[go: up one dir, main page]

JP2003131683A - 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体 - Google Patents

音声認識装置および音声認識方法、並びにプログラムおよび記録媒体

Info

Publication number
JP2003131683A
JP2003131683A JP2001323012A JP2001323012A JP2003131683A JP 2003131683 A JP2003131683 A JP 2003131683A JP 2001323012 A JP2001323012 A JP 2001323012A JP 2001323012 A JP2001323012 A JP 2001323012A JP 2003131683 A JP2003131683 A JP 2003131683A
Authority
JP
Japan
Prior art keywords
voice
distance
voice recognition
unit
recognizing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2001323012A
Other languages
English (en)
Inventor
Koji Asano
康治 浅野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Original Assignee
Sony Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Corp filed Critical Sony Corp
Priority to JP2001323012A priority Critical patent/JP2003131683A/ja
Priority to DE60234530T priority patent/DE60234530D1/de
Priority to PCT/JP2002/010868 priority patent/WO2003036617A1/ja
Priority to US10/451,285 priority patent/US7031917B2/en
Priority to CNA028040511A priority patent/CN1488134A/zh
Priority to EP02802031A priority patent/EP1441328B1/en
Publication of JP2003131683A publication Critical patent/JP2003131683A/ja
Priority to US11/362,331 priority patent/US7321853B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics
    • G10L2015/228—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of application context

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Toys (AREA)
  • Traffic Control Systems (AREA)
  • Manipulator (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Measurement Of Optical Distance (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

(57)【要約】 【課題】 音声認識精度を向上させる。 【解決手段】 距離計算部４７は、発話を行っているユ
ーザからマイク２１までの距離を求め、音声認識部４１
Ｂに供給する。音声認識部４１Ｂは、複数の異なる距離
だけ離れた位置から発せられた音声を収録した音声デー
タそれぞれから生成された音響モデルのセットを記憶し
ている。そして、音声認識部４１Ｂは、その複数の音響
モデルのセットの中から、距離計算部４７から供給され
る距離に最も近い距離の音響モデルのセットを選択し、
その音響モデルのセットを用いて、音声認識を行う。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、音声認識装置およ
び音声認識方法、並びにプログラムおよび記録媒体に関
し、例えば、発話者から音声認識装置までの距離に対応
した音響モデルのセットを用いて音声認識処理を行うよ
うにすることで、音声認識精度を向上させることができ
るようにする音声認識装置および音声認識方法、並びに
プログラムおよび記録媒体に関する。
【０００２】
【従来の技術】近年におけるCPU(Central Processing U
nit)の高速化や、メモリ等の大容量化等に伴い、大量の
音声データやテキストデータを用いた統計的なモデル化
手法を採用した数万語の語彙を対象とする大語彙音声認
識システムが実現されている。
【０００３】かかる大規模音声認識システムを含む音声
認識システムでは、認識対象の音声が入力されるマイク
（マイクロフォン）に近い位置で発話された音声につい
ては、高い精度の音声認識が実現されている。
【０００４】しかしながら、マイクから離れた位置で発
話された音声については、そのマイクからの距離が大き
くなるほど、雑音の混入等によって、音声認識精度が劣
化する。
【０００５】そこで、例えば、三木、西浦、中村、鹿
野、「マイクロホンアレーとＨＭＭ分解・合成法による
雑音・残響下音声認識」、電子情報通信学会論文誌D-I
I, Vol.J83-DII No.11 pp.2206-2214, Nov.2000（以
下、適宜、文献１という）では、第１の方法として、マ
イクロホンアレーを用いることで、マイクから離れた位
置で発話された音声のＳＮ(Signal Noise)比を向上させ
る音声認識方法が提案されている。
【０００６】また、例えば、清水、梶田、武田、板倉、
「空間音響特性を考慮したスペースダイバーシチ型ロバ
スト音声認識」、電子情報通信学会論文誌D-II, Vol.J8
3-DII No.11 pp.2448-2456, Nov.2000（以下、適宜、文
献２という）では、第２の方法として、複数のマイクを
室内に分散させて配置し、音源から各マイクまでの距離
に対応するインパルス応答それぞれを学習用の音声デー
タに畳み込んで得られる音声データを用いて学習を行う
ことにより、各距離のインパルス応答を考慮したHMM(Hi
dden Markov Model)を用意し、複数のマイクに入力され
た音声それぞれについて、各距離のインパルス応答を考
慮したHMMの尤度を計算する音声認識方法が提案されて
いる。
【０００７】
【発明が解決しようとする課題】しかしながら、上述し
た第１や第２の方法では、マイクの設置に関して制約が
あり、その適用が困難な場合がある。
【０００８】即ち、例えば、近年においては、玩具等と
して、ユーザが発した音声を音声認識し、その音声認識
結果に基づいて、ある仕草をしたり、合成音を出力する
等の行動を自律的に行うロボット（本明細書において
は、ぬいぐるみ状のものを含む）が製品化されている
が、かかるロボットに、第１の方法による音声認識装置
を実装した場合、マイクロホンアレーを構成する複数の
マイクの設置間隔等の物理的制約が、ロボットの小型化
やデザインの自由度の障害になる。
【０００９】また、ロボットに、第２の方法による音声
認識装置を実装した場合、ロボットを使用する部屋ごと
に、複数のマイクを設置する必要があり、現実的ではな
い。さらに、第２の方法による場合には、複数のマイク
それぞれから入力された音声について、各距離のインパ
ルス応答を考慮したHMMの尤度を計算しなければなら
ず、音声認識処理に対して、大きな計算量が要求される
ことになる。
【００１０】本発明は、このような状況に鑑みてなされ
たものであり、音声認識処理に要求される計算量をほと
んど増大させることなく、マイクから離れた位置で発話
されたユーザの音声の認識精度を向上させることができ
るようにするものである。
【００１１】
【課題を解決するための手段】本発明の第１の音声認識
装置は、音声の音源までの距離を求める距離算出手段
と、距離算出手段において求められた距離に対応する音
響モデルのセットを取得する取得手段と、取得手段にお
いて取得された音響モデルのセットを用いて、音声を認
識する音声認識手段とを備えることを特徴とする。
【００１２】本発明の第１の音声認識方法は、音声の音
源までの距離を求める距離算出ステップと、距離算出ス
テップにおいて求められた距離に対応する音響モデルの
セットを取得する取得ステップと、取得ステップにおい
て取得された音響モデルのセットを用いて、音声を認識
する音声認識ステップとを備えることを特徴とする。
【００１３】本発明の第１のプログラムは、音声の音源
までの距離を求める距離算出ステップと、距離算出ステ
ップにおいて求められた距離に対応する音響モデルのセ
ットを取得する取得ステップと、取得ステップにおいて
取得された音響モデルのセットを用いて、音声を認識す
る音声認識ステップとを備えることを特徴とする。
【００１４】本発明の第１の記録媒体は、音声の音源ま
での距離を求める距離算出ステップと、距離算出ステッ
プにおいて求められた距離に対応する音響モデルのセッ
トを取得する取得ステップと、取得ステップにおいて取
得された音響モデルのセットを用いて、音声を認識する
音声認識ステップとを備えるプログラムが記録されてい
ることを特徴とする。
【００１５】本発明の第２の音声認識装置は、音声の音
源までの距離を求める距離算出手段と、距離算出手段に
おいて求められた距離に対応する周波数特性の逆フィル
タを実現するタップ係数を取得する取得手段と、取得手
段において取得されたタップ係数を用いて、音声をフィ
ルタリングするフィルタ手段と、フィルタ手段において
フィルタリングされた音声を、所定の音響モデルのセッ
トを用いて認識する音声認識手段とを備えることを特徴
とする。
【００１６】本発明の第２の音声認識方法は、音声の音
源までの距離を求める距離算出ステップと、距離算出ス
テップにおいて求められた距離に対応する周波数特性の
逆フィルタを実現するタップ係数を取得する取得ステッ
プと、取得ステップにおいて取得されたタップ係数を用
いて、音声をフィルタリングするフィルタステップと、
フィルタステップにおいてフィルタリングされた音声
を、所定の音響モデルのセットを用いて認識する音声認
識ステップとを備えることを特徴とする。
【００１７】本発明の第２のプログラムは、音声の音源
までの距離を求める距離算出ステップと、距離算出ステ
ップにおいて求められた距離に対応する周波数特性の逆
フィルタを実現するタップ係数を取得する取得ステップ
と、取得ステップにおいて取得されたタップ係数を用い
て、音声をフィルタリングするフィルタステップと、フ
ィルタステップにおいてフィルタリングされた音声を、
所定の音響モデルのセットを用いて認識する音声認識ス
テップとを備えることを特徴とする。
【００１８】本発明の第２の記録媒体は、音声の音源ま
での距離を求める距離算出ステップと、距離算出ステッ
プにおいて求められた距離に対応する周波数特性の逆フ
ィルタを実現するタップ係数を取得する取得ステップ
と、取得ステップにおいて取得されたタップ係数を用い
て、音声をフィルタリングするフィルタステップと、フ
ィルタステップにおいてフィルタリングされた音声を、
所定の音響モデルのセットを用いて認識する音声認識ス
テップとを備えるプログラムが記録されていることを特
徴とする。
【００１９】本発明の第１の音声認識装置および音声認
識方法、並びにプログラムにおいては、音声の音源まで
の距離が求められ、その距離に対応する音響モデルのセ
ットが取得される。そして、その取得された音響モデル
のセットを用いて、音声が認識される。
【００２０】本発明の第２の音声認識装置および音声認
識方法、並びにプログラムにおいては、音声の音源まで
の距離が求められ、その距離に対応する周波数特性の逆
フィルタを実現するタップ係数が取得される。そして、
その取得されたタップ係数を用いて、音声がフィルタリ
ングされ、そのフィルタリングされた音声が、所定の音
響モデルのセットを用いて認識される。
【００２１】
【発明の実施の形態】図１は、本発明を適用したペット
型ロボットの外観構成の例を示す斜視図であり、図２
は、その内部構成の例を示すブロック図である。
【００２２】図１の実施の形態において、ペット型ロボ
ットは、四つ足の動物型のロボットとされており、大き
くは、胴体部ユニット１、脚部ユニット２A，２B，２
C，２D、頭部ユニット３、および尻尾部ユニット４から
構成されている。
【００２３】胴体に相当する胴体部ユニット１の前後左
右には、それぞれ、脚に相当する脚部ユニット２A，２
B，２C，２Dが連結され、胴体部ユニット１の前端部と
後端部には、それぞれ、頭部に相当する頭部ユニット３
と尻尾に相当する尻尾部ユニット４が連結されている。
【００２４】胴体部ユニット１の上面には背中センサ１
Ａが設けられている。また、頭部ユニット３には、その
上部に頭センサ３Ａが、下部に顎センサ３Ｂがそれぞれ
設けられている。なお、背中センサ１Ａ、頭センサ３
Ａ、顎センサ３Ｂは、いずれも圧力センサで構成され、
その部位に与えられる圧力を検知する。
【００２５】尻尾部ユニット４は、胴体部ユニット１に
対して、水平方向、および上下方向に揺動自在に取り付
けられている。
【００２６】図２に示すように、胴体部ユニット１に
は、コントローラ１１、Ａ／Ｄ変換部１２、Ｄ／Ａ変換
部１３、通信部１４、半導体メモリ１５、背中センサ１
Ａ等が格納されている。
【００２７】コントローラ１１は、コントローラ１１全
体の動作を制御するCPU１１Aと、CPU１１Aが各部を制御
するのに実行するＯＳ(Operating System)、アプリケー
ションプログラム、その他の必要なデータ等が記憶され
ているメモリ１１B等を内蔵している。
【００２８】Ａ／Ｄ(Analog/Digital)変換部１２は、マ
イク２１、ＣＣＤカメラ２２Ｌおよび２２Ｒ、背中セン
サ１Ａ、頭センサ３Ａ、顎センサ３Ｂが出力するアナロ
グ信号をＡ／Ｄ変換することによりディジタル信号と
し、コントローラ１１に供給する。Ｄ／Ａ(Digital/Ana
log)変換部１３は、コントローラ１１から供給されるデ
ィジタル信号をＤ／Ａ変換することによりアナログ信号
とし、スピーカ２３に供給する。
【００２９】通信部１４は、外部と無線または有線で通
信するときの通信制御を行う。これにより、ＯＳやアプ
リケーションプログラムがバージョンアップされたとき
に、通信部１４を介して、そのバージョンアップされた
ＯＳやアプリケーションプログラムをダウンロードし
て、メモリ１１Ｂに記憶させたり、また、所定のコマン
ドを、通信部１４で受信し、ＣＰＵ１１Ａに与えること
ができるようになっている。
【００３０】半導体メモリ１５は、例えば、ＥＥＰＲＯ
Ｍ(Electrically Erasable Programmable Read-only Me
mory)等で構成され、胴体部ユニット１に設けられた図
示せぬスロットに対して、着脱可能になっている。半導
体メモリ１５には、例えば、後述するような感情モデル
等が記憶される。
【００３１】背中センサ１Ａは、胴体部ユニット１にお
いて、ペット型ロボットの背中に対応する部位に設けら
れており、そこに与えられるユーザからの圧力を検出
し、その圧力に対応する圧力検出信号を、Ａ／Ｄ変換部
１２を介してコントローラ１１に出力する。
【００３２】なお、胴体部ユニット１には、その他、例
えば、ペット型ロボットの動力源となるバッテリ（図示
せず）や、そのバッテリ残量を検出する回路等も格納さ
れている。
【００３３】頭部ユニット３においては、図２に示すよ
うに、外部からの刺激を感知するセンサとしての、音を
感知する「耳」に相当するマイク２１、光を感知する
「左目」および「右目」に相当するCCD(Charge Coupled
Device)カメラ２２Ｌおよび２２Ｒ、並びにユーザが触
れること等により与えられる圧力を感知する触覚に相当
する頭センサ３Ａ、および顎センサ３Ｂが、例えば、そ
れぞれ対応する部位に設けられている。また、頭部ユニ
ット３には、ペット型ロボットの「口」に相当するスピ
ーカ２３が、例えば、対応する部位に設置されている。
【００３４】脚部ユニット２A乃至２Dのそれぞれの関節
部分、脚部ユニット２A乃至２Dのそれぞれと胴体部ユニ
ット１の連結部分、頭部ユニット３と胴体部ユニット１
の連結部分、並びに尻尾部ユニット４と胴体部ユニット
１の連結部分などには、アクチュエータが設置されてい
る。アクチュエータは、コントローラ１１からの指示に
基づいて各部を動作させる。即ち、アクチュエータによ
って、例えば、脚部ユニット２Ａ乃至２Ｄが動き、これ
により、ロボットが歩行する。
【００３５】頭部ユニット３に設置されているマイク２
１は、ユーザからの発話を含む周囲の音声（音）を集音
し、得られた音声信号を、Ａ／Ｄ変換部１２を介してコ
ントローラ１１に出力する。CCDカメラ２２Ｌおよび２
２Ｒは、周囲の状況を撮像し、得られた画像信号を、Ａ
／Ｄ変換部１２を介してコントローラ１１に出力する。
頭部ユニット３の上部に設けられた頭センサ３Ａや、頭
部ユニット３の下部に設けられた顎センサ３Ｂは、例え
ば、ユーザからの「撫でる」や「叩く」といった物理的
な働きかけにより受けた圧力を検出し、その検出結果を
圧力検出信号として、Ａ／Ｄ変換部１２を介してコント
ローラ１１に出力する。
【００３６】コントローラ１１は、マイク２１、CCDカ
メラ２２Ｌおよび２２Ｒ、背中センサ１Ａ、頭センサ３
Ａ、並びに顎センサ３Ｂから、Ａ／Ｄ変換部１２を介し
て与えられる音声信号、画像信号、圧力検出信号に基づ
いて、周囲の状況や、ユーザからの指令、ユーザからの
働きかけなどの有無を判断し、その判断結果に基づい
て、ペット型ロボットが次にとる行動を決定する。そし
て、コントローラ１１は、その決定に基づいて、必要な
アクチュエータを駆動させ、これにより、頭部ユニット
３を上下左右に振らせたり、尻尾部ユニット４を動かせ
たり、各脚部ユニット２A乃至２Dを駆動して、ペット型
ロボットを歩行させるなどの行動をとらせる。
【００３７】さらに、コントローラ１１は、必要に応じ
て、合成音を生成し、それを、Ｄ／Ａ変換部１３を介し
て、スピーカ２３に供給して出力させたり、ペット型ロ
ボットの「目」の位置に設けられた、図示しないLED(Li
ght Emitting Diode)を点灯、消灯または点滅させる。
【００３８】以上のようにして、ペット型ロボットは、
周囲の状況や、接してくるユーザに基づいて、自律的に
行動をとるようになっている。
【００３９】次に、図３は、図２のコントローラ１１の
機能的構成例を示している。なお、図３に示す機能的構
成は、CPU１１Aが、メモリ１１Bに記憶されたＯＳおよ
びアプリケーションプログラムを実行することで実現さ
れる。また、図３では、Ａ／Ｄ変換部１２およびＤ／Ａ
変換部１３の図示を省略してある。
【００４０】コントローラ１１のセンサ入力処理部４１
は、背中センサ１Ａや、頭センサ３Ａ、顎センサ３Ｂ、
マイク２１、CCDカメラ２２Ｌおよび２２Ｒ等からそれ
ぞれ与えられる圧力検出信号、音声信号、画像信号等に
基づいて、特定の外部状態や、ユーザからの特定の働き
かけ、ユーザからの指示等を認識し、その認識結果を表
す状態認識情報を、モデル記憶部４２および行動決定機
構部４３に通知する。
【００４１】即ち、センサ入力処理部４１は、圧力処理
部４１Ａ、音声認識部４１Ｂ、および画像処理部４１Ｃ
を有している。
【００４２】圧力処理部４１Ａは、背中センサ１Ａ、頭
センサ３Ａ、または顎センサ３Ｂから与えられる圧力検
出信号を処理する。そして、圧力処理部４１Ａは、例え
ば、その処理の結果、所定の閾値以上で、かつ短時間の
圧力を検出したときには、「叩かれた（しかられた）」
と認識し、所定の閾値未満で、かつ長時間の圧力を検出
したときには、「なでられた（ほめられた）」と認識し
て、その認識結果を、状態認識情報として、モデル記憶
部４２および行動決定機構部４３に通知する。
【００４３】音声認識部４１Ｂは、マイク２１から与え
られる音声信号を対象とした音声認識を行う。そして、
音声認識部４１Ｂは、その音声認識結果としての、例え
ば、「歩け」、「伏せ」、「ボールを追いかけろ」等の
指令その他を、状態認識情報として、モデル記憶部４２
および行動決定機構部４３に通知する。なお、音声認識
部４１Ｂには、後述する距離計算部４７より、ユーザ等
の音源からマイク２１までの距離が供給されるようにな
っており、音声認識部４１Ｂは、この距離に基づいて音
声認識を行うようになっている。
【００４４】画像処理部４１Ｃは、CCDカメラ２２Ｌお
よび２２Ｒから与えられる画像信号を用いて、画像認識
処理を行う。そして、画像処理部４１Ｃは、その処理の
結果、例えば、「赤い丸いもの」や、「地面に対して垂
直なかつ所定の高さ以上の平面」等を検出したときに
は、「ボールがある」や、「壁がある」等の画像認識結
果を、状態認識情報として、モデル記憶部４２および行
動決定機構部４３に通知する。
【００４５】モデル記憶部４２は、ロボットの感情、本
能、成長の状態を表現する感情モデル、本能モデル、成
長モデルをそれぞれ記憶し、管理している。
【００４６】ここで、感情モデルは、例えば、「うれし
さ」、「悲しさ」、「怒り」、「楽しさ」等の感情の状
態（度合い）を、所定の範囲（例えば、−１．０乃至
１．０等）の値によってそれぞれ表し、センサ入力処理
部４１からの状態認識情報や時間経過等に基づいて、そ
の値を変化させる。
【００４７】本能モデルは、例えば、「食欲」、「睡眠
欲」、「運動欲」等の本能による欲求の状態（度合い）
を、所定の範囲の値によってそれぞれ表し、センサ入力
処理部４１からの状態認識情報や時間経過等に基づい
て、その値を変化させる。
【００４８】成長モデルは、例えば、「幼年期」、「青
年期」、「熟年期」、「老年期」等の成長の状態（度合
い）を、所定の範囲の値によってそれぞれ表し、センサ
入力処理部４１からの状態認識情報や時間経過等に基づ
いて、その値を変化させる。
【００４９】モデル記憶部４２は、上述のようにして感
情モデル、本能モデル、成長モデルの値で表される感
情、本能、成長の状態を、状態情報として、行動決定機
構部４３に送出する。
【００５０】なお、モデル記憶部４２には、センサ入力
処理部４１から状態認識情報が供給される他に、行動決
定機構部４３から、ペット型ロボットの現在または過去
の行動、具体的には、例えば、「長時間歩いた」などの
行動の内容を示す行動情報が供給されるようになってお
り、モデル記憶部４２は、同一の状態認識情報が与えら
れても、行動情報が示すペット型ロボットの行動に応じ
て、異なる状態情報を生成するようになっている。
【００５１】例えば、ペット型ロボットが、ユーザに挨
拶をし、ユーザに頭を撫でられた場合には、ユーザに挨
拶をしたという行動情報と、頭を撫でられたという状態
認識情報とが、モデル記憶部４２に与えられ、この場
合、モデル記憶部４２では、「うれしさ」を表す感情モ
デルの値が増加される。
【００５２】行動決定機構部４３は、センサ入力処理部
４１からの状態認識情報や、モデル記憶部４２からの状
態情報、時間経過等に基づいて、次の行動を決定し、決
定された行動の内容を、行動指令情報として、姿勢遷移
機構部４４に出力する。
【００５３】即ち、行動決定機構部４３は、ペット型ロ
ボットがとり得る行動をステート（状態）(state)に対
応させた有限オートマトンを、ペット型ロボットの行動
を規定する行動モデルとして管理している。そして、行
動決定機構部４３は、この行動モデルとしての有限オー
トマトンにおけるステートを、センサ入力処理部４１か
らの状態認識情報や、モデル記憶部４２における感情モ
デル、本能モデル、または成長モデルの値、時間経過等
に基づいて遷移させ、遷移後のステートに対応する行動
を、次にとるべき行動として決定する。
【００５４】ここで、行動決定機構部４３は、所定のト
リガ(trigger)があったことを検出すると、ステートを
遷移させる。即ち、行動決定機構部４３は、例えば、現
在のステートに対応する行動を実行している時間が所定
時間に達したときや、特定の状態認識情報を受信したと
き、モデル記憶部４２から供給される状態情報が示す感
情や、本能、成長の状態の値が所定の閾値以下または以
上になったとき等に、ステートを遷移させる。
【００５５】なお、行動決定機構部４３は、上述したよ
うに、センサ入力処理部４１からの状態認識情報だけで
なく、モデル記憶部４２における感情モデルや、本能モ
デル、成長モデルの値等にも基づいて、行動モデルにお
けるステートを遷移させることから、同一の状態認識情
報が入力されても、感情モデルや、本能モデル、成長モ
デルの値（状態情報）によっては、ステートの遷移先は
異なるものとなる。
【００５６】その結果、行動決定機構部４３は、例え
ば、状態情報が、「怒っていない」こと、および「お腹
がすいていない」ことを表している場合において、状態
認識情報が、「目の前に手のひらが差し出された」こと
を表しているときには、目の前に手のひらが差し出され
たことに応じて、「お手」という行動をとらせる行動指
令情報を生成し、これを、姿勢遷移機構部４４に送出す
る。
【００５７】また、行動決定機構部４３は、例えば、状
態情報が、「怒っていない」こと、および「お腹がすい
ている」ことを表している場合において、状態認識情報
が、「目の前に手のひらが差し出された」ことを表して
いるときには、目の前に手のひらが差し出されたことに
応じて、「手のひらをぺろぺろなめる」ような行動を行
わせるための行動指令情報を生成し、これを、姿勢遷移
機構部４４に送出する。
【００５８】なお、行動決定機構部４３には、モデル記
憶部４２から供給される状態情報が示す感情や、本能、
成長の状態に基づいて、遷移先のステートに対応する行
動のパラメータとしての、例えば、歩行の速度や、手足
を動かす際の動きの大きさおよび速度などを決定させる
ことができ、この場合、それらのパラメータを含む行動
指令情報が、姿勢遷移機構部４４に送出される。
【００５９】また、行動決定機構部４３では、上述した
ように、ペット型ロボットの頭部や手足等を動作させる
行動指令情報の他、ペット型ロボットに発話を行わせる
行動指令情報も、必要に応じて生成される。そして、ペ
ット型ロボットに発話させる行動指令情報は、音声合成
部４６に供給されるようになっている。音声合成部４６
は、行動指令情報を受信すると、その行動指令情報にし
たがって音声合成を行い、得られた合成音を、スピーカ
２３から出力させる。
【００６０】姿勢遷移機構部４４は、行動決定機構部４
３から供給される行動指令情報に基づいて、ペット型ロ
ボットの姿勢を、現在の姿勢から次の姿勢に遷移させる
ための姿勢遷移情報を生成し、これを制御機構部４５に
送出する。
【００６１】ここで、現在の姿勢から次に遷移可能な姿
勢は、例えば、胴体や手や足の形状、重さ、各部の結合
状態のようなペット型ロボットの物理的形状と、関節が
曲がる方向や角度のようなアクチュエータの機構とによ
って決定される。
【００６２】また、次の姿勢としては、現在の姿勢から
直接遷移可能な姿勢と、直接には遷移できない姿勢とが
ある。例えば、４本足のペット型ロボットは、手足を大
きく投げ出して寝転んでいる状態から、伏せた状態へ直
接遷移することはできるが、立った状態へ直接遷移する
ことはできず、一旦、手足を胴体近くに引き寄せて伏せ
た姿勢になり、それから立ち上がるという２段階の動作
が必要である。また、安全に実行できない姿勢も存在す
る。例えば、４本足のペット型ロボットは、その４本足
で立っている姿勢から、両前足を挙げてバンザイをしよ
うとすると、簡単に転倒してしまう。
【００６３】このため、姿勢遷移機構部４４は、直接遷
移可能な姿勢をあらかじめ登録しておき、行動決定機構
部４３から供給される行動指令情報が、直接遷移可能な
姿勢を示す場合には、その行動指令情報を制御機構部４
５に送出する。
【００６４】一方、行動指令情報が、直接遷移不可能な
姿勢を示す場合には、姿勢遷移機構部４４は、遷移可能
な他の姿勢に一旦遷移した後に、目的の姿勢まで遷移さ
せるような姿勢遷移情報を生成し、制御機構部４５に送
出する。これによりロボットが、遷移不可能な姿勢を無
理に実行しようとする事態や、転倒するような事態を回
避することができるようになっている。
【００６５】制御機構部４５は、姿勢遷移機構部４４か
らの姿勢遷移情報にしたがって、アクチュエータを駆動
するための制御信号を生成し、これを、各部のアクチュ
エータに送出する。
【００６６】音声合成部４６は、行動決定機構部４３か
ら行動指令情報を受信し、その行動指令情報にしたがっ
て、例えば、規則音声合成を行い、得られた合成音を、
スピーカ２３に供給して出力させる。
【００６７】距離計算部４７には、CCDカメラ２２Ｌお
よび２２Ｒが出力する画像信号が供給されるようになっ
ている。距離計算部４７は、CCDカメラ２２Ｌおよび２
２Ｒからの画像信号を用いてステレオ処理（ステレオマ
ッチング法による処理）を行うことにより、CCDカメラ
２２Ｌおよび２２Ｒによって撮像された画像に表示され
たユーザ等の音源から、マイク２１までの距離を求め、
音声認識部４１Ｂに供給する。
【００６８】ここで、距離計算部４７で行われるステレ
オ処理は、２つ以上の方向（異なる視線方向）からカメ
ラで同一対象物を撮影して得られる複数の画像間の画素
同士を対応付けることで、対応する画素間の視差情報
や、カメラから対象物までの距離を求めるものである。
【００６９】即ち、いま、CCDカメラ２２Ｌと２２Ｒ
を、それぞれ基準カメラ２２Ｌと検出カメラ２２Ｒとい
うとともに、それぞれが出力する画像を、基準カメラ画
像と検出カメラ画像というものとして、例えば、図４に
示すように、基準カメラ２２Ｌおよび検出カメラ２２Ｒ
で、撮像対象物としてのユーザを撮影すると、基準カメ
ラ２２Ｌからはユーザの投影像を含む基準カメラ画像が
得られ、検出カメラ２２Ｒからもユーザの投影像を含む
検出カメラ画像が得られる。そして、いま、例えば、ユ
ーザの口部上のある点Ｐが、基準カメラ画像および検出
カメラ画像の両方に表示されているとすると、その点Ｐ
が表示されている基準カメラ画像上の位置と、検出カメ
ラ画像上の位置、つまり対応点（対応画素）とから、視
差情報を求めることができ、さらに、三角測量の原理を
用いて、点Ｐの３次元空間における位置（３次元位置）
を求めることができる。
【００７０】従って、ステレオ処理では、まず、対応点
を検出することが必要となるが、その検出方法として
は、例えば、エピポーラライン（Epipolar Line）を用
いたエリアベースマッチング法などがある。
【００７１】即ち、図５に示すように、基準カメラ２２
Ｌにおいては、ユーザ上の点Ｐは、その点Ｐと基準カメ
ラ２２Ｌの光学中心（レンズ中心）Ｏ1とを結ぶ直線Ｌ
上の、基準カメラ１の撮像面Ｓ1との交点ｎaに投影され
る。
【００７２】また、検出カメラ２２Ｒにおいては、ユー
ザ上の点Ｐは、その点Ｐと検出カメラ２２Ｒの光学中心
（レンズ中心）Ｏ2とを結ぶ直線上の、検出カメラ２２
Ｒの撮像面Ｓ2との交点ｎbに投影される。
【００７３】この場合、直線Ｌは、光学中心Ｏ1および
Ｏ2、並びに点ｎa（または点Ｐ）の３点を通る平面と、
検出カメラ画像が形成される撮像面Ｓ2との交線Ｌ2とし
て、撮像面Ｓ2上に投影される。点Ｐは、直線Ｌ上の点
であり、従って、撮像面Ｓ2において、点Ｐを投影した
点ｎbは、直線Ｌを投影した直線Ｌ2上に存在し、この直
線Ｌ2はエピポーララインと呼ばれる。即ち、点ｎaの対
応点ｎbが存在する可能性のあるのは、エピポーラライ
ンＬ2上であり、従って、対応点ｎbの探索は、エピポー
ララインＬ2上を対象に行えば良い。
【００７４】ここで、エピポーララインは、例えば、撮
像面Ｓ1に形成される基準カメラ画像を構成する画素ご
とに考えることができるが、基準カメラ２２Ｌと検出カ
メラ２２Ｒの位置関係が既知であれば、その画素ごとに
存在するエピポーララインは、例えば計算によって求め
ることができる。
【００７５】エピポーララインＬ2上の点からの対応点
ｎbの検出は、例えば、次のようなエリアベースマッチ
ングによって行うことができる。
【００７６】即ち、エリアベースマッチングでは、図６
（Ａ）に示すように、基準カメラ画像上の点ｎaを中心
（例えば、対角線の交点）とする、例えば長方形状の小
ブロック（以下、適宜、基準ブロックという）が、基準
カメラ画像から抜き出されるとともに、図６（Ｂ）に示
すように、検出カメラ画像に投影されたエピポーラライ
ンＬ2上の、ある点を中心とする、基準ブロックと同一
の大きさの小ブロック（以下、適宜、検出ブロックとい
う）が、検出カメラ画像から抜き出される。
【００７７】ここで、図６（Ｂ）の実施の形態において
は、エピポーララインＬ2上に、検出ブロックの中心と
する点として、点ｎb1乃至ｎb6の６点が設けられてい
る。この６点ｎb1乃至ｎb6は、図５に示した３次元空間
における直線Ｌを、所定の一定距離ごとに区分する点、
即ち、基準カメラ２２Ｌからの距離が、例えば、１ｍ，
２ｍ，３ｍ，４ｍ，５ｍ，６ｍの点それぞれを、検出カ
メラ２２Ｒの撮像面Ｓ2に投影した点で、従って、基準
カメラ２２Ｌからの距離が１ｍ，２ｍ，３ｍ，４ｍ，５
ｍ，６ｍの点にそれぞれ対応している。
【００７８】エリアベースマッチングでは、検出カメラ
画像から、エピポーララインＬ2上に設けられている点
ｎb1乃至ｎb6それぞれを中心とする検出ブロックが抜き
出され、各検出ブロックと、基準ブロックとの相関が、
所定の評価関数を用いて演算される。そして、点ｎaを
中心とする基準ブロックとの相関が最も高い検出ブロッ
クの中心の点ｎbが、点ｎaの対応点として求められる。
【００７９】即ち、例えば、いま、評価関数として、相
関が高いほど小さな値をとる関数を用いた場合に、エピ
ポーララインＬ2上の点ｎb1乃至ｎb6それぞれについ
て、例えば、図７に示すような評価値（評価関数の値）
が得られたとする。この場合、評価値が最も小さい（相
関が最も高い）点ｎb3が、点ｎaの対応点として検出さ
れる。なお、図７において、点ｎb1乃至ｎb6それぞれに
ついて求められた評価値（図７において●印で示す）の
うちの最小値付近のものを用いて補間を行い、評価値が
より小さくなる点（図７において×印で示す）を求め
て、その点を、最終的な対応点として検出することも可
能である。
【００８０】図６の実施の形態では、上述したように、
３次元空間における直線Ｌを所定の等距離ごとに区分す
る点を、検出カメラ２２Ｒの撮像面Ｓ2に投影した点が
設定されているが、この設定は、例えば、基準カメラ２
２Ｌおよび検出カメラ２２Ｒのキャリブレーション時に
行うことができる。そして、このような設定を、基準カ
メラ２２Ｌの撮像面Ｓ1を構成する画素ごとに存在する
エピポーララインごとに行い、図８（Ａ）に示すよう
に、エピポーラライン上に設定された点（以下、適宜、
設定点という）と、基準カメラ２２Ｌからの距離とを対
応付ける設定点／距離テーブルをあらかじめ作成してお
けば、対応点となる設定点を検出し、設定点／距離テー
ブルを参照することで、即座に、基準カメラ２２Ｌから
の距離（ユーザまでの距離）を求めることができる。即
ち、いわば、対応点から、直接、距離を求めることがで
きる。
【００８１】一方、基準カメラ画像上の点ｎaについ
て、検出カメラ画像上の対応点ｎbを検出すれば、その
２点ｎaおよびｎbの間の視差（視差情報）を求めること
ができる。さらに、基準カメラ２２Ｌと検出カメラ２２
Ｒの位置関係が既知であれば、２点ｎaおよびｎbの間の
視差から、三角測量の原理によって、ユーザまでの距離
を求めることができる。視差から距離の算出は、所定の
演算を行うことによって行うことができるが、あらかじ
めその演算を行っておき、図８（Ｂ）に示すように、視
差ζと距離との対応付ける視差／距離テーブルをあらか
じめ作成しておけば、対応点を検出し、視差を求め、視
差／距離テーブルを参照することで、やはり、即座に、
基準カメラ２２Ｌからの距離を求めることができる。
【００８２】ここで、視差と、ユーザまでの距離とは一
対一に対応するものであり、従って、視差を求めること
とと、ユーザまでの距離を求めることとは、いわば等価
である。
【００８３】また、対応点の検出に、基準ブロックおよ
び検出ブロックといった複数画素でなるブロックを用い
るのは、ノイズの影響を軽減し、基準カメラ画像上の画
素（点）ｎaの周囲の画素のパターンの特徴と、検出カ
メラ画像上の対応点（画素）ｎbの周囲の画素のパター
ンの特徴との相関性を明確化して判断することにより、
対応点の検出の確実を期すためであり、特に、変化の少
ない基準カメラ画像および検出カメラ画像に対しては、
画像の相関性により、ブロックの大きさが大きければ大
きいほど対応点の検出の確実性が増す。
【００８４】なお、エリアベースマッチングにおいて、
基準ブロックと検出ブロックとの相関性を評価する評価
関数としては、基準ブロックを構成する画素と、それぞ
れの画素に対応する、検出ブロックを構成する画素の画
素値の差分の絶対値の総和や、その差分の自乗和、正規
化された相互相関(normalized cross correlation)など
を用いることができる。
【００８５】以上、ステレオ処理について簡単に説明し
たが、ステレオ処理（ステレオマッチング法）について
は、その他、例えば、安居院、長尾、「Ｃ言語による画
像処理入門」、昭晃堂 pp.127ページなどにも記載され
ている。
【００８６】次に、図９は、図３の音声認識部４１Ｂの
構成例を示している。
【００８７】図２のマイク２１およびＡ／Ｄ変換部１２
を介して、音声認識部４１Ｂに入力される音声データ
は、特徴抽出部１０１と音声区間検出部１０７に供給さ
れる。
【００８８】特徴抽出部１０１は、Ａ／Ｄ変換部１２か
らの音声データについて、適当なフレームごとに音響分
析処理を施し、これにより、例えば、ＭＦＣＣ(Mel Fre
quency Cepstrum Coefficient)等の特徴量としての特徴
ベクトルを抽出する。なお、特徴抽出部１０１では、そ
の他、例えば、スペクトルや、線形予測係数、ケプスト
ラム係数、線スペクトル対等の特徴ベクトル（特徴パラ
メータ）を抽出することが可能である。
【００８９】特徴抽出部１０１においてフレームごとに
得られる特徴ベクトルは、特徴ベクトルバッファ１０２
に順次供給されて記憶される。従って、特徴ベクトルバ
ッファ１０２では、フレームごとの特徴ベクトルが時系
列に記憶されていく。
【００９０】なお、特徴ベクトルバッファ１０２は、例
えば、ある発話の開始から終了まで（音声区間）に得ら
れる時系列の特徴ベクトルを記憶する。
【００９１】マッチング部１０３は、特徴ベクトルバッ
ファ１０２に記憶された特徴ベクトルを用いて、音響モ
デルデータベース１０４n（ｎ＝１，２，・・・，Ｎ
（Ｎは、２以上の整数）、辞書データベース１０５、お
よび文法データベース１０６を必要に応じて参照しなが
ら、マイク２１に入力された音声（入力音声）を、例え
ば、連続分布ＨＭＭ法等に基づいて音声認識する。
【００９２】即ち、音響モデルデータベース１０４
nは、音声認識する音声の言語における個々の音素や音
節などの所定の単位(PLU(Phonetic-Linguistic-Units))
ごとの音響的な特徴を表す音響モデルのセットを記憶し
ている。ここでは、連続分布ＨＭＭ法に基づいて音声認
識を行うので、音響モデルとしては、例えば、ガウス分
布等の確率密度関数を用いたＨＭＭ(Hidden Markov Mod
el)が用いられる。辞書データベース１０５は、認識対
象の各単語（語彙）について、その発音に関する情報
（音韻情報）が記述された単語辞書を記憶している。文
法データベース１０６は、辞書データベース１０５の単
語辞書に登録されている各単語が、どのように連鎖する
（つながる）かを記述した文法規則（言語モデル）を記
憶している。ここで、文法規則としては、例えば、文脈
自由文法（ＣＦＧ）や、正規文法（ＲＧ）、統計的な単
語連鎖確率（Ｎ−ｇｒａｍ）などに基づく規則を用いる
ことができる。
【００９３】マッチング部１０３は、辞書データベース
１０５の単語辞書を参照することにより、音響モデルデ
ータベース１０４nに記憶されている音響モデルを接続
することで、単語の音響モデル（単語モデル）を構成す
る。さらに、マッチング部１０３は、幾つかの単語モデ
ルを、文法データベース１０６に記憶された文法規則を
参照することにより接続し、そのようにして接続された
単語モデルを用いて、時系列の特徴ベクトルとのマッチ
ングを、連続分布ＨＭＭ法によって行い、マイク２１に
入力された音声を認識する。即ち、マッチング部１０３
は、上述したようにして構成された各単語モデルの系列
から、特徴ベクトルバッファ１０２に記憶された時系列
の特徴ベクトルが観測される尤度を表すスコアを計算す
る。そして、マッチング部１０３は、例えば、そのスコ
アが最も高い単語モデルの系列を検出し、その単語モデ
ルの系列に対応する単語列を、音声の認識結果として出
力する。
【００９４】なお、ここでは、ＨＭＭ法により音声認識
が行われるため、マッチング部１０３は、音響的には、
接続された単語モデルに対応する単語列について、各特
徴ベクトルの出現確率を累積し、その累積値をスコアと
する。
【００９５】即ち、マッチング部１０３におけるスコア
計算は、音響モデルデータベース１０４に記憶された音
響モデルによって与えられる音響的なスコア（以下、適
宜、音響スコアという）と、文法データベース１０６に
記憶された文法規則によって与えられる言語的なスコア
（以下、適宜、言語スコアという）とを総合評価するこ
とで行われる。
【００９６】具体的には、音響スコアは、例えば、ＨＭ
Ｍ法による場合には、単語モデルを構成する音響モデル
から、特徴抽出部１０１が出力する特徴ベクトルの系列
が観測される確率（出現する確率）に基づいて、単語ご
とに計算される。また、言語スコアは、例えば、バイグ
ラムによる場合には、注目している単語と、その単語の
直前の単語とが連鎖（連接）する確率に基づいて求めら
れる。そして、各単語についての音響スコアと言語スコ
アとを総合評価して得られる最終的なスコア（以下、適
宜、最終スコアという）に基づいて、音声認識結果が確
定される。
【００９７】ここで、音声認識部４１Ｂは、文法データ
ベース１０６を設けずに構成することも可能である。但
し、文法データベース１０６に記憶された規則によれ
ば、接続する単語モデルが制限され、その結果、マッチ
ング部１０３における音響スコアの計算の対象とする単
語数が限定されるので、マッチング部１０３の計算量を
低減し、処理速度を向上させることができる。
【００９８】また、図９の実施の形態では、Ｎ個の音響
モデルデータベース１０４1，１０４2，・・・，１０４
Nが設けられているが、これらのＮ個の音響モデルデー
タベース１０４1乃至１０４Nには、マイクから複数の異
なる距離だけ離れた音源それぞれから発せられた音声を
用いて生成された、その複数の異なる距離ごとの音響モ
デルのセットがそれぞれ記憶されている。
【００９９】即ち、例えば、いま、マイクから、音源で
ある学習用の音声の発話者までの距離を、Ｄ1，Ｄ2，・
・・，ＤN（但し、Ｄ1＜Ｄ2＜・・・＜ＤNとする）とし
て、マイクから、各距離Ｄ1，Ｄ2，・・・，ＤNだけ離
れた位置から発話を行った発話者の音声を、そのマイク
で収録し、その収録した各距離に対する音声データを用
いて学習を行うことにより得られた、各距離Ｄ1，Ｄ2，
・・・，ＤNごとの音響モデル（ここではＨＭＭ）のセ
ットが、音響モデルデータベース１０４1，１０４2，・
・・，１０４Nにそれぞれ記憶されている。
【０１００】従って、音響モデルデータベース１０４n
には、マイクから、距離Ｄnだけ離れた位置から発話を
行った発話者の音声データから生成された音響モデルの
セットが記憶されている。
【０１０１】なお、距離Ｄ1乃至ＤNのうちの最小値Ｄ1
としては、例えば、０（実際にはユーザの口とマイクが
近接した状態）を採用することができ、最大値ＤNとし
ては、ここでは、例えば、ユーザがロボットに話しかけ
るであろうと予測される距離の最大値の統計値（例え
ば、多数のユーザに、最大で、どの程度離れた位置から
ロボットに話しかけるかのアンケートを行い、各ユーザ
が解答する距離の平均値など）を採用することができ
る。さらに、他の距離Ｄ2，Ｄ3，・・・，ＤN-1として
は、例えば、距離ＤNを等分する距離を採用することが
できる。
【０１０２】また、音響モデルデータベース１０４nに
記憶させる距離Ｄnの音響モデルのセットは、マイクか
ら、距離Ｄnだけ離れた位置で、実際に行った発話の音
声データから生成することもできる他、マイクに近接し
て（マイクとの距離を０として）行われた発話を収録し
た音声データ（例えば、ヘッドセットマイクを使用して
収録された音声データ）に対して、マイクとそこから距
離Ｄnだけ離れた位置との間（空間）のインパルス応答
を畳み込むことにより得られる音声データから生成する
ことも可能である。なお、インパルス応答を用いて、所
定の距離だけ離れた位置で発話された音声をマイクで収
録した音声データを得ることについては、例えば、前述
の文献２に記載されている。
【０１０３】音声区間検出部１０７は、Ａ／Ｄ変換部１
２の出力に基づいて、音声区間を検出し、その検出結果
を表すメッセージを、選択制御部１０８に供給する。こ
こで、音声区間を検出する方法としては、例えば、所定
のフレームごとに、Ａ／Ｄ変換部１２の出力のパワーを
計算し、そのパワーが所定の閾値以上であるかどうかを
判定する方法がある。
【０１０４】選択制御部１０８は、音声区間検出部１０
７から音声区間である旨のメッセージを受信すると、距
離計算部４７（図３）に、マイク２１から、発話を行っ
ているユーザまでの距離の算出を要求し、その要求に対
応して、距離計算部４７から供給される距離を受信す
る。さらに、選択制御部１０８は、距離計算部４７から
受信した距離に基づいて、セレクタ１０９を制御する。
【０１０５】ここで、図３の実施の形態における距離計
算部４７では、上述したステレオ処理によって、CCDカ
メラ２２Ｌまたは２２Ｒから、発話を行っているユーザ
までの距離が計算されるが、CCDカメラ２２Ｌまたは２
２Ｒと、マイク２１とは近い位置に設置されており、従
って、CCDカメラ２２Ｌまたは２２Ｒから、発話を行っ
ているユーザまでの距離は、マイク２１から、発話を行
っているユーザまでの距離とみなせるものとする。但
し、CCDカメラ２２Ｌおよび２２Ｒと、マイク２１との
位置関係が分かっている場合には、マイク２１からユー
ザまでの距離は、CCDカメラ２２Ｌまたは２２Ｒからユ
ーザまでの距離に基づいて求めることが可能である。
【０１０６】セレクタ１０９は、選択制御部１０８から
の制御にしたがい、Ｎ個の音響モデルデータベース１０
４1乃至１０４Nのうちの１つである音響モデルデータベ
ース１０４nを選択する。さらに、セレクタ１０９は、
その選択した音響モデルデータベース１０４nに記憶さ
れた、距離Ｄnの音響モデルのセットを取得し、マッチ
ング部１０３に提供する。これにより、マッチング部１
０３では、セレクタ１０９で取得された距離Ｄnの音響
モデルを用いて、音響スコアの計算が行われる。
【０１０７】次に、図１０のフローチャートを参照し
て、図９の音声認識部４１Ｂによる音声認識処理につい
て説明する。
【０１０８】まず最初に、ステップＳ１において、音声
区間検出部１０７は、ユーザからの音声入力があったか
どうかを判定する。即ち、音声区間検出部１０７は、音
声区間かどうかを判定し、音声区間であると判定した場
合には、ユーザからの音声入力があったと判定し、音声
区間でないと判定した場合には、ユーザからの音声入力
がなかったと判定する。
【０１０９】ステップＳ１において、音声入力がなかっ
たと判定された場合、ステップＳ２乃至Ｓ５をスキップ
して、ステップＳ６に進む。
【０１１０】また、ステップＳ１において、音声入力が
あったと判定された場合、即ち、音声区間検出部１０７
において、音声区間が検出され、その旨のメッセージが
選択制御部１０８に供給されるとともに、特徴抽出部１
０１において、音声区間の音声データの特徴ベクトルの
抽出が開始され、さらに、特徴ベクトルバッファ１０２
において、その特徴ベクトルの記憶が開始された場合、
ステップＳ２に進み、選択制御部１０８は、距離計算部
４７（図３）に対して、発話を行っているユーザまでの
距離の計算を要求する。これにより、距離計算部４７
は、ステップＳ２において、発話を行っているユーザま
での距離を計算し、その距離を、選択制御部１０８に供
給する。
【０１１１】ここで、ユーザは、一般に、ロボットの正
面方向から話しかけることが多いと予想されるため、ユ
ーザまでの距離を計算するためにそのユーザを撮像する
CCDカメラ２２Ｌおよび２２Ｒは、その撮像方向が、ロ
ボットの正面方向になるように、頭部ユニット３（図
２）設置されているものとする。
【０１１２】なお、この場合、ユーザが、ロボットの正
面方向からはずれた、例えば、側面や背面方向などから
話しかけてきた場合には、CCDカメラ２２Ｌおよび２２
Ｒにおいて、ユーザを撮像することができないことにな
る。そこで、例えば、マイク２１として、CCDカメラ２
２Ｌおよび２２Ｒの撮像方向と同一方向の指向性を有す
るマイクを採用し、マイク２１に入力される音声レベル
が最大となる方向に、頭部ユニット３を動かし、これに
より、CCDカメラ２２Ｌおよび２２Ｒにおいて、ユーザ
を撮像することができるようにすることが可能である。
【０１１３】また、ロボットには、複数のマイクを設
け、その複数のマイクに到達する音声信号のパワー差や
位相差から音源の方向を推定し、その方向に、その複数
のマイクのうち、最大の音声レベルが得られるものの方
向に、頭部ユニット３を動かすことによって、CCDカメ
ラ２２Ｌおよび２２Ｒにおいて、ユーザを撮像すること
ができるようにすることも可能である。なお、ロボット
に、複数のマイクを設ける場合には、例えば、最大の音
声レベルが得られるマイク（ロボットがユーザの方向を
向いた場合には、基本的には、正面方向に設けられてい
るマイク）が出力する音声データが、音声認識の対象と
される。
【０１１４】ここで、図３の距離計算部４７において、
CCDカメラ２２Ｌおよび２２Ｒから得られる画像を用い
てステレオ処理を行うことにより、ユーザまでの距離を
計算するには、CCDカメラ２２Ｌおよび２２Ｒが出力す
る画像から、ユーザが表示されている画素（以下、適
宜、ユーザ画素という）を検出する必要があるが、例え
ば、いわゆる肌色などの所定の色が表示されている画素
を、ユーザ画素として検出するようにすることが可能で
ある。あるいは、また、例えば、CCDカメラ２２Ｌや２
２Ｒによって、ユーザの顔を、あらかじめ撮像してお
き、その顔画像を標準パターンとして、画像認識を行う
ことにより、ユーザ画素を検出することも可能である。
【０１１５】選択制御部１０８は、距離計算部４７（図
３）から、ユーザまでの距離を受信すると、ステップＳ
３に進み、上述のＮ個の距離Ｄ1乃至ＤNの中から、ユー
ザまでの距離に最も近い距離Ｄnを検出し、その距離Ｄn
の音響モデルのセットを記憶している音響モデルデータ
ベース１０４nを選択するように、セレクタ１０９を制
御する。これにより、セレクタ１０９は、ステップＳ３
において、選択制御部１０８の制御にしたがい、音響モ
デルデータベース１０４nを選択し、ユーザまでの距離
に最も近い距離Ｄnの音響モデルのセットを取得して、
マッチング部１０３に供給し、ステップＳ４に進む。
【０１１６】ステップＳ４では、マッチング部１０３
は、特徴ベクトルバッファ１０２に記憶された、音声区
間の音声データから抽出された特徴ベクトルを用い、セ
レクタ１０９から供給される距離Ｄnの音響モデルのセ
ット、辞書データベース１０５に記憶された単語辞書、
および文法データベース１０６に記憶された文法規則を
参照することにより、音声認識結果の候補としての単語
列（単語）に対する言語スコアおよび音響スコアを計算
し、さらに、最終スコアを求め、最終スコアの最も大き
い単語列（単語）を、音声認識結果として確定する。
【０１１７】そして、ステップＳ５に進み、マッチング
部１０３は、ステップＳ４で確定した音声認識結果を出
力し、ステップＳ６に進む。
【０１１８】ステップＳ６では、音声認識処理を終了す
るかどうかが判定され、終了しないと判定された場合、
ステップＳ１に戻り、以下、同様の処理が繰り返され
る。
【０１１９】また、ステップＳ６において、音声認識処
理を終了すると判定された場合、即ち、例えば、ユーザ
によって、ロボットの電源がオフ状態とされた場合、音
声認識処理を終了する。
【０１２０】以上のように、発話を行ったユーザまでの
距離を計算し、その距離に最も近い距離Ｄnだけ離れた
位置で発話された音声を収録した音声データから生成さ
れた音響モデルのセット（距離Ｄnの音響モデルのセッ
ト）を用いて音声認識を行うようにしたので、マイクか
ら離れた位置で発話されたユーザの音声の認識精度を向
上させることができる。
【０１２１】即ち、音声認識が、ユーザが発話を行った
音響環境に近い音響環境で収録された音声データを用い
て学習が行われた音響モデルのセットを用いて行われる
ため、音声認識精度を向上させることができる。
【０１２２】さらに、この場合、Ｎ個の音響モデルのセ
ットのうちの１セットを選択して音声認識が行われるの
で、音声認識処理に要求される計算量を（ほとんど）増
大させることはない。
【０１２３】なお、音響環境は、マイク２１からユーザ
までの距離の他、ノイズレベルや、残響特性その他の要
因によって変化するので、それらを考慮した音響モデル
のセットを用いることで、音声認識精度をより向上させ
ることが可能となる。
【０１２４】また、図９の実施の形態では、各距離Ｄ1
乃至ＤNの音響モデルのセットを記憶した音響モデルデ
ータベース１０４1乃至１０４Nから、ユーザまでの距離
に対応する音響モデルのセット（ユーザまでの距離に最
も近い距離の音響モデルのセット）を選択するようにし
たが、ユーザまでの距離に対応する音響モデルのセット
は、その他、例えば、ネットワークを介して取得するよ
うにすることなどが可能である。
【０１２５】次に、図１１は、図１のペット型ロボット
の他の内部構成例を示すブロック図である。なお、図
中、図２における場合と対応する部分については、同一
の符号を付してあり、以下では、その説明は、適宜省略
する。即ち、図１１のペット型ロボットは、頭部ユニッ
ト３の中に、超音波センサ１１１が新たに設けられてい
る他は、図２における場合と基本的に同様に構成されて
いる。
【０１２６】超音波センサ１１１は、図示せぬ音源とマ
イクを有し、図１２に示すように、音源から、超音波パ
ルスを発する。さらに、超音波センサ１１１は、その超
音波パルスが障害物で反射され、返ってくる反射波を、
マイクで受信し、超音波パルスを発してから、反射波を
受信するまでの時間（以下、適宜、ラグ時間という）を
求め、コントローラ１１に供給する。
【０１２７】次に、図１３は、図１１のコントローラ１
１の機能的構成例を示している。なお、図中、図３にお
ける場合と対応する部分については、同一の符号を付し
てあり、以下では、その説明は、適宜省略する。即ち、
図１３のコントローラ１１は、距離計算部４７に対し
て、CCDカメラ２２Ｌおよび２２Ｒの出力に代えて、超
音波センサ１１１の出力が供給されるようになっている
他は、図３における場合と同様に構成されている。
【０１２８】図１３の実施の形態では、距離計算部４７
が、超音波センサ１１１の出力に基づいて、ユーザまで
の距離を計算するようになっている。
【０１２９】即ち、図１３の実施の形態においては、例
えば、上述したような、マイク２１として指向性を有す
るものを使用する方法、複数のマイクを使用する方法、
画像認識を利用する方法などによって、発話を行ってい
るユーザの方向を認識し、そのユーザの方向に、超音波
センサ１１１の音源が向くように、頭部ユニット３を動
かす。そして、超音波センサ１１１は、超音波パルス
を、ユーザに向けて発し、その反射波を受信すること
で、ラグ時間を求め、距離計算部４７に供給する。距離
計算部４７は、超音波センサ１１１から供給されるラグ
時間に基づいて、ユーザまでの距離を計算し、音声認識
部４１Ｂに供給する。以後は、音声認識部４１Ｂにおい
て、図９及び図１０で説明した場合と同様の処理が行わ
れる。
【０１３０】次に、図１４は、図３または図１３の音声
認識部４１Ｂの他の構成例を示している。なお、図中、
図９における場合と対応する部分については、同一の符
号を付してあり、以下では、その説明は、適宜省略す
る。
【０１３１】図９の実施の形態では、距離Ｄ1乃至ＤNの
音響モデルのセットの中から、ユーザまでの距離に最も
近い距離の音響モデルのセットを選択し、その音響モデ
ルのセットを用いて音声認識を行うようになっていた
が、図１４の実施の形態では、ユーザまでの距離に対応
する周波数特性の逆フィルタを用いて、マイク２１から
出力される音声データをフィルタリングし、そのフィル
タリング後の音声データについて、所定の音響モデルの
セットを用い、音声認識を行うようになっている。
【０１３２】即ち、図１４の実施の形態において、音響
モデルデータベース１０４は、例えば、マイクに近接し
て（マイクとの距離を０として）行われた発話を収録し
た音声データから生成された音響モデルのセットを記憶
している。
【０１３３】フィルタ部１２１は、タップ係数選択部１
２２から供給されるタップ係数（以下、適宜、選択タッ
プ係数という）をタップ係数として動作するディジタル
フィルタで、Ａ／Ｄ変換部１２が出力する音声データを
フィルタリングし、特徴抽出部１０１に供給する。
【０１３４】タップ係数選択部１２２は、音声区間検出
部１０７から音声区間を検出した旨のメッセージを受信
すると、図３または図１３の距離計算部４７に、ユーザ
までの距離の計算を要求し、その要求に応じて、距離計
算部４７から供給されるユーザまでの距離を受信する。
さらに、タップ係数選択部１２２は、ユーザまでの距離
に最も近い距離に対応する周波数特性の逆フィルタを実
現するタップ係数のセットを、タップ係数記憶部１２３
から読み出す。そして、タップ係数選択部１２２は、タ
ップ係数記憶部１２３から読み出したタップ係数を、選
択タップ係数として、フィルタ部１２１に供給し、その
タップ係数として設定する。
【０１３５】タップ係数記憶部１２３は、例えば、上述
したＮ個の距離Ｄ1乃至ＤNそれぞれに対応する周波数特
性の逆の特性を有するディジタルフィルタとしての逆フ
ィルタを実現するタップ係数のセットを記憶している。
【０１３６】以上のように構成される音声認識部４１Ｂ
では、音声区間検出部１０７において音声区間であるこ
とが検出されると、タップ係数選択部１２２が、距離計
算部４７（図３または図１３）に対して、ユーザまでの
距離の計算を要求し、その要求に応じて、距離計算部４
７から供給されるユーザまでの距離を受信する。さら
に、タップ係数選択部１２２は、ユーザまでの距離に最
も近い距離に対応する周波数特性の逆フィルタを実現す
るタップ係数のセットを、タップ係数記憶部１２３から
読み出し、選択タップ係数として、フィルタ部１２１に
供給する。
【０１３７】フィルタ部１２１では、選択タップ係数
を、そのタップ係数として、Ａ／Ｄ変換部１２が出力す
る音声データをフィルタリングし、これにより、マイク
２１が出力する音声データの周波数成分からユーザまで
の距離に対応する周波数特性を除去した音声データ、即
ち、等価的に、マイク２１に近接して行われた発話を収
録した音声データを得て、特徴抽出部１０１に供給す
る。
【０１３８】ここで、例えば、いま、マイクに近接して
行われた発話を収録した音声データをｘ（ｔ）（ｔは時
刻（時間）を表す）と、距離Ｄnだけ離れた位置で行わ
れた同一発話を収録した音声データをｙ（ｔ）と、マイ
ク２１から、距離Ｄnだけ離れた位置までの空間のイン
パルス応答をｈn（ｔ）と、それぞれ表すとともに、各
周波数をωとして、ｘ（ｔ），ｙ（ｔ），ｈn（ｔ）そ
れぞれのフーリエ変換を、Ｘ（ω），Ｙ（ω），Ｈ
n（ω）と表すこととすると、次式が成立する。
【０１３９】 Ｙ（ω）＝Ｘ（ω）Ｈn（ω） ・・・（１）
【０１４０】式（１）から次式が成り立つ。
【０１４１】 Ｘ（ω）＝Ｙ（ω）／Ｈn（ω） ・・・（２）
【０１４２】Ｈn（ω）は、距離Ｄnに対応する周波数特
性を表すから、式（２）より、距離Ｄnに対応する周波
数特性Ｈn（ω）の逆の特性１／Ｈn（ω）を有するフィ
ルタである逆フィルタによって、マイク２１から距離Ｄ
nだけ離れた位置で行われた発話を収録した音声データ
Ｙ（ω）をフィルタリングすれば、等価的に、マイク２
１に近接して行われた発話を収録した音声データＸ
（ω）を得ることができる。
【０１４３】図１４の実施の形態において、タップ係数
記憶部１２３は、各距離Ｄ1乃至ＤNに対応する周波数特
性Ｈ1（ω）乃至ＨN（ω）の逆の特性１／Ｈ1（ω）乃
至１／ＨN（ω）を有する逆フィルタを実現するタップ
係数を記憶しており、タップ係数選択部１２２におい
て、ユーザまでの距離に最も近い距離に対応する周波数
特性の逆フィルタを実現するタップ係数のセットを、タ
ップ係数記憶部１２３から読み出し、選択タップ係数と
して、フィルタ部１２１に供給する。
【０１４４】フィルタ部１２１では、そのような選択タ
ップ係数を、そのタップ係数（ディジタルフィルタのタ
ップ係数）として、Ａ／Ｄ変換部１２が出力する音声デ
ータがフィルタリングされることにより、マイク２１に
近接して行われた発話を収録した音声データが、等価的
に求められ、特徴抽出部１０１に供給される。
【０１４５】従って、マッチング部１０３では、等価的
にマイク２１に近接して行われた発話を収録した音声デ
ータについて、マイクに近接して行われた発話を収録し
た音声データから生成された音響モデルのセットを用い
て音声認識が行われるから、やはり、図９の実施の形態
における場合と同様に、マッチング部１０３の計算量を
増大させずに、音声認識精度を向上させることができ
る。
【０１４６】ここで、距離Ｄnに対応する周波数特性Ｈn
（ω）の逆の特性１／Ｈn（ω）は、マイクから距離Ｄn
だけ離れた位置から、理想的には、インパルスδ（ｔ）
を発し、そのインパルスδ（ｔ）を収録したマイクから
出力される音声データｓ（ｔ）を観測することにより、
実用上はＴＳＰ(Time Stretched Pulse)信号を用いて計
測することによって、式（１）または（２）に示した関
係から求めることが可能である。
【０１４７】なお、マイク２１と、学習用の音声データ
を収録するマイクとは、同一の周波数特性を有するもの
を用いるのが望ましい。
【０１４８】以上、本発明を、音声認識機能を有する、
実体のあるロボットに適用した場合について説明した
が、本発明は、例えば、コンピュータ上に表示される仮
想的なロボットや、その他の任意の装置に適用可能であ
る。
【０１４９】なお、上述した一連の音声認識処理は、例
えば、汎用のコンピュータに行わせることができ、この
場合、一連の音声認識処理を行うプログラムが、汎用の
コンピュータにインストールされることで、音声認識装
置が実現される。
【０１５０】さらに、この場合、プログラムは、コンピ
ュータに内蔵されている記録媒体としてのハードディス
クやＲＯＭ(Read Only Memory)に予め記録しておくこと
ができる。
【０１５１】あるいはまた、プログラムは、フレキシブ
ルディスク、CD-ROM(Compact DiscRead Only Memory)，
MO(Magneto optical)ディスク，DVD(Digital Versatile
Disc)、磁気ディスク、半導体メモリなどのリムーバブ
ル記録媒体に、一時的あるいは永続的に格納（記録）し
ておくことができる。このようなリムーバブル記録媒体
は、いわゆるパッケージソフトウエアとして提供するこ
とができる。
【０１５２】さらに、プログラムは、上述したようなリ
ムーバブル記録媒体からコンピュータにインストールす
る他、ダウンロードサイトから、ディジタル衛星放送用
の人工衛星を介して、コンピュータに無線で転送した
り、LAN(Local Area Network)、インターネットといっ
たネットワークを介して、コンピュータに有線で転送
し、コンピュータでは、そのようにして転送されてくる
プログラムを受信し、内蔵するハードディスクにインス
トールすることができる。
【０１５３】なお、本明細書において、コンピュータ
（ＣＰＵ）に各種の処理を行わせるためのプログラムを
記述する処理ステップは、必ずしもフローチャートとし
て記載された順序に沿って時系列に処理する必要はな
く、並列的あるいは個別に実行される処理（例えば、並
列処理あるいはオブジェクトによる処理）も含むもので
ある。
【０１５４】また、プログラムは、１のコンピュータに
より処理されるものであっても良いし、複数のコンピュ
ータによって分散処理されるものであっても良い。さら
に、プログラムは、遠方のコンピュータに転送されて実
行されるものであっても良い。
【０１５５】さらに、本発明は、ＨＭＭ法以外のアルゴ
リズムによる音声認識にも適用可能である。
【０１５６】また、本実施の形態では、ステレオ処理
や、超音波センサによって、ユーザまでの距離を求める
ようにしたが、ユーザまでの距離は、その他の任意の方
法によって求めることが可能である。即ち、例えば、ユ
ーザまでの距離は、例えば、ユーザに、その距離を発話
してもらい、その発話を音声認識することによって求め
ること等が可能である。さらに、リモートコマンダに、
距離を入力するボタンを設け、そのボタンを、ユーザに
操作してもらうことにより、ロボットにおいて、ユーザ
までの距離を求めるようにすることが可能である。
【０１５７】
【発明の効果】本発明の第１の音声認識装置および音声
認識方法、並びにプログラムによれば、音声の音源まで
の距離が求められ、その距離に対応する音響モデルのセ
ットが取得される。そして、その取得された音響モデル
のセットを用いて、音声が認識される。従って、音声認
識精度を向上させることができる。
【０１５８】本発明の第２の音声認識装置および音声認
識方法、並びにプログラムによれば、音声の音源までの
距離が求められ、その距離に対応する周波数特性の逆フ
ィルタを実現するタップ係数が取得される。そして、そ
の取得されたタップ係数を用いて、音声がフィルタリン
グされ、そのフィルタリングされた音声が、所定の音響
モデルのセットを用いて認識される。従って、音声認識
精度を向上させることができる。
【図面の簡単な説明】
【図１】本発明を適用したペット型ロボットの外観構成
例を示す斜視図である。
【図２】ペット型ロボットのハードウェア構成例を示す
ブロック図である。
【図３】コントローラ１１の機能的構成例を示すブロッ
ク図である。
【図４】基準カメラ２２Ｌおよび検出カメラ２２Ｒで、
ユーザを撮影している状態を示す図である。
【図５】エピポーララインを説明するための図である。
【図６】基準カメラ画像および検出カメラ画像を示す図
である。
【図７】評価値の推移を示す図である。
【図８】設定点／距離テーブルおよび視差／距離テーブ
ルを示す図である。
【図９】音声認識部４１Ｂの構成例を示すブロック図で
ある。
【図１０】音声認識部４１Ｂの処理を説明するフローチ
ャートである。
【図１１】ペット型ロボットの他のハードウェア構成例
を示すブロック図である。
【図１２】超音波センサ１１１の処理を説明する図であ
る。
【図１３】コントローラ１１の他の機能的構成例を示す
ブロック図である。
【図１４】音声認識部４１の他の構成例を示すブロック
図である。
【符号の説明】
１ 胴体部ユニット， １Ａ 背中センサ， ２Ａ乃至
２Ｄ 脚部ユニット，３ 頭部ユニット， ３Ａ 頭セ
ンサ， ３Ｂ 顎センサ， ４ 尻尾部ユニット， １
１ コントローラ， １１Ａ ＣＰＵ， １１Ｂ メモ
リ， １２Ａ／Ｄ変換部， １３ Ｄ／Ａ変換部， １
４ 通信部， １５ 半導体メモリ， ２１ マイク，
２２Ｌ，２２Ｒ ＣＣＤカメラ， ２３ スピーカ，
４１ センサ入力処理部， ４１Ａ 圧力処理部，
４１Ｂ 音声認識部， ４１Ｃ 画像処理部， ４２
モデル記憶部， ４３ 行動決定機構部， ４４ 姿勢
遷移機構部， ４５ 制御機構部， ４６ 音声合成
部， ４７ 距離計算部， １０１ 特徴抽出部， １
０２ 特徴ベクトルバッファ， １０３ マッチング
部， １０４，１０４1乃至１０４N 音響モデルデータ
ベース， １０５辞書データベース， １０６ 文法デ
ータベース， １０７ 音声区間検出部，１０８ 選択
制御部， １０９ セレクタ， １１１ 超音波セン
サ， １２１ フィルタ部， １２２ タップ係数選択
部， １２３ タップ係数記憶部
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ１０Ｌ 21/02 Ｇ１０Ｌ 3/02 ３０１Ｅ Ｈ０４Ｎ 7/18 3/00 ５７１Ｇ // Ｇ０１Ｂ 11/00 ５７１Ｑ Ｇ０１Ｃ 3/06 ５５１Ｈ Ｆターム(参考） 2F065 AA06 CC00 FF05 JJ03 JJ05 JJ26 QQ31 2F112 AD05 BA20 FA03 FA21 5C054 AA01 AA05 CA04 CC02 CH01 EA01 HA05 5D015 GG00 5J083 AD04 BA01

Claims (11)

    【特許請求の範囲】
  1. 【請求項１】 入力された音声を認識する音声認識装置
    であって、 前記音声の音源までの距離を求める距離算出手段と、 前記距離算出手段において求められた距離に対応する音
    響モデルのセットを取得する取得手段と、 前記取得手段において取得された前記音響モデルのセッ
    トを用いて、前記音声を認識する音声認識手段とを備え
    ることを特徴とする音声認識装置。
  2. 【請求項２】 複数の異なる距離だけ離れた音源それぞ
    れから発せられた音声を用いて生成された、前記複数の
    異なる距離ごとの音響モデルのセットを記憶している記
    憶手段をさらに備え、 前記取得手段は、前記距離算出手段において求められた
    距離に対応する音響モデルのセットを、前記記憶手段に
    記憶された前記複数の異なる距離ごとの音響モデルのセ
    ットの中から選択することを特徴とする請求項１に記載
    の音声認識装置。
  3. 【請求項３】 前記距離算出手段は、画像を撮像する複
    数の撮像手段が出力する画像を用いてステレオ処理を行
    うことにより、前記音源までの距離を求めることを特徴
    とする請求項１に記載の音声認識装置。
  4. 【請求項４】 前記距離算出手段は、超音波センサの出
    力を用いて、前記音源までの距離を求めることを特徴と
    する請求項１に記載の音声認識装置。
  5. 【請求項５】 入力された音声を認識する音声認識方法
    であって、 前記音声の音源までの距離を求める距離算出ステップ
    と、 前記距離算出ステップにおいて求められた距離に対応す
    る音響モデルのセットを取得する取得ステップと、 前記取得ステップにおいて取得された前記音響モデルの
    セットを用いて、前記音声を認識する音声認識ステップ
    とを備えることを特徴とする音声認識方法。
  6. 【請求項６】 入力された音声を認識する音声認識処理
    を、コンピュータに行わせるプログラムであって、 前記音声の音源までの距離を求める距離算出ステップ
    と、 前記距離算出ステップにおいて求められた距離に対応す
    る音響モデルのセットを取得する取得ステップと、 前記取得ステップにおいて取得された前記音響モデルの
    セットを用いて、前記音声を認識する音声認識ステップ
    とを備えることを特徴とするプログラム。
  7. 【請求項７】 入力された音声を認識する音声認識処理
    を、コンピュータに行わせるプログラムが記録されてい
    る記録媒体であって、 前記音声の音源までの距離を求める距離算出ステップ
    と、 前記距離算出ステップにおいて求められた距離に対応す
    る音響モデルのセットを取得する取得ステップと、 前記取得ステップにおいて取得された前記音響モデルの
    セットを用いて、前記音声を認識する音声認識ステップ
    とを備えるプログラムが記録されていることを特徴とす
    る記録媒体。
  8. 【請求項８】 入力された音声を認識する音声認識装置
    であって、 前記音声の音源までの距離を求める距離算出手段と、 前記距離算出手段において求められた距離に対応する周
    波数特性の逆フィルタを実現するタップ係数を取得する
    取得手段と、 前記取得手段において取得された前記タップ係数を用い
    て、前記音声をフィルタリングするフィルタ手段と、 前記フィルタ手段においてフィルタリングされた前記音
    声を、所定の音響モデルのセットを用いて認識する音声
    認識手段とを備えることを特徴とする音声認識装置。
  9. 【請求項９】 入力された音声を認識する音声認識方法
    であって、 前記音声の音源までの距離を求める距離算出ステップ
    と、 前記距離算出ステップにおいて求められた距離に対応す
    る周波数特性の逆フィルタを実現するタップ係数を取得
    する取得ステップと、 前記取得ステップにおいて取得された前記タップ係数を
    用いて、前記音声をフィルタリングするフィルタステッ
    プと、 前記フィルタステップにおいてフィルタリングされた前
    記音声を、所定の音響モデルのセットを用いて認識する
    音声認識ステップとを備えることを特徴とする音声認識
    方法。
  10. 【請求項１０】 入力された音声を認識する音声認識処
    理を、コンピュータに行わせるプログラムであって、 前記音声の音源までの距離を求める距離算出ステップ
    と、 前記距離算出ステップにおいて求められた距離に対応す
    る周波数特性の逆フィルタを実現するタップ係数を取得
    する取得ステップと、 前記取得ステップにおいて取得された前記タップ係数を
    用いて、前記音声をフィルタリングするフィルタステッ
    プと、 前記フィルタステップにおいてフィルタリングされた前
    記音声を、所定の音響モデルのセットを用いて認識する
    音声認識ステップとを備えることを特徴とするプログラ
    ム。
  11. 【請求項１１】 入力された音声を認識する音声認識処
    理を、コンピュータに行わせるプログラムが記録されて
    いる記録媒体であって、 前記音声の音源までの距離を求める距離算出ステップ
    と、 前記距離算出ステップにおいて求められた距離に対応す
    る周波数特性の逆フィルタを実現するタップ係数を取得
    する取得ステップと、 前記取得ステップにおいて取得された前記タップ係数を
    用いて、前記音声をフィルタリングするフィルタステッ
    プと、 前記フィルタステップにおいてフィルタリングされた前
    記音声を、所定の音響モデルのセットを用いて認識する
    音声認識ステップとを備えるプログラムが記録されてい
    ることを特徴とする記録媒体。
JP2001323012A 2001-10-22 2001-10-22 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体 Pending JP2003131683A (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2001323012A JP2003131683A (ja) 2001-10-22 2001-10-22 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体
DE60234530T DE60234530D1 (de) 2001-10-22 2002-10-21 Vorrichtung und verfahren zur spracherkennung
PCT/JP2002/010868 WO2003036617A1 (fr) 2001-10-22 2002-10-21 Appareil de reconnaissance vocale et procede de reconnaissance de la parole
US10/451,285 US7031917B2 (en) 2001-10-22 2002-10-21 Speech recognition apparatus using distance based acoustic models
CNA028040511A CN1488134A (zh) 2001-10-22 2002-10-21 语音识别装置及语音识别方法
EP02802031A EP1441328B1 (en) 2001-10-22 2002-10-21 Speech recognition apparatus and speech recognition method
US11/362,331 US7321853B2 (en) 2001-10-22 2006-02-24 Speech recognition apparatus and speech recognition method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2001323012A JP2003131683A (ja) 2001-10-22 2001-10-22 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2007112035A Division JP2007241304A (ja) 2007-04-20 2007-04-20 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体

Publications (1)

Publication Number Publication Date
JP2003131683A true JP2003131683A (ja) 2003-05-09

Family

ID=19139964

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001323012A Pending JP2003131683A (ja) 2001-10-22 2001-10-22 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体

Country Status (6)

Country Link
US (2) US7031917B2 (ja)
EP (1) EP1441328B1 (ja)
JP (1) JP2003131683A (ja)
CN (1) CN1488134A (ja)
DE (1) DE60234530D1 (ja)
WO (1) WO2003036617A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006038894A (ja) * 2004-07-22 2006-02-09 Sony Corp ロボット制御装置および方法、記録媒体、並びにプログラム
JP2015018015A (ja) * 2013-07-08 2015-01-29 本田技研工業株式会社 音声処理装置、音声処理方法、及び音声処理プログラム
CN110815234A (zh) * 2018-08-07 2020-02-21 圈乐斯株式会社 交互机器人的控制方法及控制服务器

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090030552A1 (en) * 2002-12-17 2009-01-29 Japan Science And Technology Agency Robotics visual and auditory system
JP4188968B2 (ja) * 2003-01-20 2008-12-03 三洋電機株式会社 立体視用映像提供方法及び立体映像表示装置
US8209185B2 (en) 2003-09-05 2012-06-26 Emc Corporation Interface for management of auditory communications
US8103873B2 (en) * 2003-09-05 2012-01-24 Emc Corporation Method and system for processing auditory communications
JP4516527B2 (ja) * 2003-11-12 2010-08-04 本田技研工業株式会社 音声認識装置
US8180742B2 (en) * 2004-07-01 2012-05-15 Emc Corporation Policy-based information management
US8244542B2 (en) * 2004-07-01 2012-08-14 Emc Corporation Video surveillance
US20060004818A1 (en) * 2004-07-01 2006-01-05 Claudatos Christopher H Efficient information management
US9268780B2 (en) 2004-07-01 2016-02-23 Emc Corporation Content-driven information lifecycle management
US8229904B2 (en) 2004-07-01 2012-07-24 Emc Corporation Storage pools for information management
US8180743B2 (en) * 2004-07-01 2012-05-15 Emc Corporation Information management
US8626514B2 (en) 2004-08-31 2014-01-07 Emc Corporation Interface for management of multiple auditory communications
JP4204541B2 (ja) * 2004-12-24 2009-01-07 株式会社東芝 対話型ロボット、対話型ロボットの音声認識方法および対話型ロボットの音声認識プログラム
JP2009508560A (ja) * 2005-09-21 2009-03-05 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 遠隔に位置するマイクロフォンを使用して音声起動される制御を有する超音波イメージングシステム
US7697827B2 (en) 2005-10-17 2010-04-13 Konicek Jeffrey C User-friendlier interfaces for a camera
US8751226B2 (en) * 2006-06-29 2014-06-10 Nec Corporation Learning a verification model for speech recognition based on extracted recognition and language feature information
JP4469880B2 (ja) * 2007-08-09 2010-06-02 株式会社東芝 音声処理装置及び方法
CN101411946B (zh) * 2007-10-19 2012-03-28 鸿富锦精密工业（深圳）有限公司 玩具恐龙
JP5075664B2 (ja) * 2008-02-15 2012-11-21 株式会社東芝 音声対話装置及び支援方法
TW200937348A (en) * 2008-02-19 2009-09-01 Univ Nat Chiao Tung Calibration method for image capturing device
US20090287489A1 (en) * 2008-05-15 2009-11-19 Palm, Inc. Speech processing for plurality of users
CN101610360A (zh) * 2008-06-19 2009-12-23 鸿富锦精密工业（深圳）有限公司 自动追踪声源的摄像装置
US8532989B2 (en) * 2009-09-03 2013-09-10 Honda Motor Co., Ltd. Command recognition device, command recognition method, and command recognition robot
US8676581B2 (en) * 2010-01-22 2014-03-18 Microsoft Corporation Speech recognition analysis via identification information
JP5393544B2 (ja) * 2010-03-12 2014-01-22 本田技研工業株式会社 ロボット、ロボット制御方法およびプログラム
EP2550614A4 (en) * 2010-03-23 2013-09-18 Nokia Corp METHOD AND APPARATUS FOR DETERMINING A RANGE OF USER AGES
US9274744B2 (en) 2010-09-10 2016-03-01 Amazon Technologies, Inc. Relative position-inclusive device interfaces
US8700392B1 (en) * 2010-09-10 2014-04-15 Amazon Technologies, Inc. Speech-inclusive device interfaces
US8886532B2 (en) * 2010-10-27 2014-11-11 Microsoft Corporation Leveraging interaction context to improve recognition confidence scores
US20120143611A1 (en) * 2010-12-07 2012-06-07 Microsoft Corporation Trajectory Tiling Approach for Text-to-Speech
KR101791907B1 (ko) 2011-01-04 2017-11-02 삼성전자주식회사 위치 기반의 음향 처리 장치 및 방법
US9223415B1 (en) 2012-01-17 2015-12-29 Amazon Technologies, Inc. Managing resource usage for task performance
JP5862349B2 (ja) * 2012-02-16 2016-02-16 株式会社Ｊｖｃケンウッド ノイズ低減装置、音声入力装置、無線通信装置、およびノイズ低減方法
US8831957B2 (en) * 2012-08-01 2014-09-09 Google Inc. Speech recognition models based on location indicia
US9208777B2 (en) * 2013-01-25 2015-12-08 Microsoft Technology Licensing, Llc Feature space transformation for personalization using generalized i-vector clustering
US20150206539A1 (en) * 2013-06-04 2015-07-23 Ims Solutions, Inc. Enhanced human machine interface through hybrid word recognition and dynamic speech synthesis tuning
US9310800B1 (en) * 2013-07-30 2016-04-12 The Boeing Company Robotic platform evaluation system
US9847082B2 (en) * 2013-08-23 2017-12-19 Honeywell International Inc. System for modifying speech recognition and beamforming using a depth image
US11199906B1 (en) 2013-09-04 2021-12-14 Amazon Technologies, Inc. Global user input management
US9367203B1 (en) 2013-10-04 2016-06-14 Amazon Technologies, Inc. User interface techniques for simulating three-dimensional depth
CN104715753B (zh) * 2013-12-12 2018-08-31 联想(北京)有限公司 一种数据处理的方法及电子设备
US9472186B1 (en) * 2014-01-28 2016-10-18 Nvoq Incorporated Automated training of a user audio profile using transcribed medical record recordings
CN103928025B (zh) * 2014-04-08 2017-06-27 华为技术有限公司 一种语音识别的方法及移动终端
CN104267920B (zh) * 2014-09-29 2017-10-27 北京奇艺世纪科技有限公司 用户识别方法、装置、系统及显示模式切换方法、装置
WO2016114428A1 (ko) * 2015-01-16 2016-07-21 삼성전자 주식회사 문법 모델을 이용하여 음성인식을 수행하는 방법 및 디바이스
JP6703460B2 (ja) * 2016-08-25 2020-06-03 本田技研工業株式会社 音声処理装置、音声処理方法及び音声処理プログラム
CN106356064A (zh) * 2016-08-30 2017-01-25 合肥前瞻智能科技有限公司 一种定向声控开关语音识别系统
CN106328141B (zh) * 2016-09-05 2019-06-14 南京大学 一种面向移动终端的超声波唇读识别装置及方法
US10140987B2 (en) * 2016-09-16 2018-11-27 International Business Machines Corporation Aerial drone companion device and a method of operating an aerial drone companion device
KR102818405B1 (ko) * 2016-10-04 2025-06-10 삼성전자주식회사 음성 인식 전자 장치
US20180158458A1 (en) * 2016-10-21 2018-06-07 Shenetics, Inc. Conversational voice interface of connected devices, including toys, cars, avionics, mobile, iot and home appliances
JP6705410B2 (ja) * 2017-03-27 2020-06-03 カシオ計算機株式会社 音声認識装置、音声認識方法、プログラム及びロボット
CN109377991B (zh) * 2018-09-30 2021-07-23 珠海格力电器股份有限公司 一种智能设备控制方法及装置
CN109637540B (zh) * 2019-02-28 2021-02-26 北京百度网讯科技有限公司 智能语音设备的蓝牙评测方法、装置、设备及介质
CN110515449B (zh) * 2019-08-30 2021-06-04 北京安云世纪科技有限公司 唤醒智能设备的方法及装置
JP7395446B2 (ja) * 2020-09-08 2023-12-11 株式会社東芝 音声認識装置、方法およびプログラム
CN112151080B (zh) * 2020-10-28 2021-08-03 成都启英泰伦科技有限公司 一种录制和处理训练语料的方法
CN113628621A (zh) * 2021-08-18 2021-11-09 北京声智科技有限公司 一种实现设备就近唤醒的方法、系统及装置
CN114464184B (zh) * 2022-04-11 2022-09-02 北京荣耀终端有限公司 语音识别的方法、设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63121097A (ja) * 1986-11-10 1988-05-25 松下電器産業株式会社 電話用音声認識装置
JPS63121098A (ja) * 1986-11-10 1988-05-25 松下電器産業株式会社 電話用音声認識装置
JPH02230896A (ja) * 1989-03-03 1990-09-13 Nippon Telegr & Teleph Corp <Ntt> 音響信号入力装置
JPH05227531A (ja) * 1992-02-17 1993-09-03 Sanyo Electric Co Ltd カメラ監視システム
JPH06236196A (ja) * 1993-02-08 1994-08-23 Nippon Telegr & Teleph Corp <Ntt> 音声認識方法および装置
JPH0788791A (ja) * 1993-09-20 1995-04-04 Mitsubishi Electric Corp ロボット装置およびその周辺装置
JPH08286680A (ja) * 1995-02-17 1996-11-01 Takenaka Komuten Co Ltd 音抽出装置
JPH1113507A (ja) * 1997-06-27 1999-01-19 Mitsubishi Motors Corp 自動追従走行システム
JP2000010589A (ja) * 1998-06-19 2000-01-14 Tokai Rika Co Ltd 車両用音声認識装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5946427A (ja) * 1982-09-10 1984-03-15 Matsushita Electric Ind Co Ltd 加熱装置
JPS63248218A (ja) * 1987-04-03 1988-10-14 Oki Electric Ind Co Ltd 適応制御フイルタ
JPH02132499A (ja) * 1988-11-14 1990-05-21 Toshiba Corp 音声入力装置
US5008941A (en) * 1989-03-31 1991-04-16 Kurzweil Applied Intelligence, Inc. Method and apparatus for automatically updating estimates of undesirable components of the speech signal in a speech recognition system
US5307405A (en) * 1992-09-25 1994-04-26 Qualcomm Incorporated Network echo canceller
JPH0713591A (ja) * 1993-06-22 1995-01-17 Hitachi Ltd 音声認識装置および音声認識方法
US5905773A (en) * 1996-03-28 1999-05-18 Northern Telecom Limited Apparatus and method for reducing speech recognition vocabulary perplexity and dynamically selecting acoustic models
JPH11237897A (ja) * 1998-02-23 1999-08-31 Kenwood Corp 音響装置
JPH11296192A (ja) * 1998-04-10 1999-10-29 Pioneer Electron Corp 音声認識における音声特徴量の補正方法、音声認識方法、音声認識装置及び音声認識プログラムを記録した記録媒体
US6904405B2 (en) * 1999-07-17 2005-06-07 Edwin A. Suominen Message recognition using shared language model
US6752498B2 (en) * 2001-05-14 2004-06-22 Eastman Kodak Company Adaptive autostereoscopic display system
ATE426234T1 (de) * 2001-06-19 2009-04-15 Speech Sentinel Ltd Sprecherverifikation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63121097A (ja) * 1986-11-10 1988-05-25 松下電器産業株式会社 電話用音声認識装置
JPS63121098A (ja) * 1986-11-10 1988-05-25 松下電器産業株式会社 電話用音声認識装置
JPH02230896A (ja) * 1989-03-03 1990-09-13 Nippon Telegr & Teleph Corp <Ntt> 音響信号入力装置
JPH05227531A (ja) * 1992-02-17 1993-09-03 Sanyo Electric Co Ltd カメラ監視システム
JPH06236196A (ja) * 1993-02-08 1994-08-23 Nippon Telegr & Teleph Corp <Ntt> 音声認識方法および装置
JPH0788791A (ja) * 1993-09-20 1995-04-04 Mitsubishi Electric Corp ロボット装置およびその周辺装置
JPH08286680A (ja) * 1995-02-17 1996-11-01 Takenaka Komuten Co Ltd 音抽出装置
JPH1113507A (ja) * 1997-06-27 1999-01-19 Mitsubishi Motors Corp 自動追従走行システム
JP2000010589A (ja) * 1998-06-19 2000-01-14 Tokai Rika Co Ltd 車両用音声認識装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006038894A (ja) * 2004-07-22 2006-02-09 Sony Corp ロボット制御装置および方法、記録媒体、並びにプログラム
JP2015018015A (ja) * 2013-07-08 2015-01-29 本田技研工業株式会社 音声処理装置、音声処理方法、及び音声処理プログラム
CN110815234A (zh) * 2018-08-07 2020-02-21 圈乐斯株式会社 交互机器人的控制方法及控制服务器

Also Published As

Publication number Publication date
US7031917B2 (en) 2006-04-18
EP1441328B1 (en) 2009-11-25
WO2003036617A1 (fr) 2003-05-01
CN1488134A (zh) 2004-04-07
US20060143006A1 (en) 2006-06-29
EP1441328A1 (en) 2004-07-28
EP1441328A4 (en) 2005-11-23
US7321853B2 (en) 2008-01-22
US20040054531A1 (en) 2004-03-18
DE60234530D1 (de) 2010-01-07

Similar Documents

Publication Publication Date Title
JP2003131683A (ja) 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体
JP4296714B2 (ja) ロボット制御装置およびロボット制御方法、記録媒体、並びにプログラム
US7065490B1 (en) Voice processing method based on the emotion and instinct states of a robot
JP4131392B2 (ja) ロボット装置およびロボット制御方法、記録媒体、並びにプログラム
KR20010062767A (ko) 정보 처리 장치, 정보 처리 방법 및 저장 매체
JP2019175432A (ja) 対話制御装置、対話システム、対話制御方法及びプログラム
WO2020004213A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JP2002116792A (ja) ロボット制御装置およびロボット制御方法、並びに記録媒体
JP2007241304A (ja) 音声認識装置および音声認識方法、並びにプログラムおよび記録媒体
JP4600736B2 (ja) ロボット制御装置および方法、記録媒体、並びにプログラム
JP2001154693A (ja) ロボット制御装置およびロボット制御方法、並びに記録媒体
JP2005335001A (ja) ロボット制御装置および方法、記録媒体、並びにプログラム
JP2004283927A (ja) ロボット制御装置および方法、記録媒体、並びにプログラム
JP2001188551A (ja) 情報処理装置および方法、並びに記録媒体
JP2001212780A (ja) 行動制御装置および行動制御方法、並びに記録媒体
JP2002307349A (ja) ロボット装置、情報学習方法、プログラム及び記録媒体
JP4706893B2 (ja) 音声認識装置および方法、並びに、プログラムおよび記録媒体
JP2002268663A (ja) 音声合成装置および音声合成方法、並びにプログラムおよび記録媒体
JP4016316B2 (ja) ロボット装置およびロボット制御方法、記録媒体、並びにプログラム
JP2004286805A (ja) 話者識別装置および話者識別方法、並びにプログラム
JP7024754B2 (ja) 制御装置、ロボット、制御方法およびプログラム
JP2002258886A (ja) 音声合成装置および音声合成方法、並びにプログラムおよび記録媒体
JP4656354B2 (ja) 音声処理装置および音声処理方法、並びに記録媒体
JP4742415B2 (ja) ロボット制御装置およびロボット制御方法、並びに記録媒体
JP2004309523A (ja) ロボット装置の動作パターン共有システム、ロボット装置の動作パターン共有方法、及びロボット装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20041004

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20060726

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20060925

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20070219

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20070703