JP4178931B2

JP4178931B2 - Voice recognition device

Info

Publication number: JP4178931B2
Application number: JP2002351961A
Authority: JP
Inventors: 健大野; 大介斎藤
Original assignee: Nissan Motor Co Ltd
Current assignee: Nissan Motor Co Ltd
Priority date: 2002-12-04
Filing date: 2002-12-04
Publication date: 2008-11-12
Anticipated expiration: 2022-12-04
Also published as: JP2004184716A

Description

【０００１】
【発明の属する技術分野】
本発明は、音声を認識する音声認識装置に関する。
【０００２】
【従来の技術】
【特許文献１】
特開平６−２６６３８６号公報
従来、音声認識を行う装置として、たとえば特開平６−２６６３８６号公報に開示されたようなものがある。これは入力音声の時刻に同期して入力音声中に存在するキーワードを検出し、音声認識を行っている。
【０００３】
【発明が解決しようとする課題】
このような上記従来の音声認識装置にあっては、使用者が未知語を発話する可能性が少ない場合においても未知語を含む発話を認識可能としているために、音声中に未知語が含まれていないにもかかわらず、音声中に未知語が含まれていると認識してしまい、音声認識率が低下するといった問題があった。たとえば地名を発話する場合において、使用者が「神奈川県横浜市旭区」と発話し、音声認識装置が未知語を含む音声を認識可能状態である場合、認識結果が「神奈川県横浜市あ瀬谷区」と、未知語である「あ」が含まれた音声であると認識されてしまい、「旭区」であるべき認識結果が「あ瀬谷区」と誤認識されてしまっていた。
【０００４】
そこで本発明はこのような問題点に鑑み、音声認識率の高い音声認識装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】
本発明は、認識対象語とその他の未知語が出現する順序関係を規定したネットワーク文法を記憶する記憶部と、該記憶部に記憶されたネットワーク文法を認識対象として設定するネットワーク文法設定手段と、該ネットワーク文法設定手段によって設定された文法にもとづいて、音声信号の認識処理を行う信号処理部とを有する音声認識装置において、認識結果の訂正を指示する誤認識訂正指示部を備え、記憶部は未知語を含まないネットワーク文法を記憶し、ネットワーク文法設定手段は、初期状態では未知語を含むネットワーク文法を認識対象とするが、誤認識訂正指示部から認識結果の訂正指示があった場合には、未知語を含まないネットワーク文法を認識対象として設定するものとした。
【０００６】
【発明の効果】
本発明によれば、音声認識装置は初期状態では未知語を含むネットワーク文法を認識対象とするが、音声の認識結果に対して誤認識訂正指示部から訂正指示があった場合、未知語を含まないネットワーク文法を認識対象として設定する。音声認識装置の使用者が訂正後の発話を行う際には、発話内容を正確に認識しており、発話中に「あー」、「えー」などの未知語が含まれることが少なくなる。よってこのような場合に、未知語を含まないネットワーク文法を認識対象とすることにより、未知語が含まれることに起因する誤認識を防止することができる。
【０００７】
【発明の実施の形態】
次に本発明の実施の形態を実施例により説明する。
以下に示す各実施例は、本発明における音声認識装置を車両のナビゲーションシステムに適用したものである。
図１に、第一の実施例における車両のナビゲーションシステムの全体構成を示す。
図示しないＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ）アンテナによって受信された信号より自車両の位置を演算し、使用者に各種の情報を提示するナビゲーション制御部２が、音声の認識処理を行う信号処理部３に接続される。
【０００８】
信号処理部３はメモリやＣＰＵから構成される。信号処理部３には、音声認識を行う認識対象語とその他の未知語用の音響モデル、および認識対象語とその他の未知語が出現する順序関係を規定したネットワーク文法を記憶している記憶部６と、発話スイッチ１３および訂正スイッチ１４を備えた入力部１２とが接続される。
【０００９】
また信号処理部３には、Ｄ／Ａコンバータ７、出力アンプ８を介してスピーカ９が接続され、信号処理部３から出力されたデジタルの音声信号がＤ／Ａコンバータ７によってアナログの音声信号に変換され、出力アンプ８によって増幅されてスピーカ９から音声として出力される。
信号処理部３には、Ａ／Ｄコンバータ１０を介してマイク１１が接続され、マイク１１から入力されたアナログの音声信号がＡ／Ｄコンバータ１０によってデジタルの音声信号に変換されて信号処理部３に伝達される。
【００１０】
ナビゲーション制御部２は表示部１６およびスピーカ９に接続されており、表示部１６およびスピーカ９を通じて車両のドライバ等に位置情報等を提示する。信号処理部３、記憶部６、Ｄ／Ａコンバータ７、出力アンプ８およびＡ／Ｄコンバータ１０より音声認識部１が構成される。
また、音声認識部１、ナビゲーション制御部２、表示部１６、スピーカ９、マイク１１および入力部１２よりナビゲーションシステム２０が構成される。
【００１１】
次に図２のフローチャートを用いて、ナビゲーションシステムの音声認識処理の流れについて説明する。
なお本実施例においては、ナビゲーション制御部２に目的地の入力を行うために発話された地名の音声認識処理について説明する。
ステップ１００において、信号処理部３はナビゲーションシステム２０の使用者によって、発話の開始を指示する入力部１２に設けられた発話スイッチ１３が操作されたかどうかの判断を行う。発話スイッチ１３の操作があった場合にはステップ１０１へ進む。
【００１２】
ステップ１０１において、信号処理部３は記憶部６に記憶されたネットワーク文法を認識対象として設定する。ここでネットワーク文法とは地名の階層構造の文法を指すものとし、図３にその一例を示す。まずはじめに都道府県名を認識対象語として規定し、次に各都道府県に対応する市町村名のように順次地名を規定する。また未知語が挿入される可能性のある各単語の前には、図中ＵＫで示すように未知語（たとえば「あー」、「えー」、「のー」等）を認識対象語として規定する。このようにネットワーク文法として、地名の文中に未知語が出現する順序関係が規定される。
これにより使用者が地名以外の未知語を含む発話、たとえば「えー神奈川県のー横浜市のー旭区」と発話した際にも、未知語を含む地名を認識することができる。
【００１３】
図２のステップ１０２において、信号処理部３はステップ１０１において設定したネットワーク文法にもとづいて最大待受け時間を設定する。この最大待受け時間は、設定したネットワーク文法の最長の地名が発話された際にも、信号処理部３が十分に発話を受理できるように設定される。
【００１４】
ステップ１０３において、信号処理部３は音声取り込み処理を開始した旨を使用者に知らせるために、記憶部６に記憶された告知音声信号をＤ／Ａコンバータ７および出力アンプ８を通じて、スピーカ９から出力する。
【００１５】
音声取り込み開始を知らせる告知音声を聞いた使用者は、認識対象に含まれる単語の発話を行う。なお本実施例において、認識対象は図３に示すような地名とする。
マイク１１から入力された音声信号は、Ａ／Ｄコンバータ１０によってデジタル信号に変換されて信号処理部３に入力される。
【００１６】
発話スイッチ１３が操作されるまでの間、信号処理部３はＡ／Ｄコンバータ１０によって変換された音声のデジタル信号の平均パワーを演算している。発話スイッチ１３が操作された後、演算していた平均パワーに比べてデジタル信号の瞬間パワーが所定値以上大きくなったときに、ステップ１０４において、使用者が発話したと判断して音声の取り込みを開始する。
【００１７】
音声取り込みが開始されると、ステップ１０５において信号処理部３は記憶部６に記憶された認識対象語との一致度演算を開始する。一致度とは取り込まれた音声部分と個々の認識対象語とがどの程度似ているかを指し、さらにこの一致度はスコアとして得られる。本実施例において、スコアの値が大きいほど一致度が高いとする。
なお、このステップの処理を行う間も、並列して信号処理部３による音声取り込みは継続されている。
【００１８】
ステップ１０６において、発話の終端が検出されたかどうかの判断を行う。この終端の検出は、音声のデジタル信号の瞬間パワーが所定値以下の状態が所定時間以上続いた場合に、使用者の発話が終了したと判断するものである。発話の終端を検出した場合はステップ１０７へ進み、終了していない場合はステップ１１１へ進む。
【００１９】
ステップ１１１において、音声取り込み開始後、最大待受け時間を経過したかどうかの判断を行い、経過していない場合はステップ１０４へ戻る。また、最大待受け時間を経過しているときはステップ１０７へ進む。
【００２０】
ステップ１０７において、音声の取り込み処理を終了し、ステップ１０８において、信号処理部３は一致度の最も大きい認識対象語を認識結果として、Ｄ／Ａコンバータ７および出力アンプ８を通じてスピーカ９から出力する。本実施例においては、使用者が発話した「神奈川県横浜市旭区」に対し、信号処理部３は「神奈川県横浜市あ瀬谷区」（「あ」は未知語）と誤認識し、「神奈川県横浜市瀬谷区」をスピーカ９を通して出力したものとする。
【００２１】
ステップ１０９では、ステップ１０８における認識対象語の出力後、信号処理部３は所定時間内に、入力部１２に備えられた訂正スイッチ１４が操作されたかどうかの判断を行う。訂正スイッチ１４の操作があった場合はナビゲーションシステム２０の音声認識結果に対して、使用者が修正要求したと判断してステップ１１２へ進む。
【００２２】
ステップ１１２において、ネットワーク文法の再設定を行う。ここで再設定するネットワーク文法は、図４に示すように未知語を含まないものであり、ステップ１０１において設定したネットワーク文法と同様に地名の階層構造の文法を設定する。ネットワーク文法の再設定後、ステップ１０２へ戻り音声の認識処理を繰り返す。
【００２３】
一方、ステップ１０９において所定時間内に訂正スイッチ１４の操作がない場合は、使用者がナビゲーションシステム２０の認識結果を容認したと判断してステップ１１０へ進み、認識結果に応じた処理を行う。本実施例においては、信号処理部３は認識結果である地名をナビゲーション制御部２へ出力する。ナビゲーション制御部２は認識された地名を目的地として設定し、表示部１６等を通じて使用者に道案内等の情報提示を行う。
なお本実施例において、訂正スイッチ１４が本発明における誤認識訂正指示部を構成する。また本実施例において、図２におけるステップ１０１およびステップ１１２が本発明におけるネットワーク文法設定手段を構成する。
【００２４】
本実施例は以上のように構成され、音声認識装置の認識結果を訂正するため、使用者が訂正スイッチ１４を操作して再度発話を行った場合には、使用者は発話内容を明確に認識しており、「あー」、「えー」などの未知語が含まれることが少ない。よってこのような場合には、未知語を含まないネットワーク文法を認識対象として設定することにより、未知語が含まれることに起因する誤認識を低減することができる。
【００２５】
次に第二の実施例について説明する。
なお本実施例は上記第一の実施例における信号処理部３での処理内容を変更したものである。
図５のフローチャートを用いて、本実施例におけるナビゲーションシステムの音声認識処理の流れについて説明する。
ステップ２００からステップ２０８は上記第一の実施例におけるステップ１００からステップ１０８と同様であり、またステップ２１０からステップ２１１は第一の実施例におけるステップ１１０からステップ１１１と同様であり説明を省略する。
【００２６】
ステップ２０９において、ステップ２０８における認識対象語の出力後、信号処理部３は所定時間内に入力部１２に備えられた訂正スイッチ１４が操作されたかどうかの判断を行う。訂正スイッチ１４の操作があった場合はナビゲーションシステム２０の音声認識結果に対して、使用者が修正要求したと判断してステップ２１２へ進む。訂正スイッチ１４の操作がない場合はステップ２１０へ進む。
【００２７】
ステップ２１２では、信号処理部３は認識結果に未知語が含まれているかどうかを判断し、未知語を含む場合はステップ２１３へ進む。また未知語を含まない場合は、ステップ２０２へ戻り、音声の認識処理を繰り返す。
ステップ２１３では、未知語を含まないネットワーク文法を認識対象として再設定し、ステップ２０２へ戻り音声の認識処理を繰り返す。
なお本実施例において、図５におけるステップ２０１およびステップ２１３が本発明におけるネットワーク文法設定手段を構成する。また訂正スイッチ１４が本発明における誤認識訂正指示部を構成する。
【００２８】
本実施例は以上のように構成され、信号処理部３による音声の認識結果が未知語を含む場合であって、かつその認識結果が誤認識であり訂正スイッチが操作されたあとの発話に対しては、未知語を含まないネットワーク文法を認識対象として設定する。このように未知語を含む認識結果に対して訂正が指示された場合、この誤認識が未知語を含むことに起因する可能性が高い。よってこのような場合には未知語を含まないネットワーク文法を設定することにより、未知語が含まれることに起因する誤認識を低減することができる。
【００２９】
次に第三の実施例について説明する。
図６に本実施例における車両のナビゲーションシステムの全体構成を示す。
音声の認識処理を行う信号処理部３Ａの内部に、ナビゲーションシステムの音声認識処理の使用回数、すなわち音声認識処理の実行回数を記憶する使用回数記憶部２３を有している。
信号処理部３Ａ、記憶部６、Ｄ／Ａコンバータ７、出力アンプ８およびＡ／Ｄコンバータ１０より音声認識部１Ａが構成される。
【００３０】
また音声認識部１Ａ、ナビゲーション制御部２、表示部１６、スピーカ９、マイク１１および入力部１２よりナビゲーションシステム２０Ａが構成される。
なお本実施例において、上記第一の実施例と同じ構成については同じ番号を付して説明を省略する。
【００３１】
次に図７のフローチャートを用いて、本実施例におけるナビゲーションシステムの音声認識処理の流れについて説明する。
ステップ３００において、信号処理部３Ａはナビゲーションシステム２０Ａの使用者によって、発話の開始を指示する入力部１２に設けられた発話スイッチ１３が操作されたかどうかの判断を行う。発話スイッチ１３の操作があった場合にはステップ３０１へ進む。
【００３２】
ステップ３０１において、信号処理部３Ａは使用回数記憶部２３に記憶された音声認識装置の使用回数が所定値以上かどうかを判断し、所定値未満である場合はステップ３０２へ進み、使用回数が所定値以上である場合はステップ３０３へ進む。
【００３３】
ステップ３０２において、信号処理部３Ａは、記憶部６に記憶された図３に示すような未知語を含むネットワーク文法を認識対象として設定する。
ステップ３０３において、信号処理部３Ａは、記憶部６に記憶された図４に示すような未知語を含まないネットワーク文法を認識対象として設定する。
【００３４】
ステップ３０４では、ステップ３０２またはステップ３０３において設定されたネットワーク文法にもとづいて最大待受け時間を設定する。
ステップ３０５からステップ３１３は上記第一の実施例におけるステップ１０３からステップ１１１と同様であり説明を省略する。
なお本実施例において、図７におけるステップ３０１からステップ３０３が本発明におけるネットワーク文法設定手段を構成する。また訂正スイッチ１４が本発明における誤認識訂正指示部を構成する。
【００３５】
本実施例は以上のように構成され、音声認識処理の使用回数が所定値未満の場合には、未知語を含むネットワーク文法を認識対象とするが、使用回数が所定値以上の場合には、未知語を含まないネットワーク文法を認識対象とする。
使用者のナビゲーションシステムの音声認識処理の使用頻度が多くなってきた場合、使用者の発話中に「あー」、「えー」などの未知語が含まれることが少なくなる。よってこのような場合には、未知語を含まないネットワーク文法を設定することにより未知語が含まれることに起因する誤認識を低減することができる。
【００３６】
次に第四の実施例について説明する。
図８に本実施例における車両のナビゲーションシステムの全体構成を示す。
音声の認識処理を行う信号処理部３Ｂの内部に、車両内の騒音量を計測する騒音計測部２４を有している。
信号処理部３Ｂ、記憶部６、Ｄ／Ａコンバータ７、出力アンプ８およびＡ／Ｄコンバータ１０より音声認識部１Ｂが構成される。
【００３７】
また音声認識部１Ｂ、ナビゲーション制御部２、表示部１６、スピーカ９、マイク１１および入力部１２よりナビゲーションシステム２０Ｂが構成される。
なお本実施例において、上記第一の実施例と同じ構成については同じ番号を付して説明を省略する。
【００３８】
次に図９のフローチャートを用いて、本実施例におけるナビゲーションシステムの音声認識処理の流れについて説明する。
ステップ４００において、信号処理部３Ｂはナビゲーションシステム２０Ｂの使用者によって、発話の開始を指示する入力部１２に設けられた発話スイッチ１３が操作されたかどうかの判断を行う。発話スイッチ１３の操作があった場合にはステップ４０１へ進む。
【００３９】
ここで信号処理部３Ｂは、騒音計測部２４によって計測される騒音を常時監視しており、使用者が発話スイッチ１３を押す以前の音信号の所定時間あたりの平均パワーを騒音量として算出している。
ステップ４０１において、信号処理部３は騒音計測部２４によって計測された騒音量が所定値以上かどうかを判断し、所定値以上である場合にはステップ４０３において、未知語を含まないネットワーク文法を認識対象として設定する。
【００４０】
一方ステップ４０１において、騒音量が所定値以下である場合には、ステップ４０２において未知語を含むネットワーク文法を認識対象として設定する。
ステップ４０４においては、ステップ４０２またはステップ４０３において設定されたネットワーク文法にもとづいて最大待受け時間を設定する。
ステップ４０５からステップ４１３は、上記第一の実施例におけるステップ１０３からステップ１１１と同様であり説明を省略する。
なお本実施例において、図９におけるステップ４０１からステップ４０３が本発明におけるネットワーク文法設定手段を構成する。また訂正スイッチ１４が本発明における誤認識訂正指示部を構成する。
【００４１】
本実施例は以上のように構成され、騒音計測部２４によって計測された騒音量が所定値以上のときには、未知語を含まないネットワーク文法を認識対象とする。使用者は車両内の騒音が大きい場合には、簡潔に発話した方が音声の認識率が高くなることを使用経験から認知するようになり、使用者の発話中に「あー」、「えー」などの未知語が含まれることが少なくなる。よってこのような場合には、未知語を含まないネットワーク文法を設定することにより未知語が含まれることに起因する誤認識を低減することができる。
【００４２】
次に第五の実施例について説明する。
図１０に本実施例における車両のナビゲーションシステムの全体構成を示す。音声の認識処理を行う信号処理部３Ｃの内部に、発話された文の発話頻度を係数する発話頻度係数部２５を有している。また信号処理部３Ｃは、発話頻度係数部２５によって係数された発話頻度を記憶部６に記憶する。
【００４３】
信号処理部３Ｃ、記憶部６、Ｄ／Ａコンバータ７、出力アンプ８およびＡ／Ｄコンバータ１０より音声認識部１Ｃが構成される。
また音声認識部１Ｃ、ナビゲーション制御部２、表示部１６、スピーカ９、マイク１１および入力部１２よりナビゲーションシステム２０Ｃが構成される。
なお本実施例において、上記第一の実施例と同じ構成については同じ番号を付して説明を省略する。
【００４４】
次に図１１のフローチャートを用いて、本実施例におけるナビゲーションシステムの音声認識処理の流れについて説明する。
ステップ５００において、信号処理部３Ｃはナビゲーションシステム２０Ｃの使用者によって、発話の開始を指示する入力部１２に設けられた発話スイッチ１３が操作されたかどうかの判断を行う。発話スイッチ１３の操作があった場合にはステップ５０１へ進む。
【００４５】
ステップ５０１において、信号処理部３Ｃは、認識対象語とその他の未知語が出現する順序関係を規定したネットワーク文法を認識対象として設定する。図１２にネットワーク文法の例を示す。図は地名の階層構造の文法を示し、未知語が挿入される可能性のある箇所を図中「ＵＫ」で示している。信号処理部３Ｃは、図１２の上段に示すように未知語を含む文法と、図の下段に示すように未知語を含まない文法とを同時に認識対象としている。
【００４６】
またステップ５０１においてネットワーク文法を設定する際に、記憶部６に記憶された発話頻度が所定値以上の発話文については、未知語を含まないネットワーク文法として設定する。
たとえば、過去に所定回数以上「神奈川県横浜市旭区」が認識結果となる地名の発話があった場合、この地名は図１２のＡに示すように未知語を含まないネットワーク文法として設定し、かつ未知語を含むネットワーク文法の認識対象語からは排除する。
【００４７】
ステップ５０２からステップ５１１は、上記第一の実施例におけるステップ１０２からステップ１１１と同じであり説明を省略する。
なお本実施例において、図１１におけるステップ５０１が本発明におけるネットワーク文法設定手段を構成する。また訂正スイッチ１４が本発明における誤認識訂正指示部を構成する。
【００４８】
本実施例は以上のように構成され、発話頻度係数部２５によって発話頻度が所定値以上係数された発話文については、その発話文を未知語を含まないネットワーク文法として設定し、かつ未知語を含むネットワーク文法からは排除する。使用者は言いなれた発話に対しては、「あー」、「えー」などの未知語を含む発話をすることが少なくなる。よってこのような認識対象語は未知語を含まないネットワーク文法として設定することにより、未知語が含まれることに起因する誤認識を低減することができる。
【００４９】
次に第六の実施例について説明する。
図１３に本実施例における車両のナビゲーションシステムの全体構成を示す。
音声の認識処理を行う信号処理部３Ｄの内部に、使用者の地名に対するなじみ度を判断するなじみ度判断部２６を有している。
信号処理部３Ｄ、記憶部６、Ｄ／Ａコンバータ７、出力アンプ８およびＡ／Ｄコンバータ１０より音声認識部１Ｄが構成される。
また音声認識部１Ｄ、ナビゲーション制御部２、表示部１６、スピーカ９、マイク１１および入力部１２よりナビゲーションシステム２０Ｄが構成される。
【００５０】
なじみ度判断部２６が行う地名に対するなじみ度判断は、たとえば使用者がナビゲーションシステム２０Ｄに登録した自宅住所、過去の走行履歴、過去に行ったことがある場所、あるいはこれらの場所の近傍の地名などについては、なじみ度があると判断するものである。
なお本実施例において、上記第一の実施例と同じ構成については同じ番号を付して説明を省略する。
【００５１】
本実施例における音声認識処理は、上記第五の実施例における図１１のフローチャートのステップ５０１をステップ６０１に置き換えたものであり、他のステップについては説明を省略する。
ステップ５００において、信号処理部３Ｄはナビゲーションシステム２０Ｄの使用者によって、発話の開始を指示する入力部１２に設けられた発話スイッチ１３が操作されたかどうかの判断を行う。発話スイッチ１３の操作があった場合にはステップ６０１へ進む。
【００５２】
ステップ６０１において、信号処理部３Ｄは認識対象であるネットワーク文法を設定する際に、なじみ度判断部２６によってなじみ度があると判断された地名については、未知語を含まないネットワーク文法として設定し、かつ未知語を含むネットワーク文法からは排除する。ネットワーク文法の設定後ステップ５０２へ進む。
本実施例において、図１１におけるステップ６０１が本発明におけるネットワーク文法設定手段を構成する。また訂正スイッチ１４が本発明における誤認識訂正指示部を構成する。
【００５３】
本実施例は以上のように構成され、なじみ度判断部２６によってなじみ度があると判断された地名については、使用者は「あー」、「えー」などの未知語を含む発話をすることが少なくなる。よってこのような認識対象語については、未知語を含まないネットワーク文法として設定することにより未知語が含まれることに起因する誤認識を低減することができる。
【図面の簡単な説明】
【図１】本発明における第一の実施例を示す図である。
【図２】第一の実施例における音声認識処理の流れを示す図である。
【図３】未知語を含むネットワーク文法を示す図である。
【図４】未知語を含まないネットワーク文法を示す図である。
【図５】第二の実施例における音声認識処理の流れを示す図である。
【図６】第三の実施例を示す図である。
【図７】第三の実施例における音声認識処理の流れを示す図である。
【図８】第四の実施例を示す図である。
【図９】第四の実施例における音声認識処理の流れを示す図である。
【図１０】第五の実施例を示す図である。
【図１１】第五および第六の実施例における音声認識処理の流れを示す図である。
【図１２】ネットワーク文法を示す図である。
【図１３】第六の実施例を示す図である。
【符号の説明】
１、１Ａ、１Ｂ、１Ｃ，１Ｄ音声認識部
２ナビゲーション制御部
３、３Ａ、３Ｂ、３Ｃ、３Ｄ信号処理部
６記憶部
７Ｄ／Ａコンバータ
８出力アンプ
９スピーカ
１０Ａ／Ｄコンバータ
１１マイク
１２入力部
１３発話スイッチ
１４訂正スイッチ
１６表示部
２０、２０Ａ、２０Ｂ、２０Ｃ、２０Ｄナビゲーションシステム
２３使用回数記憶部
２４騒音計測部
２５発話頻度係数部
２６なじみ度判断部[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a speech recognition apparatus that recognizes speech.
[0002]
[Prior art]
[Patent Document 1]
JP-A-6-266386
2. Description of the Related Art Conventionally, as a device for performing speech recognition, for example, there is a device disclosed in Japanese Patent Laid-Open No. 6-266386. This detects a keyword present in the input voice in synchronization with the time of the input voice and performs voice recognition.
[0003]
[Problems to be solved by the invention]
In such a conventional speech recognition apparatus, since an utterance including an unknown word can be recognized even when the user is unlikely to utter an unknown word, the unknown word is included in the speech. In spite of this, there is a problem that the speech recognition rate is reduced because it is recognized that an unknown word is included in the speech. For example, when a place name is spoken, if the user speaks “Asahi Ward, Yokohama City, Kanagawa Prefecture” and the speech recognition device is capable of recognizing speech containing unknown words, the recognition result is “Asaseya, Yokohama City, Kanagawa Prefecture”. And the recognition result that should be “Asahi Ward” was misrecognized as “Aseya Ward”.
[0004]
In view of the above problems, an object of the present invention is to provide a speech recognition apparatus having a high speech recognition rate.
[0005]
[Means for Solving the Problems]
The present invention includes a storage unit that stores a network grammar that defines an order relationship in which recognition target words and other unknown words appear, a network grammar setting unit that sets the network grammar stored in the storage unit as a recognition target, In a speech recognition apparatus having a signal processing unit for performing speech signal recognition processing based on the grammar set by the network grammar setting means, the storage unit includes a misrecognition correction instruction unit for instructing correction of a recognition result. A network grammar that does not contain unknown words is stored, and the network grammar setting means initially recognizes network grammars that contain unknown words, but if there is a recognition result correction instruction from the misrecognition correction instruction unit Network grammars that do not contain unknown words are set as recognition targets.
[0006]
【The invention's effect】
According to the present invention, the speech recognition apparatus initially recognizes a network grammar including an unknown word, but includes an unknown word when a correction instruction is given from a misrecognition correction instruction unit for a speech recognition result. Set no network grammar as recognition target. When the user of the speech recognition apparatus utters the corrected speech, the utterance content is accurately recognized, and unknown words such as “ah” and “e” are less included in the utterance. Therefore, in such a case, misrecognition caused by the inclusion of an unknown word can be prevented by using a network grammar that does not include an unknown word as a recognition target.
[0007]
DETAILED DESCRIPTION OF THE INVENTION
Next, embodiments of the present invention will be described by way of examples.
In the following embodiments, the speech recognition apparatus according to the present invention is applied to a vehicle navigation system.
FIG. 1 shows the overall configuration of a vehicle navigation system in the first embodiment.
A navigation control unit 2 that calculates the position of the host vehicle from a signal received by a GPS (Global Positioning System) antenna (not shown) and presents various information to the user is connected to a signal processing unit 3 that performs voice recognition processing. Is done.
[0008]
The signal processing unit 3 includes a memory and a CPU. The signal processing unit 3 stores a recognition target word that performs speech recognition and an acoustic model for other unknown words, and a network grammar that defines an order relationship in which the recognition target word and other unknown words appear. 6 and the input unit 12 including the speech switch 13 and the correction switch 14 are connected.
[0009]
A speaker 9 is connected to the signal processing unit 3 through a D / A converter 7 and an output amplifier 8, and a digital audio signal output from the signal processing unit 3 is converted into an analog audio signal by the D / A converter 7. It is converted, amplified by the output amplifier 8, and outputted from the speaker 9 as sound.
A microphone 11 is connected to the signal processing unit 3 via an A / D converter 10, and an analog audio signal input from the microphone 11 is converted into a digital audio signal by the A / D converter 10, and the signal processing unit 3. Is transmitted to.
[0010]
The navigation control unit 2 is connected to the display unit 16 and the speaker 9, and presents position information and the like to the driver of the vehicle through the display unit 16 and the speaker 9. The signal processing unit 3, the storage unit 6, the D / A converter 7, the output amplifier 8 and the A / D converter 10 constitute the speech recognition unit 1.
The voice recognition unit 1, navigation control unit 2, display unit 16, speaker 9, microphone 11 and input unit 12 constitute a navigation system 20.
[0011]
Next, the flow of voice recognition processing of the navigation system will be described using the flowchart of FIG.
In the present embodiment, a speech recognition process for a place name spoken in order to input a destination to the navigation control unit 2 will be described.
In step 100, the signal processing unit 3 determines whether or not the user of the navigation system 20 has operated the utterance switch 13 provided in the input unit 12 that instructs the start of the utterance. If the speech switch 13 has been operated, the process proceeds to step 101.
[0012]
In step 101, the signal processing unit 3 sets the network grammar stored in the storage unit 6 as a recognition target. Here, the network grammar refers to a grammar of a hierarchical structure of place names, and an example is shown in FIG. First, the prefecture name is defined as a recognition target word, and then the place name is defined sequentially like the municipality name corresponding to each prefecture. In addition, unknown words (for example, “Ah”, “Eh”, “No” ”, etc.) are defined as recognition target words before each word where an unknown word may be inserted, as indicated by UK in the figure. . As described above, the network grammar defines the order relationship in which unknown words appear in a place name sentence.
As a result, even when the user utters an utterance including an unknown word other than the place name, for example, “Eh Kanagawa Prefecture-Asahi Ward in Yokohama City”, the place name including the unknown word can be recognized.
[0013]
In step 102 in FIG. 2, the signal processing unit 3 sets the maximum standby time based on the network grammar set in step 101. This maximum standby time is set so that the signal processing unit 3 can sufficiently receive the utterance even when the longest place name of the set network grammar is uttered.
[0014]
In step 103, the signal processing unit 3 outputs the notification voice signal stored in the storage unit 6 from the speaker 9 through the D / A converter 7 and the output amplifier 8 in order to notify the user that the voice capturing process has started. To do.
[0015]
The user who has heard the announcement voice informing the start of voice capture utters a word included in the recognition target. In this embodiment, the recognition target is a place name as shown in FIG.
The audio signal input from the microphone 11 is converted into a digital signal by the A / D converter 10 and input to the signal processing unit 3.
[0016]
Until the speech switch 13 is operated, the signal processing unit 3 calculates the average power of the audio digital signal converted by the A / D converter 10. After the utterance switch 13 is operated, when the instantaneous power of the digital signal is greater than a predetermined value compared to the calculated average power, it is determined in step 104 that the user has uttered and the voice is captured. Start.
[0017]
When the voice capture is started, the signal processing unit 3 starts calculating the degree of coincidence with the recognition target word stored in the storage unit 6 in step 105. The degree of coincidence indicates how similar the captured speech portion is to each recognition target word, and this degree of coincidence is obtained as a score. In this embodiment, it is assumed that the greater the score value, the higher the degree of matching.
Note that while the processing in this step is performed, the audio capturing by the signal processing unit 3 is continued in parallel.
[0018]
In step 106, it is determined whether the end of the utterance has been detected. This end detection is performed when it is determined that the user's utterance has ended when a state in which the instantaneous power of the audio digital signal is below a predetermined value continues for a predetermined time or longer. If the end of the utterance is detected, the process proceeds to step 107. If not completed, the process proceeds to step 111.
[0019]
In step 111, it is determined whether or not the maximum standby time has elapsed after the start of voice capturing. If not, the process returns to step 104. When the maximum standby time has elapsed, the routine proceeds to step 107.
[0020]
In step 107, the voice capturing process is terminated, and in step 108, the signal processing unit 3 outputs the recognition target word having the highest degree of coincidence as a recognition result from the speaker 9 through the D / A converter 7 and the output amplifier 8. In this embodiment, the signal processing unit 3 misrecognizes as “Aseya-ku, Yokohama-shi, Kanagawa” (“A” is an unknown word) for “Asahi-ku, Yokohama-shi, Kanagawa” spoken by the user. It is assumed that “Seya-ku, Yokohama-shi, Kanagawa” is output through the speaker 9.
[0021]
In step 109, after the recognition target word is output in step 108, the signal processing unit 3 determines whether the correction switch 14 provided in the input unit 12 has been operated within a predetermined time. If the correction switch 14 is operated, it is determined that the user has requested correction of the voice recognition result of the navigation system 20, and the process proceeds to step 112.
[0022]
In step 112, the network grammar is reset. The network grammar to be reset here does not include an unknown word as shown in FIG. 4, and the grammar of the hierarchical structure of place names is set in the same manner as the network grammar set in step 101. After resetting the network grammar, the process returns to step 102 and the speech recognition process is repeated.
[0023]
On the other hand, if there is no operation of the correction switch 14 within a predetermined time in step 109, it is determined that the user has accepted the recognition result of the navigation system 20, and the process proceeds to step 110 to perform processing according to the recognition result. In this embodiment, the signal processing unit 3 outputs a place name as a recognition result to the navigation control unit 2. The navigation control unit 2 sets the recognized place name as a destination, and presents information such as road guidance to the user through the display unit 16 or the like.
In the present embodiment, the correction switch 14 constitutes a misrecognition / correction instruction unit in the present invention. In this embodiment, step 101 and step 112 in FIG. 2 constitute the network grammar setting means in the present invention.
[0024]
This embodiment is configured as described above, and in order to correct the recognition result of the speech recognition apparatus, when the user operates the correction switch 14 and speaks again, the user clearly recognizes the utterance content. And unknown words such as “Ah” and “Eh” are rarely included. Therefore, in such a case, by setting a network grammar that does not include an unknown word as a recognition target, it is possible to reduce misrecognition caused by including an unknown word.
[0025]
Next, a second embodiment will be described.
In this embodiment, the processing contents in the signal processing unit 3 in the first embodiment are changed.
The flow of voice recognition processing of the navigation system in this embodiment will be described using the flowchart of FIG.
Steps 200 to 208 are the same as Steps 100 to 108 in the first embodiment, and Steps 210 to 211 are the same as Steps 110 to 111 in the first embodiment, and the description thereof is omitted.
[0026]
In step 209, after the recognition target word is output in step 208, the signal processing unit 3 determines whether or not the correction switch 14 provided in the input unit 12 has been operated within a predetermined time. If the correction switch 14 is operated, it is determined that the user has requested correction of the voice recognition result of the navigation system 20, and the process proceeds to step 212. If the correction switch 14 is not operated, the process proceeds to step 210.
[0027]
In step 212, the signal processing unit 3 determines whether or not an unknown word is included in the recognition result. If the unknown word is included, the process proceeds to step 213. If the unknown word is not included, the process returns to step 202 to repeat the speech recognition process.
In step 213, the network grammar that does not include the unknown word is reset as a recognition target, and the process returns to step 202 to repeat the speech recognition process.
In this embodiment, step 201 and step 213 in FIG. 5 constitute the network grammar setting means in the present invention. Further, the correction switch 14 constitutes a misrecognition / correction instruction unit in the present invention.
[0028]
The present embodiment is configured as described above, and the speech recognition result by the signal processing unit 3 includes an unknown word, and the recognition result is a false recognition and the speech after the correction switch is operated Network grammars that do not contain unknown words are set as recognition targets. When correction is instructed for a recognition result including an unknown word as described above, there is a high possibility that the erroneous recognition includes an unknown word. Therefore, in such a case, setting a network grammar that does not include unknown words can reduce misrecognition caused by the inclusion of unknown words.
[0029]
Next, a third embodiment will be described.
FIG. 6 shows the overall configuration of the vehicle navigation system in this embodiment.
The signal processing unit 3A that performs voice recognition processing includes a usage number storage unit 23 that stores the number of times the navigation system uses voice recognition processing, that is, the number of times voice recognition processing is executed.
The signal recognition unit 1A is configured by the signal processing unit 3A, the storage unit 6, the D / A converter 7, the output amplifier 8, and the A / D converter 10.
[0030]
The voice recognition unit 1A, the navigation control unit 2, the display unit 16, the speaker 9, the microphone 11, and the input unit 12 constitute a navigation system 20A.
In this embodiment, the same components as those in the first embodiment are denoted by the same reference numerals and description thereof is omitted.
[0031]
Next, the flow of voice recognition processing of the navigation system in the present embodiment will be described using the flowchart of FIG.
In step 300, the signal processing unit 3A determines whether or not the user of the navigation system 20A has operated the utterance switch 13 provided in the input unit 12 instructing the start of the utterance. If the speech switch 13 has been operated, the process proceeds to step 301.
[0032]
In step 301, the signal processing unit 3A determines whether or not the number of uses of the speech recognition apparatus stored in the number-of-uses storage unit 23 is equal to or greater than a predetermined value. If it is greater than or equal to the value, the process proceeds to step 303.
[0033]
In step 302, the signal processing unit 3A sets a network grammar including unknown words as shown in FIG.
In step 303, the signal processing unit 3A sets a network grammar that does not include an unknown word as shown in FIG.
[0034]
In step 304, the maximum standby time is set based on the network grammar set in step 302 or step 303.
Steps 305 to 313 are the same as steps 103 to 111 in the first embodiment, and a description thereof is omitted.
In this embodiment, steps 301 to 303 in FIG. 7 constitute the network grammar setting means in the present invention. Further, the correction switch 14 constitutes a misrecognition / correction instruction unit in the present invention.
[0035]
The present embodiment is configured as described above, and when the number of times of use of the speech recognition processing is less than a predetermined value, the network grammar including the unknown word is a recognition target. Recognize network grammars that do not contain unknown words.
When the frequency of use of the voice recognition processing of the user's navigation system is increased, unknown words such as “ah” and “e” are less included in the user's utterance. Therefore, in such a case, setting a network grammar that does not include an unknown word can reduce misrecognition caused by the inclusion of the unknown word.
[0036]
Next, a fourth embodiment will be described.
FIG. 8 shows the overall configuration of the vehicle navigation system in this embodiment.
A noise measurement unit 24 that measures the amount of noise in the vehicle is provided inside the signal processing unit 3B that performs speech recognition processing.
The signal recognition unit 1B is configured by the signal processing unit 3B, the storage unit 6, the D / A converter 7, the output amplifier 8, and the A / D converter 10.
[0037]
The voice recognition unit 1B, the navigation control unit 2, the display unit 16, the speaker 9, the microphone 11, and the input unit 12 constitute a navigation system 20B.
In this embodiment, the same components as those in the first embodiment are denoted by the same reference numerals and description thereof is omitted.
[0038]
Next, the flow of voice recognition processing of the navigation system in the present embodiment will be described using the flowchart of FIG.
In step 400, the signal processing unit 3B determines whether the user of the navigation system 20B has operated the utterance switch 13 provided in the input unit 12 instructing the start of the utterance. If the speech switch 13 has been operated, the process proceeds to step 401.
[0039]
Here, the signal processing unit 3B constantly monitors the noise measured by the noise measuring unit 24, and calculates the average power per predetermined time of the sound signal before the user presses the speech switch 13 as the noise amount. Yes.
In step 401, the signal processing unit 3 determines whether or not the amount of noise measured by the noise measuring unit 24 is equal to or greater than a predetermined value. If it is equal to or greater than the predetermined value, in step 403, a network grammar that does not include an unknown word is recognized. Set as target.
[0040]
On the other hand, if the noise level is equal to or less than the predetermined value in step 401, a network grammar including an unknown word is set as a recognition target in step 402.
In step 404, the maximum standby time is set based on the network grammar set in step 402 or step 403.
Steps 405 to 413 are the same as steps 103 to 111 in the first embodiment, and a description thereof is omitted.
In this embodiment, steps 401 to 403 in FIG. 9 constitute the network grammar setting means in the present invention. Further, the correction switch 14 constitutes a misrecognition / correction instruction unit in the present invention.
[0041]
The present embodiment is configured as described above, and when the amount of noise measured by the noise measuring unit 24 is equal to or greater than a predetermined value, a network grammar that does not include an unknown word is a recognition target. If the noise in the vehicle is high, the user will recognize from the experience that the speech recognition rate will be higher if the user speaks succinctly. It is less likely that unknown words such as are included. Therefore, in such a case, setting a network grammar that does not include an unknown word can reduce misrecognition caused by the inclusion of the unknown word.
[0042]
Next, a fifth embodiment will be described.
FIG. 10 shows the overall configuration of the vehicle navigation system in this embodiment. The signal processing unit 3C that performs speech recognition processing includes an utterance frequency coefficient unit 25 that coefficients the utterance frequency of the spoken sentence. The signal processing unit 3 </ b> C stores the utterance frequency calculated by the utterance frequency coefficient unit 25 in the storage unit 6.
[0043]
A speech recognition unit 1C is configured by the signal processing unit 3C, the storage unit 6, the D / A converter 7, the output amplifier 8, and the A / D converter 10.
The voice recognition unit 1C, the navigation control unit 2, the display unit 16, the speaker 9, the microphone 11, and the input unit 12 constitute a navigation system 20C.
In this embodiment, the same components as those in the first embodiment are denoted by the same reference numerals and description thereof is omitted.
[0044]
Next, the flow of voice recognition processing of the navigation system in the present embodiment will be described using the flowchart of FIG.
In step 500, the signal processing unit 3C determines whether or not the user of the navigation system 20C has operated the utterance switch 13 provided in the input unit 12 instructing the start of the utterance. If the speech switch 13 is operated, the process proceeds to step 501.
[0045]
In step 501, the signal processing unit 3C sets, as a recognition target, a network grammar that defines an order relationship in which a recognition target word and other unknown words appear. FIG. 12 shows an example of the network grammar. The figure shows the grammar of the hierarchical structure of place names, and “UK” in the figure indicates a place where an unknown word may be inserted. The signal processing unit 3C simultaneously recognizes a grammar including an unknown word as shown in the upper part of FIG. 12 and a grammar including no unknown word as shown in the lower part of the figure.
[0046]
Further, when setting the network grammar in step 501, an utterance sentence whose utterance frequency stored in the storage unit 6 is a predetermined value or more is set as a network grammar that does not include an unknown word.
For example, if there is an utterance of a place name in which “Asahi-ku, Yokohama-shi, Kanagawa” is recognized as a recognition result more than a predetermined number of times in the past, this place name is set as a network grammar that does not include an unknown word as shown in FIG. Moreover, it is excluded from the recognition target words of the network grammar including unknown words.
[0047]
Steps 502 to 511 are the same as steps 102 to 111 in the first embodiment, and a description thereof will be omitted.
In this embodiment, step 501 in FIG. 11 constitutes the network grammar setting means in the present invention. Further, the correction switch 14 constitutes a misrecognition / correction instruction unit in the present invention.
[0048]
The present embodiment is configured as described above. For an utterance sentence whose utterance frequency is coefficientd by a predetermined value or more by the utterance frequency coefficient unit 25, the utterance sentence is set as a network grammar that does not include an unknown word, and the unknown word is Exclude it from the included network grammar. The user is less likely to utter utterances that include unknown words such as “Ah” and “Eh” for uttered utterances. Therefore, by setting such recognition target words as a network grammar that does not include unknown words, it is possible to reduce misrecognition caused by the inclusion of unknown words.
[0049]
Next, a sixth embodiment will be described.
FIG. 13 shows the overall configuration of the vehicle navigation system in this embodiment.
The signal processing unit 3D that performs voice recognition processing includes a familiarity determination unit 26 that determines the familiarity with respect to the place name of the user.
The signal processing unit 3D, the storage unit 6, the D / A converter 7, the output amplifier 8, and the A / D converter 10 constitute a voice recognition unit 1D.
The voice recognition unit 1D, the navigation control unit 2, the display unit 16, the speaker 9, the microphone 11, and the input unit 12 constitute a navigation system 20D.
[0050]
The familiarity determination for the place name performed by the familiarity degree determination unit 26 is, for example, a home address registered by the user in the navigation system 20D, a past travel history, a place that has been in the past, or a place name in the vicinity of these places. Is considered to be familiar.
In this embodiment, the same components as those in the first embodiment are denoted by the same reference numerals and description thereof is omitted.
[0051]
The voice recognition process in the present embodiment is obtained by replacing step 501 in the flowchart of FIG. 11 in the fifth embodiment with step 601, and description of other steps will be omitted.
In step 500, the signal processing unit 3D determines whether or not the user of the navigation system 20D has operated the utterance switch 13 provided in the input unit 12 instructing the start of the utterance. If the speech switch 13 has been operated, the process proceeds to step 601.
[0052]
In step 601, when the signal processing unit 3D sets the network grammar to be recognized, the place name determined to be familiar by the familiarity determining unit 26 is set as a network grammar that does not include an unknown word. It is excluded from network grammars that contain unknown words. After setting the network grammar, the process proceeds to step 502.
In this embodiment, step 601 in FIG. 11 constitutes the network grammar setting means in the present invention. Further, the correction switch 14 constitutes a misrecognition / correction instruction unit in the present invention.
[0053]
The present embodiment is configured as described above, and the user may utter an utterance including an unknown word such as “Ah” or “Eh” for the place name determined to be familiar by the familiarity degree determination unit 26. Less. Therefore, by setting such a recognition target word as a network grammar that does not include an unknown word, it is possible to reduce misrecognition caused by including the unknown word.
[Brief description of the drawings]
FIG. 1 is a diagram showing a first embodiment of the present invention.
FIG. 2 is a diagram showing a flow of speech recognition processing in the first embodiment.
FIG. 3 is a diagram showing a network grammar including an unknown word.
FIG. 4 is a diagram illustrating a network grammar that does not include an unknown word.
FIG. 5 is a diagram showing the flow of speech recognition processing in the second embodiment.
FIG. 6 is a diagram showing a third embodiment.
FIG. 7 is a diagram showing the flow of speech recognition processing in the third embodiment.
FIG. 8 is a diagram showing a fourth embodiment.
FIG. 9 is a diagram showing the flow of speech recognition processing in the fourth embodiment.
FIG. 10 is a diagram showing a fifth embodiment.
FIG. 11 is a diagram showing the flow of speech recognition processing in the fifth and sixth embodiments.
FIG. 12 is a diagram illustrating a network grammar.
FIG. 13 is a diagram showing a sixth embodiment.
[Explanation of symbols]
1, 1A, 1B, 1C, 1D Voice recognition unit
2 Navigation control unit
3, 3A, 3B, 3C, 3D signal processor
6 storage unit
7 D / A converter
8 Output amplifier
9 Speaker
10 A / D converter
11 Microphone
12 Input section
13 Speech switch
14 Correction switch
16 Display section
20, 20A, 20B, 20C, 20D Navigation system
23 Use count storage
24 Noise measurement unit
25 Utterance frequency coefficient
26 Familiarity degree judgment part

Claims

A storage unit for storing a network grammar that defines an order relationship in which recognition target words and other unknown words appear;
Network grammar setting means for setting the network grammar stored in the storage unit as a recognition target;
In a speech recognition apparatus having a signal processing unit for performing speech signal recognition processing based on the grammar set by the network grammar setting means,
A misrecognition correction instruction section for instructing correction of the recognition result is provided.
The storage unit stores a network grammar that does not include unknown words,
The network grammar setting means recognizes a network grammar including an unknown word in an initial state, but if there is an instruction to correct a recognition result from the misrecognition correction instruction unit, the network grammar setting unit does not include an unknown word. A speech recognition apparatus characterized by being set as a recognition target.

The network grammar setting means sets a network grammar that does not include an unknown word as a recognition target when an unknown word is included in the speech recognition result and there is an instruction to correct the recognition result thereafter. The speech recognition apparatus according to claim 1.