JP3958009B2

JP3958009B2 - Voice recognition device

Info

Publication number: JP3958009B2
Application number: JP2001307200A
Authority: JP
Inventors: 孝一中田
Original assignee: Alpine Electronics Inc
Current assignee: Alpine Electronics Inc
Priority date: 2001-10-03
Filing date: 2001-10-03
Publication date: 2007-08-15
Anticipated expiration: 2021-10-03
Also published as: JP2003114697A

Description

【０００１】
【発明の属する技術分野】
本発明は、音声認識処理を行うときにオーディオ装置の音をミュートする音声認識装置に関し、特に車載用オーディオ／ナビゲーションシステムに好適な音声認識装置に関する。
【０００２】
【従来の技術】
近年、音声認識技術が著しく発達し、種々の分野で使用されるようになった。例えば車載用ナビゲーション装置では、目的地の設定や画面の切替えなどの操作を音声でできるようにしたものも多い。
【０００３】
ところで、通常、車両にはＣＤの再生やラジオ放送の聴取が可能なオーディオ装置が搭載されており、音楽を聴きながら車両の運転を行うことが一般的に行われている。しかし、音声認識によりナビゲーション装置を操作する場合は、周囲の音量が大きいと音声認識の精度が著しく低下してしまう。
【０００４】
このため、車載用ナビゲーション装置に内蔵された音声認識装置には、音声認識による操作を行うときはオーディオ装置の音量を自動的に無音化又は２０ｄＢ程度下げる、いわゆるミュート機能が設けられている。
【０００５】
【発明が解決しようとする課題】
オーディオ装置の音量を低減することは、音声認識処理にとっては好都合であるものの、車両の乗員にとってはせっかく楽しんでいる音楽やラジオ放送が聞こえなくなったり、極めて小さな音量になってしまうので不満が生じる。特に、ニュースや交通情報などの有用な情報を聴き逃してしまった場合は、極めて大きな不満が生じる。
【０００６】
本発明の目的は、オーディオ装置の出力をそれほど低下させなくても音声認識の際の認識精度を良好に維持することができる音声認識装置を提供することである。
【０００７】
【課題を解決するための手段】
上記した課題は、音声を入力し電気信号に変換する音声入力部と、前記音声入力部の出力を音声認識処理する音声認識部と、オーディオ信号を入力し、そのオーディオ信号の周波数帯域毎のレベルを個別に調整可能なレベル調整部と、前記レベル調整部で調整されたオーディオ信号をスピーカーに伝達するアンプと、前記レベル調整部による周波数帯域毎のレベル調整パターンを複数記憶するレベル調整パターン記憶部と、ユーザにより操作されるトークスイッチと、前記音声認識部及び前記レベル調整部を制御する制御部とを有し、前記レベル調整パターン記憶部には特定のレベル調整パターンとして前記音声認識時に使用する周波数帯域の信号成分を更に複数の周波数帯域に分割し、低域側の周波数帯域の信号成分の低減量を高域側の周波数帯域の信号成分の低減量よりも小さくするパターンが記憶され、前記制御部は、前記トークスイッチがオンのときに前記レベル調整パターン記憶部に記憶している複数のレベル調整パターンのうちから前記特定のレベル調整パターンを選択し、前記レベル調整部を制御して音声認識時に使用する周波数帯域の信号成分を他の周波数帯域の信号成分よりも大きく減衰させることを特徴とする音声認識装置により解決する。
【００１２】
本発明においては、レベル調整パターン記憶部に周波数帯域毎のレベル調整パターンを複数記憶しておく。そして、音声認識処理時には、これらのパターンのうちから特定のレベル調整パターンを選択し、それによりレベル調整部で音声認識に使用する周波数帯域の信号成分を他の周波数帯域の信号成分よりも大きく減衰させる。このような構成とすることにより、オーディオ装置から出力される音をそれほど小さくしなくても、音声認識率の低下を回避することができる。また、本発明によれば、周波数帯域毎のレベルを個別に調整可能なレベル調整部を有するオーディオ装置の場合に、レベル調整パターン記憶部に上述した特定のレベル調整パターンを記憶しておくだけでよいので、装置コストの上昇を抑えることができる。
【００１３】
【発明の実施の形態】
以下、本発明について更に詳細に説明する。
【００１４】
図１〜図３は、いずれも横軸に周波数をとり、縦軸に１Ｈｚ当りの長時間実効値（ｄＢ）をとって、人間の音声スペクトルを実測した例を示す図である（三浦種敏監、“新版音声と聴覚”（電子情報通信学会，1980），pp.330）。図１は女性５人の平均値と男性２人の平均値とを示し、図２は１人の男性による会話音声と音節のスペクトルを示し、図３は距離が３ｃｍ及び３３．５ｃｍでの女性音節スペクトルを示している。
【００１５】
これらの図から明らかなように、人間の音声には約１００Ｈｚから１０ｋＨｚ程度までの周波数成分が含まれ、１００Ｈｚ〜５ｋＨｚの周波数帯域の信号成分が大きな割合を占めている。このため、一般的な音声認識装置では、音声信号から約１００Ｈｚ〜５ｋＨｚの周波数帯域の信号成分を取り出して音声認識処理に用いている。
【００１６】
そこで、本発明においては、音声認識に使用されている周波数帯域とそれ以外の周波数帯域とでミュート量（低減量）を異なるものとする。これにより、音楽やニュース等を聞きながら、音声による機器の操作が可能になる。
【００１７】
（第１の実施の形態）
図４は本発明の実施の形態の音声認識装置を備えた車載用オーディオ／ナビゲーションシステムの構成を示す図である。
【００１８】
このシステムは、トークスイッチ１１、マイク１２、音声認識部１３、音声入力辞書データベース１４、制御部１５、ナビゲーション装置本体１６、オーディオ信号発生部２０、グラフィックイコライザ２１、イコライザパターン記憶部２２、アンプ２３及びスピーカー２４により構成される。
【００１９】
トークスイッチ１１は音声認識の有効／無効を切替えるスイッチである。音声認識によりナビゲーション装置を操作する場合はトークスイッチ１１をオンにし、音声認識を使用しない場合はトークスイッチ１１をオフにする。
【００２０】
マイク１２は、運転席乗員の音声をよく収音できる場所に取り付けられる。音声認識部１３は、マイク１２から出力された音声信号を、音声入力辞書データベース１４を参照して文字データ（又は、所定のコード）に変換し、制御部１５に出力する。
【００２１】
制御部１５は、音声認識部１３から出力された文字データに応じた信号をナビゲーション装置本体１６に伝達する。ナビゲーション装置本体１６は、制御部１５から伝達された信号に応じた処理を実行する。
【００２２】
オーディオ信号発生部２０は、オーディオ信号を出力するＣＤプレーヤ及びラジオチューナ等からなる。グラフィックイコライザ２１は、オーディオ信号発生部２０から出力されたオーディオ信号を複数の周波数帯域に分割し、各周波数帯域毎にレベル（音量）を調整した後、各周波数帯域の信号成分を再び合成して１つのオーディオ信号とする。イコライザパターン記憶部２２には、複数のイコライザパターン（レベル調整パターン）が記憶されており、グラフィックイコライザ２１は、イコライザパターン記憶部２２に記憶されている複数のイコライザパターンのうちから制御部１５により選択されたパターンのデータが入力され、そのデータに応じて各周波数帯域毎の信号成分のレベルを調整する。イコライザパターンには、例えば、低音域及び高音域の周波数成分のレベルを高くしてメリハリのある音楽を再生するパターンや、中音域の周波数成分のレベルを高くして人の声を強調するようなパターンや、低音域から高音域までフラットなレベルにして自然な音質を得るパターンなどがある。これらのイコライザパターンは、ユーザの好みに応じて適宜選択される。
【００２３】
但し、本実施の形態では、Ｎ番目のイコライザパターンとして、音声認識時に使用されるパターンが記憶されている。このイコライザパターンは、例えば下記表１に示すように、２０Ｈｚ〜１００Ｈｚの周波数帯域及び５ｋＨｚ〜２０ｋＨｚの周波数帯域では−５ｄＢのミュート量（減衰量）が設定され、音声認識に使用される帯域である１００Ｈｚ〜５ｋＨｚの帯域では−２０ｄＢのミュート量が設定されている。なお、表１に示す数値は一例であり、本発明において、音声認識に使用する周波数帯域の範囲、及び各周波数帯域毎のミュート量はこれに限定するものではない。
【００２４】
【表１】

【００２５】
以下、本実施の形態のオーディオ／ナビゲーションシステムの動作について説明する。
【００２６】
トークスイッチ１１がオフのとき、すなわち音声認識による操作を行わないときは、制御部１５はイコライザパターン記憶部２２に記憶されている複数のイコライザパターンのうちからユーザの指示に応じたパターンを選択する。これにより、グラフィックイコライザ２１には選択されたパターンに応じたデータが入力され、オーディオ信号発生部２０から出力されたオーディオ信号が周波数帯域毎にレベル調整される。そして、グラフィックイコライザ２１から出力されたオーディオ信号はアンプ２３で増幅され、スピーカー２４に供給される。これにより、スピーカー２４からユーザの好みに応じた音質で音楽等が再生される。
【００２７】
ユーザが音声認識によりナビゲーション装置を操作する場合、トークスイッチ１１をオンにする。これにより、制御部１５はイコライザパターン記憶部２２に記憶されている複数のイコライザパターンからＮ番目のパターンを選択する。
【００２８】
このＮ番目のパターンのデータが入力されると、グラフィックイコライザ２１は、上記の表１に示すように、オーディオ信号発生部２０から出力されるオーディオ信号のうち１００Ｈｚ〜５ｋＨｚの周波数帯域の信号成分を−２０ｄＢ減衰させ、２０Ｈｚ〜１００Ｈｚ及び５ｋＨｚ〜２０ｋＨｚの周波数帯域の信号成分を−５ｄＢ減衰させる。その結果、音声認識に使用する周波数帯域の信号成分が大幅に減衰されるものの、それ以外の周波数帯域の信号成分の減衰量が少ないので、聴感上はスピーカー２４から出力される音の音量がそれほど大きく下がったようには感じない。
【００２９】
この状態でユーザが発音すると、マイク１２から音声に応じた電気信号が出力されて、音声認識部１３に入力される。音声認識部１３は音声入力辞書データベース１４を参照しながら入力された電気信号を文字データに変換して出力する。
【００３０】
制御部１５は，音声認識部１３から出力された文字データに応じた信号をナビゲーション装置本体１６に伝達し、ナビゲーション装置本体１６では制御部１５から伝達された信号に応じた処理を実行する。
【００３１】
上述したように、本実施の形態では、音声認識によりナビゲーション装置を操作するときには、オーディオ信号発生部２０から出力されたオーディオ信号のうち音声認識に使用する１００Ｈｚ〜５ｋＨｚの周波数帯域の信号成分を大きく減衰させるので、スピーカー２４から出力される音が音声認識時の障害となることがなく、認識率の低下が回避される。
【００３２】
また、本実施の形態では、オーディオ信号発生部２０から出力されたオーディオ信号のうち２０Ｈｚ〜１００Ｈｚ及び５ｋＨｚ〜２０ｋＨｚの周波数帯域の信号成分の減衰量が小さいので、聴感上はスピーカー２４から出力される音の音量がそれほど小さくなったようには感じない。従って、音楽やニュース等が聞こえないというような不満が解消される。
【００３３】
ところで、通常人間は、周囲の音が大きいと大きな声を出すようになる。本実施の形態では、音声認識に使用する周波数帯域以外のミュート量が少ないので、従来のようにオーディオ装置から出力される音を全体的に小さくする場合に比べて、ユーザの声が大きくなる。このため、音声認識時のＳＮ比、すなわちユーザの音声とそれ以外の音との比が大きくなり、オーディオ装置を使用している環境下での音声認識率の低下をより確実に回避できるという効果もある。
【００３４】
更にまた、本実施の形態においては、グラフィックイコライザを有するオーディオ装置の場合、表１に示すような音声認識処理用のイコライザパターンをイコライザパターン記憶部に記憶しておくだけでよいので、製品コストの上昇を抑えることができるという利点もある。
【００３５】
（第２の実施の形態）
以下、本発明の第２の実施の形態について説明する。本実施の形態も、本発明を車載用オーディオ／ナビゲーションシステムに適用した例を示す。
【００３６】
本実施の形態が第１の実施の形態と異なる点は、音声認識時に選択されるイコライザパターンが異なることにあり、車載用オーディオ／ナビゲーションシステムの基本的な構成は第１の実施の形態と同様であるので、本実施の形態においても第４図を参照して説明する。
【００３７】
図１〜図３に示すように、人間の声は、約１００Ｈｚから１０ｋＨｚ程度までの周波数成分を含んでいるが、更に詳細に調べると、低周波成分を多く含みそのレベルが大きい母音と、高周波成分を多く含みそのレベルが小さい子音とに分類することができる。また、音声認識処理ではＳＮ比、すなわちユーザの声とそれ以外の音との比が大きいことが重要である。
【００３８】
上記のことから、母音の周波数帯域では、子音の周波数帯域に比べてミュート量が少なくてもよいことがわかる。そこで、本実施の形態においては、下記表２に示すように、音声認識時の各周波数帯毎のミュート量を設定する。すなわち、子音の周波数帯域である１ｋＨｚ〜２ｋＨｚ及び２ｋＨｚ〜５ｋＨｚのミュート量をそれぞれ−１８ｄＢ及び−２１ｄＢと比較的大きくしているのに対し、母音の周波数帯域である１００Ｈｚ〜１ｋＨｚのミュート量を−１５ｄＢと比較的小さくしている。なお、表２に示す数値は一例であり、本発明において、周波数帯域の分割数、各周波数帯域の範囲、及び各周波数帯域毎のミュート量はこれに限定されるものではない。
【００３９】
【表２】

【００４０】
本実施の形態によれば、音声認識に使用される周波数帯域を更に低域側の母音の周波数帯域と高域側の子音の周波数帯域とに分割し、母音の周波数帯域では子音の周波数帯域に比べてミュート量を小さくしている。これにより、第１の実施の形態に比べて、スピーカー２４から出力される音楽やニュース等の情報番組をより自然に近い音質で聞くことができる。従って、本実施の形態においては、第１の実施の形態に比べて、ニュースや交通情報などの聴取が妨げられる程度がより一層少なくなるという利点がある。
【００４１】
なお、上述した第１及び第２の実施の形態ではいずれも音声認識に使用する周波数帯域を１００Ｈｚ〜５ｋＨｚとしたが、例えば３００Ｈｚ〜４．８ｋＨｚの周波数帯域を音声認識に使用する音声認識装置の場合は、３００Ｈｚ〜４．８ｋＨｚの周波数帯域のミュート量を大きくし、それ以外の周波数帯域のミュート量を小さくすればよい。
【００４２】
また、上述した第１及び第２の実施の形態はいずれも本発明を車載用オーディオ／ナビゲーションシステムに適用した場合について説明したが、これにより本発明の適用範囲が車両に搭載される機器の音声認識装置に限定されるものではない。更に、第１及び第２の実施の形態はいずれもレベル調整部としてグラフィックイコライザを用いた場合について説明したが、グラフィックイコライザに替えてバンドパスフィルタやパラメトリックイコライザ等を使用してもよい。
【００４３】
【発明の効果】
以上説明したように、本発明によれば、オーディオ装置から出力されるオーディオ信号のうち、音声認識処理に使用する周波数帯域の信号成分の減衰量を他の周波数帯域の信号成分の減衰量よりも大きくするので、オーディオ装置の出力をそれほど小さくしなくても、良好な音声認識率を得ることができる。
【００４４】
また、音声認識に使用する周波数帯域の信号成分を更に複数の周波数帯域に分割し、低域側の周波数帯域の信号成分の減衰量を高域側の周波数帯域の信号成分の減衰量に比べて小さくすることにより、音声認識率を良好に維持したまま、オーディオ装置から出力される音を聞き取りやすくすることができる。
【図面の簡単な説明】
【図１】図１は人間の音声スペクトルを実測した例を示す図であり、女性５人の平均値と男性２人の平均値とを示している。
【図２】図２は人間の音声スペクトルを実測した例を示す図であり、１人の男性による会話音声と音節のスペクトルを示している。
【図３】図３は人間の音声スペクトルを実測した例を示す図であり、距離が３ｃｍ及び３３．５ｃｍでの女性音節スペクトルを示している。
【図４】図４は本発明の実施の形態の音声認識装置を備えた車載用オーディオ／ナビゲーションシステムの構成を示す図である。
【符号の説明】
１１…トークスイッチ、
１２…マイク、
１３…音声認識部、
１４…音声入力辞書データベース、
１５…制御部、
１６…ナビゲーション装置本体、
２０…オーディオ信号発生部、
２１…グラフィックイコライザ、
２２…イコライザパターン記憶部、
２３…アンプ、
２４…スピーカー。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a speech recognition device you mute the sound of the audio device when performing voice recognition processing, particularly of the preferred voice recognition device to the in-vehicle audio / navigation system.
[0002]
[Prior art]
In recent years, speech recognition technology has been remarkably developed and used in various fields. For example, many in-vehicle navigation devices can perform operations such as destination setting and screen switching by voice.
[0003]
By the way, normally, an audio device capable of reproducing a CD and listening to a radio broadcast is mounted on the vehicle, and it is generally performed to drive the vehicle while listening to music. However, when the navigation device is operated by voice recognition, the accuracy of voice recognition is significantly reduced if the surrounding volume is high.
[0004]
For this reason, the voice recognition device built in the vehicle-mounted navigation device is provided with a so-called mute function that automatically silences or lowers the volume of the audio device by about 20 dB when an operation by voice recognition is performed.
[0005]
[Problems to be solved by the invention]
Reducing the volume of the audio device is convenient for the voice recognition process, but it is unsatisfactory because the passengers in the vehicle cannot enjoy listening to music or radio broadcasts that are being enjoyed at all, or the volume is extremely low. Especially when useful information such as news and traffic information is missed, a great dissatisfaction occurs.
[0006]
An object of the present invention is to provide a speech recognition apparatus that can be favorably maintained recognition accuracy in speech recognition without much reducing the output of the audio device.
[0007]
[Means for Solving the Problems]
The above-described problems are: a voice input unit that inputs voice and converts it into an electrical signal; a voice recognition unit that performs voice recognition processing on the output of the voice input unit; and an audio signal that is input and a level for each frequency band of the audio signal Level adjustment unit capable of individually adjusting, an amplifier for transmitting the audio signal adjusted by the level adjustment unit to a speaker, and a level adjustment pattern storage unit for storing a plurality of level adjustment patterns for each frequency band by the level adjustment unit And a talk switch operated by a user, and a control unit for controlling the voice recognition unit and the level adjustment unit, and the level adjustment pattern storage unit uses a specific level adjustment pattern during the voice recognition. The frequency band signal component is further divided into multiple frequency bands to reduce the amount of signal component reduction in the low frequency band to the high frequency side. Pattern to be smaller than the reduction amount of the signal component having band stored, the control unit, said from a plurality of level adjusting pattern the talk switch is stored in the level adjustment pattern storage unit when on Solved by a speech recognition apparatus, wherein a specific level adjustment pattern is selected, and the level adjustment unit is controlled to attenuate a signal component in a frequency band used at the time of speech recognition to a greater extent than a signal component in another frequency band. To do.
[0012]
In the present invention, a plurality of level adjustment patterns for each frequency band are stored in the level adjustment pattern storage unit. During voice recognition processing, a specific level adjustment pattern is selected from these patterns, and thereby the signal components in the frequency band used for voice recognition by the level adjustment unit are attenuated more than the signal components in other frequency bands. Let By adopting such a configuration, it is possible to avoid a decrease in the speech recognition rate without reducing the sound output from the audio device so much. Further, according to the present invention, in the case of an audio apparatus having a level adjustment unit that can individually adjust the level for each frequency band, the above-described specific level adjustment pattern is simply stored in the level adjustment pattern storage unit. Since it is good, an increase in apparatus cost can be suppressed.
[0013]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, the present invention will be described in more detail.
[0014]
FIGS. 1 to 3 are diagrams showing examples of actual measurement of human speech spectrum with the horizontal axis representing frequency and the vertical axis representing long-term effective value (dB) per Hz. Director, “New version of voice and hearing” (The Institute of Electronics, Information and Communication Engineers, 1980), pp.330). FIG. 1 shows the average value of five women and the average value of two men, FIG. 2 shows the speech and syllable spectrum of one man, and FIG. 3 shows women at distances of 3 cm and 33.5 cm. The syllable spectrum is shown.
[0015]
As is clear from these figures, human speech includes frequency components from about 100 Hz to about 10 kHz, and signal components in the frequency band of 100 Hz to 5 kHz occupy a large proportion. For this reason, in a general speech recognition apparatus, a signal component in a frequency band of about 100 Hz to 5 kHz is extracted from a speech signal and used for speech recognition processing.
[0016]
Therefore, in the present invention, the mute amount (reduction amount) is different between the frequency band used for speech recognition and the other frequency bands. This makes it possible to operate the device by voice while listening to music or news.
[0017]
(First embodiment)
FIG. 4 is a diagram showing a configuration of an in-vehicle audio / navigation system provided with the speech recognition apparatus according to the embodiment of the present invention.
[0018]
This system includes a talk switch 11, a microphone 12, a voice recognition unit 13, a voice input dictionary database 14, a control unit 15, a navigation device body 16, an audio signal generation unit 20, a graphic equalizer 21, an equalizer pattern storage unit 22, an amplifier 23, The speaker 24 is used.
[0019]
The talk switch 11 is a switch for switching between valid / invalid of voice recognition. When the navigation device is operated by voice recognition, the talk switch 11 is turned on, and when the voice recognition is not used, the talk switch 11 is turned off.
[0020]
The microphone 12 is attached to a place where the voice of the driver's seat occupant can be collected well. The voice recognition unit 13 converts the voice signal output from the microphone 12 into character data (or a predetermined code) with reference to the voice input dictionary database 14 and outputs the character data to the control unit 15.
[0021]
The control unit 15 transmits a signal corresponding to the character data output from the voice recognition unit 13 to the navigation device body 16. The navigation device main body 16 executes processing according to the signal transmitted from the control unit 15.
[0022]
The audio signal generator 20 includes a CD player and a radio tuner that output audio signals. The graphic equalizer 21 divides the audio signal output from the audio signal generation unit 20 into a plurality of frequency bands, adjusts the level (volume) for each frequency band, and then synthesizes the signal components of each frequency band again. One audio signal is assumed. A plurality of equalizer patterns (level adjustment patterns) are stored in the equalizer pattern storage unit 22, and the graphic equalizer 21 is selected by the control unit 15 from among a plurality of equalizer patterns stored in the equalizer pattern storage unit 22. The pattern data is input, and the level of the signal component for each frequency band is adjusted according to the data. Equalizer patterns include, for example, patterns that reproduce sharp music by increasing the level of frequency components in the low range and high range, and emphasize the human voice by increasing the level of frequency components in the mid range. There are patterns and patterns that obtain a natural sound quality by flattening from low to high frequencies. These equalizer patterns are appropriately selected according to the user's preference.
[0023]
However, in this embodiment, a pattern used at the time of speech recognition is stored as the Nth equalizer pattern. For example, as shown in Table 1 below, this equalizer pattern is a band used for speech recognition in which a mute amount (attenuation amount) of −5 dB is set in a frequency band of 20 Hz to 100 Hz and a frequency band of 5 kHz to 20 kHz. A mute amount of -20 dB is set in the band of 100 Hz to 5 kHz. In addition, the numerical value shown in Table 1 is an example, and in the present invention, the range of the frequency band used for speech recognition and the mute amount for each frequency band are not limited to this.
[0024]
[Table 1]

[0025]
Hereinafter, the operation of the audio / navigation system of the present embodiment will be described.
[0026]
When the talk switch 11 is off, that is, when no operation by voice recognition is performed, the control unit 15 selects a pattern according to a user instruction from among a plurality of equalizer patterns stored in the equalizer pattern storage unit 22. . As a result, data corresponding to the selected pattern is input to the graphic equalizer 21, and the level of the audio signal output from the audio signal generator 20 is adjusted for each frequency band. The audio signal output from the graphic equalizer 21 is amplified by the amplifier 23 and supplied to the speaker 24. Thereby, music or the like is reproduced from the speaker 24 with sound quality according to the user's preference.
[0027]
When the user operates the navigation device by voice recognition, the talk switch 11 is turned on. Thus, the control unit 15 selects the Nth pattern from the plurality of equalizer patterns stored in the equalizer pattern storage unit 22.
[0028]
When the Nth pattern data is input, the graphic equalizer 21 generates signal components in the frequency band of 100 Hz to 5 kHz among the audio signals output from the audio signal generator 20 as shown in Table 1 above. -20 dB is attenuated, and signal components in the frequency bands of 20 Hz to 100 Hz and 5 kHz to 20 kHz are attenuated by -5 dB. As a result, although the signal component in the frequency band used for speech recognition is greatly attenuated, the amount of attenuation of the signal component in the other frequency band is small. I don't feel like it has fallen significantly.
[0029]
When the user produces a sound in this state, an electric signal corresponding to the voice is output from the microphone 12 and input to the voice recognition unit 13. The voice recognition unit 13 converts the input electrical signal into character data and outputs it while referring to the voice input dictionary database 14.
[0030]
The control unit 15 transmits a signal corresponding to the character data output from the voice recognition unit 13 to the navigation device body 16, and the navigation device body 16 executes processing according to the signal transmitted from the control unit 15.
[0031]
As described above, in this embodiment, when the navigation device is operated by voice recognition, the signal component in the frequency band of 100 Hz to 5 kHz used for voice recognition among the audio signals output from the audio signal generator 20 is increased. Since the sound is attenuated, the sound output from the speaker 24 does not become an obstacle at the time of voice recognition, and a reduction in the recognition rate is avoided.
[0032]
In the present embodiment, the attenuation amount of the signal components in the frequency bands of 20 Hz to 100 Hz and 5 kHz to 20 kHz among the audio signals output from the audio signal generator 20 is small. I don't feel that the volume of the sound is so low. Therefore, dissatisfaction such as not being able to hear music or news is solved.
[0033]
By the way, humans usually come out loud when the surrounding sounds are loud. In the present embodiment, the amount of mute other than the frequency band used for speech recognition is small, so that the user's voice becomes louder than in the case where the sound output from the audio apparatus is entirely reduced as in the prior art. For this reason, the S / N ratio at the time of voice recognition, that is, the ratio of the user's voice and other sounds becomes large, and it is possible to more surely avoid the reduction of the voice recognition rate in the environment where the audio device is used. There is also.
[0034]
Furthermore, in the present embodiment, in the case of an audio apparatus having a graphic equalizer, it is only necessary to store an equalizer pattern for speech recognition processing as shown in Table 1 in the equalizer pattern storage unit. There is also an advantage that the rise can be suppressed.
[0035]
(Second Embodiment)
Hereinafter, a second embodiment of the present invention will be described. This embodiment also shows an example in which the present invention is applied to an in-vehicle audio / navigation system.
[0036]
This embodiment is different from the first embodiment in that the equalizer pattern selected at the time of voice recognition is different, and the basic configuration of the in-vehicle audio / navigation system is the same as that of the first embodiment. Therefore, this embodiment will be described with reference to FIG.
[0037]
As shown in FIGS. 1 to 3, a human voice includes frequency components from about 100 Hz to about 10 kHz. However, when examined in more detail, a vowel that contains many low-frequency components and a high level, and a high frequency It can be classified into consonants with many components and low levels. In the speech recognition processing, it is important that the SN ratio, that is, the ratio between the user's voice and other sounds is large.
[0038]
From the above, it can be seen that the mute amount may be smaller in the vowel frequency band than in the consonant frequency band. Therefore, in this embodiment, as shown in Table 2 below, a mute amount for each frequency band at the time of speech recognition is set. That is, while the mute amounts of 1 kHz to 2 kHz and 2 kHz to 5 kHz, which are consonant frequency bands, are relatively large as −18 dB and −21 dB, respectively, the mute amount of 100 Hz to 1 kHz, which is the frequency band of vowels, is − It is relatively small at 15 dB. The numerical values shown in Table 2 are examples, and in the present invention, the number of frequency band divisions, the range of each frequency band, and the amount of mute for each frequency band are not limited thereto.
[0039]
[Table 2]

[0040]
According to the present embodiment, the frequency band used for speech recognition is further divided into a low-frequency vowel frequency band and a high-frequency consonant frequency band, and the vowel frequency band is divided into consonant frequency bands. Compared with the mute amount. Thereby, as compared with the first embodiment, it is possible to listen to information programs such as music and news output from the speaker 24 with a more natural sound quality. Therefore, in this embodiment, there is an advantage that the degree of hindering listening to news, traffic information, and the like is further reduced as compared with the first embodiment.
[0041]
In both the first and second embodiments described above, the frequency band used for speech recognition is set to 100 Hz to 5 kHz. However, for example, a speech recognition apparatus using a frequency band of 300 Hz to 4.8 kHz for speech recognition. In this case, the mute amount in the frequency band of 300 Hz to 4.8 kHz may be increased and the mute amount in other frequency bands may be decreased.
[0042]
In the first and second embodiments described above, the case where the present invention is applied to an in-vehicle audio / navigation system has been described. By this, the scope of application of the present invention is the sound of equipment mounted on a vehicle. It is not limited to a recognition device. Furthermore, in both the first and second embodiments, the case where a graphic equalizer is used as the level adjustment unit has been described, but a band pass filter, a parametric equalizer, or the like may be used instead of the graphic equalizer.
[0043]
【The invention's effect】
As described above, according to the present invention, among the audio signals output from the audio device, the attenuation amount of the signal component in the frequency band used for the speech recognition processing is set to be smaller than the attenuation amount of the signal component in the other frequency band. Since it is increased, a good speech recognition rate can be obtained without reducing the output of the audio device so much.
[0044]
In addition, the signal component of the frequency band used for speech recognition is further divided into a plurality of frequency bands, and the attenuation amount of the signal component of the low frequency band is compared with the attenuation amount of the signal component of the high frequency band. By making it small, it is possible to make it easy to hear the sound output from the audio device while maintaining a good speech recognition rate.
[Brief description of the drawings]
FIG. 1 is a diagram showing an example of actual measurement of a human voice spectrum, showing an average value of five women and an average value of two men.
FIG. 2 is a diagram showing an example of actual measurement of a human voice spectrum, and shows a spectrum of conversation voice and syllable by one man.
FIG. 3 is a diagram showing an example of actual measurement of a human speech spectrum, and shows female syllable spectra at distances of 3 cm and 33.5 cm.
FIG. 4 is a diagram showing a configuration of an in-vehicle audio / navigation system provided with a voice recognition device according to an embodiment of the present invention.
[Explanation of symbols]
11 ... Talk switch,
12 ... Mike,
13 ... voice recognition unit,
14 ... Voice input dictionary database,
15 ... control unit,
16 ... navigation device body,
20: Audio signal generator,
21 ... Graphic equalizer,
22 ... Equalizer pattern storage unit,
23 ... Amplifier,
24 ... Speaker.

Claims

An audio input unit that inputs audio and converts it into an electrical signal;
A speech recognition unit that performs speech recognition processing on the output of the speech input unit;
A level adjustment unit that inputs an audio signal and can individually adjust the level of each frequency band of the audio signal;
An amplifier for transmitting the audio signal adjusted by the level adjustment unit to a speaker;
A level adjustment pattern storage unit that stores a plurality of level adjustment patterns for each frequency band by the level adjustment unit;
A talk switch operated by the user;
A control unit that controls the voice recognition unit and the level adjustment unit;
The level adjustment pattern storage unit further divides the frequency band signal component used at the time of the voice recognition as a specific level adjustment pattern into a plurality of frequency bands, and reduces the reduction amount of the signal component of the low frequency band to the high frequency band. A pattern that is smaller than the reduction amount of the signal component in the frequency band on the side is stored,
Wherein the control unit selects the particular level adjustment pattern from among a plurality of level adjusting pattern the talk switch is stored in the level adjustment pattern storage unit when on, and controls the level adjusting unit A speech recognition apparatus characterized in that a signal component in a frequency band used for speech recognition is attenuated more than a signal component in another frequency band.