JP4714410B2 - 対応するプロファイルの合成に対する使用許可テストを有するテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを処理する方法 - Google Patents

Description

発明の詳細な説明

本発明は、テキスト・ディスクリプション（ｔｅｘｔ ｄｅｓｃｒｉｐｔｉｏｎ）を処理する方法に係り、特に、テキスト及び音声合成の技術分野に関する。ただし、類推によって、本発明は、ジェスチャ・ディスクリプション（ｇｅｓｔｕｒｅ ｄｅｓｃｒｉｐｔｉｏｎ）、顔の表情ディスクリプション（ｆａｃｉａｌ ｅｘｐｒｅｓｓｉｏｎ ｄｅｓｃｒｉｐｔｉｏｎ）、及び／又は、挙動ディスクリプション（ｂｅｈａｖｉｏｒ ｄｅｓｃｒｉｐｔｉｏｎ）を処理する方法にも関連し、したがって、特に画像情報の合成に関する。

音声合成システム（すなわち、書かれたテキストを話し言葉に変換するシステム）は、多くの用途において一役買っている。例としては、テキスト形式のシステム返答が最初にユーザに読み上げられる電話情報又は取引システムが挙げられる。具体的な例としては、時刻表又は証券取引所株価情報用のシステム、及び、切符又は株購入用のシステムが挙げられる。別の用途は、例えば、ＰＣ、電話、テレビ電話、及び、ＦＡＸ機などの複数のメディアを通じた文書へのアクセスを可能にするのに役立ついわゆる「合成メッセージ」システムが挙げられる。ここでも、書かれた形で入手可能な文書は、電話を通じてアクセスしているユーザに対して読み上げられなければならない。

テキスト合成が音声合成システムの上流に接続されるという点で、電話情報又は取引システムなどの自動ダイアログ・システムの特に柔軟性は、音声合成を越えてさらに強化され得る。この場合、システムによって提供される情報は、最初、純粋に意味的な情報単位でしか入手可能ではない。これは、次いで、語彙、及び／又は、例えば丁寧のレベルや用途の特別な特徴などの他の特徴の精巧な又は多くの若しくは少しの言葉に制限された話し方のスタイルの具体的な選択を通じてテキスト合成システムによってテキストに変換される。

したがって、例えば、電話情報システムは、まず、ユーザ・リクエストに対して、データベースから情報「場所：ミュンヘン、プレフィックス：０８９、クリスチャンネーム：Ｓｕｓａｎｎｅ、姓：Ｍｅｙｅｒ、性別：女性、電話番号：４５４４６５３８」（独国の例）を検索することによって反応し、これらデータをテキスト合成システムに提供し得る。次いで、このシステムは、そこから、例えば、「あなたによってリクエストされたミセスＳｕｓａｎｎｅ Ｍｅｙｅｒさんの電話番号は４５，４４，６５，３８です。プレフィックスはミュンヘン、０８９です」、という文を作成し得る。

後で変更が必要となるならば、自動ダイアログ・システム、テキスト合成、及び、音声合成の個々の意味的な構成要素に作業を上記のように再分割することは、システム設計及びシステム・メンテナンスの柔軟性を向上させ、したがって、現実のシステムで幅広く用いられる。このように、上記分離は、例えば、このようなシステムを新しい言語にはるかにより容易に移行することを可能にする。なぜなら、このような移行は、例えば、意味的な構成要素に影響を与えないからである。

コンパクトな定式化を実現するために、テキスト及び音声合成用の入力データとして提供される基礎情報はテキスト表現で示され、音声合成の概念は、それがこのテキスト合成で示されたステップも有するという意味において拡張される。したがって、「言語プロファイル（ｌａｎｇｕａｇｅ ｐｒｏｆｉｌｅ）」という表現は、例えば、話し方のスタイル、言葉の選択、丁寧さのレベル、及び、用途特徴、という上述の要素などの音声合成システムによって合成に用いられる別の情報源の全体を包含する。ただし、実施形態に応じて、テキスト記述は、純粋な意味的情報だけでなく、例えばテキスト合成に関するインディケーションも含み得る。極端な場合、テキスト記述は、例えばテキスト自体をこのように既に示し得る。この場合、言語プロファイルは、本質的に、音声合成に使われるイントネーション及び音声のみを有する。したがって、ここでは、テキスト記述及び言語プロファイルの概念は、これらすべての考えられる実施形態を有するべきである。

テキスト・ディスクリプションの音声合成の他に、ジェスチャ及び／又は顔の表情に関連する画像合成も可能である。このように、例えば、テレビ電話の場合に送信されるデータ量を減らすことは、画像が強く圧縮されて送信されるという点で、有用である。単に画像描写が送信されればよいので、ここでは、送信側での画像認識と受信側での画像合成を用いることによって、高圧縮率が達成され得る。ここでは、音声合成から類推して、ジェスチャ・プロファイル及び顔の表情プロファイルが、音声プロファイルのように受信側に存在し、この特徴が合成に用いられることが必要である。その際、ある人の顔の特徴及び体の輪郭は、そのようなジェスチャ・プロファイル及び顔の表情プロファイルの一部を形成し得る。ただし、このプロファイルは、その人が微笑み方や特定の手の動きなどのジェスチャ及び顔の表情に関するその人の別の特徴を更に含んでもよい。その際、合成方法は、例えば、合成された音声、ジェスチャ、及び、顔の表情をその人の実際の表現に可能な限り近づけようとする。

別のステップにおいて、音声、ジェスチャ、及び、顔の表情に加えて、挙動を合成することができる。挙動の例としては、人又はシステムの問題解決戦略、すなわち、例えば、鉄道情報システムが、出発点、行き先、及び、所望の接続時間、に関する情報を与えるのに必要なデータを要求する方法、が挙げられる。このように、挙動は、通常、システムとユーザの間のインタラクションのより長い時間スペース上に拡張される。それは、言語、ジェスチャ、及び、顔の表情と同じように、挙動プロファイルによって挙動ディスクリプションから合成することができる。

合成に必要なテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情・ディスクリプション、及び／又は、挙動ディスクリプションは、直接入れられてもよく、或いは、音声及び／又は写真信号から認識プロセスによって得られてもよい。さらに、入手可能なテキスト・ディスクリプションにフィットしたジェスチャ・ディスクリプション及び／又は顔の表情ディスクリプションを自動的に生成することも考えられる。質問の場合、例えば、眉が上げられ得る。また、感嘆の場合、人差し指が上げられ得る。所望であれば更に音声合成用制御インジケータと共に、適切なジェスチャ・インディケーション及び／又は顔の表情インディケーションもテキスト・ディスクリプションと一体化させ得る。逆に、適切なテキストは、特定のジェスチャ及び／又は顔の表情の発生に適合するように生成され得る。したがって、驚いた顔の表情は、「おお！（ｏｈ！）」という叫び声を発生させ得る。さらに、挙動、音声、ジェスチャ、及び、顔の表情の間には緊密な関係もあることも明らかである。

このように、協力的な挙動は、通常、例えば、丁寧な定式化、友好的なジェスチャ、及び、微笑んだ顔、を伴う。

これらの例は、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションは、音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルによって合成することができることを示す。例えば、テキスト・ディスクリプションは、このように、音声合成とジェスチャ及び／又は顔の表情の合成との双方に利用され得る。

誰の音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルがそのような合成に用いられるかは、合成されるディスクリプションの性質と目的に依存し得る。例えば、テレビ電話接続が２人の参加者の間で確立されようとしている場合、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び、挙動ディスクリプションが、受信側において、送信側の個人のプロファイルを用いて合成されることは、ノーマルなやり方であろう。しかし、別の考えられる用途は、音響学的及び視覚的にアニメーション化された電子グリーティング・カードの送信である。例えば、送信者は、彼の友人の１人のために自ら創作した誕生日の歌を自身で録音し、彼の友人側においてその歌の演奏に有名な歌手のプロファイルを選ぶこともできる。したがって、受信側において、送信者のテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び、挙動ディスクリプションは、送信者のジェスチャ、顔の表情、及び、挙動を伴い、送信者のテキストを実行している有名な歌手を示す視聴覚的表現に変換され得る。別の方法として、その歌手のジェスチャ、顔の表情、及び、挙動は、送信者の又は受信者の希望に応じて、送信者のテキストのプレゼンテーションに対しても同様に用いられ得る。

実在の人物のプロファイルと同様に、人工的に作成されたプロファイルも用いることができる。したがって、例えば、特定のインターネット・アプリケーションにおいて、人工的な文字（いわゆる化身（ａｖａｔａｒ））を用いてユーザをガイドすることは普通である。また、このような人工的に作成されたプロファイルは、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションの合成にも用いられ得る。

米国特許第６，０３５，２７３号は、低データ通信レートで動作する音声通信システムについて開示している。これを実現するために、送信者の話した発話は、送信側の音声認識システムに供給されて、このようにテキストに変換される（音声→テキスト）。このテキストは、約１６０〜３００ビット／秒の低データレートを必要とする受信側に送信される。受信側において、このテキストは、送信者の音声プロファイルを用いて音声合成される。すなわち、それは再び話し言葉に変換される（テキスト→音声）。

米国特許第６，０３５，２７３号は、送信者の言語プロファイルを受信側に提供するための複数の可能性について言及している。したがって、例えば、送信者は、彼の言語プロファイルをテキストと共に送信し得る。しかし、別の方法として、言語プロファイルは、ネットワークに接続された装置（切替システム又は他のネットワーク要素に組み込まれたリモートＣＴＤ）に格納され、ネットワークを通じて受信者によって呼び出されてもよい。さらに、この言語プロファイルは、テキストと共に送信される代わりに、例えばテキストの送信前に、別途受信者に送信されてもよい（ＣＴＤ間の音声プロファイル送信）。

米国特許第６，０３５，２７３号は、実際、音声通信用の効率的な送信技術として送信者の言語プロファイルを用いた音声認識及びそれ続く音声合成の使用について開示しているが、それは言語プロファイルの使用のための保護メカニズムを一切提供しない。しかし、特に有名な人物の言語プロファイルの用途可能性に関連して、このような言語プロファイルの悪用の可能性があり、それにより、言語プロファイルを個人のプライバシのために保護するという需要が明らかにある。例えば、よく知られた歌手は、彼の声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び、挙動プロファイルを対価を払わなければ利用できないように準備すると共に、おそらく選択されたテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションの表現だけを準備してもよい。したがって、彼の声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び、挙動プロファイルの自由な入手可能性は、彼の芸術的な著作権の悪用にドアを開くであろう。同様の議論は、人工的に作成されたプロファイルの（例えばその開発にはかなりの費用が掛かっているであろう化身の）保護に有効である。

したがって、本発明の目的は、冒頭段落に記載した種類のテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを処理する方法であって、音声、ジェスチャ、顔の表情、及び／又は、挙動の合成に用いられる音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルの所有者の関心に、すなわち彼らのプロファイルの制御された使用への関心に、然るべき尊重を払う方法を提供することである。

この目的は、一方で、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを処理する方法であって、許可コード（ａｕｔｈｏｒｉｚａｔｉｏｎ ｃｏｄｅ）が音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルを合成に使うことを認めた場合に、上記テキスト・ディスクリプション、上記ジェスチャ・ディスクリプション、上記顔の表情ディスクリプション、及び／又は、上記挙動ディスクリプションが、上記音声プロファイル、上記ジェスチャ・プロファイル、上記顔の表情プロファイル、及び／又は、上記挙動プロファイルを用いて合成される方法によって達成され、他方で、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを処理するシステムであって、許可コードが音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルを合成に使うことを認めた場合に、上記テキスト・ディスクリプション、上記ジェスチャ・ディスクリプション、上記顔の表情ディスクリプション、及び／又は、上記挙動ディスクリプションが、上記音声プロファイル、上記ジェスチャ・プロファイル、上記顔の表情プロファイル、及び／又は、上記挙動プロファイルを用いて合成されるシステムによって達成される。

本方法へ許可コードを導入したことにより、本方法のユーザが音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルを合成に使うことが許可されているか否かをテストすることができる。このため、上記プロファイルの制御された使用において音声、ジェスチャ、顔の表情、及び／又は、挙動の合成に用いられる音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルの所有者の関心は保護される。

請求項２は、許可コードが音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルを実際に存在するテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションの合成に使うことを認めたか否かがテストされる本発明の一実施形態に関する。請求項３は、許可コードが所定回数の許可のために用いられ得る一実施形態について記載している。これは、例えば、本方法のユーザが、有名な歌手の音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び、挙動プロファイルを５回使うことを彼に許可する許可コードを取得した場合、或いは、ユーザが個々の許可コードによって特徴付けられた１つのテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションの合成のために２回だけこれらのプロファイルを使うことが許可された場合、を含む。

請求項４は、本方法において、暗号化された許可コードが用いられる一実施形態について記載している。これは、一方で、第三者による許可コードの無断コピーを防止するために又は少なくともこのコピーをより困難にするために、ネットワークを通じた許可コードの送信中の安全対策として用いられ得る。他方では、例えば、請求項２記載のように、許可コードが具体的なテキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションの合成のみを認める場合（すなわち、例えば、偽テキストに対する許可コードの使用が防止される又は少なくともより困難となる場合）に、許可コードと、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションと、音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルとの間の相互関係の完全性を守る可能性を生じる。

本発明の上記及び別の態様及び利点は、実施形態及び特に添付図面を参照して、以下により詳細に説明される。

図１は、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを処理する本発明に係る方法が実施され得るシステム配置の一実施形態を示す。本発明に係る方法を用いる様々な可能を提供する様々な構成要素がそこに図示されている。したがって、これら構成要素は、個々の実施形態に応じて、すべてが集合的に存在してもよく、或いは、一部のみが存在してもよい。

図１に図示された機器は、例えばインターネットや電話網であるネットワーク２０を通じて、有線で又はワイアレスで、相互接続される。この相互接続は、より長い期間にわたって存在してもよく、或いは、例えば電話での会話と同じように、必要に応じて、一時的に確立されてもよい。

図示された４つの機器を用いて、ユーザは、ネットワーク２０、公衆ユーザ端末１０、ラップトップ５０、ＰＣ６０、及び、電話７０に接続され得る。公衆ユーザ端末１０は、ディスプレイ１１、キーボード１２、マイク／スピーカの組み合わせ１３、チップカード用挿入スロット１４、及び、処理装置４２を備える。さらに、処理装置４０・・・４１及びデータ・メモリ３０・・・３１は、ネットワーク２０に接続される。

次に、図１に図示したシステム配置の本発明に係る考えられる利用シナリオについて、図２に図示されたフローチャートを参照して、説明する。

図２は、良く知られた人物の言語プロファイルを用いてテキストの音声合成用許可コードを取得するシーケンスをフローチャートで示す。スタート・ブロック１０１において、ユーザは、テキスト処理のために本発明に係るシステムと接触する。このために、例えば、彼は、彼の家庭用コンピュータ６０上で対応するインターネット・アドレスをタイプすることによって、インターネット２０を通じて、処理装置４０・・・４１への通信リンクを確立する。次いで、処理装置４０・・・４１は、ブロック１０２において、彼に何をしたいのかを尋ねる。

ユーザの望みに応じて、判断ブロック１０３後に、別の制御が分岐する。ここでは、ユーザが、良く知られた人物ＸＹの言語プロファイルを用いてあるテキストを複数回音声へ合成できるようにする許可コードを取得したいと思っているものとする。この場合、制御はブロック１０５へ切り替わり、それ以外の場合はすべて、残りのユーザの可能性に対処する別のブロック１０４（ここでは説明しない）へ切り替わる。

処理装置４０・・・４１は、ブロック１０５において、ユーザに思い描く良く知られた人物の名前を伝えるように要求する。次いで、ブロック１０６において、該人物が処理装置４０・・・４１に知られているか否かが確認される。知らない場合、ここではこれ以上説明しない代替的シーケンスがブロック１０７として続く。逆の場合、制御はブロック１０６からブロック１０８へ切り替わる。

次いで、ユーザは、ブロック１０８において、テキストと、その良く知られた人物の言語プロファイルを用いたい回数とを入力すること、及び、所望の許可コードに対する料金を支払うことを、この順序で要求される。この支払いは、例えば、クレジットカード番号の入力を通じて、行われ得る。公衆ユーザ端末１０がＰＣ６０の代わりに用いられる場合、それは、例えば公衆ユーザ端末１０のスロット１４へキャッシュカードの挿入を通じて、行われ得る。例えばユーザ自身の作文であるテキストは、ブロック１０８において、処理装置４０・・・４１に送信される。別の方法として、ユーザが、処理装置４０・・・４１とのダイアログにおいて、データ・メモリ３０・・・３１の１つにおいて準備されたテキストを選択することが考えられる。その場合、例えば、それは一般に知られている誕生日の歌に関するものであってもよい。

次いで、処理装置４０・・・４１は、所望の用途用の許可コードを、例えば数字のユニークなランダム・シーケンスとして、生成し、データ・メモリ３０・・・３１の１つに格納し、ユーザに伝達する。テキストがユーザによって処理装置４０・・・４１に伝達されると、このテキストもデータ・メモリ３０・・・３１の１つに格納され得る。許可コード、テキスト、及び良く知られた人物の言語プロファイル環の相互関係を示し、該許可コードが使用できる回数を指定した必要な管理データもデータ・メモリ３０・・・３１の１つに格納される。

ユーザは、最終的に、ブロック１１０において、それ以上の希望が何かあるか尋ねられる。ユーザの返答は、ブロック１１１において、評価される。ユーザが更なる希望を表現した場合、制御は更なる処理のために再度ブロック１０３に戻される。彼がそれ以上希望を持っていない場合、インタラクションは終了ブロック１１２において終わる。

図３は、良く知られた人物の言語プロファイルを用いたテキストの音声合成用許可コードの使用と合成されたテキストの相手先電話番号への送信とに関するステップのシーケンスを図式的に示すフローチャートである。ブロック２０１、２０２、２０３、及び２０４は、本質的に、図２のブロック１０１、１０２、１０３、及び１０４に対応している。しかし、ここでは、ユーザが、例えば図２のシーケンスに従って、以前に取得した許可コードを利用してリクエストされた良く知られた人物の言語プロファイルによってテキストを音声へ合成し、それを彼が選んだ電話番号へ送ることを欲するものとする。処理装置４０・・・４１の１つとコンタクトをとるため、例えば、彼は、ラップトップ５０、ＰＣ６０、又は電話７０を用いることができる。しかし、別の方法として、彼は、公衆ユーザ端末１０を用いて、例えばそれのローカル処理装置４２と通信してもよい。ここで、装置４２は、必要であればいつでも、ネットワーク２０を通じて、処理装置４０・・・４１の１つとコンタクトをとり得る。

ブロック２０５において、処理装置４０・・・４１、４２は、ユーザに、許可コードを入力するように要求する。システム構造及び用途に応じて、また、良く知られた人物の及び／又はテキストのあいまいでない特徴の入力を求めるリクエストも作られてもよい。しかし、ここでは、許可コードは、図２に係るシナリオにおいて取得され、ユニークに良く知られた人物及びあるテキストに属し、その相互関係はシステム（例えば、データ・メモリ３０・・・３１の１つ）に格納される。別の方法として、許可コードは、言語プロファイルのみを特徴付けてもよい（例えば、最大長より短い所望のあらゆるテキストの一度限りの合成を可能にする）。その場合、合成されるテキストをその時点で処理装置４０・・・４１、４２に対して明確に知らせておくべきである。

ブロック２０６は、個々の用途に対する許可コードの妥当性をテストする。用途に応じて、このテストは、許可コードが所望の言語プロファイルに属しているか否か、それが合成されるテキストに属しているか否か、及び、許可コードの期限が切れていないか否か（すなわち、予見された最大回数既に利用されたか否か）、に関する質問を含む。

許可コードが無効である場合、ここで説明していない別のインタラクション処理がブロック２０７において行われる。逆の場合、処理装置４０・・・４１、４２は、ブロック２０８において、音声合成されたテキストが送信されるべき電話番号を示すようにユーザに要求する。テキストの音声への合成、電話番号の選択、及びこの電話番号に応答する受信者への音声合成されたテキストの読み上げが、このブロックにおいて行われる。

このブロックは、特に、複数の方法で具現化され得る。例えば、処理装置４０・・・４１、４２は、まず、ユーザが正しい受信者が電話に出た否かを確認でき、処理ユニット４０・・・４１、４２がこれから彼／彼女にメッセージを読み上げることを受信者にアナウンスできるように、ユーザを受信者に接続し得る。その後、ユーザは、例えば電話機７０が用いられる場合、特別なボタンを押すことによって、処理装置４０・・・４１、４２への接続を再度取得し得る。代わりに、処理装置４０・・・４１、４２は、自身で、前置きテキストを参加者に読み上げてもよい。当初から誰も電話に出ない場合、処理装置４０・・・４１、４２は、遅延期間後に考えられた電話番号との接続を実現するのを新たに試み得る。別の方法として、例えば、ユーザは、音声合成されたテキストが電子メールの添付オーディオとしてこの場合電子メール・アドレスへ送信されることを判断できる。この場合、該アドレスは、その際に、システムに明らかに伝達されていなければならない。

ブロック２０８の後、別の処理ステップ２１０、２１１、及び２１２は、同様に、本質的に、図２のブロック１１０、１１１、及び１１２のそれらに対応している。

図４ａ及び４ｂは、テキストの著者の言語プロファイルを用いてテキストを準備、送信、受信、及び、音声合成するシーケンスを図式的に示す２つのフローチャートである。

図４ａは、まず、テキストを該テキストの著者の言語プロファイルと共に電子メールとして準備・送信する様子を示す。ブロック３０１においてスタートすると、ブロック３０２においてテキストが準備される。次いで、テキストと著者の言語プロファイルを特徴付ける許可コードが、ブロック３０３において生成される。このような許可コードを生成するために、例えば、テキスト及び言語プロファイルは、移動ビット・シーケンスとして表され得る（それは、次いで、ハッシュ（ｈａｓｈｉｎｇ）手順を用いて、複数の管理可能なサイズに画像化される）。テキスト、言語プロファイル、及び許可コードの間での相互関係の完全性を確実にするために、許可コードは、追加的に、ブロック３０３において、例えばテキストの著者の秘密鍵を用いたＲＳＡアルゴリズムなどの非対称な暗号化プロセスで暗号化される。

ブロック３０４において、テキストは、電子メールで、著者の言語プロファイル、暗号化された許可コード、及び、該著者固有の識別子と共に、送信される。このプロセスは、次いで、ブロック３０５において終わる。

図４Ｂは、テキストの著者の言語プロファイルと共に受信されたテキストの受信及び音声合成を示す。スタート・ブロック３１０の後、まず、テキスト、テキストの作者の言語プロファイル、暗号化された許可コード、及び、著者固有の識別子、を含んでいる電子メールが、ブロック３１１において、受信される。また、ブロック３１１において、テキスト、言語プロファイル、暗号化された許可コード、及び、著者識別子が、本発明に係るテキスト処理システムに提供される。

このシステムは、ブロック３１２において、許可コードが有効であるか否かをテストする。このために、暗号化された許可コードは、テキストの著者の公開鍵を用いて解読される。この解読ステップが成功し、解読された許可コードが、上述のハッシュ手順における送信されたテキスト及び言語プロファイルのハッシュ値に対応する場合、許可コードは有効である。許可コードが無効あれば、ここではこれ以上説明しない受信者との別のインタラクション処理がブロック３１３において実行される。逆の場合、テキストは、ブロック３１４において、言語プロファイルを用いて、音声に合成され、合成されたテキストは、オーディオ信号として出力され、受信者とのインタラクションは、ブロック３１５において終わる。

図４ａ及び４ｂにおいて、テキストの作者の秘密鍵を用いて暗号化された許可コードは、ユニークな著者識別子と共に、テキスト及び言語プロファイルの信頼性を証明すると共に、テキストを音声合成するための言語プロファイルの使用許可をテストする本発明に係るテキスト処理システムによって利用される署名を構成する。

このシナリオの変形例として、テキストの著者は、彼のテキストを音声合成するための彼の言語プロファイルの一般的な利用を許可してもよい。この場合、テキストの著者は、彼の言語プロファイルを一旦保存し、結局、受信側で用いられる本発明に係るテキスト処理システムに提供し、これにより、彼のテキストにサインし、それらを従来技術に従って送信することのみで満足する。その際、受信側で用いられる本発明に係るテキスト処理システムは、テキストを音声に合成するための著者の言語プロファイルの使用を許可するための署名によって提供された著者からのテキストの信頼性インジケータを用いる。

図２、３、４ａ、及び４ｂにおいて提示された本発明に係るテキスト処理システムの使用のシナリオは、多くの考えられる別の変形例の中の単なる例である。したがって、ネットワーク２０を通じて通信する構成要素を有する強く分散したアーキテクチャについて図２及び３を参照して説明したが、図４ａ及び４ｂでは、代わりに、すべての必要なアクションが送信側又は受信側でローカルに行われ、ネットワークは単に電子メールの送信に用いられるローカルなシナリオを提供することに注意。これらのアーキテクチャは、すなわち図４ａ及び４ｂの場合、混合されてもよい。例えば、言語プロファイルは、受信者がそれを取得し得るデータ・メモリ３０・・・３１の１つに存在する場合、必ずしもテキストとともに送信される必要はないことは明らかである。

さらに、図面の説明を簡潔に保つために、テキスト処理システムのみを参照した。しかしながら、本発明は、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションの処理に等しく適切であることは明らかである。また、本発明は、認識プロセスを用いて、独立して、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを生成する言語、ジェスチャ、顔の表情、及び／又は、挙動の認識システムと共に用いられ得る。また、テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションが、複数の方法で、音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル、及び／又は、挙動プロファイルを用いて合成され得るという上述の可能性をもう一度参照する。

テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション、及び／又は、挙動ディスクリプションを処理する本発明に係る方法が実施され得るシステム配置の一実施形態を示す図である。 良く知られた人物の言語プロファイルを用いたテキストの音声合成用の許可コードを取得するステップのシーケンスを図式的に示すフローチャートである。 良く知られた人物の言語プロファイルを用いたテキストの音声合成用許可コードの使用と合成されたテキストの相手先電話番号への送信とに関するステップのシーケンスを図式的に示すフローチャートである。 テキストの著者の言語プロファイルを用いてテキストを作成、送信、受信、及び、音声合成するステップのシーケンスを図式的に示す第一のフローチャートである。 テキストの著者の言語プロファイルを用いてテキストを作成、送信、受信、及び、音声合成するステップのシーケンスを図式的に示す第二のフローチャートである。

Claims (4)

1. テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション及び／又は挙動ディスクリプションを処理する方法であって、
   合成のための音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル及び／又は挙動プロファイルの使用を許可コードが認めた場合に、前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション、及び／又は前記挙動ディスクリプションが、前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル、及び／又は前記挙動プロファイルにより合成され、
   前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション、及び／又は前記挙動ディスクリプションの合成のための前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルの使用を前記許可コードが認めた場合に、前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション、及び／又は前記挙動ディスクリプションが、前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルにより合成される、
   方法。
2. 請求項１記載の方法であって、
   前記許可コードが前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルを前記合成のために使うことを既に認めた回数が所定の第一数より小さい場合に、並びに／若しくは、前記許可コードが前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション及び／又は前記挙動ディスクリプションを合成するための前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルの使用を認めた回数が所定の第二数より小さい場合に、前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション及び／又は前記挙動ディスクリプションは、前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルにより合成される、
   ことを特徴とする方法。
3. 請求項１又は２記載の方法であって、
   前記許可コードは、当該方法において暗号化され、そして解読され、
   特に、非対称な暗号法（特に、ＲＳＡ法や楕円カーブ法）が暗号化及び解読に用いられる、
   ことを特徴とする方法。
4. テキスト・ディスクリプション、ジェスチャ・ディスクリプション、顔の表情ディスクリプション及び／又は挙動ディスクリプションを処理するシステムであって、
   前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション及び／又は前記挙動ディスクリプションは、許可コードが前記合成のための音声プロファイル、ジェスチャ・プロファイル、顔の表情プロファイル及び／又は挙動プロファイルの使用を認めた場合に、前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルにより合成され、
   前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション、及び／又は前記挙動ディスクリプションの合成のための前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルの使用を前記許可コードが認めた場合に、前記テキスト・ディスクリプション、前記ジェスチャ・ディスクリプション、前記顔の表情ディスクリプション、及び／又は前記挙動ディスクリプションが、前記音声プロファイル、前記ジェスチャ・プロファイル、前記顔の表情プロファイル及び／又は前記挙動プロファイルにより合成される、
   ことを特徴とするシステム。

Images