特許ウォッチ

公開番号2025073889
公報種別公開特許公報(A)
公開日2025-05-13
出願番号2023185037
出願日2023-10-27
発明の名称置換装置、置換方法および置換プログラム
出願人日本電信電話株式会社,NTTテクノクロス株式会社
代理人弁理士法人酒井国際特許事務所
主分類G10L 15/22 20060101AFI20250502BHJP(楽器;音響)
要約【課題】モデルに手を入れずに音声認識結果に関するテキストを置換する。
【解決手段】置換装置10は、音声認識結果である第1のテキストに関する第1の文字列と、予め登録された第2のテキストに関する第2の文字列とを取得する文字列取得部111と、第1の文字列の少なくとも一部の部分文字列と第2の文字列との類似性に基づいて、第1のテキストから置換対象範囲を選定する選定部112と、置換対象範囲を第2のテキストに置換する置換部113と、を有する。
【選択図】図2
特許請求の範囲【請求項１】
音声認識結果である第１のテキストに関する第１の文字列と、予め登録された第２のテキストに関する第２の文字列とを取得する取得部と、
前記第１の文字列の少なくとも一部の部分文字列と前記第２の文字列との類似性に基づいて、前記第１のテキストから置換対象範囲を選定する選定部と、
前記置換対象範囲を前記第２のテキストに置換する置換部と、
を有することを特徴とする置換装置。
続きを表示（約 950 文字）【請求項２】
前記第１の文字列は、前記第１のテキストを発話する際の音をあらわす文字列であり、
前記第２の文字列は、前記第２のテキストを発話する際の音をあらわす文字列であることを特徴とする請求項１に記載の置換装置。
【請求項３】
前記選定部は、前記類似性とともに、前記部分文字列の長さと前記第２の文字列の長さとにも基づいて、前記置換対象範囲を選定することを特徴とする請求項１に記載の置換装置。
【請求項４】
前記選定部は、前記類似性として、前記部分文字列と前記第２の文字列との編集距離を算出し、当該編集距離に基づいて、前記置換対象範囲を選定することを特徴とする請求項１に記載の置換装置。
【請求項５】
前記選定部は、前記部分文字列の長さと前記第２の文字列の長さとの比率または大小関係に基づいて、前記置換対象範囲を選定することを特徴とする請求項３に記載の置換装置。
【請求項６】
前記選定部は、前記第２の文字列が複数存在する場合、当該第２の文字列の長さが長いものに対応する前記置換対象範囲から順に当該置換対象範囲を選定し、
前記置換部は、前記第２のテキストに置換された前記置換対象範囲に対応する第１の文字列を、置換対象外であることを示す文字列にさらに置換することを特徴とする請求項１に記載の置換装置。
【請求項７】
置換装置によって実行される置換方法であって、
音声認識結果である第１のテキストに関する第１の文字列と、予め登録された第２のテキストに関する第２の文字列とを取得する取得工程と、
前記第１の文字列の少なくとも一部の部分文字列と前記第２の文字列との類似性に基づいて、前記第１のテキストから置換対象範囲を選定する選定工程と、
前記置換対象範囲を前記第２のテキストに置換する置換工程と、
を含むことを特徴とする置換方法。
【請求項８】
請求項１～６のいずれか１項に記載の置換装置としてコンピュータを機能させるための置換プログラムであって、前記取得部、前記選定部および前記置換部として前記コンピュータを機能させることを特徴とする置換プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、置換装置、置換方法および置換プログラムに関する。
続きを表示（約 2,500 文字）【背景技術】
【０００２】
音声認識結果をテキストとして出力する技術には、例えば、音響モデルおよび言語モデルにより音声認識結果をテキストとして出力する音響モデル＋言語モデル方式等がある。また、音声認識結果に関するテキストを置換するためのテキストを言語モデル等のモデルに追加する技術には、例えば、追加したい単語の出現確率を推定し、音声認識処理によって動作させる言語モデルに反映する技術がある（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【０００３】
特開２０１２－２４２４２１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来技術では、モデルに手を入れずに音声認識結果に関するテキストを置換できない場合がある。例えば、音響モデル＋言語モデル方式では、音声認識結果に関するテキストを置換するためには、音声認識結果に関するテキストを置換するためのテキストを言語モデルに追加しなければならず、この追加の際に、言語モデルへの反映作業のコストがかかる場合がある。このため、音響モデル＋言語モデル方式では、モデルに手を入れずに音声認識結果に関するテキストを置換することができない場合がある。
【課題を解決するための手段】
【０００５】
前記した課題を解決するため、本発明は、音声認識結果である第１のテキストに関する第１の文字列と、予め登録された第２のテキストに関する第２の文字列とを取得する取得部と、前記第１の文字列の少なくとも一部の部分文字列と前記第２の文字列との類似性に基づいて、前記第１のテキストから置換対象範囲を選定する選定部と、前記置換対象範囲を前記第２のテキストに置換する置換部と、を有する。
【発明の効果】
【０００６】
本発明によれば、モデルに手を入れずに音声認識結果に関するテキストを置換できる。
【図面の簡単な説明】
【０００７】
図１は、第１の実施形態に係る置換システムの概要の一例について説明するための図である。
図２は、第１の実施形態に係る置換装置の構成の一例を示す図である。
図３は、第１の実施形態に係る置換システムによって実行される処理の流れの一例を示すフローチャートである。
図４は、第２の実施形態に係る置換装置の構成の一例を示す図である。
図５は、選定の一例について説明するための図である。
図６は、選定の一例について説明するための図である。
図７は、選定の一例について説明するための図である。
図８は、選定の一例について説明するための図である。
図９は、第３の実施形態に係る置換装置の構成の一例を示す図である。
図１０は、置換の一例について説明するための図である。
図１１は、第４の実施形態に係る置換システムの概要の一例について説明するための図である。
図１２は、第４の実施形態に係る置換装置の構成の一例を示す図である。
図１３は、第４の実施形態に係る置換システムによって実行される処理の流れの一例を示すフローチャートである。
図１４は、第５の実施形態に係る置換システムの概要の一例について説明するための図である。
図１５は、第５の実施形態に係る置換装置の構成の一例を示す図である。
図１６は、変換の一例について説明するための図である。
図１７は、第５の実施形態に係る置換システムによって実行される処理の流れの一例を示すフローチャートである。
図１８は、第６の実施形態に係る置換装置の構成の一例を示す図である。
図１９は、第６の実施形態に係る置換システムによって実行される処理の流れの一例を示すフローチャートである。
図２０は、第７の実施形態に係る置換システムの概要の一例について説明するための図である。
図２１は、第７の実施形態に係る置換装置の構成の一例を示す図である。
図２２は、第７の実施形態に係る置換システムによって実行される処理の流れの一例を示すフローチャートである。
図２３は、置換プログラムを実行するコンピュータの構成の一例を示す図である。
【発明を実施するための形態】
【０００８】
以下、図面を用いて本発明の各実施形態について説明するが、本発明は、以下の各実施形態に限定されない。以下の各実施形態を組み合わせたり変更や改良を加えたりすることが当業者に明らかである場合、そのようなことが行われた形態も本発明の技術的範囲に含まれうる。また、図面の記載は、同一部分には同一の符号を付しており、重複する説明は省略され、同様の機能を有する部材および同様の処理の説明も省略される。
【０００９】
［０．参考技術］
本実施形態について説明する前に、音声認識技術に関する参考技術の一例について説明する。音声認識結果をテキストとして出力する技術には、例えば、上述した音響モデル＋言語モデル方式と、End-to-Endにより音声認識結果をテキストとして出力するEnd-to-End方式とがある。
【００１０】
しかしながら、参考技術では、モデルに手を入れずに音声認識結果に関するテキストを置換できない場合がある。例えば、End-to-End方式では、入力音声と出力テキストの対から一つのニューラルネットワークのモデルを学習しているため、サービス名や商品名等の単語が登録されたデータベースである単語辞書等を音声認識処理において利用できない。また、End-to-End方式では、モデルに単語を追加する場合には、例えば、音声の書き起こしによる追加学習を実施しなければならないため、コストが大きく、モデルに単語を追加するといったチューニングを簡単に行うことができない。
（【００１１】以降は省略されています）

関連特許