WO2015098079A1 - 音声認識処理装置、音声認識処理方法、および表示装置 - Google Patents

音声認識処理装置、音声認識処理方法、および表示装置 Download PDF

Info

Publication number
WO2015098079A1
WO2015098079A1 PCT/JP2014/006367 JP2014006367W WO2015098079A1 WO 2015098079 A1 WO2015098079 A1 WO 2015098079A1 JP 2014006367 W JP2014006367 W JP 2014006367W WO 2015098079 A1 WO2015098079 A1 WO 2015098079A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
voice
unit
command
search
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.)
Ceased
Application number
PCT/JP2014/006367
Other languages
English (en)
French (fr)
Inventor
智弘 小金井
小沼　知浩
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Priority to US15/023,385 priority Critical patent/US9905225B2/en
Priority to EP14874773.6A priority patent/EP3089157B1/en
Priority to CN201480057905.0A priority patent/CN105659318B/zh
Priority to JP2015554558A priority patent/JP6244560B2/ja
Publication of WO2015098079A1 publication Critical patent/WO2015098079A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • G10L15/08—Speech classification or search
    • G10L15/083—Recognition networks
    • 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
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/32—Multiple recognisers used in sequence or in parallel; Score combination systems therefor, e.g. voting systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/42203—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS] sound input device, e.g. microphone
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/42204—User interfaces specially adapted for controlling a client device through a remote control device; Remote control devices therefor
    • 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
    • G10L15/08—Speech classification or search
    • G10L2015/088—Word spotting
    • 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
    • G10L2015/223—Execution procedure of a spoken command

Definitions

  • the present disclosure relates to a speech recognition processing device, a speech recognition processing method, and a display device that operate by recognizing speech uttered by a user.
  • Patent Document 1 discloses a voice input device having a voice recognition function.
  • the voice input device receives voice uttered by the user, analyzes the received voice, recognizes a command indicated by the user's voice (voice recognition), and controls the device according to the voice-recognized command. It is configured. That is, the voice input device of Patent Document 1 can recognize a voice arbitrarily generated by a user, and can control the device according to a command (command) that is a result of the voice recognition.
  • the hypertext displayed on the browser is displayed.
  • the text can be selected using the voice recognition function of the voice input device.
  • the user can also perform a search on a website (search site) that provides a search service by using this voice recognition function.
  • This disclosure provides a voice recognition processing device and a voice recognition processing method that improve user operability.
  • the speech recognition processing device includes a speech acquisition unit, a first speech recognition unit, a second speech recognition unit, a selection unit, a storage unit, and a processing unit.
  • the voice acquisition unit is configured to acquire voice uttered by the user and output voice information.
  • the first voice recognition unit is configured to convert voice information into first information.
  • the second voice recognition unit is configured to convert voice information into second information.
  • the sorting unit is configured to sort the third information and the fourth information from the second information.
  • the storage unit is configured to store the first information, the third information, and the fourth information.
  • the processing unit is configured to execute processing based on the first information, the third information, and the fourth information. Then, if there is one or two pieces of deficient information among the first information, the third information, and the fourth information, the processing unit complements the deficient information using the information stored in the storage unit and performs processing. Is configured to run.
  • a speech recognition processing method includes a step of acquiring speech uttered by a user and converting it into speech information, a step of converting speech information into first information, a step of converting speech information into second information, Selecting the third information and the fourth information from the two information, storing the first information, the third information, and the fourth information in the storage unit, the first information, the third information, and the fourth information A step of executing a process based on the information, and a step of complementing using one or two missing information of the first information, the third information, and the fourth information using information stored in the storage unit, Prepare.
  • the display device includes a voice acquisition unit, a first voice recognition unit, a second voice recognition unit, a selection unit, a storage unit, a processing unit, and a display unit.
  • the voice acquisition unit is configured to acquire voice uttered by the user and output voice information.
  • the first voice recognition unit is configured to convert voice information into first information.
  • the second voice recognition unit is configured to convert voice information into second information.
  • the sorting unit is configured to sort the third information and the fourth information from the second information.
  • the storage unit is configured to store the first information, the third information, and the fourth information.
  • the processing unit is configured to execute processing based on the first information, the third information, and the fourth information.
  • the display unit is configured to display a processing result in the processing unit. Then, if there is one or two pieces of deficient information among the first information, the third information, and the fourth information, the processing unit complements the deficient information using the information stored in the storage unit and performs processing. Is configured to run.
  • the voice recognition processing device can improve operability when the user performs voice operation.
  • FIG. 1 is a diagram schematically showing a speech recognition processing system according to the first embodiment.
  • FIG. 2 is a block diagram illustrating a configuration example of the speech recognition processing system according to the first embodiment.
  • FIG. 3 is a diagram showing an outline of dictation performed by the speech recognition processing system according to the first embodiment.
  • FIG. 4 is a flowchart showing an operation example of the keyword single search process performed by the speech recognition processing apparatus according to the first embodiment.
  • FIG. 5 is a flowchart showing an operation example of the keyword associative search process performed by the speech recognition processing apparatus according to the first embodiment.
  • FIG. 6 is a flowchart illustrating an operation example of the speech recognition interpretation process performed by the speech recognition processing apparatus according to the first embodiment.
  • FIG. 7 is a diagram schematically illustrating an example of a reserved word table of the speech recognition processing device according to the first embodiment.
  • a television receiver (television) 10 is cited as an example of a display device including a voice recognition processing device, but the display device is not limited to the television 10 at all.
  • a PC or a tablet terminal may be used.
  • FIG. 1 schematically shows a speech recognition processing system 11 according to the first embodiment.
  • a speech recognition processing device is built in the television 10 which is an example of a display device.
  • the voice recognition processing system 11 in the present embodiment includes a television 10 and a voice recognition unit 50.
  • the voice recognition processing system 11 may include at least one of a remote controller (hereinafter also referred to as “remote controller”) 20 and a portable terminal 30.
  • remote controller hereinafter also referred to as “remote controller”
  • the display unit 140 of the television 10 displays the sound recognition icon 201 and the volume of the collected sound along with the video based on the input video signal, the received broadcast signal, and the like.
  • An indicator 202 is displayed. This is to indicate to the user 700 that the operation of the television 10 based on the voice of the user 700 (hereinafter referred to as “voice operation”) is possible and to prompt the user 700 to speak.
  • the user 700 When the user 700 utters a sound, the sound is collected by the microphone incorporated in the remote controller 20 or the portable terminal 30 used by the user 700 and transferred to the television 10. Then, the voice uttered by the user 700 is recognized by the voice recognition processing device built in the television 10. In the television 10, the television 10 is controlled according to the result of the voice recognition.
  • the television 10 may include a built-in microphone 130.
  • the voice recognition processing system 11 can be configured not to include the remote controller 20 and the portable terminal 30.
  • the television 10 is connected to the voice recognition unit 50 via the network 40. Communication between the television 10 and the voice recognition unit 50 is possible.
  • FIG. 2 is a block diagram showing a configuration example of the speech recognition processing system 11 according to the first embodiment.
  • the television 10 includes a voice recognition processing device 100, a display unit 140, a transmission / reception unit 150, a tuner 160, a storage unit 171, a built-in microphone 130, and a wireless communication unit 180.
  • the built-in microphone 130 is a microphone configured to collect sound mainly coming from a direction facing the display surface of the display unit 140. That is, the built-in microphone 130 has a sound collection direction set so as to collect the sound emitted by the user 700 facing the display unit 140 of the television 10, and can collect the sound emitted by the user 700. Is possible.
  • the built-in microphone 130 may be provided in the casing of the television 10 or may be installed outside the casing of the television 10 as shown as an example in FIG.
  • the remote controller 20 is a controller for the user 700 to remotely operate the television 10.
  • the remote controller 20 includes a microphone 21 and an input unit 22 in addition to a general configuration necessary for remote operation of the television 10.
  • the microphone 21 is configured to collect a sound uttered by the user 700 and output a sound signal.
  • the input unit 22 is configured to receive an input operation manually performed by the user 700 and output an input signal corresponding to the input operation.
  • the input unit 22 is, for example, a touch pad, but may be a keyboard, a button, or the like.
  • An audio signal generated by the sound collected by the microphone 21 or an input signal generated when the user 700 performs an input operation on the input unit 22 is wirelessly transmitted to the television 10 by, for example, infrared rays or radio waves.
  • the display unit 140 is, for example, a liquid crystal display, but may be a plasma display, an organic EL (ElectroLuminescence) display, or the like.
  • the display unit 140 is controlled by the display control unit 108 and displays an image based on an externally input video signal, a broadcast signal received by the tuner 160, or the like.
  • the transmission / reception unit 150 is connected to the network 40 and is configured to communicate with an external device (for example, the voice recognition unit 50) connected to the network 40 through the network 40.
  • an external device for example, the voice recognition unit 50
  • the tuner 160 is configured to receive a terrestrial broadcast or satellite broadcast television broadcast signal via an antenna (not shown).
  • the tuner 160 may be configured to receive a television broadcast signal transmitted via a dedicated cable.
  • the storage unit 171 is, for example, a nonvolatile semiconductor memory, but may be a volatile semiconductor memory, a hard disk, or the like.
  • the storage unit 171 stores information (data), a program, and the like used for controlling each unit of the television 10.
  • the mobile terminal 30 is, for example, a smartphone, and can operate software for remotely operating the television 10. Therefore, in the speech recognition processing system 11 in the present embodiment, the mobile terminal 30 on which the software is operating can be used for remote operation of the television 10.
  • the portable terminal 30 has a microphone 31 and an input unit 32.
  • the microphone 31 is a microphone built in the mobile terminal 30, and is configured to collect the sound emitted by the user 700 and output the sound signal, similarly to the microphone 21 provided in the remote controller 20.
  • the input unit 32 is configured to receive an input operation manually performed by the user 700 and output an input signal corresponding to the input operation.
  • the input unit 32 is, for example, a touch panel, but may be a keyboard, a button, or the like.
  • the mobile terminal 30 in which the software is operating receives an audio signal based on the sound collected by the microphone 31 or an input signal generated when the user 700 performs an input operation on the input unit 32. For example, wireless transmission to the television 10 by infrared rays or radio waves is performed.
  • the television 10 and the remote controller 20 or the portable terminal 30 are connected by wireless communication such as a wireless LAN (Local Area Network) or Bluetooth (registered trademark).
  • wireless communication such as a wireless LAN (Local Area Network) or Bluetooth (registered trademark).
  • the network 40 is, for example, the Internet, but may be another network.
  • the voice recognition unit 50 is a server (a server on the cloud) connected to the television 10 via the network 40.
  • the voice recognition unit 50 receives voice information transmitted from the television 10 and converts the received voice information into a character string.
  • the character string may be a plurality of characters or a single character. Then, the voice recognition unit 50 transmits character string information indicating the converted character string to the television 10 via the network 40 as a result of the voice recognition.
  • the voice recognition processing device 100 includes a voice acquisition unit 101, a voice processing unit 102, a recognition result acquisition unit 103, an intention interpretation processing unit 104, a word storage processing unit 105, a command processing unit 106, and a search processing unit 107.
  • the storage unit 170 is, for example, a nonvolatile semiconductor memory, but may be a volatile semiconductor memory, a hard disk, or the like.
  • the storage unit 170 is controlled by the word storage processing unit 105 and can arbitrarily write and read data.
  • the storage unit 170 also stores information (for example, “voice-command” correspondence information described later) referred to by the voice processing unit 102 and the like.
  • the “voice-command” correspondence information is information in which voice information is associated with a command. Note that the storage unit 170 and the storage unit 171 may be configured integrally.
  • the voice acquisition unit 101 acquires a voice signal based on a voice uttered by the user 700.
  • the voice acquisition unit 101 may acquire a voice signal based on voice generated by the user 700 from the built-in microphone 130 of the television 10, or may be built into the microphone 21 built into the remote controller 20 or the portable terminal 30.
  • the microphone 31 may be acquired via the wireless communication unit 180.
  • the voice acquisition unit 101 converts the voice signal into voice information that can be used for various processes in the subsequent stage, and outputs the voice information to the voice processing unit 102. Note that if the audio signal is a digital signal, the audio acquisition unit 101 may use the audio signal as it is as audio information.
  • the voice processing unit 102 is an example of a “first voice recognition unit”.
  • the voice processing unit 102 is configured to convert voice information into command information that is an example of “first information”.
  • the voice processing unit 102 performs “command recognition processing”.
  • the “command recognition process” is a process for determining whether or not a preset command is included in the voice information acquired from the voice acquisition unit 101 and specifying the command if included.
  • the voice processing unit 102 refers to the “voice-command” correspondence information stored in advance in the storage unit 170 based on the voice information acquired from the voice acquisition unit 101.
  • the “voice-command” correspondence information is a correspondence table in which voice information and a command that is instruction information for the television 10 are associated with each other.
  • voice processing unit 102 can identify a command included in the voice information acquired from the voice acquisition unit 101 with reference to the “voice-command” correspondence information, information (command information) representing the command is obtained as a result of voice recognition. The result is output to the recognition result acquisition unit 103.
  • the voice processing unit 102 transmits the voice information acquired from the voice acquisition unit 101 from the transmission / reception unit 150 to the voice recognition unit 50 via the network 40.
  • the voice recognition unit 50 is an example of a “second voice recognition unit”.
  • the voice recognition unit 50 is configured to convert voice information into character string information that is an example of “second information”, and performs “keyword recognition processing”.
  • the voice recognition unit 50 receives the voice information transmitted from the television 10
  • the voice recognition unit 50 divides the voice information into phrases and distinguishes each phrase in order to distinguish a keyword from a keyword other than a keyword (for example, a particle). Convert to a character string (hereinafter referred to as “dictation”).
  • the voice recognition unit 50 transmits the dictated character string information (character string information) to the television 10 as a result of the voice recognition.
  • the voice recognition unit 50 may acquire voice information other than the command from the received voice information, or may convert voice information other than the command from the received voice information into a character string and send it back. Alternatively, voice information excluding commands may be transmitted from the television 10 to the voice recognition unit 50.
  • the recognition result acquisition unit 103 acquires command information as a result of voice recognition from the voice processing unit 102. Further, the recognition result acquisition unit 103 acquires character string information as a result of voice recognition from the voice recognition unit 50 via the network 40 and the transmission / reception unit 150.
  • the intention interpretation processing unit 104 is an example of a “selection unit”.
  • the intention interpretation processing unit 104 is configured to select, from the character string information, reserved word information that is an example of “third information” and free word information that is an example of “fourth information”.
  • the intention interpretation processing unit 104 acquires the command information and the character string information from the recognition result acquisition unit 103, the intention interpretation processing unit 104 selects “free word” and “reserved word” from the character string information. Then, based on the selected free word, reserved word, and command information, intention interpretation for specifying the intention of the voice operation spoken by the user 700 is performed. Details of this operation will be described later.
  • the intention interpretation processing unit 104 outputs the command information interpreted as intended to the command processing unit 106. Also, free word information representing free words, reserved word information representing reserved words, and command information are output to the word storage processing unit 105.
  • the intention interpretation processing unit 104 may output free word information and reserved word information to the command processing unit 106.
  • the word storage processing unit 105 stores the command information, free word information, and reserved word information output from the intention interpretation processing unit 104 in the storage unit 170.
  • the command processing unit 106 is an example of a “processing unit”.
  • the command processing unit 106 is configured to execute processing based on command information, reserved word information, and free word information.
  • the command processing unit 106 performs command processing corresponding to the command information that is intentionally interpreted by the intention interpretation processing unit 104. Further, the command processing unit 106 performs command processing corresponding to the user operation received by the operation receiving unit 110.
  • the command processing unit 106 may perform new command processing based on one or two of command information, free word information, and reserved word information stored in the storage unit 170 by the word storage processing unit 105. . That is, if there is one or two pieces of missing information among command information, reserved word information, and free word information, the command processing unit 106 supplements the missing information using information stored in the storage unit 170. , Configured to execute command processing. Details of this will be described later.
  • the search processing unit 107 is an example of a “processing unit”. If the command information is a search command, the search processing unit 107 is configured to execute a search process based on reserved word information and free word information. If the command information corresponds to a search command associated with a preset application, the search processing unit 107 performs a search based on free word information and reserved word information with the application.
  • the search processing unit 107 uses the Internet search application based on free word information and reserved word information. Perform a search.
  • the search processing unit 107 uses the program guide application based on free word information and reserved word information. Perform a search.
  • the search processing unit 107 can search all applications (searchable applications) that can perform a search based on the free word information and reserved word information. ) To perform a search based on the free word information and reserved word information.
  • the search processing unit 107 complements the missing information using information stored in the storage unit 170 to perform the search processing. Is configured to run. If the shortage information is command information and the immediately preceding command process is a search process in the search processing unit 107, the search process is executed again.
  • the display control unit 108 displays the search result in the search processing unit 107 on the display unit 140.
  • the display control unit 108 displays the keyword search result in the Internet search application, the keyword search result in the program guide application, or the keyword search result in the searchable application on the display unit 140.
  • the operation receiving unit 110 receives an input signal generated by an input operation performed by the user 700 using the input unit 22 of the remote controller 20 or an input signal generated by the user 700 using the input unit 32 of the portable terminal 30. 20 or from the mobile terminal 30 via the wireless communication unit 180. In this way, the operation reception unit 110 receives an operation (user operation) performed by the user 700.
  • the first starting method is as follows.
  • the user 700 presses a microphone button (not shown) that is one of the input units 22 provided in the remote controller 20 in order to start the voice recognition process.
  • the operation reception unit 110 receives that the microphone button of the remote controller 20 has been pressed.
  • the television 10 changes the volume of a speaker (not shown) of the television 10 to a preset volume.
  • This volume is a sufficiently small volume that does not hinder voice recognition by the microphone 21.
  • the voice recognition processing device 100 starts the voice recognition process.
  • the television 10 does not need to perform the above volume adjustment, so the volume remains as it is.
  • a mobile terminal 30 for example, a smartphone having a touch panel
  • the user 700 activates software (software for operating the television 10 by voice) provided in the mobile terminal 30 and presses a microphone button displayed on the touch panel when the software operates. This user operation corresponds to the user operation of pressing the microphone button of the remote controller 20.
  • the speech recognition processing apparatus 100 starts the speech recognition process.
  • the second starting method is as follows.
  • the user 700 utters a voice (for example, “speech operation start”, etc.) representing a command (start command) for starting a preset voice recognition process to the built-in microphone 130 of the television 10.
  • a voice for example, “speech operation start”, etc.
  • start command a command for starting a preset voice recognition process to the built-in microphone 130 of the television 10.
  • the voice recognition processing device 100 recognizes that the voice collected by the built-in microphone 130 is a preset start command, the television 10 changes the volume of the speaker to a preset volume as described above. Then, the voice recognition processing by the voice recognition processing device 100 is started.
  • control unit (not shown) that controls each block of the television 10.
  • the display control unit 108 starts the voice recognition processing and prompts the user 700 to perform voice operation in order to prompt the user 700 to speak.
  • a recognition icon 201 and an indicator 202 indicating the volume of the collected sound are displayed on the image display surface of the display unit 140.
  • the display control unit 108 may display a message indicating that the voice recognition processing has started on the display unit 140 instead of the voice recognition icon 201.
  • a message indicating that the voice recognition process has been started may be output by voice from a speaker.
  • voice recognition icon 201 and the indicator 202 are not limited to the design shown in FIG. Any design may be used as long as the desired effect can be obtained.
  • the speech recognition processing apparatus 100 performs two types of speech recognition processing.
  • One is speech recognition processing (command recognition processing) for recognizing speech corresponding to a preset command.
  • the other is voice recognition processing (keyword recognition processing) for recognizing keywords other than preset commands.
  • the command recognition process is performed by the voice processing unit 102 as described above.
  • the voice processing unit 102 compares the voice information based on the voice uttered by the user 700 to the television 10 with the “voice-command” correspondence information stored in the storage unit 170 in advance. If the voice information includes a command registered in the “voice-command” correspondence information, the command is specified.
  • various commands for operating the television 10 are registered. For example, free word search operation commands and the like are also registered.
  • the keyword recognition process is performed using the voice recognition unit 50 connected to the television 10 via the network 40 as described above.
  • the voice recognition unit 50 acquires voice information from the television 10 via the network 40. Then, the voice recognition unit 50 divides the acquired voice information into phrases and divides the information into keywords and other than keywords (for example, particles, etc.). Thus, the voice recognition unit 50 performs dictation.
  • the voice recognition unit 50 uses a database in which voice information and a character string (including one character) are associated when performing dictation.
  • the voice recognition unit 50 separates the acquired voice information into a keyword and other than the keyword by comparing with the database, and converts each into a character string.
  • the voice recognition unit 50 receives all voices (voice information) acquired by the voice acquisition unit 101 from the television 10, performs dictation on all the voice information, and results thereof. Are transmitted to the television 10.
  • the voice processing unit 102 of the television 10 may be configured to transmit voice information other than the command recognized by the “voice-command” correspondence information to the voice recognition unit 50.
  • FIG. 3 is a diagram showing an outline of dictation performed by the speech recognition processing system 11 according to the first embodiment.
  • FIG. 3 shows a state in which the web browser is displayed on the display unit 140 of the television 10.
  • the user 700 performs a search by keyword (keyword search) using the Internet search application of the web browser
  • the voice recognition processing is started in the voice recognition processing device 100, an image shown as an example in FIG.
  • the input field 203 is an area for inputting a keyword used for a search on a web browser. If the cursor is displayed in the input field 203, the user 700 can input a keyword in the input field 203.
  • a voice signal based on the voice is input to the voice acquisition unit 101 and converted into voice information. Then, the voice information is transmitted from the television 10 to the voice recognition unit 50 via the network 40. For example, if the user 700 speaks “ABC”, audio information based on the audio is transmitted from the television 10 to the audio recognition unit 50.
  • the voice recognition unit 50 converts voice information received from the television 10 into a character string by comparing it with a database. Then, the voice recognition unit 50 transmits the character string information (character string information) to the television 10 via the network 40 as a result of the voice recognition based on the received voice information. If the received voice information is based on the voice “ABC”, the voice recognition unit 50 compares the voice information with the database to convert it to a character string “ABC”, and transmits the character string information to the television 10. To do.
  • the television 10 Upon receiving the character string information from the voice recognition unit 50, the television 10 operates the recognition result acquisition unit 103, the intention interpretation processing unit 104, the command processing unit 106, and the display control unit 108 based on the character string information, A character string corresponding to the column information is displayed in the input field 203. For example, when receiving the character string information corresponding to the character string “ABC” from the voice recognition unit 50, the television 10 displays the character string “ABC” in the input field 203.
  • the web browser displayed on the display unit 140 of the television 10 performs a keyword search using the character string displayed in the input field 203.
  • FIG. 4 is a flowchart illustrating an operation example of the keyword single search process performed by the speech recognition processing apparatus 100 according to the first embodiment.
  • FIG. 5 is a flowchart illustrating an operation example of the keyword association search process performed by the speech recognition processing apparatus 100 according to the first embodiment.
  • FIG. 6 is a flowchart showing an operation example of the speech recognition interpretation process performed by the speech recognition processing apparatus 100 according to the first embodiment.
  • the flowchart shown in FIG. 6 is a flowchart showing details of the speech recognition / interpretation processing step in each search process shown in FIGS.
  • FIG. 7 is a diagram schematically illustrating an example of a reserved word table of the speech recognition processing apparatus 100 according to the first embodiment.
  • the speech recognition interpretation process (step S101) of the keyword single search process shown in FIG. 4 and the speech recognition interpretation process (step S201) of the keyword associative search process shown in FIG. Then, substantially the same processing is performed. First, the speech recognition interpretation process will be described with reference to FIG.
  • the voice recognition processing of the voice recognition processing device 100 is started.
  • the voice of the user 700 is converted into a voice signal by the built-in microphone 130, the microphone 21 of the remote controller 20, or the microphone 31 of the portable terminal 30, and the voice signal is converted into a voice acquisition unit. 101.
  • the voice acquisition unit 101 acquires the voice signal of the user 700 (step S301).
  • the voice acquisition unit 101 converts the acquired voice signal of the user 700 into voice information that can be used for various processes in the subsequent stage. If the user 700 speaks, for example, “Search ABC image”, the voice acquisition unit 101 outputs voice information based on the voice.
  • the voice processing unit 102 compares the voice information output from the voice acquisition unit 101 with the “voice-command” correspondence information stored in the storage unit 170 in advance. Then, it is checked whether or not the voice information output from the voice acquisition unit 101 corresponds to the command registered in the “voice-command” correspondence information (step S302).
  • the voice information output from the voice acquisition unit 101 includes voice information based on the word “search” issued by the user 700, and “search” is registered as command information in the “voice-command” correspondence information. Then, the voice processing unit 102 determines that the “search” command is included in the voice information.
  • the command information includes command information corresponding to voice information such as “search”, “channel up”, “voice up”, “play”, “stop”, “word conversion”, “character display”, etc. It is included.
  • the “voice-command” correspondence information can be updated by adding or deleting command information.
  • the user 700 can add new command information to the “voice-command” correspondence information.
  • new command information can be added to the “voice-command” correspondence information via the network 40.
  • the speech recognition processing apparatus 100 can perform speech recognition processing based on the latest “voice-command” correspondence information.
  • step S302 the voice processing unit 102 transmits the voice information output from the voice acquisition unit 101 from the transmission / reception unit 150 to the voice recognition unit 50 via the network 40.
  • the voice recognition unit 50 converts the received voice information into a character string delimited by a keyword and a keyword (for example, a particle). Therefore, the voice recognition unit 50 performs dictation based on the received voice information.
  • the voice recognition unit 50 compares the database in which keywords and character strings are associated with the received voice information. If a keyword registered in the database is included in the received voice information, a character string (including a word) corresponding to the keyword is selected. In this way, the voice recognition unit 50 performs dictation and converts the received voice information into a character string. For example, if the voice recognition unit 50 receives voice information based on the voice “search for ABC image” uttered by the user 700, the voice recognition unit 50 converts the voice information into “ABC” and “NO” by dictation. , “Image”, “to”, and “search”. The voice recognition unit 50 transmits character string information representing each converted character string to the television 10 via the network 40.
  • This database is provided in the voice recognition unit 50, but may be in another location on the network 40.
  • the database may be configured such that keyword information is updated regularly or irregularly.
  • the recognition result acquisition unit 103 of the television 10 acquires command information output as a result of speech recognition from the speech processing unit 102 and character string information transmitted as a result of speech recognition from the speech recognition unit 50, The data is output to the interpretation processing unit 104.
  • the intention interpretation processing unit 104 performs intention interpretation for specifying the intention of the voice operation uttered by the user 700 based on the command information and the character string information acquired from the recognition result acquisition unit 103 (step S303).
  • the intention interpretation processing unit 104 performs selection of character string information for intention interpretation.
  • the selection types include free words, reserved words, and commands. If there is a character string information that overlaps with command information, the intention interpretation processing unit 104 determines that it is a command and selects it. Further, the reserved words are selected from the character string information based on the reserved word table shown as an example in FIG. Free words are selected by removing character strings such as particles that do not correspond to keywords from the remaining character string information.
  • the intention interpretation processing unit 104 acquires, for example, character string information such as “ABC”, “NO”, “image”, “O”, “search”, and command information indicating “search”, “ABC” is selected as a free word, “image” as a reserved word, and “search” as a command.
  • the speech recognition processing apparatus 100 can perform an operation based on the intention of the user 700 (the intention of the voice operation spoken by the user 700). For example, the speech recognition processing apparatus 100 can execute the command “search” using the free word “ABC” for the reserved word “image”.
  • the intention interpretation processing unit 104 compares the reserved word table shown in FIG. 7 with the character string information as an example, and if the character string information includes a term registered in the reserved word table, the term Are selected from the string information as reserved words.
  • the reserved word is a predetermined term such as “image”, “moving image”, “program”, “Web”, etc. as shown in an example in FIG.
  • the reserved words are not limited to these terms.
  • the intention interpretation processing unit 104 may perform intention interpretation using a character string such as a particle included in the character string information.
  • the intention interpretation processing unit 104 executes the speech recognition interpretation process (step S101 shown in FIG. 4 and step S201 shown in FIG. 5).
  • the intention interpretation processing unit 104 executes the speech recognition interpretation process shown in FIG. 6 based on the voice uttered by the user 700 (step S101). Since they overlap, detailed description of step S101 is omitted.
  • the intention interpretation processing unit 104 determines whether or not the reserved word information is included in the character string information based on the processing result in step S101 (step S102).
  • step S102 If it is determined in step S102 that no reserved word information is included (No), the process proceeds to step S104.
  • step S102 When it is determined in step S102 that reserved word information is included (Yes), the word storage processing unit 105 stores the reserved word information in the storage unit 170 (step S103). In the example described above, the “image” of reserved word information is stored in the storage unit 170.
  • the voice recognition processing device 100 determines whether or not the character string information includes free word information based on the processing result in step S101 (step S104).
  • step S104 If it is determined in step S104 that free word information is not included (No), the process proceeds to step S106.
  • step S104 When it is determined in step S104 that free word information is included (Yes), the word storage processing unit 105 stores the free word information in the storage unit 170 (step S105).
  • the word storage processing unit 105 stores the free word information in the storage unit 170 (step S105).
  • “ABC” of free word information is stored in the storage unit 170.
  • the word storage processing unit 105 stores command information in the storage unit 170.
  • the command processing unit 106 executes command processing based on the free word information, reserved word information, and command information (step S106).
  • the command processing unit 106 When the command processing unit 106 receives command information from the intention interpretation processing unit 104 and receives free word information and / or reserved word information from the word storage processing unit 105, the command processing unit 106 converts the free word information and / or reserved word information into each or both. On the other hand, an instruction (command) based on the command information is executed. Note that the command processing unit 106 may receive free word information and reserved word information from the intention interpretation processing unit 104. Command information may be received from the word storage processing unit 105.
  • the command processing unit 106 mainly performs command processing other than search.
  • This command processing includes, for example, channel change and volume change of the television 10.
  • the search processing unit 107 executes the search process (step S107).
  • the search processing unit 107 sets the search target content to “image” based on the “image” of the reserved word information, and performs an image search using “ABC” of the free word information.
  • the search result in step S107 is displayed on the display unit 140 by the display control unit.
  • the keyword single search process ends.
  • the keyword associative search processing is based on the previous input content and the newly input content without inputting again the content input in the previous search when the user 700 executes the search processing continuously. This is a process for executing a new search.
  • an example in which an input operation is performed by a voice uttered by the user 700 will be described. ) May be used.
  • keyword associative search processing will be described with specific examples.
  • the user 700 first speaks “Search ABC image” and the search for “image” by the free word “ABC” has already been performed.
  • the user 700 newly searches for “moving image” using the same free word “ABC” as the free word used for the previous image search.
  • the user 700 can omit the utterance of the free word “ABC” that overlaps with the previous search. That is, the user 700 may say “Search for a moving image”.
  • the intention interpretation processing unit 104 executes the speech recognition interpretation process shown in FIG. 6 based on the voice uttered by the user 700 (step S201). Since they overlap, detailed description of step S201 is omitted.
  • Voice information based on the voice uttered by the user is transmitted from the voice recognition processing device 100 to the voice recognition unit 50 via the network 40.
  • the voice recognition unit 50 returns character string information based on the received voice information.
  • This character string information includes reserved word information (for example, “moving image”) and command information (for example, “search”), but does not include free word information.
  • the returned character string information is received by the recognition result acquisition unit 103 and output to the intention interpretation processing unit 104.
  • the voice processing unit 102 of the voice recognition processing apparatus 100 determines that the command “search” is included in the voice information based on the voice uttered by the user 700. Then, the voice processing unit 102 outputs command information corresponding to the command “search” to the recognition result acquisition unit 103. Further, the recognition result acquisition unit 103 receives character string information including the character string “moving image” from the voice recognition unit 50. Then, the intention interpretation processing unit 104 determines that “moving image” included in the character string information acquired from the recognition result acquisition unit 103 is a reserved word. Further, since the free word information is not included in the character string information, the free word information is not output from the intention interpretation processing unit 104.
  • the intention interpretation processing unit 104 determines whether or not the reserved word information is included in the character string information based on the processing result in step S201 (step S202).
  • step S202 If it is determined in step S202 that the reserved word information is not included (No), the process proceeds to step S205. The operations after step S205 will be described later.
  • the word storage processing unit 105 stores the reserved word information (for example, “moving image”) as a new search target content. (Step S203).
  • the new reserved word information is stored in the storage unit 170, so that the reserved word information is updated.
  • the previous reserved word information “image” is switched to the new reserved word information “moving image” (step S204).
  • free word information is not output from the intention interpretation processing unit 104, so the word storage processing unit 105 reads the free word information (for example, “ABC”) stored in the storage unit 170 and performs command processing.
  • the command processing unit 106 receives command information from the intention interpretation processing unit 104, and receives the read free word information and new reserved word information from the word storage processing unit 105. Then, command processing corresponding to the command information is performed on the read free word information and new reserved word information (step S208). As described above, the command processing unit 106 mainly performs command processing other than search.
  • search processing unit 107 executes search processing (step S209).
  • the search processing unit 107 sets the search target content to “video” based on the “video” of the new reserved word information, and performs video search using “ABC” of the free word information read from the storage unit 170. Do.
  • step S209 The search result in step S209 is displayed on the display unit 140 by the display control unit 108.
  • the keyword associative search process ends.
  • step S202 the keyword associative search process when it is determined in step S202 that reserved word information is not included (No) will be described.
  • the user 700 searches for “image” using a free word “XYZ” different from the free word used for the previous image search.
  • the user 700 can omit the utterance of the reserved word “image” and the command “search”, which overlaps with the previous search. That is, the user 700 may speak “XYZ”.
  • step S201 Since it overlaps, detailed description of step S201, S202 is abbreviate
  • Voice information (for example, “XYZ”) based on the voice uttered by the user is transmitted from the voice recognition processing device 100 to the voice recognition unit 50 via the network 40.
  • the voice recognition unit 50 returns character string information based on the received voice information.
  • This character string information includes free word information (for example, “XYZ”), but does not include reserved word information and command information.
  • the returned character string information is received by the recognition result acquisition unit 103 and output to the intention interpretation processing unit 104.
  • the reserved word information is not included in the character string information, and the command information is not output from the voice processing unit 102. Accordingly, reserved word information and command information are not output from the intention interpretation processing unit 104.
  • step S202 it is determined in step S202 that the reserved word information is not included (No).
  • the intention interpretation processing unit 104 determines whether or not the character string information includes free word information based on the processing result in step S201 (step S205).
  • step S205 If it is determined in step S205 that the free word information is not included (No), the process proceeds to step S208.
  • step S205 When it is determined in step S205 that free word information is included (Yes), the word storage processing unit 105 stores the free word information (for example, “XYZ”) as new free word information. (Step S206).
  • the free word information for example, “XYZ”
  • the new free word information is stored in the storage unit 170, whereby the free word information is updated.
  • the previous free word information “ABC” is switched to the new free word information “XYZ” (step S207).
  • reserved word information and command information are not output from the intention interpretation processing unit 104, so the word storage processing unit 105 stores reserved word information (for example, “image”) and command information stored in the storage unit 170. (For example, “search”) is read and output to the command processing unit 106.
  • the command processing unit 106 receives the reserved word information and command information read from the storage unit 170 by the word storage processing unit 105 and new free word information (for example, “XYZ”). Then, command processing corresponding to the read command information is performed on the read reserved word information and new free word information (step S208).
  • the search processing unit 107 executes the search process (step S209).
  • the search processing unit 107 sets the search target content to “image” based on the “image” of the reserved word information read from the storage unit 170, and performs image search using “XYZ” of the new free word information. Do.
  • step S209 The search result in step S209 is displayed on the display unit 140 by the display control unit 108.
  • the keyword associative search process ends.
  • step S205 When it is determined in step S205 that free word information is not included (No), the search processing unit 107 proceeds to step S208 and performs normal command processing or search processing.
  • the speech recognition processing apparatus 100 includes the speech acquisition unit 101, the speech processing unit 102 that is an example of the first speech recognition unit, and the speech recognition that is an example of the second speech recognition unit.
  • Unit 50 intention interpretation processing unit 104 which is an example of a selection unit, storage unit 170, command processing unit 106 and search processing unit 107 which are examples of a processing unit.
  • the voice acquisition unit 101 is configured to acquire voice uttered by the user and output voice information.
  • the voice processing unit 102 is configured to convert voice information into command information which is an example of first information.
  • the voice recognition unit 50 is configured to convert voice information into character string information, which is an example of second information.
  • the intention interpretation processing unit 104 is configured to sort reserved word information, which is an example of third information, and free word information, which is an example of fourth information, from character string information.
  • the storage unit 170 is configured to store command information, reserved word information, and free word information.
  • the command processing unit 106 is configured to execute processing based on command information, reserved word information, and free word information. Then, if there is one or two pieces of missing information in command information, reserved word information, and free word information, the command processing unit 106 and the search processing unit 107 use the information stored in the storage unit 170 as the missing information. It is comprised so that it may complement and may perform a process.
  • the search processing unit 107 is configured to execute a search process based on the search command, reserved word information, and free word information.
  • the voice recognition unit 50 may be installed on the network 40, and the voice recognition processing apparatus 100 may include a transmission / reception unit 150 configured to communicate with the voice recognition unit 50 via the network 40.
  • the voice processing unit 102 may be configured to convert voice information into command information using “voice-command” correspondence information in which a plurality of command information and voice information that are set in advance are associated with each other.
  • the user 700 When the user 700 using the speech recognition processing device 100 configured as described above continuously performs the voice operation, the user 700 newly adds the previous utterance content without newly uttering the content uttered by the previous voice operation. New operations can be performed based on the content of the utterance. For example, when the user 700 continuously performs search processing, a new search based on the previous utterance content and the newly uttered content can be performed without uttering again the content input by voice operation in the previous search. It can be performed.
  • the user 700 utters “Search ABC image”, searches for “image” with the free word “ABC”, and subsequently searches for “ABC video”.
  • the utterance of the free word “ABC” which overlaps with the search of “No. This makes it possible to execute the same search process as when “Search ABC video” is uttered.
  • the user 700 utters “search ABC image”, searches for “image” with the free word “ABC”, and subsequently searches for “XYZ image”, which overlaps with the previous search.
  • the reserved word “image” and the command “search” may be omitted and only “XYZ” may be spoken. This makes it possible to execute the same search process as when “search for XYZ images” is uttered.
  • the speech recognition processing device 100 can reduce the complexity when the user 700 performs a voice operation, and can improve the operability.
  • the first embodiment has been described as an example of the technique disclosed in the present application.
  • the technology in the present disclosure is not limited to this, and can also be applied to embodiments in which changes, replacements, additions, omissions, and the like are performed.
  • the “voice-command” correspondence information includes, for example, command information corresponding to voice information such as “channel up”, “voice up”, “play”, “stop”, “change language”, “character display”, and the like. It may be registered.
  • the speech recognition processing apparatus 100 recognizes the free word “optical disc” and the command information “playback”. As a result, the video recorded on the optical disc is played back on the optical disc playback device on which the speech recognition processing device 100 is mounted.
  • the command information “stop” is recognized by the speech recognition processing device 100, and the optical disc playback device stops the playback of the optical disc.
  • the free word “optical disk” is stored in the storage unit 170 by the word storage processing unit 105, so the command processing unit 106 reads the newly input command information “playback” process from the storage unit 170. This is because it is executed for the free word “optical disk”.
  • the user 700 can control the operation of the optical disk playback apparatus by simply speaking “stop” without speaking “stop optical disk”.
  • the speech recognition processing apparatus 100 recognizes the free word information “Japanese” and the command information “character display”. Thereby, on the television 10 on which the speech recognition processing device 100 is mounted, the command “character display” for displaying Japanese subtitles on the display unit 140 of the television 10 is executed. Following this state, when the user 700 speaks “English”, the free word information “English” is voice-recognized by the voice recognition processing device 100. Then, the television 10 reads the command information “character display” from the storage unit 170, continues the operation of “character display” as it is, and changes the character displayed on the display unit 140 from “Japanese” to “English”. That is, the user 700 can change the display character of the television 10 from “Japanese” to “English” by simply speaking “English” without speaking “English character display”.
  • the voice recognition processing apparatus 100 reads out the information from the storage unit 170 and complements it, and executes the command process. Therefore, the user 700 overlaps with the previous voice operation. There is no need to repeatedly speak a word, and the complexity of voice operation is reduced and the operability is improved.
  • a reserved word is not included in the utterance of the user 700, but the command processing unit 106 can execute the command processing.
  • the intention interpretation processing unit 104 stores the fact that the reserved word or free word may not be included.
  • the information is transmitted to the processing unit 105 and the command processing unit 106 (search processing unit 107). Therefore, based on the information transmitted from the intention interpretation processing unit 104, the command processing unit 106 (search processing unit 107) determines whether command processing should be performed using a combination of free word information, reserved word information, and command information.
  • the command processing can be executed by determining whether the command processing should be performed in combination with the command information or the command processing should be performed in combination with the reserved word information and the command information. Further, the word storage processing unit 105 is prevented from reading unnecessary information from the storage unit 170. In the above example, the reserved word information is not included in the voice information, but the reserved word information is unnecessary, so the word storage processing unit 105 does not read the reserved word information from the storage unit 170.
  • the voice processing unit 102 may operate so as to output the information along with the command information to the subsequent stage.
  • the search target is not limited to “image” or “video”. Etc. may be the search target.
  • the voice uttered by the user 700 includes the command information “search” and the keyword, and the type of “search” is the Internet.
  • the speech recognition processing apparatus 100 performs a search using the keyword by the Internet search application. For example, if the user 700 says “Search ABC on the Internet”, the speech recognition processing apparatus 100 recognizes the voice “Search on the Internet” as “Search” by the Internet search application. Therefore, the user 700 can cause the television 10 to perform an Internet search using the keyword only by emitting the voice.
  • the voice recognition process if the voice uttered by the user 700 includes command information “search” and a keyword, and the type of the “search” is a search by a program guide application, the voice recognition is performed.
  • a search using the keyword is performed in the program guide application. For example, if the user 700 utters “Search ABC in the program guide”, the speech recognition processing apparatus 100 recognizes the voice “Search in the program guide” as “search” by the program guide application. For this reason, the user 700 can cause the television 10 to perform a program table search using the keyword only by speaking the voice.
  • the speech recognition processing apparatus 100 “Search” by the free word may be performed by all the applications including the free word, and the search results of all the searched applications may be displayed on the display unit 140.
  • the voice recognition process can be started by the method described above. Therefore, if the voice recognition process is started, the user 700 can perform the above-described search even while watching the program on the television 10.
  • the voice recognition unit 50 may be provided in the voice recognition processing device 100.
  • reserved word information may be read from the storage unit 170 to complement command processing, or command information may be read from the storage unit 170 to complement command processing.
  • reserved word information and free word information may be read from the storage unit 170 to complement command processing, or free word information and command information may be read from the storage unit 170 to complement command processing.
  • Each block shown in FIG. 2 may be configured as an independent circuit block, or may be configured such that software programmed to realize the operation of each block is executed by a processor.
  • This disclosure is applicable to a device that executes a processing operation instructed by a user.
  • the present disclosure is applicable to portable terminal devices, television receivers, personal computers, set-top boxes, video recorders, game machines, smartphones, tablet terminals, and the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

　音声操作の操作性を向上する。そのために、音声認識処理装置（１００）において、音声処理部（１０２）は、音声情報をコマンド情報に変換する。音声認識部（５０）は、音声情報を文字列情報に変換する。意図解釈処理部（１０４）は、文字列情報から予約語情報とフリーワード情報とを選別する。記憶部は、コマンド情報、予約語情報、およびフリーワード情報を記憶する。検索処理部（１０７）は、コマンド情報、予約語情報、およびフリーワード情報にもとづく検索処理を実行する。検索処理部（１０７）は、コマンド情報、予約語情報、およびフリーワード情報のうち１つまたは２つの不足情報があれば、その不足情報を記憶部（１７０）から読み出して検索処理を実行する。

Description

音声認識処理装置、音声認識処理方法、および表示装置
　本開示は、ユーザが発した音声を認識して動作する音声認識処理装置、音声認識処理方法、および表示装置に関する。
　特許文献１は、音声認識機能を有する音声入力装置を開示する。この音声入力装置は、ユーザが発した音声を受信し、受信した音声を解析することによりユーザの音声が示す命令を認識（音声認識）し、音声認識した命令に応じて機器を制御するように構成されている。すなわち、特許文献１の音声入力装置は、ユーザが任意に発した音声を音声認識し、その音声認識した結果である命令（コマンド）に応じて機器を制御することができる。
　例えば、この音声入力装置を使用するユーザは、テレビジョン受像機（以下、「テレビ」と記す）やＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）などでブラウザを操作しているときに、ブラウザ上に表示されているハイパーテキストの選択を、この音声入力装置の音声認識機能を利用して行うことができる。また、ユーザは、検索サービスを提供するウェブサイト（検索サイト）上での検索を、この音声認識機能を利用して行うこともできる。
日本国特許第４８１２９４１号公報
　本開示は、ユーザの操作性を向上する音声認識処理装置および音声認識処理方法を提供する。
　本開示における音声認識処理装置は、音声取得部と、第１音声認識部と、第２音声認識部と、選別部と、記憶部と、処理部と、を備えている。音声取得部は、ユーザが発する音声を取得して音声情報を出力するように構成されている。第１音声認識部は、音声情報を第１情報に変換するように構成されている。第２音声認識部は、音声情報を第２情報に変換するように構成されている。選別部は、第２情報から第３情報と第４情報とを選別するように構成されている。記憶部は、第１情報、第３情報、および第４情報を記憶するように構成されている。処理部は、第１情報、第３情報、および第４情報にもとづく処理を実行するように構成されている。そして、処理部は、第１情報、第３情報、および第４情報のうち１つまたは２つの不足情報があれば、その不足情報を記憶部に記憶された情報を用いて補完して処理を実行するように構成されている。
　本開示における音声認識処理方法は、ユーザが発する音声を取得して音声情報に変換するステップと、音声情報を第１情報に変換するステップと、音声情報を第２情報に変換するステップと、第２情報から第３情報と第４情報とを選別するステップと、第１情報、第３情報、および第４情報を記憶部に記憶するステップと、第１情報、第３情報、および第４情報にもとづく処理を実行するステップと、第１情報、第３情報、および第４情報のうち１つまたは２つの不足情報があれば、記憶部に記憶された情報を用いて補完するステップと、を備える。
　本開示における表示装置は、音声取得部と、第１音声認識部と、第２音声認識部と、選別部と、記憶部と、処理部と、表示部と、を備えている。音声取得部は、ユーザが発する音声を取得して音声情報を出力するように構成されている。第１音声認識部は、音声情報を第１情報に変換するように構成されている。第２音声認識部は、音声情報を第２情報に変換するように構成されている。選別部は、第２情報から第３情報と第４情報とを選別するように構成されている。記憶部は、第１情報、第３情報、および第４情報を記憶するように構成されている。処理部は、第１情報、第３情報、および第４情報にもとづく処理を実行するように構成されている。表示部は、処理部における処理結果を表示するように構成されている。そして、処理部は、第１情報、第３情報、および第４情報のうち１つまたは２つの不足情報があれば、その不足情報を記憶部に記憶された情報を用いて補完して処理を実行するように構成されている。
　本開示における音声認識処理装置は、ユーザが音声操作するときの操作性を向上することができる。
図１は、実施の形態１における音声認識処理システムを概略的に示す図である。 図２は、実施の形態１における音声認識処理システムの一構成例を示すブロック図である。 図３は、実施の形態１における音声認識処理システムで行うディクテーションの概要を示す図である。 図４は、実施の形態１における音声認識処理装置で行うキーワード単一検索処理の一動作例を示すフローチャートである。 図５は、実施の形態１における音声認識処理装置で行うキーワード連想検索処理の一動作例を示すフローチャートである。 図６は、実施の形態１における音声認識処理装置で行う音声認識解釈処理の一動作例を示すフローチャートである。 図７は、実施の形態１における音声認識処理装置の予約語テーブルの一例を概略的に示す図である。
　以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
　なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。
　（実施の形態１）
　以下、図１～図７を用いて、実施の形態１を説明する。なお、本実施の形態では、音声認識処理装置を備えた表示装置の一例としてテレビジョン受像機（テレビ）１０を挙げているが、表示装置は何らテレビ１０に限定されるものではない。例えば、ＰＣやタブレット端末等であってもよい。
　［１－１．構成］
　図１は、実施の形態１における音声認識処理システム１１を概略的に示す図である。本実施の形態では、表示装置の一例であるテレビ１０に音声認識処理装置が内蔵されている。
　本実施の形態における音声認識処理システム１１は、テレビ１０と、音声認識部５０と、を備える。また、音声認識処理システム１１は、リモートコントローラ（以下、「リモコン」とも記す）２０と携帯端末３０の少なくとも一方を備えていてもよい。
　テレビ１０で音声認識処理装置が起動すると、テレビ１０の表示部１４０には、入力映像信号や受信された放送信号等にもとづく映像とともに、音声認識アイコン２０１と、集音されている音声の音量を示すインジケータ２０２と、が表示される。これは、ユーザ７００の音声にもとづくテレビ１０の操作（以下、「音声操作」と記す）が可能な状態になったことをユーザ７００に示すとともに、ユーザ７００に発話を促すためである。
　ユーザ７００が音声を発すると、その音声は、ユーザ７００が使用するリモートコントローラ２０や携帯端末３０に内蔵されたマイクで集音され、テレビ１０に転送される。そして、ユーザ７００が発した音声がテレビ１０に内蔵された音声認識処理装置で音声認識される。テレビ１０では、その音声認識の結果に応じてテレビ１０の制御が行われる。
　テレビ１０は、内蔵マイク１３０を備えていてもよい。その場合、テレビ１０が備える内蔵マイク１３０に向かってユーザ７００が発話すると、その音声は内蔵マイク１３０で集音され、音声認識処理装置で音声認識される。したがって、音声認識処理システム１１を、リモートコントローラ２０および携帯端末３０を備えない構成にすることも可能である。
　また、テレビ１０は、ネットワーク４０を介して音声認識部５０に接続されている。そして、テレビ１０と音声認識部５０との間で通信することができる。
　図２は、実施の形態１における音声認識処理システム１１の一構成例を示すブロック図である。
　テレビ１０は、音声認識処理装置１００と、表示部１４０と、送受信部１５０と、チューナ１６０と、記憶部１７１と、内蔵マイク１３０と、無線通信部１８０と、を有する。
　音声認識処理装置１００は、ユーザ７００が発する音声を取得し、取得した音声を解析するように構成されている。そして、その音声が示すキーワードおよびコマンドを認識し、認識した結果に応じてテレビ１０の制御を行うように構成されている。音声認識処理装置１００の具体的な構成については後述する。
　内蔵マイク１３０は、主に表示部１４０の表示面に対向する方向から来る音声を集音するように構成されたマイクである。すなわち、内蔵マイク１３０は、テレビ１０の表示部１４０に対面しているユーザ７００が発する音声を集音できるように集音方向が設定されており、ユーザ７００が発した音声を集音することが可能である。内蔵マイク１３０は、テレビ１０の筐体内に設けられていてもよく、図１に一例を示したようにテレビ１０の筐体外に設置されていてもよい。
　リモートコントローラ２０は、テレビ１０をユーザ７００が遠隔操作するためのコントローラである。リモートコントローラ２０は、テレビ１０の遠隔操作に必要な一般的な構成に加え、マイク２１および入力部２２を有する。マイク２１は、ユーザ７００が発した音声を集音し、音声信号を出力するように構成されている。入力部２２は、ユーザ７００が手動で行う入力操作を受け付け、入力操作に応じた入力信号を出力するように構成されている。入力部２２は、例えばタッチパッドであるが、キーボードやボタン等であってもよい。マイク２１で集音された音声により生じる音声信号、または、ユーザ７００が入力部２２に入力操作することで生じる入力信号は、例えば赤外線や電波等によってテレビ１０に無線送信される。
　表示部１４０は、例えば液晶ディスプレイであるが、プラズマディスプレイ、または有機ＥＬ（ＥｌｅｃｔｒｏＬｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ等であってもよい。表示部１４０は、表示制御部１０８によって制御され、外部からの入力映像信号やチューナ１６０で受信された放送信号等にもとづく画像が表示される。
　送受信部１５０は、ネットワーク４０に接続されており、ネットワーク４０に接続された外部機器（例えば、音声認識部５０）と、ネットワーク４０を通して通信を行うように構成されている。
　チューナ１６０は、地上放送や衛星放送のテレビジョン放送信号をアンテナ（図示せず）を介して受信するように構成されている。チューナ１６０は、専用ケーブルを介して送信されるテレビジョン放送信号を受信するように構成されていてもよい。
　記憶部１７１は、例えば不揮発性の半導体メモリであるが、揮発性の半導体メモリ、またはハードディスク、等であってもよい。記憶部１７１は、テレビ１０の各部の制御に用いられる情報（データ）やプログラム等を記憶している。
　携帯端末３０は、例えばスマートフォンであり、テレビ１０を遠隔操作するためのソフトウエアの動作が可能である。したがって、本実施の形態における音声認識処理システム１１では、そのソフトウエアが動作している携帯端末３０をテレビ１０の遠隔操作に使用することができる。携帯端末３０は、マイク３１および入力部３２を有する。マイク３１は、携帯端末３０に内蔵されたマイクであり、リモートコントローラ２０に備えられたマイク２１と同様に、ユーザ７００が発した音声を集音し、音声信号を出力するように構成されている。入力部３２は、ユーザ７００が手動で行う入力操作を受け付け、入力操作に応じた入力信号を出力するように構成されている。入力部３２は、例えばタッチパネルであるが、キーボードやボタン等であってもよい。そのソフトウエアが動作している携帯端末３０は、リモートコントローラ２０と同様に、マイク３１で集音された音声による音声信号、または、ユーザ７００が入力部３２に入力操作することで生じる入力信号を、例えば赤外線や電波等によってテレビ１０に無線送信する。
　テレビ１０と、リモートコントローラ２０または携帯端末３０とは、例えば、無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の無線通信により接続されている。
　ネットワーク４０は、例えばインターネットであるが、他のネットワークであってもよい。
　音声認識部５０は、ネットワーク４０を介してテレビ１０と接続されるサーバ（クラウド上のサーバ）である。音声認識部５０は、テレビ１０から送信されてくる音声情報を受信し、受信した音声情報を文字列に変換する。なお、この文字列は、複数の文字であってもよく、１文字であってもよい。そして、音声認識部５０は、変換後の文字列を示す文字列情報を、音声認識の結果として、ネットワーク４０を介してテレビ１０に送信する。
　音声認識処理装置１００は、音声取得部１０１と、音声処理部１０２と、認識結果取得部１０３と、意図解釈処理部１０４と、ワード記憶処理部１０５と、コマンド処理部１０６と、検索処理部１０７と、表示制御部１０８と、操作受付部１１０と、記憶部１７０と、を有する。
　記憶部１７０は、例えば不揮発性の半導体メモリであるが、揮発性の半導体メモリ、またはハードディスク、等であってもよい。記憶部１７０は、ワード記憶処理部１０５によって制御され、任意にデータの書き込みと読み出しが可能である。また、記憶部１７０は、音声処理部１０２により参照される情報（例えば、後述する「音声－コマンド」対応情報）等も記憶している。「音声－コマンド」対応情報は、音声情報とコマンドとを対応付けた情報である。なお、記憶部１７０と記憶部１７１とは、一体に構成されていてもよい。
　音声取得部１０１は、ユーザ７００が発した音声による音声信号を取得する。音声取得部１０１は、ユーザ７００が発した音声による音声信号を、テレビ１０の内蔵マイク１３０から取得してもよいし、あるいは、リモートコントローラ２０に内蔵されたマイク２１、または携帯端末３０に内蔵されたマイク３１から、無線通信部１８０を介して取得してもよい。そして、音声取得部１０１は、その音声信号を、後段での各種処理に用いることができる音声情報に変換し、音声処理部１０２に出力する。なお、音声取得部１０１は、音声信号がデジタル信号であれば、その音声信号をそのまま音声情報として用いてもよい。
　音声処理部１０２は、「第１音声認識部」の一例である。音声処理部１０２は、音声情報を、「第１情報」の一例であるコマンド情報に変換するように構成されている。音声処理部１０２は、「コマンド認識処理」を行う。「コマンド認識処理」とは、音声取得部１０１から取得した音声情報に、予め設定されたコマンドが含まれているかどうかを判断し、含まれている場合はそのコマンドを特定する処理である。具体的には、音声処理部１０２は、音声取得部１０１から取得した音声情報にもとづき、予め記憶部１７０に記憶されている「音声－コマンド」対応情報を参照する。「音声－コマンド」対応情報は、音声情報と、テレビ１０に対する指示情報であるコマンドとが関連付けられた対応表である。コマンドには複数の種類があり、それぞれのコマンドに互いに異なる音声情報が対応付けられている。音声処理部１０２は、「音声－コマンド」対応情報を参照し、音声取得部１０１から取得した音声情報に含まれるコマンドを特定できれば、音声認識の結果として、そのコマンドを表す情報（コマンド情報）を認識結果取得部１０３に出力する。
　また、音声処理部１０２は、音声取得部１０１から取得した音声情報を、送受信部１５０からネットワーク４０を介して音声認識部５０に送信する。
　音声認識部５０は、「第２音声認識部」の一例である。音声認識部５０は、音声情報を、「第２情報」の一例である文字列情報に変換するように構成されており、「キーワード認識処理」を行う。音声認識部５０は、テレビ１０から送信されてくる音声情報を受信すると、キーワードとキーワード以外（例えば、助詞、等）とを区別するために、その音声情報を文節毎に区切り、各文節をそれぞれ文字列へ変換（以下、「ディクテーション」という）する。そして、音声認識部５０は、ディクテーション後の文字列の情報（文字列情報）を、音声認識の結果としてテレビ１０に送信する。音声認識部５０は、受信した音声情報からコマンド以外の音声情報を取得してもよく、または、受信した音声情報からコマンド以外の音声情報を文字列に変換して返信してもよい。あるいは、テレビ１０から音声認識部５０へコマンドを除く音声情報を送信してもよい。
　認識結果取得部１０３は、音声処理部１０２から、音声認識の結果としてのコマンド情報を取得する。また、認識結果取得部１０３は、音声認識部５０から、音声認識の結果としての文字列情報を、ネットワーク４０および送受信部１５０を介して、取得する。
　意図解釈処理部１０４は、「選別部」の一例である。意図解釈処理部１０４は、文字列情報から、「第３情報」の一例である予約語情報と、「第４情報」の一例であるフリーワード情報と、を選別するように構成されている。意図解釈処理部１０４は、認識結果取得部１０３からコマンド情報と文字列情報とを取得すると、文字列情報から「フリーワード」と「予約語」を選別する。そして、選別されたフリーワードと予約語、およびコマンド情報にもとづき、ユーザ７００が発話した音声操作の意図を特定するための意図解釈を行う。この動作の詳細は後述する。意図解釈処理部１０４は、意図解釈されたコマンド情報をコマンド処理部１０６に出力する。また、フリーワードを表すフリーワード情報、予約語を表す予約語情報、およびコマンド情報を、ワード記憶処理部１０５へ出力する。意図解釈処理部１０４は、フリーワード情報、および予約語情報をコマンド処理部１０６に出力してもよい。
　ワード記憶処理部１０５は、意図解釈処理部１０４から出力されるコマンド情報、フリーワード情報、予約語情報を、記憶部１７０に記憶する。
　コマンド処理部１０６は、「処理部」の一例である。コマンド処理部１０６は、コマンド情報、予約語情報、およびフリーワード情報にもとづく処理を実行するように構成されている。コマンド処理部１０６は、意図解釈処理部１０４により意図解釈されたコマンド情報に対応するコマンド処理を行う。また、コマンド処理部１０６は、操作受付部１１０で受け付けられたユーザ操作に対応するコマンド処理を行う。
　さらに、コマンド処理部１０６は、ワード記憶処理部１０５により記憶部１７０に記憶されたコマンド情報、フリーワード情報、および予約語情報、の１つまたは２つにもとづく新たなコマンド処理を行うこともある。すなわち、コマンド処理部１０６は、コマンド情報、予約語情報、およびフリーワード情報のうち１つまたは２つの不足情報があれば、その不足情報を記憶部１７０に記憶された情報を用いて補完して、コマンド処理を実行するように構成されている。この詳細は、後述する。
　検索処理部１０７は、「処理部」の一例である。検索処理部１０７は、コマンド情報が検索コマンドであれば、予約語情報、およびフリーワード情報にもとづく検索処理を実行するように構成されている。検索処理部１０７は、コマンド情報が、予め設定されたアプリケーションに関連付けられた検索コマンドに対応したものであれば、そのアプリケーションで、フリーワード情報および予約語情報にもとづく検索を行う。
　例えば、検索処理部１０７は、コマンド情報が、予め設定されたアプリケーションの一つであるインターネット検索アプリケーションに関連付けられた検索コマンドであれば、そのインターネット検索アプリケーションで、フリーワード情報および予約語情報にもとづく検索を行う。
　あるいは、検索処理部１０７は、コマンド情報が、予め設定されたアプリケーションの一つである番組表アプリケーションに関連付けられた検索コマンドであれば、その番組表アプリケーションで、フリーワード情報および予約語情報にもとづく検索を行う。
　また、検索処理部１０７は、コマンド情報が、予め設定されたアプリケーションに関連付けられた検索コマンドでなければ、そのフリーワード情報および予約語情報にもとづく検索を行うことができる全てのアプリケーション（検索可能アプリケーション）で、そのフリーワード情報および予約語情報にもとづく検索を行う。
　なお、検索処理部１０７は、予約語情報およびフリーワード情報のうち１つまたは２つの不足情報があれば、その不足情報を記憶部１７０に記憶された情報を用いて補完して、検索処理を実行するように構成されている。また、不足情報がコマンド情報であり、直前のコマンド処理が検索処理部１０７における検索処理であれば、検索処理を再度実行する。
　表示制御部１０８は、検索処理部１０７における検索の結果を、表示部１４０に表示する。例えば、表示制御部１０８は、インターネット検索アプリケーションでのキーワード検索の結果や、番組表アプリケーションでのキーワード検索の結果、または検索可能アプリケーションでのキーワード検索の結果を、表示部１４０に表示する。
　操作受付部１１０は、ユーザ７００がリモートコントローラ２０の入力部２２で行った入力操作により生じる入力信号、または、ユーザ７００が携帯端末３０の入力部３２で行った入力操作による入力信号を、リモートコントローラ２０または携帯端末３０から無線通信部１８０を介して受信する。こうして、操作受付部１１０は、ユーザ７００が行った操作（ユーザ操作）を受け付ける。
　［１－２．動作］
　次に、本実施の形態におけるテレビ１０の音声認識処理装置１００の動作について説明する。
　まず、テレビ１０の音声認識処理装置１００による音声認識処理の開始方法について説明する。音声認識処理の開始方法としては、主に、以下の２つの方法が挙げられる。
　１つ目の開始方法は、次の通りである。ユーザ７００は、音声認識処理を開始するために、リモートコントローラ２０に設けられた入力部２２の１つであるマイクボタン（図示せず）を押す。ユーザ７００が、リモートコントローラ２０のマイクボタンを押せば、テレビ１０では、操作受付部１１０が、リモートコントローラ２０のマイクボタンが押されたことを受け付ける。そして、テレビ１０は、テレビ１０のスピーカ（図示せず）の音量を、予め設定された音量に変更する。この音量は、マイク２１による音声認識を妨げない程度の、十分に小さい音量である。そして、テレビ１０のスピーカの音量が予め設定された音量になれば、音声認識処理装置１００は音声認識処理を開始する。このとき、テレビ１０は、スピーカの音量が予め設定された音量以下であれば、上記の音量調整を行う必要はないので、音量をそのままにする。
　なお、この方法には、リモートコントローラ２０に代えて、携帯端末３０（例えば、タッチパネルを備えるスマートフォン）を使用することもできる。その場合、ユーザ７００は、携帯端末３０に備えられたソフトウエア（テレビ１０を音声操作するためのソフトウエア）を起動し、そのソフトウエアが動作することでタッチパネルに表示されるマイクボタンを押す。このユーザ動作が、リモートコントローラ２０のマイクボタンを押すユーザ動作に相当する。これにより、音声認識処理装置１００は音声認識処理を開始する。
　２つ目の開始方法は、次の通りである。ユーザ７００は、テレビ１０の内蔵マイク１３０に対して、予め設定された音声認識処理を開始するコマンド（開始コマンド）を表す音声（例えば、「音声操作開始」、等）を発話する。内蔵マイク１３０により集音された音声は予め設定された開始コマンドである、と音声認識処理装置１００が認識すれば、テレビ１０は、上述と同様にスピーカの音量を予め設定された音量に変更し、音声認識処理装置１００による音声認識処理が開始される。
　なお、上記の方法を組み合わせて、音声認識処理の開始方法としてもよい。
　なお、テレビ１０におけるこれらの制御は、テレビ１０の各ブロックを制御する制御部（図示せず）によって行われるものとする。
　音声認識処理装置１００による音声認識処理が開始されれば、表示制御部１０８は、ユーザ７００に発話を促すために、音声認識処理が開始されユーザ７００による音声操作が可能になったことを示す音声認識アイコン２０１と、集音されている音声の音量を示すインジケータ２０２とを、表示部１４０の画像表示面に表示する。
　なお、表示制御部１０８は、音声認識アイコン２０１に代えて、音声認識処理が開始されたことを示すメッセージを表示部１４０に表示してもよい。あるいは、音声認識処理が開始されたことを示すメッセージをスピーカから音声で出力してもよい。
　なお、音声認識アイコン２０１およびインジケータ２０２は、何ら図１に示すデザインに限定されるものではない。目的とする効果が得られるものであれば、どのようなデザインであってもよい。
　次に、テレビ１０の音声認識処理装置１００で行う音声認識処理について説明する。
　本実施の形態において、音声認識処理装置１００は、２種類の音声認識処理を行う。１つは、予め設定されているコマンドに対応する音声を認識するための音声認識処理（コマンド認識処理）である。もう１つは、予め設定されているコマンド以外のキーワードを認識するための音声認識処理（キーワード認識処理）である。
　コマンド認識処理は、上述したように、音声処理部１０２で行われる。音声処理部１０２は、テレビ１０に対してユーザ７００が発した音声にもとづく音声情報を、予め記憶部１７０に記憶された「音声－コマンド」対応情報と比較する。そして、その音声情報に、「音声－コマンド」対応情報に登録されたコマンドがあれば、そのコマンドを特定する。なお、「音声－コマンド」対応情報には、テレビ１０を操作するための様々なコマンドが登録されており、例えば、フリーワード検索の操作コマンド等も登録されている。
　キーワード認識処理は、上述したように、ネットワーク４０を介してテレビ１０に接続されている音声認識部５０を利用して行われる。音声認識部５０は、音声情報を、テレビ１０からネットワーク４０を介して取得する。そして、音声認識部５０は、取得した音声情報を文節毎に区切り、キーワードとキーワード以外（例えば、助詞、等）とに分ける。こうして、音声認識部５０はディクテーションを行う。音声認識部５０は、ディクテーションを行う際に、音声情報と文字列（１文字も含む）とを対応付けたデータベースを用いる。音声認識部５０は、取得した音声情報を、そのデータベースと比較することによりキーワードとキーワード以外とに分離し、それぞれを文字列に変換する。
　なお、本実施の形態では、音声認識部５０は、音声取得部１０１で取得された全ての音声（音声情報）をテレビ１０から受信し、それら全ての音声情報に対してディクテーションを行い、その結果の全ての文字列情報をテレビ１０へ送信するように構成されている。しかし、テレビ１０の音声処理部１０２は、「音声－コマンド」対応情報によって音声認識されたコマンド以外の音声情報を音声認識部５０に送信するように構成されていてもよい。
　次に、図３を用いてキーワード認識処理について説明する。
　図３は、実施の形態１における音声認識処理システム１１で行うディクテーションの概要を示す図である。
　図３には、テレビ１０の表示部１４０にウェブブラウザが表示された状態を示す。例えば、ユーザ７００がウェブブラウザのインターネット検索アプリケーションでキーワードによる検索（キーワード検索）を行うとき、音声認識処理装置１００で音声認識処理が開始すると、図３に一例として示す画像が表示部１４０に表示される。
　入力欄２０３は、ウェブブラウザ上で検索に用いるキーワードを入力するための領域である。入力欄２０３にカーソルが表示されていれば、ユーザ７００は、入力欄２０３にキーワードを入力することができる。
　この状態で、ユーザ７００がリモートコントローラ２０または携帯端末３０またはテレビ１０の内蔵マイク１３０に向かって発話すると、その音声による音声信号は、音声取得部１０１に入力され、音声情報に変換される。そして、その音声情報は、テレビ１０から、ネットワーク４０を介して音声認識部５０に送信される。例えば、ユーザ７００が「ＡＢＣ」と発話すれば、その音声にもとづく音声情報が、テレビ１０から音声認識部５０に送信される。
　音声認識部５０は、テレビ１０から受信した音声情報を、データベースと比較することで文字列に変換する。そして、音声認識部５０は、受信した音声情報による音声認識の結果として、その文字列の情報（文字列情報）を、ネットワーク４０を介してテレビ１０に送信する。音声認識部５０は、受信した音声情報が「ＡＢＣ」という音声によるものであれば、その音声情報をデータベースと比較して「ＡＢＣ」という文字列に変換し、その文字列情報をテレビ１０に送信する。
　テレビ１０は、音声認識部５０から文字列情報を受信すると、その文字列情報にもとづき認識結果取得部１０３、意図解釈処理部１０４、コマンド処理部１０６、表示制御部１０８を動作させて、その文字列情報に対応した文字列を入力欄２０３に表示する。例えば、テレビ１０は、「ＡＢＣ」という文字列に対応した文字列情報を音声認識部５０から受信すると、入力欄２０３に「ＡＢＣ」という文字列を表示する。
　そして、テレビ１０の表示部１４０に表示されたウェブブラウザは、入力欄２０３に表示された文字列によるキーワード検索を行う。
　次に、本実施の形態の音声認識処理装置１００で行うキーワード単一検索処理とキーワード連想検索処理について、図４～図７を用いて説明する。
　図４は、実施の形態１における音声認識処理装置１００で行うキーワード単一検索処理の一動作例を示すフローチャートである。
　図５は、実施の形態１における音声認識処理装置１００で行うキーワード連想検索処理の一動作例を示すフローチャートである。
　図６は、実施の形態１における音声認識処理装置１００で行う音声認識解釈処理の一動作例を示すフローチャートである。図６に示すフローチャートは、図４および図５に示した各検索処理における音声認識解釈処理ステップの詳細を示すフローチャートである。
　図７は、実施の形態１における音声認識処理装置１００の予約語テーブルの一例を概略的に示す図である。
　本実施の形態における音声認識処理装置１００では、図４に示すキーワード単一検索処理の音声認識解釈処理（ステップＳ１０１）と、図５に示すキーワード連想検索処理の音声認識解釈処理（ステップＳ２０１）とで、実質的に同じ処理を行う。まず、この音声認識解釈処理を、図６を用いて説明する。
　上述したように、テレビ１０では、ユーザ７００が、例えばリモートコントローラ２０のマイクボタンを押す等することで、音声認識処理装置１００の音声認識処理が開始される。
　この状態で、ユーザ７００が発話すると、ユーザ７００の音声は、内蔵マイク１３０、またはリモートコントローラ２０のマイク２１、または携帯端末３０のマイク３１、により音声信号に変換され、その音声信号が音声取得部１０１に入力される。こうして音声取得部１０１はユーザ７００の音声信号を取得する（ステップＳ３０１）。
　音声取得部１０１は、取得したユーザ７００の音声信号を、後段での各種処理に用いることができる音声情報に変換する。ユーザ７００が、例えば「ＡＢＣの画像を検索」と発話すれば、音声取得部１０１はその音声に基づく音声情報を出力する。
　音声処理部１０２は、音声取得部１０１から出力される音声情報を、予め記憶部１７０に記憶された「音声－コマンド」対応情報と比較する。そして、音声取得部１０１から出力される音声情報に、「音声－コマンド」対応情報に登録されたコマンドに該当するものがあるかどうかを調べる（ステップＳ３０２）。
　例えば、音声取得部１０１から出力される音声情報に、ユーザ７００が発した「検索」という言葉にもとづく音声情報が含まれ、「音声－コマンド」対応情報にコマンド情報として「検索」が登録されていれば、音声処理部１０２は、音声情報に「検索」のコマンドが含まれていると判断する。
　「音声－コマンド」対応情報には、テレビ１０の動作や、表示部１４０に表示されているアプリケーションの動作、等に必要なコマンドが登録されている。これらのコマンド情報には、例えば、「検索」、「チャンネルアップ」、「音声アップ」、「プレイ」、「ストップ」、「ことば変換」、「文字表示」、等の音声情報に対応するコマンド情報が含まれている。
　なお、「音声－コマンド」対応情報は、コマンド情報の追加、削除等による更新が可能である。例えば、ユーザ７００が新たなコマンド情報を「音声－コマンド」対応情報に追加することができる。あるいは、ネットワーク４０を介して新たなコマンド情報を「音声－コマンド」対応情報に追加することもできる。これにより音声認識処理装置１００は、最新の「音声－コマンド」対応情報にもとづく音声認識処理を行うことが可能である。
　また、ステップＳ３０２では、音声処理部１０２は、音声取得部１０１から出力される音声情報を、送受信部１５０からネットワーク４０を介して音声認識部５０に送信する。
　音声認識部５０は、受信した音声情報を、キーワードとキーワード以外（例えば、助詞、等）とに区切られた文字列に変換する。そのために、音声認識部５０は、受信した音声情報にもとづくディクテーションを行う。
　音声認識部５０は、キーワードと文字列とを対応付けたデータベースと、受信した音声情報と、を比較する。データベースに登録されたキーワードが、受信した音声情報に含まれていれば、そのキーワードに対応する文字列（単語も含む）を選択する。このようにして音声認識部５０は、ディクテーションを行い、受信した音声情報を文字列に変換する。例えば、ユーザ７００が発話した「ＡＢＣの画像を検索」という音声にもとづく音声情報を音声認識部５０が受信すれば、音声認識部５０は、ディクテーションによりその音声情報を、「ＡＢＣ」、「の」、「画像」、「を」、「検索」という文字列に変換する。音声認識部５０は、変換された各文字列を表す文字列情報を、ネットワーク４０を介してテレビ１０へ送信する。
　このデータベースは、音声認識部５０に備えられているが、ネットワーク４０上の他の場所にあってもよい。また、このデータベースは、定期的または不定期にキーワードの情報が更新されるように構成されていてもよい。
　テレビ１０の認識結果取得部１０３は、音声処理部１０２から音声認識の結果として出力されるコマンド情報と、音声認識部５０から音声認識の結果として送信されてくる文字列情報とを取得し、意図解釈処理部１０４へ出力する。
　意図解釈処理部１０４は、認識結果取得部１０３から取得したコマンド情報と文字列情報とにもとづき、ユーザ７００が発話した音声操作の意図を特定するための意図解釈を行う（ステップＳ３０３）。
　意図解釈処理部１０４は、意図解釈のために文字列情報の選別を行う。この選別の種類には、フリーワード、予約語、コマンド、がある。意図解釈処理部１０４は、文字列情報にコマンド情報と重複するものがあれば、それをコマンドと判断し、選別する。また、図７に一例を示す予約語テーブルにもとづき、文字列情報から予約語を選別する。残った文字列情報から、キーワードに該当しない助詞等の文字列を除くことで、フリーワードを選別する。
　意図解釈処理部１０４は、例えば、「ＡＢＣ」、「の」、「画像」、「を」、「検索」、といった文字列情報と、「検索」を表すコマンド情報と、を取得したときは、「ＡＢＣ」をフリーワードに、「画像」を予約語に、「検索」をコマンドに、それぞれ選別する。意図解釈処理部１０４でこのような意図解釈が行われることで、音声認識処理装置１００は、ユーザ７００の意図（ユーザ７００が発話した音声操作の意図）にもとづく動作が可能になる。例えば、音声認識処理装置１００は、予約語「画像」に関して、フリーワード「ＡＢＣ」を用いた、コマンド「検索」、を実行することができる。
　なお、意図解釈処理部１０４は、図７に一例として示す予約語テーブルと文字列情報とを比較し、文字列情報の中に予約語テーブルに登録された用語が含まれていれば、その用語を予約語として文字列情報から選別する。予約語は、例えば図７に一例を示すような、「画像」、「動画」、「番組」、「Ｗｅｂ」、等のあらかじめ定められた用語である。しかし、予約語は何らこれらの用語に限定されるものではない。
　なお、意図解釈処理部１０４は、文字列情報に含まれる助詞等の文字列を用いて意図解釈を行ってもよい。
　このようにして、意図解釈処理部１０４は、音声認識解釈処理（図４に示すステップＳ１０１、および図５に示すステップＳ２０１）を実行する。
　次に、本実施の形態におけるキーワード単一検索処理を、図４を用いて説明する。
　意図解釈処理部１０４は、ユーザ７００が発した音声にもとづき、図６に示した音声認識解釈処理を実行する（ステップＳ１０１）。重複するので、ステップＳ１０１の詳細な説明は省略する。
　意図解釈処理部１０４は、ステップＳ１０１での処理結果にもとづき、文字列情報に予約語情報が含まれているか否かを判断する（ステップＳ１０２）。
　ステップＳ１０２において予約語情報は含まれていないと判断されたとき（Ｎｏ）は、ステップＳ１０４へ進む。
　ステップＳ１０２において予約語情報が含まれていると判断されたとき（Ｙｅｓ）は、その予約語情報を、ワード記憶処理部１０５が記憶部１７０に記憶する（ステップＳ１０３）。上述した例では、予約語情報の「画像」が記憶部１７０に記憶される。
　音声認識処理装置１００は、ステップＳ１０１での処理結果にもとづき、文字列情報にフリーワード情報が含まれているか否かを判断する（ステップＳ１０４）。
　ステップＳ１０４においてフリーワード情報は含まれていないと判断されたとき（Ｎｏ）は、ステップＳ１０６へ進む。
　ステップＳ１０４においてフリーワード情報が含まれていると判断されたとき（Ｙｅｓ）は、そのフリーワード情報を、ワード記憶処理部１０５が記憶部１７０に記憶する（ステップＳ１０５）。上述した例では、フリーワード情報の「ＡＢＣ」が記憶部１７０に記憶される。
　また、ワード記憶処理部１０５は、コマンド情報を記憶部１７０に記憶する。
　コマンド処理部１０６は、フリーワード情報、予約語情報、およびコマンド情報にもとづくコマンド処理を実行する（ステップＳ１０６）。
　コマンド処理部１０６は、意図解釈処理部１０４からコマンド情報を受け取り、ワード記憶処理部１０５からフリーワード情報および（または）予約語情報を受け取ると、フリーワード情報と予約語情報のそれぞれ、または両方に対して、コマンド情報にもとづく命令（コマンド）を実行する。なお、コマンド処理部１０６は、意図解釈処理部１０４からフリーワード情報と予約語情報を受け取ってもよい。また、ワード記憶処理部１０５からコマンド情報を受け取ってもよい。
　なお、コマンド処理部１０６では、主に、検索以外のコマンド処理を行う。このコマンド処理には、例えば、テレビ１０のチャンネル変更や音量変更、等がある。
　コマンド情報に「検索」が含まれていれば、検索処理部１０７で検索処理が実行される（ステップＳ１０７）。上述した例では、検索処理部１０７は、予約語情報の「画像」にもとづき検索対象コンテンツを「画像」とし、フリーワード情報の「ＡＢＣ」による画像検索を行う。
　ステップＳ１０７における検索結果は、表示制御部１０８により表示部１４０に表示される。こうして、キーワード単一検索処理が終了する。
　次に、本実施の形態におけるキーワード連想検索処理を、図５を用いて説明する。
　キーワード連想検索処理とは、ユーザ７００が検索処理を連続して実行するときに、前回の検索で入力した内容を再び入力せずとも、前回の入力内容と、新たに入力する内容と、にもとづく新たな検索を実行する処理のことである。なお、本実施の形態では、ユーザ７００が発する音声により入力操作が行われる例を説明するが、リモートコントローラ２０の入力部２２（例えば、タッチパッド）や携帯端末３０の入力部３２（例えば、タッチパネル）を使用した入力操作が行われてもよい。
　以下、具体例を示しながらキーワード連想検索処理を説明する。ここでは、ユーザ７００が、まず、「ＡＢＣの画像を検索」と発話し、フリーワード「ＡＢＣ」による「画像」の検索がすでに行われたものとする。
　続いて、ユーザ７００は、直前の画像検索に用いたフリーワードと同じフリーワード「ＡＢＣ」で、新たに「動画」の検索を行うものとする。この場合、本実施の形態では、ユーザ７００は、前回の検索と重複するフリーワード「ＡＢＣ」の発話を省略することができる。すなわち、ユーザ７００は、「動画を検索」と発話すればよい。
　意図解釈処理部１０４は、ユーザ７００が発した音声にもとづき、図６に示した音声認識解釈処理を実行する（ステップＳ２０１）。重複するので、ステップＳ２０１の詳細な説明は省略する。
　ユーザが発した音声にもとづく音声情報（例えば、「動画を検索」）は、音声認識処理装置１００からネットワーク４０を介して音声認識部５０へ送信される。音声認識部５０は、受信した音声情報にもとづく文字列情報を返信する。この文字列情報には予約語情報（例えば、「動画」）およびコマンド情報（例えば、「検索」）が含まれているが、フリーワード情報は含まれていない。返信された文字列情報は、認識結果取得部１０３で受信され、意図解釈処理部１０４へ出力される。
　この動作例では、音声認識処理装置１００の音声処理部１０２は、ユーザ７００が発した音声にもとづく音声情報に、コマンド「検索」が含まれていると判断する。そして、音声処理部１０２は、コマンド「検索」に対応するコマンド情報を認識結果取得部１０３に出力する。また、認識結果取得部１０３は、音声認識部５０から文字列「動画」が含まれた文字列情報を受信する。そして、意図解釈処理部１０４は、認識結果取得部１０３から取得する文字列情報に含まれる「動画」を予約語と判断する。また、文字列情報にフリーワード情報は含まれていないので、意図解釈処理部１０４からフリーワード情報は出力されない。
　意図解釈処理部１０４は、ステップＳ２０１での処理結果にもとづき、文字列情報に予約語情報が含まれているか否かを判断する（ステップＳ２０２）。
　ステップＳ２０２において予約語情報は含まれていないと判断されたとき（Ｎｏ）は、ステップＳ２０５へ進む。ステップＳ２０５以降の動作は後述する。
　ステップＳ２０２において予約語情報が含まれていると判断されたとき（Ｙｅｓ）は、ワード記憶処理部１０５は、その予約語情報（例えば、「動画」）を、新たな検索対象コンテンツとして記憶部１７０に記憶する（ステップＳ２０３）。
　新たな予約語情報が記憶部１７０に記憶されることで、予約語情報が更新される。上述の例では、前回の予約語情報「画像」が、新たな予約語情報「動画」に切り換えられる（ステップＳ２０４）。
　この動作例では、意図解釈処理部１０４からフリーワード情報が出力されないので、ワード記憶処理部１０５は、記憶部１７０に記憶されているフリーワード情報（例えば、「ＡＢＣ」）を読み出して、コマンド処理部１０６に出力する。コマンド処理部１０６は、意図解釈処理部１０４からコマンド情報を受け取り、ワード記憶処理部１０５から、読み出されたフリーワード情報と、新たな予約語情報と、を受け取る。そして、その読み出されたフリーワード情報と新たな予約語情報に対して、コマンド情報に応じたコマンド処理を行う（ステップＳ２０８）。なお、上述したように、コマンド処理部１０６では、主に検索以外のコマンド処理を行う。
　コマンド情報に「検索」が含まれていれば、検索処理部１０７で検索処理が実行される（ステップＳ２０９）。上述した例では、検索処理部１０７は、新たな予約語情報の「動画」にもとづき検索対象コンテンツを「動画」とし、記憶部１７０から読み出されたフリーワード情報の「ＡＢＣ」による動画検索を行う。
　ステップＳ２０９における検索結果は、表示制御部１０８により表示部１４０に表示される。こうして、キーワード連想検索処理が終了する。
　続いて、ステップＳ２０２において予約語情報は含まれていないと判断される（Ｎｏ）ときのキーワード連想検索処理を説明する。
　以下、具体例を示しながら説明する。ここでは、ユーザ７００が、まず、「ＡＢＣの画像を検索」と発話し、フリーワード「ＡＢＣ」による「画像」の検索がすでに行われたものとする。
　続いて、ユーザ７００は、直前の画像検索に用いたフリーワードと異なるフリーワード「ＸＹＺ」で、「画像」の検索を行うものとする。この場合、本実施の形態では、ユーザ７００は、前回の検索と重複する予約語「画像」とコマンド「検索」の発話を省略することができる。すなわち、ユーザ７００は、「ＸＹＺ」と発話すればよい。
　重複するので、ステップＳ２０１、Ｓ２０２の詳細な説明は省略する。
　ユーザが発した音声にもとづく音声情報（例えば、「ＸＹＺ」）は、音声認識処理装置１００からネットワーク４０を介して音声認識部５０へ送信される。音声認識部５０は、受信した音声情報にもとづく文字列情報を返信する。この文字列情報にはフリーワード情報（例えば、「ＸＹＺ」）が含まれているが、予約語情報とコマンド情報は含まれていない。返信された文字列情報は、認識結果取得部１０３で受信され、意図解釈処理部１０４へ出力される。
　このように、この動作例では、文字列情報に予約語情報は含まれず、音声処理部１０２からコマンド情報は出力されない。したがって、意図解釈処理部１０４から予約語情報およびコマンド情報は出力されない。
　これにより、ステップＳ２０２では予約語情報は含まれていないと判断される（Ｎｏ）。意図解釈処理部１０４は、ステップＳ２０１での処理結果にもとづき、文字列情報にフリーワード情報が含まれているか否かを判断する（ステップＳ２０５）。
　ステップＳ２０５においてフリーワード情報は含まれていないと判断されたとき（Ｎｏ）は、ステップＳ２０８へ進む。
　ステップＳ２０５においてフリーワード情報が含まれていると判断されたとき（Ｙｅｓ）は、ワード記憶処理部１０５は、そのフリーワード情報（例えば、「ＸＹＺ」）を、新たなフリーワード情報として記憶部１７０に記憶する（ステップＳ２０６）。
　新たなフリーワード情報が記憶部１７０に記憶されることで、フリーワード情報が更新される。上述の例では、前回のフリーワード情報「ＡＢＣ」が、新たなフリーワード情報「ＸＹＺ」に切り換えられる（ステップＳ２０７）。
　この動作例では、意図解釈処理部１０４から予約語情報およびコマンド情報が出力されないので、ワード記憶処理部１０５は、記憶部１７０に記憶されている予約語情報（例えば、「画像」）およびコマンド情報（例えば、「検索」）を読み出して、コマンド処理部１０６に出力する。コマンド処理部１０６は、ワード記憶処理部１０５が記憶部１７０から読み出した予約語情報およびコマンド情報と、新たなフリーワード情報（例えば、「ＸＹＺ」）と、を受け取る。そして、その読み出された予約語情報と新たなフリーワード情報に対して、読み出されたコマンド情報に応じたコマンド処理を行う（ステップＳ２０８）。
　記憶部１７０から読み出されたコマンド情報に「検索」が含まれていれば、検索処理部１０７で検索処理が実行される（ステップＳ２０９）。上述した例では、検索処理部１０７は、記憶部１７０から読み出された予約語情報の「画像」にもとづき検索対象コンテンツを「画像」とし、新たなフリーワード情報の「ＸＹＺ」による画像検索を行う。
　ステップＳ２０９における検索結果は、表示制御部１０８により表示部１４０に表示される。こうして、キーワード連想検索処理が終了する。
　なお、ステップＳ２０５においてフリーワード情報は含まれていないと判断されたとき（Ｎｏ）は、検索処理部１０７は、ステップＳ２０８に進み通常のコマンド処理または検索処理を行うものとする。
　［１－３．効果等］
　以上のように、本実施の形態において、音声認識処理装置１００は、音声取得部１０１と、第１音声認識部の一例である音声処理部１０２と、第２音声認識部の一例である音声認識部５０と、選別部の一例である意図解釈処理部１０４と、記憶部１７０と、処理部の一例であるコマンド処理部１０６および検索処理部１０７と、を備えている。音声取得部１０１は、ユーザが発する音声を取得して音声情報を出力するように構成されている。音声処理部１０２は、音声情報を第１情報の一例であるコマンド情報に変換するように構成されている。音声認識部５０は、音声情報を第２情報の一例である文字列情報に変換するように構成されている。意図解釈処理部１０４は、文字列情報から第３情報の一例である予約語情報と第４情報の一例であるフリーワード情報とを選別するように構成されている。記憶部１７０は、コマンド情報、予約語情報、およびフリーワード情報を記憶するように構成されている。コマンド処理部１０６は、コマンド情報、予約語情報、およびフリーワード情報にもとづく処理を実行するように構成されている。そして、コマンド処理部１０６および検索処理部１０７は、コマンド情報、予約語情報、およびフリーワード情報のうち１つまたは２つの不足情報があれば、その不足情報を記憶部１７０に記憶された情報を用いて補完して処理を実行するように構成されている。
　検索処理部１０７は、第１情報が検索コマンドであるとき、その検索コマンドと、予約語情報およびフリーワード情報とにもとづく検索処理を実行するように構成されている。
　音声認識部５０はネットワーク４０上に設置され、音声認識処理装置１００は、ネットワーク４０を介して音声認識部５０と通信を行うように構成された送受信部１５０を備えていてもよい。
　音声処理部１０２は、あらかじめ設定された、複数のコマンド情報と音声情報とを対応付けた「音声－コマンド」対応情報を用いて音声情報をコマンド情報に変換するように構成されていてもよい。
　このように構成された音声認識処理装置１００を使用するユーザ７００は、音声操作を連続して行う場合、前回の音声操作で発話した内容を再び発話せずとも、前回の発話内容と、新たに発話する内容と、にもとづく新たな操作を行うことができる。例えば、ユーザ７００は、検索処理を連続して行う場合、前回の検索で音声操作により入力した内容を再び発話せずとも、前回の発話内容と、新たに発話する内容と、にもとづく新たな検索を行うことができる。
　具体的な一例としては、ユーザ７００は、「ＡＢＣの画像を検索」と発話してフリーワード「ＡＢＣ」で「画像」を検索し、その後に続けて「ＡＢＣの動画を検索」する場合、前回の検索と重複するフリーワード「ＡＢＣ」の発話を省略し、「動画を検索」と発話するだけでよい。これにより、「ＡＢＣの動画を検索」と発話したときと同じ検索処理を実行することができる。
　あるいは、ユーザ７００は、「ＡＢＣの画像を検索」と発話してフリーワード「ＡＢＣ」で「画像」を検索し、その後に続けて「ＸＹＺの画像を検索」する場合、前回の検索と重複する予約語「画像」とコマンド「検索」の発話を省略し、「ＸＹＺ」と発話するだけでよい。これにより、「ＸＹＺの画像を検索」と発話したときと同じ検索処理を実行することができる。
　このように、本実施の形態における音声認識処理装置１００は、ユーザ７００が音声操作する際の煩雑さを軽減し、操作性を向上することができる。
　（他の実施の形態）
　以上のように、本出願において開示する技術の例示として、実施の形態１を説明した。しかしながら、本開示における技術は、これに限定されず、変更、置き換え、付加、省略等を行った実施の形態にも適用できる。また、上記実施の形態１で説明した各構成要素を組み合わせて、新たな実施の形態とすることも可能である。
　そこで、以下、他の実施の形態を例示する。
　実施の形態１では、コマンド情報が「検索」のときの動作例を説明したが、ここでは、その他のコマンドの例について記す。「音声－コマンド」対応情報には、例えば、「チャンネルアップ」、「音声アップ」、「再生」、「ストップ」、「ことば変更」、「文字表示」、等の音声情報に対応するコマンド情報が登録されていてもよい。
　例えば、「光ディスクを再生」とユーザが発話したとする。その場合、音声認識処理装置１００では、フリーワード「光ディスク」、コマンド情報「再生」が音声認識される。これにより、音声認識処理装置１００が搭載された光ディスク再生装置では、光ディスクに記録された映像が再生される。この状態に続けて、ユーザ７００が「ストップ」と発話すると、コマンド情報「ストップ」が音声認識処理装置１００で音声認識され、その光ディスク再生装置では、光ディスクの再生がストップする。これは、ワード記憶処理部１０５により記憶部１７０にフリーワード「光ディスク」が記憶されているため、コマンド処理部１０６は、新たに入力されたコマンド情報「再生」の処理を、記憶部１７０から読み出したフリーワード「光ディスク」に対して実行するためである。すなわち、ユーザ７００は「光ディスクをストップ」と発話しなくとも、単に「ストップ」と発話するだけで、光ディスク再生装置の動作を制御することができる。
　また、別の例では、例えば、ユーザ７００が「日本語の文字表示」と発話したとする。その場合、音声認識処理装置１００では、フリーワード情報「日本語」、コマンド情報「文字表示」が音声認識される。これにより、音声認識処理装置１００が搭載されたテレビ１０では、日本語の字幕をテレビ１０の表示部１４０に表示するコマンド「文字表示」が実行される。この状態に続けて、ユーザ７００が「英語」と発話すると、フリーワード情報「英語」が音声認識処理装置１００で音声認識される。そして、テレビ１０は、記憶部１７０からコマンド情報「文字表示」を読み出し、「文字表示」の動作をそのまま継続し、表示部１４０に表示する文字を「日本語」から「英語」に変更する。すなわち、ユーザ７００は、「英語の文字表示」と発話しなくとも、単に「英語」と発話するだけで、テレビ１０の表示文字を「日本語」から「英語」に変更することができる。
　このように、音声認識処理装置１００は、音声情報に不足情報があれば、それを記憶部１７０から読み出して補完し、コマンド処理を実行するので、ユーザ７００は、前回の音声操作時と重複する言葉を繰り返し発話する必要が無く、音声操作時の煩雑さが軽減され操作性が向上する。
　なお、ここに挙げた２つの例では、ユーザ７００の発話に予約語は含まれていないが、コマンド処理部１０６はそのコマンド処理を実行可能である。このように、予約語またはフリーワードが含まれていなくても実行が可能なコマンド情報であれば、意図解釈処理部１０４は、予約語またはフリーワードが含まれていなくてもよいことをワード記憶処理部１０５およびコマンド処理部１０６（検索処理部１０７）に発信する。したがって、コマンド処理部１０６（検索処理部１０７）は、意図解釈処理部１０４から発信される情報にもとづき、フリーワード情報と予約語情報とコマンド情報との組み合わせでコマンド処理すべきか、フリーワード情報とコマンド情報との組み合わせでコマンド処理すべきか、または、予約語情報とコマンド情報との組み合わせでコマンド処理すべきか、を判断し、コマンド処理を実行することができる。また、ワード記憶処理部１０５では、不要な情報を記憶部１７０から読み出す動作が防止される。上述の例では、音声情報に予約語情報は含まれていないが、予約語情報が不要なので、ワード記憶処理部１０５は予約語情報を記憶部１７０から読み出さない。
　なお、「音声－コマンド」対応情報に、コマンド情報に関連付けて、そのコマンド処理には予約語およびフリーワードの両方が必要なのか、それともいずれか一方でよいのか、を示す情報をあらかじめ登録しておいてもよい。そして、音声処理部１０２は、コマンド情報とともにその情報を後段に出力するように動作してもよい。
　なお、本実施の形態では、「画像」や「動画」を検索する動作例を説明したが、検索の対象は何ら「画像」や「動画」に限定されるものではなく、番組表や録画番組等を検索の対象としてもよい。
　なお、本実施の形態では特に言及していないが、音声認識処理において、ユーザ７００が発した音声に、コマンド情報の「検索」とキーワードとが含まれており、その「検索」の種類がインターネット検索アプリケーションによる検索である場合には、音声認識処理装置１００では、インターネット検索アプリケーションで、そのキーワードによる検索が行われる。例えば、「ＡＢＣをインターネットで検索」とユーザ７００が発話すれば、音声認識処理装置１００は、「インターネットで検索」という音声をインターネット検索アプリケーションによる「検索」であると認識する。このため、ユーザ７００は、その音声を発するだけで、そのキーワードによるインターネット検索をテレビ１０に行わせることができる。
　また、音声認識処理において、ユーザ７００が発した音声に、コマンド情報の「検索」とキーワードとが含まれており、その「検索」の種類が番組表アプリケーションによる検索である場合には、音声認識処理装置１００では、番組表アプリケーションで、そのキーワードによる検索が行われる。例えば、「ＡＢＣを番組表で検索」とユーザ７００が発話すれば、音声認識処理装置１００は、「番組表で検索」という音声を番組表アプリケーションによる「検索」であると認識する。このため、ユーザ７００は、その音声を発話するだけで、そのキーワードによる番組表検索をテレビ１０に行わせることができる。
　また、音声認識処理において、ユーザ７００が発した音声に、コマンド情報の「検索」とフリーワードとは含まれているが、予約語情報は含まれていないときは、音声認識処理装置１００では、そのフリーワードが含まれる全てのアプリケーションで、そのフリーワードによる「検索」を行い、検索を行った全てのアプリケーションでの検索結果を表示部１４０に表示してもよい。
　なお、テレビ１０では、音声認識処理を、上述した方法で開始できる。そのため、音声認識処理が開始されれば、ユーザ７００は、テレビ１０により番組を視聴している途中であっても、上記のような検索を行うことができる。
　なお、本実施の形態では、音声認識部５０がネットワーク４０上に配置された例を説明したが、音声認識部５０は音声認識処理装置１００に備えられていてもよい。
　なお、本実施の形態では、フリーワード情報を記憶部１７０から読み出してコマンド処理を補完する動作例と、予約語情報およびコマンド情報を記憶部１７０から読み出してコマンド処理を補完する動作例を説明したが、本開示は何らこの構成に限定されない。例えば、予約語情報を記憶部１７０から読み出してコマンド処理を補完してもよく、コマンド情報を記憶部１７０から読み出してコマンド処理を補完してもよい。あるいは、予約語情報およびフリーワード情報を記憶部１７０から読み出してコマンド処理を補完してもよく、フリーワード情報およびコマンド情報を記憶部１７０から読み出してコマンド処理を補完してもよい。
　なお、図２に示した各ブロックは、それぞれが独立した回路ブロックとして構成されてもよく、各ブロックの動作を実現するようにプログラムされたソフトウエアをプロセッサで実行する構成であってもよい。
　本開示は、ユーザが指示する処理動作を実行する機器に適用可能である。具体的には、携帯端末機器、テレビジョン受像機、パーソナルコンピュータ、セットトップボックス、ビデオレコーダ、ゲーム機、スマートフォン、タブレット端末、等に本開示は適用可能である。
１０　　テレビジョン受像機
１１　　音声認識処理システム
２０　　リモートコントローラ
２１，３１　　マイク
２２，３２　　入力部
３０　　携帯端末
４０　　ネットワーク
５０　　音声認識部
１００　　音声認識処理装置
１０１　　音声取得部
１０２　　音声処理部
１０３　　認識結果取得部
１０４　　意図解釈処理部
１０５　　ワード記憶処理部
１０６　　コマンド処理部
１０７　　検索処理部
１０８　　表示制御部
１１０　　操作受付部
１３０　　内蔵マイク
１４０　　表示部
１５０　　送受信部
１６０　　チューナ
１７０，１７１　　記憶部
１８０　　無線通信部
２０１　　音声認識アイコン
２０２　　インジケータ
７００　　ユーザ

Claims (6)

  1. ユーザが発する音声を取得して音声情報を出力するように構成された音声取得部と、
    前記音声情報を第１情報に変換するように構成された第１音声認識部と、
    前記音声情報を第２情報に変換するように構成された第２音声認識部と、
    前記第２情報から第３情報と第４情報とを選別するように構成された選別部と、
    前記第１情報、前記第３情報、および前記第４情報を記憶するように構成された記憶部と、
    前記第１情報、前記第３情報、および前記第４情報にもとづく処理を実行するように構成された処理部と、
    を備え、
    前記処理部は、前記第１情報、前記第３情報、および前記第４情報のうち１つまたは２つの不足情報があれば、前記不足情報を前記記憶部に記憶された情報を用いて補完して処理を実行するように構成された、
    音声認識処理装置。
  2. 前記処理部は、
    前記第１情報が検索コマンドであるとき、
    前記検索コマンドにもとづく検索処理を実行するように構成された、
    請求項１に記載の音声認識処理装置。
  3. 前記第２音声認識部はネットワーク上に設置され、
    前記ネットワークを介して、前記第２音声認識部と通信を行うように構成された送受信部を備えた、
    請求項１に記載の音声認識処理装置。
  4. 前記第１音声認識部は、
    あらかじめ設定された複数の第１情報と前記音声情報とを対応付けた情報、を用いて前記音声情報を前記第１情報に変換するように構成された、
    請求項１に記載の音声認識処理装置。
  5. ユーザが発する音声を取得して音声情報に変換するステップと、
    前記音声情報を第１情報に変換するステップと、
    前記音声情報を第２情報に変換するステップと、
    前記第２情報から第３情報と第４情報とを選別するステップと、
    前記第１情報、前記第３情報、および前記第４情報を記憶部に記憶するステップと、
    前記第１情報、前記第３情報、および前記第４情報にもとづく処理を実行するステップと、
    前記第１情報、前記第３情報、および前記第４情報のうち１つまたは２つの不足情報があれば、前記記憶部に記憶された情報を用いて補完するステップと、
    を備えた音声認識処理方法。
  6. ユーザが発する音声を取得して音声情報を出力するように構成された音声取得部と、
    前記音声情報を第１情報に変換するように構成された第１音声認識部と、
    前記音声情報を第２情報に変換するように構成された第２音声認識部と、
    前記第２情報から第３情報と第４情報とを選別するように構成された選別部と、
    前記第１情報、前記第３情報、および前記第４情報を記憶するように構成された記憶部と、
    前記第１情報、前記第３情報、および前記第４情報にもとづく処理を実行するように構成された処理部と、
    前記処理部における処理結果を表示するように構成された表示部と、
    を備え、
    前記処理部は、前記第１情報、前記第３情報、および前記第４情報のうち１つまたは２つの不足情報があれば、前記不足情報を前記記憶部に記憶された情報を用いて補完して処理を実行するように構成された、
    表示装置。
PCT/JP2014/006367 2013-12-26 2014-12-22 音声認識処理装置、音声認識処理方法、および表示装置 Ceased WO2015098079A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US15/023,385 US9905225B2 (en) 2013-12-26 2014-12-22 Voice recognition processing device, voice recognition processing method, and display device
EP14874773.6A EP3089157B1 (en) 2013-12-26 2014-12-22 Voice recognition processing device, voice recognition processing method, and display device
CN201480057905.0A CN105659318B (zh) 2013-12-26 2014-12-22 声音识别处理装置、声音识别处理方法以及显示装置
JP2015554558A JP6244560B2 (ja) 2013-12-26 2014-12-22 音声認識処理装置、音声認識処理方法、および表示装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013-268669 2013-12-26
JP2013268669 2013-12-26

Publications (1)

Publication Number Publication Date
WO2015098079A1 true WO2015098079A1 (ja) 2015-07-02

Family

ID=53477977

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/006367 Ceased WO2015098079A1 (ja) 2013-12-26 2014-12-22 音声認識処理装置、音声認識処理方法、および表示装置

Country Status (5)

Country Link
US (1) US9905225B2 (ja)
EP (1) EP3089157B1 (ja)
JP (1) JP6244560B2 (ja)
CN (1) CN105659318B (ja)
WO (1) WO2015098079A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147784A (zh) * 2018-09-10 2019-01-04 百度在线网络技术（北京）有限公司 语音交互方法、设备以及存储介质
JP2019049985A (ja) * 2016-03-04 2019-03-28 株式会社リコー インタラクティブ・ホワイトボード機器の音声制御
JP2022009571A (ja) * 2017-06-13 2022-01-14 グーグル エルエルシー 登録されていないリソースによるオーディオベースのネットワークセッションの確立

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2014103568A1 (ja) * 2012-12-28 2017-01-12 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
KR20160090584A (ko) * 2015-01-22 2016-08-01 엘지전자 주식회사 디스플레이 디바이스 및 그 제어 방법
US9858927B2 (en) * 2016-02-12 2018-01-02 Amazon Technologies, Inc Processing spoken commands to control distributed audio outputs
US9898250B1 (en) * 2016-02-12 2018-02-20 Amazon Technologies, Inc. Controlling distributed audio outputs to enable voice output
US10409552B1 (en) * 2016-09-19 2019-09-10 Amazon Technologies, Inc. Speech-based audio indicators
JP7044633B2 (ja) * 2017-12-28 2022-03-30 シャープ株式会社 操作支援装置、操作支援システム、及び操作支援方法
JP7227093B2 (ja) * 2019-07-05 2023-02-21 Ｔｖｓ Ｒｅｇｚａ株式会社 電子機器、プログラムおよび検索サービス選定方法
US11019402B2 (en) * 2019-09-26 2021-05-25 Dish Network L.L.C. Method and system for implementing an elastic cloud-based voice search utilized by set-top box (STB) clients
US12547372B2 (en) * 2021-03-15 2026-02-10 VIDAA USA, Inc. Display apparatus and display method

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001249685A (ja) * 2000-03-03 2001-09-14 Alpine Electronics Inc 音声対話装置
JP2005059185A (ja) * 2003-08-19 2005-03-10 Sony Corp ロボット装置及びその制御方法
JP2007226642A (ja) * 2006-02-24 2007-09-06 Honda Motor Co Ltd 音声認識機器制御装置
JP4812941B2 (ja) 1999-01-06 2011-11-09 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 注目期間を有する音声入力装置
JP2012501480A (ja) * 2008-08-29 2012-01-19 マルチモーダル・テクノロジーズ・インク ハイブリッド型音声認識
JP2013205523A (ja) * 2012-03-27 2013-10-07 Yahoo Japan Corp 応答生成装置、応答生成方法および応答生成プログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000356999A (ja) 1999-06-16 2000-12-26 Ishikawajima Harima Heavy Ind Co Ltd 音声によるコマンド入力装置及び方法
DE60228716D1 (de) * 2001-07-05 2008-10-16 Koninkl Philips Electronics Nv Verfahren zum bereitstellen von kontoinformation und system zum aufschreiben von diktiertem text
FR2833103B1 (fr) * 2001-12-05 2004-07-09 France Telecom Systeme de detection de parole dans le bruit
JP4849662B2 (ja) * 2005-10-21 2012-01-11 株式会社ユニバーサルエンターテインメント 会話制御装置
JP2008076811A (ja) * 2006-09-22 2008-04-03 Honda Motor Co Ltd 音声認識装置、音声認識方法及び音声認識プログラム
US20090144056A1 (en) * 2007-11-29 2009-06-04 Netta Aizenbud-Reshef Method and computer program product for generating recognition error correction information
US8099289B2 (en) * 2008-02-13 2012-01-17 Sensory, Inc. Voice interface and search for electronic devices including bluetooth headsets and remote systems
US8751229B2 (en) * 2008-11-21 2014-06-10 At&T Intellectual Property I, L.P. System and method for handling missing speech data
KR20130125067A (ko) 2012-05-08 2013-11-18 삼성전자주식회사 전자 장치 및 그의 제어 방법
KR101914708B1 (ko) 2012-06-15 2019-01-14 삼성전자주식회사 서버 및 서버의 제어 방법
CN102833633B (zh) * 2012-09-04 2016-01-20 深圳创维－Rgb电子有限公司 一种电视机语音控制系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4812941B2 (ja) 1999-01-06 2011-11-09 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 注目期間を有する音声入力装置
JP2001249685A (ja) * 2000-03-03 2001-09-14 Alpine Electronics Inc 音声対話装置
JP2005059185A (ja) * 2003-08-19 2005-03-10 Sony Corp ロボット装置及びその制御方法
JP2007226642A (ja) * 2006-02-24 2007-09-06 Honda Motor Co Ltd 音声認識機器制御装置
JP2012501480A (ja) * 2008-08-29 2012-01-19 マルチモーダル・テクノロジーズ・インク ハイブリッド型音声認識
JP2013205523A (ja) * 2012-03-27 2013-10-07 Yahoo Japan Corp 応答生成装置、応答生成方法および応答生成プログラム

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019049985A (ja) * 2016-03-04 2019-03-28 株式会社リコー インタラクティブ・ホワイトボード機器の音声制御
JP2022009571A (ja) * 2017-06-13 2022-01-14 グーグル エルエルシー 登録されていないリソースによるオーディオベースのネットワークセッションの確立
JP7339310B2 (ja) 2017-06-13 2023-09-05 グーグル エルエルシー 登録されていないリソースによるオーディオベースのネットワークセッションの確立
CN109147784A (zh) * 2018-09-10 2019-01-04 百度在线网络技术（北京）有限公司 语音交互方法、设备以及存储介质
JP2019185062A (ja) * 2018-09-10 2019-10-24 百度在線網絡技術（北京）有限公司 音声インタラクション方法、端末機器及びコンピュータ読み取り可能な記憶媒体
CN109147784B (zh) * 2018-09-10 2021-06-08 百度在线网络技术（北京）有限公司 语音交互方法、设备以及存储介质
US11176938B2 (en) 2018-09-10 2021-11-16 Baidu Online Network Technology (Beijing) Co., Ltd. Method, device and storage medium for controlling game execution using voice intelligent interactive system
JP7433000B2 (ja) 2018-09-10 2024-02-19 バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド 音声インタラクション方法、端末機器及びコンピュータ読み取り可能な記憶媒体

Also Published As

Publication number Publication date
CN105659318A (zh) 2016-06-08
JP6244560B2 (ja) 2017-12-13
US20160210966A1 (en) 2016-07-21
US9905225B2 (en) 2018-02-27
CN105659318B (zh) 2019-08-30
JPWO2015098079A1 (ja) 2017-03-23
EP3089157A4 (en) 2017-01-18
EP3089157B1 (en) 2020-09-16
EP3089157A1 (en) 2016-11-02

Similar Documents

Publication Publication Date Title
JP6244560B2 (ja) 音声認識処理装置、音声認識処理方法、および表示装置
JP6375521B2 (ja) 音声検索装置、音声検索方法、および表示装置
USRE50575E1 (en) Display apparatus, electronic device, interactive system, and controlling methods thereof
JP5746111B2 (ja) 電子装置及びその制御方法
JP5819269B2 (ja) 電子装置及びその制御方法
JP6111030B2 (ja) 電子装置及びその制御方法
US10586536B2 (en) Display device and operating method therefor
US9880808B2 (en) Display apparatus and method of controlling a display apparatus in a voice recognition system
JP6603754B2 (ja) 情報処理装置
JPWO2015098109A1 (ja) 音声認識処理装置、音声認識処理方法、および表示装置
JP2013037689A (ja) 電子装置及びその制御方法
KR20130018464A (ko) 전자 장치 및 그의 제어 방법
JP2014532933A (ja) 電子装置及びその制御方法
KR102594022B1 (ko) 전자 장치 및 그의 채널맵 업데이트 방법
KR20150089145A (ko) 음성 제어를 수행하는 디스플레이 장치 및 그 음성 제어 방법
KR20140089836A (ko) 대화형 서버, 디스플레이 장치 및 그 제어 방법
EP2725576A1 (en) Image processing apparatus and control method thereof and image processing system.
KR20190099676A (ko) 사용자의 발화를 기반으로 컨텐츠를 제공하는 장치 및 시스템
KR102827547B1 (ko) 축약 컨텐츠명 인식을 위한 전자장치 및 이의 제어방법
KR102045539B1 (ko) 디스플레이 장치, 및 이의 제어 방법, 그리고 음성 인식 시스템의 디스플레이 장치 제어 방법
KR102089593B1 (ko) 디스플레이 장치, 및 이의 제어 방법, 그리고 음성 인식 시스템의 디스플레이 장치 제어 방법
KR102124396B1 (ko) 디스플레이 장치, 및 이의 제어 방법, 그리고 음성 인식 시스템의 디스플레이 장치 제어 방법
KR102051480B1 (ko) 디스플레이 장치, 및 이의 제어 방법, 그리고 음성 인식 시스템의 디스플레이 장치 제어 방법
KR20190048334A (ko) 전자 장치, 음성 인식 방법 및 기록 매체

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14874773

Country of ref document: EP

Kind code of ref document: A1

REEP Request for entry into the european phase

Ref document number: 2014874773

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2014874773

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2015554558

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15023385

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE