以下、本発明の実施の形態を、添付図面に� ��づいて説明する。
[第1の実施形態]
 本発明の第1の実施形態にかかる音声認識シ ステムの一構成例を図1に基づいて説明する� �

 この図1において、本実施形態にかかる音 声認識システムは、音声入力装置としてのク ライアント端末装置(以下「クライアント」� �略称する)10と、音声認識装置としてのサー� �20とから構成される。クライアント10は、音� ��を入力する音声入力部11と、音声認識に用� �る単語を有するユーザ辞書部12と、入力され た音声に関してユーザ辞書部12から不要と判� ��した単語を排除して縮小ユーザ辞書を作成� ��る縮小ユーザ辞書作成手段としての縮小ユ� ��ザ辞書作成部13と、入力音声及び縮小ユー� �辞書をサーバ20に送信するクライアント通信 部14とを備えている。符号13Dは、縮小ユーザ� ��書作成部13で作成した縮小ユーザ辞書を格� �した縮小ユーザ辞書部を示す。又、符号15は 、サーバ20で音声認識され送られてきた認識� ��果の音声情報を表示画面頭に出力表示する� ��識結果出力部を示す。

 サーバ20は、音声認識に用いる単語を有� �るシステム辞書21と、クライアント10から送� ��された入力音声及び縮小ユーザ辞書を受信� ��るサーバ通信部23と、システム辞書と縮小� �ーザ辞書とを用いて入力音声について音声� �識処理を行う音声認識手段としての音声認� �部22とを備えている。

 このため、本実施形態におけるサーバ20� �おける音声認識処理では、実質的に、シス� �ム辞書とユーザ辞書の双方を使用した場合� �同じ音声認識結果を得ることができるよう� �なっている。又、クライアント10からサーバ 20に転送するデータ量及び通信コストを、ユ� ��ザ辞書全体を送信する場合と比べて削減で� ��るようになっている。

 前述した縮小ユーザ辞書は、具体的には� ��ユーザ辞書12が有する単語の中から入力音� �に含まれている可能性が高い単語を選び出� �た辞書として構成されている。縮小ユーザ� �書作成部13は、ユーザ辞書部12が有する単語� ��入力音声とを照合し、入力音声中に当該単� ��が現れる尤度を計算し、計算結果を基に尤� ��の高い単語を選択して縮小ユーザ辞書を作� ��する。

 これにより、ユーザ辞書と縮小ユーザ辞� ��との差分は入力音声に含まれる可能性の低� ��単語となり、音声認識処理では、実質的に� ��ステム辞書とユーザ辞書の双方を使用した� ��合と同じ音声認識結果が得られる。

 又、クライアント10の処理は、ユーザ辞� �の単語に対して入力音声に含まれる可能性� �あるかどうかを判定する処理であり、この� �階では、本当に出現している単語の欠落だ� �を注意すればよく、音声認識精度に直接悪� �響を及ぼさないようになっている。

 更に、前述した縮小ユーザ辞書作成部(縮 小ユーザ辞書作成手段)13は、前記ユーザ辞書 12を用いたワードスポッティング法によって� ��小ユーザ辞書を作成する。

 以下、これを更に詳述する。図1において 、クライアント10は、前述したように、音声� ��力部11と、ユーザ辞書12と、縮小辞書作成部 13と、クライアント通信部14とを備えている� �また、サーバ20は、システム辞書部21と、音� ��認識部22と、サーバ通信部23とを備えている 。サーバ20との通信を行うクライアント通信� ��14と、クライアント10との通信を行うサーバ 通信部23とは、通信回線120を介して接続され� ��いる。

 クライアント10において、音声入力部11は 、例えばマイクロフォンとA/D変換器から構成 することが可能である。ユーザ辞書部12は、� ��ードディスクや不揮発性メモリ等の記憶部� ��らなり、これに辞書データが格納された形� ��が採られている。縮小辞書作成部13は、入� �音声を参照してユーザ辞書から縮小ユーザ� �書を作成するものであり、本実施形態では� �ランダムアクセスメモリ(RAM))を有するマイ� �ロプロセッサと、前記RAMに格納されたコン� �ュータプログラムを実行する中央処理装置(C PU)とから構成されている。クライアント通信 部14は、例えば有線LANや無線LAN、或いは携帯� ��話機等を利用してデータの通信を行う。

 サーバ20は、例えばパーソナルコンピュ� �タ等により構成される。システム辞書部21は 、例えば音声認識に用いる辞書を格納したハ ードディスクにより構成されている。サーバ 通信部23は、LAN等を利用してクライアント10� �の間にデータの通信を行う。音声認識部22は 、システム辞書部21のシステム辞書を参照し� ��がら所定の音声認識処理を実行する。通信� ��線120は、例えば有線LANや無線LAN、あるいは� ��帯電話機で使用する無線網等から構成され� ��。

 次に、上記第1実施形態の動作を、図2に基� �いて説明する。
 まず、ユーザがクライアント10の音声入力� �11から音声を入力する(ステップS101:音声入力 工程)。これに伴い、縮小辞書作成部13は、ス テップS101で入力された音声データを参照し� �、ユーザ辞書部12から縮小ユーザ辞書を作成 する(ステップS102:縮小ユーザ辞書作成工程)� �

 具体的には、縮小ユーザ辞書は、ユーザ� ��書部102に格納されているユーザ辞書に含ま� ��る単語の中から入力音声に含まれている可� ��性が高いものを選び出すことにより作成さ� ��た辞書で、前記ユーザ辞書の部分辞書とし� ��の性質を備えている。即ち、認識すべき音� ��が入力された場合、縮小ユーザ辞書はユー� ��辞書部102のユーザ辞書に基づいて入力音声� ��対応した辞書として作成される。縮小ユー� ��辞書には、ユーザ辞書の単語の内、一部の� ��のだけが含まれているが、各単語の持つ情� ��はユーザ辞書と同じである。そして、この� ��成された縮小ユーザ辞書は、前述した縮小� ��ーザ辞書部13Dに格納される。

 次に、クライアント通信部14が、ステッ� �S101で入力された音声データと、ステップS102 で作成された縮小ユーザ辞書とを、通信回線 120を介してサーバ20のサーバ通信部23に送信� �る(ステップS103:送信工程)。

 続いて、サーバ20のサーバ通信部23が、ク ライアント10から送信されてきた音声データ� ��縮小ユーザ辞書を受信する(ステップS104)。� ��のサーバ側の音声認識部22は、受信した音� �データを対象として、システム辞書部21にシ ステム辞書と受信した縮小ユーザ辞書との双 方を用いて、音声認識処理を実行する(ステ� �プ105:音声認識工程)。

 そして、この音声認識処理された前記入� ��音声にかかる音声認識情報が前述したクラ� ��アント10へ返送されて来た場合には、当該� �ライアント10から外部に向けて出力される(� �力音声出力工程)。この場合は、例えば、前� ��した認識結果出力部15から外部に向けて画� �若しくは文字表示等によって出力表示され� �ようになっている。

 ここで、上述した各ステップ101乃至105に� ��っては、その実行内容をクライアント10側� �サーバ側とに分けて制御プログラム若しく� �データ処理にかかるプログラムに代えて実� �可能に構成し、各々の側にて予め装備した� �ンピュータに実行させるように構成しても� �い。

 次に、上記縮小辞書作成部13の構成につい� �、図3を参照して説明する。
 この縮小辞書作成部13は、入力音声と単語� �照合を行い入力音声中に当該単語が現れる� �度を計算する照合部13Aと、この尤度の対象� �なった単語と尤度の組を仮に保持する単語� �格納部13Bと、この単語仮格納部13Bを参照し� �尤度の高い一乃至複数の単語を選択する単� �選択部13Cとを備えて構成されている。

 次に、図4に基づいて上記縮小辞書作成部13� ��動作を説明する。
 この縮小辞書作成部13は、ユーザ辞書12に含 まれる単語のそれぞれに対して、ステップS20 2とステップS203の処理を繰り返す(ステップS20 1)。
 ステップS202では、縮小辞書作成部13は、照� ��部13Aにおいて、注目単語が入力音声に含ま� ��る尤度を計算する(尤度計算工程)。ステッ� �S203では、縮小辞書作成部13は、注目単語を� �計算した尤度と対応させて(組にして)縮小辞 書とし、これを作成単語仮格納部13Bに格納す る(単語仮格納工程)。

 ユーザ辞書12に含まれる全ての単語に対� �て上記の処理が終了したら、縮小辞書作成� �13は、単語選択部13Cを起動する。縮小辞書作 成部13は、単語選択部13Cにより、単語仮格納� ��13Bに格納された単語の中から尤度の高いも� ��をいくつか選択する(単語選択工程)。選択� �れた単語は、改めて辞書の形に編成され、� �小ユーザ辞書が作成されて縮小ユーザ辞書� �13Dに格納される(縮小辞書作成工程)。

 ここで、単語選択部13Bにおける選択処理は� ��様々なやり方で実施可能である。例えば、� ��定の尤度を予め定めておき、この尤度以上� ��単語を選択し、この尤度未満の単語は選択� ��ない、というやり方で実施できる。
 或いは、固定の数を予め定めておき、選択� ��た単語数がこの数を超えない範囲で、尤度� ��高いものから単語を順に選択していく、と� ��うやり方で実施することもできる。
 もちろん、これらを組み合わせて、例えば� ��選択した単語の数が予め定めた数を超えな� ��範囲で、尤度の高いものから単語を順に選� ��していくが、これも予め定めた最低尤度よ� ��尤度の低い単語は選択しない、などのやり� ��で実施することもできる。

 実際には、ユーザ辞書12は、例えばハード� �ィスクや不揮発性メモリに格納された辞書� �ータとして構成することができる。単語仮� �納部13Bは、ハードディスクや不揮発性メモ� �、あるいは揮発性メモリに確保されたデー� �格納領域として構成する。
 照合部13Aと単語選択部13Cは、例えば、メモ� ��上に格納されコンピュータプログラムをCPU� ��実行することにより構成されるようにして� ��よいものである。

 また、縮小ユーザ辞書部13Dは、ユーザ辞書� ��12の場合と同様に、ハードディスクやメモ� �上に記憶された辞書データとしての形態が� �られている。
 縮小ユーザ辞書部13Dに格納された縮小ユー� ��辞書は、格納されているデータが、単語選� ��部13Cで選択された単語に限られることから� ��ユーザ辞書の部分辞書としての性質を有す� ��。

 照合部13Aは、様々な実施形態を採ること� ��できる。例えば、音声認識におけるワード� ��ポッティング法に用いる手法を、そのまま� ��用して実施することができる。ワードスポ� ��ティング法とは、例えば、「日本国特許庁� ��成の標準技術集」平成13年度のテーマ「サ� �チエンジン」の、C-6-(3)「音声検索」の項で� ��明されているように、入力音声から必要な� ��語や音節を拾い出していく方式である。

 本第1実施形態では、ユーザ辞書12の単語の� ��々に対して、その単語が入力音声から拾い� ��せるか否かを判定し(抽出可否判定工程)、� �定時に計算した尤度とともに単語仮格納部13 Bに格納すればよい(縮小辞書作成工程)。
 これらについては、各工程内容をプログラ� ��化し前述したクライアント側に予め装備し� ��コンピュータに実行させるように構成して� ��よい。

 上記標準技術集を参照すると、ワードス� ��ッティングの実現法としては、DP(Dynamic Proc essing )マッチングを利用する方法がある。DP� ��ッチングとは、音声認識におけるパターン� ��ッチング技術であり、単語中の同じ音素同� ��が対応するように時間正規化を行って単語� ��単語の類似距離を求めるものである。例え� ��一つの単語に対し二つの音声波形があると� ��る。これを時系列パターンAとBとし、Aを入� ��音声、Bを標準パターンとする。

 DPマッチングを用いてワードスッポティン� �を行う場合、スポッティングの対象となる� �語の標準パターンBを入力音声A(スペクトル� �どのパラメータ系列)の始端から1フレームず つずらしながら、入力音声の部分区間とDPマ� ��チングを行う。
 マッチング結果としての距離がある閾値以� ��になったとき、その時点に標準パターンあ� ��、と判定する。

 本第1実施形態では、上述した閾値を定め ず、距離がどのような値になっても、これを 正負逆転して尤度として出力するように構成 すればよい。距離を尤度に変換する際に正負 を逆転するのは、距離は小さいほど単語が入 力音声に含まれる可能性が高いので、値が大 きいほど単語が入力音声に含まれる可能性が 高くなる尤度として使用するには、大小を逆 転する必要があるためである。

 また、DPマッチングの代わりにHMM(Hidden Marko v Model)を用いてワードスポッティングを行う 方法もよく知られている。HMMを用いてワード スポッティングを行う方法は、例えば、「確 率モデルによる音声認識」第2版(中川聖一著� ��(社)電子情報通信学会発行、平成元年)の第3 章3.4.2 「音韻・音節・単語スポッティング� �ルゴリズム」に詳しい。
 上記で詳細に説明したように、照合部13Aに� ��ける照合処理は、既知の技術を用いて様々� ��形態で実施することが可能である。

 次に、この第1実施形態全体の具体的な動 作を、図5の入力例と上記図2及び図4のフロー チャートを用いて詳細に説明する。

 図5(a)は、ユーザ辞書部12に格納されたユー� ��辞書(内容)の一例を示す。このユーザ辞書� �は、主にニューヨーク市内の地名に対する� �本語表記と発音が格納されている。
 今、ユーザが、クライアント10の音声入力� �11に対し、例えば「シェイスタジアムはどこ ですか」と発声(音声入力)したと想定する(図 2のステップS101)。
 この発声に対応する読みは、ひらがなで表� ��すると、「しぇいすたじあむわどこですか� ��となる。ユーザの音声入力に伴い、直ちに� ��小辞書作成部13が起動する(図2のステップS10 2)。

 図4を参照すると、縮小辞書作成部13は、� ��ーザ辞書部102に格納された各単語に対し、� ��の単語が入力音声に含まれる尤度を計算し� ��単語仮格納部13Bに格納する処理を繰り返す( ステップS201:図4のステップS202乃至ステップS2 03)。本例では、まず、尤度の計算対象の単語 としてユーザの発音した「イーストビレッジ 」が選択され、縮小辞書作成部13は、この単� ��と入力音声とを照合し、この単語が入力音� ��に含まれる尤度を計算する。計算された尤� ��が例えば「0.2」であった場合、縮小辞書作� ��部13は、単語「イーストビレッジ」の辞書� �容、即ち表記・発音及び尤度「0.2」の組を� �単語仮格納部13Aに格納する。

 次に、注目単語をユーザ辞書中の次の単語� ��クロイスターズ」に変えて、同様な尤度計� ��を行う。計算された尤度が例えば「0.1」で� ��った場合、縮小辞書作成部13は、単語「ク� �イスターズ」の辞書内容、即ち、表記・発� �及び尤度「0.1」の組を、単語仮格納部13Bに� �納する。縮小辞書作成部13は、ユーザ辞書12� ��全ての単語に対して、この尤度計算と単語� ��格納部13Bへの単語格納の処理を繰り返す。
 図5(b)は、尤度計算及び単語格納の処理が完 了した時点の単語仮格納部13Bの内容の一例を 示す図である。ユーザ辞書の全ての単語に対 して、計算された尤度が、単語と対応するよ うに格納されている。

 次に、縮小辞書作成部13は、単語選択部13 Cにより、単語仮格納部13Bから尤度の高い単� �を選択する(図4のステップS204)。本例では、� ��度が例えば「0.5」以上の単語を選択するよ� ��に、単語選択部13Cが構成されているものと� ��る。図5(b)の内容を参照すると、該当する単 語は、「シェイスタジアム」(尤度0.8)、「シ� ��ークスピアガーデン」(尤度0.6)、及び「メ� �シーズ」(尤度0.5)の三語であり、これら三語 が単語選択部13Cにより選択される。

 次に、縮小辞書作成部13は、単語選択部13C� �より選択された三語を出力し、これら三語� �らなる辞書を作成する(図4のステップS205)。� ��うして作成されたものが縮小ユーザ辞書で� ��り、縮小ユーザ辞書部13Dに格納される。図5 (C)に格納された内容を示す。
 この図5(C)において、縮小ユーザ辞書は、先 に選択された三つの単語「シェイスタジアム 、シェークスピアガーデン、メイシーズ」か らなり、各単語の辞書内容は、図5(a)に示し� �ユーザ辞書と全く同じになるように構成さ� �ている。
 このようにして、クライアント10で作成さ� �た縮小ユーザ辞書は、入力音声データ「し� �いすたじあむわどこですか」と一緒に、ク� �イアント通信部14から通信回線120を介してサ ーバ20のサーバ通信部23に送信される(図2のス テップS103)。

 サーバ20は、サーバ通信部23により入力音 声データと縮小ユーザ辞書を受信すると、音 声認識部22により音声認識処理を実行する(図 2のステップS105)。この音声認識処理では、ク ライアント10から送信された縮小ユーザ辞書� ��、サーバ20側のシステム辞書との双方を使� �する。図5(d)に、サーバ20のシステム辞書部21 に格納されているシステム辞書の内容の一例 を示す。

 図5(d)において、本例では、「ここ」「そこ 」のような指示詞、「だ」「です」のような 独立助動詞、格助詞「が」「を」「に」、副 助詞「は」、終助詞「か」、一般名詞「日本 」「ワシントン」、間投詞「はい」「いいえ 」のように、任意の状況で使われる可能性が 高い一般的な単語がシステム辞書部21に格納� ��れている。
 音声認識部22は、入力音声「しぇいすたじ� �むはどこですか」に対して、縮小ユーザ辞� �とシステム辞書の両方を使って音声認識処� �を行い、音声認識結果「シェイスタジアム/� ��/どこ/です/か」を得る。ここで、スラッシ� ��「/」は、認識された単語の区切れ目を表す ために、説明上導入した記号である。

 上記音声認識結果「シェイスタジアム/は /どこ/です/か」における文頭の単語「シェイ スタジアム」は、縮小ユーザ辞書に由来する 単語であり、その後に続く「は」「どこ」「 です」「か」は、いずれもシステム辞書に由 来する単語である。縮小ユーザ辞書の単語は 、元々はクライアント10のユーザ辞書12に格� �されていた単語である。

 このように、本第1実施形態では、クライ アント10側のユーザ辞書部12のユーザ辞書と� �ーバ20側のシステム辞書部21のシステム辞書� ��単語が混在するような場合でも、その音声� ��識結果を得ることができる。これは従来技� ��に対する利点の一つである。

 ここで、音声認識前にクライアントのユー� ��辞書の全体をサーバに転送して音声認識処� ��でシステム辞書と一緒に使用する汎用の技� ��と、本第1実施形態とを比較する。
 汎用の技術では、ユーザ辞書全体、即ち、� ��5(a)の例では10単語全てを送信する必要があ� ��た。これに対し、本第1実施形態では、上述 したように縮小ユーザ辞書に格納された三単 語分のデータを転送すればよい。

 一般に、クライアント10とサーバ20とを接 続する通信線120は、クライアント10及びサー� ��20それぞれに内蔵されたデータバスと比較� �て、データ転送速度が遅く、データ転送に� �かるコストも格段に大きいのが普通である� �このような状況で転送データ量を少なく抑� �ることは非常に重要であり、これにより、� �送にかかる時間とコストを低減できるとい� �従来にない利点を得ることが可能となる。

 又、クライアント10で利用できる計算リソ� �スが少なく、縮小辞書作成部13の照合部13Aに おける尤度計算の精度が良くない場合でも、 単語選択部13Cにおける選択基準を甘めに設定 しておいて、より多くの単語が選択されるよ うに構成する。
 このように構成することにより音声認識精� ��の悪化を防止することができるのも、本第1 実施形態の他にない優れた利点(効能)である� ��

 これは、選択部13Cが最終的には不要とな� ��単語を選択し、不要となる単語が縮小ユー� ��辞書に含まれた場合でも、正解に含まれる� ��語を落とさなければ、サーバ10で実行する� �声認識処理で正解が得られると期待できる� �めである。かかる場合は、縮小ユーザ辞書� �サイズが大きくなりデータ転送時間とコス� �に影響があるが、これらとのトレードオフ� �考慮して選択部13Cにおける選択基準を設定� �ればよい。

 本第1実施形態では、縮小ユーザ辞書の作成 に際して必要とするのは入力音声だけである 点に特徴を有する。
 これに対し、汎用の技術では、入力先のフ� ��ームのIDのように、音声以外の情報を使用� �ることによってクライアントからサーバに� �信する語彙を絞り込む必要があった。

 本第1実施形態では、上述したように縮小ユ ーザ辞書の作成に際しては、入力音声以外の 情報を必要としない。入力音声は音声認識処 理において必ず必要となる情報であることか ら、本第1実施形態は音声認識処理を実行す� �任意の状況で適用可能となっている。
 この点は、汎用の技術が音声認識の処理対� ��である音声データ以外の情報がないと適用� ��きないのと比較して、本実施形態の大きな� ��点である。

 尚、本実施形態では、単語選択部13Cにお� ��る選択基準を、通信線120の通信速度や通信� ��ストを勘案して決定するように実施するこ� ��も容易である。例えば、通信速度が低速な� ��合や通信コストが高価な場合、縮小ユーザ� ��書に格納する単語数の上限を抑えて、クラ� ��アント10からサーバ120に対する縮小ユーザ� �書の転送に一定以上の時間やコストがかか� �ないように調整することは容易である。こ� �ような調整を、音声が入力されるたびに動� �に行うように構成することも容易である。

 以上説明したように、本第1実施形態におい ては、下記のような効果を奏する。
 即ち、サーバ20における音声認識処理では� �実質的にシステム辞書とユーザ辞書の双方� �同時に使用して音声認識結果を得ることが� �きる。具体的に説明すると、ユーザが携帯� �る携帯端末などのクライアントにはユーザ� �書が搭載されているから、ユーザはユーザ� �書に必要な単語を登録する。ユーザ辞書を� �のままの容量でサーバに送信してユーザ辞� �とシステム辞書とを用いて音声認識を行う� �とが最善の方法であるが、辞書を送信する� �とを考慮すると、送信容量の面で問題が生� �る。

 そこで、本発明の実施形態では、入力音� ��の認識に不要と判断した単語を排除するこ� ��によりユーザ辞書の容量を縮小して縮小ユ� ��ザ辞書を作成し、これを入力音声のデータ� ��ともにサーバに送信する。したがって、ク� ��イアントからサーバへの送信容量が増える� ��を抑えることができる。しかも、サーバに� ��信される縮小ユーザ辞書には、入力音声の� ��識に必要な単語が含まれ、その単語がユー� ��によって登録されるのであるから、縮小ユ� ��ザ辞書をサーバのシステム辞書と組み合わ� ��ることにより、入力音声を確実に認識でき� ��。

 以上のように本発明の実施形態では、ユ� ��ザ辞書から縮小ユーザ辞書を作成するが、� ��の縮小ユーザ辞書は入力音声の認識に不要� ��判断した単語を排除して作成するものであ� ��、縮小ユーザ辞書とシステム辞書とを用い� ��入力音声の認識処理は、ユーザ辞書とシス� ��ム辞書とを用いた入力音声の認識処理と実� ��的に同じであり、上述したように実質的に� ��ステム辞書とユーザ辞書との双方を同時に� ��用して音声認識結果を得ることができるも� ��である。

 更に、入力音声以外の情報が利用できな� ��場合でも、前述した入力音声のみでも縮小� ��ーザ辞書の作成が容易であり、又、汎用の� ��におけるユーザ辞書の転送に比較して転送� ��が大幅に少なくなることから、クライアン� ��及びサーバ間で転送されるデータ量を大幅� ��低減させることができる。又、クライアン� ��で利用可能なリソースが少ない場合でもシ� ��テム全体としての音声認識精度への悪影響� ��少ないという効果がある。

 即ち、本第1の実施形態は上述したように 構成され機能するので、これによると、前述 したように音声認識装置における音声認識処 理に際しては、音声入力装置から入力音声と 縮小ユーザ辞書とを送るようにしたことから 、音声認識装置側では、縮小ユーザ辞書とシ ステム辞書とに基づいて音声認識の質を維持 しつつ当該入力音声に対する音声認識を実行 することができる。さらに、音声入力装置か らユーザ辞書に代えてデータ容量の小さい縮 小ユーザ辞書を送るようにしたので、音声認 識装置に転送するデータ量及び通信コストを 、ユーザ辞書全体を送信する場合と比べて大 幅に削減できる。したがって、データ伝送時 間の短縮および前述した音声認識装置におけ る音声認識の処理時間を大幅に短縮すること ができ、音声認識の質を維持しつつシステム の負担を増加させることなく当該音声認識を より迅速に成し得る。

[第2の実施形態]
 次に、本発明の第2の実施形態を図6及び図7� ��参照して説明する。
 ここで、前述した第1の実施形態と同一の構 成部材については同一の符号を用いるものと する。

 この図6乃至図7において、本第2の実施形態� ��ある音声認識システムは、音声入力装置と� ��てのクライアント端末装置(以下「クライア ント」と略称する)60と、音声認識装置として のサーバ70とから構成される。
 クライアント(クライアント端末装置)60は、 図6に示すように音声入力部61、データ処理部 62、記憶部63、クライアント通信部64、縮小辞 書作成プログラム65、および認識結果出力部6 9とを備えている。
 記憶部63には、ユーザ辞書63aがデータとし� �記憶されている。データ処理部62は、縮小辞 書作成プログラム65を読み込んで、データ処� ��(縮小辞書作成)を制御する。

 データ処理部62は、縮小辞書作成プログ� �ム65に従って、第1の実施形態の縮小辞書作� �手段13で実行する処理と同一の処理を実行す る。具体的には、データ処理部62は、クライ� ��ント(クライアント端末装置)60の音声入力部 61に入力された音声を参照して、この音声に� ��まれる可能性の高い単語を記憶部63内のユ� �ザ辞書63aの中からいくつか選択して縮小ユ� �ザ辞書を作成する。クライアント60で作成さ れた縮小ユーザ辞書は、クライアント通信部 64により通信回線120を介してサーバ(音声認識 装置)70に送信される。符号69は、サーバ70か� �送り込まれる入力音声に対する認識結果を� �力表示する認識結果出力部を示す。

 又、音声認識装置としてのサーバ70は、� �7に示すように、サーバ通信部71、データ処� �部72、記憶部73、音声認識プログラム75を備� �ている。記憶部73には、システム辞書73aがデ ータとして記憶されている。データ処理部72� ��、音声認識プログラム75を読み込んで、デ� �タ処理を制御する。

 データ処理部72は、音声認識プログラム75に 従って、前述した第1実施形態における音声� �識部22で実行する処理と同一の処理を実行す る。
 具体的には、データ処理部72は、クライア� �ト60から送りこまれる入力音声データと縮小 ユーザ辞書とをサーバ通信部71を介して受信� ��た後、記憶部73内のシステム辞書73aと前記� �小ユーザ辞書の両方を利用して、入力音声� �ータに対する音声認識処理を実行する。

 本第2の実施形態では、クライアント60およ� ��サーバ70とも、例えば、パーソナルコンピ� �ータ(以下PC)、PDA(Personal Digital Assistant)、携� ��電話機など、CPUとメモリを有しネットワー� ��接続が可能な電子機器であれば、どれを用� ��て実施することも可能である。又、クライ� ��ント60の入力部61は、コンピュータに汎用の 音声入力機能があれば、これをそのまま利用 することができる。
 その他各部の機能については、或いはその� ��の構成およびその作用効果については、前� ��した第1実施形態の場合と同一となっている 。

 以上説明したように、本第2の実施形態にお いては、下記のような効果を奏する。
 まず、サーバ70における音声認識処理では� �前述した第1実施形態の場合と同様に、実質� ��にシステム辞書とユーザ辞書とを同時に使� ��した場合と同じ音声認識結果を得ることが� ��き、入力音声以外の情報が利用できない場� ��でもクライアント60及びサーバ70間で転送さ れるデータ量が少なくて済むという効果があ る。
 更に、クライアント60で利用可能なリソー� �が少ない場合でもシステム全体としての音� �認識精度への悪影響が少ないという効果が� �る。

 このように、上述した各実施形態にあっ� ��は、音声入力装置であるクライアント端末� ��置(クライアント)では、入力された音声を� �象としてユーザ辞書から単語を抽出し、縮� �ユーザ辞書を作成する。単語の抽出は、ユ� �ザ辞書の単語のうちから入力音声に含まれ� �いる可能性を判断し、可能性が高いものを� �出する処理として行われる。そして、前記� �声入力装置(クライアント)から入力音声と縮 小ユーザ辞書を音声認識装置(サーバ)に送信� ��る。一方、音声認識装置(サーバ)側では、� �ステム辞書と縮小ユーザ辞書を同時に使用� �て音声認識処理が行われる。ここで、クラ� �アントのユーザ辞書と縮小ユーザ辞書の差� �は入力音声に含まれる可能性の低い単語の� �であるため、サーバの音声認識処理では実� �的にシステム辞書とユーザ辞書とを同時に� �用した場合と同じ音声認識結果が得られる� �

 又、縮小ユーザ辞書のサイズはユーザ辞� ��のサイズと比べて大幅に小さくできること� ��期待できるため、音声入力装置及び音声認� ��装置の間で転送されるデータ量を、ユーザ� ��書全体を送信する場合と比べて確実に削減� ��ることができる。更に、音声入力装置と音� ��認識装置間の通信は、通常、サーバ内部あ� ��いはクライアントのデータ転送と比べて転� ��速度が低速で通信コストも高価である。そ� ��ため、転送データ量の削減は、データ転送� ��間の短縮、音声認識処理のレスポンス改善� ��通信コスト削減が可能となる。

 更に、音声入力装置(クライアント)では� �ーザ辞書の単語に対して入力音声に含まれ� �可能性があるかどうかを判定するが、この� �階では、本当に出現している単語が欠落し� �いように注意すればよく、縮小ユーザ辞書� �不要な単語が含まれていても最終的な音声� �識の精度には影響しない。不要な単語は音� �認識処理で最終的に採用されないことが期� �されるためである。従って、音声入力装置(� ��ライアント)で処理に使えるリソースが少な く高精度な処理が実行できない場合でも、音 声認識精度に直接悪影響を及ぼさない。言い 換えれば、CPUやメモリなどリソースが少ない 音声入力装置(クライアント)に対する本発明� ��機能搭載が容易となる。

 即ち、本発明の実施形態によると、音声� ��識装置における音声認識処理では実質的に� ��ステム辞書とユーザ辞書の双方を使用した� ��合と同じ音声認識結果を得ることができる� ��かりでなく、入力音声以外の情報が利用で� ��ない場合でも、音声入力装置及び音声認識� ��置間で転送されるデータ量が少なくて済む� ��更に、音声入力装置で利用可能なリソース� ��少ない場合でも、システム全体としての音� ��認識精度への悪影響が少なくできる。

 本発明の他の実施形態にかかる音声認識� ��ステムは、音声を電気信号に変換し入力音� ��として入力する音声入力装置と、この音声� ��力装置に入力された入力音声を取り込んで� ��識処理する音声認識装置とを通信可能に接� ��して成る音声認識システムにあって、前述� ��た音声入力装置は、前記入力音声の認識に� ��いる単語を格納したユーザ辞書部と、前記� ��力音声に対応する単語を前記ユーザ辞書部� ��ら抽出して縮小ユーザ辞書を作成する縮小� ��ーザ辞書作成手段とを備えている。又、前� ��した音声認識装置は、前記音声入出力装置� ��ら前記入力音声と前記縮小ユーザ辞書とを� ��力すると共に、この縮小ユーザ辞書と予め� ��えている音声認識用の単語を格納したシス� ��ム辞書とに基づいて前記入力音声を認識す� ��音声認識手段を備えている、という構成と� ��てもよいものである。

 このため、これによると、上述したよう� ��音声認識装置における音声認識処理に際し� ��は、音声入力装置から入力音声と縮小ユー� ��辞書とを送るようにしたので、音声認識装� ��側では、縮小ユーザ辞書とシステム辞書と� ��基づいて音声認識の質を維持しつつ当該入� ��音声に対する音声認識を実行することがで� ��、且つ音声入力装置からユーザ辞書に代え� ��データ容量の小さい縮小ユーザ辞書を送る� ��うにしたので、音声認識装置に転送するデ� ��タ量及び通信コストを、ユーザ辞書全体を� ��信する場合と比べて大幅に削減でき、かか� ��点においてデータ伝送時間の短縮および前� ��した音声認識装置における音声認識の処理� ��間を大幅に短縮することができる。

 本発明の他の実施形態にかかる音声認識� ��ステムでは、音声を電気信号に変換し入力� ��声として入力する音声入力装置と、この音� ��入力装置で入力された入力音声を認識処理� ��る音声認識装置とを通信可能に接続して成� ��音声認識システムにあって、前記音声入出� ��装置は、音声を入力する音声入力部と、入� ��した音声の認識に用いる単語を格納したユ� ��ザ辞書部と、前記入力音声に対応する単語� ��前記ユーザ辞書から抽出して縮小ユーザ辞� ��を作成する縮小ユーザ辞書作成手段と、前� ��入力音声及び前記縮小ユーザ辞書を前記音� ��認識装置に送信する送信手段とを備えてい� ��。又、前述した音声認識装置は、音声認識� ��の単語を格納したシステム辞書部と、前記� ��声入力装置から送信される前記入力音声及� ��前記縮小ユーザ辞書を受信する受信手段と� ��前記システム辞書と前記縮小ユーザ辞書と� ��用いて前記入力音声について音声認識処理� ��行う音声認識部とを備える、という構成構� ��としてもよいものである。

 このため、上記音声認識システムにあって� ��、前述した音声認識装置における音声認識� ��理に際しては、縮小ユーザ辞書とシステム� ��書に基づいて認識処理を実行し得るので、� ��質的にユーザ辞書とシステム辞書の双方を� ��用した場合と同じ音声認識結果を得ること� ��できる。
 また、音声入力装置から音声認識装置に転� ��するデータ量及び通信コストを、ユーザ辞� ��全体を送信する場合と比べて大幅に削減で� ��、かかる点において回線の負担を確実に低� ��することができ、全体的に音声認識の処理� ��間を短縮することができるという利点があ� ��。更に、音声入力装置から音声認識装置に� ��送するデータ量及び通信コストを、ユーザ� ��書全体を送信する場合と比べて大幅に削減� ��きる。

 ここで、前述した縮小ユーザ辞書は、前� ��ユーザ辞書が有する単語の中から前記入力� ��声に含まれる可能性のある単語を選び出し� ��辞書である。又、前述した縮小ユーザ辞書� ��成手段は、前記ユーザ辞書が有する単語と� ��記入力音声とを照合して前記入力音声中に� ��該単語が現れる尤度を計算し且つその計算� ��果に基づいて前記尤度の高い単語を選択し� ��前記縮小ユーザ辞書を作成する構成として� ��よい。

 これにより、ユーザ辞書と縮小ユーザ辞� ��との差分は入力音声に含まれる可能性の低� ��単語となり、音声認識処理では実質的にシ� ��テム辞書とユーザ辞書の双方を使用した場� ��と同じ音声認識結果が得られる。又、音声� ��力装置側での上記処理は、ユーザ辞書の単� ��に対して入力音声に含まれる可能性がある� ��どうかを判定する処理であり、この段階で� ��、本当に出現している単語が落ちないよう� ��だけ注意すればよく、汎用の技術のように� ��声認識精度に直接悪影響を及ぼさないとい� ��利点がある。

 更に、この縮小ユーザ辞書作成手段につい� ��は、前記ユーザ辞書を用いたワードスポッ� ��ィング法により前記縮小ユーザ辞書を作成� ��るように構成してもよい。
 これにより、音声認識に用いるワードスポ� ��ティング法を縮小ユーザ辞書の作成に有効� ��応用し効率的な縮小ユーザ辞書を作成する� ��とができる。

 また、上述した縮小ユーザ辞書作成手段� ��ついては、入力音声とユーザ辞書内の単語� ��の照合を行い前記入力音声中に現れる各単� ��の尤度を集計する照合部と、この集計され� ��各単語と対応する尤度との組を仮に保持す� ��単語仮格納部と、この単語仮格納部内から� ��度の高い一又複数の単語を選択し縮小ユー� ��辞書作成する単語選択部と、を含む構成と� ��てもよい。

 本発明の他の実施形態にかかる音声認識� ��法は、音声入力装置にあって音声を電気信� ��に変換しこれを入力音声として入力し、前� ��音声入力装置が備えている音声認識用のユ� ��ザ辞書から前記入力された音声に関する単� ��を抽出して縮小ユーザ辞書を作成し、前記� ��力音声及び前記縮小ユーザ辞書を前記音声� ��力装置から音声認識装置に送信し、前記入� ��音声及び前記縮小ユーザ辞書を受信した前� ��音声認識装置にて作動し当該音声認識装置� ��備えている音声認識用のシステム辞書と受� ��した前記縮小ユーザ辞書とに基づいて前記� ��力音声について音声認識処理を行う構成と� ��てもよいものである。

 本発明の他の実施形態にかかる音声認識� ��法は、音声入力装置にあって音声を電気信� ��に変換しこれを入力音声として入力し、前� ��音声入力装置が備えている音声認識用のユ� ��ザ辞書から前記入力された音声に関する単� ��を抽出して縮小ユーザ辞書を作成し、前記� ��力音声及び前記縮小ユーザ辞書を前記音声� ��力装置から音声認識装置に送信し、前記入� ��音声及び前記縮小ユーザ辞書を受信した前� ��音声認識装置にて受信し、前記音声認識装� ��が作動し当該音声認識装置が備えている音� ��認識用のシステム辞書と受信した前記縮小� ��ーザ辞書とに基づいて前記入力音声につい� ��音声認識処理を行う構成としてもよいもの� ��ある。

 このため、音声認識装置における音声認� ��処理では実質的にシステム辞書とユーザ辞� ��の双方を使用した場合と同じ音声認識結果� ��得ることができる。また、音声入力装置か� ��音声認識装置に転送するデータ量及び通信� ��ストを、ユーザ辞書全体を送信する場合と� ��べて削減できる。

 ここで、前述した縮小ユーザ辞書を作成� ��る際、前記ユーザ辞書が有する単語と前記� ��力音声とを照合して前記入力音声中に当該� ��語が現れる尤度を計算し、その計算結果に� ��づいて前記尤度の高い単語を選択して前記� ��小ユーザ辞書を作成する構成としてもよい� ��

 又、前述した縮小ユーザ辞書を作成する� ��、ワードスポッティング処理により前記ユ� ��ザ辞書から前記縮小ユーザ辞書を作成する� ��うに構成してもよい。

 更に、前述した縮小ユーザ辞書を作成す� ��際、前記入力音声と前記ユーザ辞書内の単� ��との照合を行い前記入力音声中に現れる各� ��語の尤度を集計し、この集計された各単語� ��対応する尤度との組を仮に保持し、この仮� ��納された単語内から尤度の高い一又複数の� ��語を選択し縮小ユーザ辞書を作成し、この� ��択された単語を改めて辞書の形に編成し縮� ��ユーザ辞書を作成する構成としてもよい。

 本発明の他の実施形態にかかる音声認識処� ��プログラムは、音声を電気信号に変換し入� ��音声として入力する音声入力装置と、この� ��声入力装置に入力された入力音声を取り込� ��で認識処理する音声認識装置とを通信可能� ��接続して成る音声認識システムにあって、� ��記音声入力装置が備えているコンピュータ� ��、
音声入力装置にあって受信した音声を電気信 号に変換しこれを入力音声として入力する音 声入力制御機能、前記音声入力装置が備えて いる音声認識用のユーザ辞書から前記入力音 声に関する単語を抽出して縮小ユーザ辞書を 作成する縮小ユーザ辞書作成制御機能、前記 入力音声及び前記縮小ユーザ辞書を音声認識 処理用として前記音声入力装置から音声認識 装置に送信する送信制御機能、を実行させる 構成としてもよいものである。

 本発明の他の実施形態にかかる音声認識処� ��プログラムは、音声を電気信号に変換し入� ��音声として入力すると共にその認識結果を� ��示する音声入力装置と、この音声入力装置� ��入力された入力音声を取り込んで認識処理� ��前記音声入力装置に送り返す音声認識装置� ��を通信可能に接続して成る音声認識システ� ��にあって、前記音声認識装置が備えている� ��ンピュータに、
 前記音声入力装置から送信される前記入力� ��声と前記音声入力装置側のユーザ辞書に係� ��縮小ユーザ辞書とを受信する認識対象受信� ��理機能、この受信した前記入力音声を、当� ��音声認識装置が備えている音声認識用のシ� ��テム辞書と前記受信した縮小ユーザ辞書と� ��基づいて音声認識処理を行う音声認識処理� ��能、を実行させる構成としてもよいもので� ��る。

 このようにしても、前述した各システム� ��場合とほぼ同様に音声認識処理を迅速に実� ��することができ、且つ縮小ユーザ辞書を使� ��しても実質的にユーザ辞書を使用した場合� ��同等の音声認識結果を得ることができ、音� ��入力装置から音声認識装置に転送するデー� ��量及び通信コストを、ユーザ辞書全体を送� ��する場合と比べて大幅に削減でき、全体的� ��音声認識の処理時間を短縮することができ� ��という利点がある。

 ここで、前記ユーザ辞書が有する単語と� ��記入力音声とを照合して前記入力音声中に� ��該単語が現れる尤度を計算し、その計算結� ��に基づいて前記尤度の高い単語を選択して� ��記縮小ユーザ辞書を作成する機能を前記コ� ��ピュータに実行させる構成としてもよい。

 又、前記入力音声と前記ユーザ辞書内の� ��語との照合を行い前記入力音声中に現れる� ��単語の尤度を集計し、この集計された各単� ��と対応する尤度との組を仮に保持し、この� ��格納された単語内から尤度の高い一又複数� ��単語を選択し縮小ユーザ辞書を作成する機� ��を前記コンピュータに実行させる構成とし� ��もよい。

 又、ワードスポッティング処理により前� ��ユーザ辞書から前記縮小ユーザ辞書を作成� ��る構成してもよい。

 これにより、音声認識装置における音声� ��識処理では実質的にシステム辞書とユーザ� ��書の双方を使用した場合と同じ音声認識結� ��を得ることができる。又、音声入力装置の� ��理は、ユーザ辞書の単語に対して入力音声� ��含まれる可能性があるかどうかを判定する� ��理であり、この段階では、本当に出現して� ��る単語が欠落しないように注意すればよく� ��音声認識精度に直接悪影響を及ぼすことは� ��い。

以上、実施形態(及び実施例)を参照して本� ��発明を説明したが、本願発明は上記実施形� ��(及び実施例)に限定されるものではない。� �願発明の構成や詳細には、本願発明のスコ� �プ内で当業者が理解し得る様々な変更をす� �ことができる。

 この出願は2007年3月14日に出願された日本 出願特願2007-065229を基礎とする優先権を主張� ��、その開示の全てをここに取り込む。