特許ウォッチ

公開番号2025131477
公報種別公開特許公報(A)
公開日2025-09-09
出願番号2024106626
出願日2024-07-02
発明の名称電子装置及びその動作方法
出願人現代自動車株式会社,HYUNDAI MOTOR COMPANY,起亞株式会社,KIA CORPORATION
代理人弁理士法人共生国際特許事務所
主分類G10L 15/28 20130101AFI20250902BHJP(楽器;音響)
要約【課題】呼び出し語を識別するための電子装置及びその動作方法を提供する。
【解決手段】本発明の電子装置は、複数のマイクと、スピーカーと、プロセッサーと、メモリーと、を備え、プロセッサーは、複数のマイクを用いて複数の音声信号を獲得し、複数の音声信号を獲得する時間の流れに応じて、複数の音声信号のうちの第1マイクから獲得された第1音声信号に対する音声認識を行うことで、指定された呼び出し語を識別し、指定された呼び出し語の識別を完了した第1時点から指定された呼び出し語に対応する発話時間の前である第2時点を獲得し、複数の音声信号のうちの第2時点から獲得された一部分に対する音声認識を行うように構成される。
【選択図】図1

特許請求の範囲【請求項１】
複数のマイクと、
スピーカーと、
プロセッサーと、
メモリーと、備え、
前記プロセッサーは、
前記複数のマイクを用いて複数の音声信号を獲得し、
前記複数の音声信号を獲得する時間の流れに応じて、前記複数の音声信号のうちの第１マイクから獲得された第１音声信号に対する音声認識を行うことで、指定された呼び出し語（ｄｅｓｉｇｎａｔｅｄｃａｌｌｗｏｒｄ）を識別し、
前記指定された呼び出し語の識別を完了した第１時点（ｔｉｍｅｐｏｉｎｔ）から前記指定された呼び出し語に対応する発話（ｕｔｔｅｒａｎｃｅ）時間の前である第２時点を獲得し、
前記複数の音声信号のうちの前記第２時点から獲得された一部分に対する音声認識を行うように構成されることを特徴とする電子装置。
続きを表示（約 1,700 文字）【請求項２】
前記プロセッサーは、
前記一部分に対する音声認識を行うことに基づいて、前記複数の音声信号の位相差（ｐｈａｓｅｄｉｆｆｅｒｅｎｃｅ）を用いて前記複数の音声信号に関連する使用者の位置を追跡（ｔｒａｃｋ）し、
前記複数のマイクを用いて前記使用者の位置に向けてビームフォーミングを行うことで、獲得された前記複数の音声信号から前記使用者の発話に対応するターゲット音声が強化された（ｅｎｈａｎｃｅｄ）第２音声信号を識別するように構成されることを特徴とする請求項１に記載の電子装置。
【請求項３】
前記プロセッサーは、
前記第２音声信号を識別したことに基づいて前記第２音声信号に含まれるノイズ信号を識別し、
前記ノイズ信号の振幅（ａｍｐｌｉｔｕｄｅ）を減少させるように構成されることを特徴とする請求項２に記載の電子装置。
【請求項４】
前記プロセッサーは、
前記第２音声信号を識別したことに基づいて前記ターゲット音声を示すターゲット音声信号を識別し、
前記第２音声信号に含まれる前記ターゲット音声信号の振幅を増加させ、
前記ターゲット音声信号の振幅が増加した前記第２音声信号を用いて音声認識を行うように構成されることを特徴とする請求項２に記載の電子装置。
【請求項５】
前記プロセッサーは、
前記スピーカーから出力された基準信号（ｒｅｆｅｒｅｎｃｅｓｉｇｎａｌ）を含む前記複数の音声信号のそれぞれにおいて前記基準信号の振幅を減少させ、
前記基準信号の振幅が減少した前記複数の音声信号の位相差を用いて前記使用者の位置を追跡するように構成されることを特徴とする請求項２に記載の電子装置。
【請求項６】
前記プロセッサーは、
前記第１音声信号内で、指定されたテキストを示す基準信号及び前記基準信号とは区分されるノイズ信号を識別し、
前記基準信号、前記ノイズ信号、又はこれらのいずれかの組み合わせの少なくとも一つの振幅を減少させ、
前記少なくとも一つの振幅が減少した前記第１音声信号を用いて前記指定された呼び出し語を識別するように構成されることを特徴とする請求項１に記載の電子装置。
【請求項７】
前記プロセッサーは、前記第１マイクから獲得された第１音声信号に対する音声認識を行う間に、前記複数の音声信号のうちの前記第１音声信号とは区分される他の音声信号に対する音声認識をバイパスするように構成されることを特徴とする請求項１に記載の電子装置。
【請求項８】
前記プロセッサーは、
前記第１音声信号に対応する第１データセットを用いて前記第１音声信号に対する音声認識を行い、
前記他の音声信号に対する音声認識をバイパスする間に、指定されたデータサイズに基づいて前記他の音声信号に対応する他のデータセットの除去（ｄｅｌｅｔｉｏｎ）を一時的に中止するように構成されることを特徴とする請求項７に記載の電子装置。
【請求項９】
前記プロセッサーは、
前記第１データセットから前記指定された呼び出し語に対応するテキストデータを識別し、
前記識別されたテキストデータに基づいて、前記第１データセットに対するロールバックと前記他のデータセットに対するロールバックとを行うことで前記第２時点を獲得し、
前記第２時点から前記第１データセット及び前記他のデータセット全体を用いて音声認識を行うように構成されることを特徴とする請求項８に記載の電子装置。
【請求項１０】
前記プロセッサーは、
前記複数の音声信号に関連する使用者との距離に基づいて前記複数のマイクのうちの前記第１マイクを識別し、
前記第１マイクを用いて前記第１音声信号を獲得するように構成されることを特徴とする請求項１に記載の電子装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、電子装置及びその動作方法に関し、より詳しくは、音声信号を識別するための技術に関する。
続きを表示（約 4,300 文字）【背景技術】
【０００２】
音声認識サービスは、音声信号を電子装置が処理できるテキストや命令に変換する技術に基づくサービスを意味する。音声認識サービスには、使用者が音声で発話する内容を電子装置が処理して内容をテキストに変換するか又は音声命令を認識して特定の作業を行うようにする技術が主に使用されている。電子装置が音声認識サービスを提供するために使用者の位置を追跡するための音源方向推定（ｓｏｕｎｄｓｏｕｒｃｅｌｏｃａｌｉｚａｔｉｏｎ）又はビームフォーミング（ｂｅａｍｆｏｒｍｉｎｇ）技術が要求される。但し、使用者が移動しながら発話する場合、固定されたビームフォーミング方向によって音声認識の性能が急激に低下するという問題が発生する可能性がある。したがって、使用者の位置に応じて電子装置の位置及び／又は電子装置の方向を変更するための方案を研究する必要性がある。
【先行技術文献】
【特許文献】
【０００３】
特開２０２２－１２８５７９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
本発明は、上記従来技術に鑑みてなされたものであって、本発明の目的は、呼び出し語を識別するための電子装置及びその動作方法を提供することにある。
【課題を解決するための手段】
【０００５】
上記目的を達成するためになされた本発明の一態様による電子装置は、複数のマイクと、スピーカーと、プロセッサーと、メモリーと、を備え、前記プロセッサーは、前記複数のマイクを用いて複数の音声信号を獲得し、前記複数の音声信号を獲得する時間の流れに応じて、前記複数の音声信号のうちの第１マイクから獲得された第１音声信号に対する音声認識を行うことで、指定された呼び出し語（ｄｅｓｉｇｎａｔｅｄｃａｌｌｗｏｒｄ）を識別し、前記指定された呼び出し語の識別を完了した第１時点（ｔｉｍｅｐｏｉｎｔ）から前記指定された呼び出し語に対応する発話（ｕｔｔｅｒａｎｃｅ）時間の前である第２時点を獲得し、前記複数の音声信号のうちの前記第２時点から獲得された一部分に対する音声認識を行うように構成される。
【０００６】
一実施形態において、前記プロセッサーは、前記一部分に対する音声認識を行うことに基づいて、前記複数の音声信号の位相差（ｐｈａｓｅｄｉｆｆｅｒｅｎｃｅ）を用いて前記複数の音声信号に関連する使用者の位置を追跡（ｔｒａｃｋ）し、前記複数のマイクを用いて前記使用者の位置に向けてビームフォーミングを行うことで、獲得された前記複数の音声信号から前記使用者の発話に対応するターゲット音声が強化された（ｅｎｈａｎｃｅｄ）第２音声信号を識別するように構成される。
一実施形態において、前記プロセッサーは、前記第２音声信号を識別したことに基づいて前記第２音声信号に含まれるノイズ信号を識別し、前記ノイズ信号の振幅（ａｍｐｌｉｔｕｄｅ）を減少させるように構成される。
一実施形態において、前記プロセッサーは、前記第２音声信号を識別したことに基づいて前記ターゲット音声を示すターゲット音声信号を識別し、前記第２音声信号に含まれる前記ターゲット音声信号の振幅を増加させ、前記ターゲット音声信号の振幅が増加した前記第２音声信号を用いて音声認識を行うように構成される。
一実施形態において、前記プロセッサーは、前記スピーカーから出力された基準信号（ｒｅｆｅｒｅｎｃｅｓｉｇｎａｌ）を含む前記複数の音声信号のそれぞれにおいて前記基準信号の振幅を減少させ、前記基準信号の振幅が減少した前記複数の音声信号の位相差を用いて前記使用者の位置を追跡するように構成される。
一実施形態において、前記プロセッサーは、前記第１音声信号内で、指定されたテキストを示す基準信号及び前記基準信号とは区分されるノイズ信号を識別し、前記基準信号、前記ノイズ信号、又はこれらのいずれかの組み合わせの少なくとも一つの振幅を減少させ、前記少なくとも一つの振幅が減少した前記第１音声信号を用いて前記指定された呼び出し語を識別するように構成される。
一実施形態において、前記プロセッサーは、前記第１マイクから獲得された第１音声信号に対する音声認識を行う間に、前記複数の音声信号のうちの前記第１音声信号とは区分される他の音声信号に対する音声認識をバイパスするように構成される。
一実施形態において、前記プロセッサーは、前記第１音声信号に対応する第１データセットを用いて前記第１音声信号に対する音声認識を行い、前記他の音声信号に対する音声認識をバイパスする間に、指定されたデータサイズに基づいて前記他の音声信号に対応する他のデータセットの除去（ｄｅｌｅｔｉｏｎ）を一時的に中止するように構成される。
一実施形態において、前記プロセッサーは、前記第１データセットから前記指定された呼び出し語に対応するテキストデータを識別し、前記識別されたテキストデータに基づいて、前記第１データセットに対するロールバックと前記他のデータセットに対するロールバックとを行うことで前記第２時点を獲得し、前記第２時点から前記第１データセット及び前記他のデータセット全体を用いて音声認識を行うように構成される。
一実施形態において、前記プロセッサーは、前記複数の音声信号に関連する使用者との距離に基づいて前記複数のマイクのうちの前記第１マイクを識別し、前記第１マイクを用いて前記第１音声信号を獲得するように構成される。
【０００７】
上記目的を達成するためになされた本発明の一態様による電子装置の動作方法は、複数のマイクを用いて複数の音声信号を獲得する段階と、前記複数の音声信号を獲得する時間の流れに応じて、前記複数の音声信号のうちの第１マイクから獲得された第１音声信号に対する音声認識を行うことで、指定された呼び出し語（ｄｅｓｉｇｎａｔｅｄｃａｌｌｗｏｒｄ）を識別する段階と、前記指定された呼び出し語の識別を完了した第１時点（ｔｉｍｅｐｏｉｎｔ）から前記指定された呼び出し語に対応する発話（ｕｔｔｅｒａｎｃｅ）時間の前である第２時点を獲得する段階と、前記複数の音声信号のうちの前記第２時点から獲得された一部分に対する音声認識を行う段階と、を有する。
【０００８】
一実施形態において、前記一部分に対する音声認識を行う段階は、前記一部分に対する音声認識を行うことに基づいて、前記複数の音声信号の位相差（ｐｈａｓｅｄｉｆｆｅｒｅｎｃｅ）を用いて前記複数の音声信号に関連する使用者の位置を追跡（ｔｒａｃｋ）する段階と、前記複数のマイクを用いて前記使用者の位置に向けてビームフォーミングを行うことで、獲得された前記複数の音声信号から前記使用者の発話に対応するターゲット音声が強化された（ｅｎｈａｎｃｅｄ）第２音声信号を識別する段階と、を含む。
一実施形態において、前記第２音声信号を識別する段階は、前記第２音声信号に含まれるノイズ信号を識別する段階と、前記ノイズ信号の振幅を減少させる段階と、を含む。
一実施形態において、前記第２音声信号を識別する段階は、前記ターゲット音声を示すターゲット音声信号を識別する段階と、前記第２音声信号に含まれる前記ターゲット音声信号の振幅を増加させる段階と、前記ターゲット音声信号の振幅が増加した前記第２音声信号を用いて音声認識を行う段階と、を含む。
一実施形態において、前記使用者の位置を追跡する段階は、スピーカーから出力された基準信号（ｒｅｆｅｒｅｎｃｅｓｉｇｎａｌ）を含む前記複数の音声信号のそれぞれにおいて前記基準信号の振幅を減少させる段階と、前記基準信号の振幅が減少した前記複数の音声信号の位相差を用いて前記使用者の位置を追跡する段階と、を含む。
一実施形態において、前記指定された呼び出し語を識別する段階は、前記第１音声信号内で、指定されたテキストを示す基準信号及び前記基準信号とは区分されるノイズ信号を識別する段階と、前記基準信号、前記ノイズ信号、又はこれらのいずれかの組み合わせの少なくとも一つの振幅を減少させる段階と、前記少なくとも一つの振幅が減少した前記第１音声信号を用いて前記指定された呼び出し語を識別する段階と、を含む。
一実施形態において、前記方法は、前記第１マイクから獲得された第１音声信号に対する音声認識を行う間に、前記複数の音声信号のうちの前記第１音声信号とは区分される他の音声信号に対する音声認識をバイパスする段階を更に含む。
一実施形態において、前記他の音声信号に対する音声認識をバイパスする段階は、前記第１音声信号に対応する第１データセットを用いて前記第１音声信号に対する音声認識を行う段階と、前記他の音声信号に対する音声認識をバイパスする間に、指定されたデータサイズに基づいて前記他の音声信号に対応する他のデータセットの除去（ｄｅｌｅｔｉｏｎ）を一時的に中止する段階と、を含む。
一実施形態において、前記方法は、前記第１データセットから前記指定された呼び出し語に対応するテキストデータを識別する段階と、前記識別されたテキストデータに基づいて、前記第１データセットに対するロールバックと前記他のデータセットに対するロールバックとを行うことで前記第２時点を獲得する段階と、前記第２時点から前記第１データセット及び前記他のデータセット全体を用いて音声認識を行う段階と、を更に含む。
一実施形態において、前記方法は、前記複数の音声信号に関連する使用者との距離に基づいて前記複数のマイクのうちの前記第１マイクを識別する段階と、前記第１マイクを用いて前記第１音声信号を獲得する段階と、を更に含む。
【発明の効果】
【０００９】
本発明によれば、複数のマイクの少なくとも一つのマイクを用いて呼び出し語を識別することができる。また、呼び出し語を識別した場合、複数のマイク全体を用いて音声認識を行うことができる。更に、呼び出し語を識別した場合、呼び出し語が発生した位置に基づいて電子装置の位置を変更することができる。
【００１０】
その他、本明細書を通して直接的又は間接的に把握される多様な効果を提供することができる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許