JP5037041B2 - 車載用音声認識装置及び音声コマンド登録方法 - Google Patents

Description

本発明は、車載用音声認識装置及び音声コマンド登録方法に関し、特に、車室内でユーザがコマンドとして発した単語や語句などの音声（以下、「ボイスタグ(Voice Tag) 」ともいう。）を基に的確な音声認識を行うよう適応された技術に関する。

最近の車両には、車室内のユーザに対して様々なサービスを提供するための機器や装置などが搭載されている。その代表的な車載機器として、設定した目的地に向けて道路を間違うことなく走行できるように案内する機能（経路誘導機能）を搭載したナビゲーション装置や、各種ソース（ラジオ受信機、ＣＤプレーヤ、ＴＶ受信機、ＤＶＤプレーヤ等）から出力される音声（オーディオ）情報や映像（ビデオ）情報などの各種エンターテイメントを提供するオーディオ／ビデオ（Ａ／Ｖ）機器などがある。これらの車載機器（装置）は、ユーザがリモコンや操作パネル等を操作して所要の指示を与えることにより、その操作指示に応じてその動作状態が変更される。変更された機器の動作状態は、車室内に設置されたスピーカ（リア席のユーザについてはワイヤレスヘッドホン等）を介して聴くことができ、また車載モニタ等の表示装置の画面を通して見ることができる。

このように各車載機器に対してはリモコン操作等のマニュアル操作に基づいて所要の操作指示を入力することができるが、最近では、操作指示を音声入力（発話）するだけで当該機器の制御を行える機能（音声認識機能）を搭載した装置も出現している。かかる音声認識機能は、ユーザの操作上の便宜を図る点で有利であり、特に、運転者にとっては安全走行の点で非常に有用である。

音声認識機能を実現するには音声コマンドの認識用辞書を必要とし、この認識用辞書には、音声認識の対象とされる単語や語句などの音声、すなわち、音声認識に基づいて制御されるべき車載機器の操作指示に関連したボイスタグ又はこれを含む音声コマンドが登録されている。ボイスタグは、例えば、ナビゲーション装置において住所録(Address Book)を呼び出す際に使用される。その一例を図９に示す。

ボイスタグを登録する際には（図９（ａ）参照）、先ず、ナビゲーション機能が有効な状態で、リモコン操作や画面上でのタッチ操作等により"Address Book"画面６１を表示させ、次に画面６１上の"Add Voice Tag" 部分６２にタッチすると、ボイスタグを記録する旨の案内情報（子画面）６３が表示される。ユーザがこの画面６３上の"Start" 部分６４にタッチし、例えば２秒以内に、所望のボイスタグ（何と言って呼び出すかの音声）を発声すると、そのボイスタグを記録中である旨の案内情報（子画面）６５が表示される。そして、この画面６５上の"Finished"部分６６が点灯すると、そのボイスタグの認識辞書への登録が完了する。例えば、その登録されたボイスタグが [マクドナルド] であったとする。

このようにして登録されたボイスタグ（＝ [マクドナルド] ）を音声認識処理に使用する際には（図９（ｂ）参照）、先ず、画面上でのタッチ操作等により自車位置周辺の地図画面６７を表示させ、この状態で、ユーザが"Go to [マクドナルド]"と発声すると、この音声コマンド（ＰＣＭデータ）を基に音声認識処理を実行し、目的地までの誘導経路等の情報を画面６７に表示する。図中、ＣＭは自車位置マーク、ＧＲは誘導経路、ＤＳ１は目的地までの距離及び時間とその方位を指示する情報、ＤＳ２は誘導経路上で次の案内ポイントまでの距離を指示する情報を示している。

また、図９（ａ）においてボイスタグを登録する際、ユーザが発声したボイスタグが音声認識に使えないデータであった場合には、図９（ｃ）に示すようにユーザに再登録を促す旨の案内情報（警告画面）６８が表示される。ユーザは、必要であればこの画面６８上の"Start" 部分にタッチして再度ボイスタグを発声し、必要でなければ"Cancel"部分にタッチして再登録を中止する。なお、ここでいう「音声認識に使えないデータ」とは、基本的には、周囲が非常に騒々しい環境下でユーザが発声を行ったために（一応登録はできたが）音声認識エンジンで使用する音声データとしては有効なレベルに達していなかった場合のデータを指している。ただし、図９（ｃ）に例示した警告画面６８は、このような場合に限らず、発声そのものを検出できなかった場合（同図（ａ）の例を参照すると、ユーザが画面６３上の"Start" 部分６４にタッチしてから何も発声しないで２秒経過してしまった場合）にも表示される。

上記の従来技術に関連する技術としては、例えば、特許文献１に記載されるように、音声認識装置において、入力した音声データの音声パターンとあらかじめ生成された標準音声パターンとのマッチングを行うマッチング部を予備選択部とマッチング処理部の２段構成とし、予備選択部では、入力した音声データと辞書生成部において音声データから全帯域フィルタによって分析され辞書に登録された全帯域辞書データとをマッチングして候補単語を絞り込むようにし、マッチング処理部では、絞り込まれた候補単語と辞書生成部において音声データから帯域別フィルタによって分析され辞書に登録された帯域別辞書データとのマッチング処理により候補単語の内から類似度が所定のしきい値より大きい候補単語を認識単語として出力するようにしたものがある。
特開平６−３０１３９９号公報

上述したように従来の技術では、ユーザが発したボイスタグを認識辞書に登録してナビゲーション装置等の制御に利用できるようにした機能が実現されているが、従来の方法では認識辞書に登録されている全てのボイスタグに対して音声認識を行っているため、以下に説明するような不都合があった。

すなわち、音声認識エンジンでは、ユーザが発したボイスタグ（コマンド）と認識辞書に登録されている全てのコマンドとのそれぞれの合致度（「スコア」ともいう。）を算出し、その算出結果から最も合致度の大きいコマンドをユーザが発声したコマンドとして決定する（音声認識）。このとき、その最も合致度の大きいコマンドが１つに特定できれば問題はないが、登録されているコマンドの数が多くなってくると発声上「読み」の類似したコマンドも多くなるため、認識エンジンでは必ずしも１つに特定することができず、結果として、マッチングしないコマンドを誤認識してしまう場合が起こり得る。つまり、従来の技術では、ボイスタグを登録する際、過去に登録したボイスタグと同一もしくは類似している音声を登録した場合、ボイスタグ呼出し用の認識辞書には同一もしくは類似している音声データが複数登録されることになり、そのため、ナビゲーション装置等の制御に利用する際に音声認識処理を行ったときに誤認識する割合が高くなる（つまり、音声コマンドに対する認識率が低下する）といった課題があった。

本発明は、かかる従来技術における課題に鑑み創作されたもので、音声コマンドを認識辞書に登録してナビゲーション装置等の車載機器の制御に利用するにあたり、登録した音声コマンドに対する認識率を向上させることができる車載用音声認識装置及び音声コマンド登録方法を提供することを目的とする。

上記の従来技術の課題を解決するため、本発明の一形態によれば、車室内でユーザが発話するコマンドを入力する音声入力手段と、前記音声入力手段を介して入力されたコマンドとの比較照合を行うのに使用され、制御対象機器の動作状態に応じて選択可能なコマンドを登録した複数の認識辞書と、入力されたコマンドを前記認識辞書に登録すべきかどうかを判断するための判別用辞書であって前記複数の認識辞書に登録されているコマンドと同じコマンドが登録されるよう適応されたものとを格納した記憶手段と、前記制御対象機器の動作状態に応じて有効な前記認識辞書を切り替える辞書切替選択手段と、前記音声入力手段を介して入力されたコマンドと前記記憶手段に格納されているいずれかの辞書に登録されているコマンドとの比較照合に基づいた音声認識を行う音声認識手段とを備え、前記音声認識手段は、前記音声入力手段を介してコマンドが入力されたときに、前記判別用辞書のみを使用して当該入力されたコマンドに対する音声認識を行い、該音声認識に基づいて算出した認識スコアが所定のしきい値より低い場合に、当該コマンドを前記制御対象機器の動作状態に応じて選択された前記認識辞書及び前記判別用辞書に登録することを特徴とする車載用音声認識装置が提供される。

本発明に係る車載用音声認識装置によれば、ユーザが発したコマンド（ボイスタグを含む）を登録するにあたり、判別用辞書のみを使用して当該コマンドに対する音声認識を行い、その結果に基づき認識スコアが当該しきい値より低い場合に、当該コマンドはこれまで登録したいずれのコマンドとも類似していないデータであると判断して、当該コマンドを認識辞書と判別用辞書に登録するようにしている。

つまり、登録しようとしているコマンド（ボイスタグを含む）が判別用辞書に既に登録されているものと同一もしくは類似しているか、あるいは類似していない（非類似）かを判断し、非類似の場合にのみ当該コマンドを登録するようにしている。言い換えると、既に登録されているコマンドと同一もしくは類似しているコマンドについては、登録しないようにしている。

これによって、従来技術に見られたような不都合（過去に登録したコマンド（ボイスタグを含む）と同一もしくは類似している音声データが登録されることによってひき起こされる認識の際の紛らわしさ）を解消することができ、登録した音声コマンドに対する認識率を高めることが可能となる。

本発明の他の形態によれば、車室内でユーザが発話するコマンドを入力する音声入力手段と、前記音声入力手段を介して入力されたコマンドとの比較照合を行うのに使用され、制御対象機器の動作状態に応じて選択可能なコマンドを登録した複数の認識辞書と、入力されたコマンドを前記認識辞書に登録すべきかどうかを判断するための判別用辞書であって前記複数の認識辞書に登録されているコマンドと同じコマンドが登録されるよう適応されたものとを格納した記憶手段と、前記制御対象機器の動作状態に応じて有効な前記認識辞書を切り替える辞書切替選択手段と、前記音声入力手段を介して入力されたコマンドと前記記憶手段に格納されているいずれかの辞書に登録されているコマンドとの比較照合に基づいた音声認識を行う音声認識手段とを備えた車載用音声認識装置において、前記音声入力手段を介してコマンドが入力されたときに、前記判別用辞書のみを有効にして当該入力されたコマンドに対する音声認識を実行し、該音声認識に基づいて算出した認識スコアが所定のしきい値より低い場合に、当該コマンドを前記制御対象機器の動作状態に応じて選択された前記認識辞書及び前記判別用辞書に登録することを特徴とする音声コマンド登録方法が提供される。

本発明に係る車載用音声認識装置の他の構成上の特徴及びそれに基づく具体的な処理態様等については、後述する発明の実施の形態を参照しながら詳細に説明する。

以下、本発明の実施の形態について、添付の図面を参照しながら説明する。

図１は、本発明の一実施形態に係る車載用音声認識装置を組み込んだ車載オーディオ／ビデオ（Ａ／Ｖ）・ナビゲーションシステムの構成を示したものである。

図示のように車載Ａ／Ｖ・ナビゲーションシステム４０は、本実施形態に係る車載用音声認識装置１０と、その音声認識結果に基づいて発話内容（ボイスタグを含むコマンド）に対応した制御が行われる対象機器（図示の例では、ラジオ受信機１、ＤＶＤ／ＣＤプレーヤ２、ＴＶ受信機４及びナビゲーションユニット５）と、フロント席のユーザが各制御対象機器に対して各種設定操作を行うためのフロント席用操作ユニット（ヘッドユニット（Ｈ／Ｕ））２０と、リア席のユーザが各制御対象機器（ナビゲーションユニット５を除く）に対して各種設定操作を行うためのリア席用操作ユニット３０と、フロント席用表示ユニット２５と、アンプユニット２６と、スピーカ２７と、リア席用表示ユニット３１と、ワイヤレスヘッドホン３２とを備えている。車載用音声認識装置１０、各制御対象機器１〜５、フロント席用操作ユニット２０、各表示ユニット２５，３１及びアンプユニット２６は、伝送路として供される光ファイバ等のバス６を介して相互に接続されている。図示の例では、スピーカ２７は１個のみ示されているが、実際には車室内の所定の場所に所要の個数、例えば、リア席が１列の場合であれば少なくともリア席の左右の近傍とフロント席の左右の近傍にそれぞれ２個ずつ、計４個のスピーカ２７が設置されている。リア席用の操作ユニット３０、表示ユニット３１及びワイヤレスヘッドホン３２についても同様に、それぞれ１台（１個）のみ示されているが、実際にはリア席の搭乗者数に応じて所要の台数（個数）分設けられている。

本実施形態に係る車載用音声認識装置１０は、記録媒体としてのハードディスクドライブ（ＨＤＤ）７と、マイクロホン８と、音声認識ユニット９とを備えている。マイクロホン８は、車室内の運転席前方のサンバイザー又はルームミラーの近傍に適宜設置され、ユーザが発声するコマンド（ボイスタグを含む）を検出してその音圧レベルに応じたアナログ音声信号に変換するものである。ＨＤＤ７によって駆動されるディスク（図示せず）には、ナビゲーション機能を実行する際に使用する地図データと共に、音声認識機能を実行する際に使用するデータがそれぞれ割り当てられた記憶領域に格納されている。地図データは、各縮尺レベル（１／１２５００、１／２５０００、１／５００００等）に応じて適当な大きさの経度幅及び緯度幅に区切られており、経路探索やマップマッチング等の各種処理に必要な道路ユニットのデータ及び交差点の詳細を表す交差点ユニットのデータ、各種施設（コンビニエンスストア、ガソリンスタンド、スーパー・ディスカウントショップ等）に関するデータ（位置、住所、電話番号、ジャンル等の各種情報）等を含んでいる。ＨＤＤ７（その一部の記憶領域）に格納される音声認識用のデータの内容については、音声認識ユニット９の内部構成と併せて後で説明する。

フロント席用操作ユニット（Ｈ／Ｕ）２０は、運転者と助手席の乗員が共用できるように両座席の中間のセンターコンソール上に「操作パネル」の形態で設置されており、その対応する表示ユニット２５は、その操作パネル（Ｈ／Ｕ）の上方に配置されており、例えば、ＬＣＤモニタからなる。この表示ユニット２５の画面には、ナビゲーションユニット５から出力された各種の映像情報（音声認識に基づいた自車位置周辺の地図、目的地までの誘導経路など）、ＤＶＤ／ＣＤプレーヤ２やＴＶ受信機４などの映像ソースから出力された映像情報などが表示される。一方、リア席用操作ユニット３０は、リア席のユーザが操作し易いように「リモコン」の形態で設けられており、これに対応するリア席用表示ユニット３１と赤外線通信により接続されている。このリア席用表示ユニット３１は、例えば、前の座席のヘッドレストの後部に設置されており、フロント側の表示ユニット２５と同様に映像情報をディスプレイ画面に表示するＬＣＤモニタ等を有している。この表示ユニット３１は、その対応するワイヤレスヘッドホン３２と赤外線通信及びＲＦ通信により接続されている。なお、ワイヤレスヘッドホン３２に代えて、ジャック付きのヘッドホンを使用してもよい。この場合には、ヘッドホンは対応する表示ユニット３１とジャックを介して有線接続されることになる。

各制御対象機器１〜５は、基本的な動作として、フロント席用操作ユニット２０、リア席用操作ユニット３０又は音声認識ユニット１０からバス６に送出された操作指示に係るデータ（後述する「機器制御信号」）を受信し、その操作指示に係るデータに基づいて自己の動作状態を設定もしくは変更し、その結果（現在の動作状態）を指示するデータを音声／映像信号としてバス６に送出する。例えば、ラジオ受信機１の場合、各操作ユニット２０，３０あるいは音声認識ユニット１０から与えられる操作指示に応答して、ＦＭ放送やＡＭ放送の信号を受信して復調することにより音声信号を生成し、これをデジタルの音声データに変換して、バス６に送出する。また、ＤＶＤ／ＣＤプレーヤ２の場合、同様に与えられる操作指示に応答して、ユーザにより選択されたＤＶＤの記録面に記録された信号を読み取り、再生された映像データをバス６に送出する。また、ナビゲーションユニット５の場合、同様に与えられる操作指示に応答して、ユーザにより設定された目的地までの誘導経路を探索し、その探索した経路のデータをバス６に送出する。

フロント席用操作ユニット２０は、制御部２１と、操作部２２と、表示部２３と、メモリ部２４とを備えている。このうち、操作部２２は、各制御対象機器１〜５に対して各種設定操作を行うための操作キー、例えば、電源のオン／オフ及び音量調整を行うための電源キー、各機器を選択するための選択キー、所定の動作や機能を行わせるためのシフトキーやプリセットキー等を備えている。表示部２３は、操作パネル（Ｈ／Ｕ）上にＬＣＤ等の形態で配置されており、制御部２１から出力されるデータに基づいて、各種情報、例えば、ラジオ受信機１に関してはＦＭ／ＡＭの種別やその放送局の受信周波数など、ＤＶＤ／ＣＤプレーヤ２に関してはＣＤ演奏時のディスク番号や再生位置（トラック数、経過時間等）などを表示する。メモリ部２４は、フラッシュメモリ等の不揮発性メモリからなり、制御部２１からの制御に基づいて必要な情報（データ）を格納しておくためのものである。例えば、各操作ユニット２０，３０あるいは音声認識ユニット１０から与えられる操作指示に基づいて選択機器からの音声／映像信号の出力動作が停止された時点での当該機器の動作状態を示すデータが格納される。このデータは、次の出力動作開始時に必要に応じて参照するために格納されるものであり、例えば、いずれの機器（ソース）を使用していたかを指示する「ソース種別」、オーディオソースであればその音声を聴取していた際の音量や音質の調整値を指示する「音量・音質」、各機器別の詳細な動作状態を指示する「機器別詳細情報」などを含む。

制御部２１はマイクロコンピュータ（マイコン）等により構成され、本システム４０全体の制御を行うものである。基本的には、各操作ユニット２０，３０あるいは音声認識ユニット１０から与えられた操作指示に基づき、選択機器からバス６を介して送られてくる音声／映像データを取得して音声／映像情報の再生を行う動作、操作状況や動作状態等を指示する情報を表示部２３に表示させる動作などの制御を行う。この場合、取得された音声データは、制御部２１によりバス６を介してアンプユニット２６に送られ、適宜Ｄ／Ａ変換され、また音量や音質等の制御が行われ、増幅された後、スピーカ２７を通して音声出力される。また、取得された映像データは、制御部２１によりバス６を介して表示ユニット２５に送られ、そのディスプレイ画面に映像情報として表示される。

一方、リア席用操作ユニット（リモコン）３０は、特に図示はしないが、フロント側の操作部２２と同等の機能を有する操作部と、この操作部から入力された操作指示に応じた信号を赤外線通信により表示ユニット３１に向けて送信するための赤外線送信部とを備えている。また、リア席用表示ユニット３１は、特に図示はしないが、リモコン３０及びワイヤレスヘッドホン３２との間で制御信号やデータ等を通信するための赤外線通信部と、フロント側の制御部２１と同等の制御を行う制御部と、フロント側の表示ユニット２５と同様のＬＣＤモニタ等からなる表示部と、フロント側のメモリ部２４と同様のメモリ部とを備えている。

次に、本実施形態に係る車載用音声認識装置１０の構成について、その一例を示す図２を参照しながら説明する。

本実施形態に係る車載用音声認識装置１０は、図示のようにＨＤＤ７（その一部の記憶領域）と、マイクロホン８と、音声認識ユニット９とを備えている。音声認識ユニット９は、その機能ブロックとして、音声入力部１１と、音声認識処理部１２と、辞書切替選択部１３と、音声再生処理部１４と、機器制御信号発生部１５とを備えている。

ＨＤＤ７には、音声認識用のデータとして、ユーザが発話したコマンド（ボイスタグを含む）を認識するためのコマンド認識辞書と、本発明の特徴をなす判別用辞書ＪＤと、音響モデルＡＭとが格納されている。音響モデルＡＭは当業者には周知のものであり、例えば、音素対応の音素ＨＭＭ（隠れマルコフモデル）からなる音素ＨＭＭセットを生成し、この音素ＨＭＭセットの音素ＨＭＭを組み合わせて、それぞれの音節対応の初期音素連鎖音節ＨＭＭからなる初期音素連鎖音節ＨＭＭセットを生成し、その初期音素連鎖音節ＨＭＭセットを学習することによって、作成され得る。この音響モデルＡＭは、音声認識処理部１２において音声認識を行う際に適宜参照される。

コマンド認識辞書は、例えば、各制御対象機器１〜５の動作状態もしくは操作指示に関連させてそれぞれ選択可能なコマンドからなる認識辞書毎に区分され（図示の例では、Ｄ１〜Ｄ３の３種類の辞書）、当該辞書の識別番号（ＩＤ＝１〜３）に対応させて格納されている。図示の例では、１番目のコマンド認識辞書Ｄ１がボイスタグ(Voice Tag) 認識用の辞書として割り当てられている。

判別用辞書ＪＤは、後述するようにユーザが発したボイスタグをボイスタグ認識用の辞書Ｄ１に登録すべきかどうかを判断する際に使用されるものである。この判別用辞書ＪＤには、少なくともボイスタグ認識用の辞書Ｄ１に登録されているボイスタグと同じボイスタグが登録されるようになっている。さらに判別用辞書ＪＤには、ナビゲーションユニット５が製品としてサポートしているコマンド（図２の例では、"Menu","Cancel","Map" ）が予約語として登録されている。このような予約語を予め登録しておくことで、後述するようにボイスタグを音声認識したときに、ユーザが新規で登録したコマンドなのか、ナビゲーション機能として元々有していたコマンドなのかを判別することができる。

音声認識ユニット９において、音声入力部１１は、マイクロホン８を介してユーザが発した音声コマンド（アナログ音声信号）を適宜増幅し、デジタル化した後、音声認識処理部１２に出力する。音声認識処理部１２は、基本的には、音響モデルＡＭを参照しながら各制御対象機器１〜５の動作状態において選択可能なコマンドからなる認識辞書（図示の例では、コマンド認識辞書Ｄ１〜Ｄ３のいずれか）を使用して、入力された音声コマンドと当該認識辞書に含まれる各コマンドとを比較照合し、それぞれ合致度（認識スコア）を算出して、最も認識スコアの大きいコマンドをユーザが発した音声コマンドとして決定するものである。さらに音声認識処理部１２では、本発明に関連する処理として、後述するようにボイスタグを登録する際には判別用辞書ＪＤを使用して認識処理を行い、その認識スコアに応じて、当該ボイスタグをボイスタグ認識用の辞書Ｄ１に登録すべきかどうかを決定する。

辞書切替選択部１３は、各制御対象機器１〜５と動作可能に接続されており、これらの動作状態に変化が発生したときにそれを検出してその動作状態に対応する選択可能なコマンドからなる認識辞書を選択するものである。音声再生処理部１４では、ユーザによって音声入力されたコマンド（ボイスタグを含む）の認識結果をトークバック再生したり、各制御対象機器１〜５に対する、音声による操作の結果を報知するための音声データを合成する。合成された音声データはバス６（図１）に送出され、アンプユニット２６を介してスピーカ２７からユーザに報知される。機器制御信号発生部１５では、音声認識処理部１２で決定されたコマンドを取得し、そのコマンドの内容に応じた機器制御信号を出力する。出力された機器制御信号はバス６（図１）に送出され、該当する制御対象機器では、その機器制御信号に基づいて動作状態の変更を行う。

以下、本実施形態に係る車載用音声認識装置１０（図２）において行うコマンド認識辞書と判別用辞書の切替選択に基づいたボイスタグの登録に係る処理について、その一例を示す図３を参照しながら説明する。併せて、図４〜図８も参照しながら補足説明する。

先ず初期状態として、ボイスタグ認識用の辞書（コマンド認識辞書Ｄ１）と判別用辞書ＪＤにはボイスタグは登録されていないものとし、また判別用辞書ＪＤには、ナビゲーション機能として元々有していたコマンド（"Menu","Cancel","Map" ）が予約語として登録されているものとする。

この状態で最初のステップＳ１では、音声認識ユニット９において、マイクロホン８から音声入力部１１を介してボイスタグ用の音声データを検出した（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合にはステップＳ２に進み、判定結果がＮＯの場合にはボイスタグを検出するまで判定処理を繰り返す。

次のステップＳ２では、音声認識ユニット９において、辞書切替選択部１３が音声認識処理部１２と協働して、選択可能なコマンド認識辞書（図２の例では、Ｄ１〜Ｄ３）と判別用辞書ＪＤを有効化する。

次のステップＳ３では、音声認識処理部１２において、ＨＤＤ７に格納されている各辞書（この場合、ボイスタグ認識用の辞書Ｄ１と判別用辞書ＪＤ）を参照して、登録されているボイスタグは有る（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合にはステップＳ４に進み、判定結果がＮＯの場合にはステップＳ５に進む。

ステップＳ５では（ボイスタグが未だ登録されていない場合）、音声認識処理部１２により、その検出したボイスタグのＰＣＭデータ（音声データ）を録音すると共に、そのボイスタグを当該認識辞書（ボイスタグ認識用の辞書Ｄ１）と判別用辞書ＪＤに登録する。図４はその一例を示しており、図示の例では、ボイスタグ認識用の辞書Ｄ１と判別用辞書ＪＤにボイスタグとして"Best Buy"のコマンドが登録されている（図中、（ｂ），（ｃ）参照）。なお、（ａ）に示す画面５１は、図９に例示した"Address Book"画面６１と同等のものである。このようにしてボイスタグの登録が終了すると、ステップＳ１に戻って上記の処理を繰り返す。

一方、ステップＳ４では、辞書切替選択部１３が音声認識処理部１２と協働して、現在有効になっている認識辞書のＩＤ（図２の例では、ＩＤ＝１〜３）を保持した上で、辞書を全て無効化する（図４（ｃ）、図５（ｂ）、図７（ｂ）参照）。

次のステップＳ６では、辞書切替選択部１３が音声認識処理部１２と協働して、無効化された辞書のうち判別用辞書ＪＤのみを有効にし（図５（ｃ）、図７（ｃ）参照）、音声認識処理部１２において、録音されたＰＣＭデータに基づきその判別用辞書ＪＤのみを使用して、検出したボイスタグに対する音声認識を実行する。図５（ａ）、図７（ａ）は、この場合の「検出したボイスタグ」の一例を示しており、図５（ａ）の例ではボイスタグとして"My Home" が検出されており、図７（ａ）の例ではボイスタグとして"Best Buy"が検出されている。なお、各図の（ａ）に示す画面５２は、図９に例示した画面６５と同等のものである。

次のステップＳ７では、音声認識処理部１２において、音声認識に基づいて算出した認識スコアが所定のしきい値より低い（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合にはステップＳ８に進み、判定結果がＮＯの場合にはステップＳ９に進む。ここに、認識スコアが当該しきい値より低い場合には、検出したボイスタグは、これまで登録したいずれのボイスタグとも類似していないデータ（非類似のデータ）であると判断することができる。一方、認識スコアが当該しきい値より高い場合には、検出したボイスタグは、これまで登録したいずれかのボイスタグと同一又は類似しているデータ（同一／類似のデータ）であると判断することができる。

ステップＳ８では（検出したボイスタグが非類似のデータの場合）、音声認識処理部１２により、その検出したボイスタグのＰＣＭデータ（音声データ）を録音すると共に、そのボイスタグを判別用辞書ＪＤとボイスタグ認識用の辞書Ｄ１に登録する。図６はその一例を示しており、図示の例では、ボイスタグとして新たに"My Home" のコマンドが登録されている（図中、（ｂ）のボイスタグ認識用の辞書Ｄ１’、（ｃ）の判別用辞書ＪＤ’参照）。このようにしてボイスタグの登録が終了すると、ステップＳ１０に進む。

一方、ステップＳ９では（検出したボイスタグが同一／類似のデータの場合）、音声認識処理部１２からの制御に基づき機器制御信号発生部１５を介して表示ユニット（この場合、フロント席用表示ユニット２５）の画面に、当該ボイスタグを各辞書（ボイスタグ認識用の辞書Ｄ１と判別用辞書ＪＤ）に登録しない旨の案内情報（警告画面）を表示する。図８（ａ）はその一例を示しており、図示の例では、過去に登録したボイスタグと極めて類似しているので登録しない旨、そして再登録を促す旨の案内情報（警告画面）５３が表示されている。この警告画面を表示すると、ステップＳ１０に進む。

最後のステップＳ１０では、辞書切替選択部１３が音声認識処理部１２と協働して、判別用辞書ＪＤ（又はＪＤ’）を無効にし、保持しておいた認識辞書ＩＤのコマンド認識辞書を有効化する（図６（ｂ），（ｃ）、図８（ｂ），（ｃ）参照）。

なお、本発明の要旨とは関係しないので特に図示はしていないが、上記の処理（図３）を通してコマンド認識辞書（ボイスタグ認識用辞書Ｄ１）に登録されたボイスタグは、各制御対象機器１〜５を制御するのに利用され得る。この場合、音声認識ユニット９では、機器制御信号発生部１５により、音声認識処理部１２で認識されたコマンドに応じた機器制御信号を出力し、これに対応する制御を当該制御対象機器に対して実行する。その際、当該制御対象機器の動作状態に係る映像を表示している表示ユニット２５，３１に対して当該コマンドに応じた制御（画面表示やその変更など）を行うと共に、当該制御対象機器の動作状態に係る音声を出力しているスピーカ２７（ワイヤレスヘッドホン３２を含む）に対して当該コマンドに応じた制御（音声の変更など）を行う。例えば、図９（ｂ）に例示したように、自車位置周辺の地図画面６７を表示させている状態で、ユーザがマイクロホン８を介して"Go to [My Home]" と発声すると、音声認識ユニット９では、この音声コマンド（ＰＣＭデータ）を基に音声認識処理を実行し、その実行結果に応じた機器制御信号を出力する。ナビゲーションユニット５では、この機器制御信号に応答して、表示ユニット２５の画面に自宅(My Home) までの誘導経路等の情報を表示する。

以上説明したように、本実施形態に係る車載用音声認識装置１０によれば、マイクロホン８を介して音声入力されたコマンド（ボイスタグを含む）を認識辞書Ｄ１と判別用辞書ＪＤに登録するにあたり、判別用辞書ＪＤのみを使用して当該コマンドに対する音声認識を行い、その結果に基づき算出した認識スコアが当該しきい値より低い場合には、当該コマンドはこれまで登録したいずれのコマンドとも類似していない（非類似の）データであると判断して、当該コマンドを各辞書Ｄ１，ＪＤに登録するようにしている。

一方、認識スコアが当該しきい値より高い場合には、当該コマンドはこれまで登録したいずれかのコマンドと同一もしくは類似している（同一／類似の）データであると判断して、当該コマンドを各辞書Ｄ１，ＪＤに登録しない旨の案内情報（警告画面）５３を表示するようにしている。

つまり、登録しようとしているコマンド（ボイスタグを含む）が判別用辞書ＪＤに既に登録されているコマンドと同一／類似しているか、あるいは非類似かを判断し、非類似の場合にのみ当該コマンドを登録するようにし、同一／類似の場合には登録しないようにしている。

これにより、従来技術に見られたような、過去に登録したコマンドと同一もしくは類似している音声データが登録されることによってひき起こされる認識の際の紛らわしさといった不都合を解消することができる。その結果、認識辞書に登録した音声コマンドに対する認識率を高めることができる。

上述した実施形態では、車載用音声認識装置１０を車載Ａ／Ｖ・ナビゲーションシステム４０の一部として組み込んだ場合を例にとって説明したが、本発明の要旨（ユーザが発したコマンド（ボイスタグ）をコマンド認識辞書（ボイスタグ認識用辞書Ｄ１）に登録するにあたり、その登録を行うべきかどうかを判断するための判別用辞書を作成しておき、この判別用辞書を使用して入力されたコマンドに対する認識処理を行い、その結果（認識スコア）に基づいて同一もしくは類似していないコマンドのみを認識辞書に登録するようにしたこと）からも明らかなように、必ずしもＡ／Ｖ機器とナビゲーション装置の両方を含むシステムに組み込んで使用する必要がないことはもちろんである。

また、上述した実施形態では、地図データと共にコマンド認識辞書、判別用辞書等を格納する記録媒体としてＨＤＤ７を使用しているが、これに代えて、フラッシュメモリなどの書き換え可能な他の記録媒体を使用してもよい。

本発明の一実施形態に係る車載用音声認識装置を組み込んだ車載オーディオ／ビデオ（Ａ／Ｖ）・ナビゲーションシステムの構成を示すブロック図である。 図１における車載用音声認識装置の構成を示すブロック図である。 図２の車載用音声認識装置において行うコマンド認識辞書と判別用辞書の切替選択に基づいたボイスタグの登録に係る処理の一例を示すフロー図である。 図３の処理フローの補足説明図（その１）である。 図３の処理フローの補足説明図（その２）である。 図３の処理フローの補足説明図（その３）である。 図３の処理フローの補足説明図（その４）である。 図３の処理フローの補足説明図（その５）である。 ボイスタグの使用例を説明するための図である。

符号の説明

１〜５…制御対象機器、
７…ＨＤＤ（記憶手段）、
８…マイクロホン（音声入力手段）、
９…音声認識ユニット（音声認識手段）、
１０…車載用音声認識装置、
１２…音声認識処理部、
１３…辞書切替選択部、
１４…音声再生処理部、
１５…機器制御信号発生部、
２０，３０…操作ユニット、
２５，３１…表示ユニット（表示手段）、
２７…スピーカ、
４０…車載オーディオ／ビデオ（Ａ／Ｖ）・ナビゲーションシステム、
５３…ボイスタグを登録しない旨の案内情報（警告画面）、
Ｄ１，Ｄ１’…ボイスタグ認識用辞書（コマンド認識辞書）、
Ｄ２，Ｄ３…コマンド認識辞書、
ＪＤ，ＪＤ’…判別用辞書。

Claims (6)

1. 車室内でユーザが発話するコマンドを入力する音声入力手段と、
   前記音声入力手段を介して入力されたコマンドとの比較照合を行うのに使用され、制御対象機器の動作状態に応じて選択可能なコマンドを登録した複数の認識辞書と、入力されたコマンドを前記認識辞書に登録すべきかどうかを判断するための判別用辞書であって前記複数の認識辞書に登録されているコマンドと同じコマンドが登録されるよう適応されたものとを格納した記憶手段と、
   前記制御対象機器の動作状態に応じて有効な前記認識辞書を切り替える辞書切替選択手段と、
   前記音声入力手段を介して入力されたコマンドと前記記憶手段に格納されているいずれかの辞書に登録されているコマンドとの比較照合に基づいた音声認識を行う音声認識手段とを備え、
   前記音声認識手段は、前記音声入力手段を介してコマンドが入力されたときに、前記判別用辞書のみを使用して当該入力されたコマンドに対する音声認識を行い、該音声認識に基づいて算出した認識スコアが所定のしきい値より低い場合に、当該コマンドを前記制御対象機器の動作状態に応じて選択された前記認識辞書及び前記判別用辞書に登録することを特徴とする車載用音声認識装置。
2. さらに表示手段を備え、
   前記音声認識手段は、前記音声認識に基づいて算出した認識スコアが所定のしきい値より高い場合に、前記表示手段に対し、当該コマンドを前記認識辞書及び前記判別用辞書に登録しない旨の警告画面を表示させることを特徴とする請求項１に記載の車載用音声認識装置。
3. 前記音声認識手段は、前記音声入力手段を介してコマンドが入力されたときに、前記判別用辞書にコマンドが未だ登録されていない場合には、当該入力されたコマンドをそのまま前記認識辞書及び前記判別用辞書に登録することを特徴とする請求項１に記載の車載用音声認識装置。
4. さらに前記判別用辞書に、前記車載用音声認識装置と協働するナビゲーションユニットが製品としてサポートしているコマンドが予約語として登録されていることを特徴とする請求項１に記載の車載用音声認識装置。
5. 車室内でユーザが発話するコマンドを入力する音声入力手段と、前記音声入力手段を介して入力されたコマンドとの比較照合を行うのに使用され、制御対象機器の動作状態に応じて選択可能なコマンドを登録した複数の認識辞書と、入力されたコマンドを前記認識辞書に登録すべきかどうかを判断するための判別用辞書であって前記複数の認識辞書に登録されているコマンドと同じコマンドが登録されるよう適応されたものとを格納した記憶手段と、前記制御対象機器の動作状態に応じて有効な前記認識辞書を切り替える辞書切替選択手段と、前記音声入力手段を介して入力されたコマンドと前記記憶手段に格納されているいずれかの辞書に登録されているコマンドとの比較照合に基づいた音声認識を行う音声認識手段とを備えた車載用音声認識装置において、
   前記音声入力手段を介してコマンドが入力されたときに、前記判別用辞書のみを有効にして当該入力されたコマンドに対する音声認識を実行し、
   該音声認識に基づいて算出した認識スコアが所定のしきい値より低い場合に、当該コマンドを前記制御対象機器の動作状態に応じて選択された前記認識辞書及び前記判別用辞書に登録することを特徴とする音声コマンド登録方法。
6. 前記音声認識に基づいて算出した認識スコアが所定のしきい値より高い場合に、表示手段により、当該コマンドを前記認識辞書及び前記判別用辞書に登録しない旨の警告画面を表示することを特徴とする請求項５に記載の音声コマンド登録方法。

Images