WO2006068123A1 - 音声による選択装置、及び選択方法 - Google Patents

Abstract

　選択項目をガイドするガイド音声を出力する出力部（１０１）と、出力部（１０１）よって出力されたガイド音声の出力中又はその出力終了後に一定時間内に発声された、選択項目を選択するための選択指示を認識する音声認識部（１０６）と、音声認識部（１０６）によって選択指示が認識された場合、選択指示された選択項目を選択する対話制御・結果選択部（１０７）とを備えることにより、出力部（１０１）によってガイド音声が出力されている間、その出力が終了し一定時間が経過するまでに選択項目を選択する音声を発することで、音声認識部（１０６）によってその選択項目を選択することができ、ガイド音声の出力中でも選択項目を選択することができる。

Description

明 細 書

音声による選択装置、及び選択方法

技術分野

[0001] 本発明は、システムによって提示された項目を音声により選択するための音声によ る選択装置、及び選択方法に関するものである。

背景技術

[0002] 従来、音声による選択装置として、制御対象を音声により特定した後に制御内容の 選択項目を順次音声で出力し、選択するものが知られている（例えば、特開平 3— 2 93400号公報）。

[0003] 特開平 3— 293400号公報に記載のものによれば、スィッチを制御して音声制御シ ステムを動作可能な状態にし、この状態で制御対象となる機器の名称を発声すること により、その名称が認識され、その名称の機器の制御項目が順次音声合成によって 発せられ、適当な制御項目が発せられた段階で「YES」と発することにより、その項目 に合った制御を実行することができる。

[0004] また、パソコンの画面をプロジェクタを用いて大画面にして表示し、その画面を基に 、その画面に表示された項目を発することによりその項目が強調表示され、実行ボタ ンを操作すると、その項目の詳細が表示され、その項目の詳細の監視、制御が可能 になると 、うものも知られて 、る（例えば、特開平 6 - 149534号公報)。

[0005] しかしながら、特開平 3— 293400号公報及び特開平 6— 149534号公報に記載さ れたものでは、具体的にシステムが提示する選択項目と重なったユーザーの声を受 理する方法を与えておらず、従って、通常の音声認識方法では選択項目を合成音 声により出力中は音声認識させることが困難であると同時に、システム力も提示される 選択項目の出力方法も音声に限定され、例えば、音楽や画像などの選択を音声によ り直接行うことはできな 、と 、う問題を有して 、た。

発明の開示

[0006] 本発明は、このような従来の問題に対処してなされたものであり、選択項目を合成 音声により出力中でも、音楽や画像、その他を選択項目とした場合でも音声認識さ せることができる音声による選択装置、および選択方法を提供するものである。

[0007] 本発明の音声による選択装置は、選択項目をガイドするガイド音声を出力する出力 部と、出力部よつて出力されたガイド音声の出力中又はその出力終了後に一定時間 内に発声された、選択項目を選択するための選択指示を認識する音声認識部と、音 声認識部によって選択指示が認識された場合、選択指示された選択項目を選択す る対話制御 ·結果選択部とを備えた構成を有する。

[0008] この構成により、出力部によってガイド音声が出力されている間、その出力が終了し 一定時間が経過するまでに選択項目を選択する音声を発することで、音声認識部に よってその選択項目を選択することができ、ガイド音声の出力中でも選択項目を選択 することができる。

[0009] また、本発明の音声による選択装置は、出力部よつて出力されたガイド音声の出力 中又はその出力終了後に一定時間内に選択指示が発声されな力つた場合、対話制 御'結果選択部が出力部に選択項目の次の選択項目をガイドするガイド音声を出力 するよう制御する構成を有する。

[0010] この構成により、選択項目を選択する音声を発しない場合には、次々と一定時間後 に次の選択項目をガイドするガイド音声が出力されることになり、好きな選択項目で 任意に選択指示を発し、該当の選択項目を選択することができる。

[0011] また、本発明の音声による選択装置は、音声認識部が、音声認識部に入力される 音声カゝら出力部よつて出力されたガイド音声を減じる音声除去部を備えた構成を有 する。

[0012] この構成により、出力部よつて出力されたガイド音声が音声認識部に入力され、音 声認識部による選択指示の音声認識に支障を与えるのを極力排除することができ、 ガイド音声出力中でも正確に選択指示を認識することができる。

[0013] また、本発明の音声による選択装置は、ガイド音声に対応する楽曲の一部または 全部を再生する楽曲再生部をさらに備え、音声認識部が、楽曲再生部によって音楽 を再生している間又はその後一定時間内に入力された選択指示を音声認識する構 成を有する。

[0014] この構成により、ガイド音声に対応する楽曲の再生中、又は、その後一定時間内に 選択項目を選択指示する音声を発するだけで、その楽曲を選択し、聴取することが できる。

[0015] また、本発明の音声による選択装置は、ガイド音声に対応する画像を生成する画 像生成部をさらに備え、音声認識部が、画像生成部によって画像を生成している間 又はその後一定時間内に入力された選択指示を音声認識する構成を有する。

[0016] この構成により、ガイド音声に対応する画像を生成し表示している間、又は、その後 一定時間内に選択項目を選択指示する音声を発するだけで、その画像を選択し、例 えば、静止画であれば、静止画をそのまま継続してみることができ、動画であれば、 その動画を引続いて見ることができることになる。

[0017] また、本発明の音声による選択装置は、出力部よつて出力されたガイド音声の出力 中又はその出力終了後に一定時間を設定する入力待ち時間設定部をさらに備え、 音声認識部は、入力待ち時間設定部によって設定された一定時間内に発声された、 選択項目を選択するための選択指示を認識する構成を有する。

[0018] この構成により、出力部によってガイド音声が出力されている間、その出力が終了し 一定時間設けられた入力待ち時間が経過するまでに選択項目を選択する音声を発 することで、音声認識部によってその選択項目を選択することができ、ガイド音声の 出力中でも選択項目をより確実に選択することができる。

[0019] さらに、本発明の音声による選択方法は、選択項目をガイドするガイド音声を出力 する出力手順と、出力手順において出力されたガイド音声の出力中又はその出力終 了後一定時間内に発声された、選択項目を選択するための選択指示を認識する音 声認識手順と、音声認識手順によって選択指示が認識された場合、選択指示された 選択項目を選択する対話制御 ·結果選択手順とを備えた構成を有する。

[0020] この構成により、出力手順においてガイド音声が出力されている間、その出力が終 了し一定時間が経過するまでに選択項目を選択する音声を発することで、音声認識 手順によってその選択項目を選択することができ、ガイド音声の出力中でも選択項目 を選択することができる。

[0021] 以上のように、本発明の音声による選択装置は、選択項目をガイドするガイド音声 を出力する出力部と、出力部よつて出力されたガイド音声の出力中又はその出力終 了後一定時間内に発声された、選択項目を選択するための選択指示を認識する音 声認識部と、音声認識部によって選択指示が認識された場合、選択指示された選択 項目を選択する対話制御 ·結果選択部とを備えたものであり、出力部によってガイド 音声が出力されている間、その出力が終了し一定時間が経過するまでに選択項目を 選択する音声を発することで、その選択項目を選択することができ、ガイド音声の出 力中でも選択項目を選択することができる。

[0022] また、本発明の音声による選択方法は、選択項目をガイドするガイド音声を出力す る出力手順と、出力手順において出力されたガイド音声の出力中又はその出力終了 後一定時間内に発声された、選択項目を選択するための選択指示を認識する音声 認識手順と、音声認識手順によって選択指示が認識された場合、選択指示された選 択項目を選択する対話制御 ·結果選択手順とを備えたものであり、出力手順におい てガイド音声が出力されている間、その出力が終了し一定時間が経過するまでに選 択項目を選択する音声を発することで、その選択項目を選択することができ、ガイド 音声の出力中でも選択項目を選択することができる。

[0023] また、本発明の音声による選択装置は、選択項目をガイドするガイド音声を出力す る出力部と、出力部よつて出力されたガイド音声の出力中又はその出力終了後に一 定時間を設定する入力待ち時間設定部と、入力待ち時間設定部によって設定された 一定時間内に発声された、選択項目を選択するための選択指示を認識する音声認 識部と、音声認識部によって選択指示が認識された場合、選択指示された選択項目 を選択する対話制御 ·結果選択部とを備えたものであり、出力部によってガイド音声 が出力されている間、その出力が終了し一定時間設けられた入力待ち時間が経過 するまでに選択項目を選択する音声を発することで、音声認識部によってその選択 項目を選択することができ、ガイド音声の出力中でも選択項目をより確実に選択する ことができる。

図面の簡単な説明

[0024] [図 1]図 1は、本発明の実施の形態 1における音声による選択装置の概略構成を示す ブロック図である。

[図 2]図 2は、本発明の実施の形態 1における音声による選択装置の動作を示すフロ 一チャートである。

[図 3]図 3は、本発明の実施の形態 1における音声による選択装置の動作を示すタイ ムチャートである。

[図 4]図 4は、本発明の実施の形態 2における音声による選択装置の概略構成を示す ブロック図である。

[図 5]図 5は、本発明の実施の形態 2における音声による選択装置の動作を示すフロ 一チャートである。

[図 6]図 6は、本発明の実施の形態 2における音声による選択装置の動作を示すタイ ムチャートである。

[図 7]図 7は、本発明の実施の形態 3における音声による選択装置の概略構成を示す ブロック図である。

[図 8]図 8は、本発明の実施の形態 3における音声による選択装置の動作を示すフロ 一チャートである。

[図 9]図 9は、本発明の実施の形態 3における音声による選択装置の動作を示すタイ ムチャートである。

[図 10]図 10は、本発明の実施の形態 4における音声による選択装置の概略構成を 示すブロック図である。

[図 11]図 11は、本発明の実施の形態 4における音声による選択装置の動作を示すフ ローチャートである。

[図 12]図 12は、本発明の実施の形態 4における音声による選択装置の動作を示すタ ィムチャートである。

符号の説明

101 スピーカ

102 マイクロホン

103 システム音声除去部

104 フィルタ係数学習部

105 適応フィルタ部

106 音声認識部 107, 1007 対話制御 ·結果選択部

108, 1008 応答生成部

109 応答音声データベース

110 減算器

411 音楽再生部

412 音楽データベース

413 ミキサー部

700 ディスプレイ

711 画像生成部

712 画像'動画データベース

1011 入力待ち時間設定部

発明を実施するための最良の形態

[0026] 以下、本発明の実施の形態について、図面を参照しながら説明する。

[0027] (実施の形態 1)

図 1は、本発明の実施の形態 1における音声による選択装置の概略構成を示すブ ロック図である。

[0028] 本発明の実施の形態 1における音声による選択装置は、図 1に示すように、ユーザ 一に対してガイドとなる音声や音声応答といったシステム側の音声を出力する出力部 としてのスピーカ（音声出力部） 101と、ユーザーが発した音声を音声信号に変換す るマイクロホン 102と、スピーカ 101で出力されたガイド音に相当する出力相当信号 を、マイクロホン 102から出力された音声信号から除去する音声除去部としてのシス テム音声除去部 103と、マイクロホン 102から出力され、システム音声除去部 103に よって重畳信号分を除去して得た音声信号に基づき、ユーザー音声の発話内容を 認識する音声認識部 106と、音声認識部 106で得たユーザー音声の内容に基づき 、対応する応答音声を選択してユーザーとの対話を制御すると同時に結果を選択す る対話制御'結果選択部 107と、応答音声データを記憶した応答音声データベース 109と、対話制御 ·結果選択部 107の出力に基づき、応答音声データベース 109の データを利用してスピーカ 101や音声応答除去部 103に出力するための音声応答 信号を生成する応答生成部 108とを備えている。

[0029] システム音声除去部 103は、マイクロホン 102から出力された音声信号と応答生成 部 108から出力された応答音声信号とに基づき、例えば、 LMS (Least Mean Sq uare) Zニュートンアルゴリズムを利用して得たフィルタ係数 (インパルス応答）を学習 しながら最適に調整するフィルタ係数学習部 104と、フィルタ係数学習部 104からの 出力であるインパルス応答により応答音声信号を補正して出力する適応フィルタ 105 と、マイクロホン 102より出力された音声信号力も適応フィルタ 105より出力された出 力信号を減算する減算器 110とを有して 、る。

[0030] 音声認識部 106は、マイクロホン 102から出力され、システム音声除去部 103で音 声応答の相当重畳分を減算した音声信号を音響処理する音響処理部と、音響処理 部で得た音声の最小単位を基に最もそれらしい音素候補を選びだし識別する音素 識別部と、音声対話システムの利用目的に関連する単語等を記憶した辞書データべ ースと、音素認識部で得られた音素と辞書データベース力 の音声データとを基にし て単語の候補を選定し、構文、意味、文脈等の言語情報を利用しながら正しい文章 を得るための言語処理を実行する言語処理部とを有している。

[0031] なお、音響処理部は、例えば、 LPCケプストラム（Linear Predictor Coefficien t Cepstrum:線形予測係数ィ匕ケプストラム)等を利用して、マイクロホン 102から出 力された音声信号を特徴量ベクトルという時系列のベクトルに変換し、音声スペクトル の概形 (スペクトル包絡)を推定するように構成して 、る。

[0032] また、音素識別部は、例えば、 HMM (Hidden Markov Model:隠れマルコフ モデル)法等を利用して、入力された音声を基に音響処理部で抽出した音響パラメ ータを用い、音声信号の音素記号化を行い、予め用意してある標準音素モデルと比 較し、最もそれらし 、音素の候補を選び出すように構成して 、る。

[0033] 一方、対話制御 ·結果選択部 107は、音声認識部 106で認識した音声信号の内容 に基づき、応答内容を選択制御して応答生成部 108へ出力すると同時に結果を選 択出力するようにしてある。

[0034] 応答生成部 108は、対話制御 ·結果選択部 107で決定した内容に基づき、応答音 声データベース 109からのデータを利用して応答音声信号を生成し、スピーカ 101 に出力する。

[0035] 次に、本発明の実施の形態 1における音声による選択装置の動作を図 2、図 3を用 いて詳細に説明する。

[0036] なお、図 2は、本発明の実施の形態 1における音声による選択装置の動作を説明 するフローチャート、図 3は、タイムチャートである。

[0037] まず、選択開始動作に入ると、対話制御，結果選択部 107の制御の基で、選択項 目のカウンタ Nが 1にセットされる（ステップ 201)。選択項目のカウンタ Nが 1にセット されると、次に、応答生成部 108が対話制御 ·結果選択部 107からの指令に基づき 応答音声データベース 109からガイド音声をスピーカ 101へ出力する（ステップ 202)

[0038] 例えば、図 3のシステムのタイムチャートに示すように、「次の中からご希望の曲名を 選んでください。」というようなガイド音声（301)をスピーカ 101へ出力する。

[0039] ガイド音声がスピーカ 101から出力されると、次に、ユーザーからの選択指示を音 声認識できるように音声認識の起動を行う (ステップ 203)。これにより、音声認識部 1 06力 図 3に示すように、起動する（302)。

[0040] 音声認識部 106が起動すると、次に、対話制御，結果選択部 107の制御の基で、 応答生成部 108が応答音声データベース 109をアクセスし、第 1番目の選択項目に 対応する音声データを出力する (ステップ 204)。

[0041] すなわち、これにより、例えば、図 3に示すように、「めだかの学校。」というガイド音 声 (303)をスピーカ 101へ出力する。そして、「めだかの学校。」というガイド音声 (303 )が出力されている間 308Aと、その出力が終了した後の一定時間（入力待ち時間） 3 08Bは、第 1番目の選択項目である「めだかの学校」を選択できる時間 308となる。し たがって、この間 308にユーザーが選択を指示する言葉、例えば、「これだ！」という 言葉を発声すれば、「めだかの学校」を選択することができる。

[0042] 「めだかの学校」を選択することができる期間 308に、ユーザーが選択指示する言 葉、例えば「これだ！」という言葉を発声しな力つた場合には、選択項目のカウンタ N に 1を加え、次の選択項目に対応するガイド音声を出力する状態になる。

[0043] すなわち、選択項目に対応する音声を出力すると (ステップ 204)、その選択項目の 提示中、または提示終了後一定時間内にユーザーが選択を指示する言葉を発声し た力どうかの判定を対話制御 ·結果選択部 107が実施する (ステップ 205)。

[0044] ユーザーが選択指示した場合 (ステップ 205にお 、て「は 、」の場合）には、そこで

、例えば、「めだかの学校」が選択されるが、選択指示しな力つた場合 (ステップ 205 にお 、て「 、え」の場合）には、選択項目のカウンタ Nに 1を加え (ステップ 206)、 次の選択項目に対応する音声、すなわち、第 2番目の選択項目に対応するガイド音 声を出力する状態になる (ステップ 204)。

[0045] これにより応答生成部 108が、応答音声データベース 109をアクセスし、 2番目のガ イド音声である、例えば「てるてる坊主。」というガイド音声（304)をスピーカ 101に出 力する。

[0046] この場合も、「てるてる坊主。」というガイド音声 (304)を出力している間 309Aと、そ の出力が終了した後の一定時間 (入力待ち時間） 309Bは、第 2番目の選択項目で ある「てるてる坊主」を選択できる時間 309となり、この期間 309にユーザーが選択指 示する言葉、例えば、「これだ！」という言葉を発声すれば、第 2番目の選択項目であ る「てるてる坊主」を選択することができるようになる。

[0047] 選択項目提示中、または、提示終了後一定時間内に、ユーザーが選択を指示する 言葉、例えば「これだ！」という言葉を発声しな力つた場合には、それが対話制御'結 果選択部 107で判定され (ステップ 205)、その判定後、「いいえ」のパスに分岐し、先 と同様に、選択項目のカウンタ Nに 1をカ卩ぇ (ステップ 206)、次の第 3番目の選択項 目に対応するガイド音声を出力するようになる (ステップ 204)。

[0048] そして、これにより応答生成部 108が、応答音声データベース 109をアクセスし、第 3番目のガイド音声として、例えば「キラキラ星。」というガイド音声 (305)をスピーカ 10 1へ出力する。

[0049] 第 3番目のガイド音声「キラキラ星。」（305)が出力されている期間 310Aと、出力が 終了した後の一定時間 (入力待ち時間） 310Bは、第 3番目の選択項目である「キラ キラ星」を選択できる時間 310であり、この期間 310にユーザーが選択指示する言葉 、例えば「これだ！」という言葉を発声すれば、第 3番目の選択項目である「キラキラ 星」を選択できるようになる。 [0050] 図 3では、ユーザーが第 3番目の選択項目である「キラキラ星」を選択指示するため に、第 3番目のガイド音声「キラキラ星。」(305)が出力されている間、または、その後 一定期間の間に、それを選択するための音声、例えば「これだ！」という指示音声 (3

06)を発声したものとして!/、る。

[0051] ここで、ガイド音声「キラキラ星。」（305)を出力している間に、ユーザーが「これだ！ 」という指示音声（306)と発声すれば、ガイド音声「キラキラ星。」（305)と、「これだ！ 」（306)という指示音声が重なってマイクロホン 102に入力される力 音声応答除去 部 103にてガイド音声相当分の信号、すなわち、「キラキラ星。」（305)の音声相当分 の信号がマイクロホン 102に入力された信号から除去され、音声認識部 106ではュ 一ザ一が発声した指示音声「これだ！」（306)を正しく認識することができる。

[0052] 図 2において、選択項目提示中、または提示終了後一定時間内に、ユーザーが選 択指示する言葉、例えば「これだ！」と言う言葉を発声した場合には、それが音声認 識部 106で認識され、対話制御 ·結果選択部 107で判定され (ステップ 205)、「はい 」のパスに分岐する。

[0053] 「はい」のパスに分岐すると、音声認識を行ってその音声認識を終了し (ステップ 20

7)、そのときの選択項目を選択し (ステップ 208)、以降、選択された結果、例えば「キ ラキラ星」に基づいて、対話制御 ·結果選択部 107が対話制御を行う。

[0054] なお、図示していないが、最後の選択項目が提示された段階で、一定時間経過し ても選択指示する言葉がユーザー力 発声せられない場合、スピーカ 101からタイム アウトと 、う警告を行、、音声認識を終了して選択を中止するように構成して 、る。

[0055] 以上のように、本発明の実施の形態 1によれば、システムが音声による選択項目を 提示している期間、または、提示終了後一定時間設けられた入力待ち時間内に、ュ 一ザ一が選択指示を行う言葉を発声した場合には、その選択指示する言葉を発した 段階の選択項目を選択することができる。

[0056] (実施の形態 2)

図 4は、本発明の実施の形態 2における音声による選択装置の概略構成を示すブ ロック図、図 5は、同装置の動作を説明するフローチャート、図 6は、同装置の動作を 説明するタイムチャートである。 [0057] なお、図 4〜図 6において、図 1〜図 3に示した実施の形態 1と同一の符号、番号な どを付したものは、図 1〜図 3に示した実施の形態 1と同一の構成、同一の内容のも のを示しており、ここではその詳細な説明は省略する。

[0058] 本実施の形態では、実施の形態 1の構成に加え、更に、対話制御'結果選択部 10

7の指令により制御される音楽再生部 411と、音楽を複数蓄積した音楽データベース

412とを備えている。

[0059] 音楽再生部 411は、対話制御 ·結果選択部 107からの指示により音楽データべ一 ス 412をアクセスし、対話制御 ·結果選択部 107にお 、て指示した音楽を再生するよ うに構成されている。そして、音楽再生部 411で再生された音楽は、ミキサー 413を 介して応答生成部 108からの出力と共にスピーカ 101に出力するように構成されてい る。

[0060] 図 6において、音楽出力によるガイド音楽 603〜605は、図 3のガイド音声 303〜3 05にそれぞれ対応して!/、る。

[0061] したがって、本実施の形態によれば、図 5、図 6に示すように、選択項目となるガイド 音声を出力するだけでなぐその選択項目に対応する音楽、そのものを同時に出力 することになり、音楽を選択する場合により便利である。

[0062] すなわち、本実施の形態によれば、実施の形態 1にお!、て、第 N番目の選択項目 に対応するガイド音声を出力するステップ 204が、第 N番目の選択項目に対応する 音楽を出力するステップ 504になっており、このステップ 504において、第 N番目の 選択項目に対応するガイド音声と、第 N番目の選択項目に対応する音楽の両方を順 に出力すれば、先ず、曲名が出力され、続いて音楽が出力されるため、音楽を選択 する場合に、より便利〖こなる。

[0063] なお、ここで、選択のために出力する音楽は、音楽全部（ひとつの楽曲全体)でなく てもよく、例えば、イントロだけ、或いは、サビ部分だけで充分である。そして、選択の ために出力する音楽が全部であってもイントロやサビの部分だけであっても、選択の ために出力した音楽が選択された場合、音楽生成部 411により、その音楽をそのまま 継続して出力することもできるし、一旦音楽の最初に戻って力 出力することも可能 である。 [0064] このように、本実施の形態によれば、音楽を選択項目として提示し、その間、または

、提示終了後一定時間内にユーザーが選択指示する言葉を発声すれば、そのユー ザ一が希望した音楽を容易に選択することができる。

[0065] (実施の形態 3)

図 7は、本発明の実施の形態 2における音声による選択装置の概略構成を示すブ ロック図、図 8は、同装置の動作を説明するフローチャート、図 9は、同装置の動作を 説明するタイムチャートである。

[0066] なお、図 7〜図 9において、図 1〜図 3に示した実施の形態 1と同一の符号、番号な どを付したものは、図 1〜図 3に示した実施の形態 1と同一の構成、同一の内容のも のを示して!/、るので、ここではその詳細な説明は省略する。

[0067] 本実施の形態では、実施の形態 1の構成に加え、更に、対話制御'結果選択部 10

7の指令により制御される画像生成部 711と、静止画、動画などの画像を複数蓄積し た画像データベース 712と、画像生成部 711で生成された画像を表示するディスプ レイ 700とを備えている。

[0068] 画像生成部 711は、対話制御 ·結果選択部 107からの指示により画像データべ一 ス 712をアクセスし、対話制御'結果選択部 107において指示した静止画、動画など の画像データを出力し、画像を生成するように構成されている。そして、画像生成部

711で生成された画像は、ディスプレイ 700で表示される。

[0069] 図 9において、音声出力によるガイド音声 901、ディスプレイへの表示によるによる ガイド画像 903〜905ίま、図 3のガイド音声 301、 303〜305【こそれぞれ対応して!/ヽ る。

[0070] したがって、本実施の形態によれば、図 8、図 9に示すように、選択項目となるガイド 音声を出力するだけでなぐその選択項目に対応する画像をも同時にディスプレイ 7 00で表示することになり、選択項目を選択する場合により便利である。

[0071] すなわち、本実施の形態によれば、実施の形態 1において、第 Ν番目の選択項目 に対応するガイド音声を出力するステップ 204が、第 Ν番目の選択項目に対応する 画像を出力するステップ 804になり、このステップ 804において、第 Ν番目の選択項 目に対応するガイド音声と、第 Ν番目の選択項目に対応する画像の両方を出力し、 前者はスピーカ 101から音声として、後者はディスプレイ 700で画像、又は、動画とし て表示される。そのため、これらを基に、選択項目をより容易に選択することができる ようになる。

[0072] なお、選択のために出力する画像が動画である場合、その動画の全部でなくてもよ ぐ例えば、最初の、あるいはサビの一定時間だけで充分である。そして、選択のた めに出力する画像が全部であっても一定時間だけであっても、選択のために出力し た画像が選択された場合、画像生成部 711により、その画像をそのまま継続して表 示することもできるし、ー且動画の最初に戻って力も表示することも可能である。

[0073] このように、本実施の形態によれば、選択項目のガイド音声に加え、それに対応す る画像をも選択項目として提示し、その提示の時間、または、提示終了後一定時間 内にユーザーが選択指示する言葉を発声すれば、そのユーザーが希望した選択項 目を選択できるようにしているため、例えば、絵画や映画といった画像そのものでも良 いが、音楽の場合、ジャケットの画像を提示することによって、音楽をより選択しやす くすることができるという効果を有する。

[0074] (実施の形態 4)

上記各実施の形態では、例えば図 3に示す、選択のための時間 308B、 309B等を 積極的に設ける構成は有していないが、この選択のための時間 308B、 309B等を設 ける入力待ち時間設定部を有する音声による選択装置について図 10から図 12を用 いて説明する。

[0075] この入力待ち時間設定部を備えることで、より確実に音声認識を行うことが出来る。

[0076] 図 10は、本発明の実施の形態 4における音声による選択装置の概略構成を示す ブロック図、図 11は、同装置の動作を説明するフローチャート、図 12は、同装置の動 作を説明するタイムチャートである。

[0077] 図 10において、本実施の形態の基本的な構成は、上記実施の形態 1記載の音声 による選択装置の構成図と同様であるため、両者の相違点につ 、てのみここでは説 明し、その他の基本的な構成、動作については省略する。

[0078] 本実施の形態の対話制御 ·結果選択部 1007と応答生成部 1008は、実施の形態 1 のそれらとは異なる機能を有しており、さらに本実施の形態では、対話制御'結果選 択部 1007と応答生成部 1008とに接続される入力待ち時間設定部 1011を有してい る。

[0079] 実施の形態 1と同様に、対話制御，結果選択部 1007の制御の下、音声認識部 106 が起動すると、応答生成部 1008が応答音声データベース 109をアクセスし、選択項 目に対応する音声データを出力する。

[0080] さらに、対話制御，結果選択部 1007では、選択項目に対応する音声データが出力 され終わった力否かを判定する。

[0081] 対話制御 ·結果選択部 1007の判定の結果、音声データが出力されたことが確認さ れたとき、ユーザーが応答するための期間を設定する入力待ち時間設定部 1011に より、入力待ち時間が設定される。

[0082] 応答生成部 1008では、この入力待ち時間の間、対話制御'結果選択部 1007によ り、その動作が禁止される。

[0083] 次に、本実施の形態の音声による選択装置による動作について、図 11と図 12とを 用いて説明するが、音声認識の起動まで (ステップ 201〜ステップ 203)は、実施の 形態 1の動作と同様であるので、ここでは省略する。

[0084] ステップ 203で音声認識部 106が起動すると、次に、対話制御'結果選択部 1007 の制御の基で、応答生成部 1008が応答音声データベース 109をアクセスし、第 1番 目の選択項目に対応する音声データを出力する (ステップ 204)。

[0085] すなわち、これにより、例えば、図 12に示すように、「めだかの学校。」というガイド音 声 (303)をスピーカ 101へ出力する。

[0086] 次に、対話制御 ·結果選択部 1007は、「めだかの学校。」というガイド音声 (303)の 出力が終了した力否かの判定を行う。

[0087] 判定の結果、ガイド音声 (303)の出力が終了している場合は、入力待ち時間設定 部 1011は、対話制御 ·結果選択部 1007の制御の下、入力待ち時間 1208Bを設定 する（ステップ 1109)。

[0088] そして、「めだかの学校。」というガイド音声 (303)が出力されている間 308Aと、その 出力が終了した後の一定時間 1208Bは、第 1番目の選択項目である「めだかの学校 」を選択できる時間 1208となる。したがって、この間 1208にユーザーが選択を指示 する言葉、例えば、「これだ！」という言葉を発声すれば、「めだかの学校」を選択する ことができる。

[0089] 対話制御，結果選択部 1007は、入力待ち時間設定部 1011で設定された入力時 間の間、応答生成部 1008により、次のガイド音声、または、誤作動によるガイド音声 等が起きないように応答生成部 1008の動作を禁止する。

[0090] 応答生成部 1008の動作を禁止する力否かは、入力待ち時間設定部 1011で設定 された時間が経過したか否かの判定により行う。

[0091] 次に、「めだかの学校」を選択することができる期間 1208に、ユーザーが選択指示 する言葉、例えば「これだ！」という言葉を発声しな力つた場合には、選択項目のカウ ンタ Nに 1を加え、次の選択項目に対応するガイド音声を出力する状態になる。

[0092] すなわち、ステップ 204で選択項目に対応する音声を出力すると、その選択項目の 提示中、または提示終了後、ステップ S1109で設定された入力待ち時間の一定時 間内にユーザーが選択を指示する言葉を発声した力どうかの判定を、対話制御 ·結 果選択部 1007が行う（ステップ 1105)。

[0093] 次に、入力待ち時間中にユーザーが選択を指示する言葉を発声した場合 (ステツ プ 1105において「はい」の場合）には、そこで、例えば、「めだかの学校」が選択され る力 選択を指示する言葉を発声しなかった場合 (ステップ 1105にお 、て「 、 、え」 の場合）には、選択項目のカウンタ Nに 1をカ卩ぇ (ステップ 1106)、次の選択項目に対 応する音声、すなわち、第 2番目の選択項目に対応するガイド音声を出力する状態 になる（ステップ 204)。

[0094] このとき、図 12において、第 2番目または第 3番目の選択項目に対しては、ガイド音 声（304または 305)が出力している間 309Aまたは 310Aと、それぞれの出力が終了 した後のそれぞれの一定時間 1209Bまたは 1210B力 第 2番目または第 3番目の 選択項目を選択できる時間 1209または 1210となる。

[0095] その後の処理は、実施の形態 1の図 2に示す動作と同様である。

[0096] 以上より、本実施の形態では、入力待ち時間設定部 1011を備えることで、ユーザ 一の応答を待つ、積極的な待ち時間を設定することができる。

[0097] このように積極的に待ち時間を設定することで、次のガイド音声等が誤って入力待 ち時間中に出力されて、入力待ち時間を侵食するということなぐ確実にユーザーの 応答できる期間を必ず設けることができる。

[0098] 本実施の形態の入力待ち時間設定部 1011を備えた構成は、上記実施の形態 2や 実施の形態 3の構成にも適用して、本実施の形態と同様の動作および効果が得られ ることは、言うまでもな ヽことである。

[0099] なお、本発明は、上記各実施の形態を適宜組み合わせて、例えば、選択項目のガ イド音声に加え、それに対応する画像及び楽曲をも選択項目として提示し、その提示 の時間、または、提示終了後一定時間設けられた入力待ち時間内にユーザーが選 択指示する言葉を発声することにより、そのユーザーが希望した選択項目を選択でき るようにしても良い。

産業上の利用可能性

[0100] 本発明にかかる音声による選択装置は，選択項目をガイドするガイド音声を出力す る出力部と、出力部よつて出力されたガイド音声の出力中又はその出力終了後設け られた入力待ち時間一定時間内に発声された、選択項目を選択するための選択指 示を認識する音声認識部と、音声認識部によって選択指示が認識された場合、選択 指示された選択項目を選択する対話制御 ·結果選択部とを備えた構成を有し、カー オーディオ、カーエアコンなどの車載用電子機器や、電子黒板、プロジェクタなどの 電子事務機器、体の不自由な方用の家庭用電子機器などとして幅広く有用である。

Claims

請求の範囲

[1] 選択項目をガイドするガイド音声を出力する出力部と、前記出力部よつて出力された 前記ガイド音声の出力中又はその出力終了後に一定時間内に発声された、前記選 択項目を選択するための選択指示を認識する音声認識部と、前記音声認識部によ つて前記選択指示が認識された場合、前記選択指示された選択項目を選択する対 話制御，結果選択部とを備えた音声による選択装置。

[2] 前記出力部よつて出力された前記ガイド音声の出力中又はその出力終了後に一定 時間内に選択指示が発声されなかった場合、前記対話制御 ·結果選択部が前記出 力部に前記選択項目の次の選択項目をガイドするガイド音声を出力するよう制御す ることを特徴とする請求項 1記載の音声による選択装置。

[3] 前記音声認識部が、前記音声認識部に入力される音声力 前記出力部よつて出力 された前記ガイド音声を減じる音声除去部を備えた請求項 1に記載の音声による選 択装置。

[4] 前記ガイド音声に対応する楽曲の一部または全部を再生する楽曲再生部をさらに備 え、前記音声認識部が、前記楽曲再生部によって前記楽曲を再生している間又は再 生終了後に一定時間内に入力された選択指示を音声認識することを特徴とする請 求項 1に記載の音声による選択装置。

[5] 前記ガイド音声に対応する画像を生成する画像生成部をさらに備え、前記音声認識 部力 前記画像生成部によって前記画像を生成している間又は生成後に一定時間 内に入力された選択指示を音声認識することを特徴とする請求項 1に記載の音声に よる選択装置。

[6] 前記出力部よつて出力された前記ガイド音声の出力中又はその出力終了後に一定 時間を設定する入力待ち時間設定部をさらに備え、前記音声認識部は、前記入力 待ち時間設定部によって設定された前記一定時間内に発声された、前記選択項目 を選択するための選択指示を認識することを特徴とする請求項 1に記載の音声による 選択装置。

[7] 選択項目をガイドするガイド音声を出力する出力手順と、前記出力手順において出 力された前記ガイド音声の出力中又はその出力終了後に一定時間内に発声された 、前記選択項目を選択するための選択指示を認識する音声認識手順と、前記音声 認識手順によって前記選択指示が認識された場合、前記選択指示された選択項目 を選択する対話制御 ·結果選択手順とを備えた音声による選択方法。