JP2008197338A - 音声認識装置 - Google Patents

Abstract

【課題】ユーザが発話により指定した地名を認識するものにあって、ユーザが必ずしも階層構造の上位から地名の指定を行わずとも、認識可能個数以内の辞書データに基づいて、認識処理を良好に行う。
【解決手段】地名辞書生成部９は、初期状態において、データベース７の最上位階層から複数の階層（全階層）のグループＡ〜Ｅに跨る地名データを抽出し、且つ、そのうち下の階層のグループ（グループＣ、Ｄ、Ｅ）については、認識可能最大個数Ｎを超えないように、該グループ内の、現在地算出部４により入力された現在位置を含む区域に関しての地名データを優先して抽出することにより、現在地地名辞書データを生成する。このとき、現在地地名辞書データには、全国的に有名な地名の特別グループＡ及び「都道府県名」のグループＢの全体が常に含まれる。
【選択図】図１

Description

本発明は、例えばカーナビゲーション装置に組込まれ、ユーザが発話により指定した地名を認識する音声認識装置に関する。

例えば自動車に搭載されるカーナビゲーション装置においては、ルート案内の際の目的地等の地名の指定を、ユーザ（運転者）が音声入力することができる音声認識装置を組込んだものが供されている。このような地名用の音声認識装置は、マイクから入力された入力音声信号を、例えば、ケプストラムデータに変換し、ＤＰマッチング法を用いて標準パターンとの距離が最小となる単語名を地名用の辞書データと照合することに基づいて認識処理を行うようになっている。

この場合、日本全国の全ての地名データを記憶するデータベースには、都道府県名、市区町村名、大字名、小字名を含めて例えば１０万語以上の地名が記憶されているが、それら全ての地名を認識対象とすることは、性能的に不可能な事情があり、音声認識可能なデータ数は、２０００〜３０００程度に制限されている。そこで、従来では、認識対象となる語句（地名）の数を絞り込むために、設定された経路の周辺地域に存在する地名を検索して、それら地名を認識対象とすることが考えられている（例えば特許文献１参照）。

また、別の手法として、対象となる地名を、「都道府県名」、「市区町村名」、「大字名」、「小字名」といった階層に分け、ユーザが、住所の地名を上位階層から下位階層に順に発話していく技術が考えられている（例えば特許文献２参照）。一例をあげると、例えば「愛知県名古屋市中区栄」を指定したい場合には、ユーザは、「愛知県」（都道府県名）、「名古屋市」（市区町村名）、「中区」（大字名）、「栄」（小字名）の順に発話を行うようになっている。
特開平８−２０２３８６号公報 特開平１１−１２５５３３号公報

上記した認識対象となる地名を絞り込むための手法のうち、前者の経路の周辺の地名を認識対象とする手法では、経路が設定されていない場合や、経路周辺以外の地名が発話された場合には、認識できない問題がある。また、後者の、上位階層から順にユーザに発話させるものでは、ユーザが、「都道府県名」から順に地名全体を知っている場合は良いものの、例えば大字名を知らない場合には、地名を特定できない不具合があった。上記の例では、ユーザが、「栄」という地名は知っていても「中区」であることを知らない場合があり、いきなり「栄」と発話しても、音声認識に失敗してしまうことになる。

本発明は上記事情に鑑みてなされたもので、その目的は、ユーザが発話により指定した地名を認識するものにあって、ユーザが、必ずしも階層構造の上位から地名の指定を行わずとも、認識可能個数以内の辞書データに基づいて、認識処理を良好に行うことができる音声認識装置を提供するにある。

上記目的を達成するために、本発明の音声認識装置は、ユーザが発話により指定した地名を認識するものにあって、ユーザが音声入力を行うための音声入力手段と、装置の現在位置のデータを入力する位置データ入力手段と、日本全国の地名データを、行政区画等に従って広域を表す地名から狭域を表す地名まで複数階層にグループ化した状態で記憶するデータベースと、このデータベース中の地名のデータを、認識可能最大個数Ｎ以下となるように抽出して認識用の辞書データを生成する辞書データ生成手段と、前記音声入力手段による入力データを前記辞書データと照合することによって音声認識を行う認識手段とを備えると共に、前記辞書データ生成手段は、未だ地名が指定されていない初期状態においては、最上位階層から複数の階層のグループに跨る地名データを抽出し、且つ、そのうち下の階層のグループについては、前記認識可能最大個数Ｎを超えないように、該グループ内の、前記位置データ入力手段により入力された現在位置を含む区域に関しての地名データを優先して抽出することにより、前記辞書データとして現在地地名辞書データを生成するように構成されているところに特徴を有する（請求項１の発明）。

これによれば、未だ地名が指定されていない初期状態においては、認識手段による音声認識に用いられる辞書データは、複数の階層の地名を含んでいる現在地地名辞書データとされる。このとき、辞書データ生成手段が、辞書データを生成する際には、認識可能最大個数Ｎを越えないようにデータ数を制限する必要があるが、下位の階層に関しては、現在位置に関連性の高い地名が選択的に残されるようにして現在地地名辞書データが生成される。

ここで、下位の階層に属している地名の場合、ユーザの生活圏にある地名、或いは現在ユーザが居る地点の付近の地名については、全く離れた別の地域の地名に比べて、発話（指定）される確率が十分に高いものと考えられるので、ユーザが発話（指定）した地名が含まれる可能性の高い地名データから辞書データを構築することができる。この結果、ユーザが指定したい地名の階層構造を理解していないような場合でも、認識可能個数Ｎ以内の辞書データに基づいて、認識処理を良好に行うことが可能となる。

本発明においては、前記データベースに、第１の階層として「都道府県名」のグループを設けると共に、階層に関係なく全国的に有名な地名やエリア名を含んだ特別なグループを設け、前記辞書データ生成手段を、初期状態においては、特別グループ及び第１階層のグループの全体を含むように現在地地名辞書データを生成するように構成することができる（請求項２の発明）。特別グループ及び第１階層のグループは、指定される確率が最も高いものであるため、これらを含むように現在地地名辞書データを構築することにより、認識処理を良好に行うことができる。

前記辞書データ生成手段が現在地地名辞書データを生成するにあたり、全ての階層のグループに跨るようにすることもできる（請求項３の発明）。これにより、ユーザがいきなり下位の階層の地名を指定した場合でも、現在位置に関連する地名であれば認識処理が可能となり、より広く対応することができる。

前記辞書データ生成手段を、上位の階層における地名の指定があった場合に、当該地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとして指定地域辞書データを生成するように構成することもできる（請求項４の発明）。これにより、ユーザが階層的に地名を指定する場合に、辞書データを、次に指定される確率が十分に高い地名から構成することができる。

前記音声入力手段により、複数の地名を含んだ音声入力があった場合には、前記認識手段により、最初の地名の認識処理を前記現在地地名辞書データを用いて実行し、最初の地名が認識された場合には、前記辞書データ生成手段により、認識された地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとしての指定地域辞書データを生成し、辞書データを当該指定地域辞書データに切替えた上で前記認識手段による次の地名の認識処理が行われるように構成しても良い（請求項５の発明）。ユーザが、広域と狭域との複数の地名を含んだ発話を一度に行っても、認識処理を良好に行うことが可能となる。

また、ユーザとの対話により広域地名を確認する対話手段を設け、上記した手法による地名の認識処理が失敗した場合には、この対話手段により広域地名を確認した後に、前記辞書データ生成手段により、当該広域地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとしての指定地域辞書データを生成し、辞書データを当該指定地域辞書データに切替えた上で前記認識手段による認識処理を再度おこなうように構成することもできる（請求項６の発明）。これにより、初期における認識処理の失敗をカバーしながら、認識処理を進めていくことが可能となる。

以下、本発明の一実施例について、図面を参照しながら説明する。尚、この実施例では、本実施例に係る音声認識装置を、自動車等の車両に搭載されるカーナビゲーション装置に組込んで構成した場合を例としている。まず、詳しく図示はしないが、本実施例に係る音声認識装置１（図１参照）が組込まれたカーナビゲーション装置の全体構成について簡単に述べておく。

カーナビゲーション装置は、位置検出器２、地図データベース、操作スイッチ群、これらに接続されたマイクロコンピュータを主体としてなる制御装置（ナビＥＣＵ）３、この制御装置３に接続された外部メモリ、例えばフルカラー液晶ディスプレイからなる表示装置、外部（例えばＶＩＣＳセンタ）との間で通信を行う通信装置、並びに、本実施例に係る音声認識装置１を備えて構成されている。

そのうち位置検出器２は、周知構成の地磁気センサ、ジャイロセンサ、距離センサ、及び、衛星からの電波に基づいて車両の位置を検出するＧＰＳ（Global Positioning System ）のためのＧＰＳ受信機などから構成されており、それらからの信号は、制御装置３の現在地算出部４に入力されるようになっている。現在地算出部４は、それらの信号から、車両の現在位置、進行方向、速度や走行距離等を高精度で検出するようになっている。この場合、位置検出器２及び現在地算出部４から、位置データ入力手段が構成されるようになっている。

前記地図データベースは、道路地図データや、位置検出の精度向上のための所謂マップマッチング用データ等を含む各種データを記憶した記憶媒体からデータを入力するためのドライブ装置からなり、その記憶媒体としては、例えばＣＤ−ＲＯＭやＤＶＤ等の大容量記憶媒体が用いられる。尚、前記道路地図データは、道路形状、道路幅、道路名、建造物、各種施設、それらの電話番号、地名、地形等のデータを含むと共に、その道路地図を前記表示装置の表示画面上に再生するためのデータを含んで構成されている。

前記操作スイッチ群は、ユーザ（運転者）が、目的地の指定や、表示装置に表示される道路地図の選択等の各種のコマンドを入力するためのもので、前記表示装置の画面上に設けられたタッチパネルや、表示装置の近傍に設けられた各種のメカニカルスイッチから構成されている。

前記表示装置の画面には、各種縮尺の道路地図が表示されると共に、その表示に重ね合わせて、車両の現在位置及び進行方向を示すポインタが表示されるようになっている。また、ユーザが目的地などを入力するための各種の入力用画面や、各種のメッセージやインフォメーション等も表示されるようになっている。さらには、目的地までの案内を行なうルートガイダンス機能の実行時には、道路地図に重ね合わせて進むべき経路等が表示されるようになっている。

そして、前記制御装置３は、上述のように、地図データベースからの道路地図データに基づいて表示装置に道路地図を表示させると共に、位置検出器２の検出に基づいて車両の現在位置及び進行方向を示すポインタを表示させるようになっている。このとき、車両の現在位置を道路上にのせるマップマッチングが行なわれるようになっている。また、ユーザのコマンド入力に基づいて、表示装置に表示させる地図の種類（縮尺）の切替え等を行なうようになっている。

さらに、制御装置３は、ユーザによる目的地の入力に基づいて、自動ルート探索及びルートガイダンスの機能を実行するようになっている。詳しい説明は省略するが、自動ルート探索の機能は、車両の現在位置からユーザにより入力された目的地までの推奨する走行経路を自動的に算出するものであり、ルートガイダンスの機能は、上述のように、表示装置の画面にその走行経路を表示して目的地まで案内するものであり、このとき、後述する音声認識装置１の音声合成の機能を用いて、例えば「２００ｍ先の交差点を左です」といった音声をスピーカ５から出力させる音声案内も併せて行うことができるようになっている。

図１は、本実施例に係る音声認識装置１の構成を概略的に示している。音声認識装置１は、上記カーナビゲーション装置に対する目的地などの指示を、前記操作スイッチ群の手動操作に代えて、ユーザ（運転者）が前を見たまま音声入力することによって、同様に行なうことができるようにし、安全性，利便性を向上させるための装置として設けられている。

この音声認識装置１は、前記制御装置３、この制御装置３に接続された前記スピーカ５、ユーザが音声を入力するための音声入力手段たるマイクロホン６（以下単に「マイク６」という）、地名データを記憶するデータベース７、照合用の辞書データが書換え可能に構築される辞書データメモリ８を備えている。尚、図示はしないが、前記マイク６は、車両の例えばステアリングコラムカバーの上面部や運転席側のサンバイザー等の運転者の音声を拾いやすい位置に設けられるようになっている。

そして、前記制御装置３は、ＣＰＵ，ＲＯＭ，ＲＡＭ等からなるマイクロコンピュータを主体として構成され、音声認識装置１の制御部を兼用している。このとき、制御装置３は、その機能構成（ソフトウエア構成及びハードウエア構成）によって、辞書データ生成手段としての地名辞書生成部９、並びに、認識手段としての音声認識エンジン１０を備えている。また、図示はしないが、制御装置３には、合成音声をスピーカ５から発声させるための音声合成部や、ユーザとの対話を行うための対話手段としての対話制御部が設けられている。

前記データベース７には、日本全国の地名のデータが記憶されている。このデータベース７に記憶されている地名データは、行政区画等に従って、広域を表す地名から狭域を表す地名まで複数階層にグループ化されている。具体的には、図３〜図９等に示すように、上の階層から順に、「都道府県名」のグループＢ、「市区町村名」のグループＣ、「大字名」のグループＤ、「小字名」のグループＥに階層化されている。

さらに、本実施例では、データベース７には、行政区画の種別に関係のない特別な階層（グループ）として、全国的に有名な地名やエリア名を含んだ特別グループＡが設けられている。行政区画上に存在する有名な地名については、上記グループＢ〜Ｅと重複して記憶されている。また、前記エリア名とは、行政区画上の地名以外の、複数の県を含む広域の地域名や、特定地域の慣用的な呼び名、例えば、「首都圏」、「東北」、「四国」、「湘南」などを意味している。ちなみに、この特別グループＡの地名の数は、１４３８個となっている。

前記地名辞書生成部９は、前記データベース７中の地名のデータを、認識可能最大個数Ｎ（例えば３０００）以下となるように抽出して辞書データメモリ８に認識用の辞書データを生成するようになっている。この地名辞書生成部９には、前記現在地算出部４からの現在位置のデータが入力されるようになっている。本実施例では、この地名辞書生成部９は、辞書データとして、現在地地名辞書データ（図３（ａ）等参照）及び指定地域辞書データ（図３（ｂ）等参照）を生成する（自在に切替える）ようになっている。この辞書データの生成の詳細については後述する。

前記音声認識エンジン１０は、前記マイク６からの入力データを前記辞書データと照合することによって音声認識を行うものである。周知のように、この音声認識は、前記マイク６から入力された音声入力信号を、例えば数１０ｍｓ程度間隔のフレーム信号として切出し、各フレーム信号をフーリエ変換して短時間パワースペクトルデータとし、その短時間スペクトルデータを対数化し更に逆フーリエ変換して各フレーム信号に関するケプストラムを求め、ケプストラム時系列を単語単位に切出し、例えばＤＰマッチング法を用いて標準パターン（テンプレート）とのマッチングを行ない、標準パターンとの距離が最小となる単語名を辞書データと照合することにより行われる。

尚、音声認識エンジン１０は、音声認識結果を、カーナビゲーション装置における自動ルート探索の目的地等のデータとして出力すると共に、その音声認識結果に基づいて、前記音声合成部に応答音声（トークバック）の発声の指示を行なうようになっている。また、本実施例では、前記対話制御部により、ユーザとの対話を実行し地名（広域地名）の確認処理ができるようになっている。

さて、上記構成の音声認識装置１により、ユーザ（車両の運転者）は、発話により目的地の地名を指定することができるのであるが、詳しくは後の作用説明で述べるように、前記地名辞書生成部９は、未だ地名が指定されていない初期状態においては、データベース７の最上位階層から複数の階層（全階層）のグループＡ〜Ｅに跨る地名データを抽出し、且つ、そのうち下の階層のグループ（グループＣ、Ｄ、Ｅ）については、認識可能最大個数Ｎを超えないように、該グループ内の、前記現在地算出部４により入力された現在位置を含む区域に関しての地名データを優先して抽出することにより、現在地地名辞書データを生成するように構成されている。このとき、現在地地名辞書データには、前記特別グループＡ及び「都道府県名」のグループＢの全体が常に含まれるようになっている。

そして、上位の階層における地名の指定があった場合には、前記地名辞書生成部９は、当該地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとして指定地域辞書データを生成し、切替えるようになっている。また、マイク６から複数の地名を含んだ音声入力があった場合には、前記音声認識エンジン１０は、最初の地名の認識処理を前記現在地地名辞書データを用いて実行し、最初の地名が認識された場合には、辞書データが前記地名辞書生成部９により生成された指定地域辞書データ切替えられた上で次の地名の認識処理を行うようになっている。

さらに、音声認識エンジン１０による地名の認識処理が失敗した場合に、対話制御部の対話機能により、ユーザと対話して広域地名を確認し、前記地名辞書生成部９により、当該広域地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データが抽出されて指定地域辞書データが生成され、音声認識エンジン１０により、その指定地域辞書データを用いて再度認識処理が行われるようになっている。

次に、上記構成の作用について、図２ないし図８も参照して述べる。まず、例えば、認識可能最大個数Ｎを３０００とした場合の、上記現在地地名辞書データ、並びに、指定地域辞書データの具体例について述べる。図３（ａ）は、車両の現在位置が、「愛知県名古屋市中区栄」にある場合の、現在地地名辞書データの構造を示している。

ここで、上記のように、現在地地名辞書データには、常に、特別グループＡ（１４３８件）及び「都道府県名」のグループＢ（４７件）が含まれる。次に、「市区町村名」のグループＣについては、現在地のある都道府県（愛知県）下の市区町村名のデータ（６５件）が抽出され、現在地地名辞書データに採用される。「大字名」のグループＤについては、愛知県全体のデータ（Ｄ１）では５３０６個もの膨大な数（全体でＮを越える）となるため、階層を１段下げて、現在地のある市区町村（名古屋市）下の大字名のデータ（Ｄ２）が抽出され、現在地地名辞書データに採用される。

「小字名」のグループＥについては、やはり愛知県全体のデータ（Ｅ１）では膨大な数となり、階層を１段下げて名古屋市全体のデータ（Ｅ２）を採用しても、やはり全体でＮを越えるため、階層を２段下げて、現在地のある大字（中区）下の小字名のデータ（Ｅ３）が抽出され、現在地地名辞書データに採用される。これにより、全体のデータの個数（１６６６件）が認識可能最大個数Ｎ（３０００）以下である現在地地名辞書データが生成される。

図４は、現在地地名辞書データの生成の手法をまとめたものである。図４（ａ）に示すように、グループＡからグループＣと、現在地のある都道府県下の大字名のデータ（Ｄ１）及び現在地のある都道府県下の小字名のデータ（Ｅ１）との、地名データの個数の和がＮ以下であれば、それらを抽出した現在地地名辞書データが生成される。これに対し、上記地名データの個数の和がＮを超えた場合、図４（ｂ）に示すように、グループＥに関して、現在地のある市区町村下の小字名のデータ（Ｅ２）に置換えたときに合計のデータの個数がＮ以下となる場合には、グループＥに関してはＥ２のデータを抽出して現在地地名辞書データが生成される。

グループＥに関して現在地のある市区町村下の小字名のデータ（Ｅ２）に置換えたにも拘らず、合計のデータ数がＮを超える場合には、図４（ｃ）に示すように、グループＤに関しても、現在地のある都道府県下の大字名のデータ（Ｄ１）から、現在地のある市区町村下の大字名のデータ（Ｄ２）に置換えられ、それらを抽出した現在地地名辞書データが生成されるようになっている。尚、これでも合計のデータ数がＮを超える場合には、図３（ａ）のように、グループＥに関して現在地のある大字下の小字名のデータ（Ｅ３）に置換えられる。このようにして、車両の現在位置に関連性の高い地名が選択的に残されるようにして、認識可能最大個数Ｎ以下の現在地地名辞書データが生成されるのである。

次に、図３（ｂ）は、都道府県名（神奈川県）、或いは、市区町村名（横浜市）が指定（確認）された場合に、地名辞書生成部９が生成する指定地域辞書データの構成の具体例を示している。この指定地域辞書データは、指定された地名の属する階層よりも下の階層の地名データをやはり認識可能最大個数Ｎ（３０００）以下となるように抽出することにより生成される。

今、「神奈川県」が既に指定された場合には、「市区町村名」のグループＣについては、指定された都道府県（神奈川県）下の市区町村名の全データ（３７件）が抽出され、指定地域辞書データに採用される。「大字名」のグループＤについては、神奈川県全体のデータ（Ｄ１）を抽出してもＮを越えないため、神奈川県全体のデータ（Ｄ１）が指定地域辞書データに採用される。「小字名」のグループＥ（Ｅ１）については、全体でＮを超えてしまうので、指定地域辞書データには採用されないものとなる。

「横浜市」が既に指定された場合には、「大字名」のグループＤについては、横浜市下の大字名のデータ（Ｄ２）が抽出され、指定地域辞書データに採用される。「小字名」のグループＥについては、横浜市下の小字名のデータ（Ｅ２）を採用しても、全体でＮを越えないので、そのまま指定地域辞書データに採用される。これにより、やはり、全体のデータの個数（１１４９件或いは２３２７件）が認識可能最大個数Ｎ（３０００）以下である指定地域辞書データ生成される。

図５、図６、図７は、指定地域辞書データの生成の手法をまとめたものであり、図５は「都道府県名」が指定された場合、図６は「市区町村名」が指定された場合、図７は「大字名」が指定された場合を夫々示している。詳しい説明は省略するが、全体のデータ数が認識可能最大個数Ｎ以下となり、且つ、極力複数階層に跨るように指定地域辞書データが生成される。尚、指定された大字下での小字名のデータ（Ｅ３）については、現状の認識可能最大個数Ｎ（３０００）を超えることはありえない。

さて、図２のフローチャートは、本実施例において音声認識装置１が実行する、地名を音声認識する際の処理手順の具体例を示している。上記のように、未だ地名が指定されていない初期状態においては、地名辞書生成部９により、現在地算出部４から入力される現在地のデータに基づいて、辞書データメモリ８内に現在地地名辞書データが生成される。この場合、車両が走行しているときには、現在位置は時間と共に変動するが、それに伴って辞書データメモリ８内の現在地地名辞書データも逐次書替えられていくようになる。

今、ユーザ（運転者）が、目的地を指定すべく地名を発話した場合には、マイク６からの音声データが入力される（ステップＳ１）。次のステップＳ２では、音声認識エンジン１０により、現在地地名辞書データを用いた音声認識が行われる。この場合、現在地地名辞書データには、有名な地名の特別グループＡ及び「都道府県名」のグループＢが含まれるので、ユーザが、指定したい地名の住所を上位階層から順に知っていて「愛知県」など都道府県名を発話した場合に、音声認識が可能となることは勿論、例えば「横浜」、「湘南」、「新宿」、「首都圏」といった有名な地名やエリア名であれば、音声認識が可能となる。

そして、ユーザがいきなり市区町村名や大字名、小字名といった下位の階層に属している地名を発話（指定）した場合でも、現在地地名辞書データには、「市区町村名」、「大字名」、「小字名」のグループＣ、Ｄ、Ｅに関しても、現在位置に関連の深い（現在位置付近の）地名のデータが含まれているので、ある程度の認識が可能となる。このとき、下位の階層に属している地名の場合、ユーザの生活圏にある地名、或いは現在ユーザが居る地点の付近の地名については、全く離れた別の地域の地名に比べて、発話（指定）される確率が十分に高いものと考えられる。

ステップＳ３は、ステップＳ２の音声認識の結果を判断するステップであり、認識成功、認識失敗、一部認識の３つの判断がなされる。音声認識が成功した場合には、ステップＳ４にて、地名の特定が成功したとして処理を終了する。尚、目的地入力の場合には、ユーザにより例えば「愛知県」といった広域の地名が発話されたとすると、引続き、「名古屋市」、「中区」といったように、音声入力が階層的に行われるので、指定された地名（この場合愛知県）に関する指定地域辞書データに切替えられた上で、音声入力、音声認識の処理が繰返される。

これに対し、ユーザが、現在位置から離れ且つ他の都道府県の下位の階層（市や大字）の有名でない地名を発話した場合、現在地地名辞書データを用いた認識処理では認識が失敗してしまう（ステップＳ３で「認識できず」）。このような場合には、次のステップＳ５にて、対話による都道府県・エリア名の確認の処理が実行される。この対話処理は、ユーザに、ステップＳ１にて発生した地名の属する都道府県・エリア名を聞きだすようにして行われ、確認できたならば、次のステップＳ６に進む。

また、ステップＳ３にて一部認識と判断された場合にも、ステップＳ６に進む。ここでいう一部認識とは、例えばユーザが複数の地名を含んだ発話（音声入力）を行った場合など、一部（最初）地名が認識されることをいう。具体例をあげると、図８に示すように、ユーザが、「三重の白子」或いは「湘南の鵠沼」等と発話した場合がこれに相当し、現在地地名辞書データを用いて、「三重県」或いは「湘南」を認識することができるが、「白子」、「鵠沼」は認識できない。この場合、都道府県名（三重県）或いはエリア名（湘南）は確認されることになるので、それら確認された都道府県・エリア名に関する指定地域辞書データを用いて、以下、後半部の音声認識が行われることになる。

図２に戻って、ステップＳ６では、地名辞書生成部９により、辞書データが、確認された都道府県・エリア名に関する指定地域辞書データに切替えられた上で、再度、音声認識エンジン１０による音声認識（照合）の処理が実行される。この場合、ステップＳ１でユーザが発話した下位の階層の地名の属する都道府県が確認され、その都道府県に関する指定地域辞書データに切替えられているので、認識処理が良好に行われる。次のステップＳ７では、認識成功か、認識失敗かの判断がなされる。認識成功の場合には、ステップＳ４にて、地名の特定が成功したとして処理が終了される。

ステップＳ７にて、認識失敗と判断された場合には、次のステップＳ８にて、ステップＳ６の認識処理に用いた辞書データ（指定地域辞書データ）に、当該都道府県の全小字名のデータが含まれていたかどうかが判断される。全部の小字名のデータが含まれていたにも拘らず、認識に失敗した場合には、ステップＳ９に進み、地名が特定できなかった（エラー）として処理が終了される。一方、指定地域辞書データに、全ての小字名のデータが含まれていなかった場合には、ステップＳ１０に進み、今度は、対話による市区町村名の確認の処理が実行される。

市区町村名が確認されると、ステップＳ１１にて、地名辞書生成部９により、辞書データが、確認された市区町村名に関する指定地域辞書データに切替えられた上で、みたび、音声認識エンジン１０による音声認識（照合）の処理が実行される。但し、この場合も、指定地域辞書データに、その市区町村の全ての小字名が含まれているとは限らないため、認識処理に失敗する虞がある。ステップＳ１２では、認識が成功したかどうかが判断され、認識成功の場合には、ステップＳ４にて、地名の特定が成功したとして処理が終了される。

このステップＳ１２でも、認識失敗と判断された場合には、ステップＳ１３にて、ステップＳ１１の認識処理に用いた辞書データ（指定地域辞書データ）に、当該市区町村の全小字名のデータが含まれていたかどうかが判断される。全部の小字名のデータが含まれていたにも拘らず、認識に失敗した場合には、ステップＳ９に進み、地名が特定できなかった（エラー）として処理が終了される。

指定地域辞書データに、全ての小字名のデータが含まれていなかった場合には、ステップＳ１４に進み、今度は、対話による大字名の確認の処理が実行される。そして、大字名が確認されると、ステップＳ１５にて、地名辞書生成部９により、辞書データが、確認された大字名に関する指定地域辞書データ（その大字下の全ての小字名のデータ）に切替えられた上で、音声認識エンジン１０による音声認識（照合）の処理が実行される。

ステップＳ１６では、認識が成功したかどうかが判断され、認識成功の場合には、ステップＳ４にて、地名の特定が成功したとして処理が終了され、認識失敗の場合には、ステップＳ９に進み、地名が特定できなかった（エラー）として処理が終了される。尚、地名が特定できなかった場合（ステップＳ９）、ユーザの発話に誤り等があったことも考えられるので、ユーザに再度の発話を促すような音声出力が行われる。

このように本実施例によれば、初期状態における照合用の辞書データとして、全国的有名な地名のグループＡを含むと共に、現在地算出部４が算出した現在位置を含む区域に関しての下位の階層までの地名を含んだ現在地地名辞書データを生成するように構成した。これにより、ユーザが階層的な地名を知らずに、いきなり下位の階層に属する地名を発話した場合でも、ユーザが発話（指定）した地名が含まれる可能性の高い地名データから現在地地名辞書データを構築することができる。

この結果、ユーザが指定したい地名の階層構造を理解していないような場合でも、認識可能個数Ｎ以内の辞書データに基づいて、認識処理を良好に行うことが可能となるという優れた効果を得ることができる。また、特に本実施例では、上位の階層における地名の指定があった場合に、辞書データとして指定地域辞書データを生成し切替えるように構成したので、認識処理をより一層良好に行うことができるものである。

尚、本発明は上記実施例に限定されるものではなく、例えば、カーナビゲーション装置に限定されず、例えばパソコン等の情報機器に組込まれる音声認識装置全般に適用することができる。この場合、現在位置の位置データをユーザが入力するような構成としても良い。さらには、現在地地名辞書データの構造、指定地域辞書データの構造、認識可能個数Ｎ等についても、一例を示したに過ぎず、適宜変更することが可能である等、本発明は要旨を逸脱しない範囲内で適宜変更して実施し得るものである。

本発明の一実施例を示すもので、音声認識装置の構成を概略的に示すブロック図 音声認識処理の処理手順を示すフローチャート 現在地地名辞書データ（ａ）及び指定地域辞書データ（ｂ）の具体例を示す図 現在地地名辞書データの生成の手法を説明するための図 「都道府県名」が指定された場合の指定地域辞書データの生成の手法を説明するための図 「市区町村名」が指定された場合の指定地域辞書データの生成の手法を説明するための図 「大字名」が指定された場合の指定地域辞書データの生成の手法を説明するための図 ユーザが複数の地名を含んだ発話（音声入力）を行った場合のデータの切替えの様子を示す図

符号の説明

図面中、１は音声認識装置、２は位置検出器、３は制御装置、４は現在地算出部（位置データ入力手段）、６はマイクロホン（音声入力手段）、７はデータベース、８は辞書データメモリ、９は地名辞書生成部（辞書データ生成手段）、１０は音声認識エンジン（認識手段）を示す。

Claims (6)

1. ユーザが発話により指定した地名を認識する音声認識装置であって、
   ユーザが音声入力を行うための音声入力手段と、
   装置の現在位置のデータを入力する位置データ入力手段と、
   日本全国の地名データを、行政区画等に従って広域を表す地名から狭域を表す地名まで複数階層にグループ化した状態で記憶するデータベースと、
   このデータベース中の地名のデータを、認識可能最大個数Ｎ以下となるように抽出して認識用の辞書データを生成する辞書データ生成手段と、
   前記音声入力手段による入力データを前記辞書データと照合することによって音声認識を行う認識手段とを備えると共に、
   前記辞書データ生成手段は、未だ地名が指定されていない初期状態においては、最上位階層から複数の階層のグループに跨る地名データを抽出し、且つ、そのうち下の階層のグループについては、前記認識可能最大個数Ｎを超えないように、該グループ内の、前記位置データ入力手段により入力された現在位置を含む区域に関しての地名データを優先して抽出することにより、前記辞書データとして現在地地名辞書データを生成するように構成されていることを特徴とする音声認識装置。
2. 前記データベースには、第１の階層として「都道府県名」のグループが設けられていると共に、階層に関係なく全国的に有名な地名やエリア名を含んだ特別なグループが設けられており、前記辞書データ生成手段は、前記初期状態においては、前記特別グループ及び第１階層のグループの全体を含むように現在地地名辞書データを生成することを特徴とする請求項１記載の音声認識装置。
3. 前記辞書データ生成手段は、前記現在地地名辞書データを、全ての階層のグループに跨るように生成することを特徴とする請求項１又は２記載の音声認識装置。
4. 前記辞書データ生成手段は、上位の階層における地名の指定があった場合には、当該地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとして指定地域辞書データを生成するように構成されていることを特徴とする請求項１ないし３のいずれかに記載の音声認識装置。
5. 前記音声入力手段から複数の地名を含んだ音声入力があった場合には、前記認識手段は、最初の地名の認識処理を前記現在地地名辞書データを用いて実行し、最初の地名が認識された場合には、前記辞書データ生成手段により、認識された地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとしての指定地域辞書データが生成され、辞書データが当該指定地域辞書データに切替えられた上で前記認識手段による次の地名の認識処理が行われることを特徴とする請求項１ないし３のいずれかに記載の音声認識装置。
6. 前記認識手段による地名の認識処理が失敗した場合に、ユーザとの対話により広域地名を確認する対話手段を備え、この対話手段により広域地名が確認できた場合には、前記辞書データ生成手段により、当該広域地名の地域に関して、当該地名が属するグループの階層よりも下の階層の地名データを抽出して前記辞書データとしての指定地域辞書データが生成され、辞書データが当該指定地域辞書データに切替えられた上で前記認識手段による認識処理が再度行われることを特徴とする請求項１ないし５のいずれかに記載の音声認識装置。

Images