特開 2024-10464 音声認識精度向上装置、及び音声認識精度向上方法

(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】P2024010464

(43)【公開日】2024-01-24

(54)【発明の名称】音声認識精度向上装置、及び音声認識精度向上方法

(51)【国際特許分類】

   G10L 15/06 20130101AFI20240117BHJP

   G10L 13/00 20060101ALI20240117BHJP

   G10L 25/51 20130101ALI20240117BHJP

【ＦＩ】

G10L15/06 300Y

G10L13/00 100L

G10L25/51

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022111812

(22)【出願日】2022-07-12

(71)【出願人】

【識別番号】000102728

【氏名又は名称】株式会社ＮＴＴデータグループ

(74)【代理人】

【識別番号】110001634

【氏名又は名称】弁理士法人志賀国際特許事務所

(72)【発明者】

【氏名】千葉 詩音

(72)【発明者】

【氏名】野村 雄司

(72)【発明者】

【氏名】近藤 功

(72)【発明者】

【氏名】和知 徳磨

(57)【要約】

【課題】容易に音声認識の精度を向上させること。
【解決手段】音声認識精度向上装置は、ドキュメントから学習対象とする用語を抽出する用語抽出部と、用語抽出部により抽出された用語が含まれる文のテキストデータを生成するテキスト生成部と、テキスト生成部により生成された文のテキストデータから音声データを生成する音声合成部と、テキスト生成部により生成された文のテキストデータと、音声合成部により生成された音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力する学習部と、を備える。
【選択図】図７

【特許請求の範囲】

【請求項1】

ドキュメントから学習対象とする用語を抽出する用語抽出部と、
前記用語抽出部により抽出された用語が含まれる文のテキストデータを生成するテキスト生成部と、
前記テキスト生成部により生成された文のテキストデータから音声データを生成する音声合成部と、
前記テキスト生成部により生成された文のテキストデータと、前記音声合成部により生成された音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力する学習部と、
を備える音声認識精度向上装置。

【請求項2】

前記学習部は、
既存の音声認識モデルに対して前記データセットを用いて学習を行うことにより、既存の音声認識モデルに追加学習を行った学習済みの音声認識モデルを出力する、
請求項１に記載の音声認識精度向上装置。

【請求項3】

前記テキスト生成部は、
前記用語抽出部により抽出された用語を検索用語として、通信ネットワークを介して接続されるサーバ上のコンテンツを検索することにより、当該用語が含まれる文のテキストデータを生成する、
請求項１または請求項２に記載の音声認識精度向上装置。

【請求項4】

予め作成された試験用テキストデータから生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換する音声認識部と、
前記音声認識部により変換されたテキストデータと前記試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語を抽出する評価部と、
前記評価部により抽出された用語が含まれる文のテキストデータを生成するテキスト生成部と、
前記テキスト生成部により生成された文のテキストデータから音声データを生成する第１音声合成部と、
前記テキスト生成部により生成された文のテキストデータと、前記第１音声合成部により生成された音声データとの組をデータセットとして、前記音声認識モデルに追加学習を行い、前記音声認識モデルを更新する学習部と、
を備える音声認識精度向上装置。

【請求項5】

前記試験用テキストデータから音声合成処理により前記試験用音声データを生成する第２音声合成部、
をさらに備える請求項４に記載の音声認識精度向上装置。

【請求項6】

前記テキスト生成部は、
前記評価部により抽出された用語を検索用語として、通信ネットワークを介して接続されるサーバ上のコンテンツを検索することにより、当該用語が含まれる文のテキストデータを生成する、
請求項４または請求項５に記載の音声認識精度向上装置。

【請求項7】

音声認識精度向上装置における音声認識精度向上方法であって、
用語抽出部が、ドキュメントから学習対象とする用語を抽出するステップと、
テキスト生成部が、前記用語抽出部により抽出された用語が含まれる文のテキストデータを生成するステップと、
音声合成部が、前記テキスト生成部により生成された文のテキストデータから音声データを生成するステップと、
学習部が、前記テキスト生成部により生成された文のテキストデータと、前記音声合成部により生成された音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力するステップと、
を含む音声認識精度向上方法。

【請求項8】

音声認識精度向上装置における音声認識精度向上方法であって、
音声認識部が、予め作成された試験用テキストデータから生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換するステップと、
評価部が、前記音声認識部により変換されたテキストデータと前記試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語を抽出するステップと、
テキスト生成部が、前記評価部により抽出された用語が含まれる文のテキストデータを生成するステップと、
第１音声合成部が、前記テキスト生成部により生成された文のテキストデータから音声データを生成するステップと、
学習部が、前記テキスト生成部により生成された文のテキストデータと、前記第１音声合成部により生成された音声データとの組をデータセットとして、前記音声認識モデルに追加学習を行い、前記音声認識モデルを更新するステップと、
を含む音声認識精度向上方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、音声認識精度向上装置、及び音声認識精度向上方法に関する。

【背景技術】

【0002】

従来、音声認識(音声を文字起こしする)を行う技術として、音響モデル、発音辞書（発音モデル）、及び言語モデルを複合させる手法が用いられていた。この手法では、精度向上のために追加学習させる場合、複数のモデルのそれぞれに対して学習用のデータセットを用意する必要がある。これに対し、近年では、1つのモデルで音声認識を行うＥｎｄ－ｔｏ－Ｅｎｄ型の音声認識が登場し、より高精度な認識が可能となりつつある。Ｅｎｄ－ｔｏ－Ｅｎｄ型の音声認識では、1つのモデルに対して学習用のデータセット（テキストと音声のデータセット）を用意すればよい（例えば、特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－０１０４１０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

Ｅｎｄ－ｔｏ－Ｅｎｄ型の音声認識では、精度向上のために追加学習させる場合、1つのモデルに対し入出力のデータセットを用意すればよいが、テキストと音声のデータセットが必要である。学習用に膨大な量のテキストと音声のデータセットを用意することは容易でなく、また、精度を向上させるためには、データセットのテキストと音声の内容も適したものを用意する必要がある。そのため、音声認識の精度を向上させることが容易ではなかった。

【0005】

本発明は、上記した課題に鑑みてなされたもので、容易に音声認識の精度を向上させることができる音声認識精度向上装置、及び音声認識精度向上方法を提供することを目的の一つとする。

【課題を解決するための手段】

【0006】

上述の課題を解決するために、本発明の一態様に係る音声認識精度向上装置は、ドキュメントから学習対象とする用語を抽出する用語抽出部と、前記用語抽出部により抽出された用語が含まれる文のテキストデータを生成するテキスト生成部と、前記テキスト生成部により生成された文のテキストデータから音声データを生成する音声合成部と、前記テキスト生成部により生成された文のテキストデータと、前記音声合成部により生成された音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力する学習部と、を備える。

【0007】

また、本発明の一態様に係る音声認識精度向上装置は、予め作成された試験用テキストデータから生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換する音声認識部と、前記音声認識部により変換されたテキストデータと前記試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語を抽出する評価部と、前記評価部により抽出された用語が含まれる文のテキストデータを生成するテキスト生成部と、前記テキスト生成部により生成された文のテキストデータから音声データを生成する第１音声合成部と、前記テキスト生成部により生成された文のテキストデータと、前記第１音声合成部により生成された音声データとの組をデータセットとして、前記音声認識モデルに追加学習を行い、前記音声認識モデルを更新する学習部と、を備える。

【0008】

また、本発明の一態様に係る音声認識精度向上装置における音声認識精度向上方法は、用語抽出部が、ドキュメントから学習対象とする用語を抽出するステップと、テキスト生成部が、前記用語抽出部により抽出された用語が含まれる文のテキストデータを生成するステップと、音声合成部が、前記テキスト生成部により生成された文のテキストデータから音声データを生成するステップと、学習部が、前記テキスト生成部により生成された文のテキストデータと、前記音声合成部により生成された音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力するステップと、を含む。

【0009】

また、本発明の一態様に係る音声認識精度向上装置における音声認識精度向上方法は、音声認識部が、予め作成された試験用テキストデータから生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換するステップと、評価部が、前記音声認識部により変換されたテキストデータと前記試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語を抽出するステップと、テキスト生成部が、前記評価部により抽出された用語が含まれる文のテキストデータを生成するステップと、第１音声合成部が、前記テキスト生成部により生成された文のテキストデータから音声データを生成するステップと、学習部が、前記テキスト生成部により生成された文のテキストデータと、前記第１音声合成部により生成された音声データとの組をデータセットとして、前記音声認識モデルに追加学習を行い、前記音声認識モデルを更新するステップと、を含む。

【発明の効果】

【0010】

本発明の上記態様によれば、容易に音声認識の精度を向上させることができる。

【図面の簡単な説明】

【0011】

【図1】第１の実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図。

【図2】第１の実施形態に係る音声認識精度向上装置のハードウェア構成の一例を示すブロック図。

【図3】第１の実施形態に係る音声認識精度向上処理の一例を示すフローチャート。

【図4】第１の実施形態に係る音声認識精度向上処理の検証結果の一例を示す図。

【図5】第２の実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図。

【図6】第２の実施形態に係る音声認識精度向上処理の一例を示すフローチャート。

【図7】第３の実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図。

【図8】第３の実施形態に係る用語抽出処理の一例を示す図。

【図9】第３の実施形態に係る音声認識精度向上処理の一例を示すフローチャート。

【図10】第４の実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図。

【図11】第４の実施形態に係る音声認識精度向上処理の一例を示すフローチャート。

【発明を実施するための形態】

【0012】

以下、図面を参照して、本発明の実施形態について説明する。
＜第１の実施形態＞
[概要]
まず、第１の実施形態に係る音声認識精度向上システムの概要について説明する。
図１は、本実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図である。図示する音声認識精度向上システム１は、音声認識精度向上装置１０を含んで構成されている。なお、音声認識精度向上装置１０は、１つのコンピュータ装置で構成されても良いし、複数のコンピュータ装置が連携して実現される構成であっても良い。

【0013】

音声認識精度向上装置１０は、テキストと音声との関係をモデル化した１つのモデルで音声をテキストに変換するＥｎｄ－ｔｏ－Ｅｎｄ型の音声認識に対して、テキストのみを入力データとして用意することで追加学習を行うことが可能な構成である。例えば、音声認識精度向上装置１０は、テキスト取得部１０１と、音声合成部１０２と、学習部１０３と、音声認識モデル記憶部１０４とを備えている。

【0014】

テキスト取得部１０１は、音声認識モデルに学習させる文のテキストデータの入力を受け付け、入力されたテキストデータを取得する。このテキストデータは、例えば、パーソナルコンピュータなどを用いて人手で作成されたものである。テキスト取得部１０１は、取得したテキストデータを音声合成部１０２と学習部１０３へ出力する。ここで、入力データとして文のテキストデータを用いるのは、単語のみよりも、複数の単語が含まれる文として入力する方が、音声認識の精度向上が見込まれるからである。

【0015】

音声合成部１０２は、テキスト取得部１０１から出力されたテキストデータを受取ると、当該テキストデータから音声データを生成する。例えば、音声合成部１０２は、テキストデータを解析してテキストに含まれる各単語の読み（発音）、アクセント位置、品詞情報などを推定し、各音韻の長さや高さ、リズム、イントネーションの情報（韻律情報）などを生成して音声合成により音声データ（音声波形のデータ）を生成する。そして、音声合成部１０２は、生成した音声データを学習部１０３へ出力する。

【0016】

学習部１０３は、テキスト取得部１０１から出力されたテキストデータと、音声合成部１０２から出力された音声データとを受取ると、受け取ったテキストデータと音声データとの組をデータセットとして音声認識モデルの学習を行う。そして、学習部１０３は、学習を行った学習済みの音声認識モデルを出力する。例えば、学習部１０３は、既存の音声認識モデルに対して、上記のテキストデータと音声データとの組をデータセットとして追加学習を行い、追加学習を行った学習済みの新規の音声認識モデルを出力する。

【0017】

音声認識モデル記憶部１０４は、既存の音声認識モデル及び追加学習済みの新規の音声認識モデルなどを記憶する。

【0018】

図２は、本実施形態に係る音声認識精度向上装置のハードウェア構成の一例を示すブロック図である。音声認識精度向上装置１０は、ハードウェア構成として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１２と、ＲＯＭ（Ｒｅｓａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１３と、記憶装置１４と、通信部１５と、入力部１６と、出力部１７とを備えている。

【0019】

ＣＰＵ１１は、ＲＯＭ１３または記憶装置１４に記憶されているプログラムを実行することにより各種の処理を実行するプロセッサである。例えば、ＣＰＵ１１は、テキスト取得部１０１によるテキスト取得処理、音声合成部１０２による音声合成処理、学習部１０３による音声認識モデルの学習処理などを行う。

【0020】

ＲＡＭ１２は、ＣＰＵ１１が実行するプログラムの読み込み領域として、又は、当該プログラムによる処理に使用するデータを書き込む作業領域として利用される。

【0021】

ＲＯＭ１３は、例えば、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒy）やフラッシュＲＯＭなどの電気的に書き換え可能な不揮発性メモリで構成される。例えば、ＲＯＭ１３には、システムプログラム、各種処理を実行するプログラムなどの少なくとも一部が記憶されている。

【0022】

記憶装置１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、などを含んで構成される。例えば、記憶装置１４には、システムプログラム、各種処理を実行するプログラムなどの少なくとも一部が記憶されてもよい。また、記憶装置１４には、図１に示す音声認識モデル記憶部１０４としても機能し、既存の音声認識モデル、追加学習した学習済みの新規の音声認識モデルなどが記憶される。

【0023】

通信部１５は、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）または有線ＬＡＮによりネットワークに接続して、外部の装置（サーバなど）とデータ通信を行う。また、通信部１５は、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの近距離無線通信、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）などのインターフェースを備えて周辺機器類とデータ通信を行ってもよい。

【0024】

入力部１６は、例えば、キーボード、タッチパッド、タッチパネル、マイクロフォンなどの入力デバイスを備えている。出力部１７は、液晶ディスプレイ、有機ＥＬディスプレイなどの表示デバイス、スピーカなどの出力デバイスなどを備えている。

【0025】

なお、前述したように、音声認識精度向上装置１０は、１つのコンピュータ装置で構成されても良いし、複数のコンピュータ装置が連携して実現される構成であっても良いため、図２に示すハードウェア構成を１つ備えても良いし、複数備えても良い。例えば、音声認識精度向上装置１０は、テキスト取得部１０１と音声合成部１０２を含むコンピュータ装置と、学習部１０３と音声認識モデル記憶部１０４を含むコンピュータ装置とが通信可能に接続された構成において、各コンピュータ装置が、図２に示すハードウェア構成を備える構成としても良い。

【0026】

次に、上述した音声認識精度向上装置１０が実行する音声認識精度向上処理の動作について説明する。
図３は、本実施形態に係る音声認識精度向上処理の一例を示すフローチャートである。

【0027】

まず、テキスト取得部１０１は、音声認識モデルに学習させる対象となる文のテキストデータ（以下、「学習対象のテキストデータ」と称する）の入力を受け付け、学習対象のテキストデータを取得したか否かを判定する（ステップＳ１０１）。テキスト取得部１０１は、学習対象のテキストデータを取得していないと判定した場合（ステップＳ１０１：ＮＯ）、ステップＳ１０１の処理を再び実行し、学習対象のテキストデータの入力を待ち受ける。一方、テキスト取得部１０１は、学習対象のテキストデータを取得したと判定した場合（ステップＳ１０１：ＹＥＳ）、取得したテキストデータを音声合成部１０２と学習部１０３へ出力し、ステップＳ１０３の処理へ進む。

【0028】

次に、音声合成部１０２は、テキスト取得部１０１から出力された学習対象のテキストデータを受取ると、当該テキストデータから音声合成により音声データを生成し、生成した音声データを学習部１０３へ出力する（ステップＳ１０３）。

【0029】

続いて、学習部１０３は、テキスト取得部１０１から出力されたテキストデータと、音声合成部１０２から出力された音声データとを受取ると、受け取ったテキストデータと音声データとの組をデータセットとして音声認識モデルの学習を行う（ステップＳ１０５）。例えば、学習部１０３は、音声認識モデル記憶部１０４に記憶されている既存の音声認識モデルに対して、上記のテキストデータと音声データとの組をデータセットとして追加学習を行う。そして、学習部１０３は、追加学習を行った学習済みの新規の音声認識モデルを出力し、音声認識モデル記憶部１０４に記憶させる。

【0030】

なお、学習部１０３は、学習済みの新規の音声認識モデルを音声認識モデル記憶部１０４に記憶させる際に、既存の音声認識モデルに対して上書きして更新してもよいし、既存の音声認識モデルを残して、学習済みの新規の音声認識モデルを別途記憶させてもよい。

【0031】

図４は、本実施形態に係る音声認識精度向上処理の検証結果の一例を示す図である。図示する例は、本実施形態においてテキストデータと音声合成による音声データとをデータセットとして追加学習を行った音声認識モデルによる音声認識精度と、テキストデータと人が発声する音声データとをデータセットとして追加学習を行った音声認識モデルによる音声認識精度と、追加学習無しの既存の音声認識モデルによる音声認識精度との比較を示している。図示するように、本実施形態に係る音声合成による音声データを用いて追加学習を行った場合も、人が発声する音声データを用いて追加学習を行った場合に近いレベルで、追加学習無しの既存の音声認識モデルに対して音声認識精度が改善されている。

【0032】

このように、本実施形態に係る音声認識精度向上装置１０は、テキストデータのみを用意することで、テキストデータから音声データを生成して音声認識モデルの学習を行うことができるため、膨大な量のテキストデータに対応する音声データを用意する必要が無く、容易に音声認識の精度を向上させることができる。

【0033】

＜第２の実施形態＞
次に、第２の実施形態について説明する。
第１の実施形態では、音声認識精度向上処理を行う際に、学習対象のテキストデータを入力データとする例を説明した。これに対し、本実施形態では、音声認識精度向上処理を行う際に入力する学習対象のテキストデータを、学習対象の用語を入力データとすることにより自動で生成する例を説明する。

【0034】

図５は、本実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図である。この図５において、図１に対応する構成には同一の符号を付している。図示する音声認識精度向上システム１Ａは、音声認識精度向上装置１０Ａと、ウェブサーバ２０とを含んで構成されている。音声認識精度向上装置１０Ａとウェブサーバ２０とはインターネットなどの通信ネットワークを介して接続される。ウェブサーバ２０は、通信ネットワークを介して接続されるサーバを代表して図示したものであり、実際には、音声認識精度向上装置１０Ａは、複数のウェブサーバ２０と通信ネットワークを介して接続される。

【0035】

音声認識精度向上装置１０Ａは、テキスト取得部１０１と、音声合成部１０２と、学習部１０３と、音声認識モデル記憶部１０４と、テキスト生成部１０５とを備えており、テキスト生成部１０５を備える点が、図１に示す音声認識精度向上装置１０の構成と相違する。

【0036】

テキスト生成部１０５は、学習対象の用語が入力されると、入力された用語が含まれる文のテキストデータ（学習対象のテキストデータ）を生成する。学習対象の用語とは、音声認識モデルの精度を向上させるために追加学習させたい用語である。例えば、学習対象の用語は、一般的な用語に加えてさらに学習させたい専門用語である。以下では、学習対象の用語の一例として、専門用語リストをテキスト生成部１０５へ入力するものとして説明する。専門用語リストは、例えば、パーソナルコンピュータなどを用いて人手で作成されたものである。

【0037】

テキスト生成部１０５は、専門用語リストが入力されると、入力された専門用語が含まれる文のテキストデータを生成する。例えば、テキスト生成部１０５は、入力された専門用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、専門用語が含まれる文のテキストデータを生成する。一例として、テキスト生成部１０５は、ウェブスクレイピングの技術を用いて、複数のウェブサーバ２０上のウェブサイトから専門用語が含まれる文を自動で抽出し、専門用語が含まれる文のテキストデータを生成する。そして、テキスト生成部１０５は、生成したテキストデータをテキスト取得部１０１へ出力する。

【0038】

なお、テキスト取得部１０１、音声合成部１０２、学習部１０３、および音声認識モデル記憶部１０４の基本的な構成は、第１の実施形態と同様である。テキスト取得部１０１は、音声認識モデルに学習させる文のテキストデータ（学習対象のテキストデータ）の入力として、テキスト生成部１０５により生成されたテキストデータを取得する。即ち、テキスト取得部１０１は、専門用語が含まれる文のテキストデータを取得し、取得したテキストデータを音声合成部１０２と学習部１０３へ出力する。

【0039】

音声合成部１０２は、第１の実施形態と同様に、テキスト取得部１０１から出力されたテキストデータ（専門用語が含まれる文のテキストデータ）を受取ると、当該テキストデータから音声合成により音声データを生成する。そして、音声合成部１０２は、生成した音声データを学習部１０３へ出力する。

【0040】

学習部１０３は、第１の実施形態と同様に、テキスト取得部１０１から出力されたテキストデータ（専門用語が含まれる文のテキストデータ）と、音声合成部１０２から出力された音声データとを受取ると、受け取ったテキストデータと音声データとの組をデータセットとして音声認識モデルの学習を行う。そして、学習部１０３は、学習を行った学習済みの音声認識モデルを出力する。例えば、学習部１０３は、音声認識モデル記憶部１０４に記憶されている既存の音声認識モデルに対して、上記のテキストデータと音声データとの組をデータセットとして追加学習を行い、追加学習を行った学習済みの新規の音声認識モデルを出力して音声認識モデル記憶部１０４に記憶させる。

【0041】

なお、音声認識精度向上装置１０Ａのハードウェア構成は、図２に示す音声認識精度向上装置１０のハードウェア構成と同様である。なお、音声認識精度向上装置１０Ａも音声認識精度向上装置１０と同様に、１つのコンピュータ装置で構成されても良いし、複数のコンピュータ装置が連携して実現される構成であっても良い。そのため、音声認識精度向上装置１０Ａは、図２に示すハードウェア構成を１つ備えても良いし、複数備えても良い。例えば、音声認識精度向上装置１０Ａは、テキスト生成部１０５を含むコンピュータ装置と、テキスト取得部１０１と音声合成部１０２を含むコンピュータ装置と、学習部１０３と音声認識モデル記憶部１０４を含むコンピュータ装置とが通信可能に接続された構成において、各コンピュータ装置が、図２に示すハードウェア構成を備える構成としても良い。

【0042】

次に、上述した音声認識精度向上装置１０Ａが実行する音声認識精度向上処理の動作について説明する。
図６は、本実施形態に係る音声認識精度向上処理の一例を示すフローチャートである。

【0043】

テキスト生成部１０５は、専門用語リストの入力を受け付け、専門用語リストを取得したか否かを判定する（ステップＳ２０１）。テキスト生成部１０５は、専門用語リストを取得していないと判定した場合（ステップＳ２０１：ＮＯ）、ステップＳ２０１の処理を再び実行し、専門用語リストの入力を待ち受ける。一方、テキスト生成部１０５は、専門用語リストを取得したと判定した場合（ステップＳ２０１：ＹＥＳ）、ステップＳ２０３の処理へ進む。

【0044】

テキスト生成部１０５は、専門用語リストを取得すると、取得した専門用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、専門用語が含まれる文のテキストデータを生成し、生成したテキストデータをテキスト取得部１０１へ出力する（ステップＳ２０３）。

【0045】

次に、テキスト取得部１０１は、テキスト生成部１０５により生成されたテキストデータ（専門用語が含まれる文のテキストデータ）を取得し、取得したテキストデータを音声合成部１０２と学習部１０３へ出力する（ステップＳ２０５）。

【0046】

以降のステップＳ２０７、Ｓ２０９の処理は、図３のステップＳ１０３、Ｓ１０５の処理と同様である。つまり、音声合成部１０２は、テキスト生成部１０５により生成されたテキストデータから音声合成により音声データを生成して学習部１０３へ出力する（ステップＳ２０７）。そして、学習部１０３は、テキスト生成部１０５により生成されたテキストデータ（専門用語が含まれる文のテキストデータ）と音声合成部１０２から出力された音声データとの組をデータセットとして音声認識モデルの学習を行う（ステップＳ２０９）。詳細については図３のステップＳ１０３、Ｓ１０５と同様であるため省略する。

【0047】

このように、本実施形態に係る音声認識精度向上装置１０Ａは、学習対象の用語（例えば、専門用語）のみを用意することで、自動で専門用語が含まれる学習対象のテキストデータを生成し、さらにテキストデータから音声データを生成して音声認識モデルの学習を行うことができるため、膨大な量のテキストデータ及び音声データを用意する必要が無く、容易且つ効率的に音声認識の精度を向上させることができる。

【0048】

＜第３の実施形態＞
次に、第３の実施形態について説明する。
第２の実施形態では、音声認識精度向上処理を行う際に、学習対象のテキストデータを専門用語リストから自動で生成する例を説明した。このとき、専門用語リストは人手をかけて作成する必要があったが、本実施形態では、専門用語リストも自動で生成する例を説明する。

【0049】

図７は、本実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図である。この図７において、図１、５に対応する構成には同一の符号を付している。図示する音声認識精度向上システム１Ｂは、音声認識精度向上装置１０Ｂと、ウェブサーバ２０とを含んで構成されている。

【0050】

音声認識精度向上装置１０Ｂは、テキスト取得部１０１と、音声合成部１０２と、学習部１０３と、音声認識モデル記憶部１０４と、テキスト生成部１０５と、用語抽出部１０６とを備えており、用語抽出部１０６を備える点が、図５に示す音声認識精度向上装置１０Ａの構成と相違する。

【0051】

用語抽出部１０６は、ドキュメントから専門用語を抽出する。第２の実施形態で説明したように、専門用語は、学習対象とする用語の一例である。ドキュメントとは、会議資料、議事録、発表資料、技術資料などのような専門用語が含まれる資料であって、音声認識モデルの学習用として作成するものではなく既に作成済みのものである。

【0052】

図８は、本実施形態に係る用語抽出処理の一例を示す図である。例えば、用語抽出部１０６は、「コーパス調達」、「前処理」、「候補抽出」、「スコアリング」の順に処理を実行し、スコアに基づいて用語を抽出する。まず、「コーパス調達」では、各種のドキュメントが含まれる特定ドメインのコーパスが用語抽出部１０６に入力される。用語抽出部１０６は、この入力された特定ドメインのコーパスから文章内の特徴語をドメイン用語（例えば、専門用語）として抽出する。

【0053】

具体的には、用語抽出部１０６は、入力された特定ドメインのコーパスを取得すると、「前処理」にて、形態素解析及びフィルタリングを行い、ドキュメントの内の文を形態素に分ける。次に、用語抽出部１０６は、「候補抽出」にて、任意の文字数の文字列（ｎ－ｇｒａｍ）を専門用語の候補となる用語として抽出する。続いて、用語抽出部１０６は、「スコアリング」にて、抽出した用語のそれぞれに「用語らしさ」のスコア（評価値）を付与する。

【0054】

スコアリングに用いるスコアリング関数としては、例えば、頻度情報に基づき計算される関数（Ｃｖａｌｕｅ）、一般コーパスと比較を表す関数（Ｒｅｌｅｖａｎｃｅ）、用語の希少度を計算する関数（Ｒｉｄｆ）、頻度情報を表す関数（Ｃｏｍｂｏ ｂａｓｉｃ）、複数の関数を集約した関数（ｖｏｔｉｎｇ）などのいずれか一つ又は複数を用いることができる。なお、ここに示すスコアリング関数は一例であって、これらに限られるものではない。

【0055】

用語抽出部１０６は、スコアに基づいて専門用語を抽出する。そして、用語抽出部１０６は、抽出した専門用語リストをテキスト生成部１０５へ出力する。

【0056】

テキスト生成部１０５は、入力される専門用語リストが用語抽出部１０６により抽出された専門用語リストである点を除いて、第２の実施形態に対して同様である。テキスト生成部１０５は、用語抽出部１０６により抽出された専門用語リストが入力されると、入力された専門用語が含まれる文のテキストデータを生成し、生成したテキストデータをテキスト取得部１０１へ出力する。また、テキスト取得部１０１、音声合成部１０２、学習部１０３、及び音声認識モデル記憶部１０４の各構成は、第１，２の実施形態と同様である。

【0057】

なお、音声認識精度向上装置１０Ｂのハードウェア構成は、図２に示す音声認識精度向上装置１０のハードウェア構成と同様である。なお、音声認識精度向上装置１０Ｂも音声認識精度向上装置１０と同様に、１つのコンピュータ装置で構成されても良いし、複数のコンピュータ装置が連携して実現される構成であっても良い。そのため、音声認識精度向上装置１０Ｂは、図２に示すハードウェア構成を１つ備えても良いし、複数備えても良い。例えば、音声認識精度向上装置１０Ｂは、用語抽出部１０６を含むコンピュータ装置と、テキスト生成部１０５を含むコンピュータ装置と、テキスト取得部１０１と音声合成部１０２を含むコンピュータ装置と、学習部１０３と音声認識モデル記憶部１０４を含むコンピュータ装置とが通信可能に接続された構成において、各コンピュータ装置が、図２に示すハードウェア構成を備える構成としても良い。

【0058】

次に、上述した音声認識精度向上装置１０Ｂが実行する音声認識精度向上処理の動作について説明する。
図９は、本実施形態に係る音声認識精度向上処理の一例を示すフローチャートである。

【0059】

用語抽出部１０６は、ドキュメント（特定ドメインのコーパス）の入力を受け付け、ドキュメントを取得したか否かを判定する（ステップＳ３０１）。なお、ドキュメントの入力は、ＵＳＢメモリまたは光ディスクなどの記憶媒体を介して入力されても良いし、通信ネットワークを介して接続されるサーバから取得して入力されてもよい。

【0060】

用語抽出部１０６は、ドキュメントを取得していないと判定した場合（ステップＳ３０１：ＮＯ）、ステップＳ３０１の処理を再び実行し、ドキュメントの入力を待ち受ける。一方、用語抽出部１０６は、ドキュメントを取得したと判定した場合（ステップＳ３０１：ＹＥＳ）、ステップＳ３０３の処理へ進む。

【0061】

用語抽出部１０６は、ドキュメントを取得すると、取得したドキュメントから専門用語を抽出し、抽出した専門用語リストをテキスト生成部１０５へ出力する（ステップＳ３０３）。

【0062】

テキスト生成部１０５は、用語抽出部１０６から出力された専門用語リストを取得すると、取得した専門用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、専門用語が含まれる文のテキストデータ（学習対象のテキストデータ）を生成し、生成したテキストデータをテキスト取得部１０１へ出力する（ステップＳ３０５）。

【0063】

以降のステップＳ３０７、Ｓ３０９、Ｓ３１１の処理は、図６のステップＳ２０５、Ｓ２０７、Ｓ２０９の処理と同様である。つまり、テキスト取得部１０１は、テキスト生成部１０５により生成されたテキストデータ（専門用語が含まれる文のテキストデータ）を取得し、取得したテキストデータを音声合成部１０２と学習部１０３へ出力する（ステップＳ３０７）。また、音声合成部１０２は、テキスト生成部１０５により生成されたテキストデータから音声合成により音声データを生成して学習部１０３へ出力する（ステップＳ３０９）。そして、学習部１０３は、テキスト生成部１０５により生成されたテキストデータ（専門用語が含まれる文のテキストデータ）と音声合成部１０２から出力された音声データとの組をデータセットとして音声認識モデルの学習を行う（ステップＳ３１１）。詳細については図６のステップＳ２０５、Ｓ２０７、Ｓ２０９の処理と同様であるため省略する。

【0064】

このように、本実施形態に係る音声認識精度向上装置１０Ｂは、ドキュメントから学習対象とする用語（例えば、専門用語）を抽出し、抽出された専門用語が含まれる文のテキストデータを生成する。また、音声認識精度向上装置１０Ｂは、生成した文のテキストデータから音声データを音声合成により生成する。そして、音声認識精度向上装置１０Ｂは、専門用語が含まれる文のテキストデータと、当該テキストデータから生成した音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力する。

【0065】

これにより、音声認識精度向上装置１０Ｂは、ドキュメントから学習対象とする用語（例えば、専門用語）を自動で抽出して専門用語が含まれる学習対象のテキストデータを生成し、さらにテキストデータから音声データを生成して音声認識モデルの学習を行うことができるため、膨大な量のテキストデータ及び音声データを用意する必要が無く、容易且つ効率的に音声認識の精度を向上させることができる。また、音声認識精度向上装置１０Ｂは、学習対象の用語（例えば、専門用語）を用意する必要もないため、第２の実施形態に比較して、さらに容易に音声認識の精度を向上させることができる。

【0066】

例えば、音声認識精度向上装置１０Ｂは、既存の音声認識モデルに対して上記データセットを用いて学習を行うことにより、既存の音声認識モデルに追加学習を行った学習済みの音声認識モデルを出力する。

【0067】

これにより、音声認識精度向上装置１０Ｂは、既存の音声認識モデルの音声認識の精度を容易に向上させることができる。

【0068】

また、例えば、音声認識精度向上装置１０Ｂは、抽出した専門用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、専門用語が含まれる文のテキストデータを生成する。

【0069】

これにより、音声認識精度向上装置１０Ｂは、学習対象となる専門用語が含まれる文を容易に収集して効率的に音声認識の精度を向上させることができる。

【0070】

また、本実施形態に係る音声認識精度向上装置１０Ｂにおける音声認識精度向上方法は、用語抽出部１０６が、ドキュメントから学習対象とする用語（例えば、専門用語）を抽出するステップと、テキスト生成部１０５が、用語抽出部１０６により抽出された専門用語が含まれる文のテキストデータを生成するステップと、音声合成部１０２が、テキスト生成部１０５により生成された文のテキストデータから音声データを生成するステップと、学習部１０３が、テキスト生成部１０５により生成された文のテキストデータと、音声合成部１０２により生成された音声データとの組をデータセットとして、音声をテキストに変換する音声認識モデルの学習を行い、学習済みの音声認識モデルを出力するステップと、を含む。

【0071】

これにより、音声認識精度向上装置１０Ｂは、ドキュメントから学習対象とする用語（例えば、専門用語）を自動で抽出して専門用語が含まれる学習対象のテキストデータを生成し、さらにテキストデータから音声データを生成して音声認識モデルの学習を行うことができるため、膨大な量のテキストデータ及び音声データを用意する必要が無く、容易且つ効率的に音声認識の精度を向上させることができる。また、音声認識精度向上装置１０Ｂは、学習対象の用語（例えば、専門用語）を用意する必要もないため、第２の実施形態に比較して、さらに容易に音声認識の精度を向上させることができる。

【0072】

＜第４の実施形態＞
次に、第４の実施形態について説明する。
本実施形態では、音声認識モデルを用いた音声認識の結果から苦手な用語を自動的に抽出して追加学習させることで、音声認識精度の向上を図る態様について説明する。

【0073】

図１０は、本実施形態に係る音声認識精度向上システムの概略構成の一例を示すブロック図である。この図１０において、図１、５、７に対応する構成には同一の符号を付している。図示する音声認識精度向上システム１Ｃは、音声認識精度向上装置１０Ｃと、ウェブサーバ２０とを含んで構成されている。

【0074】

音声認識精度向上装置１０Ｃは、テキスト取得部１０１と、音声合成部１０２と、学習部１０３と、音声認識モデル記憶部１０４と、テキスト生成部１０５と、試験用音声合成部１０７と、音声認識部１０８と、評価部１０９とを備えており、試験用音声合成部１０７、音声認識部１０８、および評価部１０９を備える点が、図５に示す音声認識精度向上装置１０Ａの構成と相違する。

【0075】

本実施形態では、苦手用語を抽出するために、音声認識を行う分野について用語が含まれる試験用テキストを準備する。試験用テキストは、例えば、音声認識を行う業務で使用されそうな文であり、人手によって予め作成されたものである。なお、試験用テキストとして、第３の実施形態における専門用語が含まれるドキュメントを利用することも可能である。

【0076】

試験用音声合成部１０７（第２音声合成部の一例）は、試験用テキストデータから音声合成処理により試験用音声データを生成する。なお、試験用音声合成部１０７は、音声合成部１０２（第１音声合成部の一例）と同一の構成としてもよい。試験用音声合成部１０７は、生成した試験用音声データを音声認識部１０８へ出力する。

【0077】

音声認識部１０８は、試験用音声合成部１０７により生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換する。学習済みの音声認識モデルとは、音声認識モデル記憶部１０４に記憶されている音声認識モデルであり、例えば、学習部１０３によって学習された最新の音声認識モデル（新規の音声認識モデル）である。音声認識部１０８は、試験用音声データから変換したテキストデータを評価部１０９へ出力する。

【0078】

評価部１０９は、音声認識部１０８により変換されたテキストデータと試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語（例えば、苦手用語）を抽出する。評価部１０９により抽出される用語には、名詞に限らず、形容詞、女子、助動詞などの単語が含まれてもよい。

【0079】

例えば、評価部１０９は、音声認識部１０８により変換されたテキストデータと試験用テキストデータとの一致不一致を判定することにより音声認識の精度を評価し、試験用テキストデータに含まれる用語のうち不一致と判定された用語を苦手用語として抽出する。なお、評価部１０９は、音声認識部１０８により変換されたテキストデータと試験用テキストデータとの一致不一致の判定に代えて、試験用テキストデータに対する音声認識部１０８により変換されたテキストデータの認識精度（合致率）に閾値を設け、所定の閾値未満となった用語を苦手用語として抽出してもよい。

【0080】

そして、評価部１０９は、抽出した苦手用語が含まれる苦手用語リストをテキスト生成部１０５へ出力する。テキスト生成部１０５は、評価部１０９により抽出された苦手用語リストが入力されると、入力された苦手用語が含まれる文のテキストデータを生成する。例えば、テキスト生成部１０５は、入力された苦手用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、苦手用語が含まれる文のテキストデータを生成する。一例として、テキスト生成部１０５は、ウェブスクレイピングの技術を用いて、複数のウェブサーバ２０上のウェブサイトから苦手用語が含まれる文を自動で抽出し、苦手用語が含まれる文のテキストデータを生成する。そして、テキスト生成部１０５は、生成したテキストデータをテキスト取得部１０１へ出力する。

【0081】

なお、テキスト取得部１０１、音声合成部１０２、学習部１０３、及び音声認識モデル記憶部１０４の各構成は、第１の実施形態と同様である。テキスト取得部１０１は、学習対象のテキストデータの入力として、テキスト生成部１０５により生成されたテキストデータ（苦手用語が含まれる文のテキストデータを）を取得し、取得したテキストデータを音声合成部１０２と学習部１０３へ出力する。

【0082】

音声合成部１０２は、テキスト取得部１０１から出力されたテキストデータ（苦手用語が含まれる文のテキストデータ）を受取ると、当該テキストデータから音声合成により音声データを生成する。そして、音声合成部１０２は、生成した音声データを学習部１０３へ出力する。

【0083】

学習部１０３は、テキスト取得部１０１から出力されたテキストデータ（苦手用語が含まれる文のテキストデータ）と、音声合成部１０２から出力された音声データとを受取ると、受け取ったテキストデータと音声データとの組をデータセットとして音声認識モデルに対して追加学習を行い、学習済みの音声認識モデルを出力して音声認識モデル記憶部１０４に記憶させる。

【0084】

この学習済みの新規の音声認識モデルを用いて音声認識部１０８が再び試験用音声データをテキストデータに変換し、評価部１０９が試験用テキストデータと比較することにより音声認識の精度を評価して苦手用語を抽出する。例えば、評価部１０９は、前回の苦手用語リストをクリア（消去）して、新たに抽出した苦手用語のみが含まれる苦手用語リストをテキスト生成部１０５へ出力する。なお、評価部１０９は、前回の苦手用語リストに新たに抽出した苦手用語を加えつつ、前回の苦手用語のうち認識精度（合致率）が所定の閾値以上となった苦手用語を除外した苦手用語リストをテキスト生成部１０５へ出力してもよい。このように、繰り返し音声認識モデルに対して試験用テキストデータ及び試験用音声データを用いて認識精度を評価することで、音声認識精度を向上させることができる。

【0085】

なお、テキスト取得部１０１は、苦手用語が含まれる文のテキストデータのみを取得するのではなく、第２，３の実施形態で説明したように、専門用語が含まれる文のテキストデータも取得してもよい。即ち、学習部１０３は、苦手用語と専門用語との両方を並行して、音声認識モデルに学習させてもよい。

【0086】

なお、音声認識精度向上装置１０Ｃのハードウェア構成は、図２に示す音声認識精度向上装置１０のハードウェア構成と同様である。なお、音声認識精度向上装置１０Ｃも音声認識精度向上装置１０と同様に、１つのコンピュータ装置で構成されても良いし、複数のコンピュータ装置が連携して実現される構成であっても良い。そのため、音声認識精度向上装置１０Ｃは、図２に示すハードウェア構成を１つ備えても良いし、複数備えても良い。例えば、音声認識精度向上装置１０Ｃは、試験用音声合成部１０７を含むコンピュータ装置と、音声認識部１０８を含むコンピュータ装置と、評価部１０９を含むコンピュータ装置と、テキスト生成部１０５を含むコンピュータ装置と、テキスト取得部１０１と音声合成部１０２を含むコンピュータ装置と、学習部１０３と音声認識モデル記憶部１０４を含むコンピュータ装置とが通信可能に接続された構成において、各コンピュータ装置が、図２に示すハードウェア構成を備える構成としても良い。

【0087】

次に、上述した音声認識精度向上装置１０Ｃが実行する音声認識精度向上処理の動作について説明する。
図１１は、本実施形態に係る音声認識精度向上処理の一例を示すフローチャートである。

【0088】

試験用音声合成部１０７は、試験用テキストデータの入力を受け付け、試験用テキストデータを取得したか否かを判定する（ステップＳ４０１）。試験用音声合成部１０７は、試験用テキストデータを取得していないと判定した場合（ステップＳ４０１：ＮＯ）、ステップＳ４０１の処理を再び実行し、試験用テキストデータの入力を待ち受ける。一方、試験用音声合成部１０７は、試験用テキストデータを取得したと判定した場合（ステップＳ４０１：ＹＥＳ）、ステップＳ４０３の処理へ進む。

【0089】

試験用音声合成部１０７は、試験用テキストデータを取得すると、取得した試験用テキストデータから音声合成処理により試験用音声データを生成し、生成した試験用音声データを音声認識部１０８へ出力する（ステップＳ４０３）。

【0090】

次に、音声認識部１０８は、試験用音声合成部１０７により生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換して評価部１０９へ出力する（ステップＳ４０５）。

【0091】

評価部１０９は、音声認識部１０８により変換されたテキストデータと試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語（例えば、苦手用語）を抽出する。そして、評価部１０９は、抽出した苦手用語が含まれる苦手用語リストをテキスト生成部１０５へ出力する（ステップＳ４０７）。

【0092】

テキスト生成部１０５は、評価部１０９から出力された苦手用語リストを取得すると、取得した苦手用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、苦手用語が含まれる文のテキストデータ（学習対象のテキストデータ）を生成し、生成したテキストデータをテキスト取得部１０１へ出力する（ステップＳ４０９）。

【0093】

以降のステップＳ４１１、Ｓ４１３、Ｓ４１５の処理は、図６のステップＳ２０５、Ｓ２０７、Ｓ２０９の処理及び図９のＳ３０７、Ｓ３０９、Ｓ３１１の処理と同様である。つまり、テキスト取得部１０１は、テキスト生成部１０５により生成されたテキストデータ（苦手用語が含まれる文のテキストデータ）を取得し、取得したテキストデータを音声合成部１０２と学習部１０３へ出力する（ステップＳ４１１）。また、音声合成部１０２は、テキスト生成部１０５により生成されたテキストデータから音声合成により音声データを生成して学習部１０３へ出力する（ステップＳ４１３）。そして、学習部１０３は、テキスト生成部１０５により生成されたテキストデータ（苦手用語が含まれる文のテキストデータ）と音声合成部１０２から出力された音声データとの組をデータセットとして音声認識モデルに対して追加学習を行う（ステップＳ４１５）。詳細については図６のステップＳ２０５、Ｓ２０７、Ｓ２０９の処理及び図９のＳ３０７、Ｓ３０９、Ｓ３１１の処理と同様であるため省略する。

【0094】

また、学習部１０３が学習済みの音声認識モデルを出力して音声認識モデル記憶部１０４に記憶させると、ステップＳ４０１の処理に戻る。学習済みの音声認識モデルは、再び試験用テキストデータ及び試験用音声データを用いて認識精度の評価が行われ、苦手用語が抽出され、苦手用語についての追加学習が繰り返しループ処理として行われる。

【0095】

このように、本実施形態に係る音声認識精度向上装置１０Ｃは、予め作成された試験用テキストデータから生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換し、変換したテキストデータと試験用テキストデータ（即ち、正解のテキストデータ）とを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語（例えば、苦手用語）を抽出する。また、音声認識精度向上装置１０Ｃは、抽出した苦手用語が含まれる文のテキストデータを生成し、生成した文のテキストデータから音声データを生成する。そして、音声認識精度向上装置１０Ｃは、生成した文のテキストデータと音声データとの組をデータセットとして、音声認識モデルに追加学習を行い、音声認識モデルを更新する。

【0096】

これにより、音声認識精度向上装置１０Ｃは、学習済みの既存の音声認識モデルの苦手用語を自動で抽出して苦手用語が含まれる学習対象のテキストデータを生成し、さらにテキストデータから音声データを生成して音声認識モデルの学習を行うことができるため、容易且つ効率的に音声認識の精度を向上させることができる。

【0097】

また、音声認識精度向上装置１０Ｃは、試験用テキストデータから音声合成処理により試験用音声データを生成する。

【0098】

これにより、音声認識精度向上装置１０Ｃは、試験用テキストデータのみを用意するのみで、試験用テキストデータから試験用音声データを生成して学習済みの音声認識モデルの音声認識の精度を評価することができる。

【0099】

また、例えば、音声認識精度向上装置１０Ｃは、抽出した苦手用語を検索用語として、通信ネットワークを介して接続されるウェブサーバ２０上のコンテンツを検索することにより、苦手用語が含まれる文のテキストデータを生成する。

【0100】

これにより、音声認識精度向上装置１０Ｃは、学習対象となる苦手用語が含まれる文を容易に収集して効率的に音声認識の精度を向上させることができる。

【0101】

また、本実施形態に係る音声認識精度向上装置１０Ｃにおける音声認識精度向上方法は、音声認識部１０８が、予め作成された試験用テキストデータから生成された試験用音声データを、学習済みの音声認識モデルを用いてテキストデータに変換するステップと、評価部１０９が、音声認識部１０８により変換されたテキストデータと試験用テキストデータとを比較することにより音声認識の精度を評価し、評価結果に基づいて学習対象とする用語（例えば、苦手用語）を抽出するステップと、テキスト生成部１０５が、評価部１０９により抽出された苦手用語が含まれる文のテキストデータを生成するステップと、音声合成部１０２が、テキスト生成部１０５により生成された文のテキストデータから音声データを生成するステップと、学習部１０３が、テキスト生成部１０５により生成された文のテキストデータと、音声合成部１０２により生成された音声データとの組をデータセットとして、音声認識モデルに追加学習を行い、音声認識モデルを更新するステップと、を含む。

【0102】

これにより、音声認識精度向上装置１０Ｃは、学習済みの既存の音声認識モデルの苦手用語を自動で抽出して苦手用語が含まれる学習対象のテキストデータを生成し、さらにテキストデータから音声データを生成して音声認識モデルの学習を行うことができるため、容易且つ効率的に音声認識の精度を向上させることができる。

【0103】

以上、この発明の各実施形態について図面を参照して詳述してきたが、具体的な構成は上述の実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。例えば、上述の各実施形態において説明した各構成は、任意に組み合わせることができる。

【0104】

なお、上述した音声認識精度向上装置１０，１０Ａ，１０Ｂ，１０Ｃは、内部にコンピュータシステムを有している。そして、上述した音声認識精度向上装置１０，１０Ａ，１０Ｂ，１０Ｃが備える各構成の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより上述した音声認識精度向上装置１０，１０Ａ，１０Ｂ，１０Ｃが備える各構成における処理を行ってもよい。ここで、「記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行する」とは、コンピュータシステムにプログラムをインストールすることを含む。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、インターネットやＷＡＮ、ＬＡＮ、専用回線等の通信回線を含むネットワークを介して接続された複数のコンピュータ装置を含んでもよい。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このように、プログラムを記憶した記録媒体は、ＣＤ－ＲＯＭ等の非一過性の記録媒体であってもよい。

【0105】

また、記録媒体には、当該プログラムを配信するために配信サーバからアクセス可能な内部又は外部に設けられた記録媒体も含まれる。なお、プログラムを複数に分割し、それぞれ異なるタイミングでダウンロードした後に音声認識精度向上装置１０，１０Ａ，１０Ｂ，１０Ｃが備える各構成で合体される構成や、分割されたプログラムのそれぞれを配信する配信サーバが異なっていてもよい。さらに「コンピュータ読み取り可能な記録媒体」とは、ネットワークを介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、上述した機能の一部を実現するためのものであってもよい。さらに、上述した機能をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

【0106】

また、上述した実施形態における音声認識精度向上装置１０，１０Ａ，１０Ｂ，１０Ｃが備える各機能の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現してもよい。各機能は個別にプロセッサ化してもよいし、一部、又は全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

【符号の説明】

【0107】

１，１Ａ，１Ｂ，１Ｃ 音声認識精度向上システム、１０，１０Ａ，１０Ｂ，１０Ｃ 音声認識精度向上装置、２０ ウェブサーバ、１１ ＣＰＵ、１２ ＲＡＭ、１３ ＲＯＭ、１４ 記憶装置、１５ 通信部、１６ 入力部、１７ 出力部、１０１ テキスト取得部、１０２ 音声合成部、１０３ 学習部、１０４ 音声認識モデル記憶部、１０５ テキスト生成部、１０６ 用語抽出部、１０７ 試験用音声合成部、１０８ 音声認識部、１０９ 評価部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】