ホーム > 特許ランキング > 菱洋エレクトロ株式会社
(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】P2024025126
(43)【公開日】2024-02-26
(54)【発明の名称】音声認識のためのシステム、端末、及びサーバ等
(51)【国際特許分類】
G06F 3/16 20060101AFI20240216BHJP
G10L 15/22 20060101ALI20240216BHJP
G06F 3/01 20060101ALI20240216BHJP
【ＦＩ】
G06F3/16 650
G10L15/22 453
G06F3/01 510
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2022128325
(22)【出願日】2022-08-10
(71)【出願人】
【識別番号】391021684
【氏名又は名称】菱洋エレクトロ株式会社
(74)【代理人】
【識別番号】110000523
【氏名又は名称】アクシス国際弁理士法人
(72)【発明者】
【氏名】越田 高広
(72)【発明者】
【氏名】菊田 敦
(72)【発明者】
【氏名】池田 彬
(72)【発明者】
【氏名】佐々木 潔
(72)【発明者】
【氏名】川上 憲一
(72)【発明者】
【氏名】星野 久徳
(72)【発明者】
【氏名】根本 美由樹
(72)【発明者】
【氏名】鈴木 健
【テーマコード（参考）】
5E555
【Ｆターム（参考）】
5E555AA46
5E555BA04
5E555BB04
5E555BC09
5E555BC12
5E555BD01
5E555CA47
5E555CB64
5E555CB74
5E555EA13
5E555EA19
5E555EA23
5E555FA00
(57)【要約】
【課題】多種多様な環境下においても、十分な速度で動作する音声認識システムを提供することを目的とする。
【解決手段】
音声認識のためのシステムであって、前記システムは、第１端末と、第２端末と、クラウドを備え、
ここで、前記第１端末と前記第２端末は、同一の端末として実装されてもよく、
前記第１端末は、音センサを少なくとも備え、前記音センサに基づく信号を前記第２端末に送信するように構成され、
前記第２端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備える。
【選択図】図１
【解決手段】
音声認識のためのシステムであって、前記システムは、第１端末と、第２端末と、クラウドを備え、
ここで、前記第１端末と前記第２端末は、同一の端末として実装されてもよく、
前記第１端末は、音センサを少なくとも備え、前記音センサに基づく信号を前記第２端末に送信するように構成され、
前記第２端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
音声認識のためのシステムであって、前記システムは、第１端末と、第２端末と、クラウドを備え、
ここで、前記第１端末と前記第２端末は、同一の端末として実装されてもよく、
前記第１端末は、音センサを少なくとも備え、前記音センサに基づく信号を前記第２端末に送信するように構成され、
前記第２端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記第２端末に提供するための、第１テーブル、第２テーブルを備える、
システム。
ここで、前記第１端末と前記第２端末は、同一の端末として実装されてもよく、
前記第１端末は、音センサを少なくとも備え、前記音センサに基づく信号を前記第２端末に送信するように構成され、
前記第２端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記第２端末に提供するための、第１テーブル、第２テーブルを備える、
システム。
【請求項2】
請求項１のシステムであって、前記第２端末は、前記音センサ又はそれ以外のセンサからの信号に基づいて、前記第２テーブルを参照し、参照結果に基づいて、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
【請求項3】
請求項１のシステムであって、前記第２端末は、方言、話題分野、時計、予定管理データ、性別、年齢のうち少なくとも１つに基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
【請求項4】
請求項２のシステムであって、前記第２端末は、前記音センサ又はそれ以外のセンサからの信号に基づいて検出された環境音に基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
【請求項5】
請求項１のシステムであって、前記第２端末は、差分管理モジュールを更に備え、前記差分管理モジュールは、前記第１テーブル、前記第２テーブルのうち少なくとも１つについて、前記クラウド内の該当するテーブルとの差分を管理し、当該差分をダウンロード可能なように構成される、システム。
【請求項6】
音声認識のための端末であって、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記端末は、クラウドと通信可能であり、
前記端末は、音センサを備える、又は、音センサを備える別の端末と通信可能である、
端末。
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記端末は、クラウドと通信可能であり、
前記端末は、音センサを備える、又は、音センサを備える別の端末と通信可能である、
端末。
【請求項7】
音声認識のためのクラウドであって、
前記クラウドは、端末と通信可能に接続され、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記端末に提供するための、第１テーブル、第２テーブルを備える、
クラウド。
前記クラウドは、端末と通信可能に接続され、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記端末に提供するための、第１テーブル、第２テーブルを備える、
クラウド。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、音声認識のためのシステム、端末、及びサーバ等に関する。
【背景技術】
【0002】
近年、音声認識に関する技術が向上している。機器の制御においても、ボタン、レバー、キーボードなどの代わりに、音声による命令を機器が認識して、所望の動作を実行することができる。
【0003】
特許文献１では、作業者の音声を認識する音声認識部を備えたシステムが開示されている。当該システムでは、データテーブルを更に備える。当該データテーブルは、認識された音声等に紐付けられる要求を含む。そして、システムは、認識された音声等に対応する要求を、データテーブルに基づいて判別する要求判別手段を備える。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特許第６８８４９１１号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
音声認識を利用したシステムにおいて、テーブルを活用する仕組みは存在する。同一のユーザにおいてさえも、音声認識システムを使用する環境は多種多様となる可能性があり、それに応じてテーブルの内容を充実させる必要がある。しかし、テーブルが肥大化することは、動作のスピード、メンテナンスのスピードなどに影響が出る。
【0006】
そこで、本開示は、多種多様な環境下においても、十分な速度で動作する音声認識システム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】
【0007】
上記目的を達成するための発明は、一側面において、以下の発明を包含する。
【0008】
（発明１）
音声認識のためのシステムであって、前記システムは、第１端末と、第２端末と、クラウドを備え、
ここで、前記第１端末と前記第２端末は、同一の端末として実装されてもよく、
前記第１端末は、音センサを少なくとも備え、前記音センサに基づく信号を前記第２端末に送信するように構成され、
前記第２端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記第２端末に提供するための、第１テーブル、第２テーブルを備える、
システム。
音声認識のためのシステムであって、前記システムは、第１端末と、第２端末と、クラウドを備え、
ここで、前記第１端末と前記第２端末は、同一の端末として実装されてもよく、
前記第１端末は、音センサを少なくとも備え、前記音センサに基づく信号を前記第２端末に送信するように構成され、
前記第２端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記第２端末に提供するための、第１テーブル、第２テーブルを備える、
システム。
【0009】
（発明２）
発明１のシステムであって、前記第２端末は、前記音センサ又はそれ以外のセンサからの信号に基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
発明１のシステムであって、前記第２端末は、前記音センサ又はそれ以外のセンサからの信号に基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
【0010】
（発明３）
発明１のシステムであって、前記第２端末は、方言、話題分野、時計、予定管理データ、性別、年齢のうち少なくとも１つに基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
発明１のシステムであって、前記第２端末は、方言、話題分野、時計、予定管理データ、性別、年齢のうち少なくとも１つに基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
【0011】
（発明４）
発明２のシステムであって、前記第２端末は、前記音センサ又はそれ以外のセンサからの信号に基づいて検出された環境音に基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
発明２のシステムであって、前記第２端末は、前記音センサ又はそれ以外のセンサからの信号に基づいて検出された環境音に基づいて、前記第２テーブルを参照し、参照結果に基づいて、複数の第１テーブルのうちどのテーブルを採用するかをスイッチする、システム。
【0012】
（発明５）
発明１のシステムであって、前記第２端末は、差分管理モジュールを更に備え、前記差分管理モジュールは、前記第１テーブル、前記第２テーブルのうち少なくとも１つについて、前記クラウド内の該当するテーブルとの差分を管理し、当該差分をダウンロード可能なように構成される、システム。
発明１のシステムであって、前記第２端末は、差分管理モジュールを更に備え、前記差分管理モジュールは、前記第１テーブル、前記第２テーブルのうち少なくとも１つについて、前記クラウド内の該当するテーブルとの差分を管理し、当該差分をダウンロード可能なように構成される、システム。
【0013】
（発明６）
音声認識のための端末であって、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記端末は、クラウドと通信可能であり、
前記端末は、音センサを備える、又は、音センサを備える別の端末と通信可能である、
端末。
音声認識のための端末であって、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記端末は、クラウドと通信可能であり、
前記端末は、音センサを備える、又は、音センサを備える別の端末と通信可能である、
端末。
【0014】
（発明７）
音声認識のためのクラウドであって、
前記クラウドは、端末と通信可能に接続され、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記端末に提供するための、第１テーブル、第２テーブルを備える、
クラウド。
音声認識のためのクラウドであって、
前記クラウドは、端末と通信可能に接続され、
前記端末は、
音声認識エンジン及び外部音声認識エンジンとのインターフェースのうち少なくとも１つと、
複数の第１テーブルと、
少なくとも１つの第２テーブルと、
を備え、
前記第１テーブルは、前記音声認識エンジン及び前記外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルであり、
前記第２テーブルは、前記複数の第１テーブルのうちどのテーブルを採用するかをスイッチするためのテーブルであり、
前記クラウドは、前記端末に提供するための、第１テーブル、第２テーブルを備える、
クラウド。
【発明の効果】
【0015】
一側面において、本開示のシステムでは、第１テーブルが複数存在し、当該テーブルは、音声認識エンジン及び外部音声認識エンジンのうちいずれか１つの出力に基づく動作を少なくとも定義したテーブルである。これにより、多種多様な環境に応じてテーブルの使い分けが可能となる。
【図面の簡単な説明】
【0016】
【図1】一実施形態におけるシステムの構成を示す。
【図2】一実施形態におけるシステムの構成を示す。
【図3】一実施形態におけるシステムの構成を示す。
【図4】一実施形態におけるシステムの構成を示す。
【図5】一実施形態におけるシステムの構成を示す。
【図6】一実施形態におけるクラウドサーバの構成を示す。
【図7】一実施形態における第１端末の構成を示す。
【図8】一実施形態における第２端末の構成を示す。
【図9】一実施形態における音声認識のフローを示す。
【図10】一実施形態における第２テーブルの構成を示す。
【図11】一実施形態における第１テーブルの構成を示す。
【図12】一実施形態における第１端末～第３端末の構成を示す。
【図13】一実施形態における音声認識のフローを示す。
【図14】一実施形態における実行コードを示す。
【図15】一実施形態における音声認識のフローを示す。
【図16】一実施形態における第１端末～第３端末の構成を示す。
【図17】一実施形態における音声認識のフローを示す。
【図18】一実施形態における第１端末～第２端末の構成及びサーバの構成を示す。
【図19】一実施形態における音声認識のフローを示す。
【図20】一実施形態における第２テーブルの構成、及び、スケジュールデータを示す。
【図21】一実施形態における第２テーブルの構成を示す。
【図22】一実施形態における音声認識の第２端末におけるバージョンアップ対象を示す。
【図23】一実施形態における音声認識のデータ等の更新のフローを示す。
【発明を実施するための形態】
【0017】
以下、本発明を実施するための具体的な実施形態について説明する。以下の説明は、本発明の理解を促進するためのものである。即ち、本発明の範囲を限定することを意図するものではない。
【0018】
１．応用分野
一実施形態において、本開示のシステム等は、様々な産業分野で使用することができる。即ち、音声認識を活用する産業分野において利用することができる。例えば、本開示のシステムは、以下の産業分野で利用可能である：生産ライン、建物内の管理（例えば、デパート、空港など）、工事現場などでの音声通信、データ分析、異音検査、自然災害予知・検知、自然環境での調査活動、飲食店の注文受付等。
一実施形態において、本開示のシステム等は、様々な産業分野で使用することができる。即ち、音声認識を活用する産業分野において利用することができる。例えば、本開示のシステムは、以下の産業分野で利用可能である：生産ライン、建物内の管理（例えば、デパート、空港など）、工事現場などでの音声通信、データ分析、異音検査、自然災害予知・検知、自然環境での調査活動、飲食店の注文受付等。
【0019】
２．定義
【0020】
２－１．「音声」「音声認識」
また、本明細書で述べる音声とは、肉声、物質音、及び両者の混合物を含む。したがって、「音声認識」は、狭義では、人間の肉声の認識を意味するが、広義では、ヒト以外の肉声の認識（例えば、動物の鳴き声）、及び、物質音（乗り物のエンジン音等）の認識も含む。また、音声データのファイル形式は特に限定されず、当分野で公知の形式であればよい（例えば、ＷＡＶ、ＭＰ３等）。
また、本明細書で述べる音声とは、肉声、物質音、及び両者の混合物を含む。したがって、「音声認識」は、狭義では、人間の肉声の認識を意味するが、広義では、ヒト以外の肉声の認識（例えば、動物の鳴き声）、及び、物質音（乗り物のエンジン音等）の認識も含む。また、音声データのファイル形式は特に限定されず、当分野で公知の形式であればよい（例えば、ＷＡＶ、ＭＰ３等）。
【0021】
２－２．「クラウド」
特記しない限りは、本明細書における用語「クラウド」は、「クラウドサーバ」と相互置換可能に使用される。したがって、実態としては、物理的な情報処理装置又はそのクラスタ構成された集合体を指す。典型的には、「クラウド」は、ＰａａＳ又はそれ以上（ＳａａＳ）のサービスを提供することができる。
特記しない限りは、本明細書における用語「クラウド」は、「クラウドサーバ」と相互置換可能に使用される。したがって、実態としては、物理的な情報処理装置又はそのクラスタ構成された集合体を指す。典型的には、「クラウド」は、ＰａａＳ又はそれ以上（ＳａａＳ）のサービスを提供することができる。
【0022】
２－３．「学習用データ」
学習用データは、学習済みモデルを生成するために必要となるデータである。例えば、学習用データは、ラベル付けがされてもよい（例えば、音声データに所定の情報がラベル付けされており、所定の情報には、認識すべきテキスト形式の言葉、フレーズの情報が含まれる）。
学習用データは、学習済みモデルを生成するために必要となるデータである。例えば、学習用データは、ラベル付けがされてもよい（例えば、音声データに所定の情報がラベル付けされており、所定の情報には、認識すべきテキスト形式の言葉、フレーズの情報が含まれる）。
【0023】
２－４．「モジュール」
モジュールは、特記しない限りは、ハードウェアとして実装されてもよく、ソフトウェアとして実装されてもよく、或いはその組み合わせとして実装されてもよい。例えば、通信モジュールは、Ｅｔｈｎｅｒｎｅｔ（登録商標）ボードによって実装されてもよい。また、本開示のいくつかの本実施形態において実行されるステップはプログラムによって実装されてもよい。
モジュールは、特記しない限りは、ハードウェアとして実装されてもよく、ソフトウェアとして実装されてもよく、或いはその組み合わせとして実装されてもよい。例えば、通信モジュールは、Ｅｔｈｎｅｒｎｅｔ（登録商標）ボードによって実装されてもよい。また、本開示のいくつかの本実施形態において実行されるステップはプログラムによって実装されてもよい。
【0024】
３．システム構成
一実施形態において、本開示は、当該システムを構成する各要素に関する。当該システムを構成する要素は、クラウド（又はクラウドサーバ）、サーバ、端末、プログラム、及び、当該プログラムが記憶された非一時的記憶媒体を含む。また、別の一実施形態において、本開示は、これらのシステム、及び／又は、当該システムの構成要素を用いる方法に関する。
一実施形態において、本開示は、当該システムを構成する各要素に関する。当該システムを構成する要素は、クラウド（又はクラウドサーバ）、サーバ、端末、プログラム、及び、当該プログラムが記憶された非一時的記憶媒体を含む。また、別の一実施形態において、本開示は、これらのシステム、及び／又は、当該システムの構成要素を用いる方法に関する。
【0025】
３－１．システム構成（第１例）
一実施形態における、本開示のシステムの構成を、図１に示す。ネットワーク（例えば、インターネット）を通して、複数の第２端末が、クラウドサーバと接続されている。また、第２端末は、第１端末と接続されている。両者は、有線の接続規格（例えば、ＵＳＢ等）で接続されてもよい。あるいは、両者は、無線の接続規格（例えば、Ｗｉｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等）で接続されてもよい。図１においては、クラウドサーバは一台のハードウェアとして表現されているが、複数台の物理的なハードウェアに分散されてもよい。第２端末については、複数台の端末として表現されているが、理論上は一台の端末であってもよい。ただし、クラウドサーバを利用する場合は、複数のユーザが共同利用するケースが多いため、典型的には、システムは、複数のエッジ端末を有する。
一実施形態における、本開示のシステムの構成を、図１に示す。ネットワーク（例えば、インターネット）を通して、複数の第２端末が、クラウドサーバと接続されている。また、第２端末は、第１端末と接続されている。両者は、有線の接続規格（例えば、ＵＳＢ等）で接続されてもよい。あるいは、両者は、無線の接続規格（例えば、Ｗｉｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等）で接続されてもよい。図１においては、クラウドサーバは一台のハードウェアとして表現されているが、複数台の物理的なハードウェアに分散されてもよい。第２端末については、複数台の端末として表現されているが、理論上は一台の端末であってもよい。ただし、クラウドサーバを利用する場合は、複数のユーザが共同利用するケースが多いため、典型的には、システムは、複数のエッジ端末を有する。
【0026】
３－２．システム構成（第２例）
別の一実施形態における、本開示のシステムの構成を、図２に示す。図１との違いは、第１端末に加えて、第３端末が、第２端末に、接続されている点である。例えば、第１端末が音声を感知するセンサ（例えば、マイク）を備え、第３端末は、別のセンサを備える。当該別のセンサは、第１端末の備えるセンサと同じ、音声を感知するセンサであってもよい。この場合には、第１端末のセンサとは別の音声を感知する目的で、第３端末のセンサが使用されてもよい。
別の一実施形態における、本開示のシステムの構成を、図２に示す。図１との違いは、第１端末に加えて、第３端末が、第２端末に、接続されている点である。例えば、第１端末が音声を感知するセンサ（例えば、マイク）を備え、第３端末は、別のセンサを備える。当該別のセンサは、第１端末の備えるセンサと同じ、音声を感知するセンサであってもよい。この場合には、第１端末のセンサとは別の音声を感知する目的で、第３端末のセンサが使用されてもよい。
【0027】
一方で、第３端末の備える別のセンサは、第１端末の備えるセンサとは異なる種類のセンサであってもよい。センサの具体例については、後述する。
【0028】
３－３．システム構成（第３例）
更に別の一実施形態における、本開示のシステムの構成を、図３に示す。図１に示すシステム構成では、第１端末と第２端末が１対１で対応している。一方で、図３に示すシステム構成では、第１端末と第２端末が１対Ｎで対応している。第１端末で取得した音声に応答して、複数の異なる処理を、複数の第２端末で実行する場合などにこうしたシステム構成を活用することができる。
更に別の一実施形態における、本開示のシステムの構成を、図３に示す。図１に示すシステム構成では、第１端末と第２端末が１対１で対応している。一方で、図３に示すシステム構成では、第１端末と第２端末が１対Ｎで対応している。第１端末で取得した音声に応答して、複数の異なる処理を、複数の第２端末で実行する場合などにこうしたシステム構成を活用することができる。
【0029】
３－４．システム構成（第４例）
更に別の一実施形態における、本開示のシステムの構成を、図４に示す。図１に示すシステム構成では、第１端末と第２端末が１対１で対応している。一方で、図４に示すシステム構成では、第１端末と第２端末がＮ対１で対応している。第１端末をウェアラブル端末として複数の人々が各々の第１端末を利用する場合、尚且つ、第２端末を共同利用する場合に、こうしたシステム構成を活用することができる。
更に別の一実施形態における、本開示のシステムの構成を、図４に示す。図１に示すシステム構成では、第１端末と第２端末が１対１で対応している。一方で、図４に示すシステム構成では、第１端末と第２端末がＮ対１で対応している。第１端末をウェアラブル端末として複数の人々が各々の第１端末を利用する場合、尚且つ、第２端末を共同利用する場合に、こうしたシステム構成を活用することができる。
【0030】
３－５．システム構成（第５例）
更に別の一実施形態における、本開示のシステムの構成を、図５に示す。図１に示すシステム構成では、第１端末と第２端末が、物理的に別々の装置として存在している。一方で、図５に示すシステム構成では、第１端末と第２端末が同一の装置内に存在している。第２端末の物理的な大きさを小さくすることで、第１端末と第２端末とを一体化することができる。そして、ウェアラブル端末として第１端末と第２端末とを実装することができる。
更に別の一実施形態における、本開示のシステムの構成を、図５に示す。図１に示すシステム構成では、第１端末と第２端末が、物理的に別々の装置として存在している。一方で、図５に示すシステム構成では、第１端末と第２端末が同一の装置内に存在している。第２端末の物理的な大きさを小さくすることで、第１端末と第２端末とを一体化することができる。そして、ウェアラブル端末として第１端末と第２端末とを実装することができる。
【0031】
本開示の目的の達成を阻害しない限りは、システム構成は、上記第１例～第５例以外のシステム構成であってもよい。例えば、上記の例には明示していない、別の構成要素（例えば、サーバ）を、システムが更に備えてもよい。サーバは、各第１端末のユーザが専属的に使用するためのオンプレミスサーバであってもよく、或いは、クラウドサーバであってもよい。例えば、サーバは、認識した音声に含まれる命令に基づいて所望の動作を実施してもよい。
【0032】
４．クラウドの構成
クラウドは、第２端末と通信可能に接続され、図６に示すように、第２端末の所望の動作に必要なデータ、アプリケーション等を提供する機能を有する。データは、テーブル形式のデータを含む。アプリケーションは、音声認識エンジン（例えば、音声認識エンジンの学習済みモデル）を含む。
クラウドは、第２端末と通信可能に接続され、図６に示すように、第２端末の所望の動作に必要なデータ、アプリケーション等を提供する機能を有する。データは、テーブル形式のデータを含む。アプリケーションは、音声認識エンジン（例えば、音声認識エンジンの学習済みモデル）を含む。
【0033】
好ましい実施形態においては、クラウドは、音声認識ＡＰＩを備えてもよい。当該音声認識ＡＰＩは、第２端末から送信された音声信号を受信し、テキスト変換した音声情報を送信することができる。
【0034】
クラウドは、配信モジュールを備えてもよい。配信モジュールは、第２端末の所望の動作に必要なデータ、アプリケーション等を提供する機能を有する。配信対象は、以下のものが含まれるがこれらに限定されない：音声認識エンジン（学習済みモデル）、第１テーブル、第２テーブル、第３テーブル、アプリケーション、差分管理モジュール、切替実行モジュール、その他のデータ、その他のアプリケーション。
【0035】
５．第１端末の構成
第１端末は、音声認識システムにおいて、音声を感知するための役割を担う。この目的を達成するため、図７に示すように、第１端末は、第１センサを少なくとも備え、当該第１センサは、音センサである。音センサは、特に限定されないが、典型的にはマイクである。また、第１端末は、音声信号処理（特に肉声信号に対する処理）のためのモジュールを備えてもよい（例えば、ディスクリート部品又はＩＣによるフィルタ（ハイパス、ローパス、バンドパス）、ＤＳＰなど）。
第１端末は、音声認識システムにおいて、音声を感知するための役割を担う。この目的を達成するため、図７に示すように、第１端末は、第１センサを少なくとも備え、当該第１センサは、音センサである。音センサは、特に限定されないが、典型的にはマイクである。また、第１端末は、音声信号処理（特に肉声信号に対する処理）のためのモジュールを備えてもよい（例えば、ディスクリート部品又はＩＣによるフィルタ（ハイパス、ローパス、バンドパス）、ＤＳＰなど）。
【0036】
第１端末は、第１センサのほかに第２センサを備えてもよい。第２センサは、第１センサと同様音センサであってもよい。あるいは、第２センサは、音センサ以外のセンサであってもよい。
【0037】
音センサ以外のセンサの例として、例えば、以下が含まれる：人感センサ（例えば、ヒトの立ち入りを検出）、超音波センサ（例えば、対象物までの距離間異常を検出）、圧力センサ（例えば、容器等密閉空間内の圧力の異常な上昇などを検知）、電流及び／又は電圧センサ（例えば、装置の稼働状況を監視）、エンコーダ（例えば、ロータリエンコーダ、リニアエンコーダ、例えば、ロボットアームの関節部の角度異常の検出）、水分量センサ、ガスセンサ（例えば、Ｏ2／ＣＯ2センサ、臭気等）、光センサ（カメラ、赤外線センサ、照度センサ等も含む。例えば、熱、温度に関する異常を検出、暗室など光厳禁のエリアでの光漏れを検出、或いは、カメラなどでの異常物体の存在の認識）、湿度センサ、温度センサ、気圧センサ、ジャイロセンサ（例えば、建物や地面の傾きなどを検知）、磁気センサ、加速度センサ（例えば、地震や振動などの検知）等。
【0038】
一実施形態において、第１端末は、特定の固定された場所に設置された端末であってもよく、或いは、モバイル端末であってもよい。モバイル端末とは、携行可能な端末である。モバイル端末の例として、ウェアラブル端末、スマートフォン、タブレット端末、ラップトップパソコン、ノートパソコン等が挙げられる。
【0039】
更なる一実施形態において、第１端末は、ウェアラブル端末であってもよい。例えば、ウェアラブル端末は、人体の頭部、手首等に装着可能な端末（例えば、ヘッドセット、リストバンド（例えば、スマートウォッチ等））であってもよい。
【0040】
６．第２端末の構成
第２端末は、第１端末の音センサが感知した信号又はこれに基づく信号を受信し、テキスト変換する役割を担う。そのため、第２端末は、図８に示すように、音声認識エンジン（例えば、音声認識用の学習済みモデル）を備える。あるいは、又は、これに加えて、第２端末は、外部音声認識エンジンとのインターフェースを備えてもよい。この場合の外部音声認識エンジンは、クラウドに存在してもよい。そして、第２端末で受信した音声信号を、クラウドに送信し、クラウド側でテキスト変換した情報を、第２端末が受信してもよい。そして、第２端末とクラウドとの間での情報の送受信を、第２端末のインターフェースが担ってもよい。同様の目的で、クラウドも音声認識のＡＰＩを備えてもよい。
第２端末は、第１端末の音センサが感知した信号又はこれに基づく信号を受信し、テキスト変換する役割を担う。そのため、第２端末は、図８に示すように、音声認識エンジン（例えば、音声認識用の学習済みモデル）を備える。あるいは、又は、これに加えて、第２端末は、外部音声認識エンジンとのインターフェースを備えてもよい。この場合の外部音声認識エンジンは、クラウドに存在してもよい。そして、第２端末で受信した音声信号を、クラウドに送信し、クラウド側でテキスト変換した情報を、第２端末が受信してもよい。そして、第２端末とクラウドとの間での情報の送受信を、第２端末のインターフェースが担ってもよい。同様の目的で、クラウドも音声認識のＡＰＩを備えてもよい。
【0041】
また、第２端末は、音声認識システムにおいて、音声認識によってテキスト変換された情報に基づいて所望の動作を行う役割を担う。こうした目的から、第２端末は、複数の第１テーブル、少なくとも１つの第２テーブルを少なくとも備える。第１テーブルは、音声認識エンジンの出力に基づく動作を少なくとも定義したテーブルである。一例として、第１テーブルは、認識したテキスト（又はこれに対応するコード情報）と、実行する動作との対応関係を定義する。これにより、音声認識に基づく所望の動作を実行することができる。また、第１テーブルを複数備える理由は、同じ認識内容であっても、状況に応じて異なる動作を実行することを可能にするためである。この場合、複数存在する第１テーブルのうち、どれを採用するかを判断する必要がある。こうした目的から、第２テーブルは、当該判断を行うための条件を定義する。一例として、第２テーブルは、切り替え条件と、採用する第１テーブルとの対応関係を定義する。
【0042】
好ましくは、第２端末は、第１テーブルに記載された実行内容に基づく所望の動作を実行するための種々のアプリケーションを備えてもよい。また、第２端末は、切り替え実行モジュールを備えてもよい。当該モジュールは、第２テーブルを参照し、複数の第１テーブルのうちどのテーブルを採用するかの判断を行うことができ、そして、必要に応じて、実行コード等を動的に変更することができる。
【0043】
また、第２端末は、第２センサを備えてもよい。センサの具体例は上述の通りである。第２センサからの情報は、複数の第１テーブルのうちどのテーブルを採用するかの判断に利用することができる。
【0044】
また、第２端末は、第３テーブルを備えてもよい。第３テーブルは、種々のパラメータを定義するために使用することができる。種々のパラメータは、例えば、以下に関連してもよい：音声認識処理、音声認識処理前に実行される信号の前処理、音声認識処理後に実行される実行内容。
【0045】
また、第２端末は、差分管理モジュールを備えてもよい。差分管理モジュールは、クラウドから、上述したテーブル、アプリケーション、モジュールなどを取得することに寄与する。取得する際に、差分管理モジュールは、ローカルに保存されている内容と、クラウド上に保存されている内容との差分を管理することができる。そして、差分管理モジュールは、当該差分のみをダウンロードするようにアップデートを実行することができる。
【0046】
以降では、上述した端末を用いた音声認識処理のフローについて説明する。
【0047】
７．処理の流れ（その１ 音声入力から動作の実行まで）
音声入力から動作の実行までのフローを以下説明する。上述した第１端末、及び、第２端末において以下のステップが実行される（図９）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する。
・第２テーブルに応じて、複数の第１テーブルのうちどのテーブルを採用するかを決定する。
・音声認識の出力結果に基づいて、実行すべき動作を第１テーブルから抽出する。
・アプリケーションが動作を実行する。
音声入力から動作の実行までのフローを以下説明する。上述した第１端末、及び、第２端末において以下のステップが実行される（図９）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する。
・第２テーブルに応じて、複数の第１テーブルのうちどのテーブルを採用するかを決定する。
・音声認識の出力結果に基づいて、実行すべき動作を第１テーブルから抽出する。
・アプリケーションが動作を実行する。
【0048】
飲食店で飲み物を注文する状況を例に挙げて、上記の各ステップを説明する。
【0049】
話者は、自身が飲みたい飲み物を音声で注文する（例えば、「ウーロンハイください」と発声する）。第１端末は、テーブルに搭載されており、そして、音センサを通して話者の注文を感知する。そして、第１端末は、感知した音声信号を第２端末に送信する。第２端末は、第１端末と同様テーブルに搭載されてもよい。あるいは、店内の厨房、事務所などのバックヤードに搭載されてもよい。そして、第１端末と第２端末は無線通信などで接続されてもよい。
【0050】
第２端末は、受信した音声信号を音声認識エンジンに入力する。このときに、必要に応じて音声信号を適宜処理してもよい。或いは、第１端末から第２端末へ送信する前に、第１端末側で、必要に応じて音声信号を適宜処理してもよい。例えば、特定の周波数をカットしてもよい。あるいは、ノイズキャンセリングの処理を行ってもよい。
【0051】
音声認識エンジンは、受信した音声信号を処理して、所望の情報を出力してもよい。所望の情報は、少なくとも音声信号をテキスト変換した情報を含む（上記の例でいえば、「う／ー／ろ／ん／は／い／く／だ／さ／い」）。また、これに加えて、音声認識エンジンは、認識した音声の信頼度の情報を出力してもよい。信頼度の情報は、例えば、０～１の範囲で出力してもよい。当該表現形式の場合、例えば、１に近いほど信頼度が高いことを意味する。
【0052】
また、これに加えて、音声認識エンジンは、認識した単語に該当するコード情報を出力してもよい。
【0053】
音声認識エンジンは、特に限定されず、当分野で公知の音声認識エンジンを採用することができる。例えば、第２端末内で実装可能な音声認識エンジンとしては、Ｊｕｌｉｕｓ等が挙げられる。また、クラウドと接続することで、利用可能な音声認識エンジンとしては、Ｇｏｏｇｌｅ Ｃｌｏｕｄ ＰｌａｔｆｏｒｍのＳｐｅｅｃｈ－ｔｏ－Ｔｅｘｔ ＡＰＩ、ＭｉｃｒｏｓｏｆｔのＳｐｅｅｃｈ Ｓｅｒｖｉｃｅｓ、ＩＢＭのＷａｔｓｏｎ Ｓｐｅｅｃｈ ｔｏ Ｔｅｘｔ、アドバンスト・メディアのＡｍｉＶｏｉｃｅなどが挙げられる。
【0054】
Ｊｕｌｉｕｓの場合には、Ｊｕｌｉｕｓ単独では動作しないので、いくつかの補助データを併用する。例えば、音響モデル（例えば、ＧＭＭ－ＨＭＭ 音響モデル、ＤＮＮ－ＨＭＭ 音響モデルなど）、単語辞書、及び、言語モデル（例えば、単語Ｎ－ｇｒａｍ）が必要となる。
【0055】
上記のような音声認識エンジンを通して、種々の出力が得られる。
【0056】
音声認識エンジンからの出力を得た後は、第２テーブルに応じて、複数の第１テーブルのうちどのテーブルを採用するかを決定する。例えば、飲食店が、ランチ営業か、夕方以降の居酒屋営業かに応じて、注文を変える場合、第２テーブルでは図１０のようにデータを定義することができる。時間帯に応じて、ランチ営業と居酒屋営業の２種類のモードに切り替える。そして、これに応じて、実行する内容を定義した第１テーブルを切り替えることができる。例えば、ランチ営業の場合には、Ｎｏ．１の第１テーブルを採用し、居酒屋営業の場合には、Ｎｏ．２の第１テーブルを採用することができる（図１１参照）。
【0057】
Ｎｏ．１の第１テーブルを採用した場合、「ウーロンハイください」に対する動作としては、「ランチ営業ではアルコールは提供できません」という返答を実行することができる。一方で、ランチ営業でも販売対象の飲み物が注文された場合（例えば、「ウーロン茶ください」という発声の場合）には、「かしこまりました」という返答を実行することができる。さらには、注文を受け付ける別のサーバ、端末等へ、品物（必要に応じて数量や、オプション情報等）の情報を送信することができる。
【0058】
一方で、Ｎｏ．２の第１テーブルを採用した場合、「ウーロンハイください」に対する動作としては、販売対象の飲み物が注文された場合と同様の動作が実行される。
【0059】
従って、音声認識エンジンによる出力結果が同じであっても、状況に応じて動作を切り替えることが可能となる。
【0060】
上記の例では、時刻を元に第１テーブルを切り替える例について説明した。次の項では、別のトリガーに基づいて第１テーブルを切り替える例について説明する。また、切り替える方法の具体例についても説明する。
【0061】
８．処理の流れ（その２ 第１テーブルの切り替え）
図１２に示すように、第２端末には、第１端末と第３端末が通信可能に接続されている。第１端末には音センサが搭載されており、第３端末には第２センサが搭載されている。なお、第１端末と第３端末が一体化されて１つの装置を形成してもよい。
図１２に示すように、第２端末には、第１端末と第３端末が通信可能に接続されている。第１端末には音センサが搭載されており、第３端末には第２センサが搭載されている。なお、第１端末と第３端末が一体化されて１つの装置を形成してもよい。
【0062】
第２端末は、第１端末のセンサからの情報と、第３端末のセンサからの情報とを受信する。そして、それぞれの情報を、音声認識エンジンと環境認識エンジンとに入力することができる。
【0063】
音声入力から動作の実行までのフローとして、以下のステップが実行される（図１３）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・環境情報を、第３端末の第２センサが感知する。
・第３端末が感知した信号を第２端末に送信する。
・第２端末の環境認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の環境認識エンジンが、処理結果を出力する（第２出力）。
・第２端末の切り替え実行モジュールが、出力に基づいて、どの第１テーブルを採用すべきかを判断し、コード内のインデックス値、パラメータ等を書き換える。
・コードを参照して実行し、実行すべき動作を第１テーブルから抽出する。
・アプリケーションが動作を実行する。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・環境情報を、第３端末の第２センサが感知する。
・第３端末が感知した信号を第２端末に送信する。
・第２端末の環境認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の環境認識エンジンが、処理結果を出力する（第２出力）。
・第２端末の切り替え実行モジュールが、出力に基づいて、どの第１テーブルを採用すべきかを判断し、コード内のインデックス値、パラメータ等を書き換える。
・コードを参照して実行し、実行すべき動作を第１テーブルから抽出する。
・アプリケーションが動作を実行する。
【0064】
発話を感知してから、音声認識エンジンが出力するまでの流れは、前項と同様である。これとは独立して且つ並行して、第３端末の第２センサは環境を感知することができる。その後、第３端末から第２端末へ、環境のセンサの情報が送信され、環境認識エンジンへ入力される。そして、環境認識エンジンは環境に関する情報を出力する。切り替え実行モジュールは、実行コード内のインデックス値、パラメータ等を動的に書き換える。そして、書き換え後のコードが実行され、これにより、実行すべき動作を第１テーブルから抽出する。そして、抽出された情報に基づきアプリケーションが実行される。
【0065】
ここで、例えば、スマートハウスなどで、ヒトが「窓を開けて」と発声した場合、第１端末のマイクは、ヒトの肉声を取得し、同時に第３端末のセンサは、環境音を取得する。その後、肉声と環境音を含む音声信号はデジタル化され、その後、環境音データと肉声データとして、それぞれ、音声認識エンジン、環境認識エンジンに入力される。音声認識エンジンでは、「ま／ど／を／あ／け／て」というフレーズである旨の出力判定を行う。一方の環境認識エンジンでは、例えば、戸外の雨の音、強風の音などを検出し、「外では雨が降っている」「強風が吹いている」などの判定を行う。
【0066】
第２テーブルでは、「外では雨が降っている」場合、「強風が吹いている」場合、それ以外の場合に、それぞれどの番号の第１テーブルを使用するかが定義されている。切り替え実行モジュールが、「外では雨が降っている」場合には、Ｎｏ．３の第１テーブルを採用すべきとした場合、図１４に示すコードにおいて、「Ｅ＝１」と記載されているところを、「Ｅ＝３」に変更する。
【0067】
以降では、「外では雨が降っている」場合に対応した第１テーブルが採用される。
【0068】
そして、「ま／ど／を／あ／け／て」というフレーズに対応して、Ｎｏ．３の第１テーブルでは、「外では雨が降っているかもしれませんが窓を開けても大丈夫でしょうか？」という返答を行う動作が定義されている。
【0069】
一方で、「外は晴れていて風も穏やかである」場合に対応した第１テーブルでは、「ま／ど／を／あ／け／て」というフレーズに対応して、「かしこまりました。窓を開けます」という音声を出力すること、及び、話者のいる部屋の窓を開けるという動作が定義されている。
【0070】
このように、同じ「ま／ど／を／あ／け／て」というフレーズであっても、実行されるコード内のインデックス値、パラメータ等を動的に書き換えることで、環境に応じて異なる動作に切り替えることができる。また、こうした動作を可能にするためには、切り替え実行モジュールは、どのように書き換えればよいかを判断できる必要がある。この目的で、第２テーブルでは、認識される環境と、参照すべき第１テーブルの番号との対応関係が定義される。そして、切り替え実行モジュールは、環境認識エンジンの出力に基づいて、第２テーブルを参照し、これにより、採用すべき第１テーブルの番号を取得することができる。
【0071】
コード内のインデックス値、パラメータ等を書き換えるためのフローの実行タイミングは、任意のタイミングでよい。即ち、話者の発話を感知するタイミングとは全く独立して且つ並行して行うことができる。したがって、コードを書き換えるためのフローは、定期的な間隔をあけて自動実行されてもよい（例えば、２４時間ごと、１２時間ごと、１時間ごと、３０分ごと、１分ごと、３０秒ごと、１０秒ごとなど）。或いは、コードを書き換えるためのフローは、バックグラウンドレベル以上の環境刺激を感知した場合に自動実行されてもよい。例えば、静かな環境音（〇〇ｄＢ以下）から、一定以上の大きさの音（例えば、雨の降る音、風の吹く音、〇〇ｄＢ以上）を感知したときに、コードを書き換えるためのフローは実行されてもよい。
【0072】
このように、第１テーブルの切り替えのトリガーは、環境情報に依存してもよい。また、切り替え方法は、上記のようにコード内のインデックス値、パラメータ等を動的に書き換える方法によってもよい。変形例としては、コード内のインデックス値、パラメータ等を動的に書き換える代わりに、設定ファイル、又は、パラメータを定義したテーブル内の値を動的に書き換えることによって、第１テーブルの切り替えをおこなってもよい。
【0073】
次の項では、上記のようにコードを動的に書き換え以外の方法について説明する。
【0074】
９．処理の流れ（その３ 第１テーブルの切り替え、その都度参照）
音声入力から動作の実行までのフローとして、以下のステップが実行される（図１５）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・環境情報を、第３端末の第２センサが感知する。
・第３端末が感知した信号を第２端末に送信する。
・第２端末の環境認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の環境認識エンジンが、処理結果を出力する（第２出力）。
・第２端末の切り替え実行モジュールが、第２出力に基づいて第２テーブルに対するクエリを実行し、どの第１テーブルを採用すべきかの情報を取得する。
・取得した情報に基づき第１テーブルを選択し、第１出力に基づいて当該第１テーブルに対するクエリを実行し、実行すべき動作に関する内容の定義を抽出する。
・アプリケーションが動作を実行する。
音声入力から動作の実行までのフローとして、以下のステップが実行される（図１５）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・環境情報を、第３端末の第２センサが感知する。
・第３端末が感知した信号を第２端末に送信する。
・第２端末の環境認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の環境認識エンジンが、処理結果を出力する（第２出力）。
・第２端末の切り替え実行モジュールが、第２出力に基づいて第２テーブルに対するクエリを実行し、どの第１テーブルを採用すべきかの情報を取得する。
・取得した情報に基づき第１テーブルを選択し、第１出力に基づいて当該第１テーブルに対するクエリを実行し、実行すべき動作に関する内容の定義を抽出する。
・アプリケーションが動作を実行する。
【0075】
前項との違いは、話者の発話を認識するたびに、環境認識に関するフローも実行される点にある。これにより、瞬間的に環境が変わる場合にも対応することができる。
【0076】
好ましい実施形態において、第２テーブルは、採用すべき第１テーブルの定義だけでなく、例えば、音声認識に使用するエンジンを特定するための情報を定義してもよい。上述したように、第２テーブルに対して、環境認識エンジンの出力に基づくクエリを発行することができる。したがって、当該テーブルに対して、環境に応じて採用すべき音声認識エンジンを切り替えることができる。例えば、汎用性の高い音声認識エンジンだけでなく、工事などの騒音に強い音声認識エンジン、人々の話し声を含むバックグラウンドノイズに強い音声認識エンジンなどに適宜切り替えることができる。この場合には、環境認識に対するフローが先に実行され、採用すべき音声認識エンジンを切り替えた後で、音声認識のフローが実行される。
【0077】
また、切り替え対象は、音声認識に付随するデータも含まれてもよい。例えば、音声認識エンジンで使用する辞書ファイルを複数使い分けることで、状況からあり得ない単語などを排除することができ、単語認識に対する信頼度が分散しにくくなる。逆にいえば、あらゆる状況に対応するために１つの辞書ファイルに多くの単語を入れ込むと、その分認識候補の単語の数も増えて信頼度が下がりやすくなる。
【0078】
このように、テーブル、データ等を分散させることで、音声認識の性能の向上に寄与することができる。
【0079】
次項では、センサ以外の情報をトリガーとして第１テーブルを切り替える例について説明する。
【0080】
１０．処理の流れ（その４ 第１テーブルの切り替え、センサ以外による切り替え１）
図１６は、第１端末～第３端末の構成を示す。図１２に示す構成と類似するが、第３端末のセンサが音センサであり、第２端末が備えるエンジンが、音声認識エンジンと、特徴認識エンジンである。特徴認識エンジンは、話者の特徴、及び／又は、話者が発話している話題について認識することができる。話者の特徴の例としては、性別、年齢、方言等が挙げられる。
図１６は、第１端末～第３端末の構成を示す。図１２に示す構成と類似するが、第３端末のセンサが音センサであり、第２端末が備えるエンジンが、音声認識エンジンと、特徴認識エンジンである。特徴認識エンジンは、話者の特徴、及び／又は、話者が発話している話題について認識することができる。話者の特徴の例としては、性別、年齢、方言等が挙げられる。
【0081】
音声入力から動作の実行までのフローとして、以下のステップが実行される（図１７）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・話者による発話を、第３端末の第２センサが感知する。
・第３端末が感知した信号を第２端末に送信する。
・第２端末の特徴認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の特徴認識エンジンが、処理結果を出力する（第２出力）。
・第２端末の切り替え実行モジュールが、第２出力に基づいて第２テーブルに対するクエリを実行し、どの第１テーブルを採用すべきかの情報を取得する。
・取得した情報に基づき第１テーブルを選択し、第１出力に基づいて当該第１テーブルに対するクエリを実行し、実行すべき動作に関する内容の定義を抽出する。
・アプリケーションが動作を実行する。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・話者による発話を、第３端末の第２センサが感知する。
・第３端末が感知した信号を第２端末に送信する。
・第２端末の特徴認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の特徴認識エンジンが、処理結果を出力する（第２出力）。
・第２端末の切り替え実行モジュールが、第２出力に基づいて第２テーブルに対するクエリを実行し、どの第１テーブルを採用すべきかの情報を取得する。
・取得した情報に基づき第１テーブルを選択し、第１出力に基づいて当該第１テーブルに対するクエリを実行し、実行すべき動作に関する内容の定義を抽出する。
・アプリケーションが動作を実行する。
【0082】
図１５に示すフローと類似するが、大きく異なる点としては、方言、話題分野、性別、年齢、言語のうち少なくとも１つに応じて、採用すべき第１テーブルを切り替える点が挙げられる。
【0083】
例えば、同じように捨てるという動作を実行させるとしても、「捨てて」という発話もあり得るし、地域によっては「ほかしといて」という発話もあり得る。
【0084】
別の例では、食事の注文に関する音声認識では、性別、年齢に応じて食べる量が異なる可能性があり、同じ動作でも、食べ物の量を調節することが可能となる。また、幼児は、犬を「ワンワン」と言ったり、車を「ブーブー」と言ったり、その年齢特有の用語を使用することがある。
【0085】
別の例では、同じ命令ワードでも、話題分野によって行う動作が異なる可能性があり、例えば、「ウイルスを除去して」という命令は、コンピュータ分野と生物・医学分野では、全く異なる動作を意味する。両方をとりあつかう可能性のある病院、医学研究所では、その時々の話題に応じて、動作の切り替えが必要となる。
【0086】
従って、特徴認識エンジンの出力に基づいて、第１テーブルを切り替えることは、より適切な動作を実行するうえで有用となる。
【0087】
次項では、センサ以外の情報をトリガーとして第１テーブルを切り替える例について説明する。
【0088】
１１．処理の流れ（その５ 第１テーブルの切り替え、センサ以外による切り替え２）
図１８は、第１端末～第２端末及びサーバの構成を示す。サーバは、種々のスケジュールデータが記憶されたデータベースを備える。第１端末と第２端末の構成は上記と同様であるが、第２端末が、スケジュール取得モジュールを備える点で異なる。スケジュール取得モジュールは、サーバのスケジュールデータにアクセス可能であり、データを取得することができる。
図１８は、第１端末～第２端末及びサーバの構成を示す。サーバは、種々のスケジュールデータが記憶されたデータベースを備える。第１端末と第２端末の構成は上記と同様であるが、第２端末が、スケジュール取得モジュールを備える点で異なる。スケジュール取得モジュールは、サーバのスケジュールデータにアクセス可能であり、データを取得することができる。
【0089】
音声入力から動作の実行までのフローとして、以下のステップが実行される（図１９）。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・第２端末のスケジュール取得モジュールがスケジュールデータにアクセスする。
・第２端末のスケジュール取得モジュールが現在時刻を取得する。
・第２端末のスケジュール取得モジュールが現在採用されている第１テーブルの識別情報を取得する。
・第２端末の切り替え実行モジュールが、第１テーブルの切り替えの必要性を判断する。
・必要な場合には、第２端末の切り替え実行モジュールが、第２テーブルに対するクエリを実行し、どの第１テーブルを採用すべきかの情報を取得する。
・取得した情報に基づき第１テーブルを選択し、第１出力に基づいて当該第１テーブルに対するクエリを実行し、実行すべき動作に関する内容の定義を抽出する。
・アプリケーションが動作を実行する。
・話者による発話を、第１端末の音センサが感知する。
・第１端末が感知した信号を第２端末に送信する。
・第２端末の音声認識エンジンが、感知した信号又はこれに基づく信号を、入力として受信する。
・第２端末の音声認識エンジンが、処理結果を出力する（第１出力）。
・第２端末のスケジュール取得モジュールがスケジュールデータにアクセスする。
・第２端末のスケジュール取得モジュールが現在時刻を取得する。
・第２端末のスケジュール取得モジュールが現在採用されている第１テーブルの識別情報を取得する。
・第２端末の切り替え実行モジュールが、第１テーブルの切り替えの必要性を判断する。
・必要な場合には、第２端末の切り替え実行モジュールが、第２テーブルに対するクエリを実行し、どの第１テーブルを採用すべきかの情報を取得する。
・取得した情報に基づき第１テーブルを選択し、第１出力に基づいて当該第１テーブルに対するクエリを実行し、実行すべき動作に関する内容の定義を抽出する。
・アプリケーションが動作を実行する。
【0090】
図１０に示す例では、ランチ営業と居酒屋営業の時間が固定されている前提になっていた。しかし、場合によっては、採用する可能性のある第１テーブルが複数あり、それが、日々のスケジュールの中で変わる可能性がある。そこで、スケジュールデータなどにアクセスし、当該データに基づいて、尚且つ、今現在の時刻において、ランチ営業と居酒屋営業のいずれのモードにすべきかを、スケジュール取得モジュールが判断することができる。
【0091】
そして、現在の営業モードが適切なモードになっているかどうか、すなわち、第１テーブルの切り替えが必要かどうかを、スケジュール取得モジュールが判断することができる。切り替えが必要と判断した場合には、スケジュールデータから取得した営業モードの情報に基づき、スケジュール取得モジュールが、採用すべき第１テーブルを選択することができる。
【0092】
この場合、第２テーブルは、図１０に示す場合とは異なり、時刻の情報は不要となる。即ち、図２０の上のテーブルにあるように、モードと実行テーブル番号との対応のみでよく、具体的な開始時刻終了時刻は、スケジュールデータから取得することができる（図２０の下のテーブル）。
【0093】
１２．処理の流れ（その６ 第１テーブルの切り替え、発話されるキーワードの出現頻度に基づく切り替え）
別の実施形態では、音声認識エンジンによって検出されたワードをトリガーとして第１テーブルの切り替えも可能である。例えば、図２１に示すように、所定のキーワードと当該キーワードの出現回数の下限値に基づいて、第１テーブルを切り替えるように構成されてもよい。例えば、図２１のテーブルに示す例では、第１テーブルの切り替えは、「かんぱい」というキーワードが５回以上出現した場合に、居酒屋モードに切り替えるため、Ｎｏ．２のテーブルを採用するように構成される。
別の実施形態では、音声認識エンジンによって検出されたワードをトリガーとして第１テーブルの切り替えも可能である。例えば、図２１に示すように、所定のキーワードと当該キーワードの出現回数の下限値に基づいて、第１テーブルを切り替えるように構成されてもよい。例えば、図２１のテーブルに示す例では、第１テーブルの切り替えは、「かんぱい」というキーワードが５回以上出現した場合に、居酒屋モードに切り替えるため、Ｎｏ．２のテーブルを採用するように構成される。
【0094】
例えば、第２テーブルは、図２１に示すように、音声認識エンジンが検出したキーワードと、出現回数の下限値とを定義してもよい。そして、切り替え実行モジュールは、第２テーブルに定義されたキーワードが、所定の出現回数以上検出された場合には、指定の第１テーブルに切り替えることができる。例えば、図２１の例では、「かんぱい」というキーワードが５回以上検出された場合には、切り替え実行モジュールは、第１テーブルを、Ｎｏ．２のテーブルに切り替えることができる。
【0095】
所定のキーワードが出現した場合という単純な条件だと、居酒屋以外の会話のなかで「かんぱい」という言葉が出てきたときに、切り替えが起こってしまう可能性がある。しかし、出現回数の条件を組み合わせることで、このような意図しない切り替えが起こることを回避できる可能性が高くなる。
【0096】
更に好ましい実施形態においては、キーワード、キーワードの出現回数、及び、環境条件という少なくとも３つの条件の組み合わせを用いて、第１テーブルの切り替えを行ってもよい。環境条件とは、例えば、第３センサなどによって検出された話者の周囲環境である。
【0097】
１３．処理の流れ（その７ 差分アップデート）
上述したように第２端末は様々なデータ及びモジュールを備えることができる。そして、クラウドは、データ及びモジュールをバージョンアップさせることができる。例えば、クラウドと、第２端末は、それぞれ差分管理モジュールを更に備えてもよい。
上述したように第２端末は様々なデータ及びモジュールを備えることができる。そして、クラウドは、データ及びモジュールをバージョンアップさせることができる。例えば、クラウドと、第２端末は、それぞれ差分管理モジュールを更に備えてもよい。
【0098】
差分管理モジュールは、第１テーブル、第２テーブルのうち少なくとも１つについて、クラウド内の該当するテーブルとの差分を管理する。そして、差分管理モジュールは、差分をダウンロード可能なように構成される。
【0099】
また、差分管理モジュールは、第１テーブル、第２テーブル以外に他のデータ及びモジュールについても管理してもよい。例えば、図２２に示すように、更に、第３テーブル、音声認識エンジン（辞書データなども含んでもよい）、アプリケーションなども差分管理対象としてもよい。
【0100】
差分のアップデートのフローとして、以下のステップが実行される（図２３）。
・クラウドに保存されているテーブル、データ、アプリケーション、音声認識エンジン等のうち少なくとも１つがバージョンアップされる。
・クラウドの差分管理モジュールが、バージョンアップ前後の差分を記憶する。
・クラウドの差分管理モジュールが、第２端末にバージョンアップを通知する。
・第２端末の差分管理モジュールが、クラウドに、バージョンアップしたテーブル、データ、アプリケーション、音声認識エンジン等のうち少なくとも１つをリクエストする。
・クラウドの差分管理モジュールが、差分としてのデータ、アプリケーション、音声認識エンジン等のうち少なくとも１つを、第２端末に送信する。
・第２端末の差分管理モジュールが、差分としてのデータ、アプリケーション、音声認識エンジン等のうち少なくとも１つを受信し、更新作業を実行する。
・クラウドに保存されているテーブル、データ、アプリケーション、音声認識エンジン等のうち少なくとも１つがバージョンアップされる。
・クラウドの差分管理モジュールが、バージョンアップ前後の差分を記憶する。
・クラウドの差分管理モジュールが、第２端末にバージョンアップを通知する。
・第２端末の差分管理モジュールが、クラウドに、バージョンアップしたテーブル、データ、アプリケーション、音声認識エンジン等のうち少なくとも１つをリクエストする。
・クラウドの差分管理モジュールが、差分としてのデータ、アプリケーション、音声認識エンジン等のうち少なくとも１つを、第２端末に送信する。
・第２端末の差分管理モジュールが、差分としてのデータ、アプリケーション、音声認識エンジン等のうち少なくとも１つを受信し、更新作業を実行する。
【0101】
差分によるアップデートのタイミングは、特に限定されない。例えば、第２端末が全く使用されない時間帯（例えば、深夜など）に自動的に実行されてもよい。あるいは、音声認識の正解率が一定以下になった時（例えば、うまく音声認識されず、言い直す頻度が一定数を超えた場合）に実行されてもよい。
【0102】
テーブル、プログラム等を全体的にバージョンアップする場合、通信のパケット量が多くなり、バージョンアップに時間がかかることになる。しかし、差分によるアップデートにすることで時間の節約が可能となる。
【0103】
以上、発明の具体的な実施形態について説明してきた。上記実施形態は、具体例に過ぎず、本発明は上記実施形態に限定されない。例えば、上述の実施形態の１つに開示された技術的特徴は、他の実施形態に適用することができる。また、特記しない限り、特定の方法については、一部の工程を他の工程の順序と入れ替えることも可能であり、特定の２つの工程の間に更なる工程を追加してもよい。本発明の範囲は、特許請求の範囲によって規定される。
【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】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
