JP2005128076A

JP2005128076A - 端末からの音声データを認識する音声認識システム及び方法

Info

Publication number: JP2005128076A
Application number: JP2003360732A
Authority: JP
Inventors: Naonobu Yamashita; 直信山下
Original assignee: NTT Docomo Inc
Current assignee: NTT Docomo Inc
Priority date: 2003-10-21
Filing date: 2003-10-21
Publication date: 2005-05-19

Abstract

【課題】汎用的ではない語彙、文章を、ユーザが任意で辞書登録できるような共用音声認識システムを提供する。
【解決手段】ネットワークを経由して受信した端末からの音声データを文字データに変換する音声認識システムであって：音声データを、予め格納してある音声データ群と照合することにより音声認識を実行する音声認識機能部；及び語彙、文章等を記憶した共有辞書；を備え、認識した音声を文字へ変換する際に、先ず共有辞書を参照し、次にユーザの個人辞書を参照する、
ことを特徴とする音声認識システム。
【選択図】図１

Description

本発明は、端末から受信した音声データを認識する音声認識システム及び方法に関し、特に音声認識効率を高めるために、共有辞書だけでなく、各ユーザ専用の個人辞書を参照するような音声認識システム及び方法に関する。

最近、携帯電話端末を用いて日本語電子メールを送受信することが頻繁に行われてきている。送信すべき電子メールの漢字混じり文章を入力する際には、テンキーを何度も押すことによって先ず平仮名を入力し、次にそれを漢字に変換する煩雑な入力作業を行っている。電子メール文章作成以外にも、携帯端末に対して、コマンド操作、単語入力、文章入力等をする場合にもやはり煩雑な入力作業を行っている。

このような煩雑さを解消するために、携帯端末にもともと備わる音声入力部を利用した音声認識による文章入力方法が考えられているが、音声認識ソフトウエア及び音声・文字変換の処理機能を容量の限られた携帯電話内に組み込むことは困難である。そのため、処理能力の低い携帯電話が直接音声認識するのではなく、ネットワークに接続された大記憶容量且つ高処理能力の音声認識用の共用サーバが、携帯電話から送信された音声データを文字データに変換する方法がある（特許文献１）。

一般に、音声認識処理には、音声認識用エンジンである音声認識ソフトウエアと音声を文字に変換する際の照合用辞書とが用いられる。パーソナルコンピュータなどのようにスタンドアロンで利用する音声認識ソフトの場合には、提供される辞書登録ツールを用いてユーザが独自に辞書をカスタマイズすることができ、音声認識効率を容易に高めることが可能である。

しかしながら、不特定多数のユーザが利用する共用音声認識システムの場合には、全ユーザで共有の辞書を利用することになる。そのため、ユーザ単位に個人的に利用する汎用的ではない語彙、文章は、辞書登録されておらず、認識できないか、誤認識されてしまう。また、語彙、文章の追加登録はシステムの管理者により行われるため、ユーザが勝手に任意の語彙、文章を辞書登録することはできない。仮に任意に登録できたとすると、いたずらに汎用的でない語彙、文章が増加し、却って認識処理の遅延、誤認識の増加という悪い結果となる。
特開平１０−１９０８８４号公報

そこで、本発明は、以上の点に鑑みてなされたもので、ユーザ単位に当該ユーザしか使用しないような汎用的ではない語彙、文章を、システム管理者を仲介することなく、ユーザが任意で辞書登録できるような共用音声認識システムを提供することを目的とする。

上記の目的を達成するための本発明の一特徴に従った、ネットワークを経由して受信した端末からの音声データを文字データに変換する音声認識システムは、音声データを、予め格納してある音声データ群と照合することにより音声認識を実行する音声認識機能部；及び語彙、文章等を記憶した共有辞書；を備え、認識した音声を文字へ変換する際に、先ず共有辞書を参照し、次にユーザの個人辞書を参照することを特徴とする。

また、個人辞書を当該音声認識システム内に備えることができる。

あるいは、端末から個人辞書内の情報を受信することもできる。

本発明の他の特徴に従った、ネットワークを経由して受信した端末からの音声データを文字データに変換する音声認識システムにおける音声認識方法は、端末から認識すべき音声データを受信する段階；受信した音声データを、予め格納してある音声データ群と照合することにより音声認識を実行する段階；語彙、文章等を記憶した共有辞書を参照して、認識した音声を文字へ変換する段階；及び共有辞書内に該当データが無い場合に、ユーザ用の個人辞書を参照して、認識した音声を文字へ変換する段階；から構成されることを特徴とする。

また、個人辞書を当該音声認識システム内または前記端末内のいずれかに備えることができる。

本発明の実施例によれば、端末用の音声認識システムにおいて、ユーザ単位にカスタマイズされた辞書を持つことができ、認識率の増加によるユーザビリティの向上をもたらす。

また、任意のユーザが任意の語彙、文章を任意の辞書に登録できることで、ユーザ単位に固有の辞書を持つことができ、音声認識する際に、共有辞書とともに当該ユーザの辞書も併せて照合することにより、共有辞書の登録語彙、文章を増加させることなく、ユーザ特有の汎用的ではない語彙、文章に対する音声認識率を向上させることが可能となる。

以下、図面を参照しながら本発明に従った音声認識システム及び音声認識方法の実施例について説明する。

本発明の実施例に係る音声認識システムは、例えば図１に示すように構成される。図１において、例えば移動端末などの端末１００（１）は、内部に個人辞書を有しない端末である。端末１００（１）は、ネットワーク２００を経由して音声認識システム３００に接続することができる。
やはり移動端末などの端末１００（２）は、内部に個人辞書１１０を備えた端末である。端末１００（２）も同様にネットワーク２００を経由して音声認識システム３００に接続することができる。

音声認識システム３００は、メモリ３１１を内蔵した音声認識機能部３１０、辞書管理機能部３２０、全ユーザで使用できる共有辞書３３０、各ユーザ単位で使用する個人辞書群３４０を有し、ネットワーク２００に接続される。

端末１００（１）、１００（２）は、音声認識を望む音声データをネットワーク２００を介して、音声認識システム３００に送信することができる。端末からの音声データを受信した音声認識システム３００は、その音声データを、予め格納してある音声データ群と照合することにより、音声を認識して文字へと変換することができる。音声データを文字へと変換する際に、使用する辞書のデータ（語彙、文章等）をメモリ３１１上に展開して、そのデータを参照することができる。

共有辞書３３０をメモリ３１１上に展開することができ、また、システムに備えた個人辞書３４０を展開することもできる。さらに、ネットワーク２００を介したデータ送信により、端末１００（２）内の個人辞書１１０を展開することもできる。

以下に、内部に個人辞書を有しない端末１００（１）が、音声認識システム３００内の個人辞書３４０へ語彙を登録する手順について、図２に示すシーケンスにより説明する。

図２において、先ず、端末１００（１）が辞書管理機能３２０へ辞書登録要求を送信すると、辞書管理機能３２０は、辞書登録要求信号に含まれる端末特定番号（例えば電話番号）からユーザを特定し、当該ユーザの個人辞書を特定する（個人辞書がない場合は新規に作成する）。

次に、辞書管理機能３２０が、端末１００（１）に対して語彙入力要求を送信し、端末１００（１）はそれを受けて語彙を入力して辞書管理機能３２０へ送信する。

辞書管理機能３２０は語彙を受信すると、端末１００（１）に対して読み入力要求を送信し、端末１００（１）はそれを受けて読みを入力して辞書管理機能３２０へ返信する。

語彙及び読みを受信した辞書管理機能３２０は、共通辞書３３０に対して既に同じ語彙及び読みが登録されているか否かを参照する。登録済みであれば、辞書管理機能３２０が、端末１００（１）へ登録済みであることを通知し、シーケンスは終了する。

既登録がなければ、共通辞書３３０は辞書管理機能３２０へ登録が無いことを通知し、その通知を受けて辞書管理機能３２０は上記処理で特定された個人辞書３４０に対して、同じ語彙と読みが既に登録されているか否かを参照する。登録済みであれば辞書管理機能３２０を経由して端末１００（１）へ登録済みであることを通知し、シーケンスは終了する。

既登録がなければ、個人辞書３４０は新規語彙としてその語彙及び読みを辞書へ登録し、登録完了を辞書管理機能３２０を経由して端末１００（１）へ通知する。

以下に、内部に個人辞書を有しない端末が音声データを送信して、音声認識システム３００が音声認識する場合の音声認識手順について、図３に示すシーケンスにより説明する。

図３において、端末１００（１）は音声認識機能を利用することを音声認識機能部３１０へ送信すると、音声認識機能部３１０は受信した信号に含まれる端末特定番号（例えぱ電話番号）を辞書管理機能部３２０へ送信するとともに、端末１００（１）へ音声入力OKを送信する。

端末を特定する番号を受信した辞書管理機能部３２０はユーザを特定し、特定した個人辞書３４０へ辞書展開依頼を送信する。辞書展開依頼を受信した個人辞書３４０は辞書データをメモリ３１１上へ展開する。

また、辞書管理機能部３２０は共通辞書３３０へも辞書展開依頼を送信し、辞書展開依頼を受信した共通辞書３３０は辞書データをメモリ３１１上へ展開する。

一方、端末１００（１）が音声データを音声認識機能部３１０へ送信すると、音声認識機能部３１０はメモリ３１１上の共通辞書データと受信した音声データを照合する。照合の結果、該当する語彙等がある場合には、テキストデータとして、端末１００（１）へ送信する。

該当する語彙等が無い場合には、さらに個人辞書データと照合する。該当する語彙が検出されると、テキストデータとして端末１００（１）へ送信する。

以下に、内部に個人辞書を有しない端末１００（２）が自端末の辞書へ語彙を登録する手順について、図４に示すシーケンスにより説明する。

図４において、端末１００（２）は個人辞書１１０へ辞書登録要求を送信すると、個人辞書１１０は、端末１００（２）へ語彙入力要求を送信し、端末１００（２）はそれを受けて語彙を入力して個人辞書１１０へ送信する。

個人辞書１１０は語彙を受信すると、端末１００（２）へ読み入力要求を送信し、端末１００（２）はそれを受けて読みを入力して個人辞書１１０へ送信する。

語彙及び読みを受信した個人辞書１１０は、同じ語彙と読みが既に登録されているか否かを参照する。登録済みであれば端末１００（２）へ登録済みであることを通知し、シーケンスは終了する。

既登録がなければ、個人辞書１１０は新規語彙として語彙及び読みを辞書へ登録し、登録完了を端末１００（２）へ通知する。

以下に、内部に個人辞書を有する端末１００（２）が音声データを送信して、音声認識システム３００が音声認識する場合の音声認識手順について、図５に示すシーケンスにより説明する。

図５において、端末１００（２）は音声認識機能を利用することを音声認識機能部３１０へ送信すると、音声認識機能部３１０は受信した信号に含まれる端末特定番号（例えば電話番号）を辞書管理機能部３２０へ送信するとともに、端末１００（２）へ音声入力OKを送信する。

端末を特定する番号を受信した辞書管理機能部３２０はユーザを特定し、特定した個人辞書１１０へ辞書展開依頼を送信する。辞書展開依頼を受信した個人辞書１１０はネットワーク２００を介して、辞書データをメモリ３１１上へ展開する。

また、辞書管理機能３２０は共通辞書３３０へも辞書展開依頼を送信し、辞書展開依頼を受信した共通辞書３３０は辞書データをメモリ３１１上へ展開する。

一方、端末１００（２）が音声データを音声認識機能３１０へ送信すると、音声認識機能部３１０はメモリ３１１上の共通辞書データと受信した音声データを照合する。照合の結果、該当する語彙等がある場合には、テキストデータとして、端末１００（１）へ送信する。

本発明に従った、音声認識システムは、例えば移動無線システムの携帯端末における音声認識機能向上のために用いることができ、特に、共有辞書の登録語彙、文章を増加させることなく、各ユーザ特有の汎用的ではない語彙、文章に対する音声認識率を向上させるために用いることができる。

本発明の実施例に従った音声認識システムの概略図である。個人辞書を有しない端末の個人辞書登録シーケンスである。個人辞書を有しない端末の音声認識シーケンスである。個人辞書を有する端末の個人辞書登録シーケンスである。個人辞書を有する端末の音声認識シーケンスである。

符号の説明

100 端末
110 個人辞書
200 ネットワーク
300 音声認識システム
310 音声認識機能部
311 メモリ
320 辞書管理機能部
330 共有辞書
340 個人辞書

Claims

ネットワークを経由して受信した端末からの音声データを文字データに変換する音声認識システムであって：
前記音声データを、予め格納してある音声データ群と照合することにより音声認識を実行する音声認識機能部；及び
語彙、文章等を記憶した共有辞書；
を備え、
認識した音声を文字へ変換する際に、先ず共有辞書を参照し、次にユーザの個人辞書を参照する、
ことを特徴とする音声認識システム。
請求項１に記載された音声認識システムであって：
前記個人辞書を当該音声認識システム内に備えたことを特徴とする音声認識システム。
請求項１に記載された音声認識システムであって：
前記端末から個人辞書内の情報を受信することを特徴とする音声認識システム。
ネットワークを経由して受信した端末からの音声データを文字データに変換する音声認識システムにおける音声認識方法であって：
端末から認識すべき音声データを受信する段階；
受信した音声データを、予め格納してある音声データ群と照合することにより音声認識を実行する段階；
語彙、文章等を記憶した共有辞書を参照して、認識した音声を文字へ変換する段階；及び
共有辞書内に該当データが無い場合に、ユーザ用の個人辞書を参照して、認識した音声を文字へ変換する段階；
から構成されることを特徴とする音声認識方法。
請求項４に記載された音声認識方法であって：
前記個人辞書が当該音声認識システム内または前記端末内のいずれかに備えられたことを特徴とする音声認識方法。