JPH0769712B2 - 音声認識応答装置 - Google Patents

Description

【発明の詳細な説明】 産業上の利用分野 本発明は、人間の声を機械に認識させ、機械が応答する
音声認識応答装置に関するものである。

従来の技術 近年、電話等を利用した音声認識応答装置の開発が活発
に行なわれている。このような不特定話者を対象とした
音声認識においては、ノイズを含んだ音声信号や語頭、
語尾における発声が不明瞭な音声信号についても認識す
る必要があるが、本出願人は先にこれら不明瞭な音声信
号に対して高い認識率を得ることができるようにした音
声認識方法について、特願昭60−2513600号として提案
した。以下この方法を用いて音声により機械と対話を行
なう音声認識応答装置について図面を参照しながら説明
する。

第４図は従来の音声認識応答装置の構成を示す機内ブロ
ック図である。同図に示すようにAD変換部１は入力音声
をディジタル信号に変換する。音響分析部２は、音声を
分析区間（フレーム）毎に分析し、スペクトル情報（線
形予測係数）を求める。特徴パラメータ抽出部３は線形
予測係数を用いてLPCケプストラム係数正規化対数残差
パワーC₀および帯域通過フィルタ値などを求める。フレ
ーム同期信号発声部４はフレーム毎に同期信号を発生す
る。標準パターン選択部９はパターンマッチングを行な
う際、認識対象語句の標準パターンを順次選択する。区
間候補設定部６は選択された標準パターン毎に複数の候
補の音声区間長を設定する。時間軸正規化部５は設定さ
れた複数の候補の音声区間に対する特徴パラメータの時
系列パターンを一定フレーム長に伸縮する。類似度計算
部７は標準パターン選択部９で選ばれた標準パターン格
納部８中の各標準パターンとの類似度を計算する。類似
度比較部11はフレーム毎に１次記憶10に蓄積されている
最大類似度値と比較し、最大の類似度の認識対象語句を
選択する。１次記憶10は得られた最大類似度の語句を更
新する。１次記憶10に残った語句は認識結果として類似
度比較部11よりタスク制御部15に出力される。タスク制
御部15は上記認識結果に対する応答文音声を選択し、音
声合成部16に指令を与える。音声合成部16は音声データ
格納部17から指定された文の音声データを取り出し、音
声を合成する。この合成されたディジタルの音声をDA変
換部18でアナログに変換して出力する。

タスク制御部15は類似度比較部11に認識指令を出力し、
認識を開始させて認識結果を得ることと、音声合成部16
に対する合成指定で応答文の音声を再生することとを繰
返して行ない、目的のタスク全体の流れを制御する。

発明が解決しようとする問題点 しかし、上記のような従来側の構成では、第５図（ａ）
〜（ｄ）に示すように認識開始以前から発声され始めた
音声、いわゆる語頭切れの音声に対してもパターンマッ
チングを行ない、候補の中から尤度の高いものを選ぶ誤
認識を行なったり、あるいは尤度が低いため“認識でき
ず”（リジェクト）という結果となったりする。このた
め、人間が認識させようとする語句または文を最後まで
発声した後で誤認識またはリジェクトが分かり、再度語
句または文の初めから発声し直さなければならないとい
う不都合を生じ、利用者に不快感を与えていた。

本発明の目的は、認識開始時点でリジェクトか認識可能
かを判定し、リジェクトの場合には頭切れであったとい
うリジェクト理由を発声者に伝達することができ、的確
で自然な対話を行なうことができるようにした音声認識
応答装置を提供するものである。

問題点を解決するための手段 本発明は上記目的を達成するもので、入力音声の有無を
検出する手段と、音声の認識開始時点で上記検出手段の
検出により以降に入力される音声について認識するか否
かの判定を行なう認識処理手段とを有し、認識しないと
判定した場合にはその結果を発声者に伝達するように構
成したものである。

作 用 本発明は上記構成により、認識開始時点において、すぐ
に音声が発声されているか否かを判定し、発声している
場合には認識処理を行なわずにリジェクトし、即座にそ
のリジェクト理由を発声者に伝えるので、発声者は途中
で発声を中止し、再度発声し直すことができ、同じ語句
や文の全部を２度繰り返しという煩わしさをなくすこと
ができる。

実施例 以下、本発明の実施例について図面を参照しながら詳細
に説明する。

まず、本発明の第１実施例について説明する。第１図は
本発明の第１実施例における音声認識応答装置の構成を
示す機能ブロック図である。

同図において、符号１〜11および15〜18で示す各部は第
４図で説明した従来例の構成と同様であるので、その説
明を省略し、異なる構成についてのみ説明する。

パワー比較部12は特徴パラメータ抽出部３で得られた帯
域通過フィルタのパワー値と、ある一定閾値との比較を
行ない、閾値を越えたフレームを検出する。認識結果生
成部14はタスク制御部15からの認識指令を受けて認識を
開始した時点で上記フィルタパワー値が閾値を越えた場
合、認識処理を中止し、認識結果をリジェクトと判定し
てタスク制御部15に出力する。タスク制御部15は音声合
成部16にリジェクトの理由を示す応答文の合成を指令し
た後、再び認識指令を発する。音声合成部16は音声デー
タ格納部17から応答文の音声データを取り出し、音声を
合成し、DA変換部18でアナログに変換して出力し、発声
者に伝達する。

第２図（ａ）〜（ｄ）は以上の処理を様子を示した図で
ある。同図に示すように認識開始以前に発声された入力
音声に対し、リジェクトにより応答音声が開始され、発
声者は該当する語句の発声を停止している。

次に本発明の第２実施例について説明する。第３図は本
発明の第２実施例の構成を示す機能ブロック図である。

上記第１実施例では、認識開始時点で語頭切れの音声か
否かを判定するため、音声以外の瞬時のノイズに対して
誤ってリジェクトしてしまう危険性があるので本実施例
では瞬時のノイズに対し、誤ってリジェクトしないよう
に考慮したものである。同図において、符号１〜12およ
び14〜18で示す各部は第１図に示した第１実施例の構成
と同様であるので、その説明を省略し、異なる構成につ
いてのみ説明する。13はパワー比較部12から出力される
帯域通過フィルタパワー値がある閾値を越えたフレーム
の個数を計算するフレーム計数部であり、認識開始時点
より連続して一定フレーム以上閾値を越えたフレームが
連続した場合を検出する。以降の処理は上記第１実施例
と同様である。

なお、上記各実施例では、帯域通過フィルタパワーによ
り音声の有無を検出しているが、全域パワーを用いても
同様の検出は可能である。また発声者に伝達するには、
上記実施例のように音声合成部16による合成音声に限ら
ず、その他の合図音でもよい。

発明の効果 以上述べたように本発明によれば、音声の認識開始時点
において検出手段による入力音声の有無の検出により認
識処理手段で以降に入力される音声について認識するか
否かを判定し、認識しない場合にはその結果を発声者に
伝達するようにしている。すなわち認識開始時点で音声
の有無を判定し、音声が未だ入力されていない場合には
認識処理を行ない、音声が以前に発声開始されている場
合にはリジェクトにより語頭切れであった事を発声者に
知らせることができる。したがって発声者は語句全体を
発声し終った後にリジェクトを知らされ、再発声しなけ
ればならない事を知るという不快感を与えられることが
なく、スムーズで自然な対話を実現できる。

【図面の簡単な説明】

第１図は本発明の第１実施例における音声認識応答装置
の構成を示す機能ブロック図、第２図は本発明の実施例
における対話の様子を示すタイミング図、第３図は本発
明の第２実施例の構成を示す機能ブロック図、第４図は
従来の音声認識応答装置の構成を示す機能ブロック図、
第５図は従来例における対話の様子を示すタイミング図
である。 １……AD変換部、２……音響分析部、３……特徴パラメ
ータ抽出部、４……フレーム同期信号発生部、５……時
間軸正規化部、６……区間候補設定部、７……類似度計
算部、８……標準パターン格納部、９……標準パターン
選択部、10……１次記憶、11……類似度比較部、12……
パワー比較部、13……フレーム計数部、14……認識結果
生成部、15……タスク制御部、16……音声合成部、17…
…音声データ格納部、18……DA変換部。

Claims (3)

【特許請求の範囲】
1. 【請求項１】入力音声の有無を検出する手段と、音声の
   認識開始時点で上記検出手段の検出により以降に入力さ
   れる音声について認識するか否かの判定を行なう認識処
   理手段とを有し、認識しないと判定した場合にはその結
   果を発声者に伝達するように構成したことを特徴とする
   音声認識応答装置。
2. 【請求項２】検出手段が音声信号のパワー値と、ある一
   定閾値との比較を行なうパワー比較部で構成されている
   特許請求の範囲第１項記載の音声認識応答装置。
3. 【請求項３】検出手段が音声信号のパワー値と、ある一
   定閾値との比較を行なうパワー比較部と、このパワー比
   較部から出力され、閾値を越えたフレームの個数を計算
   するフレーム計数部とより構成されている特許請求の範
   囲第１項記載の音声認識応答装置。