WO2018100705A1 - 音声認識装置及び音声認識方法 - Google Patents

音声認識装置及び音声認識方法 Download PDF

Info

Publication number
WO2018100705A1
WO2018100705A1 PCT/JP2016/085689 JP2016085689W WO2018100705A1 WO 2018100705 A1 WO2018100705 A1 WO 2018100705A1 JP 2016085689 W JP2016085689 W JP 2016085689W WO 2018100705 A1 WO2018100705 A1 WO 2018100705A1
Authority
WO
WIPO (PCT)
Prior art keywords
vocabulary
recognition
display
vocabularies
unit
Prior art date
Application number
PCT/JP2016/085689
Other languages
English (en)
French (fr)
Inventor
昭男 堀井
Original Assignee
三菱電機株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2016/085689 priority Critical patent/WO2018100705A1/ja
Publication of WO2018100705A1 publication Critical patent/WO2018100705A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/32—Multiple recognisers used in sequence or in parallel; Score combination systems therefor, e.g. voting systems

Definitions

  • the present invention relates to a speech recognition apparatus and speech recognition method for recognizing speech.
  • a recognition vocabulary (or a feature amount of a recognition vocabulary) obtained from speech and a function are stored in association with each other, and the same utterance as the recognition vocabulary corresponding to the stored speech is performed. If it is, the function associated with the voice is executed.
  • the recognition result may be ambiguous.
  • a device that uses the recognition result of the speech recognition device performs a search using the recognition result of the speech recognition device
  • the recognition result may be ambiguous.
  • a facility search it becomes ambiguous whether the facility name “BP” is “BP” in the facility category “fuel station” or “BP” in the facility category “diesel”. May end up.
  • a place name search it is ambiguous whether the city name “Munchen” is a city in the state “Bavaria” or a city in the state “Hutthum”.
  • the search results are “BP (fuel station)” and “BP (diesel)”, and for the above (ii), for example, the search results are “Munchen ( Bavaria) ”and“ Munchen (Hutthrum) ”. That is, it is possible to give information to distinguish the search results presented to the user. For example, in the technique of Patent Document 2, it is possible to use a recognition vocabulary including information for this distinction.
  • JP 2003-323192 A Japanese Patent No. 4554272
  • Patent Document 1 and Patent Document 2 are biased toward adding recognition vocabulary.
  • an increase in the number of recognized vocabulary causes a reduction in recognition accuracy of the speech recognition apparatus.
  • the present invention has been made in view of the above-described problems, and an object thereof is to provide a technique capable of improving the recognition accuracy of a speech recognition apparatus.
  • the speech recognition apparatus recognizes a speech recognition unit that recognizes input speech and a recognition result including a main vocabulary that is a predetermined vocabulary by recognition of the speech recognition unit. Includes a main vocabulary, obtains a plurality of candidate vocabulary previously associated with the main vocabulary, obtains a priority for each candidate vocabulary, and based on the obtained priority, obtains one or more candidates from the plurality of candidate vocabularies A recognition vocabulary selection unit that selects a vocabulary as one or more recognition vocabularies.
  • a recognition result including the main vocabulary is obtained by recognition
  • a plurality of candidate vocabularies are acquired, and priorities are acquired for each candidate vocabulary, and a plurality of candidates are acquired based on the acquired priorities.
  • One or more candidate vocabularies are selected as one or more recognition vocabularies from the candidate vocabularies.
  • FIG. 1 is a block diagram showing a configuration of a speech recognition apparatus according to Embodiment 1.
  • FIG. 6 is a block diagram showing a configuration of a recognized vocabulary selection unit according to Embodiment 2.
  • FIG. It is a figure which shows an example of the information of the display vocabulary database which concerns on Embodiment 2.
  • FIG. It is a figure which shows an example of the information of the priority database which concerns on Embodiment 2.
  • FIG. 6 is a flowchart showing the operation of the speech recognition apparatus according to the second embodiment.
  • FIG. 10 is a diagram illustrating an operation result of the first example of the speech recognition apparatus according to the second embodiment.
  • FIG. 10 is a block diagram showing a configuration of a recognized vocabulary selection unit according to Embodiment 3.
  • FIG. It is a figure which shows an example of the information of the display vocabulary database which concerns on Embodiment 3.
  • FIG. It is a figure which shows an example of the information of the vehicle information database which concerns on Embodiment 3.
  • 10 is a flowchart showing the operation of the speech recognition apparatus according to the third embodiment.
  • FIG. 10 is a block diagram illustrating a configuration of a recognized vocabulary selection unit according to Embodiment 4. It is a figure which shows an example of the information of the display vocabulary database which concerns on Embodiment 4.
  • FIG. 10 is a block diagram showing a configuration of a recognized vocabulary selection unit according to Embodiment 4. It is a figure which shows an example of the information of the display vocabulary database which concerns on Embodiment 4.
  • FIG. 10 is a flowchart showing the operation of the speech recognition apparatus according to the fourth embodiment.
  • FIG. 10 is a block diagram illustrating a configuration of a recognized vocabulary selection unit according to Embodiment 5. It is a figure which shows an example of the information of SW information database which concerns on Embodiment 5.
  • FIG. 10 is a flowchart showing the operation of the speech recognition apparatus according to the fifth embodiment.
  • FIG. 10 is a block diagram showing a configuration of a recognized vocabulary selection unit according to Embodiment 6. It is a figure which shows an example of the information of the HW information database which concerns on Embodiment 6.
  • FIG. 10 is a flowchart showing the operation of the speech recognition apparatus according to the fourth embodiment.
  • FIG. 10 is a block diagram illustrating a configuration of a recognized vocabulary selection unit according to Embodiment 5. It is a figure which shows an example of the information of the HW information database which concerns on Embodiment 6.
  • FIG. 14 is a flowchart showing the operation of the speech recognition apparatus according to the sixth embodiment. It is a block diagram which shows the hardware constitutions of the navigation apparatus which concerns on another modification. It is a block diagram which shows the hardware constitutions of the navigation apparatus which concerns on another modification. It is a block diagram which shows the structure of the server which concerns on another modification. It is a block diagram which shows the structure of the communication terminal which concerns on another modification.
  • FIG. 1 is a block diagram showing a configuration of a speech recognition apparatus 1 according to Embodiment 1 of the present invention.
  • the speech recognition apparatus 1 in FIG. 1 includes a speech recognition unit 11 and a recognition vocabulary selection unit 12.
  • the voice recognition unit 11 recognizes the input voice. For example, the speech recognition unit 11 sequentially converts the input speech into an analog speech signal and a digital speech signal, and recognizes a character string and a phrase corresponding to the digital speech signal based on the digital speech signal. Get as. Note that, using the technique described in Japanese Patent Laid-Open No. 9-50291, the speech recognition unit 11 recognizes a vocabulary recognized based on a vocabulary recognized by speech recognition, that is, a vocabulary most likely to be acoustically and linguistically generated by the user. May be selected as a recognition result. The voice recognition unit 11 may appropriately use dictionary data stored in the recognition dictionary database 11a when performing this recognition. Dictionary data is data including a character string acquired as a recognition result.
  • the recognition vocabulary selection unit 12 When the recognition vocabulary selection unit 12 obtains a recognition result including the main vocabulary, which is a predetermined vocabulary, by the recognition of the speech recognition unit 11, the recognition vocabulary selection unit 12 associates with the main vocabulary in advance. A plurality of candidate vocabularies are acquired, and a priority is acquired for each candidate vocabulary. Each of the plurality of candidate vocabularies is a vocabulary including the associated main vocabulary.
  • the recognition vocabulary selection unit 12 selects one or more candidate vocabulary from a plurality of candidate vocabulary as one or more recognition vocabulary based on the acquired priority.
  • ⁇ Summary of Embodiment 1> when a recognition result including the main vocabulary is obtained, a plurality of candidate vocabularies are acquired, and a priority is acquired for each candidate vocabulary. Based on the acquired priority, one or more candidate vocabularies are selected from a plurality of candidate vocabularies as one or more recognition vocabularies. According to such a configuration, a plurality of candidate vocabularies can be narrowed down to vocabulary intended by the user based on the priority. Therefore, the recognition accuracy of the speech recognition apparatus 1 can be improved, and the confusion of the user that has occurred when many vocabularies are notified to the user can be suppressed.
  • FIG. 2 is a block diagram showing a configuration of the recognition vocabulary selection unit 12 included in the speech recognition apparatus 1 according to Embodiment 2 of the present invention.
  • the same or similar constituent elements as those in the first embodiment are denoted by the same reference numerals, and different constituent elements will be mainly described.
  • the recognition vocabulary selection unit 12 included in the speech recognition apparatus 1 of FIG. 2 includes a display vocabulary database 12a, a result comparison unit 12b, a priority database 12c, a priority calculation unit 12d, a determination information database 12e, and a recognition vocabulary update. Part 12f.
  • FIG. 3 is a diagram showing an example of information stored in the display vocabulary database 12a.
  • the display vocabulary database 12a includes a main vocabulary such as “BP” and a plurality of display vocabularies such as “BP”, “BP (fuel station)”, and “BP (diesel)”. The associated information is stored.
  • the main vocabulary includes, for example, the same place name given to a plurality of different places, the same name given to a plurality of facilities, the same abbreviation given to a plurality of different formal names, and names similar to these. Etc. apply.
  • the display vocabulary corresponds to the candidate vocabulary described in the first embodiment.
  • the plurality of display vocabularies include the main vocabulary itself and a vocabulary obtained by combining the main vocabulary with an attached vocabulary that combines the main vocabulary and details the main vocabulary.
  • parentheses are appropriately added and postfix information that is an attached vocabulary following the main vocabulary is used.
  • the recognition result is input from the speech recognition unit 11 to the result comparison unit 12b in FIG.
  • the result comparison unit 12b acquires a plurality of display vocabulary associated with the main vocabulary from the display vocabulary database 12a.
  • the recognition result is the main body vocabulary “BP” itself.
  • the result comparison unit 12b acquires display vocabularies “BP”, “BP (fuel station)”, and “BP (diesel)” associated with the main vocabulary “BP”.
  • the result comparison unit 12b acquires the display vocabulary "BP", "BP (fuel station)", and "BP (diesel)" associated with the main vocabulary "BP" included in the "BP station”. To do.
  • the first example and the second example are the same.
  • the result comparison unit 12b acquires a degree of coincidence that is the degree to which each display vocabulary matches the recognition result based on the recognition result of the speech recognition unit 11 and a plurality of display vocabularies.
  • the degree of coincidence is divided into three stages of the first degree, the second degree, and the third degree.
  • the first degree means that the displayed vocabulary completely matches the recognition result.
  • the second degree means that in the display vocabulary that combines the main body vocabulary and the postfix information, the main body vocabulary matches part of the recognition result, and part of the postfix information matches the rest of the recognition result.
  • the third degree means that in the display vocabulary that combines the body vocabulary and the postscript information, the body vocabulary matches a part of the recognition result, but the postfix information does not partially match the rest of the recognition result. To do.
  • the result comparison unit 12b acquires the first degree for the display vocabulary “BP”, and obtains “BP (fuel station)” and “BP ( The third degree is obtained for the display vocabulary “diesel)”.
  • the result comparison unit 12b acquires the first degree for the display vocabulary “BP” and the second for the display vocabulary “BP (fuel station)”. The degree is obtained, and the third degree is obtained for the display vocabulary “BP (diesel)”.
  • FIG. 4 is a diagram illustrating an example of information stored in the priority database 12c.
  • the priority database 12c associates the degree of matching with the priority. Specifically, high priority, medium priority, and low priority are associated with the first degree, the second degree, and the third degree, respectively.
  • the priority calculation unit 12d is input to the priority calculation unit 12d in FIG. 2 from the result comparison unit 12b, the recognition result of the speech recognition unit 11, a plurality of display vocabularies, and the matching degree of the plurality of display vocabularies.
  • the priority calculating unit 12d acquires the priority of each display vocabulary from the priority database 12c based on the input matching degree of each display vocabulary.
  • the recognition vocabulary selection unit 12 uses the recognition result and each display vocabulary to set the degree of coincidence, which is the degree to which each display vocabulary matches the recognition result, as the priority of each display vocabulary. Get as.
  • FIG. 5 is a diagram illustrating an example of information stored in the determination information database 12e. As shown in FIG. 5, in the determination information database 12e, a priority is associated with a determination rule as to whether to determine as a recognized vocabulary, that is, whether to select as a recognized vocabulary.
  • the recognition result of the speech recognition unit 11, a plurality of display vocabularies, and priorities of the plurality of display vocabularies are input from the priority calculation unit 12d.
  • the recognized vocabulary update unit 12f selects one or more display vocabulary from the plurality of display vocabularies as one or more recognized vocabulary according to the determination rule of the determination information database 12e.
  • the selected recognition vocabulary is displayed on, for example, a display device (not shown), or is output as voice by a voice output device (not shown).
  • the recognized vocabulary update unit 12f can exclude a plurality of display vocabularies other than the one or more recognized vocabulary words in any of the subsequent selections. It has become.
  • the recognition vocabulary update unit 12f according to the second embodiment selects one or more recognition vocabularies, the recognition vocabulary update unit 12f continuously stores the one or more recognition vocabularies in the display vocabulary database 12a. A plurality of display vocabularies other than the above recognized vocabulary are deleted from the display vocabulary database 12a. In this case, the recognized vocabulary update unit 12f can exclude a plurality of display vocabularies other than the selected one or more recognized vocabularies in the next selection.
  • the recognized vocabulary update unit 12f is not limited to this.
  • the recognized vocabulary update unit 12f may not immediately delete the display vocabulary that has not been selected once as the recognized vocabulary from the display vocabulary database 12a. Then, the recognized vocabulary update unit 12f may delete from the display vocabulary database 12a the display vocabulary that has not been continuously selected a plurality of times that is predetermined as the recognized vocabulary. In this case, the recognized vocabulary update unit 12f can exclude a plurality of display vocabularies other than the selected one or more recognized vocabularies in the selection after the next selection.
  • FIG. 6 is a flowchart showing the operation of the speech recognition apparatus 1 according to the second embodiment.
  • step S1 the speech recognition unit 11 recognizes the input speech and outputs the recognition result to the result comparison unit 12b of the recognition vocabulary selection unit 12.
  • step S2 the result comparison unit 12b refers to the display vocabulary database 12a, and acquires a plurality of display vocabularies and the degree of coincidence of the plurality of display vocabularies based on the recognition result from the speech recognition unit 11. To do. Then, the result comparison unit 12b outputs the recognition result of the voice recognition unit 11, the plurality of display vocabularies, and the degree of coincidence of the plurality of display vocabularies to the priority calculation unit 12d.
  • step S3 the priority calculation unit 12d acquires the priority of each display vocabulary based on the matching degree of each display vocabulary from the result comparison unit 12b while referring to the priority database 12c. Then, the priority calculation unit 12d outputs the recognition result of the speech recognition unit 11, the plurality of display vocabularies, and the respective priorities of the plurality of display vocabularies to the recognition vocabulary update unit 12f.
  • step S4 the recognized vocabulary update unit 12f selects and selects one or more recognized vocabulary from a plurality of display vocabularies based on the priority from the priority calculation unit 12d while referring to the determination information database 12e.
  • the recognized vocabulary is output to a display device (not shown).
  • the recognized vocabulary update unit 12f deletes a plurality of display vocabularies other than the selected one or more recognized vocabularies from the display vocabulary database 12a. Thereafter, the operation of FIG. 6 ends.
  • FIG 7 and 8 are diagrams showing the operation results of the first example and the second example described above.
  • the plurality of display vocabularies include the main vocabulary itself and a vocabulary obtained by combining the main vocabulary with the postfix information combined with the main vocabulary to make the main vocabulary detailed.
  • the body vocabulary “BP” is selected as the display vocabulary in both the first example and the second example.
  • the main body vocabulary can be selected as the display vocabulary regardless of the content of the recognition result.
  • the speech recognition apparatus 1 when one or more recognition vocabulary is selected, the speech recognition apparatus 1 according to the second embodiment excludes a plurality of display vocabularies other than the one or more recognition vocabulary in any selection after the next selection. It is possible. According to such a configuration, it is possible to reduce processing for selecting a recognized vocabulary from a plurality of display vocabularies in any selection after the next selection. Therefore, the processing load of the speech recognition apparatus 1 can be reduced.
  • the speech recognition apparatus 1 acquires the matching degree of each display vocabulary as the priority of each display vocabulary. According to such a configuration, it is possible to narrow the display vocabulary corresponding to the vocabulary intended by the user by speaking. Therefore, the recognition accuracy of the speech recognition apparatus 1 can be increased, and user confusion can be suppressed.
  • the degree of coincidence and the priority are divided into three stages.
  • the present invention is not limited to this, and the degree of coincidence and priority may be divided into two stages or may be divided into four or more stages.
  • FIG. 9 is a block diagram showing a configuration of the recognition vocabulary selection unit 12 included in the speech recognition apparatus 1 according to Embodiment 3 of the present invention.
  • constituent elements described in the third embodiment constituent elements that are the same as or similar to those in the second embodiment are denoted by the same reference numerals, and different constituent elements are mainly described.
  • the voice recognition device 1 in FIG. 9 according to the third embodiment is used in a vehicle. 9 includes a vehicle information database 12g and a display vocabulary update unit 12h, in addition to the block configuration (FIG. 2) of the recognition vocabulary selection unit 12 according to the second embodiment.
  • the recognition vocabulary selection unit 12 configured in this way selects one or more recognition vocabularies from the plurality of display vocabularies based on the vehicle information that is information of the vehicle and the priority of the plurality of display vocabularies. This will be described in detail below.
  • FIG. 10 is a diagram showing an example of information stored in the display vocabulary database 12a.
  • the information shown in FIG. 3 described in the second embodiment and the domain are associated with each other.
  • the domain is a kind of vehicle information, and for the domain, for example, information related to vehicle specifications is used.
  • the result comparison unit 12b in FIG. 9 obtains a plurality of display vocabulary previously associated with the main vocabulary and the domains of the plurality of display vocabularies. Obtained from the display vocabulary database 12a. In addition, the result comparison unit 12b also acquires the matching degree of each display vocabulary as in the second embodiment.
  • FIG. 11 is a diagram showing an example of information stored in the vehicle information database 12g.
  • a domain and any one of valid and invalid regarding the display vocabulary are associated with each other.
  • the information shown in FIG. 11 may be set in advance by the user or the like, or may be automatically changed by the voice recognition device 1 or the like based on the travel history of the vehicle. For example, when it is recorded as the travel history that the number of times the vehicle has stopped at the gas oil filling station is larger than the number of times the vehicle has stopped at the gasoline filling station, the voice recognition device 1 displays “ The “valid” in “fuel station” may be changed to “invalid”, and the “invalid” in “diesel” in FIG. 11 may be changed to “valid”.
  • the display vocabulary update unit 12h in FIG. 9 includes, from the result comparison unit 12b, a recognition result of the speech recognition unit 11, a plurality of display vocabularies, a degree of coincidence between the plurality of display vocabularies, a domain of the plurality of display vocabularies Is entered.
  • the display vocabulary update unit 12h updates the display vocabulary to be output to the priority calculation unit 12d based on the input domain and the information in the vehicle information database 12g.
  • the display vocabulary update unit 12h displays the display vocabulary “BP” and “BP (fuel station)” having “fuel station” associated with “valid” in the information of FIG.
  • the recognition result of the voice recognition unit 11 are output to the priority calculation unit 12d.
  • the display vocabulary update unit 12h outputs the display vocabulary “BP (diesel)” whose domain is “diesel” associated with “invalid” in the information of FIG. 11 and its matching degree to the priority calculation unit 12d. do not do.
  • the configurations of the priority database 12c, the priority calculation unit 12d, the determination information database 12e, and the recognized vocabulary update unit 12f are the same as those in the second embodiment.
  • FIG. 12 is a flowchart showing the operation of the speech recognition apparatus 1 according to the third embodiment.
  • step S 11 as in step S 1 of FIG. 6, the speech recognition unit 11 recognizes the input speech and outputs the recognition result to the result comparison unit 12 b of the recognition vocabulary selection unit 12.
  • the result comparison unit 12b refers to the display vocabulary database 12a, and based on the recognition result from the speech recognition unit 11, a plurality of display vocabularies, the degree of coincidence of the plurality of display vocabularies, Get each domain of the displayed vocabulary. Then, the result comparison unit 12b outputs the recognition result of the speech recognition unit 11, the plurality of display vocabularies, and the degree of matching and the domain of each of the plurality of display vocabularies to the display vocabulary update unit 12h.
  • step S13 the display vocabulary update unit 12h outputs the recognition result of the voice recognition unit 11 to the priority calculation unit 12d. Also, the display vocabulary update unit 12h determines, based on the domain from the result comparison unit 12b, the display vocabulary in which the domain is associated with “valid” in the vehicle information database 12g and the matching degree of the display vocabulary. It outputs to the calculation part 12d.
  • the display vocabulary associated with the domain “valid” may be one or plural.
  • step S14 as in step S3 of FIG. 6, the priority calculation unit 12d refers to the priority database 12c, and based on the matching degree of each display vocabulary from the display vocabulary update unit 12h, Get the priority. Then, the priority calculation unit 12d outputs the recognition result of the speech recognition unit 11, the display vocabulary, and the priority of the display vocabulary to the recognition vocabulary update unit 12f.
  • step S15 as in step S4 of FIG. 6, the recognized vocabulary update unit 12f selects a recognized vocabulary from the display vocabulary based on the priority from the priority calculation unit 12d while referring to the determination information database 12e.
  • the selected recognition vocabulary is output to a display device (not shown).
  • the recognized vocabulary update unit 12f deletes display vocabulary other than the selected recognized vocabulary from the display vocabulary database 12a. Thereafter, the operation of FIG. 12 ends.
  • one or more recognition vocabularies are selected from the plurality of display vocabularies based on the vehicle information and the priorities of the plurality of display vocabularies. According to such a configuration, the recognition accuracy of the speech recognition apparatus 1 can be further increased, and user confusion can be further suppressed.
  • the recognized vocabulary selection unit 12 does not change the priority based on the vehicle information.
  • the present invention is not limited to this, and the recognized vocabulary selection unit 12 may change the priority based on the vehicle information.
  • the recognition vocabulary selection unit 12 may change the priority of the display vocabulary whose domain is “diesel” to “low” in step S13, and maintain the priority of the display vocabulary as it is in step S14. . In this case, the same effect as described above can be obtained.
  • FIG. 13 is a block diagram showing a configuration of the recognition vocabulary selection unit 12 included in the speech recognition apparatus 1 according to Embodiment 4 of the present invention.
  • constituent elements described in the fourth embodiment constituent elements that are the same as or similar to those in the second embodiment are denoted by the same reference numerals, and different constituent elements are mainly described.
  • the recognition vocabulary selection unit 12 configured in this way selects one or more recognition vocabularies from the plurality of display vocabularies based on the hierarchy defined in advance for the plurality of display vocabularies and the priority of the plurality of display vocabularies. It is configured as follows. This will be described in detail below.
  • FIG. 14 is a diagram showing an example of information stored in the display vocabulary database 12a.
  • the information of FIG. 3 described in the second embodiment and the hierarchy of the display vocabulary are associated with each other.
  • the higher the number assigned to the hierarchy, the lower the hierarchy, and the vocabulary including the concept of the lower display vocabulary is used for the display vocabulary of the upper hierarchy.
  • the result comparison unit 12b in FIG. 13 displays a plurality of display vocabulary previously associated with the main vocabulary and the respective levels of the plurality of display vocabularies. Obtained from the display vocabulary database 12a. In addition, the result comparison unit 12b also acquires the matching degree of each display vocabulary as in the second embodiment.
  • FIG. 15 is a diagram showing an example of information stored in the hierarchical information database 12i. As shown in FIG. 15, in the hierarchy information database 12i, the hierarchy and any one of valid and invalid regarding the display vocabulary are associated with each other. Note that the information shown in FIG. 15 may be set in advance by a user or the like, or may be automatically changed by the voice recognition device 1 or the like.
  • the hierarchy reference update unit 12j in FIG. 13 includes a result comparison unit 12b, a recognition result of the speech recognition unit 11, a plurality of display vocabularies, a degree of coincidence between the plurality of display vocabularies, and a hierarchy of the plurality of display vocabularies. Is entered.
  • the hierarchy reference update unit 12j updates the display vocabulary to be output to the priority calculation unit 12d based on the input hierarchy and the information in the hierarchy information database 12i.
  • the hierarchy reference update unit 12j displays the display vocabulary “BP” having “1” associated with “valid” in the information of FIG. Is output to the priority calculation unit 12d.
  • the hierarchy reference update unit 12j displays the display vocabulary “BP (fuel station)” and “BP (diesel)” and their matching with “2” associated with “invalid” in the information of FIG. The degree is not output to the priority calculation unit 12d.
  • the configurations of the priority database 12c, the priority calculation unit 12d, the determination information database 12e, and the recognized vocabulary update unit 12f are the same as those in the second embodiment.
  • FIG. 16 is a flowchart showing the operation of the speech recognition apparatus 1 according to the fourth embodiment.
  • step S21 as in step S1 of FIG. 6, the speech recognition unit 11 recognizes the input speech and outputs the recognition result to the result comparison unit 12b of the recognition vocabulary selection unit 12.
  • the result comparison unit 12b refers to the display vocabulary database 12a, and based on the recognition result from the speech recognition unit 11, the plurality of display vocabularies, the degree of coincidence of the plurality of display vocabularies, Get each hierarchy of display vocabulary. Then, the result comparison unit 12b outputs the recognition result of the speech recognition unit 11, the plurality of display vocabularies, and the degree of coincidence and the hierarchy of the plurality of display vocabularies to the layer reference update unit 12j.
  • the hierarchy reference update unit 12j outputs the recognition result of the voice recognition unit 11 to the priority calculation unit 12d. Further, the hierarchy reference updating unit 12j determines, based on the hierarchy from the result comparison unit 12b, the display vocabulary in which the hierarchy is associated with “valid” in the hierarchy information database 12i and the matching degree of the display vocabulary. It outputs to the calculation part 12d. Note that there may be one or more display vocabulary associated with a hierarchy of “valid”.
  • step S24 as in step S3 of FIG. 6, the priority calculation unit 12d refers to the priority database 12c, and based on the matching degree of each display vocabulary from the hierarchy reference update unit 12j, Get the priority. Then, the priority calculation unit 12d outputs the recognition result of the speech recognition unit 11, the display vocabulary, and the priority of the display vocabulary to the recognition vocabulary update unit 12f.
  • step S25 as in step S4 of FIG. 6, the recognized vocabulary update unit 12f selects a recognized vocabulary from the display vocabulary based on the priority from the priority calculation unit 12d while referring to the determination information database 12e.
  • the selected recognition vocabulary is output to a display device (not shown).
  • the recognized vocabulary update unit 12f deletes display vocabulary other than the selected recognized vocabulary from the display vocabulary database 12a. Thereafter, the operation of FIG. 16 ends.
  • ⁇ Summary of Embodiment 4> According to the speech recognition apparatus 1 according to the fourth embodiment as described above, at least one of the plurality of display vocabularies is selected based on the hierarchy defined in advance for the plurality of display vocabularies and the priority of the plurality of display vocabularies. Select a recognized vocabulary. According to such a configuration, the recognition accuracy of the speech recognition apparatus 1 can be further increased, and user confusion can be further suppressed.
  • the recognized vocabulary selection unit 12 does not change the priority based on the hierarchy.
  • the present invention is not limited to this, and the recognized vocabulary selection unit 12 may change the priority based on the hierarchy.
  • the recognition vocabulary selection unit 12 may change the priority of the display vocabulary having the hierarchy “2” to “low” in step S23, and maintain the priority of the display vocabulary as it is in step S24. . In this case, the same effect as described above can be obtained.
  • FIG. 17 is a block diagram showing the configuration of the speech recognition apparatus 1 according to Embodiment 5 of the present invention.
  • constituent elements described in the fifth embodiment constituent elements that are the same as or similar to those in the second embodiment are denoted by the same reference numerals, and different constituent elements are mainly described.
  • the recognition vocabulary selection unit 12 in FIG. 17 includes a SW (software) information database 12k and a SW restriction reference update unit 12m in addition to the block configuration (FIG. 2) of the recognition vocabulary selection unit 12 according to the second embodiment. .
  • the recognition vocabulary selection unit 12 configured in this way selects one or more recognition vocabulary from a plurality of display vocabularies based on software requirements in the system using the speech recognition apparatus 1 and the priority of the plurality of display vocabularies. Is configured to do. This will be described in detail below.
  • FIG. 18 is a diagram showing an example of information stored in the SW information database 12k.
  • the SW information database 12k stores the number of recognized vocabulary that can be displayed by the system as a software requirement in the system using the speech recognition apparatus 1. Note that the information shown in FIG. 18 may be set in advance by a user or the like, or may be automatically changed by the voice recognition device 1 or the like based on the requirements of the software.
  • the priority of the recognized vocabulary is the priority obtained for the display vocabulary that has become the recognized vocabulary.
  • the SW restriction reference updating unit 12m outputs it as it is.
  • the SW restriction reference updating unit 12m sets the priority of each recognized vocabulary. Lower by one. As a result, the SW restriction reference updating unit 12m can set the priority of some recognized vocabulary to “low”. After the priority is changed, the SW restriction reference update unit 12m performs the same operation as the recognition vocabulary update unit 12f using the information in the determination information database 12e, so that the priority is changed from the recognized vocabulary after the priority change to “ Select a recognition vocabulary that is “medium”. The SW restriction reference updating unit 12m selects recognition vocabulary that is less than or equal to the displayable number by appropriately changing the priority as described above.
  • FIG. 19 is a flowchart showing the operation of the speech recognition apparatus 1 according to the fifth embodiment. From Steps S31 to S33, operations similar to Steps S1 to S3 in FIG. 6 are performed.
  • step S34 the recognized vocabulary update unit 12f selects a recognized vocabulary from a plurality of display vocabularies based on the priority from the priority calculation unit 12d while referring to the determination information database 12e. Then, the recognized vocabulary update unit 12f outputs the selected recognized vocabulary and the priority of the recognized vocabulary to the SW restriction reference update unit 12m. The recognized vocabulary update unit 12f deletes display vocabulary other than the selected recognized vocabulary from the display vocabulary database 12a.
  • step S35 the SW restriction reference updating unit 12m selects and selects a recognition vocabulary having a displayable number or less based on the recognition vocabulary and priority from the recognition vocabulary update unit 12f while referring to the SW information database 12k.
  • the recognized vocabulary is output to a display device (not shown).
  • the SW restriction reference update unit 12m may delete the display vocabulary that has not been output from the display vocabulary database 12a by performing deletion similar to the deletion performed by the recognized vocabulary update unit 12f. Thereafter, the operation of FIG. 19 ends.
  • one of the plurality of display vocabularies is selected based on the software requirements in the system using the speech recognition device 1 and the priority of the plurality of display vocabularies. Select the above recognition vocabulary. According to such a configuration, it is possible to realize the speech recognition apparatus 1 that can automatically satisfy the requirements of the software.
  • FIG. 20 is a block diagram showing a configuration of speech recognition apparatus 1 according to Embodiment 6 of the present invention.
  • the same or similar constituent elements as those in the second embodiment are denoted by the same reference numerals, and different constituent elements will be mainly described.
  • the recognition vocabulary selection unit 12 of FIG. 20 includes an HW (hardware) information database 12n and an HW restriction reference update unit 12o in addition to the block configuration (FIG. 2) of the recognition vocabulary selection unit 12 according to the second embodiment.
  • HW hardware
  • HW restriction reference update unit 12o in addition to the block configuration (FIG. 2) of the recognition vocabulary selection unit 12 according to the second embodiment.
  • the recognition vocabulary selection unit 12 configured as described above selects one or more recognition vocabularies from a plurality of display vocabularies based on hardware requirements in the system using the speech recognition apparatus 1 and the priorities of the plurality of display vocabularies. Configured to select. This will be described in detail below.
  • FIG. 21 is a diagram showing an example of information stored in the HW information database 12n.
  • the number of display vocabularies that can be stored in the future by a memory (not shown) of the system is stored as a hardware requirement in the system using the speech recognition apparatus 1.
  • the information shown in FIG. 21 may be set in advance by a user or the like, or may be automatically changed by the voice recognition apparatus 1 or the like based on the hardware requirements.
  • the recognition vocabulary and the priority of the recognition vocabulary are input to the HW restriction reference update unit 12o from the recognition vocabulary update unit 12f.
  • the HW restriction reference update unit 12o When the number of recognized vocabulary input from the recognized vocabulary update unit 12f is equal to or less than the storable number stored in the HW information database 12n, the HW restriction reference update unit 12o outputs the same as it is.
  • the HW restriction reference updating unit 12o sets the priority of each recognized vocabulary. Lower by one. As a result, the HW restriction reference updating unit 12o can set the priority of some recognized vocabularies to “low”. After changing the priority, the HW restriction reference update unit 12o performs the same operation as the recognized vocabulary update unit 12f using the information in the determination information database 12e, so that the priority is changed from the recognized vocabulary after the priority change to “ Select a recognition vocabulary that is “medium”. The HW restriction reference update unit 12o selects recognition vocabulary that is less than or equal to the storable number by appropriately changing the priority as described above.
  • FIG. 22 is a flowchart showing the operation of the speech recognition apparatus 1 according to the sixth embodiment. From Steps S41 to S43, the same operation as Steps S1 to S3 in FIG. 6 is performed.
  • the recognized vocabulary update unit 12f selects a recognized vocabulary from a plurality of display vocabularies based on the priority from the priority calculation unit 12d while referring to the determination information database 12e. Then, the recognized vocabulary update unit 12f outputs the selected recognized vocabulary and the priority of the recognized vocabulary to the HW restriction reference update unit 12o. The recognized vocabulary update unit 12f deletes display vocabulary other than the selected recognized vocabulary from the display vocabulary database 12a.
  • the HW restriction reference updating unit 12o refers to the HW information database 12n, selects and selects recognition vocabulary less than the storable number based on the recognition vocabulary and priority from the recognition vocabulary update unit 12f.
  • the recognized vocabulary is output to a display device (not shown).
  • the HW restriction reference update unit 12o may delete the display vocabulary that has not been output from the display vocabulary database 12a by performing deletion similar to the deletion performed by the recognized vocabulary update unit 12f. Thereafter, the operation of FIG. 22 ends.
  • ⁇ Summary of Embodiment 6> According to the speech recognition apparatus 1 according to the sixth embodiment as described above, based on the hardware requirements in the system using the speech recognition apparatus 1 and the priorities of the plurality of display vocabularies, the plurality of display vocabularies are used. Select one or more recognition vocabularies. According to such a configuration, the speech recognition apparatus 1 that can automatically satisfy the hardware requirements can be realized.
  • the speech recognition unit 11 and the recognition vocabulary selection unit 12 in the speech recognition apparatus 1 described above are hereinafter referred to as “speech recognition unit 11 etc.”.
  • the voice recognition unit 11 and the like are realized by a processing circuit 81 shown in FIG. That is, the processing circuit 81 recognizes the input speech, and when the recognition result including the body vocabulary which is a predetermined vocabulary is obtained by the recognition of the speech recognition unit 11, respectively. Includes a main vocabulary, obtains a plurality of candidate vocabulary previously associated with the main vocabulary, obtains a priority for each candidate vocabulary, and based on the obtained priority, obtains one or more candidates from the plurality of candidate vocabularies A recognition vocabulary selection unit 12 that selects a vocabulary as one or more recognition vocabularies.
  • Dedicated hardware may be applied to the processing circuit 81, or a processor that executes a program stored in the memory may be applied.
  • the processor corresponds to, for example, a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a DSP (Digital Signal Processor) and the like.
  • the processing circuit 81 When the processing circuit 81 is dedicated hardware, the processing circuit 81 includes, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), an FPGA (Field Programmable Gate). Array) or a combination thereof.
  • Each function of each unit such as the speech recognition unit 11 may be realized by a circuit in which processing circuits are distributed, or the function of each unit may be realized by a single processing circuit.
  • the processing circuit 81 When the processing circuit 81 is a processor, the functions of the voice recognition unit 11 and the like are realized by a combination with software or the like.
  • the software or the like corresponds to, for example, software, firmware, or software and firmware.
  • Software or the like is described as a program and stored in a memory.
  • the processor 82 applied to the processing circuit 81 reads out and executes the program stored in the memory 83, thereby realizing the functions of the respective units. That is, when the speech recognition apparatus 1 is executed by the processing circuit 81, the step of recognizing the input speech and the recognition result including the main vocabulary which is a predetermined vocabulary are obtained by the recognition.
  • the memory 83 is, for example, non-volatile such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), EEPROM (Electrically Erasable Programmable Read Only Memory), etc.
  • all storage media such as volatile semiconductor memory, HDD (Hard Disk Drive), magnetic disk, flexible disk, optical disk, compact disk, mini disk, DVD (Digital Versatile Disk) and its drive device are applicable.
  • each function of the voice recognition unit 11 and the like is realized by either hardware or software.
  • the present invention is not limited to this, and a configuration in which a part of the voice recognition unit 11 or the like is realized by dedicated hardware and another part is realized by software or the like.
  • the function of the speech recognition unit 11 is realized by a processing circuit as dedicated hardware, and the processing circuit 81 as the processor 82 reads and executes the program stored in the memory 83 for the other functions.
  • a function can be realized.
  • the processing circuit 81 can realize the above functions by hardware, software, or the like, or a combination thereof.
  • the voice recognition device described above includes a navigation device such as PND (Portable Navigation Device), a communication terminal including a mobile terminal such as a mobile phone, a smartphone, and a tablet, a function of an application installed in these, a server Can be applied to a speech recognition system constructed as a system by appropriately combining the above.
  • a navigation device such as PND (Portable Navigation Device)
  • a communication terminal including a mobile terminal such as a mobile phone, a smartphone, and a tablet
  • a function of an application installed in these a server Can be applied to a speech recognition system constructed as a system by appropriately combining the above.
  • each function or each component of the speech recognition apparatus described above may be distributed and arranged in each device that constructs the system, or may be concentrated on any device. .
  • FIG. 25 is a block diagram showing a configuration of the server 51 according to this modification.
  • the server 51 of FIG. 25 includes a communication unit 51a, a voice recognition unit 51b, and a recognition vocabulary selection unit 51c, and can perform wireless communication with the navigation device 53 of the vehicle 52.
  • the communication unit 51a receives the voice data acquired by the navigation device 53 by performing wireless communication with the navigation device 53.
  • the speech recognition unit 51b and the recognition vocabulary selection unit 51c are configured such that the processor (not shown) of the server 51 executes a program stored in a storage device (not shown) of the server 51, so that the speech recognition unit 11 and the recognition vocabulary selection of FIG. It has the same function as the unit 12. That is, the voice recognition unit 51b recognizes the voice data of the communication unit 51a.
  • the recognition vocabulary selection unit 51c acquires a plurality of display vocabularies and priorities of the plurality of display vocabularies based on the recognition result of the speech recognition unit 51b, and selects the recognition vocabulary based on the priorities of the plurality of display vocabularies. To do. Then, the communication unit 51a transmits the recognized vocabulary selected by the recognized vocabulary selecting unit 51c to the navigation device 53.
  • the server 51 configured in this way, for example, even if the navigation device 53 has only a display function and a communication function with the server 51, it is the same as the voice recognition device 1 described in the first embodiment. The effect of can be obtained.
  • FIG. 26 is a block diagram showing the configuration of the communication terminal 56 according to this modification.
  • 26 includes a communication unit 56a, a speech recognition unit 56b, and a recognized vocabulary selection unit 56c similar to the communication unit 51a, the speech recognition unit 51b, and the recognized vocabulary selection unit 51c, and a navigation device 58 of the vehicle 57.
  • Wireless communication is possible.
  • the communication terminal 56 for example, a mobile terminal such as a mobile phone, a smartphone, and a tablet carried by the driver of the vehicle 57 is applied.
  • the communication terminal 56 configured in this way, for example, even if the navigation device 58 has only a display function and a communication function with the communication terminal 56, the voice recognition device 1 described in the first embodiment. The same effect can be obtained.
  • the present invention can be freely combined with each embodiment and each modification within the scope of the invention, or can be appropriately modified and omitted with each embodiment and each modification.
  • 1 speech recognition device 11 speech recognition unit, 12 recognition vocabulary selection unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Navigation (AREA)

Abstract

音声認識装置の認識精度を高めることが可能な技術を提供することを目的とする。音声認識装置は、入力された音声の認識を行う音声認識部と、音声認識部の認識によって、予め定められた語彙である本体語彙を含む認識結果が得られた場合に、それぞれが本体語彙を含み、本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各候補語彙について優先度を取得し、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する認識語彙選択部とを備える。

Description

音声認識装置及び音声認識方法
　本発明は、音声を認識する音声認識装置及び音声認識方法に関する。
　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の技術では、音声から求めた認識語彙（あるいは認識語彙の特徴量）と機能とを予め対応付けて記憶しておき、記憶された音声に対応する認識語彙と同一の発声が行われた場合に、当該音声と対応付けられた機能を実行する。
　一方で、一般的に、音声認識装置の認識結果を利用する装置は、音声認識装置の認識結果を用いて検索を行う場合には、認識結果が曖昧になってしまう場合がある。例えば、（ｉ）施設の検索であれば、「ＢＰ」という施設名は「ｆｕｅｌ　ｓｔａｔｉｏｎ」という施設カテゴリの「ＢＰ」なのか、「ｄｉｅｓｅｌ」という施設カテゴリの「ＢＰ」なのかが曖昧になってしまう場合がある。また例えば、（ｉｉ）地名の検索であれば、「Ｍｕｎｃｈｅｎ」という都市名は州「Ｂａｖａｒｉａ」の都市なのか、州「Ｈｕｔｔｈｕｒｍ」の都市なのかが曖昧である。この対策の一つとして、上記（ｉ）については、例えば、検索結果を「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」及び「ＢＰ（ｄｉｅｓｅｌ）」とし、上記（ｉｉ）については、例えば、検索結果を「Ｍｕｎｃｈｅｎ（Ｂａｖａｒｉａ）」及び「Ｍｕｎｃｈｅｎ（Ｈｕｔｔｈｕｒｍ）」とすることが挙げられる。つまり、ユーザに提示する検索結果に区別する情報を付与することが挙げられる。例えば特許文献２の技術では、この区別するための情報も含めて認識語彙とすることが可能となっている。
特開２００３－３２３１９２号公報 特許第４５５４２７２号公報
　しかしながら、特許文献１及び特許文献２の技術では、認識語彙の追加に偏ることになる。一般的には、認識語彙数の増加は音声認識装置の認識精度の低下の原因になる。このため、認識結果が、ユーザが意図する結果に絞り込まれていないという点で、音声認識装置の認識精度を向上させる余地があった。
　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、音声認識装置の認識精度を高めることが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、入力された音声の認識を行う音声認識部と、音声認識部の認識によって、予め定められた語彙である本体語彙を含む認識結果が得られた場合に、それぞれが本体語彙を含み、本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各候補語彙について優先度を取得し、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する認識語彙選択部とを備える。
　本発明によれば、認識によって、本体語彙を含む認識結果が得られた場合に、複数の候補語彙を取得し、かつ各候補語彙について優先度を取得し、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する。これにより、音声認識装置の認識精度を高めることができる。
　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に係る認識語彙選択部の構成を示すブロック図である。 実施の形態２に係る表示語彙データベースの情報の一例を示す図である。 実施の形態２に係る優先度データベースの情報の一例を示す図である。 実施の形態２に係る判定情報データベースの情報の一例を示す図である。 実施の形態２に係る音声認識装置の動作を示すフローチャートである。 実施の形態２に係る音声認識装置の第１例の動作結果を示す図である。 実施の形態２に係る音声認識装置の第２例の動作結果を示す図である。 実施の形態３に係る認識語彙選択部の構成を示すブロック図である。 実施の形態３に係る表示語彙データベースの情報の一例を示す図である。 実施の形態３に係る車両情報データベースの情報の一例を示す図である。 実施の形態３に係る音声認識装置の動作を示すフローチャートである。 実施の形態４に係る認識語彙選択部の構成を示すブロック図である。 実施の形態４に係る表示語彙データベースの情報の一例を示す図である。 実施の形態４に係る階層情報データベースの情報の一例を示す図である。 実施の形態４に係る音声認識装置の動作を示すフローチャートである。 実施の形態５に係る認識語彙選択部の構成を示すブロック図である。 実施の形態５に係るＳＷ情報データベースの情報の一例を示す図である。 実施の形態５に係る音声認識装置の動作を示すフローチャートである。 実施の形態６に係る認識語彙選択部の構成を示すブロック図である。 実施の形態６に係るＨＷ情報データベースの情報の一例を示す図である。 実施の形態６に係る音声認識装置の動作を示すフローチャートである。 その他の変形例に係るナビゲーション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ナビゲーション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、音声認識部１１と、認識語彙選択部１２とを備える。
　音声認識部１１は、入力された音声の認識を行う。例えば、音声認識部１１は、入力された音声をアナログの音声信号及びデジタルの音声信号に順に変換し、デジタルの音声信号に基づいて、デジタルの音声信号に対応する文字列及び語句などを認識結果として取得する。なお、特開平９－５０２９１号公報に記載の技術を用いて、音声認識部１１は、音声認識で認識した語彙、つまりユーザが発生した音響的・言語的に最も確からしい語彙に基づいて認識語彙などを認識結果として選出してもよい。音声認識部１１は、この認識を行う際に、認識辞書データベース１１ａに記憶された辞書データを適宜用いてもよい。辞書データは、認識結果として取得される文字列等を含むデータである。
　認識語彙選択部１２に予め定められた語彙である本体語彙を含む認識結果が、音声認識部１１の認識によって得られた場合に、認識語彙選択部１２は、当該本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各候補語彙について優先度を取得する。なお、複数の候補語彙のそれぞれは、対応付けられた本体語彙を含む語彙である。
　そして、認識語彙選択部１２は、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する。
　＜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、本体語彙を含む認識結果が得られた場合に、複数の候補語彙を取得し、かつ各候補語彙について優先度を取得し、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する。このような構成によれば、優先度に基づいて複数の候補語彙を、ユーザが意図していた語彙に絞り込むことができる。したがって、音声認識装置１の認識精度を高めることができ、かつ、多くの語彙がユーザに通知された場合に生じていたユーザの混乱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が備える認識語彙選択部１２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が備える認識語彙選択部１２は、表示語彙データベース１２ａと、結果比較部１２ｂと、優先度データベース１２ｃと、優先度算出部１２ｄと、判定情報データベース１２ｅと、認識語彙更新部１２ｆとを備える。
　図３は、表示語彙データベース１２ａに記憶された情報の一例を示す図である。図３に示すように、表示語彙データベース１２ａには、「ＢＰ」などの本体語彙と、「ＢＰ」、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」、「ＢＰ（ｄｉｅｓｅｌ）」などの複数の表示語彙とが互いに対応付けられた情報が記憶されている。
　本体語彙には、例えば、異なる複数の場所に付された同一の地名、複数の施設に付された同一の名称、異なる複数の正式名称に付された同一の略称、及び、これらに類似する名称などが適用される。
　表示語彙は、実施の形態１で説明した候補語彙に対応している。本実施の形態２では、複数の表示語彙は、本体語彙そのもの、及び、本体語彙と組み合わさり当該本体語彙を詳細にする付属語彙と当該本体語彙とを組み合わせた語彙を含んでいる。図３の例では、括弧を適宜付されて、本体語彙の後に続く付属語彙である後置情報が用いられている。
　図２の結果比較部１２ｂには、音声認識部１１から認識結果が入力される。結果比較部１２ｂは、音声認識部１１の認識結果が本体語彙を含む場合に、当該本体語彙と予め対応付けられた複数の表示語彙を表示語彙データベース１２ａから取得する。
　ここで、表示語彙データベース１２ａに図３の情報が記憶されている場合について、２つの例を説明する。
　第１例として、認識結果が「ＢＰ」という本体語彙そのものであった例について説明する。このときには、結果比較部１２ｂは、「ＢＰ」という本体語彙に対応付けられた「ＢＰ」、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」、「ＢＰ（ｄｉｅｓｅｌ）」という表示語彙を取得する。
　第２例として、認識結果が「ＢＰ　ｓｔａｔｉｏｎ」であった例について説明する。このときには、結果比較部１２ｂは、「ＢＰ　ｓｔａｔｉｏｎ」に含まれる「ＢＰ」という本体語彙に対応付けられた「ＢＰ」、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」、「ＢＰ（ｄｉｅｓｅｌ）」という表示語彙を取得する。結果比較部１２ｂの結果としては、第１例も第２例も同じとなる。
　ところで、本実施の形態２に係る結果比較部１２ｂは、音声認識部１１の認識結果と複数の表示語彙とに基づいて、各表示語彙が認識結果と一致する度合である一致度を取得する。以下、一致度は、第１度合、第２度合及び第３度合という３段階に区分されているものとして説明する。このうち、第１度合は、表示語彙が認識結果と完全に一致することを意味する。第２度合は、本体語彙と後置情報とを組み合わせた表示語彙において、本体語彙が認識結果の一部と一致し、かつ、後置情報の一部が認識結果の残部と一致することを意味する。第３度合は、本体語彙と後置情報とを組み合わせた表示語彙において、本体語彙が認識結果の一部と一致するが、後置情報が認識結果の残部と部分的にも一致しないことを意味する。
　ここで、表示語彙データベース１２ａに図３の情報が記憶されている場合について、上述した第１例及び第２例を説明する。
　認識結果が「ＢＰ」という本体語彙そのものであった第１例では、結果比較部１２ｂは、「ＢＰ」という表示語彙については第１度合を取得し、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」及び「ＢＰ（ｄｉｅｓｅｌ）」という表示語彙については第３度合を取得する。
　認識結果が「ＢＰ　ｓｔａｔｉｏｎ」であった第２例では、結果比較部１２ｂは、「ＢＰ」という表示語彙については第１度合を取得し、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」という表示語彙については第２度合を取得し、「ＢＰ（ｄｉｅｓｅｌ）」という表示語彙については第３度合を取得する。
　図４は、優先度データベース１２ｃに記憶された情報の一例を示す図である。図４に示すように、優先度データベース１２ｃには一致度と優先度とが互いに対応付けられている。具体的には、第１度合、第２度合及び第３度合には、高、中、低の優先度がそれぞれ対応付けられている。
　図２の優先度算出部１２ｄには、結果比較部１２ｂから、音声認識部１１の認識結果と、複数の表示語彙と、当該複数の表示語彙の一致度とが入力される。優先度算出部１２ｄは、入力された各表示語彙の一致度に基づいて、各表示語彙の優先度を優先度データベース１２ｃから取得する。これにより、本実施の形態２に係る認識語彙選択部１２は、認識結果と各表示語彙とに基づいて、各表示語彙が認識結果と一致する度合である一致度を、各表示語彙の優先度として取得する。
　図５は、判定情報データベース１２ｅに記憶された情報の一例を示す図である。図５に示すように、判定情報データベース１２ｅには、優先度と、認識語彙として判定するか否か、つまり認識語彙として選択するか否かについての判定規則とが互いに対応付けられている。
　図２の認識語彙更新部１２ｆには、優先度算出部１２ｄから、音声認識部１１の認識結果と、複数の表示語彙と、当該複数の表示語彙の優先度とが入力される。認識語彙更新部１２ｆは、入力された優先度に基づき、判定情報データベース１２ｅの判定規則に従って、複数の表示語彙から１以上の表示語彙を１以上の認識語彙として選択する。選択された認識語彙は、例えば図示しない表示装置で表示されたり、図示しない音声出力装置で音声出力されたりする。
　加えて、認識語彙更新部１２ｆは、１以上の認識語彙を選択した場合に、当該１以上の認識語彙以外の複数の表示語彙を、次の選択以降のいずれかの選択において除外することが可能となっている。その一例として、本実施の形態２に係る認識語彙更新部１２ｆは、１以上の認識語彙を選択した場合に、当該１以上の認識語彙を表示語彙データベース１２ａで継続して記憶させるとともに、当該１以上の認識語彙以外の複数の表示語彙を表示語彙データベース１２ａから削除する。この場合、認識語彙更新部１２ｆは、選択された１以上の認識語彙以外の複数の表示語彙を、次の選択において除外することが可能となる。
　ただし、認識語彙更新部１２ｆはこれに限ったものではない。例えば、認識語彙更新部１２ｆは、認識語彙として１回選択されなかった表示語彙を、表示語彙データベース１２ａからすぐに削除しなくてもよい。そして、認識語彙更新部１２ｆは、認識語彙として予め定められた複数回以上、連続して選択されなかった表示語彙を、表示語彙データベース１２ａから削除してもよい。この場合、認識語彙更新部１２ｆは、選択された１以上の認識語彙以外の複数の表示語彙を、次の選択よりも後の選択において除外することが可能となる。
　＜動作＞
　図６は、本実施の形態２に係る音声認識装置１の動作を示すフローチャートである。
　まずステップＳ１にて、音声認識部１１は、入力された音声の認識を行い、認識結果を認識語彙選択部１２の結果比較部１２ｂに出力する。
　ステップＳ２にて、結果比較部１２ｂは、表示語彙データベース１２ａを参照しつつ、音声認識部１１からの認識結果に基づいて、複数の表示語彙と、複数の表示語彙のそれぞれの一致度とを取得する。そして、結果比較部１２ｂは、音声認識部１１の認識結果と、複数の表示語彙と、複数の表示語彙のそれぞれの一致度とを優先度算出部１２ｄに出力する。
　ステップＳ３にて、優先度算出部１２ｄは、優先度データベース１２ｃを参照しつつ、結果比較部１２ｂからの各表示語彙の一致度に基づいて、各表示語彙の優先度を取得する。そして、優先度算出部１２ｄは、音声認識部１１の認識結果と、複数の表示語彙と、複数の表示語彙のそれぞれの優先度とを認識語彙更新部１２ｆに出力する。
　ステップＳ４にて、認識語彙更新部１２ｆは、判定情報データベース１２ｅを参照しつつ、優先度算出部１２ｄからの優先度に基づいて、複数の表示語彙から１以上の認識語彙を選択し、選択された認識語彙を図示しない表示装置などに出力する。また、認識語彙更新部１２ｆは、選択された１以上の認識語彙以外の複数の表示語彙を表示語彙データベース１２ａから削除する。その後、図６の動作が終了する。
　図７及び図８は、上述した第１例及び第２例の動作結果を示す図である。
　図７に示すように、音声認識部１１の認識結果が「ＢＰ」という本体語彙そのものであった第１例では、上述した表示語彙のうち、「ＢＰ」は認識語彙として選択されるが、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」及び「ＢＰ（ｄｉｅｓｅｌ）」は認識語彙として選択されない。このため、「ＢＰ」は表示語彙データベース１２ａで継続して記憶されるが、「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」及び「ＢＰ（ｄｉｅｓｅｌ）」は表示語彙データベース１２ａから削除される。
　一方、図８に示すように、音声認識部１１の認識結果が「ＢＰ　ｓｔａｔｉｏｎ」であった第２例では、上述した表示語彙のうち、「ＢＰ」及び「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」は認識語彙として選択されるが、「ＢＰ（ｄｉｅｓｅｌ）」は認識語彙として選択されない。このため、「ＢＰ」及び「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」は表示語彙データベース１２ａで継続して記憶されるが、「ＢＰ（ｄｉｅｓｅｌ）」は表示語彙データベース１２ａから削除される。
　＜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、実施の形態１と同様に、優先度に基づいて、複数の表示語彙から１以上の表示語彙を１以上の認識語彙として選択する。このため、実施の形態１と同様に、音声認識装置１の認識精度を高めることができ、かつ、ユーザの混乱を抑制することができる。
　また本実施の形態２では、複数の表示語彙は、本体語彙そのもの、及び、本体語彙と組み合わさり当該本体語彙を詳細にする後置情報と当該本体語彙とを組み合わせた語彙を含む。このような構成によれば、図７及び図８に示すように、第１例及び第２例のいずれにおいても「ＢＰ」という本体語彙が表示語彙として選択される。このように、音声認識部１１の認識結果が本体語彙を含む限りにおいて、認識結果の内容に関わらず、本体語彙を表示語彙として選択することができる。
　また本実施の形態２に係る音声認識装置１は、１以上の認識語彙を選択した場合に、当該１以上の認識語彙以外の複数の表示語彙を、次の選択以降のいずれかの選択において除外可能となっている。このような構成によれば、次の選択以降のいずれかの選択において複数の表示語彙から認識語彙を選択する処理を軽減することができる。したがって、音声認識装置１の処理負荷を軽減することができる。
　また本実施の形態２に係る音声認識装置１は、各表示語彙の一致度を、各表示語彙の優先度として取得する。このような構成によれば、ユーザが発声によって意図していた語彙に対応する表示語彙に絞り込むことができる。したがって、音声認識装置１の認識精度を高めることができ、かつ、ユーザの混乱を抑制することができる。
　なお、上述した実施の形態２では、一致度及び優先度は３段階で区分されていた。しかしこれに限ったものではなく、一致度及び優先度は２段階で区分されてもよく、４段階以上で区分されてもよい。
　＜実施の形態３＞
　図９は、本発明の実施の形態３に係る音声認識装置１が備える認識語彙選択部１２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。
　本実施の形態３に係る図９の音声認識装置１は車両にて用いられる。そして、図９の認識語彙選択部１２は、実施の形態２に係る認識語彙選択部１２のブロック構成（図２）に加えて、車両情報データベース１２ｇと、表示語彙更新部１２ｈとを備える。このように構成された認識語彙選択部１２は、当該車両の情報である車両情報と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択する。以下、このことについて詳細に説明する。
　図１０は、表示語彙データベース１２ａに記憶された情報の一例を示す図である。図１０に示すように、本実施の形態３に係る表示語彙データベース１２ａでは、実施の形態２で説明した図３の情報と、ドメインとが互いに対応付けられている。ここで、ドメインは、車両情報の一種であり、ドメインには、例えば車両の仕様に関する情報などが用いられる。
　図９の結果比較部１２ｂは、音声認識部１１の認識結果が本体語彙を含む場合に、当該本体語彙と予め対応付けられた複数の表示語彙と、当該複数の表示語彙のそれぞれのドメインとを表示語彙データベース１２ａから取得する。また、結果比較部１２ｂは、実施の形態２と同様に各表示語彙の一致度も取得する。
　図１１は、車両情報データベース１２ｇに記憶された情報の一例を示す図である。図１１に示すように、車両情報データベース１２ｇには、ドメインと、表示語彙に関する有効及び無効のいずれか１つとが互いに対応付けられている。なお、図１１に示される情報は、ユーザなどによって予め設定されてもよいし、音声認識装置１などによって車両の走行履歴に基づき自動的に変更されてもよい。例えば、車両がガソリンの給油所に立ち寄った回数よりも軽油の給油所に立ち寄った回数の方が多いことが、走行履歴として記録されている場合には、音声認識装置１が、図１１の「ｆｕｅｌ　ｓｔａｔｉｏｎ」の「有効」を「無効」に変更し、かつ、図１１の「ｄｉｅｓｅｌ」の「無効」を「有効」に変更してもよい。
　図９の表示語彙更新部１２ｈには、結果比較部１２ｂから、音声認識部１１の認識結果と、複数の表示語彙と、当該複数の表示語彙の一致度と、当該複数の表示語彙のドメインとが入力される。表示語彙更新部１２ｈは、入力されたドメインと、車両情報データベース１２ｇの情報とに基づいて、優先度算出部１２ｄに出力すべき表示語彙を更新する。
　例えば、結果比較部１２ｂから表示語彙更新部１２ｈに図１０の表示語彙及びドメインが入力され、かつ、車両情報データベース１２ｇに図１１の情報が記憶されている場合を想定する。この場合、表示語彙更新部１２ｈは、図１１の情報において「有効」と対応付けられた「ｆｕｅｌ　ｓｔａｔｉｏｎ」をドメインとする「ＢＰ」及び「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」という表示語彙及びそれらの一致度と、音声認識部１１の認識結果とを優先度算出部１２ｄに出力する。一方、表示語彙更新部１２ｈは、図１１の情報において「無効」と対応付けられた「ｄｉｅｓｅｌ」をドメインとする「ＢＰ（ｄｉｅｓｅｌ）」という表示語彙及びその一致度を優先度算出部１２ｄに出力しない。
　優先度データベース１２ｃ、優先度算出部１２ｄ、判定情報データベース１２ｅ及び、認識語彙更新部１２ｆの構成は、実施の形態２におけるそれらの構成と同様である。
　＜動作＞
　図１２は、本実施の形態３に係る音声認識装置１の動作を示すフローチャートである。ステップＳ１１にて図６のステップＳ１と同様に、音声認識部１１は、入力された音声の認識を行い、認識結果を認識語彙選択部１２の結果比較部１２ｂに出力する。
　ステップＳ１２にて、結果比較部１２ｂは、表示語彙データベース１２ａを参照しつつ、音声認識部１１からの認識結果に基づいて、複数の表示語彙と、複数の表示語彙のそれぞれの一致度と、複数の表示語彙のそれぞれのドメインとを取得する。そして、結果比較部１２ｂは、音声認識部１１の認識結果と、複数の表示語彙と、当該複数の表示語彙のそれぞれの一致度及びドメインとを表示語彙更新部１２ｈに出力する。
　ステップＳ１３にて、表示語彙更新部１２ｈは、音声認識部１１の認識結果を優先度算出部１２ｄに出力する。また、表示語彙更新部１２ｈは、結果比較部１２ｂからのドメインに基づいて、車両情報データベース１２ｇで当該ドメインが「有効」と対応付けられた表示語彙と、当該表示語彙の一致度とを優先度算出部１２ｄに出力する。なお、ドメインが「有効」と対応付けられた表示語彙は１つの場合もあるし、複数の場合もある。
　ステップＳ１４にて図６のステップＳ３と同様に、優先度算出部１２ｄは、優先度データベース１２ｃを参照しつつ、表示語彙更新部１２ｈからの各表示語彙の一致度に基づいて、各表示語彙の優先度を取得する。そして、優先度算出部１２ｄは、音声認識部１１の認識結果と、表示語彙と、表示語彙の優先度とを認識語彙更新部１２ｆに出力する。
　ステップＳ１５にて図６のステップＳ４と同様に、認識語彙更新部１２ｆは、判定情報データベース１２ｅを参照しつつ、優先度算出部１２ｄからの優先度に基づいて、表示語彙から認識語彙を選択し、選択された認識語彙を図示しない表示装置などに出力する。また、認識語彙更新部１２ｆは、選択された認識語彙以外の表示語彙を表示語彙データベース１２ａから削除する。その後、図１２の動作が終了する。
　＜実施の形態３のまとめ＞
　以上のような本実施の形態３に係る音声認識装置１によれば、車両情報と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択する。このような構成によれば、音声認識装置１の認識精度をより高めることができ、かつ、ユーザの混乱をより抑制することができる。
　なお、上述した実施の形態３では、認識語彙選択部１２は、車両情報に基づいて優先度を変更しなかった。しかしこれに限ったものではなく、認識語彙選択部１２は、車両情報に基づいて、優先度を変更してもよい。例えば、認識語彙選択部１２は、ステップＳ１３で、ドメインが「ｄｉｅｓｅｌ」である表示語彙の優先度を「低」に変更し、ステップＳ１４で、当該表示語彙の優先度をそのまま維持してもよい。この場合も、上述と同様の効果を得ることができる。
　＜実施の形態４＞
　図１３は、本発明の実施の形態４に係る音声認識装置１が備える認識語彙選択部１２の構成を示すブロック図である。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１３の認識語彙選択部１２は、実施の形態２に係る認識語彙選択部１２のブロック構成（図２）に加えて、階層情報データベース１２ｉと、階層参照更新部１２ｊとを備える。このように構成された認識語彙選択部１２は、複数の表示語彙に予め規定された階層と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択するように構成されている。以下、このことについて詳細に説明する。
　図１４は、表示語彙データベース１２ａに記憶された情報の一例を示す図である。図１４に示すように、本実施の形態４に係る表示語彙データベース１２ａでは、実施の形態２で説明した図３の情報と、表示語彙の階層とが互いに対応付けられている。この例では、階層に付された番号が大きいほど階層が下位であり、下位の表示語彙の概念を包含する語彙が、上位の階層の表示語彙に用いられている。
　図１３の結果比較部１２ｂは、音声認識部１１の認識結果が本体語彙を含む場合に、当該本体語彙と予め対応付けられた複数の表示語彙と、当該複数の表示語彙のそれぞれの階層とを表示語彙データベース１２ａから取得する。また、結果比較部１２ｂは、実施の形態２と同様に各表示語彙の一致度も取得する。
　図１５は、階層情報データベース１２ｉに記憶された情報の一例を示す図である。図１５に示すように、階層情報データベース１２ｉには、階層と、表示語彙に関する有効及び無効のいずれか１つとが互いに対応付けられている。なお、図１５に示される情報は、ユーザなどによって予め設定されてもよいし、音声認識装置１などによって自動的に変更されてもよい。
　図１３の階層参照更新部１２ｊには、結果比較部１２ｂから、音声認識部１１の認識結果と、複数の表示語彙と、当該複数の表示語彙の一致度と、当該複数の表示語彙の階層とが入力される。階層参照更新部１２ｊは、入力された階層と、階層情報データベース１２ｉの情報とに基づいて、優先度算出部１２ｄに出力すべき表示語彙を更新する。
　例えば、結果比較部１２ｂから階層参照更新部１２ｊに図１４の表示語彙及び階層が入力され、かつ、階層情報データベース１２ｉに図１５の情報が記憶されている場合を想定する。この場合、階層参照更新部１２ｊは、図１５の情報において「有効」と対応付けられた「１」を階層とする「ＢＰ」という表示語彙及びその一致度と、音声認識部１１の認識結果とを優先度算出部１２ｄに出力する。一方、階層参照更新部１２ｊは、図１５の情報において「無効」と対応付けられた「２」を階層とする「ＢＰ（ｆｕｅｌ　ｓｔａｔｉｏｎ）」及び「ＢＰ（ｄｉｅｓｅｌ）」という表示語彙及びそれらの一致度を優先度算出部１２ｄに出力しない。
　優先度データベース１２ｃ、優先度算出部１２ｄ、判定情報データベース１２ｅ及び、認識語彙更新部１２ｆの構成は、実施の形態２におけるそれらの構成と同様である。
　＜動作＞
　図１６は、本実施の形態４に係る音声認識装置１の動作を示すフローチャートである。ステップＳ２１にて図６のステップＳ１と同様に、音声認識部１１は、入力された音声の認識を行い、認識結果を認識語彙選択部１２の結果比較部１２ｂに出力する。
　ステップＳ２２にて、結果比較部１２ｂは、表示語彙データベース１２ａを参照しつつ、音声認識部１１からの認識結果に基づいて、複数の表示語彙と、複数の表示語彙のそれぞれの一致度と、複数の表示語彙のそれぞれの階層とを取得する。そして、結果比較部１２ｂは、音声認識部１１の認識結果と、複数の表示語彙と、複数の表示語彙のそれぞれの一致度及び階層とを階層参照更新部１２ｊに出力する。
　ステップＳ２３にて、階層参照更新部１２ｊは、音声認識部１１の認識結果を優先度算出部１２ｄに出力する。また、階層参照更新部１２ｊは、結果比較部１２ｂからの階層に基づいて、階層情報データベース１２ｉで当該階層が「有効」と対応付けられた表示語彙と、当該表示語彙の一致度とを優先度算出部１２ｄに出力する。なお、階層が「有効」と対応付けられた表示語彙は１つの場合もあるし、複数の場合もある。
　ステップＳ２４にて図６のステップＳ３と同様に、優先度算出部１２ｄは、優先度データベース１２ｃを参照しつつ、階層参照更新部１２ｊからの各表示語彙の一致度に基づいて、各表示語彙の優先度を取得する。そして、優先度算出部１２ｄは、音声認識部１１の認識結果と、表示語彙と、表示語彙の優先度とを認識語彙更新部１２ｆに出力する。
　ステップＳ２５にて図６のステップＳ４と同様に、認識語彙更新部１２ｆは、判定情報データベース１２ｅを参照しつつ、優先度算出部１２ｄからの優先度に基づいて、表示語彙から認識語彙を選択し、選択された認識語彙を図示しない表示装置などに出力する。また、認識語彙更新部１２ｆは、選択された認識語彙以外の表示語彙を表示語彙データベース１２ａから削除する。その後、図１６の動作が終了する。
　＜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、複数の表示語彙に予め規定された階層と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択する。このような構成によれば、音声認識装置１の認識精度をより高めることができ、かつ、ユーザの混乱をより抑制することができる。
　なお、上述した実施の形態４では、認識語彙選択部１２は、階層に基づいて優先度を変更しなかった。しかしこれに限ったものではなく、認識語彙選択部１２は、階層に基づいて、優先度を変更してもよい。例えば、認識語彙選択部１２は、ステップＳ２３で、階層が「２」である表示語彙の優先度を「低」に変更し、ステップＳ２４で、当該表示語彙の優先度をそのまま維持してもよい。この場合も、上述と同様の効果を得ることができる。
　＜実施の形態５＞
　図１７は、本発明の実施の形態５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５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１７の認識語彙選択部１２は、実施の形態２に係る認識語彙選択部１２のブロック構成（図２）に加えて、ＳＷ（ソフトウェア）情報データベース１２ｋと、ＳＷ制限参照更新部１２ｍとを備える。このように構成された認識語彙選択部１２は、音声認識装置１を用いるシステムにおけるソフトウェアの要件と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択するように構成されている。以下、このことについて詳細に説明する。
　図１８は、ＳＷ情報データベース１２ｋに記憶された情報の一例を示す図である。図１８に示すように、ＳＷ情報データベース１２ｋには、音声認識装置１を用いるシステムにおけるソフトウェアの要件として、当該システムが表示可能な認識語彙の数が記憶されている。なお、図１８に示される情報は、ユーザなどによって予め設定されてもよいし、音声認識装置１などによって上記ソフトウェアの要件に基づき自動的に変更されてもよい。
　図１７のＳＷ制限参照更新部１２ｍには、認識語彙更新部１２ｆから認識語彙と、当該認識語彙の優先度とが入力される。ここで認識語彙の優先度とは、認識語彙となった表示語彙について得られていた優先度である。ＳＷ制限参照更新部１２ｍは、認識語彙更新部１２ｆから入力された認識語彙の数が、ＳＷ情報データベース１２ｋに記憶された表示可能数以下である場合には、そのまま出力する。
　一方、ＳＷ制限参照更新部１２ｍは、認識語彙更新部１２ｆから入力された認識語彙の数が、ＳＷ情報データベース１２ｋに記憶された表示可能数を超える場合には、認識語彙のそれぞれの優先度を１つ低くする。この結果、ＳＷ制限参照更新部１２ｍは、いくつかの認識語彙の優先度を「低」にすることができる。ＳＷ制限参照更新部１２ｍは、優先度を変更した後に、判定情報データベース１２ｅの情報を用いて認識語彙更新部１２ｆと同様の動作を行うことにより、優先度変更後の認識語彙から優先度が「中」である認識語彙を選択する。ＳＷ制限参照更新部１２ｍは、以上のような優先度の変更を適宜行うことにより、表示可能数以下の認識語彙を選択する。
　＜動作＞
　図１９は、本実施の形態５に係る音声認識装置１の動作を示すフローチャートである。ステップＳ３１～Ｓ３３まで、図６のステップＳ１～Ｓ３と同様の動作が行われる。
　ステップＳ３４にて、認識語彙更新部１２ｆは、判定情報データベース１２ｅを参照しつつ、優先度算出部１２ｄからの優先度に基づいて、複数の表示語彙から認識語彙を選択する。そして、認識語彙更新部１２ｆは、選択された認識語彙と、当該認識語彙の優先度とをＳＷ制限参照更新部１２ｍに出力する。また、認識語彙更新部１２ｆは、選択された認識語彙以外の表示語彙を表示語彙データベース１２ａから削除する。
　ステップＳ３５にて、ＳＷ制限参照更新部１２ｍは、ＳＷ情報データベース１２ｋを参照しつつ、認識語彙更新部１２ｆからの認識語彙及び優先度に基づいて、表示可能数以下の認識語彙を選択し、選択された認識語彙を図示しない表示装置などに出力する。この際、ＳＷ制限参照更新部１２ｍは、認識語彙更新部１２ｆが行う削除と同様の削除を行うことによって、出力されなかった表示語彙を表示語彙データベース１２ａから削除してもよい。その後、図１９の動作が終了する。
　＜実施の形態５のまとめ＞
　以上のような本実施の形態５に係る音声認識装置１によれば、音声認識装置１を用いるシステムにおけるソフトウェアの要件と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択する。このような構成によれば、上記ソフトウェアの要件を自動的に満たすことが可能な音声認識装置１を実現することができる。
　＜実施の形態６＞
　図２０は、本発明の実施の形態６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６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２０の認識語彙選択部１２は、実施の形態２に係る認識語彙選択部１２のブロック構成（図２）に加えて、ＨＷ（ハードウェア）情報データベース１２ｎと、ＨＷ制限参照更新部１２ｏとを備える。このように構成された認識語彙選択部１２は、音声認識装置１を用いるシステムにおけるハードウェアの要件と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択するように構成されている。以下、このことについて詳細に説明する。
　図２１は、ＨＷ情報データベース１２ｎに記憶された情報の一例を示す図である。図２１に示すように、ＨＷ情報データベース１２ｎには、音声認識装置１を用いるシステムにおけるハードウェアの要件として、当該システムの図示しないメモリが将来記憶可能な表示語彙の数が記憶されている。なお、図２１に示される情報は、ユーザなどによって予め設定されてもよいし、音声認識装置１などによって上記ハードウェアの要件に基づき自動的に変更されてもよい。
　図２０のＨＷ制限参照更新部１２ｏには、認識語彙更新部１２ｆから認識語彙と、当該認識語彙の優先度とが入力される。ＨＷ制限参照更新部１２ｏは、認識語彙更新部１２ｆから入力された認識語彙の数が、ＨＷ情報データベース１２ｎに記憶された記憶可能数以下である場合には、そのまま出力する。
　一方、ＨＷ制限参照更新部１２ｏは、認識語彙更新部１２ｆから入力された認識語彙の数が、ＨＷ情報データベース１２ｎに記憶された記憶可能数を超える場合には、認識語彙のそれぞれの優先度を１つ低くする。この結果、ＨＷ制限参照更新部１２ｏは、いくつかの認識語彙の優先度を「低」にすることができる。ＨＷ制限参照更新部１２ｏは、優先度を変更した後に、判定情報データベース１２ｅの情報を用いて認識語彙更新部１２ｆと同様の動作を行うことにより、優先度変更後の認識語彙から優先度が「中」である認識語彙を選択する。ＨＷ制限参照更新部１２ｏは、以上のような優先度の変更を適宜行うことにより、記憶可能数以下の認識語彙を選択する。
　＜動作＞
　図２２は、本実施の形態６に係る音声認識装置１の動作を示すフローチャートである。ステップＳ４１～Ｓ４３まで、図６のステップＳ１～Ｓ３と同様の動作が行われる。
　ステップＳ４４にて、認識語彙更新部１２ｆは、判定情報データベース１２ｅを参照しつつ、優先度算出部１２ｄからの優先度に基づいて、複数の表示語彙から認識語彙を選択する。そして、認識語彙更新部１２ｆは、選択された認識語彙と、当該認識語彙の優先度とをＨＷ制限参照更新部１２ｏに出力する。また、認識語彙更新部１２ｆは、選択された認識語彙以外の表示語彙を表示語彙データベース１２ａから削除する。
　ステップＳ４５にて、ＨＷ制限参照更新部１２ｏは、ＨＷ情報データベース１２ｎを参照しつつ、認識語彙更新部１２ｆからの認識語彙及び優先度に基づいて、記憶可能数以下の認識語彙を選択し、選択された認識語彙を図示しない表示装置などに出力する。この際、ＨＷ制限参照更新部１２ｏは、認識語彙更新部１２ｆが行う削除と同様の削除を行うことによって、出力されなかった表示語彙を表示語彙データベース１２ａから削除してもよい。その後、図２２の動作が終了する。
　＜実施の形態６のまとめ＞
　以上のような本実施の形態６に係る音声認識装置１によれば、音声認識装置１を用いるシステムにおけるハードウェアの要件と、複数の表示語彙の優先度とに基づいて、複数の表示語彙から１以上の認識語彙を選択する。このような構成によれば、上記ハードウェアの要件を自動的に満たすことが可能な音声認識装置１を実現することができる。
　＜その他の変形例＞
　上述した音声認識装置１における音声認識部１１及び認識語彙選択部１２を、以下「音声認識部１１等」と記す。音声認識部１１等は、図２３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、入力された音声の認識を行う音声認識部１１と、音声認識部１１の認識によって、予め定められた語彙である本体語彙を含む認識結果が得られた場合に、それぞれが本体語彙を含み、本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各候補語彙について優先度を取得し、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する認識語彙選択部１２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。音声認識部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、音声認識部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２４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、入力された音声を認識するステップと、認識によって、予め定められた語彙である本体語彙を含む認識結果が得られた場合に、それぞれが本体語彙を含み、本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各候補語彙について優先度を取得し、取得した優先度に基づいて、複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択するステップと、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、音声認識部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、あらゆる記憶媒体が該当する。
　以上、音声認識部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、音声認識部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、音声認識部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２５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２５のサーバ５１は、通信部５１ａと、音声認識部５１ｂと、認識語彙選択部５１ｃ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。
　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で取得された音声データを受信する。
　音声認識部５１ｂ及び認識語彙選択部５１ｃ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の音声認識部１１及び認識語彙選択部１２と同様の機能を有している。つまり、音声認識部５１ｂは、通信部５１ａの音声データを認識する。認識語彙選択部５１ｃは、音声認識部５１ｂの認識結果に基づいて、複数の表示語彙、及び、複数の表示語彙の優先度を取得し、複数の表示語彙の優先度に基づいて認識語彙を選択する。そして、通信部５１ａは、認識語彙選択部５１ｃで選択された認識語彙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、例えば、ナビゲーション装置５３が、表示機能と、サーバ５１との通信機能としか有さなくても、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２６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２６の通信端末５６は、通信部５１ａ、音声認識部５１ｂ及び認識語彙選択部５１ｃと同様の通信部５６ａ、音声認識部５６ｂ及び認識語彙選択部５６ｃ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、例えば、ナビゲーション装置５８が、表示機能と、通信端末５６との通信機能としか有さなくても、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　音声認識部、１２　認識語彙選択部。

Claims (9)

  1. 　入力された音声の認識を行う音声認識部と、
    　前記音声認識部の前記認識によって、予め定められた語彙である本体語彙を含む認識結果が得られた場合に、それぞれが前記本体語彙を含み、前記本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各前記候補語彙について優先度を取得し、前記取得した優先度に基づいて、前記複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する認識語彙選択部と
    を備える、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、
    　前記複数の候補語彙は、
    　前記本体語彙そのもの、及び、前記本体語彙と組み合わさり当該本体語彙を詳細にする付属語彙と当該本体語彙とを組み合わせた語彙を含む、音声認識装置。
  3. 　請求項１に記載の音声認識装置であって、
    　前記認識語彙選択部は、
    　前記１以上の認識語彙を選択した場合に、当該１以上の認識語彙以外の前記複数の候補語彙を、次の選択以降のいずれかの選択において除外可能である、音声認識装置。
  4. 　請求項１に記載の音声認識装置であって、
    　前記認識語彙選択部は、
    　前記認識結果と各前記候補語彙とに基づいて、各前記候補語彙が前記認識結果と一致する度合である一致度を、前記各候補語彙の前記優先度として取得する、音声認識装置。
  5. 　請求項１に記載の音声認識装置であって、
    　前記音声認識装置は車両にて用いられ、
    　前記認識語彙選択部は、
    　前記車両の情報と、前記複数の候補語彙の前記優先度とに基づいて、前記１以上の認識語彙を選択する、音声認識装置。
  6. 　請求項１に記載の音声認識装置であって、
    　前記認識語彙選択部は、
    　前記複数の候補語彙に予め規定された階層と、前記複数の候補語彙の前記優先度とに基づいて、前記１以上の認識語彙を選択する、音声認識装置。
  7. 　請求項１に記載の音声認識装置であって、
    　前記認識語彙選択部は、
    　前記音声認識装置を用いるシステムにおけるソフトウェアの要件と、前記複数の候補語彙の前記優先度とに基づいて、前記１以上の認識語彙を選択する、音声認識装置。
  8. 　請求項１に記載の音声認識装置であって、
    　前記音声認識装置を用いるシステムにおけるハードウェアの要件と、前記複数の候補語彙の前記優先度とに基づいて、前記１以上の認識語彙を選択する、音声認識装置。
  9. 　入力された音声を認識し、
    　前記認識によって、予め定められた語彙である本体語彙を含む認識結果が得られた場合に、それぞれが前記本体語彙を含み、前記本体語彙と予め対応付けられた複数の候補語彙を取得し、かつ各前記候補語彙について優先度を取得し、前記取得した優先度に基づいて、前記複数の候補語彙から１以上の候補語彙を１以上の認識語彙として選択する、音声認識方法。
PCT/JP2016/085689 2016-12-01 2016-12-01 音声認識装置及び音声認識方法 WO2018100705A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/085689 WO2018100705A1 (ja) 2016-12-01 2016-12-01 音声認識装置及び音声認識方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/085689 WO2018100705A1 (ja) 2016-12-01 2016-12-01 音声認識装置及び音声認識方法

Publications (1)

Publication Number Publication Date
WO2018100705A1 true WO2018100705A1 (ja) 2018-06-07

Family

ID=62242804

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/085689 WO2018100705A1 (ja) 2016-12-01 2016-12-01 音声認識装置及び音声認識方法

Country Status (1)

Country Link
WO (1) WO2018100705A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071791A (ja) * 2004-08-31 2006-03-16 Fuji Heavy Ind Ltd 車両の音声認識装置
JP2007101892A (ja) * 2005-10-04 2007-04-19 Denso Corp 音声認識装置
JP2008134502A (ja) * 2006-11-29 2008-06-12 Nissan Motor Co Ltd 音声認識装置、および音声認識方法
JP2008134503A (ja) * 2006-11-29 2008-06-12 Nissan Motor Co Ltd 音声認識装置、および音声認識方法
JP2014142465A (ja) * 2013-01-23 2014-08-07 Canon Inc 音響モデル生成装置及び方法、並びに音声認識装置及び方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006071791A (ja) * 2004-08-31 2006-03-16 Fuji Heavy Ind Ltd 車両の音声認識装置
JP2007101892A (ja) * 2005-10-04 2007-04-19 Denso Corp 音声認識装置
JP2008134502A (ja) * 2006-11-29 2008-06-12 Nissan Motor Co Ltd 音声認識装置、および音声認識方法
JP2008134503A (ja) * 2006-11-29 2008-06-12 Nissan Motor Co Ltd 音声認識装置、および音声認識方法
JP2014142465A (ja) * 2013-01-23 2014-08-07 Canon Inc 音響モデル生成装置及び方法、並びに音声認識装置及び方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YONGGEE JANG ET AL.: "Speech interface on combination of search candidates from the common word parts", IEICE TECHNICAL REPORT, vol. 109, no. 355, 14 December 2009 (2009-12-14), pages 219 - 224 *

Similar Documents

Publication Publication Date Title
US9905228B2 (en) System and method of performing automatic speech recognition using local private data
US8412455B2 (en) Voice-controlled navigation device and method
US9805722B2 (en) Interactive speech recognition system
US8706505B1 (en) Voice application finding and user invoking applications related to a single entity
US20120290303A1 (en) Speech recognition system and method based on word-level candidate generation
US10514268B2 (en) Search system
JP2012230670A (ja) 戻ることによって誤認識を修正するシステム、方法及びコンピュータプログラム
US8306820B2 (en) Method for speech recognition using partitioned vocabulary
US20190115015A1 (en) Vehicular voice recognition system and method for controlling the same
JPWO2012160843A1 (ja) 情報機器
JP6896335B2 (ja) 音声認識装置および音声認識方法
US20140067400A1 (en) Phonetic information generating device, vehicle-mounted information device, and database generation method
WO2018100705A1 (ja) 音声認識装置及び音声認識方法
KR20120052591A (ko) 연속어 음성인식 시스템에서 오류수정 장치 및 방법
US9704479B2 (en) Speech recognition device
JP4926689B2 (ja) 施設検索装置
JP2003162293A (ja) 音声認識装置及び方法
US11107474B2 (en) Character input device, character input method, and character input program
JP6494879B2 (ja) 音声認識装置及び音声認識方法
JP2006349427A (ja) 車載音声認識装置
EP3292376B1 (en) Automatic data switching approach in onboard voice destination entry (vde) navigation solution
US10915565B2 (en) Retrieval result providing device and retrieval result providing method
JP5500647B2 (ja) 動的音声認識辞書の生成方法及びその生成装置
JP2017187559A (ja) 音声認識装置及びコンピュータプログラム
JPH11325946A (ja) 車載用ナビゲーション装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16922780

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16922780

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP