JPH10149193A - 情報処理装置および方法 - Google Patents

Abstract

(57)【要約】 【課題】 オーディオ信号から台詞に対応するテキスト
データを正確に生成する。 【解決手段】 DVD１１１より再生された５．１チャン
ネル分のオーディオデータのうち、台詞信号が含まれて
いるセンターチャンネルのオーディオ信号を音声認識部
１２０で音声認識し、テキストデータを生成する。アド
レス生成部１２１で、このテキストデータに対応するア
ドレスを生成し、ビットマップデータROM１２２からテ
キストに対応するビットマップデータを出力し、フレー
ムメモリ１１４に、字幕として、MPEG２デコーダ１１３
より出力されるビデオデータの画像に重畳させる。フレ
ームメモリ１１４に書き込まれたビデオデータを、ビデ
オエンコーダ１１５でエンコードし、NTSC方式のビデオ
信号に変換して、ディスプレイ１３３に出力し、表示さ
せる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、情報処理装置およ
び方法に関し、特に、ビデオ信号に対応するオーディオ
信号からテキストデータを生成することができるように
した情報処理装置および方法に関する。

【０００２】

【従来の技術】最近、DVD(Digital Versatile Disc)が
開発され、普及しつつある。このDVDにおいては、ビデ
オデータと、それに対応するオーディオデータの他に、
サブピクチャデータが記録できるようになされている。
そして、このサブピクチャデータとして、字幕のデータ
を記録しておくことで、必要に応じて、字幕を本来の画
像に重畳して表示することができるようになされてい
る。

【０００３】

【発明が解決しようとする課題】しかしながら、多くの
場合、例えば、音声で英語の言語が話されている場合、
字幕の言語は、英語以外の、例えば、日本語、フランス
語などの、英語を理解できない視聴者のための言語とさ
れるのが一般的である。その結果、例えば、文字による
英語は理解することができるが、音声を聞くことが困難
な聴覚障害者などは、そのプログラムを楽しむことがで
きない課題があった。

【０００４】また、米国においては、聴覚障害者のため
に、英語の字幕を表示することが義務付けられている
が、サブピクチャデータに英語を付加すれば、その分だ
け他の言語をサブピクチャに付加する余裕がなくなり、
同一のDVDを、多くの国に配布することが困難になる。

【０００５】そこで、例えば、ビデオ信号に付随するオ
ーディオ信号を音声認識することにより、テキストデー
タを生成し、字幕として表示することも考えられる。し
かしながら、一般的に、オーディオ信号には、台詞だけ
ではなく、音楽や効果音などが合成されており、このオ
ーディオ信号から台詞だけを正しく音声認識することは
困難である課題があった。

【０００６】本発明はこのような状況に鑑みてなされた
ものであり、簡単かつ確実に、台詞に対応するテキスト
データを生成することができるようにするものである。

【０００７】

【課題を解決するための手段】請求項１に記載の情報処
理装置は、ビデオ信号とビデオ信号に対応する台詞信号
とが多重化されている多重化信号から台詞信号を分離す
る分離手段と、分離された台詞信号を音声認識する音声
認識手段と、音声認識結果に対応してテキストデータを
発生する発生手段とを備えることを特徴とする。

【０００８】請求項６に記載の情報処理方法は、ビデオ
信号とビデオ信号に対応する台詞信号とが多重化されて
いる多重化信号から台詞信号を分離する分離ステップ
と、分離された台詞信号を音声認識する音声認識ステッ
プと、音声認識結果に対応してテキストデータを発生す
る発生ステップとを備えることを特徴とする。

【０００９】請求項１に記載の情報処理装置および請求
項６に記載の情報処理方法においては、ビデオ信号とビ
デオ信号に対応する台詞信号とが多重化されている多重
化信号から台詞信号が分離され、分離された台詞信号が
音声認識される。そして、音声認識結果に対応してテキ
ストデータが発生される。その結果、正確な音声認識が
可能となり、正確なテキストデータを得ることができ
る。

【００１０】

【発明の実施の形態】以下に本発明の実施の形態を説明
するが、特許請求の範囲に記載の発明の各手段と以下の
実施の形態との対応関係を明らかにするために、各手段
の後の括弧内に、対応する実施の形態（但し一例）を付
加して本発明の特徴を記述すると、次のようになる。但
し勿論この記載は、各手段を記載したものに限定するこ
とを意味するものではない。

【００１１】請求項１に記載の情報処理装置は、ビデオ
信号とビデオ信号に対応する台詞信号とが多重化されて
いる多重化信号から台詞信号を分離する分離手段（例え
ば、図１のデマルチプレクサ１１２）と、分離された台
詞信号を音声認識する音声認識手段（例えば、図１の音
声認識部１２０）と、音声認識結果に対応してテキスト
データを発生する発生手段（例えば、図１の音声認識部
１２０）とを備えることを特徴とする。

【００１２】請求項２に記載の情報処理装置は、ビデオ
信号をデコードするデコード手段（例えば、図１のMPEG
２デコーダ１１３）と、デコードされた画像に、テキス
トデータに対応するテキストを合成する合成手段（例え
ば、図１のフレームメモリ１１４）とをさらに備えるこ
とを特徴とする。

【００１３】請求項３に記載の情報処理装置は、テキス
トデータを記憶する記憶手段（例えば、図６のHDD８
０）をさらに備えることを特徴とする。

【００１４】図１は、本発明の情報処理装置を適用した
DVDプレーヤの構成例を表している。このDVDプレーヤ１
００においては、DVD１１１より再生された信号がデマ
ルチプレクサ１１２に供給され、ビデオデータ、オーデ
ィオデータ、およびサブピクチャデータに分離されるよ
うになされている。MPEG(Moving Pictures Experts Gro
up)２デコーダ１１３は、入力されたビデオデータをデ
コードした後、フレームメモリ１１４に出力するように
なされている。

【００１５】また、サブピクチャデコーダ１１８は、デ
マルチプレクサ１１２より供給されたサブピクチャデー
タをデコードし、スイッチ１１９の接点Ａを介して、フ
レームメモリ１１４に供給するようになされている。フ
レームメモリ１１４より読み出されたデータは、ビデオ
エンコーダ１１５に入力され、NTSC方式またはPAL方式
などのビデオ信号に変換された後、ディスプレイ１３３
に供給されるようになされている。

【００１６】デマルチプレクサ１１２から出力されるオ
ーディオデータは、ドルビーＡＣ−３（商標）方式でエ
ンコードされており、ＡＣ−３デコーダ１１６は、これ
をデコードし、５．１チャンネルのマルチトラックオー
ディオデータとして出力するようになされている。D/A
変換器１１７は、ＡＣ−３デコーダ１１６より出力され
た５．１チャンネル分のオーディオデータをD/A変換し
た後、マルチチャンネルアンプ１３１に出力している。
マルチチャンネルアンプ１３１は、入力された５．１チ
ャンネル分のオーディオ信号を増幅した後、スピーカシ
ステム１３２に出力している。スピーカシステム１３２
は、５チャンネル分のスピーカとしての、前左側のスピ
ーカ１４１、前右側のスピーカ１４２、後ろ左側のスピ
ーカ１４３、後ろ右側のスピーカ１４４、および前セン
ターのスピーカ１４５と、０．１チャンネル分のスピー
カとしての、重低音用のスピーカ（ウーハー）１４６に
より構成されている。

【００１７】音声認識部１２０は、ＡＣ−３デコーダ１
１６より出力された５．１チャンネルのデータのうち、
センターチャンネルのオーディオデータ（スピーカシス
テム１３２のスピーカ１４５に供給されるオーディオデ
ータ）を音声認識し、音声認識した結果に対応してテキ
ストデータを生成し、アドレス生成部１２１に出力して
いる。アドレス生成部１２１は、テキストデータに対応
するアドレスを発生し、ビットマップデータROM１２２
に出力する。ビットマップデータROM１２２には、テキ
ストデータに対応するビットマップデータが記憶されて
おり、そのビットマップデータが、スイッチ１１９の接
点Ｂを介して、フレームメモリ１１４に供給されるよう
になされている。

【００１８】例えば、マイクロコンピュータなどにより
構成される制御回路１２４は、操作部１２３からの入力
に対応して、スイッチ１１９を切り替える他、各部を制
御するようになされている。

【００１９】次に、その動作について説明する。ユーザ
が、操作部１２３を操作して、DVD１１１の再生を指令
すると、制御回路１２４は、各部を制御して、再生を開
始させる。DVD１１１より再生された信号は、デマルチ
プレクサ１１２に入力され、デマルチプレクサ１１２
は、この再生信号から、ビデオ信号、オーディオ信号、
およびサブピクチャ信号を分離し、それぞれMPEG２デコ
ーダ１１３、ＡＣ−３デコーダ１１６、またはサブピク
チャデコーダ１１８に出力する。

【００２０】MPEG２デコーダ１１３は、入力されたビデ
オデータを、MPEG２方式でデコードし、４：２：２のデ
ジタルビデオデータとして復号し、フレームメモリ１１
４に出力し、記憶させる。

【００２１】一方、サブピクチャデコーダ１１８は、入
力されたサブピクチャデータをデコードし、スイッチ１
１９の接点Ａを介して、フレームメモリ１１４に出力
し、記憶させる。その結果、フレームメモリ１１４にお
いて、オリジナルの画像に字幕が重畳された画像が得ら
れ、これがビデオエンコーダ１１５に入力され、例え
ば、NTSC方式のビデオ信号に変換され、ディスプレイ１
３３に供給され、表示される。

【００２２】ＡＣ−３デコーダ１１６は、入力された
５．１チャンネル分のオーディオデータをデコードし、
D/A変換器１１７に出力する。D/A変換器１１７は、入力
されたオーディオデータをD/A変換した後、マルチチャ
ンネルアンプ１３１に出力する。マルチチャンネルアン
プ１３１は、入力された５．１チャンネル分のオーディ
オ信号を増幅し、それぞれ対応するスピーカ１４１乃至
１４６に出力する。

【００２３】以上のようにして、通常の再生が行われ
る。ユーザは、サブピクチャによる字幕を必要としない
場合には、操作部１２３を操作して、制御回路１２４を
介して、スイッチ１１９を接点Ｃ側に切り替えさせるこ
とで、字幕を表示させないようにすることができる。あ
るいはまた、サブピクチャデータとして、独立した複数
の言語の字幕が用意されている場合には、操作部１２３
を操作することで、その中から１つの所望の字幕を選択
し、サブピクチャデコーダ１１８にデコードさせ、ディ
スプレイ１３３に表示させることができる。

【００２４】さらに、ユーザは、スピーカシステム１３
２より出力される音声の言語に対応するテキストを字幕
として表示させたい場合には、操作部１２３を制御し、
制御回路１２４に、スイッチ１１９を接点Ｂ側に切り替
えさせる。このとき、音声認識部１２０は、ＡＣ−３デ
コーダ１１６が出力する５．１チャンネル分のオーディ
オデータのうち、センターチャンネルに対応する音声デ
ータの音声認識処理を実行する。このセンターチャンネ
ルには、通常、ディスプレイ１３３に表示されている画
像に対応するオーディオ成分のうち、台詞のみが含まれ
ており、音楽、効果音などは、他のスピーカ１４１乃至
１４４、およびスピーカ１４６に対応するチャンネルに
のみ含まれており、センターチャンネルには含まれてい
ない。従って、音声認識部１２０は、音楽や効果音など
に影響されずに、台詞だけを正確に音声認識することが
できる。

【００２５】音声認識部１２０は、音声認識した結果に
対応するテキストデータを生成し、これをアドレス生成
部１２１に供給する。アドレス生成部１２１は、入力さ
れたテキストデータに対応するアドレスを発生し、ビッ
トマップデータROM１２２に出力する。ビットマップデ
ータROM１２２は、アドレス生成部１２１より入力され
たアドレスに対応するビットマップデータを読み出し、
出力する。例えば、アドレス生成部１２１が、アルファ
ベット文字Ａに対応するアドレスを出力した場合には、
アルファベット文字Ａに対応するビットマップデータが
読み出され、出力される。

【００２６】ビットマップデータROM１２２より出力さ
れたビットマップデータは、スイッチ１１９の接点Ｂを
介して、フレームメモリ１１４に供給され、MPEG２デコ
ーダ１１３より供給されている画像データ上に、字幕と
して重畳される。そして、このフレームメモリ１１４上
のデータが、ビデオエンコーダ１１５において、NTSC方
式あるいはPAL方式などのビデオデータに変換され、デ
ィスプレイ１３３に出力され、表示される。

【００２７】以上のようにして、聴覚障害者であったと
しても、操作部１２３を操作することで、スピーカシス
テム１３２より出力される音声の言語と同一の言語の字
幕を見ながら、プログラムを楽しむことができる。

【００２８】図２は、本発明の情報処理装置を応用し
た、ＡＶシステムの構成例を示している。この実施の形
態においては、パーソナルコンピュータ１が、チュー
ナ、アンプ、ビデオディスクプレーヤなどのＡＶ機器２
とともに、テレビジョン受像機３に接続されている。テ
レビジョン受像機３は、画像を表示するCRT４と、オー
ディオ信号を出力するスピーカ５とを有している。

【００２９】また、キーボード１１は、複数のキー１２
とタッチパッド１３を有し、それらの操作に対応する赤
外線信号を、赤外線発信部１４からパーソナルコンピュ
ータ１に出射するようになされている。

【００３０】図３は、パーソナルコンピュータ１の外観
形状を表している。パーソナルコンピュータ１は、その
幅が２２５mm、高さが９４mm、奥行きが３５０mmとされ
ている。また、パーソナルコンピュータ１の前面には、
開閉自在なドア２１が設けられ、ドア２１の左右には、
面２２が設けられている。図中、左側の面２２には、電
源をオンまたはオフするとき操作されるパワースイッチ
２３と、キーボード１１の赤外線発信部１４より出射さ
れた赤外線を受信する赤外線受信部２４が形成されてい
る。

【００３１】また、パーソナルコンピュータ１の上面に
は、パーソナルコンピュータ１に対して接続される周辺
機器を載置した場合に、その周辺機器の脚部が上面に安
定して配置されるように、周辺機器の脚部に対応する位
置に、凹部２５が形成されている。

【００３２】図４は、パーソナルコンピュータ１のドア
２１を開放した状態を示している。同図に示すように、
ドア２１を開放すると、DVD(Digital Versatile Disc)
ドライブ３３が露出するようになされている。また、こ
のDVDドライブ３３の下方には、シリアルインタフェー
スとしてのUSB端子３１とIEEE(Institute of Electrica
l and Electronics Engineers)１３９４規格の１３９４
端子３２が設けられている。

【００３３】図５は、パーソナルコンピュータ１の背面
のドア４１を開放した状態を示している。同図に示すよ
うに、ドア４１を開放すると、PCカード挿入口４２が露
出するようになされている。また、PCカード挿入口４２
の下方には、USB端子４３、１３９４端子４４の他、プ
リンタを接続するプリンタ端子４５と、コンピュータグ
ラフィックスデータを出力するVGA端子４６が設けられ
ている。

【００３４】図６は、パーソナルコンピュータ１の内部
の構成例を表している。CPU(Central Processing Unit)
７１は、例えば、Intel社のPentium（商標）が用いられ
る。このCPUは、１６６MHzの周波数の内部クロック、ま
たは６６MHzの周波数の外部クロックにより動作する。R
AM７２は、１６MBのメインメモリであり、CPU７１によ
り処理されるデータ、プログラムなどを、適宜記憶す
る。ROM７３は、CPU７１が各種の処理を実行する上にお
いて必要なプログラムを記憶している。EEPROM(Electri
cally Erasable Programmable Read Only Memory)７４
は、パーソナルコンピュータ１の電源をオフした後も記
憶する必要があるデータなどを、適宜記憶する。

【００３５】グラフィックス処理部７５は、動画処理
（動画データの表示形式であるYUV信号からグラフィッ
クス信号データ形式のRGB信号へ変換する色空間変換、
所望の画面寸法で表示するためのスケーリング（拡大ま
たは縮小）処理など）を行う他、３次元グラフィックス
処理（例えば、３次元の物体を２次画面の画面に投影す
るためのラスタライズ処理、オブジェクトの表面を滑ら
かに見せるためのグローシェーディング処理、半透明の
オブジェクトを表現するためのアルファブレンディング
処理など）を行ったり、さらに、その処理結果をディス
プレイメモリ７６に書き込み、合成回路８５に出力する
処理などを行う。このグラフィックス処理部７５はま
た、テキストデータに対応するビットマップデータも生
成する。

【００３６】MPEG２ビデオデコーダ７７は、DVDドライ
ブ３３によりDVDから再生されたビデオデータをデコー
ドし、合成回路８５に出力する。サブピクチャデコーダ
８８は、DVDから再生されたサブピクチャデータをデコ
ードし、合成回路８５に出力する。デジタルサウンド処
理部８１は、ADPCM(Adaptive Difference Pulse Code M
odulation)音源の伸長、MPEGオーディオデータの伸長、
残響音やサラウンドなどの効果音生成のためのFM(Frequ
ency Modulation)サウンド構成（すなわち、異なる周波
数と振幅の複数の正弦波を合成することによりオーディ
オ信号を生成する処理）、あるいはMIDI(Musical Instr
ument Digital Interface)ウエーブテーブル合成処理、
ＡＣ−３デコード処理などを行う。MIDIウエーブテーブ
ル合成処理とは、楽器音の音素となるデジタルデータを
記憶したウエーブテーブルを用いて、内蔵するシンセサ
イザで、MIDIデータの再生を行う処理である。それぞれ
の処理されたオーディオ信号は、内蔵されているオーデ
ィオミキサによってミキシングされ、アナログオーディ
オ信号に変換され、テレビジョン受像機３のスピーカ５
に出力される。音声認識回路８７は、音声認識処理を行
う。

【００３７】Intercast（商標）用ボード７８は、イン
ターキャストの放送をアンテナ９１を介して受信し、復
調する処理を行うボードである。インターキャストにお
いては、映像信号の垂直帰線期間に、World Wide Web(W
WW)のページの基となるHTML(Hyper Text Markup Langua
ge)データを挿入して送信する。受信されたデータは、
ハードディスクドライブ(HDD)８０で駆動されるハード
ディスクに蓄積される。ハードディスクドライブ８０の
HTMLデータの中を行き来することで、使用者は、疑似的
に、インターラクティブな環境を手にすることができ
る。

【００３８】例えば、スポーツ番組の場合、番組の内容
にあわせて、スコアや決定的なシーンの静止画、ビデオ
クリップなどが、このインターキャストで送信される。
これらの静止画やビデオクリップは、関連情報とリンク
されており、例えばアナログ電話回線を介してリンク先
にアクセスし、その関連情報を得ることができるように
なされている。このインターキャストは、Intel社が開
発したものである。

【００３９】DSVD(Digital Simultaneous Voice & Dat
a)モデム７９は、Intel社の開発したDSVD方式で音声と
データとを時分割多重して、モジュラージャック９２を
介して電話回線に出力するとともに、電話回線を介して
入力されたDSVD方式の信号から、オーディオ信号とデー
タとを復調分離する処理を行う。この方式においては、
デジタル圧縮したオーディオ信号と通常のオーディオ信
号とが、Ｖ．４２プロトコルのヘッダを使って多重化さ
れる。オーディオ信号が存在しない場合、最大のデータ
転送速度は２８．８ｋビット／秒となり、オーディオ信
号がある場合、１９．２ｋビット／秒となる。また、オ
ーディオ信号の伝送速度は、９．６ｋビット／秒とな
る。オーディオ信号の圧縮伸長方式は、ロックウエル社
のDigiTalk（商標）や、DSPグループのTrueSpeech（商
標）などが用いられる。

【００４０】キーボードコントローラ８４は、赤外線受
信部２４からの信号を受け取り、その受信信号に対応す
る信号をCPU７１に出力するようになされている。

【００４１】合成回路８５は、グラフィックス処理部７
５の出力、MPEG２ビデオデコーダ７７の出力、およびサ
ブピクチャデコーダ８８の出力を必要に応じて合成し、
NTSCエンコーダ８６に出力するようになされている。NT
SCエンコーダ８６は、合成回路８５より入力されたビデ
オデータをNTSC方式のアナログビデオ信号に変換して、
テレビジョン受像機３に出力するようになされている。

【００４２】バスは、便宜上、１つのみが示されている
が、実際には、CPU７１とRAM７２を接続するローカルバ
ス、キーボードコントローラ８４に接続されているISA
(Industry Standard Architecture)バス、およびその他
のROM７３乃至HDD８０などが接続されているPCI(Periph
eral Component Interconnect)バスにより構成されてい
る。ISAバスは、８ビットまたは１６ビットのバスであ
り、PCIバスは３２ビットまたは６４ビットのバスであ
る。PCIバスは、２５MHz乃至６６MHzの間の速度で動作
し、最大５２８KB／秒のスループットを実現する。この
速度は、ISAバスの４２倍以上の速度である。

【００４３】拡張スロット８２は、PCIバスのための拡
張スロットであり、拡張スロット８３は、ISAバスのた
めの拡張スロットである。この拡張スロットに、適宜、
所定の機能の周辺回路（例えばSCSIボード）を接続する
ことで、所望の機能を実現することができる。

【００４４】なお、ローカルバスとPCIバスの間、およ
びPCIバスとISAバスの間には、それぞれ専用のバスブリ
ッジ回路（図示せず）が設けられている。

【００４５】図７は、キーボード１１の内部の構成例を
表している。検出回路１４１は、キー１２の中から操作
されたキーを検出するようになされている。また、検出
回路１４１は、タッチパッド１３の操作された点Ｐの座
標データ（Ｘ，Ｙ）を検出する。そして、検出回路１４
１は、検出結果を送信モジュール１４２に出力する。送
信モジュール１４２は、検出回路１４１より入力された
信号を送信信号に変換し、赤外線発信部１４に出力し、
赤外線信号として発信させる。

【００４６】電池１４３は、電源回路１４４に所定の電
力を供給している。電源回路１４４は、検出回路１４１
と送信モジュール１４２に対して必要な電力を供給して
いる。電源スイッチ１４５は、キーボード１１を使用し
たり、使用を中止するとき操作される。

【００４７】次に、このパーソナルコンピュータ１にお
いて、DVDの再生を指令した場合の動作について説明す
る。キーボード１１のキー１２のうち、DVDの再生の指
令を入力するキーを操作すると、その操作が検出回路１
４１で検出される。送信モジュール１４２は、検出され
たキーに対応する信号を赤外線発信部１４に出力し、赤
外線信号として出力させる。

【００４８】この赤外線信号は、パーソナルコンピュー
タ１の赤外線受信部２４で受信される。キーボードコン
トローラ８４は、赤外線受信部２４より検出信号の入力
を受けると、検出結果をバスを介してCPU７１に出力す
る。CPU７１は、このようにして、DVDの再生の指令を受
けると、DVDドライバ３３を制御し、そこに装着されて
いるDVDを再生させる。

【００４９】DVDドライバ３３でDVDより再生された再生
信号のうち、ビデオデータは、MPEG２ビデオデコーダ７
７に供給され、デコードされる。また、DVDより再生さ
れたサブピクチャデータは、サブピクチャデコーダ８８
に入力され、デコードされる。合成回路８５は、MPEG２
ビデオデコーダ７７より出力されたビデオデータと、サ
ブピクチャデコーダ８８より出力された字幕データとを
合成し、合成したデータをNTSCエンコーダ８６に出力す
る。NTSCエンコーダ８６は、入力されたデータをNTSC方
式のビデオデータに変換し、テレビジョン受像機３のCR
T４に出力し、表示させる。

【００５０】また、DVDより再生されたオーディオデー
タは、デジタルサウンド処理部８１に入力され、ＡＣ−
３方式でデコードされる。そして、デコードされたオー
ディオ信号は、アナログ信号に変換された後、テレビジ
ョン受像機３のスピーカ５に出力され、放音される。

【００５１】但し、この場合において、デジタルサウン
ド処理部８１は、前左側と前右側の２チャンネルのオー
ディオ信号のみをスピーカ５に出力する。

【００５２】以上のようにして、DVDより再生された画
像と音声を楽しむことができ、必要に応じて、予めDVD
に記録されている字幕も見ることができる。

【００５３】一方、ユーザが、キーボード１１を操作
し、センターチャンネルの台詞に対応する字幕の表示を
指令したとき、CPU７１は、デジタルサウンド処理部８
１を制御し、そこに入力されている５．１チャンネル分
のオーディオデータのうち、センターチャンネルのオー
ディオデータを音声認識回路８７に供給させる。音声認
識回路８７は、入力されたセンターチャンネルの台詞信
号を音声認識し、テキストデータを生成し、グラフィッ
クス処理部７５に出力する。グラフィックス処理部７５
は、入力されたテキストデータに対応するビットマップ
データを生成し、合成回路８５に出力し、MPEG２ビデオ
デコーダ７７の出力する画像に字幕として重畳させる。
その結果、テレビジョン受像機３のCRT４には、センタ
ーチャンネルの台詞が字幕として重畳された画像が表示
される。

【００５４】さらに、キーボード１１を操作し、音声認
識された結果得られたテキストデータの記録を指令する
と、CPU７１は、音声認識回路８７より出力されたテキ
ストデータをHDD８０に供給し、ハードディスクに記録
させる。

【００５５】CPU７１は、このようにして、ハードディ
スクに記録されたテキストデータを翻訳のアプリケーシ
ョンソフトに従って翻訳させたり、図示せぬプリンタに
出力し、プリントさせたり、DSVDモデム７９を介して、
ネットワーク上に伝送させたりして利用する。

【００５６】

【発明の効果】以上の如く、請求項１に記載の情報処理
装置および請求項６に記載の情報処理方法によれば、多
重化信号から分離された台詞信号を音声認識し、音声認
識結果に対応するテキストデータを発生するようにした
ので、音楽や効果音などに影響されずに、正確に、台詞
をテキストデータに変換することができる。従って、そ
れを字幕として表示させたり、他の言語に翻訳したり、
再利用することが可能となる。

【図面の簡単な説明】

【図１】本発明の情報処理装置を応用したDVDプレーヤ
の構成例を示すブロック図である。

【図２】本発明の情報処理装置を応用したＡＶシステム
の構成例を示す斜視図である。

【図３】図２のパーソナルコンピュータの前面から見た
外観の構成を示す斜視図である。

【図４】図３のパーソナルコンピュータのドアを開放し
た状態を示す斜視図である。

【図５】図２のパーソナルコンピュータの後面のドアを
開放した状態を示す斜視図である。

【図６】図２のパーソナルコンピュータの内部の構成例
を示すブロック図である。

【図７】図２のキーボードの内部の構成例を示すブロッ
ク図である。

【符号の説明】

１ パーソナルコンピュータ， ３ テレビジョン受像
機， ４ CRT， ５スピーカ， １１ キーボード，
１２ キー， １３ タッチパッド， １４ 赤外線
発信部， ２４ 赤外線受信部， ３３ DVDドライ
ブ， ７５ グラフィックス処理部， ７７ MPEG２ビ
デオデコーダ， ８５ 合成回路， ８６ NTSCエンコ
ーダ， １１１ DVD， １１２ デマルチプレクサ，
１１３MPEG２デコーダ， １１４ フレームメモリ，
１１５ ビデオエンコーダ，１１６ ＡＣ−３デコー
ダ， １１８ サブピクチャデコーダ， １２０ 音声
認識部， １２２ ビットマップデータＲＯＭ

Claims (6)

【特許請求の範囲】
1. 【請求項１】 ビデオ信号と前記ビデオ信号に対応する
   台詞信号とが多重化されている多重化信号から前記台詞
   信号を分離する分離手段と、 分離された前記台詞信号を音声認識する音声認識手段
   と、 音声認識結果に対応してテキストデータを発生する発生
   手段とを備えることを特徴とする情報処理装置。
2. 【請求項２】 前記ビデオ信号をデコードするデコード
   手段と、 デコードされた前記ビデオ信号に対応する画像に、前記
   テキストデータに対応するテキストを合成する合成手段
   とをさらに備えることを特徴とする請求項１に記載の情
   報処理装置。
3. 【請求項３】 前記テキストデータを記憶する記憶手段
   をさらに備えることを特徴とする請求項１に記載の情報
   処理装置。
4. 【請求項４】 前記多重化信号は、DVDからの再生信号
   であることを特徴とする請求項１に記載の情報処理装
   置。
5. 【請求項５】 前記台詞信号は、ドルビーＡＣ−３でエ
   ンコードされているオーディオ信号のうちのセンタチャ
   ンネルの信号であることを特徴とする請求項１に記載の
   情報処理装置。
6. 【請求項６】 ビデオ信号と前記ビデオ信号に対応する
   台詞信号とが多重化されている多重化信号から前記台詞
   信号を分離する分離ステップと、 分離された前記台詞信号を音声認識する音声認識ステッ
   プと、 音声認識結果に対応してテキストデータを発生する発生
   ステップとを備えることを特徴とする情報処理方法。