JP7081164B2 - 表示制御装置、通信装置、表示制御方法および通信方法 - Google Patents

表示制御装置、通信装置、表示制御方法および通信方法 Download PDF

Info

Publication number
JP7081164B2
JP7081164B2 JP2018005700A JP2018005700A JP7081164B2 JP 7081164 B2 JP7081164 B2 JP 7081164B2 JP 2018005700 A JP2018005700 A JP 2018005700A JP 2018005700 A JP2018005700 A JP 2018005700A JP 7081164 B2 JP7081164 B2 JP 7081164B2
Authority
JP
Japan
Prior art keywords
unit
voice
lip
recognition
movement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018005700A
Other languages
English (en)
Other versions
JP2019125927A (ja
Inventor
拓之 照内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JVCKenwood Corp
Original Assignee
JVCKenwood Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JVCKenwood Corp filed Critical JVCKenwood Corp
Priority to JP2018005700A priority Critical patent/JP7081164B2/ja
Priority to PCT/JP2018/039528 priority patent/WO2019142424A1/ja
Priority to EP18901303.0A priority patent/EP3691256B1/en
Priority to CN201880065578.1A priority patent/CN111201786B/zh
Priority to KR1020207009456A priority patent/KR102446222B1/ko
Publication of JP2019125927A publication Critical patent/JP2019125927A/ja
Priority to US16/842,811 priority patent/US11508106B2/en
Application granted granted Critical
Publication of JP7081164B2 publication Critical patent/JP7081164B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—Three-dimensional [3D] animation
    • G06T13/205—Three-dimensional [3D] animation driven by audio data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B21/00—Teaching, or communicating with, the blind, deaf or mute
    • G09B21/009—Teaching or communicating with deaf persons
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/80—Two-dimensional [2D] animation, e.g. using sprites
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/24—Speech recognition using non-acoustical features
    • G10L15/25—Speech recognition using non-acoustical features using position of the lips, movement of the lips or face analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Geometry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Communication Control (AREA)

Description

本発明は、表示制御装置、通信装置、表示制御方法および通信方法に関する。
通信装置を使用して通話を行う際に、通話をしやすくするための技術が知られている。通話相手の発話内容を音声認識してテキスト表示する技術が知られている（例えば、特許文献１参照）。口唇の動きを示す絵柄または図形を生成表示したり、送話音声信号の音声認識結果のテキスト情報、または、合成音声信号による音声を出力させたりする技術が知られている（例えば、特許文献２参照）。
特開２００８－９９１２１号公報 特開２００６－００５４４０号公報
通話相手が聴覚障害者であるときに、特許文献１または特許文献２に記載の技術を使用すると、聴覚障害者が通話をしやすくなる。
しかしながら、発話内容をテキストで表示したり合成音声で出力したりする場合、発話者が意図するニュアンスが適切に伝わらないおそれがある。また、口唇の動きを表示する場合、口唇の動きが小さいと、発話内容を適切に認識できないおそれがある。
本発明は、上記に鑑みてなされたものであって、発話内容を適切に認識可能にすることを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る表示制御装置は、少なくとも発話者の口元を撮影した映像データを取得する映像取得部と、前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出部と、前記口唇検出部が検出した口唇部の動きが大きくなるように強調した映像を生成する映像処理部と、前記映像処理部が生成した映像を表示部に表示させる表示制御部と、を備えることを特徴とする。
本発明に係る通信装置は、上記の表示制御装置と、通話処理を行う通話処理部と、を備え、前記音声取得部は、通話時の発話音声を取得し、前記映像処理部は、前記通話処理部が送信する映像を、前記口唇検出部が検出した口唇部の動きが大きくなるように強調した映像とするを特徴とする。
本発明に係る通信装置は、上記の表示制御装置と、通話処理を行う通話処理部と、を備え、前記音声認識部は、前記通話処理部が受信して取得した音声データから音声を認識し、前記映像取得部は、前記通話処理部が受信した映像データを取得するを特徴とする。
本発明に係る表示制御方法は、少なくとも発話者の口元を撮影した映像データを取得する映像取得ステップと、前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出ステップと、前記口唇検出ステップによって検出した口唇部の動きが大きくなるように強調した映像を生成する映像処理ステップと、前記映像処理ステップによって生成した映像を表示部に表示させる表示制御ステップと、を含む。
本発明に係るプログラムは、少なくとも発話者の口元を撮影した映像データを取得する映像取得ステップと、前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出ステップと、前記口唇検出ステップによって検出した口唇部の動きが大きくなるように強調した映像を生成する映像処理ステップと、前記映像処理ステップによって生成した映像を表示部に表示させる表示制御ステップと、をコンピュータに実行させる。
本発明によれば、発話内容を適切に認識可能にすることができるという効果を奏する。
図１は、第一実施形態に係る通信装置の構成例を示すブロック図である。 図２は、第一実施形態に係る通信装置の構成例を示す概略図である。 図３は、口唇部を説明する図であり、口唇を閉じた状態を示す。 図４は、口唇部の動きの一例を説明する図である。 図５は、音声認識処理の処理結果と口唇動作認識処理の処理結果と認識率とを説明する図である。 図６は、口唇部の動きが大きくなるように強調した強調映像の一例を説明する図である。 図７は、口唇部の動きが大きくなるように強調した強調映像をユーザの顔部の映像に重畳または合成した映像を説明する図である。 図８は、第一実施形態に係る通信装置における処理の流れを示すフローチャートである。 図９は、第二実施形態に係る通信装置における処理の流れを示すフローチャートである。 図１０は、第三実施形態に係る通信装置における処理の流れを示すフローチャートである。
以下に添付図面を参照して、本発明に係る表示制御装置、通信装置、表示制御方法および通信方法の実施形態を詳細に説明する。なお、以下の実施形態により本発明が限定されるものではない。
［第一実施形態］
図１は、第一実施形態に係る通信装置の構成例を示すブロック図である。図２は、第一実施形態に係る通信装置の構成例を示す概略図である。通信装置１は、例えば、携帯電話のように通話機能を有する携帯用電子機器を含む通信装置またはコンピュータなどである。本実施形態では、通信装置１は、携帯電話であるものとして説明する。通信装置１は、カメラ１０とマイクロフォン２０と送受信部３０と表示パネル（表示部）４０とスピーカ５０と制御部１００とを有する。本実施形態では、通信装置１は、ユーザが発話者である。本実施形態では、ユーザの通話相手が聴覚障害者である。本実施形態では、通信装置１は、ユーザである発話者の発話音声の音声データと強調映像２１０の映像データとを、聴覚障害者である通話相手に送信する。
カメラ１０は、少なくともユーザの口唇部２００を含んだ口元を含む映像を撮影する。本実施形態では、カメラ１０は、ユーザの顔部の映像を撮影する。カメラ１０は、通話時に少なくともユーザの口唇部２００を撮影可能な位置に配置されている。本実施形態では、カメラ１０は、通信装置１の表示パネル４０の下側に配置されている。カメラ１０は、通信装置１において通話を開始すると、常時、映像を撮影する。カメラ１０は、撮影した映像データを制御部１００の映像取得部１０１に出力する。
マイクロフォン２０は、ユーザの発話音声の音声信号を取得する。本実施形態では、マイクロフォン２０は、通信装置１の表示パネル４０の下側に配置されている。マイクロフォン２０は、通信装置１において通話を開始すると、常時、音声信号を取得する。マイクロフォン２０は、取得した音声信号を制御部１００の音声取得部１０２に出力する。
送受信部３０は、音声と映像とによる通話を可能にする。送受信部３０は、ユーザの発話音声の音声データとユーザの顔部の映像データとを通話相手が使用している通信装置に送信する。送受信部３０は、通話相手の発話音声の音声データと顔部の映像データとを受信する。送受信部３０は、無線または有線によって通信する。送受信部３０は、例えば、４Ｇ回線等を含む携帯電話の回線を使用してもよい。送受信部３０は、例えば、Ｗｉｆｉ（登録商標）を含む無線通信規格を使用してもよい。送受信部３０は、有線による通信規格を使用してもよい。送受信部３０は、制御部１００の通話処理部１０３によって通話開始と通話終了とが制御される。
表示パネル４０は、液晶ディスプレイ（ＬＣＤ：Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）または有機ＥＬ（Ｏｒｇａｎｉｃ Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイなどを含むディスプレイである。表示パネル４０は、制御部１００の表示制御部１０４から出力された映像信号に基づき映像を表示する。
スピーカ５０は、音声出力装置である。スピーカ５０は、制御部１００の音声出力処理部１０５から出力された音声信号に基づき音声を出力する。本実施形態では、スピーカ５０は、送受信部３０を介して通話が行われているとき、通話相手の発話音声を出力する。
制御部１００は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などで構成された演算処理装置である。制御部１００は、記憶部１２０に記憶されているプログラムをメモリにロードして、プログラムに含まれる命令を実行する。制御部１００は、ユーザの口唇部２００の認識率が低いとき、ユーザの口唇部２００の動きを強調した強調映像２１０を生成する。制御部１００は、映像取得部１０１と音声取得部１０２と通話処理部１０３と表示制御部１０４と音声出力処理部１０５と音声認識部１０６と口唇検出部１０７と口唇動作認識部１０８と比較部１０９と映像処理部１１０とを有する。制御部１００には図示しない内部メモリが含まれ、内部メモリは制御部１００におけるデータの一時記憶などに用いられる。
映像取得部１０１は、少なくとも発話者の口唇部２００を含む口元を撮影した映像データを取得する。本実施形態では、映像取得部１０１は、少なくともユーザの口唇部２００を含む口元をカメラ１０が撮影した映像データを取得する。より詳しくは、映像取得部１０１は、カメラ１０が出力した映像信号に符号化処理などを実行して、デジタルデータである映像データを取得する。映像取得部１０１は、取得した映像データを口唇検出部１０７と映像処理部１１０とに出力する。
音声取得部１０２は、発話者の発話音声の音声データを取得する。より詳しくは、音声取得部１０２は、マイクロフォン２０が出力した音声信号にＡ／Ｄ（Ａｎａｌｏｇ／Ｄｉｇｉｔａｌ）変換処理を実行して、デジタルデータである音声データを取得する。音声取得部１０２は、取得した音声データを通話処理部１０３と音声認識部１０６と比較部１０９とに出力する。
通話処理部１０３は、送受信部３０を介して通話処理を行う。通話処理部１０３は、ユーザの音声データとユーザの映像データとを送受信部３０に出力する。通話処理部１０３は、通話相手の音声データと通話相手の映像データとを送受信部３０から取得する。通話処理部１０３は、取得したユーザまたは通話相手の映像データを表示制御部１０４に出力する。通話処理部１０３は、取得した通話相手の音声データを音声出力処理部１０５に出力する。
表示制御部１０４は、通話時に、ユーザまたは通話相手の強調映像２１０を表示する映像信号を表示パネル４０に出力する。より詳しくは、表示制御部１０４は、通話処理部１０３から取得した映像データに復号化処理を実行して、映像信号を表示パネル４０に出力する。または、表示制御部１０４は、映像取得部１０１が取得した映像データに復号化処理を実行して、映像信号を表示パネル４０に出力する。
音声出力処理部１０５は、通話処理部１０３が取得した音声データに復号化処理とＤ／Ａ（Ｄｉｇｉｔａｌ／Ａｎａｌｏｇ）変換処理とを実行して、音声信号をスピーカ５０に出力する。
音声認識部１０６は、音声取得部１０２が取得した音声データから音声を認識する音声認識処理を実行する。音声認識処理は、音素ごと、単語ごとなど任意の単位で行えばいよい。音声認識処理の方法は、公知のいずれの方法でもよく、限定されない。音声認識部１０６は、認識結果を比較部１０９に出力する。
口唇検出部１０７は、映像取得部１０１が取得した映像データから口唇部２００を検出するとともに、口唇部２００の動きを検出する。より詳しくは、口唇検出部１０７は、映像データに顔認識処理を行って、口唇部２００を検出する。または、口唇検出部１０７は、例えば、口唇辞書データを参照しながら画像認識処理を行って、口唇部２００を認識する。口唇検出部１０７は、検出した口唇部２００の動きを検出する。口唇検出部１０７は、検出結果を口唇動作認識部１０８に出力する。
口唇動作認識部１０８は、口唇検出部１０７が検出した口唇部２００の動きから発話内容を認識する。より詳しくは、口唇動作認識部１０８は、口唇辞書データを参照しながら画像認識処理を行って、発話内容を認識する。口唇動作認識処理は、音素ごと、単語ごとなど任意の単位で行えばいよい。口唇動作認識部１０８は、認識結果を比較部１０９に出力する。
図３、図４を参照して、口唇動作認識処理について説明する。図３は、口唇部を説明する図であり、口唇を閉じた状態を示す。図３に示す、口唇を閉じた状態における各部位の位置を基本位置とする。図４は、口唇部の動きの一例を説明する図である。本実施形態では、口唇動作認識部１０８は、例えば、口唇部２００の部位Ｐ１から部位Ｐ８の動きを検出することで、口唇部２００の動作を検出する。口唇部２００の各部位は、これらに限定されず、口唇部２００の動きを読み取ることができる部位であればよい。部位Ｐ１は、右側の口角である。部位Ｐ１の動きをベクトルＶ１で示す。ベクトルＶ１は、部位Ｐ１の基本位置に対する動きを示す。本実施形態で示す例では、ベクトルＶ１は、部位Ｐ１の動きが小さいため、図示を省略している。各図において、部位Ｐ１は、基本位置を図示している。他の部位についても同様である。部位Ｐ２は、左側の口角である。部位Ｐ２の動きをベクトルＶ２で示す。本実施形態で示す例では、ベクトルＶ２は、部位Ｐ２の動きが小さいため、図示を省略している。部位Ｐ３は、上唇の右側の上端部である。部位Ｐ３の動きをベクトルＶ３で示す。部位Ｐ４は、上唇の左側の上端部である。部位Ｐ４の動きをベクトルＶ４で示す。部位Ｐ５は、上唇の中央部の下端部である。部位Ｐ５の動きをベクトルＶ５で示す。部位Ｐ６は、下唇の右側の下端部である。部位Ｐ６の動きをベクトルＶ６で示す。部位Ｐ７は、下唇の左側の下端部である。部位Ｐ７の動きをベクトルＶ７で示す。部位Ｐ８は、下唇の中央部の上端部である。部位Ｐ８の動きをベクトルＶ８とする。
各ベクトルＶは、各部位Ｐについて、ひとつ前または所定数前のフレームの映像データの口唇部２００の各部位Ｐに対する動きとして示してもよい。
各ベクトルＶは、各部位Ｐについて、ある音素から次の音素を発するときの、口唇部２００の各部位Ｐに対する動きとして示してもよい。
比較部１０９は、同一の発話、言い換えると、同一期間における、音声認識部１０６が認識した認識結果と、口唇動作認識部１０８が認識した認識結果とを比較する。同一期間は、例えば、単語ごと、文節ごとなど、発話の任意の単位に対応する期間である。認識結果の比較とは、認識率の比較である。
認識率は、発話内容と認識結果とを比較して算出する。認識率は、例えば、発話内容と認識結果とがすべて一致したら１００％である。認識率は、発話内容に対して認識結果の文字が誤って挿入、削除、置換されると低く算出される。
図５を参照して、認識率について説明する。図５は、音声認識処理の処理結果と口唇動作認識処理の処理結果と認識率とを説明する図である。例えば、「おはよう」「ございます」と発話したものを、音声認識部１０６が「おはよう」「ごさいます」と認識した場合について説明する。認識結果の「おはよう」「ございます」の単語は、文脈から重み付け処理を行ったり、単語辞書と対比処理を行ったりすることによって、単語として成立していると判定されるので、認識率はいずれも１００％である。
例えば、「おはよう」「ございます」と発話したものを、口唇動作認識部１０８が「おあよう」「ごあいます」と認識した場合について説明する。認識結果の「おあよう」「ごあいます」の単語は、文脈から重み付け処理を行ったり、単語辞書と対比処理を行ったりすることによって、単語として成立していないと判定される。また、文脈や単語辞書によって、発話内容は「おはよう」「ございます」と推定される。このため、「おあよう」の認識率は７５％であり、「ごあいます」の認識率は８０％である。
映像処理部１１０は、口唇検出部１０７が検出した口唇部２００の動きが大きくなるように強調した強調映像２１０を生成する。本実施形態では、映像処理部１１０は、比較部１０９の比較結果において、音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低い場合、強調映像２１０を生成する。
図４、図６、図７を用いて、強調映像２１０について説明する。図６は、口唇部の動きが大きくなるように強調した強調映像の一例を説明する図である。図７は、口唇部の動きが大きくなるように強調した強調映像をユーザの顔部の映像に重畳または合成した映像を説明する図である。まず、図４に示す口唇部２００の部位Ｐ１から部位Ｐ８のベクトルＶ１からベクトルＶ８に、例えば、１以上、より好ましくは、１．５以上２．０以下の係数を乗算して各部位の位置を算出する。図６において、破線が図４に示すベクトルＶ１からベクトルＶ８を示し、実線が係数を乗算したベクトルＶ１からベクトルＶ８を示す。そして、算出された各部位、言い換えると、各ベクトルの先端部を結んで口唇部２００の外径を得る。このようにして、得られた外形を有する口唇部２００の映像が強調映像２１０である。本実施形態では、さらに、ユーザの元の顔部の映像の口唇部２００に強調映像２１０を重畳または合成して、図７に示す顔部映像２２０を生成する。
または、強調映像２１０を含むユーザの顔部のアニメーション映像を顔部映像２２０として生成してもよい。例えば、ユーザの顔を含む映像全体をアニメーションで表現してもよく、映像取得部が取得したユーザの映像に対し口唇部分のみをアニメーション映像として合成表示してもよい。
映像処理部１１０は、音声認識部１０６が認識した音声に基づいて口唇検出部１０７が検出した口唇部２００の動きを補正して強調映像２１０を生成してもよい。
映像処理部１１０は、強調映像２１０の生成処理を開始すると、例えば、通話終了まで、生成処理を継続する。
図１に戻って、記憶部１２０は、通信装置１におけるデータの一時記憶などに用いられる。記憶部１２０は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ（Ｆｌａｓｈ Ｍｅｍｏｒｙ）などの半導体メモリ素子、または、ハードディスク、光ディスクなどの記憶装置である。または、図示しない通信装置を介して無線接続される外部記憶装置であってもよい。記憶部１２０は、口唇辞書データを記憶している。
次に、図８を用いて、通信装置１の制御部１００における処理の流れについて説明する。図８は、第一実施形態に係る通信装置における処理の流れを示すフローチャートである。通信装置１において通話開始の操作が実行されると、ステップＳ１１以降の処理が実行される。通信装置１は、通話中、言い換えると、図８に示すフローチャートの処理が実行されている間、送受信部３０によって通話相手の発話音声が取得される。
制御部１００は、ユーザの発話音声およびユーザの顔部の映像を取得する（ステップＳ１１）。より詳しくは、制御部１００は、音声取得部１０２によってユーザの発話音声の音声データを取得する。制御部１００は、映像取得部１０１によってユーザの顔部の映像データを取得する。制御部１００は、ステップＳ１２に進む。
制御部１００は、音声認識処理を実行する（ステップＳ１２）。より詳しくは、制御部１００は、音声認識部１０６によって、音声取得部１０２が取得した音声データから音声を認識する音声認識処理を実行する。制御部１００は、ステップＳ１３に進む。
制御部１００は、口唇検出処理を実行する（ステップＳ１３）。より詳しくは、制御部１００は、口唇検出部１０７によって、映像取得部１０１が取得した映像データから口唇部２００を検出するとともに、口唇部２００の動きを検出する。制御部１００は、ステップＳ１４に進む。
制御部１００は、口唇動作認識処理を実行する（ステップＳ１４）。より詳しくは、制御部１００は、口唇動作認識部１０８によって、口唇検出部１０７が検出した口唇部２００の動きから発話内容を認識する。制御部１００は、ステップＳ１５に進む。
制御部１００は、認識結果比較処理を実行する（ステップＳ１５）。より詳しくは、制御部１００は、比較部１０９によって、音声認識部１０６が認識した認識結果の認識率と、口唇動作認識部１０８が認識した認識結果の認識率とを比較する。制御部１００は、ステップＳ１６に進む。
制御部１００は、音声認識率が口唇認識率より高いか否かを判定する（ステップＳ１６）。より詳しくは、制御部１００は、音声認識部１０６の認識結果の認識率が、口唇動作認識部１０８の認識結果の認識率より高い場合（ステップＳ１６でＹｅｓ）、ステップＳ１８に進む。制御部１００は、音声認識部１０６の認識結果の認識率が、口唇動作認識部１０８の認識結果の認識率より高くない場合（ステップＳ１６でＮｏ）、ステップＳ１７に進む。
制御部１００は、映像および音声を送信する（ステップＳ１７）。より詳しくは、制御部１００は、通話処理部１０３によって、ユーザの音声データとユーザの顔部の映像データとを送受信部３０に出力する。これにより、制御部１００は、ユーザの音声データとともに、口唇部２００の動きを強調する処理をしていないユーザの顔部の映像データを通話相手に送信する。制御部１００は、ステップＳ２０に進む。
制御部１００は、強調処理を実行する（ステップＳ１８）。より詳しくは、制御部１００は、映像処理部１１０によって、強調映像２１０を生成する。これにより、ユーザの口唇部２００の動きを強調した強調映像２１０を含むユーザの顔部の顔部映像２２０が生成される。制御部１００は、ステップＳ１９に進む。
制御部１００は、強調した映像および音声を送信する（ステップＳ１９）。より詳しくは、制御部１００は、通話処理部１０３によって、ユーザの音声データと強調映像２１０を含むユーザの顔部の顔部映像２２０の映像データとを送受信部３０に出力する。これにより、制御部１００は、ユーザの音声データとともに、ユーザの強調映像２１０を含む顔部映像２２０の映像データを通話相手に送信する。制御部１００は、ステップＳ２０に進む。
制御部１００は、通話終了の操作が実行されたか否かを判定する（ステップＳ２０）。より詳しくは、制御部１００は、例えば、通話終了のボタンが選択されるなどの通話終了操作が実行された場合（ステップＳ２０でＹｅｓ）、通話を終了して、フローチャートの処理を終了する。制御部１００は、通話終了操作が実行されていない場合（ステップＳ２０でＮｏ）、ステップＳ１１の処理を再度実行する。
このようにして、音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低い場合、ユーザの口唇部２００の動きが大きくなるように強調した強調映像２１０を生成する。
上述したように、本実施形態は、音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低い場合、ユーザの口唇部２００の動きを強調した強調映像２１０を含む顔部映像２２０を音声とともに通話相手に送信する。本実施形態によれば、ユーザの口唇部２００の動きが小さくても、通話相手が強調映像２１０からユーザの発話内容を認識しやすくすることができる。このように、本実施形態は、通話相手にユーザの発話内容を適切に認識させることができる。本実施形態によれば、聴覚障害を有する通話相手との通話をしやすくすることができる。
本実施形態は、強調映像２１０をユーザの顔部の映像に重畳または合成する。これにより、本実施形態によれば、通話相手は、強調映像２１０からユーザの発話音声を容易に認識することができるとともに、ユーザの顔部の顔部映像２２０から表情を読み取りユーザの発話内容の意図を適切に汲み取ることが可能である。
［第二実施形態］
図９を参照しながら、本実施形態に係る通信装置１について説明する。図９は、第二実施形態に係る通信装置における処理の流れを示すフローチャートである。本実施形態では、通信装置１は、ユーザが聴覚障害者である。本実施形態では、通話相手が発話者である。本実施形態では、通信装置１は、通話相手の発話音声の音声に対応する通話相手の顔部の映像を表示して、聴覚障害者であるユーザが通話をしやすくする。通信装置１は、基本的な構成は第一実施形態の通信装置１と同様である。以下の説明においては、通信装置１と同様の構成要素には、同一の符号または対応する符号を付し、その詳細な説明は省略する。通信装置１は、制御部１００における処理が通信装置１と異なる。
表示パネル４０は、送受信部３０を介して通話が行われているとき、通話相手の発話音声に対応した強調映像２１０を含む通話相手の顔部の顔部映像２２０を表示する。
スピーカ５０は、送受信部３０を介して通話が行われているとき、通話相手の発話音声を出力する。
制御部１００は、通話相手の口唇部２００の認識率が低いとき、通話相手の口唇部２００の動きを強調した強調映像２１０を生成する。
映像取得部１０１は、少なくとも通話相手の口唇部２００を含む口元が撮影された映像データを通話処理部１０３を介して取得する。
音声取得部１０２は、少なくとも通話相手の音声データを通話処理部１０３を介して取得する。
通話処理部１０３は、音声データと映像データとを送受信部３０から取得する。通話処理部１０３は、取得した音声データを音声取得部１０２に出力する。通話処理部１０３は、取得した映像データを映像取得部１０１に出力する。
表示制御部１０４は、通話時に、通話相手の顔部の映像を表示する映像信号を表示パネル４０に出力する。より詳しくは、表示制御部１０４は、通話処理部１０３から取得した通話相手の顔部の映像データに復号化処理を実行して、映像信号を表示パネル４０に出力する。または、表示制御部１０４は、映像処理部１１０が生成した強調映像２１０を含む通話相手の顔部映像の映像データに復号化処理を実行して、映像信号を表示パネル４０に出力する。
次に、図９を用いて、通信装置１における処理の流れについて説明する。図９に示すフローチャートのステップＳ２２ないしステップＳ２６、ステップＳ３０の処理は、図８に示すフローチャートのステップＳ１２ないしステップＳ１６、ステップＳ２０の処理と同様の処理を行う。
制御部１００は、受信した通話相手の発話音声および通話相手の顔部の映像を取得する（ステップＳ２１）。より詳しくは、制御部１００は、通話処理部１０３によって通話相手の発話音声の音声データと通話相手の顔部の映像データとを取得する。制御部１００は、ステップＳ２２に進む。
制御部１００は、映像を表示し、音声を出力する（ステップＳ２７）。より詳しくは、制御部１００は、表示制御部１０４によって、通話相手の口唇部２００の動きを強調する処理をしていない映像データに復号化処理を実行して、映像を表示する映像信号を表示パネル４０に出力する。制御部１００は、音声出力処理部１０５によって、通話相手の音声データにＤ／Ａ変換処理を実行して、音声信号をスピーカ５０に出力する。制御部１００は、ステップＳ３０に進む。
制御部１００は、強調処理を実行する（ステップＳ２８）。これにより、通話相手の強調映像２１０を含む顔部映像の映像データが生成される。制御部１００は、ステップＳ２９に進む。
制御部１００は、強調した映像を表示し、音声を出力する（ステップＳ２９）。より詳しくは、制御部１００は、表示制御部１０４によって、通話相手の強調映像２１０を含む顔部映像の映像データに復号化処理を実行して、映像信号を表示パネル４０に出力する。制御部１００は、音声出力処理部１０５によって、通話相手の音声データにＤ／Ａ変換処理を実行して、音声信号をスピーカ５０に出力する。制御部１００は、ステップＳ３０に進む。
このようにして、音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低い場合、通話相手の口唇部２００の動きが大きくなるように強調した強調映像２１０を生成する。
上述したように、本実施形態は、音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低い場合、通話相手の口唇部２００の動きを強調した強調映像２１０を含む顔部映像２２０を表示するとともに、通話相手の音声を出力する。本実施形態によれば、通話相手の口唇部２００の動きが小さくても、ユーザが強調映像２１０から通話相手の発話内容を認識しやすくすることができる。このように、本実施形態は、ユーザに通話相手の発話内容を適切に認識させることができる。本実施形態によれば、聴覚障害を有するユーザが通話相手との通話をしやすくすることができる。
［第三実施形態］
図１０を参照しながら、本実施形態に係る通信装置１について説明する。図１０は、第三実施形態に係る通信装置における処理の流れを示すフローチャートである。本実施形態では、通信装置１は、ユーザが聴覚障害者である。本実施形態では、通話相手が発話者である。通信装置１は、基本的な構成は第二実施形態の通信装置１と同様である。通信装置１は、制御部１００における処理が第二実施形態の通信装置１と異なる。
制御部１００は、通信相手が以前の通話で音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低いと判定されている場合、通話開始から、口唇部２００の動きを強調した強調映像２１０を生成する。
比較部１０９は、通話相手および通話ごとに比較結果を記憶部１２０に記憶させる。
映像処理部１１０は、通信相手が以前の通話で音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低いと判定されている場合、強調映像２１０を生成する。
記憶部１２０は、通話相手および通話ごとに比較部１０９による比較結果を記憶する。
次に、図１０を用いて、通信装置１における処理の流れについて説明する。図１０に示すフローチャートのステップＳ３２、ステップＳ３３ないしステップＳ３７、ステップＳ３８ないしステップＳ４０の処理は、図９に示すフローチャートのステップＳ２７、ステップＳ２１ないしステップＳ２５、ステップＳ２８ないしステップＳ３０の処理と同様の処理を行う。
制御部１００は、通話相手が以前の通話で音声認識率が口唇認識率より高いと判定されたか否かを判定する（ステップＳ３１）。より詳しくは、制御部１００は、記憶部１２０に、通話相手の以前の通話についての比較部１０９の比較結果であって、音声認識部１０６の認識結果の認識率が、口唇動作認識部１０８の認識結果の認識率より高いことが記憶されている場合（ステップＳ３１でＹｅｓ）、ステップＳ３３に進む。制御部１００は、記憶されていない場合（ステップＳ３１でＮｏ）、ステップＳ３２に進む。
このようにして、通信相手が以前の通話で音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低いと判定されている場合、通話相手の口唇部２００の動きが大きくなるように強調した強調映像２１０を生成する。
上述したように、本実施形態は、通信相手が以前の通話で音声認識部１０６による認識結果に比して口唇動作認識部１０８の認識結果の認識率が低いと判定されている場合、通話相手の口唇部２００の動きを強調した強調映像２１０を含む顔部映像２２０を表示するとともに、通話相手の音声を出力する。本実施形態によれば、聴覚障害を有するユーザが通話相手との通話をしやすくすることができる。
さて、これまで本発明に係る通信装置１について説明したが、上述した実施形態以外にも種々の異なる形態にて実施されてよいものである。
図示した通信装置１の各構成要素は、機能概念的なものであり、必ずしも物理的に図示の如く構成されていなくてもよい。すなわち、各装置の具体的形態は、図示のものに限られず、各装置の処理負担や使用状況などに応じて、その全部または一部を任意の単位で機能的または物理的に分散または統合してもよい。
通信装置１の構成は、例えば、ソフトウェアとして、メモリにロードされたプログラムなどによって実現される。上記実施形態では、これらのハードウェアまたはソフトウェアの連携によって実現される機能ブロックとして説明した。すなわち、これらの機能ブロックについては、ハードウェアのみ、ソフトウェアのみ、または、それらの組み合わせによって種々の形で実現できる。
上記した構成要素には、当業者が容易に想定できるもの、実質的に同一のものを含む。さらに、上記した構成は適宜組み合わせが可能である。また、本発明の要旨を逸脱しない範囲において構成の種々の省略、置換または変更が可能である。
第一実施形態と第二実施形態とは、一つの通信装置として実現されてもよい。
上記では、通信装置として説明したが、通信装置に限定されない。映像取得部１０１と音声取得部１０２と表示制御部１０４と音声出力処理部１０５と音声認識部１０６と口唇検出部１０７と口唇動作認識部１０８と比較部１０９と映像処理部１１０とを有する表示制御装置であってもよい。例えば、聴覚障害者であるユーザが、アナウンサーがニュースを読むニュース映像を視聴する際に、表示制御装置によって、アナウンサーの口唇部２００の動きを強調した強調映像２１０を視聴することができる。例えば、ユーザが、聴覚障害者のために映像を生成する際に、表示制御装置によって、発話者の口唇部２００の動きを強調した強調映像２１０を含んだ映像を生成することができる。
図８に示すフローチャートのステップＳ１６において、制御部１００は、口唇認識率が閾値以下であるか否かを判定してもよい。そして、口唇認識率が閾値以下であると判定された場合、ステップＳＳ１８に進み、口唇認識率が閾値以下ではないと判定された場合、ステップＳＳ１７に進む。
１ 通信装置
１０ カメラ
２０ マイクロフォン
３０ 送受信部
４０ 表示パネル（表示部）
５０ スピーカ
１００ 制御部
１０１ 映像取得部
１０２ 音声取得部
１０３ 通話処理部
１０４ 表示制御部
１０５ 音声出力処理部
１０６ 音声認識部
１０７ 口唇検出部
１０８ 口唇動作認識部
１０９ 比較部
１１０ 映像処理部
２００ 口唇部
２１０ 強調映像
２２０ 顔部映像

Claims (10)

  1. 少なくとも発話者の口元を撮影した映像データを取得する映像取得部と、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出部と、
    前記口唇検出部が検出した口唇部の動きから発話内容を認識する口唇動作認識部と、
    前記発話者の発話音声の音声データを取得する音声取得部と、
    前記音声取得部が取得した前記音声データから音声を認識する音声認識部と、
    前記音声認識部が認識した認識結果と、前記口唇動作認識部が認識した認識結果とを比較する比較部と、
    前記比較部の比較結果において、前記音声認識部による認識結果に比して前記口唇動作認識部の認識結果の認識率が低い場合、前記口唇検出部が検出した口唇部の動きが大きくなるように強調した映像を生成する映像処理部と、
    前記映像処理部が生成した映像を表示部に表示させる表示制御部と、
    を備えることを特徴とする表示制御装置。
  2. 少なくとも発話者の口元を撮影した映像データを取得する映像取得部と、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出部と、
    前記口唇検出部が検出した口唇部の動きが大きくなるように強調したアニメーションの映像を生成する映像処理部と、
    前記映像処理部が生成した映像を表示部に表示させる表示制御部と、
    を備えることを特徴とする表示制御装置。
  3. 通話処理を行う通話処理部と、
    少なくとも発話者の口元を撮影した映像データを取得する映像取得部と、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出部と、
    通話時の発話音声を取得する音声取得部と、
    前記音声取得部が取得した音声データから音声を認識する音声認識部と、
    前記通話処理部が送信する映像を、前記音声認識部が認識した音声に基づき前記口唇検出部が検出した口唇部の動きが大きくなるように強調した映像を生成する映像処理部と、
    前記映像処理部が生成した映像を表示部に表示させる表示制御部と、
    を備えることを特徴とする通信装置。
  4. 通話処理を行う通話処理部と、
    少なくとも発話者の口元を撮影した映像データを前記通話処理部が受信して取得する映像取得部と、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出部と、
    前記発話者の発話音声の音声データを取得する音声取得部と、
    前記通話処理部が受信して取得した音声データから音声を認識する音声認識部と、
    前記音声認識部が認識した音声に基づき前記口唇検出部が検出した口唇部の動きが大きくなるように強調した映像を生成する映像処理部と、
    前記映像処理部が生成した映像を表示部に表示させる表示制御部と、
    を備えることを特徴とする通信装置。
  5. 前記口唇検出部が検出した口唇部の動きから発話内容を認識する口唇動作認識部と、
    前記音声認識部が認識した認識結果と、前記口唇動作認識部が認識した認識結果とを比較する比較部、
    を備え、
    前記映像処理部は、前記通話処理部による通話開始後、前記比較部の比較結果が前記音声認識部による認識結果に比して前記口唇動作認識部の認識結果の認識率が低い結果が生じた場合、通話終了まで口唇動作を大きい映像となるように強調する処理を行う、
    請求項３または４に記載の通信装置。
  6. 前記口唇検出部が検出した口唇部の動きから発話内容を認識する口唇動作認識部と、
    前記音声認識部が認識した認識結果と、前記口唇動作認識部が認識した認識結果とを比較する比較部、
    を備え、
    前記映像処理部は、前記通話処理部による通話相手が以前の通話において、前記比較部の比較結果が前記音声認識部による認識結果に比して前記口唇動作認識部の認識結果の認識率が低い結果が生じた通話相手である場合、通話開始から口唇動作を大きい映像となるように強調する処理を行う、
    請求項３または４に記載の通信装置。
  7. 少なくとも発話者の口元を撮影した映像データを取得する映像取得ステップと、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出ステップと、
    前記口唇検出ステップによって検出された口唇部の動きから発話内容を認識する口唇動作認識ステップと、
    前記発話者の発話音声の音声データを取得する音声取得ステップと、
    前記音声取得ステップによって取得された前記音声データから音声を認識する音声認識ステップと、
    前記音声認識ステップによって認識された認識結果と、前記口唇動作認識ステップによって認識された認識結果とを比較する比較ステップと、
    前記比較ステップにおける比較結果において、前記音声認識ステップによる認識結果に比して前記口唇動作認識ステップにより認識結果の認識率が低い場合、前記口唇検出ステップによって検出された口唇部の動きが大きくなるように強調した映像を生成する映像処理ステップと、
    前記映像処理ステップによって生成された映像を表示部に表示させる表示制御ステップと、
    を含むことを特徴とする表示制御方法。
  8. 少なくとも発話者の口元を撮影した映像データを取得する映像取得ステップと、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出ステップと、
    前記口唇検出ステップによって検出された口唇部の動きが大きくなるように強調したアニメーションの映像を生成する映像処理ステップと、
    前記映像処理ステップによって生成された映像を表示部に表示させる表示制御ステップと、
    を含むことを特徴とする表示制御方法。
  9. 通話処理を行う通話処理ステップと、
    少なくとも発話者の口元を撮影した映像データを取得する映像取得ステップと、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出ステップと、
    通話時の発話音声を取得する音声取得ステップと、
    前記音声取得ステップによって取得された音声データから音声を認識する音声認識ステップと、
    前記通話処理ステップによって送信される映像を、前記音声認識ステップによって認識された音声に基づき前記口唇検出ステップによって検出された口唇部の動きが大きくなるように強調した映像を生成する映像処理ステップと、
    前記映像処理ステップによって生成された映像を表示部に表示させる表示制御ステップ
    と、
    を含むことを特徴とする通信方法。
  10. 通話処理を行う通話処理ステップと、
    少なくとも発話者の口元を撮影した映像データを前記通話処理ステップによって受信して取得する映像取得ステップと、
    前記映像データから口唇部を検出するとともに、口唇部の動きを検出する口唇検出ステップと、
    前記発話者の発話音声の音声データを取得する音声取得ステップと、
    前記通話処理ステップによって受信して取得した音声データから音声を認識する音声認識ステップと、
    前記音声認識ステップによって認識された音声に基づき前記口唇検出ステップによって検出された口唇部の動きが大きくなるように強調した映像を生成する映像処理ステップと、
    前記映像処理ステップによって生成された映像を表示部に表示させる表示制御ステップと、
    を含むことを特徴とする通信方法。
JP2018005700A 2018-01-17 2018-01-17 表示制御装置、通信装置、表示制御方法および通信方法 Active JP7081164B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2018005700A JP7081164B2 (ja) 2018-01-17 2018-01-17 表示制御装置、通信装置、表示制御方法および通信方法
PCT/JP2018/039528 WO2019142424A1 (ja) 2018-01-17 2018-10-24 表示制御装置、通信装置、表示制御方法およびプログラム
EP18901303.0A EP3691256B1 (en) 2018-01-17 2018-10-24 Display control device, communication device, display control method, and program
CN201880065578.1A CN111201786B (zh) 2018-01-17 2018-10-24 显示控制装置、通信装置、显示控制方法及存储介质
KR1020207009456A KR102446222B1 (ko) 2018-01-17 2018-10-24 표시 제어 장치, 통신 장치, 표시 제어 방법 및 컴퓨터 프로그램
US16/842,811 US11508106B2 (en) 2018-01-17 2020-04-08 Display control device, communication device, display control method, and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018005700A JP7081164B2 (ja) 2018-01-17 2018-01-17 表示制御装置、通信装置、表示制御方法および通信方法

Publications (2)

Publication Number Publication Date
JP2019125927A JP2019125927A (ja) 2019-07-25
JP7081164B2 true JP7081164B2 (ja) 2022-06-07

Family

ID=67301388

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018005700A Active JP7081164B2 (ja) 2018-01-17 2018-01-17 表示制御装置、通信装置、表示制御方法および通信方法

Country Status (6)

Country Link
US (1) US11508106B2 (ja)
EP (1) EP3691256B1 (ja)
JP (1) JP7081164B2 (ja)
KR (1) KR102446222B1 (ja)
CN (1) CN111201786B (ja)
WO (1) WO2019142424A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11069357B2 (en) * 2019-07-31 2021-07-20 Ebay Inc. Lip-reading session triggering events
EP4009629A4 (en) 2019-08-02 2022-09-21 NEC Corporation SPEECH PROCESSING DEVICE, SPEECH PROCESSING METHOD AND RECORDING MEDIA
KR102840394B1 (ko) 2020-04-14 2025-07-29 주식회사 엘지에너지솔루션 권취롤로부터 전극 기재를 이송하는 시스템 및 방법
KR102501665B1 (ko) * 2021-02-15 2023-02-17 연세대학교 산학협력단 입술 움직임 정보 분석 방법 및 장치
JP7624707B2 (ja) 2021-03-19 2025-01-31 国立大学法人九州工業大学 顔合成読唇装置及び顔合成読唇方法
CN113642469A (zh) * 2021-08-16 2021-11-12 北京百度网讯科技有限公司 嘴唇动作的检测方法、装置、设备和存储介质
JP2023112556A (ja) * 2022-02-01 2023-08-14 Ｎｅｃプラットフォームズ株式会社 視覚化装置、視覚化方法、及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296753A (ja) 2002-04-04 2003-10-17 Computer Image Laboratory Co Ltd 聴覚障害者用対話システム
WO2005109830A1 (ja) 2004-05-12 2005-11-17 Takashi Yoshimine 会話支援装置及び会話支援方法
JP2006140621A (ja) 2004-11-10 2006-06-01 Matsushita Electric Ind Co Ltd 携帯電話機
JP2012103904A (ja) 2010-11-10 2012-05-31 Sysystem Co Ltd 画像処理装置および方法、並びに、プログラム

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5907351A (en) * 1995-10-24 1999-05-25 Lucent Technologies Inc. Method and apparatus for cross-modal predictive coding for talking head sequences
JPH09265253A (ja) * 1996-03-29 1997-10-07 Hitachi Ltd 口唇アニメーション合成方法及び装置
US6014625A (en) * 1996-12-30 2000-01-11 Daewoo Electronics Co., Ltd Method and apparatus for producing lip-movement parameters in a three-dimensional-lip-model
JP3893763B2 (ja) * 1998-08-17 2007-03-14 富士ゼロックス株式会社 音声検出装置
KR100411760B1 (ko) 2000-05-08 2003-12-18 주식회사 모리아테크놀로지 애니메이션 영상 합성 장치 및 방법
WO2002029784A1 (en) * 2000-10-02 2002-04-11 Clarity, Llc Audio visual speech processing
JP2004098252A (ja) * 2002-09-11 2004-04-02 Ntt Docomo Inc コミュニケーション端末、口唇ロボットの制御方法及び口唇ロボットの制御装置
JP2006005440A (ja) 2004-06-15 2006-01-05 Sony Corp 通話送受信方法および通話端末
KR100820141B1 (ko) 2005-12-08 2008-04-08 한국전자통신연구원 음성 구간 검출 장치 및 방법 그리고 음성 인식 시스템
JP2008099121A (ja) 2006-10-13 2008-04-24 Nec Electronics Corp 携帯電話機及びプログラム
CN101101752B (zh) * 2007-07-19 2010-12-01 华中科技大学 基于视觉特征的单音节语言唇读识别系统
KR101092820B1 (ko) * 2009-09-22 2011-12-12 현대자동차주식회사 립리딩과 음성 인식 통합 멀티모달 인터페이스 시스템
BRPI0904540B1 (pt) * 2009-11-27 2021-01-26 Samsung Eletrônica Da Amazônia Ltda método para animar rostos/cabeças/personagens virtuais via processamento de voz
CN101751692B (zh) * 2009-12-24 2012-05-30 四川大学 语音驱动唇形动画的方法
US9493130B2 (en) * 2011-04-22 2016-11-15 Angel A. Penilla Methods and systems for communicating content to connected vehicle users based detected tone/mood in voice input
KR20130022607A (ko) * 2011-08-25 2013-03-07 삼성전자주식회사 입술 이미지를 이용한 음성 인식 장치 및 이의 음성 인식 방법
WO2013086027A1 (en) 2011-12-06 2013-06-13 Doug Carson & Associates, Inc. Audio-video frame synchronization in a multimedia stream
KR101862128B1 (ko) 2012-02-23 2018-05-29 삼성전자 주식회사 얼굴을 포함하는 영상 처리 방법 및 장치
JP5902632B2 (ja) * 2013-01-07 2016-04-13 日立マクセル株式会社 携帯端末装置及び情報処理システム
WO2014209262A1 (en) * 2013-06-24 2014-12-31 Intel Corporation Speech detection based upon facial movements
GB2516965B (en) * 2013-08-08 2018-01-31 Toshiba Res Europe Limited Synthetic audiovisual storyteller
CN105022470A (zh) * 2014-04-17 2015-11-04 中兴通讯股份有限公司 一种基于唇读的终端操作方法及装置
US10460732B2 (en) * 2016-03-31 2019-10-29 Tata Consultancy Services Limited System and method to insert visual subtitles in videos
US10770092B1 (en) * 2017-09-22 2020-09-08 Amazon Technologies, Inc. Viseme data generation
EP3752957A4 (en) * 2018-02-15 2021-11-17 DMAI, Inc. SYSTEM AND PROCEDURE FOR SPEECH UNDERSTANDING VIA INTEGRATED AUDIO AND VIDEO-BASED VOICE RECOGNITION
US10755463B1 (en) * 2018-07-20 2020-08-25 Facebook Technologies, Llc Audio-based face tracking and lip syncing for natural facial animation and lip movement

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296753A (ja) 2002-04-04 2003-10-17 Computer Image Laboratory Co Ltd 聴覚障害者用対話システム
WO2005109830A1 (ja) 2004-05-12 2005-11-17 Takashi Yoshimine 会話支援装置及び会話支援方法
JP2006140621A (ja) 2004-11-10 2006-06-01 Matsushita Electric Ind Co Ltd 携帯電話機
JP2012103904A (ja) 2010-11-10 2012-05-31 Sysystem Co Ltd 画像処理装置および方法、並びに、プログラム

Also Published As

Publication number Publication date
KR20200044947A (ko) 2020-04-29
EP3691256B1 (en) 2022-07-06
CN111201786B (zh) 2022-04-08
WO2019142424A1 (ja) 2019-07-25
EP3691256A1 (en) 2020-08-05
US11508106B2 (en) 2022-11-22
EP3691256A4 (en) 2020-08-05
JP2019125927A (ja) 2019-07-25
CN111201786A (zh) 2020-05-26
US20200234479A1 (en) 2020-07-23
KR102446222B1 (ko) 2022-09-21

Similar Documents

Publication Publication Date Title
JP7081164B2 (ja) 表示制御装置、通信装置、表示制御方法および通信方法
US10083710B2 (en) Voice control system, voice control method, and computer readable medium
EP2925005A1 (en) Display apparatus and user interaction method thereof
CN100592749C (zh) 会话支持系统与会话支持方法
US8319818B2 (en) Information processing device, information processing method and storage medium storing computer program
JP2009178783A (ja) コミュニケーションロボット及びその制御方法
CN111629156A (zh) 图像特效的触发方法、装置和硬件装置
US10424299B2 (en) Voice command masking systems and methods
CN117689752A (zh) 文学作品插图生成方法、装置、设备及存储介质
US20170364516A1 (en) Linguistic model selection for adaptive automatic speech recognition
CN110875036A (zh) 语音分类方法、装置、设备及计算机可读存储介质
JP2004015478A (ja) 音声通信端末装置
KR20090011581A (ko) 휴대 단말기의 안구 인식 촬영 장치 및 방법
CN119938157A (zh) 一种电子设备的设置方法、装置、电子设备及存储介质
JP6401488B2 (ja) 外国語会話理解支援装置、外国語会話理解支援方法及びプログラム
JP2005165887A (ja) 単語認識装置
CN114333863A (zh) 语音增强方法、装置、电子设备及计算机可读存储介质
JP2018081147A (ja) コミュニケーション装置、サーバ、制御方法、および情報処理プログラム
US20250078837A1 (en) Call system, call apparatus, call method, and non-transitory computer-readable medium storing program
JP7714731B1 (ja) データ処理装置、データ処理方法、及びデータ処理プログラム
CN116665643B (zh) 韵律标注方法、装置和终端设备
JP7779825B2 (ja) 発話認識システムおよび発話認識方法
KR20250179536A (ko) 음성 인식을 위한 전자 장치 및 방법
KR101364844B1 (ko) 화상통화기능을 갖는 이동통신단말기 및 그 제어방법
WO2019082648A1 (ja) 電子機器、制御装置、制御プログラム及び電子機器の動作方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200831

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211012

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211210

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220426

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220509

R150 Certificate of patent or registration of utility model

Ref document number: 7081164

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150