特許 7449070 音声入力装置、音声入力方法及びそのプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-03-05

(45)【発行日】2024-03-13

(54)【発明の名称】音声入力装置、音声入力方法及びそのプログラム

(51)【国際特許分類】

   G10L 17/06 20130101AFI20240306BHJP

【ＦＩ】

G10L17/06

【請求項の数】 7

(21)【出願番号】P 2019197231

(22)【出願日】2019-10-30

(65)【公開番号】P2020160430

(43)【公開日】2020-10-01

【審査請求日】2022-08-30

(31)【優先権主張番号】62/824,619

(32)【優先日】2019-03-27

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】514136668

【氏名又は名称】パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ

【氏名又は名称原語表記】Ｐａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100109210

【弁理士】

【氏名又は名称】新居 広守

(74)【代理人】

【識別番号】100137235

【弁理士】

【氏名又は名称】寺谷 英作

(74)【代理人】

【識別番号】100131417

【弁理士】

【氏名又は名称】道坂 伸一

(72)【発明者】

【氏名】西川 剛樹

【審査官】中村 天真

(56)【参考文献】

【文献】特開２００６－３１３２６１（ＪＰ，Ａ）

【文献】特開２００４－０９４０７７（ＪＰ，Ａ）

【文献】特開２０１４－０９６１５３（ＪＰ，Ａ）

【文献】特開２００１－２２２２９５（ＪＰ，Ａ）

【文献】特開平１１－２４９６８３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１０Ｌ １５／００－１７／２６

(57)【特許請求の範囲】

【請求項1】

１以上の話者が発話する際のそれぞれの音声を取得する取得部と、
前記取得部が取得した前記１以上の話者の発話による前記それぞれの音声を記憶する記憶部と、
トリガが入力されるトリガ入力部と、
前記トリガ入力部に前記トリガが入力されるごとに、前記記憶部に記憶される前記それぞれの音声から発話を開始した開始位置を検出する発話開始検出部と、
少なくとも、前記トリガ入力部に前記トリガが入力される第１時点と、前記発話開始検出部が前記それぞれの音声から検出した発話の開始位置の第２時点とに基づいて、前記１以上の話者のうちからいずれかの話者を識別する話者識別部と、
前記第１時点と前記第２時点とのいずれの時点が前の時間であるかを少なくとも登録する発話時機登録部とを備え、
前記話者識別部は、前記第１時点と前記第２時点と前記発話時機登録部が前記第１時点に対する前記第２時点の時機を示す複数の登録情報とに基づいて、前記１以上の話者のうちからいずれかの話者を識別する
音声入力装置。

【請求項2】

前記発話時機登録部は、前記１以上の話者のそれぞれの発話の時機を登録する際に、
前記トリガ入力部に前記トリガが入力される前記第１時点よりも、発話を開始した開始位置の前記第２時点の方が後の時間であることを示す第１時間情報と、前記１以上の話者のうちからいずれかの話者とを紐付けた登録情報である第１登録情報を登録し、
前記トリガ入力部に前記トリガが入力される前記第１時点よりも、発話を開始した開始位置の前記第２時点の方が前の時間であることを示す第２時間情報と、前記１以上の話者のうちから別のいずれかの話者とを紐付けた登録情報である第２登録情報を登録する
請求項１に記載の音声入力装置。

【請求項3】

前記話者識別部は、
前記第１時点に対する前記第２時点の時機を算出し、
算出した時機を示す結果と前記複数の登録情報とを照らし合わせて、前記第１時点よりも前記第２時点の方が後の時間である場合は、発話した話者が第１話者であると判定し、前記第１時点よりも前記第２時点の方が前の時間である場合は、発話した話者が前記第１話者と別の第２話者であると判定する
請求項１又は２に記載の音声入力装置。

【請求項4】

前記トリガ入力部は、予め設定された音声の入力を受付ける音声入力インターフェイスであり、
前記トリガ入力部には、予め設定された音声が前記トリガとして入力される
請求項１～３のいずれか１項に記載の音声入力装置。

【請求項5】

前記トリガ入力部は、前記音声入力装置に設けられた操作ボタンであり、
前記トリガ入力部には、受付けた操作入力が前記トリガとして入力される
請求項１～３のいずれか１項に記載の音声入力装置。

【請求項6】

１以上の話者が発話する際のそれぞれの音声を取得することと、
取得した前記１以上の話者の発話による前記それぞれの音声を記憶部に記憶することと、
トリガが入力されることと、
前記トリガが入力されるごとに、前記記憶部に記憶される前記それぞれの音声から発話を開始した開始位置を検出することと、
少なくとも、前記トリガが入力される第１時点と、前記それぞれの音声から検出した発話の開始位置の第２時点とに基づいて、前記１以上の話者のうちからいずれかの話者を識別することと、
前記第１時点と前記第２時点とのいずれの時点が前の時間であるかを少なくとも登録することと、
前記第１時点と前記第２時点と前記第１時点に対する前記第２時点の時機を示す複数の登録情報とに基づいて、前記１以上の話者のうちからいずれかの話者を識別することとを含む
音声入力方法。

【請求項7】

請求項６に記載の音声入力方法をコンピュータに実行させるための
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、音声入力装置、音声入力方法及び音声入力方法を用いたプログラムに関する。

【背景技術】

【0002】

例えば特許文献１には、ユーザの操作により、音声入力操作を可能にする音声入力開始操作手段と、ユーザの音声を取得する音声入力手段と、音声入力開始操作手段でユーザが操作を行なった時刻からユーザが実際に発話を開始するまでの時間を学習した発話開始学習時間を保持する発話開始時間学習データ保持手段と、計測時間と発話開始時間学習データ保持手段からの発話開始学習時間とを比較し、時間計測した音声がユーザの入力音声か否かを判定し、ユーザの入力音声である時は音声認識する音声認識手段とを備える音声認識装置が開示されている。

【0003】

この音声認識装置では、ユーザごとに学習し、学習した発話開始時間を使用することで、音声がユーザか否かを認識することができる。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２００６－３１３２６１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、特許文献１に開示される技術では、ユーザが音声入力装置の操作を行った時刻からユーザが実際に発話を開始するまでの期間を予め学習する必要がある。このため、従来の音声認識装置では、学習による計算量が増大する恐れがある。

【0006】

そこで、本開示は、簡易な処理で話者を識別することで計算量の増大を抑制することができる音声入力装置、音声入力方法及びプログラ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】

本開示の一態様に係る音声入力装置は、１以上の話者が発話する際のそれぞれの音声を取得する取得部と、前記取得部が取得した前記１以上の話者の発話による前記それぞれの音声を記憶する記憶部と、トリガが入力されるトリガ入力部と、前記トリガ入力部に前記トリガが入力されるごとに、前記記憶部に記憶される前記それぞれの音声から発話を開始した開始位置を検出する発話開始検出部と、少なくとも、前記トリガ入力部に前記トリガが入力される第１時点と、前記発話開始検出部が前記それぞれの音声から検出した発話の開始位置の第２時点とに基づいて、前記１以上の話者のうちからいずれかの話者を識別する話者識別部と、前記第１時点と前記第２時点とのいずれの時点が前の時間であるかを少なくとも登録する発話時機登録部とを備え、前記話者識別部は、前記第１時点と前記第２時点と前記発話時機登録部が前記第１時点に対する前記第２時点の時機を示す複数の登録情報とに基づいて、前記１以上の話者のうちからいずれかの話者を識別する。

【0008】

なお、これらのうちの一部の具体的な態様は、システム、方法、集積回路、コンピュータプログラム又はコンピュータで読み取り可能なＣＤ－ＲＯＭ等の記録媒体を用いて実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせを用いて実現されてもよい。

【発明の効果】

【0009】

本開示の音声入力装置等によれば、簡易な処理で話者を識別することで計算量の増大を抑制することができる。

【図面の簡単な説明】

【0010】

【図1】図１は、実施の形態における話者認識装置の外観と、話者の発話による話者認識装置の使用場面の一例を示す図である。

【図2A】図２Ａは、実施の形態における話者認識装置の一例を示すブロック図である。

【図2B】図２Ｂは、実施の形態における別の話者認識装置の一例を示すブロック図である。

【図3】図３は、第１話者が発話した場合の話者認識装置の動作を示すフローチャートである。

【図4】図４は、第１話者が発話する場合と第２話者が発話する場合との、発話による音声ごとの第１時点と第２時点との時系列を例示した図である。

【図5】図５は、第２話者が発話した場合の話者認識装置の動作を示すフローチャートである。

【図6】図６は、実施の形態における話者認識装置の話者識別部における動作を示すフローチャートである。

【発明を実施するための形態】

【0011】

本開示の一態様に係る音声入力装置は、１以上の話者が発話する際のそれぞれの音声を取得する取得部と、前記取得部が取得した前記１以上の話者の発話による前記それぞれの音声を記憶する記憶部と、トリガが入力されるトリガ入力部と、前記トリガ入力部に前記トリガが入力されるごとに、前記記憶部に記憶される前記それぞれの音声から発話を開始した開始位置を検出する発話開始検出部と、少なくとも、前記トリガ入力部に前記トリガが入力される第１時点と、前記発話開始検出部が前記それぞれの音声から検出した発話の開始位置の第２時点とに基づいて、前記１以上の話者のうちからいずれかの話者を識別する話者識別部とを備える。

【0012】

これによれば、例えば、１以上の話者のうちの話者によるトリガを検知した第１時点と、話者が発話した音声の第２時点との時間的な前後関係によって、１以上の話者のうちからいずれかの話者を識別することができる。つまり、第１時点から第２時点までの期間を学習しなくても、取得部が取得した音声の話者が、１以上の話者のうちのいずれの話者であるかを識別することができる。

【0013】

したがって、この音声入力装置では、簡易な処理で話者を識別することで計算量の増大を抑制することができる。

【0014】

特に、話者は、第１時点に対する発話の時機に基づいて、音声の話者を識別することができる。このため、音声入力装置では、簡単な操作で音声の話者を識別することができる。また、音声入力装置の操作が簡単となるため、音声入力装置に複数のボタンを配置する等の、音声入力装置の複雑化を抑制することができる。このため、この音声入力装置では、例えばトリガ入力部がボタンである場合、１つのボタンでも１以上の話者のうちのいずれの話者であるかを識別することができるため、音声入力装置の構成をより簡易にすることができる。

【0015】

本開示の他の態様に係る音声入力方法は、１以上の話者が発話する際のそれぞれの音声を取得することと、取得した前記１以上の話者の発話による前記それぞれの音声を記憶部に記憶することと、トリガが入力されることと、前記トリガが入力されるごとに、前記記憶部に記憶される前記それぞれの音声から発話を開始した開始位置を検出することと、少なくとも、前記トリガが入力される第１時点と、前記それぞれの音声から検出した発話の開始位置の第２時点とに基づいて、前記１以上の話者のうちからいずれかの話者を識別することとを含む。

【0016】

この音声入力方法においても、上述の音声入力装置と同様の作用効果を奏する。

【0017】

また、本開示の他の態様に係るプログラムは、音声入力方法をコンピュータに実行させるためのプログラムである。

【0018】

このプログラムにおいても、上述の音声入力装置と同様の作用効果を奏する。

【0019】

本開示の他の態様に係る音声入力装置は、前記第１時点と前記第２時点とのいずれの時点が前の時間であるかを少なくとも登録する発話時機登録部を備え、前記話者識別部は、前記第１時点と前記第２時点と前記発話時機登録部が前記第１時点に対する前記第２時点の時機を示す複数の登録情報とに基づいて、前記１以上の話者のうちからいずれかの話者を識別する。

【0020】

これによれば、１以上の話者が所望する条件として、第１時点と第２時点との時間的な前後関係を予め登録することができる。このため、話者識別部は、第１時点及び第２時点の時間的な前後関係が、登録情報に示されているかどうかを判定するだけで、１以上の話者のうちからいずれかの話者を識別することができる。その結果、この音声入力装置では、簡易な処理で、より確実に話者を識別することができる。

【0021】

本開示の他の態様に係る音声入力装置において、前記発話時機登録部は、前記１以上の話者のそれぞれの発話の時機を登録する際に、前記トリガ入力部に前記トリガが入力される前記第１時点よりも、発話を開始した開始位置の前記第２時点の方が後の時間であることを示す第１時間情報と、前記１以上の話者のうちからいずれかの話者とを紐付けた登録情報である第１登録情報を登録し、前記トリガ入力部に前記トリガが入力される前記第１時点よりも、発話を開始した開始位置の前記第２時点の方が前の時間であることを示す第２時間情報と、前記１以上の話者のうちから別のいずれかの話者とを紐付けた登録情報である第２登録情報を登録する。

【0022】

これによれば、話者は、発話を開始する前に取得部にトリガを入力するという条件を登録したり、発話を開始した後に取得部にトリガを入力するという条件を登録したりすることができる。このように、予め話者が条件を登録しておけば、音声入力装置は、学習することなく、話者を簡易かつ確実に識別することができる。

【0023】

本開示の他の態様に係る音声入力装置において、前記話者識別部は、前記第１時点に対する前記第２時点の時機を算出し、算出した時機を示す結果と前記複数の登録情報とを照らし合わせて、前記第１時点よりも前記第２時点の方が後の時間である場合は、発話した話者が第１話者であると判定し、前記第１時点よりも前記第２時点の方が前の時間である場合は、発話した話者が前記第１話者と別の第２話者であると判定する。

【0024】

これによれば、話者識別部は、トリガ入力部に入力された第１時点と、発話開始検出部が検出した第２時点とから、第１時点に対する第２時点の時機を算出することができる。これにより、発話開始検出部は、第１時点が第２時点よりも先の時間であるか、後の時間であるかという、時機を示す結果を算出することができる。この結果、発話開始検出部は、算出した時機を示す結果と複数の登録情報とを比較することで、１以上の話者のうちのいずれの話者であるかを、より確実に識別することができる。

【0025】

また、話者が複数存在する場合、例えば第１時点から第２時点までの期間を登録することで、複数の話者が存在しても、いずれの話者であるかを識別することができる。

【0026】

本開示の他の態様に係る音声入力装置において、前記トリガ入力部は、予め設定された音声の入力を受付ける音声入力インターフェイスであり、前記トリガ入力部には、予め設定された音声が前記トリガとして入力される。

【0027】

これによれば、話者がウエイクアップワード等のような予め設定された音声による発話をするだけで、音声入力装置は、マジックワード認識を行い、話者の識別を実行することができる。このため、音声入力装置は、操作性に優れている。

【0028】

本開示の他の態様に係る音声入力装置において、前記トリガ入力部は、前記音声入力装置に設けられた操作ボタンであり、前記トリガ入力部には、受付けた操作入力が前記トリガとして入力される。

【0029】

これによれば、話者がトリガ入力部を操作することで、トリガ入力部にトリガを確実に入力することができる。

【0030】

なお、これらのうちの一部の具体的な態様は、システム、方法、集積回路、コンピュータプログラム又はコンピュータで読み取り可能なＣＤ－ＲＯＭ等の記録媒体を用いて実現されてもよく、システム、方法、集積回路、コンピュータプログラム又は記録媒体の任意な組み合わせを用いて実現されてもよい。

【0031】

以下で説明する実施の形態は、いずれも本開示の一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。また全ての実施の形態において、各々の内容を組み合わせることもできる。

【0032】

以下、本開示の一態様に係る音声入力装置、音声入力方法及びそのプログラムについて、図面を参照しながら具体的に説明する。

【0033】

（実施の形態）
＜構成：話者認識装置１＞
図１は、実施の形態における話者認識装置１の外観と、話者の発話による話者認識装置１の使用場面の一例を示す図である。図１では、複数の話者が話者認識装置１をシェアし、発話する際に話者認識装置１を使用している様子を例示している。

【0034】

図１に示すように、話者認識装置１は、１以上の話者が発話した音声を取得し、取得した音声に基づいて、１以上の話者のうちのいずれの話者であるかを識別する装置である。つまり、話者認識装置１は、１以上の話者のそれぞれが発話したそれぞれの音声を取得し、取得したそれぞれの音声ごとに話者を識別する。話者認識装置１は、音声入力装置の一例である。

【0035】

なお、話者認識装置１は、発話者と会話相手との間の会話を取得し、取得した会話に基づいて、発話者と会話相手とのうちのいずれの話者であるかを識別してもよい。

【0036】

本実施の形態では、話者認識装置１は、１以上の話者のそれぞれが発話したそれぞれの音声を取得し、取得したそれぞれの音声と、入力されたトリガとのそれぞれの時機（タイミング）に基づいて、話者を識別する。

【0037】

本実施の形態の図１では、複数の話者である第１話者と第２話者が個別に話者認識装置１を使用し、それぞれの話者が発話する様子を例示する。例えば、第１話者の音声認識が終了した後に第２話者が、二点鎖線で示す話者認識装置１を使用してもよい。つまり、話者認識装置１は、それぞれの話者が別々のタイミング及びイベントで使用してもよく、第１話者と第２話者とが会話する際には同時に使用してもよい。第１話者及び第２話者は、話者の一例である。なお、第２話者は、第１話者の会話相手であってもよい。

【0038】

ここで、第１話者と第２話者とは、同一の言語で発話してもよいが、異なる２つの言語間で発話してもよい。この場合、話者認識装置１は、第１話者が発話する第１言語と、第２話者が発話する第２言語との同一の又は異なる２つの言語間において、第１話者と第２話者とが発話したそれぞれの音声ごとに、第１話者か第２話者かを識別する。例えば、第１言語及び第２言語は、日本語、英語、フランス語、ドイツ語、中国語等である。

【0039】

本実施の形態では、第１話者を話者認識装置１の所有者とし、話者認識装置１へのトリガとなる入力と、入力されるトリガに対する話者が発話との時機に関する登録は、主に第１話者によって行われる。つまり、第１話者は、話者認識装置１の操作方法を理解している、話者認識装置１の使用者である。

【0040】

本実施の形態では、話者が話者認識装置１にトリガを入力した後に発話することで、話者認識装置１は、例えば第１話者が発話したことを認識する。また、別の話者が発話した後に、話者認識装置１にトリガが入力されることで、話者認識装置１は、例えば第２話者が発話したことを認識する。

【0041】

話者認識装置１は、スマートホン及びタブレット端末等の、第１話者が携帯可能な携帯端末である。

【0042】

図２Ａは、実施の形態における話者認識装置１を示すブロック図である。

【0043】

図２Ａに示すように、話者認識装置１は、発話時機登録部２５と、取得部２１と、記憶部２２と、トリガ入力部２３と、発話開始検出部２４と、話者識別部２６と、出力部３１と、電源部３５とを有する。

【0044】

［発話時機登録部２５］
発話時機登録部２５は、第１時点と第２時点とのいずれの時点が前の時間であるかを少なくとも登録する。具体的には、発話時機登録部２５は、トリガの入力に対する１以上の話者のそれぞれの発話の時機を登録する登録装置である。

【0045】

発話時機登録部２５は、１以上の話者の操作によって所望の条件を設定し、設定した条件を登録することができる。具体的には、発話時機登録部２５は、１以上の話者のそれぞれの発話の時機を登録する際に、トリガ入力部２３にトリガが入力される第１時点よりも、発話を開始した開始位置の第２時点の方が後の時間であることを示す第１時間情報と、１以上の話者のうちからいずれかの話者とを紐付けた登録情報である第１登録情報を登録する。具体例を示すと、トリガ入力部２３にトリガを入力した後に、第１話者が発話を開始するという条件を設定し、発話時機登録部２５は、設定した条件を示す第１時間情報と、ラベルＡとを紐付けた第１登録情報を登録する。発話時機登録部２５には、メモリが格納され、設定した第１登録情報を記憶する。なお、発話時機登録部２５が設定した第１登録情報は、記憶部２２に記憶されてもよい。

【0046】

また、発話時機登録部２５は、それぞれの発話の時機を登録する際に、トリガ入力部２３にトリガが入力される第１時点よりも、発話を開始した開始位置の第２時点の方が前の時間であることを示す第２時間情報と、１以上の話者のうちから別のいずれかの話者とを紐付けた登録情報である第２登録情報を登録する。具体例を示すと、トリガ入力部２３にトリガを入力する前に、第２話者が発話を開始するという条件を設定し、発話時機登録部２５は、設定した条件を示す第２時間情報と、ラベルＢとを紐付けた第２登録情報を登録する。発話時機登録部２５には、メモリが格納され、設定した第２登録情報を記憶する。なお、発話時機登録部２５が設定した第２登録情報は、記憶部２２に記憶されてもよい。

【0047】

例えば、第１話者がラベルＡで設定した第１登録情報の条件で発話する場合、第１話者が第２話者に対してラベルＢで設定した第２登録情報の条件で発話するように促せば（第１話者と第２話者との間で使用する条件を決定しておく）、異なる話者が異なる条件で発話することができる。このため、発話時機登録部２５によって発話の条件を個別に登録すれば、話者識別部２６が話者識別を行う判断材料となる。

【0048】

発話時機登録部２５は、登録した第１登録情報及び第２登録情報等の複数の登録情報を話者識別部２６に出力する。

【0049】

なお、発話時機登録部２５は、トリガ入力部２３へトリガを入力する第１時点から話者による発話の第２時点までの期間を設定できる。つまり、発話時機登録部２５は、トリガ入力部２３にトリガを入力した第１時点から○○秒後又は○○秒以降に話者が発話を開始するという条件を登録情報として登録してもよい。また、発話時機登録部２５は、話者が発話を開始してから○○秒後又は○○秒以降にトリガ入力部２３にトリガを入力するという条件を登録情報として登録してもよい。言い換えれば、発話時機登録部２５は、第１時点から○○秒後又は○○秒以降に第２時点を設定、第２時点から○○秒後又は○○秒以降に第１時点を設定し、設定した情報を登録情報として登録してもよい。ここでいう「○○」は、任意の数字であり、必ずしも同一の時間を示しているわけではない。

【0050】

なお、発話時機登録部２５は、トリガ入力部２３へのトリガの連続入力時間の長さを、登録情報として登録してもよい。例えば、トリガ入力部２３が操作ボタンである場合、話者の発話のタイミングに応じて操作ボタンを長押しする（トリガ入力部２３への連続入力する）時間の長さも発話時機登録部２５が登録しておけば、登録した長押しの時間を、話者識別部２６が話者を識別する判断材料として用いることもできる。

【0051】

例えば、発話時機登録部２５は、トリガ入力部２３にトリガを入力した第１時点から○○秒後又は○○秒以降にトリガ入力部２３にトリガを〇〇秒間、トリガを入力し続けるという条件を登録情報として登録してもよい。また、発話時機登録部２５は、話者が発話を開始してから○○秒後又は○○秒以降にトリガ入力部２３にトリガを〇〇秒間、トリガを入力し続けるという条件を登録情報として登録してもよい。

【0052】

［取得部２１］
取得部２１は、１以上の話者が発話する際の音声を取得する。つまり、取得部２１は、１以上の話者のそれぞれが発話した音声を取得し、取得した話者が発話した音声を音声信号に変換し、変換した音声信号を記憶部２２に出力する。

【0053】

取得部２１は、音声を音声信号に変換することで、音声信号を取得するマイクロホン部である。なお、取得部２１は、マイクロホンと電気的に接続される入力インターフェイスであってもよい。つまり、取得部２１は、マイクロホンから、音声信号を取得してもよい。また、取得部２１は、複数のマイクロホンから構成されるマイクロホンアレイ部であってもよい。取得部２１は話者認識装置１の周囲に存在する話者の音声を収音することができればよいため、話者認識装置１における取得部２１の配置については特に限定されない。

【0054】

［記憶部２２］
記憶部２２は、取得部２１が取得した１以上の話者のそれぞれの音声の音声情報を記憶する。具体的には、記憶部２２は、取得部２１から取得した音声信号が示す音声の音声情報を記憶する。つまり、記憶部２２には、１以上の話者のそれぞれが発話した音声の音声情報が、自動的に記憶される。

【0055】

また、記憶部２２は、話者認識装置１が起動したときに、録音を再開する。また、記憶部２２は、話者認識装置１の起動後に、最初に話者がトリガ入力部２３にトリガを入力した時点から録音を開始してもよい。つまり、最初に話者によるトリガ入力部２３へのトリガの入力によって、記憶部２２は音声の録音を開始してもよい。また、記憶部２２は、トリガ入力部２３へのトリガの入力によって、音声の録音を中止又は停止してもよい。

【0056】

なお、記憶部２２に記憶される容量には限りがあるため、記憶部２２に記憶された音声情報は、規定容量に達すると、自動的に古い音声データから削除してもよい。つまり、音声情報には、話者の音声と、日時を示す情報（タイムスタンプ）とが付加されていてもよい。記憶部２２は、日時を示す情報に基づいて、古い音声情報を削除する。

【0057】

また、記憶部２２は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又は半導体メモリ等で構成される。

【0058】

［トリガ入力部２３］
トリガ入力部２３には、話者によって、トリガが入力される。具体例を示すと、トリガ入力部２３は、例えば第１話者が発話する前に予め設定されたトリガの入力を話者から受付ける。また、トリガ入力部２３は、例えば第２話者が発話した後に、予め設定されたトリガの入力を話者から受付ける。つまり、トリガ入力部２３は、第１話者では第１話者が発話する前にトリガの入力を受付け、第２話者では第２話者が発話した後にトリガの入力を受付ける。トリガ入力部２３は、１以上の話者のそれぞれが発話する度に、話者からのトリガの入力を受付ける。

【0059】

なお、トリガ入力部２３は、話者からの操作入力によって、記憶部２２への音声の録音を開始してもよく、記憶部２２への音声の録音を中止又は停止してもよい。

【0060】

トリガ入力部２３は、入力されたトリガを検知すると、入力信号を生成し、生成した入力信号を発話開始検出部２４及び話者識別部２６に出力する。入力信号には、第１時点を示す情報（タイムスタンプ）が含まれる。

【0061】

本実施の形態では、トリガ入力部２３は、話者認識装置１に設けられた１つの操作ボタンである。この場合、トリガ入力部２３には、話者による操作ボタンの押下を受付けた操作入力が、トリガとして入力される。つまり、本実施の形態では、トリガは、話者がトリガ入力部２３に操作入力した入力信号である。なお、トリガ入力部２３は、話者認識装置１に２つ以上設けられていてもよい。

【0062】

なお、トリガ入力部２３は、話者認識装置１の表示部３３と一体的に設けられるタッチセンサであってもよい。この場合、話者認識装置１の表示部３３には、話者による操作入力を受付ける操作ボタンであるトリガ入力部２３が表示されていてもよい。

【0063】

図２Ｂは、実施の形態における別の話者認識装置１の一例を示すブロック図である。

【0064】

図２Ｂに示すように、トリガ入力部２３ａは、予め設定された音声の入力を受付ける音声入力インターフェイスであってもよい。この場合、トリガ入力部２３ａには、取得部２１ａを介して予め設定された音声がトリガとして入力される。つまり、この場合では、トリガは、トリガ入力部２３ａに入力された話者の発話した音声が入力信号となる。ここで、予め設定された音声は、ウエイクアップワード等である。話者認識装置１は、ウエイクアップワードが例えば「ＯＫ！○○、××」であれば第１話者及び「○○、ＯＫ！××」であれば第２話者と設定されていれば、話者が「ＯＫ！○○、××」と発話すると第１話者と識別し、「○○、ＯＫ！××」と発話すると第２話者と識別する。なお、トリガ入力部２３ａが音声入力インターフェイスであれば、音声の内容ごとに話者を設定することで、第１話者と第２話者とからそれぞれの話者を確実に識別することができる。

【0065】

［発話開始検出部２４］
図１及び図２Ａに示すように、発話開始検出部２４は、トリガ入力部２３にトリガが入力されるごとに、記憶部２２に記憶されるそれぞれの音声から発話を開始した開始位置を検出する検出装置である。

【0066】

具体的には、発話開始検出部２４は、記憶部２２に記憶されるそれぞれの音声情報の音声において、話者によるトリガ入力部２３へのトリガの入力をした第１時点から規定期間が経過するまでの間に第１話者が発話した音声であって、第１話者の発話によって記憶された音声情報に示される音声の開始位置を検出する。つまり、発話開始検出部２４は、トリガ入力部２３がトリガの入力を検知した第１時点から規定期間が経過するまでの間に、第１話者が発話した音声の発話開始の第２時点である開始位置を検出する。

【0067】

また、発話開始検出部２４は、記憶部２２に記憶されるそれぞれの音声情報の音声において、話者によるトリガ入力部２３へのトリガを入力した第１時点から第１時点よりも規定期間前までの間に第２話者が発話を開始した音声であって、第２話者の発話によって記憶された音声情報に示される音声の開始位置を検出する。つまり、発話開始検出部２４は、第１時点から第１時点よりも規定期間前までの間に、第２話者が発話した音声の発話開始の第２時点である開始位置を検出する。

【0068】

発話開始検出部２４は、それぞれの音声ごとに、音声の開始位置を示す開始位置情報を生成し、生成した開始位置情報を、話者識別部２６に出力する。開始位置情報は、話者が発話した音声の発話開始時点である開始位置を示す情報（タイムスタンプ）である。

【0069】

［話者識別部２６］
話者識別部２６は、トリガ入力部２３にトリガが入力される第１時点と、発話開始検出部２４がそれぞれの音声から検出した発話の開始位置の第２時点と、発話時機登録部２５が第１時点に対する第２時点の時機を示す複数の登録情報とに基づいて、１以上の話者のうちからいずれかの話者を識別する装置である。

【0070】

具体的には、話者識別部２６は、トリガ入力部２３から第１時点が示される入力信号を取得し、発話開始検出部２４から開始位置情報を取得すると、第１時点に対する第２時点の時機を算出する。つまり、話者識別部２６は、入力信号に示される第１時点に対する、開始位置情報に示される第２時点の時間的な前後関係を比較し算出する。話者識別部２６が算出した結果が、第１時点に対する第２時点の時機を示す結果となる。

【0071】

また、話者識別部２６は、発話時機登録部２５から登録情報を取得すると、算出した第１時点に対する第２時点の時機を示す結果と複数の登録情報とを照らし合わせて、第１時点よりも第２時点の方が後の時間である場合は、発話した話者が第１話者であると判定し、話者を特定する。また、話者識別部２６は、この時機を示す結果と複数の登録情報とを照らし合わせて、第１時点よりも第２時点の方が前の時間である場合は、発話した話者が第２話者であると判定し、話者を特定する。

【0072】

より具体的には、話者識別部２６は、トリガ入力部２３からのトリガの入力を受付けた第１時点から前後の期間である規定期間における１以上の話者が発話したそれぞれの音声から、いずれの話者かを判定する。話者識別部２６は、第１時点を基点として、第１時点から第１時点よりも規定期間前までの間、又は、当該第１時点から規定期間が経過するまでの間において、話者が発話した直近（最新）の音声を、記憶部２２に記憶されているそれぞれの音声の中から選択する。話者識別部２６は、選択した音声によって、いずれかの話者を識別する。

【0073】

ここで規定期間は、例えば、１秒、２秒等の数秒間であり、例えば１０秒間であってもよい。これにより、話者識別部２６は、１以上の話者のそれぞれが直近に発話したそれぞれの音声ごとの第１時点と第２時点とに基づいて、話者を識別する。これは、古すぎる音声に基づいて、話者識別部２６が話者を識別しても、直近に発話した話者を正確に識別することができなくなる不具合を避けるためである。

【0074】

話者識別部２６は、話者を識別した結果を含む結果情報を、出力部３１に出力する。結果情報は、１以上の話者のうちから、識別されたいずれかの話者を示す情報を含む。例えば、結果情報は、話者の発話によって記憶された音声情報が、識別された第１話者であることを示す情報、又は、話者の発話によって記憶された音声情報が、識別された第２話者であることを示す情報を含む。

【0075】

［表示部３３］
表示部３３は、例えば、液晶パネル、又は、有機ＥＬパネル等のモニタである。表示部３３は、話者識別部２６から取得した結果情報に示される話者をテキスト文として表示する。例えば、表示部３３は、話者が発話すると、発話した話者が第１話者であることを示す表示をする。また、表示部３３は、話者が発話すると、発話した話者が第２話者であることを示す表示をする。表示部３３は、出力部３１の一例である。

【0076】

なお、話者認識装置１は、音声出力部を有していてもよい。この場合、音声出力部は、話者識別部２６から取得した結果情報に示される話者を音声として出力するスピーカであってもよい。つまり、音声出力部は、話者が発話した場合、結果情報に示される話者が第１話者であることを示す音声を出力する。また、音声出力部は、話者が発話した場合、結果情報に示される話者が第２話者であることを示す音声を出力する。音声出力部は、出力部３１の一例となる。

【0077】

［電源部３５］
電源部３５は、例えば一次電池又は二次電池等であり、配線を介して発話時機登録部２５、取得部２１、記憶部２２、トリガ入力部２３、発話開始検出部２４、話者識別部２６及び出力部３１等と電気的に接続される。電源部３５は、発話時機登録部２５、取得部２１、記憶部２２、トリガ入力部２３、発話開始検出部２４、話者識別部２６及び出力部３１等に電力を供給する。

【0078】

＜動作＞
以上のように構成される話者認識装置１が行う動作について説明する。

【0079】

図３は、第１話者が発話した場合の話者認識装置１の動作を示すフローチャートである。図４は、第１話者が発話する場合と第２話者が発話する場合との、発話による音声ごとの第１時点と第２時点との時系列を例示した図である。

【0080】

図３及び図４では、発話時機登録部２５には、話者がトリガ入力部２３にトリガを入力した後に、第１話者が発話を開始するという条件を示す第１時間情報とラベルＡとを紐付けた第１登録情報が、発話時機登録部２５のメモリに登録されているものとする。また、発話時機登録部２５は、話者がトリガ入力部２３にトリガを入力する前に、第２話者が発話を開始するという条件を示す第２時間情報とラベルＢとを紐付けた第２登録情報が、発話時機登録部２５のメモリに登録されているものとする。

【0081】

図２Ａ、図３及び図４に示すように、まず、トリガ入力部２３には、取得部２１によるそれぞれの音声の取得を開始するためのトリガが入力される。つまり、トリガ入力部２３は、一方の話者が発話する前に、話者によって予め設定されたトリガの入力を受付ける。これにより、トリガ入力部２３は、話者から入力されたトリガを検知する（Ｓ１１）。トリガ入力部２３は、トリガの入力を検知すると、入力信号を生成し、生成した入力信号を発話開始検出部２４及び話者識別部２６に出力する。

【0082】

次に、取得部２１は、一方の話者が発話した音声を取得する（Ｓ１２）。取得部２１は、取得した一方の話者が発話した音声を音声信号に変換し、変換した音声信号を記憶部２２に出力する。

【0083】

次に、記憶部２２は、取得部２１が取得した音声信号が示す音声の音声情報を記憶する（Ｓ１３）。つまり、記憶部２２には、一方の話者が発話した直近の音声の音声情報が自動的に記憶される。

【0084】

次に、発話開始検出部２４は、トリガ入力部２３から入力信号を取得すると、記憶部２２に記憶された音声情報の音声において、発話を開始した開始位置（第２時点）を検出する（Ｓ１４）。具体的には、発話開始検出部２４は、話者によるトリガ入力部２３にトリガを入力した直後に一方の話者が発話した音声であって、一方の話者の発話によって記憶された音声情報に示される音声の開始位置を検出する。発話開始検出部２４は、音声の開始位置を示す開始位置情報を生成し、生成した開始位置情報を話者識別部２６に出力する。

【0085】

次に、話者識別部２６は、トリガ入力部２３にトリガが入力される第１時点と、発話開始検出部２４がそれぞれの音声から検出した発話の開始位置の第２時点と、発話時機登録部２５が第１時点に対する第２時点の時機を示す複数の登録情報とに基づいて、第１話者及び第２話者のうちからいずれかの話者を識別する（Ｓ１５）。図３では、話者識別部２６は、第１時点の方が第２時点よりも時間的に早い時点であるため、開始位置情報の音声（発話した音声）は第１話者であると識別する。つまり、話者識別部２６は、一方の話者を第１話者であると識別する。

【0086】

次に、話者識別部２６は、第１話者を識別した結果を含む結果情報を、出力部３１に出力する（Ｓ１６）。

【0087】

そして、話者認識装置１は、処理を終了する。

【0088】

図５は、第２話者が発話した場合の話者認識装置１の動作を示すフローチャートである。図３と同様の処理については適宜説明を省略する。

【0089】

図２Ａ、図４及び図５に示すように、まず、取得部２１は、他方の話者が発話した音声を取得する（Ｓ２１）。取得部２１は、取得した他方の話者が発話した音声を音声信号に変換し、変換した音声信号を記憶部２２に出力する。

【0090】

次に、トリガ入力部２３には、取得部２１によるそれぞれの音声の取得を開始するためのトリガが入力される。つまり、トリガ入力部２３は、他方の話者が発話した後に、話者によって予め設定されたトリガの入力を受付ける。これにより、トリガ入力部２３は、話者から入力されたトリガを検知する（Ｓ２２）。トリガ入力部２３は、トリガの入力を検知すると、入力信号を生成し、生成した入力信号を発話開始検出部２４及び話者識別部２６に出力する。

【0091】

次に、記憶部２２は、取得部２１が取得した音声信号が示す音声の音声情報を記憶する（Ｓ１３）。つまり、記憶部２２には、他方の話者が発話した直近の音声の音声情報が自動的に記憶される。

【0092】

次に、発話開始検出部２４は、トリガ入力部２３から入力信号を取得すると、記憶部２２に記憶された音声情報の音声において、発話を開始した開始位置（第２時点）を検出する（Ｓ１４）。具体的には、発話開始検出部２４は、話者によるトリガ入力部２３にトリガを入力した直後に他方の話者が発話した音声であって、他方の話者の発話によって記憶された音声情報に示される音声の開始位置を検出する。発話開始検出部２４は、音声の開始位置を示す開始位置情報を生成し、生成した開始位置情報を話者識別部２６に出力する。

【0093】

次に、話者識別部２６は、トリガ入力部２３にトリガが入力される第１時点と、発話開始検出部２４がそれぞれの音声から検出した発話の開始位置の第２時点と、発話時機登録部２５が第１時点に対する第２時点の時機を示す複数の登録情報とに基づいて、第１話者及び第２話者のうちからいずれかの話者を識別する（Ｓ１５）。図５では、話者識別部２６は、第２時点の方が第１時点よりも時間的に早い時点であるため、開始位置情報の音声は第２話者であると識別する。つまり、話者識別部２６は、他方の話者を第２話者であると識別する。

【0094】

次に、話者識別部２６は、第２話者を識別した結果を含む結果情報を、出力部３１に出力する（Ｓ１６）。

【0095】

そして、話者認識装置１は、処理を終了する。

【0096】

図６は、実施の形態における話者認識装置１の話者識別部２６における動作を示すフローチャートである。

【0097】

図３、図５及び図６に示すように、まず、話者識別部２６は、トリガ入力部２３から第１時点が示される入力信号を取得し、発話開始検出部２４から第２時点が示される開始位置情報を取得すると、第１時点に対する第２時点の時機を算出する（Ｓ３１）。つまり、話者識別部２６は、第１時点に対する第２時点の時間的な前後関係を比較し算出する。

【0098】

話者識別部２６は、算出した第１時点に対する第２時点の時機を示す結果と登録情報とを照らし合わせ、第１時点の方が第２時点よりも前の時間であるかどうかを判定する（Ｓ３２）。

【0099】

第１時点の方が第２時点よりも前の時間である場合、話者識別部２６は、登録情報における第１登録情報に示される内容と同様であると判定し（Ｓ３２でＹＥＳ）、発話した話者が第１話者であると判定する（Ｓ３３）。

【0100】

話者識別部２６は、第１話者及び第２話者のうちから第１話者を識別した結果を含む結果情報を、表示部に出力する。そして、話者識別部２６は、処理を終了する。

【0101】

第１時点の方が第２時点よりも後の時間である場合、話者識別部２６は、登録情報における第２登録情報に示される内容と同様であると判定し（Ｓ３２でＮＯ）、発話した話者が第２話者であると判定する（Ｓ３４）。

【0102】

話者識別部２６は、第１話者及び第２話者のうちから第２話者を識別した結果を含む結果情報を、表示部に出力する。そして、話者識別部２６は、処理を終了する。

【0103】

＜作用効果＞
次に、本実施の形態における話者認識装置１の作用効果について説明する。

【0104】

以上のように、本実施の形態における話者認識装置１は、１以上の話者が発話する際のそれぞれの音声を取得する取得部２１と、取得部２１が取得した１以上の話者の発話によるそれぞれの音声を記憶する記憶部２２と、トリガが入力されるトリガ入力部２３と、トリガ入力部２３にトリガが入力されるごとに、記憶部２２に記憶されるそれぞれの音声から発話を開始した開始位置を検出する発話開始検出部２４と、少なくとも、トリガ入力部２３にトリガが入力される第１時点と、発話開始検出部２４がそれぞれの音声から検出した発話の開始位置の第２時点とに基づいて、１以上の話者のうちからいずれかの話者を識別する話者識別部２６とを備える。

【0105】

これによれば、例えば、１以上の話者のうちの話者によるトリガを検知した第１時点と、話者が発話した音声の第２時点との時間的な前後関係によって、１以上の話者のうちからいずれかの話者を識別することができる。つまり、第１時点から第２時点までの期間を学習しなくても、取得部２１が取得した音声の話者が、１以上の話者のうちのいずれの話者であるかを識別することができる。

【0106】

したがって、この話者認識装置１では、簡易な処理で話者を識別することで計算量の増大を抑制することができる。

【0107】

特に、話者は、第１時点に対する発話の時機に基づいて、音声の話者を識別することができる。このため、話者認識装置１では、簡単な操作で音声の話者を識別することができる。また、話者認識装置１の操作が簡単となるため、話者認識装置１に複数のボタンを配置する等の、話者認識装置１の複雑化を抑制することができる。このため、この音声入力装置１では、例えばトリガ入力部２３がボタンである場合、１つのボタンでも１以上の話者のうちのいずれの話者であるかを識別することができるため、音声入力装置１の構成をより簡易にすることができる。

【0108】

また、本実施の形態における音声入力方法は、１以上の話者が発話する際のそれぞれの音声を取得することと、取得した１以上の話者の発話によるそれぞれの音声を記憶部２２に記憶することと、トリガが入力されることと、トリガが入力されるごとに、記憶部２２に記憶されるそれぞれの音声から発話を開始した開始位置を検出することと、少なくとも、トリガが入力される第１時点と、それぞれの音声から検出した発話の開始位置の第２時点とに基づいて、１以上の話者のうちからいずれかの話者を識別することとを含む。

【0109】

この音声入力方法においても、上述の話者認識装置１と同様の作用効果を奏する。

【0110】

また、本実施の形態におけるプログラムは、音声入力方法をコンピュータに実行させるためのプログラムである。

【0111】

このプログラムにおいても、上述の話者認識装置１と同様の作用効果を奏する。

【0112】

また、本実施の形態における話者認識装置１は、第１時点と第２時点とのいずれの時点が前の時間であるかを少なくとも登録する発話時機登録部２５を備える。そして、話者識別部２６は、第１時点と第２時点と発話時機登録部２５が第１時点に対する第２時点の時機を示す複数の登録情報とに基づいて、１以上の話者のうちからいずれかの話者を識別する。

【0113】

これによれば、１以上の話者が所望する条件として、第１時点と第２時点との時間的な前後関係を予め登録することができる。このため、話者識別部２６は、第１時点及び第２時点の時間的な前後関係が、登録情報に示されているかどうかを判定するだけで、１以上の話者のうちからいずれかの話者を識別することができる。その結果、この話者認識装置１では、簡易な処理で、より確実に話者を識別することができる。

【0114】

また、本実施の形態における話者認識装置１において、発話時機登録部２５は、１以上の話者のそれぞれの発話の時機を登録する際に、トリガ入力部２３にトリガが入力される第１時点よりも、発話を開始した開始位置の第２時点の方が後の時間であることを示す第１時間情報と、１以上の話者のうちからいずれかの話者とを紐付けた登録情報である第１登録情報を登録する。そして、発話時機登録部２５は、それぞれの発話の時機を登録する際に、トリガ入力部２３にトリガが入力される第１時点よりも、発話を開始した開始位置の第２時点の方が前の時間であることを示す第２時間情報と、１以上の話者のうちから別のいずれかの話者とを紐付けた登録情報である第２登録情報を登録する。

【0115】

これによれば、話者は、発話を開始する前に取得部２１にトリガを入力するという条件を登録したり、発話を開始した後に取得部２１にトリガを入力するという条件を登録したりすることができる。このように、予め話者が条件を登録しておけば、話者認識装置１は、学習することなく、話者を簡易かつ確実に識別することができる。

【0116】

また、本実施の形態における話者認識装置１において、話者識別部２６は、第１時点に対する第２時点の時機を算出し、算出した時機を示す結果と複数の登録情報とを照らし合わせて、第１時点よりも第２時点の方が後の時間である場合は、発話した話者が第１話者であると判定し、第１時点よりも第２時点の方が前の時間である場合は、発話した話者が第１話者と別の第２話者であると判定する。

【0117】

これによれば、話者識別部２６は、トリガ入力部２３に入力された第１時点と、発話開始検出部２４が検出した第２時点とから、第１時点に対する第２時点の時機を算出することができる。これにより、発話開始検出部２４は、第１時点が第２時点よりも先の時間であるか、後の時間であるかという、時機を示す結果を算出することができる。この結果、発話開始検出部２４は、算出した時機を示す結果と複数の登録情報とを比較することで、１以上の話者のうちのいずれの話者であるかを、より確実に識別することができる。

【0118】

また、話者が複数存在する場合、例えば第１時点から第２時点までの期間を登録することで、複数の話者が存在しても、いずれの話者であるかを識別することができる。

【0119】

また、本実施の形態における話者認識装置１において、トリガ入力部２３は、予め設定された音声の入力を受付ける音声入力インターフェイスである。そして、トリガ入力部２３には、予め設定された音声がトリガとして入力される。

【0120】

これによれば、話者がウエイクアップワード等のような予め設定された音声による発話をするだけで、話者認識装置１は、マジックワード認識を行い、話者の識別を実行することができる。このため、話者認識装置１は、操作性に優れている。

【0121】

また、本実施の形態における話者認識装置１において、トリガ入力部２３は、話者認識装置１に設けられた操作ボタンである。そして、トリガ入力部２３には、受付けた操作入力がトリガとして入力される。

【0122】

これによれば、話者がトリガ入力部２３を操作することで、トリガ入力部２３にトリガを確実に入力することができる。

【0123】

（その他変形例等）
以上、本開示について、実施の形態に基づいて説明したが、本開示は、これら実施の形態等に限定されるものではない。

【0124】

例えば、上記各実施の形態に係る音声入力装置、音声入力方法及びそのプログラムにおいて、取得部が取得した音声に基づいて、音声入力装置に対する話者の方向を推定してもよい。この場合、マイクロホンアレイ部の取得部を用いて、話者のそれぞれが発話した、音声入力装置に対する音源方向を推定してもよい。具体的には、音声入力装置は、取得部におけるそれぞれのマイクロホンに到達した音声の時間差（位相差）を算出し、例えば遅延時間推定法等により音源方向を推定してもよい。

【0125】

また、上記各実施の形態に係る音声入力装置、音声入力方法及びそのプログラムにおいて、音声入力装置は、取得部が取得する話者の音声の区間を検出することで、取得部が取得する話者の音声を取得できない期間が所定期間以上検出されれば、自動的に録音を中止又は停止してもよい。

【0126】

また、上記各実施の形態に係る音声入力方法は、コンピュータを用いたプログラムによって実現され、このようなプログラムは、記憶装置に記憶されてもよい。

【0127】

また、上記各実施の形態に係る音声入力装置、音声入力方法及びそのプログラムに含まれる各処理部は、典型的に集積回路であるＬＳＩとして実現される。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。

【0128】

また、集積回路化はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。

【0129】

なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ又はプロセッサなどのプログラム実行部が、ハードディスク又は半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

【0130】

また、上記で用いた数字は、全て本開示を具体的に説明するために例示するものであり、本開示の実施の形態は例示された数字に制限されない。

【0131】

また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを一つの機能ブロックとして実現したり、一つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。

【0132】

また、フローチャートにおける各ステップが実行される順序は、本開示を具体的に説明するために例示するためであり、上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。

【0133】

その他、実施の形態に対して当業者が思いつく各種変形を施して得られる形態、本開示の趣旨を逸脱しない範囲で実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本開示に含まれる。

【産業上の利用可能性】

【0134】

本開示は、複数の話者のそれぞれの発話がどの話者であるかを特定するために用いられる音声入力装置、音声入力方法及びそのプログラムに適用することができる。

【符号の説明】

【0135】

１ 話者認識装置（音声入力装置）
２１ 取得部
２２ 記憶部
２３ トリガ入力部
２４ 発話開始検出部
２５ 発話時機登録部
２６ 話者識別部

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】