特開 2024-129781 音声認証装置、および機器

(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】P2024129781

(43)【公開日】2024-09-27

(54)【発明の名称】音声認証装置、および機器

(51)【国際特許分類】

   G10L 17/18 20130101AFI20240919BHJP

   G06F 21/32 20130101ALI20240919BHJP

   G10L 17/00 20130101ALI20240919BHJP

   G06F 21/60 20130101ALI20240919BHJP

【ＦＩ】

G10L17/18

G06F21/32

G10L17/00 200Z

G10L17/00 200D

G06F21/60

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023189551

(22)【出願日】2023-11-06

(31)【優先権主張番号】P 2023038389

(32)【優先日】2023-03-13

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】000116024

【氏名又は名称】ローム株式会社

(74)【代理人】

【識別番号】110001933

【氏名又は名称】弁理士法人 佐野特許事務所

(72)【発明者】

【氏名】玉野 浩二

(72)【発明者】

【氏名】西山 高浩

(57)【要約】

【課題】機器において音声認証のために外部との通信が不要となる音声認証装置を提供する。
【解決手段】音声認証装置（３）は、外部からの音声（Ｓ）を電気信号である音声信号（ＳＤ）に変換するように構成される音声変換部（２）を備えた機器（１）に搭載可能であって、前記音声信号に基づいて、ＡＩモデルのパラメータを学習するように構成される音声登録部（３Ａ）と、前記音声信号に基づく入力データに対して、学習された前記パラメータを有する前記ＡＩモデルにより得られる推論結果に基づいて音声の照合を実行するように構成される音声照合部（３Ｂ）と、を備え、前記音声登録部と前記音声照合部に基づいて音声認証を実行する。
【選択図】図２

【特許請求の範囲】

【請求項1】

外部からの音声を電気信号である音声信号に変換するように構成される音声変換部を備えた機器に搭載可能であって、
前記音声信号に基づいて、ＡＩモデルのパラメータを学習するように構成される音声登録部と、
前記音声信号に基づく入力データに対して、学習された前記パラメータを有する前記ＡＩモデルにより得られる推論結果に基づいて音声の照合を実行するように構成される音声照合部と、
を備え、
前記音声登録部と前記音声照合部に基づいて音声認証を実行する、音声認証装置。

【請求項2】

前記音声登録部および前記音声照合部は、それぞれキーワードを含んだ前記音声に基づいて登録・照合を行う、請求項１に記載の音声認証装置。

【請求項3】

前記ＡＩモデルは、入力層、隠れ層、および出力層を有する３層ニューラルネットワークである、請求項２に記載の音声認証装置。

【請求項4】

前記音声登録部は、下記（Ａ）式を用いて前記パラメータとして前記隠れ層と前記出力層を結合する重みβ_０を算出する、請求項３に記載の音声認証装置。
Ｐ_０＝（Ｈ_０ ^TＨ_０）^－１
β_０＝Ｐ_０Ｈ_０ ^Tｔ_０ （Ａ）
ただし、隠れ層行列Ｈ_ｉ＝Ｇ（ｘ_ｉ・α＋ｂ）、α：前記入力層と前記隠れ層を結合する重み、ｂ：前記隠れ層のバイアス、Ｇ：前記隠れ層の活性化関数、ｘ_ｉ：バッチサイズｋ_ｉのｉ番目の入力データ、ｔ_ｉ：バッチサイズｋ_ｉのｉ番目の教師データ

【請求項5】

前記音声登録部は、下記（Ｂ）式を用いて前記パラメータとして前記隠れ層と前記出力層を結合する重みβ_ｉを逐次算出する、請求項３に記載の音声認証装置。
Ｐ_ｉ＝Ｐ_ｉ－１－Ｐ_ｉ－１Ｈ_ｉ ^T（Ｉ＋Ｈ_ｉＰ_ｉ－１Ｈ_ｉ ^T）^－１Ｈ_ｉＰ_ｉ－１
β_ｉ＝β_ｉ－１＋Ｐ_ｉＨ_ｉ ^T（ｔ_ｉ－Ｈ_ｉβ_ｉ－１） （Ｂ）
ただし、隠れ層行列Ｈ_ｉ＝Ｇ（ｘ_ｉ・α＋ｂ）、α：前記入力層と前記隠れ層を結合する重み、ｂ：前記隠れ層のバイアス、Ｇ：前記隠れ層の活性化関数、ｘ_ｉ：バッチサイズｋ_ｉのｉ番目の入力データ、ｔ_ｉ：バッチサイズｋ_ｉのｉ番目の教師データ

【請求項6】

前記音声登録部は、下記（Ｃ）式を用いて前記重みβ_０を算出する、請求項５に記載の音声認証装置。
Ｐ_０＝（Ｈ_０ ^TＨ_０）^－１
β_０＝Ｐ_０Ｈ_０ ^Tｔ_０ （Ｃ）

【請求項7】

前記音声登録部は、ｔ_ｉ＝ｘ_ｉとして学習を行う、請求項４から請求項６のいずれか１項に記載の音声認証装置。

【請求項8】

前記入力データは、前記音声信号のサンプリングデータである、請求項４から請求項６のいずれか１項に記載の音声認証装置。

【請求項9】

前記入力データは、前記音声信号を周波数解析して得られるスペクトルデータである、請求項４から請求項６のいずれか１項に記載の音声認証装置。

【請求項10】

請求項１に記載の音声認証装置と、前記音声変換部と、通信ネットワークと通信可能な通信部と、を備える、機器。

【請求項11】

スマートスピーカである、請求項１０に記載の機器。

【請求項12】

請求項１に記載の音声認証装置と、前記音声変換部と、を備え、
通信ネットワークと分離されて構成される、機器。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、音声認証装置に関する。

【背景技術】

【0002】

従来、音声認証を行う機器が知られている（例えば特許文献１）。音声認証では、人が発した音声に関する特徴（声紋など）を登録する処理と、登録した特徴との照合を行う処理が行われる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１０－２１１２９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

従来、音声認証を行う機器は、処理能力の高い外部サーバーと通信して登録・照合を行っていた。しかしながら、音声データの漏洩などの課題があった。

【0005】

上記状況に鑑み、本開示は、機器において音声認証のために外部との通信が不要となる音声認証装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

例えば、本開示に係る音声認証装置は、
外部からの音声を電気信号である音声信号に変換するように構成される音声変換部を備えた機器に搭載可能であって、
前記音声信号に基づいて、ＡＩモデルのパラメータを学習するように構成される音声登録部と、
前記音声信号に基づく入力データに対して、学習された前記パラメータを有する前記ＡＩモデルにより得られる推論結果に基づいて音声の照合を実行するように構成される音声照合部と、
を備え、
前記音声登録部と前記音声照合部に基づいて音声認証を実行する構成としている。

【発明の効果】

【0007】

本開示に係る音声認証装置によれば、機器において音声認証のために外部との通信が不要となる。

【図面の簡単な説明】

【0008】

【図1】図１は、比較例に係る音声認証システムを示す図である。

【図2】図２は、本開示の例示的な実施形態に係るスマートスピーカの構成を示す図である。

【図3】図３は、音声登録の一例を示す図である。

【図4】図４は、音声照合の一例を示す図である。

【図5】図５は、３層ニューラルネットワークの構成を示す図である。

【図6】図６は、音声信号の模式図である。

【図7】図７は、本開示の変形例に係る機器の構成を示す図である。

【発明を実施するための形態】

【0009】

＜１．比較例＞
図１は、比較例に係る音声認証システムを示す図である。図１に示すシステムにおいては、音声認証装置１００と、サーバー２００と、が設けられる。音声認証装置１００は、サーバー２００との間で通信を行う。

【0010】

登録処理時には、ユーザＰが発した音声Ｓが音声認証装置１００に入力され、音声認証装置１００は、入力された音声Ｓに関する音声データをサーバー２００へ送信する。サーバー２００は、送信された音声データに基づいて音声Ｓの特徴を登録する登録処理を行う。照合処理時には、ユーザが発した音声が音声認証装置１００に入力されると、音声認証装置１００は、入力された音声に関する音声データをサーバー２００へ送信する。サーバー２００は、送信された音声データに基づいて登録処理により登録された音声Ｓの特徴との照合を行う。照合処理時のユーザが登録処理時のユーザＰである場合は、サーバー２００は、登録された音声Ｓの特徴と一致するとの照合結果を取得する。一方、照合処理時のユーザが登録処理時のユーザＰと異なる場合は、サーバー２００は、登録された音声Ｓの特徴と一致しないとの照合結果を取得する。

【0011】

音声Ｓの特徴として例えば声紋を登録する場合、ＡＩ（人工知能）モデルとして深層ニューラルネットワークを用いた学習処理が行われる。深層ニューラルネットワークの学習では、複雑な最適化問題を繰り返し解く必要があり、サーバー２００における処理能力の高いプロセッサ（ＧＰＵ（Graphics Processing Unit）、ＡＩ専用プロセッサなど）が使用される。一例として、下記（１）式を用いた確率的勾配降下法（ＳＧＤ）による最適化が行われる。ここでは、学習データのセットをミニバッチに分割し、繰り返し学習する。
ｗ_ｋ＋１＝ｗ_ｋ－η∇Ｌ（ｗ_ｋ） （１）
ただし、ｗ_ｋ,ｗ_ｋ＋１:重み行列、η：学習係数、∇Ｌ：損失関数の勾配

【0012】

上記のように比較例においては、音声認証にサーバー２００との通信が必要となり、音声データの漏洩などによるセキュリティの課題があった。また、音声認証以外の機能で外部ネットワークとの通信を行う必要がない機器（家電など）において、上記比較例を適用した場合、音声認証のために通信部を設ける必要があった。

【0013】

＜２．スマートスピーカ＞
図２は、本開示の例示的な実施形態に係るスマートスピーカ１の構成を示す図である。スマートスピーカ１は、本開示に係る音声認証装置を備える機器の一例である。

【0014】

スマートスピーカ１は、音声変換部２と、音声認証装置３と、制御部４と、音声出力部５と、通信部６と、を備える。

【0015】

音声変換部２は、例えばマイクとＡＤコンバータを有し、ユーザＰが発した音声Ｓを電気信号である音声信号ＳＤに変換する。音声認証装置３は、音声信号ＳＤに基づいて登録処理および照合処理を行うことで音声認証を行う。音声認証装置３については、後に詳述する。

【0016】

制御部４は、スマートスピーカ１の全体を制御する。音声出力部５は、例えばスピーカおよびＤＡコンバータを有し、音声信号を音声に変換して音声を外部に出力する。通信部６は、外部の通信ネットワーク１０との通信を行うインタフェースである。

【0017】

スマートスピーカ１においては、制御部４は、ユーザＰが発した音声Ｓの音声認識処理を行う。これにより、例えば、ユーザＰが発した音声Ｓによる検索キーワードが制御部４により音声認識され、制御部４は、検索キーワードを通信部６および通信ネットワーク１０を介して外部サーバー（不図示）に送信する。この場合、外部サーバーにより検索された楽曲の音声データが通信ネットワーク１０を介して通信部６に送信され、音声出力部５は当該音声データに基づいて楽曲の音声を外部に出力する。また、例えば、ユーザＰが発した音声Ｓによる操作指示が制御部４により音声認識され、制御部４は、操作指示を通信部６および通信ネットワーク１０を介して外部の機器（スマート家電など）に送信し、当該機器の操作が行われる。

【0018】

＜３．音声認証装置＞
図２に示すように、音声認証装置３は、音声登録部３Ａと、音声照合部３Ｂと、を有する。音声登録部３Ａは、入力された音声Ｓが音声変換部２により変換された音声信号ＳＤに基づいて音声登録処理を行う。音声照合部３Ｂは、入力された音声Ｓが音声変換部２により変換された音声信号ＳＤに基づいて音声照合処理を行う。音声照合処理では、登録された音声との照合を行う。

【0019】

図３に示すように、登録を行うユーザＰＡは、特定のキーワードＫＷ１を含んだ音声ＳＡ１を発して、音声ＳＡ１を音声認証装置３に入力させる。これにより、音声登録部３Ａにより音声ＳＡ１の登録が行われる。

【0020】

次に、図４に示すように、例えば登録を行ったユーザＰＡが特定のキーワードＫＷ１を含んだ音声ＳＡ１を発した場合、音声認証装置３における音声照合部３Ｂにより照合処理が行われ、登録内容と一致した旨の照合結果が得られる。この場合、例えばスマートスピーカ１の使用が許可される。

【0021】

もし、図４に示すように、登録を行ったユーザＰＡがキーワードＫＷ１とは異なるキーワードＫＷ２を含んだ音声ＳＡ２を発した場合は、登録した内容と一致しない旨の照合結果が得られる。このような場合、例えばスマートスピーカ１の使用が許可されない。なお、登録を行ったユーザＰＡとは異なるユーザＰＢがキーワードＫＷ１を含んだ音声ＳＢ１を発した場合も、登録した内容と一致しない旨の照合結果が得られる。

【0022】

＜４．３層ニューラルネットワークを用いた登録・照合処理＞
音声登録部３Ａは、ＡＩモデルの学習処理を行うことで音声登録を行う。本実施形態では、当該ＡＩモデルとして、図５に示すような３層ニューラルネットワーク３０を用いる。キーワードの学習であれば、深層ニューラルネットワークを用いずとも、３層ニューラルネットワークで十分実現可能である。

【0023】

図５に示すように、３層ニューラルネットワーク３０は、入力層３０Ａと、隠れ層３０Ｂと、出力層３０Ｃと、を有するＡＩモデルである。一般に、３層ニューラルネットワーク３０において、バッチサイズｋのｎ次元の入力データｘ∈Ｒ^ｋ×ｎに対して、ｎ’次元の推論結果ｙ∈Ｒ^ｋ×ｎ’は、ｙ＝Ｇ（ｘ・α＋ｂ）βとして得られる。ここで、α∈Ｒ^ｎ×ｍは入力層３０Ａと隠れ層３０Ｂとを結合する重みであり、β∈Ｒ^ｍ×ｎ’は隠れ層３０Ｂと出力層３０Ｃとを結合する重みである。また、ｂ∈Ｒ^ｍは、隠れ層３０Ｂのバイアスであり、Ｇは隠れ層３０Ｂの活性化関数である。

【0024】

本実施形態では、３層ニューラルネットワーク３０を任意のバッチサイズで逐次的に学習できるアルゴリズムを用いる。バッチサイズｋ_ｉのｉ番目の学習データ｛ｘ_ｉ∈Ｒ^ｋi×ｎ, ｔ_ｉ∈Ｒ^ｋi×ｎ’｝が得られた場合、下記（２）式で示される誤差を最小化するβ_ｉを求める必要がある。

【数1】

なお、ｉ番目の隠れ層行列Ｈ_ｉ＝Ｇ（ｘ_ｉ・α＋ｂ）である。また、ｔは、推論結果ｙに対応する教師データである。

【0025】

最適化された重みβ_ｉは、下記（３）式により計算される。
Ｐ_ｉ＝Ｐ_ｉ－１－Ｐ_ｉ－１Ｈ_ｉ ^T（Ｉ＋Ｈ_ｉＰ_ｉ－１Ｈ_ｉ ^T）^－１Ｈ_ｉＰ_ｉ－１
β_ｉ＝β_ｉ－１＋Ｐ_ｉＨ_ｉ ^T（ｔ_ｉ－Ｈ_ｉβ_ｉ－１） （３）

【0026】

ここで、Ｐ_０とβ_０については、下記（４）式により得られる。
Ｐ_０＝（Ｈ_０ ^TＨ_０）^－１
β_０＝Ｐ_０Ｈ_０ ^Tｔ_０ （４）

【0027】

学習のアルゴリズムは次のようになる。
重みα、およびバイアスｂの値を乱数により初期化する。
（２）ｘ_０に対するＨ_０を算出し、Ｐ_０およびβ_０を算出する。
（３）バッチサイズｋ_ｉのｉ番目の学習データが得られるたびに、Ｐ_ｉおよびβ_ｉを逐次算出する。
なお、（４）式におけるβ_０の算出式を用いずに、乱数により初期化した値をβ_０としてもよい。

【0028】

また、本実施形態では、オートエンコーダを用いた学習を行う。オートエンコーダは、入力データをそのまま教師データとして流用し、入力データを推論結果として再構成できるように学習する。すなわち、上記でいえば、ｔ＝ｘとして学習する。オートエンコーダは、別個に教師データを作成する必要がないので、教師なし学習アルゴリズムの一種となる。

【0029】

音声登録時には、まずユーザＰ（図２）が特定のキーワードを含んだ音声Ｓを発し、音声変換部２により音声ＳをＡＤ変換した時系列データである音声データＳＤを０番目のバッチサイズｋ_０の入力データｘ_０として、音声登録部３Ａは上記（４）式によりＰ_０およびβ_０を算出する。図６に音声信号を模式的に示すが、入力データｘの１つのノードが音声データＳＤにおける１つのサンプリングデータとなり、時系列に並ぶｎ個（ｎ：入力データｘのノード数）のサンプリングデータの組がｋ個集まってバッチサイズｋの入力データとなる。

【0030】

次に、ユーザＰが特定のキーワードを含んだ音声Ｓを新たに発するたびに、得られた音声データＳＤの時系列データをｉ番目のバッチサイズｋ_ｉの入力データｘ_ｉとし、音声登録部３Ａは上記（３）式によりＰ_ｉおよびβ_ｉを逐次算出する。なお、登録処理時におけるユーザＰがキーワードを発声する回数（複数回）は、特に限定されない。

【0031】

次に、音声照合時には、ユーザＰ（登録時のユーザとは限らない）がキーワードを含んだ音声Ｓを発し、音声変換部２により音声ＳをＡＤ変換した時系列データである音声データＳＤをバッチサイズｋの入力データｘとして、３層ニューラルネットワークの推論結果ｙを得る。そして、誤差Ｌ（ｙ，ｔ）＝Ｌ（ｙ，ｘ）＝｜ｙ－ｘ｜が閾値を超えるか否かにより、照合を行う。誤差Ｌが閾値を超えない場合、登録内容と一致した旨の照合結果となり、誤差Ｌが閾値を超える場合、登録内容と一致しなかった旨の照合結果となる。なお、誤差Ｌは、上記に限らず、例えばＬ＝｜ｙ－ｘ｜^２としてもよい。

【0032】

なお、入力データとしては、音声データＳＤを周波数解析して得られるパワースペクトルを用いてもよい。この場合、入力データｘの１つのノードが周波数成分ごとのパワーとなる。

【0033】

また、先述したような上記（３）式と（４）式の両方を用いる学習に限らず、音声登録を１回のみの発声による音声Ｓにより行う場合は、上記（４）式のみにより学習を行ってもよい。

【0034】

このように本実施形態では、学習処理の処理負荷が低いため、音声認証装置３を小型・低コストなＩＣ（集積回路）により実現することができ、高価なプロセッサが不要となる。これにより、通信ネットワーク１０を介して外部サーバーで登録・照合処理を行う必要がなく、音声認証をスマートスピーカ１内部で完結できる。従って、個人情報である音声データの漏洩を抑制でき、セキュリティを向上させることができる。なお、音声登録部３Ａおよび音声照合部３Ｂは、ハードウェア回路で実現してもよいし、ソフトウェアで実現してもよい。

【0035】

＜５．変形例＞
図７は、本開示の変形例に係る機器１ｘの構成を示す図である。機器１ｘは、外部の通信ネットワーク１０から分離された機器である。すなわち、機器１ｘは、通信ネットワーク１０と通信可能な通信部を有さない。機器１ｘは、例えば通信ネットワーク１０と接続されない家電などである。なお、図７では、機器１ｘにおける音声認証機能以外の構成については図示を省略している。

【0036】

この場合、機器１ｘに音声変換部２と音声認証装置３を設けることで、機器１ｘ内部で音声認証を完結できる。従って、機器１ｘにおいて、音声認証のためだけに通信ネットワーク１０と通信する通信部を設ける必要がなくなり、小型化・低コストを実現できる。
＜６．その他＞
本開示の実施形態は、特許請求の範囲に示された技術的思想の範囲内において、適宜、種々の変更が可能である。これまでに説明してきた各種の実施形態及び変形例は、矛盾のない範囲で適宜組み合わせて実施してもよい。以上の実施形態は、あくまでも、本開示の実施形態の例であって、本開示ないし各構成要件の用語の意義は、以上の実施形態に記載されたものに制限されるものではない。

【0037】

＜７．付記＞
以上の通り、本開示の一態様に係る音声認証装置（３）は、
外部からの音声（Ｓ）を電気信号である音声信号（ＳＤ）に変換するように構成される音声変換部（２）を備えた機器（１）に搭載可能であって、
前記音声信号に基づいて、ＡＩモデルのパラメータを学習するように構成される音声登録部（３Ａ）と、
前記音声信号に基づく入力データに対して、学習された前記パラメータを有する前記ＡＩモデルにより得られる推論結果に基づいて音声の照合を実行するように構成される音声照合部（３Ｂ）と、
を備え、
前記音声登録部と前記音声照合部に基づいて音声認証を実行する構成としている（第１の構成）。

【0038】

また、上記第１の構成において、前記音声登録部および前記音声照合部は、それぞれキーワードを含んだ前記音声に基づいて登録・照合を行う構成としてもよい（第２の構成）。

【0039】

また、上記第２の構成において、前記ＡＩモデルは、入力層（３０Ａ）、隠れ層（３０Ｂ）、および出力層（３０Ｃ）を有する３層ニューラルネットワーク（３０）である構成としてもよい（第３の構成）。

【0040】

また、上記第３の構成において、前記音声登録部は、下記（Ａ）式を用いて前記パラメータとして前記隠れ層と前記出力層を結合する重みβ_０を算出する構成としてもよい（第４の構成）。
Ｐ_０＝（Ｈ_０ ^TＨ_０）^－１
β_０＝Ｐ_０Ｈ_０ ^Tｔ_０ （Ａ）
ただし、隠れ層行列Ｈ_ｉ＝Ｇ（ｘ_ｉ・α＋ｂ）、α：前記入力層と前記隠れ層を結合する重み、ｂ：前記隠れ層のバイアス、Ｇ：前記隠れ層の活性化関数、ｘ_ｉ：バッチサイズｋ_ｉのｉ番目の入力データ、ｔ_ｉ：バッチサイズｋ_ｉのｉ番目の教師データ

【0041】

また、上記第３の構成において、前記音声登録部は、下記（Ｂ）式を用いて前記パラメータとして前記隠れ層と前記出力層を結合する重みβ_ｉを逐次算出する構成としてもよい（第５の構成）。
Ｐ_ｉ＝Ｐ_ｉ－１－Ｐ_ｉ－１Ｈ_ｉ ^T（Ｉ＋Ｈ_ｉＰ_ｉ－１Ｈ_ｉ ^T）^－１Ｈ_ｉＰ_ｉ－１
β_ｉ＝β_ｉ－１＋Ｐ_ｉＨ_ｉ ^T（ｔ_ｉ－Ｈ_ｉβ_ｉ－１） （Ｂ）
ただし、隠れ層行列Ｈ_ｉ＝Ｇ（ｘ_ｉ・α＋ｂ）、α：前記入力層と前記隠れ層を結合する重み、ｂ：前記隠れ層のバイアス、Ｇ：前記隠れ層の活性化関数、ｘ_ｉ：バッチサイズｋ_ｉのｉ番目の入力データ、ｔ_ｉ：バッチサイズｋ_ｉのｉ番目の教師データ

【0042】

また、上記第５の構成において、前記音声登録部は、下記（Ｃ）式を用いて前記重みβ_０を算出する構成としてもよい（第６の構成）。
Ｐ_０＝（Ｈ_０ ^TＨ_０）^－１
β_０＝Ｐ_０Ｈ_０ ^Tｔ_０ （Ｃ）

【0043】

また、上記第４から第６のいずれかの構成において、前記音声登録部は、ｔ_ｉ＝ｘ_ｉとして学習を行う構成としてもよい（第７の構成）。

【0044】

また、上記第４から第７のいずれかの構成において、前記入力データは、前記音声信号のサンプリングデータである構成としてもよい（第８の構成）。

【0045】

また、上記第４から第７のいずれかの構成において、前記入力データは、前記音声信号を周波数解析して得られるスペクトルデータである構成としてもよい（第９の構成）。

【0046】

また、本開示の一態様に係る機器（１）は、上記第１から第９のいずれかの構成とした音声認証装置（３）と、前記音声変換部（２）と、通信ネットワーク（１０）と通信可能な通信部（６）と、を備える（第１０の構成）。

【0047】

また、上記第１０の構成の機器は、例えばスマートスピーカである（第１１の構成）。

【0048】

また、本開示の一態様に係る機器（１ｘ）は、上記第１から第９のいずれかの構成とした音声認証装置（３）と、前記音声変換部（２）と、を備え、通信ネットワーク（１０）と分離されて構成される（第１２の構成）。

【産業上の利用可能性】

【0049】

本開示は、例えば、スマートスピーカなど各種機器に利用することが可能である。

【符号の説明】

【0050】

１ スマートスピーカ
１ｘ 機器
２ 音声変換部
３ 音声認証装置
３Ａ 音声登録部
３Ｂ 音声照合部
４ 制御部
５ 音声出力部
６ 通信部
１０ 通信ネットワーク
３０ ３層ニューラルネットワーク
３０Ａ 入力層
３０Ｂ 隠れ層
３０Ｃ 出力層
１００ 音声認証装置
２００ サーバー
Ｓ、ＳＡ１、ＳＡ２、ＳＢ１ 音声
Ｐ、ＰＡ、ＰＢ ユーザ
ＫＷ１、ＫＷ２ キーワード

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】