JP7314975B2 - 音声操作装置及びその制御方法 - Google Patents

Description

本発明は、話者識別機能を有する音声操作装置に関するものである。

近年、音声による操作が可能な音声アシスタント機能を有するＡＩスピーカー（スマートスピーカーとも呼ばれる）が注目されている。このような音声操作装置によれば、所望の情報検索や連携する家電製品の操作を音声によって行えるため、利用者は、家事、掃除、洗濯等の作業を行いつつ、手を用いることなく所望の操作を行うことができる。また、音声操作装置は、マイク及びスピーカーと音声認識用のプロセッサを最小限の構成要素とする簡素な構成で低コストに実現可能であるため、手軽に複数の部屋に配置することが可能である。

特許文献１に記載の音声操作装置は、利用者による音声操作を認識する音声認識機能に加え、音声の声質から話者が誰であるかを識別する話者識別機能を有している。これにより、利用者の好みに合わせたサービスを提供可能としている。

特開２０１０－２８６７０２号公報

しかし、話者識別の技術は、研究開発が進んでいるものの依然として識別精度は高くない。特にＡＩスピーカーでは、録音された操作音声を利用したなりすましを避けるために、操作音声を非定型とすることが望まれるが、操作音声が非定型でかつ短文である場合は話者を識別することが特に難しい。また、利用者が発する音声の声質は、音源の距離、周囲の温度や反射等の環境に応じて大きく変化するため、操作音声を、予め登録された利用者の単一の声質モデルと比較するだけでは話者を識別することが難しい。そこで本発明は、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することを目的とする。

本発明の一観点によれば、音声情報と予め登録された利用者の声質モデルに基づいて利用者を音声操作の話者として識別する話者識別部と、音声情報を音声認識して音声操作情報を生成する音声操作認識部と、を備えた音声操作装置であって、話者識別部は、音声操作情報、音声操作装置の位置情報、話者の方向情報、話者の距離情報、時刻情報のうちの少なくとも１つを補助情報として用いて話者を識別する音声操作装置が提供される。

また、本発明の別観点によれば、音声情報と予め登録された利用者の声質モデルに基づいて利用者を音声操作の話者として識別する話者識別部と、音声情報を音声認識して音声操作情報を生成する音声操作認識部と、を備えた音声操作装置の制御方法であって、話者識別部は、音声操作情報、音声操作装置の位置情報、話者の方向情報、話者の距離情報、時刻情報のうちの少なくとも１つを補助情報として用いて話者を識別するステップを有する音声操作装置の制御方法が提供される。

本発明によれば、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することができる。

第１実施形態に係る音声操作装置の構成を概略的に示すブロック図である。 本発明に係る音声操作装置の配置例を示す図である。 第１実施形態に係る音声操作装置の制御方法を示すフローチャートである。 第２実施形態に係る音声操作装置の構成を概略的に示すブロック図である。 第２実施形態に係る音声操作装置の制御方法を示すフローチャートである。 第３実施形態に係る音声操作装置の構成を概略的に示すブロック図である。 第４実施形態に係る音声操作装置の構成を概略的に示すブロック図である。 第５実施形態に係る音声操作装置の構成を概略的に示すブロック図である。 第６実施形態に係る音声操作装置の構成を概略的に示すブロック図である。

以下、本発明の好適な実施形態について図面を用いて説明する。なお、本発明は以下の実施形態に限定されるものではなく、その要旨を逸脱しない範囲において適宜変更可能である。各図において同一、又は相当する機能を有するものは、同一符号を付し、その説明を省略又は簡潔にすることもある。

（第１実施形態）
図１は、第１実施形態に係る音声操作装置の構成を概略的に示すブロック図である。図１は、本実施形態の音声操作装置をＡＩスピーカーに対して適用した例を示している。本図は一例に過ぎず、本実施形態の音声操作装置は、例えば利用者による音声操作を認識可能なロボット、スマートフォン、カーナビ等に対して適用することも可能である。本実施形態の音声操作装置は、スピーカー１、マイクロフォン２、音声出力部１１、音声入力部２１、及び制御演算部３を備えて構成される。典型的なＡＩスピーカーでは、これらの構成要素はスピーカー１の筐体内に格納される。

制御演算部３は、記憶媒体に記憶されたプログラムを実行し、本実施形態の音声操作装置の各構成要素の制御及び演算を行うＣＰＵ等のプロセッサである。制御演算部３は、プログラムが記憶された不図示の記憶媒体を含む。制御演算部３は、音声操作応答部３１、音声操作認識部３２、話者識別部３３、声質モデル３３１、及び無線通信部３５を有している。

マイクロフォン２は、利用者の音声操作による音声振動を電気信号に変換する。音声入力部２１は、マイクロフォン２から入力したアナログ信号をデジタルの音声情報に変換するとともに、音声情報に対して音声信号処理を施す。ここで、音声入力部２１は、マイクロフォン２に含まれる構成としてもよい。

音声操作認識部３２は、音声入力部２１から入力した音声情報を音声認識して音声操作情報を生成する。制御演算部３は、生成された音声操作情報に対応する操作処理を実行する。具体的には、所望の情報検索や連携する家電製品の操作処理を、無線通信部３５を介して実施する。

その後、音声操作応答部３１は、操作処理の実行結果を音声出力部１１及びスピーカー１を介して利用者に通知する。具体的には、音声出力部１１は、音声操作応答部３１から入力したデジタル情報をアナログ信号に変換する。スピーカー１は、音声出力部１１から入力した電気信号を音声振動に変換して出力する。ここで、音声出力部１１は、スピーカー１に含まれる構成としてもよい。

登録利用者情報３３０は、制御演算部３の記憶媒体に記憶されている。登録利用者情報３３０には、利用者の声質モデル３３１が予め登録されている。話者識別部３３は、音声入力部２１から入力した音声情報と利用者の声質モデル３３１との類似度を算出し、類似度が最も大きい利用者を音声操作の話者として識別する。これにより、利用者の好みに応じたサービスを提供することが可能となり、利用者の利便性をより向上させることができる。例えば、利用者の好みに合わせた情報を予め登録利用者情報３３０に登録しておき、音声操作情報に対応する操作処理を利用者の好みに合わせて実行したり、登録利用者情報３３０に予め登録された利用者以外による音声操作を禁止したりすることができる。

しかし前述のように、話者識別の技術は、研究開発が進んでいるものの依然として識別精度は高くない。そこで、本発明の話者識別部３３は、音声操作情報、音声操作装置の位置情報、話者の方向情報、話者の距離情報、時刻情報のうちの少なくとも１つを補助情報として用いて話者を識別することを特徴とする。例えば、図１に示す本実施形態の音声操作装置では、補助情報を算出する補助情報算出部３４として、音声操作認識部３２を利用している。

図２は、本発明に係る音声操作装置の配置例を示す図である。図２に示すマイクロフォン２の位置には、本発明に係る音声操作装置が配置されている。図２の部屋に存在する利用者６１、６２は、例えば、自宅のリビングルームでくつろいでいるお母さんとお父さんであるものとする。

この場合、本実施形態の話者識別部３３は、例えば音声操作による指示が天気情報の取得であるときは、音声操作の話者がお母さんである可能性が高いと判断する。或いは、音声操作による指示が株価情報の取得であるときは、音声操作の話者がお父さんである可能性が高いと判断する。そして、話者識別部３３は、音声操作情報に応じて利用者の声質モデル３３１との類似度を補正する。

ここで、利用者に特徴的なキーワード等の情報は、予め音声操作情報に含まれるキーワードと関連付けて登録利用者情報３３０に登録しておいてもよいし、利用者が使用するキーワードの頻度に基づいて随時学習するようにしてもよい。音声操作装置が学習する場合は、類似度の補正値を予め登録利用者情報３３０に利用者ごとに登録しておき、話者を識別した結果を補正値に反映させるようにする。これにより、話者識別部３３は、利用者に特徴的な補助情報と類似度の補正値との相関性を学習することになるので、音声操作に対応する操作処理を行うごとに、話者識別の精度を向上させることができる。

図３は、第１実施形態に係る音声操作装置の制御方法を示すフローチャートである。ステップＳ１０１において、マイクロフォン２及び音声入力部２１は、利用者の音声操作による音声振動を電気信号に変換する。ステップＳ１０２において、音声操作認識部３２は、マイクロフォン２及び音声入力部２１から入力した音声情報を音声認識して音声操作情報を生成する。ここで、音声操作認識部３２が行う音声認識方法としては周知の技術が用いられ得る。

ステップＳ１０３において、話者識別部３３は、登録利用者情報３３０に予め登録された利用者の声質モデル３３１を、登録利用者情報３３０とともに読み出す。ステップＳ１０４において、話者識別部３３は、音声入力部２１から入力した音声情報と利用者の声質モデル３３１との類似度を算出する。

ここで、話者識別部３３が行う話者認識方法としては、周知の技術が用いられ得る。例えば、登録利用者情報３３０に予め登録された利用者の声質モデル３３１の音声波形ｆ_０と、音声入力部２１から入力した音声情報の音声波形ｆ_１との距離ｓを下式（１）により求め、その逆数１／ｓを類似度として用いる。ここでΣは、所定の期間内の複数の時刻ｔにおいて和をとるものとする。また、音声波形ｆ_０、ｆ_１は適宜、正規化されているものとする。
ｓ^２＝Σ｛ｆ_１（ｔ）－ｆ_０（ｔ）｝^２ （１）

或いは、登録利用者情報３３０に予め登録された利用者の声質モデル３３１の周波数スペクトルＦ_０と、音声入力部２１から入力した音声情報の周波数スペクトルＦ_１との距離ｓを下式（２）により求め、その逆数１／ｓを類似度として用いてもよい。ここでΣは、所定の範囲内の複数の周波数ｋにおいて和をとるものとする。また、周波数スペクトルＦ_０、Ｆ_１は適宜、正規化されているものとする。
ｓ^２＝Σ｛Ｆ_１（ｋ）－Ｆ_０（ｋ）｝^２ （２）

ステップＳ１０５において、話者識別部３３は、上式（１）又は（２）により求めた類似度を、音声操作情報に含まれるキーワードに応じて補正する。例えば、音声操作による指示が天気情報の取得であるときは、お母さんの声質モデル３３１の音声波形の類似度１／ｓを＋５点する。或いは、音声操作による指示が株価情報の取得であるときは、お父さんの声質モデル３３１の音声波形の類似度１／ｓを＋５点する。ここで、類似度の補正値の大きさは、用途や利用者等に合わせてキーワードごとに適宜決定され得る。

ステップＳ１０６において、話者識別部３３は、補正後の類似度が最も大きい利用者を音声操作の話者として識別する。ステップＳ１０７において、制御演算部３は、前記音声操作情報に対応する操作処理を、識別した利用者の好みに合わせて実行する。ステップＳ１０８において、音声操作応答部３１は、ステップＳ１０７で実行した処理の結果を、スピーカー１及び音声出力部１１を介して、音声により利用者に通知する。

以上のように、本実施形態の音声操作装置では、登録利用者情報は利用者に特徴的なキーワードを含み、話者識別部は、音声操作情報に含まれるキーワードに応じて類似度を補正する。このような構成によれば、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することができる。

（第２実施形態）
図４は、第２実施形態に係る音声操作装置の構成を概略的に示すブロック図である。本実施形態の音声操作装置は、ＧＰＳ装置４１及び位置算出部３４１を備えている点が、先の第１実施形態と異なっている。その他の構成については、第１実施形態と概ね同じである。以下では、主に第１実施形態と異なる構成について説明する。

ＧＰＳ装置４１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）情報を取得することが可能である。位置算出部３４１は、ＧＰＳ装置４１から入力したＧＰＳ情報を利用して、音声操作装置が配置された位置情報を算出する。ここで、位置算出部３４１は、ＧＰＳ装置４１に含まれる構成としてもよい。このように本実施形態の音声操作装置は、補助情報を算出する補助情報算出部３４として、位置算出部３４１を備えていることを特徴とする。

前述のように、利用者が発する音声の声質は、音源の距離、周囲の温度や反射等の環境に応じて大きく変化するため、操作音声を、予め登録された利用者の単一の声質モデル３３１と比較するだけでは話者を識別することが難しい。

そこで、本実施形態の登録利用者情報３３０は、利用者ごとに複数の声質モデル３３１をデータベースとして有している。そして、話者識別部３３は、位置算出部３４１が算出した音声操作装置の位置情報に応じて声質モデル３３１を選択する。例えば、音声操作装置が自宅に配置されている場合は、自宅の環境に適した声質モデル３３１を選択する。或いは、音声操作装置が職場に配置されている場合は、職場の環境に適した声質モデル３３１を選択する。また或いは、音声操作装置が移動中の車内に配置されている場合は、車内の環境に適した声質モデル３３１を選択する。これらの複数の声質モデル３３１は、予め登録利用者情報３３０に、音声操作装置の位置情報と関連付けて登録しておく。

これにより、ロボット、スマートフォン、カーナビ等のような移動し得る装置に対して本実施形態の音声操作装置を適用する場合でも、周囲の環境に適した声質モデル３３１が選択されることで、話者識別の精度をより向上させることができる。

図５は、第２実施形態に係る音声操作装置の制御方法を示すフローチャートである。図５に示す本実施形態のフローチャートは、ステップＳ２０３において声質モデル３３１を読み出す際に、音声操作装置の位置情報に応じて声質モデル３３１を選択している点が、先の第１実施形態の図３と異なっている。なお、図５のフローチャートでは、第１実施形態の図３のステップＳ１０５に示した類似度の補正処理を省略したが、本実施形態でも図３と同様に併せてステップＳ１０５を実施してもよい。

以上のように、本実施形態の音声操作装置は、音声操作装置の位置を位置情報として取得するＧＰＳ装置を更に備えている。そして、登録利用者情報は、利用者ごとに複数の声質モデルを有し、話者識別部は位置情報に応じて声質モデルを選択する。このような構成によっても、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することができる。

（第３実施形態）
図６は、第３実施形態に係る音声操作装置の構成を概略的に示すブロック図である。本実施形態の音声操作装置は、アレイマイク４２及び音声方向算出部３４２を備えている点が、先の第１実施形態と異なっている。その他の構成については、第１実施形態と概ね同じである。以下では、主に第１実施形態と異なる構成について説明する。

アレイマイク４２は、複数のマイクが配列された構成を有し、音声操作の話者の方向を特定することが可能である。音声方向算出部３４２は、アレイマイク４２から入力した情報に基づいて、音声操作装置から見た話者の方向情報を算出する。ここで、音声方向算出部３４２は、アレイマイク４２に含まれる構成としてもよい。このように本実施形態の音声操作装置は、補助情報を算出する補助情報算出部３４として、音声方向算出部３４２を備えていることを特徴とする。

例えば、図２に示した部屋において、音声操作装置から見て左側の椅子がお母さん用の席であり、右側の椅子がお父さん用の席であるとする。この場合、本実施形態の話者識別部３３は、例えば、音声操作の話者の方向が左側であるときは、音声操作の話者がお母さんである可能性が高いと判断する。或いは、音声操作の話者の方向が右側であるときは、音声操作の話者がお父さんである可能性が高いと判断する。このような利用者に特徴的な情報は、予め登録利用者情報３３０に、方向情報と関連付けて登録しておく。

本実施形態の音声操作装置における音声操作方法は、補助情報が方向情報である点を除いて、先の図３に示した第１実施形態のフローチャート、及び先の図５に示した第２実施形態のフローチャートが、ともに適用可能である。

以上のように、本実施形態の音声操作装置は、音声操作の話者の方向を方向情報として取得するアレイマイクを更に備えている。そして、話者識別部は方向情報を用いて話者を識別する。このような構成によっても、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することができる。なお、アレイマイク４２を更に備える代わりに、マイクロフォン２を複数のマイクで構成して音声操作の話者の方向を特定するようにしてもよい。

（第４実施形態）
図７は、第４実施形態に係る音声操作装置の構成を概略的に示すブロック図である。本実施形態の音声操作装置は、測距センサ４３及び距離算出部３４３を備えている点が、先の第１実施形態と異なっている。その他の構成については、第１実施形態と概ね同じである。以下では、主に第１実施形態と異なる構成について説明する。

測距センサ４３は、話者までの距離を取得することが可能である。測距方式としては、例えば、視差を利用して距離を測定する方法や、光や電波の反射波を利用して距離を測定する周知の技術が用いられ得る。距離算出部３４３は、測距センサ４３から入力した情報に基づいて、音声操作装置から話者までの距離を算出する。ここで、距離算出部３４３は、測距センサ４３に含まれる構成としてもよい。このように本実施形態の音声操作装置は、補助情報を算出する補助情報算出部３４として、距離算出部３４３を備えていることを特徴とする。

例えば、図２に示した部屋において、音声操作装置から遠い方の椅子がお母さん用の席であり、音声操作装置から近い方の椅子がお父さん用の席であるとする。この場合、本実施形態の話者識別部３３は、例えば、音声操作装置から話者までの距離が遠いときは、音声操作の話者がお母さんである可能性が高いと判断する。或いは、音声操作装置から話者までの距離が近いときは、音声操作の話者がお父さんである可能性が高いと判断する。このような利用者に特徴的な情報は、予め登録利用者情報３３０に、距離情報と関連付けて登録しておく。

本実施形態の音声操作装置における音声操作方法は、補助情報が距離情報である点を除いて、先の図３に示した第１実施形態のフローチャート、及び先の図５に示した第２実施形態のフローチャートが、ともに適用可能である。

以上のように、本実施形態の音声操作装置は、音声操作の話者までの距離を距離情報として取得する測距センサを更に備えている。そして、話者識別部は距離情報を用いて話者を識別する。このような構成によっても、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することができる。

（第５実施形態）
図８は、第５実施形態に係る音声操作装置の構成を概略的に示すブロック図である。本実施形態の音声操作装置は、時計４４及び時刻算出部３４４を備えている点が、先の第１実施形態と異なっている。その他の構成については、第１実施形態と概ね同じである。以下では、主に第１実施形態と異なる構成について説明する。

時計４４は、現在の時刻を取得することが可能である。時刻算出部３４４は、時計４４から入力した情報に基づいて、音声操作の発声時刻を算出する。ここで、時刻算出部３４４は、時計４４に含まれる構成としてもよい。このように本実施形態の音声操作装置は、補助情報を算出する補助情報算出部３４として、時刻算出部３４４を備えていることを特徴とする。

本実施形態の話者識別部３３は、例えば、音声操作の発声時刻が昼間のときは、音声操作の話者がお母さんである可能性が高いと判断する。或いは、音声操作の発声時刻が深夜のときは、音声操作の話者がお父さんである可能性が高いと判断する。このような利用者に特徴的な情報は、予め登録利用者情報３３０に、時刻情報と関連付けて登録しておく。

本実施形態の音声操作装置における音声操作方法は、補助情報が時刻情報である点を除いて、先の図３に示した第１実施形態のフローチャート、及び先の図５に示した第２実施形態のフローチャートが、ともに適用可能である。

以上のように、本実施形態の音声操作装置は、音声操作の発声時刻を時刻情報として取得する時計を更に備えている。そして、話者識別部は時刻情報を用いて話者を識別する。このような構成によっても、話者識別の精度をより向上させることが可能な音声操作装置及びその制御方法を提供することができる。

（第６実施形態）
図９は、第６実施形態に係る音声操作装置の構成を概略的に示すブロック図である。本実施形態の音声操作装置は、上述の実施形態の構成を組み合わせた構成を有している。図９に示す補助情報取得装置４０は、上述の実施形態のＧＰＳ装置４１、アレイマイク４２、測距センサ４３、時計４４のうちの少なくとも１つ含んでいる。また、図９に示す補助情報算出部３４は、上述の実施形態の音声操作認識部３２、位置算出部３４１、音声方向算出部３４２、距離算出部３４３、時刻算出部３４４のうちの、補助情報取得装置４０が出力する補助情報を処理可能な構成を少なくとも含んでいる。ここで、補助情報算出部３４は、補助情報取得装置４０に含まれる構成としてもよい。

本実施形態の音声操作装置における音声操作方法は、補助情報が上述の実施形態の音声操作情報、位置情報、方向情報、距離情報、時刻情報の組み合わせである点を除いて、先の図３及び図５に示したフローチャートが、ともに適用可能である。

以上のように、本実施形態の音声操作装置は、音声情報と予め登録された利用者の声質モデルに基づいて利用者を音声操作の話者として識別する話者識別部を備えている。そして、話者識別部は、音声操作情報、音声操作装置の位置情報、話者の方向情報、話者の距離情報、時刻情報のうちの少なくとも１つを補助情報として用いて話者を識別する。このような構成によれば、話者識別の精度を更に向上させることが可能な音声操作装置及びその制御方法を提供することができる。

（その他の実施形態）
なお、上述の実施形態は、いずれも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。

例えば、利用者のスケジュール情報を予め登録利用者情報３３０に登録しておき、スケジュール情報に応じて類似度を補正するようにしてもよい。一例としては、スケジュール情報においてお父さんが出張中であるときには、音声入力部２１から入力した音声情報とお父さんの声質モデル３３１との類似度１／ｓを－５点する。

或いは、利用者に特徴的な音声の大きさを予め登録利用者情報３３０に登録しておき、音声操作の音声の大きさに応じて類似度を補正するようにしてもよい。一例としては、音声操作の音声が大きい場合は、音声入力部２１から入力した音声情報とお父さんの声質モデル３３１との類似度１／ｓを＋５点する。

利用者の存在する確率が高い方向や距離といった情報は、予め登録利用者情報３３０に、補助情報と関連付けて登録しておいてもよいし、音声操作装置が、随時学習するようにしてもよい。音声操作装置が学習する場合は、類似度の補正値を予め登録利用者情報３３０に利用者ごとに登録しておき、話者を識別した結果を補正値に反映させるようにする。或いは、音声操作装置は、利用者が発するキーワードや位置や方向や距離や時刻などの情報を常に収集し、これらの情報に応じて登録利用者情報３３０の利用者に特徴的な情報を更新するようにしてもよい。これにより、話者識別部３３は、登録利用者情報３３０に登録された利用者に特徴的な情報と、補助情報算出部３４を介して入力される補助情報との相関性を学習することになる。したがって、話者識別部３３は、音声操作に対応する操作処理を行うごとに、話者識別の精度を向上させることができる。

また、第６実施形態のように複数種類の補助情報を併用する場合は、話者識別に用いる補助情報又はその組み合わせを、利用者の位置や方向等に応じて選択するようにしてもよい。この場合も、利用者の存在確率が高い位置や方向といった利用者に特徴的な情報を予め登録利用者情報３３０に登録しておき、これらの情報に応じて話者識別に用いる補助情報を選択するようにしてもよいし、音声操作装置が、随時学習するようにしてもよい。

また、上述の第１～第６実施形態では、先の図３に示した第１実施形態のフローチャート、及び先の図５に示した第２実施形態のフローチャートが、ともに適用可能である。すなわち、利用者ごとに複数の声質モデル３３１を登録しておき、補助情報に応じて声質モデル３３１を選択する方法と、利用者に特徴的な情報を補助情報と関連付けて登録しておき、補助情報に応じて類似度を補正する方法の、いずれを用いてもよい。

上述の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。

（付記１）
音声情報と予め登録された利用者の声質モデルに基づいて前記利用者を音声操作の話者として識別する話者識別部と、
前記音声情報を音声認識して音声操作情報を生成する音声操作認識部と、
を備えた音声操作装置であって、
前記話者識別部は、前記音声操作情報、音声操作装置の位置情報、話者の方向情報、話者の距離情報、時刻情報のうちの少なくとも１つを補助情報として用いて話者を識別する
音声操作装置。

（付記２）
音声振動を前記音声情報に変換するマイクロフォンと、
前記利用者の前記声質モデルが予め登録された登録利用者情報と、
を更に備える
付記１に記載の音声操作装置。

（付記３）
前記登録利用者情報は前記利用者ごとに複数の前記声質モデルを有し、
前記話者識別部は前記補助情報に応じて前記声質モデルを選択する
付記２に記載の音声操作装置。

（付記４）
前記話者識別部は、前記補助情報に応じて前記利用者ごとのデータベースである前記声質モデルを選択する
付記３に記載の音声操作装置。

（付記５）
前記話者識別部は、前記音声情報と前記声質モデルの類似度を算出し、前記類似度に基づいて話者を識別する
付記２から４のいずれか１項に記載の音声操作装置。

（付記６）
前記話者識別部は、前記類似度が最も大きい前記利用者を音声操作の話者として識別する
付記５に記載の音声操作装置。

（付記７）
前記登録利用者情報は、前記利用者に特徴的な情報を前記補助情報と関連付けて有し、
前記話者識別部は前記補助情報に応じて前記類似度を補正する
付記５又は６に記載の音声操作装置。

（付記８）
前記登録利用者情報は前記類似度の補正値を前記利用者ごとに有し、
前記話者識別部は話者を識別した結果を前記補正値に反映させて、前記補助情報と前記補正値との相関性を学習する
付記５から７のいずれか１項に記載の音声操作装置。

（付記９）
前記登録利用者情報は前記利用者に特徴的なキーワードを含み、
前記話者識別部は前記音声操作情報に含まれる前記キーワードに応じて前記類似度を補正する
付記５から８のいずれか１項に記載の音声操作装置。

（付記１０）
前記マイクロフォンは、音声操作の話者の方向を前記方向情報として取得するアレイマイクであり、
前記話者識別部は前記方向情報を用いて話者を識別する
付記２から９のいずれか１項に記載の音声操作装置。

（付記１１）
前記音声操作の話者までの距離を前記距離情報として取得する測距センサを更に備え、
前記話者識別部は前記距離情報を用いて話者を識別する
付記２から１０のいずれか１項に記載の音声操作装置。

（付記１２）
前記音声操作の発声時刻を前記時刻情報として取得する時計を更に備え、
前記話者識別部は前記時刻情報を用いて話者を識別する
付記２から１１のいずれか１項に記載の音声操作装置。

（付記１３）
音声操作装置の位置を前記位置情報として取得するＧＰＳ装置を更に備え、
前記話者識別部は前記位置情報に応じて前記声質モデルを選択する
付記２から１２のいずれか１項に記載の音声操作装置。

（付記１４）
前記登録利用者情報は前記利用者のスケジュール情報を更に含み
前記話者識別部は前記スケジュール情報を更に用いて話者を識別する
付記２から１３のいずれか１項に記載の音声操作装置。

（付記１５）
前記登録利用者情報は前記利用者の好みに合わせた情報を前記利用者ごとに有し、
前記音声操作情報に対応する操作処理を前記利用者の好みに合わせて実行する制御演算部と、
実行結果を音声により通知するスピーカーと、
を更に有する
付記２から１４のいずれか１項に記載の音声操作装置。

（付記１６）
音声情報と予め登録された利用者の声質モデルに基づいて前記利用者を音声操作の話者として識別する話者識別部と、
前記音声情報を音声認識して音声操作情報を生成する音声操作認識部と、
を備えた音声操作装置の制御方法であって、
前記話者識別部は、前記音声操作情報、音声操作装置の位置情報、話者の方向情報、話者の距離情報、時刻情報のうちの少なくとも１つを補助情報として用いて話者を識別するステップを有する
音声操作装置の制御方法。

以上、実施形態を参照して本発明を説明したが、本発明は上記実施形態に限定されものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１７年７月２６日に出願された日本出願特願２０１７－１４４３３６を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１ ：スピーカー
２ ：マイクロフォン
３ ：制御演算部
１１ ：音声出力部
２１ ：音声入力部
３１ ：音声操作応答部
３２ ：音声操作認識部
３３ ：話者識別部
３４ ：補助情報算出部
３５ ：無線通信部
４０ ：補助情報取得装置
４１ ：ＧＰＳ装置
４２ ：アレイマイク
４３ ：測距センサ
４４ ：時計
６１ ：利用者
６２ ：利用者
３３０ ：登録利用者情報
３３１ ：声質モデル
３４１ ：位置算出部
３４２ ：音声方向算出部
３４３ ：距離算出部
３４４ ：時刻算出部

Claims (7)

1. 話者識別部と、
   音声情報を音声認識して音声操作情報を生成する音声操作認識部と、
   音声振動を前記音声情報に変換するマイクロフォンを複数有するマイクアレイと、
   第１の時刻情報と利用者とが関連づけされた登録利用者情報と、
   を備え、
   前記話者識別部は、前記登録利用者情報と前記音声情報の発声時刻である第２の時刻情報とを用いて話者を識別する音声操作装置。
2. 話者識別部と、
   音声情報を音声認識して音声操作情報を生成する音声操作認識部と、
   音声振動を前記音声情報に変換するマイクロフォンを複数有するマイクアレイと、
   利用者と、前記利用者のスケジュール情報とが関連づけされた登録利用者情報と、
   を備え、
   前記話者識別部は、前記登録利用者情報と前記スケジュール情報とを用いて話者を識別する音声操作装置。
3. 前記話者識別部は、前記音声情報と予め登録された前記利用者の音声モデルに基づいて前記利用者を音声操作の話者として識別する請求項１又は２に記載の音声操作装置。
4. 前記話者識別部は、前記音声情報と前記利用者の声質モデルの類似度が最も大きい前記利用者を音声操作の話者として識別する請求項１から３のいずれか１項に記載の音声操作装置。
5. 前記登録利用者情報は、前記利用者に特徴的な情報を補助情報と関連付けて有し、
   前記話者識別部は前記補助情報に応じて前記音声情報と前記利用者の声質モデルの類似度を補正する請求項１から４のいずれか１項に記載の音声操作装置。
6. 前記登録利用者情報は前記利用者に特徴的なキーワードを含み、
   前記話者識別部は前記音声操作情報に含まれる前記キーワードに応じて前記音声情報と前記利用者の声質モデルの類似度を補正する請求項１から５のいずれか１項に記載の音声操作装置。
7. 前記発声時刻を前記第２の時刻情報として取得する時計を更に備える請求項１に記載の音声操作装置。

Images