WO2010013369A1

WO2010013369A1 - 音声認識装置

Info

Publication number: WO2010013369A1
Application number: PCT/JP2009/001870
Authority: WO
Inventors: 井上譲; 竹裏尚嘉; 古本友紀
Original assignee: 三菱電機株式会社
Priority date: 2008-07-30
Filing date: 2009-04-23
Publication date: 2010-02-04
Also published as: JPWO2010013369A1; DE112009001779T5; CN102105929A; CN102105929B; DE112009001779B4; US8818816B2; US20110178804A1

Abstract

　発話されたボタン名の音声を入力して電気信号に変換する音声入力装置１１と、音声入力装置から電気信号として送られてくる音声信号に基づき音声認識処理を実行する音声認識処理部１２と、音声認識処理部で得られた認識結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出する候補ボタン検出部１３と、候補ボタン検出部で複数の候補ボタンが検出された場合に、該複数の候補ボタンの少なくとも１つが選択されている状態を表す画面を生成する表示制御部１５と、表示制御部で生成された画面を表示する表示装置１６を備えている。

Description

音声認識装置

　この発明は、例えばナビゲーション装置などの機器を音声で操作する音声認識装置に関し、特に手動操作と同様の手順を音声操作で行う技術に関する。

　機器の操作を音声で行う場合に、ユーザの発話が曖昧であると、操作内容を一意に決定できない。この問題を解決するために、従来、音声認識の結果として機器から提示される侯補の中からユーザが正しい候補を選択し、確定するという方法が一般に用いられている。しかしながら、この方法では手動操作には存在しない音声操作に独自の画面に遷移するため、ユーザにとって操作の手順が分かり難いという問題があった。

　このような発話の曖昧性に起因する問題を解決するために、特許文献１は、解釈結果の修正をユーザが音声で行うことができ、また、解釈結果の候補の選択をユーザが音声で行うことができる情報入出力装置を開示している。この情報入出力装置においては、入力解釈候補暫定出力部は入力装置から得た各解釈候補の中から利用者に候補を選択させるための暫定提示情報を生成する。タイマ部は暫定提示情報の出力により計時動作を開始し、所定時間経過後にタイマ信号を発生する。解釈情報選択・確定部は音声認識装置から候補選択のための音声情報が入力されたとき、または、タイマ部からタイマ信号が発せられたとき、各解釈候補の中から１つの候補を選択し、解釈情報として情報処理装置に与える。出力統合部は情報処理装置からの出力情報と入力解釈候補集合暫定出力部からの暫定提示情報とを統合し、これを利用者への出力情報として出力装置に与える。

特開平１０－９１３０９号公報

　しかしながら、上述した特許文献１に開示された技術では、正しい音声コマンドが分からないためにユーザの発話内容が曖昧になっているのであって、これをユーザが音声で修正することは困難であるという問題がある。

　この発明は、上述した問題を解消するためになされたものであり、その課題は、手動操作と音声操作とを同一の手順で行うことができる音声認識装置を提供することにある。

　上記課題を解決するために、この発明に係る音声認識装置は、発話されたボタン名の音声を入力して電気信号に変換する音声入力装置と、音声入力装置から電気信号として送られてくる音声信号に基づき音声認識処理を実行する音声認識処理部と、音声認識処理部で得られた認識結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出する候補ボタン検出部と、候補ボタン検出部で複数の候補ボタンが検出された場合に、該複数の候補ボタンの少なくとも１つが選択されている状態を表す画面を生成する表示制御部と、表示制御部で生成された画面を表示する表示装置を備えている。

　この発明に係る音声認識装置によれば、音声認識の結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出し、複数の候補ボタンが検出された場合に、該複数の候補ボタンの少なくとも１つが選択されている状態を画面に表示してユーザが押下できるように構成したので、ユーザの発話が曖昧であっても、音声操作を手動操作と同一の手順で行うことができる。

この発明の実施の形態１に係る音声認識装置の構成を示すブロック図である。この発明の実施の形態１に係る音声認識装置の動作を、音声を認識してから認識結果をユーザに提示するまでの音声操作処理を中心に示すフローチャートである。この発明の実施の形態１に係る音声認識装置において単数の候補ボタンが検出された場合の動作を説明するための図である。この発明の実施の形態１に係る音声認識装置において複数の候補ボタンが検出された場合の動作を説明するための図である。この発明の実施の形態１に係る音声認識装置の動作を、操作未完了時に追加操作から操作完了までの音声操作処理を中心に示すフローチャートである。この発明の実施の形態１に係る音声認識装置の動作を、操作未完了時にボタン名以外を発話して操作完了させる音声操作処理を中心に示すフローチャートである。この発明の実施の形態２に係る音声認識装置の構成を示すブロック図である。この発明の実施の形態２に係る音声認識装置の動作を、音声を認識してから認識結果をユーザに提示するまでの音声操作処理を中心に示すフローチャートである。

　以下、この発明をより詳細に説明するために、この発明を実施するための形態について添付の図面に従って説明する。
実施の形態１．
　図１は、この発明の実施の形態１に係る音声認識装置の構成を示すブロック図である。この音声認識装置は、音声入力装置１１、音声認識処理部１２、候補ボタン検出部１３、手動操作装置１４、表示制御部１５、表示装置１６、各種機能実行部１７、応答音声生成部１８および音声出力装置１９を備えている。

　音声入力装置１１は、例えばマイクロフォンから構成されており、ユーザが発話した音声を電気信号に変換し、音声信号として音声認識処理部１２に送る。

　音声認識処理部１２は、音声入力装置１１から送られてくる音声信号に基づき音声認識処理を実行する。音声認識処理は、入力された音声信号から発話の区間を検出する音声区間検出処理、音声区間検出処理で検出された音声信号を音響パラメータに変換する音響分析処理、音響分析処理で得られた音声の最小単位に基づき最尤度の音素候補を選び出して識別する確率演算処理、および、確率演算処理で得られた音素と単語などを記憶した辞書とを比較して認識結果を決定する照合処理を含む。

　音響分析処理においては、例えばＬＰＣ（Linear Predictor Coefficient）メルケプストラムまたはＭＦＣＣ（Mel-Frequency Cepstrum Coefficient）などを利用して、入力された音声信号が特徴ベクトル系列に変換され、音声スペクトルの概形（スペクトル包絡）が推定される。確率演算処理においては、例えばＨＭＭ（Hidden Markov Model）などを利用して、入力された音声に基づき音響分析処理で抽出された音響パラメータを用いて音声信号の音素記号化が行われ、予め用意されている標準音素モデルと比較して最尤度の音素侯補が選び出される。照合処理では、音素候補を辞書と比較することにより、尤度の高い単語が選択される。上述した処理によって音声認識処理部１２において得られた認識結果は、候補ボタン検出部１３および表示制御部１５に送られる。

　候補ボタン検出部１３は、音声認識処理部１２で得られた認識結果と、表示制御部１５から取得した全てのボタンの名称（以下、「ボタン名」という）、つまり、この音声認識装置で用意されている全ての画面に存在する全てのボタンのボタン名とを比較し、認識結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出する。例えば、認識結果が“ＹＹＹ”であって、ボタン名として“ＸＸＸＸＸＸ”、“ＹＹＹＡＢＣ”、“ＹＹＹＤＥＦ”および“ＺＺＺＺＺＺ”が用意されている場合は、“ＹＹＹ”が部分一致する“ＹＹＹＡＢＣ”および“ＹＹＹＤＥＦ”といったボタン名を有する２つのボタンが侯補ボタンとして検出される。ここで、認識結果とボタン名とが部分一致するのは、音声操作が曖昧な場合である。

　なお、認識結果とボタン名とが完全一致するのは、正確な音声操作が行われた場合であり、候補ボタン検出部１３は、完全一致した旨を表示制御部１５および各種機能実行部１７に通知する（図１では通知の経路を省略している）。この場合、手動操作装置１４によってボタンが押下された場合と同様の動作が行われる。この候補ボタン検出部１３で検出された候補ボタンを表す情報は、候補ボタンデータとして表示制御部１５、各種機能実行部１７および応答音声生成部１８に送られる。

　手動操作装置１４は、例えば、ユーザが表示装置１６の画面に表示されたボタンを押下するために使用される。この手動操作装置１４は、音声認識装置の前面パネルに設けられた操作ボタン、この操作ボタンと同等の信号を発生するリモートコントローラ（リモコン）、表示装置１６の画面上に載置されたタッチパネル、または、これらの組合せによって構成できる。この手動操作装置１４を操作することによって発生された操作ボタンデータは、表示制御部１５および各種機能実行部１７に送られる。

　表示制御部１５は、候補ボタン検出部１３から送られてきた候補ボタンデータまたは手動操作装置１４から送られてきた操作ボタンデータに基づき、画像を表示装置１６の画面に表示するための画面データを生成し、該表示装置１６に送る。また、表示制御部１５は、各種機能実行部１７から送られてくる表示データに基づき、処理結果を表示装置１６の画面に表示するための画面データを生成し、表示装置１６に送る。なお、表示制御部１５は、上述したように、この音声認識装置で用意されている全ての画面に存在する全てのボタンのボタン名を記憶しており、候補ボタン検出部１３によって読み出される。

　この表示制御部１５は、ボタン制御部１５ａおよび画面遷移部１５ｂを備えている。ボタン制御部１５ａは、画面上のボタンの表示形態を変更する。例えば、ボタン制御部１５ａは、画面上の候補ボタンの色または輝度を変化させ、または、該候補ボタンを点滅させ、または、候補ボタンの大きさまたは形状を変化させることにより強調表示する処理を実行する。この強調表示により、画面上の選択されているボタンをユーザに知らせることができるので、次の操作へ誘導し易くなる。

　画面遷移部１５ｂは、候補ボタン検出部１３から送られてくる候補ボタンデータが１つの候補ボタンが検出されたことを示している場合は、その候補ボタンが押下された場合と同等の画面、つまり押下された候補ボタンに割り当てられている機能を実行するための画面に遷移させる処理を実行する。

　また、画面遷移部１５ｂは、候補ボタン検出部１３から送られてくる候補ボタンデータが複数の候補ボタンが検出されたことを示しており、これらの候補ボタンが表示中の画面内に存在する場合は、複数の候補ボタンの少なくとも１つが選択されている状態を表す画面に遷移させ、表示中の画面内に存在しない場合は、候補ボタンが存在する画面に遷移させる処理を実行する。この画面遷移部１５ｂによって遷移された後の画面を表す画面データは、表示装置１６に送られる。

　表示装置１６は、例えばＬＣＤ（Liquid Crystal Display）から構成されており、表示制御部１５から送られてくる画面データに基づき、画像を表示する。

　各種機能実行部１７は、候補ボタン検出部１３から送られてきた候補ボタンデータによって示される候補ボタンに割り当てられている機能、または、手動操作装置１４から送られてくる操作ボタンデータによって示される操作ボタンに割り当てられている機能を実現するための処理を実行する。この各種機能実行部１７において実現される機能には、例えば、ＨＦＴ（Hands Free Telephone）またはＡＶ（Audio Visual）などを実現する機能が含まれる。また、各種機能実行部１７は、機能を実現する処理が終了すると、その旨をユーザに知らせるためのメッセージデータを生成し、応答音声生成部１８に送るとともに、処理結果を表す表示データを生成し、表示制御部１５に送る。

　応答音声生成部１８は、候補ボタン検出部１３から候補ボタンデータが送られてきた場合に、その候補ボタンデータによって示される候補ボタンのボタン名を読み上げるための音声信号を生成するとともに、各種機能実行部１７から送られてくるメッセージデータに応じた音声信号を生成する。この応答音声生成部１８で生成された音声信号は、音声出力装置１９に送られる。

　音声出力装置１９は、例えばスピーカから構成されており、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これら応答音声生成部１８および音声出力装置１９により、画面上の選択されているボタンをユーザに知らせることができるので、次の操作へ誘導し易くなる。

　次に、上記のように構成される、この発明の実施の形態１に係る音声認識装置の動作を説明する。まず、音声を認識してから認識結果をユーザに提示するまでの音声操作処理を中心に、図２に示すフローチャートを参照しながら説明する。

　この音声操作処理においては、まず、音声が入力される（ステップＳＴ１１）。すなわち、音声入力装置１１は、ユーザが発話した音声を電気信号に変換し、音声信号として音声認識処理部１２に送る。次いで、音声認識が行われる（ステップＳＴ１２）。すなわち、音声認識処理部１２は、音声入力装置１１から送られてくる音声信号に基づき音声認識処理を実行し、認識結果を候補ボタン検出部１３に送る。

　次いで、候補ボタンが検出される（ステップＳＴ１３）。すなわち、候補ボタン検出部１３は、音声認識処理部１２から送られてくる認識結果と、表示制御部１５から取得した全ての画面に存在する全てのボタン名とを比較し、認識結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出する。この候補ボタン検出部１３で検出された候補ボタンを表す候補ボタンデータは、表示制御部１５、各種機能実行部１７および応答音声生成部１８に送られる。なお、このステップＳＴ１３において、候補ボタンが１つも検出されなかった場合は、図示は省略するが、音声操作処理は終了する。

　次いで、候補ボタン数が「１」より多いかどうかが調べられる（ステップＳＴ１４）。すなわち、表示制御部１５は、候補ボタン検出部１３から送られてくる候補ボタンデータによって示される候補ボタンの数が「１」より多いかどうかを調べる。

　このステップＳＴ１４において、候補ボタン数が「１」より多くない、つまり候補ボタン数が単数であることが判断されると、次いで、画面遷移が行われる（ステップＳＴ１５）。すなわち、表示制御部１５の画面遷移部１５ｂは、候補ボタンが押下された場合と同等の画面へ遷移させる。これにより、例えば、図３に示すように、メニュー画面にボタン名“ＸＸＸＸＸＸ”、“ＹＹＹＡＢＣ”、“ＺＺＺＤＥＦ”および“ＺＺＺＺＺＺ”が表示されている状態でユーザが“ＹＹＹ”と発話し、候補ボタンとして“ＹＹＹＡＢＣ”のみが検出された場合は、ＹＹＹＡＢＣ機能画面に遷移する。

　この際、応答音声生成部１８は、候補ボタン検出部１３から送られてきた候補ボタンデータによって示される候補ボタンのボタン名を読み上げてユーザに確認させるための音声信号を生成し、音声出力装置１９に送る。音声出力装置１９は、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これにより、音声出力装置１９から“ＹＹＹＡＢＣ”という確認音声がオウム返しに出力される。

　次いで、各種機能が実行される（ステップＳＴ１６）。すなわち、各種機能実行部１７は、候補ボタン検出部１３から送られてきた候補ボタンデータによって示される候補ボタンに割り当てられている機能を実現するための処理を実行する。そして、処理が終了した場合は、操作完了通知を表すメッセージデータを生成し、応答音声生成部１８に送るとともに、処理結果を表す表示データを生成し、表示制御部１５に送る。表示制御部１５は、各種機能実行部１７から送られてくる表示データに基づき画面データを生成し、表示装置１６に送る。

　次いで、応答音声が生成される（ステップＳＴ１７）。すなわち、応答音声生成部１８は、各種機能実行部１７から送られてくる操作完了通知を表すメッセージデータに応じた音声信号を生成し、音声出力装置１９に送る。

　次いで、ユーザへの提示が行われる（ステップＳＴ１８）。すなわち、表示装置１６は、表示制御部１５から送られてくる画面データに応じた表示を行う。これにより、表示装置１６の画面に処理結果が表示される。また、音声出力装置１９は、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これにより、操作が完了した旨の通知が音声で出力される。その後、音声操作処理は終了する。

　上記ステップＳＴ１４において、候補ボタン数が「１」より多い、つまり候補ボタン数が複数であることが判断されると、次いで、画面遷移が行われる（ステップＳＴ１９）。すなわち、表示制御部１５の画面遷移部１５ｂは、認識結果が最尤度の候補ボタンが選択された場合と同等の画面へ遷移させる。これにより、例えば、図４に示すように、メニュー画面にボタン名“ＸＸＸＸＸＸ”、“ＹＹＹＡＢＣ”、“ＹＹＹＤＥＦ”および“ＺＺＺＺＺＺ”が表示されている状態でユーザが“ＹＹＹ”と発話し、候補ボタンとして“ＹＹＹＡＢＣ”および“ＹＹＹＤＥＦ”が検出された場合は、最尤度の候補ボタン“ＹＹＹＡＢＣ”が選択された状態に遷移する。この場合、最尤度の候補ボタンのみならず、複数の候補ボタンの少なくとも１つが選択された場合と同等の画面へ遷移させるように構成することができる。

　この際、応答音声生成部１８は、候補ボタン検出部１３から送られてきた候補ボタンデータによって示される候補ボタンの数をユーザに確認させるための音声信号を生成して音声出力装置１９に送り、音声出力装置１９は、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これにより、音声出力装置１９から、例えば「候補が２つあります。」というメッセージが音声で出力される。

　次いで、強調表示が行われる（ステップＳＴ２０）。すなわち、表示制御部１５のボタン制御部１５ａは、最尤度の候補ボタンの色または輝度を変化させ、または、該候補ボタンを点滅させ、または、候補ボタンの大きさまたは形状を変化させることにより強調表示する処理を実行する。なお、ボタン制御部１５ａは、最尤度の候補ボタンを強調表示する代わりに、最尤度の候補ボタン以外のボタンを目立たない形態で表示するように構成することもできる。また、ボタン制御部１５ａは、複数の候補ボタンの全てを強調表示するように構成することもできる。

　次いで、応答音声が生成される（ステップＳＴ２１）。すなわち、応答音声生成部１８は、操作が未完了である旨を表すメッセージデータに応じた音声信号を生成し、音声出力装置１９に送る。

　次いで、ユーザへの提示が行われる（ステップＳＴ１８）。すなわち、表示装置１６は、表示制御部１５から送られてくる画面データに応じた表示を行う。これにより、表示装置１６の画面に最尤度の候補ボタンが強調表示されたメニュー画面が表示される。また、音声出力装置１９は、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これにより、操作が未完了である旨の通知が音声で出力される。その後、音声操作処理は終了する。

　次に、操作が未完了の場合に、追加操作が行われてから操作が完了するまでの音声操作処理を中心に、図５に示すフローチャートを参照しながら説明する。この音声操作処理は、音声認識による音声操作とボタン押下による手動操作のいずれにも対応できるようになっている。

　最初に、ボタン押下による手動操作の場合を説明する。手動操作に応じた音声操作処理では、まず、ボタンが押下される（ステップＳＴ３１）。すなわち、ユーザは、複数の候補ボタンが選択されている状態において、手動操作装置１４を操作して、表示装置１６の画面に表示されたボタンを押下する。この手動操作装置１４を操作することによって発生された操作ボタンデータは、表示制御部１５および各種機能実行部１７に送られる。

　次いで、画面遷移が行われる（ステップＳＴ３２）。すなわち、表示制御部１５の画面遷移部１５ｂは、押下された操作ボタンに対応する機能のために用意された機能画面へ遷移させる。

　次いで、各種機能が実行される（ステップＳＴ３３）。すなわち、各種機能実行部１７は、手動操作装置１４から送られてきた操作ボタンデータによって示されるボタンに割り当てられている機能を実現するための処理を実行する。そして、処理が終了した場合は、操作完了通知を表すメッセージデータを生成し、応答音声生成部１８に送る。

　次いで、応答音声が生成される（ステップＳＴ３４）。すなわち、応答音声生成部１８は、各種機能実行部１７から送られてくる操作完了通知を表すメッセージデータに応じた音声信号を生成し、音声出力装置１９に送る。音声出力装置１９は、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これにより、操作が完了した旨の通知が音声で出力される。その後、音声操作処理は終了する。

　なお、ステップＳＴ３３において、処理結果を表す表示データが生成された場合は、生成された表示データは表示制御部１５に送られる。表示制御部１５は、各種機能実行部１７から送られてくる表示データに基づき画面データを生成し、表示装置１６に送る。表示装置１６は、表示制御部１５から送られてくる画面データに応じた表示を行う。これにより、表示装置１６の画面に処理結果が表示される。

　次に、音声認識による音声操作の場合を説明する。音声操作に応じた音声操作処理では、まず、音声認識が行われる（ステップＳＴ４１）。このステップＳＴ４１の処理は、図２に示したフローチャートのステップＳＴ１２の処理と同じである。このステップＳＴ４１で行われる音声認識においては、前回の音声操作時に検出された候補ボタンのボタン名のみを待ち受け語彙（認識可能な語彙）とするように構成できる。この構成によれば、候補ボタンの認識が容易になる。

　次いで、候補ボタンが検出される（ステップＳＴ４２）。このステップＳＴ４２の処理は、図２に示したフローチャートのステップＳＴ１３の処理と同じである。次いで、候補ボタン数が「１」より多いかどうかが調べられる（ステップＳＴ４３）。すなわち、表示制御部１５は、候補ボタン検出部１３から送られてくる候補ボタンデータによって示される候補ボタンの数が「１」より多いかどうかを調べる。このステップＳＴ４３において、候補ボタン数が「１」より多くない、つまり候補ボタン数が単数であることが判断されると、シーケンスはステップＳＴ３２に進み、上述した画面遷移が行われる。すなわち、表示制御部１５の画面遷移部１５ｂは、候補ボタンが押下された場合と同等の画面へ遷移させる。その後、上述した処理が実行される。

　一方、ステップＳＴ４３において、候補ボタン数が「１」より多い、つまり候補ボタン数が複数であることが判断されると、次いで、画面遷移が行われる（ステップＳＴ４４）。このステップＳＴ４４の処理は、図２に示したフローチャートのステップＳＴ１９の処理と同じである。次いで、強調表示が行われる（ステップＳＴ４５）。このステップＳＴ４５の処理は、図２に示したフローチャートのステップＳＴ２０の処理と同じである。次いで、応答音声が生成される（ステップＳＴ４６）。このステップＳＴ４６の処理は、図２に示したフローチャートのステップＳＴ２１の処理と同じである。その後、シーケンスはステップＳＴ３１またはステップＳＴ４１に戻り、上述した処理が繰り返される。

　次に、操作が未完了の場合に、ボタン名以外を発話して操作を完了させる音声操作処理を中心に、図６に示すフローチャートを参照しながら説明する。

　この音声操作処理では、まず、前回の操作のフィードバックが行われる（ステップＳＴ５１）。すなわち、応答音声生成部１８は、前回の操作のフィードバックのメッセージを表す音声信号を生成し、音声出力装置１９に送る。音声出力装置１９は、応答音声生成部１８から送られてくる音声信号に応じた音声を出力する。これにより、「○×○×でよろしいですか？」というメッセージが音声で出力される。ユーザは、このメッセージに応答して、「はい」、「いいえ」、「次」または「前」などを発話する。

　次いで、音声認識が行われる（ステップＳＴ５２）。すなわち、音声認識処理部１２は、音声入力装置１１から送られてくる音声信号に基づき音声認識処理を実行し、認識結果を表示制御部１５に送る。

　次いで、「はい」などのボタンを押下した場合に相当する語彙が認識されたかどうかが調べられる（ステップＳＴ５３）。すなわち、表示制御部１５は、音声認識処理部１２から送られてきた認識結果が、「はい」などのボタンを押下した場合に相当する語彙を示しているかどうかを調べる。なお、「はい」などのボタンを押下した場合に相当する語彙には、「Ｙｅｓ」または「ＯＫ」などといった類義の肯定的な語彙が含まれるように構成できる。

　このステップＳＴ５３において、「はい」などのボタンを押下した場合に相当する語彙が認識されなかったことが判断されると、例えば、「いいえ」、「前」または「次」といった否定的な語彙が認識されたことが判断されると、次または前の候補ボタンが強調表示される（ステップＳＴ５４）。すなわち、表示制御部１５のボタン制御部１５ａは、次または前の候補ボタンの色または輝度を変化させ、または、該候補ボタンを点滅させ、または、候補ボタンの大きさまたは形状を変化させることにより強調表示する処理を実行する。その後、シーケンスはステップＳＴ５１に戻り、上述した処理が繰り返される。

　一方、ステップＳＴ５３において、「はい」などのボタンを押下した場合に相当する語彙が認識されたことが判断されると、次いで、画面遷移が行われる（ステップＳＴ５５）。すなわち、表示制御部１５の画面遷移部１５ｂは、次または前の候補ボタンが押下された場合と同等の画面へ遷移させる。

　次いで、各種機能が実行される（ステップＳＴ５６）。このステップＳＴ５６の処理は、図２に示したステップＳＴ１６の処理と同じである。次いで、応答音声が生成される（ステップＳＴ５７）。このステップＳＴ５７の処理は、図２に示したステップＳＴ１７の処理と同じである。以上により、表示装置１６の画面に処理結果が表示されるとともに、操作が完了した旨の通知が音声で出力される。その後、音声操作処理は終了する。

　以上説明したように、この発明の実施の形態１に係る音声認識装置によれば、音声認識の結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出し、複数の候補ボタンが検出された場合に、該複数の候補ボタンの少なくとも１つが選択されている状態を画面に表示してユーザが押下できるように構成したので、ユーザの発話が曖昧であっても、音声操作を手動操作と同一の手順で行うことができる。また、曖昧さを解決するためにしばしば行われる候補リスト表示といった音声操作独自の画面が表示されないため、分かり易さが損なわれない。

実施の形態２．
　図７は、この発明の実施の形態２に係る音声認識装置の構成を示すブロック図である。この音声認識装置は、上述した実施の形態１に係る音声認識装置に、操作履歴集計部２０および候補ボタン絞り込み部２１が追加されて構成されている。また、候補ボタン検出部１３で検出された候補ボタンを表す情報は、候補ボタン絞り込み部２１に送られるように変更されている。

　操作履歴集計部２０は、音声操作により操作されたボタンの操作履歴を集計する。より詳しくは、操作履歴集計部２０は、ボタン名と操作回数とを一対とした操作履歴を全てのボタンについて記憶しており、候補ボタン検出部１３から送られてくる候補ボタンを表す情報が１つの候補ボタンが検出されたことを示している場合は、この候補ボタンのボタン名に対応する操作回数をインクリメントする。この操作履歴集計部２０に格納されている操作履歴は、候補ボタン絞り込み部２１によって参照される。

　候補ボタン絞り込み部２１は、候補ボタン検出部１３から送られてくる候補ボタンを表す情報が複数の候補ボタンが検出されたことを示している場合は、操作履歴集計部２０を参照し、複数の候補ボタンの中で最も頻繁に操作されている候補ボタンを選択する。この候補ボタン絞り込み部２１で絞り込まれた候補ボタンは、候補ボタンデータとして表示制御部１５、各種機能実行部１７および応答音声生成部１８に送られる。

　次に、上記のように構成される実施の形態２に係る音声認識装置の動作を、音声認識から認識結果をユーザに提示するまでの音声操作処理を中心に、図８に示すフローチャートを参照しながら説明する。なお、図２のフローチャートに示した実施の形態１に係る音声認識装置の処理と同一または相当する処理を実行するステップには、図２で使用した符号と同一の符号を付して説明を簡略化する。

　この音声操作処理においては、まず、音声が入力される（ステップＳＴ１１）。次いで、音声認識が行われる（ステップＳＴ１２）。次いで、候補ボタンが検出される（ステップＳＴ１３）。次いで、候補ボタン数が「１」より多いかどうかが調べられる（ステップＳＴ１４）。

　このステップＳＴ１４において、候補ボタン数が「１」より多くない、つまり候補ボタン数が単数であることが判断されると、候補ボタンの操作履歴が格納される（ステップＳＴ６１）。すなわち、操作履歴集計部２０は、候補ボタン検出部１３から送られてくる候補ボタンを表す情報によって示される候補ボタンのボタン名に対応する操作回数をインクリメントする。

　次いで、画面遷移が行われる（ステップＳＴ１５）。次いで、各種機能が実行される（ステップＳＴ１６）。次いで、応答音声が生成される（ステップＳＴ１７）。次いで、ユーザへの提示が行われる（ステップＳＴ１８）。その後、音声操作処理は終了する。

　上記ステップＳＴ１４において、候補ボタン数が「１」より多い、つまり候補ボタン数が複数であることが判断されると、次いで、候補ボタンの絞り込みが行われる（ステップＳＴ６２）。すなわち、候補ボタン絞り込み部２１は、操作履歴集計部２０を参照し、候補ボタン検出部１３から送られてくる候補ボタンを表す情報によって示される複数の候補ボタンの中で最も頻繁に操作されている候補ボタンを選択して絞り込みを行う。この候補ボタン絞り込み部２１で絞り込まれた候補ボタンを表す情報は、候補ボタンデータとして表示制御部１５、各種機能実行部１７および応答音声生成部１８に送られる。

　次いで、画面遷移が行われる（ステップＳＴ１９）。次いで、強調表示が行われる（ステップＳＴ２０）。次いで、応答音声が生成される（ステップＳＴ２１）。次いで、ユーザへの提示が行われる（ステップＳＴ１８）。その後、音声操作処理は終了する。

　なお、上述した図８に示すフローチャートでは、図２のフローチャートに示す実施の形態１に係る音声認識装置の音声操作処理に候補ボタン絞り込みを適用した場合について説明したが、図５のフローチャートに示す実施の形態１に係る音声認識装置で行われる音声操作処理においても候補ボタン絞り込みが適用される。この場合、図５に示すフローチャートのステップＳＴ３２の直前でステップＳＴ６１に示す候補ボタンの操作履歴を格納する処理が実行され、ステップＳＴ４４の直前でステップＳＴ６２に示す候補ボタン絞り込み処理が実行される。同様に、図６のフローチャートに示す実施の形態１に係る音声認識装置で行われる音声操作処理にも候補ボタン絞り込みが適用される。この場合、図６に示すフローチャートのステップＳＴ５５の直前でステップＳＴ６１に示す候補ボタンの操作履歴を格納する処理が実行される。

　以上説明したように、この発明の実施の形態２に係る音声認識装置によれば、ユーザが操作する可能性の高いボタンが候補ボタンとして選択されて強調表示されるので、目的の操作を実行するまでのユーザの操作回数を減らすことができる。

　なお、上述した実施の形態２に係る音声認識装置は、以下のように変形できる。すなわち、表示制御部１５は、あらかじめ記憶しているボタン配置（ボタンが画面にどのように並んでいるか）を表すボタン配置情報を候補ボタン絞り込み部２１に送る。

　候補ボタン絞り込み部２１は、表示制御部１５から送られてくるボタン配置情報を参照し、候補ボタン検出部１３から送られてくる候補ボタンが連続して配置されていることを判断した場合は、先頭の候補ボタンを選択する。この候補ボタン絞り込み部２１で選択された候補ボタンは、候補ボタンデータとして表示制御部１５、各種機能実行部１７および応答音声生成部１８に送られる。

　この構成によれば、候補ボタンが連続して配置されている場合は、先頭の候補ボタンが選択されて強調表示されるので、ユーザの次操作が分かりやすくなる。

　以上のように、この発明に係る音声認識装置は、手動操作と音声操作とを同一の手順で行うことができるようにするために、発話されたボタン名の音声を入力して電気信号に変換する音声入力装置と、音声入力装置から電気信号として送られてくる音声信号に基づき音声認識処理を実行する音声認識処理部と、音声認識処理部で得られた認識結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出する候補ボタン検出部と、候補ボタン検出部で複数の候補ボタンが検出された場合に、該複数の候補ボタンの少なくとも１つが選択されている状態を表す画面を生成する表示制御部と、表示制御部で生成された画面を表示する表示装置を備えるよう構成したので、ナビゲーション装置などの機器を音声で操作する音声認識装置などに用いるのに適している。

Claims

　発話されたボタン名の音声を入力して電気信号に変換する音声入力装置と、
　前記音声入力装置から電気信号として送られてくる音声信号に基づき音声認識処理を実行する音声認識処理部と、
　前記音声認識処理部で得られた認識結果に部分一致するボタン名を有するボタンを侯補ボタンとして検出する候補ボタン検出部と、
　前記候補ボタン検出部で複数の候補ボタンが検出された場合に、該複数の候補ボタンの少なくとも１つが選択されている状態を表す画面を生成する表示制御部と、
　前記表示制御部で生成された画面を表示する表示装置
とを備えた音声認識装置。
　候補ボタン検出部で検出された候補ボタンが表示中の画面に存在しない場合は、該候補ボタンが存在する画面に遷移させる画面遷移部を備え、
　表示制御部は、前記画面遷移部で遷移された画面上の候補ボタンが選択されている状態を表す画面を生成する
ことを特徴とする請求項１記載の音声認識装置。
　表示制御部は、画面上で選択されている候補ボタンの色または輝度を変化させ、または、該候補ボタンを点滅させることにより強調表示するボタン制御部
を備えたことを特徴とする請求項２記載の音声認識装置。
　表示制御部は、画面上で選択されている候補ボタンの大きさまたは形状を変化させることにより強調表示するボタン制御部
を備えたことを特徴とする請求項２記載の音声認識装置。
　候補ボタン検出部で検出された候補ボタンのボタン名を読み上げる音声信号を生成する応答音声生成部と、
　前記応答音声生成部で生成された音声信号に基づき候補ボタンのボタン名を音声で出力する音声出力装置
とを備えたことを特徴とする請求項１記載の音声認識装置。
　表示制御部にあらかじめ記憶されているボタンの配置を表すボタン配置情報を参照することにより候補ボタン検出部で検出された複数の候補ボタンが連続して配置されていることを判断した場合に、先頭の候補ボタンに絞り込む候補ボタン絞り込み部を備え、
　前記表示制御部は、前記候補ボタン絞り込み部で絞り込まれた候補ボタンが選択されている状態を表す画面を生成する
ことを特徴とする請求項１記載の音声認識装置。
　操作履歴を集計する操作履歴集計部と、
　候補ボタン検出部で検出された複数の候補ボタンから、前記操作履歴集計部からの操作履歴に応じて候補ボタンを絞り込む候補ボタン絞り込み部とを備え、
　表示制御部は、前記候補ボタン絞り込み部で絞り込まれた候補ボタンが選択されている状態を表す画面を生成する
ことを特徴とする請求項１記載の音声認識装置。