JPH0628830A - 音声認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 テープの記録内容を迅速に検索できるように
する。 【構成】 キーワード音声入力部１１またはキーワード
作成部８を介してキーボード７よりキーワードを入力す
ると、そのキーワードが、選択処理部９を介してキーワ
ード処理部１０に供給される。あらかじめテープ４のヘ
ッダにキーワードの記録位置が記録されている場合、キ
ーワード処理部１０において、あらかじめテープ４のヘ
ッダに記録された位置が参照され、選択処理部９より供
給されたキーワードと同一のキーワードが検索される。
あらかじめテープ４のヘッダに記録されたキーワードの
中に、選択処理部９より供給されたキーワードと同一の
キーワードがあると、キーワード処理部１０において、
あらかじめテープ４に記録された、そのキーワードの記
録位置が参照され、その位置からテープ４の再生が開始
される。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えばテープやディス
クなどに記録された音声の内容を検索する場合に用いて
好適な音声認識装置に関する。

【０００２】

【従来の技術】例えばテープレコーダなどにおいては、
会議の様子をテープに記録することができる。このと
き、必要に応じて任意の位置にインデックス信号を記録
することができる。これにより、テープの任意の位置か
ら、このインデックス信号を検索し、その位置から再生
ができるようになっている。

【０００３】

【発明が解決しようとする課題】しかしながら、従来の
装置では、例えば会議で打ち合わせた事項のうち、所定
の事項に関する部分を確認したい場合、テープの先頭か
らすべてのインデックス信号を順次検出して部分的に再
生しなければならず、使用者にわずらわしさを感じさせ
るだけでなく、その位置を検索するのに時間がかかる課
題があった。また、その位置にあらかじめインデックス
信号が記録されていない場合においては、始点から終点
まで再生をしなければならなかった。

【０００４】本発明は、このような状況に鑑みてなされ
たものであり、所定の記録内容を迅速に検索できるよう
にするものである。

【０００５】

【課題を解決するための手段】請求項１に記載の音声認
識装置は、音声を入力する音声入力手段としての音声入
力部１と、入力された音声を記録するための記録媒体と
してのテープ４と、キーワードを入力するキーワード入
力手段としてのキーボード７またはキーワード音声入力
部１１と、入力されたキーワードを記憶する記憶手段と
しての標準パターンメモリ２４と、テープ４に記録され
た音声（音声入力部１よりテープ４に記録される音声ま
たはテープ４から再生された音声）から、標準パターン
メモリ２４に記憶されたキーワードを抽出するキーワー
ド抽出手段としての音声認識部３と、音声認識部３によ
り抽出されたキーワードがテープ４に記録された位置を
検出し、キーワードとともにテープ４の例えばヘッダな
どの所定の位置に記録するキーワード処理手段としての
キーワード処理部１０とを備えることを特徴とする。

【０００６】請求項２に記載の音声認識装置は、キーボ
ード７またはキーワード音声入力部１１は、文字または
音声でキーワードを入力することを特徴とする。

【０００７】請求項３に記載の音声認識装置は、キーワ
ードを記憶する記憶手段としての標準パターンメモリ２
４と、キーワードを含む音声が記録されているととも
に、音声に含まれるキーワードの記録位置が例えばヘッ
ダなどの所定の位置に記録されている記録媒体としての
テープ４と、標準パターンメモリ２４に記憶されたキー
ワードを含む音声を、テープ４から検索する検索手段と
してのキーワード処理部１０とを備えることを特徴とす
る。

【０００８】

【作用】請求項１に記載の音声認識装置においては、テ
ープ４に記録される音声またはテープ４から再生された
音声に含まれるキーワードを抽出し、抽出したキーワー
ドがテープ４に記録された位置を検出して、キーワード
とともにテープ４のヘッダに記録する。従って、テープ
４のヘッダを参照してキーワードが記録された位置に、
迅速にアクセスすることができる。

【０００９】請求項２に記載の音声認識装置において
は、キーボード７またはキーワード音声入力部１１は、
文字または音声でキーワードを入力することができるの
で、文字または音声でキーワードを確認することができ
る。

【００１０】請求項３に記載の音声認識装置において
は、キーワードが標準パターンメモリ２４に記憶されて
いる。そして、キーワードを含む音声が記録されている
とともに、音声に含まれるキーワードの記録位置が記録
されたテープ４から、標準パターンメモリ２４に記憶さ
れたキーワードを含む音声を検索する。従って、テープ
４に記録された所定の内容を迅速に確認することができ
る。

【００１１】

【実施例】図１は、本発明の音声認識装置の一実施例の
構成を示すブロック図である。音声入力部１は、入力さ
れた音声をＡ／Ｄ変換した信号、即ちディジタル化した
音声信号を音声記録部２および音声認識部３に出力す
る。音声記録部２は、音声入力部１より出力された音声
信号をテープ４に記録する。音声再生部５は、テープ４
に記録された音声信号を再生し、音声出力部６および音
声認識部３に供給する。音声出力部６は、音声再生部５
またはキーワード処理部１０より供給された音声信号を
音声に変換して出力する。

【００１２】キーワード音声入力部１１は、入力された
音声をキーワードとして選択処理部９に供給する。キー
ボード７は、キーワードを文字（文字列）としてタイプ
するためのもので、タイプされた文字は、キーワード作
成部８に出力される。キーワード作成部８は、キーボー
ド７より出力された文字としてのキーワードより音声信
号としてのキーワードを作成し、選択処理部９に供給す
る。選択処理部９は、キーワード音声入力部１１より供
給されるキーワードまたはキーワード作成部８より供給
されるキーワードのいずれかを選択して、音声認識部３
およびキーワード処理部１０に出力する。

【００１３】音声認識部３は、図２に示すように、音響
分析部２１、入力パターンメモリ２２、ＤＰマッチング
部２３、標準パターンメモリ２４、およびワードスポッ
ティング判定部２５により構成される。音響分析部２１
は、選択処理部９よりキーワードとしての音声信号が供
給された場合、キーワード（音声信号）に、例えば線形
予測分析処理などの周波数分析処理を施し、音声の特徴
パラメータ（特徴パラメータ系列）を算出し、標準パタ
ーンメモリ２４に供給する。標準パターンメモリ２４
は、音響分析部２１より供給される、キーワードより算
出された特徴パラメータを標準パターンとして記憶す
る。

【００１４】また、音響分析部２１は、音声入力部１よ
り音声信号が供給された場合、または音声再生部５によ
りテープ４から再生された音声信号が供給された場合、
音声信号に、線形予測分析処理を施し、音声の特徴パラ
メータ（特徴パラメータ系列）を算出し、入力パターン
メモリ２２に供給する。入力パターンメモリ２２は、音
響分析部２１より供給された音声の特徴パラメータを入
力パターンとして一時記憶する。

【００１５】ＤＰマッチング部２３は、入力パターンメ
モリ２２に一時記憶された入力パターンと、標準パター
ンメモリ２４に記憶された標準パターンとのパターン間
距離を、ＤＰマッチングにより算出する。即ち、ＤＰマ
ッチング部２３は、標準パターンの時間軸、または入力
パターンの時間軸のうちの一方の、例えば標準パターン
の時間軸を、他方のパターンである入力パターンに最も
類似するように（標準パターンと入力パターンとの距離
を最小にするように）、人工的に歪ませ、標準パターン
と入力パターンとの距離（時間正規化した距離）を求め
る。そして、ＤＰマッチング部２３は、標準パターンと
入力パターンとの距離とともに、その距離が得られたと
きの、標準パターンの時間軸が入力パターンの時間軸に
対応する位置、即ち、入力パターン中の標準パターンの
位置をワードスポッティング判定部２５に供給する。

【００１６】なお、ＤＰマッチング部２３は、標準パタ
ーンメモリ２４に記憶されているすべての標準パターン
に対して以上の処理を行い、すべての標準パターンにお
ける最小の距離、およびそれが得られた位置を求め、ワ
ードスポッティング判定部２５に供給する。

【００１７】ワードスポッティング判定部２５は、ＤＰ
マッチング部２３より供給されたすべての標準パターン
における最小の距離、およびそれが得られた位置から、
入力パターンに含まれるすべての標準パターンを抽出
（認識）し、その標準パターンに対するキーワードをキ
ーワード処理部１０（図１）に出力する。

【００１８】キーワード処理部１０は、音声認識部３
（ワードスポッティング判定部２５）より出力されたキ
ーワードがテープ４に記録された位置（記録位置）を検
出し、キーワードとともにテープ４の、例えばヘッダに
記録する。さらに、キーワード処理部１０は、テープ４
のヘッダに記録されたキーワードを読み取り、音声再生
部５または表示部１２に供給する。表示部１２は、キー
ワード処理部１０より供給されたキーワードを、画像と
して表示する。

【００１９】次に、キーワードを登録するときの動作に
ついて説明する。キーワード音声入力部１１またはキー
ワード作成部８を介してキーボード７より入力されたキ
ーワードが、選択処理部９を介して音声認識部３の音響
分析部２１およびキーワード処理部１０に供給される。
キーワード処理部１０において、選択処理部９より供給
されたキーワードは、入力確認のために表示部１２また
は音声再生部５を介して音声出力部６に供給される。表
示部１２において、キーワード作成部８を介してキーボ
ード７より入力されたキーワードは画像（文字）として
表示され、音声出力部６において、キーワード音声入力
部１１より入力されたキーワードは音声として出力され
る。

【００２０】なお、１つのキーワードを、キーボード７
とキーワード音声入力部１１との両方で入力しておけ
ば、音声で入力したキーワード（キーワード音声入力部
１１より入力されたキーワード）を文字として確認する
ことができ、また、文字で入力したキーワード（キーボ
ード７より入力されたキーワード）を音声で確認するこ
とができる。

【００２１】一方、音声認識部３の音響分析部２１にお
いて、選択処理部９より供給されたキーワードとしての
音声信号が、線形予測分析され、音声の特徴パラメータ
（特徴パラメータ系列）が算出され、標準パターンメモ
リ２４に供給される。標準パターンメモリ２４におい
て、音響分析部２１より供給される、キーワードより算
出された特徴パラメータが標準パターンとして記憶され
る。

【００２２】さらに、キーワードをテープ４に記録する
ときの動作について説明する。音声入力部１において、
音声信号がＡ／Ｄ変換処理され、音声記録部２および音
声認識部３に供給される。音声記録部２において、音声
入力部１より供給された音声信号は、テープ４に記録さ
れる。

【００２３】一方、音声認識部３に供給された音声信号
は、音響分析部２１において線形予測分析処理され、音
声の特徴パラメータ（特徴パラメータ系列）が算出され
る。そして、入力パターンメモリ２２において、音響分
析部２１より供給された音声の特徴パラメータが入力パ
ターンとして一時記憶される。

【００２４】ＤＰマッチング部２３において、入力パタ
ーンメモリ２２に一時記憶された入力パターンと、標準
パターンメモリ２４に記憶された標準パターンとのパタ
ーン間距離が、ＤＰマッチングにより算出される。即
ち、ＤＰマッチング部２３において、標準パターンの時
間軸、または入力パターンの時間軸のうちの一方、例え
ば標準パターンの時間軸を、他方のパターンである入力
パターンに最も類似するように、人工的に歪ませ、標準
パターンと入力パターンとの距離（時間正規化した距
離）が求められる。そして、ＤＰマッチング部２３にお
いて、標準パターンと入力パターンとの距離とともに、
その距離が得られたときの、標準パターンの時間軸が入
力パターンの時間軸に対応する位置、即ち、入力パター
ン中の標準パターンの位置が求められ、ワードスポッテ
ィング判定部２５に供給される。

【００２５】なお、ＤＰマッチング部２３において、標
準パターンメモリ２４に記憶されているすべての標準パ
ターンに対して以上の処理が行われ、すべての標準パタ
ーンにおける最小の距離、およびそれが得られた位置が
求められ、ワードスポッティング判定部２５に供給され
る。

【００２６】ワードスポッティング判定部２５におい
て、ＤＰマッチング部２３より供給されたすべての標準
パターンにおける最小の距離、およびそれが得られた位
置から、入力パターンに含まれるすべての標準パターン
が抽出（認識）され、その標準パターンに対するキーワ
ードがキーワード処理部１０（図１）に出力される。

【００２７】キーワード処理部１０において、音声認識
部３（ワードスポッティング判定部２５）より出力され
たキーワードがテープ４に記録された位置が検出され、
キーワードとともにテープ４のヘッダに記録される。

【００２８】また、上述した以外に、次のようにしてキ
ーワードをテープ４に記録することができる。即ち、音
声入力部１において、音声信号がＡ／Ｄ変換処理され、
音声記録部２に供給される。音声記録部２において、音
声入力部１より供給された音声信号は、テープ４に記録
される。音声信号の記録が終了した後、音声再生部５に
おいて、テープ４に記録された音声信号が再生され、音
声認識部３に供給される。音声認識部３の音響分析部２
１において、テープ４に記録された音声信号が線形予測
分析処理され、音声の特徴パラメータ（特徴パラメータ
系列）が算出される。そして、入力パターンメモリ２２
において、音響分析部２１より供給された音声の特徴パ
ラメータが入力パターンとして一時記憶される。

【００２９】以後、音声認識部３およびキーワード処理
部１０において、上述したキーワードをテープ４に記録
するための処理が行われ、キーワード、およびキーワー
ドの記録位置がテープ４のヘッダに記録される。

【００３０】次に、テープ４に記録された音声信号を再
生する場合、キーワード音声入力部１１またはキーワー
ド作成部８を介してキーボード７よりキーワードを入力
すると、そのキーワードが、選択処理部９を介してキー
ワード処理部１０に供給される。キーワード処理部１０
において、選択処理部９より供給されたキーワードは、
入力確認のために表示部１２または音声再生部５を介し
て音声出力部６に供給される。表示部１２において、キ
ーワード作成部８を介してキーボード７より入力された
キーワードは画像として表示され、音声出力部６におい
て、キーワード音声入力部１１より入力されたキーワー
ドは音声として出力される。

【００３１】そして、あらかじめテープ４のヘッダにキ
ーワードおよびキーワードの記録位置が記録されている
場合、キーワード処理部１０において、あらかじめテー
プ４のヘッダに記録されたキーワードが参照され、選択
処理部９より供給されたキーワードと同一のキーワード
が検索される。あらかじめテープ４のヘッダに記録され
たキーワードの中に、選択処理部９より供給されたキー
ワードと同一のキーワードがあると、キーワード処理部
１０において、あらかじめテープ４のヘッダに記録され
た、そのキーワードの記録位置が読み取られ、さらにそ
の位置が検索され、その位置からテープ４の再生が開始
される。また、キーワードを含む音声の始点の位置をヘ
ッダに記録しておけば、キーワードを含む音声をその始
点から再生させることもできる。

【００３２】また、あらかじめテープ４のヘッダにキー
ワードおよびキーワードの記録位置が記録されていない
場合、音声再生部５において、テープ４に記録された音
声信号の再生が開始され、音声認識部３に供給される。
音声認識部３の音響分析部２１において線形予測分析処
理され、音声の特徴パラメータ（特徴パラメータ系列）
が算出される。そして、入力パターンメモリ２２におい
て、音響分析部２１より供給された音声の特徴パラメー
タが入力パターンとして一時記憶される。

【００３３】ＤＰマッチング部２３において、標準パタ
ーンメモリ２４に記憶された標準パターンの時間軸、ま
たは入力パターンメモリ２２に記憶された入力パターン
の時間軸のうちの一方、例えば標準パターンの時間軸
を、他方のパターンである入力パターンに最も類似する
ように、人工的に歪ませ、標準パターンと入力パターン
との距離（時間正規化した距離）が求められる。そし
て、ＤＰマッチング部２３において、標準パターンと入
力パターンとの距離とともに、その距離が得られたとき
の、標準パターンの時間軸が入力パターンの時間軸に対
応する位置、即ち、入力パターン中の標準パターンの位
置が求められ、ワードスポッティング判定部２５に供給
される。

【００３４】なお、ＤＰマッチング部２３において、標
準パターンメモリ２４に記憶されているすべての標準パ
ターンに対して以上の処理が行われ、すべての標準パタ
ーンにおける最小の距離、およびそれが得られた位置が
求められ、ワードスポッティング判定部２５に供給され
る。

【００３５】ワードスポッティング判定部２５におい
て、ＤＰマッチング部２３より供給されたすべての標準
パターンにおける最小の距離、およびそれが得られた位
置から、入力パターンに含まれるすべての標準パターン
が抽出（認識）され、その標準パターンに対するキーワ
ードがキーワード処理部１０（図１）に出力される。

【００３６】キーワード処理部１０において、音声認識
部３（ワードスポッティング判定部２５）より供給され
たキーワードは、表示部１２または音声再生部５を介し
て音声出力部６に供給される。表示部１２において、テ
ープ４に記録されている音声信号に含まれるキーワード
は画像として表示され、音声出力部６において、テープ
４に記録されている音声信号に含まれるキーワードは音
声として出力される。

【００３７】従って、テープ４に、例えば「こんにち
は、東京のソニー太郎です。先日のお問い合わせについ
てご返事差し上げます。当社のウォークマンは現在８タ
イプ発売致しております。この中でご要望に合う機種は
ＷＭ−ＥＸ７０、１９，５００円です。ご購入は、お近
くのソニー製品を扱っている電器店をご利用ください。
詳しいカタログをご希望でしたらご請求ください。お送
りさせていただきます。取り急ぎ、ご返事さしあげまし
た。」という音声（メッセージ）が記録されている場
合、標準パターンメモリ２４に、例えば「東京、ソニ
ー、返事、ウォークマン、タイプ、円、要望、機種、製
品、購入、電器店、利用、カタログ、希望、請求、１、
２、３、４、５、６、７、８、９、０」などのキーワー
ドが登録されているとき、「東京、ソニー、返事、ウォ
ークマン、８、タイプ、要望、機種、７０、１９，５０
０、円、ソニー、製品、電器店、利用、カタログ、希
望、請求、返事」のキーワードが音声出力部６または表
示部１２より出力される。このキーワードから音声（メ
ッセージ）の内容の概要を推測することができる。

【００３８】以上、本発明の音声認識装置について説明
したが、本発明を、例えばボイスメールシステムなどに
応用すれば、送られてきたボイスメールの内容を、迅速
に確認することができる。

【００３９】なお、本実施例においては、音声信号を記
録する記録媒体をテープとしたが、ランダムアクセスが
可能な、例えば光ディスクや光磁気ディスクなどのディ
スクに音声信号を記録するようにすれば、さらに迅速に
キーワードの検索をすることができる。

【００４０】

【発明の効果】請求項１に記載の音声認識装置によれ
ば、記録媒体に記録される音声または記録媒体から再生
された音声に含まれるキーワードを抽出し、抽出したキ
ーワードが記録媒体に記録された位置を検出して、キー
ワードとともに記録媒体の所定の位置に記録する。従っ
て、記録媒体の所定の位置を参照してキーワードが記録
された位置に、迅速にアクセスすることができる。

【００４１】請求項２に記載の音声認識装置によれば、
キーワード入力手段は、文字または音声でキーワードを
入力する。従って、使用者の嗜好に合わせて装置を利用
することができる。

【００４２】請求項３に記載の音声認識装置によれば、
キーワードが記憶手段に記憶されている。そして、キー
ワードを含む音声が記録されているとともに、音声に含
まれるキーワードの記録位置が記録された記録媒体か
ら、記憶手段に記憶されたキーワードを含む音声を検索
する。従って、記録媒体に記録された所定の内容を迅速
に確認することができる。

【図面の簡単な説明】

【図１】本発明の音声認識装置の一実施例の構成を示す
ブロック図である。

【図２】図１の実施例の音声認識部３のより詳細なブロ
ック図である。

【符号の説明】

１ 音声入力部 ２ 音声記録部 ３ 音声認識部 ４ テープ ５ 音声再生部 ６ 音声出力部 ７ キーボード ８ キーワード作成部 ９ 選択処理部 １０ キーワード処理部 １１ キーワード音声入力部 １２ 表示部 ２１ 音響分析部 ２２ 入力パターンメモリ ２３ ＤＰマッチング部 ２４ 標準パターンメモリ ２５ ワードスポッティング判定部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 田中 幸 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内 (72)発明者 加藤 靖彦 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内 (72)発明者 石井 和夫 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内

Claims (3)

【特許請求の範囲】
1. 【請求項１】 音声を入力する音声入力手段と、 前記音声入力手段より入力された音声を記録するための
   記録媒体と、 キーワードを入力するキーワード入力手段と、 前記キーワード入力手段より入力されたキーワードを記
   憶する記憶手段と、 前記記録媒体に記録された音声から、前記記憶手段に記
   憶されたキーワードを抽出するキーワード抽出手段と、 前記キーワード抽出手段により抽出されたキーワードが
   前記記録媒体に記録された位置を検出し、前記キーワー
   ドとともに前記記録媒体の所定の位置に記録するキーワ
   ード処理手段とを備えることを特徴とする音声認識装
   置。
2. 【請求項２】 前記キーワード入力手段は、文字または
   音声でキーワードを入力することを特徴とする請求項１
   に記載の音声認識装置。
3. 【請求項３】 キーワードを記憶する記憶手段と、 前記キーワードを含む音声が記録されているとともに、
   前記音声に含まれる前記キーワードの記録位置が所定の
   位置に記録されている記録媒体と、 前記記憶手段に記憶されたキーワードを含む音声を、前
   記記録媒体から検索する検索手段とを備えることを特徴
   とする音声認識装置。