JP2001067097A - 文書作成装置および文書作成方法 - Google Patents

Abstract

(57)【要約】 （修正有） 【課題】収集できるテキストが少ない場合でも音声認識
機能を効率よく用いることができる音声認識機能を用い
た文書作成装置を提供する。 【解決手段】入力された音声を音声音響特徴パラメータ
群に分析し、その特徴パラメータの情報と言語情報に基
づいて認識を行う音声認識装置において、連続して発生
された音声を認識する連続音声認識部と、単語として発
声された音声を認識する単語音声認識部を持ち、使用者
が両認識部をマウスあるいはキーボードによる選択、も
しくは音声によるコマンド等による入力で任意に切り替
えながら文書を作成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、異なる性質を持つ
複数の音声認識機能を用いた文書作成装置に関する。

【０００２】

【従来の技術】従来、音声認識機能を用いたディクテー
ションによる文書作成においては、連続音声認識機能が
幅広く使われている。この連続音声認識機能は音響モデ
ルと呼ばれる声の質に関する情報と、言葉に関する言語
情報を用いて動作する。音響モデルとしては隠れマルコ
フモデル（ＨＭＭ）が、言語モデルとしては単語の二つ
組の生起順序に関する統計モデル（bigram）、三つ組の
生起順序に関する統計モデル(trigram)が言語モデルと
して広く用いられている（例えば、中川聖一著、“確率
モデルによる音声認識”電子情報通信学会 昭和63年７
月発行）。

【０００３】上記言語モデルを作成するためには、日本
語の場合、所望のテキスト（入力したいテキスト）に類
似したテキストを収集し、単語ごとに分割したのちに、
その単語の連鎖統計を求めることにより言語モデルとし
て使用していた。

【０００４】

【発明が解決しようとする課題】従来の上記ディクテー
ションでは、収集できるテキストが少ない場合、テキス
トの単語連鎖では十分に統計情報が得られない、あるい
はその統計情報が有効に機能しない単語（例えば、人名
などの固有名詞）があり、それらの単語に対する認識性
能はまだ十分ではなかった。

【０００５】本発明の目的は、音声入力により当該テキ
ストを作成する過程において連続音声認識機能のみを用
いることに起因する上記の問題点を解決し、音声認識機
能を効率よく用いる文書作成装置を提供することにあ
る。

【０００６】

【課題を解決するための手段】本発明に係る請求項１記
載の文書作成装置は、入力された音声を音声音響特徴パ
ラメータ群に分析し、その特徴パラメータの情報と言語
情報に基づいて認識を行う音声認識装置において、連続
して発声された音声を認識する連続音声認識部と、単語
として発声された音声を認識する単語音声認識部を持
ち、使用者が両認識部をマウスあるいはキーボードによ
る選択、もしくは音声によるコマンド等による入力で任
意に切り替えながら文書を作成することを特徴とする。

【０００７】また、請求項２記載の文書作成装置は、請
求項１記載の文書作成装置において、上記単語音声認識
において使用者が複数の単語辞書の中から任意に一つの
単語辞書を選択することを特徴とする。また、請求項３
記載の文書作成装置は、請求項２に記載の文書作成装置
において、他の全ての単語辞書の単語項目を登録した全
単語辞書を単語辞書の一つとして登録することを特徴と
する。

【０００８】また、請求項４記載の文書作成方法は、請
求項１記載の文書作成装置において、使用者が連続音声
認識部を用いて文書を作成している最中に、音声コマン
ドにより連続音声認識を中断し単語認識部を起動させる
こと、及び単語認識終了後、再び連続音声認識を再開で
きることを特徴とする。

【０００９】

【発明の実施の形態】以下、図面を参照して本発明に係
る実施形態について説明する。図１に本発明の文書作成
装置のブロック図を示す。文書作成装置１は、マイク7-
1、キーボード7-2、マウス7-3等から構成される入力手
段７、音響モデル５と話者適応部６を備えた主エディタ
２、単語n-gram (ｎ個の要素からなる連鎖)辞書3-1を備
えた連続音声認識部３、複数の単語辞書4-1を備えた単
語音声認識部４及び表示装置８等から構成される。

【００１０】音声が入力されると、音響モデル５と話者
適応部６を用いて主エディタ２は入力された音声を音声
音響特徴パラメータ群に分析し、連続して発声された音
声は単語n-gram辞書3-1を用いて連続音声認識部３で認
識し、そして、単語として発声された音声は単語辞書3-
1を用いて単語音声認識部４で認識し、その認識結果を
用いて主エディタ２は文書を作成すると共に表示装置８
に表示する。また、主エディタ２は入力手段７の入力に
より連続音声認識部３と単語音声認識部４とを切り替え
る機能と、単語音声認識部４が備える複数の単語辞書4-
1を選択する機能を有する。

【００１１】図２は、本発明に関わる文書作成装置のイ
メージ図である。図２は、入力した音声を音声認識機能
により文字系列に変換して所望の文書を作成していく状
況を示している。表示装置８において、上部が文書作成
用コマンドを動作させる操作部、下部は認識結果であ
り、「初期評価実施致しましたので連絡します。」と文
書が作成されている様子を示す。本発明による一つの実
施形態として、Ｓ1：連続音声認識開始／終了ボタン
（例えば、キーボード）により連続音声認識開始および
終了を操作し、Ｓ2：単語音声認識開始／終了ボタンに
より単語音声認識開始および終了の操作を行う（開始の
際にボタンを押下し、終了時に再度そのボタンを押下す
る。）。即ち、請求項１記載の発明に関して、本発明で
はこの様に連続音声認識と単語音声認識を組み合わせな
がら、文書作成を行っていく。日常、よく使用される言
い回しなどの文書を作成するには連続音声認識を、特殊
な場合のみ使われる固有名詞（例えば、特殊な人名や地
名等）を記述する場合は、単語音声認識を用いて、文書
を作成する。これにより、従来の連続音声認識のみによ
る文書作成に比較してより効率良く、かつ使用者に負担
をかけずに文書作成を行うことができる。

【００１２】この実施形態の他の方法として、操作メニ
ューの選択による方法を図３に示す。例えば、「挿入」
のメニューをマウス等により選択することにより、Ｓ3
「連続音声認識開始」メニューあるいはＳ4「単語音声
認識開始」メニューを選択することにより入力操作を行
う。メニュー選択後の連続音声入力中は、「連続音声認
識開始」メニューは「連続音声認識終了」メニューとな
り、「単語音声認識開始」メニューは「単語音声認識終
了」メニューとなる。それらを再び選択することで、音
声入力は終了となる。

【００１３】他の実施形態としては、音声による操作、
即ち「連続音声認識開始」あるいは「単語音声認識開
始」と発声すること（音声入力）で、両認識を効率良く
使い分けることが可能である。一方、請求項２の単語音
声認識に関しては、単語認識選択前あるいは後に、認識
しようとする単語辞書を選択することで、認識対象語彙
を絞り認識性能を向上させる。

【００１４】図４では、単語辞書の▼のボタンを押下す
ることにより、単語辞書の種類が出現し、そこより一つ
を選択する。図４では、単語辞書Ａが人名辞書、単語辞
書Ｂが地名辞書、単語辞書Ｃが魚名辞書とする。使用者
が「いとー」と発声した場合には、人名辞書Ａを選択し
ていれば「伊藤」もしくは「伊東」が、地名辞書Ｂを選
択していれば「伊東」が、魚名辞書Ｃを選択していれば
「伊富」が出力されることになる。図４は表示が反転し
ている単語辞書Ａを選択している様子を示す。

【００１５】一方、請求項３の全単語辞書に関しては、
請求項２の実施形態において、図５に示すように、単語
辞書Ａ、単語辞書Ｂ、単語辞書Ｃ、及び全単語辞書の４
つの辞書より使用者が選択することになる。ここで、全
単語辞書には単語辞書Ａ、Ｂ、Ｃの全ての単語が登録さ
れている。これは、使用者が出力させたい単語がどの辞
書項目に含まれるか分からない場合に使用される。認識
精度や処理時間は該当する単語辞書を選ぶ場合よりも劣
化するが、確実に出力することが可能である。例えば、
上記例では、「いとー」と発声した場合に、「伊東」、
「伊藤」、「伊富」の候補が出力され、その中より候補
を使用者が選ぶことになる。

【００１６】一方、請求項４の音声認識機能を用いた文
書作成方法に関しては、連続音声認識を用いて文書を作
成している最中に、例えば、「単語認識」などと使用者
が音声コマンドを発声することにより連続音声認識を中
断し単語認識部を起動させ、単語音声認識が終了した時
点で、再び先ほどの連続音声認識を再開することによ
り、文章を効率良く作成する。例えば、「都市の名前：
伊東 静岡県にある都市」という文を作成したいと考え
た場合の手順を図６に示す。

【００１７】まず連続音声認識を起動させ、Ｓ7：「と
しのなまえころん」と発声する。この時点では、『都市
の名前：』と表示されている。ここで地名単語辞書を選
択した状態で、Ｓ9：「単語認識モード」と発声し、Ｓ1
0：「いとー」と発声することにより、自動的に単語認
識部が起動され、発声した音声「いとう」が認識され、
Ｓ11：『都市の名前：伊東』と出力される。この時点
で、すでに処理は連続音声認識が再開されており、Ｓ1
2：「すぺーすしずおかけんにあるとし」と発声するこ
とにより、『都市の名前：伊東 静岡県にある都市』と
表示され、連続音声認識を終了することにより所望の文
を作成できる。このように連続音声認識を行っている最
中に、単語音声認識を呼び出すことにより、文章を効率
よく作成することが可能となる。

【００１８】以上説明したように、連続音声認識機能と
単語音声認識機能を保持した文章作成装置を提供するこ
とで、両機能をユーザーが切り替えながら使用すること
により、効率良く文書を作成することができる。

【００１９】

【発明の効果】以上、詳述したように、本発明によれ
ば、音声認識機能を用いた文書作成装置（ディクテーシ
ョン装置）において、連続音声認識機能と単語音声認識
機能を効率よく切り替えながら文書を作成することによ
り、従来の連続音声認識機能のみを用いた文書作成装置
により、より優れた使用勝手（利便性）を提供できると
いう利点がある。

【図面の簡単な説明】

【図１】本発明の文書作成装置のブロック図。

【図２】連続音声認識と単語音声認識の両認識部のボタ
ンによる切り換えと文書作成例を示すイメージ図。

【図３】連続音声認識と単語音声認識の両認識部のメニ
ューによる切り換えと文書作成例を示すイメージ図。

【図４】複数の単語辞書の選択メニューを示す図。

【図５】単語音声認識における全単語辞書を含む単語辞
書のメニューを示す図。

【図６】連続音声認識を行いながら部分的に単語音声認
識を行って文書を作成する手順を示す図。

【符号の説明】

１ 文書作成装置 ２ 主エディタ ３ 連続音声認識部 3-1 単語n-gram辞書 ４ 単語音声認識部 4-1 単語辞書 ５ 音響モデル ６ 話者適応部 ７ 入力手段 ８ 表示装置

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ テーマコート゛(参考） Ｇ１０Ｌ 15/10 Ｇ１０Ｌ 3/00 ５３１Ｍ 15/00 ５５１Ｂ 15/22 ５７１Ｖ (72)発明者 大附 克年 東京都千代田区大手町二丁目３番１号 日 本電信電話株式会社内 Ｆターム(参考） 5B009 KB01 MB06 ME12 5D015 AA01 BB01 HH06 HH12 KK01 KK03 LL08 LL10

Claims (4)

【特許請求の範囲】
1. 【請求項１】入力された音声を音声音響特徴パラメータ
   群に分析する分析部と、その特徴パラメータの情報と言
   語情報に基づいて認識を行う音声認識機能を有する音声
   認識部と、その認識結果を用いて文書を作成する文書作
   成部を備えた文書作成装置において、 上記音声認識部が連続して発声された音声を認識する連
   続音声認識部と、単語として発声された音声を認識する
   単語音声認識部を備え、 上記両認識部を使用者が任意に切り替え可能な入力手段
   を備え、 両認識部を使用者が任意に切り替えながら文書を作成す
   ることを特徴とする文書作成装置。
2. 【請求項２】上記単語音声認識部が複数の単語辞書を備
   え、上記複数の単語辞書の中から使用者が任意に一つの
   単語辞書を選択できる単語辞書選択手段を備えたことを
   特徴とする請求項１記載の文書作成装置。
3. 【請求項３】上記複数の単語辞書の一つが他の単語辞書
   全ての単語項目を登録した全単語辞書を備えたことを特
   徴とする請求項２記載の文書作成装置。
4. 【請求項４】入力された音声を音声音響特徴パラメータ
   群に分析する分析部と、その特徴パラメータの情報と言
   語情報に基づいて認識を行う音声認識機能を有する、連
   続して発声された音声を認識する連続音声認識部と、単
   語として発声された音声を認識する単語音声認識部を備
   え、上記両認識部を使用者が任意に切り替え可能な入力
   手段を備え、両認識部を使用者が任意に切り替え、その
   認識結果を用いて文書を作成する文書作成部を備えた文
   書作成装置において、 上記連続音声認識部を用いて文書を作成する手順１と、 使用者が上記入力手段からの音声コマンドにより上記連
   続音声認識部の連続音声認識を中断し、上記単語音声認
   識部を起動させ単語音声認識を行う手順２と、 単語音声認識終了後、再び連続音声認識を再開する手順
   ３を備えたことを特徴とする文書作成方法。