JP2014021494A - 音声認識エラー修正方法及びそれを適用した放送受信装置 - Google Patents

Abstract

【課題】 本発明の目的とするところは、放送受信装置が誤認識した音声認識結果をユーザ所望の方向により正確に修正するための音声認識エラー修正方法及びそれを適用した放送受信装置を提供することにある。
【解決手段】 音声認識エラー修正方法及びそれを適用した放送受信装置が提供される。本放送受信装置の音声認識エラー修正方法は、ユーザ音声が入力されると、ユーザ音声を認識してユーザ音声に対応するテキストを判断し、判断されたテキストを修正するためのユーザ命令が入力されると、テキストを構成する形態素とインディケータ（ｉｎｄｉｃａｔｏｒ）とがマッチングされたテキスト修正ＵＩをディスプレイし、テキスト修正ＵＩのインディケータを選択して判断されたテキストのうち少なくとも一つの形態素を修正する。それにより、放送受信装置が誤認識された単語をユーザ所望の単語に正確に修正することができるようになる。
【選択図】 図７

Description

本発明は、音声認識エラー修正方法及びそれを適用した放送受信装置に関し、より詳細には、対話型音声認識システムで誤認識された音声を修正する音声認識エラー修正方法及びそれを適用した放送受信装置に関する。

近来の放送受信装置が次第に多機能化及び高度化することにより、放送受信装置を制御するための多様な入力方法が開発されてきた。例えば、マウスを利用した入力方法、タッチパッドを利用した入力方法及びモーションセンシングリモコンを利用した入力方法等が開発されてきた。

特に、多様な入力方法の中でも、ユーザがより簡単に放送受信装置を制御するために、ユーザの音声を認識してディスプレイ装置を制御する音声認識方法が脚光を浴びている。

しかし、ユーザの発話した音声を認識して放送受信装置を制御する場合、人それぞれの口腔の構造及び発音の違いにより、１００％満足のいく結果を得ることができないことが多かった。

すなわち、放送受信装置がユーザの発話した音声を誤認識する場合、ユーザ所望の方向に放送受信装置を制御することができなくなったり、所望のコンテンツを検索することができないという問題が発生するようになる。なお、放送受信装置がユーザの発話した特定単語を誤認識した場合、ユーザが再度特定単語を発話するとしても、放送受信装置は特定単語を再び誤認識する確率が高いという問題点が存在する。

よって、放送受信装置が誤認識した音声認識結果を修正するための効率的な音声認識エラー修正方策への模索が求められる。

米国特開第２００８−００５２０７３号公報 韓国特開第２００６−００５７９２１号公報 日本特開第２００１−１５７１３７号公報 米国登録特許第７７２９９０４号

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、放送受信装置が誤認識した音声認識結果をユーザ所望の方向により正確に修正するための音声認識エラー修正方法及びそれを適用した放送受信装置を提供することにある。

前記目的を達成するための本発明の一実施形態に係る放送受信装置の音声認識エラー修正方法は、ユーザ音声が入力されると、前記ユーザ音声を認識して前記ユーザ音声に対応するテキストを判断するステップと、前記判断されたテキストを修正するためのユーザ命令が入力されると、前記テキストを構成する形態素とインディケータ（ｉｎｄｉｃａｔｏｒ）とがマッチングされたテキスト修正ＵＩをディスプレイするステップと、前記テキスト修正ＵＩのインディケータを選択して前記判断されたテキストのうち少なくとも一つの形態素を修正するステップとを含む。

そして、前記修正するステップは、前記インディケータを用いて交換対象形態素が選択された場合、前記交換対象形態素の候補形態素をディスプレイするステップと、前記候補形態素のいずれか一つが選択されると、前記交換対象形態素を前記選択された候補形態素に修正するステップとを含んでよい。

なお、前記候補形態素をディスプレイするステップは、前記候補形態素の一側に前記候補形態素に対応するインディケータを同時にディスプレイしてよい。

そして、前記候補形態素に修正するステップは、前記候補形態素のインディケータのいずれか一つが選択されると、前記交換対象形態素を前記選択されたインディケータに対応する候補形態素に修正してよい。

なお、前記インディケータは、数字及び文字のいずれか一方であってよい。

そして、前記判断するステップは、前記ユーザ音声が入力されると、前記ユーザ音声をアナログ信号からデジタル信号に変換するステップと、前記変換されたデジタル信号を外部のサーバに伝送するステップと、前記サーバから前記デジタル信号に対応するテキスト情報を受信するステップとを含んでよい。

なお、前記サーバに保存された言語モデル及び音響モデルをアップデートするために、前記修正するステップの修正結果を前記サーバに伝送するステップを含んでよい。

一方、前記目的を達成するための本発明の一実施形態に係る放送受信装置は、ユーザ音声を入力される音声入力部と、ディスプレイ部と、前記音声認識部を介してユーザ音声が入力されると、前記ユーザ音声を認識して前記ユーザ音声に対応するテキストを判断し、前記判断されたテキストを修正するためのユーザ命令が入力されると、前記テキストを構成する形態素とインディケータ（ｉｎｄｉｃａｔｏｒ）とがマッチングされたテキスト修正ＵＩをディスプレイし、前記テキスト修正ＵＩのインディケータを選択して前記判断されたテキストのうち少なくとも一つの形態素を修正するように前記ディスプレイ部を制御する制御部とを含む。

そして、前記制御部は、前記インディケータを用いて交換対象形態素が選択された場合、前記交換対象形態素の候補形態素をディスプレイし、前記候補形態素のいずれか一つが選択されると、前記交換対象形態素を前記選択された候補形態素に修正するように前記ディスプレイ部を制御してよい。

なお、前記制御部は、前記候補形態素の一側に前記候補形態素に対応するインディケータを同時にディスプレイするように前記ディスプレイ部を制御してよい。

そして、前記制御部は、前記候補形態素のインディケータのいずれか一つが選択されると、前記交換対象形態素を前記選択されたインディケータに対応する候補形態素に修正するように前記ディスプレイ部を制御してよい。

なお、前記インディケータは、数字及び文字のいずれか一方であってよい。

そして、外部のサーバと通信を行う通信部を更に含み、前記制御部は、前記音声入力部を介してユーザ音声が入力されると、前記ユーザ音声をアナログ信号からデジタル信号に変換し、前記通信部を介して前記変換されたデジタル信号を外部のサーバに伝送し、前記サーバから前記デジタル信号に対応するテキスト情報を受信して前記テキスト情報を判断してよい。

なお、前記制御部は、前記サーバに保存された言語モデル及び音響モデルをアップデートするために、前記修正するステップの修正結果を前記サーバに伝送するように前記通信部を制御してよい。

以上説明したように、本発明によれば、インディケータを用いて誤認識されたテキストを修正することにより、ユーザは音声認識エラー修正時に再び誤認識されることを防止することができるようになる。

本発明の一実施形態に係る対話型音声認識システムの構成を示す図である。 本発明の一実施形態に係る放送受信装置のブロック図を概略に示す図である。 本発明の一実施形態に係る放送受信装置のブロック図を詳細に示す図である。 本発明の一実施形態に係るテキスト修正ＵＩを用いて誤認識された単語を修正する過程を示す図である。 本発明の一実施形態に係るテキスト修正ＵＩを用いて誤認識された単語を修正する過程を示す図である。 本発明の一実施形態に係るテキスト修正ＵＩを用いて誤認識された単語を修正する過程を示す図である。 本発明の一実施形態に係る音声認識エラー修正方法を説明するためのフローチャートである。

以下に添付図面を参照しながら、本発明の好適な実施形態について詳細に説明する。

図１は、本発明の一実施形態に係る対話型音声認識システム１０を示す図である。図１に示すように、対話型音声認識システム１０は、放送受信装置１００と、音声認識のための第１サーバ２００及び第２サーバ３００を含む。ここで、放送受信装置１００は、スマートテレビのような装置であってよいが、それは一実施形態に過ぎず、スマートフォンのような携帯電話、デスクトップ、セットトップボックス、ノートパソコン、ナビゲーション等のような多様な電子装置で実現されてよい。

音声入力装置によってユーザ音声が入力されると、放送受信装置１００は入力されたユーザの音声をデジタル信号に変換し、デジタル信号のノイズを除去した後、第１サーバ２００に伝送する。放送受信装置１００からデジタル信号が受信されると、第１サーバ２００は、言語モデル、音響モデルおよび発音辞書を用いて受信されたユーザの音声に対応するデジタル信号をテキスト情報に変換し、テキスト情報を放送受信装置１００に伝送する。

そして、放送受信装置１００は、第１サーバ２００から受信されたテキスト情報を第２サーバ３００に伝送する。放送受信装置１００からテキスト情報が受信されると、第２サーバ３００は受信されたテキスト情報に対応する応答情報を生成して放送受信装置１００に伝送する。このとき、応答情報には、ユーザ音声に対応する応答メッセージ、制御信号及びコンテンツ検索結果のうち、少なくとも一つを含んでよい。応答メッセージは、ユーザと対話するのと同様に、ユーザ音声に応答するテキスト情報である。例えば、ユーザ音声が“○○○を検索してくれる”の場合、応答メッセージは、“検索してあげる”というようなユーザ音声に応答するテキスト情報であってよい。制御信号は、ユーザ音声に対応する放送受信装置１００を制御するための信号である。例えば、ユーザ音声が“チャネルを○○○（チャネル名）に変えて”の場合、制御信号は放送受信装置１００のチューナがユーザ音声に対応するチャネルを選局するように制御する信号であってよい。コンテンツ検索結果は、ユーザのコンテンツ検索要求に応答する情報である。例えば、ユーザ音声が“○○○（映画タイトル）の主人公は誰”の場合、コンテンツ検索結果はユーザ音声に対応する映画の主人公検索結果情報である。

放送受信装置１００は、応答情報に基づいて、ユーザの音声に対応する多様な機能を実行することができる。例えば、放送受信装置１００は、チャネル変更のためのユーザの音声が入力されると、当該チャネルを選局してディスプレイすることができる。この場合、放送受信装置１００は、当該機能に対応する応答メッセージを同時に提供することもできる。上述の例の場合、放送受信装置１００は、変更されたチャネルに対する情報またはチャネル変更が完了していることを示すメッセージを音声またはテキスト形態で出力することができる。

特に、放送受信装置１００は、ユーザの音声に対応する応答メッセージを音声またはテキスト形態で出力することができ、検索されたコンテンツに対するコンテンツデータを出力することができる。例えば、“最新の公開映画を教えて”のようなコンテンツ情報を要求するユーザの音声が入力されると、放送受信装置１００は“最新の公開映画を教えてあげる”のような応答メッセージをオーディオで出力し、検索された最新の公開映画に対するコンテンツデータをディスプレイすることができる。

特に、放送受信装置１００は、テキスト修正ＵＩを用いて第１サーバ２００及び第２サーバ３００を介して認識されたユーザ音声に対応するテキストを修正することができる。

具体的に、ユーザ音声が入力されると、放送受信装置１００は上述のように、第１サーバ２００を用いてテキスト情報を判断する。このとき、判断されたテキストの中の一部がユーザの望まないテキストである場合、テキスト修正のためのユーザ命令（例えば、音声命令またはリモコンの特定ボタン）が入力されると、放送受信装置１００はテキスト修正ＵＩをディスプレイする。このとき、テキスト修正ＵＩは、ユーザの発話したテキスト情報が形態素別に区分され、それぞれの形態素にインディケータが指定され、形態素とインディケータとがマッチングされてディスプレイされる。ここで、インディケータは、テキスト情報の形態素を区分するためのものとして、数字または文字であってよいが、それは一実施形態に過ぎず、ユーザの指定した単語、記号であってよい。

ユーザ命令によってテキスト修正ＵＩのインディケータのいずれか一つが選択されると、放送受信装置１００は選択されたインディケータに対応する形態素を交換対象形態素に指定する。そして、ユーザが交換しようとする形態素を含むユーザ音声が再入力されると、放送受信装置１００は再入力されたユーザ音声を認識して交換対象形態素を再入力された形態素に修正することができる。

なお、放送受信装置１００は、言語モデル及び音響モデル等を用いて、交換対象形態素の候補形態素を交換対象形態素の一側にディスプレイすることができる。このとき、交換対象形態素の候補形態素にはそれぞれインディケータが指定されてよい。そして、ユーザが修正しようとする形態素に対応するインディケータを含むユーザ音声が再入力されると、放送受信装置１００は交換対象形態素を候補形態素のうち、ユーザによって再入力されたインディケータに対応する候補形態素に修正することができる。

そして、放送受信装置１００は、修正されたテキストをディスプレイし、修正されたテキストに応じて放送受信装置の機能を実行する。そして、放送受信装置１００は、修正結果に応じて音響モデル及び言語モデルをアップデートするために、修正結果情報を第１サーバ２００に伝送することができる。

上述のような対話型音声認識システム１０によって、テキスト修正ＵＩのインディケータを選択して誤認識されたテキストを修正することにより、ユーザは放送受信装置が誤認識された単語をユーザ所望の単語に正確に修正することができるようになる。

以下においては、図２ないし図６を参照し、本発明の放送受信装置１００について具体的に説明する。図２は、本発明の一実施形態に係る放送受信装置１００の構成を概略に示す図である。図２に示すように、放送受信装置１００は、音声入力部１１０と、制御部１２０及びディスプレイ部１３０を含む。

音声入力部１１０は、マイクのような音声入力装置を通じてユーザ音声を受信し、音声認識ができるように信号処理を行う。具体的に、音声入力部１１０は、アナログ形態のユーザ音声を受信してデジタル信号に変換し、ノイズを除去することができる。

ディスプレイ部１３０は、制御部１２０の制御によって多様な映像データを出力する。特に、テキスト修正のためのユーザ命令が入力された場合、ディスプレイ部１３０はテキスト修正ＵＩをディスプレイすることができる。

音声入力部１１０を介してユーザ音声が入力されると、制御部１２０はユーザ音声を認識してユーザ音声に対応するテキストを判断する。そして、判断されたテキストを修正するためのユーザ命令が入力されると、制御部１２０はテキストを構成する形態素とインディケータとがマッチングされたテキスト修正ＵＩをディスプレイする。このとき、テキスト修正ＵＩは、ユーザの発話したテキスト情報が形態素別に区分し、それぞれの形態素にインディケータを指定し、形態素とインディケータとをマッチングしてディスプレイする。ここで、インディケータは、テキスト情報の形態素を区分するためのものとして、数字または文字であってよい。

そして、制御部１２０は、テキスト修正ＵＩのインディケータを選択して判断されたテキストのうち、少なくとも一つの形態素を修正するようにディスプレイ部１３０を制御する。具体的に、テキスト修正ＵＩのインディケータを選択して交換対象形態素が選択された場合、制御部１２０は交換対象形態素の候補形態素をディスプレイすることができる。そして、候補形態素のいずれか一つが選択されると、制御部１２０は交換対象形態素を選択された候補形態素に修正するようにディスプレイ部１３０を制御することができる。

このとき、制御部１２０は、候補形態素の一側に前記候補形態素に対応するインディケータを同時にディスプレイするようにディスプレイ部１３０を制御することができる。そして、候補形態素のインディケータのうちいずれか一つが選択されると、制御部１２０は交換対象形態素を選択されたインディケータに対応する候補形態素に修正するようにディスプレイ部１３０を制御することができる。

そして、制御部１２０は、修正結果の反映されたテキスト情報をディスプレイするようにディスプレイ部１３０を制御することができる。なお、制御部１２０は修正結果をアップデートするために、内部または外部のサーバに保存された音響モデル及び言語モデルをアップデートすることができる。

上述のような放送受信装置１００によって、テキスト修正ＵＩのインディケータを選択して誤認識されたテキストを修正することで、ユーザは放送受信装置が誤認識された単語をユーザ所望の単語に正確に修正することができるようになる。

図３は、本発明の一実施形態に係る放送受信装置１００の構成を詳細に示すブロック図である。図３に示すように、放送受信装置１００は、音声入力部１１０と、制御部１２０と、ディスプレイ部１３０と、放送受信部１４０と、ユーザ入力部１５０と、保存部１６０と、通信部１７０及びオーディオ出力部１８０を含む。

音声入力部１１０は、ユーザ音声を受信して音声認識ができるように信号処理を行う。具体的に、音声入力部１１０は、入力されたアナログ形態のユーザ音声をデジタル信号に変換する。そして、音声入力部１１０は、変換されたデジタル信号のエネルギーを計算し、デジタル信号のエネルギーが予め設定された値以上か否かを判断する。デジタル信号のエネルギーが予め設定された値未満である場合、音声入力部１１０は、入力されたデジタル信号がユーザ音声ではないと判断し、他のユーザ音声を待ち受ける。デジタル信号のエネルギーが予め設定された値以上である場合、音声入力部１１０は、入力されたデジタル信号からノイズを除去する。特に、音声入力部１１０は、入力されたデジタル信号から、家庭環境で発生し得る突発性雑音（例えば、エアコンの音、掃除機の音、音楽の音等）を除去する。そして、音声入力部１１０は、ノイズの除去されたデジタル信号を通信部１７０に出力する。

このとき、音声入力部１１０は、マイクのような音声入力装置で実現されてよく、音声入力装置は、放送受信装置１００に内蔵されて一体型をなすか、放送受信装置１００と分離された形態で実現されてよい。分離された形態で実現される場合、音声入力装置はユーザが手で握る形態、または食卓やテーブルに置ける形態で実現されてよく、放送受信装置１００と有線または無線ネットワークを通じて接続されてよい。

放送受信部１４０は、外部の基地局または外部機器（例えば、セットトップボックス）から複数のチャネルの含まれた放送信号を受信する。そして、放送受信部１４０はユーザによって選択されたチャネルの放送信号を選局して信号処理を行う。

ユーザ入力部１５０は、放送受信装置１００を制御するためのユーザ命令が入力される。このとき、ユーザ入力部１５０は、リモコンや、マウス、キーボードのような多様な入力装置で実現されてよい。

保存部１６０は、放送受信装置１００を駆動するための多様なプログラム及びデータを保存する。特に、保存部１６０は音声認識のための言語モデル、音響モデル及び発音辞書を保存することができる。

通信部１７０は、外部のサーバ２００、３００と通信を行う。特に、通信部１７０は、音声入力部１１０から受信されたユーザ音声に対応するデジタル信号を第１サーバ２００に伝送することができ、第１サーバ２００からユーザ音声に対応するテキスト情報を受信することができる。なお、通信部１７０は、ユーザ音声に対応するテキスト情報を第２サーバ３００に伝送することができ、第２サーバ３００からテキスト情報に対応する応答情報を受信することができる。このとき、応答情報には、応答メッセージ、制御信号及びユーザが検索を要求したコンテンツのコンテンツデータが含まれてよい。

そして、通信部１７０は、ＷｉＦｉ、ＩＥＥＥ等のような無線通信プロトコルによって外部ネットワークに接続されて通信を行う無線通信モジュールで実現されてよい。その他に、無線通信モジュールは３Ｇ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ）、３ＧＰＰ（３ｒｄ
Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等のような多様な移動通信規格に応じて移動通信網に接続して通信を行う移動通信モジュールを更に含んでよい。

一方、上述の実施形態では、第１サーバ２００及び第２サーバ３００と通信を行う通信部が統合されているものとして説明したが、それは一実施形態に過ぎず、第１サーバ２００と通信を行うための第１通信部及び第２サーバ３００と通信を行うための第２通信部に分離されて実現されてよい。

ディスプレイ部１３０は、制御部１２０の制御により、映像データを表示する。特に、テキスト修正のためのユーザ命令が入力された場合、ディスプレイ部１３０は、図４に示すように、テキスト修正ＵＩをディスプレイすることができる。テキスト修正ＵＩ４００については今後詳細は説明する。

一方、ディスプレイ部１３０は、液晶表示装置（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ：ＬＣＤ）、有機電気発光ダイオード（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｓｐｌａｙ：ＯＬＥＤ）またはプラズマ表示パネル（Ｐｌａｓｍａ Ｄｉｓｐｌａｙ Ｐａｎｅｌ：ＰＤＰ）等で実現されてよい。

オーディオ出力部１８０は、オーディオデータを出力する。このとき、オーディオ出力部１８０はコンテンツデータが変換されたオーディオデータを出力することができる。このとき、オーディオ出力部１８０はスピーカまたはジャック等のような出力ポートで実現されてよい。

制御部１８０は、音声入力部１１０及びユーザ入力部１５０を介して入力されたユーザ命令に応じて放送受信装置１００の動作全般を制御する。

特に、制御部１２０は、音声入力部１１０を介してユーザ音声が入力されると、音声認識を行う。具体的に、制御部１２０は音声入力部１１０を介して入力されたアナログ形態のユーザ音声をデジタル信号に変換し、ノイズを除去するように音声入力部１１０を制御する。そして、制御部１２０は、ユーザ音声に対応するデジタル信号を通信部１７０を介して外部の第１サーバ２００に伝送する。第１サーバ２００が音響モデル、言語モデル及び発音辞書を用いて、ユーザ音声に対応するデジタル信号をテキスト情報に変換して放送受信装置１００に伝送し、制御部１２０は通信部１７０を介してテキスト情報を受信する。

そして、制御部１２０は、受信されたテキスト情報をディスプレイ部１３０にディスプレイしたり、外部の第２サーバ３００に伝送することができる。

一方、上述のように、ユーザ音声に対応するテキストを判断するために、外部の第１サーバ２００を利用するものとして説明したが、それは一実施形態に過ぎず、内部に備えれた音響モデル、言語モデル及び発音辞書を用いてユーザ音声に対応するテキストを判断することができる。

ユーザ音声に対応するテキストが判断された後、ユーザはディスプレイ部１３０にディスプレイされたテキスト情報を確認することにより、自分の発話したテキストがしっかり認識されているか否かを確認することができる。または、ユーザは、第２サーバ２００から受信された応答情報を確認することで、自分の発話したテキストがしっかり認識できたか否かを確認することができる。例えば、ユーザの発話した音声は、“今日ＭＢＮで何放送するか教えて”であるに対し、制御部１２０がユーザ音声に対応するテキスト情報を“今日ＭＢＣで何放送するか教えて”と判断し、ディスプレイ部１３０にディスプレイした場合、ユーザは放送受信装置１００がユーザ音声を誤認識したことを確認することができる。

ユーザの発話した音声が誤認識された場合、ユーザによってテキスト修正のためのユーザ命令（例えば、リモコンの特定ボタンまたはユーザの音声命令）が入力されると、制御部１２０は放送受信装置１００の認識したテキストを修正するために、図４に示すようなテキスト修正ＵＩ４００をディスプレイするようにディスプレイ部１３０を制御する。

このとき、テキスト修正ＵＩ４００は、テキスト情報を複数の形態素に区分し、それぞれの形態素に対応するインディケータ（例えば、数字または文字）を指定し、形態素とインディケータとをマッチングさせることができる。例えば、認識されたテキスト情報が“今日ＭＢＣで何放送するか教えて”の場合、テキスト修正ＵＩ４００は、図４に示すように、“今日”４２０−１、“ＭＢＣ”４２０−２、“で”４２０−３、“何放送するか”４２０−４及び“教えて”４２０−５の形態素を区分してディスプレイすることができる。そして、テキスト修正ＵＩ４００は、“今日”４２０−１と“１”４１０−１とをマッチングさせ、“ＭＢＣ”４２０−２と“２”４１０−２とをマッチングさせ、“で”４２０−３と“３”４１０−３とをマッチングさせ、“何放送するか”４２０−４と“４”４１０−４とをマッチングさせ、“教えて”４２０−５と“５”４１０−５とをマッチングさせることができる。

そして、ユーザ音声命令を通じてテキスト修正ＵＩ４００に含まれたインディケータのうちの一つが含まれると、制御部１２０は選択されたインディケータに対応する形態素を交換対象形態素に選択することができる。例えば、ユーザ音声に“２”４１０−２というインディケータが含まれた場合、制御部１２０は、“２”４１０−２に対応する形態素である“ＭＢＣ”４２０−２を交換対象形態素に選択することができる。

ユーザ音声にインディケータだけでなく、交換対象形態素を修正しようとする形態素が同時に含まれた場合、制御部１２０は交換対象形態素を修正しようとする形態素に修正することができる。例えば、音声入力部１１０を介して“２番をＭＢＮに変えて”というユーザ音声が入力されると、制御部１２０はユーザ音声に対応するデジタル信号を第１サーバ２００に伝送し、第１サーバ２００は入力されたユーザ音声に対応するテキスト情報で判断する。そして、第１サーバ２００は、放送受信装置 １００を介してテキスト情報を第２サーバに伝送する。そして、第２サーバ３００は入力されたユーザ音声の“２”を通じて交換対象形態素を判断し、“ＭＢＮ”を通じて修正しようとする形態素を判断し、“変えて”を通じて修正命令を判断することができる。そして、第２サーバ３００は、“交換対象形態素である“ＭＢＣ”を修正しようとする形態素である“ＭＢＮ”に修正せよ”という制御信号を放送受信装置１００に伝送することができる。通信部１７０を介して制御信号が受信されると、制御部１２０は交換対象形態素である“ＭＢＣ”４２０−１を修正しようとする形態素である“ＭＢＮ”に修正することができる。

更に別の実施形態において、ユーザ音声命令を通じて、テキスト修正ＵＩ４００に含まれたインディケータのいずれか一つが含まれると、制御部１２０は交換対象形態素の候補形態素をディスプレイするようにディスプレイ部１３０を制御することができる。このとき、交換対象形態素の候補形態素は、放送受信装置１００または第１サーバ２００に保存された音響モデル、言語モデル及び発音辞書を用いて決定されてよく、交換対象形態素を除くユーザ音声と一致する確率が最も高い形態素であってよい。例えば、ユーザ音声に“２番”が含まれた場合、制御部１２０は、図５に示すような候補形態素４３０をディスプレイすることができる。このとき、候補形態素は“ＭＢＮ”、“ＮＢＣ”及び“ＡＢＣ”を含んでよい。

そして、候補形態素のそれぞれには、図５に示すように、インディケータがそれぞれ指定されてよい。例えば、“ＭＢＮ”には“１”というインディケータが指定されてよく、“ＮＢＣ”には“２”というインディケータが指定されてよく、“ＡＢＣ”には“３”というインディケータが指定されてよい。

そして、候補形態素がディスプレイされた状態で、候補形態素に対応するインディケータのいずれか一つが選択されると、制御部１２０は、交換対象形態素を選択されたインディケータに対応する候補形態に修正することができる。例えば、音声入力部１１０を介して“１番に変えて”というユーザ音声が入力されると、放送受信装置１００はユーザ音声に対応するデジタル信号を第１サーバ２００に伝送し、第１サーバ２００は入力されたユーザ音声に対応するテキスト情報を判断する。そして、第１サーバ２００は、放送受信装置１００を介してテキスト情報を第２サーバ３００に伝送する。そして、第２サーバ３００は入力されたユーザ音声を“１”を通じて修正しようとする形態素を判断し、“変えて”を通じて修正命令を判断することができる。そして、第２サーバ３００は、“交換対象形態素である“ＭＢＣ”を修正しようとする形態素である“ＭＢＮ”に修正せよ”という制御信号を放送受信装置１００に伝送することができる。通信部１７０を介して制御信号が受信されると、制御部１２０は交換対象形態素である“ＭＢＣ４２０−１”を修正しようとする形態素である“ＭＢＮ”に修正することができる。

交換対象形態素をユーザが修正しようとする形態素に修正した場合、制御部１２０は第１サーバ２００に保存された言語モデル及び音響モデルをアップデートするために、修正結果を第１サーバ２００に伝送することができる。例えば、最初に認識された“ＭＢＣ”を“ＭＢＮ”に修正した場合、制御部１２０はユーザの発話した音声のデジタル信号とテキストである“ＭＢＮ”とが一致する確率が高くなるように、言語モデル及び音響モデルをアップデートするために、修正結果を第１サーバ２００に伝送することができる。よって、ユーザがその後“ＭＢＮ”を発話した場合、放送受信装置１００は“ＭＢＣ”より“ＭＢＮ”を認識する確率が高くなるため、より正確な音声認識が可能となる。

上述のような放送受信装置１００によって、ユーザは誤認識されたテキストをより正確かつ簡単に修正することができるようになる。

以下では、図７を参照して音声認識エラー修正方法について、より詳細に説明する。

まず、放送受信装置１００はユーザ音声を入力される（Ｓ７１０）。このとき、放送受信装置１００は、マイクのような音声入力装置を用いてユーザ音声を入力されることができる。

そして、放送受信装置１００は、ユーザ音声を認識してユーザ音声に対応するテキストを判断する（Ｓ７２０）。具体的に、放送受信装置７２０は、入力されたユーザ音声をデジタル信号に変換し、変換されたデジタル信号を外部の第１サーバ２００に伝送することができる。そして、第１サーバ２００が音響モデル、言語モデル及び発音辞書を用いてデジタル信号に対応するテキスト情報を決定して放送受信装置１００に伝送すると、放送受信装置１００はユーザ音声に対応するテキストを判断することができる。

そして、放送受信装置１００は、テキスト修正のためのユーザ命令が入力されたか否かを判断する（Ｓ７３０）。

テキスト修正のためのユーザ命令が入力されると（Ｓ７３０−Ｙ）、放送受信装置１００はテキスト修正ＵＩをディスプレイする（Ｓ７４０）。このとき、テキスト修正ＵＩは、図４に示すように、テキストを構成する形態素を区分し、それぞれの形態素にマッチングするインディケータ（例えば、数字または文字）を指定し、形態素とインディケータとをマッチングしてディスプレイすることができる。

放送受信装置１００は、テキスト修正ＵＩのインディケータを選択してテキストを修正する（Ｓ７５０）。具体的に、テキスト修正ＵＩのインディケータを選択して交換対象形態素が選択された場合、放送受信装置１００は、図５に示すように、交換対象形態素の候補形態素をディスプレイすることができる。そして、候補形態素のいずれか一つが選択されると、放送受信装置１００は、交換対象形態素を選択された候補形態素に修正することができる。このとき、放送受信装置１００は、候補形態素の一側に候補形態素に対応するインディケータを同時にディスプレイすることができる。そして、候補形態素のインディケータのいずれか一つが選択されると、放送受信装置１００は交換対象形態素を選択されたインディケータに対応する候補形態素に修正することができる。

そして、放送受信装置１００は、修正結果が反映されたテキスト情報をディスプレイし、第１サーバ２００に保存された音響モデル及び言語モデルをアップデートするために、修正結果を第１サーバ２００に伝送することができる。

上述のように、インディケータを用いて誤認識されたテキストを修正することにより、ユーザは音声認識エラー修正時に再度誤認識されることを防止することができるようになる。

以上のような多様な実施形態に係る外部入力制御方法を実行するためのプログラムコードは、非一時的読み取り可能媒体（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）に保存されてよい。非一時的読み取り可能媒体とは、レジスタ、キャッシュ、メモリ等のように短い瞬間の間にデータを保存する媒体でなく半永久的にデータを保存し、機器により読み取り（ｒｅａｄｉｎｇ）可能な媒体を意味する。具体的には、上述した多様なアプリケーションまたはプログラムは、ＣＤ、ＤＶＤ、ハードディスク、ブルーレイディスク、ＵＳＢ、メモリーカード、ＲＯＭ等のような非一時的読み取り可能媒体に保存されて提供されることができる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明は以上の実施形態に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的趣旨の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１０ 対話型音声認識システム
１００ 放送受信装置
１１０ 音声入力部
１２０ 制御部
１３０ ディスプレイ部
１４０ 放送受信部
１５０ ユーザ入力部
１６０ 保存部
１７０ 通信部
１８０ オーディオ出力部
２００ 第１サーバ
３００ 第２サーバ
４００ テキスト修正ＵＩ

Claims (14)

1. 放送受信装置の音声認識エラー修正方法において、
   ユーザ音声が入力されると、前記ユーザ音声を認識して前記ユーザ音声に対応するテキストを判断するステップと、
   前記判断されたテキストを修正するためのユーザ命令が入力されると、前記テキストを構成する形態素とインディケータ（ｉｎｄｉｃａｔｏｒ）とがマッチングされたテキスト修正ＵＩをディスプレイするステップと、
   前記テキスト修正ＵＩのインディケータを選択して前記判断されたテキストのうち少なくとも一つの形態素を修正するステップと
   を含む音声認識エラー修正方法。
2. 前記修正するステップは、
   前記インディケータを用いて交換対象形態素が選択された場合、前記交換対象形態素の候補形態素をディスプレイするステップと、
   前記候補形態素のいずれか一つが選択されると、前記交換対象形態素を前記選択された候補形態素に修正するステップと
   を含むことを特徴とする請求項１に記載の音声認識エラー修正方法。
3. 前記候補形態素をディスプレイするステップは、
   前記候補形態素の一側に前記候補形態素に対応するインディケータを同時にディスプレイすることを特徴とする請求項２に記載の音声認識エラー修正方法。
4. 前記候補形態素に修正するステップは、
   前記候補形態素のインディケータのいずれか一つが選択されると、前記交換対象形態素を前記選択されたインディケータに対応する候補形態素に修正することを特徴とする請求項３に記載の音声認識エラー修正方法。
5. 前記インディケータは、
   数字及び文字のいずれか一方であることを特徴とする請求項１に記載の音声認識エラー修正方法。
6. 前記判断するステップは、
   前記ユーザ音声が入力されると、前記ユーザ音声をアナログ信号からデジタル信号に変換するステップと、
   前記変換されたデジタル信号を外部のサーバに伝送するステップと、
   前記サーバから前記デジタル信号に対応するテキスト情報を受信するステップと
   を含むことを特徴とする請求項１に記載の音声認識エラー修正方法。
7. 前記サーバに保存された言語モデル及び音響モデルをアップデートするために、前記修正するステップの修正結果を前記サーバに伝送するステップを含むことを特徴とする請求項６に記載の音声認識エラー修正方法。
8. 放送受信装置において、
   ユーザ音声を入力される音声入力部と、
   ディスプレイ部と、
   前記音声認識部を介してユーザ音声が入力されると、前記ユーザ音声を認識して前記ユーザ音声に対応するテキストを判断し、前記判断されたテキストを修正するためのユーザ命令が入力されると、前記テキストを構成する形態素とインディケータ（ｉｎｄｉｃａｔｏｒ）とがマッチングされたテキスト修正ＵＩをディスプレイし、前記テキスト修正ＵＩのインディケータを選択して前記判断されたテキストのうち少なくとも一つの形態素を修正するように前記ディスプレイ部を制御する制御部と
   を含む放送受信装置。
9. 前記制御部は、
   前記インディケータを用いて交換対象形態素が選択された場合、前記交換対象形態素の候補形態素をディスプレイし、前記候補形態素のいずれか一つが選択されると、前記交換対象形態素を前記選択された候補形態素に修正するように前記ディスプレイ部を制御することを特徴とする請求項８に記載の放送受信装置。
10. 前記制御部は、
    前記候補形態素の一側に前記候補形態素に対応するインディケータを同時にディスプレイするように前記ディスプレイ部を制御することを特徴とする請求項９に記載の放送受信装置。
11. 前記制御部は、
    前記候補形態素のインディケータのいずれか一つが選択されると、前記交換対象形態素を前記選択されたインディケータに対応する候補形態素に修正するように前記ディスプレイ部を制御することを特徴とする請求項１０に記載の放送受信装置。
12. 前記インディケータは、
    数字及び文字のいずれか一方であることを特徴とする請求項８に記載の放送受信装置。
13. 外部のサーバと通信を行う通信部を更に含み、
    前記制御部は、
    前記音声入力部を介してユーザ音声が入力されると、前記ユーザ音声をアナログ信号からデジタル信号に変換し、前記通信部を介して前記変換されたデジタル信号を外部のサーバに伝送し、前記サーバから前記デジタル信号に対応するテキスト情報を受信して前記テキスト情報を判断することを特徴とする請求項８に記載の放送受信装置。
14. 前記制御部は、
    前記サーバに保存された言語モデル及び音響モデルをアップデートするために、前記修正するステップの修正結果を前記サーバに伝送するように前記通信部を制御することを特徴とする請求項１３に記載の放送受信装置。

Images