ホーム > 特許ランキング > 菱洋エレクトロ株式会社
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022070008
(43)【公開日】2022-05-12
(54)【発明の名称】音声認識システム及び音声処理装置
(51)【国際特許分類】
G10L 15/28 20130101AFI20220502BHJP
G10L 15/20 20060101ALI20220502BHJP
【ＦＩ】
G10L15/28 400
G10L15/20 370E
G10L15/20 360Z
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2020179008
(22)【出願日】2020-10-26
(71)【出願人】
【識別番号】391021684
【氏名又は名称】菱洋エレクトロ株式会社
(74)【代理人】
【識別番号】100120868
【弁理士】
【氏名又は名称】安彦 元
(72)【発明者】
【氏名】川上 憲一
(72)【発明者】
【氏名】越田 高広
(72)【発明者】
【氏名】村田 淳
(57)【要約】
【課題】音声認識の精度を向上させる音声認識システム、及び音声処理装置を提供する。
【解決手段】気導マイク２８と、骨導マイク２９と、を有するマイク部２７により収音される音声に基づき、音声データＤを取得する取得部１１と、音声データＤを処理するためのパラメータを設定する設定部１２と、パラメータに基づいて音声データＤを処理する処理部１３と、音声データＤの内容を認識した認識結果を生成する音声認識装置３と、を備え、設定部１２は、マイク部２７により収音されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する第１パラメータ設定部１２１を有し、処理部１３は、第１パラメータに基づいて、音声データＤを制御する制御部１３１を有することを特徴とする。
【選択図】図４
【解決手段】気導マイク２８と、骨導マイク２９と、を有するマイク部２７により収音される音声に基づき、音声データＤを取得する取得部１１と、音声データＤを処理するためのパラメータを設定する設定部１２と、パラメータに基づいて音声データＤを処理する処理部１３と、音声データＤの内容を認識した認識結果を生成する音声認識装置３と、を備え、設定部１２は、マイク部２７により収音されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する第１パラメータ設定部１２１を有し、処理部１３は、第１パラメータに基づいて、音声データＤを制御する制御部１３１を有することを特徴とする。
【選択図】図４
【特許請求の範囲】
【請求項1】
気導マイクと、骨導マイクと、を有するマイク部により収音される音声に基づき、音声データを取得する取得手段と、
前記音声データを処理するためのパラメータを設定する設定手段と、
前記パラメータに基づいて前記音声データを処理して対象データを生成する処理手段と、
前記対象データの内容を認識した認識結果を生成する音声認識手段と、を備え、
前記設定手段は、
前記マイク部により収音されるキャリブレーション用の音に基づいて、前記音声データを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、
前記処理手段は、
前記第１パラメータに基づいて、前記音声データを制御する制御手段と、を有すること
を特徴とする音声認識システム。
前記音声データを処理するためのパラメータを設定する設定手段と、
前記パラメータに基づいて前記音声データを処理して対象データを生成する処理手段と、
前記対象データの内容を認識した認識結果を生成する音声認識手段と、を備え、
前記設定手段は、
前記マイク部により収音されるキャリブレーション用の音に基づいて、前記音声データを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、
前記処理手段は、
前記第１パラメータに基づいて、前記音声データを制御する制御手段と、を有すること
を特徴とする音声認識システム。
【請求項2】
前記第１パラメータ設定手段は、
音声を前記キャリブレーション用の音として取得し、１つの前記キャリブレーション用の音に対して複数の仮パラメータを設定し、
前記制御手段は、
複数の前記仮パラメータに基づいて、前記キャリブレーション用の音に基づく複数の評価用音データを生成し、
前記音声認識手段は、
複数の前記評価用音データの内容を認識した評価結果を生成し、
前記第１パラメータ設定手段は、
前記評価結果に基づいて、前記第１パラメータを設定すること
を特徴とする請求項１記載の音声認識システム。
音声を前記キャリブレーション用の音として取得し、１つの前記キャリブレーション用の音に対して複数の仮パラメータを設定し、
前記制御手段は、
複数の前記仮パラメータに基づいて、前記キャリブレーション用の音に基づく複数の評価用音データを生成し、
前記音声認識手段は、
複数の前記評価用音データの内容を認識した評価結果を生成し、
前記第１パラメータ設定手段は、
前記評価結果に基づいて、前記第１パラメータを設定すること
を特徴とする請求項１記載の音声認識システム。
【請求項3】
前記取得手段は、前記気導マイクを介して取得される気導音声データ、及び前記骨導マイクを介して取得される骨導音声データを取得し、
前記設定手段は、
前記マイク部を介して取得されるノイズデータ、前記音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、前記ノイズデータ、前記認識装置データ、及び前記初期設定データの少なくとも何れかに基づいて、前記第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、
前記処理手段は、
前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データの少なくとも何れかを選択する選択手段と、
前記第２パラメータに基づいて、選択された前記気導音声データ及び前記骨導音声データの少なくとも何れかから前記対象データを生成する対象データ生成手段と、を有すること
を特徴とする請求項２記載の音声認識システム。
前記設定手段は、
前記マイク部を介して取得されるノイズデータ、前記音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、前記ノイズデータ、前記認識装置データ、及び前記初期設定データの少なくとも何れかに基づいて、前記第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、
前記処理手段は、
前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データの少なくとも何れかを選択する選択手段と、
前記第２パラメータに基づいて、選択された前記気導音声データ及び前記骨導音声データの少なくとも何れかから前記対象データを生成する対象データ生成手段と、を有すること
を特徴とする請求項２記載の音声認識システム。
【請求項4】
前記制御手段は、前記気導音声データに補助音を付加する補助音付加手段を有すること
を特徴とする請求項３記載の音声認識システム。
を特徴とする請求項３記載の音声認識システム。
【請求項5】
前記選択手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを選択し、
前記対象データ生成手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを加算した加算音声データを前記対象データとして生成し、
前記音声認識手段は、前記対象データの内容を認識した前記認識結果を生成すること
を特徴とする請求項３又は４記載の音声認識システム。
前記対象データ生成手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを加算した加算音声データを前記対象データとして生成し、
前記音声認識手段は、前記対象データの内容を認識した前記認識結果を生成すること
を特徴とする請求項３又は４記載の音声認識システム。
【請求項6】
前記選択手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを選択し、
前記対象データ生成手段は、前記第２パラメータに基づいて、前記気導音声データから生成される第１対象データと、前記骨導音声データから生成される第２対象データと、を含む前記対象データを生成し、
前記音声認識手段は、前記第１対象データの内容を第１利用者によるものとし、前記第２対象データの内容を第２利用者によるものとして、前記認識結果を生成すること
を特徴とする請求項３又は４記載の音声認識システム。
前記対象データ生成手段は、前記第２パラメータに基づいて、前記気導音声データから生成される第１対象データと、前記骨導音声データから生成される第２対象データと、を含む前記対象データを生成し、
前記音声認識手段は、前記第１対象データの内容を第１利用者によるものとし、前記第２対象データの内容を第２利用者によるものとして、前記認識結果を生成すること
を特徴とする請求項３又は４記載の音声認識システム。
【請求項7】
前記気導マイクは、指向性を有しない第１気導マイクと、指向性を有する第２気導マイクを有し、
前記第１パラメータ設定手段は、前記第１気導マイクを介して取得されるキャリブレーション用の音に基づいて、前記第１パラメータを設定し、
前記選択手段は、前記第２気導マイクを介して取得される前記気導音声データ、及び前記骨導マイクを介して取得される前記骨導音声データを選択すること
を特徴とする請求項６記載の音声認識システム。
前記第１パラメータ設定手段は、前記第１気導マイクを介して取得されるキャリブレーション用の音に基づいて、前記第１パラメータを設定し、
前記選択手段は、前記第２気導マイクを介して取得される前記気導音声データ、及び前記骨導マイクを介して取得される前記骨導音声データを選択すること
を特徴とする請求項６記載の音声認識システム。
【請求項8】
前記取得手段は、前記気導マイクを介して取得される気導音声データ、及び前記骨導マイクを介して取得される骨導音声データを取得し、
前記設定手段は、
前記マイク部を介して取得されるノイズデータ、前記音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、前記ノイズデータ、前記認識装置データ、及び前記初期設定データの少なくとも何れかに基づいて、前記第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、
前記処理手段は、
前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データの少なくとも何れか一方又は両方を選択する選択手段と、
前記第２パラメータに基づいて、選択された前記気導音声データ及び前記骨導音声データの少なくとも何れかから前記対象データを生成する対象データ生成手段と、を有し、
前記音声認識手段は、前記第１対象データの内容を第１利用者によるものとし、前記第２対象データの内容を第２利用者によるものとして、前記認識結果を生成すること
を特徴とする請求項１記載の音声認識システム。
前記設定手段は、
前記マイク部を介して取得されるノイズデータ、前記音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、前記ノイズデータ、前記認識装置データ、及び前記初期設定データの少なくとも何れかに基づいて、前記第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、
前記処理手段は、
前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データの少なくとも何れか一方又は両方を選択する選択手段と、
前記第２パラメータに基づいて、選択された前記気導音声データ及び前記骨導音声データの少なくとも何れかから前記対象データを生成する対象データ生成手段と、を有し、
前記音声認識手段は、前記第１対象データの内容を第１利用者によるものとし、前記第２対象データの内容を第２利用者によるものとして、前記認識結果を生成すること
を特徴とする請求項１記載の音声認識システム。
【請求項9】
前記第１パラメータは、ノイズキャンセリング、アコースティックエコー除去、ボリューム、補助音の付加、位相調整、マイクゲイン、オートゲインコントロール、イコライザー及びダイナミックレンジコントロールの少なくとも何れかの条件を含むこと
を特徴とする請求項２～８の何れか１項記載の音声認識システム。
を特徴とする請求項２～８の何れか１項記載の音声認識システム。
【請求項10】
音声認識システムに認識させる対象データを生成するための音声処理装置であって、
気導マイクと、骨導マイクと、を有するマイク部により収音される音声に基づき、音声データを取得する取得手段と、
前記音声データを処理するためのパラメータを設定する設定手段と、
前記パラメータに基づいて、前記音声データを処理して対象データを生成する処理手段と、を備え、
前記設定手段は、
前記マイク部により収音されるキャリブレーション用の音に基づいて、前記音声データを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、
前記処理手段は、
前記第１パラメータに基づいて、前記音声データを制御する制御手段を有すること
を特徴とする音声処理装置。
気導マイクと、骨導マイクと、を有するマイク部により収音される音声に基づき、音声データを取得する取得手段と、
前記音声データを処理するためのパラメータを設定する設定手段と、
前記パラメータに基づいて、前記音声データを処理して対象データを生成する処理手段と、を備え、
前記設定手段は、
前記マイク部により収音されるキャリブレーション用の音に基づいて、前記音声データを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、
前記処理手段は、
前記第１パラメータに基づいて、前記音声データを制御する制御手段を有すること
を特徴とする音声処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、音声認識システム及び音声処理装置に関する。
【背景技術】
【0002】
従来、音声認識に関する技術として、例えば特許文献１の音声処理装置等が提案されている。
【0003】
特許文献１の開示技術では、複数のマイクロホンから入力されたそれぞれの音声信号についての音声信号強度の区間代表値と、前記音声信号が接触雑音によるものであるか否かを区別するための所定の閾値と、を比較する比較手段と、前記複数の比較手段の比較結果に基づいて、当該区間の音声信号のうち少なくとも１つの利得を、出力において前記接触雑音が低減されるように調整する利得調整手段と、を備える。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２００４－３１７９４２号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ここで、特許文献１では、複数のマイクロホンとして、気導マイクロホンと、骨導マイクロホンを用いて、音声認識を行う技術が開示されている。しかしながら、音声データを音声認識する際には、音声認識に用いる音声認識エンジンの種類や、周囲の環境によって、音声認識の精度が変化する。このため、取得した音声データによっては、正しく音声を認識できない場合がある。これにより、音声認識の精度が低くなることが懸念される。
【0006】
そこで本発明は、上述した問題に鑑みて案出されたものであり、その目的とするところは、音声認識の精度を向上させる音声認識システム、及び音声処理装置を提供することにある。
【課題を解決するための手段】
【0007】
第１発明に係る音声認識システムは、気導マイクと、骨導マイクと、を有するマイク部により収音される音声に基づき、音声データを取得する取得手段と、前記音声データを処理するためのパラメータを設定する設定手段と、前記パラメータに基づいて前記音声データを処理して対象データを生成する処理手段と、前記対象データの内容を認識した認識結果を生成する音声認識手段と、を備え、前記設定手段は、前記マイク部により収音されるキャリブレーション用の音に基づいて、前記音声データを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、前記処理手段は、前記第１パラメータに基づいて、前記音声データを制御する制御手段と、を有することを特徴とする。
【0008】
第２発明に係る音声認識システムは、第１発明において、前記第１パラメータ設定手段は、音声を前記キャリブレーション用の音として取得し、１つの前記キャリブレーション用の音に対して複数の仮パラメータを設定し、前記制御手段は、複数の前記仮パラメータに基づいて、前記キャリブレーション用の音に基づく複数の評価用音データを生成し、前記音声認識手段は、複数の前記評価用音データの内容を認識した評価結果を生成し、前記第１パラメータ設定手段は、前記評価結果に基づいて、前記第１パラメータを設定することを特徴とする。
【0009】
第３発明に係る音声認識システムは、第２発明において、前記取得手段は、前記気導マイクを介して取得される気導音声データ、及び前記骨導マイクを介して取得される骨導音声データを取得し、前記設定手段は、前記マイク部を介して取得されるノイズデータ、前記音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、前記ノイズデータ、前記認識装置データ、及び前記初期設定データの少なくとも何れかに基づいて、前記第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、前記処理手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データの少なくとも何れかを選択する選択手段と、 前記第２パラメータに基づいて、選択された前記気導音声データ及び前記骨導音声データの少なくとも何れかから前記対象データを生成する対象データ生成手段と、を有することを特徴とする。
【0010】
第４発明に係る音声認識システムは、第３発明において、前記制御手段は、前記気導音声データに補助音を付加する補助音付加手段を有することを特徴とする。
【0011】
第５発明に係る音声認識システムは、第３発明又は第４発明において、前記選択手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを選択し、前記対象データ生成手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを加算した加算音声データを前記対象データとして生成し、前記音声認識手段は、前記対象データの内容を認識した前記認識結果を生成することを特徴とする。
【0012】
第６発明に係る音声認識システムは、第３発明又は第４発明において、前記選択手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データを選択し、前記対象データ生成手段は、前記第２パラメータに基づいて、前記気導音声データから生成される第１対象データと、前記骨導音声データから生成される第２対象データと、を含む前記対象データを生成し、前記音声認識手段は、前記第１対象データの内容を第１利用者によるものとし、前記第２対象データの内容を第２利用者によるものとして、前記認識結果を生成することを特徴とする。
【0013】
第７発明に係る音声認識システムは、第６発明において、前記気導マイクは、指向性を有しない第１気導マイクと、指向性を有する第２気導マイクを有し、前記第１パラメータ設定手段は、前記第１気導マイクを介して取得されるキャリブレーション用の音に基づいて、前記第１パラメータを設定し、前記選択手段は、前記第２気導マイクを介して取得される前記気導音声データ、及び前記骨導マイクを介して取得される前記骨導音声データを選択することを特徴とする。
【0014】
第８発明に係る音声認識システムは、第１発明において、前記取得手段は、前記気導マイクを介して取得される気導音声データ、及び前記骨導マイクを介して取得される骨導音声データを取得し、前記設定手段は、前記マイク部を介して取得されるノイズデータ、前記音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、前記ノイズデータ、前記認識装置データ、及び前記初期設定データの少なくとも何れかに基づいて、前記第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、前記処理手段は、前記第２パラメータに基づいて、前記気導音声データ及び前記骨導音声データの少なくとも何れか一方又は両方を選択する選択手段と、前記第２パラメータに基づいて、選択された前記気導音声データ及び前記骨導音声データの少なくとも何れかから前記対象データを生成する対象データ生成手段と、を有し、前記音声認識手段は、前記第１対象データの内容を第１利用者によるものとし、前記第２対象データの内容を第２利用者によるものとして、前記認識結果を生成することを特徴とする。
【0015】
第９発明に係る音声認識システムは、第２発明～第８発明において、前記第１パラメータは、ノイズキャンセリング、アコースティックエコー除去、ボリューム、補助音の付加、位相調整、マイクゲイン、オートゲインコントロール、イコライザー及びダイナミックレンジコントロールの少なくとも何れかの条件を含むことを特徴とする。
【0016】
第１０発明に係る音声処理装置は、音声認識システムに認識させる対象データを生成するための音声処理装置であって、気導マイクと、骨導マイクと、を有するマイク部により収音される音声に基づき、音声データを取得する取得手段と、前記音声データを処理するためのパラメータを設定する設定手段と、前記パラメータに基づいて、前記音声データを処理して対象データを生成する処理手段と、を備え、前記設定手段は、前記マイク部により収音されるキャリブレーション用の音に基づいて、前記音声データを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、前記処理手段は、前記第１パラメータに基づいて、前記音声データを制御する制御手段を有することを特徴とする。
【発明の効果】
【0017】
第１発明～第１０発明によれば、設定手段は、マイク部により収音されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する第１パラメータ設定手段を有し、処理手段は、第１パラメータに基づいて、音声データＤを制御する制御手段を有する。このため、音声データＤに対してキャリブレーションを行うことができる。これにより、音声認識の精度を向上させることが可能となる。
【0018】
特に、第２発明によれば、第１パラメータ設定手段は、音声をキャリブレーション用の音として取得し、１つの前記キャリブレーション用の音に対して複数の仮パラメータを設定し、制御手段は、複数の仮パラメータに基づいて、キャリブレーション用の音に基づく複数の評価用音データを生成し、音声認識手段は、複数の評価用音データの内容を認識した評価結果を生成し、第１パラメータ設定手段は、評価結果に基づいて、第１パラメータを設定する。このため、キャリブレーションを行う際に費やすデータの送受信回数を、最小限に抑えることができる。これにより、キャリブレーションの調整時間を大幅に削減することが可能となる。
【0019】
特に、第３発明、第８発明によれば、取得手段は、気導マイクを介して取得される気導音声データ及び骨導マイクを介して取得される骨導音声データを取得し、マイク部を介して取得されるノイズデータ、音声認識手段に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、ノイズデータ、認識装置データ、及び初期設定データの少なくとも何れかに基づいて、第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定手段を有し、処理手段は、第２パラメータに基づいて、気導音声データ及び骨導音声データの少なくとも何れかを選択する選択手段と、第２パラメータに基づいて、選択された気導音声データ及び骨導音声データの少なくとも何れかから対象データを生成する対象データ生成手段、を有する。このため、音声認識させる対象データＦを、状況に応じて適した選択することができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0020】
特に、第４発明によれば、制御手段は、気導音声データに補助音を付加する補助音付加手段を有する。気導音声データに補助音を付加することにより、音声認識装置での誤認識を低減させることができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0021】
特に、第５発明によれば、選択手段は、気導音声データ及び骨導音声データを選択し、対象データ生成手段は、気導音声データ及び骨導音声データを加算した加算音声データを対象データとして生成し、音声認識手段は、この対象データの内容を認識した認識結果を生成する。このため、気導音声データと骨導音声データの両方を考慮して音声認識させることができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0022】
特に、第６発明によれば、選択手段は、気導音声データ及び骨導音声データを選択し、対象データ生成手段は、気導音声データから生成される第１対象データと、骨導音声データから生成される第２対象データとを含む対象データを生成し、音声認識手段は、第１対象データの内容を第１利用者によるものとし、第２対象データの内容を第２利用者によるものとして、認識結果を生成する。このため、異なる利用者同士の音声を音声認識させることができる。これにより、窓口等での対面業務や電話応対業務等において、より好適に用いることが可能となる。
【0023】
特に、第７発明によれば、気導マイクは、指向性を有しない第１気導マイクと、指向性を有する第２気導マイクを有し、第１パラメータ設定手段は、第１気導マイクを介して取得されるキャリブレーション用の音に基づいて、第１パラメータを設定し、選択手段は、第２気導マイクを介して取得される気導音声データ及び骨導音声データを選択する。このため、指向性を有しない第１気導マイクによりキャリブレーション用の音として周囲のノイズや音声を収音することができ、周囲の環境をより考慮した第１パラメータを設定することができる。また、第２気導マイクが指向性を有するため、収音装置を装着した第２利用者の音声を第２対象データとして取得し、例えば第２利用者の対面にいる第１利用者の音声を第１対象データとして取得する際に、第１利用者の音声をより効率的に収音することができる。これにより、音声認識の精度を更に向上させることができる。
【0024】
特に、第９発明によれば、第１パラメータは、ノイズキャンセリング、アコースティックエコー除去、ボリューム、補助音の付加、位相調整、マイクゲイン、オートゲインコントロール及びダイナミックレンジコントロールの少なくとも何れかの条件を含む。このため、一度のキャリブレーション手段を行うことで、音声認識システム１００を利用する様々な状況に適した第１パラメータを、容易に設定することができる。これにより、利用環境の制限を抑制することが可能となる。
【図面の簡単な説明】
【0025】
【発明を実施するための形態】
【0026】
以下、本発明の実施形態における音声認識システム及び音声認識装置の一例について、図面を参照しながら説明する。
【0027】
（第１実施形態：音声認識システム１００の構成）
図１を参照して、第１実施形態における音声認識システム１００の構成の一例について説明する。図１は、第１実施形態における音声認識システム１００の構成の一例を示す模式図である。
図１を参照して、第１実施形態における音声認識システム１００の構成の一例について説明する。図１は、第１実施形態における音声認識システム１００の構成の一例を示す模式図である。
【0028】
音声認識システム１００は、利用者の音声を認識するために用いられる。音声認識システム１００は、利用者の音声に基づく音声データＤをキャリブレーション用の音に基づいて制御し、制御された音声データＤから音声認識させるための対象データＦを生成する。これにより、音声認識エンジンの種類や周囲の環境に応じて適切なキャリブレーションができる。これにより、音声認識の精度を向上させることが可能となる。
【0029】
音声認識システム１００は、例えば図１に示すように、収音装置２と、音声処理装置１と、音声認識装置３とを備える。音声認識システム１００では、音声処理装置１と、収音装置２とが、有線通信又は無線通信により接続される。音声認識システム１００では、音声処理装置１と、音声認識装置３とが、有線通信又は無線通信により接続される。
【0030】
音声認識システム１００は、音声処理装置１を介して、キャリブレーション用の音を取得する。その後、音声処理装置１は、キャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。
【0031】
音声認識システム１００は、音声処理装置１を介して、利用者の音声に基づく音声データＤを取得する。その後、音声処理装置１は、設定した第１パラメータに基づいて、音声データＤを処理して対象データＦを生成する。そして、音声処理装置１は、音声認識装置３に対して対象データＦを送信する。
【0032】
音声認識システム１００は、対象データＦを受信する。音声認識システム１００は、音声認識装置３を用い、対象データＦの内容を認識した認識結果を生成する。このため、音声認識システム１００では、認識すべき対象データＦを正しく認識することができる。これにより、音声認識システム１００は、対象データＦの認識精度を向上させることが可能となる。
【0033】
＜収音装置２＞
図２は、収音装置２の構成の一例を示す模式図である。収音装置２は、例えばマイク部２７と、制御部２１と、変換部２２と、通信部２３と、を備え、例えば記憶部２４を備えてもよい。収音装置２として、利用者の頭部に装着可能なインカム型のものが用いられるほか、無線通信機能を備えた公知の収音機器が用いられる。
図２は、収音装置２の構成の一例を示す模式図である。収音装置２は、例えばマイク部２７と、制御部２１と、変換部２２と、通信部２３と、を備え、例えば記憶部２４を備えてもよい。収音装置２として、利用者の頭部に装着可能なインカム型のものが用いられるほか、無線通信機能を備えた公知の収音機器が用いられる。
【0034】
＜＜マイク部２７＞＞
マイク部２７は、利用者の音声を収音する。マイク部２７は、気導マイク２８と、骨導マイク２９と、を有する。気導マイク２８は、空気振動を用いて音声を収音するものである。骨導マイク２９は、発声した際に生じる人体の通過する骨伝導音を収音するものである。マイク部２７は、気導マイク２８によりキャリブレーション用の音を収音する。マイク部２７は、気導マイク２８によりノイズを収音する。気導マイク２８及び骨導マイク２９として、公知の収音機器が用いられる。
マイク部２７は、利用者の音声を収音する。マイク部２７は、気導マイク２８と、骨導マイク２９と、を有する。気導マイク２８は、空気振動を用いて音声を収音するものである。骨導マイク２９は、発声した際に生じる人体の通過する骨伝導音を収音するものである。マイク部２７は、気導マイク２８によりキャリブレーション用の音を収音する。マイク部２７は、気導マイク２８によりノイズを収音する。気導マイク２８及び骨導マイク２９として、公知の収音機器が用いられる。
【0035】
＜＜制御部２１＞＞
制御部２１は、収音装置２全体の制御を行い、例えば音声データＤの送受信に関する動作制御を行う。制御部２１は、例えば送信する音声データＤの変調方式等を制御するほか、音声データＤを送信するタイミング等を制御する。制御部２１として、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサが用いられる。
制御部２１は、収音装置２全体の制御を行い、例えば音声データＤの送受信に関する動作制御を行う。制御部２１は、例えば送信する音声データＤの変調方式等を制御するほか、音声データＤを送信するタイミング等を制御する。制御部２１として、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサが用いられる。
【0036】
＜＜変換部２２＞＞
変換部２２は、マイク部２７により収音された音声（アナログ信号）をデジタル信号（音声データＤ）に変換する。変換部２２は、例えばＰＣＭ（Pulse Code Modulation）のような公知技術を用いて、アナログ信号をデジタル信号に変換し、音声データＤとして取得する。変換部２２として、Ａ／Ｄコンバータが用いられる。変換部２２は、省略されてもよい。
変換部２２は、マイク部２７により収音された音声（アナログ信号）をデジタル信号（音声データＤ）に変換する。変換部２２は、例えばＰＣＭ（Pulse Code Modulation）のような公知技術を用いて、アナログ信号をデジタル信号に変換し、音声データＤとして取得する。変換部２２として、Ａ／Ｄコンバータが用いられる。変換部２２は、省略されてもよい。
【0037】
＜＜通信部２３＞＞
通信部２３は、有線通信又は無線通信により音声データＤを送信する。通信部２３は、例えば音声データＤを符号化する符号化部と、音声データＤを変調する変調部とを有する。変調部は、例えば無線通信の場合には、ＧＦＳＫ（Gaussian frequency-shift keying):ガウス型周波数偏移変調）、ＤＱＰＳＫ（Differential Quadrature Phase-Shift Keying：差動四位相偏移変調）８ＰＳＫ（8 phase-shift keying:八位相偏移変）等の変調方式を用いて、データを変調する。変調部によるデータの変調は、周波数変調であってもよい。
通信部２３は、有線通信又は無線通信により音声データＤを送信する。通信部２３は、例えば音声データＤを符号化する符号化部と、音声データＤを変調する変調部とを有する。変調部は、例えば無線通信の場合には、ＧＦＳＫ（Gaussian frequency-shift keying):ガウス型周波数偏移変調）、ＤＱＰＳＫ（Differential Quadrature Phase-Shift Keying：差動四位相偏移変調）８ＰＳＫ（8 phase-shift keying:八位相偏移変）等の変調方式を用いて、データを変調する。変調部によるデータの変調は、周波数変調であってもよい。
【0038】
収音装置２は、例えば後述する通信機器１１１と同様に、受信機構を有してもよい。なお、通信機器１１１の有する変換部、及び通信部は、変換部２２、及び通信部２３に対応させることができる。収音装置２は、入力装置２１２を有する。入力装置２１２は、制御部２１に接続され、各種情報の入力、選択等を行うことができる。入力装置２１２として、例えばスイッチ等の公知の入力装置が用いられ、収音装置２等の管理等を行う管理者等は、入力装置２１２を介して、各種情報や、音声処理装置１、収音装置２、音声認識装置３の制御コマンド等を入力又は選択する。
【0039】
＜＜記憶部２４＞＞
記憶部２４は、各種情報を図示しない保存部に記憶させ、又は各種情報を保存部から取出す。保存部は、例えば後述する保存部１０４と同様に、ＳＤメモリーカード等の公知のデータ保存媒体が用いられる。
記憶部２４は、各種情報を図示しない保存部に記憶させ、又は各種情報を保存部から取出す。保存部は、例えば後述する保存部１０４と同様に、ＳＤメモリーカード等の公知のデータ保存媒体が用いられる。
【0040】
＜音声処理装置１＞
図３（ａ）は、音声処理装置１の構成の一例を示す模式図である。音声処理装置１として、Ｒａｓｐｂｅｒｒｙ Ｐｉ（登録商標）等のシングルボードコンピュータが用いられるほか、例えばパーソナルコンピュータ（ＰＣ）等のような公知の電子機器が用いられてもよい。音声処理装置１は、例えば筐体１０と、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、保存部１０４と、Ｉ／Ｆ１０５～１０８とを備え、例えば通信機器１１１を備えてもよい。各構成１０１～１０８は、内部バス１１０により接続される。
図３（ａ）は、音声処理装置１の構成の一例を示す模式図である。音声処理装置１として、Ｒａｓｐｂｅｒｒｙ Ｐｉ（登録商標）等のシングルボードコンピュータが用いられるほか、例えばパーソナルコンピュータ（ＰＣ）等のような公知の電子機器が用いられてもよい。音声処理装置１は、例えば筐体１０と、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、保存部１０４と、Ｉ／Ｆ１０５～１０８とを備え、例えば通信機器１１１を備えてもよい。各構成１０１～１０８は、内部バス１１０により接続される。
【0041】
ＣＰＵ１０１は、音声処理装置１全体を制御する。ＲＯＭ１０２は、ＣＰＵ１０１の動作コードを格納する。ＲＡＭ１０３は、ＣＰＵ１０１の動作時に使用される作業領域である。保存部１０４は、文字列データベース等の各種情報が保存される。保存部１０４として、例えばＳＤメモリーカードのほか、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等のような公知のデータ保存媒体が用いられる。
【0042】
Ｉ／Ｆ１０５は、通信機器１１１との各種情報の送受信を行うための公知のインターフェースである。通信機器１１１は、収音装置２、音声認識装置３等との有線通信又は無線通信を行うために用いられる。通信機器１１１として、例えばＵＨＦ帯域を利用できる公知の通信制御機器が用いられる。なお、通信機器１１１は、音声処理装置１に対して後付けで設けられるほか、音声処理装置１に内蔵されてもよい。
【0043】
通信機器１１１は、例えばアンテナと、受信機構とを有し、例えば送信機構を有してもよい。受信機構は、例えば変調されたデータを復調するデジタル復調部と、符号化されたデータを復号する復号化部とを有する。送信機構は、例えば音声をデジタルデータ（音声データＤ）に変換する変換部と、音声データＤを必要に応じて処理する通信部とを有する。通信部は、音声データＤを符号化する符号化部と、音声データＤを変調する変調部とを有する。変調部は、例えばＤＱＰＳＫ等の位相変調方式を用いて、データを変調する。なお、上述した通信機器１１１における少なくとも一部の機能を、例えば取得部１１が行ってもよい。
【0044】
Ｉ／Ｆ１０６は、用途に応じて接続される入力装置１１２との各種情報の送受信を行うための公知のインターフェースである。入力装置１１２として、例えばキーボード等の公知の入力装置が用いられ、音声認識システム１００の管理等を行う管理者等は、入力装置１１２を介して、各種情報や、音声処理装置１、収音装置２、音声認識装置３の制御コマンド等を入力又は選択する。入力装置１１２として、スイッチが用いられ、制御コマンド等の入力又は選択をしてもよい。
【0045】
Ｉ／Ｆ１０７は、用途に応じて接続される表示部１１３との各種情報の送受信を行うための公知のインターフェースである。表示部１１３は、保存部１０４に保存された各種情報や、音声処理装置１の処理状況等を出力する。表示部１１３として、例えばディスプレイが用いられ、例えばタッチパネル式でもよい。この場合、表示部１１３が入力装置１１２を含む構成としてもよい。
【0046】
Ｉ／Ｆ１０８は、例えば音声認識装置３のような外部機器との各種情報の送受信を行うための公知のインターフェースである。Ｉ／Ｆ１０８は、例えば複数設けられ、インターネット等の通信網を介した各種情報の送受信を行うために用いられてもよい。
【0047】
なお、Ｉ／Ｆ１０５～Ｉ／Ｆ１０８として、例えば同一のものが用いられてもよく、各Ｉ／Ｆ１０５～Ｉ／Ｆ１０８として、例えばそれぞれ複数のものが用いられてもよい。また、入力装置１１２及び表示部１１３の少なくとも何れかは、状況に応じて取り外されてもよい。
【0048】
図３（ｂ）は、音声処理装置１の機能の一例を示す模式図である。図４は、第１実施形態における音声認識システム１００の機能の一例の詳細を示す模式図である。音声処理装置１は、取得部１１と、設定部１２と、処理部１３と、記憶部１４と、出力部１５とを備える。なお、図３（ｂ）及び図４に示した各機能は、ＣＰＵ１０１が、ＲＡＭ１０３を作業領域として、保存部１０４等に記憶されたプログラムを実行することにより実現される。
【0049】
＜＜取得部１１＞＞
取得部１１は、各種情報を取得する。取得部１１は、マイク部２７により収音される音声に基づき、音声データＤを取得する。取得部１１は、第１取得部１１ａと、第２取得部１１ｂと、を有する。第１取得部１１ａは、気導マイク２８を介して取得される気導音声データＤ１やデジタル信号に変換されたキャリブレーション用の音を取得する。第２取得部１１ｂは、骨導マイク２９を介して取得される骨導音声データＤ２を取得する。マイク部２７により収音された音声を収音装置２においてデジタル信号である音声データＤに変換し、取得部１１は、このデジタル信号に変換された音声データＤを取得する。マイク部２７によりアナログ信号の音声データＤを取得した場合、取得部１１は、アナログ信号の音声データＤを取得してもよい。取得部１１は、収音装置２、音声認識装置３から各種情報を取得する。
取得部１１は、各種情報を取得する。取得部１１は、マイク部２７により収音される音声に基づき、音声データＤを取得する。取得部１１は、第１取得部１１ａと、第２取得部１１ｂと、を有する。第１取得部１１ａは、気導マイク２８を介して取得される気導音声データＤ１やデジタル信号に変換されたキャリブレーション用の音を取得する。第２取得部１１ｂは、骨導マイク２９を介して取得される骨導音声データＤ２を取得する。マイク部２７により収音された音声を収音装置２においてデジタル信号である音声データＤに変換し、取得部１１は、このデジタル信号に変換された音声データＤを取得する。マイク部２７によりアナログ信号の音声データＤを取得した場合、取得部１１は、アナログ信号の音声データＤを取得してもよい。取得部１１は、収音装置２、音声認識装置３から各種情報を取得する。
【0050】
なお、取得部１１は、マイク部２７を有していてもよい。また、取得部１１は、マイク部２７により収音された音声（アナログ信号）をデジタル信号（音声データＤ）に変換する機能を有していてもよい。かかる場合には、マイク部２７により収音された音声を取得部１１においてデジタル信号である音声データＤに変換し、取得部１１は、このデジタル信号に変換された音声データＤを取得する。
【0051】
＜＜設定部１２＞＞
設定部１２は、音声データＤを処理するためのパラメータを設定する。設定部１２は、第１パラメータ設定部１２１と、第２パラメータ設定部１２２と、を有する。
設定部１２は、音声データＤを処理するためのパラメータを設定する。設定部１２は、第１パラメータ設定部１２１と、第２パラメータ設定部１２２と、を有する。
【0052】
＜＜＜第１パラメータ設定部１２１＞＞＞
第１パラメータ設定部１２１は、キャリブレーション用の音を取得部１１から取得する。第１パラメータ設定部１２１は、気導マイク２８（マイク部２７）により収音されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。キャリブレーション用の音としては、音声又はノイズデータが用いられる。キャリブレーション用の音が音声の場合には、例えば後述する評価結果Ｒに基づいて第１パラメータを設定する。キャリブレーション用の音がノイズデータの場合には、例えばノイズレベルに基づいて第１パラメータを設定する。第１パラメータ設定部１２１は、例えばキャリブレーション用の音の大きさを判定する閾値を用いて、第１パラメータを設定してもよい。なお、閾値は予め設定することができ、公知の技術を用いて判定してもよい。パラメータ値は、例えば事前に測定評価した結果を用いてもよいし、パラメータ値を設定するためのプログラムをＣＰＵ１０１等により実行させたものを用いてもよい。
第１パラメータ設定部１２１は、キャリブレーション用の音を取得部１１から取得する。第１パラメータ設定部１２１は、気導マイク２８（マイク部２７）により収音されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。キャリブレーション用の音としては、音声又はノイズデータが用いられる。キャリブレーション用の音が音声の場合には、例えば後述する評価結果Ｒに基づいて第１パラメータを設定する。キャリブレーション用の音がノイズデータの場合には、例えばノイズレベルに基づいて第１パラメータを設定する。第１パラメータ設定部１２１は、例えばキャリブレーション用の音の大きさを判定する閾値を用いて、第１パラメータを設定してもよい。なお、閾値は予め設定することができ、公知の技術を用いて判定してもよい。パラメータ値は、例えば事前に測定評価した結果を用いてもよいし、パラメータ値を設定するためのプログラムをＣＰＵ１０１等により実行させたものを用いてもよい。
【0053】
第１パラメータ設定部１２１は、例えば取得部１１により取得される評価結果Ｒに基づいて、音声データＤを制御するための第１パラメータを設定する。
【0054】
第１パラメータ設定部１２１は、図５に示すように、１つのキャリブレーション用の音に対する複数の仮パラメータを設定する。第１パラメータ設定部１２１は、評価用音データＭを制御するための仮パラメータを設定する。仮パラメータは、第１パラメータに対応するものである。仮パラメータは、例えばキャリブレーション用の音の内容に関わらず予め設定されていてもよいし、任意に設定してもよい。
【0055】
第１パラメータ設定部１２１は、例えば、評価用音データＭ（Ｍａ、Ｍｂ、Ｍｃ、Ｍｄ）に対する複数の評価結果Ｒ（評価結果Ｒａ、Ｒｂ、Ｒｃ、Ｒｄ）のうち、最も高い信頼度の評価結果Ｒに設定された仮パラメータを、第１パラメータとして設定する。
【0056】
第１パラメータ設定部１２１は、初期設定データ、ノイズデータ、及び認識装置データの少なくとも何れかに基づいて、音声データＤを制御するための第１パラメータを設定してもよい。
【0057】
＜＜＜第２パラメータ設定部１２２＞＞＞
第２パラメータ設定部１２２は、第１パラメータとは異なる第２パラメータを設定するための付加データに基づいて、第２パラメータを設定する。第２パラメータ設定部１２２は、付加データに基づいて、気導選択部１３３での選択と、骨導選択部１３４での選択と、対象データ生成部１３５により対象データＦを生成する基になる音声データＤの選択と、を設定する。
第２パラメータ設定部１２２は、第１パラメータとは異なる第２パラメータを設定するための付加データに基づいて、第２パラメータを設定する。第２パラメータ設定部１２２は、付加データに基づいて、気導選択部１３３での選択と、骨導選択部１３４での選択と、対象データ生成部１３５により対象データＦを生成する基になる音声データＤの選択と、を設定する。
【0058】
付加データは、初期設定データ、ノイズデータ、認識装置データの少なくとも何れかを含む。第２パラメータ設定部１２２は、初期設定データ、ノイズデータ、及び認識装置データの少なくとも何れかに基づいて、第２パラメータを設定する。
【0059】
初期設定データは、ユーザからの入力動作に基づくものであり、取得部１１により取得される。初期設定データに応じて、設定すべき第１パラメータ及び第２パラメータの少なくとも何れかが割り当てられている。初期設定データは、選択部１３２での選択に関する情報を含む。また、初期設定データは、対象データ生成部１３５で生成する対象データＦの種類に関する情報を含む。初期設定データは、第１パラメータを設定する際に、キャリブレーション用の音として、音声、又はノイズデータの選択に関する情報を含む。
【0060】
ノイズデータは、気導マイク２８により収音されるノイズに関するものであり、取得部１１により取得される。ノイズデータに応じて、設定すべき第１パラメータ及び第２パラメータの少なくとも何れかが割り当てられている。ノイズデータは、選択部１３２での選択に関する情報を含む。また、ノイズデータは、対象データ生成部１３５で生成する対象データＦの種類に関する情報を含む。
【0061】
認識装置データは、音声認識装置３の種類に関するものであり、取得部１１により取得される。認識装置データに応じて、設定すべき第１パラメータ及び第２パラメータの少なくとも何れかが割り当てられている。認識装置データは、選択部１３２での選択に関する情報を含む。また、認識装置データは、対象データ生成部１３５で生成する対象データＦの種類に関する情報を含む。
【0062】
＜＜処理部１３＞＞
処理部１３は、取得部１１により取得した音声データＤを処理して対象データＦを生成する。処理部１３は、制御部１３１と、選択部１３２と、対象データ生成部１３５と、を有する。処理部１３は、対象データＦを音声認識装置３に送信する。処理部１３は、評価用音データＭを音声認識装置３に送信する。
処理部１３は、取得部１１により取得した音声データＤを処理して対象データＦを生成する。処理部１３は、制御部１３１と、選択部１３２と、対象データ生成部１３５と、を有する。処理部１３は、対象データＦを音声認識装置３に送信する。処理部１３は、評価用音データＭを音声認識装置３に送信する。
【0063】
＜＜＜制御部１３１＞＞＞
制御部１３１は、例えば図６に示すような第１参照用テーブルを参照し、第１パラメータに基づいて、音声データＤを制御する。第１参照用テーブルには、各制御項目に対するパラメータ値が割り当てられた複数の設定が第１パラメータとして記憶される。第１参照用テーブルには、例えば図６に示すように、アコースティックエコー除去（AEC：Acoustic Echo Cancellation）、ノイズキャンセリング（NC：Noise Cancelling）、ボリューム（Vol：Volume）、補助音の付加、位相調整、マイクゲイン（MIC Gain）、オートゲインコントロール（AGC：Auto Gain Control）、イコライザー（EQ：Equalizer）及びダイナミックレンジコントロール（DRC：Dynamic Range Control）の少なくとも何れかの制御項目として含む。
制御部１３１は、例えば図６に示すような第１参照用テーブルを参照し、第１パラメータに基づいて、音声データＤを制御する。第１参照用テーブルには、各制御項目に対するパラメータ値が割り当てられた複数の設定が第１パラメータとして記憶される。第１参照用テーブルには、例えば図６に示すように、アコースティックエコー除去（AEC：Acoustic Echo Cancellation）、ノイズキャンセリング（NC：Noise Cancelling）、ボリューム（Vol：Volume）、補助音の付加、位相調整、マイクゲイン（MIC Gain）、オートゲインコントロール（AGC：Auto Gain Control）、イコライザー（EQ：Equalizer）及びダイナミックレンジコントロール（DRC：Dynamic Range Control）の少なくとも何れかの制御項目として含む。
【0064】
制御部１３１は、複数の仮パラメータに基づいて、複数の評価用音データＭを生成する。制御部１３１は、例えば図５に示すように、設定１－１を仮パラメータとした評価用音データＭａと、設定１－２を仮パラメータとした評価用音データＭｂと、設定１－３を仮パラメータとした評価用音データＭｃと、設定１－４を仮パラメータとした評価用音データＭｄと、を生成する。
【0065】
制御部１３１は、気導制御部１３１ａと、骨導制御部１３１ｂと、を有する。
【0066】
＜＜＜＜気導制御部１３１ａ＞＞＞＞
気導制御部１３１ａは、例えば気導音声データＤ１についての、アコースティックエコー除去（AEC：Acoustic Echo Cancellation）、ノイズキャンセリング（NC：Noise Cancelling）、ボリューム（Vol：Volume）、補助音の付加、位相調整、マイクゲイン（MIC Gain）、オートゲインコントロール（AGC：Auto Gain Control）、イコライザー（EQ：Equalizer）及びダイナミックレンジコントロール（DRC：Dynamic Range Control）の少なくとも何れかを制御する。気導制御部１３１ａは、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサが用いられる。
気導制御部１３１ａは、例えば気導音声データＤ１についての、アコースティックエコー除去（AEC：Acoustic Echo Cancellation）、ノイズキャンセリング（NC：Noise Cancelling）、ボリューム（Vol：Volume）、補助音の付加、位相調整、マイクゲイン（MIC Gain）、オートゲインコントロール（AGC：Auto Gain Control）、イコライザー（EQ：Equalizer）及びダイナミックレンジコントロール（DRC：Dynamic Range Control）の少なくとも何れかを制御する。気導制御部１３１ａは、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサが用いられる。
【0067】
気導制御部１３１ａは、気導音声データＤ１に補助音を付加する補助音付加部１３１ｃを有する。補助音付加部１３１ｃは、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサに内蔵されるものであってもよいし、外付けされるものであってもよい。補助音付加部１３１ｃは、例えば補助音としてコンフォートノイズ、ホワイトノイズ、ピンクノイズ等の公知の補助的なノイズを気導音声データＤ１に付加する。
【0068】
気導制御部１３１ａは、気導音声データＤ１の位相を骨導音声データＤ２の位相を調整する位相調整部１３１ｄを有する。位相調整部１３１ｄは、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサに内蔵されるものであってもよいし、外付けされるものであってもよい。
【0069】
＜＜＜＜骨導制御部１３１ｂ＞＞＞＞
骨導制御部１３１ｂは、例えば骨導音声データＤ２についての、アコースティックエコー除去（AEC：Acoustic Echo Cancellation）、ノイズキャンセリング（NC：Noise Cancelling）、ボリューム（Vol：Volume）、マイクゲイン（MIC Gain）、オートゲインコントロール（AGC：Auto Gain Control）及びダイナミックレンジコントロール（DRC：Dynamic Range Control）、の少なくとも何れかを制御する。骨導制御部１３１ｂは、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサが用いられる。
骨導制御部１３１ｂは、例えば骨導音声データＤ２についての、アコースティックエコー除去（AEC：Acoustic Echo Cancellation）、ノイズキャンセリング（NC：Noise Cancelling）、ボリューム（Vol：Volume）、マイクゲイン（MIC Gain）、オートゲインコントロール（AGC：Auto Gain Control）及びダイナミックレンジコントロール（DRC：Dynamic Range Control）、の少なくとも何れかを制御する。骨導制御部１３１ｂは、例えばＤＳＰ（Digital Signal Processor）等の公知のプロセッサが用いられる。
【0070】
＜＜＜選択部１３２＞＞＞
選択部１３２は、例えば図７に示すような第２参照用テーブルを参照し、第２パラメータに基づいて、気導音声データＤ１及び骨導音声データＤ２の何れか一方又は両方を選択する。選択部１３２は、気導選択部１３３と、骨導選択部１３４と、を有する。第２参照用テーブルには、気導音声データＤ１及び骨導音声データＤ２の少なくとも何れかを選択部１３２により選択に関する設定と、選択部１３２により選択された音声データＤから対象データＦを生成に関する設定とが、第２パラメータとして記憶される。
選択部１３２は、例えば図７に示すような第２参照用テーブルを参照し、第２パラメータに基づいて、気導音声データＤ１及び骨導音声データＤ２の何れか一方又は両方を選択する。選択部１３２は、気導選択部１３３と、骨導選択部１３４と、を有する。第２参照用テーブルには、気導音声データＤ１及び骨導音声データＤ２の少なくとも何れかを選択部１３２により選択に関する設定と、選択部１３２により選択された音声データＤから対象データＦを生成に関する設定とが、第２パラメータとして記憶される。
【0071】
＜＜＜＜気導選択部１３３＞＞＞＞
気導選択部１３３は、例えば、第２パラメータに基づいて、気導制御、気導バイパス及び気導ミュートの何れかを選択する。気導制御は、気導制御部１３１ａによる気導音声データＤ１の制御を行うものである。気導バイパスは、気導制御部１３１ａによる気導音声データＤ１の制御を行わないものである。気導ミュートは、気導音声データＤ１を無効化するものである。気導選択部１３３としては、公知の切替回路が用いられる。
気導選択部１３３は、例えば、第２パラメータに基づいて、気導制御、気導バイパス及び気導ミュートの何れかを選択する。気導制御は、気導制御部１３１ａによる気導音声データＤ１の制御を行うものである。気導バイパスは、気導制御部１３１ａによる気導音声データＤ１の制御を行わないものである。気導ミュートは、気導音声データＤ１を無効化するものである。気導選択部１３３としては、公知の切替回路が用いられる。
【0072】
＜＜＜＜骨導選択部１３４＞＞＞＞
骨導選択部１３４は、例えば、第２パラメータに基づいて、骨導制御、骨導バイパス及び骨導ミュートの何れかを選択する。骨導制御は、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行うものである。骨導バイパスは、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行わないものである。骨導ミュートは、骨導音声データＤ２を無効化するものである。骨導選択部１３４としては、公知の切替回路が用いられる。
骨導選択部１３４は、例えば、第２パラメータに基づいて、骨導制御、骨導バイパス及び骨導ミュートの何れかを選択する。骨導制御は、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行うものである。骨導バイパスは、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行わないものである。骨導ミュートは、骨導音声データＤ２を無効化するものである。骨導選択部１３４としては、公知の切替回路が用いられる。
【0073】
＜＜＜対象データ生成部１３５＞＞＞
対象データ生成部１３５は、第２参照用テーブルを参照し、第２パラメータに基づいて、選択部１３２により選択された音声データＤから対象データＦを生成する。
対象データ生成部１３５は、第２参照用テーブルを参照し、第２パラメータに基づいて、選択部１３２により選択された音声データＤから対象データＦを生成する。
【0074】
対象データ生成部１３５は、第２パラメータに基づいて、気導音声データＤ１を対象データＦとして生成する。このとき、処理部１３は、気導音声データＤ１である対象データＦを音声認識装置３に送信する。
【0075】
対象データ生成部１３５は、第２パラメータに基づいて、骨導音声データＤ２を対象データＦとして生成する。このとき、処理部１３は、骨導音声データＤ２である対象データＦを音声認識装置３に送信する。
【0076】
対象データ生成部１３５は、第２パラメータに基づいて、気導音声データＤ１及び骨導音声データＤ２を加算した加算音声データＤ３を対象データＦとして生成する。このとき、処理部１３は、加算音声データＤ３である対象データＦを音声認識装置３に送信する。
【0077】
対象データ生成部１３５は、第２パラメータに基づいて、気導音声データＤ１から第１対象データＦ１を生成し、骨導音声データＤ２から第２対象データＦ２を生成する。対象データ生成部１３５は、第１対象データＦ１と第２対象データＦ２とを含む対象データＦを生成する。このとき、処理部１３は、気導音声データＤ１である第１対象データＦ１と骨導音声データＤ２である第２対象データＦ２とを含む対象データＦを、音声認識装置３に送信する。
【0078】
＜＜記憶部１４＞＞
記憶部１４は、各種情報を保存部１０４に記憶させ、又は各種情報を保存部１０４から取出す。記憶部１４は、取得部１１と、設定部１２と、処理部１３と、出力部１５との処理内容に応じて、各種情報の記憶又は取出しを行う。
記憶部１４は、各種情報を保存部１０４に記憶させ、又は各種情報を保存部１０４から取出す。記憶部１４は、取得部１１と、設定部１２と、処理部１３と、出力部１５との処理内容に応じて、各種情報の記憶又は取出しを行う。
【0079】
＜＜出力部１５＞＞
出力部１５は、各種情報を表示部１１３等に出力する。出力部１５は、例えば音声認識装置３により生成された認識結果を、表示部１１３等に出力する。
出力部１５は、各種情報を表示部１１３等に出力する。出力部１５は、例えば音声認識装置３により生成された認識結果を、表示部１１３等に出力する。
【0080】
＜音声認識装置３＞
音声認識装置３は、処理部１３から送信された対象データＦを取得する。音声認識装置３は、音素認識を用い、対象データＦの内容を認識した認識結果を生成する。音声認識装置３は、例えばＪｕｌｉｕｓ等の公知の音素認識技術を含む音声認識エンジンや、Ｐｙｔｈｏｎ等のような公知の汎用プログラミング言語を用いて、音声データＤの内容を認識した認識結果の生成を実現することができる。音声認識装置３は、Ａｚｕｒｅ（登録商標）や、Ａｍａｚｏｎ ｔｒａｎｓｃｒｉｂｅや、Ｖｂｏｘ等の音声認識エンジンが用いられてもよい。音声認識装置３は、例えば取得した対象データＦに含まれる音素の配列（音素情報）を抽出し、音素情報に基づき認識結果を生成する。
音声認識装置３は、処理部１３から送信された対象データＦを取得する。音声認識装置３は、音素認識を用い、対象データＦの内容を認識した認識結果を生成する。音声認識装置３は、例えばＪｕｌｉｕｓ等の公知の音素認識技術を含む音声認識エンジンや、Ｐｙｔｈｏｎ等のような公知の汎用プログラミング言語を用いて、音声データＤの内容を認識した認識結果の生成を実現することができる。音声認識装置３は、Ａｚｕｒｅ（登録商標）や、Ａｍａｚｏｎ ｔｒａｎｓｃｒｉｂｅや、Ｖｂｏｘ等の音声認識エンジンが用いられてもよい。音声認識装置３は、例えば取得した対象データＦに含まれる音素の配列（音素情報）を抽出し、音素情報に基づき認識結果を生成する。
【0081】
音素情報は、利用者が発する音素の配列（例えば「a/k/a/r/i」等）を複数含む。音素は、母音と、子音とを含む公知のものである。なお、音素情報は、例えば音声の開始を示す無音区間（例えば「silB」等で示される開始無音区間）、及び音声の終了を示す無音区間（例えば「silE」等で示される終了無音区間）の少なくとも何れかを含んでもよい。開始無音区間、及び終了無音区間は、公知の音素認識技術により抽出することができる。
【0082】
音素情報は、例えば休止区間を含んでもよい。休止区間は、開始無音区間及び終了無音区間よりも短い区間を示し、例えば音素の区間と同程度の区間（長さ）を示す。休止区間は、公知の音素認識技術により抽出することができる。
【0083】
音声認識装置３は、複数の評価用音データＭを取得し、複数の評価用音データＭ（Ｍａ、Ｍｂ、Ｍｃ、Ｍｄ）の内容を認識した評価結果Ｒ（Ｒａ、Ｒｂ、Ｒｃ、Ｒｄ）を生成する。評価結果Ｒは、例えば音声認識の度合い（例えば百分率）を示す信頼度を含む。
【0084】
（第１実施形態：音声認識システム１００の動作の第１例）
次に、第１実施形態における音声認識システム１００の動作の第１例について説明する。図８は、第１実施形態における音声認識システム１００の動作の第１例を示すフローチャートである。
次に、第１実施形態における音声認識システム１００の動作の第１例について説明する。図８は、第１実施形態における音声認識システム１００の動作の第１例を示すフローチャートである。
【0085】
音声認識システム１００の動作の第１例では、気導マイク２８により収音されるノイズデータ等のキャリブレーション用の音とし、このキャリブレーション用の音に基づいて第１パラメータを設定するものである。
【0086】
音声認識システム１００の動作の第１例では、設定ステップＳ１１０と、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を備える。
【0087】
設定ステップＳ１１０は、第１パラメータ設定ステップＳ１１３を有する。
【0088】
第１パラメータ設定ステップＳ１１３は、取得部１１がキャリブレーション用の音を取得する。第１パラメータ設定ステップＳ１１３では、第１パラメータ設定部１２１が気導マイク２８（マイク部２７）を介して取得されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。
【0089】
取得ステップＳ１２０では、気導マイク２８と、骨導マイク２９と、を有するマイク部２７により収音される音声に基づき、音声データＤを取得する。取得ステップＳ１２０では、気導マイク２８を介して取得される気導音声データＤ１と、骨導マイク２９を介して取得される骨導音声データＤ２と、を取得する。
【0090】
処理ステップＳ１３０では、音声データＤを処理して対象データＦを生成する。処理ステップＳ１３０は、制御ステップＳ１３１を有する。
【0091】
制御ステップＳ１３１では、制御部１３１は、第１パラメータに基づいて、音声データＤの制御を行う。
【0092】
音声認識ステップＳ１４０では、音声認識装置３は、対象データＦの内容を認識した認識結果を生成する。
【0093】
その後、必要に応じて、例えば出力部１５は、Ｉ／Ｆ１０７を介して、表示部１１３に認識結果を出力する。
【0094】
本実施形態によれば、設定部１２は、マイク部２７により収音されるキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する第１パラメータ設定部１２１を有し、処理部１３は、第１パラメータに基づいて、音声データＤを制御する制御部１３１を有する。このため、音声データＤに対してキャリブレーションを行うことができる。これにより、音声認識の精度を向上させることが可能となる。
【0095】
（第１実施形態：音声認識システム１００の動作の第１変形例）
次に、第１実施形態における音声認識システム１００の動作の第１変形例について説明する。図９は、第１実施形態における音声認識システム１００の動作の第１変形例を示すフローチャートである。
次に、第１実施形態における音声認識システム１００の動作の第１変形例について説明する。図９は、第１実施形態における音声認識システム１００の動作の第１変形例を示すフローチャートである。
【0096】
音声認識システム１００の動作の第１変形例では、音声認識装置３により音声認識させる対象データＦを、利用者が選択するものである。また、音声認識システム１００の動作の第１例では、気導マイク２８により収音される音声をキャリブレーション用の音として取得し、このキャリブレーション用の音に基づいて第１パラメータを設定するものである。
【0097】
音声認識システム１００の動作の第１変形例では、設定ステップＳ１１０と、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を備える。
【0098】
設定ステップＳ１１０は、入力ステップＳ１１１と、第２パラメータ設定ステップＳ１１２と、第１パラメータ設定ステップＳ１１３と、を有する。
【0099】
入力ステップＳ１１１では、取得部１１が初期設定データを含む付加データを取得する。この初期設定データには、キャリブレーション用の音として音声を選択する旨が含まれる。
【0100】
第２パラメータ設定ステップＳ１１２では、第２パラメータ設定部１２２が初期設定データを含む付加データを取得し、付加データに基づいて、第２パラメータを設定する。
【0101】
第１パラメータ設定ステップＳ１１３では、取得部１１は、気導マイク２８（マイク部２７）により収音される音声を１つのキャリブレーション用の音を取得する。
【0102】
第１パラメータ設定ステップＳ１１３では、第１パラメータ設定部１２１は、キャリブレーション用の音を取得し、取得した１つのキャリブレーション用の音に対して複数の仮パラメータを設定する。次に、第１パラメータ設定ステップＳ１１３では、制御部１３１は、複数の仮パラメータに基づいて、キャリブレーション用の音に基づく複数の評価用音データＭ（Ｍａ、Ｍｂ、Ｍｃ、Ｍｄ）を生成し、複数の評価用音データＭを音声認識装置３に送信する。次に、第１パラメータ設定ステップＳ１１３では、音声認識装置３は、複数の評価用音データＭ（Ｍａ、Ｍｂ、Ｍｃ、Ｍｄ）の内容を認識した評価結果Ｒ（評価結果Ｒａ、Ｒｂ、Ｒｃ、Ｒｄ）を生成し、取得部１１に送信する。そして、第１パラメータ設定ステップＳ１１３では、第１パラメータ設定部１２１は、取得された評価結果Ｒに基づいて、第１パラメータを設定する。このとき、第１パラメータ設定部１２１は、評価用音データＭ（Ｍａ、Ｍｂ、Ｍｃ、Ｍｄ）に対する複数の評価結果Ｒ（評価結果Ｒａ、Ｒｂ、Ｒｃ、Ｒｄ）のうち、最も高い信頼度の評価結果Ｒを生成した評価用音データＭに設定された仮パラメータを、第１パラメータとして設定する。
【0103】
取得ステップＳ１２０では、気導マイク２８と、骨導マイク２９と、を有するマイク部２７により収音される音声に基づき、音声データＤを取得する。取得ステップＳ１２０では、気導マイク２８を介して気導音声データＤ１と、骨導マイク２９を介して骨導音声データＤ２と、を取得する。
【0104】
処理ステップＳ１３０では、音声データＤを処理して対象データＦを生成する。処理ステップＳ１３０は、制御ステップＳ１３１と、選択ステップＳ１３２と、対象データ生成ステップＳ１３３と、を有する。
【0105】
制御ステップＳ１３１では、制御部１３１は、第１パラメータに基づいて、音声データＤの制御を行う。気導制御部１３１ａは、例えば、第１パラメータに基づいて、気導音声データＤ１のノイズキャンセリング、ボリューム、アコースティックエコー除去、補助音の付加及び位相の制御を行う。骨導制御部１３１ｂは、例えば、第１パラメータに基づいて、骨導音声データＤ２のノイズキャンセリング及びボリュームの制御を行う。
【0106】
選択ステップＳ１３２では、選択部１３２は、第２パラメータに基づいて、音声認識装置３に対象データＦを生成するための音声データＤを、気導音声データＤ１及び骨導音声データＤ２の少なくとも何れかを選択する。気導選択部１３３は、例えば、第２パラメータに基づいて、気導制御部１３１ａによる気導音声データＤ１の制御を行う気導制御、気導制御部１３１ａによる気導音声データＤ１の制御を行わない気導バイパス、及び気導音声データＤ１を無効化する気導ミュートの何れかを選択する。骨導選択部１３４は、例えば、第２パラメータに基づいて、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行う骨導制御、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行わない骨導バイパス及び骨導音声データＤ２を無効化する骨導ミュートの何れかを選択する。
【0107】
対象データ生成ステップＳ１３３では、対象データ生成部１３５は、第２パラメータに基づいて、選択部１３２により選択された音声データＤから対象データＦを生成する。例えば、対象データ生成部１３５は、第２パラメータに基づいて、気導音声データＤ１を対象データＦとして生成する。例えば、対象データ生成部１３５は、第２パラメータに基づいて、骨導音声データＤ２を対象データＦとして生成する。例えば、対象データ生成部１３５は、気導音声データＤ１と骨導音声データＤ２とを加算した加算音声データＤ３を対象データＦとして生成する。
【0108】
音声認識ステップＳ１４０では、音声認識装置３は、処理部１３から送信された対象データＦの内容を認識した認識結果を生成する。
【0109】
その後、必要に応じて、例えば出力部１５は、Ｉ／Ｆ１０７を介して、表示部１１３に認識結果を出力する。
【0110】
（第１実施形態：音声認識システム１００の動作の第２変形例）
次に、第１実施形態における音声認識システム１００の動作の第２変形例について説明する。図１０は、第１実施形態における音声認識システム１００の動作の第２変形例を示すフローチャートである。
次に、第１実施形態における音声認識システム１００の動作の第２変形例について説明する。図１０は、第１実施形態における音声認識システム１００の動作の第２変形例を示すフローチャートである。
【0111】
音声認識システム１００の動作の第２変形例では、音声認識装置３により音声認識させる対象データＦを、利用者が選択するものである。また、音声認識システム１００の動作の第２変形例では、気導マイク２８により収音されるノイズをキャリブレーション用の音として取得し、このキャリブレーション用の音に基づいて第１パラメータを設定するものである。第２変形例では、キャリブレーション用の音としてノイズを用いる点で、主に第１変形例と相違する。
【0112】
音声認識システム１００の動作の第２変形例では、設定ステップＳ１１０と、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を備える。
【0113】
設定ステップＳ１１０は、入力ステップＳ１１１と、第２パラメータ設定ステップＳ１１２と、第１パラメータ設定ステップＳ１１３と、を有する。
【0114】
入力ステップＳ１１１では、取得部１１が初期設定データを含む付加データを取得する。この初期設定データには、キャリブレーション用の音としてノイズデータを選択する旨が含まれる。
【0115】
第２パラメータ設定ステップＳ１１２は、上述した第１変形例と同様であるため、省略する。
【0116】
第１パラメータ設定ステップＳ１１３は、取得部１１は、気導マイク２８によりキャリブレーション用の音としてノイズを収音したノイズデータを取得する。第１パラメータ設定ステップＳ１１３では、第１パラメータ設定部１２１は、このキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。
【0117】
以下、上述した第１例と同様に、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を行う。
【0118】
（第１実施形態：音声認識システム１００の動作の第３変形例）
次に、第１実施形態における音声認識システム１００の動作の第３変形例について説明する。第１実施形態における音声認識システム１００の動作の第３変形例におけるフローチャートは、図９と同様である。
次に、第１実施形態における音声認識システム１００の動作の第３変形例について説明する。第１実施形態における音声認識システム１００の動作の第３変形例におけるフローチャートは、図９と同様である。
【0119】
音声認識システム１００の動作の第３変形例では、音声認識装置３により音声認識させる対象データＦを、自動的に選択するものである。また、音声認識システム１００の動作の第３変形例では、気導マイク２８により収音される音声をキャリブレーション用の音として取得し、このキャリブレーション用の音に基づいて第１パラメータを設定するものである。第３変形例では、音声認識させる対象データＦをノイズデータ又は認識装置データに基づいて選択させる。
【0120】
音声認識システム１００の動作の第３変形例では、設定ステップＳ１１０と、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を備える。
【0121】
設定ステップＳ１１０は、入力ステップＳ１１１と、第２パラメータ設定ステップＳ１１２と、第１パラメータ設定ステップＳ１１３と、を有する。
【0122】
入力ステップＳ１１１では、取得部１１が初期設定データを含む付加データを取得する。この初期設定データには、キャリブレーション用の音として音声を選択する旨が含まれる。
【0123】
第２パラメータ設定ステップＳ１１２では、取得部１１は、付加データとして、認識装置データ及びノイズデータの少なくとも何れかを取得する。第２パラメータ設定ステップＳ１１２では、第２パラメータ設定部１２２は、取得した付加データに基づいて、第２パラメータを設定する。
【0124】
第１パラメータ設定ステップＳ１１３は、上述した第１例と同様であるため、省略する。
【0125】
以下、上述した第１変形例と同様に、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を行う。
【0126】
（第１実施形態：音声認識システム１００の動作の第４変形例）
次に、第１実施形態における音声認識システム１００の動作の第４変形例について説明する。第１実施形態における音声認識システム１００の動作の第４変形例におけるフローチャートは、図１０と同様である。
次に、第１実施形態における音声認識システム１００の動作の第４変形例について説明する。第１実施形態における音声認識システム１００の動作の第４変形例におけるフローチャートは、図１０と同様である。
【0127】
音声認識システム１００の動作の第４変形例では、音声認識装置３により音声認識させる対象データＦが、気導音声データＤ１である第１対象データＦ１と、骨導音声データＤ２である第２対象データＦ２とを含むものである。また、音声認識システム１００の動作の第４変形例では、気導マイク２８により収音されるノイズをキャリブレーション用の音として取得し、このキャリブレーション用の音に基づいて第１パラメータを設定するものである。
【0128】
音声認識システム１００の動作の第４変形例では、設定ステップＳ１１０と、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を備える。
【0129】
設定ステップＳ１１０は、入力ステップＳ１１１と、第２パラメータ設定ステップＳ１１２と、第１パラメータ設定ステップＳ１１３と、を有する。
【0130】
入力ステップＳ１１１では、取得部１１が初期設定データを含む付加データを取得する。この初期設定データには、キャリブレーション用の音としてノイズデータを選択する旨が含まれる。
【0131】
第２パラメータ設定ステップＳ１１２では、第２パラメータ設定部１２２が取得した初期設定データを含む付加データに基づいて、第２パラメータを設定する。
【0132】
第１パラメータ設定ステップＳ１１３は、気導マイク２８によりキャリブレーション用の音としてノイズを収音したノイズデータを取得し、このキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。
【0133】
次に、上述した第２例と同様に、取得ステップＳ１２０を行う。
【0134】
処理ステップＳ１３０では、音声データＤを処理して対象データＦを生成する。処理ステップＳ１３０は、制御ステップＳ１３１と、選択ステップＳ１３２と、対象データ生成ステップＳ１３３と、を有する。
【0135】
制御ステップＳ１３１は、上述した第２例と同様に、行う。
【0136】
選択ステップＳ１３２では、選択部１３２は、第２パラメータに基づいて、対象データＦを生成する基になる音声データＤを、気導音声データＤ１及び骨導音声データＤ２の両方を選択する。気導選択部１３３は、例えば、第２パラメータに基づいて、気導制御部１３１ａによる気導音声データＤ１の制御を行う気導制御又は気導制御部１３１ａによる気導音声データＤ１の制御を行わない気導バイパスを選択する。骨導選択部１３４は、例えば、第２パラメータに基づいて、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行う骨導制御又は骨導制御部１３１ｂによる骨導音声データＤ２の制御を行わない骨導バイパスの何れかを選択する。
【0137】
対象データ生成ステップＳ１３３では、選択ステップＳ１３２により選択された気導音声データＤ１と骨導音声データＤ２と、から対象データＦを生成する。対象データ生成部１３５は、気導音声データＤ１である第１対象データＦ１と、骨導音声データＤ２である第２対象データＦ２とを含む対象データＦを生成する。
【0138】
音声認識ステップＳ１４０では、音声認識装置３は、処理部１３から送信された対象データＦの内容を認識した認識結果を生成する。このとき、音声認識装置３は、第１対象データＦ１を第１利用者によるものとし、第２対象データＦ２を第２利用者によるものとして、認識結果を生成する。
【0139】
本実施形態によれば、第１パラメータ設定部１２１は、音声をキャリブレーション用の音として取得し、１つの前記キャリブレーション用の音に対して複数の仮パラメータを設定し、制御部１３１は、複数の仮パラメータに基づいて、キャリブレーション用の音に基づく複数の評価用音データを生成し、音声認識装置３は、複数の評価用音データの内容を認識した評価結果を生成し、第１パラメータ設定部１２１は、評価結果Ｒに基づいて、第１パラメータを設定する。このため、キャリブレーションを行う際に費やすデータの送受信回数を、最小限に抑えることができる。これにより、キャリブレーションの調整時間を大幅に削減することが可能となる。
【0140】
本実施形態によれば、取得部１１は、気導マイク２８を介して取得される気導音声データＤ１及び骨導マイク２９を介して取得される骨導音声データＤ２を取得し、マイク部２７を介して取得されるノイズデータ、音声認識装置３に関する認識装置データ、及び初期設定に関する初期設定データの少なくとも何れかを取得し、ノイズデータ、認識装置データ、及び初期設定データの少なくとも何れかに基づいて、第１パラメータとは異なる第２パラメータを設定する第２パラメータ設定部１２２を有し、処理部１３は、第２パラメータに基づいて、気導音声データＤ１及び骨導音声データＤ２の少なくとも何れかを選択する選択部１３２と、第２パラメータに基づいて、選択された気導音声データＤ１及び骨導音声データＤ２の少なくとも何れかから対象データＦを生成する対象データ生成部１３５と、を有する。このため状況に応じて適した対象データＦを選択することができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0141】
本実施形態によれば、第２パラメータ設定部１２２は、マイク部２７を介して取得されるノイズデータに基づいて、第２パラメータを設定する。このため、ノイズのレベルに応じて、音声認識装置３に音声認識させる対象データＦを選択することができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0142】
本実施形態によれば、第２パラメータ設定部１２２は、音声認識装置３についての認識装置データに基づいて、第２パラメータを設定する。このため、音声認識装置３の種類に応じて、音声認識装置３に音声認識させる対象データＦを選択することができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0143】
本実施形態によれば、第２パラメータ設定部１２２は、初期設定に関する初期設定データに基づいて、第２パラメータを設定する。このため、利用者の入力動作に応じて、音声認識装置３に音声認識させる対象データＦを選択することができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0144】
本実施形態によれば、制御部１３１は、気導音声データＤ１に補助音を付加する補助音付加部１３１ｃを有する。ここで、雑音がほとんどない環境において気導マイク２８を介して取得される気導音声データＤ１である対象データＦを音声認識させたとき、この対象データＦの認識結果が誤認識される場合がある。この点、気導音声データＤ１に補助音を付加することにより、音声認識装置３での誤認識を低減させることができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0145】
本実施形態によれば、選択部１３２は、気導音声データＤ１及び骨導音声データＤ２を選択し、対象データ生成部１３５は、気導音声データＤ１及び骨導音声データＤ２を加算した加算音声データＤ３を対象データＦとして生成し、音声認識装置３は、この対象データＦの内容を認識した認識結果を生成する。このため、気導音声データＤ１と骨導音声データＤ２の両方を考慮して音声認識させることができる。これにより、音声認識の精度を更に向上させることが可能となる。
【0146】
本実施形態によれば、選択部１３２は、気導音声データＤ１及び骨導音声データＤ２を選択し、対象データ生成部１３５は、気導音声データＤ１から生成される第１対象データＦ１と、骨導音声データＤ２から生成される第２対象データＦ２とを含む対象データＦを生成し、音声認識装置３は、第１対象データＦ１の内容を第１利用者によるものとし、第２対象データＦ２の内容を第２利用者によるものとして、認識結果を生成する。このため、異なる利用者同士の音声を音声認識させることができる。これにより、窓口等での対面業務や電話応対業務等において、異なる利用者同士の会話を認識させる際に、より好適に用いることが可能となる。
【0147】
本実施形態によれば、第１パラメータは、ノイズキャンセリング、アコースティックエコー除去、ボリューム、補助音の付加、位相調整、マイクゲイン、オートゲインコントロール、イコライザー及びダイナミックレンジコントロールの少なくとも何れかの条件を含む。このため、一度のキャリブレーション手段を行うことで、音声認識システム１００を利用する様々な状況に適した第１パラメータを、容易に設定することができる。これにより、利用環境の制限を抑制することが可能となる。
【0148】
（第２実施形態：音声認識システム１００）
次に、第２実施形態における音声認識システム１００の一例について説明する。上述した実施形態と、第２実施形態との違いは、気導マイク２８が第１気導マイク２８ａと第２気導マイク２８ｂとを有する点である。なお、上述した実施形態と同様の内容については、説明を省略する。
次に、第２実施形態における音声認識システム１００の一例について説明する。上述した実施形態と、第２実施形態との違いは、気導マイク２８が第１気導マイク２８ａと第２気導マイク２８ｂとを有する点である。なお、上述した実施形態と同様の内容については、説明を省略する。
【0149】
図１１は、第２実施形態における収音装置２の構成の一例を示す模式図である。第１気導マイク２８ａは、指向性を有しないものであって、キャリブレーション用の音を収音するものである。第２気導マイク２８ｂは、指向性を有するものであって、音声データＤを取得するための音声を収音するものである。
【0150】
収音装置２は、音声を収音するマイクを第１気導マイク２８ａと第２気導マイク２８ｂとの何れかに切り替える切替部２６を有する。切替部２６は、取得部１１による初期設定データに基づいて、第１気導マイク２８ａと第２気導マイク２８ｂの何れか一方により収音するかを切り替える。収音装置２としては、第１気導マイク２８ａと、第２気導マイク２８ｂと、骨導マイク２９とを備えた、第２利用者の頭部に装着可能なものが用いられる。第２気導マイク２８ｂは、第２利用者の対面にいる第１利用者に向けられていることが好ましい。切替部２６による切り替えは、例えば、初期設定データに基づいて、行われる。
【0151】
（第２実施形態：音声認識システム１００の動作の第１例）
次に、第２実施形態における音声認識システム１００の動作の第１例について説明する。第２実施形態における音声認識システム１００の動作の第１例におけるフローチャートは、図１０と同様である。
次に、第２実施形態における音声認識システム１００の動作の第１例について説明する。第２実施形態における音声認識システム１００の動作の第１例におけるフローチャートは、図１０と同様である。
【0152】
第２実施形態の音声認識システム１００の動作の第１例では、キャリブレーション用の音を第１気導マイク２８ａにより収音し、音声認識させる音声を第２気導マイク２８ｂにより収音する点で、第１実施形態の第４変形例と相違する。
【0153】
音声認識システム１００の動作の第１例では、設定ステップＳ１１０と、取得ステップＳ１２０と、処理ステップＳ１３０と、音声認識ステップＳ１４０と、を備える。
【0154】
設定ステップＳ１１０は、入力ステップＳ１１１と、第２パラメータ設定ステップＳ１１２と、第１パラメータ設定ステップＳ１１３と、を有する。
【0155】
入力ステップＳ１１１では、利用者がスイッチ等の入力装置１１２を押圧することにより、取得部１１が利用者からの入力動作を初期設定データとして取得する。
【0156】
第２パラメータ設定ステップＳ１１２では、第２パラメータ設定部１２２が取得した初期設定データを含む付加データに基づいて、第２パラメータを設定する。
【0157】
第１パラメータ設定ステップＳ１１３は、取得部１１は、第１気導マイク２８ａを介して収音されるノイズをキャリブレーション用の音として取得し、第１パラメータ設定部１２１は、このキャリブレーション用の音に基づいて、音声データＤを制御するための第１パラメータを設定する。
【0158】
取得ステップＳ１２０では、切替部２６により第１気導マイク２８ａから第２気導マイク２８ｂに切り替え、第２気導マイク２８ｂを介して気導音声データＤ１を取得する。また、取得ステップＳ１２０では、骨導マイク２９を介して骨導音声データＤ２を取得する。
【0159】
処理ステップＳ１３０では、音声データＤを処理して対象データＦを生成する。処理ステップＳ１３０は、制御ステップＳ１３１と、選択ステップＳ１３２と、対象データ生成ステップＳ１３３と、を有する。
【0160】
制御ステップＳ１３１は、上述した第１例と同様に行う。
【0161】
選択ステップＳ１３２では、選択部１３２は、第２パラメータに基づいて、音声認識装置３に音声認識させる対象データＦを、第２気導マイク２８ｂを介して取得した気導音声データＤ１及び骨導マイク２９を介して取得した骨導音声データＤ２の両方を選択する。気導選択部１３３は、例えば、第２パラメータに基づいて、気導制御部１３１ａによる気導音声データＤ１の制御を行う気導制御、又は気導制御部１３１ａによる気導音声データＤ１の制御を行わない気導バイパスを選択する。骨導選択部１３４は、例えば、第２パラメータに基づいて、骨導制御部１３１ｂによる骨導音声データＤ２の制御を行う骨導制御、又は骨導制御部１３１ｂによる骨導音声データＤ２の制御を行わない骨導バイパスの何れかを選択する。
【0162】
対象データ生成ステップＳ１３３では、対象データ生成部１３５は、第２パラメータに基づいて、音声データＤから対象データＦを生成する。選択部１３２により気導音声データＤ１及び骨導音声データＤ２が選択され、対象データ生成部１３５は、第２パラメータに基づいて、気導音声データＤ１から生成される第１対象データＦ１と、骨導音声データＤ２から第２対象データＦ２とを含む対象データＦを生成する。
【0163】
音声認識ステップＳ１４０では、音声認識装置３は、処理部１３から送信された対象データＦの内容を認識した認識結果を生成する。このとき、音声認識装置３は、第１対象データＦ１を第１利用者によるものとし、第２対象データＦ２を第２利用者によるものとして、認識結果を生成する。
【0164】
本実施形態によれば、気導マイク２８は、指向性を有しない第１気導マイク２８ａと、指向性を有する第２気導マイク２８ｂを有し、第１パラメータ設定部１２１は、第１気導マイク２８ａを介して取得されるキャリブレーション用の音に基づいて、第１パラメータを設定し、選択部１３２は、第２気導マイク２８ｂを介して取得される気導音声データＤ１及び骨導音声データＤ２を選択する。このため、指向性を有しない第１気導マイク２８ａによりキャリブレーション用の音として周囲のノイズや音声を収音することができ、周囲の環境をより考慮した第１パラメータを設定することができる。また、第２気導マイク２８ｂが指向性を有するため、収音装置２を装着した第２利用者の音声を第２対象データＦ２として取得し、例えば第２利用者の対面にいる第１利用者の音声を第１対象データＦ１として取得する際に、第１利用者の音声をより効率的に収音することができる。これにより、音声認識の精度を更に向上させることができる。
【0165】
（第３実施形態：音声認識システム１００の構成）
図１２を参照して、第３実施形態における音声認識システム１００の構成の一例について説明する。図１２は、第３実施形態における音声認識システム１００の構成の一例を示す模式図である。
図１２を参照して、第３実施形態における音声認識システム１００の構成の一例について説明する。図１２は、第３実施形態における音声認識システム１００の構成の一例を示す模式図である。
【0166】
第３実施形態における音声認識システム１００は、収音装置２に音声処理装置１が内蔵される。本実施形態においても、音声認識させる音声データＤに対してキャリブレーションを行うことができる。これにより、音声認識の精度を向上させることが可能となる。
【0167】
（第４実施形態：音声認識システム１００の構成）
図１３を参照して、第４実施形態における音声認識システム１００の構成の一例について説明する。図１３は、第４実施形態における音声認識システム１００の構成の一例を示す模式図である。
図１３を参照して、第４実施形態における音声認識システム１００の構成の一例について説明する。図１３は、第４実施形態における音声認識システム１００の構成の一例を示す模式図である。
【0168】
第４実施形態における音声認識システム１００は、音声認識装置３に音声処理装置１が内蔵される。なお、音声処理装置１に音声認識装置３が内蔵されてもよい。本実施形態においても、音声認識させる音声データＤに対してキャリブレーションを行うことができる。これにより、音声認識の精度を向上させることが可能となる。
【0169】
（第５実施形態：音声認識システム１００の構成）
図１４を参照して、第５実施形態における音声認識システム１００の構成の一例について説明する。図１４は、第５実施形態における音声認識システム１００の構成の一例を示す模式図である。
図１４を参照して、第５実施形態における音声認識システム１００の構成の一例について説明する。図１４は、第５実施形態における音声認識システム１００の構成の一例を示す模式図である。
【0170】
第５実施形態における音声認識システム１００は、収音装置２に音声処理装置１が内蔵される。本実施形態においても、音声認識させる音声データＤに対してキャリブレーションを行うことができる。これにより、音声認識の精度を向上させることが可能となる。
【0171】
本実施形態における音声認識システム１００は、更に操作装置２００を備える。操作装置２００は、例えばスマートフォン等の電子機器が用いられ、収音装置２、音声処理装置１、及び音声認識装置３を制御する機能を有する。これらを制御する際には操作装置２００でのアプリケーションを実行することにより行われてもよい。操作装置２００は、音声処理装置１と同様に、例えば筐体と、ＣＰＵと、ＲＯＭと、ＲＡＭと、保存部と、各種Ｉ／Ｆとを備え、例えば通信機器を備えてもよい。上記の各構成は、内部バスにより接続される。
【0172】
操作装置２００は、音声処理装置１が内蔵された収音装置２から各種情報の送受信を行うことができる。また、操作装置２００は、音声認識装置３と各種情報の送受信を行うことができる。音声認識装置３により認識された認識結果を取得し、取得した認識結果を操作装置２００において実行されるアプリケーションに利用することができる。
【0173】
例えば、操作装置２００のアプリケーションにおいて、音声処理装置１により生成された対象データＦをクラウド上の音声認識装置３に送信することもできる。例えば、操作装置２００のアプリケーションにおいて、第１対象データＦ１と第２対象データＦ２とを、それぞれ第１利用者、第２利用者による音声であることを管理することができる。
【0174】
操作装置２００は、駆動装置３００に有線通信又は無線通信等により接続されていてもよい。駆動装置３００として、例えば照明、エアコン等の家電製品が用いられるほか、例えば稼働式ベッド、ドア、窓、カーテン等の駆動可能な部分を有する構成が用いられる。駆動装置３００として、例えばロボット、無人搬送車（ＡＧＶ：Automated Guided Vehicle）、生産機械等が用いられてもよい。操作装置２００のアプリケーションにおいて取得した認識結果を用いて、操作装置２００に接続される駆動装置を制御することができる。図示の例では、駆動装置３００が操作装置２００に有線又は無線により接続されるが、駆動装置３００が音声認識装置３に有線又は無線されていてもよい。本実施形態は、上述した他の実施形態と組み合わせて適用することができる。
【0175】
また、操作装置２００は、ｗｉ－ｆｉ（登録商標）等の無線通信機能を有する。このため、音声処理装置１に無線通信機能を発揮させるためのバッテリーを省略することができる。これにより、音声処理装置１の小型化を実現することができる。
【0176】
（第６実施形態：音声認識システム１００の構成）
図１５を参照して、第６実施形態における音声認識システム１００の構成の一例について説明する。図１５は、第６実施形態における音声認識システム１００の構成の一例を示す模式図である。
図１５を参照して、第６実施形態における音声認識システム１００の構成の一例について説明する。図１５は、第６実施形態における音声認識システム１００の構成の一例を示す模式図である。
【0177】
第６実施形態における音声認識システム１００は、収音装置２に音声処理装置１が内蔵される。本実施形態においても、音声認識させる音声データＤに対してキャリブレーションを行うことができる。これにより、音声認識の精度を向上させることが可能となる。
【0178】
本実施形態における音声認識システム１００は、更に操作装置２００を備える。操作装置２００は、例えばＲａｓｐｂｅｒｒｙ Ｐｉ（登録商標）等のシングルボードコンピュータが用いられてもよい。本実施形態は、上述した他の実施形態と組み合わせて適用することができる。
【0179】
本発明の実施形態を説明したが、上述した実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。また、これらの実施形態の各例は、適宜組み合わせて実施することが可能である。上述した新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。上述した実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【0180】
１００ ：音声認識システム
１ ：音声処理装置
１０ ：筐体
１１ ：取得部
１２ ：設定部
１２１ ：第１パラメータ設定部
１２２ ：第２パラメータ設定部
１３ ：処理部
１３１ ：制御部
１３１ａ ：気導制御部
１３１ｂ ：骨導制御部
１３１ｃ ：補助音付加部
１３１ｄ ：位相調整部
１３２ ：選択部
１３３ ：気導選択部
１３４ ：骨導選択部
１３５ ：対象データ生成部
１４ ：記憶部
１５ ：出力部
１０１ ：ＣＰＵ
１０２ ：ＲＯＭ
１０３ ：ＲＡＭ
１０４ ：保存部
１０５ ：Ｉ／Ｆ
１０６ ：Ｉ／Ｆ
１０７ ：Ｉ／Ｆ
１０８ ：Ｉ／Ｆ
１１０ ：内部バス
１１１ ：通信機器
１１２ ：入力装置
１１３ ：表示部
２ ：収音装置
２１ ：制御部
２２ ：変換部
２３ ：通信部
２４ ：記憶部
２６ ：切替部
２７ ：マイク部
２８ ：気導マイク
２８ａ ：第１気導マイク
２８ｂ ：第２気導マイク
２９ ：骨導マイク
３ ：音声認識装置
Ｓ１１０ ：設定ステップ
Ｓ１１１ ：入力ステップ
Ｓ１１２ ：第２パラメータ設定ステップ
Ｓ１１３ ：第１パラメータ設定ステップ
Ｓ１２０ ：取得ステップ
Ｓ１３０ ：処理ステップ
Ｓ１３１ ：制御ステップ
Ｓ１３２ ：選択ステップ
Ｓ１３３ ：対象データ生成ステップ
Ｓ１４０ ：音声認識ステップ
１ ：音声処理装置
１０ ：筐体
１１ ：取得部
１２ ：設定部
１２１ ：第１パラメータ設定部
１２２ ：第２パラメータ設定部
１３ ：処理部
１３１ ：制御部
１３１ａ ：気導制御部
１３１ｂ ：骨導制御部
１３１ｃ ：補助音付加部
１３１ｄ ：位相調整部
１３２ ：選択部
１３３ ：気導選択部
１３４ ：骨導選択部
１３５ ：対象データ生成部
１４ ：記憶部
１５ ：出力部
１０１ ：ＣＰＵ
１０２ ：ＲＯＭ
１０３ ：ＲＡＭ
１０４ ：保存部
１０５ ：Ｉ／Ｆ
１０６ ：Ｉ／Ｆ
１０７ ：Ｉ／Ｆ
１０８ ：Ｉ／Ｆ
１１０ ：内部バス
１１１ ：通信機器
１１２ ：入力装置
１１３ ：表示部
２ ：収音装置
２１ ：制御部
２２ ：変換部
２３ ：通信部
２４ ：記憶部
２６ ：切替部
２７ ：マイク部
２８ ：気導マイク
２８ａ ：第１気導マイク
２８ｂ ：第２気導マイク
２９ ：骨導マイク
３ ：音声認識装置
Ｓ１１０ ：設定ステップ
Ｓ１１１ ：入力ステップ
Ｓ１１２ ：第２パラメータ設定ステップ
Ｓ１１３ ：第１パラメータ設定ステップ
Ｓ１２０ ：取得ステップ
Ｓ１３０ ：処理ステップ
Ｓ１３１ ：制御ステップ
Ｓ１３２ ：選択ステップ
Ｓ１３３ ：対象データ生成ステップ
Ｓ１４０ ：音声認識ステップ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】