JP6494879B2 - 音声認識装置及び音声認識方法 - Google Patents

Description

本発明は、音声について認識処理を行う音声認識装置及び音声認識方法に関する。

近年、カーナビゲーション装置及びスマートフォンなどにおける音声認識装置について様々な技術が提案されている。例えば特許文献１に開示された技術では、音声認識結果のスコアを用いることによって、音声の認識精度を高めることが可能となっている。

また、このような技術だけでなく、音声の内容からユーザの意図を推定する音声認識装置が提案されている。この音声認識装置では、１回の音声認識によって、経路検索機能、音楽検索機能及び施設検索機能などの複数の検索機能から１つを選択するとともに、選択した１つの検索機能の実行により所望の対象を検索する。例えば、ユーザから「Ｘ野球場に行きたい」という音声を取得した場合、上述の音声認識装置は、「行きたい」という音声から「経路検索機能」が要求されていると推定するとともに、「Ｘ野球場」を経路検索機能における目的地であると判定する。

特開２００３−１５６８８号公報

上述のような、ユーザの意図を推定する音声認識装置によれば、ユーザが音声認識装置と対話する回数を低減することができる。しかしながら、このような音声認識装置では、ユーザからの数回の音声だけに基づいて、音声の認識、ユーザの意図推定、認識結果及び意図推定結果に基づく情報検索、といった複雑な処理を要するので、ユーザが意図しない検索機能が誤って実行されてしまうことが多い。例えば、日本語の「行きたい（ローマ字表記：ikitai）」と、日本語の「聞きたい（ローマ字表記：kikitai）」とは、音声が似ている。このため、ユーザの音声が「Ｘ野球場に行きたい」である場合、上述の音声認識装置によれば、Ｘ野球場について経路検索機能を実行した検索結果と、Ｘ野球場について音楽検索機能を実行した検索結果とが得られてしまうことがあり、ユーザが意図しない検索機能も実行されてしまうことになる。なお、音声認識結果のスコアによって、検索機能の実行時における検索結果の誤りを抑制することは可能であるが、どの検索機能を実行すべきかを決定することに用いるものではない。

そこで、本発明は、上記のような問題点を鑑みてなされたものであり、ユーザが意図しない検索機能が誤って実行されてしまうことを抑制可能な技術を提供することを目的とする。

本発明に係る音声認識装置は、音声を取得する取得部と、取得部で取得された音声に認識処理を行うことによって、実行すべき検索機能を推定する推定部と、検索機能の実行頻度を蓄積する実行頻度蓄積部と、推定部で推定された検索機能である推定検索機能の実行頻度を参照して、推定検索機能の実行を制御する制御部とを備える。実行頻度は複数の実行頻度レベルに区分され、制御部は、推定検索機能の実行頻度が属する実行頻度レベルを参照して、推定検索機能の実行を制御する。

本発明によれば、推定検索機能の実行頻度を参照して、推定検索機能の実行を制御する。これにより、ユーザが意図しない検索機能が誤って実行されてしまうことを抑制することができる。

本発明の目的、特徴、態様及び利点は、以下の詳細な説明と添付図面とによって、より明白となる。

実施の形態１に係る音声認識装置の構成を示すブロック図である。 実施の形態２に係る音声認識装置の構成を示すブロック図である。 実施の形態２に係る音声認識装置の処理を示すフローチャートである。 実施の形態３に係る音声認識装置の構成を示すブロック図である。 実施の形態３に係る音声認識装置の処理を示すフローチャートである。 実施の形態３に係る音声認識装置の処理を示すフローチャートである。 実施の形態４に係る音声認識装置の表示例を示す図である。 実施の形態４に係る音声認識装置の表示例を示す図である。 実施の形態４に係る音声認識装置の処理を示すフローチャートである。 その他の変形例に係る音声認識装置のハードウェア構成を示すブロック図である。 その他の変形例に係る音声認識装置のハードウェア構成を示すブロック図である。 その他の変形例に係るサーバの構成を示すブロック図である。 その他の変形例に係る通信端末の構成を示すブロック図である。

＜実施の形態１＞
図１は、本発明の実施の形態１に係る音声認識装置１の構成を示すブロック図である。図１の音声認識装置１は、実行部１８における検索機能の実行を制御することが可能となっている。なお、実行部１８は、音声認識装置１の外部に設けられてもよいし、音声認識装置１の内部に設けられてもよい。

以下の説明で明らかとなるように、本実施の形態１に係る音声認識装置１によれば、ユーザが意図しない検索機能が、実行部１８によって誤って実行されることを抑制することが可能となっている。なお、検索機能とは、予め定められた項目について指示された対象を検索する機能である。この検索機能には、例えば、指示された目的地までの経路を検索する経路検索機能、指示された音楽を検索する音楽検索機能、指示された施設を検索する施設検索機能、ウェブから指示された項目を検索するウェブ検索機能などが用いられる。

さて、図１の音声認識装置１は、取得部１１と、推定部１２と、実行頻度蓄積部１３と、制御部１４とを備える。以下、図１の音声認識装置１の各構成要素について詳細に説明する。

取得部１１は、音声を取得する。

推定部１２は、取得部１１で取得された音声に認識処理を行うことによって、予め定められた複数の検索機能の中から、実行すべき検索機能を推定する。

なお、推定部１２は、取得部１１で取得された音声の内容に、検索機能が文字通りに含まれていない場合に、ユーザが意図する検索機能を当該音声の内容から推定する意図推定処理が可能であってもよい。このように構成された推定部１２によれば、例えば、取得部１１で取得された音声の内容が「Ｘ野球場に行きたい」であった場合に、「経路検索機能」を実行すべき検索機能として推定するとともに、「Ｘ野球場」を当該経路検索機能にて指示された目的地として推定することが可能となる。

実行頻度蓄積部１３は、各検索機能の実行頻度を蓄積する。つまり、実行頻度蓄積部１３は、各検索機能の実行頻度を学習する。

制御部１４は、推定部１２で推定された検索機能である推定検索機能について、実行頻度蓄積部１３で蓄積されている実行頻度を参照して、実行部１８における推定検索機能の実行を制御する。

＜実施の形態１のまとめ＞
以上のような本実施の形態１に係る音声認識装置１によれば、例えば、推定検索機能の実行頻度が比較的高い場合には、当該推定検索機能をすぐに実行し、推定検索機能の実行頻度が比較的低い場合には、当該推定検索機能をすぐに実行しないように制御することができる。ここで、実行頻度が比較的高い推定検索機能は、ユーザが意図する検索機能である可能性が高く、実行頻度が比較的低い推定検索機能は、ユーザが意図しない検索機能である可能性が高い。このため、以上の構成によれば、ユーザが意図しない検索機能が、実行部１８によって実行されてしまうことを抑制することができる。

＜実施の形態２＞
図２は、本発明の実施の形態２に係る音声認識装置１の構成を示すブロック図である。以下、本実施の形態２で説明する構成要素のうち、実施の形態１と同じまたは類似する構成要素については同じ参照符号を付し、異なる構成要素について主に説明する。

図２の音声認識装置１は、マイク２１と、音声取得部２２と、音声認識及び意図推定処理部２３と、使用頻度学習部２４と、検索機能通知部２５と、検索機能決定部２６と、検索機能実行部２７と、通知制御部２８と、検索結果通知部２９とを備える。

なお、マイク２１及び音声取得部２２は、実施の形態１で説明した図１の取得部１１に対応する。音声認識及び意図推定処理部２３、並びに、使用頻度学習部２４は、実施の形態１で説明した図１の推定部１２、及び、実行頻度蓄積部１３にそれぞれ対応する。検索機能決定部２６及び通知制御部２８は、実施の形態１で説明した図１の制御部１４に対応する。検索機能実行部２７は、実施の形態１で説明した図１の実行部１８に対応する。以下、図２の音声認識装置１の各構成要素について詳細に説明する。

マイク２１は、ユーザの音声を受け付け、当該音声を音声信号に変換する。

音声取得部２２は、マイク２１から音声信号を取得し、当該音声信号を音声データに変換する。音声信号がアナログ信号である場合には、音声取得部２２は、音声信号にＡ／Ｄ変換を行うことによって、デジタルデータである音声データを取得する。この際、デジタルデータの変換処理、例えばＰＣＭ（Pulse Code Modulation）形式などの処理における精度を高めるために、音声取得部２２は、ノイズリダクション及びビームフォーミングなどの処理も行ってもよい。

音声認識及び意図推定処理部２３は、音声取得部２２で取得された音声データから音声区間を検出して特徴量を抽出する。音声認識及び意図推定処理部２３は、抽出した特徴量に基づいて音声認識処理を行うことによって、音声データに対応する文字列データなどを取得する。音声認識及び意図推定処理部２３は、取得した文字列データに対して実施の形態１で説明した意図推定処理を行うことによって、実行すべき検索機能を推定する。これにより、音声認識及び意図推定処理部２３によって推定検索機能が取得される。この際、音声認識及び意図推定処理部２３は、音声認識処理及び意図推定処理のいずれかの際に推定検索機能の推定スコアも取得する。推定スコアは、推定検索機能がユーザにより意図された検索機能である可能性を示すスコアである。この推定スコアは、例えば、音声認識処理の対象となる特徴量が予め定められた特徴量と一致するほど高くなってもよいし、例えば、意図推定処理の対象となる文字列データが予め定められた文字列データと一致するほど高くなってもよい。以下、本実施の形態２において音声認識及び意図推定処理部２３で取得された推定検索機能とは、複数の推定検索機能のうち推定スコアが最も高い一の推定検索機能であるものとして説明する。

なお、本実施の形態２では、音声認識処理及び意図推定処理が、音声認識及び意図推定処理部２３のような単一の機能ブロックで行われているが、これに限ったものではない。例えば、音声認識処理及び意図推定処理は、例えばサーバ及び携帯端末などを含む複数の装置において別々に行われてもよい。

詳細は後述するが、音声認識及び意図推定処理部２３で取得された推定検索機能は、検索機能実行部２７によって実行されることもあれば、実行されないこともある。検索機能実行部２７によって推定検索機能が実行された場合には、当該推定検索機能によって検索された検索結果が得られる。例えば、音楽検索機能２７ｂが実行された場合には、上述の文字列データに含まれる音楽名、及び、それに類似する音楽名などが検索結果として得られる。

使用頻度学習部２４は、各検索機能の実行頻度を蓄積する。ここでは、使用頻度学習部２４は、推定検索機能の実行により得られた検索結果が使用されたか否かに基づいて、当該推定検索機能の実行頻度を変更する学習を行う。例えば、使用頻度学習部２４は、推定検索機能の実行により得られた検索結果が、ユーザの選択によって使用された場合には当該推定検索機能の実行頻度を増やし、推定検索機能の実行により得られた検索結果が使用されなかった場合には当該推定検索機能の実行頻度を減らす。このような本実施の形態２の構成においては、検索機能の実行頻度は検索機能の使用頻度、実行回数、使用回数と呼ぶことができる。このため、以下の説明では、実行頻度、使用頻度、実行回数及び使用回数を区別せずに用いる。

検索機能通知部２５は、検索機能決定部２６の制御によって各種情報をユーザに通知する。ここでは、検索機能通知部２５は、音声認識及び意図推定処理部２３で推定された検索機能、つまり推定検索機能をユーザに通知する。検索機能通知部２５には、例えば、液晶表示装置などの表示装置、及び、スピーカなどの音声出力装置が用いられる。検索機能通知部２５として表示装置が用いられた場合には、検索機能通知部２５の通知として表示装置の表示が用いられ、検索機能通知部２５として音声出力装置が用いられた場合には、検索機能通知部２５の通知として音声出力装置の音声ガイダンスが用いられる。

検索機能決定部２６は、使用頻度学習部２４で蓄積されている使用頻度のうち推定検索機能の使用頻度を参照して、検索機能実行部２７における推定検索機能の実行を制御する。

ここで本実施の形態２では、検索機能の使用頻度は、複数の実行頻度レベルである複数の使用頻度レベルに区分されている。検索機能決定部２６は、推定検索機能の使用頻度が属する使用頻度レベルを参照して、推定検索機能の実行を制御するとともに、推定検索機能を検索機能通知部２５に通知させる制御を行うように構成されている。

以下、複数の使用頻度レベルは、低頻度、中頻度、高頻度レベルからなる３つのレベルである構成を例にして説明する。この構成では、推定検索機能の使用頻度が、予め定められた第１閾値よりも低い場合には、推定検索機能の使用頻度には、第１レベルである低頻度レベルが割り当てられる。推定検索機能の使用頻度が、予め定められた第１閾値以上であり、かつ予め定められた第２閾値よりも低い場合には、推定検索機能の使用頻度には、第２レベルである中頻度レベルが割り当てられる。推定検索機能の使用頻度が、予め定められた第２閾値以上である場合には、推定検索機能の使用頻度には、第３レベルである高頻度レベルが割り当てられる。

これにより、低頻度レベルに属する使用頻度は、中頻度レベルに属する使用頻度よりも低く、中頻度レベルに属する使用頻度は、高頻度レベルに属する使用頻度よりも低くなっている。なお、複数の使用頻度レベルは、上述の例に限ったものではなく、２つのレベルであってもよいし、４つ以上のレベルであってもよい。検索機能決定部２６の使用頻度レベルに基づく制御については、後で詳細に説明する。

検索機能実行部２７は、検索機能決定部２６の制御によって推定検索機能を実行する。図２では、推定検索機能として、施設検索機能２７ａ、音楽検索機能２７ｂ、これら以外の項目について検索を行うＸＸ検索機能２７ｃを実行することが可能な検索機能実行部２７が示されている。例えば、検索機能実行部２７が、推定検索機能として施設検索機能２７ａを実行した場合には、上述の文字列データに含まれる施設などについて検索した検索結果が得られることになる。

通知制御部２８は、検索機能実行部２７が推定検索機能を実行したことにより得られた検索結果を検索結果通知部２９に通知させる制御を行う。

検索結果通知部２９は、通知制御部２８の制御により上述の検索結果をユーザに通知する。なお、検索結果通知部２９には、例えば、液晶表示装置などの表示装置、及び、スピーカなどの音声出力装置が用いられる。検索機能通知部２５及び検索結果通知部２９には、一の装置が共用されてもよいし、複数の装置が個別に用いられてもよい。

＜動作＞
図３は、本実施の形態２に係る音声認識装置１の処理を示すフローチャートである。

ステップＳ１にて、音声取得部２２は、マイク２１から音声信号を取得して、音声データに変換する。ステップＳ２にて、音声認識及び意図推定処理部２３は、音声取得部２２からの音声データに対して、音声認識処理及び意図推定処理を順に行うことによって検索機能を推定する。ステップＳ３にて、検索機能決定部２６は、音声認識及び意図推定処理部２３で推定された検索機能である推定検索機能の使用頻度を、使用頻度学習部２４から取得する。

ステップＳ４にて、検索機能決定部２６は、推定検索機能が良く使用される機能であるか否かを判定する。ここでは、推定検索機能の使用頻度が属する使用頻度レベルが高頻度レベルである場合には、検索機能決定部２６は、推定検索機能が良く使用される機能であると判定して、ステップＳ９に処理が進む。一方、推定検索機能の使用頻度が属する使用頻度レベルが高頻度レベルでない場合には、検索機能決定部２６は、推定検索機能が良く使用される機能ではないと判定して、ステップＳ５に処理が進む。

ステップＳ５にて、検索機能決定部２６は、推定検索機能があまり使用されない機能であるか否かを判定する。ここでは、推定検索機能の使用頻度が属する使用頻度レベルが中頻度レベルである場合には、検索機能決定部２６は、推定検索機能があまり使用されない機能ではないと判定して、ステップＳ６に処理が進む。一方、推定検索機能の使用頻度が属する使用頻度レベルが低頻度レベルである場合には、検索機能決定部２６は、推定検索機能があまり使用されない機能であると判定して、ステップＳ７に処理が進む。

ステップＳ６にて、検索機能決定部２６は、推定検索機能を検索機能通知部２５に通知させる制御を行う。これにより、推定検索機能が検索機能通知部２５によって通知される。その後、ステップＳ９に処理が進む。

ステップＳ５からステップＳ７に処理が進んだ場合、検索機能決定部２６は、推定検索機能を実行するか否かについての確認、つまり推定検索機能の実行確認を、検索機能通知部２５に通知させる制御を行う。これにより、例えば推定検索機能が施設検索機能２７ａであった場合には、「施設検索を実行します。よろしいですか？」という内容が検索機能通知部２５によってユーザに通知される。

ステップＳ７の後、ステップＳ８にて、検索機能決定部２６は、外部からの指示が、ステップＳ７で通知された推定検索機能を実行する実行指示であるか否かを判定する。外部からの指示は、マイク２１でユーザの音声を別途受け付けることによって行われてもよいし、図示しない入力装置でユーザの手動操作を別途受け付けることによって行われてもよい。外部からの指示が実行指示であると判定された場合にはステップＳ９に処理が進み、外部からの指示が推定検索機能を実行しない非実行指示であると判定された場合には図３の処理が終了する。

ステップＳ９にて、検索機能決定部２６は推定検索機能を実行する制御を行う。この制御により、検索機能実行部２７は推定検索機能を実行する。

ここでステップＳ４〜Ｓ９を小括すると、使用頻度レベルが低頻度レベルである場合には、検索機能決定部２６は、推定検索機能を検索機能通知部２５に通知させる制御（ステップＳ７）と、外部からの指示に応じて推定検索機能を実行する制御とを行う。使用頻度レベルが中頻度レベルである場合には、検索機能決定部２６は、推定検索機能を検索機能通知部２５に通知させる制御（ステップＳ６）と、外部からの指示に関わらず推定検索機能を実行する制御とを行う。使用頻度レベルが高頻度レベルである場合には、検索機能決定部２６は、推定検索機能を検索機能通知部２５に通知させる制御を行わずに、外部からの指示に関わらず推定検索機能を実行する制御を行う。

ステップＳ９の後、ステップＳ１０にて、通知制御部２８は、検索機能実行部２７が推定検索機能を実行したことにより得られた検索結果のリストを検索結果通知部２９に通知させる。

ステップＳ１１にて、音声認識装置１は、通知された検索結果のいずれかについて、ユーザから選択を受け付ける。この選択は、マイク２１でユーザの音声を別途受け付けることによって行われてもよいし、図示しない入力装置でユーザの手動操作を別途受け付けることによって行われてもよい。

ステップＳ１２にて、使用頻度学習部２４は、ユーザからの選択によって検索結果が使用されたか否かに基づいて、ステップＳ９で実行された推定検索機能の使用頻度を変更する学習を行う。

ステップＳ１３にて、音声認識装置１と接続された図示しないシステムは、ステップＳ１１で選択された検索結果に対応する処理を実施する。例えば、音楽検索機能２７ｂの実行によって検索された複数の音楽の中から、ステップＳ１１で一の音楽が選択された場合には、システムは選択された一の音楽を再生する。その後、図３の処理が終了する。

＜実施の形態２のまとめ＞
以上のような本実施の形態２に係る音声認識装置１によれば、推定検索機能の使用頻度が属する使用頻度レベルを参照して、推定検索機能の実行を制御する。これにより、適切な数のレベルで、推定検索機能の実行を制御することができる。

また本実施の形態２によれば、推定検索機能の使用頻度が属する使用頻度レベルを参照して、推定検索機能の実行を制御するとともに、推定検索機能を検索機能通知部２５に通知させる制御を行う。これにより、ユーザが意図しない検索機能が誤って実行されてしまうことをさらに抑制することができる。

また本実施の形態２によれば、推定検索機能の実行により得られた検索結果が使用されたか否かに基づいて、当該推定検索機能の使用頻度を変更する。これにより、検索機能決定部２６で用いられる使用頻度を適切化することができる。なお、使用頻度学習部２４による使用頻度の学習は、これに限ったものではない。例えば、使用頻度学習部２４は、検索機能実行部２７によって推定検索機能が実行されたか否かに基づいて、当該推定検索機能の使用頻度を変更してもよい。

＜実施の形態２の変形例＞
実施の形態２に係る音声認識装置１において、使用頻度学習部２４で蓄積される使用頻度の初期値は、ユーザなどによって予め登録されてもよい。このような構成によれば、使用頻度学習部２４において、所望の検索機能の使用頻度を、通常の低頻度レベルから学習させるのではなく、中頻度レベル、高頻度レベルから学習させることが可能となる。なお、この変形例は、後述する実施の形態３以降においても適用可能である。

＜実施の形態３＞
図４は、本発明の実施の形態３に係る音声認識装置１の構成を示すブロック図である。以下、本実施の形態３で説明する構成要素のうち、実施の形態２と同じまたは類似する構成要素については同じ参照符号を付し、異なる構成要素について主に説明する。

図４の音声認識装置１は、図２の構成要素に加えて、検索機能切替部３０をさらに備える。なお、検索機能決定部２６、通知制御部２８及び検索機能切替部３０は、実施の形態１で説明した図１の制御部１４に対応する。

音声認識及び意図推定処理部２３の推定によって複数の推定検索機能が得られた場合、検索機能決定部２６は、複数の推定検索機能の中から一の推定検索機能を実行する制御を行う。これにより、検索機能実行部２７は、一の推定検索機能を実行する。本実施の形態３では、一の推定検索機能の推定スコアは、当該一の推定検索機能を除く複数の推定検索機能の推定スコアよりも高いものとする。つまり本実施の形態３では、検索機能実行部２７は、複数の推定検索機能の中から、推定スコアが最も高い一の推定検索機能を実行するものとする。以下の説明では、複数の推定検索機能のうち推定スコアが最も高い一の推定検索機能を、「最高スコア検索機能」と記すこともある。

検索機能切替部３０は、一の推定検索機能の実行開始から実行終了までの期間内に、一の推定検索機能の実行から別の推定検索機能の実行に切り替える制御が可能となっている。本実施の形態３に係る検索機能切替部３０は、検索機能決定部２６と協働して、上述の期間うちの一定期間内において、一以上の推定検索機能を検索機能通知部２５に通知させる制御を行う。そして、検索機能切替部３０は、上述の一定期間内における外部からの指示に応じて、一の推定検索機能の実行から別の推定検索機能の実行に切り替える制御を行う。このような構成として、以下の第１例及び第２例の構成が適用可能である。

第１例の構成では、検索機能切替部３０は、一の推定検索機能が実行されている一定期間内において、当該一の推定検索機能を除く複数の推定検索機能を、使用頻度の順に検索機能通知部２５に通知させる制御を行う。例えば、検索機能切替部３０は、上記一定期間内において、複数の推定検索機能のうち、実行されている一の推定検索機能を検索機能通知部２５に通知させる。その後、外部からの指示が「違う」という指示であった場合には、検索機能切替部３０は、一の推定検索機能を除く複数の推定検索機能のうち使用頻度が最も高い別の推定検索機能を検索機能通知部２５に通知させるとともに、一の推定検索機能から当該別の推定検索機能に実行を切り替える制御を行う。

第２例の構成では、検索機能切替部３０は、一の推定検索機能が実行されている一定期間内において、全ての推定検索機能を検索機能通知部２５に通知させる。その後、外部からの指示が「別の推定検索機能の実行」という指示であった場合には、検索機能切替部３０は、一の推定検索機能から指示された別の推定検索機能に実行を切り替える制御を行う。

なお、図４の例では、外部からの指示は、マイク２１で別途受け付けたユーザからの音声であるとして、当該音声の音声データが検索機能切替部３０に入力されている。しかしこれに限ったものではなく、外部からの指示は、図示しない入力装置で別途受け付けたユーザからの手動操作であってもよい。

＜動作＞
図５及び図６は、本実施の形態３に係る音声認識装置１の処理を示すフローチャートである。具体的には、図５及び図６には、上述した第２例の構成の処理が示されている。以下、図５及び図６の処理の説明において、図３の処理と異なる処理について主に説明する。

図５のステップＳ１〜Ｓ５にて、実施の形態２の図３のステップＳ１〜Ｓ５と同様の処理が行われる。

同様に、図５のステップＳ７〜Ｓ１３にて、実施の形態２の図３のステップＳ７〜Ｓ１３と同様の処理が行われる。

図５のステップＳ５にて、音声認識及び意図推定処理部２３で取得された推定検索機能、つまり最高スコア検索機能があまり使用されない機能でないと判定された場合、図６のステップＳ２１に処理が進む。

ステップＳ２１にて、検索機能決定部２６は、音声認識及び意図推定処理部２３で取得された推定検索機能、つまり最高スコア検索機能を実行する制御を行う。この制御により、検索機能実行部２７は最高スコア検索機能を実行する。

ステップＳ２２にて、検索機能切替部３０は、最高スコア検索機能を含む複数の推定検索機能を検索機能通知部２５に通知させる。

ステップＳ２３にて、検索機能切替部３０は、外部からの指示が、複数の推定検索機能のうち最高スコア検索機能とは別の推定検索機能の実行指示であるか否かを判定する。外部からの指示が別の推定検索機能の実行指示であると判定された場合には、ステップＳ２４に処理が進み、外部からの指示が別の推定検索機能の実行指示でないと判定された場合には、図５のステップＳ１０に処理が進む。また、外部からの指示がないまま、ステップＳ２２の通知から一定期間経過した場合にも、図５のステップＳ１０に処理が進む。

ステップＳ２４にて、検索機能切替部３０は、指示された別の推定検索機能に実行を切り替える制御を行う。この制御により、検索機能実行部２７は、指示された別の推定検索機能を実行する。その後、図５のステップＳ１０に処理が進む。

＜実施の形態３のまとめ＞
複数の推定検索機能が音声認識及び意図推定処理部２３で推定された場合、複数の推定検索機能を実行する方式としては、一つずつ推定検索機能を順に実行する方式、及び、複数の推定検索機能を並列的に実行する方式が想定される。しかしながら、いずれの方式であっても検索結果が得られるまでには多少時間がかかることが想定される。

これに対して、本実施の形態３に係る音声認識装置１によれば、一の推定検索機能の実行開始から実行終了までの期間内に、一の推定検索機能の実行から別の推定検索機能の実行に切り替える制御を行う。このような構成によれば、ユーザは、意図しない検索機能の実行中に、意図する検索機能の実行に切り替えることができる。よって、意図する検索機能の実行によって検索結果が得られるまでの時間を短くすることができる。

なお本実施の形態３では、複数の推定検索機能のうち最初に実行される一の推定検索機能に、推定スコアが最も高い一の推定検索機能を用いる。これにより、ユーザが意図する検索機能である可能性が高い検索機能を最初に実行することができる。

＜実施の形態４＞
本発明の実施の形態４に係る音声認識装置１のブロック構成は、実施の形態３に係る音声認識装置１のブロック構成（図４）と同じである。以下、本実施の形態４で説明する構成要素のうち、実施の形態２，３と同じまたは類似する構成要素については同じ参照符号を付し、異なる構成要素について主に説明する。

音声認識及び意図推定処理部２３の推定によって複数の推定検索機能が得られた場合、検索機能決定部２６は、複数の推定検索機能を並列的に実行する制御を行う。これにより、検索機能実行部２７は、複数の推定検索機能を並列的に実行する。通知制御部２８は、当該実行により得られた複数の推定検索機能の検索結果を、推定検索機能ごとに検索結果通知部２９に通知させる制御を行う。

図７及び図８は、検索結果通知部２９の通知例としての表示例を示す図である。具体的には、図７及び図８には、複数の推定検索機能のうち施設検索機能の使用頻度が最も高く、音楽検索機能の使用頻度が施設検索機能の使用頻度の次に高い場合の表示例が示されている。図７に示されるように、本実施の形態４では、施設検索機能の検索結果、つまり複数の推定検索機能のうち使用頻度が最も高い推定検索機能の検索結果が最初に表示される。そして、図７及び図８に示されるように、検索結果通知部２９における、複数の推定検索機能の検索結果のリスト表示は、推定検索機能のタブ２９ａ，２９ｂごとに切り替えられる。つまり、図７のように施設検索機能の検索結果が表示されている際にタブ２９ｂが選択されると、図８のように音楽検索機能の検索結果の表示に切り替えられ、図８のように音楽検索機能の検索結果が表示されている際にタブ２９ａが選択されると、図７のように施設検索機能の検索結果の表示に切り替えられる。

なお、複数の推定検索機能の検索結果を、推定検索機能ごとに検索結果通知部２９に通知させる方式は、図７及び図８のように表示を切り替える方式に限ったものではない。例えば、複数の推定検索機能の検索結果を推定検索機能ごとに枠などで分けた状態で、一画面に表示する方式であってもよい。

＜動作＞
図９は、本実施の形態４に係る音声認識装置１の処理を示すフローチャートである。以下、図９の処理の説明において図５の処理と異なる処理について主に説明する。

図９のステップＳ４にて最高スコア検索機能が良く使用される機能であると判定された場合、ステップＳ９ａに処理が進む。一方、図９のステップＳ４にて最高スコア検索機能が良く使用される機能ではないと判定された場合、実施の形態３で説明した図５のステップＳ５以降の処理と同様の処理が行われる。

ステップＳ９ａにて、検索機能決定部２６は、複数の推定検索機能を並列的に実行する制御を行う。これにより、検索機能実行部２７は、複数の推定検索機能を並列的に実行する。

ステップＳ１０ａにて、通知制御部２８は、複数の推定検索機能の検索結果を、推定検索機能ごとに検索結果通知部２９に通知させる。この際、検索結果通知部２９は、通知制御部２８の制御により、使用頻度が最も高い推定検索機能の検索結果を最初に通知する。

それからステップＳ３１にて、音声認識装置１は、別の推定検索機能の検索結果に通知を切り替える指示があるか否かを判定する。ユーザなどから切り替える指示があったと判定された場合にはステップＳ３２に処理が進み、切り替える指示がなかったと判定された場合にはステップＳ１１に処理が進む。

ステップＳ３２にて、検索結果通知部２９は、通知制御部２８の制御により、ステップＳ３１で指示された推定検索機能の検索結果に通知を切り替える。その後、ステップＳ３１に処理が戻る。

ステップＳ１１にて、音声認識装置１は、通知された検索結果のいずれかについて、ユーザから選択を受け付ける。

ステップＳ１２にて、使用頻度学習部２４は、ユーザからの選択によって検索結果が使用されたか否かに基づいて、ステップＳ９ａで実行された複数の推定検索機能の使用頻度を変更する学習を行う。例えばステップＳ３２などを経てステップＳ１２が行われた場合には、使用頻度学習部２４は、最高スコア検索機能の使用頻度を減らし、ステップＳ３１にて指示された推定検索機能の使用頻度を増やす。

ステップＳ１３にて、音声認識装置１と接続された図示しないシステムは、ステップＳ１１で選択された検索結果に対応する処理を実施する。その後、図９の処理が終了する。

＜実施の形態４のまとめ＞
以上のような本実施の形態４に係る音声認識装置１によれば、音声認識及び意図推定処理部２３の推定によって複数の推定検索機能が得られた場合、複数の推定検索機能を並列的に実行する制御を行い、当該実行により得られた検索結果を、推定検索機能ごとに検索結果通知部２９に通知させる。このような構成によれば、最初に通知される推定検索機能が、ユーザが意図する検索機能でなくても、再度の音声入力、音声認識及び意図推定処理などをやり直す必要がなくなるので、ユーザが意図する検索結果を即座に使用することができる。

＜変形例＞
実施の形態４に係る音声認識装置１において、複数の推定検索機能を並列的に実行する制御が行われた後、通知制御部２８は、使用頻度が最も高い推定検索機能の検索結果が得られた時点で、当該時点までに複数の推定検索機能について得られている検索結果を検索結果通知部２９に通知させる制御を行ってもよい。加えて、タブの選択などによって、使用頻度が最も高い推定検索機能の検索結果の通知から、実効が完了していない推定検索機能の検索結果の通知に切り替えられた場合には、検索中である旨を通知してもよい。

このような構成によれば、使用頻度が最も高い推定検索機能の検索結果を、他の検索機能の実行が完了していなくても通知することができる。したがって、使用頻度が最も高い推定検索機能の実行による検索結果、つまりユーザが意図している可能性が高い検索機能の実行による検索結果が得られるまでの時間を短くすることができる。

また、実施の形態４に係る音声認識装置１において、複数の推定検索機能のうちの一以上の推定検索機能は、音声認識装置１の外部装置によって実行されてもよい。例えば、複数の推定検索機能のうちのいくつかの推定検索機能が、音声認識装置１と通信可能なサーバによって実行されてもよいし、残りの推定検索機能の少なくとも一部が、音声認識装置１と通信可能な携帯端末によって実行されてもよい。このような構成によれば、複数の推定検索機能の実行が分散されるので、複数の推定検索機能の検索結果が得られるまでの時間を短くすることができる。

＜その他の変形例＞
上述した音声認識装置１における図１の取得部１１、推定部１２、実行頻度蓄積部１３及び制御部１４を、以下「取得部１１等」と記す。取得部１１等は、図１０に示す処理回路８１により実現される。すなわち、処理回路８１は、音声を取得する取得部１１と、取得部１１で取得された音声に認識処理を行うことによって、実行すべき検索機能を推定する推定部１２と、検索機能の実行頻度を蓄積する実行頻度蓄積部１３と、推定部１２で推定された検索機能である推定検索機能の実行頻度を参照して、推定検索機能の実行を制御する制御部１４と、を備える。処理回路８１には、専用のハードウェアが適用されてもよいし、メモリに格納されるプログラムを実行するプロセッサが適用されてもよい。プロセッサには、例えば、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）などが該当する。

処理回路８１が専用のハードウェアである場合、処理回路８１は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、またはこれらを組み合わせたものが該当する。取得部１１等の各部の機能それぞれは、処理回路を分散させた回路で実現されてもよいし、各部の機能をまとめて一つの処理回路で実現されてもよい。

処理回路８１がプロセッサである場合、取得部１１等の機能は、ソフトウェア等との組み合わせにより実現される。なお、ソフトウェア等には、例えば、ソフトウェア、ファームウェア、または、ソフトウェア及びファームウェアが該当する。ソフトウェア等はプログラムとして記述され、メモリに格納される。図１１に示すように、処理回路８１に適用されるプロセッサ８２は、メモリ８３に記憶されたプログラムを読み出して実行することにより、各部の機能を実現する。すなわち、音声認識装置１は、処理回路８１により実行されるときに、音声を取得するステップと、取得された音声に認識処理を行うことによって、実行すべき検索機能を推定するステップと、検索機能の実行頻度を蓄積するステップと、推定された検索機能である推定検索機能の実行頻度を参照して、推定検索機能の実行を制御するステップと、が結果的に実行されることになるプログラムを格納するためのメモリ８３を備える。換言すれば、このプログラムは、取得部１１等の手順や方法をコンピュータに実行させるものであるともいえる。ここで、メモリ８３には、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリー、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）などの、不揮発性または揮発性の半導体メモリ、ＨＤＤ（Hard Disk Drive）、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ（Digital Versatile Disc）及びそのドライブ装置等が該当する。

以上、取得部１１等の各機能が、ハードウェア及びソフトウェア等のいずれか一方で実現される構成について説明した。しかしこれに限ったものではなく、取得部１１等の一部を専用のハードウェアで実現し、別の一部をソフトウェア等で実現する構成であってもよい。例えば、取得部１１については専用のハードウェアとしての処理回路でその機能を実現し、それ以外についてはプロセッサ８２としての処理回路８１がメモリ８３に格納されたプログラムを読み出して実行することによってその機能を実現することが可能である。

以上のように、処理回路８１は、ハードウェア、ソフトウェア等、またはこれらの組み合わせによって、上述の各機能を実現することができる。

また、以上で説明した音声認識装置は、ＰＮＤ（Portable Navigation Device）などのナビゲーション装置と、携帯電話、スマートフォン及びタブレットなどの携帯端末を含む通信端末と、これらにインストールされるアプリケーションの機能と、サーバとを適宜に組み合わせてシステムとして構築される音声認識システムにも適用することができる。この場合、以上で説明した音声認識装置の各機能あるいは各構成要素は、前記システムを構築する各機器に分散して配置されてもよいし、いずれかの機器に集中して配置されてもよい。

図１２は、本変形例に係るサーバ５１の構成を示すブロック図である。図１２のサーバ５１は、通信部５１ａと、推定部５１ｂと、実行頻度蓄積部５１ｃと、制御部５１ｄとを備えており、車両５２のナビゲーション装置５３と無線通信を行うことが可能となっている。

取得部である通信部５１ａは、ナビゲーション装置５３と無線通信を行うことにより、ナビゲーション装置５３で取得された音声を受信する。

推定部５１ｂ、実行頻度蓄積部５１ｃ及び制御部５１ｄは、サーバ５１の図示しないプロセッサなどが、サーバ５１の図示しない記憶装置に記憶されたプログラムを実行することにより、図１の推定部１２、実行頻度蓄積部１３及び制御部１４と同様の機能を有している。つまり、制御部５１ｄは、推定部５１ｂで推定された検索機能である推定検索機能の実行頻度を参照して、推定検索機能の実行を制御する。そして、通信部５１ａは、制御部５１ｄの制御結果、または、推定検索機能の実行により得られた検索結果などをナビゲーション装置５３に送信する。

このように構成されたサーバ５１によれば、実施の形態１で説明した音声認識装置１と同様の効果を得ることができる。

図１３は、本変形例に係る通信端末５６の構成を示すブロック図である。図１３の通信端末５６は、図１２の通信部５１ａ、推定部５１ｂ、実行頻度蓄積部５１ｃ及び制御部５１ｄと同様の通信部５６ａ、推定部５６ｂ、実行頻度蓄積部５６ｃ及び制御部５６ｄとを備えており、車両５７のナビゲーション装置５８と無線通信を行うことが可能となっている。なお、通信端末５６には、例えば車両５７の運転者が携帯する携帯電話機、スマートフォン、及びタブレットなどの携帯端末が適用される。このように構成された通信端末５６によれば、実施の形態１で説明した音声認識装置１と同様の効果を得ることができる。

なお、本発明は、その発明の範囲内において、各実施の形態及び各変形例を自由に組み合わせたり、各実施の形態及び各変形例を適宜、変形、省略したりすることが可能である。

本発明は詳細に説明されたが、上記した説明は、すべての態様において、例示であって、本発明がそれに限定されるものではない。例示されていない無数の変形例が、本発明の範囲から外れることなく想定され得るものと解される。

１ 音声認識装置、１１ 取得部、１２ 推定部、１３ 実行頻度蓄積部、１４ 制御部、２５ 検索機能通知部、２９ 検索結果通知部。

Claims (15)

1. 音声を取得する取得部と、
   前記取得部で取得された前記音声に認識処理を行うことによって、実行すべき検索機能を推定する推定部と、
   前記検索機能の実行頻度を蓄積する実行頻度蓄積部と、
   前記推定部で推定された前記検索機能である推定検索機能の前記実行頻度を参照して、前記推定検索機能の実行を制御する制御部と
   を備え、
   前記実行頻度は複数の実行頻度レベルに区分され、
   前記制御部は、
   前記推定検索機能の前記実行頻度が属する前記実行頻度レベルを参照して、前記推定検索機能の実行を制御する、音声認識装置。
2. 請求項１に記載の音声認識装置であって、
   前記制御部は、
   前記推定検索機能の前記実行頻度が属する前記実行頻度レベルを参照して、前記推定検索機能の実行を制御するとともに、前記推定検索機能を通知部に通知させる制御を行う、音声認識装置。
3. 請求項２に記載の音声認識装置であって、
   前記制御部は、
   前記実行頻度レベルが第１レベルである場合には、前記推定検索機能を前記通知部に通知させる制御と、外部からの指示に応じて前記推定検索機能を実行する制御とを行い、
   前記実行頻度レベルが前記第１レベルよりも高い第２レベルである場合には、前記推定検索機能を前記通知部に通知させる制御と、外部からの指示に関わらず前記推定検索機能を実行する制御とを行い、
   前記実行頻度レベルが前記第２レベルよりも高い第３レベルである場合には、前記推定検索機能を前記通知部に通知させる制御を行わずに、外部からの指示に関わらず前記推定検索機能を実行する制御を行う、音声認識装置。
4. 音声を取得する取得部と、
   前記取得部で取得された前記音声に認識処理を行うことによって、実行すべき検索機能を推定する推定部と、
   前記検索機能の実行頻度を蓄積する実行頻度蓄積部と、
   前記推定部で推定された前記検索機能である推定検索機能の前記実行頻度を参照して、前記推定検索機能の実行を制御する制御部と
   を備え、
   前記制御部は、
   前記推定検索機能の実行により得られた検索結果を通知部に通知させる制御を行い、
   前記制御部は、
   前記推定部の推定によって複数の前記推定検索機能が得られた場合、前記複数の推定検索機能のうち最初に実行される一の前記推定検索機能の実行開始から実行終了までの期間内に、前記一の推定検索機能の実行から別の前記推定検索機能の実行に切り替える制御が可能である、音声認識装置。
5. 請求項４に記載の音声認識装置であって、
   前記制御部は、
   前記期間内において、前記複数の推定検索機能を前記実行頻度の順に前記通知部に通知させる制御を行う、音声認識装置。
6. 請求項４に記載の音声認識装置であって、
   前記制御部は、
   前記期間内において、一以上の前記推定検索機能を前記通知部に通知させる制御を行うとともに、外部からの指示に応じて、前記一の推定検索機能の実行から前記別の推定検索機能の実行に切り替える制御を行う、音声認識装置。
7. 音声を取得する取得部と、
   前記取得部で取得された前記音声に認識処理を行うことによって、実行すべき検索機能を推定する推定部と、
   前記検索機能の実行頻度を蓄積する実行頻度蓄積部と、
   前記推定部で推定された前記検索機能である推定検索機能の前記実行頻度を参照して、前記推定検索機能の実行を制御する制御部と
   を備え、
   前記制御部は、
   前記推定部の推定によって複数の前記推定検索機能が得られた場合、前記複数の推定検索機能を並列的に実行する制御を行い、当該実行により得られた検索結果を、前記推定検索機能ごとに通知部に通知させる制御を行う、音声認識装置。
8. 請求項７に記載の音声認識装置であって、
   前記通知部における、前記複数の推定検索機能の前記検索結果の通知は、前記推定検索機能ごとに切り替えられ、
   前記複数の推定検索機能のうち前記実行頻度が最も高い推定検索機能の前記検索結果が最初に通知される、音声認識装置。
9. 請求項７に記載の音声認識装置であって、
   前記制御部は、
   前記複数の推定検索機能を並列的に実行する制御が行われた後、前記複数の推定検索機能のうち前記実行頻度が最も高い推定検索機能の前記検索結果が得られた時点で、当該時点までに前記複数の推定検索機能について得られている検索結果を前記通知部に通知させる制御を行う、音声認識装置。
10. 請求項７に記載の音声認識装置であって、
    前記複数の推定検索機能のうちの一以上の推定検索機能は、前記音声認識装置の外部装置によって実行される、音声認識装置。
11. 請求項１，４または７に記載の音声認識装置であって、
    前記実行頻度蓄積部で蓄積される前記実行頻度の初期値を予め登録可能な、音声認識装置。
12. 請求項１，４または７に記載の音声認識装置であって、
    前記実行頻度蓄積部は、
    前記推定検索機能の実行により得られた検索結果が使用されたか否かに基づいて、当該推定検索機能の前記実行頻度を変更する、音声認識装置。
13. 音声を取得し、
    取得された前記音声に認識処理を行うことによって、実行すべき検索機能を推定し、
    前記検索機能の実行頻度を蓄積し、
    推定された前記検索機能である推定検索機能の前記実行頻度を参照して、前記推定検索機能の実行を制御し、
    前記実行頻度は複数の実行頻度レベルに区分され、
    前記推定検索機能の前記実行頻度が属する前記実行頻度レベルを参照して、前記推定検索機能の実行を制御する、音声認識方法。
14. 音声を取得し、
    取得された前記音声に認識処理を行うことによって、実行すべき検索機能を推定し、
    前記検索機能の実行頻度を蓄積し、
    推定された前記検索機能である推定検索機能の前記実行頻度を参照して、前記推定検索機能の実行を制御し、
    前記推定検索機能の実行により得られた検索結果を通知部に通知させる制御を行い、
    推定によって複数の前記推定検索機能が得られた場合、前記複数の推定検索機能のうち最初に実行される一の前記推定検索機能の実行開始から実行終了までの期間内に、前記一の推定検索機能の実行から別の前記推定検索機能の実行に切り替える制御が可能である、音声認識方法。
15. 音声を取得し、
    取得された前記音声に認識処理を行うことによって、実行すべき検索機能を推定し、
    前記検索機能の実行頻度を蓄積し、
    推定された前記検索機能である推定検索機能の前記実行頻度を参照して、前記推定検索機能の実行を制御し、
    推定によって複数の前記推定検索機能が得られた場合、前記複数の推定検索機能を並列的に実行する制御を行い、当該実行により得られた検索結果を、前記推定検索機能ごとに通知部に通知させる制御を行う、音声認識方法。

Images