JP2007194926A - 音声応答システム - Google Patents

Abstract

【課題】 聴取者に対するアピール力を従来より高めることができる音声応答システムを提供する。
【解決手段】 本発明は、音声応答装置が通信端末からの要求信号に応じたモノラル音声信号を上記通信端末に送信する音声応答システムに関する。そして、通信端末が、音声応答装置からのモノラル音声信号をステレオ音声信号に変換するモノラル／ステレオ変換手段と、変換されたステレオ音声信号を発音出力するステレオ音声出力手段とを有することを特徴とする。
【選択図】 図１

Description

本発明は音声応答システムに関し、例えば、電話端末からの操作信号などに応じて音声応答装置が自動応答するシステムに適用し得るものである。

予約システム、教育システム、コールセンター、プロモーションシステムなどにおいては音声応答装置が利用される。このような従来の音声応答装置を利用した音声応答システムにおいて、音声応答装置は、遠隔の固定アナログ電話機、携帯電話機、ＩＰ電話機などの電話端末から送信されたＰＢ信号による要求、又は、音声信号による要求（音声認識により要求を把握する）に応じて、所定又は該当する音声信号を再生して、上述の電話端末に送信し、発音出力させるものであった（例えば、特許文献１参照）。
特開２００２―３４４６３２号公報

しかしながら、従来の音声応答システムにおいては、電話端末は、音声応答装置が送信した音声信号（例えば、３．４ｋＨｚ以下のモノラル音声信号）を単に発音出力するに過ぎないものであった。

例えば、音声応答システムが販売促進用メッセージを提供するものである場合において、電話端末で受信した音声信号を単に発音出力しても、アピール力が弱いことも多い。また例えば、音声応答システムが教育システムに利用されている場合において、電話端末で受信した音声信号を単に発音出力しても、興味を持たせることができず、教育効果が小さくなったり、対話の継続時間が短くなったりすることもあり得る。

そのため、聴取者に対するアピール力を従来より高めることができる音声応答システムが望まれている。

かかる課題を解決するため、音声応答装置が通信端末からの要求信号に応じたモノラル音声信号を上記通信端末に送信する音声応答システムにおいて、上記通信端末が、上記音声応答装置からのモノラル音声信号をステレオ音声信号に変換するモノラル／ステレオ変換手段と、変換されたステレオ音声信号を発音出力するステレオ音声出力手段とを有することを特徴とする。

本発明の音声応答システムによれば、通信端末側の処理により得たステレオ音声信号で、音声応答装置からの応答音声を発音出力させるようにしたので、通信構成に殆ど負担をかけることなく、聴取者にとって魅力ある音声応答による対話を可能とし、システムの利用頻度の向上や、対話の継続性の向上などを期待できる。

（Ａ）第１の実施形態
以下、本発明による音声応答システムの第１の実施形態を、図面を参照しながら説明する。

図１は、第１の実施形態の音声応答システムの全体構成を示すブロック図である。図１は、通信リンクが確立状態で機能する音声応答機能面の構成を取り出して示しており、言い換えると、呼制御機能に係る構成を省略して示している。

図１において、第１の実施形態の音声応答システム１は、ネットワーク２を介して接続される音声応答装置１０と電話端末２０とを有する。音声応答装置１０は、音声認識部１１、対話管理部１２及び音声再生部１３を有する。電話端末２０は、マイクロフォン２１、一対のスピーカ２２Ｒ、２２Ｌ、音声通信部２３及び定位位置指示部２４を有し、音声通信部２３は、受信音声のモノラル／ステレオ変換部２５を内蔵している。

ネットワーク２は、例えば、一般的なアナログ電話公衆網であっても良くＩＰ網であっても良く、リンクの確立、切断機能を有するものであればどのようなものであっても良い。音声応答装置１０及び電話端末２０間の通信方法として、例えば、ＶｏＩＰを用いたＩＰネットワーク通信を適用できる。また、網ではなく専用回線などであっても良い。さらに、ネットワーク２が複数のネットワークの融合ネットワークになっていても良く、その一部又は全てが携帯電話網のような無線通信に係るものであっても良い。図１では省略しているが、音声応答装置１０及び電話端末２０間がデジタル通信に供するようなものである場合には、音声応答装置１０及び電話端末２０のネットワーク２側とのインタフェース構成に、アナログ信号及びデジタル信号間の変換回路や、パケットの組立、分解構成などが設けられることになる。

音声応答装置１０は、１個の電話端末２０に対してのみ対応できるものであっても良く、また、複数の電話端末２０に対して並列処理により対応できるものであっても良い。後者の場合であれば、例えば、音声認識部１１及び対話管理部１２を複数設けて対応したり（音声再生部１３も複数設けても良い）、音声認識部１１及び対話管理部１２として機能するソフトウェア（タスク）をリンク毎に並列に処理させることで対応する。いずれにせよ、リンクが確立された状態においては、あたかも、各電話端末２０毎に、音声認識部１１、対話管理部１２及び音声再生部１３が設けられていると同様な状態になる。

音声応答装置１０は、教育用、サービス用などのいずれの用途のものであっても良い。すなわち、第１の実施形態の場合、音声応答装置１０の用途は問われないものである。

音声応答装置１０において、音声認識部１１は、電話端末２０から与えられた音声信号を音声認識し、認識結果（例えば、テキストデータ列）を対話管理部１２に与えるものである。なお、電話端末２０側の話者（ユーザ）が、プッシュボタンやファンクションキーの操作によって、自己の意思などを表す音声応答システムであれば、音声認識部１１に代え、又は、音声認識部１１に加え、ＰＢ信号やファンクションキー信号の認識部が適用される。ファンクションキーを利用する場合において、ファンクションキーが押下された際に、電話端末２０側が該当するＰＢ信号又はＰＢ信号列に変換して音声応答装置１０に送出するものであっても良い。

対話管理部１２は、例えば、対話のフェーズを管理しており、現在のフェーズと、音声認識部１１から与えられた認識結果とから、当該音声応答装置１０からの発話内容を規定する発話コードＰ１を選択又は決定し、発話コードＰ１を音声再生部１３に与える。

音声再生部１３は、各発話コードに対応付けて、発話内容の音声信号を記憶しているものであり、対話管理部１２から与えられた発話コードＰ１に応じた音声信号を再生して出力するものである。なお、発話コードＰ１には、合成用の文字列と、その文字列を一部に合成してメッセージを完成させる被合成用の音声信号の種類を指示するコードでなっていても良く、すなわち、再生信号が、対話管理部１２から与えられた一部文字列を挿入したものであっても良い。

ここで、音声信号の記憶方法は問われないものである。圧縮して記憶しているものであっても良く、音素片と、音素片の組み合わせとを別個に格納しており、音声合成によって、音声信号を再生するものであっても良い。音声再生部１３による再生音声信号が電話端末２０に送出される。なお、電話端末２０へは、再生音声信号に加え、背景音信号をも送信するものであっても良い。

電話端末２０は、アナログ電話機、携帯電話機、ＩＰ電話機（ソフトフォンを含む）、電話対応のＰＤＡなどのいずれの電話端末であっても良く、第１の実施形態の特徴との関係からは、図１に示す構成を少なくとも備えていれば良い。

電話端末２０において、マイクロフォン２１は、話者の発声音声を捕捉し、電気的な音声信号に変換して音声通信部２３に与えるものである。この第１の実施形態での発声音声は、例えば、上述した音声応答装置１０へ自己の意図を伝達するものである。音声応答装置１０側へ意図の伝達を音声ではなく、ＰＢ信号で行うシステムである場合には、電話端末２０に設けられている図示しないプッシュボタンが、意図の伝達のために操作される。

一対のスピーカ２２Ｒ、２２Ｌは、音声通信部２３から与えられたステレオ音声信号を発音出力するものである。一対のスピーカ２２Ｒ、２２Ｌは、ヘッドフォンタイプのものであっても良く（図１はこの場合を示している）、また、ステレオスピーカタイプのものであっても良い。マイクロフォン２１と一対のスピーカ２２Ｒ、２２Ｌとがヘッドフォンタイプで構成されている場合において、電話端末本体とヘッドフォンとは、有線で接続されていても良く、また、無線で接続されていても良い。

音声通信部２３は、マイクロフォン２１からの音声信号を音声応答装置１０に向けて送信処理したり、音声応答装置１０から与えられた音声信号を受信処理してスピーカ２２Ｒ、２２Ｌに与えたりするものである。音声通信部２３は、上述したように、モノラル／ステレオ変換部２５を内蔵している。

モノラル／ステレオ変換部２５は、音声応答装置１０から与えられた音声信号（モノラル音声信号）Ｓ０を既存のモノラル／ステレオ変換技術（例えば、特開２００３−１０２０９９号公報参照）によって、方向性及び距離感が付加されたステレオ音声信号ＳＴ０に変換するものであり、変換されたステレオ音声信号ＳＴ０がスピーカ２２Ｒ、２２Ｌに与えられる。第１の実施形態のモノラル／ステレオ変換部２５は、ステレオ音声信号ＳＴ０の音源位置（定位位置）を、指定された位置としたステレオ音声信号ＳＴ０に変換するものである。音声応答装置１０から音声信号と背景音信号とが与えられる場合には（例えば、信号によってパケットを代えたり、同一パケットでありながら信号によってフィールドを代えたりして伝送する）、音声通信部２３は、モノラル／ステレオ変換部２５に音声信号だけを与え、音声信号だけをステレオ信号に変換する。

定位位置指示部２４は、話者の操作に応じて、モノラル／ステレオ変換部２５に対し、定位位置を指示するものである。定位位置指示部２４として、例えば、マウスを利用したものを適用することができる（例えば、電話端末２０がソフトフォンの場合）。また、テンキー（タッチパネルによって実現されているようなものを含む）を有する電話端末２０であれば、テンキーを定位位置指示部２４に利用できる。例えば、テンキーが図２に示すような配列の場合、「５」の周囲のキーの１回の操作が、「５」とそのキーとを結ぶ方向への単位量の位置変化を指示するものとすることができる。例えば、「４」が操作された場合であれば、左方向へ単位分だけ定位位置を変化させる指示と捉える。

図１において、話者と音声応答装置１０との対話の進行状況に合わせて、対話管理部１２より、音声再生部１３に発話コードＰ１が入力され、音声再生部１３によって再生されたモノラル音声信号Ｓ０が電話端末２０に与えられる。電話端末２０において、そのモノラル音声信号Ｓ０は、モノラル／ステレオ変換部２５に入力され、モノラル／ステレオ変換部２５によって、モノラル音声信号Ｓ０は、既存のモノラル／ステレオ変換技術に従い、定位位置指示部２４からの定位位置を音源として方向性が付加されたステレオ音声信号ＳＴ０に変換される。このステレオ音声信号ＳＴ０が一対のスピーカ２２Ｒ、２２Ｌから発音出力される。

上記第１の実施形態によれば、話者の意思で、定位を変動させることができ、話者の好きな方向性、距離感を持ったステレオ音声で、音声応答装置からの音声を受聴することができる。話者は、音声を耳元で受聴したり、少し遠くから受聴したり、方向性を連続的に動かすことができるため、より高臨場感の対話をすることができる。その結果、話者にとって魅力ある対話を可能とし、音声応答システムの利用頻度が高まり、また、音声応答システムが意図した終了時点まで会話が継続することが期待できるようになる。

すなわち、遠隔で接続される音声応答装置と電話端末の機能によって、話者（聞き手）に再生される音声、効果音、環境音に方向性又は立体感をもたせることにより、従来より魅力ある音声応答システムの対話を可能とすることができる。

ここで、音声応答装置から話者（電話端末）に送信される音声信号は、モノラル音声信号であるので、上記効果を奏するためにネットワークにかかる負荷はほとんど存在しない。また、モノラル／ステレオ変換部が話者側にあるため、音声応答装置の処理を少なくすることができる。

（Ｂ）第２の実施形態
次に、本発明による音声応答システムの第２の実施形態を、図面を参照しながら、第１の実施形態との相違点を中心に説明する。

図３は、第２の実施形態の音声応答システムの全体構成を示すブロック図であり、第１の実施形態に係る図１との同一、対応部分には同一、対応符号を付して示している。

図３において、第２の実施形態の音声応答システム１Ａは、第１の実施形態に比較すると、電話端末２０Ａにおいて定位位置指示部２４が省略されている点、音声応答装置１０Ａの対話管理部１２Ａが発話コードＰ１を音声再生部１３に与えるだけでなく定位位置パラメータＰ２を電話端末２０Ａに送信する点、電話端末２０Ａのモノラル／ステレオ変換部２５Ａが必要な定位位置パラメータとして音声応答装置１０Ａの対話管理部１２Ａが送信したものを取り込む点が異なっている。

例えば、対話管理部１２Ａが管理している各発話コードには定位位置パラメータが対応付けられており、対話の進行状態に応じて、対話管理部１２Ａが音声再生部１３に与える発話コードＰ１を決定した際には、その発話コードＰ１に対応付けられている定位位置パラメータＰ２を電話端末２０Ａに送出する。

また、対話管理部１２Ａには、対話のフェーズに応じて、発話コードＰ１と定位位置パラメータＰ２とが格納されているが、発話コードＰ１と定位位置パラメータＰ２とが同期出力するものでなくても良い。例えば、１個の発話コードＰ１を出力する際に、複数の定位位置パラメータＰ２を順次出力するようなものであっても良く、定位位置パラメータＰ２の送信する時間的間隔は、変換後のステレオ音声信号ＳＴ０を話者が聞いたときに、方向性、距離感が連続的に変動しているように感じる程度に細かい間隔が好ましい。

これにより、電話端末２０Ａには、音声応答装置１０Ａから、発話コードＰ１に応じたモノラル音声信号Ｓ１及び定位位置パラメータＰ２が与えられる。ここで、モノラル音声信号Ｓ１及び定位位置パラメータＰ２を別個のチャネルで伝送する（例えば、異なるＩＰパケットで伝送する）ようにしても良く、同じチャネルで多重伝送する（例えば、同一のＩＰパケットの異なるフィールドに挿入して伝送する）ようにしても良い。

電話端末２０Ａのモノラル／ステレオ変換部２５Ａは、与えられたモノラル音声信号Ｓ１をステレオ音声信号ＳＴ０に変換する際に、その音源位置を規定する定位位置情報として、音声応答装置１０Ａが送信した定位位置パラメータＰ２を用いる。

以上の点を除けば、第２の実施形態の音声応答システム１Ａの動作は、第１の実施形態と同様である。

第２の実施形態の音声応答システム１Ａの利用例として教育システムを説明する。ここで、音声応答装置１０Ａが該当する教師として、教師Ａと教師Ｂとがおり、これら二人の教師が、話者が該当する生徒に教えるとする。教育対話の進行に応じて、一方の教師Ａの音声信号を出力する際には、定位位置パラメータＰ２として左側の位置を指示するものを出力し、他方の教師Ｂの音声信号を出力する際には、定位位置パラメータＰ２として右側の位置を指示するものを出力する。これにより、生徒（話者）には、教師Ａの音声が左側方向から与えられ、教師Ｂの音声が右側方向から与えられる。

上記では、対話管理部１２Ａが定位位置パラメータＰ２を電話端末２０Ａに送出する場合を示したが、各音声信号にそれぞれ定位位置パラメータを対応付けて音声再生部１３に格納しておき、音声再生部１３が、発話コードＰ１が与えられたときに、その発話コードＰ１に対応する音声信号Ｓ１及び定位位置パラメータＰ２を送出するようにしても良い。

第２の実施形態によれば、第１の実施形態とほぼ同様な効果に加え、以下のような効果を奏することができる。すなわち、話者が操作することなく、音声応答装置からの音声の定位が変動し、高臨場感な対話をすることができる。例えば、予めコンテンツ（対話のストーリー）の企画、製作者の意思で決めた、定位変動を自動で再現し、話者に高臨場感な対話を体験させることができる。

（Ｃ）第３の実施形態
次に、本発明による音声応答システムの第３の実施形態を、図面を参照しながら、第１の実施形態との相違点を中心に説明する。

図４は、第３の実施形態の音声応答システムの全体構成を示すブロック図であり、第１の実施形態に係る図１との同一、対応部分には同一、対応符号を付して示している。

図４において、第３の実施形態の音声応答システム１Ｂは、第１の実施形態に比較すると、電話端末２０Ｂにおいて定位位置指示部２４が省略されている点、音声応答装置１０Ｂの対話管理部１２Ｂが発話コードＰ１を音声再生部１３に与えるだけでなく定位位置パターンコードＰＰ０を電話端末２０Ｂに送信する点、定位位置パラメータの時系列でなる定位位置パターンを複数格納し与えられた定位位置パターンコードＰＰ０が規定する定位位置パターンの定位位置パラメータを順次出力する定位位置供給部２６が電話端末２０Ｂの音声通信部２３Ｂ内に設けられている点、モノラル／ステレオ変換部２５Ａが必要な定位位置パラメータとして定位位置供給部２６が供給したものを取り込む点などが異なっている。

定位位置供給部２６には、定位位置パラメータの変動の仕方（パターン）が予め複数定義されている。定位位置パターンとしては、例えば、音源位置（定位位置）が右回りに回転移動しているようなパターン、音源位置が遠ざかっていくようなパターン、音源位置が近づいてくるようなパターンなど多様なものを用意しておく。

対話管理部１２Ｂが管理している各発話コードには定位位置パターンコードが対応付けられており、対話の進行状態に応じて、対話管理部１２Ｂが音声再生部１３に与える発話コードＰ１を決定した際には、その発話コードＰ１に対応付けられている定位位置パターンコードＰＰ０を電話端末２０Ｂに送出する。

これにより、電話端末２０Ｂには、音声応答装置１０Ｂから、発話コードＰ１に応じたモノラル音声信号Ｓ１及び定位位置パターンコードＰＰ０が与えられる。ここで、モノラル音声信号Ｓ１及び定位位置パターンコードＰＰ０を別個のチャネルで伝送する（例えば、異なるＩＰパケットで伝送する）ようにしても良く、同じチャネルで多重伝送する（例えば、同一のＩＰパケットの異なるフィールドに挿入して伝送する）ようにしても良い。

電話端末２０Ｂの定位位置供給部２６は、定位位置パターンコードＰＰ０が与えられると、そのコードにより定まる定位位置パターンの定位位置パラメータＰ２をモノラル／ステレオ変換部２５Ｂに順次出力する。ここで、定位位置パラメータを図示しないクロック信号に基づいて、所定周期で変化させるようにしても良く、定位位置パターンに各定位位置パラメータの出力タイミング（例えば、起動時からのクロック数で記述する）も含め、その出力タイミングに応じて各定位位置パラメータを出力させるようにしても良い。

モノラル／ステレオ変換部２５Ｂは、音声応答装置１０Ｂから与えられたモノラル音声信号Ｓ１をステレオ音声信号ＳＴ０に変換する際に、その音源位置を規定する定位位置パラメータとして、定位位置供給部２６が供給した定位位置パラメータＰ２を用いる。

以上の点を除けば、第３の実施形態の音声応答システム１Ｂの動作は、第１の実施形態と同様である。

第３の実施形態によれば、第２の実施形態と同様な効果を奏することができる。第２の実施形態と比較すると、定位位置パターンコードの伝送であるので、対話管理部の処理やネットワークの付加を軽減した上で、定位変動を実現できるというメリットがある。

（Ｄ）第４の実施形態
次に、本発明による音声応答システムの第４の実施形態を、図面を参照しながら説明する。

図５は、第４の実施形態の音声応答システムの全体構成を示すブロック図であり、第１の実施形態に係る図１との同一、対応部分には同一、対応符号を付して示している。また、図６は、第４の実施形態の電話端末の外観例を示す斜視図である。

図５において、第４の実施形態の音声応答システム１Ｃは、複数の音声応答装置１０Ｃ−１〜１０Ｃ−Ｎ、通信端末２０Ｃ、位置情報サーバ３０及びＰＢＸサーバ４０を有する。

各音声応答装置１０Ｃ（１０Ｃ−１〜１０Ｃ−Ｎ）は、第１の実施形態のものと同様に、音声認識部１１、対話管理部１２Ｃ及び音声再生部１３を有する。音声認識部１１及び音声再生部１３は、第１の実施形態のものと同様である。

第４の実施形態の対話管理部１２Ｃは、直前の対話のフェーズと認識結果などに応じて、発話コードＰ１を定めて、音声再生部１３に発話コードＰ１などを与える点は第１の実施形態と同様である。また、対話管理部１２Ｃは、認識結果に応じて、位置質問コードＱ１を位置情報サーバ３０に与えるものである。

例えば、通信端末２０Ｃからの音声信号が「商品Ａはどこ？」という問い合わせの場合において、対話管理部１２Ｃは、音声再生部１３に「こちらです」という内容の音声信号を指示する発話コードＰ１を与え、又は、合成用の文字列「商品Ａ」と被合成用の「…こちらです」という内容の音声信号を指示する発話コードＰ１を与えると共に、位置情報サーバ３０に対しては、商品Ａの位置を問い合わせる位置質問コードＱ１を与える。

なお、音声応答装置１０Ｃ及び位置情報サーバ３０間の通信は、ネットワーク２を介して行うものであっても良く、専用回線を介して行うものであっても良い。

位置情報サーバ３０は、通信部（図示せず）及び位置情報データベース（位置情報ＤＢ）３１を備える。位置情報データベース３１は、位置質問コードＱ１の受信に対し、その問い合わせに応じた位置情報ＰＯＳを返信するものである。この位置情報ＰＯＳは、最終的には通信端末２０Ｃに与えられるものである。例えば、位置質問コードＱ１に通信端末２０Ｃの特定情報をも付加し、位置情報サーバ３０が、その付加特定情報に基づいて通信端末２０Ｃに直接位置情報ＰＯＳを送出するものであっても良い。また例えば、位置情報サーバ３０は、位置質問コードＱ１の送信元の音声応答装置１０Ｃに位置情報ＰＯＳを返信し、音声応答装置１０Ｃが通信端末２０Ｃに位置情報ＰＯＳを送出するものであっても良い。さらに例えば、音声応答装置１０Ｃ及び通信端末２０Ｃ間のリンク確立時に、位置情報サーバ３０をも含めた３者通話的なリンク確立状態を形成させ、位置情報サーバ３０が、通信端末２０Ｃに位置情報ＰＯＳを送出するものであっても良い。

第４の実施形態の通信端末２０Ｃは、外観上は、例えば、図５に示すようなＰＤＡやハンディターミナル端末のような構成を有している。第４の実施形態の通信端末２０Ｃは、第１の実施形態と同様な、マイクロフォン２１、一対のスピーカ２２Ｒ、２２Ｌ及び音声通信部２３Ｃを有し、さらに、自端末位置検出部２７、自端末方位検出部２８、Ｎ個のワンタッチ発信ボタン２００−１〜２００−Ｎ及び回線制御部２０２を有する。音声通信部２３Ｃは、モノラル／ステレオ変換部２５Ｃ及び定位位置パラメータ形成部２９を有する。なお、詳細な説明は省略するが、図５に示すように、その他、ディスプレイ２０１、各種入力キー２０２、ステレオ対応のヘッドフォンを着脱し得るヘッドフォンジャック受部２０３などを有する。

マイクロフォン２１、一対のスピーカ２２Ｒ、２２Ｌは、第１の実施形態のものと同様なものである。なお、一対のスピーカ２２Ｒ、２２Ｌは、ヘッドフォンジャック受部２０３に図示しないヘッドフォンが装着された際には動作し得ない状態に移行する。

自端末位置検出部２７は、当該通信端末２０Ｃの位置を検出するものであり、検出した自端末位置情報ＳＰＯＳを定位位置パラメータ形成部２９に与えるものである。自端末位置検出部２７としては、例えば、ＧＰＳ処理装置を適用し得る。

自端末方位検出部２８は、当該通信端末２０Ｃが向いている方位を検出するものであり、検出した自端末方位情報ＳＤＩＲを定位位置パラメータ形成部２９に与えるものである。自端末方位検出部２８としては、例えば、ジャイロを利用した方位検出装置を適用し得る。

第４の実施形態のモノラル／ステレオ変換部２５Ｃは、音声応答装置１０Ｃから与えられたモノラル音声信号Ｓ１をステレオ音声信号ＳＴ０に変換する際に、その音源位置を規定する定位位置パラメータとして、定位位置パラメータ形成部２９が形成した定位位置パラメータＰ３を用いる。

定位位置パラメータ形成部２９には、位置情報サーバ３０が出力した位置情報ＰＯＳ、自端末位置検出部２７が出力した自端末位置情報ＳＰＯＳ、及び、自端末方位検出部２８が出力した自端末方位情報ＳＤＩＲが与えられる。定位位置パラメータ形成部２９は、入力情報に基づいて、当該通信端末２０Ｃを基準とした、位置情報ＰＯＳが示す位置との距離及び方位を割り出し、これに応じて、ステレオ音声信号ＳＴ０の音源位置の位置及び方位がその割り出したものに合致するようにできる定位位置パラメータＰ３を形成してモノラル／ステレオ変換部２５Ｃに与える。

なお、定位位置パラメータ形成部２９（又は、自端末位置検出部２７及び自端末方位検出部２８）は、検出された当該通信端末２０Ｃの位置及び方位の情報を話者の位置及び方位の情報に変換して用いるようにしても良い。例えば、話者が、当該通信端末２０Ｃを胸元中央で話者に向けて把持して操作していると仮定して、検出位置及び検出方位を修正して、話者の位置及び方位を得て利用するようにしても良い。

各ワンタッチ発信ボタン２００−１〜２００−Ｎはそれぞれ、いずれかの音声応答装置１０Ｃ−１〜１０Ｃ−Ｎに１対１で対応付けられたものであり、当該ボタン２００−１〜２００−Ｎの押下は、対応付けられている音声応答装置１０Ｃ−１〜１０Ｃ−Ｎのリンク確立を供給するものとして回線制御部２０２に与えられるものである。この第４の実施形態の場合、各ワンタッチ発信ボタン２００−１〜２００−ＮはＬＥＤ素子内蔵のものであり、回線状態などを報知し得るものである。内蔵するＬＥＤ素子の点灯、点滅、消灯制御は、回線制御部２０２によって制御されるものである。

回線制御部２０２は、音声応答装置１０Ｃとの通信リンクの確立や切断などを制御するものであり、また、現在の回線状態などに応じて、又は、上位のＰＢＸサーバ４０からの指令により、ワンタッチ発信ボタン２００−１〜２００−Ｎに内蔵されているＬＥＤ素子の点灯、点滅、消灯を制御するものである。

回線制御部２０２は、いずれかのワンタッチ発信ボタン２００−１〜２００−Ｎが押下された際には、対応する音声応答装置１０Ｃ−１〜１０Ｃ−Ｎとのリンクの確立動作を行う。また、回線制御部２０２は、上位のＰＢＸサーバ４０から、コンテンツの更新を指示するＬＥＤ制御情報が与えられた際には、該当するＬＥＤ素子を、コンテンツの更新を報知する更新報知態様で表示させる。例えば、点滅させたり、通常の回線状態の報知では用いない色のＬＥＤ素子を点灯させたりする。

ＰＢＸサーバ４０は、音声応答装置１０Ｃ−１〜１０Ｃ−Ｎや通信端末２０Ｃを内線端末として扱うものである。ＰＢＸサーバ４０は、例えば、ＩＰ−ＰＢＸサーバとして機能するものである。この第４の実施形態の場合、ＰＢＸサーバ４０は、接続された保守端末（図示せず）などから音声応答装置１０Ｃ−１〜１０Ｃ−Ｎの対話情報（例えば、広告報知用の音声応答装置であれば広告メッセージ）が更新された旨が入力されると、その時点から、所定時間（例えば１時間）だけ更新報知態様で報知することを通信端末２０Ｃに指示するキー点灯制御部４１を有する。キー点灯制御部４１は、一般的なＰＢＸ装置が有するマルチファンクションキーの点灯制御構成とほぼ同様なものである。例えば、ＳＩＰのＳＵＢＳＣＲＩＢＥメッセージを利用して点灯などを指示し得る。

以上の構成を有する第４の実施形態の音声応答システム１Ｃに関し、何らかの情報の取得などを希望するユーザ（話者）は、通信端末２０Ｃの、該当する音声応答装置１０Ｃに係るワンタッチ発信ボタン２００（２００−１〜２００−Ｎ）を押下する。この押下により、通信端末２０Ｃと音声応答装置１０Ｃとの通信リンクが確立される。

ここで、コンテンツが変更された音声応答装置１０Ｃに対応するワンタッチ発信ボタン２００は、更新からさほど時間が経過していない状態では、更新報知態様で表示されているので、その表示により興味を持ち、ワンタッチ発信ボタン２００を押下するユーザが多いと考えられる。

通信端末２０Ｃと音声応答装置１０Ｃとの通信リンクが確立された状態では、話者（通信端末２０Ｃ）と音声応答装置１０Ｃとで対話が実行される。このような対話状態において、音声応答装置１０Ｃから、通信端末１０Ｃに音声信号（モノラル音声信号）Ｓ０が与えられる際には、位置情報サーバ３０が送出した音声信号Ｓ０に係る音源の位置情報ＰＯＳも与えられる。

通信端末１０Ｃの定位位置パラメータ形成部２９は、位置情報サーバ３０が出力した位置情報ＰＯＳ、自端末位置検出部２７が出力した自端末位置情報ＳＰＯＳ、及び、自端末方位検出部２８が出力した自端末方位情報ＳＤＩＲに基づいて、当該通信端末２０Ｃを基準とした、位置情報ＰＯＳが示す位置との距離及び方位を割り出し、定位位置パラメータＰ３を形成してモノラル／ステレオ変換部２５Ｃに与える。モノラル／ステレオ変換部２５Ｃは、音声応答装置１０Ｃからの音声信号（モノラル音声信号）Ｓ０を、この定位位置パラメータＰ３に従って、ステレオ音声信号ＳＴ０に変換してスピーカ２２Ｌ、２２Ｒに与えて発音させる。

この発音されたステレオ音声信号ＳＴ０の音源の位置（音源までの距離及び方位）は、当該通信端末２０Ｃを基準としてみて、位置情報ＰＯＳが指示している位置となる。

例えば、話者が「商品Ａはどこ」と質問した場合において、商品Ａが存在する位置の方から発音されたと聴取し得るステレオ音声信号ＳＴ０が発音出力される。

第４の実施形態によっても、臨場感ある音声を話者（ユーザ）に提供し得る音声応答システムを実現することができる。

また、第４の実施形態によれば、ワンタッチボタンにより、所望する音声応答装置とのリンクの確立を起動できるので、操作性を良好なものとすることができる。

さらに、第４の実施形態によれば、定位位置パラメータとして予め定まっているものを用いるのではなく、通信端末の位置や方位を考慮して決定した定位位置パラメータを用いるようにしたので、話者が音源位置を検索するような音声応答システムの用途の場合にも適切に対応することができる。

（Ｅ）他の実施形態
上記各実施形態の説明においても種々変形実施形態に言及したが、さらに、以下に例示するような変形実施形態を挙げることができる。

上記各実施形態の電話端末（又は通信端末）は、定位位置パラメータの供給方法などが異なるものであったが、複数の定位位置パラメータの供給方法に対応できる電話端末であっても良い。例えば、電話端末及び音声応答装置のリンク確立時のネゴシエーションなどによって、利用する定位位置パラメータの供給方法を決定する。

また、上記各実施形態においては、モノラル音声信号を２チャンネルのステレオ音声信号に変換するものを示したが、２チャンネルより多いチャンネル数のステレオ音声信号に変換するようにしても良い。

さらに、上記各実施形態においては、音声認識部を音声応答装置が備えるものを示したが、閉じた音声応答システムであれば、電話端末（又は通信端末）に音声認識部を設けて認識結果を音声応答装置側に送出するようにしても良い。

さらにまた、上記第１〜第３の実施形態においては、端末が電話端末であるものを示したが、端末は、音声の通信機能を備えているものであれば、電話機能を備えていないものであっても良い。例えば、音声応答装置も通信端末も同一のＬＡＮの要素である場合、端末は電話機能を備えて射なくても良い。

第３の実施形態においては、定位位置パターンを電話端末が固定的に備えているものを示したが、音声応答装置及び電話端末間の通信リンクを確立した直後などに、音声応答装置から電話端末に定位位置パターンをダウンロードして電話端末が定位位置パターンを保持するようにしても良い。ダウンロードのタイミングは上記以外のタイミングであっても良く、また、ダウンロード元が音声応答装置以外の装置であっても良い。

第２の実施形態においては、音声応答装置から電話端末に定位位置パラメータを順次切り替えて与えるものを示したが、第３の実施形態で説明したような１個の定位位置パターンを電話端末に与え、電話端末側において、定位位置パラメータを順次変化させるようにしても良い。

第４の実施形態においては、音声応答装置と位置情報サーバとが別個のものを示したが、同一装置内に、上述した音声応答装置と位置情報サーバとの機能を搭載したものであっても良い。

また、上記第４の実施形態においては、通信端末がＰＢＸサーバの内線端末となってワンタッチボタンのＬＥＤ素子の制御を受け入れるものを示したが、ＰＢＸシステム以外であっても、通信端末のワンタッチボタンのＬＥＤ素子の発光などの制御を、外部装置が制御するという技術思想を適用するようにしても良い。例えば、ＩＰ電話システムにおけるプロキシサーバや登録サーバが上述したＰＢＸサーバと同様な制御機能を担うようにしても良い。また、上述したＰＢＸサーバの機能を、音声応答装置が担当するようにしても良い。例えば、コンテンツが変更された際に、そのコンテンツに係る音声応答装置が、自己をアクセス可能な通信端末のワンタッチボタンのＬＥＤ素子を制御する。

さらに、第４の実施形態の変形例としては、通信端末は、アプリケーションの実行状態から、音声応答モードに移行するようなものであっても良い。

なお、上記各実施形態の説明では言及しなかったが、変換後のステレオ音声信号によって、受聴者により高い定位感を与えることを考慮した場合、音声応答装置からのモノラル音声信号の帯域は７ｋＨｚ程度あることが好ましい。そのため、一般的なアナログ電話回線を利用する場合より、広帯域音声符号化を用いたＩＰ電話回線を適用するシステムに本発明は好適なものである。

第１の実施形態の音声応答システムの全体構成を示すブロック図である。 第１の実施形態の電話端末の定位位置指示部の説明図である。 第２の実施形態の音声応答システムの全体構成を示すブロック図である。 第３の実施形態の音声応答システムの全体構成を示すブロック図である。 第４の実施形態の音声応答システムの全体構成を示すブロック図である。 第４の実施形態の電話端末の外観例を示す斜視図である。

符号の説明

１、１Ａ、１Ｂ、１Ｃ…音声応答システム、２…ネットワーク、１０、１０Ａ、１０Ｂ、１０Ｃ…音声応答装置、１１…音声認識部、１２、１２Ａ、１２Ｂ、１２Ｃ…対話管理部、１３…音声再生部、２０、２０Ａ、２０Ｂ…電話端末、２０Ｃ…通信端末、２１…マイクロフォン、２２Ｒ、２２Ｌ…スピーカ、２３、２３Ａ、２３Ｂ、２３Ｃ…音声通信部、２４…定位位置指示部、２５、２５Ａ、２５Ｂ、２５Ｃ…モノラル／ステレオ変換部、２６…定位位置供給部、２７…自端末位置検出部、２８…自端末方位検出部、２９…定位位置パラメータ形成部、２００−１〜２００−Ｎ…ワンタッチ発信ボタン、２０２…回線制御部、３０…位置情報サーバ、３１…位置情報データベース、４０…ＰＢＸサーバ、４１…キー点灯制御部。

Claims (7)

1. 音声応答装置が通信端末からの要求信号に応じたモノラル音声信号を上記通信端末に送信する音声応答システムにおいて、
   上記通信端末が、
   上記音声応答装置からのモノラル音声信号をステレオ音声信号に変換するモノラル／ステレオ変換手段と、
   変換されたステレオ音声信号を発音出力するステレオ音声出力手段とを有する
   ことを特徴とする音声応答システム。
2. 上記通信端末が、ユーザの操作に応じて、変換後のステレオ音声信号における音源位置を規定する定位位置パラメータを、上記モノラル／ステレオ変換手段に与える定位位置指示手段をさらに有することを特徴とする請求項１に記載の音声応答システム。
3. 上記音声応答装置は、上記通信端末に送信するモノラル音声信号に応じて定まる、変換後のステレオ音声信号における音源位置を規定する定位位置パラメータを、上記通信端末の上記モノラル／ステレオ変換手段に供給する定位位置パラメータ送出手段を有することを特徴とする請求項１に記載の音声応答システム。
4. 上記音声応答装置は、上記通信端末に送信するモノラル音声信号に応じて定まる定位位置パターンの種類情報を、上記通信端末に送出するパターン種類送出手段を有すると共に、
   上記通信端末は、変換後のステレオ音声信号における音源位置を規定する定位位置パラメータの時系列でなる複数の定位位置パターンを保持しており、上記音声応答装置から与えられた種類情報で定まる定位位置パターンの定位位置パラメータを上記モノラル／ステレオ変換手段に順次供給する定位位置供給手段を有する
   ことを特徴とする請求項１に記載の音声応答システム。
5. 上記音声応答装置は、上記通信端末に送信するモノラル音声信号に応じて定まる音源位置情報を、上記通信端末に送出する、又は、上記音源位置情報を外部装置から上記通信端末に送出させる位置情報送出手段を有すると共に、
   上記通信端末は、
   当該通信端末の位置を検出する端末位置検出手段と、
   当該通信端末の方位を検出する端末方位検出手段と、
   上記音声応答装置から与えられた音源位置情報、上記端末位置検出手段から出力された端末位置情報、及び、上記端末方位検出手段から出力された端末方位情報とに基づいて、変換後のステレオ音声信号における音源位置を規定する定位位置パラメータを形成して、上記モノラル／ステレオ変換手段に供給する定位位置パラメータ形成手段とを有する
   ことを特徴とする請求項１に記載の音声応答システム。
6. 複数の上記音声応答装置を備えると共に、
   上記通信端末が、ワンタッチで上記各音声応答装置との通信リンクの確立動作を起動させる、上記各音声応答装置に対応した複数のワンタッチ発信ボタンを有する
   ことを特徴とする請求項１〜５のいずれかに記載の音声応答システム。
7. 上記各ワンタッチ発信ボタンは発光素子を内蔵したものであると共に、
   再生されるモノラル音声信号群が更新された上記音声応答装置に対応するワンタッチ発信ボタンの発光素子を、他のワンタッチ発信ボタンの発光素子と異なる態様で表示させる発光素子制御サーバを有する
   ことを特徴とする請求項６に記載の音声応答システム。

Images