特開2023-168391情報処理装置、情報処理システム、情報処理方法及びプログラム
(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】P2023168391
(43)【公開日】2023-11-24
(54)【発明の名称】情報処理装置、情報処理システム、情報処理方法及びプログラム
(51)【国際特許分類】
G06F 3/16 20060101AFI20231116BHJP
G10L 15/10 20060101ALI20231116BHJP
G10L 15/32 20130101ALI20231116BHJP
【ＦＩ】
G06F3/16 650
G10L15/10 200W
G10L15/32 220C
G06F3/16 620
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023152926
(22)【出願日】2023-09-20
(62)【分割の表示】P 2021111146の分割
【原出願日】2021-07-02
(71)【出願人】
【識別番号】398018021
【氏名又は名称】株式会社アドバンスト・メディア
(74)【代理人】
【識別番号】100127384
【弁理士】
【氏名又は名称】坊野 康博
(72)【発明者】
【氏名】鈴木 清幸
(72)【発明者】
【氏名】吉川 洋太郎
(57)【要約】
【課題】音声認識を用いて情報を入力する際に、より迅速かつ適切に音声入力結果を得ること。
【解決手段】情報処理装置１は、音声認識処理部５３と、認識結果演算部５４と、を備える。音声認識処理部５３は、複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する。認識結果演算部５４は、音声認識処理部５３によって取得された複数の音声認識結果において、第１の音声認識結果と第２の音声認識結果とを論理演算することにより、文字列のデータを取得する。
【選択図】図８
【解決手段】情報処理装置１は、音声認識処理部５３と、認識結果演算部５４と、を備える。音声認識処理部５３は、複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する。認識結果演算部５４は、音声認識処理部５３によって取得された複数の音声認識結果において、第１の音声認識結果と第２の音声認識結果とを論理演算することにより、文字列のデータを取得する。
【選択図】図８
【特許請求の範囲】
【請求項1】
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識手段と、
前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段と、
前記特定単語認識手段によって前記特定の単語が出力されることに対応して、前記操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得手段と、
前記操作内容取得手段によって取得された前記ユーザインターフェース画面に対する操作内容を実行する実行手段と、
を備えることを特徴とする情報処理装置。
前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段と、
前記特定単語認識手段によって前記特定の単語が出力されることに対応して、前記操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得手段と、
前記操作内容取得手段によって取得された前記ユーザインターフェース画面に対する操作内容を実行する実行手段と、
を備えることを特徴とする情報処理装置。
【請求項2】
前記特定の単語に対応付けられた前記操作内容として、前記ユーザインターフェース画面における指示操作を行うためのコマンド、及び、前記ユーザインターフェース画面に対するデータの入力を行うためのプロパティが定義され、
前記特定単語認識手段は、前記コマンドまたはプロパティを表す音声が入力された場合に、前記コマンドまたは前記プロパティを表す単語の文字列のデータを音声認識結果として出力し、
前記実行手段は、前記コマンドまたは前記プロパティとして定義された前記ユーザインターフェース画面に対する操作内容を実行することを特徴とする請求項１に記載の情報処理装置。
前記特定単語認識手段は、前記コマンドまたはプロパティを表す音声が入力された場合に、前記コマンドまたは前記プロパティを表す単語の文字列のデータを音声認識結果として出力し、
前記実行手段は、前記コマンドまたは前記プロパティとして定義された前記ユーザインターフェース画面に対する操作内容を実行することを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記コマンドは、前記ユーザインターフェース画面の領域を選択する１または複数のプロセスによって構成され、
前記プロパティは、前記ユーザインターフェース画面に対するデータを入力するための１つのプロセスによって構成されることを特徴とする請求項２に記載の情報処理装置。
前記プロパティは、前記ユーザインターフェース画面に対するデータを入力するための１つのプロセスによって構成されることを特徴とする請求項２に記載の情報処理装置。
【請求項4】
入力された音声の文字列のデータを音声認識結果として出力するディクテーションのための音声認識手段を備え、
前記特定単語認識手段及び前記ディクテーションのための前記音声認識手段による音声認識を並列的に実行することを特徴とする請求項１から３に記載の情報処理装置。
前記特定単語認識手段及び前記ディクテーションのための前記音声認識手段による音声認識を並列的に実行することを特徴とする請求項１から３に記載の情報処理装置。
【請求項5】
入力された音声の文字列のデータを音声認識結果として出力するディクテーションのための音声認識手段を備え、
前記実行手段は、前記コマンドとしてフリーテキスト入力欄への入力を実行する場合、当該フリーテキスト入力欄を選択するプロセス、及び、入力されるフリーテキストを前記ディクテーションのための前記音声認識手段によって取得するプロセスを実行することを特徴とする請求項２または３に記載の情報処理装置。
前記実行手段は、前記コマンドとしてフリーテキスト入力欄への入力を実行する場合、当該フリーテキスト入力欄を選択するプロセス、及び、入力されるフリーテキストを前記ディクテーションのための前記音声認識手段によって取得するプロセスを実行することを特徴とする請求項２または３に記載の情報処理装置。
【請求項6】
前記特定単語認識手段及び前記ディクテーションのための前記音声認識手段において用いられる音声認識エンジンを操作内容に応じて選択する音声認識エンジン選択手段を備えることを特徴とする請求項４または５に記載の情報処理装置。
【請求項7】
前記操作内容取得手段は、ユーザの制御対象装置に対する指示の発話の音声認識結果を解析することにより、当該音声認識結果に含まれる前記特定の単語に対応付けられた前記操作内容を取得し、
前記実行手段は、ユーザの前記制御対象装置に対する指示の発話の音声データまたは当該音声データの音声認識結果を蓄積し、設定されたタイミングで、前記操作内容取得手段によって取得された前記操作内容を自動的に実行することを特徴とする請求項１から６のいずれか１項に記載の情報処理装置。
前記実行手段は、ユーザの前記制御対象装置に対する指示の発話の音声データまたは当該音声データの音声認識結果を蓄積し、設定されたタイミングで、前記操作内容取得手段によって取得された前記操作内容を自動的に実行することを特徴とする請求項１から６のいずれか１項に記載の情報処理装置。
【請求項8】
前記実行手段は、前記制御対象装置を制御するアプリケーションを動作させることにより、当該制御対象装置を自動運転することを特徴とする請求項７に記載の情報処理装置。
【請求項9】
複数の情報処理装置を含む情報処理システムであって、
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識手段と、
前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段と、
前記特定単語認識手段によって前記特定の単語が出力されることに対応して、前記操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得手段と、
前記操作内容取得手段によって取得された前記ユーザインターフェース画面に対する操作内容を実行する実行手段と、
を備えることを特徴とする情報処理システム。
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識手段と、
前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段と、
前記特定単語認識手段によって前記特定の単語が出力されることに対応して、前記操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得手段と、
前記操作内容取得手段によって取得された前記ユーザインターフェース画面に対する操作内容を実行する実行手段と、
を備えることを特徴とする情報処理システム。
【請求項10】
１または複数の情報処理装置が実行する情報処理方法であって、
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識ステップと、
前記特定単語認識ステップにおいて前記特定の単語が出力されることに対応して、前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得ステップと、
前記操作内容取得ステップにおいて取得された前記ユーザインターフェース画面に対する操作内容を実行する実行ステップと、
を含むことを特徴とする情報処理方法。
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識ステップと、
前記特定単語認識ステップにおいて前記特定の単語が出力されることに対応して、前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得ステップと、
前記操作内容取得ステップにおいて取得された前記ユーザインターフェース画面に対する操作内容を実行する実行ステップと、
を含むことを特徴とする情報処理方法。
【請求項11】
コンピュータに、
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識機能と、
前記特定単語認識機能によって前記特定の単語が出力されることに対応して、前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得機能と、
前記操作内容取得機能によって取得された前記ユーザインターフェース画面に対する操作内容を実行する実行機能と、
を実現させることを特徴とするプログラム。
特定の単語の発音を表す音声が入力された場合に、当該特定の単語の文字列のデータを音声認識結果として出力する特定単語認識機能と、
前記特定単語認識機能によって前記特定の単語が出力されることに対応して、前記特定の単語と、ユーザインターフェース画面に対する操作内容とが対応付けて記憶された操作内容データ記憶手段を参照し、当該特定の単語に対応付けられた前記ユーザインターフェース画面に対する操作内容を取得する操作内容取得機能と、
前記操作内容取得機能によって取得された前記ユーザインターフェース画面に対する操作内容を実行する実行機能と、
を実現させることを特徴とするプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理システム、情報処理方法及びプログラムに関する。
【背景技術】
【0002】
従来、音声認識を用いて情報を入力する技術が知られている。
例えば、特許文献１には、Ｎ個の音声認識エンジンを並列で動作させ、それぞれの音声認識結果をＭ個の言語理解処理部に入力して、Ｍ×Ｎ個のアウトプットを統合処理部で統合して、音声入力の結果を得る技術が開示されている。
例えば、特許文献１には、Ｎ個の音声認識エンジンを並列で動作させ、それぞれの音声認識結果をＭ個の言語理解処理部に入力して、Ｍ×Ｎ個のアウトプットを統合処理部で統合して、音声入力の結果を得る技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１０－１７０１３７号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、従来の技術においては、音声認識結果に対して言語処理を行い、所定の単語を特定化し除外する等の手順を経て、適切な入力結果を得ることとしている。
このような手順を経ることによって入力結果を得る場合、言語処理に相当な時間を要するために、リアルタイムな音声入力に支障を生じる等、充分な処理速度を得ることが困難となる。
また、言語処理の結果が目的とする精度を充足するものでない場合、適切な音声入力結果を得ることができない。
このように、従来の技術においては、音声認識を用いて情報を入力する際に、迅速かつ適切に情報を入力することが困難であった。
このような手順を経ることによって入力結果を得る場合、言語処理に相当な時間を要するために、リアルタイムな音声入力に支障を生じる等、充分な処理速度を得ることが困難となる。
また、言語処理の結果が目的とする精度を充足するものでない場合、適切な音声入力結果を得ることができない。
このように、従来の技術においては、音声認識を用いて情報を入力する際に、迅速かつ適切に情報を入力することが困難であった。
【0005】
本発明の課題は、音声認識を用いて情報を入力する際に、より迅速かつ適切に情報を入力することである。
【課題を解決するための手段】
【0006】
上記目的を達成するため、本発明の一態様の情報処理装置は、
複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する音声認識手段と、
前記音声認識手段によって取得された複数の音声認識結果において、第１の音声認識結果と第２の音声認識結果とを論理演算することにより、文字列のデータを取得する論理演算手段と、
を備えることを特徴とする。
複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する音声認識手段と、
前記音声認識手段によって取得された複数の音声認識結果において、第１の音声認識結果と第２の音声認識結果とを論理演算することにより、文字列のデータを取得する論理演算手段と、
を備えることを特徴とする。
【0007】
また、本発明の他の態様の情報処理装置は、
ユーザの制御対象装置に対する指示の発話を音声認識する音声認識手段と、
前記音声認識手段によって取得された音声認識結果を解析することにより、前記指示に対応する処理内容を取得する解析手段と、
前記音声認識手段によって取得された音声認識結果を蓄積し、設定されたタイミングで、前記解析手段によって取得された前記処理内容を自動的に実行する自動実行手段と、
を備えることを特徴とする。
ユーザの制御対象装置に対する指示の発話を音声認識する音声認識手段と、
前記音声認識手段によって取得された音声認識結果を解析することにより、前記指示に対応する処理内容を取得する解析手段と、
前記音声認識手段によって取得された音声認識結果を蓄積し、設定されたタイミングで、前記解析手段によって取得された前記処理内容を自動的に実行する自動実行手段と、
を備えることを特徴とする。
【0008】
また、本発明の他の態様の情報処理装置は、
アプリケーションの入力インターフェースに対する操作のための音声を認識する音声認識手段と、
前記アプリケーションの入力インターフェースに対する操作を表す１または複数のプロセスによって構成される操作内容データを記憶する操作内容データ記憶手段と、
前記音声認識手段によって、前記操作内容データを識別する発話が認識された場合に、当該発話によって識別される前記操作内容データを前記操作内容データ記憶手段から読み出し、前記操作内容データを構成する前記１または複数のプロセスに対応する操作を前記入力インターフェースに対して実行する操作実行手段と、
を備えることを特徴とする。
アプリケーションの入力インターフェースに対する操作のための音声を認識する音声認識手段と、
前記アプリケーションの入力インターフェースに対する操作を表す１または複数のプロセスによって構成される操作内容データを記憶する操作内容データ記憶手段と、
前記音声認識手段によって、前記操作内容データを識別する発話が認識された場合に、当該発話によって識別される前記操作内容データを前記操作内容データ記憶手段から読み出し、前記操作内容データを構成する前記１または複数のプロセスに対応する操作を前記入力インターフェースに対して実行する操作実行手段と、
を備えることを特徴とする。
【0009】
また、本発明の他の態様の情報処理装置は、
１つの音声認識処理による音声認識結果に対して、異なる機能を有する複数の処理を並列的に実行することにより、複数の処理結果を取得する処理結果取得手段と、
前記処理結果取得手段によって取得された複数の処理結果において、第１の処理結果と第２の処理結果とを論理演算することにより、文字列のデータを取得する論理演算手段と、
を備えることを特徴とする。
１つの音声認識処理による音声認識結果に対して、異なる機能を有する複数の処理を並列的に実行することにより、複数の処理結果を取得する処理結果取得手段と、
前記処理結果取得手段によって取得された複数の処理結果において、第１の処理結果と第２の処理結果とを論理演算することにより、文字列のデータを取得する論理演算手段と、
を備えることを特徴とする。
【0010】
また、本発明の一態様の情報処理システムは、
複数の情報処理装置を含む情報処理システムであって、
前記複数の情報処理装置のいずれかに入力された音声を音声認識処理する音声認識手段と、
前記音声認識処理による音声認識結果の構文を解析する構文解析手段と、
前記構文解析手段の解析結果に基づいて、アプリケーションに対する情報の入力を制御する情報入力手段と、
前記情報入力手段による前記アプリケーションに対する情報の入力に従って、当該アプリケーションを実行するアプリケーション実行手段と、
を備えることを特徴とする。
複数の情報処理装置を含む情報処理システムであって、
前記複数の情報処理装置のいずれかに入力された音声を音声認識処理する音声認識手段と、
前記音声認識処理による音声認識結果の構文を解析する構文解析手段と、
前記構文解析手段の解析結果に基づいて、アプリケーションに対する情報の入力を制御する情報入力手段と、
前記情報入力手段による前記アプリケーションに対する情報の入力に従って、当該アプリケーションを実行するアプリケーション実行手段と、
を備えることを特徴とする。
【発明の効果】
【0011】
本発明によれば、音声認識を用いて情報を入力する際に、より迅速かつ適切に情報を入力することができる。
【図面の簡単な説明】
【0012】
【図1】情報処理装置１のハードウェア構成を示す模式図である。
【図2】情報処理装置１の機能的構成を示すブロック図である。
【図3】音声認識処理部５３がディクテーション及び単語抽出の音声認識処理を行う場合の情報処理装置１の機能構成例を示す模式図である。
【図4】情報処理装置１が実行する音声認識・演算処理の流れを示すフローチャートである。
【図5】音声認識・演算処理のステップＳ３において実行される並列音声認識処理の流れを示すフローチャートである。
【図6】情報処理装置１による処理が適用されるアプリケーションの具体例を示す模式図である。
【図7】音声認識処理部５３の音声認識結果の一例を示す模式図である。
【図8】第２実施形態に係る情報処理装置１の機能的構成を示すブロック図である。
【図9】情報処理装置１が実行する音声入力インターフェース構築処理の流れを示すフローチャートである。
【図10】情報処理装置１が実行する情報入力処理の流れを示すフローチャートである。
【図13】複数画面に渡る情報入力を行う場合の概念を示す模式図である。
【図14】１つの音声認識エンジンによって音声認識処理された結果を異なる機能を有する複数の処理部によって並列的に処理する情報処理装置１の機能構成例を示す模式図である。
【図15】第４実施形態における情報処理装置１が実行する情報入力処理の流れを示すフローチャートである。
【図16】情報処理装置１によって構成される情報処理システムＳの構成を示す模式図である。
【図17】複数ユーザの協業を支援する情報処理システムＳの機能を示す模式図である。
【発明を実施するための形態】
【0013】
以下、本発明の実施形態について、図面を用いて説明する。
［第１実施形態］
本実施形態に係る情報処理装置は、入力された音声のデータを複数の音声認識エンジンを用いて並列的に音声認識処理し、複数の音声認識結果を組み合わせて利用することにより、複数の音声認識結果それぞれを集合させた情報よりも有用な情報を取得する。例えば、本実施形態に係る情報処理装置は、音声認識結果における時間情報を参照しながら、複数の音声認識結果それぞれに含まれる情報を論理演算（除外や置換等）することにより、１つの音声認識処理における音声認識結果のみからは抽出することが困難な情報をさらに取得する。
これにより、本実施形態に係る情報処理装置では、音声認識を用いて情報を入力する際に、より迅速かつ適切な音声入力結果を得ることを可能としている。
以下、本実施形態に係る情報処理装置を具体的に説明する。
［第１実施形態］
本実施形態に係る情報処理装置は、入力された音声のデータを複数の音声認識エンジンを用いて並列的に音声認識処理し、複数の音声認識結果を組み合わせて利用することにより、複数の音声認識結果それぞれを集合させた情報よりも有用な情報を取得する。例えば、本実施形態に係る情報処理装置は、音声認識結果における時間情報を参照しながら、複数の音声認識結果それぞれに含まれる情報を論理演算（除外や置換等）することにより、１つの音声認識処理における音声認識結果のみからは抽出することが困難な情報をさらに取得する。
これにより、本実施形態に係る情報処理装置では、音声認識を用いて情報を入力する際に、より迅速かつ適切な音声入力結果を得ることを可能としている。
以下、本実施形態に係る情報処理装置を具体的に説明する。
【0014】
［ハードウェア構成］
図１は、情報処理装置１のハードウェア構成を示す模式図である。
図１に示すように、情報処理装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、バス１４と、入力部１５と、出力部１６と、記憶部１７と、通信部１８と、ドライブ１９と、撮像部２０と、を備えている。
図１は、情報処理装置１のハードウェア構成を示す模式図である。
図１に示すように、情報処理装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、バス１４と、入力部１５と、出力部１６と、記憶部１７と、通信部１８と、ドライブ１９と、撮像部２０と、を備えている。
【0015】
ＣＰＵ１１は、ＲＯＭ１２に記録されているプログラム、または、記憶部１７からＲＡＭ１３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
【0016】
ＣＰＵ１１、ＲＯＭ１２及びＲＡＭ１３は、バス１４を介して相互に接続されている。バス１４には、入力部１５、出力部１６、記憶部１７、通信部１８及びドライブ１９が接続されている。
【0017】
入力部１５は、情報処理装置１に対する各種情報の入力を受け付ける。本実施形態において、入力部１５は、マウスやキーボード等によって表示画面を介した操作入力を受け付ける操作入力部１５ａと、マイク等によって音声の入力を受け付ける音声入力部１５ｂとを備えている。
出力部１６は、ディスプレイやスピーカ等で構成され、画像や音声を出力する。
記憶部１７は、ハードディスクあるいはＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、各サーバで管理される各種データを記憶する。
通信部１８は、ネットワークを介して他の装置との間で行う通信を制御する。
出力部１６は、ディスプレイやスピーカ等で構成され、画像や音声を出力する。
記憶部１７は、ハードディスクあるいはＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、各サーバで管理される各種データを記憶する。
通信部１８は、ネットワークを介して他の装置との間で行う通信を制御する。
【0018】
ドライブ１９には、磁気ディスク、光ディスク、光磁気ディスク、あるいは半導体メモリ等よりなる、リムーバブルメディア３１が適宜装着される。ドライブ１９によってリムーバブルメディア３１から読み出されたプログラムは、必要に応じて記憶部１７にインストールされる。
撮像部２０は、レンズ及び撮像素子等を備えた撮像装置によって構成され、被写体のデジタル画像を撮像する。
なお、上記ハードウェア構成は、情報処理装置１の基本的構成であり、一部のハードウェアを備えない構成としたり、付加的なハードウェアを備えたり、ハードウェアの実装形態を変更したりすることができる。例えば、情報処理装置１は、撮像部２０を備えない構成としたり、音声認識処理を高速に実行するためのＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）を備えたりすることができる。また、情報処理装置１は、入力部１５をタッチセンサによって構成し、出力部１６のディスプレイに重ねて配置することにより、タッチパネルを備える構成とすることも可能である。
撮像部２０は、レンズ及び撮像素子等を備えた撮像装置によって構成され、被写体のデジタル画像を撮像する。
なお、上記ハードウェア構成は、情報処理装置１の基本的構成であり、一部のハードウェアを備えない構成としたり、付加的なハードウェアを備えたり、ハードウェアの実装形態を変更したりすることができる。例えば、情報処理装置１は、撮像部２０を備えない構成としたり、音声認識処理を高速に実行するためのＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）を備えたりすることができる。また、情報処理装置１は、入力部１５をタッチセンサによって構成し、出力部１６のディスプレイに重ねて配置することにより、タッチパネルを備える構成とすることも可能である。
【0019】
［機能的構成］
次に、情報処理装置１の機能的構成について説明する。
図２は、情報処理装置１の機能的構成を示すブロック図である。
図２に示すように、情報処理装置１のＣＰＵ１１においては、音声データ受付部５１と、前処理部５２と、音声認識処理部５３と、認識結果演算部５４と、アプリケーション実行部５５と、が機能する。また、情報処理装置１の記憶部１７には、音声認識辞書データベース（音声認識辞書ＤＢ）７１と、単語辞書データベース（単語辞書ＤＢ）７２と、音声認識結果データベース（音声認識結果ＤＢ）７３と、が形成される。
なお、本実施形態においては、音声認識処理を実行する音声認識エンジンとして、入力された音声データ全体をテキストデータに変換するディクテーションを目的としたものと、音声データに含まれる特定の単語を抽出してテキストデータに変換する単語抽出の音声認識処理を目的としたものが用いられる。
次に、情報処理装置１の機能的構成について説明する。
図２は、情報処理装置１の機能的構成を示すブロック図である。
図２に示すように、情報処理装置１のＣＰＵ１１においては、音声データ受付部５１と、前処理部５２と、音声認識処理部５３と、認識結果演算部５４と、アプリケーション実行部５５と、が機能する。また、情報処理装置１の記憶部１７には、音声認識辞書データベース（音声認識辞書ＤＢ）７１と、単語辞書データベース（単語辞書ＤＢ）７２と、音声認識結果データベース（音声認識結果ＤＢ）７３と、が形成される。
なお、本実施形態においては、音声認識処理を実行する音声認識エンジンとして、入力された音声データ全体をテキストデータに変換するディクテーションを目的としたものと、音声データに含まれる特定の単語を抽出してテキストデータに変換する単語抽出の音声認識処理を目的としたものが用いられる。
【0020】
音声認識辞書ＤＢ７１には、複数の音声認識エンジンそれぞれが使用する各種辞書及びモデル（音響モデル、言語モデル及び発音辞書等）のデータが記憶されている。例えば、音声認識辞書ＤＢ７１には、音声の特徴量と音素モデルとが対応付けて格納された音響モデル、文字列あるいは単語列が言語として用いられるパターンを統計処理した結果が格納された言語モデル、及び、言語モデルの単語と音響モデルの音素とが対応付けて格納された発音辞書のデータが記憶されている。
【0021】
単語辞書ＤＢ７２には、抽出対象となる単語が予め登録された単語抽出用の辞書が記憶されている。本実施形態において、単語辞書ＤＢ７２には、単語抽出の音声認識処理を実行する複数の音声認識エンジンそれぞれが使用する単語抽出用の辞書が記憶されている。単語辞書ＤＢ７２の各単語には、読み（発音）が付されており、単語抽出の音声認識処理が実行される場合、読み（発音）の情報を基に、予め登録された単語が抽出される。これにより、音声認識の精度と速度の向上を図ることができる。
音声認識結果ＤＢ７３には、音声認識結果（後述する最終認識結果を含む。）のデータが、入力された音声データ及びそれに含まれる単語の発話開始時刻及び発話終了時刻と対応付けて記憶されている。
音声認識結果ＤＢ７３には、音声認識結果（後述する最終認識結果を含む。）のデータが、入力された音声データ及びそれに含まれる単語の発話開始時刻及び発話終了時刻と対応付けて記憶されている。
【0022】
音声データ受付部５１は、入力部１５の音声入力部１５ｂを介して入力された音声データを受け付ける。音声データ受付部５１によって受け付けられた音声データは、音声認識結果ＤＢ７３に記憶されると共に、前処理部５２に出力される。
前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
【0023】
音声認識処理部５３は、前処理が実行された後の音声データに対し、複数の音声認識エンジンによって、並列的に音声認識処理を実行する。音声認識処理によって取得された各音声認識結果は、音声認識結果ＤＢ７３に記憶されると共に、認識結果演算部５４に出力される。図２に示すように、音声認識処理部５３は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎ（ｎは２以上の整数）を備えており、第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、それぞれ異なる音声認識エンジンを用いて音声認識処理を実行する。第１音声認識部５３－１～第ｎ音声認識部５３－ｎにおいて、いずれの音声認識エンジンを用いた音声認識処理を実行するか、及び、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの数をいくつとするかについては、情報処理装置１の使用目的や情報処理能力等の具体的な実装条件に応じて決定することができる。
なお、音声認識処理部５３は、フィラー除去等の補助的な処理を適宜実行することとしてもよい。
なお、音声認識処理部５３は、フィラー除去等の補助的な処理を適宜実行することとしてもよい。
【0024】
認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果に基づいて、音声認識処理の目的となる処理結果（以下、「最終認識結果」と称する。）を取得する。認識結果演算部５４によって取得された最終認識結果は、音声認識結果ＤＢ７３に記憶されると共に、アプリケーション実行部５５に出力される。本実施形態において、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果を組み合わせて、最終認識結果を取得することができる。例えば、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果の１つに対して、他の音声認識結果を除外したり、置換したりした演算結果を最終認識結果とすることができる。また、認識結果演算部５４は、その演算結果をさらに処理した結果（演算結果から抽出された単語等）を最終認識結果とすることができる。なお、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果のいずれかを選択して、最終認識結果としてもよい。
【0025】
アプリケーション実行部５５は、認識結果演算部５４によって取得された最終認識結果に基づいて、アプリケーションを実行する。例えば、アプリケーション実行部５５は、認識結果演算部５４によって取得された最終認識結果を、アプリケーションに対する操作のためのコマンドのデータや入力される実体的なデータを表すデータ列とすることにより、アプリケーションにおける所定の動作を実行する。これにより、認識結果演算部５４によって取得された最終認識結果が、操作入力部１５ａを介した操作入力に代わるアプリケーションの操作手段として機能する。
【0026】
［具体的機能構成例］
図３は、音声認識処理部５３がディクテーション及び単語抽出の音声認識処理を行う場合の情報処理装置１の機能構成例を示す模式図である。
図３に示すように、音声認識処理部５３がディクテーション及び単語抽出の音声認識処理を行う場合、音声認識処理部５３において、第１音声認識部５３－１と、第２音声認識部５３－２とが形成される。
図３は、音声認識処理部５３がディクテーション及び単語抽出の音声認識処理を行う場合の情報処理装置１の機能構成例を示す模式図である。
図３に示すように、音声認識処理部５３がディクテーション及び単語抽出の音声認識処理を行う場合、音声認識処理部５３において、第１音声認識部５３－１と、第２音声認識部５３－２とが形成される。
【0027】
第１音声認識部５３－１は、ディクテーション音声認識部５０１と、第１認識結果特定部５０２と、第１認識結果出力部５０３と、を備えている。
ディクテーション音声認識部５０１は、ディクテーションを行うための音声認識エンジンにより音声データを処理し、入力された音声データ全体をテキストデータに変換する。
第１認識結果特定部５０２は、ディクテーション音声認識部５０１の処理結果から、音声認識結果を一意に特定する。例えば、第１認識結果特定部５０２は、ディクテーション音声認識部５０１によって取得された音声認識結果の候補の中から、音声認識処理の過程で付与されるスコアに基づいて、最も確度が高いものを音声認識結果として特定する。
第１認識結果出力部５０３は、第１認識結果特定部５０２によって特定された音声認識結果を認識結果演算部５４に出力する。
ディクテーション音声認識部５０１は、ディクテーションを行うための音声認識エンジンにより音声データを処理し、入力された音声データ全体をテキストデータに変換する。
第１認識結果特定部５０２は、ディクテーション音声認識部５０１の処理結果から、音声認識結果を一意に特定する。例えば、第１認識結果特定部５０２は、ディクテーション音声認識部５０１によって取得された音声認識結果の候補の中から、音声認識処理の過程で付与されるスコアに基づいて、最も確度が高いものを音声認識結果として特定する。
第１認識結果出力部５０３は、第１認識結果特定部５０２によって特定された音声認識結果を認識結果演算部５４に出力する。
【0028】
第２音声認識部５３－２は、単語抽出音声認識部５１１と、第２認識結果特定部５１２と、第２認識結果出力部５１３と、を備えている。
単語抽出音声認識部５１１は、単語抽出の音声認識処理（ここでは、ルールグラマーの音声認識処理またはＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いた音声認識処理とする。）を行うための音声認識エンジンにより音声データを処理し、音声データに含まれる特定の単語を抽出してテキストデータに変換する。
第２認識結果特定部５１２は、単語抽出音声認識部５１１の処理結果から、音声認識結果を一意に特定する。例えば、第２認識結果特定部５１２は、単語抽出音声認識部５１１によって取得された音声認識結果の候補において、同音異字語の中から、単語辞書ＤＢ７２に登録されている単語を音声認識結果として特定する。
第２認識結果出力部５１３は、第２認識結果特定部５１２によって特定された音声認識結果を認識結果演算部５４に出力する。
単語抽出音声認識部５１１は、単語抽出の音声認識処理（ここでは、ルールグラマーの音声認識処理またはＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いた音声認識処理とする。）を行うための音声認識エンジンにより音声データを処理し、音声データに含まれる特定の単語を抽出してテキストデータに変換する。
第２認識結果特定部５１２は、単語抽出音声認識部５１１の処理結果から、音声認識結果を一意に特定する。例えば、第２認識結果特定部５１２は、単語抽出音声認識部５１１によって取得された音声認識結果の候補において、同音異字語の中から、単語辞書ＤＢ７２に登録されている単語を音声認識結果として特定する。
第２認識結果出力部５１３は、第２認識結果特定部５１２によって特定された音声認識結果を認識結果演算部５４に出力する。
【0029】
このように、第１音声認識部５３－１によって出力されたディクテーション結果と、第２音声認識部５３－２によって出力（抽出）された単語とに基づいて、認識結果演算部５４は、音声認識結果の論理演算を実行することができる。例えば、第２音声認識部５３－２によって出力される単語は、音声認識結果としての確度が高いものであるため、認識結果演算部５４は、第１音声認識部５３－１によって出力されたディクテーション結果から、第２音声認識部５３－２によって出力された単語の時間情報（単語の発話開始時刻と発話終了時刻）を参照してその単語を除外し、除外後の音声認識結果に含まれるテキストデータを対象として、単語の抽出を行うこと等が可能である。これにより、音声データが入力された場合に、音声データ全体を広範に認識した音声認識結果の中で、確度がより高い音声認識結果（抽出された単語）が得られている部分については、確度がより高い音声認識結果を採用して最終認識結果とすること等が可能となる。なお、本実施形態においては、第１音声認識部５３－１によって出力されたディクテーション結果と、第２音声認識部５３－２によって出力された単語とを組み合わせて最終認識結果を取得する場合、それぞれの音声認識結果における時間情報を参照し、２つの音声認識結果における対応関係を正確に合致させて、論理演算が行われる。
【0030】
［動作］
次に、情報処理装置１の動作を説明する。
［音声認識・演算処理］
図４は、情報処理装置１が実行する音声認識・演算処理の流れを示すフローチャートである。
音声認識・演算処理は、情報処理装置１において、音声認識・演算処理の実行を指示する操作が行われることに対応して開始される。
次に、情報処理装置１の動作を説明する。
［音声認識・演算処理］
図４は、情報処理装置１が実行する音声認識・演算処理の流れを示すフローチャートである。
音声認識・演算処理は、情報処理装置１において、音声認識・演算処理の実行を指示する操作が行われることに対応して開始される。
【0031】
音声認識・演算処理が開始されると、ステップＳ１において、音声データ受付部５１は、処理対象となる音声データの入力を受け付ける。
ステップＳ２において、前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
ステップＳ３において、音声認識処理部５３は、前処理が実行された後の音声データに対し、複数の音声認識エンジンによって、並列的に音声認識処理を実行する。具体的には、ステップＳ３において、音声認識処理部５３は、並列音声認識処理（図５参照）を実行する。
ステップＳ４において、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果に基づいて（例えば、論理演算する等）、音声認識処理の目的となる最終認識結果を取得する。
ステップＳ２において、前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
ステップＳ３において、音声認識処理部５３は、前処理が実行された後の音声データに対し、複数の音声認識エンジンによって、並列的に音声認識処理を実行する。具体的には、ステップＳ３において、音声認識処理部５３は、並列音声認識処理（図５参照）を実行する。
ステップＳ４において、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果に基づいて（例えば、論理演算する等）、音声認識処理の目的となる最終認識結果を取得する。
【0032】
ステップＳ５において、アプリケーション実行部５５は、認識結果演算部５４によって取得された最終認識結果に基づいて、アプリケーションを実行する。
ステップＳ６において、音声認識処理部５３は、処理対象となる音声データの入力が終了したか否かの判定を行う。
処理対象となる音声データの入力が終了していない場合、ステップＳ６において、ＮＯと判定されて、処理はステップＳ１に移行する。
一方、処理対象となる音声データの入力が終了した場合、ステップＳ６において、ＹＥＳと判定されて、音声認識・演算処理は終了する。
ステップＳ６において、音声認識処理部５３は、処理対象となる音声データの入力が終了したか否かの判定を行う。
処理対象となる音声データの入力が終了していない場合、ステップＳ６において、ＮＯと判定されて、処理はステップＳ１に移行する。
一方、処理対象となる音声データの入力が終了した場合、ステップＳ６において、ＹＥＳと判定されて、音声認識・演算処理は終了する。
【0033】
［並列音声認識処理］
次に、音声認識・演算処理のステップＳ３においてサブフローとして実行される並列音声認識処理について説明する。
図５は、音声認識・演算処理のステップＳ３において実行される並列音声認識処理の流れを示すフローチャートである。
並列音声認識処理が開始されると、ステップＳ３１－１～Ｓ３１－ｎにおいて、第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、それぞれの音声認識エンジンによって、第１の音声認識処理～第ｎの音声認識処理を並列的に実行する。
次に、音声認識・演算処理のステップＳ３においてサブフローとして実行される並列音声認識処理について説明する。
図５は、音声認識・演算処理のステップＳ３において実行される並列音声認識処理の流れを示すフローチャートである。
並列音声認識処理が開始されると、ステップＳ３１－１～Ｓ３１－ｎにおいて、第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、それぞれの音声認識エンジンによって、第１の音声認識処理～第ｎの音声認識処理を並列的に実行する。
【0034】
ステップＳ３２－１～ステップＳ３２－ｎにおいて、第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、第１の音声認識処理～第ｎの音声認識処理の処理結果において、それぞれの音声認識結果を一意に特定する。
ステップＳ３３－１～Ｓ３３－ｎにおいて、第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、特定された第１の音声認識処理～第ｎの音声認識処理の音声認識結果を認識結果演算部５４に出力する。
ステップＳ３３－１～Ｓ３３－ｎの後、処理は音声認識・演算処理に戻る。
ステップＳ３３－１～Ｓ３３－ｎにおいて、第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、特定された第１の音声認識処理～第ｎの音声認識処理の音声認識結果を認識結果演算部５４に出力する。
ステップＳ３３－１～Ｓ３３－ｎの後、処理は音声認識・演算処理に戻る。
【0035】
［適用されるアプリケーションの具体例］
図６は、情報処理装置１による処理が適用されるアプリケーションの具体例を示す模式図である。
図６に示すように、情報処理装置１による処理は、電子カルテのアプリケーションに対する画面入力に適用することが可能である。
図６は、情報処理装置１による処理が適用されるアプリケーションの具体例を示す模式図である。
図６に示すように、情報処理装置１による処理は、電子カルテのアプリケーションに対する画面入力に適用することが可能である。
【0036】
図６に示す画面例では、患者の識別番号を入力する「患者」フィールドと、患者の氏名を入力する「患者氏名」フィールドと、患者の年齢を入力する「年齢」フィールドと、患者の性別を入力する「性別」フィールドとが画面上覧に表示されている。また、画面中央には、所見の入力対象として、「肝臓」、「門脈」、「胆嚢」、「肝外胆管」、「膵臓」、「脾臓」、「腎臓」、「大動脈」、「その他の所見」を表すタブが表示され、図６に示す画面例では、「肝臓」のタブが選択された状態が示されている。「肝臓」タブの表示領域には、肝臓に関する所見を入力する複数のフィールドが表示されており、例えば、肝臓の外観的な所見を表す「辺縁」フィールド、「表面」フィールド、「実質」フィールド、肝内胆管の所見を表す「拡張」フィールド、「内部異物」フィールド、「大きさ」フィールド、腫瘤の所見を表す「腫瘤大きさ」フィールド、「形状」フィールド、「エコーレベル」フィールド、「局在」フィールド、備考をフリーテキスト入力する「備考入力」フィールドが表示されている。さらに、画面下欄には、病名を入力する「病名」フィールドが複数表示されている。
【0037】
図６に示す電子カルテの画面入力に操作入力部１５ａのマウスやキーボード等を用いる場合、入力を行うフィールドを探索して選択し、プルダウン表示されたメニューからいずれかを選択したり、フィールドに文字列を入力したりすることで、データが入力される。
これに対し、音声認識・演算処理によって、図６に示す電子カルテの画面入力を行う場合、操作者は、例えば、入力を行うフィールド名、そのフィールドに入力するデータの発話を繰り返し行うことで、目的とするフィールドにデータを入力することができる。
これに対し、音声認識・演算処理によって、図６に示す電子カルテの画面入力を行う場合、操作者は、例えば、入力を行うフィールド名、そのフィールドに入力するデータの発話を繰り返し行うことで、目的とするフィールドにデータを入力することができる。
【0038】
［音声認識結果の論理演算例］
情報処理装置１において、音声認識・演算処理の結果を用いてアプリケーションを実行（電子カルテの画面入力等）する場合、操作者の発話をディクテーションした音声認識結果と、操作者の発話から特定の単語を抽出する単語抽出の音声認識結果とを組み合わせた最終認識結果が、アプリケーションの実行に適用される。
情報処理装置１において、音声認識・演算処理の結果を用いてアプリケーションを実行（電子カルテの画面入力等）する場合、操作者の発話をディクテーションした音声認識結果と、操作者の発話から特定の単語を抽出する単語抽出の音声認識結果とを組み合わせた最終認識結果が、アプリケーションの実行に適用される。
【0039】
図７は、音声認識処理部５３の音声認識結果の一例を示す模式図である。
図７に示す例では、第１音声認識部５３－１がディクテーションによる音声認識処理を行い、第２音声認識部５３－２～第ｎ音声認識部５３－ｎが単語抽出の音声認識処理を行った状態が示されている。
図７に示す例では、第１音声認識部５３－１がディクテーションによる音声認識処理を行い、第２音声認識部５３－２～第ｎ音声認識部５３－ｎが単語抽出の音声認識処理を行った状態が示されている。
【0040】
第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果には、共通する時間軸における時間情報が付与されており、例えば、第２音声認識部５３－２で抽出された特定の単語が、第１音声認識部５３－１のディクテーションによる音声認識結果において、いずれの時間帯に相当するかが正確に識別可能となっている。
図７に示す例では、第２音声認識部５３－２が、時刻ｔ１～ｔ２において単語Ｗ２－１を抽出し、時刻ｔ３～ｔ４において単語Ｗ２－２を抽出している。また、第ｎ音声認識部５３－ｎが、時刻ｔ５～ｔ６において単語Ｗｎ－１を抽出し、時刻ｔ７～ｔ８において単語Ｗｎ－２を抽出し、時刻ｔ９～ｔ１０において単語Ｗｎ－３を抽出している。
図７に示す例では、第２音声認識部５３－２が、時刻ｔ１～ｔ２において単語Ｗ２－１を抽出し、時刻ｔ３～ｔ４において単語Ｗ２－２を抽出している。また、第ｎ音声認識部５３－ｎが、時刻ｔ５～ｔ６において単語Ｗｎ－１を抽出し、時刻ｔ７～ｔ８において単語Ｗｎ－２を抽出し、時刻ｔ９～ｔ１０において単語Ｗｎ－３を抽出している。
【0041】
ここで、第１音声認識部５３－１では、より汎用性の高い音声認識が行われ、多様な発話を音声認識可能である一方、第２音声認識部５３－２～第ｎ音声認識部５３－ｎでは、特定の単語の発話を待ち受けて抽出するため、抽出された単語の音声認識結果としての確度が高いものとなる。
即ち、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによって単語が抽出されている場合、第１音声認識部５３－１の音声認識結果に含まれる同時間帯のディクテーション結果よりも、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによって抽出された単語の方が、高精度の音声認識結果となる可能性が高い。
即ち、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによって単語が抽出されている場合、第１音声認識部５３－１の音声認識結果に含まれる同時間帯のディクテーション結果よりも、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによって抽出された単語の方が、高精度の音声認識結果となる可能性が高い。
【0042】
このような特徴を利用し、本実施形態においては、例えば、図７において「除外結果」として示すように、第１音声認識部５３－１の音声認識結果から、第２音声認識部５３－２～第ｎ音声認識部５３－ｎの音声認識結果を除外する論理演算を行うことができる。
これにより、ディクテーションによる音声認識結果が用いられる範囲を限定することが可能となる。
これにより、ディクテーションによる音声認識結果が用いられる範囲を限定することが可能となる。
【0043】
また、本実施形態においては、例えば、図７において「置換（再構成）結果」として示すように、第１音声認識部５３－１の音声認識結果において、第２音声認識部５３－２～第ｎ音声認識部５３－ｎの音声認識結果が取得されている部分を、第２音声認識部５３－２～第ｎ音声認識部５３－ｎの音声認識結果（抽出された単語）に置換する論理演算を行うことができる。
これにより、第１音声認識部５３－１のディクテーション結果の一部が、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによる確度の高い音声認識結果に置換され、入力された音声データのディクテーション結果をより高精度なものに再構成することが可能となる。
これにより、第１音声認識部５３－１のディクテーション結果の一部が、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによる確度の高い音声認識結果に置換され、入力された音声データのディクテーション結果をより高精度なものに再構成することが可能となる。
【0044】
また、第２音声認識部５３－２～第ｎ音声認識部５３－ｎによる確度の高い音声認識結果と、その後に続く第１音声認識部５３－１のディクテーション結果とは、その語順により特定のフォーマット（データの入力形式）を構成していると捉えることができるため、そのフォーマットに基づくデータの取得を行うことで、音声認識を用いた情報の入力をより高精度に行うことが可能となる。
【0045】
以上のように、本実施形態における情報処理装置１は、入力された音声のデータを複数の音声認識エンジンを用いて並列的に音声認識処理し、複数の音声認識結果を組み合わせる（論理演算する等）ことにより、複数の音声認識結果それぞれを集合させた情報よりも有用な情報となる最終認識結果を取得する。
そのため、言語処理によって音声認識結果の精度を高める場合に比べ、より迅速な処理が可能であると共に、より高精度な音声認識結果を用いて、最終認識結果を取得することができる。
したがって、音声認識を用いて情報を入力する際に、より迅速かつ適切に音声入力結果を得ることが可能となる。
そのため、言語処理によって音声認識結果の精度を高める場合に比べ、より迅速な処理が可能であると共に、より高精度な音声認識結果を用いて、最終認識結果を取得することができる。
したがって、音声認識を用いて情報を入力する際に、より迅速かつ適切に音声入力結果を得ることが可能となる。
【0046】
［第２実施形態］
次に、本発明の第２実施形態について説明する。
第１実施形態における情報処理装置１では、音声認識処理部５３で並列的に実行される音声認識処理が予め決められている例について説明した。これに対し、本実施形態に係る情報処理装置１は、音声認識処理部５３で並列的に実行される音声認識処理を選択することにより、音声認識処理部５３の構成を動的に変化させたり、状況に応じて特定の音声認識処理を動作させたりすることが可能となっている。
次に、本発明の第２実施形態について説明する。
第１実施形態における情報処理装置１では、音声認識処理部５３で並列的に実行される音声認識処理が予め決められている例について説明した。これに対し、本実施形態に係る情報処理装置１は、音声認識処理部５３で並列的に実行される音声認識処理を選択することにより、音声認識処理部５３の構成を動的に変化させたり、状況に応じて特定の音声認識処理を動作させたりすることが可能となっている。
【0047】
また、第１実施形態における情報処理装置１では、認識結果演算部５４の最終認識結果がアプリケーション実行部５５に順次受け渡され、アプリケーションの実行に適用される例について説明した。これに対し、本実施形態に係る情報処理装置１は、認識結果演算部５４の最終認識結果をアプリケーションの情報入力におけるインターフェースに適合させる機能を実装し、より高精度かつ多様な形態で、アプリケーションを実行するための情報入力を行うことが可能となっている。
以下、本実施形態に係る情報処理装置を具体的に説明する。
なお、以下の説明において、第１実施形態と同様の構成については、第１実施形態の説明を参照することとし、第１実施形態と異なる部分を主として説明する。
以下、本実施形態に係る情報処理装置を具体的に説明する。
なお、以下の説明において、第１実施形態と同様の構成については、第１実施形態の説明を参照することとし、第１実施形態と異なる部分を主として説明する。
【0048】
［機能的構成］
図８は、第２実施形態に係る情報処理装置１の機能的構成を示すブロック図である。
図８に示すように、情報処理装置１のＣＰＵ１１においては、ユーザインターフェース制御部（ＵＩ制御部）１５１と、音声入力インターフェース構築部１５２と、音声認識エンジン選択部１５３と、音声データ受付部５１と、前処理部５２と、音声認識処理部５３と、認識結果演算部５４と、データ入力・プロセス実行部１５５と、アプリケーション実行部５５と、が機能する。また、情報処理装置１の記憶部１７には、音声認識エンジンデータベース（音声認識エンジンＤＢ）１７１と、コマンド・プロパティデータベース（コマンド・プロパティＤＢ）１７２と、音声認識辞書ＤＢ７１と、単語辞書ＤＢ７２と、音声認識結果ＤＢ７３と、が形成される。
これらのうち、音声データ受付部５１、前処理部５２、認識結果演算部５４、アプリケーション実行部５５、音声認識辞書ＤＢ７１、単語辞書ＤＢ７２、及び、音声認識結果ＤＢ７３の構成は、第１実施形態と同様である。
図８は、第２実施形態に係る情報処理装置１の機能的構成を示すブロック図である。
図８に示すように、情報処理装置１のＣＰＵ１１においては、ユーザインターフェース制御部（ＵＩ制御部）１５１と、音声入力インターフェース構築部１５２と、音声認識エンジン選択部１５３と、音声データ受付部５１と、前処理部５２と、音声認識処理部５３と、認識結果演算部５４と、データ入力・プロセス実行部１５５と、アプリケーション実行部５５と、が機能する。また、情報処理装置１の記憶部１７には、音声認識エンジンデータベース（音声認識エンジンＤＢ）１７１と、コマンド・プロパティデータベース（コマンド・プロパティＤＢ）１７２と、音声認識辞書ＤＢ７１と、単語辞書ＤＢ７２と、音声認識結果ＤＢ７３と、が形成される。
これらのうち、音声データ受付部５１、前処理部５２、認識結果演算部５４、アプリケーション実行部５５、音声認識辞書ＤＢ７１、単語辞書ＤＢ７２、及び、音声認識結果ＤＢ７３の構成は、第１実施形態と同様である。
【0049】
音声認識エンジンＤＢ１７１には、情報処理装置１において音声認識処理に用いることが可能な複数種類の音声認識エンジンが記憶されている。例えば、音声認識エンジンＤＢ１７１には、ディクテーションのための複数種類の音声認識エンジンや、単語抽出の音声認識処理を実行するための複数種類の音声認識エンジンが記憶されている。
【0050】
コマンド・プロパティＤＢ１７２には、音声入力によって実行されるアプリケーションのコマンド及びプロパティに関するデータが記憶されている。具体的には、コマンド・プロパティＤＢ１７２には、アプリケーションの入力画面に表示される操作対象となる領域（以下、「操作部」と称する。）の位置と、その操作の名称とが対応付けて記憶されている。本実施形態において、「コマンド」及び「プロパティ」は、アプリケーションにおける動作の単位を表すプロセスによって定義されており、「プロパティ」は１つのプロセスによって表されると共に、「コマンド」は１または複数のプロセスによって表される。例えば、図６に示す電子カルテのアプリケーションにおいて、「プロパティ」は、肝臓の所見を入力する場合の「辺縁」フィールドを選択するプロセスによって定義され、「辺縁」という名称が付されている。また、「コマンド」は、例えば、患者を選択するプロセス、電子カルテを開くプロセス、「肝臓」タブを選択するプロセスの組み合わせによって定義され、「肝臓所見入力」という名称が付されている。音声入力によって「コマンド」及び「プロパティ」が実行される場合、そのコマンドあるいはプロパティに応じて、具体的なデータ（当日の所見等）が併せて音声入力される。
【0051】
ＵＩ制御部１５１は、情報処理装置１の操作者が各種操作を行う際の各種入出力画面（以下、「ＵＩ画面」と称する。）の表示を制御する。例えば、ＵＩ制御部１５１は、後述する音声入力インターフェース構築処理及び情報入力処理を実行する際のＵＩ画面の表示を制御する。
音声入力インターフェース構築部１５２は、後述する音声入力インターフェース構築処理を実行することにより、アプリケーションに対して音声による情報入力を行うための定義情報を生成する。即ち、音声入力インターフェース構築部１５２は、アプリケーションを利用する操作者の操作に応じて、その操作者が音声による情報入力を行うことを意図するコマンドやプロパティのデータ（定義情報）を生成する。音声入力インターフェース構築部１５２によって生成されたコマンド及びプロパティのデータは、コマンド・プロパティＤＢ１７２に記憶される。
音声入力インターフェース構築部１５２は、後述する音声入力インターフェース構築処理を実行することにより、アプリケーションに対して音声による情報入力を行うための定義情報を生成する。即ち、音声入力インターフェース構築部１５２は、アプリケーションを利用する操作者の操作に応じて、その操作者が音声による情報入力を行うことを意図するコマンドやプロパティのデータ（定義情報）を生成する。音声入力インターフェース構築部１５２によって生成されたコマンド及びプロパティのデータは、コマンド・プロパティＤＢ１７２に記憶される。
【0052】
音声認識エンジン選択部１５３は、操作者の操作または情報入力処理で情報を入力する対象となるアプリケーション（より詳しくは入力画面）に応じて、音声認識処理を行う音声認識エンジンを選択する。以下、音声認識エンジン選択部１５３が音声認識エンジンを選択するための情報（操作者の操作または情報入力処理で情報を入力する対象となるアプリケーションから決定される情報）を適宜「選択条件情報」と称する。そして、音声認識エンジン選択部１５３は、選択した音声認識エンジンを音声認識エンジンＤＢ１７１から読み出して、音声認識処理部５３で音声認識処理を実行する音声認識エンジンとして設定する。
【0053】
音声認識処理部５３は、前処理が実行された後の音声データに対し、音声認識エンジン選択部１５３に設定された音声認識エンジンによって、音声認識処理を実行する。図８に示すように、本実施形態における音声認識処理部５３は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎ（ｎは２以上の整数）と、特定音声認識部１５４とを備えている。第１音声認識部５３－１～第ｎ音声認識部５３－ｎは、音声認識エンジン選択部１５３に設定された複数の音声認識エンジンによって、並列的に音声認識処理を実行する。また、特定音声認識部１５４は、音声認識エンジン選択部１５３によって、特定の音声認識エンジンが音声認識処理を実行する音声認識エンジンとして設定された場合、その特定の音声認識エンジンによって音声認識処理を実行する。音声認識処理によって取得された各音声認識結果は、音声認識結果ＤＢ７３に記憶されると共に、認識結果演算部５４に出力される。
【0054】
データ入力・プロセス実行部１５５は、認識結果演算部５４によって取得された最終認識結果に基づいて、コマンド・プロパティＤＢ１７２を参照し、コマンドまたはプロパティとして定義されたプロセスを実行する。また、データ入力・プロセス実行部１５５は、コマンド及びプロパティの実行において入力されるデータを最終認識結果から取得し、コマンド及びプロパティとして定義された操作部に対応するデータとして入力する。
例えば、図７に示す音声認識結果の例において、単語Ｗ２－１がプロパティとして定義された「腫瘤大きさ」という単語である場合、時刻ｔ２～ｔ３のディクテーション結果において、「腫瘤大きさ」のデータ（一例として、「３ｍｍ×９ｍｍ」等）が取得される。また、単語Ｗｎ－１がコマンドとして定義された「備考入力」という単語である場合、備考入力のための音声認識エンジン（特定の音声認識エンジン）が起動され、時刻ｔ６～ｔ７において、備考入力のための音声認識エンジンによるディクテーション結果（「前回検査と比較しました・・・」）がデータとして取得される。なお、コマンドによって特定の音声認識エンジンを起動することの他、プロパティの定義において、特定の音声認識エンジンを起動することとしておき、プロパティに対応するデータの入力を特定の音声認識エンジンによる音声入力で行うことも可能である。
例えば、図７に示す音声認識結果の例において、単語Ｗ２－１がプロパティとして定義された「腫瘤大きさ」という単語である場合、時刻ｔ２～ｔ３のディクテーション結果において、「腫瘤大きさ」のデータ（一例として、「３ｍｍ×９ｍｍ」等）が取得される。また、単語Ｗｎ－１がコマンドとして定義された「備考入力」という単語である場合、備考入力のための音声認識エンジン（特定の音声認識エンジン）が起動され、時刻ｔ６～ｔ７において、備考入力のための音声認識エンジンによるディクテーション結果（「前回検査と比較しました・・・」）がデータとして取得される。なお、コマンドによって特定の音声認識エンジンを起動することの他、プロパティの定義において、特定の音声認識エンジンを起動することとしておき、プロパティに対応するデータの入力を特定の音声認識エンジンによる音声入力で行うことも可能である。
【0055】
これにより、マウスやキーボード等を用いて行われていたアプリケーションに対する情報の入力を、音声入力で置換することが可能となる。また、このとき、アプリケーション側の機能を変更する必要がないため、既存のアプリケーションに対して、本発明を容易に適用することができる。
【0056】
［動作］
次に、情報処理装置１の動作を説明する。
［音声入力インターフェース構築処理］
図９は、情報処理装置１が実行する音声入力インターフェース構築処理の流れを示すフローチャートである。
音声入力インターフェース構築処理は、情報処理装置１において、音声入力インターフェース構築処理の実行を指示する操作が行われることに対応して開始される。
なお、本実施形態においては、音声入力インターフェース構築処理の実行に際し、デフォルトで設定される１または複数の音声認識エンジンがユーザによって指定される。
次に、情報処理装置１の動作を説明する。
［音声入力インターフェース構築処理］
図９は、情報処理装置１が実行する音声入力インターフェース構築処理の流れを示すフローチャートである。
音声入力インターフェース構築処理は、情報処理装置１において、音声入力インターフェース構築処理の実行を指示する操作が行われることに対応して開始される。
なお、本実施形態においては、音声入力インターフェース構築処理の実行に際し、デフォルトで設定される１または複数の音声認識エンジンがユーザによって指定される。
【0057】
音声入力インターフェース構築処理が開始されると、ステップＳ４１において、音声入力インターフェース構築部１５２は、プロセスの生成を行うか否か（コマンドまたはプロパティのプロセスを設定するか否か）の判定を行う。
プロセスの生成を行わない場合、ステップＳ４１においてＮＯと判定されて、処理はＳ５３に移行する。
一方、プロセスの生成を行う場合、ステップＳ４１においてＹＥＳと判定されて、処理はステップＳ４２に移行する。
プロセスの生成を行わない場合、ステップＳ４１においてＮＯと判定されて、処理はＳ５３に移行する。
一方、プロセスの生成を行う場合、ステップＳ４１においてＹＥＳと判定されて、処理はステップＳ４２に移行する。
【0058】
ステップＳ４２において、音声入力インターフェース構築部１５２は、音声入力の対象となる画面の表示操作を受け付ける。即ち、操作者は、アプリケーションにおいて、音声による情報入力を行う画面を表示させる。
ステップＳ４３において、音声入力インターフェース構築部１５２は、操作者の操作に応じて、操作内容の追跡機能をオンにする。これにより、以後の操作者の操作内容が記録される状態となる。なお、操作内容とは、操作者がコマンドあるいはプロパティを定義するために行った定義用操作の内容を表し、具体的には、画面における定義用操作の操作位置及び定義用操作の種類を表している。即ち、画面における特定の位置で、操作者が特定の定義用操作（例えば、左シングルクリック、左ダブルクリック、右シングルクリック等のマウス操作やＥｎｔｅｒキー押下等のキーボード操作等）を行うと、定義用操作の種類に対応するアプリケーション上の動作（プロセス）が定義される。例えば、図６において、肝臓の所見を入力するための「辺縁」フィールド上で左シングルクリックを行った場合、「辺縁」フィールドに対して、音声入力によりデータを記入するプロパティが定義される。また、図６において、備考を特定の音声認識エンジンによりフリーテキスト入力するための「備考入力」フィールド上で左シングルクリックを行って、後述するように、使用される音声認識エンジンの設定を併せて行うことでコマンドが定義される。なお、音声入力を用いるプロセスで使用される音声認識エンジンは、音声入力を用いるプロセスが定義される毎に設定する他、一連のプロパティまたはコマンドの定義が終了した後に、別途設定することとしてもよい。ただし、プロセスで使用される音声認識エンジンが、デフォルトの音声認識エンジンである場合には、音声認識エンジンの設定を省略することができる。
ステップＳ４３において、音声入力インターフェース構築部１５２は、操作者の操作に応じて、操作内容の追跡機能をオンにする。これにより、以後の操作者の操作内容が記録される状態となる。なお、操作内容とは、操作者がコマンドあるいはプロパティを定義するために行った定義用操作の内容を表し、具体的には、画面における定義用操作の操作位置及び定義用操作の種類を表している。即ち、画面における特定の位置で、操作者が特定の定義用操作（例えば、左シングルクリック、左ダブルクリック、右シングルクリック等のマウス操作やＥｎｔｅｒキー押下等のキーボード操作等）を行うと、定義用操作の種類に対応するアプリケーション上の動作（プロセス）が定義される。例えば、図６において、肝臓の所見を入力するための「辺縁」フィールド上で左シングルクリックを行った場合、「辺縁」フィールドに対して、音声入力によりデータを記入するプロパティが定義される。また、図６において、備考を特定の音声認識エンジンによりフリーテキスト入力するための「備考入力」フィールド上で左シングルクリックを行って、後述するように、使用される音声認識エンジンの設定を併せて行うことでコマンドが定義される。なお、音声入力を用いるプロセスで使用される音声認識エンジンは、音声入力を用いるプロセスが定義される毎に設定する他、一連のプロパティまたはコマンドの定義が終了した後に、別途設定することとしてもよい。ただし、プロセスで使用される音声認識エンジンが、デフォルトの音声認識エンジンである場合には、音声認識エンジンの設定を省略することができる。
【0059】
ステップＳ４４において、音声入力インターフェース構築部１５２は、操作者による画面への手動操作（１つの定義用操作）を受け付ける。
ステップＳ４５において、音声入力インターフェース構築部１５２は、ステップＳ４４において受け付けた手動操作で定義されるプロセスが、特定の音声認識エンジンによる音声入力を行うプロセスであるか否かの判定を行う。特定の音声認識エンジンによる音声入力を行うプロセスとは、そのプロセスの実行に特定の音声認識エンジンによる音声認識処理を伴うプロセスであり、例えば、ディクテーションが行われるプロセス、１つのプロセスからなるプロパティまたはコマンドを表すプロセス、一連のクリック操作を表す複数のプロセスにおける先頭のクリック操作を表すプロセス（即ち、コマンド名の入力に対応して実行される最初のプロセス）等が該当する。
ステップＳ４４において受け付けた手動操作で定義されるプロセスが、特定の音声認識エンジンによる音声入力を行うプロセスでない場合、ステップＳ４５においてＮＯと判定されて、処理はステップＳ４８に移行する。
一方、ステップＳ４４において受け付けた手動操作で定義されるプロセスが、特定の音声認識エンジンによる音声入力を行うプロセスである場合、ステップＳ４５においてＹＥＳと判定されて、処理はステップＳ４６に移行する。
ステップＳ４５において、音声入力インターフェース構築部１５２は、ステップＳ４４において受け付けた手動操作で定義されるプロセスが、特定の音声認識エンジンによる音声入力を行うプロセスであるか否かの判定を行う。特定の音声認識エンジンによる音声入力を行うプロセスとは、そのプロセスの実行に特定の音声認識エンジンによる音声認識処理を伴うプロセスであり、例えば、ディクテーションが行われるプロセス、１つのプロセスからなるプロパティまたはコマンドを表すプロセス、一連のクリック操作を表す複数のプロセスにおける先頭のクリック操作を表すプロセス（即ち、コマンド名の入力に対応して実行される最初のプロセス）等が該当する。
ステップＳ４４において受け付けた手動操作で定義されるプロセスが、特定の音声認識エンジンによる音声入力を行うプロセスでない場合、ステップＳ４５においてＮＯと判定されて、処理はステップＳ４８に移行する。
一方、ステップＳ４４において受け付けた手動操作で定義されるプロセスが、特定の音声認識エンジンによる音声入力を行うプロセスである場合、ステップＳ４５においてＹＥＳと判定されて、処理はステップＳ４６に移行する。
【0060】
ステップＳ４６において、音声入力インターフェース構築部１５２は、画面において音声入力が行われる位置（手動操作が行われた位置）を特定する。
ステップＳ４７において、音声入力インターフェース構築部１５２は、プロセスの実行に用いられる音声認識エンジンの候補を表すリストから、操作者による特定の音声認識エンジンの選択を受け付ける。
ステップＳ４８において、音声入力インターフェース構築部１５２は、画面において操作が行われる位置（手動操作が行われた位置）と手動操作の内容（例えば、左シングルクリック、左ダブルクリック、右シングルクリック等のマウス操作やＥｎｔｅｒキー押下等のキーボード操作等）を特定する。
ステップＳ４７において、音声入力インターフェース構築部１５２は、プロセスの実行に用いられる音声認識エンジンの候補を表すリストから、操作者による特定の音声認識エンジンの選択を受け付ける。
ステップＳ４８において、音声入力インターフェース構築部１５２は、画面において操作が行われる位置（手動操作が行われた位置）と手動操作の内容（例えば、左シングルクリック、左ダブルクリック、右シングルクリック等のマウス操作やＥｎｔｅｒキー押下等のキーボード操作等）を特定する。
【0061】
ステップＳ４９において、音声入力インターフェース構築部１５２は、操作内容の追跡機能をオフにする操作が行われたか否かの判定を行う。
操作内容の追跡機能をオフにする操作が行われていない場合、ステップＳ４９においてＮＯと判定されて、処理はステップＳ５１に移行する。
一方、操作内容の追跡機能をオフにする操作が行われた場合、ステップＳ４９においてＹＥＳと判定されて、処理はステップＳ５０に移行する。
ステップＳ５０において、音声入力インターフェース構築部１５２は、操作内容の追跡機能をオフにする。
ステップＳ５０の後、処理はステップＳ４２に移行する。
操作内容の追跡機能をオフにする操作が行われていない場合、ステップＳ４９においてＮＯと判定されて、処理はステップＳ５１に移行する。
一方、操作内容の追跡機能をオフにする操作が行われた場合、ステップＳ４９においてＹＥＳと判定されて、処理はステップＳ５０に移行する。
ステップＳ５０において、音声入力インターフェース構築部１５２は、操作内容の追跡機能をオフにする。
ステップＳ５０の後、処理はステップＳ４２に移行する。
【0062】
ステップＳ５１において、音声入力インターフェース構築部１５２は、プロセスの設定を終了する操作が行われたか否かの判定を行う。プロセスの設定を終了する操作は、例えば、特定のキー（Ｅｎｔｅｒキー等）の操作や、画面上に表示された「終了ボタン」のクリック操作等とすることができる。
プロセスの設定を終了する操作が行われていない場合、ステップＳ５１においてＮＯと判定されて、処理はステップＳ４４に移行する。
一方、プロセスの設定を終了する操作が行われた場合、ステップＳ５１においてＹＥＳと判定されて、処理はステップＳ５２に移行する。
プロセスの設定を終了する操作が行われていない場合、ステップＳ５１においてＮＯと判定されて、処理はステップＳ４４に移行する。
一方、プロセスの設定を終了する操作が行われた場合、ステップＳ５１においてＹＥＳと判定されて、処理はステップＳ５２に移行する。
【0063】
ステップＳ５２において、音声入力インターフェース構築部１５２は、操作内容の追跡機能をオフにする。
ステップＳ５３において、音声入力インターフェース構築部１５２は、コマンドまたはプロパティを登録するか否かの判定を行う。
コマンドまたはプロパティを登録しない場合、ステップＳ５３においてＮＯと判定されて、処理はステップＳ５５に移行する。
一方、コマンドまたはプロセスを登録する場合、ステップＳ５３においてＹＥＳと判定されて、処理はステップＳ５４に移行する。
ステップＳ５３において、音声入力インターフェース構築部１５２は、コマンドまたはプロパティを登録するか否かの判定を行う。
コマンドまたはプロパティを登録しない場合、ステップＳ５３においてＮＯと判定されて、処理はステップＳ５５に移行する。
一方、コマンドまたはプロセスを登録する場合、ステップＳ５３においてＹＥＳと判定されて、処理はステップＳ５４に移行する。
【0064】
ステップＳ５４において、音声入力インターフェース構築部１５２は、１または複数のプロセスによって定義されたコマンドまたはプロパティに名前を設定して、コマンド・プロパティＤＢ１７２に記憶（登録）する。
ステップＳ５５において、音声入力インターフェース構築部１５２は、音声入力インターフェース構築処理の終了が指示されたか否かの判定を行う。
音声入力インターフェース構築処理の終了が指示されていない場合、ステップＳ５５においてＮＯと判定されて、処理はステップＳ４２に移行する。
一方、音声入力インターフェース構築処理の終了が指示された場合、ステップＳ５５においてＹＥＳと判定されて、音声入力インターフェース構築処理は終了する。
ステップＳ５５において、音声入力インターフェース構築部１５２は、音声入力インターフェース構築処理の終了が指示されたか否かの判定を行う。
音声入力インターフェース構築処理の終了が指示されていない場合、ステップＳ５５においてＮＯと判定されて、処理はステップＳ４２に移行する。
一方、音声入力インターフェース構築処理の終了が指示された場合、ステップＳ５５においてＹＥＳと判定されて、音声入力インターフェース構築処理は終了する。
【0065】
このように、音声入力インターフェースが実行されることにより、１または複数のプロセスによって定義されたコマンドまたはプロパティが生成される。これら、コマンドまたはプロパティの名称が音声入力されると、定義されたプロセスの動作が実行される。
【0066】
［情報入力処理］
図１０は、情報処理装置１が実行する情報入力処理の流れを示すフローチャートである。
情報入力処理は、情報処理装置１において、情報入力処理の実行を指示する操作が行われることに対応して開始される。なお、情報入力処理が実行される場合、情報入力が行われるアプリケーションが起動された状態とされる。また、情報入力処理において、入力されるべき音声（例えば、「プロパティ」あるいは「コマンド」の後の必要な「データ」の音声）が入力されない場合、入力を促すメッセージを出力したり、エラーとして情報入力処理を中止（または再実行）したりする等の予め設定された処理が実行される。
図１０は、情報処理装置１が実行する情報入力処理の流れを示すフローチャートである。
情報入力処理は、情報処理装置１において、情報入力処理の実行を指示する操作が行われることに対応して開始される。なお、情報入力処理が実行される場合、情報入力が行われるアプリケーションが起動された状態とされる。また、情報入力処理において、入力されるべき音声（例えば、「プロパティ」あるいは「コマンド」の後の必要な「データ」の音声）が入力されない場合、入力を促すメッセージを出力したり、エラーとして情報入力処理を中止（または再実行）したりする等の予め設定された処理が実行される。
【0067】
情報入力処理が開始されると、ステップＳ６１において、ＵＩ制御部１５１は、音声認識処理を行う音声認識エンジンを選択するための選択条件情報を取得する。
ステップＳ６２において、音声認識エンジン選択部１５３は、取得した選択条件情報に基づいて、使用する音声認識エンジンの選択を行う。即ち、操作者の操作または情報入力処理で情報を入力する対象となるアプリケーションに応じた音声認識エンジンが選択される。
ステップＳ６３において、音声認識エンジン選択部１５３は、選択した音声認識エンジンを音声認識エンジンＤＢ１７１から読み出して、音声認識処理部５３で音声認識処理を実行する音声認識エンジンとして設定する。これにより、要求に応じた音声認識処理部５３の機能が構成され、選択された音声認識エンジンによって音声認識処理が行われる状態となる。
ステップＳ６２において、音声認識エンジン選択部１５３は、取得した選択条件情報に基づいて、使用する音声認識エンジンの選択を行う。即ち、操作者の操作または情報入力処理で情報を入力する対象となるアプリケーションに応じた音声認識エンジンが選択される。
ステップＳ６３において、音声認識エンジン選択部１５３は、選択した音声認識エンジンを音声認識エンジンＤＢ１７１から読み出して、音声認識処理部５３で音声認識処理を実行する音声認識エンジンとして設定する。これにより、要求に応じた音声認識処理部５３の機能が構成され、選択された音声認識エンジンによって音声認識処理が行われる状態となる。
【0068】
ステップＳ６４において、音声データ受付部５１は、処理対象となる音声データの入力を受け付ける。
ステップＳ６５において、前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
ステップＳ６６において、音声認識処理部５３は、前処理が実行された後の音声データに対し、複数の音声認識エンジンによって、並列的に音声認識処理を実行する。
ステップＳ６７において、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果に基づいて、音声認識処理の目的となる最終認識結果を取得する。
ステップＳ６５において、前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
ステップＳ６６において、音声認識処理部５３は、前処理が実行された後の音声データに対し、複数の音声認識エンジンによって、並列的に音声認識処理を実行する。
ステップＳ６７において、認識結果演算部５４は、第１音声認識部５３－１～第ｎ音声認識部５３－ｎの音声認識結果に基づいて、音声認識処理の目的となる最終認識結果を取得する。
【0069】
本実施形態において、ステップＳ６７で取得される最終認識結果には、１つのコマンドまたはプロパティを表すテキストデータが含まれている場合、及び、複数のコマンドまたはプロパティを表すテキストデータが含まれている場合が想定される。複数のコマンドまたはプロパティを表すテキストデータが含まれている場合、最終認識結果がバッファに記憶され、以降のプロセスで、最終認識結果に含まれるテキストデータが順次処理される。
ステップＳ６８において、データ入力・プロセス実行部１５５は、最終認識結果がプロパティの入力を行うものであるか否かの判定を行う。
最終認識結果がプロパティの入力を行うものでない場合、ステップＳ６８においてＮＯと判定されて、処理はステップＳ７０に移行する。
一方、最終認識結果がプロパティの入力を行うものである場合、ステップＳ６８においてＹＥＳと判定されて、処理はステップＳ６９に移行する。
ステップＳ６８において、データ入力・プロセス実行部１５５は、最終認識結果がプロパティの入力を行うものであるか否かの判定を行う。
最終認識結果がプロパティの入力を行うものでない場合、ステップＳ６８においてＮＯと判定されて、処理はステップＳ７０に移行する。
一方、最終認識結果がプロパティの入力を行うものである場合、ステップＳ６８においてＹＥＳと判定されて、処理はステップＳ６９に移行する。
【0070】
ステップＳ６９において、データ入力・プロセス実行部１５５は、最終認識結果におけるプロパティの名称に続くディクテーション結果を参照し、プロパティに対応するデータの入力を実行する。例えば、図６に示す電子カルテのアプリケーションにおいて、プロパティ名として「辺縁」が抽出された場合、最終認識結果の「辺縁」に続く時間において、「辺縁」に対応するデータ（例えば、「鋭利」等）が取得され、「辺縁」に対する所見を表すデータとして入力される。
ステップＳ６９の後、処理はステップＳ７９に移行する。
ステップＳ６９の後、処理はステップＳ７９に移行する。
【0071】
ステップＳ７０において、データ入力・プロセス実行部１５５は、最終認識結果がコマンドの入力を行うものであるか否かの判定を行う。
最終認識結果がコマンドの入力を行うものでない場合、ステップＳ７０においてＮＯと判定されて、処理はステップＳ７９に移行する。
一方、最終認識結果がコマンドの入力を行うものである場合、ステップＳ７０においてＹＥＳと判定されて、処理はステップＳ７１に移行する。
最終認識結果がコマンドの入力を行うものでない場合、ステップＳ７０においてＮＯと判定されて、処理はステップＳ７９に移行する。
一方、最終認識結果がコマンドの入力を行うものである場合、ステップＳ７０においてＹＥＳと判定されて、処理はステップＳ７１に移行する。
【0072】
ステップＳ７１において、データ入力・プロセス実行部１５５は、コマンドを構成するプロセスを実行する。
ステップＳ７２において、データ入力・プロセス実行部１５５は、コマンドを構成するプロセスが特定の音声認識処理を行うものであるか否かの判定を行う。
コマンドを構成するプロセスが特定の音声認識処理を行うものでない場合、ステップＳ７２においてＮＯと判定されて、処理はステップＳ７９に移行する。
一方、コマンドを構成するプロセスが特定の音声認識処理を行うものである場合、ステップＳ７２においてＹＥＳと判定されて、処理はステップＳ７３に移行する。
ステップＳ７２において、データ入力・プロセス実行部１５５は、コマンドを構成するプロセスが特定の音声認識処理を行うものであるか否かの判定を行う。
コマンドを構成するプロセスが特定の音声認識処理を行うものでない場合、ステップＳ７２においてＮＯと判定されて、処理はステップＳ７９に移行する。
一方、コマンドを構成するプロセスが特定の音声認識処理を行うものである場合、ステップＳ７２においてＹＥＳと判定されて、処理はステップＳ７３に移行する。
【0073】
ステップＳ７３において、音声認識エンジン選択部１５３は、プロセスと対応付けられている特定の音声認識エンジンを起動する。これにより、特定音声認識部１５４が特定の音声認識エンジンによって音声認識処理を実行する状態となる。
ステップＳ７４において、音声データ受付部５１は、特定の音声認識処理を行うプロセスに対応するデータとして、音声データの入力を受け付ける。
ステップＳ７５において、前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
ステップＳ７６において、特定音声認識部１５４は、特定の音声認識エンジンによって音声認識処理を実行する。
ステップＳ７４において、音声データ受付部５１は、特定の音声認識処理を行うプロセスに対応するデータとして、音声データの入力を受け付ける。
ステップＳ７５において、前処理部５２は、音声データ受付部５１によって受け付けられた音声データに対し、雑音除去等の前処理を実行する。
ステップＳ７６において、特定音声認識部１５４は、特定の音声認識エンジンによって音声認識処理を実行する。
【0074】
ステップＳ７７において、データ入力・プロセス実行部１５５は、特定音声認識部１５４の音声認識結果を、特定の音声認識処理を行うコマンドに対応するデータとして、アプリケーションに対する入力を実行する。
ステップＳ７８において、特定音声認識部１５４は、特定の音声認識処理が終了したか否かの判定を行う。
特定の音声認識処理が終了していない場合、ステップＳ７８においてＮＯと判定されて、処理はステップＳ７４に移行する。
一方、特定の音声認識処理が終了した場合、ステップＳ７８においてＹＥＳと判定されて、処理はステップＳ７９に移行する。
ステップＳ７８において、特定音声認識部１５４は、特定の音声認識処理が終了したか否かの判定を行う。
特定の音声認識処理が終了していない場合、ステップＳ７８においてＮＯと判定されて、処理はステップＳ７４に移行する。
一方、特定の音声認識処理が終了した場合、ステップＳ７８においてＹＥＳと判定されて、処理はステップＳ７９に移行する。
【0075】
ステップＳ７９において、データ入力・プロセス実行部１５５は、コマンドに残りのプロセスが含まれているか否かの判定を行う。
コマンドに残りのプロセスが含まれていない場合、ステップＳ７９においてＮＯと判定されて、処理はステップＳ８０に移行する。
一方、コマンドに残りのプロセスが含まれている場合、ステップＳ７９においてＹＥＳと判定されて、処理はステップＳ７１に移行する。
コマンドに残りのプロセスが含まれていない場合、ステップＳ７９においてＮＯと判定されて、処理はステップＳ８０に移行する。
一方、コマンドに残りのプロセスが含まれている場合、ステップＳ７９においてＹＥＳと判定されて、処理はステップＳ７１に移行する。
【0076】
ステップＳ８０において、データ入力・プロセス実行部１５５は、最終認識結果に残りのプロパティまたはコマンドが含まれているか否かの判定を行う。
最終認識結果に残りのプロパティ及びコマンドが含まれていない場合、ステップＳ８０においてＮＯと判定されて、処理はステップＳ８１に移行する。
一方、最終認識結果に残りのプロパティまたはコマンドが含まれている場合、ステップＳ８０においてＹＥＳと判定されて、処理はステップＳ６８に移行する。
ステップＳ８１において、データ入力・プロセス実行部１５５は、現在選択されている音声認識エンジンによる並列音声認識の終了条件が充足されたか否かの判定を行う。なお、現在選択されている音声認識エンジンによる並列音声認識の終了条件としては、例えば、先行するステップにおいて実行されたコマンドの内容が、並列音声認識に用いる音声認識エンジンの変更を伴うものであった場合や、ユーザが現在選択されている音声認識エンジンによる並列音声認識の終了を指示する音声入力または操作を行った場合等を定義できる。
最終認識結果に残りのプロパティ及びコマンドが含まれていない場合、ステップＳ８０においてＮＯと判定されて、処理はステップＳ８１に移行する。
一方、最終認識結果に残りのプロパティまたはコマンドが含まれている場合、ステップＳ８０においてＹＥＳと判定されて、処理はステップＳ６８に移行する。
ステップＳ８１において、データ入力・プロセス実行部１５５は、現在選択されている音声認識エンジンによる並列音声認識の終了条件が充足されたか否かの判定を行う。なお、現在選択されている音声認識エンジンによる並列音声認識の終了条件としては、例えば、先行するステップにおいて実行されたコマンドの内容が、並列音声認識に用いる音声認識エンジンの変更を伴うものであった場合や、ユーザが現在選択されている音声認識エンジンによる並列音声認識の終了を指示する音声入力または操作を行った場合等を定義できる。
【0077】
現在選択されている音声認識エンジンによる並列音声認識の終了条件が充足されていない場合、ステップＳ８１においてＮＯと判定されて、処理はステップＳ６４に移行する。
一方、現在選択されている音声認識エンジンによる並列音声認識の終了条件が充足された場合、ステップＳ８１においてＹＥＳと判定されて、処理はステップＳ８２に移行する。
一方、現在選択されている音声認識エンジンによる並列音声認識の終了条件が充足された場合、ステップＳ８１においてＹＥＳと判定されて、処理はステップＳ８２に移行する。
【0078】
ステップＳ８２において、データ入力・プロセス実行部１５５は、音声認識エンジンの変更が必要か否かの判定を行う。
音声認識エンジンの変更が必要である場合、ステップＳ８２においてＹＥＳと判定されて、処理はステップＳ６１に移行する。
一方、音声認識エンジンの変更が必要でない場合、ステップＳ８２においてＮＯと判定されて、情報入力処理は終了する。
音声認識エンジンの変更が必要である場合、ステップＳ８２においてＹＥＳと判定されて、処理はステップＳ６１に移行する。
一方、音声認識エンジンの変更が必要でない場合、ステップＳ８２においてＮＯと判定されて、情報入力処理は終了する。
【0079】
以上のように、本実施形態における情報処理装置１は、特定の音声認識エンジンを用いた音声認識処理によって音声入力を行うことにより、さらに高精度な音声認識結果を得ることができる。
また、本実施形態における情報処理装置１は、入力された音声のデータを複数の音声認識エンジンを用いて並列的に音声認識処理し、複数の音声認識結果を組み合わせる（論理演算する等）ことにより、複数の音声認識結果それぞれを集合させた情報よりも有用な情報となる最終認識結果を取得する。
そのため、言語処理によって音声認識結果の精度を高める場合に比べ、より迅速な処理が可能であると共に、より高精度な音声認識結果を得ることができる。また、このように取得されたより高精度な音声認識結果を用いて、複数の音声認識結果それぞれを集合させた情報よりも有用な情報となる最終認識結果を取得することができる。
また、本実施形態における情報処理装置１は、入力された音声のデータを複数の音声認識エンジンを用いて並列的に音声認識処理し、複数の音声認識結果を組み合わせる（論理演算する等）ことにより、複数の音声認識結果それぞれを集合させた情報よりも有用な情報となる最終認識結果を取得する。
そのため、言語処理によって音声認識結果の精度を高める場合に比べ、より迅速な処理が可能であると共に、より高精度な音声認識結果を得ることができる。また、このように取得されたより高精度な音声認識結果を用いて、複数の音声認識結果それぞれを集合させた情報よりも有用な情報となる最終認識結果を取得することができる。
【0080】
また、本実施形態における情報処理装置１は、入力された音声のデータを並列的に音声認識処理するための音声認識エンジンを選択し、音声認識処理部５３の機能を動的に変更することが可能である。
そのため、処理対象となる音声に対し、より適切な音声認識処理を実行することができるため、より高精度な音声認識結果を取得することができる。
そのため、処理対象となる音声に対し、より適切な音声認識処理を実行することができるため、より高精度な音声認識結果を取得することができる。
【0081】
また、本実施形態における情報処理装置１は、アプリケーションに対する１または複数のプロセスによって定義されるコマンドあるいはプロパティを予め登録しておき、コマンド名あるいはプロパティ名の発話に対応して、定義されたプロセスを自動的に実行することができる。
そのため、操作者は、アプリケーションの画面における操作位置を都度探索し、マウスやキーボード等を操作して画面の所定位置を操作する場合に比べ、迅速かつ簡単に情報を入力することができる。
即ち、本実施形態における情報処理装置１は、アプリケーションに変更を加えることなく、任意のアプリケーションとユーザとの間で機能し、アプリケーションに対する音声による情報の入力を支援することができる。
このように、本実施形態における情報処理装置１によれば、音声認識を用いて情報を入力する際に、より迅速かつ適切に情報を入力することが可能となる。
そのため、操作者は、アプリケーションの画面における操作位置を都度探索し、マウスやキーボード等を操作して画面の所定位置を操作する場合に比べ、迅速かつ簡単に情報を入力することができる。
即ち、本実施形態における情報処理装置１は、アプリケーションに変更を加えることなく、任意のアプリケーションとユーザとの間で機能し、アプリケーションに対する音声による情報の入力を支援することができる。
このように、本実施形態における情報処理装置１によれば、音声認識を用いて情報を入力する際に、より迅速かつ適切に情報を入力することが可能となる。
【0082】
［第３実施形態］
次に、本発明の第３実施形態について説明する。
本実施形態においては、第２実施形態の情報処理装置１を具体的なアプリケーションの入力に適用する状況を想定し、情報の入力が行われる実践的な例について説明する。
なお、以下の説明において、第１実施形態の図６及び図７を適宜参照するものとする。
次に、本発明の第３実施形態について説明する。
本実施形態においては、第２実施形態の情報処理装置１を具体的なアプリケーションの入力に適用する状況を想定し、情報の入力が行われる実践的な例について説明する。
なお、以下の説明において、第１実施形態の図６及び図７を適宜参照するものとする。
【0083】
［１画面内での情報入力例（１）］
情報処理装置１は、図６に示すように、１画面における複数のフィールドに対し、音声入力による情報の入力を行うことができる。
図１１は、図６に示すアプリケーションの入力画面において、操作者が「プロパティ」を音声入力する場合の動作を表す説明図である。
「プロパティ」を音声入力する場合、図６に示すアプリケーションの入力画面が表示され、情報入力処理を実行させた状態で、操作者は、例えば、「辺縁、鋭利」との発話を行う（ステップＰ１）。
なお、「辺縁」はプロパティとして登録されており、図６の「辺縁」フィールドの位置に情報を入力するよう定義されている。
情報処理装置１は、図６に示すように、１画面における複数のフィールドに対し、音声入力による情報の入力を行うことができる。
図１１は、図６に示すアプリケーションの入力画面において、操作者が「プロパティ」を音声入力する場合の動作を表す説明図である。
「プロパティ」を音声入力する場合、図６に示すアプリケーションの入力画面が表示され、情報入力処理を実行させた状態で、操作者は、例えば、「辺縁、鋭利」との発話を行う（ステップＰ１）。
なお、「辺縁」はプロパティとして登録されており、図６の「辺縁」フィールドの位置に情報を入力するよう定義されている。
【0084】
このとき、情報処理装置１の音声認識処理部５３は、複数の音声認識エンジンによって、並列的に音声認識処理を実行する（ステップＰ２）。
ここでは、音声認識処理部５３において、第１音声認識部５３－１～第３音声認識部５３－３が動作しているものとし、第１音声認識部５３－１は、汎用のディクテーションを実行し、第２音声認識部５３－２はプロパティとして登録された単語を抽出する単語抽出の音声認識処理、第３音声認識部５３－３はコマンドとして登録された単語を抽出する単語抽出の音声認識処理を実行しているものとする。
ここでは、音声認識処理部５３において、第１音声認識部５３－１～第３音声認識部５３－３が動作しているものとし、第１音声認識部５３－１は、汎用のディクテーションを実行し、第２音声認識部５３－２はプロパティとして登録された単語を抽出する単語抽出の音声認識処理、第３音声認識部５３－３はコマンドとして登録された単語を抽出する単語抽出の音声認識処理を実行しているものとする。
【0085】
このとき、第１音声認識部５３－１～第３音声認識部５３－３の音声認識結果は、以下の通りであったとする。なお、説明の簡潔化のため、プロパティやコマンドの発話開始時刻と発話終了時刻は発話開始時刻を時間「０」とした相対時間で示し、時間を表す数値の単位は［ｍｓ］とする。
第１音声認識部５３－１の音声認識結果：「へんえん」（開始時刻：０、終了時刻：５００）、「鋭利」（開始時刻：５０１、終了時刻：１０００）
第２音声認識部５３－２の音声認識結果：「辺縁」（開始時刻：０、終了時刻：５００）
第３音声認識部５３－３の音声認識結果：エラー（認識失敗）
第１音声認識部５３－１の音声認識結果：「へんえん」（開始時刻：０、終了時刻：５００）、「鋭利」（開始時刻：５０１、終了時刻：１０００）
第２音声認識部５３－２の音声認識結果：「辺縁」（開始時刻：０、終了時刻：５００）
第３音声認識部５３－３の音声認識結果：エラー（認識失敗）
【0086】
上記音声認識結果において、第２音声認識部５３－２の音声認識結果は、確度が高いものであるため、図７に示す論理演算が行われ、第１音声認識部５３－１の音声認識結果における「へんえん」（開始時刻：０、終了時刻：５００）を除外し、同時間帯の第２音声認識部５３－２の音声認識結果である「辺縁」（開始時刻：０、終了時刻：５００）に置換する処理が行われる（ステップＰ３）。
この結果、最終認識結果として、プロパティ「辺縁」、データ「鋭利」が取得される。
次いで、プロパティ「辺縁」の定義が参照され、入力画面における「辺縁」フィールドの位置をクリックする操作がアプリケーションに行われる（ステップＰ４）。
さらに、「辺縁」フィールドに対するデータとして、「鋭利」のテキストデータが入力される（ステップＰ５）。
この結果、最終認識結果として、プロパティ「辺縁」、データ「鋭利」が取得される。
次いで、プロパティ「辺縁」の定義が参照され、入力画面における「辺縁」フィールドの位置をクリックする操作がアプリケーションに行われる（ステップＰ４）。
さらに、「辺縁」フィールドに対するデータとして、「鋭利」のテキストデータが入力される（ステップＰ５）。
【0087】
［１画面内での情報入力例（２）］
図１２は、図６に示すアプリケーションの入力画面において、操作者が「コマンド」を音声入力する場合の動作を表す説明図である。
「コマンド」を音声入力する場合、図６に示すアプリケーションの入力画面が表示され、情報入力処理を実行させた状態で、操作者は、例えば、「備考入力」との発話を行う（ステップＱ１）。
なお、「備考入力」はコマンドとして登録されており、図６の「備考入力」フィールドの位置に情報を入力するよう定義されている。
図１２は、図６に示すアプリケーションの入力画面において、操作者が「コマンド」を音声入力する場合の動作を表す説明図である。
「コマンド」を音声入力する場合、図６に示すアプリケーションの入力画面が表示され、情報入力処理を実行させた状態で、操作者は、例えば、「備考入力」との発話を行う（ステップＱ１）。
なお、「備考入力」はコマンドとして登録されており、図６の「備考入力」フィールドの位置に情報を入力するよう定義されている。
【0088】
このとき、情報処理装置１の音声認識処理部５３は、複数の音声認識エンジンによって、並列的に音声認識処理を実行する（ステップＱ２）。
ここでは、音声認識処理部５３において、第１音声認識部５３－１～第３音声認識部５３－３が動作しているものとし、第１音声認識部５３－１は、汎用のディクテーションを実行し、第２音声認識部５３－２はプロパティとして登録された単語を抽出する単語抽出の音声認識処理、第３音声認識部５３－３はコマンドとして登録された単語を抽出する単語抽出の音声認識処理を実行しているものとする。
ここでは、音声認識処理部５３において、第１音声認識部５３－１～第３音声認識部５３－３が動作しているものとし、第１音声認識部５３－１は、汎用のディクテーションを実行し、第２音声認識部５３－２はプロパティとして登録された単語を抽出する単語抽出の音声認識処理、第３音声認識部５３－３はコマンドとして登録された単語を抽出する単語抽出の音声認識処理を実行しているものとする。
【0089】
このとき、第１音声認識部５３－１～第３音声認識部５３－３の音声認識結果は、以下の通りであったとする。
第１音声認識部５３－１の音声認識結果：「備考」（開始時刻：０、終了時刻：３００）、「入力」（開始時刻：３０１、終了時刻：６００）
第２音声認識部５３－２の音声認識結果：エラー（認識失敗）
第３音声認識部５３－３の音声認識結果：「備考入力」（開始時刻:０、終了時刻:６００）
第１音声認識部５３－１の音声認識結果：「備考」（開始時刻：０、終了時刻：３００）、「入力」（開始時刻：３０１、終了時刻：６００）
第２音声認識部５３－２の音声認識結果：エラー（認識失敗）
第３音声認識部５３－３の音声認識結果：「備考入力」（開始時刻:０、終了時刻:６００）
【0090】
上記音声認識結果において、第３音声認識部５３－３は、コマンドの入力を待ち受けている状態であるため、「備考入力」の単語が抽出されることに対応して、コマンド「備考入力」の定義が参照され、定義された複数のプロセスが実行される（ステップＱ３）。さらに、入力画面における「備考入力」フィールドの位置をクリックする操作及び備考入力用の音声認識エンジンが起動される（ステップＱ４）。なお、備考入力用の音声認識エンジンが起動された後、第１音声認識部５３－１～第３音声認識部５３－３は、音声認識処理をバックグラウンドで実行することが可能である。
【0091】
次いで、「備考入力」フィールドのデータとして、備考入力用の音声認識エンジンによるディクテーション結果が入力される（ステップＱ５）。図６に示す例では、「前回検査と比較しました・・・」というテキストデータが「備考入力」フィールドのデータとして入力されている。
そして、備考入力が完了した場合、操作者は「備考入力終了」との発話を行う（ステップＱ６）。
そして、備考入力が完了した場合、操作者は「備考入力終了」との発話を行う（ステップＱ６）。
【0092】
なお、「備考入力終了」は、ディクテーション終了コマンドとして備考入力用の音声認識エンジンに登録されており、「備考入力終了」の発話（ステップＱ６）によりディクテーションが終了する（ステップＱ７）。これにより、備考入力用の音声認識エンジンでディクテーションが行われる状態が終了し、第１音声認識部５３－１～第３音声認識部５３－３による音声認識処理を待つ状態になる。
【0093】
［複数画面に渡る情報入力例］
上述の例では、情報処理装置１において表示されている画面を操作者が視認しながら、表示されているフィールドに対して音声入力により情報を入力する場合について説明した。
これに対し、情報処理装置１において定義される「コマンド」及び「プロパティ」は、画面が表示されているか否かに関わらず、プロセスを定義することができる。
そして、操作者が音声入力によって情報を入力する場合、現在表示されている画面以外の画面におけるコマンドあるいはプロパティについても、連続的に発話を行って、情報を入力することができる。
上述の例では、情報処理装置１において表示されている画面を操作者が視認しながら、表示されているフィールドに対して音声入力により情報を入力する場合について説明した。
これに対し、情報処理装置１において定義される「コマンド」及び「プロパティ」は、画面が表示されているか否かに関わらず、プロセスを定義することができる。
そして、操作者が音声入力によって情報を入力する場合、現在表示されている画面以外の画面におけるコマンドあるいはプロパティについても、連続的に発話を行って、情報を入力することができる。
【0094】
図１３は、複数画面に渡る情報入力を行う場合の概念を示す模式図である。
図１３に示すように、情報処理装置１で実行されるアプリケーションにおいては、画面Ｖ１の操作部を操作すると画面Ｖ２に遷移し、画面Ｖ２の操作部を操作すると画面Ｖ３に遷移し、画面Ｖ３の操作部を操作すると画面Ｖ４に遷移するものとする。また、画面Ｖ１には、データＤ１を入力するためのフィールドが含まれ、画面Ｖ３にはデータＤ２を入力するためのフィールドが含まれ、画面Ｖ４には特定の音声認識エンジンを使用したディクテーションによって入力を行うためのフィールドが含まれているものとする。
このようなアプリケーションに対して音声認識により情報を入力する場合、画面Ｖ１～Ｖ４に遷移する毎に、表示された画面の表示内容を確認した上で、表示された画面内におけるプロパティあるいはコマンドを発話することが可能である。
図１３に示すように、情報処理装置１で実行されるアプリケーションにおいては、画面Ｖ１の操作部を操作すると画面Ｖ２に遷移し、画面Ｖ２の操作部を操作すると画面Ｖ３に遷移し、画面Ｖ３の操作部を操作すると画面Ｖ４に遷移するものとする。また、画面Ｖ１には、データＤ１を入力するためのフィールドが含まれ、画面Ｖ３にはデータＤ２を入力するためのフィールドが含まれ、画面Ｖ４には特定の音声認識エンジンを使用したディクテーションによって入力を行うためのフィールドが含まれているものとする。
このようなアプリケーションに対して音声認識により情報を入力する場合、画面Ｖ１～Ｖ４に遷移する毎に、表示された画面の表示内容を確認した上で、表示された画面内におけるプロパティあるいはコマンドを発話することが可能である。
【0095】
一方、操作に慣れた操作者等は、画面が遷移する以前に、操作後の画面に表示される内容を認識している可能性があるため、このような場合には、画面遷移を待つことなく、操作者が意図する操作内容を音声入力できることで利便性が高まる。
そこで、本実施形態における情報処理装置１は、操作者の連続的な発話（スピーチ）に含まれる複数のコマンドあるいはプロパティを受け付け、コマンドあるいはプロパティとして定義されたプロセスを順次実行すると共に、遷移後の画面におけるコマンドあるいはプロパティについては、画面の遷移を待って実行するものとする。
そこで、本実施形態における情報処理装置１は、操作者の連続的な発話（スピーチ）に含まれる複数のコマンドあるいはプロパティを受け付け、コマンドあるいはプロパティとして定義されたプロセスを順次実行すると共に、遷移後の画面におけるコマンドあるいはプロパティについては、画面の遷移を待って実行するものとする。
【0096】
このような機能を実現するため、本実施形態の情報処理装置１は、図１０に示す情報入力処理を実行する場合に、ステップＳ６７までに、複数のコマンドあるいはプロパティを含む操作者の連続的な発話（スピーチ）を受け付け、受け付けた発話の音声認識結果をＲＡＭ１３等に形成されたバッファに一時的に記憶する。
そして、データ入力・プロセス実行部１５５が、コマンドあるいはプロパティにおけるプロセスを１つずつ実行すると共に、画面遷移を伴うプロセスについては、画面遷移を待つためのウェイト処理を実行した後、次のプロセスを実行する。
そして、データ入力・プロセス実行部１５５が、コマンドあるいはプロパティにおけるプロセスを１つずつ実行すると共に、画面遷移を伴うプロセスについては、画面遷移を待つためのウェイト処理を実行した後、次のプロセスを実行する。
【0097】
図１３において、発話Ｔ１に含まれる特定単語及びデータは、それぞれ以下の内容を表すものとする。
特定単語Ｋ１：画面Ｖ１においてデータＤ１の入力フィールドにテキストを入力するためのプロパティ
データＤ１：データＤ１の入力フィールドに入力される発話のデータ
特定単語Ｋ２：画面Ｖ１において画面Ｖ２への遷移を伴うコマンド
特定単語Ｋ３：画面Ｖ２から画面Ｖ３に遷移を伴うコマンド
特定単語Ｋ４：画面Ｖ３においてデータＤ２の入力フィールドにテキストを入力するためのプロパティ
データＤ２：画面Ｖ３におけるデータＤ２の入力フィールドに入力される発話のデータ
特定単語Ｋ５：画面Ｖ３から画面Ｖ４への遷移を伴い、特定の音声認識エンジンによって発話Ｔ２のディクテーションを行うためのコマンド
特定単語Ｋ１：画面Ｖ１においてデータＤ１の入力フィールドにテキストを入力するためのプロパティ
データＤ１：データＤ１の入力フィールドに入力される発話のデータ
特定単語Ｋ２：画面Ｖ１において画面Ｖ２への遷移を伴うコマンド
特定単語Ｋ３：画面Ｖ２から画面Ｖ３に遷移を伴うコマンド
特定単語Ｋ４：画面Ｖ３においてデータＤ２の入力フィールドにテキストを入力するためのプロパティ
データＤ２：画面Ｖ３におけるデータＤ２の入力フィールドに入力される発話のデータ
特定単語Ｋ５：画面Ｖ３から画面Ｖ４への遷移を伴い、特定の音声認識エンジンによって発話Ｔ２のディクテーションを行うためのコマンド
【0098】
発話Ｔ１は、画面Ｖ１が表示されている状態で情報処理装置１に入力され、特定単語Ｋ３以降の発話は、表示されていない画面Ｖ２～Ｖ４における情報の入力に関するものである。
このような発話Ｔ１が入力された場合、情報処理装置１は、発話Ｔ１の最終認識結果をバッファに記憶し、特定単語Ｋ１から順に処理する。
即ち、画面Ｖ１が表示された状態において、特定単語Ｋ１として定義されたプロパティにより、データＤ１の入力フィールドに情報を入力する状態となる。
このような発話Ｔ１が入力された場合、情報処理装置１は、発話Ｔ１の最終認識結果をバッファに記憶し、特定単語Ｋ１から順に処理する。
即ち、画面Ｖ１が表示された状態において、特定単語Ｋ１として定義されたプロパティにより、データＤ１の入力フィールドに情報を入力する状態となる。
【0099】
そして、画面Ｖ１において、データＤ１の入力フィールドにテキストのデータＤ１が入力される。
次いで、特定単語Ｋ２として定義されたコマンドにより、画面Ｖ１における操作部を操作する入力が行われる。
ここで、特定単語Ｋ２として定義されたコマンドが実行されると、画面Ｖ１から画面Ｖ２への遷移が発生する。
この場合、特定単語Ｋ３として定義されたコマンドを直ちに実行すると、画面Ｖ１から画面Ｖ２への遷移が完了する前に、特定単語Ｋ３として定義されたコマンドの実行が開始される可能性がある。
次いで、特定単語Ｋ２として定義されたコマンドにより、画面Ｖ１における操作部を操作する入力が行われる。
ここで、特定単語Ｋ２として定義されたコマンドが実行されると、画面Ｖ１から画面Ｖ２への遷移が発生する。
この場合、特定単語Ｋ３として定義されたコマンドを直ちに実行すると、画面Ｖ１から画面Ｖ２への遷移が完了する前に、特定単語Ｋ３として定義されたコマンドの実行が開始される可能性がある。
【0100】
そこで、情報処理装置１は、特定単語Ｋ２として定義されたコマンドを実行した後、所定時間のウェイト処理を挿入する。そして、画面の遷移が完了することを待って、画面Ｖ２において、特定単語Ｋ３として定義されたコマンド（操作部の操作）を実行する。
同様に、特定単語Ｋ３として定義されたコマンドは、画面Ｖ２から画面Ｖ３への遷移を伴うため、情報処理装置１は、特定単語Ｋ３として定義されたコマンドを実行した後、所定時間のウェイト処理を挿入する。これにより、画面の遷移が完了した後、画面Ｖ３において、特定単語Ｋ４として定義されたプロパティにより、データＤ２の入力フィールドに情報を入力する状態となる。
同様に、特定単語Ｋ３として定義されたコマンドは、画面Ｖ２から画面Ｖ３への遷移を伴うため、情報処理装置１は、特定単語Ｋ３として定義されたコマンドを実行した後、所定時間のウェイト処理を挿入する。これにより、画面の遷移が完了した後、画面Ｖ３において、特定単語Ｋ４として定義されたプロパティにより、データＤ２の入力フィールドに情報を入力する状態となる。
【0101】
そして、画面Ｖ３において、データＤ２の入力フィールドにテキストのデータＤ２が入力される。
次いで、特定単語Ｋ５として定義されたコマンドにより、画面Ｖ３における操作部を操作する入力が行われる。
この後、画面Ｖ３から画面Ｖ４に遷移し、発話Ｔ２を待つ状態となる。
このような処理により、現在表示されている画面以外の画面におけるコマンドあるいはプロパティについて、操作者が連続的に発話を行った場合でも、発話に含まれるコマンドあるいはプロパティを適切に実行しながら、音声による情報入力を行うことが可能となる。
即ち、本実施形態の情報処理装置１によれば、マウス操作やキーボード入力を前提とするインターフェースを有するアプリケーション（コンピュータプログラム）に対して、音声認識と、知識ベースの構築及び利用とに関する新たな仕組みを実現することで、既存のアプリケーションに変更を加えることなく、人間が行っていたマウス操作やキーボード入力等による情報入力プロセスをコンピュータに代替させることができる。
そのため、入力処理時間の削減及び入力精度の向上を図ることができる。
次いで、特定単語Ｋ５として定義されたコマンドにより、画面Ｖ３における操作部を操作する入力が行われる。
この後、画面Ｖ３から画面Ｖ４に遷移し、発話Ｔ２を待つ状態となる。
このような処理により、現在表示されている画面以外の画面におけるコマンドあるいはプロパティについて、操作者が連続的に発話を行った場合でも、発話に含まれるコマンドあるいはプロパティを適切に実行しながら、音声による情報入力を行うことが可能となる。
即ち、本実施形態の情報処理装置１によれば、マウス操作やキーボード入力を前提とするインターフェースを有するアプリケーション（コンピュータプログラム）に対して、音声認識と、知識ベースの構築及び利用とに関する新たな仕組みを実現することで、既存のアプリケーションに変更を加えることなく、人間が行っていたマウス操作やキーボード入力等による情報入力プロセスをコンピュータに代替させることができる。
そのため、入力処理時間の削減及び入力精度の向上を図ることができる。
【0102】
［変形例１］
上述の実施形態において、複数の音声認識エンジンによる音声認識処理を並列的に実行する場合を例に挙げて説明したが、これに限られない。例えば、１つの音声認識エンジン（例えば、汎用のディクテーションを行う音声認識エンジン等）によって音声認識処理された結果を異なる機能を有する複数の処理部によって並列的に処理し、処理負荷の増大を抑制しつつ、単独の音声認識処理による処理結果よりも有用な情報を得ることができる。
上述の実施形態において、複数の音声認識エンジンによる音声認識処理を並列的に実行する場合を例に挙げて説明したが、これに限られない。例えば、１つの音声認識エンジン（例えば、汎用のディクテーションを行う音声認識エンジン等）によって音声認識処理された結果を異なる機能を有する複数の処理部によって並列的に処理し、処理負荷の増大を抑制しつつ、単独の音声認識処理による処理結果よりも有用な情報を得ることができる。
【0103】
図１４は、１つの音声認識エンジンによって音声認識処理された結果を異なる機能を有する複数の処理部によって並列的に処理する情報処理装置１の機能構成例を示す模式図である。
図１４に示す構成例では、第１実施形態の図３に示す機能構成例において、音声認識処理部５３及び認識結果演算部５４の構成が異なっている。
即ち、図１４に示す情報処理装置１は、音声データ受付部５１と、前処理部５２と、音声認識処理部５３Ａと、並列処理部６００と、処理結果演算部５４Ａと、アプリケーション実行部５５と、を備えている。
これらのうち、音声データ受付部５１、前処理部５２及びアプリケーション実行部５５の構成は、図３に示す情報処理装置１の構成と同様である。
図１４に示す構成例では、第１実施形態の図３に示す機能構成例において、音声認識処理部５３及び認識結果演算部５４の構成が異なっている。
即ち、図１４に示す情報処理装置１は、音声データ受付部５１と、前処理部５２と、音声認識処理部５３Ａと、並列処理部６００と、処理結果演算部５４Ａと、アプリケーション実行部５５と、を備えている。
これらのうち、音声データ受付部５１、前処理部５２及びアプリケーション実行部５５の構成は、図３に示す情報処理装置１の構成と同様である。
【0104】
音声認識処理部５３Ａは、前処理が実行された後の音声データに対し、１つの音声認識エンジンによって音声認識処理を実行する。音声認識処理によって取得された各音声認識結果は、音声認識結果ＤＢ７３に記憶されると共に、並列処理部６００に出力される。
並列処理部６００は、音声認識処理部５３Ａによって取得された１つの音声認識結果（テキストデータ）に対し、異なる機能を有する複数の処理部によって並列的な処理を実行する。
具体的には、並列処理部６００は、第１認識結果処理部６０１と、第２認識結果処理部６０２と、を備えている。
第１認識結果処理部６０１は、所定の言語処理（意味内容の解釈）を実行し、言語処理の結果を処理結果演算部５４Ａに出力する。
第２認識結果処理部６０２は、単語抽出処理（ターゲットとする単語の抽出）を実行し、単語抽出処理の結果を処理結果演算部５４Ａに出力する。
並列処理部６００は、音声認識処理部５３Ａによって取得された１つの音声認識結果（テキストデータ）に対し、異なる機能を有する複数の処理部によって並列的な処理を実行する。
具体的には、並列処理部６００は、第１認識結果処理部６０１と、第２認識結果処理部６０２と、を備えている。
第１認識結果処理部６０１は、所定の言語処理（意味内容の解釈）を実行し、言語処理の結果を処理結果演算部５４Ａに出力する。
第２認識結果処理部６０２は、単語抽出処理（ターゲットとする単語の抽出）を実行し、単語抽出処理の結果を処理結果演算部５４Ａに出力する。
【0105】
処理結果演算部５４Ａは、第１認識結果処理部６０１及び第２認識結果処理部６０２によって入力された複数の処理結果に基づいて、音声認識処理の目的となる処理結果（最終認識結果）を取得する。例えば、処理結果演算部５４Ａは、第１実施形態の認識結果演算部５４と同様に、第１認識結果処理部６０１及び第２認識結果処理部６０２の処理結果の１つに対して、他の処理結果を除外したり、置換したりした演算結果を最終認識結果とすることができる。
【0106】
なお、ここでは説明の便宜のために、並列処理部６００が２つの処理部を有する場合を例に挙げて説明したが、並列処理部６００が、異なる処理を実行する３つ以上の処理部を有する構成とすることも可能である。
即ち、本変形例の情報処理装置１は、入力された音声を、ディクテーションを行う音声認識エンジンによって音声認識処理し、音声データがテキスト化されたテキストデータに対し、所定の言語処理（意味内容の解釈）と、単語抽出処理（ターゲットとする単語の抽出）とを並列的に実行することができる。そして、これらの並列的な処理結果に対する演算処理等を行うことにより、最終認識結果を得ることができる。
このような構成とすることによっても、音声認識を用いて情報を入力する際に、より迅速かつ適切な音声入力結果を得ることができる。
即ち、本変形例の情報処理装置１は、入力された音声を、ディクテーションを行う音声認識エンジンによって音声認識処理し、音声データがテキスト化されたテキストデータに対し、所定の言語処理（意味内容の解釈）と、単語抽出処理（ターゲットとする単語の抽出）とを並列的に実行することができる。そして、これらの並列的な処理結果に対する演算処理等を行うことにより、最終認識結果を得ることができる。
このような構成とすることによっても、音声認識を用いて情報を入力する際に、より迅速かつ適切な音声入力結果を得ることができる。
【0107】
［第４実施形態］
次に、本発明の第４実施形態について説明する。
上述の第２実施形態においては、発話を音声認識処理によりテキスト化し、発話のテキストデータにおける所定項目のデータを自動的に入力するプロパティと、手動操作を自動化すると共に、自動化された操作で起動された特定の音声認識エンジンによる音声認識によって次の発話をテキスト化してデータ入力するコマンドと、を実行する情報処理装置１について説明した。即ち、第３実施形態における情報処理装置１では、リアルタイムに入力される音声データを待ち受け、プロパティまたはコマンドとして逐次解釈しながら、発話によってデータ入力を行うものとした。
次に、本発明の第４実施形態について説明する。
上述の第２実施形態においては、発話を音声認識処理によりテキスト化し、発話のテキストデータにおける所定項目のデータを自動的に入力するプロパティと、手動操作を自動化すると共に、自動化された操作で起動された特定の音声認識エンジンによる音声認識によって次の発話をテキスト化してデータ入力するコマンドと、を実行する情報処理装置１について説明した。即ち、第３実施形態における情報処理装置１では、リアルタイムに入力される音声データを待ち受け、プロパティまたはコマンドとして逐次解釈しながら、発話によってデータ入力を行うものとした。
【0108】
これに対し、本実施形態における情報処理装置１は、入力された音声データを蓄積しておき、所定のタイミングで、バッチ処理として音声データをプロパティまたはコマンドとして解釈することにより、発話の履歴（蓄積された音声データ）に基づいて、データ入力を自動的に行うものである。
なお、本実施形態において、入力された音声データを蓄積しておくことの他、入力された音声データと、その音声認識結果であるテキストデータとを対応付けて蓄積しておき、これらを発話の履歴として、データ入力を自動的に行うことも可能である。以下の説明においては、入力された音声データを蓄積するものとして説明する。
本実施形態における情報処理装置１の機能的構成は、第２実施形態の図８に示す機能的構成とほぼ同様である。
また、本実施形態における情報処理装置１は、図１０に示す情報入力処理に対し、一部の処理が異なる情報入力処理を実行する。
なお、本実施形態において、入力された音声データを蓄積しておくことの他、入力された音声データと、その音声認識結果であるテキストデータとを対応付けて蓄積しておき、これらを発話の履歴として、データ入力を自動的に行うことも可能である。以下の説明においては、入力された音声データを蓄積するものとして説明する。
本実施形態における情報処理装置１の機能的構成は、第２実施形態の図８に示す機能的構成とほぼ同様である。
また、本実施形態における情報処理装置１は、図１０に示す情報入力処理に対し、一部の処理が異なる情報入力処理を実行する。
【0109】
図１５は、本実施形態における情報処理装置１が実行する情報入力処理の流れを示すフローチャートである。
図１５に示す情報入力処理は、蓄積された音声データに対し、バッチ処理として実行されることから、図１０に示す情報入力処理のうち、ステップＳ６４及びステップＳ７４の処理が異なるものとなっている。なお、図１５に示す情報入力処理に先立ち、情報処理装置１では、蓄積された音声データの構文解析（音声認識結果における「プロパティ」、「コマンド」、「データ」の判定）が実行され、音声データの各単語の属性が予め把握されるものとする。例えば、データ入力・プロセス実行部１５５が、コマンド・プロパティＤＢ１７２を参照し、蓄積された音声データの音声認識結果が、コマンドまたはプロパティとして定義されたプロセスに該当するか否かを判定することにより、構文解析を実行することができる。そして、情報入力処理が実行される場合には、「プロパティ」あるいは「コマンド」と、これらに対応する「データ」とが、対応付けられた「区分データ」（後述）として取り扱われる。ただし、「プロパティ」あるいは「コマンド」と、これらに対応する「データ」とを対応付けられた「区分データ」として取り扱うことの他、処理対象となる区分データが「プロパティ」あるいは「コマンド」であると判定された場合に、逐次、後続の「データ」を取得することとしてもよい。
以下、ステップＳ６４と異なる部分であるステップＳ６４Ａ及びステップＳ７４と異なる部分であるステップＳ７４Ａについて説明する。
図１５に示す情報入力処理は、蓄積された音声データに対し、バッチ処理として実行されることから、図１０に示す情報入力処理のうち、ステップＳ６４及びステップＳ７４の処理が異なるものとなっている。なお、図１５に示す情報入力処理に先立ち、情報処理装置１では、蓄積された音声データの構文解析（音声認識結果における「プロパティ」、「コマンド」、「データ」の判定）が実行され、音声データの各単語の属性が予め把握されるものとする。例えば、データ入力・プロセス実行部１５５が、コマンド・プロパティＤＢ１７２を参照し、蓄積された音声データの音声認識結果が、コマンドまたはプロパティとして定義されたプロセスに該当するか否かを判定することにより、構文解析を実行することができる。そして、情報入力処理が実行される場合には、「プロパティ」あるいは「コマンド」と、これらに対応する「データ」とが、対応付けられた「区分データ」（後述）として取り扱われる。ただし、「プロパティ」あるいは「コマンド」と、これらに対応する「データ」とを対応付けられた「区分データ」として取り扱うことの他、処理対象となる区分データが「プロパティ」あるいは「コマンド」であると判定された場合に、逐次、後続の「データ」を取得することとしてもよい。
以下、ステップＳ６４と異なる部分であるステップＳ６４Ａ及びステップＳ７４と異なる部分であるステップＳ７４Ａについて説明する。
【0110】
図１５に示す情報入力処理のステップＳ６４Ａにおいて、音声データ受付部５１は、処理対象となる一連の音声データの区分データを順に取得する。なお、音声データの区分データは、一連の音声データの部分を構成するデータであり、無音区間や明示的な区分を示す情報で区切られた部分的なデータとすることができる。また、ステップＳ６４Ａにおいては、「プロパティ」あるいは「コマンド」と、これらに対応する「データ」とが、上述したように、対応付けられた「区分データ」として、まとめて取得される。
【0111】
ステップＳ６４Ａにおいて取得された区分データは、順に前処理（ステップＳ６５）、並列音声認識処理（ステップＳ６６）等を経て、プロパティとして実行されたり（ステップＳ６９）、コマンドとして実行されたりする（ステップＳ７１）。
そして、コマンドを構成するプロセスが特定の音声認識処理を行うものである場合（ステップＳ７２でＹＥＳの場合）、プロセスと対応付けられている特定の音声認識エンジンが起動される（ステップＳ７３）。
そして、コマンドを構成するプロセスが特定の音声認識処理を行うものである場合（ステップＳ７２でＹＥＳの場合）、プロセスと対応付けられている特定の音声認識エンジンが起動される（ステップＳ７３）。
【0112】
ステップＳ７４Ａにおいて、音声データ受付部５１は、特定の音声認識処理を行うプロセスに対応するデータとして、ステップＳ６４Ａでまとめて取得された「コマンド」及び「データ」の区分データから、特定の音声認識処理を行うプロセス（コマンド）に対応する一連の音声データの区分データを取得する。なお、ステップＳ６５で前処理が実行されていることから、本実施形態の情報入力処理では、図１０におけるステップＳ７５の前処理は不要となっている。
ステップＳ７４Ａにおいて取得された区分データは、特定の音声認識エンジンによる音声認識処理（ステップＳ７６）を経て、アプリケーションに対するデータとして入力される（ステップＳ７７）。
この後、一連の音声データの処理が終了するまで、情報入力処理が繰り返される。
なお、上述したように、プロパティの定義において、特定の音声認識エンジンを起動することとしておき、プロパティに対応するデータの入力を特定の音声認識エンジンによる音声入力で行うことも可能である。この場合、蓄積された音声データの構文解析には、汎用のディクテーションを行う音声認識エンジンを使用し、プロパティに対応するデータの抽出時には、特定の音声認識エンジンを用いること等が可能である。
ステップＳ７４Ａにおいて取得された区分データは、特定の音声認識エンジンによる音声認識処理（ステップＳ７６）を経て、アプリケーションに対するデータとして入力される（ステップＳ７７）。
この後、一連の音声データの処理が終了するまで、情報入力処理が繰り返される。
なお、上述したように、プロパティの定義において、特定の音声認識エンジンを起動することとしておき、プロパティに対応するデータの入力を特定の音声認識エンジンによる音声入力で行うことも可能である。この場合、蓄積された音声データの構文解析には、汎用のディクテーションを行う音声認識エンジンを使用し、プロパティに対応するデータの抽出時には、特定の音声認識エンジンを用いること等が可能である。
【0113】
このような処理により、蓄積された音声データをバッチ処理によって、所定のタイミングでプロパティまたはコマンドとして解釈し、発話された内容の実行（即ち、データ入力）を行うことができる。
例えば、過去にアプリケーションに対する入力内容を発話した履歴（過去の音声データ）を基に、アプリケーションに対するデータの入力を任意のタイミングで実行することができる。
例えば、過去にアプリケーションに対する入力内容を発話した履歴（過去の音声データ）を基に、アプリケーションに対するデータの入力を任意のタイミングで実行することができる。
【0114】
また、今後実行すべきアプリケーションに対するデータの入力内容を予め発話して記録しておき、指定した時間に、記録された音声データに基づくデータの入力を実行することができる。
本実施形態に係る情報処理装置１の使用形態として、例えば、ユーザが１日の作業履歴を夕方までに音声データとして逐次記録しておき、深夜等に、情報処理装置１が作業履歴をまとめてアプリケーションに入力する作業を実行する形態が想定される、また、他の例として、ユーザが翌朝までにやっておきたいことを、深夜に取得可能となるデータ（深夜１時に配信されるデータ等）を使用する前提で音声によって記録しておき、早朝等に、ユーザが作業から離れている状況下で、情報処理装置１が音声データに基づく作業を自動的に実行する形態等が想定される。
本実施形態に係る情報処理装置１の使用形態として、例えば、ユーザが１日の作業履歴を夕方までに音声データとして逐次記録しておき、深夜等に、情報処理装置１が作業履歴をまとめてアプリケーションに入力する作業を実行する形態が想定される、また、他の例として、ユーザが翌朝までにやっておきたいことを、深夜に取得可能となるデータ（深夜１時に配信されるデータ等）を使用する前提で音声によって記録しておき、早朝等に、ユーザが作業から離れている状況下で、情報処理装置１が音声データに基づく作業を自動的に実行する形態等が想定される。
【0115】
［第５実施形態］
次に、本発明の第５実施形態について説明する。
本実施形態における情報処理装置１は、情報処理装置１と他の装置とが連携することにより、多様な適用形態及び付加的な機能等を実現するものである。
即ち、本実施形態における情報処理装置１は、他の装置と共に情報処理システムＳを構成し、情報処理システムＳに入力される音声を情報処理システムＳに含まれるいずれかの装置で音声認識処理すると共に、音声認識処理を行った装置または他の装置において、音声認識処理の結果（テキストデータ）に基づいて、アプリケーションに対する情報入力を実行する。また、蓄積された音声データの音声認識結果に基づき、アプリケーションに対する情報入力を行う場合、音声認識処理の結果に対して構文解析（「プロパティ」、「コマンド」あるいは「データ」の判定等）が行われるが、情報処理システムＳに含まれるいずれかの装置において、構文解析を行うことができる。
したがって、本実施形態における情報処理システムＳでは、（１）音声データの入力、（２）音声データに対する音声認識処理、（３）音声認識結果（テキストデータ）の構文解析、（４）音声認識結果の実行（アプリケーションへの情報入力）を情報処理システムＳに含まれるいずれかの装置で自動的に実行することで、目的とする機能のためのシステムの自動実行を実現することができる。
このような機能を備えることにより、本実施形態における情報処理装置１及び情報処理システムＳは、音声入力によって、コンピュータの自動運転（目的とする処理の自動実行）を可能とするものである。
なお、本実施形態において、情報処理システムＳを構成する各装置には、１または複数のアプリケーションを実装することが可能であり、他の装置に対して、アプリケーションの出力データを送信することが可能となっている。
次に、本発明の第５実施形態について説明する。
本実施形態における情報処理装置１は、情報処理装置１と他の装置とが連携することにより、多様な適用形態及び付加的な機能等を実現するものである。
即ち、本実施形態における情報処理装置１は、他の装置と共に情報処理システムＳを構成し、情報処理システムＳに入力される音声を情報処理システムＳに含まれるいずれかの装置で音声認識処理すると共に、音声認識処理を行った装置または他の装置において、音声認識処理の結果（テキストデータ）に基づいて、アプリケーションに対する情報入力を実行する。また、蓄積された音声データの音声認識結果に基づき、アプリケーションに対する情報入力を行う場合、音声認識処理の結果に対して構文解析（「プロパティ」、「コマンド」あるいは「データ」の判定等）が行われるが、情報処理システムＳに含まれるいずれかの装置において、構文解析を行うことができる。
したがって、本実施形態における情報処理システムＳでは、（１）音声データの入力、（２）音声データに対する音声認識処理、（３）音声認識結果（テキストデータ）の構文解析、（４）音声認識結果の実行（アプリケーションへの情報入力）を情報処理システムＳに含まれるいずれかの装置で自動的に実行することで、目的とする機能のためのシステムの自動実行を実現することができる。
このような機能を備えることにより、本実施形態における情報処理装置１及び情報処理システムＳは、音声入力によって、コンピュータの自動運転（目的とする処理の自動実行）を可能とするものである。
なお、本実施形態において、情報処理システムＳを構成する各装置には、１または複数のアプリケーションを実装することが可能であり、他の装置に対して、アプリケーションの出力データを送信することが可能となっている。
【0116】
図１６は、情報処理装置１によって構成される情報処理システムＳの構成を示す模式図である。
図１６に示すように、情報処理装置１は、他の装置として、例えば、スマートフォン等の端末装置ＴとネットワークＮを介して通信可能な情報処理システムＳを構築することができる。
なお、図１６に示す情報処理システムＳにおいては、複数の端末装置Ｔが含まれると共に、端末装置Ｔとして複数種類の装置（スマートフォン、タブレット端末あるいはパーソナルコンピュータ等）を用いることができる。
図１６に示すように、情報処理装置１は、他の装置として、例えば、スマートフォン等の端末装置ＴとネットワークＮを介して通信可能な情報処理システムＳを構築することができる。
なお、図１６に示す情報処理システムＳにおいては、複数の端末装置Ｔが含まれると共に、端末装置Ｔとして複数種類の装置（スマートフォン、タブレット端末あるいはパーソナルコンピュータ等）を用いることができる。
【0117】
図１６に示す情報処理システムＳにおいて、各ユーザは、端末装置Ｔを使用するものとし、各ユーザは自身が使用する端末装置Ｔに発話（音声入力）するものとする。なお、各端末装置Ｔは、それぞれのユーザが使用する１または複数のアプリケーションを実装することが可能であり、各端末装置Ｔを上述の各実施形態のいずれかの情報処理装置１として構成することができる。
このような構成とした場合、例えば、端末装置Ｔにおいて音声認識処理を行うことができ、音声認識処理の結果取得されるテキストデータは、音声データと対応付けられて、情報処理装置１に送信される。端末装置Ｔにおいて音声認識処理を実行することで、日常的に当該ユーザの発話を音声認識し、学習またはカスタマイズ等された音声認識機能によって、ユーザの発話をより正確にテキストデータに変換することができる。また、例えば、端末装置Ｔにおいて上述の各実施形態における情報入力処理を実行することができ、情報入力処理の結果取得されるアプリケーションの出力データは、情報処理装置１に送信される。なお、端末装置Ｔにおいてアプリケーションを実行することなく、端末装置Ｔから情報処理装置１に対して、入力された音声データをそのまま送信することとしてもよい。
このような構成とした場合、例えば、端末装置Ｔにおいて音声認識処理を行うことができ、音声認識処理の結果取得されるテキストデータは、音声データと対応付けられて、情報処理装置１に送信される。端末装置Ｔにおいて音声認識処理を実行することで、日常的に当該ユーザの発話を音声認識し、学習またはカスタマイズ等された音声認識機能によって、ユーザの発話をより正確にテキストデータに変換することができる。また、例えば、端末装置Ｔにおいて上述の各実施形態における情報入力処理を実行することができ、情報入力処理の結果取得されるアプリケーションの出力データは、情報処理装置１に送信される。なお、端末装置Ｔにおいてアプリケーションを実行することなく、端末装置Ｔから情報処理装置１に対して、入力された音声データをそのまま送信することとしてもよい。
【0118】
情報処理装置１は、各端末装置Ｔから送信された音声データ、音声認識結果（テキストデータ）と音声データ、あるいは、アプリケーションの出力データを各端末装置Ｔのユーザと対応付けてデータベースに記憶する。
また、情報処理装置１は、１つのアプリケーションまたは機能が異なる複数のアプリケーションを実装することができる。
情報処理装置１では、各端末装置Ｔから送信された音声データ、音声認識結果（テキストデータ）と音声データ、あるいは、アプリケーションの出力データを対象として、ユーザが指定した時刻あるいは情報処理装置１に設定された時刻等の所定のタイミングにおいて、音声認識結果（テキストデータ）の構文解析及び第４実施形態における情報入力処理を実行する。
ただし、音声認識結果（テキストデータ）に対して情報入力処理を実行する場合、端末装置Ｔにおいて音声認識処理が行われているため、情報処理装置１は、音声認識処理を実行することなく、テキストデータを順に取得しながら、コマンドあるいはプロパティを実行することができる。
即ち、情報処理システムＳにおいては、端末装置Ｔがユーザの音声入力を受け付け、音声入力を受け付けた端末装置Ｔまたは他の端末装置Ｔ、あるいは、情報処理装置１が音声認識処理を実行し、音声認識処理の結果に基づいて、情報処理装置１が情報入力処理を実行する。また、このとき、いずれかの装置において、音声認識結果（テキストデータ）の構文解析を行うことができる。
また、情報処理装置１は、１つのアプリケーションまたは機能が異なる複数のアプリケーションを実装することができる。
情報処理装置１では、各端末装置Ｔから送信された音声データ、音声認識結果（テキストデータ）と音声データ、あるいは、アプリケーションの出力データを対象として、ユーザが指定した時刻あるいは情報処理装置１に設定された時刻等の所定のタイミングにおいて、音声認識結果（テキストデータ）の構文解析及び第４実施形態における情報入力処理を実行する。
ただし、音声認識結果（テキストデータ）に対して情報入力処理を実行する場合、端末装置Ｔにおいて音声認識処理が行われているため、情報処理装置１は、音声認識処理を実行することなく、テキストデータを順に取得しながら、コマンドあるいはプロパティを実行することができる。
即ち、情報処理システムＳにおいては、端末装置Ｔがユーザの音声入力を受け付け、音声入力を受け付けた端末装置Ｔまたは他の端末装置Ｔ、あるいは、情報処理装置１が音声認識処理を実行し、音声認識処理の結果に基づいて、情報処理装置１が情報入力処理を実行する。また、このとき、いずれかの装置において、音声認識結果（テキストデータ）の構文解析を行うことができる。
【0119】
これにより、音声認識を用いた情報入力を行う上で、利便性の向上を図ることができる。
また、本実施形態における情報処理装置１及び情報処理システムＳは、事前に音声入力で指示を行うことによって、ユーザが予め設定した処理を自動実行する機能を有するため、操作者のリアルタイムでの操作を不要として、コンピュータの自動運転を実現することができる。
また、音声データまたは音声認識結果を取得する装置とは異なる装置によって、音声入力処理を実行することができるため、アプリケーションに対して音声により情報を入力するための機能を適切な形態で分散して実装することができる。
また、端末装置Ｔあるいは情報処理装置１に実装された１または複数のアプリケーションに対して、データ入力を自動的に行うことができる。
また、クラウドシステムとして情報処理システムＳを構成することで、複数の装置が分担する処理を最適化すること等により、音声認識処理の高精度化、処理負荷に適応的に対応することによる処理速度の向上、音声認識処理あるいはアプリケーションの機能改良による利便性の向上、実行されるアプリケーションの数や種類の増加による目的とする処理の高速化・高機能化等を図ることができる。
また、本実施形態における情報処理装置１及び情報処理システムＳは、事前に音声入力で指示を行うことによって、ユーザが予め設定した処理を自動実行する機能を有するため、操作者のリアルタイムでの操作を不要として、コンピュータの自動運転を実現することができる。
また、音声データまたは音声認識結果を取得する装置とは異なる装置によって、音声入力処理を実行することができるため、アプリケーションに対して音声により情報を入力するための機能を適切な形態で分散して実装することができる。
また、端末装置Ｔあるいは情報処理装置１に実装された１または複数のアプリケーションに対して、データ入力を自動的に行うことができる。
また、クラウドシステムとして情報処理システムＳを構成することで、複数の装置が分担する処理を最適化すること等により、音声認識処理の高精度化、処理負荷に適応的に対応することによる処理速度の向上、音声認識処理あるいはアプリケーションの機能改良による利便性の向上、実行されるアプリケーションの数や種類の増加による目的とする処理の高速化・高機能化等を図ることができる。
【0120】
本実施形態に係る情報処理システムＳの使用形態として、例えば、複数のユーザによる協業を効率的に行うシステムが想定される。
図１７は、複数ユーザの協業を支援する情報処理システムＳの機能を示す模式図である。
図１７に示す例では、情報処理システムＳを用いて、複数の社員Ａ，Ｂ・・・及びその管理職Ｘが、日常業務における業務報告及び資料の取りまとめを行う場合を示している。
図１７に示すように、情報処理システムＳのユーザである社員Ａ，Ｂ・・・は、一日の業務が終了するタイミング等で、当日の業務内容を自身が使用する端末装置Ｔに音声入力する。図１７に示す例では、社員Ａが、「本日の実績は、売上実績、Ａ１社ｎ円及びＡ２社ｍ円の２件、営業実績Ａ３社、Ａ４社、Ａ５社の３件、そのうち、見込みが高いのはＡ４社でした。」と端末装置Ｔに音声入力することで、業務報告を行っている。
同様に、他の社員も、自身の業務報告を端末装置Ｔに音声入力し、業務報告を行っている。
これら社員Ａ，Ｂ・・・の端末装置Ｔには、各社員が使用する１または複数のアプリケーションが実装されており、各社員は、自身が情報を入力する対象のアプリケーションを特定して音声入力する。図１７に示す例では、各社員が端末装置Ｔに実装された業務報告用のアプリケーションに対して、業務報告の音声入力を行う例を示している。なお、業務報告用のアプリケーションを情報処理装置１に実装し、端末装置Ｔから情報処理装置１に音声データを送信して、業務報告用のアプリケーションに対する音声入力処理を実行することとしてもよい。
また、管理職Ｘは、各社員からの業務報告がアップロードされることを見越して、各社員の業務報告を取りまとめる旨のタスクを自身の端末装置Ｔに対して音声入力する。なお、図１７に示す例では、管理職Ｘの端末装置Ｔでは、アプリケーションへの情報入力が行われず、音声認識処理のみが行われるものとする。
図１７は、複数ユーザの協業を支援する情報処理システムＳの機能を示す模式図である。
図１７に示す例では、情報処理システムＳを用いて、複数の社員Ａ，Ｂ・・・及びその管理職Ｘが、日常業務における業務報告及び資料の取りまとめを行う場合を示している。
図１７に示すように、情報処理システムＳのユーザである社員Ａ，Ｂ・・・は、一日の業務が終了するタイミング等で、当日の業務内容を自身が使用する端末装置Ｔに音声入力する。図１７に示す例では、社員Ａが、「本日の実績は、売上実績、Ａ１社ｎ円及びＡ２社ｍ円の２件、営業実績Ａ３社、Ａ４社、Ａ５社の３件、そのうち、見込みが高いのはＡ４社でした。」と端末装置Ｔに音声入力することで、業務報告を行っている。
同様に、他の社員も、自身の業務報告を端末装置Ｔに音声入力し、業務報告を行っている。
これら社員Ａ，Ｂ・・・の端末装置Ｔには、各社員が使用する１または複数のアプリケーションが実装されており、各社員は、自身が情報を入力する対象のアプリケーションを特定して音声入力する。図１７に示す例では、各社員が端末装置Ｔに実装された業務報告用のアプリケーションに対して、業務報告の音声入力を行う例を示している。なお、業務報告用のアプリケーションを情報処理装置１に実装し、端末装置Ｔから情報処理装置１に音声データを送信して、業務報告用のアプリケーションに対する音声入力処理を実行することとしてもよい。
また、管理職Ｘは、各社員からの業務報告がアップロードされることを見越して、各社員の業務報告を取りまとめる旨のタスクを自身の端末装置Ｔに対して音声入力する。なお、図１７に示す例では、管理職Ｘの端末装置Ｔでは、アプリケーションへの情報入力が行われず、音声認識処理のみが行われるものとする。
【0121】
すると、各社員の業務報告の音声入力がそれぞれの端末装置Ｔにおいて音声認識され、情報入力処理が実行される結果、アプリケーションの出力データが取得される。これらアプリケーションの出力データは、情報処理装置１に逐次送信される。各社員の端末装置Ｔからのアプリケーションの出力データは、各社員の業務報告の内容を表すデータである。この業務報告の内容を表すデータは、情報処理装置１において、各社員と対応付けて所定のデータベースに格納され、データとして利用することが可能となる。
また、管理職Ｘのタスクの音声入力が管理職の端末装置Ｔにおいて音声認識され、音声認識結果（テキストデータ）が情報処理装置１に送信される。
なお、図１７に示す例では、各社員の業務報告及び管理職Ｘのタスクの音声入力は、夕方までに行われるものとする。
そして、当日の深夜等、予め設定されたタイミングになると、情報処理装置１は、管理職Ｘのタスクに対応するテキストデータを対象として、情報入力処理（図１５参照）を実行する。図１７に示す例では、管理職Ｘが入力したタスクに対応するテキストデータを対象として、プレゼンテーション用のアプリケーションに対する情報入力処理が実行されている。即ち、情報処理装置１では、コンピュータの自動運転が行われている。なお、管理職Ｘの端末装置Ｔにプレゼンテーション用のアプリケーションを実装し、情報処理装置１のデータベースを参照しながら、管理職Ｘの端末装置Ｔがプレゼンテーション用のアプリケーションに対する音声入力処理を実行することとしてもよい。
また、管理職Ｘのタスクの音声入力が管理職の端末装置Ｔにおいて音声認識され、音声認識結果（テキストデータ）が情報処理装置１に送信される。
なお、図１７に示す例では、各社員の業務報告及び管理職Ｘのタスクの音声入力は、夕方までに行われるものとする。
そして、当日の深夜等、予め設定されたタイミングになると、情報処理装置１は、管理職Ｘのタスクに対応するテキストデータを対象として、情報入力処理（図１５参照）を実行する。図１７に示す例では、管理職Ｘが入力したタスクに対応するテキストデータを対象として、プレゼンテーション用のアプリケーションに対する情報入力処理が実行されている。即ち、情報処理装置１では、コンピュータの自動運転が行われている。なお、管理職Ｘの端末装置Ｔにプレゼンテーション用のアプリケーションを実装し、情報処理装置１のデータベースを参照しながら、管理職Ｘの端末装置Ｔがプレゼンテーション用のアプリケーションに対する音声入力処理を実行することとしてもよい。
【0122】
管理職Ｘが入力したタスクの内容が情報入力処理で実行されると、プレゼンテーション用のアプリケーションにデータ入力が行われ、各社員の業務報告のデータを参照しながら、プロパティまたはコマンドとして定義された取りまとめ結果の作成（部署全体の業務報告の作成）等が実行される。これにより、翌朝には管理職Ｘが求める取りまとめ結果（部署全体の業務報告）が利用できる状態となる。
即ち、本実施形態の情報処理システムＳによれば、データの内容等は異なるものの、作業の枠組みが決められている業務を、スピーチに基づくプロセスオートメーションとして実現することができる。
また、複数のアプリケーションに対して情報入力処理を実行することにより、自動的にデータ入力を行い、そのアプリケーションの出力データを対象として、さらに情報入力処理を実行することで、アプリケーションに対するより高度なデータ入力を行ったり、より複雑なデータを生成したりすることが可能となる。
また、情報処理システムＳ及び情報処理システムＳを構成する情報処理装置１によれば、事前に音声入力で指示を行うことによって、ユーザが予め設定した処理が自動実行されるため、操作者のリアルタイムでの操作を不要として、コンピュータの自動運転を実現することができる。
即ち、本実施形態の情報処理システムＳによれば、データの内容等は異なるものの、作業の枠組みが決められている業務を、スピーチに基づくプロセスオートメーションとして実現することができる。
また、複数のアプリケーションに対して情報入力処理を実行することにより、自動的にデータ入力を行い、そのアプリケーションの出力データを対象として、さらに情報入力処理を実行することで、アプリケーションに対するより高度なデータ入力を行ったり、より複雑なデータを生成したりすることが可能となる。
また、情報処理システムＳ及び情報処理システムＳを構成する情報処理装置１によれば、事前に音声入力で指示を行うことによって、ユーザが予め設定した処理が自動実行されるため、操作者のリアルタイムでの操作を不要として、コンピュータの自動運転を実現することができる。
【0123】
なお、上記手順を一般的な作業手順として行った場合、各社員が当日の夕方以降または翌日等に業務報告を作成し、管理職Ｘに提出することとなる。管理職Ｘは、全員の業務報告が提出された後、当日の夜以降または翌日等に業務報告の取りまとめを行い、取りまとめ結果（部署全体の業務報告）を作成する。
そのため、部署全体の業務報告をミーティング等で使用できるのは、通常の勤務時間帯で作業を行った場合、各社員の業務報告を締め切った翌日夕方または翌々日以降となる可能性が高い。また、これらの業務報告内容を全てデータ入力する必要がある場合、各社員の業務報告のタイミングがさらに遅れることになる。
そのため、部署全体の業務報告をミーティング等で使用できるのは、通常の勤務時間帯で作業を行った場合、各社員の業務報告を締め切った翌日夕方または翌々日以降となる可能性が高い。また、これらの業務報告内容を全てデータ入力する必要がある場合、各社員の業務報告のタイミングがさらに遅れることになる。
【0124】
これに対し、情報処理システムＳによって協業を支援した場合、各社員は業務報告内容を発話すればよく、管理職Ｘは、各社員の業務報告を待つことなく、各社員の業務報告を取りまとめる旨のタスクを発話すればよい。
そして、各社員の業務報告を締め切った翌朝には、管理職Ｘが望む部署全体の業務報告書が作成されていることとなり、ミーティング等のタイミングを早めることが可能となる。
そして、各社員の業務報告を締め切った翌朝には、管理職Ｘが望む部署全体の業務報告書が作成されていることとなり、ミーティング等のタイミングを早めることが可能となる。
【0125】
なお、各社員が業務報告を行う場合に、他の社員の業務報告を参照する必要がある場合、当該他の社員の業務報告内容を参照する旨を発話しておけば、情報処理装置１が情報入力処理を実行する際に、目的とする他の社員の業務報告内容を参照するコマンドを実行し、情報の欠落がない業務報告が作成できることとなる。
【0126】
ここで、上述の例においては、コンピュータとして構成される情報処理装置１を対象として、自動運転を行う場合について説明したが、制御対象となる装置は、各種機能を有する機器とすることができる。例えば、家庭またはオフィス用の清掃ロボットを制御対象としたり、各種家電及び住宅設備を制御するスマートハウス用制御装置を制御対象としたりすることができる。
【0127】
以上のように構成される情報処理装置１は、音声認識処理部５３と、認識結果演算部５４と、を備える。
音声認識処理部５３は、複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する。
認識結果演算部５４は、音声認識処理部５３によって取得された複数の音声認識結果において、第１の音声認識結果と第２の音声認識結果とを論理演算することにより、文字列のデータを取得する。
これにより、複数の音声認識結果を組み合わせて利用することができるため、複数の音声認識結果の中から確度の高い部分の音声認識結果を適宜選択したり、１つの音声認識結果を用いて他の音声認識結果の一部を除外または置換したり、１つの音声認識結果を参照して、他の音声認識結果の認識精度を高めたりすることができる。
したがって、言語処理等を行うことなく、より迅速かつ適切に音声入力結果を得ることができる。
音声認識処理部５３は、複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する。
認識結果演算部５４は、音声認識処理部５３によって取得された複数の音声認識結果において、第１の音声認識結果と第２の音声認識結果とを論理演算することにより、文字列のデータを取得する。
これにより、複数の音声認識結果を組み合わせて利用することができるため、複数の音声認識結果の中から確度の高い部分の音声認識結果を適宜選択したり、１つの音声認識結果を用いて他の音声認識結果の一部を除外または置換したり、１つの音声認識結果を参照して、他の音声認識結果の認識精度を高めたりすることができる。
したがって、言語処理等を行うことなく、より迅速かつ適切に音声入力結果を得ることができる。
【0128】
認識結果演算部５４は、複数の音声認識結果における時間情報を用いて、第１の音声認識結果と第２の音声認識結果との論理演算を行う。
これにより、音声認識結果の精度に関わらず、複数の音声認識結果の論理演算をより適切に行うことができる。
これにより、音声認識結果の精度に関わらず、複数の音声認識結果の論理演算をより適切に行うことができる。
【0129】
音声認識処理部５３は、異なる種類の音声認識処理を並列的に実行する。
認識結果演算部５４は、当該音声認識処理による異なる種類の音声認識結果を論理演算することにより、文字列のデータを取得する。
これにより、異なる種類の音声認識結果を組み合わせて利用することができるため、それぞれの種類の音声認識結果のうち、より有効な部分を選択することで、複数の音声認識結果から、より適切な文字列のデータを取得することが可能となる。
認識結果演算部５４は、当該音声認識処理による異なる種類の音声認識結果を論理演算することにより、文字列のデータを取得する。
これにより、異なる種類の音声認識結果を組み合わせて利用することができるため、それぞれの種類の音声認識結果のうち、より有効な部分を選択することで、複数の音声認識結果から、より適切な文字列のデータを取得することが可能となる。
【0130】
音声認識処理部５３は、ディクテーションを行う音声認識処理と、単語抽出を行う音声認識処理とを並列的に実行する。
認識結果演算部５４は、単語抽出を行う音声認識処理の音声認識結果に基づいて、ディクテーションを行う音声認識処理の音声認識結果の一部を除外または置換する。
単語抽出を行う音声認識処理によって抽出された単語は、音声認識結果としての確度が高いため、ディクテーションを行う音声認識処理のディクテーション結果から、抽出された単語を除外または置換することで、ディクテーションを行う音声認識処理の音声認識結果を用いる部分が限定的となり、より適切な文字列のデータを取得することが可能となる。
認識結果演算部５４は、単語抽出を行う音声認識処理の音声認識結果に基づいて、ディクテーションを行う音声認識処理の音声認識結果の一部を除外または置換する。
単語抽出を行う音声認識処理によって抽出された単語は、音声認識結果としての確度が高いため、ディクテーションを行う音声認識処理のディクテーション結果から、抽出された単語を除外または置換することで、ディクテーションを行う音声認識処理の音声認識結果を用いる部分が限定的となり、より適切な文字列のデータを取得することが可能となる。
【0131】
音声認識処理部５３は、複数の音声認識結果または文字列のデータが特定の音声認識処理と対応付けられている場合、当該特定の音声認識処理を実行し、複数の音声認識結果に代えて、当該特定の音声認識処理の結果を出力する。
これにより、複数の音声認識結果または文字列のデータによって、特定の音声認識処理が必要であることが判明した場合に、特定の音声認識処理を実行することにより、高精度な音声認識結果を迅速に出力することができる。
これにより、複数の音声認識結果または文字列のデータによって、特定の音声認識処理が必要であることが判明した場合に、特定の音声認識処理を実行することにより、高精度な音声認識結果を迅速に出力することができる。
【0132】
また、情報処理装置１は、データ入力・プロセス実行部１５５を備える。
データ入力・プロセス実行部１５５は、認識結果演算部５４によって取得された文字列に基づいて、後段の処理に対する情報の入力を制御する。
また、データ入力・プロセス実行部１５５は、音声認識結果から取得された文字列のデータに基づいて、表示画面に対する操作によって入力可能な情報を後段の処理に入力する。
これにより、マウス操作やキーボード入力等により表示画面に対する操作によって入力される情報を、高精度な認識結果を速やかに得ることが可能な音声認識処理によって入力できるため、音声による高精度で高速な情報入力を行うことが可能となる。
データ入力・プロセス実行部１５５は、認識結果演算部５４によって取得された文字列に基づいて、後段の処理に対する情報の入力を制御する。
また、データ入力・プロセス実行部１５５は、音声認識結果から取得された文字列のデータに基づいて、表示画面に対する操作によって入力可能な情報を後段の処理に入力する。
これにより、マウス操作やキーボード入力等により表示画面に対する操作によって入力される情報を、高精度な認識結果を速やかに得ることが可能な音声認識処理によって入力できるため、音声による高精度で高速な情報入力を行うことが可能となる。
【0133】
また、情報処理装置１は、音声入力インターフェース構築部１５２を備える。
音声入力インターフェース構築部１５２は、表示画面に対する操作を表すプロセスと音声認識処理による情報の入力のための文字列とを対応付ける。
データ入力・プロセス実行部１５５は、音声認識結果から取得された文字列のデータに基づいて、音声入力インターフェース構築部１５２によって文字列のデータと対応付けられた表示画面に対する操作を表すプロセスの実行を制御する。
これにより、表示画面に対する操作を表すプロセスと音声認識処理による情報の入力のための文字列のデータとを対応付けることができるため、ユーザの目的に応じて、音声認識による種々の情報の入力のための文字列を定義し、音声認識処理による多様な情報の入力を迅速に行うことが可能となる。また、複数の操作に対応するプロセスを組み合わせて、音声認識処理による情報の入力のための文字列を定義することができるため、表示画面に対する操作でユーザが行っていた操作位置の探索やマウスポインタの移動等に要する時間を短縮することができ、より迅速に情報の入力を行うことが可能となる。
音声入力インターフェース構築部１５２は、表示画面に対する操作を表すプロセスと音声認識処理による情報の入力のための文字列とを対応付ける。
データ入力・プロセス実行部１５５は、音声認識結果から取得された文字列のデータに基づいて、音声入力インターフェース構築部１５２によって文字列のデータと対応付けられた表示画面に対する操作を表すプロセスの実行を制御する。
これにより、表示画面に対する操作を表すプロセスと音声認識処理による情報の入力のための文字列のデータとを対応付けることができるため、ユーザの目的に応じて、音声認識による種々の情報の入力のための文字列を定義し、音声認識処理による多様な情報の入力を迅速に行うことが可能となる。また、複数の操作に対応するプロセスを組み合わせて、音声認識処理による情報の入力のための文字列を定義することができるため、表示画面に対する操作でユーザが行っていた操作位置の探索やマウスポインタの移動等に要する時間を短縮することができ、より迅速に情報の入力を行うことが可能となる。
【0134】
また、情報処理装置１は、音声認識エンジン選択部１５３を備える。
音声認識エンジン選択部１５３は、音声認識処理部５３において並列的に実行される音声認識処理を選択する。
これにより、並列的に実行される複数の音声認識処理として適切なものを選択することができるため、より高精度な音声認識結果を取得することが可能となる。
音声認識エンジン選択部１５３は、音声認識処理部５３において並列的に実行される音声認識処理を選択する。
これにより、並列的に実行される複数の音声認識処理として適切なものを選択することができるため、より高精度な音声認識結果を取得することが可能となる。
【0135】
音声認識処理部５３は、リアルタイムに入力された音声のデータに対して、複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する。
これにより、入力された音声のデータから、高精度な音声認識結果を逐次取得することができる。
これにより、入力された音声のデータから、高精度な音声認識結果を逐次取得することができる。
【0136】
音声認識処理部５３は、過去に入力されて蓄積された音声のデータに対して、複数の音声認識処理を並列的に実行することにより、複数の音声認識結果を取得する。
これにより、任意のタイミングで、音声のデータから高精度な音声認識結果を取得することができる。
これにより、任意のタイミングで、音声のデータから高精度な音声認識結果を取得することができる。
【0137】
情報処理装置１は、音声認識処理部５３と、データ入力・プロセス実行部１５５と、を備える。
音声認識処理部５３は、ユーザの制御対象装置に対する指示の発話を音声認識する。
データ入力・プロセス実行部１５５は、音声認識処理部５３によって取得された音声認識結果を解析することにより、前記指示に対応する処理内容を取得する。
データ入力・プロセス実行部１５５は、音声認識処理部５３によって取得された音声認識結果を蓄積し、設定されたタイミングで、取得された処理内容を自動的に実行する。
これにより、事前に音声入力で指示を行うことによって、ユーザが予め設定した処理を自動実行させることが可能となる。
音声認識処理部５３は、ユーザの制御対象装置に対する指示の発話を音声認識する。
データ入力・プロセス実行部１５５は、音声認識処理部５３によって取得された音声認識結果を解析することにより、前記指示に対応する処理内容を取得する。
データ入力・プロセス実行部１５５は、音声認識処理部５３によって取得された音声認識結果を蓄積し、設定されたタイミングで、取得された処理内容を自動的に実行する。
これにより、事前に音声入力で指示を行うことによって、ユーザが予め設定した処理を自動実行させることが可能となる。
【0138】
データ入力・プロセス実行部１５５は、制御対象装置を制御するアプリケーションを動作させることにより、当該制御対象装置を自動運転する。
これにより、操作者のリアルタイムでの操作を不要として、制御対象装置の自動運転を実現することができる。
これにより、操作者のリアルタイムでの操作を不要として、制御対象装置の自動運転を実現することができる。
【0139】
情報処理装置１は、音声認識処理部５３と、コマンド・プロパティＤＢ１７２と、データ入力・プロセス実行部１５５と、を備える。
音声認識処理部５３は、アプリケーションの入力インターフェースに対する操作のための音声を認識する。
コマンド・プロパティＤＢ１７２は、アプリケーションの入力インターフェースに対する操作を表す１または複数のプロセスによって構成される操作内容データを記憶する。
データ入力・プロセス実行部１５５は、音声認識処理部５３によって、操作内容データを識別する発話が認識された場合に、当該発話によって識別される操作内容データをコマンド・プロパティＤＢ１７２から読み出し、操作内容データを構成する１または複数のプロセスに対応する操作を入力インターフェースに対して実行する。
これにより、操作者が連続的に発話を行った場合でも、発話に含まれるコマンドあるいはプロパティ等の操作内容データを適切に実行しながら、音声による情報入力を行うことが可能となる。
この結果、マウス操作やキーボード入力を前提とするインターフェースを有するアプリケーション（コンピュータプログラム）に変更を加えることなく、人間が行っていたマウス操作やキーボード入力等による情報入力プロセスをコンピュータに代替させることができる。
そのため、入力処理時間の削減及び入力精度の向上を図ることができる。
音声認識処理部５３は、アプリケーションの入力インターフェースに対する操作のための音声を認識する。
コマンド・プロパティＤＢ１７２は、アプリケーションの入力インターフェースに対する操作を表す１または複数のプロセスによって構成される操作内容データを記憶する。
データ入力・プロセス実行部１５５は、音声認識処理部５３によって、操作内容データを識別する発話が認識された場合に、当該発話によって識別される操作内容データをコマンド・プロパティＤＢ１７２から読み出し、操作内容データを構成する１または複数のプロセスに対応する操作を入力インターフェースに対して実行する。
これにより、操作者が連続的に発話を行った場合でも、発話に含まれるコマンドあるいはプロパティ等の操作内容データを適切に実行しながら、音声による情報入力を行うことが可能となる。
この結果、マウス操作やキーボード入力を前提とするインターフェースを有するアプリケーション（コンピュータプログラム）に変更を加えることなく、人間が行っていたマウス操作やキーボード入力等による情報入力プロセスをコンピュータに代替させることができる。
そのため、入力処理時間の削減及び入力精度の向上を図ることができる。
【0140】
情報処理装置１は、並列処理部６００と、処理結果演算部５４Ａと、を備える。
並列処理部６００は、１つの音声認識処理による音声認識結果に対して、異なる機能を有する複数の処理を並列的に実行することにより、複数の処理結果を取得する。
処理結果演算部５４Ａは、並列処理部６００によって取得された複数の処理結果において、第１の処理結果と第２の処理結果とを論理演算することにより、文字列のデータを取得する。
これにより、処理負荷の増大を抑制しつつ、単独の音声認識処理による処理結果よりも有用な情報を得ることができる。
並列処理部６００は、１つの音声認識処理による音声認識結果に対して、異なる機能を有する複数の処理を並列的に実行することにより、複数の処理結果を取得する。
処理結果演算部５４Ａは、並列処理部６００によって取得された複数の処理結果において、第１の処理結果と第２の処理結果とを論理演算することにより、文字列のデータを取得する。
これにより、処理負荷の増大を抑制しつつ、単独の音声認識処理による処理結果よりも有用な情報を得ることができる。
【0141】
情報処理システムＳは、複数の情報処理装置（端末装置Ｔ及び情報処理装置１）を備える。
音声認識処理部５３は、複数の情報処理装置のいずれかに入力された音声を音声認識処理する。
データ入力・プロセス実行部１５５は、音声認識処理による音声認識結果の構文を解析する。
データ入力・プロセス実行部１５５は、解析結果に基づいて、アプリケーションに対する情報の入力を制御する。
アプリケーション実行部５５は、データ入力・プロセス実行部１５５によるアプリケーションに対する情報の入力に従って、当該アプリケーションを実行する。
これにより、音声認識を用いた情報入力を行う上で、利便性の向上を図ることができる。
また、アプリケーションに対して音声により情報を入力するための機能を適切な形態で分散して実装することができる。
音声認識処理部５３は、複数の情報処理装置のいずれかに入力された音声を音声認識処理する。
データ入力・プロセス実行部１５５は、音声認識処理による音声認識結果の構文を解析する。
データ入力・プロセス実行部１５５は、解析結果に基づいて、アプリケーションに対する情報の入力を制御する。
アプリケーション実行部５５は、データ入力・プロセス実行部１５５によるアプリケーションに対する情報の入力に従って、当該アプリケーションを実行する。
これにより、音声認識を用いた情報入力を行う上で、利便性の向上を図ることができる。
また、アプリケーションに対して音声により情報を入力するための機能を適切な形態で分散して実装することができる。
【0142】
情報処理システムＳには、複数の前記アプリケーションが実装される。
アプリケーション実行部５５は、データ入力・プロセス実行部１５５による構文の解析結果が、他のアプリケーションの実行結果を参照することを示している場合、当該他の前記アプリケーションの実行結果を参照して、実行対象の前記アプリケーションを自動的に実行する。
これにより、アプリケーションに対するより高度なデータ入力を自動的に行ったり、より複雑なデータを自動的に生成したりすることが可能となる。
アプリケーション実行部５５は、データ入力・プロセス実行部１５５による構文の解析結果が、他のアプリケーションの実行結果を参照することを示している場合、当該他の前記アプリケーションの実行結果を参照して、実行対象の前記アプリケーションを自動的に実行する。
これにより、アプリケーションに対するより高度なデータ入力を自動的に行ったり、より複雑なデータを自動的に生成したりすることが可能となる。
【0143】
なお、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。
例えば、上述の実施形態において、情報処理装置１を単体の装置として構成し、本発明を１つの装置において実行する例について説明したが、これに限られない。即ち、情報処理装置１が備える機能をネットワークを介して通信可能に接続された複数の装置に実装し、情報処理システムとして本発明を実現することとしてもよい。例えば、音声入力インターフェース構築処理と情報入力処理とを異なる装置で実行することとし、コマンド及びプロパティの定義を行う機能と、アプリケーションに対する情報入力を行う機能とを異なる装置に実装することとしてもよい。
また、上述の実施形態において、データを表す単語については、同義語を特定の単語に集約することとしてもよい。例えば、「辺縁」プロパティに対するデータとして、「シャープ」という音声入力が行われた場合、同義語である「鋭利」に変換して入力すること等が可能である。
例えば、上述の実施形態において、情報処理装置１を単体の装置として構成し、本発明を１つの装置において実行する例について説明したが、これに限られない。即ち、情報処理装置１が備える機能をネットワークを介して通信可能に接続された複数の装置に実装し、情報処理システムとして本発明を実現することとしてもよい。例えば、音声入力インターフェース構築処理と情報入力処理とを異なる装置で実行することとし、コマンド及びプロパティの定義を行う機能と、アプリケーションに対する情報入力を行う機能とを異なる装置に実装することとしてもよい。
また、上述の実施形態において、データを表す単語については、同義語を特定の単語に集約することとしてもよい。例えば、「辺縁」プロパティに対するデータとして、「シャープ」という音声入力が行われた場合、同義語である「鋭利」に変換して入力すること等が可能である。
【0144】
また、上述の実施形態に記載された例を適宜組み合わせて、本発明を実施することが可能である。
上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。
換言すると、図２，３，８の機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理装置１に備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図２，３，８の例に限定されない。
また、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。
換言すると、図２，３，８の機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理装置１に備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図２，３，８の例に限定されない。
また、１つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
【0145】
一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えば汎用のパーソナルコンピュータであってもよい。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えば汎用のパーソナルコンピュータであってもよい。
【0146】
プログラムを記憶する記憶媒体は、装置本体とは別に配布されるリムーバブルメディア、あるいは、装置本体に予め組み込まれた記憶媒体等で構成される。リムーバブルメディアは、例えば、磁気ディスク、光ディスク、光磁気ディスクあるいはフラッシュメモリ等により構成される。光ディスクは、例えば、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ），ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ），Ｂｌｕ－ｒａｙ Ｄｉｓｃ（登録商標）等により構成される。光磁気ディスクは、ＭＤ（Ｍｉｎｉ－Ｄｉｓｋ）等により構成される。フラッシュメモリは、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリあるいはＳＤカードにより構成される。また、装置本体に予め組み込まれた記憶媒体は、例えば、プログラムが記憶されているＲＯＭやハードディスク等で構成される。
【0147】
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
また、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
【符号の説明】
【0148】
１ 情報処理装置、１１ ＣＰＵ、１２ ＲＯＭ、１３ ＲＡＭ、１４ バス、１５ 入力部、１５ａ 操作入力部、１５ｂ 音声入力部、１６ 出力部、１７ 記憶部、１８ 通信部、１９ ドライブ、２０ 撮像部、３１ リムーバブルメディア、５１ 音声データ受付部、５２ 前処理部、５３，５３Ａ 音声認識処理部、５３－１～５３－ｎ 第１音声認識部～第ｎ音声認識部、５４ 認識結果演算部、５４Ａ 処理結果演算部、５５ アプリケーション実行部、７１ 音声認識辞書データベース（音声認識辞書ＤＢ）、７２ 単語辞書データベース（単語辞書ＤＢ）、７３ 音声認識結果データベース（音声認識結果ＤＢ）、１５１ ユーザインターフェース制御部（ＵＩ制御部）、１５２ 音声入力インターフェース構築部、１５３ 音声認識エンジン選択部、１５４ 特定音声認識部、１５５ データ入力・プロセス実行部、１７１ 音声認識エンジンデータベース（音声認識エンジンＤＢ）、１７２ コマンド・プロパティデータベース（コマンド・プロパティＤＢ）、５０１ ディクテーション音声認識部、５０２ 第１認識結果特定部、５０３ 第１認識結果出力部、５１１ 単語抽出音声認識部、５１２ 第２認識結果特定部、５１３ 第２認識結果出力部、６００ 並列処理部、６０１ 第１認識結果処理部、６０２ 第２認識結果処理部、Ｓ 情報処理システム、Ｔ 端末装置、Ｎ ネットワーク
【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】
【図16】
【図17】