音量変化が生じた場合であっても、選択したデータ群を用いることで、音割れ等の不都合のない良好な音声データＳＤで確実に音声認識を行うことができる。
【０１５５】
また、本実施形態では特に、図１９のステップＳ４００で複数のデータ群が選択された場合、すなわち、上記変数Ｄの値がＤ≧２であった場合、その選択された複数のデータ群のうち、音声波形の振幅が最大（上記の例では所定期間における振幅の平均値が最大）であるデータ群を選択する（図１９のステップＳ１８０参照）。これにより、ステップＳ４００で選択した複数のデータ群の中でも、相対的にレベルが大きいデータ群を用いることで、信号対ノイズ比（Ｓ／Ｎ比）が大きくノイズが少ない良好な音声データＳＤで高精度な音声認識を行うことができる。また特に、ステップＳ４００で選択した複数のデータ群の中から、所定期間における振幅の平均値が最大であるデータ群をさらに選択することにより、瞬間的なレベル増大にとらわれることなく全体的にレベルが大きなデータ群を確実に選択し、高精度な音声認識を行うことができる。
【０１５６】
また、本実施形態では特に、図１９のステップＳ４００での選択結果に基づき、上記所定レベル範囲（ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘ）のデータ群が所定数Ｄ０以上含まれているかどうか、言い換えれば、上記変数Ｄの値がＤ＜Ｄ０であるかＤ≧Ｄ０であるかを判定する（図１９のステップＳ１３０参照）。そして、この判定結果に基づき、オペアンプ２１７の増幅率を切替制御する（図１９のステップＳ１６０及びステップＳ１７０参照）。これにより、ステップＳ４００での選択結果に応じ、増幅率が適正でなかった場合には、増幅率の切替制御を見直して適正化するようにフィードバックすることができる。
【０１５７】
すなわち、音声認識に適したものとして選択されたデータ群の数Ｄが所定数Ｄ０未満（Ｄ＜Ｄ０）であったとき、Ｇ＞Ｌであった場合には、そのときに切り替えられた増幅率の値Ｎ１，Ｎ２，Ｎ３は大き過ぎたとみなし、全体として増幅率を小さくする側にずらすように制御する（図１９のステップＳ１６０参照）。この結果、次回以降は、音声認識に適したものとして図１９のステップＳ４００で選択されるデータ群の数Ｄを増やすことができるので、さらに良好な音声認識を行うことができる。一方、Ｇ≦Ｌであった場合には、そのときに切り替えられた増幅率の値Ｎ１，Ｎ２，Ｎ３は小さ過ぎたとみなし、全体として増幅率を大きくする側にずらすように制御する（図１９のステップＳ１７０参照）。この結果、次回以降は、さらにレベルが大きいデータ群を選択することができるので、高精度な音声認識を行うことができる。
【０１５８】
なお、以上において、図４及び図６等の各図中に示す矢印は信号の流れの一例を示すものであり、信号の流れ方向を限定するものではない。
【０１５９】
また、図１８〜図２２に示すフローチャートは本発明を上記フローに示す手順に限定するものではなく、発明の趣旨及び技術的思想を逸脱しない範囲内で手順の追加・削除又は順番の変更等をしてもよい。
【０１６０】
また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。
【０１６１】
その他、一々例示はしないが、本発明は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。
【符号の説明】
【０１６２】
２０ 受付端末（音声認識装置）
２０１ ＣＰＵ
２１３ 入力バッファ
２１４Ａ 第１出力バッファ
２１４Ｂ 第２出力バッファ
２１４Ｃ 第３出力バッファ
２０７ マイク（音声入力手段）
２１７ オペアンプ（増幅手段）
２２７ アナログ−デジタル変換回路
Ｍ 来訪者（発話者）
ＳＤ 音声データ
ＳＤ０〜８ 音声データ
【技術分野】
【０００１】
本発明は、発話者の発する発話音声を音声認識する音声認識装置に関する。
【背景技術】
【０００２】
例えば建造物への来訪者に対する受付業務を行う受付装置等、操作者が対話方式によって操作可能な対話装置が、従来より既に知られている。このような対話装置においては、操作者の発話内容をマイク等の音声入力手段により入力し、適宜のゲインで増幅した後に音声認識する。この際、発話音声レベルに対してゲインが小さ過ぎると誤認識が生じ、発話音声レベルに対してゲインが大き過ぎると音割れにより認識不能となる。
【０００３】
上記のようなマイクにおけるゲインの適正化に関する従来技術として、例えば特許文献１に記載の音声処理装置が知られている。この従来技術では、入力信号のレベルの大小に関わらず出力を常に一定に保つ、いわゆるＡＧＣ（Ａｕｔｏｍａｔｉｃ Ｇａｉｎ Ｃｏｎｔｒｏｌ）回路を設けることにより、発話音声レベルに対して適正な値となるようにゲインの値を制御するようになっている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開平８−５５４２８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
上記従来技術を、前述のような対話方式の音声認識に適用した場合、以下のような問題がある。すなわち、ＡＧＣ回路では、入力信号のレベルが小さい場合には感度を上げ、逆に入力信号のレベルが大きい場合には感度を下げて出力することによって、出力が常に一定であるように、入力信号を可変制御する。このため、入力信号が入力されてからそのレベルに応じて入力信号が可変制御されるまでに一定の時間遅れが避けられず、突発的な音量変化には十分対応することができない。
【０００６】
ここで、一般に、対話処理においては、原則として（特に要請しない限り）操作者は同一内容を一度しか発話しない。このため、上記のように発話の音量が突発的に変化しＡＧＣ回路で認識できなかった場合、発話内容の認識漏れが生じるという問題があった。
【０００７】
本発明の目的は、発話において突発的な音量変化が生じた場合であっても、確実に認識漏れなく音声認識を行える音声認識装置を提供することにある。
【課題を解決するための手段】
【０００８】
上記目的を達成するために、第１の発明は、発話者の発話音声を音声認識するための音声認識装置であって、前記発話音声により音声情報を入力する音声入力手段と、前記音声入力手段で入力された前記音声情報を増幅する増幅手段と、互いに異なる複数の値が時系列的に順次繰り返されるように前記増幅手段の増幅率を切替制御する増幅制御手段と、前記増幅制御手段での前記切替制御に連動し、前記複数の値に制御された増幅率を用いて前記増幅手段で増幅された音声情報を所定周期でサンプリングし、音声データを取得する情報取得手段と、前記情報取得手段で取得された音声データを、前記切替制御された前記増幅率の複数の値それぞれに対応させた複数のデータ群に分類して抽出するデータ抽出手段と、前記データ抽出手段で抽出された前記複数のデータ群のうち、特定のデータ群を選択するデータ選択手段とを有し、前記データ選択手段により選択された前記データ群を用いて音声認識を行うことを特徴とする。
【０００９】
本願第１発明においては、発話者が発話すると、その発話音声に対応した音声情報が音声入力手段で入力され、さらにその音声情報は増幅手段で増幅された後、情報取得手段により所定周期でサンプリングされ音声データとして取得される。このとき、上記増幅手段の増幅率は、増幅制御手段によって、互いに異なる複数の値に切り替えられており、上記サンプリングされた音声データは、データ抽出手段によって各増幅率の値に対応して抽出されることで、複数のデータ群に分けられる。これにより、１回の発話者の発話音声より、互いに増幅率が異なる複数の音声データ群が形成されることとなる。この結果、データ選択手段でそれら複数のデータ群の中から特定のデータ群を選択し音声認識を行う際に、それら複数の音声データ群の中から、最も高い認識精度が得られるような増幅率のデータ群を選び音声認識を行うことが可能となる。この結果、発話において突発的な音量変化が生じた場合であっても、（ＡＧＣを適用する場合とは異なり）いずれかの増幅率に係わるデータ群を用いることで、音割れ等の不都合のない良好な音声データにより確実に漏れのない音声認識を行い、高い認識精度を得ることができる。
【００１０】
また、上記のように異なる複数の増幅率を実現する際、１つの増幅手段を時系列的に切り替え制御し、互いに異なる複数の増幅率値を順次繰り返す。そして、各増幅率の値ごとに音声データを離散的に抽出し、各データ群を構成している。これにより、複数の増幅器それぞれにおいて同時並行して互いに異なる増幅率で増幅を行った後、各増幅器からの出力波形を合成する場合のようなスペクトルのゆがみといった不都合を回避し、良好な音声認識を行うことができる。
【００１１】
第２発明は、上記第１発明において、前記データ選択手段は、前記データ抽出手段で抽出された前記複数のデータ群のうち、アナログ−デジタル変換処理時の歪み発生を回避可能な所定レベル範囲の前記データ群を選択するレベル選択手段を備えることを特徴とする。
【００１２】
これにより、例えば発話において突発的な音量変化が生じた場合であっても、レベル選択手段が選択したデータ群を用いることで、音割れ等の不都合のない良好な音声データで確実に音声認識を行うことができる。
【００１３】
第３発明は、上記第２発明において、前記データ選択手段は、前記レベル選択手段で複数の前記データ群が選択された場合、その選択された複数のデータ群のうち、音声波形の振幅が最大である前記データ群を選択する振幅選択手段を備えることを特徴とする。
【００１４】
これにより、レベル選択手段が選択した複数のデータ群の中でも、相対的にレベルが大きいデータ群を用いることで、Ｓ／Ｎ比が大きくノイズが少ない良好な音声データで高精度な音声認識を行うことができる。
【００１５】
第４発明は、上記第３発明において、前記振幅選択手段は、前記レベル選択手段で選択された複数のデータ群のうち、所定期間における前記振幅の平均値が最大である前記データ群を選択することを特徴とする。
【００１６】
これにより、瞬間的なレベル増大にとらわれることなく全体的にレベルが大きなデータ群を確実に選択し、高精度な音声認識を行うことができる。
【００１７】
第５発明は、上記第２乃至第４発明のいずれかにおいて、前記データ選択手段の前記レベル選択手段での選択結果に基づき、前記アナログ−デジタル変換処理時の歪み発生を回避可能な前記所定レベル範囲の前記データ群が所定数以上含まれているかどうかを判定する判定手段を有し、前記増幅制御手段は、前記判定手段において前記所定レベル範囲の前記データ群が前記所定数未満であると判定された場合には、前記増幅手段の増幅率をもとの値から増大又は減少させることを特徴とする。
【００１８】
これにより、データ選択手段での選択結果に応じ、増幅制御手段による増幅率が適正でなかった場合には、増幅率の切替制御を見直して適正化するようにフィードバックする。例えば、複数のデータ群のうち、音声認識に適したものとしてデータ選択手段のレベル選択手段で選択されたデータ群の数が所定数より少なかった場合には、そのときに切り替えられた増幅率の複数の値は妥当ではなかったと判定される。これにより、増幅制御手段が、切り替えられる増幅率の値を、全体として増幅率アップ側又は増幅率ダウン側にずらす、等の是正措置をとる。この結果、次回以降は、音声認識に適したものとしてデータ選択手段のレベル選択手段で選択されるデータ群の数を増やすことができるので、さらに良好な音声認識を行うことができる。
【発明の効果】
【００１９】
本発明によれば、発話において突発的な音量変化が生じた場合であっても、確実に認識漏れなく音声認識を行うことができる。
【図面の簡単な説明】
【００２０】
【図１】本発明の一実施形態の来訪者受付システムの全体構成の概略構成を表すシステム構成図である。
【図２】受付端末に備えられた、表示部及びマイクの詳細外観構造の一例を表す斜視図である。
【図３】表示部における表示画面の一例を表す図である。
【図４】受付端末の機能的構成を示す機能ブロック図である。
【図５】ＲＡＭに備えられた入力バッファ及び出力バッファを表す概念的説明図である。
【図６】ＤＢサーバの機能的構成を表す機能ブロック図である。
【図７】受付処理において来訪者Ｍが受付端末に対して発話した状態を模式的に表す図である。
【図８】音声情報を音声波形で表した図である。
【図９】図８の破線で囲んだ部分の拡大図にほぼ相当する図である。
【図１０】オペアンプにより増幅された音声情報を音声波形で表した図である。
【図１１】図１０の破線で囲んだ部分の拡大図にほぼ相当する図である。
【図１２】サンプリングにより音声データを取得する手順の概要を説明する説明図である。
【図１３】オペアンプ、ＡＤＣ、ＣＰＵ、及び入力バッファの間で行われる信号の流れを表すタイミングチャートである。
【図１４】入力バッファに音声データを記憶する手順の概要を説明する説明図である。
【図１５】入力バッファの全ての領域に記憶された音声データを、増幅率の複数の値それぞれに対応させた３つのデータ群に分類して抽出する手順の概要を説明する説明図である。
【図１６】ＡＤＣの入力限界を説明する説明図である。
【図１７】抽出された３つのデータ群のうち、特定のデータ群を選択する手法を説明するための、各データ群を音声波形で表した図である。
【図１８】受付端末の制御回路部により実行する制御手順を表すフローチャートである。
【図１９】ステップＳ１００の詳細手順を表すフローチャートである。
【図２０】ステップＳ２００の詳細手順を表すフローチャートである。
【図２１】ステップＳ３００の詳細手順を表すフローチャートである。
【図２２】ステップＳ２００の詳細手順を表すフローチャートである。
【発明を実施するための形態】
【００２１】
以下、本発明の一実施の形態を図面を参照しつつ説明する。本実施形態では、本発明の音声認識装置を、例えば、ビルや会社その他の建造物への来訪者に対する受付業務を行う来訪者受付システムに適用した場合を表している。
【００２２】
（Ａ）システムの基本構成
図１は、本実施形態の来訪者受付システム１の全体構成の概略構成を表すシステム構成図である。
【００２３】
図１において、来訪者受付システム１は、例えば会社の入口付近に設置され、発話者（この例では会社への来訪者Ｍ。後述の図７参照）の発話音声を音声認識する受付端末２０（音声認識装置）と、周知のパーソナルコンピュータにより構成されるＤＢサーバ１０と、会社の従業員それぞれに対応して設けられた複数のＩＰ電話機６０と、それら複数のＩＰ電話機６０の回線交換を行う周知の交換装置であるＩＰ−ＰＢＸ（Ｉｎｔｅｎｅｔ Ｐｒｏｔｏｃｏｌ Ｐｒｉｖａｔｅ Ｂｒａｎｃｈ ｅＸｃｈａｎｇｅ）５０とを有し、これらは全てルータ４０を介して接続されている。
【００２４】
受付端末２０は、端末本体２０Ａと、この端末本体２０Ａに接続された、表示部２１０、アナログ−デジタル変換回路（ＡＤＣ）２２７、オペアンプ２１７（増幅手段。上記ＡＤＣ２２７にも接続されている）、及びスピーカ２０８と、上記オペアンプ２１７に接続されたマイク２０７（音声入力手段）とを有している。
【００２５】
マイク２０７は、来訪者Ｍの発話により入力された発話音声をアナログ信号である音声情報に変換し、オペアンプ２１７へ出力する。
【００２６】
オペアンプ２１７は、マイク２０７から入力された音声情報を増幅し、ＡＤＣ２２７へ出力する。なお、オペアンプ２１７の増幅率は、端末本体２０Ａに備えられた後述のＣＰＵ２０１からの制御信号によって、互いに異なる複数の値（この例では互いに異なる３つの値Ｎ１，Ｎ２，Ｎ３）が時系列的に順次繰り替えされるように切替制御される（詳細は後述する）。
【００２７】
ＡＤＣ２２７は、オペアンプ２１７から入力された増幅後の音声情報を、アナログ−デジタル変換処理によりデジタル信号である音声データに変換し、端末本体２０へ出力する。このとき、ＡＤＣ２２７は、上記オペアンプ２１７の増幅率の上記切替制御に連動し、上記増幅後の音声情報を所定周期で取り込み（＝サンプリングし）、上記音声データに変換している。
【００２８】
スピーカ２０８は、端末本体２０Ａから入力された音声信号を音声に変換して発声し、来訪者Ｍに対し報知を行う。
【００２９】
図２は、上記受付端末２０に備えられた、表示部２１０及びマイク２０７の詳細外観構造の一例を表す斜視図である。
【００３０】
図２において、表示部２１０は、例えば液晶ディスプレイで構成され、この例では水平に設置されるベース２１２に対してアーム２１１を介し支持され、操作者（すなわちこの例では来訪者Ｍ）の視線に対して直角となるように面方向が斜め上方を向いている。マイク２０７は、ベース２１２に対し先端を来訪者Ｍ側へ向けるようにして略円弧状に配置されている。
【００３１】
なお、表示部２１０をタッチパネルで構成し、表示される表示画面を来訪者Ｍが直接画面に触れながら操作できるようにしてもよい。
【００３２】
図３は、表示部２１０における表示画面の一例を表す図である。この画面においては、後述の描画プログラムによって生成された、受付業務を行う仮想人物ＩＭがオフィス風の背景Ｇとともに表示される。また、スピーカ２０８から発話される音声に対応する文章Ｌ（図中では「＊＊＊」で略記している）が併せて表示される。
【００３３】
以上の構成において、例えば受付端末２０の電源がＯＮされた後、この状態で来訪者Ｍが例えば操作部（図示せず）を操作することで、受付端末２０は来訪者Ｍが検出されたと認識して受付処理を開始する。すなわち、端末本体２０Ａからの音声信号に基づき、スピーカ２０８から来訪者Ｍに関する所定の質問を所定の順序で発声する。またこのとき表示部２１０においても、上記発声に対応した所定の表示を行うようにしてもよい。
【００３４】
上記スピーカ２０８の発声や表示部２１０の表示に応じて、来訪者Ｍが発話すると、受付端末２０は、対応する音声情報をマイク２０７で入力し、音声認識処理を行う（詳細は後述する）。
【００３５】
そして、受付端末２０は、上記音声情報の音声認識結果に応じて、来訪者Ｍの来訪対象となる来訪対象者（以下適宜、単に担当者という）が使用するＩＰ電話機６０にＩＰ−ＰＢＸ５０を介して接続し、担当者への通知処理を行う。担当者は、通知された来訪者Ｍの身元に関する情報に応じて、受付端末２０に対して応対を指示する。この指示に応じて、受付端末２０は、来訪者Ｍと担当者とが会話できるようにＩＰ電話機６０を接続したり、担当者の代理で来訪者Ｍに応対したりする。このようにして、来訪者受付システム１は、会社における受付業務を自動的に行うことができる。
【００３６】
（Ｂ）受付端末の詳細機能
図４は、受付端末２０の機能的構成を示す機能ブロック図である。
【００３７】
図４において、受付端末２０の端末本体２０Ａは、制御回路部２００と、入出力（Ｉ／Ｏ）インタフェイス２０４と、ハードディスク装置（ＨＤＤ）２０５とを有している。
【００３８】
制御回路部２００は、ＣＰＵ２０１と、受付端末２０の基本的な動作に必要なプログラムやそのための設定値を記憶したＲＯＭ２０２と、入力バッファ２１３及び出力バッファ２１４（後述の図５参照）を備え各種データを一時的に記憶するＲＡＭ２０３とを有している。ＣＰＵ２０１は、ＲＯＭ２０２や、ＨＤＤ２０５に記憶されたプログラムに従って、受付端末２０全体の動作を制御する。
【００３９】
Ｉ／Ｏインタフェイス２０４には、上記ＣＰＵ２０１と、上記ハードディスク装置２０５と、上記表示部２１０と、上記ＡＤＣ２２７と、上記オペアンプ２１７と、上記スピーカ２０８と、ネットワーク（ＮＷ）カード２０６とが接続されている。
【００４０】
ＨＤＤ２０５には、音声認識に使用するための言語モデル記憶エリア２５２、単語辞書記憶エリア２５３、来訪者を特定するための音声認識に使用される来訪者辞書記憶エリア２５４、及びプログラム記憶エリア２５６を含む複数の記憶エリアを備えている。
【００４１】
プログラム記憶エリア２５６には、例えば、受付端末２０の各種動作を制御するための複数のプログラムが記憶されている。記憶されているプログラムとしては、例えば、受付端末２０の基本的な動作を制御するシステムプログラム、ＤＢサーバ１０との通信を制御する通信プログラム、タッチパネル２１０に表示する画像を生成する描画プログラム、上述した音声認識を実行する音声認識プログラム、ＤＢサーバ１０のデータベースにアクセスし照合を行うためのＤＢ照合プログラム、音声合成プログラム、対話制御プログラム、ＩＰ電話機６０とＩＰ−ＰＢＸ５０との接続に係わる電話接続プログラム等がある。
【００４２】
なお、図示はされていないが、ＨＤＤ２０５には、その他、音声認識処理で一般的に使用される周知の音響モデルや、各種処理で使用される設定値等も記憶されている。なお、詳細は説明しないが、音響モデルは、音声の音響的特徴を統計的にモデル化したもので、例えば、母音、子音のそれぞれについて、音響的特徴（例えば、周波数特性）と対応する音素とで表現されている。
【００４３】
ＮＷカード２０６は、上記ルータ４０に接続され、ＤＢサーバ１０などとの間でデータの送受信を可能とするための拡張カードである。
【００４４】
図５は、ＲＡＭ２０３に備えられた入力バッファ２１３及び出力バッファ２１４を表す概念的説明図である。
【００４５】
図５において、ＲＡＭ２０３は、入力バッファ２１３と、出力バッファ２１４とを備えている。出力バッファ２１４は、複数の（＝切替制御されている増幅率の値の数と同数の、すなわち、この例では３つの）第１出力バッファ２１４Ａ、第２出力バッファ２１４Ｂ、及び第３出力バッファ２１４Ｃから構成されている。
【００４６】
入力バッファ２１３は、複数の領域に区分されている（図中の括弧内の数値は、区分された領域の領域番号Ｘの値を示している）。以下適宜、領域番号Ｘ＝０の領域を入力バッファ領域（０）、領域番号Ｘ＝１の領域を入力バッファ領域（１）、・・・のように称する。
【００４７】
入力バッファ２１３は、上記ＡＤＣ２２７による１回のサンプリングにより取得された（＝１サンプル分の）音声データを、入力バッファ領域（０）、入力バッファ領域（１）、…のように順次記憶する。そして、予め定められた最大領域番号Ｘｍａｘ（例えばＸｍａｘ＝１００）の領域に音声データを記憶したら、言い換えれば、入力バッファ２１３の全ての領域に音声データを記憶したら（以下、この状態を「バッファフル状態」という）、入力バッファ領域（０）に記憶された音声データ、入力バッファ領域（１）に記憶された音声データ、…のように、順次、各バッファ領域の音声データを出力バッファ２１４へと出力する（詳細は後述する）。
【００４８】
出力バッファ２１４に備えられる上記第１〜第３出力バッファ２１４Ａ〜２１４Ｃは、上記入力バッファ２１３と同様に、それぞれ複数の領域に区分されている（図中の括弧内の数値は、区分された領域の領域番号Ｙの値を示している）。以下適宜、第１出力バッファ２１４Ａの領域番号Ｙ＝０の領域を第１出力バッファ領域（０）、領域番号Ｙ＝１の領域を第１出力バッファ領域（１）、・・・のように称する。また、第２出力バッファ２１４Ｂの領域番号Ｙ＝０の領域を第２出力バッファ領域（０）、領域番号Ｙ＝１の領域を第２出力バッファ領域（１）、・・・のように称する。また、第３出力バッファ２１４Ｃの領域番号Ｙ＝０の領域を第３出力バッファ領域（０）、領域番号Ｙ＝１の領域を第３出力バッファ領域（１）、・・・のように称する。
【００４９】
各第１〜第３出力バッファ２１４Ａ〜２１４Ｃは、上記のようにして入力バッファ２１３から出力された上記音声データＳＤを記憶する。具体的には、第１出力バッファ２１４Ａは、前述した３つのうち増幅率の値Ｎ１に対応する音声データを、第１出力バッファ領域（０）、第１出力バッファ領域（１）、・・・のように、順次記憶する。第２出力バッファ２１４Ｂは、前述した３つのうち増幅率の値Ｎ２に対応する音声データを、第２出力バッファ領域（０）、第２出力バッファ領域（１）、・・・のように、順次記憶する。第３出力バッファ２１４Ｃは、前述した３つのうち増幅率の値Ｎ３に対応する音声データを、第３出力バッファ領域（０）、第３出力バッファ領域（１）、・・・のように、順次記憶する。（詳細は後述する）。
【００５０】
（Ｃ）ＤＢサーバの詳細機能
図６は、ＤＢサーバ１０の機能的構成を表す機能ブロック図である。
【００５１】
図６に示すように、ＤＢサーバ１０は、ＣＰＵ１０１と、ＣＰＵ１０１に各々接続されたＲＯＭ１０２及びＲＡＭ１０３と、ＣＰＵ１０１に接続された入出力（Ｉ／Ｏ）インタフェイス１０４と、Ｉ／Ｏインタフェイス１０４にそれぞれ接続された、マウスコントローラ１０６、キーコントローラ１０７、ビデオコントローラ１０８、通信装置１０９、及びハードディスク装置（ＨＤＤ）１５０とを有している。
【００５２】
ＲＯＭ１０２は、ＢＩＯＳを含む、ＤＢサーバ１０を動作させるための各種のプログラムを記憶している。ＲＡＭ１０３は、各種データを一時的に記憶する。ＣＰＵ１０１は、ＲＯＭ１０２や、後述するＨＤＤ１５０に記憶されたプログラムに従って、ＤＢサーバ１０の全体の制御を司る。
【００５３】
マウスコントローラ１０６、キーコントローラ１０７、及びビデオコントローラ１０８には、それぞれマウス１１６、キーボード１１７、及びディスプレイ１１８が接続されている。通信装置１０９は、ルータ４０に接続され、受付端末２０等、外部機器との間でデータの送受信を行うことを可能とする。
【００５４】
ＨＤＤ１５０は、来訪者予約データベース（ＤＢ）記憶エリア１５１、社員データベース（ＤＢ）記憶エリア１５５、及びプログラム記憶エリア１５６を含む複数の記憶エリアを備えている。
【００５５】
来訪者予約ＤＢ記憶エリア１５１には、会社への来訪が予定された来訪者Ｍに関する来訪情報（例えば来訪者会社名、来訪者氏名、来訪予定時刻、担当者名など）を格納する来訪者予約データベースが記憶されている。来訪者予約データベースには、会社への来訪が予定された来訪者Ｍの予約データ（例えば来訪者会社名、来訪者会社名ヨミ、来訪者名、来訪者名ヨミ、訪問予定日時、担当者名、担当者名ヨミ、担当者電話番号、担当者部署名等）が記憶されている。
【００５６】
社員ＤＢ記憶エリア１５５には、会社の社員全員の個人情報を格納する社員データベースが記憶されている。社員データベースには、社員情報（例えば氏名、苗字、発音に関する情報、電話番号等）が記憶されている。
【００５７】
プログラム記憶エリア１５６には、システムプログラム、通信プログラム等、各種処理をＤＢサーバ１０に実行させるための各種プログラムが記憶されている。なお、これらのプログラムは、例えばＣＤ−ＲＯＭに記憶されたものがＣＤ−ＲＯＭドライブ（図示せず）を介してインストールされ、プログラム記憶エリア１５６に記憶される。又は、適宜のネットワークを介してシステム外部からダウンロードされたプログラムが記憶されてもよい。
【００５８】
（Ｄ）音声認識の流れ
以上のような構成の本実施形態の最大の特徴は、前述した増幅率の３つの値Ｎ１，Ｎ２，Ｎ３が時系列的に順次繰り返されるようにオペアンプ２１７の増幅率を切替制御すること、上記３つの値Ｎ１，Ｎ２，Ｎ３に制御された増幅率を用いてオペアンプ２１７で増幅された音声情報を所定周期でサンプリングして音声データを取得すること、取得した音声データを上記切替制御された上記増幅率の３つの値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出すること、及び、抽出した上記３つのデータ群のうち、特定のデータ群を選択して、選択されたデータ群を用いて音声認識を行うこと、である。以下、その詳細を順を追って説明する。
【００５９】
（Ｄ−１）オペアンプの増幅率の切替制御
まず、図７〜図１１を用いて、オペアンプ２１７の増幅率の切替制御について説明する。図７は、受付処理において来訪者Ｍが受付端末２０に対して発話した状態を模式的に表す図である。図７に示すように、受付処理において、来訪者Ｍが受付端末２０に対して発話すると、その発話音声により対応する音声情報がマイク２０７で入力される。
【００６０】
図８は、このようにして入力された音声情報を音声波形で表した図である。この例では、横軸に時間をとり、縦軸に電圧をとった音声波形の一例を示している。図９は、上記図８の破線で囲んだ部分の拡大図にほぼ相当する図である。
【００６１】
図８及び図９において、音声情報は、アナログ信号（連続信号）であるので、時系列で入力電圧が変化する連続した音声波形で表すことができる。音声波形の振幅（電圧）の大きさは、マイク２０７に入力した音声の音量に対応している。
【００６２】
マイク２０７で入力された音声情報は、その後、オペアンプ２１７に入力されて増幅される。本実施形態では、オペアンプ２１７の増幅率は、上記３つの値Ｎ１，Ｎ２，Ｎ３が時系列的にＮ１→Ｎ２→Ｎ３→Ｎ１→Ｎ２→Ｎ３→・・・（但しＮ１＜Ｎ２＜Ｎ３；後述の図１０及び図１１等を参照）と順次繰り返すように切替制御されている。
【００６３】
図１０は、オペアンプ２１７により増幅された音声情報を音声波形で表した図であり、上記図８に対応する図である。図１１は、上記図１０の破線で囲んだ部分の拡大図にほぼ相当する図である。
【００６４】
図１０及び図１１において、オペアンプ２１７により増幅された音声情報は、上記のように切替制御された増幅率の値Ｎ１，Ｎ２，Ｎ３のいずれかを用いてオペアンプ２１７により増幅されている。なお、オペアンプ２１７により増幅された音声情報の音声波形は、図８及び図９に示した音声波形と同様に、本来ならば時系列で電圧が変化する連続した音声波形となる。しかしながら、図１０及び図１１に示す例では、図示煩雑の防止及び理解の容易化のため、増幅率の値が次の値に切り替わるまで（例えば、Ｎ１からＮ２に切り替わるまで）電圧が一定となる（言い換えれば、電圧が離散的に変化する）音声波形を示している。
【００６５】
また、この例では、オペアンプ２１７の増幅率の値は、Ｎ１＝１０００、Ｎ２＝２０００、Ｎ３＝３０００となっている。そして、増幅率の値が、時刻０［ｍｓｅｃ］の時点においてＮ１に設定され、時刻Ｔ１［ｍｓｅｃ］でＮ２に切り替えられ、時刻Ｔ２［ｍｓｅｃ］でＮ３に切り替えられ、時刻Ｔ３［ｍｓｅｃ］で再びＮ１に切り替えられている。その後も、時刻Ｔ４［ｍｓｅｃ］でＮ２、時刻Ｔ５［ｍｓｅｃ］でＮ３、時刻Ｔ６［ｍｓｅｃ］でＮ１、時刻Ｔ７［ｍｓｅｃ］でＮ２、時刻Ｔ８［ｍｓｅｃ］でＮ３、時刻Ｔ９［ｍｓｅｃ］でＮ１に切り替えられている。なお、時刻Ｔ９［ｍｓｅｃ］以降については説明を省略する。
【００６６】
したがって、時刻０から時刻Ｔ１［ｍｓｅｃ］までの時間に入力された音声情報は、上記増幅率の値Ｎ１を用いてオペアンプ２１７により１０００倍に増幅され、時刻Ｔ１から時刻Ｔ２［ｍｓｅｃ］までの時間に入力された音声情報は、上記増幅率の値Ｎ２を用いてオペアンプ２１７により２０００倍に増幅され、時刻Ｔ２から時刻Ｔ３［ｍｓｅｃ］の時間に入力された音声情報は、上記増幅率の値Ｎ３を用いてオペアンプ２１７により３０００倍に増幅されている。その後も、時刻Ｔ３から時刻Ｔ４［ｍｓｅｃ］までの時間に入力された音声情報は１０００倍に増幅され、時刻Ｔ４から時刻Ｔ５［ｍｓｅｃ］までの時間に入力された音声情報は２０００倍に増幅され、時刻Ｔ５から時刻Ｔ６［ｍｓｅｃ］までの時間に入力された音声情報は３０００倍に増幅され、時刻Ｔ６から時刻Ｔ７［ｍｓｅｃ］までの時間に入力された音声情報は１０００倍に増幅され、時刻Ｔ７から時刻Ｔ８［ｍｓｅｃ］までの時間に入力された音声情報は２０００倍に増幅され、時刻Ｔ８から時刻Ｔ９［ｍｓｅｃ］までの時間に入力された音声情報は３０００倍に増幅されている。
【００６７】
（Ｄ−２）音声データの取得
本実施形態では、上記時刻Ｔ１，Ｔ２，Ｔ３，…におけるオペアンプ２１７の増幅率の切替制御に連動し、上記３つの値Ｎ１，Ｎ２，Ｎ３に制御された増幅率を用いてオペアンプ２１７で増幅された音声情報を所定周期でＡＤＣ２２７に取り込み（＝サンプリングし）、デジタル信号である音声データに変換する。以下、上記図１０及び図１１に示した音声波形のうち、時刻０から時刻Ｔ９［ｍｓｅｃ］までの時間における音声波形を例にとって説明する。
【００６８】
図１２は、ＡＤＣ２２７がサンプリングにより音声データを取得する手順の概要を説明する説明図である。なお、図１２の上段に示したグラフは、上記図１１中の時刻０から時刻Ｔ９［ｍｓｅｃ］までの時間における音声波形に相当するグラフである。
【００６９】
図１２において、ＡＤＣ２２７は、所定周期ｔで、上記増幅された音声情報（詳細は前述の図１１参照）をサンプリングし、そのときの上記増幅率の値（Ｎ１、Ｎ２，Ｎ３のいずれか）に対応する音声データＳＤを取得する。このとき、ＡＤＣ２２７によりサンプリングされるタイミング（時刻）を、この例では、時刻ｔａ（前述の時刻Ｔ１，Ｔ２間に存在）、時刻ｔｂ（前述の時刻Ｔ２，Ｔ３間に存在）、時刻ｔｃ（前述の時刻Ｔ３，Ｔ４間に存在）、時刻ｔｄ（前述の時刻Ｔ４，Ｔ５間に存在）、時刻ｔｅ（前述の時刻Ｔ５，Ｔ６間に存在）、時刻ｔｆ（前述の時刻Ｔ６，Ｔ７間に存在）、時刻ｔｇ（前述の時刻Ｔ７，Ｔ８間に存在）、及び時刻ｔｈ（前述の時刻Ｔ８，Ｔ９間に存在）、…としている。
【００７０】
すなわち、時刻ｔａ［ｍｓｅｃ］（このときの上記増幅率の値はＮ１である）でサンプリングされることで増幅率値Ｎ１で増幅された音声データＳＤ０が取得され、時刻ｔｂ［ｍｓｅｃ］（このときの上記増幅率の値はＮ２である）でサンプリングされることで増幅率値Ｎ２で増幅された音声データＳＤ１が取得され、時刻ｔｃ［ｍｓｅｃ］（このときの上記増幅率の値はＮ３である）でサンプリングされることで増幅率値Ｎ３で増幅された音声データＳＤ２が取得され、時刻ｔｄ［ｍｓｅｃ］（このときの上記増幅率の値はＮ４である）でサンプリングされることで増幅率値Ｎ４で増幅された音声データＳＤ３が取得され、時刻ｔｅ［ｍｓｅｃ］（このときの上記増幅率の値はＮ５である）でサンプリングされることで増幅率値Ｎ５で増幅された音声データＳＤ４が取得され、時刻ｔｆ［ｍｓｅｃ］（このときの上記増幅率の値はＮ６である）でサンプリングされることで増幅率値Ｎ６で増幅された音声データＳＤ５が取得され、時刻ｔｇ［ｍｓｅｃ］（このときの上記増幅率の値はＮ７である）でサンプリングされることで増幅率値Ｎ７で増幅された音声データＳＤ６が取得され、時刻ｔｈ［ｍｓｅｃ］（このときの上記増幅率の値はＮ８である）でサンプリングされることで増幅率値Ｎ８で増幅された音声データＳＤ７が取得され、時刻ｔｉ［ｍｓｅｃ］（このときの上記増幅率の値はＮ９である）でサンプリングされることで増幅率値Ｎ９で増幅された音声データＳＤ８が取得される。
【００７１】
次に、オペアンプ２１７の増幅率の切り替えのタイミング、及び、ＡＤＣ２２７によるサンプリングのタイミングを説明する。図１３は、オペアンプ２１７の増幅率の切替制御において、オペアンプ２１７、ＡＤＣ２２７、ＣＰＵ２０１、及び入力バッファ２１３の間で行われる信号の流れを表すタイミングチャートである。縦線で表されたオペアンプ２１７、ＡＤＣ２２７、ＣＰＵ２０１、及び入力バッファ２１３の間を横方向に結ぶ矢印が、オペアンプ２１７、ＡＤＣ２２７、ＣＰＵ２０１、及び入力バッファ２１３の間の信号の挙動を示す。矢印の向きは信号の出力方向を示しており、矢印の先が向いている側が入力側である。また、図中下向きに時間軸がとられ、時間の経過を表している。
【００７２】
図１３において、まず最初に、オペアンプ２１７の増幅率は、この例ではＮ１に設定されている。そして、ＡＤＣ２２７は、上記時刻ｔａで上記増幅率の値Ｎ１を用いてオペアンプ２１７により増幅された音声情報を取り込み（ステップＳＳ５０）、アナログ−デジタル変換処理を開始する。そして、ＡＤＣ２２７は、アナログ−デジタル変換処理が終了したら、ＣＰＵ２０１にアナログ−デジタル変換処理終了割込み信号を出力する（ステップＳＳ５１）。このとき、ＡＤＣ２２７は、ＣＰＵ２０１を介して入力バッファ２１３に音声データＳＤ０を出力する（ステップＳＳ５２）。これにより入力バッファ２１３は、その入力バッファ領域（０）に上記音声データＳＤ０を記憶する。また、上記割込み信号を入力したＣＰＵ２０１は、オペアンプ２１７に制御信号を出力する（ステップＳＳ５３）。これにより上記時刻Ｔ１においてオペアンプ２１７の増幅率の値がＮ１からＮ２に切り替えられる。
【００７３】
その後、上記ステップＳＳ５０で音声情報を取り込んでから時間ｔが経過した上記時刻ｔｂで、上記増幅率の値Ｎ２を用いてオペアンプ２１７により増幅された音声情報を取り込み（ステップＳＳ５４）、アナログ−デジタル変換処理を開始する。その後のステップＳＳ５５、ステップＳＳ５６、ステップＳＳ５７は、上記ステップＳＳ５１、ステップＳＳ５２、ステップＳＳ５３と同様であり、ＡＤＣ２２７がアナログ−デジタル変換処理終了割込み信号を出力するとともに入力バッファ２１３に音声データＳＤ１を出力し、入力バッファ２１３は入力バッファ領域（１）に上記音声データＳＤ１を記憶する。そして、ステップＳＳ５７に示すようにＣＰＵ２０１が出力した制御信号がオペアンプ２１７に入力したら、上記時刻Ｔ２においてオペアンプ２１７の増幅率の値がＮ２からＮ３に切り替えられる。
【００７４】
その後、上記ステップＳＳ５４で音声情報を取り込んでから時間ｔが経過した上記時刻ｔｃで、上記増幅率の値Ｎ３を用いてオペアンプ２１７により増幅された音声情報を取り込み（ステップＳＳ５８）、アナログ−デジタル変換処理を開始する。その後のステップＳＳ５９、ステップＳＳ６０、ステップＳＳ６１は、上記ステップＳＳ５１、ステップＳＳ５２、ステップＳＳ５３と同様であり、ＡＤＣ２２７がアナログ−デジタル変換処理終了割込み信号を出力するとともに入力バッファ２１３に音声データＳＤ２を出力し、入力バッファ２１３は入力バッファ領域（２）に上記音声データＳＤ２を記憶する。そして、ステップＳＳ６１に示すようにＣＰＵ２０１が出力した制御信号がオペアンプ２１７に入力したら、上記時刻Ｔ３においてオペアンプ２１７の増幅率の値がＮ３からＮ４に切り替えられる。
【００７５】
以下同様の手順により、オペアンプ２１７の増幅率は、上記３つの値Ｎ１，Ｎ２，Ｎ３が時系列的にＮ１→Ｎ２→Ｎ３→Ｎ１→・・・と順次繰り返すように切り替えられる。
【００７６】
（Ｄ−３）音声データの記憶・データ群の抽出
次に、上記のようにしてＡＤＣ２２７から出力される音声データＳＤを入力バッファ２１３へ記憶する手順の概要を説明する。なお、本実施形態では、入力バッファ２１３への上記音声データＳＤの記憶は、１回のサンプリングにより音声データＳＤが取得されるごとに行われる（すなわち、サンプリング→記憶→サンプリング→記憶・・・を繰り返している）。図１４は、入力バッファ２１３に前述の例における音声データＳＤを記憶する手順の概要を説明する説明図である。なお、この例では、音声データＳＤ０，ＳＤ１，・・・，ＳＤ８が、９つの（すなわち領域番号Ｘ＝０〜８の）入力バッファ領域（０）、入力バッファ領域（）（１）、・・・、入力バッファ領域（８）に対しそれぞれ記憶される場合を例にとって説明する。
【００７７】
図１４において、上記図１２で示した時刻ｔａでのサンプリング（１回目のサンプリング）により取得された上記音声データＳＤ０は、領域番号Ｘ＝０である入力バッファ２１３の入力バッファ領域（０）に記憶される。その後、時刻ｔｂでのサンプリングにより上記音声データＳＤ１が取得されると、上記同様、入力バッファ領域（１）に記憶される。以下同様に、上記音声データＳＤ２は、入力バッファ領域（２）に記憶され、上記音声データＳＤ３は、入力バッファ領域（３）に記憶され、上記音声データＳＤ４は、入力バッファ領域（４）に記憶され、上記音声データＳＤ５は、入力バッファ領域（５）に記憶され、上記音声データＳＤ６は、入力バッファ領域（６）に記憶され、上記音声データＳＤ７は、入力バッファ領域（７）に記憶され、上記音声データＳＤ８は、入力バッファ領域（８）に記憶される。このように入力バッファ２１３では、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応する音声データＳＤ０〜ＳＤ８が混在した（上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応する音声データＳＤ０〜ＳＤ８ごとに分類されていない）データ群として記憶される。
【００７８】
そして、上記領域番号Ｘ＝Ｘｍａｘ（この例ではＸｍａｘ＝８）である入力バッファ領域（８）に、音声データＳＤ（この例では音声データＳＤ８）が記憶されると、入力バッファ２１３は、前述のバッファフル状態となり、ＡＤＣ２２７によるサンプリングが（一時的に）終了され、入力バッファ２１３に記憶された全ての音声データＳＤ（この例では音声データＳＤ０〜ＳＤ８）が、出力バッファ２１４へ出力される。
【００７９】
次に、入力バッファ２１３の全ての領域に記憶された音声データＳＤを、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出する手順の概要を説明する。
【００８０】
図１５は、上記図１４のようにして入力バッファ２１３の全ての領域（この例では入力バッファ領域（０）〜入力バッファ領域（８））に記憶された音声データＳＤ０〜ＳＤ８を、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出する手順の概要を説明する説明図である。
【００８１】
なお、この例では、上記各第１〜第３出力バッファ２１４Ａ〜２１４Ｃにおける前述の領域番号Ｙの値をＹ＝０〜２（すなわち、予め定められた最大領域番号Ｙｍａｘ＝２）としている。また、第１〜第３出力バッファ２１４Ａ〜２１４Ｃに対し、上記オペアンプ２１７の３つの増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに関連付けられた出力バッファインデックス番号（以下、単に「インデックス番号」という）Ｐをそれぞれ設定している。この例では、第１出力バッファ２１４Ａは、上記増幅率の値Ｎ１に関連付けられたインデックス番号Ｐ＝０が設定されており、第２出力バッファ２１４Ｂは、上記増幅率の値Ｎ２に関連付けられたインデックス番号Ｐ＝１が設定されており、第３出力バッファ２１４Ｃは、上記増幅率の値Ｎ３に関連付けられたインデックス番号Ｐ＝２が設定されている。
【００８２】
これら図１５（ａ）〜（ｄ）は、図１５（ａ）→図１５（ｂ）→図１５（ｃ）→図１５（ｄ）の順の時系列変化で手順を示すものである。図１５（ａ）〜（ｄ）において、前述したように、上記インデックス番号Ｐ＝０の第１出力バッファ２１４Ａには、上記増幅率の値Ｎ１に対応する音声データＳＤが記憶され、インデックス番号Ｐ＝１の第２出力バッファ２１４Ｂには、上記増幅率の値Ｎ２に対応する音声データＳＤが記憶され、インデックス番号Ｐ＝２の第３出力バッファ２１４Ｃには、上記増幅率の値Ｎ３に対応する音声データＳＤが記憶される。
【００８３】
すなわち、図１５（ａ）に示すように、まず入力バッファ領域（０）に記憶されている上記増幅率の値Ｎ１に対応する音声データＳＤ０を、第１出力バッファ２１４Ａに出力する。次に、入力バッファ領域（１）に記憶されている上記増幅率の値Ｎ２に対応する音声データＳＤ１を、第２出力バッファ２１４Ｂに出力する。そして、入力バッファ領域（２）に記憶されている上記増幅率の値Ｎ３に対応する音声データＳＤ２を、第３出力バッファ２１４Ｃに出力する。
【００８４】
その後、上記同様、図１５（ｂ）に示すように、入力バッファ領域（３）の音声データＳＤ３が第１出力バッファ２１４Ａに出力され、入力バッファ領域（４）の音声データＳＤ４が第２出力バッファ２１４Ｂに出力され、入力バッファ領域（５）の音声データＳＤ５が第３出力バッファ２１４Ｃに出力される。
【００８５】
また、図１５（ｃ）に示すように、入力バッファ領域（６）の音声データＳＤ６が第１出力バッファ２１４Ａに出力され、入力バッファ領域（７）の音声データＳＤ７が第２出力バッファ２１４Ｂに出力され、入力バッファ領域（８）の音声データＳＤ８が第３出力バッファ２１４Ｃに出力される。
【００８６】
これにより、図１５（ｄ）に示すように、入力バッファ２１３に記憶されている全ての音声データＳＤ０〜ＳＤ８が、各第１〜第３出力バッファ２１４Ａ〜２１４Ｃの各領域にそれぞれ分配されて格納される状態となる。すなわち、第１出力バッファ２１４Ａには、上記増幅率の値Ｎ１に対応したデータ群（音声データＳＤ０，ＳＤ３，ＳＤ６）が格納され、第２出力バッファ２１４Ｂには、上記増幅率の値Ｎ２に対応したデータ群（音声データＳＤ１，ＳＤ４，ＳＤ７）が格納され、第３出力バッファ２１４Ｃには、上記増幅率の値Ｎ３に対応したデータ群（音声データＳＤ２，ＳＤ５，ＳＤ８）が格納されている。このように、第１出力バッファ２１４Ａ、第２出力バッファ２１４Ｂ、第３出力バッファ２１４Ｃのそれぞれに対し、上記増幅率の３つの値Ｎ１，Ｎ２，Ｎ３それぞれに対応させたデータ群に分類して格納することで、上記３つのデータ群を抽出することができる。
【００８７】
（Ｄ−４）データ群の選択
次に、図１６、前述の図１０、及び図１７を用いて、本実施形態におけるデータ群の選択の手法について説明する。
【００８８】
図１６は、ＡＤＣ２２７の入力限界を説明する説明図である。なお、この図１６は、前述の図１０に示した音声波形から、入力限界Ｆより大きい部分及び入力限界−Ｆより小さい部分をカットした音声波形に相当する図である。
【００８９】
図１６及び前述の図１０において、前述の図１０で示した音声波形のうち、図１６で消去されている部分は、上記ＡＤＣ２２７の入力限界Ｆ（この例ではＦ＝３［Ｖ］）より大きい部分と、入力限界−Ｆ（この例では−Ｆ＝−３［Ｖ］）より小さい部分（以下、これらの部分を「入力限界Ｆ，−Ｆを超えた部分」という）の音声波形に相当する。この入力限界Ｆ，−Ｆを超えた部分、言い換えれば、オペアンプ２１７の増幅率が大き過ぎた部分は、ＡＤＣ２２７によるアナログ−デジタル変換処理時に歪みが発生する。この結果、変換された音声データＳＤの音声波形の振幅値ＡＭ（後述の図１７参照）は、所定の値で頭打ちになる。
【００９０】
図１７は、抽出された３つのデータ群のうち特定のデータ群を選択する手法を説明するための、各データ群を音声波形で表した図である。図１７（ａ）、図１７（ｂ）、及び図１７（ｃ）は、上記図１０に示したオペアンプ２１７での増幅後の音声波形における、増幅率の値Ｎ１による増幅に対応したデータ群、増幅率の値Ｎ２による増幅に対応したデータ群、増幅率の値Ｎ３による増幅に対応したデータ群、をそれぞれ表している。なお、これら図１７（ａ）〜図１７（ｃ）では、横軸に時間をとり、縦軸に振幅値ＡＭをとった音声波形の例を示している。
【００９１】
図１７（ａ）〜図１７（ｃ）に示す各データ群は、既に述べたように、サンプリングにより取得された（デジタル信号である）音声データＳＤを各増幅率の値Ｎ１，Ｎ２，Ｎ３ごとに前述の手法で分配して抽出されたデータ群であり、各音声波形は、振幅値ＡＭが離散的に（非連続的に）変化している。このとき、上述したように、オペアンプ２１７により増幅された音声情報に、上記入力限界Ｆ，−Ｆを超えた部分が存在していれば、その部分がＡＤＣ２２７によりアナログ−デジタル変換処理されると、所定の値（この例ではＡＭ＝約３．３×１０４（上側），約−３．３×１０４（下側））で頭打ちになった波形になる。すなわち、この例では、図１７（ｂ）に示す音声波形の楕円で囲んだ５箇所（上側３箇所及び下側２箇所）と、図１７（ｃ）に示す音声波形の楕円で囲んだ５箇所（上側３箇所及び下側２箇所）とが、該当している。この部分は、ＡＤＣ２２７によりアナログ−デジタル変換処理時に歪みが発生した部分であり、音割れを起こし音声認識を精度よく行うことができない。したがって、音声認識に用いるデータ群として、このような部分を含まない音声波形になるデータ群を選択することが好ましい。
【００９２】
そこで、本実施形態では、データ群の音声波形の振幅値ＡＭに、第１しきい値ＡＭｍｉｎ（この例ではＡＭｍｉｎ＝−３×１０４）及び第２しきい値ＡＭｍａｘ（この例ではＡＭｍａｘ＝３×１０４）を設けている。そして、抽出された３つのデータ群のうち、アナログ−デジタル変換処理時に歪み発生を回避可能な所定のレベル範囲として、ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘの関係を全データで満足するデータ群を選択するようにする。
【００９３】
すなわち、図１７（ａ）〜図１７（ｃ）に示す例（時刻０から時刻１２［ｍｓｅｃ］までのデータが対象）では、図１７（ａ）に示した上記増幅率の値Ｎ１に対応したデータ群は、振幅値ＡＭが全データでＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘとなるので選択される。図１７（ｂ）及び図１７（ｃ）に示した上記増幅率の値Ｎ２，Ｎ３に対応したデータ群は、ＡＭ＞ＡＭｍａｘやＡＭ＜ＡＭｍｉｎとなる部分があるので選択されない。この結果、図１７（ａ）に示した上記増幅率の値Ｎ１に対応したデータ群を用いて音声認識が行われる。
【００９４】
なお。この例では、上記選択されるデータ群が、図１７（ａ）に示した上記増幅率の値Ｎ１に対応したデータ群の１つであった場合を示したが、複数のデータ群が選択される場合もあり得る。この場合には、本実施形態では、選択された複数のデータ群のうち、音声波形の振幅（この例では所定期間における振幅の平均値）が最大であるデータ群を選択する（詳しくは後述の図１９のステップＳ１８０を参照）。
【００９５】
（Ｅ）制御手順
図１８は、以上説明した内容を実現するために、受付端末２０の制御回路部２００により実行する制御手順を表すフローチャートである。なお、このフローに示す処理は、ＨＤＤ２０５のプログラム記憶エリア２５６に記憶された来訪者受付処理用のプログラム群（前述のシステムプログラム、通信プログラム、描画プログラム、音声認識プログラム、ＤＢ照合プログラム、電話接続プログラム）に従って、ＣＰＵ２０１が実行するものである。
【００９６】
図１８において、例えば受付端末２０の電源ＯＮによって、このフローが開始される（「ＳＴＡＲＴ」位置）。
【００９７】
まずステップＳ１０で、受付処理を開始する操作が、来訪者Ｍにより図示しない操作部を介して行われたか否かを判定する。来訪者Ｍにより受付処理を開始する操作が行なわれるまでループ待機し、来訪者Ｍにより受付処理を開始する操作が行なわれた場合には、判定が満たされてステップＳ２０に移る。
【００９８】
ステップＳ２０では、Ｉ／Ｏインタフェイス２０４を介してスピーカ２０８へ音声信号を出力し、来訪者名等を問いかける台詞（例えば「いらっしゃいませ。どちら様でしょうか。（マイクに向かってお名前を入力してください）」）を発声させる。このとき、表示部２１０に台詞と同様の内容のテキストを含む表示画面を表示させてもよい。
【００９９】
その後、ステップＳ１００で、来訪者Ｍの発話音声を認識する音声認識処理（詳細は後述の図１９参照）を実行する。
【０１００】
そして、ステップＳ３０で、後述の図１９のステップＳ１９０において音声認識できたか否かを判定する。言語として音声認識できなかった場合には判定が満たされず、音声認識ができなかったことを来訪者Ｍに通知する台詞（例えば「音声を認識できませんでした。もう一度マイクに向かってお名前を入力してください」）をスピーカ２０８に発声させ、上記ステップＳ１００に戻り、同様の手順を繰り返す。なお、この図１８では図示を省略しているが、上記通知の発声は、予め定められた設定回数だけ行われ、その間に音声認識できない場合には、対応する処理（例えば部署代表やその他の受付担当者等に取り次ぐ等）を行う。一方、言語として音声認識できた場合には、ステップＳ３０の判定が満たされステップＳ４０に移る。
【０１０１】
ステップＳ４０では、ＤＢサーバ１０の来訪者予約ＤＢ記憶エリア１５１に記憶された来訪者予約データベースにアクセスし、後述の図１９のステップＳ１９０において音声認識により取得した来訪者名等が、来訪者予約データベースのいずれかの予約データの「来訪者名」等と一致するか否かを照合する。なお、完全な一致ではなく、ある類似幅、許容幅を持たせた範囲内で適合するかどうかを照合するようにしてもよい。
【０１０２】
その後、ステップＳ５０で、上記ステップＳ４０での照合結果が一致したか（適合したか）否かを判定する。ステップＳ４０での照合結果が一致しなかった（該当する来訪者名等の予約データが存在しなかった）場合には判定が満たされず、予約データが存在しなかったことを来訪者Ｍに通知する台詞（例えば「予約がされていませんでした。もう一度マイクに向かってお名前を入力してください」）をスピーカ２０８に発声させ、上記ステップＳ２０に戻り、同様の手順を繰り返す。ステップＳ４０での照合結果が一致した（該当する来訪者名等の予約データが存在した）場合には、ステップＳ５０の判定が満たされステップＳ６０に移る。
【０１０３】
ステップＳ６０では、正当な来訪者Ｍが訪ねてきたことが確認できたことに対応して、対応する担当者のＩＰ電話機６０に発信（コール）を行う。具体的には、担当者への通知文を作成し、その通知文のテキストデータを音声信号に変換し、上記予約データにより特定された担当者の電話番号を用いて、ＩＰ−ＰＢＸ５０を介し、担当者の使用するＩＰ電話機６０に、音声信号を発信する。そして、このフローを終了する。
【０１０４】
図１９は、上記図１８のステップＳ１００の詳細手順を表すフローチャートである。
【０１０５】
まずステップＳ２００で、音声データＳＤの取得及び取得した音声データＳＤの入力バッファ２１３への記憶を行う音声データ取得・記憶処理（詳細は後述の図２０参照）を実行する。
【０１０６】
その後、ステップＳ３００で、入力バッファ２１３に記憶した音声データＳＤを、上記増幅率の値Ｎ１，Ｎ２，Ｎ３それぞれに対応させた３つのデータ群に分類して抽出するデータ抽出処理（詳細は後述の図２１参照）を実行する。
【０１０７】
そして、ステップＳ１１０で、公知の手法により、上記抽出したデータ群から来訪者Ｍの発話区間の検出を行う。このときの手法としては、例えば、零交差法等を用いることができる。零交差法は、ステップエッジの２次微分が正から負、又は負から正へピークが変化する途中においては、出力レベル０となる位置がエッジの中央位置に対応していることを利用するものであり、高い精度でエッジを検出することができる。
【０１０８】
その後、ステップＳ１２０で、上記ステップＳ１１０の結果に基づき、来訪者Ｍの発話区間が検出されたか否かを判定する。発話区間が検出されなかった場合には、判定が満たされずステップＳ２００に戻り、同様の手順を繰り返す。発話区間が検出された場合には、判定が満たされてステップＳ４００に移る。
【０１０９】
ステップＳ４００では、上記ステップＳ３００（後述の図２１の全手順）で抽出された３つのデータ群のうち、特定のデータ群を選択するデータ選択処理（詳細は後述の図２２参照）を実行する。
【０１１０】
そして、ステップＳ１３０で、上記ステップＳ４００のデータ選択処理において選択されたデータ群の数を表す変数Ｄが所定数Ｄ０未満である（Ｄ＜Ｄ０）か、言い換えれば、前述の所定レベル範囲（前述の例ではＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘ）に含まれるデータ群の数が所定数Ｄ０未満であったか否か、を判定する（判定手段としての機能）。Ｄ＜Ｄ０である場合には、判定が満たされ、後述のステップＳ１８０に移る。Ｄ≧Ｄ０であった場合には、判定が満たされず、ステップＳ１４０に移る。
【０１１１】
ステップＳ１４０では、図２２において後述する、振幅が大き過ぎた音声データＳＤの数を表すカウンタＧと、振幅が小さ過ぎ音声データＳＤの数を表すカウンタＬとについて、Ｇ＝Ｌであるかどうかを判定する。Ｇ＝Ｌであった場合は判定が満たされ、後述のステップＳ１６０やステップＳ１７０のようにして増幅率を増減する必要なしとみなして、後述のステップＳ１８０に移る。Ｇ≠Ｌであった場合は判定が満たされずステップＳ１５０に移る。
【０１１２】
ステップＳ１５０では、Ｇ＞Ｌであるかどうかを判定する。Ｇ＞Ｌであった場合は判定が満たされ、オペアンプ２１７の増幅率が大き過ぎたとみなし、オペアンプ２１７の増幅率の値Ｎ１，Ｎ２，Ｎ３を、全体的に所定値（例えば、５００）小さくする。その後、後述のステップＳ１８０に移る。ステップＳ１５０において、Ｇ≦Ｌであった場合は、ステップＳ１５０の判定が満たされず、ステップＳ１７０に移る。ステップＳ１７０では、オペアンプ２１７の増幅率が小さ過ぎたとみなし、オペアンプ２１７の増幅率の値Ｎ１，Ｎ２，Ｎ３を、全体的に所定値（例えば、５００）だけ大きくする。その後、後述のステップＳ１８０に移る。
【０１１３】
ステップＳ１８０では、後述の図２２のデータ選択処理で選択された複数のデータ群のうち、所定期間（例えば１〜１２［ｍｓｅｃ］の時間間隔）における音声波形の振幅の平均値が最大であるデータ群を選択する。
【０１１４】
その後、ステップＳ１９０で、上記ステップＳ４００で選択されたデータ群を用いて音声認識を行う。そして、このルーチンを終了する。
【０１１５】
図２０は、上記図１８のステップＳ２００の詳細手順を表すフローチャートである。
【０１１６】
まずステップＳ２１０で、上記入力バッファ２１３の領域番号Ｘの値をＸ＝０に初期化する。
【０１１７】
その後、ステップＳ２２０で、オペアンプ２１７の増幅率の値を表す変数Ｃの値を、初期値（この例ではＮ１）とする。
【０１１８】
そして、ステップＳ２３０で、Ｉ／Ｏインタフェイス２０４を介してオペアンプ２１７に制御信号を出力し、オペアンプ２１７の増幅率を上記変数Ｃの値に設定する。
【０１１９】
その後、ステップＳ２４０で、Ｉ／Ｏインタフェイス２０４を介してＡＤＣ２２７から上記アナログ−デジタル変換処理終了割込み信号を入力したか否かを判定する。上記割込み信号を入力するまで判定が満たされずループ待機し、上記割込み信号を入力したら、判定が満たされてステップＳ２５０に移る。
【０１２０】
ステップＳ２５０では、ＡＤＣ２２７及びＩ／Ｏインタフェイス２０４を介して、上記１サンプル分の音声データＳＤを取得する。なお、制御回路２００の実行するこのステップＳ２５０の手順と上記ＡＤＣ２２７とが、各請求項記載の情報取得手段として機能する。
【０１２１】
そして、ステップＳ２５５で、上記ステップＳ２５０で取得した音声データＳＤを入力バッファ２１３の上記入力バッファ領域（Ｘ）に出力し、音声データＳＤを当該入力バッファ領域（Ｘ）に記憶させる。
【０１２２】
その後、ステップＳ２６０で、領域番号Ｘが、予め定められた最大領域番号Ｘｍａｘ（例えばＸｍａｘ＝１００）に等しくなったか（バッファフル状態になったか）否かを判定する。上記領域番号ＸがＸｍａｘより小さい場合（バッファフル状態になっていない場合）には、判定が満たされずステップＳ２６５に移る。
【０１２３】
ステップＳ２６５では、Ｘの値に１を加え、ステップＳ２７０に移り、上記変数Ｃ＝Ｎ１であるか否かを判定する。Ｃ＝Ｎ１である場合には、判定が満たされてステップＳ２７５に移り、Ｃ＝Ｎ２とし、上記ステップＳ２３０に戻り、同様の手順を繰り返す。一方、上記変数Ｃ＝Ｎ１でない場合（Ｃ＝Ｎ２又はＣ＝Ｎ３である場合）には、判定が満たされずステップＳ２８０に移る。
【０１２４】
ステップＳ２８０では、上記変数Ｃ＝Ｎ２であるか否かを判定する。Ｃ＝Ｎ２である場合には、判定が満たされてステップＳ２８５に移り、Ｃ＝Ｎ３とし、上記ステップＳ２３０に戻り、同様の手順を繰り返す。一方、上記変数Ｃ＝Ｎ２でない場合（Ｃ＝Ｎ３である場合）には、判定が満たされずステップＳ２２０に戻り、同様の手順を繰り返す。
【０１２５】
一方、上記ステップＳ２６０において、上記領域番号Ｘ＝Ｘｍａｘとなった場合（バッファフル状態になった場合）には、ステップＳ２６０の判定が満たされて、このルーチンを終了する。
【０１２６】
図２１は、上記図１９のステップＳ３００の詳細手順を表すフローチャートである。
【０１２７】
まずステップＳ３１０で、上記入力バッファ２１３の領域番号Ｘの値をＸ＝０に初期化する。
【０１２８】
その後、ステップＳ３２０で、上記第１〜第３出力バッファ２１４Ａ〜２１４Ｃの領域番号Ｙの値をＹ＝０に初期化する。
【０１２９】
そして、ステップＳ３３０で、上記インデックス番号Ｐの値をＰ＝０に初期化する。
【０１３０】
その後、ステップＳ３４０で、入力バッファ２１４の入力バッファ領域（Ｘ）に記憶されている音声データＳＤを、インデックス番号Ｐの出力バッファ２１４の出力バッファ領域（Ｙ）に出力する。
【０１３１】
そして、ステップＳ３５０で、Ｘ＝Ｘｍａｘとなったか否かを判定する。Ｘ＝Ｘｍａｘとなっていない場合には、判定が満たされずステップＳ３６０に移る。
【０１３２】
ステップＳ３６０では、Ｘの値に１を加え、ステップＳ３７０に移り、Ｐが、予め定められた最大インデックス番号Ｐｍａｘ（この例ではＰｍａｘ＝２）に達したか否かを判定する。上記インデックス番号Ｐの値がＰｍａｘより小さい場合には、判定が満たされずステップＳ３８０に移り、Ｐの値に１を加え、上記ステップＳ３４０に戻り、同様の手順を繰り返す。そして、Ｐ＝Ｐｍａｘになったら、判定が満たされてステップＳ３９０に移る。
【０１３３】
ステップＳ３９０では、Ｙの値に１を加え、上記ステップＳ３４０に戻り、同様の手順を繰り返す。
【０１３４】
一方、上記ステップＳ３５０において、Ｘ＝Ｘｍａｘとなった場合には、ステップＳ３５０の判定が満たされて、このルーチンを終了する。
【０１３５】
図２２は、上記図２０のステップＳ４００の詳細手順を表すフローチャートである。
【０１３６】
まずステップＳ４１０で、後述のステップＳ４８０で選択されたデータ群の数を表す変数Ｄの値を０に初期化し、また、振幅が過大・過小である音声データＳＤの数を表すカウンタＧ，Ｌをそれぞれ０に初期化する。
【０１３７】
その後、ステップＳ４２０で、上記インデックス番号Ｐの値をＰ＝０に初期化する。
【０１３８】
そして、ステップＳ４３０で、上記領域番号Ｙの値をＹ＝０に初期化する。
【０１３９】
その後、ステップＳ４４０で、インデックス番号Ｐの出力バッファ２１４の出力バッファ領域（Ｙ）に記憶されている音声データＳＤを取得する。
【０１４０】
そして、ステップＳ４５０で、上記ステップＳ４４０で取得した音声データＳＤの振幅値ＡＭが、ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘであるか否かを判定する。ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘであった場合には判定が満たされ、ステップＳ４６０に移る。
【０１４１】
ステップＳ４６０では、Ｙ＝Ｙｍａｘとなったか否かを判定する。Ｙ＝Ｙｍａｘとなっていない場合には、判定が満たされずステップＳ４７０に移り、Ｙの値に１を加え、上記ステップＳ４４０に戻り、同様の手順を繰り返す。そして、Ｙ＝Ｙｍａｘとなった場合には、判定が満たされてステップＳ４８０に移る。
【０１４２】
ステップＳ４８０では、インデックス番号Ｐの出力バッファ２１４に記憶されている音声データＳＤのデータ群を選択する（選択されたデータ群として適宜の箇所に記憶する）。
【０１４３】
その後、ステップＳ４８５に移り、Ｄの値に１を加え、ステップＳ４９０に移る。
【０１４４】
一方、上記ステップＳ４５０において、ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘでなかった場合には、判定が満たされず、ステップＳ４５２に移る。
【０１４５】
ステップＳ４５２では、音声データＳＤの振幅値ＡＭが、ＡＭ＜ＡＭｍｉｎであるか否かを判定する。ＡＭ＜ＡＭｍｉｎであった場合にはステップＳ４５２の判定が満たされ、振幅が小さ過ぎるとみなしてステップＳ４５４で上記カウンタＬの値に１を加え、ステップＳ４９０に移る。一方ＡＭ＞ＡＭｍｉｎであった場合にはステップＳ４５２の判定が満たされず、（ＡＭ＞ＡＭｍａｘであることから）振幅が大き過ぎるとみなしてステップＳ４５６で上記カウンタＧの値に１を加え、ステップＳ４９０に移る。
【０１４６】
ステップＳ４９０では、Ｐ＝Ｐｍａｘに達したか否かを判定する。Ｐ＝Ｐｍａｘとなっていない場合には、判定が満たされずステップＳ４９５に移り、Ｐの値に１を加え、上記ステップＳ４３０に戻り、同様の手順を繰り返す。そして、Ｐ＝Ｐｍａｘとなった場合には、判定が満たされて、ステップＳ４９２へ移る。
【０１４７】
ステップＳ４９２では、Ｄ＝０であるかどうかを判定する。Ｄ＝０でなかった場合は判定が満たされず、少なくとも１つのデータ群が選択されたとみなして、このルーチンを終了する。Ｄ＝０であった場合、判定が満たされ、１つのデータ群も未だ選択されていないとみなして、ステップＳ４９４に移る。
【０１４８】
ステップＳ４９４では、前述した、振幅が大き過ぎた音声データＳＤの数を表すカウンタＧと、振幅が小さ過ぎ音声データＳＤの数を表すカウンタＬとに関して、Ｌ≧Ｇであるかどうかを判定する。振幅過小の音声データＳＤの数が振幅過大の音声データＳＤの数以上であった場合はＬ≧ＧであるからステップＳ４９４の判定が満たされ、ステップＳ４９６に移り、出力バッファ２１４の出力バッファ領域（Ｙｍａｘ−１）に記憶されているデータ群を選択する。振幅過大の音声データＳＤの数が振幅過大の音声データＳＤの数より多かった場合はＬ＜ＧであるからステップＳ４９４の判定が満たされず、ステップＳ４９８に移り、出力バッファ２１４の出力バッファ領域（０）に記憶されているデータ群を選択する。
【０１４９】
ステップＳ４９６又はステップＳ４９８の後は、ステップＳ４９９に移り、上記のようにして１つのデータ群を選択したことに対応させてＤ＝１とし、このルーチンを終了する。
【０１５０】
なお、以上において、図１９に示すステップＳ３００（言い換えれば図２１の全手順）が、各請求項記載のデータ抽出手段として機能する。また、図１９に示すステップＳ４００（言い換えれば図２２の全手順）及びステップＳ１８０が、データ選択手段として機能し、そのうちステップＳ４００がレベル選択手段として機能し、ステップＳ１８０が振幅選択手段として機能する。また、図１９に示すステップＳ１６０及びステップＳ１７０と、図２０に示すステップＳ２２０、ステップＳ２３０、ステップＳ２７５、及びステップＳ２８５とが、増幅制御手段として機能する。
【０１５１】
以上説明したように、本実施形態の受付端末２０においては、来訪者Ｍが発話すると、その発話音声に対応した音声情報がマイク２０７で入力され、さらにオペアンプ２１７で増幅された後、ＡＤＣ２２７により所定周期でサンプリングされ、音声データＳＤとして取得される（図２０のステップＳ２５０参照）。このとき、上記オペアンプ２１７の増幅率は、互いに異なる複数の値（上記の例では３つの値Ｎ１，Ｎ２，Ｎ３）に切り替えられており、上記取得された音声データＳＤは、各増幅率の値に対応させた複数の（上記の例では３つの）データ群に分類して抽出される（図１９のステップＳ３００（図２１の全手順）を参照）。そして、その抽出された３つのデータ群のうち、特定の（高い認識精度が得られるような増幅率の）データ群を選択し（図１９のステップＳ４００及びステップＳ１８０参照）、そのデータ群を用いて音声認識を行う（図１９のステップＳ１９０参照）。
【０１５２】
この結果、来訪者Ｍの発話において突発的な音量変化が生じた場合であっても、ＡＧＣ（Ａｕｔｏｍａｔｉｃ Ｇａｉｎ Ｃｏｎｔｒｏｌを適用する場合とは異なり、いずれかの増幅率に係わるデータ群を用いることで、音割れ等の不都合のない良好な音声データＳＤにより確実に漏れのない音声認識を行い、高い認識精度を得ることができる。
【０１５３】
また、上記のように異なる３つの増幅率の値Ｎ１，Ｎ２，Ｎ３を実現する際、１つのオペアンプ２１７の増幅率を時系列的に切り替え制御することで、３つの増幅率値Ｎ１，Ｎ２，Ｎ３を順次繰り返す。そして、各増幅率の値Ｎ１，Ｎ２，Ｎ３ごとに音声データＳＤを離散的に抽出し、各データ群を構成する。これにより、複数の増幅器それぞれにおいて同時並行して互いに異なる増幅率で増幅を行った後、各増幅器からの出力波形を合成する場合のようなスペクトルのゆがみといった不都合を回避し、良好な音声認識を行うことができる。
【０１５４】
また。本実施形態では特に、図１９のステップＳ３００で抽出された複数のデータ群のうち、アナログ−デジタル変換処理時の歪み発生を回避可能な所定レベル範囲（上記の例ではＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘ）のデータ群を選択する。これにより、発話において突発的な音量変化が生じた場合であっても、選択したデータ群を用いることで、音割れ等の不都合のない良好な音声データＳＤで確実に音声認識を行うことができる。
【０１５５】
また、本実施形態では特に、図１９のステップＳ４００で複数のデータ群が選択された場合、すなわち、上記変数Ｄの値がＤ≧２であった場合、その選択された複数のデータ群のうち、音声波形の振幅が最大（上記の例では所定期間における振幅の平均値が最大）であるデータ群を選択する（図１９のステップＳ１８０参照）。これにより、ステップＳ４００で選択した複数のデータ群の中でも、相対的にレベルが大きいデータ群を用いることで、信号対ノイズ比（Ｓ／Ｎ比）が大きくノイズが少ない良好な音声データＳＤで高精度な音声認識を行うことができる。また特に、ステップＳ４００で選択した複数のデータ群の中から、所定期間における振幅の平均値が最大であるデータ群をさらに選択することにより、瞬間的なレベル増大にとらわれることなく全体的にレベルが大きなデータ群を確実に選択し、高精度な音声認識を行うことができる。
【０１５６】
また、本実施形態では特に、図１９のステップＳ４００での選択結果に基づき、上記所定レベル範囲（ＡＭｍｉｎ≦ＡＭ≦ＡＭｍａｘ）のデータ群が所定数Ｄ０以上含まれているかどうか、言い換えれば、上記変数Ｄの値がＤ＜Ｄ０であるかＤ≧Ｄ０であるかを判定する（図１９のステップＳ１３０参照）。そして、この判定結果に基づき、オペアンプ２１７の増幅率を切替制御する（図１９のステップＳ１６０及びステップＳ１７０参照）。これにより、ステップＳ４００での選択結果に応じ、増幅率が適正でなかった場合には、増幅率の切替制御を見直して適正化するようにフィードバックすることができる。
【０１５７】
すなわち、音声認識に適したものとして選択されたデータ群の数Ｄが所定数Ｄ０未満（Ｄ＜Ｄ０）であったとき、Ｇ＞Ｌであった場合には、そのときに切り替えられた増幅率の値Ｎ１，Ｎ２，Ｎ３は大き過ぎたとみなし、全体として増幅率を小さくする側にずらすように制御する（図１９のステップＳ１６０参照）。この結果、次回以降は、音声認識に適したものとして図１９のステップＳ４００で選択されるデータ群の数Ｄを増やすことができるので、さらに良好な音声認識を行うことができる。一方、Ｇ≦Ｌであった場合には、そのときに切り替えられた増幅率の値Ｎ１，Ｎ２，Ｎ３は小さ過ぎたとみなし、全体として増幅率を大きくする側にずらすように制御する（図１９のステップＳ１７０参照）。この結果、次回以降は、さらにレベルが大きいデータ群を選択することができるので、高精度な音声認識を行うことができる。
【０１５８】
なお、以上において、図４及び図６等の各図中に示す矢印は信号の流れの一例を示すものであり、信号の流れ方向を限定するものではない。
【０１５９】
また、図１８〜図２２に示すフローチャートは本発明を上記フローに示す手順に限定するものではなく、発明の趣旨及び技術的思想を逸脱しない範囲内で手順の追加・削除又は順番の変更等をしてもよい。
【０１６０】
また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。
【０１６１】
その他、一々例示はしないが、本発明は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。
【符号の説明】
【０１６２】
２０ 受付端末（音声認識装置）
２０１ ＣＰＵ
２１３ 入力バッファ
２１４Ａ 第１出力バッファ
２１４Ｂ 第２出力バッファ
２１４Ｃ 第３出力バッファ
２０７ マイク（音声入力手段）
２１７ オペアンプ（増幅手段）
２２７ アナログ−デジタル変換回路
Ｍ 来訪者（発話者）
ＳＤ 音声データ
ＳＤ０〜８ 音声データ
【特許請求の範囲】
【請求項１】
発話者の発話音声を音声認識するための音声認識装置であって、
前記発話音声により音声情報を入力する音声入力手段と、
前記音声入力手段で入力された前記音声情報を増幅する増幅手段と、
互いに異なる複数の値が時系列的に順次繰り返されるように前記増幅手段の増幅率を切替制御する増幅制御手段と、
前記増幅制御手段での前記切替制御に連動し、前記複数の値に制御された増幅率を用いて前記増幅手段で増幅された音声情報を所定周期でサンプリングし、音声データを取得する情報取得手段と、
前記情報取得手段で取得された音声データを、前記切替制御された前記増幅率の複数の値それぞれに対応させた複数のデータ群に分類して抽出するデータ抽出手段と、
前記データ抽出手段で抽出された前記複数のデータ群のうち、特定のデータ群を選択するデータ選択手段とを有し、
前記データ選択手段により選択された前記データ群を用いて音声認識を行う
ことを特徴とする音声認識装置。
【請求項２】
前記データ選択手段は、
前記データ抽出手段で抽出された前記複数のデータ群のうち、アナログ−デジタル変換処理時の歪み発生を回避可能な所定レベル範囲の前記データ群を選択するレベル選択手段を備える
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】
前記データ選択手段は、
前記レベル選択手段で複数の前記データ群が選択された場合、その選択された複数のデータ群のうち、音声波形の振幅が最大である前記データ群を選択する振幅選択手段を備える
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】
前記振幅選択手段は、
前記レベル選択手段で選択された複数のデータ群のうち、所定期間における前記振幅の平均値が最大である前記データ群を選択する
ことを特徴とする請求項３記載の音声認識装置。
【請求項５】
前記データ選択手段の前記レベル選択手段での選択結果に基づき、前記アナログ−デジタル変換処理時の歪み発生を回避可能な前記所定レベル範囲の前記データ群が所定数以上含まれているかどうかを判定する判定手段を有し、
前記増幅制御手段は、
前記判定手段において前記所定レベル範囲の前記データ群が前記所定数未満であると判定された場合には、前記増幅手段の増幅率をもとの値から増大又は減少させる
ことを特徴とする請求項２乃至請求項４のいずれか１項記載の音声認識装置。
【請求項１】
発話者の発話音声を音声認識するための音声認識装置であって、
前記発話音声により音声情報を入力する音声入力手段と、
前記音声入力手段で入力された前記音声情報を増幅する増幅手段と、
互いに異なる複数の値が時系列的に順次繰り返されるように前記増幅手段の増幅率を切替制御する増幅制御手段と、
前記増幅制御手段での前記切替制御に連動し、前記複数の値に制御された増幅率を用いて前記増幅手段で増幅された音声情報を所定周期でサンプリングし、音声データを取得する情報取得手段と、
前記情報取得手段で取得された音声データを、前記切替制御された前記増幅率の複数の値それぞれに対応させた複数のデータ群に分類して抽出するデータ抽出手段と、
前記データ抽出手段で抽出された前記複数のデータ群のうち、特定のデータ群を選択するデータ選択手段とを有し、
前記データ選択手段により選択された前記データ群を用いて音声認識を行う
ことを特徴とする音声認識装置。
【請求項２】
前記データ選択手段は、
前記データ抽出手段で抽出された前記複数のデータ群のうち、アナログ−デジタル変換処理時の歪み発生を回避可能な所定レベル範囲の前記データ群を選択するレベル選択手段を備える
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】
前記データ選択手段は、
前記レベル選択手段で複数の前記データ群が選択された場合、その選択された複数のデータ群のうち、音声波形の振幅が最大である前記データ群を選択する振幅選択手段を備える
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】
前記振幅選択手段は、
前記レベル選択手段で選択された複数のデータ群のうち、所定期間における前記振幅の平均値が最大である前記データ群を選択する
ことを特徴とする請求項３記載の音声認識装置。
【請求項５】
前記データ選択手段の前記レベル選択手段での選択結果に基づき、前記アナログ−デジタル変換処理時の歪み発生を回避可能な前記所定レベル範囲の前記データ群が所定数以上含まれているかどうかを判定する判定手段を有し、
前記増幅制御手段は、
前記判定手段において前記所定レベル範囲の前記データ群が前記所定数未満であると判定された場合には、前記増幅手段の増幅率をもとの値から増大又は減少させる
ことを特徴とする請求項２乃至請求項４のいずれか１項記載の音声認識装置。
【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１８】
【図１９】
【図２０】
【図２１】
【図２２】
【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１８】
【図１９】
【図２０】
【図２１】
【図２２】
【公開番号】特開２０１０−２１０７６１（Ｐ２０１０−２１０７６１Ａ）
【公開日】平成２２年９月２４日（２０１０．９．２４）
【国際特許分類】
【出願番号】特願２００９−５４８２５（Ｐ２００９−５４８２５）
【出願日】平成２１年３月９日（２００９．３．９）
【出願人】（０００００５２６７）ブラザー工業株式会社 (13,856)
【Ｆターム（参考）】
【公開日】平成２２年９月２４日（２０１０．９．２４）
【国際特許分類】
【出願日】平成２１年３月９日（２００９．３．９）
【出願人】（０００００５２６７）ブラザー工業株式会社 (13,856)
【Ｆターム（参考）】
[ Back to top ]