JP5369055B2 - Call unit detection apparatus, method and program - Google Patents
Call unit detection apparatus, method and program Download PDFInfo
- Publication number
- JP5369055B2 JP5369055B2 JP2010130823A JP2010130823A JP5369055B2 JP 5369055 B2 JP5369055 B2 JP 5369055B2 JP 2010130823 A JP2010130823 A JP 2010130823A JP 2010130823 A JP2010130823 A JP 2010130823A JP 5369055 B2 JP5369055 B2 JP 5369055B2
- Authority
- JP
- Japan
- Prior art keywords
- call
- utterance
- incoming
- utterances
- phrase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Telephonic Communication Services (AREA)
Description
この発明は、通話単位を検出する技術に関する。 The present invention relates to a technique for detecting a call unit.
複数チャネルの音声区間及び非音声区間の情報を用いて通話単位を検出する技術が、特許文献1に記載されている。
特許文献1の技術では、あるチャネルで音声区間が検出された時、一定時間以内に別のチャネルで音声区間が検出された場合には、その別のチャネルの音声区間が通話単位に含まれると判定する。また、あるチャネルで音声区間が検出された時、一定時間以内に別のチャネルで音声区間が検出されなかった場合には、そのあるチャネルの音声区間は通話単位を構成しないか、そのあるチャネルの音声区間を含む通話は終了したと判定する。
In the technique of
しかしながら、あるチャネルで音声が継続して存在するが別のチャネルで音声が継続して存在しない場合、すなわち例えば一方の話者がしゃべり続け他方の話者が黙って話しを聞いている場合、通話が終了したと誤って判定する可能性があった。 However, if there is continuous speech on one channel but no speech on another channel, i.e. one speaker is still speaking and the other is silently listening Could be mistakenly determined to have ended.
また、例えば通話の保留により複数のチャネルで音声が継続して存在しない場合も、通話が終了したと誤って判定する可能性があった。 In addition, for example, even when there is no continuous voice on a plurality of channels due to call holding, there is a possibility that it is erroneously determined that the call has ended.
さらに、通話が終了したが一定時間を経過する前に音声区間が検出された場合、すなわち例えば通話終了後すぐに着信して通話が開始した場合、通話の終了を見過ごしてしまう可能性があった。 In addition, if a voice interval is detected before a certain period of time has elapsed after the call has ended, that is, for example, if the incoming call starts immediately after the call ends, the end of the call may be overlooked. .
上記の課題を解決するために、入力された音声信号から通話を仮検出する。音声信号の音声特徴量を抽出する。音声特徴量、音響モデル及び言語モデルを用いて各通話の音声認識を行いその各通話を構成する発話を検出すると共に、各発話の音声認識結果を得る。音声認識結果を用いて、通話の開始時に用いられる典型的な単語の集合である入電フレーズを構成する単語が各発話に含まれる割合である入電フレーズ一致率、及び、通話の終了時に用いられる典型的な単語の集合である切電フレーズを構成する単語が各発話に含まれる割合である切電フレーズ一致率を計算し、入電フレーズ一致率が第一閾値よりも高い発話を入電発話とし、切電フレーズ一致率が第二閾値よりも高い発話を切電発話とする。各通話を構成する発話の中に入電発話が含まれる場合にはその入電発話の直前でその各通話を分割し、各通話を構成する発話の中に切電発話が含まれる場合にはその切電発話の直後でその各通話を分割し、直前の通話を構成する最後の発話が切電発話ではなくかつ最初の発話が入電発話でない通話がある場合にはその通話とその直前の通話とを結合する。 In order to solve the above-described problem, a call is temporarily detected from an input voice signal. Extracts the audio feature quantity of the audio signal. Speech recognition of each call is performed using the speech feature, acoustic model, and language model, and the speech constituting each call is detected, and the speech recognition result of each speech is obtained. Using the speech recognition result, an incoming phrase matching rate that is a ratio of words constituting an incoming phrase that is a typical set of words used at the start of a call included in each utterance, and a typical used at the end of a call An in-call phrase matching rate, which is the ratio of words that make up the in-call phrase that is a typical set of words, is included in each utterance, and an utterance with an incoming call phrase match rate higher than the first threshold is defined as an incoming utterance. An utterance having a power phrase matching rate higher than the second threshold is defined as a power utterance. If an incoming call is included in the utterance that makes up each call, the call is divided immediately before the incoming call, and if an incoming call is included in the utterance that makes up each call, that call is cut off. Each call is divided immediately after the telephony, and if the last utterance constituting the previous call is not a cut-off utterance and the first utterance is not an incoming utterance, the call and the previous call are Join.
通話の開始時に用いられる典型的な単語の集合である入電フレーズ、通話の終了時に用いられる典型的な単語の集合である切電フレーズを考慮することにより、より正確に通話単位を検出することができる。 It is possible to detect a call unit more accurately by considering an incoming call phrase that is a typical set of words used at the start of a call and a turn-off phrase that is a typical set of words used at the end of a call. it can.
以下、図面を参照してこの発明の一実施形態を説明する。 An embodiment of the present invention will be described below with reference to the drawings.
通話単位検出装置は、図1に示すように、音声信号取得部1、通話仮検出部2、音声特徴量算出部3、音声認識部4、定型表現抽出部5、通話単位調整部6を例えば含む。この通話単位検出置が、図2に例示する通話単位検出方法の各ステップを実行する。
As shown in FIG. 1, the call unit detection apparatus includes an audio
音声取得部1は、入力されたアナログ音声信号をA/D変換して、ディジタル音声信号を生成する(ステップS1)。ディジタル音声信号は、通話仮検出部2及び音声特徴量抽出部3に送られる。音声取得部1に入力されるアナログ音声信号は、複数チャネルにそれぞれ対応する複数のアナログ音声信号である。この例では、チャネル数は2であり、一方がオペレータの音声のチャネルA、他方が顧客の音声のチャネルBであるとする。
The
通話仮検出部2は、入力された音声信号から通話を仮検出する(ステップS2)。通話の仮検出は、既存の通話検出技術を用いればよい。例えば、特許文献1に記載された通話検出技術を用いることができる。仮検出された通話についての情報は、通話単位調整部6に送られる。通話についての情報とは、例えば各通話の開始時刻Ts1,Ts2,…と、終了時刻Te1,Te2,…についての情報である。図5に、オペレータの音声のチャネルAの音声信号及び顧客の音声のチャネルBの音声信号の例、及び、検出された通話の例を示す。
The temporary
音声特徴量抽出部3は、ディジタル音声信号の音声特徴量を抽出する(ステップS3)。抽出された音声特徴量についての情報は、音声認識部4に送られる。音声特徴量は、例えばMFCC(Mel-Frequency Cepstrum Coefficient)、MFCCの変化量であるΔMFCCであり、後述する音声認識部4で用いることができるものであればよい。音声特徴量の抽出は、既存の技術を用いればよい。
The voice feature
音声認識部4は、音声特徴量、音響モデル及び言語モデルを用いて仮検出された各通話の音声認識を行いその各通話を構成する発話を検出すると共に、各発話の音声認識結果を得る(ステップS4)。検出された発話についての情報及び音声認識結果は、定型表現抽出部5に送られる。音声認識は、既存の技術を用いればよい。後述する入電フレーズ及び切電フレーズが認識できれば十分であるため、比較的軽い処理の音声認識技術を用いればよい。 The voice recognition unit 4 performs voice recognition of each call temporarily detected by using the voice feature amount, the acoustic model, and the language model, detects the utterances constituting each call, and obtains the voice recognition result of each utterance ( Step S4). Information about the detected utterance and the speech recognition result are sent to the fixed expression extraction unit 5. For voice recognition, existing technology may be used. Since it is sufficient to be able to recognize an incoming call phrase and a turn-off phrase, which will be described later, a relatively light processing speech recognition technique may be used.
発話についての情報とは、例えば、顧客の各発話Uci(i=1,2,…)の開始時刻Sci及び終了時刻Eci、オペレータの各発話Uoi(i=1,2,…)の開始時刻Soi及び終了時刻Eoiについての情報である。音声認識結果は、例えば、顧客の各発話Uci(i=1,2,…)を構成するMci個の単語の表記Wci1,Wci2,…,WciMci、これらの単語の品詞情報Pci1,Pci2,…,PciMci、オペレータの各発話Uoi(i=1,2,…)を構成するMoi個の単語の表記Woi1,Woi2,…,WoiMoi、これらの単語の品詞情報Poi1,Poi2,…,PoiMciについての情報である。 The information about the utterance includes, for example, the start time Sci and end time Eci of each utterance Uci (i = 1, 2,...) Of the customer, and the start time Soi of each utterance Uoi (i = 1, 2,...) Of the operator. And end time Eoi. The speech recognition result includes, for example, notation of Mci words Wci1, Wci2,..., WciMci constituting each utterance Uci (i = 1, 2,...) Of the customer, part-of-speech information Pci1, Pci2,. PciMci, notation of Moi words constituting each utterance Uoi (i = 1, 2,...) Of the operator Woi1, Woi2,..., WoiMoi, part of speech information Poi1, Poi2,. is there.
定型表現抽出部5は、音声認識結果を用いて、入電フレーズ一致率及び切電フレーズ一致率を計算し、入電フレーズ一致率が第一閾値Th1よりも高い発話を入電発話とし、切電フレーズ一致率が第二閾値Th2よりも高い発話を切電発話とする(ステップS5)。入電発話及び切電発話についての情報は、通話単位調整部6に送られる。
The fixed expression extraction unit 5 calculates the incoming call phrase match rate and the incoming call phrase match rate using the speech recognition result, and determines that the incoming call phrase match rate is higher than the first threshold Th1 as the incoming call utterance. An utterance whose rate is higher than the second threshold Th2 is set as a power-off utterance (step S5). Information about incoming utterances and incoming utterances is sent to the call
入電フレーズは、通話の開始時に用いられる典型的な単語の集合である。切電フレーズは、通話の終了時に用いられる典型的な単語の集合である。入電フレーズはIN_CALL個の単語から構成されるとし、切電フレーズはOUT_CALL個の単語から構成されるとする。「お電話ありがとうございます」「会社名」「人名」等はコンタクトセンタによらず通話の開始時に用いられる典型的なフレーズ及び単語である。したがって、例えばこれらのフレーズが入電フレーズとされる。また、「今後ともよろしくお願い致します」は通話の終了時に用いられる典型的なフレーズである。したがって、例えばこのフレーズが切電フレーズとされる。 An incoming call phrase is a typical set of words used at the start of a call. A switching phrase is a typical set of words used at the end of a call. It is assumed that the incoming call phrase is composed of IN_CALL words, and the incoming call phrase is composed of OUT_CALL words. “Thank you for calling”, “Company name”, “Person name”, and the like are typical phrases and words used at the start of a call regardless of the contact center. Therefore, for example, these phrases are used as incoming phrases. “Thank you in the future” is a typical phrase used at the end of a call. Therefore, for example, this phrase is a turning-off phrase.
入電フレーズ一致率は、入電フレーズを構成する単語がある発話に含まれる割合である。すなわち、ある発話に含まれる、入電フレーズを構成する単語の数をIN_CALL_HITとすると、入電フレーズ一致率CR_IN=IN_CALL_HIT/IN_CALLとなる。 The incoming phrase matching rate is a ratio included in an utterance with a word constituting the incoming phrase. That is, if the number of words constituting an incoming call phrase included in a certain utterance is IN_CALL_HIT, the incoming call phrase match rate CR_IN = IN_CALL_HIT / IN_CALL.
切電フレーズ一致率は、切電フレーズを構成する単語がある発話に含まれる割合である。ある発話に含まれる、切電フレーズを構成する単語の数をOUT_CALL_HITとすると、切電フレーズ一致率CR_OUT=OUT_CALL_HIT/OUT_CALLとなる。 The cutting power phrase matching rate is a ratio included in an utterance with a word constituting the cutting power phrase. If the number of words constituting a cut-off phrase included in a certain utterance is OUT_CALL_HIT, the turn-off phrase match rate CR_OUT = OUT_CALL_HIT / OUT_CALL.
単語がある発話に含まれるかどうかは、例えばその単語の表記及び品詞情報と同一の表記及び品詞情報を持つ単語がその発話の中に含まれるかどうかにより判定する。または、品詞情報を無視して、その単語の表記と同一の表記を持つ単語がその発話の中に含まれるかどうかにより判定してもよい。 Whether or not a word is included in an utterance is determined by whether or not a word having the same notation and part of speech information as the notation and part of speech information of the word is included in the utterance. Alternatively, the part of speech information may be ignored and the determination may be made based on whether or not a word having the same notation as that word is included in the utterance.
入電フレーズが「お電話ありがとうございます。横須賀コールセンター相談窓口担当の○○です」である場合を例にあげて説明する。この入電フレーズは、「お:冠名詞」「電話:名詞:動作」「ありがとうございます:独立詞」「横須賀:名詞:地名」「コールセンター:名詞」「相談:名詞:動作」「窓口:名詞:地名」「担当:名詞:動作」「の:格助詞」「○○:名詞:固有:姓」「です:判定詞:終止」のように11個の単語から構成され、各単語の表記及び品詞情報は「表記:品詞情報」と表される。これらの表記、品詞情報の少なくとも一方を用いて、単語が発話に含まれているかどうかを判定する。 Take the case where the incoming call phrase is “Thank you for the call. My name is Yokosuka Call Center Consultation Service ○○”. This incoming call phrase is “O: coronal noun” “phone: noun: motion” “Thank you: independence” “Yokosuka: noun: place name” “call center: noun” “consultation: noun: motion” “window: noun: It consists of 11 words such as “place name”, “in charge: noun: action”, “no: case particle”, “○: noun: proper: surname”, “is: judgment: end”, and the notation and part of speech of each word. The information is expressed as “notation: part of speech information”. Using at least one of these notations and part-of-speech information, it is determined whether or not the word is included in the utterance.
第一閾値Th1及び第二閾値Th2は、適切な結果が得られるように適宜設定される定数である。入電フレーズ、切電フレーズを構成する単語の数が多い場合には、それぞれ入電フレーズ一致率、切電フレーズ一致率は上がりづらいため、低めに設定して、入電フレーズ、切電フレーズの取りこぼしを防ぐとよい。例えば、0.2から0.3程度とする。逆に、入電フレーズ、切電フレーズを構成する単語の数が少ない場合には、それぞれ入電フレーズ一致率、切電フレーズ一致率を高めに設定して、誤検出を防ぐ必要がある。例えば、0.7程度とする。 The first threshold Th1 and the second threshold Th2 are constants that are set as appropriate so that an appropriate result can be obtained. If the number of words that make up the incoming call phrase and the incoming call phrase is large, the incoming call phrase match rate and the incoming call phrase match rate are difficult to increase, so set them lower to prevent the incoming call phrase and incoming call phrase from being missed. Good. For example, about 0.2 to 0.3. On the other hand, when the number of words constituting the incoming call phrase and the turning-off phrase is small, it is necessary to set the incoming phrase matching rate and the turning-off phrase matching rate higher to prevent erroneous detection. For example, about 0.7.
このように、フレーズの完全一致ではなく、一致している単語の割合に基づいて入電発話、切電発話を検出することで、より正確に検出を行うことができる。 In this way, it is possible to detect more accurately by detecting incoming utterances and switching off utterances based on the proportion of matching words rather than exact phrases.
図3を参照して、定型表現抽出部5の処理の詳細を説明する。この例では、オペレータの発話Uoi(i=1,2,…,No)のみを対象として定型表現の抽出を行っている。もちろん、顧客の発話Uciのみを対象として定型表現の抽出を行ってもよいし、オペレータの発話Uoiと顧客の発話Uciの両方を対象として定型表現の抽出を行ってもよい。 With reference to FIG. 3, the details of the processing of the fixed expression extraction unit 5 will be described. In this example, the fixed expression is extracted only for the utterance Uoi (i = 1, 2,..., No) of the operator. Of course, the fixed expression may be extracted only for the customer utterance Uci, or the fixed expression may be extracted for both the operator utterance Uoi and the customer utterance Uci.
定型表現抽出部5は、i=1とする(ステップS51)。 The fixed expression extraction unit 5 sets i = 1 (step S51).
定型表現抽出部5は、i>Noであるか判定する(ステップS52)。Noは、ある通話に含まれるオペレータの発話の総数である。i>Noであれば、その通話についての処理を終了し、別の通話について同様の処理を繰り返し、仮検出されたすべての通話について同様の処理を行う。 The fixed expression extraction unit 5 determines whether i> No (step S52). No is the total number of operator utterances included in a call. If i> No, the process for the call is terminated, the same process is repeated for another call, and the same process is performed for all temporarily detected calls.
定型表現i>Noでなければ、定型表現抽出部5は、オペレータの発話Uoiに含まれる、入電フレーズを構成する単語の数IN_CALL_HIT、切電フレーズを構成する単語の数OUT_CALL_HITをカウントする(ステップS53)。 If the fixed expression i> No, the fixed expression extraction unit 5 counts the number IN_CALL_HIT of words constituting the incoming phrase and the number OUT_CALL_HIT of words constituting the incoming phrase included in the utterance Uoi of the operator (step S53). ).
定型表現抽出部5は、入電フレーズ一致率CR_IN=IN_CALL_HIT/IN_CALL、切電フレーズ一致率CR_OUT=OUT_CALL_HIT/OUT_CALLを計算する(ステップS54)。 The fixed expression extraction unit 5 calculates the incoming call phrase match rate CR_IN = IN_CALL_HIT / IN_CALL and the off-call phrase match rate CR_OUT = OUT_CALL_HIT / OUT_CALL (step S54).
定型表現抽出部5は、入電フレーズ一致率CR_IN<第一閾値Th1、かつ、切電フレーズ一致率CR_OUT<第二閾値Th2であるか判定する(ステップS55)。 The fixed expression extraction unit 5 determines whether or not the incoming phrase matching rate CR_IN <first threshold Th1 and the incoming phrase matching rate CR_OUT <second threshold Th2 (step S55).
CR_IN<Th1、かつ、CR_OUT<Th2であれば、定型表現抽出部5は、i=i+1として、すなわちiを1だけインクリメントして(ステップS56)、ステップS52に進む。 If CR_IN <Th1 and CR_OUT <Th2, the typical expression extraction unit 5 sets i = i + 1, that is, increments i by 1 (step S56), and proceeds to step S52.
「CR_IN<Th1、かつ、CR_OUT<Th2」でなければ、定型表現抽出部5は、CR_IN≧Th1、かつ、CR_OUT<Th2であるか判定する(ステップS57)。すなわち、入電フレーズ一致率CR_INのみが第一閾値Th1以上であるか判定する。 If “CR_IN <Th1 and CR_OUT <Th2” are not satisfied, the standard expression extraction unit 5 determines whether CR_IN ≧ Th1 and CR_OUT <Th2 (step S57). That is, it is determined whether only the incoming call phrase matching rate CR_IN is greater than or equal to the first threshold Th1.
CR_IN≧Th1、かつ、CR_OUT<Th2であれば、定型表現抽出部5は、発話Uoiを入電発話とし、発話Uoiの位置iを入電発話位置FLAG_STARTとして記憶する(ステップS58)。その後ステップS56に進む。 If CR_IN ≧ Th1 and CR_OUT <Th2, the typical expression extraction unit 5 stores the utterance Uoi as the incoming utterance and stores the position i of the utterance Uoi as the incoming utterance position FLAG_START (step S58). Thereafter, the process proceeds to step S56.
「CR_IN≧Th1、かつ、CR_OUT<Th2」でなければ、定型表現抽出部5は、CR_IN<Th1、かつ、CR_OUT≧Th2であるか判定する(ステップS59)。すなわち、切電フレーズ一致率CR_OUTのみが第二閾値Th2以上であるか判定する。 If “CR_IN ≧ Th1 and CR_OUT <Th2” is not satisfied, the fixed expression extraction unit 5 determines whether CR_IN <Th1 and CR_OUT ≧ Th2 (step S59). That is, it is determined whether only the switching phrase matching rate CR_OUT is greater than or equal to the second threshold Th2.
CR_IN<Th1、かつ、CR_OUT≧Th2であれば、定型表現抽出部5は、発話Uoiを切電発話とし、発話Uoiの位置iを切電発話位置FLAG_ENDとして記憶する(ステップS510)。その後ステップS55に進む。 If CR_IN <Th1 and CR_OUT ≧ Th2, the regular expression extraction unit 5 stores the utterance Uoi as a cut-off utterance and stores the position i of the utterance Uoi as a cut-off utterance position FLAG_END (step S510). Thereafter, the process proceeds to step S55.
通話単位調整部6は、各通話を構成する発話の中に入電発話が含まれる場合にはその入電発話の直前でその各通話を分割し、各通話を構成する発話の中に切電発話が含まれる場合にはその切電発話の直後でその各通話を分割し、直前の通話を構成する最後の発話が切電発話ではなくかつ最初の発話が入電発話でない通話がある場合にはその通話とその直前の通話とを結合する(ステップS6)。
The call
図6に例示するように、各通話は、入電発話の直前、及び、切電発話の直後で分割される(ステップS61、図4)。図6において、入電発話は○、切電発話は□で表されている。そして、分割後の各通話に対して、通話単位調整部6は、直前の通話を構成する最後の発話が切電発話ではなくかつ最初の発話が入電発話でない通話がある場合にはその通話とその直前の通話とを結合する処理を行うことにより、通話区間の調整を行う(ステップS62)。例えば、通話U3の直前の発話U2を構成する最後の発話は切電発話ではなく、かつ、通話U3の最初の発話は入電発話ではないため、通話U3と直前の発話U2とは結合される。これに対して、通話U2の直前の通話U1を構成する最後の発話は切電発話であり、通話U2の最初の発話は入電発話であるため、通話U2と直前の発話U1とは結合されない。
As illustrated in FIG. 6, each call is divided immediately before the incoming call and immediately after the incoming call (step S61, FIG. 4). In FIG. 6, incoming call utterances are indicated by ○, and off-call utterances are indicated by □. Then, for each divided call, the call
このように、通話の開始時に用いられる典型的な単語の集合である入電フレーズ、通話の終了時に用いられる典型的な単語の集合である切電フレーズを考慮することにより、より正確に通話単位を検出することができる。 Thus, by considering the incoming call phrase, which is a typical set of words used at the start of a call, and the turning-off phrase, which is a typical set of words used at the end of a call, the call unit can be more accurately determined. Can be detected.
通話単位検出装置及び方法は、コンピュータによって実現することができる。この場合、この装置の各部の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、この装置における各部が、この方法における各ステップがコンピュータ上で実現される。 The call unit detection apparatus and method can be realized by a computer. In this case, the processing content of each part of this apparatus is described by a program. Then, by executing this program on a computer, each unit in this apparatus realizes each step in this method on the computer.
この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、これらの装置を構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。 The program describing the processing contents can be recorded on a computer-readable recording medium. In this embodiment, these devices are configured by executing a predetermined program on a computer. However, at least a part of these processing contents may be realized by hardware.
この発明は、上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。 The present invention is not limited to the above-described embodiment, and can be modified as appropriate without departing from the spirit of the present invention.
1 音声取得部
2 通話仮検出部
3 音声特徴量抽出部
4 音声認識部
5 定型表現抽出部
6 通話単位調整部
DESCRIPTION OF
Claims (4)
上記音声信号の音声特徴量を抽出する音声特徴量抽出部と、
上記音声特徴量、音響モデル及び言語モデルを用いて各上記通話の音声認識を行いその各通話を構成する発話を検出すると共に、各発話の音声認識結果を得る音声認識部と、
上記音声認識結果を用いて、通話の開始時に用いられる典型的な単語の集合である入電フレーズを構成する単語が各上記発話に含まれる割合である入電フレーズ一致率、及び、通話の終了時に用いられる典型的な単語の集合である切電フレーズを構成する単語が各上記発話に含まれる割合である切電フレーズ一致率を計算し、入電フレーズ一致率が第一閾値よりも高い発話を入電発話とし、切電フレーズ一致率が第二閾値よりも高い発話を切電発話とする定型表現抽出部と、
各上記通話を構成する発話の中に入電発話が含まれる場合にはその入電発話の直前でその各通話を分割し、各上記通話を構成する発話の中に切電発話が含まれる場合にはその切電発話の直後でその各通話を分割し、直前の通話を構成する最後の発話が切電発話ではなくかつ最初の発話が入電発話でない通話がある場合にはその通話とその直前の通話とを結合する通話単位調整部と、
を含む通話単位検出装置。 A temporary call detection unit that temporarily detects a call from the input audio signal;
A voice feature amount extraction unit that extracts a voice feature amount of the voice signal;
A voice recognition unit that performs voice recognition of each call using the voice feature, acoustic model, and language model to detect a utterance constituting each call, and obtains a voice recognition result of each utterance;
Using the voice recognition result, an incoming phrase matching rate that is a ratio of words constituting the incoming phrase, which is a typical set of words used at the start of a call, included in each of the utterances, and used at the end of the call Calculate the switching phrase matching rate, which is the ratio of the words that make up the switching phrase that is a typical set of words included in each of the above utterances. A fixed expression extraction unit that makes an utterance whose utterance is higher than the second threshold,
When incoming utterances are included in the utterances constituting each of the above-mentioned calls, each of the telephone calls is divided immediately before the incoming utterance, and when incoming utterances are included in the utterances constituting each of the above-mentioned calls Each call is divided immediately after the off-call utterance, and if there is a call that is not the off-call utterance and the first utterance is not an incoming utterance, the call and the previous call A call unit adjustment unit that combines
A call unit detecting device including:
上記通話を構成する発話は、上記通話を構成するオペレータの発話である、
ことを特徴とする通話単位検出装置。 In the call unit detection device according to claim 1,
The utterance constituting the call is an utterance of the operator constituting the call.
A call unit detection apparatus characterized by the above.
上記音声信号の音声特徴量を抽出する音声特徴量抽出ステップと、
上記音声特徴量、音響モデル及び言語モデルを用いて各上記通話の音声認識を行いその各通話を構成する発話を検出すると共に、各発話の音声認識結果を得る音声認識ステップと、
上記音声認識結果を用いて、通話の開始時に用いられる典型的な単語の集合である入電フレーズを構成する単語が各上記発話に含まれる割合である入電フレーズ一致率、及び、通話の終了時に用いられる典型的な単語の集合である切電フレーズを構成する単語が各上記発話に含まれる割合である切電フレーズ一致率を計算し、入電フレーズ一致率が第一閾値よりも高い発話を入電発話とし、切電フレーズ一致率が第二閾値よりも高い発話を切電発話とする定型表現抽出ステップと、
各上記通話を構成する発話の中に入電発話が含まれる場合にはその入電発話の直前でその各通話を分割し、各上記通話を構成する発話の中に切電発話が含まれる場合にはその切電発話の直後でその各通話を分割し、直前の通話を構成する最後の発話が切電発話ではなくかつ最初の発話が入電発話でない通話がある場合にはその通話とその直前の通話とを結合する通話単位調整ステップと、
を含む通話単位検出方法。 A temporary call detection step for temporarily detecting a call from the input audio signal;
An audio feature extraction step for extracting the audio feature of the audio signal;
A speech recognition step of performing speech recognition of each call using the speech feature, acoustic model, and language model, detecting speech constituting each call, and obtaining a speech recognition result of each speech;
Using the voice recognition result, an incoming phrase matching rate that is a ratio of words constituting the incoming phrase, which is a typical set of words used at the start of a call, included in each of the utterances, and used at the end of the call Calculate the switching phrase matching rate, which is the ratio of the words that make up the switching phrase that is a typical set of words included in each of the above utterances. And a typical expression extraction step in which the utterance with the phrase matching rate higher than the second threshold is the utterance utterance,
When incoming utterances are included in the utterances constituting each of the above-mentioned calls, each of the telephone calls is divided immediately before the incoming utterance, and when incoming utterances are included in the utterances constituting each of the above-mentioned calls Each call is divided immediately after the off-call utterance, and if there is a call that is not the off-call utterance and the first utterance is not an incoming utterance, the call and the previous call Call unit adjustment step for combining
Call unit detection method including
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010130823A JP5369055B2 (en) | 2010-06-08 | 2010-06-08 | Call unit detection apparatus, method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010130823A JP5369055B2 (en) | 2010-06-08 | 2010-06-08 | Call unit detection apparatus, method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011259127A JP2011259127A (en) | 2011-12-22 |
JP5369055B2 true JP5369055B2 (en) | 2013-12-18 |
Family
ID=45474834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010130823A Expired - Fee Related JP5369055B2 (en) | 2010-06-08 | 2010-06-08 | Call unit detection apparatus, method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5369055B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511698A (en) * | 2020-12-03 | 2021-03-16 | 普强时代(珠海横琴)信息技术有限公司 | Real-time call analysis method based on universal boundary detection |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177542A1 (en) * | 2005-03-11 | 2008-07-24 | Gifu Service Corporation | Voice Recognition Program |
JP3827704B1 (en) * | 2005-03-30 | 2006-09-27 | 三菱電機インフォメーションシステムズ株式会社 | Operator work support system |
JP4906379B2 (en) * | 2006-03-22 | 2012-03-28 | 富士通株式会社 | Speech recognition apparatus, speech recognition method, and computer program |
-
2010
- 2010-06-08 JP JP2010130823A patent/JP5369055B2/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511698A (en) * | 2020-12-03 | 2021-03-16 | 普强时代(珠海横琴)信息技术有限公司 | Real-time call analysis method based on universal boundary detection |
Also Published As
Publication number | Publication date |
---|---|
JP2011259127A (en) | 2011-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11115541B2 (en) | Post-teleconference playback using non-destructive audio transport | |
CN110300001B (en) | Conference audio control method, system, device and computer readable storage medium | |
JP6171617B2 (en) | Response target speech determination apparatus, response target speech determination method, and response target speech determination program | |
CN110049270B (en) | Multi-person conference voice transcription method, device, system, equipment and storage medium | |
CN111508498B (en) | Conversational speech recognition method, conversational speech recognition system, electronic device, and storage medium | |
WO2020232865A1 (en) | Meeting role-based speech synthesis method, apparatus, computer device, and storage medium | |
CN111128223B (en) | Text information-based auxiliary speaker separation method and related device | |
CN1291308C (en) | Method for eliminating echo | |
JP2013527490A (en) | Smart audio logging system and method for mobile devices | |
WO2018047421A1 (en) | Speech processing device, information processing device, speech processing method, and information processing method | |
JP2012181358A (en) | Text display time determination device, text display system, method, and program | |
US8868419B2 (en) | Generalizing text content summary from speech content | |
EP2763136B1 (en) | Method and system for obtaining relevant information from a voice communication | |
WO2009104332A1 (en) | Speech segmentation system, speech segmentation method, and speech segmentation program | |
CN113345473A (en) | Voice endpoint detection method and device, electronic equipment and storage medium | |
JP2023073393A (en) | Speech recognition | |
JP5369055B2 (en) | Call unit detection apparatus, method and program | |
CN101557443B (en) | Bridge connection computing method of digital teleconference | |
JP6544439B2 (en) | Puzzle state determination device, puzzle state determination method, and program | |
JP2020148805A (en) | Voice recognition system and voice recognition method | |
CN112927680B (en) | Voiceprint effective voice recognition method and device based on telephone channel | |
GB2516208A (en) | Noise reduction in voice communications | |
CN103035237B (en) | Chinese speech signal processing method, device and hearing aid device | |
Schmitt et al. | On nomatchs, noinputs and bargeins: Do non-acoustic features support anger detection? | |
JP2011257529A (en) | Method, device and program for holding-related utterance extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20121026 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130905 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130910 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130913 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5369055 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |