JP2019139089A - 音声秘匿装置および音声秘匿プログラム - Google Patents

Abstract

【課題】本発明は、情報端末装置に入力された音声が秘匿情報等のユーザが秘匿を所望する情報に一致する可能性が生じた段階で、当該情報の流出を防止することを目的とする。【解決手段】音声秘匿装置１０は、複数のキーワードが音情報に変換された音素系列情報を記憶可能な記憶部１４と、音声発生源からの入力音声をデジタル信号に変換した音声データを、逐次音声認識処理により音素レベルで認識した情報である出力音素として出力する音声認識部１２と、音声認識部１２が出力した出力音素情報が記憶部１４に記憶されている秘匿情報音素系列との一致の度合いに基づいて入力音声データとキーワードとが一致するおそれがあるか否かを逐次判定可能な判定部１３と、判定部１３によりキーワードと一致するおそれがあると判定された入力音声データに対応するデジタル音声データの内容を秘匿可能な音声データ秘匿部１５と、を備える。【選択図】図１

Description

本発明は、音声秘匿装置および音声秘匿プログラムに関する。

近年、音声認識技術を用いてユーザが発した音声を自動的に解析し、インターネットに接続してユーザが要求する情報を検索および取得するサービスを提供する情報端末装置（例えば、スマートフォン、スマートスピーカ等を含むスマート家電および対話式ロボット等）の普及が進んでいる。このような情報端末装置が存在する家庭内や公共施設、職場等での会話中に発した個人情報（自宅の住所や電話番号等）が、意図せずネットワーク上に流出してしまうおそれが生じている。例えば、情報端末装置のユーザ（例えば、子供やお年寄り等）が個人情報を意識せずに発話する場合や、情報端末装置の存在に気づかない人が発する個人情報を含む音声が情報端末装置に誤って入力される場合等、個人情報が意図せず外部に漏洩してしまうおそれがある。このため、音声認識機能を有する情報端末装置において、個人情報の流出を防止する技術が求められている。例えば、特許文献１には、音声信号中に含まれる個人情報を削除する技術が開示されている。

特開２０１０−０９１７６１号公報

しかしながら、従来の技術は、情報端末装置に入力された音声が、例えば個人情報等のユーザが秘匿を所望する情報に一致する可能性が生じた段階で、当該情報の流出を防止することができないという問題がある。それにより、入力された音声に個人情報が含まれていることが判明した場合に、その音声がすでにネットワークに流出してしまっている、といった望ましくない事態が生じるおそれがある。
本発明は、このような点に鑑みてなされたものであり、情報端末装置に入力された音声が、ユーザが秘匿を所望する情報に一致する可能性が生じた段階で、当該情報の流出を防止することができる音声秘匿装置を提供することを目的とする。

上記目的を達成するために、本発明の一態様に係る音声秘匿装置は、複数のキーワードが音情報に変換された音素系列情報を記憶可能な記憶部と、音声発生源からの入力音声をデジタル信号に変換した音声データを、逐次音声認識処理により音素レベルで認識した情報である出力音素情報として出力する音声認識部と、前記音声認識部が出力した出力音素情報と前記記憶部に記憶されている音素系列情報である記憶音素情報との一致の度合いに基づいて前記入力音声と前記キーワードとが一致するおそれがあるか否かを逐次判定可能な判定部と、前記判定部により前記キーワードと一致するおそれがあると判定された前記入力音声に対応する音声データの内容を秘匿可能な音声データ秘匿部と、を備えることを特徴とする。

また、本発明の一態様に係る音声秘匿プログラムは、所定の情報端末装置を、複数のキーワードが音情報に変換された音素系列情報を記憶可能な記憶部、音声発生源からの入力音声をデジタル信号に変換した音声データを、逐次音声認識処理により音素レベルで認識した情報である出力音素情報として出力する音声認識部、前記音声認識部が出力した出力音素情報と前記記憶部に記憶されている音素系列情報である記憶音素情報との一致の度合いに基づいて前記入力音声と前記キーワードとが一致するおそれがあるか否かを逐次判定可能な判定部、および前記判定部により前記キーワードと一致するおそれがあると判定された前記入力音声に対応する音声データの内容を秘匿可能な音声データ秘匿部として機能させることを特徴とする。

本発明の一態様によれば、情報端末装置に入力された音声が個人情報等のユーザが秘匿を所望する情報に一致する可能性が生じた段階で、当該情報の流出を防止することができる。

本発明の第１実施形態の音声秘匿装置を含む音声認識システムの概略構成図である。 本発明の第１実施形態の音声秘匿処理の流れを示すフローチャートである。 本発明の第１実施形態の秘匿情報判定処理の一例を時系列で説明する図である。 本発明の第１実施形態の秘匿情報判定処理の他の一例を時系列で説明する図である。 本発明の第１実施形態の変形例における秘匿情報判定処理の一例を時系列で説明する図である。 本発明の第１実施形態の変形例における秘匿情報判定処理の他の一例を時系列で説明する図である。 本発明の第２実施形態の音声秘匿装置の概略構成図である。 本発明の第２実施形態の音声秘匿処理の流れを示すフローチャートである。

１．第１実施形態
本発明の第１実施形態に係る音声秘匿装置について、図１から図３を参照して説明する。まず、第１実施形態に係る音声秘匿装置を含む音声認識システムの構成について図１を用いて説明する。

（１−１）音声認識サービスシステムの構成
図１は、本実施形態による音声秘匿装置１０を含む音声認識サービスシステム９の概略構成を示す図である。音声認識サービスシステム９は、音声秘匿装置１０を備える音声処理装置１と、インターネット等のネットワーク３を介して音声処理装置１と接続される音声認識サーバ１００と、音声認識サーバ１００と接続されるサーバ５００とによって構成される。サーバ５００は、例えば、検索システム（検索エンジン）を構成するサーバである。音声認識サービスシステム９は、ユーザが音声によって要求する情報の検索、取得等を行うサービスを提供するシステムである。

音声認識サーバ１００は、ネットワーク３を介して音声処理装置１から送信された音声データ（例えばユーザの発話に基づく音声データ）を受信すると、受信した音声データについて音声認識を行い、この音声認識の結果をサーバ５００に送信する。サーバ５００は、送信された音声認識結果に基づいて、情報検索等の処理を行ってユーザが要求した情報を取得し、取得した情報（処理結果）をネットワーク３を介して音声処理装置１に返す。これにより、音声処理装置１は、サーバ５００から返された情報をユーザに対して出力できる。このようにして、音声認識サービスシステム９は、ユーザからの音声入力に応じたサービス（例えば、情報検索サービス）を提供できる。

[音声処理装置]
図１に示すように、音声処理装置１は、音声入力装置１１と音声秘匿装置１０と対話処理装置１１０とを備えている。音声処理装置１は、例えばスマートフォン、スマートスピーカ、対話式ロボットやスマート家電等の音声認識機能とネットワーク通信機能とを有する装置（例えば、情報端末装置）である。音声処理装置１は、収音装置（マイク等）から入力された音声を音声入力装置１１において解析してデジタル音声データに変換し、このデジタル音声データを、音声秘匿装置１０を経てネットワーク３に出力する。これにより音声処理装置１は、入力された音声データを、ネットワーク３を介して音声認識サーバ１００に送信できる。なお、音声処理装置１は、ネットワーク通信機能を有していなくてもよい。例えば、音声処理装置１は、ネットワークへの接続によらないサービス（例えば、アラーム、対話、メモ機能等）を提供する装置であってもよい。

音声入力装置１１は、所定の音声発生源が発した音声データ（音声信号）を入力可能になっている。ここで、音声入力装置１１に入力される音声データ（以降、「入力音声データ」と称する）は、例えば音声処理装置１のユーザの発話した音声（入力音声）が想定される。音声発生源は、音声処理装置１のユーザに限られず、例えば音声を発する装置であってもよい。音声入力装置１１は、例えば、マイク等の収音装置（不図示）を備えている。音声入力装置１１は、収音装置からアナログ信号として入力された入力音声データ（アナログ音声データ）を規定されたサンプリング周波数でサンプリングしてアナログ−デジタル（Ａ−Ｄ）変換を行い、デジタル信号（デジタル音声データ）を生成する。

音声入力装置１１は、入力音声データ（アナログ音声データ）から生成したデジタル音声データを、音声秘匿装置１０に出力する。具体的には、音声入力装置１１は、生成したデジタル音声データをＡ−Ｄ変換時におけるサンプリング単位で音声秘匿装置１０に出力する。サンプリング単位のデジタル音声データは、時系列が保持された状態となっている。また、本例において、音声入力装置１１は、音声処理装置１を構成する一要素として説明するが、本発明はこれに限られない。音声入力装置１１は、音声秘匿装置１０の構成要素であってもよい。

［音声秘匿装置］
本実施形態による音声秘匿装置１０は、音声処理装置１に入力された音声（入力音声データ）のうち音声処理装置１のユーザが秘匿を所望する情報（以降、「秘匿情報」と称する場合がある）が含まれるおそれがある入力音声データを秘匿する。ここで、入力音声データの秘匿とは、音声処理装置１から秘匿情報を含むおそれのある音声データの出力を停止することをいう。これにより、音声秘匿装置１０は、音声処理装置１からネットワーク３を介して秘匿情報が流出することを防止できる。本例において、秘匿情報として想定される情報は、例えば個人情報である。ここで、個人情報とは、個人を特定可能な情報（住所、電話番号、誕生日、種々のパスワード等）や、金融資産に関する情報（クレジットカードやキャッシュカードの識別番号、銀行口座番号）等が挙げられる。なお、本発明の音声秘匿装置１０によって流出を防止する対象の秘匿情報は、ここで列挙した個人情報に限られない。音声秘匿装置１０は、音声処理装置１のユーザが秘匿情報として予め登録した任意の情報の流出を防止できる。

以下、図１を参照して、音声秘匿装置１０について詳細に説明する。
音声秘匿装置１０は、音声認識部１２と、判定部１３と、記憶部１４と、音声データ秘匿部１５とを有している。音声処理装置１の音声入力装置１１において入力音声データから生成されたデジタル音声データは、音声秘匿装置１０の音声認識部１２に入力されるとともに、音声データ秘匿部１５にも入力される。

音声認識部１２は、音声入力装置１１がデジタル音声データをサンプリング出力するごとに、リアルタイムで（逐次的に時系列で）音声認識を行う。以降、このリアルタイムで行う音声認識処理を「逐次音声認識処理」と称する場合がある。音声認識部１２は、逐次音声認識処理を実行するエンジン部１２０と、エンジン部１２０が音声認識に用いるモデル１２１とを有している。エンジン部１２０は、デジタル音声データを音素レベルで認識する。ここで、音素は、言語の発音を構成する最小の単位であり、例えば、日本語の発音における拍（モーラ）を構成する音の単位の最小値である。音声認識部１２は、日本語に限らず種々の言語の音声に基づくデジタル音声データを音素レベルで認識することができる。

判定部１３は、音素レベルで認識されたデジタル音声データである音素情報（以下、「出力音素」と称する場合がある）を用いて、音声入力装置１１に入力された入力音声データ（主にユーザの発話音声）に、秘匿情報が含まれているおそれがあるか否かを判定する（秘匿情報判定処理）。本実施形態による音声秘匿装置１０において、判定部１３による判定処理に用いる秘匿情報は、メモリ等の所定の記憶領域である記憶部１４に記憶された秘匿情報リスト１４１内に蓄積されている。

秘匿情報リスト１４１は、例えばテーブル形式で複数の秘匿情報（例えば、個人情報）を蓄積している。秘匿情報リスト１４１に蓄積されている秘匿情報は、音声処理装置１のユーザが音声処理装置１と接続された所定の情報端末装置（スマートフォン、パーソナルコンピュータ等）を用いて予め登録した情報である。情報端末装置は、ユーザによって例えばテキスト入力された秘匿情報リスト１４１に登録するための情報（以降、「キーワード」と称する場合がある）を音声処理装置１に送信する。

キーワードは、ユーザが秘匿を所望する秘匿情報であって、例えば個人情報等が含まれる。音声秘匿装置１０は、受信したキーワードを音情報である音素系列情報に変換して個人情報リストに１４１に蓄積する。音声処理装置１のユーザは、音声処理装置１から音声認識サーバ１００へ出力されることが望ましくないと考える秘匿情報を任意に秘匿情報リストに登録することができる。これにより、本実施形態による音声秘匿装置１０は、当該情報が音声処理装置１からネットワークを介して流出することを防止できる。なお、キーワードは、ユーザが秘匿を意図して秘匿情報リスト１４１に登録する秘匿情報であり、上述したように個人情報に該当しない内容であってもよい。例えば、秘匿情報として、子どもが音声処理装置１を用いた情報検索により取得・利用すると好ましくない、または危険があると考えられる情報に関連する用語等を、保護者が秘匿情報リスト１４１に登録することができる。これにより、音声秘匿装置１０は、音声処理装置１を用いて、子どもが不用意に危険な情報を取得することを防止できる。

図１には、音声処理装置１の右隣りに秘匿情報リスト１４１に蓄積された秘匿個人情報の一例として個人情報の一種である電話番号「０９０１２３４５６７８」が図示されている。なお、図１では、理解を容易にするため、音素系列情報として蓄積されている秘匿情報（キーワード）が音素表記ではなく文字列で図示されている。なお、電話番号は、「−（ハイフン）」区切りで入力される場合や、図１に示すようにハイフンを省略して入力される場合がある。また、住所も「−（ハイフン）」区切りで入力される場合があり、さらに「一丁目・・」のように入力される場合もある。さらに、電話番号や住所を発話する場合、種々の発話パターンが想定される。例えば、電話番号を「０９０の・・」のようにハイフンにあたる箇所に「の」を入れて発話するパターンや、住所における番地を「１の２の・・」のように発話するパターン、「１丁目・・」のように発話するパターン等があるまた、例えば数字「０」は、「ゼロ」や「レイ」等複数の発話パターンが想定される。このため、音声秘匿装置１０は、例えば、キーワードにおける電話番号や住所の区切り（ハイフンやスペース）、数字等に相当する部分を、予め複数の想定される発話のパターンに自動的に拡張して音素系列情報に変換し、秘匿情報リスト１４１に登録する。

判定部１３は、音声認識部１２から出力音素情報が出力される度に、逐次、秘匿情報判定処理を実行し、出力音素が秘匿情報リスト１４１に蓄積された秘匿情報（キーワード）を示す音素系列（以下、「秘匿情報音素系列」と称する場合がある）との「一致の度合い」に基づいて、入力音声に個人情報等の秘匿情報が含まれるおそれがあるか否かを示す秘匿情報判定結果を導出する。ここで、一致の度合いは、秘匿情報音素系列を構成する個々の音素についての一致の度合い（数値）をもとに算出され、例えば、算出された一致の度合いが所定の度合い（閾値）以上である場合に、一致するおそれがある（秘匿情報が含まれるおそれがある）と判定する。また、出力音素が秘匿情報音素系列のうちのどの部分と一致するかという観点から、「完全一致」（全ての部分との一致）、「前方一致」（前方部分との一致）、「中間一致」（中間部分との一致）等、様々な方法で一致の度合いを算出することが可能であるが、以下では、「前方一致」に基づき秘匿情報判定結果を導出する場合について説明する。判定部１３は、複数の秘匿情報が秘匿情報リスト１４１に蓄積されている場合には、複数の秘匿情報それぞれについて、秘匿情報判定結果を導出する。判定部１３は、導出した秘匿情報判定結果を音声データ秘匿部１５に出力する。また、判定部１３は、連続した入力音声に対応する出力音素の結合（結合出力音素系列）が秘匿情報音素系列と完全一致するか否かの完全一致判定結果も合わせて導出する。この完全一致判定結果は、上述の秘匿情報判定結果の一部として出力制御部１５０に送信される。完全一致判定結果を導出する完全一致判定処理については後述する。

音声データ秘匿部１５は、秘匿情報に該当するおそれがある内容を含むデジタル音声データを秘匿する音声秘匿処理を実行する。図１に示すように、音声データ秘匿部１５は、出力制御部１５０とバッファ１５１とを有している。バッファ１５１は、音声入力装置１１から出力されたデジタル音声データを一時的に蓄積可能である。また、出力制御部１５０は、判定部１３が導出した秘匿情報判定結果に基づいてデジタル音声データの出力可否を決定することで、バッファ１５１に蓄積されているデジタル音声データのバッファ出力を制御する。本例において、バッファ１５１におけるデジタル音声データの入出力は先入れ先出し（ＦＩＦＯ）方式で行われる。出力制御部１５０によるバッファ出力の制御の詳細は後述する。

［対話処理装置］
対話処理装置１１０は、ネットワーク３から返されたサーバ５００における処理結果を、テキストデータや音声等ユーザに理解できる形式で逐次に出力する。これにより、例えばサーバ５００における処理結果（例えば、情報検索結果）が音声処理装置１のユーザに提供される。なお、対話処理装置１１０は、図１では音声処理装置１に含まれているものとしているが、音声処理装置１とは別個に存在してもよい。

（１−２）音声認識部における音声認識の概要
ここで、音声認識部１２のエンジン部１２０が実行する音声認識（逐次音声認識処理）について説明する。なお、エンジン部１２０による音声認識の技術は一般的に用いられているものであるため、本明細書では、その概略のみ説明する。

音声入力装置１１が生成するデジタル音声データには、ユーザが発話した音声だけでなく、音声処理装置１の周囲の環境音も含まれている。そこで、まず音声認識部１２のエンジン部１２０は、音声と環境音とが含まれるデジタル信号（デジタル音声データ）から音声が存在する区間と音声が存在しない区間を判別する音声区間検出(Voice Activity Detection: VAD)を行う（音声区間検出処理）。

音声区間検出処理に次いで、エンジン部１２０は、音声区間におけるデジタル音声データから特徴量を時系列で抽出する（音響特徴抽出処理）。エンジン部１２０は、音声区間検出処理において検出された音声区間の音声スペクトルに対してフーリエ変換等の時間周波数変換処理を行い、音響特徴ベクトルを抽出する。エンジン部１２０は、音声区間を所定の時間間隔（例えば、１０ミリ秒程度）に区分し、この時間間隔ごとに音響特徴抽出処理を行う。

次いで、エンジン部１２０は、モデル１２１と音響特徴抽出処理において抽出した音声情報の特徴量（音響特徴ベクトル）とに基づいて、デジタル音声データの連続音素認識を行い、音素レベルの認識を行う（音素認識処理）。本例において、モデル１２１は、例えば隠れマルコフモデル（ＨＭＭ）を適用した音素モデルである。エンジン部１２０は、音素認識処理において、仮説探索法によりモデル１２１を用いて、音声入力装置１１から入力されるデジタル音声データと音素との照合を行い、照合した音素（出力音素）を判定部１３に出力する。

このように、本実施形態による音声秘匿装置１０において、ユーザの発話に基づく入力音声が音声入力装置１１に入力され、音声入力装置１１が入力音声データ（アナログ信号）をデジタル音声データ（デジタル信号）に変換して音声認識部１２に出力すると、エンジン部１２０がデジタル音声データに対し逐次に音声区間検出処理、音響特徴抽出処理および音素認識処理を行う（逐次音声認識処理を行う）。こうして、音声入力装置１１から入力されたデジタル音声データ（音声データの一例）は、音声認識部１２において音素レベルで認識されて、判定部１３に出力される。

（１−３）音声秘匿処理
次に、図１を参照しつつ図２を用いて、音声データ秘匿部１５における音声秘匿処理の流れの一例を説明する。図２は、音声秘匿処理の流れを説明するフローチャートである。音声秘匿処理は、出力制御部１５０によるバッファ出力の制御により、音声処理装置１から個人情報等の秘匿情報を含む音声データの出力を停止する処理である。本実施形態において音声秘匿処理は、秘匿情報判定処理結果が判定部１３から音声データ秘匿部１５に入力されたことに基づいて実行される。すなわち、音声秘匿処理は、音声処理装置１に入力音声データが入力されてサンプリング単位で音声認識部１２に出力され、判定部１３において秘匿情報判定処理が実行される度に繰り返し実行される。

（ステップＳ２１）
ステップＳ２１において、出力制御部１５０は、判定部１３から秘匿情報判定結果を受信し、ステップＳ２２の処理に移る。

（ステップＳ２２）
ステップＳ２２において出力制御部１５０は、判定部１３から受信した秘匿情報判定信号に基づいて秘匿情報判定結果を確認し、バッファ１５１からデジタル音声データを出力すること（バッファ出力）が可能か否かを判定する。秘匿情報判定信号は、現在処理対象となっているデジタル音声データに対応する出力音素が秘匿情報音素系列と前方一致しているか否かを示す信号であって、判定部１３において生成され音声データ秘匿部１５に出力される。出力制御部１５０は、出力音素が秘匿情報音素系列と前方一致していることを示す秘匿情報判定信号を受信した場合に、バッファ出力が不可能であると判定してステップＳ２３の処理に移る。

処理対象のデジタル音声データは、音声秘匿処理の実行時においてバッファ１５１に蓄積されているデジタル音声データである。上述のように、音声入力装置１１は、入力音声データのＡ−Ｄ変換時におけるサンプリング単位でデジタル音声データを音声認識部１２とバッファ１５１とに同時に出力する。また、出力制御部１５０は、出力音素が秘匿情報音素系列と前方一致していることを示す秘匿情報判定信号を受信したことに基づいて、判定部１３が秘匿情報判定処理により、入力音声に秘匿情報が含まれているおそれがあると判定したと認識する。

一方、出力制御部１５０は、出力音素が秘匿情報音素系列と前方一致していないことを示す秘匿情報判定信号を受信した場合に、バッファ出力が可能であると判定してステップＳ２６の処理に移る。出力制御部１５０は、出力音素が秘匿情報音素系列と前方一致していることを示す秘匿情報判定信号を受信したことに基づいて、判定部１３が秘匿情報判定処理により、入力音声に秘匿情報が含まれているおそれがないと判定したと認識する。

（ステップＳ２３）
ステップＳ２３において、出力制御部１５０は、現時点でバッファ１５１に蓄積されているデジタル音声データの出力を停止し、ステップＳ２４の処理に移る。

（ステップＳ２４）
ステップＳ２４において、出力制御部１５０は、判定部１３から受信した完全一致判定信号に基づいて、入力音声中に予めユーザが登録した個人情報等のキーワード（秘匿情報）のいずれかと完全一致する内容が含まれていると判定されたか否か、すなわち連続した入力音声データに対応する結合出力音素系列が秘匿情報音素系列のいずれかと完全一致していると判定されたかを確認する。完全一致判定信号は、結合出力音素系列が秘匿情報リスト１４１に登録された秘匿情報音素系列のいずれかと完全一致しているか否かを示す信号であって、判定部１３において生成され音声データ秘匿部１５に出力される。出力制御部１５０は、結合出力音素系列が秘匿情報リスト１４１に登録された秘匿情報音素系列のいずれかと完全一致していることを示す完全一致判定信号を受信した場合に、入力音声中に個人情報等のキーワードと完全一致する内容が含まれていると判定してステップＳ２５の処理に移る。一方、出力制御部１５０は、結合出力音素系列が秘匿情報リスト１４１に登録された秘匿情報音素系列のいずれとも完全一致していないことを示す完全一致判定信号を受信した場合に、入力音声中に個人情報等のキーワードと完全一致する内容が含まれていないと判定して音声秘匿処理を終了する。

（ステップＳ２５）
ステップＳ２５において、出力制御部１５０は、入力音声中に個人情報等のキーワード（秘匿情報）と完全一致する内容が含まれていることを示す完全一致判定信号を受信したことに基づいて、現時点でバッファ１５１に蓄積されているデジタル信号データを削除してバッファ１５１内をクリアし、音声秘匿処理を終了する。本実施形態による音声秘匿装置１０は、個人情報を含むキーワードと完全一致する内容のデジタル信号データがバッファ１５１から削除されることにより、例えば個人情報等のユーザが秘匿を所望する情報（秘匿情報）の流出を確実に防止することができる。

（ステップＳ２６）
ステップＳ２６において、出力制御部１５０は、判定部１３において秘匿情報リスト１４１に登録された秘匿情報と前方一致しないと判定されたデジタル音声データをバッファ１５１から出力する。これにより、音声秘匿装置１０は、秘匿情報に該当するおそれのないデジタル音声データを即時に出力してネットワーク３を介して音声認識サーバ１００に送信することができる。

このように、本実施形態による音声秘匿装置１０において、音声データ秘匿部１５の出力制御部（バッファ出力制御部の一例）１５０は、判定部１３によって秘匿情報音素系列と前方一致していると判定された出力音素に対応するデジタル音声データ、すなわち、個人情報等のキーワードと一致するおそれがあると判定された入力音声データと対応するデジタル音声データをバッファ１５１から出力しない。これにより、本実施形態による音声秘匿装置１０は、音声処理装置１のユーザが登録した秘匿情報（例えば個人情報等を含むキーワード）がネットワーク３を介して音声認識サーバ１００へ送信されるのを防止することができる。

音声秘匿装置１０を備える音声処理装置１は、入力音声データに対して、音声データ秘匿部１５における音声秘匿処理を必ず行い、個人情報等のキーワードに一致（前方一致）するおそれがないと判定されたデジタル音声データを出力する。したがって、音声処理装置１から出力されるデジタル音声データには、ユーザが秘匿を所望する秘匿情報は含まれない。

（１−４）秘匿情報判定処理
次に、図１および図２を参照しつつ図３を用いて判定部１３における秘匿情報判定処理の詳細を説明する。図３は、秘匿情報判定処理の流れの一例を時系列で説明する図である。本例において、秘匿情報リスト１４１には、電話番号に該当する情報として「０９００１２３４５６７」を示す秘匿情報音素系列情報が登録されている。また、秘匿情報リスト１４１には、上述の電話番号を含めて全１０個の秘匿情報音素系列（秘匿情報１〜１０）が蓄積されているとする。図３は、音声入力装置１１から入力音声として秘匿情報（例えば電話番号「０９００１２３４５６７」）と完全一致する内容が含まれる音声（本例では「電話番号は０９００１２３４５６７」）が入力された場合における秘匿情報判定処理の一例を示している。

より詳細には、図３の上から１段目と２段目には、音声入力装置１１における入力音声と一連の入力音声のうち１つ以上の音素を含む区間との対応が図示され、図３の３段目には、入力音声の各区間にそれぞれ対応する出力音素が図示されている。入力音声において母音（ａ、ｉ、ｕ、ｅ、ｏ）と母音以外の音（子音等）のそれぞれが１音素に対応しており、図３では、各音素をローマ字で表記している。例えば、図３に示すように、入力音声「デン」に対応する出力音素「ｄｅｎ」は、「ｄ」「ｅ」「ｎ」の３つの音素で形成されている。本例では、説明を容易にするため、入力音声を複数の音素を含む区間に分け、この区間について実行される逐次音声認識処理および秘匿情報判定処理における音声秘匿装置１０の各構成の動作について説明する。

また、図３の４段目には、音声認識部１２における出力音素の照合の経過が図示され、５段目には、時刻ｔ０から時刻ｔ５へ向かって時の経過を示す時間軸が図示されている。また、図３の６、７段目には、秘匿情報リスト１４１に登録されている各秘匿情報（キーワード）に対応する個人情報判定信号の信号レベル（高レベル：Ｈｉｇｈまたは低レベル：Ｌｏｗ）が図示され、８段目には、秘匿情報判定信号の状態の論理和を取った結果を示す秘匿情報判定信号（総合判定信号）が図示されている。また、図３の９、１０段目には、完全一致信号の信号レベル（高レベル：Ｈｉｇｈ又は低レベル：Ｌｏｗ）が図示され、１１段目には、完全一致信号の状態の論理和を取った結果を示す完全一致信号（総合判定信号）が図示されている。１２段目には、バッファ１５１に蓄積されているデジタル音声データに対応する入力音声が図示されている。また、図３の１３段目には、バッファ１５１から出力されたデジタル音声データに対応する入力音声が図示されている。

ここで、図３に図示する秘匿情報判定信号および完全一致信号の信号レベルについて説明する。信号レベルが高（Ｈｉｇｈ）レベルの秘匿情報判定信号は、秘匿情報判定結果として出力音素が秘匿情報音素系列と前方一致していることを示す。また、信号レベルが低（Ｌｏｗ）レベルの秘匿情報判定信号は、秘匿情報判定結果として出力音素が秘匿情報音素系列と前方一致していないことを示す。本実施形態による音声秘匿装置１０において、判定部１３から音声データ秘匿部１５に出力されるのは、図３の８段目に示す秘匿情報判定信号（総合）である。

また、信号レベルが高（Ｈｉｇｈ）レベルの完全一致判定信号は、結合出力音素系列が秘匿情報音素系列と完全一致していることを示す。また、信号レベルが低（Ｌｏｗ）レベルの完全一致判定信号は、結合出力音素系列が秘匿情報音素系列と完全一致していないことを示す。本実施形態による音声秘匿装置１０において、判定部１３から音声データ秘匿部１５に出力されるのは、図３の１１段目に示す完全一致信号（総合）である。

音声入力装置１１は、マイクから入力された上述の入力音声データ（音声信号）をサンプリングしてデジタル音声データに変換し、デジタル音声データを音声認識部１２およびバッファ１５１に逐次出力する。

音声認識部１２において、エンジン部１２０は、音声入力装置１１から入力されたデジタル音声データについて、時系列順に逐次音声認識処理を実行する。エンジン部１２０は、一連の逐次音声認識処理における音素認識処理の結果として得られた出力音素を判定部１３に出力する。本例において、デジタル音声データには、上述の入力音声（「電話番号は０９００１２３４５６７」）を構成する音素に相当する内容が含まれている。このため、例えば図３に示す一連の入力音声は、理解を容易にするために区間に区分すると、「デン」「ワ」「バン」「ゴウ」「ワ」「ゼロ」「キュー」「ゼロ」「ゼロ」「イチ」「ニー」「ゴ」「ヨン」「ロク」「ナナ」「ハチ」にそれぞれ相当するデジタル音声データを含む１６区間分に相当する。ここで、図３に示すように１６区間を時系列順に区間１〜１６とする。この区間１〜１６のそれぞれに含まれるデジタル音声データは、音声入力装置１１から時系列順に音声認識部１２に出力され、音声認識部１２のエンジン部１２０は、入力された順に各区間のデジタル音声データについて逐次音声認識処理を実行する。

図３に示すように、例えば時刻ｔ０において、音声認識部１２には、音声入力装置１１から区間１に含まれるデジタル音声データ（入力音声「デン」に相当）が出力される。このとき、バッファ１５１にも同様に区間１に含まれるデジタル音声データ（入力音声「デン」に相当）が出力されている。区間２〜１６に含まれるそれぞれのデジタル音声データも同様に、音声認識部１２とバッファ１５１とに同時に出力される。音声認識部１２は、区間１に含まれるデジタル音声データについて逐次音声認識処理を実行し、「デン」という日本語の発話に相当する音素情報「ｄｅｎ（デン）」を出力音素として判定部１３に出力する。なお、理解を容易にするため、明細書中において出力音素は一部を除き入力音声と同様にカタカナ表記で記載する。

判定部１３は、区間１に含まれるデジタル音声データに対応する出力音素「デン」が入力されると、この出力音素「デン」について秘匿情報判定処理を実行する。具体的には、判定部１３は、秘匿情報リスト１４１に蓄積されている秘匿情報音素系列のそれぞれについて、出力音素「デン」と前方一致するか否かを判定し、判定結果を秘匿情報判定信号として音声データ秘匿部１５に出力する。図３に示すように、本例において秘匿情報リスト１４１には、上述の電話番号に該当する秘匿情報１を含めて、クレジットカード番号や氏名等に該当する全１０個の個人情報を含むキーワード（秘匿情報１〜１０）が秘匿情報音素系列に変換されて蓄積されている。判定部１３は、秘匿情報リスト１４１内の全ての秘匿情報音素系列について出力音素と前方一致するか否かを判定する。

例えば、判定部１３は、秘匿情報１として登録されている秘匿情報テキスト「０９００１２３４５６７」に該当する秘匿情報音素系列「ゼロキューゼロイチニーサンヨンゴウロクナナ」と時刻ｔ０において出力された出力音素「デン」とが前方一致しないと判定する。このため、判定部１３は、現時点で入力音声中に秘匿情報１が含まれるおそれはないとして、秘匿情報１に対応する秘匿情報判定信号を低（Ｌｏｗ）レベルに設定する。

本例において、秘匿情報リスト１４１には、「デン」という音素系列で始まる秘匿情報音素系列は登録されていない。したがって、判定部１３は、秘匿情報２〜１０についても、秘匿情報１と同様に出力音素「デン」とが前方一致しないと判定したとする。これにより、秘匿情報２〜１０に対応する秘匿情報判定信号も低（Ｌｏｗ）レベルに設定する。判定部１３は、秘匿情報１〜１０に対応する秘匿情報判定信号（個別）のレベルについて論理和をとり、論理和の結果を示す秘匿情報判定信号（総合）を音声データ秘匿部１５に出力する。時刻ｔ０において判定部１３は、秘匿情報１〜１０に対応する全ての秘匿情報判定信号（個別）が低レベルに設定されていることに基づいて、信号レベルが低レベルに設定された秘匿情報判定信号（総合）を音声データ秘匿部１５に出力する。さらに、判定部１３は、秘匿情報１〜１０のいずれも出力音素「デン」と完全一致していないと判定し、秘匿情報１〜１０に対応する完全一致信号（個別）を低レベルに設定する。判定部１３は、秘匿情報１〜１０の論理和をとって低レベルの完全一致信号（総合）を音声データ秘匿部１５に出力する。

音声データ秘匿部１５が判定部１３から秘匿情報判定結果を受信すると（ステップＳ２１）、図２に示す音声秘匿処理が開始される。時刻ｔ０において、秘匿情報１〜１０に対応する秘匿情報判定信号の信号レベルは全て低レベルである。したがって、出力制御部１５０は、現在（すなわち時刻ｔ０）処理対象となっている区間１に含まれるデジタル音声データをバッファ１５１から出力可能であると判定して（ステップＳ２２のＹＥＳ）、区間１のデジタル音声データ（出力音素「デン」に該当）をバッファ１５１から出力し（ステップＳ２６）、音声秘匿処理を終了する。これにより、秘匿情報音素系列と前方一致しない出力音素に該当するデジタル音声データ、すなわち秘匿情報の一部に該当しないデジタル音声データは、秘匿情報判定処理後の音声秘匿処理において即座に出力され、ネットワーク３を介して速やかに音声認識サーバ１００に送信される。

図３に示すように、時刻ｔ０の経過後、時刻ｔ１までに音声認識部１２において出力音素に認識された区間２〜５に含まれるデジタル音声データ（入力音声「ワ」「バン」「ゴウ」「ワ」に相当）も同様に、判定部１３において秘匿情報リスト１４１のいずれの秘匿情報音素系列とも前方一致および完全一致しないと判定され、出力制御部１５０によってバッファ１５１から出力される。したがって、時刻ｔ０〜ｔ１までの期間において、音声認識サーバ１００には「デン ワ バン ゴウ ワ」という入力音声に対応する５区間分（区間１〜５）のデジタル音声データが送信される。また、図３に示すように、出力されたデジタル音声データはバッファ１５１には残存しない。

図３に示すように、時刻ｔ２において、音声認識部１２およびバッファ１５１には音声入力装置１１から区間６に含まれるデジタル音声データ（入力音声「ゼロ」に相当）が出力され、音声認識部１２により「ｚｅｒｏ（ゼロ）」という日本語の読みに相当する出力音素として判定部１３に出力される。時刻ｔ２において判定部１３は、区間６に含まれるデジタル音声データに対応する出力音素「ゼロ」について秘匿情報判定処理を実行する。上述のように、本例において、秘匿情報１に該当する秘匿情報音素系列は「ゼロキューゼロイチニーサンヨンゴウロクナナ」である。判定部１３は、出力音素「ゼロ」と秘匿情報１の秘匿情報音素系列における冒頭の音素「ゼロ」が同一であるため、入力された出力音素と秘匿情報１の秘匿情報音素系列とが前方一致すると判定し、秘匿情報１に対応する秘匿情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定する。また、判定部１３は、秘匿情報音素系列と前方一致した出力音素を所定の記憶領域で保持する。

また、本例において秘匿情報リスト１４１には、秘匿情報１以外に「ゼロ」という音素系列で始まる秘匿情報音素系列は登録されていない。このため、判定部１３は、秘匿情報２〜１０について秘匿情報音素系列と出力音素「ゼロ」とが前方一致しないと判定し、秘匿情報２〜１０に対応する秘匿情報判定信号（個別）を低（Ｌｏｗ）レベルに設定する。判定部１３は、秘匿情報１〜１０の論理和をとって高（Ｈｉｇｈ）レベルの秘匿情報判定信号（総合）を音声データ秘匿部１５に出力する。さらに、判定部１３は、秘匿情報判定信号（総合）が高レベルであるものの、秘匿情報１〜１０のいずれも出力音素「ゼロ」と完全一致していないと判定し、秘匿情報１〜１０に対応する完全一致信号（個別）を低レベルに設定する。判定部１３は、秘匿情報１〜１０の論理和をとって低レベルの完全一致信号（総合）を音声データ秘匿部１５に出力する。

音声データ秘匿部１５の出力制御部１５０は、時刻ｔ２での秘匿情報判定処理に基づいて実行する音声秘匿処理において、入力された秘匿情報判定信号（総合）の信号レベルを確認し、バッファ出力が可能か否かを判定する（ステップＳ２２）。時刻ｔ２において、秘匿情報１に対応する秘匿情報判定信号（個別）は高（Ｈｉｇｈ）レベルであるため、秘匿情報判定信号（総合）も高レベルに設定される。したがって、時刻ｔ２において出力制御部１５０は、バッファ出力が不可能であると判定し（ステップＳ２２のＮＯ）、バッファ１５１に蓄積されているデジタル音声データ（本例では区間６）の出力を停止する（ステップＳ２３）。これにより、本実施形態による音声秘匿装置１０は、入力音声の一部（各区間のデジタル音声データ）が秘匿情報と前方一致した時点、すなわち入力音声に秘匿情報が含まれるおそれがあると判定した段階で、入力音声の内容を秘匿することができる。したがって、音声秘匿装置１０は、従来のように入力音声中に含まれる内容が予め登録された秘匿情報等のキーワードと完全一致するか否かを判定するよりも早期の段階で、ユーザが秘匿を所望する秘匿情報の流出を予防することができる。

図３に示すように、時刻ｔ３において、音声認識部１２およびバッファ１５１には音声入力装置１１から区間７に含まれるデジタル音声データ（入力音声「キュー」に相当）が出力され、音声認識部１２により「ｋｙｕｕ（キュー）」という日本語の読みに相当する出力音素が判定部１３に出力される。時刻ｔ３において判定部１３は、区間７に含まれるデジタル音声データに対応する出力音素「キュー」と、時刻ｔ２において記憶した出力音素「ゼロ」とを結合して「ゼロキュー」という結合出力音素系列を生成し、この結合出力音素系列について秘匿情報判定処理を実行する。このように、判定部１３は、秘匿情報音素系列と前方一致済みの区間（本例では区間６）に対応する出力音素の後続の区間（本例では、区間７以降）に対応する出力音素を時系列順に結合して、結合出力音素系列を生成する。判定部１３は、結合出力音素系列を生成し、生成した結合出力音素系列について秘匿情報音素系列との前方一致の判定を繰り返すことにより、最終的に一連の入力音声と秘匿情報とが完全一致するか否かを判定することができる。

時刻ｔ３において判定部１３は、結合出力音素系列「ゼロキュー」と秘匿情報１の秘匿情報音素系列における冒頭から連続する音素「ゼロキュー」とが前方一致すると判定し、秘匿情報１に対応する秘匿情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定する。また、本例において秘匿情報リスト１４１には、秘匿情報１以外に「ゼロキュー」という音素系列で始まる秘匿情報音素系列は登録されていない。

また、判定部１３は、時刻ｔ２において入力された出力音素「キュー」単独で秘匿情報１〜１０の秘匿情報音素系列と前方一致するか否かを判定する。判定部１３は、結合出力音素系列と前方一致する秘匿情報音素系列が存在しているか否かに関わらず、結合出力音素系列の最後尾を構成する出力音素、すなわち最新の出力音素について、秘匿情報音素系列との前方一致を判定する。これにより、本実施形態による音声秘匿装置１０は、常に最新の出力音素と前方一致する秘匿情報音素系列を抽出し、入力音声が個人情報等を含むキーワード（秘匿情報）と一致するおそれの有無を適正に判定することができる。

本例において秘匿情報リスト１４１には、「キュー」という音素で始まる秘匿情報音素系列は登録されていないとする。このため、判定部１３は、秘匿情報２〜１０に対応する秘匿情報判定信号（個別）を低（Ｌｏｗ）レベルに設定する。判定部１３は、秘匿情報１〜１０のそれぞれに対応する秘匿情報判定信号（個別）の論理和をとって高（Ｈｉｇｈ）レベルの秘匿情報判定信号（総合）を音声データ秘匿部１５に出力する。さらに、判定部１３は、秘匿情報判定信号（総合）が高レベルであるものの、秘匿情報１〜１０のいずれも結合出力音素系列「ゼロキュー」および出力音素「キュー」と完全一致していないと判定し、秘匿情報１〜１０に対応する完全一致信号（個別）を低レベルに設定する。判定部１３は、秘匿情報１〜１０のそれぞれに対応する完全一致信号（個別）の論理和をとって低レベルの完全一致信号（総合）を音声データ秘匿部１５に出力する。低レベルに設定した完全一致信号を音声データ秘匿部１５に出力する。

音声データ秘匿部１５の出力制御部１５０は、時刻ｔ３での秘匿情報判定処理に基づいて実行する音声秘匿処理において、時刻ｔ２と同様にバッファ１５１からのデジタル信号データの出力を停止する（ステップＳ２２のＮＯからステップＳ２３の流れ）。これにより、図３に示すように、時刻ｔ３での秘匿情報判定処理に基づく音声秘匿処理の終了時においてバッファ１５１には、区間６および区間７に含まれるデジタル信号データ（入力音声「ゼロ」「キュー」に相当）が蓄積される。

図３に示すように、時刻ｔ３経過後、時刻ｔ４までの期間に音声認識部１２に出力された区間８〜１６に含まれるデジタル音声データは、それぞれ出力音素「ｚｅｒｏ（ゼロ）」「ｉｃｈｉ（イチ）」「ｎｉｉ（ニー）」「ｓａｎ（サン）」「ｙｏｎ（ヨン）」「ｇｏ（ご）」「ｒｏｋｕ（ロク）」として認識され、判定部１３において順次、結合出力音素系列「ゼロキューゼロ」（区間６〜８に対応する出力音素の結合）、「ゼロキューゼロゼロ」（区間６〜９に対応する出力音素の結合）、「ゼロキューゼロゼロイチ」（区間６〜１０に対応する出力音素の結合）、「ゼロキューゼロゼロイチニー」（区間６〜１１に対応する出力音素の結合）、「ゼロキューゼロゼロイチニーサン」（区間６〜１２に対応する出力音素の結合）、「ゼロキューゼロゼロイチニーサンヨン」（区間６〜１３に対応する出力音素の結合）、「ゼロキューゼロゼロイチニーサンヨンゴ」（区間６〜１４に対応する出力音素の結合）、「ゼロキューゼロゼロイチニーサンヨンゴロク」（区間６〜１５に対応する出力音素の結合）が生成される。

時刻ｔ３経過後から時刻ｔ４までの期間に生成されたこれらの結合出力音素系列は、いずれも秘匿情報１に対応する秘匿情報音素系列と前方一致する。このため、時刻ｔ３経過後から時刻ｔ４の期間において秘匿情報１に対応する秘匿情報判定信号（個別）は高（Ｈｉｇｈ）レベルに設定され、秘匿情報２〜１０に対応する秘匿情報判定信号（個別）が低（Ｌｏｗ）レベルであっても、論理和によって高レベルに設定された秘匿情報判定信号（総合）が音声データ秘匿部１５に出力される。これに基づいて、出力制御部１５０は、時刻ｔ３経過後から時刻ｔ４までバッファ１５１からのデジタル音声データの出力停止を継続する。このため、図３に示すように、時刻ｔ４において個人判定処理が実行されたことに基づく音声秘匿処理の終了時において、バッファ１５１には区間６〜１５の１０区間分のデジタル音声データが蓄積される。本例において、区間６〜１５に含まれるデジタル音声データ（入力音声「ゼロキューゼロゼロイチニーサンヨンゴロク」に相当）がバッファ１５１に蓄積されている期間は、出力制御部１５０によりデジタル音声データの出力が停止されている出力停止期間となる。

また、本実施形態による音声秘匿装置１０において、判定部１３は、秘匿情報音素系列と出力音素（または結合出力音素系列）との前方一致の判定により、出力音素と秘匿情報音素系列との一致の度合い、すなわち一連の入力音声と個人情報等を含むキーワードとの一致の度合いを判定可能である。本例において、判定部１３は、秘匿情報音素系列を構成する音素のうち結合出力音素系列と前方一致している音素の割合が多いほど、出力音素と秘匿情報音素系列との一致の度合が高いと判定する。例えば、秘匿情報１に対応する秘匿情報音素系列「ゼロキューゼロイチニーサンヨンゴウロクナナ」に対する一致の度合いは、結合出力音素系列「ゼロキューゼロ」（区間６〜８の結合）よりも、結合出力音素系列「ゼロキューゼロゼロ」（区間６〜９の結合）の方が高い。したがって、秘匿情報音素系列と完全一致している結合出力音素系列は、一致度合が最高（１００％）となる。このように、出力音素と秘匿情報音素系列との一致度合が高いほど、一連の入力音声にキーワードが含まれるおそれ（危険性）が大きくなる。
また、一連の入力音声にキーワードが含まれるおそれ（入力音声とキーワードとが一致するおそれ）が全くない場合は、一連の入力音声と個人情報等を含むキーワードとの一致度合は０％である。音声秘匿装置１０において、判定部１３により出力音素と秘匿情報音素系列とが前方一致していると判定された時点、すなわち、秘匿情報判定信号（総合）が高（Ｈｉｇｈ）レベルに設定された時点で、一連の入力音声と個人情報等を含むキーワードとの一致度合は０％よりも大きい値となる。本例では、出力音素「ｚｅｒｏ」（区間６に含まれるデジタル音声データに対応）と秘匿情報１の秘匿情報音素系列とが前方一致すると判定された時刻ｔ２において出力音素と音素系列の一致度合が０％よりも大きい値となる。一致度合が０％よりも大きい値となることにより、一連の入力音声にキーワードが含まれるおそれが発生する。

図３に示すように、時刻ｔ５において、音声認識部１２およびバッファ１５１には音声入力装置１１から区間１２に含まれるデジタル音声データ（入力音声「ナナ」に相当）が出力され、音声認識部１２により「ナナ」という日本語の読みに相当する出力音素「ｎａｎａ」が判定部１３に出力される。時刻ｔ５において判定部１３は、区間６〜１５に含まれるデジタル音声データに対応する出力音素で生成された結合出力音素系列の最後尾に区間１６に含まれるデジタル音声データに対応する出力音素「ｎａｎａ（ナナ）」を結合し、結合出力音素系列「ゼロキューゼロゼロイチニーゴ」（区間６〜１６の結合）を生成する。

区間６〜１６を結合して生成された結合出力音素系列「ゼロキューゼロゼロイチニーサンヨンゴロクナナ」は、秘匿情報１に対応する秘匿情報音素系列と前方一致かつ完全一致する。このため、判定部１３は、秘匿情報判定信号（総合）を高（Ｈｉｇｈ）レベルに設定するとともに、結合出力音素系列と秘匿情報音素系列との一致度合が最高になった（完全一致した）ことに基づいて秘匿情報１に対応する完全一致信号（個別）の信号レベルを高（Ｈｉｇｈ）レベルに設定する。さらに、判定部１３は、秘匿情報１〜１０にそれぞれ対応する完全一致信号（個別）の論理和をとって高レベルの完全一致信号（総合）を音声データ秘匿部１５に出力する。

出力制御部１５０は、時刻ｔ５での音声秘匿処理において、秘匿情報判定信号（総合）の信号レベルが高（Ｈｉｇｈ）レベルであることに基づいて、バッファ１５１からのデジタル信号データの出力を停止する（ステップＳ２２のＮＯからステップＳ２３の流れ）。また、出力制御部１５０は、完全一致判定信号の信号レベルが高レベルであって入力音声中に個人情報等のキーワードと完全一致する内容が含まれていると判定し（ステップＳ２４のＹＥＳ）、現時点でバッファ１５１に蓄積されているデジタル信号データを削除する（ステップＳ２５）。これにより、バッファ１５１に蓄積されていた区間６〜１６に対応するデジタル音声データ、すなわち秘匿情報１に完全一致する内容のデジタル音声データがバッファ１５１から削除される。このように、本実施形態による音声秘匿装置１０は、秘匿情報リスト１４１に登録されている個人情報等のキーワード（秘匿情報）のいずれかと完全一致する内容のデジタル音声データを、バッファ１５１から削除できる。したがって、音声秘匿装置１０において、個人情報等のキーワードが音声認識サーバ１００に送信されることはなく、音声秘匿装置１０は、ユーザが予め登録した秘匿情報が流出することを確実に防止することができる。

次に、図１から図３を参照しつつ図４を用いて判定部１３における秘匿情報判定処理の流れの他の一例を説明する。図４は、秘匿情報判定処理の流れの他の一例を時系列で説明する図である。図４は、音声入力装置１１から入力音声として秘匿情報１（例えば電話番号「０９００１２３４５６７」）と前方一致するものの完全一致はしない内容が含まれる前方一致音声が入力された場合における秘匿情報判定処理の一例を示している。本例の前方一致音声は、「電話番号は０９００１２５４６７８」という一連の音声であるとする。なお、図４の上から１〜１１段目に図示されている項目は図３の上から１〜１１段目に図示されている項目と同様であるため、説明は省略する。

図４に示すように、本例の前方一致音声は、「デン」「ワ」「バン」「ゴウ」「ワ」「ゼロ」「キュー」「ゼロ」「ゼロ」「イチ」「ニー」「ゴ」「ヨン」「ロク」「ナナ」「ハチ」の内容にそれぞれ該当するデジタル音声データを含む１６個の区間として、区間１０１〜１１６の順（時系列順）に音声認識部１２に出力される。

図４に示すように判定部１３は、時刻ｔ１０から時刻ｔ１１までの期間において、音声認識部１２が逐次音声認識処理を行った区間１０１〜１０５に対応する出力音素「ｄｅｎ（デン）」「ｗａ（ワ）」「ｂａｎ（バン）」「ｇｏｕ（ゴウ）」「ｗａ（ワ）」について、秘匿情報判定処理を実行する。判定部１３は、区間１０１〜１０５に対応する出力音素のいずれも、秘匿情報リスト１４１に登録されている秘匿情報音素系列のいずれとも前方一致および完全一致しないと判定する。したがって、出力制御部１５０は、図４に示す時刻ｔ１０からｔ１１の期間における音声秘匿処理において、図３に示す時刻ｔ０から時刻ｔ１と同様に、「デン ワ バン ゴウ ワ」という５区間分（区間１０１〜１０５）のデジタル音声データを時系列順にバッファ１５１から出力する（ステップＳ２２のＹＥＳからステップＳ２６の流れ）。

また、時刻ｔ１２での秘匿情報判定処理において、判定部１３は、区間１０６に含まれるデジタル音声データに対応する出力音素「ｚｅｒｏ（ゼロ）」について、秘匿情報１の秘匿情報音素系列と前方一致すると判定し、信号レベルが高（Ｈｉｇｈ）レベルの秘匿情報判定信号（総合）を音声データ秘匿部１５に出力する。これに基づいて、時刻ｔ１２での音声秘匿処理において出力制御部１５０は、図３に示す時刻ｔ２と同様に、バッファ１５１からのデジタル信号データの出力を停止する（ステップＳ２２のＮＯからステップＳ２３の流れ）。以降、時刻ｔ１３から時刻ｔ１４の期間において、判定部１３は区間１０６〜１１１を順次結合した結合出力音素系列を生成し、生成した結合出力音素系列と秘匿情報１の秘匿情報音素系列とが前方一致すると判定する。

このため、時刻ｔ１３から時刻ｔ１４の期間において秘匿情報判定信号（総合）は高（Ｈｉｇｈ）レベルに設定され、出力制御部１５０は、バッファ１５１からのデジタル音声データの出力停止を継続する。したがって、図４に示すように、本例では時刻ｔ１３から時刻ｔ１４の期間がバッファ１５１からのデジタル音声データの出力が停止される出力停止期間となり、区間１０６〜区間１１１の６区間分のデジタル音声データ（図４に示す前方一致音声（入力音声）のうち「ゼロキューゼロゼロイチニー」に相当）がバッファ１５１に蓄積される。

図４に示すように、時刻ｔ１５において、音声認識部１２およびバッファ１５１には音声入力装置１１から区間１１２に含まれるデジタル音声データ（入力音声「ゴ」に相当）が出力され、音声認識部１２により「ゴ」という日本語の読みに相当する出力音素「ｇｏ」が判定部１３に出力される。時刻ｔ１５において判定部１３は、区間１０６〜１１１に含まれるデジタル音声データに対応する出力音素で生成された結合出力音素系列の最後尾に区間１２に含まれるデジタル音声データに対応する出力音素「ゴ」を結合し、結合出力音素系列「ゼロキューゼロゼロイチニーゴ」（区間１０６〜１１２に対応する出力音素の結合）を生成する。

時刻ｔ１５において判定部１３が生成した結合出力音素系列は、秘匿情報１の対応する秘匿情報音素系列「ゼロキューゼロゼロイチニーサンヨンゴロクナナ」と前方一致しない。また、秘匿情報２〜１０に対応する秘匿情報音素系列とも前方一致しなかったとする。さらに、判定部１３は、出力音素「ゴ」のみで秘匿情報１〜１０に対応する秘匿情報音素系列と前方一致を判定する。本例において秘匿情報リスト１４１には、「ゴ」という音素系列で始まる秘匿情報音素系列は登録されていないとする。したがって、判定部１３は、秘匿情報１〜１０のそれぞれに対応する秘匿情報判定信号（個別）を全て低（Ｌｏｗ）レベルに設定し、秘匿情報判定信号（個別）の信号レベルの論理和により低レベルに設定された秘匿情報判定信号（総合）を音声データ秘匿部１５に送信する。このように、判定部１３は、結合出力音素系列と前方一致していた秘匿情報音素系列が存在しなくなった場合にも、結合出力音素系列の最後尾を構成する出力音素、すなわち最新の出力音素について、秘匿情報音素系列との前方一致を判定する。これにより、入力音声が個人情報等を含むキーワードと一致するおそれの有無を適正に判定することができる。

音声データ秘匿部１５の出力制御部１５０は、時刻ｔ１５での秘匿情報判定処理に基づいて実行する音声秘匿処理において、秘匿情報判定信号（総合）の信号レベルが低（Ｌｏｗ）レベルであることに基づいて、バッファ出力が可能であると判定し（ステップＳ２２のＹＥＳ）、バッファ１５１に蓄積されているデジタル音声データを出力する（ステップＳ２６）。図４に示すように、時刻ｔ１５においてバッファ１５１には、区間６〜１２に対応する７区間分のデジタル音声データ（入力音声「ゼロキューゼロゼロイチニーゴ」に相当）が蓄積されている。上述のように、バッファ１５１は、先入れ先出し方式によりデジタル音声データが入出力される。このため、出力制御部１５０は、時系列順、すなわち先にバッファ１５１に蓄積された区間から順に連続して、逐次デジタル音声データを出力する。本例では、区間１０６〜１１２がこの順に、バッファ１５１から連続して出力される。これにより、複数区間に含まれるデジタル音声データは一連の入力音声の時系列による連続性を保持してネットワーク３を介して音声認識サーバ１００へ送信される。音声認識サーバ１００は、受信したデジタル音声データについて音声認識を行い、音声認識結果をサーバ５００に送信する。このため、サーバ５００は、ユーザが発話した内容に応じた処理結果（例えば情報検索結果）を音声処理装置１に返すことができる。

なお、本発明において、バッファ１５１におけるデジタル音声データの入出力方法は、先入れ先出し方式に限られない。音声秘匿装置１０は、バッファ１５１に蓄積された複数区間分のデジタル音声データを、時系列順を維持した状態で音声認識サーバ１００に送信可能であれば、バッファ１５１においてどのような方式でデジタル音声データの入出力を行ってもよい。

図４に示すように、時刻ｔ１５の経過後、時刻ｔ１６までの期間に音声認識部１２に出力された区間１１３〜１１６に含まれるデジタル音声データは、それぞれ出力音素「ｙｏｎ（ヨン）」「ｒｏｋｕ（ロク）」「ｎａｎａ（ナナ）」「ｈａｃｈｉ（ハチ）」として認識され、判定部１３において順次、秘匿情報判定処理が実行される。区間１１３〜１１６に含まれるデジタル音声データに対応する出力音素は、区間１０１〜１０５に含まれるデジタル音声データに対応する出力音素と同様に、判定部１３において秘匿情報リスト１４１に蓄積された秘匿情報１〜１０いずれの秘匿情報音素系列とも前方一致および完全一致しないと判定されたとする。このため、区間１１３〜１１６に含まれるデジタル音声データは、秘匿情報判定処理後において出力制御部１５０により即座にバッファ１５１から出力される。したがって、時刻ｔ１５の経過後から時刻ｔ１６までの期間において、音声認識サーバには「ヨン」「ロク」「ナナ」「ハチ」という４区間分のデジタル音声データが送信される。

以上、図１から図４を用いて説明したように、本実施形態による音声秘匿装置１０は、複数のキーワードが音情報に変換された秘匿情報音素系列（音素系列情報の一例）を記憶可能な記憶部１４と、所定の音声発生源（例えば、音声処理装置１のユーザ）からの入力音声（入力音声データ）を、逐次音声認識処理により音素レベルで認識した情報である出力音素（出力音素情報の一例）として出力する音声認識部１２と、音声認識部１２が出力した出力音素が記憶部１４の秘匿情報リスト１４１に記憶されている秘匿情報音素系列（記憶音素情報の一例）との一致の度合いに基づいて入力音声データとキーワードとが一致するおそれがあるか否かを逐次判定可能な判定部１３と、判定部１３によりキーワードと一致するおそれがあると判定された入力音声データに対応するデジタル音声データの内容を秘匿可能な音声データ秘匿部１５と、を備える。
また、判定部１３は、音声認識部１２が出力した出力音素と記憶部１４に記憶されている秘匿情報音素系列の前方一致の度合いに基づいて所定の音声発生源からの入力音声データとキーワード（個人情報等）とが一致するおそれがあるか否かを逐次判定可能であり、音声データ秘匿部１５は、判定部１３により秘匿情報音素系列との前方一致の度合いが所定の度合い以上であると判定された出力音素に対応する音声データの内容を秘匿可能である。

これにより、本実施形態による音声秘匿装置１０は、例えば入力音声の一部が個人情報等のキーワード（ユーザが秘匿を所望する情報（秘匿情報））と前方一致し入力音声がキーワードと一致する可能性が生じた段階で、入力音声の内容を秘匿することができる。したがって、音声秘匿装置１０は、一連の入力音声（例えば「電話番号は０９００１２３４５６７」）の音声認識における早期の段階、すなわち完全一致を待たずに一致するおそれが生じた段階で、確実かつ迅速に個人情報等を含む秘匿情報の流出を防止することができる。

また、本発明による音声秘匿装置１０は、判定部１３において、音声認識部１２による入力音声の認識結果である出力音素と秘匿情報リスト１４１に蓄積されている秘匿情報音素系列との一致の度合い（例えば、前方一致しているか否か）を判定する。出力音素および秘匿情報音素系列はいずれも音情報である。このため、音声秘匿装置１０は、秘匿情報との一致の判定を行う度に、予め登録されている秘匿情報のデータ型（例えばテキスト）と入力音声のデータ型とを一致させる処理を行う必要がない。したがって、音声秘匿装置１０は、秘匿情報判定処理時の処理負荷を低減させ、かつ処理速度の迅速性を維持して入力音声の内容と秘匿情報（例えば個人情報等を含むキーワード）との比較を効率的に行うことができる。

また、本発明による音声秘匿装置１０において、音声データ秘匿部１５は、判定部１３により所定の音声発生源（例えば、音声処理装置１のユーザ）からの入力音声データが個人情報等のキーワードと完全一致する可能性がないと判定された場合に、該入力音声に対応するデジタル音声データの内容を秘匿しない。これにより、音声秘匿装置１０は、入力音声データに秘匿情報が含まれるおそれがないと判定された時点で迅速にデジタル音声データを出力して音声認識サーバ１００へ送信することができる。このため、音声秘匿装置１０は、音声処理装置１のユーザが秘匿を所望する情報（秘匿対象情報）の流出防止と、音声認識サーバ１００を利用したサービスの提供速度の維持を両立することができる。

（１−５）音声秘匿プログラム
本実施形態の音声秘匿装置１０は、コンピュータやスマートスピーカ等の情報端末装置である音声処理装置１に展開されたソフトウェアプログラム（音声秘匿プログラム）であって、ソフトウェアプログラムの指令により音声処理装置１のＣＰＵが演算処理を実行することによって構成される。すなわち、本実施形態による音声秘匿プログラムは、所定の情報端末装置（本例では音声処理装置１）を、複数のキーワードが音素系列情報に変換された秘匿情報音素系列を記憶可能な記憶部１４、所定の音声発生源（例えば、音声処理装置１のユーザ）から入力された入力音声を、逐次音声認識処理により音素レベルで認識した出力音素として出力する音声認識部１２、音声認識部１２が出力した出力音素と記憶部１４の秘匿情報リスト１４１に記憶されている秘匿情報音素系列情報との一致の度合いに基づいて入力音声データとキーワードとが一致するおそれがあるか否かを逐次判定可能な判定部１３、および判定部１３により個人情報等のキーワードと一致するおそれがあると判定された入力音声データに対応するデジタル音声データの内容を秘匿可能な音声データ秘匿部１５として機能させる。

（第１実施形態の変形例１）
次に、図５Ａを用いて、第１実施形態の変形例１について説明する。変形例１は、音声秘匿装置１０が実行する秘匿情報判定処理および音声秘匿処理の内容が上記第１実施形態と異なる。具体的には、変形例１において、音声秘匿装置１０は、入力音声データ中に個人情報等を含む内容の発話を行うと予測される情報（秘匿予測情報）が含まれるか否かに基づいて入力音声データ中に個人情報等の秘匿情報が含まれるおそれがあるか否かを判定し、該判定に応じてデジタル音声データのバッファ出力の可否を決定する。ここで、秘匿予測情報としては、例えば「電話番号は」、「名前は」のように続けて個人情報が発話されると予測されるキーワードが想定される。

変形例１において記憶部１４には、秘匿予測情報リストが記憶されている。秘匿予測情報リストは、秘匿情報リスト１４１と同様にテーブル形式で複数の秘匿予測情報を蓄積している。また、秘匿予測情報リストに蓄積されている秘匿予測情報は、秘匿情報と同様に、音声処理装置１のユーザが音声処理装置１と接続された所定の情報端末装置を用いて予め登録した情報である。なお、変形例１において、記憶部１４には秘匿予測情報リストのみが記憶されていてもよいし、秘匿予測情報リストおよび秘匿情報リスト１４１の両方が記憶されていてもよい。

図５Ａは、変形例１における秘匿情報判定処理および音声秘匿処理を時系列で説明する図である。本例において、秘匿予測情報リストには、秘匿予測情報として「電話番号は」という内容を示す秘匿予測音素系列「（デンワバンゴウワ）」（秘匿予測情報１）および「名前は」という内容を示す秘匿予測音素系列「（ナマエワ）」（秘匿予測情報２）が少なくとも蓄積されているとする。図５Ａは、音声入力装置１１から入力音声として秘匿予測情報１と完全一致する内容が含まれる音声（本例では「電話番号は０９００１２３４５６７」）が入力された場合における秘匿情報判定処理の一例を示している。本例における一連の入力音声は図３における入力音声と同一内容である。このため、図５Ａでは図３と同様に、入力音声が区間１〜１６の１６個の区間に分けて表されている。

図５Ａに示すように、判定部１３は、時刻ｔ２０において、区間１に含まれるデジタル音声データに対応する出力音素「ｄｅｎ（デン）」について、秘匿予測情報１の秘匿予測情報音素系列と前方一致すると判定する。また、判定部１３は、秘匿予測音素系列と前方一致した出力音素を所定の記憶領域で保持し、時刻ｔ２１までの期間において、区間２〜５に対応するデジタル音声データを順次結合した結合出力音素系列を生成する。

判定部１３は、時刻ｔ２１の期間において生成した結合出力音素系列「デンワバンゴウワ」（区間１〜５に対応する出力音素の結合）と、秘匿予測情報１の秘匿予測音素系列（「デンワバンゴウワ」）とが完全一致すると判定し、秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定する。信号レベルが高レベルの秘匿予測情報判定信号は、出力音素が秘匿予測音素系列と完全一致していることを示す。また、判定部１３は、時刻ｔ２１において、結合出力音素系列「デンワバンゴウワ」と、秘匿予測情報２の秘匿予測音素系列（「ナマエワ」）とが完全一致しないと判定し、秘匿予測情報２に対応する秘匿予測情報判定信号（個別）を低（Ｌｏｗ）レベルに設定する。信号レベルが低レベルの秘匿予測情報判定信号（個別）は、出力音素が秘匿予測音素系列と完全一致していないことを示す。判定部１３は、秘匿予測情報１、２に対応する秘匿予測情報判定信号（個別）の論理和をとって、高レベルの秘匿予測情報判定信号（総合）を音声データ秘匿部１５に出力する。

また、判定部１３は、時刻ｔ２１において秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定すると、時刻ｔ２２以降、予め定められた一定期間（例えば５秒間）に亘って音声認識部１２から出力音素が出力される度に、秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を高レベルに設定し、高レベルの秘匿予測情報判定信号（総合）を音声データ秘匿部１５に出力する。音声データ秘匿部１５の出力制御部１５０は、時刻ｔ２１において判定部１３から高レベルの秘匿予測情報判定信号を受信すると、時刻ｔ２２以降、低レベルの秘匿予測情報判定信号（総合）を受信するまでの期間、すなわち上述の一定期間に亘って音声入力装置１１からバッファ１５１に入力されたデジタル音声データを削除する。すなわち、変形例１において、この一定期間が、バッファ１５１からデジタル音声データが出力されない出力停止期間となる。本例では、図５Ａに示すように、時刻ｔ２２から時刻ｔ２３までの期間において、判定部１３がレベルの秘匿予測情報判定信号（総合）を音声データ秘匿部１５に出力し、該期間中にバッファ１５１に入力された区間６〜１６に含まれるデジタル音声データ（入力音声「ゼロキューゼロゼロイチニーサンヨンゴロクナナ」に対応）が、出力制御部１５０により順次削除される。

このように、変形例１において、音声秘匿装置１０は、判定部１３により入力音声に秘匿予測情報と一致する内容が含まれると判定されたこと、すなわち、入力音声データとキーワード（音声秘匿情報）とが一致するおそれがあると判定されたことに基づいて、判定後の予め定められた一定期間（出力停止期間）に音声処理装置１のユーザから入力された入力音声データに対応するデジタル音声データ（音声入力装置１１からバッファ１５１に入力されたデジタル音声データ）の内容を秘匿する（バッファ出力を停止する）ことができる。これにより、変形例１における音声秘匿装置１０は、個人情報等を含む秘匿情報をユーザが発話するよりも前の時点、すなわちユーザが秘匿情報を発話することが予測された時点で入力音声の内容を秘匿することができる。また、出力停止期間において出力制御部１５０は、バッファ１５１に入力されたデジタル音声データを削除する。これにより、変形例１における音声秘匿装置１０は、個人情報等のユーザが秘匿を所望する情報（秘匿情報）の流出を確実に防止することができる。

（第１実施形態の変形例２）
次に、図５Ｂを用いて第１実施形態の変形例２について説明する。変形例２は、判定部１３により入力音声に秘匿予測情報と一致する内容が含まれると判定された場合における、出力停止期間の判定方法が変形例１と異なる。図５Ｂは、入力音声を複数区間に分けずに、音声区間と対応付けている点が図５Ａと異なるが、この点以外は、図５Ａと同様である。変形例２において、音声認識部１２のエンジン部１２０は、所定時間に亘ってユーザによる発話が連続している音声区間と、発話中の息継ぎ等によって生じる一定時間（例えば、５００ミリ秒）以上の無音の区間（音声が存在しない区間）とを判別し、音声区間ごとにデジタル音声データを音素レベルで認識して判定部１３に出力する。

図５Ｂに示すように、本例においてエンジン部１２０は、「デンワバンゴウワ」という一連の入力音声に対応する音声区間ａｃ１（時刻ｔ３０から時刻ｔ３１）に含まれるデジタル音声データについて音素レベルで認識し、時刻ｔ３１において出力音素「ｄｅｎｗａｂａｎｇｏｕｗａ（デンワバンゴウワ）」を判定部１３に出力する。判定部１３は、時刻ｔ３１において出力音素が秘匿予測情報１の秘匿予測音素系列（「デンワバンゴウワ」）と完全一致すると判定し、秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定する。また、時刻ｔ３１において判定部１３は、出力音素と秘匿予測情報２の秘匿予測音素系列（「ナマエワ」）とが完全一致しないと判定し、秘匿予測情報２に対応する秘匿予測情報判定信号（個別）を低（Ｌｏｗ）レベルに設定する。判定部１３は、秘匿予測情報１、２に対応する秘匿予測情報判定信号（個別）の論理和をとって高レベルの秘匿予測情報判定信号（総合）を音声データ秘匿部１５に出力する。

また、判定部１３は、時刻ｔ３１において秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定すると、以降、所定数分（例えば２個分）の音声区間に対応する期間において、秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を高レベルに設定し、各音声区間に含まれるデジタル音声データに対応する出力音素が音声認識部１２から出力される度に高レベルの秘匿予測情報判定信号（総合）を音声データ秘匿部１５に出力する。音声データ秘匿部１５の出力制御部１５０は、時刻ｔ３１において判定部１３から高レベルの秘匿予測情報判定信号を受信すると、時刻ｔ３２以降、所定数分（例えば２個分）の音声区間に対応するデジタル音声データをバッファ１５１から削除する。本例では、図５Ｂに示すように、秘匿予測情報１の秘匿予測音素系列と一致する内容のデジタル音声データを含む音声区間ａｃ１の後続の音声区間ａｃ２（時刻ｔ３２から時刻ｔ３３の期間に相当）、ａｃ３（時刻ｔ３４から時刻ｔ３５の区間に相当）の２つの音声区間に含まれるデジタル音声データ（入力音声「ゼロキューゼロゼロイチニーサンヨンゴロクナナ」に対応）がバッファ１５１から削除される。このように変形例２において、所定数（本例では２）の音声区間に相当する期間が出力停止期間となる。また、出力停止期間の終了後、判定部１３は秘匿予測情報１に対応する秘匿予測情報判定信号（個別）を低（Ｌｏｗ）レベルに設定するとともに、低レベルの秘匿予測情報判定信号（総合）を音声データ秘匿部１５に出力する。これにより、出力停止期間の終了後において、出力制御部１５０は、バッファ１５１に入力されたデジタル音声データのバッファ出力が可能となる。

このように、本変形例２において、音声秘匿装置１０は、判定部１３により入力音声データに秘匿予測情報と一致する内容が含まれると判定されたことに基づいて、判定後に所定の音声発生源から入力された入力音声データに対応するデジタル音声データのうち所定数の音声区間の音声データの内容を秘匿することができる。すなわち、出力制御部１５０は、判定部１３による判定後の所定数の音声区間に相当する期間（出力停止期間）に音声入力装置１１からバッファ１５１に入力されたデジタル音声データを秘匿する（バッファ出力を停止する）ことができる。これにより、変形例２における音声秘匿装置１０は、ユーザが秘匿情報を発話することが予測された時点で入力音声の内容を秘匿することができる。また、出力停止期間において出力制御部１５０は、バッファ１５１に入力されたデジタル音声データを削除する。これにより、変形例２における音声秘匿装置１０は、個人情報等のユーザが秘匿を所望する情報（秘匿情報）の流出を確実に防止することができる。

音声秘匿装置１０は、予め定められた一定時間を出力停止期間とする変形例１と、所定数の音声区間に相当する期間を出力停止期間とする変形例２との両方を実行可能であってもよい。例えば、変形例１における秘匿情報判定処理および音声秘匿処理と、変形例２における秘匿情報判定処理および音声秘匿処理とを、所定の条件で切り替えて、または組み合わせて実行してもよい。例えば、音声秘匿装置１０は、予め定められた一定時間を出力停止期間とするか、または所定数の音声区間に相当する期間を出力停止期間とするように構成されもよい。例えば、音声秘匿装置１０は、予め定められた一定時間と、所定数の音声区間に相当する期間のいずれかに属する期間のうちの少なくとも一方に属する期間を出力停止期間とするように構成されてもよい。

なお、本実施形態において、音声秘匿装置１０は、入力音声とキーワードとが一致するおそれがあるか否かを、秘匿情報音素系列と出力音素との前方一致によって判定するとしたが、秘匿情報音素系列のうち前方一致の対象とする部分（秘匿情報音素系列の先頭からの個数）を、秘匿情報音素系列ごとに設定できるようにしてもよい。これにより、一致のおそれを秘匿情報の内容や音声認識部１２の特性等に応じてより適切に判定できる。また、一致の度合いの算出は前方一致に限られず、例えば、中間一致（前方部分のうち混同を生じやすい冒頭の音素を除く部分との一致）により算出してもよい。音声秘匿装置１０は、一致の度合いに基づき一致のおそれを判定することで、音声認識における早期の段階、すなわち完全一致を待たずに一致するおそれが生じた段階で、確実かつ迅速に個人情報等を含む秘匿情報の流出を防止することができる。

２．第２実施形態
次に、本発明の第２実施形態による音声秘匿装置について図６および図７を用いて説明する。本実施形態による音声秘匿装置２０は、情報端末装置等の一構成要素としてではなく単独で構成される点で、第１実施形態による音声秘匿装置１０と異なる。音声秘匿装置２０は例えば、スマートスピーカ等の音声認識機能を備えた情報端末装置の近傍に配置されて、情報端末装置のユーザが秘匿を所望する秘匿情報を妨害音の出力により秘匿する装置である。

図６に示すように、音声秘匿装置２０は、音声入力部２１と、エコーキャンセラ２２と、音声認識部１２と、判定部１３と、記憶部１４と、音声データ秘匿部２５とを有している。音声秘匿装置２０において、第１実施形態による音声秘匿装置１０と同一の作用効果を有する構成は、図１に示す音声秘匿装置１０と同一の符号を付し、詳細な説明は省略する。

音声入力部２１は、第１実施形態による音声秘匿装置１０を有する音声処理装置１（図１参照）が備える音声入力装置１１と同様の機能を有する。音声入力部２１は、入力音声データから生成されたデジタル音声データをサンプリング単位でエコーキャンセラ２２に出力する。

エコーキャンセラ２２は、音響エコーを抑制、除去する機能を有する。音声秘匿装置２０において抑制、除去の対象となる音響エコーは、音声入力部２１に収音された、音声秘匿装置２０からの妨害音に対応する入力音声データである。例えば、エコーキャンセラ２２は、音声入力部２１からサンプリング単位で入力されたデジタル音声データから、妨害音に該当する信号を除去して、妨害音が除去されたデジタル音声データを音声認識部１２に出力する。これにより、音声認識部１２は、妨害音を含まないデジタル音声データについて逐次音声認識処理を実行し、出力音素を判定部１３に出力することができる。

音声秘匿装置２０における記憶部１４は、秘匿情報リスト１４２を有している。秘匿情報リスト１４２には、秘匿情報リスト１４１と同様に音声秘匿装置２０のユーザが秘匿を所望する秘匿情報（個人情報等のキーワード）が秘匿情報音素系列として蓄積されている。さらに秘匿情報リスト１４２には、各秘匿情報音素系列に紐づけて一致度合判定値が記憶されている。一致度合判定値は、秘匿情報音素系列を構成する音素のうち結合出力音素系列と前方一致している音素の割合を示す値である。詳しくは後述するが、音声秘匿装置２０における判定部１３は、秘匿情報判定処理において一致度合判定値を用いる。

音声データ秘匿部２５は、秘匿情報に該当するおそれがある内容を含む音声（秘匿対象音声）を秘匿する音声秘匿処理を実行する。本実施形態による音声秘匿装置２０において、秘匿対象音声の秘匿は、秘匿対象音声に重畳させて所定の妨害音を出力することを示す。音声秘匿装置２０が妨害音を出力すると、音声秘匿装置２０の近傍に配置された情報端末装置には、秘匿対象音声とともに妨害音が入力される。これにより、情報端末装置は、秘匿対象音声の認識が困難となり、秘匿対象音声が情報端末装置を介してネットワーク上に流出することが防止される。

音声データ秘匿部２５は、妨害音を出力可能な波形出力器（妨害音出力部の一例）２５１と、波形出力器が生成した波形に対応する妨害音を出力するスピーカ（妨害音出力部の一例）２５２と、判定部１３による秘匿情報判定結果に基づいて波形出力器２５１における妨害音声波形の生成を制御することにより、スピーカ２５２からの妨害音の出力を制御する妨害音出力制御部２５０と、を有している。波形出力器２５１が生成する波形による妨害音としては、例えば、テレビ放送等において自主規制音として用いられる音（所謂、ピー音）や、ブザー音等が想定される。妨害音出力制御部２５０は、判定部１３が導出した秘匿情報判定結果に基づいて妨害音の出力可否を決定し、波形出力器２５１における妨害音声波形の生成を制御する。波形出力器２５１は、妨害音出力制御部２５０が妨害音を出力可能と判定した場合に妨害音声波形を生成し、生成した妨害音声波形を含む信号をスピーカ２５２に送信する。これにより、秘匿情報判定結果に基づいて妨害音声がスピーカ２５２から出力され、秘匿対象音声が秘匿される。また、波形出力器２５１が生成する妨害音声波形に相当する音声波形は、予めエコーキャンセラ２２に入力されている。このため、エコーキャンセラ２２は、入力音声データに含まれる妨害音に相当するデジタル信号を、デジタル音声データから除去することができる。

（２−１）音声秘匿処理
次に、図６を参照しつつ図７を用いて、音声データ秘匿部２５における音声秘匿処理の流れの一例を説明する。図７は、音声秘匿処理の流れを説明するフローチャートである。音声秘匿処理は、妨害音出力制御部２５０による妨害音出力の制御により、秘匿対象音声の認識を困難にする処理である。本実施形態において音声秘匿処理は、秘匿情報判定処理結果が判定部１３から音声データ秘匿部２５に入力されたことに基づいて実行される。すなわち、音声秘匿処理は、音声入力部２１に入力音声データが入力されて、エコーキャンセラ２２での音響エコーの除去を経てサンプリング単位で音声認識部１２に出力され、判定部１３において秘匿情報判定処理が実行される度に繰り返し実行される。

（ステップＳ３１）
ステップＳ３１において、妨害音出力制御部２５０は、判定部１３から秘匿情報判定結果を受信し、ステップＳ３２の処理に移る。

（ステップＳ３２）
ステップＳ３２において妨害音出力制御部２５０は、判定部１３から受信した秘匿情報判定信号に基づいて秘匿情報判定結果を確認し、音声認識部１２においてデジタル音声データを音素レベルで認識した出力音素が、秘匿情報音素系列と前方一致しているか否かを判定する。妨害音出力制御部２５０は、高レベルの秘匿情報判定信号を受信した場合に出力音素が秘匿情報音素系列と前方一致していると判定し、ステップＳ３３の処理に移る。妨害音出力制御部２５０は、信号レベルが高レベルの秘匿情報判定信号を受信したことで、処理対象のデジタル音声データが秘匿対象音声に対応すると認識する。一方、妨害音出力制御部２５０は、低レベルの秘匿情報判定信号を受信した場合に出力音素が秘匿情報音素系列と前方一致していないと判定し、ステップＳ３４の処理に移る。妨害音出力制御部２５０は、信号レベルが低レベルの秘匿情報判定信号を受信したことで、処理対象のデジタル音声データが秘匿対象音声に対応しないと認識する。

（ステップＳ３３）
ステップＳ３３において、妨害音出力制御部２５０は、波形出力器２５１から妨害音を出力させ、音声秘匿処理を終了する。妨害音出力制御部２５０は、ステップＳ３３において出力音素が秘匿情報音素系列と前方一致していないと判定されるまで、波形出力器２５１における妨害音出力を継続する。

（ステップＳ３４）
ステップＳ３４において、妨害音出力制御部２５０は、波形出力器２５１において妨害音が出力中か否かを判定する。妨害音出力制御部２５０は妨害音が出力中であると判定するとステップＳ３５の処理に移る。一方、妨害音出力制御部２５０は妨害音が出力中でないと判定すると音声秘匿処理を終了する。

（ステップＳ３５）
ステップＳ３５において、妨害音出力制御部２５０は、波形出力器２５１における妨害音の出力を停止して、音声秘匿処理を終了する。

このように、本実施形態による音声秘匿装置２０において、音声データ秘匿部２５の妨害音出力制御部２５０は、判定部１３により個人情報等のキーワードと入力音声データとが一致するおそれがある（例えば、出力音素が秘匿情報音素系列と前方一致している）と判定された場合に、波形出力器２５１（妨害音出力部の一例）に妨害音声波形を生成させることで、スピーカ２５２（妨害音出力部の一例）から妨害音声波形に基づく妨害音（所定の妨害音の一例）を出力させる。これにより、音声秘匿装置２０は、ユーザが登録した秘匿情報（例えば個人情報等を含むキーワード）を含むおそれのある秘匿対象音声を秘匿し、秘匿対象音声が音声認識機能を有する情報端末装置を介してネットワーク上に流出（音声認識サーバ等へ送信）されるのを防止することができる。

（２−２）秘匿情報判定処理
次に、第２実施形態による音声秘匿装置２０における秘匿情報判定処理について説明する。音声秘匿装置２０の判定部１３は、秘匿情報音素系列と出力音素との一致の度合が一致度合判定値に達している（所定の度合い以上である）場合に、入力音声データ中に秘匿情報が含まれるおそれがあると判定する。具体的には、判定部１３は、秘匿情報判定処理において、秘匿情報音素系列を構成する音素のうち一致度合判定値が示す割合に対応する数の音素が結合出力音素系列（連続した入力音声に対応する出力音素の結合）と前方一致するか否かを判定する。例えば、秘匿情報音素系列を構成する音素が１０個、一致度合判定値が６０％の場合、秘匿情報音素系列のうち先頭から６個（＝１０個×６０％）の音素が結合出力音素と一致した時点、すなわち秘匿情報音素系列と出力音素との一致度合が６０％に到達した時点で、入力音声データと秘匿情報とが一致するおそれがあると判定される。一致度合判定値は、ユーザが任意の値に設定可能である。また一致度合判定値は、値を適宜に変更可能であり、ユーザによって設定されない場合は、デフォルト値（例えば６０％）が設定されてもよい。

図６に示す秘匿情報リスト１４２には、電話番号を示す秘匿情報ｎ「０９００１２３４５６７」に対応付けて、一致度合判定値として「６０％」が登録されている。この場合、判定部１３は、秘匿情報ｎ「０９００１２３４５６７」に対応する秘匿情報音素系列を構成する３９個の音素（ｚｅｒｏｋｙｕｕｚｅｒｏｚｅｒｏｉｃｈｉｎｉｉｓａｎｙｏｎｇｏｒｏｋｕｎａｎａ）のうち、６０％にあたる２３個（小数点は切り捨て）の音素が結合出力音素系列と一致している場合に、秘匿情報ｎに対応する秘匿情報判定信号（個別）を高レベルに設定し、高レベルの秘匿情報判定信号（総合）を妨害音出力制御部２５０に出力する。このように判定部１３は、一致度合判定値に基づいて、結合出力音素と秘匿情報音素系列との前方一致の有無の判断基準となる秘匿情報音素系列の音素数を算出する。

例えば、秘匿情報ｎと完全一致する内容を含む入力音声「電話番号は０９００１２３４５６７」が音声秘匿装置２０に入力されたとする。この場合、判定部１３は、「０９００１２」という内容を含むデジタル音声データに対応する結合出力音素系列が秘匿情報ｎの秘匿情報音素系列と前方一致すると判定した時点で、秘匿情報ｎに対応する秘匿情報音素系列と結合出力音素系列との前方一致の度合いが６０％に到達したと判定する。これに伴い、判定部１３は、入力音声が秘匿対象音声であると判定し、秘匿情報ｎに対応する秘匿情報判定信号（個別）を高（Ｈｉｇｈ）レベルに設定するとともに、高レベルの秘匿情報判定信号（総合）を妨害音出力制御部２５０に出力する。妨害音出力制御部２５０の妨害音出力制御部２５０は、高レベルの秘匿情報判定信号を受信すると、妨害音声波形を生成するように波形出力器２５１を制御し、波形出力器２５１から妨害波形信号の入力を受けたスピーカ２５２が妨害音を出力する（ステップＳ３３）。
これにより、一連の入力音声のうち秘匿情報ｎの後半にあたる秘匿対象音声「３４５６７」に重畳して妨害音が出力される。このため、音声秘匿装置２０の近傍に配置された情報端末装置には、秘匿対象音声の少なくとも一部とともに妨害音が入力される。したがって、情報端末装置は秘匿対象音声の認識が困難となり、秘匿情報が情報端末装置を介してネットワーク上に流出することが防止される。また、一致度合判定値を所定の値以上（例えば、５０％以上）に設定することにより、秘匿情報と一致しない入力音声データが秘匿情報と一致のおそれありと判定される頻度が低減され、それにより、不必要な妨害音の発生を抑えることができる。

（第２実施形態の変形例）
音声秘匿装置２０における判定部１３は、秘匿情報判定処理において、秘匿情報音素系列に変換前のユーザが入力したキーワード（テキスト情報）と、一致度合判定値とを用いて入力音声データ中に秘匿情報が含まれるおそれがあるか否かを判定してもよい。この場合、判定部１３は、キーワードを構成する文字のうち一致度合判定値が示す割合に対応する数の文字が入力音声から導出されるテキスト情報と前方一致する場合に、入力音声データ中に秘匿情報が含まれるおそれがあると判定してもよい。本例では、音声認識部１２において、音素レベルで認識したデジタル音声データをテキスト情報（音素変換テキスト）に変換し、音素変換テキストを判定部１３に出力する。また、秘匿情報音素系列に変換する前のキーワードが秘匿情報リスト１４２に記憶されている。これにより、判定部１３は、キーワードと音素変換テキストとの前方一致の度合いが一致度合判定値に設定された割合に達しているか否かを判定することができる。例えば、一致度合判定値が３０％である場合、判定部１３は、１０文字のキーワードのうち３文字が音素変換テキストと前方一致した場合、すなわち前方一致の度合いが３０％である場合に、入力音声データ中に秘匿情報が含まれるおそれがあると判定する。

以上、各実施形態により本発明を説明したが、本発明の範囲は、図示され記載された例示的な実施形態に限定されるものではなく、本発明が目的とするものと均等な効果をもたらす全ての実施形態をも含む。さらに、本発明の範囲は、請求項により画される発明の特徴の組み合わせに限定されるものではなく、全ての開示されたそれぞれの特徴のうち特定の特徴のあらゆる所望する組み合わせによって画されうる。

１ 音声処理装置
３ ネットワーク
９ 音声認識サービスシステム
１０、２０ 音声秘匿装置
１１ 音声入力装置
１２ 音声認識部
１３ 判定部
１４ 記憶部
１５、２５ 音声データ秘匿部
２１ 音声入力部
２２ エコーキャンセラ
１２０ エンジン部
１２１ モデル
１４１ 秘匿情報リスト
１５０ 出力制御部
１５１ バッファ
１００ 音声認識サーバ
２５０ 妨害音出力制御部
２５１ 波形出力器
５００ サーバ

Claims (7)

1. 複数のキーワードが音情報に変換された音素系列情報を記憶可能な記憶部と、
   音声発生源からの入力音声をデジタル信号に変換した音声データを、逐次音声認識処理により音素レベルで認識した情報である出力音素情報として出力する音声認識部と、
   前記音声認識部が出力した出力音素情報と前記記憶部に記憶されている音素系列情報である記憶音素情報との一致の度合いに基づいて前記入力音声と前記キーワードとが一致するおそれがあるか否かを逐次判定可能な判定部と、
   前記判定部により前記キーワードと一致するおそれがあると判定された前記入力音声に対応する音声データの内容を秘匿可能な音声データ秘匿部と、
   を備えることを特徴とする音声秘匿装置。
2. 前記判定部は、前記音声認識部が出力した出力音素情報と前記記憶部に記憶されている音素系列情報である記憶音素情報との前方一致の度合いに基づいて前記入力音声と前記キーワードとが一致するおそれがあるか否かを逐次判定可能であり、
   前記音声データ秘匿部は、前記判定部により前記記憶音素情報との前方一致の度合いが所定の度合い以上であると判定された前記出力音素情報に対応する音声データの内容を秘匿可能である、
   請求項１に記載の音声秘匿装置。
3. 前記音声データ秘匿部は、前記判定部により前記入力音声が前記キーワードと完全一致する可能性がないと判定された場合に、該入力音声に対応する音声データの内容を秘匿しないこと
   を特徴とする請求項１又は２に記載の音声秘匿装置。
4. 前記音声認識部は、前記入力音声を変換した音声データについて音声が存在する音声区間と音声が存在しない無音区間とを判別し、
   前記音声データ秘匿部は、前記判定部により前記入力音声が前記キーワードと一致するおそれがあると判定されたことに基づいて、該判定後の予め定められた一定期間に前記音声発生源から入力された入力音声に対応する音声データの内容、または該判定後に前記音声発生源から入力された入力音声に対応する音声データのうち所定数の音声区間の音声データの内容を秘匿すること
   を特徴とする請求項１から３のいずれか１項に記載の音声秘匿装置。
5. 前記音声データ秘匿部は、
   前記入力音声を変換した音声データを一時的に蓄積可能なバッファと、
   前記判定部による判定結果に基づいて前記バッファに蓄積されている音声データの出力を制御するバッファ出力制御部と
   を有し、
   前記バッファ出力制御部は、前記判定部により前記キーワードと一致するおそれがあると判定された前記入力音声に対応する音声データを前記バッファから出力しないこと
   を特徴とする請求項１から４のいずれか１項に記載の音声秘匿装置。
6. 前記音声データ秘匿部は、
   妨害音を出力可能な妨害音出力部と、
   前記判定部による判定結果に基づいて、前記妨害音出力部からの妨害音の出力を制御する妨害音出力制御部と
   を有し、
   前記妨害音出力制御部は、前記判定部により前記キーワードと前記入力音声とが一致するおそれがあると判定された場合に、所定の妨害音を前記妨害音出力部に出力させること
   を特徴とする請求項１から５のいずれか１項に記載の音声秘匿装置。
7. 所定の情報端末装置を、
   複数のキーワードが音情報に変換された音素系列情報を記憶可能な記憶部、
   音声発生源からの入力音声をデジタル信号に変換した音声データを、逐次音声認識処理により音素レベルで認識した情報である出力音素情報として出力する音声認識部、
   前記音声認識部が出力した出力音素情報と前記記憶部に記憶されている音素系列情報である記憶音素情報との一致の度合いに基づいて前記入力音声と前記キーワードとが一致するおそれがあるか否かを逐次判定可能な判定部、および
   前記判定部により前記キーワードと一致するおそれがあると判定された前記入力音声に対応する音声データの内容を秘匿可能な音声データ秘匿部
   として機能させる音声秘匿プログラム。

Images