JPS6243699A - Voice input system - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。(57) [Summary] This bulletin contains application data before electronic filing, so abstract data is not recorded.

Description

【発明の詳細な説明】 〔発明の利用分野〕 本発明は、音声による単語、数字２句などの入力におい
て複数の音声を一括し−〔入力する方式に関するもので
ある。DETAILED DESCRIPTION OF THE INVENTION [Field of Application of the Invention] The present invention relates to a system for collectively inputting a plurality of voices in the input of spoken words, two-number phrases, and the like.

〔従来技術〕[Prior art]

音声認識技術の進歩に伴ない、人間の声で機械に指令し
たり様々なデータをコンピュータに入力したいという要
求が高まってきた。現在、コンピュータで扱う情報の大
半は、商品番号やメーカ番号にみられるように数字で管
理される場合が多く、このコード情報を音声で入力する
期待はとくに強い。この場合多数桁の数字を高速かつ安
定に入力することが必要となる。With advances in voice recognition technology, there has been an increasing demand for the ability to use human voices to command machines and input various data into computers. Currently, most of the information handled by computers is often managed in numbers, such as product numbers and manufacturer numbers, and there are particularly strong expectations for inputting this code information by voice. In this case, it is necessary to input multi-digit numbers quickly and stably.

従来の音声入力の方法は、特開昭５８−３０８００号公
報に記載のように、入力された音声を認識し、その認識
結果を音声合成によってトークバックして話者に正しく
入力されたか確認させるというトークパック方式が採用
されており、この一連の手続きで始めて１つの音声が入
力されたことになる。Conventional voice input methods, as described in Japanese Unexamined Patent Publication No. 58-30800, recognize the input voice and talk back the recognition result through voice synthesis to have the speaker confirm whether the input was correct. The Talk Pack method is adopted, and this series of procedures means that one voice has been input for the first time.

しかしこのような上記従来方法で複数桁の数字を入力す
ると、時間がかかるし大変に煩わしい。However, inputting multiple digit numbers using the conventional method described above is time consuming and very troublesome.

例えば商品数量４５２１個をコンピュータに入力する場
合を考える。ここでは「０」〜「９」の１０個の数字を
用いることにし、数値を構成する各桁の数字を上位桁か
ら順に入力することにする。For example, consider inputting the quantity of 4521 products into a computer. Here, 10 numbers from "0" to "9" will be used, and each digit of the number will be input in order from the most significant digit.

話者は最初に最上位桁「４」を発声するとこれを認識し
、トークバックによって”４ですね・というアンサ音で
正常に認識されたかどうか確認にくる。アンサが正しい
場合には「ノ・イ」と答えて次の桁の入力を行なうが、
間違っている場合には「イイエ」と答え再度同一桁め数
字を入力する。これを４桁すべて繰返した後、データ入
力が終了したことを知らせるために例えば「オワリ」と
発声し、この音声を認識してはじめて４桁の数字が正し
く入力されたことになる。When the speaker first utters the most significant digit "4", the speaker recognizes this and uses the talkback to confirm that it has been correctly recognized with an answer sound saying "It's 4". If the answer is correct, "no" is heard. "Yes" and enter the next digit, but
If it is incorrect, answer "No" and enter the same digit again. After repeating this for all four digits, the user utters, for example, "Owari" to notify that data entry is complete, and only when this voice is recognized will the four digits be correctly entered.

このように１桁づつの入力方式のために毎回トークバッ
クによる確認が必要となり、時間がかかる上に話者にと
って煩わしいものとなる。In this way, since the input method uses one digit at a time, confirmation by talkback is required each time, which is time consuming and troublesome for the speaker.

また「オワリ」という終了指示音声を用いているために
、数字入力のときのカテゴリ（認識対象となる言葉の集
まり）にも、数字１０個の他に「オワリ」という制御語
を加える必要があり。In addition, since we are using the end instruction voice "Owari", we need to add the control word "Owari" in addition to the 10 numbers to the category (group of words to be recognized) when inputting numbers. .

その分数字の認識率が低下してしまう。As a result, the recognition rate of numbers decreases.

これを避ける方法として桁数を固定してあらかじめコン
ピータと話者に通知しておく方法があるが、多種類の数
字を入力する場合には非現実的である。One way to avoid this is to fix the number of digits and notify the computer and speaker in advance, but this is impractical when inputting many types of numbers.

〔発明の目的〕[Purpose of the invention]

本発明の目的は、上述の問題を解決し、複数個の音声を
高速かつ安定に一括入力する方式を提供することにある
。An object of the present invention is to solve the above-mentioned problems and provide a method for rapidly and stably inputting multiple voices at once.

〔発明の概要〕[Summary of the invention]

この目的を達成するために、本発明の方式に於いては、
音声と音声の間の時間を監視し、所定時間音声が入力さ
れなかった場合に入力を自動終了するようにする。数値
情報を音声で入力する場合につい【説明する。In order to achieve this objective, in the method of the present invention,
To monitor the time between voices and automatically terminate input when no voice is input for a predetermined period of time. [Explanation] When inputting numerical information by voice.

該数値を構成する各桁の数字を最上位または最下位桁か
ら順次発声し、全桁入力したら発声を止める。装置側で
は数字音声が入力されるとこれを認識し、次の音声を待
つが、同時にタイマを起動して次の音声が入力されるま
での時間を監視する。もし所定時間経っても入力されな
かったときには入力が終了したものとみなし、それまで
入力された数字列から数値情報を求める。このようにす
れば入力終了条件が発声を止めルトいう人間にとって極
めて自然な形となっている上、確実に終了したことを装
置に知らしめろことが可能となる。The digits that make up the numerical value are uttered sequentially from the most significant digit or the least significant digit, and the utterance is stopped when all digits have been input. The device recognizes when a numeric voice is input and waits for the next voice, but at the same time starts a timer to monitor the time until the next voice is input. If no input is made after a predetermined period of time has elapsed, it is assumed that the input has ended, and numerical information is obtained from the numeric string input so far. In this way, the condition for ending the input is in a form that is extremely natural for humans, such as stopping vocalization, and it is also possible to ensure that the device is informed that the input has ended.

〔発明の実施例〕[Embodiments of the invention]

以下、本発明な実施例により説明する。第１図は本発明
の一実施例を示すブロック構成図であり、マイク１．音
声入力部２．全体を制御するコンピュータ３９合成音声
を出力する音声出力部４．スピーカ５から成る。The present invention will be explained below using examples. FIG. 1 is a block diagram showing an embodiment of the present invention, in which microphones 1. Audio input section 2. A computer 39 that controls the whole; an audio output section 4 that outputs synthesized audio; It consists of 5 speakers.

音声入力部２．出力部４は人間とコンピュータを結ぶ信
号変換器の役目をするもので、公知の技術で実現でき、
コンピュータで実行することも可能である。Audio input section 2. The output section 4 serves as a signal converter that connects humans and computers, and can be realized using known technology.
It is also possible to execute it on a computer.

まずコンピュータ３から音声入力部２に対して入力対象
となる言葉の集まυ（これをカテゴリと呼ぶことＫする
）の情報を５１から、また入力する言葉の数（これを入
力語数と呼ぶことにする）を５２から送る。入力語数が
あらかじめわからないときには０を送る。First, the computer 3 sends information from 51 to the voice input unit 2 about a collection of words to be input (this is called a category) and the number of words to be input (this is called the number of input words). ) will be sent from 52. If the number of input words is not known in advance, send 0.

カテゴリを受けた音声入力部２では音声待ち状態になり
、マイク１から音声が入力されるとすでに登録されてい
る基皐音声と比較し【その認識結果を５３からコンピュ
ータ５に出力する〇本発明では、この音声入力部２に音
声を認識する認識部２１と出力バノファ２２．タイマ２
嶋入力時間を監視する制御部２３を設ける。The voice input section 2 that receives the category enters a voice waiting state, and when the voice is input from the microphone 1, it is compared with the already registered Moto voice and the recognition result is output from 53 to the computer 5. This invention Now, this voice input section 2 includes a recognition section 21 that recognizes voice and an output vanofer 22. timer 2
A control unit 23 is provided to monitor the input time.

認識部２１ではコンピュータからのカテゴリ情報５１に
基づいてマイクからの音声を認識し、その結果な出力バ
ッファ２２に順次記憶していく。The recognition unit 21 recognizes the voice from the microphone based on the category information 51 from the computer, and sequentially stores the results in the output buffer 22.

−力制御部２３では入力語数情報５２分の音声が入力さ
れると、これまでの出力バッファ２２の結果をコンピュ
ータに一括出力する。入力語数があらかじめ明確ではな
いときには５２＝０とする。- When the input word count information 52 worth of speech is input, the output control unit 23 outputs the results of the output buffer 22 so far to the computer all at once. When the number of input words is not clear in advance, 52=0 is set.

このとき制一部２３では最初の音声を認識した後は音声
が入力される都度タイマ２４に所定値を設定し直す。タ
イマ２４に設定された時間が経っても次の音声が入力さ
れないときには、タイマ２４から制御部２５にタイムア
ウト信号が送られ、これによって入力終了を検知し、出
力バッファ２２に記憶されているこれまでの認識結果を
すべてコンピュータ３に一括出力し、出力バッファを空
にする。At this time, after recognizing the first voice, the control unit 23 resets the predetermined value in the timer 24 each time a voice is input. When the next audio is not input even after the time set in the timer 24 has elapsed, a timeout signal is sent from the timer 24 to the control unit 25, which detects the end of the input and outputs the previous audio stored in the output buffer 22. All recognition results are output to the computer 3 at once, and the output buffer is emptied.

音声が正しく入力されたかどうかはトークパックで行な
う。コンピュータ３は入力された音声を合成コードに直
し、Ｓ４を通して音声出力部４に送る。音声出力部４で
は合成コードから音声波形を生成しスピーカ５を駆動し
て音声で話者に確認をはかる。以上が本実施例の動作概
要である。Use TalkPack to check whether the audio has been input correctly. The computer 3 converts the input voice into a synthetic code and sends it to the voice output section 4 through S4. The audio output unit 4 generates an audio waveform from the synthesized code, drives the speaker 5, and confirms the speaker with audio. The above is an outline of the operation of this embodiment.

次にこれを使ってコンビーータに商品番号を入力する例
を第５図の流れにしたがって説明する。Next, an example of inputting a product number into a converter using this will be explained according to the flow shown in FIG.

コンピュータ３はまず数字を蓄えておくバッファ２２を
クリアし、つづいて発声をうながすためのメツセージ（
”商品番号を入力して下さい°）を合成コードの形で音
声出力部４に送り、話者に知らせる。また音声入力部２
に対しては、入力カテゴリＳ１をｒＯＪ　、　ｒＩＪ・
・・「９」の１０数字に制限し、入力桁数は５２＝０に
して不明であることを知らせる。The computer 3 first clears the buffer 22 that stores numbers, and then sends a message (
"Please enter the product number °)" is sent to the voice output section 4 in the form of a synthetic code to inform the speaker. Also, the voice input section 2
For, input category S1 is rOJ, rIJ・
...Limit to 10 digits such as "9", and set the number of input digits to 52=0 to indicate that it is unknown.

ここで音声入力部２は音声待ち状態になる。At this point, the audio input section 2 enters a voice waiting state.

話者が商品番号の最上位桁の数字から順に発声していく
と、音声入力部２の認識部２１では、あらかじめ登録さ
れている１ｏ３類の数字音声と比較してその結果を出力
バッファ２２に記憶し、制御部２３からタイマ２４に例
えばＯ，Ｓ秒を設定する。As the speaker utters the product number in order starting from the most significant digit, the recognition unit 21 of the voice input unit 2 compares it with the pre-registered numeric voices of categories 1 and 3 and sends the result to the output buffer 22. The control unit 23 sets the timer 24 to, for example, O and S seconds.

続いて入力される数字に対しても同様にして認識部２１
で認識し、その結果を出力バッファ２２に入れ、タイマ
２４を０５秒に設定し直し、これを繰返していく。すべ
ての桁を発声し終えると話者は発声を止める。The recognition unit 21 performs the same operation for the subsequently input numbers.
The result is stored in the output buffer 22, the timer 24 is reset to 05 seconds, and this process is repeated. After saying all the digits, the speaker stops speaking.

この終了状態は、タイマ２４によって自動検出され、そ
れまでに入力された数字を出力バッファ２４から取出し
て、コンピュータ３に一括転送する。This end state is automatically detected by the timer 24, and the numbers input so far are taken out from the output buffer 24 and transferred to the computer 3 all at once.

コンピュータ５では一旦バッファに記憶し、これらの数
字が正常に入力されたものであるが確認するために、音
声出力部４に数字コードを送シトークバノクする。この
とき、音声入力部２には入力カテゴリとして（ハイ／イ
イエ／ツヅク）の制圓語を、また入力語数が１語である
ことを５１，５２　を通して指示する。In the computer 5, the numbers are temporarily stored in a buffer, and in order to confirm that these numbers have been input correctly, the number code is sent to the voice output section 4 and output. At this time, the voice input unit 2 is instructed through 51 and 52 to input the input category of the controlled word (hai/good/tsuzuku) and that the number of input words is one.

話者は、トークパックで正しく入力されたことが確認で
きた場合には／ハイ／と答え、トークパックがおかしい
場合には／イイエ／と答える。音声入力部では１語固定
になっているので音声が入力されると認識してただちに
答をコンビーータに送る。コンビーータでは／ハイ／が
入力されるとバッファ内の数字情報から商品番号を求め
るし、／イイエ／が入力されるともう一度やり直すこと
になる。The speaker answers /yes/ if the talk pack confirms that the input is correct, and answers /no/ if the talk pack is incorrect. Since the voice input section is fixed at one word, it recognizes when voice is input and immediately sends the answer to the conveter. In the combo machine, when /yes/ is input, the product number is found from the numerical information in the buffer, and when /no/ is input, the process is started again.

エラーが頻繁に続く場合には数字を区切りながら入力す
ることができる。例えば２桁づつ入力する。この場合、
トークバンクで正しく入力されたことが確認されると、
／ツヅキ／という制飢語を発声する。コンピュータはこ
れを受けて２桁分なバッファに追加記憶し、これを繰返
す。全桁を入力し終わると最後に／ハイ／と答える。こ
れによってコンピュータは入力完了したことを知力、バ
ッファの内容から商品番号を求めることになる。If the error continues frequently, you can enter the numbers by separating them. For example, enter two digits at a time. in this case,
Once the talk bank confirms that the information has been entered correctly,
/Tsuzuki/ utters the restraining word. In response to this, the computer additionally stores two digits in the buffer and repeats this process. When all digits have been entered, answer /yes/ at the end. This allows the computer to use its intelligence to determine that the input has been completed and to determine the product number from the contents of the buffer.

第２図はコンピータ側に入力時間監視手段を設けた場合
の実施例である。コンピュータ７の制御部７３から音声
入力部６に入力カテゴリＳ１を指定すると、音声入力部
６では入力音声をそりカテゴリに絞９認識する。FIG. 2 shows an embodiment in which input time monitoring means is provided on the computer side. When the control section 73 of the computer 7 specifies the input category S1 to the voice input section 6, the voice input section 6 narrows down the input voice to the following categories and recognizes it.

認識が終わるとその結果を５３を通してただちにコンピ
ュータ７のバッファ７２に送ｐ、それと同時に、制御部
７３にも送る。When the recognition is completed, the result is immediately sent to the buffer 72 of the computer 7 through 53, and at the same time, it is also sent to the control section 73.

制御部７３ではタイマ７４を用いて音声入力時間を監視
し、タイマ７４にセットした時間が経過しても音声が入
力されない場合にはタイマ２４からのタイムアウト情報
により処理を打切り、バッファ７２に入っている数字か
ら製品番号を求める。The control unit 73 uses a timer 74 to monitor the audio input time, and if no audio is input even after the time set in the timer 74 has elapsed, the process is aborted based on the timeout information from the timer 24, and the audio is stored in the buffer 72. Find the product number from the numbers in the list.

トークパックのための合成コードＳ４や音声出力部４．
スピーカ５は第１図と同じ構成をとる。Synthesis code S4 and audio output unit 4 for talk pack.
The speaker 5 has the same configuration as in FIG.

またこの例では第１図の桁数情報Ｓ２に対するものがな
いがとくに必要はない。Also, in this example, there is nothing for the digit number information S2 in FIG. 1, but there is no need for it.

本実施例によれば、桁ごとにトークパンクを戻さず一括
してトークバックするため、データの入力所要時間が大
幅に短縮され、わずられしさもなくなる。さらに入力の
終了に、例えば／オワリ／といった制御音声を用いる必
要がないので、入力対象語がその分限定され認識率が向
上する。また、／オワリ／という制御語自身紡織不要に
なり、発声を止めるだけで確実に入力終了が可能となる
。また商品番号等でも、入力桁数があらかじめ決められ
ていて入力が終了したことをとくに指示しなくてもよい
場合がある。このようなシステムでは上位桁が°０°で
も必ず入力しなければならないが、本発明では“０°を
入力しなくてもコンピュータで簡単に生成できる。According to this embodiment, talkback is performed all at once without returning talk punctures for each digit, so the time required for data input is significantly shortened and the tediousness is eliminated. Furthermore, since it is not necessary to use a control voice such as /Owari/ to end the input, the input target words are limited accordingly, and the recognition rate is improved. Furthermore, the control word /owari/ itself does not need to be woven, and input can be reliably completed simply by stopping the utterance. Furthermore, in the case of a product number, etc., the number of input digits is determined in advance, and there are cases where there is no need to specifically indicate that the input has been completed. In such a system, it is necessary to input even if the upper digit is 0°, but in the present invention, it can be easily generated by a computer without inputting 0°.

尚１本実施例では数字の入力について説明したが、これ
に限られるものではなく、単語や音節１句を複数個入力
することも可能である。また公知の連続数字認識方式と
組合わせてもかまわない。In this embodiment, the input of numbers has been explained, but the input is not limited to this, and it is also possible to input a plurality of words or one syllable phrase. It may also be combined with a known continuous number recognition method.

〔発明の効果〕〔Effect of the invention〕

以上説明したように、本発明によれば、音声の入力に於
て入力が終了したことを自動検知させることが可能とな
り、わずられしさが解消され、入力所要時間が短縮し、
認識率も向上して安定な音声入力が実現できる。As explained above, according to the present invention, it is possible to automatically detect the end of voice input, which eliminates the hassle and reduces the time required for input.
The recognition rate is also improved and stable voice input can be achieved.

【図面の簡単な説明】[Brief explanation of the drawing]

第１図は本発明の一実施例を示す構成図、第２図は本発
明の他の実施例を示す構成図、第３図は第１図の回路に
おける処理の流れ図、である。 １・・・・・−・・・・・マイク ２・・・・・・・・・・・・音声入力部３・・・・・・
・・・・・・コンピュータ４・・・・・・・・・・・・
音声出力部５・・・・・−・・・・・スピーカ 、′ （。FIG. 1 is a block diagram showing one embodiment of the present invention, FIG. 2 is a block diagram showing another embodiment of the present invention, and FIG. 3 is a flowchart of processing in the circuit of FIG. 1. 1...--...Microphone 2...Audio input section 3...
・・・・・・Computer 4・・・・・・・・・・・・
Audio output unit 5...--- Speaker, ′ (.

Claims (1)

【特許請求の範囲】[Claims] １）入力された音声を認識する手段と、その認識結果を
蓄積する手段と、蓄積された認識結果を取り込んで処理
する手段と、から成る音声入力方式において、入力音声
の終了後、次の音声が入力される迄の期間を監視する手
段を設け、一定期間を超えても次の音声が入力されない
場合にタイムアウトと判断してそれまでの認識した結果
を前記処理手段により一括処理することを特徴とする音
声入力方式。1) In a voice input method consisting of means for recognizing input voice, means for accumulating the recognition results, and means for capturing and processing the accumulated recognition results, after the end of the input voice, the next voice is input. is provided with a means for monitoring the period until the next voice is inputted, and if the next voice is not input even after a certain period of time, it is determined that it is a timeout, and the recognition results up to that point are collectively processed by the processing means. Voice input method.