特許ウォッチ

公開番号2025138379
公報種別公開特許公報(A)
公開日2025-09-25
出願番号2024037433
出願日2024-03-11
発明の名称音声分析システム及び音声分析方法
出願人株式会社日立製作所
代理人弁理士法人信友国際特許事務所
主分類G10L 25/63 20130101AFI20250917BHJP(楽器;音響)
要約【課題】音声感情認識の精度を向上させる音声分析システムを提供する。
【解決手段】音声分析システム1が備える音声分析実行部20は、音声入力部21と、発話区間閾値を超える音声信号から音声認識用の音声認識用発話区間を検出し、第1発話セグメントを抽出する音声認識用発話区間検出部22と、発話区間閾値よりも高い音声感情認識用閾値を超える音声信号から音声感情認識用の音声感情認識用発話区間を検出し、第2発話セグメントを抽出する音声感情認識用発話区間検出部24と、第2発話セグメントを基に音声感情認識処理を行って、第2発話セグメントに感情を割り当てる音声感情認識部25と、テキスト化された音声に感情を対応付けて、テキスト化された音声及び感情を出力する出力部26と、を備える。
【選択図】図6
特許請求の範囲【請求項１】
音声信号を入力する音声入力部と、
音声認識用の第１発話区間を検出するための発話区間閾値を超える前記音声信号から音声認識用の第１発話区間を検出し、第１発話セグメントを抽出する音声認識用発話区間検出部と、
前記発話区間閾値よりも高い音声感情認識用閾値を超える前記音声信号から音声感情認識用の第２発話区間を検出し、第２発話セグメントを抽出する音声感情認識用発話区間検出部と、
前記第２発話区間で抽出された前記第２発話セグメントを基に音声感情認識処理を行って、前記第２発話セグメントに感情を割り当てる音声感情認識部と、
テキスト化された前記音声に前記感情を対応付けて、テキスト化された前記音声及び前記感情を出力する出力部と、を備える
音声分析システム。
続きを表示（約 1,000 文字）【請求項２】
前記音声感情認識用発話区間検出部は、前記音声感情認識用閾値を設定して、前記第２発話区間を発話単位で分割し、前記音声に混在する雑音を取り除く
請求項１に記載の音声分析システム。
【請求項３】
前記第２発話区間に割り当てられた感情を基に、前記出力部が出力する前記感情を選択する感情選択部を備える
請求項２に記載の音声分析システム。
【請求項４】
前記第１発話区間で抽出された前記第１発話セグメントを基に音声認識処理を行って、音声をテキスト化し、テキスト化された前記音声を前記出力部に出力する音声認識部を備える
請求項３に記載の音声分析システム。
【請求項５】
前記感情選択部は、前記第１発話区間と前記第２発話区間とが同じ場合に、前記第２発話区間に一つの感情ラベルを割り当てる
請求項４に記載の音声分析システム。
【請求項６】
前記感情選択部は、前記第１発話区間に対する前記音声感情認識処理の結果が存在しない場合に、前記音声感情認識用閾値を前回の値より高く変更し、前記音声認識用発話区間検出部に前記第１発話区間を再検出させる
請求項５に記載の音声分析システム。
【請求項７】
前記感情選択部は、前記第１発話区間に対する前記音声感情認識処理の結果が存在し、かつ、前記音声感情認識処理の結果の確信度が、確信度閾値よりも低い場合に、前記音声感情認識用閾値を前回の値より低く変更し、前記音声感情認識用発話区間検出部に前記第２発話区間を再検出させる
請求項６に記載の音声分析システム。
【請求項８】
前記感情選択部は、前記第１発話区間に対して複数の前記音声感情認識処理の結果が存在する場合に、複数の前記感情ラベルを統合して前記第１発話区間に割り当てる
請求項６に記載の音声分析システム。
【請求項９】
前記出力部は、テキスト化された前記音声を時系列で並べ、前記音声の所定分量ごとに前記感情ラベルを併記した音声分析結果を出力する
請求項７に記載の音声分析システム。
【請求項１０】
前記出力部は、テキスト化された前記音声を時系列で並べ、所定時間ごとに前記感情ラベルをグラフ化した音声分析結果を出力する
請求項７に記載の音声分析システム。
（【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、音声分析システム及び音声分析方法に関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
従来、コンタクトセンターや窓口業務など、顧客とオペレーターとの対話を伴うサービスの応対品質を客観的に評価したり、応対品質を改善したりするために様々な方策がとられている。このため、音声から話者の発話を認識する音声認識の手法が用いられるようになっている。音声認識の手法を用いることで、例えば、音声から発話部分をテキストに書き起こしたり、テキストに対応する音声感情を取得したりすることが可能となる。このため、発話部分のテキストや音声感情を利活用する需要が高まっている。
【０００３】
コンタクトセンターや窓口業務では、周囲にオペレーターがいたり、屋内で空調が稼働していたりすることにより雑音が発生しやすい。このような雑音が発生する環境下においては、コンピューターが音声感情を認識する精度が悪化する。したがって、雑音環境下においても、高精度な音声感情認識が求められていた。
【０００４】
音声認識結果を出力すると共に音声の持つ感情も出力する方法として、特許文献１に開示された技術が知られている。特許文献１には、「取り込んだ音声に対して音声分析処理を行う音声分析部と、音声のパターンを音素単位でもつ音響モデル部と、感情による音韻スペクトルの変形を表す発声変形感情モデル部と、音声分析結果に対して、音響モデル部と発声変形感情モデル部と辞書部とを連結して、音声認識処理を行う音声認識部とを備え、音声の特徴から、音声認識の対象となる単語や文章を音声認識結果として出力するとともに、音声がもっている話者の感情の度合を示すレベルを出力することを特徴とする音声感情認識システム。」と記載されている。
【先行技術文献】
【特許文献】
【０００５】
特開平１１－１１９７９１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
特許文献１に開示された発明の実施形態の一つは、収録した音声データに発話区間検出を行って得た発話区間に対し、音声認識と音声感情認識をそれぞれ適用している。発話区間とは、例えば、一つの発話者が発言を開始してから終了するまでの時間的な区間である。また、発話区間をより小さな部分に分割したものを発話セグメントと呼ぶ。発話セグメントは、発話区間における特定の文やフレーズ、単語などが該当する。ここで、従来の音声認識の処理について、図１を参照して説明する。
【０００７】
図１は、音声から検出される発話区間の例を示す図である。音圧等の発話区間閾値に応じて音声から検出される発話区間が異なる。
（１）図１の上側には、発話区間閾値を低くした時に音声から検出される発話区間の例を示す。この例では、実際の発話である「決済がうまくいかない」の発話セグメントの前後に含まれる雑音も発話区間として検出されている。
【０００８】
（２）図１の下側には、発話区間閾値を高くした時に音声から検出される発話区間の例を示す。この例では、実際の発話の前後の雑音は含まれないが、発話の一部しか発話区間として検出されない。
【０００９】
一般に発話の開始時及び終了時の音圧は低くなる。従来は、音声認識の精度を担保するために、発話区間閾値を低く設定することで広い発話区間を検出していた。しかし、雑音環境下では、発話区間閾値を低く設定して検出される発話区間には、発話セグメントに加えて、発話セグメントの前後の雑音も含まれる。このように雑音が含まれた発話区間を用いた場合、音声感情認識の精度が低下する。
【００１０】
本発明はこのような状況に鑑みて成されたものであり、音声感情認識の精度を向上させることを目的とする。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許