特許 6820086 音声認識装置および音声認識方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6820086

(24)【登録日】2021年1月6日

(45)【発行日】2021年1月27日

(54)【発明の名称】音声認識装置および音声認識方法

(51)【国際特許分類】

   G10L 15/28 20130101AFI20210114BHJP

   G10L 15/00 20130101ALI20210114BHJP

   G10L 15/10 20060101ALI20210114BHJP

   G10L 15/22 20060101ALI20210114BHJP

   G10L 15/32 20130101ALI20210114BHJP

【ＦＩ】

   G10L15/28 230K

   G10L15/00 200Q

   G10L15/10 200W

   G10L15/22 200V

   G10L15/32 200Z

   G10L15/32 210E

【請求項の数】5

【全頁数】20

(21)【出願番号】特願2017-113062(P2017-113062)

(22)【出願日】2017年6月8日

(65)【公開番号】特開2018-205612(P2018-205612A)

(43)【公開日】2018年12月27日

【審査請求日】2020年3月6日

(73)【特許権者】

【識別番号】000101732

【氏名又は名称】アルパイン株式会社

(74)【代理人】

【識別番号】100105784

【弁理士】

【氏名又は名称】橘 和之

(74)【代理人】

【識別番号】100098497

【弁理士】

【氏名又は名称】片寄 恭三

(74)【代理人】

【識別番号】100099748

【弁理士】

【氏名又は名称】佐藤 克志

(74)【代理人】

【識別番号】100103171

【弁理士】

【氏名又は名称】雨貝 正彦

(72)【発明者】

【氏名】工藤 信範

【審査官】 大野 弘

(56)【参考文献】

【文献】 特開２００６−１７１０７７（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ１０Ｌ １５／２８

Ｇ１０Ｌ １５／００

Ｇ１０Ｌ １５／１０

Ｇ１０Ｌ １５／２２

Ｇ１０Ｌ １５／３２

(57)【特許請求の範囲】

【請求項1】

マイクより入力される音声が認識対象ワードに該当するかどうかを常時判定するようになされた音声認識装置であって、
上記認識対象ワードの全体の音声パターンが登録された第１音声認識辞書、および、上記認識対象ワードの後半部分のみの音声パターンが登録された第２音声認識辞書を記憶した辞書記憶部と、
上記第１音声認識辞書に登録されている上記認識対象ワードの全体の音声パターンと、上記マイクより入力された外部入力音声との類似度を算出し、当該算出した類似度が所定レベルより大きい場合に、上記外部入力音声が上記認識対象ワードの全体に相当すると認識する第１音声認識部と、
上記第２音声認識辞書に登録されている上記認識対象ワードの後半部分の音声パターンと、車載機で発生されスピーカから出力される前の内部発生音声との類似度を算出し、当該算出した類似度が所定レベルより大きい場合に、上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識する第２音声認識部と、
上記第１音声認識部により上記外部入力音声が上記認識対象ワードの全体に相当すると認識され、かつ、上記第２音声認識部により上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識された場合、上記第１音声認識部による認識結果を破棄する認識結果破棄部とを備え、
上記第１音声認識部は、上記外部入力音声の順次入力と並行して上記類似度の算出を逐次行い、当該算出した類似度が第１のレベルより大きくなった時点で、上記外部入力音声が上記認識対象ワードの前半部分に相当すると認識し、引き続き算出した類似度が第２のレベルより大きくなった時点で、上記外部入力音声が上記認識対象ワードの全体に相当すると認識し、
上記第２音声認識部は、上記第１音声認識部により算出された類似度が上記第１のレベルよりも大きくなった時点で認識処理を開始することを特徴とする音声認識装置。

【請求項2】

上記第２音声認識部は、上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識した場合、または、認識処理の開始から所定時間が経過した場合に、認識処理を停止することを特徴とする請求項１に記載の音声認識装置。

【請求項3】

上記第１音声認識部は、上記類似度を表す指標として距離値を算出し、当該算出した距離値が第１の閾値より小さくなった時点で、上記外部入力音声が上記認識対象ワードの前半部分に相当すると認識し、引き続き算出した距離値が第２の閾値より小さくなった時点で、上記外部入力音声が上記認識対象ワードの全体に相当すると認識し、
上記第２音声認識部は、上記第１音声認識部により算出された距離値が上記第１の閾値より小さくなった時点で認識処理を開始した後、上記類似度を表す指標として距離値を算出し、当該算出した距離値が所定の閾値より小さくなった場合に、上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識することを特徴とする請求項１または２に記載の音声認識装置。

【請求項4】

上記認識結果破棄部は、
上記第１音声認識部により上記外部入力音声が上記認識対象ワードの全体に相当すると認識されると共に、上記第２音声認識部により上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識された場合、さらに、上記第１音声認識部において認識された上記認識対象ワードの後半部分と、上記第２音声認識部において認識された上記認識対象ワードの後半部分とが同じであるか否かを判定し、同じであると判定された場合に、上記第１音声認識部による認識結果を破棄することを特徴とする請求項１から３のいずれか１項に記載の音声認識装置。

【請求項5】

マイクより入力される音声が認識対象ワードに該当するかどうかを常時判定するようになされた音声認識方法であって、
音声認識装置の第１音声認識部が、第１音声認識辞書に登録されている上記認識対象ワードの全体の音声パターンと、上記マイクより順次入力される外部入力音声との類似度を逐次算出する第１のステップと、
上記第１音声認識部が、上記第１のステップで算出された類似度が第１のレベルより大きくなったか否かを判定し、大きくなったと判定した時点で、上記外部入力音声が上記認識対象ワードの前半部分に相当すると認識する第２のステップと、
上記第１のステップで算出された類似度が上記第１のレベルより大きくなったと判定された場合に、上記音声認識装置の第２音声認識部を起動する第３のステップと、
上記第１音声認識部が、上記第１音声認識辞書に登録されている上記認識対象ワードの全体の音声パターンと、上記マイクより引き続き順次入力される外部入力音声との類似度を逐次算出すると同時に、上記第２音声認識部が、第２音声認識辞書に登録されている上記認識対象ワードの後半部分の音声パターンと、車載機で発生されスピーカから出力される前の内部発生音声との類似度を逐次算出する第４のステップと、
上記第１音声認識部が、上記第４のステップで算出された類似度が第２のレベルより大きくなったか否かを判定し、大きくなったと判定した時点で、上記外部入力音声が上記認識対象ワードの全体に相当すると認識する第５のステップと、
上記第２音声認識部が、上記第４のステップで算出された類似度が所定レベルより大きくなったか否かを判定し、大きくなったと判定した時点で、上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識する第６のステップと、
上記音声認識装置の認識結果破棄部が、上記第５のステップにおいて上記第１音声認識部により上記外部入力音声が上記認識対象ワードの全体に相当すると認識され、かつ、上記第６のステップにおいて上記第２音声認識部により上記内部発生音声が上記認識対象ワードの後半部分に相当すると認識された場合、上記第１音声認識部による認識結果を破棄する第７のステップとを有することを特徴とする音声認識方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、音声認識装置および音声認識方法に関し、特に、音声認識時に発話ボタンの操作や特定動作などのトリガを不要にした音声認識装置に用いて好適なものである。

【背景技術】

【0002】

従来、車両に搭載されているオーディオ装置、エアコンディショナ、ナビゲーション装置など各種の電子機器を操作する際の片手運転等を回避するために、電子機器の操作を音声認識により行えるようにしたシステムが提供されている。この音声認識技術を用いれば、運転者は、ハンドルから手を離すことなく（リモートコントローラや操作パネル等の操作部を手動で操作せずに）各種電子機器の操作を行うことができる。

【0003】

通常、音声認識装置では、マイクより入力されたユーザの発話音声と、音声認識辞書に登録されている特定の単語や熟語、簡単な命令文など（以下、これらをまとめて「認識対象ワード」という）の音声パターンとの類似度に基づいて認識が行われる。例えば、ユーザの発話音声と、音声認識辞書に登録されている音声パターンとの類似度を表す指標として距離値を算出し、距離値が閾値を下回った場合に、その音声パターンに対応する認識対象ワードが発話されたと認識する。

【0004】

従来の音声認識装置は、ユーザが備え付けの発話ボタンを押すことで音声認識モードとなり、マイクから入力されたユーザの発話音声を認識するようになされている。発話ボタンの操作に代えて、手を叩く等の特定動作をトリガとして音声認識モードとなるようになされたものも知られている。これに対し、最近では、音声認識時に発話ボタンの操作や特定動作などのトリガを不要にした音声認識（以下、トリガレス音声認識という）も提供されている。

【0005】

トリガレス音声認識装置では、マイクを常時オン状態にしておき、入力される音声が認識対象ワードに該当するかどうかを常に判定する。なお、車室内では、マイクより入力される音声には、音声認識のための発話音声の他に、エンジンの動作音や走行音、オーディオ音声、搭乗者どうしの会話音声などの各種ノイズが含まれている。そのため、トリガレス音声認識装置では、このようにノイズの多い環境下でも音声認識を正しく行えるようにするための工夫が必要となる。

【0006】

従来、オーディオ音声による誤認識を抑制するための技術が提供されている（例えば、特許文献１参照）。特許文献１に記載の技術では、音声認識エンジンを２つ搭載し、第１の音声認識エンジンにおいてマイクから入力された音声を認識すると同時に、本来はスピーカから出力するオーディオ音声を内部で分岐して第２の音声認識エンジンに入力し、第２の音声認識エンジンでオーディオ音声の認識を行う。そして、それぞれの音声認識エンジンにおいて同じワードを認識した場合は、オーディオ音声による誤認識として棄却する。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】実開平７−２３４００号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

トリガレス音声認識の場合、マイクより入力される音声が認識対象ワードに該当するかどうかを常時判定するため、車載機のＣＰＵに常に処理負荷がかかっている状態となる。１つの音声認識エンジンで１２個の認識対象ワードに対応する場合、５％程度のＣＰＵ負荷が増加する。特許文献１のように、２つの音声認識エンジンを同時に動作させた場合、１２個の認識対象ワードに対応する場合は合計２４ワードとなり、１０％程度のＣＰＵ負荷を増加させてしまう。

【0009】

こういった状況では、音声認識処理以外の他処理のレスポンス性能が低下するという問題が生じる。例えば、ナビゲーション装置の地図描画性能（１秒当たりの描画可能フレーム数であるfps＝frame per second）の低下を招くといった問題が生じてしまう。他処理のレスポンス性能の低下を抑えるためには、定常的に待ち受ける認識対象ワードの数を少なく制限する必要がある。しかしながら、このようにすると、ごく限られた数の認識対象ワードしか音声認識できないことになり、トリガレス音声認識の利便性が損なわれてしまう。

【0010】

本発明は、このような問題を解決するために成されたものであり、トリガレス音声認識において定常的に待ち受ける認識対象ワードの数を少なく制限することなく、また音声認識処理以外の他処理のレスポンス性能の低下を極力抑えつつ、車載機で発生された音声による誤認識を抑制することができるようにすることを目的とする。

【課題を解決するための手段】

【0011】

上記した課題を解決するために、本発明の音声認識装置は、認識対象ワードの全体が登録された第１音声認識辞書と、認識対象ワードの後半部分のみが登録された第２音声認識辞書とを有する。また、本発明の音声認識装置は、第１音声認識辞書を用いて、マイクより入力された外部入力音声の音声認識を行う第１音声認識部と、第２音声認識辞書を用いて、車載機で発生されスピーカから出力される前の内部発生音声の音声認識を行う第２音声認識部とを備える。第１音声認識部は、外部入力音声の順次入力と並行して類似度の算出を逐次行い、算出した類似度が第１のレベルより大きくなった時点で、外部入力音声が認識対象ワードの前半部分に相当すると認識し、引き続き算出した類似度が第２のレベルより大きくなった時点で、外部入力音声が認識対象ワードの全体に相当すると認識する。第２音声認識部は、第１音声認識部により算出された類似度が第１のレベルよりも大きくなった時点で認識処理を開始し、算出した類似度が所定レベルより大きい場合に、内部発生音声が認識対象ワードの後半部分に相当すると認識する。そして、第１音声認識部において外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部により内部発生音声が認識対象ワードの後半部分に相当すると認識された場合、第１音声認識部による認識結果を破棄するようにしている。

【発明の効果】

【0012】

上記のように構成した本発明によれば、第１音声認識部において外部入力音声が認識対象ワードの前半部分に相当すると認識された場合にのみ第２音声認識部が起動されるので、第２音声認識部が常時動作している場合に比べて処理負荷を小さくすることができる。処理負荷が小さいので、トリガレス音声認識において定常的に待ち受ける認識対象ワードの数を少なく制限する必要がない。そして、第１音声認識部において外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部により内部発生音声が認識対象ワードの後半部分に相当すると認識された場合には、第１音声認識部による認識結果が、スピーカから出力された内部発生音声がマイクから入力されたために生じた誤認識であるものとして破棄される。これにより、本発明によれば、トリガレス音声認識において定常的に待ち受ける認識対象ワードの数を少なく制限することなく、また音声認識処理以外の他処理のレスポンス性能の低下を極力抑えつつ、車載機で発生された音声による誤認識を抑制することができる。

【図面の簡単な説明】

【0013】

【図1】本実施形態に係る音声認識装置の機能構成例を示すブロック図である。

【図2】認識対象ワードの一例を示す図である。

【図3】本実施形態に係る第１音声認識辞書および第２音声認識辞書が記憶する情報の一例を示す図である。

【図4】本実施形態に係る第１音声認識部および第２音声認識部が算出する距離値の推移の一例を示すグラフである。

【図5】第１音声認識部の動作例を示すフローチャートである。

【図6】第２音声認識部の動作例を示すフローチャートである。

【図7】認識結果破棄部の動作例を示すフローチャートである。

【発明を実施するための形態】

【0014】

以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態に係る音声認識装置１００の機能構成例を示すブロック図を、車両に設けられたマイク２００、ナビゲーション装置３００、オーディオ装置４００、カメラシステム５００、表示装置６００、および音声出力装置７００と共に示す図である。本実施形態に係る音声認識装置１００は、車両の車内に設けられたマイク２００より入力される乗員の発話音声（特定の単語や熟語、簡単な命令文などのワード）を発話コマンドとして認識し、認識結果に基づいてナビゲーション装置３００を制御するものである。なお、ここでは音声認識装置１００の制御対象の電子機器をナビゲーション装置３００としているが、オーディオ装置４００、エアコンディショナ、その他の電子機器であってもよい。

【0015】

マイク２００は、収音装置であり、車両に搭乗する搭乗者の発話音声を収音可能な位置に設けられる。マイク２００は、収音した音声に基づく音声信号を、後述する第１音声認識部１０に出力する。以下、マイク２００が収音する音声を「外部入力音声」といい、マイク２００が第１音声認識部１０に出力する音声信号を「外部入力音声信号」という。

【0016】

ナビゲーション装置３００には、表示装置６００と、カメラシステム５００とが接続される。表示装置６００は、液晶表示パネル等の画像が表示可能な装置であり、例えば、ダッシュボードの中央部に設けられる。カメラシステム５００は、車両の前方を撮影するフロントカメラ、および、車両の後方を撮影するリアカメラを備え、ナビゲーション装置３００からの要求に応じて、いずれか一方のカメラの撮影結果をナビゲーション装置３００に出力する。

【0017】

ナビゲーション装置３００は、車両の位置を検出する機能や、表示装置６００に地図を表示して地図上に車両の位置を表示する機能、目的地までの経路を探索する機能、表示装置６００に地図を表示して地図上に目的地までの経路を描画して当該経路を案内する機能を備える。また、ナビゲーション装置３００は、ユーザの指示に応じて、フロントカメラの撮影結果を示す画像、または、リアカメラの撮影結果を示す画像を、表示装置６００に表示する機能を備える。

【0018】

音声出力装置７００は、Ｄ／Ａコンバータや、ボリューム、アンプ、スピーカ等を備え、入力された音声信号をＤ／Ａ変換し、増幅した後、スピーカにより音声出力する。オーディオ装置４００は、メディア（ＣＤ、ＤＶＤ、ＭＤ等）に記録された音声データや、メモリー（オーディオ装置４００に搭載された内部メモリーであってもよく、当該装置に接続された外部メモリーであってもよい）に記憶された音声データに基づいて、音声信号を生成し、音声出力装置７００に出力する。なお、オーディオ装置４００は、音声出力装置７００に音声信号を出力し、車内に音声を放音する装置であればよく、例えば、ラジオ受信装置であってもよい。図１に示すように、オーディオ装置４００が出力する音声信号は、分岐されて、後述する第２音声認識部１２に出力される。以下、第２音声認識部１２が入力する音声信号を「内部発生音声信号」といい、この内部発生音声信号に基づく音声を内部発生音声という。内部発生音声は、車載機の１つであるオーディオ装置４００で発生されスピーカから出力される前の音声である。

【0019】

図１に示すように、本実施形態に係る音声認識装置１００は、その機能構成として、第１音声認識部１０、電子機器制御部１１、第２音声認識部１２および認識結果破棄部１３を備えている。また、音声認識装置１００は、記憶媒体として、辞書記憶部２０を備えている。

【0020】

なお、上記各機能ブロック１０〜１３は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１０〜１３は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

【0021】

辞書記憶部２０は、第１音声認識辞書２０Ａおよび第２音声認識辞書２０Ｂを記憶する。以下、認識対象ワードについて説明した後、第１音声認識辞書２０Ａおよび第２音声認識辞書２０Ｂについて説明する。

【0022】

図２は、本実施形態における認識対象ワードの一覧例である。なお、図２で例示した認識対象ワードはあくまで一例であり、他の認識対象ワードが存在してもよいことは勿論である。図２に示すように、本実施形態では、認識対象ワードとして、９個の認識対象ワードが用意されている。従って、搭乗者が、９個の認識対象ワードのうち、いずれかの認識対象ワードに対応する文言を発話した場合、音声認識装置１００は、発話音声を認識対象ワードと認識し、認識対象ワードに対応する処理をナビゲーション装置３００に実行させる。また、９個の認識対象ワードのそれぞれには、番号Ａ１〜番号Ａ９の識別情報が割り振られている。

【0023】

認識対象ワードのそれぞれについて、各ワードに相当する文言が発話された場合に、音声認識装置１００がナビゲーション装置３００に実行させる処理について簡単に説明すると、番号Ａ１の認識対象ワードは、車両の現在位置の近くにあるコンビニエンスストアを探索する処理を実行するためのワードである。また、番号Ａ２の認識対象ワードは、車両の現在位置の近くにあるガソリンスタンドを探索する処理を実行するためのワードである。番号Ａ３の認識対象ワードは、目的地までの経路を案内する処理を実行するためのワードである。番号Ａ４の認識対象ワードは、事前に登録された自宅までの経路を案内する処理を実行するためのワードである。番号Ａ５の認識対象ワードは、表示装置６００に車両の現在位置を中心とした所定スケールの地図を表示する処理を実行するためのワードである。番号Ａ６の認識対象ワードは、表示された地図の縮尺を拡大する処理を実行するためのワードである。番号Ａ７の認識対象ワードは、表示された地図の縮尺を縮小する処理を実行するためのワードである。番号Ａ８の認識対象ワードは、フロントカメラの撮影結果を示す画像を表示装置６００に表示する処理を実行するためのワードである。番号Ａ９の認識対象ワードは、リアカメラの撮影結果を示す画像を表示装置６００に表示する処理を実行するためのワードである。

【0024】

本実施形態では、認識対象ワードのそれぞれは、事前に、前半部分と、後半部分とに分けられている。図２では、記号「／」で、各認識対象ワードの前半部分と、後半部分との区切りを示している。例えば、番号Ａ１の認識対象ワードは、文言「近くのコンビニ」からなる認識対象ワードである。そして、番号Ａ１の認識対象ワードは、文言「近くの」と、文言「コンビニ」とに分けられている。また例えば、番号Ａ８の認識対象ワードは、文言「フロントカメラ」からなる認識対象ワードである。そして、番号Ａ８の認識対象ワードは、文言「フロント」と、文言「カメラ」とに分けられている。

【0025】

図３（Ａ）は、第１音声認識辞書２０Ａが記憶する情報を説明に適した内容で模式的に示す図である。図３（Ｂ）は、第２音声認識辞書２０Ｂが記憶する情報を説明に適した内容で模式的に示す図である。図３（Ａ）に示すように、第１音声認識辞書２０Ａには、全ての認識対象ワードのそれぞれ（本実施形態では、上述した９個の認識対象ワードのそれぞれ）について、認識対象ワードの「全体」の音声パターンが登録されている。

【0026】

図３（Ｂ）に示すように、第２音声認識辞書２０Ｂには、全ての認識対象ワードのそれぞれについて、認識対象ワードの「後半部分」の音声パターンが登録されている。例えば、番号Ａ１の認識対象ワードについて、第２音声認識辞書２０Ｂには、認識対象ワードの後半部分の文言「コンビニ」の音声パターンが登録されている。図２に示すように、番号Ａ５、Ａ６、Ａ７の認識対象ワードの後半部分は、「表示」で共通する。これを踏まえ、図３（Ｂ）に示すように、番号Ａ５、Ａ６、Ａ７の認識対象ワードについては、認識対象ワードの「後半部分」の音声パターンとして、文言「表示」の音声パターンが、１つだけ、第２音声認識辞書２０Ｂに登録されている。このことは、後半部分が文言「カメラ」で共通している番号Ａ８、Ａ９の認識対象ワードについても同様である。この結果、本実施形態に係る第２音声認識辞書２０Ｂには、文言「コンビニ」、文言「ガソリンスタンド」、文言「案内」、文言「帰る」、文言「表示」、文言「カメラ」の６個の認識対象ワードの後半部分の音声パターンが登録される。

【0027】

第１音声認識部１０は、第１音声認識辞書２０Ａに登録されている認識対象ワードの全体の音声パターンと、マイク２００より入力された外部入力音声との類似度を算出し、当該算出した類似度が所定レベルより大きい場合に、外部入力音声が認識対象ワードの全体に相当すると認識する。より詳細には、第１音声認識部１０は、外部入力音声の順次入力と並行して類似度の算出を逐次行い、当該算出した類似度が第１のレベルより大きくなった時点で、外部入力音声が認識対象ワードの前半部分に相当すると認識し、引き続き算出した類似度が第２のレベルより大きくなった時点で、外部入力音声が認識対象ワードの全体に相当すると認識する。

【0028】

本実施形態では、第１音声認識部１０は、類似度を表す指標として距離値を算出する。距離値は、値「０」〜値「１０００」の範囲で値をとる。第１音声認識部１０が算出する１の認識対象ワードに係る距離値は、外部入力音声と、当該１の認識対象ワードの「全体」の音声パターンとが類似するほど、その距離値の値は小さくなる。そして、第１音声認識部１０は、算出した距離値が第１閾値Ｔ１（＞第２閾値Ｔ２（後述））より小さくなったことを検出することによって、類似度が第１のレベルより大きくなったことを検出し、その時点で外部入力音声が認識対象ワードの前半部分に相当すると認識する。第１音声認識部１０は、算出した距離値が第１閾値Ｔ１より小さくなった後、引き続き算出した距離値が第２閾値Ｔ２より小さくなったことを検出することによって、類似度が第２のレベルより大きくなったことを検出し、その時点で、外部入力音声が認識対象ワードの全体に相当すると認識する。

【0029】

以下、第１音声認識部１０の処理について詳述する。図４（Ａ）は、ある１の認識対象ワードについて、第１音声認識部１０により算出された距離値の推移の一例を示すグラフである。特に、図４（Ａ）は、距離値が第１閾値Ｔ１を下回った後、さらに、第２閾値Ｔ２を下回る場合の距離値の推移の一例を示す。図４（Ａ）のグラフの縦軸は距離値を示し、横軸は時間の経過を示す。第１音声認識部１０は、いわゆるトリガレス音声認識を実行し、常時、距離値の算出を実行する。

【0030】

上述したように、マイク２００は、収音した音声に基づく外部入力音声信号を第１音声認識部１０に出力する。第１音声認識部１０は、９個の認識対象ワードのそれぞれについて、外部入力音声の順次入力と並行して、外部入力音声信号の音声波形と、第１音声認識辞書２０Ａに登録された音声パターン（認識対象ワードの「全体」の音声パターン）との比較に基づく距離値の算出を逐次行う。この結果、図４（Ａ）に示すように、時間の経過と共に距離値の値が逐次変化する。

【0031】

第１音声認識部１０は、距離値が第１閾値Ｔ１を上回っている状態の場合、距離値が第１閾値Ｔ１を下回った状態へ移行したか否かを監視する。図４（Ａ）では、タイミングＴＭ１で、距離値が第１閾値Ｔ１を上回った状態から、下回った状態へ移行している。第１音声認識部１０は、距離値が第１閾値Ｔ１を下回った状態へ移行したことを検出した場合、その時点（図４（Ａ）ではタイミングＴＭ１）で、外部入力音声が認識対象ワードの前半部分に相当すると認識する。

【0032】

ここで、マイク２００が、１の認識対象ワードに対応する文言の音声を収音した場合、収音した音声に基づく外部入力音声信号と、当該１の認識対象ワードの音声パターンとの距離値は、徐々に小さくなっていく。より詳細には、収音した音声に基づく外部入力音声信号と、当該１の認識対象ワードの音声パターンとの比較量が多くなるにつれて、外部入力音声信号の音声波形と、当該１の認識対象ワードの音声パターンとの一致率が徐々に高くなり、これに伴って距離値が徐々に小さくなっていき、ある時点で第１閾値Ｔ１を下回り、さらにその後の時点で第２閾値Ｔ２を下回る。

【0033】

そして、１の認識対象ワードに係る第１閾値Ｔ１の値は、マイク２００が当該１の認識対象ワードに対応する文言の音声を収音する場合において、当該１の認識対象ワードの「前半部分」に対応する文言の音声が収音され、当該１の認識対象ワードの「前半部分」に対応する外部入力音声に基づく距離値の算出が完了した時点で、その距離値が第１閾値Ｔ１に至るような値に設定される。第１閾値Ｔ１の値は、認識対象ワードごとに、事前のテストの結果等を踏まえ、適切に設定される。以上のことを踏まえ、第１音声認識部１０は、距離値が第１閾値Ｔ１を上回っている状態から下回った状態へ移行したことを検出した場合、その時点で、外部入力音声が認識対象ワードの前半部分に相当すると認識する。

【0034】

第１音声認識部１０は、距離値が第１閾値Ｔ１を上回っている状態から下回った状態へ移行したことを検出した場合、処理開始通知を第２音声認識部１２に出力する。図４（Ａ）で例示するグラフでは、第１音声認識部１０は、タイミングＴＭ１で処理開始通知を出力する。処理開始通知については、第２音声認識部１２の処理と共に後に説明する。

【0035】

第１音声認識部１０は、距離値が第１閾値Ｔ１を下回った場合、その時点からの経過時間の計測を開始する。そして、第１音声認識部１０は、距離値が第１閾値Ｔ１を下回ってからの経過時間として時間Ｊ１が経過したか否かを監視しつつ、距離値が第２閾値Ｔ２を下回ったか否かを監視する。

【0036】

ここで、第２閾値Ｔ２および時間Ｊ１の値は、時間Ｊ１が経過することなく距離値が第２閾値Ｔ２を下回った場合、外部入力音声が、認識対象ワードの全体に相当するとみなすことができ、逆に、距離値が第２閾値Ｔ２を下回ることなく時間Ｊ１が経過した場合、外部入力音声が、認識対象ワードの全体に相当しないとみなすことができるような値に設定される。第２閾値Ｔ２および時間Ｊ１は、事前のテストの結果等を踏まえ、第１音声認識辞書２０Ａに登録された認識対象ワードごとに適切な値とされる。なお、距離値が第２閾値Ｔ２を下回ることなく、時間Ｊ１が経過した場合、時間Ｊ１の経過後、距離値は徐々に大きくなっていき、いずれ、第１閾値Ｔ１を上回ることになる。

【0037】

以上のことを踏まえ、距離値が第２閾値Ｔ２を下回ることなく時間Ｊ１が経過した場合、第１音声認識部１０は、距離値が第２閾値Ｔ２を下回ったか否かの判定を停止し、距離値が第１閾値Ｔ１を上回っている状態から下回った状態へ移行したか否かを監視する。上述したように、時間Ｊ１の経過後、距離値は、いずれ第１閾値Ｔ１を上回った状態となるため、第１音声認識部１０は、距離値が、一旦、第１閾値Ｔ１を上回った後、第１閾値Ｔ１を上回った状態から下回った状態へ移行したか否かを監視する。なお、本実施形態では、距離値が第２閾値Ｔ２を下回ることなく時間Ｊ１が経過したことをもって、外部入力音声が、認識対象ワードの全体に相当しないと判定する構成であるが、この点について、距離値が、第１閾値Ｔ１を下回った後に、第２閾値Ｔ２を下回ることなく、第１閾値Ｔ１を上回ったことをもって、外部入力音声が、認識対象ワードの全体に相当しないと判定する構成としてもよい。

【0038】

一方、時間Ｊ１が経過する前に距離値が第２閾値Ｔ２を下回った場合、第１音声認識部１０は、外部入力音声が認識対象ワードの全体に相当すると認識する。図４（Ａ）で例示するグラフでは、第１音声認識部１０は、タイミングＴＭ２において、外部入力音声が認識対象ワードの全体に相当すると認識する。なお、距離値が第２閾値Ｔ２を下回った場合、距離値は、一旦、第２閾値Ｔ２を下回った後、徐々に大きくなっていき、いずれ、第１閾値Ｔ１を上回ることになる。

【0039】

上記認識後、第１音声認識部１０は、いずれか１つの認識対象ワードについて、外部入力音声が認識対象ワードの全体に相当したと認識したことを通知する第１音声認識通知を認識結果破棄部１３に出力する。認識結果破棄部１３の処理については後述する。

【0040】

次いで、第１音声認識部１０は、認識結果破棄部１３から、認識破棄通知または認識確定通知のいずれかを入力したか否かを監視する。認識破棄通知とは、外部入力音声が認識対象ワードの全体に相当したという認識（以下、単に「第１音声認識部１０の認識結果」という場合がある）について、認識を破棄することを指示する通知である。認識破棄通知は、後に詳述するが、オーディオ装置４００が放音した音声に、偶発的に、認識対象ワードに対応する文言が含まれており、当該音声に基づく外部入力信号を音声処理した結果、第１音声認識部１０が外部入力音声が認識対象ワードの全体に相当したと認識した場合に通知される。この場合、搭乗者が、認識対象ワードに対応する文言を発話したわけではないので、第１音声認識部１０の認識結果を破棄し、当該認識結果に基づいてナビゲーション装置３００の制御が行われないようにする必要がある。また、認識確定通知は、後に詳述するが、第１音声認識部１０の認識結果が、オーディオ装置４００が放音した音声に対する音声処理の結果に由来するものではなく、搭乗者が発話した音声に対する音声処理の結果に由来する場合に通知される。この場合、ナビゲーション装置３００に、認識対象ワードに対応する処理を実行させる必要がある。

【0041】

認識破棄通知を入力した場合、第１音声認識部１０は、外部入力音声が認識対象ワードの全体に相当したという認識について、認識を破棄する。この場合、マイク２００が収音した音声に基づくナビゲーション装置３００の制御は行われない。その後、第１音声認識部１０は、距離値が第１閾値Ｔ１を上回っている状態から下回った状態へ移行したか否かを監視する。上述したように、距離値は、第２閾値Ｔ２を下回った後、いずれ第１閾値Ｔ１を上回った状態となるため、第１音声認識部１０は、距離値が、一旦、第１閾値Ｔ１を上回った後、第１閾値Ｔ１を上回った状態から下回った状態へ移行したか否かを監視する。

【0042】

一方、認識確定通知を入力した場合、第１音声認識部１０は、外部入力音声が認識対象ワードの全体に相当したという認識について、認識を確定する。次いで、第１音声認識部１０は、外部入力音声が相当したと認識した認識対象ワード（以下、「確定認識対象ワード」という。）を電子機器制御部１１に通知する。確定認識対象ワードは、搭乗者が、ナビゲーション装置３００に特定の処理を実行させるべく発話した発話コマンドに対応する認識対象ワードである。その後、第１音声認識部１０は、距離値が第１閾値Ｔ１を上回っている状態から下回った状態へ移行したか否かを監視する。

【0043】

電子機器制御部１１は、第１音声認識部１０から確定認識対象ワードが通知された場合、通知された確定認識対象ワードに対応する処理をナビゲーション装置３００に実行させる制御信号をナビゲーション装置３００に出力する。ナビゲーション装置３００は、入力した制御信号に基づいて、処理を実行する。

【0044】

第２音声認識部１２は、第２音声認識辞書２０Ｂに登録されている認識対象ワードの後半部分の音声パターンと、上述した内部発生音声との類似度を算出し、当該算出した類似度が所定レベルより大きい場合に、内部発生音声が認識対象ワードの後半部分に相当すると認識する。より詳細には、第２音声認識部１２は、第１音声認識部１０と同様、類似度を表す指標として距離値を算出すると共に、当該算出した距離値が第３閾値Ｔ３より小さくなったことを検出することによって、類似度が所定レベルより大きくなったことを検出する。そして、第２音声認識部１２は、当該算出した距離値が第３閾値Ｔ３より小さくなった場合、内部発生音声が認識対象ワードの後半部分に相当すると認識する。

【0045】

さらに、第２音声認識部１２は、第１音声認識部１０により算出された距離値が第１閾値Ｔ１よりも小さくなった時点（＝第１音声認識部１０により算出された類似度が第１のレベルよりも大きくなった時点）で、認識処理を開始する。認識処理は、第２音声認識辞書２０Ｂを用いた距離値の算出および算出した距離値を用いた各種処理のことを意味する。また、第２音声認識部１２は、認識処理を開始してから時間Ｊ２（後述）が経過する前に内部発生音声が認識対象ワードの後半部分に相当すると認識した場合、または、内部発生音声が認識対象ワードの後半部分に相当すると認識することなく時間Ｊ２が経過した場合、認識処理を停止する。

【0046】

以下、第２音声認識部１２の処理について詳述する。図４（Ｂ）は、ある１の認識対象ワードについて、第２音声認識部１２により算出された距離値の推移の一例を示すグラフである。特に、図４（Ｂ）のグラフは、第２音声認識部１２が実行する認識処理において、時間Ｊ２以内に、距離値が第３閾値Ｔ３を下回る場合の距離値の推移を示す。図４（Ｂ）のグラフの縦軸は距離値を示し、横軸は時間の経過を示す。図４（Ｂ）のグラフの横軸の各タイミングは、図４（Ａ）のグラフの横軸の各タイミングと対応する。

【0047】

以下の説明では、第２音声認識辞書２０Ｂに音声パターンが登録された認識対象ワードの後半部分のことを「後半部分ワード」という。図３（Ｂ）を用いて説明したように、本実施形態では、後半部分ワードは、６個、用意されている。

【0048】

上述したように、オーディオ装置４００が音声出力装置７００に出力する音声信号は、分岐されて、第２音声認識部１２に出力される。また、上述したように、第１音声認識部１０は、１の認識対象ワードについての距離値が第１閾値Ｔ１を下回ったことを検出した場合、その時点（図４では、タイミングＴＭ１）で、処理開始通知を第２音声認識部１２に出力する。第２音声認識部１２は、この処理開始通知を入力するまでは、認識処理（上述したように、第２音声認識辞書２０Ｂを用いた距離値の算出および付随する処理）を実行せず、処理開始通知を入力したか否かを監視する。そして、第２音声認識部１２は、処理開始通知を入力すると、認識処理を開始する。この結果、第２音声認識部１２は、第１音声認識部１０により算出された距離値が第１閾値Ｔ１よりも小さくなった時点で、認識処理を開始する。図４（Ｂ）で例示するグラフでは、第２音声認識部１２は、タイミングＴＭ１（図４（Ａ）も併せて参照）で、認識処理を開始する。

【0049】

認識処理において、第２音声認識部１２は、６個の後半部分ワードのそれぞれについて、内部発生音声の順次入力と並行して、内部発生音声信号の音声波形と、第２音声認識辞書２０Ｂに登録された音声パターン（認識対象ワードの「後半部分」の音声パターン）との比較に基づく距離値の算出を逐次行う。この結果、図４（Ｂ）に示すように、時間の経過と共に距離値の値が逐次変化する。

【0050】

第２音声認識部１２は、認識処理の開始と併せて経過時間の計測を開始する。そして、第２音声認識部１２は、認識処理を開始してから時間Ｊ２が経過したか否かを監視しつつ、距離値が第３閾値Ｔ３を下回ったか否かを監視する。

【0051】

ここで、第３閾値Ｔ３および時間Ｊ２の値は、時間Ｊ２が経過することなく距離値が第３閾値Ｔ３を下回った場合、内部発生音声が、後半部分ワード（認識対象ワードの後半部分）に相当するとみなすことができ、逆に、距離値が第３閾値Ｔ３を下回ることなく時間Ｊ２が経過した場合、内部発生音声が、後半部分ワードに相当しないとみなすことができるような値に設定される。第３閾値Ｔ３および時間Ｊ２は、事前のテストの結果等を踏まえ、第２音声認識辞書２０Ｂに登録された後半部分ワードごとに適切な値とされる。

【0052】

距離値が第３閾値Ｔ３を下回ることなく時間Ｊ２が経過した場合、第２音声認識部１２は、認識不能通知を認識結果破棄部１３に出力する。認識不能通知は、認識処理において内部発生音声を後半部分ワードと認識しなかったことの通知である。認識結果破棄部１３の処理については後述する。その後、第２音声認識部１２は、認識処理を停止する。認識処理を停止後、第２音声認識部１２は、上述した処理開始通知を入力するまでは、認識処理を開始しない。

【0053】

一方、時間Ｊ２が経過する前に距離値が第３閾値Ｔ３を下回った場合、第２音声認識部１２は、内部発生音声が後半部分ワードに相当すると認識する。当該認識後、第２音声認識部１２は、第２音声認識通知を認識結果破棄部１３に出力する。第２音声認識通知は、内部発生音声が、第２音声認識辞書２０Ｂに登録された後半部分ワードのうち、いずれか１つの後半部分ワードに相当したと認識したことの通知である。認識結果破棄部１３の処理については後述する。その後、第２音声認識部１２は、認識処理を停止する。認識処理を停止後、第２音声認識部１２は、上述した処理開始通知を入力するまでは、認識処理を開始しない。図４（Ｂ）のグラフでは、第２音声認識部１２は、タイミングＴＭ３において、第２音声認識通知の出力、および、認識処理の停止を実行する。

【0054】

なお、第１音声認識部１０が第１音声認識通知を出力するタイミングと、第２音声認識部１２が第２音声認識通知または認識不能通知を出力するタイミングとは、時間的に非常に近接する。また、第１音声認識部１０により第１音声認識通知が認識結果破棄部１３に出力された場合、必ず、第２音声認識部１２により第２音声認識通知または認識不能通知が認識結果破棄部１３に出力される。

【0055】

認識結果破棄部１３は、第１音声認識部１０により外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部１２により内部発生音声が後半部分ワード（認識対象ワードの後半部分）に相当すると認識された場合、第１音声認識部１０による認識結果を破棄する。

【0056】

以下、認識結果破棄部１３の処理について詳述する。上述したように、第１音声認識部１０は、外部入力音声が認識対象ワードの全体に相当すると認識した場合、第１音声認識通知を認識結果破棄部１３に出力する。認識結果破棄部１３は、第１音声認識部１０から、この第１音声認識通知を入力したか否かを監視する。そして、認識結果破棄部１３は、第１音声認識通知を入力した場合、当該第１音声認識通知と時間的に近接したタイミングで第２音声認識通知または認識不能通知のいずれかを入力する。

【0057】

認識結果破棄部１３は、第２音声認識部１２から入力した通知が第２音声認識通知の場合、認識破棄通知を第１音声認識部１０に出力する。上述したように、第１音声認識部１０は、認識破棄通知を入力した場合、外部入力音声が認識対象ワードの全体に相当したという認識について、認識を破棄する。つまり、認識結果破棄部１３は、第２音声認識通知を入力した場合は、第１音声認識部１０に認識結果を破棄させる。

【0058】

一方、認識結果破棄部１３は、第２音声認識部１２から入力した通知が認識不能通知の場合、認識確定通知を第１音声認識部１０に出力する。上述したように、第１音声認識部１０は、認識確定通知を入力した場合、確定認識対象ワードを電子機器制御部１１に通知して、確定認識対象ワードに対応する処理をナビゲーション装置３００に実行させる。つまり、認識結果破棄部１３は、認識不能通知を入力した場合は、第１音声認識部１０の認識結果を確定させて、ナビゲーション装置３００に対応する処理を実行させる。

【0059】

ここで、オーディオ装置４００が放音する音声には、偶然、認識対象ワードに対応する文言が含まれる場合がある。このような場合、第１音声認識部１０は、マイク２００が収音する外部入力音声（認識対象ワードに対応する文言が含まれる音声）が、認識対象ワードの全体に相当すると認識してしまうが、このような認識は破棄し、ナビゲーション装置３００の制御が行われないようにする必要がある。外部入力音声は、搭乗者が発した音声ではないからである。そして、上述のとおり、本実施形態では、第１音声認識部１０が、外部入力音声が認識対象ワードの全体に相当すると認識した場合であっても、第２音声認識部１２が、内部発生音声が後半部分ワードに相当すると認識した場合、第１音声認識部１０の認識が破棄され、ナビゲーション装置３００の制御が行われない。これにより、オーディオ装置４００が放音する音声に、偶然、認識対象ワードに対応する文言が含まれていた場合であっても、ナビゲーション装置３００の制御が行われないようにすることができる。以下、詳述する。

【0060】

上述したように、第２音声認識部１２により認識処理が行われる期間は、第１音声認識部１０によって外部入力音声が認識対象ワードの前半部分に相当すると認識されたタイミングに続く所定の期間である。このように、第１音声認識部１０によって外部入力音声が認識対象ワードの前半部分に相当すると認識されたタイミングに続く所定の期間で、第１音声認識部１０および第２音声認識部１２が、共に、音声が認識対象ワードの後半部分に相当すると認識した場合、以下の状況であるということができる。すなわち、オーディオ装置４００が放音した音声に認識対象ワードに対応する文言が含まれている状況であり、かつ、第１音声認識部１０が、オーディオ装置４００が放音した音声について、認識対象ワードの後半部分に相当すると認識した可能性が高い状況である。

【0061】

すなわち、第１音声認識部１０が、外部入力音声が認識対象ワードの全体に相当すると認識した場合であっても、第２音声認識部１２が、内部発生音声が後半部分ワードに相当すると認識した場合には、第１音声認識部１０の認識は、搭乗者が発生した音声に由来するものではなく、オーディオ装置４００が放音した音声に由来するものである可能性が高い。これを踏まえ、第１音声認識部１０が、外部入力音声が認識対象ワードの全体に相当すると認識した場合であっても、第２音声認識部１２が、内部発生音声が後半部分ワードに相当すると認識した場合には、第１音声認識部１０の認識を破棄することにより、オーディオ装置４００が放音した音声に認識対象ワードに対応する文言が含まれていた場合であっても、その音声に基づいて、ナビゲーション装置３００が制御されて処理を実行してしまうことを防止できる。

【0062】

さらに、本実施形態では、第１音声認識部１０で外部入力音声が認識対象ワードの前半部分に相当すると認識された場合にのみ、第２音声認識部１２は、認識処理を実行する。これにより、第１音声認識部１０が外部入力音声が認識対象ワードの前半部分に相当すると認識し、その後、第１音声認識部１０が、外部入力音声が認識対象ワードの「全体」に相当すると認識する可能性が生じた状況でのみ、第２音声認識部１２により認識処理を行って、必要な場合に的確に、第１音声認識部１０の認識結果を破棄することができる。

【0063】

このように、第２音声認識部１２が認識処理を実行するのは、第１音声認識部１０が外部入力音声が認識対象ワードの前半部分に相当すると認識した場合のみであり、かつ、第２音声認識部１２が認識処理を実行する期間は、最長で、時間Ｊ２である。このような構成のため、第２音声認識部１２が、常時、認識処理を実行している場合に比べて、認識処理を実行する期間が限定され、処理負荷を小さくすることができる。処理負荷が小さいため、第１音声認識部１０および第２音声認識部１２による音声認識処理以外の他処理が実行された場合に、その他処理のレスポンス性能の低下が抑制される。そのため、第２音声認識部１２の認識処理に係る処理負荷の増大に伴う他処理への悪影響（例えば、他処理に対するＣＰＵの割り当ての著しい減少）を考慮して、第１音声認識部１０によるトリガレス音声認識において定常的に待ち受ける認識対象ワード（第１音声認識辞書２０Ａに登録する認識対象ワード）の数を少なく制限する必要がない。

【0064】

さらに、本実施形態では、複数の認識対象ワードの後半部分の文言が共通する場合があり、このような場合、第２音声認識辞書２０Ｂには、共通する文言の後半部分ワードが１つ登録される。これにより、第２音声認識辞書２０Ｂに登録される後半部分ワードの数を少なくすることができ、より効果的に第２音声認識部１２の処理負荷を低減できる。

【0065】

図５は、本実施形態に係る第１音声認識部１０の動作例を示すフローチャートである。図６は、本実施形態に係る第２音声認識部１２の動作例を示すフローチャートである。図７は、本実施形態に係る認識結果破棄部１３の動作例を示すフローチャートである。図５、６、７の各フローチャートの処理は、音声認識装置１００の電源が投入され、トリガレス音声認識の開始が指示された後に適宜実行される。

【0066】

以下の説明では、図５のフローチャートの開始時点では、第１音声認識部１０が算出する距離値が、第１閾値Ｔ１を上回っている状態であるものとする。また、特に説明はしないが、図５のフローチャートの処理が行われる間、第１音声認識部１０は、継続して距離値を算出している。

【0067】

図５のフローチャートに示すように、第１音声認識部１０は、現時点で算出した距離値が、距離値が第１閾値Ｔ１を上回った状態から、下回った状態へ移行したか否かを判定する（ステップＳＡ１）。このステップＳＡ１では、第１音声認識部１０は、距離値が第１閾値Ｔ１を下回っているか否かを判定するのではなく、「第１閾値Ｔ１を上回った状態」から、「第１閾値Ｔ１を下回った状態」へと状態の変化があったか否かを判定する。第１音声認識部１０は、ステップＳＡ１の処理を、距離値が第１閾値Ｔ１を上回った状態から、下回った状態へ移行したことを検出するまで、継続して繰り返し実行する。

【0068】

距離値が、距離値が第１閾値Ｔ１を上回った状態から、下回った状態へ移行しことを検出した場合、第１音声認識部１０は、外部入力音声が認識対象ワードの前半部分に相当すると認識する（ステップＳＡ２）。次いで、第１音声認識部１０は、処理開始通知を第２音声認識部１２に出力する（ステップＳＡ３）。次いで、第１音声認識部１０は、経過時間の計測を開始する（ステップＳＡ４）。

【0069】

次いで、第１音声認識部１０は、時間Ｊ１が経過したか否かを判定しつつ（ステップＳＡ５）、距離値が第２閾値Ｔ２を下回ったか否かを判定する（ステップＳＡ６）。

【0070】

距離値が第２閾値Ｔ２を下回ることなく時間Ｊ１が経過した場合（ステップＳＡ５：ＹＥＳ）、第１音声認識部１０は、処理手順をステップＳＡ１へ移行する。一方、時間Ｊ１が経過する前に距離値が第２閾値Ｔ２を下回った場合（ステップＳＡ６：ＹＥＳ）、第１音声認識部１０は、外部入力音声が認識対象ワードの全体に相当すると認識する（ステップＳＡ７）。次いで、第１音声認識部１０は、第１音声認識通知を認識結果破棄部１３に出力する（ステップＳＡ８）。

【0071】

第１音声認識通知の出力後、第１音声認識部１０は、認識結果破棄部１３から、認識破棄通知または認識確定通知のいずれかを入力したか否かを判定する（ステップＳＡ９）。第１音声認識部１０は、ステップＳＡ９の処理を、いずれかの通知が入力されるまで、継続して繰り返し実行する。いずれかの通知を入力した場合（ステップＳＡ９：ＹＥＳ）、第１音声認識部１０は、入力した通知が、認識破棄通知であるか否かを判定する（ステップＳＡ１０）。

【0072】

入力した通知が認識破棄通知の場合（ステップＳＡ１０：ＹＥＳ）、第１音声認識部１０は、認識結果を破棄する（ステップＳＡ１１）。その後、第１音声認識部１０は、処理手順をステップＳＡ１４へ移行する。

【0073】

一方、入力した通知が認識破棄通知でない場合（ステップＳＡ１０：ＮＯ）、第１音声認識部１０は、外部入力音声が認識対象ワードの全体に相当したという認識について、認識を確定する（ステップＳＡ１２）。次いで、第１音声認識部１０は、確定認識対象ワードを電子機器制御部１１に通知する（ステップＳＡ１３）。その後、第１音声認識部１０は、処理手順をステップＳＡ１４へ移行する。

【0074】

ステップＳＡ１４において、第１音声認識部１０は、トリガレス音声認識の終了が指示されたか否かを判定する。トリガレス音声認識の終了が指示されていない場合（ステップＳＡ１４：ＮＯ）、第１音声認識部１０は、処理手順をステップＳＡ１に移行する。トリガレス音声認識の終了が指示された場合（ステップＳＡ１４：ＹＥＳ）、第１音声認識部１０は、処理を終了する。なお、図５のフローチャートでは、説明の便宜のため、第１音声認識部１０が、ステップＳＡ１４で、トリガレス音声認識の終了が指示されたか否かを判定する構成としているが、第１音声認識部１０は、フローチャートの処理が実行されている間、継続してトリガレス音声認識の終了が指示されたか否かを監視し、指示された場合は、必要な終了処理を実行した上で、処理を終了する。

【0075】

図６のフローチャートに示すように、第２音声認識部１２は、処理開始通知を入力したか否かを判定する（ステップＳＢ１）。処理開始通知を入力した場合（ステップＳＢ１：ＹＥＳ）、第２音声認識部１２は、認識処理を開始する（ステップＳＢ２）。次いで、第２音声認識部１２は、認識処理の開始に応じて経過時間の計測を開始する（ステップＳＢ３）。次いで、第２音声認識部１２は、認識処理を開始してから時間Ｊ２が経過したか否かを判定しつつ（ステップＳＢ４）、距離値が第３閾値Ｔ３を下回ったか否かを判定する（ステップＳＢ５）。

【0076】

距離値が第３閾値Ｔ３を下回ることなく時間Ｊ２が経過した場合（ステップＳＢ４：ＹＥＳ）、第２音声認識部１２は、認識不能通知を認識結果破棄部１３に出力する（ステップＳＢ６）。次いで、第２音声認識部１２は、認識処理を停止する（ステップＳＢ７）。その後、第２音声認識部１２は、処理手順をステップＳＢ１１へ移行する。

【0077】

一方、時間Ｊ２が経過する前に距離値が第３閾値Ｔ３を下回った場合（ステップＳＢ５：ＹＥＳ）、第２音声認識部１２は、内部発生音声が後半部分ワードに相当すると認識する（ステップＳＢ８）。次いで、第２音声認識部１２は、第２音声認識通知を認識結果破棄部１３に出力する（ステップＳＢ９）。次いで、第２音声認識部１２は、認識処理を停止する（ステップＳＢ１０）。その後、第２音声認識部１２は、処理手順をステップＳＢ１１へ移行する。

【0078】

ステップＳＢ１１において、第２音声認識部１２は、トリガレス音声認識の終了が指示されたか否かを判定する。トリガレス音声認識の終了が指示されていない場合（ステップＳＢ１１：ＮＯ）、第２音声認識部１２は、処理手順をステップＳＢ１に移行する。トリガレス音声認識の終了が指示された場合（ステップＳＢ１１：ＹＥＳ）、第２音声認識部１２は、処理を終了する。なお、図６のフローチャートは、説明の便宜のため、第２音声認識部１２が、ステップＳＢ１１で、トリガレス音声認識の終了が指示されたか否かを判定する構成としているが、第２音声認識部１２は、フローチャートの処理が実行されている間、継続してトリガレス音声認識の終了が指示されたか否かを監視し、指示された場合は、必要な終了処理を実行した上で、処理を終了する。

【0079】

図７のフローチャートに示すように、認識結果破棄部１３は、第１音声認識部１０から第１音声認識通知を入力したか否かを判定する（ステップＳＣ１）。第１音声認識部１０は、ステップＳＣ１の処理を、第１音声認識通知を入力するまで、継続して繰り返し実行する。第１音声認識通知を入力した場合（ステップＳＣ１：ＹＥＳ）、認識結果破棄部１３は、ステップＳＣ１で入力した第１音声認識通知と時間的に近接したタイミングで第２音声認識通知と認識不能通知とのいずれかを入力する（ステップＳＣ２）。

【0080】

次いで、認識結果破棄部１３は、ステップＳＣ２で入力した通知が第２音声認識通知か否かを判定する（ステップＳＣ３）。ステップＳＣ２で入力した通知が第２音声認識通知の場合（ステップＳＣ３：ＹＥＳ）、認識結果破棄部１３は、認識破棄通知を第１音声認識部１０に出力する（ステップＳＣ４）。その後、認識結果破棄部１３は、処理手順をステップＳＣ６へ移行する。

【0081】

ステップＳＣ２で入力した通知が第２音声認識通知ではない場合（＝認識不能通知の場合）（ステップＳＣ３：ＮＯ）、認識結果破棄部１３はイン式確定通知を第１音声認識部１０に出力する（ステップＳＣ５）。その後、認識結果破棄部１３は、処理手順をステップＳＣ６へ移行する。

【0082】

ステップＳＣ６において、認識結果破棄部１３は、トリガレス音声認識の終了が指示されたか否かを判定する。トリガレス音声認識の終了が指示されていない場合（ステップＳＣ６：ＮＯ）、認識結果破棄部１３は、処理手順をステップＳＣ１に移行する。トリガレス音声認識の終了が指示された場合（ステップＳＣ６：ＹＥＳ）、認識結果破棄部１３は、処理を終了する。なお、図７のフローチャートは、説明の便宜のため、認識結果破棄部１３が、ステップＳＣ６で、トリガレス音声認識の終了が指示されたか否かを判定する構成としているが、認識結果破棄部１３は、フローチャートの処理が実行されている間、継続してトリガレス音声認識の終了が指示されたか否かを監視し、指示された場合は、必要な終了処理を実行した上で、処理を終了する。

【0083】

以上詳しく説明したように、本実施形態に係る音声認識装置１００は、認識対象ワードの全体が登録された第１音声認識辞書２０Ａと、認識対象ワードの後半部分のみが登録された第２音声認識辞書２０Ｂとを有する。また、本実施形態に係る音声認識装置１００は、第１音声認識辞書２０Ａを用いて、マイク２００より入力された外部入力音声の音声認識を行う第１音声認識部１０と、第２音声認識辞書２０Ｂを用いて、車載機たるオーディオ装置４００で発生されスピーカから出力される前の内部発生音声の音声認識を行う第２音声認識部１２とを備える。第１音声認識部１０は、外部入力音声の順次入力と並行して類似度の算出（距離値の算出）を逐次行い、算出した類似度が第１のレベルより大きくなった時点（算出した距離値が第１閾値Ｔ１を下回った時点）で、外部入力音声が認識対象ワードの前半部分に相当すると認識する。第１音声認識部１０は、引き続き算出した類似度が第２のレベルより大きくなった時点（距離値が第２閾値Ｔ２を下回った時点）で、外部入力音声が認識対象ワードの全体に相当すると認識する。第２音声認識部１２は、第１音声認識部１０により算出された類似度が第１のレベルよりも大きくなった時点（第１音声認識部１０により算出された距離値が第１閾値Ｔ１を下回った時点）で認識処理を開始し、算出した類似度が所定レベルより大きい場合に（算出した距離値が第３閾値Ｔ３を下回った場合に）、内部発生音声が認識対象ワードの後半部分に相当すると認識する。そして、第１音声認識部１０において外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部１２により内部発生音声が認識対象ワードの後半部分に相当すると認識された場合、第１音声認識部１０による認識結果を破棄するようにしている。

【0084】

上記構成によれば、第１音声認識部１０において外部入力音声が認識対象ワードの前半部分に相当すると認識された場合にのみ第２音声認識部１２が起動されるので、第２音声認識部１２が常時動作している場合に比べて処理負荷を小さくすることができる。処理負荷が小さいので、トリガレス音声認識において定常的に待ち受ける認識対象ワードの数を少なく制限する必要がない。そして、第１音声認識部１０において外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部１２により内部発生音声が認識対象ワードの後半部分に相当すると認識された場合には、第１音声認識部１０による認識結果が、スピーカから出力された内部発生音声がマイク２００から入力されたために生じた誤認識であるものとして破棄される。これにより、本発明によれば、トリガレス音声認識において定常的に待ち受ける認識対象ワードの数を少なく制限することなく、また音声認識処理以外の他処理のレスポンス性能の低下を極力抑えつつ、車載機で発生された音声による誤認識を抑制することができる。

【0085】

なお、上述した実施形態では、認識結果破棄部１３は、第１音声認識部１０により外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部１２により内部発生音声が認識対象ワードの後半部分に相当すると認識された場合、第１音声認識部１０に対して認識破棄通知を出力し、第１音声認識部１０よる認識結果を破棄した。この点に関し、以下の構成でもよい。すなわち、認識結果破棄部１３は、第１音声認識部１０により外部入力音声が認識対象ワードの全体に相当すると認識され、かつ、第２音声認識部１２より内部発生音声が認識対象ワードの後半部分に相当すると認識された場合、さらに、以下の処理を実行する。すなわち、認識結果破棄部１３は、第１音声認識部１０において認識された認識対象ワードの後半部分と、第２音声認識部１２において認識された認識対象ワードの後半部分とが同じであるか否かを判定する。そして、認識結果破棄部１３は、認識された認識対象ワードの後半部分が同じ場合に、第１音声認識部１０に対して認識破棄通知を出力し、第１音声認識部１０よる認識結果を破棄する。この構成によれば、以下の効果を奏する。

【0086】

すなわち、第１音声認識部１０によって外部入力音声が一の認識対象ワードの前半部分に相当すると認識された後に行われる認識処理の実行中に、偶然、内部発生音声に、一の認識対象ワードとは異なる他の認識対象ワードの後半部分が含まれる可能性が全くないわけではない。この場合、第１音声認識部１０が認識対象ワードの前半部分に相当すると認識した外部入力音声は、オーディオ装置４００が放音した音声ではないため、第１音声認識部１０の認識結果は破棄されてはならない。しかしながら、上述した実施形態では、第１音声認識部１０において認識された認識対象ワードの後半部分と、第２音声認識部１２において認識された認識対象ワードの後半部分とが同じであるか否かの判定までは行われないため、第１音声認識部１０の認識結果が破棄されてしまう。一方、上記構成によれば、認識結果破棄部１３は、第１音声認識部１０において認識された認識対象ワードの後半部分と、第２音声認識部１２において認識された認識対象ワードの後半部分とが同じである場合にのみ、第１音声認識部１０よる認識結果を破棄する。このため、第１音声認識部１０によって外部入力音声が認識対象ワードの前半部分に相当すると認識された後に行われる認識処理の実行中に、偶然、内部発生音声に、その認識対象ワードとは異なる認識対象ワードの後半部分が含まれた場合に、第１音声認識部１０の認識結果が破棄されるのを防止できる。

【0087】

また、上述した実施形態では、登録された音声パターンと、入力された音声との類似度として、値「０」〜値「１０００」の範囲で値をとる距離値を用いた。しかしながら、類似度として、距離値以外の指標を用いる構成でもよい。すなわち、類似度の判定には、既存の技術を広く用いることができる。

【0088】

その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

【符号の説明】

【0089】

１０ 第１音声認識部
１２ 第２音声認識部
１３ 認識結果破棄部
２０ 辞書記憶部
２０Ａ 第１音声認識辞書
２０Ｂ 第２音声認識辞書
１００ 音声認識装置
２００ マイク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】