JP2020529032A - 音声認識翻訳方法及び翻訳装置 - Google Patents

Abstract

【課題】翻訳作業を簡素化し、翻訳の精度を向上することができる音声認識翻訳方法及び翻訳装置を提供する。【解決手段】本発明に係る音声認識翻訳方法は、翻訳ボタンが押される時に、音声認識状態に入り、音声収集装置によりユーザの音声を収集するステップと、プロセッサーにより収集された音声を異なる代替言語に対応する複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ信頼度及び予め設定された確定ルールに基づいて、ユーザが使用するソース言語を確定するステップと、音声認識状態において、翻訳ボタンが放されると、音声認識状態が終了し、且つプロセッサーにより前記音声をソース言語からデフォルト言語の対象音声に変換するステップと、音声再生装置により対象音声を再生するステップと、を含む。本発明の音声認識翻訳方法及びこの方法を採用した翻訳装置は、翻訳作業を簡素化にし、翻訳の精度を向上できる。

Description

本発明は、データ処理技術分野に関し、特に音声認識翻訳方法及び翻訳装置に関する。

現在、翻訳ツールの種類は益々多くなり、その機能も多様であり、ネットワーク用語を翻訳するものがあり、火星の言語を翻訳するものもある。今、最も一般的に使用される翻訳ツールは、翻訳機である。翻訳機は、英語、中国語、スペイン語、ドイツ語、ロシア語及びフランス語などを含む３３種類の言語と方言の翻訳をサポートしており、且つこれらの言語のインタラクティブ翻訳が可能である。現在の翻訳機器には複数のボタンが装備されている。翻訳する際に、ユーザは異なるボタンを押して、ソース言語とターゲット言語の設定、録音及び翻訳などの操作を完了する必要があり、操作が煩雑であり、間違ったボタンを押すことに起因する翻訳エラーが発生し易い。

本発明は、従来の問題に鑑みて、翻訳作業を簡素化し、翻訳の精度を向上することができる音声認識翻訳方法及び翻訳装置を提供することを目的とする。

上記の課題を解決するために、本発明の実施形態に係る音声認識翻訳方法は、翻訳ボタンが設けられた翻訳装置に適用し、前記翻訳装置は、プロセッサー及び前記プロセッサーに電気的に接続される音声収集装置、音声再生装置を含み、
前記音声認識翻訳方法は、前記翻訳ボタンが押される時に、前記翻訳装置は、音声認識状態に入り、前記音声収集装置によりユーザの音声を収集するステップと、前記プロセッサーによって、収集された音声を異なる代替言語に対応する複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいて、ユーザが使用するソース言語を確定するステップと、前記音声認識状態において、前記翻訳ボタンが放されると、前記翻訳装置は、前記音声認識状態が終了し、且つ前記プロセッサーによって前記音声を前記ソース言語からデフォルト言語の対象音声に変換するステップと、前記音声再生装置により前記対象音声を再生するステップと、を含む。

もう一方で、本発明の実施形態は、前記翻訳ボタンが押される時に、音声認識状態に入り、音声収集装置を介してユーザの音声を収集するための録音モジュールと、
収集された音声をそれぞれ複数の音声認識エンジンに導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいてユーザが使用したソース言語を確定するための音声認識モジュールと、
前記音声認識状態において、前記翻訳ボタンが放された時に、前記音声認識状態を終了し、前記音声を前記ソース言語からデフォルト言語の対象音声に変換するための音声変換モジュールと、
音声再生装置により前記対象音声を再生するための再生モジュールと、を含む翻訳装置を提供し、
複数の前記音声認識エンジンは、それぞれ異なる前記代替言語に対応している。

また、本発明のもう１つの実施形態に係る翻訳装置は、本体と、前記本体の機体に設けられた録音孔、表示パネル及び翻訳ボタンと、前記本体の内部に設けられたプロセッサー、メモリー、音声収集装置、音声再生装置及び通信モジュールと、を含み、
前記表示パネル、前記翻訳ボタン、前記メモリー、前記音声収集装置、前記音声再生装置及び前記通信モジュールは、前記プロセッサーに電気的に接続されており、前記メモリーには、前記プロセッサーで実行されることが可能であるコンピュータプログラムが格納されており、
前記プロセッサーは、前記コンピュータプログラムを実行する際に、前記翻訳ボタンが押される時に、前記翻訳装置は、音声認識状態に入って、前記音声収集装置を介してユーザの音声を収集し、収集された音声を異なる前記代替言語に対応している複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいてユーザが使用したソース言語を確定し、
前記音声認識状態において、前記翻訳ボタンが放されると、前記翻訳装置は、音声認識状態を終了して、前記音声を前記ソース言語からデフォルト言語の対象言語に変換して、前記音声再生装置により前記対象言語を再生する。

上記の各実施形態では、翻訳ボタンが押されると、翻訳装置が音声認識状態に入り、ユーザの音声がリアルタイムに収集され、収集された音声は複数の音声認識エンジンにそれぞれ導入され、異なる代替言語に対応する音声の信頼度が取得される。そして、取得した信頼度に応じて、ユーザが使用するソース音声を決定する。また、当該音声認識状態では、ユーザが翻訳ボタンを放すと、音声認識状態が終了し、音声がソース言語からデフォルト言語の対象音声に変換されて再生されて、ワンクリック翻訳とソース言語の自動認識を実現する。従って、本発明は、ボタン操作を簡素化し、間違ったボタンを押すことによる翻訳エラーを回避し、翻訳の精度を向上することができる。

本発明の１つの実施形態に係る音声認識翻訳方法のフローチャートである。 本発明のもう１つの実施形態に係る音声認識翻訳方法のフローチャートである。 本発明の１つの実施形態に係る翻訳装置の内部構造を示すブロック図である。 本発明のもう１つの実施形態に係る翻訳装置の内部構造を示すブロック図である。 本発明の１つの実施形態に係る翻訳装置のハードウェア構造を示す図である。 図５に示した翻訳装置の外観を示す図である。 本発明のもう１つの実施形態に係る翻訳装置のハードウェア構造を示す図である。

以下、明細書の図面を参照しながら、本発明の構成、目的及び利点などを詳細に説明する。明らかなように、以下記述した実施形態は、ただ本発明の一部の実施形態であり、全ての実施形態ではない。当業者は、下記の実施形態に基づいて、何の創造的な労働を払わない前提下で得た他の実施形態も、本発明の保護範囲内に含まれることは言うまでもない。

図１は、本発明の１つの実施形態に係る音声認識翻訳方法のフローチャートである。前記音声認識翻訳方法は、翻訳装置に適用される。前記翻訳装置は、プロセッサー及び当該プロセッサーに電気的に接続される音声収集装置及び音声再生装置を含む。前記翻訳装置には、翻訳ボタンがさらに設けられている。前記音声収集装置は、マイク或いはピックアップなどであり、前記音声再生装置は、スピーカーなどである。前記翻訳ボタンは、物理ボタンまたは仮想ボタンの何れかである。前記翻訳ボタンが仮想ボタンである場合、前記翻訳装置はタッチパネルをさらに含む。前記翻訳装置は、起動された後に、前記プロセッサーを介して、前記仮想ボタンのみを含むユーザインターフェイスと前記仮想ボタンのデモアニメーションを生成してから、前記タッチパネルでユーザインターフェイスを表示し、且つユーザインターフェイスにおいて前記デモアニメーションを再生する。前記デモアニメーションは、前記仮想ボタンの用途を説明するために使用される。図１に示すように、前記音声認識翻訳方法は、以下のステップを含む。

Ｓ１０１では、翻訳ボタンが押される時に、翻訳装置は、音声認識状態に入り、音声収集装置によってユーザの音声を収集する。

Ｓ１０２では、収集された音声をプロセッサーによって複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する当該音声の信頼度を取得し、且つ前記信頼度及びデフォルトルールに基づいて、ユーザが使用するソース言語を確定する。

Ｓ１０３では、音声認識の状態下で、翻訳ボタンが放された時に、前記翻訳装置は、音声認識状態を終了し、且つプロセッサーを介して音声をソース言語からデフォルト言語の対象音声に変換する。

Ｓ１０４では、音声再生デバイスで、前記対象音声を再生する。

具体的には、前記翻訳装置には、複数の音声認識エンジンが予め設けられており、前記複数の音声認識エンジンは、それぞれ異なる代替言語に対応する。翻訳ボタンが押される及び離される時に、プロセッサーに異なる信号を送信して、プロセッサーは、翻訳ボタンからの信号により、翻訳ボタンの状態を確定する。

翻訳ボタンが押圧された状態にある場合、翻訳装置は、音声認識状態に入って、音声収集装置を介してユーザの音声をリアルタイム収集し、且つプロセッサーを介して収集された音声を複数の音声認識エンジンにそれぞれ導入して、前記音声を認識して、異なる代替言語に対応する前記音声の信頼度（ｃｏｎｆｉｄｅｎｃｅ）を取得する。その後、デフォルトルールに基づいて、得た各信頼度の値を利用して、ユーザが使用したソース言語を確定する。そのうち、信頼度は、オーディオ波形から得たテキストの精度の確率と見なされることができる。即ち、前記信頼度は、当該音声に対応する言語が音声認識エンジンに対応する言語であることを表明する確率である。例えば、前記音声が中国語音声認識エンジンに導入された後、前記中国語音声認識エンジンは中国語認識結果の信頼度をフィードバックする。即ち、前記音声に対応する言語が中国語である確率をフィードバックする。または、信頼度は、人工知能音声認識（Ａｕｔｏ Ｓｐｅｅｃｈ Ｒｅｃｏｇｎｉｚｅ，ＡＳＲ）エンジンが認識されたテキストの自信度とも見なされる。例えば、もし英語音声が中国語ＡＳＲエンジンに導入されれば、得た認識結果の中に中国語文字を含む可能があるが、当該文字が乱雑しており、前記中国語ＡＳＲエンジンは認識結果に対する自信度が低く、出力したｃｏｎｆｉｄｅｎｃｅ値も低い。

音声認識状態において、翻訳ボタンが放された状態にある時に、翻訳装置は音声認識状態を終了し、且つ音声収集操作を停止し、音声認識状態の下で収集したあらゆる音声をソース言語からデフォルト言語の対象音声に変換し、且つ音声再生装置により前記対象音声を再生する。そのうち、デフォルト言語は、ユーザの操作により設定されたものである。翻訳装置は、ユーザの事前操作に従って、当該事前操作が指す言語をデフォルト言語に設定する。前記事前操作とは、例えば前記翻訳ボタンを短時間押す操作であり、タッチパネルのユーザインターフェイスにおいて各種の言語設定用のボタンをクリックする操作であり、音声制御操作などであることが可能である。

本発明のもう１つの実施形態において、前記翻訳装置は、前記プロセッサーに電気的に接続される無線信号トランシーバーをさらに含む。前記翻訳装置は、前記プロセッサーを介して収集された音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得する。具体的に説明すると、前記プロセッサーにより、前記音声を複数の音声認識エンジンにそれぞれ対応するクライアントに導入する。各クライアントは、前記無線信号トランシーバーを介して、前記音声をストリーミングメディアの形式で対応するサーバーにリアルタイムに送信し、且つ各サーバーによりフィードバックされる信頼度を受信する。パケットロス、ネットワークの速度が事前設定速度より遅い、又は切断率が事前設定頻度より大きいことが検出された場合、前記音声の送信操作が停止される。当該音声認識状態では、前記翻訳ボタンが放されたことを検出すると、各クライアントを介して、前記無線信号トランシーバーにより前記音声認識状態の下で収集されたあらゆる音声を、ファイルの形で対応するサーバーに送信し、且つ各サーバーによりフィードバックされる信頼度を受信する。又は、前記クライアントを介してローカルデータベースを呼び出して、前記音声を認識して、前記信頼度を得る。

本実施形態では、翻訳ボタンが押されると、翻訳装置は、音声認識状態に入り、ユーザの音声をリアルタイムに収集し、且つ収集した音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する音声の信頼度を取得する。その後、取得した信頼度に応じて、ユーザが使用するソース言語を確定する。また、当該音声認識状態では、ユーザが翻訳ボタンを放すと、翻訳装置は、音声認識状態が終了し、音声をソース言語からデフォルト言語の対象音声に変換して再生し、ワンクリック翻訳とソース言語の自動認識を実現する。従って、本発明は、ボタン操作を簡素化し、間違ったボタンを押すことによる翻訳エラーを回避し、翻訳の精度を向上することができる。

図２は、本発明のもう１つの実施形態に係る音声認識翻訳方法のフローチャートである。当該実施形態に関連する音声認識翻訳方法は、翻訳装置に適用される。前記翻訳装置は、プロセッサー及び当該プロセッサーに電気的に接続される音声収集装置及び音声再生装置を含む。前記翻訳装置には、翻訳ボタンがさらに設けられている。前記音声収集装置は、マイク或いはピックアップなどであり、前記音声再生装置は、スピーカーなどである。前記翻訳ボタンは、物理ボタンまたは仮想ボタンの何れかである。前記翻訳ボタンが仮想ボタンである場合、前記翻訳装置はタッチパネルをさらに含む。前記翻訳装置は、起動された後に、前記プロセッサーを介して、前記仮想ボタンのみを含むユーザインターフェイスと前記仮想ボタンのデモアニメーションを生成してから、前記タッチパネルでユーザインターフェイスを表示し、且つユーザインターフェイスにおいて前記デモアニメーションを再生する。前記デモアニメーションは、前記仮想ボタンの用途を説明するために使用される。図２に示すように、当該実施形態に関連する音声認識翻訳方法は、以下のステップを含む。

Ｓ２０１では、翻訳ボタンが押される時に、翻訳装置は、音声認識状態に入り、音声収集装置によってユーザの音声を収集する。

Ｓ２０２では、収集された音声をプロセッサーによって複数の音声認識エンジンにそれぞれ導入して、当該音声の各代替言語にそれぞれ対応する複数の第一テキストと複数の信頼度を取得する。

具体的には、前記翻訳装置には、複数の音声認識エンジンが予め設けられており、前記複数の音声認識エンジンは、それぞれ異なる代替言語に対応する。翻訳ボタンが押される時及び離される時に、プロセッサーに異なる信号を送信して、プロセッサーは、翻訳ボタンからの信号により、翻訳ボタンの状態を確定する。

翻訳ボタンが押される時に、翻訳装置は、音声認識状態に入って、音声収集装置を介してユーザの音声をリアルタイム収集し、且つプロセッサーを介して収集された音声を複数の音声認識エンジンにそれぞれ導入して、前記音声を認識して、異なる代替言語に対応する前記音声の認識結果を取得する。前記認識結果は、前記音声に対応する第一テキストと信頼度（ｃｏｎｆｉｄｅｎｃｅ）とを含む。そのうち、信頼度は、オーディオ波形から得たテキストの精度の確率と見なされることができ、即ち、前記信頼度は、当該音声に対応する言語が音声認識エンジンに対応する言語であることを表明する確率である。例えば、前記音声が中国語音声認識エンジンに導入された後、前記中国語音声認識エンジンは中国語認識結果の信頼度をフィードバックする。即ち、前記音声に対応する言語が中国語である確率をフィードバックする。または、信頼度は、人工知能音声認識ＡＳＲエンジンが認識されたテキストの自信度とも見なされる。例えば、もし英語音声が中国語ＡＳＲエンジンに導入されれば、得た認識結果の中に中国語文字を含む可能があるが、当該文字が乱雑しており、前記中国語ＡＳＲエンジンは、認識結果に対する自信度が低く、それ相応に、より低いｃｏｎｆｉｄｅｎｃｅ値を出力する。

好ましくは、本発明の前記もう１つの実施形態において、前記翻訳装置は、前記プロセッサーに電気的に接続される運動センサーをさらに含む。こうして、前記翻訳ボタンのほかに、ユーザは、予め設定されたアクションを利用して、前記翻訳装置を音声認識状態に入るか又は音声認識状態から退出するように制御する。より詳細には、前記運動センサーにより検出されたユーザの第一動作と第二動作を、それぞれ第一プリセットアクションと第二プリセットアクションとに設定する。ユーザが前記第一プリセットアクションを実行したことが前記運動センサーにより検出されると、前記翻訳装置は音声認識状態に入る。一方で、ユーザが前記第二プリセットアクションを実行したことが前記運動センサーにより検出されると、前記翻訳装置は音声認識状態を終了する。前記プリセットアクションは、予め設定された角度又は頻度で前記翻訳装置を振る動作である。前記第一プリセットアクションと前記第二プリセットアクションは、同じでも異なっていてもよい。前記運動センサーは、加速度タッチセンサー、重力センサー又はジャイロスコープなどである。

Ｓ２０３では、前記代替言語の中から信頼度の値が第一設定値より大きい複数の第一言語を選別する。任意に隣接する２つの前記第一言語の信頼度の値の差は、第二設定値より小さい。

Ｓ２０４では、前記第一言語に包含される第二言語の数が１であるかどうかを判断する。前記第二言語に対応する前記第一言語は、前記第二言語のテキストルールに合致する。

Ｓ２０５では、もし前記第二言語の数が１であれば、前記第二言語を前記ソース言語と確定する。

Ｓ２０６では、もし前記第二言語の数が１より大きければ、各第二言語の中の第三言語を前記ソース言語とする。全ての第二言語の中で、前記第三言語に対応する前記第一テキストの構文は、前記第三言語の構文ルールと一番マッチングしている。

本実施形態において、所定の決定ルールは、信頼度の値の大きさ、テキストルールの一致結果及び構文ルールの一致結果に基づいてソース言語を確定する。信頼度、テキストルールの一致化及び構文ルールの一致化を組み合わせることによって、ソース言語を確定する時の精度を高めることができる。

以下、例を挙げて詳細に説明する。まず、第一ユーザは、自分が欲しい対象言語Ａを設定する。その後、第一ユーザがボタンを押した時に、第二ユーザは話し始める。第二ユーザが使用する言語は、Ｘ（言語ａ、ｂ、ｃ、ｄ、ｅ…又は全世界のほぼ百種言語の中の何れか）である。すると、翻訳装置は、ユーザの音声を収集し始め、且つ取得した第二ユーザの音声を各言語種類の音声認識エンジンの中に導入した後、各音声認識エンジンが出力した認識結果に基づいて、第二ユーザが使用した言語Ｘが一体どの言語であることを確定する。

仮に、代替言語がａ、ｂ、ｃ、ｄ、ｅであれば、収集された音声は、ａ言語の音声認識エンジンＹ１、ｂ言語の音声認識エンジンＹ２、ｃ言語の音声認識エンジンＹ３、ｄ言語の音声認識エンジンＹ４及びｅ言語の音声認識エンジンＹ５の中にそれぞれ導入される。音声認識エンジンＹ１、Ｙ２、Ｙ３、Ｙ４及びＹ５は、それぞれ前記言語を認識し、且つ認識結果を出力する。

上記の認識結果は、前記音声のａ言語に対応する第一テキストａ−Ｔｅｘｔ１と信頼度ｃｏｎｆｉｄｅｎｃｅ１、前記音声のｂ言語に対応する第一テキストｂ−Ｔｅｘｔ１と信頼度ｃｏｎｆｉｄｅｎｃｅ２、前記音声のｃ言語に対応する第一テキストｃ−Ｔｅｘｔ１と信頼度ｃｏｎｆｉｄｅｎｃｅ３、前記音声のｄ言語に対応する第一テキストｄ−Ｔｅｘｔ１と信頼度ｃｏｎｆｉｄｅｎｃｅ４及び前記音声のｅ言語に対応する第一テキストｅ−Ｔｅｘｔ１と信頼度ｃｏｎｆｉｄｅｎｃｅ５である。

その後、前記代替言語の中の信頼度ｃｏｎｆｉｄｅｎｃｅの値がデフォルト値より低い言語を排除して、信頼度ｃｏｎｆｉｄｅｎｃｅの値がより高い且つソース言語に近い幾つかの言語を残す。例えば、ｃｏｎｆｉｄｅｎｃｅ２、ｃｏｎｆｉｄｅｎｃｅ４及びｃｏｎｆｉｄｅｎｃｅ５の各々に対応する言語ｂ、ｄ及びｅを保留する。

さらに、残った第一テキストｂ−Ｔｅｘｔ１がｂ言語に対応するテキストルールに合うかどうか、第一テキストｄ−Ｔｅｘｔ１がｄ言語に対応するテキストルールに合うかどうか、第一テキストｅ−Ｔｅｘｔ１がｅ言語に対応するテキストルールに合うかどうかを分析する。第一テキストｂ−Ｔｅｘｔ１を例として、仮にｂ言語が日本語であれば、第一テキストｂ−Ｔｅｘｔ１の中に日本語以外の文字があるかどうかを分析し、且つ存在する非日本語文字のあらゆる第一テキストｂ−Ｔｅｘｔ１の中での割合が予め設定された割合より小さいかどうかを分析する。第一テキストｂ−Ｔｅｘｔ１の中に日本語以外の文字が存在しない場合又は前記割合が予め設定された割合より小さい場合、第一テキストｂ−Ｔｅｘｔ１が日本語に対応するテキストルールに合うことを確定する。

上記の分析から分かるように、一方では、もし第一テキストｂ−Ｔｅｘｔ１のみがｂ言語に対応するテキストルールに準拠すれば、第二ユーザが使用する言語Ｘをｂ言語として確定する。もう一方では、もし第一テキストｂ−Ｔｅｘｔ１のみがｂ言語に対応するテキストルールに準拠し、且つ第一テキストｅ−Ｔｅｘｔ１がｅ言語に対応するテキストルールに準拠すれば、第一テキストｂ−Ｔｅｘｔ１とｂ言語に対応する構文ルールとをマッチングして、第一テキストｂ−Ｔｅｘｔ１とｂ言語に対応する構文ルールとの一致度１を得ると共に、第一テキストｅ−Ｔｅｘｔ１とｅ言語に対応する構文ルールとをマッチングして、第一テキストｅ−Ｔｅｘｔ１とｅ言語に対応する構文ルールとの一致度２を得て、一致度１と一致度２とを比較する。一致度２の値がより大きい場合、第二ユーザが使用する言語Ｘをｅ言語として確定する。前記構文ルールは、文法を含む。

好ましくは、本発明のもう１つの実施形態において、予め設定された確定ルールは、信頼度の値の大きさに基づいてソース言語を確定する。具体的には、各代替言語の中の信頼度の値が一番大きい言語をユーザが使用するソース言語に決める。例えば、上記のｃｏｎｆｉｄｅｎｃｅ１、ｃｏｎｆｉｄｅｎｃｅ２、ｃｏｎｆｉｄｅｎｃｅ３、ｃｏｎｆｉｄｅｎｃｅ４及びｃｏｎｆｉｄｅｎｃｅ５を、大きい方から小さい方への順序に従って配列する。もし、ｃｏｎｆｉｄｅｎｃｅ３が第一位になれば、ｃｏｎｆｉｄｅｎｃｅ３に対応する言語ｃを第二ユーザが使用するソース言語として確定する。上記の記載から分かるように、信頼度の値によりソース言語を確定することは、方法が簡単であり、且つ計算量も小さく、ソース言語を確定する際の速度を高めることができる。

上記の音声認識エンジンは、前記翻訳装置ローカルで収集された音声を認識することができ、前記音声をサーバーに伝送して、サーバーで収集された音声を認識することもできる。

好ましくは、本発明のもう１つの実施形態において、前記プロセッサーを介して、前記音声をそれぞれ複数の前記音声認識エンジンに導入することによって、前記音声の各代替言語に対応する単語確率リストｎ−ｂｅｓｔを得ることもできる。前記ソース言語を認識した後に、前記ソース言語に対応する前記第一テキストを前記タッチパネルにおいて表示させる。ユーザの前記タッチパネルでのクリック動作が検出されると、前記タッチパネルにより表示される前記第一テキストにおける前記クリック動作が指向する第一単語を第二単語に切り換える。前記第二単語は、前記単語確率リストｎ−ｂｅｓｔの中の確率が前記第一単語に次ぐ単語である。前記単語確率リストｎ−ｂｅｓｔには、認識された前記音声に対応する複数の単語が包含されている。各単語は、大きい確率から小さい確率へとの順序に従って配列される。例えば、発音がｓｈｕ ｘｕｅである音声は、数学、輸血、樹穴という複数の中国単語に対応している。ユーザのクリック動作に準拠して、認識結果を修正することによって、翻訳の精度をさらに高めることができる。

好ましくは、本発明のもう１つの実施形態において、前記翻訳装置は、前記プロセッサーに電気的に接続される無線信号トランシーバーをさらに含む。前記翻訳装置は、前記プロセッサーを介して収集された音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度と第一テキストとを取得する。具体的には、以下のステップを含む。

Ｓ２０２１では、前記プロセッサーによって、前記音声を複数の前記音声認識エンジンにそれぞれ対応するクライアントに導入する。

実際の応用において、音声認識エンジンとクライアントは、一対一の対応関係であることでき、多数対一の対応関係であることもできる。

また、各音声認識エンジンの開発者の得意言語ファミリーに基づいて、複数の異なる開発者により開発された音声認識エンジンを選択する。例えば、Ｂａｉｄｕの中国語音声認識エンジン、Ｇｏｏｇｌｅの英語音声認識エンジン及びＭｉｃｒｏｓｏｆｔの日本語音声認識エンジンなどを使用することができる。このとき、各音声認識エンジンのクライアントは、収集されたユーザの音声を異なるサーバーにそれぞれ伝送して、音声認識を行なう。各音声認識エンジンの開発者は異なる言語ファミリーが得意であるため、異なる開発者の音声認識エンジンを統合することにより、翻訳結果の精度をさらに向上させることができる。

Ｓ２０２２では、各クライアントは、前記無線信号トランシーバーを介して、ストリーミングメディアの形で前記音声を対応するサーバーにリアルタイムに送信し、且つ各サーバーによりフィードバックされる第一テキストと信頼度を受信する。

Ｓ２０２３では、パケットロス、ネットワークの速度が事前設定速度より遅いか、又は切断率が事前設定頻度より大きいことが検出された場合、前記音声の送信操作を停止する。

Ｓ２０２４では、前記音声認識状態では、前記翻訳ボタンが放されたことを検出すると、各クライアントを介して、前記音声認識状態の下で収集したあらゆる音声を、前記無線信号トランシーバーによりファイルの形で対応するサーバーに送信し、且つ各サーバーによりフィードバックされる信頼度と第一テキストを受信する。

収集されたユーザの音声をファイル形式に切り換えてサーバーに送信して音声認識を行なうシナリオの下で、もし音声をファイルの形でサーバーに送信する前に、表示パネルにおいて対応する第一テキストを表示すれば、ユーザの音声をストリーミングメディアの形で送信することを停止すると、対応する第一テキストは表示パネルに表示されなくなる。

また、パケット損失が発生するか、ネットワーク速度が事前設定速度よりも遅いか、切断率が事前設定頻度よりも大きいことが検出されると、前記音声の送信操作を停止し、且つ前記クライアントを介してローカルデータベースを呼び出して前記音声を認識して、対応する信頼度と第一テキストを取得する。

また、ネットワーク信号が弱い場合、ローカルオフラインデータベースを利用して音声認識を行なうことは、ネットワーク品質に起因する翻訳遅延を回避し、翻訳効率を改善することが理解できる。スペース占有率を削減するため、通常ローカルオフラインデータベースのデータ量は、サーバー側のデータベースのデータ量より少ない。

Ｓ２０７では、音声認識状態において、前記翻訳ボタンが放されると、前記翻訳装置は音声認識状態を終了し、且つ前記プロセッサーにより、前記ソース言語に対応する第一テキストをデフォルト言語の第二テキストに翻訳した後、音声合成システムによって、前記第二テキストを対象音声に変換する。

Ｓ２０８では、前記音声再生装置によって、前記対象音声を再生する。

具体的には、音声認識状態において、前記翻訳ボタンが放されると、前記翻訳装置は、音声認識状態を終了し、且つ音声収集操作を停止した後に、前記プロセッサーを介して音声認識状態で収集したあらゆる音声に対応する前記ソース言語の第一テキストをデフォルト言語の第二テキストに翻訳する。さらに、ＴＴＳ（Ｔｅｘｔ Ｔｏ Ｓｐｅｅｃｈ，テスストから音声へ）音声合成システムを利用して前記第二テキストを対象音声に変換して、スピーカーを介して前記対象音声を再生する。

本実施形態では、翻訳ボタンが押されると、翻訳装置は、音声認識状態に入り、ユーザの音声をリアルタイムに収集し、且つ収集した音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する音声の信頼度を取得する。その後、取得した信頼度に応じて、ユーザが使用するソース言語を確定する。また、当該音声認識状態では、ユーザが翻訳ボタンを放すと、翻訳装置は、音声認識状態が終了し、音声をソース言語からデフォルト言語の対象音声に変換して再生し、ワンクリック翻訳とソース言語の自動認識を実現する。従って、本発明は、ボタン操作を簡素化し、間違ったボタンを押すことによる翻訳エラーを回避し、翻訳の精度を向上することができる。

図３は、本発明の１つの実施形態に係る翻訳装置の構造を示すブロック図である。前記翻訳装置は、図１で示された音声認識翻訳方法を実現することに用いられ、図５又は図７に示す翻訳装置又は当該翻訳装置の中の１つの機能モジュールである。図３に示すように、前記翻訳装置は、録音モジュール３０１、音声認識モジュール３０２、音声変換モジュール３０３及び再生モジュール３０４を含む。

前記録音モジュール３０１は、前記翻訳ボタンが押される時に、音声認識状態に入り、音声収集装置を介してユーザの音声を収集する。

前記音声認識モジュール３０２は、収集された音声をそれぞれ複数の音声認識エンジンに導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいてユーザが使用したソース言語を確定する。複数の前記音声認識エンジンは、それぞれ異なる前記代替言語に対応している。

音声変換モジュール３０３は、前記音声認識状態において、前記翻訳ボタンが放された時に、前記音声認識状態を終了し、前記音声を前記ソース言語からデフォルト言語の対象音声に変換する。

再生モジュール３０４は、音声再生装置により前記対象音声を再生することに用いられる。

さらに、図４に示すように、本発明のもう１つの実施形態において、音声認識モジュール３０２は、第一認識モジュール３０２１を含む。第一認識モジュール３０２１は、各代替言語の中の信頼度の値が一番大きい言語を、ユーザが使用するソース言語と確定する。

さらに、音声認識モジュール３０２は、導入モジュール３０２２、選別モジュール３０２３、判断モジュール３０２４、第二認識モジュール３０２５及び第三認識モジュール３０２６を含む。導入モジュール３０２２は、前記音声をそれぞれ各音声認識エンジンに導入して、当該音声の各代替言語にそれぞれ対応する複数の第一テキストと複数の信頼度を取得する。選別モジュール３０２３は、前記代替言語の中から信頼度の値が第一設定値より大きい複数の第一言語を選別する。任意に隣接する２つの前記第一言語の信頼度の値の差は、第二設定値より小さい。判断モジュール３０２４は、前記第一言語に包含される第二言語の数が１であるかどうかを判断する。前記第二言語に対応する前記第一言語は、前記第二言語のテキストルールに合致する。第二認識モジュール３０２５は、前記第二言語の数が１であれば、前記第二言語を前記ソース言語と確定する。第三認識モジュール３０２６は、前記第二言語の数が１より大きければ、前記第二言語の中の第三言語を前記ソース言語とする。全ての第二言語において、前記第三言語に対応する前記第一テキストの構文は、前記第三言語の構文ルールと一番マッチングしている。

さらに、音声変換モジュール３０３は、前記ソース言語に対応する第一テキストをデフォルト言語の第二テキストに翻訳した後、音声合成システムによって、前記第二テキストを対象音声に変換することに用いられる。

さらに、導入モジュール３０２２は、前記音声を複数の音声認識エンジンにそれぞれ対応するクライアントに導入することに用いられる。各クライアントは、前記無線信号トランシーバーを介して、前記音声をストリーミングメディアの形式で対応するサーバーにリアルタイムに送信し、且つ各サーバーによりフィードバックされる信頼度を受信する。パケットロスが発生するか、ネットワークの速度が事前設定速度より遅いか、又は切断率が事前設定頻度より大きいことが検出された場合、各クライアントは前記音声の送信操作を停止する。

また、導入モジュール３０２２は、前記音声認識状態において、前記翻訳ボタンが放されたことを検出すると、各クライアントを介して、前記無線信号トランシーバーにより前記音声認識状態の下で収集されたあらゆる音声を、ファイルの形で対応するサーバーに送信し、且つ各サーバーによりフィードバックされる信頼度を受信する。

また、導入モジュール３０２２は、前記クライアントを介してローカルデータベースを呼び出して、前記音声を認識して、前記信頼度を得ることに用いられる。

さらに、導入モジュール３０２２は、前記音声をそれぞれ複数の前記音声認識エンジンに導入することによって、前記音声の各代替言語に対応する単語確率リストを得ることに用いられる。

前記翻訳装置は、ディスプレーモジュール４０１と切換モジュール４０２とを含む。ディスプレーモジュール４０１は、前記ソース言語を認識した後に、タッチパネルにおいて前記ソース言語に対応する前記第一テキストを表示する。切換モジュール４０２は、ユーザの前記タッチパネルでのクリック動作が検出されると、前記タッチパネルにより表示される前記第一テキストにおける前記クリック動作が指向する第一単語を第二単語に切り換える。前記第二単語は、前記単語確率リストの中の確率が前記第一単語に次ぐ単語である。

さらに、前記翻訳装置は、設定モジュール４０３と制御モジュール４０４とをさらに含む。設定モジュール４０３は、前記運動センサーにより検出されたユーザの第一動作と第二動作を、それぞれ第一プリセットアクションと第二プリセットアクションとに設定する。制御モジュール４０４は、ユーザが前記第一プリセットアクションを実行したことが前記運動センサーにより検出された時に、前記翻訳装置を制御して音声認識状態に入る。また、制御モジュール４０４は、ユーザが前記第二プリセットアクションを実行したことが前記運動センサーにより検出された時に、前記翻訳装置を制御して音声認識状態を終了する。

上記各モジュールの各々機能を実現するための具体的なプロセスについては、図１及び図２に示す実施形態の関連記載を参照することができ、ここで再度説明しない。

本実施形態では、翻訳ボタンが押されると、翻訳装置は、音声認識状態に入り、ユーザの音声をリアルタイムに収集し、且つ収集した音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する音声の信頼度を取得する。その後、取得した信頼度に応じて、ユーザが使用するソース言語を確定する。また、当該音声認識状態では、ユーザが翻訳ボタンを放すと、翻訳装置は、音声認識状態が終了し、音声をソース言語からデフォルト言語の対象音声に変換して再生し、ワンクリック翻訳とソース言語の自動認識を実現する。従って、本発明は、ボタン操作を簡素化し、間違ったボタンを押すことによる翻訳エラーを回避し、翻訳の精度を向上することができる。

図５は、本発明の１つの実施形態に係る翻訳装置のハードウェア構造を示す図である。図６は、図５に示した翻訳装置の外部構造を示す図である。図５と図６に示すように、本発明に係る翻訳装置は、本体１と、本体１の機体に設けられた録音孔２と、表示パネル３と、翻訳ボタン４と、本体１の内部に設けられたプロセッサー５０１と、メモリー５０２と、音声収集装置５０３と、音声再生装置５０４と、通信モジュール５０５と、を備える。

表示パネル３、翻訳ボタン４、メモリー５０２、音声収集装置５０３、音声再生装置５０４及び通信モジュール５０５は、プロセッサー５０１に電気的に接続されている。メモリー５０２は、高速ランダムアクセスメモリ（ＲＡＭ，Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）であることができ、ディスクストレージなどの不揮発性メモリ（ｎｏｎ−ｖｏｌａｔｉｌｅ ｍｅｍｏｒｙ）であってもよい。メモリー５０２には、実行可能なプログラムコードが格納されている。通信モジュール５０５は、ネットワーク信号トランシーバーであって、無線ネットワーク信号を送受信することに用いられる。表示パネル３は、タッチスクリーンである。

より詳細には、メモリー５０２には、プロセッサー５０１で実行されることが可能であるコンピュータプログラムが格納されている。プロセッサー５０１は、前記コンピュータプログラムを実行する際に、以下のステップを行なう。

翻訳ボタン４が押される時に、翻訳装置は、音声認識状態に入って、音声収集装置５０３を介してユーザの音声を収集し、収集した音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいてユーザが使用したソース言語を確定する。複数の前記音声認識エンジンは、それぞれ異なる前記代替言語に対応している。

音声認識状態において、翻訳ボタン４が放されると、前記翻訳装置は音声認識状態を終了し、前記音声をソース言語からデフォルト言語の対象言語に変換して、音声再生装置５０４を介して前記対象言語を再生する。

図７に示すように、本発明のもう１つの実施形態において、本体１の下端には、スピーカーウィンドウ（図示せず）が設けられている。本体１の内部には、プロセッサー５０１にそれぞれ電気的に接続されるバッテリー７０１、運動センサー７０２及び音声収集装置５０３に電気的に接続されるオーディオ信号増幅回路７０３が設けられている。運動センサー７０２は、加速度タッチセンサー、重力センサー又はジャイロスコープなどである。

上記各素子の各々機能を実現する過程については、図１及び図２に示す実施形態の関連記載を参照することができ、ここで再度説明しない。

本実施形態では、翻訳ボタンが押されると、翻訳装置は、音声認識状態に入り、ユーザの音声をリアルタイムに収集し、且つ収集した音声を複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する音声の信頼度を取得する。その後、取得した信頼度に応じて、ユーザが使用するソース言語を確定する。また、当該音声認識状態では、ユーザが翻訳ボタンを放すと、翻訳装置は、音声認識状態が終了し、音声をソース言語からデフォルト言語の対象音声に変換して再生し、ワンクリック翻訳とソース言語の自動認識を実現する。従って、本発明は、ボタン操作を簡素化し、間違ったボタンを押すことによる翻訳エラーを回避し、翻訳の精度を向上することができる。

本発明の幾つかの実施形態により開示された装置及び方法は、他の形で実現され得ることを理解されたい。例えば、上記のデバイスは、ただ例示的であり、モジュールの分割は、ただ論理的な機能の区分にすぎない。実際の応用では、他の区分方式がある。例えば、複数のモジュール又はコンポーネントを組み合わせたり、別のシステムに統合したり、一部の機能を省略したり、実行しないことができる。加えて、図示された又は説明された相互結合、直接結合又は通信接続は、何らかの接続ポート又はインターフェースを介して実現される。デバイス又はモジュールの間接結合又は通信接続は、電気的、機械的又はその他であり得る。

分離部品として説明されるモジュールは、物理的に離れるか又は物理的に離れておらず、モジュールとして示される部品は、物理モジュールであるか又は物理モジュールではない。即ち、１つの場所に位置するか又は複数のネットワークモジュールに分布されてもよい。しかも、実際の必要に応じて、一部又は全てのモジュールを選んで本発明の提案を実現することができる。

さらに、本発明の各実施形態における各機能モジュールは、１つの処理モジュールに統合されてもよく、各モジュールは物理的に別々に存在してもよく、または２つ以上のモジュールが１つのモジュールに統合されてもよい。上記の統合モジュールは、ハードウェアの形またはソフトウェアの形で実現される。

前記統合モジュールは、ソフトウェアの形で実現され、且つ別個の製品として販売または使用される場合、コンピュータの読み取り可能な記憶媒体に格納されることができる。 そのような理解に基づいて、本発明の先行技術に貢献する一部または全ての技術提案は、ソフトウェア製品の形で具現化され得る。前記ソフトウェア製品は、１つの読み取り可能な媒体に格納され、本願の様々な実施形態で説明された方法の全部または一部のステップをコンピュータ（パソコン、サーバーまたはネットワークデバイスなどであってもよい）に実行させるための命令を含む。前述の読み取り可能な記憶媒体は、プログラムコードを記憶することができるＵディスク、モバイルハードディスク、ＲＯＭ、ＲＡＭ、磁気ディスクまたはＣＤなどを含む。

前述の方法実施形態に対して、簡潔にするために、それらを全て一連のアクションの組み合わせとして説明されているが、当業者は、本発明が説明されたアクションのシーケンスによって限定されないことに留意されたい。なぜなら、本発明に従って幾つかのステップは、他のシーケンスでまたは同時に実行される可能性があるからである。しかも、当業者は、明細書に記載された実施形態は全て好ましい実施形態であり、関与する動作及びモジュールは必ずしも本発明に必要でないことも理解されたい。

上記の様々な実施形態に対する説明は、それぞれに独自の重点があり、ある実施形態において詳述されていない部分を他の実施形態の関連記載を参照することができる。

以上は、本発明によって提供される音声認識翻訳方法及び翻訳装置の説明である。当業者にとって、本発明の実施形態の主旨に応じて、具体的な実施形態及び適用範囲を変更できることが明らかである。本明細書の記載は、本願を制限するものではない。

１ 本体
２ 録音孔
３ 表示パネル
４ 翻訳ボタン
３０１ 録音モジュール
３０２ 音声認識モジュール
３０３ 音声変換モジュール
３０４ 再生モジュール
４０１ ディスプレーモジュール
４０２ 切換モジュール
４０３ 設定モジュール
４０４ 制御モジュール
５０１ プロセッサー
５０２ メモリー
５０３ 音声収集装置
５０４ 音声再生装置
５０５ 通信モジュール
７０１ バッテリー
７０２ 運動センサー
７０３ オーディオ信号増幅回路
３０２１ 第一認識モジュール
３０２２ 導入モジュール
３０２３ 選別モジュール
３０２４ 判断モジュール
３０２５ 第二認識モジュール
３０２６ 第三認識モジュール

Claims (10)

1. 翻訳ボタンが設けられており、プロセッサー及び前記プロセッサーに電気的に接続される音声収集装置と音声再生装置を含む翻訳装置に適用する音声認識翻訳方法であって、
   前記翻訳ボタンが押される時に、前記翻訳装置は、音声認識状態に入り、前記音声収集装置によりユーザの音声を収集するステップと、
   前記プロセッサーによって、収集された音声を異なる代替言語に対応する複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいて、ユーザが使用するソース言語を確定するステップと、
   前記音声認識状態において、前記翻訳ボタンが放されると、前記翻訳装置は、前記音声認識状態が終了し、且つ前記プロセッサーによって前記音声を前記ソース言語からデフォルト言語の対象音声に変換するステップと、
   前記音声再生装置により前記対象音声を再生するステップと、を含むことを特徴とする音声認識翻訳方法。
2. 前記信頼度及び予め設定された確定ルールに基づいて、ユーザが使用するソース言語を確定するステップは、具体的に各代替言語の中の信頼度の値が一番大きい言語をユーザが使用するソース言語に決めることを含むことを特徴とする請求項１に記載の音声認識翻訳方法。
3. 前記プロセッサーによって、収集された音声を異なる代替言語に対応する複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいて、ユーザが使用するソース言語を確定するステップは、具体的に、
   収集された前記音声を前記プロセッサーによって各音声認識エンジンにそれぞれ導入して、当該音声の各代替言語にそれぞれ対応する複数の第一テキストと複数の信頼度を取得するステップと、
   前記代替言語の中から信頼度の値が第一設定値より大きい複数の第一言語を選別するステップと、
   前記第一言語に包含される第二言語の数が１であるかどうかを判断するステップと、
   前記第二言語の数が１であれば、前記第二言語を前記ソース言語と確定するステップと、
   前記第二言語の数が１より大きければ、各第二言語の中の第三言語を前記ソース言語とするステップと、を含み、
   任意に隣接する２つの前記第一言語の信頼度の値の差は、第二設定値より小さく、前記第二言語に対応する前記第一言語は、前記第二言語のテキストルールに合致し、全ての前記第二言語の中では、前記第三言語に対応する前記第一テキストの構文は、前記第三言語の構文ルールと一番マッチングしていることを特徴とする請求項１に記載の音声認識翻訳方法。
4. 前記音声を前記ソース言語からデフォルト言語の対象音声に変換するステップは、具体的に前記ソース言語に対応する前記第一テキストを前記デフォルト言語の第二テキストに翻訳するステップと、音声合成システムによって、前記第二テキストを前記対象音声に変換するステップと、を含むことを特徴とする請求項３に記載の音声認識翻訳方法。
5. 前記翻訳装置は、前記プロセッサーに電気的に接続される無線信号トランシーバーをさらに含み、前記プロセッサーによって、収集された音声を異なる代替言語に対応する複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得するステップは、具体的に、
   前記プロセッサーにより、前記音声を複数の前記音声認識エンジンにそれぞれ対応するクライアントに導入するステップと、
   各前記クライアントは、前記無線信号トランシーバーを介して、前記音声をストリーミングメディアの形で対応するサーバーにリアルタイムに送信し、且つ各サーバーによりフィードバックされる前記信頼度を受信するステップと、
   パケットロスが発生するか、ネットワークの速度が事前設定速度より遅いか、又は切断率が事前設定頻度より大きいことが検出された場合、前記音声の送信操作を停止するステップと、
   前記音声認識状態において、前記翻訳ボタンが放されたことを検出すると、各クライアントを介して、収集されたあらゆる音声を前記無線信号トランシーバーによりファイルの形で対応するサーバーに送信して、各サーバーによりフィードバックされる前記信頼度を受信するかまたは前記クライアントを介してローカルデータベースを呼び出して、前記音声を認識して前記信頼度を得るステップと、を含むことを特徴とする請求項１に記載の音声認識翻訳方法。
6. 前記翻訳装置は、前記プロセッサーに電気的に接続されたタッチパネルをさらに含み、
   前記音声認識翻訳方法は、前記プロセッサーによって前記音声をそれぞれ複数の前記音声認識エンジンに導入して、前記音声の各代替言語に対応する単語確率リストを得るステップと、前記ソース言語を認識した後に、前記ソース言語に対応する前記第一テキストを前記タッチパネルにおいて表示させるステップと、ユーザの前記タッチパネルでのクリック動作が検出された時に、前記タッチパネルで表示される前記第一テキストにおける前記クリック動作が指向する第一単語を第二単語に切り換えるステップと、をさらに含み、
   前記第二単語は、前記単語確率リストの中の確率が前記第一単語に次ぐ単語であることを特徴とする請求項３に記載の音声認識翻訳方法。
7. 前記翻訳装置は、前記プロセッサーに電気的に接続される運動センサーをさらに含み、前記音声認識翻訳方法は、前記運動センサーにより検出されたユーザの第一動作と第二動作を、それぞれ第一プリセットアクションと第二プリセットアクションとに設定するステップと、前記運動センサーによりユーザが前記第一プリセットアクションを実行したことが検出されると、前記音声認識状態に入るステップと、前記運動センサーを介してユーザが前記第二プリセットアクションを実行したことが検出されると、前記音声認識状態を終了するステップと、をさらに含むことを特徴とする請求項１に記載の音声認識翻訳方法。
8. 翻訳ボタンが押される時に、音声認識状態に入り、音声収集装置を介してユーザの音声を収集するための録音モジュールと、
   収集された音声をそれぞれ複数の音声認識エンジンに導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいてユーザが使用したソース言語を確定するための音声認識モジュールと、
   前記音声認識状態において、前記翻訳ボタンが放された時に、前記音声認識状態を終了し、前記音声を前記ソース言語からデフォルト言語の対象音声に変換するための音声変換モジュールと、
   音声再生装置により前記対象音声を再生するための再生モジュールと、を含み、
   複数の前記音声認識エンジンは、それぞれ異なる前記代替言語に対応していることを特徴とする翻訳装置。
9. 本体と、前記本体の機体に設けられた録音孔、表示パネル及び翻訳ボタンと、前記本体の内部に設けられたプロセッサー、メモリー、音声収集装置、音声再生装置及び通信モジュールと、を含む翻訳装置であって、
   前記表示パネル、前記翻訳ボタン、前記メモリー、前記音声収集装置、前記音声再生装置及び前記通信モジュールは、前記プロセッサーに電気的に接続されており、前記メモリーには、前記プロセッサーで実行されることが可能であるコンピュータプログラムが格納されており、
   前記プロセッサーは、前記コンピュータプログラムを実行する際に、前記翻訳ボタンが押される時に、前記翻訳装置は、音声認識状態に入って、前記音声収集装置を介してユーザの音声を収集し、収集された音声を異なる代替言語に対応している複数の音声認識エンジンにそれぞれ導入して、異なる代替言語に対応する前記音声の信頼度を取得し、且つ前記信頼度及び予め設定された確定ルールに基づいてユーザが使用したソース言語を確定し、前記音声認識状態において、前記翻訳ボタンが放されると、前記翻訳装置は、音声認識状態を終了して、前記音声を前記ソース言語からデフォルト言語の対象言語に変換して、前記音声再生装置により前記対象言語を再生することを特徴とする翻訳装置。
10. 前記本体の下端には、スピーカーウィンドウが設けられており、前記本体の内部には、バッテリー、運動センサー及びオーディオ信号増幅回路が設けられ、前記バッテリーと前記運動センサーは、それぞれ前記プロセッサーに電気的に接続され、前記オーディオ信号増幅回路は、前記音声収集装置に電気的に接続され、前記表示パネルは、タッチスクリーンであることを特徴とする請求項９に記載の翻訳装置。