JP2012211932A - 音声認識装置及び音声認識方法 - Google Patents

Abstract

【課題】本装置を含む機器本体の動き又は状態の少なくとも一方を検出して、容易にかつ確実に動作モード切替えを行える音声認識装置を提供する。
【解決手段】実施形態によれば、音声入力部１１と、加速度センサを備え、機器本体の動き又は状態もしくはその両方を検出する状態検出部１２と、予め定めた機器本体の動き又は状態の動き・状態パターンモデルとそのモデルに対応する予め定めた複数の音声認識処理パターンとを記憶する保持部１３と、状態検出部からの機器本体の動きまたは状態もしくはその両方と、保持部１３に記憶された動き・状態パターンモデルとがマッチングするか否かを検出し、そのマッチングしたモデルに対応した音声認識処理パターンを検出するパターン検出部１４と、検出された音声認識処理パターンに従い、音声入力部からのデジタル信号に対して音声認識処理を実行する音声認識処理実行部１５と、を具備する。
【選択図】図１

Description

本発明の実施形態は、音声をテキストに変換し入力したり、音声を音声コマンドとして入力することが可能な音声認識装置及び音声認識方法に関する。

近年、スマートフォンやスレート(又はタブレット)ＰＣ等のようにタッチパネル式ディスプレイによってキーボード無しでも操作が可能な携帯端末機器が開発され普及している。

このような携帯端末機器(単に、端末機器ともいう)は、複数の機能、通話及び通信手段を有しており、その複数の機能には、音声認識技術を用いて、音声をテキストに変換し入力し文書化したり、音声を音声コマンドとして入力しテキストの編集や各種アプリケーションの動作などを制御する機能を備えたものがある。

ところで、上記のような音声認識が可能な端末機器において、使用者が現在発声している音声が、テキストとして入力しようとするものなのか、動作を制御する音声コマンドとして入力しようとするものなのかを端末機器が自動的に判断することは困難である。また使用者がそのような意図をボタンの操作で切り替えることは、ボタン位置を確認し操作することが必要になるなどで使用者に負担をかけることになる。

特開２０００−２４２４６４号公報特開２００６−２２１２７０号公報

そこで、本発明が解決しようとする課題は、本装置を搭載する機器本体の動きまたは状態の少なくとも一方を検出することによって、容易にかつ確実に動作モードの切替えを行うことができる音声認識装置及び音声認識方法を提供することである。

本発明の実施形態の音声認識装置は、音声を入力し、デジタル信号に変換し出力する音声入力部と、加速度センサを備え、本装置を搭載する機器本体の動きまたは状態、もしくはその両方を検出し出力する状態検出部と、予め定められた機器本体の動きまたは状態もしくはそれらの組み合せの動き・状態パターンモデルと、その動き・状態パターンモデルに対応する予め定められた複数の音声認識処理の処理パターンを記憶する動作・状態パターンモデル保持部と、前記状態検出部から出力される機器本体の動きまたは状態、もしくはその両方と、前記動作・状態パターンモデル保持部に記憶されている前記動き・状態パターンモデルとがマッチングするか否かを検出し、そのマッチングした動き・状態パターンモデルに対応した音声認識処理の処理パターンを検出し出力するパターン検出部と、前記パターン検出部から出力される音声認識処理の処理パターンに従い、前記音声入力部から出力されたデジタル信号にたいして音声認識処理を実行する音声認識処理実行部と、を具備する。

本発明の第１の実施形態の音声認識装置のブロック図である。実施形態に係わる音声認識装置を搭載した携帯端末機器の機器本体の概略構成図である。第１の実施形態の音声認識装置の動作を説明するフローチャートである。本発明の第２の実施形態の音声認識装置の動作を説明するフローチャートである。

以下、本発明の実施の形態の音声認識装置を図面を参照して説明する。
［第１の実施形態］
図１は本発明の第１の実施形態の音声認識装置のブロック図である。

図１において、音声認識装置１０は、音声入力部１１と、状態検出部１２と、動作・状態パターンモデル保持部１３と、パターン検出部１４と、音声認識処理実行部１５と、を備えている。

音声入力部１１は、音声を入力し、デジタル信号に変換し出力する。
状態検出部１２は、加速度センサを備え、本装置を搭載する機器本体の動きまたは状態、もしくはその両方を検出し出力する。動きまたは状態、もしくはその両方とは、機器本体に動きがあった時、または、例えば水平状態にあるか或いは水平からある程度以上傾いているかの状態、もしくは動きの有無と傾きの有無の両方を勘案(考慮)した状態をいう。

加速度センサは、例えば、３軸加速度センサである。３軸加速度センサは、ｘ軸、ｙ軸、ｚ軸の各検出軸を互いに直交させた形の３つのセンサを用いることによって、３次元空間内における加速度の大きさと向きを得、それらをベクトル成分として合成して加速度がかかっている向きと大きさを検出できる。

動作・状態パターンモデル保持部１３は、予め定められた機器本体の動きまたは状態の動き・状態パターンモデルと、その動き・状態パターンモデルに対応する予め定められた複数の音声認識処理の処理パターンを記憶する。複数の音声認識処理とは、例えば、音声をテキストに変換する処理と、音声をコマンドとして受付けそのコマンドにより予め定められたアプリケーションを操作する処理とを少なくとも含むものである。また、処理パターンとは、処理内容または処理の種類を意味する。

パターン検出部１４は、状態検出部１２で検出される機器本体の動きまたは状態、もしくはその両方と、動作・状態パターンモデル保持部１３に記憶されている動き・状態パターンモデルとがマッチングするか否かを検出し、そのマッチングした動き・状態パターンモデルに対応した音声認識処理の処理パターンを検出し出力する。

音声認識処理実行部１５は、パターン検出部１４から出力される音声認識処理の処理パターンに従い、音声入力部１１から出力されたデジタル信号に対して音声認識処理を実行する。

図２に示すように、本実施形態に係わる音声認識装置１０は携帯端末機器の機器本体２０に搭載されている。機器本体２０は、例えば板状に構成(スレート又はタブレットと呼ばれる)され、少なくとも一方の面にディスプレイを有し、音声認識，録音，通話及び通信を含む各種機能を実行可能にするための機能メニューが表示されるようになっている。このような板状でかつ一面にディスプレイを備えた機器本体２０は、使用するに際して例えば別体又は付属のスタンドを用いて垂直方向からやや傾斜させた状態に設置してもよいし、水平またはそれよりやや傾斜させて設置してもよい。換言すれば、機器本体２０の傾き状態(傾き角度)が調整可能なスタンド等の設置手段を用いて、機器本体２０を水平面に対して例えば０〜９０°の任意の傾き角度に傾斜させて設置(固定)する構成としてもよい。

次に、図３のフローチャートを参照して第１の実施形態の音声認識装置１０の動作を説明する。
以下の動作では、動作・状態パターンモデル保持部１３には、予め定められた機器本体の動きまたは状態の動き・状態パターンモデルと、その動き・状態パターンモデルに対応する予め定められた複数の音声認識処理の処理パターンを記憶(登録)してあるものとして説明する。また、下記ステップによる動作に先立ち、機器本体の電源は投入されているものとする。
まず、ステップＳ1で、状態検出部１２が、機器本体の動き又は傾き状態、もしくはその両方の状態を検出し出力する。

次に、ステップＳ2で、パターン検出部１４は、前記状態検出部１２で検出される機器本体の動きまたは状態、もしくはその両方と、前記動作・状態パターンモデル保持部１３に記憶されている前記動き・状態パターンモデルとがマッチングするか否かを検出する。マッチングした場合は、ステップＳ3へ進む。マッチングしなかった場合は、ステップＳ4で、機器本体の動きまたは状態、もしくはその両方を変更すべく、使用者は機器本体の動きまたは状態を変化させながら、ステップＳ1へ戻り、ステップＳ2へと進むことを繰り返すことにより、ステップＳ2でマッチングした状態を得て、ステップＳ3へ進むことができる。

そして、ステップＳ3で、パターン検出部１４は、そのマッチングした動き・状態パターンモデルに対応した音声認識処理の処理パターンを検出し出力する。
そして、ステップＳ5で、この状態で、音声入力部１１は、外部から音声がマイク(図示略)を通して入力され、デジタル信号に変換して出力する。

次に、ステップＳ6で、音声認識処理実行部１５は、前記パターン検出部１４から出力される音声認識処理の処理パターンに従い、前記音声入力部１１から出力されたデジタル信号に対して音声認識処理を実行する。本実施形態では、この音声認識処理の実行とは、例えば、音声をテキストに変換する処理と、音声をコマンドとして受付けそのコマンドにより予め定められたアプリケーションを操作する処理と、のいずれか一方の処理が実行されることである。

第１の実施形態によれば、使用者は機器を動かす又は／及び傾けるという動作のみによって、使用者はボタン操作などで切り替える負担を課せられることなく、容易に、音声認識によるテキスト入力と音声コマンドを使いわけることが可能となる。また、音声情報と音声コマンドが一致する音声入力であっても、音声コマンド入力とテキスト入力を使いわけることができる。

[第２の実施形態]
本発明の第２の実施形態の音声認識装置は、図１と同様の構成であるので、図示を省略する。まず、図１の各ブロックに付した符号と同様の符号を用いて、本第２の実施形態における各構成要素の機能につき説明する。

音声入力部１１は、音声を入力し、デジタル信号に変換し出力する。
状態検出部１２は、加速度センサを備え，本装置を搭載する前記機器本体の水平方向を基準とする傾き角度を検出し出力する。

動き・状態パターンモデル保持部１３は、状態検出部１２から出力される本装置を搭載する機器本体の水平方向を基準とする傾き角度に対して予め閾値を設定・保持し、その角度が閾値を超えた場合、超えない場合に対してそれぞれ異なる音声認識処理に対する処理パターンを記憶(登録)している。

パターン検出部１４は、状態検出部１２から出力される機器本体の水平方向を基準とする傾き角度と動き・状態パターンモデル保持部１３が保持している傾き角度に対する閾値を比較し、その角度が閾値を超えた場合には、閾値を超えた場合の音声認識処理に対する処理パターンを検出して出力し、閾値を超えない場合には、閾値を超えない場合の音声認識処理に対する処理パターンを検出して出力する。

音声認識処理実行部１５は、パターン検出部１４から出力される音声認識処理の処理パターンに従い、音声入力部１１から出力されたデジタル信号に対して音声認識処理を実行する。

次に、図４のフローチャートを参照して第２の実施形態の音声認識装置１０の動作を説明する。
以下の動作では、動作・状態パターンモデル保持部１３には、予め定められた機器本体の傾き角度の動き・状態パターンモデルと、その動き・状態パターンモデルに対応する予め定められた複数の音声認識処理の処理パターンを記憶(登録)してあるものとして説明する。また、下記ステップによる動作に先立ち、機器本体の電源が投入されているものとする。

まず、ステップＳ11で、状態検出部１２が、機器本体の傾き角度を検出し出力する。
次に、ステップＳ12で、パターン検出部１４は、状態検出部１２で検出される機器本体の傾き角度が、動作・状態パターンモデル保持部１３に記憶されている前記傾き角度に対する閾値を超えたか否かを検出する。超えた場合は、ステップＳ13へ進む。

そして、ステップＳ13で、パターン検出部１４は、その傾き角度が閾値を超えた場合に対応した音声認識処理の処理パターンを検出し出力する。
そして、ステップＳ15では、上記のＳ13の出力状態で、音声入力部１１には、外部から音声がマイク(図示略)を通して入力され、デジタル信号に変換して出力する。

次に、ステップＳ16で、音声認識処理実行部１５は、パターン検出部１４から出力される音声認識処理の処理パターンに従い、音声入力部１１から出力されたデジタル信号に対して音声認識処理を実行する。ここで、この音声認識処理の実行とは、例えば、音声をテキストに変換する処理と、音声をコマンドとして受付けそのコマンドにより予め定められたアプリケーションを操作する処理と、のいずれか一方の処理が実行されることである。

一方、ステップＳ12で傾き角度が閾値を超えなかった場合は、ステップＳ16へ進む。
ステップＳ14では、その傾き角度が閾値を超えなかった場合に対応した音声認識処理の処理パターンを検出し出力する。
そして、ステップＳ15で、上記のＳ14の出力状態で、音声入力部１１には、外部から音声がマイク(図示略)を通して入力され、デジタル信号に変換して出力する。

次に、ステップＳ16で、音声認識処理実行部１５は、前記パターン検出部１４から出力される音声認識処理の処理パターンに従い、音声入力部１１から出力されたデジタル信号に対して音声認識処理を実行する。

第２の実施形態によれば、機器本体の傾き角度に対して、音声認識によるテキスト入力を受けつける状態と音声コマンドを受け付ける状態とを設定し、ユーザが機器本体を傾け機器本体の傾き角度が閾値を超えたか否かを検出することによって、前記２つの状態(モード)の切り替えを行うことができる。使用者は機器を傾けるという動作のみによって、使用者にボタン操作などで切り替える負担を課することなく、容易に、音声認識によるテキスト入力と音声コマンド入力を使いわけることが可能となる。また、音声情報と音声コマンドが一致する音声入力であっても、音声コマンド入力とテキスト入力を使いわけることができる。

以上述べた本発明の実施形態によれば、使用者は機器を動かす又は／及び傾けるという動作のみによって、使用者はボタン操作などで切り替える負担を課せられることなく、容易に、音声認識によるテキスト入力と音声コマンド入力を使いわけることができる。また、音声情報と音声コマンドが一致する音声入力であっても、音声コマンド入力とテキスト入力を使いわけることができる。

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同様に、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ものである。

１０…音声認識装置、１１…音声入力部、１２…状態検出部、１３…動作・状態パターンモデル保持部、１４…パターン検出部、１５…音声認識処理実行部。

本発明の実施形態の音声認識装置は、音声を入力し、デジタル信号に変換し出力する音声入力部と、加速度センサを備え、本装置を搭載する機器本体の動きまたは状態、もしくはその両方を検出して出力する状態検出部と、予め定められた機器本体の動きまたは状態もしくはそれらの組み合せの動き・状態パターンモデルと、その動き・状態パターンモデルに対応する予め定められた複数の音声認識処理の処理パターンを記憶する動作・状態パターンモデル保持部と、前記状態検出部が検出した機器本体の動きまたは状態、もしくはその両方と、前記動作・状態パターンモデル保持部に記憶されている前記動き・状態パターンモデルとがマッチングするか否かを検出し、そのマッチングした動き・状態パターンモデルに対応した音声認識処理の処理パターンを検出して出力するパターン検出部と、前記パターン検出部から出力される音声認識処理の処理パターンに従い、前記音声入力部から出力されたデジタル信号に対して音声認識処理を実行する音声認識処理実行部と、を具備する。

Claims (5)

1. 音声を入力し、デジタル信号に変換し出力する音声入力部と、
   加速度センサを備え、本装置を搭載する機器本体の動きまたは状態、もしくはその両方を検出して出力する状態検出部と、
   予め定められた機器本体の動きまたは状態もしくはそれらの組み合せの動き・状態パターンモデルと、その動き・状態パターンモデルに対応する予め定められた複数の音声認識処理の処理パターンを記憶する動作・状態パターンモデル保持部と、
   前記状態検出部から出力される機器本体の動きまたは状態、もしくはその両方と、前記動作・状態パターンモデル保持部に記憶されている前記動き・状態パターンモデルとがマッチングするか否かを検出し、そのマッチングした動き・状態パターンモデルに対応した音声認識処理の処理パターンを検出して出力するパターン検出部と、
   前記パターン検出部から出力される音声認識処理の処理パターンに従い、前記音声入力部から出力されたデジタル信号に対して音声認識処理を実行する音声認識処理実行部と、
   を具備したことを特徴とする音声認識装置。
2. 前記複数の音声認識処理は、音声をテキストに変換する処理と、音声をコマンドとして受付けそのコマンドにより予め定められたアプリケーションを操作する処理とを少なくとも含むことを特徴とする請求項１に記載の音声認識装置。
3. 前記状態検出部は、加速度センサを備え，本装置を搭載する前記機器本体の水平方向を基準とする傾き角度を検出して出力し、
   前記動き・状態パターンモデル保持部は、前記状態検出部から出力される本装置を搭載する前記機器本体の水平方向を基準とする傾き角度に対して予め閾値を設定・保持し、その角度が閾値を超えた場合、超えない場合に対してそれぞれ異なる音声認識処理に対する処理パターンを記憶し、
   前記パターン検出部は、前記状態検出部から出力される前記機器本体の水平方向を基準とする傾き角度と前記動き・状態パターンモデル保持部が保持している傾き角度に対する閾値を比較し、その角度が閾値を超えた場合には、閾値を超えた場合の音声認識処理に対する処理パターンを検出して出力し、閾値を超えない場合には、閾値を超えない場合の音声認識処理に対する処理パターンを検出して出力する
   ことを特徴とする請求項１又は２に記載の音声認識装置。
4. 前記機器本体を水平面に対して傾けて設置するための傾き状態が調整可能な設置手段をさらに具備したことを特徴とする請求項１乃至３のいずれかに記載の音声認識装置。
5. 音声認識装置を搭載する機器本体の動き又は状態もしくはその両方を検出し、
   次に、検出された機器本体の動きまたは状態もしくはその両方と、予め定めた動き・状態パターンモデルとそれに対応する予め定めた複数の音声認識処理の処理パターンを記憶した保持部に記憶されている前記動き・状態パターンモデルとがマッチングするか否かを、機器本体の動きまたは状態を変化させながら検出し、
   マッチングした状態を検出したとき、そのマッチングした動き・状態パターンモデルに対応した音声認識処理の処理パターンを、パターン検出部が検出して出力し、
   この状態で、音声入力部において、外部から音声を入力し、デジタル信号に変換して出力し、
   前記パターン検出部で検出された音声認識処理の処理パターンに従い、前記音声入力部から出力されたデジタル信号に対して音声認識処理を実行する
   ことを特徴とする音声認識方法。

Images